電機是現代工業(yè)生產和生活中必不可少的設備,一旦發(fā)生故障,不僅會影響機械系統的運行,造成嚴重的經濟損失,甚至威脅人員安全。隨著電機制造工藝的不斷提高、應用范圍的不斷增加,電機的故障診斷及其健康狀態(tài)監(jiān)測的需求也不斷提高。但是由于電機的結構復雜,使得能夠反映設備狀態(tài)的數據多樣且選擇困難,從而難以實現高精度的診斷故障。本文利用多傳感器振動數據,從傳統故障診斷方法入手,深入分析研究電機故障診斷算法及其工程應用的特點,再通過研究卷積神經網絡方法在電機狀態(tài)檢測領域的適用性問題及學習性能的評價問題,利用卷積神經網絡較強的模式識別能力,建立軟件,用集成模型來描述故障類別,從而實現電機狀態(tài)監(jiān)測與故障診斷。本文以多傳感器數據為基礎,分別以多重分形去趨勢波動分析方法和卷積神經網絡方法實現電機的故障診斷,并根據算法設計出電機狀態(tài)監(jiān)測的軟件,具體內容如下:1.分析電機故障發(fā)生的原因。文章診斷故障類型分為三類:電機軸承故障、電機匝間短路故障和電機轉子斷條故障,通過分析上述三類故障發(fā)生機理,為電機故障診斷所需數據的類型提供建議,最終確定依靠振動信號作為診斷數據。為了獲取更高精度和高效率的故障診斷結果,本文采用多傳感器...

【文章頁數】：88 頁

【學位級別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 研究工作的背景與意義
    1.2 電機故障診斷的研究現狀
    1.3 研究內容及結構安排
        1.3.1 論文主要研究內容
        1.3.2 本論文的結構安排
第二章 電機故障分析
    2.1 電機故障類型
    2.2 軸承故障
    2.3 匝間短路故障
    2.4 轉子斷條故障
    2.5 本章小結
第三章 多傳感器數據下基于多重分形去趨勢波動分析的電機故障診斷
    3.1 概述
    3.2 多傳感器數據的多重分形去趨勢波動分析
        3.2.1 多重分形
        3.2.2 算法
        3.2.3 特征數據
        3.2.4 多傳感器特征數據
        3.2.5 MFDFA-MD算例
    3.3 分類器的選擇
        3.3.1 馬氏距離判別法
        3.3.2 支持向量機(Support Vector Machine,SVM)
    3.4 實驗及結果分析
        3.4.1 實驗數據
        3.4.2 實驗結果分析
    3.5 本章小結
第四章 多傳感器數據下基于卷積神經網絡的電機故障診斷
    4.1 概述
    4.2 多傳感器數據下基于二維卷積神經網絡的電機故障診斷方法
        4.2.1 預處理
        4.2.2 多傳感器數據導致的CNN模型的改進
        4.2.3 改進的CNN模型的訓練流程與診斷流程
    4.3 CNN實驗結果及分析
        4.3.1 實驗數據描述及預處理
        4.3.2 實驗結果
        4.3.3 實驗結果分析
    4.4 本章小結
第五章 電機狀態(tài)監(jiān)測與故障診斷軟件設計
    5.1 設計方案
        5.1.1 硬件平臺介紹
        5.1.2 軟件設計方案
    5.2 數據采集模塊
        5.2.1 數據采集框架
        5.2.2 數據采集
    5.3 文件模塊
        5.3.1 內存中的數據
        5.3.2 數據庫
        5.3.3 磁盤中的數據
    5.4 數據交換模塊和故障監(jiān)測模塊
        5.4.1 數據交換模塊
        5.4.2 故障監(jiān)測模塊
    5.5 顯示模塊
        5.5.1 .采集界面
        5.5.2 電機狀態(tài)監(jiān)測界面
    5.6 本章小結
第六章 全文總結與展望
    6.1 全文總結
    6.2 后續(xù)工作展望
致謝
參考文獻
讀碩士學位期間取得的成果



本文編號：3826749