Sepic变换器的开关管故障诊断

针对Sepic变换器故障状态的特点,首先分析负载电压和开关管电流在不同工作状态下所表现的特征,然后构造一种基于开关管电流和负载电压之间逻辑关系的开关管故障诊断方法,最后进行了开关管短路和开路以及续流二极管开路和短路的仿真实验。仿真结果表明,该故障诊断方法可行,并具有较高诊断准确率。     

基于电流斜率的SRM功率变换器故障诊断

功率变换器是开关磁阻电机调速系统重要部件之一,同时也是系统可靠性最弱的环节。针对传统功率变换器故障诊断方法通用性差、需增加额外硬件、无法进行开路器件定位等问题,以不对称半桥式功率变换器为研究对象,改进传统电流传感器安装位置,各相检测电流为绕组和上续流二极管电流之和,通过分析电流斜率在不同故障下的特点,提出一种基于电流斜率的诊断方案。该方案以逻辑信号、检测电流及其斜率为输入建立了故障变量的数学模型,通过模型输出值,即可对功率管开、短路故障进行快速定位,且各相诊断相互独立、不受电机相数及控制方式限制,通用性强;无需增加额外硬件,诊断功能丰富且控制器负担小。仿真和实验验证了方案的有效性。     

矩阵变换器开路故障分析及诊断方法

矩阵变换器(MC)故障开关的可靠诊断和定位是故障隔离技术和故障后容错技术高效实现的基础。基于矩阵变换器-永磁同步电机(MC-PMSM)系统仿真平台,定性分析MC中功率开关开路故障影响区间以及MC-PMSM系统故障表现,并提出一种新颖的MC开关开路故障诊断方法—调制误差电流法。故障诊断算法分2步实现:第1步利用电机电流与MC输出电流的绝对差值诊断故障相,缩小故障开关定位范围;第2步结合MC开关调制信号定位故障开关的具体位置。仿真结果验证所提出的故障诊断算法的实时性和可靠性,并能够在电机调速和负载突变等非稳定情况下有效避免误诊断。     

基于主成分分析和深度森林算法的S700K转辙机故障诊断

针对目前转辙机故障诊断准确性不高、效率低等问题,提出了一种基于主成分分析（PCA）和深度森林（gcForest）算法的故障诊断方法。对于S700K转辙机11种故障模式下的电流、功率曲线,采用主成分分析进行电流特征值特征简约,然后使用嵌入简约特征值的改进深度森林模型提高数据处理能力,增强模型内在特征代表性。结果表明,改进深度森林模型故障诊断准确率为97.62%,验证了该方法的有效性和优越性。     

基于模糊聚类方法的S700K转辙机故障诊断

针对S700K转辙机动作功率曲线非线性、非平稳的特点,提出一种基于模糊聚类的信号分析及故障诊断方法。该方法对转辙机故障下的动作功率曲线提取特征值,由各模式下的10种特征值组成特征模式矩阵,利用模糊聚类分析算法求该矩阵的模糊相似矩阵与模糊等价矩阵,在模糊等价矩阵中,当可变阈值λ在[0,1]内变动时,模糊等价矩阵转化为等价的布尔矩阵,由布尔矩阵可以形成动态聚类图并得到分类结果,从而实现故障诊断。研究结果表明:该算法能够准确地提取故障特征且支持多种故障同时检测,有效提高了S700K转辙机故障诊断的精度与诊断效率。     

基于间隙度的变换器早期故障诊断方法

变换器早期故障特征微小,极易被电网复杂工况信号淹没,因此早期故障诊断可以避免电力系统故障发酵,保证供电安全。但传统基于电流、电压残差信号的方法难以实现早期故障诊断。引入间隙度作为一种新的度量工具,可以由系统间内部距离描述早期故障。通过卡尔曼滤波器观测的输出状态可以建立早期故障模型,将模型间的间隙度作为早期故障诊断特征,由系统内部衡量故障偏差,进行故障类别和故障强度诊断,提高系统稳定性。通过仿真实验搭建变换器模型,验证以间隙度为度量工具实现变换器早期故障诊断的有效性,通过与传统残差阈值方法比较,本文方法可以有效提高变换器早期故障诊断灵敏度同时降低误判率。     

基于希尔伯特-黄变换的车用逆变器开路故障检测方法

针对车用变频驱动系统中逆变器开路故障,采用直流侧电流频谱作为故障特征量进行故障诊断;并引入希尔伯特-黄变换(HHT)作为频谱分析工具,将该方法延伸到非平稳信号的频谱分析中。通过对稳态、动态两种工况下单管开路故障和单相开路故障两种故障模式的研究,结果表明:该方法能够在稳态和动态工况下可靠提取出直流侧电流信号中隐含的故障特征量,适用于车用工况。     

基于暂态分量的配电网单相接地故障选线新方法

在对目前应用小波变换技术进行配电网单相接地选线方法综合分析的基础上,提出了一种基于最小瞬时零序功率的选线新方法.通过分析配电网单相接地故障的暂态过程,给出了配电网单相接地故障时零序电压和各条线路的零序电流的瞬时表达式,定义了瞬时零序功率并将其作为故障选线特征量.结合配电网单相接地故障的大量仿真分析,应用小波包将零序电流和零序电压暂态信号逐层剥离,提取最大分量的信号频段为特征频段;根据各线路特征频带的零序电流、零序电压计算每条线路的瞬时零序功率,在短路第1个周期内,具有最小瞬时零序功率的线路为故障线路.仿真分析结果表明,该选线方法对中性点不接地和中性点经消弧线圈接地配电网都适用,而且不受短路时刻、线路长度的影响,抗电弧过渡电阻能力强.     

基于暂态分量的配电网单相接地故障选线新方法

在对目前应用小波变换技术进行配电网单相接地选线方法综合分析的基础上，提出了一种基于最小瞬时零序功率的选线新方法。通过分析配电网单相接地故障的暂态过程，给出了配电网单相接地故障时零序电压和各条线路的零序电流的瞬时表达式，定义了瞬时零序功率并将其作为故障选线特征量。结合配电网单相接地故障的大量仿真分析，应用小波包将零序电流和零序电压暂态信号逐层剥离，提取最大分量的信号频段为特征频段；根据各线路特征频带的零序电流、零序电压计算每条线路的瞬时零序功率，在短路第1个周期内，具有最小瞬时零序功率的线路为故障线路。仿真分析结果表明，该选线方法对中性点不接地和中性点经消弧线圈接地配电网都适用，而且不受短路时刻、线路长度的影响，抗电弧过渡电阻能力强。     

基于小波包和支持向量机的逆变器故障诊断

针对逆变器功率元件经常出现的开路故障,提出一种基于小波包分解和支持向量机的故障诊断方法。利用小波包对逆变器输入电流进行分解,获得电流信号的各层细节系数、能量以及偏移量。对分解得来的参数进行相应的归一化处理,得到逆变器功率开关元件不同故障状态下的故障特征。将其各自作为多分类支持向量机的输入量来训练多分类支持向量机。通过模拟实验证明,该方法在诊断和定位故障上具有较高精度和效率。     

应用经验模态分解下的AR模型提取旋转机械故障特征

将时间序列的AR模型引入到旋转机械故障诊断中,采用了经验模态分解与AR模型相结合的方法提取旋转机械的故障特征。通过选取含有故障信息的固有模态函数进行功率谱分析,提取故障特征,分析故障原因。仿真和试验结果表明,此法能够有效地提取故障特征参数,为旋转机械的故障诊断提供了方法保障。     

电力物联网背景下基于HHT-CNN的智能变电站故障诊断

在电力物联网的背景下,为提高传统智能变电站故障诊断能力,提出基于希尔伯特-黄和卷积神经网络相融合的智能变电站故障诊断方法.将智能变电站中的故障录波数据作为故障诊断数据,利用希尔伯特-黄变换提取综合电流的故障特征,通过训练好的卷积神经网络实行故障定位.以典型的110 kV智能变电站为例进行仿真测试,测试结果表明：增加数据增强模块能有效提高卷积神经网络模型的泛化能力;选择合适的卷积神经网络模型参数能有效提高故障诊断正确率和降低训练时间;相对于其他2种方法,该方法有较高的故障诊断正确率.     

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。     

基于电机电流分析的齿轮断齿和磨损故障诊断

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,该方法具有可实现远程诊断、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。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。     

基于电机定子电流的齿轮故障诊断方法

齿轮故障诊断一般采用振动信号进行故障特征提取,但振动诊断法不便于安装传感器,易受环境和噪声影响.电机本身具有传感器的特性,定子相电流等信号能够反映负载转矩的变化.因此,针对由电机驱动的齿轮传动系统,提出了一种基于电机定子相电流分析的齿轮无损故障诊断方法.推导了电机定子电流如何反应负载转矩的特性,并分析了齿轮正常与故障状态下定子电流的频谱特征,发现可通过观察边频带的出现来判断齿轮发生局部式故障.通过Matlab对故障诊断原理进行了仿真验证,在实验平台上结合频谱分析成功检测出了齿轮断齿故障.     

大功率电力机车异步牵引电机的典型故障研究

通过分析相电流信号,对大功率电力机车异步牵引电机的两种典型故障——转子断条故障和定子绕组匝间短路故障进行故障诊断,建立电机故障情况下的有限元模型并进行仿真.结果表明,电机故障引起了三相电流不对称,基于故障后的三相电流,利用频谱分析法和对称分量法进行后处理运算,可以提取到明显的故障特征,能够有效的诊断转子断条故障和定子绕组匝间短路故障.实验所得结果与仿真及理论分析吻合,证明了故障模型的正确性,也验证了基于相电流信号的故障诊断方法的有效性.     

基于VMD-MPE-KPCA特征提取与MRVM相混合的滚动轴承故障诊断方法

针对滚动轴承振动信号在强噪声环境下出现非线性、非平稳、强干扰特性,进而导致故障特征难以提取及故障诊断准确率低的问题,提出变分模态分解(VMD)-多尺度排列熵(MPE)-核主元分析(KPCA)特征提取与多分类相关向量机(MRVM)相混合的滚动轴承故障诊断方法.该方法首先通过VMD-MPE进行滚动轴承振动信号的高维故障特征提取,其次对提取的故障特征进行KPCA可视化降维,最后将降维后的故障特征输入可实现不同样本概率输出的MRVM进行滚动轴承故障诊断.通过美国西储大学的滚动轴承故障数据集对该方法的有效性进行验证,结果表明提出的VMD-MPE-KPCA特征提取与MRVM相混合的滚动轴承故障诊断方法能够有效提取和识别滚动轴承故障特征,所提出的混合智能故障诊断方法与相关文献报道的故障诊断方法相比较,故障识别准确率达到了99.18%.     

基于小波包和Elman神经网络的异步电机转子断条故障诊断方法

提出了一种基于小波包分析(WPA)和Elman神经网络的异步电机转子断条故障诊断方法.针对异步电机转子断条故障时定子电流出现的边频分量进行小波包分析,提取动态条件下各频带能量作为故障特征向量,削弱了负载变化及噪声对诊断准确性的影响.采用Elman神经网络对故障进行识别,并对Elman网络进行改进,在关联层增加了自反馈增益因子,提高了网络性能.以频带能量作为Elman神经网络识别故障的特征向量,建立从特征向量到电机转子断条故障之间的映射.试验结果表明:基于小波包分析提取的故障特征明显,由WPA和Elman神经网络构成的诊断系统,能有效地识别出转子断条故障,故障诊断准确率高.     

基于PCA-BLS的逆变器故障诊断

为了确保电气设备的安全可靠运行,提出基于主成分分析法与宽度学习系统的逆变器故障诊断方法.利用主成分分析法对逆变器输出的电流信号进行处理,提取信号特征;构建宽度学习系统,并编写不同故障模式下的故障编码;利用不同故障模式下的信号特征对宽度学习系统进行训练,利用网络输出编码实现故障分类.仿真结果表明,该研究方法在诊断准确率及...     

基于EEMD和小波包变换的早期故障敏感特征获取

提出一种基于总体平均经验模态分解和小波包变换的方法,进行早期故障敏感特征的获取,构建早期故障诊断模型. 该方法首先应用EEMD对现场采集的振动信号进行分解,分离出不同频率成分的特征信号,选择与原信号相关系数最大的 IMF分量进行信息重构;面向重构的IMF分量采用WPT进行分解,得到各个节点的小波系数;最后使用Hilbert变换提取小波包系数的包络,计算功率谱,准确获得早期故障的敏感特征. 通过对仿真信号的分析验证了该方法对故障诊断的有效性. 将该方法应用于实测的滚动轴承的内圈、外圈和滚动体故障诊断,诊断结果均表明该方法可有效提取早期故障敏感特征,故障诊断快速准确.