淺談小波包變換和Elman人工神經(jīng)網(wǎng)絡的電機故障診斷系統(tǒng)

淺談小波包變換和Elman人工神經(jīng)網(wǎng)絡的電機故障診斷系統(tǒng)

　　1．引言
　　電機的故障診斷技術(shù)是隨著人工智能、模式識別以及數(shù)字信號處理技術(shù)的發(fā)展而應運而生的一門交叉學科。它已經(jīng)發(fā)展成為了一個集數(shù)學、物理、數(shù)字信號處理、模式識別、人工神經(jīng)網(wǎng)絡與計算機軟硬件于一體的綜合性課題，并在理論研究與工程應用方面都得到了推廣。
　　小波分析已經(jīng)成為一個用于診斷機械系統(tǒng)故障的有效途徑。在1997年，Li和Ma提出了一種基于小波變換軸承局部檢測方法。在2002年，Sung等提出了一種基于離散小波變換的定位錯誤分析方法[1]。同樣在2002年，Zheng等提出了一種基于連續(xù)小波變換的時間平均小波譜概念[2]。
　　盡管小波變換僅分解出低頻率分量，但是小波包變換分解出信號的低頻分量和高頻分量。這種收集了任意時域和頻域方案中大量信息的適應性可以更好的提取穩(wěn)態(tài)信號和非穩(wěn)態(tài)信號的特征。在故障診斷領(lǐng)域，錯誤特征的提取扮演著極為重要的角色。在提取了故障特征之后，一個合適人工神經(jīng)網(wǎng)絡是一種理想的輔助區(qū)分故障的手段。一個智能的故障診斷系統(tǒng)將通過故障監(jiān)測系統(tǒng)和人工神經(jīng)網(wǎng)絡得以實現(xiàn)，并將兩者有機的聯(lián)系起來。
　　目前，電機故障診斷有傳統(tǒng)方法與現(xiàn)代方法之分。其中，定子電流分析診斷方法應用最廣，它可以在線應用，既保證了電機的連續(xù)運轉(zhuǎn)，又不會破壞電機本身[3]。但基于穩(wěn)態(tài)電流診斷方法存在頻域混疊的缺點，使檢測準確性降低。頻譜分析方法的準確性容易受到電動機負載以及供電品質(zhì)的影響，在具體實施過程中會遇到很多困難[4]。磁譜分析方法容易受到其它點此干擾，使用起來也不方便[5]。
　　隨著小波變換的發(fā)展逐漸深入，國外學者提出利用樣條小波抵消工頻信號分量的方法，通過頻譜分析進行診斷，但小波變換頻率分辨力應用技術(shù)并不成熟。而基于信號處理的方法回避了抽取研究對象數(shù)學模型的難點，在故障診斷方法領(lǐng)域的應用日趨廣泛。
　　2．Elman 人工神經(jīng)網(wǎng)絡
　　Elman 網(wǎng)絡是Elman 于1990 年首先針對語音處理問題而提出來的，是一種具有很強的計算能力的典型的局部回歸網(wǎng)絡。 網(wǎng)絡可以看作是一種特殊的前向神經(jīng)網(wǎng)絡，它同時具有局部反饋連接和局部記憶單元。同時網(wǎng)絡具有與多層前向網(wǎng)絡相似的多層結(jié)構(gòu)。
　　動態(tài)記憶能力強是 人工神經(jīng)網(wǎng)絡的一個主要特點，再加上其對于非線性函數(shù)的逼近能力，因此可以被用作有效的系統(tǒng)辨識工具在各行各業(yè)諸多領(lǐng)域中廣泛的應用。
　　Elman 網(wǎng)絡主要由輸入層、隱層、輸出層和承接層（上下文單元）四個不同層組成. 輸入層、輸出層的用途類似于其它前饋網(wǎng)絡：輸入層僅用于信號輸入，輸出層單元僅對信號輸出進行加權(quán)計算。不同點在于承接層，也稱上下文單元或狀態(tài)層，承接層從隱含層接收反饋信號，用來記憶隱含層神經(jīng)元前一時刻的的輸出值，承接層神經(jīng)元的輸出經(jīng)延遲與存儲，再輸入到隱含層。這樣就使其對歷史數(shù)據(jù)具有敏感性，增加了網(wǎng)絡自身處理動態(tài)信息的能力。
　　承接層的作用可以看成是一步延時算子。特點就是隱含層的輸出通過承接層的延遲與存儲，自己聯(lián)接到隱含層的輸入，這種自聯(lián)的方式使其對歷史狀態(tài)的數(shù)據(jù)具有更強的敏感性，而加入了內(nèi)部反饋網(wǎng)絡之后則增加了網(wǎng)絡本身處理動態(tài)信息的能力，從而達到動態(tài)建模的目的。
　　上述三個式子中， y 用來表示m 維輸出神經(jīng)元矢量， x 用來表示n 維承接層神經(jīng)元輸入矢量，u 用來表示r 維輸入向量， c x 表示n維承接層神經(jīng)元反饋輸出向量。w3為隱含層神經(jīng)元到輸出層神經(jīng)元的連接權(quán)值，w2為輸入層神經(jīng)元到隱含層神經(jīng)元連接權(quán)值，w1表示承接層神經(jīng)元到隱含層神經(jīng)元連接權(quán)值。g(?)是輸出神經(jīng)元的傳遞函數(shù)，是隱含層輸出的線性組合。f (?)是隱含層神經(jīng)元的傳遞函數(shù)，通常選用S 函數(shù)：
　　3．小波包變換
　　小波變換是一種具有更好擴展性和靈活性的時頻分析方法，然而小波變換作為一個頻域分析方法有一個嚴重的問題，就是在針對高頻區(qū)域進行小波分析時，該方法有嚴重的缺陷。
　　因此，當信號在高頻區(qū)域分布緊密時小波變換很難提高其分辨率。為了提高高頻區(qū)域中小波變換的分辨率，小波包變換得以被提出，小波包變換是基于小波變換提取了小波函數(shù)線性區(qū)域的分析方法。小波包基本繼承了相應小波函數(shù)的基本屬性，比如正交性以及頻率分布等。
　　小波包變換的結(jié)構(gòu)也與離散小波變換比較類似，兩者都有多尺度分析的框架。離散小波變換和小波包變換的主要區(qū)別在于小波包變換可以同時分裂多個細節(jié)和近似的描述，但是離散小波變換只能分裂出一個近似的描述。因此小波包變換在每一個尺度上有這相同的頻率帶寬而，離散小波變換就沒有這個特點。小波包變換的這種分辨率模式保證了原始信號的信息不會因為變換增加或者減少信息。因此，在中頻和高頻區(qū)域有更好質(zhì)量的信號可以用來進行更高頻率的信號分析�？梢哉f小波包變換適用于信號處理尤其適用于對非穩(wěn)態(tài)信號進行處理，因為信號在進行小波包變換后各個尺度上有這相同的頻帶寬度而與頻率本身的高或者低無關(guān)。
　　4．電機故障診斷系統(tǒng)仿真與研究
　　在電機運行過程中，經(jīng)過統(tǒng)計在絕大多數(shù)情況下，電機工作在正常運行狀況，其余時刻有三種可能常見錯誤可能會在運行過程中發(fā)生：正常運轉(zhuǎn)無任何故障發(fā)生、基座螺栓松脫、外殼破裂、轉(zhuǎn)子不對中。
　　在本文提出的電機故障診斷策略中，主要考慮上述電機在運行過程中的三種常見運行故障和通常正常的運行情況。因此，在仿真過程中，以上四種運行條件將被考慮到，并會根據(jù)采集到的數(shù)據(jù)通過診斷系統(tǒng)判決出電機工作在上述四種工作情況的哪一種。
　　本次實驗中用來進行故障診斷的系統(tǒng)由一個速度控制單元，三相感應電動機，一個三相加速器（飛思卡爾半導體公司的MMA 7260Q），數(shù)據(jù)采集板，以及Matlab 仿真平臺構(gòu)成。
　　其中數(shù)據(jù)采集板通過PCMCIA（Personal Computer Memory Card International Association）接口連接到筆記本電腦終端上。加速器安裝在電機外殼表面，用來測量振動幅度，其信號采集頻率為1 千赫茲。其實拍圖所示：
　　首先通過振動傳感器采集到電機在運轉(zhuǎn)過程中的振動信號，并通過數(shù)據(jù)總線上傳至電腦，再按照頻率順序小波包分解對數(shù)據(jù)進行處理，接下來通過時頻方法矩陣對處理后的數(shù)據(jù)提取特征值，并使用提取出的特征值對Elman 人工神經(jīng)網(wǎng)絡進行訓練。最后得出計算結(jié)果，診斷出電機在運行過程中發(fā)生的故障，并與實際狀況做出對比。具體流程圖如下所示：
　　經(jīng)過上面數(shù)據(jù)采集單元中震動傳感器采集進入電腦的數(shù)據(jù)分為4 組，每組有1000 個點的數(shù)據(jù)，分別對應著電機運轉(zhuǎn)在四種不同工作狀況之下。
　　為了對 Elman 人工神經(jīng)網(wǎng)絡進行有效的訓練，并最后對故障進行有效的診斷，我們將使用Matlab 中的人工神經(jīng)網(wǎng)絡工具箱和Simulink 仿真平臺。
　　在實驗中，對于Elman 人工神經(jīng)網(wǎng)絡參數(shù)選擇為：輸入神經(jīng)元個數(shù)為1，輸出神經(jīng)元個數(shù)為2，隱含層神經(jīng)元個數(shù)為300。
　　上圖為 Elman 人工神經(jīng)網(wǎng)絡的訓練效果圖，在訓練過程中，可以看到訓練過程的初期誤差下降速度很快，在經(jīng)過大約2000 次訓練之后誤差降低到0.1 之下，其后誤差下降速度大致趨于一個平穩(wěn)的速度。
　　為了能夠驗證對Elman 人工神經(jīng)網(wǎng)絡進行訓練的性能，實驗中提供了3 組故障信號數(shù)據(jù)并用訓練好的Elman 人工神經(jīng)網(wǎng)絡進行故障診斷。診斷結(jié)果如下面所示：
　　從上面一組 3 幅圖可以看出，對于每種錯誤有4 組連續(xù)矢量，每一組矢量通過移動滑動窗可以得到3 組不同的連續(xù)矢量，這些矢量可以用來對神經(jīng)網(wǎng)絡進行訓練。
　　圖中橫軸為時間軸，在時刻0 到18 這段時間，第一組數(shù)據(jù)被輸入到神經(jīng)網(wǎng)絡中，該組數(shù)據(jù)代表電機工作在正常狀況下，可以看到相應的輸出結(jié)果為[0,0]。在時刻19 到36 這段時間中，第二組數(shù)據(jù)被輸入到神經(jīng)網(wǎng)絡中，該組數(shù)據(jù)代表電機工作中發(fā)生了基座松脫的故障，可以看到相應的輸出結(jié)果為[0,1]。在時刻37 到54 這段時間中，第三組數(shù)據(jù)被輸入到神經(jīng)網(wǎng)絡中，該組數(shù)據(jù)代表電機工作中放置不平衡，可以看到相應的輸出結(jié)果為[1,0]。在時刻55到72 這段時間中，第二組數(shù)據(jù)被輸入到神經(jīng)網(wǎng)絡中，該組數(shù)據(jù)代表電機工作中發(fā)生了外殼破裂的故障，可以看到相應的輸出結(jié)果為[1,1]。
　　通過上面三組神經(jīng)網(wǎng)絡診斷結(jié)果的輸出圖可以看出，經(jīng)過訓練后的Elman 人工神經(jīng)網(wǎng)絡可以通過對輸入的振動信號進行診斷有效的診斷出電機在工作中所出現(xiàn)的故障。期望輸出與實際輸出均值如下表所示：
　　5．總結(jié)
　　從上面測試結(jié)果可以看出，利用小波包變換對采錄進來的振動信號進行處理可以有效的提取敏感的特征向量。并能夠利用這些特征向量對Elman 人工神經(jīng)網(wǎng)絡進行有效的訓練，從而使神經(jīng)網(wǎng)絡系統(tǒng)對直流電機的故障做出準確的辨識。上面的結(jié)果表明本文所設計的基于小波包變換和Elman 人工神經(jīng)網(wǎng)絡的電機故障診斷系統(tǒng)可以準確對電機在工作過程中的運行狀況進行準確的診斷。

中國碩士論文網(wǎng)提供大量免費碩士畢業(yè)論文,如有業(yè)務需求請咨詢網(wǎng)站客服人員！

參考文獻
[1] R.C. Luo, M.G. Kay, “Multi-sensor integration and fusion in intelligent systems”, IEEE Trans. Systems Man
Cybernet. 19 (1989) 901–931.
[2] A. Noori-khajavi, R. Komanduri, “on multisensor approach to drill wear monitoring”, Ann.CIRP 42 (1993)
71–74.
[3]I. F. Akyildiz, W. Su, Y. Sankarasubramaniam, E. Cayirci, “Wireless Sensor Networks: A Survey”, Computer
Networks, Computer Networks Journal, vol. 38, 2002, pp. 102-105.
[4] F. Hlawatsch and G. F. Boudreaux-Bartels, “Linear and quadratic timekequency signal representations,” IEEE
Signal Processing Mag., vol. 9, pp. 21-67, Apr.1992.
[5] 0. Rioul and M. Vetterli, “Wavelets and signal processing,” IEEE Signal Processing Mag., vol. 8, pp.14-38, Oct.
1991.

【淺談小波包變換和Elman人工神經(jīng)網(wǎng)絡的電機故障診斷系統(tǒng)】相關(guān)文章：

基于小波包分解的煤礦通風機故障診斷03-07

淺談電動機電機啟動常見故障03-12

淺談計算機硬件故障和日常維護05-08

淺談發(fā)電機并網(wǎng)系統(tǒng)01-01

淺談對鍋爐運行故障原因的分析03-01

基于專家系統(tǒng)的雷達電源故障診斷系統(tǒng)的設計與實現(xiàn)03-07

基于嵌入式Web服務器的遠程故障診斷系統(tǒng)03-18

淺談模擬電路故障原因與診斷方法03-18

淺析電動機電機啟動常見故障03-18