摘 要：本論文簡要介紹了故障診斷的必要性，BP算法的特點與原理，重點介紹了用BP算法進行異步電機轉子斷條故障診斷原理，故障信號的提取方法及網絡的訓練過程。 關鍵詞：故障診斷;神經網絡;BP算法 Abstract: The paper has introduced the necessity of the fault diagnosis and the characteristic and the principle of the BP algorithm briefly. Introduced emphatically the principle of the fault diagnosis to the asynchronous machine’s breaks in the motor with BP algorithm and the methed to gain the fault signal and the process of the network training. Key word: Fault Diagnosis;Nerve Network;BP Algorithm 　　電機是當今生產活動和日常生活中最主要的原動力和驅動裝置。電機的正常工作對保證生產制造過程的正常進行意義非常重大。因此對電機故障的診斷要求十分迫切，通過對電機常見故障的診斷和分析，可以及早發現故障和預防故障的進一步惡化。經過多年的發展，故障診斷技術的發展已進入到智能化階段，本文以異步電機轉子斷條故障為例，研究人工神經網絡在電機故障診斷方面的應用，采用的算法是改進后的BP算法。 1.BP算法及其改進 　　BP算法是人工神經網絡算法的一個突破，以其強大的適應性得到了廣泛的應用。其拓撲結構由輸入層、隱層和輸出層構成，隱層可以是一個，也可以是多個，典型單隱層BP算法的拓撲結構如圖1所示. [align=center] 圖1 BP算法的拓撲結構 Fig.1 The topology of BP algorithm[/align] 　　BP算法的信號傳播過程為工作信號正向傳播，誤差信號反向傳播。輸入信號從輸入層經隱層傳向輸出層，在輸出端產生輸出信號，在信號的向前傳遞過程中網絡的權值是固定不變的，每一層神經元的狀態只影響下一層神經元的狀態，如果在輸出層不能得到期望的輸出，則轉入誤差反向傳播。網絡的實際輸出與期望輸出之間差值為誤差信號，誤差信號由輸出端開始逐層向前傳播，在誤差反向傳播的過程中，網絡的權值由誤差反饋進行調節，通過權值的不斷修正使網絡的實際輸出更接近期望輸出。 　　在網絡訓練過程中，權值按如下規則進行修正： 　　 　　標準的BP算法在應用中存在不少內在的缺陷，如易形成局部極小而得不到全局最優，學習效率低、收斂速度慢等，實際網絡訓練中，通常采用改進的BP算法，在權值修正時加入“動量項”，即按如下方式修正權值： 　　其中α為動量項，通常是正數。輸入層和輸出層權值的修正方法與此類似，解決了穩定性和訓練速度之間的矛盾. 2.BP算法在轉子斷條故障診斷中的應用 　　轉子斷條是指異步電機籠條與端環焊接處發生開焊和斷裂，是異步電機的常見故障，轉子斷條的發生是一連續過程，最初即將斷裂的部位經常出現過熱、很高的熱應力或機械應力，最終使電機產生振動、噪聲、定子電流擺動和溫升增加、轉速波動。采用合適的故障診斷手段，能夠在故障初始就采取有效措施，避免故障進一步惡化，從而減輕損失。利用BP算法進行故障診斷，要先根據故障特征提取出有用信號，經處理后轉化成神經網絡的輸入信號，從而由網絡進行判斷。 　　2.1故障信號的提取與處理 　　故障信號采用提取異步電機定子電流的方法，理由如下：正常情況下，異步電機定子電流的頻率是單一的電源頻率。但是當轉子回路出現故障時，在定子電流頻譜圖上，在與電源頻率相差二倍轉差頻率（ 2sf）的位置上將各出現一個旁頻帶，將此電流信號提取，即可作為故障診斷的原始信號。 　　在電機轉子故障較輕微時，旁頻相對于主頻分量非常小，約為2%-3%，且由于（1-2s）f常接近于工頻f，以至于（（1- 2s） f分量往往會由于f分量的泄漏而被淹沒。為此對故障信號進行小波包分解以突出旁頻。將提取到的定子電流進行五層小波包分解，取第五層的32個頻率成分段。原始信號中，取最低頻率成分為40HZ，最高頻率成分60HZ，則提取的32個信號所代表的頻率范圍如表1所示。 　　表1 小波包分解后的信號所代表的頻率范圍 　　Table 1 The representative frequency range of small wave packets decompose after signal cabin 　　以各頻率成分的能量為元素構造特征向量，然后將各元素數據進行歸一化處理后，作為已經訓練完畢神經網絡的輸入，根據網絡輸出即可判斷故障與否。 　　2.2網絡訓練 　　首先確定網絡的輸出單元，定義出各輸出單元所代表的意義，然后以正常樣本和故障樣本為輸入進行網絡訓練，從而確定網絡結構及各層權值。本次訓練輸入樣本由16個元素，有兩個輸出單元，輸出單元的意義如表2所示： 　　表2 輸出單元的意義 　　Table 2 The significance of output units 　　訓練樣本數：16 （不一一列出） 　　訓練誤差允許范圍： 0.3 　　訓練目標誤差：0.01 　　訓練步長：3000 　　輸入層到隱層的傳遞函數：TANSIG 　　隱層到輸出層的傳遞函數：PURELIN 　　網絡訓練函數：TRAINBP 　　隱接點數的確定遵循在訓練步長范圍內盡可能少的原則，這樣能夠使得網絡結構盡可能簡單，采用試湊法，從9開始依次增加，根據訓練結果，隱接點為13時能夠滿足訓練要求，隱接點數少，訓練步數也比較少，節點太少不能滿足訓練要求，太多則會使得網絡結構過于復雜，因此最終采用隱接點數13，即網絡結構為32-13-2.此時的網絡訓練結果如圖2所示。 [align=center] 圖2 BP算法訓練誤差曲線圖 Fig.2 The training error chart of BP algorithm[/align] 　　2.3訓練結果測試 　　給定12個測試樣本，前8個為故障樣本，后4個為正常樣本，測試結果為： 　　輸出單元1的輸出： 　　0.1420 0.1015 0.0955 0.0962 0.1077 0.0957 0.1037 0.1018 0.8970 0.9108 0.8858 0.8584 　　輸出單元2的輸出： 　　0.5968 0.8993 0.8958 0.8948 0.9057 0.8928 0.9052 0.8984 0.1548 0.0715 0.1375 0.1072 　　仿真圖形為圖3，直方圖中前一陣列為單元1的輸出，后為單元2的輸出。 [align=center] 圖3 BP算法測試結果直方圖 Fig.3 The bar of testing of BP algorithm[/align] 　　由測試結果可分析出方案是可行的。 3.結束語 　　電機在現代工業生產中發揮著越來越重要的作用，對電機進行準確、及時的檢測診斷也越發顯得必要，本文正是基于這種考慮，對利用神經網絡模式識別的方法對異步電機的故障診斷進行了研究，以用BP算法對異步電機進行轉子斷條故障診斷為例，證實了人工神經網絡用于故障診斷的可行性。本文中的方法僅能夠對電機故障進行粗略診斷，沒有涉及故障程度的區分，這是本文的不足之處。 　　本文作者的創新點：把人工神經網絡算法應用到異步電機故障診斷中來，提高了診斷的準確性。 參考文獻 　　[1]邊肇祺、張學工等.模式識別[M].清華大學出版社，2000 　　[2]沈標正.電機故障診斷技術[M].機械工業出版社，1996 　　[3]吳新余等.信號與系統[M].電子工業出版社，1999 　　[4]韓力群等.人工神經網絡理論、設計及應用[M].化學工業出版社，2002 　　[5]胡昌華、許化龍.控制系統故障診斷與容錯控制的分析和設計[M].國防工業出版社，2000 　　[6]周東華、葉銀忠.現代故障診斷與容錯控制[M].清華大學出版社，2000 　　[7]聞新、周露等.MATLAB神經網絡應用設計[M]. 北京:科學出版社，2000 　　[8]唐勇等.基于BP網的交流電機調速系統智能機內檢測技術研究[J].微計算機信息，2004，6：35-36