粗糙集神经网络在电机故障诊断中的应用

康云霞,尹作友

（渤海大学,121000）

0 引言

在电力系统中，诊断故障的首要任务就是实现快速精确的识别出引起故障原因。随着电力工程的扩大，其相关设备的结构也是日趋复杂，而随之发生的就是故障类别越来越多。电机故障有很多的原因，包括信息传输的错误、保护装置的接触不良等等。这些信息都是人为的难以确定的，因此电机故障的诊断过程变得复杂起来。

粗糙集理论有着优异的数据处理能力，神经网络的超强自学习能力及其分类能力也是很多方法难以企及的，这两种方法各有所长，也有其不足之处。而它们的优点是在机电故障诊断的过程中有很大的意义，因此取长补短，将二者进行有机结合，运用在电机故障诊断中一定能够产生令人满意的结果。本文将简要介绍相关理论知识以及它们在电机故障诊断中的实际运用。

1 粗糙集理论和神经网络的相关知识

1.1 粗糙集理论

粗糙理论的主要任务是对获取到的数据进行分析。主要针对不够完整或者不能确定的信息，在数据处理的时候，通过判断将这些不完备信息进行有效分析。在粗糙集理论中，得到的数据多是残缺的、模糊的，通过相应的数学知识，将所得数据进行分析，最后将之分类，这是该理论处理数据的基础。粗糙集理论常用上、下近似及边界来描述所得信息的不完整和不确定性。

1.2 神经网络

神经网络主要是实现对信息的相关处理和完成储存任务，通过网络中各个链接权值的改变。神经网络的内部有诸多的节点，这些节点是相互链接的，凭借其自身的复杂构造，通过对这些节点之间的关系进行有序的调整，最后达到对信息完成处理的目的。

2 电机故障诊断

2.1 诊断技术理论研究

设备的诊断流程首先是拾取信号，其次是对所得信号进行处理分析，最后就是完成对故障的诊断。类似粗糙集理论的模糊理论常常在这个过程中作为前处理，因为它们能够处理不确定信息。有着强大的并行计算能力和联想能力的神经网络技术今年受到广泛关注，其具备的自学习能力也是各个专家研究注重的一点，这些特点能够有效的对故障进行模式的识别并实现科学的分类。粗糙集理论具有强大的数据处理能力。因此，粗糙集神经网络在电机故障诊断中有着极好的发展前景。

2.2 电机故障诊断技术

在设备工作的时候，电机实际是在实现能量的交换，在此过程中往往伴随着电能、机械能以及介质等的损耗。电机内部的各个系统是独立的个体，又相互关联。如果电机在运行过程中出现故障，这些工作系统都不可避免的受到牵连。这就决定电机故障诊断的多元性，不能确定是哪一个工作系统出现问题。所以电机故障诊断与其他设备相比，难度相对较大。粗糙集神经网络为之提供了有效可靠的诊断方案。

粗糙集、神经网络和专家系统相结合的诊断技术，主要以数据采集和预处理为基础，利用混合聚类法对原始的故障诊断样本进行离散处理。使用粗糙集理论对样本据侧标进行属性简约的的相关学习样本集。运用RBF神经网络对故障诊断知识进行模式识别，结合专家系统，利用专家系统的半段能力，对输出结果进行修正，最后完成诊断。此外，也有小波包分解法与粗糙及系统的结合运用，这些方法通过故障诊断实例。

3 将粗糙集神经网络在电机故障诊断中的应用

3.1 粗集和神经网络集成方法概述

电机故障是相对复杂凌乱的，而粗糙集理论能够有效的将之简化。但很多病态数据的处理，粗糙集理论很多时候就显得格外薄弱。就神经网络而言，它具备的自学习能力能够有效的解决信息获取的问题，而对于繁杂的样本信息，神经网络常常显得无能为力。

两种方法强烈的优势互补性引起了研究者们的关注，也为解决电机故障诊断问题提供了一个契机。如何将两者进行有效的结合是当前众多学者研究的热点。当前，已有多种结合方式，粗糙集理论为基础得出规则，利用神经网络精简；以神经网络为基础，粗糙集理论优化等等。

在现实应用中，常会遇到理论分析所忽略的问题。因此，粗糙集的数据处理能力还有继续研究的价值。在对大量数据进行处理的时候，可以尝试首先快速选取对神经网络的输入空间，并以此为基础，使用神经网络对数据进行挖掘，进一步的实现在实际应用中对大型数据的处理效率。

3.2 粗糙集神经网络诊断的思路与特点

故障诊断问题有如下特点

①在故障诊断过程中,由于故障产生的机理不清楚,故障的表现形式不惟一,在提取故障特征时也时常带有盲目性,从而导致了实际描述的设备状态之间是不分明的,而这种状态正是粗糙集理论研究的对象

②在诊断过程中,描述机器状态的特征往往很多,独立的特征能提供互补信息,应加以保留;相关性特征产生冗余信息,同时会增加计算工作量,需要加以消除,基于粗糙集的属性约简正好为去除这种冗余性特征提供了方便

③故障诊断中需要解决的问题之一如何在保证诊断精度大致不变的情况下减少特征维数,降低计算工作量和减少不确定性因素的影响

④检测项目的制定直接取决于状态特征集

3.3 算法描述

(1)首先是初始样本的生成，在最初采集到的样本数据中存在很多的重复的或是遗失的。初始样本数据表中应该将这些错误数据剔除。

(2)采用举例法或是等频率法等算法将数据连续属性离散化。本文在对连续属性进行离散化的时候采用的是SOM神经网络，它的自组织竞争在这方面有较强的功能。

(3)条件属性和决策属性在量化过后将形成二维数据表，这就是决策表的形成。行描述的是对象，列是对应的属性。

(4)采用差别矩阵对决策表进行约简。

(6)依照神经网络模型进行输入，从连续属性决策表中选择对应的训练数据和属性对网络的训练，根据相应的测试样本进行测试。

3.4 粗糙集神经网络电机故障诊断模型

本系统模型的具体流程是：

在分析过样本数据的基础上，根据已有的知识领域结合所得数据建立初始的信息表。

用并行约简法对已有数据进行水平简约，将简约后的结果作为输入层的神经元；用同样的方法进行垂直简约，相互对立的以及多余的内容都是需要消除的对象。

最后就是利用神经网络的相关算法，对经过粗集处理的数据进行训练，得出诊断结果。

3.5 仿真应用

首先构建电机故障模型，电机基本参数如下：P额=4KW，U额=220V/380V ，I额=14.2A/8.2A ，f额=50Hz，额定转速是1440r/min。注意：决策属性为D={D0、D1 、D2 、D1-2}分别表示正常、转子断条故障、轴承类故障、双重故障。

利用模型提取故障信号并得到决策矩阵过后使用粗集理论处理所得故障信息，得到约简的决策矩阵，将约简后的数据结果交由神经网络进行下一步的处理，诊断结果约简后如下：

图2 约简决策矩阵

图3 诊断结果

观察诊断结果可知，运用粗糙集理论可以较好地提取故障特征量，可以有效地减少了对无用信息的干扰，大大的减少神经网络的工作量，能够得到较为满意的结果。

4 结论

电机的故障诊断可以说是安全的枢纽，因此，在这个过程中力求更好是必然的。经过多年的研究，我国在电机故障诊断方面发展迅速，取得了重大的突破。在电机故障诊断中合理利用粗糙集神经网络技术，使凌乱的初始数据之间的关系线条明了，再利用神经网络对处理过的数据进行进一步的处理，使之大程度的简化，提高电机的工作效率对我们的生活有着重大的积极意义。

[1]苏宏升，李群湛；寄语粗糙集理论和神经网络模型的变电站故障诊断方法，电网技术；2005

[2]邓舞 等，粗糙集、神经网络和专家系统模型用于电力系统故障诊断，高电压技术；2009/7/31

[3]国玉红，陈玉武；粗糙集理论在异步电动故障诊断中的应用，科学技术与工程；2008/7

[4]魏伟，王琳；电机故障诊断技术研究现状与发展趋势，微电机；第42卷第10期