中车永济电机有限公司，山西 永济 044502
摘要：电机的安全可靠运行，在很大程度上决定它的振动。通过采用人工智能技术，将单纯性的监测活动升级为获得某方面的判定结论的计算，实现电机亚健康状态下的精准售后。
关键词： 电机 振动 智能
引言
在常规能源告急和全球生态环境恶化的双重压力下，风能作为一种高效清洁的新能源日益受到重视。进入21世纪，中国在风能的开发利用上投入力度加大，在2010年超越美国风电产能，成为世界规模最大的风能生产国。风力发电一般选在较大盆地的风力进出口或较大海洋湖泊的风力进出口等，这些地方大多都在交通不便的荒郊、野外、海边等环境较恶劣的地方。风力发电机安装在机组塔架上狭小的机舱内，距离地面几十米之高，常年处在极端温差与酷暑严寒的环境中，因此对于设备的可靠性要求极高。
风力发电机在运行过程中都要产生振动，而这些振动信号中往往蕴含着大量显示机械运行状况的信息，能够帮助工作人员及时了解电机的运行状态。
1 现在电机采用的状态监控与故障诊断
电机状态监测与故障诊断技术主要是通过测取设备运行中的信号，并且结合其历史状况对所取得的信号进行处理、分析、提取，从而定量的来识别诊断风力发电机的运行状态，进而在此基础上分析预测设备未来的运行状况并最终确定釆取何种必要的措施来对设备进行维护与保养，从而取得设备运行的最佳效果。
风力发电机状态监测与故障诊断技术主要包括对运行中的设备进行监测、诊断以及预测。但是风力发电机故障的原因是十分复杂的，同时许多故障也是相互联系的，需要进行大量的数据釆集以及分析并且对这些数据进行归纳汇总与以往的一些电机故障案例进行对比，才能有效的诊断设备故障。
风力发电机轴承部位、定子线圈、定子铁心等部位安装一定数量、不同类型的传感器，在发生异常和故障征兆时这些异常状态能够被及时捕捉和分析，对设备的异常或故障进行处理和维修，从而不会影响到整体设备的运行。风力发电机安装的不同类型的传感器，每个传感器采集到的数据是独立的，即每个传感器只能采集其所监测部位的瞬时值，这些瞬时值只能反映设备某个时刻，某一部位，某一方面的运行情况，这种反映是片面的。需要找到一种方法，能够将多个同类或不同类型的传感器在一段时间内采集到的数据进行综合分析，分析的结果是对设备整体状况的无歧义的表述。
2 多传感器的应用
在现代自动测试技术中，利用传感器可以实现对机械设备振动情况的实时观测，而由多个传感器构成的传感器网络中，可以由各个节点提供设备局部运行情况，也可以从整个网络获取机械设备的整体运行情况。在整个传感器网络的各个节点的测量值的汇总过程中，形成了传感器数据融合的相关方法。单纯对设备的局部和整体的运行情况进行监测已不能满足需求，而更致力于对监测值进行分析，利用工程经验和推理形成各类智能算法，获得对设备的各种智能判定结论。
期刊文章分类查询,尽在期刊图书馆
多传感器数据融合技术正是这样一种科学方法。多传感器数据融合就是就是利用计算机技术将来自多传感器或多源的信息和数据，在一定的准则下加以自动分析和综合，以完成所需要的决策和估计而进行的信息处理过程，将各种传感器进行多层次、多空间的信息互补和优化组合处理。
对于多传感器系统来说，信息具有多样性和复杂性，核心问题是选择合适的融合算法。而核心的信息融合算法不是一门单一的技术，而是一门跨越多种学科领域的综合理论和方法，并且是一个不是很成熟的新的研究方向，仍然处在不断变化和发展过程中。
3 人工智能在电机上的应用
电机在运行过程中都要发生振动现象，而这些振动信号中往往蕴含着大量显示机械运行状况的信息，能够帮助工作人员及时了解电机的运行状态。
人工智能在电机上的应用是将深度学习及优化的算法运用到风力发电机的系统软件上，从电机振动数据中自动学习数据的内在有利于分类的特征，进行设备的状态监控与有效智能的故障诊断。本方案的人工智能电机技术采用数据驱动的人工智能算法，无需专家知识，仅需要提供训练数据和数据标签，完全由计算机自主提取故障数据特征，建立数据映射关系，消除了极具挑战性和易变性的特征工程处理阶段。同时电机的振动频谱自主提取故障数据特征，可以对未知故障数据进行特征提取，并与已有的故障特征进行比对，从而确认是之前未分类检测的故障。因此，采用人工智能电机技术可以实现无法识别的未知故障。
传统的电机诊断技术由于其人工特征选择的不确定性以及学习深度不足等原因,严重制约了诊断模型的识别精度。针对传统电机故障诊断方法的不足, 本方案的风力发电电机使用的人工智能故障辨识算法框架，可实现环境噪音自动过滤、系统状态自主学习、故障特征自动提取、实现在正负样本极不均衡的情况下的设备异常状态辨识。
4 人工智能在电机上应用的优势
通过人工智能系统对出厂电机的振动频谱特性进行采集，利用振动信号中蕴含的状况信息，对电机进行一致性检测，根据频谱的变化特性和质量记录卡片可以诊断出整个生产和装配工艺水平的变化，为工艺技术的不断提升提供数据支撑。
5 结论
电机发生故障的位置多，故障现象复杂，现有的故障诊断方法大多采用信号处理方法来分析采集到的信号，提取一些表现电机运行状态的故障特征量用于故障识别。采用现在的方式进行故障分析不仅需要大量的信号处理专业知识来对信号进行处理与分析，并且要求技术人员对所检测机械的运行状态和故障相关背景都有较强的专业认识，再加上机械运转过程中，大量不可预测的因素存在，使得故障诊断过程更为复杂。
人工智能技术拥有有效的学习网络，可以对采集的信号数据进行多层级的特征表达，学习到数据深层次的抽象特征表达。新的智能故障诊断方式对于电机故障诊断的发展具有重要的意义，旨在更好的实现电机故障诊断的智能化，设备运行状态的实时监测与有效诊断。
参考文献：
（1）苗中华、周广兴、刘海宁，基于稀疏编码的振动信号特征提取算法与实验研宄．振动与冲击，2014.33（15）；
（2）雷亚国、贾峰、周昕，基于深度学习理论的机械装备大数据健康监测方法，机械工程学报，2015.51（22）；
论文作者:肖爱国
论文发表刊物:《当代电力文化》2019年第03期
论文发表时间:2019/6/17
标签：电机论文; 故障论文; 传感器论文; 数据论文; 人工智能论文; 设备论文; 特征论文; 《当代电力文化》2019年第03期论文;