发电机旋转整流器故障的分形和动态测度诊断

针对励磁机励磁电流频谱存在的故障频率成分随机偏移、不便于在线提取的问题,结合分形理论与动态测度的概念提出了一种无刷发电机旋转整流器故障诊断方法.根据励磁机励磁电流采样信号的特点,确定了分形无标度区,给出了盒维数算法.分析了噪声环境下信号极值点和动态测度的关系,得到了励磁机励磁电流信号波动幅度的算法.最后通过盒维数-波动幅度的平面投影图来检测和识别故障.对实验波形的计算结果表明,盒维数能够定量描述波形的复杂度和不规则度.运用动态测度可以快速准确地得到波形的波动幅度.盒维数和波动幅度相结合能够识别不同故障情况下励磁机励磁电流的时域波形特征,且诊断结果对发电机转速的随机偏移不敏感,算法计算量小,克服了传统谐波分析方法的不足.     

三级式发电机旋转整流器故障特征提取

提出了一种基于小波包分析的三级式发电机旋转整流器故障特征提取方法。对整流二极管常见的故障进行了分类,通过建立故障模型,仿真得到故障信号,并对各类故障后电机的励磁电流进行小波包分解、重构,提取能量特征向量,为旋转整流器的故障诊断奠定了基础。     

基于DSP的无刷同步电机励磁电流测量及旋转整流器故障检测研究

无刷励磁系统中对励磁电流测量以及对旋转整流器故障监测困难是制约该励磁方式发展的一大障碍。本文设计了一个DSP系统解决了旋转整流器正常及故障下励磁电流测量问题，实现了整流二极管故障时报警，显示以及严重情况下切机功能。该系统动态显示励磁电流和指示二极管工作状态，极大方便了运行人员作出判断，而且结构简单，对整个机组的保护意义重大。     

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.     

无刷同步电机转子温度测量及励磁系统故障诊断与处理研究

本文介绍单片计算机与编码红外光波结合,测量同步电机转子温度与无刷同步电机励磁电流、电压,诊断与处理无刷同步电机转子绕组一点或两点接地故障和旋转整流器故障的新方法。与其他测量方法相比,具有抗干扰能力强,测量诊断准确可靠等优点。在大、中型无剧同步电机中均有一定的实用价值。     

基于深度卷积神经网络的轴承故障诊断方法

针对传统浅层轴承故障诊断方法依赖于人工特征提取和诊断专业知识从而缺乏自适应性问题,结合卷积神经网络善于识别二维形状的特点,提出一种基于深度卷积神经网络的故障诊断方法(DCNN)。首先,为充分展现滚动轴承故障特征信息,利用短时傅里叶变换得到滚动轴承振动时间序列的二维时频谱;其次,通过卷积神经网络自适应提取时频谱中不同故障特征;最后,将提取的轴承故障特征利用Softmax分类器输出诊断结果,实现轴承故障诊断。通过实测故障轴承数据对该方法进行验证,结果表明DCNN在多故障、变负载的轴承故障诊断准确率高达99.9%,证明了所提方法具有良好的泛化性能和可行性。     

基于DSP的无刷同步电机励磁电流测量及旋转整流器故障检测研究

无刷励磁系统中对励磁电流测量以及对旋转整流器故障监测困难是制约该励磁方式发展的一大障碍。本文设计了一个DSP系统解决了旋转整流器正常及故障下励磁电流测量问题,实现了整流二极管故障时报警,显示以及严重情况下切机功能。该系统动态显示励磁电流和指示二极管工作状态,极大方便了运行人员作出判断,而且结构简单,对整个机组的保护意义重大。     

交流励磁机旋转整流器故障检测的新方法

本文提出一种交流励磁机旋转整流器故障检测的新方法。首先通过采样一保持 和A/D转换，得到交流励磁机中检测线圈感应电势波形的离散数值。然后进 行快速付里叶变换，计算感应电势波形的幅频特性作为模式识别的特征提取。最 后按近邻法设计出分类器。数字仿真计算表明，这种新方法能准确地识别和检 测交流励磁机旋转整流器的各类故障。     

无刷交流发电机主机转子绕组短路故障诊断方法

1 前言 自励恒压无刷交流发电机中,输出电压和励磁电流出现异常是其常见故障,而励磁系统、励磁机定子绕组、励磁机转子绕组、旋转整流器或主机转子绕组中任一环节发生故障均会导致发电机输出电压和励磁电流出现异常,由于在发电机运行时励磁系统和励磁机定子绕组在机械上处于静止状态,可以方便地对其进行测试诊断,许多文献对这部分的故障诊断方法都有较为详细的论述,对此本文不再赘述,而励磁机转子绕组,旋转整流器和主机转子绕组均在转子上同轴安装,且往往只有发电机工作即转子高速旋转时在离心力作用下故障才显现,静止状态的测试手段难以发现,这给发电机故障判断和故障点的定位带来很大的困难。因此,如何在转子旋转中通过间接检测来准确确定故障部位从而采取针对性的维修措施是一个值得探索的问题。 下面以某型无刷同步发电机为例进行探讨。     

深度子领域自适应网络电机滚动轴承跨工况故障诊断

针对实际生产中旋转机械工况变化引起状态监测数据分布差异及获取待诊断样本标签困难问题，提出多尺度子领域自适应模型（MSDAM）的跨工况下滚动轴承故障诊断方法。首先，以原始振动信号作为输入，无需信号预处理及人工特征参数提取；其次，搭建多尺度卷积神经网络将已知标签样本和待诊断样本特征迁移到同一子空间，捕获具有细粒度信息的多尺度公共特征；然后，以不同的故障类型来划分相关子域，并通过局部最大均值距离（LMMD）来完成子域的适配，有效削弱不同工况同类故障特征的分布差异；最后，在三个数据集的多个迁移任务上进行试验验证。结果证明，所提MSDAM的跨工况故障诊断性能优于关注全局领域适配的迁移学习方法。     

基于RF特征优选和WOA-ELM的风电齿轮箱故障诊断

针对风电机组齿轮箱故障特征提取不足，故障诊断率低问题，提出了一种基于RF特征优选，结合WOA-ELM特征识别的风电齿轮箱故障诊断方法。首先，提取风电齿轮箱时域、频域、时频域特征，构建多域高维特征集；其次，利用RF进行特征重要度排序并提取10维优选特征；最后，利用WOA优化调整ELM模型的输入权值和隐含层阈值，实现风电齿轮箱故障分类识别。将本文方法应用于风电齿轮箱故障诊断，实验结果表明，本文方法平均诊断率能达到99.81%，诊断准确率均高于对比方法且诊断用时最少，能够有效地进行风电齿轮箱故障诊断。     

基于小波和概率神经网络的煤矿主通风机故障诊断

针对煤矿主通风机故障与征兆对应关系复杂的特点和利用传统BP网络进行故障诊断存在训练速度慢、易陷入局部极小的缺点,本文提出基于小波和概率神经网络的故障诊断方法。先利用时频两域有紧支撑能力的Mexican Hat小波变换故障信号并提取能量归一化故障特征向量;然后将概率神经网络作为诊断决策分类器,输出故障模式。该方法充分利用了概率神经网络计算简单、收敛快、新增样本无须重新训练的特点,而且通过小波特征提取有效的故障特征,减少了网络输入层节点数,降低网络规模,减少计算复杂度,加快了训练速度。经实际验证,此方法准确的诊断煤矿主通风机故障类型,具有速度快、精确度高的特点。     

基于Inception-DLSTM双通道的滚动轴承故障诊断方法

卷积神经网络(CNN)对空间特征具有敏感性，而Inception相比CNN具备多尺度提取特征优势；长短时记忆网络(LSTM)对时间特征具有敏感性，而深层长短时记忆网络(DLSTM)比LSTM具备更深层次提取特征优势。为了多尺度充分提取滚动轴承振动信号在空间和时间上的特征，实现滚动轴承故障诊断，提出了一种Inception通道和DLSTM通道结合的Inception DLSTM双通道滚动轴承故障诊断模型。对于Inception通道，把轴承振动信号经过小波变换生成的时频图作为输入，利用Inception网络多尺度提取时频图的空间特征信息；对于DLSTM通道，直接把轴承振动信号作为输入，利用DLSTM网络充分提取信号的时间特征信息。然后把两个通道输出的特征信息连接成一个时空特征向量，最后利用分类器进行轴承故障诊断识别。对轴承故障数据进行对比实验可得，Inception DLSTM双通道的故障识别准确率可达100%，具备良好的故障诊断和特征提取能力。     

基于改进谱峭度与电流均值的牵引整流器开路故障诊断方法

针对动车组牵引整流器IGBT的开路故障诊断问题,以CRH3型动车组的牵引工况为例,提出一种基于改进谱峭度与电流均值的新型诊断方法。分析单个IGBT开路和2个IGBT同时开路故障下牵引整流器的网侧电流突变情况,根据网侧电流的突变特征将其分类;计算网侧电流的改进谱峭度(SK)以检测故障发生类别;结合电流均值法定位故障。所提的改进方法不需要复杂分类器,在实际应用中方便可行,仿真结果表明该方法能有效实现动车组牵引整流器的故障诊断。     

电动汽车PMSM退磁故障诊断及故障模式识别

电动汽车永磁同步电动机(PMSM)驱动系统受其功率密度、控制方式以及运行环境的影响,易出现永磁体局部退磁或均匀退磁故障,为了实现电动汽车PMSM驱动系统的安全可靠运行,PMSM退磁故障诊断与故障模式识别已成为亟需解决的关键技术问题之一。首先提出采用代数辨识法实现永磁体磁链的在线辨识,将辨识结果作为退磁故障定性诊断的依据;在此基础上,采用基于希尔伯特黄变换的定子电流瞬时频率分析方法,实现车用工况下局部退磁故障非平稳特征信号的有效提取。最后,通过系统仿真研究和实验研究证实建议的永磁体退磁故障诊断及故障模式识别的一体化解决方案能够在测量噪声和车用工况约束下,通过永磁体磁链的在线准确辨识及局部退磁非平稳微弱故障特征信号的有效提取,实现永磁体退磁故障的在线准确诊断及故障模式的有效识别。     

改进小波结合BP网络的风力发电机故障诊断

针对风力发电机早期故障时定子电流特征量难以提取的问题,提出了单子带重构改进小波变换结合BP神经网络的风力发电机故障诊断新方法。通过对风力发电机的定子电流进行单子带重构改进小波变换,消除了传统小波变换中的频率混叠现象;从小波变换后的子带信号中选取特征域、提取特征量作为BP神经网络的输入;在此基础上,结合BP神经网络的输入输出非线性映射能力,完成对故障的诊断和定位。经过仿真实验证实,该方法准确地实现了对风力发电机故障的诊断。     

基于S变换和极限学习机的高压断路器机械故障诊断

机械故障是高压断路器最常见的故障,研究高压断路器机械故障诊断方法对于提高电力系统可靠性具有重要意义。为提高高压断路器机械故障诊断的效率,文中提出一种基于S变换和极限学习机(ELM)的高压断路器机械故障诊断新方法。首先,对高压断路器动作期间产生的振动信号进行S变换处理,获得相应的时—频矩阵;然后,对S变换模值矩阵进行时域和频域划分,计算振动信号在不同时段和频段的局部奇异值,并选择各子矩阵的最大奇异值作为故障诊断的特征向量;最后,采用ELM对高压断路器机械状态进行分类。对高压断路器在正常和故障状态下进行诊断实例测试,实验结果表明,该方法能够快速准确地识别断路器机械状态,具有较高的诊断效率。     

小波包分析在汽轮机转子振动故障诊断中的应用

针对汽轮发电机组振动的频谱特点，提出了基于小波包变换的汽轮机转子振动故障诊断方法，它较一般的小波变换更能反映振动信号所包含的频谱成分及能量。根据Bently实验台所采集的4种典型汽轮机转子振动故障信号，运用小波包分析方法对其进行能量分析并提取故障特征。实验分析表明，基于小波包分析与信号能量分解的故障特征提取方法，可以获得汽轮机转子振动的故障状况；根据不同故障发生时的频谱特征，识别出不同的故障，从而进行汽轮机转子振动故障诊断。该方法比基于Fourier变换的故障特征提取方法更有效，适合于机械故障诊断。     

小波熵证据的信息融合在电力系统故障诊断中的应用

电力系统中快速准确的故障诊断是事故后隔离故障元件、恢复系统正常运行的首要前提,具有重要意义。该文从信息融合的角度出发,提出利用多种小波熵测度的融合来解决电力系统故障诊断问题。小波熵测度由于结合了小波变换和信息熵理论的优势,能快速准确地提取线路故障特征,但由于故障的不确定性和多样性,依靠单一的小波熵测度诊断故障可能出现诊断困难或诊断失真等问题,因此提出采用D-S证据理论对多种小波熵进行信息融合,并采用范数加权平均的方法来建立基本可信度分配,以基本可信数的决策方法来实现故障模式诊断。基于EMTDC和Matlab的仿真证明,该方法能提高对故障诊断结果的支持度及故障诊断的准确性和实时性,是故障模式定量诊断的一种可行性新方法。     

基于数据融合的滚动轴承故障诊断研究

信息融合方法应用到滚动轴承故障诊断之中,能有效地利用传感器资源最大限度地获取旋转机械中有关被测对象的状态信息.以滚动轴承小波分解后的能量信息作为特征,通过神经网络作为分类器对滚动轴承故障进行识别,经过一定的信息融合分析处理,能够较为准确地识别设备的故障.