基于ICEEMDAN多尺度熵与NGO-HKELM的转子故障诊断

针对电机转子故障信号非平稳、敏感的故障特征不能有效提取,传统分类器参数智能优化算法存在优化速度慢、调整参数多、易陷入局部最优等问题提出基于ICEEMDAN-MSE-KPCA与NGO-HKELM优化的转子故障诊断方法。首先,采用改进的自适应噪声完全集合经验模态分解(improved complete empirical mode decomposition with adaptive noise,ICEEMDAN)方法对转子振动信号进行分解和重构;计算重构信号的多尺度样本熵(multiscale sample entropy,MSE),形成特征向量,通过核主成分分析(kernel principal component analysis,KPCA)方法对高维的特征向量进行降维;最后,将降维后的特征向量输入北方苍鹰算法(northern goshawk optimization,NGO)优化的混合核极限学习机(hybrid extreme learning machine,HKELM)进行转子故障分类。研究结果表明,基于ICEEMDAN-MSE-KPCA与NGO-HKELM优化的转子故障诊断模型,平均识别准确率可达97.7273%,平均寻优时间为1.0681 s,收敛速度快、准确率高以及分类效果好。

转子系统常见故障诊断方法分析

本文介绍了转子系统常见的几种故障。

改进的VMD方法及其在转子故障诊断中的应用

针对转子系统油膜失稳的诊断问题以及变分模态分解(VMD)的端点效应问题,提出一种利用互信息准则进行波形匹配和端点延拓的改进VMD方法,并通过分析各分量的Hilbert谱诊断油膜失稳状态.结果表明:该方法具有良好的多分量信号分解能力和端点效应抑制效果,能有效诊断出油膜涡动的发生时刻以及发展变化特点;当单盘转子发生1阶油膜振荡时,频谱中转频和振荡频率的幅值突出,同时会出现与两者相关的组合频率成分,对准确、可靠地诊断油膜失稳具有重要意义.

基于最小二乘支持矢量机的异步电机转子故障诊断研究

提出了一种采用最小二乘支持矢量机构造异步电机转子多故障分类模型的方法。首先通过对采样的定子电流进行快速傅里叶变换,所得频谱经一致化处理后作为支持矢量机的输入参数,然后利用1对1策略构造了转子多故障分类器,经训练后可以对四种不同转子故障进行识别。文中还分析了惩罚因子、核函数和子分类器输出融合策略对分类准确性的影响,指出高斯径向基函数和混合矩阵融合策略可以提高诊断精度。实验结果表明,该模型具有很好的分类精度和泛化能力。

基于感应电机启动电磁转矩Hilbert-Huang变换的转子断条故障诊断

该文提出了一种感应电机转子故障诊断新方法。当感应电机转子出现断条故障时,转子绕组的不对称将会使电磁转矩谱中引入2sfs(s为转差率,fs为电网频率)谐波分量。利用Hilbert-Huang变换中经验模态分解(EMD)方法对启动电磁转矩信号进行了分解,得到若干本征模态函数(IMF)。通过计算包含故障信息的IMF分量的瞬时频率,可以检测出转子断条故障。同时,根据包含故障信息的IMF的幅值可以进一步判断出转子断条根数。实验结果证明该方法是可行的。

基于灰色关联和D-S证据理论的感应电转子故障诊断

针对单一的灰色关联或D-S证据理论在转子故障诊断中存在的不足,将灰色关联和D-S证据理论相融合的决策级信息融合方法应用到感应电机转子故障诊断中;首先用灰色关联对故障进行初步诊断,然后,将灰色关联分析的诊断输出结果作为D-S证据理论的基本概率分配,最后,依据证据组合规则进行合成,得出转子故障的最终诊断结果;实验仿真结果验证了方法在转子故障诊断中的有效性,可以减小诊断的不确定性,提高故障的诊断准确率和诊断精度。

鼠笼型异步电动机转子故障诊断新方法

通过频谱分析看定子电流中是否存在(1±2s)f1频率分量来确定鼠笼型异步电动机转子是否故障的方法得到了广泛的应用,但是由于(1±2s)f1频率分量的幅值相对于基频f1分量的幅值非常小,且频率(1±2s)f1与频率f1在频谱图上非常接近,使得这种方法存在诊断灵敏度低和对采样分辨率要求高的缺点。利用异步电动机定子单相瞬时功率信号中含有的信息量丰富的特点,提出了一种基于定子单相瞬时功率信号频谱分析的诊断鼠笼型异步电动机转子故障的新方法。该方法首先把单相瞬时功率信号中的直流分量过滤掉,然后利用快速傅立叶变换看信号频谱图中是否存在2sf1故障特征量来判断鼠笼转子有无故障,具有故障特征信息多、诊断灵敏度高、对采样分辨率要求低的优点。文中用数字仿真和实测结果验证了该方法的有效性,并给出了导条断裂根数和故障特征分量2sf1与2倍频分量幅值之比的对应关系。

基于改进LS-SVM的异步电机转子故障诊断

为了提高异步电动机转子故障的诊断精度,给出了一种基于改进最小二乘支持向量机(LS-SVM)的多故障分类算法。首先运用FFT处理电机的定子电流信号得到信号频谱图,从中提取故障特征向量;然后将特征向量送入改进算法进行故障诊断时,在原有多分类算法的基础上引入层次分析法确定故障类别的权重,根据权重值确定故障的诊断顺序,依次进行故障分类。实验表明,改进算法用于故障诊断节省了诊断时间,提高了诊断精度,具有很好的推广前景。

改进的HVD方法在转子故障诊断中的应用

针对转子故障诊断问题,介绍了一种基于希尔伯特振动分解(HVD)的多分量非平稳信号时频分析方法。该方法首先对原始振动信号的非平稳频率成分低通滤波,分离出幅值最大分量的瞬时频率;然后由同步检测获得对应的瞬时幅值和初相位;最后经过迭代运算自适应地提取原信号各分量的时频信息。针对HVD的边界效应问题,应用基于最小平方距离准则的波形匹配边界延拓法对其进行改进。通过仿真信号分析验证了改进的HVD对边界效应的抑制效果和对多分量信号的时频分析能力。分析了转子碰摩、油膜涡动、油膜振荡故障试验测试信号,结果表明改进的HVD方法可以精确提取转子系统故障的时频特征,证明了该方法的有效性。

反向粒子群优化算法用于抽油机转子故障诊断

由于粒子群算法具有局限性,提出一种基于反向粒子群算法的抽油机转子故障诊断方法。该算法将抽油机转子模型进行磁链变换,以模型输出的转子磁链和电压模型转子磁链的误差作为粒子群的适应度函数,通过不断寻优,确定最终抽油机的转子电阻值,进行故障诊断和分析。通过对RP、PSO、OPSO三种算法的仿真结果对比,说明了反向学习粒子群优化算法能够更好地辨识抽油机的转子故障,且具有精度高、收敛速度快和高效的特点。

基于WT与LSSVC的信号消噪方法及其在转子故障诊断中的应用

噪声是影响转子早期故障特征有效识别与准确提取的主要因素。针对转子故障信号的消噪问题,提出一种基于最小二乘支持向量分类器的小波消噪方法。该方法以信号与噪声在小波域内的统计特征为理论依据,通过构造最小二乘支持向量分类器,以分类方式实现小波域内的信号与噪声判别,并对信号与噪声小波系数采取衰减策略以弱化噪声污染。模拟信号消噪分析与转子故障信号消噪实例表明,该方法可有效抑制信号中的噪声干扰,在信噪比与均方误差意义下的消噪性能优于小波阈值消噪方法。

混沌神经网络在转子碰摩故障诊断中的应用

大量研究表明,转子碰摩故障现象具有丰富的非线性特征。提出了一种新的基于模拟退火策略的混沌神经网络模型,并结合变尺度混沌优化方法,将其应用于转子碰摩故障的诊断。仿真试验表明:该模型具有较高的预测精度,可有效地识别这些相似故障模式,对于旋转机械重大事故的预防具有积极作用。

电流监测在笼型异步电动机转子故障诊断中的应用

分析了笼型异步电动机断条的原因 ,介绍了定子电流监测断条的原理 ,通过试验分析定子电流的频谱 ,由电流频率边频带 (1± 2s)f处幅值的大小可判断转子断条的故障及断条的数目 。

基于综合关联度分析的感应电机转子故障诊断

基于灰色关联理论,在灰色关联分析中引进相似系数,将两者相结合形成综合关联度,提出了基于综合关联度分析的感应电机转子故障诊断方法。首先选择感应电机典型转子故障模式构造标准故障模式。根据综合关联度的计算方法,计算出感应电机待检转子故障模式的综合关联度,根据关联序识别感应电机待检转子模式的故障类型。通过故障诊断实例表明,将综合关联度分析引入感应电机转子的故障诊断中是可行的,具有较高的识别率,分类诊断能力优于BP神经网络故障诊断方法。

自制转子故障诊断系统在纸机烘缸转动系统中的应用

采用陕西科技大学造纸工程学院自制的转子故障诊断系统在生产现场采集、传送了 1 760纸机烘缸转子的振动信号 ,进而利用特征距离值及双因子相关分析法对振动信号进行了特征值分析 ,找出了转子是否正常工作的特征值判据 。

基于MSKPCA和SVM的转子故障诊断模型及应用

为提高转子故障分类与辨识的准确率,围绕故障数据的降维问题开展了研究工作。在构造了多核函数的一种特殊形式多尺度核函数前提下,研究了多尺度核函数主成分分析(Multi-Scale Kernel Principal Component Analysis,MSKPCA)法在转子故障原始特征集降维中的应用途径。将获得的新的故障特征集输入到支持向量机(SVM)进行训练与辨识,建立了具有多尺度核多层核的转子故障诊断模型。研究结果表明,在多尺度核主成分分析法中合理地选用多尺度核函数,能够更好地提取转子故障不同尺度下的敏感信息,可为转子故障辨识提供更加精确的样本,能有效地提高转子故障诊断的准确率。该研究为转子系统故障数据特征降维提供了一种新方法,为核方法在转子故障诊断中的应用提供了新的思路。

异步电机运行过程中转子故障诊断综述

转子故障是异步电机的主要故障之一。目前,对其进行检测的方法普遍是基于定子电流的方法。本文以定子电流作为分析信号,对电机不同运行状态(包括起动、稳态及失电)的转子故障检测方法进行总结,目的是为从事电机故障诊断的研究人员提供一定参考。

基于SDP图像与VGG网络的旋转机械转子故障诊断研究

针对传统故障诊断方法对旋转机械转子故障状态识别精度较低的问题,提出了一种基于对称点模式图像特征信息融合与深度学习相结合的旋转机械转子故障诊断方法。采用SDP信息融合技术,对转子故障状态下的多通道振动信号进行了信息融合,通过SDP图形特征可简单直观地区分不同转子故障振动状态;结合深度学习VGG网络自适应提取了SDP图像的特征信息,对不同故障转化的SDP图像实现了准确的诊断识别,进而判别了其故障类型;通过变速器机械故障模拟实验验证了所提出方法的有效性,并与传统机器学习方法极限学习机(ELM)进行了比较。研究结果表明:基于SDP图像与VGG网络的旋转机械转子故障诊断方法解决了转子故障振动信号中存在的高复杂、非线性和不稳定问题,与传统机器学习方法ELM相比具有更高的识别精度。

基于SOA架构的发电机组转子动平衡诊断模块设计与实现

针对动平衡转子故障诊断问题,提出基于SOA架构的发电机组转子动平衡诊断新方法。该方法采用基于SOA架构的模块化设计,JAVA(编程语言)语言开发。按照单面动平衡方法,对测取的基本振动数据进行动平衡计算与分析,设计了动平衡诊断功能模块,通过模块进行动平衡计算,实现输入数据的动平衡判断,使发电机组振动试验的完成更加规范化、便捷化和准确化。

ZD型电机转子断线诊断仪

本文详细介绍了目前运用的ＺＤ系列转辙机的电机转子断线诊断仪的主要技术性能、工作原理和应用特点，该机设计合理，使用方便准确、填补了电机转子在线式检测手段的一项空白。