【正文】 paper. This researchwork was funded by the Academy of Finland.電機(jī)故障診斷的軟計算方法摘 要在過去的十年里，軟計算(計算智能)引起了來自不同領(lǐng)域研究的極大興趣。在本文中，我們對基于軟計算的電機(jī)故障診斷這個新興領(lǐng)域的最近發(fā)展事態(tài)進(jìn)行了概述。幾個典型故障診斷方案運(yùn)用生動的圖表以及簡化算法來利用神經(jīng)網(wǎng)絡(luò)、模糊邏輯、神經(jīng)模糊和遺傳算法。他們的優(yōu)缺點(diǎn)被進(jìn)行了比較和討論。我們認(rèn)為軟計算方法有極大的潛力在于處理困難的故障檢測和診斷問題。1. 介紹 交流和直流電機(jī)廣泛應(yīng)用在各種工業(yè)應(yīng)用。改變的工作環(huán)境和動態(tài)加載總是拉緊和磨損電動機(jī)而且導(dǎo)致例如短路、軸承破碎和轉(zhuǎn)子條損壞的潛在故障。如果得不到正確的檢測與處理，這些錯誤可能導(dǎo)致嚴(yán)重的性能退化和最終的系統(tǒng)故障。提高安全性和可靠性才能實(shí)現(xiàn)良好的早期故障診斷策略，這個策略會讓預(yù)防性維護(hù)保養(yǎng)的概念得以產(chǎn)生。此外, 采用先進(jìn)的檢測方法去尋找那些發(fā)展中的失敗，使得大量的維護(hù)成本得以保留。因此,馬達(dá)驅(qū)動監(jiān)測、故障檢測與診斷在電氣工程領(lǐng)域是非常重要的和富有挑戰(zhàn)性的課題。軟計算方法作為一個新興的智能計算,匹敵人類頭腦推理和學(xué)習(xí)不確定性和不精確情況的卓越能力。與硬計算方法相比之下, 只有處理精度、確定性、和嚴(yán)密性,它在獲取不精確或次優(yōu)是有效的,但對經(jīng)濟(jì)而有競爭力的現(xiàn)實(shí)世界問題的解決方案就不是有效的了。正如我們所知, 來自運(yùn)營商的定性信息在早期階段的準(zhǔn)確和魯棒電機(jī)故障診斷中起重要作用。因此,對于這個區(qū)域的軟計算介紹,可以給我們提供比常規(guī)方案更具特色的適應(yīng)性、靈活性、和嵌入式語言知識。一個關(guān)于電機(jī)故障檢測與診斷方法的最新報告最近刊登在一個特殊的章節(jié)。這篇綜述如下組織。首先,我們給第二節(jié)的傳統(tǒng)的電機(jī)故障診斷做個簡要介紹。包括工作原理、系統(tǒng)構(gòu)成、和計算算法的基于軟計算方法會在接下來的章節(jié)討論。我們分別在3 6節(jié)提出一些有趣的利用軟計算方法的電機(jī)故障診斷方案,如神經(jīng)網(wǎng)絡(luò)、模糊邏輯、模糊,遺傳算法（GAs）。簡要介紹和比較了它們的優(yōu)點(diǎn)和缺點(diǎn)。一些結(jié)論被寫在文章的結(jié)尾。有眾多電機(jī)故障檢測與診斷的傳統(tǒng)方法。最簡單的方法就是直接檢查。它需要仔細(xì)檢查個體電機(jī)的情況來找到有問題的故障。如果電機(jī)有一個裝有潤滑油的齒輪箱，一個類似的程序就被稱為電機(jī)被潤滑的粒子分析。首先采樣石油,然后石油被實(shí)驗(yàn)室檢查,來檢測可能的缺點(diǎn)。不過,這會導(dǎo)致費(fèi)時和昂貴的檢查。另一方面,上述兩種方法更適用進(jìn)行日常的維護(hù)保養(yǎng)。 經(jīng)典的參數(shù)估計方法也可以合理地應(yīng)用于電機(jī)故障檢測與診斷問題。潛在的想法是基于一些實(shí)際電機(jī)的測量信號,我們用參數(shù)識別技術(shù)來估計有關(guān)資料電機(jī)的工作狀態(tài)。圖1說明了這種故障檢測過程。參數(shù)估計策略適合實(shí)時的案例。然而,它需要深刻理解電機(jī)的工作原理以及一個精確的數(shù)學(xué)模型。另外,隨著電機(jī)的老齡化，原模型變得不是那么準(zhǔn)確了。在過去的幾年，利用軟計算克服上述傳統(tǒng)診斷策略面臨的困難。一般來說,軟計算方法包括三個基本研究范式:神經(jīng)網(wǎng)絡(luò)、模糊邏輯、氣體(進(jìn)化計算)。在本文，我們討論了最近基于軟計算電機(jī)故障診斷研究的進(jìn)展。,在這個電機(jī)故障檢測與診斷區(qū)域，神經(jīng)網(wǎng)絡(luò)、模糊邏輯、和它們?nèi)诤显谝黄鸬腉As,如神經(jīng)模糊這些應(yīng)用將會分別出現(xiàn)在接下來的段落里。由于其強(qiáng)大的非線性函數(shù)近似法和自適應(yīng)學(xué)習(xí)能力,神經(jīng)網(wǎng)絡(luò)在電機(jī)故障診斷領(lǐng)域已經(jīng)引起了廣泛的關(guān)注。Chow和他的同事們已經(jīng)對基于神經(jīng)網(wǎng)絡(luò)的故障檢測方案進(jìn)行了綜合調(diào)查。他們?yōu)槌跗诘碾姍C(jī)故障診斷提出了一個典型的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),正如圖2所舉的例子。這里的初期故障指的是在一個式籠形異步電動機(jī)的匝間絕緣和軸承磨損。在圖2, I是定子的穩(wěn)定電流，ω是轉(zhuǎn)子轉(zhuǎn)速，以及Nc和Bc是電機(jī)繞組絕緣和軸承的條件。從異步電動機(jī)的特性方程，我們知道在輸入(I, ω)和輸出(Nc, Bc)之間的關(guān)系是高度非線性的。因此,建立BP神經(jīng)網(wǎng)絡(luò)應(yīng)用到近似這種關(guān)系。訓(xùn)練結(jié)構(gòu)如圖3。I和ω的測試值很容易從在線測試數(shù)據(jù)中得到。事實(shí)上，圖2的BP神經(jīng)網(wǎng)絡(luò)的輸入可以進(jìn)一步擴(kuò)大到包含更多的I和ω, 如I2和ω2，這些將會增加收斂速度。另一方面,Nc以及Bc應(yīng)該被圖3顯示的人類專家所評估。更確切地說,基于對培訓(xùn)電機(jī)的工作條件和定性故障診斷知識的觀察，定量描述了電機(jī)的Nc和Bc測量值分別被分為三個條件水平,{好,公平的,壞},檢測Nc和Bc的消息隊(duì)列。在神經(jīng)網(wǎng)絡(luò)被訓(xùn)練來學(xué)習(xí)專家診斷經(jīng)驗(yàn)之后，他如圖4所示被應(yīng)用在網(wǎng)上。從電機(jī)運(yùn)行條件、定子電流、轉(zhuǎn)子轉(zhuǎn)速上判斷，神經(jīng)網(wǎng)路可根據(jù)上述三種故障的水平顯示故障隱患。Filippetti等提出了一種類似基于BP神經(jīng)網(wǎng)絡(luò)的電機(jī)故障診斷方案來檢測破碎的轉(zhuǎn)子條的數(shù)量。神經(jīng)網(wǎng)絡(luò)的訓(xùn)練數(shù)據(jù)從健全以及模擬故障的機(jī)器中獲得。他們有前途的方案在模擬中有正確率100%的診斷圖2. BP神經(jīng)網(wǎng)絡(luò)故障檢測的開端從以上討論,得出對電機(jī)故障診斷利用神經(jīng)網(wǎng)絡(luò)的動機(jī)是由于它們的適應(yīng)性和非線性逼近能力,可以設(shè)置指示故障和有效的測量信號之間的關(guān)系。然而,基于神經(jīng)網(wǎng)絡(luò)的電機(jī)故障診斷的關(guān)鍵缺點(diǎn)是來自電機(jī)操作員的定性和語言信息不能直接利用或鑲嵌在神經(jīng)網(wǎng)絡(luò)里,因?yàn)樗麄円詳?shù)值為導(dǎo)向的黑盒測試的結(jié)構(gòu)。此外,它甚至難以解明映射一個受過訓(xùn)練的意義深遠(yuǎn)的神經(jīng)網(wǎng)絡(luò)故障診斷規(guī)則的輸入和輸出。利用明確的故障診斷語言知識, 使用模糊邏輯的眾多電機(jī)故障診斷方法已經(jīng)開始了研究。Nejjari和Benbouzid把模糊邏輯應(yīng)用到診斷異步電動機(jī)的定子和相位條件上。他們的診斷結(jié)構(gòu)如圖5所示,其核心是只是個包括一個模糊化界面,推理機(jī)，模糊規(guī)則基礎(chǔ)和一個去模糊化單位的典型模糊推理系統(tǒng)。定子和相數(shù)的情況以三個矩形隸屬函數(shù)為代表,即良好,損壞,和嚴(yán)重?fù)p壞?？傊?有12個啟發(fā)式if then模糊推理規(guī)則應(yīng)用于檢測兩個上述缺點(diǎn),例如1. 如果Ib小然后定子損壞。2. 如果Ic中等然后定子處于好的狀態(tài)。. %且在軸承“好”和“壞”的狀態(tài)下精度達(dá)到100%。基于模糊邏輯的電機(jī)故障診斷方法有嵌入式語言知識和近似推理能力的優(yōu)勢。然而,制度的設(shè)計很大程度上靠所得練習(xí)操作上獲得的直覺經(jīng)驗(yàn)。模糊隸屬度函數(shù)和模糊規(guī)則不能在任何檢測中被保證獲得最佳。此外,模糊邏輯系統(tǒng)缺乏自主學(xué)習(xí)的能力,這是在一些高要求實(shí)時故障診斷病例中所強(qiáng)制的。上述兩個缺陷可以來用神經(jīng)網(wǎng)絡(luò)和模糊邏輯神經(jīng)模糊技術(shù)的融合部分克服。正如我們所知道的,兩個神經(jīng)網(wǎng)絡(luò)和模糊邏輯有自己的優(yōu)點(diǎn)和缺點(diǎn)。主要的缺點(diǎn)是它的黑匣子BP神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)處理結(jié)構(gòu)和收斂速度慢。另一方面,模糊邏輯推理機(jī)制有類似人類的大腦,而它缺乏一種有效的學(xué)習(xí)能力。自整定模糊規(guī)則和隸屬度函數(shù)在經(jīng)典的模糊邏輯系統(tǒng)里可能會很困難。總之,神經(jīng)網(wǎng)絡(luò)被認(rèn)為是免費(fèi)的數(shù)值模型的方法,模糊邏輯規(guī)則和推理只處理涉及在一種語言水平。因此,這會很自然地融合神經(jīng)網(wǎng)絡(luò)和模糊邏輯來形成一種混合系統(tǒng)神經(jīng)模糊,以至于它們都能克服各自的缺點(diǎn)以及受益于對方的優(yōu)點(diǎn)。事實(shí)上, 在電機(jī)故障診斷領(lǐng)域里發(fā)現(xiàn)很多神經(jīng)模糊技術(shù)的應(yīng)用前景。 盡管模糊神經(jīng)網(wǎng)絡(luò)的優(yōu)勢來自神經(jīng)網(wǎng)絡(luò)和模糊邏輯,大部分現(xiàn)有模型,如簡稱ANFIS,不能直接處理模糊輸入/輸出信息。一個軸承故障診斷問題被應(yīng)用于采用這種方法德一個試驗(yàn)臺。模擬表明他們的方法并不能僅僅成功地檢測軸承損壞缺點(diǎn),但也提供了相應(yīng)的語言描述。 遺傳算法是非派生和隨機(jī)優(yōu)化的方法。它的方向來自于借用自然選擇以及進(jìn)化過程的思想。作為一個解決要求問題的通用目的,它有并行搜索和全局最優(yōu)解的特色。此外,遺傳算法需要比傳統(tǒng)的優(yōu)化方案更少的關(guān)于有待解決問題的先驗(yàn)信息,如將最速下降法,這往往需要導(dǎo)數(shù),目標(biāo)函數(shù)。因此, 應(yīng)用遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的參數(shù)和結(jié)構(gòu)以及模糊邏輯系統(tǒng),它是具有吸引力的,而不是單獨(dú)采用BP學(xué)習(xí)算法。原則上,所有以上討論的電機(jī)故障診斷方法的培訓(xùn)可以應(yīng)用在遺傳算法里。例如, Vas將遺傳算法導(dǎo)入到感應(yīng)電機(jī)的參數(shù)估計里。Betta等討論了優(yōu)化基于神經(jīng)網(wǎng)絡(luò)感應(yīng)電機(jī)故障診斷方案遺傳算法的用法,在圖5上被概念性地說明。診斷性是鼓舞人心的:正確的故障檢測是高于98%的比例。此外,它也能利用大約66%的病例和大約100%的病例中至少一種故障的正確診斷來處理雙誤。因?yàn)橹挥幸粋€輔助的遺傳算法的優(yōu)化方法,它不能被獨(dú)立地應(yīng)用的實(shí)踐中去。結(jié)合遺傳算法與其它電機(jī)故障診斷方案增強(qiáng)表現(xiàn)在全球和最低基準(zhǔn)搜索。然而,優(yōu)化遺傳算法經(jīng)常演變成很重的計算量,而且因此十分的耗時。針對實(shí)時故障診斷，快速并行實(shí)現(xiàn)遺傳算法來提高收斂速度要有發(fā)展才行。在本文中,我們將對基于軟計算方法的電機(jī)故障診斷系統(tǒng)的研究進(jìn)展進(jìn)行綜述。利用神經(jīng)網(wǎng)絡(luò)、模糊邏輯、模糊以及遺傳計算的幾個電機(jī)故障診斷技巧被簡要總結(jié)了。對他們的優(yōu)缺點(diǎn)進(jìn)行了評述。根據(jù)我們的觀察,我們認(rèn)為新興軟計算方法能用改進(jìn)后的方案提供給我們解決電機(jī)故障診斷的問題。然而,他們不應(yīng)該跟傳統(tǒng)的方法相比較。相反,更多的準(zhǔn)確、魯棒診斷方法應(yīng)在融合這兩個類別的方法、軟計算和硬計算的基礎(chǔ)上進(jìn)行開發(fā)。這篇綜述是我們未來在基于軟計算的電機(jī)故障診斷領(lǐng)域研究活動的起點(diǎn)。指導(dǎo)教師意見 簽名： 月 日教研室意見 教研室主任（簽章）： 月 日評審小組意見 參加評審人員（簽字）： 月 日