基于SVM与D-S证据理论的异步电动机转子断条故障诊断方法

目前异步电动机转子断条故障诊断方法都是基于从定子电流中提取出特征频率来对转子状态作出诊断的方法,当异步电动机空载或轻载时,该特征频率易受基频泄露的影响而很难得到,同时该特征频率受转速波动影响很大,单纯根据该特征频率对转子状态作出判断缺乏准确性。针对上述问题,提出了一种运用SVM与D-S证据理论对异步电动机转子断条故障进行识别的诊断方法。该方法基于扩展Park法与FFT变换法,分别从定子电流信号和振动信号中提取转子断条故障的特征信息,利用SVM对异步电动机的状态进行模式识别,并将识别结果形成彼此独立的证据,而后根据D-S证据融合规则进行融合处理,从而实现对异步电动机转子断条故障的准确识别。实验结果表明,该方法可以对异步电动机转子断条故障作出准确判断。     

一种新型电动机转子断条故障诊断方法

针对传统的谱分析理论存在因加窗和截断造成频谱泄漏、谱分析困难等问题,提出了一种基于AR模型和LMS自适应陷波的电动机转子断条故障诊断方法。该方法采用LMS自适应陷波滤除定子电流基波分量,再进行AR参数模型谱估计,可精确检测出故障特征量的幅值和频率,为电动机转子断条故障的检测提供了一条新途径。     

信息融合在异步电动机故障诊断中的应用

针对传统异步电动机故障诊断方法中存在的局限性,在对异步电动机故障诊断的特点和要求研究的基础上,提出了一种基于D-S证据理论的信息融合的故障诊断方法。该方法将所采集异步电动机的电压、电流、绕组温度等特征信息构成理论中的证据,利用一定的决策规则,选择融合证据下最大假设,以判断系统状态,识别系统的故障。对该方法构成的诊断系统进行了仿真实验,结果表明其故障诊断快速、有效。     

基于改进瞬时功率法的电动机故障诊断

从采集的鼠笼异步电动机定子电流出发,建立了流方的概念,通过故障电流的自乘方放大并转移故障特征频率。根据瞬时功率的概念提出了基于改进瞬时功率法的电动机故障诊断方法,通过理论推导分别提取了转子断条故障和转子偏心故障在流方中的特征频率分量,有效地克服了转子断条故障特征频率容易被基频淹没的缺点,实现了对转子断条、偏心、复合等故障的辨别诊断。该方法与传统瞬时功率法相比,采集的数据量减半,避免了电压波动和采样误差对瞬时功率的影响。     

基于电流分析法的电动机故障诊断虚拟仪器系统的研制

运用电流分析法开发了电动机故障诊断虚拟仪器系统;分析了定子匝间短路、转子断条和气隙偏心三类典型的电动机故障,并得出了定子匝间短路的故障特征是定子电流中出现负序分量的结论;转子断条故障会在定子绕组中感应出频率为(1-2s)f的电流,而气隙偏心时的典型特征则是定子电流中出现(Rfr±f)频率成分;以此结论作为故障诊断的理论基础,在LabVIEW软件平台上开发了故障诊断的虚拟仪器系统,编程实现电动机的故障设别;LabVIEW搭建的界面友好,实时显示程序运行的各项结果,操作简单及方便;还对该虚拟仪器系统进行了硬件仿真实验,实验的结论表明设计系统是可行且有效的,能够应用于电动机的故障诊断。     

主通风机电动机绝缘状态监测及故障诊断方法研究

分析了矿井主通风机电动机绝缘老化状态及绝缘故障产生原因和演变过程,介绍了一种矿井主通风机电动机绝缘状态在线监测及故障诊断系统;结合现有的故障数据库,针对绝缘状态故障诊断过程中信号的模糊性问题,提出了一种基于模糊理论与D-S证据理论的电动机绝缘故障诊断方法。该方法运用模糊理论求取故障信息的隶属度函数值,利用D-S证据理论组合规则进行信息融合与处理,根据相应的诊断判定准则,确定系统的绝缘故障类型。系统实例分析验证了该方法的可行性和有效性。     

基于BP网络的异步电机转子断条故障的自动识别方法

提出了一种以扩展Park矢量方法为故障特征提取手段、利用BP网络的模式识别功能自动诊断异步电机转子断条故障的新方法。该方法消除了故障信号中基频成分对断条故障特征分量的“湮没”影响,同时实现了故障的自动识别,免去了人为介入。故障诊断实例表明:该方法具有良好的有效性和准确性。     

基于RBF神经网络和小波包的电动机故障诊断研究

针对传统的电动机故障诊断存在很难准确提取故障时的特征信号及对故障作出准确预测的问题,提出了一种基于RBF神经网络和小波包的电动机故障诊断的方法。该方法采用小波包分析技术提取电动机典型轴承故障、转子故障和绝缘故障振动信号的特征频段能量并组成向量作为RBF神经网络的输入,用于诊断电动机的故障。实验和仿真结果表明,使用RBF神经网络对电动机故障诊断是非常有效的,对电动机早期故障的发现及维修有积极意义。     

电动机故障诊断技术探讨

介绍了电动机常见电气故障和机械故障的类型及产生原因,详细阐述了短时傅里叶变换、小波变换、小波包变换、经验模态分解等基于信号处理的诊断方法,以及基于专家系统、模糊理论、支持向量机、神经网络等的智能诊断方法在电动机故障诊断中的应用,指出多种诊断方法相结合以及信息融合方法是电动机故障诊断技术的发展趋势。     

异步电机转子故障诊断算法研究

针对异步电机定子电流信号频谱分析法对转子故障诊断时,转子断条和偏心故障特征分量容易受到基波分量的影响,难以准确诊断故障的情况,对传统的瞬时功率信号频谱分析法进行改进.利用Hilbert变换对定子电压、电流进行数学变换,在此基础上得到改进的瞬时功率,然后对改进后的瞬时功率信号进行频谱分析.通过搭建异步电机故障检测实验平台进行了初步模拟实验,实验结果表明,该方法不仅消除了基波分量对故障特征分量的影响,而且还使频谱曲线更加清晰、简洁,突显了故障特征信息,弱化了非故障特征分量,为提高异步电机转子断条和偏心故障诊断的准确性奠定了基础.     

基于粗集理论的一种混合智能故障诊断新方法

采用基于需求的约简方法,将依赖于系统数学模型和依赖于故障特征信忠的两类故障诊断方法相融合．提守一种混合智能故障诊断新方法,以非线性系统故障诊断为例,给出了混合智能故障诊断方法提取系统故障诊断规则的步骤,该方法不仅可以扩大故障诊断的范围,而且能紧密联系工程实际．最后以异步电动机常见故障的诊断为具体买例,说明了该方法的可行性和有效性．     

Automatic modeling and fault diagnosis of car production lines based on first-principle qualitative mechanics and semantic web technology

Fault diagnosis is critical for intelligent manufacturing by monitoring the status of a production line and preventing financial loss. Model-based fault diagnosis has the advantage of being able to explain the cause and propagation of faults over model-free diagnosis, but would need knowledge about the configuration model and context-specific information of the production line. Ontology modelling can provide context-specific information on top of a configuration model to benefit fault diagnosis. Typically ontologies are manually constructed and then used by a reasoner based on a set of predefined rules. From the perspective of fault diagnosis, this approach works as an expert system where both the ontology models and predefined rules are specific to a given system. Once the system has changed which happens from time to time as repairs and updates in a production line, or in the case of a different system, the ontology models and predefined rules would need to be manually modified or reconstructed. Here a model-based method is proposed to automate generation of configuration models with context-specific information using semantic web technology when a production line is healthy, and to use the generated configuration model and information for diagnosis when the production line has a fault. The method does not rely on predefined rules and reasoners, but rather uses dynamics models that are based on first-principle qualitative mechanics. It uses numerical optimization to minimize the discrepancy between sensor data from the production line and from simulation running the dynamics model to achieve automatic configuration modelling and fault diagnosis. With three use cases commonly found for a production line, i.e. automatic sensor placement modeling or misplacement diagnosis, motor fault diagnosis with single sensor modality, and motor fault diagnosis with sensory substitution, the feasibility of the proposed method is demonstrated. The method’s faster computational speed and comparable accuracy to a quantitative model-based approach suggests it may complement and accelerate the latter with early-stage selection of candidate models for both modelling and fault diagnosis.     

基于神经网络信息融合的机车牵引电机故障诊断

对信息融合的故障诊断进行了研究,提出了一种基于信息时空融合的故障诊断模型,并将其成功应用于电力机车牵引电机的故障诊断;这种方法是在运用神经网络进行局部的故障诊断的基础上,再运用D-S证据理论进行全局决策的融合,从而实现了这两种算法优势的互补,提高诊断的准确率;实例分析结果表明,该故障诊断模型能够准确地检测出故障发生的位置及其故障发生的原因,适合于电力机车牵引电机的故障诊断,并具有推广的价值.     

基于灰色关联和D-S证据理论的感应电转子故障诊断

针对单一的灰色关联或D-S证据理论在转子故障诊断中存在的不足,将灰色关联和D-S证据理论相融合的决策级信息融合方法应用到感应电机转子故障诊断中;首先用灰色关联对故障进行初步诊断,然后,将灰色关联分析的诊断输出结果作为D-S证据理论的基本概率分配,最后,依据证据组合规则进行合成,得出转子故障的最终诊断结果;实验仿真结果验证了方法在转子故障诊断中的有效性,可以减小诊断的不确定性,提高故障的诊断准确率和诊断精度。     

基于信息融合的异步电动机故障迹象智能预测系统的研究

异步电动机故障机理较复杂,利用单个信息只能判断异步电动机系统可能在某些方面有故障征兆,结论具有一定的不确定性,特别是异步电动机在早期有劣化迹象时,各个方面的表现都比较弱,需要全面综合众多信息进行有效融合。针对上述问题,提出了一种基于信息融合的异步电动机故障迹象智能预测系统的设计方案,分析了D-S证据理论的原理,并在其基础上给出了基于单个信息和基于多个信息融合的异步电动机故障诊断结果。实际应用表明,该系统具有一定的有效性。     

基于物联网的分布式电动机故障诊断与保护系统研究

针对传统的电动机保护装置无法实现早期故障诊断、不具备联网功能的问题,提出了一种基于物联网和支持向量机算法的分布式电动机故障诊断与保护系统的设计方案。该系统的下位机利用对称分量法将采集到的电动机定子电流进行分解,根据电流分量值判断故障类型来实现电动机的现场保护,并将定子电流数据通过ZigBee技术发送至嵌入式网关,通过GPRS网络实时上传给上位机;上位机通过小波包分解提取故障特征向量,采用支持向量机对电动机故障进行分类,实现故障早期诊断和预测。实际运行结果表明,该系统能准确诊断电动机故障并实施有效的综合保护。