Broken Rotor Bar Fault Diagnosis of Induction Motors Using a Hybrid Bare-bones Particle Swarm Optimization Algorithm

在传统定子电流频谱分析中,感应电机转子断条故障特征经常被基波分量淹没而无法准确检测。针对该问题,提出一种基于混合骨干微粒群优化算法的转子断条故障诊断新方法。该方法首先根据电流信号与单位余弦基函数的内积最大准则,利用混合骨干微粒群算法强大的全局搜索能力,准确估计出基波波形参数;然后利用波形参数构造出基波表达式,并将其从原电流信号中剔除,达到突出故障特征的目的。针对微粒群算法在进化后期收敛缓慢的缺点,通过K–均值聚类方式,引入单纯形法对其进行改进,使整个算法的广度探索与深度开发能力得到了有效均衡。最后,对模拟数据和实测信号进行实验,结果验证了所提方法的有效性和优越性。

A Fault Diagnosis Approach for Broken Rotor Bars Based on EMD and Envelope Analysis

Empirical Mode Decomposition (EMD) used to deal with non-linear and non-stable signals,is a time-frequency analytical method that has been developed recently. In this paper the EMD method is used to filter the noise from the stator current signal that arises when rotor bars break. Then a Hilbert Transform is used to extract the envelope from the filtered signal. With the EMD method again,the frequency band containing the fault characteris-tic-frequency components,2sf,can be extracted from the signal's envelope. The last step is to use a Fast Fourier Trans-form (FFT) method to extract the fault characteristic frequency. This frequency can be detected in actual data from a faulty motor,as shown by example. Compared to the Extend Park Vector method this method is proved to be more sen-sitive under light motor load.

Online Detection of Broken Rotor Bar Fault in Induction Motors by Combining Estimation of Signal Parameters via Min-norm Algorithm and Least Square Method

Current research in broken rotor bar （BRB） fault detection in induction motors is primarily focused on a high-frequency resolution analysis of the stator current. Compared with a discrete Fourier transformation, the parametric spectrum estimation technique has a higher frequency accuracy and resolution. However, the existing detection methods based on parametric spectrum estima- tion cannot realize online detection, owing to the large computational cost. To improve the efficiency of BRB fault detection, a new detection method based on the min-norm algorithm and least square estimation is proposed in this paper. First, the stator current is filtered using a band-pass filter and divided into short overlapped data windows. The min-norm algorithm is then applied to determine the fre- quencies of the fundamental and fault characteristic com- ponents with each overlapped data window. Next, based on the frequency values obtained, a model of the fault current signal is constructed. Subsequently, a linear least squares problem solved through singular value decomposition is designed to estimate the amplitudes and phases of the related components. Finally, the proposed method is applied to a simulated current and an actual motor, the results of which indicate that, not only parametric spectrum estimation technique.

Broken Rotor Bar Fault Detection of Induction Motors Using a Joint Algorithm of Trust Region and Modified Bare-bones Particle Swarm Optimization

A precise detection of the fault feature parameter of motor current is a new research hotspot in the broken rotor bar(BRB) fault diagnosis of induction motors. Discrete Fourier transform(DFT) is the most popular technique in this field, owing to low computation and easy realization. However, its accuracy is often limited by the data window length, spectral leakage, fence e ect, etc. Therefore, a new detection method based on a global optimization algorithm is proposed. First, a BRB fault current model and a residual error function are designed to transform the fault parameter detection problem into a nonlinear least-square problem. Because this optimization problem has a great number of local optima and needs to be resolved rapidly and accurately, a joint algorithm(called TR-MBPSO) based on a modified bare-bones particle swarm optimization(BPSO) and trust region(TR) is subsequently proposed. In the TR-MBPSO, a reinitialization strategy of inactive particle is introduced to the BPSO to enhance the swarm diversity and global search ability. Meanwhile, the TR is combined with the modified BPSO to improve convergence speed and accuracy. It also includes a global convergence analysis, whose result proves that the TR-MBPSO can converge to the global optimum with the probability of 1. Both simulations and experiments are conducted, and the results indicate that the proposed detection method not only has high accuracy of parameter estimation with short-time data window, e.g., the magnitude and frequency precision of the fault-related components reaches 10^(-4), but also overcomes the impacts of spectral leakage and non-integer-period sampling. The proposed research provides a new BRB detection method, which has enough precision to extract the parameters of the fault feature components.

供电电压闪变对异步电动机转子故障在线检测的影响及应对

供电电压闪变可能对异步电动机转子故障在线检测产生不利影响,导致基于定子电流信号分析(motor current signature analysis,MCSA)的转子故障在线检测方法失效。通过理论分析,揭示供电电压闪变恶化转子故障在线检测性能的机制。提出免于供电电压闪变影响的异步电动机转子故障在线检测方法,首先,根据转子故障主特征频率分量预判转子健康或故障;继而,根据转子故障独有的辅助特征频率分量进一步确认转子健康或故障。仿真与实验结果证明了该方法的有效性。

基于小波包能量分析和信号融合的异步电机转子故障诊断

为提高异步电机转子故障诊断的可靠性,文中介绍了一种基于小波包能量分析和信号融合的异步电机转子故障诊断方法。采用定子电流信号和振动信号的频谱特征融合作为转子断条以及气隙偏心故障的诊断依据,首先对信号进行小波包分解,获得不同小波包频带节点下对应的能量分布,并与正常电机信号进行比较,进而对能量异常的信号频段进行小波包节点重构,最后通过快速傅里叶变换识别故障特征频率,诊断电机故障是否发生。通过仿真分析,验证了该方法的有效性和实用性,对于电机运行状态的准确监测具有重要意义。

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。

融合TKEO和Goerztel算法的感应电机转子断条故障诊断

针对电机电流信号特征分析进行转子断条故障诊断时,在低负载工况或早期,转子断条故障存在故障特征微弱以及难以分离等问题,同时需借助速度传感器获取转速信息,增加了硬件成本,该文提出了融合Teager-Kaiser能量算子(TKEO)和Goertzel算法的感应电机转子断条故障诊断方法。首先,采用Teager-Kaiser能量算子对定子电流进行解调处理,将基频分量转化为直流分量并去除,实现边带故障特征分量到转子断条故障特征分量以及固有偏心谐波分量到转子速度谐波分量的转变,抑制基频频谱泄露对故障诊断和转速估计造成的干扰;其次,利用Goertzel算法对归一化解调信号进行频谱分析,完成转子断条故障特征分量和转子速度谐波分量的快速提取,进而实现不同负载和不同严重程度工况下转子断条的故障诊断。此外,与归一化频域能量算子进行比较,分析其计算效率和稳定性。实验结果表明,所提方法在不同负载和不同严重程度工况下均能够有效地识别转子断条故障特征分量,并且计算量少、可靠性高、实时性强以及硬件成本低。

基于ESPRIT-PSA与LightGBM算法的感应电动机转子断条数目诊断新方法

提出一种基于旋转不变信号参数估计技术ESPRIT(Estimation of signal parameters via rotational invariance technique)、模式搜索算法PSA(Pattern search algorithm)与轻型梯度提升机LightGBM(Light gradient boosting machine)结合的感应电动机转子断条数目诊断新方法。模拟了转子断条故障下的瞬时无功功率信号并用其衡量ESPRIT-PSA的性能。结果表明:ESPRIT-PSA只需短时数据就能准确测量瞬时无功功率信号中的转子断条故障特征分量。随后,为解决现有的电机瞬时无功功率信号分析MIRPSA(Motor instantaneous reactive power signal analysis)类方法无法准确诊断转子断条数目的问题,引入LightGBM对转子断条故障进行多分类以准确诊断转子断条数目。最后针对一台异步电动机进行转子断条诊断实验,结果表明:该方法是有效的,并且因将瞬时无功功率作为分析信号而适用于电机低转差率的情况。

高速列车牵引电机转子断条和速度传感器联合诊断方法

为提升高速列车牵引系统的稳定性和可靠性,针对其牵引电机提出一种基于未知输入观测器的转子断条和速度传感器故障联合诊断方法.首先,通过非奇异坐标变换,将牵引电机系统解耦为两个分别只包含转子断条故障和速度传感器故障的子系统,实现转子断条故障与速度传感器故障的解耦,并进一步利用一阶低通滤波器将含速度传感器故障的子系统转化为增广系统.其次,对含转子断条故障的子系统和速度传感器故障增广系统分别设计未知输入区间观测器和未知输入滑模观测器.在此基础上,采用未知输入区间观测器上界和下界构建转子断条故障诊断的检测变量和自适应阈值,利用未知输入滑模观测器的等效输出控制原理实现速度传感器故障估计.最后,通过仿真和TDCS-FIB平台实验验证了所提方法的有效性和鲁棒性.

三相鼠笼异步电机转子断条故障检测

针对转子断条故障信号易被基波淹没,故障特征不易提取及容易误判等问题,提出在空载低压运行状态下通过基于奇异值增长率的SVD-Prony算法检测转子断条故障。在研究转子断条故障特征及转子槽谐波测速机理的基础上,给出了整数倍转子槽数的理论计算公式及转子断条故障信号频率与转子槽谐波频率的关系表达式,并通过转子槽谐波频率验证转子断条故障信号的正确性,以此提高转子断条故障检测的有效性。通过仿真,验证了所提方法的有效性和实用性,对电机转子断条故障检测研究具有重要意义。

基于故障特征分析的笼型电机转子断条故障诊断方法综述

笼型电机在运行过程中,电气、机械、热、磁和环境应力均可能导致其出现故障。开发一种可靠且高效的笼型电机故障诊断技术逐渐成为一项重要的研究课题。转子断条故障是笼型电机关键故障之一,会影响笼型电机的正常工作,需要对转子断条进行监测,及时发现潜在故障并预警。针对该问题,从电流信号、电压信号、振动信号和声信号这几方面进行分析,对现有的转子断条故障诊断技术进行梳理、归纳,并将各类方法的优势和局限性进行对比分析,总结了笼型电机转子断条故障诊断技术存在的主要问题,并对未来发展趋势进行了展望,旨在给该领域研究人员提供研究思路。

升船机驱动电机匝间短路与断条故障诊断

为保证升船机的可靠运行,降低由电机故障引起升船机系统性瘫痪的风险,文章对驱动电机匝间短路与转子断条故障进行仿真分析并提出诊断方法。首先根据驱动电机相关参数对驱动电机进行设计,采用Maxwell RMxprt对电机进行参数化建模,并生成Maxwell 2D模型,验证模型的正确性与合理性。然后分析匝间短路与转子断条故障的产生机理,设计故障电机模型,对正常与故障电机模型进行仿真,对比分析电机在正常与故障状态下各参数的变化。最后采用Park变换及SVM分别对驱动电机匝间短路和转子断条进行诊断。结果表明所设计的诊断方案具有准确性与可靠性。

异步电动机转子断条失效诊断研究与发展概况

介绍了异步电动机转子断条故障下对电机性能的影响分析,以及当前主流故障分析原理和实现途径,最终为转子断条故障诊断提供了指南,为大中型异步电动机稳定运行和维护提供了重要参考。

笼型异步电动机转子断条故障检测新方法

计及实际电机本身所固有的非对称、气隙偏心、转子不对中及其它因素,进行高灵敏度、高可靠性的笼型异步电动机转子断条故障检测,是一个亟待解决并颇具工程意义的研究课题,该文即以此作为研究重心。首先完成了笼型异步电动机转子断条故障数字仿真与物理实验。通过分析仿真与实验结果,总结出在转子断条故障检测实践中保证其灵敏度与可靠性的原则及方法。在此基础上,首次将连续细化傅里叶变换、自适应滤波、转子齿槽谐波转差率估计、检测阈值自整定技术有机结合,形成了笼型异步电动机转子断条故障检测新方法。实验结果表明,该方法是切实可行的。

基于Hilbert模量频谱分析的异步电机转子断条故障研究

转子绕组断条是异步电机最常见故障之一。在分析当前主要诊断方法的基础上,提出Hilbert模量频谱分析方法对异步电机转子断条故障进行研究。将Hilbert模量定义为原始信号与其共轭信号的平方和,利用Hilbert模量将原相电流中的基波分量转变为直流分量,原频谱分析的转绕组断条的故障特征分量转变为频率为二倍转差频率的电流分量,决了相电流频谱分析方法中断条故障特征成分容易被基波湮没而难以突出故障特征的问题。文中研究了Hilbert模量频谱分析方法的原理和实现方法,并对偏心故障电机和转子断条电机分别进行仿真和实验研究。仿真分析和实验结果均表明,该方法对异步电机转子断条故障诊断具有较高的诊断精度和很好的频率分辨率,能克服传统的电流频谱法主频泄漏的影响,且工程实现方便。

基于双PQ变换的感应电机转子故障诊断

提出了基于双PQ变换的感应电机转子故障诊断新方法。该方法以三相基波正序电压及其希尔伯特变换构造PQ变换矩阵,用其对定子三相电流进行变换,得到电机有功功率P及无功功率Q。由于正常电机P、Q均恒定,在PQ坐标系下对应1个点;故障电机则由于P、Q中附加频率为2sfs(s为转差率,fs为电网频率)的波动分量而对应于1个椭圆。通过比较电机正常及转子断条故障运行时的P、Q在PQ坐标系下对应的模式,可以实现转子断条故障的可靠检测。选择转子断条电机在PQ坐标系下对应椭圆的长轴为故障特征,椭圆中心与空载运行点之间的距离为归一化基准值,得到了1个近似独立于电机惯量及负载等级的故障严重因子。实验结果证明了该方法的有效性。

LMS滤波法在笼型异步电机转子断条诊断中的特征

在诊断笼型异步电机转子断条故障时,可以通过对定子电流的频谱分析来提取代表故障特征的边频分量。为克服实际诊断中直接做快速傅里叶变换(fast fourier transformation,FFT)频谱分析存在的边频分量被主频量掩盖的缺陷,采用最小均方误差(least mean square,LMS)自适应滤波法滤除主频量再做FFT频谱分析,以突出边频分量。给出了转子断条故障诊断中LMS滤波原理及滤波器参数确定,详细分析了电机不同运行转差率下LMS滤波对边频量的采样规律和等效采样周期。结果表明,当依主频设定的固定采样周期采样电机电流时,LMS滤波是通过对边频分量在不同周波的不同位置采样拟合出完整周波,等效采样周期随转差率变化,且一般至少比设定的固定采样周期小一个数量级。

多断条笼型转子感应电动机导条电流分布

为研究转子断条感应电动机的导条电流分布问题,采用基于拓展的综合矢量法建立了易于求解的数学模型。其数学模型的暂态及稳态仿真运行揭示了导条电流分布特征及最大导条电流与断条数量、相对位置的关系。结果表明,导条电流随空间变化的周期为一对极;具有最大电流的导条位置与断条相邻或相距一对极距;在多断条情况下,最大导条电流数值随断条位置而改变;当断条相对位置为一对极距时,最大导条电流达到相应断条数目的最高值;在特殊断条位置情况下,所有正常导条电流数值相等。所得研究结果有助于对感应电机在线故障诊断作正确评估。

笼型异步电动机转子断条数目诊断新判据

笼型异步电动机一旦发生转子断条故障,在其定子电流中将出现边频分量。当前已提出Filippetti判据等基于定子电流边频分量的转子断条数目诊断判据,但其准确性有待改进。该文从定子电流边频分量的产生机理入手,推导出转子断条数目诊断新判据。相对于Filippetti判据而言,新判据具有普遍性,可以视为Filippetti判据的推广。新判据同时考虑了导条间电流对转子断条数目诊断的影响。针对一台Y100L-2型三相异步电动机(3kW,380V,50Hz)完成了转子断条故障实验。实验结果表明新判据在准确性方面得以改进。