0 引 言 電機(jī)，特別是大型電機(jī)發(fā)生故障，會(huì)給生產(chǎn)帶來(lái)極大損失。因此，及時(shí)診斷出故障隱患，對(duì)于實(shí)現(xiàn)電機(jī)可靠運(yùn)行，提高生產(chǎn)效率具有重要意義。電機(jī)故障診斷一般都以傳感器檢測(cè)技術(shù)為基礎(chǔ)，進(jìn)行數(shù)據(jù)采集，經(jīng)過(guò)數(shù)據(jù)處理，提取特征參數(shù)，然后，參照某種規(guī)范，快速準(zhǔn)確地判定系統(tǒng)是否出現(xiàn)故障及故障模式，并分析出狀態(tài)（故障）、現(xiàn)象（征兆）和原因之間的關(guān)系，因此，要求傳感器系統(tǒng)反應(yīng)快速而準(zhǔn)確，具有一定的信息處理能力、抗干擾能力和容錯(cuò)性。 目前，電機(jī)故障診斷有傳統(tǒng)方法與現(xiàn)代方法。其中，定子電流分析診斷方法應(yīng)用最廣，它可以在線應(yīng)用，既保證了電機(jī)的連續(xù)運(yùn)轉(zhuǎn)，又不會(huì)破壞電機(jī)本身。但基于穩(wěn)態(tài)電流診斷方法存在頻域混疊的缺點(diǎn)，使檢測(cè)準(zhǔn)確性降低。頻譜分析方法的準(zhǔn)確性易受電動(dòng)機(jī)負(fù)載及供電品質(zhì)的影響，在具體實(shí)施過(guò)程中會(huì)遇到很多困難[1]。磁譜分析法容易受到其他電磁干擾，使用起來(lái)也不方便。文獻(xiàn)[2]利用樣條小波抵消工頻信號(hào)分量的方法，通過(guò)頻譜分析進(jìn)行診斷，但小波的頻率分辨力應(yīng)用技術(shù)尚不成熟?；谛盘?hào)處理方法[3]回避了抽取研究對(duì)象數(shù)學(xué)模型的難點(diǎn)，在故障診斷亡法的應(yīng)用日趨廣泛。 本文將D-S證據(jù)理論融合技術(shù)引入到電機(jī)故障診斷中，將證據(jù)推理技術(shù)和人工神經(jīng)網(wǎng)絡(luò)相結(jié)合，提出一種可靠的電機(jī)故障診斷模型，通過(guò)診斷試驗(yàn)測(cè)試證明：該診斷系統(tǒng)有利于故障特征的準(zhǔn)確提取，有利于提高電機(jī)故障診斷的準(zhǔn)確度，并能滿足診斷的實(shí)時(shí)性要求。 1 基于神經(jīng)網(wǎng)絡(luò)的D-S證據(jù)推理過(guò)程 D-S證據(jù)理論是一種數(shù)據(jù)融合方法，能依據(jù)不確定性的信息進(jìn)行推理，廣泛用于信息融合和不確定推理等領(lǐng)域[4]。它應(yīng)用于故障診斷，可增加電機(jī)故障診斷的信任度。 在證據(jù)融合過(guò)程中，先進(jìn)行多傳感器融合，對(duì)故障摸式做初步識(shí)別，并通過(guò)數(shù)據(jù)處理與分析方法提取故障特征，然后，用人工神經(jīng)網(wǎng)絡(luò)（artificial neural network，ANN）對(duì)各個(gè)故障特征向量進(jìn)行分類與局部診斷，結(jié)果作為各個(gè)證據(jù)體的基本可信度分配，形成彼此獨(dú)立的證據(jù)，最后，運(yùn)用證據(jù)融合決策規(guī)則，實(shí)現(xiàn)對(duì)故障的準(zhǔn)確判別。故障診斷如圖1所示。 1.1 數(shù)據(jù)級(jí)融合與故障特征的提取 對(duì)多傳感器采集的攜帶故障特征的參數(shù)信息進(jìn)行分類、預(yù)處理后，分別對(duì)同類傳感器和異類傳感器進(jìn)行融合處理，以初步識(shí)別故障模式，然后，經(jīng)過(guò)數(shù)學(xué)變換處理，提取不同的故障特征信息，作為特征融合級(jí)神經(jīng)網(wǎng)絡(luò)的輸入。這樣有利于保證不同的特征輸入的不相關(guān)性，以便從不同側(cè)面對(duì)設(shè)備故障進(jìn)行診斷。 神經(jīng)網(wǎng)絡(luò)需要把輸入的數(shù)據(jù)歸一化到學(xué)習(xí)算法限制的范圍內(nèi)，因此，將故障特征數(shù)據(jù)變換為0或1之間的正數(shù)，以避免過(guò)大的權(quán)重調(diào)節(jié)淹沒(méi)部分特征信息，消除各特征參數(shù)物理單位的干擾。 1.2 應(yīng)用神經(jīng)網(wǎng)絡(luò)進(jìn)行特征級(jí)融合與局部診斷 ANN具有高度的并行處理、聯(lián)想記憶、自學(xué)習(xí)、非線性映射、容錯(cuò)能力及極強(qiáng)的魯棒性[5]。為了克服單個(gè)神經(jīng)網(wǎng)絡(luò)計(jì)算時(shí)間長(zhǎng)、迭代次數(shù)多等缺點(diǎn)，將整個(gè)故障特征參數(shù)空間分解為多個(gè)子空間，針對(duì)每一參數(shù)子空間和整個(gè)故障空間之間設(shè)計(jì)一個(gè)子神經(jīng)網(wǎng)絡(luò)，形成并行神經(jīng)網(wǎng)絡(luò)。然后，將故障特征量分類輸入各子網(wǎng)絡(luò)，多個(gè)子網(wǎng)絡(luò)從不同側(cè)面診斷設(shè)備故障，以減少迭代次數(shù)，最大限度地提高確診率。 1.3 D-S證據(jù)理論決策級(jí)融合方法 D-S證據(jù)理論決策級(jí)融合步驟是：首先，選擇整個(gè)故障空間做識(shí)別框架，然后，選擇每一個(gè)子神經(jīng)網(wǎng)絡(luò)的輸出作為D-S融合決策級(jí)的證據(jù)體。假設(shè)各證據(jù)體互不相關(guān)，則可 按下面的方法計(jì)算各證據(jù)的基本可信度分配。 （1）對(duì)神經(jīng)網(wǎng)絡(luò)的輸出進(jìn)行歸一化 式中n為神經(jīng)網(wǎng)絡(luò)的個(gè)數(shù)；err為網(wǎng)絡(luò)誤差；s為理想狀態(tài)下神經(jīng)網(wǎng)絡(luò)各節(jié)點(diǎn)的總輸出。經(jīng)歸一化處理后，得到各證據(jù)的基本可信度分配。 （2）對(duì)多個(gè)神經(jīng)網(wǎng)絡(luò)的證據(jù)進(jìn)行融合處理，得到最終的基本可信度分配 （3）計(jì)算信任函數(shù)及似然函數(shù)，得到證據(jù)融合決策診斷結(jié)果，即被診斷設(shè)備的故障模式 2 診斷實(shí)例與分析 用光電式振動(dòng)傳感器采集振動(dòng)加速度信號(hào)，經(jīng)過(guò)預(yù)處理后輸入到FFT微機(jī)分析儀進(jìn)行數(shù)據(jù)處理，獲得時(shí)域中的相位特征與軸心軌跡，再進(jìn)行頻譜分析，以獲得7種頻域特征；然后，將磁阻式速度傳感器、壓電式溫度傳感器采集的速度與溫度信號(hào)進(jìn)行預(yù)處理，輸入到FFT微機(jī)分析儀，通過(guò)相關(guān)函數(shù)分析與計(jì)算，獲得的相關(guān)函數(shù)值作為關(guān)系型特征。試驗(yàn)要求神經(jīng)網(wǎng)絡(luò)誤差為0.00005時(shí)，判定某類故障發(fā)生的可信度值閾值為0.9000。 針對(duì)以上3類故障特征，采用3個(gè)并列的三層Back-propagation（BP）神經(jīng)網(wǎng)絡(luò)，構(gòu)成特征融合級(jí)神經(jīng)網(wǎng)絡(luò)。因?yàn)樽R(shí)別框架中有5種故障，所以，3個(gè)BP神經(jīng)網(wǎng)絡(luò)輸出層節(jié)點(diǎn)數(shù)均為5，隱含層節(jié)點(diǎn)數(shù)q由式（4）確定 式中 P為各BP神經(jīng)網(wǎng)絡(luò)輸入層節(jié)點(diǎn)數(shù)，由每類故障特征的個(gè)數(shù)決定。d取5～8之間的正整數(shù)，這里，取5。q，P單位均為個(gè)。因此，3個(gè)BP神經(jīng)網(wǎng)絡(luò)的輸入層、隱含層、輸出層的節(jié)點(diǎn)數(shù)分另U為7，9，5；5，8，5；3，7，5。 在同一診斷時(shí)段內(nèi)，通過(guò)3個(gè)BP神經(jīng)網(wǎng)絡(luò)，將來(lái)自各個(gè)傳感器的信息進(jìn)行分類，獲得對(duì)應(yīng)于各傳感器的數(shù)據(jù)融合級(jí)證據(jù)體，同時(shí)，計(jì)算各個(gè)證據(jù)體對(duì)于識(shí)別框架中5種故障的基本可信度分配。表1給出了由光電式振動(dòng)傳感器1與2采集的振動(dòng)信號(hào)輸入到FFT微機(jī)分析儀后獲得的2個(gè)頻域證據(jù)體對(duì)于5種故障的基本可信度分配，見(jiàn)表1第一、第二行數(shù)據(jù)；再把這2個(gè)傳感器證據(jù)體融合，可得到新的診斷結(jié)果，見(jiàn)表1第三行數(shù)據(jù)。 表2 組合診斷結(jié)論 可見(jiàn)，利用單一故障特征對(duì)電機(jī)故障進(jìn)行識(shí)別診斷，可信度比較低，有時(shí)無(wú)法準(zhǔn)確識(shí)別故障類型，而利用3類故障特征的融合信息再進(jìn)行融合后，基本可信度分配具有更好的峰值性和可分性，可以有效地提高故障的正確識(shí)別率。 3 結(jié) 論 本文將神經(jīng)網(wǎng)絡(luò)與證據(jù)理論相結(jié)合，組成數(shù)據(jù)融合故障診斷系統(tǒng)，通過(guò)正確選擇與提取故障特征向量，分類輸入并行神經(jīng)網(wǎng)絡(luò)，從多方面反映電機(jī)系統(tǒng)的狀況，從而提高了診斷系統(tǒng)的容錯(cuò)能力與診斷準(zhǔn)確度，并能滿足工程實(shí)際中設(shè)備故障的實(shí)時(shí)診斷性要求。