基于PSO优化LS-SVM的异步电动机振动故障诊断

为了提高异步电动机振动故障诊断的准确性,提出了基于粒子群算法优化最小二乘支持向量机的异步电动机振动故障诊断方法。先通过实验室对异步电动机各类故障的振动进行测试,对测试数据进行预处理,选择异步电动机不同位置振动信号的特征频率作为系统的输入,然后利用训练好的粒子群算法优化后的最小二乘支持向量机进行异步电动机振动的故障诊断。最终结果与其他诊断方法对比表明：该方法克服了样本训练时间较长并容易陷入局部收敛的缺点,同时诊断的准确率较高,有效地避免了异步电动机故障的误诊断。     

基于RPROP神经网络算法的异步电动机故障诊断

为了更快、更精确地识别异步电动机的各种故障类型,克服BP神经网络存在的局部极小值和收敛速度慢等问题,提出了一种改进的BP算法——RPROP（Resilient PROPagation）神经网络算法。在介绍RPROP算法的基础上,建立了基于RPROP算法的异步电动机故障诊断模型,对异步电动机的定子匝间短路、转子断条、转子偏心和轴承4种故障进行识别和诊断。实验结果表明,该方法对异步电动机的故障诊断是有效的。     

笼型异步电动机状态监测与转子故障诊断方法对比分析

笼型异步电动机广泛应用到工农业生产领域,转子故障是其主要的故障形式.本文针对笼型异步电动机转子故障的几种诊断方法,分析了他们各自的优缺点,阐明了检测异步电动机转子故障的关键所在,并针对异步电动机转子故障诊断的复杂性提出了相应的对策.     

BP神经网络在异步电机转子故障诊断中的应用

为了解决工农业生产中最常用的异步电动机故障频发且复杂多样,难以维修诊断的问题,通过对异步电动机常见的机械故障和故障机理的分析,探究了信号处理技术及智能诊断技术,旨将BP神经网络技术应用到电机的故障诊断中。系统对采集的电机振动信号进行分析处理后,以BP神经网络作为故障诊断分类器,利用模式识别来对电动机进行故障诊断,以LabVIEW软件完成BP神经网络程序的编写,验证实验结果显示该故障诊断方法简单可靠,且适合现场实际开发。     

异步电动机定子匝间短路故障诊断方法

分析了异步电动机定子线圈匝间短路故障时的振动特征及定子电流的谱特性。指出由于受电动机结构固有不对称等因素的影响,单纯利用振动频谱分析法或定子电流信号频谱分析法诊断定子线圈匝间短路故障,不能得到准确可靠的诊断结果。提出一种异步电动机定子匝间短路故障的诊断方法,能有效提取电动机定子匝间短路故障时的特征信息,提高故障识别精度。实验结果证明,利用该方法得到的谱特征可以作为异步电动机定子匝间短路故障诊断的依据。     

笼型异步电动机状态监测与转子故障诊断方法对比分析

笼型异步电动机广泛应用到工农业生产领域，转子故障是其主要的故障形式。本文针对笼型异步电动机转子故障的几种诊断方法，分析了他们各自的优缺点，阐明了检测异步电动机转子故障的关键所在，并针对异步电动机转子故障诊断的复杂性提出了相应的对策。     

异步电动机定子匝间短路故障诊断方法

分析了异步电动机定子线圈匝间短路故障时的振动特征及定子电流的谱特性。指出由于受电动机结构固有不对称等因素的影响，单纯利用振动频谱分析法或定子电流信号频谱分析法诊断定子线圈匝间短路故障，不能得到准确可靠的诊断结果。提出一种异步电动机定子匝间短路故障的诊断方法，能有效提取电动机定子匝间短路故障时的特征信息，提高故障识别精度。实验结果证明，利用该方法得到的谱特征可以作为异步电动机定子匝间短路故障诊断的依据。     

异步电动机故障仿真与诊断研究

针对异步电动机传统故障诊断方法存在的问题,基于Simulink平台建立异步电动机故障仿真模型,应用人工神经网络开展故障诊断研究。在Simulink平台上选取仿真模块,设置单相短路(A相、B相、C相)、两相短路(AB、AC、BC)等6种接地短路故障类型,设定仿真参数,并进行仿真分析;建立异步电动机BP神经网络诊断模型;提取异步电动机故障特征量,经预处理后,送入BP神经网络模型进行训练与仿真测试。仿真结果表明该方法对于异步电动机的故障诊断是有效的、可行的。     

基于谐波分析的异步电动机故障诊断研究

针对传统方法在异步电动机故障诊断应用中造成设备停机、诊断维修不及时、不到位和维修过于频繁、盲目维修等影响生产运作的问题,研究一种基于电流谐波分析的故障诊断方法。在不影响异步电动机运行的情况下,采集电流信号进行去噪处理和频谱分析,得到各高次谐波,并做归一化处理,与对应劣化标准进行对比,从而作出相应的故障诊断。通过实验验证和分析结果表明,该方法可有效判断出异步电动机的故障原因及故障程度,对维持生产稳定、减少事故、降低成本等具有重要意义。     

电动机故障诊断的Petri网方法

Petri网是异步并发诊断系统建模与分析的一种重要工具,它可以利用图形语言对故障诊断系统的结构、功能及流程进行系统的分析和描述,在故障诊断领域得到了越来越广泛的应用。论述了Petri网的矩阵描述方法以及Petri网建模的一般方法。根据文中给出的电动机常见故障及其征兆表提出了一种电动机故障诊断Petri网模型,该模型只需经过简单的矩阵运算即可实现电动机故障的快速离线诊断。与传统的电动机故障诊断人工智能方法相比,具有简单直观,诊断速度快,准确度高的优点。并用搜集到的实例进行了验证,表明该诊断方法是迅速、准确的     

基于编码器信号的低转速行星齿轮箱故障诊断技术

行星齿轮箱广泛应用于低速重载的大型机电设备中,其故障检测尤为重要。当前行星齿轮箱的故障检测主要依靠振动信号分析,然而低转速工况导致的冲击微弱以及故障冲击难以分离等问题,使得行星齿轮箱故障冲击难以发掘。针对上述瓶颈,提出一种基于编码器信号的低转速行星齿轮箱故障诊断方法。该方法首先通过内置编码器获取故障信息,避免了冗长的振动传递路径带来的不利影响。在此基础上,建立稀疏低秩分解模型,引入快速主成分追踪算法(fast principal component pursuit,FPCP)进行求解,实现低转速下行星齿轮箱故障冲击的提取。行星齿轮箱故障实验结果表明,该方法不仅能获取输入轴转速为30r/min下的故障信息,而且有效地实现故障冲击的分离。研究工作可为低转速旋转机械的故障诊断提供有效的工具。     

基于状态观测器的感应电机速度传感器故障诊断及容错控制

速度传感器是感应电机矢量控制系统的重要组成部分,当其出现故障时会严重影响系统的性能。设计感应电机矢量控制系统,并在此基础上实现了基于状态观测器的感应电机速度传感器故障诊断及速度传感器发生故障后的容错控制。在速度传感器正常时,状态观测器工作在故障诊断方式下;速度传感器发生故障后,该状态观测器工作在速度估计方式下,系统由原带速度传感器矢量控制方式平滑切换到无速度传感器矢量控制,从而实现速度传感器的容错控制。该设计的有效性在dSPACE实验平台上得到了验证。     

基于变精度粗糙集-支持向量机的断路器故障诊断

由于断路器运行时监测数据量大,以前采用的反向传播算法(back propagation,BP)神经网络、径向基函数(radical basis function,RBF)神经网络的故障诊断存在网络结构复杂、诊断速率慢等缺点,为了快速准确地得出断路器故障原因,提出一种基于变精度粗糙集-支持向量机的断路器故障诊断算法。利用变精度粗糙集约简决策表去除断路器庞大监测数据里的冗余信息,降低过程数据的维度,并结合支持向量机对粗糙集处理后的信息进行故障诊断,可减少诊断时的主观因素,并具有容错性和解释性,该诊断方法是可以有效实施的。     

基于粒子群优化神经网络的水轮机振动故障诊断

为了提高水轮机振动故障诊断正判率,提出粒子群算法优化BP神经网络的水轮机振动故障诊断方法,即把通过特征提取获得的机组故障特征量作为神经网络的输入,然后利用训练好的粒子群算法优化后的神经网络进行水轮机振动故障类型诊断。诊断结果表明,该方法具有良好的分类效果,比BP神经网络诊断模型诊断精度高。     

粗糙集结合Petri网的3/2接线变电站故障诊断研究

500kV及以上的变电站多采用3/2接线方式,其主接线结构和保护配置具有自身的特点.本文在分析了3/2接线系统保护动作策略的基础上,建立了故障诊断的初始决策表,并利用粗糙集的属性优选对该表进行最小约简,构建最优的Petri网模型,从而实现故障诊断.变电站故障诊断实例证明了该方法不仅能够准确诊断出3/2接线系统的故障元件,而且诊断速度快,容错性好.     

基于小波变换及SVM的电机故障诊断

通过采用一种基于小波分析及SVM的电机故障诊断方法,利用Simulink工具对三相异步电机无故障、定子故障及转子故障三种情况进行了仿真建模及故障诊断分析。实验结果表明,所采用的电机故障诊断方法诊断速度快且诊断精度高,满足实际需求。     

基于BP神经网络的变压器故障诊断

针对变压器故障诊断的特点,提出了一种基于BP神经网络的电力变压器故障诊断方法。采用稳定、快速的Levenberg-Marquardt算法训练多层前向人工神经网络,克服了标准BP算法收敛速度慢、易陷入局部极小的缺陷;在隐含层节点数的选取上,采用简单实用的黄金分割优选法,可以节省成本,提高搜索效率。仿真结果表明,该方法具有运算速度快和拟合精度高等优点,满足电力变压器故障诊断的要求。     

基于Elman神经网络的传感器故障诊断研究

针对传统的传感器故障诊断技术的不足,提出一种基于Elman神经网络的故障诊断方法,建立了Elman网络故障诊断模型,利用小波包分解方法获取用于训练神经网络的特征能量谱,对所建立的模型进行训练。为了检验模型的实际诊断能力,以某动力系统管路流量传感器的4种典型故障诊断为例进行仿真实验,并和标准BP神经网络的诊断结果进行对比。仿真结果表明:基于Elman神经网络的故障诊断速度更快、准确率更高、泛化能力更强,验证了所提出方法的实用性和有效性。     

基于极限学习机的变压器故障诊断方法研究

针对基于传统智能学习方法的变压器故障诊断存在训练速度慢、需调整的参数多及参数确定困难的问题,本文提出了基于极限学习机(Extreme Learning Machine,ELM)的变压器故障诊断方法。文中根据变压器故障的特点选取输入特征向量,分析了激活函数、隐含层节点数目对诊断性能的影响,并与基于BP神经网络和SVM的诊断方法进行了对比。实验结果表明,文中提出的变压器故障诊断方法性能明显优于BP神经网络,与SVM的诊断正确率相当,需要预先设置的参数更少,训练速度更快,更加便于工程应用。     

基于GA优化BP神经网络的液压钻机故障诊断

针对BP神经网络应用于故障诊断时存在着收敛速度慢、易陷入局部最小值等问题,提出了一种基于遗传算法(GA)优化BP神经网络的液压钻机故障诊断方法.利用GA的选择、交叉和变异操作优化BP神经网络的权值和阈值,提高网络训练的收敛速度.根据液压钻机工况参数提取的特征信号,进行归一化处理建立样本,利用训练样本对网络进行训练,根据训练结果进行故障诊断.仿真结果表明,GA优化的BP神经网络迭代次数少,收敛速度快,能够对测试样本进行有效地分类,故障诊断正确率高.