開(kāi)關(guān)磁阻電機(jī)調(diào)速系統(tǒng)（Switched Reluctance Motor Drive,SRD）因其結(jié)構(gòu)簡(jiǎn)單、容錯(cuò)能力好、調(diào)速范圍廣等特點(diǎn),被廣泛應(yīng)用于新能源汽車(chē)、智能家電、航空航天等前沿領(lǐng)域。功率變換器和傳感器是SRD中重要的組成部分,且受開(kāi)關(guān)頻率和環(huán)境影響,這兩個(gè)部分更易發(fā)生故障,從而對(duì)調(diào)速系統(tǒng)控制效果產(chǎn)生較大影響,甚至可能造成系統(tǒng)崩潰。為此,SRD故障快速診斷具有重要的研究意義和工程價(jià)值�；跀�(shù)據(jù)驅(qū)動(dòng)的故障診斷方法在已在船舶、電機(jī)、逆變器等領(lǐng)域大量應(yīng)用,使其無(wú)論在診斷速度或精度方面都得到了認(rèn)可。本文通過(guò)對(duì)SRD工作原理和故障狀態(tài)進(jìn)行分析,提出一種針對(duì)開(kāi)關(guān)磁阻電機(jī)調(diào)速系統(tǒng)功率變換器單管短路故障和電流、轉(zhuǎn)速傳感器故障的自適應(yīng)滑窗故障診斷方法。主要研究?jī)?nèi)容可分為以下三個(gè)部分:首先,對(duì)SRD的組成結(jié)構(gòu)、控制方式、數(shù)學(xué)模型及工作原理進(jìn)行分析。根據(jù)SRD的數(shù)學(xué)模型,搭建基于A(yíng)nsoft的開(kāi)關(guān)磁阻電機(jī)非線(xiàn)性仿真模型。并通過(guò)工作原理分析可能發(fā)生的功率變換器和傳感器故障類(lèi)型,比較不同類(lèi)型故障下SRD的故障特征及所其造成的影響,搭建故障模型并獲取故障原始數(shù)據(jù),為基于數(shù)據(jù)驅(qū)動(dòng)的故障診斷方法提供數(shù)據(jù)支持。... 

【文章來(lái)源】：西華大學(xué)四川省

【文章頁(yè)數(shù)】：80 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

三類(lèi)故障診斷方法

第二類(lèi)是基于信號(hào)的故障診斷方法�；谛盘�(hào)的故障診斷方法主要根據(jù)故障發(fā)生時(shí),系統(tǒng)特征信號(hào)在幅值、諧波、頻率等指標(biāo)上發(fā)生的變化,通過(guò)信號(hào)處理方法對(duì)故障特征提取實(shí)現(xiàn)故障診斷的一種方法[23-25]。常用的信號(hào)處理方法包括快速傅里葉變換、小波變換、Park變換、經(jīng)驗(yàn)?zāi)B(tài)分解等。文獻(xiàn)[26]中針對(duì)傅里葉變換僅能較好反應(yīng)穩(wěn)態(tài)信號(hào)這一缺點(diǎn)進(jìn)行改進(jìn),提出分?jǐn)?shù)階傅里葉變換方法與數(shù)值算法相結(jié)合的方法解決滾動(dòng)軸承故障特征提取問(wèn)題。文獻(xiàn)[27]將雙重傅里葉積分方法用于H橋變流器開(kāi)路故障診斷,文中通過(guò)雙重傅里葉變換對(duì)H橋變流器的輸出電壓進(jìn)行諧波分析,以此作為故障診斷判據(jù)實(shí)現(xiàn)故障診斷。文獻(xiàn)[28]提出將小波變換與D-S證據(jù)理論相結(jié)合的列車(chē)牽引變流器IGBT故障診斷方法,并通過(guò)仿真及實(shí)驗(yàn)驗(yàn)證該方法的有效性。文獻(xiàn)[29]分別將電流信號(hào)和振動(dòng)信號(hào)用作電機(jī)軸承故障特征,并對(duì)比了包絡(luò)分析法和希爾伯特變換法作為信號(hào)處理方法時(shí)的結(jié)果,結(jié)果表明包絡(luò)分析法較希爾伯特變換法具有相同的靈敏度,但計(jì)算量大大減小�；谛盘�(hào)處理的方法相較于基于模型的方法不需要精確的數(shù)學(xué)模型,但是為了獲取特征信號(hào),引入額外的信號(hào)傳感器增加了診斷系統(tǒng)的成本,且當(dāng)受診系統(tǒng)控制策略發(fā)生變化時(shí)伴隨著特征信號(hào)的變換,從而可能導(dǎo)致誤診斷[30]。第三類(lèi)是基于數(shù)據(jù)驅(qū)動(dòng)的故障診斷方法�；跀�(shù)據(jù)驅(qū)動(dòng)的方法一般建立在基于信號(hào)的方法之上,需要對(duì)特征數(shù)據(jù)進(jìn)行信號(hào)處理從而用于智能算法的學(xué)習(xí)[31,32]。首先,該方法需要獲取大量的原始數(shù)據(jù),原始數(shù)據(jù)量極大的影響了故障診斷的精確度。其次,需要對(duì)原始數(shù)據(jù)作信號(hào)處理,用于特征數(shù)據(jù)的選擇與提取。最后,將經(jīng)過(guò)處理的特征數(shù)據(jù)用于智能算法的學(xué)習(xí)。智能算法的選擇對(duì)故障診斷速度與精度都影響較大,常用的人工智能算法包括卷積神經(jīng)網(wǎng)絡(luò)、極限學(xué)習(xí)機(jī)、支持向量機(jī)等[33-35]�；跀�(shù)據(jù)驅(qū)動(dòng)的故障診斷方法過(guò)程如圖1.3所示。近年來(lái),關(guān)于智能算法改進(jìn)與應(yīng)用的研究迅猛發(fā)展,在電機(jī)調(diào)速系統(tǒng)、飛行器、冷風(fēng)機(jī)中都得到了實(shí)際的應(yīng)用[36,37]。文獻(xiàn)[38,39]將基于數(shù)據(jù)驅(qū)動(dòng)的故障診斷方法用于高分子電解質(zhì)膜燃料電池系統(tǒng),分別以Fisher判別分析法和線(xiàn)性判別分析法作為特征提取方法,均采用改進(jìn)的球形多分類(lèi)支持向量機(jī)作為診斷方法,并通過(guò)實(shí)驗(yàn)證明了方法適用于在線(xiàn)診斷。文獻(xiàn)[40]對(duì)主要成分分析法進(jìn)行改進(jìn),提出一種名為概率相關(guān)主要成分分析的方法,并用于高速列車(chē)電氣驅(qū)動(dòng)系統(tǒng)中,通過(guò)對(duì)CRH2A型列車(chē)的基于DSP實(shí)驗(yàn)中驗(yàn)證了該方法的故障檢測(cè)能力。文獻(xiàn)[41]將隨機(jī)森林算法用于風(fēng)力渦輪機(jī)故障檢測(cè),并與神經(jīng)網(wǎng)絡(luò)、樸素貝葉斯、k-近鄰算法、決策樹(shù)對(duì)比,并驗(yàn)證了該方法的高精度診斷。文獻(xiàn)[42]將小波分析法與自回歸譜分析法相結(jié)合用于振動(dòng)信號(hào)的降噪與特征提取,采用深度置信網(wǎng)絡(luò)作為軸承故障診斷算法,實(shí)驗(yàn)驗(yàn)證在不同負(fù)載下該方法的可行性�；跀�(shù)據(jù)驅(qū)動(dòng)的診斷方法同樣不需要精確的數(shù)學(xué)模型,避免了增加邏輯復(fù)雜度,且不需要額外的傳感器,也避免了系統(tǒng)成本的增加。這種方法的缺點(diǎn)是需要大量的原始數(shù)據(jù),在一些系統(tǒng)中,原始數(shù)據(jù)的獲取存在困難,并需要對(duì)數(shù)據(jù)進(jìn)行離線(xiàn)處理。

第三類(lèi)是基于數(shù)據(jù)驅(qū)動(dòng)的故障診斷方法�；跀�(shù)據(jù)驅(qū)動(dòng)的方法一般建立在基于信號(hào)的方法之上,需要對(duì)特征數(shù)據(jù)進(jìn)行信號(hào)處理從而用于智能算法的學(xué)習(xí)[31,32]。首先,該方法需要獲取大量的原始數(shù)據(jù),原始數(shù)據(jù)量極大的影響了故障診斷的精確度。其次,需要對(duì)原始數(shù)據(jù)作信號(hào)處理,用于特征數(shù)據(jù)的選擇與提取。最后,將經(jīng)過(guò)處理的特征數(shù)據(jù)用于智能算法的學(xué)習(xí)。智能算法的選擇對(duì)故障診斷速度與精度都影響較大,常用的人工智能算法包括卷積神經(jīng)網(wǎng)絡(luò)、極限學(xué)習(xí)機(jī)、支持向量機(jī)等[33-35]�；跀�(shù)據(jù)驅(qū)動(dòng)的故障診斷方法過(guò)程如圖1.3所示。近年來(lái),關(guān)于智能算法改進(jìn)與應(yīng)用的研究迅猛發(fā)展,在電機(jī)調(diào)速系統(tǒng)、飛行器、冷風(fēng)機(jī)中都得到了實(shí)際的應(yīng)用[36,37]。文獻(xiàn)[38,39]將基于數(shù)據(jù)驅(qū)動(dòng)的故障診斷方法用于高分子電解質(zhì)膜燃料電池系統(tǒng),分別以Fisher判別分析法和線(xiàn)性判別分析法作為特征提取方法,均采用改進(jìn)的球形多分類(lèi)支持向量機(jī)作為診斷方法,并通過(guò)實(shí)驗(yàn)證明了方法適用于在線(xiàn)診斷。文獻(xiàn)[40]對(duì)主要成分分析法進(jìn)行改進(jìn),提出一種名為概率相關(guān)主要成分分析的方法,并用于高速列車(chē)電氣驅(qū)動(dòng)系統(tǒng)中,通過(guò)對(duì)CRH2A型列車(chē)的基于DSP實(shí)驗(yàn)中驗(yàn)證了該方法的故障檢測(cè)能力。文獻(xiàn)[41]將隨機(jī)森林算法用于風(fēng)力渦輪機(jī)故障檢測(cè),并與神經(jīng)網(wǎng)絡(luò)、樸素貝葉斯、k-近鄰算法、決策樹(shù)對(duì)比,并驗(yàn)證了該方法的高精度診斷。文獻(xiàn)[42]將小波分析法與自回歸譜分析法相結(jié)合用于振動(dòng)信號(hào)的降噪與特征提取,采用深度置信網(wǎng)絡(luò)作為軸承故障診斷算法,實(shí)驗(yàn)驗(yàn)證在不同負(fù)載下該方法的可行性�；跀�(shù)據(jù)驅(qū)動(dòng)的診斷方法同樣不需要精確的數(shù)學(xué)模型,避免了增加邏輯復(fù)雜度,且不需要額外的傳感器,也避免了系統(tǒng)成本的增加。這種方法的缺點(diǎn)是需要大量的原始數(shù)據(jù),在一些系統(tǒng)中,原始數(shù)據(jù)的獲取存在困難,并需要對(duì)數(shù)據(jù)進(jìn)行離線(xiàn)處理。1.2.2 電機(jī)調(diào)速系統(tǒng)故障診斷方法研究現(xiàn)狀與發(fā)展趨勢(shì)


本文編號(hào)：3408851