基于小波分析和神经网络的电机故障诊断方法的研究报告(编辑修改稿)

基于小波分析和神经网络的电机故障诊断方法的研究报告(编辑修改稿)内容摘要：

即尺度数 )。 分解具有关系： S=AAA3+DAA3+ADA3+DDA3+AAD3+DAD3+ADD3+DDD3。 小波包算法的实现 小波包分解可以对信号在全部的频带范围内进行正交分解。 小波包算法的基本思想是将第一次分解结果的高频部分和低频部分利用二抽取运算，保留其偶数部分或奇数部分（即每隔一个数保留一个）。 在进行下一步分解时，不仅将低频部分进行分解，同时也将高频部分进行分解，对分解结果仍采用二抽取运算，这样无论在低频段还是在高频段都具有相同的时频分辨率。 这种空间分解方式可以一直反复进行下去，信号被分解到相邻的频率段上。 随着分解层数的增加，频段划分得越来越细。 为了提高分辨率，可以采取下面的信号重构方法。 下面直接给出小波包分解和重构算法的演算公式， 设 ()nnjjg t U ， 则 ()njgt可表示为： 210 由此得出小波包分解算法如下： 211 小波包重构算法如下： 212 第三章 基于 BP 网络的故障诊断方法的研究 神经网络概述 神经网络是一种新型智能计算信息处理系统。 它可以模仿人脑处理不完整的、不准确的、甚至非常模糊的信息，并能联想记忆，从部分信息中获得全部信息。 即使系统受到一定程度干扰时，特征信息变化较大，神经网络仍能以优化工作状态来识别与处理，这对系统的在线实时监控和诊断有重要意义。 而且神经网络能在数据量大、信息领域不完整以及存在噪音数据的情况下可以较好地表达出训练样本所要求的决策区域。 因此，人工神经网络作为故障诊断的信息处理工具。 目前，基于神经网络的模式识别技术应用越来越广。 由于 神经网络的高速并行处理、分布存贮信息等特性符合人类视觉系统的基本工作原则，具有很强自学习性、自组织性、容错性、高度非线性、高的鲁棒性、联想记忆功能和推理意识功能等，能够实现目前基于计算理论层次上的模式识别理论所无法完成的模式信息处理工作。 所以，采用神经网络进行模式识别，突破了传统模式识别技术的束缚，开辟了模式识别发展的新途径。 同时神经网络识别也成为神经网络最成功和最有前途的应用领域之一。 神经网络用于模式识别的网络模型主要包括：有导师学习网络、无导师学习网络、自监督学习网络和混合学习网络。 这些网络模型都已成功 地应用在模式识别各个领域。 神经网络识别系统的输入层接收待识别样本的特征向量，经过隐层神经元的运算，输出层的输出就是识别结果，输出层的每个神经元代表一类，哪个输出神经元获胜，该样本就是该输出神经元所代表的那一类（所谓获胜就是该单元的输出远大于其他单元的输出）。 反向传播 BP 网络 1986 年， 和 提出了一种利用误差反向传播训练算法的神经网络，简称 BP(Back Propagation)网络，是一种具有隐含层的有导师指导的多层前馈网络。 BP 神经网络 系统地解决了多层网络中隐含单元连接权的学习问题，假设 BP 网络的输入节点数为 M、输出节点数为 L，则此神经网络可以看成是从 M 维欧氏空间到 L 维欧氏空间的高度非线性映射。 BP 算法原理 BP 学习算法的基本原理是梯度最速下降法，核心思想使调整权值使网络总误差小。 采用梯度搜索技术，使网络的实际输出值与期望输出值得误差均方值最小。 网络学习过程式一种误差边向后传播边修正权系数的过程。 多层网络采用 BP 算法时，实际上包含了正向和反向传播两个阶段。 在正向传播阶段，输入信息从输入层经隐含层逐层处理，并传向输出 层，每一层神经元的状态只影响下一层神经元的状态。 如果在输出层得不到期望输出，则转入反向传播，将误差信号沿原来的连接通道返回，通过修改各层神经元之间的连接权值，使误差信号最小。 M 个输入节点， L 个输出节点，网络的隐含层共有 q 个单元的 BP 神经网络拓扑结构如下图 31 所示。 图 31 BP 网络结构图 BP 网络前馈计算 在训练的学习阶段，设有 N 个训练样本，先假定用其中的某一个样本 p 的 /输出模式对 { Xp} 和 {Yp } 对网络进行训练，隐含层 的第 i 个神经元在样本 p 作用下的输入为： 31 式中， Xjp 和 Ojp 分别为输入节点 j 在样本作用时的输入和输出，对输入节点而言二者相当； Wij为输入层神经元 j 与隐含层神经元 i 之间的连接权值； i 为隐含层神经元 i 的阈值； M 为输入层的节点数，即输入向量的维数。 激活函数 Sigmoid 型为，其表达式为： 32 则隐含层第 i 个神经元的输出 Oip 位： 33 隐含层激活函数 g(pi)为： 34 若其输出与给定模式对中的期望输出 tpk 不一致，则将其误差信号从输出端反向传播回来，并在传播过程中对加权系数不断修正，直到在输出层神经元上得到所需要的期望输出值 tkp 为止。 对样本 p 完成网络权系数调整后，再送入另一样本模式进行类似学习，直到完成 N 个样本的训练学习为止。 第四章 直流电机故障诊断系统 直流电机结构及故障分析 本文以诊断实验直流电动机转子系统机械类故障为主，诊断方法具有通用性。 目前，直流电动机具有良好的启动性能且能在宽广的范围内平滑而经济的调速，所以仍然广泛应用于电力机车、无轨电车、轧钢机和启动设备上，所以对其故障研究具有重要的现实意义。 直流电机结构 直流电机典型机械结构图： 图 41 直流电机结构图 直流电机故障的震动分析 机械的振动总是伴随着机械的运转而存在的，直流电动机也不例外，即使是电机在最佳的运行状态，也将产生某些振动。 由于转子、轴承、壳体、密封和固定等部分的结构及加工和安装方面的缺陷，使电机在运行时引起振动，振动的加剧又往往是电机破坏的主要原因，所以对电机这样的旋转机械进行振动监测和分析是非常必要的。 振动参数更能直接地、快速准确地反映电机的运行状态，所以把对振动参数的监测作为对电机状态进行诊断的主要依据，通过对振动信号的分析，可以推断出振动原因和故障类型。 根据对现场使用的直流电动机的调查与分析，电机主要的故障有转子 的不对中、不平衡、转轴弯曲、轴承动静碰摩和损坏及油膜振动等。 这些故障都会引起电机在运行过程中的强烈振动，因此对电机故障按振动原因可以分为： 1. 不对中 不对中是电机的常见故障，大多数发生在负载联轴器部位。 所谓中是用联轴节联接起来的两根轴的中心线存在偏差，如产生轴线平行偏移，轴线生角偏移或者是两者的组合。 一般由制造安装时存在轴线偏移或长期运行中磨损引起。 另外，两端轴承孔在制造加工时不同轴度超差，轴承安装质量不佳或配合松动、元件损坏、电机端盖变形等均会产生不对中。 在一般情况下，轴向振动急剧变大或严重超是不对中的典型 特征。 当转子存在不对中故障时，振动信号将含有工频的高次成分，尤其以 2 倍频振动非常明显。 有关研究指出，如果在二阶振动频率上的振幅是工频振幅的 3075%时，此时不对中可被电机轴承受相当长的时间；当二阶频率振幅是工频振幅的 75150%时，则轴承可能发生故障，应加强状态监测；当二阶频率振幅超过工频振幅时，不对中会对联轴节产生严重影响。 2. 不平衡 由不平衡引起的振动是电机最常见的故障类型之一。 转子不平衡的基本原因如下：转子部件材质分布不均；转子绕线不均匀；转子沟槽内有大量积灰。 电机在水平方向的刚度最小，由不 平衡而产生的激振力在水平方向反应最强烈。 水平方向的振值超差或发生剧变是不平衡故障的显著特征，而且由不平衡引起的振动频率一般与转速同频。 当转子材质不均、转子热不平衡、转子热弯曲引起振动时，其振动的主要特征之一是振动变化，即不平衡时振动随时间发生变化振动相位不稳定，有时会产生明显甩振。 3. 动静碰摩 电机在运行过程中，由于装配不良、转子不平衡量过大、轴弯曲、机械松动或零部件缺陷等综合性原因，可能导致动静件之间发生碰摩。 由于动静部分碰摩而产生的振动具有丰富的频谱特征，占据超低频、低频和高频的各个频带，特征频率复杂，特 别是对于早期的微弱的碰摩故障，故障信号的特征提取相对困难。 4. 油膜振动 油膜振动是轴承轴颈带动润滑油高速流动时，高速油流反过来激励轴颈，使其发生强烈振动的一种自激振动现象。 转子稳定运转时，轴颈在轴承内仅绕其中心高速旋转。 但失稳后，轴颈不仅绕轴颈中心高速旋转，而且轴颈中心本身将绕平衡点甩转或涡动。 这种涡动频率一般大约为转轴转动角速度的一半，称为半速涡动。 在转轴的临界转速比较低时，涡动频率可能与转轴的某一临界转速相等，其涡动振幅将被共振放大，即产生强烈的振动，此时称为油膜振动。 由此可见，当转子发生油膜振动时，其振 动的主要频率成分为临界转速左右的频率。 仿真振动信号的时频分析实例 电机在运转状态可以通过振动信号全面反映，如果出现故障状态，通常信号会发生突变，即在局部信号段具有奇异性，而且通常电动机工作环境比较复杂，因此所得振动信号往往含有大量噪声，信号的信噪比较低。 如下仿真生成直流电动机振动信号，叠加噪声和奇异点，利用小波分析仿真振动信号，提取其特征。 仿真信号有以下三部分组成： 41。