基于模型的異步電動機(jī)早期故障智能診斷.pdf

1、異步電動機(jī)是用于驅(qū)動各種機(jī)械和工業(yè)設(shè)備的最通用裝置，作為工礦企業(yè)大型的動力機(jī)械，其工作負(fù)荷較重，工作環(huán)境較差，因此在機(jī)械方面、電氣方面發(fā)生故障的情況非常普遍，如定子鐵芯故障、繞組絕緣故障、定子端部線圈故障、轉(zhuǎn)子繞組的故障、轉(zhuǎn)子本體故障、電氣不平衡故障、軸承故障，等等，一旦發(fā)生故障和停運(yùn)，不僅會損壞昂貴的電動機(jī)本身，而且直接威脅到整個工礦企業(yè)系統(tǒng)的安全和生產(chǎn)，造成巨大的經(jīng)濟(jì)損失。雖然現(xiàn)有的繼電保護(hù)功能已十分完善，但繼電保護(hù)系統(tǒng)只是當(dāng)被監(jiān)視

2、參數(shù)達(dá)到或超過繼電器整定值時才起作用，當(dāng)繼電保護(hù)系統(tǒng)動作后，電動機(jī)被突然切斷而使生產(chǎn)流程意外中止，仍然可能導(dǎo)致重大的經(jīng)濟(jì)損失。為了將因電動機(jī)故障造成的損失降低到最小的程度，人們迫切希望能對電動機(jī)的早期故障進(jìn)行檢測。這對于人們及早發(fā)現(xiàn)故障，預(yù)防故障的進(jìn)一步惡化，以防止災(zāi)難性的事故發(fā)生，及時進(jìn)行故障定位、決策和維修，是非常重要的。 異步電動機(jī)作為復(fù)雜的機(jī)電系統(tǒng)，具有非線性傳遞特性，并且當(dāng)其環(huán)境和輸人為非平穩(wěn)過程時也會產(chǎn)生非平穩(wěn)時變信

3、號，它的故障機(jī)理非常復(fù)雜，其故障原因與其征兆之間的關(guān)系并非完全是一一對應(yīng)的關(guān)系，往往是同一故障表現(xiàn)為多個征兆，而某一征兆又可能同時反映不同的故障狀態(tài)，有些故障的成因和故障發(fā)展各個時期的表現(xiàn)和征兆至今還不十分清楚，利用少量信息無法確切分析和精確提取它們的早期故障特征，特別是早期故障物理信號的微弱性和不明晰性，使得早期故障診斷和多故障分離更加困難。 本文對國內(nèi)外異步電動機(jī)故障診斷現(xiàn)狀等進(jìn)行了較全面的概述，指出了目前廣泛應(yīng)用的診斷系統(tǒng)

4、的不足。首先，就信號分析方法而言，主要使用的Fourier分析方法，其局部性很差，對非平穩(wěn)信號的處理存在著誤差，小波分析雖然優(yōu)于Fourier分析，但小波分析對一些故障信號特征相似，不易進(jìn)行故障分離；其次，在診斷信號的選擇上，大部分選擇的是電機(jī)的線電流，比如利用線電流中2sf的邊頻成分診斷轉(zhuǎn)子斷條故障，但由于基頻的泄漏，邊頻成分很難檢測到，特別是在斷條數(shù)量少或輕載時就更難了，無法實(shí)現(xiàn)早期診斷；第三，在診斷的方法上也是不盡如意；第四，目前

5、用于電機(jī)設(shè)備故障診斷的方法有離線診斷和在線診斷，而在故障發(fā)生后進(jìn)行的離線診斷占有相當(dāng)大的比例，這給正常的生產(chǎn)和工作，帶來極大的影響和損失，特別是要實(shí)現(xiàn)電動機(jī)的早期故障預(yù)測，及時發(fā)現(xiàn)早期的故障隱患，則診斷的在線實(shí)時性是必須的，但目前在這方面的應(yīng)用還較少；第五，現(xiàn)在大部分診斷還是建立在一個或幾個信號監(jiān)測的基礎(chǔ)上，利用多傳感器信息的很少，特別是利用多傳感器信息融合對電動機(jī)進(jìn)行在線實(shí)時早期故障預(yù)測就更少了；第六，對利用人工智能，如神經(jīng)網(wǎng)絡(luò)對電機(jī)

6、進(jìn)行故障診斷，多采用模式識別方法，也就是對故障進(jìn)行分類，雖然對未訓(xùn)練過的采樣數(shù)據(jù)也有不同程度的自學(xué)習(xí)功能，但泛化能力仍然是有限的。 為此，本文在深入調(diào)研、比較的基礎(chǔ)上，分析了電機(jī)故障的電磁學(xué)與動力學(xué)特征，分別在dq0和abc坐標(biāo)下建立了異步電動機(jī)的故障模型，并根據(jù)模型分析了其正常運(yùn)行及有故障跡象時異步電動機(jī)外部特征和內(nèi)部參數(shù)的變化規(guī)律，從而找出了需要采集的信息和需要辨識的參數(shù)，即在電機(jī)常見故障機(jī)理分析的基礎(chǔ)上確定了振動、電流、功

7、率等頻譜上的特征，探討了電機(jī)故障信息的表現(xiàn)形式，提出了電機(jī)的各種故障都能在電機(jī)的振動、電流、功率和溫度等信號頻譜中反映出來，同時伴隨著電機(jī)參數(shù)如轉(zhuǎn)子電阻等的變化。 論文對信號處理的常用方法進(jìn)行了論述和比較，在故障機(jī)理分析的基礎(chǔ)上，以小波包理論為基礎(chǔ)，對采集信號作了8或9層小波包分解，同時以Fourier分析為輔助。通過采用小波包和Fourier分析相結(jié)合的方法，選出各信號的特征向量頻段，用各個頻段的能量特征值和功率譜幅值作為判據(jù)

8、，形成特征值，與辨識得出的轉(zhuǎn)子電阻等參數(shù)一起經(jīng)智能預(yù)測后形成神經(jīng)網(wǎng)絡(luò)的輸入向量。 針對神經(jīng)網(wǎng)絡(luò)的原理和結(jié)構(gòu)進(jìn)行了探討和綜合，通過分析各網(wǎng)絡(luò)的特點(diǎn)并結(jié)合具體的應(yīng)用要求，選擇了函數(shù)逼近功能較強(qiáng)、結(jié)構(gòu)又相對簡單的徑向基神經(jīng)網(wǎng)絡(luò)，引出了基于電流、功率、振動、電壓、溫度、參數(shù)等的多物理效應(yīng)的各個子神經(jīng)網(wǎng)絡(luò)，并在網(wǎng)絡(luò)參數(shù)的訓(xùn)練上引入遺傳算法，使系統(tǒng)的智能化水平得到進(jìn)一步提高，而且利用D-S理論對各個子網(wǎng)絡(luò)的輸出進(jìn)行多信息融合，使系統(tǒng)的輸出真

9、實(shí)可靠。最后，根據(jù)需要設(shè)計(jì)了實(shí)驗(yàn)方案，并通過分析、試驗(yàn)優(yōu)化了傳感器的選擇和配置，模擬了各種故障，對提出的理論方法進(jìn)行了驗(yàn)證。 本文具有以下特點(diǎn)：1、提出了基于異步電動機(jī)多物理效應(yīng)和參數(shù)的多傳感器信息處理及融合的人工神經(jīng)網(wǎng)絡(luò)系統(tǒng)；2、在所選擇的徑向基神經(jīng)網(wǎng)絡(luò)的基函數(shù)參數(shù)的確定上避免了經(jīng)驗(yàn)選擇法，將基于遺傳算法的聚類方法用于動態(tài)確定基函數(shù)的中心，在基函數(shù)的寬度及網(wǎng)絡(luò)輸出權(quán)值的訓(xùn)練上也采用遺傳算法，并且是在吸收眾多優(yōu)秀算法的基礎(chǔ)上提出

10、的，一是采用杰出個體保護(hù)策略，二是動態(tài)改變變異概率和交叉概率，三是進(jìn)行兩點(diǎn)交叉，這樣使得遺傳算法具有強(qiáng)收斂性，同時使神經(jīng)網(wǎng)絡(luò)具有很強(qiáng)的泛化能力；3、將信號小波包分析、傅立葉分析有機(jī)結(jié)合，提取電動機(jī)的特征向量；4、由于對象知識的局限性，引入了智能灰色預(yù)測，與信號分析、神經(jīng)網(wǎng)絡(luò)、信息融合有機(jī)結(jié)合，使早期故障預(yù)測模型具有很高的智能化水平；5、由于本項(xiàng)目要投入實(shí)際應(yīng)用，所以不能僅僅停留在MATLAB的仿真上，所以本系統(tǒng)在充分利用MATLAB資源

11、的基礎(chǔ)上利用先進(jìn)的器件得以實(shí)現(xiàn)；6、由于RBF網(wǎng)絡(luò)具有模型擬合性能好、補(bǔ)償能力強(qiáng)、建模時間短等優(yōu)點(diǎn)，因此此模型優(yōu)于其它方式的模型；7、在硬件的實(shí)現(xiàn)上充分采用先進(jìn)的器件，使系統(tǒng)在信號的采集、信號的處理以及信號的隔離等方面均處于應(yīng)用領(lǐng)先的水平；8、在傳感器的配置上進(jìn)行優(yōu)化，選擇的監(jiān)測信息合理，組成以多種傳感器配置的網(wǎng)絡(luò)結(jié)構(gòu)，使得信息在硬件上具有冗余性，避免了由于某一個或某幾個傳感器的意外失效而使整個監(jiān)測系統(tǒng)癱瘓的惡果。 總之，論文首