论文部分内容阅读
摘要：本文对基于多尺度残差神经网络的无刷直流电机故障在线监测系统设计进行了研究，结合人工智能、机器学习和数据可视化等技术，将工业化和信息化进行融合，设计了一套能够在线监测以及诊断无刷直流电机故障的系统。
关键词：电机故障;深度学习;在线监测
中图分类号：TM921.5 文献标识码：A 文章编号：1674-957X（2021）12-0095-02
0 引言
近些年，由于无刷直流电机大规模的研发和技术的逐渐成熟，其驱动系统在工业生产中的分布范围也随之扩大，已逐步成为工业自动化领域中的发展主流[1]。各大厂商也提供不同型号的电机以满足不同驱动系统的需求。在国内，纺织、冶金、印刷、自动化生产流水线、数控机床等工业生产方面，无刷直流电机都有涉猎。虽然无刷直流电机应用范围广，但一般工作环境恶劣，易引起机械和电气故障，进而导致财产损失和安全事故。基于此对基于多尺度残差神经网络的无刷直流电机故障在线监测系统设计进行了研究。
1 多尺度残差神经网络特点
采用人工神经网络中的多尺度残差深度神经网络，此网络不仅具有自学习、自适应、非线性映射及良好的泛化能力，还有以下特点：①相对于VGG神经网络来说，解决了随着网络深度的增加，准确率达到饱和然后迅速退化的问题。②在很大程度上解决了梯度消失和梯度爆炸的问题，它使得数十层甚至上千层的网络在反向传播的随机梯度下降上能够收敛。③更多尺度的卷积核能够对信号进行更加全面的信息提取。此外，采用多尺度卷积核是因为在一个故障发生的时候，容易引起其他故障，较小的卷积核能对单一故障进行精确识别，但当故障并发时，较小的卷积核难以识别出故障发生的先后，采用大的卷积核能更有效的分清复合故障的类型及其先后顺序。
经过实验，电机的不同故障模式将会发出不同的振动信号。本方案使用IEPE加速度传感器[2]通过磁铁座吸在电机安装支架上快速采集电机运转时产生的振动信号，进而进行小波变换，制成时频图[3]，将图片提取，通过由如图1、图2所示的人工神经网络，从而对未知的无刷直流电机故障进行监测和分类。根据故障分类，发出对应的警报，即可有效降低生产风险并为电机的维护带来极大的便利。
卷积神经网络（CNNs）在图像识别已经显示出了很有前景的结果。然而，传统的CNN不能够充分利用多尺度信息，每层只能提取一种尺度的特征信息，为了得到更多的特征，通常的做法是加深网络层数，但这种做法容易出现过拟合，也会导致计算资源的增加。
在本文中，我们提出将多尺度残差网络用于振动信号的识别，其網络结构可表示为图1和图2。
2 系统设计思路
图3给出了系统的总体研究方案，其具体流程步骤如下：①在工作的直流无刷电机上安装IEPE加速度传感器采集振动信号。②将采集的信号经过数据采集器进行放大、滤波、处理后发送到服务器。③云服务器与上位机建立通信，上位机将收到的信号包进行小波变换生成图像，送入已经训练好的CNN模型进行故障的诊断分类。④上位机将分类结果上次至服务器，若分类结果显示电机故障，服务器向机组管理人员发送报警信号。⑤移动端可通过APP实时查看电机的工作状态。
3 软件设计与实现
通过互联网即可随时随地检测设备运行状态，当发生故障时，系统能够根据采集到的频谱或波形数据对故障类型进行检测、识别和报警。
模块主要功能设计：①系统模块中涉及到数据采集及数据校验两个重要步骤，基本流程如图4所示。②实时监控在这里要使用EChart[4]等组件进行数据直观展示（异常的数据通过特殊的标签展示在EChart图表中），并在Ajax技术[5]支持下实现数据实时刷新。EChart是一个轻量级的JavaScript图形库，纯js实现，MVC封装，数据驱动。其特点是重要性和优先级依次递减，设计效果直观、生动、能够交互，可个性化定制，如图5所示。
可视化功能Echart的基本原理如图6所示。
4 结语
本文对无刷直流电机故障在线监测系统的设计进行了介绍，根据采集电机发出的振动信号，进而进行信号分析，变换，制成时频图，将图片提取、构造训练完善的卷积神经网络（CNN）模型，从而对无刷直流电机故障进行诊断和分类，并运用EChart图表以数据可视化的形式展示给用户，为用户提供更加直观的数据信息，辅助用户进行决策。
参考文献：
[1]Lu Siliang and Wang Xiaoxian. A New Methodology to Estimate the Rotating Phase of a BLDC Motor With Its Application in Variable-Speed Bearing Fault Diagnosis[J]. IEEE Transactions on Power Electronics， 2018， 33（4） ： 3399-3410.
[2]宋先进，王志.基于IEPE加速度传感器的振动测试系统研究[J].安徽职业技术学院学报，2019，18（01）：19-22.
[3]王骁贤，张保华，陆思良.基于连续小波变换和卷积神经网络的无刷直流电机故障诊断[J].机械与电子，2018，36（06）：29-32.
[4]王子毅，张春海.基于ECharts的数据可视化分析组件设计实现[J].微型机与应用，2016，35（14）：46-48，51.
[5]赵海国.Ajax技术支持下的ECharts动态数据实时刷新技术的实现[J].电子技术，2018，47（03）：25-27，57.
关键词：电机故障;深度学习;在线监测
中图分类号：TM921.5 文献标识码：A 文章编号：1674-957X（2021）12-0095-02
0 引言
近些年，由于无刷直流电机大规模的研发和技术的逐渐成熟，其驱动系统在工业生产中的分布范围也随之扩大，已逐步成为工业自动化领域中的发展主流[1]。各大厂商也提供不同型号的电机以满足不同驱动系统的需求。在国内，纺织、冶金、印刷、自动化生产流水线、数控机床等工业生产方面，无刷直流电机都有涉猎。虽然无刷直流电机应用范围广，但一般工作环境恶劣，易引起机械和电气故障，进而导致财产损失和安全事故。基于此对基于多尺度残差神经网络的无刷直流电机故障在线监测系统设计进行了研究。
1 多尺度残差神经网络特点
采用人工神经网络中的多尺度残差深度神经网络，此网络不仅具有自学习、自适应、非线性映射及良好的泛化能力，还有以下特点：①相对于VGG神经网络来说，解决了随着网络深度的增加，准确率达到饱和然后迅速退化的问题。②在很大程度上解决了梯度消失和梯度爆炸的问题，它使得数十层甚至上千层的网络在反向传播的随机梯度下降上能够收敛。③更多尺度的卷积核能够对信号进行更加全面的信息提取。此外，采用多尺度卷积核是因为在一个故障发生的时候，容易引起其他故障，较小的卷积核能对单一故障进行精确识别，但当故障并发时，较小的卷积核难以识别出故障发生的先后，采用大的卷积核能更有效的分清复合故障的类型及其先后顺序。
经过实验，电机的不同故障模式将会发出不同的振动信号。本方案使用IEPE加速度传感器[2]通过磁铁座吸在电机安装支架上快速采集电机运转时产生的振动信号，进而进行小波变换，制成时频图[3]，将图片提取，通过由如图1、图2所示的人工神经网络，从而对未知的无刷直流电机故障进行监测和分类。根据故障分类，发出对应的警报，即可有效降低生产风险并为电机的维护带来极大的便利。
卷积神经网络（CNNs）在图像识别已经显示出了很有前景的结果。然而，传统的CNN不能够充分利用多尺度信息，每层只能提取一种尺度的特征信息，为了得到更多的特征，通常的做法是加深网络层数，但这种做法容易出现过拟合，也会导致计算资源的增加。
在本文中，我们提出将多尺度残差网络用于振动信号的识别，其網络结构可表示为图1和图2。
2 系统设计思路
图3给出了系统的总体研究方案，其具体流程步骤如下：①在工作的直流无刷电机上安装IEPE加速度传感器采集振动信号。②将采集的信号经过数据采集器进行放大、滤波、处理后发送到服务器。③云服务器与上位机建立通信，上位机将收到的信号包进行小波变换生成图像，送入已经训练好的CNN模型进行故障的诊断分类。④上位机将分类结果上次至服务器，若分类结果显示电机故障，服务器向机组管理人员发送报警信号。⑤移动端可通过APP实时查看电机的工作状态。
3 软件设计与实现
通过互联网即可随时随地检测设备运行状态，当发生故障时，系统能够根据采集到的频谱或波形数据对故障类型进行检测、识别和报警。
模块主要功能设计：①系统模块中涉及到数据采集及数据校验两个重要步骤，基本流程如图4所示。②实时监控在这里要使用EChart[4]等组件进行数据直观展示（异常的数据通过特殊的标签展示在EChart图表中），并在Ajax技术[5]支持下实现数据实时刷新。EChart是一个轻量级的JavaScript图形库，纯js实现，MVC封装，数据驱动。其特点是重要性和优先级依次递减，设计效果直观、生动、能够交互，可个性化定制，如图5所示。
可视化功能Echart的基本原理如图6所示。
4 结语
本文对无刷直流电机故障在线监测系统的设计进行了介绍，根据采集电机发出的振动信号，进而进行信号分析，变换，制成时频图，将图片提取、构造训练完善的卷积神经网络（CNN）模型，从而对无刷直流电机故障进行诊断和分类，并运用EChart图表以数据可视化的形式展示给用户，为用户提供更加直观的数据信息，辅助用户进行决策。
参考文献：
[1]Lu Siliang and Wang Xiaoxian. A New Methodology to Estimate the Rotating Phase of a BLDC Motor With Its Application in Variable-Speed Bearing Fault Diagnosis[J]. IEEE Transactions on Power Electronics， 2018， 33（4） ： 3399-3410.
[2]宋先进，王志.基于IEPE加速度传感器的振动测试系统研究[J].安徽职业技术学院学报，2019，18（01）：19-22.
[3]王骁贤，张保华，陆思良.基于连续小波变换和卷积神经网络的无刷直流电机故障诊断[J].机械与电子，2018，36（06）：29-32.
[4]王子毅，张春海.基于ECharts的数据可视化分析组件设计实现[J].微型机与应用，2016，35（14）：46-48，51.
[5]赵海国.Ajax技术支持下的ECharts动态数据实时刷新技术的实现[J].电子技术，2018，47（03）：25-27，57.