设备状态监测与故障诊断在电机保护中的应用探讨

文章以国内海上油田群电机完整性维护为基础,从电机的故障原理及监测方法出发,对电机等设备的电机保护、状态监测与故障诊断等现状、存在的问题等方面做了较为详细的阐述,并根据在某天然气终端的实施案例,得到了如何安装和实施电机设备状态监测和故障诊断系统、如何更好的分析电机诊断信号的结论,为电机及其他重要设备的日常维护提供了参考。     

基于小波-BP神经网络的发动机轴承故障诊断

本文针对发动机滚动轴承故障振动信号的非平稳特征,提出了一种基于小波包变换与神经网络的滚动轴承故障诊断方法。由于滚动轴承发生故障时,加速度振动信号各频带的能量会发生变化,以振动信号小波分解后的能量信息作为特征,以神经网络作为分类器对滚动轴承故障进行识别、诊断。通过对滚动轴承的正常状态、滚珠故障、内圈故障和外圈故障信号的分析,表明以小波包分解为预处理器的神经网络故障诊断方法可以准确、有效地识别滚动轴承的工作状态和故障类型。     

滚动轴承多状态特征信息的改进型卷积神经网络故障诊断方法

针对现有滚动轴承故障诊断模型中人工选取特征的不确定性,诊断模型不具有针对性的难题,提出一种针对滚动轴承多状态特征信息的改进型卷积神经网络故障诊断方法。首先,该方法针对滚动轴承故障的多状态特征信息,提出一种改进型卷积神经网络设计基本准则(BPDICNN);再次,利用提出的BPDICNN设计了卷积神经网络模型,直接在滚动轴承原始振动信号上进行"端到端"的学习训练,从原始信号中挖掘出包括故障类型、故障位置、故障损伤程度、故障检测时负载状态等多个特征;最后,利用实验数据进行了验证,实现了30个滚动轴承故障状态的有效诊断,准确率为100%,实验结果验证了方法的有效性。     

基于RPROP神经网络算法的旋转机械故障诊断模型

故障诊断模型是开展旋转机械设备状态检修的核心环节之一.采用弹性反馈(RPROP)神经网络算法建立旋转机械的神经网络故障诊断模型,通过与标准BP、带动量因子的反向传播(BP)算法相比较,表明了RPROP算法在故障模式识别中具有良好的学习效率与泛化能力,可以更好的描述频率特征和诊断结果之间的关系.     

电机电器状态检测与故障诊断

做好电机电器状态检测和故障诊断对保证电器设备处于良好的运行状态的重要手段,因此掌握状态检测技术以及故障诊断技术是十分重要的,其中做好电机设备的状态检测是对故障诊断的有效方式。本文介绍了电机设备故障诊断技术的特点、常用方法以及当前常用的状态检测与故障诊断技术。     

遗传算法和BP神经网络在电机故障诊断中的应用研究

人工智能方法在电机故障诊断中的应用,使得电机故障能够得到及时准确的预测和诊断,保障了电机的安全运行。介绍了BP神经网络及遗传算法的基本原理及组成结构,针对BP神经网络容易陷入局部极小点及收敛速度慢的问题,利用遗传算法对BP神经网络的权值和阀值优化,改善了BP神经网络的诊断性能;通过GA-BP网络对电机的三种故障模式进行了诊断识别,其实验仿真结果表明：无论是在诊断速度上还是诊断精度上,GA-BP神经网络诊断性能都比单独的运用BP网络有了很大提高。     

基于小波包近似熵与LMS加权特征融合异步电机故障诊断

针对大多数情况下异步电机故障在不同传感器和转频等工况参数下的近似熵集合存在差异,难以有效提取表征不同故障状态的信号特征,进行故障状态识别的问题,提出一种基于小波近似熵与加权最小均方误差LMS的特征融合异步电机故障诊断方法。首先,通过小波包分解电机正常、转子不平衡、转子弯曲以及基座松动等故障信号,得到不同频带的信号特性,然后选取最优尺度提取不同频带上近似熵构成集合。然后,结合同种故障不同运行状态下的近似熵集合,通过采用自适应LMS算法进行加权融合提取电机不同故障状态的最优特征,将其作为SVM的输入进行故障分类,从而实现不同工况下故障状态的精确识别。最后,针对异步电机正常运行、转子不平衡、转子弯曲、基座松动四种运行状态,分别采用所提出的SVM分类法和BP神经网络法,结果表明SVM分类法比BP神经网络法的分类识别率更高,诊断效果更好。     

BP神经网络在齿轮箱故障诊断中的应用

针对齿轮箱进行神经网络故障诊断研究。齿轮传动是机械传动中最重要的传动之一,它的损伤和失效常常导致机械设备的故障,从而导致重大安全事故。因此,齿轮箱装置的状态监测与故障诊断受到越来越多的关注和研究。本文简要介绍齿轮振动机理和BP神经网络的原理与结构,并将神经网络应用于齿轮箱故障检测和诊断。利用matlab语言建立神经网络模型,通过对振动信号提取的特征向量对已建立的神经网络模型进行训练。利用训练好的BP神经网络模型对齿轮箱进行故障检测,取得了较好的效果。     

自动化包装生产线电机无传感器驱动故障诊断

目的 为了解决自动化包装生产线针对电机驱动故障诊断复杂化和精度低的问题,提高复杂生产环境下电机运行的稳定和人员的安全,提出一种基于XGBoost特征重构和神经网络预测电机驱动故障的精准预测方法.方法 首先通过XGBoost算法运用一部分训练数据构建特征树,随后将剩余训练数据输入XGBoost算法得到重构的特征,然后再运用One-hot编码,将重构特征映射到欧式空间,进一步放大特征的差异,最后输入经过参数调整的神经网络模型中完成故障预测.结果 相较于未经XGBoost特征构建的神经网络模型,文中提出的结构在数据测试集随机分割的验证集和测试集上均取得了接近100％的分类精度,验证了模型的有效性和稳定性.结论 较好地实现了针对自动化包装生产线电机驱动故障的无传感器高精度诊断,有利于提高复杂生产环境下的电机稳定性和人员安全性.     

基于共振解调与神经网络的滚动轴承故障智能诊断

介绍了一种基于共振解调与神经网络技术的滚动轴承故障诊断方法。对采集系统所拾取的滚动轴承振动信号进行共振解调处理，依据故障包络频谱中必然存在谐波谱线的规律，在共振解调后的包络信号中提取所需的轴承故障谱线特征信息，并将其作为神经网络输入，利用神经网络进行轴承各种故障状态的识别，实现滚动轴承故障的智能诊断。实验表明，该方法能准确而有效地识别出滚动轴承的不同磨损状态，诊断便捷。     

有限元漏磁仿真在异步电机非相邻断条故障检测中的应用

传统的电机电流特征分析(motor current signature analysis,MCSA)方法在进行异步电机转子非相邻断条故障诊断时容易出现误检。为此,提出一种基于漏磁检测的异步电机非相邻断条故障诊断方法。首先,在ANSYS@Maxwell-2D软件中对异步电机进行建模,针对电机健康、相邻断条、半极距断条以及全极距断条故障4种不同状态,在采样频率为10 kHz的条件下利用有限元法对电机进行漏磁分析,得出各状态的漏磁频谱。进一步,在相同条件下,利用实验测量得出异步电机定子电流频谱,并与相应的漏磁频谱进行对比。最后,通过频谱对比分析说明漏磁检测方法在异步电机转子非相邻断条故障诊断上的优越性。二维有限元分析与频谱对比分析结果表明:当异步电机转子断条间隔为半极距和全极距时,采用漏磁通频谱中的3sf_s和f_r+sf_s等特征信号可对故障进行有效识别;同时,在采用漏磁检测方法进行异步电机非相邻断条故障诊断时,f_r+sf_s谐波分量与电机负载水平关联性较小,相较于MCSA,漏磁检测方法的鲁棒性较高。所提方法可为异步电机其余电气故障的准确、鲁棒诊断提供参考。     

基于声信号和一维卷积神经网络的电机故障诊断研究

针对电机故障诊断问题,设计一种新型的一维卷积神经网络结构(1D-CNN),提出一种基于声信号和1DCNN的电机故障诊断方法。为了验证1D-CNN算法在电机故障识别领域的有效性,以一组空调故障电机作为实验对象,搭建电机故障诊断平台,对4种状态的空调电机进行声信号采集实验,制作电机故障声信号数据集,并运用1DCNN算法对数据集进行分类,计算出基于该算法的电机故障识别准确率。实验结果表明,1D-CNN算法作为一种新型结构深度学习算法,能够对电机故障声信号进行很好分类,分类准确率高于FFT-BP、SVM、FFT-SAE等算法。为了探究1D-CNN算法内在机制,还对1D-CNN算法性能进行t-SNE可视化分析。     

基于椭球单元网络的旋转机械多故障同时性诊断

阐述了椭球单元（ＥｌｉｐｓｏｉｄａｌＵｎｉｔ）网络的原理及其结构，研究了网络权重初始化方法和网络的训练算法，借助这种高阶网络泛化的有界性，针对大型旋转机械多故障同时性诊断问题，构造了一种由多个子网络组成的分级诊断网络（ＨＤＡＮＮ）。测试结果表明：用基于椭球单元网络的ＨＤＡＮＮ网络分级诊断策略解决大规模故障诊断问题是合理有效的，且具有较高的诊断精度，可用于旋转机械工况实时监测和诊断场合。     

基于 PLC 的裤袜自动包装机实时故障检测与处理

目的针对裤袜自动包装机包装过程中产生的故障问题研发一套故障检测系统。方法通过PLC采集输送带、电机、翻转折叠机构、折边铲、封袋铲、装袋铲等关键部位的传感信号,采用Visual Basic设计的上位机系统运用故障树原理,对所采集的信号进行实时故障诊断及显示。结果该故障检测系统可靠性高,能有效地提高裤袜自动包装机的故障检测与处理能力,从而提高了生产效率。结论该系统用户界面简洁、便于操作、运行稳定可靠、自动化程度高,降低了故障处理时间,对包装机的日常维护具有重要意义。     

基于灵敏度预分类的BP神经网络故障诊断方法

故障特征信息的获取和处理对电路故障的可靠分类和准确诊断有很大的影响．在电路故障诊断时,对于不同的故障模式,存在信息混叠的现象,需要解决特征信息的有效提取和故障的可靠分类等问题．为此,本文提出了一种结合灵敏度特性分析的BP神经网络故障诊断方法．基本思想是通过灵敏度的计算,对电路故障样本作预分类,再根据电路灵敏度的计算结果分别提取相应特征信息,以此构造故障样本特征集,然后作为BP神经网络的输入对网络训练,并进行故障诊断．对滤波器的仿真结果表明,该方法能分类不同的元件故障,且对模拟电路故障诊断的平均正确率优于传统方法．     

Bayesian belief networks for system fault diagnostics

Fault diagnostic methods aim to recognize when faults exist on a system and to identify the failures that have caused the fault. The symptoms of the fault are obtained from readings from sensors located on the system. When the observed readings do not match those expected then a fault can exist. Using the detailed information provided by the sensors, a list of the failures (singly or in combinations) that could cause the symptoms can be deduced. In the last two decades, fault diagnosis has received growing attention due to the complexity of modern systems and the consequent need for more sophisticated techniques to identify the failures when they occur. Detecting the causes of a fault quickly and efficiently means reducing the costs associated with the system unavailability and, in certain cases, avoiding the risks of unsafe operating conditions. Bayesian belief networks (BBNs) are probabilistic models that were developed in artificial intelligence applications but are now applied in many fields. They are ideal for modelling the causal relations between faults and symptoms used in the detection process. The probabilities of events within the BBN can be updated following observations (evidence) about the system state. In this paper we investigate how BBNs can be applied to diagnose faults on a system. Initially Fault trees (FTs) are constructed to indicate how the component failures can combine to cause unexpected deviations in the variables monitored by the sensors. Converting FTs into BNs enables the creation of a model that represents the system with a single network, which is constituted by sub‐networks. The posterior probabilities of the components' failures give a measure of those components that have caused the symptoms observed. The method gives a procedure that can be generalized for any system where the causality structure can be developed relating the system component states to the sensor readings. The technique is demonstrated with a simple example system. Copyright © 2008 John Wiley & Sons, Ltd.     

神经网络智能综合监测诊断系统研究

针对机械故障智能诊断的特点,研究了用于故障智能诊断的神经网络结构的确定,提出了集成神经网络的建立方法。在此基础上,研制开发了智能自动诊断系统,应用风机故障诊断特例说明了该系统的实用性。     

基于EMD与神经网络的滚动轴承故障诊断方法

针对滚动轴承故障振动信号的非平稳特征，提出了一种基于经验模态分解(Empirical Mode Decomposition，简称EMD)和神经网络的滚动轴承故障诊断方法。该方法首先对原始信号进行了经验模态分解，将其分解为多个平稳的固有模态函数(Intrinsic Mode function，简称IMF)之和，再选取若干个包含主要故障信息的IMF分量进行进一步分析，由于滚动轴承发生故障时，加速度振动信号各频带的能量会发生变化，因而可从各IMF分量中提取能量特征参数作为神经网络的输入参数来识别滚动轴承的故障类型。对滚动轴承的正常状态、内圈故障和外圈故障信号的分析结果表明，以EMD为预处理器提取各频带能量作为特征参数的神经网络诊断方法比以小波包分析为预处理器的神经网络诊断方法有更高的故障识别率，可以准确、有效地识别滚动轴承的工作状态和故障类型。     

无人机发动机点火停车电路故障在线检测研究

为了解决某型无人机发动机的飞行故障隐患,通过对发动机点火停车电路所存在故障的模型研究,运用Pspice仿真软件对电路故障进行仿真,采用基于故障字典的故障诊断技术,建立了诊断故障字典．利用单片机设计了一套在线故障检测系统,提出了“状态传递”的测试策略进行测点优化,简化了系统设计,提高了故障诊断效率,实现了无人机发动机点火和停车电路故障的在线检测,确保了无人机的飞行安全和飞行任务的完成．     

Robust recurrent neural network modeling for software fault detection and correction prediction

Software fault detection and correction processes are related although different, and they should be studied together. A practical approach is to apply software reliability growth models to model fault detection, and fault correction process is assumed to be a delayed process. On the other hand, the artificial neural networks model, as a data-driven approach, tries to model these two processes together with no assumptions. Specifically, feedforward backpropagation networks have shown their advantages over analytical models in fault number predictions. In this paper, the following approach is explored. First, recurrent neural networks are applied to model these two processes together. Within this framework, a systematic networks configuration approach is developed with genetic algorithm according to the prediction performance. In order to provide robust predictions, an extra factor characterizing the dispersion of prediction repetitions is incorporated into the performance function. Comparisons with feedforward neural networks and analytical models are developed with respect to a real data set.