基于粒子群神经网络的异步电机故障诊断系统的研究

本资料包含pdf文件1个，下载需要1积分

异步电动机以其优 良的性能成为现代工、农业生产过程中最重要的电机设备，但随着运行时间的增加，电机设备发生故障的可能性会不断增大。所以需要采取有效的方法及时准确地确定电机故障原因、类型及其严重程度，以提高电机运行的安全性 。

笔者结合 YB2.160M2.2W型泥浆泵风机电机振动故障和电流故障诊断的特点，建立起相应的故障样本集，利用粒子群算法(PSO)的优化功能以及 BP神经网络的非线性映射的逼近能力，将粒子群优化算法理论和神经网络理论应用到异步电机故障诊断领域当中，并借助 MATLAB和 Vis-ual Basic实现了基于粒子群优化的 BP神经网络的异步电机故障诊断系统用户操作界面的开发，进而建立了具有较高智能化水平的异步电机故障诊断系统 。

1 异步电机故障诊断系统粒子群优化神经网络模型的设计在设计神经网络模型的时候，-般要从神经网络神经元的层数、神经网络每-层神经元的数量以及网络的学习速率进行考虑 。根据电机的特点对故障进行神经网络模型的设计，并根据实际问题的需要对-些参数进行调整。

1.1 神经网络输入层和输出层神经元的数量根据 YB2-160M2-2W 型泥浆泵风机电机故障类型，故障诊断系统共包括振动故障和电流故障这两大类型的故障预测。其中在电机的振动故障分析中，通过对振动信号的 10个频率分量的分析来判断电机的9种典型故障；在电流故障分析中，通过对定子电流的7个频率分量的分析来判断电机的3种典型故障。因此，对于该故障诊断系统而言，其神经网络共有 17个输入节点数，即表示电机共有 17个故障征兆；共含有 l2个输出节点，即表示电机共有 l2个典型故障。

1.2 神经网络隐含层神经元的数量当神经网络只包含-个隐含层的情况时，可以通过加大隐含层神经元数量的方法来实现对网络误差精度的提高。对于 BP神经网络而言，当其被应用为分类器时，对隐含层神经元的个数的选壬以参照 ：日 or (1)式中 P--输入层节点的数量；Q--输 出层节点的数量 ；or---个在 1-10之间的常数。

对于神经网络而言，将学习速率预先选定为0.05，学习步长选定为 1 000步，保持输入层、输收稿日期：2012.11-26(修改稿)基金项目：黑龙江侍育厅科学技术研究项目：粒子群神经网络在抽油机故障诊断中的研究(12511005)化 工 自 动 化 及 仪 表 第4O卷出层神经元数量-致，此时依次调整隐含层神经元的数量并对其进行训练，最后通过比较发现当隐含层神经元数量选取 12时系统误差较小 ，故此处选取的隐含层节点个数为 12。

1.3 神经网络学习速率的选取学习速率的大小影响神经网络训练在每次循环过程中产生的权值变化，如果学习速率选取得较大 ，则可能导致系统出现不稳定的情况 ；如果学习速率选取得过小，则可能会导致系统收敛速度缓慢，训练时间过长 。神经网络的学习速率-般选取在0.01-0.80之间，在输入层、隐含层和输出层的节点个数及其学习步长都相同的情况下，通过比较发现，当学习速率选取为0.30时候，神经网络的误差较小，故此处选取的学习速率为0.30。

1.4 改进粒子群优化算法参数的选取该电机故障诊断系统所采用的 BP神经网络中，其权值共有 17×1212×12348个，阈值共有 121224个。因此可以将改进的粒子群优化算法中的固定粒子群的维数选取为 34824372，而固定粒子群中的粒子个数选择为40个，将粒子群中的粒子适应度 函数定义为 BP神经网络的训练样本与导师信号的均方差。

在粒子群优化算法中，每个粒子根据下式来更新 自己的速度和新 的位置 ： c1·rand(p - )c2rand(p-rig id)(2)譬 (3)式中 p --粒子群体最优位置g 的第 d维分量 ；P --粒子 i个体最优位置P 。 的d维分量 ，d1，2， ，D，i1，2，，m，群体里-共含有 m个粒子；乞-- 次迭代得到的粒子飞行速度矢量的d维分量；- - 次迭代粒子 i位置矢量的d维分量 ；rand--随机函数，-般产生介于(0，1)之间的随机数 。

式(2)中的 乞因为没有记忆功能，同时随机性较大，可以获得更大的搜索范围，产生对新区域的搜索趋势，所以有很好的全局优化能力。依据实际的优化情况，通常要求以全局搜索开始，然后搜索空间以最快速度收敛于某区域，最后选择局部精确搜索来产生精度更高的解～ 与惯性权重to相乘，改进粒子群优化算法中的 值预先设定为0.9，之后随着算法程序迭代的进行再将∞值逐步递减至 0.4。

将改进粒子群优化算法中的粒子群体的认知系数 c。选为 2，将 c：选为 1.8，粒子最大速度 设定为 0.5，进化次数设定为 200次。

2 改进粒子群优化 BP神经网络的训练将基于改进粒子群优化算法的 BP神经网络的系统误差精度设定为 10-，当网络的各个参数设置完毕的时候，就可以对该神经网络进行训练。

2.1 基于改进粒子群优化 BP神经网络样本集的输入根据对 YB2-160M2-2W型泥浆泵风机电机故障样本的分析，可以将风机电机的振动故障与电流故障样本合并成-个整体的故障样本集，并将其作为已建好的基于改进粒子群优化 BP(PSO-BP)神经网络的输入。故障诊断训练样本集共有17个故障特征信号作为神经网络的输入，其 1～17个输入分别表示：0.20tO0、0.25tOo、0.43too、0.50tO0、0.75o)o、1.00to0、2.00to0、3.00too、4.00to0、5.O0tO。、sf.(1-2s) '、厂、(12s)，、(2-s) 3f，Sfo为了使该神经网络达到较好的训练效果，共使用100组故障样本数据进行神经网络的训练。

与故障样本集-样，需要输入到 BP神经网络的数据还有故障样本集的导师信号，即神经网络的期望输出，神经网络的期望输出共有 12个，分别对应 12种故障类型。PSO-BP神经网络训练样本的导师信号见表 1。

表 1 PSO-BP神经网络训练样本的导师信号故障类型 输出模式喘振故障 1轴承座松动故障 0定子铁芯松动故障 0O100OO0OOO 0 O O O O O O O O O O O 0 O 0 O 0 O O 0 O O l 第 2期 付光杰等.基于粒子群神经网络的异步电机故障诊断系统的研究 1472.2 PSO-BP神经网络的训练根据之前建立的 PSO.BP神经网络模型，应用 Matlab强大的程序编辑功能进行程序开发 ，将 YB2-160M2-2W 型泥浆泵风机电机故障的样本集及其导师信号输入到 PSO-BP神经网络中进行训练，PSO.BP神经网络在达到期望误差精度后结束训练，l2个网络输出节点的实际输出数值见表 2。

表 2 PSO-BP神经网络训练后的实际输 出数值由表 2可知，该神经网络在经过训练后其输出结果同表 1中的导师信号十分接近，这就证明该训练成熟的改进粒子群优化算法的 BP神经网络非线性映射逼近性能以及函数泛化性能都十分的优异 。

2.3 基于 PSO.BP与 BP算法的训练效果比较采用相同的样本数据分别对基于改进粒子群优化的 BP神经网络和传统的 BP神经网络进行训练，将 两种 网络模型 的训练精度都设定 为1O～，训练步长也都设定为 5 000步，将两种神经网络进行训练。

由图 1所示的基于 BP神经网络的异步电机故障诊断训练结果可知，当 BP神经网络的训练次数达到 g 496次时，其网络的系统误差低于10-。基于PSO-BP神经网络的异步电机故障诊断系统训练结果如图2所示，当训练次数达到4 041次时，网络的系统误差低于 l0～～算法设计成达到训练次数 5 000次时停止训练的模式，发现传统的BP神经网络当其达到收敛误差精度时，收敛曲线几乎呈不变化的趋势，而基于 PSO。

BP神经网络异步电机故障诊断系统的训练结果当其达到收敛误差精度时，收敛曲线依然有着显第 2期 付光杰等.基于粒子群神经网络的异步电机故障诊断系统的研究 149系统的输出值与经过故障样本集训练出的神经网络输出值进行对 比，也同样可以诊断出该电机发生了喘振故障。

与此过程类似，在测试过程中使用了包括全部故障类型在内的5O组随机抽取的测试数据进行故障诊断准确度测试 ，发现在 5O次测试过程 中只出现两次诊断错误的现象，故障诊断正确率达到 96%；使用相同的测试数据对基于 BP神经网络的异步电机故障系统进行测试，测试结果为 50次，测试过程中出现了6次诊断错误的现象，其故障诊断正确率为 88%。经过比较 ，笔者所采用的基于改进粒子群优化算法的异步电机故障诊断系统具有较好的诊断精度。

5 结束语加入了粒子群优化算法的 BP神经网络电机故障诊 断算法收敛速度快、诊断精度高，性能优于传统的 BP神经网络。笔者借助 VisualBasic开发出异步 电机故障诊断系统的用户操作界面。在实际应用中，简单方便且输出结果直观明了，符合现代对于计算机操作平台故障诊断系统的要求 ，具有较好的工程应用价值和广 阔的应用前 景。