排序方式: 共有4条查询结果,搜索用时 31 毫秒
1
1.
现有短路电流过零点预测算法存在计算复杂、误差大等问题。针对煤矿供电系统三相短路故障,提出了一种矿用相控开关短路电流过零点预测算法。该算法利用三相短路故障发生后1个基波周期内短路电流采样数据,通过累加和的方法计算短路电流的直流分量,可减小计算量、消除谐波干扰;将采样数据与直流分量相减,得到短路电流的交流分量;利用交流分量周期性的特点,可预测1个基波周期后任意采样时刻的交流分量;将1个基波周期后任意采样时刻的直流分量与交流分量相加,即可重构出任意采样时刻的短路电流,从而预测短路电流过零点。仿真和实验结果验证了该算法的准确性。 相似文献
2.
3.
针对矿用异步电机故障时定子电流信号非线性非平稳性的特点,提出了一种基于集合经验模态分解(EEMD)能量熵与人工神经网络(ANN)结合的转子故障诊断方法。首先利用EEMD将电机定子电流信号分解为一系列本征模态函数(IMF);其次通过互相关准则,选取信息最丰富的IMF分量并计算其能量熵来构造故障特征向量;最后将特征向量输入人工神经网络(ANN)进行训练和状态识别。实验通过Ansys Maxwell软件对故障电机建模获得仿真电流数据,验证了该方法是一种可行的矿用电机故障诊断方法,相较于传统频谱分析更为可靠,可实现对异步电机处于正常、转子断条、气隙偏心等状态的准确识别,综合识别率达97%。 相似文献
4.
针对变频环境下异步电机故障时定子电流信号非平稳的问题,提出一种互补集合经验模态分解(CEEMD)与卷积神经网络(CNN)结合的异步电机故障诊断方法。首先通过ANSYS对变频环境下电机建模获得仿真电流数据,利用CEEMD将电机定子电流信号分解为一系列本征模态函数(IMF);其次通过计算排列熵和样本熵,选取复杂程度小的IMF分量并计算其平均值来提取出故障特征;接着将特征数据集输入卷积神经网络(CNN)进行训练和验证;最后搭建实验平台收集电流信号,对信号进行滤波和CEEMD分解重构,放入CNN训练好的模型进行测试,识别率达95.56%。证明了该方法是一种可行的异步电机故障诊断方法,可实现对异步电机正常、转子断条和气隙偏心状态的准确识别。 相似文献
1