感应电机轴承故障的磁场特征研究

发布时间：2023-03-12 21:39

　　感应电机因具有结构简单、运行可靠且价格低廉等巨大优势,被广泛应用于现代交通系统、工业生产以及居民的日常生活当中。而轴承又是感应电机中最重要的组成部分;因此,为确保机械设备的安全性,迫切需要及时、准确、有效的电机轴承故障诊断方法。本文首先针对电机轴承出现故障时,强噪声背景下弱特征信号的识别问题,采用了基于Teager-Kaiser能量算子故障特征提取方法。从理论上分析了 Teager-Kaiser能量算子应用到杂散磁场中不仅能够解调出故障特征频率,还能够使得较弱的故障特征频率的幅值得到强化,从而提高故障检测的能力。在此基础上,本文先后采用了两个卷积神经网络模型,对从杂散磁场信号中提取到的特征进行故障的分类识别。其中第一个是经典的一维卷积神经网络模型,该模型分别利用磁场信号的时域和频域特征进行故障识别,为了增强模型鲁棒性和泛化能力,使用重采样的方法对所采集的磁场数据集进行强化。并将Teager-Kaiser能量算子提取到的时域和频域特征,输入模型中进行训练和故障识别,结果证明应用频域的故障识别率比时域高2%左右,达到了 85%。通过对杂散磁场信号特点的进一步分析,经过多次的调整、及试验,提...

【文章页数】：59 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
1 绪论
    1.1 课题的来源及研究意义
    1.2 国内外研究现状
    1.3 本文主要研究内容和章节安排
2 感应电机滚动轴承的损伤特征
    2.1 轴承的结构
    2.2 轴承的失效机理
    2.3 轴承损伤的振动特征
    2.4 电机轴承损伤的磁动势特征
        2.4.1 气隙长度变化
        2.4.2 转矩波动
    2.5 电机轴承损伤的杂散磁密特征
        2.5.1 电机杂散磁密的理论基础
        2.5.2 杂散磁通密度中的故障特征分析
    2.6 本章小结
3 基于Teager-Kaiser能量算子的故障特征提取方法研究
    3.1 TKEO能量算子
    3.2 TKEO解调后的磁场特征
    3.3 本章小结
4 基于WDCNN的轴承故障识别方法研究
    4.1 卷积神经网络CNN
        4.1.1 前向传播
        4.1.2 误差反向传播
        4.1.3 优化算法
        4.1.4 强化数据集
        4.1.5 基于一维卷积神经网络的轴承故障诊断
    4.2 深度卷积神经网络WDCNN
        4.2.1 宽卷积核深度卷积神经网络算法描述
        4.2.2 批量归一化处理层
        4.2.3 基于一维宽卷积核深度卷积神经网络的轴承故障诊断
    4.3 一维宽卷积核深度卷积神经网络的故障诊断流程
    4.4 本章小结
5 感应电机轴承故障的试验研究
    5.1 感应电机轴承损伤系统试验平台
    5.2 基于TKEO和WDCNN的故障诊断方法的试验验证
        5.2.1 基于TKEO的故障特征提取
        5.2.2 基于WDCNN的故障识别
    5.3 本章小节
结论
参考文献
致谢
作者简历及攻读硕士学位期间的科研成果



本文编号：3761991