永磁直流电机故障诊断中电流信号分析与处理

在分析永磁直流电动机空载电枢电流特征的基础上,综合利用傅里叶分析、小波分析和数理统计等多种信号处理手段从永磁直流电机的启动电枢电流和稳态电枢电流信号中提取电机的故障特征并对其进行了故障机理分析．实验提取的故障特征与理论分析的一致性表明,永磁直流电机电枢电流中包含了稳态电流的平均值iav、稳态电流标准差istd、电流脉动频率fw、起动电流峰值im、峰值点电流变化率k等5个主要故障特征,将这5个量确立为故障诊断的特征参数是可行的．     

基于ARM和旋转滤波的异步电机故障检测方法的研究

提出了一种基于ARM和Park矢量旋转滤波的异步电机故障检测方法。该方法结合Park矢量旋转滤波和异步电机定转子故障特征,对定子电流信号进行分析,可有效地检测异步电机的故障。并通过实验证明,该检测方法正确可行。     

模糊神经网络技术在铝电解故障诊断中的应用

目的为了提高生产效率、降低成本、安全生产，通过对铝电解故障进行有效的检测和预报，减少铝电解过程中阳极效应、热槽、冷槽故障的发生．方法通过对铝电解故障发生机理和故障发生时相关特征量变化趋势的分析，基于模糊逻辑理论。建立了多级模糊故障检测模型，采用BP神经网络建立了故障分类模型，实现对铝电解故障的检测和预报．结果降低了模糊系统的维度，减少了规则数量，采用多级模糊与神经网络相结合的故障诊断预报的方法，提前了预报时间，提高了预报准确率．结论铝电解模糊神经网络故障诊断方法，有效地降低铝电解的故障发生率，降低了能耗，提高了铝的产量和质量，具有良好的应用前景．     

基于频谱特性的HVDC区内外故障快速识别

高压直流输电（HVDC）系统区内外故障快速判别是实现故障保护的基础。由于直流滤波器、平波电抗器以及线路分布电容等作用下,区内外故障时,直流电流信号传播至保护安装处所经历的物理边界存在较大区别,导致直流电流频带能量分布具有明显差异。该文采用总体经验模态分解法（EEMD）对HVDC系统故障时的直流电流信号进行分解,将信号分解为几个固有模态分量（IMF）之和。然后,计算各模态分量的能量,通过对比分析,找出特征区别,进而定义能量比判据用于区分正常、区内、本侧区外以及对侧区外故障。该方法仅采用直流电流信号,简单易实现,能够满足快速性和选择性要求。最后,通过对HVDC多种工况下的大量故障进行仿真分析,验证了该方法的有效性和鲁棒性。     

直流系统接地故障综合检测方法

为解决直流系统接地故障检测的难题，提出综合运用漏电流法和波形分析法实现接地故障选线.漏电流法通过检测对地直流不平衡电流检测单极接地故障.波形分析法通过分析向直流系统注入的方波信号基波及三次谐波之间的相位及幅值关系，计算接地支路电阻来检测两极同时接地故障，并且在选出接地支路后，提供注入信号，供基于此原理的便携式检测仪寻找具体接地点.两种检测方法的结合可以很好地解决直流接地故障检测的难题.介绍了利用LonWorks现场总线构成分布式直流电源绝缘监测系统的实施方案.阐述了传感器的选择、方波信号频率及幅值的确定、减小注入信号对直流系统的影响以及故障点的准确定位等关键技术问题的解决.实验表明文中提出的方法实用有效.     

一种基于BP神经网络的传感器故障诊断方案

针对传感器故障,提出了一种BP网络和修正的Bayes分类算法(MB)的集成故障诊断方法.用BP神经网络建立传感器故障模型,对系统的状态和故障参数进行在线估计,再用修正的Bayes算法进行传感器故障的在线检测、分离和估计.对连续搅拌釜式反应器(CSTR)的仿真结果表明,该集成故障诊断方法能够对传感器故障进行快速准确的分离和估计,并对传感器故障具有容错性.     

基于设备绝缘数据库的变电站直流系统非金属性接地故障的查找

变电站直流系统的非金属性接地出现频繁、持续时间短、装置难以监测。结合以往排查经验,提出对变电站重点设备建立绝缘数据库,在直流系统发生故障时首先查找该数据库中的薄弱直流回路,再结合转移负荷法、拉路法等常规排查方法,实现直流系统非金属性接地故障的快速查找。并综合各种故障查找方法的优缺点,建立故障查找流程。最后通过实例实践证明该故障查找方法的有效性。     

基于人工神经网络的电力电子电路故障诊断

提出了采用基于波形直接分析的人工神经网络故障诊断方法实现电力电子电路的故障诊断．以三相整流电路的诊断为例，设计了人工神经网络的层数和点数，建立了三相整流电路的模型获取了样本数据，并训练了人工神经网络．仿真表明用四层人工神经网络对三相整流电路进行诊断可获得正确结果、     

基于小波包能量熵的低压串联故障电弧诊断

为了实现低压串联故障电弧的有效诊断,基于ULI699标准搭建了交流电压为220V、频率为50Hz的串联故障电弧实验平台,并对不同负载回路正常工作电流以及串联故障电弧电流进行数据采集,提出基于小波包能量熵的低压串联故障电弧诊断方法.通过对电流信号进行4层小波包分解,提取小波包能量熵作为特征向量描述故障电弧电流信号在不同频段的能量分布.采用主元分析（PCA）法提取特征向量的主元作为BP神经网络的输入,实现样本最优压缩以简化神经网络结构.仿真结果表明,该方法故障诊断准确率较高,能够有效地识别串联故障电弧.     

异步电动机转子故障对定子故障检测的影响与对策

定子绕组匝间短路是异步电动机常见故障之一,因此研究其检测方法具有重要意义。首先,完成了异步电动机定子绕组匝间短路与转子断条故障仿真并对仿真结果做了分析,指出异步电动机转子故障对定子绕组匝间短路故障检测存在不利影响,甚至导致故障误判。进而明确揭示出该影响之原因,即转子故障将导致定子电流中出现边频分量。之后,提出了计及转子故障时的异步电动机定子绕组匝间短路故障检测策略,其关键在于预先采用频谱校正与自适应滤波技术滤除定子电流中由转子故障所导致的边频分量。     

FastICA遗传神经网络算法

针对反向传播（BP）算法和基于负熵固定点迭代快速独立分量分析（FastICA）方法各自的优缺点,提出了FastICA遗传神经网络算法,对滚动轴承进行故障识别.首先对信号进行FastICA分离,得到振动信号故障信息的独立分量,每个独立分量对应着相应的能量,将各个独立分量的能量构成特征向量;其次利用遗传算法对BP神经网络的初始权值和阈值进行优化,得到遗传神经网络;最后将特征向量作为遗传神经网络的输入样本进行故障识别.利用该方法对滚动轴承多类故障信号进行识别,提高了故障识别能力.     

基于在线学习神经网络的状态依赖型故障预测

提出外部激励故障和内部激励故障的概念,研究非线性系统状态依赖型故障的预测问题.将非线性系统的故障模型描述成外部激励与内部激励相耦合的一般非线性函数形式,函数的结构未知.通过反向传播(BP)神经网络在线学习故障函数模型实时逼近故障模型,提出基于在线神经网络的状态依赖型故障的预测算法.该算法能够实时地检测故障,对系统状态和故障进行迭代估计和预测.利用系统状态的预测值实时预测了系统的失效时间.故障模型的一般化拓展充分体现了系统状态对故障的影响,增强了算法的实用性.仿真结果验证了该方法的有效性.     

基于小波包信息熵和小波神经网络的异步电机故障诊断

采用一种基于小波包信息熵和小波神经网络的方法对异步电机进行故障诊断。将故障信号进行小波包预处理,并在此基础上提取信号的小波包能谱熵和小波包系数熵,构成信号的信息熵特征向量。训练小波神经网络使其在输入特征向量后能有效检测并输出故障模式,以实现对单一故障和复合故障的诊断。通过内嵌的方式把小波变换融入神经网络,具有良好的自适应分辨率和容错能力,可以有效避免局部最小值以及收敛速度过于缓慢的问题。试验表明,基于小波包信息熵和小波神经网络的方法能很好地进行异步电机的故障诊断,且该方法优于同参数下的BP神经网络模型。     

笼型异步电动机转子断条故障在线检测方法评述

基于快速傅里叶变换(FFT)的定子电流信号频谱分析方法,被广泛应用于笼型异步电动机转子断条故障的在线检测,其中自适应滤波、派克矢量变换、希尔伯特变换以及瞬时功率法是典型且成功的。在回顾这些方法的同时,分析了它们的优缺点,并在此基础上,指出了今后的发展趋势及工作重点。对该领域进一步的研究工作具有指导意义。     

笼型异步电动机转子断条综合在线检测方法

基于快速傅里叶变换（ＦＦＴ）的定子电流信号频谱分析方法,被广泛应用于笼型异步电动机转子断 条故障的在线检测,其中自适应滤波、准确滤波、希尔伯特变换以及起动电流时变频谱分析方法是典型且 成功的。在回顾这些方法的同时,分析了它们的优缺点,并在此基础上,提出了一种转子断条综合在线检 测方法。数字仿真及实测结果表明该方法是正确有效的。     

笼型异步电动机转子断条在线检测新方法

转子断条是笼型异步电动机常见的一种故障,采用快速傅立叶变换对定子电流进行频谱分析是目前应用最广泛的转子断条在线检测方法,但是存在灵敏度低的缺点。本文采用连续细化分析的傅立叶变换方法,借助异步电动机定子电压过零时刻提取电路,提出了一种新的转子断条在线检测方法。该方法可以提高检测转子断条故障的灵敏度。数字仿真及实验结果均证明了该方法的准确性和实用性。应用该方法已经研制成功了笼型异步电动机转子断条在线检测装置。     

基于粗糙集与BP神经网络的烟气机故障诊断

结合粗糙集理论和神经网络在信息处理方面的优势,提出了一种基于粗糙集理论与BP神经网络相结合的烟气机故障诊断方法.首先对故障诊断数据中的连续属性进行离散化,然后根据粗糙集理论进行故障诊断决策系统约简,获得最优决策系统.最后在最优决策系统的基础上,设计BP神经网络对烟气机故障进行诊断.试验结果表明,该方法可以有效提高烟气机故障诊断的精度和效率.     

子波神经网络在故障诊断中的应用研究

根据旋转机械常见的的故障类型和故障信号时域采样数据 ,以子波空间作为模式识别的特征空间 ,采用信息熵为代价函数的神经网络学习算法 ,由子波神经网络对故障进行学习和诊断 .实验结果表明 ,子波神经网络的故障诊断方法在不了解故障信号频率结构的情况下 ,即可对平稳和非平稳故障信号进行诊断 ,适于设备在线监测及设备的巡检     

基于MODWT和BP神经网络的微电网故障诊断方法

近年来,随着微电网技术的持续发展,电力用户对其供电可靠性的要求也不断提高,因此微电网故障诊断研究也变得越来越重要。提出了一种基于极大重叠离散小波变换(MODWT)和反向传播(BP)神经网络的微电网故障诊断新方法,并通过仿真与算例进行了验证。结果表明:该方法能快速、准确地识别出故障类型,且不受故障初始相位角和过渡电阻等因素的影响;与现有的基于离散小波变换和反向传播神经网络的诊断方法相比所提出的方法可以提供更好的故障分类精度。     

基于改进PSO-BP混合算法的电力变压器故障诊断

采用粒子群算法和反向传播神经网络建立一种新型变压器故障诊断网络模型,设计故障诊断方法.仿真分析结果表明：基于该网络模型的诊断方法与传统的三比值法相比较,具有较好的故障识别与分类能力,显著提高了诊断准确率,将在电力设备故障诊断中有良好应用前景.