電機故障振動的一種方法的設(shè)計【畢業(yè)設(shè)計+開題報告+文獻綜述】

1、<p>　　本科畢業(yè)設(shè)計(論文)</p><p><b>　?。ǘ?屆）</b></p><p>　　電機故障振動的一種方法的設(shè)計</p><p>　　所在學(xué)院 </p><p>　　專業(yè)班級 電氣工程及其自動化 </p>

2、<p>　　學(xué)生姓名 學(xué)號 </p><p>　　指導(dǎo)教師 職稱 </p><p>　　完成日期 年 月 </p><p><b>　　摘 要</b></p><p>　　隨著

3、現(xiàn)代科學(xué)技術(shù)的發(fā)展和電氣化程度的提高，電機已成為工業(yè)生產(chǎn)和日常生活中最主要的原動力和驅(qū)動裝置，已被廣泛地應(yīng)用于工業(yè)生產(chǎn)的各個領(lǐng)域。電機一旦發(fā)生故障，不僅會損壞電機本身，嚴(yán)重時還會使電機突然停機導(dǎo)致生產(chǎn)線崩潰，給人們造成巨大的經(jīng)濟損失和災(zāi)難性后果。因此，通過對電機的監(jiān)測和分析，可以及早發(fā)現(xiàn)故障和預(yù)防故障，減少突發(fā)事故造成的損失，并為實現(xiàn)檢修創(chuàng)造條件。假如能夠設(shè)計出一種故障診斷系統(tǒng)，在電機運行時就能判斷出電機的運行狀態(tài)，及時發(fā)現(xiàn)電機故障，這

4、將在很大程度上避免更大損失的發(fā)生。</p><p>　　基于離散余弦變換和人工神經(jīng)網(wǎng)絡(luò)分析的過程監(jiān)測方法，由于充分利用了離散余弦變換分析算法在數(shù)據(jù)量壓縮方面的優(yōu)勢和人工神經(jīng)網(wǎng)絡(luò)對模式識別分類的能力，利用離散余弦變換和人工神經(jīng)網(wǎng)絡(luò)分析進行故障監(jiān)測和診斷已經(jīng)得到較廣泛的研究。</p><p>　　本文首先介紹了電機故障診斷的目的和意義，在理論上詳述了離散余弦變換的原理和算法。接著本設(shè)計給出了感

5、應(yīng)電機的三維正交軸X，Y，Z方向的振動樣本。對正常模式，軸承故障模式，軸承、轉(zhuǎn)子故障模式各取樣本，采用離散余弦變換，提取振動信號的特征，并采用人工神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練并識別，經(jīng)測試得出，該方法對感應(yīng)電機故障診斷具有很好的實用性和有效性。</p><p>　　關(guān)鍵詞：感應(yīng)電機，故障診斷，數(shù)字信號處理，離散余弦變換，人工神經(jīng)網(wǎng)絡(luò)</p><p>　　A method to solve the vi

6、bration of motor fault</p><p><b>　　Abstract</b></p><p>　　With the development of modern science and technology and a higher level of electrification, the motor has been used in the i

7、ndustrial production and daily life, and the main driving force has been widely used in industrial production in various fields. Motor in the event of failure, not only will damage the motor itself, serious cases will le

8、ad to the production line shut down the motor suddenly collapse to the people causing enormous economic losses and disastrous consequences. Therefore, by m</p><p><b>　　朗讀</b></p><p>

9、　　顯示對應(yīng)的拉丁字符的拼音</p><p>　　Keywords: Induction motor, fault diagnosis, digital signal processing, discrete cosine transform, artificial neural network</p><p><b>　　目錄</b></p><

10、p><b>　　摘 要I</b></p><p>　　Abstract3</p><p><b>　　1 緒論5</b></p><p>　　1.1電動機故障診斷的研究背景及意義5</p><p>　　1.2電機故障診斷技術(shù)5</p><p>　　1.2.1

11、電機故障診斷技術(shù)概述5</p><p>　　1.3電機故障診斷技術(shù)研究的現(xiàn)狀7</p><p>　　1.3.1 信號處理技術(shù)與診斷方法在故障診斷中的研究現(xiàn)狀7</p><p>　　1.4課題研究的主要內(nèi)容9</p><p>　　1.4.1主要研究工作9</p><p>　　本論文主要做了如下研究工作：9&l

12、t;/p><p>　　1.4.2 論文結(jié)構(gòu)9</p><p>　　2離散余弦變換及BP神經(jīng)網(wǎng)絡(luò)分析方法的理論基礎(chǔ)9</p><p>　　2.1離散余弦變換概述[18]9</p><p>　　2.2正交變換特性10</p><p>　　2.3 DCT原理11</p><p>　　2.4 DC

13、T算法12</p><p>　　2.5 BP神經(jīng)網(wǎng)絡(luò)13</p><p>　　3基于DCT和BP神經(jīng)網(wǎng)絡(luò)分析的故障診斷實驗與分析15</p><p>　　3.1實驗問題與數(shù)據(jù)描述15</p><p>　　3.2 特征提取與分析診斷32</p><p>　　3.3實驗結(jié)果32</p><p

14、><b>　　4 結(jié)論33</b></p><p>　　4.1全文總結(jié)33</p><p>　　4.2研究展望33</p><p><b>　　參考文獻34</b></p><p>　　致謝錯誤!未定義書簽。</p><p><b>　　附錄37&

15、lt;/b></p><p><b>　　1 緒論</b></p><p>　　1.1電動機故障診斷的研究背景及意義</p><p>　　隨著現(xiàn)代科學(xué)技術(shù)的進步、生產(chǎn)系統(tǒng)的發(fā)展和設(shè)備制造水平的提高，生產(chǎn)系統(tǒng)中所采用的電機數(shù)量不斷增加，單機容量也在不斷提高，而大型異步電動機更是現(xiàn)代化生產(chǎn)企業(yè)的主要驅(qū)動裝置，它的運行狀況直接影響到工業(yè)生產(chǎn)的正

16、常進行。其一旦發(fā)生嚴(yán)重故障，不僅電機自身將損壞，而且將導(dǎo)致整個工業(yè)生產(chǎn)中斷[1]，因此對電機故障的診斷要求十分迫切。通過對電機常見故障的診斷和分析，可以及早發(fā)現(xiàn)故障和預(yù)防故障的進一步惡化，減少突發(fā)事故造成的停產(chǎn)損失，防止對人員和設(shè)備安全的威脅，并為實現(xiàn)狀態(tài)檢修創(chuàng)造條件；還可為設(shè)計制造者提供經(jīng)驗，積累數(shù)據(jù)，有助于電機性能及可靠性的改進；同時對電機故障定位、決策及維修都是極其重要的[2]。</p><p>　　大型電

17、機在系統(tǒng)中有著重要的地位和作用，由于價格昂貴，更重要的是由于生產(chǎn)過程中斷導(dǎo)致的損失往往比電機本身的損失更為龐大[3]，所以一般除應(yīng)采取各種積極的維護措施消除或減少故障隱患之外，在電機故障初期若能捕獲到故障信息，為實現(xiàn)合理的狀態(tài)檢修創(chuàng)造條件，這才是電機最為理想的診斷和保護措施[4][5]。為了能在電機有早期故障征兆時采取積極主動的調(diào)節(jié)措施，防止故障的進一步惡化，應(yīng)配備故障在線監(jiān)視、檢測和智能診斷系統(tǒng)，通過對各種電氣量或非電氣量的連續(xù)監(jiān)視，

18、分析早期故障征兆信號，并結(jié)合智能診斷系統(tǒng)進行判別。這門技術(shù)的出現(xiàn)，已在各生產(chǎn)部門和技術(shù)領(lǐng)域發(fā)展迅速并取得了很大成效，促進了電機維修體制的一次變革，使電機維修體制由傳統(tǒng)的事后維修和預(yù)防維修方式，逐步變?yōu)轭A(yù)知維修(或狀態(tài)維修) [6]。目前這項技術(shù)正在崛起，應(yīng)用領(lǐng)域在不斷的擴展。</p><p>　　1.2電機故障診斷技術(shù)</p><p>　　1.2.1電機故障診斷技術(shù)概述</p>

19、<p>　　電機診斷是設(shè)備診斷技術(shù)的一個部分，但是由于電機的工作原理和結(jié)構(gòu)上的各種特點，其診斷的方法和采用的檢測技術(shù)和其它設(shè)備的診斷有所不同。電機診斷需涉及較多技術(shù)領(lǐng)域?！　‰姍C在進行能量交換的過程中，往往會產(chǎn)生電損耗、機械損耗和介質(zhì)損耗。這些損耗最終都變成熱能散逸出來，并由冷卻介質(zhì)帶走，這就是電機的發(fā)熱和冷卻。電機的冷卻是通過軸上風(fēng)扇、強制鼓風(fēng)或密封的冷卻系統(tǒng)來實現(xiàn)的。電機內(nèi)的通風(fēng)溝、風(fēng)扇、擋風(fēng)罩以及鼓風(fēng)機、冷卻器、過

20、濾器等構(gòu)成了電機的通風(fēng)系統(tǒng)[7]?！　【C上所述，電機內(nèi)部至少包括如下幾個獨立的、又相互關(guān)聯(lián)的工作系統(tǒng)：(1)電路系統(tǒng)；(2)磁路系統(tǒng)；(3)絕緣系統(tǒng)；(4)機械系統(tǒng)；(5)通風(fēng)散熱系統(tǒng)。　 由于電機存在幾個相互關(guān)聯(lián)的工作系統(tǒng)，故障的起因和故障的征兆往往表現(xiàn)出多變性，這為電動機故障診斷增加了難度。對電機進行診斷時，必須熟悉診斷對象。</p><p>　　一般故障診斷要經(jīng)歷下列步驟：</p>&l

21、t;p>　　1．用傳感器檢測來設(shè)備的狀態(tài)信號，獲得設(shè)備運行狀態(tài)的原始信息：如溫度、電壓、電流、振動等能量信號或銹蝕、煙霧等物質(zhì)狀態(tài)信號。并要選擇最能表征診斷對象工作狀態(tài)的信號。</p><p>　　2．從檢測的原始信號中提取故障特征。對通過檢測而獲得設(shè)備狀態(tài)的信號進行處理，并消除噪聲，以獲得最能反映各種故障的特征信號，作為診斷的征兆。</p><p>　　3．根據(jù)故障征兆和相關(guān)診斷信

22、息的分析，進行設(shè)備運行狀態(tài)識別，制定診斷決策。將待檢模式與己知模式進行比較，實現(xiàn)狀態(tài)分類。</p><p>　　對應(yīng)于診斷過程中信號檢測、征兆提取和狀態(tài)識別這三個步驟，設(shè)備故障診斷主要內(nèi)容包括下列幾個方面，如圖1-1所示：</p><p>　　1)用合適的特征信號及相應(yīng)的觀測方式，在設(shè)備合適的部位，測取有關(guān)設(shè)備故障的特征信號。</p><p>　　2)采用合適的征兆

23、提取方法與裝置，從特征信號中提取設(shè)備有關(guān)狀態(tài)的征兆。</p><p>　　圖1-1 故障診斷主要內(nèi)容[8]</p><p>　　3)采用合適的狀態(tài)識別方法與裝置，依據(jù)征兆進行推理和識別設(shè)備的有關(guān)狀態(tài)，包括不正常的狀態(tài)。</p><p>　　4)采用合適的狀態(tài)趨勢分析方法與裝置，依據(jù)征兆與狀態(tài)進行推理而識別出有關(guān)狀態(tài)的發(fā)展趨勢，包括故障的早期診斷與預(yù)測。</p&

24、gt;<p>　　1.3電機故障診斷技術(shù)研究的現(xiàn)狀</p><p>　　設(shè)備診斷技術(shù)是20世紀(jì)60年代后半期首先在美國出現(xiàn)的，而它被應(yīng)用于電機是在20世紀(jì)80年代。1986年，P．J．Taver與J．Penman提出了電機狀態(tài)監(jiān)測的概念[9] [10]。20多年來，隨著傳感器、計算機、光纖、信號處理技術(shù)等的迅速發(fā)展與應(yīng)用，電機故障診斷技術(shù)有了較大的發(fā)展。</p><p>　　

25、電機的故障往往通過電機的運行表現(xiàn)出來，因此電機故障的分析一般通過對其運行狀態(tài)特性的分析來進行。從八十年代開始，國內(nèi)外的學(xué)者對電機的故障診斷進行了大量的研究，從分析方法上來講一般有[11]：理論分析、試驗研究、仿真研究等。</p><p>　　1.3.1 信號處理技術(shù)與診斷方法在故障診斷中的研究現(xiàn)狀</p><p>　　用于電機故障診斷的信號有振動、噪聲、溫度、壓力、電流、電壓等，統(tǒng)稱為檢測

26、信號。檢測信號中蘊含著能反映設(shè)備運行狀態(tài)的重要信息，但是一般情況下難以直接觀察出信號的特征，必須采用合適的方法對原始信號進行處理以提取敏感的能反映故障征兆的特征[12]。目前常用的信號處理方法分信號時域分析方法、信號頻域分析方法和時頻分析方法[13]。</p><p>　　故障信號處理技術(shù)就是對這些監(jiān)測信號進行加工、變換，提取出對診斷有用的故障特征。在電機故障診斷中主要有時域、頻域分析方法，神經(jīng)網(wǎng)絡(luò)方法。<

27、/p><p><b>　　信號時域分析法</b></p><p>　　自適應(yīng)濾波、時域平均與自相關(guān)分析是常用的幾種時域消噪方法，這些方法在消噪的同時保留了信號的時域特征，可用于分析信號特征。時間序列模型參數(shù)與統(tǒng)計分析參數(shù)(如方差、自相關(guān)系數(shù)等)是常用的信號時域特征參數(shù)提取方法。</p><p>　　2． 信號頻域分析法</p><

28、;p>　　以離散余弦變換(DCT)為核心的經(jīng)典信號處理方法在故障診斷中發(fā)揮巨大的作用，它包括：頻譜分析、相關(guān)分析、相干分析、傳遞函數(shù)分析。細(xì)化譜分析、時間序列分析、倒譜分析、包絡(luò)分析等[14]。常用的特征參數(shù)就是DCT譜和AR譜，DCT譜的幅值和相位反映了信號的各個組成頻率成分；AR譜特別適于分析短序列隨機信號的功率譜。</p><p><b>　　(1)短時功率譜法</b></

29、p><p>　　短時功率譜分析的基本思想是用一固定的滑動窗沿時間軸將信號截取，劃分為短片段，允許前后片段之間有部分?jǐn)?shù)據(jù)重疊，計算每一段短信號的功率譜，將計算結(jié)果按時間順序排列就可以觀察出信號頻譜結(jié)構(gòu)的時變特征。短時分析方法突出了信號的局部特征。</p><p><b>　　(2)時頻分布法</b></p><p>　　量子物理學(xué)家Wigner和Vi

30、lle首次提出了Wigner-Ville時頻分布，Classen等人系統(tǒng)地研究了這種方法在信號時頻分析中的應(yīng)用，L．Choen提出的Choen類時頻分布統(tǒng)一了在此之前所提出的各種時頻分布，即各種時頻分布都可以表示成原信號的時頻分布與一核函數(shù)的時頻分布的二維卷積(已經(jīng)證明短時功率譜也是一種時頻分布)，時頻分布的性能是由核函數(shù)所決定的。信號的時頻分布具有很高的時頻分辨率。但是它不是待分析信號的線性函數(shù)，所以多頻率成分信號的時頻分布中包含有嚴(yán)

31、重的交叉干涉項，交叉干涉項的存在使時頻分布容易受到噪聲的干擾，如何減少時頻分布中的交叉干涉項也是目前研究的熱點[15]。</p><p><b>　　(3)小波分析法</b></p><p>　　小波分析是近年來出現(xiàn)的一種新的信號時頻分析方法。它通過一個變尺度滑動窗沿時間軸對信號進行分段截取和分析，與短時Fourier分析很相似，但小波分析中滑動窗特性不是固定的，而是

32、隨著尺度因子而改變：在時問—頻率相平面的高頻段，滑動窗的時窗寬度變窄而頻窗寬度變寬，具有較高的時間分辨率和低的頻率分辨率，在時間—頻率相平面的低頻段，滑動窗的時窗寬度變寬而頻窗寬度變窄，具有較低的時間分辨率以及較高的頻率分辨率。由于良好的時頻局部化特征，小波變換可以準(zhǔn)確地抓住瞬變信號的特征，對信號中短時高頻成分進行準(zhǔn)確定位，也能對信號中的低頻緩變趨勢進行估計，這一點正是小波分析的精華所在．在離散小波變換的基礎(chǔ)上Wickerhauser進

33、一步提出了小波包分析方法[16]，可以根據(jù)信號特征靈活地調(diào)整分析結(jié)果在各頻段的時間分辨率和頻率分辨率。</p><p>　　3．人工神經(jīng)網(wǎng)絡(luò)分析法</p><p>　　人們探索進化求解的原理來解決問題，而人工神經(jīng)網(wǎng)絡(luò)就是基于這種思想來模擬生物大腦信息處理功能而構(gòu)成的計算模式。由于神經(jīng)網(wǎng)絡(luò)具有快速并行處理、聯(lián)想記憶、自組織和自學(xué)習(xí)以及非線性映射的能力，為故障信號分析與處理、故障模式識別、故障

34、診斷領(lǐng)域?qū)＜抑R的組織和推理等提供了新方法[17]。</p><p>　　1.4課題研究的主要內(nèi)容</p><p>　　1.4.1主要研究工作 </p><p>　　本論文主要做了如下研究工作：</p><p>　　(1)對于電機故障的多變量數(shù)據(jù)，提取振動信號，濾去高頻成分，提取核心特征，利用了離散余弦變換很好的能量壓縮性能，分析處理多變量數(shù)

35、據(jù)集。</p><p>　　(2)在實驗室成功搭建了實驗平臺，利用電機的歷史正常運行數(shù)據(jù)構(gòu)造了數(shù)字信號模型，并設(shè)計實驗用正常數(shù)據(jù)和異常數(shù)據(jù)檢驗數(shù)字信號模型的有效性，驗證了使用離散余弦變換分析方法進行實驗可行性。</p><p>　　(3)對異步電動機的正常歷史數(shù)據(jù)進行分析，建立相應(yīng)數(shù)字信號模型，確定數(shù)字信號模型的相關(guān)參數(shù)，并采用BP神經(jīng)網(wǎng)絡(luò)進行識別并分類，對異步電動機的狀態(tài)進行監(jiān)測，實現(xiàn)異

36、步電動機運行時狀態(tài)數(shù)據(jù)的采集和顯示，從而實現(xiàn)異步電機故障的分析。</p><p>　　1.4.2 論文結(jié)構(gòu)</p><p>　　本論文共分了四個章節(jié)對課題研究進行了敘述。</p><p>　　第一章為引言部分，主要介紹了課題的背景和意義，故障診斷技術(shù)的概念、意義及其研究現(xiàn)狀，以及主要研究工作和論文結(jié)構(gòu)。</p><p>　　第二章介紹了論文的

37、理論基礎(chǔ)知識，重點介紹了信號處理過程監(jiān)控技術(shù)中的離散余弦變換和人工神經(jīng)網(wǎng)絡(luò)的原理和基本知識，包括其推導(dǎo)過程及性質(zhì)。</p><p>　　第三章為實驗部分，主要介紹了實驗系統(tǒng)平臺的設(shè)計與搭建，并在實驗平臺上應(yīng)用離散余弦變換分析方法對一臺三相異步電動機進行操作，用離散余弦變換分析方法提取數(shù)據(jù)信息，構(gòu)造了較為準(zhǔn)確的離散余弦變換分析模型，并通過大量實驗，給出了各個實驗圖和數(shù)據(jù)，特征提取分析實現(xiàn)離散余弦變換分析方法的處理數(shù)

38、據(jù), 并采用BP神經(jīng)網(wǎng)絡(luò)進行識別并分類，基本實現(xiàn)了對異步電動機運行狀態(tài)的診斷分析。</p><p>　　第四章為結(jié)論部分，對本課題進行了總結(jié)，對后續(xù)的研究工作進行了展望，并指出了本論文研究的不足之處。</p><p>　　2離散余弦變換及BP神經(jīng)網(wǎng)絡(luò)分析方法的理論基礎(chǔ)</p><p>　　2.1離散余弦變換概述[18]</p><p>　　自

39、1974年Ahmed、Natarajan和Rao首次提出離散余弦變換(DCT，Discrete Cosine Transform)以來，離散余弦變換已廣泛地應(yīng)用在圖象及數(shù)字信號處理中，特別是在數(shù)據(jù)壓縮領(lǐng)域，因為DCT基向量類似于正交變換中的最佳變換——卡南．洛伊夫變換(KLT)。正交變換重要的應(yīng)用是數(shù)據(jù)壓縮，而其關(guān)鍵是給信號以有效的表達方式，即將一組離散信號(N個采樣植)由時域映射到N維變換域，使其能量在變換域中更集中于某一區(qū)域。即，與

40、在時域相比，該信號在變換域中的編碼只需用較少的比特數(shù)表示，而不致引起明顯誤差，從而剔除了信息冗余度，壓縮了數(shù)據(jù)量，是一種高效的變換編碼方式。</p><p>　　所有的離散余弦變換都遵循以下的變換模式：</p><p><b>　?。?-1）</b></p><p>　　該模式是由Wang觀察得到的。四種不同dct實例的核函數(shù)分別是由：<

41、/p><p>　　dct-i： （2-2）</p><p>　　dct-iI： （2-3）</p><p>　　dct-iii： （2-4）</p><p>　　dct-IV： （2-5）</p><p>　　定義。其中除了外，。</p

42、><p><b>　　2.2正交變換特性</b></p><p>　　離散余弦變換是正交變換的一種。它是通過正交變換把圖象從空間域轉(zhuǎn)換到能量比較集中的變換域中，然后對變換系數(shù)進行量化、編碼，從而達到數(shù)據(jù)壓縮的目的。</p><p>　　正交變換之所以能夠壓縮數(shù)據(jù)，主要有以下性質(zhì)：</p><p>　　1.變換具有熵保持性，即

43、通過正交變換后并不丟失信息。</p><p>　　2.變換具有能量保持性，并能把能量重新分配和集中。這就有可能采用熵壓縮法來壓縮系數(shù)，即在質(zhì)量允許的情況下，舍棄一部分能量很小的系數(shù)，對能量較小的系數(shù)分配較少的比特，而對能量較大的系數(shù)分配較多的比特，從而使數(shù)據(jù)有較大的壓縮。</p><p>　　3.去相關(guān)性，可使高度相關(guān)的空間樣值轉(zhuǎn)變?yōu)橄嚓P(guān)性較弱的變換系數(shù)，從而減少空間樣值之間冗余度。<

44、;/p><p>　　目前，在數(shù)據(jù)的壓縮編碼方案中廣泛采用離散余弦變換，有以下幾個原因：一是離散余弦變換接近最佳K—L變換。因為K—L變換能產(chǎn)生非相關(guān)的變換系數(shù)(非相關(guān)變換系數(shù)對壓縮極為重要)，可以單獨處理各系數(shù)而不損失壓縮效率，但K—L變換至今沒有快速算法，因此無法用硬件來實現(xiàn)。二是用離散余弦變換而不用離散傅立葉變換的原因在于，離散傅立葉變換要進行復(fù)數(shù)運算，一次復(fù)數(shù)相當(dāng)于四次實乘和二次實加，因而離散傅立葉變換需要的運

45、算量很大，難于滿足實時圖象處理的要求，而離散余弦變換是一種實數(shù)域的變換，需要的運算量比離散傅立葉變換要少很多。</p><p><b>　　2.3 DCT原理</b></p><p>　　正向一維離散余弦變換的定義由下式表示：</p><p><b>　　（2-6）</b></p><p>　　其中

46、，當(dāng)u=0時，，否則。式中是第u個余弦變換系數(shù)，u是廣義頻域變量，；是時域N點序列，。</p><p>　　反向一維離散余弦變換的定義由下式表示：</p><p><b>　?。?-7）</b></p><p>　　其中，各變量含義同（2-6）式。若定義為變換系數(shù)矩陣，為時域數(shù)據(jù)矩陣，則一維DCT的矩陣定義式可寫成如下形式：</p>

47、<p><b>　??；</b></p><p>　　正向二維離散余弦變換的定義由下式表示：</p><p><b>　　（2-8）</b></p><p>　　其中；當(dāng)時，。是空間域象素的坐標(biāo)，表示空間域二維向量的象素值，是DCT空間的坐標(biāo)，是DCT空間中的變換系數(shù)值。，，式中表示的陣列為NxN。</p

48、><p>　　反向二維離散余弦變換的定義由下式表示：</p><p><b>　?。?-9）</b></p><p>　　式中各變量含義同（2-8）式，若定義為變換矩陣，為空間數(shù)據(jù)陳列，為變換系數(shù)陣列，則二維DCT的矩陣定義式可寫成如下形式：</p><p><b>　??；</b></p>

49、<p><b>　　2.4 DCT算法</b></p><p>　　奇偶分解法是離散余弦變換中最明顯的可以減少乘法和加法次數(shù)的方法。該算法利用余弦系數(shù)的對稱性和反對稱性。以8點離散余弦變換為例進行說明：</p><p><b>　?。?-10）</b></p><p>　　式中表示。觀察（2-10）式會發(fā)現(xiàn)，第

50、一列和最后一列除了符號不同外，數(shù)值一樣；第二列和倒數(shù)第二列也是同樣，其它列以此類推。利用矩陣的對稱性和反對稱性將矩陣分為左右兩部分，則（2-10）式可重新表示如下：</p><p><b>　　（2-11）</b></p><p>　　此種表達方式只需要計算32次乘法和32次加法，而前面所述完全矩陣向量乘法需要64次乘法和56次加法來完成變換。對（2-11）式的余弦系

51、數(shù)矩陣的左上角1／4做分解處理，則可以進一步減少乘法的次數(shù)。以8點DCT為例，變換為（2-12）式只需要22次乘法和28次加法。</p><p>　　利用（2-11）式計算DCT被稱作一級奇偶分解算法，利用（2-12）式被稱作全級奇偶分解，或者簡單的稱做奇偶分解算法。在（2-12）式中，22次乘法里有2次涉及到比例因子，如果將整個余弦矩陣乘以，就可以在改變其他因子 （2-12）

52、 </p><p>　　的同時，消除這兩次乘法。這種方法尤其適合二維DCT的行列法。因為在兩次1-D變換中都乘以，對結(jié)果的影響相當(dāng)于乘以2，可以在最后結(jié)束時，對結(jié)果進行右移一位校正，通常并不消耗額外的時間或者硬件資源。這種方法稱作比例奇偶分解算法。比例奇偶分解算法不是最快的，但是它的優(yōu)點在于所有的乘法都可以并行執(zhí)行，適于并行或流水線操作，以縮短等待時間。</p><p>　　

53、2.5 BP神經(jīng)網(wǎng)絡(luò)</p><p>　　BP神經(jīng)網(wǎng)絡(luò)通常是指基于誤差反向傳播反向傳播算法（BP算法）的多層前向神經(jīng)網(wǎng)絡(luò)，它是D．E．Rumelhart和J．L．McCelland及其研究小組在1986年研究并設(shè)計出來的。此算法已成為目前應(yīng)用最為廣泛的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法，據(jù)統(tǒng)計有近90%的神經(jīng)網(wǎng)絡(luò)應(yīng)用是基于BP算法的。BP網(wǎng)絡(luò)的神經(jīng)元采用的傳遞函數(shù)通常是Sigmoid型可微函數(shù)，所以可以實現(xiàn)輸入和輸出間的任意非線性

54、映射，這使它在諸如函數(shù)逼近、模式識別、數(shù)據(jù)壓縮等領(lǐng)域有著更加廣泛的應(yīng)用。</p><p>　　BP神經(jīng)網(wǎng)絡(luò)是一種有隱含層的多層前饋網(wǎng)絡(luò)，結(jié)構(gòu)如圖2-1所示。在BP神經(jīng)網(wǎng)絡(luò)中的神經(jīng)元多采用S型函數(shù)作為激活函數(shù)，利用其連續(xù)可導(dǎo)性，便于引入最小二乘(Least Mean Squares—LMS)學(xué)習(xí)算法，即在網(wǎng)絡(luò)學(xué)習(xí)過程中，使網(wǎng)絡(luò)的輸出與期望輸出的誤差邊向后傳播邊修正連接權(quán)值，以期望其誤差均方值最小。</p>

55、;<p>　　圖2-1 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖</p><p>　　BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程包括正向和反向傳播兩個階段，在正向傳播過程中，輸入信息從輸入層經(jīng)隱含層逐層處理，并傳向輸出層，每一層神經(jīng)元的狀態(tài)只影響下一層。如果在輸出層得不到期望輸出，則轉(zhuǎn)入反向傳播，將誤差信號沿原來的通路返回，通過修改各層神經(jīng)元的權(quán)值，使誤差信號最小，這就是誤差反向傳播的過程。經(jīng)過訓(xùn)練的BP網(wǎng)絡(luò)模型可以映射任意復(fù)雜的非線性

56、關(guān)系，當(dāng)有一組新的輸入時，它能夠給出與某一訓(xùn)練樣本最接近的輸出，故它具有良好模式分類能力。針對上述三比值法的不足，選用具有良好模式分類能力的BP神經(jīng)網(wǎng)絡(luò)來處理比值編碼問題，再用三比值法配合診斷，將進一步提高對變壓器故障進行診斷的準(zhǔn)確性。</p><p>　　圖2-2 BP網(wǎng)絡(luò)故障診斷結(jié)構(gòu)圖</p><p>　　3基于DCT和BP神經(jīng)網(wǎng)絡(luò)分析的故障診斷實驗與分析</p><

57、;p>　　3.1實驗問題與數(shù)據(jù)描述</p><p>　　本文研究感應(yīng)電機的3類故障模式：正常運轉(zhuǎn)、軸承故障、軸承、轉(zhuǎn)子故障。實驗?zāi)Ｐ秃蛿?shù)據(jù)說明如圖3-1，3-2所示：</p><p>　　圖3-1 傳感器布置與測試系統(tǒng)</p><p><b>　　表3-2數(shù)據(jù)說明</b></p><p>　　這里取x，y，z三個方

58、向的振動信號作為故障分析的研究對象，有數(shù)據(jù)分析得，每類故障100個樣本，每個樣本2048個采樣點，采樣頻率是10KHz。每類取前70個位訓(xùn)練樣本，后30個作為測試樣本。以下各圖分別為原始振動信號、所對應(yīng)的特征向量、分段求正（即信號的能量）相加后的16維向量以及最后三個方向的識別分類仿真圖。</p><p>　?。ˋ）正常運轉(zhuǎn)——X軸方向通道振動信號圖</p><p>　?。˙）正常運轉(zhuǎn)X軸

59、方向提取的原始振動信號圖</p><p>　?。–）正常運轉(zhuǎn)X軸方向?qū)?yīng)的16維特征向量表</p><p>　　（D）正常運轉(zhuǎn)——Y軸方向通道振動信號圖</p><p>　?。‥）正常運轉(zhuǎn)Y軸方向提取的原始振動信號圖</p><p>　?。‵）正常運轉(zhuǎn)Y軸方向?qū)?yīng)的16維特征向量表</p><p>　?。℅）正常運轉(zhuǎn)—

60、—Z軸方向通道振動信號圖</p><p>　?。℉）正常運轉(zhuǎn)Z軸方向提取的原始振動信號圖</p><p>　?。↖）正常運轉(zhuǎn)Z軸方向?qū)?yīng)的16維特征向量表</p><p>　　圖、表3-3正常運轉(zhuǎn)的數(shù)據(jù)</p><p>　　（A）軸承故障——X軸方向通道振動信號圖</p><p>　?。˙）軸承故障X軸方向提取的原始振

61、動信號圖</p><p>　?。–）軸承故障X軸方向?qū)?yīng)的16維特征向量表</p><p>　?。―）軸承故障——Y軸方向通道振動信號圖</p><p>　?。‥）軸承故障Y軸方向提取的原始振動信號圖</p><p>　　（F）軸承故障Y軸方向?qū)?yīng)的16維特征向量表</p><p>　?。℅）軸承故障——Z軸方向通道振

62、動信號圖</p><p>　?。℉）軸承故障Z軸方向提取的原始振動信號圖</p><p>　?。↖）軸承故障Z軸方向?qū)?yīng)的16維特征向量表</p><p>　　圖、表3-4軸承故障運轉(zhuǎn)的數(shù)據(jù)</p><p>　?。ˋ）軸承、轉(zhuǎn)子故障——X軸方向通道振動信號圖</p><p>　?。˙）軸承、轉(zhuǎn)子故障X軸方向提取的原始振

63、動信號圖</p><p>　　（C）軸承、轉(zhuǎn)子故障X軸方向?qū)?yīng)的16維特征向量表</p><p>　?。―）軸承、轉(zhuǎn)子故障——Y軸方向通道振動信號圖</p><p>　?。‥）軸承、轉(zhuǎn)子故障Y軸方向提取的原始振動信號圖</p><p>　?。‵）軸承、轉(zhuǎn)子故障Y軸方向?qū)?yīng)的16維特征向量表</p><p>　?。℅）軸

64、承、轉(zhuǎn)子故障——Z軸方向通道振動信號圖</p><p>　　（H）軸承、轉(zhuǎn)子故障Z軸方向提取的原始振動信號圖</p><p>　　（I）軸承、轉(zhuǎn)子故障Z軸方向?qū)?yīng)的16維特征向量表</p><p>　　圖、表3-5軸承、轉(zhuǎn)子故障運轉(zhuǎn)的數(shù)據(jù)</p><p>　　圖3-6 x方向的神經(jīng)網(wǎng)絡(luò)分類仿真</p><p>　　圖3

65、-7 y方向的神經(jīng)網(wǎng)絡(luò)分類仿真</p><p>　　圖3-8 z方向的神經(jīng)網(wǎng)絡(luò)分類仿真</p><p>　　3.2 特征提取與分析診斷</p><p>　　本文件數(shù)據(jù)測點在3號，振動傳感器在電機尾部，其文件內(nèi)部的對應(yīng)的三個軸向數(shù)據(jù)說明如下：</p><p>　　x—4channels</p><p>　　y—5chan

66、nels</p><p>　　z—3channels</p><p>　　分別取三類故障模式的樣本100個（一個列向量作為一個樣本），即構(gòu)成一個2048·100的一個大矩陣，并按下列步驟計算求出特征樣本：</p><p>　　電機轉(zhuǎn)子三個方向的振動向量x，y，z互為正交，各對應(yīng)通道4,5,3。</p><p>　?。?）現(xiàn)取通道4的

67、信號賦給signal_n，由于信號太長，取2048個采樣點為一個樣本，將一列信號轉(zhuǎn)換為2048行173列的矩陣，然后對此矩陣的每一列即每個樣本作余弦變換即得出了特征向量。</p><p>　?。?）取特征矩陣的前100列作為樣本矩陣，對每個樣本進行分段，以128個采樣點為一段，共分為16段，并對每個列向量進行取正并求和。</p><p>　?。?）由于求和后的系數(shù)過大，程序無法運算，故需找

68、到每列最大值，每列數(shù)除以每列最大值即為可運行的系數(shù)。</p><p>　?。?）將每個系數(shù)矩陣的前70列作為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本，后30列作為測試樣本，將三種故障模式的前70列矩陣合并為一個訓(xùn)練矩陣（16x210），后30列合并為測試矩陣（16X30）。接下來確定網(wǎng)絡(luò)的輸出模式，由于電機包括三種故障模式，因此用以下形式表示輸出：運轉(zhuǎn)正常：（0，1）；軸承故障：（1，0）；軸承、轉(zhuǎn)子故障：（1,1）。</p&g

69、t;<p>　　（5）運用BP神經(jīng)網(wǎng)絡(luò)對樣本進行訓(xùn)練，對測試樣本進行診斷和識別并輸出仿真圖。</p><p>　　y，z方向均按照x方向的步驟依次求出。</p><p><b>　?。ㄔ敿?xì)程序見附錄）</b></p><p><b>　　3.3實驗結(jié)果</b></p><p>　　按照

70、上述診斷方法，實驗結(jié)果表明：</p><p>　　x方向的正確診斷率為82.2%。</p><p>　　y方向的正確診斷率為78.9%。</p><p>　　z方向的正確診斷率為81.1%。</p><p>　　這里規(guī)定：哪個方向的正確診斷率最高，那么檢測樣本就取哪一類。</p><p>　　實驗得出我們應(yīng)當(dāng)取x軸方向

71、的振動信號作為監(jiān)測樣本。</p><p>　　實驗證明基于DCT，神經(jīng)網(wǎng)絡(luò)分析方法的上述三類故障模式診斷是可行的，也是合理的。</p><p><b>　　4 結(jié)論 </b></p><p><b>　　4.1全文總結(jié)</b></p><p>　　電機作為原動力和驅(qū)動裝置在人們的日常生活和工農(nóng)業(yè)生產(chǎn)

72、中占據(jù)了重要的地位，一旦發(fā)生故障，將給人們造成不可估量的損失。因此，對電機進行故障診斷甚為重要。20世紀(jì)60年代，故障診斷技術(shù)作為一門學(xué)科逐漸發(fā)展起來。早期人們依據(jù)對設(shè)備的觸摸，對聲音、振動等狀態(tài)特征的感受，憑借工匠的經(jīng)驗，可以判斷某些故障的存在，并提出修復(fù)措施。后來，人們又通過測量電機的電流、電壓、振動、溫度等參數(shù)來判斷電機是否處于故障狀態(tài)。離散余弦變換在處理數(shù)據(jù)時可對其進行壓縮的作用，而人工神經(jīng)網(wǎng)絡(luò)可對故障類型進行識別和診斷，使得基

73、于離散余弦變換和人工神經(jīng)網(wǎng)絡(luò)的故障檢測方法在電機故障診斷中得到了較好的應(yīng)用。</p><p>　　本文的主要工作如下：</p><p>　　第一，在閱讀了大量文獻的基礎(chǔ)上，詳細(xì)介紹了電機故障診斷的研究目的、意義、研究現(xiàn)狀以及存在問題；介紹了電機的故障類型；重點介紹了給出了離散余弦變換和BP神經(jīng)網(wǎng)絡(luò)的原理和算法，并從故障檢測應(yīng)用的角度給出了特征向量的提取和神經(jīng)網(wǎng)絡(luò)的識別，為數(shù)字信號分析狀態(tài)監(jiān)

74、測方法的應(yīng)用提供了理論基礎(chǔ)。</p><p>　　第二，實驗數(shù)據(jù)的處理，通過大量實驗，給出了各個實驗的振動信號圖、特征向量圖和數(shù)據(jù)，應(yīng)用MATLAB對電機故障的振動信號進行了仿真，用特征提取和神經(jīng)網(wǎng)絡(luò)識別分析實現(xiàn)分析方法的處理數(shù)據(jù),基本實現(xiàn)了對異步電動機運行狀態(tài)的診斷分析。</p><p><b>　　4.2研究展望</b></p><p>　

75、　使用離散余弦變換分析方法進行電機故障診斷分析中有一定的可行性，但和實際應(yīng)用還有一定差距，有待于進一步的研究，主要有：</p><p>　?。?）繼續(xù)研究故障特征提取方法，只有快速的提取可靠、正確的故障特征，才能準(zhǔn)確判斷故障類型。</p><p>　?。?）文中均在空載狀態(tài)下采集的故障信號，下一步應(yīng)考慮電機帶半伏在滿負(fù)載時的情況。對采集的數(shù)據(jù)處理時，可采用DCT變換與其他智能技術(shù)相結(jié)合，例

76、如與模糊邏輯的結(jié)合等。</p><p>　　由于本人自身水平有限，文中不妥與錯誤之處在所難免，懇請各位專家、老師和同學(xué)批評指正。</p><p><b>　　參考文獻</b></p><p>　　[1]呂鋒，王秀青．電機設(shè)備故障診斷技術(shù)的新進展[J]．上海海運學(xué)院學(xué)報，2001，20(3)：1-4</p><p>　　[

77、2]沈標(biāo)正，電機故障診斷技術(shù)[M]．北京：機械工業(yè)出版社，1996年</p><p>　　[3]惆東華，席裕庚，張鐘?。收蠙z測與診斷技術(shù)[J]．控制理論與應(yīng)用，1991，8(1)：1．10</p><p>　　[4]姜建國等．故障診斷學(xué)及其在電工中的應(yīng)用[M]．北京：科學(xué)出版社，1995</p><p>　　[5]P．J．達夫勒，J．彭曼[英]著．姜建國，史家燕譯

78、．電機的狀態(tài)監(jiān)測[M]．北京：水利電力出版社,1992</p><p>　　[6]袁小宏，屈梁生．故障診斷中多傳感器信息冗余性的研究[J]．振動、測試與診斷，2003，23(1)：58-61</p><p>　　[7]蹇國.電機故障的診斷方法[J].工程機械與維修.2008,8：168-169</p><p>　　[8]周粉利．基于HHT變換的電機故障診斷研究[D]

79、．武漢科技大學(xué)．2009，5：8-20</p><p>　　[9]PJ．Tavner，B．G Gaydon，D．M．Ward．Monitoring generators and large motors[J]．Electric Power Applications，IEE Proceedings BVolume 133，Issue 3，May 1986 Page(s)：169—180</p><

80、;p>　　[10]J．Penman，W．E．Bryan．Condition monitoring of electrical drives[J]．Electric Power Applications，IEE Proceedings BVolume 133，Issue 3，May 1986 Page(s)：142—148</p><p>　　[11]馬宏忠．大型交流電機故障分析和診斷系統(tǒng)的研究[D]．[博士

81、學(xué)位論文]．南京：東南大學(xué)．2002</p><p>　　[12]張雨，徐小林，張建華等．設(shè)各狀態(tài)檢測與故障診斷的理論和實踐[M]．長沙：國防科技大學(xué)出版杜，2000．4．30 </p><p>　　[13]張賢達，保錚．非平穩(wěn)信號分析與處理[M]．北京：國防工業(yè)出舨社，1998．12．30 </p><p>　　[14]楊叔子，王俊蜂，何嶺松．基于因特網(wǎng)的設(shè)備故障

82、遠(yuǎn)程協(xié)作診斷技術(shù)[J]．中國機械工程，1999．10 </p><p>　　[15]馬宏忠．大型交流電機故障分析與診斷系統(tǒng)的研究[D]：[博士學(xué)位論文]．南京：東南大學(xué)，2001 </p><p>　　[16] 黃允凱．電機故障診斷中信號處理方法的研究[D]：[碩士學(xué)位論文]．南京：東南大學(xué)．2001</p><p>　　[17]黎文鋒，鄧?yán)^忠，沈雷．神經(jīng)網(wǎng)絡(luò)在電機

83、故障診斷中的應(yīng)用綜述[J]．電氣應(yīng)</p><p>　　用，2006，25(3)：45．47</p><p>　　[18]饒海潮．離散余弦變換IP核的設(shè)計[D]：[碩士學(xué)位論文]．合肥：中國科學(xué)技術(shù)大學(xué)，2004</p><p><b>　　附錄</b></p><p>　　數(shù)據(jù)預(yù)處理與特征提取程序</p>

84、<p><b>　　clc;</b></p><p><b>　　clear;</b></p><p>　　load 0928dianji35;</p><p>　　signal_n=Data1_Channel_4____;%取通道4的信號賦給signal_n</p><p>　　L1=

85、length(signal_n);%求得信號長度</p><p>　　n=2048;%取每個樣本為2048個采樣點</p><p><b>　　m=L1/n;</b></p><p>　　m=round(m)-1;</p><p>　　n_signal_x=Data1_Channel_4____(1:m*n);</

86、p><p>　　n_signal_x_1=reshape(n_signal_x,[n,m]);%將一列信號轉(zhuǎn)換成一個矩陣，大小為 nXm</p><p>　　n_signal_y=Data1_Channel_5____(1:m*n);</p><p>　　n_signal_y_1=reshape(n_signal_y,[n,m]);</p><p&g

87、t;　　n_signal_z=Data1_Channel_3____(1:m*n);</p><p>　　n_signal_z_1=reshape(n_signal_z,[n,m]);</p><p>　　save n_signal_x_1;%保存上述信號矩陣</p><p>　　save n_signal_y_1;</p><p>　　sa

88、ve n_signal_z_1;</p><p>　　NFFX=zeros(n,m);</p><p>　　NFFY=zeros(n,m);</p><p>　　NFFZ=zeros(n,m);</p><p><b>　　for i=1:m</b></p><p>　　NFFX(:,i)=dct

89、(n_signal_x_1(:,i)); %對上述信號矩陣的每一列，即每個樣本做余弦變換。</p><p>　　NFFY(:,i)=dct(n_signal_y_1(:,i));</p><p>　　NFFZ(:,i)=dct(n_signal_z_1(:,i)); </p><p><b>　　end</b></p><

90、;p>　　save NFFX; %保存樣本矩陣的余弦變換后的系數(shù)矩陣 （元胞數(shù)組）</p><p>　　save NFFY;</p><p>　　save NFFZ;</p><p><b>　　clear;</b></p><p>　　load 0927dianji29;</p><p&g

91、t;　　signal_b=Data1_Channel_4____;</p><p>　　L1=length(signal_b);</p><p><b>　　n=2048;</b></p><p><b>　　m=L1/n;</b></p><p>　　m=round(m)-1;</p>

92、<p>　　b_signal_x=Data1_Channel_4____(1:m*n);</p><p>　　b_signal_x_1=reshape(b_signal_x,[n,m]);</p><p>　　b_signal_y=Data1_Channel_5____(1:m*n);</p><p>　　b_signal_y_1=reshape(b_

93、signal_y,[n,m]);</p><p>　　b_signal_z=Data1_Channel_3____(1:m*n);</p><p>　　b_signal_z_1=reshape(b_signal_z,[n,m]);</p><p>　　save b_signal_x_1;</p><p>　　save b_signal_y_1

94、;</p><p>　　save b_signal_z_1;</p><p>　　BFFX=zeros(n,m);</p><p>　　BFFY=zeros(n,m);</p><p>　　BFFZ=zeros(n,m);</p><p><b>　　for i=1:m</b></p>

95、<p>　　BFFX(:,i)=dct(b_signal_x_1(:,i));</p><p>　　BFFY(:,i)=dct(b_signal_y_1(:,i));</p><p>　　BFFZ(:,i)=dct(b_signal_z_1(:,i)); </p><p><b>　　end</b></p><

96、;p>　　save BFFX;</p><p>　　save BFFY;</p><p>　　save BFFZ;</p><p><b>　　clear;</b></p><p>　　load 0928dianji41;</p><p>　　signal_bb=Data1_Channel_

97、4____;</p><p>　　L1=length(signal_bb);</p><p><b>　　n=2048;</b></p><p><b>　　m=L1/n;</b></p><p>　　m=round(m)-144;</p><p>　　bb_signal_x

98、=Data1_Channel_4____(1:m*n);</p><p>　　bb_signal_x_1=reshape(bb_signal_x,[n,m]);</p><p>　　bb_signal_y=Data1_Channel_5____(1:m*n);</p><p>　　bb_signal_y_1=reshape(bb_signal_y,[n,m]);&l

99、t;/p><p>　　bb_signal_z=Data1_Channel_3____(1:m*n);</p><p>　　bb_signal_z_1=reshape(bb_signal_z,[n,m]);</p><p>　　save bb_signal_x_1;</p><p>　　save bb_signal_y_1;</p>

100、<p>　　save bb_signal_z_1;</p><p>　　BBFX=zeros(n,m);</p><p>　　BBFY=zeros(n,m);</p><p>　　BBFZ=zeros(n,m);</p><p><b>　　for i=1:m</b></p><p>　

101、　BBFX(:,i)=dct(bb_signal_x_1(:,i));</p><p>　　BBFY(:,i)=dct(bb_signal_y_1(:,i));</p><p>　　BBFZ(:,i)=dct(bb_signal_z_1(:,i)); </p><p><b>　　end</b></p><p>　　s

102、ave BBFX;</p><p>　　save BBFY;</p><p>　　save BBFZ;</p><p>　　%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%</p><p>　　load NFFX;

103、 %運行元胞數(shù)組</p><p>　　load NFFY;</p><p>　　load NFFZ;</p><p>　　load BFFX;</p><p>　　load BFFY;</p><p>　　load BFFZ;</p><p>　　load BBFX;</p>&l

104、t;p>　　load BBFY;</p><p>　　load BBFZ;</p><p>　　for i=1:100 %求正(即求振動能量)</p><p><b>　　for j=1:n</b></p><p>　　monffx(j,i) =

105、abs(NFFX(j,i));</p><p>　　monffy(j,i) = abs(NFFY(j,i));</p><p>　　monffz(j,i) = abs(NFFZ(j,i));</p><p>　　mobffx(j,i) = abs(BFFX(j,i));</p><p>　　mobffy(j,i) = abs(BFFY(j,i

106、));</p><p>　　mobffz(j,i) = abs(BFFZ(j,i));</p><p>　　mobbffx(j,i) = abs(BBFX(j,i));</p><p>　　mobbffy(j,i) = abs(BBFY(j,i));</p><p>　　mobbffz(j,i) = abs(BBFZ(j,i));</p

107、><p><b>　　end</b></p><p><b>　　end</b></p><p>　　for i=1:100 %分段</p><p>　　monffxx{i}=reshape(monffx(:,i),[16,n/16]

108、);</p><p>　　monffyy{i}=reshape(monffy(:,i),[16,n/16]);</p><p>　　monffzz{i}=reshape(monffz(:,i),[16,n/16]);</p><p>　　mobffxx{i}=reshape(mobffx(:,i),[16,n/16]);</p><p>　　

109、mobffyy{i}=reshape(mobffy(:,i),[16,n/16]);</p><p>　　mobffzz{i}=reshape(mobffz(:,i),[16,n/16]);</p><p>　　mobbffxx{i}=reshape(mobbffx(:,i),[16,n/16]);</p><p>　　mobbffyy{i}=reshape(mob

110、bffy(:,i),[16,n/16]);</p><p>　　mobbffzz{i}=reshape(mobbffz(:,i),[16,n/16]);</p><p><b>　　end</b></p><p>　　for i=1:100 %每列即128個點求和</p

111、><p>　　summonffxx=monffxx{i};</p><p>　　nsummonffxx{i}=sum(summonffxx')';</p><p>　　summonffyy=monffyy{i};</p><p>　　nsummonffyy{i}=sum(summonffyy')';</p&g

112、t;<p>　　summonffzz=monffzz{i};</p><p>　　nsummonffzz{i}=sum(summonffzz')'; </p><p>　　summobffxx=mobffxx{i};</p><p>　　nsummobffxx{i}=sum(summobffxx')';&l

113、t;/p><p>　　summobffyy=mobffyy{i};</p><p>　　nsummobffyy{i}=sum(summobffyy')';</p><p>　　summobffzz=mobffzz{i};</p><p>　　nsummobffzz{i}=sum(summobffzz')';<

114、/p><p>　　summobbffxx=mobbffxx{i};</p><p>　　nsummobbffxx{i}=sum(summobbffxx')';</p><p>　　summobbffyy=mobbffyy{i};</p><p>　　nsummobbffyy{i}=sum(summobbffyy')'

115、;;</p><p>　　summobbffzz=mobbffzz{i};</p><p>　　nsummobbffzz{i}=sum(summobbffzz')';</p><p><b>　　end</b></p><p>　　for i=1:100;

116、 %取最大數(shù)</p><p>　　pnx=nsummonffxx{i};</p><p>　　pny=nsummonffyy{i};</p><p>　　pnz=nsummonffzz{i};</p><p>　　pbx=nsummobffxx{i};</p><p>　　pby=nsummobffyy{i};<

117、;/p><p>　　pbz=nsummobffzz{i};</p><p>　　pbbx=nsummobbffxx{i};</p><p>　　pbby=nsummobbffyy{i};</p><p>　　pbbz=nsummobbffzz{i};</p><p>　　bnx(i)=pnx(1);</p>