基于EMD的鼠笼式异步电动机偏心故障诊断研究

在经验模态分解鼠笼式异步电动机横向、纵向振动信号的基础上,得出合理的内禀模态分量,分离信号的频率族,取得物理意义的频率分辨效果。再对各分量进行Hilbert变换,并分析信号的Hilbert边际谱,找出偏心故障电动机的特征频率成分。研究表明,用HHT方法能够很好提取偏心电动机故障的特殊故障频率。     

基于P-Q变换的鼠笼式异步电动机转子故障仿真分析

为对电动机进行可靠的实时监测与诊断,提出了基于P-Q变换的鼠笼式异步电动机转子的故障分析方法。该方法是通过同时采集三相电压和电流信号,由电压信号和电流信号相乘得到瞬时有功功率P,将三相电压经过Hilbert变换再与电流信号相乘得到瞬时无功功率Q,以P为横坐标,Q为纵坐标,得到P-Q图。由于正常情况下电动机P、Q均恒定,在P-Q坐标系下对应一个点,而断条故障时电动机频率中将会有附加成分,因而在P-Q坐标系下对应于一个椭圆,通过椭圆长轴的长度分析断条故障的严重性。仿真试验证明,这种方法在轻载情况下仍然有效。     

笼型异步电动机转子断条故障诊断方法综述

介绍笼型异步电动机转子断条故障诊断方法的原理,将其分为基于解析模型的、基于信号处理的和基于知识的三类,并指出了各类方法的优缺点。最后,对异步电动机转子断条故障诊断方法的发展进行了展望。     

小波包算法在电动机转子断条故障诊断中的应用

采用改进的小波包算法提取故障特征,提出了一种基于频带能量的故障诊断方法。该方法能快速准确地检测转子断条故障。     

基于HHT的旋转机械转子振动故障诊断的方法研究

旋转机械运转时会产生振动。对振动情况的分析能够把握机械的运转情况。振动信号处理是对旋转机械振动信号分析的重要手段。希尔伯特黄变换越来越得到人们的重视。该方法是一种时频分析方法。相对于其他方法,该方法能够更好地处理非线性非平稳信号,具有较高的时域分辨率和频域分辨率。将该方法应用于旋转机械的故障诊断中,并与其他方法做对比。     

基于ARMA和遗传算法优化的BP神经网络电动机断条故障诊断

为判断鼠笼式三相异步电动机转子断条故障情况,提出了一种利用定子电流信号,基于ARMA和遗传算法优化的BP神经网络的诊断方法。首先,使用改进的ARMA算法对电动机的定子电流波形进行拟合,将自回归系数模型系数提取出来,作为表征电动机故障的特征向量,并分为训练集和测试集。然后利用遗传算法优化BP神经网络的初始阈值和权值,以避免BP神经网络陷入局部极值点的问题。再用训练集对BP神经网络进行训练,用训练好的神经网络对测试集进行判断。实验结果显示,ARMA模型可较好地对三相异步电动机定子电流波形进行拟合,BP神经网络可较为准确地判断特征向量表征的故障情况,此方法具有较好的诊断结果。     

基于HHT时域边际谱的滚动轴承故障诊断

HHT(Hilbert-Huang变换)是一种适合处理非平稳和非线性过程的信号处理方法。提出了一种基于HHT的时域边际谱方法。该方法与传统Hilbert边际谱不同,代表单位时间内幅度的累加,体现信号时域特性。在滚动轴承的实验中,能够成功辨识滚动轴承内圈和外圈的故障特征,验证了该方法处理滚动轴承故障的可行性。     

谐波小波滤波在异步电动机转子断条故障诊断中的应用

笼型异步电动机转子的断条故障,其早期特征频率分量与基频分量非常接近,针对幅值相对较小、不易诊断的问题,采用谐波小波方法对定子电流信号进行滤波处理。该方法基于谐波小波良好的盒形频谱特性,将特定频率段的成分与定子电流信号的其它频率成分既不交叠,又不遗漏的分解到相互独立的频带上,成功地突出故障特征分量。仿真和实验结果证明,该方法能大大提高转子断条故障诊断的准确性。     

鼠笼异步电动机故障诊断方法的研究

为确保煤矿安全生产的顺利进行,文章通过研究电机故障诊断的方法,介绍了用傅立叶变化和PARK矢量法可以比较准确的诊断出电机断条故障,有利于及早发现故障和预防故障的进一步恶化,减少突发事故造成的停产损失.     

三相异步电动机转子断条故障的谐波分析

主要研究三相异步电动机转子断条、气隙偏心这两种状态下的故障特征。采集了电动机的定子电流信号,通过对电流信号作FFT频谱分析,提取电流的故障特征,实现异步电动机系统的状态检测及电动机电气故障诊断。仿真实验结果发现单纯的傅里叶变换缺乏对信号局部特征的描述能力,不能有效地从定子电流的谐波中提取到故障特征。     

基于混沌及分形理论的异步电动机断条故障诊断方法研究

提出一种基于混沌及分形理论的鼠笼式异步电动机转子断条故障辨识方法。重构信号时间序列的相空间以及计算关联维数和分形维数,探讨了故障和正常状态下的信号混沌及分形特性。用互信息量的方法计算了重构空间的最佳延时,同时根据互信息量关系图对故障断条数量进行了有效辨识。研究表明,该方法具有较好的故障诊断效果。     

基于小波包变换的转子断条故障特征提取

针对鼠笼式感应电动机断条故障会在定子电流中产生特征频率的特点,采用双Hilbert变换对采集到的电流信号预处理,并且利用小波包变换提取故障特征信号。通过小波包分解,使得故障频率在每个子频段中突显出来。通过增加小波时域波形的波峰数,有效地抑制频带重叠现象和频谱泄露。双Hilbert变换解决了基频能量串扰的问题,让故障频率更容易提取。采用子频段节点重构系数均方根值变化率作为故障判断考察指标。通过实验室应用,验证该方法能够有效地识别转子断条故障。     

利用相关性基波消去法诊断电动机转子断条故障

异步电动机转子故障时,定子电流中的故障特征分量被基波信息淹没而难以识别。提出基于相关性基波消去法,用改进的相关算法提取定子电流基波信号的幅值与相位,将滤除基波分量的故障信号作频谱分析,可容易诊断出转子断条故障。该方法无需复杂的坐标变换,计算量小,实时性高。实验结果表明,即使在轻载情况下,该方法具备较强的故障辨识能力。系统只需采样单相电流信号和电压频率信号,工程成本低,易于实现。     

基于数学形态学的笼型异步电动机转子断条故障诊断

根据笼型异步电动机断条故障的基本规律及希尔伯特变换的物理意义,将数学形态学滤波器技术与希尔伯特变换相结合,得到谐波信号的希尔伯特模量,其在复平面内所占的面积可反映转子断条故障的存在与否,即面积越大转子断条的数量越多,故障越严重。利用希尔伯特模量的回转半径对转子断条故障做了定量分析。通过仿真实验验证该结论,该方法对转子断条故障判断灵敏,可将其应用于转子断条故障的检测。     

基于BP神经网络电动机转子故障诊断方法的研究

利用BP神经网络对转子故障进行建模分析。发挥神经网络的自学能力和联想能力,对非训练样本,做出控制决策,表现非常灵活。可根据实验数据进行网络训练,用新数据进行模型验证。还与概率神经网络(PNN)进行对比验证。实验表明只要选择合适的节点数,BP神经网络比概率神经网络对转子故障有较强的学习和辨识能力,收敛较快,性能稳定,预测结果显著。     

改进的HHT算法在振动筛轴承故障诊断中的应用

基于经验模态分解的Hilbert-Huang变换(HHT)存在端点效应,从而影响分解效果。为了改善端点效应,提出了基于镜像延拓法的端点抑制方法。将改进的Hilbert-Huang变换首次应用到振动筛等振动机械的轴承故障特征提取中,通过实验表明该方法可以有效提取振动机械中故障信号的频谱特征,便于工程现场的应用。     

基于状态空间法的电动机故障诊断和识别

电动机的初期故障信号一般较弱,不易辨别,而状态空间法在小信号的处理中灵敏度很高。为达到对电动机故障的诊断和识别,试图把状态空间法应用到对电动机的故障诊断中,先通过推导,从数学理论层面分析了状态空间法对于电动机故障信号的可辨别性,再使用Matlab软件搭建状态空间的辨别模型,把实验台测试的三组数据导入到模型中进行测试。测试的结果有力地证明了此方法的可行性,并能克服快速傅里叶变换(FFT)中数据采集量较大、分辨率不高的缺点。