CN111879514A - 基于elm模型的无刷直流电机轴承故障诊断方法 - Google Patents

基于elm模型的无刷直流电机轴承故障诊断方法 Download PDF

Info

Publication number
CN111879514A
CN111879514A CN202010760962.2A CN202010760962A CN111879514A CN 111879514 A CN111879514 A CN 111879514A CN 202010760962 A CN202010760962 A CN 202010760962A CN 111879514 A CN111879514 A CN 111879514A
Authority
CN
China
Prior art keywords
phase current
direct current
brushless direct
imf
motor
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
Application number
CN202010760962.2A
Other languages
English (en)
Inventor
袁芬
丁旭东
郭夕琴
陈璐璐
赵姗姗
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Institute of Mechatronic Technology
Original Assignee
Nanjing Institute of Mechatronic Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing Institute of Mechatronic Technology filed Critical Nanjing Institute of Mechatronic Technology
Priority to CN202010760962.2A priority Critical patent/CN111879514A/zh
Publication of CN111879514A publication Critical patent/CN111879514A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • G01M13/04—Bearings
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/34—Testing dynamo-electric machines
    • G01R31/343—Testing dynamo-electric machines in operation

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Control Of Motors That Do Not Use Commutators (AREA)

Abstract

本发明涉及一种基于ELM模型的无刷直流电机轴承故障诊断方法，首先，检测无刷直流电机的三相电流和母线电流作为无刷直流电机轴承的故障诊断信号；其次，为了减少三相电流谐波的影响，提取三相电流基于希尔伯特黄变换的时频特征；再次，为了完善轴承故障信号，提取了无刷直流电机母线电流的时域、频域和时频域特征；最后，为了简化分类模型，强化分类模型泛化能力，结合极限学习机算法，实现了无刷直流电机轴承故障诊断。

Description

基于ELM模型的无刷直流电机轴承故障诊断方法
技术领域
本发明涉及无刷电机故障诊断领域，特别设计基于ELM模型的无刷直流电机轴承故障诊断方法。
背景技术
随着科学技术的不断发展，无刷直流电机的应用也越来越广，为了保证无刷直流电机的安全运行，其安全工作状态也越来越受到重视。同时，在所有电机故障类型中，电机的轴承故障所占比重约为40％，电机轴承故障也是电机的主要故障形式之一。而轴承故障会引起电机转子堵转、扫膛等毁灭性问题，继而进一步引发不可估量的经济损失，所以，在轴承发生故障初期检测到相关故障信息，对电机的工作安全、及时维护等都有着重大意义。
影响无刷直流电机故障检测的因素很多，如故障程度、故障部位、检测信号类型以及检测方法等，无刷直流电机由于其相电流纹波很大，传统的诊断方法均使用相电流进行故障诊断，而无刷直流电机的相电流为方波，且仅导通2/3个电周期，这导致相电流自身包含大量谐波，使得轴承故障谐波提取时易被相电流自身谐波湮没，而本发明使用母线电流和三相电流作为诊断信号。同时，为了减少三相电流的谐波干扰，本发明提取基于希尔伯特黄变换的时频域特征。
鉴于无刷直流电机轴承故障理论模型的建立和推理较为复杂，而机器学习可以依据采集的电流信号数据建立模型，因此可以结合机器学习相关理论建立无刷直流电机轴承故障的数据统计模型，从而对各个无刷直流电机轴承故障样本进行定性识别。极限学习机(Extreme Learning Machine,ELM)是一种基于前馈神经网络构建的机器学习系统或方法，适用于监督学习和非监督学习问题，具有模型复杂度低、训练速度快、泛化能力强等优势，可用于无刷直流电机轴承故障诊断。
发明内容
为了解决上述存在问题。本发明提供基于ELM模型的无刷直流电机轴承故障诊断方法，解决无刷电机轴承故障诊断问题。为达此目的：
本发明提供基于ELM模型的无刷直流电机轴承故障诊断方法，具体步骤如下：
步骤1：检测无刷直流电机的三相电流和母线电流，并将三相电流和母线电流作为无刷直流电机轴承的故障诊断信号；
步骤2：为减少谐波信号对无刷直流电机三相电流的影响，提取三相电流信号基于希尔伯特黄变换的无刷电机三相电流特征；
步骤3：为获得包含更多无刷直流电机轴承的故障信息，同时提取母线电流信号的时域、频域和时频域特征；
步骤4：把提取的特征向量作为输入向量、故障类别作为输出向量，送入极限学习机模型中，训练极限学习机模型；
步骤5：检测待测无刷直流电机的三相电流和母线电流，经过步骤2和步骤3，将提取的特征输入到训练完成的极限学习机模型中，输出待测无刷直流电机轴承故障类型。
作为本发明进一步改进，所述步骤2中提取三相电流信号基于希尔伯特黄变换的无刷电机三相电流特征如下：
希尔伯特-黄变换是一种时频分析方法，该算法具有自适应性，能够根据信号自身的特点自适应的分解信号，能对非线性非平稳信号进行分析，有效避免信号谐波带来的不利影响，设无刷电机三相电流信号为I1(t)，提取基于希尔伯特黄变换的无刷电机三相电流特征步骤如下：
步骤2.1：确定三相电流信号I1(t)所有的极大值点和极小值点；
步骤2.2：对三相电流信号所有的极大值点进行拟合得到上包络线emax(t)，并对所有的极小值点进行拟合得到下包络线emin(t)；
步骤2.3：计算三相电流信号上下包络线的均值mi(t)：
Figure BDA0002613069880000021
步骤2.4：用三相电流信号I1(t)减去mi(t)，得到信号的IMF分量imf1(t)：
imfi(t)＝I1(t)-mi(t) (2)
步骤2.5：imfj(t)替代I1(t)并重复步骤2.1至2.4，直至满足停止准则：
Figure BDA0002613069880000031
其中SD是停止阈值，当SD小于0.25时停止迭代；
步骤2.6：经过一系列的分解后，可得n个IMF分量imf1(t)，imf2(t)，……，imfn(t)以及余项rn(t)，可将三相电流信号表示为：
Figure BDA0002613069880000032
步骤2.7：对各个IMF分量进行希尔伯特变换，并求得Hilbert边际谱：
Figure BDA0002613069880000033
再以imfi(t)和H[imfi(t)]为共轭复数构造解析信号zi(t)
zi(t)＝imfi(t)+H[imfi(t)]＝Ai(t)exp[jφi(t)] (6)
其中：
Figure BDA0002613069880000034
Figure BDA0002613069880000035
根据上式求出瞬时频率：
Figure BDA0002613069880000036
最后得到Hilbert谱H(ω,t)和Hilbert边际谱h(ω):
Figure BDA0002613069880000037
Figure BDA0002613069880000038
步骤2.8：无刷直流电机轴承发生故障时，三相电流的Hilbert边际谱将会发生变化，同时Hilbert边际谱包含了信号的时域和频域信息，本发明将Hilbert边际谱的峰值和能量作为无刷电机三相电流的希尔伯特黄变换特征。
作为本发明进一步改进，所述步骤3中提取母线电流信号的时域、频域和时频域特征如下：
为了进一步描述无刷直流电机轴承故障，提取母线电流信号的时域特征、频域特征和时频域的特征，包括：峰峰值、峰值、峰峰距离、面积、微分后的峰峰值、微分后的峰峰距离、偏度、峰度，基于频域的现代功率谱，以及时频域下小波包系数。
作为本发明进一步改进，所述步骤4中训练极限学习机模型如下：
ELM模型是一种简单高效的前馈神经网络模型，ELM各参数与输入向量和输出向量的关系式为：
Figure BDA0002613069880000041
其中，x＝[x1,x2,...,xn]是无刷直流电机三相电流和母线电流特征组成的输入向量，z＝[z1,z2,...,zm]是无刷直流电机轴承故障类别，ai是输入层权值，cj是隐含层偏置，wj是隐含层权值，σ是sigmoid激活函数；
假设n维特征输入向量对应的输出标签为y，ELM模型网络训练的目标就是使z与y尽可能相同，网络的损失函数如下：
Figure BDA0002613069880000042
在训练ELM模型时，会随机初始化输入层权值ai和隐含层偏置bj参数，并通过简单的迭代得到隐含层权值wj使损失函数E达到最小，最终完成ELM模型的训练，获得训练完成的ELM模型。
本发明基于ELM模型的无刷直流电机轴承故障诊断方法，有益效果在于：
1.本发明提取了无刷直流电机三相电流基于希尔伯特黄变换的特征，该特征有效避免了三相电流谐波对无刷直流电机轴承故障识别的不利影响；
2.将极限学习机算法应用于无刷直流电机轴承故障诊断，提高了无刷直流电机轴承故障诊断的准确性和效率；
3.本发明为无刷直流电机轴承故障诊断提供了重要技术手段。
附图说明
图1是整体算法原理流程图；
图2是ELM模型结构图。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细描述：
本发明提供基于ELM模型的无刷直流电机轴承故障诊断方法，利用ELM模型具有复杂度低、训练速度快、泛化能力强的能力，结合无刷直流电机的三相电流和母电流，实现无刷直流电机轴承的故障诊断。本发明整体算法原理流程如图1所示，算法步骤如下所示：
步骤1：检测无刷直流电机的三相电流和母线电流，并将三相电流和母线电流作为无刷直流电机轴承的故障诊断信号；
步骤2：为减少谐波信号对无刷直流电机三相电流的影响，提取三相电流信号基于希尔伯特黄变换的无刷电机三相电流特征；
步骤2中提取三相电流信号基于希尔伯特黄变换的无刷电机三相电流特征具体描述如下：
希尔伯特-黄变换是一种时频分析方法，该算法具有自适应性，能够根据信号自身的特点自适应的分解信号，能对非线性非平稳信号进行分析，有效避免信号谐波带来的不利影响，设无刷电机三相电流信号为I1(t)，提取基于希尔伯特黄变换的无刷电机三相电流特征步骤如下：
步骤2.1：确定三相电流信号I1(t)所有的极大值点和极小值点；
步骤2.2：对三相电流信号所有的极大值点进行拟合得到上包络线emax(t)，并对所有的极小值点进行拟合得到下包络线emin(t)；
步骤2.3：计算三相电流信号上下包络线的均值mi(t)：
Figure BDA0002613069880000051
步骤2.4：用三相电流信号I1(t)减去mi(t)，得到信号的IMF分量imf1(t)：
imfi(t)＝I1(t)-mi(t) (2)
步骤2.5：imfj(t)替代I1(t)并重复步骤2.1至2.4，直至满足停止准则：
Figure BDA0002613069880000061
其中SD是停止阈值，当SD小于0.25时停止迭代；
步骤2.6：经过一系列的分解后，可得n个IMF分量imf1(t)，imf2(t)，……，imfn(t)以及余项rn(t)，可将三相电流信号表示为：
Figure BDA0002613069880000062
步骤2.7：对各个IMF分量进行希尔伯特变换，并求得Hilbert边际谱：
Figure BDA0002613069880000063
再以imfi(t)和H[imfi(t)]为共轭复数构造解析信号zi(t)
zi(t)＝imfi(t)+H[imfi(t)]＝Ai(t)exp[jφi(t)] (6)
其中：
Figure BDA0002613069880000064
Figure BDA0002613069880000065
根据上式求出瞬时频率：
Figure BDA0002613069880000066
最后得到Hilbert谱H(ω,t)和Hilbert边际谱h(ω):
Figure BDA0002613069880000067
步骤2.8：无刷直流电机轴承发生故障时，三相电流的Hilbert边际谱将会发生变化，同时Hilbert边际谱包含了信号的时域和频域信息，本发明将Hilbert边际谱的峰值和能量作为无刷电机三相电流的希尔伯特黄变换特征。
步骤3：为获得包含更多无刷直流电机轴承的故障信息，同时提取母线电流信号的时域、频域和时频域特征；
步骤3中提取母线电流信号的时域、频域和时频域特征具体描述如下：
为了进一步描述无刷直流电机轴承故障，提取母线电流信号的时域特征、频域特征和时频域的特征，包括：峰峰值、峰值、峰峰距离、面积、微分后的峰峰值、微分后的峰峰距离、偏度、峰度，基于频域的现代功率谱，以及时频域下小波包系数。
步骤4：把提取的特征向量作为输入向量、故障类别作为输出向量，送入极限学习机模型中，训练极限学习机模型；
步骤4中训练极限学习机模型具体描述如下：
ELM模型是一种简单高效的前馈神经网络模型，ELM模型结构图如图2所示，ELM各参数与输入向量和输出向量的关系式为：
Figure BDA0002613069880000071
其中，x＝[x1,x2,...,xn]是无刷直流电机三相电流和母线电流特征组成的输入向量，z＝[z1,z2,...,zm]是无刷直流电机轴承故障类别，ai是输入层权值，cj是隐含层偏置，wj是隐含层权值，σ是sigmoid激活函数；
假设n维特征输入向量对应的输出标签为y，ELM模型网络训练的目标就是使z与y尽可能相同，网络的损失函数如下：
Figure BDA0002613069880000072
在训练ELM模型时，会随机初始化输入层权值ai和隐含层偏置bj参数，并通过简单的迭代得到隐含层权值wj使损失函数E达到最小，最终完成ELM模型的训练。
步骤5：检测待测无刷直流电机的三相电流和母线电流，经过步骤2和步骤3，将提取的特征输入到训练完成的极限学习机模型中，输出待测无刷直流电机轴承故障类型，获得训练完成的ELM模型。
以上所述，仅是本发明的较佳实施例而已，并非是对本发明作任何其他形式的限制，而依据本发明的技术实质所作的任何修改或等同变化，仍属于本发明所要求保护的范围。

Claims (4)

1.基于ELM模型的无刷直流电机轴承故障诊断方法，具体步骤如下，其特征在于,
步骤1：检测无刷直流电机的三相电流和母线电流，并将三相电流和母线电流作为无刷直流电机轴承的故障诊断信号；
步骤2：为减少谐波信号对无刷直流电机三相电流的影响，提取三相电流信号基于希尔伯特黄变换的无刷电机三相电流特征；
步骤3：为获得包含更多无刷直流电机轴承的故障信息，同时提取母线电流信号的时域、频域和时频域特征；
步骤4：把提取的特征向量作为输入向量、故障类别作为输出向量，送入极限学习机模型中，训练极限学习机模型；
步骤5：检测待测无刷直流电机的三相电流和母线电流，经过步骤2和步骤3，将提取的特征输入到训练完成的极限学习机模型中，输出待测无刷直流电机轴承故障类型。
2.根据权利要求1基于ELM模型的无刷直流电机轴承故障诊断方法，其特征在于：步骤2中提取三相电流信号基于希尔伯特黄变换的无刷电机三相电流特征如下：
希尔伯特-黄变换是一种时频分析方法，该算法具有自适应性，能够根据信号自身的特点自适应的分解信号，能对非线性非平稳信号进行分析，有效避免信号谐波带来的不利影响，设无刷电机三相电流信号为I1(t)，提取基于希尔伯特黄变换的无刷电机三相电流特征步骤如下：
步骤2.1：确定三相电流信号I1(t)所有的极大值点和极小值点；
步骤2.2：对三相电流信号所有的极大值点进行拟合得到上包络线emax(t)，并对所有的极小值点进行拟合得到下包络线emin(t)；
步骤2.3：计算三相电流信号上下包络线的均值mi(t)：
Figure FDA0002613069870000011
步骤2.4：用三相电流信号I1(t)减去mi(t)，得到信号的IMF分量imf1(t)：
imfi(t)＝I1(t)-mi(t) (2)
步骤2.5：imfj(t)替代I1(t)并重复步骤2.1至2.4，直至满足停止准则：
Figure FDA0002613069870000012
其中SD是停止阈值，当SD小于0.25时停止迭代；
步骤2.6：经过一系列的分解后，可得n个IMF分量imf1(t)，imf2(t)，……，imfn(t)以及余项rn(t)，可将三相电流信号表示为：
Figure FDA0002613069870000021
步骤2.7：对各个IMF分量进行希尔伯特变换，并求得Hilbert边际谱：
Figure FDA0002613069870000022
再以imfi(t)和H[imfi(t)]为共轭复数构造解析信号zi(t)
zi(t)＝imfi(t)+H[imfi(t)]＝Ai(t)exp[jφi(t)] (6)
其中：
Figure FDA0002613069870000023
Figure FDA0002613069870000024
根据上式求出瞬时频率：
Figure FDA0002613069870000025
最后得到Hilbert谱H(ω,t)和Hilbert边际谱h(ω):
Figure FDA0002613069870000026
Figure FDA0002613069870000027
步骤2.8：无刷直流电机轴承发生故障时，三相电流的Hilbert边际谱将会发生变化，同时Hilbert边际谱包含了信号的时域和频域信息，本发明将Hilbert边际谱的峰值和能量作为无刷电机三相电流的希尔伯特黄变换特征。
3.根据权利要求1基于ELM模型的无刷直流电机轴承故障诊断方法，其特征在于：步骤3中提取母线电流信号的时域、频域和时频域特征如下：
为了进一步描述无刷直流电机轴承故障，提取母线电流信号的时域特征、频域特征和时频域的特征，包括：峰峰值、峰值、峰峰距离、面积、微分后的峰峰值、微分后的峰峰距离、偏度、峰度，基于频域的现代功率谱，以及时频域下小波包系数。
4.根据权利要求1基于ELM模型的无刷直流电机轴承故障诊断方法，其特征在于：步骤4中训练极限学习机模型如下：
ELM模型是一种简单高效的前馈神经网络模型，ELM各参数与输入向量和输出向量的关系式为：
Figure FDA0002613069870000031
其中，x＝[x1,x2,...,xn]是无刷直流电机三相电流和母线电流特征组成的输入向量，z＝[z1,z2,...,zm]是无刷直流电机轴承故障类别，ai是输入层权值，cj是隐含层偏置，wj是隐含层权值，σ是sigmoid激活函数；
假设n维特征输入向量对应的输出标签为y，ELM模型网络训练的目标就是使z与y尽可能相同，网络的损失函数如下：
Figure FDA0002613069870000032
在训练ELM模型时，会随机初始化输入层权值ai和隐含层偏置bj参数，并通过简单的迭代得到隐含层权值wj使损失函数E达到最小，最终完成ELM模型的训练，获得训练完成的ELM模型。
CN202010760962.2A 2020-07-31 2020-07-31 基于elm模型的无刷直流电机轴承故障诊断方法 Pending CN111879514A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010760962.2A CN111879514A (zh) 2020-07-31 2020-07-31 基于elm模型的无刷直流电机轴承故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010760962.2A CN111879514A (zh) 2020-07-31 2020-07-31 基于elm模型的无刷直流电机轴承故障诊断方法

Publications (1)

Publication Number Publication Date
CN111879514A true CN111879514A (zh) 2020-11-03

Family

ID=73204969

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010760962.2A Pending CN111879514A (zh) 2020-07-31 2020-07-31 基于elm模型的无刷直流电机轴承故障诊断方法

Country Status (1)

Country Link
CN (1) CN111879514A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112541524A (zh) * 2020-11-18 2021-03-23 湖南大学 基于注意力机制改进的BP-Adaboost多源信息电机故障诊断方法
CN113159226A (zh) * 2021-05-18 2021-07-23 中国矿业大学 一种深度特征和统计特征融合的逆变器故障诊断方法
CN114298079A (zh) * 2021-07-20 2022-04-08 齐丰科技股份有限公司 基于线圈电流信号的变电站高压断路器故障诊断方法
CN115114964A (zh) * 2022-07-21 2022-09-27 西南交通大学 一种基于数据驱动的传感器间歇性故障诊断方法
CN118409208A (zh) * 2024-07-03 2024-07-30 上海鲸鱼机器人科技有限公司 一种基于电流波形分析的直流电机故障诊断方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160011268A1 (en) * 2014-07-10 2016-01-14 National Cheng Kung University Motor fault detecting method and motor fault detecting system
CN106989923A (zh) * 2017-03-28 2017-07-28 南京航空航天大学 基于定子电流小波包分析的永磁机轴承点蚀故障检测方法
CN107305238A (zh) * 2016-04-21 2017-10-31 中冶长天国际工程有限责任公司 一种烧结主抽风机的故障诊断方法及装置
CN107315892A (zh) * 2017-08-10 2017-11-03 北京交通大学 一种基于极限学习机的轴承故障诊断方法
CN107505853A (zh) * 2017-08-25 2017-12-22 河海大学 一种发电机电刷滑环烧伤故障诊断方法
CN109238698A (zh) * 2018-10-15 2019-01-18 株洲中车时代电气股份有限公司 一种基于电流信号的电机轴承故障诊断方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160011268A1 (en) * 2014-07-10 2016-01-14 National Cheng Kung University Motor fault detecting method and motor fault detecting system
CN107305238A (zh) * 2016-04-21 2017-10-31 中冶长天国际工程有限责任公司 一种烧结主抽风机的故障诊断方法及装置
CN106989923A (zh) * 2017-03-28 2017-07-28 南京航空航天大学 基于定子电流小波包分析的永磁机轴承点蚀故障检测方法
CN107315892A (zh) * 2017-08-10 2017-11-03 北京交通大学 一种基于极限学习机的轴承故障诊断方法
CN107505853A (zh) * 2017-08-25 2017-12-22 河海大学 一种发电机电刷滑环烧伤故障诊断方法
CN109238698A (zh) * 2018-10-15 2019-01-18 株洲中车时代电气股份有限公司 一种基于电流信号的电机轴承故障诊断方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
LEE, CHUN-YAO 等: "Bearing Damage Detection of BLDC Motors Based on Current Envelope Analysis", 《MEASUREMENT SCIENCE REVIEW》 *
卞皓 等: "基于定子电流的无刷直流电机轴承故障诊断", 《南京航空航天大学学报》 *
张海刚 等: "基于定子电流监控的轴承故障在线监测", 《控制理论与应用》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112541524A (zh) * 2020-11-18 2021-03-23 湖南大学 基于注意力机制改进的BP-Adaboost多源信息电机故障诊断方法
CN112541524B (zh) * 2020-11-18 2024-04-02 湖南大学 基于注意力机制改进的BP-Adaboost多源信息电机故障诊断方法
CN113159226A (zh) * 2021-05-18 2021-07-23 中国矿业大学 一种深度特征和统计特征融合的逆变器故障诊断方法
CN114298079A (zh) * 2021-07-20 2022-04-08 齐丰科技股份有限公司 基于线圈电流信号的变电站高压断路器故障诊断方法
CN115114964A (zh) * 2022-07-21 2022-09-27 西南交通大学 一种基于数据驱动的传感器间歇性故障诊断方法
CN118409208A (zh) * 2024-07-03 2024-07-30 上海鲸鱼机器人科技有限公司 一种基于电流波形分析的直流电机故障诊断方法

Similar Documents

Publication Publication Date Title
CN111879514A (zh) 基于elm模型的无刷直流电机轴承故障诊断方法
Youssef et al. Disturbance classification utilizing dynamic time warping classifier
Liang et al. A novel fault diagnostic method in power converters for wind power generation system
Saini et al. Detection and classification of power quality disturbances in wind‐grid integrated system using fast time‐time transform and small residual‐extreme learning machine
Dias et al. A histogram of oriented gradients approach for detecting broken bars in squirrel-cage induction motors
CN108535572B (zh) 基于基波零序特征的计量系统二次回路监测方法及装置
CN107545228B (zh) 基于小波变换的电气化铁路运行工况识别方法
Wong et al. Fault diagnosis of induction motors under untrained loads with a feature adaptation and improved broad learning framework
CN115235759A (zh) 一种基于宽度学习的风机齿轮箱早期故障诊断方法
Yang et al. Transfer learning based rolling bearing fault diagnosis
Mahla et al. Recognition of complex and multiple power quality disturbances using wavelet packet-based fast kurtogram and ruled decision tree algorithm
Yan et al. A novel fault diagnosis method for marine blower with vibration signals
CN116717461A (zh) 一种真空泵运行状态的智能监测方法及系统
CN110222390B (zh) 基于小波神经网络的齿轮裂纹识别方法
Jiang et al. Fault diagnosis of three-phase inverter based on CEEMDAN and GWO-SVM
CN113821888B (zh) 基于周期性冲击特征提取和回声状态网络的振动数据故障诊断方法
Zhao et al. A fault diagnosis approach for rolling element bearing based on S-transform and artificial neural network
Jiang et al. Parameter identification of DC–DC converter based on dendrite net under fluctuating input voltages
CN111382790B (zh) 一种基于小波变换的高压直流故障分类方法
Zhu et al. Bidirectional Current WP and CBAR Neural Network Model Based Bearing Fault Diagnosis
Chen et al. Sensor fault diagnosis for high-speed traction converter system based on Bayesian network
Liu et al. Acoustic emission analysis for wind turbine blade bearing fault detection using sparse augmented Lagrangian algorithm
Lan et al. A Novel Motor Fault Diagnosis Method Based on Generative Adversarial Learning with Distribution Fusion of Discrete Working Conditions.
Li et al. Fault diagnosis for single-phase grounding in distribution network based on hilbert-huang transform and siamese convolution neural network
Aggarwal et al. Recognition of voltage sag causes using vector quantization based orthogonal wavelet

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
CB02 Change of applicant information

Address after: No.33, Luming Avenue, Gaochun District, Nanjing City, Jiangsu Province

Applicant after: NANJING INSTITUTE OF MECHATRONIC TECHNOLOGY

Address before: No.56, baoshansi Road, cangbomen, Jiangning District, Nanjing City, Jiangsu Province, 211135

Applicant before: NANJING INSTITUTE OF MECHATRONIC TECHNOLOGY

CB02 Change of applicant information