李 珂，邰能靈，張沈習(xí)

(上海交通大學(xué) 電力傳輸與功率變換控制教育部重點(diǎn)實(shí)驗(yàn)室，上海 200240)

?

基于小波包熵和概率神經(jīng)網(wǎng)絡(luò)的微特電機(jī)軸承故障監(jiān)控

李 珂，邰能靈，張沈習(xí)

(上海交通大學(xué) 電力傳輸與功率變換控制教育部重點(diǎn)實(shí)驗(yàn)室，上海 200240)

文中提出一種小波包能量熵和概率神經(jīng)網(wǎng)絡(luò)相結(jié)合的算法，通過(guò)對(duì)微特電機(jī)運(yùn)行產(chǎn)生的振動(dòng)信號(hào)進(jìn)行分析，實(shí)現(xiàn)微特電機(jī)的軸承可靠性判定。為了證明該方法的有效性，搭建了電機(jī)振動(dòng)信號(hào)采集和分析的軟硬件平臺(tái)。通過(guò)對(duì)4種不同故障類型的電機(jī)進(jìn)行實(shí)驗(yàn)，結(jié)果表明該方法可以作為微特電機(jī)軸承可靠性判定的依據(jù)。

小波包熵；概率神經(jīng)網(wǎng)絡(luò)；微特電機(jī)；軸承；監(jiān)控；LabVIEW

0 引 言

滾動(dòng)軸承是微特電機(jī)中特別重要的一類部件，在微特電機(jī)中具有支撐、承載電機(jī)負(fù)荷等多種重要作用。根據(jù)具有滾動(dòng)軸承的旋轉(zhuǎn)機(jī)械故障統(tǒng)計(jì),在這些故障中軸承故障占30%。每臺(tái)微特電機(jī)至少使用兩個(gè)軸承，可見(jiàn)其直接關(guān)系到整臺(tái)微特電機(jī)的質(zhì)量狀況。因而對(duì)微特電機(jī)滾動(dòng)軸承的質(zhì)量監(jiān)控具有重要的現(xiàn)實(shí)意義和經(jīng)濟(jì)價(jià)值。目前對(duì)滾動(dòng)軸承的研究主要集中在大功率電機(jī)和大型機(jī)械設(shè)備中，在微特電機(jī)中還不多。微特電機(jī)在自動(dòng)門、豆?jié){機(jī)、道閘門等各方面應(yīng)用廣泛，因而對(duì)微特電機(jī)可靠性的研究具有重要意義。

微特電機(jī)滾動(dòng)軸承故障有安裝故障和腐蝕、斷裂、疲勞剝落等局部故障。一臺(tái)滾動(dòng)軸承出現(xiàn)質(zhì)量缺陷的電機(jī),運(yùn)行時(shí)會(huì)引起傳感器電信號(hào)的變化，在傳感器采集到的電信號(hào)中，這些沖擊表現(xiàn)為電信號(hào)幅值的突變。因而在微特電機(jī)運(yùn)行時(shí)采集到的振動(dòng)信號(hào)中包含有電機(jī)的質(zhì)量狀況信息，因此可以通過(guò)對(duì)振動(dòng)信號(hào)的分析來(lái)實(shí)現(xiàn)電機(jī)質(zhì)量狀況判定。目前對(duì)電機(jī)軸承進(jìn)行可靠性判定大多采用頻譜分析方法。但對(duì)于微特電機(jī)軸承故障，特別是微特電機(jī)振動(dòng)信號(hào)的通頻帶上有大量的能量分布，采用這種方法就很難找到電機(jī)特征頻率。目前常用的方法有分形盒維數(shù)[1]、奇異值分解(SVD)[2]、PCA技術(shù)[3]、流行學(xué)習(xí)[4]等，以上這些特征提取方法雖然有效，但是計(jì)算過(guò)程繁瑣。通過(guò)振動(dòng)信號(hào)的產(chǎn)生機(jī)理可見(jiàn)，當(dāng)滾動(dòng)軸承產(chǎn)生質(zhì)量缺陷時(shí)，所采集到的振動(dòng)信號(hào)具有按頻帶分布的特點(diǎn)。設(shè)計(jì)中把樣本熵和小波包能量譜分析相結(jié)合，進(jìn)行微特電機(jī)振動(dòng)信號(hào)特征提取。

要實(shí)現(xiàn)對(duì)微特電機(jī)的滾動(dòng)軸承進(jìn)行質(zhì)量可靠性判定，正確的提取振動(dòng)信號(hào)特征只是其前提工作，最終的目的是實(shí)現(xiàn)對(duì)微特電機(jī)中滾動(dòng)軸承的質(zhì)量進(jìn)行判定。基于振動(dòng)信號(hào)的質(zhì)量判定方法有很多，像傅里葉變換[5]、故障樹(shù)[6]、聚類分析[7]和概率神經(jīng)網(wǎng)絡(luò)[8]等。其中通過(guò)概率神經(jīng)網(wǎng)絡(luò)進(jìn)行質(zhì)量判定的方法是目前研究的熱點(diǎn)。本文采用概率神經(jīng)網(wǎng)絡(luò)的方法對(duì)微特電機(jī)的滾動(dòng)軸承運(yùn)行狀況進(jìn)行判定。

1 振動(dòng)信號(hào)小波包能量熵特征提取

振動(dòng)信號(hào)小波包能量熵特征提取就是將信息熵和小波包算法相結(jié)合進(jìn)行振動(dòng)信號(hào)的分析。使用小波包對(duì)采集到的振動(dòng)信號(hào)進(jìn)行分解，對(duì)分解結(jié)果進(jìn)行二抽一運(yùn)算，保留分解結(jié)果的奇數(shù)部分或者偶數(shù)部分。接著依然采用二抽一方法對(duì)上一次的分解結(jié)果進(jìn)行第二次分解。這樣在振動(dòng)信號(hào)的高頻段和振動(dòng)信號(hào)的低頻段都具有相同的時(shí)頻分辨率，因而采用小波包熵進(jìn)行振動(dòng)信號(hào)分析與其他小波變換分析相比，該方法實(shí)現(xiàn)簡(jiǎn)單、計(jì)算速度快捷。設(shè)在微特電機(jī)運(yùn)行時(shí)采集到的振動(dòng)信號(hào)為S，采用小波包能量熵對(duì)該振動(dòng)信號(hào)進(jìn)行特征提取，其步驟如下[9-12]：

(1) 首先對(duì)采集到的微特電機(jī)信號(hào)S進(jìn)行3次二抽一運(yùn)算，這樣在分解的第三層上，振動(dòng)信號(hào)就按照不同的頻率段分開(kāi)，如圖1所示。

圖1 振動(dòng)信號(hào)3層分解樹(shù)

(2) 對(duì)第一步振動(dòng)信號(hào)分解得到的每一層分解系數(shù)進(jìn)行重構(gòu)，提取出微特電機(jī)振動(dòng)信號(hào)每個(gè)頻帶范圍的信號(hào)S3,m(m=0,1,2,…,7)，則將各個(gè)頻帶范圍的信號(hào)進(jìn)行累加，得到總信號(hào)。

(1)

式中：Sn,m表示對(duì)小波包分解樹(shù)中第n次分解的信號(hào)中的第m個(gè)子信號(hào)進(jìn)行重構(gòu)得到的向量。

(3)計(jì)算微特電機(jī)振動(dòng)信號(hào)分解樹(shù)節(jié)點(diǎn)上的能量和。設(shè)En,m為重構(gòu)信號(hào)Sn,m對(duì)應(yīng)的能量和，則有：

(2)

式中：m=0,1,2,…,2n-1，表示小波包分解樹(shù)中分解結(jié)點(diǎn)的序號(hào)；n為小波包分解樹(shù)中的層數(shù)；xn,i表示向量Sn,m中的第i個(gè)數(shù)據(jù)的值；N表示每個(gè)小波包分解樹(shù)結(jié)點(diǎn)數(shù)據(jù)的長(zhǎng)度。

(4)求微特電機(jī)振動(dòng)信號(hào)的能量分布。微特電機(jī)振動(dòng)信號(hào)經(jīng)過(guò)三層分解后各個(gè)頻帶的能量累加就得到振動(dòng)信號(hào)在各個(gè)頻帶上的能量總和E3，即：

(3)

振動(dòng)信號(hào)經(jīng)小波包分解后各個(gè)頻帶的能量分布向量如下：

(5) 振動(dòng)信號(hào)小波包能量熵信息提取。設(shè)計(jì)中采用Shannon熵來(lái)評(píng)定振動(dòng)信號(hào)在各個(gè)能量段的概率分布，將熵值運(yùn)算和振動(dòng)信號(hào)能量統(tǒng)一相結(jié)合，振動(dòng)信號(hào)小波包信息熵定義：

(5)

2 概率神經(jīng)網(wǎng)絡(luò)

概率神經(jīng)網(wǎng)絡(luò)是在徑向基神經(jīng)網(wǎng)絡(luò)基礎(chǔ)上發(fā)展而來(lái)的一種3層前饋神經(jīng)網(wǎng)絡(luò)，即輸入層、徑向基層和輸出層。它是由數(shù)學(xué)家Spech于1990年提出的，而后又經(jīng)過(guò)眾多專家和學(xué)者的研究不斷發(fā)展和完善。該方法在人工智能、自動(dòng)化控制等很多領(lǐng)域的應(yīng)用都獲得了很大的成功。 概率神經(jīng)網(wǎng)絡(luò)方法也應(yīng)用于故障辨識(shí)領(lǐng)域，使用概率神經(jīng)網(wǎng)絡(luò)進(jìn)行故障辨識(shí)具有一定的優(yōu)勢(shì)。和其它網(wǎng)絡(luò)辨識(shí)方法相比，概率神經(jīng)網(wǎng)絡(luò)的方法對(duì)神經(jīng)元的初始權(quán)值無(wú)需設(shè)定，當(dāng)概率神經(jīng)網(wǎng)絡(luò)的目標(biāo)和輸入向量確定后，概率神經(jīng)網(wǎng)絡(luò)神經(jīng)元權(quán)值也就確定了，因而該方法可用于微特電機(jī)質(zhì)量判定[13-15]。圖2是概率神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)。從圖2可以看出，概率神經(jīng)網(wǎng)絡(luò)具有三層結(jié)構(gòu)。

圖2 概率神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

輸入層和徑向基層之間的關(guān)系：

(6)

(7)

采用概率神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)步驟如下：

(1) 構(gòu)建概率神經(jīng)網(wǎng)絡(luò)的徑向基網(wǎng)絡(luò)層：將一個(gè)神經(jīng)元添加到神經(jīng)網(wǎng)絡(luò)的徑向基層中，從概率神經(jīng)網(wǎng)絡(luò)的訓(xùn)練向量中隨機(jī)選取一個(gè)向量作為該神經(jīng)元的權(quán)重向量。

(2) 構(gòu)建概率神經(jīng)網(wǎng)絡(luò)的輸出層：確定概率神經(jīng)網(wǎng)絡(luò)的目標(biāo)向量T=(t1,t2,…，tk)，依據(jù)確定的向量T，通過(guò)函數(shù)MAX(Wa1)=T計(jì)算權(quán)重W。

3 基于LabVIEW微特電機(jī)監(jiān)控平臺(tái)搭建

為了驗(yàn)證基于小波包熵和概率神經(jīng)網(wǎng)絡(luò)方法對(duì)于微特電機(jī)質(zhì)量可靠性判定的有效性，我們搭建了微特電機(jī)監(jiān)控的軟硬件平臺(tái)。該微特電機(jī)監(jiān)控平臺(tái)包含三大部分：微特電機(jī)振動(dòng)信號(hào)采集系統(tǒng)、振動(dòng)信號(hào)分析系統(tǒng)和電機(jī)控制系統(tǒng)。振動(dòng)信號(hào)采集系統(tǒng)包含振動(dòng)信號(hào)傳感器、信號(hào)調(diào)理器和PCI板卡等；數(shù)據(jù)分析系統(tǒng)包含主機(jī)、振動(dòng)數(shù)據(jù)分析與處理軟件等；電機(jī)控制系統(tǒng)由電機(jī)及驅(qū)動(dòng)器構(gòu)成[16]。如圖3所示。

圖3 微特電機(jī)監(jiān)控系統(tǒng)框圖

設(shè)計(jì)中我們使用振動(dòng)信號(hào)加速度傳感器LC0159、PCI數(shù)據(jù)采集卡PCI1710和電腦構(gòu)成數(shù)據(jù)采集系統(tǒng)的硬件部分，通過(guò)LabVIEW和MATLAB編寫軟件實(shí)現(xiàn)數(shù)據(jù)的采集和數(shù)據(jù)分析[17-18]。電機(jī)控制系統(tǒng)采用LINIX公司的90ZWN24-90-A/90JB15G無(wú)刷電機(jī)和LBDA048D10智能型無(wú)刷驅(qū)動(dòng)器，該型號(hào)驅(qū)動(dòng)器具有RS-485通訊功能，可以很好地通過(guò)上位機(jī)進(jìn)行電機(jī)控制。軟件平臺(tái)運(yùn)行界面如圖4所示。

圖4 微特電機(jī)監(jiān)控軟件運(yùn)行圖

4 實(shí)驗(yàn)驗(yàn)證

為了驗(yàn)證該方法的有效性，我們選擇了正常電機(jī)和3種不同類型的故障電機(jī)做實(shí)驗(yàn)。3種不同故障類型為內(nèi)圈點(diǎn)蝕故障、軸承外圈點(diǎn)蝕故障和軸承滾動(dòng)體故障。通過(guò)LBDA048D10無(wú)刷電機(jī)控制器控制微特電機(jī)運(yùn)行轉(zhuǎn)速為1 500r/min,上位機(jī)設(shè)置12kHz的電機(jī)振動(dòng)信號(hào)采集頻率。為了得到正確的電機(jī)振動(dòng)信號(hào)，在微特電機(jī)的轉(zhuǎn)子輸出端的上方和后端蓋的上方分別設(shè)置測(cè)試點(diǎn)。針對(duì)正常電機(jī)、軸承外圈質(zhì)量缺陷電機(jī)、內(nèi)圈質(zhì)量缺陷電機(jī)和滾動(dòng)體質(zhì)量缺陷電機(jī)分別采集振動(dòng)信號(hào)數(shù)據(jù)。每種類型的電機(jī)每個(gè)測(cè)試點(diǎn)采集25組振動(dòng)信號(hào)數(shù)據(jù)，每組振動(dòng)信號(hào)采集1 024個(gè)數(shù)據(jù)，對(duì)4種類型電機(jī)都進(jìn)行相同的數(shù)據(jù)采集方法進(jìn)行信號(hào)采集。對(duì)采集到的信號(hào)使用設(shè)計(jì)中所提出的方法進(jìn)行特征向量提取。然后將這些特征向量作為概率神經(jīng)網(wǎng)絡(luò)的輸入，進(jìn)行微特電機(jī)質(zhì)量狀態(tài)分析[16]。采集到的原始振動(dòng)信號(hào)如圖5所示。

(a) 正常狀態(tài)信號(hào)

(b) 內(nèi)圈故障信號(hào)

(c) 滾動(dòng)體故障信號(hào)

(d) 外圈故障信號(hào)

通過(guò)圖5可以看出，質(zhì)量良好的微特電機(jī)在運(yùn)行時(shí)振動(dòng)信號(hào)信號(hào)比較穩(wěn)定，振動(dòng)數(shù)據(jù)振幅小。而當(dāng)發(fā)生點(diǎn)蝕故障的電機(jī)運(yùn)行時(shí)，采集到的振動(dòng)數(shù)據(jù)幅值會(huì)有不明顯的突變。但是這種突變的振動(dòng)數(shù)據(jù)也可能是振動(dòng)信號(hào)測(cè)試架等測(cè)試環(huán)境引起的，還不能由此判定微特電機(jī)的質(zhì)量狀況，更不能判定發(fā)生了何種質(zhì)量缺陷。針對(duì)這樣的特點(diǎn)，我們采用小波包能量熵的方法對(duì)采集到的微特電機(jī)數(shù)據(jù)進(jìn)行處理。首先將在電機(jī)運(yùn)行時(shí)采集到的振動(dòng)信號(hào)進(jìn)行三層小波包分解，然后對(duì)小波包分解樹(shù)中每個(gè)頻段信號(hào)進(jìn)行重構(gòu)，提取出振動(dòng)信號(hào)的振動(dòng)數(shù)據(jù)的能量譜特征，最后歸一化能量譜并進(jìn)行信息熵的運(yùn)算。小波包熵特征提取的運(yùn)算結(jié)果如表1所示。

表1 振動(dòng)信號(hào)小波包能量熵值

通過(guò)表1可以看出，對(duì)于不同情況的電機(jī)，其振動(dòng)信號(hào)的熵值不同；對(duì)于不同的點(diǎn)蝕位置的微特電機(jī)，其振動(dòng)信號(hào)的熵值也不同。但是簡(jiǎn)單利用熵值判斷，對(duì)于不同類型的電機(jī)具有不同的要求。而且對(duì)于操作人員技術(shù)水平也有一定的要求。為了使得微特電機(jī)質(zhì)量可靠性判定簡(jiǎn)單化、機(jī)械化，設(shè)計(jì)中將小波包能量熵值作為概率神經(jīng)網(wǎng)絡(luò)的輸入。通過(guò)概率神經(jīng)網(wǎng)絡(luò)進(jìn)行微特電機(jī)質(zhì)量可靠性判定，針對(duì)實(shí)驗(yàn)的幾種情況，其判定結(jié)果如圖6所示。

圖6 中縱坐標(biāo)表示對(duì)輸入信號(hào)進(jìn)行模式辨識(shí)的結(jié)果。分類結(jié)果1代表正常的微特電機(jī)，分類結(jié)果2代表發(fā)生內(nèi)圈點(diǎn)蝕故障的微特電機(jī)，分類結(jié)果3代表發(fā)生滾動(dòng)體點(diǎn)蝕故障的微特電機(jī)，分類結(jié)果4代表發(fā)生外圈點(diǎn)蝕故障的微特電機(jī)。通過(guò)圖6的辨識(shí)結(jié)果可見(jiàn)，概率神經(jīng)網(wǎng)絡(luò)方法可以很好地識(shí)別各類電機(jī)狀況，而且可以將不同點(diǎn)蝕類型的電機(jī)區(qū)分。

圖6中縱坐標(biāo)表示對(duì)輸入信號(hào)進(jìn)行模式辨識(shí)的結(jié)果。分類結(jié)果1代表正常的微特電機(jī),分類結(jié)果2代表發(fā)生內(nèi)圈點(diǎn)蝕故障的微特電機(jī),分類結(jié)果3代表發(fā)生滾動(dòng)體點(diǎn)蝕故障的微特電機(jī),分類結(jié)果4代圖6 概率神經(jīng)網(wǎng)絡(luò)質(zhì)量分析結(jié)果

從實(shí)驗(yàn)的測(cè)試結(jié)果可見(jiàn)，微特電機(jī)的振動(dòng)信號(hào)通過(guò)小波包能量熵進(jìn)行特征提取，然后將振動(dòng)信號(hào)特征作為概率神經(jīng)網(wǎng)絡(luò)的輸入進(jìn)行運(yùn)行狀態(tài)辨識(shí)，可以很好地判定電機(jī)的質(zhì)量狀況，這種方法可以作為電機(jī)裝配可靠性檢驗(yàn)的依據(jù)。

5 結(jié) 語(yǔ)

本文對(duì)微特電機(jī)的振動(dòng)信號(hào)進(jìn)行了研究，通過(guò)小波包能量熵對(duì)振動(dòng)信號(hào)分析，提取出電機(jī)運(yùn)行時(shí)振動(dòng)信號(hào)的特征向量，然后將特征向量作為概率神經(jīng)網(wǎng)絡(luò)的的輸入。設(shè)計(jì)中通過(guò)LabVIEW和MATLAB搭建監(jiān)控系統(tǒng)軟件平臺(tái)，通過(guò)振動(dòng)傳感器、數(shù)據(jù)采集卡、微特電機(jī)和PC電腦搭建出所需的硬件平臺(tái)。在該平臺(tái)上對(duì)研究的方法做了驗(yàn)證，實(shí)現(xiàn)結(jié)果證明了文中所提方法的有效性。本文的不足之處在于，通過(guò)概率神經(jīng)網(wǎng)絡(luò)的方法需要對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)訓(xùn)練，使得該方法在使用的適用性上具有一定的局限性，適用于電機(jī)裝配等生產(chǎn)環(huán)節(jié)。

[1] 郝研，王太勇，萬(wàn)劍,等.分形盒維數(shù)抗噪研究及其在故障診斷中的應(yīng)用[J].儀器儀表學(xué)報(bào),2011,32(3):540-545.

[2] 湯寶平,蔣永華，張?jiān)敶?基于形態(tài)奇異值分解和經(jīng)驗(yàn)?zāi)B(tài)分解的滾動(dòng)軸承故障特征提取方法[J].機(jī)械工程學(xué)報(bào),2010,46(5):37-48.

[3] 李秀梅，李文，孫燕楠,等.改進(jìn)PCA和JADE盲源算法應(yīng)用于電機(jī)系統(tǒng)振動(dòng)信號(hào)的分離[J].化工自動(dòng)化及儀表，2014,41(8):926-929.

[4] 何青，解芳芳，李紅,等.基于流形學(xué)習(xí)方法的汽輪機(jī)組振動(dòng)特征提取[J].振動(dòng)、測(cè)試與診斷,2014,34(4)：705-708.

[5] 劉幸國(guó)，韓捷.基于矢分?jǐn)?shù)階傅立葉變換的旋轉(zhuǎn)機(jī)械故障診斷方法的研究[J].機(jī)械設(shè)計(jì)與制造，2009,(9)：217-218.

[6] 吳志良.船舶電站可靠性建模及故障樹(shù)分析法研究[D].大連:大連海事大學(xué)，2015:30-40.

[7] 唐東明.聚類分析及其研究應(yīng)用[D]. 成都:電子科技大學(xué)，2010:26-41.

[8] 邢杰，蕭德云.基于PCA的概率神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化[J].清華大學(xué)學(xué)報(bào):自然科學(xué)版，2008,48(1):141-144.

[9] 陳繼開(kāi)，李浩昱，吳建強(qiáng),等.非廣延小波熵在電力系統(tǒng)暫態(tài)信號(hào)特征提取中的應(yīng)用[J].中國(guó)電機(jī)工程學(xué)報(bào)，2010,30(28)：25-32.

[10] 李巍華，戴炳雄，張紹輝.基于小波包熵和高斯混合模型的設(shè)備故障診斷和軸承性能退化評(píng)估[J].振動(dòng)與沖擊，2013，32(21):35-40.

[11] 肖文斌，陳進(jìn)，周宇，等.小波包變換和隱馬爾可夫模型在軸承性能退化評(píng)估中的應(yīng)用[J].振動(dòng)與沖擊，2011，30(8)：32-35.

[12] 張景異,楊青,朱美臣．基于小波包熵和ISODATA的滾動(dòng)軸承故障診斷[J].工業(yè)儀表與自動(dòng)化裝置,2012,(2):3-7.

[13] 谷雷,楊青,王大志．概率神經(jīng)網(wǎng)絡(luò)在化工過(guò)程故障檢測(cè)中的應(yīng)用[J]．控制工程，2008,15(S0):128-130.

[14] 刁延松. 基于神經(jīng)網(wǎng)絡(luò)和小波分析的海洋平臺(tái)結(jié)構(gòu)損傷檢測(cè)研究[D].青島：中國(guó)海洋大學(xué)，2006:19-21.

[15] PENG Minfang.Analog circuit diagnosis using RBF network and D-S evidential reasoning[J].Transactions of China Electrotechnical Society,2009,24(8):6-13.

[16] Bearing data center seeded fault teat data[DB/OL].(2012-06-20).http://www.csegroups.case.edu/bearingdatacenter/home.

[17] 李江全，劉恩博，胡蓉,等.LabVIEW虛擬儀器數(shù)據(jù)采集與串口通信測(cè)控應(yīng)用實(shí)戰(zhàn)[M].1版.北京：人民郵電出版社,2010:74-96.

[18] 王正林，劉明.精通MATLAB7[M].1版.北京：電子工業(yè)出版社,2008:55-75.

Bearing Fault Monitoring of Micromotor Based on Wavelet Package Entropy and Probabilistic Neural Network

LIKe,TAINeng-ling,ZHANGShen-xi

(Key Laboratory of Control of Power Transmission and Conversion (Shanghai Jiao Tong University),Ministry of Education, Shanghai 200240, China)

A combination algorithm of wavelet packet energy entropy and probabilistic neural network was present. By means of analyzing the vibration signals of micromotor, the bearing reliability can be predicated. In order to prove the effectiveness of the method, the software and hardware platform for the motor vibration signal acquisition and analysis was set. Through the experiment of four different motor fault types, the results show that the algorithm can be used as a basis of reliability judgment of micromotor bearing.

wavelet package entropy; probabilistic neural network; micromotor; bearing; monitoring; LabVIEW

2016-02-01

TM307

A

1004-7018(2016)04-0037-03