基于分合闸线圈电流的万能式断路器故障诊断

分合闸线圈作为低压万能式断路器操作机构的关键部件,传统的检修方式只能发现其显性故障,而对内部隐性故障不易检测,根据线圈电流能够有效反映断路器的分合闸运动特性,提出一种基于线圈电流的低压万能式断路器故障诊断和程度评估方法,其适用于出厂试验和现场检修。通过对分合闸过程中线圈电流信号特性进行分析,首先将电流信号进行关键时间、电流幅值提取作为局部特征,对电流信号经过集合经验模态分解后,提取各分量的能量矩作为全局特征;其次经主成分分析法降维后构建特征向量;然后采用基于遗传算法优化权值系数的多核学习支持向量机进行模式识别;当诊断出故障需要进行故障程度评估时,通过求取故障电流信号与正常电流信号的集合经验模态分解能量矩相对熵,并参照所求得的故障程度特性曲线,即可完成故障程度的定量评估。试验结果表明,该方法对于断路器分合闸线圈回路故障诊断效果良好,同时能够有效进行故障程度定量评估。     

基于灰色关联度的框架式断路器故障诊断方法

针对断路器故障诊断技术中智能识别算法过于复杂的问题,提出了一种基于灰色关联度的框架式断路器故障诊断方法,该方法利用灰色综合关联度描述故障特征序列曲线之间的几何相似度来判断故障的归属,充分利用故障特征本身的变化趋势。其首先提取触头振动信号局部均值分解能量矩或分合闸线圈电流信号集合经验模态分解能量矩,经归一化后形成能量矩序列,将该能量矩序列与不同故障状态下的参考序列进行灰色综合关联分析,根据最大关联度原则确定故障类型,其中灰色综合关联度各指标的权值系数利用熵值赋权法得到。对断路器触头分合闸机械结构故障和操作附件分合闸线圈回路故障进行了诊断测试,结果表明,该方法能够准确有效地完成对断路器不同故障的诊断。     

深度残差网络在断路器故障诊断中的应用北大核心CSCD

由于低压万能式断路器分合闸附件线圈回路为交流供电,合闸相位的随机性会导致同一运行状态下电流信号存在差异。针对此问题,提出了一种基于深度残差网络的故障诊断算法。首先采用信号堆叠的方法将一维电流信号转化为二维灰度图像;其次采用APReLU代替ReLU激活函数实现对深度残差网络的改进,并采用AMSGrad优化算法提高故障诊断识别率;最后利用断路器实测数据进行验证。结果表明:该故障诊断模型能够克服合闸相位的随机性对诊断结果的影响,完成故障分类。     

基于振动-电流广域特征与软共享机制的断路器多故障诊断

万能式断路器机械结构复杂,其产生的故障具有多源性,对多源故障进行失效溯源分析是十分必要的。 然而,传统的多 任务诊断方法不能很好地处理任务间存在的干扰问题,导致故障识别率降低。 针对此问题,提出一种基于振动-电流广域特征 与软共享机制的多故障诊断方法。 首先利用 TKEO 与 DTM,实现分合闸振动信号片段的精准分割,在此基础上分别融合触头动 作关联振动信号和附件电流信号的广域特征信息合成彩色图像样本以丰富故障表征信息。 然后基于多任务学习的软共享机制 构建多故障诊断模型,并通过自适应加权方法来自动的调整两个任务损失函数的权重比例,消除了任务间的相互干扰,进而提 高了故障诊断的性能。 最后分别从合闸和分闸两个过程进行实例分析,结果表明本文所提方法在两个任务的分类准确率分别 达到了 99. 78% 和 99. 85% ,可以有效地实现万能式断路器多故障诊断。     

基于三相交流异步电机定子电流信号分析的机电传动系统齿轮箱裂纹故障非侵入式诊断

齿轮裂纹故障是机电传动系统的高发故障,及时发现裂纹故障对保证机电传动系统正常工作意义重大。提出了一种基于三相交流异步电机定子电流信号的齿轮裂纹故障非侵入式诊断方法。首先,建立电机-齿轮-负载机电耦合模型,利用势能法计算不同裂纹深度和角度下齿轮变啮合刚度;然后,利用Runge-Kutta法对机电耦合模型进行数值求解,分析时变啮合刚度影响下电机电流动态响应。通过对比健康齿轮和裂纹故障齿轮的定子电流频谱,揭示齿轮裂纹故障对应的电流频谱特征,建立基于电机电流信号分析的传动系统齿轮裂纹故障诊断判据。对存在裂纹故障的齿轮进行电机拖动实验,齿轮裂纹故障影响下的电机电流信号与数值求解结果一致。所提出的基于电机电流信号的齿轮裂纹故障非侵入式诊断方法对于降低传动系统维护成本具有较高价值。     

断路器合闸储能弹簧状态监测

为保证弹簧操动机构断路器安全可靠运行,设计了一种断路器合闸储能弹簧状态监测系统。使用压力传感器、加速度传感器、光电编码器、电流互感器对合闸储能弹簧的压力、合闸储能弹簧动作行程、断路器合闸行程和储能电机电流进行监测,利用MPS-140801采集卡对各个传感器的输出信号进行采集,使用LabVIEW对采集到的数据进行读取、处理、显示和存储。在LW25-126瓷柱式六氟化硫断路器上进行了试验验证,结果表明该监测系统能够准确测量反应断路器合闸储能弹簧性能的状态参数。     

基于MCSA和Fisher-SAE的RV减速器故障特征提取研究

针对RV减速器实际监测中振动传感器的安装空间和信号采集容易受到限制和干扰等问题,提出了一种基于电机电流信号分析,稀疏自编码和Fisher准则相结合的RV减速器故障特征提取方法。首先,将采集的驱动电机电流数据转换到频域,研究了不同超参数对稀疏自编码的特征提取能力的影响,利用优化参数后的稀疏自编码对频域信号自动提取故障特征;然后,利用Fisher准则对提取的特征的判别能力进行了降序排名,取排名前n个特征,得到了最优故障特征集;最后,结合SoftMax分类层,实现了对RV减速器的故障诊断;搭建了RV减速器故障实验台,采集了电机电流数据,对基于Fisher-SAE的方法进行了验证,并将其与其他典型机器学习故障诊断方法进行了对比。研究结果表明：该方法能够从RV减速器电机电流信号中提取出故障特征,并选择最有效的故障特征集,解决了振动信号的局限性以及运用电流信号进行故障诊断难以提取有效特征的问题;相比于其他典型机器学习故障诊断方法,该方法的诊断准确率提高了10%～20%,具有更好的诊断效率和准确性。     

电流与振动信号融合的转子系统故障诊断研究

针对传统转子系统故障诊断信号的单一性,提出了基于电机电流和多传感器振动信号的融合信号的转子系统故障诊断方法。首先在单跨转子试验台上模拟转子系统的不平衡、不对中、碰磨故障,并采集不同故障类型下拖动电机的电流信号及不同位置的振动信号,其次利用小波包能量法对采集的信号进行特征值提取,最后利用贝叶斯网络对转子系统故障类型进行识别。试验结果表明:与只利用电机电流信号或振动信号相比,利用融合信息进行转子系统故障诊断准确率明显提高。     

基于MCSA和SVM的异步电机转子故障诊断

本文提出一种基于电机电流信号频谱分析和支持向量机的异步电机转子故障诊断方法，该方法可以利用支持向量机对电机电流频谱信号的特征信息和故障模式进行关联。对电机定子电流采样后，其信号经FFT变换后提取故障特征量作为支持向量机的输入，基于1对1算法构造了感应电机转子故障多类分类器。实验结果表明，该方法具有很好的分类和泛化能力，可以提高电机故障诊断的准确性。     

基于小波相关—包络排列熵的齿轮故障特征提取

振动信号是齿轮箱故障特征信息的有效载体,对振动信号的分析可实现不停机操作下的齿轮箱故障诊断。但振动信号易受噪声干扰,特别在复杂设备中,众多运动部件同时产生振动激励,使得实际获取信号的信噪比较低。针对传统方法存在的问题,将小波相关降噪和包络谱分析技术相结合,并利用排列熵对微弱信号变化敏感的特点,提出了基于小波相关—包络排列熵的齿轮故障特征提取方法,实现了齿轮箱不同状态下故障特征的提取。通过仿真信号和诊断实例分析结果表明,该方法比传统的信号分析方法更有效地凸显齿轮的故障特征。     

基于连续小波变换和 MTL-SEResNet 的 断路器故障程度评估

考虑到万能式断路器触头系统机械故障是一个从轻微到重度的演变过程,准确识别其运行状态可以大大提高断路器的可靠性。提出一种单信号输入和多任务输出的MTL-SEResNet网络模型以兼顾故障诊断和程度评估。首先采用连续小波变换对触头系统振动信号进行时频分析,得到相应的二维时频图像;其次将SENet结构引入到改进的ResNet18中,利用多任务学习共享机制构建MTL-SEResNet网络模型;并通过调整故障分类和程度评估两个任务损失函数的权重比例,对模型进行优化;最后,通过模拟的触头系统的故障数据对所提方法进行实验验证。结果表明,模型的性能更佳,类型及程度准确率分别为99.78%和99.36%,可以有效地实现万能式断路器故障程度评估。     

基于EWT和多尺度熵的高压断路器故障诊断

提出了一种以经验小波变换(empirical wavelet transform,简称EWT)和多尺度熵相结合的高压断路器振动信号的特征向量提取和故障诊断的分析方法。首先,将高压断路器的振动信号进行经验小波变换,得到内禀模态函数(intrinsic mode function,简称IMF),选择相关系数较大的IMF进行重构;其次,提取重构信号的多尺度熵作为表征断路器状态的特征向量,采用归一化的方法对特征向量进行预处理并以此作为支持向量机(support vector machine,简称SVM)的输入向量进行分类训练;最后,将测试样本信号故障特征输入训练好的SVM,在SVM核函数参数进行网格算法优化的基础上进行状态识别及分类。实验结果表明,该方法可快速准确地检测高压断路器故障,实现了断路器故障的状态识别。     

The application of energy operator demodulation approach based on EMD in machinery fault diagnosis

An energy operator demodulation approach based on EMD (Empirical Mode Decomposition) is proposed to extract the instantaneous frequencies and amplitudes of the multi-component amplitude-modulated and frequency-modulated (AM-FM) signals. Furthermore the proposed approach is applied to machinery fault diagnosis. Firstly, EMD method is used to decompose a multi-component AM-FM signal into a number of intrinsic mode functions (IFMs). Secondly, the energy operator demodulation method is applied to each IMF and the instantaneous amplitudes and frequencies of a multi-component AM-FM signal are extracted. Finally, the spectrum analysis is applied to each instantaneous amplitude in order to obtain envelope spectra from which the mechanical fault can be diagnosed. The analysis results show that the energy operator demodulation approach based on EMD can extract the characteristic of machinery fault vibration signals efficiently.     

基于RSGWPT-LCD的轴承信号故障特征提取及模式识别

为了有效提取滚动轴承振动信号的故障特征和提高分类识别精度,提出了一种基于冗余二代小波包变换-局部特征尺度分解(redundant second generation wavelet packet transform-local characteristic scale decomposition,简称RSGWPT-LCD)和极限学习机(extreme learning machine,简称ELM)相结合的故障特征提取和分类识别方法。首先,利用希尔伯特变换对原始振动信号进行处理,得到包络信号;其次,基于双层筛选机制,结合冗余二代小波包变换(redundant second generation wavelet packet transform,简称RSGWPT)和局部特征尺度分解(local characteristic-scale decomposition,简称LCD)方法对包络信号进行分解,筛选出包含主要信息的内禀尺度分量(intrinsic scale components,简称ISCs);然后,对提取的各ISCs分量构建初始特征矩阵并进行奇异值分解(singular value decomposition,简称SVD),将得到的奇异值作为表征各损伤信号的特征向量;最后,以提取的特征向量为输入样本,建立ELM模式分类器对滚动轴承损伤信号进行识别。信号仿真和实测数据表明,该方法可有效提取振动信号故障特征,提高分类识别精度,实现滚动轴承故障诊断。     

新能源汽车油泵电机电磁力建模及其匝间故障监测方法研究

新能源汽车油泵电机出现匝间故障,无法保证燃料供给、控制压力、提供润滑和冷却等,威胁行车安全。对此,本文提出了一种基于电流和振动信号相结合的匝间故障在线监测方法。首先,根据麦克斯韦张量法构建含有故障电流谐波的电磁力模型。其次,设计了一个多传感器的电机信号采集电路。最后,采用改进的自适应经验模态分解法对经降噪后的振动信号进行自适应分解,利用相关系数法对所得的一系列本征模式函数筛选和重构。综合评估峭度与均方根值之比以及包络谱特征因子,得到故障特征指标提升52.3%,表明重构信号具备更高的敏感性,并通过电流波形分析验证了重构信号与故障特征的一致性。该研究对油泵电机故障诊断和状态预测具有重要工程意义。     

基于DEMD和对称差分能量算子解调的滚动轴承故障诊断

针对机械故障振动信号多为调制信号的特点,为了更好地提取多分量调幅调频信号的幅值和频率信息,提出了基于微分的经验模式分解(DEMD)与对称差分能量算子相结合的解调方法。利用DEMD算法将原始振动信号进行分解,得到若干个单分量信号;对每一个单分量信号进行三点对称差分能量算子解调,得到各单分量信号的瞬时幅值和瞬时频率,并计算出包络谱。将该方法应用于仿真信号和滚动轴承故障信号的诊断,实验结果表明,该方法能有效地提取机械故障信号的故障特征,实现旋转机械故障诊断。     

基于卷积稀疏表示及等距映射的轴承故障诊断

针对卷积稀疏表示(convolution sparse representation,简称CSR)在轴承故障脉冲提取过程中过于依赖惩罚因子的缺点,提出了一种基于卷积稀疏表示、希尔伯特变换(Hilbert transform,简称HT)以及流形学习降维相结合的轴承故障诊断方法。首先,通过在不同惩罚因子下的CSR提取不同稀疏特征的脉冲;其次,针对提取的一系列脉冲进行希尔伯特变换,构造脉冲包络空间;最后,利用等距映射(isometric feature mapping,简称Isomap)流形学习算法对脉冲包络空间求解低维本征包络,以实现故障诊断。通过仿真数据以及台架实验数据验证表明:基于CSRHT-Isomap算法的轮对轴承故障诊断方法可以很好地提取轴承内圈及滚动体故障特征,通过与基于聚合经验模态分解和小波包变换的包络空间算法进行比较,证明该方法在提取本征包络、强化本征包络谱以及放大故障特征频率的谐波数方面具备较大优势。     

基于EMD和峭度的Hilbert包络解调在滚动轴承故障诊断中的应用分析

针对直接运用快速傅里叶变换（FFT）无法有效提取具有非线性非平稳特性的滚动轴承振动信号故障特征频率的问题,提出了一种基于经验模式分解和峭度指标的Hilbert包络解调方法.首先对滚动轴承的振动信号进行了经验模式分解（EMD）,得到了包含轴承故障特征信息的各阶本征模态函数（IMF）,再计算各阶IMF的峭度值,选取了峭度值较大的几阶IMF分量重构信号,并对重构信号进行了Hilbert包络解调分析,从而获得了滚动轴承的准确故障特征信息.分别对仿真模拟信号和实际滚动轴承发生内圈故障的振动信号进行了分析,清晰地得到了故障特征频率.研究结果表明,利用融合EMD、峭度系数和Hilbert包络解调的诊断方法能够快速、准确地提取滚动轴承的故障特征频率,从而可以对滚动轴承进行有效地故障诊断.