基于BP神经网络的血透设备故障诊断方法及存储介质与流程

基于bp神经网络的血透设备故障诊断方法及存储介质
技术领域
1.本技术涉及电机故障检测领域，尤其是涉及基于bp神经网络的血透设备故障诊断方法及存储介质。


背景技术：

2.相关技术中，在医疗仪器方面，许多仪器内部设有伺服电机，例如血液透析机是血液净化治疗中应用最广泛的一种治疗仪器，是一个较为复杂的机电一体化设备，由供给监控装置及体外循环监控装置组成。其工作原理是使用透析液通过血液透析器，与设备引出的病人血液进行溶质弥散、渗透和超滤作用；作用后的病人血液通过设备管路返回病人体内，同时透析用后的液体作为废液由透析液供给系统排出；不断循环往复，从而达到治疗的目的，完成整个透析过程。
3.血液透析设备的主要部件是电机，比如血液泵，肝素泵、透析液泵等，他们是驱动透析液和血液体外循环的动力。血液透析机不同于其他常用电子仪器，在透析过程中如泵机发生故障造成停机，影响治疗工作甚至病人的安全。因此确保机器正常运转非常重要，作为主要部件的各种电机更是如此，因此如何提高对带电机仪器的故障检测精确度，亟待改进。


技术实现要素：

4.为了提高对带电机仪器故障的检测精确度，本技术提供基于bp 神经网络的血透设备故障诊断方法及存储介质。
5.第一方面，本技术提供的基于bp神经网络的血透设备故障诊断方法采用如下的技术方案：
6.基于bp神经网络的血透设备故障诊断方法，其特征在于，包括以下步骤：
7.获取仪器电机的电流频谱图以识别仪器电机的故障征兆；
8.获取故障征兆的故障特征频率分量所对应的幅值和基波分量的幅值，并将故障特征频率分量所对应的幅值和基波分量的幅值之间的比值作为bp神经网络的输入层神经元；
9.获取仪器电机的故障模式以作为bp神经网络的输出层神经元，其中，所述故障模式用于表征仪器电机的故障种类；
10.获取标准训练样本集和测试样本集，基于bp神经网络得出所述标准训练样本集所对应的标准训练样本测试结果和所述测试样本集对应的测试样本测试结果；
11.比对所述训练样本测试结果和所述测试样本结果以得出仪器电机的故障模式。
12.通过采用上述技术方案，故障初期的电机往往会产生诸如机械异常振动和电流信号变化异常等不同形式的故障征兆，通过仪器电机的电流频谱图初步去识别故障征兆，再通过bp神经网络对电机的故障进行准确地检测和诊断，从而快速、精确地诊断出电动机的故障模式，从而减少电机维修所花费的时间，且大大提高了对带电机仪器的故障检测的精确度。
13.优选的，所述的获取仪器电机的电流频谱图以识别仪器电机的故障征兆的步骤，包括：
14.基于对仪器中不对称的电机转子检测得到的定子绕组的电流频率分量图像，来与预设变频带图像进行比较，以确定转子绕组故障征兆，其中，预设变频带为基波两侧出现的大小为2sf的变频带；
15.基于对仪器中相对静止的定子检测得到的电流谐波图像，来与预设电流谐波图像进行比较，以确定气隙偏心故障征兆，其中，预设电流谐波为基波及主齿谐波两侧出现变频带；
16.基于定子电流和气隙磁场检测得到测试谐波图像，与预设谐波图像进行比较，以确定定子绕组故障征兆，其中，预设谐波图像为电流的第n次和第m次谐波增大。
17.通过采用上述技术方案，在仪器电机的电流频谱图中获取对应的电流频率分量图像、电流谐波图像以及测试谐波图像，并将电流频率分量图像与预设变频带图像进行比较，从而确定转子绕组故障征兆；将电流谐波图像与预设电流谐波图像进行比较，从而确定气隙偏心故障征兆；将测试谐波图像与预设谐波图像进行比较，从而确定转子绕组故障征兆，通过观察仪器电机的电流频谱图，便于检测人员或者工作人员初步判断电机故障部位。
18.优选的，所述获取故障征兆的故障特征频率分量所对应的幅值和基波分量的幅值，并将故障特征频率分量所对应的幅值和基波分量的幅值之间的比值作为bp神经网络的输入层神经元的步骤，包括：
19.在仪器电机的电流频谱图中获取频率分量为f,(1+2s)f, (1-2s)f,[1+(1-s)/p]f,[1-(1-s)/p]f,3f,5f所对应的幅值和基波分量的幅值；
[0020]
基于比值算法计算故障特征频率分量所对应的幅值和基波分量的幅值之间的比值；
[0021]
以所述比值作为bp神经网络的输入层神经元。
[0022]
优选的，所述获取仪器电机的故障模式以作为bp神经网络的输出层神经元的步骤，包括：
[0023]
获取仪器电机的各种故障模式；
[0024]
基于所述故障模式建立故障矩阵，其中，所述故障矩阵行向量的元素对应于所述故障模式；
[0025]
建立所述故障矩阵与bp神经网络的输出层神经元的关联关系，其中，以[1,0,0],[0,1,0],[0,0,1]作为对应输出层神经元的故障模式，其中，零值元素表示无故障，非零值元素表征对应的故障模式。
[0026]
通过采用上述技术方案，将故障模式和故障矩阵联系，将 [1,0,0],[0,1,0],[0,0,1]作为对应输出层神经元的故障模式，零值元素表示无故障，非零值元素表征对应的故障模式，可以便于工作人员和计算机判断故障模式。
[0027]
优选的，在确定bp神经网络的输入层神经元和输出层神经元之后，还包括：
[0028]
基于bp神经网络的输入向量、输出向量所要求的维度确定输入层、输出层的节点数目；
[0029]
基于相关经验算法确定隐含层的神经元数目；
[0030]
确定bp神经网络的各层之间的传递函数。
[0031]
通过采用上述技术方案，进一步完善bp神经网络的搭建。
[0032]
优选的，所述相关经验算法包括其中，k为样本数目， m为bp神经网络隐含层的神经元数目，n为输入层神经元数目；
[0033]
且对于所有i＞m，成立有cm＝0；其中，m为输入层神经元数目，n为输出层的神经元数目，a为[0,10]区间内任一常数。
[0034]
通过采用上述技术方案，整个bp神经网络性能好坏基本可以由隐含层神经元数目的多少来决定，通常隐含层神经元数目越多，网络性能越好，然而如果隐含层的神经元过多，这又会使整个网络训练时间过长，通过上述公式确定神经元的数目，便于提高bp神经网路的性能。
[0035]
优选的，确定bp神经网络各层之间的传递函数的步骤，包括：
[0036]
采用sigmoid函数作为隐含层传递函数；
[0037]
基于输出层神经元的输出状态以log-sigmoid函数作为输出层传递函数。
[0038]
通过采用上述技术方案，可以将函数值的范围压缩到[0,1]，且可以压缩数据，幅度不变。
[0039]
优选的，所述获取标准训练样本集和测试样本集，基于bp神经网络得出所述标准训练样本集所对应的标准训练样本测试结果和所述测试样本集对应的测试样本测试结果的步骤，包括：
[0040]
获取标准训练样本集和测试样本集；
[0041]
基于bp神经网络得出所述标准训练样本集的标准训练样本测试结果；
[0042]
基于bp神经网络得出所述标准训练样本集的测试样本测试结果；
[0043]
将所述标准训练样本测试结果和所述测试样本测试结果进行比对，以得到比对结果；
[0044]
若比对结果中全为零值，则表示带电机仪器正常无故障；
[0045]
若比对结果中存在非零值，则表示带电机仪器存在故障。
[0046]
通过采用上述技术方案，将标准训练样本测试结果和测试样本测试结果进行比对，并得到比对结果，且采用判断是否有零值的方式判断带电机仪器是否有故障，更加方便工作人员判断带电机仪器的工作状态。
[0047]
优选的，所述标准训练样本集包括转子绕组故障样本、气隙偏心故障样本、定子绕组故障样本以及正常标准样本；
[0048]
所述测试样本集为实际测量而来样本的集合。
[0049]
第二方面，本技术提供的一种计算机可读存储介质采用如下的技术方案：
[0050]
所述存储介质存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现上述任一项所述的基于bp神经网络的血透设备故障诊断方法。
[0051]
综上所述，本技术包括以下至少一种有益技术效果：
[0052]
1.故障初期的电机往往会产生诸如机械异常振动和电流信号变化异常等不同形式的故障征兆，通过仪器电机的电流频谱图初步去识别故障征兆，再通过bp神经网络对电
机的故障进行准确地检测和诊断，从而快速、精确地诊断出电动机的故障模式，从而减少电机维修所花费的时间，且大大提高了对带电机仪器的故障检测的精确度；
[0053]
2.将标准训练样本测试结果和测试样本测试结果进行比对，并得到比对结果，且采用判断是否有零值的方式判断带电机仪器是否有故障，更加方便工作人员判断带电机仪器的工作状态。
附图说明
[0054]
图1为本技术实施例主要体现基于bp神经网络的血透设备故障诊断方法的步骤流程示意图；
[0055]
图2为步骤s1子步骤的流程示意图；
[0056]
图3为步骤s2子步骤的流程示意图；
[0057]
图4为步骤s3子步骤的流程示意图；
[0058]
图5为步骤s4子步骤的流程示意图；
[0059]
图6为tansig函数图；
[0060]
图7为logsig函数。
具体实施方式
[0061]
以下结合附图1-5对本技术作进一步详细说明。
[0062]
以下结合附图，对本技术作进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
[0063]
在以下描述中，为了解释的目的，阐述了很多具体细节，以便提供对发明构思的彻底理解。作为本说明书的一部分，本公开的附图中的一些附图以框图形式表示结构和设备，以避免使所公开的原理复杂难懂。为了清晰起见，实际具体实施的并非所有特征都有必要进行描述。此外，本公开中所使用的语言已主要被选择用于可读性和指导性目的，并且可能没有被选择为划定或限定本发明的主题，从而诉诸于所必需的权利要求以确定此类发明主题。在本公开中对“一个具体实施”或“具体实施”的提及意指结合该具体实施所述的特定特征、结构或特性被包括在至少一个具体实施中，并且对“一个具体实施”或“具体实施”的多个提及不应被理解为必然地全部是指同一具体实施。
[0064]
本技术实施例公开基于bp神经网络的血透设备故障诊断方法。
[0065]
参照图1，基于bp神经网络的血透设备故障诊断方法包括以下步骤：
[0066]
s1.获取仪器电机的电流频谱图以识别仪器电机的故障征兆。
[0067]
其中，待测仪器电机通电后获取仪器电机的电流频谱图，并通过分析电流频谱图的图像特征变化识别仪器电机的故障征兆。
[0068]
参照图2，具体的，s101.基于对仪器中不对称的电机转子检测得到的定子绕组的电流频率分量图像，来与预设变频带图像进行比较，以确定转子绕组故障征兆，其中，预设变频带为基波两侧出现的大小为2sf的变频带。
[0069]
转子绕组上发生故障时，它的特征的电流频率可用表达式表示为：
[0070]fs
＝[v(1-s)
±
s]f(v＝1,3,5,
…
)，式中fs表示发生转子绕组故障时，电流的特征频率；s表示滑差。
[0071]
当故障发生在转子绕组上后，定子绕组的电流会有频率分量出现；此时，正好为具有不对称性的电机转子感应到。而且转子的对称性甚至可以直接决定它的大小。在电流信号的频谱图中，表现为有大小的2sf变频带在基波两侧出现。
[0072]
s102.基于对仪器中相对静止的定子检测得到的电流谐波图像，来与预设电流谐波图像进行比较，以确定气隙偏心故障征兆，其中，预设电流谐波为基波及主齿谐波两侧出现变频带。
[0073]
在电机的气隙中发生偏心故障后，所发生特征参量异常变化为气隙的磁通波形会被空间和时间所左右。此时，由于定子相对静止，因而它能准确地感应到电流谐波的变化。
[0074]
可以采用公式：fs＝[1
±
(1-s)/p]f＝f
±fr
；
[0075]
式中fs表示发生气隙偏心故障时，电流的特征频率；fr表示转子旋转频率；f表示基波；p表示极对数。
[0076]fs
＝[(r
±
1)(1-s)/p
±
1]f＝(r
±
1)fr±
f；
[0077]fs
＝[r(1-s)/p
±
1]f＝rfr±
f；式中rfr±
f表示主齿谐波。
[0078]
通常，在正常状态下的电机的电流信号的谱图中，均可以见基波和主齿谐波的存在。而当气隙偏心故障发生在电机上时，则在电流信号的谱图中，明显的发现，在基波及主齿谐波的两侧出现了变频带，其大小据估算与旋转频率相同。
[0079]
s103.基于定子电流和气隙磁场检测得到测试谐波图像，与预设谐波图像进行比较，以确定定子绕组故障征兆，其中，预设谐波图像为电流的第n次和第m次谐波增大。
[0080]
当电机上的定子绕组发生故障时，可能产生的特征参量的异常变化为：在定子电流和气隙磁场中均有较强的谐波产生，在电流信号的谱图中，明显地发现，预设谐波图像电流的第3和第5次谐波有显著的增大迹象。
[0081]
s2.获取故障征兆的故障特征频率分量所对应的幅值和基波分量的幅值，并将故障特征频率分量所对应的幅值和基波分量的幅值之间的比值作为bp神经网络的输入层神经元。
[0082]
参照图3，具体的，步骤s2包括以下子步骤：
[0083]
s201.在仪器电机的电流频谱图中获取频率分量为f,(1+2s)f, (1-2s)f,[1+(1-s)/p]f,[1-(1-s)/p]f,3f,5f所对应的幅值和基波分量的幅值；
[0084]
s202.基于比值算法计算故障特征频率分量所对应的幅值和基波分量的幅值之间的比值；
[0085]
s203.以所述比值作为bp神经网络的输入层神经元。
[0086]
s3.获取仪器电机的故障模式以作为bp神经网络的输出层神经元，其中，所述故障模式用于表征仪器电机的故障种类。
[0087]
参照图4，其中，步骤s3具体包括以下子步骤：
[0088]
s301.获取仪器电机的各种故障模式；
[0089]
s302.基于所述故障模式建立故障矩阵，其中，所述故障矩阵行向量的元素对应于所述故障模式；
[0090]
s303.建立所述故障矩阵与bp神经网络的输出层神经元的关联关系，其中，以[1,0,0],[0,1,0],[0,0,1]作为对应输出层神经元的故障模式，其中，零值元素表示无故障，非零值元素表征对应的故障模式。
[0091]
具体的，输入层神经元为各故障特征频率分量所对应的幅值 x＝[x1,x2,
…
,xn]和基波分量的幅值之间的比值，输出层神经元为电机的各种不同的故障模式y＝[y1,y2,
…
,ym]
[10]
。
[0092]
输出层神经元所对应的故障模式可依次为：(1)转子发生的绕组故障(短路、断条)；(2)气隙发生的偏心故障；(3)定子绕组发生的绕组故障(短路、接地)。
[0093]
s4.获取标准训练样本集和测试样本集，基于bp神经网络得出所述标准训练样本集所对应的标准训练样本测试结果和所述测试样本集对应的测试样本测试结果。
[0094]
参照图5，具体的，步骤s4包括以下子步骤：
[0095]
s401.获取标准训练样本集和测试样本集。所述标准训练样本集包括转子绕组故障样本、气隙偏心故障样本、定子绕组故障样本以及正常标准样本。所述测试样本集为实际测量而来样本的集合。
[0096]
s402.基于bp神经网络得出所述标准训练样本集的标准训练样本测试结果；
[0097]
s403.基于bp神经网络得出所述标准训练样本集的测试样本测试结果；
[0098]
s404.将所述标准训练样本测试结果和所述测试样本测试结果进行比对，以得到比对结果；
[0099]
s405.若比对结果中全为零值，则表示带电机仪器正常无故障；若比对结果中存在非零值，则表示带电机仪器存在故障。
[0100]
s5.比对所述训练样本测试结果和所述测试样本结果以得出仪器电机的故障模式。
[0101]
以下举例说明标准训练样本集和测试样本集的建立方式。
[0102]
将x1,x2,x3,x4的集合作为标准训练样本集。
[0103]
其中，转子绕组故障样本：x1＝[1,0.01,0.01,0.009,0.0004,0.003,0.05]；
[0104]
气隙偏心故障样本：x2＝[1,0.0018,0.0018,0.049,0.041,0.023,0.027]；
[0105]
定子绕组故障样本：x3＝[1,0.01,0.01,0.134,0.006,0.09,0.027]；
[0106]
正常标准样本：x4＝[1,0.01,0.01,0.004,0.004,0.035,0.03]。
[0107]
样本数据对应的标准输出为转子绕组故障标准输出为y1＝[1,0,0]；
[0108]
气隙偏心故障标准输出为y2＝[0,1,0]；
[0109]
定子绕组故障标准输出为y3＝[0,0,1]；
[0110]
正常无故障标准输出为y4＝[0,0,0]。
[0111]
将几组通过实际测量而来的样本x5,x6,x7,x8的集合作为测试样本集：
[0112]
x5＝[0.89 0.00089 0.00089 0.00356 0.00356 0.03115 0.0267]；
[0113]
x6＝[0.9 0.009 0.009 0.0081 0.00036 0.027 0.045]；
[0114]
x7＝[0.9 0.00162 0.00162 0.0441 0.0369 0.0207 0.0243]；
[0115]
x8＝[0.9 0.0009 0.0009 0.01206 0.0054 0.081 0.0243]
[0116]
测试样本对应的标准输出为y5＝[0,0,0]，表示正常无故障；
[0117]
y6＝[1,0,0]，表示转子绕组故障；
[0118]
y7＝[0,1,0]，表示气隙偏心故障；
[0119]
y8＝[0,0,1]，表示定子绕组故障。
[0120]
将故障模式和故障矩阵联系，将[1,0,0],[0,1,0],[0,0,1]作为对应输出层神经
元的故障模式，零值元素表示无故障，非零值元素表征对应的故障模式，可以便于工作人员和计算机判断故障模式。
[0121]
具体的，在确定bp神经网络的输入层神经元和输出层神经元之后，还包括：
[0122]
基于bp神经网络的输入向量、输出向量所要求的维度确定输入层、输出层的节点数目。
[0123]
基于相关经验算法确定隐含层的神经元数目。所述相关经验算法包括其中，k为样本数目，m为bp神经网络隐含层的神经元数目，n为输入层神经元数目；
[0124]
且对于所有i＞m，成立有cm＝0；其中，m为输入层神经元数目，n为输出层的神经元数目，a为[0,10]区间内任一常数。
[0125]
整个bp神经网络性能好坏基本可以由隐含层神经元数目的多少来决定，通常隐含层神经元数目越多，网络性能越好，然而如果隐含层的神经元过多，这又会使整个网络训练时间过长，通过上述公式确定神经元的数目，便于提高bp神经网路的性能。
[0126]
确定bp神经网络的各层之间的传递函数。具体的，采用sigmoid 函数作为隐含层传递函数。基于输出层神经元的输出状态以 log-sigmoid函数作为输出层传递函数。一般来说，bp神经网络中会采用值域为[-1,1]的函数tansig和值域为[0,1]的函数logsig来作为传递函数，其公式为：
[0127][0128][0129]
上述公式的函数图参照图6和图7。
[0130]
一般而言，使用sigmoid函数作为隐含层传递函数，而输出层则会使用线性函数作为其传递函数。如果输出层也采用sigmoid函数作为其传递函数，则输出值就会被限制在(0,1)或(-1,1)之间。
[0131]
本技术实施例还公开一种可读存储介质，存储有能够被处理器加载并执行如上的基于bp神经网络的血透设备故障诊断方法。通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上的一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台设备 (可以是手机，计算机，服务器，被控终端，或者网络设备等)执行本技术每个实施例的方法。
[0132]
以上均为本技术的较佳实施例，并非依此限制本技术的保护范围，故：凡依本技术的结构、形状、原理所做的等效变化，均应涵盖于本技术的保护范围之内。