楊 柏，王 森，唐天瑤，段瑩瑩，張超臣，靳龍飛

（1.沈陽工程學(xué)院a.研究生部；b.自動化學(xué)院，遼寧沈陽 110136；2.大連大發(fā)電供熱有限公司，遼寧大連 116023；3.國網(wǎng)沈陽供電公司，遼寧沈陽 110000）

電機(jī)故障診斷技術(shù)是基于電機(jī)故障機(jī)理的一門診斷技術(shù)。通過實時監(jiān)測電機(jī)運(yùn)行過程中的振動信號、溫度、電氣特性等狀態(tài)，能夠判斷電機(jī)的運(yùn)行是否正常。雖然我國的電機(jī)故障診斷技術(shù)起步較晚，但在不斷發(fā)展的基礎(chǔ)上也獲得了許多成果[1]。

河南科技大學(xué)研究小組[2]將最小二乘支持向量機(jī)與位移實驗相結(jié)合，提出了具有降低在線診斷計算量、保證故障判別率和泛化能力特點的泵油電機(jī)的故障診斷方法。基于變分模態(tài)分解的自適應(yīng)形態(tài)學(xué)的提取特征量的方法，為提取滾動軸承信號的特征頻率提供了理論支持。選取粒子群算法可以對濾波器進(jìn)行優(yōu)化，便于完成自適應(yīng)濾波。為了提取故障特征信號，可以進(jìn)行仿真實驗并分析滾動軸承的故障原因，結(jié)合自適應(yīng)形態(tài)學(xué)和其他調(diào)節(jié)方法進(jìn)行比較[3]。張周磊研究小組提出了電機(jī)匝間短路故障診斷的新方法，樣本數(shù)據(jù)的擴(kuò)張、魯棒的建立、訓(xùn)練合集多樣性均由生成式對抗神經(jīng)網(wǎng)絡(luò)負(fù)責(zé)，再利用稀疏自編碼深度學(xué)習(xí)網(wǎng)絡(luò)完成高效而準(zhǔn)確的故障診斷和故障分類，兩者相結(jié)合的方法能夠使診斷結(jié)果具有更高的準(zhǔn)確性和高效性[4]。通過模糊神經(jīng)網(wǎng)絡(luò)優(yōu)化專家系統(tǒng)的方法進(jìn)行電機(jī)的故障診斷，利用模糊神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)性，彌補(bǔ)專家系統(tǒng)學(xué)習(xí)性差的缺點[5]，最終達(dá)到大量獲取電機(jī)故障特征量的目標(biāo)，為故障診斷結(jié)果的準(zhǔn)確率提供保障。不僅如此，隨機(jī)搜索與長短時記憶神經(jīng)網(wǎng)絡(luò)相結(jié)合還可以防止故障預(yù)兆不明確的問題，在診斷的速度上也有了明顯改善[6]。

由于人工智能的飛速發(fā)展，神經(jīng)網(wǎng)絡(luò)類型不斷更新。研究者們提出了許多新型神經(jīng)網(wǎng)絡(luò)，如卷積神經(jīng)網(wǎng)絡(luò)、自聯(lián)想神經(jīng)網(wǎng)絡(luò)、灰色神經(jīng)網(wǎng)絡(luò)、RNN等等。本文基于粒子群算法與時鐘驅(qū)動循環(huán)神經(jīng)網(wǎng)絡(luò)提出一種高效準(zhǔn)確的PMSM 故障診斷方法?；贛ATLAB 建立時鐘驅(qū)動循環(huán)神經(jīng)網(wǎng)絡(luò)（CW-RNNs）模型，實現(xiàn)PMSM 故障類型診斷，通過實驗仿真驗證該方法的有效性。

1 時鐘驅(qū)動循環(huán)神經(jīng)網(wǎng)絡(luò)

通過不斷的發(fā)展，循環(huán)神經(jīng)網(wǎng)絡(luò)衍生了很多優(yōu)化模型，如：LSTM、GRU、SPNN、Bi-RNN。時鐘驅(qū)動循環(huán)神經(jīng)網(wǎng)絡(luò)（Clockwork RNNS）是眾多優(yōu)化模型之一。CW-RNNs 簡化了參數(shù)的數(shù)量，降低了循環(huán)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的復(fù)雜性，提高了神經(jīng)網(wǎng)絡(luò)的訓(xùn)練速率和準(zhǔn)確率[7]。為了解決循環(huán)神經(jīng)網(wǎng)絡(luò)對隱含層長時間依賴的問題，CW-RNNs 將隱含層劃分為不同的組（塊）且每組（塊）按照自己的時鐘頻率周期運(yùn)行計算，提升了隱含層的獨立性與計算效率。CW-RNNs 能夠利用時鐘進(jìn)行離散操作，時鐘周期的不同會導(dǎo)致網(wǎng)絡(luò)中隱含層組單元工作的改變。除此之外，所有隱含層使用周期性工作的方式代替同時工作，保證了網(wǎng)絡(luò)訓(xùn)練的速度。以時鐘周期較小組的神經(jīng)元作為神經(jīng)元的連接方向，一般來說，神經(jīng)元與時鐘周期較長組連接可能較小，方向由神經(jīng)元的大周期指向小周期。隨著神經(jīng)元組周期的增大，計算速度降低。

CW-RNNs 網(wǎng)絡(luò)結(jié)構(gòu)如圖1 所示，與傳統(tǒng)循環(huán)神經(jīng)網(wǎng)絡(luò)一樣都包括輸入層（input）、輸出層（output）、隱含層（hidden）。其中隱含層被劃分為g個模塊，每個模塊含有m個神經(jīng)元。每組模塊具有不同的運(yùn)行周期，且每組模塊的神經(jīng)元之間相互連接。CW-RNNs網(wǎng)絡(luò)的輸入、輸出公式如下：

式中，M為隱含層神經(jīng)元相互連接矩陣；Min為輸入層與隱含層之間的權(quán)值矩陣；Mo為輸出層與隱含層之間的權(quán)值矩陣；xt與ht-1分別為第t步的輸入與隱含層第t-1 步的輸出；ht為隱含層第t步的輸出；Ot為第t步的輸出；fh與fo分別為隱含層與輸出層的激活函數(shù)。

其中，

CW-RNNs 的隱含層被劃分為g個模塊組，隱含層滿足（tmodTh）=0 條件時，隱含層執(zhí)行第t步計算。由于每一隱含層的周期是任意的，因此本文CW-RNNs 隱含層組的周期為Th=2s-1（s∈[1，…，g]）。

由于在CW-RNNs 中，各組（塊）都有自己的運(yùn)行周期，因此運(yùn)行周期長的組（塊）處理輸出多依靠信息，而運(yùn)行周期短的組（塊）會進(jìn)行更新。CWRNNs 的誤差傳播與傳統(tǒng)的RNNs 的區(qū)別在于前者的誤差是在隱藏層的執(zhí)行狀態(tài)下傳播，而后者是即使隱藏層組在執(zhí)行狀態(tài)下，也會復(fù)制前面相連的隱藏組進(jìn)行后向傳播。也就是輸出層和連接到左邊執(zhí)行狀態(tài)隱藏層組的后向傳播信息都將產(chǎn)生執(zhí)行態(tài)的隱藏層組的誤差后向信息，而不是只源于其連接到左邊的隱藏層組的后向傳播數(shù)據(jù)[8]。

圖1 CW-RNNs網(wǎng)絡(luò)結(jié)構(gòu)

2 權(quán)重改進(jìn)的粒子群算法優(yōu)化CWRNNs超參數(shù)

目前，神經(jīng)網(wǎng)絡(luò)的最優(yōu)超參數(shù)都是學(xué)者們通過大量實驗仿真尋找的神經(jīng)網(wǎng)絡(luò)最優(yōu)超參數(shù)。由于尋找神經(jīng)網(wǎng)絡(luò)最優(yōu)超參數(shù)需要實驗人員大量的時間與精力，因此研究人員提出了將自動優(yōu)化算法應(yīng)用于神經(jīng)網(wǎng)絡(luò)[9]。神經(jīng)網(wǎng)絡(luò)超參數(shù)的自動優(yōu)化算法有遺傳算法、隨機(jī)搜索算法[10]、粒子群算法等。本文以權(quán)重改進(jìn)的粒子群算法自動優(yōu)化神經(jīng)網(wǎng)絡(luò)超參數(shù)。

設(shè)定粒子Pi的適應(yīng)值為fi，最優(yōu)粒子適應(yīng)度是fm，則粒子群的平均適應(yīng)值為

依據(jù)fi、fm、favg將群體分為3個粒子群，分別進(jìn)行不同的自適應(yīng)操作，其慣性權(quán)重的調(diào)整如下：

1）如果fi優(yōu)于，那么

2）如果fi優(yōu)于，且次于fm，則慣性權(quán)重不變。

3）如果fi次于，則

式中，k1、k2為控制參數(shù)，k1用來控制ω的上限，k2主要用來控制ω的調(diào)節(jié)能力。

權(quán)重改進(jìn)的粒子群算法根據(jù)實際情況確定目標(biāo)函數(shù)與約束函數(shù)。超參數(shù)的最終優(yōu)化目標(biāo)是神經(jīng)網(wǎng)絡(luò)的訓(xùn)練損失率與測試損失率接近于零（即神經(jīng)網(wǎng)絡(luò)模型的故障診斷正確率接近100%）。

目標(biāo)函數(shù)：

式中，A表示神經(jīng)網(wǎng)絡(luò)模型故障診斷正確的樣本數(shù)量；E表示神經(jīng)網(wǎng)絡(luò)模型故障診斷錯誤的樣本數(shù)量。

超參數(shù)包括CW-RNNs隱含層層數(shù)LCW-RNNS、隱含層節(jié)點個數(shù)NHiddenlayer、批量處理樣本數(shù)目SBatchprocessing和學(xué)習(xí)率RLearning，約束函數(shù)為

式中，SBatchprocessingmin、SBatchprocessingmax表示對應(yīng)參數(shù)的最小值與最大值；StapS表示優(yōu)化步長。

3 故障診斷試驗驗證

本文為了有效地實現(xiàn)電機(jī)故障診斷，利用權(quán)重改進(jìn)的粒子群算法調(diào)節(jié)CW-RNNs 的超參數(shù)。CW-RNNs 的輸入樣本盡可能包含故障信號的所有特征。由于不同的故障可能具有相同的故障特征，因此本文將定子電流、振動信號作為神經(jīng)網(wǎng)絡(luò)的輸入來提高電機(jī)故障診斷準(zhǔn)確率。

3.1 試驗數(shù)據(jù)

本文搭建了PMSM試驗平臺，功率分析儀采集定子電流信號，兩個振動傳感器分別采集底座振動信號與輸出軸端振動信號。本文通過更換PMSM零部件模擬電機(jī)不同的故障狀態(tài)（如表1 所示）。本文采集1 000 組正常數(shù)據(jù)，每種故障類型數(shù)據(jù)各采集1 000 組，組成樣本數(shù)據(jù)，其中4 900 組作為訓(xùn)練樣本集，其余2 100 組作為檢測樣本集。樣本數(shù)據(jù)分布如圖2所示。

表1 電機(jī)不同狀態(tài)及對應(yīng)索引號

圖2 主驅(qū)動電機(jī)正常數(shù)據(jù)與故障數(shù)據(jù)分布

3.2 超參數(shù)自動優(yōu)化

隨著基于權(quán)重改進(jìn)的粒子群算法不斷迭代計算最優(yōu)的超參數(shù)，其結(jié)果如圖3 所示。權(quán)重改進(jìn)的粒子群算法在不超過200 次迭代就已經(jīng)達(dá)到收斂，并得到了較低的適應(yīng)度值。經(jīng)過權(quán)重改進(jìn)的粒子群算法的全局尋優(yōu)后，得到CW-RNNs的最優(yōu)超參數(shù)。超參數(shù)迭代過程中超參數(shù)組合的診斷隨時間變化的曲線，如圖4 所示。隨著超參數(shù)組合不斷地更新，故障診斷準(zhǔn)確率也逐步提高。經(jīng)過權(quán)重改進(jìn)的粒子群算法的全局尋優(yōu)后，得到CW-RNNs 的最優(yōu)超參數(shù)。此時采用這種超參數(shù)組合訓(xùn)練一段時間，診斷準(zhǔn)確度可以達(dá)到99%以上。

圖3 權(quán)重改進(jìn)的粒子群算法超參數(shù)優(yōu)化結(jié)果

圖4 超參數(shù)優(yōu)化預(yù)測準(zhǔn)確率變化曲線

3.3 試驗結(jié)果分析

通過權(quán)重改進(jìn)的粒子群算法得出CW-RNNs 最優(yōu)超參數(shù)配置神經(jīng)網(wǎng)絡(luò)模型，CW-RNNs 模型在樣本訓(xùn)練與檢測過程中，網(wǎng)絡(luò)模型的訓(xùn)練損失率與測試損失率變化曲線如圖5所示。CW-RNNs神經(jīng)網(wǎng)絡(luò)的訓(xùn)練損失率與測試損失率隨著迭代次數(shù)的不斷增加而降低，當(dāng)模型迭代次數(shù)達(dá)到300 次之后，神經(jīng)網(wǎng)絡(luò)損失率接近于零。

本文以相同的試驗數(shù)據(jù)為基礎(chǔ)，PSO-CWRNNs與淺層LSTM 網(wǎng)絡(luò)、BP 神經(jīng)網(wǎng)絡(luò)[11-12]、SVM[13]3 種診斷方法相比較，試驗結(jié)果如表2 所示。PSOCW-RNNs 故障診斷方法準(zhǔn)確率高達(dá)99.9%，診斷時間低于90 ms；基于淺層LSTM 神經(jīng)網(wǎng)絡(luò)的故障診斷方法準(zhǔn)確率低于93%，診斷時間高達(dá)650 ms；BP 神經(jīng)網(wǎng)絡(luò)的診斷方法準(zhǔn)確率低于82%，診斷時間超過700 ms；SVM 診斷方法的準(zhǔn)確率低于90%，但高于BP神經(jīng)的診斷方法，診斷時間超過750 ms。在相同試驗條件下，PSO-CW-RNNs的診斷時間與準(zhǔn)確率皆優(yōu)于淺層LSTM 網(wǎng)絡(luò)、BP 神經(jīng)網(wǎng)絡(luò)、SVM3 種方法。PSO-CW-RNNs 方法具有更高的時效性與準(zhǔn)確率。

圖5 CW-RNNs損失率變化曲線

表2 不同方法測試結(jié)果比較

4 結(jié)論

本文提出一種基于PSO-CW-RNNs 模型的神經(jīng)網(wǎng)絡(luò)，能夠準(zhǔn)確地診斷出PMSM故障。通過試驗對比分析發(fā)現(xiàn)，PSO-CW-RNNs方法較傳統(tǒng)信號處理方法有較大的優(yōu)勢。試驗結(jié)果表明：

1）利用PSO 算法對CW-RNNs 的超參數(shù)進(jìn)行優(yōu)化，不僅減輕了研究人員對神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練的工作量，而且提高了工作效率，同時也為神經(jīng)網(wǎng)絡(luò)超參數(shù)設(shè)置提供了新的研究思路；

2）PSO-CW-RNNs 與其他傳統(tǒng)方法相比具有更高的準(zhǔn)確率與時效性。