基于小波分析和神经网络的电机故障诊断方法的研究

“基于小波分析和神经网络的电机故障诊断方法”研究报告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，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。关键词：故障诊断小波分析神经网络振动信号第一章引言1.1课题的研究背景与研究意义随着现代工业制造的发展，电机巳经成为当今生产活动和日常生活中最重要的原动力和驱动装置。由于电机大量的应用,使用环境的不同,所驱动的负载也各尽不同等原因，导致了电机故障时有发生，特别是一些运行环境恶劣、负载冲击性很大的场合中运行的电机，其故障率更高。近些年来,因关键电机设备故障而引起的事故时有发生，造成了惨重的经济损失。一直以来,针对电机的各种故障，一般都选用成熟、可靠的继电保护措施。继电保护技术是在电力系统发展背景下产生的，其目的是对电力系统进行保护,避免在电力系统中发生灾难性事故。继电保护经历了4个发展阶段，第一个阶段是基于电磁式保护装置，第二个阶段是基于晶体管式继电保护装置，第三个阶段是基于集成电路继电保护装置，最后一个阶段是基于微机继电保护装置，也是目前使用最广泛的继电保护装置。目前继电保护被广泛应用于电机设备系统中，其主要目的是当电机发生故障或异常时,在可能实现的最短时间和最小区域内，自动将电机故障设备从系统中切除，或发出信号由值班人员消除异常工况根源，以避免事故发生恶化。外表上看,继电保护的作用很明显，但是它并没有从根本上避免事故的发生。因为只有当事故已经发生时，继电保护才会起作用。这可能导致一系列问题，比如继电保护可能会突然断开整个生产线中的电源，使整个生产线上的设备突然停电，不会造成其他设备的损害，也会造成一定的经济损失。正如文献[1]中所描述的：“设备的继电保护,并不意味着能够预防事故的发生，它只能在事故发生后采取行动；它是在悬崖绝壁下的救护车,而不是悬崖顶上保护行人的栅栏。”为了从根本上避免灾难性事故的发生以及保证电机及其所驱动负载的安全运行，应对电机采取故障诊断。与采用继电保护相比，电机故障诊断具有的优点是电机故障诊断能够在电机故障初期就能发现故障，从而避免电机故障的进一步恶化。此外还可以为电机制造商提供经验，积累数据,有利于电机性能的提升，增强可靠性。1.2设备故障诊断技术的发展状况设备故障诊断技术是从上世纪60年代发展起来的一门新学科，从科学发展的大环境来看，设备故障诊断技术的产生也是各学科交叉发展的必然。随着人工智能、专家系统、神经网络技术和知识发现理论的发展，以及监测技术、计算机技术、电子技术和通讯技术等相关学科领域的进步发展，设备故障诊断技术从理论到实际应用都有了很大发展，已形成一门集数学、物理、力学、化学、电子技术、计算机技术、信息处理和人工智能等各种现代科学技术于一体的综合性极强的智能化故障诊断技术[7-9]。该学科以设备的管理、状态监测和故障诊断为内容，以建立新的维修体制为目标，在各个领域得到了推广和应用，它提高了对设备故障诊断的科学化、合理化、系统化、准确化等，大大丰富了人们在故障机理、故障识别与诊断等领域的知识，其作用和效益日趋显著。1.2.1国内外发展状况目前，许多国家的大学和公司都在开展电机故障诊断技术的研究工作其中取得了较好研究成果的研究机构主要集中在欧洲、美国、日本的一些知名大学和一些知名电气公司，例如：美国的纽约大学、弗吉尼亚大学、南加利福尼亚大学等,日本的京东大学、大阪大学等，德国的通用电气公司和美国的ENTEK公司等。其中部研究成果已经被转化成产品投放到市场，如美国的ENTEK公司的交流感应电机诊断仪。我国对电机故障诊断技术也非常重视，例如在60年代就提出了带电实验的方法，该方法由于存在一些致命的缺点,并没有得到广泛的实践和应用。近年来，我国也进行了大量的电机故障诊断技术研究，并取得了一定的研究成果，特别是清华大学高景德、王祥行等在电机故障分析方面做出了重大贡献。1.3电机故障诊断技术自19世纪发明电机以来，由于电能应用方便，且电机的性能优良，便于控制，所以得到了迅速普及。电机是工业领域中最主要的动力能源和驱动设备，各行各业的使用场和性能要求千差万别，因此电机的种类、型号、结构林林总总，不同的环境对电机有不同的使用要求，不同的电机有不同的工作原理。电机故障诊断技术发展到今天已经经历了三个阶段：第一阶段：诊断结果在很大程度上取决于领域专家的感官和专业经验，对诊断信息只作简单的数据处理，比如人工定期维修制度。第二阶段：是以传感器技术和动态测试技术为手段，以信号处理和建模处理为基础的现代化诊断技术，在工程中得到了广泛的应用。第三阶段：为了满足复杂系统的诊断要求，随着计算机及人工智能的发展，诊断技术进入以知识处理为核心，信号处理、建模处理与知识处理相融合的第三发展阶段——智能诊断技术阶段。状态监测和故障诊断；故障诊断的四个步骤为：信号检测、特征提取(信号处理)、状态识别和诊断决策。电机故障诊断的基本实施过程，电机的故障诊断技术的实施过程，一般可分为两个阶段、四个步骤。两个阶段分为状态监测和故障诊断；故障诊断的四个步骤为：信号检测、特征提取(信号处理)、状态识别和诊断决策。电机故障诊断的基本实施过程，如图1-1所示：图1-1电机诊断基本过程(1)信号检测：按不同的诊断目的选择最能表现工作状态的信号，为故障分析诊断提供依据。(2)特征提取(信号处理)：将初始模式向量进行信号处理，维数压缩，形式变换，去掉冗余信息，提取故障特征，形成待检模式，获得对诊断工作有价值的，既敏感又直观的信息。(3)状态识别：将待检模式与样式模式(故障档案)进行对比和状态分类。这一步是整个诊断过程的核心，需要建立判别函数，规定函数准则并力争使误差最小。(4)诊断决策：根据诊断系统的分析判断，做出相应决策，对设备的管理和维修工作进行必要的预测及干预，实现预知维修。1.4主要研究内容由上述可知，自动化设备运行的稳定性受到了世界各个国家的普遍重视，故障诊断技术也成为各国学者竞相研究的热点。其中，智能诊断系统以其智能性和实性正受到越来越多的重视，小波分析和人工神经网络是该领域的研究热点之一。本文在广泛查阅国内外相关文献资料的基础上，针对实验室直流驱动系统的直流电动机对电机故障诊断方法进行系统研究，报告主要内容涉及以下几个方面：（1）阐述了研究内容的背景，概述了故障诊断技术的发展状况和理论体系构成；全面介绍了电机故障诊断的技术的特点和实施过程。（2）在介绍了傅里叶分析和小波分析的基础上，系统的阐述了多分辨率分析及小波包分析理论，从理论上对小波包用于非平稳信号特征提取进行了可行性研究；（3）在介绍了人工神经元模型和神经网络优点的基础上，深入研究了BP神经网络的拓扑结构和其正向传播和反向调整的算法原理，从理论上研究了应用BP网络进行故障状态模式识别的优越性。（4）对直流电动机的常见故障及其振动分析进行了研究，全面介绍了振动信号处理方法；介绍了小波与神经网络的结合方法，详细介绍了基于小波包的信号能量特征提取方法和步骤，并利用MATLAB软件编程软件予以实现；并且详细介绍了应用BP神经网络进行故障诊断分类的方法和步骤，并利用MATLAB软件编程软件予以实现；系统阐述了振动信号采集系统及其相关问题；并对论文所述故障诊断方法进行了仿真实验研究。第二章小波及小波包分析理论小波变换的提出是一种对于数字信号处理在数学计算方法上的突破，也是对傅立叶变换的一种延伸与补充。小波变换是一种通过对信号进行平移和伸缩进行多尺度分析，并在时间与频率两个方向上对信号进行局部变换，可以有效的从数字信号中抽取有用信息。利用小波变换对数字信号进行分析已然成为一种新兴的数字信号处理技术，尤其因为其在微弱信号信息提取方面的优势，成为国内外数字信号处理技术研究的重点。2.1小波变换的基本原理2.1.1傅立叶分析众所周知，傅立叶变换与傅立叶分析是现代数字信号处理技术的基石，它将信号分析从时域引入到频域内分析，可以从物理上对一个信号的进行更加清楚的解释。从傅立叶级数的概念可以得出，任意一个周期信号都可以表示为直流分量和各次谐波分量叠加之后的结果。用更数学化的语言描述，即任意一个满足狄里赫利条件的周期函数都可以展开成为一组规范正交基的线性组合。这组规范正交基即为熟知的：0cos()afkwt2-10sin()bfkwt2-2经典的傅立叶变换（FT）定义如下：()()jtFftedt2-3()()jtFtfed2-4其中式（2-4）称为傅立叶反变换（IFT）。F(ω)是ω的连续函数，称为信号f(t)的频谱密度，简称频谱。在实际中更多地用到了时域离散信号的傅里叶分析，尤其是在数字信号处理（DSP）中。类似于连续信号，时域离散信号也可以根据是否为周期性，分为离散时间序列傅里叶变换（DTFT）和离散傅立叶变换（DFT）。前者主要针对非周期的离散时间信号，而后者主要针对周期性的离散时间信号。在实际应用中，大量接触到的是一段时间序列，既非周期也非无限长，理论上应用DTFT，但为了便于计算机实现，通常直接应用DFT公式进行求取，即：傅立叶变换时一种全局变换，描绘的是整个时间段内频率的特性，而没有刻画特定时间段或频率段的特性，所以在分析很多非平稳信号时具有很大的局限性，比如轴承故障振动信号、地震信号和语音信号等，他们的统计特性随时间变化，即信号的频率是时变的；从实时性角度来说，从傅立叶变换的定义可以看出，传统的傅里叶变换是针对（−∞,+∞）所有的信号，即需要将所有信号采集完成才能给出结果，这样就满足不了实时处理的要求。准确描述非平稳信号必须使用具有局部性能的时域和频域的二维（t,w）联合表示，或者说必须提取特定时间段和频率段内的信号特性。1946年Gabor提出了窗口傅立叶变换，即在传统的傅立叶分析之前对信号进行加窗处理。这里的窗函数选择必须是实对称函数；在某个小区间外迅速衰减为0。这是一种最初有Gabor提出的较为简单的时频分析方法，而且窗函数都是短时函数，所以又称该方法为Gabor变换或短时傅立叶变换（STFT）。在解决加窗傅立叶变换的局限性的过程中催生了小波理论，从类比和继承的角度讲，将加窗傅立叶变换中的窗函数的选择按照某种规则进行改进和扩展，并用严格和抽象的数学理论描述，即产生了小波理论。从理论上上讲，小波分析理论是建立在实变函数、复变函数、泛函分析、调和分析等近代数学理论基础上的，这些近代成熟的数学理论为小波分析提供了重要的理论基础，同时也增加了小波理论的抽象性。2.1.2小波变换类似于窗口傅立叶变换中的基本窗函数（母函数）平移得到一组形状相同窗函数，小波变换的出发点也是一个基本小波，通过伸缩和平移得到一组形状相似的小波。这个基本小波称为母小波，伸缩和平移产生的小波成为子小波或者小波基函数。之所以称为小波，是因为小波函数的两个重要特征得来的：一是振荡性，它是振荡波形，并且围绕时间轴的面积为零；二是衰减性,函数两端很快衰减到零。正是由于这种特性，使小波具有时频局部化特性。连续小波变换最初提出来是作为一种解决短时傅立叶变换中分辨率问题的方法。连续小波分析也是采用一种类似于短时傅立叶分析的方法,将信号与一个函数相乘，类似于短时傅立叶变换中将信号与窗函数相乘，并且连续小波变换是将时域信号分成不同的时间片段进行计算的。连续小波变换定义如下式：1(,)(,)()()xxtCWTssxtdtss2-5如上面等式所示，变换后的信号是一个分别包含变量和尺度参量上s的函数。(t)是变换函数，并且被成为母小波。母小波得名的原因是因为如下所述的两个有关小波分析的重要属性：“小波”就是小区域，长度有限，均值为0的波形。所谓“小”是指它具有衰减性；而称之为“波”则是指它的波动性，其振幅正负相间的震荡形式。“母”这个词意味着在变换过程中所用到的支持不同区域的不同函数都是从一个主函数或