基于小波分析的中小型电机故障诊断研究
|
摘要
随着经济建设的发展和电气化程度的提高，电机已被广泛应用于工业生产的各个领域，电机一旦发生故障，即使是停止工作的时间极短，也会造成局部或大区域的停电，从而造成巨大的经济损失和重大的社会影响。因此，研究不同场合、不同运行状态下电机故障诊断理论和技术是提高生产设备可靠运行的保证。电机故障的类型多种多样：既有缓变故障和突变故障，又有电气故障和机械故障；既有线性系统故障，又有非线性系统故障，其关系错综复杂。诊断技术就是要通过各种检测技术，测定出能反映故障隐患和趋向的参数，从中得到预警信息。进一步通过信息分析对电动机故障程度和起因有一个准确判断，能及时和有效的对电动机进行维修、排除故障，以实现电动机的预知维修，而不致影响生产。
本文基于小波分析对中小型电机故障诊断进行研究，同时应用Fourier分析，实现对电机电气故障和机械故障的综合诊断。
研究了基于小波分析的常用降噪方法并对各种降噪方法进行了比较，比较结果说明根据各频带携带能量进行降噪和浮动阈值法对电机信号降噪都能得到较好的降噪效果。而前一种方法需要大量的先验知识，采用浮动阈值法则不需要这些先验知识，同时能取得较好的降噪效果。
文中阐述了电机各种故障的机理、产生原因和其在电机振动频谱或电流频谱中的表现。利用小波包算法良好的时频分析能力，对750w分数槽化纤电机和22kw永磁电机进行故障诊断。首先应用浮动阈值法对原始信号进行降噪，实际测试表明取得了良好的效果；然后用FFT算法对电机故障进行初步诊断，在对难以用FFT变换判定的频段进行小波分析准确判断电机故障。实验测得22kw永磁电机的故障只有电气故障：气隙偏心；而750w分数槽化纤电机出现了转子断条和电机前端轴承外套损坏故障，为电机的电气故障和机械故障同时出现。结果表明应用小波算法可以准确识别多模式并存故障。
With the development of economy construction and the improvement of electric degree, electric machinery has been used in many fields of industry. When electric machinery is in fault conduction fault, power cut will happen in some places so that there is huge economy loss and important influence on society. So the study on the fault diagnosis theory and technology of electric machinery under all kinds of instance is a pledge, which makes equipments work normally. There are many kinds of electric machinery. For example, slow variety fault and sudden variety fault, electric fault and machinery fault, linearity system fault and unlinearity system fault, their ties are very complex. Fault diagnosis can get the information of beforehand alarm through the parameters, which can reflect the hidden trouble and trend measured by all kinds of technology. Furthermore, we draw a correct conclusion of the diagnosis degree and origin, so we can maintain electromotor in time and get rid of the diagnosis. And we can realize p
redict service and don't influence the produce.
Through the Wavelet analysis and the study of wavelet analysis we can realize comprehensive diagnosis of electric fault and machinery fault.
In the paper the mechanism, cause and exhibition in vibration frequency and current frequency of electric machinery are stated. Fault diagnosis is made in 750w fraction slot melt electric machinery and 22kw permanent magnet electric machinery with good frequency ability of wavelet analysis. Firstly, db4 wavelet reduction noise of original signal ,which shows the testing is good; secondly, FFT analysis does with the fault of electric machinery accidentally, and those which can't be deal with FFT are dealt with wavelet analysis on electric machinery. The result from the experiment of 22kw permanent magnet electric machinery shows that it only has electric fault: gas interval eccentricity; 750w fraction slot melt electric machinery has break of rotor twig and beaming bear coat shatter diagnosis, which is electric fault and
machinery fault. The examination shows that wavelet analysis can identify many faults at the same time veraciously.
本文基于小波分析对中小型电机故障诊断进行研究，同时应用Fourier分析，实现对电机电气故障和机械故障的综合诊断。
研究了基于小波分析的常用降噪方法并对各种降噪方法进行了比较，比较结果说明根据各频带携带能量进行降噪和浮动阈值法对电机信号降噪都能得到较好的降噪效果。而前一种方法需要大量的先验知识，采用浮动阈值法则不需要这些先验知识，同时能取得较好的降噪效果。
文中阐述了电机各种故障的机理、产生原因和其在电机振动频谱或电流频谱中的表现。利用小波包算法良好的时频分析能力，对750w分数槽化纤电机和22kw永磁电机进行故障诊断。首先应用浮动阈值法对原始信号进行降噪，实际测试表明取得了良好的效果；然后用FFT算法对电机故障进行初步诊断，在对难以用FFT变换判定的频段进行小波分析准确判断电机故障。实验测得22kw永磁电机的故障只有电气故障：气隙偏心；而750w分数槽化纤电机出现了转子断条和电机前端轴承外套损坏故障，为电机的电气故障和机械故障同时出现。结果表明应用小波算法可以准确识别多模式并存故障。
With the development of economy construction and the improvement of electric degree, electric machinery has been used in many fields of industry. When electric machinery is in fault conduction fault, power cut will happen in some places so that there is huge economy loss and important influence on society. So the study on the fault diagnosis theory and technology of electric machinery under all kinds of instance is a pledge, which makes equipments work normally. There are many kinds of electric machinery. For example, slow variety fault and sudden variety fault, electric fault and machinery fault, linearity system fault and unlinearity system fault, their ties are very complex. Fault diagnosis can get the information of beforehand alarm through the parameters, which can reflect the hidden trouble and trend measured by all kinds of technology. Furthermore, we draw a correct conclusion of the diagnosis degree and origin, so we can maintain electromotor in time and get rid of the diagnosis. And we can realize p
redict service and don't influence the produce.
Through the Wavelet analysis and the study of wavelet analysis we can realize comprehensive diagnosis of electric fault and machinery fault.
In the paper the mechanism, cause and exhibition in vibration frequency and current frequency of electric machinery are stated. Fault diagnosis is made in 750w fraction slot melt electric machinery and 22kw permanent magnet electric machinery with good frequency ability of wavelet analysis. Firstly, db4 wavelet reduction noise of original signal ,which shows the testing is good; secondly, FFT analysis does with the fault of electric machinery accidentally, and those which can't be deal with FFT are dealt with wavelet analysis on electric machinery. The result from the experiment of 22kw permanent magnet electric machinery shows that it only has electric fault: gas interval eccentricity; 750w fraction slot melt electric machinery has break of rotor twig and beaming bear coat shatter diagnosis, which is electric fault and
machinery fault. The examination shows that wavelet analysis can identify many faults at the same time veraciously.
引文
[1] 虞和济．故障诊断的基本原理[M]．北京：冶金工业出版社，1989
[2] 屈梁生，何正嘉．机械故障诊断学[M]．上海：上海科学技术出版社，1986
[3] Collacott R A. Mechanical Fault Diagnosis and Condition Monitoring[M]. London, Chapman and Hall, 1977
[4] 张小飞，徐大专，齐泽锋．基于小波变换奇异信号检测的研究[J]．系统工程与电子技术，2003，27(5)：814～816
[5] Kajior Watanabe, et al. Incipient Fault Diagnosis of Chemical Processes via Artifical Neural Networks[J]. Journal of AIChE, 1989, 3(11): 1803～1812
[6] Falconer，K．J．分形几何-数学基础及应用[M]．曾文曲，刘世雄等译，东北工学院出版社，1992
[7] 陈克兴，李川奇等．设备状态监测与故障诊断技术[M]．北京：科学技术文献出版社，1991
[8] King I J,et al.. Plant diagnostic relies on artificial intelligence transmissions from remote site[J]. Power, 1988, 132: 57～60
[9] 徐敏．我国设备诊断发展简史与未来[J]．1995年全国设备诊断学术会议论文集(上册)：7～15
[10] 虞和济．设备故障诊断技术的现状极其发展[M]．基础自动化，1996，5：1～5
[11] Ho T K, Hull J J, Srihari S N.. Decision combination in multiple classifier systems[J]. IEEE Trans on PAMI, 1994, 16(1): 66～75
[12] B. Delyon, A. Juditsky, A. Benveniste. Accuracy Analysis for Wavelet Approximations[J]. IEEE Transactions on Neural Networks, 1995, 6(2): 332～348
[13] 秦前清，杨宗凯编著．实用小波分析[M]．西安：西安电子科技大学出版社，1995，14～26：197～203
[14] 侯祥林．非线性系统故障的分形和神经网络智能诊断方法研究[D]．博士学位论文，1999
[15] Flandrin, P.. On the spectrum of fractional brownian motions[J]. IEEE Trans on Information Theory, 1989, 35(1): 197～199
[16] 赵振宇，徐用懋著，模糊理论和神经网络的基础与应用[M]．清华大学出版社，广西科学技术出版社，1996
[17] Kandel A.. Fuzzy Techniques in Pattern Recognition[M].New York: Wiley Interscience, 1982
[18] Zadeh L A.. Fuzzy algorithms. Information and Control[J]. 1968, 12: 94～102
[19] 杨叔子，丁洪等．基于知识的诊断推理[M]．清华大学出版社，广西科学出版社，1993
[20] 陈哲，冯天瑾．小波分析与神经网络结合的研究进展[J]．电子科学学刊，2000，22(3)：495～501
[21] 周永．基于小波和神经网络的柴油机故障振声诊断[D]．东北大学博士学位论文，1997
[22] 陈长征，勾轶，王毅，唐任远．基于遗传神经网络的汽轮发电机组故障诊断研究．高电压技术[J]，2003，29(8)：1～2，31
[23] 杨英杰．结构故障诊断智能系统的研究[D]．东北大学博士论文，1993．11
[24] 陈长征．旋转机械故障智能诊断方法研究[D]．中国矿业大学博士论文，1998，5
[25] 敬忠良，杨永胜，李建勋，戴冠中．基于模糊神经网络和D-S推理的智能特征信息融合研究[J]．信息与控制，1997，26(2)：107～111
[26] 孙卫权．电机故障的诊断及预防[J]．甘肃冶金，2001，3：9～11
[27] 邱阿瑞，孙健．电机故障模式识别与珍断[J]．清华大学学报(自然科学版)，1999，39(3)：72～74
[28] 吕锋，王秀青．电机设备故障诊断技术的新进展[J]．上海海运学院学报，2001，22(3)：1～4
[29] 任震，何建军，黄雯莹，吴国沛．基于小波包算法的电机故障信号的压缩和重构[J]．中国电机工程学报，2001，21(1)：25～29
[30] 王晓华，谭得健，张申．小波变换用于采煤机牵引部电机振动信号故障诊断[J]．煤炭科技，2001，2：7～9
[31] Kyustmg Kim, Alexander G. Parlos. Induction Motor Fault Diagnosis Based on Neuropredictors and Wavelet Signal Processing[J]. IEEE/ASME Trans on Mechatronics, 2002, 7(2): 201～219
[32] 宋京伟，佐山隼敏，铃木和彦．人工神经网络与故障诊断[J]．华东交通大学学报，1994，11(3)：1～9
[33] Y. C. Pati, P.S. Krishnaprasad. Analysis and Synthesis of Feedforward Neural Networks Using Discrete Affine Wavelet Transformations[J]. IEEE Transactions on Neural Networks, 1993, 4(1): 73～85
[34] Meyer, Y.. Ondelettes et functions splines, Seminaire EDP[M]. Paris: Ecole Polytechnique, 1986
[35] Mallat, S.. Multiresolution representations and wavelets[D]. Ph.D. Thesis, University of Pennsylvania, Philadelphia, PA, 1988
[36] I. Daubechies. The wavelet transform, time-frequency localization and signal analysis[J]. IEEETrans. Information Theory, 1990, 36(5): 961～1005
[37] 崔锦泰著，程正兴译．小波分析导论[M]．西安交通大学出版社，1995
[38] 冉启文．小波变换与分数傅立叶变换理论及应用[M]．哈尔滨：哈尔滨工业大学出版社，2001
[39] 虞和济，陈长征等．基于神经网络的智能诊断[M]．北京：冶金工业出版社，2000
[40] 孙云莲，刘敦敏．时频分析与小波变换及其应用[J]．武汉大学学报(工学版)，2003，36(2)：103～106
[41] 石启星，田金文，柳健．小波变换及其在信号处理中的应用[J]．遥测遥控，1996，17(3)：56～61
[42] 周小勇，叶银忠．故障信号检测的小波基选择方法[J]．控制工程，2003，10(4)：308～311
[43] 董俊清．关于电机故障及其检测技术的研究[J]．电气传动自动化，2000， 22(5)：18～20
[44] 毛建中．设备中常见电机故障的判断和修理(1)[J]．微电机，1998，31(5)：53～54
[45] 阎舒静，张桃平．振动分析在电机故障诊断中的应用[J]．河北煤炭，1998，3： 28～29
[46] 蔡伟宏，陈明．分析电机振动的一种新方法[J]．防爆电机，2001，3：32～34
[47] 王晓华，谭得健，丁恩杰．基于小波的采煤机截割电机电流故障信号去噪和检测． 煤炭技术，2001，20(3)：10～12
[48] K. Kim, A.G.Parlos. Model-based Fault Diagnosis of Induction Motors Using Nonstationary Signal Segmentation[J]. Mechanical Systems and Signal processing, 2002, 16(2): 223～253
[49] K Berkner, Jr R O Wel Is. Wavelets transform and denoising algorithm[J]. Signal, System & co-mputes, Conference Record of the Thirty-second Asilomar Conference, 1998, (2): 1639～1643
[50] 魏云冰，黄进，黄建华．基于小波包变换的电机测试信号去噪处理[J]．电工技术学报，2001，16(5)：64～67
[2] 屈梁生，何正嘉．机械故障诊断学[M]．上海：上海科学技术出版社，1986
[3] Collacott R A. Mechanical Fault Diagnosis and Condition Monitoring[M]. London, Chapman and Hall, 1977
[4] 张小飞，徐大专，齐泽锋．基于小波变换奇异信号检测的研究[J]．系统工程与电子技术，2003，27(5)：814～816
[5] Kajior Watanabe, et al. Incipient Fault Diagnosis of Chemical Processes via Artifical Neural Networks[J]. Journal of AIChE, 1989, 3(11): 1803～1812
[6] Falconer，K．J．分形几何-数学基础及应用[M]．曾文曲，刘世雄等译，东北工学院出版社，1992
[7] 陈克兴，李川奇等．设备状态监测与故障诊断技术[M]．北京：科学技术文献出版社，1991
[8] King I J,et al.. Plant diagnostic relies on artificial intelligence transmissions from remote site[J]. Power, 1988, 132: 57～60
[9] 徐敏．我国设备诊断发展简史与未来[J]．1995年全国设备诊断学术会议论文集(上册)：7～15
[10] 虞和济．设备故障诊断技术的现状极其发展[M]．基础自动化，1996，5：1～5
[11] Ho T K, Hull J J, Srihari S N.. Decision combination in multiple classifier systems[J]. IEEE Trans on PAMI, 1994, 16(1): 66～75
[12] B. Delyon, A. Juditsky, A. Benveniste. Accuracy Analysis for Wavelet Approximations[J]. IEEE Transactions on Neural Networks, 1995, 6(2): 332～348
[13] 秦前清，杨宗凯编著．实用小波分析[M]．西安：西安电子科技大学出版社，1995，14～26：197～203
[14] 侯祥林．非线性系统故障的分形和神经网络智能诊断方法研究[D]．博士学位论文，1999
[15] Flandrin, P.. On the spectrum of fractional brownian motions[J]. IEEE Trans on Information Theory, 1989, 35(1): 197～199
[16] 赵振宇，徐用懋著，模糊理论和神经网络的基础与应用[M]．清华大学出版社，广西科学技术出版社，1996
[17] Kandel A.. Fuzzy Techniques in Pattern Recognition[M].New York: Wiley Interscience, 1982
[18] Zadeh L A.. Fuzzy algorithms. Information and Control[J]. 1968, 12: 94～102
[19] 杨叔子，丁洪等．基于知识的诊断推理[M]．清华大学出版社，广西科学出版社，1993
[20] 陈哲，冯天瑾．小波分析与神经网络结合的研究进展[J]．电子科学学刊，2000，22(3)：495～501
[21] 周永．基于小波和神经网络的柴油机故障振声诊断[D]．东北大学博士学位论文，1997
[22] 陈长征，勾轶，王毅，唐任远．基于遗传神经网络的汽轮发电机组故障诊断研究．高电压技术[J]，2003，29(8)：1～2，31
[23] 杨英杰．结构故障诊断智能系统的研究[D]．东北大学博士论文，1993．11
[24] 陈长征．旋转机械故障智能诊断方法研究[D]．中国矿业大学博士论文，1998，5
[25] 敬忠良，杨永胜，李建勋，戴冠中．基于模糊神经网络和D-S推理的智能特征信息融合研究[J]．信息与控制，1997，26(2)：107～111
[26] 孙卫权．电机故障的诊断及预防[J]．甘肃冶金，2001，3：9～11
[27] 邱阿瑞，孙健．电机故障模式识别与珍断[J]．清华大学学报(自然科学版)，1999，39(3)：72～74
[28] 吕锋，王秀青．电机设备故障诊断技术的新进展[J]．上海海运学院学报，2001，22(3)：1～4
[29] 任震，何建军，黄雯莹，吴国沛．基于小波包算法的电机故障信号的压缩和重构[J]．中国电机工程学报，2001，21(1)：25～29
[30] 王晓华，谭得健，张申．小波变换用于采煤机牵引部电机振动信号故障诊断[J]．煤炭科技，2001，2：7～9
[31] Kyustmg Kim, Alexander G. Parlos. Induction Motor Fault Diagnosis Based on Neuropredictors and Wavelet Signal Processing[J]. IEEE/ASME Trans on Mechatronics, 2002, 7(2): 201～219
[32] 宋京伟，佐山隼敏，铃木和彦．人工神经网络与故障诊断[J]．华东交通大学学报，1994，11(3)：1～9
[33] Y. C. Pati, P.S. Krishnaprasad. Analysis and Synthesis of Feedforward Neural Networks Using Discrete Affine Wavelet Transformations[J]. IEEE Transactions on Neural Networks, 1993, 4(1): 73～85
[34] Meyer, Y.. Ondelettes et functions splines, Seminaire EDP[M]. Paris: Ecole Polytechnique, 1986
[35] Mallat, S.. Multiresolution representations and wavelets[D]. Ph.D. Thesis, University of Pennsylvania, Philadelphia, PA, 1988
[36] I. Daubechies. The wavelet transform, time-frequency localization and signal analysis[J]. IEEETrans. Information Theory, 1990, 36(5): 961～1005
[37] 崔锦泰著，程正兴译．小波分析导论[M]．西安交通大学出版社，1995
[38] 冉启文．小波变换与分数傅立叶变换理论及应用[M]．哈尔滨：哈尔滨工业大学出版社，2001
[39] 虞和济，陈长征等．基于神经网络的智能诊断[M]．北京：冶金工业出版社，2000
[40] 孙云莲，刘敦敏．时频分析与小波变换及其应用[J]．武汉大学学报(工学版)，2003，36(2)：103～106
[41] 石启星，田金文，柳健．小波变换及其在信号处理中的应用[J]．遥测遥控，1996，17(3)：56～61
[42] 周小勇，叶银忠．故障信号检测的小波基选择方法[J]．控制工程，2003，10(4)：308～311
[43] 董俊清．关于电机故障及其检测技术的研究[J]．电气传动自动化，2000， 22(5)：18～20
[44] 毛建中．设备中常见电机故障的判断和修理(1)[J]．微电机，1998，31(5)：53～54
[45] 阎舒静，张桃平．振动分析在电机故障诊断中的应用[J]．河北煤炭，1998，3： 28～29
[46] 蔡伟宏，陈明．分析电机振动的一种新方法[J]．防爆电机，2001，3：32～34
[47] 王晓华，谭得健，丁恩杰．基于小波的采煤机截割电机电流故障信号去噪和检测． 煤炭技术，2001，20(3)：10～12
[48] K. Kim, A.G.Parlos. Model-based Fault Diagnosis of Induction Motors Using Nonstationary Signal Segmentation[J]. Mechanical Systems and Signal processing, 2002, 16(2): 223～253
[49] K Berkner, Jr R O Wel Is. Wavelets transform and denoising algorithm[J]. Signal, System & co-mputes, Conference Record of the Thirty-second Asilomar Conference, 1998, (2): 1639～1643
[50] 魏云冰，黄进，黄建华．基于小波包变换的电机测试信号去噪处理[J]．电工技术学报，2001，16(5)：64～67