基于小波包分析的异步电机转子故障检测

针对异步电机转子断条故障信号特征频率易被主频淹没的缺点,利用小波包分析法提取电机电流信号的故障特征频带能量,并以此为依据,基于"频率-能量-故障"模式,对异步电机转子断条故障进行检测信号,实验结果表明该方法能够有效检测转子断条故障。     

应用小波包结合FFT方法检测转子断条故障

针对笼型电机转子断条故障信号的处理,提出一种小波包分析结合FFT的处理方法.该方法弥补单独使用FFT无时间分辨力和无法准确识别微弱故障特征信号的缺点,也弥补了单独使用小波包分析只能得到各频带信号成分而无法得到频点信号的不足.实验证明该方法是可行的,能够准确检测到笼型电机转子断条故障信号.     

基于小波包频带-能量重构的电机断条故障诊断

异步电机转子断条故障特征分量(1±2s)f与基波频率f相比,幅值较小、易被主频淹没。在研究小波包分解与重构的特征基础上,讨论了小波包分解树的频带分布规律,确定以sym8小波对电机定子电流信号进行12层分解,并通过对故障特征频带的信号能量重构来判断电机有无转子断条。运用该方法能避免基波频率对故障特征分量的影响,故障特征检测更明显,并能诊断转子轻微断条故障。仿真和试验结果证明了该方法的有效性。     

基于小波包的笼型异步电机转子断条故障检测

针对笼形异步电机转子断条故障,提出了一种利用小波包分析获取转子断条故障特征的判断方法.介绍了小波包换故障信号特征提取方法;其次对定子电流信号进行小波包分解后,对低频信号重构及功率谱的计算,实现了转子断条故障诊断.实验数据分析表明,该方法能准确对转子断条故障进行诊断.     

基于小波包能量分析和信号融合的异步电机转子故障诊断

为提高异步电机转子故障诊断的可靠性,文中介绍了一种基于小波包能量分析和信号融合的异步电机转子故障诊断方法。采用定子电流信号和振动信号的频谱特征融合作为转子断条以及气隙偏心故障的诊断依据,首先对信号进行小波包分解,获得不同小波包频带节点下对应的能量分布,并与正常电机信号进行比较,进而对能量异常的信号频段进行小波包节点重构,最后通过快速傅里叶变换识别故障特征频率,诊断电机故障是否发生。通过仿真分析,验证了该方法的有效性和实用性,对于电机运行状态的准确监测具有重要意义。     

基于断电残压的PMEM和WPA转子断条故障诊断研究

针对转子断条故障诊断存在故障信号难以提取,受负载波动影响等诸多不足之处,提出断电残压最大熵功率谱分析和小波包分解的故障诊断方法.建立转子断条故障断电残压模型;通过最大熵功率谱分析法得到故障电机断电残压频谱,利用小波包分解电机断电残压信号,并计算对应频段节点系数的能量.仿真结果表明,断电残压可以有效避免外界因素的干扰,小波包分解得到的子频带能量变化率可以诊断故障.该方法简单可靠,为工程实际提供了新的方法思路.     

基于RVACD和WPE感应电机转子断条故障诊断

针对感应电机转子断条故障诊断存在故障信号复杂多变、诊断时受负载和电源波动影响较大等诸多不足之处,提出断电残压(Residual Voltage after AC dump,RVACD)和小波包熵(Wavelet Packet Entropy,WPE)的故障诊断方法。以电机断电后残余电压为研究对象,建立转子断条故障的断电残压模型;分析断电残压信号频谱,得到故障特征频率;结合小波包和信息熵理论得到小波包Shannon熵,计算并与正常电机熵值作对比,得到故障诊断依据。仿真结果表明,断电残余电压可有效避免外界因素的干扰,断电残压频谱简单明了,小波包熵值作为故障诊断依据简单可靠,为工程实际提供了新的思路。     

基于小波包变换的笼型异步电机转子故障诊断

本文分析了笼型异步电动机转子断条故障时的频率特点,阐述了小波包变换异步电动机转子断条故障的频带特征,在分析对比了多种信号处理方法后,本文提出了"自动寻求路径"的小波包树分解算法并选择其作为感应电机故障提取算法.这种算法既具有很好的自适应性和频域精度,又避免了过大的计算量,有效而实时地提取了故障信息.     

基于电磁转矩复解析小波变换的感应电机转子故障检测

提出一种运用电磁转矩信号对感应电机转子断条故障进行检测的新方法.当感应电机转子发生断条故障时,转子绕组的不对称将会使电磁转矩中引入2s同步速的脉动转矩(s为转差率).对电机起动电磁转矩信号进行复值小波变换,根据分析小波在特定中心频率条件时信号瞬时频率与其对应小波脊线的关系,提取出故障特征转矩频率变化规律,实现转子故障的可靠检测.同时,对应尺度上小波系数的模值还能够反映该故障特征转矩在电机起动过程中的幅值变化规律,将其作为故障严重程度指标则可以进一步判断转子断条根数.实验结果证明了该方法的有效性.     

基于小波包分析的笼型异步电动机转子断条在线检测方法

本文简单介绍了笼型异步电动机转子断条在线检测方法,指出如何正确识别电动机转子断条与负荷波动仍是一个亟待解决的突出问题。对应用小波包分析实现转子断条在线检测作了可行性研究,指出根据电动机定子电流信号的小波包分解系数完全可以检测转子断条故障。在此基础上,提出了一种新的基于小波包分析的转子断条在线检测方法,其突出优点在于可正确识别电动机转子断条故障与负荷波动。数字仿真及实验结果证明该方法是切实可行的。     

基于小波包能量谱分析的电机故障诊断

小波包是继小波分析后提出的一种新型的多尺度分析方法[1],解决了小波分析在高频部分分辨率差的缺点,体现了比小波分析更好的处理效果。文章描述了小波包分析方法的基本原理及其实现算法,并从能量分布的角度出发,阐述了在电机故障诊断中,利用小波包分析方法将模糊故障信号进行量化、分解,从而便于用单片机进行处理、判断的一种新的应用途径,在实验室中模拟各种电机故障进行了实验验证,实验进一步表明基于小波包能量谱分析的电机故障诊断方法是一种方便灵活并且准确度很高的故障诊断方法。     

基于小波分析的电机故障诊断研究

交流异步电机是广泛使用的能量转换装置,对其常见故障进行分析及诊断,提高电机故障的在线诊断水平,具有明显实用价值。文章利用小波包分析算法提取出电机故障特征向量,并针对轴承故障特征,提出峭度值指标计算和小波包分析相结合的算法,分析获得轴承故障特征频率,由此确定故障的类型。仿真结果证明了该方法的有效性。     

基于小波分析和神经网络的电机故障诊断方法研究

在电机故障诊断技术中,电机振动信号最能全面反映电机的运行状态.由于电机振动信号属于非平稳随机信号,传统的傅里叶变换从频域角度进行信号分析,只能说明信号中某频率成分幅值的大小和频率密度,不能检测奇异信号点的时域信息,而且还可能将含有丰富故障信息的微弱信号作为噪声滤去.因此,不能完全满足故障信号特征提取的要求.为解决这一问题,提出一种基于小波分析和神经网络的电机故障诊断方法,该方法采用小波时频分析技术对电机故障振动信号进行消噪滤波,通过小波包分解系数求取频带能量,根据各个频带能量的变化提取故障特征,应用BP神经网络进行故障识别,并采用Matlab仿真软件予以实现.结果表明,该方法不需要建立电机的故障诊断模型,能有效提高电机故障诊断的准确性.     

基于改进遗传小波网络的电机故障诊断研究

用频谱分析方法提取了无刷直流电动机的正常工作状态和几种常见的故障(位置传感器一路故障、A相绕组断路故障和驱动开关断路故障)时的特征信号,进行了诊断算法研究,提出了用改进遗传算法优化小波神经网络参数的调整过程,并用改进遗传小波神经网络对无刷直流电动机进行故障诊断。仿真结果表明,与经典遗传小波神经网络、小波神经网络和BP神经网络等方法进行比较,该方法在无刷直流电动机故障诊断中具有更快的收敛速度和更高的诊断精度。     

小波分析在异步电机故障诊断中的应用研究

小波具有优良的时频局部化特性,其多分辨率性质可逼近细化频谱,对故障信号提取有突出的作用.文章系统论述了小波分析在故障诊断中的研究和应用,阐述了用小波分析处理信号的诊断故障方法.通过计算机仿真验证了该方法在电机故障诊断中的可行性.     

基于改进粒子群优化神经网络的电机故障诊断

为了更加准确快速地诊断出三相异步电动机运行过程中发生的各类故障,在采用小波包分析提取异步电机故障特征向量的基础上,提出了一种混沌动态权重粒子群算法(CDW-PSO)优化BP神经网络的故障诊断方法,构建电机的神经网络故障诊断模型,采用混沌动态权重粒子群算法优化神经网络的结构参数。实验分析表明,采用该方法用于电机故障诊断,诊断速度快、准确性高、可靠性好。     

基于小波分析的电机故障振声诊断方法

小波分析能够将信号划分到不同频段内，而且在时一频两域都具有表征信号局部特征能力。基于小波分析的电机故障振声诊断方法，充分利用小波分析在处理急剧变化的高度不稳定信号时更加有效的优越性，在对电机振声故障暂态信号的多尺度分析基础上，有效的检测出故障及其类型，实现了电机故障的在线诊断，通过仿真结果验证了此方法的有效性。     

电机故障特征值的倍频小波分析

该文对异步电动机在鼠笼转子发生不同断条故障情况下的定子电流分别进行了实验测量；并对测量电流进行倍频小波分析，利用小波系数，在各个频段上进行小波信号重构；通过计算各个频段的信号能量特征值，诊断电机故障。这样，既可以从低频频段来诊断异步电动机鼠笼转子断条故障，也可以从某些高频频段来识别故障是否发生，从该文的实验诊断表明，倍频小波分析方法取得了较好的效果。     

一种改进的小波神经网络应用于电动机故障诊断

对基本的小波神经网络进行改进,用遗传算法取代传统的梯度下降法,对小波神经网络中的初始参数进行全局优化.将经过改进的小波网络应用于电动机的故障诊断,并对5组电动机故障数据进行验证.实验结果表明,该算法具有较快的收敛速度和较高的计算精度,证实了此方法应用于电动机故障诊断的正确性和有效性.