SOM神经网络的永磁同步电机故障诊断

《SOM神经网络的永磁同步电机故障诊断》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、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123456阅卷人签字789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(SelfOrganizingMap)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

2、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：PermanentMagnetSynchronousMotor)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

3、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(SelfOrganizingMap)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。12.永磁同步电机的故障诊断2.1.基于小波的故障特征数

4、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

5、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，具有更为精细的局部分析能力。设以ft()是传感器检测到的振动信号，小波变换定义为1xbWabf(,)ftR()()RRtdt()(ft)(,)dtab········（1）aa其中为小波基函数，是的复共轭，a为尺度函数，反映信号的频率信2息；b为时间中心参数，反映信号的时间信息，x为输入信号。从形式上可以看出，函数的小波变换Wabf(,)本质上是原函数或信号f

6、t()在t=b点附近按(,)ab()t进行加权的平均，体现了以(,)ab()t为ft()的变化。因此，适当地选择基小波，使(,)ab()t在时域上为有限支撑，在频域上也较集中，可使Wabf(,)在时、频域都具有信号局部特征的能力，有利于检测信号的瞬态或奇异点。采用db4进行3层小波包分解，通过分解系数重构提取各频带范围信号，在小波包分析中，选取每个子空间(频带)内的平方和作为能量标志m2x2/2()xcos(1.75)xeEiiwk()··············（2）k1其中m为该子空间的样本长度。为直观地判别故障的发生，通常将每个子空间的能量转换为相对百分比

7、能量，从而表征各频带能量在总信号能量中的分布。通过故障发生前后输出信号各频带能量分布的变化进行故障诊断，即Ei·························（3）Ei数值计算表明，对于永磁同步电机，当输入激励的频谱特性发生一些变化时，其频带能量分布亦将发生一定的变化，可能会掩盖故障特征。为提高故障诊断精度，将小波提取的故障特征向量按频段划分作为SOM网络的输入，通过二次数据融合进行故障诊断。2.2.基于SOM网络的永磁同步电机故障诊断自组织特征映射网络模拟了人脑的神经网