飞轮电池转子故障诊断系统设计

柯友文 汤双清 赵晶晶

（1.三峡大学 机械与动力学院，湖北 宜昌 443002；2.三峡大学 新能源微电网湖北省协同创新中心，湖北宜昌 443002；3.三峡大学 计算机与信息学院，湖北 宜昌 443002）

轴心轨迹包含了丰富的故障信息，是一种诊断旋转机械故障的有力工具.通过了解和掌握设备的转子轴心轨迹特征向量，并对其产生的原因进行评价，做出实施维护的决策，减少故障的发生［1］.物联网的传感器网络技术可工作于各种恶劣环境，有效解决远程诊断问题［2－3］.2002年，石美红经过对脉冲耦合神经模型中变阈值函数的改进，性能有了大的改善［4］.2012年王常青提出了脉冲耦合神经网络时间序列与轴心轨迹的圆度融合的特征提取方法，具有很高的识别率［5］.2013年谢志江提出一种自学习模糊脉冲神经网络算法，该算法可有效解决旋转机械故障的边界模糊性问题，提高故障诊断的正确率［6］.随着计算机技术发展，数字图像处理与分析技术已经成为故障诊断研究的热点，可将故障诊断问题转化为图像处理、分析与识别问题.该先进理论与方法引入轴心轨迹的特征提取与识别，无疑为旋转机械故障诊断提供一个新的研究思路［7－8］.

1 采集飞轮电池转子信息结构框架设计

作为储能用的飞轮电池，其储存的能量为转动动能，它与转子的转速平方成正比，所以其转速一般最高转速都在每分钟万转以上.飞轮电池智能监测系统外壳的结构框架设计包括［9］：1.电源线；2.警报器；3.控制器；4.摄像头；5.无线传感器；6.电涡流传感器.飞轮电池的结构设计包括［10］：飞轮电池箱体外壳；7.枕木；8.减震带；9.飞轮；10.轴；11.电动机－发电机，飞轮电池的外壳放在枕木上，如图1所示.监控网络系统组成包括区域监控中心和箱内监控站点，每个独立箱体内都形成一套完整的本地监控站点，系统将获得的数据用无线传感器时时发送到监控主机上［11］.

图1 飞轮电池智能监控

2 智能诊断飞轮转子运行的框架流程

本文采用物联网技术设计一个实时对飞轮转子故障状态进行评估的诊断系统，利用视频图像观测箱内飞轮大致运动情况，其次利用位移测量仪采样轴心数据，无线传感器将这些信息传送到终端设备，采样的轴心数据经过量化，边缘连接处理后，形成二维轴心轨迹图，脉冲耦合神经网络对二维轨迹图片的分割，得到归一化的轴心轨迹特征向量，在特定的识别器训练和识别，快速地判断工作状态是否正常，对异常信息进行判断和报警，如果发生在误差范围之外，立即让控制器关闭飞轮电池的电源，准备停机检修，如图2所示.

图2 监测飞轮运动流程图

3 脉冲耦合神经网络模型

Eckhorn根据猫的视觉大脑皮层同步振荡现象提出脉冲耦合神经网络模型［12］，如图3所示.该模型经Johnson引入图像处理和参数分析的领域［13］，本文利用其原理迅速将二维轴心轨迹图进行分割，得到归一化的轴心轨迹特征向量.

图3 脉冲耦合神经网络模型

脉冲耦合神经网络模型由3部分构成：馈入单元、连接单元和脉冲产生单元，如式（1）～（5）所示，脉冲耦合神经不需要学习或者训练，能从复杂背景下提取有效信息，对图像的尺度、旋转、强度、扭曲的处理具有很好的结果.

馈入单元Fij通过对该神经元（i，j）在图像和数据参数中对应的像素点的灰度值Sij和周围神经元的输出部分进行加权得到，如式（1）所示.连接单元Lij通过对神经元（i，j）对周围神经元的输出进行耦合连接得到，如式（2）所示.－αF，－αL分别为馈入单元和连接单元的衰减因子，是对上一次该神经元馈入值和连接值的非线性衰减；Mijkl、Wijkl为馈入单元和连接单元对周围信息耦合的权值矩阵，表示中心神经元受周围神经元影响的大小，反映邻近神经元传递信息的强弱；VF、VL为馈入单元和连接单元对周围神经元信息进行耦合时的正则化常数，可以防止周围神经元的馈入过高造成溢出现象的发生.馈入单元Fij和连接单元Lij通过乘性耦合的方式构成内部状态Uij，如式（3）.β为馈入单元与连接单元的调制强度，通常在0到1之间取值，决定了对周围信息的耦合性的强弱.神经元通过内部状态Uij和阈值θij的比较产生输出Yij，如式（4），初始的阀值大于内部状态的参数最大值.当内部状态Uij与阈值θij的差值大于0时，神经元处于兴奋状态，输出为1；反之，神经元处于抑制状态，输出为0.当神经元处于兴奋状态时，阈值θij［n］立即增大，如式（5），然后又按指数规律逐渐衰减，阈值在随后的迭代中不断衰减直到小于该神经元的内部状态时，被再次激发，这个时间段称为神经元的激发周期.

圆形度描述轴心轨迹接近圆形的程度，定义为：R0＝4πS／P2，其中S为轴心轨迹图像区域的面积，即像数Sij个数，P为周长，即边界包含的像素Sij个数，R0的值越大，表明轴心轨迹越接近于圆形，转子运行得越稳定.将脉冲耦合神经网络时间序列与圆形度相融合既可以弥补脉冲耦合神经网络在抗噪声干扰方面的陷，又可以精确地表达轴心轨迹的特征，将式（4）改G［n］＝R0（Yi，j［n］），然后从1到n计算每一次输出脉冲序列的圆形度，得到归一化的轴心轨迹特征向量.将获取的振动信号经采样、量化，边缘连接等处理后形成256×256的二维轴心轨迹图像，然后将每一个像素作为脉冲耦合神经网络的输入神经元Sij的值，即256×256个输入神经元，每个神经元位于一个n×n连接权值矩阵Mijkl和Wijkl的中心，脉冲耦合神经元接收输入Fij［n］以及连接输入Lij［n］，并通过内部神经元激活系统，建立内部活动项Uij［n］，当Uij［n］大于动态阈值θij［n］，θij［n］一般初始值比图像最大灰度值大.脉冲耦合神经产生输出时间脉冲的圆形度序列.笔者借鉴王常青博士论文中4种方法获取轴心轨迹特征在概率神经网络识别器中训练后识别结果比照［5］，见表1.从表中可以看出基于圆形度时间序列的特征向量比其他方法得到轴心轨迹的特征向量更好地保留了轴心轨迹的重要信息，因此具有较高的识别率.

表1 4种轴心轨迹特征在概率神经网络识别器中训练后识别结果比照

4 飞轮转子轴心轨迹数据分析应用实例

本文的实验对脉冲耦合神经网络模型中的参数设置，矩阵F，L，U和Y初始化设置为0.权重因子的计算方法有很多，如高斯距离，欧几里得距离等，本文采用的是常见的八邻域欧几里得距离来定义相邻神经元间的距离［14］.设神经元Ni，j和Np，q对应的像素为Pi，j和Pp，q，当距离为d时，权重因子为1／d2，因此神经元Ni，j与Np，q间的权重因子为1／（i－p）2＋（jq）2，见表2.

表2 脉冲耦合神经网络模型初始化参数

轴心轨迹的识别是以一个周期的轴心轨迹图形作为识别对象的，轨迹通过轴的振动信号，经过滤波提纯，边缘检测，量化得到二维轴心轨迹图像，得到轴心轨迹很多，从中选取具有代表性的一倍频3种轨迹，待识别的实测轨迹图形，如图4所示.转子的工频椭圆轨迹可以分解为两个频率相同，但旋转方向相反的圆轨迹，分别为正进动圆和反进动圆，轴心轨迹则是二者的叠加，反映了转子的运行状态.磁力轴承间隙或刚度差异过大时，轨迹为一个很扁的椭圆；轴与轴承间隙相差较大时，轨迹会出现明显的凹凸状.如果轴心轨迹的形状及大小的重复性好，则表明转子的涡动是稳定的.提纯的轴心轨迹排除了噪声和电磁干扰等超高次谐波信号的影响，突出了工频、0.5倍频、一倍频等主要因素，便于清晰地看到问题的本质；一倍频轴心轨迹则可以更合理地看出轴承的间隙及刚度是否存在问题.设置好脉冲耦合神经网络模型的参数后，接下来，将待测的轴心轨迹二维图输入此模型中，得到输出输出脉冲序列的圆形度，得到归一化的轴心轨迹特征向量，见表3.所得圆形度得到一维数字的圆形度特征向量，能够较好地反映轨迹的形状，能够有效区分，轴运转的稳定性.从轨迹的圆形度比较看，椭圆的圆形度最大，表明此类型轴的高速运行状态较稳定.

图4 待识别的实测轨迹图形

表3 输出轴心轨迹特征向量

5 结 语

该系统可以应用到深埋地下飞轮电池监测上，利用先进的电涡流传感器测得转子运行的振动信号，无线传感器将这些测绘的信息传递到终端设备，在终端计算机上，将获取的振动信号经采样、量化，边缘连接等处理后形成256×256的二维轴心轨迹图像，输入到脉冲耦合神经网络模型中，经过处理，得到一维圆形度特征向量数字.从3种轴心轨迹比较看，椭圆轴心轨迹圆形度最大，外8的的圆形度其次，内8的圆形度最小.一维数字特征在特定的识别器训练和识别，快速地判断工作状态是否正常，使得识别结果更加有效，直观.当出现故障时，能够及早发现问题，在异地根据具体的情况利用网络解决相应的麻烦，实用性强，直观、友好的用户界面，产生良好的社会效益.

［1］ 简小刚，张艳伟.工程机械故障诊断技术的研究现状与发展趋势［J］.中国机械工程学报，2005，3（4）：445－449.

［2］ International Telecommunication Union UIT.ITU Internet Reports 2005：The Internet of Things［R］.2005.

［3］ Yan B，Huang G W.Application of RFID and Internet of Things in Monitoring and Anticounterfeiting for Products［C］.2008International Seminar on Business and Information Management，2008：392－395.

［4］ 石美红，张军英.基于改进型脉冲耦合神经网络的图像二值分割［J］.计算机仿真，2002，19（4）：42－46.

［5］ 王常青.数字图像处理与分析及其在故障诊断中的应用研究［D］.武汉：华中科技大学，2012：75－91.

［6］ 谢志江，谢长贵.应用模糊脉冲神经网络算法诊断旋转机械故障［A］.第十五届中国科协年会第1分会［C］.2013.

［7］ 周云燕.基于图像分析理论的机械故障诊断研究［D］.武汉：华中科技大学，2007.

［8］ Mahmoud W A，Husscin L R.Image Identification U－sing Minimum Distance Dassifier with Multiwavelet Transform［J］.Advance in modeling and Analysis B，2003，46（6）：1－21.

［9］ 王 振，李建民，向满天，等.居家安防的智能窗户［P］.中华人民共和国国家知识产权局，2013：1－5.

［10］汤双清.飞轮电池磁悬浮支承系统理论及应用研究［D］.武汉：华中科技大学，2003：25－34.

［11］潘可佳.基于物联网技术的机房智能监控系统设计与实现［D］.成都：电子科技大学，2013：58－68.

［12］Eckhorn R，Reitboeck H J，Arndt M，et al.Feature Linking Via Synchronization Among Cistributed Assemblies：Simulations of Results from Cat Visual Cortex［J］.Neural Computation，1990，2（3）：293－307.

［13］Johnson J L，Padgett M L.PCNN Models and Applications［J］.Neural Networks，IEEE Transactions on，1999，10（3）：480－498.

［14］Kuntimad G，Ranganath H S.Perfect Segmentation U－sing Pulse Coupled Neural Networks［J］.IEEE Transactions on Neural networks，1999，10（3）：591－598.