馬建州

(山西新富升機(jī)器制造有限公司，山西 太原 030013)

常見(jiàn)的電機(jī)故障有定子故障、轉(zhuǎn)子故障、軸承故障［1］。定子故障指絕緣破壞引起定子繞組故障;轉(zhuǎn)子故障指導(dǎo)條和端環(huán)發(fā)生斷裂、開(kāi)焊等故障;軸承故障指轉(zhuǎn)子不對(duì)稱故障等。由于故障能夠表現(xiàn)出多種多樣的癥狀，一個(gè)癥狀也可能由于多種故障導(dǎo)致，這些現(xiàn)狀給電機(jī)的故障診斷增加了難度。

已有的電機(jī)故障診斷方法包括絕緣診斷方法、振聲診斷方法、基于解析模型的診斷方法、基于信號(hào)處理的診斷方法、基于知識(shí)經(jīng)驗(yàn)的診斷方法等，但是，上述方法的難題是故障樣本的收集難度較大，而神經(jīng)網(wǎng)絡(luò)、遺傳算法、人工免疫算法等人工智能方法的自學(xué)習(xí)特性，使其在故障診斷中獲得了非常好的應(yīng)用［2，3］，取得了豐碩的研究成果。但是，在現(xiàn)有的研究方法中，沒(méi)有考慮檢測(cè)率低導(dǎo)致故障不能被及時(shí)發(fā)現(xiàn)和處理的問(wèn)題，影響到生產(chǎn)的正常進(jìn)行和故障診斷的效果。為了解決這一問(wèn)題，本文通過(guò)提出一種新的電機(jī)故障診斷和預(yù)警方法，很好地解決了故障診斷率低時(shí)故障處理延遲的問(wèn)題，更好地服務(wù)到工廠生產(chǎn)。

1 人工免疫

人工免疫系統(tǒng)與神經(jīng)網(wǎng)絡(luò)、遺傳算法等人工智能方法都是智能信息處理的重要手段，被認(rèn)為是人工智能領(lǐng)域的重要分支，已受到了越來(lái)越多的關(guān)注［4］。人工免疫系統(tǒng)通過(guò)類似于生物免疫系統(tǒng)的機(jī)能，構(gòu)造具有動(dòng)態(tài)性和自適應(yīng)性的信息防御體系，以此來(lái)抵制外部無(wú)用、有害信息的侵入，從而保證接受信息的有效性與無(wú)害性。在人工免疫系統(tǒng)中包含的基本概念是抗原和抗體。抗原是指能夠刺激和誘導(dǎo)機(jī)體的免疫系統(tǒng)使其產(chǎn)生免疫應(yīng)答，并能與相應(yīng)的免疫應(yīng)答產(chǎn)物在體內(nèi)或體外發(fā)生特異性反應(yīng)的物質(zhì)?？贵w是指免疫系統(tǒng)受抗原刺激后，免疫細(xì)胞轉(zhuǎn)化為漿細(xì)胞并產(chǎn)生能與抗原發(fā)生特異性結(jié)合的免疫球蛋白，該免疫球蛋白即為抗體。

人工免疫系統(tǒng)空間如圖1 所示，其中，系統(tǒng)狀態(tài)特征向量是指被監(jiān)控系統(tǒng)的相關(guān)信息參數(shù)構(gòu)成的特征向量，包括正常和異常兩種情況。自體集合是指系統(tǒng)處于正常運(yùn)行狀態(tài)時(shí)收集到系統(tǒng)狀態(tài)特征向量所組成的集合，本文中的自體集合是指電機(jī)的正常運(yùn)行狀態(tài)。非自體集合是指系統(tǒng)處于非正常運(yùn)行狀態(tài)時(shí)收集的系統(tǒng)狀態(tài)特征向量組成的集合，檢測(cè)器是指檢查系統(tǒng)非正常狀態(tài)(即故障)的特征向量集合?；谌斯っ庖呦到y(tǒng)空間的上述理論，本文提出的檢測(cè)器是使用聚類算法對(duì)非自體進(jìn)行抽象的共同特性［5］。因?yàn)橄到y(tǒng)空間經(jīng)常會(huì)發(fā)生之前沒(méi)有出現(xiàn)過(guò)的異常，所以本文定義檢測(cè)器集合用來(lái)檢測(cè)系統(tǒng)是否發(fā)生新的異常。已經(jīng)被識(shí)別出的電機(jī)處于異常狀態(tài)的檢測(cè)器構(gòu)成的集合被定義為記憶檢測(cè)器集。記憶檢查器集合被用來(lái)描述之前系統(tǒng)空間中被檢測(cè)出來(lái)的系統(tǒng)故障，這樣的好處是，當(dāng)系統(tǒng)中出現(xiàn)類似故障時(shí)，檢測(cè)系統(tǒng)能夠快速發(fā)出警報(bào)，提供故障管理的效率。

圖1 人工免疫系統(tǒng)空間

2 電機(jī)故障診斷與預(yù)警系統(tǒng)

本文提出的一種新的電機(jī)故障診斷與預(yù)警系統(tǒng)包括收集自體集合、生成檢測(cè)器、故障檢測(cè)、故障預(yù)警四個(gè)過(guò)程。下面進(jìn)行分別描述。

1)收集自體集合:收集系統(tǒng)正常運(yùn)行狀態(tài)下的一些數(shù)據(jù)作為初始自體集。

2)生成檢測(cè)器:計(jì)算抗體與每個(gè)自體抗原的親和度，通過(guò)變異產(chǎn)生多個(gè)候選抗體，保證獲得的抗體數(shù)量。本文中親和度的計(jì)算使用歐幾里得度量。歐幾里得度量是一個(gè)通常采用的距離定義，指在m 維空間中兩個(gè)點(diǎn)之間的真實(shí)距離，或者向量的自然長(zhǎng)度(即該點(diǎn)到原點(diǎn)的距離)。抗體和抗原的親和度利用下面公式(1)計(jì)算:

其中A=(A1，A2，…，An)和B=(B1，B2，…，Bn)分別表示抗體、抗原的特征向量;D 表示抗體、抗原之間的距離。本文中為了方便計(jì)算，將抗體和抗原的特征向量取值為相同長(zhǎng)度n。抗原之間、抗體之間的親和度采用歐幾里得度量方法進(jìn)行計(jì)算。

3)故障檢測(cè):將需要檢測(cè)的數(shù)據(jù)與系統(tǒng)空間中的每個(gè)抗體進(jìn)行親和度計(jì)算，并且記錄親和度中最大的數(shù)值與閾值的比較結(jié)果。

4)故障預(yù)警:基于第3 步的計(jì)算結(jié)果與基于經(jīng)驗(yàn)設(shè)定好的故障預(yù)警的閾值，系統(tǒng)自動(dòng)向操作人員提示故障的檢測(cè)結(jié)果。在本文中，定義故障可能度來(lái)反映電機(jī)發(fā)生故障的可能性。用來(lái)顯示需要檢測(cè)數(shù)據(jù)發(fā)生故障的可能程度。如果被檢測(cè)的數(shù)據(jù)與抗體的最大親和度為Da，當(dāng)與抗原的最大親和度為Db時(shí)，異常度可定義為

從故障可能度的計(jì)算公式可知，故障可能度的取值范圍屬于［0，1］，其中，故障可能度為0 時(shí)表示正常，故障可能度為1 時(shí)表示異常。

3 實(shí)驗(yàn)過(guò)程及結(jié)果分析

本文對(duì)三相異步電機(jī)故障進(jìn)行實(shí)驗(yàn)驗(yàn)證，采用振動(dòng)傳感器收集各種電機(jī)的數(shù)據(jù)，包括舊電機(jī)(壞軸承、新軸承)、新電機(jī)(新軸承/無(wú)故障(帶機(jī)殼)、新軸承/無(wú)故障、壞軸承、壞轉(zhuǎn)子、壞轉(zhuǎn)子/壞軸承)等各種不同狀態(tài)下的振動(dòng)信號(hào)。對(duì)于每種情況，將一段時(shí)間內(nèi)收集到的各個(gè)通道的值編成一個(gè)特征向量組，將新電機(jī)新軸承無(wú)故障情況下的數(shù)據(jù)作為自體，其他情況下的數(shù)據(jù)作為非自體。初始自體個(gè)數(shù)為100 個(gè)，抗體個(gè)數(shù)為500，訓(xùn)練時(shí)檢測(cè)器成熟時(shí)閾值設(shè)置為0.6，檢測(cè)時(shí)檢測(cè)親和度閾值設(shè)置為0.8，檢測(cè)結(jié)果判讀時(shí)故障可能度閾值設(shè)置為0.6。

通過(guò)使用本文提出的故障檢測(cè)方法，在電機(jī)正常情況下，檢測(cè)器的準(zhǔn)確率為93%;在轉(zhuǎn)子存在故障的情況下，檢測(cè)器的準(zhǔn)確率為92%;在軸承故障的情況下，檢測(cè)器的準(zhǔn)確率為92%。通過(guò)使用本文提出的故障預(yù)警方法，在檢測(cè)率較低時(shí)，通過(guò)故障可能度的設(shè)置，可以提供使用人員自己根據(jù)工作經(jīng)驗(yàn)，判斷故障發(fā)生的可能性，極大地拓寬了故障診斷系統(tǒng)在實(shí)踐工作中的應(yīng)用途徑。

4 結(jié)束語(yǔ)

本文提出了一種新的電機(jī)故障診斷和預(yù)警方法，該方法包括收集自體集合、生成檢測(cè)器、故障檢測(cè)、故障預(yù)警四個(gè)過(guò)程。在檢測(cè)率較低時(shí)，通過(guò)故障可能度的設(shè)置，可以為使用人員提供預(yù)警信息，極大地拓寬了故障診斷系統(tǒng)的應(yīng)用途徑。下一步工作中，將以開(kāi)發(fā)新型的智能系統(tǒng)方法為背景，將人工免疫系統(tǒng)與模糊系統(tǒng)、神經(jīng)網(wǎng)絡(luò)和遺傳算法進(jìn)行集成，為電機(jī)故障管理提供更加科學(xué)和完善的方法。

［1］李萬(wàn)清.基于樸素貝葉斯方法和權(quán)值分析方法的電機(jī)軸承故障診斷［J］.機(jī)電工程，2012，129(4):390－393.

［2］連遠(yuǎn)鋒，李國(guó)和，吳發(fā)林.基于遺傳PNN 網(wǎng)絡(luò)的組合導(dǎo)航故障診斷研究［J］.儀器儀表學(xué)報(bào)，2012，33(1):120－126.

［3］杜海峰，王孫安.基于ART—人工免疫網(wǎng)絡(luò)的多級(jí)壓縮機(jī)故障診斷［J］.機(jī)械工程學(xué)報(bào)，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］胡慶林，葉念渝，朱明富.數(shù)據(jù)挖掘中聚類算法的綜述［J］.計(jì)算機(jī)與數(shù)字工程，2007，35(2):17－20.