電動機故障診斷技術的研究摘要當前電動機在各行各業的應用十分的普遍，在應用的過程中也會出現一系列的故障問題。因此本文研究內容就是電機故障診斷檢測，通過分析電機的狀態判斷電機故障，在故障萌芽期就將故障修復，提高安全和效率。具體工作如下：(1)對故障診斷系統進行了總體設計，使系統能夠準確測得電機運行時的振動信號，此外，完成了傳感器的選擇，單片機，AD芯片型號的選擇；(2)模擬了各種電機故障，提取故障信號特征，建立了比較完善的專家庫；(3)基于Matlab設計了信號特征提取程序，并移植到單片機上，用C++編寫了比較程序和數碼管顯示程序實驗結果表明，本課題設計的電機故障檢測系統不僅具有較高的自動化水平，還具有較高的準確率和檢測速度，因此，本課題設計的電機故障檢測系統對系統安全有很大的意義。關鍵詞：驅動電機；故障檢測；Matlab；單片機；信號特征提取目錄第一章緒論 第一章緒論1.1課題研究背景和意義驅動電機作為各種機械設備的的動力來源，在機械設備的整個工作過程中具有重要的作用。該機構一旦出現問題，將會造成巨大的經濟損失，甚至人身安全事故，因此，開展驅動電機故障診斷具有重要的意義。1.2本文主要研究內容和框架主要研究內容：本文將使用3軸振動加速度傳感器采取電機振動信號，當電機出現故障時，電機振動波形也會發生變化，波形變化和故障類型相關，針對采取的特征信號，進行快速傅里葉變換，提取故障特征。通過使用matlab平臺對信號分解提取故障特征，移植程序到51單片機中，將故障特征輸入專家庫中，用C++編寫對比程序，實現電機故障診斷。內容框架：第一章主要大概論述了課題研究意義，診斷方法分類，提取故障特征方法分類，以及實物儀器研究現狀。第二章主要介紹本課題所使用的技術發展以及采用方法的優勢，介紹了小波變換的優點和重點。第三章主要介紹的是本課題的主要設計思路，比如電路各模塊的設計，傳感器等設備的型號選擇，并對設計方案進行成本預算等可行性分析。第四章介紹的是電路圖的設計，主要介紹各部分電路的設計，以及芯片選擇的理由，還大概介紹了整個系統的大致工作流程和硬件模塊。第五章介紹的是軟件程序的流程圖，還介紹了各個模塊的功能，以及編程工具和編程目的，用實例展示了matlab分解信號波形的過程，簡單介紹了特征提取程序的運行流程，也對比較程序和數碼管顯示程序做了簡單的介紹。第六章通過實際實驗檢驗了第五章設計的matlab特征提取程序的準確率，并仔細介紹了實驗設備，實驗步驟，實驗目的，確保整個過程是科學可靠的。第七章回顧整文，整理了一些在實際設計中未能完成的設計，還有一些未能修復的系統缺陷，并展望了如果繼續完善設計的修改方向。1.3本章小結本章內容主要敘述了課題來源，電機故障診斷主要方法研究的國內外現狀，以及具體的故障特征提取的幾種常見方法的研究現狀，還有國內外電機故障診斷儀器的具體開發進度。體現了本課題開發的意義。并對接下來的幾章進行了規劃。第二章故障檢測以及特征提取基本理論2.1故障檢測基本理論原理是將設備故障檢測技術簡稱為CDT，存儲設備運行時產生的信號，通過在線分析來判斷設備狀態。用智能的方法分析有無故障，分析故障信號判斷故障種類，通過數據庫中對應的處理措施解決問題。2.2故障檢測發展歷史故障檢查技術大致分為三個時期。事后診斷、預防診斷、狀態診斷。在初期第一次產業革命時期，設備結構簡單，設備故障檢查都是設備損壞后，一般只要更換幾個零件就可以解決問題。隨著工業的進步，設備的結構越來越復雜，對設備性能的影響也越來越大。一旦故障造成的損失無法估量，在數學家的努力下，根據概率統計方法，定期檢查設備運行狀態是最好的解決辦法。由于提高了電腦性能的效果，設備的故障診斷進入了下一個階段，通過電腦等設備監視設備的運行狀態，發生異常狀態后立即通報，大大降低了事故的可能性。現在經常使用的馬達故障診斷技術如下。（1）局部放電法：電機定子的大部分故障表征作為局部放電的激化來體現，通過檢測定子附近的電流的大小和頻率，能夠檢測定子的很多故障。（2）定子電流監視法（MCIA）：現在使用非常廣泛的方法，通過監視定子電流的頻率，可以判斷軸承故障、定子繞組、轉子繞組等故障。（3）振動監視法（VD）：電機發生故障時，馬達的動作會產生很多異常振動信號，通過傳感器收集這些信號，通過分離其他信號來判斷電機故障，有缺點時無法判斷馬達絕緣故障和定子繞組故障。（4）磁通監視法（FD）：通過檢測經由電機線圈的磁通量的變化來分析電機的故障，但通常檢測到的是軸向泄漏磁。該方法可以檢測軸承的故障、定子繞組、轉子繞組、外部絕緣等故障。缺點是正確性和容易被妨礙的問題。（5）絕緣檢測法（ID）：如名稱所示，可通過各種絕緣檢查方法檢測馬達的絕緣結構，并采用對應性強的方法，僅診斷電機的絕緣結構的絕緣故障。（6）溫度檢測法（TD）：使用紅外線溫度測量等各種溫度檢測方法來診斷電機。這是因為溫度和故障類型的映射關系不明確，所以現在的精度非常令人擔心，但是其優點是不接觸，需求不高。如上所述，在本文中，采用了3軸加速度測量電動機的動作時的振動信號，與其他方法相比，振動信號的檢測容易，振動波形能夠明確反應電動機的動作狀態，非常適合本文中構建的系統。2.3特征提煉的基本理論每個信號都有特征信息，信號特征提取可以提取這些特征信息，計算機可以明確區分各個信號。由于計算機不能像人的肉眼那樣區分各種波形，所以特征提取可以將圖像和波形等轉換成數據，通過計算機識別并區分。2.4基于小波變換特征的提取研究進展1807年，法國數學家傅立葉提出了一個函數，該函數可以通過傅立葉變化轉換成一系列正弦波，然后打開了特征提取的門。近200年來的特征提取方法在FFT的基礎上得到了改善。FFT引起的小波變化是非常出色的。下面將詳細描述小波變換的發展過程。小波變換的概念來源于Haar在1910年提出的FFT標準正交基的思想，1938年通過Littlewood-Poley理論正式確立，最初的特征值是這個理論指出的特異值。在小波變換的發展史上，小波基的開發總是處于非常重要的位置。從1910年開始，Haar、Stromberg、meyer、Lemaric、Battle等對小波基的發展起到了重要作用。1988年，天才通過自己的算法統一了上述這些人的小波基構造，提供了信號分解算法和重構算法。這個人是Mallat。本論文使用他提出的Mallt制作的小百奇。之后，出現了基于Daubachies小波基和樣條函數的正交小波函數和雙正交小波概念。從1989年到1991年，Coifman和Wickerhause等提出了樹算法，開拓了Mallat的塔算法，詳細區分了整個頻域的頻率。1995年，Swelden提出了構建第二代小波以使小波結構更靈活的想法。通過比較第一章中描述的各種特征提取方法，使用小波變換提取特征信號。與其他方法相比，小波變換的特征很明顯，分布在各種頻域中，并且解決方法也很成熟。2.5常見電機故障定子故障：相繞組開路/短路，繞組匝間短路，鐵芯絕緣破壞，鐵芯松動轉子故障：導條斷裂，端環斷裂，轉子不平衡軸承故障：軸承部件損壞軸故障：軸彎曲，軸不對稱表1-1是一些故障檢測技術的可診斷故障列表表SEQ表\*ARABIC1-1故障檢測技術可診斷故障診斷方法絕緣定子繞組轉子繞組轉子偏心軸承損壞定子電流否是是是是軸磁通否是是是是化學分析否否否否是局部放電是否否否否振動否否是是是2.6電機故障診斷方法研究概況目前的電機故障診斷已經被很多智能設備解決了，但是這些智能診斷器實際上是基于他們的設備，而不是數據庫中相對電機訓練的診斷網絡，真的很貴。每年都會有新的診斷器登場。診斷方法也不斷更新，在此詳細介紹主流的診斷方法。（1）專家系統專家系統是一種智能程序，模擬和解決專家的推理過程。這是需要專家知識的問題。沈標正[1]設計故障檢測模型是典型的專家系統，專家系統一般由數據專家倉庫、數據收集、數據處理、推理器構成，增加知識更新數據庫添加了故障處理系統，可以根據推理結果恢復故障。專家的系統結構簡單，處理快，但專家的倉庫不簡單。例如，電器故障專家的倉庫，故障的特征盡可能相同。為了診斷的精度，必須盡可能增加很多故障的特征，所以制作專家的倉庫很難。為了克服專家系統學習能力的不足，結合神經網絡和專家系統，利用BP算法提高了系統的學習能力。尹新權[3]結合模糊理論和專家系統，模糊故障特征映射到故障類型，實現診斷故障類型。（2）神經網絡神經網絡的名稱是人類模仿神經網絡制作的模型，該模型類似于人類的神經網絡，通過與多個神經細胞類似的低水平處理單元和加權的輸出系統模擬人類神經網絡建立決定規則。神經網絡有著自主的學習能力，可以從整體總結一般規則，優化自己決定的規則。但是，神經網絡對大數據有著強烈的依賴性。顧文龍[4]使用著BP神經網絡。這個網絡也在研究現在最廣泛使用的神經網絡。他通過小波包技術提取特征向量，訓練神經網絡，最后得出文章最后的可行性結論。王娟[5]雖然使用的是不太常見的RBF神經網絡，但他用MCA方法取得了故障特征，用matlab模擬得到了結果，驗證了該方法的正確性。門俊榮[6]采集轉子信號，使用labview進行光譜分析，訓練神經網絡驗證了轉子信號故障診斷的重要性。D.Zhen[7]提出了基于動態時間規則的定子電流信號分析的電機故障診斷的想法。實驗證明了這種方法的優越性。B.Liang[8]提出功率譜，將光譜作為逆光譜的高階光譜分析應用于人工神經網絡，擴大了故障診斷的想法。ScriKula[9]建議通過人工神經網絡識別三相異步電機故障，三相異步類故障診斷精度非常高。（3）粗糙度集理論在馬達診斷過程中，故障的種類、故障的數量、以及環境因素等各種因素的影響不清楚，所以故障的類型和故障的表征不一致。例如，電機三相的不平衡可能是三相短路造成的。這個時候其他的診斷方法難以判斷，不過，粗集理論的優越性表現。粗集理論可以不需要特別的處理直接分析數據，從數據中發現故障的特征，建立判斷規則。張小春[10]雖然通過小波包組件技術提取出了故障特征，但是由于提取特征中存在很多冗余信息，并且使用粗糙的組理論去除這些冗余信息，制作了決策表，確認了粗糙組理論的作用。但是，這種方法很少用于馬達故障。缺點很明顯，不能保證正確性和可靠性。要使用這個方法，必須要依賴很多數據。（4）支持向量機支持向量機也是算法，是基于統計學理論提出的。而且，這個方法對于樣品的數量非常小，適合樣品的問題。另外，也有自我學習能力。這個方法最初是由VANPink等提出的。最初設計的目的是對小樣本的非典型映射問題，結構風險非常小。朱偉[12]通過模擬馬達的故障信號，建立支持向量機來處理這些小數據，支持馬達故障診斷區域中向量機方法的首次應用。這種小樣本算法很快就受到關注。李淑英[13]通過MCSA（即定子電流檢測法）收集電流信號，使用FFT轉換提取故障特征，將支持向量機作為分析方法，驗證了支持向量機在實際應用中的優點。但同時也暴露了支持向量機的缺點。那個優化時間很長。趙慧敏[13]利用小波分組分析方法特征提取所收集的振動加速大信號，將得到的能量比向量優化為支持向量機故障診斷模型的輸入，提高故障預測的準確性減少了優化時間和優化次數。（5）貝絲網絡貝絲網絡的靈感來自神經網絡，是基于人工智能制作而成的，通過圖論分析數據的規律性，通過決定分析制定規則，判斷結果。表示基于人工智能的知識庫的龐大。這個網絡可以分析和處理那些不確定的數據，根據這些不確定的數據制作模型來做出推理決斷。MIHABOLTE對直流馬達采用雙頻譜分析的故障檢測用貝葉斯網絡提高了檢測精度，驗證了貝葉斯網絡的優點，但是貝葉斯網絡的應用者很少，很多問題還沒有解決。2.7故障特征提取方法研究現狀首先要想通過單片機實現電機故障診斷就需要做到故障特征提取，因為單片機不可能做到示波器的功能，不能輸出兩個波形，也不能做到人那樣能夠對比兩個波形就判斷電機故障。單片機只能用01判斷結果，這個時候提取準確的故障特征就至關重要了。下面介紹目前常用的幾種特征提取方法：（1）傅里葉變換Fourier變換是最早的對信號進行處理的手段，因此發展也是最完善的方法，它來自于法國數學家傅里葉的傅里葉變換，傅里葉變換在信號處理中最大的作用就是將自變量和因變量的關系互倒，因此能更明顯的觀測信號特征。還可以通過傅里葉基數也就是三角函數將信號轉換為基頻和諧波分量，可以更有效的方便我們觀測信號模式和組成結構。再此基礎上還引申出來快速傅里葉變換（FFT），短傅里葉變換（DFT），傅里葉逆變換（IFT），快速傅里葉逆變換（IFFT），等一系列信號處理方法。（2）Heisenberg測不準原理Heisenberg測不準原理是由物理學家Heisenberg提出，它建立在量子力學上，最大的特點就是它準確的描述了信號在分布關系，由于信號具有能量的特性，我們可以認為信號在時域和頻域中的分布是有規律可循的，就象粒子的波動性一樣。假設信號在時間跨度的標準差，而是在頻率帶寬的標準差，則測不準關系式為（2-1）（3）小波分析小波分析是由FFT變換而提出來的，最開始是Haar提出規范正交基來進行FFT變換，經過后來人的發展在1938年基于規范正交基的Littlewood-Paley理論大放異彩，人們發現小波分析能夠在分組相位FFT變換時，不改變函數的形狀和大小。后來經過不斷完善形成了今天廣泛使用的小波分解。（4）二次時頻能量分布時頻分布-也是由FFT拓展而來，通過時間和頻率作為自變量構造時頻函數，構造出的函數模型是3維的，它反應了信號在時間和頻域上的能量分布。利用時頻分布函數可以計算信號在某個頻率的能量，平均頻率和局部寬度等，典型例子有：page分布[18]，Wigner-Ville分布，Choi-Williams分布。（5）希爾伯特黃變換希爾伯特黃變換（HHT）由EMD和HSA組成，EMD就是經驗模態分解，是由華裔科學家提出的一種信號分解方法，能夠將信號分解為若干固有模態函數（IMF）對每一個IMF分量進行希爾伯特變換，得到每一個分量對應的Hilbert譜，匯集每一個分量的Hilbert譜就可合成源信號的Hilbert譜，通常我們在使用時一般會篩選一些虛假IMF分量，合成Hilbert譜時就會得到初步處理的信號處理結果。通過改變篩選IMF分量得到想要得到的Hilbert譜。2.8電機故障診斷儀器研究現狀目前很多電機故障診斷儀都是離線測試儀，通過檢測電流、部分電阻、絕緣性等得到結果，智能和準確度不夠。介紹幾個例子。國產鉑AL609電機的故障檢測器[22]可以檢測相角，也就是電機內三相電流的角度。采用倍頻測量法。比其他的測量儀器精度更高，但問題是可以檢測三相繞組、單相繞組等繞組故障和電容器故障。也可以進行絕緣檢查。因此，如果只是檢測線圈的繞組和外部的絕緣，電容器的角度問題，這個裝置的精度也不壞。價格是3000元左右。另一個國產SMHG-6800系列的電機故障診斷器[23]與上述檢測器相似，但由于測定方法不一致，采用時的I/F技術簡單來說，線圈的電源頻率F發生變化，電流I發生變化。可以用這個方法判斷線圈繞組的狀況。只需要2000元左右。以下介紹的是2W元的米桑美電機故障診斷器AT-31[24]，該電動機診斷器使用的診斷方法是EMI測試法，也是脫機測試儀，測試時馬達必須不帶電。將診斷器的測試端子固定在待檢查部位，測量儀通電，旋轉待檢查部位，模擬馬達，檢測故障。根據方法的限制，無法檢測定子的故障，但可以診斷以下馬達的故障。卷間或線間短測試；三相平衡轉子故障、斷條、氣隙不均勻、鑄件缺陷；對地絕緣測試；DC電機測試；繞組污染等線圈斷路器測試；電容測試；上述診斷儀根據電流等條件判斷馬達故障。根據歐姆定律采集馬達運行時各部分電流電阻電壓的變化，判斷馬達故障。這樣的缺點是，柔韌性不夠，而且如果馬達不離線的話就無法檢測出來。對于大型馬達來說，只有進一步分解才能檢測出來。本文通過提取故障特征信號，將各種故障信號的特征收集到專家的庫中，提高診斷的準確性。這樣采集故障信號，處理故障特征，可以比較專家倉庫輸出結果。2.9本章小結本章主要講述了故障診斷的基本理論和發展歷史，完善了第一章的敘述內容，并對采用的方法進行詳細的介紹，通過對比的方法解釋了采用這些方法的原因，還對常見電機故障以及診斷方法的局限性進行了簡單的介紹。第三章電機故障診斷儀的總體設計方案3.1總體設計思路本文主要采用的是3軸振動加速度傳感器對驅動電機采集振動信號，包括正常運行信號和故障信號，將采集到的信號進行信號處理分析，通過對比正常信號和故障信號，運用FFT變換提取故障特征，建立專家庫。以此作為以后的判斷基礎，就可以測新的電機振動信號，進行信號處理，提取特征，和專家庫對比，來判斷電機是否處于故障。流程圖如圖3.1所示。圖3.SEQ圖\*ARABIC1總體系統流程3.2系統硬件組成硬件上來說該系統包括了數據采集模塊，單片機，存儲器，和顯示輸出模塊，其中，數據采集模塊包括3軸振動加速度傳感器和AD轉換芯片，顯示輸出模塊主要是一塊晶體數碼管。具體如圖2所示圖3.SEQ圖\*ARABIC2系統硬件3.3系統工作原理動作原理是指通過傳感器獲得電動機動作的振動信號，包括未正常動作的和未正常動作的，對各種故障的信號一一進行標記，用宏處理器對這些信號進行噪聲去除，提取特征將這些特征和標記一個一個地對應起來輸入存儲器，診斷故障時用宏處理器抽取測定出的信號特征。與專家倉庫中存儲的特征相比，輸出與該信號特征相同故障特征的標志，即將0、1、2等標志輸出到數字管，調查與標志數字對應的故障，可以判斷馬達故障類型。3.4本章小結在本章中，主要講述了總體設計方案，工作流程，工作原理并對整個系統進行了可行性分析報告。第四章電機故障診斷系統硬件設計4.1總體方案設計整個系統由振動加速度傳感器配套電路，AD轉換電路，電源電路，單片機，信號處理電路和數碼管輸出電路組成。大概的系統工作流程和硬件模塊組合在第三章已經詳細講述了。4.2電源電路設計本文采用的是5V供電，因為5V電源能夠直接用于51單片機，也可以通過簡單的穩壓電路轉換為3.3V電源輸入給傳感器供電，圖4.1為主控電路也就是51單片機所用電源電路以及復位電路，圖4.2為傳感器所用的穩壓電路。復位電路接在單片機的復位引腳上，可以通過圖4.1中的按鈕一鍵復位，防止程序跑飛，而電源電路接在單片機輸入端，給單片機供電。圖4.SEQ圖4.\*ARABIC1主控電路以及單片機所用復位電路和電源電路圖4.2傳感器所用穩壓電源電路4.3傳感器配套電路本文采用的配套電路是隨傳感器附送的官方電路，可靠性值得信賴，由于本文只用到了單軸傳感器，就只接了單個軸的輸入輸出以及電源輸入，配合電容初步處理了測量中的信號，提高了傳感器的穩定性和靈敏度。電路圖如圖4.3所示。圖4.SEQ圖4.\*ARABIC3傳感器電路4.4AD轉換電路本文采用的芯片工作電壓為2.5V-5.7V，工作時功耗非常低，5V供電時功耗為0.7mW,非常適合電池供電式設備，本文最終的設計方案就是由兩節5號干電池提高電壓，所以可以說這個芯片非常合適。具體引腳電路圖如圖4.4所示圖4.SEQ圖4.\*ARABIC4A/D轉換電路4.5放大電路和濾波電路選擇放大電路的時候有很多選擇。（1）輸入者倒相式功率放大器電路：該電路的優點是偏壓電路簡單，輸出穩定。缺點是，在實際使用中，電路容易受到多個外部的干擾，電路放大效率降低，所以使用受到限制。（2）采用使轉發器為推進電平的電路：該電路的優點是不受磁場干擾，并且由于深度負反饋的存在，該電路的線性失真非常小，但是該電路的缺點是電壓增益低，電路設計復雜一般不被采用。（3）互補對稱電路：該電路的優點是采用多個放大器，并且采用對稱結構，放大系數變高，缺點是各放大器的靜態動作點相連，一個故障容易發生故障對溫度和電壓的變化非常敏感。（4）共模放大電路：共發射電平放大電路和共射電平放大電路也可分開。這樣的電路的優點是應用廣泛，是基礎電路之一，在學習模制電氣、數字電氣等課程時經常接觸。缺點是增益不高，倍率也不高。除此之外還有很多放大電路。最終，與其他電路相比非常簡單，所以只能由三極管和幾個電阻器構成。在選擇低通濾波電路時，也有很多選擇，如主動、被動濾波電路、棒式斯洛伐克電路等。最后，考慮到熟悉度和穩定性，本文選擇了巴特羅斯洛伐克電路。具體電路圖如圖4.5所示。圖4.5信號處理電路4.6液晶顯示電路和開關電路本段電路比較簡單，就是將液晶顯示器各個引腳接到單片機引腳上，所以也把系統開關電路放在這里，開關電路的作用就是給系統一個信號，使系統開始工作。具體電路如圖4.6所示。圖4.6液晶顯示電路和開關電路4.7本章小結本章具體設計了電機故障診斷電路，詳細敘述了各個電路的選擇理由以及優缺點。第五章軟件程序編寫5.1總體概述系統的工作流程就是，接通電源，各引腳初始化，傳感器開始工作，采集信號傳輸到AD轉換芯片，經過信號放大電路和濾波電路，輸入到單片機中，通過單片機內事先編好的特征提取程序，提取信號特征，和存儲器中的專家庫里的特征信號一一對比，輸出相匹配的特征信號編號，結束程序。具體流程圖如圖5.1所示圖5.SEQ圖5.\*ARABIC1軟件流程圖5.1.1功能要求要求能實現對所測信號的特征提取，和專家庫信號的對比輸出結果，以及數碼管顯示5.1.2編程工具Matlab和C++，特征提取是在matlab上做的，因為方便觀察波形，而且移植到C++上很方便，通過前期模擬故障信號，提取故障特征建立專家庫，后面用C++編寫故障特征和專家庫之間的對比程序，輸出專家庫中特征信號的標識，運行數碼管顯示程序，輸出對應的故障數字。5.1.3主要功能模塊主要功能模塊包括特征提取模塊，對比模塊和數碼管顯示模塊5.2模塊編程介紹5.2.1特征提取模塊圖5.2為軸承故障的振動波形圖5.SEQ圖5.\*ARABIC2電機故障振動波形在matlab中用csvread調用該波形，運行程序，用Mallat小波基對波形分解，得到分解后的兩個結果如下圖5.3和5.4所示圖5.SEQ圖5.\*ARABIC3小波細節圖圖5.SEQ圖5.\*ARABIC4小波重構圖根據小波包變換理論，用一組正交基分解信號時，能量守恒，這就是小波變換的能量守恒定律。用公式表示是（5-1）（5-2)矩陣的特征值就是矩陣的本征值，可以反應矩陣的所有信息，這里給出特征值求解方法，在matlab中可以直接調用eig函數求解矩陣。(1)計算特征多項式(5-3)(2)解特征方程，求出它的全部根，1，2n他們就是E的全部特征值，將這些非零特征值組成一個特征向量x={1，2，n},由矩陣性質可知，此向量為矩陣的唯一特征。該矩陣的特征值可以作為信號的特征，該向量可以作為信號的特征向量，但是由于矩陣的解太多，所以定義K1，I1，J1，得到：K1=max();最大值I1=min()；最小值J1=mean()；平均值用能量矩陣特征值的最大值，最小值，平均值作為信號的特征值去建立專家庫。經過計算，軸承故障的信號特征值為K1=288.6，I1=2.3,J1=74.4。也可表示為m1(288.6,2.3,74.4)。模擬不同的故障，重復上述步驟就可以得到各個故障的故障特征值，將這些數值輸入單片機的ROM中建立故障專家庫。方便后續對比特征值。5.2.2對比程序程序流程如圖5.5所示測得的信號特征為m(i,j,k),和故障特征專家庫中的故障特征對比，i的值即為故障類型，i=0時代表無故障。圖5.SEQ圖5.\*ARABIC5對比程序工作流程圖程序清單如下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;

//運行到這里，表示所有已判斷元素均相等。只需要對比k1和k3的值就可以判斷出電機故障類型，輸出電機故障類型編號。5.2.3液晶顯示器顯示程序程序清單如下，voidmain(void){Inti=j;UnsignedcharcodeTab[10]={0xc0,0xf9,0xa4,0xb0,0x99,0x92,0x82,0xf8,0x80,0x90};P2=0x7f;{P0=Tab[i];}從對比的結果得到的數值在液晶屏中顯示5.3本章小結本章主要介紹了提取故障信號特征的具體方法，還介紹了故障特征專家庫的建立方式，并介紹了對比程序的流程。第六章信號特征提取的實驗研究6.1實驗方案模擬電機故障，將示波器接到傳感器上，從示波器得到故障信號的波形和數據，保存下來，用matlab進行分析并提取特征.6.1.1實驗設備所有實驗設備以及試驗臺圖6.SEQ圖6.\*ARABIC1實驗設備驅動電機一臺圖6.2實驗用驅動電機表6-1是它的型號參數表6-SEQ表6-\*ARABIC1實驗電機所用參數型號額定電壓額定功率額定轉速額定扭矩重量57BL-A24VDC100W3000Rpm0.4N.m1.3Kg直流穩壓電源，用來給驅動電機供電，本課題使用的驅動電機額定功率為24V，直流穩壓電源和電機驅動器相接。圖6.SEQ圖6.\*ARABIC3直流穩壓電源恒流適配器，適配器輸入端連接的是傳感器的輸出線，輸出端連接的是示波器。圖6.SEQ圖6.\*ARABIC4恒流適配器電機驅動器，顧名思義就是電機的驅動器，上面兩根線連接的直流穩壓電源，中間的線接到PC的USB接口，通過PC端的上位機軟件控制電機轉速，上位機還提供電機轉速狀態監測的功能。圖6.SEQ圖6.\*ARABIC5電機驅動器示波器，傳感器接收到的信號經過恒流適配器輸入到示波器中，直接輸出波形，通過對示波器的操作可以準確觀察到波形的變化，左下角提供了USB接口，可以將波形和數據保存到U盤中。圖6.SEQ圖6.\*ARABIC6示波器3軸振動加速度傳感器，該傳感器比較貴重，由于本課題只用到一軸的振動加速度信號就足夠，所以其他沒有用到的都還用橡膠冒蓋住，以免影響傳感器靈敏度。傳感器傳感器圖6.SEQ圖6.\*ARABIC7軸加速度傳感器6.1.2實驗目的搭配測量電路，獲得電機振動信號波形數據，用matlab分析波形，獲得特征值，證實提取特征方法的有效性，準確性和可靠性。為建立特征庫打下基礎。6.2實驗步驟首先連接好各個器件，啟動直流穩壓電源，電機驅動器正常運行，用PC端的上位機軟件控制電機轉速，先設定目標轉速在400R/s,電機正常運行，示波器接收到來自固定在電機外殼上的傳感器信號，出現波形，調整示波器顯示范圍，使波形特征能夠明顯表現在示波器上，按下示波器的STOP按鈕，固定示波器波形，插上U盤，保存此時的波形和數據。重復上述步驟，再次獲得第二次的正常運行波形，保存下來用matlab分析，反復這個步驟測得10個波形，計算準確率。6.3實驗結果通過上述步驟，得到電機第一次正常運行波形圖如圖6.8圖6.SEQ圖6.\*ARABIC8電機正常運行波形6.4結果分析運行matlab程序進行小波變換得到分解后的波形如下圖圖6.SEQ圖6.\*ARABIC9小波細節圖圖6.SEQ圖6.\*ARABIC10小波重構圖建立小波能量矩陣。函數sizcoef返回的信息：lf=16[o2sa,f1sa,rsx]=運用matlab中的eig函數求解矩陣，程序為>>formatrat

>>A=E=eig(A)輸出結果為(328.4，10.8,144.5)。再重復上述步驟10次，得到10次測得波形的特征值如6-2，表6-SEQ表6-\*ARABIC2特征值列表次數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，特征提取后判斷故障的準確率為60%，并不算高，這是因為小波分解時可能損失了一部分信號特征，也有能量矩陣求解或建立時的誤差，還因為3個值完全符合的條件確實很苛刻，可以考慮利用三個特征值的權重建立一個決策程序，只要置信概率大于95%就可以認為兩個波形特征值相同。但是由于時間精力能力有限，這里就不添加了。6.5本章小結本章主要介紹了實驗設備，實驗方法，實驗目的，通過傳感器采集電機工作時的振動信號，用matlab小波分解信號，構建能量矩陣，求解矩陣，獲取信號特征值。驗證了這個方法的正確性，可靠性。第七章結論和展望7.1課題實踐總結本論文在分析了國內外驅動馬達故障診斷相關研究進展的基礎上，以實驗電機為對象，提取了matlab軟件中4種不同馬達故障特征和馬達正常運行時的信號特征。初步建立了專家數據庫，將程序移植到宏處理器，設計了比較和數字管顯示程序。確定了使用AD芯片等硬件，并通過AD軟件完成了硬件電路圖的繪制。將馬達的故障診斷微化，簡單化是非常重要的意義。7.2主要工作總結（1）完成了包括測量方式、信號處理方式、對比度輸出方式在內的整個系統的設計。AD芯片、傳感器、單芯片、電路類型的選擇已確定。（2）信號波形的處理和特征值提取處理通過matlab從示波器獲得的波形，并且通過基于malla小波的小波來分解信號波形。利用小波分解能量守恒定律，建立小波各區間的能量矩陣，利用matlab的eig函數來求解能量矩陣的特征向量，分別獲得特征向量的最大值、最小值和平均值作為特征值輸出。（3）制作C++程序，將3個特征值作為一組輸入專家庫制作，比較輸入值和專家庫的各排列是否相等，輸出匹配的數組代碼，輸出代碼通過數字管顯示程序在數字管上顯示數字，查看數字和故障類型的對應表，得到故障類型。（4）構筑實物電路，使用現有的實驗馬達、傳感器等，與實驗室提供的示波器組合，測量電動機信號，檢查特征提取程序的正確性，反復兩次，對比，確保正確性。7.3展望由于時間和個人能力的限制，正文沒有焊接實物電路板，只畫模擬電路圖，在完成課題過程中又出現了一些遺憾，沒有補充，十分可惜。（1）在本課題中，研究單一故障發生時的信號的特征，由于同時發生多個故障，所以特征信號非常復雜，單一傳感器信號的記述容易產生偏差，所以本系統僅對產生了單故障的驅動電動機使用。（2）本課題中討論的故障特征專家庫由于時間和條件的限制，只能模擬4個故障，所以專家庫只有4個特征值，包含正常的波形特征只有5個在本課題中討論的系統只能診斷出這4個故障，對于其他故障可以識別是否有故障，無法判斷類別。（3）本課題設計的系統精度不太高。為了比較三個特征值，沒有區別三個特征值的權重。這三個特征值分別是特征向量的最大值、最小值、和平平均值。因為他們診斷結果的重量不同，正確率只有60%左右。如果進一步研究的話，可以從以下幾個方面進行改善。（1）要判斷同時發生多個故障時的各故障的種類，必須有多個傳感器，對信號進行分解，判斷各信號的諧波分量可能發生的故障的種類，基于這些成分的可靠性作為判斷數據的可靠性分配法則的依據，最好制作神經網絡，進行判斷故障種類的訓練。數據多且正確的話，可以提高判斷的正確性和可靠性。（2）擴展專家庫的方法有很多。首先，從網絡中查找資料，從制造商那里獲取電機參數，構建神經網絡，分解未被識別的故障信號，分解特征信號，人工檢查異常波形等特征值，將該故障添加到專家的程序庫中。更簡單的是，利用模糊規則構建特征信號和故障特征的模糊映射，這樣添加故障特征更快捷和便利。（3）關于特征值權重的問題，這里不多，最大值、最小值、平均值與特征信號的特性評價比必然不一致。然后，需要先計算特征值的約3個權重，再創建C++的對比度程序，比較各個特征信號的3個特征值。這樣單一的特征值不一致的結果對結果的影響會減少，必然會提高本系統的判定精度。當然，也可以直接構建神經網絡，通過大量的數據訓練神經網絡來提高精度。PAGE39參考文獻[1]沈標正，馬竹梧.直流電機故障診斷專家系統[J].人工智能技術應用，2003(1):16一19.[2]孫振環，朱文.基于神經網絡專家系統的電機故障診斷研究[D].天津科技大學，2002.[3]尹新權，王珺，張亞萍.基于模糊理論的柴油機故障診斷專家系統[J].工業儀表與自動化裝置，2015(1):111一113.[4]顧文龍，胡業林，鄭曉亮.基于小波包神經網絡的電機故障診斷分析與研究[J].煤礦機械，2011,32(09):263一265.[5]王娟，曹建云，鐘永彥.基于RBF神經網絡的電機故障診斷的研究[J].系統仿真技術，2009,05(01):40一43.[6]門俊榮，閡勇，郭西進.基于Elman網絡LM算法的異步電機故障診斷[J],煤礦機械，2012,33(08):253一255.[7]張曉春，許允之，苗壯，等基于粗糙集理論的異步電機故障診斷研究[J],煤礦機械，2014,35(03):249一252.[8]朱偉，李東辰，門琪嬌，等基于支持向量機的電機故障預測研究[J],煤礦機械,2011,32(03):253一254.[9]李淑英，田慕琴，薛磊.基于支持向量機的礦用電機故障診斷[J],煤礦安全，2013,44(6):104一106.[10]趙慧敏,房才華,鄧武,聶冰.基于智能優化方法的SVM電機故障診斷模型研究[J].大連交通大學學報,2016,36(1):92-96.[11]陳理淵.多傳感器數據融合以及在電機故障中的應用研究[D].浙江大學:電氣工程學院,2005.[12]D.Zhen,,T.Wang,F.Gu,A.D.BallFaultdiagnosisofmotordrivesusingstatorcurrentsignalanalysisbasedondynamictimewa