SOM网络在电机转子故障诊断应用中的可视化分析

SOM网络(自组织特征映射神经网络)模拟大脑神经系统,具有自适应、自学习与联想功能,是一种无导师学习网络,最大优点是能够保持原始数据的拓扑结构,在数据分类、知识获取、过程监控和故障识别等领域中应用广泛。将其用于电机转子的故障诊断,着重利用U矩阵图和D矩阵图等可视化工具对其分类结果进行仿真与分析,并与SOM网络一般聚类结果进行比较。结论表明,SOM网络的可视化方法简单、直观、易懂,对故障的判别率较高。     

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。     

基于改进灰色关联度分析的机械故障诊断

在研究灰色关联分析基本理论与方法基础上,根据灰色关联分析的基本思想,提出了一种改进的灰色关联度量化模型,并将其应用于机械故障诊断中。该模型采用空间向量夹角的余弦衡量比较序列之间的局部相似性,而以局部相似性的均值作为比较序列的整体相似性的度量。通过实例验证,该模型对已有的关联度模型有较大改进,能有效地进行故障识别,且计算简单、计算量小。     

灰色关联度和BP网络预测边坡稳定性的对比分析

基于灰色系统的灰色关联和BP人工神经网络分析理论，分别选取影响土质、岩质边坡稳定性的一些主要因素，对边坡是否失稳进行了预测。针对重庆地区高速公路一些边坡工程实例进行了分析计算，结果与实际情况符合的很好，说明了利用灰色关联分析方法和BP人工神经网络预测边坡稳定性是可行的。     

基于灰色关联度BP神经网络预测煤层瓦斯含量

以淮南矿区潘三矿13-1煤层为例,在分析潘三矿瓦斯地质资料的基础上,结合灰色关联度分析,确定煤层埋深、地质构造、煤层倾角、煤层厚度以及顶板岩性为影响煤层瓦斯含量的主要因素,建立瓦斯含量预测BP神经网络模型。对已建立的模型进行训练和检验,并预测煤层未开采区域瓦斯含量。结果表明:建立的预测模型能满足煤矿实际安全生产的要求,为矿井瓦斯灾害防治提供一定的参考依据。     

基于改进灰色关联度分析的风机故障诊断系统

在分析原有高炉送风系统故障诊断方法所存在缺陷的基础上,提出了一种改进的灰色关联度计算方法,并成功地应用于系统的故障模式识别。该方法先以空间向量夹角的余弦来衡量比较序列之间的局部相似性,然后以局部相似性的平均值衡量比较序列之间的整体相似性,从而克服了原有灰色关联度计算过程中所存在的固有缺点。实践证明,该方法计算简单、计算量小、诊断结果更符合实际。     

煤炭企业管理水平的灰色关联度综合评价法

针对煤炭企业管理水平评价的特点，建立了灰色关联度综合评价数学模型，并对模型进行了实例计算，最后论述了该模型的使用方法和应该注意的问题。     

灰色关联度分辨系数的确定及其在机械故障诊断中的应用

针对旋转机械应用了灰色关联故障诊断方法,并针对灰色关联分析中分辨系数的取值进行了研究,介绍了其取值准则的一种,对于"小样本,贫信息,不确定性"问题,灰色关联理论具有处理能力强,计算复杂度低等优点。仿真实例表明灰色关联故障诊断方法十分有效。     

基于灰色关联度分析的快速掘进方案优化

针对鹤壁煤电公司四矿快速掘进的2种方案，应用灰色系统理论关联度分析法对参选方案进行评价，采用层分析法(AHP)确定指标的权值，给出了每个方案的综合评价值，为决策提供了科学的依据。     

感应电机传动的控制技术

文章综述了感应电机传动的控制技术。简要介绍了感应电机的频率标量控制、矢量控制、直接转矩控制等控制技术。     

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。     

基于支持向量机的异步电机转子故障诊断

根据异步电机发生故障时振动信号的特点,提出了一种基于小波包分解和支持向量机相结合的异步电机转子故障诊断方法。通过采用快速ICA算法对振动信号进行多通道数据融合,然后进行3层小波包分解,得到各分解节点对应频带的重构信号以及对应的能量,并将各频带的能量元素组成的特征向量作为诊断模型的特征向量,输入到LS-SVM分类器中进行故障识别和分类。诊断结果表明:采用ICA-SVM模型具有较高的分类速度和很好的故障识别率。     

基于MATLAB/SIMULINK的异步电机故障诊断

异步电机作为电器原动力在工业及各个领域应用十分广泛,如果发生故障不能及时检修导致电机损坏,造成很大的经济损失。针对异步电机故障,在SIMULINK中建立仿真模型,得到各种工况下的数据,然后用SVM来对故障建立预测模型,对故障进行故障类型预测。实验表明,SVM的异步电机故障诊断,分类效果好,实用性强,可以为异步电机诊断提供参考价值。     

笼型异步电动机转子断条故障诊断方法综述

介绍笼型异步电动机转子断条故障诊断方法的原理,将其分为基于解析模型的、基于信号处理的和基于知识的三类,并指出了各类方法的优缺点。最后,对异步电动机转子断条故障诊断方法的发展进行了展望。     

笼型异步电机转子断条故障诊断技术的研究

为了实现对笼型异步电机转子断条故障的有效诊断,设计了一套基于LabVIEW的转子断条故障诊断系统。针对笼型异步电机的定子侧电流信号,采用自适应陷波器对该信号进行陷波处理,以消除工频分量对断条故障特征分量的干扰,然后在快速傅里叶变换频谱上,实现对断条故障的识别。实验证明,该系统能够对断条信号进行有效的识别。     

基于遗传小波网络的电动机故障诊断

对基本的遗传算法进行了改进,并将其与BP算法相结合构成混合算法应用到电动机故障诊断的小波神经网络训练中。仿真结果表明,该算法有效地解决了小波网络初值设置不合理,极易进入局部极小的区域,以致网络振荡增大、不收敛,而GA算法独立训练神经网络速度缓慢等缺点。用训练过的小波神经网络模型对5组电动机故障进行验证和诊断的仿真结果也表明了,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动机故障诊断的有效性。     

基于笼型异步电机失电残压HHT的转子断条故障诊断研究

针对FFT频谱在分析失电残压信号上的不足,采用了将Hilbert-Huang变换(HHT)应用于转子断条故障诊断的新方法。该方法对同型号的2台异步电机(正常电机、一根断条故障电机)进行失电残压信号的采集。将采集的信号进行不同周期的截取,寻求最佳的失电残压分析信号。对信号进行经验模态分解(EMD),对比各个信号段的瞬时频率和瞬时幅值,提取能够反映电机转子断条的故障特征。