电动机轴承故障科学预测与诊断
摘要：为分析电动机轴承故障类型，首先采用小波包分析对轴承振动信号进行高低频分解及重构，然后以各频带的能量值构成轴承振动信号的特征向量，最后通过朴素贝叶斯网和本研究提出的权重分析两种方法进行电机轴承故障分类。朴素贝叶斯网对已知电机轴承故障类型的样本数据进行训练，获得参数后识别未知样本的故障类型。权重分析法计算未知与已知类型的电机轴承振动样本的相关系数，然后构建权重并按照权值和的大小获取未知样本的故障类型。仿真结果表明朴素贝叶斯网能较好实现电机故障诊断，本研究提出的权重分析方法也能较好的对电机故障进行诊断。
关键词：电机故障 小波包 朴素贝叶斯 权值分析
引言
在煤矿生产中，电机被广泛应用。除了瓦斯事故[1]等煤矿五大灾害之外，电机的正常工作对煤矿生产过程中的安全、高效、 优质及低耗运行意义也非常重大。电机出现故障时不仅会损坏电机本身，还会影响整个系统的正常运行，甚至会危及人身安全，造成巨大的经济损失。因此，尽量减少电机故障的发生与有效的识别电机故障类型在煤矿生产中具有积极意义。
煤矿中所用的电机大多数为三相异步电动机。采区任务的运输由三相异步电动机驱动刮板输送机，通过旋转运动实现。电动机的故障形式主要有以下五种：轴承损坏；绕组接线、引线和端子烧坏；绕组匝间或相间局部击穿；绕组烧毁；转子断轴。其中，轴承故障发生比例最大，约为40%，轴承故障将引起电机异常振动，使电机无法正常运行，严重时会对煤矿生产和人身安全带来极大危害。因此有必要研究电机轴承故障诊断。
在电动机的故障诊断中，经常用到的智能方法有人工神经网络（ANN）、支持向量积、聚类等方法。中国矿业大学的张建文教授等人采用人工神经网络对电机的转子断条故障进行诊断，首先用一种扩展到Park矢量方法提取故障特征，然后利用反向传播（BP）神经网络进行异步电机转子断条故障诊断，BP网络是人工神经网络的一种，其缺点在于收敛速度慢、易于陷入局部极小点。付光杰等人也采用BP神经网络对电子转子故障进行诊断，为了克服BP网络的缺点，付等人采用粒子群优化方法训练BP网络，加快了模型的收敛速度并克服了BP网络易于限于局部极小点的缺点[5]等。本研究首先采用振动检测的方法对电机轴承振动进行检测，获得轴承振动信号。通过小波包变换对振动信号进行高低频分解及重构，获取故障特征向量。为了避免诊断模型陷入局部极小点的情况，本研究采用朴素贝叶斯网以及提出的权值分析法进行模式识别，诊断出故障。通过仿真验证了本研究提出方法的有效性。
1、故障特征向量提取
电动机轴承故障科学预测与诊断
