笼型异步电动机转子断条故障诊断方法综述

介绍笼型异步电动机转子断条故障诊断方法的原理,将其分为基于解析模型的、基于信号处理的和基于知识的三类,并指出了各类方法的优缺点。最后,对异步电动机转子断条故障诊断方法的发展进行了展望。     

笼型异步电机转子断条故障诊断技术的研究

为了实现对笼型异步电机转子断条故障的有效诊断,设计了一套基于LabVIEW的转子断条故障诊断系统。针对笼型异步电机的定子侧电流信号,采用自适应陷波器对该信号进行陷波处理,以消除工频分量对断条故障特征分量的干扰,然后在快速傅里叶变换频谱上,实现对断条故障的识别。实验证明,该系统能够对断条信号进行有效的识别。     

双笼型电动机转子断条的修理

阐述了电动机转子断条检查及修复质量的重要性,着重分析了断条的原因及断条后对电机运行质量的影响,给出了检查转子断条的方法及修复断条的措施。     

小波包频带-能量重构的异步电动机转子断条故障诊断

基于定子电流信号对异步电动机进行故障诊断时,其转子断条故障特征频率分量常被电流的基频分量淹没。尽管小波变换具有频率越高,相应的时间分辨率也越高的特点,但频率域上的分辨率却降低成了它的弱点。而小波包技术能同时对上一层的低频部分和高频部分进行细分,并根据被分析信号的特征,自适应的选择相应的频段,使之与信号频谱相匹配,从而提高时域分辨率。用小波包分析法对所采集信号处理,可作为电动机故障诊断输入特征向量的分解后的频段能量特征值。实验表明,采用小波包技术可快速、准确地诊断出电动机故障,其效果良好,也为电动机故障在线实时诊断提供了理论依据。     

VS-LMS算法在异步电动机转子断条故障诊断中的应用

采用可变步长VS-LMS算法对定子电流进行自适应陷波处理,对其进行频谱分析。这种方法既能很好地解决传统LMS算法存在的收敛速度、跟踪能力与稳态误差之间的矛盾,又能提高故障检测的灵敏度。实验结果证明了该方法的有效性。     

谐波小波滤波在异步电动机转子断条故障诊断中的应用

笼型异步电动机转子的断条故障,其早期特征频率分量与基频分量非常接近,针对幅值相对较小、不易诊断的问题,采用谐波小波方法对定子电流信号进行滤波处理。该方法基于谐波小波良好的盒形频谱特性,将特定频率段的成分与定子电流信号的其它频率成分既不交叠,又不遗漏的分解到相互独立的频带上,成功地突出故障特征分量。仿真和实验结果证明,该方法能大大提高转子断条故障诊断的准确性。     

三相异步电动机转子断条故障的谐波分析

主要研究三相异步电动机转子断条、气隙偏心这两种状态下的故障特征。采集了电动机的定子电流信号,通过对电流信号作FFT频谱分析,提取电流的故障特征,实现异步电动机系统的状态检测及电动机电气故障诊断。仿真实验结果发现单纯的傅里叶变换缺乏对信号局部特征的描述能力,不能有效地从定子电流的谐波中提取到故障特征。     

基于笼型异步电机失电残压HHT的转子断条故障诊断研究

针对FFT频谱在分析失电残压信号上的不足,采用了将Hilbert-Huang变换(HHT)应用于转子断条故障诊断的新方法。该方法对同型号的2台异步电机(正常电机、一根断条故障电机)进行失电残压信号的采集。将采集的信号进行不同周期的截取,寻求最佳的失电残压分析信号。对信号进行经验模态分解(EMD),对比各个信号段的瞬时频率和瞬时幅值,提取能够反映电机转子断条的故障特征。     

基于小波变换的电动机转子断条故障信号包络分析

介绍了基于小波变换的包络分析原理 ,将之应用于电动机定子电流的处理。结果表明该包络分析方法能有效地提取出转子断条故障的特征信息     

基于Park矢量旋转滤波的感应电动机断条故障诊断

讨论鼠笼式电动机转子断条故障诊断,用Park变换将电动机的三相电流由三维坐标系变换到二维坐标系,使得三相电流的三次谐波相互抵消。介绍了Park矢量旋转滤波的原理。分别用Park矢量复平面法、傅里叶变换法及Park矢量旋转滤波法,对电动机故障情况进行诊断。实验结果说明Park矢量旋转滤波方法可靠。     

利用相关性基波消去法诊断电动机转子断条故障

异步电动机转子故障时,定子电流中的故障特征分量被基波信息淹没而难以识别。提出基于相关性基波消去法,用改进的相关算法提取定子电流基波信号的幅值与相位,将滤除基波分量的故障信号作频谱分析,可容易诊断出转子断条故障。该方法无需复杂的坐标变换,计算量小,实时性高。实验结果表明,即使在轻载情况下,该方法具备较强的故障辨识能力。系统只需采样单相电流信号和电压频率信号,工程成本低,易于实现。     

基于P-Q变换的鼠笼式异步电动机转子故障仿真分析

为对电动机进行可靠的实时监测与诊断,提出了基于P-Q变换的鼠笼式异步电动机转子的故障分析方法。该方法是通过同时采集三相电压和电流信号,由电压信号和电流信号相乘得到瞬时有功功率P,将三相电压经过Hilbert变换再与电流信号相乘得到瞬时无功功率Q,以P为横坐标,Q为纵坐标,得到P-Q图。由于正常情况下电动机P、Q均恒定,在P-Q坐标系下对应一个点,而断条故障时电动机频率中将会有附加成分,因而在P-Q坐标系下对应于一个椭圆,通过椭圆长轴的长度分析断条故障的严重性。仿真试验证明,这种方法在轻载情况下仍然有效。     

基于BP神经网络的感应电动机转子故障诊断方法

分析定子电流频谱特性诊断感应电动机转子故障,为了避免故障特征的边频分量被基频"旁瓣"淹没,利用扩展Park矢量法提取故障特征。在此基础之上,对所得到的故障特征矢量进行归一化,作为BP神经网络的输入量,同时以故障类型作为BP神经网络的输出量。设计BP神经网络结构,利用输入输出量对BP神经网络进行训练,进而实现感应电动机转子故障的自动识别。     

基于支持向量机的异步电机转子故障诊断

根据异步电机发生故障时振动信号的特点,提出了一种基于小波包分解和支持向量机相结合的异步电机转子故障诊断方法。通过采用快速ICA算法对振动信号进行多通道数据融合,然后进行3层小波包分解,得到各分解节点对应频带的重构信号以及对应的能量,并将各频带的能量元素组成的特征向量作为诊断模型的特征向量,输入到LS-SVM分类器中进行故障识别和分类。诊断结果表明:采用ICA-SVM模型具有较高的分类速度和很好的故障识别率。     

基于小波包分析和最小二乘支持向量机的电机转子故障诊断研究

采用小波包分析和支持向量机来诊断电机故障。针对电机中常见的故障,如电机振动故障,电机转子断条故障,电机转子偏心故障等,进行频谱分析,提取故障信号在动态条件下各频带能量作为故障特征向量。构建多个最小二乘支持向量机组成的多值故障分类器,将故障特征向量作为学习样本,并且输入支持向量机进行训练,分类器可以建立故障特征向量和故障类型的映射关系,从而达到电机故障诊断的目的。     

基于EMD的鼠笼式异步电动机偏心故障诊断研究

在经验模态分解鼠笼式异步电动机横向、纵向振动信号的基础上,得出合理的内禀模态分量,分离信号的频率族,取得物理意义的频率分辨效果。再对各分量进行Hilbert变换,并分析信号的Hilbert边际谱,找出偏心故障电动机的特征频率成分。研究表明,用HHT方法能够很好提取偏心电动机故障的特殊故障频率。     

笼形异步电动机电流法诊断转子故障方法综述

对多年来国内外关于笼形异步电动机利用定子电流检测法诊断转子故障进行了研究,并归纳和总结出几类方法:傅里叶变换方法、小波分析方法、基于park变换的方法以及神经网络方法。这些方法均由研究人员进行了实验验证,对检测笼形异步电机的转子故障是有效的。     

基于综合关联度分析的感应电机转子故障诊断

基于灰色关联理论,在灰色关联分析中引进相似系数,将两者相结合形成综合关联度,提出了基于综合关联度分析的感应电机转子故障诊断方法。首先选择感应电机典型转子故障模式构造标准故障模式。根据综合关联度的计算方法,计算出感应电机待检转子故障模式的综合关联度,根据关联序识别感应电机待检转子模式的故障类型。通过故障诊断实例表明,将综合关联度分析引入感应电机转子的故障诊断中是可行的,具有较高的识别率,分类诊断能力优于BP神经网络故障诊断方法。     

基于遗传算法和小波包分析的异步鼠笼电动机故障诊断方法探究

在线检测电动机的故障一直是一个重点研究问题,总结近些年的研究,提出了一个通过定子的电流来检测的方法,即对监测出来的定子电流信号用小波降噪的方法进行降噪处理,得到去掉噪声后的信号,随后对处理后的信号利用小波包分析法分析,提取第四层的小波包系数进行傅里叶分析,提取其频谱中的特征量,而后对特征量进行编码。由于提取后的编码数量较大,为便于之后的判断,故对于编码后的特征向量进行遗传算法的化简,得到最简化的特征向量组,再根据最简化的特征向量组即可初步判断电动机的运行故障。该故障诊断方法的结果表明,该诊断方法可以较快地明确电动机存在的故障类型。     

基于混沌及分形理论的异步电动机断条故障诊断方法研究

提出一种基于混沌及分形理论的鼠笼式异步电动机转子断条故障辨识方法。重构信号时间序列的相空间以及计算关联维数和分形维数,探讨了故障和正常状态下的信号混沌及分形特性。用互信息量的方法计算了重构空间的最佳延时,同时根据互信息量关系图对故障断条数量进行了有效辨识。研究表明,该方法具有较好的故障诊断效果。