基于小波-神经网络的电机轴承故障诊断

摘要

异步电机作为重要的机电产品，广泛地应用于各个领域。随着现代科学技术的进步和生产系统的不断发展，电机在生产中发挥着越来越重要的作用。电机故障不仅会损坏电机本身，而且会影响整个系统的正常工作，甚至危及人身安全，造成巨大的经济损失和重大的社会影响，因此对电机故障的诊断具有重要意义和工程实用价值。 本文以电机轴承为研究对象，在轴承正常、内环损伤、滚珠点蚀三种模式下，对振动信号加以分析，运用“小波包-能量”法提取信号特征量，作为神经网络的输入向量，采用Levenberg-Marquardt BP学习算法，针对电机轴承的三种故障模式对网络进行有教师的训练和模式识别，并对轴承滚珠点蚀故障的劣化趋势进行了检测。 论文首先简述了异步电机以及轴承故障诊断技术的特点及发展现状。然后，基于电机轴承的结构、内部振动源等自身特点，对电机轴承的故障成因、特征频率等作了详细分析。通过对小波分析、神经网络在电机轴承故障诊断中的应用方法研究的讨论，建立了以小波包作为信号降噪、特征提取手段，以Levenberg-Marquardt BP算法为故障模式或故障状态识别方法的信号处理与故障诊断系统。在此基础上，在实验室的故障诊断实验台上，进行了电机轴承故障诊断的实验研究。实验表明：该方法可以有效地把三种故障模式区分开来，并可以检测出电机轴承点蚀故障的劣化趋势。可以认为，此方法能够有效地对电机轴承故障进行检测、诊断。在数据分析过程中，充分利用Matlab强大的数据处理、数据可视化、数字信号处理等功能，实现了数据直观有效的分析与处理。

目录

文摘

英文文摘

本人声明

第一章绪论

1.1设备故障诊断技术发展概述

1.1.1设备故障诊断技术发展概述

1.1.2电机故障诊断的特点和方法

1.2本课题研究的目的和意义

1.3本论文的安排和主要内容

第二章电机轴承故障诊断简述

2.1电机轴承故障特征分析

2.1.1滚动轴承简介和振动机理

2.1.2电机滚动轴承动力学分析

2.1.3电机滚动轴承的内部振动源

2.2电机轴承常见故障类型

2.3电机轴承故障特征频率分析[51]

第三章小波分析理论及其在信号消噪、特征提取中的应用

3.1小波分析理论简述

3.1.1小波分析的定义[8]

3.1.2多分辨率分析[8,46]

3.1.3小波包分析[8]

3.1.4小波或小波包分解的信号重构[48]

3.1.5小波或小波包分解的直观表示[46]

3.2基于小波分析的信号处理

3.2.1信噪分离

3.2.2频带分析技术

3.3利用小波包分析进行电机轴承故障的特征提取

第四章人工神经网络的诊断方法

4.1人工神经网络故障诊断简述

4.1.1人工神经网络的故障诊断能力

4.1.2神经网络故障诊断技术的特点

4.2BP神经网络算法概述

4.2.1BP网络的拓扑结构

4.2.2BP网络的动力学过程[47]

4.2.3BP网络的学习算法

4.2.4BP网络的算法框图

4.3BP网络的设计考虑

4.3.1设计的理论依据

4.3.2输入与输出层的设计

4.3.3隐层的数目

4.3.4隐含层节点数选择

4.3.5几个网络参数值的选择

4.3.6训练集和测试集的选取与优化

4.4Levenberg-Marquardt BP法

4.4.1BP算法的缺陷

4.4.2BP算法的改进

4.4.3Levenberg-marquardt BP算法简介

第五章电机轴承故障信号采集

5.1电机轴承振动信号采集实验方案

5.1.1实验装置简介

5.1.2数据采集系统的组成

5.1.3测点选择

5.2实验

5.3振动信号谱分析

5.3.1谱分析原理

5.3.2实验电机轴承故障特征频率

5.3.3振动信号的谱分析

第六章小波-神经网络诊断方法在电机轴承故障诊断中的应用

6.1小波神经网络简介

6.1.1小波神经网络的结合途径

6.1.2小波分析与神经网络的松散型结合

6.2松散型小波神经网络故障诊断的基本构思

6.2.1松散型小波神经网络构思

6.2.2松散型小波神经网络故障诊断过程的具体内容

6.3实验数据的预处理

6.4电机轴承故障模式识别

6.4.1电机轴承故障特征向量的提取

6.4.2 LMBP网络结构的确定

6.4.3 LMBP网络基本指标

6.4.4通过试训练确定隐层节点个数

6.4.5网络训练

6.4.6模式识别

6.5滚珠点蚀劣化趋势诊断

结论及今后的工作方向

参考文献

附录

附录1名词解释

附录2表

致 谢

攻读学位期间发表的学术论文目录