Y-Δ接法分数槽永磁电机断相故障电流特征分析与诊断方法研究

星-三角(Y-△)接法的分数槽永磁电机(fractional-slot permanent magnet machine,FS-PMM)因其谐波分量低、转矩脉动小等优点在电动汽车领域具有较好的应用前景。但由于该电机中的△接绕组位于电机内部,其电流无法直接测量,故障时难以被及时发现。该文针对Y-△接法的FS-PMM内层△接绕组单相断相故障,提出一种基于电流三次谐波幅值的故障诊断方法。首先,建立△接绕组单相断相故障下的数学模x相故障的检测与故障相定位。经实验验证,所提方法能够实时准确地实现△接绕组单相断相故障诊断,且具有良好的鲁棒性。

选煤机械故障特征提取与诊断规则的研究

选煤机械由于受各种因素的影响,且在长期的运行过程中难免会发生各类的故障。这些故障不仅会导致生产效率下降,而且还可能造成经济损失、环境污染等重大安全事故。因此,确保生产安全,提高经济效益,实现煤炭产业可持续发展,对选煤机械进行有效的故障特征提取和诊断具有十分重要的意义。

基于振动信号的滚动轴承复合故障诊断研究综述

滚动轴承是旋转机械的关键部件。工作原理与工作环境决定了其具有易损、易耗特点。对其进行故障识别与诊断是保证设备运行安全可靠的必要手段。在工程应用中,轴承复合故障发生率高于单一故障,且特征识别较为困难。文章面向基于振动信号的滚动轴承复合故障诊断领域,按照传统诊断、智能诊断分类,从算法历程、基本原理、应用效果、算法优缺点等角度,对各种诊断方法进行了论述和分析,对轴承复合故障诊断方法的研究趋势进行展望。

基于主成分分析的多域特征融合轴承故障诊断

针对复杂工况下难以区分轴承故障状态的问题,提出一种基于主成分分析的多域特征融合轴承故障诊断方法。采集轴承振动加速度信号,提取轴承时域新量纲一化特征、频域幅值谱特征和时频域经验模态分解特征共13维特征用于完整表征轴承状态;利用主成分分析方法对所提取特征融合与降维,降低诊断模型复杂度与数据分析难度;最后,选择合适的卷积神经网络进行分类,通过石化机组故障诊断实验平台进行验证。结果表明:多域融合特征相对于单域特征诊断效果更好,卷积神经网络分类模型相对于其他经典分类模型诊断准确率更高,融合诊断分类方法整体诊断准确率达到86%。

基于改进层次斜率熵(IHSloE)的信号低频和高频故障特征提取方法

采用传统的基于粗粒化处理的多尺度特征提取方法,无法提取故障信号中的高频部分的故障信息,导致其提取到的故障特征难以准确地表征滚动轴承的故障状态和动态特性,无法保证故障诊断的可靠性和准确性。针对该缺陷,提出了一种基于改进层次斜率熵(IHSloE)和随机森林(RF)的滚动轴承故障诊断方法。首先,利用改进层次化处理代替粗粒化处理,实现了信号的多尺度分析目的,基于斜率熵,提出了改进层次斜率熵的非线性动力学指标;随后,利用IHSloE方法提取了滚动轴承振动信号的故障特征,建立了表征滚动轴承故障特性的故障特征;最后,基于RF模型建立了多故障分类器,并将故障特征输入至RF分类器进行了训练和测试,以实现滚动轴承的故障识别目的;利用滚动轴承数据集进行了实验,并将其与其他的故障特征提取指标进行了对比。研究结果表明:IHSloE方法采用改进的层次化处理,能够快速有效地提取出振动信号中的高频故障特征,诊断准确率达到了99%,而特征提取时间仅为149.35 s;相较于采用粗粒化处理和层次处理的特征提取方法,其准确率至少提高了2%和1%,证明该方法适用于滚动轴承的故障诊断。

光伏阵列故障诊断的可解释性智能集成方法

针对现有光伏阵列故障检测和诊断智能方法存在的泛化性不强、可解释性差的问题,提出了一种可解释性智能集成方法。对采集的光伏阵列输出时序电压、电流波形进行特征挖掘,并将多个已成熟应用于光伏故障诊断的智能算法作为不同基学习器与元学习器,构建结合不同智能算法优势且更具泛化性的Stacking集成学习模型;以沙普利可加性特征解释方法为总框架,并结合局部近似可解释性方法,对模型训练过程与结果进行解释分析,通过获取各特征的贡献、分析该集成模型的决策机制,并了解其如何进行诊断,提高其可靠度和可信度。算例实验结果表明,所提可解释性智能集成方法在不同规模数据集的测试中均实现了高精度的故障诊断,模型的可解释性结果表明由该智能集成模型建立的故障特征和诊断结果的映射遵循物理见解,增强了智能方法的可信度和透明性。

基于多尺度特征匹配的矿井排水系统故障诊断算法

矿井排水系统的高效运行对于煤矿生产具有重要意义,然而,故障的发生会导致排水系统运行异常,进而影响生产安全和效率。提出了一种基于多尺度特征匹配的矿井排水系统故障诊断算法。该算法首先通过传感器获取到实时的矿井排水系统数据,并对其进行预处理和特征提取。然后,采用多尺度特征匹配方法,将数据特征映射到不同的尺度空间中。在每个尺度空间中,通过构建特征匹配模型,将当前数据与已知的正常运行数据进行比对,以判断是否存在故障。为了提高故障诊断的准确性和鲁棒性,引入集成学习方法,通过集成多个尺度空间的特征匹配结果,并利用投票机制进行综合决策,最终确定矿井排水系统的故障类型和位置。研究表明:所提算法在矿井排水系统故障诊断方面具有良好性能,与传统方法相比,该算法能够高效地检测故障,有助于及时准确地发现和解决矿井排水系统问题,对于确保矿井安全生产具有一定的意义。

鼠笼异步电机多故障智能诊断基本研究

围绕鼠笼式异步电动机的结构、工作原理及其多故障智能诊断技术进行了深入研究。介绍了鼠笼电机的构造和基本工作原理,包括其定子和转子的主要组成部分,以及电机的起动和运行机制。分析了鼠笼电机可能出现的机械和电气性质故障,如转子断条和轴承故障,并推导了相应的故障特征频率分量,阐述了其在故障诊断中的作用。指出了鼠笼电机故障诊断的难点和现有技术的局限性,并提出了基于参数测定和机器学习技术的智能诊断方法。强调了智能故障诊断技术在保障工业生产连续性和安全性方面的重要性,并展望了未来的研究方向和技术发展。

基于人工智能声纹识别技术的变压器故障诊断及定位方法

本文探讨了一种基于人工智能声纹识别技术的变压器故障诊断及定位方法,该方法通过采集变压器的声纹信号,提取特征并进行分类,实现故障的快速诊断和定位。文章介绍了声纹识别技术的基本原理及其在变压器故障诊断中的应用前景以及技术优势和挑战。然后详细阐述了故障诊断和定位的方法和流程,其中包含了声纹信号采集、预处理、特征提取、分类等步骤。通过实验验证了该方法的可行性和有效性。实验结果表明,相比传统方法,该方法具有更高的准确性和鲁棒性,能够快速诊断出变压器的故障类型,并准确定位故障原因和位置。

基于故障诊断的电子电力技术中特征提取方法研究

本文归纳了近期在找出症结时使用的特点采集的一些方法,分析主要元素,进行特点采集,并结合单调特征提取样本集,提出了基于故障诊断的电子电力技术中特征的提取方法。

计算机硬件设备故障诊断与维修方法实践研究

计算机由硬件设备与软件系统所组成,搭配着相关应用软件来使用,计算机是20世纪最伟大的发明之一,世界上第一台计算机于1946年问世,名为“ENIAC”(中文名:埃尼阿克)。当前计算机经过长期发展已经普及至人们的工作、学习、生活当中,人们对计算机的使用频率越来越频繁,因此计算机的稳定、可靠运行是信息化建设的重中之重,人们对计算机的“无故障时间”的要求越来越严格。基于此,本文就计算机硬件设备故障诊断与维修加以论述。

矿井提升机故障特征参数诊断方法研究

矿井提升机的安全、高效运行对提高煤矿企业的安全等级以及生产效率起着至关重要的作用。矿井提升机一般都是在垂直或者倾斜的高速状态下运行,且提升高度很大。一旦提升系统出现故障,必将严重影响煤矿的经济效益,甚至危及到矿工的生命安全。因此,对矿井提升机的运行状态监测及方法进行研究,进而预防可能发生的故障显得十分必要。

基于多维贝叶斯的造纸过滤筛钻铣数控机床故障诊断方法

钻铣数控机床是现代造纸过滤筛加工的主要设备,一旦该设备出现故障,过滤筛钻孔精度就会受到极大影响。面对这种情况,研究一种基于多维贝叶斯的造纸过滤筛钻铣数控机床故障诊断方法。采集钻铣数控机床工作过程中的振动信号和电流信号并降噪处理。提取信号时域特征和频域特征,分别为波形因子、偏度、重心频率、频率均方根,组成特征向量。构建多维贝叶斯模型并进行训练,输入特征向量到模型中,计算似然函数值,找出其中极大值,极大值对应的故障类型就是诊断结果。结果表明:所研究方法用于,钻铣数控机床1存在机床装置故障;钻铣数控机床2存在伺服系统故障;钻铣数控机床3存在润滑装置故障;钻铣数控机床4存在液压装置故障;钻铣数控机床5无故障。检测结果与实际情况一致,由此证明了所研究诊断方法的准确性。

齿轮箱故障诊断特征级数据关联方法研究

提出了齿轮箱故障诊断特征级数据关联的定义．在该定义的基础上，提出了基于Bootstrap方法的小样本诊断特征参数关联的方法．利用某型齿轮箱振动试验台测取的振动加速度响应信号对提取的特征参数进行了关联评估，基于Bootstrap方法的特征级数据关联方法正确区分出了效果不好的特征参数，证实了该数据关联方法的正确性．

以模糊聚类标准谱与灰色关联序诊断变压器内部故障的方法研究

通过对变压器故障和以 DGA为特征量的症状之间难以量化的模糊和灰色特征的分析 ,采用模糊聚类分析方法获取 c个聚类中心 ,根据聚类中心的物理和数学意义 ,这 c个聚类中心组成变压器故障诊断的标准谱 ,利用灰色关联分析原理 ,求出待诊模式与各标准模式的关联序 ,实现故障诊断 ,进而提出了灰色关联分析和模糊聚类相结合的变压器故障诊断新方法。并经实例证明 。

EEMD方法在转子碰摩故障诊断中的研究

转子系统发生局部碰摩故障时,故障特征呈现出复杂的高倍频或分数倍频成分。为了实现多频率碰摩故障特征的有效提取,将集合经验模态分解方法(ensemble empirical mode decomposition,EEMD)应用到转子局部碰摩故障诊断中。首先利用仿真碰摩信号,验证了EEMD时频分析方法在碰摩故障诊断的有效性,其次通过对转子系统水平方向碰摩、竖直方向碰摩、水平-竖直同时碰摩和正常4种不同振动状态的EEMD分解,计算基本模态分量(IMF)的振动强度,得出不同状态的振动强度趋势分布图。实验结果表明,EEMD方法能够从强噪声背景信号中提取出微弱碰摩特征,实现转子系统的碰摩故障诊断。

周期簇稀疏特征提取方法及其在机械故障诊断中的应用研究

针对近年来机械故障诊断对于微弱故障特征稀疏性表征的迫切需求,本论文将不同观测域下的稀疏成分表示和分离作为切入点,研究了小波展开域上的柔性超小波自动诊断技术,探索了旋转机械周期簇稀疏特征提取的非凸稀疏正则优化理论、复合故障耦合特征的稀疏成分同步分离算法等关键科学问题和工程实用技术。

全矢融合的二元PELCD样本熵列车故障诊断

长期高速运行的服役状态会造成高速列车转向架关键部件性能蜕化甚至发生故障等情况,所导致的安全事件将造成严重的经济损失甚至人员伤亡。考虑到高速列车振动信号的特性,将部分集成的局部特征尺度分解方法拓展至二元信号处理领域,同时结合全矢谱理论对同阶分量信号进行信息融合,得到更加完备的数据特征,并对融合后的数据进行样本熵特征提取,得到列车的故障特征;采用灰狼优化算法对支持向量机进行参数寻优,通过实验对比单一故障工况、复合故障工况以及部件性能退化下的故障识别率,验证所提方法的有效性、优越性。

基于监督对比学习和混合注意力残差网络的隔膜泵单向阀故障诊断

由于工业生产环境中的强噪声和其他环境激励,隔膜泵单向阀不同故障的特征呈现一定的相似性,导致传统深度学习方法对单向阀的故障状态难以准确识别。为解决这一问题,提出了一种结合监督对比学习和混合注意力残差神经网络(HA-ResNet)的隔膜泵单向阀故障诊断方法。首先,将注意力机制引入了残差神经网络以提升网络的学习能力,自适应调节了重要但微弱特征权重,并以恒等变换减少了有效信息被抑制现象;其次,提出了加权“监督对比损失(SCL)+交叉熵(CE)损失”,调节单向阀不同故障状态数据之间的距离,明确了单向阀不同故障状态的分类边界与降低噪声或环境激励的干扰;最后,通过工程实测数据,对监督对比学习和HA-ResNet融合方法的有效性和稳定性进行了验证。研究结果表明:监督对比学习和HA-ResNet融合方法在隔膜泵单向阀验证集上的平均准确率达到了99.3%;与其他故障诊断方法相比,其在诊断精度和稳定性上都具有一定的优势,验证了该方法在噪声干扰条件下故障诊断的可靠性。

电动阀门故障特征分析及检测方法研究

针对核电站电动阀门故障多发且故障类型多样的情况,通过分析电动阀门结构和动作原理,对电动阀门典型故障原因和故障信息表现形式进行了分析,研究了适用于电动阀门故障探测的信号探测方法,结合对获取的各类型信号的数据分析和处理,提出了电动阀门信号处理及特征量分析方法,通过提取电动阀门故障特征量,进一步表征阀门的故障状态。结合实际的阀门运行状态测试,表明提取的特征量能够反应电动阀门的真实故障,为电动阀门故障诊断和故障趋势分析奠定了技术基础。