[发明专利]电机振动故障诊断分析与风险预测

说明书

本发明公开了一种基于改进粒子群算法优化BP神经网络的异步电机故障诊断算法，包括如下步骤：将采集到的电机振动信号进行小波包分解，提取振动信号的故障特征；以自适应惯性权重作为粒子群算法参数调整的操作准则，加快算法运行速度并避免陷入局部最优；基于训练样本构建BP神经网络模型，利用自适应粒子群算法优化出的最优极值点作为BP神经网络的初始权值和阈值；调用参数构建自适应粒子群算法算法优化后的BP神经网络模型，实现对异步电机运行过程中的故障检测。

技术领域

本发明涉及一种异步电机故障诊断的方法，能够快速准确诊断出异步电机运行过程中 发生的各类故障。

背景技术

随着社会经济的发展，异步电机的正常运行对于生产效益、生产节奏等有着很高的影 响。由于异步电机处于各种复杂的环境中，导致故障的起因充满不确定性，所以要通过对故 障类型分析研究，这样可以提早发现和及时解决。因此，异步电机的故障诊断技术对于电机 正常运作提供保障，并且具有非常重要的现实意义和理论意义。一方面提早的知道故障的问 题所在就可以及时的规避故障的发生，这样就可以挽回人员财产的损失，另一方面获得的涉 及检测到的故障类型的相关数据可以为设计人员提供非常宝贵的数据经验，也为能够更好的 进行电机性能改造做出贡献。

发明内容

为了更加准确快速地诊断出异步电机运行过程中发生的各类故障，在采用小波包分析 提取异步电机故障特征向量的基础上，提出了一种改进粒子群算法(IPSO)优化BP神经网络的 故障诊断方法，构建电机振动故障诊断与风险预测模型，采用改进粒子群算法优化BP神经 网络的结构参数。

附图说明

图1是小波包变化图示

图2是标准PSO优化算法的运算流程序

图3是BP神经网络拓扑结构图

图4是改进粒子群优化BP神经网络的故障诊断流程图

图5是传感器布置与测试系统

图6是BP神经网络电机故障诊断框图

具体实施方式

1、小波包电机故障的特征提取

上世纪90年代初，为了避免小波变换不能对信号高频部分进行进一步分解的缺陷，小 波变化(Wavelet Package Transform，WPT)应用而生，由Wickerhauser M.V.等人提出，在WPT 分解中，既可以对信号的低频部分进行细化分解，同时也可以对信号任意频段的高频部分进 行细化分解，保证了信号高频部分良好的分辨率；针对信号的特性以及分析要求，WTP分析 可以自适应地选择相应频带并与其信号频谱进行匹配，这一点比小波分析更加精细，这是其 优秀的自适应的表现；小波包变换还具有良好的正交性和局部性，实现多尺度、多分辨分析， 故WTP又可以看做函数空间逐级正交部分的扩展。通过以上分析，WTP与小波变换相比有 着更加明显的优势，实现了在信号时频分析上更细致的划分，WTP可以在信号的低频和高频 进行同步分解，并保持相同的时频分辨率，可以将信号频段分为多个层次，使故障特征在频 带内更加细致。图1为小波包变换图示。S被分解成低频A1和高频D1后，A1和D1又将被 分解为更细致的低频和高频部分，并不断分解下去。

本系统小波包能量特征提取的基本思想步骤如下：

(1)将采集到的电机振动信号进行小波包分解，振动信号经小波包分解可得到其各 频带内成分的特征，即各低频和高频系数。(振动信号的故障特征提取)