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.     

基于改进的MCSA法的变频电机转子故障诊断

提出一种基于改进的定子电流信号分析(MCSA)和模糊推理的变频电机转子故障诊断方法.在传统MCSA方法的基础上提出的电机故障特征频率自选频算法,能够根据电机的实际运行状态更有效地提取故障特征量,为电机故障诊断提供依据.基于模糊集理论和模糊逻辑的模糊推理算法,则通过对获取的故障特征量进行模糊推理进而确定故障类型,对存在多种故障的电机尤为有效.试验结果表明,该方法能够提高变频电机转子故障诊断的准确性.     

基于噪声分析的电机故障诊断方法研究

本文基于Matlab平台,对电机各种运行状态的噪声进行数字分析和处理,提出了一种基于噪声分析的电机故障类型的诊断方法.首先对电机不同运行状态下的声音信号进行时频域分析和去噪处理;其次分析和提取了信号的能量特征向量.最后利用神经网络分类器对电机故障声音进行了分类识别.此外,为提高智能诊断的准确性,本文在以上一系列过程中均采用了多种方法,并进行了择优.实验表明,本文研究的基于噪声分析的电机故障诊断方法具有较高准确率.     

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。     

小波分析在异步电机故障诊断中的应用研究

小波具有优良的时频局部化特性,其多分辨率性质可逼近细化频谱,对故障信号提取有突出的作用.文章系统论述了小波分析在故障诊断中的研究和应用,阐述了用小波分析处理信号的诊断故障方法.通过计算机仿真验证了该方法在电机故障诊断中的可行性.     

双凸极电机位置信号的故障诊断与容错控制

位置传感器是无刷电机正确换相的关键。位置信号出现故障后,电机的换相逻辑混乱,输出转矩降低,电机转速下降。为提高系统可靠性,使电机能在正确的位置输出换相信息,对位置传感器进行故障诊断和容错控制是必要的。该文通过对永磁式双凸极电机位置信号的研究,提出一种实时监测位置信号运行状态的方法。在系统诊断出位置信号故障后,通过对位置信号换相逻辑控制器进行重构,实现故障后容错控制。通过对位置信号故障的模拟,验证了该文对位置信号故障分析、故障诊断和容错控制的正确性和实用性。     

一种利用融合相关谱的异步电机故障诊断方法

为提高异步电机故障诊断的可靠性,针对故障特征频谱分量小信号、多成分、难识别的问题,提出一种异步电机融合相关谱故障诊断方法.该方法基于多源信息融合的思想,采用电机定子电流和振动信号的融合相关谱特征作为转子断条及定子匝间短路故障的诊断依据.通过将含有相同故障频率分量的特征信号作融合相关分析,建立不同信号间的相关关系,能够有效抑制单一信号频谱中与故障识别不相关的频谱分量,使得电机故障特征频率分量更加突出,降低故障识别难度.通过仿真分析,揭示了融合相关谱特征频率与电机故障类型的对应关系,实现了转子断条及定子匝间短路故障的快速诊断,并与单一信号频谱分析进行对比,验证了该方法的有效性和实用性,对于异步电机运行状态的准确监测具有重要意义.     

基于改进的MCSA法的变频电机转子故障诊断

提出一种基于改进的定子电流信号分析（MCSA）和模糊推理的变频电机转子故障诊断方法。在传统MCSA方法的基础上提出的电机故障特征频率自选频算法,能够根据电机的实际运行状态更有效地提取故障特征量,为电机故障诊断提供依据。基于模糊集理论和模糊逻辑的模糊推理算法,则通过对获取的故障特征量进行模糊推理进而确定故障类型,对存在多种故障的电机尤为有效。试验结果表明,该方法能够提高变频电机转子故障诊断的准确性。     

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。     

基于最小二乘支持向量机的电机故障鉴别

针对异步电机的构造与转子故障特征,基于统计学习理论提出了信号处理技术与支持向量机故障诊断相结合的方法,以鼠笼式异步电动机为研究对象,建立了电机转子故障实验系统,并采集了电机故障信号,使用最小二乘支持向量机(LS-SVM)进行故障分类。其次针对鼠笼式电机转子多故障分类问题,提出了小波包分析两种不同故障信号预处理方法,将采集的电机机壳振动信号分别进行分析,提取了故障特征向量,并结合LS-SVM分类功能,实现对电机转子不同故障的有效分类。实验结果表明,小波分析与LS-SVM结合的方法具有很好的分类精度。