1.引言 电机的故障诊断技术是随着人工智能、模(2)
2013-08-20 01:08
导读:因此,当信号在高频区域分布紧密时小波变换很难提高其分辨率。为了提高高频区域中小波变换的分辨率,小波包变换得以被提出,小波包变换是基于小波
因此,当信号在高频区域分布紧密时小波变换很难提高其分辨率。为了提高高频区域中小波变换的分辨率,小波包变换得以被提出,小波包变换是基于小波变换提取了小波函数线性区域的分析方法。小波包基本继承了相应小波函数的基本属性,比如正交性以及频率分布等。
小波包变换的结构也与离散小波变换比较类似,两者都有多尺度分析的框架。离散小波变换和小波包变换的主要区别在于小波包变换可以同时分裂多个细节和近似的描述,但是离散小波变换只能分裂出一个近似的描述。因此小波包变换在每一个尺度上有这相同的频率带宽而,离散小波变换就没有这个特点。小波包变换的这种分辨率模式保证了原始信号的信息不会因为变换增加或者减少信息。因此,在中频和高频区域有更好质量的信号可以用来进行更高频率的信号分析。可以说小波包变换适用于信号处理尤其适用于对非稳态信号进行处理,因为信号在进行小波包变换后各个尺度上有这相同的频带宽度而与频率本身的高或者低无关。
4.电机故障诊断系统仿真与研究
在电机运行过程中,经过统计在绝大多数情况下,电机工作在正常运行状况,其余时刻有三种可能常见错误可能会在运行过程中发生:正常运转无任何故障发生、基座螺栓松脱、外壳破裂、转子不对中。
在本文提出的电机故障诊断策略中,主要考虑上述电机在运行过程中的三种常见运行故障和通常正常的运行情况。因此,在仿真过程中,以上四种运行条件将被考虑到,并会根据采集到的数据通过诊断系统判决出电机工作在上述四种工作情况的哪一种。
本次实验中用来进行故障诊断的系统由一个速度控制单元,三相感应电动机,一个三相加速器(飞思卡尔半导体公司的MMA 7260Q),数据采集板,以及Matlab 仿真平台构成。
(科教范文网http://fw.nseac.com)
其中数据采集板通过PCMCIA(Personal Computer Memory Card International Association)接口连接到笔记本电脑终端上。加速器安装在电机外壳表面,用来测量振动幅度,其信号采集频率为1 千赫兹。其实拍图所示:
首先通过振动传感器采集到电机在运转过程中的振动信号,并通过数据总线上传至电脑,再按照频率顺序小波包分解对数据进行处理,接下来通过时频方法矩阵对处理后的数据提取特征值,并使用提取出的特征值对Elman 人工神经网络进行训练。最后得出计算结果,诊断出电机在运行过程中发生的故障,并与实际状况做出对比。具体流程图如下所示:
经过上面数据采集单元中震动传感器采集进入电脑的数据分为4 组,每组有1000 个点的数据,分别对应着电机运转在四种不同工作状况之下。
为了对 Elman 人工神经网络进行有效的训练,并最后对故障进行有效的诊断,我们将使用Matlab 中的人工神经网络工具箱和Simulink 仿真平台。
在实验中,对于Elman 人工神经网络参数选择为:输入神经元个数为1,输出神经元个数为2,隐含层神经元个数为300。
上图为 Elman 人工神经网络的训练效果图,在训练过程中,可以看到训练过程的初期误差下降速度很快,在经过大约2000 次训练之后误差降低到0.1 之下,其后误差下降速度大致趋于一个平稳的速度。
为了能够验证对Elman 人工神经网络进行训练的性能,实验中提供了3 组故障信号数据并用训练好的Elman 人工神经网络进行故障诊断。诊断结果如下面所示:
从上面一组 3 幅图可以看出,对于每种错误有4 组连续矢量,每一组矢量通过移动滑动窗可以得到3 组不同的连续矢量,这些矢量可以用来对神经网络进行训练。
图中横轴为时间轴,在时刻0 到18 这段时间,第一组数据被输入到神经网络中,该组数据代表电机工作在正常状况下,可以看到相应的输出结果为[0,0]。在时刻19 到36 这段时间中,第二组数据被输入到神经网络中,该组数据代表电机工作中发生了基座松脱的故障,可以看到相应的输出结果为[0,1]。在时刻37 到54 这段时间中,第三组数据被输入到神经网络中,该组数据代表电机工作中放置不平衡,可以看到相应的输出结果为[1,0]。在时刻55到72 这段时间中,第二组数据被输入到神经网络中,该组数据代表电机工作中发生了外壳破裂的故障,可以看到相应的输出结果为[1,1]。