永磁直流電機(jī)故障在線監(jiān)測(cè)與智能診斷的研究.pdf

1、小功率永磁直流電機(jī)因其具有結(jié)構(gòu)簡(jiǎn)單、運(yùn)行可靠、體積小、重量輕、效率高等優(yōu)點(diǎn)，被廣泛地應(yīng)用于汽車工業(yè)以及航空、航天領(lǐng)域。為了這些電機(jī)的安全運(yùn)行，本文研究了一種簡(jiǎn)便的永磁直流電機(jī)故障在線監(jiān)測(cè)與智能診斷方法。
　　針對(duì)在線故障監(jiān)測(cè)的實(shí)時(shí)性與簡(jiǎn)便性的要求，提出了一種基于電流信號(hào)分析與處理的永磁直流電動(dòng)機(jī)常見(jiàn)故障的診斷方法。以易于檢測(cè)的永磁直流電機(jī)電樞電流為故障診斷的信號(hào)源，綜合利用基于信號(hào)處理的方法來(lái)實(shí)現(xiàn)故障特征的提取，基于人工智能方法實(shí)

2、現(xiàn)故障模式識(shí)別。
　　在分析了永磁直流電動(dòng)機(jī)的故障機(jī)理和電機(jī)動(dòng)、穩(wěn)態(tài)電流在正常與故障狀態(tài)下的變化特性的基礎(chǔ)上，建立了基于電樞電流分析的永磁直流電機(jī)故障診斷的數(shù)學(xué)模型。確立穩(wěn)態(tài)電流i的均值avi、穩(wěn)態(tài)電樞電流頻譜譜峰對(duì)應(yīng)的脈動(dòng)頻率f及其脈動(dòng)幅度stdi、電機(jī)起動(dòng)電流的峰值mi和峰值點(diǎn)附近的下降速率k這五個(gè)量確立為永磁直流電機(jī)故障診斷的特征參數(shù)，并將它們相對(duì)于正常狀態(tài)的變化量組成故障特征向量：[eTf=iavistdik]。
　

3、　以數(shù)臺(tái)永磁直流電機(jī)為實(shí)驗(yàn)樣本，對(duì)其常見(jiàn)的元件開(kāi)路、匝間短路、電刷磨損，繞組脫焊四種故障進(jìn)行空、負(fù)載電樞電流故障特征提取及故障機(jī)理分析，實(shí)驗(yàn)結(jié)果與故障機(jī)理分析的一致性表明：本文提出的基于電流分析的永磁直流電機(jī)故障診斷方法對(duì)永磁直流電機(jī)的常見(jiàn)故障的診斷具有通用性。
　　故障模式識(shí)別是實(shí)現(xiàn)故障智能診斷的關(guān)鍵環(huán)節(jié)。專家系統(tǒng)在故障診斷領(lǐng)域中的應(yīng)用，實(shí)現(xiàn)了基于人類專家經(jīng)驗(yàn)知識(shí)的故障模式智能識(shí)別技術(shù)。但由于永磁直流電機(jī)故障特征參數(shù)的分散性、隨

4、機(jī)性和模糊性較大，獲取有效的永磁直流電機(jī)的診斷知識(shí)成為建造故障模式識(shí)別專家系統(tǒng)的關(guān)鍵問(wèn)題之一。機(jī)器學(xué)習(xí)是解決知識(shí)獲取問(wèn)題的主要途徑。目前應(yīng)用較為廣泛的基于機(jī)器學(xué)習(xí)的故障模式識(shí)別方法主要有統(tǒng)計(jì)模式識(shí)別方法和人工神經(jīng)網(wǎng)絡(luò)方法。但統(tǒng)計(jì)模式識(shí)別方法和人工神經(jīng)網(wǎng)絡(luò)方法都是建立在傳統(tǒng)的統(tǒng)計(jì)學(xué)基礎(chǔ)之上的分類算法，即只有在足夠多的樣本前提下，其算法才是合理的，而當(dāng)訓(xùn)練的是小樣本數(shù)據(jù)集時(shí)，就不宜再沿用該分類算法。工程應(yīng)用中的永磁直流電機(jī)尤其航空航天應(yīng)用領(lǐng)

5、域中的電機(jī)不可能帶故障長(zhǎng)期運(yùn)行，故難以獲得大量典型故障樣本。這就在一定程度上制約了統(tǒng)計(jì)模式識(shí)別和人工神經(jīng)網(wǎng)絡(luò)方法在該領(lǐng)域中的應(yīng)用。
　　本文以支持向量機(jī)算法的數(shù)學(xué)模型為理論依據(jù)，構(gòu)建了一種基于支持向量機(jī)的永磁直流電機(jī)故障模式識(shí)別分類器，對(duì)永磁直流電機(jī)的數(shù)種故障模式進(jìn)行識(shí)別，并對(duì)其和應(yīng)用BP神經(jīng)網(wǎng)絡(luò)識(shí)別方法在小樣本故障模式識(shí)別中的應(yīng)用進(jìn)行了對(duì)比實(shí)驗(yàn)研究。結(jié)果表明：基于支持向量機(jī)的故障模式識(shí)別方法在小樣本情況下的診斷精度要高于同樣樣本

6、情況下的BP神經(jīng)網(wǎng)絡(luò)，且避免了基于BP神經(jīng)網(wǎng)絡(luò)方法中存在的過(guò)學(xué)習(xí)問(wèn)題和陷入局部極小值問(wèn)題。
　　針對(duì)永磁直流電機(jī)故障在線診斷中存在類樣本數(shù)目不平衡、誤判損失不等、在線樣本數(shù)據(jù)缺少類別標(biāo)識(shí)以及復(fù)雜環(huán)境中樣本數(shù)據(jù)存在大量噪聲野點(diǎn)等問(wèn)題，本文對(duì)基于支持向量機(jī)的永磁直流電機(jī)故障模式識(shí)別算法作了如下兩方面的改進(jìn)：首先，通過(guò)對(duì)支持向量機(jī)數(shù)學(xué)模型中的誤差懲罰因子進(jìn)行加權(quán)，構(gòu)建了一種基于加權(quán)支持向量機(jī)的永磁直流電機(jī)故障模式識(shí)別算法。理論分析和實(shí)驗(yàn)

7、結(jié)果表明：該算法可以提高小樣本類（故障樣本類）診斷精度，降低誤判損失。其次，采用了一種基于模糊C均值的聚類算法，對(duì)無(wú)類別標(biāo)識(shí)的在線數(shù)據(jù)進(jìn)行模糊聚類，并根據(jù)模糊聚類的隸屬度，來(lái)判斷每個(gè)樣本數(shù)據(jù)的所屬類，由此同時(shí)定位數(shù)據(jù)中的野點(diǎn)，消除野點(diǎn)后，再對(duì)消噪后的數(shù)據(jù)運(yùn)用基于支持向量機(jī)的模式識(shí)別算法進(jìn)行訓(xùn)練與測(cè)試。提高了永磁直流電機(jī)復(fù)雜運(yùn)行工況下在線樣本數(shù)據(jù)的故障識(shí)別精度，擴(kuò)充了基于支持向量機(jī)的故障模式識(shí)別算法的應(yīng)用領(lǐng)域。
　　本方法只需要監(jiān)測(cè)