基于多分类神经网络的电机振动信号分析方法技术

本发明专利技术公开了一种基于多分类神经网络的电机振动信号分析方法，包括：通过对采集到的电机振动加速度信号进行预处理得到信号的大致周期T；确定电机振动加速度信号的采样频率f

【技术实现步骤摘要】
基于多分类神经网络的电机振动信号分析方法


[0001]本专利技术属于电机振动信号分析方法
，具体涉及一种基于多分类神经网络的电机振动信号分析方法。

技术介绍

[0002]随着自动化技术的不断发展，工农业生产中开始大量引入电机作为主要生产设备，例如农田的排灌设备、粮食加工机械、矿山开采中所使用的开采设备及煤矿运输所使用的传送设备。这些应用中一般都是由内部的电机振动来带动设备工作的，因此电机的振动状态是影响设备工作性能的重要因素。
[0003]为保证生产效率及生产安全，需要对电机设备的振动状态进行实时监测，并根据监测信号分析电机的工况是否正常。目前通用的电机振动监测方法是采集电机的振动加速度信号，通过对振动加速度信号的分析，判断电机的工况及故障类别。而电机振动信号分析方法一般分为频域分析法及时域指标阈值法。频域分析法是通过傅里叶变换得到电机振动加速度信号的频谱，并通过分析频谱中不同频率信号的幅值大小来判断电机当前的振动状况。频域分析法对电机振动信号频谱图的分辨率要求较高，通常傅里叶变换的点数越多，频谱的分辨率越好，但点数越多也同时加大本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于多分类神经网络的电机振动信号分析方法，其特征在于，通过对采集到的电机振动加速度信号进行预处理得到信号的大致周期T；确定电机振动加速度信号的采样频率f
s
；以采样频率f
s
对电机振动加速度信号进行采样，并获取信号的频谱信息；计算信号的时域表达式，并根据时域表达式计算电机的振动位移s；计算信号时域指标；设计BP神经网络并对网络进行训练；设计多分类神经网络，使用多分类神经网络对电机振动信号进行分析，确定电机当前的振动状况。2.根据权利要求1所述的基于多分类神经网络的电机振动信号分析方法，其特征在于，具体按照以下步骤实施：步骤1、对电机振动加速度信号进行预处理，得到信号大致周期T；步骤2、根据步骤1得到的信号大致周期T，确定电机振动加速度信号的采样频率f
s
；步骤3、以步骤2得到的采样频率f
s
对电机振动加速度信号进行采样，并获取电机振动加速度信号的频谱信息；步骤4、计算电机振动加速度主信号的时域表达式；步骤5、根据步骤4得到的时域表达式计算电机的振动位移s；步骤6、计算电机振动加速度信号的时域指标；步骤7、设计用于电机振动信号分析的BP神经网络，并对BP神经网络进行训练；步骤8、设计用于电机振动信号分析的多分类神经网络，使用多分类神经网络对电机振动信号进行分析，确定电机当前的振动状况。3.根据权利要求2所述的基于多分类神经网络的电机振动信号分析方法，其特征在于，步骤1具体为：对采集到的电机振动加速度信号进行预处理离散采样，得到离散时间下的振动加速度数据，然后根据采集到的离散振动加速度数据计算信号的大致周期T，大致周期T的计算过程为：记n为第n次采样，z
n
为第n次采样得到的振动加速度数据，用第n次采样得到的数据z
n
与第n
‑
1次采样得到的数据z
n
‑1做差，并用第n+1次采样得到的数据z
n+1
与第n次采样得到的数据z
n
做差，将两个差值相乘，得到的结果用Z表示，如式(1)所示：Z＝(z
n
‑
z
n
‑1)*(z
n+1
‑
z
n
)(1)取Z的正负性出现变化时的n，记为n1，取其紧邻的Z的正负性第二次出现变化时的n，记为n2，利用相邻两次Z出现正负符号变化的采样次数值n1和n2，根据式(2)可以得到信号的大致周期T：T＝2*(n2‑
n1)*t
c
(2)式(2)中，t
c
为对电机振动加速度信号进行预处理离散采样的采样时间。4.根据权利要求2所述的基于多分类神经网络的电机振动信号分析方法，其特征在于，步骤2中采样频率f
s
的计算公式为式(3)：式(3)中，N为一个周期内的总采样点数，T为信号大致周期。5.根据权利要求2所述的基于多分类神经网络的电机振动信号分析方法，其特征在于，步骤3具体为：
根据步骤2确定的采样频率f
s
对电机振动加速度信号进行采样，获得的离散采样数据x
n
依照式(4)进行离散傅里叶变换，式(4)中，X(k)是傅里叶变换中的第k个数据，将式(5)代入式(4)后可以得到X(k)的表达...

【专利技术属性】
技术研发人员：冷朝霞，刘庆丰，李文凯，罗佳瑶，
申请(专利权)人：西安理工大学，
类型：发明
国别省市：