基于信息融合方法的电机故障诊断研究

许允之，龚乃玮，葛 垚，郭西进

(中国矿业大学 信息与电气工程学院，江苏 徐州 221116)

基于信息融合方法的电机故障诊断研究

许允之，龚乃玮，葛 垚，郭西进

(中国矿业大学 信息与电气工程学院，江苏 徐州 221116)

研究鼠龙异步电机转子故障诊断技术，先运用小波包分析技术对电机电流信号进行了特征值的提取，将信号进行3层分解，然后将噪声信号分离并对噪声信号进行FFT能量分析，根据噪声能量含量的大小来判断断条故障的严重程度。然后利用BP神经网络对电机的电流信号能量特征值分别进行训练和检验，并初步得出诊断结果。再运用D-S证据理论对BP神经网络的输出结果进行了决策层的信息融合故障诊断，并得出了最终的诊断结果。实验表明，在一定程度上采用多证据的融合能进一步提高诊断的准确度。

小波;信息融合;故障诊断;神经网络;证据

0 引言

信息融合是指利用计算机技术对按时序获得的若干传感器的观测信息在一定准则下加以分析、综合以完成所需的决策和估计任务而进行的信息处理过程。从广义的数据融合定义出发，信息融合中包括通信、模式识别、决策论、信号处理、人工智能和神经网络等，数据融合所采用的信息技术和处理方法均来自这些领域［1，2］。

利用信息融合技术对电机故障进行诊断，是一个多元信息处理的过程。由于故障的多样性和复杂性，故障征兆的外在表现形式就是通过传感器等多种方法和途径获得，这种获得的信息不仅具有多样性，而且存在一定的不确定性;同类型的故障其征兆可能是多样的，不同类型的故障可能表现出来的征兆也有相似性。因此，就需要人为地将这些信息和数据通过一些规则进行综合处理，从而得出更为准确可信的结论［3，4］。

1 基于小波包分解的电机信号特征提取

当鼠龙电机发生断条故障时，会对某些频率产生抑制或增强作用，进而其相同频带内的信号能量与正常电机相比会有较大差别。某些频带内会增加，相应的某些频带内会减少。因此，从能量变化当中能反映出相对应的故障信息，“能量-故障”的故障诊断系统识别方法也就此提出［5］。

利用能量作为诊断的特征向量，就需用到小波包分解，直接应用小波包的全分解形式，把信号分解在相互独立的频带内，各频带内的能量值形成了一个向量，该向量对不同的故障对应不同的值，因此可以作为神经网络的输入特征向量［6］。

应用小波工具箱中的小波包分析使用DB3小波将信号进行3层分解，然后使用消噪命令将噪声信号分离出来，并对噪声信号进行FFT能量分析，根据噪声能量含量的大小来判断断条故障的严重程度。比较过程如图1～3所示。

图1 非故障电机的能量残余谱图Fig.1 Residual energy spectrum of normal motor

对比非故障电机电机的三相噪声能量频谱可以发现因为没有发生断条故障好电机中噪声能量比较充足，三相噪声能量也比较均衡，均在6×105左右。

图2 1根断条的能量残余谱图Fig.2 Residual energy spectrum of one broken bars

对比1根断条的三相噪声能量频谱可以发现，由于发生了断条故障，转子电阻变大，能量相对减小。但是因为断条故障并不严重，所以三相噪声能量仍然是比较均衡的。三相噪声能量均在6×105左右。

图3 3根断条的能量残余谱图Fig.3 Residual energy spectrum of three broken bars

对比3根断条的三相噪声能量分析可以发现，当异步电机发生3根断条故障时三相噪声能量不再均衡，有一相的能量要大于另外两相。而能量减小的幅度也变大。3根断条时能量的大小已经减少了一个数量级，在2×104～3×104范围内。

3组图像综合对比可以发现，电机发生断条故障时，随着断条数目的增加，噪声能量的幅值减小，断条故障越严重能量减小的幅度越大。根据三相异步电机三相电流中噪声能量的变化可以判断出异步电机断条故障，并能根据噪声能量的大小和均衡程度判断出断条故障的严重程度［7，8］。

有上述可得如下结论:小波包分解能够有效地提取故障特征量，从提取的各频段的能量中可以比较容易的判断出故障类型。

以异步电机在正常运行一段时间后发生开路故障为例，故障绕组A相电流通过MATLAB小波包分解得到结点的重构信号如图4所示，t＜0.05 s时的各节点重构信号幅度和正常情况下相同，具体比较能量特征向量，发现与正常情况是一致的，说明在此区间内电流正常。但是，t＞0.05 s时，各节点的信号突然消失，说明在这一时刻发生了开路故障，导致信号突变为0，从而检测出故障时间为 t=0.05 s。这也体现了小波变换相比于傅里叶变换，具有时-频局部化的优点。

从表1给出的部分特征向量样本可以看到，故障情况下，每个频段的能量都会发生相应的变化，并在一些结点差异明显，因此用小波包分解得到的特征向量用于故障识别是可行的，能够实现较正确的故障诊断。

表1 非故障和故障状态下的能量特征信号Table 1 Energy characteristic signal under Normal and Fault mode

图4 非故障运行到发生开路故障的重构电流信号Fig.4 Reconstruction current signal over Normal operating to Open circuit fault

2 基于BP神经网络的故障诊断

隐含层节点数与具体解决的问题、输入输出层的节点数都有关系。隐含层节点数并不是越多越好，太多将使网络存在过多冗余，增加了网络的训练负担，导致训练时间长，误差不一定最佳。而隐含层节点数太少，网络将不能建立复杂的映射关系，使网络训练不出来，或是推广，泛化能力差，不能识别以前没见过的样本。因此BP网络需要

式中:ni为输入层节点数;no为输出层节点数;a为1至10之间的数。

根据前述内容，创建 BP网络，输入层节点为8，输出层节点为 3，分别对应电机的 3种状态模式:正常运行，断条和其它未识别故障。增加其它未识别故障是为了保证实验的科学性，并且增加一个最佳的隐含层节点数。

对于模式识别的 BP网络，根据前人经验，可以参考公式(1)进行设计:这一项也能提高网络的泛化能力，便于电机故障信息融合诊断。网络的隐含层节点为12，隐含层神经元的传递函数为S型正切函数，输出层神经元的传递函数为S型对数函数。即，构造了一个8-12-3的 BP神经网络［9，10］。

表2 输出单元的意义Table 2 Meaning of Output unit

确定识别模式之后，BP神经网络基于Matlab的学习训练如下:

(1)定义输入向量和目标向量

令P为网络的输入样本向量，T为网络的目标向量。输入学习样本P为表3、表4和表5的数据，期望输出如表6中所示。

将故障程度分为3级。即l级转子断条故障、2级无故障(正常工况)、3级未知故障。根据网络的输出向量，结果处理如下:

转子断条故障:(1，0，0)

正常运行:(0，1，0)

其它未识别故障(0，0，1)

由此判定电机是否存在故障。

(2)训练神经网络程序如下:

程序中:P和T分别对应输入向量和目标向量。

训练结果如图5所示。

图5 BP神经网络训练曲线Fig.5 BP Neural Network training curve

通过实验，将定子电流信号按照上述的方法进行小波包分解后，提取各个频率段上的能量值，构成待诊学习样本的特征向量，如表3，4，5是基于定子电流信号的电机状态待诊断样本表［11］。

表3 第1组故障电机Table 3 Fault motor of Group 1

表4 第2组故障电机Table 4 Fault motor of Group 2

表5 第3组非故障电机Table 5 Normal motor of Group 3

将3组待诊断样本的特征向量，分别输入到已经训练好的BP神经网络中，得到故障诊断结果如表6:

表6 BP神经网络的输出及诊断结果Table 6 Output and Diagnosis results of BP Neural Network

从BP神经网络的输出及诊断结果可以看出，诊断结果与实际结果相一致，这表明本文利用BP神经网络数据融合诊断方法能够综合利用故障征兆空间的各种征兆信息，并对这些信息进行融合识别。虽然有些可靠性还不是很高，但基本上能满足电机故障诊断的要求，能够对转子断条故障进行有效识别［12］。

3 基于BP神经网络的D-S证据推理过程

实践表明，当大量高维的采样信号同时输入一个BP神经网络时，会导致训练时间过长，诊断效果变差，更严重的会出现网络不收敛。因此难免会出现一些误诊、错诊。为减少这种情况的出现，就此引入 D-S证据理论，在决策层进行数据融合，充分利用多个信息源，再次融合判断［13，14］。

分别用F1，F2，F3来表示电机的3种状态:转子断条、正常运行和其它未识别故障，构成故障诊断识别框架U={F1，F2，F3}。BP网络输出的判据结果分别用m1，m2，m3表示，汇总如表7。

首先m1，m2，进行证据组合，计算组合时的不一致因子:

K1=m1(F1)m2(F2)+m1(F2)m2(F1)

组合后形成的新证据用m12表示，可获得新证据对电机状态F1，F2的基本概率赋值如下:可以看出，m12(F1)＞m1(F1)，m12(F1)＞m2(F1)，因此电机发生的是断条故障的概率增大;m12(F2)＜m1(F2)，m12(F2)＜m2(F2)，因此电机正常运行的概率减小;m12(F3)＜m1(F3)，m12(F3)＜m2(F3)，因此电机有其它故障的不确定概率也减小。所以经过综上所述，经过证据m1，m2融合后电机发生转子断条故障的概率比原来的概率都高。

表7 概率赋值Table 7 Probability assignment

按照D-S证据理论的合成原则，将m1，m2融合后的结果m12再与m3进行融合，计算出组合时不一致因子K2和组合后形成的新证据m123，见表8。

表8 融合结果Table 8 Fusion result

可以看出，每经过一次证据理论的融合，诊断结果的准确度都得到了一定程度的提高，而不确定度大大降低。所以在一定程度上采用多证据的融合能进一步提高诊断的准确度。

4 结论

研究表明，异步电机发生故障时，其振动信号中往往含有大量时变、突发性质和短时冲击的成分，这种情况下采用基于傅立叶变换的频谱分析法很难得到准确的诊断结果。小波包分析是小波分析的改进，它兼顾了短时傅里叶变换和小波变换的优点，利用小波包分解的频率的表示方法建立在傅立叶分析基础之上，对信号进行频谱分析，数据样本需要足够的长度，一般应取FFT程序中所用数据点与原含有信号的数据点相同，这样的频谱质量高，可减少因补零或截断而产生的影响。

而振动是异步电机运行过程中普遍存在的现象，稳定运行时，振动都有一种典型特性和一个允许限值。当电机内部出现故障时，其振动的振幅值、振动型式及频谱成分均会发生变化，不同的缺陷和故障，其引起振动方式也不同。转子偏心下的振动信号db3小波5层分解结果如图6所示。

图6 转子偏心时振动db3小波5层分解结果Fig.6 Rotor eccentric vibration db3 Wavelet Decomposition of 5 lever results

在设备高度集成化的今天，仅仅靠一种理论、一种方法是无法实现在复杂环境下准确、及时地进行电机设备的故障诊断。合理利用信息融合技术，多种诊断方法和信息综合应用，将会对被检测对象有更完整、更准确、更可靠的解释和判断。

D-S证据理论是一种数据融合方法，具有坚实的数学基础，直观性强，易于描述，广泛用于信息融合和不确定推理等领域_，它能依据不确定性的信息进行推理，因此能更加准确、全面地认识和描述诊断对象，增加电机故障诊断的信任度。

［1］姜建国．故障诊断学及其在电工中的应用［M］．北京:科学出版社，1995．

［2］刘振兴，张哲，尹项根．异步电动机的状态监测与故障诊断技术综述［J］．武汉科技大学学报，2001，24(3):285－289．

［3］曹一家，刘毅，高振兴等．一种大规模电网故障诊断的多智能体信息融合模型与方法［J］．电力自动化设备，2010，30(7):14－18．

［4］谢涛，李焕庆，何怡刚，等．神经网络结合信息融合的模拟电路故障诊断［J］．电力系统及其自动化学报，2010，22(4):60－63．

［5］腾忠沛，勾轶．基于最优小波基的电机故障信号特征提取研究［J］．现代机械，2009，(3):33－35．

［6］邱赤东，薛征宇，邵萍波，等．基于小波包变换的电机定子故障特征提取方法［J］．电力系统保护与控制，2010，38(22):52－56．

［7］姜建国，苏鹏声．电机故障特征提取方法二则［J］．中国电机工程学报，1992，12(5):68－72．

［8］马宏忠，方瑞明，黄允凯，等．大型异步电机转子绕组故障特征量的新研究［J］．大电机技术，2004，(4):1－4，9．

［9］丁文飞，黄子俊，曾剑新．基于改进BP神经网络和DS证据理论的装备故障诊断［J］．船舰电子对抗，2010，38(4):106－111．

［10］聂建亮，高为广，张双成．利用BP神经网络的动态精密单点定位故障诊断方法［J］．武汉大学学报，2010，35(3):283－285．

［11］唐志航，杨保安．一种改进的BP神经网络在故障诊断中的应用研究［J］．机床与液压，2007，35(11):177－179．

［12］巩文科，李心广，赵洁．基于BP神经网络与专家系统的故障诊断系统［J］．计算机工程，2007，33(8):199－200，204．

［13］付家才，万遂．基于D-S证据理论和BP神经网络的多传感器信息融合［J］．自动化与仪器仪表，2011，15(3):22－24．

［14］李霜，王朗珠，张为，等．基于DGA的改进BP神经网络的变压器故障诊断方法［J］．变压器，2010，47(12):61－65．

Study on the fault diagnosis of motor based on information fusion method

XU Yun-zhi，GONG Nai-wei，GE Yao，GUO Xi-jin
(School of Information＆Electrical Engineering，China University of Mining＆Technology，Xuzhou 221116，China)

For the rotor fault diagnosis of squirrel induction motor，characteristic values in current signal is abstracted by wavelet package analysis technique，then signal is decomposed in three level，the noise signal is separated and analyzed by FFT energy analyses，which is used to judge the severity of broken bars．Preliminary diagnosis results can be obtained by using of the BP neural network for the training and inspection of the current signal energy characteristic values．Final result is obtained by utilizing the D-S evidence theory into the decision-making information fusion for the preliminary result．Experiment indicates that using multiply evidences fusion can improve the degree of accuracy to some extent．

wavelet;information fusion;fault diagnosis;neural networks;evidence

TM307

A

1007－2691(2012)03－0053－06

2011－11－05．

许允之(1961－)男，高级工程师，研究方向为高电压技术与电气设备故障诊断等。