基于人工神经网络的电机故障诊断研究

本文着重探讨了故障诊断研究的理论方法,通过采用人工神经网络技术,建立基于人工神经网络的故障诊断专家系统,克服了传统诊断专家系统的不足,可以提高故障诊断的水平和效率。     

基于改进型振子差分的微弱正弦信号检测

在信息检测领域,微弱信号检测是目前的研究热点之一.为了检测更低信噪比下的纳伏级微弱正弦信号,综合考虑混沌系统检测信号的灵敏度和工作稳定性2方面,建立了改进型双振子差分检测模型.通过振子差分对相空间中的周期部分和共模噪声的抑制特性,利用差分波形图检测微弱正弦信号.仿真实验结果表明:改进型的差分振子可以更好地对微弱正弦信号进行检测,且该方法具有稳定性高、灵敏度高、直观、易于实现等优点.     

振子阵列的梯形波辐射特性

本文论述了以梯形波激励的对称振子阵列天线的辐射特性,导出了共面振子阵列与共线振子阵列的辐射场,辐射功率及增益的计算公式.据此,给出了相应的理论曲线.结果表明:与正弦激励不同,梯形波激励的阵列,当其轴向长度及馈电总电流保持恒定的情况下,天线增益随着振子数目的变化具有最佳值.     

基于电机电流分析的齿轮故障诊断研究

本文提出了一种基于电机定子电流的齿轮故障诊断方法,相对于齿轮故障诊断的一般振动信号诊断方法,该方法可实现远程诊断、便于安装且受环境噪声影响小的优点,是一种无损的故障诊断方法。本文针对电机驱动的齿轮传动系统,建立了负载转矩对电机定子电流的理论模型,并分析了各种状况时的定子电流频谱特征,发现可以利用基频与转频的变频带、基频与啮合频率的边频来判断齿轮断齿故障和磨损故障。通过matlab/simulink对电机齿轮系统进行了仿真,并在实验平台上进行了验证。     

基于轻量级CNN的电机轴承故障诊断研究

针对深度学习在嵌入式或移动端设备中用于故障诊断时,受限于有限的硬件资源而又需要有足够的效率和精度的应用需求,提出基于轻量级卷积神经网络的电机滚动轴承故障诊断方法.首先对滚动轴承的振动信号数据集进行连续小波变换生成固定尺寸的时频图,并以此方式生成数据集输入网络进行训练.使用测试集进行测试,结果表明,所生成的故障诊断预测网络模型具有较高的识别精度和识别速度,准确率达到99％.通过验证噪声对网络的影响,表明所使用的网络具有较好的鲁棒性和泛化能力.     

基于证据理论的电机故障诊断方法研究

在DS证据理论的基础上,结合模糊集合论,给出了多传感器数据融合一般化方法,并将其应用于电机故障诊断。通过数据融合诊断结果与单传感器诊断结果的比较,说明多传感器数据融合能明显提高故障诊断的准确率。     

基于轻量级CNN的电机轴承故障诊断研究

针对深度学习在嵌入式或移动端设备中用于故障诊断时,受限于有限的硬件资源而又需要有足够的效率和精度的应用需求,提出基于轻量级卷积神经网络的电机滚动轴承故障诊断方法。首先对滚动轴承的振动信号数据集进行连续小波变换生成固定尺寸的时频图,并以此方式生成数据集输入网络进行训练。使用测试集进行测试,结果表明,所生成的故障诊断预测网络模型具有较高的识别精度和识别速度,准确率达到99%。通过验证噪声对网络的影响,表明所使用的网络具有较好的鲁棒性和泛化能力。     

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.     

基于PLC的电机故障诊断系统设计

PLC电机已经成为国内外重要的工业生产流行设备,它具有大量的可编程设备仪器,能够很方便进行操作和管理。本文从PLC电机组成和工作原理的分析出发,从对比当前传统的控制系统和PLC系统,并对电机故障作出了分析和处理方案。     

基于BP神经网络的电机转子故障诊断的研究

介绍了一种基于 BP算法的神经网络在电机转子常见故障诊断中的应用。首先利用测振传感器获得转子的振动信息 ,然后用 FFT分析 ,将振动信号的频谱分析作为神经网络的训练样本。通过选择足够的故障样本来训练神经网络 ,将代表故障的信息输入训练好的神经网络后 ,由输出结果就可以判断发生的故障种类。     

基于差分振子与欧氏距离的微弱未知信号检测方法研究

针对噪声很大,并且具有非高斯、非平稳、非线性特征的轴承微弱故障信号,提出了基于差分振子结合欧氏距离检测微弱故障的方法,通过构造差分振子微弱信号检测器,结合欧氏距离定量识别出未知信号的频域信息和幅值信息,该方法很直观地证实了系统参数对检测信号的影响,将该方法用在提升机的轴承故障实例中,证实了该方法能够成功地提取出故障频率。     

浅谈基于PLC电机故障诊断系统设计

现今社会大部分已实现机械自动化代替人力操作,基于PLC的控制系统是实现自动化操作的基础,自动化操作系统能否安全可靠的运行取决于PLC控制系统的完善程度,PLC控制系统要能实现自动化控制的同时,还要有一套完整的故障排查、处理系统,用以保证整个自动化操作的可靠性。     

基于遗传-神经网络的电机故障诊断

本文采用非线性最小二乘法中的LM(Leven-berg-Marquardt)算法,结合遗传算法进行电机故障诊断的方法,并应用于电机故障的仿真实验,性能明显优于单一的算法结构.1神经网络模型及算法本文采用的LM算法是一种利用标准数值优化技术的快速算法,是高斯-牛顿法的改进形式[1].LM算法网络     

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LMD和SSA-SVM的电机故障诊断

针对电机故障诊断问题,尤其电机轴承方面的诊断,提出了LMD分解和麻雀搜索优化算法（SSA）优化支持向量机（SVM）的故障诊断方法。第一步采取小波降噪和LMD算法相结合去处理原始信号,经过小波降噪后的原始故障信号会去掉一部分的干扰,再分解得到原始信号的一系列PF分量,接着使用相关性分析法选择出有效的PF分量进行信号重构,重构后的故障信号再次经过LMD分解得到的PF分量求出各自的能量熵,直接用能量图展现出来。接着将各个PF分量的能量熵组成一组组特征向量输入到支持向量机的故障诊断模型里。利用麻雀搜索算法在支持向量机（SVM）对于电机故障的分类的模型上进行惩罚参数和核参数的挑选和模拟,选择最合适的参数组合建立SSA-SVM故障诊断模型进行仿真实验,通过仿真实验验证该方法的故障诊断准确率高达99.2％,与PSO-SVM和SVM故障诊断模型进行比较分析,实验证明提出来的方案有着更适合的故障识别能力,对电机故障诊断有着很好的适应性和发展性。     

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。     

基于PCA-VNWOA-LSSVM的感应电机轴承故障诊断

轴承作为感应电机的关键部件,其运行状态直接影响船舶电力拖动系统安全。为解决船舶感应电机轴承故障诊断难题,本文提出一种基于PCA-VNWOA-LSSVM的故障诊断模型。选用美国凯斯西储大学轴承振动数据,利用离散小波分解(discrete wavelet transformation, DWT)从振动信号中提取内圈、外圈和滚动体故障特征,按不同故障类型和直径进行分组、主成分分析(principal component analysis,PCA)降维,结合改进的鲸鱼优化算法(von neumann whale optimization algorithm, VNWOA)对最小二乘支持向量机(least squares support vector machine, LSSVM)初始参数δ 2和γ寻优,搭建其故障识别模型,最后将遗传算法(genetic algorithm, GA)和粒子群算法(particle swarm optimization, PSO)的寻优诊断结果与之对比。结果表明：基于PCA-VNWOA-LSSVM的模型故障诊断精度高,且具有良好的稳定性及诊断速度。     

基于Park变换的感应电机故障诊断

提取定子电流信号的Park矢量图作为电机故障特征，应用人工神经网络技术对故障特征进行分类与识别，从而避开复杂的谱分析技术，实验测试结果表明，该方法用于电机故障诊断可靠，有交，是一种实际可行的电机故障诊断方法。     

基于BP神经网络的光伏阵列智能故障诊断

针对光伏阵列的故障特点以及传统故障诊断方法的局限性,提出一种基于BP神经网络的光伏阵列智能故障诊断策略.分析了电池裂化、老化短路和阴影故障的后果,通过采集合适的故障样本训练神经网络,并在Matlab环境中进行了组件在线故障诊断的仿真和实验研究,证明了所提出故障诊断系统的准确性、有效性和环境适应性.     

基于D-S证据和数据融合的电机故障诊断研究

针对电机的发热、振动和噪音问题的现象及原因进行分析研究,设计出以ARM微处理器作为核心处理的电机故障诊断系统,采用了温度传感器、电压传感器和压电式加速度传感器的多传感器测量技术,对采集的温度、电压、振动信号进行分析,提出用D-S证据和多传感器数据融合技术的电机故障诊断方法。再应用D-S证据理论对数据进行算例分析,完成电机的实时监控。与单一信号故障诊断结果相比,可以有效地提高电机故障诊断结果的可信度,减小诊断的不确定性因素。