农机电气装备故障快速诊断系统设计——基于知识挖掘和经验数据库

田二林，朱永琴，南姣芬

(1.郑州轻工业学院 计算机与通信工程学院，郑州 450002；2.黄河交通学院 机电工程学院，河南 焦作 454950)

0 引言

随着经济的发展和农业技术的不断进步，智能化电气系统被引入到了现代化农机设备中，计算机技术、电力电子技术、传感器技术和现场总线技术也使电气设备故障的智能化诊断成为可能。农机电气在工作过程中涉及到电、磁、光、热、力和作业环境的影响，其故障的类型也是多样性的，而且不少故障的出现是一个瞬态过程，这给农机的故障检测和诊断带来了较大的麻烦。传统的电气故障是在电气元件完全失效后诊断出结果，但耽误农机的使用，而智能化诊断系统可以对故障进行自诊断，提前预测故障，从而保证农机设备的高效运行。

1 农机电气故障诊断系统

目前，农机电气故障的诊断方法中大部分采用专家系统，利用专家的经验和知识处理，将电气系统的诊断知识和经验归纳成规则，来对故障类型进行判断。这种方法过于依赖经验，使诊断系统的完整性和适应性较差。随着人工智能技术的发展，很多先进的算法开始与专家系统结合使用，采用模式识别的方法，更好更快地对故障进行诊断，如神经网络算法。神经网络算法通过不断训练，使自身具有较强的学习能力、记忆能力、数据处理能力和容错能力等，可对农机电气系统故障的一些未知类型进行判断，并将专家系统的一些经验常识以权值或者阈值的形式存到神经网络上，使诊断系统具有更高的灵敏性和准确性。为此，可以将神经网络算法和专家系统相结合，组成更加智能、快速精准的诊断系统，其框架结构如图1所示。

图1 基于知识挖掘的农机电气故障诊断系统

将知识挖掘的神经网络算法和专家系统相结合，可以充分发挥两者的优势：一方面，对于简单的故障及确定型的故障可以通过专家系统直接定型；另一方面，对于多故障、不确定型的故障可以采用神经网络算法进行推理判断，然后再交给专家系统，对诊断结果进行输出。为了使处理结果更加准确、处理方法更加高效，对于采集数据、专家经验数据和神经网络训练数据统一进行小波处理，然后交给处理系统。

2 电气故障快速诊断

为了实现农机装备电气故障的快速诊断，首先需要根据故障经验及实验数据建立经验数据库，然后采用数据挖掘的方法对采集的电气信号进行诊断，从而可以高效地识别电气故障类型。其基本流程如图2所示。

图2 基于知识挖掘和经验数据库的电气故障诊断

在进行电气故障诊断时，首先进行农机电气故障的信息采集，然后利用相关的知识挖掘算法对经验数据库进行训练，训练完成后导入采集的数据对故障进行识别。其中，经验数据库的训练采用神经网络算法。神经网络算法是当前流行的一种高效的数据挖掘方法，如果将其使用在电气故障诊断上，配合一定的信号数据处理算法，将有效地提高故障识别的精度和智能化程度。人工神经网络是通过对生物神经元细胞的模型抽象而建立起来的，可以通过编程来实现。神经元的基本模型如图3所示。

与生物神经元细胞工作原理类似，图3中的模型可以对数据进行挖掘，通过对数据的处理，得到最终的识别结果。模型的基本公式为

(1)

其中，农机故障诊断信号序列输入的个数用m表示；经验数据库信息的输入部分为x1,x1,…,xR；ωx1,ωx2,…,ωxR表示连接权值；θ为偏置信值。权值和置信值可以分别表示为

(2)

目前，基于知识挖掘的电气故障诊断主要是利用数据经验库(即故障字典)，将相关算法(如神经网络算法)训练成为一个广泛的经验数据库，通过神经网络的学习和联想能力，达到对故障数据类型进行分类并识别的目的。按照输入电气信号的不同，经验数据库主要分为直流电数据库和交流电数据库。基于知识挖掘的交流故障字典主要对交流电信号加方波激励，通过小波变换的方法提取数据特征； 基于知识挖掘的直流电经验数据库主要是测量被测电路的电压，然后利用归一化后输入神经网络进行分类，通过这两个方面来判断最终的电气故障类型，如图4所示。

图4 基于知识挖掘的故障诊断经验数据库模型

如果采用并行处理方式，当被测电路节点较多时，则形成的神经网络规模将较为庞大，而直流测多个节点实现起来较为困难。因此，可以采用一种分层知识挖掘的方法，如图5所示。

图5 基于分层知识挖掘的故障诊断模型

首先利用电路的外围及节点进行子网的撕裂，将一个较大的网络分解为很多小网络，保持每个知识挖掘网络的完整性和独立性；然后，对每个子网加采集信号激励，利用经验数据库对故障类型进行判断，最终汇总直流和交流的数据信息，判断最终的故障类型。这样不仅低了知识挖掘网络的复杂程度，而且提高了故障诊断的效率和准确性。

3 农机电气故障测试

为了验证知识挖掘和经验数据库对于农机电气故障诊断的可行性，以拖拉机的电气数据信号为基础，对其故障进行诊断，知识挖掘采用神经网络学习算法。使用的拖拉机模型如图6所示。

图6 电气故障诊断拖拉机模型

在使用神经网络数据挖掘算法对故障类型进行分类识别时，首先需要设置学习样本。假设F表示学习样本，F=(X,T)，X=(x1,x2,...,x11)，T=(t1,t2,...,t11)。其中，X表示故障的输入，T表示诊断结果的输出。在进行测试时，输出结果主要有是否有故障及故障类型两项。采用神经网络算法，通过迭代计算，得到了如图7所示的收敛曲线。

图7 神经网络数据挖掘收敛曲线

由图7可知：采用神经网络算法可以快速地对采集的故障信号进行处理，其计算收敛速度快，在几个计算步数之内便可以达到稳定的收敛。

通过计算得到了测试数据和目标输出数据的误差统计，如图1所示。统计结果表明，采用知识挖掘算法得到的结果和目标输出的结果基本一致。由此验证了计算的准确性。

表1 诊断结果和目标结果绝对误差

为了验证神经网络数据挖掘和经验数据库对电气故障诊断结果的准确性，将其测试结果和实际仪器的测试结果进行了对比，得到了绝对误差，如表2所示。误差结果表明，采用该算法对故障诊断的准确性较高。

表2 神经网络测试结果与实际结果的绝对误差

续表2

4 结论

为了提高农机电气故障诊断系统的智能化程度，使诊断结果更加准确，将知识挖掘和经验数据库用于农机故障智能化诊断系统中。采用神经网络算法作为知识挖掘算法，通过对故障诊断样本数据进行训练，可以成功地识别电气故障的类型。为了验证算法的可行性和可靠性，以拖拉机电气系统为模型，对采集的故障数据进行了诊断。结果表明：采用神经网络算法诊断结果和目标结果绝对误差较小，神经网络算法与实际检测结果的误差也较小。由此验证了算法的准确性。