基于主成分分析的掘进机故障诊断方法

掘进机是煤矿井下机械化掘进巷道的主要工程设备,其工作可靠性、稳定性、故障率等直接影响巷道进尺量、断面成形及截割效率。针对掘进机故障频繁发生而且难于诊断的现状,提出了利用主成分分析方法对掘进机实时数据进行特征信息提取,建立掘进机故障变量的诊断模型。结果表明,该方法在信息量损失较小的前提下,可以对掘进机故障作出定量评价。     

电动机故障诊断的几种方法

介绍电动机故障诊断的主要研究内容,阐述傅立叶变换分析方法的实质,PARK变换分析方法的特点和小波分析方法的优越性。     

基于遗传算法和小波包分析的异步鼠笼电动机故障诊断方法探究

在线检测电动机的故障一直是一个重点研究问题,总结近些年的研究,提出了一个通过定子的电流来检测的方法,即对监测出来的定子电流信号用小波降噪的方法进行降噪处理,得到去掉噪声后的信号,随后对处理后的信号利用小波包分析法分析,提取第四层的小波包系数进行傅里叶分析,提取其频谱中的特征量,而后对特征量进行编码。由于提取后的编码数量较大,为便于之后的判断,故对于编码后的特征向量进行遗传算法的化简,得到最简化的特征向量组,再根据最简化的特征向量组即可初步判断电动机的运行故障。该故障诊断方法的结果表明,该诊断方法可以较快地明确电动机存在的故障类型。     

基于主成分分析的故障电动机异常点搜索方法

运用主成分分析法,经过矩阵变换、降低维数以及提取故障信息的主要特征,实现对故障电动机转子三相定子电流的特征提取。使用Matlab 8.3对实验所得的三相定子电流数据进行处理,得到完好电动机、转子断条故障电动机和气隙偏心故障电动机的主成分分析结果,为鼠笼异步电动机的故障诊断提供了一种有效的分析方法及相关故障样本。     

基于单相功率频谱分析的感应电动机故障诊断

定子电流频谱分析是感应电动机故障检测常用的方法,但故障频率的分量很容易被淹没。采用基于单相功率频谱分析的方法,同时提取一相定子电流和线电压,得到电动机单相功率信号。综合运用小波消噪、单相功率频谱分析、频谱细化的方法,突出故障特征。通过仿真对比,单相功率频谱分析能够较精确地发现感应电动机的转子断条、偏心等故障状态,具有采样分辨率要求低、灵敏度高、故障信息丰富等优点。     

基于小波神经网络的矿用主通风机故障诊断研究

通过小波包分析对通风机转子的振动信号降噪分解,提取各频带重构信号的能量作为故障特征向量,并以此当做BP神经网络的训练样本和测试样本,进行网络训练和故障模式识别。以MATLAB为平台,测试了网络对通风机常见故障类型的识别验证率,结果表明方法可行有效,有较高精度,为旋转设备故障诊断提供了新的思路。     

基于D-S证据理论的感应电动机故障诊断分析

采用D-S证据理论对感应电动机进行转子断条和定子匝间短路的故障诊断。基于小波包变换的频率划分特性,对定子三相电流信号进行小波包分解,利用节点系数的均方根值构建电动机转子故障的特征矢量(证据体);求取证据体对转子故障所赋予的基本概率分配函数值,然后根据D-S证据理论融合规则进行数据融合处理,实现对电动机转子断条故障的准确识别。用相似的方法也准确诊断了定子匝间短路故障。     

基于BP神经网络的感应电动机转子故障诊断方法

分析定子电流频谱特性诊断感应电动机转子故障,为了避免故障特征的边频分量被基频旁瓣淹没,利用扩展Park矢量法提取故障特征。在此基础之上,对所得到的故障特征矢量进行归一化,作为BP神经网络的输入量,同时以故障类型作为BP神经网络的输出量。设计BP神经网络结构,利用输入输出量对BP神经网络进行训练,进而实现感应电动机转子故障的自动识别。     

基于主分量和小波分析的煤矿主通风机故障诊断研究

针对主通风机故障对煤矿安全生产构成的威胁,综合采用主分量分析和小波分析方法对主通风机进行故障诊断。论述了主分量分析和小波分析原理,建立了主通风机故障诊断数据处理模型。在此基础上利用Matlab对采集的振动信号进行仿真实验,结果表明:该方法能够准确判断煤矿主通风机的故障类型。     

基于PSO-BP神经网络的采煤机电动机故障诊断研究

针对因采煤机电动机超长时间运行与矿井极端工作环境而引起的故障问题,结合异步电动机数学模型及其常见故障机理分析,在分析 BP 算法存在缺陷的基础上,提出一种用于电动机故障诊断的 PSO-BP 神经网络算法,以实现对采煤机运行状态的实时监测。将 PSO 算法与 BP 算法相结合,共同优化神经网络连接权值,用电动机故障训练样本对 PSO-BP 神经网络进行训练并进行网络测试。结果表明,与 BP 神经网络相比,PSO-BP 神经网络能更快速、准确诊断电动机的健康状态,及时采用有效措施可降低电动机故障率,从而保障矿井人员作业安全,提高生产效率。     

基于BP神经网络电动机转子故障诊断方法的研究

利用BP神经网络对转子故障进行建模分析。发挥神经网络的自学能力和联想能力,对非训练样本,做出控制决策,表现非常灵活。可根据实验数据进行网络训练,用新数据进行模型验证。还与概率神经网络(PNN)进行对比验证。实验表明只要选择合适的节点数,BP神经网络比概率神经网络对转子故障有较强的学习和辨识能力,收敛较快,性能稳定,预测结果显著。     

基于模糊神经网络的异步电动机故障诊断研究

针对异步电动机常见的故障特点,采用基于模糊神经网络的故障诊断方法,通过利用改进的BP算法,运用该诊断模型,对异步电动机故障进行了诊断。仿真结果表明,该诊断方法具有准确度高、诊断速度快等优点,是一种较实用的故障诊断方法。     

基于小波神经网络的牵引电机齿轮故障诊断研究

以小波变换、小波神经网络为工具,采用定子电流对HXD1B型机车的YQ1633异步牵引电动机开展牵引电机齿轮故障诊断研究。定子电流法相对于振动法更容易实施,有效克服了振动信号中包含的复杂干扰。由小波分析完成齿轮故障的特征量提取,通过神经网络对故障类型进行判断,实际测试表明,该方法具有较好的故障诊断性能。     

基于Elman网络LM算法的异步电机故障诊断

电机故障诊断问题在生产安全运行中非常重要,但难以建立准确数学模型,而神经网络能较好地解决故障诊断问题,Elman网络是一种动态递归神经网络,具有适应时变特性的能力,训练速度快、精度高,识别能力强。针对电机转子故障样本应用Elman网络并采用LM算法训练,将其训练效果与BP网络训练效果进行比较,显示了Elman网络和LM算法的优越性。     

基于BP神经网络电路故障诊断系统研究

从几个方面介绍了存在于模拟电路中的故障类型。通过阐述BP神经网络的模式识别特点,提出了应用BP神经网络来解决电路故障诊断问题,并且分别应用BP算法和几种改进的BP算法进行结果比较。     

基于神经网络与证据理论的煤矿通风机故障诊断

为了能够从多方面反映煤矿通风机系统状态,实现对故障模式的自动识别与准确诊断,将数据融合技术与神经网络相结合,建立通风机故障诊断系统。采用并行神经网络进行局部诊断,获得彼此独立的证据,再运用D-S证据理论融合算法对各证据进行融合,实现对通风电机故障的准确诊断。     

基于神经网络的齿轮箱故障诊断

煤矿机械齿轮传动系统在低速重载等恶劣工况下极易发生故障,齿轮箱部分尤为突出。因此展开对恶劣工况下的齿轮箱故障诊断研究具有重要的意义。以齿轮箱中齿轮为研究对象,通过提取与齿轮箱振动相关的故障特征,经过神经网络的学习训练实现对齿轮箱故障的分类。经检验,该诊断神经网络对齿轮箱故障有很高的辨识度。     

基于神经网络与案例推理的发动机故障诊断研究

将人工神经网络和基于案例的推理技术(case-based reasoning,CBR)结合用于汽车发动机故障诊断系统中,介绍了神经网络与CBR结合模型,阐述了案例的表示、检索和神经网络模块等,实例诊断表明,神经网络和CBR方法的结合有效地弥补了传统神经网络和CBR方法的缺陷。     

基于GA优化BP神经网络变压器故障诊断的研究

BP算法基于梯度下降原理是一种局部寻优算法,在变压器故障诊断应用中网络学习过程收敛速度慢,且易陷入局部极小值。而遗传算法(GA)具有并行计算的特点,可以有效防止搜索过程收敛于局部最优解。将二者结合起来,由GA寻找最优的BP神经网络权值与相应节点的阈值。仿真结果表明:此方法既能快速收敛,又能大大提高避免陷入局部极小的能力,改善了故障诊断的精度和速度。