資源描述：
《基于小波包與改進(jìn)BP神經(jīng)網(wǎng)絡(luò)算法電機(jī)故障診斷》由會員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在工程資料-天天文庫。
1、基于小波包與改進(jìn)BP神經(jīng)網(wǎng)絡(luò)算法電機(jī)故障診斷摘要：為了對電機(jī)故障實(shí)現(xiàn)智能化診斷，仿真實(shí)驗(yàn)中將采取基于故障振動信號的診斷方法。在實(shí)驗(yàn)過程中用小波包分析技術(shù)得到故障信號的特征向量。然后用改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)算法即彈性EP算法(RPROPA)來進(jìn)行神經(jīng)網(wǎng)絡(luò)訓(xùn)練，當(dāng)誤差精度符合要求后，用測試樣本數(shù)據(jù)對神經(jīng)網(wǎng)絡(luò)進(jìn)行檢測。通過Matlab平臺進(jìn)行仿真實(shí)驗(yàn)來證明小波包神經(jīng)網(wǎng)絡(luò)診斷系統(tǒng)能夠?qū)崿F(xiàn)電動機(jī)故障類型的智能化診斷。從而減輕企業(yè)經(jīng)濟(jì)負(fù)擔(dān)，為電機(jī)操作人員提供更可靠的安全保障。關(guān)鍵詞：故障診斷；小波變換；神經(jīng)網(wǎng)絡(luò)；電機(jī)中圖分類號：TN911.6734文獻(xiàn)標(biāo)識碼：A文章編號
2、:10047373X(2013)15?0133?04MotorfauItdiagnosisbasedonwaveletpacketandimprovedBPneuralnetworkalgorithmLIChun?hual,RONGMing?xing2(1.HeilongjiangUniversityofScienceandTechnology,Harbin150027,China；2.SchoolofElectrieandInformationEngineering,HeilongjiangUniversityofScienceandTechnolog
3、y,Harbin150027,China)Abstract：InordertorealizeintelligentizationofmotorfauItdiagnosis,ThefaultdiagnosismethodbasedonvibrationsignalwasadoptedinSimulationexperiment?Intheexperimentprocess,thewaveletpacketanalysistechniquewasusedtoobtainthefeaturevectoroffaultsignal,andtheimprovedB
4、Pneuralnetworkalgorithm,elastic(RPROPA)BPalgorithm,wasusedforneuralnetworktraining?Whentheerroraccuracymeetstherequirement,thetestsampledataisusedtotesttheneuralnetwork?ThesimulationexperimentonMatlabplatformshowthatthewaveletpacketneuralnetworkdiagnosissystemcanimplementtheintel
5、ligentdiagnosisofmotorfault,reducetheeconomicburdenofenterprises,andprovideamorereliablesecurityassuranceformotoroperationpersonne1.Keywords：faultdiagnosis；wavelettransform；neuralnetwork；motor0引言在當(dāng)代工業(yè)生產(chǎn)過程中，電動機(jī)已經(jīng)成為了不可或缺的重要動力設(shè)備。同時企業(yè)為了提高生產(chǎn)效率，絕大多數(shù)都走上了流水線形式的生產(chǎn)道路，動力設(shè)備一出現(xiàn)問題，就會造成企業(yè)的巨大經(jīng)濟(jì)損
6、失。所以本文將選取三種常見的電機(jī)故障即軸承故障、轉(zhuǎn)子故障、絕緣電阻下降來作為研究對象。由于電動機(jī)故障信號往往是一些非平穩(wěn)的信號，并且其中含有大量的噪聲［1］。因此首先本文將利用小波包技術(shù)優(yōu)良的時頻局部特性和多分辨率處理能力來去除噪聲信號，得到真實(shí)故障信號進(jìn)行分解重構(gòu)，獲得頻段更細(xì)致的故障信號特征向量。其次由于神經(jīng)網(wǎng)絡(luò)能夠逼近任意的非線性問題，并且自身具有較強(qiáng)的學(xué)習(xí)和自適應(yīng)能力［2］,所以將用神經(jīng)網(wǎng)絡(luò)技術(shù)來進(jìn)行特征向量和故障類型的準(zhǔn)確映射。建立起一套基于小波包技術(shù)和BP神經(jīng)網(wǎng)絡(luò)的智能故障識別系統(tǒng)。1電機(jī)故障診斷方法基于神經(jīng)網(wǎng)絡(luò)的故障診斷方法是當(dāng)前設(shè)備故障診
7、斷領(lǐng)域應(yīng)用較廣的方法。文獻(xiàn)［3］講述了神經(jīng)網(wǎng)絡(luò)技術(shù)是以分布的方法存儲信息，利用網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)和權(quán)值分布來實(shí)現(xiàn)非線性映射，并利用全局并行處理實(shí)現(xiàn)從輸入到輸出空間的非線性信息處理。利用它的非線性映射關(guān)系建立故障和特征信號的準(zhǔn)確對應(yīng)，并且其學(xué)習(xí)和適應(yīng)能力可以根據(jù)故障類型的變化來自動改變網(wǎng)絡(luò)權(quán)值等參數(shù)輸出不同的期望結(jié)果。所以可使用神經(jīng)網(wǎng)絡(luò)來進(jìn)行非線性映射的研究，因此對電動機(jī)的故障診斷選擇神經(jīng)網(wǎng)絡(luò)來實(shí)現(xiàn)輸入特征信號和輸出期望結(jié)果的對應(yīng)也比較合適。2基于小波包的故障特征向量提取2.1小波包變換分析小波包分析(WaveletPacketAnalysis)能夠重復(fù)利用二
8、尺度關(guān)系將小波頻譜中的每個倍頻程頻帶進(jìn)一步分解為更加精細(xì)的頻帶［4］,增強(qiáng)了信號
