电动机轴承故障科学预测与诊断

《电动机轴承故障科学预测与诊断》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、电动机轴承故障科学预测与诊断摘要：为分析电动机轴承故障类型，首先采用小波包分析对轴承振动信号进行高低频分解及重构，然后以各频带的能量值构成轴承振动信号的特征向量，最后通过朴素贝叶斯网和本研究提出的权重分析两种方法进行电机轴承故障分类。朴索贝叶斯网对已知电机轴承故障类型的样本数据进行训练，获得参数后识别未知样本的故障类型。权重分析法计算未知与已知类型的电机轴承振动样本的相关系数，然后构建权重并按照权值和的大小获取未知样木的故障类型。仿真结果表明朴素贝叶斯网能较好实现电机故障诊断，本研究提出的权重分析方法也能较好的对电机故障进行诊断。关键词：电机故障小波包朴素贝叶斯权值分

2、析引言在煤矿生产中，电机被广泛应用。除了瓦斯事故［1］等煤矿五大灾害之外，电机的止常工作对煤矿生产过程中的安全、高效、优质及低耗运行意义也非常重大。电机出现故障时不仅会损坏电机本身，还会影响整个系统的正常运行，甚至会危及人身安全，造成巨大的经济损失。因此，尽量减少电机故障的发生与有效的识别电机故障类型在煤矿生产中具有积极意义。煤矿中所用的电机大多数为三相异步电动机。采区任务的运输由三相异步电动机驱动刮板输送机，通过旋转运动实现。电动机的故障形式主要有以下五种：轴承损坏；绕组接线、引线和端子烧坏；绕组匝间或相间局部击穿；绕组烧毁；转子断轴。其中，轴承故障发生比例最大，约

3、为40%,轴承故障将引起电机异常振动，使电机无法正常运行，严重时会对煤矿生产和人身安全带来极人危害。因此有必要研究电机轴承故障诊断。在电动机的故障诊断中，经常用到的智能方法有人工神经网络(ANN).支持向量积、聚类等方法。中国矿业大学的张建文教授等人采用人工神经网络对电机的转子断条故障进行诊断，首先用一种扩展到Park矢量方法提取故障特征，然后利用反向传播(BP)神经网络进行异步电机转子断条故障诊断，BP网络是人工神经网络的一种，其缺点在于收敛速度慢、易于陷入局部极小点。付光杰等人也采用BP神经网络对电子转子故障进行诊断，为了克服BP网络的缺点，付等人采用粒子群优化方

4、法训练BP网络，加快了模型的收敛速度并克服了BP网络易于限于局部极小点的缺点[5]等。本研究首先采用振动检测的方法对电机轴承振动进行检测，获得轴承振动信号。通过小波包变换对振动信号进行高低频分解及重构，获取故障特征向量。为了避免诊断模型陷入局部极小点的情况，本研究采用朴素贝叶斯网以及提出的权值分析法进行模式识别，诊断出故障。通过仿真验证了本研究提出方法的有效性。1、故障特征向量提取电动机轴承故障的信号是非平稳的，为了较好的反映其频域特性，采用小波包分析。小波包分析是对小波变换的一种改进，它可以将小波变换中没有细分的高频部分做进一步分解,提高信号通频带的频率分辨能力o本

5、研究采用小波包分解方法从轴承振动信号中提取特征向量。小波包分解提取特征向量的步骤如下所示：1）由式（1）対信号进行小波包分解。小波包分解每次得到的结果都是两个序列，对轴承振动信号进行3层小波包分解，则第3层一共可获得8个频率段的信号特征。提取8个频率成分的信号特征向量，其中，O和分别表示小波分解的层数和结点数。2）由式（2）対小波包分解系数重构，提取个频带范围的信号。以为的重构信号，分别对变换后的第3层小波包所冇结点进行分析,则总信号可以表示为O3）求各频带信号的总能量。设对应的能量为，则有其中，为重构信号离散点的幅值。4）构造特征向量。当电机轴承出故障时，对各频带内

6、信号的能量冇较大的影响，因此，能够以能量为标度构造特征向量。当能量较大时，是一个较大的数值，为了分析的方便，对所构造的特征向量进行归一化处理:（4）其中，即为归一化后的特征向量。2、朴素贝叶斯以及权值分析方法的电机故障诊断电机故障诊断模型如图1所示。2.1基于朴素贝叶斯分类的故障诊断贝叶斯学习方法中实用性很高的是朴素贝叶斯。朴素贝叶斯分类器同ANN以及SVM一样都是监督学习方法，贝叶斯分类器从提供的训练样本中训练模型然后对未知样本进行分类。假定数据集中有个类，表示电机故障的类别。对任意的一个未知的故障数据样本，分类器将具有最高后验概率(条件下)的类标号赋予，即朴素贝叶

7、斯分类将未知的样本分配给类，其屮，。最人的类成为最大后验假定，计算如下：(5)由于对于所有类为常数，为获得最大，只要计算最大即可。其中，是类屮的训练样本数，是训练样本总数。根据朴素贝叶斯的类条件独立假设(朴素假定)，属性之间相互独立，则有：(6)由式(2)可以看出，朴素贝叶斯的朴索假定使得在对新实例预测类标号时，大大地简化了联合概率的计算，节省了系统的开销。概率可由训练样本计算，即：(7)其中是类中在属性上具有值的训练样本数。2.2基于权值分析法的电机故障诊断朴素贝叶斯诊断模型建立的前提是后验假定，而在实际问题中，并不是所冇的数据集都能满足后验假泄，