微电机生产过程中的在线故障检测能及时反馈微电机质量,便于生产工艺的调整和生产设备的调试,对微电机产业的发展具有十分重要的意义。机械噪声是机械振动在空气或固体等介质中向外界传播的结果,与振动信号的频率成分基本上是-致的。因此,利用声音信号进行故障诊断在不易测量振动信号的场合得到广泛的应用。本文以微电机在正常、支架变形以及机壳里含铁屑等三种情况下的声音信号为分析对象,应用小波分析和BP神经网络技术实现了微电机故障诊断。工业上声音信号具有复杂的混合性的特点,采集到的声音信号往往具有较低的信噪比,本文采用小波阈值降噪法对微电机声音信号进行降噪,提高了故障信号信噪比,有利于故障特征的进一步提取。小波包能够将信号分解到一个由小波伸缩、平移而成的基函数族上,而不损耗信号能量,在全频范围内得到分布在不同频带内的分解信号,便于从复杂信号中分离出故障特征。本文应用小波包分解与重构算法提取了微电机各种故障信号的频段能量,以频段能量归一化后构造一个特征向量建立能量变化到故障的映射关系。最后,将归一化后的频段能量作为故障特征参数样本输入到基于自适应学习率的BP神经网络算法中进行训练,建立故障类型分类器,实现微电机故障智能识别。实验结果表明小波包技术提取的频段能量涵盖了微电机声音信号特征,同时一个设计合理的BP神经网络具有很强的故障识别能力,说明采用小波技术与神经网络相结合的方法对微电机进行声学故障诊断是有效的。在此基础上,以LabVIEW为平台开发了微电机故障诊断系统,该系统实现了微电机声音信号的采集、显示、存储、分析及微电机故障诊断。