基于神经网络的异步电机故障诊断研究

异步电机是工农业生产中广泛应用的驱动设备,并且扮演着重要的角色。随着现代工业系统的飞速发展,电机的单机容量不断增加,其所驱动的负载也越来越复杂。电机故障不仅会损坏电机本身,严重时还会使电机突然停机,使生产线崩溃进而造成巨大的经济损失,有时甚至还会对人身安全构成严重的威胁。因此,准确地发现并诊断出运行中电机的故障在工业生产中有着很重要的意义。 本文分析了当前国内外电机故障诊断的现状及存在的问题,对异步电机定子故障、转子故障、轴承故障中等几种常见故障的机理及故障特征分别进行了深入研究;在详细分析了傅里叶变换理论的基础上,总结出其在分析非平稳信号时的劣势,采用了一种基于小波变换的故障信号特征提取方法;将通过小波变换提取出的能量值作为电机故障的特征向量。 随着神经网络技术的发展,神经网络已被广泛应用于电机故障诊断这一领域。本文首先利用Matlab仿真平台以标准BP算法训练出的三层神经网络对电机故障进行诊断,经仿真发现网络不能收敛,并且停滞在局部极小点附近。随即提出了两种改进方法,一是为标准BP算法增加动量项使其在迭代发生停滞时能够跳出局部极小点,进而有效解决了BP算法易陷入局部极小的问题,使其收敛于全局最小点。二是利用基于粒子群算法(PSO)优化的BP神经网络进行异步电机故障诊断。具体来说就是采用(PSO)算法对神经网络的输入层—隐层和隐层—输出层的权值进行优化。经验证(PSO)优化算法可以有效地克服BP神经网络存在的学习效率低,收敛速度慢以及容易陷入局部极小点等固有缺点。 最后,本文对采集的电机振动及电流信号进行故障特征提取,总结并整合出相应的故障样本用以(PSO)算法优化的神经网络进行训练,把训练好的网络用于电机的故障诊断。经过实际的故障数据检验,诊断识别的精度大幅提高,较好地解决了电机的故障诊断问题,且更加准确、智能化,具有很好的可行性和广阔的应用前景。