1、翻譯部分英文原文FaultDiagnosisofThreePhaseInductionMotorUsingNeuralNetworkTechniquesAbstract:Faultdiagnosisofinductionmotorisgainingimportanceinindustrybecauseoftheneedtoincreasereliabilityandtodecreasepossiblelossofproductionduetomachinebreakdown.Duetoenvironmentalstressandmanyothersreasonsdifferentfaultso

2、ccurininductionmotor.Manyresearchersproposeddifferenttechniquesforfaultdetectionanddiagnosis.However,manytechniquesavailablepresentlyrequireagooddealofexpertisetoapplythemsuccessfully.Simplerapproachesareneededwhichallowrelativelyunskilledoperatorstomakereliabledecisionswithoutadiagnosisspecialistto

3、examinedataanddiagnoseproblems.Inthispapersimple,reliableandeconomicalNeuralNetwork(NN)basedfaultclassifierisproposed,inwhichstatorcurrentisusedasinputsignalfrommotor.ThirteenstatisticalparametersareextractedfromthestatorcurrentandPCAisusedtoselectproperinput.Dataisgeneratedfromtheexperimentationons

4、peciallydesigned2Hp,4pole50Hz.threephaseinductionmotor.Forclassification,NNslikeMLP,SVMandstatisticalclassifiersbasedonCARTandDiscriminantAnalysisareverified.RobustnessofclassifiertonoiseisalsoverifiedonunseendatabyintroducingcontrolledGaussianandUniformnoiseininputandoutput.IndexTerms:Inductionmoto

5、r,Faultdiagnosis,MLP,SVM,CART,DiscriminantAnalysis,PCAI.INTRODUCTIONINDUCTIONmotorsplayanimportantroleasprimemoversinmanufacturing,processindustryandtransportationduetotheirreliabilityandsimplicityinconstruction.Inspiteoftheirrobustnessandreliability,theydooccasionallyfail,andunpredicteddowntimeisob

6、viouslycostlyhencetheyrequiredconstantattention.Thefaultsofinductionmotorsmaynotonlycausetheinterruptionofproductoperationbutalsoincreasecosts,decreaseproductqualityandaffectthesafetyofoperators.Ifthelifetimeofinductionmachineswasextended,andefficiencyofmanufacturinglineswasimproved,itwouldleadtosma

7、llerproductionexpensesandlowerpricesfortheenduser.Inordertokeepmachinesingoodcondition,sometechniquesi.e.,faultmonitoring,faultdetection,andfaultdiagnosishavebecomeincreasinglyessential.Themostcommonfaultsofinductionmotorsarebearingfailures,statorphasewindingfailures,brokenrotorbarorcrackedrotorend-

8、ringsandair-gapirregularities.Theobjectiveofthisresearchistodevelopanalternativeneuralnetworkbasedincipientfault-detectionschemethatovercomethelimitationsofthepresentschemesinthesensethat,theyarecostly,applicableforlargemotors,furthermoremanydesignparametersarerequestedandespeciallyconcerningtolongt

9、imeoperatingmachines,theseparameterscannotbeavailableeasily.Ascomparedtoexistingschemes,proposedschemeissimple,accurate,reliableandeconomical.Thisresearchworkisbasedonrealtimedataandsoproposedneuralnetworkbasedclassifierdemonstratestheactualfeasibilityinarealindustrialsituation.Fourdifferentneuralne

10、tworkstructuresarepresentedinthispaperwithallkindsofperformancesandabout100%classificationaccuracyisachieved.II.FAULTCLASSIFICATIONUSINGNNTheproposedfaultdetectionanddiagnosisschemeconsistsoffourproceduresasshowninFig.1:Datacollection&acquisitionFeatureextractionFeatureselectionFaultclassificationDa

11、taCollectionandDataacquisitionInthispaperthemostcommonfaultsnamelystatorwindinginterturnshort(I),rotordynamiceccentricity(E)andbothofthem(B)areconsidered.BTFFig.1.GeneralBlockDiagramofproposedclassifierForexperimentationanddatagenerationthespeciallydesigned2HP,threephase,4pole,415V,50Hzinductionmoto

12、risselected.ExperimentalsetupisasshowninFig.2.Fig.2.ExperimentalSetupTheloadofthemotorwaschangedbyadjustingthespringbalanceandbelt.ThreeACcurrentprobeswereusedtomeasurethestatorcurrentsignalsfortestingthefaultdiagnosissystem.Themaximumfrequencyofusedsignalwas5kHzandthenumberofsampleddatawas25OO.From

13、thetimewaveformsofstatorcurrentsasshowninFig.3,noconspicuousdifferenceexistsamongthedifferentconditions.Healthy(H)ysB-llmEcc,rrtncrt,Tli*MWVWt口ntmieiBmH伯jFig.3.ExperimentalWaveformsofStatorcurrentFeatureExtractionThereisaneedtocomeupwithafeatureextractionmethodtoclassifyfaults.Inordertoclassifythedi

14、fferentfaults,thestatisticalparametersareused.Tobeprecise,samplestatisticswillbecalculatedforcurrentdata.Overallthirteenparametersarecalculatedasinputfeaturespace.Minimumsetofstatisticstobeexaminedincludestherootmeansquare(RMS)ofthezeromeansignal(whichisthestandarddeviation),themaximum,andminimumval

15、uestheskewnesscoefficientandkurtosiscoefficient.Pearsonscoefficientofskewness,gdefinedby:2WhereXdenotesmean,xdenotesmedianandSdenotesthesamplestandardXdeviation.Thesamplecoefficientofvariationvisdefinedby;rSvXTherthsamplemomentaboutthesamplemeanforadatasetisgivenby;m2denotesspreadaboutthecenter,m3re

16、ferstoskewnessaboutthecenter;m4denoteshowmuchdataismassedatthecenter.Second,thirdandfourthmomentsareusedtodefinethesamplecoefficientofskewness,gandthesamplecoefficientofkurtosis,gqasfollows.g3g4Q)Thesamplecovariancebetweendimensionsjandkisdefinedas;(x-x)(x-x)ijjikkC=4jk(n-1)andk,risdefinedas;jkcr=jk

17、(7)jkS-SjkFeatureSelectionBeforeafeaturesetisfedintoaclassifier,mostsuperiorfeaturesprovidingdominantfault-relatedinformationshouldbeselectedfromthefeatureset,andirrelevantorredundantfeaturesmustbediscardedtoimprovetheclassifierperformanceandavoidthecurseofdimensionality.HerePrincipalComponentAnalys

18、is(PCA)techniqueisusedtoselectthemostsuperiorfeaturesfromtheoriginalfeatureset.PrincipalComponents(PCs)arecomputedbyPearsonrule.TheFig.4isrelatedtoamathematicalobject,theeigenvalues,whichreflectthequalityoftheprojectionfromthe13-dimensionaltoalowernumberofdimensions.po1J廠-L=二=-_=0,Vi.NiwhereG(,b2rep

19、resentsaGaussianfunction,Nisthenumberofsamples,aareasetofimultipliers(oneforeachsample),(10)(11)J(x)=d(蘭daG(x-x,2b2)+b)iijjiji=1andM=ming(x).iiandchooseacommonstartingmultiplieralearningrate耳,andasmallthreshold.Then,whileiMt,wechooseapatternxandcalculateanupdateAa=q(1-g(x)andperformtheupdateTOC o 1-

20、5 h ziiiIfa(n)+Aa0iia(n+1)=a(n)+Aa(n)iii(12)(13)b(n+1)=b(n)+dAaiiAnd訐a(n)+Aal.ikeliliacid5:EsdiaidPtajHcin4:I:jrfrhaidLikclihckid5:匚ERT町ini6:CJtRTrTwciingFig.10(a).VariationofAverageClassificationAccuracyonTestingonTestdataandCVdatawithMethodandMeasureofTreesFig.lO(b).VariationofAverageClassificatio

21、nAccuracyonTestingonTestdataandCVdatawithDepthofTreesDiscriminantAnalysisDiscriminantanalysisisatechniqueforclassifyingasetofobservationsintopredefinedclasses.Thepurposeistodeterminetheclassofanobservationbasedonasetofvariablesknownaspredictorsorinputvariables.Themodelisbuiltbasedonasetofobservation

22、sforwhichtheclassesareknown.Basedonthetrainingset,thetechniqueconstructsasetoflinearfunctionsofthepredictors,knownasdiscriminantfunctions,suchthatL二bx+bx+.+bx+c,where1122nnthebsarediscriminantcoefficients,thexsaretheinputvariablesorpredictorsandcisaconstant.DiscriminantanalysisisdoneusingXLSTAT-2009

23、.VariousmodelsarecheckedandresultsareshowninFig.11.ltisobservedthatoptimumaverageclassificationaccuracyontestingontestdataandCVdataisfoundtobe91.77and80percent,respectively.Titincn*T上口xta口H上in已c-nCDatM1:3:lirwu.T(l2:Slcjiwisc4:11旺kMiLidFig.11.VariationofAverageClassificationAccuracyonTestingonTestda

24、taandCVdatawithModelofDAIII.NOISESUSTAINABILITYOFCLASSIFIERSincetheproposedclassifieristobeusedinrealtime,wheremeasurementnoiseisanticipated,itisnecessarytochecktherobustnessofclassifiertonoise.Tochecktherobustness,C-UniformandGaussiannoisewithmeanvaluezeroandvariancevariesfrom1to20%isintroducedinin

25、putandoutputandaverageclassificationaccuracyontestingdatai.e.unseendataischecked.ItisseenthatSVMbasedclassifieristhemostrobustclassifierinthesensethatitcansustainbothuniformandGaussiannoisewith14%and20%varianceininputandoutput,respectively.ResultsareasshowninTableIG-GaussianNoiseU-UniformNoiseTVlll.

26、l.IEFFECTOFNOEEObiAVERACECLASJilFICATinNAHriJRACYWlIk：N(；I.TSSIIILRriSTI：l)ONTKSTlMtJDATANNModelMLI”SVMNeri聊inItijhjIItijiuIOufiu4%VajianssAverageCkissilldticiTicmTc?slingcmDatLijclI)a1aTypecilNciiweuGU匚1.1u1iaaioaiaa100iaaiaaiaaiaa2iaa100iaa100iaaiaaiaaiaa3iaa100Kid100100aa661004iaaioaiaa10066.7iaa

27、iaaiaa5jaaiaa66.766.7iaaiaa6iaa100Kid100100aaaa1007iaaioaiaa100iaaiaaiaaiaa*jaaiaaiaaiaaiaaiaa9iaaioaiaa100iaaiaaiaaiaaiaiaaioaiaa100iaa66.7iaaiaait75iaaiaaiaaiaaiaa12iaaioaiaa100iaaiaaiaaiaa13laaiaaiaai(n66.766.7iaaiaa14100IGOiaa100iaaiaoiaaiaa15iaa75iaa10066.7iaaiaa1615iaa5a5a66.766.7iaaiaa1775757

28、57566.766.7iaa66.71甘iaaioa755a33333.3iaaiaa19laaiaa7575iaaiaaiaa66.72aiaa62755Q3333.3ma100IV.RESULTSANDDISCUSSIONInthispaper,theauthorsevaluatedtheperformanceofthedevelopedANNbasedclassifiersfordetectionoffourfaultconditionsofthreephaseinductionmotorandexaminedtheresults.MLPNN,andSVMareoptimallydesi

29、gnedandaftercompletionofthetraining,thelearnednetworkistestedtodetectdifferenttypesoffaults.SimilarlystepsizeisvariedinSVMand0.7stepsizeisfoundtobeoptimum.TheseconfirmourideathattheproposedfeatureselectionmethodbasedonthePCAcanselectthemostsuperiorfeaturesfromtheoriginalfeatureset,andtherefore,isapo

30、werfulfeatureselectionmethod.Alsoproposedclassifierisenoughrobusttothenoise,inthesensethatclassifiergivessatisfactoryresultsforUniformandGaussiannoisewith14%varianceininputandwith20%varianceinoutput.ComparativeresultsareshowninFig.12andTableII.fDIJJnuloyuo-p呂一.一顯呂。c01Do5-Fig.l2.Comparativeanalysisof

31、variousclassifierw.r.t.Averageclassificationaccuracy.TABLEIICOMPARATIVERESULTSOFNNBASEDCLASSIFIERST-TimercquiivdTierepciclipereKcniiptninmsNumbercil匚tunnediim伺商違侶Pk7rl(BinajiceTetlinganTcwl【如口TetlingciiiCVIhtiTwMojcOliscTwdMin.DeservedAverageSOMax.CJhjflmedMin.fJhsmedAverageSOi.-JMSE0207157a.aai773C

32、LCM業J；OJ06550.1267J7&0035d(20.0413cun殆44RcjiccjHCinvclnc(n9S254.14423aaKL133339.2222右.04甘4PCPTCCTTlC5MSE0.09926a.asasOJOS9150.0(.0941340.054S40.061920.007Q.6932fi4RCTCCITtCcirrednew(nSMJSS99.611.944oaSK.SS9S.7223514中文譯文基于神經網絡技術的三相異步電動機故障診斷摘要：異步電機故障診斷在工業中十分重要，因為需要提高可靠性和降低由于機器故障造成的生產損失。由于環境壓力和許多其他的原因使

33、異步電動機發生不同的故障。許多研究者提出了不同的故障檢測和診斷技術。然而，目前許多技術需要提供良好的專業知識才能在應用中獲得成功。更簡單的方法是可以使用相對不熟練的操作在不需要診斷專家仔細考察數據和診斷問題的情況下做出可靠的判斷。本文提出了簡單，可靠，經濟的基于神經網絡（NN）的故障分類，其中電機定子電流作為輸入信號。從定子電流中提取13個參數并使用PCA來選擇合適的輸入。數據來自于特別設計的2馬力、4極50HZ的三相異步電動機試驗。為了分類，如神經網絡像MLP、SVM和基于CART的統計分類器以及判別分析歐進行了驗證。對噪聲分類器的魯棒性的驗證，也通過在輸入和輸出引進高斯和統一控制進行了驗證

34、。關鍵詞：異步電動機，故障診斷，MLP，SVM，CART，判別分析，PCA引言異步電機作為主驅動設備在生產、工業和運輸中由于其可靠性和結構簡單發揮重要作用。盡管由于它們的穩定性和可靠性，它們偶爾也會發生故障和意外停機，造成很大的損失。因此，它們需要不斷的關注。感應電動機的故障不僅會導致產品的運作中斷，而且增加成本，降低產品質量，影響操作人員的安全。如果延長異步電機壽命和提高生產線效率,這將花費更少的生產費用，使終用戶可以以更低的價格購買。為了保持機器的狀態良好，一些技術，如故障監測，故障檢測和故障診斷變得越來越重要。感應電動機的最常見的故障是軸承故障，定子繞組故障，轉子斷條或氣隙不合理。本研究

35、的目的是發展一種替代人工神經網絡的早期故障檢測計劃，克服在這個方案上的局限性，目前的方法很昂貴，對于大型電動機適用，而且許多設計參數要求，特別是涉及到長時間運作的機器，這些參數不能提供方便。相對于現有的方案，這項方案很簡單，準確，可靠和經濟。這項研究工作是基于實時數據等，提出基于神經網絡分類器顯示一個真正的產業狀況的實際可行性。本文提出四個不同神經網絡結構在與各種各樣的表現，并且達到100%分類準確性。用神經網絡分析故障如圖.1所顯示，提出的故障檢測和診斷計劃包括四個步驟：1數據的收集與采集特征提取特征選擇故障分類數據收集和數據采集在本中最常見的故障，即定子繞組匝間短路（1），轉子動態偏心（E

36、）和二者皆有（B）。TflinedClassifterET圖1一般結構圖用于實驗和數據生成而特別設計的2馬力，三相，四極，415V,50Hz的異步電動機已選好。所做實驗設圖2所示。圖2實驗裝置調整彈簧秤和傳送帶改變馬達的裝載。三個交流電流探針，用于測量定子測試故障診斷系統的電流信號。最大使用頻率信號是5kHz，被抽樣的數據的數量是2500。定子電流波形圖3所示，在不同的條件下，沒有明顯的差異存在。Ec匚crrtricitvCEj1JU_nilHI1LJWwvw口-0Timr:hwwi訶4亠圖3定子電流實驗波形特征提取有必要得出一個根據提取特征判斷分類故障的方法。為了對不同的故障，使用了統計參量

37、。確切地說，對當前的數據進行統計將會得出樣品資料。全部13個參數作為輸入特征計算。考察的最小統計量包括平均信號（這里是標準差）的均方根（RMS）,最高和最低值的偏斜系數和峰度系數。皮爾遜的偏斜系數，g2定義為：(1)其中X表示平均值，X表示位數，S表示樣本標準差。樣本變化參數v定義為:xrSX(2)數據的樣本平均數在rth采樣時刻的值為:m表示中心的范圍，m是指對中心偏度；m表示中心集合的數據數量。其次，第三和234第四的時刻是用來定義樣本偏度系數的g和樣品的峰度系數g如下：434(4)(5)尺寸之間的樣本協方差j和k是指(X-X)(X-X)(6)jjikkC=-4-jk(n1)普通關聯系數j

38、和k，r被定義為：7)cr二jkjkS-Sjk特征選擇在將一個特征送入分類器前，最明顯的故障提供相關的信息優勢，應從設置功能中選擇功能不相干的或多余的功能必須被丟棄，以提高分類器的性能，避免維度的危害。這里的主成分分析(PCA)技術用于從原來的特征中選擇最優的特征。主成分(PCs)的計算由皮爾遜規則完成。圖4與一個數學對象有關，即特征值，這個特征值反映了從13個維到一個較低維的投影質量。圖4主成分，特征值和百分比變化故障分類（1）基于多層感知器神經網絡分類器LC簡單的多層感知器（MLP）神經網絡，作為一個故障分類。四個處理單元輸出層中使用的電機有四個條件，即合理，匝間故障，偏心這兩種故障。如圖

39、5所示的結果，選擇5個項目合作安排為輸入，因此在輸入層PE的數量為5。iMEEanTriuX*廠111114.5D.431.3D.I32DJ31.1DCSSuniitcicTFCs詔血5*圖5（a）微型和小型企業的平均變化對培訓和電腦的數量作為輸入.G-Entb-U2OE-更一&墨$0,Viwh,.N(9)iiii=1其中2)是一個高斯函數，N為樣本數，a是一個乘數集(每個樣品1個)iJ(x)=dCdaG(x-x,2a2)+b)iijjiji=1(10)及M=ming(x)(11).11選擇一個常見的起始乘數a、學習速率耳，和一個小的閾值。然后，當Mt,我們選一個模i式x和一個校驗Aa=n(1

40、-g(x)，執行校驗。TOC o 1-5 h ziii如果a(n)+Aa0iia(n+1)=a(n)+Aa(n)iiib(n+1)=b(n)+dAa(12)ii如果a(n)+Aa0iia(n+1)=a(n)iib(n+1)=b(n)(13)之后，只有一部分不為于零(稱為支撐向量)。這是很容易實現核算法從g(x)開始可以計算i算法各局部乘數，在輸入文件中可得到所需的反應。事實上,表現為多元化g(x)是錯誤的,i所以它可以激活被包括在這個框架中的神經網絡的學習。核心算法是RBF網絡的本質使其輸出測試由：f(x)=sgn(daG(x-x22)一b)iiiiicspportvectors與成本函數的誤

41、差準則J(t)1工(d(t)-(tanh(y,(t)221i=1(14)(15)圖7(a)電腦輸入的培訓和變形系數的均方誤差的變化TiiilBaljUCVDaUSTBtDiix電腦的信息都將輸入以及步長通過檢查平均最低均方誤差與平均分類精度萊選擇，結果如圖7所示。圖7(b)電腦輸入的檢測試驗數據、訓練數據、變形系數的平均分類精度的變化基于支持向量機分類器的設計,規格：輸入數：5步長：0.7每個時間的樣本：0.693ms數量的連接權：264設計分類器進行訓練和測試使用類似數據和計算結果顯示在圖8和圖9圖8最小均方誤差的變化對測試的平均測試數據，變形系數數據和訓練數據的轉移(n)圖9最小均方誤差變

42、化的平均訓練變異系數多種多樣的集合分類和樹狀結構分類和樹狀結構是特征空間的劃分的過程，是二進制遞歸的數據集。所產生的樹木包括內部節點和終端節點或葉節點。第一階段叫樹的構造，第二階段是樹修剪分類樹，開發利用XLSTAT-2009各種各樣的方法、措施和最大的樹的深度,結果顯示如圖10。研究表明,優化平均分類精度進行測試的試驗數據分別是90.91%和80%。JT*rtDalaTetiunEonfDati1:Pcomvi2:Chiidl.ilsdilicKKJ3:EK(7haid-Ptajscm4:I:(7io.kJLikdihciad5:匚星RT町ini6:CJtRT-Twaing7:Out?si占

43、弓Mrly一顯-c圖10(a)平均分類精度的變化對測試試驗數據和變異系數數據的方法與措施oooa口ooo口口口C5J1匚二丸口冷-lT*!-込1DA圖10(b)平均分類精度的變化對測試試驗數據和變異系數數據與深度的樹狀結構(4)判斷分析判別分析對一組觀察數據進行預定義的技術。其目的是要確定一個觀察組作為一個已知輸入變量或預測變量的基礎。該模型建立了一套已知的觀測數據。該套觀測有時被稱為基于訓練集的培訓，這項技術建立了一套線性函數的預測因子，叫做判別函數，即L二bx+bx+.+bx+c，b是判別系數,，x為輸入變量或預測因子即c為常數。這些1122nn判別函數用于預測一個未知的新觀測類。用XLS

44、TAT-2009判別分析各種模式檢測與結果如圖11所示，觀察表明，優化平均分類精度進行測試的試驗數據分別是91.77%和80%。I:Slcjiwisc-kirwo-id3:Icirward2:Slcjiwise13-ajcJcwaid4：圖11平均分類精度的變化對檢測試驗數據與模型的數據和變化系數3.分類器的噪音可持續性由于提出的分類器，用于實時情況，測量噪聲情況是非常必要的。檢查系統的穩定性,高斯噪聲方差值為零，輸入和輸出從1變化到20%,并且測試平均分類精度的數據。它是基于支持向量機分類器的分類，具有較強的穩定性，它能維持兩者統一和高斯噪聲的輸入和輸出方差在14%和20%之間，結果顯示見表1。G-高斯噪音U-均衡噪音TAI1I.I：IIJTIiCTCH-NOI