隨著工業(yè)的發(fā)展,異步電機的地位越來越重要,幾乎被用各個領(lǐng)域,毫無疑問,異步電動機為我們的日常生活提供了最為廣泛的機械動能和電能。一旦電機發(fā)生故障,我們?nèi)粘５纳a(chǎn)生活必會受到影響,如若故障嚴(yán)重,則會引發(fā)重大的工業(yè)事故,導(dǎo)致人員傷亡等狀況的發(fā)生。因此,及時發(fā)現(xiàn)電機的故障并進行維修是非常必要的。本文建立了一個基于Android平臺的電機故障診斷系統(tǒng),綜合了以Android為操作系統(tǒng)的智能終端和便攜式下位機采集器二者的優(yōu)勢,在Android故障診斷客戶端利用支持向量機算法進行電機故障的分類建模,用戶可通過Android終端設(shè)備隨時查看電機運行狀態(tài)的診斷結(jié)果,真正實現(xiàn)了診斷的便捷性,具有一定的實用價值。具體包括如下研究內(nèi)容:首先,本文依據(jù)電機的電磁理論,通過對電機的轉(zhuǎn)子斷條、定子匝間短路、轉(zhuǎn)子偏心和軸承故障這四種故障機理進行分析,確定了以電機定子電流信號頻譜為依據(jù)的特征分量。并利用支持向量機算法對特征分量建立故障診斷的建模,為了進一步提高分類的準(zhǔn)確率和診斷的時間,本文又在該算法的基礎(chǔ)上提出了交叉驗證的方式以及遺傳算法和粒子群算法進行參數(shù)c/g的優(yōu)化,分類的準(zhǔn)確率達到了98.667%,并通過MAT... 

【文章來源】：安徽理工大學(xué)安徽省

【文章頁數(shù)】：83 頁

【學(xué)位級別】：碩士

【部分圖文】：

故障診斷系統(tǒng)的結(jié)構(gòu)框圖

2 基于 Android 平臺的電機故障診斷系統(tǒng)方案2.1 電機故障機理2.1.1 電機的組成及原理只有在了解電機的結(jié)構(gòu)以及工作原理的基礎(chǔ)上，才可能精確的判斷出電機的運行得出其有無故障和具體的故障類型。本章選擇對異步電動機的故障機理進行說明。包括轉(zhuǎn)子、定子鐵心、軸承、軸套、散熱扇等，如圖 2-1 所示。旋轉(zhuǎn)磁場的出現(xiàn)是的基本要求，異步電動機三相定子繞組相差為120度，通入三相電源后，會產(chǎn)生一轉(zhuǎn)子繞組運動的旋轉(zhuǎn)磁場，在旋轉(zhuǎn)磁場的作用下，轉(zhuǎn)子繞組中產(chǎn)生感應(yīng)電流，該感又在旋轉(zhuǎn)磁場的作用下，轉(zhuǎn)為電磁力，然后產(chǎn)生使電機轉(zhuǎn)動的電磁轉(zhuǎn)矩。實際上，轉(zhuǎn)速一般達不到旋轉(zhuǎn)磁場的速度，這就是三相電動機又被叫做異步電動機的原因[10]

13圖2-3 滾動軸承振動產(chǎn)生機理Fig 2-3 mechanism of vibration generation of rolling bearing一般情況下，可將軸承故障劃分為四種故障，這四種故障分別為：保持架故障、滾動體故障、內(nèi)圈和外圈故障。如果軸承出現(xiàn)故障，那么故障就會集中體現(xiàn)在軸承本身的特征頻率上。從幾何學(xué)的角度出發(fā)，可推算出軸承中每一個部件發(fā)生故障時出現(xiàn)的特征頻率，下面是具體的公式表示：滾動體故障的特征頻率bf （Hz）: = 212cosαDDfDDfcbrbcb(2-21)保護架故障的特征頻率cf （Hz）: = cosαDDffcbcr121(2-22)內(nèi)圈故障的特征頻率if （Hz）: = +cosαDDfNfcbir12(2-23)式中：軸承內(nèi)滾動體的個數(shù)用字母N 來表示，電動機轉(zhuǎn)子的旋轉(zhuǎn)頻率及軸承內(nèi)圈旋轉(zhuǎn)頻率用rf 來表示；軸承保持架的直徑用cD 來表示；軸承滾動體直徑bD 來表示；軸承滾動體接觸角用α 來表示。從式（2-21）至（2-23）可以發(fā)現(xiàn)，為了計算軸承振動頻率需要周呈幾何圖形的具體參數(shù)。若滾動體數(shù)在6到12之間，軸承振動頻率的計算公式可以近似為：irf =0.6Nf（2-24）類似于偏心故障，軸承出現(xiàn)故障也會導(dǎo)致定子電流中產(chǎn)生諧波分量，這是由于轉(zhuǎn)軸的變化引起的定子轉(zhuǎn)子氣隙長度變化產(chǎn)生的。

【參考文獻】：
期刊論文
[1] 梁毅 （H指數(shù)：1） ;魏晉宏;付翔;
[2] 陳宣成 .

碩士論文
[1]基于STM32的便攜式電機故障診斷儀的研制[J]. 趙陽,梁喆,任婁春,丁冠從.  電腦知識與技術(shù). 2016(34)
[2]基于STM32的數(shù)據(jù)采集與網(wǎng)絡(luò)發(fā)布系統(tǒng)[J]. 關(guān)學(xué)忠,李倩文.  化工自動化及儀表. 2017(02)
[3]應(yīng)用完備集合固有時間尺度分解和混合差分進化和粒子群算法優(yōu)化的最小二乘支持向量機對柴油機進行故障診斷（英文）[J]. Jun-hong ZHANG,Yu LIU.  Frontiers of Information Technology & Electronic Engineering. 2017(02)
[4]基于支持向量機與粗糙集的隔爆電動機故障診斷[J]. 馬憲民,張興,張永強.  工礦自動化. 2017(02)
[5]基于電機驅(qū)動系統(tǒng)的齒輪故障診斷方法對比研究[J]. 楊明,柴娜,李廣,李雨琪,徐殿國.  電工技術(shù)學(xué)報. 2016(19)
[6]基于iOS平臺的異步電機狀態(tài)監(jiān)測與故障診斷系統(tǒng)設(shè)計[J]. 付蔚,張永,鄧曉渝,王炳鵬,王成剛.  機床與液壓. 2016(07)
[7]基于時域能量劃分和PSO-SVM的發(fā)動機故障診斷[J]. 胡志勇,牛家驊,郭麗娜,馬繼昌.  汽車工程. 2016(01)
[8]汽輪發(fā)電機在線監(jiān)測系統(tǒng)的設(shè)計與分析[J]. 王浩浩,董云云,孫玉梅,蘇鳳,楊海利.  傳感器世界. 2016 (01)
[9]基于STM32的多通道數(shù)據(jù)采集系統(tǒng)設(shè)計[J]. 王晨輝,吳悅,楊凱.  電子技術(shù)應(yīng)用. 2016(01)
[10]小波包分析和最小二乘支持向量機的電機故障診斷[J]. 張柯,陸劍.  微型電腦應(yīng)用. 2015(06)



本文編號：2895104