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。     

基于小波包变换的电机定子故障特征提取方法

针对感应电机定子故障的特征频率处在低频段,小波分解系数易受电机负荷波动影响的问题, 提出一种采用希尔伯特变换对信号进行预处理,利用小波包分解来实现定子故障特征的提取方法。通过小波包分解,使相应分解子频段能始终覆盖随电机转差率以及供电电源频率变化的故障特征频率。增加小波时域波形的波峰数,减少了子频段间的频域混叠及频谱泄漏现象。对原始信号进行希尔伯特变换的预处理,降低了电机负荷波动对分解系数的影响;采用子频段节点重构系数的均方根值变化率作为故障特征指标。通过对实测故障数据的应用,利用上述方法可以有效地识别出电机的定子故障。     

基于小波包变换的电机定子故障特征提取方法

针对感应电机定子故障的特征频率处在低频段,小波分解系数易受电机负荷波动影响的问题, 提出一种采用希尔伯特变换对信号进行预处理,利用小波包分解来实现定子故障特征的提取方法.通过小波包分解,使相应分解子频段能始终覆盖随电机转差率以及供电电源频率变化的故障特征频率.增加小波时域波形的波峰数,减少了子频段间的频域混叠及频谱泄漏现象.对原始信号进行希尔伯特变换的预处理,降低了电机负荷波动对分解系数的影响;采用子频段节点重构系数的均方根值变化率作为故障特征指标.通过对实测故障数据的应用,利用上述方法可以有效地识别出电机的定子故障.     

小波包分解法与粗糙集神经网络在电机故障诊断中的应用

针对感应电机故障特征复杂、特征提取方法不足,提出了瞬时功率小波包分解的方法。分析电机单相瞬时功率,滤波后进行小波包分解,求取故障特征对应子频带小波包分解系数的均方根值及其变化率,并用以表征故障特征,以此作为电机故障的依据,运用粗糙集理论进行约简,将约简结果作为特征向量输入到RBF网络中,进行故障诊断。结果表明该方法诊断灵敏度高,可用于电机的故障诊断。     

基于小波包算法的电机故障信号的压缩和重构

提出了基于小波包改进算法的电机故障信号压缩和重构方法,取定误差限后,通过选择分解阶数自动优化调节每个节点的阈值来获得尽可能大的压缩比。分析了小波包分解尺度空间系数V1不压缩和压缩2种方案,以及小波包完全分解和基于熵值的最优分解下各压缩指标随尺度的变化情况,并比较了不同小波的压缩效果。分析结果表明,提出的方法在获得较大压缩比的同时又能不失真地重构原信号,并有效地减少小波包分解和重构的计算量,是一种有效的电机故障信号和压缩和重构方法。     

基于失电残压小波分析的定子绕组故障诊断

针对感应电机定子绕组匝间短路故障诊断存在的不足,提出了一种基于失电残压小波分析的诊断方法。采用不受外部因素干扰的失电后零序电压作为分析对象,对其进行小波包分解,提取基波零序电压分量作为故障特征;对比正常电机基波零序电压,可确定有无定子绕组故障发生,计算相应节点小波包分解系数的均方根值,可反映故障的严重程度。仿真实验验证了该方法的有效性,可应用于实际工程。     

基于8层小波包分解的电机定子电流故障诊断新方法

电机低频运行时发生故障的特征频率与电源频率之间的差值较小,采用传统的3层小波包分解法不能满足频率细化的要求。对电机在正常和故障两种运行状态下的定子电流信号进行8层小波包分解,细化了电机电流低频段序列,提取出能够较为准确反映电机故障的特征向量。将其特征能量进行了对比分析,从正常和故障信号的特征能量对比结果证明了利用8层小波包分解和重构的方法能够更准确地判断电机故障。     

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。     

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。     

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在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WPD-SVD的串联故障电弧检测方法

为了研究电力系统中串联故障电弧检测问题,以三相交流电机为例,设计了一种基于小波包-奇异值分解的串联故障电弧检测方法。首先,进行了串联故障电弧实验,获得了电机A相电流数据;其次,对电流数据进行小波包分解及进一步的奇异值分解,并成功提取特征值;最终,进行6个组别各50次重复实验并将重复实验结果平均处理,再对同组前4个特征值进行加权平均处理,获得WPD-SVD判别标准特征值。在进行正常与故障状态特征值对比后,证明特征值间距及稳定性都较为理想,足够作为串联故障电弧检测判据。     

小波包与神经网络在电机故障诊断中的应用研究

文章对电机的故障特点进行分析,根据小波包变换能将信号按任意时频分辨率分解到不同频段的特性,结合小波包的能量特性,提出了故障信号在不同分解频段的能量特征概念及算法,并将其与BP神经网络相结合,提出了一种新的电机故障诊断方法,实验结果证实了该方法的正确性和有效性。     

三级式发电机旋转整流器故障特征提取

提出了一种基于小波包分析的三级式发电机旋转整流器故障特征提取方法。对整流二极管常见的故障进行了分类,通过建立故障模型,仿真得到故障信号,并对各类故障后电机的励磁电流进行小波包分解、重构,提取能量特征向量,为旋转整流器的故障诊断奠定了基础。     

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Park矢量模信号小波分解的感应电机轴承故障诊断方法

在分析小波包分频特性的基础上，总结出小波包分解子频带按频率高低排列的通式；对三相定子电流的Park矢量模信号进行小波包分解，求相应子频带的小波包分解系数的均方根值（RMS），并用其表征轴承的故障特征，以此作为轴承故障诊断的依据。研究表明，该方法降低了基频电流及电流中噪声的影响，克服了由于受负载变化引起故障特征频率波动使得难以准确提取故障特征频率的缺陷；实验结果证明了该方法应用于电机轴承故障诊断的可行性。     

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.     

小波包分析在永磁同步电机转子偏心故障中的应用

在Maxwell和Simplorer平台下建立永磁同步电机模型,通过联合仿真得出正常运行和发生不同程度转子动态偏心故障时的定子电流。对正常和转子偏心故障状态下的定子电流进行小波包分析,得到其定子电流信号的小波包分解系数,其定子电流三次谐波分量变化最为明显,可以作为其特征量用以检测永磁同步电机转子偏心故障,并对不同程度的转子偏心故障的定子电流小波包分解系数做了对比研究。     

基于小波包能量分析和信号融合的异步电机转子故障诊断

为提高异步电机转子故障诊断的可靠性,文中介绍了一种基于小波包能量分析和信号融合的异步电机转子故障诊断方法。采用定子电流信号和振动信号的频谱特征融合作为转子断条以及气隙偏心故障的诊断依据,首先对信号进行小波包分解,获得不同小波包频带节点下对应的能量分布,并与正常电机信号进行比较,进而对能量异常的信号频段进行小波包节点重构,最后通过快速傅里叶变换识别故障特征频率,诊断电机故障是否发生。通过仿真分析,验证了该方法的有效性和实用性,对于电机运行状态的准确监测具有重要意义。     

基于小波包的多尺度主元分析在传感器故障诊断中的应用

由于传统的基于小波变换的多尺度主元分析(MSPCA)方法在检测高频类故障时的分辨能力不足，该文提出了基于小波包的MSPCA模型，并应用于传感器的故障诊断。首先对传感器数据进行正交小波包分解，得到小波包最佳分解树。根据最佳树的各个节点系数在对应的尺度上建立主元分析模型，根据这些主元分析模型在残差子空间利用平方预报误差统计量进行传感器故障检测，采用传感器有效度指标对故障传感器进行分离。最后以火电厂锅炉系统的传感器为例对设计的模型进行了验证，通过对传感器周期性干扰故障这种高频故障的诊断实例验证了基于小波包的MSPCA方法的有效性，其检测性能要优于基于小波变换的MSPCA模型。     

LabVIEW在电机振动故障诊断中的应用

基于LabVIEW的小波包理论和能量谱应用于电机振动故障诊断是一种新的尝试,具有良好的应用前景.在时域范围内,故障振动信号幅值虽有变化,但难以确定电机故障程度的大小.用小波包对振动信号分解,可得到能量特征值,由此能有效地判断电机振动故障类型和程度,提高了故障诊断效率.