外文翻譯基于無線傳感器網(wǎng)絡的智能方法相結(jié)合的狀態(tài)監(jiān)測和故障診斷

1、 學號： 10417227 常 州 大 學畢業(yè)設計（論文）外文翻譯（2010屆）外文題目 Combined intelligent methods based on wireless sensor _ _networks for condition monitoring and fault diagnosis 譯文題目 基于無線傳感網(wǎng)絡的監(jiān)測與故障診斷的職能方法 外文出處 WWW.SpringerL 學 生 楊 達 學 院 信息科學與工程學院 專 業(yè) 班 級 自動化102 校內(nèi)指導教師 王雪 專業(yè)技術職務 校外指導老師 專業(yè)技術職務 二一四年三月16常州大學本科生畢業(yè)設計（論文）外文翻譯基于無

2、線傳感網(wǎng)絡的監(jiān)測與故障診斷的智能方法摘要 這項研究提出了基于多個無線傳感器系統(tǒng)的電機狀態(tài)實時監(jiān)控的新的組合方法。該實驗測量了多個信號，例如常見的無線節(jié)點上電流與振動。該方法是低成本、智能化、非侵入式的，同時所采用的基于無線網(wǎng)絡的架構(gòu)能有效地分析和監(jiān)測多臺異步電機的信號。多臺電機的電流和振動信號是通過無線節(jié)點同時采集到的，而故障則是使用兩種組合方法進行判斷的。本實驗對三相電流信號的振動和振幅數(shù)據(jù)進行相空間分析，并把它作為智能組合分析中的關鍵字。在這個實驗中，定子方面的故障是通過使用模糊邏輯對讀取的電流信號的大小進行分析來進行診斷的。從兩個軸加速度計中測出的振動信號被歸一化，再被構(gòu)造成這個信號的相

3、位空間。軸承故障的檢測則是通過使用基于高斯混合模型和貝葉斯分類的機器學習技術分析相空間的變化來進行的。振動信號的相空間是通過使用非線性時間序列分析構(gòu)造而來，而高斯混合物能了解電機的健康與否，所構(gòu)建的混合模型是通過使用貝葉斯分類方法根據(jù)它們的相位空間來進行分布歸類的。四個電動機運行中可能有定子缺相故障，一個或者兩個軸承不平衡的故障，因為健康狀況很重要，所以獲得相關的信號來進行評估系統(tǒng)。關鍵詞無線傳感網(wǎng)絡·高斯混合模型·貝葉斯分類方法·模糊邏輯·故障診斷·異步電動機緒論在工業(yè)應用中，異步電機是最常用的電機，在將電能轉(zhuǎn)化為機械能工業(yè)應用中，異步電機機

4、電設備占近總數(shù)的80%( Amaro 等人,2010年)。與其他電機相比，異步電機因為它們的耐用性，低維護成本和易于運用而更受歡迎(DaSilva 2006)。一些異步電機是工廠生產(chǎn)過程中最重要的設備，除了運用于一些類似于包裝和運輸?shù)鹊鹊囊话銏龊希@些電動機還在其它更為重要的場合使用，諸如核電廠，太空領域等等(Ayhan等人，2008)。然而如果電機發(fā)生故障，除了會有電機的故障成本外，它也形成了生產(chǎn)停止所造成的的經(jīng)濟損失(Hou 和 Bergmann,2012)。由于它們結(jié)構(gòu)簡單，異步電機不容易發(fā)生故障，而且無論什么故障，修理它都很簡單，但是異步電機的工作環(huán)境中的灰塵和潮濕會影響它的正常工作。

5、因而如果異步電機轉(zhuǎn)子、定子或軸承由于環(huán)境條件而導致物理變化時，這些結(jié)構(gòu)會發(fā)生故障。在所有故障中，軸承故障占44%，轉(zhuǎn)子故障占8%，定子故障占26%，而其它故障占22%。(Bellini等人,2008)。軸承故障通常是由軸承的磨損或軸承的彎曲造成，轉(zhuǎn)子故障通常是因為轉(zhuǎn)子斷條或連接器斷裂造成，而定子故障通常以短路或者開路的形式出現(xiàn)。如今，人們研發(fā)了一些檢測異步電機故障的方法。這些故障診斷方法大都是基于模型、信號或智能計算?；谀Ｐ偷墓收显\斷方法，是通過使用電機數(shù)學模型生成一個模型，根據(jù)一些標準和故障診斷應用，將從工作中的電機中實時采集到的信號與在模型中提取的信號進行比較，再判斷異步電機的狀況。這個

6、故障診斷成本高，是很少使用的技術之一。在基于信號的故障診斷系統(tǒng)中，從電機中測得的電流、電壓、振動、速度信號等等參數(shù)，是通過信號處理系統(tǒng)提取出來的。振動信號因為易被采集，而且檢測軸承故障性能較好，而被廣泛地運用。故障相關特性參數(shù)是通過信號處理技術提取的，如對電機電流特征分析(Moorthy 等人,2011)。Park矢量變換(Aydin 等人,2012),相空間分析(Da Silva等人,2008；Aydin等人,2007),和小波分析(Tsoumas等人,2008)。在智能計算技術中，故障診斷通過使用一些技術從電機中采集信號，這些技術有人工神經(jīng)網(wǎng)絡(Boukra等人,2012),遺傳算法(Ra

7、zik等人，2009),人工免疫系統(tǒng)(Aydin等人,2012； Xiong和Sun 2007),模糊邏輯(Romero-Troncoso等人，2011；Akin等人，2011),粒子群優(yōu)化算法(Amin等人，2009；Aydin 等人，2010),支持向量機(Kurek和Osowski，2010)。在早期診斷中，診斷過程在故障診斷系統(tǒng)中是非常重要的。在故障診斷系統(tǒng)中，通?，F(xiàn)場直接監(jiān)測異步電機，如今大多數(shù)工廠同時使用多臺電機，從一個單一的中心監(jiān)控所有電機變得更為重要，然而，它是不可能使用現(xiàn)場總線技術監(jiān)測電機狀況，因為這不像水泵連接到城市供水系統(tǒng)那樣簡單。隨著無線傳感網(wǎng)絡的使用，把電機信號傳輸?shù)?/p>

8、中心節(jié)點變得更容易，低成本，可靠。(Gungor和Hancke，2009)?；谌斯ど窠?jīng)網(wǎng)絡的分類方法，是通過采集電流與振動信號提出的(Hou和Bergmann，2012)。電流和振動信號是通過傳感網(wǎng)絡從多個電機采集得來的，無論是電機故障還是電機電源都是被實時監(jiān)測的(Lu和Gungor，2009)?；贔PGA的振動信號監(jiān)測系統(tǒng)，是為工業(yè)中采用無線傳感網(wǎng)絡的應用而提出的(Koskinen 等人，2010)。振動信號是通過無線傳感網(wǎng)絡收集而來，通過對這些信號的頻譜進行分析才能對軸承進行故障診斷(Korkua 等人，2010)。在所有已啟動的工程中，現(xiàn)有的無線傳感網(wǎng)絡都是基于裝備狀態(tài)監(jiān)測系統(tǒng)進行開

9、發(fā)的，但現(xiàn)有的傳感器網(wǎng)絡套件是昂貴的。這項研究有助于狀態(tài)監(jiān)測和故障診斷兩方面。首先，采用無線傳感網(wǎng)絡系統(tǒng)，是因為需要廉價、狀態(tài)監(jiān)測性能可靠、且易適應不同信號的監(jiān)測的方案。無線網(wǎng)絡系統(tǒng)由一個PIC18f4553微控制器和一個XBee無線傳感器模塊組成。另一個貢獻是故障診斷組合方法的提出，振動和電流信號通過無線網(wǎng)絡從不同電機讀取并傳送到電腦，再用高斯混合模型和貝葉斯分類方法，在相空間進行軸承故障診斷。另一方面，模糊邏輯是一種通過電流信號來進行定子故障診斷的智能計算方法。因此，在通過無線接收信號的同時，根據(jù)故障類型對相應的數(shù)據(jù)進行分析，再進行自動的診斷與相應的操作。工業(yè)無線傳感器網(wǎng)絡在基于無線傳感網(wǎng)

10、絡的故障診斷系統(tǒng)中，傳感器節(jié)點之間的傳輸采用XBee1mW無線通信模塊。這個模塊采用ZigBee技術。它采用的是基于IEEE 802.15.4標準的XBee無線通信模塊(Gungor 和 Hancke 2009)。與其他無線技術相比，ZigBee技術有許多優(yōu)點,ZigBee/IEEE 802.15.4網(wǎng)絡最重要的特性是提供了P2P網(wǎng)絡傳輸(Depari 等人， 2008)。這個網(wǎng)絡最重要的技術特性是路由質(zhì)量非常好，因為，它可以在最復雜的系統(tǒng)中找到最恰當?shù)耐ㄓ嵎绞?。在所有的無線網(wǎng)絡中，都可能有一個實時性能的延遲，而在ZigBee/ IEEE802.15.04網(wǎng)絡中的延遲會根據(jù)跳數(shù)的變化而改變(D

11、ing 和 Hong 2013)。在這些網(wǎng)絡中，跳數(shù)的實時性能與延遲性能相對較低，在ZigBee /IEEE 802.15.4網(wǎng)絡中，通信方式會根據(jù)通訊類型變化。由于ZigBee / IEEE 802.15.4網(wǎng)絡支持多跳通信技術，因而在工業(yè)領域中的通信間隔是沒有問題的(Guo 等人， 2012)。 在工業(yè)領域，無線模塊的功率消耗非常重要的，因而在這種情況下，網(wǎng)絡不占用時進入睡眠模式，能減少功耗到微安級變得更為實用(Suryadevara 和 Mukhopadhyay 2012)。ZigBee無線技術的性能，如可用時間，電池壽命，電池容量和數(shù)據(jù)速率等等，如表1所示

12、。表1 ZigBee無線技術特征ZigBeeGPRS/ GSMWi-FiBluetooth運用領域監(jiān)測和控制廣域網(wǎng)、音頻、數(shù)據(jù)網(wǎng)站、電子郵件、視頻代替導線系統(tǒng)資源432Kb16Mb+1Mb+250Kb+電池壽命（天）1001,000+170.5517網(wǎng)絡規(guī)模無限16Mb+327網(wǎng)絡帶寬（kb/s）1001,000+64128+11,00054,000720覆蓋范圍(m)1100+1,000+1100110+優(yōu)點耐久性，成本，功耗可用性，質(zhì)量速度，靈活性成本和舒適性ZigBee / IEEE 802.15.4網(wǎng)絡在工業(yè)中使用領域是很常見的。在工業(yè)中，與其他無線技術相比，ZigBee技術具有很大的

13、優(yōu)越性。系統(tǒng)架構(gòu)和實現(xiàn)方法在這項研究中，故障診斷是通過無線采集異步電機的振動和電流信號，并提出兩種故障診斷智能計算的方法。第一種方法構(gòu)建了一個振動信號的相空間，并使用高斯混合模型和貝葉斯分類來進行軸承故障診斷，另一種方法依靠使用模糊邏輯定義定子故障。故障診斷系統(tǒng)模型，見圖1。圖 1 從一個節(jié)點采集信號的模型在圖1中，異步電機由三相電源供電，電流信號是通過使用電流傳感器采集的，而振動信號是通過兩個軸加速度計傳感器采集的。實驗裝置上有濾波和檢測卡，這些卡采集到的信號被發(fā)送到單片機卡來進行特征的提取。單片機通過模擬 - 數(shù)字轉(zhuǎn)換模塊將模擬信號轉(zhuǎn)換為數(shù)字信號，然后再通過無線模塊傳送到中心節(jié)點。信號到中

14、心節(jié)點后將被進行特征提取，來為兩種診斷方法和相關的故障檢測提供特征參數(shù)。高斯混合模型與基于貝葉斯分類的軸承故障診斷為軸承故障診斷而從異步電機中采集的振動信號是在一個給定的平等的采樣的時間中收集的。接收到的有相等時間間隔的信號包含一個時間序列。這個時間序列見公式（1）。其中T和N分別代表時間指數(shù)和樣本數(shù)。每個時間序列樣本擁有一個給定的采樣頻率。為了分析高維空間的時間序列，我們可以構(gòu)造相空間，相空間的技術提供了根據(jù)不同的嵌入維數(shù)和時間延遲在不同的坐標中分析信號。從振動信號中得到的相位空間的嵌入維數(shù)表示為D。每個相空間是原時間序列的延遲版本。時間延遲也由表示。根據(jù)具體的嵌入維數(shù)和時間延遲，數(shù)據(jù)包含在

15、相空間的一個點。見公式（2）。在（2）中，D表示的嵌入維數(shù)和，T代表時間延遲。得到的的值對應于相空間中的一個點。根據(jù)確定的嵌入維數(shù)（D）和延遲時間（），可以得出振動信號的相空間，見公式（3）。在（3）中，P中每一行對應相空間中的一點。矩陣的每一列對應一個特定的時間延遲和嵌入維數(shù)。當嵌入維數(shù)為時間序列選擇得足夠大，相空間變得與狀態(tài)空間的形狀相同。 (Feng 和 Huang 2005)。嵌入維數(shù)必須超過至少兩倍的原始信號，形成的時間序列的相空間，必須選擇適當?shù)臅r間延遲。選擇較小的時間延遲會引起相空間點彼此靠近。因此，所有的點在一個角落聚集(Da Silva 2006)。當延遲時間被選擇地非常大，

16、所有的點可以覆蓋整個相空間，它將很難跟上時間系列的所有變化。為估計一個時間序列的最合適的時間延遲的值，采用互信息的方法。該方法被示于圖2a。，采用偽近鄰算法選擇嵌入維數(shù)。該算法被示于圖2b。圖2確定時間延遲和嵌入維度的方法。a互信息算法b虛假最近鄰算法P（，）的值是與的聯(lián)合概率密度，P（）和P（）分別為與的個體概率分布，這里和是彼此延遲了的同一系列的信號樣本。時間延遲中的第一個最小點叫做互信息點。在圖2b中，為在相空間中根據(jù)嵌入維數(shù)（d）及時間延遲（）構(gòu)造的一點。也是最靠近的點。如果嵌入維數(shù)是從d增加到d+1，兩點之間的變化率則是a（i，d）。這個變化率與閾值進行比較，如果超過此值，有一個假近

17、鄰。嵌入維數(shù)小于閾值時則認為達到交換比率。通過高斯混合模型來從時間序列獲得相空間，在空間中檢測到的密集的點便是所求的點。高斯混合模型形成一個N維高斯分布集中點。這種混合模型形成了數(shù)據(jù)分布模型。高斯混合模型的的主要原理是找到概率密度函數(shù)，并通過使用一個以上的高斯密度函數(shù)表示信號的特征。構(gòu)成密度顯示在（4）。在高斯混合模型，定義權重值為WM，WM總值總是等于1。M是混合物的數(shù)量，是平均值和是協(xié)方差的值。通過使用多高斯分布，任何數(shù)據(jù)分布可以被建模(Da Silva 等人， 2008； Xiufeng 和 Ping 2010)。在高斯混合模型中，分布數(shù)是與數(shù)據(jù)分布復雜性相關的參數(shù)。高斯混合模型的權重，

18、平均值和高斯混合模型的協(xié)方差矩陣是通過使用期望最大化算法定義的。這個方法以每個參數(shù)的初始值為起點，然后就可以被運用于最大可能性估計。預測公式為公式（5）。M是混合物的數(shù)量，是概率分布函數(shù)，N是信號點數(shù)。通過使用貝葉斯分類方法對混合物進行分類，得到每個相空間的高斯混合模型后，再進行模型的分類。貝葉斯分類器使用貝葉斯規(guī)則來計算較高的條件概率，貝葉斯方法詳見公式（6）。是對于一個給定點的條件概率。P（x）是一種標準化值，具有零概率比較和時間提取方程。貝葉斯分類器： Class = arg maxClassAll Classes，定義為類標簽。貝葉斯分類器進行分類時參考如下方程。圖3 異步電機的模糊邏

19、輯狀態(tài)監(jiān)測系統(tǒng)N是在相空間中的點的個數(shù)，d是嵌入維數(shù)。條件概率為獲取實驗的相關資料提供了機會。用這種方式，同時再用相空間的類與學習模型進行分類比較。定子故障診斷的模糊邏輯法模糊邏輯是一種具有一定隸屬度和規(guī)則庫以更準確地判斷問題的方法，這種方法的基礎是智能計算方法。模糊邏輯是一種基于自然語言的方法，可靈活用于非線性模型函數(shù)。當用模糊邏輯方法來分析異步電機的電流信號，定子相關的故障就能被診斷出來。，和的電流值是通過異步電機的電流傳感器測得的，詳見圖3。在故障診斷與檢測中，模糊邏輯規(guī)則非常重要，因為它定義了系統(tǒng)是否有故障。利用模糊邏輯，確切的輸入和輸出才可以獲得的，它需要定義和使用適當?shù)妮斎牒洼敵鲎?/p>

20、量。模糊邏輯的輸入輸出變量應根據(jù)問題定義，可通過定子電流幅值來判斷異步電機的狀態(tài)。由于電機狀態(tài)與電流信號之間的非線性關系，狀態(tài)和電流幅值尚不清楚，解讀結(jié)果很難。因此，通過使用模糊邏輯，聲音信息被替換為數(shù)字數(shù)據(jù)。健康狀況顯示為沒有任何定子故障。故障情況表明電壓不平衡故障。嚴重故障可以被解釋為定子開路故障。模糊規(guī)則和隸屬度函數(shù)是通過分析數(shù)據(jù)得到的，因而對定子電流和其它相關的信息進行測量是必不可少的。本方法分析了三相電機電流的振幅，首先，從PIC18f4553采集的模擬信號通過12位ADC轉(zhuǎn)換器轉(zhuǎn)換成數(shù)字形式，數(shù)字信號通無線節(jié)點被發(fā)送到計算機，然后，模糊邏輯的輸入是通過計算各相電流的均方根的平方（R

21、MS）創(chuàng)建的，三相電機電流的均方根值是模糊邏輯的輸入，定子狀態(tài)是輸出。要對定子狀態(tài)進行測試，需要知道定子狀態(tài)健康與否或是否有其它更嚴重的損傷。隸屬函數(shù)，如圖4所示。圖4 隸屬函數(shù)。a輸入隸屬度函數(shù)b輸出隸屬函數(shù)定子故障檢測時，用四個音頻值作為電流的振幅（RMS）。圖4a為輸入的隸屬函數(shù)。這些隸屬是“零”（Z），“小”（S），“中等”（M）和“大”（L）。定子沒有發(fā)生任何故障時，三個相的每一個相都處于平衡狀態(tài)，這種情況表示為M。當電機具有缺相故障時用L和Z表示，S 對應于一個短路故障。模糊系統(tǒng)能判斷出電動機的定子狀態(tài)。定子的狀態(tài)是：健康（H），損壞（D），嚴重損壞（SD）。H表示定子無故障，D表

22、示定子有短路故障，SD表示定子缺相故障。所有的規(guī)則都進行了優(yōu)化，因為他們可以覆蓋所有的健康受損情況。在這個方法中有14個規(guī)則，詳見表2。表2 規(guī)則庫序號規(guī)則規(guī)則1Ia = Z CM = SD規(guī)則2Ib = Z CM = SD規(guī)則3Ic = Z CM = SD規(guī)則4Ia = L CM = SD規(guī)則5Ib = L CM = SD規(guī)則6Ic = L CM = SD規(guī)則7Ia = S&Ib = S&Ic = M CM = D規(guī)則8Ia = S&Ib = M&Ic = M CM = D規(guī)則9Ia = M&Ib = S&Ic = M CM = D規(guī)則10Ia

23、 = M&Ib = M&Ic = M CM = H規(guī)則11Ia = S&Ib = S&Ic = S CM = H規(guī)則12Ia = S&Ib = M&Ic = S CM = D規(guī)則13Ia = M&Ib = S&Ic = S CM = D規(guī)則14Ia = M&Ib = M&Ic = S CM = D實驗結(jié)果為了評估應用結(jié)果，我們搭建了一個真實的實驗裝置，為了測量電動機的相電流，我們使用了三個電流傳感器。振動信號均是由電機上的軸加速度計測得。這些測得的信號被發(fā)送到具有12位ADC分辨率的PIC18F4553并轉(zhuǎn)換成數(shù)字

24、形式，再通過無線傳感網(wǎng)絡節(jié)點和中心節(jié)點連續(xù)地發(fā)送到計算機。對于每種狀態(tài)，系統(tǒng)會在3 s以1,000樣本/ s的采樣率讀取相電流并記錄到電腦上。在實驗裝置中，有兩個傳感器節(jié)點可用，電機的電流和振動信號通過這些無線傳感網(wǎng)絡節(jié)點將傳輸?shù)街行墓?jié)點。本實驗所用的三相異步電機性能如表3所示。表3異步電動機性能特征值功率0.37 kW滿載電流1.2A電源頻率50Hz最高速度1,390rpm為了測量異步電機的三相電流信號，我們使用了ABB EL25P1電流傳感器。每個傳感器節(jié)點，有一個包含XBee 1MW無線模塊和pic18f4553的卡件。實驗裝置見圖5a。利用異步電機所形成的節(jié)點結(jié)構(gòu)圖見圖5b。本實驗裝置

25、見圖5a，該實驗適用兩個異步電機，每個電機的電流和振動信號是被實時采集的。這些信號被轉(zhuǎn)換成數(shù)字形式，再被傳輸?shù)轿⒖刂破魃系膫鞲芯W(wǎng)絡節(jié)點卡件，微控制器通過無線模塊將轉(zhuǎn)換后的信號發(fā)送到中心節(jié)點。這些來自中心節(jié)點的信號通過XBee模塊和計算機之間的連接裝置傳輸?shù)接嬎銠C，再使用Visual C窗體應用程序?qū)@些信號進行處理。從傳感網(wǎng)絡節(jié)點傳輸?shù)接嬎銠C的數(shù)據(jù)被顯示到一個圖形用戶界面，這些從異步電機采集到的電流數(shù)據(jù)在被特定程序進行必要的特征提取后才能用于故障診斷。振動信號是通過三種方式從異步電機上的加速度傳感器采集到的。首先，振動信號是來自無軸承故障的健康異步電機，通過把螺絲固定在異步電機的圓盤的不同部位來模擬軸承故障。因為把螺絲放入圓盤后，重心會發(fā)生變化，從而產(chǎn)生了不平衡，因為，