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。     

基于混沌理论的异步电机偏心故障诊断的研究

结合混沌理论和分形几何学对采集到的振动信号进行混沌特征论证,结果表明,异步电机振动信号具有明显的混沌特征:出现了分频,最大李雅普诺夫指数大于0,相图具有分形几何特点。然后对数据序列进行了相空间重构实验,分别用经典的算法得出时间延迟和系统的嵌入维数,最后计算得出重构出的奇怪吸引子的的关联维数,对分析偏心电机的故障提供了依据。     

采用布谷鸟算法的贝叶斯网络在异步机故障诊断中的应用

针对传统异步电机故障诊断方法中故障特征频率容易被基频淹没、抗干扰能力差、误判率高的问题,建立了基于定子电流信号Hilbert边际谱特征的贝叶斯网络电机故障诊断模型。将异步电机定子电流进行了希尔伯特-黄变换,提取出了Hilbert边际谱特征。在贝叶斯网络诊断模型的构建过程中,采用新型元启发式布谷鸟搜索算法学习各节点间的依赖关系,采用Levy飞行机制优化搜索路径从而提高了搜索效率,并在布谷鸟搜索算法中引入了竞争机制,提高了贝叶斯网络结构学习效果。以异步电机转子断条故障为例验证了诊断模型的有效性。研究结果表明,该故障诊断模型十分有效,诊断准确率高。     

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。