【正文】 來進行更高頻率的信號分析。分解具有關(guān)系： S=AAA3+DAA3+ADA3+DDA3+AAD3+DAD3+ADD3+DDD3。 這種空間分解方式可以一直反復(fù)進行下去，信號被分解到相鄰的頻率段上。它可以模仿人腦處理不完整的、不準(zhǔn)確的、甚至非常模糊的信息，并能聯(lián)想記憶，從部分信息中獲得全部信息。 目前，基于神經(jīng)網(wǎng)絡(luò)的模式識別技術(shù)應(yīng)用越來越廣。神經(jīng)網(wǎng)絡(luò)用于模式識別的網(wǎng)絡(luò)模型主要包括：有導(dǎo)師學(xué)習(xí)網(wǎng)絡(luò)、無導(dǎo)師學(xué)習(xí)網(wǎng)絡(luò)、自監(jiān)督學(xué)習(xí)網(wǎng)絡(luò)和混合學(xué)習(xí)網(wǎng)絡(luò)。 BP 神經(jīng)網(wǎng)絡(luò) 系統(tǒng)地解決了多層網(wǎng)絡(luò)中隱含單元連接權(quán)的學(xué)習(xí)問題，假設(shè) BP 網(wǎng)絡(luò)的輸入節(jié)點數(shù)為 M、輸出節(jié)點數(shù)為 L，則此神經(jīng)網(wǎng)絡(luò)可以看成是從 M 維歐氏空間到 L 維歐氏空間的高度非線性映射。 多層網(wǎng)絡(luò)采用 BP 算法時，實際上包含了正向和反向傳播兩個階段。 圖 31 BP 網(wǎng)絡(luò)結(jié)構(gòu)圖 BP 網(wǎng)絡(luò)前饋計算 在訓(xùn)練的學(xué)習(xí)階段，設(shè)有 N 個訓(xùn)練樣本，先假定用其中的某一個樣本 p 的 /輸出模式對 { Xp} 和 {Yp } 對網(wǎng)絡(luò)進行訓(xùn)練，隱含層 的第 i 個神經(jīng)元在樣本 p 作用下的輸入為： 31 式中， Xjp 和 Ojp 分別為輸入節(jié)點 j 在樣本作用時的輸入和輸出，對輸入節(jié)點而言二者相當(dāng)； Wij為輸入層神經(jīng)元 j 與隱含層神經(jīng)元 i 之間的連接權(quán)值； i? 為隱含層神經(jīng)元 i 的閾值； M 為輸入層的節(jié)點數(shù)，即輸入向量的維數(shù)。目前，直流電動機具有良好的啟動性能且能在寬廣的范圍內(nèi)平滑而經(jīng)濟的調(diào)速，所以仍然廣泛應(yīng)用于電力機車、無軌電車、軋鋼機和啟動設(shè)備上，所以對其故障研究具有重要的現(xiàn)實意義。 根據(jù)對現(xiàn)場使用的直流電動機的調(diào)查與分析，電機主要的故障有轉(zhuǎn)子 的不對中、不平衡、轉(zhuǎn)軸彎曲、軸承動靜碰摩和損壞及油膜振動等。另外，兩端軸承孔在制造加工時不同軸度超差，軸承安裝質(zhì)量不佳或配合松動、元件損壞、電機端蓋變形等均會產(chǎn)生不對中。 2. 不平衡 由不平衡引起的振動是電機最常見的故障類型之一。當(dāng)轉(zhuǎn)子材質(zhì)不均、轉(zhuǎn)子熱不平衡、轉(zhuǎn)子熱彎曲引起振動時，其振動的主要特征之一是振動變化，即不平衡時振動隨時間發(fā)生變化振動相位不穩(wěn)定，有時會產(chǎn)生明顯甩振。轉(zhuǎn)子穩(wěn)定運轉(zhuǎn)時，軸頸在軸承內(nèi)僅繞其中心高速旋轉(zhuǎn) 。由此可見，當(dāng)轉(zhuǎn)子發(fā)生油膜振動時，其振 動的主要頻率成分為臨界轉(zhuǎn)速左右的頻率。構(gòu)造含噪原始信號 f (t) = f (t1) + f (t2) + f (t3)如圖 42 所示。 圖 43 小波重構(gòu)的各種細節(jié)信號 從重構(gòu)各頻段細節(jié)信號 d1, d2, d3 可以明顯看出在 t=200、 230 和 500 左右均有幅度跳變，可以判定原信號在以上三個時域位置左右有奇異點 出現(xiàn)，符合實際仿真信號。將這兩者加以結(jié)合，可以形成互補，更好的進行故障的診斷與識別。 診斷系統(tǒng)的設(shè)計思路是 : (l) 利用小波變換優(yōu)良的時頻局部化特性，提取故障特征。由于直流電機轉(zhuǎn)子故障時機體振動會受到脈沖力的作用，在靠近脈沖力作用的時刻振動信號的能量比較大，而在遠離脈沖力作用的時刻振動信號的主要成分是平穩(wěn)振動信號和噪聲以及低頻干擾，信號能量相對較小。若原始信號 x ( k )的數(shù)據(jù)長度為 N，則小波包分解各頻帶 Sj 上的小波包能量可表示為： 44 其中， xjk表示位于第 j 個頻帶子空間的離散信號的幅值。 小波包能量特征提取算法的 Matlab 實現(xiàn) 目前小波分析在許多科研和工程領(lǐng)域中都得到了廣泛的應(yīng)用，成為科技工作者經(jīng)常使用的工具之一。然而可以將待診斷系統(tǒng)的各種故障狀態(tài)的測量數(shù)據(jù)作為樣本特征向量，輸入到神經(jīng)網(wǎng)絡(luò)，同時給定期望輸出，神經(jīng)網(wǎng)絡(luò)通過修改神經(jīng)元連接權(quán)值進行訓(xùn)練學(xué)習(xí)，最后在允許的誤差范圍內(nèi)停止訓(xùn)練，然后即可將其它狀態(tài)特征向量輸入到訓(xùn)練過的神經(jīng)網(wǎng)絡(luò)，診斷出故障狀態(tài)。 電機振動信號采集系統(tǒng)組成 振動信號采集系統(tǒng)是指測量并記錄振動現(xiàn)象的設(shè)備或系統(tǒng)。振動測量傳感器又稱為拾振器，是將振動信號變成電參量的一種敏感元件。典型的系統(tǒng)一般都需要信號調(diào)理硬件，用于將原始信號以及傳感器的輸出接口到數(shù)據(jù)采集板或模塊上。一個模擬信號通過上述各部分后可以轉(zhuǎn)化為數(shù)字信號。采樣也叫抽樣，是信號在時間上的離散化，即按照一定的時間間隔△ t 在模擬信號 x(t)上逐點采取其瞬時值。具體振值用舍入法歸到靠近的量化電平上，由此將產(chǎn)生量化誤差。為求得更高的量化精度，可選擇位數(shù)更多的 A/D 板。 信號采樣要有足夠的長度，這不光是為了保證信號的完整性，而且是為了保證有較好的頻率分辨率。這在后續(xù)的實驗研究中具有重要的參考價值。 轉(zhuǎn)子振動和其它部件的振動是有聯(lián)系的，轉(zhuǎn)子通過軸承支撐在軸承座上，構(gòu)成轉(zhuǎn)子 — 支承系統(tǒng)，支承的動力性能對轉(zhuǎn)子振動有極大影響，軸承座振動過大也是不允許的。應(yīng)該注意的是測點的選擇應(yīng)在振動比較敏感的位置，而且測點一經(jīng)確定，就要在同一點測量，測點的偏移將導(dǎo)致測量值的極大誤差 。網(wǎng)絡(luò)訓(xùn)練完畢后期望輸出和實際輸出對比在表 43 中給出。 表 45 測試輸出 測試結(jié)果符合實際測試信號對應(yīng)的狀態(tài)，結(jié)果證明了利用小波包分析能夠有效提取故障特征向量，并且經(jīng)過訓(xùn)練的 BP 神經(jīng)網(wǎng)絡(luò)確實能夠?qū)χ绷麟妱訖C故障狀做出準(zhǔn)確的診斷分類。鑒于故障診斷技術(shù)研 究要針對具體設(shè)備的具體故障，本文以直流電動機的轉(zhuǎn)子系統(tǒng)為研究對象，對其正常、轉(zhuǎn)子不對中和軸承碰摩三種早期機械故障狀態(tài)進行診斷研究。 參考文獻 [1] Liu L, Shen S H, Guan M, Li C L. Application of Wavelet Neural Network on TurboGenerator SetFault Diagnosis System[C]. Control Conference: Proceedings of the 25th Chinese ControlConference,20xx,1311–1314 [2] 彭文季 ,羅興锜 , 郭鵬程 . 基于第 2 代小波的水電機組振動信號預(yù)處理 [J]. 中國電機工程學(xué)報 ,20xx,27(30):103107 [3] 劉冬生 基于小波分析和神經(jīng)網(wǎng)絡(luò)的電機故障診斷方法研究 20xx,12 [4] 鐘秉林 ,黃仁 .機械故障診斷學(xué) [M].第 2 版 .北京 :機械工業(yè)出版社 ,20xx. [5] 朱啟兵 .基于小波理論的非平穩(wěn)信號特征提取與智能診斷方法研究 [D].沈陽 :東北大學(xué) ,20xx. [6] 馮志鵬 ,李學(xué)軍 ,褚福磊 .基于平穩(wěn)小波包分解的水輪機非平穩(wěn)振動信號希爾伯特譜分析 [J].中國電機工程學(xué)報 ,20xx,26(12):32 37. [7] 葛哲學(xué) ,陳仲生 . Matlab 時頻分析技術(shù)及其應(yīng)用 [M].北京 :人民郵電出版社 ,20xx. [8] 袁曾任 .人工神經(jīng)元網(wǎng)絡(luò)及其應(yīng)用 [M].北京 :清華大學(xué)出版社 ,1999. [9] 吳松林 ,張福明 ,林曉東 .基于小波神經(jīng)網(wǎng)絡(luò)的滾動軸承故障診斷 [J].空軍工程大學(xué)學(xué)報 (自然科學(xué)版 ),20xx,9(1):17 21. [10]馮再勇 .小波神經(jīng)網(wǎng)絡(luò)與網(wǎng)絡(luò)的比較研究及應(yīng)用 [D].成都 :成都理工大學(xué) ,20xx. [11]張松鶴 ,羅躍綱 ,聞邦椿 .集成小波神經(jīng)網(wǎng)絡(luò)在故障診斷中的應(yīng)用研究 [J].噪聲與振動控制 ,20xx,12(6):24 28. [12]徐晨 ,趙瑞珍 ,甘小冰 .小波分析 應(yīng)用算法 [M].北京 :科學(xué)出版社 ,20xx. [13] Leng Junfa, Chen Donghai, Jing Shuangxi. Mine Fan Intelligent Faults Diagnosis Based on the Lifting WaveletPacket and RBF Neural Network[C]MFourth International Conference on Fuzzy Systems and Knowledge Discovery,20xx:376 380. [14] Hu Xiaoguang, Wang Fang, Zhao Hailong,etal. The Mechanical Fault Diagnosis for HV Breakers on the WaveletPacket Analysis [C ]MIMTCZ003OInsmmentation and Measurement Technology Conference,Vail,USA,20xx,5:654 659. [15]莫琦 ,陳立定 ,馮太合 .小波包在旋轉(zhuǎn)機械故障振動信號處理中的應(yīng)用 [J].計算技術(shù)與自動化 ,20xx,24(2):14 17. [16]熊富強 ,張航 .基于小波 神經(jīng)網(wǎng)絡(luò)的汽輪機轉(zhuǎn)子故障診斷 [J].控制理論與應(yīng)用 ,20xx,26(12):9 13. [17 ] Lin Jing, Qu Liangsheng. Feature Extraction Based onMorlet Wavelet and Its Application for Mechanical FaultDiagnosis[J]. Journal of Sound and Vibration,20xx,234 (1):135 148.