一种电机故障诊断和预警方法

马建州

(山西新富升机器制造有限公司，山西 太原 030013)

常见的电机故障有定子故障、转子故障、轴承故障［1］。定子故障指绝缘破坏引起定子绕组故障;转子故障指导条和端环发生断裂、开焊等故障;轴承故障指转子不对称故障等。由于故障能够表现出多种多样的症状，一个症状也可能由于多种故障导致，这些现状给电机的故障诊断增加了难度。

已有的电机故障诊断方法包括绝缘诊断方法、振声诊断方法、基于解析模型的诊断方法、基于信号处理的诊断方法、基于知识经验的诊断方法等，但是，上述方法的难题是故障样本的收集难度较大，而神经网络、遗传算法、人工免疫算法等人工智能方法的自学习特性，使其在故障诊断中获得了非常好的应用［2，3］，取得了丰硕的研究成果。但是，在现有的研究方法中，没有考虑检测率低导致故障不能被及时发现和处理的问题，影响到生产的正常进行和故障诊断的效果。为了解决这一问题，本文通过提出一种新的电机故障诊断和预警方法，很好地解决了故障诊断率低时故障处理延迟的问题，更好地服务到工厂生产。

1 人工免疫

人工免疫系统与神经网络、遗传算法等人工智能方法都是智能信息处理的重要手段，被认为是人工智能领域的重要分支，已受到了越来越多的关注［4］。人工免疫系统通过类似于生物免疫系统的机能，构造具有动态性和自适应性的信息防御体系，以此来抵制外部无用、有害信息的侵入，从而保证接受信息的有效性与无害性。在人工免疫系统中包含的基本概念是抗原和抗体。抗原是指能够刺激和诱导机体的免疫系统使其产生免疫应答，并能与相应的免疫应答产物在体内或体外发生特异性反应的物质。抗体是指免疫系统受抗原刺激后，免疫细胞转化为浆细胞并产生能与抗原发生特异性结合的免疫球蛋白，该免疫球蛋白即为抗体。

人工免疫系统空间如图1 所示，其中，系统状态特征向量是指被监控系统的相关信息参数构成的特征向量，包括正常和异常两种情况。自体集合是指系统处于正常运行状态时收集到系统状态特征向量所组成的集合，本文中的自体集合是指电机的正常运行状态。非自体集合是指系统处于非正常运行状态时收集的系统状态特征向量组成的集合，检测器是指检查系统非正常状态(即故障)的特征向量集合。基于人工免疫系统空间的上述理论，本文提出的检测器是使用聚类算法对非自体进行抽象的共同特性［5］。因为系统空间经常会发生之前没有出现过的异常，所以本文定义检测器集合用来检测系统是否发生新的异常。已经被识别出的电机处于异常状态的检测器构成的集合被定义为记忆检测器集。记忆检查器集合被用来描述之前系统空间中被检测出来的系统故障，这样的好处是，当系统中出现类似故障时，检测系统能够快速发出警报，提供故障管理的效率。

图1 人工免疫系统空间

2 电机故障诊断与预警系统

本文提出的一种新的电机故障诊断与预警系统包括收集自体集合、生成检测器、故障检测、故障预警四个过程。下面进行分别描述。

1)收集自体集合:收集系统正常运行状态下的一些数据作为初始自体集。

2)生成检测器:计算抗体与每个自体抗原的亲和度，通过变异产生多个候选抗体，保证获得的抗体数量。本文中亲和度的计算使用欧几里得度量。欧几里得度量是一个通常采用的距离定义，指在m 维空间中两个点之间的真实距离，或者向量的自然长度(即该点到原点的距离)。抗体和抗原的亲和度利用下面公式(1)计算:

其中A=(A1，A2，…，An)和B=(B1，B2，…，Bn)分别表示抗体、抗原的特征向量;D 表示抗体、抗原之间的距离。本文中为了方便计算，将抗体和抗原的特征向量取值为相同长度n。抗原之间、抗体之间的亲和度采用欧几里得度量方法进行计算。

3)故障检测:将需要检测的数据与系统空间中的每个抗体进行亲和度计算，并且记录亲和度中最大的数值与阈值的比较结果。

4)故障预警:基于第3 步的计算结果与基于经验设定好的故障预警的阈值，系统自动向操作人员提示故障的检测结果。在本文中，定义故障可能度来反映电机发生故障的可能性。用来显示需要检测数据发生故障的可能程度。如果被检测的数据与抗体的最大亲和度为Da，当与抗原的最大亲和度为Db时，异常度可定义为

从故障可能度的计算公式可知，故障可能度的取值范围属于［0，1］，其中，故障可能度为0 时表示正常，故障可能度为1 时表示异常。

3 实验过程及结果分析

本文对三相异步电机故障进行实验验证，采用振动传感器收集各种电机的数据，包括旧电机(坏轴承、新轴承)、新电机(新轴承/无故障(带机壳)、新轴承/无故障、坏轴承、坏转子、坏转子/坏轴承)等各种不同状态下的振动信号。对于每种情况，将一段时间内收集到的各个通道的值编成一个特征向量组，将新电机新轴承无故障情况下的数据作为自体，其他情况下的数据作为非自体。初始自体个数为100 个，抗体个数为500，训练时检测器成熟时阈值设置为0.6，检测时检测亲和度阈值设置为0.8，检测结果判读时故障可能度阈值设置为0.6。

通过使用本文提出的故障检测方法，在电机正常情况下，检测器的准确率为93%;在转子存在故障的情况下，检测器的准确率为92%;在轴承故障的情况下，检测器的准确率为92%。通过使用本文提出的故障预警方法，在检测率较低时，通过故障可能度的设置，可以提供使用人员自己根据工作经验，判断故障发生的可能性，极大地拓宽了故障诊断系统在实践工作中的应用途径。

4 结束语

本文提出了一种新的电机故障诊断和预警方法，该方法包括收集自体集合、生成检测器、故障检测、故障预警四个过程。在检测率较低时，通过故障可能度的设置，可以为使用人员提供预警信息，极大地拓宽了故障诊断系统的应用途径。下一步工作中，将以开发新型的智能系统方法为背景，将人工免疫系统与模糊系统、神经网络和遗传算法进行集成，为电机故障管理提供更加科学和完善的方法。

［1］李万清.基于朴素贝叶斯方法和权值分析方法的电机轴承故障诊断［J］.机电工程，2012，129(4):390－393.

［2］连远锋，李国和，吴发林.基于遗传PNN 网络的组合导航故障诊断研究［J］.仪器仪表学报，2012，33(1):120－126.

［3］杜海峰，王孙安.基于ART—人工免疫网络的多级压缩机故障诊断［J］.机械工程学报，2002，38(4):88－90.

［4］Forrest S，Perelson A S，Allen L，et al.Self-Nonself Discrimination in a Computer［C］.Proceedings of IEEE Symposium on Research in Security and Privacy，1994.

［5］胡庆林，叶念渝，朱明富.数据挖掘中聚类算法的综述［J］.计算机与数字工程，2007，35(2):17－20.