模糊熵特征选择与SVM在三相异步电机故障诊断中的应用
肖永茂，鄢威，龚青山
（1.黔南民族师范学院计算机与信息学院，贵州 都匀 558000；
2.武汉科技大学绿色制造工程研究院，湖北 武汉 430081；
3.湖北汽车工业学院汽车动力传动与电子控制湖北省重点实验室，湖北 十堰 442002）
三相异步电机以其结构简单，运行效率高被普遍应用于实际生产中。然而由于异步电机工作原理的特殊性，异步电机通常工况恶劣不可控加上其本身结构复杂，因此故障发生率居高不下。电机耗电量巨大，其占整个电力系统耗电量60%以上，故障一旦发生，对正常生产、经济效益和人身安全都会带来严重隐患，因此对异步电机实施有效的早期故障诊断，对其本身的正常运行至关重要。
文献［1］针对电机故障特征信号处理数据量大的问题，提出运用SPIN算法，有效提取电机故障特征信号，实现电机在线诊断。文献［2］针对转子系统故障难识别的问题，提出模糊熵的诊断方法。采用模态分解得到模糊熵样本值来有效获取振动信号，为故障诊断建立理论基础。文献［3］选用RBF核函数的算法，通过特性分析和参数优化对电机进行诊断。文献［4］运用参数估计算法，通过研究获取电机故障的4个特征参数，结合仿真分析验证了该方法的可行性。文献［5］针对支持向量机在故障分类上的多故障分类问题，研究了如何运用样本集进行训练测试，探索了实现有效故障诊断的方法。文献［6］针对电机启动易出现故障的问题，提出运用STFrFT方法，有效表征了异步电机故障特征频率变化趋势。文献［7］提出了运用近似熵与SVM结合的方法对发动机故障信号进行识别和诊断。文献［8］基于变分模态分解模糊熵方法，有效获取了振动信号特征量值并结合算法对断路器进行在线诊断。
基于以上分析，当前针对故障信号的提取方法进行了大量的研究，并试图通过故障信号有效识别对故障进行早期预警与诊断。本研究由于研究对象异步电机的振动信号区别微弱，采用一般的信号分析方法难以有效量化。因此提出采用基于模糊熵特征选择与支持向量机（Support Vector Machine，SVM）融合的方法对异步电机开展故障诊断。通过设计故障再现实验，分别测取其对应的振动信号，通过对信号测取与处理得到相应的模态分量，计算其对应的模糊熵值并获取特征向量，最后结合支持向量机分类器在故障分类上的高准确性，达到对电机不同状态类别诊断的目的。
模糊熵是基于样本熵提出的一种改进算法，其主要应用在信号复杂难以量化的问题，能有效量化信号指标。模糊熵的计算步骤具体如下。
设备作业时都会存在机械振动，因此可以构造故障再现振动信号测取试验［9］。据统计实际工作中电机故障主要有：转子弯曲、转子不平衡和基座松动，加上正常电机因此需构造4种电机类别实验。电机在实际作业时导致其振动的振源较多，加上任何机械设备都存在着固有机械振动，因此想有效提取其对应的故障特征信号较难，基于此本研究选用模糊熵信号分析方法。其算法流程，如图1 所示。
图1 算法原理示意图Fig.1 Schematic Diagram of Algorithm Principle
3.1 异步电机不同故障状态模拟试验
本研究选用Marathon 公司的HJN1 100L1−4 型号的三相异步电机，在某高校电机实验台上进行不同故障再现试验。采用INV（英维）数据采集系统，分别对电机3种常见的故障状态类别加上正常电机共4种状态进行信号采集，相关参数，如表1所示。
表1 试验采用4种状态三相异步电机相关参数Tab.1 The Test Uses 4 States of Three-Phase Asynchronous Motor Related Parameters
实验安排：
在某实验台上进行不同故障再现试验。实验所用相关器件及性能参数如下：
异步电机HJN1 100L1−4，标准电压380V，标准功率2.2kW，电机转速为1425r/min，重量35kg。
加速度传感器CA−YD−186，频率范围：（0.1～6）kHz。
YE3832 IEPE信号适调器，输出幅度：2.5V±2.2V。
对异步电机故障模拟试验，分别选取四种状态类别的电机进行试验。实验现场，如图2所示。系统采样频率fs=50kHz，采集时间t=10s。依据生成波形图，频率设置满足试验要求。分别在电机端盖及定子外安装加速度传感器，采用磁铁固定以获取2个测点振动信号，单个测点测取20个样本，在故障实验台上分别更换4种状态的电机，即共（4×2×20）个样本。随机选取正常电机及转子不平衡某一段1s时域波形，如图3、图4所示。
图2 振动测试试验系统Fig.2 Vibration Test System
图3 正常电机Fig.3 Normal Motor
图4 转子不平衡电机Fig.4 Rotor Unbalance Motor
对比图3、图4 可发现，转子不平衡比正常电机振动要更强烈，但不能直接作为故障状态判别。因此还需进一步信号处理，据此引入模糊熵算法。
3.2 模糊熵参数确定
设置模糊熵参数m、r和N，依据统计学分布，通常m=2，r=0.1～0.25SDx，（此处SDx为原始数据u(i)的标准差），N为100～5000。
3.3 模糊熵特征向量提取
基于故障再现试验，采集到异步电机（4×2×20）个振动样本，设每个振动信号为x(i)，故有x(1)，x(2)，…，x(160)共160 个点。对应某一状态i下双侧点所测样本值Ti如下：
对应第i种状态有（20×2）的样本矩阵，基于式（9）确定每一个模糊熵值便可以得到相应矩阵，将其每行划分得到20个特征向量。因此电机某一状态下有20 个模糊熵特征量，即Si=[Ei，1Ei，2…Ei，20]T，异步电机模拟试验共4 种类别，即共对应80个模糊熵特征向量。
数字PCR打破传统的食品检测技术，不受扩增效率约束、无需使用内参基因与标准曲线，检测准确度高，并且具有较强的灵敏性、耐受性和绝对定量的优势。现如今，数字PCR技术已经得到了广泛应用，未来发展前景非常广阔。
基于上述分析结果，考虑到划分的特征向量属于小样本集且故障类别明确，选用支持向量机算法［7］对故障进行诊断。
4.1 支持向量机（SVM）算法
异步电机故障分类问题属于线性回归问题，可用式（10）来表示：
故障分类诊断可由式（11）求其min值表示：
式中：c—惩罚因子；
ξ，ξ∗—松弛变量的上下限。
约束条件为：
支持向量机模型构建流程图，如图5所示。
图5 SVM构建流程图Fig.5 SVM Construction Flow Chart
4.2 异步电机故障诊断
构建SVM多故障分类器，其模型为：
基于上述试验设计安排，分别在4种状态的电机端盖及定子外安装加速度传感器，获取2个测点振动信号，因此每组状态可获取1#测点和2#测点的测试样本，且由于单个测点测取20个样本，即共（4×2×20）个样本。
利用SVM对异步电机4类状态进行诊断，4种状态各20组，即共4×20 组特征量。划分其中60 组进行训练，剩余20 组进行验证。将训练样本带入SVM故障诊断分类器进行训练，而后运用测试样本验证。每种状态选取10 组测试数据，进行4 次测试，每种状态测试10组。其中每组状态的前4组测试数据，如表2所示。
表2 异步电机各状态类别的模糊熵值Tab.2 Fuzzy Entropy Values of Each State Category of Asynchronous Motor
依据训练样本在Matlab 中进行训练，当Ci和σi参数在：C=100，σ=1时，训练精度最高。同时利用所构建SVM故障分类模型对表2中数据进行验证，其分类结果，如图6所示。
图6 模糊熵与SVM结合故障分类Fig.6 The Combination of Fuzzy Entropy and SVM for Fault Classification
从图6可发现，运用SVM分类模型对测试样本进行诊断，准确率为97.5%，仅有一个转子弯曲被误判为基座松动故障。
4.3 SVM与改进BP神经网络故障诊断方法对比
选择改进BP神经网络［10−11］对异步电机模糊熵特征量进行诊断，采用3层拓扑结构构造异步电机分类模型，同样选择相应的训练样本和验证样本，先对模型训练而后进行验证，其分类结果，如图7所示。从图7结果可发现，一个正常电机状态被误认为转子不平衡故障、一个转子弯曲故障被误认为基座松动故障，一个基座松动故障被误认为转子弯曲故障，共有三组状态类别被误判，准确率为92.5%。
图7 模糊熵与BP神经网络结合故障分类Fig.7 Fault Classification Based on Fuzzy Entropy and BP Neural Network
4.4 结果对比与分析
运用常用的故障诊断方法SVM 与改进BP神经网络进行对比，从图6、图7可发现，运用模糊熵与SVM结合对异步电机故障类别进行诊断，仅有1组出现误差，诊断精度为97.5%，而运用改进BP 神经网络进行诊断出现了3 组类别误判，诊断精度为92.5%。对比结果，如表3所示。
表3 诊断结果对比Tab.3 Comparison of Diagnostic Results
结合表3、图6、图7可看出，采用模糊熵结合SVM 故障诊断方法对异步电机具有更高的准确度，且在训练时间和测试时间上更快，而基于BP神经网络的诊断方法，其在大样本，循环学习中具有优势，因此在这里的研究中，选用模糊熵结合支持向量机方法对异步电机进行故障诊断，其诊断精度和效率更高。
（1）针对三相异步电机容易出现故障、早期预警难，故障难识别，提出一种模糊熵特征选择与SVM相结合的故障诊断方法。
（2）通过设计故障模拟再现试验，利用振动诊断技术，测取其4种不同状态的振动信号，运用模糊熵算法对每个信号进行模糊熵求值，获得了对应的模糊熵故障特征量。
（3）选用模糊熵处理异步电机故障状态的振动信号，结果表明模糊熵能有效处理不规则信号且结合SVM对异步电机进行故障诊断，对比BP神经网络方法，其诊断精度和效率更高。
猜你喜欢异步电机故障诊断电机基于包络解调原理的低转速滚动轴承故障诊断一重技术(2021年5期)2022-01-18泵用电机水润滑轴承选择与应用防爆电机(2021年3期)2021-07-21关于电机滚动轴承的选择与计算防爆电机(2021年3期)2021-07-21瞻望电机的更新换代防爆电机(2021年1期)2021-03-29户外防腐蚀型防爆三相异步电机设计防爆电机(2020年5期)2020-12-14大型变频调速异步电机的设计防爆电机(2020年4期)2020-12-14数控机床电气系统的故障诊断与维修电子制作(2018年10期)2018-08-04电机隐忧能源(2016年2期)2016-12-01因果图定性分析法及其在故障诊断中的应用重庆工商大学学报（自然科学版）(2015年10期)2015-12-28第三方异步电机在MTX micro控制系统中的应用组合机床与自动化加工技术(2014年10期)2014-03-01相关推荐：