CN103267947A - 一种交流电机故障诊断与预测中的特征提取方法 - Google Patents
一种交流电机故障诊断与预测中的特征提取方法 Download PDFInfo
- Publication number
- CN103267947A CN103267947A CN201310155666XA CN201310155666A CN103267947A CN 103267947 A CN103267947 A CN 103267947A CN 201310155666X A CN201310155666X A CN 201310155666XA CN 201310155666 A CN201310155666 A CN 201310155666A CN 103267947 A CN103267947 A CN 103267947A
- Authority
- CN
- China
- Prior art keywords
- fault
- energy
- fault diagnosis
- vibration
- vibration acceleration
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种交流电机故障诊断与预测中的特征提取方法,包括以下步骤:采集振动加速度信号;对振动加速度信号去噪;采用快速独立成分分析方法对去噪处理后的振动加速度信号进行振源分离;采用小波包方法对分离后的振动加速度信号进行特征提取;简化能量比向量;对简化后的能量比向量进行特征强化;输入交流电机故障诊断与预测模型进行故障诊断与预测。本发明对振动加速度信号进行分离,能够分离出混合信号中的独立信号源,提高了故障特征提取的正确率和准确度;对特征频带进行分解,计算能量比及化简,减少了故障诊断与预测模型的输入,简化了模型的结构;并对能量比向量进行特征强化,使模型能够更有效地识别故障状态及进行故障预测。
Description
技术领域
本发明涉及一种电机故障诊断与预测中的数据预处理方法,特别是一种交流电机故障诊断与预测中的特征提取方法。
背景技术
交流电机因其具有结构简单、性能良好、使用维护方便等特点而在工业生产中得到了广泛的应用。但由于其在应用中受到频繁启动、负载波动、工作环境恶劣等因素的影响,电机发生故障是不可避免的。因此,电机故障诊断与预测一直受到各相关领域的重视。同时,随着科学技术的不断发展,新的信号处理方法促进了电机故障诊断与预测新技术的不断出现。
众所周知,故障诊断的正确率与所采用的故障诊断样本数据质量紧密相关。然而,在实际数据采集过程中,所采集的样本数据质量通常受其系统结构复杂性、电机运行环境等因素的影响。以电机振动数据的采集为例,安装在电机外壳上的传感器所测得的振动信号数据不仅包含了与其相联接部件的机械振动,还包含了其自身零部件所产生的振动。同理,所测得的振动信号数据不仅包含了电机脉动转矩引起的振动,还包含了电机故障所产生的振动等等。因此,所采集到的振动信号实际上是多个振源构成的一个混合振动信号,这无疑给故障诊断和预测带来一定的难度。目前,有许多关于基于小波包分析的交流电机故障诊断与预测方面的研究成果报告,详见下列文献:
[1]曹豫宁,李永丽,梅云,李斌.基于小波变换的频谱细化方法在电动机故障检测中的应用.继电器,2002,30(6):1-3;
[2]田慕玲,王晓玲.电机故障诊断中的小波分析方法和小波基的选取.煤矿机械2007,28(5):176-179;
[3]付华,尹丽娜.小波包分解在电机故障诊断中的应用[J].微电机,2007,40(5):86-89;
[4]葛文谦.小波神经网络在旋转机械故障诊断中的应用研究:[硕士学位论文].河北:燕山大学电气工程学院,2005;
[5]何建军.小波变换及其在电机故障信号检测和分析中的应用研究.[博士学位论文].重庆:重庆大学博士学位论文,1999。
这些文献均不同程度地提高了交流电机故障诊断与预测的可靠性。这些方法的主要思想是利用电机无故障状态与故障状态时子频带能量分布不同的特点,通过小波包分解将振动数据分解成多个正交的子频带,之后计算各子频带与全频带总能量的能量比,这个过程称之为特征提取,特征提取之后得到一个能量比向量,然后将这个向量输入故障诊断与预测网络进行网络模型的训练。流程见图1所示。但是在研究中发现,这些研究成果存在以下几方面的问题:
问题一:在实际中采集到的振动数据多为多振源的混合信号,如果直接进行小波包分解,会直接影响到故障特征提取及其后的故障诊断与预测的效果;
问题二:在小波包分解之后得到的频带个数如果太多,会增加其后模型训练的复杂度;
问题三:直接使用小波包分解进行特征提取之后得到的能量比向量进行故障诊断与预测模型的训练时,训练的效果不好,不能有效地识别电机的故障特征或进行故障预测。
发明内容
为解决现有技术存在的上述问题,本发明要设计一种能够实现混合振动源的分离、特征频带选择和特征强化的交流电机故障诊断与预测中的特征提取方法。
为了实现上述目的,本发明的技术方案如下:一种交流电机故障诊断与预测中的特征提取方法,包括以下步骤:
A:通过布置在电机各处的振动加速度传感器采集多处的振动加速度信号;
B:对振动加速度信号进行必要的去噪处理;
C:采用快速独立成分分析方法对去噪处理后的振动加速度信号进行振源分离,分离方法包括以下步骤:
C1:对振动加速度信号进行去均值处理;
C2:对去均值后的信号做去相关处理;
C3:对去相关后的振动加速度信号进行独立振动源的分离,得到分离后的振动加速度信号;
D:采用小波包方法对分离后的振动加速度信号进行特征提取,得到各个子频带的能量比值,采用三层分解的方式进行分解,分解之后得到8个频率由低到高的正交子频带的能量比分量,构成的能量比向量用RE0={rei|i=1,…,8}来表示;
E:为了简化故障诊断与预测模型,去掉RE0={rei|i=1,…,8}中能量比较小的第5-8个高频能量比分量,用剩余的第1-4个低频能量比分量构成新的向量,用RE1={rei|i=1,…,4}来表示;
F:对向量RE1={rei|i=1,…,4}进行特征强化,得到特征强化后的能量比向量RE2={rei|i=1,…,4};
G:将特征强化后的能量比向量RE2输入交流电机故障诊断与预测模型进行故障诊断与预测。
与现有技术相比,本发明具有以下有益效果:
1、本发明采用快速独立成分分析方法(盲分离方法的一种)对降噪后的振动加速度信号进行分离,能够分离出混合信号中的原始的独立信号源,提高了故障特征提取的正确率和准确度。
2、本发明对特征频带进行分解,计算能量比及化简,减少了故障诊断模型的输入,进而简化了模型的结构。具体分析如下:
(1)从信号滤波的角度理解,小波包分解将待分析信号通过一个高通滤波器和一个低通滤波器进行滤波,得到一组低频信号和一组高频信号,并且对高频信号和低频信号分别分解。随着分解层数的增加,小波包分解对信号的高频成分和低频成分的分解都可达到很精细的程度,从而可以得到信号在某些频段内的特征信息。可以把小波包分解看成是一个首尾相接的恒带宽滤波器组,小波包分解的结果使得信号的能量被分到一系列首尾相接的频带上。因此采用小波包分解方法将振动信号进行三层分解,得到8个正交的恒带宽子频带,然后计算每个频带的能量相对于总能量的比值,得到由8个大于0小于1的数值构成的能量比向量。
(2)由于对于变频器控制的交流电机来说,高频段的信号多为电磁干扰,有用的信号多集中在低频段,实际计算出来的高频段信号的能量比也很小,因此可以去掉对高频段的分析,以达到减少模型输入,简化模型结构的目的。本发明中,去掉了第5到第8个高频段的4个能量比分量,留下了第1到第4个低频段的能量比分量进行进一步的处理。
3、本发明采用特征强化的方法,以提高故障诊断模型的有效性。实际应用中,发现直接使用小波包进行特征提取之后得到的能量比向量进行故障诊断与预测模型的训练时,训练的效果不好,即不能有效地识别电机的故障特征或进行故障预测,究其原因,发现经小波包分解后得到的能量比向量,其特征区分度不够,这是由于在故障早期,故障的特征并不明显,或者不同故障的能量比表现出相似的特征。因此本成果在特征提取之后又进行了特征强化的处理(实际上是一种表达形式的变换),这样经特征强化处理后训练出来的模型能够有效地识别故障状态及进行故障预测。
附图说明
本发明共有附图6张,其中:
图1基于小波包分析的交流电机故障诊断与预测流程示意图。
图2是本发明的流程示意图。
图3是分离前振动信号的功率谱图。
图4是分离后振动信号的功率谱图。
图5是特征分解后故障诊断效果图。
图6是特征强化后故障诊断效果图。
具体实施方式
下面结合附图对本发明进行进一步地描述。如图2所示,一种交流电机故障诊断与预测中的特征提取方法,包括以下步骤:
A:通过布置在电机各处的振动加速度传感器采集多处的振动加速度信号;
B:对振动加速度信号进行必要的去噪处理;
C:采用快速独立成分分析方法对去噪处理后的振动加速度信号进行振源分离,分离方法包括以下步骤:
C1:对振动加速度信号进行去均值处理;
C2:对去均值后的信号做去相关处理,即通过一个线性变换,对原信号进行转换,转换后的信号设为Z,使其满足E{ZZT}=I;
C3:对去相关后的振动加速度信号进行独立振动源的分离,得到分离后的振动数据;
D:接着采用小波包方法对分离后的振动数据进行特征提取,特征提取包括以下步骤:
D2:计算每个子频带内信号的能量Ei(i=1,…,8)及信号的总能量E;
D3:求Ei(i=1,…,8)与E的比,得到各个子频带的能量比rei(i=1,…,8),构成的能量比向量用RE0={rei|i=1,…,8}来表示;
E:为了简化故障诊断与预测模型,去掉能量比较小的第5-8个高频能量比分量,用剩余的第1-4个低频能量比分量构成新向量,用RE1={rei|i=1,…,4}来表示;
F:对简化后的能量比向量RE1进行特征强化,步骤如下:
F2:对矩阵ARE1=[ei,j]10×4的每一列求均值,得到向量ave_RE={ave_rei|i=1,…,4};
F3:将RE1={rei|i=1,…,4}与ave_RE={ave_rei|i=1,…,4}相减,得到特征强化后的向量RE2;
G:将特征强化后的向量RE2输入交流电机故障诊断与预测模型进行故障诊断与预测。
为了阐明本发明的有益效果1,现举例说明。
以1.5kw交流电机为例,采集在某一转速下的4路振动加速度信号,在去噪后使用盲分离方法(这里采用快速独立成分分析方法)进行混合振动源的分离。分离前后的功率谱对比图如图3和图4所示。
图3为4路传感器采集的振动加速度信号(经过去噪处理)的功率谱图,图4为对图3的4路振动加速度信号进行盲分离之后的功率谱图,对比图3和图4,我们可以看到,频率为15Hz、25Hz被清晰地被分离出来。因此使用分离后的数据进行特征提取将降低信号的复杂度,提高故障诊断与预测的正确率和有效性。
为了阐明本发明的有益效果3,现举例说明。
以1.5kw无故障交流电机为例,图5是使用小波包分解之后未经特征强化的能量比向量送入故障诊断与预测网络,进行故障诊断训练的效果图,从图中可以看出该诊断模型并不能有效区分故障状态和无故障状态;图6是将特征强化后的能量比向量送入网络进行训练的结果,可以发现此网络能有效区分2种状态,即序号1-6为故障状态,7-12为无故障状态。
Claims (1)
1.一种交流电机故障诊断与预测中的特征提取方法,其特征在于:包括以下步骤:
A:通过布置在电机各处的振动加速度传感器采集多处的振动加速度信号;
B:对振动加速度信号进行必要的去噪处理;
C:采用快速独立成分分析方法对去噪处理后的振动加速度信号进行振源分离,分离方法包括以下步骤:
C1:对振动加速度信号进行去均值处理;
C2:对去均值后的信号做去相关处理;
C3:对去相关后的振动加速度信号进行独立振动源的分离,得到分离后的振动加速度信号;
D:采用小波包方法对分离后的振动加速度信号进行特征提取,得到各个子频带的能量比值,采用三层分解的方式进行分解,分解之后得到8个频率由低到高的正交子频带的能量比分量,构成的能量比向量用RE0={rei|i=1,…,8}来表示;
E:为了简化故障诊断与预测模型,去掉RE0={rei|i=1,…,8}中能量比较小的第5-8个高频能量比分量,用剩余的第1-4个低频能量比分量构成新的向量,用RE1={rei|i=1,…,4}来表示;
F:对向量RE1={rei|i=1,…,4}进行特征强化,得到特征强化后的能量比向量RE2={rei|i=1,…,4};
G:将特征强化后的能量比向量RE2输入交流电机故障诊断与预测模型进行故障诊断与预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310155666XA CN103267947A (zh) | 2013-04-28 | 2013-04-28 | 一种交流电机故障诊断与预测中的特征提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310155666XA CN103267947A (zh) | 2013-04-28 | 2013-04-28 | 一种交流电机故障诊断与预测中的特征提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103267947A true CN103267947A (zh) | 2013-08-28 |
Family
ID=49011586
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310155666XA Pending CN103267947A (zh) | 2013-04-28 | 2013-04-28 | 一种交流电机故障诊断与预测中的特征提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103267947A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104634566A (zh) * | 2015-01-21 | 2015-05-20 | 北京信息科技大学 | 一种风机传动系统故障特征提取方法 |
CN105277362A (zh) * | 2015-11-23 | 2016-01-27 | 西安交通大学 | 基于编码器多位转角信号的齿轮故障检测方法 |
CN105353306A (zh) * | 2015-11-24 | 2016-02-24 | 珠海格力电器股份有限公司 | 电机故障诊断方法和装置及电器 |
CN105489215A (zh) * | 2015-11-18 | 2016-04-13 | 珠海格力电器股份有限公司 | 一种噪声源识别方法及系统 |
CN105620290A (zh) * | 2015-12-23 | 2016-06-01 | 郑州日产汽车有限公司 | 基于功率谱分析的纯电动汽车驱动电机故障实时预警方法 |
CN105866705A (zh) * | 2016-06-03 | 2016-08-17 | 湖南世优电气股份有限公司 | 一种风力发电机组交流变桨系统后备电源容量的测量方法 |
CN108520115A (zh) * | 2018-03-22 | 2018-09-11 | 国网湖南省电力有限公司 | 一种变压器绕组与铁心振动信号分离方法及系统 |
CN110262417A (zh) * | 2019-06-10 | 2019-09-20 | 中云开源数据技术(上海)有限公司 | 一种生产设备故障预测诊断方法 |
CN111160315A (zh) * | 2020-01-03 | 2020-05-15 | 云南电网有限责任公司电力科学研究院 | 一种支柱绝缘子固有频带的获取方法及装置 |
CN111667120A (zh) * | 2020-06-11 | 2020-09-15 | 国网山东省电力公司电力科学研究院 | 一种调相机绝缘故障预测方法及系统 |
CN111965543A (zh) * | 2020-10-21 | 2020-11-20 | 湖南大学 | 永磁同步电机匝间短路故障初期检测方法、系统及介质 |
CN113391207A (zh) * | 2021-04-01 | 2021-09-14 | 国网宁夏电力有限公司检修公司 | 一种电机故障的检测方法、介质及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101403684A (zh) * | 2008-11-06 | 2009-04-08 | 上海交通大学 | 基于盲源分析技术的旋转机械复合故障的诊断方法 |
CN102519582A (zh) * | 2011-12-22 | 2012-06-27 | 南京航空航天大学 | 航空发动机振动信号的盲源分离方法 |
CN102661783A (zh) * | 2012-04-24 | 2012-09-12 | 北京信息科技大学 | 一种旋转机械故障趋势预测的特征提取方法 |
CN102721545A (zh) * | 2012-05-25 | 2012-10-10 | 北京交通大学 | 一种基于多特征参量的滚动轴承故障诊断方法 |
-
2013
- 2013-04-28 CN CN201310155666XA patent/CN103267947A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101403684A (zh) * | 2008-11-06 | 2009-04-08 | 上海交通大学 | 基于盲源分析技术的旋转机械复合故障的诊断方法 |
CN102519582A (zh) * | 2011-12-22 | 2012-06-27 | 南京航空航天大学 | 航空发动机振动信号的盲源分离方法 |
CN102661783A (zh) * | 2012-04-24 | 2012-09-12 | 北京信息科技大学 | 一种旋转机械故障趋势预测的特征提取方法 |
CN102721545A (zh) * | 2012-05-25 | 2012-10-10 | 北京交通大学 | 一种基于多特征参量的滚动轴承故障诊断方法 |
Non-Patent Citations (2)
Title |
---|
刘小峰: "振动信号非平稳特征的深层提取技术及远程诊断服务系统的研究", 《中国博士学位论文全文数据库 工程科技Ⅱ辑》, no. 6, 15 December 2007 (2007-12-15), pages 029 - 9 * |
陈江海等: "基于分形和小波包理论的滚动轴承故障诊断", 《轴承》, no. 2, 28 February 2010 (2010-02-28), pages 48 - 52 * |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104634566B (zh) * | 2015-01-21 | 2018-05-11 | 北京信息科技大学 | 一种风机传动系统故障特征提取方法 |
CN104634566A (zh) * | 2015-01-21 | 2015-05-20 | 北京信息科技大学 | 一种风机传动系统故障特征提取方法 |
CN105489215A (zh) * | 2015-11-18 | 2016-04-13 | 珠海格力电器股份有限公司 | 一种噪声源识别方法及系统 |
CN105277362A (zh) * | 2015-11-23 | 2016-01-27 | 西安交通大学 | 基于编码器多位转角信号的齿轮故障检测方法 |
CN105353306B (zh) * | 2015-11-24 | 2018-11-09 | 珠海格力电器股份有限公司 | 电机故障诊断方法和装置及电器 |
CN105353306A (zh) * | 2015-11-24 | 2016-02-24 | 珠海格力电器股份有限公司 | 电机故障诊断方法和装置及电器 |
CN105620290A (zh) * | 2015-12-23 | 2016-06-01 | 郑州日产汽车有限公司 | 基于功率谱分析的纯电动汽车驱动电机故障实时预警方法 |
CN105866705A (zh) * | 2016-06-03 | 2016-08-17 | 湖南世优电气股份有限公司 | 一种风力发电机组交流变桨系统后备电源容量的测量方法 |
CN105866705B (zh) * | 2016-06-03 | 2018-05-22 | 湖南世优电气股份有限公司 | 一种风力发电机组交流变桨系统后备电源容量的测量方法 |
CN108520115A (zh) * | 2018-03-22 | 2018-09-11 | 国网湖南省电力有限公司 | 一种变压器绕组与铁心振动信号分离方法及系统 |
CN108520115B (zh) * | 2018-03-22 | 2022-02-18 | 国网湖南省电力有限公司 | 一种变压器绕组与铁心振动信号分离方法及系统 |
CN110262417A (zh) * | 2019-06-10 | 2019-09-20 | 中云开源数据技术(上海)有限公司 | 一种生产设备故障预测诊断方法 |
CN110262417B (zh) * | 2019-06-10 | 2020-09-01 | 中云开源数据技术(上海)有限公司 | 一种生产设备故障预测诊断方法 |
CN111160315A (zh) * | 2020-01-03 | 2020-05-15 | 云南电网有限责任公司电力科学研究院 | 一种支柱绝缘子固有频带的获取方法及装置 |
CN111160315B (zh) * | 2020-01-03 | 2023-05-05 | 云南电网有限责任公司电力科学研究院 | 一种支柱绝缘子固有频带的获取方法及装置 |
CN111667120A (zh) * | 2020-06-11 | 2020-09-15 | 国网山东省电力公司电力科学研究院 | 一种调相机绝缘故障预测方法及系统 |
CN111965543A (zh) * | 2020-10-21 | 2020-11-20 | 湖南大学 | 永磁同步电机匝间短路故障初期检测方法、系统及介质 |
CN111965543B (zh) * | 2020-10-21 | 2020-12-29 | 湖南大学 | 永磁同步电机匝间短路故障初期检测方法、系统及介质 |
CN113391207A (zh) * | 2021-04-01 | 2021-09-14 | 国网宁夏电力有限公司检修公司 | 一种电机故障的检测方法、介质及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103267947A (zh) | 一种交流电机故障诊断与预测中的特征提取方法 | |
CN102661783B (zh) | 一种旋转机械故障趋势预测的特征提取方法 | |
CN100485342C (zh) | 机械故障的集成支持向量机混合智能诊断方法 | |
CN102937522B (zh) | 一种齿轮箱复合故障诊断方法及系统 | |
Bajric et al. | Feature extraction using discrete wavelet transform for gear fault diagnosis of wind turbine gearbox | |
CN108168682A (zh) | 一种基于振动信号支持向量机的gil故障在线监测系统 | |
CN107329079A (zh) | 一种高压断路器在线监测及故障综合诊断系统 | |
CN103838229B (zh) | 电动汽车诊断方法和诊断装置 | |
CN103499437B (zh) | 可调品质因子双树复小波变换的旋转机械故障检测方法 | |
CN102765010A (zh) | 刀具破磨损状态检测方法及其检测系统 | |
CN102866027B (zh) | 基于lmd和局域时频熵的旋转机械故障特征提取方法 | |
CN105760839A (zh) | 基于多特征流形学习与支持向量机的轴承故障诊断方法 | |
CN101949895B (zh) | 一种金属拉深件微小裂纹冲击性信号的识别方法 | |
CN103439110A (zh) | 滚动轴承早期微弱故障诊断方法 | |
CN110197127A (zh) | 基于深度学习的无线信号检测与电磁干扰分类系统及方法 | |
CN101587017A (zh) | 一种基于局部均值分解循环频率谱的齿轮故障诊断方法 | |
CN102491140A (zh) | 基于特征信号的电梯安全检测装置及电梯安全检测方法 | |
CN107608936A (zh) | 一种行星齿轮箱复合故障特征提取方法 | |
CN104490391B (zh) | 一种基于脑电信号的战斗人员状态监测系统 | |
CN109765052B (zh) | 基于goa-asr的行星齿轮箱早期故障诊断方法 | |
CN102824172A (zh) | 一种脑电特征提取方法 | |
CN102566555A (zh) | 基于模式识别的白色家电工作状态监测方法 | |
CN105069291A (zh) | 一种基于emd和bp神经网络的电机轴承故障辨识方法 | |
CN104374575A (zh) | 一种基于盲源分离的风力机主轴承故障诊断方法 | |
CN102778354A (zh) | 基于小波分析的风电回转支承故障诊断方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20130828 |