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。     

基于EEMD-DCNN方法的电机轴承故障状态诊断研究

为了提高电机轴承故障状态诊断精度,设计了一种基于EEMD和DCNN的融合方法,实现局部特征的提取和特征图的输出。DCNN从5个不同单元中提取特征,通过全连接层整合相关特征且利用Softmax层完成分类工作,实现对数据短时特征的提取。研究结果表明:采用的方式与BPNN、SVM、WDCNN相比,有着比较显著的优势,诊断效果较为平稳,且数次实验获得的指标标准差是0。该研究可以拓宽到其它的机械传动领域,具有很好的市场应用价值。     

运用人工神经网络诊断电机轴承故障

本文运用人工神经网络方法实现对滚动轴承故障的自动分类与诊断。文中给出了神经网络诊断系统的框图，电机滚动轴承振动信号经滤波和包络处理之后，采用ＲＮＮ网络对包络谱数据进行压缩处理，然后利用基于ＢＰ算法的前馈网络实现对轴承故障的自动分类和诊断。实验结果表明，这种诊断方法是行之有效的。     

多扰动下微电网故障检测方法

针对微电网复杂运行方式及故障信号特征薄弱难以提取从而造成故障检测困难的问题，提出一种基于逐次模态分解与多尺度排列熵联合使用的微电网故障检测方法。针对变分模态分解的K值需人为设定的问题，通过增加分解约束条件，自适应分解得到固有模态函数，并引入峭度值对其进行优化重构。利用多尺度排列熵对信号突变敏感的优点，提取优化后的故障信号特征，从而表征不同故障类型。由于核极限学习机模型精度受参数C、γ的影响，利用鲸鱼优化算法对其进行优化，将故障特征作为输入进行学习，从而构成微电网故障检测模型。最后，在PSCAD仿真平台搭建微电网系统进行仿真实验，实验结果表明本方法不受接地电阻、故障点及故障时刻等影响，在微电网不同运行状态下均能实现准确故障检测。     

VMD-PE协同SNN的输电线路故障辨识方法

针对输电线路短路故障危害大、故障辨识率较低等问题,提出一种结合变分模态分解排列熵(VMD-PE)与孪生神经网络(SNN)的故障辨识方法,利用瞬时频率均值对VMD进行参数优化,确定分解层数K,通过VMD分解故障时的三相电压,计算分解后每个分量的排列熵,将其作为故障特征量;将故障特征输入到训练好的SNN中进行相似性度量,比较两个输入样本之间的相似程度,判别出输电线路短路故障类型。通过仿真实验验证了该方法的可行性,并与其他分类方法相对比,证明了该方法的准确性和优越性。     

基于变分模态分解和排列熵的输电线路故障诊断

针对现有电力系统输电线路故障信号分析方法中,故障信号特征遗失并难以反映故障信号本质特征等问题,提出基于变分模态分解与排列熵(VMD-PE)的输电线路故障诊断方法。以输电线路单相接地短路故障为例,选取IEEE 14节点标准测试系统,以单相接地短路故障时的电流作为故障信号,首先对各相故障信号进行VMD分解,然后对分解后的故障信号作二次PE分析,基于各相故障信号的最终总PE值识别输电线路故障,并与小波变换-PE算法进行对比。实验结果表明,所提VMD-PE方法更能有效地诊断出输电线路的故障所在相,可准确可靠的用于输电线路的故障诊断。     

抽水蓄能电站甩负荷实测压力处理及特性分析

针对抽水蓄能电站甩负荷过程蜗壳进口压力信号易受噪声干扰、压力脉动难以准确提取等问题，提出了一种变分模态分解和完全自适应噪声完备集合经验模态分解相结合的联合处理方法。首先对信号进行变分模态分解，以互信息为准则进行分量重构，降低排列熵值。然后对重构信号进行完全自适应噪声完备集合经验模态分解处理，叠加分量以获取与仿真信号排列熵一致的试验数据。通过工程实例研究证明，本文所提出的处理方法能较为快速和准确地分解蜗壳进口实测压力，同时利用互信息提升了使用相关系数选取分量重构的准确性，为压力脉动准确提取和分析提供了新参考。     

含光伏电源配电网故障的智能辨识方法研究

在光伏电源接入配电网后，由于光伏发电的不确定性、间歇性、波动性增加了配电网故障的辨识难度。针对此问题，提出一种熵-变分模态分量与神经网络改进ResNet模型相结合的方法。首先搭建含光伏电源配电网PSCAD仿真模型，获取不同复杂故障情景下的批量数据。其次，利用熵-变分模态(E-VMD)方法重构样本的特征矩阵，再采用改进残差网络进一步挖掘故障样本的隐含特征，然后通过模型的训练与测试。与其他文献模型的分类效果对比，改进ResNet模型故障类型识别的准确率平均达到99.95%,故障馈线识别的准确率达到99.75%,且具有良好的鲁棒性，可以有效地实现含光伏电源配电网故障的快速辨识。     

基于VMD能量相对熵的配电网单相接地故障选线方法

针对目前配电网单相接地故障选线存在的问题,提出一种基于变分模态分解(VMD)和能量相对熵结合的故障选线新方法。该方法首先采集线路故障后一个周期的暂态零序电流信号,运用VMD方法对其进行分解得到有限个不同尺度的本征模态函数(IMF)分量;计算各IMF分量的能量和作为线路的暂态能量;再结合能量相对熵对线路的暂态信号特征进行量化放大;最后通过比较各条线路的能量相对熵大小进行故障选线。Matlab仿真对其可行性和有效性进行验证,结果表明:该方法不受消弧线圈补偿度、故障距离、故障初相角和过渡电阻的影响,均可实现对故障线路的正确选线。     

列车牵引电机轴承故障特征稀疏在线监测方法

列车牵引电机轴承状态多传感数据无线感知及在线监测技术是确保轨道车辆可靠运行的关键技术之一,现有的方法存在数据量大传输困难及特征小数据监测可视化不明显的问题。为此,提出一种列车牵引电机轴承故障特征稀疏在线监测方法,利用粒子群优化多点最优调整的最小熵解卷积的方法(PSO-MOMED)提取了背景噪声下电机轴承故障特征信号,采用离散余弦变换的压缩感知方法实现电机轴承特征的小数量多传感器采集,基于高阶频率加权能量算子(HFWEO)增强轴承故障特征稀疏可视化,并通过搭建试验台及某线路现场实测验证了所提方法的有效性。实验结果表明,信噪比为-10 dB时,相比传统方法,粒子群优化多点最优调整的最小熵解卷积方法可以更加有效的提取故障特征信号;在压缩率90%的情况下,从牵引电机轴承故障特征稀疏感知信号中能清晰表征轴承故障特征频率成分,有效解决了列车牵引电机轴承状态多传感数据无线感知及在线监测技术难题。     

基于DACNN的电机滚动轴承故障诊断方法

针对强噪声、跨工况场景下数据分布差异导致传统卷积神经网络(CNN) 模型泛化性能低、诊断能力不足的问题,提出 一种基于并行卷积核和通道注意力机制的滚动轴承故障诊断方法。构造了带有不同尺度卷积核的并行网络结构,可以在抑 制噪声干扰的同时有效提取出数据中的故障特征信息;融合通道注意力机制对卷积层特征提取能力进行增强,提升模型抗噪 性能以及跨工况负载下的自适应诊断能力。利用凯斯西储大学轴承数据集训练并测试诊断效果,将该方法与其他方法进行 了性能对比。结果表明,在跨工况不同负载情况下,所提方法的诊断平均准确率为97.3%,在不同信噪比噪声干扰情况下的 诊断精度平均达93.8%,均高于其他比较方法,所提出的方法在复杂多变工况下具有良好的抗噪性能和泛化能力。     

An unsupervised, on-line system for induction motor fault detectionusing stator current monitoring

A new method for online induction motor fault detection is presented in this paper. This system utilizes artificial neural networks to learn the spectral characteristics of a good motor operating online. This learned spectrum may contain many harmonics due to the load which correspond to normal operating conditions. In order to reduce the number of harmonics which are continuously monitored to a manageable number, a selective frequency filter is employed. This frequency filter only passes those harmonics which are known to be of importance in fault detection, or which are continuously above a set level, to a neural net clustering algorithm. After a sufficient training period, the neural network signals a potential failure condition when a new cluster is formed and persists for some time. Since a fault condition is found by comparison to a prior condition of the machine, online failure prediction is possible with this system without requiring information on the motor or load characteristics. The detection algorithm was implemented and its performance verified on various fault types     

基于特征提取与识别两阶段的汽车电机轴承故障诊断

针对特征提取和故障识别这两个轴承故障诊断的关键环节,提出一种汽车电机轴承故障诊断新方法。该方法在特征提取环节:提出了将LCD分解和符号熵(SE)相结合的特征提取方法;在故障识别环节为提高果蝇算法(FOA)对相关向量机(RVM)参数的寻优能力,在FOA算法中增加了向"历史"学习的策略,提出具有历史学习能力的果蝇算法(HSAFOA),有效地提升了RVM的分类性能。汽车电机轴承不同类型、不同程度故障诊断实例表明,LCD符号熵可有效对故障进行表征,而HSAFOA算法则提升了RVM的识别效果,相比于其他一些方法更有优势。     

基于小波变换的改进LMS算法在异步电动机轴承故障诊断中应用

基于电机定子电流信号分析方法的异步电动机轴承故障检测中,计及实际电动机供电电压谐波和三相电压不平衡等外部因素的情况下,如何实现轴承故障的可靠检测一直是电动机故障检测领域的难题.对传统的定子电流频谱分析方法进行了深入研究,讨论了传统最小均方算法(LMS)自适应滤渡方法在信号处理中的不足.在此基础上,提出了将小渡分析、连续细化傅里叶变换和改进LMS自适应滤波方法有机结合的异步电动机轴承故障检测新方法.该方法能够正确判断轴承故障特征频率分量,从而提高异步电动机轴承故障诊断效果,实现轴承故障的可靠检测.实验结果表明了该方法的有效性.     

XGBoost算法在风机主轴承故障预测中的应用

针对传统机器学习算法处理海量风机数据采集与监视控制(SCADA)监测数据效率低和准确度差的问题,提出利用极端梯度提升(XGBoost)算法预测风机主轴承故障。首先,对风机主轴承SCADA数据开展特征分析,挖掘和发现特征与故障之间的关联关系,并评估各特征的重要性;然后利用XGBoost算法构建主轴承故障预测模型,进行模型评估;最后,依据SCADA系统收集的实测数据对模型进行训练和测试,并调整XGBoost模型的主要参数,提高预测准确率。通过与经典梯度提升决策树(GBDT)算法诊断结果相对比,结果表明XGBoost在风机主轴承故障预测的效率和准确度方面均优于GBDT算法,是处理SCADA大规模数据集的有效工具。     

基于红外测温的异步电机轴承故障诊断

针对远航舰船异步电机轴承经常烧毁的问题,以一台Y100L -2型电机为研究对象,采用有限元法建立电机转子三维导热模型,对电机轴承在不同的运行状态下的电机转子三维温度场进行仿真,并结合电机轴承故障的试验进行了分析.分析结果显示,不论轴承是否有故障,电机端盖温度均是沿径向从内到外逐步下降;在端盖轴承座正对部位,温度变化缓慢,但是从轴承外径继续向外,端盖温度下降迅速;负荷变化对电机端盖温升的影响远远大于轴承损坏对端盖温升的影响;不能仅仅凭借端盖表面温升来对相应轴承状态进行判断,可以通过同一种负荷条件下端盖表面温升的变化对轴承状态进行判断.     

基于DSP的高频加热电源能量监控系统设计

以高频感应加热电源为研究对象,针对传统感应加热电源控制系统的不足,设计开发了一种基于信号处理器(DSP)的感应加热电源能量监控系统.本设计构建了以TMS320F2407为控制核心的硬件控制平台,包括了采样电路、保护电路、相位补偿电路、键盘显示电路等外围电路.经测试,整个系统较之以往在设备的可靠性和自动化水平方面得到了提高,将实时处理能力和控制外设功能集于一身,既提高了工作效率又节省大量的人力物力.     

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。