【導讀】電機驅動自動化水平，更要求電機的運行具有很高的可靠性、安全性和穩(wěn)定性。網(wǎng)絡識別特征，輸出電機相應的運行狀態(tài)。性很大的場合中運行的電機，其故障率更高。引起的事故時有發(fā)生，造成了慘重的經(jīng)濟損失。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。免在電力系統(tǒng)中發(fā)生災難性事故。前使用最廣泛的繼電保護裝置。目前繼電保護被廣泛應用于電機設備系統(tǒng)中，其。線上的設備突然停電，不會造成其他設備的損害，也會造成一定的經(jīng)濟損失。行，應對電機采取故障診斷。的大環(huán)境來看，設備故障診斷技術的產(chǎn)生也是各學科交叉發(fā)展的必然。故障識別與診斷等領域的知識，其作用和效益日趨顯著。些知名電氣公司，例如：美國的紐約大學、弗吉尼亞大學、南加利福尼亞大學等,日本的京東大學、大阪大學等，德國的通用電氣公司和美國的ENTEK公司等。析診斷提供依據(jù)。全面介紹了電機故障診斷的技術的特點和實施過程。

　　

【正文】 /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 在實際的采樣過程中，考慮到抗混濾波器的非銳截止性，實際工作中會把采樣頻率提高一些，一般取 fs≥（ 3～ 4） fmax (3) 采樣長度的確定 采樣長度即采樣時間的長短。采樣時，首先要保證能反映信號的全貌，對瞬態(tài)信號應包含整個瞬態(tài)過程；對周期信號，理論上采集一個周期的信號就可以了，實際上，考慮到信號平均等因 素，采樣總是有一定長度的，同時為了減少計算量，采樣長度也不宜過長。 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。設譜線數(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 為采樣點數(shù)， T 為采樣長度。可見，對給定的分析頻率，采樣長度越大，則 ?f 越小，即分辨率越高。 在信號分析中，采樣點數(shù)一般選為 2m 個，使用較多的是 51 102 2048 和 4096 等。這在后續(xù)的實驗研究中具有重要的參考價值。 振動測點布置 在旋轉機械中，轉子是設備的核心部件，它的運轉正常與否，直接決定了設備能否正常工作。 70%的故障都和轉子機器組件有關，其它部位發(fā)生故障的概率較小。因此，對于旋轉設備而言信號的采集主要是轉子振動信息的采集。 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。所以，通常軸承座也是主要的信息采集處。實際上，由于檢測轉子軸的振動往往要比測量軸承座內(nèi)座或外殼的振動 需要更高的監(jiān)測條件和技術，其中最基本的條件就是合理的安裝傳感器，因為測量轉子振動的非接觸式傳感器，安裝前一般需要加工設備外殼，保證傳感器與軸頸之間沒有其他物體，在不具備條件時可采取測量外殼或軸承座等措施。 旋轉機械振動信息的采集，一般應在水平、垂直和軸向三個方向進行，因為不同故障在不同的測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，而不對中的軸向振動較大。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(jīng)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 。 實驗過程及結果評析 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 轉換，得到樣本訓練信號和測試信號，并將信號數(shù)據(jù)存入上位機，為離線故障診斷系統(tǒng)實驗做準備。 小波神經(jīng)網(wǎng)絡故障診斷系統(tǒng)的學習訓練 通過振動信號采集系統(tǒng)采樣得到 6 組樣本信號，用于訓練 BP 神經(jīng)網(wǎng)絡。利Matlab 的繪圖功能將樣本信號直觀顯示，如圖 47 所示 圖 47 樣本信號 用 Matlab 小波包信號分析程序，對上述采集樣本信號進行特征提取，分別得6 組樣本信號特征向量，如表 42 所示 表 42 樣本信號特征向量 給定樣本信號特征向量（如表 42 所示）和期望輸出，利用 Matlab 平臺訓練BP 網(wǎng)絡。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。 表 43 期望輸出和實際輸出 在誤差允許范圍內(nèi)期望輸出和實際輸出基本符合，表明 BP 神經(jīng)網(wǎng)絡組成的狀態(tài)分類器訓練成功。 小波神經(jīng)網(wǎng)絡 故障診斷系統(tǒng)的性能測試 同樣通過振動信號采集系統(tǒng)采樣得到另外 3 組特定狀態(tài)下的測試信號（如圖48 所示），用于測試訓練完畢的小波神經(jīng)網(wǎng)絡系統(tǒng)的診斷性能。 圖 48 測試信號 利用小波包對測試信號進行分析，提取的特征向量如表 44 所示 ： 表 44 測試信號特征向量 將 3 組測試測試向量輸入到神經(jīng)網(wǎng)絡進行狀態(tài)識別，測試結果如表 45 所示。 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(jīng)過訓練的 BP 神經(jīng)網(wǎng)絡確實能夠對直流電動機故障狀做出準確的診斷分類。表明本文所設計的小波神經(jīng)網(wǎng)絡系統(tǒng)能夠對直流電動機的故障準確地進行診斷。 第五章 總結 現(xiàn)代工業(yè)特別是流程工業(yè)已向綜合自動化方向發(fā)展，所以設備運行的安全性和穩(wěn)定性也逐步考慮到了綜合自動化系統(tǒng)設計中來。電機是工業(yè)最主要的動力能源設備，在許多關鍵場合，電機運行的穩(wěn)定性至關重要，務必做到故障早期預警與處理，否則將有可能帶來經(jīng)濟損失和安全事故。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。 本文詳細介紹了基于小波包分析和 BP 神經(jīng)網(wǎng)絡相結合的電機故障診斷方法 ,該方法可以有效的用于電機的故障診斷系統(tǒng)研究和實際應用。利用小波包分析故障信號 ,克服了傳統(tǒng)的基于傅里葉變換的信號分析方法難以對故障信號中的微弱信號和奇異信號成分進行特征提取的缺點 ,進一步利用神經(jīng)網(wǎng)絡的學習訓練功能進行狀態(tài)識別 ,不需要建立故障診斷模型。實驗結果證明了該方法的正確性和有效性 ,可以擴展應用到電機綜合故障 診斷系統(tǒng)研究與應用之中。 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(jīng)網(wǎng)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(jīng)元網(wǎng)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(jīng)網(wǎng)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(jīng)網(wǎng)絡與網(wǎng)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(jīng)網(wǎng)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(jīng)網(wǎng)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.