基于小波分析和神经网络的电机故障诊断系统研究

摘要

电机是现代工业中最主要的动力能源和驱动设备之一，不仅需要进一步提高电机驱动自动化水平，更要求电机的运行具有很高的可靠性、安全性和稳定性。
　　 本文通过监测电机振动信号对直流电动机故障进行诊断研究，由于电机振动信号属于非平稳随机信号，传统的傅里叶变换不能完全满足故障信号特征提取的要求，而且建立电机故障的数学模型非常复杂。本文提出了基于小波分析和神经网络的电机故障诊断方法，利用小波变换提取振动信号特征，利用神经网络识别特征，输出电机相应的运行状态。
　　 该方法首先采用小波时频分析技术对电机振动信号进行消噪滤波，通过小波包分解系数求取频带能量，根据各个频带能量的变化提取故障特征，并利用MATLAB平台进行算法实现；其次基于诊断直流电动机转子系统的三种典型工作状态：转子不对中、轴承碰摩和正常，设计了振动信号采集系统和实验方案；最后根据小波包所提取能量特征向量和直流电动机的三种典型工作状态设计BP神经网络，并利用MATLAB平台进行算法实现。
　　 进行了系统仿真实验，检验算法的有效性和准确性。分别采集振动样本信号和测试信号，利用小波包对信号进行离线分析和特征提取，分别得到样本信号特征向量和测试信号特征向量；利用样本训练BP网络，训练成功后并利用测试信号对BP网络进行测试。测试结果符合实际测试信号对应的状态，结果证明了本文所设计的小波神经网络系统能够对直流电动机的故障有效地进行诊断，提高了电机故障诊断的准确性。

目录

文摘

英文文摘

声明

第一章 绪论

1.1 课题的背景

1.2 设备故障诊断技术的发展状况

1.2.1 国外发展状况

1.2.2 国内发展状况

1.3 故障诊断理论体系

1.3.1 故障信号的特征提取

1.3.2 故障状态的诊断分类

1.4 电机故障诊断技术

1.4.1 电机故障诊断技术的特点

1.4.2 电机的故障诊断技术的实施过程

1.5 电机故障监测

1.5.1 电机故障监测方法

1.5.2 电机故障的振动监测方法

1.6 主要研究内容

1.7 本章小结

第二章 小波及小波包分析理论

2.1 小波理论的发展

2.2 小波变换的基本原理

2.2.1 傅里叶分析

2.2.2 小波变换定义

2.2.3 多分辨率分析

2.2.4 小波函数的构造方法

2.3 小波包算法

2.3.1 小波包分析

2.3.2 小波包算法实现

2.4 基于MALLAT算法的信号分解和重构

2.5 小波包分解在信号分析中的应用

2.6 本章小结

第三章 基于BP网络的故障诊断方法研究

3.1 神经网络概述

3.2 反向传播BP网络

3.2.1 BP算法原理

3.2.2 BP网络的前馈计算

3.2.3 BP网络权系数的调整规则

3.2.4 BP网络学习算法的计算步骤

3.3 BP神经网络设计原则

3.4 BP神经网络的不足

3.5 本章小结

第四章 直流电动机故障诊断系统

4.1 直流电动机结构及故障分析

4.1.1 直流电动机结构

4.1.2 直流电动机故障的振动分析

4.2 振动信号处理方法研究

4.2.1 时域处理方法

4.2.2 频域处理方法

4.2.3 时频分析方法

4.3 仿真振动信号的时频分析实例

4.4 小波神经网络系统

4.4.1 小波神经网络的结合途径

4.4.2 小波分析与神经网络的松散型结合

4.5 小波神经网络故障诊断的步骤与实现

4.5.1 振动信号的小波包能量特征提取方法

4.5.2 小波包能量特征提取算法的Matlab7实现

4.5.3 基于BP神经网络的电机状态识别方法

4.5.4 BP神经网络状态识别算法的Matlab7实现

4.6 电机振动信号采集系统

4.6.1 电机振动信号采集系统组成

4.6.2 振动测点布置

4.7 实验过程及结果评析

4.7.1 小波神经网络故障诊断系统的学习训练

4.7.2 小波神经网络故障诊断系统的性能测试

4.8 本章小结

第五章 结论与展望

参考文献

发表论文和科研情况说明

致 谢