基于EMD和特征融合的電機故障診斷.pdf

1、近幾十年來，電機設備故障所導致的事故時有發(fā)生，造成了慘重的經濟損失。為了從根本上避免災難性事故的發(fā)生，對電機進行故障診斷是非常必要的。對電機常見故障的診斷分析不僅能夠及早發(fā)現故障，而且還可以防止電機故障的進一步惡化，避免災難性事故的發(fā)生，從而減少因事故造成的巨大經濟損失;另外還可為電機制造商提供經驗，積累數據，有助于電機性能的提升，增強可靠性。
　　 本文對電機故障診斷方法進行了分析和研究，并最終通過電機聲音診斷技術實現了電機故

2、障診斷。對電機聲音診斷技術的四個方面（即電機聲音信號采集、電機聲音信號處理、故障特征向量的構造和故障模式分類）進行研究探索，并取得了以下研究結果:
　　 1)設計和實現了具有兩路電機聲音信號采集能力的聲音采集系統(tǒng)。系統(tǒng)硬件部分包括傳聲器、前置放大電路、抗混疊濾波電路、二級放大電路和數據采集卡;系統(tǒng)軟件基于LabVIEW平臺開發(fā)，具有良好的人機界面。與基于單個傳聲器的傳統(tǒng)電機聲音采集系統(tǒng)相比，該系統(tǒng)可以獲得更多的電機故障信息，有利

3、于更精確地實現電機故障診斷。
　　 2)提出了將經驗模態(tài)分解(EMD)應用于電機聲音信號處理的方法。該方法首先通過電機聲音信號的特征時間尺度來獲得電機聲音的固有波動模式，然后以此為依據來分解電機聲音信號，分解所用的基函數來自于電機聲音信號本身。實驗結果表明該方法能夠有效地實現電機聲音信號的分解。
　　 3)首次提出了一種基于固有模態(tài)函數能量和特征融合技術相結合的特征向量構造方法。該方法首先用EMD分解后的各個固有模態(tài)函數

4、的能量作為特征參數;然后將EMD分解得到的兩路特征參數進行特征融合，這樣可以更大程度地保留電機故障信息，同時又能避免兩路特征參數直接組合所導致的特征向量的高維性和冗余性。該方法為特征向量的構造提供了一種新的途徑。
　　 4)對特征向量進行故障模式分類。本文分別把神經網絡和支持向量機這兩種模式分類方法應用到電機故障診斷中，并對分類結果進行了比較和分析。結果表明了支持向量機對本文所構造的特征向量具有更好的識別能力，同時分類結果表明了