【正文】 來進行更高頻率的信號分析。分解具有關系： S=AAA3+DAA3+ADA3+DDA3+AAD3+DAD3+ADD3+DDD3。 這種空間分解方式可以一直反復進行下去，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，基于神經網絡的模式識別技術應用越來越廣。神經網絡用于模式識別的網絡模型主要包括：有導師學習網絡、無導師學習網絡、自監(jiān)督學習網絡和混合學習網絡。 BP 神經網絡 系統(tǒng)地解決了多層網絡中隱含單元連接權的學習問題，假設 BP 網絡的輸入節(jié)點數(shù)為 M、輸出節(jié)點數(shù)為 L，則此神經網絡可以看成是從 M 維歐氏空間到 L 維歐氏空間的高度非線性映射。 多層網絡采用 BP 算法時，實際上包含了正向和反向傳播兩個階段。 圖 31 BP 網絡結構圖 BP 網絡前饋計算 在訓練的學習階段，設有 N 個訓練樣本，先假定用其中的某一個樣本 p 的 /輸出模式對 { Xp} 和 {Yp } 對網絡進行訓練，隱含層 的第 i 個神經元在樣本 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； Wij為輸入層神經元 j 與隱含層神經元 i 之間的連接權值； i? 為隱含層神經元 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平滑而經濟的調速，所以仍然廣泛應用于電力機車、無軌電車、軋鋼機和啟動設備上，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查與分析，電機主要的故障有轉子 的不對中、不平衡、轉軸彎曲、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，軸承安裝質量不佳或配合松動、元件損壞、電機端蓋變形等均會產生不對中。 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。當轉子材質不均、轉子熱不平衡、轉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，有時會產生明顯甩振。轉子穩(wěn)定運轉時，軸頸在軸承內僅繞其中心高速旋轉 。由此可見，當轉子發(fā)生油膜振動時，其振 動的主要頻率成分為臨界轉速左右的頻率。構造含噪原始信號 f (t) = f (t1) + f (t2) + f (t3)如圖 42 所示。 圖 43 小波重構的各種細節(jié)信號 從重構各頻段細節(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域中都得到了廣泛的應用，成為科技工作者經常使用的工具之一。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，輸入到神經網絡，同時給定期望輸出，神經網絡通過修改神經元連接權值進行訓練學習，最后在允許的誤差范圍內停止訓練，然后即可將其它狀態(tài)特征向量輸入到訓練過的神經網絡，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。 轉子振動和其它部件的振動是有聯(lián)系的，轉子通過軸承支撐在軸承座上，構成轉子 — 支承系統(tǒng)，支承的動力性能對轉子振動有極大影響，軸承座振動過大也是不允許的。應該注意的是測點的選擇應在振動比較敏感的位置，而且測點一經確定，就要在同一點測量，測點的偏移將導致測量值的極大誤差 。網絡訓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 測試結果符合實際測試信號對應的狀態(tài)，結果證明了利用小波包分析能夠有效提取故障特征向量，并且經過訓練的 BP 神經網絡確實能夠對直流電動機故障狀做出準確的診斷分類。鑒于故障診斷技術研 究要針對具體設備的具體故障，本文以直流電動機的轉子系統(tǒng)為研究對象，對其正常、轉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處理 [J]. 中國電機工程學報 ,20xx,27(30):103107 [3] 劉冬生 基于小波分析和神經網絡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 [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 ,20xx. [6] 馮志鵬 ,李學軍 ,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].中國電機工程學報 ,20xx,26(12):32 37. [7] 葛哲學 ,陳仲生 . Matlab 時頻分析技術及其應用 [M].北京 :人民郵電出版社 ,20xx. [8] 袁曾任 .人工神經元網絡及其應用 [M].北京 :清華大學出版社 ,1999. [9] 吳松林 ,張福明 ,林曉東 .基于小波神經網絡的滾動軸承故障診斷 [J].空軍工程大學學報 (自然科學版 ),20xx,9(1):17 21. [10]馮再勇 .小波神經網絡與網絡的比較研究及應用 [D].成都 :成都理工大學 ,20xx. [11]張松鶴 ,羅躍綱 ,聞邦椿 .集成小波神經網絡在故障診斷中的應用研究 [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 應用算法 [M].北京 :科學出版社 ,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 .小波包在旋轉機械故障振動信號處理中的應用 [J].計算技術與自動化 ,20xx,24(2):14 17. [16]熊富強 ,張航 .基于小波 神經網絡的汽輪機轉子故障診斷 [J].控制理論與應用 ,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.