电机生产线噪声故障自动识别

电机振声信号蕴涵着丰富的电机状态信息,因此提出利用电机振声信号实现电机生产线噪声出厂检测。考虑工业现场环境的影响,系统首先采用小波分析对振声信号进行消噪,提取有用信号;再利用小波技术多分辨率的特点,从能量分布角度出发,结合概率论参数区间估计法获得各频段能量区间,对故障电机进行自动识别。系统基于LabVIEW软件平台,实现电机振声信号的实时采集、分析和后处理。现场应用表明,该系统效果良好。     

电机生产线噪声故障自动识别

电机振声信号蕴涵着丰富的电机状态信息,因此提出利用电机振声信号实现电机生产线噪声出厂检测。考虑工业现场环境的影响,系统首先采用小波分析对振声信号进行消噪,提取有用信号;再利用小波技术多分辨率的特点,从能量分布角度出发,结合概率论参数区间估计法获得各频段能量区间,对故障电机进行自动识别。系统基于LabVIEW软件平台,实现电机振声信号的实时采集、分析和后处理。现场应用表明,该系统效果良好。     

小波包分解在电机故障诊断中的应用

针对常用的时域和频域分析在诊断电机故障时存在不能同时诊断出故障时间和类型的问题，在分析电机故障特征的基础上，利用时频两域都具有表征信号特征能力的小波，对采集来的电机振动信号进行小波包分解，利用分解的小波系数，在各个频段上进行小波信号重构，并计算信号各个频段的能量特征值，提取故障特征，诊断故障发生的时间和故障类型。经仿真验证，小波包分解能将故障信号有效划分到不同的频段内，而且时域和频域局部化特性好，能有效地诊断出电机故障，具有良好的理论意义与工程应用价值。     

电机故障自动识别在电机生产线上的应用

电机出厂检测非常重要。为了确保质量控制,目前电机厂多是通过操作者听电机声音判定噪声故障。而该文将研究模式识别技术在小型电动机生产线上电机故障检测中的应用。由于工业现场环境,系统首先采用小波分析对振声信号进行消噪,提取有用信号。再利用小波技术多分辨率特点和小波能谱熵提取故障信号的特征信息,最后结合概率论参数区间估计法获得小波熵带,对故障电机自动识别。     

空调电机振声信号的盲源分离故障特征提取

电机振声信号蕴涵着丰富的电机状态信息,文中提出利用电机振声信号对电机进行故障诊断,实现噪声出厂检测.由于观测信号信噪比较小,难于提取电机振声信号故障特征.应用肓分离技术从观测信号提取独立的声源信号,提出了基于峭度的盲源分离开关算法,可以在源信号概率密度函数未知时提取独立分量,消除相邻部件辐射噪声的干扰.实验证明该算法成功分离电机振声信号,有效提取故障特征.     

小波包在电机故障诊断中的应用

针对常用的时域和频域分析在诊断电机故障时存存不能同时诊断出故障时间和类型的瓶颈问题，利用在时频两域都具有表征信号特征能力的小波，对采集来的电机振动信号进行小波包分解。利用分解的小波系数，在各个频段上进行小波信号重构，并计算信号各个频段的能量特征值，提取故障特征，诊断故障发生的时间和故障类型。     

基于小波包分析的电机故障检测

电机是一种复杂的旋转机械,故障种类多而且难以辨别。为了对电机的常见故障进行正确、快速地检测,在分析电机故障特征的基础上,对采集来的电机振动信号的时域和频域进行了小波包分解;利用分解的小波系数,在各个频段上进行小波系数重构,诊断故障发生的类型。仿真试验结果表明:小波包分析是对电机故障进行检测的有效方法,同时也给出了一种思路,为电机故障实时检测提供了理论依据。     

基于小波包分析的电机故障检测

电机是一种复杂的旋转机械,故障种类多而且难以辨别。为了对电机的常见故障进行正确、快速地检测,在分析电机故障特征的基础上,对采集来的电机振动信号的时域和频域进行了小波包分解;利用分解的小波系数,在各个频段上进行小波系数重构,诊断故障发生的类型。仿真试验结果表明：小波包分析是对电机故障进行检测的有效方法,同时也给出了一种思路,为电机故障实时检测提供了理论依据。     

电力系统故障信号小波消噪应注意的问题

小波由于其时频窗口的灵活性 ,使小波变换近几年来在电力系统故障信号处理中得到广泛应用。特别是 ,电机的故障信号含有大量的噪声 ,有时噪声将故障信号完全淹没 ,很难直接用于故障的分析和诊断。所以在故障信号分析之前 ,必须对故障信号进行消噪。然而小波变换并不是对所有噪声都是有效的。故提出了将三角样条调频小波方法用于噪声的消噪 ,效果理想     

电机故障的小波MRA诊断技术

本文论述了电机运行过程中产生的故障现象,以及对电机故障信号的诊断方法。利用小波变换的多分辨率分析特性对电机故障信号进行多尺度分解,将信号分解到不同的频带上。通过对高频带分解系数的分析,可以提取出故障信号的特征,从而可以有针对性地对故障进行定位和诊断。仿真结果表明,从小波分解的高频细节系数中能够提取出精确的故障信号发生时刻以及频率,为故障的诊断提供了可靠的依据,表明了小波分析在电机故障诊断方面的广泛应用前景。     

基于小波分析和神经网络的电机故障诊断方法研究

在电机故障诊断技术中,电机振动信号最能全面反映电机的运行状态.由于电机振动信号属于非平稳随机信号,传统的傅里叶变换从频域角度进行信号分析,只能说明信号中某频率成分幅值的大小和频率密度,不能检测奇异信号点的时域信息,而且还可能将含有丰富故障信息的微弱信号作为噪声滤去.因此,不能完全满足故障信号特征提取的要求.为解决这一问题,提出一种基于小波分析和神经网络的电机故障诊断方法,该方法采用小波时频分析技术对电机故障振动信号进行消噪滤波,通过小波包分解系数求取频带能量,根据各个频带能量的变化提取故障特征,应用BP神经网络进行故障识别,并采用Matlab仿真软件予以实现.结果表明,该方法不需要建立电机的故障诊断模型,能有效提高电机故障诊断的准确性.     

基于小波包能量谱分析的电机故障诊断

小波包是继小波分析后提出的一种新型的多尺度分析方法[1],解决了小波分析在高频部分分辨率差的缺点,体现了比小波分析更好的处理效果。文章描述了小波包分析方法的基本原理及其实现算法,并从能量分布的角度出发,阐述了在电机故障诊断中,利用小波包分析方法将模糊故障信号进行量化、分解,从而便于用单片机进行处理、判断的一种新的应用途径,在实验室中模拟各种电机故障进行了实验验证,实验进一步表明基于小波包能量谱分析的电机故障诊断方法是一种方便灵活并且准确度很高的故障诊断方法。     

共振解调与小波降噪在电机故障诊断中的应用

针对异步电机形成复合故障时电流频谱存在的故障频率成分难以准确分离的问题,结合小波降噪算法与共振解调技术,提出一种异步电机复合故障分离方法.依托小波优良的时频局部化特性,有效地区分信号中的突变部分和噪声,实现信号的降噪;利用软件方法实现共振解调,构造带通滤波器提取共振信息.利用Hilbert变换进行解调分析得到包含故障特征信息的低频包络信号,经过低通滤波、频谱分析后实现异步电机耦合故障分离和故障特征提取.实验结果表明,该方法使复合故障情况下的异步电机电流信号的故障特征频率更容易识别和分离.     

小波包分析在汽轮机转子振动故障诊断中的应用

针对汽轮发电机组振动的频谱特点,提出了基于小波包变换的汽轮机转子振动故障诊断方法,它较一般的小波变换更能反映振动信号所包含的频谱成分及能量。根据Bently实验台所采集的4种典型汽轮机转子振动故障信号,运用小波包分析方法对其进行能量分析并提取故障特征。实验分析表明,基于小波包分析与信号能量分解的故障特征提取方法,可以获得汽轮机转子振动的故障状况;根据不同故障发生时的频谱特征,识别出不同的故障,从而进行汽轮机转子振动故障诊断。该方法比基于Fourier变换的故障特征提取方法更有效,适合于机械故障诊断。     

基于小波包能量谱的电网故障行波定位方法

为减少电网故障行波传播色散特性对行波波头检测和波速测量的影响,提高电网故障行波定位的准确度,提出了基于小波包能量谱的电网故障行波定位方法。该法结合小波包技术与傅立叶变换的谱分析,对行波信号进行分析,提取能量相对集中的故障频带信号进行故障行波定位计算;行波到达时间由该频带相应尺度下的小波包能量时谱提取的行波特征点位置计算;该频带行波传播速度由输电线路两端对外部扰动的实测行波数据计算。大量的电网故障行波定位ATP仿真分析结果和现场实验测试分析表明,该电网故障行波定位方法能有效提取电网行波特征信号,减少行波传播色散特性和线路长度变化的影响,定位误差<200m。     

基于小波与参数区间估计法的电机故障诊断

为利用电机噪声信号对电机进行出厂故障诊断,采用小波分析技术对小功率异步电动机噪声信号进行多分辨率分析。从能量分布出发,结合概率论参数区间估计法获得不同故障各频段能量区间,对电机进行故障诊断。实验证明,不同故障的各频段能量区间不同,根据能量分布区间可以有效地诊断电机故障类型。     

基于改进遗传小波网络的电机故障诊断研究

用频谱分析方法提取了无刷直流电动机的正常工作状态和几种常见的故障(位置传感器一路故障、A相绕组断路故障和驱动开关断路故障)时的特征信号,进行了诊断算法研究,提出了用改进遗传算法优化小波神经网络参数的调整过程,并用改进遗传小波神经网络对无刷直流电动机进行故障诊断。仿真结果表明,与经典遗传小波神经网络、小波神经网络和BP神经网络等方法进行比较,该方法在无刷直流电动机故障诊断中具有更快的收敛速度和更高的诊断精度。     

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。     

基于倒谱和决策树的模拟电路故障诊断

针对非线性模拟电路故障诊断中参数型故障元件定位的难题,提出一种结合倒谱和决策树的模拟电路故障诊断的方法。首先对采集到的模拟电路离散电压信号进行倒谱变换;然后对变换后的数据进行小波分解并提取相应子频带的能量谱,将提取的能量谱作为对应模式的故障特征;最后利用决策树的分类功能对电路的模式进行判断。仿真结果表明,有效地提取了模拟电路不同模式的故障特征,提高了模拟电路故障诊断的效果。     

电力系统故障信号的小波变换奇异性检测

小波变换具有良好的时频局部化特性,并可根据信号频率的变化自动调节时频窗口,因此利用小波变换可有效地检测出信号的奇异性特征。根据小波分析的基本理论,介绍了利用小波分解后的多尺度高频分量模极大值进行电力系统故障实时定位。给出了仿真研究,仿真分析表明该方法有效。