基于定子电流监测方法的电机故障诊断
基于定子电流小波包分析的牵引电机轴承故障诊断
３ ． Ｎａ ｔ ｉ ｏ ｎ ａ ｌ Ｅｎ ｇ ｉ ｎ ｅ ｅ ｒ ｉ ｎ ｇ Ｌａ ｂ ｏ ｒ ａ ｔ ｏ ｒ ｙ， ＣＳ Ｒ Ｑｉ ｎ ｇ ｄ ａ ｏ Ｓ ｉ ｆ ａ ｎ ｇ Ｃｏ ．，Ｌｔ ｄ ．，Ｑｉ ｎ ｇ ｄ ａ ｏ ２ ６ ６ ｌ １ １，Ｃｈｉ ｎ ａ ）
ＹＡＮＧ Ｊ ｉ ａ ｎ ｇ — ｔ ｉ ａ ｎ ，Ｚ Ｈ ＡＯ Ｍｉ ｎ ｇ — ｙ ｕ ａ ｎ 。 ，Ｚ Ｈ ＡＮＧ Ｚ ｈ ｉ — ｑ ｉ ａ ｎ ｇ 。 ，ＬＩ Ｐ ｉ ｎ ｇ — ｋ ａ ｎ ｇ
（ １ ． Ｓ ｃ ｈ ｏ ｏ ｌ ｏ ｆ Ｍｅ ｃ ｈ ａ ｎ ｉ ｃ ａ ｌ ，Ｅ ｌ ｅ ｃ ｔ ｒ ｏ ｎ ｉ ｃ ａ ｎ ｄ Ｃ ｏ ｎ ｔ ｒ ｏ ｌ Ｅ ｎ ｇ ｉ ｎ ｅ ｅ ｒ ｉ ｎ ｇ ，Ｂ ｅ ｉ ｊ ｉ ｎ ｇ Ｊ ｉ ａ ｏ ｔ ｏ ｎ ｇ Ｕｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ ，Ｂ ｅ ｉ ｊ ｉ ｎ ｇ １ ０ ０ ０ ４ ４ ， Ｃ Ｒｏ ｌ ｌ ｉ ｎ ｇ ｅ ｌ ｅ ｍｅ ｎ ｔ ｂ ｅ ａ ｒ ｉ ｎ ｇ ｆ ａ ｉ ｌ ｕ ｒ ｅ ｓ ａ ｃ ｃ ｏ ｕ ｎ ｔ ｆ ｏ ｒ ａ ｌ ａ ｒ ｇ ｅ ｍａ ｊ ｏ ｒ ｉ ｔ ｙ ｏ ｆ ｍｅ ｃ ｈ ａ ｎ ｉ ｃ ａ ｌ ｆ ａ ｕ ｌ ｔ ｓ ｉ ｎ ａ ｌ ｏ ｃ ｏ ｍｏ ｔ ｉ ｖ ｅ ｔ ｒ ａ ｃ —
摘
要： 滚 动轴 承 失 效是 机 车 牵 引 传 动 系 统 的 主 要故 障 源 之 一 。轴 承 失 效 引 起 电 机 振 动 增 加 ， 导 致 定 子 电 流 发
电力机车牵引电机故障检测诊断方法概述
电力机车牵引电机故障检测诊断方法概述摘要：研究有效的牵引电机故障检测及诊断技术对于保障行车安全具有重要意义。
首先对电力机车牵引电机常见故障及其原因进行了分析，随后介绍了各类故障的传统诊断方法及智能诊断方法，最后比较了传统方法及智能诊断方法的区别并对智能诊断的实际应用进行了展望。
关键词：牵引电机;故障;智能诊断1.牵引电机常见故障根据牵引电机故障的来源不同可以将故障分为机械故障和电气故障两类。
电气类故障包括定子绕组故障、定子铁芯故障、转子故障等，机械类故障指轴承故障［3］。
图1所示为牵引电机故障分类及常见原因。
图1牵引电机的故障分类及原因虽然故障种类较多，但每一类故障发生的概率并不相同。
有国外学者对一般电机的各类故障发生概率进行了统计，各故障发生相对概率如图2所示［4］。
由图2可知，轴承故障、定子故障及转子故障为一般电机的主要故障类型，其中轴承故障及定子故障合计占比78%。
图2一般电机故障统计中车永济电机有限公司的张培军通过分析HXD3/3C型机车牵引电机运用及C5修检修数据，得到表1所示YJ85系列牵引电机的故障主要类型及其发生概率［5］。
由表1可知，机车牵引电机故障多为电机接地故障及传感器故障。
经分析，三相线焊接处薄弱、异物导致线圈破损、绝缘薄弱为接地故障主要原因。
表1 YJ85系列牵引电机故障统计2.电气故障2.1.定子故障定子在电机运行过程中会受到各种各样的应力作用，通常包括热应力、机械应力和环境应力等。
电机长期在这些应力作用下工作是影响定子状态并导致其发生故障的根本原因。
如图1所示，定子故障大致可以分为两类，即定子绕组故障和定子铁芯故障。
定子绕组故障主要包括层间或匝间绝缘击穿、绕组接地及绕组断路。
绕组断路很少发生，断路原因通常是线圈端部振动、焊接工艺不当或者导线存在一定缺陷导致导线焊接点开焊。
定子铁芯故障通常指铁芯松动。
制造时铁芯压装不紧或紧固件失效、铁芯外表面漆膜凸起因受热软化遭受附加压力而被压平是导致铁芯松动的常见原因。
电机有哪些故障检查方法和技巧
电机有哪些故障检查方法和技巧电机在出现问题和故障后悔严重影响设备的安全与正常运行，那么对此你知道该怎么去检查电机的故障与问题吗?以下是店铺为你整理的电机的故障检查方法，希望能帮到你。
电机的故障检查方法一看：观察电动机运行过程中有无异常，其主要表现为以下几种情况。
1.定子绕组短路时，可能会看到电动机冒烟。
2.电动机严重过载或缺相运行时，转速会变慢且有较沉重的"嗡嗡"声。
3.电动机正常运行，但突然停止时，会看到接线松脱处冒火花;保险丝熔断或某部件被卡住等现象。
4.若电动机剧烈振动，则可能是传动装置被卡住或电动机固定不良、底脚螺栓松动等。
5.若电动机内连接线接触点和连接处有变色、烧痕和烟迹等，则说明可能有局部过热、导体连接处接触不良或绕组烧毁等。
二听：电动机正常运行时应发出均匀且较轻的"嗡嗡"声，无杂音和特别的声音。
若发出噪声太大，包括电磁噪声、轴承杂音、通风噪声、机械摩擦声等，均可能是故障先兆或故障现象。
1. 对于电磁噪声，如果电动机发出忽高忽低且沉重的声音，则原因可能有以下几种。
(1)定子与转子间气隙不均匀，此时声音忽高忽低且高低音间隔时间不变，这是轴承磨损从而使定子与转子不同心所致。
(2)三相电流不平衡。
这是三相绕组存在误接地、短路或接触不良等原因，若声音很沉闷则说明电动机严重过载或缺相运行。
(3)铁芯松动。
电动机在运行中因振动而使铁芯固定螺栓松动造成铁芯硅钢片松动，发出噪声。
2.对于轴承杂音，应在电动机运行中经常监听。
监听方法是：将螺丝刀一端顶住轴承安装部位，另一端贴近耳朵，便可听到轴承运转声。
若轴承运转正常，其声音为连续而细小的"沙沙"声，不会有忽高忽低的变化及金属摩擦声。
若出现以下几种声音则为不正常现象。
(1)轴承运转时有"吱吱"声，这是金属摩擦声，一般为轴承缺油所致，应拆开轴承加注适量润滑脂。
(2)若出现"唧哩"声，这是滚珠转动时发出的声音，一般为润滑脂干涸或缺油引起，可加注适量油脂。
电机故障诊断方法及检修策略
电机故障诊断方法及检修策略电机在现代工业生产中起着至关重要的作用。
然而，电机故障是不可避免的，它可能会导致生产中断、能源浪费、设备损坏甚至人身安全事故。
因此，准确诊断电机故障并制定正确的检修策略成为了维护设备稳定运行的关键。
一、电机故障诊断方法1. 观察法观察法是最常见也是最简单的电机故障诊断方法之一。
通过观察电机的外部现象和运行状态，可以初步判断出电机故障的可能原因。
例如，如果电机发出噪音或振动，可能是轴承损坏。
如果电机发出烧焦味道，可能是电线或电机绕组发生了热损坏。
这种诊断方法对于表面故障较为有效，但对于一些内部故障则有一定的局限性。
2. 测量法测量法是一种基于电机电气性能测量来诊断故障的方法。
通过测量电机的电压、电流、温度等参数，可以判断出电机故障的类型和位置。
例如，当测量到低于正常值的电流时，可能是电机绕组中有导线断裂。
当测量到电机外壳温度升高时，可能是轴承润滑不良。
这种方法需要依赖专业的测量仪器，并需要对电机性能有一定的了解。
3. 检查法检查法是通过对电机各部分进行仔细检查，寻找故障的发生点。
检查法需要检查电机的外壳、端盖、风扇、轴承等部分，以及电机的电线、绕组连接情况等。
通过检查法，可以发现一些表面故障或连接松动的问题。
然而，这种方法对于内部故障的定位有一定的局限性。
二、电机故障检修策略1. 故障确定在电机故障检修过程中，首先需要确定故障的类型和位置。
根据前述电机故障诊断方法的结果，结合电机的运行表现和相关数据，可以初步确定故障的原因。
例如，如果电机突然停止运转，可能是电源故障、电机过载或传动系统故障等。
根据故障的确定，可以有针对性地制定检修策略。
2. 维护保养对于电机的故障检修而言，维护保养是非常重要的一环。
定期对电机进行维护保养，包括清洁电机外壳、更换润滑油、检查轴承和电线连接等。
维护保养可以延长电机的使用寿命，减少故障的发生。
3. 更换部件一旦确定了故障的具体位置，可能需要更换一些部件才能解决问题。
基于定子电流的异步电动机转子故障诊断方法综述
１ 常见 转 子 故 障
Hale Waihona Puke 作 Ｆｕ ｅ 分析容易被淹没 ， ｏｒ ｒ ｉ 从而降低了故 障诊断 的 灵 敏度 。在 此 状 况 下 ， 种 基 于定 子 电 流 的 故 障 特 各 对 鼠笼式 异 步 电动 机 而 言 ， 电机 频 繁 启 动 或 征 提取方 法 得 到 了大量 研究 。 若
２ 基于定子 电流 的转 子故障诊断
２ １ 转 子故 障诊 断原理 ．
件准确抵消定子电流中． 频率分量 ， 从根本上解决
了． 频 率 分 量 的泄 漏 而 淹 没 （ ２ ） 频 率分 量 这 １— ｓ．
一
问题 ， 有效 地对 电机转 子故 障进 行 了诊 断 ， 大 致 并
当电机 出现 转 子 故 障 时 ， 然 在 气 隙 中引 起 谐 可 以估 算 出转子 断条 数 目。 必
． 工作 环 境 恶 劣 或 电机 频 繁启 动 等原 因 ， 子 经 常发 ２ ２ 转 子故 障诊 断 方 法 转
生故 障 ， 造成 了很 大 的 经 济损 失 。为 了预 防此 类 故
当转子出现断条 、 端环断裂等故障时， 会在定子
障的发 生 ， 内外 学者 做 了大 量 的研 究 工 作 ， 出 了 国 提 电流 中产生 一个 频 率 为 （ ２ ） 的 特 征 分量 （ 为 １— ｓ． ｓ
各种转子故障诊断方法 。由于定子电流信号容易采 转差率 为基波频率 ）通过频谱分析 ， ， 看是 否含有
集 ， 障监测 可 做 成 非 侵 入 式 ， 此 ， 子 电流 方 法 该 分量 来判 断转 子 有 无 故 障 。然 而 ， 于 （ 故 因 定 由 １—２） ｓ 在 电机转 子故 障诊 断 中得 到 了普遍 的应 用 。 频 率 分 量 的 幅值 相对 于基 频 分 量 幅值 较 小 ， 单 地 简
风力发电机状态监测与故障诊断技术分析
风力发电机状态监测与故障诊断技术分析摘要：随着环境的日益恶化，作为绿色能源的风能，其被广泛的应用与发电行业，风力发电机技术已经成为当前世界各国研究的热点。
由于风场位于环境恶劣的偏远地区，使得风力发电机发生故障的位置比较复杂，对风力发电机运行状态的监测工作造成很大的困难。
因此为降低风力发电机的故障发生率，需要大力发展状态监测与故障诊断技术。
关键词：风力发电；新能源；发电机引言从风力发电场的视角出发，对于风力发电当中的机组部分展开探究，论述对故障问题进行检测以及实施诊断的方式，是将对机组部分平时进行维护的资金减少的一项极为高效的方法。
一、风力发电机组的故障特点风力发电场的的位置大多为一些偏远地区和高山上，恶劣的自然环境、风速多变以及外部载荷的不稳定长期影响对于风力发电机组内部的部件很容易引起故障。
而风发电机组的故障一般都是主要有齿轮箱、发电机、变频器三部分的故障。
我们主要是对于风力发电机组中发电机部分做主要的研究，风力发电机组的发电机一般故障有发电机轴承过热、发电机运行时的振动过大以及发电机机身的温度过高等方面的故障。
经过长时间的研究发现，造成以上故障的主要原因是轴承损坏、定子绕组的绝缘损坏以及转子的平衡问题等原因。
对于不同的故障问题以及部件应采用相适应的处理方法，是对其进行最有效的状态监测和故障诊断的有效措施。
二、状态监测与故障诊断的系统的基本结构风力发电机组的监测与故障诊断依赖于现代化计算机技术以及电气技术的有效结合，计算机的控制系统可将信号的采集、监测、分析等融合为一个一站式的监测系统。
通过对风力发电机组的温度、振动以及压力的数值与标准数值进行对比分析，能够有效的掌握发电机组的运行状况，同时可以根据数据的分析对风力发电机组出现的故障并提出相应的解决措施。
风力发电机组的监测与故障的诊断系统的工作模式主要是对信息的收集--信息的处理--信息的分析--判断信息的准确性--诊断的结果以及相应的措施。
对于信息的处理和收集是基于前期对发电机组安装或进行周期性的检测，在检测设备对于检测到的信号传输给计算机控制系统对于信息进行分析，从而得出相应的结果。
牵引电机常见故障及电流分析法诊断机理
牵引电机常见故障及电流分析法诊断机理1引言牵引电机发生各种故障发生的具体情况不尽相同,但不管发生哪种故障,其故障初期时都会通过不同形式反映出一定变化等。
因此,可以对这些特定信号进行监测分析以从中找出某些故障的特征,对一些牵引电机故障做出诊断，本文主要讲述了基于定子电流分析来诊断电机故障。
2牵引电机的故障类型及原因（1）电机定子绕组故障主要包括层间、匝间短路故障，几乎40%的牵引电机故障都属于定子距间短路故障，而绝短路故障的主要原因有线圈松动导致层间垫条磨损，线圈制作过程中匝间绝缘遭受损伤或匝间绝缘材质不良、匝间绝缘厚度不够或结构不合理等。
（2）转子故障表现为笼条及端环断裂，开焊，主要因为电机在反复启动、运行、停转过程中，转子不仅承受很大冲击力和应力还会受到较大的离心力。
由于存在变形和位移，笼条和端环会因应力分布不均匀而断裂，另外负载变化和电压波动使笼条在交变负荷的作用下容易产生疲劳发生转子故障，将出现电机启动时间延长、转差率增大、电机噪声增加等甚至更严重的影响。
（3）对牵引电机而言,气隙偏心也是常见故障之一转子偏心将导致气隙不均衡,产生了非平衡气隙电磁拉力,并进一步同时引起定转子振动,并最终导致轴承故障和机械故障，气隙偏心分为静态偏心故障和动态偏心故障两种形式,其中,静态偏心是由定子铁心内径的椭圆度或装配不正确造成的,和转子本身的位置无关;动态偏心是由转轴弯曲,轴径椭圆,临界转速时的机械共振、轴承磨损造成的,其偏心位置与转子位置和旋转频率有关,在空间上是动态变化的。
3基于定子电流分析的故障诊断原理（1）定子绕组匝间短路机理分析交流电动机的定子绕组一般均采用在时间及空间上均互差120°的三相对称分布绕组。
当某相定子绕组存在匝间短路时,定子绕组的对称性遭到破坏。
由定子绕组产生的气隙磁势由对称时的圆形变为椭圆形,该椭圆形磁势可以分解为正转分量和反转分量,二者转速相同、转向相反。
当故障不很严重时,前者的幅值远远大于后者的幅值。
交流电机定子绝缘故障诊断与在线监测技术综述
故障诊断技术综述
在实际应用中，需要根据电机的具体情况选择合适的诊断方法。同时，随着 人工智能和大数据技术的发展，基于数据驱动的故障诊断方法也成为了研究热点。 这些方法通过收集大量的运行数据，利用机器学习和深度学习等技术进行模式识 别和故障预测，具有较高的准确性和实时性。
在线监测技术综述
在线监测技术综述
引言
引言
交流电机作为一种重要的动力设备，广泛应用于各种工业领域。其定子绝缘 系统是维持电机正常运行的关键部分，一旦出现故障，将会导致电机效能下降甚 至损坏。因此，开展交流电机定子绝缘故障诊断与在线监测技术的研究具有重要 的实际意义。本次演示旨在综述该领域的最新研究成果，以期为相关研究和应用 提供参考。
交流电机定子绝缘故障诊断与 在线监测技术综述
01 摘要
目录
02 引言
03 故障诊断技术综述
04 在线监测技术综述
05 结论
摘要
摘要
本次演示将对交流电机定子绝缘故障诊断与在线监测技术的现状和发展趋势 进行综述。文章首先介绍了交流电机定子绝缘故障诊断与在线监测技术的背景和 意义，接着阐述了故障诊断和在线监测技术的各个方面，最后总结了其优点和不 足，并指出了未来的研究方向。
在线监测技术综述
在实际应用中，各种在线监测方法都有其优点和局限性。电流监测法可以准 确反映定子绝缘的状况，但无法检测到尚未造成电流波形的故障；振动监测法和 温度监测法则可以实时监测电机的运行状态，但需要解决如何准确提取故障特征 和如何排除其他干扰因素等问题。因此，综合应用多种在线监测方法，提高监测 的准确性和可靠性是未来的研究方向之一。
谢谢观看
Байду номын сангаас
在线监测技术综述
同时，随着物联网和云计算技术的发展，基于物联网的在线监测系统成为了 研究热点。这种系统通过将传感器、数据处理和分析单元以及远程监控中心连接 起来，可以实现数据的实时传输和处理、故障预警和远程监控等功能，大大提高 了监测的效率和准确性。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
基于定子电流监测方法的电机故障诊断肖蕙蕙1, 熊隽迪2, 李 川1, 何 莉1(1.重庆工学院电子信息与自动化学院,重庆 400050;2.重庆电力高等专科学校实践部,重庆 400053) 摘 要:电机是一种复杂的旋转机械,其故障种类多而且难以辨别。
为了对小功率异步电机的常见故障进行正确快速地诊断,采用小波分析技术对几种常见故障所引起的定子电流变化进行了多分辨率分析。
从能量分布的角度出发,快速且较为准确地诊断出电机故障。
诊断效果表明,小波分析是对电机故障进行定子电流诊断的有效方法,同时为电机故障在线实时诊断提供了理论依据。
关键词:异步电机;小波分析;定子电流监测;故障诊断中图分类号:T M307+.1 文献标识码:A 文章编号:167326540(2008)0120054204M otor Fault D i a gnosis Usi n g Sta tor Curren t M on itor i n gX I AO Hu i2hui1, X I ON G Jun2di2, L I Chuan1, HE L i1(1.Dep t.of Electr onic I nfor mati on and Aut omati on,Chongqing I nstitute of Technol ogy,Chongqing 400050,China;2.Practice Depart m ent,Chongqing Electric Power College,Chongqing400053,China) Abstract:It is difficult t o identify vari ous faults of electric mot ors.W avelet theory and app lies it t o the common fault diagnosis of m icr o2power inducti on mot or is intr oduced.Several types of fault noise are analyzed with multi2res o2 luti on analysis.The results show that the p r oposed method has a better perf or mance in rap idity and validity.It als o sheds light on further research.Key words:a synchronous m otor;wavelet ana lysis;st a tor curren t m on itor i n g;fault d i a gnosis0 引 言电机故障时,电流变化相对较小,因此电流监测一直被认为难以用来监测故障。
随着各种技术的发展及进一步研究发现,对已知的振动频率而言,定子电流的变化直接与振动幅度的变化有关[1]。
因此,电流信号不仅可以和振动信号一样用来监测故障[225],并且具有成本低、易操作的优点。
当前,用电流监测方法已成为电机故障诊断的新趋势。
本文根据小波多分辨率分析的特点,提取异步电机定子电流信号的局部特征,利用径向基函数神经网络在函数逼近能力、分类和学习速度方面的优势,对电机常见的转子故障、气隙不均匀典型故障进行分析。
1 基于“能量2故障”的小波预处理神经网络故障诊断方法 分析各类电机故障前后的频域特征,可以得出以下结论:当系统发生故障时,其幅频特性和相频特性都一定会有明显的变化。
从幅频特性上看,主要表现为对不同频段信号具有不同的抑制或增强效果,通常故障会明显地对某些频率成分起抑制作用,而对另外一些频率成分起增强作用。
因此,其输出相对于正常系统来说,相同频带内信号的能量会有较大的差别,某些频带内信号能量会减小,相应地,另外一些频带内信号能量会增大。
而且,在各频率信号成分的能量中,包含丰富的故障信息,某一种或某几种频率成分能量的变化就代表了一种故障类型。
或者说,正是由于系统的某种故障才导致了系统频域特性能量的某种对应的改变。
充分利用这一特点,就可以建立能量变化到电机故障的映射关系表,从而提取表征电机故障的特征向量。
选取异步电机定子电流信号进行小波预处理,并将故障特征输入径向基(RBF)网络进行训练学习,从而确定故障类别。
具体步骤如下。
(1)首先对采集来的信号进行3层小波分—45—解,分别提取第3层从低频到高频8个频率成份的信号特征。
其分解结构如图1所示。
图1 小波包3层分解的树形结构图 图1中,括号中数字表示第i 层的第j 个结点。
其中:i =0,1,2,3;j =0,1,…,7。
每个结点都代表一定的信号特征。
其中:(0,0)结点代表原始信号S;(1,0)结点代表小波包分解的第1层低频系数X 10;(1,1)结点代表小波包分解的第1层高频系数X 11;(3,0)结点代表第3层第0个结点的系数;其它依此类推。
(2)对小波包分解系数重构,提取各频带范围的信号特征。
以S 30表示X 30的重构信号,以S 31表示X 31的重构信号,其它依次类推。
在这里,只对第3层的所有结点进行分析。
总信号S 可以表示为S =S 30+S 31+…+S 37(1) (3)求各频带信号的总能量。
设S 3j (j =0,1,…,7)对应的能量为E 3j (j =0,1,…,7),则E 3j =∫|S 3j (t )|2d t =∑nj =1|X jx |2(2)式中:X jk (j =0,1,…,7;k =1,2,…,n )表示重构信号S 3j 的离散点的幅值。
(4)构造特征向量。
定义信号的全部能量为E tot =∑7j =1E3j(3) 定义某频段的相对小波包能量为p 3j =E 3j E tot(4) 则相对小波包能量的特征向量为S =[p 30,p 31,…,p 37](5)S 就称为能量特征向量,并作为径向基函数神经网络的输入元素。
(5)经过RBF 神经网络训练学习后,建立能量变化到各类故障之间的映射关系,最终确定故障类别。
2 试验及结果分析在实验台上,对型号为Y80124的一批三相异步电动机进行试验。
其额定功率均为0.55k W ,额定电流均为1.5A ,额定电压均为380V 。
本试验仅针对转子故障、气隙不均匀两类故障进行试验验证。
采集2000个数据点(实际采集25组数据,见表1)。
正常运行、转子故障、气隙不均三种情况定子电流的波形分别如图2、3、4所示。
图2 正常情况的定子电流图3 转子故障时的定子电流图4 气隙不均匀时的定子电流 由图2、3、4可以看出,三种情况下定子电流信号区别并不明显,为区别微弱信号,运用先前所提到的小波包分解,得到能量特征。
由于需要训练RBF 神经网络,于是采集多组数据,并分别得到各自的能量特征值,如表1所示(这里定义1是正常信号,2表示转子故障信号,3表示气隙不均匀信号)。
—55—表1 25组数据的能量特征向量样本能量特征向量E30E31E32E33E34E35E36E37状态诊断结果10.14350.10060.13680.12400.12940.11750.12440.12381120.14120.12160.11120.14450.10270.13270.13640.1097131330.16520.11730.12170.12080.11470.12230.09970.13831140.13400.11570.12400.11950.11070.11010.15450.1314131350.14870.11500.14920.12850.11440.09000.14460.10971160.15930.10310.12340.12140.11280.12290.12780.12931170.14690.10200.11850.11550.15910.11740.13020.11051180.14980.13990.12200.12240.11050.12730.09670.13141190.15880.11770.13270.09000.13440.10560.13990.121022100.18130.10440.14370.11010.12400.11500.11370.107722 110.16920.10640.11900.10550.12830.12180.12570.124122 120.15060.11040.10110.16210.14030.10850.12880.098222 130.16460.10890.13470.12020.12780.13250.10160.109622 140.14730.11560.09840.15920.10830.13310.13060.107422 150.13380.11190.11080.13420.12480.14640.11640.121922 160.16260.10790.10310.11960.14790.13220.11140.11522323 170.16900.13360.11810.12550.12620.12570.10400.09782323 180.16120.12460.11580.10560.13280.11720.11970.12323333 190.12950.12220.10930.13190.11520.12260.11580.153533 200.17810.11190.11560.13040.10250.13640.11750.10753333 210.14270.09360.13690.12160.15430.12590.11220.112833 220.16440.13150.09710.13550.10730.14090.10990.113333 230.15380.11900.11810.12300.10730.11680.13340.128633 240.16360.10850.10770.12270.13250.13510.09950.130333 250.14440.11290.13090.12420.12240.10180.14000.123533 注:带3号的数据为试验数据,其余为训练样本。
采用RBF神经网络的概率神经网络(P NN)结构对上述的特征向量进行分类,对输入的验证特征向量P1=[0.14120.13400.16260.16900.17810.16120.12160.11570.10790.13360.11190.12460.11120.12400.10310.11810.11560.11580.14450.11950.11960.12550.13040.10560.10270.11070.14790.12620.10250.13280.13270.11010.13220.12570.13640.11720.13640.15450.11140.10400.11750.11970.10970.13140.11520.0979 0.1075 0.1232]T有结果X1=[1 1 2 2 3 3]根据前面的定义可知,验证信号分别属于“正常、正常、1类故障、1类故障、2类故障、2类故障”。