基于注意力机制改进的SAB异步电机故障诊断

由于电机结构及其运行环境复杂,导致各类故障与故障特征存在较强的非线性关系,单一信号信息含量有限,无法满足诊断需求。针对此问题,以电流、磁场信号为监测信号,提出基于注意力机制改进的支持向量机-自适应提升算法（SVM-AdaBoost,简称SAB）的故障诊断方法。首先,通过希尔伯特变换和快速傅里叶变换提取信号频域特征;其次,通过SAB分类器,对多源样本分别进行训练,获取各子分类器预测结果;最后,基于注意力机制调整权重矩阵参数,对电流、电磁信号进行信息融合,改进SAB分类器以提高故障诊断的准确率。研究结果表明：不同信号对各类故障的敏感程度不同;所提方法可以实现对转子断条故障、定子短路故障、轴承故障的诊断分类,与传统方法对比,该方法明显提高了故障诊断的鲁棒性和准确性。     

一种基于支持向量机预测器模型的转子系统故障诊断方法

提出了一种基于支持向量机回归预测模型的转子系统故障诊断方法。分别对转子系统振动信号建立支持向量机回归预测模型，利用回归预测模型对振动测试信号进行预测，计算各支持向量机回归预测模型的预测信号与真实信号的误差并计算信噪比，通过比较各预测信号的信噪比来判断转子系统的工作状态和故障类型。实验结果表明，该方法能够有效地应用于转子系统的故障诊断。     

基于粗糙集与支持向量机的电动机转子断条故障诊断

提出了一种基于粗糙集与支持向量机的电动机转子断条故障诊断方法。首先将电动机在不同故障状态下的振动信号离散化,再应用粗糙集软件rosetta对数据进行进一步的约简,得到约简后的数据应用于支持向量机的训练从而得到基于支持向量机的多分类器。实验证明:该方法检测电动机的转子断条故障是可行的。     

电机故障诊断支持向量机

基于数据的机器学习是现代智能技术中的重要方面。统计学习理论(Statistical learnmgtheory SLT)是研究小样本情况下机器学习规律的新理论。支持向量机(Support vector machine SVM)是在这一理论体系基础上发展起来的一种通用学习方法。SLT和SVM正成为继神经网络研究之后新的研究热点。通过对鼠笼式异步电动机转子断条故障进行实验模拟，对实验获取的采样电流信号经FFT分析，构造以低频到高频的频谱特性为分量的学习样本向量，通过支持向量机SVM对故障电流样本的训练，使SVM具有分类功能。最后，采用SVM对电动机各种转子断条故障进行诊断分类，取得较满意的结果，说明支持向量机SVM是进行故障诊断的一种新方法。     

基于振动和电流频谱特征的电机转子断条诊断研究

文章主要介绍利用精密点检振动频谱和电流频谱分析技术准确诊断出一起循环水泵电机转子断条故障。文中阐述了转子笼条断裂故障机理,介绍了常用电机极通过频率计算公式和循环水泵电机断条故障具体诊断过程、解体情况及设备检修后情况跟踪,同时对基于振动频谱和电流频谱分析技术的鼠笼异步电机转子笼条故障诊断方法进行了总结归纳。     

基于小波包分析的电机转子故障诊断方法研究

针对异步电动机转子断条故障突发率高的原因,开展了基于小波包分析的故障诊断方法研究。通过小波包灵活的时频分析方法捕捉到的特征信号来确定故障信号的突变点和频谱特性,找出其故障特征,该方法为电机转子断条故障提供了一种有效的诊断方法。     

基于深度学习特征提取和粒子群支持向量机状态识别的齿轮智能故障诊断

针对齿轮故障诊断问题,利用数理统计特征提取方法、深度学习神经网络、粒子群算法和支持向量机等技术,提出了一种基于深度学习特征提取和粒子群支持向量机状态识别相结合的智能诊断模型。该模型利用深度学习自适应提取的频谱特征与数理统计方法提取的时域特征相结合组成联合特征向量,然后利用粒子群支持向量机对联合特征向量进行故障诊断。该模型在对多级齿轮传动系统试验台的故障诊断中实现了中速轴大齿轮不同故障类型的可靠识别,获得了满意的诊断结果。应用结果也验证了基于深度学习自适应提取频谱特征的有效性。     

基于电机电流经验模态分解的行星轮故障诊断

在故障诊断领域,电机电流信号分析法(MCSA)已经逐渐应用于齿轮故障诊断中,但该方法在诊断行星轮缺齿故障时由于电流基频干扰较大,导致故障特征不明显,难以实现故障诊断。因此提出一种基于电流信号经验模态分解(EMD)的故障诊断方法。通过对电机电流信号进行EMD分解,选取合适的IMF分量经傅立叶变换求其频谱图,根据频谱图中是否存在与故障特征频率相关的频率,实现了对行星轮缺齿故障的有效诊断。并通过实验分析,验证了该方法的有效性。     

局部切空间排列和支持向量机的故障诊断模型

提出了一种非线性流形学习和支持向量机的故障诊断模型.基于机电系统振动信号时域与频域的20个特征参数构建高维特征空间,利用局部切空间排列的非线性流形学习算法提取出隐藏其中的低维流形,网格搜索算法进行维数和邻域点参数的优化,实现高维相空间中局部邻域参数的自适应选取,获得机电系统的故障特征.利用K折交叉验证和一对一法构造支持向量机多类故障分类器,采用径向基核函数支持向量机进行机电系统的故障诊断.应用于转子试验台的3种故障状态的识别并与其他故障诊断方法进行分析比较,结果表明基于局部切空间排列和支持向量机的机电系统故障诊断模型诊断精度可达到96.6667％,可以有效提取故障的敏感特征并解决机电系统故障样本缺乏的问题.     

基于Winger分布和奇异值分解的轴承故障诊断

为了充分挖掘Winger时频谱有效信息,研究提出一种基于振动信号Winger分布和奇异值分解相结合的轴承故障诊断方法。首先运用Winger分布分析原始振动信号,然后基于奇异值分解的方法分析Winger谱矩阵,得到反映机械故障状态特征的特征序列,最后将振动信号的Winger谱奇异值作为特征向量,使用支持向量机(SVM)进行故障诊断。实验结果表明,该方法能有效的提取故障特征。     

鼠笼电机转子断条故障的定子电流信号平方解调分析诊断方法

受基频频谱泄露影响,经典MCSA方法诊断鼠笼电机转子断条故障时的诊断能力严重依赖于电机负载大小。针对这一问题,提出了基于定子电流信号平方解调制分析诊断方法。首先采用硬件方式对定子电流信号作基于平方解调制的信号预处理,以此消除制约诊断能力的基频频谱泄露,继而对解调后的信号作快速傅里叶变换,然后根据频谱中是否存在特征频率成分判断转子断条故障发生与否。在3 k W电机实验平台上对所提出的方法进行实验验证。实验结果表明,即使鼠笼电机在轻载或空载条件下运行时所提出的方法仍然能够诊断出转子断条故障,从而有效提高了诊断能力。     

Motor square current signature analysis for induction motor rotor diagnosis

Induction machines play an important role in today’s industry. Thus, preventive maintenance combined with fault diagnosis techniques have become an essential issue. One of the most used techniques for the diagnosis of faults in the induction machine is motor current signature analysis (MCSA). This approach presents some limitations for induction motor rotor diagnosis, particularly for small faults. In this paper, a new motor square current signature analysis (MSCSA) fault diagnosis methodology is presented. The proposed technique is based on three main steps: first, the induction motor current is measured; secondly, the square of the current is computed; and finally a frequency analysis of the square current is performed. This technique allows more information to be obtained from a motor with a rotor fault than the classical MCSA approach. Simulation and experimental results are presented in order to confirm the theoretical assumptions. This methodology has also been tested for the identification of two distinct faults (broken bars and rotor eccentricity).     

基于等距特征映射和支持矢量机的转子故障诊断方法

针对振动信号的非线性特征,提出一种基于等距特征映射(Isometric feature mapping,ISOMAP)和支持矢量机(Support vector machine,SVM)的转子故障诊断方法。利用ISOMAP把数据从高维空间投影到低维空间而不改变数据内在属性的特点,对高维的故障振动信号降维并提取出低维的数据作为特征矢量,采用一种新核函数支持矢量机作为分类器进行故障诊断。将该方法应用于转子故障诊断,结果表明,ISOMAP-SVM方法不仅具有较高的故障诊断率,而且取得振动信号在低维空间的可视化表示。与其他核函数相比新核函数支持矢量机具有较好的诊断效果。     

基于CS-BBO优化SVM的汽轮机转子故障诊断

为了提高汽轮机转子故障诊断的准确率和识别效率,提出了一种基于混沌的生物地理学优化算法(biogeography-based optimization with chaos,简称CS-BBO)和支持向量机(support vector machine,简称SVM)相结合的故障诊断方法。首先,将混沌理论引入到生物地理学优化算法(biogeography-based optimization,简称BBO)中,得到CS-BBO算法;其次,通过CS-BBO算法优化SVM得到诊断模型的最优参数,增强SVM的学习能力和泛化能力;最后,通过ZT-3转子试验台模拟汽轮机转子故障,利用得到的4种状态下的试验数据验证优化模型的有效性。结果表明:CS-BBO算法优化SVM的模型可以准确、高效地对汽轮机转子进行故障诊断;与BBO算法优化SVM模型相比,该方法的故障诊断准确率和识别效率更高。     

基于熵带法与PSO优化的SVM转子故障诊断

对转子故障信号的信息熵带作为支持向量机(support vector machine,简称SVM)的训练样本,基于粒子群算法(particle swarm optimization,简称PSO)优化SVM分类器结构参数进行了研究.对试验模拟获得的故障信号进行了时域、频域、时-频域的信息熵带计算,得到了奇异值谱熵、功率谱熵、小波空间谱熵及小波能谱熵4种熵带,并对熵带进行预处理,建立了一种基于故障信号的信息熵带作为特征量,用PSO解决SVM结构参数优化设置的转子故障识别方法.将该方法应用于转子系统在线故障诊断中,结果表明,所设计的算法具有训练速度快,测试时间短、分类准确率高等特点.     

Detection of a static eccentricity fault in a closed loop driven induction motor by using the angular domain order tracking analysis method

In this study, a new method was presented for the detection of a static eccentricity fault in a closed loop operating induction motor driven by inverter. Contrary to the motors supplied by the line, if the speed and load, and therefore the amplitude and frequency, of the current constantly change then this also causes a continuous change in the location of fault harmonics in the frequency spectrum. Angular Domain Order Tracking analysis (AD-OT) is one of the most frequently used fault diagnosis methods in the monitoring of rotating machines and the analysis of dynamic vibration signals. In the presented experimental study, motor phase current and rotor speed were monitored at various speeds and load levels with a healthy and static eccentricity fault in the closed loop driven induction motor with vector control. The AD-OT method was applied to the motor current and the results were compared with the traditional FFT and Fourier Transform based Order Tracking (FT-OT) methods. The experimental results demonstrate that AD-OT method is more efficient than the FFT and FT-OT methods for fault diagnosis, especially while the motor is operating run-up and run-down. Also the AD-OT does not incur any additional cost for the user because in inverter driven systems, current and speed sensor coexist in the system. The main innovative parts of this study are that AD-OT method was implemented on the motor current signal for the first time.     

基于DSP和LabVIEW的电动机转子断条故障诊断

为了实现对鼠笼式异步电动机转子断条故障的实时诊断,设计了一套以TMS320F2812和LabVIEW为核心的转子断条故障诊断装置。该装置以TMS320F2812为主控芯片,实现对异步电动机定子侧电流信号的采集,通过DSP的串口模块将采集到的信号传送到由LabVIEW构建的上位机信号处理平台。针对定子侧电流信号中工频分量对断条故障特征分量的干扰较大,严重地影响断条分量的识别,LabVIEW处理平台采用自适应陷波器算法对工频信号进行陷波处理,在FFT频谱上实现对断条故障特征分量的识别。实验证明,该装置能够实现对断条故障进行实时监测,并能够在FFT频谱上对断条故障特征分量进行识别。     

基于高分辨率谱估计的早期转子断条故障诊断

以快速傅里叶变换(FFT)为基础的电机电流信号特征分析(MCSA)具有频率分辨率低的固有缺陷,从而严重影响了鼠笼电机早期转子断条故障的诊断性能。为解决这一问题,提出基于高分辨率谱估计的早期转子断条故障诊断方法。首先利用Hilbert变换和离散小波变换对单相定子电流信号预处理,然后采用扩展Prony算法对预处理后的信号进行定性/定量分析。运用该方法对不同故障严重程度、不同负载条件下的3 k W电机稳态定子电流信号进行分析,并与FFT分析结果做对比。实验结果表明,即使在短时数据条件下所提方法仍然能够准确诊断出早期转子断条故障,验证了该方法的有效性和优越性。     

A current monitoring system for diagnosing electrical failures in induction motors

Induction motors are critical components in industrial processes. A motor failure may yield an unexpected interruption at the industrial plant, with consequences in costs, product quality, and safety. Many of these faulty situations in three phase induction motors have an electrical reason. Among different detection approaches proposed in the literature, those based on stator current monitoring are advantageous due to its non-invasive properties. One of these techniques resorts to spectrum analysis of machine line current. Another non-invasive technique is the Extended Park's Vector Approach, which allows the detection of inter-turn short circuits in the stator winding. This article presents the development of an on-line current monitoring system that uses both techniques for fault detection and diagnosis in the stator and in the rotor. Based on experimental observations and on the knowledge of the electrical machine, a knowledge-based system was constructed in order to carry out the diagnosis task from these estimated data.