【正文】 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。網(wǎng)絡訓練完畢后期望輸出和實際輸出對比在表 43 中給出。 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。 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。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。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。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。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，同時給定期望輸出，神經(jīng)網(wǎng)絡通過修改神經(jīng)元連接權(quán)值進行訓練學習，最后在允許的誤差范圍內(nèi)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(jīng)網(wǎng)絡，診斷出故障狀態(tài)。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。 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。 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。由此可見，當轉(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。當轉(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。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。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。 多層網(wǎng)絡采用 BP 算法時，實際上包含了正向和反向傳播兩個階段。神經(jīng)網(wǎng)絡用于模式識別的網(wǎng)絡模型主要包括：有導師學習網(wǎng)絡、無導師學習網(wǎng)絡、自監(jiān)督學習網(wǎng)絡和混合學習網(wǎng)絡。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。分解具有關(guān)系： S=AAA3+DAA3+ADA3+DDA3+AAD3+DAD3+ADD3+DDD3。小波包變換的結(jié)構(gòu)也與離散小波變換比較類似，兩者都有多尺度分析的框架。 db1 等同于 Haar 小波，其余的 db 系列小波函數(shù)都沒有解析表達式。離散化的方法是把小波基函數(shù)進行離散化，即將自變量 a 和τ 進行離散化處理。“ 母 ”這個詞意味著在變換過程中所用到的支持不同區(qū)域的不同函數(shù)都是從一個主函數(shù)或者說是從一段母波中衍生出來的 。之所以稱為小波，是因為小波函數(shù)的兩個重要特征得來的：一是振蕩性，它是振蕩波形，并且圍繞時間軸的面積為零；二是衰減性 ,函數(shù)兩端很快衰減到零。準確描述非平穩(wěn)信號必須使用具有局部性能的時域和頻域的二維（ t, w）聯(lián)合表示，或者說必須提取特定時間段和頻率段內(nèi)的信號 特性。 從傅立葉級數(shù)的概念可以得出，任意一個周期信號都可以表示為直流分量和各次諧波分量疊加之后的結(jié)果。其中，智能診斷系統(tǒng)以其智能性和實性正受到越來越多的重視，小波分析和人工神經(jīng)網(wǎng)絡是該領(lǐng)域的研究熱點之一。電機故障診斷的基本實施過程，電機的故障診斷技術(shù)的實施過程，一般可分為兩個階段、四個步驟。我國對電機故障診斷技術(shù)也非常重視 ， 例如在 60 年代就提出了帶電實驗的方法 ， 該方法由于存在一些致命的缺點 ,并沒有得到廣泛的實踐和應用。” 為了從根本上避免災難性事故的發(fā)生以及保證電機及其所驅(qū)動負載的安全運行 ， 應對電機采取故障診斷。 一直以來 ,針對電機的各種故障 ， 一般都選用成熟、可靠的繼電保護措施。 關(guān)鍵詞： 故障診斷 小波分析 神經(jīng)網(wǎng)絡 振動信號 第一章 引言 課題的研究背景與研究意義 隨著現(xiàn)代工業(yè)制造的發(fā)展 ， 電機巳經(jīng)成為當今生產(chǎn)活動和日常生活中最重要的原動力和驅(qū)動裝置。因為只有當事故已經(jīng)發(fā)生時 ， 繼電保護才會起作用。 該學科以設(shè)備的管理、狀態(tài)監(jiān)測和 故障診斷為內(nèi)容，以建立新的維修體制為目標，在各個領(lǐng)域得到了推廣和應用，它提高了對設(shè)備故障診斷的科學化、合理化、系統(tǒng)化、準確化等，大大豐富了人們在故障機理、故障識別與診斷等領(lǐng)域的知識，其作用和效益日趨顯著。 第二階段：是以傳感器技術(shù)和動態(tài)測試技術(shù)為手段，以信號處理和建模處理為基礎(chǔ)的現(xiàn)代化診斷技術(shù)，在工程中得到了廣泛的應用。這一步是整個診斷過程的核心，需要建立判別函數(shù)，規(guī)定函數(shù)準則并力爭使誤差最小。小波變換是一種通過對信號進行平移和伸縮進行多尺度分析，并在時間與頻率兩個方向上對信號進行局部變換，可以有效的從數(shù)字信號中抽取有用信息。類似于連續(xù)信號，時域離散信號也可以根據(jù)是否為周期性，分為離散時間序列傅里葉變換（ DTFT）和離散傅 立 葉變換（ DFT）。從理論上上講，小波分析理論是建立在實變函數(shù)、復變函數(shù)、泛函分析、調(diào)和分析等近代數(shù)學理論基礎(chǔ)上的，這些近代成熟的數(shù)學理論為小波分析提供了重要的理論基礎(chǔ)，同時也增加了小波理論的抽象性。? (t)是變換函數(shù)，并且被成為母小波。 在工程應用方面 ， 連續(xù)小波變換系數(shù)的平方通常被稱為小波尺度圖 。多分辨分析的基本思想是把信號投影到一組互相正交的小波函數(shù)構(gòu)成的子空間上，從函數(shù)空間的角度來研究函數(shù)或信號的多尺度表示，形成了信號在不同尺度上的展開，從而提取了信號在不同頻帶的特征，同時保留了信號在各尺度上的時域特征。因此，當信號在高頻區(qū)域分布緊密時小波變換很難提高其分辨率?？梢哉f小波包變換適用于信號處理尤其適用于對非穩(wěn)態(tài)信號進行處理 ,因為信號在進行小波包變換后各個尺度上有這相同的頻帶寬度而與頻率本身的高或者低無關(guān)。隨著分解層數(shù)的增加，頻段劃分得越來越細。由于 神經(jīng)網(wǎng)絡的高速并行處理、分布存貯信息等特性符合人類視覺系統(tǒng)的基本工作原則，具有很強自學習性、自組織性、容錯性、高度非線性、高的魯棒性、聯(lián)想記憶功能和推理意識功能等，能夠?qū)崿F(xiàn)目前基于計算理論層次上的模式識別理論所無法完成的模式信息處理工作。 BP 算法原理 BP 學習算法的基本原理是梯度最速下降法，核心思想使調(diào)整權(quán)值使網(wǎng)絡總誤差小。 激活函數(shù) Sigmoid 型為，其表達式為： 32 則隱含層第 i 個神經(jīng)元的輸出 Oip 位： 33 隱含層激活函數(shù) g(pi)為： 34 若其輸出與給定模式對中的期望輸出 tpk 不一致，則將其誤差信號從輸出端反向傳播回來，并在傳播過程中對加權(quán)系數(shù)不斷修正，直到在輸出層神經(jīng)元上得到所需要的期望輸出值 tkp 為止。這些故障都會引起電機在運行過程中的強烈振動，因此對電機故障按振動原因可以分為： 1. 不對中 不對中是電機的常見故障，大多數(shù)發(fā)生在負載聯(lián)軸器部位。轉(zhuǎn)子不平衡的基本原因如下：轉(zhuǎn)子部件材質(zhì)分布不均；轉(zhuǎn)子繞線不均勻；轉(zhuǎn)子溝槽內(nèi)有大量積灰。但失穩(wěn)后，軸頸不僅繞軸頸中心高速旋轉(zhuǎn)，而且軸頸中心本身將繞平衡點甩轉(zhuǎn)或渦動。 圖 42 仿真信號波形 首先選擇 db5 系列小波，利用 Mallat 算法對 f (t )進行分解，然后利用閾值法處理細節(jié)系數(shù)，并根據(jù)處理后的細節(jié)系數(shù)重構(gòu) f (t )，得到消噪信號如圖 42 所示。目前有兩種結(jié)合途徑： 松散型結(jié)合 ，緊致 性結(jié)合 。因此可以利用各個頻帶能量的變化來提取故障特征，頻帶能量可以由小波包分解系數(shù)來求取，具體步 驟如下： 利用在時域和頻域都有良好的局部化特性 Daubenchies 小波系列中的 4 階小波，對振動信號 S( t) 進行 3 層小波包分解，得到 8 個子頻帶。 Matlab 為小波分析為提供了基于 Simulink 的小波工具箱（ WaveletToolbox ），提供了圖形化的函數(shù)功能和命令，方便易用，可以用于創(chuàng)新算法研究上，但利用 Simulink 小波工具箱方法進行信號處理缺乏編程靈活性，所以本課題仍讓利用高級語言編程方法編寫 .m 文件進行程序設(shè)計，程序執(zhí)行效率明顯提高，有利于程序移植和嵌入式智能診斷軟件開發(fā)。振動信號采集系統(tǒng)如圖 46 所示。通過信號調(diào)理的各種功能，如信號的放大、隔離、濾波、多路轉(zhuǎn)換以及直接變送器調(diào)理等，使得數(shù)據(jù)采集系統(tǒng)的可靠性及性能得到極大地改善 3. 數(shù)據(jù)采集卡 數(shù)據(jù)采集卡的功能主要有模擬輸入，數(shù)字輸出，計數(shù)器 /計時器等。它是通過采樣脈沖和模擬信號相乘來實現(xiàn)的。但在實際應用中，考慮到成本因素， A/D 板的位數(shù)也不可一味求高，能滿足系統(tǒng)使用要求即可。 振動測點布置 在旋轉(zhuǎn)機械中，轉(zhuǎn)子是設(shè)備的核心部件，它的運轉(zhuǎn)正常與否，直接決定了設(shè)備能否正常工作。 實驗過程及結(jié)果評析 根據(jù) 節(jié)所述的振動信號采集方法，本實驗采用加速度傳感器拾取直流電動機機體振動信號，測點布置在直流電動機的機殼上，采用數(shù)據(jù)采集卡進行對將傳感器信號進行 A/D 轉(zhuǎn)換，得到樣本訓練信號和測試