论文部分内容阅读
在自19世纪发电机和电动机问世以后,由于可以方便的使用电能,电机给我们带来了源源不断的动力,把人们从繁重的劳动中解放出来。电机的使用非常广泛,从钢厂的轧钢机到自来水厂的水泵,再到家用空调、洗衣机及到人们日常佩戴的手表,都靠电机来驱动。随着经济的快速发展,越来越多的家用电器进入了普通大众的家庭里。像空调,风扇以及洗衣机等更是成为人们日常的生活用品。2013年仅仅空调的产量就达到了1.1亿之多。而空调的主要动力部件为电机,如果加上洗衣机等家用电器,电机的数量更是巨大。因此,如果电机的故障率高,不仅导致经济上的巨大损失,而且还严重影响到人们的日常生活。因此,在出厂之前,检测电机的故障就非常必要。而传统的电机故障是温度检测、振动检测、电流检测等。但在产线上要迅速且准确地测量如此巨大数量的电机,应用传统的检测电机参数的方法很难识别出电机·故障。因此,目前小型电机产线上的检测方法普遍采取快捷方便的人工听音方法。因为,电机运行时会发生振动,由于吸声率低,电机会向外辐射出声音。而正常运转的电机声音与发生故障电机的声音是不一样的。因此,检测电机的声音特征是最简便直接的。而由于在当前工厂实际生产过程中,电机的故障率是很低的,且很难收集到足够多的各类故障样本。而一般人工智能方法都是利用样本统计的基础上进行分类的方法,需要充分多而且能完整表达各类故障的分布特征的样本进行训练,以得到拥有足够泛化能力的判别函数。所以,神经网络算法与传统模式识别在这一中状况下应用具有相当的难度。针对这个问题,提出了基于支持向量机的一类学习算法。即搜集足够数量的正常无异音的电机样本,运用一类学习算法建立一个判别电机声音是否异常的判别函数。即只需要正常电机的声音特征样本而无需有故障的电机声音样本。凡是检测有不符合正常电机声音特征的样本一律判为有故障样本。在实际应用中,只判断电机的声音是否是“正常”,且保证通过判断的电机一定是“正常”无故障的,而不通过的可允许少量“正常”无故障样本。因此,基于以上只需正常电机样本,而听起来存在异音的样本都认为是有故障的。提出这种基于异音检测的方法。本文利用声传感器在电机的轴向位置采集电机的声信号,对电机声信号进行信号处理,从电机声信号的频谱中提取特征。利用无异音样本而无需有故障的样本建立判别函数。最后,通过采集的各类故障样本来检验这种方法的有效性。实验表明,该方法能很好的解决这个问题。论文的最后是对本文进行工作总结,并对今后的发展方向与研究工作进行了讨论。