采用D-S证据推理的电机转子故障诊断

提出了采用D-S(Dempster-Sharer)证据理论对感应电机转子断条故障进行识别的故障诊断方法.基于小波包变换的频率划分特性,对定子三相电流信号进行小波包分解,利用节点系数的均方根值构建电机转子故障的特征矢量(证据体);利用明氏距离测度构造基本可信度分配函数,求取证据体对转子故障所赋予的基本概率分配函数值,然后根据D-S证据融合规则进行融合处理,实现了对电机转子故障的准确识别.试验结果表明,该方法可实现转子断条故障的可靠诊断.     

基于小波包变换的牵引电机转子断条隐患特征提取方法研究

为了实现城轨列车牵引电机在运行时故障隐患的实时监控,根据牵引电机实际运行情况,在Matlab／Simulink仿真环境中建立起了处在闭环控制系统中的带有转子断条隐患的异步电机模型。对定子侧三相电流进行小波包分解并对各频段信号进行小波包系数重构,计算各频段的能量特征值,最后构建出隐患特征向量对电机转子隐患做出诊断。通过对仿真数据的应用,利用上述方法可以有效地识别出电机的转子断条隐患,为研制地铁列车牵引电机隐患挖掘与评估预警系统提供了技术参考。     

时变转速运行状态下鼠笼电机转子断条故障诊断

电机电流信号特征分析(MCSA)是诊断鼠笼电机早期转子断条故障的常用方法。当电机在时变转速状态下运行时,转速和滑差连续变化,定子电流表现为非平稳信号,MCSA不再有效。本文提出一种鼠笼电机时变转速运行状态下的早期转子断条故障诊断新方法。该方法的核心是对定子电流Park矢量模平方信号作离散小波变换,然后根据转子断条故障特征频率2sf在转速连续变化期间的波形演变图谱以及小波能量变化判断故障发生与否。在3k W电机实验台上对所提出的方法进行实验验证,实验结果证实了所提方法的有效性。     

结合复小波包变换及频谱校正的机械转子碰摩故障诊断方法研究

针对机械转子系统中碰摩故障发生时故障特征微弱及识别困难的问题,提出一种结合双树复小波包变换及频谱校正的故障诊断方法。首先对于振动位移信号中工频基波成分,采用频谱加矩形窗的频谱校正方法识别其谐波信息,通过构造补偿信号进行对消,以减少其对后续特征提取的影响。其次通过双树复小波包对补偿过的信号进行多尺度分解;最后对小波包子空间信号进行希尔伯特包络解调分析,通过瞬时幅值及瞬时频率信息诊断转子的动静碰摩故障。在转子实验台上进行了实验验证,结果表明提出的方法能有效提取转子碰摩产生的微弱故障特征。     

变频供电异步电动机转子断条故障诊断

异步电机转子断条故障发生时,定子电流（变频器输出侧电流）中会出现对称频率（1±2s）f1（f1为定子电流频率）的故障特征附加电流信号。以此为依据,定子电流特征频谱分析（MCSA）发展为经典转子断条故障在线检测方法。在工程实际过程中,变频供电异步电动机容易采集到的信号是开关柜二次侧供电电流（变频器输入侧电流）．因此要实现变频异步电动机转子断条故障诊断,必须清楚供电电流中是否也含有断条故障特征信息。首次对变频异步电动机供电电流进行分析．得出供电电流中也包括转子断条故障特征信息的结论,以此为基础。利用连续细化傅立叶和自适应滤波相结合的方法,实现了变频异步电动机转子断条故障诊断。     

飞机发动机转子振动特征提取方法诊断

在研究航空发动机振动机理和分析转子故障对应的振动信号特征的基础上,采用经验模态分解方法对发动机机壳上测得的振动信号进行分解。由于振动信号的时频特性可以更有效地揭示转子故障,因此它被用于时频域以提取振动特征。首先将转子振动信号与EMD的固有模式函数的能量状态及其与原始信号的相关性进行比较。然后,在确定IMF包含的主要故障信息的基础上,分别在时域,频域和时频域评估三种信息熵。最后,转子故障诊断的特征向量由每个IMF计算得到的三个信息熵值和小波包分解得到的小波包空间特征的谱熵构成。结果表明,基于时频分析的经验模态分解方法能够有效地提取非平稳故障信号的特征向量。这为航空发动机转子故障诊断中的振动分析提供了一种系统的定量特征选择方法。     

异步电动机故障诊断的小波变换等高图方法

用Morlet小波作为小波基，对异步电动机鼠笼转子故障时的定子电流信号进行多尺度分析，将获得的小波变换系数用等高图表示，从中能清楚地识别出异步电机鼠笼转子不同断条的故障。较基于傅立叶变换的故障诊断，该方法对异步电动机故障的辩识能力有显著提高。     

起动状态下异步电动机转子断条故障检测的小波脊线方法

对异步电动机转子发生断条故障后所产生的特征频率分量进行了分析,揭示了其在起动过程中的变化过程,提出了在起动过程中检测转子断条故障的小波脊线方法。     

谐波小波包方法及其对转子亚频轴心轨迹的提取

转子轴心轨迹,特别是亚频轴心轨迹的提取,在转子故障识别中是十分重要的。分析了谐波小波的优势,在研究了谐波小波的频段分解基础上,提出了谐波小波包变换的频段分析表达式,并给出了实现方法,实现了谐波小波的任意频段“任意细化”能力。对转子振动信号进行了频域细化分析,并用谐波小波包变换对实际的高速转子振动信号进行了分析,在得到细化频谱的同时,直接实现了常规方法难以实现的转子亚频信号的轴心轨迹提取,得到了满意结果,为转子故障信号的分析创造了条件。     

面向转子故障特征提取的多尺度拉普拉斯特征映射方法

融合多尺度分解理论和流形学习思想,提出了一种面向转子故障特征提取的多尺度拉普拉斯特征映射算法。首先对转子故障振动信号进行多尺度小波包分解,提取各独立频带信号的最优尺度小波熵,构建特征参量矩阵并估计其固有维数,然后通过拉普拉斯特征映射将特征参量数据嵌入到低维本征空间,得到故障的最敏感特征,最后融合决策实现故障的准确识别。实验表明,相对于主成分分析算法、局部线性嵌入算法和拉普拉斯特征映射算法,多尺度拉普拉斯特征映射方法提取的转子故障信号特征更容易识别。     

BP神经网络技术在雨刮电动机故障诊断中的应用

在电动机故障诊断技术中,最能全面反映电动机运行状态的唯独有振动信号。因此,提出一种基于小波分析和BP神经网络的电动机故障诊断方法。首先该方法采用小波包分析对振动信号消噪滤波并计算频带能量,随后根据振动信号大小提取其能量特征值,并以此建立电动机故障诊断的BP神经网络模型,再以Matlab软件的仿真模块为平台,最终开发了雨刮电动机故障诊断的智能检测系统。试验表明该系统的建立能够提高雨刮电动机故障诊断的效率和准确性。     

基于小波包和AR谱分析的滚动轴承故障诊断

针对滚动轴承故障振动信号的非平稳性,提出了一种基于小波包和AR谱分析的滚动轴承故障诊断方法.该方法对系统输出信号进行小波包分解,然后进行重构,再对重构信号进行AR谱分析,从而提取出故障特征频率.试验结果表明,这种方法能有效地提取滚动轴承的故障特征,诊断其故障.     

基于最优小波包Shannon熵的再制造电机转子缺陷诊断技术

为了实现对再制造电机转子质量的有效监控,采用超声波技术对其内部缺陷进行检测与评价。引入滤波效果良好的最优小波包滤波法和对超声波信号噪声含量变化敏感的Shannon信息熵算法,定义一种新的最优小波包Shannon熵(Best wavelet packet Shannon entropy,BWPSE)的概念,并提出基于BWPSE的超声波信号消噪方法。对采集到的再制造电机转子超声检测信号进行最优小波包滤波处理,得到各尺度的小波包分解系数,在此基础上计算各尺度小波包分解系数的Shannon熵,通过分析小波包系数Shannon熵的变化规律确定分解层数及阈值。采用该方法对再制造电机转子超声检测信号进行消噪处理,结果表明该方法对噪声消除比较彻底,对比Sqtwolog阈值小波分析及Heursure阈值小波分析等其他信号消噪方法,该方法可显著提高再制造电机转子内部缺陷定量分析的准确度。     

全信息小波包分析及其在旋转机械故障诊断中的应用

针对传统旋转机械单通道故障诊断的不足，结合设备状态检测和故障诊断中微弱振动信号难以提取的问题，在介绍全信息技术的基础上，提出新的信号处理方法——全信息小波包分析，用小波包变换对双通道信号分别进行分解，以提取信号中的微弱局部成分，把需要的对应小波包进行重构并用全矢谱技术进行融合，根据融合后的数据进行故障诊断。工程应用实践表明，全信息小波包分析是一种新的、较为实用的信号处理方法。     

基于小波包免疫算法的驱动桥故障检测

基于免疫系统的信息处理特点和传统免疫算法的不足,通过建立准自体抗体集SS和准非自体抗体集SNS来改进传统免疫算法,并结合故障信号的小波包分解特点,提出了一种基于小波包免疫算法的故障检测系统。首先利用小波包将检测信号进行分解,获取检测信号能量的特征向量。然后以信号能量的特征向量作为免疫系统的原始抗原,利用阴性选择算法对原始抗原进行自体-非自体分析。最后,将此故障检测系统成功应用于汽车驱动桥的故障检测。     

基于小波包和PSO-Elman神经网络的滚动轴承故障诊断

针对滚动轴承的故障诊断,分析滚动轴承故障机理及特点,提出基于小波包分析的滚动轴承振动信号的特征向量提取算法,并建立PSO-Elman神经网络进行故障诊断和识别。将滚动轴承故障振动信号进行小波包分解,构造频带能量谱作为特征向量,输入PSO-Elman神经网络对故障进行识别。试验结果表明,基于小波包分析和PSO-Elman神经网络相结合的方法可准确地实现滚动轴承的故障诊断。     

小波包分析在柴油机故障诊断中的应用

运用小波包分析方法对柴油机缸盖振动信号进行预处理,并运用小波包频带的能量分析方法识别柴油机喷油雾化质量故障。在不同工况下的柴油机上测得两组振动加速信号,并对该信号进行分析,准确识别了故障。说明该方法对提取故障信息并进行诊断是行之有效的。