基于人工神经网络的同步电机转子匝间故障在线诊断

本文介绍了一种基于人工神经网络的同步电机转子短路故障的在线诊断方法。文中论述了该诊断方法的神经网络模型、自适应学习训练算法、诊断电路原理。用该方法诊断转子绕组故障，不依赖同步电机数学模型及其结构参数。

基于人工神经网络的同步电机转子匝间故障在线诊断

介绍了一种基于人工神经网络的同步电机转子短路故障的在线诊断方法。论述了该诊断方法的神经网络模型、自适应学习训练算法及诊断电路原理。用该方法诊断转子绕组故障，不依赖同步电机数学模型及其结构参数，具有实用价值。

浅谈发电机转子匝间故障在线监测新方法

本文主要针对发电机转子匝间故障监测问题进行分析。阐述了发电机转子匝间故障监测的目的及意义,对发电机转子匝间故障原因进行分析,其中就谐波算法问题进行详细分析。并根据现行主流的谐波算法模式,对其进行了整体的简化改进。

基于二维CNN与多源机电信息融合的同步电机转子匝间短路故障诊断方法

为提高同步电机转子绕组匝间短路故障的诊断准确率,以一台型号为SDF-9的一对极同步发电机为研究对象,提出了一种基于二维卷积神经网络(Convolutional Neural Networks, CNN)与多源机电信息融合的匝间短路故障诊断方法。首先选取故障前后的定子环流、转子振动、定子振动信号为故障特征,采用信号-图像转换方法将一维时序信号转化为二维灰度图像。其次将处理后的图像分别作为二维CNN模型的前置输入进行训练。最后采用D-S证据理论将3种证据体的输出概率进行决策融合。结果表明:该方法消除了单一信号易受传感器故障及环境变化的影响,故障诊断准确率显著提高,并与其他传统故障诊断算法的诊断结果进行对比分析,验证了此方法的有效性。

一种基于CGAN-CNN的同步电机转子绕组匝间短路故障诊断方法

由于同步电机故障样本数量较少,为解决同步电机故障诊断中普遍存在的样本不平衡问题,提出了一种基于条件生成式对抗网络(CGAN)和卷积神经网络(CNN)的同步电机转子绕组匝间短路故障诊断方法。首先,对传感器收集到的数据进行预处理,对正常样本和故障样本分别添加标签后输入CGAN中生成大量新样本,将生成的新样本与原始样本混合并划分训练集和测试集;然后,利用CNN训练平衡后的数据集,充分、精准地提取有效故障特征;最后,在输出端利用Softmax分类器输出故障分类结果。通过实验证明,与非平衡数据集相比,利用平衡数据集后的故障识别准确率十分稳定且达到99.5%以上,同时与平衡的原始样本数据相比,生成样本避免了噪声和其他干扰,故障诊断的准确率也更高。

基于Clarke矢量模变换的双馈式感应发电机转子匝间短路故障频谱特性的仿真分析

Clarke变换是交流电机分析计算时的一种常用的坐标变换。通过该变换,可以得到三相交流绕组电流、两相交流绕组电流之间的等效关系。在此基础上,提出了一种基于Clarke矢量模变换的双馈式感应发电机转子匝间短路故障检测方法。根据多回路理论,在MATLAB中编写M函数建立起双馈电机的数学模型,对转子绕组匝间短路故障进行了仿真,并对仿真结果的频谱特性进行了分析。仿真结果表明,在低转差的情况下,与传统的定子电流频谱诊断方法相比,该方法能够避免因转差率太小而引起的故障分量被基波分量淹没的情况,有效提高了检测的准确性。

基于定子平均瞬时功率频谱特性的双馈风力发电机转子匝间短路的仿真分析

转子匝间短路故障是双馈风力发电机的易发故障之一,在低转差的情况下,传统定子电流频谱中的(1±2s)f故障特征分量易被基波分量淹没,从而影响诊断的准确性。针对上述情况,提出了一种基于定子平均瞬时功率频谱特性的双馈风力发电机转子匝间短路故障检测方法。同时,在MATLAB中根据多回路理论编写相应的M函数建立起双馈电机的数学模型,对转子绕组匝间短路故障进行了仿真,通过仿真结果中的定子电压和电流构建起定子平均瞬时功率,并对定子平均瞬时功率的频谱特性进行分析。仿真结果表明,该方法不仅能够避免因转差率太小而引起的故障分量被基波分量淹没的情况,而且与传统的瞬时功率方法相比,由于其没有过多的特征频率,因此频谱更为整洁,能够有效提高检测的准确性。