基于阶次自分离的轮毂电机故障诊断方法研究

轮毂电机作为电动汽车四轮独立驱动系统的动力源,其运行状态直接关系着整车安全。为了逐步实现对轮毂电机运行状态的监测,本文提出一种新的方法--阶次自分离方法,以适应其复杂多变的行驶工况。本方法克服了传统阶次跟踪方法需同时采集转速信号和振动信号的局限性,仅针对转速信号进行研究,并提取其中蕴藏的非正常波动成分,同时借鉴传统阶次跟踪方法对时域非平稳信号的处理方式,对波动成分进行角域重采样和傅里叶变换,凸显出蕴藏于转速信号中的故障特征,进而实现对轮毂电机的故障诊断。结合Matlab仿真分析和轮毂电机漏电故障试验,结果表明阶次自分离方法可有效识别出轮毂电机漏电故障特征。     

基于阶次自分离的轮毂电机故障诊断方法

轮毂电机作为电动汽车四轮独立驱动系统的动力源,其运行状态直接关系着整车安全。为了逐步实现对轮毂电机运行状态的监测,提出一种新的方法——阶次自分离方法,以适应其复杂多变的行驶工况。本方法克服了传统阶次跟踪方法需同时采集转速信号和振动信号的局限性,仅针对转速信号进行研究,并提取其中蕴藏的非正常波动成分,同时借鉴传统阶次跟踪方法对时域非平稳信号的处理方式,对波动成分进行角域重采样和傅里叶变换,凸显出蕴藏于转速信号中的故障特征,进而实现对轮毂电机的故障诊断。结合Matlab仿真分析和轮毂电机漏电故障试验,结果表明阶次自分离方法可有效识别出轮毂电机漏电故障特征。     

基于WMM-HMM的轮毂电机机械故障诊断方法

为有效监控电动汽车用轮毂电机的运行状态,保障整车的运行安全,提出了一种基于混合Weibull分布模型(WMM)与隐马尔科夫模型(HMM)的轮毂电机机械故障诊断方法(WMM-HMM诊断法).首先,利用轮毂电机振动信号提取敏感特征参数,用以表征其运行状态,建立观测序列.其次,利用WMM对轮毂电机各种运行状态下有限的观测序列进行拓展,获取足量的观测序列作为HMM的训练样本集,确立HMM参数,进而在低、中速工况下分别构建轮毂电机运行状态的WMM-HMM诊断模型.最后,定制相应的故障轮毂电机,搭建试验台,对所提出的方法进行验证.结果表明:所提出的方法能够在低、中速工况下精确识别出轮毂电机的机械故障状态,较传统方法识别精度至少提高了9.3%.     

基于CDI和AHNs的轮毂电动机轴承故障逐次诊断方法

针对电动汽车轮毂电动机常见的轴承故障,提出了一种基于复合区分度指标(compound dis-tinguish index,CDI)和人工碳氢网络(artificial hydrocarbon networks,AHNs)的轮毂电动机轴承故障逐次诊断方法.首先通过信号共振稀疏分解从原始信号中提取反映故障冲击的低共振分量;然后着重考虑不同车速工况对电动机轴承振动信号的影响程度,基于CDI在时频域中提炼出多个高敏感特征参数来表征电动机轴承运行状态,提高诊断的时效性;最后通过特征参数与轴承状态的隶属关系建立样本集,基于AHNs构建轮毂电动机轴承故障逐次诊断模型,实现多工况下不同故障状态的识别,并在轮毂电动机综合台架上进行了试验验证.结果表明:该方法的诊断正确率高达98.46％,且具有较好的鲁棒性,能够有效实现轮毂电动机轴承故障的诊断.     

基于BN和改进DST的轮毂电机故障诊断方法

为实现不同信号来源下的轮毂电机故障诊断,提出一种基于贝叶斯网络(BN)和改进DST理论的轮毂电机故障诊断方法.以电动汽车轮毂电机运行安全为目标,首先,搭建基于振动和噪声的BN诊断模型,得到不同运行工况下基于振动和噪声的BN诊断模型后验概率;然后,提出基于熵权值的改进DST,对基于振动和噪声的BN诊断模型后验概率的冲突部分进行重新分配,得到新的基本信度函数;最后,通过轮毂电机台架实验来验证该方法的有效性.结果显示:改进DST在解决证据间冲突问题的同时,能够有效融合基于振动和噪声的BN诊断后验概率,实现轮毂电机故障诊断.     

基于信息融合技术的电机故障诊断

为了能够从多方面反映电机系统状态,实现对电机故障模式的自动识别与准确诊断,将信息融合技术与神经网络相结合,建立电机故障诊断系统。在数据融合级上,将故障特征量进行分类处理,然后,采用多层神经网络进行故障特征级融合与电机故障的局部诊断,获得彼此独立的证据,再运用DempserShafer(D-S)证据理论融合算法对各证据进行融合,最终,实现对电机故障的准确诊断。诊断测试试验证明:该诊断系统提高了电机故障诊断的精度,并能满足诊断的实时性要求。     

汽车稳定性控制系统关键传感器故障诊断

设计了基于解析模型的故障诊断算法实现传感器信号的自诊断功能,首先建立关键传感器的故障诊断算法基本框架,然后利用不同的故障诊断模型分别设计了基于等价方程与基于观测器两种故障诊断算法.等价方程算法利用车辆线性单轨模型及车辆运动学方程,将车辆操纵稳定性控制需求的传感器联系起来,并用于彼此的相互诊断.观测器方法利用车辆非线性单轨模型,通过建立龙贝格观测器提取传感器故障信息.从灵敏度与误报率两方面出发,提出了将两种算法有效融合的算法改进措施,重新制定诊断规则.实车试验的结果表明融合算法能够准确快速地诊断出微小故障,并给出故障等级.     

基于信息融合技术的电机故障诊断

为了能够从多方面反映电机系统状态，实现对电机故障模式的自动识别与准确诊断，将数据融合技术与神经网络相结合，建立电机故障诊断系统。在数据融合级上，将故障特征量进行分类处理，然后采用多层神经网络进行故障特征级融合与电机故障的局部诊断，获得彼此独立的证据，再运用D-S（Dempser Shafer）证据理论融合算法对各证据进行融合，最终实现对电机故障的准确诊断。诊断测试试验证明，该诊断系统提高了电机故障诊断的精度，并能满足诊断的实时性要求。     

基于SVM与多振动信息融合的齿轮故障诊断

针对齿轮振动信号故障特征微弱以及单个传感器故障诊断可靠性与准确性低等问题,采用多传感器信息融合方法,利用支持向量机(SVM)对8路齿轮振动信号进行特征级融合,实现故障诊断.研究结果表明:基于多个传感器单个特征量信息融合的齿轮故障诊断率比常规的基于单个传感的多个特征量的诊断准确率更高,诊断结果更可靠;峰值因子对齿轮故障最敏感,以峰值因子为特征量的多传感器信息融合,诊断准确率达93.33%.     

信息融合技术在电力变压器故障诊断中的应用

根据变压器运行原理和结构特点,将信息融合思想引入到变压器的故障诊断中,建立基于信息融合技术的故障诊断模式,即通过曲面拟合算法和证据推理技术,从不同侧面充分利用各种特征信息对变压器的故障进行诊断,以有效地提高确诊率.     

基于参数优化的光伏电池故障诊断

提出一种基于参数优化的光伏电池故障诊断方法.采用优化的人工蜂群算法对影响光伏电池I-V曲线的参数进行辨识,获取不同故障类型光伏电池特征参数数据集,建立概率神经网络故障诊断模型对光伏电池故障类型进行诊断.仿真结果表明,优化的人工蜂群算法能够对光伏电池特征参数进行快速、准确的辨识,故障诊断结果与故障特征一致,验证了基于参数优化光伏电池故障诊断方法的有效性.     

电机滚动轴承故障诊断的多信息源数据融合方法

在电机滚动轴承的故障诊断领域中,由于电机运行环境的复杂性,以及目前大多数故障诊断依然是基于单参数进行,如振动、温度及电流等所能携带的故障特征进行诊断,所以不确定性因素及不确定信息也充斥其间,从而致使故障诊断的准确率较低。分析了传统故障诊断系统的弊端,并介绍了多信息源数据融合诊断系统的结构及其在故障诊断应用中的优势,并通过实例分析,采用3个独立传感器对轴承故障信号采集,并通过经验模态方法对信号处理得到故障特征向量,最后应用BP神经网络和D-S证据理论进行故障识别。每使用一次D-S证据理论的合成,均会提高故障诊断的准确率,进一步说明多信息源数据融合故障诊断系统的的可行性及有效性。     

基于声学信号瓶颈特征的滚动轴承故障诊断

为有效诊断滚动轴承的健康状态,针对运行监测声学信号特征微弱的特点,提出了基于声学信号瓶颈特征的滚动轴承故障诊断方法.首先提取滚动轴承声学信号的多维特征参数,通过自编码网络降低特征维数,获取有效反映滚动轴承运行状态的瓶颈特征,最后训练支持向量机实现滚动轴承故障诊断.通过对滚动轴承不同故障状态的模拟试验分析,并与传统方法对比,可知本文提出的方法具有更高的诊断正确率.     

永磁无刷直流电机漏电故障分析及诊断

针对用永磁无刷直流电机电流信号对其漏电故障进行诊断易受汽车电池系统干扰的问题,提出一种对其转速信号进行故障特征提取的方法——阶次自分离方法.该方法以转速信号为分析对象,借鉴传统阶次分析法对变速信号的处理方式,从输出转速信号中分离出转速波动成分,对转速波动成分进行角域重采样,基于转速波动成分的阶次分析,提取由故障状态而引起转速非正常波动的阶次特征.基于永磁无刷直流电机相间漏电故障分析得知漏电故障会使电机产生转速故障信号,通过电机Matlab/Simulink仿真和漏电故障试验,分析不同漏电程度下电机输出转速信号的阶次特征,可以有效地识别电机漏电故障状态.     

基于多传感器信息融合的故障诊断方法

为了获得更多的故障信息,全面了解故障特征,采用多个不同的传感器共同监测是一种有效的方法途径.而实际现场工业设备运行环境非常复杂,使得传感器采集到的信息包含很多来自自然环境或人为的干扰噪声,导致采集到的故障信息冲突.针对这一问题,提出了一种基于多传感器信息融合的故障诊断方法.首先求得各证据之间的证据距离,根据证据距离值的大小再修改证据,然后利用D-S证据理论进行信息融合,提高了诊断的可靠性和准确度.实验验证了该方法切实可行.     

多信息融合特征下的发动机故障自动化诊断研究

发动机工作过程的复杂性以及其故障诊断信息的繁杂性使得单一传感器难以较好识别与诊断故障问题。故研究对数据层、特征层以及诊断层进行多信息融合,并基于最大信息特征和主成分分析提出诊断模型。实验结果表明,模型对不同故障类型的数据提取偏差值低于5%,且其误差性能(<0.06%)和测试精度明显优于其他对比算法。多信息融合特征诊断算法能有效对发动机设备进行故障诊断,并提供新维修思路。     

基于特征Petri网建模的冷水机组故障诊断系统

冷水机组是建筑物中空调系统重要的制冷设备,它的运行状态直接关系到建筑物暖通空调系统运行的性能和稳定性,其故障诊断问题一直受到广泛关注.将特征建模方法引入到冷水机组的故障诊断技术中,并采用模糊Petri网技术实现建模.利用Petri网进行知识表示及推理的矩阵运算算法,描述冷水机组故障征兆与特征参数的关系.运用所提出的诊断系统,不但可以充分利用各特征参数的信息资源进行故障判断,而且可根据冷水机组能效指标COP对故障诊断结果进行综合诊断,有利于冷水机组高效运行.实验结果验证了该故障诊断系统的可行性和准确性.     

信息融合熵在机械故障诊断中的应用

详细介绍信息融合熵理论在机械故障诊断中的应用,为复杂的机械故障诊断提供一种新的方法.利用信息论熵的相关理论和D-S证据理论,分别研究机械特征参数提取和机械故障诊断的信息融合问题.用机械健康度定量度量机械状态的优劣,给出机械特征参数提取和机械故障诊断时信息融合的计算方法.最后,以柴油机的故障诊断为例,论述实际故障诊断应用中该方法的具体实施过程,并将该诊断方法与传统的故障诊断方法进行比较,分析该诊断方法的特点.研究结果表明基于信息融合熵的机械故障诊断方法具有良好的容错性和稳定性,能够提高机械故障诊断的准确性和可靠性.     

基于邻域粗糙集的核动力系统故障诊断特征参数筛选

针对核动力系统故障诊断过程中故障的特征参数难以提取的问题,提出了一种基于邻域粗糙集模型的特征参数筛选的新方法。该方法是通过改进经典粗糙集而来的,其既能够处理离散化的数据,也处理连续型的数据,因此可以减少诊断信息融合过程的复杂性,同时处理后的数据能够保持原始数据的属性性质。仿真实验表明：基于邻域粗糙集能有效的简化特征参数的筛选,提高了故障诊断的准确率,减少了诊断成本,相比于经典粗糙集方法更具有适用性。     

基于DSP的交流电机故障诊断

交流异步电机是广泛使用的能量转换装置.对鼠笼异步电动机的常见故障进行分析及诊断,提高电机故障的监测诊断水平,具有重大实用价值.本文应用小波包-神经网络算法实现了基于DSP的交流电机故障诊断.利用小波包分解算法提取出电机故障特征向量,并针对轴承和偏心故障特征,提出对数故障特征向量的算法.将故障特征输入基于任务分解的神经网络,实现基于DSP的电机定子、偏心以及轴承故障诊断.