徐逍帆 葛強
摘要:BP神經(jīng)網(wǎng)絡(luò)是一種按照誤差逆向傳播算法訓(xùn)練的多層前饋神經(jīng)網(wǎng)絡(luò),可用于數(shù)據(jù)的運算分類及預(yù)測,在故障診斷分析方面應(yīng)用廣泛。全貫流電機泵特點是電機的轉(zhuǎn)子代替了水泵的葉輪外殼,電機泵的電機故障特點比普通電機多且復(fù)雜。目前,全貫流泵故障診斷的研究較少,但BP神經(jīng)網(wǎng)絡(luò)算法對電機故障診斷分析的研究應(yīng)用成熟。運用BP神經(jīng)網(wǎng)絡(luò)算法嘗試對全貫流泵可能存在的故障進行模擬診斷分析與研究,得到了較好的效果。
關(guān)鍵詞:BP神經(jīng)網(wǎng)絡(luò);全貫流泵;故障診斷
中圖分類號:TP183? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 文獻標識碼:A? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 文章編號:1674-957X(2021)02-0139-02
0? 引言
在機電一體化程度越來越高和人工智能迅速發(fā)展的今天,全貫流泵作為新型電機泵在故障檢測這方面目前還是空白,本文主要是通過BP神經(jīng)網(wǎng)絡(luò)算法來進行全貫流電機泵的故障分析檢測及預(yù)測。因為缺少大量的全貫流泵的故障試驗數(shù)據(jù)和仿真模擬數(shù)據(jù),本文通過參考貫流泵和潛水泵的故障,對全貫流泵的故障進行預(yù)測分析,得出故障頻率特性,再通過運用BP神經(jīng)網(wǎng)絡(luò)對模擬數(shù)據(jù)進行處理,得出故障分析檢測及預(yù)測。
1? 概述
1.1 BP神經(jīng)網(wǎng)絡(luò)簡介
BP(Back Propagation)神經(jīng)網(wǎng)絡(luò)[1-3]應(yīng)用比較廣泛。BP網(wǎng)絡(luò)的結(jié)構(gòu)圖:BP神經(jīng)網(wǎng)絡(luò)由輸入層、中間層(或隱層)和輸出層組成。
BP神經(jīng)網(wǎng)絡(luò)的學習流程比較特殊。以下為神經(jīng)網(wǎng)絡(luò)算法的流程:首先初始化神經(jīng)網(wǎng)絡(luò)的輸入值,然后根據(jù)輸入層和中間層的計算輸出信號,用輸出的信號與期望值相比較,如果誤差滿足設(shè)定的范圍內(nèi),則學習結(jié)束;否則學習修正權(quán)值,再次進入迭代學習過程,直到誤差在設(shè)定的范圍內(nèi)或者迭代次數(shù)結(jié)束,學習結(jié)束。
1.2 全貫流泵簡介
全貫流泵(Entirely Tubular Pump)全稱全貫流潛水電泵,又叫濕定子潛水貫流泵,是現(xiàn)代一種新型電機一體化產(chǎn)品[4],是潛水電機與貫流泵兩種技術(shù)的融合,其原理是電機的轉(zhuǎn)子代替了水泵的葉輪外殼,水泵葉片安裝在電機轉(zhuǎn)子內(nèi)腔,使電機與泵站融為一體,沒有葉頂間隙,水泵的無效部分進而轉(zhuǎn)變成為有效部分,既延續(xù)了潛水電泵組裝便捷、組建經(jīng)費少、噪音小散熱優(yōu)良等優(yōu)點[5],又增添了全貫流泵通道流暢、裝置效率高的特點[6]。
1.3 故障診斷
故障診斷是一種了解和掌握機器在運行過程中的狀態(tài),確定其整體或局部正?;虍惓?,早期發(fā)現(xiàn)故障及其原因,并能預(yù)報故障發(fā)展趨勢的技術(shù)[7-8]。要對系統(tǒng)進行故障診斷,首先必須對其進行檢測,在發(fā)生系統(tǒng)故障時,對故障類型、故障部位及原因進行診斷,最終給出解決方案,實現(xiàn)故障恢復(fù)。
基于傳統(tǒng)的故障診斷理論對于現(xiàn)代大型的機械化設(shè)備表現(xiàn)出了很大的局限性[8],人工神經(jīng)網(wǎng)絡(luò)理論就適時的出現(xiàn)了,近年來在故障診斷技術(shù)中的應(yīng)用進行了系統(tǒng)而深入地研究,類似水泵電機這樣的機械設(shè)備主要的故障診斷思路是先測量機械設(shè)備在運行工作時或相對靜態(tài)條件下的狀態(tài)信息,然后對所測得的信號信息進行處理與分析,并結(jié)合診斷對象的歷史故障情況,來定量識別設(shè)備及其零部件當前運行狀態(tài),并事先判斷出相關(guān)異常情況、預(yù)測其未來技術(shù)狀態(tài),從而確定必要對策。因此,神經(jīng)網(wǎng)絡(luò)理論在故障診斷領(lǐng)域顯示出了相當大的應(yīng)用潛力,是近來的熱點方向,本文即采用BP神經(jīng)網(wǎng)絡(luò)算法對電機故障進行分析及預(yù)測。
2? 全貫流泵故障分析
2.1 故障診斷機理
水泵電機故障診斷的最主要是找出發(fā)生不同故障時的各個故障所表現(xiàn)的不同特征,但要找出這些特征,就要分析水泵電機故障的產(chǎn)生機理。
本文主要采用頻譜分析法,即每種故障有其對應(yīng)的特征頻率。據(jù)此確定機器的故障性質(zhì)和嚴重程度。但從目前的試驗數(shù)據(jù)和文獻來看,全貫流泵作為一種新型的電機泵,因為缺少大量的實際與模擬故障試驗數(shù)據(jù),所以通過參考貫流泵和潛水泵兩種電機泵的故障特點,結(jié)合兩者裝置結(jié)構(gòu)、運行工況上的特點,對全貫流泵的故障進行預(yù)測分析,得出故障頻率特性。
2.2 故障診斷分析
通過大量文獻[9-16]得出,全貫流潛水泵的電機本體屬于三相異步電機,可參照異步電機的可能出現(xiàn)的故障進行預(yù)測分析,轉(zhuǎn)子斷條即葉片損壞故障、轉(zhuǎn)子偏心故障、定子繞組匝間短路故障、軸承震動故障及其他綜合故障。但全貫流泵又不同于三相異步電機,其整體為泵裝置,要考慮前后導(dǎo)葉受損情況,所以前后導(dǎo)葉也是其中一個故障點,因此加了導(dǎo)葉損壞故障。
故擬定設(shè)置六種故障原因,其中葉片損壞和前后導(dǎo)葉損壞嚴重程度也會影響電機故障頻率,又可以分為輕微和嚴重,還有泵裝置本體正常的工作狀態(tài),故有九種頻率特征:葉片受損(輕微)—f1;葉片受損(嚴重)—f2;前后導(dǎo)葉受損(輕微)—f3;前后導(dǎo)葉受損(嚴重)—f4;匝間短路故障—f5;氣隙偏心故障—f6;軸承震動故障—f7;其他綜合故障—f8;正?!猣9。
3? BP神經(jīng)網(wǎng)絡(luò)學習
3.1 BP神經(jīng)網(wǎng)絡(luò)算法
這里選取2700組數(shù)據(jù)進行模擬實驗,2400組作訓(xùn)練集,300組作測試集。訓(xùn)練方法為梯度下降法,訓(xùn)練函數(shù)為traingd,最大訓(xùn)練次數(shù)為100次,訓(xùn)練要求精度為0,學習率為0.1,最大失敗次數(shù)為5,最小梯度要求為1e-10,Mu初始值為0.001,Mu最大值為1e10。因為本次訓(xùn)練選取一個故障頻率檢測點和其定位點(f,N),所以選擇的輸入層節(jié)點數(shù)是2,輸出有九種結(jié)果,所以選擇的輸出層節(jié)點是9,根據(jù)經(jīng)驗公式:
其中:h為隱含層節(jié)點數(shù)目,m為輸入層節(jié)點數(shù)目,n為輸出層節(jié)點數(shù)目,a為1~10之間的調(diào)節(jié)常數(shù)。
這里,m取值為2,n取值為9,a在6~7之間選擇,所以這里隱含層數(shù)選擇的是10層。目標樣本輸出為一個9×9的單位矩陣。
3.2 算法結(jié)果
將數(shù)據(jù)帶入MATLAB中進行模擬仿真,得出圖1結(jié)果。
由圖1可以看出,這次的訓(xùn)練次數(shù)為58次,只用時1秒,在第52次訓(xùn)練時達到最好的誤差精度4.4501e-4,BP神經(jīng)網(wǎng)絡(luò)就完成了對2700組目標數(shù)據(jù)的訓(xùn)練,得到的實際測試樣本與預(yù)測樣本接近,預(yù)測精度較高,得到了較好的結(jié)果。但由于選取數(shù)據(jù)的數(shù)量級較小,所以選取的典型性較弱,區(qū)分度較低。
4? 結(jié)論
通過BP神經(jīng)網(wǎng)絡(luò)得出全貫流泵的故障診斷分析的方法,快速便捷,可以適應(yīng)大量故障數(shù)據(jù)的篩選和處理,為以后研究全貫流泵故障診斷分析提供了思路。
但也可以看出本文在BP神經(jīng)網(wǎng)絡(luò)算法的程序編寫和數(shù)據(jù)典型性的選取上還存在缺陷,還需要進一步修改調(diào)試程序,獲取大量有效數(shù)據(jù)。因為BP神經(jīng)網(wǎng)絡(luò)算法自身也具有學習效率低、收斂速度慢、易陷入局部極小值的狀態(tài),所以可以選擇精度更高,訓(xùn)練效果更好的神經(jīng)網(wǎng)絡(luò)算法。
本次試驗,如果有實際電機泵實驗和ANSYS有限元仿真作為支撐,所獲得的數(shù)據(jù)更多,數(shù)據(jù)更具有典型性,其神經(jīng)網(wǎng)絡(luò)的訓(xùn)練效果將越好,基于BP神經(jīng)網(wǎng)絡(luò)的電機泵故障診斷在工業(yè)生產(chǎn)指導(dǎo)實踐中的更具有研究意義。
參考文獻:
[1]葛強,徐倆倆,段小匯.人工神經(jīng)網(wǎng)絡(luò)在水泵性能預(yù)測中的應(yīng)用研究[J].河海大學學報:自然科學版,2007,35(1):22-25.
[2]黃麗.BP神經(jīng)網(wǎng)絡(luò)算法改進及應(yīng)用研究[D].重慶師范大學,2008.
[3]吳昌友.神經(jīng)網(wǎng)絡(luò)的研究及應(yīng)用[D].東北農(nóng)業(yè)大學,2007.
[4]張重陽,劉超,馮旭松,初長虹,謝璐,雷鎮(zhèn).全貫流泵流動特性數(shù)值模擬和性能預(yù)測[J].南水北調(diào)與水利科技,2019,17(4):185-192.
[5]袁龍剛,呂建新.大中型潛水泵站設(shè)計選型與應(yīng)用[J].陜西水利,2016(02):136-138.
[6]古智生.全貫流潛水電泵的開發(fā)與應(yīng)用[J].水利水電技術(shù),2010,41(12):54-57.
[7]王文峰,阮俊虎,CV-MATH,劉衍琦,郭裕蘭著.MATLAB計算機視覺與機器認知[M].北京航空航天大學出版社,2017.
[8]馬紅忠.電機狀態(tài)監(jiān)測與故障診斷[M].北京:機械工業(yè)出版社,2008.
[9]侯新國,吳正國,夏立,卜樂平.基于相關(guān)分析的感應(yīng)電機定子故障診斷方法研究[J].中國電機工程學報,2005(04):85-88.
[10]王瑞欣.全信息融合算法在混流泵故障診斷系統(tǒng)中的應(yīng)用研究[D].鄭州大學,2014.
[11]王瑞海,孫鵬,呂振江,湯家升,劉鵬.概率神經(jīng)網(wǎng)絡(luò)在水泵故障診斷中的應(yīng)用研究[J].煤礦機械,2014,35(10):285-287.
[12]謝永濤,劉俊俊,賈嶸,董開松.燈泡貫流式機組的狀態(tài)監(jiān)測與故障診斷系統(tǒng)設(shè)計[J].電網(wǎng)與清潔能源,2015,31(11):89-92,100.
[13]鮑曉華,程志恒.基于電流振動雙信號的大型潛水電機偏心故障診斷(英文)[J].電氣工程學報,2016,11(07):23-31.
[14]張媛媛.基于案例推理的水泵故障診斷技術(shù)研究[D].西安建筑科技大學,2017.
[15]王麗華,謝陽陽,張永宏,趙曉平,周子賢.采用深度學習的異步電機故障診斷方法[J].西安交通大學學報,2017,51(10):128-134.
[16]游磊,梁穎,韓祺祎,潘茂林,鄧近旦.基于改進混合蛙跳算法的SVM潛水軸流泵故障診斷[J].自動化與儀器儀表,2020(05):1-3.