异步电动机转子故障诊断方法
2006年第6期
(ON-PROOFELECTRICMACHINE) 防爆电机
第41卷(总第133期) EXPLOSI
信号的干扰,给故障特征识别与诊断带来困
[11,12]难。
文献[13]将独立分量分析(ICA)与支持向量机相结合,应用于转子振动信号特征量分离,提高了转子故障诊断的准确性。
量—转子断条故障特征分量,从而可以诊断转子断条故障。使用自适应滤波对检测信号作处理,可以提高故障检测的灵敏度。但是,作为简单的滤波过程,它也有可能过滤掉故障特征分量,给有效的诊断带来困难。2.4 Park矢量变换
通过Park(),[15]
笼型转子有无故障。应用Park矢量变换法对检测信号处理,具有频率分辨率高、检测准确度高的特点,但该方法却难以预测早期故障,只有当故
[16]
障发展到一定程度时才对轨迹有影响。因此,该方法需要克服的难点是如何尽早发现故障。2.5 小波脊线分析法
由于异步电机起动过程中转差率s是连续变化的,定子电流中(1-2s)f1频率分量则经历0~f1的变化过程,通过分析定子起动电流信号,根据小波脊线的波形来判断有无断条故障
[17]
2 基于信号处理的诊断方法
在故障早期,一些故障特征信号往往被其他信号和噪声所淹没,,率成分,。对于笼型异步电动机的转子断条故障,在作定子电流信号处理时,较为常用的处理方法有:快速傅立叶变换(FFT)、希尔伯特变换、自适应滤波、Park变换、小波脊线分析等。2.1 快速傅立叶变换(FFT)快速傅立叶变换是信号处理技术中的一种基本方法,被广泛应用于故障信号的处理。通过对定子电流信号作快速傅立叶变换,再进行频谱分析,看是否含有(1-2s)f1频率分量,便可判断有无断条故障。快速傅立叶变换处理过程简单、方便。但它只适用于平稳负荷运行情况,而且可能出现基波频率分量泄漏及噪声频谱淹没(1-2s)f1频率分量的情况。因此,还需要解决提取微弱的故障特征信号的问题。2.2 希尔伯特变换
。文献
[18]利用小波脊线法能有效消除基频分量的影
响,具有抗噪声干扰性好,检测的准确性高的特
点,有效地提取出转子故障特征。然而,该方法在断条数很少时,存在灵敏度低的缺点,且难以给出电机故障严重程度的判断。
3 基于人工智能的诊断方法
传统的故障诊断方法需要建立精确的数学模型,这使得它在诊断过程中具有相当的局限性,难以满足系统的诊断要求。近年来,基于人工智能的诊断方法得到了迅速发展,专家系统、神经网络、支持向量机等智能方法都在电机故障诊断领域得到成功应用。3.1 专家系统
根据被诊断系统的专家以往经验,将其归纳成规则,并运用经验规则通过规则推理来进行故障诊断。应用专家系统诊断具有过程简单、速度快的特点。但该方法也存在推理方法、专家经验、规则不唯一,难以诊断多重故障的缺陷。此外,它依赖于专家经验,在知识获取方面存在“瓶
[19]
颈”。3.2 神经网络
通过神经元建立起输入、输出状态间的映射
41
当给定实时信号x(t)时,对其作希尔伯特变
换,变换后的信号幅值不变,相位作90度改变。将变换前、后的信号作平方和,得到一新信号,对其进行频谱分析,看是否存在2sf1频率分量来判断有无断条故障。这种对故障信号处理的方法叫希尔伯特变换法,它也具有处理过程简单的特点。文献[14]提出一种基于定子电流希尔伯特模量频谱分析的方法,对异步电动机转子故障进行在线检测与诊断。
但是,当异步电动机负载波动较大时,难以区分负荷波动与转子断条故障,容易出现误判。2.3 自适应滤波
对定子电流进行自适应滤波处理,抵消定子电流基波分量,在频谱图中突出(1-2s)f1频率分
百度搜索“77cn”或“免费范文网”即可找到本站免费阅读全部范文。收藏本站方便下次阅读,免费范文网,提供经典小说教育文库异步电动机转子故障诊断方法(3)在线全文阅读。
相关推荐: