一种基于BP神经网络的直流电机故障检测方法

一种基于bp神经网络的直流电机故障检测方法
技术领域
1.本发明涉及故障检测技术领域，特别涉及一种基于bp神经网络的直流电机故障检测方法。


背景技术：

2.直流电机故障诊断技术成为直流电机在工业场合稳定运行的基础得到广泛关注，但大多数直流电机生产企业都鲜有成熟的在线故障诊断方式，这也成为了电机发展的一大桎梏而亟待解决。
3.目前国内外有很多种电机故障检测的方法，这些方法的特点是建立了直流电机精确的动态模型来辨识直流电机的参数。其优点在于辨识出的电机参数具有鲜明的物理意义，可以很方便地进行直流电机故障诊断，只要发现电机参数的变化超过设定的故障限值即可判定直流电机发生了对应类型的故障。但是，现有技术中，由于任意一种直流电机的故障都会影响不止一个的电机参数变化，且参数之间也是相互关联的，其中一个参数的变化会导致其他参数的变化，这就导致各种类型的故障特征不甚明显，难以对直流电机进行故障机理分析和故障定位。


技术实现要素：

4.本发明要解决的技术问题是提供一种操作简单，所需电机信息较少，故障诊断正确率较高的基于bp神经网络的直流电机故障检测方法，解决现有技术中的技术问题。
5.为了解决上述技术问题，本发明的技术方案为：
6.一种基于bp神经网络的直流电机故障检测方法，包括：
7.步骤s1：对直流电机的故障机理进行分析，得到理论模型基础；
8.步骤s2：采集直流电机原始数据；
9.步骤s3：对采集到的直流电机原始数据预处理，得到初始数据结论；
10.步骤s4：对直流电机的状态进行状态监测，获得状态信息；
11.步骤s5：根据初始数据结论和状态信息进行故障判断，得到诊断结果；
12.步骤s6：将诊断结果发送给用户进行反馈。
13.其中，在所述步骤s2中采集的直流电机原始数据包括电流信号和电压信号。
14.其中，所述步骤s1对直流电机的故障机理进行分析，而得到理论模型基础的方法包括：
15.步骤s11：给定学习样本集；
16.步骤s12：求隐层、输出层各单元输出；
17.步骤s13：对整体样本集计算总体误差e；
18.步骤s14：判断总体误差e是否满足要求，如果满足要求结束，即得到理论模型基础，否则执行步骤s15；
19.步骤s15：反向计算各单元一般化误差；
20.步骤s16：调整各层间的权值，执行步骤s12。
21.其中，在所述步骤s3：对采集到的直流电机原始数据预处理，得到初始数据结论中，通过解直流电机动态微分方程组和分析其电枢电流谐波获得故障诊断所需的特征参量，并分析特征参量和电机参数以及电机参数和电机故障类型之间的关系；对直流电机进行故障分类。
22.具体的，对直流电机进行故障分类具体包括对工业用大功率直流电机最易发的故障进行细分和故障现象及原因分析。
23.其中，在执行步骤s6：将诊断结果发送给用户进行反馈之前还执行如下步骤：
24.步骤s51：优化前网络训练；
25.步骤s52：优化前故障诊断测试；
26.步骤s53：对网络进行优化；
27.步骤s54：优化后网络训练；
28.步骤s55：优化后故障诊断测试。
29.具体的，所述总体误差e采用下式(1)计算：
[0030][0031]
其中，e
p
为第p个样本的误差，n为样本数量，e
p
采用下式(2)计算：
[0032][0033]
其中，为第p个样本输出层的输出基准值，为第p个样本中输出层第k个神经元输出，m为输出层神经元的数量。
[0034]
具体的，所述隐层各单元输出oj采用下式(3)计算：
[0035][0036]
其中，ω
ij
为输入层到隐层的权值，θj为隐层的阈值，n为输入层的神经元数量。
[0037]
具体的，所述输出层各单元输出ok采用下式(4)计算：
[0038][0039]
其中，υ
jk
为隐层到输出层的权值，θk为输出层的阈值，q为隐层的神经元数量。
[0040]
采用上述技术方案，通过以bp神经网络为工具，结合直流电机相关故障的理论结论和实际状态信息，发掘直流电机电枢电流的各项信息实现正确率较高的故障诊断，操作简单，所需电机信息较少，故障诊断正确率较高，用户可以及时查询直流电机状态信息，以期实时监测直流电机的故障状态。
附图说明
[0041]
图1为本发明基于bp神经网络的直流电机故障检测方法的流程图；
[0042]
图2为本发明中对直流电机的故障机理进行分析的方法流程图；
[0043]
图3为本发明中训练多个不同的神经网络进行故障诊断的方法流程图。
具体实施方式
[0044]
下面结合附图对本发明的具体实施方式作进一步说明。在此需要说明的是，对于这些实施方式的说明用于帮助理解本发明，但并不构成对本发明的限定。此外，下面所描述的本发明各个实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互组合。
[0045]
作为本发明的第一实施例，提出一种基于bp神经网络的直流电机故障检测方法，如图1所示，包括：
[0046]
步骤s1：对直流电机的故障机理进行分析，得到理论模型基础；
[0047]
直流电机故障在线诊断涉及到直流电机中各种电气量的特征参量，这些特征参量是动态的时刻变化的，其不确定性和模糊性不容忽略。同时各个特征参量之间很大程度上是相互依存，相互影响的。因此，直流电机故障在线诊断的决策优化过程一定是动态的，多元化的，非线性的。通过研究分析bp神经网络的相关原理然后分析其隐含层的作用，分析将灰色关联优化理论用于神经网络隐含层结构优化的理论基础和步骤，得到直流电机在线故障诊断的模型基础。
[0048]
神经网络知识表示是一种知识的隐式表示，知识表现为网络的拓扑结构和连接权值，采用神经网络技术的专家系统，由于神经网络是一种信息存储和处理统一的网络系统，因此，在采用神经网络技术的专家系统中，知识的存储与问题求解过程中的推理过程均在系统的神经网络模块中进行，是推理机和知识库的统一。bp神经网络采用数据驱动正向推理的故障诊断策略，即从初始状态出发，向前推理到达目标状态为止。
[0049]
bp神经网络的工作过程通常由两个阶段组成，一个阶段是工作期，在这一阶段网络各节点的连接权值固定不变，网络的计算从输入层开始，逐层逐个节点地计算每一个节点的输出，直到输出层中的各节点计算完毕。另一阶段是学习期，在这一阶段，各节点的输出保持不变，网络学习则是从输出层开始，反向逐层逐个节点地计算各连接权值的修改量，以修改各连接的权值，直到输入层为止。这两个阶段又称为正向传播和反向传播过程。在正向传播中，如果在输出层的网络输出与所期望的输出相差较大，则开始反向传播过程，根据网络输出与所期望输出的信号误差，对网络节点间的各连接权值进行修改，以此来减小网络输出信号与所期望输出的误差。bp神经网络正是通过这样不断进行的正向传播和反向传播的计算过程，最终使得网络输出层的输出值与期望值趋于一致。
[0050]
在bp网络中，输入层的节点通常只是对输入的样本数据进行一些简单的规格化处理，真正的网络计算处理是从第二层开始到输出层结束。为了便于计算，通常将各处理节点中的阈值也作为一个连接权值l为了做到这一点，只要将各处理节点与一个输出恒为1的虚节点相连接即可。bp网络正向传播的计算过程与网络节点的处理过程的描述基本一致；反向传播的计算过程也就是网络的学习过程，其主要思想是利用网络的输出层中各节点的实际输出与相应的期望输出之间的差距，从输出层开始，对网络中各节点间的互相连接的权值进行适当的调整，使得网络的实际输出与期望输出之间的差距能够逐步减小，最终获得最优的输出。如图2所示，其具体步骤包括：步骤s11：给定学习样本集；步骤s12：求隐层、输出层各单元输出；步骤s13：对整体样本集计算总体误差e；步骤s14：判断总体误差e是否满足要求，如果满足要求结束，即得到理论模型基础，否则执行步骤s15；步骤s15：反向计算各单元一般化误差；步骤s16：调整各层间的权值，执行步骤s12。
[0051]
其中，在步骤s11中，在正向传播过程中，学习样本为有n个样本的样本集合(p，t)，
在步骤s12中，首先计算隐层的神经单元输出，在第j个神经单元的神经单元输出oj采用下式(1)计算：
[0052][0053]
其中，ω
ij
为输入层到隐层的权值，θj为隐层的阈值，n为输入层的神经元数量。接着计算输出层的神经单元输出，在第k个神经单元的神经单元输出ok采用下式(2)计算：
[0054][0055]
其中，υ
jk
为隐层到输出层的权值，θk为输出层的阈值，q为隐层的神经元数量。之后进行反向传播过程中样本误差计算，首先，单个样本的误差采用下式(3)计算：
[0056][0057]
其中，为第p个样本输出层的输出基准值，为第p个样本中输出层第k个神经元输出，m为输出层神经元的数量。总体误差e则采用下式(4)计算：
[0058][0059]
判断总体误差e是否满足要求，即判断总体误差e是否达到设定值，如果达到设定值则完成训练过程，否则通过计算各单元的一般化误差，对各层间的权值进行调整，具体如下式(5)计算输出层的一般化误差：
[0060]dk
＝ok(t
k-ok)(1-ok)
ꢀꢀꢀ
(5)
[0061]
同时采用下式(6)计算隐层的一般化误差：
[0062][0063]
根据计算出的一般化误差调整各层间的权值，具体如下式(7)对权值进行调整，并根据调整结果再计算隐层、输出层各单元输出：
[0064]vjk
(n+1)＝v
jk
(n)+α
·dk
·
oj，γk(n+1)＝γk(n)+α
·dk
ꢀꢀꢀ
(7)
[0065]
其中，k＝1，2，
…
，m；j＝1，2，
…
，q；0＜α＜1。
[0066]
在完成理论模型基础建模后，开始执行步骤s2：采集直流电机原始数据；
[0067]
近年来，随着人工智能算法和数字信号处理技术越来越广泛地应用于电力设备故障诊断领域，在直流电机的在线故障诊断方面，我们希望寻找一种操作更简单，所需电机信息更少，故障诊断的正确率更高的实用方法，从更少的信号源中提取更多的故障特征参量。这既是方便在线监测的需要，也是节约成本的需要。因此，在执行步骤s2时，所采集的直流电机原始数据包括有电流信号和电压信号，由于不采集其他机械性和温度类信号，实现简单，对原本电机系统影响小，成本低，可靠性强。
[0068]
在直流电机原始数据采集完成后执行步骤s3：对采集到的直流电机原始数据预处理，得到初始数据结论；通过解直流电机动态微分方程组和分析其电枢电流谐波获得故障诊断所需的特征参量，并分析特征参量和电机参数以及电机参数和电机故障类型之间的关系；对直流电机进行故障分类，对工业用大功率直流电机最易发的故障，进行细分和故障现象及原因分析。常见的故障现象具体如下表1表示：
[0069][0070][0071]
表1
[0072]
同时执行步骤s4：对直流电机的状态进行状态监测，获得状态信息；观察直流电机各种故障状态下的运行状态变化和特征参数的变化，阐释bp神经网络对各类故障的辨识能力，验证直流电机故障诊断模型的正确性和有效性，解决故障诊断模型的抗扰动问题，本实施例中对上述五种直流电机故障进行仿真分析，即样本集采用8个特征信号为直流电机故障信号，故障类型有五种，所以输入层神经单元数目为8个，输出层神经单元数目为5个，根据实验，隐层神经单元数目为4个，仿真后采集4组测试样本，如下表2所示：
[0073][0074]
表2
[0075]
直流电机中，不同的故障类型，其发生的部位和对电机状态方程的影响各不相同。反映到电机的观测量上就是，特征参量的数值会发生不同的变化。为了获得实际数据，项目实施过程中，我们将对直流电机进行测试和实验，配合电机正常和故障时的特征参量的数据特征对直流电机故障进行机理分析。
[0076]
而后步骤s5：根据初始数据结论和状态信息进行故障判断，得到诊断结果；最后执行步骤s6：将诊断结果发送给用户进行反馈。
[0077]
采用上述技术方案，通过以bp神经网络为工具，结合直流电机相关故障的理论结论和实际状态信息，发掘直流电机电枢电流的各项信息实现正确率较高的故障诊断，操作简单，所需电机信息较少，故障诊断正确率较高，用户可以及时查询直流电机状态信息，以
期实时监测直流电机的故障状态。
[0078]
作为本发明的第二实施例，提出另一种基于bp神经网络的直流电机故障检测方法，在第一实施例的基础上，对bp神经网络算法进行优化，即在bp算法的基础上增加了psa算法，即快速模拟退火算法，既避免了神经网络陷入极小值，还增加了调整的收敛速度。具体来说，首先需要构建目标函数，即训练样本的平方误差的均值，采用下式(8)来计算：
[0079][0080]
而后采用降温策略，即t＝t0(1+ln(i))；之后初始化神经网络的权值、阈值、温度、迭代次数和最大允许误差；输入训练样本后计算当前误差，即初始误差，若当前误差小于最大允许误差时，则完成调整并结束算法，否则将神经网络的权值和阈值作为初始解，调用powell算法快速搜索到某个局部极小值，得到一组新的网络权值和阈值，计算此时的误差；然后调用模拟退火算法，加入随机扰动，随机扰动采用很小的均匀分布的随机扰动，重新再计算此时误差，若此时误差小于调用调用模拟退火算法前的误差，则当前的网络权值、阈值等于调用powell算法后的网络权值和阈值，否则计算接受概率，同时产生一个随机数，当接受概率大于随机数时，当前的网络权值、阈值等于调用powell算法后的网络权值和阈值，否则当前的网络权值、阈值等于初始化时的网络权值和阈值，如果当前误差小于最大允许误差时或者超过迭代次数时退出，否则迭代次数加一，对当前误差与初始误差进行对比，若当前误差小于初始误差，则调用powell算法，并继续上述计算，若当前误差大于初始误差，则再次调用模拟退火算法进行上述计算，直至完成计算。
[0081]
通过上述快速模拟退火算法和bp算法的结合，网络诊断正确率大大提高，同时收敛速度比第一实施例中的bp算法更快，检测时间更短。
[0082]
进一步的，为了避免各种故障情况下特征参量的相互影响，提高直流电机在线故障诊断模型的正确率，对于不同的故障类型(包括负载扰动)，在本实施例中将训练多个不同的神经网络进行故障诊断。显然，各种神经网络的输入形式是一样的，即直流电机的四个特征参量和输入电压，输出即对应的故障类型对于每一类故障的神经网络训练和故障诊断，如图3所示，具体步骤步骤包括：步骤s51：优化前网络训练；步骤s52：优化前故障诊断测试；步骤s53：对网络进行优化；步骤s54：优化后网络训练；步骤s55：优化后故障诊断测试。
[0083]
以上结合附图对本发明的实施方式作了详细说明，但本发明不限于所描述的实施方式。对于本领域的技术人员而言，在不脱离本发明原理和精神的情况下，对这些实施方式进行多种变化、修改、替换和变型，仍落入本发明的保护范围内。