基于Attention-CNN的振动信号电机转子断条识别

针对基于振动信号的转子断条诊断技术依赖于人工特征选择,泛化能力差,以及常规卷积神经网络(Convolution neural network,CNN)模型在对时序信号自动特征提取时忽略序列信息的问题,利用Attention机制对局部特征在整体表达时的度量能力,提出了一种Attention-CNN网络模型。首先通过Attention在原始信号上分配注意力,其次结合CNN进行特征提取构建网络,然后利用粒子群优化算法(Particle swarm optimization,PSO)进行网络超参数寻优,训练转子断条识别模型,最后从整体和局部两个方面进行模型评价。试验结果表明,所提出的识别模型能够达到传统诊断水平,且泛化能力高于现有方法,更适用于通过振动信号进行电机转子断条识别。

电机转子振动信号故障特征提取方法

电机振动信号具有非平稳、非线性特性,在进行时频域特征提取时需要人工确定时间窗口和基函数。针对该问题,提出一种基于EEMD(Ensemble Empirical Mode Decomposition)分解和权重熵变换的特征提取方法。该方法应用EEMD进行自适应分解,同时提取IMF(Intrinsic Mode Function)方差作为初始特征值,并提出将权重熵作为衡量特征值重要性的标准,通过权重熵对原始特征值进行空间变换,扩大特征向量间的差异。为验证该方法的有效性和优越性,对4种状态下的电机转子进行振动信号采集,用于制作转子故障数据集,并运用EEMD进行特征提取。实验结果表明,基于EEMD分解和权重熵变换的特征提取方法能够更好地从振动信号中提取特征向量,在对电机进行故障诊断时具有更高的准确性。

特征属性描述下设备的新故障零样本识别

自动化升级背景下,设备间耦合性不断提高,故障表现形式繁杂多样.单一故障不及时处理极易造成影响范围的扩大,使得事故进一步升级.为保证设备的正常运转,对传统的基于案例分析生成的故障诊断方法提出了新的要求,具体包括:低成本、长期监测、少样本或零样本故障识别.针对这些新需求,本文提出将图像处理领域中使用的零样本分类识别思想引入故障诊断领域.通过研究现有故障样本的特征参量,对其进行寻优确定用于状态监测的特征,采用模糊神经网络构成特征属性描述器,将特征描述为设备属性,再由ART网络以属性描述为基础,对设备进行长期监测的同时增量学习.即以少量设备样本或相似样本的分析为基础构建监测与学习机制,识别原有故障的同时学习并记录新类故障.为说明本方法的可行性与有效性,文章利用电机故障数据集以少量样本为先验知识构建系统,混合未知故障样本进行系统测试.实验结果表明,零样本分类思想的应用有望解决当前技术背景下设备故障诊断的新挑战.

笼型感应电机故障诊断技术综述

作为整个电力系统最重要的环节之一,感应电机有着不可替代的作用。由于运行工况十分复杂,感应电机在使用过程中会出现各种类型的故障。为了保证电机正常运行,对电机早期故障进行诊断和监测显得尤为重要。考虑未来研究的需要,针对感应电机最常见的轴承故障、定子故障和转子故障三类故障,首先总结了每种故障常用诊断方法的优势及其局限性,其次基于最常用的振动信号、电机电流信号、声信号等特征分析技术,重点论述了当前电机故障特征提取的主流方法,对各常用故障诊断方法及其改进策略做了归纳和总结,对国内外研究现状进行了全面的论述和分析,总结了各种故障诊断方法的适用场景,并对该领域未来的研究方向进行了展望,旨在给未来的研究者提供依据和思路。