Page 212 - 电气自动化控制技术研究

电气自动化控制技术研究

的数学模型。采用有监督式学习（Back Propagation，BP）神经网络对全贯流电机泵进行故

障诊断。先用频谱分析确定表征全贯流电机泵每种故障的频率特性，利用特征频谱中的谱
峰能量值作为神经网络的输入样本，以对应的故障类型作为神经网络的输出样本，对该神
经网络采用 BP 算法进行机器学习，得到故障特征到故障类型的映射关系。利用神经网络

的分布式系统对全贯通电机泵故障进行诊断。BP 网络通过对样本的训练、学习和推广，
能得到自适应能力很强、容错性很好的一般性规律。它能进行故障类型识别，还能进行故
障程度的评估，因此广泛应用在电机故障智能诊断中。但由于 BP 算法采用全局逼近的神

经网络，存在收敛速度慢、振荡以及易陷入局部极小值等问题，还由于其不具备增量学习
能力导致对异常故障的诊断能力低，降低了诊断的可靠性。
3. 基于支持向量机的故障诊断方法

支持向量机（Support Vector Machine，SVM）是一种对数据进行二元分类的按监督学
习方法。通过核方法进行非线性分类时，使用高维空间转换，将非线性可分问题映射到高

维空间上的线性分类问题，从而得到 SVM 一般结构，接着，寻找最优分类面将样本分离，
因此 SVM 具有通用性。它广泛应用在模式识别和故障诊断等领域。电机故障诊断问题本
质上是一种分类问题，SVM 也是可以在小样本条件下获得最优解的方法，这正解决了电机

故障中样本较少的问题。在感应电机轴承故障的诊断中，采用加权交叠平均法结合 SVM
对电机的定子信号进行处理，通过优化的核函数实现轴承外沟通故障的在线诊断分析。这

种方式需要的样本量少、成本低廉，但对于多分类情况效果较差。
4. 基于模糊理论的诊断方法
模糊理论是通过建立连续隶属函数，用模糊控制对待考察的不确定信息进行决策。在

电机故障诊断中，模糊属性经常出现，例如，对征兆的描述：转速“较慢”，波形“不稳”
等都具有模糊属性；在信息的采集的过程中也经常有噪声的影响，模糊理论的有效运用能
一定程度上抵抗噪声的干扰，优化诊断结果；而且故障类型与征兆之间也是模糊关系，模

糊理论是解决这类问题最有效的工具。模糊理论诊断故障通常有两种方式，其一是先构建
特征量与故障状态的因果关系矩阵，再建立故障类型与征兆的模糊关系方程，这是基于合
成算法及模糊关系的智能诊断方法。其二是先建立征兆与故障类型之间的模糊规则库，再

运用模糊逻辑推理进行诊断，这是基于知识处理的智能诊断方法。模糊语言比较接近自然
语言，可读性较强，推理逻辑严谨，非常适用于处理电机故障这类不确定性问题。然而，

模糊诊断在获取模糊规则及隶属函数时比较困难且具有一定的主观性，而且不同的电路对
应的模糊规则不同，给电机故障诊断带来相当大的计算量。但是，将模糊理论引入电机故
障智能诊断已是必然趋势。

204