在現(xiàn)代工業(yè)生產(chǎn)設(shè)備不斷朝著結(jié)構(gòu)化、自動化和智能化方向發(fā)展的過程中,電機仍是主要的動力輸出設(shè)備。若電機在運行過程中出現(xiàn)故障,會導(dǎo)致其運行效率降低,系統(tǒng)能耗上升等問題,嚴(yán)重時甚至造成電機損壞,使整體系統(tǒng)設(shè)備長時間停機維修,造成嚴(yán)重的經(jīng)濟損失。因此,研究電機智能故障診斷技術(shù),對保障生產(chǎn)設(shè)備高效運行的穩(wěn)定性、可靠性具有重要意義。隨著科技的不斷創(chuàng)新和發(fā)展,信號處理、人工智能等技術(shù)不斷取得突破,故障診斷技術(shù)也更加精確化、智能化。本文結(jié)合實際生產(chǎn)過程中常見的電機變工況和強噪聲環(huán)境下的故障診斷問題,在分析故障產(chǎn)生機理的基礎(chǔ)上對電機智能故障診斷方法展開深入研究。（1）利用試驗臺采集的振動信號對電機不同故障的產(chǎn)生機理進行分析,探究其處于故障狀態(tài)時的振動頻率特性。在此基礎(chǔ)上,研究基于信號處理和機器學(xué)習(xí)算法的故障診斷方法,分析經(jīng)驗?zāi)B(tài)分解（Empirical Mode Decomposition,EMD）存在的優(yōu)勢和不足,利用其改進算法集合經(jīng)驗?zāi)B(tài)分解（Ensemble Empirical Mode Decomposition,EEMD）對信號進行分解,得到反映原始信號不同頻率成分的本征模態(tài)函數(shù)（Intrin... 

【文章來源】：中國礦業(yè)大學(xué)江蘇省 211工程院校 教育部直屬院校

【文章頁數(shù)】：90 頁

【學(xué)位級別】：碩士

【部分圖文】：

學(xué)位論文研究路線圖

2電機故障診斷原理與信號分析92電機故障診斷原理與信號分析2PrincipleandSignalAnalysisofMotorFaultDiagnosis2.1電機故障機理分析(MotorFailureMechanismAnalysis)電機整體結(jié)構(gòu)分解示意圖如圖2-1所示。電機易發(fā)生故障的基本結(jié)構(gòu)包括定子、轉(zhuǎn)子以及軸承三個部分，其中定子是電機中的固定的靜止結(jié)構(gòu)，利用輸入電功率產(chǎn)生磁場，而轉(zhuǎn)子同樣用于產(chǎn)生磁場，并與定子磁場形成相對運動，二者均為電機輸出機械功率的重要部件。電機作為應(yīng)用廣泛的驅(qū)動設(shè)備，通常處于長時間、高負荷的運行狀態(tài)，在大量電磁力轉(zhuǎn)為輸出扭矩的過程中持續(xù)承受著較大機械應(yīng)力，從而使得電機中的軸承及其他重要部件易出現(xiàn)磨損、損壞等問題，導(dǎo)致電機出現(xiàn)故障無法正常運轉(zhuǎn)。圖2-1電機結(jié)構(gòu)分解示意圖Figure2-1Decompositionofmotorstructure基于振動信號的故障診斷方法最常用的研究方法之一，因為振動信號是電機電機動態(tài)行為的直接反饋之一，其中蘊含能夠準(zhǔn)確的描述電機故障狀態(tài)的特征及屬性。電機常見的故障類型包括轉(zhuǎn)子彎曲或斷條、電壓不平衡或單相、定子繞組、軸承故障和氣隙平偏心等，此外由于電機機座不平衡和零部件安裝誤差也會引起電機的異常振動。由于電機振動信號呈現(xiàn)出非平穩(wěn)、非線性的特點，并且故障狀態(tài)下的振動信號與正常狀態(tài)存在較大差異，能夠反映不同電機故障狀態(tài)的特征，因此通常采用一些時頻分析方法，如經(jīng)驗?zāi)B(tài)分解(EMD)、短時傅里葉變換(STFT)、小波變換(WT)等對振動信號進行處理和分析后提取故障特征，或者通過深度學(xué)習(xí)方法，如卷積神經(jīng)網(wǎng)絡(luò)(CNN)、長短時記憶網(wǎng)絡(luò)(LSTM)等對故障特征進行自動提取，從而實現(xiàn)故障診斷。本小節(jié)針對電機轉(zhuǎn)子斷條、定子繞組和軸承故障時產(chǎn)生的振動信號進行故障機理分析。

2電機故障診斷原理與信號分析13知，各IMF分量被分解出的先后順序?qū)?yīng)著分量頻率成分的高低，即先分解出的IMF分量為信號中含有信號中的高頻成分，包含明顯的、重要的特征信息。2.2.2集合經(jīng)驗?zāi)B(tài)分解EMD雖然是一種具有良好效果的時頻分析方法，但其也存在著以下不足：端點效應(yīng)：由于在EMD分解過程中，原始信號的上、下包絡(luò)一般需要通過三次樣條插值法進行多次重復(fù)計算得到，而信號的端點和極值點并不一定為同一數(shù)據(jù)點，從而無法利用其端點進行運算，導(dǎo)致包絡(luò)線擬合過程中，在端點位置出現(xiàn)彌散現(xiàn)象，由此產(chǎn)生擬合誤差。這種誤差會隨著算法流程的迭代而不斷累積，最終會導(dǎo)致計算結(jié)果與真實值相差甚遠，從而無法利用該結(jié)果進行后續(xù)的診斷流程。模態(tài)混疊：當(dāng)原始信號中存在信號間斷、噪聲、脈沖干擾等異常狀態(tài)導(dǎo)致的階躍性信號頻率成分時，采用EMD分解得到的IMF分量中可能會存在不同時間尺度的頻率成分，導(dǎo)致EMD分解無法準(zhǔn)確的分離出不同頻率成分的IMF分量，進而無法反映原始信號的真實特征。圖2-2EEMD算法流程圖Figure2-2EEMDalgorithmflowchart集合經(jīng)驗?zāi)B(tài)分解(EEMD)是由Wu和Huang.E等人提出的一種改進算法。

【參考文獻】：
期刊論文
[1]基于多注意力機制的深度神經(jīng)網(wǎng)絡(luò)故障診斷算法[J]. 王翔,任佳.  浙江理工大學(xué)學(xué)報(自然科學(xué)版). 2020(02)
[2]采用多尺度注意力機制的旋轉(zhuǎn)機械故障診斷方法[J]. 吳靜然,丁恩杰,崔冉,劉建華.  西安交通大學(xué)學(xué)報. 2020(02)
[3]一種基于稀疏自編碼器的電機故障診斷方法[J]. 王黎陽,杜翀,汪欣,翟旭平.  噪聲與振動控制. 2019(05)
[4]基于BQGA-ELM網(wǎng)絡(luò)在滾動軸承故障診斷中的應(yīng)用研究[J]. 皮駿,馬圣,杜旭博,賀嘉誠,劉光才.  振動與沖擊. 2019(18)
[5]基于小波卷積自編碼器和LSTM網(wǎng)絡(luò)的軸承故障診斷研究[J]. 杜小磊,陳志剛,許旭,張楠.  機電工程. 2019(07)
[6]基于時頻融合和注意力機制的深度學(xué)習(xí)行星齒輪箱故障診斷方法[J]. 孔子遷,鄧?yán)?湯寶平,韓延.  儀器儀表學(xué)報. 2019(06)
[7]基于多維縮放和隨機森林的軸承故障診斷方法[J]. 張西寧,張雯雯,周融通,余迪.  西安交通大學(xué)學(xué)報. 2019(08)
[8]Unsupervised Electric Motor Fault Detection by Using Deep Autoencoders[J]. Emanuele Principi,Damiano Rossetti,Stefano Squartini,Francesco Piazza.  IEEE/CAA Journal of Automatica Sinica. 2019(02)
[9]一種基于一維卷積神經(jīng)網(wǎng)絡(luò)的旋轉(zhuǎn)機械智能故障診斷方法[J]. 安晶,艾萍,徐森,劉聰,夏建生,劉大琨.  南京大學(xué)學(xué)報(自然科學(xué)). 2019(01)
[10]交流電機定子絕緣故障診斷與在線監(jiān)測技術(shù)綜述[J]. 鄭大勇,張品佳.  中國電機工程學(xué)報. 2019(02)

博士論文
[1]基于電信號自適應(yīng)濾波的感應(yīng)電機故障診斷與狀態(tài)評估[D]. 王磊.華南理工大學(xué) 2018
[2]交流電機轉(zhuǎn)子故障診斷研究[D]. 侯招文.浙江大學(xué) 2017
[3]基于多特征融合及深度信念網(wǎng)絡(luò)的軸承故障診斷[D]. 胡永濤.燕山大學(xué) 2017

碩士論文
[1]電機振動監(jiān)測研究[D]. 解慶春.北京交通大學(xué) 2019
[2]基于深度卷積神經(jīng)網(wǎng)絡(luò)的旋轉(zhuǎn)機械復(fù)合故障診斷方法研究[D]. 蔣劍.中國礦業(yè)大學(xué) 2019
[3]基于卷積神經(jīng)網(wǎng)絡(luò)的電機故障診斷方法研究[D]. 喬林翰.蘭州理工大學(xué) 2018
[4]基于卷積神經(jīng)網(wǎng)絡(luò)的軸承故障診斷算法研究[D]. 張偉.哈爾濱工業(yè)大學(xué) 2017
[5]基于深度學(xué)習(xí)模型的感應(yīng)電機故障診斷方法研究[D]. 孫文珺.東南大學(xué) 2017
[6]混合智能故障診斷技術(shù)在異步電機故障診斷中的應(yīng)用研究[D]. 饒利強.南昌大學(xué) 2016



本文編號：3349778