0 引 言 電機，特別是大型電機發生故障，會給生產帶來極大損失。因此，及時診斷出故障隱患，對于實現電機可靠運行，提高生產效率具有重要意義。電機故障診斷一般都以傳感器檢測技術為基礎，進行數據采集，經過數據處理，提取特征參數，然后，參照某種規范，快速準確地判定系統是否出現故障及故障模式，并分析出狀態（故障）、現象（征兆）和原因之間的關系，因此，要求傳感器系統反應快速而準確，具有一定的信息處理能力、抗干擾能力和容錯性。 目前，電機故障診斷有傳統方法與現代方法。其中，定子電流分析診斷方法應用最廣，它可以在線應用，既保證了電機的連續運轉，又不會破壞電機本身。但基于穩態電流診斷方法存在頻域混疊的缺點，使檢測準確性降低。頻譜分析方法的準確性易受電動機負載及供電品質的影響，在具體實施過程中會遇到很多困難[1]。磁譜分析法容易受到其他電磁干擾，使用起來也不方便。文獻[2]利用樣條小波抵消工頻信號分量的方法，通過頻譜分析進行診斷，但小波的頻率分辨力應用技術尚不成熟。基于信號處理方法[3]回避了抽取研究對象數學模型的難點，在故障診斷亡法的應用日趨廣泛。 本文將D-S證據理論融合技術引入到電機故障診斷中，將證據推理技術和人工神經網絡相結合，提出一種可靠的電機故障診斷模型，通過診斷試驗測試證明：該診斷系統有利于故障特征的準確提取，有利于提高電機故障診斷的準確度，并能滿足診斷的實時性要求。 1 基于神經網絡的D-S證據推理過程 D-S證據理論是一種數據融合方法，能依據不確定性的信息進行推理，廣泛用于信息融合和不確定推理等領域[4]。它應用于故障診斷，可增加電機故障診斷的信任度。 在證據融合過程中，先進行多傳感器融合，對故障摸式做初步識別，并通過數據處理與分析方法提取故障特征，然后，用人工神經網絡（artificial neural network，ANN）對各個故障特征向量進行分類與局部診斷，結果作為各個證據體的基本可信度分配，形成彼此獨立的證據，最后，運用證據融合決策規則，實現對故障的準確判別。故障診斷如圖1所示。 1.1 數據級融合與故障特征的提取 對多傳感器采集的攜帶故障特征的參數信息進行分類、預處理后，分別對同類傳感器和異類傳感器進行融合處理，以初步識別故障模式，然后，經過數學變換處理，提取不同的故障特征信息，作為特征融合級神經網絡的輸入。這樣有利于保證不同的特征輸入的不相關性，以便從不同側面對設備故障進行診斷。 神經網絡需要把輸入的數據歸一化到學習算法限制的范圍內，因此，將故障特征數據變換為0或1之間的正數，以避免過大的權重調節淹沒部分特征信息，消除各特征參數物理單位的干擾。 1.2 應用神經網絡進行特征級融合與局部診斷 ANN具有高度的并行處理、聯想記憶、自學習、非線性映射、容錯能力及極強的魯棒性[5]。為了克服單個神經網絡計算時間長、迭代次數多等缺點，將整個故障特征參數空間分解為多個子空間，針對每一參數子空間和整個故障空間之間設計一個子神經網絡，形成并行神經網絡。然后，將故障特征量分類輸入各子網絡，多個子網絡從不同側面診斷設備故障，以減少迭代次數，最大限度地提高確診率。 1.3 D-S證據理論決策級融合方法 D-S證據理論決策級融合步驟是：首先，選擇整個故障空間做識別框架，然后，選擇每一個子神經網絡的輸出作為D-S融合決策級的證據體。假設各證據體互不相關，則可 按下面的方法計算各證據的基本可信度分配。 （1）對神經網絡的輸出進行歸一化 式中n為神經網絡的個數；err為網絡誤差；s為理想狀態下神經網絡各節點的總輸出。經歸一化處理后，得到各證據的基本可信度分配。 （2）對多個神經網絡的證據進行融合處理，得到最終的基本可信度分配 （3）計算信任函數及似然函數，得到證據融合決策診斷結果，即被診斷設備的故障模式 2 診斷實例與分析 用光電式振動傳感器采集振動加速度信號，經過預處理后輸入到FFT微機分析儀進行數據處理，獲得時域中的相位特征與軸心軌跡，再進行頻譜分析，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進行預處理，輸入到FFT微機分析儀，通過相關函數分析與計算，獲得的相關函數值作為關系型特征。試驗要求神經網絡誤差為0.00005時，判定某類故障發生的可信度值閾值為0.9000。 針對以上3類故障特征，采用3個并列的三層Back-propagation（BP）神經網絡，構成特征融合級神經網絡。因為識別框架中有5種故障，所以，3個BP神經網絡輸出層節點數均為5，隱含層節點數q由式（4）確定 式中 P為各BP神經網絡輸入層節點數，由每類故障特征的個數決定。d取5～8之間的正整數，這里，取5。q，P單位均為個。因此，3個BP神經網絡的輸入層、隱含層、輸出層的節點數分另U為7，9，5；5，8，5；3，7，5。 在同一診斷時段內，通過3個BP神經網絡，將來自各個傳感器的信息進行分類，獲得對應于各傳感器的數據融合級證據體，同時，計算各個證據體對于識別框架中5種故障的基本可信度分配。表1給出了由光電式振動傳感器1與2采集的振動信號輸入到FFT微機分析儀后獲得的2個頻域證據體對于5種故障的基本可信度分配，見表1第一、第二行數據；再把這2個傳感器證據體融合，可得到新的診斷結果，見表1第三行數據。 表2 組合診斷結論 可見，利用單一故障特征對電機故障進行識別診斷，可信度比較低，有時無法準確識別故障類型，而利用3類故障特征的融合信息再進行融合后，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別率。 3 結 論 本文將神經網絡與證據理論相結合，組成數據融合故障診斷系統，通過正確選擇與提取故障特征向量，分類輸入并行神經網絡，從多方面反映電機系統的狀況，從而提高了診斷系統的容錯能力與診斷準確度，并能滿足工程實際中設備故障的實時診斷性要求。