资源描述
翻译部分 英文原文 of is in of to to of to to in a of to to a to N)is in is as CA is to is on 0 Ns VM of to is on by in an as in to in of do is of of of of of it to to in of or of is to an of in to be to is is on so in a in of 00%is N of as 1. . . . . n ),)of )of or 15V,50 Hz is up is as he of by C to of of of as ,no . is a to up a to to be be as of to be of is s of 2g 32 (1) x x of rv is 2) a is 1)( (3) m2 m3 to m4 is at to of of 4g as 3233 (4) 4244 (5) j k is )1()(1) j k ,(7) C. a is a be or be to of CA)is to Cs) is to a of 3to a of . 1)N is as a in of as ,as Es in is (a)SE on V Cs as (b)V Cs as he is to is so as to to or of of on is LP a Es)in is is SE is in as SE Es SE on V N is ;1; Es 4; of 4 2) N he VM)is a of is by a by of It be to a so it to a of ix(i =1 N) be to by of in by to j i 1 21 )2,(21)( (8) 1Ni . (9) 2,xG a N is of ia of Ni )2,()( (10) (11) a i, , a t, we a an )(1(ii f 0)( ii n )()()1( )()1(12) 0)( ii n )()1( )()1( (13) of i It is to (be to is in (of an an so it be in of BF so is )2,(s ( 2 Nv e c t o r ss p p o r (14) in 12)(,( t a n h ()(21)(i (15) Cs as is by SE . (a)SE on V Cs as (b)V Cs as VM is ; of 64 is as SE V of n) SE V 3)a of of of a is is is is on on V is to 0 a)V b)V 4) is a a of is to of an on a of as or is on a of on a of of as .or c is a is is on on V is to 0 V A F is to be in is it is to of to 0%is in on is is VM is in it 4%0%in as n of NN of of N,VM of is to of is VM .7 is to be on CA is a is to in 4%in 0% in I. of I F 中文译文 基于 神经网络技术的三相异步电动机故障诊断 摘要: 异步电机故障诊断在工业 中十分重要 ,因为需要提高可靠性和降低 由于 机器故障 造成的生产 损失。由于环境压力和许多其他 的 原因 使 异步电动机发生不同的故障。许多研究者提出了不同的故障检测和诊断技术。然而,目前许多 技术 需要提供良好的专业知识才能在 应用中获得成功。更简单的方法是 可以 使 用 相对不熟练的操作在 不需要诊断专家仔细考察数据和诊断问题的情况下做出可靠的判断 。本文 提出了 简单,可靠,经济的 基 于 神经网络( 的 故障分类,其中电机定子电流作为输入信号。 从 定子电流 中 提取 13 个参数 并使用 择合适的输入。 数据来自于特别设计的 2马力、 4极 50了 分类,如 神经网络像 基于 别分析 欧进行了验证。 对噪声分类器的鲁棒性的验证,也通过在输入和输出引进高斯和统一控制进行了验证。 关键词: 异步电动机,故障诊断, 别分析, 异步电机 作为主驱动设备 在生产 、 工业和运输中由于其可靠性和 结构 简单发挥重要作用。尽管 由 于它 们的 稳定 性和可靠性, 它 们偶尔也会 发生故障和 意外停机 ,造成很大的损失。 因此, 它 们需要不断的关注。感应电动机的故障不仅会导致产品的运作中断,而且增加成本,降低产品质量,影响操作人员的安全。如果 延长 异步电机寿命和提高生产线效率,这将 花费更少 的生产费用, 使 终用户 可以以 更低的价格 购买 。为了保持机器的状态良好,一些技 术 , 如 故障监测,故障检测和故障诊断变得越来越重要。感应电动机的最常见的故障是轴承故障,定子绕组故障,转子断条或气隙 不合理 。 本研究的目的是发展一种替代人工神经网络的早期故障检测计划,克服在这个 方案 上的局 限 性 ,目前的 方法很 昂贵,对于大型电动机适用,而且许多设计参数要求,特别是涉及到长时间运作的机器,这些参数不能提供方便。相对于现有的 方案 ,这项 方案 很简单,准确,可靠和经济。这项研究工作是基于实时数据等,提出基于神经网络分类器显示一个真正的产业状况的实际可行性。 本文提出四个不同神经网络结构在与各种各样的表现,并且达到 100%分类准确性。 如图 出的故障检测和诊断计划包括四个步骤: 收集与采集 在 本 中最 常见的故障,即定子绕组匝间短 路 ( 1),转子动态偏心( E)和 二者皆有( B) 。 图 1 一般结构图 用于实验和数据生成而特别设计的 2 马力,三相,四极, 415V, 50 异步电动机已选好。所做实验设图 2所示。 图 2 实验装置 调整弹簧秤和传送带改变马达的装载。三 个 交流电流探针,用于测量定子测试故障诊断系统的电流信号。 最大使用频率信号是 5 抽样的数据的数量是 2500。 定子电流波形图 3所示,在不同的条件 下 ,没有明显的差异存在。 图 3 定子电流实验波形 有必要得出一个根据提取特征判 断分类故障的方法。为了对不同的故障,使用了统计参量。 确切地说,对当前的数据 进行统计将会得出样品资料 。全部 13 个参数作为输入特征计算。 考察的 最小 统计量 包括平均信号(这 里 是标准差)的均方根( 最高和最低值的偏斜系数和峰度系数。皮尔逊的 偏斜 系数, 2g 定义为: 32 ( 1) 其中 x 表示 平均值, x 表示位数 ,样本变化参数 义为: ( 2) 数据的样本平均数在 样时刻的值为: 1)( ( 3) 2m 表示中心的范围, 3m 是指对中心偏度 ; 4m 表示中心集合的数据数量。其次,第三和第四的时刻是用来定义样本偏度系数的3g 如下: 3233 ( 4) 4244 ( 5) 尺寸之间的样本协方差 j和 )1()(16) 普通关联系数 j 和 k , ( 7) 在将一个特征送入分类器前, 最 明显的 故障提供相关的信息优势,应 从 设置功能 中 选择功能不相干的或多余的功能必须被丢弃,以提高分类器的性能,避免 维度的危害 。这里的主成分分析( 术用于从原来的 特征中选择最优的特征 。主成分( 计算由皮尔逊规则 完成 。图 4 与 一个数学对象有关 ,即 特征值,这 个特征值 反映了从 13 个 维到一个较低维的 投影质量。 图 4 主成分,特征值和百分比变化 ( 1)基于多层感知器神经网络分类器 简单的多层感知器( 经网络,作为一个故障分类。四个处理单元输出层中使用的电机 有 四个条件,即 合理 ,匝间故障,偏心 这两种故障。如 图 5 所示的结果,选择 5个项目合作安排为输入,因此在输入层 。 图 5(a)微型和小型企业的平均变化对培训和电脑的数量作为输入 图 5(b)变异的平均分类精度对测试的测试数据,培训资料,并与电脑的数量作为输入数据 将 随机数据输入到神经网络,并已培训了 5 倍不同的随机初始化重量,以消除偏置,并确保真正的学习和不同的隐藏层的 推广。 研究表明 ,这种方法用单隐层可提供较好的性能。这个数目的处理单元 (隐层是多种多样的。 该网络进行训练最小均方误差为 5时获得 处理单元 是在隐藏层 如 图 6所示。 图 6 平均均分误差和处理单元的数目隐藏层 各种传输功能,即双曲正切、 性曲线、线性弯曲、 偏置轴突 、 线性轴突 、学习规则 ,即原动力、 共轭梯度 、快速传播,进行训练验证要按步骤进行,交叉验证测试最小均方误差与平均分类精度的训练和变异系数数据集进行了比较。 结果表明,双曲正切传递函数和学习规则的势头给予最佳的成果。 最后 ,利用上述试验 ,该神经网 分类器设计 ,规格: 数字的输入 ,以隐藏层个数 :1; 在隐层处理单元数目: 04; 隐藏层: 双曲正切函数 学习规则:动量 步骤: 6 动量: 输出层: 双曲正切传递函数 学习规则:动量 步骤: 动量: 接权数: 44 所需培训的时间: 2) 基于神经网络支持向量机分类器 支持向量机 (一种新的有两个概念的分类器。首先,进入一个高维转换可将复杂的问题转换为更简单的问题,可以使用线性判别函 数。其次,支持向量机的动机是基于概念的基础上 ,利用投入训练 ,只用那些在它们的表面附近最大限度的信息分类。它可以扩展到多个级别,支持向量机的训练总是寻求一个全面性的优化方案 ,避免了拟合 ,所以它有能力去处理大量的特征。 通用算法的分类器: 对于 N 维空间数据 ,该算法可以轻易ix(i =1 N)延伸到网络代替的内积空间的输入核函数 ,从而导致下列二次优化问题。 j i 1 21 )2,(21)( ( 8) 限制条件为 01Ni . ( 9) 其中 2,一个高斯函数, i是一个乘数集(每个样品 1个 ) Ni )2,()( ( 10) 及 )(( 11) 选择一个常见的起始乘数i、学习速率 ,和一个小的阈值。然后,当 Mt,我们选一个模式)(1(ii ,执行校验。 如果 0)( ii n )()()1( )()1(( 12) 如果 0)( ii n )()1( )()1( ( 13) 之后 ,只有一部分不为于零 (称为支撑向量 )。这是很容易实现核算法从 )(法各局部乘数 , 在输入文件中可得到所需的反应。事实上 ,表现为多元化 )(所以它可以激活被包括在这个框架中的神经网络的学习。核心算法是 络的本质使其输出测试由: )2,(s ( 2 Nv e c to r ss p p o r ( 14) 与成本函数的误差准则 1 2)(,( t a n h ()(21)( i i ( 15) 电脑 的信息都将输入以及 步长通过检查平均最低 均方误差 与平均分类精度 莱 选择 , 结果 如图 7所示。 图 7(a) 电脑输入的培训和变形系数的均方误差的变化 图 7(b) 电脑输入的检测试验数据、训练数据、变形系数的平均分类精度的变化 基于支持向量机分类器的设计 ,规格: 输入数: 5 步长: 个时间的样本: 量的连接权: 264 设计分类器进行训练和测试使用类似 数据和计算结果显示在图 8和图 9 图 8 最小均方误差的变化对测试的平均测试数据 ,变形系数 数据和训练数据的转移 (n) 图 9 最小均方误差变化的平均训练变异系数多种多样的集合 (3)分类和树状结构 分类 和树状结构是特征空间的划分的过程,是二进制递归的数据集。所产生的树木包括内部节点和终端节点或叶节点。第一阶段叫树的构造 ,第二阶段是树修剪分类树,开发利用 施和最大的树的深度 ,结果显示如图 10。研究表明 ,优化平均分类精度进行测试的试验数据分别是 80%。 图 10(a) 平均分类精度的变化对测试 试验数据和变异系数数据的方法与措施 图 10(b) 平均分类精度的变化对测试 试验数据和变异系数数据与深度的树状结构 ( 4)判断分析 判别分析对一组观察数据进 行预定义的技术。 其目的是要确定一个观察 组 作为一个已知输入变量或预测变量的基础。 该模型建立了一套已知的观测数据。该套观测有时被称为基于训练集的培训,这项技术建立了一套线性函数的预测因子 ,叫做判别函数 ,即 . b 是判别系数 ,, x 为输入变量或预测因子即 c 为常数。 这些判
展开阅读全文