毕业论文-电机故障诊断方法综述

哈尔滨工业大学工学硕士学位论文-PAGEIIIII哈尔滨理工大学毕业设计题目：电机故障诊断方法综述院系：电气与电子工程学院姓名：指导教师：系主任：2012年6月哈尔滨理工大学毕业设计（论文）任务书学生姓名：学号：学院：电气与电子工程学院专业：电气工程及其自动化任务起止时间：2012年2月27日至2012年6月24日毕业设计（论文）题目：电机故障诊断方法综述毕业设计工作内容：1.查阅国内外相关参考文献，要求阅读40篇以上，其中至少有20篇以上为外文文献，并将其中1篇外文文献译成中文，不少于3000汉字；2.查阅中文线，综述电机故障诊断的研究背景以及重要性；3.详细阐述常见的电机故障诊断方法及其应用；4.总结、归纳和提炼电机故障诊断诊断法及其应用；5.总结研究工作，撰写毕业论文，进行毕业答辩资料：1吴广宁.大型发电机故障放电在线监测及诊断技术。西南交通大学出版社，2001.2刘冬生，赵辉，王红君等.基于小波分析和神经网络的电机故障诊断方法研究。天津理工大学学报。2009，25（1）指导教师意见：签名：年月日系主任意见：签名：年月日教务处制表哈尔滨理工大学学士学位论文电机故障诊断方法综述摘要电机是工业生产的心脏，电机若是出现故障，直接影响企业生产,从而会产生极大的经济损失和社会负面效应。所以，在实际的工业生产中，要求电机能尽可能不发生故障。但是，随着电机使用年限的增加和质量有缺陷等众多原因，电机会不可避免地产生故障。这时，怎样快速、准确地找到电机的故障产生的原因，从而，快速地修复电机故障，减少企业损失，降低影响成为关键。近几年来，随着众多高新技术的快速发展与应用，越来越多新的方法与技术应用到电机故障领域，极大地促进了电机故障诊断技术的发展。本文比较系统地总结了电机常用的故障诊断方法，以及一些电机故障诊断的实例。在众多的电机故障诊断方法中，本文精选了模糊诊断法，小波分析法，以及神经网络法作为重点进行介绍，并介绍了目前流行的并且是未来趋势的复合诊断法。随着科学技术的快速发展，相信在不久的将来会有更多的新的技术以及新的方法应用于电机故障诊断领域，而人们对于模糊法、小波分析法、神经网络法的应用也会有更加深刻的的认识，从而能够更加快速方便地诊断出电机故障。关键词电机故障诊断；模糊法；小波分析法；神经网络法Thefaultdiagnosisonmotor-AreviewAbstractTheelectricmotoristheheartoftheprocessofindustrialization,ifthemotorgetafault,itwilldirectlycausereductionofoutputoftheenterprise,andenormouslyeconomiclossandsocialnegativeeffects.So,weneverhopethemotorwillgetafaultinthepracticalproduction.Butthemotorwillinevitablybreakdownbecauseoftheincreaseoftheapplicationyears,thepoorqualityandotherreasons.Bythistime,thekeyisfindingoutthereasonofthemotorfaultrapidlyandaccuratelytorepairthefaultquickly,reducethelossandlowertheadverseimpact.Asmanyhighandnewtechnologiesaredevelopedandappliedrapidly，moreandmorenewmethodsandtechnologiesareappliedinthefieldofthemotor’sfaultdiagnosistopromoteitsrapidexpansion.Somecommonmeanstodiagnosethebreakdownofmotor,andsomepracticalexamplesaresummedupinthisessaybythenumbers.Amongthenumbersmethodsofmotorfaultdiagnosis，thisarticlechooseelaboratelyfuzzymethod，waveletanalysismethodandneuralnetworkmethodasfocalpointtointroducethemethodofmotorfaultdiagnosis,andwepresentthecompoundmethodastheprevalentmethodatpresentandthetrendofmotordiagnosisinthefuture.Andjustastherapidlydevelopmentscienceandtechnology,wehavefaithinmoreandmorenewtechniquesandmethodswillbeputintouseinthefieldofdiagnosingthemotorbreakdowninthefuture,andpeoplewilltakeastepinfuzzymethod、waveletanalysismethod、neuralnetworkmethod’sapplicationinmotorfaultdiagnosis,sowecancheckoutthemotorfaultmoreexpediently.KeywordsThefaultdiagnosisonmotor；Fuzzymethod；Waveletanalysismethod；NeuralnetworkmethodPAGEII---PAGEV-目录摘要 =1\*ROMANIAbstract =2\*ROMANII第1章绪论 11.1大型发电机与高压电动机故障监测与诊断技术的意义 11.1.1电机故障的产生 11.1.2大型发电机和高压电动机的重要性 11.2电机故障诊断特点及要求 21.2.1电机故障的故障模式 21.2.2电机诊断技术的特点 21.3几种常用的电机故障诊断方法 31.3.1电机故障诊断现状与发展 31.3.2电机故障诊断方法 4第2章模糊诊断法 62.1引言 62.2模糊诊断法 62.2.1征兆论域与故障论域 62.2.2动态建立模糊矩阵R 72.3模糊诊断法在电机故障诊断中的实际应用 72.3.1故障机理分析及数学描述 72.3.2模糊诊断规则 92.3.3试验结果与分析 112.4本章小结 12第3章小波分析法 133.1引言 133.2基于小波理论的电机故障诊断 133.3小波原理 143.4小波的多分辨率分析 143.5电机故障噪音特性分析及故障诊断 153.5.1电磁故障 153.5.2电机外盖松动 153.5.3轴承损坏 153.6本章小结 18第4章神经网络诊断法 194.1引言 194.2基于神经网络法的电机故障诊断 194.2.1故障诊断原理 194.2.2神经元和BP网络模型 204.2.3BP算法(误差反向传播算法) 224.2.4基于BP神经网络的异步电机故障诊断 234.3本章小结 25第5章多种方法结合的电机故障复合诊断 265.1方法原理 265.2基于小波分析和神经网络的故障诊断 265.2.1小波包能量特征提取方法 275.2.2BP神经网络 295.3本章小结 32结论 33致谢 34参考文献 35附录 38-PAGE10--PAGE61-第1章绪论大型发电机与高压电动机故障监测与诊断技术的意义电机故障的产生由于设计、制造、工艺、原材料、安装及运行维护等方面可能存在的不足，电机在运行中会产生局部过热、局部放电等问题，并可能发展成为匝间短路、相间短路、接地故障等。这些故障的发生和继续存在将不仅导致电机主绕组故障和绝缘结构破坏，而且可能损坏生产线中的其它设备，造成长时间工厂停产及昂贵的维修费用。电机绝缘结构性能的优劣直接影响到电机的安全性、可靠性和使用寿命。对于任何一台电机来说，定转子绕组以及铁心叠片之间的电气绝缘性对电机的使用安全、可靠性及寿命有很大的影响，绝缘故障会直接或间接地引起电机故障、降低其可靠性，导致强迫停机从而增加其维修工作量和修理费用。大型发电机和高压电动机的重要性大型发电机是电力系统中的关键设备，近年来随着其额定电压和容量的不断提高，大型发电机在运行过程中受到很多的电，热，机械应力及环境因素的不利影响，这些因素就会直接或间接地使高压定子绝缘的一些薄弱环节产生局部放电，导致电机出现故障。电机中的局部放电主要有绕组绝缘内部放电，端部放电及槽放电等三种。另外，电机中还有一种危害性放电，是由于定子线圈股线断裂引起的电弧放电，这种放电的机理与局部放电有所不同。我们将电机这四种典型的危害性放电统称为电机的故障放电。电机中的故障放电是促进绝缘的老化和导致电机发生事故的重要原因，对大型发电机故障放电的监测不但能够了解电机绝缘的状况，还能及时发现许多有关制造与安装方面的问题，确定绝缘故障的原因及严重程度，从而有计划地制定维修计划，达到防患于未然的目的。高压电动机的应用也十分广泛，目前在轧钢企业仍是常见的设备。高压电动机在运行过程中，由于温度、电气、环境和机械应力的单一或综合作用的缘故，会发生机械方面及电气方面的故障。机械方面的故障通常用振动检测手段加以解决。而对于电气方面的故障，则由于绝缘种类多，故障原因复杂，所以较难掌握。运用诊断技术对大型高压电动机进行监测，是一项比较全新的技术。面对越来越复杂的生产过程，提高电机的技术维护和管理水平，预测故障于初始状态并能及时加以排除，已成为保障生产可靠性的重要手段。然而，传统采用的常规定期预防性试验虽然能发现一些事故隐患，但对一些早期潜伏性故障并不能及时发现和排除。另外，预防性试验大都通过实验手段进行，电机必须退出运行，不仅测试设备庞大，还大幅度增加了现场备用电机的容量，既使用麻烦又造成了很大浪费。为此，有必要研究新的及时而有效的电机故障诊断方法及诊断技术。这对于实际生产有重要意义。1.2电机故障诊断特点及要求1.2.1电机故障的故障模式产品丧失规定的功能成为“故障”，对不可或不予修复的故障而言，也称为失效。电机的故障形态通常是：早期故障期→偶然故障期→损耗故障期。电机的大部分故障发生在偶然故障期。偶然故障期的故障率（t）与电机的维修使用情况有关。电机经过小修或大修后，可靠性必定会有所降低。电机故障的表现形式称为“故障模式”，例如电机故障的表现形式有绕组故障（断路、短路）、轴承故障、换向器故障、机械故障等等。在某一运行时间间隔中，故障模式出现的百分率（频率数）可视为常数，但这随着电机类型和使用场所而异。据有关资料统计的故障率：（1）发电机磨损：44%：污损17%：16%：轴承故障13%：电气故障10%。（2）电动机电刷故障32%：润滑故障31%：开路故障14%：换向器故障12%：转子开路、短路11%。(3)轴承磨损故障73%：咬死、卡死20%：划伤7%。1.2.2电机诊断技术的特点电机诊断技术具有如下特点：（1）电机诊断是电气设备诊断的一部分，但是由于电机的工作原理和结构上的种种特点，其诊断方法和检测技术与其它设备的诊断会有所不同。（2）电机的内部存在着几个相互关联而又不可截然分割的工作系统——主要有电路系统、磁路系统、绝缘系统、机械系统和通风散热系统，因此，电机的诊断涉及的技术领域也较多——主要有电机学、热力学和传热学、高压技术、材料工程、机械诊断学、电子测量学、信息工程技术、计算机技术等等。另外，电机故障诊断的复杂性还表现在故障特征量的隐含性、故障起因与故障征兆之间的多元性。一种故障可能表现出多种故障征兆,有时不同故障起因也可能会反映出同一个故障征兆,这种情况下很难立即确定其真正的故障起因。另外,电机的运行还与其负载情况、环境因素等有关,电机在不同的状态下运行,表现出的故障状态也各不相同,这进一步增加了电机故障诊断难度,所以要求对电机进行故障诊断首先必须掌握电机本身的结构原理、电磁关系和进行运行状况分析的基本方法,即掌握电机各种故障征兆与故障起因间的关系的规律。由以上可知，电机故障诊断需要掌握多门学科的复合型人才，对诊断人员的专业素质要求较高，大型电机造价较高而且停机后的损失以及影响较大，所以要在最短时间内诊断出故障原因，确保电机长期运转正常。1.3几种常用的电机故障诊断方法1.3.1电机故障诊断现状与发展目前，传统的电机故障诊断方法和近年来兴起的一些新的方法都取得了长足的发展。做为一种传统的诊断方法,故障树诊断法在电机故障诊断中的应用取得了一些显著地成果。洪治等将模糊技术和故障树分析法结合起来,提出一种模糊故障树的电机故障诊断方法,并将其应用于发电机组系统的温度故障诊断,实验研究表明这一方法可行、有效。张国云等在传统支持向量机的基础上,通过集成模糊聚类技术和支持向量机算法,构造了一种适合于电机故障诊断的多级二叉树分类器。邓正鹏等对电机故障诊断专家系统知识库的建立从理论上和方法上进行了研究,建立了基于C的产生式知识库系,取得了良好的效果。刘晓波等针对水轮发电机组故障原因与症兆之间的复杂关系,建立了水轮发电机组故障诊断模糊专家系统,实例结果表明该系统推理效率高,可信度好。杨晓萍等人建立了基于信息融合技术的神经网络证据融合故障诊断系统,诊断实例表明,经过多故障特征信息融合,诊断结论的可信度明显提高,可以有效提高电机故障的确诊率。彭文季等提出应用频谱法和小波神经网络对水电机组的振动故障进行诊断,结果表明,频谱分析与这种小波神经网络相结合的方法进行电机故障诊断的方法简单有效,并具有诊断速度快和泛化能力强等优点。李郁侠等利用小波包分析能有效地提取机组振动信号中的有用成分,采用小波包分解方法提取特殊频段上的能量特征值作为神经网络的输入特征向量,运用于工程实例，取得良好的效果。总之，随着计算机技术，电气技术的不断发展，有越来越多的电机诊断方法出现，而一些传统的诊断技术也焕发出了新的活力。目前，多种诊断方法有效地融合，对电机进行诊断，而不是单一方法的应用正越来越普遍。1.3.2电机故障诊断方法传统电机故障诊断方法

在传统的基于数学模型的诊断方法中,经典的基于状态估计或过程参数估计的方法被应用于电机的故障检测。这种方法的优点是能深入电机系统本质的动态特性,可实现实时诊断,而缺点是需建立精确的电机数学模型,选择适当决策方法,因此,当电机系统模型不确定或非线性时,此类方法就难以对电机故障进行诊断了。模糊诊断法

模糊诊断方法是利用集合论中的隶属度函数和模糊关系矩阵的概念来解决故障与征兆之间的不确定关系。在模糊故障诊断中,构造隶属函数是实现电机故障模糊诊断的前提。模糊故障诊断方法主要有基于模糊模式识别的诊断方法、基于模糊推理的诊断方法、基于模糊模型的诊断方法等。模糊逻辑的引入主要是为了克服由于诊断过程本身的不确定性、不精确性以及噪声等所带来的诊断困难，因而在处理复杂系统的时滞、时变及非线性方面有其优越性。模糊故障诊断方法的不足之处在于，复杂的诊断系统要建立正确的模糊规则和隶属函数很困难，而且需要花费很长的时间。小波分析诊断法小波分析和小波变换是当前数学中一个迅速发展的新领域，能够解决很多傅立叶变换难以解决的实际问题。它在时域和频域都有良好的局域化能力，能聚焦到信号的任意细节，对信号的突变有很强的识别能力，能有效地去噪和提取有用信号。小波分析故障诊断方法先对信号进行多级的小波分解，从而得到各子带的数据。通过对小波变换系数模极大值的检测实现对信号奇异性的检测，从而确定故障发生的时间。小波分析非常适合于非平稳信号，但对于平稳信号而言，也同样有效。对于分析信号的奇异性位置和奇异性的大小都是比较有效的。因此小波分析为电机故障诊断提供了新的分析方法。神经网络诊断法利用神经网络进行故障诊断的基本思想是以电机故障特征信号作为神经网络的输入，诊断结果作为神经网络的输出。首先利用已有的电机故障征兆和诊断结果对神经网络进行离线训练，使神经网络通过权值记忆故障征兆与诊断结果之间存在的对应关系;然后将得到的故障征兆加到神经网络的输入端，就可以利用训练后的神经网络进行电机故障诊断，并得到相应的诊断结果。目前，神经网络诊断法已越来越广泛地应用到电机振动故障诊断系统中。梁业国等将神经网络方法引入到发电机组的故障诊断中,通过对发电机设备故障诊断的具体应用,证明此方法是有效而且可行的。陈林刚等针对现有发电机组状态监测系统功能不完善、不够智能化的缺点，开发了基于神经网络的发电机组智能故障诊断系统。实验结果表明此系统的诊断结果准确可靠，具有很好的实用价值。鉴于上述方法的优缺点，目前，一些学者正致力于研究将其它的技术手段引入电机障诊断中,形成一种基于这些方法的综合智能故障诊断方法。这里就不做具体介绍了。总之，电机故障诊断是一个多阶段、多层次的复杂过程，不同阶段用到的知识内容、表达形式及解决问题的思维方式和方法都不尽相同。完成一个完整的电机故障诊断过程常常需要多知识表达形式和多推理模式及合理的控制机构来解决诊断问题。然而单一的故障诊断技术各有优缺点，难以满足复杂系统诊断的全部要求。因此,将多种故障诊断技术合理地结合在一起,扬长避短，形成综合故障诊断技术，将是电机故障诊断技术的发展方向。近几年来，基于人工智能的方法不断涌现，对于电机故障诊断的重要作用日益明显。由于个人水平有限，时间有限等原因，在此，重点介绍模糊法、小波分析法以及神经网络法等一些在工程实际常用且很有发展前途的方法，并简要介绍了复合诊断法。模糊诊断法引言模糊诊断的计算方法和模糊矩阵及修正系数可以较准确地诊断出电机的常见故障，与解体检修的实际情况基本一致，能较好地为电机的日常维护和管理提供事实依据，满足设备管理的需要。电动机运行过程中存在着诸多不确定因素，因此对其进行故障诊断也必然存在一定的模糊性，主要表现在：（1）诊断参数具有模糊性。用于故障诊断的振动参数的频率范围带有一定的模糊性，不同参数、部位及方向上的振动值超标，所反映的故障状态存在模糊性；（2）诊断方法具有模糊性。造成电动机故障的原因常常不是单一的，例如轴承损坏、基础松动等故障常由电磁振动、不对中或动不平衡等引起，因此使用哪种或哪几种方法来综合诊断故障，具有模糊性；（3）诊断标准具有模糊性。诊断标准是故障诊断的依据，使用哪种标准进行诊断较为准确，现场温度、负荷等运行工况变化时，诊断标准如何进行修正，都会影响诊断的准确性，且存在较大的模糊性。因此，采用多参数综合分析的模糊振动诊断法符合电动机故障诊断的实际情况，可以得到良好的效果。模糊诊断法征兆论域与故障论域模糊诊断法是以模糊数学为理论基础,根据故障的因果关系，由征兆诊断故障。设故障论域为。征兆论域。其中（=1，2，3…，m；=1，2，3…,n）表征相应于故障的隶属度。因此模糊矩阵表示某一故障将引起若干强弱不同的征兆，而某一征兆也表征着若干故障的存在。利用模糊关系矩阵和模糊向量作模糊变换,得到模糊向量。（2-1）其中(=1,2,…,m)表示故障原因出现的可能性大小。从上述分析过程中可见,模糊关系矩阵的建立是故障诊断过程的关键环节,它直接影响到诊断结果的可靠性及准确度。动态建立模糊矩阵R模糊关系矩阵即征兆论域与故障论域之间的模糊关系矩阵,虽然其物理意义很明确,但构造起来很困难，这是各个专业在应用模糊数学时面临的一个难题。传统方法是首先根据经验、资料统计,其次是机理分析、专家评定,最后还要综合考虑如下一些因素:(1)较容易排除的故障,其隶属度值取大一些。(2)故障频率高的,其隶属度取值大一些。(3)经常使用且易接触到的取大一些。(4)比较简单而又容易被人忽视的故障的隶属度取大一些。(5)在维修条件和范围内的故障的隶属度取大一些。由上述模糊关系矩阵的建立过程可看出它的建立基本上是根据经验或统计而定,而且也没有一个客观的评定标准。模糊关系建立的是否准确,或说是否符合实际,会直接影响到诊断结果的可靠性与准确度。现在,人工智能已在很多领域广为应用并取得了较好效果。如果在建立电机的模糊关系矩阵时,能够引用人工智能的方法,并利用专家知识将专家打分值作为矩阵学习的初始值,通过机器的学习,再经过反复实践调整,直到比较实际客观的符合故障原因与故障征兆的判断，是一种切实，可行的方法。下面我们通过对具体的诊断实例的诊断过程具体分析模糊法的应用。模糊诊断法在电机故障诊断中的实际应用下面以模糊诊断法在易发生故障的定子故障诊断上的应用为例，来具体说明模糊诊断法在电机故障诊断中的应用。故障机理分析及数学描述电机发生故障的类型取决于电机的种类及其工作环境，但不论那类故障，都有其一定的发展机制，即从最初的缺陷发展成为故障，也就是说每一种故障都有其早期征兆。一般来说，引起定子故障的主要因素是匝间绝缘破坏、匝间短路等。定子绝缘的常见故障是由于相对地或相对定子壳体的初始故障所引起，超过一定限度，这种故障就发展成为相对地短路故障。同样，由于绕组端部灰尘积累、潮湿、相间绝缘损坏或老化会引起相间高电阻而逐渐导致相间短路故障。特别地，当绕组绝缘老化、损坏发展至一定程度时，必然会同时出现高电阻接地故障和相间高电阻短路故障。设计缺陷设计缺陷安装不当电源冲击运行条件恶劣…局部放电绝缘磨损振动机械疲劳绝缘老化...振动加剧放电加剧温升加剧噪声加剧…绝缘破坏匝间短路相间短路接地故障…图2-1图2-1示出了电机定子故障机理。对图2-1定子故障机理的研究表明，虽然定子故障大多呈现振动加剧和温升加剧的趋势，但这类现象所暗示的初始故障大都是局部绝缘老化、破坏等，在电测参数中表现为产生不平衡电流和局部放电现象，我们把系统在故障期间所表现出来的全部的电量和非电量参数变化现象称作故障征兆，一组故障征兆的集合称为故障征兆集:产生这些故障征兆的原因叫做故障模式，所有故障原因的集合叫做故障模式集:为便于实现在线监测，我们通过考察电机中线电流、定子不对称电流及其变化率等电测参数，来研究定子故障诊断。取故障征兆集为:这是一个三维状态模糊集，其中，，进行模糊处理后又存在正大(PB)、正中(PM)、正小(PS)三种模糊状态，在理论上组成27种故障征兆，构成S集合群，=1，2…27。初步地，定子故障模式集设为:={}，=1，2，3，4，5其中:—单相断路故障;—定子绕组不对称故障;—高电阻相间短路故障;—单相高电阻接地故障;—三相电源不对称故障。其中，定子绕组不对称故障可用来说明匝间短路故障。每一故障模式对应一组故障征兆，它们之间常常是一种非线性模糊对应关系。根据模糊关系原理建立与之间的关系矩阵如下表2-2所示。表2-1…………模糊诊断规则假定，定子的任一故障模式，与故障征兆集合群的关系为:，其中，=1，2，…,5=1，2，…，27那么电机定子故障诊断问题就化为确定中的某个元素在多大程度上隶属于的问题。若以表示某故障征兆集对某故障模式的隶属度，则模糊诊断规则为：(l)求出故障征兆集对全部故障模式的隶属度μ;(2)根据最大隶属度原则确定产生故障征兆集的最大可能的故障模式。此处的隶属度计算采用加权平均算法。首先，给定典型的故障模式，确定相应的标准征兆集，显然:μ=MAXμ，=1，2，…，5。（2-2）若特征集中具有，，…，个特征，可根据经验和统计规律给每个特征赋予相应的权值，1，2，…，m。然后，根据检测结果确定任一特征集，=1，2，…，n。其中，各特征所具有的权值分别为，1，2，…，m。在时，取的值，否则取零值，相关系数均取为。因此，任一特征集对给定故障模式的隶属度为:其算法流程图如图2-3所示。显然，μ的取值区间为[0，l]。一般情况下，根据上式计算出特征集对各种故障模式的隶属度，然后根据最大隶属度原则确定所发生的故障模式。初始化初始化读入M-S矩阵读计算计算？按大小排列打印结束图2-3.隶属度计算流程图试验结果与分析借助于异步实验电动机，根据运行经验和统计试验结果，建立模糊关系矩阵如表2-l所示。表2-1模糊关系矩阵PBPMPSPBPMPSPBPMPS0.10,0.5情况1:模拟断相运行，检测定子不平衡电流和中线电流，并进行模糊化处理后结果为:,，。根据模糊关系矩阵和模糊推理算法，该故障征兆集对各种故障模式的隶属度为:μ=0.665μ=0.167μ=0.167μ=0.481μ=0.138根据最大隶属度原则，该故障属于模式，即为单相断路故障;可见诊断结果与实际情况一致。情况2:同时设置故障、并存的情况，这种情况在绝缘老化、损坏，绕组受潮或积尘时最有可能发生。此时，检测不平衡电流，得模糊化处理结果为:=PB，=PS，PB;相应的，该征兆对各种故障模式的隶属度分别求出为:μ=0.586μ=0.130μ=0.125μ=0.704μ=0.138根据上述原则，该故障属于模式，即相对地高电阻短路故障，显然，这时出现了漏诊情况，即对不平衡电流影响较小的相间高电阻短路故障被漏诊。由此可见，当发生单个故障时，本方法可有效的给出正确的结果。当两个或多个故障并存时，应用上述法则首先只能找出影响最为严重的故障，这是由于不平衡电流检测器的输出信号由两种或多种故障时的不平衡电流信号叠加而成，淹没了影响较小的故障电流信号。此时，处理问题的方法有两种:（1）对被检出的故障进行必要的维修处理后，再利用所述方法依次诊断出对电机影响次之、较小的故障模式。一般来说，定子初始故障经过维护性修理后，由同类故障机理造成的不同的故障状态将随着主要故障模式的消除而消失。（2）应结合其它的故障征兆，如局部放电检测等，以构成三维模糊关系矩阵来判断所发生的故障模式。这种方法需要进一步研究，以求选取适合的且便于在线检测的故障征兆。于在线监测，且使故障特征容易分辨。本方法用于实时诊断时的准确性依赖于模糊关系矩阵的可信度，而模糊关系矩阵的建立较强的依赖于专家经验。因此，在构成实际诊断系统时，模糊关系矩阵应具有自学习功能，并能根据不同的电机情况进行在线自动整定，可以尝试运用神经网络理论来解决这一问题。模糊法法的缺点是不能同时诊断出两种或多种模式并存的故障。因此，新的用于辅助诊断的故障特征信号的选取、检测和分类方法值得进一步研究。总之，上述方法在实时状态监测中，可以确定定子用传统方法所不能发现的所有故障于初始状态，它对于在线评价定子工作性能、确定维修准则、保障电机可靠性有着重要意义并为此给出实际可能。本章小结电机属于旋转机械，但是其工作环境往往与其他机械有很大区别，其振动与其他旋转机械的振动也有明显的不同。根据其振动的特点比较适合于采用模糊诊断法，即在诊断中用隶属度来描述振动故障症状，建立由征兆集到故障集的模糊关系矩阵，通过模糊变换从而判断故障发生的可能性。从以上内容可以看出，模糊法应用的关键是确定模糊关系矩阵，而模糊关系矩阵的建立没有一个统一的标准，所以建立起来比较困难。在建立模糊矩阵的过程中经验与数据至关重要，所以，要求我们要长期注意观察，积攒经验与数据。而人工智能等领域的发展对于模糊法的隶属度等计算起到了很大的促进作用。近几年来，模糊法与BP神经网络结合，使模糊法又有了长足的发展。小波分析法引言小波理论的思想形成于20世纪初，由Haar在1910年提出第一个小波规正交基，经过近百年的发展，现在，已经成功的发展成为一个系统理论，而且在工程实际中有了很大的作为，比于傅立叶变换其优势明显。近些年来，小波理论发展迅速，在电子信息技术方面的图像处理领域，有很大的应用空间。在军事、计算机等领域有了长足的发展。3.2基于小波理论的电机故障诊断从电机启停运行过程中的电流、温度和振动等信号可以提取故障特征信息。其中属于非平稳随机信号的振动信号最能全面反映电机的运行状态。然而实践证明基于傅里叶变换的频域分析方法不能有效提取电机振动信号中蕴含的故障信息,无法满足故障信号特征提取的要求。小波分析采用多分辨率分析的方法,时间窗和频率窗可以根据信号的具体形态动态地调整,低频部分采用低的时间分辨率,提高频率分辨率,而在高频部分可以采用较低的频率分辨率来换取精确的时间定位。因此,小波分析广泛应用于时频分析领域。电机故障诊断流程一般分为状态监测和故障诊断两个阶段,这两个阶段可以分以下4个步骤进行,如图3-1所示。信号检测信号检测特征提取诊断决策状态识别图3-13.3小波原理满足条件的函数叫做小波，又称为母小波。由通过平移与放缩产生函数簇：其中（3-1）信号的积分小波变换为:（3-2）引入内积（3-3）记（3-4）如果（3-5）则称为正交小波。3.4小波的多分辨率分析如上所述小波变换是研究电机复杂噪音信号的有力工具,小波变换具有良好的时频局部化特性,能够有效地检测出突变信号的发生,而且尺度越小,对发生时刻的定位越精确。然而,基于单一尺度的小波变换难以区分复杂多变的电机噪音信号，必须通过小波变换的伸缩、平移等运算对信号进行分析,即多分辨率分析。Mallat在构造正交小波基的时候提出了多分辨率分析的概念,给出了正交小波的构造方法以及正交小波变换的快速算法,即Mallat算法。Mallat算法在小波分析中的地位相当于快速傅里叶变换算法在经典傅里叶分析中的地位。关于对多分辨率分析的理解,这里以一个三层的分解进行说明,其小波分解树如图3-2所示。SSD1D2A2A1D3A3图3-2小波分解树4从图3-2可以看出,多分辨率分析只对低频部分进行进一步分解。因为对大多数信号来说,低频部分更重要,它包含信号特征和变化趋势。3.5电机故障噪音特性分析及故障诊断电机工作过程中,其动态信号尤其是振动信号中包含丰富而且重要的反映电机运行状态的信息,通过分析研究这些信息,可进一步了解和掌握电机的运行状态,为电机的故障诊断提供可靠的依据。当电机产生电磁故障、轴承不对中及轴承损坏等故障时,会产生不同的振动,不同的振动产生不同的噪音,通过对声音的小波分析,识别故障。研究表明将小波变换应用到实际工程中,有一个重要问题需要解决,即小波分解的层数。分解的层数少了,诊断的效果不明显,可能会产生误诊,分解的层数多了,运算量增加,不利于实际应用。所以在实际应用中要求我们选择适当的分解层数，既要考虑减少误诊率，也要考虑运算量。从而使我们能在尽量减少工作量的同时，能提高效率。3.5.1电磁故障对于电磁故障,如果电动机发出忽高忽低且沉重的声音,则原因可能有以下几种。（1）定子与转子间气隙不均匀。此时声音忽高忽低且高低音间隔时间不变,这是轴承磨损使定子与转子不同心所致。（2）三相电流不平衡。这是三相绕组存在误接地、短路或接触不良等原因,若声音很沉闷则说明电动机严重过载或缺相运行。（3）铁芯松动。电动机在运行中因振动而使铁芯固定螺栓松动造成铁芯硅钢片松动,发出噪声。3.5.2电机外盖松动当电动机的外盖松动时,会使电机在运行时产生噪声,甚至产生共振导致盖脱落。3.5.3轴承损坏电动机前后轴承损坏,会造成电机转动时径向跳动,从而引起集电环振动,必须更换新轴承。下面是某公司的电机故障信号与正常信号的三层小波分解图，供读者参考。由于不同的电机故障信号的不同，以及电机型号不同，会有不同的故障信号小波分解图，这里不能一一举出，仅以下面的故障电机进行具体说明。对于某公司产品中的电机部件出现的电磁故障，利用采集到的噪音信号进行小波分析故障诊断如图3-4所示，为了便于对比同时给出了正常的电机信号及对正常信号的小波分析如图3-3所示。第三层低频系数第三层高频系数第二层高频系数第一层高频系数图3-3正常信号小波分解图其中横坐标为采样点，纵坐标为信号幅值（V）。第三层低频系数第三层高频系数第二层高频系数第一层高频系数图3-4.电磁故障信号小波分解图横坐标为采样点，纵坐标为信号幅值（V）第三层低频系数第三层高频系数 第二层高频系数第一层高频系数图3-5.盖松动信号小波分解图对例盖松动的电机噪音进行小波分析波形如图3-5所示。其中横坐标为采样点，纵坐标为信号幅值（V）。可以看出图3-5与图3-3有很大的差别，同时图3-4和图3-5的第三层低频系数也有差别。第三层低频系数第三层高频系数第二层高频系数第一层高频系数图3-6轴承损坏信号小波分解图图3-6是轴承损坏噪音的小波分析图。横坐标为采用点，纵坐标为信号幅值（V）。有时仅仅根据小波变换图像对故障进行诊断还是不够的,也不利于以后的在线自动故障诊断,下面从能量分布的角度出发,根据信号的能量在各个频段上的分布比例来诊断电机的故障种类。设各个频段的能量为。其中为层数，是该频段的采样点数。表3-1是各个频段能量和整个信号能量的比例。表3-1能量分布图故障种类第一层高频第二层高频第三层高频第三层低频正常信号0.00330.00220.00470.9898电磁故障0.00650.00670.00820.9785盖松动0.00870.01120.01530.9648轴承损坏0.00440.00760.00820.9799从能量分布表可以看出各种故障信号的能量在各个频段上的分布比例明显不同。当对大量的故障信号能量分布比例进行统计后,建立一个故障特征数据库,就可以利用故障信号的能量分布比例进行诊断了,这种方法快速可靠，且具有很高的实用价值。3.6本章小结 小波变换作为一种更先进的信号分析技术从理论上直接消除了傅氏变换的许多缺陷。首先由于小波分析是按照频带而不是频点的方式处理频域信息,取消了其整周期采样限制,而其频域紧支性保证供给了带通滤波性质,因此当信号频率微小波动以及包含非整次谐波时,不会出现傅氏分析中的频谱泄漏和频谱波动现象。其次小波变换能根据信号频率的高低,通过尺度伸缩得到可调的“柔性”窗,这使其具备很强的奇异、突变信号的识别能力。因而对于电机的故障诊断非常适合，对电机故障诊断技术的发展起到了至关重要的推动作用。小波理论是传统傅立叶变换的重大突破,特别适用于短时间里突变和非平稳信号与图像处理，现已成为电机故障诊断的有力工具之一。目前，小波分析理论正向着大规模并行科学计算中的快速计算和实时处理方向发展，其在生产与生活中应用也日益深入和广泛。我们有理由相信在可预见的未来，小波分析法越来越完善的同时，在电机故障诊断领域的应用会更加广泛。第4章神经网络诊断法4.1引言人工神经网络是大量的神经元广泛互连而成的复杂网络系统，它诞生于1943年。具有与人类类似的记忆、学习、联想等能力。它对于信息的处理是通过神经元之间的相互作用实现的。神经网络具有强大的非线性映射能力、并行处理能力、独特的联想记忆能力等特点，因此十分适于复杂电机系统的故障诊断。4.2基于神经网络法的电机故障诊断近年来，神经网络以其独特的容错、联想、推测、记忆、自适应、自学习和处理复杂多模式等优点，在众多领域掀起了研究的热潮，在电机故障诊断方面取得的成绩尤为突出。以BP算法和遗传算法为代表，神经网络在电机故障诊断的应用不断深入。下面以BP算法在异步电动机故障诊断中的应用为例进行说明。异步电动机常见的故障有三类,定子绕组故障、转子绕组故障和气隙偏心故障。电机发生故障的类型取决于电机的种类和工作环境。在电机出现电的或机械的故障之前,总会呈现机械的、电磁的、声学的及绝缘系统的劣化征兆。如果在电机出现故障之前,能及时地检测到反应电机劣化状态的参数,并对行将出现的故障发出警报,就可避免恶性事故的发生和不必要的停机造成的重大经济损失。这里,我们通过监测定子的电流,采用电流分析法对异步电动机的电气故障进行诊断。4.2.1故障诊断原理电机故障的诊断方法,是根据故障时运行电机所表现出的特征参量的变化,或者说故障征兆来确定的。通过对电机三类典型故障机理的分析我们得出如下结论:①转子绕组故障时,其电流特征频率表达式为:,其中…即转子绕组故障后,不对称的异步电机转子将在定子绕组中感应出上述电流频率分量,其大小由转子不对称的严重程度而定。其最明显的特征是在基波两侧出现2为大小的边频带。②电机发生气隙偏心故障后,改变了电机定转子之间的正常的气隙磁通波形,气隙磁通波形随空间和时间而变化.。这些谐波磁通相对定子移动,它们在静止的定子绕组中感应出相应的电流谐波,即定子电流中出现新的谐波分量。，其中为转子旋转频率;为主齿谐波;为基波;为滑差;为极对数。电机在正常运转的情况下,含有基波和主齿谐波。当电机发生静偏心时,主齿谐波分量将会增大;当电机处于动偏心状态时,定子电流被旋转频率所调制,呈现在电流信号的谱图中,是在基波和主齿谐波的两侧分别出现以旋转频率为大小的边频带。此外,气隙偏心时,电机各相绕组内部和彼此之间的电感发生变化,这进一步导致定子各相电流的有效值增大。③当电机发生定子绕组故障时,绕组内部不对称,此时,气隙磁场中有较强的空间谐波,定子电流中有较强的时间谐波。其表现是,3次谐波和5次谐波明显增大,三相电流不对称,故障相电流恒为最大,三相电流之间的相位差偏离120°。但是,由于故障征兆与故障模式之间的复杂性和实际中的非线性,给诊断带来了困难。同一种故障可能导致多个特征参量的变化,同一特征参量的变化也可能由多种故障所引起。比如,电机发生定子绕组故障会使气隙磁场畸变,引起或多或少的偏心。而转子绕组故障也会导致三相电流的不对称和气隙偏心。故障之间的耦合,使得单纯依靠某一故障特征参量来识别故障的准确性并不高。人工神经网络以其高度的并行处理、联想记忆、自学习以及极强的非线性映射能力,在各个领域得到了广泛应用,显示了极强的生命力。因此,我们借助于神经网络的极强的非线性映射能力,实现由故障征兆或者说故障特征参量空间向故障模式空间的映射,从而达到对故障模式的识别。这里,我们采用最具代表性和应用最为广泛的BP网。4.2.2神经元和BP网络模型神经网络是由大量神经元按一定的拓扑结构互相连接而成,每个神经元是神经网络的基本处理单元。一般是多个输入,一个输出的非线性单元。图4-1中是神经元的输出,是阀值,为输入信号,表示从神经元到的连接权值,表示外部输入信号。上述模型可描述为:,，其中为激活函数。图4-1神经元结构模型输入层隐层输出层图4-2用于电机故障诊断的BP神经网络结构人工神经元的信息处理分三个部分,首先完成输入信号与神经元联接强度内运算,然后再将其结果通过激活函数(如Sigmond函数),再经过阀值函数判决,如果输出值大于阀值,则该神经元被激活,否则处于抑制状态。神经元按一定模式连接成网络型,神经元之间的连接权值的大小反应信号传递的强弱。图4-2为BP网络神经的结构。BP网是误差反向传播的多层前馈网络,是人工神经网络中最具代表性和应用最为广泛的一种网络模型。它由输入层、隐含层、输出层组成。在网络中,信号由输入单向传至输出,且同一层的神经元之间互不传递信号。每个神经元与相邻层的所有神经元相连。某一层的神经元的输出值通过连接权系数的加强或抑制传输到下一层的神经元。除了输入层外,每一神经元的输入为前一层所有神经元之输出值的加权和。4.2.3BP算法(误差反向传播算法)误差反向传播算法是一个监督训练多层神经网络的算法,每一个训练范例在网络中经过两遍的传递计算。一遍是前向传播计算,从输入开始,传递各层并经过处理后,产生一个输出,并得到一个该实际输出和所需输出之差的误差失量。另一遍是反向传播计算,从输出层到输入层,利用差错失量对权值进行逐层修改。训练的目的是用一组输入矢量产生一组所希望的输出矢量。它是应用一系列输入矢量通过预先确定的算法调整网络的权值来实现的。设第P个样本的故障特征向量为网络输入层的输入矢量对应的网络输出层状态输出向量各个神经元激励函数选用Sigmond函数则输入层第个神经元的输出为，隐含层第个神经元的输入为，那么隐含层第个神经元的输出为：（4-1）输出层第个神经元的输入值为，输出层第个神经元的输出值为：（4-2）在训练该网络的学习阶段,由给定的模式为网络输入,要求网络通过调节所有的连接权系数和各个神经元的阀值,使得在输出层神经元上得到所需要的理想输出值,一般来说,网络输出与理想输出不完全一致。对各个样本,其平方误差为:；而全体样本的平方误差则为：（4-3）式中为训练样本数。用学习规则,权值有如下调整公式:（1）对于输出层与隐含层:（4-4）（4-5）（4-6）（2）对于隐含层与输入层之间（4-7）（4-8）（4-9）为学习常数；为神经元的差值；为动量常数，用于调整网络学习的收敛速度。4.2.4基于BP神经网络的异步电机故障诊断网络输入层神经元的确定原则(即故障特征参量)由于电机的结构型式、容量和所处的工作环境不同,其工作参数是不同的,因而对特定电机的分析结果一般不具有普遍意义。此外,大部分现场不可能为诊断提供详尽的电机运行参数,这就要求选择具有广泛适用性的特征参量作为输入神经元。因此,故障特征参量的选取遵循以下原则:①无量纲化,无量纲量一般不受电机容量大小的影响,与电机结构、型式和尺寸没有必然的联系；②它具有变量特征,能够反应故障程度的变化；③易于区分故障；④特征参量在工程上易于提取。下面具体介绍针对某型号电机的导条断裂故障的BP神经网络诊断，我们在这里选取的BP网络输出层有8个神经元，根据网络输出层和输入层的的神经元个数，隐含层神经元个数凭经验取为17，隐含层神经元传递函数为tansig，输出层传递函数为purelin，网络训练目标为0.001，利用BP网络算法进行训练。误差值0.000998531，训练目标0.001停止训练训练次数图4-2.BP网络性能误差曲线图4-2为利用BP网络算法进行训练的误差性能曲线。由图可以看出经过671次训练后，误差值为0.000998531，网络收敛达到预定目标。下表4-1为BP网络训练过程中的隐层的权值和阀值矩阵表4-1.隐层的权值和阀值矩阵输入层到隐层的权值输入层隐层阀值1234隐层10.83990.88580.24630.77330.885920.23990.36870.65650.51990.256030.02230.71600.13230.58670.287640.14830.28570.51340.51900.223950.47570.78950.27400.14060.591260.87800.20540.58730.31590.564370.86320.42980.26840.86130.865980.99610.62880.78430.43340.219690.75730.55930.14860.05950.3012表4-2.输出层权值和阀值矩阵隐层到输出层的权值输入层123456789输出层10.58710.67690.64780.51860.54560.14340.13570.55950.721320.90200.95290.97890.54290.81510.78470.42450.77140.703830.52370.62390.42140.37910.48570.26890.05760.99500.306340.66880.45790.97580.84920.11620.55680.79680.08960.0643各隐层阀值依次为：0.1331，0.7038，0.3063，0.0643。表4-2给出了输出层的权值和阀值矩阵。表4-3.训练结果和期望结果故障模式训练结果期望结果P1P2P3P4正常状态0.997570.013570.009830.027541000一根导条断裂0.045870.992780.006930.008530100二根导条断裂0.095670.129810.993550.005690010三根导条断裂0.076430.054320.009560.996770001表4-3给出了训练结果和期望结果。实验的结果证明了经过训练后的神经网络可以准确地诊断出电机的导条故障，证明了BP神经网络法的实用性与可行性。同时注意，训练样本必须足够多，使误差达到使用要求后，才可以进行实际的电机故障诊断。4.3本章小结神经网络法可以说得上是目前电机故障诊断最先进的方法之一，它在电机故障诊断领域中的作用不可替代。神经模型的建立是神经网络法的核心，建立一个与电机相适应模型非常重要。基于BP神经网络的算法是当前最常用的，在实际应用中取得了很大的成果。但是，BP网络也有很多缺点，在实际应用中常与小波法或模糊法等结合，对电机进行复合诊断，效果不错。第5章多种方法结合的电机故障复合诊断由于单一的电机诊断方法在实际应用时具有很多的局限性，而且也容易造成误诊等情况。所以近几年来，兴起一些多种方法结合对电机进行诊断的技术，应用在工程实际中取得了良好的效果。下面以小波分析和神经网络结合的方法在直流电机故障的应用为例进行分析。5.1方法原理从电机启停运行过程中的电流、温度和振动等信号可以提取故障特征信息。其中，振动信号最能全面反映电机的运行状态。由于电机振动信号属于非平稳随机信号，传统的傅里叶变换从频域角度进行信号分析，只能说明信号中某频率成分幅值的大小和频率密度，不能检测奇异信号点的时域信息，而且还可能将含有丰富故障信息的微弱信号作为噪声滤去。因此，不能完全满足故障信号特征提取的要求。虽然后来的短时傅里叶变换和Gabor变换在一定程度上解决了时频分析的矛盾，但由于二者采用固定的时间窗和频率窗进行信号分析，因此，只能在单一分辨率上进行。小波分析采用多分辨率分析的方法，时间窗和频率窗可以根据信号的具体形态动态的调整，低频部分采用低的时间分辨率，提高频率分辨率，而在高频部分可以采用较低的频率分辨率来换取精确的时间定位。因此，小波分析被广泛应用于时频分析领域。人工神经元网络是一个自适应非线性动态信息处理系统，可以通过样本学习训练改变网络权值，使实际输出和期望输出满足规定的误差要求。因此，神经网络模型可以作为故障分类器进行故障诊断。此处采用小波神经网络松散型连接，利用小波分析法对振动信号进行分析，从各个频带能量的角度建立特征向量作为神经网络的样本输入，经过一定数量的样本训练，达到故障诊断要求。经测试，该方法能够有效进行故障分类，为构成一个小波神经网络故障诊断系统打下良好的基础。5.2基于小波分析和神经网络的故障诊断小波分析与信号特征的提取在第三章中已经介绍了，这里不再赘述。电机故障可分为电气类故障和机械类故障,其中电气类故障主要包括定子绕组相关故障、转子绕组相关故障和换向器相关故障;机械类故障主要包括转子轴承故障。此处采用分析电机振动信号诊断其转子故障,以他励直流电动机转子3种典型状态:正常、转子不对中、轴承碰摩为例进行研究。5.2.1小波包能量特征提取方法小波包分解将原信号投影在不同频带上，对这些频带内的信号进行分析，称之为频带分析技术。小波包分析能够将频带进行多层次划分，对多频率分析法没有细分的高频部分进一步分解，从而提高了时频分辨率。此处以3层小波包分解为例说明了小波包分解过程。图5-1中A表示低频轮廓信号分解，D表示高频细节信号分解，后面的数字表示小波包分解的层数，分解具有如下关系：(5-1)SSA1D1AA2DA2DD2AD2AAA3DAA3ADA3DDA3AAD3DAD3ADD3DDD3图5-1.小波包分解过程示意图电机工作过程中，其动态信号尤其是振动信号中包含丰富而且重要的反映电机运行状态的信息，通过分析研究这些信息，可进一步了解和掌握电机的运行状态，为电机的故障诊断提供可靠依据。当电机产生电磁故障、轴承部对中及轴承损坏等故障时，会产生不同的振动，不同的振动产生不同的噪音，通过对声音的小波分析，识别故障。前面已经提到将小波变换应用到工程实际中有一个重要问题需要解决即小波分解的层数。分解的层数少了，诊断的效果不明显，可能会产生误诊，分解的层数多了，运算量增加，不利于实际应用，所以小波的分解层数要选好。由于电机转子故障时机体振动会受到脉冲力的作用，在靠近脉冲力作用的时刻振动信号的能量较大，而在远离脉冲力作用的时刻振动信号的主要成分是平稳振动信号和噪声以及低频干扰，信号能量相对较小。因此可以利用各个频带能量的变化来提取故障特征,频带能量可以由小波包分解系数来求取,具体步骤如下:（1）利用在时域和频域都有良好的局部化特性Daubenchies小波系列中的4阶小波,振动信号进行3层小波包分解。假设原始信号中信号最低频率为0,最高频率为,则提取小波包分解信号(=0,1,…,7)频率成分所代表的频率范围见表5-1。信号频率范围0～0.1250.125～0.250.25～0.3750.375～0.50.5～0.6250.625～0.750.75～0.8750.875～表5-1.小波包分解频率范围（2）重构小波包系数,求各频带信号的总能量。设各频带信号(=0,1,…,7)对应的能量为(=0,1,…,7)则有：（5-2）（3）以能量为元素构造特征向量，特征向量构造如下：（5-3）当能量较大时，（=0，1…,7）通常是一个比较大的数值在数据分析时计算量会很大。因此，需要对特征向量进行归一化处理，则有：

（5-4）归一化后的特征向量为：（5-5）（4）其中（=0，1，…,7）表示重构信号离散点的幅值。5.2.2BP神经网络在此处以直流电机为诊断对象。直流电机的故障种类繁多，故障原因与状态之间没有明确的线性关系，难以用精确的数学模型来描述。BP神经网络设计利用BP神经网络设计一个状态分类器，识别电动机的运行状态。网络设计步骤如下：（1）以小波包分解提取电机状态信号的特征向量作为输入样本。给定相应的期望输出为，为简化网络结构用2个输出神经元节点，其中神经元输出(0，1)表示转子正常，(1，O)表示转子不对中，(1，1)表示轴承碰摩。（2）采用3层网络结构，输人层、隐含层和输出层的神经元节点数分别为N，2N+1和M，其中N一8，M一2；中间层神经元选择tansig(S型正切函数)为激活函数，输出层神经元选择logsig(S型对数函数)为激活函数。（3）对BP网络进行训练，训练结束后，查看训练结果是否满足要求，如果能够满足要求，则选择新的测试样本作为训练完毕的神经网络的输入，测试网络性能；否则继续增加样本进行训练，重复步骤（3），直至输出满足要求。采用加速度传感器拾取直流电动机的振动信号，经过A/D转换和离散化处理得到6组样本信号。正常正常转子不对中转子不对中轴承碰摩轴承碰摩图5-2.样本信号样本信号如图5-2所示，来训练BP神经网络。按照以上介绍的步骤进行小波包信号分析，并进行特征提取，得到6组样本信号特征向量。分别为(正常)（正常）（转子不对中）（转子不对中）（轴承碰摩）（轴承碰摩）按照BP网络的设计步骤，设计完神经网络后，输入样本信号特征向量和期望输出，训练网络。网络训练完毕后，期望输出和实际输出在表5-2中给出。期望输出实际输出电机状态010.02280.8892正常010.02290.9986正常100.88620.0014转子不对中100.89010.0012转子不对中110.98330.9706轴承碰摩110.98120.9936轴承碰摩表5-2期望输出和实际输出在误差允许范围内，期望输出和实际输出基本符合，表明该网络训练获得成功。同样获得另外3组测试信号如图5-3所示，用于测试训练完毕的神经网络性能。正常转子不对中轴承碰摩图5-3.测试信号提取特征向量如下：（正常）（转子不对中）（轴承碰摩）测试输出电机状态0.05690.9295正常0.95010.0010转子不对中0.97870.8978轴承碰摩表5-3.测试输出测试结果复合实际测试信号对应的状态，结果证明了小包波分析能够有效地提取故障特征向量，并且经过训练的BP神经网络能够准确地对直流电动机的故障状态做出诊断分类。在相同的误差值下，小波神经网络算法和BP神经网络算法进行比较可以得到，小波神经网络的迭代次数明显比BP算法迭代次数少，且小波神经网络收敛速度快。因此，在实际的电机故障诊断中优势明显。小波神经网络是小波变换理论和神经网络理论相结合的产物。基于小波网络的故障诊断方法无需对象的数学模型，对输入信号的要求较低，计算量不大。5.3本章小结在此说明了基于小波包分析和BP神经网络相结合的电机故障诊断方法，该方法可以有效的用于电机的故障诊断系统研究和实际应用。利用小波包分析故障信号，克服了传统的基于傅里叶变换的信号分析方法难以对故障信号中的微弱信号和奇异信号成分进行特征提取的缺点，进一步利用神经网络的学习训练功能进行状态识别，不需要建立故障诊断模型。将两者结合，可以更加快速方便地诊断出电机故障。在工程实际中，神经网络也分为很多种这里就一一赘述了。实际应用证实，该方法具有较高的实用价值，可以扩展应用到电机综合故障诊断系统研究与应用之中。结论电机是与工业生产和人民生活密切相关的机械。当电机出现故障时会造成工厂停产，人民的正常生活受到影响。所以在电机出现故障时，能够快速、准确地诊断出电机的故障，从而快速修复故障，降低损失和负面影响成为一个重要的问题。本文在此探讨和总结了三种常用的电机故障诊断方法，即模糊法、小波分析法、神经网络法，以及复合诊断法。模糊法是以模糊数学为基础，并将其进一步应用到电机故障诊断中去。它在实际应用时很大程度依赖于人的经验与数据。而且在电机有多个故障时，它的应用受到很大的限制。但是，作为一种经典的诊断方法，其地位不可忽视。小波分析法是以小波变换为基础，将电机的振动信号等故障信号，进行小波变换，根据图像的不同来分辨出不同的故障，也可以通过其能量分布的不同来查出故障。小波变换相比傅立叶变换优势很大，它可以聚焦到信号的任意细节，即使是微弱的故障信号也可以分辨出来，所以在实际应用中使用很广。神经网络是近些年兴起的新兴科学，应用到电机故障诊断领域的效果很好。通过训练样本来训练神经网络使其误差值达到要求，然后将实验数据输入到神经网络中，根据神经网络的输出即可判断出故障原因。这种方法简单实用。但是在实际应用中要有大量的训练样本，使神经网络的输出达到要求。由于单一方法在电机故障诊断应用时有很多缺点，所以常常将多种方法结合对电机故障进行诊断。本文在此处给出了小波分析法与神经网络法结合作为具体实例进行说明。近几年来，随着科学技术水平的提高，又有很多新的方法应用到电机故障诊断领域，相信电机故障方法在将来会有长足的发展。致谢经过一个学期的忙碌，现在我的毕业设计已经定稿。在完成毕业设计的过程中，郑殿春老师给了我非常多的帮助，郑老师敏捷的思维，简洁的语言给我留下了深刻的印象，在我遇到困难的时候，郑老师给了我激励与关怀。在此，对郑老师致以深深的谢意。我的同学在毕业设计的过程中也给了我很多的帮助，我们经常共享资料，共同探讨问题，他们对于我按时完成毕业设计也起了很大的作用。四年的时间转瞬即逝，在此，对培养我的理工大学所有老师致以谢意，是你们的无私付出成就了我们的光明未来。在毕业设计的过程中我学习到了很多新的知识，也巩固了学过的知识，这对于我日后的深造与工作都大有益处，相信在未来我们定会为理工争光。参考文献1吴广宁.大型发电机故障放电在线监测及诊断技术。西南交通大学出版社，2001.2J.Penman,M.N.Dey,A.J.Tait,W.E.Bryan.Conditionmonitoringofelectrical.IEEEProceedings1986.vol.133.Pages:42-148.3FIORENZOF.Re