感应电动机故障诊断方法详解

2023-06-28 理论教育版权反馈

【摘要】：利用稀疏去噪编码学习振动数据内在特征并完成深度神经网络的训练，对感应电动机进行故障诊断。为了更好地证明提出的稀疏去噪自动编码器构建的深度神经网络可以更加有效地实现感应电动机故障的诊断，可设置基本BP神经网络作为对比，根据上述实现的深度神经网络的结构，考虑三种结构的BP神经网络。

感应电动机作为一种必不可缺的驱动装置，在现代工业生产中占据着重要地位。一旦电动机出现故障，不仅影响生产设备的整体生产效率，造成经济损失，严重时可能会引发灾难性的事故。因此为了保障生产系统的安全运行，及时发现问题并进行维修以减少生产损失，对感应电动机进行状态检测与故障诊断具有非常重要的意义。

随着人工智能、机器学习方法的兴起和不断发展，从数据本身自动学习数据有效内在表达的思想和方法为感应电动机状态检测和故障诊断提供了切实有效的研究应用新思路。

利用稀疏自编码和去噪自编码，把它们结合到一个自动编码器模型上，提出基于稀疏去噪自动编码的感应电动机故障诊断方法。利用非监督特征学习算法实现的稀疏自动编码器，完成对深度神经网络的初始化，然后利用编码器学习到的稀疏特征表达训练最后一层神经网络分类器，最后完成整个深度神经网络的训练与微调。为获取更好的特征表达，体现稀疏自动编码算法的良好噪声包容性，在稀疏编码的基础上加入了去噪编码，共同训练得到能够提取数据更具有鲁棒性特征的稀疏去噪自动编码器，用于更好地构建深度神经网络，实现有效的感应电动机故障诊断。由于稀疏去噪自动编码器是一种非监督特征学习方法，所以其构建的深度神经网络在训练过程中可以从大量的无标签数据中挖掘数据内在特征，大大扩展了训练样本的数量，非常适用于实现感应电动机设备的大数据挖掘，对于感应电动机的状态检测与故障诊断具有重要的意义。

对于编码器来说，隐含层就是提取到的特征层，而隐含层的表达式以连接权值W和偏移b为参数的函数，因此得到最优化的W和b参数，就能够按编码器的参数初始化深度神经网络，提取标签数据简明有效的特征表达。编码器模型是一个一个训练的，然后堆叠在一起可以构成深度神经网络，编码器的训练相当于是对深度神经网络的预训练，可以取得较好的训练结果，避免了传统神经网络在层数递增时容易陷入局部最优的缺陷，大大增强了网络的性能。由于Coates等人通过实验指出深度神经网络模型中隐含层神经元的数量可能比特征学习算法以及模型深度更加重要，研究发现在隐层神经元数量合适的情况下能取得和深层网络近似的效果。因此我们的案例主要针对一层稀疏去噪自动编码器实现的深度神经网络进行了研究，并利用dropout方法增加了网络特征提取的能力，减少过拟合现象。实现的深度神经网络的整个训练流程如图7-6所示。

pagenumber_ebook=180,pagenumber_book=164

图7-6　深度神经网络训练流程图

主要描述可分为以下3个步骤。

步骤1：用不带标签电机振动数据X1训练稀疏去噪自动编码器。

①构建自动编码器模型，设置网络学习率ε、稀疏参数ρ、去噪参数、dropout参数等，随机初始化模型连接权值W和偏移b；

②设置前向传播算法中批量训练数、迭代次数等，执行前向传播算法，计算平均激活量ρj；

③利用编码器网络输出，计算稀疏代价函数；

④执行反向传播算法，并更新连接权值。

步骤2：用带标签的电机振动数据（X2，Y2）训练深度神经网络进行监督分类。

①构建对应层次的深度神经网络，将步骤1中得到的稀疏去噪编码器权值W和偏移b等参数用来初始化深度神经网络的第一层参数；

②设置网络的学习率、批量训练数和迭代次数、dropout参数等，训练网络，提取特征并进行分类；

③计算深度神经网络的代价函数和均方误差；

④执行与之前相同的反向传播算法过程（仅稀疏项置零），网络迭代一次更新一次权值，对整个网络进行微调。

步骤3：用测试数据集（X3，Y3）测试网络性能。

①将测试数据输入训练好的深度神经网络，网络隐层输出值会按照dropout比例衰减，深度神经网络自行分类，得到输出分类层；

②将网络输出数据与标签输出数据对比，统计每类的分类错误率。

利用三轴环形式的工业加速度传感器配合NI-PCI6259数据采集系统用来采集六种不同运行状态下感应电机振动信号。一般情况下振动信号都伴随着能量聚集，而当电动机出现故障时，振动信号的能量分布就会发生相应的变化，这些变化都会在采集到的振动数据中以某种形式体现。利用稀疏去噪编码学习振动数据内在特征并完成深度神经网络的训练，对感应电动机进行故障诊断。在调试模型时，随机抽取每类总样本数据的2/3作为训练数据，剩下的1/3作为测试数据，最终每类数据都有400组训练样本、200组测试样本，每一组训练样本都含有2000个连续的数据采样点。

数据模型是基于稀疏去噪自动编码器的深度神经网络（DSAE-DNN），编码器输入层、隐含层和输出层节点分别设置为2000、600和2000，因为主要研究的是一层编码器的效果，并且要分类的电动机运行状态有六种，所以相应的深度神经网络结构为2000-600-6。深度神经网络利用稀疏去噪自动编码器去学习数据稀疏有效的内在特征，然后进行分类训练，最后利用反向传播算法对整个网络进行真题微调，获得最优网络用于故障模式识别。

为了更好地证明提出的稀疏去噪自动编码器构建的深度神经网络可以更加有效地实现感应电动机故障的诊断，可设置基本BP神经网络作为对比，根据上述实现的深度神经网络的结构，考虑三种结构的BP神经网络。前两种都是只含一层隐层的神经网络，隐层节点数分别设置为100和600，表示为（NN100）和（NN600）；另一个是含有两层隐含层的BP神经网络，隐层节点分别为100和600，表示为（NN600-100），输入和输出层节点设置与构建的深度神经网络一致。考虑更全面的展示稀疏去噪自动编码器能有效地提取感应电动机振动数据的内在特征，分别在稀疏去噪自动编码器顶层加上另外两种分类器，支持向量机（support vector machine，SVM）分类器和softmax分类器，对编码器学习到的特征进行分类。为了结果的公平性，实验中所用的DSAE模型设置都保持一致，只是SVM分类器和softmax分类器在这里都是一层分类器不能对DSAE模型的连接参数进行整体微调。

如表7-1所示，实验结果都是通过10次随机实验取平均值的结果。通过分类结果对比，可以很明显地看到由稀疏去噪自动编码器实现的深度神经网络具有最好的故障分类结果。对于传统神经网络模型，效果相对较好的是含有两层隐含层的BP神经网络，考虑是增加了网络的层次使得数据的表达能力增强造成的，但是这种浅层网络单靠增加层次会引起网络的不稳定问题。表中结果也可以看到不论BP神经网络的隐层神经元的数量是与稀疏去噪自动编码器隐层神经元数量一致（600）还是不一致（100），由稀疏去噪自动编码器实现的深度神经网络对故障的分类都根据准确，一层的BP神经网络不能很好地在原始振动数据上实现感应电动机的故障识别和分类，而且通过结果也可以分析出，BP网络隐层神经元数量越多，其分类效果不一定越好，可能会导致过拟合。由稀疏去噪自动编码实现的深度神经网络即时在标签训练样本只有40组的情况下仍有85%左右的平均故障分类正确率，仍高于BP神经网络在标签训练样本为400组（10倍）时约80%的平均故障分类正确率，这再次说明深度神经网络非监督特征学习的优势，这点对于机械设备的大数据特征挖掘和故障检测诊断的有效实现具有重要意义。

表7-1　电梯故障预测结果

pagenumber_ebook=182,pagenumber_book=166

本案例利用稀疏自编码和去噪自编码，把它们结合到一个自动编码器模型上，提出基于稀疏去噪自动编码的感应电动机故障诊断方法。利用大量无标签电动机振动数据训练稀疏去噪自动编码器，提取数据的内在简明且稀疏的特征，进行有效的无监督特征学习，进而用于深度神经网络的构建，实现感应电动机的大数据特征挖掘与故障诊断。深度学习模型的智能感应电动机故障诊断方法，用于多工况下的感应电动机故障诊断。

感应电动机故障诊断方法详解

相关推荐