基于小波分析和BP神經(jīng)網(wǎng)絡(luò)的微電機(jī)故障診斷方法研究.pdf

1、微電機(jī)生產(chǎn)過(guò)程中的在線故障檢測(cè)能及時(shí)反饋微電機(jī)質(zhì)量，便于生產(chǎn)工藝的調(diào)整和生產(chǎn)設(shè)備的調(diào)試，對(duì)微電機(jī)產(chǎn)業(yè)的發(fā)展具有十分重要的意義。機(jī)械噪聲是機(jī)械振動(dòng)在空氣或固體等介質(zhì)中向外界傳播的結(jié)果，與振動(dòng)信號(hào)的頻率成分基本上是一致的。因此，利用聲音信號(hào)進(jìn)行故障診斷在不易測(cè)量振動(dòng)信號(hào)的場(chǎng)合得到廣泛的應(yīng)用。本文以微電機(jī)在正常、支架變形以及機(jī)殼里含鐵屑等三種情況下的聲音信號(hào)為分析對(duì)象，應(yīng)用小波分析和BP神經(jīng)網(wǎng)絡(luò)技術(shù)實(shí)現(xiàn)了微電機(jī)故障診斷。
　　 工業(yè)上

2、聲音信號(hào)具有復(fù)雜的混合性的特點(diǎn)，采集到的聲音信號(hào)往往具有較低的信噪比，本文采用小波閾值降噪法對(duì)微電機(jī)聲音信號(hào)進(jìn)行降噪，提高了故障信號(hào)信噪比，有利于故障特征的進(jìn)一步提取。小波包能夠?qū)⑿盘?hào)分解到一個(gè)由小波伸縮、平移而成的基函數(shù)族上，而不損耗信號(hào)能量，在全頻范圍內(nèi)得到分布在不同頻帶內(nèi)的分解信號(hào)，便于從復(fù)雜信號(hào)中分離出故障特征。本文應(yīng)用小波包分解與重構(gòu)算法提取了微電機(jī)各種故障信號(hào)的頻段能量，以頻段能量歸一化后構(gòu)造一個(gè)特征向量建立能量變化到故障的

3、映射關(guān)系。最后，將歸一化后的頻段能量作為故障特征參數(shù)樣本輸入到基于自適應(yīng)學(xué)習(xí)率的BP神經(jīng)網(wǎng)絡(luò)算法中進(jìn)行訓(xùn)練，建立故障類(lèi)型分類(lèi)器，實(shí)現(xiàn)微電機(jī)故障智能識(shí)別。實(shí)驗(yàn)結(jié)果表明小波包技術(shù)提取的頻段能量涵蓋了微電機(jī)聲音信號(hào)特征，同時(shí)一個(gè)設(shè)計(jì)合理的BP神經(jīng)網(wǎng)絡(luò)具有很強(qiáng)的故障識(shí)別能力，說(shuō)明采用小波技術(shù)與神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法對(duì)微電機(jī)進(jìn)行聲學(xué)故障診斷是有效的。
　　 在此基礎(chǔ)上，以LabVIEW為平臺(tái)開(kāi)發(fā)了微電機(jī)故障診斷系統(tǒng)，該系統(tǒng)實(shí)現(xiàn)了微電機(jī)聲音信