笼型异步电机转子断条故障诊断

通过对电机电流信号分析,提取电流故障特征,实现鼠笼异步电机系统的状态检测及电机电气故障诊断。对比较常见的转子断条故障进行分析,根据电流信号谐波分量的变化提取故障有效特征;对电机轴承故障电流进行分析,并根据多回路理论建立电机故障状态下的仿真模型,对电机转子断条故障运行状态进行了仿真。     

基于电流信号和深度强化学习的电机轴承故障诊断方法

通过机理分析,确定电机电流中存在轴承的故障特征;利用电流信号的统计学指标完成对轴承故障特征的提取,并采用随机森林判断各统计学指标与轴承故障的关联程度;将筛选后的特征指标作为深度强化学习网络的输入,得到电机轴承的故障诊断模型。实例分析结果表明,所提方法具有较高的准确率和泛化能力。     

感应电动机轴承故障检测的相关分析方法

根据感应电机轴承发生故障时的振动信号特性以及定子电流特性,提出了一种基于相关分析的感应电动机轴承故障检测方法.该方法先求三相电流的Park矢量模信号,然后将其与电机滚动轴承振动信号进行相关分析,从振动信号与电流信号的相关谱图中有效地提取轴承故障特征信息,并将其作为轴承故障识别的依据.实验结果表明,该检测方法具有较高的信噪比,可提高故障识别的精度,实际应用也是可行的.     

基于MUSIC算法的感应电机轴承故障检测方法研究

分析了感应电机轴承发生故障时振动信号的特性以及MUSIC算法及其高分辨率谱估计的特点，提出了一种基于MUSIC算法的感应电动机轴承故障检测方法。结果表明，在短数据情况下，相对FFT分析技术，该方法频率分辨率更高，故障检测更为准确，且计算量小，有利于电机故障实时状态监测。实验证实，将该方法应用于感应电机轴承故障检测，可准确检测出轴承故障时在包络信号中的故障特征成分，方法切实可行。     

基于S函数三相异步电机复合故障特征研究

为获取电机定子绕组与轴承复合故障特征,采用多回路数学模型和周期性振动特征负载模型进行分析和研究。通过多相异步电机策略构造定子匝间短路故障数学模型,Simulink中的S函数为基础编写数学模型。将轴承扭转振动作为负载输入,建立Matlab/Simulink三相异步电机正常状态和复合故障的仿真模型,并分析亚同步状态下正常、短路故障、轴承故障和复合故障的运行状况。结果表明,复合状态下电流信号除存在单故障特征频率与基频分量增大外,还将产生低于工频的谐波分量。最后通过电磁转矩和转速验证了模型的正确性,为复合故障特征检测提供理论支撑。     

基于Park矢量模信号小波分解的感应电机轴承故障诊断方法

在分析小波包分频特性的基础上，总结出小波包分解子频带按频率高低排列的通式；对三相定子电流的Park矢量模信号进行小波包分解，求相应子频带的小波包分解系数的均方根值（RMS），并用其表征轴承的故障特征，以此作为轴承故障诊断的依据。研究表明，该方法降低了基频电流及电流中噪声的影响，克服了由于受负载变化引起故障特征频率波动使得难以准确提取故障特征频率的缺陷；实验结果证明了该方法应用于电机轴承故障诊断的可行性。     

基于开关振荡的驱动电机匝绝缘故障诊断

绝缘失效会引起电机匝间、相地和对地故障，轻则造成设备停机，重则危害人身安全，产生灾难性的后果。为了在匝绝缘劣化的早期能够对劣化状态进行在线灵敏监测，提出一种基于开关振荡的多频率特征逆变器驱动电机匝绝缘故障诊断的新方法。首先，利用高频电压传感器和高频电流传感器对信号进行提取；然后，判断是否为开关暂态过程，如果是，则提取开关瞬态下的电流幅值峰值，利用带通滤波器对信号进行多频带处理，并计算一个周期下的电流幅值峰值点的平均值，根据结果选出绝缘故障敏感频率；最后，做出不同工况下的开关瞬态下电流峰值点均值图及开关事件下电流幅值的散点图。根据实验结果可知，当绝缘发生劣化，可通过多频率特征下的开关振荡电流信号对匝绝缘进行故障诊断。     

三相逆变器功率管故障智能诊断研究

以三相逆变器-电动机驱动系统为例,研究基于神经网络的逆变器故障智能诊断方法.在三相逆变器易发的功率管开路故障、短路故障及短路故障后逆变器工作状态理论分析和仿真实验研究基础上,建立三相逆变器故障仿真模型.通过仿真实验获取逆变器故障状态下的电机定子电流信号数据,利用信号分段方法提取故障特征构造神经网络的学习样本,并以此训练神经网络,确定用于三相逆变器故障诊断的神经网络结构和参数.在感应电机矢量控制系统中进行仿真验证,仿真实验结果表明,该方法相对已有逆变器故障诊断方法,具有诊断迅速、可靠性高的优点,可在20ms内在线完成上述各种功率管故障的诊断.     

电机滚动轴承故障诊断的新方法

基于希尔伯特变换解调原理，提出一种对电机滚动轴承振动信号进行包络处理的方法，它根据振动信号、解析信号和包络函数在频域上的关系来制定算法，并同时在频域上直接实现带通滤波，而不用在时域上对信号进行滤波。最后从包络谱中提取轴承故障特征信息，达到诊断电机滚动轴承故障的目的     

高压异步电机状态监测和故障诊断方法研究

介绍和分析了高压异步电机的故障原因,提出了状态监测及故障诊断方法。不同类型的故障,其振动频谱、电机供电电流、转矩和磁场中的频率成分不同,推导了故障类型和频谱之间的关系,给出了有关试验结果,尤其是不同负载时的转子和轴承故障的情况。可作为高压异步电机的故障诊断手段,亦可作为查找故障的技术,有利于高压电机的维护。     

基于小波变换的异步电机故障检测与分析

通过合理选取小波基,对提取到的电机振动信号和定子电流信号做小波包变换,从而对电机滚动轴承损坏、转子断条这两类电机主要故障做出准确的判断与分析。对转子断条故障的仿真结果表明,小波包分析方法在电机故障诊断方面具有较好的准确性和优越性。     

屏蔽电动机推力轴承水膜厚度测试研究

屏蔽电动机轴承采用水润滑轴承,模拟推力轴承运行工况,设计了一套水润滑推力轴承试验装置,并可在一定范围内对轴承承受的轴向力进行调节。电涡流位移传感系统采用美国Bently公司的3300XL 8mm移感器系统,通过对台架的推力轴承水膜厚度进行测量,测量到完整的水膜,与理论计算结果进行比较,结果表明在水润滑条件下,能够形成稳定水膜。     

基于小波包和AFSA-SVM的电机故障诊断

针对电机滚动轴承故障诊断准确率问题,提出基于小波包分析结合人工鱼(AFSA)优化支持向量机(SVM)的电机故障诊断方法。利用小波包多分辨率分析法对电机的震动信号进行多层分解及重构,得到不同频段的信号时频图;然后采用AFSA算法对支持向量机中的参数惩罚参数(C)和核参数(σ)进行寻优选择,并最终建立AFSA-SVM故障诊断模型,提取信号时频图中频带能量值作为AFSA-SVM的输入特征向量进行学习、测试。最后通过仿真实验验证,故障诊断准确率达98.7%,并与粒子群算法优化支持向量机(PSO-SVM)和未经优化的支持向量机对比分析,结果表明该方法具有更高的故障诊断识别效果。     

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VMD-CNN的小电流接地系统故障电弧检测方法研究

构建准确且符合特定场景的电弧模型,研究电弧小电流接地的电流信号特征,并基于可量测电气量信号进行处理,对于及时可靠辨识故障电弧具有重要意义。提出一种小电流接地系统故障电弧的检测方法,通过建立故障电弧模型,基于变分模态分解算法(Variational Mode Decomposition, VMD)和卷积神经网络算法(Convolution Neural Network, CNN)对故障电弧进行准确辨识。首先,采用改进“控制论”电弧模型,基于PSCAD软件平台搭建了典型10 kV配电网仿真模型和接地“控制论”电弧模型。其次,采用变分模态分解算法对故障情况下的电气信号进行处理,得到4组电流信号的固有模态分量(Intrinsic Mode Function, IMF)。然后,提取包含信号基频成分的第一组IMF(IMF1)作为卷积神经网络(CNN)的输入。最后,应用CNN对IMF1进行特征识别,正确辨识正常与电弧故障情境。实验与仿真结果显示,通过利用VMD-CNN识别方法,提高了对原始电流信号识别准确度,能准确检测出故障电弧。     

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。     

IAO优化SVM的电机滚动轴承故障诊断

对于当前存在电机滚动轴承多种类型故障分类准确率不高的现象,提出一种改进天鹰优化算法（IAO）优化支持向量机（SVM）的电机滚动轴承故障诊断方法。首先,介绍了基本天鹰优化算法,然后引入Tent混沌映射和自适应权重对其改进,提高收敛速度,防止陷入局部最优;其次,对10种状态下的滚动轴承故障时域信号样本进行VMD分解,得到不同状态的时频域特征组成特征样本集。最后,利用IAO算法对支持向量机的惩罚参数(c)和核参数(g)进行优化,从而构建IAO-SVM滚动轴承故障诊断模型。最终结果表明,IAO-SVM诊断模型对电机滚动轴承10种状态下的故障诊断准确率最高达100%。     

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.     

基于小波分析的电机故障诊断研究

交流异步电机是广泛使用的能量转换装置,对其常见故障进行分析及诊断,提高电机故障的在线诊断水平,具有明显实用价值。文章利用小波包分析算法提取出电机故障特征向量,并针对轴承故障特征,提出峭度值指标计算和小波包分析相结合的算法,分析获得轴承故障特征频率,由此确定故障的类型。仿真结果证明了该方法的有效性。     

电动机滚动轴承的故障诊断

本文根据滚动轴承发生损伤故障时振动信号的特点，利用带通数字滤波和希尔伯特变换，对电动机轴承振动信号进行处理，然后对包络信号作谱分析，再从包络谱中提取故障特征频率分量，以诊断电动机轴承故障。实验结果表明，这种诊断方法是很有效的。