直流电动机故障诊断系统研究

朱歆州，石灵丹



直流电动机故障诊断系统研究

朱歆州，石灵丹

（武汉船用电力推进装置研究所，武汉 430064）

本文主要介绍在LabVIEW软件平台下开发了基于径向基（RBF）神经网络的直流电动机故障诊断系统。经过验证，系统具有良好的诊断精度，满足直流电动机故障诊断系统的设计要求。

径向基神经网络 直流电动机 故障诊断

1 故障诊断基本过程

直流电动机故障诊断的过程分为：

1) 信号采集

通过传感器采集检测电动机设备状态的特征信号,如温度、频率、振动烈度等。

2) 征兆提取

从检测的特征信号中提取征兆信号。

3) 状态评估

它是诊断过程的核心步骤，是将提取的征兆输入融合判断中心进行识别评估电动机状态，将电动机正常运行及典型故障状态工况的参数与当前的待检工况参数进行比较，从而判断电动机状态。

2 故障诊断原理

机械设备故障诊断是识别设备运行状态的一门新兴学科。它研究的是设备运行状态的变化在诊断信息中的反映，其研究内容包括对机器运行现状的识别诊断、对其运行过程的监测以及对其运行发展趋势的预测等三个方面。长期以来。机械设备故障(特别是突发性故障)给生产和生命造成了巨大损失。并且一直是生产过程中的潜在威胁。传统的机械设备故障诊断专家系统虽然取得了一定成功，然而它还存在许多问题。如知识获得能力弱。问题求解有一定局限性。

直流电动机故障类型多种多样，既有电气故障又有机械故障，既有线性系统故障又有非线性系统故障，既有突变故障又有缓变故障，其关系错综复杂，仅借助单一信息源提供的信息，采用常规或传统的故障诊断理论和方法，根据几个主要的故障特征量做出判断，难以实现诊断目标。随着研究的不断深入，目前新的理论和方法应用于电动机故障诊断的研究越来越多，其中运用神经网络技术进行故障诊断已经越来越广泛。设计中准备采用学习速度快，精度高的径向基神经网络进行学习训练，根据所采集电动机的电压、电流、绕组温度等特征信息，结合已知的参数、结构特点和环境温度对可能要发生的或已发生的故障进行预报和分析、判断、确定故障的性质和类型。图1为故障诊断原理框图。

3 相关文献中直流电机故障诊断特征值及故障类型的确定

通过对直流电机的故障诊断相关研究论文的分析，可以获悉直流电动机的常见故障诊断常用特征值及诊断出的故障类型如下：

1）《直流电机故障诊断专家系统》[1]一文提出的电机故障诊断

特征值：电压，电枢电流及其时域波形，电机转速及其时域波形，绕组温度，扭振典型波形，换向器表面形态，换向火花及其时域波形，轴承振动及其时域波形，绝缘电阻。

对应的故障：换向故障，振动故障，扭振故障，绝缘故障。

2）《基于参数估计和Fuzzy ARTMAP 的直流电动机故障诊断》[2]一文提出的电机故障诊断

特征值：端电阻，转动惯量，电感，反电势系数，摩擦系数。

对应的故障：正常，电枢电阻增加，电刷磨损或电刷弹簧压力不足，线圈断路，换向片间或绕组短路，绕组与换向片开焊。

3）《BP神经网络在直流电动机故障诊断应用方面的设计和实现》[3]一文提出的电机故障诊断

特征值：电枢电压，电枢电流，电机转速。

对应的故障：正常，过压，欠压，过流，过载，堵转，空载。

4）《永磁直流电动机故障监测和智能诊断装置》[4]一文提出的电机故障诊断

特征值：稳态电枢电流均值，稳态电枢电流的标准差，稳态电枢电流的谱峰对应的频率，启动过程电流峰值点附近的斜率。

对应的故障：正常，电刷故障，元件开路，绕组脱焊，匝间短路。

4 故障诊断特征值及故障类型的确定

现已知监测到的直流电动机模拟信号如下所示：

前电枢电压，前电枢电流，前励磁电流，后电枢电压，后电枢电流，后励磁电流，电机转速，艏端轴承温度，艏端进风口温度，艏端铁芯出口温度，艉端轴承温度，艉端进风口温度，艉端铁芯出口温度，换向器出风口温度。

通过对模拟信号的监测、分析以及对上述文献资料研究结果的整理，可以初步确定直流电动机故障诊断系统的特征值如下：

1）时域信号特征值

艏端轴承温度，艏端进风口温度，艏端铁芯出口温度，艉端轴承温度，艉端进风口温度，艉端铁芯出口温度，换向器出风口温度,换向火花监测值，振动烈度，旋转频率，低频信号An的时域参数—峰值、峰值指标。

2）时频信号特征值：将振动信号小波分解后各频带小波能量值:

直流电动机的故障类型初步确定有如下几种：

正常；电枢匝间短路；换向器故障；转子不平衡；转子不对中；轴承座松动；电枢绕组损坏，接地故障或SCR触发不可靠故障；电刷故障；触发脉冲板故障，或者主回路保险丝烧断；可控硅、控制插件板故障以及接线松动或保险丝烧断；比较电路插件版（速度调节器）故障；电流经过了直流电机轴承通道后而接地。

5 神经网络结构及算法的选取

已知输入层为21神经元，输出层为10个神经元，根据经验公式：

根据上述一式，采用三层的神经网络结构。则隐层神经元个数为：n=28 。即所取神经网络结构为21-28-10结构。神经网络选取径向基（RBF）网络，算法采用LMS算法，即最小均方差或者梯度算法。下图2为利用神经网络进行故障诊断的原理示意图。

6 故障模式识别方法的选取

故障诊断问题，实质上是一个模式识别问题。

表1 神经网络学习样本

表2 神经网络对待检故障特征诊断的结果

神经网络的学习就是对多个特征参数的冗余故障信息进行学习并辨识，输出一组向量，这组向量就是一组待检的故障模式。因此要想诊断出电机故障，必须将待检向量与已知模式A, A, A ..A进行比较，即要求出待检模式与哪个已知的模式最为接近。

当已知模式与待检模式都用向量来表示时，模式识别就简化为两个向量的比较和择近问题，也就是比较待检故障模式与各已知的故障模式向量A之间的贴进度。

设每个模式都是论域={u,u,u}中的一个向量：

则称待检模式应归入已知模式A中，从而完成模式的识别。其中∈(,A)为两个向量的贴近度，目前计算的公式很多，常用的有以下两种：

1）最小最大贴近度1

2）欧式距离贴近度2

式中A=(a1,a2,….an)，B=(b1,b2,….bn)。

另一方面文献《基于BP神经网络模型电机故障诊断专家系统》[5]一文中指出：在诊断故障时，输出节点判断阈值(0<<1)是一个比较重要的参数，如果输出层某神经元的输出值大于，则认为有该类故障存在；否则，认为无故障。在确定值时应非常慎重，如果选取较小，对故障现象输入比较敏感，抗干扰能力差，可能导致误判；如果选取较大，则会造成故障漏检。因此，值选取应仔细考虑。一般对于要求不太高的系统，

值可取得大些；对于出现故障后损失重大或严重影响性能的故障，宁可错检也要使值小些。

在本设计中将选用欧氏距离贴近度进行故障识别，与此同时选用一个合适的输出节点判断阈值(0<<1)，两种模式识别方法结合使用，能大大提高系统的准确性和可靠性。本系统是用于重要场合电机的故障诊断，这些故障出现后会影响到电机的寿命、动力性及经济性，因而选取值应偏小一些。

7 RBF神经网络在直流电动机故障诊断中的应用实例

在设计好电机故障诊断系统后，必须要对系统进行验证，以检验其功能是否能满足设计要求。

在电机试验台上人为设置了如下8种故障状态，8种故障对应的字母编号为：．正常；. 电枢匝间短路；. 转子不平衡；. 转子不对中；.轴承座松动；. 电枢绕组损坏.电刷故障；. 电流经过了直流电机轴承通道后而接地。经过测试获取每种故障状态下的振动信号及对应的时域特征值10组，然后提取出特征值，那么就可以得到10组特征向量，经过数据融合得到每种故障状态对应融合后的特征向量，为10组电枢匝间短路故障状态下提取出的电机故障特征值和分批估计融合数据对比表（在实验中，人为设定的故障状态有8种，限于篇幅，只能给出其中一种故障状态的10组实验数据）。从应用效果上来看，数据融合的处理方法要比简单的平均值方法更加合理，更接近真实值。然后在对融合后的特征值进行数据归一处理，便得到了故障诊断知识库。

经过归一化处理后得到故障诊断知识库即神经网络的学习样本见表1所示。得到表1中的神经网络学习样本后，即可开始对神经网络进行训练，。

从表2可以看出神经网络进行故障诊断的结果和各组特征值对应的故障完全一致，而且诊断精度高，容错性好，正确诊断率几乎为100%，完全符合了直流电动机智能故障诊断系统设计的要求。

图2为电机故障诊断流程示意图，图3为电机故障诊断原理示意图。

8 结论

经过实例验证，将神经网络技术应用于直流电动机的故障诊断，具有可行性。开发这样的智能故障诊断系统无疑具有良好的工程效益。对交流电机乃至其它机械设备的故障诊断都具有良好的借鉴意义。

图3 电机故障诊断原理示意图

[1] 沈标正等.直流电机故障诊断专家系统[J]. 人工智能技术应用, 2003, （1）:16-19.

[2] 杨静等.基于参数估计和Fuzzy ARTMAP 的直流电动机故障诊断[J]. 北京航空航天大学学报, 2001，27（3）:284-288.

[3] 崔立志. BP神经网络在直流电动机故障诊断应用方面的设计和实现[J]. 电气开关2005,（5）:45-48.

[4] 刘曼兰等.永磁直流电动机故障监测和智能诊断装置[J]. 微特电机2005,（9）:14-15.

[5] 黄丹等. 基于BP神经网络模型电机故障诊断专家系统[J]. 自动化仪表2003，24（3）：15-17.

Research on DC Motor Fault Diagnosis System

Zhu Xinzhou, Shi Lingdan

(Wuhan Institute of Marine Electric Propulsion, Wuhan 430064, China)

TM33

A

1003-4862（2013）01-0035-04

2012-04-16

朱歆州（1972-），男，高级工程师。研究方向：船舶动力系统监控。