电机——作为机电能量转换的核心驱动执行部件,是当今生产活动和日常生活中最主要的原动力和驱动装置,它广泛地应用于现代工业生产中,它们数量之多,地位之重要,几乎没有其他设备所能与之相比。电机在运行过程中,难免会出现故障。电机的故障现象比较复杂,要求维修人员具有较高技术水平与经验,才能发现和判断。电机的故障诊断和维护与电机本身一样由来已久,电机诊断是设备故障诊断技术的一个部分,机械设备在运行过程中,不仅会产生振动,还会发出强烈的噪声,机械设备的噪声信号中蕴涵着丰富的设备状态信息,所以噪声信号同样能够应用于机械设备的故障诊断。如果机械的声音突然发生了变化,就往往说明机械有了故障,需要进行修理。随着近年对噪声的要求日益严格,电机的噪声成为影响电机寿命和市场效益的重要因素。尽管对电机噪声产生的机理与降噪措施进行了充分的研究,但是用户反映目前国产电机,仍然存在着听觉上感到噪声高的问题,导致在某些场合下用户不愿选择国产电机。这说明,国产电机的噪声容易产生在使人听觉感到不愉快的频率范围内。因此电机厂家迫切需要提升故障诊断水平,寻找该领域的新的故障诊断方法,以提高国产电机的质量和经济效益。 本文较详细的叙述了利用虚拟仪器技术构建基于小波神经网络的电机声频故障诊断系统。由于电机发生故障时,故障信号中往往含有大量的时变、短时冲击、突发性质的成分,传统的信号分析方法如Fourier变换不能有效地提取出电机的故障特征。而小波变换作为一种时频分析方法,它在时频域都具有表征信号局部特征的能力,能通过时频窗的灵活变换来突出信号的不同频率成分。考虑到小波变换处理非平稳信号的优越性,因此本文提出了基于小波分析原理的消噪和特征提取方法,首先利用基于多尺度分析理论的Mallat算法将采集到的噪声信号消噪并进行多层分解与重构,对高频信号处理并进行特征提取,作为适合于神经网络的训练和检验的样本输入特征向量。利用LabVIEW和MATLAB的接口,在LabVIEW中调用.m程序,为功能的实现提供了一种较好的解决方法,也为系统实现提供了可行的途径。 其次本文介绍了一种改进的自适应调节学习速率的算法对声音样本进行故障诊断,并用BP标准算法和自适应调节学习速率的改进算法进行比较,发现预测误