电机故障模式识别与诊断.pdfVIP

清华大学学报(自然科学版)/990320 清华大学学报（自然 科学版） JOURNAL OF TSINGHUA UNIVERSITY (Science and Technology) 1999年 第3期 No.3 1999 电机故障模式识别与诊断* 邱阿瑞,　孙　健 文　摘　为了实现对电机故障模式的自动识别与诊断，通过对人工神经网络分类功能 及传统电机故障诊断技术的分析，提出了一种利用人工神经网络进行模式识别的方 法。针对电机故障特征在实际中可能是非线性可分的情况，利用φ函数可以将非线性 可分的模式转化到线性空间并实现分类，基于这种思想提出了利用径向基函数(RBF)网 络实现对这种复杂故障模式的分类。以感应电机转子故障分类的实验结果表明，这种 神经网络模式识别方法是有效的，并且可以通过自动调节径向基函数中心提高网络分 类的正确率。 关键词　模式识别；人工神经网络；故障诊断；电机 分类号　TM 343.3 QIU Arui, SUN Jian Abstract　 file:///E|/qk/qhdxxb/qhdx99/qhdx9903/990320.htm（第 1／8 页）2010-3-23 5:21:47 清华大学学报(自然科学版)/990320 network. Key words　 　　电机的状态监测与故障诊断技术研究，对提高电机的维护管理水平，保障其运行 可靠性有重要意义。经过多年的研究与努力，人们已开发出一些比较成熟的状态监测 ［1，2］ 技术和方法 ，可对多种电机故障状态进行监测、识别和诊断。由于电机故障机 理的复杂性，难以对实际故障建模，又加上环境噪声难以估计，因而很难形成一个准 确的故障诊断判据。近年来，利用人工神经网络对电机故障进行诊断是一种很有发展 ［3，4］ 前景的诊断方法 。 本文通过对人工神经网络分类功能及传统的电机故障诊断技 术的分析，提出了利用人工神经网络进行模式识别的方法。 1　电机故障模式识别系统 　　模式识别系统主要由4部分组成 ［5］ ： 对识别对象的数据获取、预处理、特征提 取和选择及分类决策，如图1所示。 图1　模式识别系统构成 　　对于从电机运行时采集到的信号，由于信号传输或其他因素所造成的影响，基本 上是一种基于噪声背景中的信号。图中预处理的目的就是去除噪声，加强有用信息。 　　经过预处理后的时域信号，其特征往往难以识别，而更多的是在频域里来分析信 号的特征。利用快速傅里叶变换可以将时域的数字信号变换为它所对应的频域信号， 利用电机发生故障时的特征谱与正常谱来加以比较和识别。特征的提取和选择一般还 包括把测量的数据进行压缩这个过程。 　　为了能够对模式进行分类，往往需要学习。学习就是改变学习系统的参数或者结 构使得学习系统的某个性能指标达到最优。 　　分类决策就是在特征空间中把被识别对象归为某一类别。利用学习样本学习完毕 后，学习系统参数或结构就固定下来了，待识别信息经学习系统后的输出可根据某一 个判别原则，对被识别对象进行分类。学习与分类决策的功能可以利用人工神经网络 来实现。 2　利用径向基函数神经网络识别电机故障 file:///E|/qk/qhdxxb/qhdx99/qhdx9903/990320.htm（第 2／8 页）2010-3-23 5:21:47 清华大学学报(自然科学版)/990320 　　标准径向基函数网络可以通过对一特征空间样本，经非线性映射到分类空间来完