论文部分内容阅读
近几十年来,电机设备故障所导致的事故时有发生,造成了惨重的经济损失。为了从根本上避免灾难性事故的发生,对电机进行故障诊断是非常必要的。对电机常见故障的诊断分析不仅能够及早发现故障,而且还可以防止电机故障的进一步恶化,避免灾难性事故的发生,从而减少因事故造成的巨大经济损失；另外还可为电机制造商提供经验,积累数据,有助于电机性能的提升,增强可靠性。本文对电机故障诊断方法进行了分析和研究,并最终通过电机声音诊断技术实现了电机故障诊断。对电机声音诊断技术的四个方面(即电机声音信号采集、电机声音信号处理、故障特征向量的构造和故障模式分类)进行研究探索,并取得了以下研究结果：1)设计和实现了具有两路电机声音信号采集能力的声音采集系统。系统硬件部分包括传声器、前置放大电路、抗混叠滤波电路、二级放大电路和数据采集卡；系统软件基于LabVIEW平台开发,具有良好的人机界面。与基于单个传声器的传统电机声音采集系统相比,该系统可以获得更多的电机故障信息,有利于更精确地实现电机故障诊断。2)提出了将经验模态分解(EMD)应用于电机声音信号处理的方法。该方法首先通过电机声音信号的特征时间尺度来获得电机声音的固有波动模式,然后以此为依据来分解电机声音信号,分解所用的基函数来自于电机声音信号本身。实验结果表明该方法能够有效地实现电机声音信号的分解。3)首次提出了一种基于固有模态函数能量和特征融合技术相结合的特征向量构造方法。该方法首先用EMD分解后的各个固有模态函数的能量作为特征参数；然后将EMD分解得到的两路特征参数进行特征融合,这样可以更大程度地保留电机故障信息,同时又能避免两路特征参数直接组合所导致的特征向量的高维性和冗余性。该方法为特征向量的构造提供了一种新的途径。4)对特征向量进行故障模式分类。本文分别把神经网络和支持向量机这两种模式分类方法应用到电机故障诊断中,并对分类结果进行了比较和分析。结果表明了支持向量机对本文所构造的特征向量具有更好的识别能力,同时分类结果表明了利用本文中所构造的特征向量是可以对电机进行故障诊断。