低压散绕变频电机绝缘薄弱点定位方法研究

根据 IEC 相关标准,采用重复脉冲和正弦电压测定变频电机绝缘系统 PDIV,是评估低压散绕变频电机绝缘性能的关键 手段。 然而,现行 IEC 标准难以识别定子绕组绝缘薄弱点。 对此,联合重复脉冲和正弦 PDIV 离线测试技术,提出定位变频电 机绝缘薄弱点的“三步法”:首先采用重复脉冲电压测定电机匝间绝缘 PDIV;然后利用正弦电压测定相间及主绝缘 PDIV,并与 匝间 PDIV 对比,确定电机绝缘薄弱点;最后通过测试电机在不同接地方式下的 PDIV,可定位绝缘薄弱点是否位于定子绕组首 端。 另外,通过定子绕组电压分布仿真、3 个商用电机薄弱点识别及电机寿命实验,综合验证了上述方法的可行性。 此研究可 实现变频电机绝缘薄弱点的有效定位,提升电机绝缘潜在风险诊断效率。     

变频电机绝缘的局部放电检测技术分析

基于变频电机端部过电压以及定子内部电压分布缺乏匀称性会对变频电机绝缘性能造成不同程度影响等实况,提出了将局部放电检测技术应用于变频电机中的建议。具体是结合迅速上升/下降顺延连续方波电压下变频电机局部放电的检验特征,对超高频等满足变频电机局部放电试验与接收试验的局部放电检测技术进行探究。     

电气设备故障检测技术讲座 第二讲 电机故障检测技术（下）

三、电机绕组故障检测 电机绕组的故障主要有以下四种：匝间、相间短路,三相阻抗失配,断路,绝缘损坏。这些故障往往始于电机内部绕组品质的变化。由于长期运行或过载,特别是频繁地起动及反向,过电流产生的热量使绕线绝缘层发生质变,造成初期局部的匝间短路或对地短路,短路严重时,将导致电机烧损。 匝间短路与对地短路是电机最常见的故障。这两种故障虽然机理相同,但相互独立：有时候出现匝间短路的电机,其对地绝缘是好的;而有些电机对地绝缘性能下降,甚至绝缘阻值只有几千欧,但匝间是完好的。有些情况下,这两种故障也会相互影…     

高压变频电机绝缘结构评价技术解析

为了对高压变频电机电绝缘结构作出评价以及解析,概述了目前高压变频电机绝缘机构存在的问题,分别对高压电频电机绝缘机构进行热评价和电评价,对主绝缘鉴别实验、匝间绝缘试验、应力控制以及防晕结构的鉴定等多项实验展开分析,实验分析为进一步解决电运行中遇到的问题提供了有效的对策。     

永磁磁阻电机匝间冲击分析研究

电机匝间冲击是引起电机售后故障的主要原因之一,现以永磁电机为例,建立匝间冲击故障模型进行计算,然后与正常情况进行对比,最终得出额定负载下,正常情况和发生匝间短路时电机的输出力矩、转速、电流等参数的差异,分析匝间冲击严重程度对电机的影响,以便及时发现故障并加以控制,为电机行业匝间分析提供理论和检测依据。     

局部热源对电力变压器内部温度分布的影响分析

油浸式电力变压器是电力系统的主要电气设备,其运行可靠性对电力系统的安全运行有重要的影响,在生产、安装及运行等过程中可能会破坏其绝缘结构,导致变压器内部产生局部放电现象甚至击穿。本文以S9-M-100/10型号的油浸式配电变压器为研究对象,仿真分析变压器正常运行、匝间短路及层间短路三种状态下变压器内部电磁场及温度场的分布规律。仿真结果表明,正常状态下变压器铁芯、高低压绕组之间的油隙撑条帘处及高压绕组中间位置的温度较高;存在匝间及层间短路故障时,变压器故障部位的电磁损耗加剧,温度骤升;两种故障对变压器内部温度场的影响不同,且匝间短路故障对其附近温度的影响较明显。分析结果可为解释变压器热性故障及故障分类提供参考。     

局部热源对电力变压器内部温度分布的影响分析（英文）

油浸式电力变压器是电力系统的主要电气设备,其运行可靠性对电力系统的安全运行有重要的影响,在生产、安装及运行等过程中可能会破坏其绝缘结构,导致变压器内部产生局部放电现象甚至击穿。本文以S9-M-100/10型号的油浸式配电变压器为研究对象,仿真分析变压器正常运行、匝间短路及层间短路三种状态下变压器内部电磁场及温度场的分布规律。仿真结果表明,正常状态下变压器铁芯、高低压绕组之间的油隙撑条帘处及高压绕组中间位置的温度较高;存在匝间及层间短路故障时,变压器故障部位的电磁损耗加剧,温度骤升;两种故障对变压器内部温度场的影响不同,且匝间短路故障对其附近温度的影响较明显。分析结果可为解释变压器热性故障及故障分类提供参考。     

维修国外电机的实践

1991年1月,我厂一台GE公司制造的中型高压三相异步电动机烧毁.电机型号为5K84095Cll,额定电压300V,功率1500kW,4极,风冷,绝缘等级为F级.分析原因是由于强风管道进风口距离木粉燃烧炉较近,由管道吸入大量的粉尘及其它异物,引起电机内部发热破坏绝缘,造成线圈短路而烧毁.我们采用国产F级绝缘材料制作定子绕组来更换已烧毁的原定子绕组.绕组导线采用7.3 ×1.96mm~2的 QYB-2聚酯亚胺漆包线,以亚胺薄膜/粉云母纸/玻璃布的“三合一”粉云母带作为匝间绝缘.因此种F级“三合一”粉云母带有一层亚胺薄膜补强,从而大大加强了绝缘带的抗击穿电压能力和机械强度,提高了电机的使用寿命.半叠绕包厂粉云母带的电磁线经模压固化后,匝间圆角处常会出现一条条凹沟,绕上主绝缘后,在凹沟内会充满空气(如图1所示),用一般模压工艺无法将空气排出,从而影响主绝缘的耐压强度.这时,因铜导线四角电场比较强,容易产生局部放电,使匝间绝缘受电腐蚀而较快地被击穿.因此,在制造线圈时,我们采用适当加大导线匝间绝缘宽度方向的压缩量方法,迫使宽度两侧面的胶液受压流向导体圆角处将圆角填满,凹沟消失,使线圈的匝间绝缘和主绝缘热压固化后形成一个密实整体的绝缘结构.所以,设计制造中如能正确地选择绝缘压缩量、粉云母带宽度和热固化     

基于支持向量机和深度信念网络的短期光伏发电预测方法CSCD

为了提高光伏发电预测的精度,提出基于支持向量机和深度信念网络的光伏发电预测方法。利用改进的相似日算法选择相似日训练样本,分别构建以线性核函数、多项式核函数、高斯径向基核函数为核函数的支持向量机预测模型作为组合预测模型中的单项模型,再将三种单项模型的预测结果作为深度信念网络的输入,利用深度信念网络对三种单项模型的预测结果进行组合优化输出,根据实际输出与期望输出的误差动态调整组合权值,从而获得更高的预测精度。最后以澳大利亚沙漠太阳能研究中心的实测数据进行仿真验证,仿真结果表明,所提方法相较于其他方法具有较高的预测精度。     

基于支持向量机和深度信念网络的短期光伏发电预测方法

为了提高光伏发电预测的精度,提出基于支持向量机和深度信念网络的光伏发电预测方法。利用改进的相似日算法选择相似日训练样本,分别构建以线性核函数、多项式核函数、高斯径向基核函数为核函数的支持向量机预测模型作为组合预测模型中的单项模型,再将三种单项模型的预测结果作为深度信念网络的输入,利用深度信念网络对三种单项模型的预测结果进行组合优化输出,根据实际输出与期望输出的误差动态调整组合权值,从而获得更高的预测精度。最后以澳大利亚沙漠太阳能研究中心的实测数据进行仿真验证,仿真结果表明,所提方法相较于其他方法具有较高的预测精度。     

基于场路耦合法的变频感应电机铁耗计算

相对于正弦激励,变频器输出电压中包含大量的谐波分量使得感应电机铁耗的计算变得更加复杂。为了准确地计算电机铁耗和研究铁耗在变频感应电机内的分布特点,建立了二维时步有限元的铁耗计算模型,基于场路耦合法,以一台1.5 kW的变频感应电机为实例,计算了空载运行时电机的铁耗,并分别对正弦激励和变频器供电下感应电机内部铁耗的具体分布特点进行了对比分析,在此基础上,研究了变频器不同的控制策略对变频感应电机铁耗的影响。对样机进行空载实验测量电机铁耗,研究结果表明,实验结果与仿真分析吻合良好,以往在正弦激励下被忽略的转子铁耗在变频感应电机中不可忽视且以谐波为主集分布在转子齿顶部分。为进一步优化电机铁芯结构来降低铁耗和电机的温升研究提供了一定的技术支持。     

A Deep Learning Approach for Fault Diagnosis of Induction Motors in Manufacturing

Extracting features from original signals is a key procedure for traditional fault diagnosis of induction motors, as it directly influences the performance of fault recognition. However, high quality features need expert knowledge and human intervention. In this paper, a deep learning approach based on deep belief networks (DBN) is developed to learn features from frequency distribution of vibration signals with the purpose of characterizing working status of induction motors. It combines feature extraction procedure with classification task together to achieve automated and intelligent fault diagnosis. The DBN model is built by stacking multiple-units of restricted Boltzmann machine (RBM), and is trained using layer-by-layer pre-training algorithm. Compared with traditional diagnostic approaches where feature extraction is needed, the presented approach has the ability of learning hierarchical representations, which are suitable for fault classification, directly from frequency distribution of the measurement data. The structure of the DBN model is investigated as the scale and depth of the DBN architecture directly affect its classification performance. Experimental study conducted on a machine fault simulator verifies the effectiveness of the deep learning approach for fault diagnosis of induction motors. This research proposes an intelligent diagnosis method for induction motor which utilizes deep learning model to automatically learn features from sensor data and realize working status recognition.     

提高直接驱动电动机系统刚度的机电一体化设计

直接驱动电动机具有结构简单、控制性能高的特点 ,但扰动转矩直接影响其控制性能 ,较高的伺服刚度是减小转矩扰动对控制精度影响的有效手段。然而 ,过高的刚度会使被控直接驱动电动机系统不稳定 ,甚至产生振荡。设计一种电流变可调阻尼器 ,直接附加在电动机的转轴上 ,通过外加电压可以调节电流变阻尼器的阻尼系数 ,从而可以提高系统的刚度而又不会引起系统的振荡。推导了电流变可调阻尼器的阻尼系数模型 ,并通过位置式PD控制直接驱动电动机系统的数值仿真 ,验证了上述基于电流变可调阻尼器的直接驱动电动机系统刚度提高设计方法的有效性。     

A method for predicting hobbing tool wear based on CNC real-time monitoring data and deep learning

Intelligent monitoring and diagnosis of tool status are of great significance for improving the manufacturing efficiency and accuracy of the workpiece. It is difficult to quickly and accurately predict the wear state of worm gear hob under different working conditions. This paper proposes a novel approach to predict hob wear status based on CNC real-time monitoring data. Based on the open platform communication unified architecture (OPC UA) technology and orthogonal test, the machine data of motor power, current, etc. related to tool wear are collected online in the worm gear machining process. And then, an improved deep belief network (DBN) is used to generate a tool wear model by training data. A growing DBN with transfer learning is introduced to automatically decide its best model structure, which can accelerate its learning process, improve training efficiency and model performance. The experiment results show that the proposed method can effectively predict hob wear status under multi-cutting conditions. To show the advantages of the proposed approach, the performance of the DBN is compared with the traditional back propagation neural network (BP) method in terms of the mean-squared error (MSE). The compared results show that this tool wear prediction method has better prediction accuracy than the traditional BP method during worm gear hobbing.     

基于深度信念网络的风机主轴承状态监测方法

提出了一种基于深度信念网络（DBN）的风电机组主轴承状态监测方法。为了降低建模难度并减少训练时间,首先利用相关系数法选取建模变量,进而建立主轴承正常行为的DBN温度模型并用于主轴承温度预测。该模型克服了传统神经网络随机初始化网络权重、易陷入局部最小值等缺点,能有效提高主轴承温度的预测精度。然后采用指数加权移动平均法（EWMA）对主轴承温度残差序列进行分析,并利用核密度估计方法确定故障阈值。最后基于实测的数据采集与监视控制（SCADA）系统数据对主轴承故障进行模拟。结果表明,与传统预测方法相比,该方法能有效地实现主轴承的异常状态监测。     

基于数据分解与重构的光伏发电功率超短期预测

为进一步提高光伏发电超短期预测的精度,以数据分解重构和深度学习技术为依托,提出一种基于 CEEMDAN-DBN-Seq2Seq 的光伏发电功率超短期预测方法。首先利用具有自适应噪声的完整经验模态分解算法( CEEMDAN )将原始发电数据分解成在时域内特征更加明显的模态函数序列,以提取发电序列在时间尺度上的特征;随后引入影响光伏出力的主要气象因素,利用深度信念网络( DBN )对重构后的高、低频分量和序列对序列( Seq2Seq )方法对残差分量进行预测。实验表明,所提模型在光伏发电预测研究中精确度更高。     

三电平逆变器异步电机直接转矩控制

介绍了在二极管钳位三电平逆变器异步电机调速系统中如何采用空间矢量调制与直接转矩控制相结合的控制方法.这种方法能够合理地利用三电平逆变器的开关状态,生成更加精确的电压矢量,降低转矩波动与磁链误差.仿真结果表明了这种方法的有效性.     

电液负载模拟器同步结构解耦研究

针对电液负载模拟器中的多余力矩问题,以阀控摆动马达电液负载模拟器为对象,在分析研究多余力矩产生机理及影响因素的基础上,提出一种同步结构解耦新方法,具体实现是将加载执行元件设计成复式双层结构,外层同步马达用于跟踪承载对象进行位置同步控制,内层马达用于加载,通过复式结构加载执行元件实现变被动加载为主动加载,从根本上解决了多余力矩问题。给出了复式摆动马达的参数匹配原则、密封及结构设计方案,仿真分析了内外层马达油道配流方式的合理性。最后,通过小梯度加载下电液负载模拟器性能的仿真分析验证了同步结构解耦新方法的正确性及有效性。     

基于模糊神经网络的电力变压器绝缘状态预测方法

针对绝缘状态预测前未能解调变压器的差分频谱,存在绝缘电阻拟合误差大、绝缘子检测精度低和预测时间长等问题,提出基于模糊神经网络的电力变压器绝缘状态预测方法。基于变压器原理,对微分谱线进行解调处理,分析变压器特征量,构建模糊神经网络,引入鸡群优化算法改进模糊神经网络,将获取的变压器特征量输入优化后的模糊神经网络中,完成电力变压器绝缘状态的动态预测。实验结果表明,运用该方法进行绝缘状态预测时,绝缘电阻拟合误差小、绝缘子检测正确率高,以及预测时间短。