SOM神经网络的永磁同步电机故障诊断.pdfVIP

I 西 安 建 筑 科 技 大 学 研 究 生 课 程 考 试 试 卷 考试科目：人工神经网络 课程编码：071032 任课教师：谷立臣 考试时间： 学 号：1307240640 学生姓名：李昭 题号 成 绩 总 成 绩 学 分 1 2 3 4 5 6 阅卷人签字 7 8 9 试题总页数 10 基于SOM神经网络的永磁同步电机故障诊断 摘要：为实现永磁同步电机的故障类别的诊断，采用小波函数根据不同频段进 行故障特征提取，进行归一化数据样本处理，以剔除奇异样本。利用小波函数构 成SOM(Self Organizing Map)的领域函数，形成次兴奋神经元进行权值更新，以 避免SOM的局部最优。采用实验提取的故障数据作为SOM神经网络的输入样本 进行网络训练，从而得出产生特定故障时所激发的相应神经元索引。实验结果验 证了该方法的可行性和实用性。 关键词：神经网络；故障诊断；神经元索引；永磁同步电机 1. 引言 永磁同步电机(PMSM：Permanent Magnet Synchronous Motor)在电梯、汽车 等工业生产中的应用正在不断推广，其原因主要是源于高磁材料的快速发展。相 比于传统的电机，永磁同步电机具有结构简单、重量轻、体积小和损耗少等优点， 而与异步电动机相比，由于没有无功励磁电流，所以，永磁同步电机的效率较高， 定子电阻和电子电流损耗少，力矩惯性比大，控制性能较好。 基于数学模型的传统电机故障诊断方法中，主要依靠的是应用过程或状态参 数的估计判断电机的故障类型，由于需要建立比较准确的数学模型，选择适当的 决策方法，所以在系统模型不确定或非线性的情况下，传统的诊断方法不再适用。 笔者针对汽车安全气囊装配工序中所使用的永磁同步电机，提出一种基于小波故 障特征提取与SOM(Self Organizing Map)神经网络二级数据融合的永磁同步电机 的故障诊断方法，利用传感器采集的数据，通过小波分析提取故障信号的特征向 量，作为SOM神经网络的输入，利用小波函数构成SOM的领域函数，形成次兴 奋神经元进行权值更新，以避免SOM的局部最优，通过Matlab仿真结果可以看出， 该方法可实现对电机故障的精确诊断和识别。 1 2. 永磁同步电机的故障诊断 2.1. 基于小波的故障特征数据提取 永磁同步电机发生机械故障时，定子电流会出现特征频率分量，当电机稳态 运行时，某些故障分量的频率与基频分量接近，很容易被基频分量泄漏和环境噪 声干扰，降低了信号检测的准确程度。因此，如何提高故障频率的分辨率，准确 提取特征信号，成为目前电机故障检测的难点和热点。笔者提出了一种永磁同步 电机的故障诊断新方法，首先采用小波进行故障特征向量的提取，然后进行归一 化处理，以去除奇异样本，笔者将小波函数作为其邻域函数的SOM神经网络方 法，不需要系统严格的数学模型，适用于一些复杂的非线性动态系统的故障诊断。 其原理框图如图1所示。 由于小波分解尺度是按照二进制变化的，高频段频率分辨率差，且低频段时 间分辨率也较差。小波包分析为信号提供了一种更为精细的分析方法，将频带进 行多层次划分，根据被分析信号的特征，自动选择相应的频带，使之与信号频谱 匹配，即小波包不仅对信号的低频部分进行分解，对高频信号也进行分解，具有 更为精