笼型感应电机转子断条故障诊断方法

依据多回路理论,本文建立了笼型感应电机正常及断条故障时的有限元模型.应用场路耦合有限元方法对电机转子断条故障前后的定子起动电流波形及气隙磁密基波、三次谐波进行仿真分析,并且仿真结果与利用探测线圈技术和示波器测得的数据进行了比较.另外,应用谐波分析程序得到电流及电压三次谐波随故障演化而变化的规律,从而提取故障特性量.理论研究与实验结果的比较证实了这些方法是切实可行的.     

感应电机神经网络逆控制的数字实现

提出了一种感应电机神经网络逆控制的数字实现方法.证明了感应电机的可逆性,给出了感应电机神经网络逆控制的实现结构.详细阐述了采用数字信号处理器（DSP）实现神经网络逆控制系统的硬件组成和软件设计方法.实验结果表明,系统具有良好的动、静态控制性能.     

电机振动故障诊断方法

提出了分析诊断振动故障的三个步骤.并归纳出电机在各种运行条件下振动故障的信号特征,为分析处理振动故障提供了操作性极强的诊断方法.     

采用像素编码技术的感应电机定子故障诊断

分析了三相定子电流Park矢量轨迹与电机故障特征之间的内在联系,确定可以将Park矢量轨迹像素作为定子线圈故障诊断的依据.在此基础上,从模式识别的角度,提出了一种基于Park矢量轨迹的极坐标系"像素"编码的定子线圈匝问短路故障诊断方法.该方法采用像素矩阵编码提取匝间短路故障特征矢量,运用RBF神经网络实现对故障的自动识别.试验结果表明,该方法诊断定子线圈短路故障,具有较高的准确性.     

基于稀疏自动编码深度神经网络的感应电动机故障诊断

针对目前感应电动机故障诊断大多采用监督学习提取故障特征的现状,提出一种将去噪编码融入稀疏自动编码器的深度神经网络,实现非监督学习的特征提取并用于感应电动机的故障诊断。稀疏自动编码器通过自动学习复杂数据的内在特征来提取简明的数据特征表达。为提高特征表达的鲁棒性,在稀疏编码器的基础上融入去噪编码,提取更有效的特征表达用来训练神经网络分类器进而完成整个深度神经网络的构建,并结合反向传播算法对深度神经网络进行整体微调,提升故障分类的准确度。整个训练过程引入"dropout"训练技巧,减少因过拟合带来的预测误差。试验结果表明,相比传统反向传播(Back propagation,BP)神经网络,提出的深度神经网络能更有效地实现感应电动机故障诊断。     

滚动轴承故障诊断的神经网络方法

总结分析了轴承的故障形式及原因,给出了振动频率,阐述了Bp网络的结构及算法,并对实例建立BP神经网络。     

牵引电机故障诊断方法研究

论文对牵引电机的构成、工作原理、常见故障及故障检测机理进行了分析,并对目前存在的牵引电机故障分析和诊断方法进行了论述。     

基于AdaBoost-SOM方法的电机故障诊断

采用一种基于AdaBoost特征选择和SOM(自组织映射)相结合的电机故障诊断方法。通过对不同电机状态的性能试验,采集驱动电机的振动信号,对信号进行时域、频域以及小波包处理,构建信号的原始特征。利用AdaBoost算法和相关性去除冗余和关联度高的特征,选取具有强区分能力的特征,采用SOM对各电机状态进行故障分类,识别电机的运行状态。试验表明,该方法能够对电机的故障特征进行有效提取,提高了对电机状态的识别能力,鲁棒性更好。     

基于感应电机控制系统的变结构模糊神经网络控制

感应电动机是高阶、强耦合、非线性的被控制对象,它具有容量体积比高,过载能力强,输出转矩大,无电刷,无需经常维护等优点.在感应电动机的控制中采用解耦变结构控制,可有效地简化了控制器的设计,并提高了控制器的抗干扰性和鲁棒性,而在交流解耦变结构系统中进一步应用变结构模糊神经网络,一方面使系统原来存在的抖振现象得以抑制,另一方面又使系统具有自学习和自调整模糊规则的能力,从而提高和改善了控制系统的性能.     

基于模糊神经网络系统的三相感应电机矢量控制

为实现三相感应电机稳定控制,提出了一种基于自适应模糊神经网络推理系统（ANFIS）的感应电机矢量控制方法。ANFIS结合了模糊逻辑的调节能力与神经网络的自适应能力,被广泛的应用到电机的参数估计、转速、转矩和磁链控制中。在分析感应电机工作原理的基础上,推导出其数学模型,在Matlab/Simulink上采用基于ANFIS的矢量控制对三相感应电机进行系统仿真,仿真结果表明,该控制策略转矩波动小,转速响应快,具有良好的动态和静态性能。     

电机故障诊断的智能方法论述

电机作为电能转换或传递的一种电磁装置,其故障诊断技术为电能安全转换提供了有力保障。本文首先论述了常用电机故障类型及特点,然后基于电机故障诊断领域的研究现状,具体阐述了小波包分析、人工神经网络、支持向量机、模糊理论等电机故障智能诊断方法,分析各个方法的优势和不足,最后结合当前电机故障诊断领域的研究难点,探讨该领域今后研究的发展趋势以及新的思路。     

基于BP神经网络的全贯流电机泵故障诊断

BP神经网络是一种按照误差逆向传播算法训练的多层前馈神经网络,可用于数据的运算分类及预测,在故障诊断分析方面应用广泛.全贯流电机泵特点是电机的转子代替了水泵的叶轮外壳,电机泵的电机故障特点比普通电机多且复杂.目前,全贯流泵故障诊断的研究较少,但BP神经网络算法对电机故障诊断分析的研究应用成熟.运用BP神经网络算法尝试对...     

基于遗传小波神经网络的双余度电机故障诊断

针对传统的BP神经网络在双余度无刷直流电机故障诊断算法中存在收敛速度慢和容易陷入局部最小的缺点,在对无刷直流电机常见故障深入分析的基础上,着重研究5种故障特性,提出1种故障诊断新方法.有针对性地根据统计学方法提取电机运行数据作为故障征兆.采用3层小波神经网络构成前向网络结构.针对传统误差反向传播(BP)算法选择参数和网络拓扑结构依据的不足,用遗传算法作为网络的样本学习算法,采用染色体编码对小渡基函数主要参数和网络结构参数进行优化.通过仿真试验和在微小型水下航行器上的应用表明,该算法具备较好的故障识别能力.     

基于粒子群优化的神经网络电机故障诊断系统

提取电机定予电流信号及转于振动信号,构成用于电机故障诊断网络的训练及测试样本.用BP神经网络建立诊断输入征兆与故障输出间的映射关系,引入改进粒子群优化的策略,对神经网络权值和阀值进行优化,提高了网络系统诊断的可靠性.仿真对比研究表明,经粒子群优化后的BP网络收敛速度显著提高,更适合于电机类故障诊断的要求.     

时空神经网络滚动轴承故障诊断方法

深度神经网络在故障诊断领域已有一定应用,为了进一步提高其诊断效率和准确率,本文提出了一种基于时空神经网络的滚动轴承故障诊断方法:该方法使用卷积神经网络(Convolution neural network,CNN)框架,借用深度残差网络(Residual neural network,ResNet)的网络并联法,并联CNN卷积层和循环神经网络(Recurrent neural network,RNN)的LSTM层,构建新的时空神经网络,对传感器采集的信号进行特征提取。该网络同时具备对空间域的强大学习能力和时域信号的学习能力,并且在每一层中权值共享,这使得时空神经网络参数数量较低,从而极大地避免了过拟合现象的产生,也降低了系统所占用的内存,可以高效地提取故障特征,从而提高诊断的准确率。试验结果表明:该方法比单个网络的诊断正确率提高了1.01个百分点。     

基于神经网络的故障诊断方法研究

简要介绍了故障诊断的发展历程,并分析了BP神经网络的模型,运用试验加仿真来研究基于BP神经网络的智能故障诊断方法。     

净化装置风机故障诊断的神经网络方法

说明了神经网络应用于故障诊断的基本原理。应用该方法，对某风机振动故障进行了诊断，诊断结果为不平衡和不对中，与实际情况吻合，这表明神经网络应用风机故障诊断完全可行。     

神经网络用于故障诊断的实现方法

通过深入研究人工神经网络理论,探索神经网络技术在某型飞机自动飞行控制系统(CAY)故障诊断中的应用;建立由多个子模块组成的神经网络诊断系统模型,并选择其中一个模块进行设计与训练;训练后的神经网络能很好地对自动飞行控制系统已知故障模式进行识别,实现故障诊断。     

模拟电路故障诊断的神经网络方法

给出了模拟电路软故障诊断的神经网络方法,利用蒙特卡洛分析,取其能反映故障信号特征的成分做为电路故障特征,而且在网络训练之前,利用主元分析降低了网络输入维数,再输入给神经网络,不仅优化了网络结构,并提高了辨识故障类别的能力。实验证明了这种方法的可行性与适用性。     

感应电机轴承故障检测方法研究

分析了感应电机轴承发生故障时的振动信号的特性,利用带通滤波器和希尔伯特变换,对感应电机轴承振动信号进行处理,然后采用高分辨率谱估计算法--MUSIC（Multiple Signal Classification）算法对包络信号作谱分析,再从包络信号的MUSIC谱中提取故障特征频率分量.研究结果表明,该方法频率分辨率更高,故障检测更为准确.将该方法应用于电机轴承故障诊断,可准确提取轴承故障特征分量.