APP下载

基于案例推理的电机故障诊断方法研究

2018-12-29

制造业自动化 2018年12期
关键词:检索故障诊断权重

(河南理工大学 电气工程与自动化学院,焦作 454003)

0 引言

目前,在电机故障维修中,对故障进行分析研究并做到准确诊断,具有极其重要的作用。通过检测电机运行数据并进行分析,从而根据数据分析的结果进行故障的预测。针对电机的维护,以往都是定期维修,出现故障后再进行维修。因此,为了提高电机的利用率,延长电机寿命。对电机的进行预防性维护,及时的发现故障,准确的给出维修方案,缩短故障查找时间,这样不仅能够让发生故障的频率大大减少,还能让电机故障带来的损失减少到最低,维修成本也可以得到控制。

近年来,关于案例推理技术成为国内外学者研究的热点,目前案例推理在故障诊断,智能决策,医疗诊断等方面得到了广泛的应用[1,2]。文献[3]将案例推理技术应用到装备的故障诊断中,研究表明案例推理技术提高了系统的诊断能力。文献[4]采用基于案例推理的方法,开发了诊疗决策系统,用来辅助经验不足的医师做出决策,以提高临床疗效。为了能够有效地利用大量的故障案例数据和领域专家的知识及经验,本文结合电机的结构特点和故障类型,将案例推理技术应用到电机的故障诊断中,从而能快速的从案例库中匹配到相似案例,使电机能及时得到维护。

1 案例推理技术

案例推理(case-based reasoning,CBR)是由历史案例来指导当前案例求解的一种策略,CBR过程包括案例检索、案例复用、案例修正和案例保存四个阶段[5]。案例推理的基本思想是首先检索案例库中的案例得到与目标案例相似的案例,然后重用相似案例的解决方案,如果解决方案不能解决新问题,则需对检索到的方案进行修正,最后将新问题与对应的解决方案存储至案例库中。CBR的推理流程如图1所示。

图1 案例推理诊断模型

基于案例推理的故障诊断系统具有良好的学习能力,许多的维修经验会被保存下来为现场维修人员所利用,基于案例推理的决策系统,通过已有经验进行决策,需要依赖丰富经验的决策环境。电机平常发生的故障具有相似性,相似故障对应的解决方案也具有相似性,因此,本文将案例推理的技术应用到电机的故障诊断中。通过查找案例库中相似的电机故障案例,得到相应的故障类型及解决方案,从而为电机的维护提供便捷。

1.1 案例表示

电机由多个部件组成,每个部件的故障现象具有多样性[6]。每个故障案例大都包含故障征兆、故障位置、故障原因和处理措施等大量信息,电机的案例表示采用三元组的形式表示C=(D,S,M),其中:D={d1,d2,…,dn}表示电机故障案例的描述,包括案例编号,故障现象描述等;S为故障案例的特征属性;M为电机的故障结论信息集,包括解决措施、结果评估。

1.2 案例检索

目前常用的案例检索算法主要有:最近邻策略、归纳推理策略和知识引导策略。最近邻策略是根据距离来度量相似度,通过对案例特征属性加权来计算目标案例与源案例的相似度。通常情况下,使用欧式距离来衡量目标案例与源案例之间的距离。实验验证,通过对属性加权的方法计算得到的案例相似度更贴切实际。因此,本文采用加权KNN案例检索算法[7]。加权KNN计算案例相似度的步骤如下:

1)使用基于欧氏距离的计算方法计算源案例X=(x1,x2,x3,…,xn)与目标案例Y=(y1,y2,y3,…,yn)的距离D(xi,yi):

2)计算源案例与目标案例之间的相似度。计算式如下[8]:

3)根据步骤2)的计算结果,从中选取相似度值最大的案例作为检索结果。

2 基于主成分分析的属性约简

主成分分析是多元统计学中一种常用的降维的统计方法[9,10],一个变量包含的信息量的多少可依据数据变化的方差大小来决定。方差越大,所包含的信息量越大。主成分分析法通过较少的新变量更集中的反映原有的较多的数据信息。主成分分析的步骤如下:

1)假设原始指标数据矩阵由m个样本,每个样本由n个指标组成,即:

2)建立标准化处理后的矩阵(zij)m×n的相关系数矩阵R=(rij)m×n。

上式中:cov(zi,zj)为zi与zj的协方差;分别为zi与zj的方差。

3)求得相关系数矩阵R的特征根为:λ1≥λ2≥λ3…≥λn≥0,第i个主成分的方差贡献率为:

3 确定电机各属性权重

案例推理的结果的可靠性和指标权重的大小密切相关,权重的确定是一个至关重要的问题。目前,指标权重的计算方法有主观赋权法、客观赋权法和综合赋权法[11]。为了避免人为主观性的确定属性权重带来的影响,本文采用熵权法计算属性权重。

熵权法是一种客观的赋权方法,熵权法可使用在多属性决策方面,通过计算指标熵值确定多属性的权重[12]。通常情况下,计算得到的某指标的信息熵值越小,说明该指标的变异程度越大,提供的信息量越大,其权重也越大。反之,计算得到的某指标的信息熵值越大,说明该指标的变异程度越小,提供的信息量越小,其权重也越小。采用熵权法给各个指标赋权的步骤如下:

1)将采集到的各个指标的原始指标矩阵(xij)m×n进行标准化处理得到(yij)m×n,如下式:

2)求得各指标的信息熵值Ej:

3) 确定各指标权重θj:

表1 数据样本

4 实例分析

通过对采集到的定子电流信号进行8层小波分解,E1、E2、E3、E4、E5、E6、E7、E8为案例推理的属性值,故障类型D1、D2、D3、D4分别代表电机正常、转子故障、轴承故障、绝缘故障,数据样本集如表1所示。

4.1 属性约简与权重计算

为了保证能精确的属性约简,本文利用统计软件SPSS对电机的数据样本集进行主成分分析。主成分分析结果如表2所示,由表得到:训练样本集经软件SPSS分析共提取两个主成分,累计方差贡献率达到91.962%,因此,前两个主成分基本上可以完全反映全部指标的信息。选取具有较高因子负荷的变量为最终决定电机故障诊断的属性,第一主成分中具有较高因子载荷的变量有E3,E4,E5,E6,E8,第二主成分中具有较高因子载荷矩阵的变量有S7,因此,确定S3,S4,S5,S6,S7,S8为电机故障诊断的属性。

表2 主成分分析结果

根据上述第2节讲述的熵权法中的式(6)、式(7)计算得到各指标的信息熵值Ej,然后根据式(8)计算得到S3,S4,S5,S6,S7,S8各属性的权重分别为:0.2184,0.0682,0.1287,0.2381,0.0994,0.1971。

4.2 案例检索结果分析与验证

由本文案例检索方法计算得到上述目标案例和源案例库中各个案例的相似度如表3所示。

表3 目标案例与源案例的相似度

由表3得到的检索结果可知,目标案例与源案例2的相似度为0.9881,因此,可得出目标案例2的决策方案作为目标案例的参考方案,且检索结果与现实状况相符合。

为了验证本文案例检索方法的可行性,选取120组测试样本,将本文案例检索算法与传统k近邻检索、典型BP神经网络比较分析。传统k近邻检索算法使用基于欧式距离的检索方法,k值设为4。BP神经网络为三层神经网络,输入层神经元的个数为8个,输出层神经元的个数为4个,隐含层神经元的个数为17个,采用神经网络工具箱对待检索的案例进行故障识别。案例检索准确率比较结果如表4所示。

表4 不同检索方法的准确率

由表4可以得出,本文所提出的方法在准确率上均高于其他方法,表明本文的案例检索方法能够更精确的为决策者提供目标案例的解决措施,从而电机能够得到更好的维护。

5 结论

针对电机的维护决策问题,本文对案例推理方法在电机维护决策中的应用进行研究分析。分别从案例表示方法,案例属性约简和目标案例与源案例相似度计算等方面进行研究。文中提出利用主成分分析对电机的属性进行约简,降低了案例检索的复杂度,并采用熵权法计算属性权重,克服了主观因素的影响。经过对比研究分析,案例推理方法在电机的维护决策中有更为广泛的应用前景。

猜你喜欢

检索故障诊断权重
权重望寡:如何化解低地位领导的补偿性辱虐管理行为?*
基于包络解调原理的低转速滚动轴承故障诊断
权重常思“浮名轻”
瑞典专利数据库的检索技巧
一种基于Python的音乐检索方法的研究
为党督政勤履职 代民行权重担当
数控机床电气系统的故障诊断与维修
浅议专利检索质量的提升
基于量子万有引力搜索的SVM自驾故障诊断
江淮同悦纯电动汽车无倒档故障诊断与排除