一种无刷直流电动机故障诊断方法研究

提出一种基于小波熵和SOM神经网络的无刷直流电动机故障诊断方法,以无刷直流电动机的霍尔传感器和驱动器故障为研究对象,采用小波分析对故障信号进行分析,并在此基础上通过小波熵对故障特征进行提取,作为故障诊断部分(神经网络)的输入,由训练得到的神经网络对故障进行分类和识别,最后建立无刷直流电动机仿真模型,对该故障诊断方法进行仿真验证。     

基于RBF神经网络的无刷直流电动机故障诊断

为尽可能检测空空导弹舵机多种故障,提出采用导弹舵机三相工作电流作为舵机故障诊断的信号源,针对舵机无刷直流电动机驱动器的开路、短路等故障,在MATLAB中构建无刷直流电动机及驱动器的模型,并进行故障仿真。选取Haar小波基函数对故障信号进行提取、分析和处理,利用提取的故障特征值对起到故障识别作用的RBF神经网络进行训练。仿真结果证明,训练得到的RBF神经网络能够有效识别出舵机中无刷直流电动机驱动器的故障,表明该方法的正确性。     

基于1-DISVM的无刷直流电动机故障识别方法

提出一种基于改进无监督学习支持向量机(1-DISVM)的无刷直流电动机故障识别方法.通过对无刷直流电动机正常以及驱动电路开关管断路、定子绕组端部断路、Hall传感器断线三种故障状态的仿真模拟,对仿真过程中得到的母线电流采样数据进行FFT频谱分析,作为输入特征向量用于支持向量机分类器的训练和故障识别.将改进无监督学习支持向量机用于无刷直流电动机的故障识别,并与无监督学习支持向量机(1-SVM)的故障识别结果进行比较,结果表明基于改进无监督学习支持向量机的无刷直流电动机故障识别方法具有更高的准确率.     

基于非线性状态观测器的无刷电机故障诊断

为了对无刷直流电动机的非线性系统实现快速、精确的故障检测，采用精确的无刷电机非线性系统模型，并应用RBF神经网络，设计了一种非线性状态观测器，通过观测器的估计值与实际输出值之间的残差来判定无刷电机故障与否，并将无刷直流电动机非线性模型在某一工作点附近线性化，采用线性观测器的方法对其进行故障诊断的仿真并与非线性故障诊断方法相比较。结果表明，对于在多工作点工作的无刷直流电机，该方法能获得更精确的故障检测结果。     

基于小波神经网络的电机故障诊断研究

提出了用小波神经网络对电机进行故障诊断的方法。利用小波神经网络对任意函数或信号具有有效的逼近功能的这一特点,对异步电动机故障进行有效的诊断与监控。通过实例仿真验证了基于小波神经网络的电机故障诊断方法,并与BP神经网络比较,进一步说明小波神经网络在故障诊断中的优越性。     

一种改进的小波神经网络应用于电动机故障诊断

对基本的小波神经网络进行改进,用遗传算法取代传统的梯度下降法,对小波神经网络中的初始参数进行全局优化.将经过改进的小波网络应用于电动机的故障诊断,并对5组电动机故障数据进行验证.实验结果表明,该算法具有较快的收敛速度和较高的计算精度,证实了此方法应用于电动机故障诊断的正确性和有效性.     

基于小波神经网络的无刷同步发电机旋转整流器故障诊断研究

无刷励磁系统中旋转整流器因工作环境恶劣,发生故障时故障信息难以提取,因而故障诊断一直是一个难点,成为制约该励磁方式发展的障碍之一.针对大型无刷汽轮发电机故障诊断需要,提出应用小波神经网络对旋转整流器故障进行诊断,通过对旋转整流器的故障信号的频谱分析,提取故障信息频域特征量作为学习样本,通过训练使构建的小波神经网络能够准确反映频谱特征量和故障之间的映射关系,从而准确对故障进行诊断.提出了比较精确的数学模型,提高了旋转整流器故障的诊断能力和诊断的准确性.     

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。     

无刷直流电动机参数对其转速影响的分析

根据无刷直流电动机数学模型,用WATLAB程序对三相六状态的无刷直流电动机进行了仿真,重点分析了参数改变对于转速的影响,并开发了一个简单的故障诊断系统,运行表明其具有较好的可行性。这些对于电动机实际运行和更全面更复杂的故障系统的开发具有重要的借鉴意义。     

无刷直流电动机匝间短路故障检测及识别方法

匝间短路故障是无刷直流电动机(BLDCM)定子绕组发生故障的主要形式之一,具有潜伏性、识别困难以及发展导致更为严重的故障等特点,因此,在早期对匝间短路故障进行检测和识别具有重要的意义。建立了无刷直流电动机定子线圈匝间短路模型,提出了将定子绕组静态电阻测量和基于小波分析的反电动势相结合的故障识别方法,设计了信号检测电路并进行了试验研究。分析结果表明,该方法对无刷直流电动机早期匝间故障的识别是有效的。     

基于改进粒子群优化神经网络的电机故障诊断

为了更加准确快速地诊断出三相异步电动机运行过程中发生的各类故障,在采用小波包分析提取异步电机故障特征向量的基础上,提出了一种混沌动态权重粒子群算法(CDW-PSO)优化BP神经网络的故障诊断方法,构建电机的神经网络故障诊断模型,采用混沌动态权重粒子群算法优化神经网络的结构参数。实验分析表明,采用该方法用于电机故障诊断,诊断速度快、准确性高、可靠性好。     

基于IEMD和GA-WNN的断路器分合闸线圈故障诊断方法

真空断路器二次回路或操动机构运行状态能通过电流曲线特征反映.首先,通过对真空断路器分合闸线圈铁心卡涩、电压异常(过高或过低)和击穿3种常见故障进行实验室模拟,创建了故障电流曲线特征库.其次,利用故障电流信号经过经验模态分解后的经验模态分量中的能量密度乘对应平均周期为恒定常数的性质,提出一种改进经验模态分解方法来提取分合...     

油中溶解气体分析的变压器故障诊断新方法

为克服电气分析应用中BP网络算法遇到的困难,改进基本遗传算法并将其与BP算法相结合构成混合算法应用到基于油中溶解气体分析的变压器故障诊断的小波神经网络的训练中。混合算法先利用改进后的遗传算法优化小波神经网络的4个初始值,再利用梯度下降算法训练小波神经网络。针对实际情况,对所采用的遗传算法运用实数编码,采用通过自适应调整的交叉和变异概率,使遗传算法在广泛的空间搜索,向解的方向尽快收敛。仿真结果表明,该算法有效解决了小波网络若初值设置不合理,极易进入局部极小的区域使网络振荡增大、不收敛及GA算法独立训练神经网络速度缓慢等缺点。用训练过的该小波神经网络模型对456台次的变压器故障进行验证和诊断的仿真结果表明,该算法具有较快的收敛速度和较高的计算精度,证实了该算法应用于电力变压器故障诊断的有效性。     

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BP神经网络的大功率直流电机故障诊断研究

提出了一种用人工神经网络实现直流电机故障诊的方法。推导了故障诊断所需的特征参量。在特征参量的基础上改变了传统的电机故障分类方法,将电机故障分为电枢故障、励磁故障、换向器故障和机械故障4类。以MATLAB仿真数据为基础,训练了一个可行的神经网络。测试结果表明,对电机故障诊断的正确率较高,可行性较强,建立的故障诊断模型有效地实现了特征参量提取和故障映射的功能。     

基于改进的PSO-BP神经网络的无刷直流电机控制

实时检测无位置传感器的无刷直流电机运行过程中的转子位置,并输出相应的开关管导通与关断信号是控制无刷直流电机的一项关键技术.本文针对神经网络控制存在开关管误导通的问题,引入非线性的惯性权重因子并采用异步时变的学习因子改进策略对标准粒子群算法(PSO)进行改进,通过改进的PSO算法对BP神经网络进行优化,进而控制无位置传感器无刷直流电机的换相顺序.仿真实验表明,采用基于改进的PSO-BP神经网络方法控制无刷直流的运行,可以取得满意的结果.     

遗传小波神经网络及在电机故障诊断中的应用

本文给出了基于优化遗传算法的小波神经网络故障诊断模型。首先利用改进的遗传算法对神经网络的权值和阈值进行遗传操作,获得具有一定遍历性的初始权值和阈值,然后再利用神经网络的L-M训练方法进行训练,克服了BP神经网络搜索速度慢和容易陷入局部极值的缺点,保证了训练过程收敛,而且故障识别的能力和精度也大大提高。同时引进比小波分析具有更强高频分析能力的小波包技术,并将其应用到故障信号的特征频率分析中,以得到的结果作为改进遗传神经网络的输入信号,保证训练网络的准确性。通过对电机故障进行仿真试验,证实该方法的有效性及正确性。     

基于多数据融合的电机故障诊断方法研究

电机作为各类电驱设备的主要动力装置,具有结构简单、控制方便、能效高、无污染等优点。在电机运行过程中,受载荷多变、零部件老化、散热条件差等影响,故障频发,进而降低电驱装置的工作效率和稳定性。此外,电机故障种类繁多,各故障的征兆与表现又极其相似,不同故障产生的原因也错综复杂,这极大地提高了电机故障诊断的难度。传统的电机故障诊断过程中多是基于单一传感器信号,存在不确定性大、诊断精度差等问题,为克服上述缺点,提出一种基于多传感器参数融合的电机故障诊断方法,基于振动加速度计和电流传感器信号,结合BP神经网络算法和D-S证据理论对电机故障进行准确辨识,提高电机故障诊断的准确性。简要介绍了多传感器数据融合技术的结构框架,在分析异步电机典型故障机理的基础上,对基于BP神经网络学习算法和D-S证据理论的多传感器数据融合电机故障诊断系统进行详细分析,并通过实例对所提出故障诊断方法的有效性进行验证。研究结果表明,采用所提出的多数据融合电机故障诊断方法可以高置信度地诊断出电机的故障类型。