基于数据驱动的开关磁阻电机调速系统故障诊断方法研究
发布时间：2021-09-25 01:49
开关磁阻电机调速系统（Switched Reluctance Motor Drive,SRD）因其结构简单、容错能力好、调速范围广等特点,被广泛应用于新能源汽车、智能家电、航空航天等前沿领域。功率变换器和传感器是SRD中重要的组成部分,且受开关频率和环境影响,这两个部分更易发生故障,从而对调速系统控制效果产生较大影响,甚至可能造成系统崩溃。为此,SRD故障快速诊断具有重要的研究意义和工程价值。基于数据驱动的故障诊断方法在已在船舶、电机、逆变器等领域大量应用,使其无论在诊断速度或精度方面都得到了认可。本文通过对SRD工作原理和故障状态进行分析,提出一种针对开关磁阻电机调速系统功率变换器单管短路故障和电流、转速传感器故障的自适应滑窗故障诊断方法。主要研究内容可分为以下三个部分:首先,对SRD的组成结构、控制方式、数学模型及工作原理进行分析。根据SRD的数学模型,搭建基于Ansoft的开关磁阻电机非线性仿真模型。并通过工作原理分析可能发生的功率变换器和传感器故障类型,比较不同类型故障下SRD的故障特征及所其造成的影响,搭建故障模型并获取故障原始数据,为基于数据驱动的故障诊断方法提供数据支持。...
【文章来源】：西华大学四川省
【文章页数】：80 页
【学位级别】：硕士
【部分图文】：
三类故障诊断方法
第二类是基于信号的故障诊断方法。基于信号的故障诊断方法主要根据故障发生时,系统特征信号在幅值、谐波、频率等指标上发生的变化,通过信号处理方法对故障特征提取实现故障诊断的一种方法[23-25]。常用的信号处理方法包括快速傅里叶变换、小波变换、Park变换、经验模态分解等。文献[26]中针对傅里叶变换仅能较好反应稳态信号这一缺点进行改进,提出分数阶傅里叶变换方法与数值算法相结合的方法解决滚动轴承故障特征提取问题。文献[27]将双重傅里叶积分方法用于H桥变流器开路故障诊断,文中通过双重傅里叶变换对H桥变流器的输出电压进行谐波分析,以此作为故障诊断判据实现故障诊断。文献[28]提出将小波变换与D-S证据理论相结合的列车牵引变流器IGBT故障诊断方法,并通过仿真及实验验证该方法的有效性。文献[29]分别将电流信号和振动信号用作电机轴承故障特征,并对比了包络分析法和希尔伯特变换法作为信号处理方法时的结果,结果表明包络分析法较希尔伯特变换法具有相同的灵敏度,但计算量大大减小。基于信号处理的方法相较于基于模型的方法不需要精确的数学模型,但是为了获取特征信号,引入额外的信号传感器增加了诊断系统的成本,且当受诊系统控制策略发生变化时伴随着特征信号的变换,从而可能导致误诊断[30]。第三类是基于数据驱动的故障诊断方法。基于数据驱动的方法一般建立在基于信号的方法之上,需要对特征数据进行信号处理从而用于智能算法的学习[31,32]。首先,该方法需要获取大量的原始数据,原始数据量极大的影响了故障诊断的精确度。其次,需要对原始数据作信号处理,用于特征数据的选择与提取。最后,将经过处理的特征数据用于智能算法的学习。智能算法的选择对故障诊断速度与精度都影响较大,常用的人工智能算法包括卷积神经网络、极限学习机、支持向量机等[33-35]。基于数据驱动的故障诊断方法过程如图1.3所示。近年来,关于智能算法改进与应用的研究迅猛发展,在电机调速系统、飞行器、冷风机中都得到了实际的应用[36,37]。文献[38,39]将基于数据驱动的故障诊断方法用于高分子电解质膜燃料电池系统,分别以Fisher判别分析法和线性判别分析法作为特征提取方法,均采用改进的球形多分类支持向量机作为诊断方法,并通过实验证明了方法适用于在线诊断。文献[40]对主要成分分析法进行改进,提出一种名为概率相关主要成分分析的方法,并用于高速列车电气驱动系统中,通过对CRH2A型列车的基于DSP实验中验证了该方法的故障检测能力。文献[41]将随机森林算法用于风力涡轮机故障检测,并与神经网络、朴素贝叶斯、k-近邻算法、决策树对比,并验证了该方法的高精度诊断。文献[42]将小波分析法与自回归谱分析法相结合用于振动信号的降噪与特征提取,采用深度置信网络作为轴承故障诊断算法,实验验证在不同负载下该方法的可行性。基于数据驱动的诊断方法同样不需要精确的数学模型,避免了增加逻辑复杂度,且不需要额外的传感器,也避免了系统成本的增加。这种方法的缺点是需要大量的原始数据,在一些系统中,原始数据的获取存在困难,并需要对数据进行离线处理。
第三类是基于数据驱动的故障诊断方法。基于数据驱动的方法一般建立在基于信号的方法之上,需要对特征数据进行信号处理从而用于智能算法的学习[31,32]。首先,该方法需要获取大量的原始数据,原始数据量极大的影响了故障诊断的精确度。其次,需要对原始数据作信号处理,用于特征数据的选择与提取。最后,将经过处理的特征数据用于智能算法的学习。智能算法的选择对故障诊断速度与精度都影响较大,常用的人工智能算法包括卷积神经网络、极限学习机、支持向量机等[33-35]。基于数据驱动的故障诊断方法过程如图1.3所示。近年来,关于智能算法改进与应用的研究迅猛发展,在电机调速系统、飞行器、冷风机中都得到了实际的应用[36,37]。文献[38,39]将基于数据驱动的故障诊断方法用于高分子电解质膜燃料电池系统,分别以Fisher判别分析法和线性判别分析法作为特征提取方法,均采用改进的球形多分类支持向量机作为诊断方法,并通过实验证明了方法适用于在线诊断。文献[40]对主要成分分析法进行改进,提出一种名为概率相关主要成分分析的方法,并用于高速列车电气驱动系统中,通过对CRH2A型列车的基于DSP实验中验证了该方法的故障检测能力。文献[41]将随机森林算法用于风力涡轮机故障检测,并与神经网络、朴素贝叶斯、k-近邻算法、决策树对比,并验证了该方法的高精度诊断。文献[42]将小波分析法与自回归谱分析法相结合用于振动信号的降噪与特征提取,采用深度置信网络作为轴承故障诊断算法,实验验证在不同负载下该方法的可行性。基于数据驱动的诊断方法同样不需要精确的数学模型,避免了增加逻辑复杂度,且不需要额外的传感器,也避免了系统成本的增加。这种方法的缺点是需要大量的原始数据,在一些系统中,原始数据的获取存在困难,并需要对数据进行离线处理。1.2.2 电机调速系统故障诊断方法研究现状与发展趋势
本文编号：3408851
【文章来源】：西华大学四川省
【文章页数】：80 页
【学位级别】：硕士
【部分图文】：
三类故障诊断方法
第二类是基于信号的故障诊断方法。基于信号的故障诊断方法主要根据故障发生时,系统特征信号在幅值、谐波、频率等指标上发生的变化,通过信号处理方法对故障特征提取实现故障诊断的一种方法[23-25]。常用的信号处理方法包括快速傅里叶变换、小波变换、Park变换、经验模态分解等。文献[26]中针对傅里叶变换仅能较好反应稳态信号这一缺点进行改进,提出分数阶傅里叶变换方法与数值算法相结合的方法解决滚动轴承故障特征提取问题。文献[27]将双重傅里叶积分方法用于H桥变流器开路故障诊断,文中通过双重傅里叶变换对H桥变流器的输出电压进行谐波分析,以此作为故障诊断判据实现故障诊断。文献[28]提出将小波变换与D-S证据理论相结合的列车牵引变流器IGBT故障诊断方法,并通过仿真及实验验证该方法的有效性。文献[29]分别将电流信号和振动信号用作电机轴承故障特征,并对比了包络分析法和希尔伯特变换法作为信号处理方法时的结果,结果表明包络分析法较希尔伯特变换法具有相同的灵敏度,但计算量大大减小。基于信号处理的方法相较于基于模型的方法不需要精确的数学模型,但是为了获取特征信号,引入额外的信号传感器增加了诊断系统的成本,且当受诊系统控制策略发生变化时伴随着特征信号的变换,从而可能导致误诊断[30]。第三类是基于数据驱动的故障诊断方法。基于数据驱动的方法一般建立在基于信号的方法之上,需要对特征数据进行信号处理从而用于智能算法的学习[31,32]。首先,该方法需要获取大量的原始数据,原始数据量极大的影响了故障诊断的精确度。其次,需要对原始数据作信号处理,用于特征数据的选择与提取。最后,将经过处理的特征数据用于智能算法的学习。智能算法的选择对故障诊断速度与精度都影响较大,常用的人工智能算法包括卷积神经网络、极限学习机、支持向量机等[33-35]。基于数据驱动的故障诊断方法过程如图1.3所示。近年来,关于智能算法改进与应用的研究迅猛发展,在电机调速系统、飞行器、冷风机中都得到了实际的应用[36,37]。文献[38,39]将基于数据驱动的故障诊断方法用于高分子电解质膜燃料电池系统,分别以Fisher判别分析法和线性判别分析法作为特征提取方法,均采用改进的球形多分类支持向量机作为诊断方法,并通过实验证明了方法适用于在线诊断。文献[40]对主要成分分析法进行改进,提出一种名为概率相关主要成分分析的方法,并用于高速列车电气驱动系统中,通过对CRH2A型列车的基于DSP实验中验证了该方法的故障检测能力。文献[41]将随机森林算法用于风力涡轮机故障检测,并与神经网络、朴素贝叶斯、k-近邻算法、决策树对比,并验证了该方法的高精度诊断。文献[42]将小波分析法与自回归谱分析法相结合用于振动信号的降噪与特征提取,采用深度置信网络作为轴承故障诊断算法,实验验证在不同负载下该方法的可行性。基于数据驱动的诊断方法同样不需要精确的数学模型,避免了增加逻辑复杂度,且不需要额外的传感器,也避免了系统成本的增加。这种方法的缺点是需要大量的原始数据,在一些系统中,原始数据的获取存在困难,并需要对数据进行离线处理。
第三类是基于数据驱动的故障诊断方法。基于数据驱动的方法一般建立在基于信号的方法之上,需要对特征数据进行信号处理从而用于智能算法的学习[31,32]。首先,该方法需要获取大量的原始数据,原始数据量极大的影响了故障诊断的精确度。其次,需要对原始数据作信号处理,用于特征数据的选择与提取。最后,将经过处理的特征数据用于智能算法的学习。智能算法的选择对故障诊断速度与精度都影响较大,常用的人工智能算法包括卷积神经网络、极限学习机、支持向量机等[33-35]。基于数据驱动的故障诊断方法过程如图1.3所示。近年来,关于智能算法改进与应用的研究迅猛发展,在电机调速系统、飞行器、冷风机中都得到了实际的应用[36,37]。文献[38,39]将基于数据驱动的故障诊断方法用于高分子电解质膜燃料电池系统,分别以Fisher判别分析法和线性判别分析法作为特征提取方法,均采用改进的球形多分类支持向量机作为诊断方法,并通过实验证明了方法适用于在线诊断。文献[40]对主要成分分析法进行改进,提出一种名为概率相关主要成分分析的方法,并用于高速列车电气驱动系统中,通过对CRH2A型列车的基于DSP实验中验证了该方法的故障检测能力。文献[41]将随机森林算法用于风力涡轮机故障检测,并与神经网络、朴素贝叶斯、k-近邻算法、决策树对比,并验证了该方法的高精度诊断。文献[42]将小波分析法与自回归谱分析法相结合用于振动信号的降噪与特征提取,采用深度置信网络作为轴承故障诊断算法,实验验证在不同负载下该方法的可行性。基于数据驱动的诊断方法同样不需要精确的数学模型,避免了增加逻辑复杂度,且不需要额外的传感器,也避免了系统成本的增加。这种方法的缺点是需要大量的原始数据,在一些系统中,原始数据的获取存在困难,并需要对数据进行离线处理。1.2.2 电机调速系统故障诊断方法研究现状与发展趋势
本文编号：3408851
本文链接：https://www.wllwen.com/kejilunwen/dianlidianqilunwen/3408851.html
