利用定子电流监测法检测电动机轴承的故障

本讨论应用电动机电流频谱分析的方法检测感应电动机滚动轴承的故障。目前用于检测轴承故障工况的方法是监测轴承的机械振动频率。由于这些机械振动与电机气隙变化有关，所以对气隙磁通密度进行调节，产生的定子电流频率也可预测，这种频率是与电源频率和振动频率有关。本首先研讨电流监测对轴承故障检测的效果，其方法是在轴承初期故障引起的振动频率和电流频率之间建立联系。对轴承故障的型式进行了考察，确定了与轴承具体结构有关的轴承特征频率。叙述了对定子电流频谱的影响，确定了相关的频率。在设计监测定子电流的故障检测图方面，这是一项重要的结果。测试结果显示了具有各种轴承故障的感应电机振动和电流频谱，它们可用来验证振动频率与电流频率之间存在的关系。测试结果清楚地表明定子电流波形可用来识别轴承故障的存在与否。     

基于MUSIC算法的感应电机轴承故障检测方法研究

分析了感应电机轴承发生故障时振动信号的特性以及MUSIC算法及其高分辨率谱估计的特点，提出了一种基于MUSIC算法的感应电动机轴承故障检测方法。结果表明，在短数据情况下，相对FFT分析技术，该方法频率分辨率更高，故障检测更为准确，且计算量小，有利于电机故障实时状态监测。实验证实，将该方法应用于感应电机轴承故障检测，可准确检测出轴承故障时在包络信号中的故障特征成分，方法切实可行。     

小波降噪及Hilbert变换在电机轴承故障诊断中的应用

针对振动信号降噪处理及故障特征提取是机械故障诊断的重点问题,为了有效消除高频信号的影响,并充分提取出电机轴承的低频故障特征。提出利用小波降噪及Hilbert变换的方法对采集的电机轴承振动数据进行处理并提取其故障特征信息。首先,运用小波降噪对采集到的振动数据进行降噪处理,抑制噪声干扰,然后对其进行Hilbert变换解调出故障特征频率。通过对现场测取的轴承振动数据进行信号处理可以达到理想的诊断效果,由此得知,该方法能通过电机轴承振动信号进行故障特征信息处理,有效地进行轴承故障分析及诊断。     

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.     

小波和能量特征提取的旋转机械故障诊断方法

转子系统和轴承是旋转机械中的关键零部件,其长期处于高速、满负荷运行极易出现故障。基于振动信号处理的诊断方法具有可在线、实时诊断的特点,针对频谱分析对非线性振动信号故障特征提取的不足,研究小波包对振动信号进行特征提取。由于传统软、硬阈值量化方法在阈值处分别存在恒定偏差和不连续的问题,设计了一种参数可调的改进连续函数对阈值进行量化。系统首先对振动信号进行小波包分解与去噪,然后采用小波包能量特征提取方法完成对旋转机械的转子不平衡故障、不对中故障、转子动静碰摩故障进行有效诊断。测试结果表明,轴承出现不同故障时,通过小波包分解后不同子带能量的不同,可用模式识别方法有效进行故障识别。     

感应电动机轴承故障检测的相关分析方法

根据感应电机轴承发生故障时的振动信号特性以及定子电流特性,提出了一种基于相关分析的感应电动机轴承故障检测方法.该方法先求三相电流的Park矢量模信号,然后将其与电机滚动轴承振动信号进行相关分析,从振动信号与电流信号的相关谱图中有效地提取轴承故障特征信息,并将其作为轴承故障识别的依据.实验结果表明,该检测方法具有较高的信噪比,可提高故障识别的精度,实际应用也是可行的.     

罗马尼亚330 MW汽轮发电机组振动分析及处理

总结了2台罗马尼亚进口的330 MW汽轮发电机组几年来多次振动故障的处理实践,涉及高、中、低压转子的轴系综合平衡,高、中压转子支承轴承的稳定性,升速过程动静碰磨引起转子的热弯曲振动及定速过程轴颈与轴瓦的轻摩擦振动,接触式绝对轴振动测量系统频率低于12 Hz的振动信号分量的失真显示,运行中发生断叶片的诊断判别,发电机轴承的稳定性等。     

基于声发射信号的行星轮轴承内圈故障包络分析方法

行星轴承因独特的行星运动,造成其振动信号传递路径具有时变性。同时,行星齿轮箱内多振源耦合,频率成分复杂,而行星轴承故障对应振动信号较弱,往往被较强的非轴承相关信号掩盖。目前,对于行星轴承进行故障特征提取大多基于振动信号进行分析,但由于振动信号频率范围不广,低频范围内受到干扰较多,得到的分析结果不理想。近来研究表明,相较于振动信号,声发射信号对故障更加敏感,频率信息清晰,能够更好的屏蔽噪声及其他低频干扰成分。基于以上优点,提出一种基于声发射信号的行星轮轴承内圈故障包络分析方法。首先,采集得到行星轴承内圈故障声发射信号,利用声发射信号频率高的特点,以快速谱峭度算法为基础,屏蔽可能混入干扰的相对较低频段,自适应选取声发射信号能覆盖的高频段共振带进行包络分析,实现对行星轴承的故障特征提取。通过试验对比振动信号与声发射信号的分析结果,验证了所提方法的有效性。     

基于小波降噪和共振解调法的异步电机故障诊断方法

针对异步电机故障时的振动信号特征,提出了一种基于峭度、小波降噪和共振解调法相结合的异步电机故障诊断方法。通过对正常、离心开关打开不完全、定转子扫膛、后轴承损坏等4种状态的单相交流异步电机进行故障试验,利用NI CompactRIO平台搭载振动信号采集卡,采集电机前端盖侧面和顶端的振动信号,进行峭度统计分析,同时通过小波降噪和共振解调法提取振动信号的频域故障特征。试验结果表明,提出的方法能够良好地实现异步电机故障诊断。     

多维度能量熵提取的不同负载下电机轴承故障诊断

为了提高电机轴承故障诊断的准确率,针对电机轴承故障不稳定的振动信号及故障特征提取困难问题,提出了一种基于变分模态分解（VMD）能量熵与卷积神经网络（CNN）相结合的电机轴承故障诊断方法。为了使故障的特征更精确地体现出来,采取三维度的能量熵提取办法,将轴承故障分为内圈磨损、外圈磨损和保持架断裂三类,然后每个类别再细分为负载为0%、25%和50%三种情况,共9种情况。利用VMD方法将故障信号分解得到内禀模态函数(IMF)的分量并提取各个维度IMF的能量熵值从而构成特征向量。结果表明该方法可以有效提高故障诊断正确率。