基于BP神经网络的全贯流电机泵故障诊断

徐逍帆 葛强

摘要：BP神经网络是一种按照误差逆向传播算法训练的多层前馈神经网络，可用于数据的运算分类及预测，在故障诊断分析方面应用广泛。全贯流电机泵特点是电机的转子代替了水泵的叶轮外壳，电机泵的电机故障特点比普通电机多且复杂。目前，全贯流泵故障诊断的研究较少，但BP神经网络算法对电机故障诊断分析的研究应用成熟。运用BP神经网络算法尝试对全贯流泵可能存在的故障进行模拟诊断分析与研究，得到了较好的效果。

关键词：BP神经网络;全贯流泵;故障诊断

中图分类号：TP183                                      文獻标识码：A                                  文章编号：1674-957X（2021）02-0139-02

0  引言

在机电一体化程度越来越高和人工智能迅速发展的今天，全贯流泵作为新型电机泵在故障检测这方面目前还是空白，本文主要是通过BP神经网络算法来进行全贯流电机泵的故障分析检测及预测。因为缺少大量的全贯流泵的故障试验数据和仿真模拟数据，本文通过参考贯流泵和潜水泵的故障，对全贯流泵的故障进行预测分析，得出故障频率特性，再通过运用BP神经网络对模拟数据进行处理，得出故障分析检测及预测。

1  概述

1.1 BP神经网络简介

BP（Back Propagation）神经网络[1-3]应用比较广泛。BP网络的结构图：BP神经网络由输入层、中间层（或隐层）和输出层组成。

BP神经网络的学习流程比较特殊。以下为神经网络算法的流程：首先初始化神经网络的输入值，然后根据输入层和中间层的计算输出信号，用输出的信号与期望值相比较，如果误差满足设定的范围内，则学习结束;否则学习修正权值，再次进入迭代学习过程，直到误差在设定的范围内或者迭代次数结束，学习结束。

1.2 全贯流泵简介

全贯流泵（Entirely Tubular Pump）全称全贯流潜水电泵，又叫湿定子潜水贯流泵，是现代一种新型电机一体化产品[4]，是潜水电机与贯流泵两种技术的融合，其原理是电机的转子代替了水泵的叶轮外壳，水泵叶片安装在电机转子内腔，使电机与泵站融为一体，没有叶顶间隙，水泵的无效部分进而转变成为有效部分，既延续了潜水电泵组装便捷、组建经费少、噪音小散热优良等优点[5]，又增添了全贯流泵通道流畅、装置效率高的特点[6]。

1.3 故障诊断

故障诊断是一种了解和掌握机器在运行过程中的状态，确定其整体或局部正常或异常，早期发现故障及其原因，并能预报故障发展趋势的技术[7-8]。要对系统进行故障诊断，首先必须对其进行检测，在发生系统故障时，对故障类型、故障部位及原因进行诊断，最终给出解决方案，实现故障恢复。

基于传统的故障诊断理论对于现代大型的机械化设备表现出了很大的局限性[8]，人工神经网络理论就适时的出现了，近年来在故障诊断技术中的应用进行了系统而深入地研究，类似水泵电机这样的机械设备主要的故障诊断思路是先测量机械设备在运行工作时或相对静态条件下的状态信息，然后对所测得的信号信息进行处理与分析，并结合诊断对象的历史故障情况，来定量识别设备及其零部件当前运行状态，并事先判断出相关异常情况、预测其未来技术状态，从而确定必要对策。因此，神经网络理论在故障诊断领域显示出了相当大的应用潜力，是近来的热点方向，本文即采用BP神经网络算法对电机故障进行分析及预测。

2  全贯流泵故障分析

2.1 故障诊断机理

水泵电机故障诊断的最主要是找出发生不同故障时的各个故障所表现的不同特征，但要找出这些特征，就要分析水泵电机故障的产生机理。

本文主要采用频谱分析法，即每种故障有其对应的特征频率。据此确定机器的故障性质和严重程度。但从目前的试验数据和文献来看，全贯流泵作为一种新型的电机泵，因为缺少大量的实际与模拟故障试验数据，所以通过参考贯流泵和潜水泵两种电机泵的故障特点，结合两者装置结构、运行工况上的特点，对全贯流泵的故障进行预测分析，得出故障频率特性。

2.2 故障诊断分析

通过大量文献[9-16]得出，全贯流潜水泵的电机本体属于三相异步电机，可参照异步电机的可能出现的故障进行预测分析，转子断条即叶片损坏故障、转子偏心故障、定子绕组匝间短路故障、轴承震动故障及其他综合故障。但全贯流泵又不同于三相异步电机，其整体为泵装置，要考虑前后导叶受损情况，所以前后导叶也是其中一个故障点，因此加了导叶损坏故障。

故拟定设置六种故障原因，其中叶片损坏和前后导叶损坏严重程度也会影响电机故障频率，又可以分为轻微和严重，还有泵装置本体正常的工作状态，故有九种频率特征：叶片受损（轻微）—f1;叶片受损（严重）—f2;前后导叶受损（轻微）—f3;前后导叶受损（严重）—f4;匝间短路故障—f5;气隙偏心故障—f6;轴承震动故障—f7;其他综合故障—f8;正常—f9。

3  BP神经网络学习

3.1 BP神经网络算法

这里选取2700组数据进行模拟实验，2400组作训练集，300组作测试集。训练方法为梯度下降法，训练函数为traingd，最大训练次数为100次，训练要求精度为0，学习率为0.1，最大失败次数为5，最小梯度要求为1e-10，Mu初始值为0.001，Mu最大值为1e10。因为本次训练选取一个故障频率检测点和其定位点（f，N），所以选择的输入层节点数是2，输出有九种结果，所以选择的输出层节点是9，根据经验公式：

其中：h为隐含层节点数目，m为输入层节点数目，n为输出层节点数目，a为1～10之间的调节常数。

这里，m取值为2，n取值为9，a在6～7之间选择，所以这里隐含层数选择的是10层。目标样本输出为一个9×9的单位矩阵。

3.2 算法结果

将数据带入MATLAB中进行模拟仿真，得出图1结果。

由图1可以看出，这次的训练次数为58次，只用时1秒，在第52次训练时达到最好的誤差精度4.4501e-4，BP神经网络就完成了对2700组目标数据的训练，得到的实际测试样本与预测样本接近，预测精度较高，得到了较好的结果。但由于选取数据的数量级较小，所以选取的典型性较弱，区分度较低。

4  结论

通过BP神经网络得出全贯流泵的故障诊断分析的方法，快速便捷，可以适应大量故障数据的筛选和处理，为以后研究全贯流泵故障诊断分析提供了思路。

但也可以看出本文在BP神经网络算法的程序编写和数据典型性的选取上还存在缺陷，还需要进一步修改调试程序，获取大量有效数据。因为BP神经网络算法自身也具有学习效率低、收敛速度慢、易陷入局部极小值的状态，所以可以选择精度更高，训练效果更好的神经网络算法。

本次试验，如果有实际电机泵实验和ANSYS有限元仿真作为支撑，所获得的数据更多，数据更具有典型性，其神经网络的训练效果将越好，基于BP神经网络的电机泵故障诊断在工业生产指导实践中的更具有研究意义。

参考文献：

[1]葛强，徐俩俩，段小汇.人工神经网络在水泵性能预测中的应用研究[J].河海大学学报：自然科学版，2007，35（1）：22-25.

[2]黄丽.BP神经网络算法改进及应用研究[D].重庆师范大学，2008.

[3]吴昌友.神经网络的研究及应用[D].东北农业大学，2007.

[4]张重阳，刘超，冯旭松，初长虹，谢璐，雷镇.全贯流泵流动特性数值模拟和性能预测[J].南水北调与水利科技，2019，17（4）：185-192.

[5]袁龙刚，吕建新.大中型潜水泵站设计选型与应用[J].陕西水利，2016（02）：136-138.

[6]古智生.全贯流潜水电泵的开发与应用[J].水利水电技术，2010，41（12）：54-57.

[7]王文峰，阮俊虎，CV-MATH，刘衍琦，郭裕兰著.MATLAB计算机视觉与机器认知[M].北京航空航天大学出版社，2017.

[8]马红忠.电机状态监测与故障诊断[M].北京：机械工业出版社，2008.

[9]侯新国，吴正国，夏立，卜乐平.基于相关分析的感应电机定子故障诊断方法研究[J].中国电机工程学报，2005（04）：85-88.

[10]王瑞欣.全信息融合算法在混流泵故障诊断系统中的应用研究[D].郑州大学，2014.

[11]王瑞海，孙鹏，吕振江，汤家升，刘鹏.概率神经网络在水泵故障诊断中的应用研究[J].煤矿机械，2014，35（10）：285-287.

[12]谢永涛，刘俊俊，贾嵘，董开松.灯泡贯流式机组的状态监测与故障诊断系统设计[J].电网与清洁能源，2015，31（11）：89-92，100.

[13]鲍晓华，程志恒.基于电流振动双信号的大型潜水电机偏心故障诊断（英文）[J].电气工程学报，2016，11（07）：23-31.

[14]张媛媛.基于案例推理的水泵故障诊断技术研究[D].西安建筑科技大学，2017.

[15]王丽华，谢阳阳，张永宏，赵晓平，周子贤.采用深度学习的异步电机故障诊断方法[J].西安交通大学学报，2017，51（10）：128-134.

[16]游磊，梁颖，韩祺祎，潘茂林，邓近旦.基于改进混合蛙跳算法的SVM潜水轴流泵故障诊断[J].自动化与仪器仪表，2020（05）：1-3.