模糊熵特征选择与SVM在三相异步电机故障诊断中的应用

2023-03-19肖永茂鄢威龚青山

机械设计与制造 2023年3期

肖永茂，鄢威，龚青山

（1.黔南民族师范学院计算机与信息学院，贵州都匀 558000；2.武汉科技大学绿色制造工程研究院，湖北武汉 430081；3.湖北汽车工业学院汽车动力传动与电子控制湖北省重点实验室，湖北十堰 442002）

1 引言

三相异步电机以其结构简单，运行效率高被普遍应用于实际生产中。然而由于异步电机工作原理的特殊性，异步电机通常工况恶劣不可控加上其本身结构复杂，因此故障发生率居高不下。电机耗电量巨大，其占整个电力系统耗电量60%以上，故障一旦发生，对正常生产、经济效益和人身安全都会带来严重隐患，因此对异步电机实施有效的早期故障诊断，对其本身的正常运行至关重要。

文献［1］针对电机故障特征信号处理数据量大的问题，提出运用SPIN算法，有效提取电机故障特征信号，实现电机在线诊断。文献［2］针对转子系统故障难识别的问题，提出模糊熵的诊断方法。采用模态分解得到模糊熵样本值来有效获取振动信号，为故障诊断建立理论基础。文献［3］选用RBF核函数的算法，通过特性分析和参数优化对电机进行诊断。文献［4］运用参数估计算法，通过研究获取电机故障的4个特征参数，结合仿真分析验证了该方法的可行性。文献［5］针对支持向量机在故障分类上的多故障分类问题，研究了如何运用样本集进行训练测试，探索了实现有效故障诊断的方法。文献［6］针对电机启动易出现故障的问题，提出运用STFrFT方法，有效表征了异步电机故障特征频率变化趋势。文献［7］提出了运用近似熵与SVM结合的方法对发动机故障信号进行识别和诊断。文献［8］基于变分模态分解模糊熵方法，有效获取了振动信号特征量值并结合算法对断路器进行在线诊断。

基于以上分析，当前针对故障信号的提取方法进行了大量的研究，并试图通过故障信号有效识别对故障进行早期预警与诊断。本研究由于研究对象异步电机的振动信号区别微弱，采用一般的信号分析方法难以有效量化。因此提出采用基于模糊熵特征选择与支持向量机（Support Vector Machine，SVM）融合的方法对异步电机开展故障诊断。通过设计故障再现实验，分别测取其对应的振动信号，通过对信号测取与处理得到相应的模态分量，计算其对应的模糊熵值并获取特征向量，最后结合支持向量机分类器在故障分类上的高准确性，达到对电机不同状态类别诊断的目的。

2 模糊熵

模糊熵是基于样本熵提出的一种改进算法，其主要应用在信号复杂难以量化的问题，能有效量化信号指标。模糊熵的计算步骤具体如下。

3 基于模糊熵异步电机故障特征选择

设备作业时都会存在机械振动，因此可以构造故障再现振动信号测取试验［9］。据统计实际工作中电机故障主要有：转子弯曲、转子不平衡和基座松动，加上正常电机因此需构造4种电机类别实验。电机在实际作业时导致其振动的振源较多，加上任何机械设备都存在着固有机械振动，因此想有效提取其对应的故障特征信号较难，基于此本研究选用模糊熵信号分析方法。其算法流程，如图1 所示。

图1 算法原理示意图Fig.1 Schematic Diagram of Algorithm Principle

3.1 异步电机不同故障状态模拟试验

本研究选用Marathon 公司的HJN1 100L1−4 型号的三相异步电机，在某高校电机实验台上进行不同故障再现试验。采用INV（英维）数据采集系统，分别对电机3种常见的故障状态类别加上正常电机共4种状态进行信号采集，相关参数，如表1所示。

表1 试验采用4种状态三相异步电机相关参数Tab.1 The Test Uses 4 States of Three-Phase Asynchronous Motor Related Parameters

实验安排：

在某实验台上进行不同故障再现试验。实验所用相关器件及性能参数如下：

异步电机HJN1 100L1−4，标准电压380V，标准功率2.2kW，电机转速为1425r/min，重量35kg。

加速度传感器CA−YD−186，频率范围：（0.1～6）kHz。

YE3832 IEPE信号适调器，输出幅度：2.5V±2.2V。

对异步电机故障模拟试验，分别选取四种状态类别的电机进行试验。实验现场，如图2所示。系统采样频率fs=50kHz，采集时间t=10s。依据生成波形图，频率设置满足试验要求。分别在电机端盖及定子外安装加速度传感器，采用磁铁固定以获取2个测点振动信号，单个测点测取20个样本，在故障实验台上分别更换4种状态的电机，即共（4×2×20）个样本。随机选取正常电机及转子不平衡某一段1s时域波形，如图3、图4所示。

图2 振动测试试验系统Fig.2 Vibration Test System

图3 正常电机Fig.3 Normal Motor

图4 转子不平衡电机Fig.4 Rotor Unbalance Motor

对比图3、图4 可发现，转子不平衡比正常电机振动要更强烈，但不能直接作为故障状态判别。因此还需进一步信号处理，据此引入模糊熵算法。

3.2 模糊熵参数确定

设置模糊熵参数m、r和N，依据统计学分布，通常m=2，r=0.1～0.25SDx，（此处SDx为原始数据u(i)的标准差），N为100～5000。

3.3 模糊熵特征向量提取

基于故障再现试验，采集到异步电机（4×2×20）个振动样本，设每个振动信号为x(i)，故有x(1)，x(2)，…，x(160)共160 个点。对应某一状态i下双侧点所测样本值Ti如下：

对应第i种状态有（20×2）的样本矩阵，基于式（9）确定每一个模糊熵值便可以得到相应矩阵，将其每行划分得到20个特征向量。因此电机某一状态下有20 个模糊熵特征量，即Si=[Ei，1Ei，2…Ei，20]T，异步电机模拟试验共4 种类别，即共对应80个模糊熵特征向量。

数字PCR打破传统的食品检测技术，不受扩增效率约束、无需使用内参基因与标准曲线，检测准确度高，并且具有较强的灵敏性、耐受性和绝对定量的优势。现如今，数字PCR技术已经得到了广泛应用，未来发展前景非常广阔。

4 故障诊断实例

基于上述分析结果，考虑到划分的特征向量属于小样本集且故障类别明确，选用支持向量机算法［7］对故障进行诊断。

4.1 支持向量机（SVM）算法

异步电机故障分类问题属于线性回归问题，可用式（10）来表示：

故障分类诊断可由式（11）求其min值表示：

式中：c—惩罚因子；ξ，ξ∗—松弛变量的上下限。

约束条件为：

支持向量机模型构建流程图，如图5所示。

图5 SVM构建流程图Fig.5 SVM Construction Flow Chart

4.2 异步电机故障诊断

构建SVM多故障分类器，其模型为：

基于上述试验设计安排，分别在4种状态的电机端盖及定子外安装加速度传感器，获取2个测点振动信号，因此每组状态可获取1#测点和2#测点的测试样本，且由于单个测点测取20个样本，即共（4×2×20）个样本。

利用SVM对异步电机4类状态进行诊断，4种状态各20组，即共4×20 组特征量。划分其中60 组进行训练，剩余20 组进行验证。将训练样本带入SVM故障诊断分类器进行训练，而后运用测试样本验证。每种状态选取10 组测试数据，进行4 次测试，每种状态测试10组。其中每组状态的前4组测试数据，如表2所示。

表2 异步电机各状态类别的模糊熵值Tab.2 Fuzzy Entropy Values of Each State Category of Asynchronous Motor

依据训练样本在Matlab 中进行训练，当Ci和σi参数在：C=100，σ=1时，训练精度最高。同时利用所构建SVM故障分类模型对表2中数据进行验证，其分类结果，如图6所示。

图6 模糊熵与SVM结合故障分类Fig.6 The Combination of Fuzzy Entropy and SVM for Fault Classification

从图6可发现，运用SVM分类模型对测试样本进行诊断，准确率为97.5%，仅有一个转子弯曲被误判为基座松动故障。

4.3 SVM与改进BP神经网络故障诊断方法对比

选择改进BP神经网络［10−11］对异步电机模糊熵特征量进行诊断，采用3层拓扑结构构造异步电机分类模型，同样选择相应的训练样本和验证样本，先对模型训练而后进行验证，其分类结果，如图7所示。从图7结果可发现，一个正常电机状态被误认为转子不平衡故障、一个转子弯曲故障被误认为基座松动故障，一个基座松动故障被误认为转子弯曲故障，共有三组状态类别被误判，准确率为92.5%。