内容发布更新时间 : 2025/5/20 11:21:16星期一 下面是文章的全部内容请认真阅读。
龙源期刊网 http://www.qikan.com.cn
基于小波包和改进BP神经网络算法的电机故障诊断
作者：李春华 荣明星
来源：《现代电子技术》2013年第15期
摘 要： 为了对电机故障实现智能化诊断，仿真实验中将采取基于故障振动信号的诊断方法。在实验过程中用小波包分析技术得到故障信号的特征向量。然后用改进的BP神经网络算法即弹性BP算法（RPROPA）来进行神经网络训练，当误差精度符合要求后，用测试样本数据对神经网络进行检测。通过Matlab平台进行仿真实验来证明小波包神经网络诊断系统能够实现电动机故障类型的智能化诊断。从而减轻企业经济负担，为电机操作人员提供更可靠的安全保障。
关键词： 故障诊断； 小波变换； 神经网络； 电机
中图分类号： TN911.6?34 文献标识码： A 文章编号： 1004?373X（2013）15?0133?04 Motor fault diagnosis based on wavelet packet and improved BP neural network algorithm LI Chun?hua1， RONG Ming?xing2
（1. Heilongjiang University of Science and Technology， Harbin 150027， China； 2. School of Electric and Information Engineering， Heilongjiang University of Science and Technology， Harbin 150027， China）
Abstract： In order to realize intelligentization of motor fault diagnosis， The fault diagnosis method based on vibration signal was adopted in simulation experiment. In the experiment process， the wavelet packet analysis technique was used to obtain the feature vector of fault signal， and the improved BP neural network algorithm， elastic （RPROPA） BP algorithm， was used for neural network training. When the error accuracy meets the requirement， the test sample data is used to test the neural network. The simulation experiment on Matlab platform show that the wavelet packet neural network diagnosis system can implement the intelligent diagnosis of motor fault， reduce the economic burden of enterprises， and provide a more reliable security assurance for motor operation personnel.
Keywords： fault diagnosis； wavelet transform； neural network； motor
龙源期刊网 http://www.qikan.com.cn
0 引 言
在当代工业生产过程中，电动机已经成为了不可或缺的重要动力设备。同时企业为了提高生产效率，绝大多数都走上了流水线形式的生产道路，动力设备一出现问题，就会造成企业的巨大经济损失。所以本文将选取三种常见的电机故障即轴承故障、转子故障、绝缘电阻下降来作为研究对象。由于电动机故障信号往往是一些非平稳的信号，并且其中含有大量的噪声[1]。因此首先本文将利用小波包技术优良的时频局部特性和多分辨率处理能力来去除噪声信号，得到真实故障信号进行分解重构，获得频段更细致的故障信号特征向量。其次由于神经网络能够逼近任意的非线性问题，并且自身具有较强的学习和自适应能力[2]，所以将用神经网络技术来进行特征向量和故障类型的准确映射。建立起一套基于小波包技术和BP神经网络的智能故障识别系统。 1 电机故障诊断方法
基于神经网络的故障诊断方法是当前设备故障诊断领域应用较广的方法。文献[3]讲述了神经网络技术是以分布的方法存储信息，利用网络的拓扑结构和权值分布来实现非线性映射，并利用全局并行处理实现从输入到输出空间的非线性信息处理。利用它的非线性映射关系建立故障和特征信号的准确对应，并且其学习和适应能力可以根据故障类型的变化来自动改变网络权值等参数输出不同的期望结果。所以可使用神经网络来进行非线性映射的研究，因此对电动机的故障诊断选择神经网络来实现输入特征信号和输出期望结果的对应也比较合适。 2 基于小波包的故障特征向量提取 2.1 小波包变换分析
小波包分析（Wavelet Packet Analysis）能够重复利用二尺度关系将小波频谱中的每个倍频程频带进一步分解为更加精细的频带[4]，增强了信号处理的分辨率。其最重要的特性是也能对信号的高频部分进行分解[5]。即把信号的高频部分再分解为更细致的低频和高频两个部分，这样不断的往下分解，使信号的各频段更加细化，直到信号高低频段信息能满足需要的精细程度。
下面通过一个三层的小波包分解示意图来具体了解小波包分析的分解步骤。如图1所示。
图1 三层小波包分解原理图
图1中（0，0）代表原始信号，（1，0）代表第一层分解的低频部分尺度空间[Vj]，（1，1）代表第一层分解的高频部分小波空间[6][Wj]，接下来的每一层分解依次类推。从图中可以看出，小波包分析对信号的高频部分也进行了更加深入的分解，有利于信息的分析和提取。
龙源期刊网 http://www.qikan.com.cn
相应的小波包分解重构公式为：
[cj，nl=kh0l-2kcj+1，2nk+kh1l-2kcj+1，2n+1k] （1） 其中[h02l-k]和[h12l-k]为小波包分解子空间系数。 2.2 基于小波包的故障特征向量提取方案
本文根据实验条件设计了一种合适的故障信号提取方案。采用压电式加速度传感器来采集电动机的故障振动信号，然后用数据信号记录仪来进行数据记录，最后用小波包分析来对信号特征向量进行提取。小波包提取故障特征向量的步骤如下[7]：
（1）根据需要确定故障信号进行小波包分解的层数。以[Xij]代表分解各层的成分系数，[i]代表分解层数，[j]代表分解最后一层的信号个数。
（2）重构小波包对信号的分解系数。以获取各分解层的频段信息，用[Sij]代表[Xij]的重构信号。
（3）求出各频段的信号能量综合，用[Eij]代表[Sij]所对应的能量。 （4）构造出特征向量然后进行归一化处理，特征向量构造为： [T=Ei0，Ei1，…，Eij] （2）
当[Eij]较大时，令[E=ijEij12]，则特征向量变为下式： [T*=Ei0E，Ei1E，…，EijE] （3）
由电动机故障的特征频率范围可以发现，故障频段往往发生在电源频率的分数倍和整数倍频率处，所以选择[f3，][f2，][f，][5f2，][3f，][4f]附近的频带范围作为故障分析特征频段，[f]为电源频率50 Hz。选用db4小波对正常和故障振动信号作6层小波包分解，各个频段进行波形重构，如图2所示。
图2 正常和三种故障状态的小波包重构波形
从图2可以看出正常状态和故障状态下的小波包重构波形幅度有很大的不同，故障状态下的各频段小波包能量往往会大于正常状态下的小波包能量，可以准确的区分出电动机的正常状态和故障类型，为接下来的神经网络诊断模型提供准确的数据，进而准确的判断出电动机的故障类型。