其他分享
首页 > 其他分享> > 基于HHT和RBF神经网络的故障检测——第二篇论文读后感

基于HHT和RBF神经网络的故障检测——第二篇论文读后感

作者:互联网

 故障诊断主要包括三部分:

  1、故障信号检测方法(定子电流信号检测 [ 定子电流幅值和电流频谱 ] ,振动信号检测,温度信号检测,磁通检测法,绝缘检测法,噪声检测法)

  2、故障信号的处理方法,即故障特征提取(FFT,Hilbert 变换,小波变换,Hilbert-Huang变换)。

  3、故障识别技术

 异步电动机构成:定子,转子,轴承,机座,扇叶和空气间隙

工作原理:通电流引起旋转磁场,旋转磁场和感应电流相互作用,形成电磁转矩,达成了从电能到机械能的转换。

故障类型:

  1、定子部分故障(12.9%)

  2、转子部分故障(10%)

  电机启动时突然增加的电流和温度,受到冲击性负载,转子质量不好都会对转子有很大的冲击。

   3、气隙偏心(原本定子和转子应是同心)

   这种状况会导致振动和噪声,严重的话会是定子和转子互相摩擦而导致电流过大,情况可分为:

  4、轴承故障

电流故障特征频率:

  1、定子绕组匝间短路

  其中f1为供电电源频率

 

  2、转子断条故障

  其中f为供电电源频率

 

  3、气隙偏心

  

 

   4、轴承故障

   
故障特征提取的方法:

  1、基于窗口傅里叶变换

  主要分为两步,第一步是在时间上加窗来截取时间段的信号,第二步是对截取后的信号进行傅里叶变换分析。

      

   对于时域和频域来说,均有一个中心点,窗函数就是围绕中心点来添加一个矩形框。

 

 

 

 

 

 

 

   参考链接:https://blog.csdn.net/yuejiang_li/article/details/78762201

  其缺陷在于:窗函数选定之后局部分辨率也确定了,不能随着信号的变换更改分辨率,自适应性较差;他的时间分辨率和频率分辨率只能二选一,但是有些时候需要时间分辨率较高,有些时候需要频率分辨率较高,窗函数难以达到。

  2、小波变换

  参考链接:https://blog.csdn.net/cqfdcw/article/details/84995904


  从上述可以看出,a控制位移,b控制伸缩。

  当a变大时,时域观察范围变宽,频域观察会变窄,中心向低频移动;当a变小时,时域观察范围变窄,频域观察会变宽,中心向高频移动。对于陡峭和尖脉冲而言,变化迅速,需要良好的时间分辨率。对于低频段信号而言,变换缓慢,需要较好的频率分辨率。因此,小波变换适合非平稳信号,但是它的局限是只针对低频信号做分解。

  由此引入了小波包分解,小波包可对低频和高频同时做分解,每次分解均会有小波系数,这些系数可用来做最后的小波重构。

  小波变换的局限性有两个,第一个是小波基的选择对最后结果的影响比较大;第二个是基函数比较固定,选定之后无法根据信号调节。

  3、Hilbert-Huang变换

 基于EMD的HHT

  上式可看出变换后幅值与瞬时频率均与时间有关,因此可得到频段中幅值的时频信息。


 

 

   T为信号总长,边际谱反应的是每个频率的累积幅值分布,可看出有哪些频率出现,通过Hilbert变换可知道频率对应的时间点。

以HHT为基础的故障特征提取的步骤是:

  1. 利用EMD方法分别对原始故障信息进行分解,看信息的特点,选取n个分量为对象作为特征提取
  2. 例如电流选取第二、三、四、五个IMF分量作为特征量。
  3. 求取这四个特征量的边际谱,将边际谱作为特征向量
  4. 将特征向量做还原处理后作为神经网络的输入值

 神经网络:

  神经网络模型的不同主要集中在神经元的特性,网络的拓扑结构和学习规则上。文中主要采用RBF神经网络。

 故障诊断网络结构确定的过程为:

  1. 分别在异步电动机正常、轴承故障、转子断条、转子断条和轴承故障并发状态下采集电流信号
  2. 对采集完的信号通过HHT做特征处理,提取能够体现故障信息的特征量
  3. 将处理好的数据作为神经网络的输入,进行训练,当误差满足要求时,神经网络结构被确定。
  4. 在实际过程中采集定子电流信号,经过处理后作为特征向量输入神经网络进行实时判别,神经网络输出相应状态。

用图表示为:


 

标签:读后感,HHT,变换,定子,故障,神经网络,信号,RBF,电流
来源: https://www.cnblogs.com/chilalaa/p/11553729.html