扫路风机-风机-鸿宇风机

映射(FM) 和双向联想记忆(BAM) 等[17] 。为了*****网络的工作性能， 人们对网络的结构类型、学习算法和

样本处理等问题进行了研究: 应用模块化*网络解决大规模复杂问题[18]

; 应用剪枝法优化网络连接方式[

19]

; 将遗传算法[20]

和混沌理论[21]

应用于网络的学习训练中， 解决局部****小问题; 为****网络的泛化能力、加快网

络学习速度，窑炉风机， 在训练样本中加入噪声， 或者对样本数据进行优化处理[22] 。基于*网络的智能故障诊断具有

特征的几个坐标轴生成 ， 由于不同类别的模式一般

具有不同的模式特征 ，扫路风机，因而在该子空间中 ，属于该类

别模式的投影分布相对集中 ，矿用风机， 且与属于其它类别模

式的投影明显分离 。由此可以推测 ， 若将某一待识

别模式投影到它所属类别对应的子空间中 ， 其投影

必将与该子空间的训练模式集的投影充分靠近 。

用 K-L子空间法对一待识别模式进行分类的

步骤如下 :

(1)计算得出各类别训练样本的模式集 Pi =

[ x1 ， x2 ， … …， xsi] (i =1，风机， …… ， m );m为总类别数目 ，

Si 为第 i类训练样本的数目 。

2 故障征兆提取

风机的振动信号反映了风机设备的运

行状况， 其时域、频域和幅值域分析结果均 图 1 风机振动因果图

可以作为故障征兆。由于以快速 Fourier 变换(FFT) 为基础的数字信号处理技术在机械动力学中广泛应用，

测试分析方法已经达到了比较完善的程度， 而且， 风机的振动信号在频域内的能量分布具有比较明显的特

点， 因此， 目前的风机故障诊断仍以振动信号的频域特征作为主要的故障征兆。

(1) 功率谱估计

由于风机振动信号在频域内具有明显的分布特征， 因此， 各种功率谱估计技术在故障征兆提取中得到了