基于BP神经网络的大功率直流电机故障诊断研究

成振华，樊利民

(华南理工大学 电力学院，广东 广州 510641)

基于BP神经网络的大功率直流电机故障诊断研究

成振华，樊利民

(华南理工大学 电力学院，广东 广州 510641)

提出了一种用人工神经网络实现直流电机故障诊的方法。推导了故障诊断所需的特征参量。在特征参量的基础上改变了传统的电机故障分类方法，将电机故障分为电枢故障、励磁故障、换向器故障和机械故障4类。以MATLAB仿真数据为基础，训练了一个可行的神经网络。测试结果表明，对电机故障诊断的正确率较高，可行性较强，建立的故障诊断模型有效地实现了特征参量提取和故障映射的功能。

直流电机； 故障诊断； BP神经网络； 故障分类； 训练样本

Abstract: This paper presents a method of fault diagnosis which uses artificial neural network (ANN) to realize fault diagnosis for DC motors. Characteristic parameters needed for fault diagnosis are derived. On that basis, the traditional motor fault classification method is changed, namely, motor faults are divided into 4 types: armature fault, excitation fault, commutator fault and mechanical fault. Based on MATLAB simulation data, a feasible neural network is trained. The test result shows that this approach has high accuracy and feasibility for motor fault diagnosis. The fault diagnosis model established can effectively realize extraction of characteristic parameters and fault mapping.

Keywords: DC motor; fault diagnosis; BP neural network;fault classification; training sample

0 引 言

直流电机由于其良好的调速性能、过载能力和抗冲击能力被广泛用于轧钢厂等调速性能要求很高的工业场合，这类直流电机往往额定功率很大，电机本身体积也很庞大，出现损坏时。修理起来费时费钱。另外电机一旦突然损坏停机，工厂的生产线也会停止，造成加工产品的巨大损坏，很可能整条生产线都会报废。为了减少和避免这些损失，用户迫切需要一种行之有效的方法来提前预知电机故障，以便更加有效合理地安排电机检修计划，防止电机突发故障，减少损失。

目前国内外已有不少文献提出了各种各样的电机故障诊断方法，从数学算法和模型上有模糊推理[1]、人工神经网络[2]、Bayes推理[3]、Dempster-Shafer证据理论[4]、支持向量机[5]、小波分析[6]、遗传算法等。从故障诊断所依据的电机信息来看，主要是电枢电压、电枢电流、转速、电机温度等。这些方法各有利弊，实现的故障诊断效果也不尽相同。在此基础上，本文意在寻找一种操作更简单，所需电机信息更少，故障诊断正确率更高的实用方法。本文以BP神经网络为工具，通过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，实时监测直流电机的故障状态。

1 直流电机故障分析

直流电机带负载时，其电枢电流和转矩动态方程为[7]：

(1)

(2)

任何类型的电机故障都会引起直流电机内部某些参数的变化，为此我们通过解式(1)和式(2)组成的微分方程组得到一组特征参量。对这些特征参量的要求是：(1)必须是能够方便测量到的电参量；(2)这一组直流电机特征参量的表达式须包含所有电机内部参数。

2 特征参量分析

解直流电机负载时动态数学模型并简化得到以下5个参数[8]：

电机启动过程中电枢电流峰值：

(3)

电机启动过程中电枢电流峰值点附近的电流下降速率：

(4)

电机运行时稳态电枢电流：

(5)

由于换向，电机的电磁转矩会产生周期性脉动，同时电磁转矩与电枢电流成正比,所以电枢电流也会产生周期性脉动，其中含有大量的谐波成分。其中幅值最大的谐波对应频率为：

(6)

式中k为换向片数；p为极对数；n为电机转速；LCM表示k和2p的最小公倍数。由直流电机机械特性表达式可知转速n的变化是与直流电机参数息息相关的。

最后,定义稳态电流的标准差，电流的标准差体现了稳态电流的脉动幅度，亦可很好的反映电机的运行状态及参数变化，其表达式为:

(7)

式中N为一个电流脉动周期内所取计算点数，i(k)为第k个计算点对应电流。

式(3)至式(7)全面阐释了所有电机参数与5个可监测电量im,K,Ia,f,istd的内在关系，满足前述故障诊断特征参量的要求。所以确定直流电机故障所需的5个特征参量为：im,K,Ia,f,istd。电机参数跟特征参量的对应关系如表1所示。

表1 电机参数和特征参量对应关系

根据上述特征参量将直流电机故障分为四类，包括：电枢故障、励磁故障、电刷或换向片故障、机械故障。任何直流电机参数的变化必然对应着电机的某一类型或某几种类型的故障，故障类型和电机参数的对应关系如表2所示。

表2 故障类型和电机参数对应关系

由表1和表2可知，5个特征参量的变化能够反映直流电机的故障状态。电机发生不同的故障时，特征参量的变化方向(变大或变小)和变化幅度都有所不同，根据特征参量变化类型、方向和幅度可以综合判断直流电机是否发生故障及发生故障的类型。

3 直流电机故障诊断方法

本文选择BP神经网络作为故障诊断工具。近年来，人工神经网络以其高速寻找优化解、联想存储和自学习等特点，在模式识别、智能机器人、自动控制、预测估计、经济等领域已成功解决了许多现代计算机难以解决的实际问题，表现出了良好的智能特性。根据故障诊断的特征参量和故障类型个数确定神经网络的输入输出和拓扑结构。神经网络的输入节点5个，即直流电机的5个特征参量，输出节点4个，由4类故障的故障状态构成，分别对应4种故障类型，具体故障类型和对应输出形式如表3所示。表中，“0”表示无故障，“1”表示有故障。

表3 故障类型和输出形式对应关系

4 实例分析

通过MATLAB/Simulink仿真得到大量直流电机不同状态下的电枢电流数据，根据式(3)至式(7)计算得到102组直流电机正常和故障情况下的特征参量数据，分别举例如表4和表5所示，一部分作为神经网络训练样本，一部分作为神经网络验证样本。根据直流电机故障诊断的特征参量和故障类型确定BP神经网络的输入节点为5个，输出节点为4个，每个输出节点对应一种故障类型。在MATLAB训练过程中经过反复试凑确定神经网络的隐层节点为8个。由于神经网络的输入数据包含了5类不同类型不同数量级的特征数据，其物理意义也不尽相同，在神经网络训练之前还须分别用不同的规则对各类数据(包括训练样本和测试样本)进行归一化。

表4 电机正常的特征参量数据举例

直流电机故障诊断的正确率由两方面的结果确定，即：电机故障时能够诊断出具体故障类型和电机正常时能够诊断为“无故障”的比率。错误率亦包括了电机故障时诊断为“无故障”和电机无故障时诊断为某种故障的比率。将测试样本数据带入训练好的神经网络即可得到故障诊断的结果。实际的神经网络输出必然与理想输出有所偏差，我们规定判定故障的上下门限分别为0.7和0.3，对于给定的某一节点，当输出大于0.7时判定为某种故障，当输出小于0.3时判定为“无故障”，当输出介于0.3和0.7之间时判定为故障诊断失败。神经网络的实际输出测试结果如下：12个无故障样本中，11个判定为“无故障”，1个判定为故障诊断失败；24个故障样本中，21个正确判定为某种具体故障类型，2个判定为“无故障”，1个判定为故障诊断失败。综合上述判定结果，总计36个测试样本中，32个被正确判定为某种具体故障或“无故障”，2个被错误判定，2个被判定为故障诊断失败。所以直流电机故障诊断的正确率为88.89%，错误率和失败率均为5.56%。部分故障诊断结果及对应的神经网络输出举例如表6所示。

表5 电机故障的特征参数数据举例

表6 故障诊断结果部分举例

5 结束语

本文从直流电机的动态方程出发推导出跟直流电机相关的5个电气参量，并以此作为电机故诊断所需的5个特征参量。以神经网络作为故障的基本诊断方法，通过对MATLAB仿真得到的数据进行训练和测试发现，直流电机故障诊断的正确率可以达到88.89%，具有较高的正确识别率，错误率和失败率都较低。总体看来，本文提出的基于BP神经网络的直流电机故障诊断效果较好，具有一定的实用性。当然，本文结果在实际应用之前尚有大量研究工作需要完成。第一，MATLAB仿真的数据毕竟不够真实，下一步还须跟用户协商获取实际数据进行故障诊断研究。第二，还可以发掘某些非电量作为特征参量。第三，故障类型还可以进一步细分，另外，理想的特征参量与故障类型的对应关系是一一对应。第四，故障诊断所用BP神经网络算法可以进一步结合其他数学算法改进。

[1] HAJIAGHAJANI, M., H.A. TOLIYAT, I.M.S. PANAHI. Advanced fault diagnosis of a DC Motor[J]. IEEE Transactions on Energy Conversion, 2004, 19(1): 60-65.

[2] 刘胜利, 曾鸣, 苏宝库. 基于模糊神经网络的故障诊断及其在无刷直流电机系统中的应用[J]. 中国惯性技术学报, 1999,7(2): 50-54.

[3] GLOWACZ, A. DC motor fault analysis with the use of acoustic signals, coiflet wavelet transform, and k-nearest neighbor classifier [J]. Archives of Acoustics, 2015, 40(3):321-327

[4] 嵇斗,王向军. 基于D-S证据理论的直流电机故障诊断研究[J]. 电机与控制应用, 2008,35(2): 49-64.

[5] 刘曼兰, 崔淑梅, 郭斌. 基于类加权支持向量机的永磁直流电机故障模式识别方法[J]. 微电机, 2011, 44(05): 79-82.

[6] 贺昌权. 基于小波变换的无刷直流电机智能故障诊断的研究[D].兰州:兰州理工大学, 2009.

[7] 唐任远. 现代永磁电机理论与设计[M]. 北京: 机械工业出版社, 1999.

[8] 刘曼兰, 永磁直流电机故障在线监测与智能诊断的研究[D].沈阳：哈尔滨工业大学,2007.

Research on Fault Diagnosis of High Power DC Motors Based on BP Neural Network

Cheng Zhenhua, Fan Limin

(College of Electric Power, South China University of Technology, Guangzhou Guangdong 510641, China)

10.3969/j.issn.1000-3886.2017.03.002

TM331

A

1000-3886(2017)03-0004-02

定稿日期: 2016-11-03

成振华(1991-)，男，湖南永州人，硕士生，专业：电工理论与新技术，研究方向：电力设备故障诊断，电能质量。