CN113095170A - 一种基于可调q小波电机故障诊断方法 - Google Patents
一种基于可调q小波电机故障诊断方法 Download PDFInfo
- Publication number
- CN113095170A CN113095170A CN202110329872.2A CN202110329872A CN113095170A CN 113095170 A CN113095170 A CN 113095170A CN 202110329872 A CN202110329872 A CN 202110329872A CN 113095170 A CN113095170 A CN 113095170A
- Authority
- CN
- China
- Prior art keywords
- motor
- fault
- adjustable
- wavelet
- signal
- 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.)
- Granted
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 31
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 9
- 238000001914 filtration Methods 0.000 claims abstract description 8
- 238000012706 support-vector machine Methods 0.000 claims abstract description 4
- 238000000354 decomposition reaction Methods 0.000 claims description 11
- 230000003068 static effect Effects 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 7
- 238000002474 experimental method Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 4
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 239000003245 coal Substances 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M15/00—Testing of engines
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
- G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
Abstract
本发明涉及一种基于可调Q小波电机故障诊断方法,所述方法包括:获取电机的电流信号;采用可调Q小波算法(TQWT)对电流信号进行分解得到若干子带信号;选取能量较大几个子带进行信号滤波重构得到新的电流信号;根据分形理论提取信号的盒维数为特征量;采用支持向量机对提取的分维数特征量进行训练分类给出电机故障诊断结果。本发明基于电机的电流信号进行故障诊断,通过引入可调Q小波算法能够可靠地表征故障信号的稀疏性以及非平稳性,通过分形维数引入可以有效的描述故障信号的非线性及不规则性,可提高电机故障诊断结果的准确性。
Description
技术领域:
本发明涉及工业生产中电机的故障诊断技术领域,具体涉及一种基于可调Q小波电机故障诊断方法。
背景技术:
在煤炭领域中鼠笼式异步电动机由于其结构简单、容易制造、价格低廉、运行可靠、适用于各种工作环境等优点,已经成为煤矿井下生产中的主要执行部件。异步电动机运行的正常与否,直接关系到整个生产过程运行状况的好坏。而电动机一旦发生故障,作为动力提供端和整个系统的一部分,故障可能会使整个系统降低甚至丧失功能,从而可能引起整个系统无法正常工作,这样会造成巨大的经济损失。因此需要对电机进行故障诊断,预防事故的发生,也是保证煤矿生产能够安全、稳定运行的一项重要举措。
当前煤矿井下常用的电机故障诊断方法一般通过对采集电机振动信号分析电机故障或通过采集电机电流信号分析电机故障。基于振动信号分析电机故障需要对电机进行改造安装振动传感器,而振动传感器造价高、容易损坏,这就增加了投资及维护工作量。并且很多场合下在异步电动上安装振动传感器设备颇为不便。基于电流信号分析电机故障一般对电机电流信号进行小波分解,利用分解后各频段的能量作为特征,小波方法需要选择合适的小波基,需要一定的经验,这也是小波分析法不足之处。
发明内容:
本发明的目的提供一种基于可调Q小波电机故障诊断方法,在不改造电机机械结构和不影响电动机的正常工作的前提下,采用非侵入式传感器采集电机电流信号,通过引入可调Q小波算法实现信号重构,通过信号盒维数特征进行电机多种故障类型诊断。
本发明是通过如下技术方案实现的:
为实现上述目的,本发明提供如下技术方案:一种基于可调Q小波电机故障诊断方法,包括以下步骤:
第一步:采集电机电流信号数据;以电机故障诊断综合实验台的三相异步电机为对象,实验台由三相异步电机、电涡流制动器、电气控制柜组成,通过更换电机模拟不同的故障状态,保证实验数据的多样性;随机选取每种故障各工况的70%作为训练样本,剩余30%作为测试样本。
第二步:采用可调Q小波算法对采集到的电流信号进行处理,将其分解为若干子带信号。选取TQWT信号分解先选取品质因子Q和过采样率r。利用选取的参数对原始信号进行处理,分解层数J为理论允许的最大值,计算公式如下:
第三步:不同故障子带能量占比不同,将子带中能量占比较大的几个子带提取出来进行滤波重构,得到新的电流信号;根据第二步骤分解层数为J,可以的得到J+1个子带{w[1],w[2]...w[j+1]},计算每个子带能量{E[1],E[2]...E[j+1]},不同子带占比计算公式为设置能量占比门槛值,选取子带中能量占比大于门槛值的子带进行信号重构得到新的电流信号。
第四步:根据分形理论对滤波重构的电流信号进行计算,提取信号的盒维数为故障诊断特征量;理想的分形具有无限精细的细节信息,实际应用中一般采用近似方法,即以一定长度的标尺Δ作为最小(或最大)网格宽度,然后逐步放大(或缩小)网格宽度k倍为kΔ,k∈Z+,k<N0,N0为一正整数。记宽度为kΔ的网格覆盖离散吸引子的网格数为NKΔ,计算公式为:
式中,ceil(y)表示向上取整,x为不同网格宽度条件下的网格数;
根据获得的各组kΔ、NKΔ数据,绘制lnkΔ~lnNkΔ的关系曲线,所以近似方法盒维数计算公式为:
第五步:采用支持向量机对提取的盒维数特征量进行训练分类给出电机故障诊断结果。设定一定的区间范围[-a,a],对C和g分别设定以步长b在该范围内移动,那在设定的区间范围内C和g将形成以步长为边长的网格,每个网格即是C和g的一种组合,对K组验证模型均在该范围内进行循环叉验证来寻找最优的C和g实现SVM最优分类准确率。
本发明的有益效果:本发明的一种基于可调Q小波电机故障诊断方法,无需改造电机机械结构且不影响电动机的正常工作;采用非侵入式传感器采集电机电流信号;电机的早期故障特征信号往往表现为非线性及非平稳特性,通过引入可调Q小波算法能够可靠地表征故障信号的稀疏性以及非平稳性提高诊断结果;通过分形维数引入可以有效的描述故障信号的非线性及不规则性,可提高电机故障诊断结果的准确性。
附图说明:
图1为本发明的基于可调Q小波电机故障诊断方法的原理框图;
图2为4层可调Q小波信号分解实现过程;
图3为可调Q小波信号分解图;
图4为可调Q小波盒维数折线图;
图5为SVM测试集和训练集测试集分类结果图。
具体实施方式
下面结合附图对本发明的较佳实施例进行详细阐述,以使本发明的优点和特征能更易被本领域人员理解,从而对本发明的保护范围做出更为清楚明确的界定。
如图1所示的一种基于可调Q小波电机故障诊断方法,包括以下步骤:
第一步:采集电机电流信号数据。
以电机故障诊断综合实验台的三相异步电机为对象,实验台由三相异步电机、电涡流制动器、电气控制柜组成,通过更换电机模拟不同的故障状态,保证实验数据的多样性;通过控制电涡流制动器给电机加载,电机在轻载、重载及满载工况条件下分别采集正常、断条、静偏心和动偏心四种状态下电机的电流信号原始数据;随机选取每种故障各工况的70%作为训练样本,剩余30%作为测试样本。
第二步:对采集到的电流信号进行数据分解处理。
可调Q小波(TQWT)也利用了双通道滤波器组和尺度变换实现了离散小波变换。图2所示4层TQWT信号分解实现过程,其中ci(n)和di(n)(i=1,2,3,4)分别代表低通信号和高通信号。在信号分解时,信号S(n)经过离散傅里叶变换后进行双通道滤波和尺度变换被分解成低通信号成分c1(n)和高通信号成分d1(n),d1(n)被保留作为本层输出信号,而c1(n)则作为下一层的输入信号继续进行变换,不断重复此过程直至将有限长信号分解至给定的分解层数为止。在J层TQWT中,信号ci(n)和di(n)(i=1,2,...,J)的采样频率分别为αfs和βfs。其中,α=1-2/[(Q+1)r]为低通尺度因子、β=2/(Q+1)高通尺度因子,fs为信号S(n)的采样频率。
采用可调Q小波对采集的电流信号进行分解,经实际电机测试选取品质因子Q为1、过采样率r为3,数据长度N选取4000,经公式计算分解层数J最大值为15.326,分解层数J值必须选取整数,因此选取J=15,信号分解为若干子带信号,子带信号参见图3。
第三步:对分解后的信号进行滤波重构。
不同故障子带能量占比不同,设置能量占比门槛值为0.1,通过正常、断条、静偏心和动偏心四中情况实验数据计算的子带中能量占比大于门槛值的子带为{w[7],w[8],w[9]}三个子带,因此选取这三个子带进行信号重构得到新的电流信号。
第四步:根据分形理论对滤波重构的电流信号进行计算,提取信号的盒维数为故障诊断特征量;选取标尺Δ=0.001作为最小网格宽度,选择N0=200,k选择2的整数幂次方为[1,2,4,8,16,32,64],所以宽度kΔ为[0.001,0.002,0.004,0.008,0.016,0.032,0.064],根据公式可以计算出NKΔ,根据盒维数计算公式为:最终每种故障计算出10个盒维数特征量,提取盒维数电机故障特征量参见图4,由图可以更清晰的区分正常、断条、静偏心和动偏心四种情况,因此可调Q小波分形维数算法可以作为电机故障诊断中的一种有效方法。
第五步:采用支持向量机对提取的盒维数特征量进行训练分类给出电机故障诊断结果,所述诊断结果包括正常、断条、静偏心和动偏心四种结果。
将可调Q小波10个盒维数特征向量作为网络输入,以1、2、3、4分别代表正常、断条、静偏心和动偏心四种转子故障,核函数选取径向基函数(RBF),在参数优化选择方法选择上,采用网格交叉验证算法、优化选择,设定区间a范围[-10,10],步长b为0.2,采通过网格交叉方法得到的参数c和g的等高线图,可以看到选取c与g的范围为[-10,10]时精度有96.25%,最终,c和g的最优参数组合为c=0.25,g=1,通过训练对测试集样本的诊断中,网格优化参数选择模型诊断准确率达到95.6%,电机正常、断条、静偏心和动偏心故障诊断结果见图5。
最后应说明的是:以上实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (5)
1.一种基于可调Q小波电机故障诊断方法,其特征在于,包括如下步骤:
第一步:采集电机电流信号数据;以电机故障诊断综合实验台的三相异步电机为对象,实验台由三相异步电机、电涡流制动器、电气控制柜组成,通过更换电机模拟不同的故障状态,保证实验数据的多样性;随机选取每种故障各工况的70%作为训练样本,剩余30%作为测试样本;
第二步:采用可调Q小波算法对采集到的电流信号进行处理,将其分解为若干子带信号;
第三步:不同故障子带能量占比不同,将子带中能量占比较大的几个子带提取出来进行滤波重构,得到新的电流信号;
第四步:根据分形理论对滤波重构的电流信号进行计算,提取信号的盒维数为特征量;
第五步:采用支持向量机对提取的盒维数特征量进行训练分类给出电机故障诊断结果。
2.根据权利要求1所述的一种基于可调Q小波电机故障诊断方法,其特征在于:第二步中可调Q小波的可调参数选取品质因子Q为1、过采样率r为3和信号分解层数J为15。
3.根据权利要求1所述的一种基于可调Q小波电机故障诊断方法,其特征在于:第三步中能量占比门槛值选取为0.1。
4.根据权利要求1所述的一种基于可调Q小波电机故障诊断方法,其特征在于:第四步中分形理论参数选取盒子边长x为200,N(x)是用边长x的盒子覆盖研究对象使用最少的数目,选取N(x)为10。
5.根据权利要求1所述的一种基于可调Q小波电机故障诊断方法,其特征在于:第五步电机故障诊断结果包括断条故障、静偏心故障、动偏心故障和正常电机。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110329872.2A CN113095170B (zh) | 2021-03-29 | 2021-03-29 | 一种基于可调q小波电机故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110329872.2A CN113095170B (zh) | 2021-03-29 | 2021-03-29 | 一种基于可调q小波电机故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113095170A true CN113095170A (zh) | 2021-07-09 |
CN113095170B CN113095170B (zh) | 2024-04-02 |
Family
ID=76670606
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110329872.2A Active CN113095170B (zh) | 2021-03-29 | 2021-03-29 | 一种基于可调q小波电机故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113095170B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114091523A (zh) * | 2021-10-13 | 2022-02-25 | 江苏今创车辆有限公司 | 信号频域特征驱动车辆的关键旋转部件灰色故障诊断方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101900789A (zh) * | 2010-07-07 | 2010-12-01 | 湖南大学 | 基于小波变换与分形维数的容差模拟电路故障诊断方法 |
CN105784364A (zh) * | 2016-03-02 | 2016-07-20 | 西安交通大学 | 基于总体经验模式分解与分形盒维数的轴承故障诊断方法 |
CN110929677A (zh) * | 2019-12-04 | 2020-03-27 | 华北科技学院 | 一种振动数据在线监测分析系统 |
CN110987431A (zh) * | 2019-11-08 | 2020-04-10 | 江苏大学 | 一种基于tqwt辅助spc的轴承状态监测及故障诊断的方法 |
CN111898556A (zh) * | 2020-08-01 | 2020-11-06 | 华东交通大学 | 基于ck指标一致的轴承瞬态冲击特征提取方法 |
CN112098088A (zh) * | 2020-08-19 | 2020-12-18 | 昆明理工大学 | 一种基于kica-分形理论的滚动轴承故障诊断方法 |
CN112347588A (zh) * | 2020-11-26 | 2021-02-09 | 中国舰船研究设计中心 | 基于小波包分解的旋转机械故障诊断方法 |
-
2021
- 2021-03-29 CN CN202110329872.2A patent/CN113095170B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101900789A (zh) * | 2010-07-07 | 2010-12-01 | 湖南大学 | 基于小波变换与分形维数的容差模拟电路故障诊断方法 |
CN105784364A (zh) * | 2016-03-02 | 2016-07-20 | 西安交通大学 | 基于总体经验模式分解与分形盒维数的轴承故障诊断方法 |
CN110987431A (zh) * | 2019-11-08 | 2020-04-10 | 江苏大学 | 一种基于tqwt辅助spc的轴承状态监测及故障诊断的方法 |
CN110929677A (zh) * | 2019-12-04 | 2020-03-27 | 华北科技学院 | 一种振动数据在线监测分析系统 |
CN111898556A (zh) * | 2020-08-01 | 2020-11-06 | 华东交通大学 | 基于ck指标一致的轴承瞬态冲击特征提取方法 |
CN112098088A (zh) * | 2020-08-19 | 2020-12-18 | 昆明理工大学 | 一种基于kica-分形理论的滚动轴承故障诊断方法 |
CN112347588A (zh) * | 2020-11-26 | 2021-02-09 | 中国舰船研究设计中心 | 基于小波包分解的旋转机械故障诊断方法 |
Non-Patent Citations (4)
Title |
---|
ALI HUI; RUIXIN LV: "The fractal of insulator leakage current with the tunable Q-factor wavelet transform", 2020 7TH INTERNATIONAL FORUM ON ELECTRICAL ENGINEERING AND AUTOMATION (IFEEA) * |
任学平;黄慧杰;王朝阁;李攀;刘桐桐;张超;: "改进的TQWT在滚动轴承早期故障诊断的应用", 振动.测试与诊断, no. 02 * |
梁金平;董唯光;毛向德;: "变流器故障特征提取与维数约简方法研究", 计算机工程, no. 12 * |
马冰青: "液压机械无级变速箱液压系统故障诊断研究", 中国优秀硕士学位论文全文数据库-工程科技Ⅱ辑 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114091523A (zh) * | 2021-10-13 | 2022-02-25 | 江苏今创车辆有限公司 | 信号频域特征驱动车辆的关键旋转部件灰色故障诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113095170B (zh) | 2024-04-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Han et al. | Gear fault feature extraction and diagnosis method under different load excitation based on EMD, PSO-SVM and fractal box dimension | |
CN109975665B (zh) | 一种电力设备局部放电信号放电类型识别方法 | |
US20200241066A1 (en) | Intelligent on-line diagnosis and positioning method for winding deformation of power transformers | |
CN102824172B (zh) | 一种脑电特征提取方法 | |
CN111414893B (zh) | 基于vmd精细复合多尺度散布熵的转子故障特征提取方法 | |
CN103823180A (zh) | 一种配电开关机械故障诊断方法 | |
CN113465923B (zh) | 一种磨煤机磨辊轴承的剩余寿命预测方法 | |
CN113095170B (zh) | 一种基于可调q小波电机故障诊断方法 | |
CN107015140A (zh) | 一种有载分接开关弹簧动能不足故障的振动信号分析方法 | |
Wang et al. | Anomaly detection for hydropower turbine unit based on variational modal decomposition and deep autoencoder | |
Jaber et al. | A simulation of non-stationary signal analysis using wavelet transform based on LabVIEW and Matlab | |
CN112668518A (zh) | 一种对振动故障信号的vmsst时频分析方法 | |
CN110954779A (zh) | 一种基于s变换与多维分形的电压暂降源特征识别方法 | |
CN114755581B (zh) | 对置活塞磁力线性发电机的性能参数测试方法及相关装置 | |
Jia et al. | Power transformer partial discharge fault diagnosis based on multidimensional feature region | |
CN113627375A (zh) | 一种行星齿轮故障诊断方法、系统、存储介质及计算设备 | |
Wang et al. | The method to reduce identification feature of different voltage sag disturbance source based on principal component analysis | |
Jandan et al. | Recognition and classification of power quality disturbances by DWT-MRA and SVM classifier | |
CN111812573B (zh) | 一种特高压cvt谐波测试误差特性分析方法及系统 | |
CN113191247A (zh) | 一种gis设备机械故障诊断方法及系统 | |
CN109100165B (zh) | 桥梁运营模态分析方法、装置、终端与计算机可读存储介质 | |
Shuangli et al. | Application of improved wavelet packet energy entropy and GA-SVM in rolling bearing fault diagnosis | |
CN114993671A (zh) | 一种基于q因子小波变换的振动故障诊断方法及其系统 | |
Li et al. | Instructions data compression for smart grid monitoring using wavelet domain singular value decomposition | |
CN105654208B (zh) | 空间负荷预测中确定元胞负荷最大值的经验模态分解方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |