极端条件下基于特征层面信号融合的电励磁双凸极电机匝间短路故障诊断

电励磁双凸极电机（WFDSM）具有结构简单、可靠性高等优点，适用于航空航天等环境恶劣领域。当发生小匝数短路故障时，由于其电流、振动等信号不会产生明显的变化，难以用传统的检测手段区分。因此，该文提出一种基于特征层面多源信号融合和改进神经网络的WFDSM匝间短路故障诊断方法，用于诊断极端环境下WFDSM早期匝间短路故障。首先，对电流信号进行经验模态分解，获得本征模态函数，同时对振动信号进行小波包变换，并对分解后的各个频段提取峭度和裕度特征，同时计算能量占比；然后，将上述特征矩阵处理后输入改进卷积神经网络训练模型中；最后，通过实验表明，采取特征融合的计算方法诊断准确率可达98%，较数据层面和结果层面的融合计算方法准确率有明显的提升，并且对极端运行环境下的噪声，该方法具有很强的抗干扰能力。     

基于机电信号融合的DFIG定子绕组匝间短路故障诊断

定子绕组匝间短路故障是双馈异步发电机(DFIG)常见的故障形式,发生概率高达30%,直接威胁到发电机的安全运行。发电机在复杂多变的环境下运行时,单一故障特征往往难以精准地反映故障,从而易产生误判、漏判的情况。文中提出一种基于电气、机械信号融合的定子绕组匝间短路故障诊断新方法——负序电流差与定子径向振动信号的二倍频分量联合诊断。首先利用支持向量机分别计算单一故障特征下的匝间短路故障概率;然后将其作为D-S证据理论的基本概率分配,依托证据组合规则,得出定子绕组匝间短路的最终诊断结果。实验结果表明:与基于单一信号的故障诊断方法相比,该方法能够更有效地诊断定子绕组匝间短路故障并可靠识别短路匝数,提高故障诊断的精确度,可推广应用至海上风电等对故障识别精度要求更高的领域。     

一种利用融合相关谱的异步电机故障诊断方法

为提高异步电机故障诊断的可靠性,针对故障特征频谱分量小信号、多成分、难识别的问题,提出一种异步电机融合相关谱故障诊断方法.该方法基于多源信息融合的思想,采用电机定子电流和振动信号的融合相关谱特征作为转子断条及定子匝间短路故障的诊断依据.通过将含有相同故障频率分量的特征信号作融合相关分析,建立不同信号间的相关关系,能够有效抑制单一信号频谱中与故障识别不相关的频谱分量,使得电机故障特征频率分量更加突出,降低故障识别难度.通过仿真分析,揭示了融合相关谱特征频率与电机故障类型的对应关系,实现了转子断条及定子匝间短路故障的快速诊断,并与单一信号频谱分析进行对比,验证了该方法的有效性和实用性,对于异步电机运行状态的准确监测具有重要意义.     

采用BBPSO优化SVM的电机定子故障诊断

为了准确识别感应电机定子匝间短路故障,该文提出一种基于骨干微粒群算法优化支持向量机的故障诊断方法,并给出了可行的诊断步骤。该方法首先利用小波包频带能量分解技术,将定子电流信号的各频率分量分解到不同频带,形成感应电机运行状态的特征向量,并以此作为支持向量机的输入向量。采用支持向量机进行分类,并利用无需设置控制参数的骨干微粒群算法和交叉检验优化模型参数,避免了参数选择的盲目性。最后试验结果表明,该方法诊断感应电机定子匝间短路故障能取得良好的效果。     

双余度永磁无刷直流电机匝间短路故障诊断

为了提高系统可靠性,将余度技术引入到电机设计中来,设计了双余度永磁无刷直流电机。针对双余度永磁无刷直流电机绕组细微的匝间短路故障,选择了相电流作为故障分析信号,通过拆分定子槽,改变控制电路的方式,建立了电机的匝间短路故障有限元仿真模型。根据故障信号和小波函数的特点,分别利用Daubechies3和coif5小波函数对故障信号进行了特征提取,结果表明在小波分解高频部分的第2层,信号有明显突变,并由此确定了coif5小波函数进行故障特征检测。采用coif5小波函数对相电流d2分解系数进行了能量特征提取,得到了各相短路时的故障特征向量。采用了小波神经网络进行故障诊断,建立了基于PNN神经网络的故障诊断模型,对故障样本进行了诊断,诊断结果准确可靠,验证了所用方法的有效可行。     

异步电机负序分量融合方法及其在定子匝间短路故障诊断中的应用

为了有效检测交流电机定子绕组匝间短路故障,应用多源信息融合理论将交流电机定子电压、电流负序分量通过李萨如方法进行融合,形成负序李萨如图形,提取并建立图形特征值与多个故障特征量之间的数学关系。通过基于模型的仿真分析及故障电机试验,对负序李萨如图形中可以反映故障的特征值的变化规律进行研究。在此基础之上,论证了负序李萨如图形倾角作为故障特征分量进行电机定子绕组匝间短路故障诊断的鲁棒性及准确性,从而形成图形化识别的故障诊断方法,为电机及其拖动系统的故障诊断提供新的思路和方法。     

基于多模态堆叠自动编码器的感应电机故障诊断

针对感应电机多源监测数据利用率不高,难以有效融合多传感器信息进行电机故障的准确识别等问题,提出了一种多模态堆叠自动编码器模型(MSAE)。该模型直接从原始信号中获取其最为显著的特征向量,有效减少了手动提取特征指标造成的故障信息遗漏,并能学习到多源信号的共享表示实现多源融合的故障诊断,为融合多传感器信息的设备故障诊断提供了新思路。实验证明,与使用单一传感器信息的堆叠自动编码器模型、具有同样隐藏层结构的多层感知机以及使用手动提取特征的支持向量机相比,提出模型具有最高的诊断准确率(94.84%),并在振动信号被噪声损坏的情况下展现了良好的适应性。因此该方法可用于多传感器融合的感应电机故障诊断。     

基于信息融合的双馈风机定子匝间短路故障诊断

双馈异步风力发电机在风力市场上所占据的比重越来越大,容量也逐年增大。由于其恶劣的工作环境,使得双馈电机故障频发,其中定、转子匝间短路故障占据很高的比例。根据多回路理论建立了双馈异步电机数学模型,分别模拟了正常情况下以及定子匝间短路时的情况,通过扩展派克矢量变换对定子端电流进行频谱分析和在失电残压的基础上对定子端电压展开分析,最终将得到的特征信息进行故障信息融合诊断。仿真结果表明,将信息融合方法用于电机故障诊断中,提高了其诊断的有效性和准确性。     

直驱式电励磁双凸极风力发电机的极数研究

针对低速直驱风力发电应用场合,对电励磁双凸极电机的极数进行了研究。双凸极电机属变磁阻电机,存在2个气隙且电枢绕组为集中绕组,常规电机数学模型已不再适用。该文分析了电机的气隙磁密和极对数的特点,并在此基础上推导了单匝绕组电动势和相绕组电势的表达式,从理论上证明了在定子内径和转速不变时,单匝绕组电动势与极数无关,而相电势与极数成正比关系。有限元仿真和实验结果验证了理论分析的正确性。给出1 MW直驱式电励磁双凸极风力发电机设计实例,并进一步分析了极数对电机有效材料的影响,为低速直驱式电励磁双凸极电机的极数选择提供参考。     

单相双绕组变压器匝间短路故障诊断

针对现有方法无法对变压器匝间短路故障的发生时刻及其严重程度同时实现诊断,提出了基于电类特征信号提取的故障诊断方法。在对单相双绕组变压器匝间短路后其输出响应进行分析的基础上,对变压器匝间短路故障的产生进行了建模和仿真;通过提取变压器一、二次侧电流信号的时域故障特征对故障发生时刻进行了诊断;基于此再结合相应电流信号的频域故障特征,采用曲线拟合与数据库比对的方法对匝间短路故障程度进行了有效诊断。仿真和测试结果表明,进行诊断后的结果符合预期的目标。     

基于小波包分析的双凸极无刷直流发电机系统故障诊断

提出了一种针对电励磁双凸极发电机的整流电路故障诊断方法。根据整流电压波形的畸变规律,将2个以内的二极管故障分为7类共计22种故障元。选用Daubechies小波作为小波基,对实测的整流电压进行小波包分析,利用小波系数,在各个频带上进行小波信号重构。提取全频带能量特征值,并以此构造故障模式向量。以一台840 W、12/8极的电励磁双凸极发电机为实验样机,通过采集大量故障信号并进行信号处理,建立整流电路故障档案,为故障识别提供了对照样本。同时,以故障特征值的容差范围作为误差判别标准,力求诊断误差最小化。实验结果表明,该方法对被分析信号的频率波动和幅值变化均具有良好的鲁棒性,是一种有效的特征值提取方法,具有较高的故障诊断正确率。     

三相电流主分量融合的电机故障图形诊断方法

为了在线快捷有效检测识别电机运行状态,并准确诊断交流电机常见故障,将图形融合方法与主分量分析方法(PCA)相结合,充分利用电机三相定子电流信号实现了电机故障的图形化在线检测方法。应用主分量分析法将三维电流状态空间样本进行降维并在二维平面内实现主分量的图形化融合,定义了电机正常、定子匝间短路、转子断条等不同运行状态下的状态识别实用判据,并针对主分量融合图形定义了故障严重度指标。通过理论分析及电机故障试验,论证了所提诊断方法对电机常见定子匝间短路及转子断条故障检测及诊断的直观性、准确性及载荷变化的鲁棒性,为电机及其拖动系统的故障诊断提供新的思路和方法。     

利用骨干微粒群算法和SVM诊断电机定子故障

为了实现感应电机定子匝间短路故障的准确识别,提出一种基于骨干微粒群算法和支持向量机(support vector machine,SVM)的故障诊断方法。根据故障电流信号的特点,提出一种基于骨干微粒群算法的基波滤除方法,用以消除基波分量对故障特征提取的影响。然后利用小波包频带能量分解技术,将残余电流信号的故障特征谐波分解到不同频带,形成感应电机运行状态的特征向量,并以此作为SVM的输入向量。采用SVM进行分类,并利用骨干微粒群算法和交叉检验优化模型参数,避免参数选择的盲目性。实验结果表明,该方法不但可以有效滤除基波分量,突出故障特征,而且能够在小样本情况下准确辨识感应电机定子匝间短路故障。     

基于恒等映射CNN的高压断路器机械故障诊断方法

为提升高压断路器机械故障识别效果,增强诊断方法的泛化性,提出基于恒等映射卷积神经网络(CNN)的高压断路器机械故障诊断方法.利用多个加速度传感器全方位获取断路器的振动信息;设计基于恒等映射卷积神经网络的故障诊断模型,信号经下采样、数据拼接等预处理手段输入,由模型综合分析各传感器信号特征并识别故障.该模型在网络结构上增加首尾直连通道,与以往研究使用的CNN相比,缓解了梯度消失问题,验证集故障识别率由96％左右提升至100％.与人工提取特征的方法相比,该方法能够自主提取故障特征信息.与其他方法的对比试验结果表明,相比提取差异区间幅值和、配合加权支持向量机识别的传统模型,以及不含恒等映射结构的卷积神经网络模型,该文提出的方法在不同严重程度故障的情况下诊断准确率依然能够达到100％,泛化性更好.     

基于BP神经网络的转子匝间短路故障识别方法

分析了发电机转子绕组发生匝间短路后的电磁特性,得到了匝间短路后的特征参数。在确定的运行状态下,发电机励磁磁动势故障前后维持不变而励磁电流增大。据此选取故障样本,将BP神经网络应用于发电机匝间短路故障识别。BP神经网络不依赖于发电机的数学模型及其结构参数。最后实测了故障发电机的特征信号,与理论分析结果基本吻合。     

基于小波模型的同步调相机转子故障诊断

随着新能源的并网与特高压直流输电的发展,电网对无功调节的要求也逐步提高,因此大型调相机再次被投入使用。为了提高调相机运行的稳定性,针对同步电机转子绕组匝间短路故障特征信号不易提取的问题,文中在dq坐标系下利用派克方程推导出了同步调相机励磁电流与转子绕组短路匝数之间的数值关系,并通过求解调相机微分方程仿真得出转子绕组正常与不同短路状态下的励磁电流。然后设计小波模型构建非线性映射,提取出故障信号的特征能量值,输入径向基函数神经网络进行故障诊断。最后利用Matlab仿真证明所提方法可以有效检测调相机转子绕组匝间短路故障程度。     

定子绕组形式对同步发电机励磁绕组匝间短路稳态电流特征的影响

为研究定子绕组形式对同步发电机励磁绕组匝间短路稳态电流特征的影响,对一台12 kW、6极同步发电机的定子绕组连接进行了不同形式的变换,利用经过实验验证的多回路分析法分别对不同定子绕组形式的电机所发生的同一种转子匝间短路故障进行了计算,通过傅里叶分解得到了稳态故障电流的谐波特征,并进行了比较分析。计算与分析表明,发生励磁绕组匝间短路故障后,电机定、转子电流会出现不同于机端外部短路、定子内部短路等其它故障的稳态电流谐波特征,且不同定子绕组形式的电机表现的特征也各不相同。对励磁绕组匝间短路故障监测与保护的研究,需建立在科学的故障计算基础上,对不同型号的电机都需具体分析计算,根据实际情况选择用来检测或保护的特征量。     

汽轮发电机励磁绕组动态匝间短路故障的定位研究

励磁绕组匝间短路故障是汽轮发电机的频发故障,但现有的方法实现匝间短路定位,尤其是动态匝间短路线圈的定位,还存在一定的困难。为了确定发电机励磁绕组存在动态匝间短路线圈的位置,详细推导了汽轮发电机励磁线圈匝间短路时励磁磁动势、气隙磁密、定子空载电势、定子并联支路间环流等物理量的变化;在考虑电机饱和的基础上,确定了动态匝间短路故障的特征量,提出了故障诊断方法,并进行了仿真和实验研究。研究结果表明,定子空载奇次谐波电势变化量的比值以及并联支路偶次谐波环流比值与励磁线圈匝间短路的位置存在一一对应的关系,据此可确定励磁线圈的短路位置。这种方法不仅可以检测出励磁线圈动态匝间短路的位置,同样也可以检测出静态匝间短路的位置,从而实现励磁线圈匝间短路故障的定位。     

异步电动机定子匝间短路故障诊断方法

分析了异步电动机定子线圈匝间短路故障时的振动特征及定子电流的谱特性。指出由于受电动机结构固有不对称等因素的影响,单纯利用振动频谱分析法或定子电流信号频谱分析法诊断定子线圈匝间短路故障,不能得到准确可靠的诊断结果。提出一种异步电动机定子匝间短路故障的诊断方法,能有效提取电动机定子匝间短路故障时的特征信息,提高故障识别精度。实验结果证明,利用该方法得到的谱特征可以作为异步电动机定子匝间短路故障诊断的依据。     

四相双电枢绕组分布电励磁双凸极电机短路故障研究

短路故障是一种较为严重的电机故障,研究电机在短路故障下运行特性对提高电机在特殊环境下的运行能力至关重要.本文提出了一种四相12/9极双电枢绕组分布电励磁双凸极电机,深入研究了其基本结构与工作原理.在此基础上通过有限元仿真研究电机在两种短路故障下的绕组电流、磁链和端电压等电磁特性,得出了短路电流产生的电枢反应对电机的影响...