时变转速运行状态下鼠笼电机转子断条故障诊断

电机电流信号特征分析(MCSA)是诊断鼠笼电机早期转子断条故障的常用方法。当电机在时变转速状态下运行时,转速和滑差连续变化,定子电流表现为非平稳信号,MCSA不再有效。本文提出一种鼠笼电机时变转速运行状态下的早期转子断条故障诊断新方法。该方法的核心是对定子电流Park矢量模平方信号作离散小波变换,然后根据转子断条故障特征频率2sf在转速连续变化期间的波形演变图谱以及小波能量变化判断故障发生与否。在3k W电机实验台上对所提出的方法进行实验验证,实验结果证实了所提方法的有效性。     

采用整流技术的变频供电感应电机转子断条故障诊断方法

电机定子电流信号易受变频器电力电子开关器件和电磁干扰的影响,现有解调技术又存在计算量大的问题,为此,该文提出一种变频器供电侧电流与整流技术相结合的感应电机转子断条故障诊断方法。所提方法依据开关函数和调制理论,首先建立了变频器供电侧电流解析表达式。其次利用整流技术对变频器供电侧电流进行处理,将特征频率从传统的边带频率转化为转子断条故障特征频率,有效地抑制了电源基频频谱泄漏的影响,从而实现电机在轻载或空载运行工况下的转子断条故障诊断。最后采集变频供电感应电机不同负载运行工况下供电侧电流数据进行验证。实验数据分析表明,所提方法能够提取从空载到重载不同运行工况下的转子断条故障特征分量,有较高的稳定性,而且所需计算量少,容易实现。     

基于DACNN的电机滚动轴承故障诊断方法

针对强噪声、跨工况场景下数据分布差异导致传统卷积神经网络(CNN) 模型泛化性能低、诊断能力不足的问题,提出 一种基于并行卷积核和通道注意力机制的滚动轴承故障诊断方法。构造了带有不同尺度卷积核的并行网络结构,可以在抑 制噪声干扰的同时有效提取出数据中的故障特征信息;融合通道注意力机制对卷积层特征提取能力进行增强,提升模型抗噪 性能以及跨工况负载下的自适应诊断能力。利用凯斯西储大学轴承数据集训练并测试诊断效果,将该方法与其他方法进行 了性能对比。结果表明,在跨工况不同负载情况下,所提方法的诊断平均准确率为97.3%,在不同信噪比噪声干扰情况下的 诊断精度平均达93.8%,均高于其他比较方法,所提出的方法在复杂多变工况下具有良好的抗噪性能和泛化能力。     

基于mSDTFT的无速度传感器异步电机转速估计

采用Teager-Kaiser能量算子对定子电流进行解调,有效消除了基频频谱泄露对提取转子速度谐波的影响,然后分析了SDTFT对转速估计精度的影响,在此基础上提出一种新的m SDTFT频谱分析方法估计转速。该方法有效降低了计算开销,特别是可以只针对某些需要的谱线进行计算,提高了谱分析的灵活性和高效性。试验结果表明,所提方法在不同负载条件下能够有效提取转子速度谐波,且具有较高的转速估计精度。     

交流电机信号特征分析的滚动轴承故障诊断方法综述

滚动轴承是保证交流电机正常运转的重要组成部件。相比于传统轴承故障诊断方法,电机电流和转速信号特征分析具有非侵入式且与控制系统共享信号的优势,逐渐被应用于交流电机轴承故障诊断领域。该文从理论模型和故障诊断两个方面,对相关领域的重要技术和前沿研究成果进行梳理归纳。对于故障诊断,主要介绍采用电机电流信号特征分析和电机转速信号特征分析的轴承故障诊断技术,同时指出各自的优缺点。最后,分析现有研究所面临的问题和挑战,并对未来发展趋势进行展望。     

鼠笼电机转子断条故障的定子电流信号平方解调分析诊断方法

受基频频谱泄露影响,经典MCSA方法诊断鼠笼电机转子断条故障时的诊断能力严重依赖于电机负载大小。针对这一问题,提出了基于定子电流信号平方解调制分析诊断方法。首先采用硬件方式对定子电流信号作基于平方解调制的信号预处理,以此消除制约诊断能力的基频频谱泄露,继而对解调后的信号作快速傅里叶变换,然后根据频谱中是否存在特征频率成分判断转子断条故障发生与否。在3 k W电机实验平台上对所提出的方法进行实验验证。实验结果表明,即使鼠笼电机在轻载或空载条件下运行时所提出的方法仍然能够诊断出转子断条故障,从而有效提高了诊断能力。     

深度子领域自适应网络电机滚动轴承跨工况故障诊断

针对实际生产中旋转机械工况变化引起状态监测数据分布差异及获取待诊断样本标签困难问题，提出多尺度子领域自适应模型（MSDAM）的跨工况下滚动轴承故障诊断方法。首先，以原始振动信号作为输入，无需信号预处理及人工特征参数提取；其次，搭建多尺度卷积神经网络将已知标签样本和待诊断样本特征迁移到同一子空间，捕获具有细粒度信息的多尺度公共特征；然后，以不同的故障类型来划分相关子域，并通过局部最大均值距离（LMMD）来完成子域的适配，有效削弱不同工况同类故障特征的分布差异；最后，在三个数据集的多个迁移任务上进行试验验证。结果证明，所提MSDAM的跨工况故障诊断性能优于关注全局领域适配的迁移学习方法。