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。     

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。     

基于小波分析的电机故障振声诊断方法

小波分析能够将信号划分到不同频段内，而且在时一频两域都具有表征信号局部特征能力。基于小波分析的电机故障振声诊断方法，充分利用小波分析在处理急剧变化的高度不稳定信号时更加有效的优越性，在对电机振声故障暂态信号的多尺度分析基础上，有效的检测出故障及其类型，实现了电机故障的在线诊断，通过仿真结果验证了此方法的有效性。     

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.     

基于小波变换的无刷直流电机逆变器故障诊断

故障诊断是实现电机容错控制的前提,为了提高电机系统的可靠性,针对无刷直流电机驱动系统中逆变器功率管的开路故障,采用小波变换对电机三相电流信号进行分析,为了能快速地提取故障信息,提出利用3层以上细节信号的乘积作为检测信号,根据乘积信号的小波变换能够准确找到故障点,以低频小波信号的能量值作为提取特征来识别发生故障的逆变器功率管。该方法故障识别可靠性高,信号特征提取算法简单。仿真及实验结果验证了所提方法的有效性和准确性。     

基于线调频小波变换能量谱的电机故障信号处理

提出了一种基于高斯线调频小波变换诊断电机故障的新方法。线调频小波变换是信号的时间-频率-尺度变换, 具有比小波变换及其它时频分析更强的非平稳信号分析功能。利用高斯线调频小波变换作电机故障信号的能量谱估计,可提取电机故障信号的频率成份。试验结果表明,这种方法比Fourier变换和小波变换频率分布的能量更集中。     

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。     

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。     

基于虚拟仪器的电机故障声测系统

采用虚拟仪器技术构建了一套电机故障声频检测系统。系统基于LABVIEW虚拟仪器软件平台,实现电机声信号的实时采集、分析和后处理,达到检测故障电机的目的。除了功率谱和1/3倍频程分析,系统在LABVIEW平台下,采用MATLABSCRIPT节点方法完成小波变换,实现噪声信号的特征向量提取。现场应用表明该系统效果良好。     

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。     

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。     

基于虚拟仪器的电机故障声测系统

采用虚拟仪器技术构建了一套电机故障声频俭测系统．系统基于LabVIEW虚拟仪器软件平台，实现电机声信号的实时采集、分析和后处理，达到检测故障电机的目的。除了功率谱和1／3倍频程分析，系统在LabVIEW平台下，采用Matlab Script节点方法完成小波变换，实现噪声信号的特征向量提取。现场应用表明该系统效果良好。     

基于小波包熵和概率神经网络的微特电机轴承故障监控

文中提出一种小波包能量熵和概率神经网络相结合的算法,通过对微特电机运行产生的振动信号进行分析,实现微特电机的轴承可靠性判定。为了证明该方法的有效性,搭建了电机振动信号采集和分析的软硬件平台。通过对4种不同故障类型的电机进行实验,结果表明该方法可以作为微特电机轴承可靠性判定的依据。     

开关磁阻起动发电系统电压特征提取研究

本文以飞机开关磁阻电机起动/发电系统为研究对象。针对输出电压的故障态能较好的表征开关磁阻起动发电系统的故障态特征的特点,结合了小波变换对非平稳信号的时频分析特点,利用搭建的开关磁阻电机起动/发电系统模型对故障时的输出电压进行小波分解和小波包分解,从而对输出电压进行故障特征提取,进而对故障类型进行分析判断。仿真结果表明,利用小波包分析的各故障信号的不同频带差异明显,该方法能有效地对输出电压故障特征进行提取。     

基于小波包频带分析技术的水轮机空化特性研究

在详细分析水轮机空化信号特点的基础上,总结了适合于空化信号分析的小波基函数应具有的特点;为避免信号小波包分解的盲目性,文中采用了区间小波包分解方式,即有针对性地对空化信号进行深层次分解.结合水轮机模型空化状态观测结果,对相应状态下监测的空化超声波信号进行小波包时频分布特性和频带能量分布特性分析,得出了水轮机空化超声波时域信号幅值调制特性和频域能量分布随空化系数变化的关系,验证了小波包频带分析技术对水轮机空化信号分析的有效性.     

基于多特征融合与改进QPSO-RVM的万能式断路器故障振声诊断方法

为可靠地进行万能式断路器机械故障诊断,在基于振动信号故障诊断的基础上,提出了一种多特征融合与改进量子粒子群(QPSO)优化的相关向量机(RVM)相结合的万能式断路器分合闸故障振声诊断方法。首先,对振声信号进行小波包软硬阈值结合去噪预处理,并利用互补总体经验模态分解算法对处理后的振声信号进行分解,提取固有模态函数能量系数、样本熵、功率谱熵,并组成多特征参数;然后,通过组合核函数核主元分析对多特征参数降维,并将其特征融合组成特征向量作为RVM的输入,解决单一特征识别断路器分合闸故障的低准确率和低稳定性;最后,利用改进QPSO优化分类模型参数,建立基于RVM的次序二叉树模型对断路器故障进行辨识。实验结果表明,该方法能有效提升不同故障状态下诊断结果的可靠性。