基于多尺度卷积神经网络的电机故障诊断方法研究
发布时间：2021-08-18 11:11
在现代工业生产设备不断朝着结构化、自动化和智能化方向发展的过程中,电机仍是主要的动力输出设备。若电机在运行过程中出现故障,会导致其运行效率降低,系统能耗上升等问题,严重时甚至造成电机损坏,使整体系统设备长时间停机维修,造成严重的经济损失。因此,研究电机智能故障诊断技术,对保障生产设备高效运行的稳定性、可靠性具有重要意义。随着科技的不断创新和发展,信号处理、人工智能等技术不断取得突破,故障诊断技术也更加精确化、智能化。本文结合实际生产过程中常见的电机变工况和强噪声环境下的故障诊断问题,在分析故障产生机理的基础上对电机智能故障诊断方法展开深入研究。（1）利用试验台采集的振动信号对电机不同故障的产生机理进行分析,探究其处于故障状态时的振动频率特性。在此基础上,研究基于信号处理和机器学习算法的故障诊断方法,分析经验模态分解（Empirical Mode Decomposition,EMD）存在的优势和不足,利用其改进算法集合经验模态分解（Ensemble Empirical Mode Decomposition,EEMD）对信号进行分解,得到反映原始信号不同频率成分的本征模态函数（Intrin...
【文章来源】：中国矿业大学江苏省 211工程院校 教育部直属院校
【文章页数】：90 页
【学位级别】：硕士
【部分图文】：
学位论文研究路线图
2电机故障诊断原理与信号分析92电机故障诊断原理与信号分析2PrincipleandSignalAnalysisofMotorFaultDiagnosis2.1电机故障机理分析(MotorFailureMechanismAnalysis)电机整体结构分解示意图如图2-1所示。电机易发生故障的基本结构包括定子、转子以及轴承三个部分，其中定子是电机中的固定的静止结构，利用输入电功率产生磁场，而转子同样用于产生磁场，并与定子磁场形成相对运动，二者均为电机输出机械功率的重要部件。电机作为应用广泛的驱动设备，通常处于长时间、高负荷的运行状态，在大量电磁力转为输出扭矩的过程中持续承受着较大机械应力，从而使得电机中的轴承及其他重要部件易出现磨损、损坏等问题，导致电机出现故障无法正常运转。图2-1电机结构分解示意图Figure2-1Decompositionofmotorstructure基于振动信号的故障诊断方法最常用的研究方法之一，因为振动信号是电机电机动态行为的直接反馈之一，其中蕴含能够准确的描述电机故障状态的特征及属性。电机常见的故障类型包括转子弯曲或断条、电压不平衡或单相、定子绕组、轴承故障和气隙平偏心等，此外由于电机机座不平衡和零部件安装误差也会引起电机的异常振动。由于电机振动信号呈现出非平稳、非线性的特点，并且故障状态下的振动信号与正常状态存在较大差异，能够反映不同电机故障状态的特征，因此通常采用一些时频分析方法，如经验模态分解(EMD)、短时傅里叶变换(STFT)、小波变换(WT)等对振动信号进行处理和分析后提取故障特征，或者通过深度学习方法，如卷积神经网络(CNN)、长短时记忆网络(LSTM)等对故障特征进行自动提取，从而实现故障诊断。本小节针对电机转子断条、定子绕组和轴承故障时产生的振动信号进行故障机理分析。
2电机故障诊断原理与信号分析13知，各IMF分量被分解出的先后顺序对应着分量频率成分的高低，即先分解出的IMF分量为信号中含有信号中的高频成分，包含明显的、重要的特征信息。2.2.2集合经验模态分解EMD虽然是一种具有良好效果的时频分析方法，但其也存在着以下不足：端点效应：由于在EMD分解过程中，原始信号的上、下包络一般需要通过三次样条插值法进行多次重复计算得到，而信号的端点和极值点并不一定为同一数据点，从而无法利用其端点进行运算，导致包络线拟合过程中，在端点位置出现弥散现象，由此产生拟合误差。这种误差会随着算法流程的迭代而不断累积，最终会导致计算结果与真实值相差甚远，从而无法利用该结果进行后续的诊断流程。模态混叠：当原始信号中存在信号间断、噪声、脉冲干扰等异常状态导致的阶跃性信号频率成分时，采用EMD分解得到的IMF分量中可能会存在不同时间尺度的频率成分，导致EMD分解无法准确的分离出不同频率成分的IMF分量，进而无法反映原始信号的真实特征。图2-2EEMD算法流程图Figure2-2EEMDalgorithmflowchart集合经验模态分解(EEMD)是由Wu和Huang.E等人提出的一种改进算法。
【参考文献】：
期刊论文
[1]基于多注意力机制的深度神经网络故障诊断算法[J]. 王翔,任佳. 浙江理工大学学报(自然科学版). 2020(02)
[2]采用多尺度注意力机制的旋转机械故障诊断方法[J]. 吴静然,丁恩杰,崔冉,刘建华. 西安交通大学学报. 2020(02)
[3]一种基于稀疏自编码器的电机故障诊断方法[J]. 王黎阳,杜翀,汪欣,翟旭平. 噪声与振动控制. 2019(05)
[4]基于BQGA-ELM网络在滚动轴承故障诊断中的应用研究[J]. 皮骏,马圣,杜旭博,贺嘉诚,刘光才. 振动与冲击. 2019(18)
[5]基于小波卷积自编码器和LSTM网络的轴承故障诊断研究[J]. 杜小磊,陈志刚,许旭,张楠. 机电工程. 2019(07)
[6]基于时频融合和注意力机制的深度学习行星齿轮箱故障诊断方法[J]. 孔子迁,邓蕾,汤宝平,韩延. 仪器仪表学报. 2019(06)
[7]基于多维缩放和随机森林的轴承故障诊断方法[J]. 张西宁,张雯雯,周融通,余迪. 西安交通大学学报. 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]一种基于一维卷积神经网络的旋转机械智能故障诊断方法[J]. 安晶,艾萍,徐森,刘聪,夏建生,刘大琨. 南京大学学报(自然科学). 2019(01)
[10]交流电机定子绝缘故障诊断与在线监测技术综述[J]. 郑大勇,张品佳. 中国电机工程学报. 2019(02)
博士论文
[1]基于电信号自适应滤波的感应电机故障诊断与状态评估[D]. 王磊.华南理工大学 2018
[2]交流电机转子故障诊断研究[D]. 侯招文.浙江大学 2017
[3]基于多特征融合及深度信念网络的轴承故障诊断[D]. 胡永涛.燕山大学 2017
硕士论文
[1]电机振动监测研究[D]. 解庆春.北京交通大学 2019
[2]基于深度卷积神经网络的旋转机械复合故障诊断方法研究[D]. 蒋剑.中国矿业大学 2019
[3]基于卷积神经网络的电机故障诊断方法研究[D]. 乔林翰.兰州理工大学 2018
[4]基于卷积神经网络的轴承故障诊断算法研究[D]. 张伟.哈尔滨工业大学 2017
[5]基于深度学习模型的感应电机故障诊断方法研究[D]. 孙文珺.东南大学 2017
[6]混合智能故障诊断技术在异步电机故障诊断中的应用研究[D]. 饶利强.南昌大学 2016
本文编号：3349778
【文章来源】：中国矿业大学江苏省 211工程院校 教育部直属院校
【文章页数】：90 页
【学位级别】：硕士
【部分图文】：
学位论文研究路线图
2电机故障诊断原理与信号分析92电机故障诊断原理与信号分析2PrincipleandSignalAnalysisofMotorFaultDiagnosis2.1电机故障机理分析(MotorFailureMechanismAnalysis)电机整体结构分解示意图如图2-1所示。电机易发生故障的基本结构包括定子、转子以及轴承三个部分，其中定子是电机中的固定的静止结构，利用输入电功率产生磁场，而转子同样用于产生磁场，并与定子磁场形成相对运动，二者均为电机输出机械功率的重要部件。电机作为应用广泛的驱动设备，通常处于长时间、高负荷的运行状态，在大量电磁力转为输出扭矩的过程中持续承受着较大机械应力，从而使得电机中的轴承及其他重要部件易出现磨损、损坏等问题，导致电机出现故障无法正常运转。图2-1电机结构分解示意图Figure2-1Decompositionofmotorstructure基于振动信号的故障诊断方法最常用的研究方法之一，因为振动信号是电机电机动态行为的直接反馈之一，其中蕴含能够准确的描述电机故障状态的特征及属性。电机常见的故障类型包括转子弯曲或断条、电压不平衡或单相、定子绕组、轴承故障和气隙平偏心等，此外由于电机机座不平衡和零部件安装误差也会引起电机的异常振动。由于电机振动信号呈现出非平稳、非线性的特点，并且故障状态下的振动信号与正常状态存在较大差异，能够反映不同电机故障状态的特征，因此通常采用一些时频分析方法，如经验模态分解(EMD)、短时傅里叶变换(STFT)、小波变换(WT)等对振动信号进行处理和分析后提取故障特征，或者通过深度学习方法，如卷积神经网络(CNN)、长短时记忆网络(LSTM)等对故障特征进行自动提取，从而实现故障诊断。本小节针对电机转子断条、定子绕组和轴承故障时产生的振动信号进行故障机理分析。
2电机故障诊断原理与信号分析13知，各IMF分量被分解出的先后顺序对应着分量频率成分的高低，即先分解出的IMF分量为信号中含有信号中的高频成分，包含明显的、重要的特征信息。2.2.2集合经验模态分解EMD虽然是一种具有良好效果的时频分析方法，但其也存在着以下不足：端点效应：由于在EMD分解过程中，原始信号的上、下包络一般需要通过三次样条插值法进行多次重复计算得到，而信号的端点和极值点并不一定为同一数据点，从而无法利用其端点进行运算，导致包络线拟合过程中，在端点位置出现弥散现象，由此产生拟合误差。这种误差会随着算法流程的迭代而不断累积，最终会导致计算结果与真实值相差甚远，从而无法利用该结果进行后续的诊断流程。模态混叠：当原始信号中存在信号间断、噪声、脉冲干扰等异常状态导致的阶跃性信号频率成分时，采用EMD分解得到的IMF分量中可能会存在不同时间尺度的频率成分，导致EMD分解无法准确的分离出不同频率成分的IMF分量，进而无法反映原始信号的真实特征。图2-2EEMD算法流程图Figure2-2EEMDalgorithmflowchart集合经验模态分解(EEMD)是由Wu和Huang.E等人提出的一种改进算法。
【参考文献】：
期刊论文
[1]基于多注意力机制的深度神经网络故障诊断算法[J]. 王翔,任佳. 浙江理工大学学报(自然科学版). 2020(02)
[2]采用多尺度注意力机制的旋转机械故障诊断方法[J]. 吴静然,丁恩杰,崔冉,刘建华. 西安交通大学学报. 2020(02)
[3]一种基于稀疏自编码器的电机故障诊断方法[J]. 王黎阳,杜翀,汪欣,翟旭平. 噪声与振动控制. 2019(05)
[4]基于BQGA-ELM网络在滚动轴承故障诊断中的应用研究[J]. 皮骏,马圣,杜旭博,贺嘉诚,刘光才. 振动与冲击. 2019(18)
[5]基于小波卷积自编码器和LSTM网络的轴承故障诊断研究[J]. 杜小磊,陈志刚,许旭,张楠. 机电工程. 2019(07)
[6]基于时频融合和注意力机制的深度学习行星齿轮箱故障诊断方法[J]. 孔子迁,邓蕾,汤宝平,韩延. 仪器仪表学报. 2019(06)
[7]基于多维缩放和随机森林的轴承故障诊断方法[J]. 张西宁,张雯雯,周融通,余迪. 西安交通大学学报. 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]一种基于一维卷积神经网络的旋转机械智能故障诊断方法[J]. 安晶,艾萍,徐森,刘聪,夏建生,刘大琨. 南京大学学报(自然科学). 2019(01)
[10]交流电机定子绝缘故障诊断与在线监测技术综述[J]. 郑大勇,张品佳. 中国电机工程学报. 2019(02)
博士论文
[1]基于电信号自适应滤波的感应电机故障诊断与状态评估[D]. 王磊.华南理工大学 2018
[2]交流电机转子故障诊断研究[D]. 侯招文.浙江大学 2017
[3]基于多特征融合及深度信念网络的轴承故障诊断[D]. 胡永涛.燕山大学 2017
硕士论文
[1]电机振动监测研究[D]. 解庆春.北京交通大学 2019
[2]基于深度卷积神经网络的旋转机械复合故障诊断方法研究[D]. 蒋剑.中国矿业大学 2019
[3]基于卷积神经网络的电机故障诊断方法研究[D]. 乔林翰.兰州理工大学 2018
[4]基于卷积神经网络的轴承故障诊断算法研究[D]. 张伟.哈尔滨工业大学 2017
[5]基于深度学习模型的感应电机故障诊断方法研究[D]. 孙文珺.东南大学 2017
[6]混合智能故障诊断技术在异步电机故障诊断中的应用研究[D]. 饶利强.南昌大学 2016
本文编号：3349778
本文链接：https://www.wllwen.com/kejilunwen/dianlidianqilunwen/3349778.html
