第五章--基于小波神经网络异步电机故障诊断.docx

第五章基于小波神经网络的异步电机故障诊断5.1 异步电机数据获取本文所采用的数据来自于刘凉的电机故障诊断研究。采用型的异步电机作为故障诊断模型。各参数如下：表5-1 型异步电机参数电动机轴承参数如下表：表5-2 轴承参数异步电机的转差率（一定负载），转子频率，电源供电频率。。将这些参数代入之前推导的故障频率公式中了得出对应的结果。将定子电流的基波频率作为特征频率。转子断条故障特征频率：，：轴承故障特征频率：，。气隙偏心故障特征频率：（静态）（动态）定子绕组故障特征频率：由转子断条、气隙偏心和轴承故障频率的公式，我们可以发现频率都是成对出现的，为了减小神经网络结构，这里我们从气隙偏心和轴承故障成对出现的频率中选取其中一个作为特征频率，但不会影响故障诊断的准确性。转子断条特征频率：：轴承故障特征频率：，：气隙偏心故障特征频率：（静态）：（动态）：提取出特征值后就是要训练样本采用的故障特征频率对应的幅值。神经网络样本越多越能反应其内在的规律，但是当样本多到一定程度的时候就会停滞。而且样本要做到均匀很多样。所以我选取其中的 20组共 100 个数据作为神经网络的样本数据，其中，正常样本和四种故障分别各有 20 个，用前 95个作为训练样本训练神经网络，后面 5 个作为测试样本，测试神经网络的准确性。这里给出其中一组故障样本数据。表5-3 一组异步电机样本数据5.2小波神经网络结构设计输入层设计因为选取了9个特征频率，所以我们也要将输入层神经元设为9个。输出层设计。因为异步电机故障是四种，所以我们要将输出节点设置为四个来分别对应四种故障。输出模式设为：故障发生输出状态1，否则就设置为0 。输出模式如下图：表5-5 神经网络输出模式设置隐含层节点设计隐含层的作用是在提供的样本数据中寻找规律。数据过少则无法完全将信息提取出来，数据过多用容易获取一些无用信息（噪声）。为此我们需要先设定一个小的节点进行训练，观察误差收敛。然后慢慢增加节点，用上一批数据进行训练来比较收敛。误差最小的那个对应的节点就作为隐含层节点。初始节点的设置可以通过经验公式来计算：式（5-1）式（5-2）式（5-3）其中是输入节点数目，是输出节点数目，是1-10间的常数。5.3异步电机故障诊断仿真5.4.1小波神经网络电机故障诊断仿真根据第二章的描述方法将神经网络的结构与参数设置如下：神经网络结构:三层前馈网络。输入层节点数目：9输出层节点数目：4隐含层节点数目：根据公式设定初始节点6，在训练时不断调试，选择误差最小的那个。隐含层传递函数：Morlet小波函数输出层传递函数：sigmoid函数目标误差设置值：0.01动量因子值：0.9学习速率：采用自适应学习胜率优化算法，设定初始学习速率是0.01。训练结束条件：最大训练步数为2500步，时间为30秒。训练过程中，本文先通过调节隐含层节点数来观察网络误差收敛情况，本文从 6 个节点加到 10 个节点的过程中，网络的误差收敛速度增加，训练步数减少，继续增加节点，误差也能收敛到目标误差值，但是训练时间慢慢增加，因此将隐含层的节点范围锁定在 10 附近，但是本文用新的一些样本输入神经网络似时，节点数大于 10 的网络的输出比 10 个节点的输出要更偏离目标误差，因此可以看出节点大于 10 的网络泛化能力低于节点为 10 的情况。因此，本文最后确定隐含层神经元为 10。图5-6 小波神经网络训练过程表5-7 神经网络测试样本故障特征参量图5-8 神经网络理想输出和实际输出电机故障诊断数据测试集：0.134560.157610.119350.0579360.061520.112630.093130.113070.128410.0865520.127260.157650.138290.0557620.0601770.101090.0972340.103610.130130.10480.142740.16240.13990.0553650.0619280.107170.091750.0907430.121810.100850.132050.142520.126870.0543860.072510.118110.0843880.086940.121940.0963040.123550.170120.139540.0664640.0686010.104020.0859180.100120.141380.100360.150270.155040.140840.0501910.0540070.103850.0868110.0995430.155460.0914120.131830.152030.115290.0588380.0702390.0967790.0825580.0876580.15040.087030.147760.162380.136