电气工程及其自动化毕业论文-电动机故障诊断技术的研究

电动机故障诊断技术的研究摘要当前电动机在各行各业的应用十分的普遍，在应用的过程中也会出现一系列的故障问题。因此本文研究内容就是电机故障诊断检测，通过分析电机的状态判断电机故障，在故障萌芽期就将故障修复，提高安全和效率。具体工作如下：(1)对故障诊断系统进行了总体设计，使系统能够准确测得电机运行时的振动信号，此外，完成了传感器的选择，单片机，AD芯片型号的选择；(2)模拟了各种电机故障，提取故障信号特征，建立了比较完善的专家库；(3)基于Matlab设计了信号特征提取程序，并移植到单片机上，用C++编写了比较程序和数码管显示程序实验结果表明，本课题设计的电机故障检测系统不仅具有较高的自动化水平，还具有较高的准确率和检测速度，因此，本课题设计的电机故障检测系统对系统安全有很大的意义。关键词：驱动电机；故障检测；Matlab；单片机；信号特征提取目录第一章绪论 第一章绪论1.1课题研究背景和意义驱动电机作为各种机械设备的的动力来源，在机械设备的整个工作过程中具有重要的作用。该机构一旦出现问题，将会造成巨大的经济损失，甚至人身安全事故，因此，开展驱动电机故障诊断具有重要的意义。1.2本文主要研究内容和框架主要研究内容：本文将使用3轴振动加速度传感器采取电机振动信号，当电机出现故障时，电机振动波形也会发生变化，波形变化和故障类型相关，针对采取的特征信号，进行快速傅里叶变换，提取故障特征。通过使用matlab平台对信号分解提取故障特征，移植程序到51单片机中，将故障特征输入专家库中，用C++编写对比程序，实现电机故障诊断。内容框架：第一章主要大概论述了课题研究意义，诊断方法分类，提取故障特征方法分类，以及实物仪器研究现状。第二章主要介绍本课题所使用的技术发展以及采用方法的优势，介绍了小波变换的优点和重点。第三章主要介绍的是本课题的主要设计思路，比如电路各模块的设计，传感器等设备的型号选择，并对设计方案进行成本预算等可行性分析。第四章介绍的是电路图的设计，主要介绍各部分电路的设计，以及芯片选择的理由，还大概介绍了整个系统的大致工作流程和硬件模块。第五章介绍的是软件程序的流程图，还介绍了各个模块的功能，以及编程工具和编程目的，用实例展示了matlab分解信号波形的过程，简单介绍了特征提取程序的运行流程，也对比较程序和数码管显示程序做了简单的介绍。第六章通过实际实验检验了第五章设计的matlab特征提取程序的准确率，并仔细介绍了实验设备，实验步骤，实验目的，确保整个过程是科学可靠的。第七章回顾整文，整理了一些在实际设计中未能完成的设计，还有一些未能修复的系统缺陷，并展望了如果继续完善设计的修改方向。1.3本章小结本章内容主要叙述了课题来源，电机故障诊断主要方法研究的国内外现状，以及具体的故障特征提取的几种常见方法的研究现状，还有国内外电机故障诊断仪器的具体开发进度。体现了本课题开发的意义。并对接下来的几章进行了规划。第二章故障检测以及特征提取基本理论2.1故障检测基本理论原理是将设备故障检测技术简称为CDT，存储设备运行时产生的信号，通过在线分析来判断设备状态。用智能的方法分析有无故障，分析故障信号判断故障种类，通过数据库中对应的处理措施解决问题。2.2故障检测发展历史故障检查技术大致分为三个时期。事后诊断、预防诊断、状态诊断。在初期第一次产业革命时期，设备结构简单，设备故障检查都是设备损坏后，一般只要更换几个零件就可以解决问题。随着工业的进步，设备的结构越来越复杂，对设备性能的影响也越来越大。一旦故障造成的损失无法估量，在数学家的努力下，根据概率统计方法，定期检查设备运行状态是最好的解决办法。由于提高了电脑性能的效果，设备的故障诊断进入了下一个阶段，通过电脑等设备监视设备的运行状态，发生异常状态后立即通报，大大降低了事故的可能性。现在经常使用的马达故障诊断技术如下。（1）局部放电法：电机定子的大部分故障表征作为局部放电的激化来体现，通过检测定子附近的电流的大小和频率，能够检测定子的很多故障。（2）定子电流监视法（MCIA）：现在使用非常广泛的方法，通过监视定子电流的频率，可以判断轴承故障、定子绕组、转子绕组等故障。（3）振动监视法（VD）：电机发生故障时，马达的动作会产生很多异常振动信号，通过传感器收集这些信号，通过分离其他信号来判断电机故障，有缺点时无法判断马达绝缘故障和定子绕组故障。（4）磁通监视法（FD）：通过检测经由电机线圈的磁通量的变化来分析电机的故障，但通常检测到的是轴向泄漏磁。该方法可以检测轴承的故障、定子绕组、转子绕组、外部绝缘等故障。缺点是正确性和容易被妨碍的问题。（5）绝缘检测法（ID）：如名称所示，可通过各种绝缘检查方法检测马达的绝缘结构，并采用对应性强的方法，仅诊断电机的绝缘结构的绝缘故障。（6）温度检测法（TD）：使用红外线温度测量等各种温度检测方法来诊断电机。这是因为温度和故障类型的映射关系不明确，所以现在的精度非常令人担心，但是其优点是不接触，需求不高。如上所述，在本文中，采用了3轴加速度测量电动机的动作时的振动信号，与其他方法相比，振动信号的检测容易，振动波形能够明确反应电动机的动作状态，非常适合本文中构建的系统。2.3特征提炼的基本理论每个信号都有特征信息，信号特征提取可以提取这些特征信息，计算机可以明确区分各个信号。由于计算机不能像人的肉眼那样区分各种波形，所以特征提取可以将图像和波形等转换成数据，通过计算机识别并区分。2.4基于小波变换特征的提取研究进展1807年，法国数学家傅立叶提出了一个函数，该函数可以通过傅立叶变化转换成一系列正弦波，然后打开了特征提取的门。近200年来的特征提取方法在FFT的基础上得到了改善。FFT引起的小波变化是非常出色的。下面将详细描述小波变换的发展过程。小波变换的概念来源于Haar在1910年提出的FFT标准正交基的思想，1938年通过Littlewood-Poley理论正式确立，最初的特征值是这个理论指出的特异值。在小波变换的发展史上，小波基的开发总是处于非常重要的位置。从1910年开始，Haar、Stromberg、meyer、Lemaric、Battle等对小波基的发展起到了重要作用。1988年，天才通过自己的算法统一了上述这些人的小波基构造，提供了信号分解算法和重构算法。这个人是Mallat。本论文使用他提出的Mallt制作的小百奇。之后，出现了基于Daubachies小波基和样条函数的正交小波函数和双正交小波概念。从1989年到1991年，Coifman和Wickerhause等提出了树算法，开拓了Mallat的塔算法，详细区分了整个频域的频率。1995年，Swelden提出了构建第二代小波以使小波结构更灵活的想法。通过比较第一章中描述的各种特征提取方法，使用小波变换提取特征信号。与其他方法相比，小波变换的特征很明显，分布在各种频域中，并且解决方法也很成熟。2.5常见电机故障定子故障：相绕组开路/短路，绕组匝间短路，铁芯绝缘破坏，铁芯松动转子故障：导条断裂，端环断裂，转子不平衡轴承故障：轴承部件损坏轴故障：轴弯曲，轴不对称表1-1是一些故障检测技术的可诊断故障列表表SEQ表\*ARABIC1-1故障检测技术可诊断故障诊断方法绝缘定子绕组转子绕组转子偏心轴承损坏定子电流否是是是是轴磁通否是是是是化学分析否否否否是局部放电是否否否否振动否否是是是2.6电机故障诊断方法研究概况目前的电机故障诊断已经被很多智能设备解决了，但是这些智能诊断器实际上是基于他们的设备，而不是数据库中相对电机训练的诊断网络，真的很贵。每年都会有新的诊断器登场。诊断方法也不断更新，在此详细介绍主流的诊断方法。（1）专家系统专家系统是一种智能程序，模拟和解决专家的推理过程。这是需要专家知识的问题。沈标正[1]设计故障检测模型是典型的专家系统，专家系统一般由数据专家仓库、数据收集、数据处理、推理器构成，增加知识更新数据库添加了故障处理系统，可以根据推理结果恢复故障。专家的系统结构简单，处理快，但专家的仓库不简单。例如，电器故障专家的仓库，故障的特征尽可能相同。为了诊断的精度，必须尽可能增加很多故障的特征，所以制作专家的仓库很难。为了克服专家系统学习能力的不足，结合神经网络和专家系统，利用BP算法提高了系统的学习能力。尹新权[3]结合模糊理论和专家系统，模糊故障特征映射到故障类型，实现诊断故障类型。（2）神经网络神经网络的名称是人类模仿神经网络制作的模型，该模型类似于人类的神经网络，通过与多个神经细胞类似的低水平处理单元和加权的输出系统模拟人类神经网络建立决定规则。神经网络有着自主的学习能力，可以从整体总结一般规则，优化自己决定的规则。但是，神经网络对大数据有着强烈的依赖性。顾文龙[4]使用着BP神经网络。这个网络也在研究现在最广泛使用的神经网络。他通过小波包技术提取特征向量，训练神经网络，最后得出文章最后的可行性结论。王娟[5]虽然使用的是不太常见的RBF神经网络，但他用MCA方法取得了故障特征，用matlab模拟得到了结果，验证了该方法的正确性。门俊荣[6]采集转子信号，使用labview进行光谱分析，训练神经网络验证了转子信号故障诊断的重要性。D.Zhen[7]提出了基于动态时间规则的定子电流信号分析的电机故障诊断的想法。实验证明了这种方法的优越性。B.Liang[8]提出功率谱，将光谱作为逆光谱的高阶光谱分析应用于人工神经网络，扩大了故障诊断的想法。ScriKula[9]建议通过人工神经网络识别三相异步电机故障，三相异步类故障诊断精度非常高。（3）粗糙度集理论在马达诊断过程中，故障的种类、故障的数量、以及环境因素等各种因素的影响不清楚，所以故障的类型和故障的表征不一致。例如，电机三相的不平衡可能是三相短路造成的。这个时候其他的诊断方法难以判断，不过，粗集理论的优越性表现。粗集理论可以不需要特别的处理直接分析数据，从数据中发现故障的特征，建立判断规则。张小春[10]虽然通过小波包组件技术提取出了故障特征，但是由于提取特征中存在很多冗余信息，并且使用粗糙的组理论去除这些冗余信息，制作了决策表，确认了粗糙组理论的作用。但是，这种方法很少用于马达故障。缺点很明显，不能保证正确性和可靠性。要使用这个方法，必须要依赖很多数据。（4）支持向量机支持向量机也是算法，是基于统计学理论提出的。而且，这个方法对于样品的数量非常小，适合样品的问题。另外，也有自我学习能力。这个方法最初是由VANPink等提出的。最初设计的目的是对小样本的非典型映射问题，结构风险非常小。朱伟[12]通过模拟马达的故障信号，建立支持向量机来处理这些小数据，支持马达故障诊断区域中向量机方法的首次应用。这种小样本算法很快就受到关注。李淑英[13]通过MCSA（即定子电流检测法）收集电流信号，使用FFT转换提取故障特征，将支持向量机作为分析方法，验证了支持向量机在实际应用中的优点。但同时也暴露了支持向量机的缺点。那个优化时间很长。赵慧敏[13]利用小波分组分析方法特征提取所收集的振动加速大信号，将得到的能量比向量优化为支持向量机故障诊断模型的输入，提高故障预测的准确性减少了优化时间和优化次数。（5）贝丝网络贝丝网络的灵感来自神经网络，是基于人工智能制作而成的，通过图论分析数据的规律性，通过决定分析制定规则，判断结果。表示基于人工智能的知识库的庞大。这个网络可以分析和处理那些不确定的数据，根据这些不确定的数据制作模型来做出推理决断。MIHABOLTE对直流马达采用双频谱分析的故障检测用贝叶斯网络提高了检测精度，验证了贝叶斯网络的优点，但是贝叶斯网络的应用者很少，很多问题还没有解决。2.7故障特征提取方法研究现状首先要想通过单片机实现电机故障诊断就需要做到故障特征提取，因为单片机不可能做到示波器的功能，不能输出两个波形，也不能做到人那样能够对比两个波形就判断电机故障。单片机只能用01判断结果，这个时候提取准确的故障特征就至关重要了。下面介绍目前常用的几种特征提取方法：（1）傅里叶变换Fourier变换是最早的对信号进行处理的手段，因此发展也是最完善的方法，它来自于法国数学家傅里叶的傅里叶变换，傅里叶变换在信号处理中最大的作用就是将自变量和因变量的关系互倒，因此能更明显的观测信号特征。还可以通过傅里叶基数也就是三角函数将信号转换为基频和谐波分量，可以更有效的方便我们观测信号模式和组成结构。再此基础上还引申出来快速傅里叶变换（FFT），短傅里叶变换（DFT），傅里叶逆变换（IFT），快速傅里叶逆变换（IFFT），等一系列信号处理方法。（2）Heisenberg测不准原理Heisenberg测不准原理是由物理学家Heisenberg提出，它建立在量子力学上，最大的特点就是它准确的描述了信号在分布关系，由于信号具有能量的特性，我们可以认为信号在时域和频域中的分布是有规律可循的，就象粒子的波动性一样。假设信号在时间跨度的标准差，而是在频率带宽的标准差，则测不准关系式为（2-1）（3）小波分析小波分析是由FFT变换而提出来的，最开始是Haar提出规范正交基来进行FFT变换，经过后来人的发展在1938年基于规范正交基的Littlewood-Paley理论大放异彩，人们发现小波分析能够在分组相位FFT变换时，不改变函数的形状和大小。后来经过不断完善形成了今天广泛使用的小波分解。（4）二次时频能量分布时频分布-也是由FFT拓展而来，通过时间和频率作为自变量构造时频函数，构造出的函数模型是3维的，它反应了信号在时间和频域上的能量分布。利用时频分布函数可以计算信号在某个频率的能量，平均频率和局部宽度等，典型例子有：page分布[18]，Wigner-Ville分布，Choi-Williams分布。（5）希尔伯特黄变换希尔伯特黄变换（HHT）由EMD和HSA组成，EMD就是经验模态分解，是由华裔科学家提出的一种信号分解方法，能够将信号分解为若干固有模态函数（IMF）对每一个IMF分量进行希尔伯特变换，得到每一个分量对应的Hilbert谱，汇集每一个分量的Hilbert谱就可合成源信号的Hilbert谱，通常我们在使用时一般会筛选一些虚假IMF分量，合成Hilbert谱时就会得到初步处理的信号处理结果。通过改变筛选IMF分量得到想要得到的Hilbert谱。2.8电机故障诊断仪器研究现状目前很多电机故障诊断仪都是离线测试仪，通过检测电流、部分电阻、绝缘性等得到结果，智能和准确度不够。介绍几个例子。国产铂AL609电机的故障检测器[22]可以检测相角，也就是电机内三相电流的角度。采用倍频测量法。比其他的测量仪器精度更高，但问题是可以检测三相绕组、单相绕组等绕组故障和电容器故障。也可以进行绝缘检查。因此，如果只是检测线圈的绕组和外部的绝缘，电容器的角度问题，这个装置的精度也不坏。价格是3000元左右。另一个国产SMHG-6800系列的电机故障诊断器[23]与上述检测器相似，但由于测定方法不一致，采用时的I/F技术简单来说，线圈的电源频率F发生变化，电流I发生变化。可以用这个方法判断线圈绕组的状况。只需要2000元左右。以下介绍的是2W元的米桑美电机故障诊断器AT-31[24]，该电动机诊断器使用的诊断方法是EMI测试法，也是脱机测试仪，测试时马达必须不带电。将诊断器的测试端子固定在待检查部位，测量仪通电，旋转待检查部位，模拟马达，检测故障。根据方法的限制，无法检测定子的故障，但可以诊断以下马达的故障。卷间或线间短测试；三相平衡转子故障、断条、气隙不均匀、铸件缺陷；对地绝缘测试；DC电机测试；绕组污染等线圈断路器测试；电容测试；上述诊断仪根据电流等条件判断马达故障。根据欧姆定律采集马达运行时各部分电流电阻电压的变化，判断马达故障。这样的缺点是，柔韧性不够，而且如果马达不离线的话就无法检测出来。对于大型马达来说，只有进一步分解才能检测出来。本文通过提取故障特征信号，将各种故障信号的特征收集到专家的库中，提高诊断的准确性。这样采集故障信号，处理故障特征，可以比较专家仓库输出结果。2.9本章小结本章主要讲述了故障诊断的基本理论和发展历史，完善了第一章的叙述内容，并对采用的方法进行详细的介绍，通过对比的方法解释了采用这些方法的原因，还对常见电机故障以及诊断方法的局限性进行了简单的介绍。第三章电机故障诊断仪的总体设计方案3.1总体设计思路本文主要采用的是3轴振动加速度传感器对驱动电机采集振动信号，包括正常运行信号和故障信号，将采集到的信号进行信号处理分析，通过对比正常信号和故障信号，运用FFT变换提取故障特征，建立专家库。以此作为以后的判断基础，就可以测新的电机振动信号，进行信号处理，提取特征，和专家库对比，来判断电机是否处于故障。流程图如图3.1所示。图3.SEQ图\*ARABIC1总体系统流程3.2系统硬件组成硬件上来说该系统包括了数据采集模块，单片机，存储器，和显示输出模块，其中，数据采集模块包括3轴振动加速度传感器和AD转换芯片，显示输出模块主要是一块晶体数码管。具体如图2所示图3.SEQ图\*ARABIC2系统硬件3.3系统工作原理动作原理是指通过传感器获得电动机动作的振动信号，包括未正常动作的和未正常动作的，对各种故障的信号一一进行标记，用宏处理器对这些信号进行噪声去除，提取特征将这些特征和标记一个一个地对应起来输入存储器，诊断故障时用宏处理器抽取测定出的信号特征。与专家仓库中存储的特征相比，输出与该信号特征相同故障特征的标志，即将0、1、2等标志输出到数字管，调查与标志数字对应的故障，可以判断马达故障类型。3.4本章小结在本章中，主要讲述了总体设计方案，工作流程，工作原理并对整个系统进行了可行性分析报告。第四章电机故障诊断系统硬件设计4.1总体方案设计整个系统由振动加速度传感器配套电路，AD转换电路，电源电路，单片机，信号处理电路和数码管输出电路组成。大概的系统工作流程和硬件模块组合在第三章已经详细讲述了。4.2电源电路设计本文采用的是5V供电，因为5V电源能够直接用于51单片机，也可以通过简单的稳压电路转换为3.3V电源输入给传感器供电，图4.1为主控电路也就是51单片机所用电源电路以及复位电路，图4.2为传感器所用的稳压电路。复位电路接在单片机的复位引脚上，可以通过图4.1中的按钮一键复位，防止程序跑飞，而电源电路接在单片机输入端，给单片机供电。图4.SEQ图4.\*ARABIC1主控电路以及单片机所用复位电路和电源电路图4.2传感器所用稳压电源电路4.3传感器配套电路本文采用的配套电路是随传感器附送的官方电路，可靠性值得信赖，由于本文只用到了单轴传感器，就只接了单个轴的输入输出以及电源输入，配合电容初步处理了测量中的信号，提高了传感器的稳定性和灵敏度。电路图如图4.3所示。图4.SEQ图4.\*ARABIC3传感器电路4.4AD转换电路本文采用的芯片工作电压为2.5V-5.7V，工作时功耗非常低，5V供电时功耗为0.7mW,非常适合电池供电式设备，本文最终的设计方案就是由两节5号干电池提高电压，所以可以说这个芯片非常合适。具体引脚电路图如图4.4所示图4.SEQ图4.\*ARABIC4A/D转换电路4.5放大电路和滤波电路选择放大电路的时候有很多选择。（1）输入者倒相式功率放大器电路：该电路的优点是偏压电路简单，输出稳定。缺点是，在实际使用中，电路容易受到多个外部的干扰，电路放大效率降低，所以使用受到限制。（2）采用使转发器为推进电平的电路：该电路的优点是不受磁场干扰，并且由于深度负反馈的存在，该电路的线性失真非常小，但是该电路的缺点是电压增益低，电路设计复杂一般不被采用。（3）互补对称电路：该电路的优点是采用多个放大器，并且采用对称结构，放大系数变高，缺点是各放大器的静态动作点相连，一个故障容易发生故障对温度和电压的变化非常敏感。（4）共模放大电路：共发射电平放大电路和共射电平放大电路也可分开。这样的电路的优点是应用广泛，是基础电路之一，在学习模制电气、数字电气等课程时经常接触。缺点是增益不高，倍率也不高。除此之外还有很多放大电路。最终，与其他电路相比非常简单，所以只能由三极管和几个电阻器构成。在选择低通滤波电路时，也有很多选择，如主动、被动滤波电路、棒式斯洛伐克电路等。最后，考虑到熟悉度和稳定性，本文选择了巴特罗斯洛伐克电路。具体电路图如图4.5所示。图4.5信号处理电路4.6液晶显示电路和开关电路本段电路比较简单，就是将液晶显示器各个引脚接到单片机引脚上，所以也把系统开关电路放在这里，开关电路的作用就是给系统一个信号，使系统开始工作。具体电路如图4.6所示。图4.6液晶显示电路和开关电路4.7本章小结本章具体设计了电机故障诊断电路，详细叙述了各个电路的选择理由以及优缺点。第五章软件程序编写5.1总体概述系统的工作流程就是，接通电源，各引脚初始化，传感器开始工作，采集信号传输到AD转换芯片，经过信号放大电路和滤波电路，输入到单片机中，通过单片机内事先编好的特征提取程序，提取信号特征，和存储器中的专家库里的特征信号一一对比，输出相匹配的特征信号编号，结束程序。具体流程图如图5.1所示图5.SEQ图5.\*ARABIC1软件流程图5.1.1功能要求要求能实现对所测信号的特征提取，和专家库信号的对比输出结果，以及数码管显示5.1.2编程工具Matlab和C++，特征提取是在matlab上做的，因为方便观察波形，而且移植到C++上很方便，通过前期模拟故障信号，提取故障特征建立专家库，后面用C++编写故障特征和专家库之间的对比程序，输出专家库中特征信号的标识，运行数码管显示程序，输出对应的故障数字。5.1.3主要功能模块主要功能模块包括特征提取模块，对比模块和数码管显示模块5.2模块编程介绍5.2.1特征提取模块图5.2为轴承故障的振动波形图5.SEQ图5.\*ARABIC2电机故障振动波形在matlab中用csvread调用该波形，运行程序，用Mallat小波基对波形分解，得到分解后的两个结果如下图5.3和5.4所示图5.SEQ图5.\*ARABIC3小波细节图图5.SEQ图5.\*ARABIC4小波重构图根据小波包变换理论，用一组正交基分解信号时，能量守恒，这就是小波变换的能量守恒定律。用公式表示是（5-1）（5-2)矩阵的特征值就是矩阵的本征值，可以反应矩阵的所有信息，这里给出特征值求解方法，在matlab中可以直接调用eig函数求解矩阵。(1)计算特征多项式(5-3)(2)解特征方程，求出它的全部根，1，2n他们就是E的全部特征值，将这些非零特征值组成一个特征向量x={1，2，n},由矩阵性质可知，此向量为矩阵的唯一特征。该矩阵的特征值可以作为信号的特征，该向量可以作为信号的特征向量，但是由于矩阵的解太多，所以定义K1，I1，J1，得到：K1=max();最大值I1=min()；最小值J1=mean()；平均值用能量矩阵特征值的最大值，最小值，平均值作为信号的特征值去建立专家库。经过计算，轴承故障的信号特征值为K1=288.6，I1=2.3,J1=74.4。也可表示为m1(288.6,2.3,74.4)。模拟不同的故障，重复上述步骤就可以得到各个故障的故障特征值，将这些数值输入单片机的ROM中建立故障专家库。方便后续对比特征值。5.2.2对比程序程序流程如图5.5所示测得的信号特征为m(i,j,k),和故障特征专家库中的故障特征对比，i的值即为故障类型，i=0时代表无故障。图5.SEQ图5.\*ARABIC5对比程序工作流程图程序清单如下int

char_array_cmp(char

*s1,

int

l=（k,i,j）,

char

*s2,

int

l1=(K1=328.4，I1=10.8,J1=144.5),char

*s3,

int

l2=(K2=288.6，I2=2.3,J2=74.4),char

*s4,

int

l3=(K3=445.6，I3=58.4,J3=177.5),char

*s5,

int

l4=(K4=354.8，I4=16.5,J4=152.3),char

*s6,

int

l5=(K5==253.7，I5=14.4,J5=85.5)){

int

i;

for(i

=

0;

i

<

4;

i

++,j=2,j<6;j++)

if(s1[i]

=

sj[i])

;Intj;

else

if(s1[i]

=

sj+1[i])

Intj+1;

//运行到这里，表示所有已判断元素均相等。只需要对比k1和k3的值就可以判断出电机故障类型，输出电机故障类型编号。5.2.3液晶显示器显示程序程序清单如下，voidmain(void){Inti=j;UnsignedcharcodeTab[10]={0xc0,0xf9,0xa4,0xb0,0x99,0x92,0x82,0xf8,0x80,0x90};P2=0x7f;{P0=Tab[i];}从对比的结果得到的数值在液晶屏中显示5.3本章小结本章主要介绍了提取故障信号特征的具体方法，还介绍了故障特征专家库的建立方式，并介绍了对比程序的流程。第六章信号特征提取的实验研究6.1实验方案模拟电机故障，将示波器接到传感器上，从示波器得到故障信号的波形和数据，保存下来，用matlab进行分析并提取特征.6.1.1实验设备所有实验设备以及试验台图6.SEQ图6.\*ARABIC1实验设备驱动电机一台图6.2实验用驱动电机表6-1是它的型号参数表6-SEQ表6-\*ARABIC1实验电机所用参数型号额定电压额定功率额定转速额定扭矩重量57BL-A24VDC100W3000Rpm0.4N.m1.3Kg直流稳压电源，用来给驱动电机供电，本课题使用的驱动电机额定功率为24V，直流稳压电源和电机驱动器相接。图6.SEQ图6.\*ARABIC3直流稳压电源恒流适配器，适配器输入端连接的是传感器的输出线，输出端连接的是示波器。图6.SEQ图6.\*ARABIC4恒流适配器电机驱动器，顾名思义就是电机的驱动器，上面两根线连接的直流稳压电源，中间的线接到PC的USB接口，通过PC端的上位机软件控制电机转速，上位机还提供电机转速状态监测的功能。图6.SEQ图6.\*ARABIC5电机驱动器示波器，传感器接收到的信号经过恒流适配器输入到示波器中，直接输出波形，通过对示波器的操作可以准确观察到波形的变化，左下角提供了USB接口，可以将波形和数据保存到U盘中。图6.SEQ图6.\*ARABIC6示波器3轴振动加速度传感器，该传感器比较贵重，由于本课题只用到一轴的振动加速度信号就足够，所以其他没有用到的都还用橡胶冒盖住，以免影响传感器灵敏度。传感器传感器图6.SEQ图6.\*ARABIC7轴加速度传感器6.1.2实验目的搭配测量电路，获得电机振动信号波形数据，用matlab分析波形，获得特征值，证实提取特征方法的有效性，准确性和可靠性。为建立特征库打下基础。6.2实验步骤首先连接好各个器件，启动直流稳压电源，电机驱动器正常运行，用PC端的上位机软件控制电机转速，先设定目标转速在400R/s,电机正常运行，示波器接收到来自固定在电机外壳上的传感器信号，出现波形，调整示波器显示范围，使波形特征能够明显表现在示波器上，按下示波器的STOP按钮，固定示波器波形，插上U盘，保存此时的波形和数据。重复上述步骤，再次获得第二次的正常运行波形，保存下来用matlab分析，反复这个步骤测得10个波形，计算准确率。6.3实验结果通过上述步骤，得到电机第一次正常运行波形图如图6.8图6.SEQ图6.\*ARABIC8电机正常运行波形6.4结果分析运行matlab程序进行小波变换得到分解后的波形如下图图6.SEQ图6.\*ARABIC9小波细节图图6.SEQ图6.\*ARABIC10小波重构图建立小波能量矩阵。函数sizcoef返回的信息：lf=16[o2sa,f1sa,rsx]=运用matlab中的eig函数求解矩阵，程序为>>formatrat

>>A=E=eig(A)输出结果为(328.4，10.8,144.5)。再重复上述步骤10次，得到10次测得波形的特征值如6-2，表6-SEQ表6-\*ARABIC2特征值列表次数最大值最小值平均值1328.410.8144.52328.45.6153.93317.210.8166.74328.410.8144.55328.410.8144.56317.210.8152.87328.410.8144.58328.410.8144.59328.410.8144.510328.412.5144.5由表得出，特征提取后判断故障的准确率为60%，并不算高，这是因为小波分解时可能损失了一部分信号特征，也有能量矩阵求解或建立时的误差，还因为3个值完全符合的条件确实很苛刻，可以考虑利用三个特征值的权重建立一个决策程序，只要置信概率大于95%就可以认为两个波形特征值相同。但是由于时间精力能力有限，这里就不添加了。6.5本章小结本章主要介绍了实验设备，实验方法，实验目的，通过传感器采集电机工作时的振动信号，用matlab小波分解信号，构建能量矩阵，求解矩阵，获取信号特征值。验证了这个方法的正确性，可靠性。第七章结论和展望7.1课题实践总结本论文在分析了国内外驱动马达故障诊断相关研究进展的基础上，以实验电机为对象，提取了matlab软件中4种不同马达故障特征和马达正常运行时的信号特征。初步建立了专家数据库，将程序移植到宏处理器，设计了比较和数字管显示程序。确定了使用AD芯片等硬件，并通过AD软件完成了硬件电路图的绘制。将马达的故障诊断微化，简单化是非常重要的意义。7.2主要工作总结（1）完成了包括测量方式、信号处理方式、对比度输出方式在内的整个系统的设计。AD芯片、传感器、单芯片、电路类型的选择已确定。（2）信号波形的处理和特征值提取处理通过matlab从示波器获得的波形，并且通过基于malla小波的小波来分解信号波形。利用小波分解能量守恒定律，建立小波各区间的能量矩阵，利用matlab的eig函数来求解能量矩阵的特征向量，分别获得特征向量的最大值、最小值和平均值作为特征值输出。（3）制作C++程序，将3个特征值作为一组输入专家库制作，比较输入值和专家库的各排列是否相等，输出匹配的数组代码，输出代码通过数字管显示程序在数字管上显示数字，查看数字和故障类型的对应表，得到故障类型。（4）构筑实物电路，使用现有的实验马达、传感器等，与实验室提供的示波器组合，测量电动机信号，检查特征提取程序的正确性，反复两次，对比，确保正确性。7.3展望由于时间和个人能力的限制，正文没有焊接实物电路板，只画模拟电路图，在完成课题过程中又出现了一些遗憾，没有补充，十分可惜。（1）在本课题中，研究单一故障发生时的信号的特征，由于同时发生多个故障，所以特征信号非常复杂，单一传感器信号的记述容易产生偏差，所以本系统仅对产生了单故障的驱动电动机使用。（2）本课题中讨论的故障特征专家库由于时间和条件的限制，只能模拟4个故障，所以专家库只有4个特征值，包含正常的波形特征只有5个在本课题中讨论的系统只能诊断出这4个故障，对于其他故障可以识别是否有故障，无法判断类别。（3）本课题设计的系统精度不太高。为了比较三个特征值，没有区别三个特征值的权重。这三个特征值分别是特征向量的最大值、最小值、和平平均值。因为他们诊断结果的重量不同，正确率只有60%左右。如果进一步研究的话，可以从以下几个方面进行改善。（1）要判断同时发生多个故障时的各故障的种类，必须有多个传感器，对信号进行分解，判断各信号的谐波分量可能发生的故障的种类，基于这些成分的可靠性作为判断数据的可靠性分配法则的依据，最好制作神经网络，进行判断故障种类的训练。数据多且正确的话，可以提高判断的正确性和可靠性。（2）扩展专家库的方法有很多。首先，从网络中查找资料，从制造商那里获取电机参数，构建神经网络，分解未被识别的故障信号，分解特征信号，人工检查异常波形等特征值，将该故障添加到专家的程序库中。更简单的是，利用模糊规则构建特征信号和故障特征的模糊映射，这样添加故障特征更快捷和便利。（3）关于特征值权重的问题，这里不多，最大值、最小值、平均值与特征信号的特性评价比必然不一致。然后，需要先计算特征值的约3个权重，再创建C++的对比度程序，比较各个特征信号的3个特征值。这样单一的特征值不一致的结果对结果的影响会减少，必然会提高本系统的判定精度。当然，也可以直接构建神经网络，通过大量的数据训练神经网络来提高精度。PAGE39参考文献[1]沈标正，马竹梧.直流电机故障诊断专家系统[J].人工智能技术应用，2003(1):16一19.[2]孙振环，朱文.基于神经网络专家系统的电机故障诊断研究[D].天津科技大学，2002.[3]尹新权，王珺，张亚萍.基于模糊理论的柴油机故障诊断专家系统[J].工业仪表与自动化装置，2015(1):111一113.[4]顾文龙，胡业林，郑晓亮.基于小波包神经网络的电机故障诊断分析与研究[J].煤矿机械，2011,32(09):263一265.[5]王娟，曹建云，钟永彦.基于RBF神经网络的电机故障诊断的研究[J].系统仿真技术，2009,05(01):40一43.[6]门俊荣，阂勇，郭西进.基于Elman网络LM算法的异步电机故障诊断[J],煤矿机械，2012,33(08):253一255.[7]张晓春，许允之，苗壮，等基于粗糙集理论的异步电机故障诊断研究[J],煤矿机械，2014,35(03):249一252.[8]朱伟，李东辰，门琪娇，等基于支持向量机的电机故障预测研究[J],煤矿机械,2011,32(03):253一254.[9]李淑英，田慕琴，薛磊.基于支持向量机的矿用电机故障诊断[J],煤矿安全，2013,44(6):104一106.[10]赵慧敏,房才华,邓武,聂冰.基于智能优化方法的SVM电机故障诊断模型研究[J].大连交通大学学报,2016,36(1):92-96.[11]陈理渊.多传感器数据融合以及在电机故障中的应用研究[D].浙江大学:电气工程学院,2005.[12]D.Zhen,,T.Wang,F.Gu,A.D.BallFaultdiagnosisofmotordrivesusingstatorcurrentsignalanalysisbasedondynamictimewa