改進LSTM神經(jīng)網(wǎng)絡在電機故障診斷中的應用

1、改進lstm神經(jīng)網(wǎng)絡在電機故障診斷中的應用張凱i，林谷炸之，羅權3(華南理工大學 電力學院，廣州510000)摘要：三相異步電機因其結構簡單、維護方便、可靠性高等特點被廣泛應用到工業(yè)生產中，所以保證三相異步電機 在生產環(huán)境中的安全與穩(wěn)定運行具有十分重要的意義。傳統(tǒng)的三相異步電機故障診斷均采用特征電流法，但在實際 應用中由于特征諧波難以分離，從而導致無法判斷；采用先進的長短期記憶(lstm, long short-term memory)神經(jīng) 網(wǎng)絡以及最新提出的radam優(yōu)化器，在電機正常運轉時對其運行特性進行實時采集，通過雙峰譜線插值法以及滑窗 法提取諧波之后，對電機輸出結果進行時序預測和比對

2、；最后以工程中實際電機數(shù)據(jù)為例，通過測量其故障運行實 際數(shù)據(jù)，驗證了該算法的可行性；經(jīng)實驗測試可得，相比于傳統(tǒng)神經(jīng)網(wǎng)絡，該算法具有更好的故障檢測能力。 關鍵詞：長短時記憶網(wǎng)絡；時序預測；故障診斷；radam優(yōu)化器；雙峰譜線插值法；application of improved lstm neural network in motor fault diagnosiszhang kai1, lin guye2, luo quan3(south china university of technology, guangzhou 510000, china)abstract: conventional

3、 asynchronous motors are widely used in industrial production due to their simple structure, convenient maintenance, and high reliability. therefore, it is of great significance to ensure the safe and stable operation of the frequency converter in the production environment. motor fault diagnosis us

4、es the characteristic current method, but in practical applications, the characteristic harmonics are separated, which makes it impossible to judge; the advanced long short-term memory (lstm, long short-term memory) neural network and the newly proposed radam optimizer are used. when the motor is ru

5、nning normally, its operating characteristics are collected in real time. after the harmonics are extracted by the doublepeak spectral interpolation method and the sliding window method, the output results of the motor are time series predicted and compared; finally, the actual motor data in the pro

6、ject is taken as an example. the feasibility of the algorithm is verified by measuring the actual data of its fault operation; it can be obtained through experimental tests, and it is used in traditional neural networks, and the algorithm has better fault detection capabilities;key words： long short

7、 time memory network; time series prediction; fault diagnosis; radam optimizer; double peak of spectral lines interpolation;0引言伴隨著人工智能領域的發(fā)展，越來越多的傳統(tǒng) 領域開始嘗試采用神經(jīng)網(wǎng)絡理論來解決工程實踐 中難以精確建立數(shù)學模型的問題。異步電動機由于 具有故障種類較多，受外界干擾大等特點，而傳統(tǒng) 基于建模分析的方法難以建立適應各個復雜場景 下的三相異步電機運行時的數(shù)學模型，所以使用神 經(jīng)網(wǎng)絡進行故障診斷分析相比于傳統(tǒng)的電機建模 分析等方法有著得天獨厚的優(yōu)勢。目前

8、國內外也已 經(jīng)有一些研究采用神經(jīng)網(wǎng)絡進行電機故障診斷的 研究"-3】。但是目前采用的方法仍然存在一些不足: 首先，基于模型的方法雖然精度高，但計算量大, 且難以得到精確的模型；其次，對于傳統(tǒng)的神經(jīng)網(wǎng) 絡模型存在無法排除擾動，收斂精度不足或者無法 保證收斂等問題。在這樣的背景下，本文基于最新提出的 radam優(yōu)化器構建lstm神經(jīng)網(wǎng)絡，相比于傳統(tǒng) 的神經(jīng)網(wǎng)絡而言：第一，lstm神經(jīng)網(wǎng)絡的網(wǎng)絡結 構更適合進行時序自回歸預測囹；第二，使用 radam優(yōu)化器解決了傳統(tǒng)神經(jīng)網(wǎng)絡模型在訓練的 初期學習率的方差較大、收斂速度較慢、收斂精度 較低等問題；第三，針對輸出精度較低以及模型易 受干擾等問題

9、采用雙峰插值法【7進行滑窗濾波, 并采用時間序列進行輸入以提高精度。1雙峰譜線插值與滑窗法提取諧波在實際工業(yè)場景下，由于電網(wǎng)電壓存在波動等 情況，導致三相異步電機在運行過程中無法針對一 個長的時間序列進行高精度的諧波分析，所以在實 際應用中采用滑窗法對實際運行的波形進行分段 分析引。1.1雙峰譜線插值算法假設含有h次諧波分量的信號工（。經(jīng)過采樣頻 率為&的均勻采樣后得到如下形式的離散時間信 號：加)=z a sin(2i*幣 / f + 耳)/=1式中：h為諧波次數(shù);當z = 1時,為、有和印分 別為基波的幅值、頻率和相位；當/i時，&、ft 和伉分別為第i次諧波的幅值、頻率和

10、相位。對式(1)的信號加窗處理后的離散傅立葉變換 表達式為：-<oh a =距e挎w2j(2)-ejolw式中： f = fs/n為采樣頻率分辨率；k為 采樣序號；n為數(shù)據(jù)截斷長度。忽略其他諧波對第i次諧波的泄露影響以及負 頻點-有處頻峰的旁瓣影響，并有萬/1=庇0八假 設要求解的是第，次諧波分量，則有：由于實際采樣時會出現(xiàn)采樣周期非整數(shù)次以 及采樣非同步而導致頻譜泄露，所以化。一般不為 整數(shù)。設峰值點左右兩側的譜線為第化1和險2,則 有 kn < kiq < ki2 = /cfl + 1 o 引入?yún)?shù) a = kjo 一 kn 0.5 a e 0.5,0.5,并設 0 =

11、(y? vi)/ (無+無)，并由式(3)可得：力+凹_ i w2勿(一a + 0.5) / n | | w2勿(一。一 0.5) / n | 一 | w2(a + 0.5) / n | +1 w2(a 0.5) / n | = f(a)其中 =氐(庇ff)l，y2 =氐(庇2v)i是兩 條譜線的幅值。采用余弦組合窗函數(shù)，并計算可得：w貧5.尸mtne(-d/wv"i=ol.,2兀k、 sin()nsin(勿(化 一 m) sin(k + m)nn j的，則對于奇函數(shù)uh),采用切比雪夫不等 式擬合可得：a =廠'(0)(6)急 4 /? + ci3 伊 + . +。2+1

12、由a可求得第i次諧波的頻率修正公式、諧波 相位修正公式分別為：fi =幻)4/ = (。+ki +。5)國4 = arg(4/)0.5(-l)z t = ,2 針對<1,2兩種情況的結果進行加權平均最終 可得到相位修正公式：4 =們(儀 + 0.5) + &2' (一a + 0.5)(8)第i次諧波的幅值修正是對第庇1和險2根譜線 取加權平均，其計算公式為：a,-via 2勿(kl4o)/n+&.mr2 勿化 2-k°)/n-v阡2勿(知弋。)小| + |噸2勿(加-婦小2()i+)2)一 | w2勿(-a -0.5) / n | +1 w27i(-a

13、+ 0.5) / n 在雙峰譜線插值算法的基礎上，針對時間跨度 較大的波形采用分段滑窗求取整個時間域上精確 的諧波。下圖1為利用雙峰插值和滑窗法提取基波的(5) 當窗函數(shù)為實系數(shù)時，由于i"學|是偶對稱對于相鄰的兩個窗之間需要進行插值運算，設 第，個插值點左側的基波幅值、頻率以及相角為、 有、務，插值點右側的基波幅值、頻率以及相角為%、£、興，且插值點所在時刻為如 則根據(jù)左右 兩側極限的平均值可得插值點的值為：a sin(27r/；上 + 0) + a? sin(2/£s + 十)(質)2由(7)、(8)、(9)、(10)式推廣至整個采樣時間域, 并設采樣起始時刻

14、為to,采樣終止時刻為以窗口大 小為at,則經(jīng)過雙峰插值與滑窗法提取后的采樣 波形的時間域函數(shù)(p(t)表達式為：彌)=<4，血(2時+0)其他(11)其中:2(/+ 力)a ="i w27r(-a - 0.5) / n | +1 w2 勿(a + 0.5) / n /；=她頂=(。+佑 i+0.5)頌0 = 0 0 + 0.5) + 02 (-a + 0.5)(12)1.3實際數(shù)據(jù)處理效果以實驗時a相電壓為例，采樣頻率為8000hz, 采樣時間為10s,則使用滑窗法和不使用滑窗法提 取并去除基波后的諧波波形與頻譜圖如下圖2所 示：tw(a)時域波形比較(b)頻譜圖比較圖2滑窗

15、法與不使用滑窗法在時域與頻域的對比圖從圖中可以看出由于電網(wǎng)電壓的基頻是隨時 間波動的，所以如果不使用滑窗法從一個小窗口提 取基波將會造成很大的誤差。在頻譜圖中也說明了 使用了滑窗法提取并去除基波時可以很好的動態(tài) 跟蹤電網(wǎng)基頻的變化，而不使用滑窗法則會受到電 網(wǎng)電壓基頻波動的影響。2改進lstm神經(jīng)網(wǎng)絡的時序預測模型 2.1 lstm神經(jīng)網(wǎng)絡與radam優(yōu)化器lstm神經(jīng)網(wǎng)絡是一個深度學習網(wǎng)絡，被設計 為學習長期依賴關系。通過引入特殊類型的門來實 現(xiàn)長期保存信息。遺忘門可以丟棄冗余信息；輸入 門可以選擇要存儲在內部狀態(tài)的關鍵信息；而輸出 門用于識別輸出信息。通常,lstm神經(jīng)網(wǎng)絡訓練采用adam

16、優(yōu)化器， 是由kingma和lei ba兩位學者提出的結合 adagrad和rmsprop兩種優(yōu)化算法的優(yōu)點的優(yōu)化 器。對梯度的一階矩估計(first moment estimation, 即梯度的均值)和二階矩估計(second moment estimation,即梯度的未中心化的方差)進行綜合考 慮，計算出更新步長。雖然adam優(yōu)化器中加入了一階矩估計和二 階矩估計可以產生自適應式的學習率從而加速了 收斂過程并提升了 model的泛化能力。但是由于在 訓練的初期，訓練數(shù)據(jù)較少，此時學習率的方差大， 不確定性因素較多，所以會使得訓練初期不太穩(wěn)定, 進而導致模型訓練時陷入局部最優(yōu)解。常用解決

17、 adam收斂問題的方法有：采用自適應啟動方法； 指數(shù)加權平均的啟發(fā)式warmup算法等。而radam(rectified adam)優(yōu)化器在其導數(shù)的 基礎上，通過估算自由度p來實現(xiàn)自適應的學習率， 并進行顯式地修正。radam算法的輸入有：步長 %；衰減率島伊2用于計算移動平均值和它的二階 矩。首先，初始化移動量的一階矩mi和二階矩m2 并估算簡單移動平均值(sma)的最大長度8 = 2/(1 - 1然后按照以下的迭代公式計算出：第t步時的 梯度勿，移動量的二階矩移動量的一階矩 移動偏差的修正泣和sma的最大值h：(幻)vt =02焰+。-02殖(13) 叫=徹_+(1-崗)&mt

18、= mt /(1-/).pt = ao 2 說(1/)移動偏差經(jīng)過計算之后再針對久判斷步長的 穩(wěn)定度：如果pt > 4則進行自適應動量來更新參數(shù)。移動二階矩的修正值和方差修正值為：*=農/(1-$)r= l(a4)(a2)ar'vm-4)(心-2)0此時的模型參數(shù)迭代規(guī)則如下：ot-ota-atrtmt ivt(14)(15)如果pt <4,則使用非自適應動量更新參數(shù): -at(16)輸出為/表示第t步后的模型參數(shù)。2.3 lstm神經(jīng)網(wǎng)絡進行時序預測的原理時序預測建模是使用現(xiàn)有的數(shù)據(jù)來建立未來 數(shù)據(jù)的模型。建模的前提是所要預測的時間序列是 一個穩(wěn)定的、可預測的序列，通常也

19、稱為自回歸 (autoregressive,ar)預測，其表達式如 f ：+(17)i=公式中，c是常數(shù)項，饑是建模參數(shù)，給是隨機 誤差值。則基于此模型擴展的神經(jīng)網(wǎng)絡自適應學習 算法的公式如下所示：耳=，砧)t >( + l，k) (18)本文采用lstm神經(jīng)網(wǎng)絡建立k-n數(shù)據(jù)集的 訓練模型，即得到網(wǎng)絡八與傳統(tǒng)的神經(jīng)網(wǎng)絡不同， lstm神經(jīng)網(wǎng)絡在訓練階段不是獨立的，網(wǎng)絡不是 直接從當前時刻t開始訓練，而是從以前的訓練結 果。到"繼續(xù)訓練，充分利用了時間序列的時間 連續(xù)性。lstm網(wǎng)絡訓練模型時，以而_1為輸入, 勤為回歸數(shù)據(jù)的輸出。最后，在進行訓練之前對lstm神經(jīng)網(wǎng)絡結 構進

20、行構建。神經(jīng)網(wǎng)絡的層結構如下表所示。整個 神經(jīng)網(wǎng)絡由一個多維向量的輸入層，多個lstm和 dropout組成的中間層和一個回歸輸出層組成。其 中加入dropout層是避免模型出現(xiàn)過擬合問題。表1時間序列的lstm模型i輸入層iilstm 層 111 1111dropout 層回歸輸出層3利用lstm神經(jīng)網(wǎng)絡進行電機故障診斷3.1電機故障診斷的原理基于滑窗法的lstm神經(jīng)網(wǎng)絡電機故障診斷 方法以特征電流法原理為基礎，利用一組訓練集中 的數(shù)據(jù)和過去的值建立預測傳感器當前值的模型。 例如，(x,y,z)為一組訓練集，則故障診斷算法通過 前一段時刻參量x(t)的值來預測本時刻的理論值 雙t)，并采集當

21、前時刻的實際值經(jīng)過多個窗 的時間之后將戈與雙。做對比。如果偏差不在合 理的偏差范圍之內，則可以認為出現(xiàn)了電機異常情 況。公式如下所示：x(t) = /(x(t -1), x(t - 2),x(t - n)正常x(z)一 x(t)< 8中 q)=；不正常其他(19)其中，f是2.3小節(jié)所述的時間序列模型，e為 允許誤差范圍，中(t)為校驗函數(shù)。在實際應用中，采用電網(wǎng)三相電壓以及運行時 三相電流作為整個lstm網(wǎng)絡的輸入。針對電網(wǎng) 中基波數(shù)值較大導致在訓練時無法正確捕捉電網(wǎng) 諧波，從而無法正確預測在特定電網(wǎng)諧波下電機實 際運行特性的問題叫a本論文提出采用1.2小節(jié) 中所述的方法，訓練時采用滑

22、窗法處理后的電網(wǎng)三 相電壓的諧波以及電機實際運行時的三相電流的 基波作為輸入向量，并且以三相電流的實際波形作 為輸出，并且將預測理論值的頻譜與實際采樣時的 電流頻譜作對比，并利用特征電流法理論對比兩電 流的實際頻譜，便可得出實際電機有無故障以及故 障類型。同時，傳統(tǒng)的訓練方法采用單個輸入?yún)?shù)進行 訓練，魯棒性較差。而在本文中對此方法進行了改 進，采用6 x n的向量形式作為層內數(shù)據(jù)，以提取數(shù)據(jù)特性，如下圖所示:圖3 lstm神經(jīng)網(wǎng)絡滑窗算法其中久、底、底為經(jīng)過雙峰插值法提取過的電 網(wǎng)三相電壓的諧波分量，態(tài)，、l為電機三相電流 基波分量。算法通過將訓練數(shù)據(jù)中某一點的值擴展 成為包含多個點的區(qū)域，

23、來提高算法的魯棒性和模 型精度。3.2故障診斷的算法流程電機故障診斷算法分為模型訓練和模型預測與故障診斷兩個部分。整個算法的流程圖如下所示:圖4故障識別算法流程圖通過訓練數(shù)據(jù)集，得到了一個lstm模型。當 模型遇到正常工作數(shù)據(jù)時，它能在下一時刻精確地 預測參數(shù)。當出現(xiàn)異常狀態(tài)時，預測結果會偏離實 際值，從而判斷故障的發(fā)生。并通過將故障頻譜與 正常運行時頻譜進行比較，基于特征電流法可以判 斷出故障類型。4實際算例分析 4.1故障診斷系統(tǒng)為了獲得待測電機分別在各種故障情況下的 定子電流，需要搭建電機故障監(jiān)測實驗平臺。實驗平臺的結構圖如下圖5-a所示。圖中m為 待測異步電機，g為發(fā)電機，r為水阻箱，

24、g和r 組成待測電機的負載。利用電機信號采集儀，監(jiān)測 并采集定子電信號，將采集到的信號上傳至上位機 中，由上位機內置的故障診斷系統(tǒng)進行數(shù)據(jù)分析與 故障識別。圖5%為感應電機信息采集分析系統(tǒng)示 意圖。(a)實驗平臺結構圖(b)感應電機信息采集圖圖5故障診斷系統(tǒng)實驗示意圖考慮到實驗電機的選型要滿足易發(fā)生高頻故 障，又考慮到價格需要在實驗成本之內。本次實驗 選擇一臺低壓電機作為實驗的待測電機，電機銘牌 參數(shù)如表2所示：表2實驗電機銘牌參數(shù)電機型額定功額定電額定電極對數(shù)額定轉接法號率壓流速yb180m-2w22kw380v42.2a22940對于信號采集單元，本文實際監(jiān)測設備接線示 意圖如下圖：網(wǎng)線圖

25、6監(jiān)測設備接線示意圖采樣模塊通過網(wǎng)線連接至局域網(wǎng)的電腦，即可 實時獲得測量的數(shù)據(jù)。采樣模塊擁有7個通道接入 測量數(shù)據(jù)，本文采用其三相電壓、電流作為實驗測 試。其中電壓變比加=* 515,電流變比幻=* 10.31。 采樣頻率為8khz,即每個周波160個點。采樣設 備內部基于udp通信協(xié)議并以modbus隧道的通 信方式將電壓、電流波形數(shù)據(jù)向外發(fā)送。本文針對異步電機運行時最經(jīng)常出現(xiàn)的偏心 故障進行實驗，分別測取各型號電機在正常運行以 及人為制造偏心故障時的運行數(shù)據(jù)。其中，人為制 造偏心故障的方法是：打磨電機端蓋一側，并在另 一側塞入銅箔，使電機轉子斜偏心，偏心約10絲 (1絲=0.01mm),

26、處理結果如圖7所示：圖7氣隙偏心的實現(xiàn)實驗結果與理論分析完全一致。4.2與傳統(tǒng)神經(jīng)網(wǎng)絡預測對比為驗證所提出的基于radam優(yōu)化器的lstm 算法的有效性，選擇了經(jīng)典的bp網(wǎng)絡、標準的 lstm神經(jīng)網(wǎng)絡、采用radam優(yōu)化器的lstm神 經(jīng)網(wǎng)絡以及經(jīng)過數(shù)據(jù)預熱的radam優(yōu)化器的 lstm神經(jīng)網(wǎng)絡進行比較。其中bp網(wǎng)絡結構，以 及l(fā)stm相關網(wǎng)絡的結構如下表所示：表3神經(jīng)網(wǎng)絡模型結構經(jīng)過試驗后，針對電流數(shù)據(jù)過濾出整數(shù)次諧波, 并做傅里葉分析，可得偏心故障局部特征頻譜圖：6-5-< 4-3 3-案2-1-86.07 87909396正常故障頻率/99 100圖8 22kw偏心故障局部特征頻譜

27、圖由圖8可見，當異步電機發(fā)生靜態(tài)偏心故障時, 定子電流出現(xiàn)頻率為99.5hz的邊頻帶。通過傳感 器測速得電機發(fā)生斷條故障時的轉速=2970r/min, 轉差率s=0.01o根據(jù)特征電流法理論分析，定子 電流的邊頻帶頻率應為：網(wǎng)絡類型bplstmlstmlstm輸入層6個特征輸入16,滑窗步長6,滑窗步長6,滑窗步長隱藏層多個隱藏層多個隱藏層多個隱藏層多個隱藏層輸出層3個輸 出特征3個輸 出特征3個輸 出特征3個輸 出特征優(yōu)化器adamadamradamradam是否使用warm-up否否否是訓練數(shù)據(jù)長度為100s,采樣率8000hz,即 800000個點。使用均方誤差(mean square

28、error, mse)來衡量訓練準確性。四種神經(jīng)網(wǎng)絡結構在驗 證集的比較結果見下圖：（2 s）/j =（2 0.01）*50 = 99.5hz （20）5%* 冽gltu咨圳相a圖9四種網(wǎng)絡結構在驗證集上的表現(xiàn)0.0015 -0.0010 -0.0005 -0.0000 -段率/hz98實際貌謂 筷測頻譜從驗證集的結果可以看出，bp網(wǎng)絡相較于 lstm網(wǎng)絡在頻譜預測上存在較大的誤差，并且在 300hz與400hz處均存在錯誤的預測結果。而 lstm網(wǎng)絡的預測結果明顯更優(yōu)，并且使用radam 優(yōu)化器進行優(yōu)化的網(wǎng)絡具有更好的測試數(shù)據(jù)集擬 合能力。使用warm-up進行數(shù)據(jù)預熱的結果與使 用rada

29、m優(yōu)化器的結果極為相似，但是收斂速度 更快。4.3實際故障診斷效果故障檢測的原理是檢測模型中的數(shù)據(jù)與實際 數(shù)據(jù)之間的差距。通過4.2小節(jié)的比較，可以看出 radam-lstm方法的時間序列建模更好。因此， 本節(jié)針對這個方法的故障檢測效果進行實驗，實驗 預測結果圖如下所示：0.0025 -0.0020圖10基于radam-lstm神經(jīng)網(wǎng)絡進行故障識別在圖10中，展示了基于radam-lstm時間 序列模型在故障條件下的實測數(shù)據(jù)和預測數(shù)據(jù)。該 圖顯示了電機在發(fā)生4.1小節(jié)所述的偏心運行情況 下的故障識別。當發(fā)生故障時，radam-lstm方 法在預測值和測量值之間有較大的差距，使得故障 得以確定。

30、5結束語本文創(chuàng)新性地將lstm神經(jīng)網(wǎng)絡應用于三相 異步電機的故障檢測，通過滑動窗口剔除基波，并 建立預測模型。研究結果表明，使用lstm神經(jīng)網(wǎng) 絡進行時間序列建模時，基于radam優(yōu)化器的 lstm神經(jīng)網(wǎng)絡的性能優(yōu)于傳統(tǒng)的神經(jīng)網(wǎng)絡模型。 此外，當該方法預測故障實例時，在lstm網(wǎng)絡上 應用滑動窗口比傳統(tǒng)網(wǎng)絡方法提供了更好的分類 精度，可以實現(xiàn)更少的訓練迭代和更高的精度。最 后通過實際數(shù)據(jù)實驗表明此方法具有實際可行性, 為之后電機故障診斷提供了新的思路。作者簡介：張凱(1996.7.27),男，廣東省廣州 市，華南理工大學研究生，主要從事神經(jīng)網(wǎng)絡以 及信號分析方向的研究。聯(lián)系方式：手機：參考文獻：1 劉曉東.探討異步電機故障診斷j中國化 工貿易，2014, ( 13): 101-10.2 秦凱，邊莉，張寧.基于智能方法的電機故障 診斷技術綜述口.工業(yè)儀表與自動化裝置2016,(1): 19-2.3 czeslaw t kowalski, teresa orlowska-kowalska. neural networks application for induction motor faults diagnosisjj. mathematics and computers in s