李 勇

（重慶港渝商業(yè)管理公司）

0 引言

隨著我國工業(yè)化水平的不斷提高，工業(yè)生產(chǎn)中的電氣設(shè)備的數(shù)量也呈現(xiàn)出井噴式發(fā)展，電氣設(shè)備的質(zhì)量也得到極大的提升，并持續(xù)進(jìn)行著更新?lián)Q代。電氣設(shè)備已經(jīng)成為工業(yè)生產(chǎn)領(lǐng)域提升產(chǎn)品質(zhì)量、擴(kuò)大生產(chǎn)規(guī)模的關(guān)鍵因素。在工業(yè)生產(chǎn)領(lǐng)域，一條完整的生產(chǎn)線往往由多個(gè)不同功能的電氣設(shè)備構(gòu)成，一旦電氣設(shè)備出現(xiàn)故障，將會(huì)降低產(chǎn)品質(zhì)量，出現(xiàn)經(jīng)濟(jì)損失，甚至?xí)劤缮a(chǎn)事故。因此，如何對電氣設(shè)備進(jìn)行監(jiān)測與故障診斷，已經(jīng)成為工業(yè)領(lǐng)域需要研究的重點(diǎn)課題。當(dāng)前階段，主要的電氣設(shè)備在線監(jiān)測與故障診斷方法包括基于貝葉斯算法的在線監(jiān)測與故障診斷方法、基于小波變換算法的在線監(jiān)測與故障診斷方法和基于分布式算法的在線監(jiān)測與故障診斷方法。其中，最常用的是基于小波變換算法的電氣設(shè)備在線監(jiān)測與故障診斷方法。由于電氣設(shè)備在線監(jiān)測與故障診斷方法在工業(yè)生產(chǎn)領(lǐng)域具有重要的應(yīng)用價(jià)值，因此發(fā)展前景十分廣闊，并成為很多專家學(xué)者研究的重點(diǎn)課題。

但是，電氣設(shè)備之間往往存在著強(qiáng)烈的電磁干擾，這些電磁干擾信號的變化會(huì)在瞬間完成，具有強(qiáng)烈的非線性和無序性。由于傳統(tǒng)的方法是通過采集到的電氣設(shè)備運(yùn)行信號完成電氣設(shè)備在線監(jiān)測與故障診斷的，難以克服電磁干擾信號造成的影響，從而降低了故障診斷的準(zhǔn)確性。

針對上述傳統(tǒng)算法存在的弊端，本文提出一種基于優(yōu)化神經(jīng)網(wǎng)絡(luò)算法的電氣設(shè)備在線監(jiān)測與故障診斷方法。利用小波包分解方法對電氣設(shè)備運(yùn)行的信號進(jìn)行故障特征提取，利用神經(jīng)網(wǎng)絡(luò)對電氣設(shè)備的故障進(jìn)行識(shí)別與分類。

1 電氣設(shè)備在線監(jiān)測與故障診斷原理

對電氣設(shè)備進(jìn)行在線監(jiān)測與故障診斷，能夠保證電氣設(shè)備運(yùn)行的安全，避免經(jīng)濟(jì)損失，因此電氣設(shè)備的在線監(jiān)測與故障診斷方法具有重要的應(yīng)用價(jià)值。電氣設(shè)備在線監(jiān)測與故障診斷的相關(guān)方法具體如下所述。

設(shè)置電氣設(shè)備的故障殘差信號能夠用進(jìn)行描述，其計(jì)算公式為

式中，()uk和()yk分別為對電氣設(shè)備檢測的輸入信號與輸出信號，Ψ為故障信號的殘差函數(shù)，利用該函數(shù)能夠在線監(jiān)測電氣設(shè)備的輸入信號和輸出信號。電氣設(shè)備在沒有故障的情況下，故障殘差函數(shù)值為零。電氣設(shè)備的故障診斷結(jié)果是由故障殘差的閾值決定的，利用故障殘差能夠描述故障特征，能夠用下述公式進(jìn)行描述

電氣設(shè)備的故障檢測結(jié)果是由故障殘差與閾值iτ的對比結(jié)果決定的，即

在進(jìn)行電氣設(shè)備在線監(jiān)測與故障診斷的過程中，通過式（2）獲得的電氣設(shè)備故障特征序列會(huì)發(fā)送到故障診斷單元進(jìn)行故障診斷。電氣設(shè)備的故障序列能夠用下述公式進(jìn)行描述

電氣設(shè)備故障序列()fk和故障信號序列()kφ的二元關(guān)系能夠描述為電氣設(shè)備故障特征的FSM矩 陣。當(dāng)電氣設(shè)備的故障矩陣FSMij中存在取值為1的元素時(shí)，則表明電氣設(shè)備存在故障。

電氣設(shè)備在線監(jiān)測與故障診斷的系統(tǒng)框架如圖1所示。

圖1 電氣設(shè)備在線監(jiān)測與故障診斷框架

根據(jù)上面闡述的方法能夠?qū)崿F(xiàn)電氣設(shè)備的在線監(jiān)測與故障診斷。但是這種方法也存在著一定的弊端：①由于不同電氣設(shè)備之間存在著強(qiáng)烈的電磁干擾，這些干擾是非線性和無序性的，因此，τi必須進(jìn)行頻繁調(diào)整；②電磁干擾同時(shí)也會(huì)產(chǎn)生顫振現(xiàn)象，從而對電氣設(shè)備故障信號產(chǎn)生干擾；③電氣設(shè)備故障的特征矩陣必須能夠在電氣設(shè)備的整個(gè)運(yùn)行過程中都能夠監(jiān)測到，但電氣設(shè)備故障具有瞬時(shí)性，因此變得難以監(jiān)測；④受到電氣設(shè)備故障信號與故障序列的二元限制，更多的故障細(xì)節(jié)會(huì)發(fā)生丟失，從而降低了故障監(jiān)測的精度。

2 基于優(yōu)化神經(jīng)網(wǎng)絡(luò)的故障診斷方法

利用傳統(tǒng)算法進(jìn)行電氣設(shè)備在線監(jiān)測與故障診斷的過程中，無法避免電磁信號造成的干擾，從而降低了電氣設(shè)備故障監(jiān)測的準(zhǔn)確性，為此，提出一種基于優(yōu)化神經(jīng)網(wǎng)絡(luò)算法的電氣設(shè)備在線監(jiān)測與故障診斷方法。

2.1 電氣設(shè)備故障特征的提取

在對電氣設(shè)備故障診斷的過程中，首先需要對電氣設(shè)備的運(yùn)行信號進(jìn)行小波包分解，實(shí)現(xiàn)對電氣設(shè)備故障信號的特征提取。具體方法如下所述。

利用下述公式能夠描述小波包對電氣設(shè)備運(yùn)行信號的分解過程

電氣設(shè)備運(yùn)行信號經(jīng)過小波包分解后，就能夠得到各個(gè)頻段中的特征。

由于電氣設(shè)備出現(xiàn)故障時(shí)，靠近故障部位的信號能量相對較大，遠(yuǎn)離故障部位的信號能量相對較小，因此，可以通過有關(guān)頻帶中信號能量的改變實(shí)現(xiàn)對故障特征的提取，利用下述公式能夠?qū)﹄姎庠O(shè)備的故障特征進(jìn)行提取

式中，xjk為對電氣設(shè)備信號3jS進(jìn)行重構(gòu)后得到的幅值。

由于電氣設(shè)備出現(xiàn)故障后會(huì)改變各個(gè)頻帶中的信號能量，因此將信號的能量變化作為特征向量進(jìn)行重構(gòu)，特征向量的結(jié)構(gòu)如下所述

但是，當(dāng)故障較大時(shí)，相關(guān)頻段內(nèi)的信號能量也會(huì)增大，這就增加了運(yùn)算量，因此，需要進(jìn)行歸一化處理

歸一化處理后的電氣設(shè)備故障的特征向量能夠用下述公式進(jìn)行描述

2.2 電氣設(shè)備在線監(jiān)測與故障診斷的實(shí)現(xiàn)

電氣設(shè)備在線監(jiān)測與故障診斷的過程可分為兩個(gè)過程，即在線監(jiān)測過程與故障診斷過程。這兩個(gè)過程可利用圖2中的四個(gè)步驟實(shí)現(xiàn)。

圖2 電氣設(shè)備在線監(jiān)測與故障診斷過程

利用小波包分解只能獲得電氣設(shè)備的故障特征，因此還需利用神經(jīng)網(wǎng)絡(luò)對電氣設(shè)備的故障進(jìn)行識(shí)別與分類。

神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)是由輸入層、輸出層和隱含層三部分構(gòu)成的，其中，Wir為輸入層中神經(jīng)元i與隱含層中神經(jīng)元r之間的連接權(quán)值，Vrj為隱含層中神經(jīng)元r與輸出層中神經(jīng)元j之間的連接權(quán)值。利用下述公式能夠描述隱含層神經(jīng)元的輸出函數(shù)

利用下述公式能夠描述輸出層神經(jīng)元的輸出函數(shù)

式中，Tr和θr分別為隱含層和輸出層中的連接閾值。文中f(·)為sigmoid函數(shù)，即：

由于傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)算法具有學(xué)習(xí)效率低、只能通過先驗(yàn)知識(shí)進(jìn)行故障識(shí)別，因此需要利用梯度下降法進(jìn)行改進(jìn)。

利用梯度下降法對神經(jīng)元連接的權(quán)值調(diào)整的速度進(jìn)行調(diào)整，從而減少電氣設(shè)備故障識(shí)別分類的誤差

式中，η為連接權(quán)值調(diào)節(jié)的速度，0.01≤η ≤1。

利用下式對連接權(quán)值進(jìn)行調(diào)整

式中，Δωpq為神經(jīng)網(wǎng)絡(luò)中某層神經(jīng)元p與下一層神經(jīng)元q之間的連接權(quán)值的修正值，xp為神經(jīng)元p的輸出值，δq為神經(jīng)元q端點(diǎn)等效誤差，其值由輸出層的誤差反向傳遞而來。

電氣設(shè)備在線監(jiān)測與故障診斷的過程具體如下所述：

1）對運(yùn)行中電氣設(shè)備的信號進(jìn)行采樣，獲得原始信號數(shù)據(jù)；

2）利用式（5）和式（6）對原始信號進(jìn)行分解；

3）利用式（7）對電氣設(shè)備運(yùn)行信號進(jìn)行特征提?。?/p>

4）利用式（9）對故障特征進(jìn)行歸一化處理；

5）將故障特征數(shù)據(jù)輸入到改進(jìn)神經(jīng)網(wǎng)絡(luò)中進(jìn)行學(xué)習(xí)，在學(xué)習(xí)的過程中利用梯度下降法對連接權(quán)值和權(quán)值調(diào)整的速度進(jìn)行自適應(yīng)調(diào)整，建立電氣設(shè)備故障識(shí)別分類模型；

6）獲得電氣設(shè)備故障的識(shí)別分類結(jié)果。

3 實(shí)驗(yàn)結(jié)果及分析

3.1 實(shí)驗(yàn)參數(shù)設(shè)置

為了驗(yàn)證本文算法的有效性，需要進(jìn)行一次仿真實(shí)驗(yàn)。利用仿真軟件Matlab 7.1構(gòu)建實(shí)驗(yàn)環(huán)境，分別利用本文算法和傳統(tǒng)算法進(jìn)行電氣設(shè)備在線監(jiān)測與故障診斷實(shí)驗(yàn)。

本文中的電氣設(shè)備在線監(jiān)測與故障診斷的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為三層網(wǎng)絡(luò)模型，其中輸入層中的神經(jīng)元數(shù)目為i=8，隱含層神經(jīng)元中的數(shù)目為r=6，輸出層神經(jīng)元的數(shù)目為j=7，神經(jīng)網(wǎng)絡(luò)的初始學(xué)習(xí)效率為0.1。

在實(shí)驗(yàn)的過程中，選取某市供電公司供電系統(tǒng)的電氣設(shè)備作為實(shí)驗(yàn)對象。常見的故障有過流、過壓、接地、過熱等故障，對電網(wǎng)供電系統(tǒng)的進(jìn)行多次實(shí)驗(yàn)樣本統(tǒng)計(jì)，得到1000組樣本數(shù)據(jù)，并將其中的800個(gè)樣本輸入到神經(jīng)網(wǎng)絡(luò)中進(jìn)行訓(xùn)練，剩余200個(gè)樣本數(shù)據(jù)用于故障診斷。

3.2 實(shí)驗(yàn)結(jié)果比較

由于電氣設(shè)備之間存在著強(qiáng)烈的非線性、無序的電磁干擾，電氣設(shè)備運(yùn)行信號中既包括故障信息，也包括干擾信息。在這種干擾環(huán)境下，首先利用故障診斷的準(zhǔn)確率來衡量不同算法的性能。在相同的條件下，傳統(tǒng)算法和改進(jìn)算法對電氣設(shè)備故障診斷的準(zhǔn)確率如圖3所示。

圖3 不同算法電氣設(shè)備故障檢測準(zhǔn)確率

根據(jù)圖3中的實(shí)驗(yàn)結(jié)果能夠得知，在相同的條件下，本文算法取得的電氣設(shè)備故障檢測的準(zhǔn)確率最高，這是由于傳統(tǒng)算法能對電氣設(shè)備的故障特征進(jìn)行準(zhǔn)確提取，并對神經(jīng)網(wǎng)絡(luò)中的學(xué)習(xí)過程進(jìn)行了優(yōu)化，從而提高了故障診斷的準(zhǔn)確率。

對上述實(shí)驗(yàn)結(jié)果進(jìn)行了數(shù)據(jù)整理與分析，得到的電氣設(shè)備故障診斷結(jié)構(gòu)如下表所示。

表 不同算法性能比較

從表中的實(shí)驗(yàn)結(jié)果能夠得知，本文算法的電氣設(shè)備故障診斷速度遠(yuǎn)快于傳統(tǒng)算法，這表明本文算法在經(jīng)過對神經(jīng)網(wǎng)絡(luò)的改進(jìn)后，能夠克服傳統(tǒng)算法的缺陷，提高了算法的泛化能力，魯棒性較高。這充分體現(xiàn)出本文算法在電氣設(shè)備在線監(jiān)測與故障診斷方面的優(yōu)勢。

4 結(jié)束語

本文提出一種基于優(yōu)化神經(jīng)網(wǎng)絡(luò)算法的電氣設(shè)備在線監(jiān)測與故障診斷方法。利用小波包分解方法對電氣設(shè)備運(yùn)行的信號進(jìn)行故障特征提取，利用神經(jīng)網(wǎng)絡(luò)對電氣設(shè)備的故障進(jìn)行識(shí)別與分類，并利用梯度下降法對學(xué)習(xí)方法進(jìn)行了改進(jìn)。實(shí)驗(yàn)結(jié)果表明，利用本文算法進(jìn)行電氣設(shè)備在線監(jiān)測與故障診斷，能夠提高故障診斷的準(zhǔn)確率，縮短了故障診斷的時(shí)間，取得了令人滿意的效果。

[1]劉訓(xùn)非. 基于改進(jìn)遺傳算法的刨煤機(jī)故障診斷研究[J]. 煤礦機(jī)械, 2013, 34(12): 259-261.

[2]朱曉明. 引入可溯源機(jī)制的火電汽輪機(jī)高頻故障自動(dòng)檢測系統(tǒng)設(shè)計(jì)[J]. 科技通報(bào), 2013, 29(11): 153-156.

[3]謝平, 楊玉昕, 江國乾, 等. 基于局部均值分解的滾動(dòng)軸承故障診斷新方法[J]. 計(jì)量學(xué)報(bào), 2014, 35(1): 73-77.

[4]張曙光. 礦山機(jī)電設(shè)備的故障診斷技術(shù)與管理[J]. 硅谷, 2013, (21): 115-116.