林躍森 吳思瑩 莊佳揚 林泰民

摘要：本文對基于多尺度殘差神經網絡的無刷直流電機故障在線監(jiān)測系統(tǒng)設計進行了研究，結合人工智能、機器學習和數據可視化等技術，將工業(yè)化和信息化進行融合，設計了一套能夠在線監(jiān)測以及診斷無刷直流電機故障的系統(tǒng)。

關鍵詞：電機故障;深度學習;在線監(jiān)測

中圖分類號：TM921.5? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?文獻標識碼：A? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 文章編號：1674-957X（2021）12-0095-02

0? 引言

近些年，由于無刷直流電機大規(guī)模的研發(fā)和技術的逐漸成熟，其驅動系統(tǒng)在工業(yè)生產中的分布范圍也隨之擴大，已逐步成為工業(yè)自動化領域中的發(fā)展主流[1]。各大廠商也提供不同型號的電機以滿足不同驅動系統(tǒng)的需求。在國內，紡織、冶金、印刷、自動化生產流水線、數控機床等工業(yè)生產方面，無刷直流電機都有涉獵。雖然無刷直流電機應用范圍廣，但一般工作環(huán)境惡劣，易引起機械和電氣故障，進而導致財產損失和安全事故?；诖藢诙喑叨葰埐钌窠浘W絡的無刷直流電機故障在線監(jiān)測系統(tǒng)設計進行了研究。

1? 多尺度殘差神經網絡特點

采用人工神經網絡中的多尺度殘差深度神經網絡，此網絡不僅具有自學習、自適應、非線性映射及良好的泛化能力，還有以下特點：①相對于VGG神經網絡來說，解決了隨著網絡深度的增加，準確率達到飽和然后迅速退化的問題。②在很大程度上解決了梯度消失和梯度爆炸的問題，它使得數十層甚至上千層的網絡在反向傳播的隨機梯度下降上能夠收斂。③更多尺度的卷積核能夠對信號進行更加全面的信息提取。此外，采用多尺度卷積核是因為在一個故障發(fā)生的時候，容易引起其他故障，較小的卷積核能對單一故障進行精確識別，但當故障并發(fā)時，較小的卷積核難以識別出故障發(fā)生的先后，采用大的卷積核能更有效的分清復合故障的類型及其先后順序。

經過實驗，電機的不同故障模式將會發(fā)出不同的振動信號。本方案使用IEPE加速度傳感器[2]通過磁鐵座吸在電機安裝支架上快速采集電機運轉時產生的振動信號，進而進行小波變換，制成時頻圖[3]，將圖片提取，通過由如圖1、圖2所示的人工神經網絡，從而對未知的無刷直流電機故障進行監(jiān)測和分類。根據故障分類，發(fā)出對應的警報，即可有效降低生產風險并為電機的維護帶來極大的便利。

卷積神經網絡（CNNs）在圖像識別已經顯示出了很有前景的結果。然而，傳統(tǒng)的CNN不能夠充分利用多尺度信息，每層只能提取一種尺度的特征信息，為了得到更多的特征，通常的做法是加深網絡層數，但這種做法容易出現(xiàn)過擬合，也會導致計算資源的增加。

在本文中，我們提出將多尺度殘差網絡用于振動信號的識別，其網絡結構可表示為圖1和圖2。

2? 系統(tǒng)設計思路

圖3給出了系統(tǒng)的總體研究方案，其具體流程步驟如下：①在工作的直流無刷電機上安裝IEPE加速度傳感器采集振動信號。②將采集的信號經過數據采集器進行放大、濾波、處理后發(fā)送到服務器。③云服務器與上位機建立通信，上位機將收到的信號包進行小波變換生成圖像，送入已經訓練好的CNN模型進行故障的診斷分類。④上位機將分類結果上次至服務器，若分類結果顯示電機故障，服務器向機組管理人員發(fā)送報警信號。⑤移動端可通過APP實時查看電機的工作狀態(tài)。

3? 軟件設計與實現(xiàn)

通過互聯(lián)網即可隨時隨地檢測設備運行狀態(tài)，當發(fā)生故障時，系統(tǒng)能夠根據采集到的頻譜或波形數據對故障類型進行檢測、識別和報警。

模塊主要功能設計：①系統(tǒng)模塊中涉及到數據采集及數據校驗兩個重要步驟，基本流程如圖4所示。②實時監(jiān)控在這里要使用EChart[4]等組件進行數據直觀展示（異常的數據通過特殊的標簽展示在EChart圖表中），并在Ajax技術[5]支持下實現(xiàn)數據實時刷新。EChart是一個輕量級的JavaScript圖形庫，純js實現(xiàn)，MVC封裝，數據驅動。其特點是重要性和優(yōu)先級依次遞減，設計效果直觀、生動、能夠交互，可個性化定制，如圖5所示。

可視化功能Echart的基本原理如圖6所示。

4? 結語

本文對無刷直流電機故障在線監(jiān)測系統(tǒng)的設計進行了介紹，根據采集電機發(fā)出的振動信號，進而進行信號分析，變換，制成時頻圖，將圖片提取、構造訓練完善的卷積神經網絡（CNN）模型，從而對無刷直流電機故障進行診斷和分類，并運用EChart圖表以數據可視化的形式展示給用戶，為用戶提供更加直觀的數據信息，輔助用戶進行決策。

參考文獻：

[1]Lu Siliang and Wang Xiaoxian. A New Methodology to Estimate the Rotating Phase of a BLDC Motor With Its Application in Variable-Speed Bearing Fault Diagnosis[J]. IEEE Transactions on Power Electronics， 2018， 33（4） ： 3399-3410.

[2]宋先進，王志.基于IEPE加速度傳感器的振動測試系統(tǒng)研究[J].安徽職業(yè)技術學院學報，2019，18（01）：19-22.

[3]王驍賢，張保華，陸思良.基于連續(xù)小波變換和卷積神經網絡的無刷直流電機故障診斷[J].機械與電子，2018，36（06）：29-32.

[4]王子毅，張春海.基于ECharts的數據可視化分析組件設計實現(xiàn)[J].微型機與應用，2016，35（14）：46-48，51.

[5]趙海國.Ajax技術支持下的ECharts動態(tài)數據實時刷新技術的實現(xiàn)[J].電子技術，2018，47（03）：25-27，57.