基于狼群算法的轮毂电机故障诊断方法
电机滚动轴承故障诊断方法研究——基于CEEMD能量熵和SVM
（ ２ ） 继 续重复上述 步骤 （ １ ） ， 对构造 的 ｈ （ ｆ ）和 厢护脚板最 底 部分 之 间的铅 垂距 离 不大 于 ０ ． ２ ０ ｍ； 对
意外移动 的保 护装置 由限速器 、 检测 系统来 完成 。如果 部分封 闭的井 道 ， 轿 厢 地坎 与 面对轿 厢人 口的井 道壁 此时制动器作 用于曳引轮 ， 因为制动 区域 曳引轮 的功 能 最低部 件之间的距离不大于 ０ ． ２ ０ ｍ。 可以用制动器来实现 ， 则防止电梯轿厢 意外移 动的保 护 ③停止后轿厢 内人 员 可能 被救 出的安 全 问 隙 ： ａ 、 功能有制动器和检测 系统来完 成 。如果制停 装置作 用 轿厢高 出救援层平 层 位 置时 ， 轿 厢 地坎 与层 门门楣 之 于曳引钢丝绳 ， 此时防止电梯轿厢 意外移 动的保 护装置 问的垂 直距离 不小 于 １ ． ０ ０ ｍ； ｂ 、 轿 厢 低于救 援 层平 层 由钢丝绳夹绳器与检测系统来完成 （ 如图 ２ ） 。 位置时 ， 层 门地坎 与轿 厢 门楣 之间 的处 置距 离 不小 于
电机滚动轴承 故障诊断方法研究
一
基于 Ｃ Ｅ Ｅ ＭＤ能量 熵 和 Ｓ ＶＭ
卓 仁 雄 肖金 凤 万俊 铄
（ 南华大学 电气工程学院 ， 湖南 衡阳 ４ ２ １ ０ ０ ０ ） 摘 要： 针对 电机轴承早期振动故 障信 号非线性非平稳性特征 ， 造 成振 动故障信号特征 向量提取 和故 障诊 断 困难 ， 提 出一 种 补 充 的 总体 平 均 经验 模 态分 解 （ Ｃ Ｅ Ｅ ＭＤ ） 与 能 量 熵 结合 的 电机 滚 动 轴 承 故 障特 征 提 取 方 法 。 通 过
重、 轿厢时 ， 通 过 安全 钳 来 产 生 制 停 功 能 ， 此 时 防 止 轿 厢
电动汽车轮毂电机故障诊断及维修探析
电动汽车轮毂电机故障诊断及维修探析1 案例分析某一辆用于维修研究的纯电动汽车，且以轮毂电机来实现驱动;该辆车在行使时，其动力开始逐步下降，并无法有效满足汽车爬坡以及紧急加速的需求。
2 故障检查负责维修的人员通过举升机将故障车辆举起，并先后分别对前进挡、倒挡以及加速踏板进行了全方位的检查。
在这个过程中发现汽车的右后轮未正常运转，此时，维修人员认为汽车的后右轮动力系统应该出现了问题。
纯电动汽车的驱动系统由电机、控制器两大部分组成;为了能够保障车辆的舒适性，为其设置量独立控制器，数量为2个，其作用是汽车后轴的驱动轮毂进行有效控制。
后左轮驱动正常，基于此，维修人员将左右后轮的控制器进行互调，即用左后轮的控制器来对右后的电机进行控制，但是未将故障有效排除。
此时，经过分析之后，维修人员认为后轮毂电机自身方面出现了问题。
该车辆的电动机为直流无刷电动机，其中以星状的方式布置以及连接了三组线圈。
电机转子内圈之中有粘有磁块（稀土永磁材料制作而成），并在霍尔传感器的支持下能够实现转子磁场的检测，然后针对对应的控制器传输对应的信号。
控制器发挥作用必须要有这些信号为基本依据，从而有效1/ 4控制定子电流的大小、方向，这样电机则可以将整个车轮带动。
制动方面的能量必须要进行回收，此时，车轮会随着电机的作用力而进行旋转。
与此同时，永磁体会持续的运动，然后形成对应的磁场，并保持持续性运动;接着，定子线圈范围当中有会感应的电动势逐步形成，同时，发电机会被电动机岁替代。
另外，控制器在点火开关断开之后会立刻停止，其定子线圈也处于到断路的状态之中，面对这样的形式，感应电动势则难以再形成回路，而且对于感应电流来讲，定子线圈之中也无法获得，这就意味着没有办法形成反力矩，而对于驱动轮转动的阻力也会比较小。
将点火开关断开，并将两个后轮进行转动，可以进一步发现左后轮的阻力明显较小，而有后轮的阻力则明显比较大，此时维修人员做出判断，即：汽车右后轮的电机定子之中的线圈，一方面是有了感应的电流，另外一方面还形成了回路。
基于WMM-HMM的轮毂电机机械故障诊断方法
第49卷第4期2021年4月华中科技大学学报（自然科学版）J. Huazhong Univ. of Sci. & Tech. (Natural Science Edition)Vol.49 No.4Apr. 2021DOI：10.13245/j.hust.210405基于W M M-H M M的轮毂电机机械故障诊断方法薛红涛a周嘉文a童鹏1(江苏大学a.汽车与交通工程学院；b.机械工程学院，江苏镇江212013)摘要为有效监控电动汽车用轮毅电机的运行状态，保障整车的运行安全，提出了一种基于混合Weibull分布模 型(WMM)与隐马尔科夫模型(HMM)的轮毂电机机械故障诊断方法(WMM-HMM诊断法).首先，利用轮毂电机振 动信号提取敏感特征参数，用以表征其运行状态，建立观测序列.其次，利用WMM对轮毂电机各种运行状态下 有限的观测序列进行拓展，获取足量的观测序列作为HMM的训练样本集，确立HMM参数，进而在低、中速工 况下分别构建轮毅电机运行状态的WMM-HMM诊断模型.最后，定制相应的故障轮毂电机，搭建试验台，对所 提出的方法进行验证.结果表明：所提出的方法能够在低、中速工况下精确识别出轮毂电机的机械故障状态，较 传统方法识别精度至少提高了 9.3%.关键词轮毂电机；振动信号；故障诊断；混合Weibull分布模型：隐马尔科夫模型中图分类号TM307.1 文献标志码A 文章编号1671-4512(2021)04-0032-06Mechanical fault diagnosis method of in-wheel motor based on WMM-HMMXUE Hongtaoa ZHOU Jiawen- TONG Peng''(a. School of Automotive and Traffic Engineering；b. School of Mechanical Engineering, Jiangsu University,Zhenjiang 212013, Jiangsu China)Abstract To effectively monitor the operation state of in-wheel motor used in electric vehicle and ensure the safety of the whole vehicle, a mechanical fault diagnosis method based on Weibull mixture model (WMM) and hidden Markov model (HMM) was proposed for in-wheel motor (WMM-HMM diagnosis method). First, vibration signals of in-wheel motor were used to extract sensitive symptom parameters to characterize its operation state and establish observation sequence. Second, WMM was used to expand the limited observation sequence under various operating states of in-wheel motor, and sufficient observation sequence were obtained as the training sample set of HMM to determine the HMM parameters. Then, the WMM-HMM diagnosis models of the running state of in-wheel motor were constructed under low and medium speed conditionst respectively. Finally* the corresponding fault in-wheel motors were customized and the test bench was built to verify the proposed method. Results show that the proposed method can accurately identify the mechanical fault state of in-wheel motor under low and medium speed conditions* and the recognition accuracy is at least 9.3% higher than that of the traditional method.Key words in-wheel motor；vibration signal；fault diagnosis；Weibull mixture model；hidden Markov model由于资源消耗和环境破坏等问题，环保型新能 源汽车的研制得到迅速发展，轮毂电机驱动电动汽车成为汽车行业的研究热点.然而轮毂电机特殊的 安装位置及复杂的工作环境，极易诱发零件磨损，导致机械故障，因此对轮毂电机运行状态进行监测和故障诊断是非常重要的.智能算法在故障诊断领域中得到了广泛运 用而传统的故障诊断监测方法通常采用单一阶 段的运行状态信息推断是否存在故障，缺少对多个 阶段状态信息进行综合判断.隐马尔可夫模型收稿日期2020-08-18.作者简介薛红涛(1978-)，男，副教授，E-mail: *************.cn.基金项目国家自然科学基金资助项目(51775245).第4期薛红涛，等：基于W M M-H M M的轮毂电机机械故障诊断方法•33.(HMM)作为一种时序状态模型，能够以时序的递 推来估计隐含状态链的变化，被许多学者运用在故 障诊断领域当中在HMM构建过程中，通常需 要大量的观测数据来训练模型参数.但在实际的轮 穀电机运行状态监控过程中，很难获取大量实时数 据.若利用少量点检数据，基于一种可行的方式，模拟一些符合实际工况的训练数据，来构建故障诊 断模型，则会更符合实际工程需求.常见的将数据 拟合与HMM结合的方法是高斯混合模型-隐马尔 科夫模型(GMM-HMM),常用于语音识别领域|7].文献[8-10]均是利用GMM来描述HMM中的观测概 率矩阵，以GMM-HMM为基础，从而构建相应的 诊断识别模型.针对大部分机电类产品，其磨损累计失效的分 布形式都符合Weibull分布，Weibull分布被广泛运 行于可靠性工程及相关数据的拟合中根据现有文献，在可靠性检验和故障诊断方面，单一 Weibull分布得到了运用，而结合了数据拟合的 HMM(特别是GMM和HMM的结合)常被用在语音 识别领域，在故障诊断领域中运用较少.鉴于Weibull分布良好的数据拟合性能，本研究在传统 HMM基础上，结合Weibull分布，提出一种基于混 合Weibull分布模型(Weibul丨mixture model,WMM)与HMM的轮毂电机机械故障诊断方法，简称 WMM-HMM诊断法，在采集的少量观测数据中提 取诊断用高敏感特征参数，并对其进行Weibull分布拟合，获取足量的训练样本集，用以训练HMM 参数，从而构建WMM-HMM诊断模型，利用模型 对轮毂电机故障状态进行监测与诊断.1混合W e i b u l l模型-隐马尔科夫模型U隐马尔科夫模型HMM是-种随时间变化的概率模型，它由隐 含状态链和可观测序列组成，描述了由隐马尔可夫 链生成不可观测状态序列，再由每个状态生成可观 测序列的过程.在轮毂电机的实际运行过程中，其运行状态难以直接观察，属于隐含序列，通常是利 用其运行过程中可监测的信号变化特征，如振动信 号的特征参数，表征轮毂电机的运行状态.轮毅电 机的状态演变过程符合马尔科夫链的变化规律 HMM可以作为轮毂电机机械故障诊断的工具.HMM的主要模型参数可以描述为A=(y4 9B1C J)jat J = p(Sj(t+ l)|S,(〇)(1^ $ T V,1^7'^ N),bim= p(v(m)\S,)C= [c,,c2, •••, c… ■■■,c j.c,. =/?(5',|/0),式中：4为状态转移矩阵，对于轮毂电机的运行状 态，矩阵中的元素+反映了从f时刻状态*5,到什1时刻状态$的概率；W为状态类型的个数；B为观测 概率矩阵，其元素匕为在状态5：下获取到观测值 v如)的概率；M为状态S,下所有可能的观测值数 目；C1为初始状态向量，向量中元素表示为初始时 刻处于某种状态的概率.特别地，若在轮毂电机 运行状态监测中，获取的观测序列v(m)包含振动信 号多个特征参数，则定义观测序列v(m)是由个单一特征参数序列组成的观测序列，即v(/n)=[v,(W), v2(/n)，…，v*(w)，v^m)，…，v[(w)]•当 A=(/4, 〇的参数被确定后，便可构建最基本的隐马尔 科夫模型.1.2 混合Weibull模型(WMM)相较于常用的高斯分布模型，Weibull分布的 一般性使其更适用于描述机电类产品的磨损累计失 效分布形式和振动信号特征参数.针对于多个敏感 特征参数，可利用混合Weibull模型进行拟合描述. 若上述观测序列v中每一个元素&是振动信号的单 个特征参数序列，则v t在某种隐含状态下的分布可 用Weibull分布的概率密度函数描述，即式中;/t>0，汉>0分别为Weibull分布中的尺度和形 状参数.相应地，由尺个特征参数序列构成的观测 序列v在某种隐含状态下的分布可用Weibull混合 模型描述，有/(V;W，"，y?)=X w t/(V*; //*，久)，k = 1式中：7和y ff分别为相应的参数集合；（U={w丨，（02,…，ft)K}为权重系数集合，叫为第A:个Weibull分布 的权重系数，须满足非负及相加之和为1,即0，且 ---l~(U A=l.1.3 WMM-HMM传统的HMM通常需要全局的观测序列，然而 轮毂电机状态监测往往是基于状态数据进行诊断.若仅用有限的试验数据建立HMM诊断模型，则可 能因观测序列有限影响HMM参数B,〇的准确性，从而影响HMM的构建，降低诊断精度.在现实的科学研究中，有许多领域经常使用不同拟•34*华中科技大学学报（自然科学版）第49卷合方法对试验数据进行拟合，预测全局分布，获得 相应数据|U1.基于轮毂电机振动信号的前期研究，不难发现其特征参数遵循Weibull分布，因此本研 究提出基于试验数据对轮毂电机振动信号特征参数 进行Weibull分布拟合，获取较完备的全局数据，再训练HMM的诊断模型.通常情况下，在轮毂电 机状态监测中经常使用振动信号多个特征参数，因此须构建WMM-HM M诊断模型.构建WMM-HMM诊断模型的步骤如下所述.步骤1求解WMM参数;和(U.由上描述 可知：观测序列v(m)由个单一特征参数组成，且任一特征参数相互独立，所以通过极大似然估计M51或最小二乘法™便能求得某一隐含状态下单个特征 参数所符合的Weibull分布概率密度函数的分布参 数％和汊.针对WMM中的权重系数集合co，本研 宄提出基于特征参数状态区分度的方法进行求解，其中第A个Weibull分布的权重系数可表示为I = 1 /n = 1_ K K M.(1)-,(v;(w))丨i = 1y = 1 m = 1随着w确定，WMM便得以确定.步骤2拓展观测数据，获取足量的HMM训练样本集.利用确定的WMM，某种隐含状态下的所有可能的观测序列v=[v(l),v(2)，…，v(Af)]都能确定，并能通过WMM对观测序列进行拟合，从而可对少量观测数据进行拓展，将数据量扩张到原 数据量的《倍.具体利用WMM对观测数据进行拟 合并对其进行拓展的过程如下.观测数据序列v(m)中单个特征参数序列vt(m)是由;c个数据点组成的数组，定义数据点最小值为 vto,…(w)，最大值为V w(w).由于vt(w)符合单个 Weibull分布，因此可利用Weibull分布概率密度函 数的反函数，在单个Weibul丨分布参数(&,汉)确定条件下，拓展出指定数量的训练样本集，即(v*m a x(w)- vtm in(w))/(« - 1) *：vtm a x(w)],式中：vt(w)’为原数据量《倍的训练样本；y1为原 函数/的反函数.以相同方式，对v(W)中所有K个特征参数序列分别进行拓展，基于对应的权重系数 叫，可获取较完备的全局训练样本集.步骤3优化HMM参数广=〇4*, B*,C*).基于步骤2获取的训练样本集中包含r个时间片段的 隐含状态及对应的拓展观测数据[(S,,«卟，（5> «v)2,…，（51,，《v)r]，利用统计方法即可得到為，S,…,&(1),进而确定 HMM参数B*，C*),具体为j = 1m = 1C; =S,(1)/坌S,(l)，i=l式中：<为训练样本集中由状态5；转移到5；的频 数；为在状态下获取到拓展观测序列《v(w)的频数；5：(1)为在初始时间片段状态为的频数.通 过上述步骤，便可将Weibu丨丨分布与隐马尔科夫模 型结合，构建WMM-HMM诊断模型.利用WMM-HMM诊断模型，运用Viterbi算法，在获取轮毂电机运行状态振动信号的情况下，可获得特征参数表征的运行状态最优路径，进而判 断轮毂电机是否发生故障.即在模型参数r=M*，«*，c*)确定的条件下，运用当前监测状态中r个时间片段获取的观测序列0=[0(1), 0(2),…，6»(D](O e[以1),以2),…，v4(M)]),求得对应的隐含序列最优解5-=[况1广况2)‘，…，災7)_]，即(5(1)\ 5(2)', 5(r)*)= argmaX ip(5(l),S(2), •••,S(T)\0(\), 0(2),•••,O(T),D.综上所述，WMM-HMM诊断模型的构建及应 用流程如下所述：首先获取观测序列v,求解 WMM参数…yff和构建WMM;然后利用 WMM获取拓展观测数据v‘；进而利用v‘训练 HMM模型参数，构建WMM-HMM.2试验分析2.1轮毂电机台架试验为了验证WMM-HMM方法的有效性，本研究 以轮毂电机常见的轴承机械故障为研究对象，分别 定制正常和轴承不同位置有故障(外圈、内圈、滚动体)的轮毂电机，并搭建试验台架如图1所示. 试验由电动汽车车载电源供电，磁粉制动器模拟负 载，单片机模拟油门踏板控制电机转速，加速度传 感器实时监测轮毂电机在100, 200,…，700 r/min图1轮毂电机试验台架第4期薛红涛，等：基于W M M-H M M的轮毂电机机械故障诊断方法•35 •这7种转速，以及20N*m负载条件下运行的振动信号.2.2诊断模型的构建为了验证本研宄所提出诊断方法的泛化性及实 际诊断过程中的适用性，弱化不同的轮毂电机转速 对诊断模型构建的影响，根据试验中轮毂电机适配 的车型n71获取轮毂电机转速与电动车车速的对应关 系，将轮毂电机100，200, 300，400 r/min转速统 称为低速工况，将500，600, 700 r/min转速称为 为中速工况，分别构建低、中速工况下故障诊断模 型.同时，分析轮毂电机运行状态的时序变化过 程，可知其是一个逐渐退化过程，即轮毂电机只能 从正常状态转移到故障状态，而无法从故障状态转 移到正常状态，且不同故障状态之间也不能相互转 移.因此，轮毂电机隐含状态转移是无跨越左右型 马尔科夫链，即正常状态向内圈故障、外圈故障及 滚动体故障单向转移.进一步地，单一故障可能诱 发复合故障，如外圈故障极易导致滚动体发生故 障，进而蔓延至内圈.本研究重点针对单一故障状 态，分别构建轮毂电机正常状态以)与内圈故障 〇S2)、外圈故障(&)、滚动体故障〇s4)W w m m-h m m 诊断模型.显然，在低、中速工况下共须构建6个WMM-HMM诊断模型.本研宄以低速工况下正常状态与 内圈故障的WMM-HMM诊断模型为例，详细阐述 诊断模型的构建过程.a.特征参数基于常用的振动信号特征参数，选用均方根 值、歪度、波形率作为敏感特征参数，表征轮毂电 机的运行状态.以2 s为一个观察时间段，根据其 监测信号求出对应的特征参数，并用45个观察时 间段组建成特征参数序列尺，P2,P3，其分布如图 2所示，图中：？为时间；为P,分布；&2为尽分布；&为尺分布.同时，分别用高斯分布和 Weibull分布拟合尺，P2，P3的数据序列，对应的概 率密度函数如图3所示，图中：F,为Weibull分布的 概率密度函数；尸2为正态分布的概率密度函数.分 析图2及图3可知：相对于高斯分布而言，特征参 数更符合于Weibull分布.b.WMM参数的获取敏感特征参数序列符合Weibull分布，可分别 求得正常电机与内圈故障电机在低速工况下的3个敏感特征参数序列P,,P2，P3相对应的Weibull分布参数集.进而可利用式(1)求得每个敏感特征参0.4450.4350.4250.4153.383.34^ 3.33.23.227.2 -(a)(b)P26.8€6.46.020406080(c)P3图2特征参数分布6.0 6.4 6.87.2S p3(c)P3图3特征参数对应的概率密度函数•36 •华中科技大学学报（自然科学版）第49卷数符合的Weibull分布权重系数，如表1所不. 2.4对比分析表1W M M参数表参数n P V V S,S!&s2 1.003 1.004934.061151.30.3140.324A 1.003 1.0041084.481230.20.3600.357尸3 1.000 1.0001029.17937.170.3260.318c.HMM参数的获取将少量特征参数集输入到模型参数h，A v v}确定的WMM，利用WMM概率密度函数获取由特 征参数序列构成的足量HMM观测序列P’，其中产 的数据量为原数据量的4倍，即45x4x3x4=2 160个数据点.其中4和3分别代表将100〜400 r/min这4种转速工况下的3个特征参数序列组合，从而形成 拓展数据产.运用监督学习方法，利用产的50%(即1 080个)数据点训练HMM模型参数T=〇4*,C*).其中C*0.80.2A*0.80.21B*0 0 •••0.022 2 0.011 1•••0.011 10.01 M'0 0.066 7 •••0.022 2 0.055 6 •••0.0111 02.3诊断模型的应用为了验证诊断模型的识别精度，将各个诊断模 型中拓展数据尸‘的剩余50%作为测试样本，用以测 试诊断模型对于轮毂电机机械故障的诊断识别率.统计低速及中速工况下正常状态分别与内圈故障、外圈故障、滚动体故障的诊断识别率，获取轮毂电 机4种运行状态的诊断识别结果如表2所示.表2 W M M-H M M方法诊断识别精度表工况5,52s、低速0.9560.967 1.0000.978中速0.9890.9890.9440.689从表2可看出在中速工况下滚动体故障的识别 率较其他诊断结果低.通过分析滚动体故障电机的 故障频率与整个试验台架的系统振动频率，发现两 者重叠区域较多.同时针对电动汽车的实际运行工 况及相对单一的车载信号处理单元，试验中对不同 转速工况下四种运行状态的轮毂电机振动信号采用 了同样的信号处理方法，因为没有对中速工况下的 滚动体故障振动信号作单独处理，所以中速工况下 滚动体故障的识别率受到了影响.除此之外，其余 三种轮毂电机故障状态的识别率均较高，模型的总 体诊断识别率超过0.93,从而证明本研宄提出的基 于WMM-HMM的轮毂电机机械故障诊断方法能够 对轮毂电机的故障状态实现精确的诊断识别.为了验证本研究提出的故障诊断方法在故障识别精度上的优势，分别利用传统的HMM,GMM-HMM诊断模型，以及WMM-HMM诊断模型对轮穀电机机械故障进行诊断识别，将低速及中速工况下的运行状态识别结果汇总，取平均值处理，得到4种运行状态的识别精度如表3所示.显然，本研究提出的WMM-HMM诊断法在轮毂电机台架试验中对轮毂电机各种运行状态的识别精度明显高于传统的HM M与GMM-HM M诊断法，较HMM与GMM-HMM诊断法的识别精度分别提高了 57.3%和9.3%,进一步验证了 WMM-HMM方法的有效性.表3不同方法的诊断识别精度对比方法乂HMM0.6090.6220.6390.517 GMM-HMM0.9170.8830.8830.750WMM-HMM0.9720.9780.9720.8333结论为了有效判断轮毂电机经时序推移后的运行状态变化，获取其机械故障信息，本研究提出了 WMM-HMM诊断法，其优越性如下所述.a.利用WMM可将少量观测序列拓展出足量 训练样本集，既保障了识别精度，又弥补了现实试验条件下难以获取足量训练数据的不利因素影响.b.将WMM与HMM结合，利用监督学习算法 获取HMM参数，避免了非监督学习算法中对HMM初始模型参数设定的随机性及不确定性，更有利于HMM诊断模型的合理构建.c.充分考虑轮毂电机运行状态符合的马尔科 夫链变化规律，分别构建在低、中速工况下正常状态与单一故障诊断模型，更切合轮毂电机现实条件下的运行状态退化规律.参考文献[1] UPADHYAY N, KANKAR P K. Diagnosis of bearingdefects using tunable Q-wavelet transform[J]. Journal ofMechanical Science & Technology, 2018，32(2)：549-558.[2] KORDESTAN1 M，SAMADl M F，SAIF M，etal. Anew fault diagnosis of multifunctional spoiler system using integrated artificial neural network and discrete wavelet transform methods[J]. IEEE Sensors Journal, 2018,18(12)：4990-5001.[3] KRISHN K R, RAMACHANDRAN K I. Machinery第4期薛红涛，等：基于W M M-H M M的轮毂电机机械故障诊断方法•37*bearing fault diagnosis using variational mode decomposition and support vector machine as a classifier[J]. IOP Conference Series：Materials Science and Engineering, 2018, 310：012076.[4] ROYYANM, CHAJH,LEEJ M,et al. Data-drivenfaulty node detection scheme for wireless sensor networks[C]// Proc of IFIP Wireless Days. New York：IEEE,2017：205-207.[5] LIU Baoqi, XU Jinxue, LI Yuan. Fault diagnosis method based on diffusion maps and hidden Markov model for TE process[C]// Proc of the 36th Chinese Control Conference. New York：IEEE, 2017：7253-7258.[6]王志霞，郭利.基于熵特征与HMM的滚动轴承退化状态识别[J].组合机床与自动化加工技术，2018(7): 64-68 •[7] KUMAR A, VERM A S, MANGLA H. A survey ofdeep learning techniques in speech recognition[C]// Proc of IEEE 2018 International Conference on Advances in Computing, Communication Control and Networking.New York：IEEE, 2018：179-185.[8] KHONGLAH B K, DEY A, PRASANNA S R M.Speech enhancement using source information for phoneme recognition of speech with background music[J].Circuits Systems & Signal Processing, 2019，38(2): 643-663.[9] PENG Pingan» HE Zhengxiang, WANG Liguan. Automatic classification of microseismic signals based on MF- CC and GMM-HMM in underground mines[J]. Shock and Vibration, 2019, 2019：1-9.[10] TEJEDOR J, MACIAS-GUARASA J, MARTINS H,et al. A contextual GMM-HMM smart fiber optic surveillance system for pipeline integrity threat detection [J].Journal of Lightwave Technology»2019, 37(18)：4514- 4522.[11] YANG Jianwei* WANG Jinhai, HUANG Qiang, etal.Reliability assessment for the solenoid valve of a highspeed train braking system under small sample size[J].Chinese Journal of Mechanical Engineering, 2018，31(1)：1-11.[12] LI Rui, ZHENG Shuaiyong, WANG Zhipeng，et al.Evaluation of GNSS signal-in-space continuity： aWeibull-distribution-based Method[J]. Chinese Journalof Electronics, 2018, 27(3)：634-640.[13] 江金源.基于HMM的滚动轴承故障诊断方法研究及硬件实现[D].哈尔滨：哈尔滨工业大学图书馆，2018.[14] GRECO A, STAROSTIN V, KARAPANAGIOTIS C,et al. Fast fitting of reflectivity data of growing thinfilms using neural networks[J]. Journal of Applied Crystallography, 2019, 52(6)：1342-1347.[15] MENG Xiangping, ZHAO Chuanqi, HUO Lei. Maximum likelihood method for parameter estimation of Weibull distribution model based on fruit fly optimization algorithm[J]. Applied Mechanics & Materials, 2014,602-605：3508-3511.[16] 李海清，朱永国，杨洁.基于威布尔分布最小二乘法估计的数控车床故障间隔时间研究m.制造技术与机 床，2019(6): 89-92.[17] 陈震宇.基于DBNs的轮毅电机轴承故障在线诊断方法研究[D].镇江：江苏大学图书馆，2019.。
多特征狼群优化模糊C-均值聚类感应电机无监督故障检测
中国科技论文 ＣＨＩＮＡＳＣＩＥＮＣＥＰＡＰＥＲ
Ｖｏｌ．１３Ｎｏ．１１ Ｊｕｎ．２０１８
多特征狼群优化模糊犆均值聚类感应 电机无监督故障检测
卢进军，熊召新
（陕西理工大学物理与电信工程学院，陕西汉中 ７２３００１）
摘 要：感应电机是舰船系统中的重要推进动力，为提高感应电 机 故 障 检 测 算 法 的 精 度，提 出 基 于 多 特 征 狼 群 优 化 模 糊 犆均 值
工具箱中ｎＤｅｘａｍｐｌｅ测试集对所提狼群优化模糊犆均值无监督聚类算法的有效性进行验证，并通过对真实的感应电机故障系
统的测试，显示本文算法得到的结果分类错误率等于０，显著优于前向多层神经网络算法的２１％和标准 ＦＣＭ 算法的２７％，验证
所提故障检测算法的性能优势。
关键词：多特征；狼群算法；ＦＣＭ 算法；感应电机；故障检测
中图分类号：ＴＭ３４３ 文献标志码：Ａ
文章编号：２０９５ ２７８３（２０１８）１１ １２７２ ０７
犐狀犱狌犮狋犻狅狀犿狅狋狅狉犳犪狌犾狋犱犲狋犲犮狋犻狅狀犫犪狊犲犱狅狀犿狌犾狋犻犳犲犪狋狌狉犲狑狅犾犳 狊狑犪狉犿狅狆狋犻犿犻狕犪狋犻狅狀犉犆犕狌狀狊狌狆犲狉狏犻狊犲犱犮犾狌狊狋犲狉犻狀犵
ＬＵＪｉｎｊｕｎ，ＸＩＯＮＧＺｈａｏｘｉｎ
正常 运 行 状 态。该 模 型 生 成 的 残 差 指 标 为 非 ０ 时， 感应电机 诊 断 为 存 在 故 障。 然 而，这 种 方 法 需 要 设
定假设前提，即不考虑干扰和模型不确定性。例如： Ｚｈａｎｇ等［５］提出鲁棒的基于观测器技术的故障诊断 技术；Ｈｗａｎｇ等［６］提出基于观测器和奇偶空间的机 电制动器故障检测与诊断方法；Ｙｕ等［７］提出基于高 斯混合模型的故障诊断等。２）基 于 信 号 的 诊 断 方
基于NGA—SVM的滚动轴承故障诊断方法
文章编号 ： １ ０ ０ ６— ９ ３ ４ ８ （ ２ ０ １ ４ ） ０ ２— ０ ３ ９ ６—０ ５
计
ቤተ መጻሕፍቲ ባይዱ
算
机
仿
真
２ ０ １ ４ 年２ 月
基于 Ｎ ＧＡ—Ｓ Ｖ Ｍ 的滚 动 轴承 故 障诊 断方 法
李雅 梅 ， 贺 西
（ 辽宁工程技术大学电气与控制 工程学院 ， 辽宁 葫芦 岛 １ ２ ５ １ ０ ５ ） 摘要 ： 为解决故 障轴承的特征提取 和故 障特征准确分类的问题 ， 提出了一种小 波包变换和小生境 遗传算法参数优化 混合核 支持 向量机相结合的故障识别方法 。滚动轴承故障时产生的振动信号具有非平稳特性 ， 而小波包变换具有 良好的时 一 频局 部化特征 ， 非常适于对瞬态或时变信 号进行特征提取 ； 采用小生境遗传算法对支持向量机进行参数优化 ， 可很好地完成模式 识别和非线性 回归 。利用上述 原理， 首先 ， 提取经小波包变换后 的故 障特征信息 ； 然后利用建立的支持 向量机多故障分类器 完成滚动轴承故 障模式 的识别。通过对 比分析 ， 实验结果表明 ， 在有限故障样本条件下 ， 改进方法具有 更好 的诊断效果 。 关键词 ： 小生境遗传算法 ； 故障诊断； 小波包 ； 支持 向量机 ； 参数优化
中图分类号： Ｔ Ｐ ３ ９ １ ． ９ 文献标识码 ： Ｂ
Ｒｏ ｌ ｌ ｉ ｎｇ Ｂｅ ａ ｒ ｉ ｎｇ Ｆａ ｕ ｌ ｔ Ｄｉ ａ ｇ ｎｏ ｓ ｉ ｓ Ａｐｐｒ ｏ ａ ｃ ｈ Ｂａ ｓ ｅ ｄ ｏ ｎ Ｎ ＧＡ — — Ｓ ＶＭ
Ｌ Ｉ Ｙａ—ｍｅ ｉ ． ＨＥ Ｘｉ
ｔ ｒ ａ ｎ ｓ ｉ ｅ ｎ ｔ ｓ ｉ ｇ ｎ ａ ｌ ｓ ．Ｓ Ｖ Ｍ ｂ ａ ｓ ｅ ｄ ｏ ｎ ｎ ｉ ｃ ｈ ｅ ｇ ｅ ｎ ｅ ｔ ｉ ｃ ａ ｌ ｇ ｏ ｉ ｒ ｔ ｈ ｍ（ Ｎ Ｇ Ａ）ｉ ｓ ｃ ａ ｐ ａ ｂ ｌ ｅ ｏ ｆ ｐ ａ ｔ ｔ ｅ ｒ ｎ ｒ ｅ ｃ ｏ ｎｉ ｇ ｔ ｉ ｏ ｎ ａ ｎ ｄ ｎ ｏ ｎ ｌ ｉ ｎ ｅ ａ ｒ ｒ ｅ —
风力发电机组轮毂的故障诊断与维护策略
风力发电机组轮毂的故障诊断与维护策略一、故障诊断风力发电机组轮毂作为风力发电机的重要组成部分，一旦发生故障将严重影响整机运行效率，因此及时并准确地进行故障诊断至关重要。
1. 异常噪音当风力发电机组轮毂出现异常噪音时，可能是由于轴承损坏、齿轮磨损或叶片与轮毂接触不当等原因造成。
可通过仔细听取异常噪音的位置和频率，结合设备运行状况和维护记录进行分析，定位故障点。
2. 振动异常轮毂振动异常可能是由于叶片不平衡、轴承损坏或轴向间隙过大等原因引起。
通过使用振动传感器测量振动的幅值、频率和位置，利用振动谱分析技术进行诊断，找出引起振动异常的根本原因。
3. 温度异常轮毂温度异常可能是由于润滑不良、风扇散热失效或齿轮传动系统故障等原因导致。
可通过红外线测温仪监测轮毂不同部位的温度分布，结合工作环境和轮毂材料特性进行分析，确认异常温度升高的具体原因。
二、维护策略有效的维护策略可以延长风力发电机组轮毂的使用寿命，提高整机的可靠性和稳定性，下面介绍几点维护策略供参考。
1. 定期检测定期对轮毂进行检测，包括声学检测、振动检测和温度检测等，建立健全的检测记录和维护档案，以便及时发现并解决潜在问题。
2. 润滑维护轮毂的润滑保养至关重要，定期更换润滑油和轴承，确保润滑系统的正常工作，减少因润滑不良引起的故障。
3. 清洁保养保持轮毂清洁干净，定期清除积聚的尘土和杂物，避免对轮毂表面和风扇散热造成影响，保持轮毂的散热效果和工作效率。
4. 及时维修一旦发现轮毂故障，在确定故障原因的基础上，及时采取维修措施，避免故障扩大和影响整机运行，确保风力发电机的正常工作。
综上所述，风力发电机组轮毂的故障诊断和维护策略对于保障风力发电机组的安全稳定运行至关重要。
只有通过科学的诊断手段和有效的维护措施，才能及时发现和解决问题，确保轮毂的正常工作，延长整机的使用寿命，提高风电设备的综合效益。
电动汽车轮毂电机故障诊断与维修
电动汽车轮毂电机故障诊断与维修作者：陆展来源：《时代汽车》2019年第03期摘要：该案例中故障点主要集中在电机供电线路损坏以及电机传感器损坏两方面，这一案例在电动汽车驱动系统故障当中属于典型案例，笔者希望通过本文的分析可为维修人员提供一定的参考。
关键词：电机供电线路；传感器；驱动系统故障1 故障现象一辆教研用轮毂电机驱动式纯电动汽车行驶时突然动力下降，动力不足，无法满足紧急加速以及爬坡的需要。
2 检查分析使用举升机举起车辆后，先后挂前进挡和倒挡，脚踩加速踏板，操作后发现车辆的两个后轮当中右轮不转，对此初步诊断为右轮动力系统故障。
一般而言，驱动系统主要由两部分组成，分别是控制器和电机。
车辆当中设有2个独立控制器，其可有效控制后轴的2个驱动轮毂。
车辆左轮驱动正常，因此笔者将左后轮控制器与右后轮控制器调位，用左后轮控制器控制右后电机，结果依然没有排除故障，故而我们将故障锁定到右后轮毂电机自身问题。
电机为直流无刷电动机，电机定子中有三组线圈，线圈采取星状连接方式。
稀土永磁材料制作成的磁块粘贴在了电机转子内圈当中，主要由三组霍尔传感器完成转子磁场变换检测，并将信号传输到控制器当中。
控制器以信号为依据，控制定子电流的大小和方向，让电机带动车轮转动。
在回收制动能量过程中，车轮会带动电机旋转，且永磁体运动产生的磁场会不断运动，进而在定子线圈中产生感应电动势，这时电动机可替代发电机。
另外，断开点火开关时，控制器会立即停止运转，定子线圈处于断路状态，这种情况下，感应电动势无法形成回路，定子线圈当中无法获得感应电流，不能形成反力矩，这种状态下驱动轮转动的阻力较小。
下面为烧蚀的电机外部线束图，见图1。
断开点火开关时，转动2个后轮，左侧的阻力较小而右侧阻力较大，证明后轮电机定子线圈当中产生了感应电流并形成回路。
控制器可正常运转，故而电机定子线圈线束短路是引起这一故障的主要原因。
利用万能表测电机定子线圈引出线黄、绿蓝三个端子间的电阻值发现，黄绿端子以及绿蓝端子之间的阻值相同，均为0.4Ω，黄蓝端子之间的电阻值接近于0，判断出黄蓝线束之间出现了短路。
采用GWO优化SVM的燃气轮机气路故障诊断
采用GWO优化SVM的燃气轮机气路故障诊断张云;钱玉良;邱正;张霄【摘要】将灰狼优化算法和支持向量机算法作为理论指导,并采用灰狼优化算法对支持向量机算法进行优化,以实现燃气轮机故障类型的分类.将灰狼优化算法与遗传算法优化支持向量机方法和粒子群算法优化支持向量机方法进行对比,结果表明,通过灰狼算法优化支持向量机的方法对燃气轮机故障分类的准确率要高于遗传算法优化支持向量机算法和粒子群算法优化支持向量机的故障分类方法.【期刊名称】《上海电力学院学报》【年(卷),期】2019(035)002【总页数】7页(P187-192,196)【关键词】燃气轮机;故障诊断;支持向量机;灰狼优化算法【作者】张云;钱玉良;邱正;张霄【作者单位】上海电力学院自动化工程学院,上海200090;上海电力学院自动化工程学院,上海200090;上海电力学院自动化工程学院,上海200090;上海电力学院自动化工程学院,上海200090【正文语种】中文【中图分类】TK221燃气轮机是火力发电站的关键设备,对整个电站的经济性和安全性有着重大影响,因此实现对燃气轮机的状态监测与故障诊断具有十分重大的意义[1-3]。
与活塞式内燃机和蒸汽动力装置相比,燃气轮机具有结构简单、小而轻等特点,被广泛应用于各个领域,如电力、工业、军事、航空等。
燃气轮机的工作环境很恶劣,往往是在高温高压环境下,所以比较容易产生故障。
最早得到广泛应用的方法是由URBAN L A[4]提出的故障方程法。
该方法认为,在具体的某一工况下,可以使用影响系数矩阵表示燃气轮机的各个可测量参数的偏差与不可测量参数的偏差之间的关系,通过小偏差方程处理对燃气轮机的故障进行有效诊断。
由于该方法基于线性模型,且过于理想化,其诊断结果的准确度受测量传感器的精度、测量参数的位置和个数、噪声干扰等多方面的影响。
近年来,计算机技术和人工智能技术得到了快速的发展,许多人工智能算法在燃气轮机故障诊断中得到了应用。
- 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)。
收稿日期：2018 -07 -05 基金项目：国家自然科学基金资助面上项目(51775245)；中国博士后基金资助项目(2016M601740) 作者简介：薛红涛(1978—)，男，河南南阳人，副教授(ieht@. c)，主要从事状态监测与故障智能诊断、振动分析、信号处理及特
Abstract: In view of the complee and chanyeabie doviny conditions of electPe vehicles and the special
operating environment of in-wheel motors, it is vero important to develop an Ifectivv fault diaynosis method for in-wheel motors. Because the information transmitted by single feature parameter ofen had limitations, a multi-feature parameter fusion diaynosis method was proposed based on the wolf pack algorithm. Based on the overlap degree of W/dull dWtribution of common fault diaynosis feature parameters in dWereni operation states of in-wheel motors, several f/tuo parameters were chosen with high sensitivity, and several feature parameters were fused through wolf pack algorithm to diaynoso faults and oauetdegaeeaccoadongtoWeobu edostaobutoon ooousoon onooamatoon oomueto-oeatuaepaaameteas.The method wa2eeaoooed bybuoedongaeeakageoauette2t2y2temooon-wheeemotoa.Theeipeaomentaedata2how thatthemethod oomueto-oeatuaepaaameteaou2oon doagno2o ba2ed on woeopack aegoaothm can eoectoeeey odentooyand dotonguoh theeeectaocaeoauetooon-wheeemotoa. Key words: electPe vehicle; in-wheel motor; fault diaynosis; multi-feature parameter fusion ；
征提取研究• 周 宇(1994—)，男，江苏泰兴人，硕士研究生(zy1767449749@)，主要从事故障诊断、信号处理研究.
580
江苏大学学报（自然科甞版）
第40卷
轮毂电机是新能源汽车分布式驱动系统的核心 技术之一，它集驱动、承载、制动等功能于一体，具有 结构紧凑、控制灵活、传动效率高等优点［1］ •然而， 电动汽车面临水、灰尘等运行环境，轮毂电机必须具 有较高密封性,这极易导致散热不良，引起绝缘层熔 化,引发定子绕组的短路、漏电等电气故障,进而影 响车辆行驶安全，严重情况下可能危及人的生 命［2］ •因此，开展轮毂电机故障诊断方法研究很有 必要•
doi： 10.3969/j.issn. 1671 -7775.2019.05.013
基于狼群算法的轮毂电机故障诊断方法
薛红涛1,周 宇2,王 满1,李仲兴1
(1.江苏大学汽车与交通工程学院，江苏镇江212013； 2.江苏大学机械工程学院，江苏镇江212013)
摘要：针对电动汽车复杂多变的行驶工况及轮毂电机特殊的运行环境极易影响车辆行驶安全的问 题，研究一种有效的轮毂电机故障诊断方法非常重要.由于单一特征参数传递的信息往往具有局限 性，提出了一种基于狼群算法的多特征参数融合诊断方法.基于常见的故障诊断用特征参数在轮毂 电机不同运行状态下Weibull分布的重合程度,选取多个灵敏度高的特征参数，然后通过狼群算法 对多个特征参数融合，最后根据多特征参数融合信息的Weidull分布诊断其是否有故障及故障程 度.搭建了轮毂电机漏电故障试验系统,进行了漏电故障试验.结果表明，基于狼群算法的多特征参 数融合诊断方法可以有效识别区分轮毂电机的电气故障• 关键词：电动汽车；轮毂电机；故障诊断；多特征参数融合；狼群算法 中图分类号：TH17 文献标志码：A 文章编号：1671 -7775(2019)05 -0579 -06
针对电动机故障的诊断与识别，国内外学者进 行了大量的研究，相应的理论方法也取得了不断发 展.在信号采集方面,2017年,J. MEDINA-GARCIA 等⑶针对电动机的振动、电流、温度多重信息，基于 多传感器构建无线传感网络，实现对电动机故障的 在线检测.在特征信息提取方面，2016年，B. BESSAM等⑷针对感应电动机转子断条故障提出一 种基于神经网络和Hilbert变换的诊断方法,通过希 尔伯特变换提取定子电流包络光谱，并从包络光谱 中选择表征转子断条的特征量（谐波的幅度和频 率）•在运行状态识别与评估方面，原有的传统人工 经验诊断已逐渐被人工智能诊断所替代.2016年， M. |IM|IR等［5］提出基于人工前馈反向传播神经网 络和系统参数对小功率轮毂电机进行实时监控和故 障诊断.2017年,王艳等⑷采用自适应动态猫群算 法优化相关参数，并应用于电动机故障诊断•这些方 法针对普通电动机某些特定故障往往具有较高的识 别能力，然而面对电动汽车用轮毂电机独特的运行 环境和复杂多变的行驶工况，诊断效果则不理想或 失效;此外，单一的特征参数传递的信息往往具有针 对性和局部性（
(1. School of Automotive and Traffic Enadeeyna, Jiangsu University, Zhenjiang, Jiangsu 212013 , China； 2. School of Mechanical Engi neering ,Jiangsu University, Zhenjiang, Jiangsu 212013 , China)
引文格式：薛红涛，周 宇，王 满，等.基于狼群算法的轮毂电机故障诊断方法&O].江苏大学学报(自然科学版)，2019nosis method for m-whed motor based on wolf pack algorithm
XUE SongJo1 , ZSO1 U32 , !4NG Q+n1 , LI Zhongxing1