深度学习应用于M7120平面磨床故障检测研究

庞志鹏 ,朱集锦

摘要：M7120平面磨床产生故障导致生产降速，本文利用深度学习的方法构建模型对电流、电压及电气故障的图像作为判断的标准，在判断中，结合电流、电压、功率的因素综合来模型运行过程，将已有的故障参数及图像与现时对比，构建深度学习故障识别系统，综合比较，采用深度学习及多项指标判断得出较高的故障排除准确率。

关键词：机床故障、卷积神经、电气设备

基金资助：广东科技学院2021年大学生创新创业训练计划项目（校2021004）“深度学习应用于M7120平面磨床故障检测研究”

    工厂的运行依赖于人员、设备的正常工作，机床作为制造业相当重要的一个设备，在企业的整体运营中起到一个核心的作用，一旦发生故障，则对整个企业造成不可估量的影响。我国的机床设备正在由原来的简单制造走向智能制造，高端制造的过程中，实现机床自我诊断，自我排除是非常有必要的，对我国的生产及制造业发展起到重要的影响。

基于此，以M7120平面磨床电气故障作为分析的基础样本，总结出迅速的诊断与处理方法，进而推广其模式，四大机床的电气故障具有基础的电气故障类型，通过诊断M7120平面磨床电气故障的系统模型，能快速推广到其他的电气设备的故障检测中去。

主要的故障进行诊断的方法有1.调查研究法，通过走访故障的现场并排查，对故障发生的原因进行分析，在现场后中采用逐步排查的方式进行研究。2.通过采用通电试验法。通过在各个支路进行通电的试验，从而确定各个环节有没有问题，缩小范围最终找出故障点。3.逻辑分析法，通过询问及观察，利用逻辑分析的方法，电气控制电路的原理来控制线路的环节、程序和故障现象之间的关系，进行具体分析，迅速缩小检测范围，进而确定故障位置。4.测量法。将发生电路故障进行各个分割。采用传统的方法占用了大量的时间和人力，逐渐采用深度学习的方法进行测量成为一种判断的趋势。

1.研究深度学习用于机床电气故障现状分析：

1.1深度学习用于故障的图像与参数的分析

    赵治国等人在文献《干式DCT离合器无刷直流作动电机双卡尔曼滤波故障诊断》中 提出了采用双卡尔曼滤波及参数联合估计算法对离合器的电机状态和参数进行有效估计。王 勋等人在《深度学习在故障电气设备诊断中的应用》,利用红外线图像诊断故障图像的方式，根据获得的图像融于实验中，从而采集数据集，进行了测试验证。这种方法建立了红外线的图像进行分析与诊断，但是没有做到实时监控的要求，不能直接反映出现问题的故障点，有一定的滞后性。

1.2神经网络算法对故障分析的改进的研究方面：

2016年，王桂林等提出一个基于自组织映射（SOM)的神经网络对于绝缘子故障识别算法，采用现场的绝缘子故障特征向量进行训练，2017年刘斌等通过卷积神经网络对变压器局部放电信号图像进行识别。王硕禾，巩方超，古晓东，田继祥等人在《基于特征融合的变电设备类型及故障识别算法研究，提出一种基于 FastPCA 和 PHOG 特征加权融合的电气设备类型及其故障状态识别算法引入K-means 算法完成红外图像分割，实现目标巡检设备类型及故障的识别分类。

2.分析与解决方法：

电气故障的特点，常见的有长时间工作的过负荷运行，设备老化，长期在潮湿、粉尘或者腐蚀性高的地方运行等，产生了一定风险，从而产生比较严重的后果，将故障产生的指标及有关的图像数据等进行分析，将两者的特征进行分析与分类，进而进行有效诊断，从而为维护做准备。

2.1 M7120平面磨床的电气故障的分类与特点：1、各种短路类型，比如两相短路、三相短路，对地短路等。2、各种元器件的电气设备故障引起的功能性缺失如单线开路、两相开路、接触不良、保护导体带点、绝缘损坏等，比如保险管、线路等。3、瞬电压和电流的瞬间冲击产生的故障。4、电气线路故障则包括：电动机的启动故障、断路器及互感器使用不当、变压器内绕着击穿等。而防雷与接地故障可以包括：接地电阻过大、接地电阻装置异常等。

2.2 M7120平面磨床电气故障诊断和解决方法：

（1）图像与参数结合，找到故障位置。根据图像表现出来的故障现象，及相应的相电流各个节点的电量（电流、电压、功率），进行深度学习的归类，先对明确的各个测试点进行归类，分成短路故障与一线的线路断路故障，通过结合三个电量（电流、电压、功率）先判断是否是线路断路造成的故障，归结为一类特征，将数据进行分析，通过卷积层和池化层组成的特征提前器，采用经验与数据分析合作模式，本文采集分组进行输入，将电量和非电量分别输入，生产检测样本与训练出来的样本进行归类与判断，一旦达到我们的要求，马上进行标类识别。

（2）现场分析。增加图像、温度的参数，同时结合气味、烟雾传感器，第一时间进行判断是否外界原因或者人为的原因还是设备的故障，通过结合温度、气味、烟雾等数据检测、电流、电压、功率检测等手段进行。对现场反馈的数据与历史数据进行比较实时处理，比对中一旦有发现有变化或者异常情况，马上进行报警故障警示。

           

                         图1深度学习应用于故障识别

一旦可测电量比较有异常出现，则将有关的电气故障图像、数据在明确定义，并进行筛选后进行输入，经过预处理后，将数据进行卷积神经网络的三个层的学习，卷积层进行特征的提取，将以往的特征向量与生成的新的数据进行比较，从而可以得到相应的结果。

                             图2 非电量分析

如图2所示，一旦非电量比较有异常出现，则将数据与生成的新的数据进行比较，从而判断是否应该转入相应的故障分析，并采取措施进行切断电源。可以得到相应的结果。

总结

本文通过M7120平面磨床电气故障的进行类与总结，提出了将机床产生的相关数据及监测的外在指标建立深度学习的判断故障方法，综合结合总结出一套适合的模型，并通过在线预判和历史比较分析的方法对数据进行处理，进行分类识别，达到能正确的进行识别，提高维修的精确度，最终提前预警及时进行判断的效果。

 参考文献

【1】钱文博.异步电动机故障早期检测技术综述.计算机工程与应用，2021（5）

【2】王勋. 深度学习在故障电气设备诊断中的应用.传感器与微系统，2020（12）

【3】贾鑫.基于双监督信号卷积神经网络的电气设备红外故障识别研究.天津大学论文2018