【正文】 56，則量化步長(zhǎng) R 便為所測(cè)量最大電壓幅值的 1/256。為求得更高的量化精度，可選擇位數(shù)更多的 A/D 板。但在實(shí)際應(yīng)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。(2) 采樣頻率的確定在實(shí)際的采樣過(guò)程中，考慮到抗混濾波器的非銳截止性，實(shí)際工作中會(huì)把采樣頻率提高一些，一般取fs≥（3～4）fmax(3) 采樣長(zhǎng)度的確定采樣長(zhǎng)度即采樣時(shí)間的長(zhǎng)短。采樣時(shí)，首先要保證能反映信號(hào)的全貌，對(duì)瞬態(tài)信號(hào)應(yīng)包含整個(gè)瞬態(tài)過(guò)程；對(duì)周期信號(hào)，理論上采集一個(gè)周期的信號(hào)就可以了，實(shí)際上，考慮到信號(hào)平均等因素，采樣總是有一定長(zhǎng)度的，同時(shí)為了減少計(jì)算量，采樣長(zhǎng)度也不宜過(guò)長(zhǎng)。信號(hào)采樣要有足夠的長(zhǎng)度，這不光是為了保證信號(hào)的完整性，而且是為了保證有較好的頻率分辨率。設(shè)譜線數(shù)為 fc，則頻率分辨率為 n，則分析頻率 ?f 為:△f=fc/n改用采樣頻率表示為：式中，N=2n 為采樣點(diǎn)數(shù)，T 為采樣長(zhǎng)度?？梢?jiàn)，對(duì)給定的分析頻率，采樣長(zhǎng)度越大，則 ?f 越小，即分辨率越高。在信號(hào)分析中，采樣點(diǎn)數(shù)一般選為 2m個(gè)，使用較多的是 511022048 和 4096等。這在后續(xù)的實(shí)驗(yàn)研究中具有重要的參考價(jià)值。 振動(dòng)測(cè)點(diǎn)布置在旋轉(zhuǎn)機(jī)械中，轉(zhuǎn)子是設(shè)備的核心部件，它的運(yùn)轉(zhuǎn)正常與否，直接決定了設(shè)備能否正常工作。70%的故障都和轉(zhuǎn)子機(jī)器組件有關(guān)，其它部位發(fā)生故障的概率較小。因此，對(duì)于旋轉(zhuǎn)設(shè)備而言信號(hào)的采集主要是轉(zhuǎn)子振動(dòng)信息的采集。轉(zhuǎn)子振動(dòng)和其它部件的振動(dòng)是有聯(lián)系的，轉(zhuǎn)子通過(guò)軸承支撐在軸承座上，構(gòu)成轉(zhuǎn)子—支承系統(tǒng)，支承的動(dòng)力性能對(duì)轉(zhuǎn)子振動(dòng)有極大影響，軸承座振動(dòng)過(guò)大也是不允許的。所以，通常軸承座也是主要的信息采集處。實(shí)際上，由于檢測(cè)轉(zhuǎn)子軸的振動(dòng)往往要比測(cè)量軸承座內(nèi)座或外殼的振動(dòng)需要更高的監(jiān)測(cè)條件和技術(shù)，其中最基本的條件就是合理的安裝傳感器，因?yàn)闇y(cè)量轉(zhuǎn)子振動(dòng)的非接觸式傳感器，安裝前一般需要加工設(shè)備外殼，保證傳感器與軸頸之間沒(méi)有其他物體，在不具備條件時(shí)可采取測(cè)量外殼或軸承座等措施。旋轉(zhuǎn)機(jī)械振動(dòng)信息的采集，一般應(yīng)在水平、垂直和軸向三個(gè)方向進(jìn)行，因?yàn)椴煌收显诓煌臏y(cè)試方向上敏感程度是不同的，例如不平衡故障一般在水平方向，碰摩故障主要反映在垂直方向，而不對(duì)中的軸向振動(dòng)較大。應(yīng)該注意的是測(cè)點(diǎn)的選擇應(yīng)在振動(dòng)比較敏感的位置，而且測(cè)點(diǎn)一經(jīng)確定，就要在同一點(diǎn)測(cè)量，測(cè)點(diǎn)的偏移將導(dǎo)致測(cè)量值的極大誤差。 實(shí)驗(yàn)過(guò)程及結(jié)果評(píng)析根據(jù) 節(jié)所述的振動(dòng)信號(hào)采集方法，本實(shí)驗(yàn)采用加速度傳感器拾取直流電動(dòng)機(jī)機(jī)體振動(dòng)信號(hào)，測(cè)點(diǎn)布置在直流電動(dòng)機(jī)的機(jī)殼上，采用數(shù)據(jù)采集卡進(jìn)行對(duì)將傳感器信號(hào)進(jìn)行 A/D 轉(zhuǎn)換，得到樣本訓(xùn)練信號(hào)和測(cè)試信號(hào)，并將信號(hào)數(shù)據(jù)存入上位機(jī)，為離線故障診斷系統(tǒng)實(shí)驗(yàn)做準(zhǔn)備。 小波神經(jīng)網(wǎng)絡(luò)故障診斷系統(tǒng)的學(xué)習(xí)訓(xùn)練通過(guò)振動(dòng)信號(hào)采集系統(tǒng)采樣得到6組樣本信號(hào)，用于訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)。利Matlab的繪圖功能將樣本信號(hào)直觀顯示，如圖 47 所示 圖47 樣本信號(hào)用Matlab小波包信號(hào)分析程序，對(duì)上述采集樣本信號(hào)進(jìn)行特征提取，分別得6組樣本信號(hào)特征向量，如表42所示 表42 樣本信號(hào)特征向量給定樣本信號(hào)特征向量（如表42所示）和期望輸出，利用Matlab平臺(tái)訓(xùn)練BP網(wǎng)絡(luò)。網(wǎng)絡(luò)訓(xùn)練完畢后期望輸出和實(shí)際輸出對(duì)比在表43中給出。 表43 期望輸出和實(shí)際輸出在誤差允許范圍內(nèi)期望輸出和實(shí)際輸出基本符合，表明BP神經(jīng)網(wǎng)絡(luò)組成的狀態(tài)分類器訓(xùn)練成功。 小波神經(jīng)網(wǎng)絡(luò)故障診斷系統(tǒng)的性能測(cè)試同樣通過(guò)振動(dòng)信號(hào)采集系統(tǒng)采樣得到另外3組特定狀態(tài)下的測(cè)試信號(hào)（如圖48所示），用于測(cè)試訓(xùn)練完畢的小波神經(jīng)網(wǎng)絡(luò)系統(tǒng)的診斷性能。 圖48 測(cè)試信號(hào)利用小波包對(duì)測(cè)試信號(hào)進(jìn)行分析，提取的特征向量如表44所示： 表44 測(cè)試信號(hào)特征向量將3組測(cè)試測(cè)試向量輸入到神經(jīng)網(wǎng)絡(luò)進(jìn)行狀態(tài)識(shí)別，測(cè)試結(jié)果如表45所示。 表45 測(cè)試輸出測(cè)試結(jié)果符合實(shí)際測(cè)試信號(hào)對(duì)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(guò)訓(xùn)練的 BP 神經(jīng)網(wǎng)絡(luò)確實(shí)能夠?qū)χ绷麟妱?dòng)機(jī)故障狀做出準(zhǔn)確的診斷分類。表明本文所設(shè)計(jì)的小波神經(jīng)網(wǎng)絡(luò)系統(tǒng)能夠?qū)χ绷麟妱?dòng)機(jī)的故障準(zhǔn)確地進(jìn)行診斷。第五章 總結(jié)現(xiàn)代工業(yè)特別是流程工業(yè)已向綜合自動(dòng)化方向發(fā)展，所以設(shè)備運(yùn)行的安全性和穩(wěn)定性也逐步考慮到了綜合自動(dòng)化系統(tǒng)設(shè)計(jì)中來(lái)。電機(jī)是工業(yè)最主要的動(dòng)力能源設(shè)備，在許多關(guān)鍵場(chǎng)合，電機(jī)運(yùn)行的穩(wěn)定性至關(guān)重要，務(wù)必做到故障早期預(yù)警與處理，否則將有可能帶來(lái)經(jīng)濟(jì)損失和安全事故。鑒于故障診斷技術(shù)研究要針對(duì)具體設(shè)備的具體故障，本文以直流電動(dòng)機(jī)的轉(zhuǎn)子系統(tǒng)為研究對(duì)象，對(duì)其正常、轉(zhuǎn)子不對(duì)中和軸承碰摩三種早期機(jī)械故障狀態(tài)進(jìn)行診斷研究。本文詳細(xì)介紹了基于小波包分析和BP神經(jīng)網(wǎng)絡(luò)相結(jié)合的電機(jī)故障診斷方法,該方法可以有效的用于電機(jī)的故障診斷系統(tǒng)研究和實(shí)際應(yīng)用。利用小波包分析故障信號(hào),克服了傳統(tǒng)的基于傅里葉變換的信號(hào)分析方法難以對(duì)故障信號(hào)中的微弱信號(hào)和奇異信號(hào)成分進(jìn)行特征提取的缺點(diǎn),進(jìn)一步利用神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)訓(xùn)練功能進(jìn)行狀態(tài)識(shí)別,不需要建立故障診斷模型。實(shí)驗(yàn)結(jié)果證明了該方法的正確性和有效性,可以擴(kuò)展應(yīng)用到電機(jī)綜合故障診斷系統(tǒng)研究與應(yīng)用之中。參考文獻(xiàn)[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,2006,1311–1314[2] 彭文季,羅興锜, 郭鵬程. 基于第2 代小波的水電機(jī)組振動(dòng)信號(hào)預(yù)處理 [J]. 中國(guó)電機(jī)工程學(xué)報(bào),2007,27(30):103107[3] 劉冬生 基于小波分析和神經(jīng)網(wǎng)絡(luò)的電機(jī)故障診斷方法研究 2008,12[4] 鐘秉林,[M].:機(jī)械工業(yè)出版社,2002.[5] [D].沈陽(yáng):東北大學(xué),2005.[6] 馮志鵬,李學(xué)軍,[J].中國(guó)電機(jī)工程學(xué)報(bào),2006,26(12):32 37.[7] 葛哲學(xué),陳仲生. Matlab時(shí)頻分析技術(shù)及其應(yīng)用[M].北京:人民郵電出版社,2006.[8] [M].北京:清華大學(xué)出版社,1999.[9] 吳松林,張福明,[J].空軍工程大學(xué)學(xué)報(bào)(自然科學(xué)版),2008,9(1):17 21.[10][D].成都:成都理工大學(xué),2007.[11]張松鶴,羅躍綱,[J].噪聲與振動(dòng)控制,2007,12(6):24 28.[12]徐晨,趙瑞珍,應(yīng)用算法[M].北京:科學(xué)出版社,2004.[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,2007:376 380.[14] Hu Xiaoguang, Wang Fang, Zhao Hailong,etal. The Mechanical Fault Diagnosis for HV Breakers on the WaveletPacket Analysis [C ]MIMTCZ003OInsmmentation andMeasurement Technology Conference,Vail,USA,2003,5:654 659.[15]莫琦,陳立定,[J].計(jì)算技術(shù)與自動(dòng)化,2005,24(2):14 17.[16]熊富強(qiáng),[J].控制理論與應(yīng)用,2007,26(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,2000,234(1):135 14