计算机技术的高速发展对模式识别领域的促进作用,使得基于信号处理的声音模式识别技术在近几年得到了快速发展。声信号具有稳定、精确的特点,使用声信号作为目标分类可以使模式识别的领域大大的拓宽。声音,作为机械运行时发出的一种固有的信号,必然蕴涵着机械本身丰富的结构信息和运行的状态信息,完全可以利用声信号来对设备的运行状态及故障进行在线监测和预报。声信号模式识别将成为机械状态的在线监测、故障预报的主要手段之一,将是故障检测技术的主要发展方向。 电机是当今用于驱动各种机械和工业设备的最通用装置,为了保证其安全稳定运行,常常需要工作人员定期检修、维护。电机在发生故障时,维护人员是凭借电机发出的声音来判断故障的类型。然而,这种人工方法不仅需要耗费大量人力,而且无法保证故障能及时排除。如果利用计算机对电机发出的声音进行实时判断,就可以代替人完成电机的检修和检测工作。基于这种思想,本次论文将声音模式识别的理论应用到电机故障自动检测的系统中。 本文的主要研究内容包括以下几个方面: 首先研究了机械运行中出现的几种常见的故障类型,通过对这些常见故障的分析,提出了机械设备状态在线监测及预测的总体方案和技术路线,考虑到传统的布尔逻辑识别、FTA方法识别能力差、判据不足,采用了小波包分析技术;从特征信号中提取有关状态的信息,选择的机械设备状态特征参数具有较高灵敏度、较高识别能力,采取合适的特征参数提取装置、提取方式及提取方法;其次研究了BP神经网络在旋转机械设备状态预测上的应用技术,针对现有神经网络对新信息强调不足的问题,提出了一种适于预测用途的新型组合神经网络模型;最后为进行旋转机械状态在线监测及预测技术的实验研究,利用Y630-10/1180型三相异步电动机进行了实践验证,预测发展趋势,并对验证结果进行了分析,取得了良好的分类识别效果。 在本次设计中,主要完成一个对机械运行声音信号采集、实时对信号分析,判断出现故障类型的自动识别系统。在分类器设计中,把组合神经网络分类器的思想应用到实践中,并针对神经网络收敛速度慢的问题,提出了两点改进算法,利用区域映射代替点映射和动态改变学习速率的方法,通过多次试验,收到了很好的效果,大大提高了网络的速度,完全可以适应系统的实时性要求。