一种基于fbf神经网络的电机气隙偏心故障诊断方法
【技术领域】
[0001] 本发明涉及一种电机气隙偏心故障诊断方法，特别的涉及一种基于FBF神经网络 的电机气隙偏心故障诊断方法。
【背景技术】
[0002] 交流感应电机广泛的应用于工业和国防军事领域，其安全运行至关重要。电机 故障在线诊断是通过在线监测电机相关参数（如电压、电流、磁通、转速、温度、噪声、振动 等），并采取适当的手段对电机当前的状态进行评估，进一步的可以确定电机的故障类型和 严重程度，并给予推荐行动。
[0003] 交流感应电机的故障类型大体可以分为机械故障与电气故障，更具体的可以细分 为定子故障、转子故障、气隙偏心与轴承故障等。气隙偏心作为一种常见的感应电机故障， 大多与机械故障有关，其中，静态偏心的故障原因包括柔性基础、软脚以及轴承松动等，动 态偏心的故障原因包括转轴弯曲挠度、轴承磨损以及机械共振等。因此，当感应电机出现气 息偏心时，必然伴随着一种或多种机械故障的发生，此时，如果能够根据有关的故障特征， 推理出导致气隙偏心的机械故障原因，将对感应电机的诊断和维修起到重要的指导意义。
[0004] 基于知识和基于神经网络的诊断方法在电机故障诊断应用上已经取得了较大的 成功，但是，还未见有关的研宄和报导将基于知识和基于神经网络的诊断方法应用于电机 气息偏心故障的诊断，往往只能诊断出气隙偏心的存在，而不能给出导致气隙偏心的机械 故障原因。由于导致气隙偏心的机械故障及有关的故障特征极其复杂，且缺乏先验诊断知 识，传统的基于知识和基于神经网络的诊断方法，过度依赖于先验知识，后期自学习和自适 应能力差，很难适用于气隙偏心故障的诊断。
【发明内容】
[0005] 因此，本发明提出基于FBF神经网络的电机气隙偏心故障诊断，以基于行为的诊 断方法作为指导思想，以模糊基函数（FBF)网络作为故障诊断模块的实现方式，其突出优 势是在缺乏先验诊断知识的情况下，通过与设备行为的交互作用，逐步改善已有故障诊断 模块的诊断效果和增加新的故障诊断模块，最终发展成为一个完善而有效的气隙偏心故障 诊断系统。
[0006] 本发明提出了基于FBF神经网络的电机气隙偏心故障诊断方法，主要包含以下步 骤：
[0007] 第一步，确定电机故障初级诊断系统的结构，包括确定初级诊断系统的输入端，输 出端及诊断子模块的数量；
[0008] 第二步，确定电机故障初级诊断系统中诊断子模块的模糊基函数（FBF)网络；
[0009] 第三步，根据电机的历史数据形成样本，训练各诊断子模块的模糊基函数网络，确 定各个模糊基函数网络的参数，从而确定初级诊断系统；
[0010] 第四步，对于新增样本，利用初级诊断系统，输入相关变量信息，即可判断得到电 机的故障诊断模式，并利用所述新增样本修订模糊基函数FBF网络中故障的分类边界； [0011] 第五步，当设备出现新的故障时，若初级诊断系统没有输出故障态时，则在诊断系 统中增加新的故障诊断子模块。
【附图说明】
[0012] 下面结合附图对本发明作进一步详细的说明。
[0013] 图1为本发明中基于FBF神经网络的电机气隙偏心故障诊断的流程图；
[0014] 图2为本发明中电机气隙偏心故障诊断单故障任务分解的示意图；
[0015] 图3为本发明中FBF网络的结构图。
【具体实施方式】
[0016] 下面参照附图对本发明的【具体实施方式】进行详细的说明。
[0017] 参照附图1，本发明的基于FBF神经网络的电机气隙偏心故障诊断方法主要包含 以下步骤：
[0018] 第一步，确定电机气隙偏心故障初级诊断系统的结构。
[0019] 首先确定诊断系统的输入端。输入端信号可以是与气隙偏心有关和与导致气隙偏 心的机械故障有关的电、磁、振动、声等信号，对于ESA(电信号分析）方法，更为详细的说是 与偏心有关的电流频率分量以及与导致偏心的机械故障有关的频率分量，包括反映偏心的 频率特征、静态偏心的频率特征、动态偏心的频率特征、柔性基础的频率特征、轴承磨损的 频率特征以及更多相关的机械故障频率特征。假设初始系统的输入端个数为η个，构成输 入向量X = (X1, X2, ...，Xn)，其中，Xi为初始诊断系统的第i个输入信号。
[0020] 然后确定诊断系统的子模块。依据导致气隙偏心的常见机械故障或者目前所掌握 的具有一定先验知识的相关机械故障，结合所采用的任务分解策略，确定初级诊断系统的 子模块个数。将诊断任务分解成多个，每个子模块可以处理一个或多个故障诊断任务，降低 初始阶段开发诊断系统的复杂性和困难性。
[0021] 在本实施例中，采用单故障任务分解策略，其示意图如图2所示，粗线条表示多参 数输入，细线条表示单一参数输出，经过任务分解后，由多输入多输出的单个诊断模块变 换为多输入单输出的多个诊断子模块，其中每个子模块的输入都是X = (Xl，X2, ...，Xn)。这 样便于在缺乏先验知识（极端情况下只知道电机正常行为）情况下，建立电机气隙偏心故 障的初级诊断系统。
[0022] 最后确定诊断系统的输出端。初级诊断系统的输出端对应于导致气隙偏心的机械 故障，包括柔性基础、软脚、轴承松动、转轴弯曲挠度、轴承磨损以及机械共振等相关的机械 故障。假设输出端个数为m个，构成输出向量y = G1, y2, . . .，ym)，其中，Yi为初始系统的 第i个输出信号，其取值在[0, 1]之间，最大值Hiaxyi所对应的故障模式作为诊断结果。
[0023] 第二步，确定电机气隙偏心故障初级诊断系统中诊断子模块的模糊基函数（FBF) 网络。
[0024] 根据第一步中所确定的输入输出和诊断子模块的个数，可以确定FBF网络的输入 输出和网络个数，其中每个诊断子模块对应一个FBF网络；依据实测数据和系统设计者经 验以及专家知识确定每个FBF网络的模糊基函数的个数，根据需要，不同网络可以包含不 同个数的模糊基函数。为简化说明，可以取每个FBF网络的模糊基函数的初始个数为H，可 以依据训练结果和知识的增加进行调整。FBF网络的结构如图3所示。
[0025] 设定每个模糊基函数的模糊规则为：
【主权项】
1. 一种基于FBF神经网络的电机气隙偏心故障诊断方法，主要包括： 第一步，确定电机故障初级诊断系统的结构，包括确定初级诊断系统的输入端，输出端 及诊断子模块的数量； 第二步，确定电机故障初级诊断系统中诊断子模块的模糊基函数（FBF)网络； 第三步，根据电机的历史数据形成样本，训练各诊断子模块的模糊基函数网络，确定各 个模糊基函数网络的参数，从而确定初级诊断系统； 第四步，对于新增样本，利用初级诊断系统，输入相关变量信息，即可判断得到电机的 故障诊断模式，并利用所述新增样本修订模糊基函数FBF网络中故障的分类边界； 第五步，当设备出现新的故障时，若初级诊断系统没有输出故障态时，则在诊断系统中 增加新的故障诊断子模块。
2. 如权利要求1所述的故障诊断方法，在第一步中，初级诊断系统的输入端信号是与 气隙偏心有关和与导致气隙偏心的机械故障有关的电、磁、振动、声信号，假设初始诊断系 统的输入端个数为n个，构成输入向量x=(Xpx2,. . .，xn)，其中，Xi为初始诊断系统的第i 个输入信号，每个诊断子模块的输入都是x= (Xl，x2,. . .，xn);初级诊断系统的输出端对应 于导致气隙偏心的机械故障，假设输出端个数为m个，构成输出向量y= (yi，y2, . . .，ym)，其 中，yi为初始诊断系统的第i个输出信号，其取值在[〇, 1]之间，最大值yjPmaxyi所对应 的故障模式作为诊断结果。
3. 如权利要求2所述的故障诊断方法，其中输入端信号包括反映偏心的频率特征、静 态偏心的频率特征、动态偏心的频率特征、柔性基础的频率特征和轴承磨损的频率特征。
4. 如权利要求2所述的故障诊断方法，输出端信号包括柔性基础、软脚、轴承松动、转 轴弯曲挠度和轴承磨损。
5. 如权利要求1所述的故障诊断方法，其中在第二步中，根据第一步中所确定的输入 端、输出端和诊断子模块的个数，确定FBF网络的输入输出和网络个数，其中每个诊断子模 块对应一个FBF网络，每个FBF网络的输出为
式中，H为一个FBF网络中模糊基函数的个数i为输出层的权重，pi(x)为模糊基函 数，其中i= 1，2,. . .，H，所述初级诊断系统由m个FBF网络线性组合而成，则m个FBF网 络中的输出最大值所对应的故障模式作为诊断结果。
6. 如权利要求1所述的故障诊断方法，其中在第三步中，所述FBF网络的参数包括输出 层权向量，隐层FBF中心向量￥ ,隐层FBF半径向量〇 ^
7. 如权利要求1所述的故障诊断方法，其中在第四步中，包括模糊基函数FBF中心及半 径的学习和确定新增样本的期望输出； (l)FBF函数中心及半径的更新： FBF网络中第i个模糊基函数的新中心向量的第j个元素由下式递推求取：
式中，乙.(/表示Ni个样本下，FBF网络中第i个模糊基函数第j个元素的中心值，乙 表示队+1个样本下，FBF网络中第i个模糊基函数第j个元素的中心值，xNi+1，』表示FBF网络 中模糊基函数第j个元素新增的第Ni+1个样本；a、0分别为广义学习向量量化算法的获 胜单元、非获胜单元的学习率，〇〈(1〈1，〇〈0〈1;队为？8?网络中第1个模糊基函数所拥有的 样本数；(；为能使FBF网络中第i个模糊基函数成为获胜函数的数据集合；i= 1，2,. . .，H， j= 1, 2,. . . ,n； FBF网络中第i个模糊基函数的新半径取
其中，i= 1，2,…H,j= 1，2, ? ? ?，n, 1 = 1，2, ? ??，H且 1 辛i; (2)确定新增样本的期望输出 考虑某一故障类，设该故障类过去P个样本的加权平均中心为1=1
式中，Xia= 1，2, . . .，P)为样本向量；p为样本数；A为遗忘因子，AG(〇. 95, 1); 加权协方差矩阵为
对给定的新增样本Xj，其期望的可靠性输出由下面的正态型多元模糊分布求得：
式中，cl」为X」与故障类中心vp间的Mahalanobis距离；k为正常数，用于调整样本的 期望可能性输出，应使得距离类中心vp最远的样本的可能性输出y0.5。
【专利摘要】本发明提出一种基于FBF神经网络的电机气隙偏心故障诊断方法，该方法以基于行为的诊断方法作为指导思想，采用单任务分解策略，诊断子模块相互独立，分别对应导致气隙偏心的机械故障，在缺乏先验诊断知识的情况下，建立初级诊断系统，降低诊断系统的开发难度，通过与设备行为的交互作用，逐步改善已有故障诊断子模块的诊断效果和增加新的故障诊断模块；采用模糊基函数（FBF）网络作为故障诊断模块的实现方式，具有良好的模糊特性、非线性逼近特性以及在线跟踪自学习能力。这样的组合方式，可以很好的解决气隙偏心故障诊断时存在的导致气隙偏心的机械故障及有关的故障特征极其复杂且缺乏先验诊断知识的问题。
【IPC分类】G06F19-00, G06N3-02
【公开号】CN104699994
【申请号】CN201510155975
【发明人】张民恕
【申请人】刘岩
【公开日】2015年6月10日
【申请日】2015年4月2日