1.BP算法及其改进

　　BP算法是人工神经网络算法的一个突破，以其强大的适应性得到了广泛的应用。其拓扑结构由输入层、隐层和输出层构成，隐层可以是一个，也可以是多个，典型单隐层BP算法的拓扑结构如图1所示.

图1 BP算法的拓扑结构

Fig.1 The topology of BP algorithm

　　BP算法的信号传播过程为工作信号正向传播，误差信号反向传播。输入信号从输入层经隐层传向输出层，在输出端产生输出信号，在信号的向前传递过程中网络的权值是固定不变的，每一层神经元的状态只影响下一层神经元的状态，如果在输出层不能得到期望的输出，则转入误差反向传播。网络的实际输出与期望输出之间差值为误差信号，误差信号由输出端开始逐层向前传播，在误差反向传播的过程中，网络的权值由误差反馈进行调节，通过权值的不断修正使网络的实际输出更接近期望输出。

　　在网络训练过程中，权值按如下规则进行修正：　　

　　标准的BP算法在应用中存在不少内在的缺陷，如易形成局部极小而得不到全局最优，学习效率低、收敛速度慢等，实际网络训练中，通常采用改进的BP算法，在权值修正时加入“动量项”，即按如下方式修正权值：

　　其中α为动量项，通常是正数。输入层和输出层权值的修正方法与此类似，解决了稳定性和训练速度之间的矛盾.

    2.BP算法在转子断条故障诊断中的应用

　　转子断条是指异步电机笼条与端环焊接处发生开焊和断裂，是异步电机的常见故障，转子断条的发生是一连续过程，最初即将断裂的部位经常出现过热、很高的热应力或机械应力，最终使电机产生振动、噪声、定子电流摆动和温升增加、转速波动。采用合适的故障诊断手段，能够在故障初始就采取有效措施，避免故障进一步恶化，从而减轻损失。利用BP算法进行故障诊断，要先根据故障特征提取出有用信号，经处理后转化成神经网络的输入信号，从而由网络进行判断。

　　2.1故障信号的提取与处理

　　故障信号采用提取异步电机定子电流的方法，理由如下：正常情况下，异步电机定子电流的频率是单一的电源频率。但是当转子回路出现故障时，在定子电流频谱图上，在与电源频率相差二倍转差频率（ 2sf）的位置上将各出现一个旁频带，将此电流信号提取，即可作为故障诊断的原始信号。

　　在电机转子故障较轻微时，旁频相对于主频分量非常小，约为2%-3%，且由于（1-2s）f常接近于工频f，以至于（（1- 2s） f分量往往会由于f分量的泄漏而被淹没。为此对故障信号进行小波包分解以突出旁频。将提取到的定子电流进行五层小波包分解，取第五层的32个频率成分段。原始信号中，取最低频率成分为40HZ，最高频率成分60HZ，则提取的32个信号所代表的频率范围如表1所示。

　　表1 小波包分解后的信号所代表的频率范围

　　Table 1 The representative frequency range of small wave packets decompose after signal cabin

　　以各频率成分的能量为元素构造特征向量，然后将各元素数据进行归一化处理后，作为已经训练完毕神经网络的输入，根据网络输出即可判断故障与否。

　　2.2网络训练

　　首先确定网络的输出单元，定义出各输出单元所代表的意义，然后以正常样本和故障样本为输入进行网络训练，从而确定网络结构及各层权值。本次训练输入样本由16个元素，有两个输出单元，输出单元的意义如表2所示：

　　表2 输出单元的意义

　　Table 2 The significance of output units

　　训练样本数：16 （不一一列出）

　　训练误差允许范围： 0.3

　　训练目标误差：0.01

　　训练步长：3000

　　输入层到隐层的传递函数：TANSIG

　　隐层到输出层的传递函数：PURELIN

　　网络训练函数：TRAINBP

　　隐接点数的确定遵循在训练步长范围内尽可能少的原则，这样能够使得网络结构尽可能简单，采用试凑法，从9开始依次增加，根据训练结果，隐接点为13时能够满足训练要求，隐接点数少，训练步数也比较少，节点太少不能满足训练要求，太多则会使得网络结构过于复杂，因此最终采用隐接点数13，即网络结构为32-13-2.此时的网络训练结果如图2所示。

图2 BP算法训练误差曲线图

Fig.2 The training error chart of BP algorithm

　　2.3训练结果测试

　　给定12个测试样本，前8个为故障样本，后4个为正常样本，测试结果为：

　　输出单元1的输出：

　　0.1420 0.1015 0.0955 0.0962 0.1077 0.0957 0.1037 0.1018 0.8970 0.9108 0.8858 0.8584

　　输出单元2的输出：

　　0.5968 0.8993 0.8958 0.8948 0.9057 0.8928 0.9052 0.8984 0.1548 0.0715 0.1375 0.1072

　　仿真图形为图3，直方图中前一阵列为单元1的输出，后为单元2的输出。

图3 BP算法测试结果直方图

Fig.3 The bar of testing of BP algorithm

　　由测试结果可分析出方案是可行的。

    3.结束语

　　电机在现代工业生产中发挥着越来越重要的作用，对电机进行准确、及时的检测诊断也越发显得必要，本文正是基于这种考虑，对利用神经网络模式识别的方法对异步电机的故障诊断进行了研究，以用BP算法对异步电机进行转子断条故障诊断为例，证实了人工神经网络用于故障诊断的可行性。本文中的方法仅能够对电机故障进行粗略诊断，没有涉及故障程度的区分，这是本文的不足之处。

　　本文作者的创新点：把人工神经网络算法应用到异步电机故障诊断中来，提高了诊断的准确性。

    参考文献

　　[1]边肇祺、张学工等.模式识别[M].清华大学出版社，2000

　　[2]沈标正.电机故障诊断技术[M].机械工业出版社，1996

　　[3]吴新余等.信号与系统[M].电子工业出版社，1999

　　[4]韩力群等.人工神经网络理论、设计及应用[M].化学工业出版社，2002

　　[5]胡昌华、许化龙.控制系统故障诊断与容错控制的分析和设计[M].国防工业出版社，2000

　　[6]周东华、叶银忠.现代故障诊断与容错控制[M].清华大学出版社，2000

　　[7]闻新、周露等.MATLAB神经网络应用设计[M]. 北京:科学出版社，2000

　　[8]唐勇等.基于BP网的交流电机调速系统智能机内检测技术研究[J].微计算机信息，2004，6：35-36