摘 要：基于MATLAB的可視化編程技術(shù)，設(shè)計電機故障診斷模型訓練與測試平臺。該平臺主要包括兩個模塊：模型訓練模塊和模型測試模塊，平臺實現(xiàn)了在給定樣本數(shù)據(jù)時可以得到相應電機故障類型和模型診斷精確度等功能。本文介紹了一種利用RBF神經(jīng)網(wǎng)絡(luò)模型設(shè)計方法，運用MATLAB GUI構(gòu)建電機故障診斷訓練與測試平臺，并以實例給出平臺的運行情況，從而驗證了平臺的實現(xiàn)功能。

關(guān)鍵詞：電機故障診斷；模型訓練與測試平臺；MATLAB GUI

中圖分類號：TP277

大中型交流異步電動機在各行各業(yè)中有著廣泛的應用，在鐵路、電力、化工、鋼鐵等連續(xù)生產(chǎn)的部門起著十分重要的作用。電機長時間的使用過程中，極容易受到各種因素的影響而出現(xiàn)故障問題。據(jù)電力部門的統(tǒng)計，在定子的故障中，絕緣故障與繞組股線斷裂是常見的故障，它們約為異步機故障的總數(shù)的40%左右；鼠籠轉(zhuǎn)子斷條為7%左右；相應的軸承故障也將近總數(shù)的40%[1]。如果工作人員不能及時診斷并處理電機故障，那么將影響電機的正常運轉(zhuǎn)，嚴重時將導致電機的破損[2]。因此，電機故障診斷在電機應用領(lǐng)域是不可缺少的，而故障診斷的正確率直接影響電機故障診斷的有效性，換言之，電機故障診斷模型的質(zhì)量是電機故障診斷有效應用的保障。

本文在介紹可變結(jié)構(gòu)電機故障診斷模型結(jié)構(gòu)基礎(chǔ)上[3]，重點介紹基于MATLAB的電機故障診斷模型訓練與測試平臺的建立[4]，并通過一個具體例子說明其使用方法。

1 可變結(jié)構(gòu)神經(jīng)網(wǎng)絡(luò)電機故障診斷模型

1.1 基于振動數(shù)據(jù)的電機故障診斷流程

電機故障診斷流程如圖1所示。振動數(shù)據(jù)為電機在不同轉(zhuǎn)速運行過程中采集的振動加速度。對于所采集的多路不同方向的電機振動數(shù)據(jù)在進行了常規(guī)數(shù)據(jù)降噪處理后；運用盲源分離方法進行振源分離；運用小波分解或小波包方法獲得振動數(shù)據(jù)不同頻段對應的能量比[5]，作為故障診斷模塊的輸入。

圖1 電機故障診斷流程圖

故障診斷模塊由RBF神經(jīng)神經(jīng)網(wǎng)絡(luò)構(gòu)成[6]，網(wǎng)絡(luò)輸出為0-1之間的值，網(wǎng)絡(luò)輸出值的大小表明了對應故障出現(xiàn)的可能性。

1.2 電機故障診斷模型的構(gòu)建

在構(gòu)建電機故障診斷模型時主要考慮了以下三個方面：（1）采用常規(guī)應用比較廣泛的RBF神經(jīng)網(wǎng)絡(luò)模型；（2）模型結(jié)構(gòu)根據(jù)故障種類可靈活改變，故模型采用積木式可變結(jié)構(gòu)；（3）子模型結(jié)構(gòu)盡可能簡單。

基于以上三點考慮，故障模型采用基于單元網(wǎng)絡(luò)的可變結(jié)構(gòu)。單元網(wǎng)絡(luò)由一個（m-2-1）三層BP神經(jīng)網(wǎng)絡(luò)構(gòu)成，如圖2所示。輸出層的輸入個數(shù)m由實際故障診斷輸入數(shù)據(jù)情況確定，本文中m=4；隱層為兩個節(jié)點，使網(wǎng)絡(luò)結(jié)構(gòu)盡可能簡化；輸出為一個節(jié)點，輸出值在0-1之間，用以表示所對應故障狀態(tài)成立的可能性。采用這樣結(jié)構(gòu)可降低識別難度，同時降低神經(jīng)網(wǎng)絡(luò)的訓練難度。

圖2 單元神經(jīng)網(wǎng)絡(luò)

一個單元網(wǎng)絡(luò)，即一個子模型，對應一個故障狀態(tài)，可使用不同的故障狀態(tài)所對應的數(shù)據(jù)來獨立訓練每一個子模型，使網(wǎng)絡(luò)輸出為1或為0。然后組合成一個故障診斷模型[7]，如圖3所示。

圖3 電機故障診斷模型

2 基于MATLAB的電機故障診斷模型訓練與測試平臺

2.1 平臺功能介紹

本模型平臺對樣本數(shù)據(jù)進行學習訓練，可得到電機故障模型，利用多種狀態(tài)的數(shù)據(jù)對其進行測試，檢驗模型的準度。平臺軟件分為兩個模塊：模型訓練模塊和模型測試模塊。功能結(jié)構(gòu)如圖4所示。

圖4 模型平臺功能結(jié)構(gòu)

兩模塊可實現(xiàn)如下功能：

模型訓練模塊的主要功能，在給定的訓練次數(shù)和強化參數(shù)后，對多種狀態(tài)下的數(shù)據(jù)進行不斷學習訓練可到具體電機故障模型，并繪制出訓練過程圖像；得到具體電機故障模型的參數(shù)值wj。

模型測試模塊的主要功能，在給定要測試的故障模型參數(shù)及相應的測試參數(shù)后，對模型就行多次測試，繪制測試強化前后輸出圖像；理想值與輸出值。

2.2 電機故障診斷訓練模

2.2.1 模型訓練模塊的運行

為了檢驗所提出的模塊化故障診斷，用兩個4-4-1結(jié)構(gòu)的子模型來構(gòu)造兩個故障子模型，這兩個子模型分別為M1（yj1，ej1，wj1）和M2（yj2，ej2，wj2），且分別識別電機的兩種狀態(tài)，無故障狀態(tài)和有故障狀態(tài)。若電機無故障，則子模型M1（yj1，ej1，wj1）輸出1，子模型M2（yj2，ej2，wj2）輸出0；若電機有故障，則子模型M1（yj1，ej1，wj1）輸出0，M2（yj2，ej2，wj2）輸出1。狀態(tài)輸出如表1所示。

表1 模型輸出狀態(tài)表

根據(jù)模型應識別的電機狀態(tài)，我們采用同類型的兩臺電機，一臺為新購置的，另一臺為舊電機，在這兩臺電機上采集的振動信號分別代表了電機正常運行狀態(tài)與電機有故障狀態(tài)。對所采集的振動加速度數(shù)據(jù)進行濾波處理后，使用小波包方法提取電機的故障特征能量，訓練與測試樣本如表2所示。

表2 訓練與測試樣本

根據(jù)所介紹的模型訓練算法，用Matlab編寫故障診斷子模型的訓練程序，同時對界面中的各控件進行編寫相應的回調(diào)函數(shù)。

在訓練界面下，按下“讀取樣本”按鈕，選取樣本數(shù)據(jù)后，樣本數(shù)據(jù)被加載到訓練程序中。按下“開始訓練”按鍵，訓練程序開始編輯運行，程序結(jié)束后，運行過程中輸出和誤差的變化情況都會以圖像的形式顯示在兩坐標中。模型訓練模塊運行結(jié)果如圖5所示。

圖5 模型訓練模塊運行

2.3 電機故障診斷測試模塊

2.3.1 模型訓練模塊界面說明

在本界面中主要有以下控件：一個靜態(tài)編輯文本框，用兩個供顯示測試結(jié)果的坐標軸；三個可編輯文本框，四個panel嵌板，四個功能按鈕控件。將各組件放置到合適位置并進行屬性編輯，優(yōu)化界面。

2.3.2 模型測試模塊的運行

根據(jù)所介紹的模型測試算法，用Matlab編寫故障診斷子模型的測試程序，同時對界面中的各控件進行編寫相應的回調(diào)函數(shù)。待訓練結(jié)束后，用表2中的測試樣本數(shù)據(jù)對所得的訓練參數(shù)模型wj進行測試。

在測試界面下，按下“讀取數(shù)據(jù)”，確定待測數(shù)據(jù)被加載到測試程序中。點擊“開始測試”按鍵，運行程序后，測試結(jié)果分別以圖像和數(shù)字的形式顯示，以便對比理想輸出和實際輸出。模型測試模塊運行后的結(jié)果如圖6所示。

圖6 模型測試模塊運行

3 結(jié)束語

通過具體電機故障診斷模型的訓練與測試表明，由于模型采用積木式可變結(jié)構(gòu)，大大簡化了網(wǎng)絡(luò)訓練全局收斂的難度，并在一定程度上提高了故障診斷的準確性；同時也表明，所設(shè)計的電機故障診斷模型訓練與測試平臺能夠完成模型訓練與測試的各項功能要求，平臺界面清晰，使用方便。

參考文獻：

[1]穆麗娟，蘇曉娜，李曉明.RBF神經(jīng)網(wǎng)絡(luò)在異步電機故障診斷中的應用[J].火力與指揮控制，2012（06）：48-51.

[2]J.F.Martins，V.Fernal Pires，A.J.Pires.Unsupervised Neural-Network-Based Algorithm for an On-Line Diagnosis of Three-Phase Induction Motor Stator Fault[J].IEEE Transactions on Industrial electronics，2007（01）：259-265.

[3]Bulent ayhan，Mo-Yuen Chow，Myung-Hyun Song.Multiple Discriminant analysis and neural-network-Based Monolith and Partition Fault-detection Schemes for Broken Rotor Bar in Induction Motors[J].IEEE Transactions on Industrial electronics，2006（04）：1298-1308.

[4]顧慧芳.MATLAB使用詳解[M].北京：電子工業(yè)出版社，2009.

[5]劉美容，何怡剛，方葛豐.遺傳小波神經(jīng)網(wǎng)絡(luò)在模擬電路故障診斷中的應用[J].湖南大學學報（自然科學版），2009（03）：40-44.

[6]呂永健，李子龍，張洪林.基于改進遺傳小波網(wǎng)絡(luò)的電機故障診斷研究[J].微特電機，2012（04）：19-22.

[7]周紅建.淺析電機故障的診斷技術(shù)[J].信息系統(tǒng)工程，2012（07）：120-121.

作者簡介：于際河（1988-），男，山東菏澤人，碩士研究生，研究方向：電機故障診斷。

作者單位：大連交通大學軟件學院，遼寧大連 116041