论文部分内容阅读
随着现代控制理论、新型大功率电力电子器件以及新型变频技术的飞速发展,集变频电机、电力电子装置为一体的交流变频调速系统逐渐取代传统的直流调速系统,而成为电气传动的主流。在交流调速系统促进工业生产自动化、提高劳动生产率的同时,变频电机故障对生产的影响也显著增加。因此,研究变频电机的状态监测与故障诊断技术(Condition Monitoring and Diagnosis,CMD),从源头上有效地防止设备事故发生并保证生产流程的稳定运行意义重大,已成为一项刻不容缓的任务和课题。本文主要围绕变频电机转子故障诊断所涉及的数据采集、信号处理、智能诊断等三方面进行研究和探索。
⑴在基于定子电流信号分析的变频电机转子故障诊断过程中需要获得电机的实时转速,以确定电机的故障特征量。本文利用最优估计算法——扩展Kalman滤波算法进行了变频电机转速估计研究,为实现无速度传感器的变频电机故障诊断打下基础。
⑵针对变频电机定子电流信号中谐波分量丰富,易和转子故障特征频率发生混叠,导致误诊断的现象,提出了一种FFT结合自选频算法,该算法能够从电机定子电流信号的频谱中选择最明显的故障特征量。为验证该算法的可行性,基于电机数字化调速技术和电参量采集技术搭建了变频电机转子故障试验平台,并利用该平台采集信息进行了大量实验。实验结果表明,FFT结合自选频算法能更有效提取变频电机转子故障特征。
⑶基于机器学习算法----支持向量机(Support Vector Machine,SVM)进行了变频电机转子故障智能诊断,针对智能诊断中训练样本具有逐渐添加的特性,提出了一种具有增量学习功能的SVM模型,该算法的精度能够随着训练过程中训练样本集的积累而不断提高。利用前文提取的各种变频电机转子故障特征量对该模型进行了训练和测试。测试结果表明,该模型能够高效的对各种故障模式进行分类,并具有较好的增量学习能力,对变频电机转子故障的诊断效果较好。