電機(jī)是現(xiàn)代工業(yè)生產(chǎn)和生活中必不可少的設(shè)備,一旦發(fā)生故障,不僅會(huì)影響機(jī)械系統(tǒng)的運(yùn)行,造成嚴(yán)重的經(jīng)濟(jì)損失,甚至威脅人員安全。隨著電機(jī)制造工藝的不斷提高、應(yīng)用范圍的不斷增加,電機(jī)的故障診斷及其健康狀態(tài)監(jiān)測(cè)的需求也不斷提高。但是由于電機(jī)的結(jié)構(gòu)復(fù)雜,使得能夠反映設(shè)備狀態(tài)的數(shù)據(jù)多樣且選擇困難,從而難以實(shí)現(xiàn)高精度的診斷故障。

激光傳感器

本文利用多傳感器振動(dòng)數(shù)據(jù),從傳統(tǒng)故障診斷方法入手,深入分析研究電機(jī)故障診斷算法及其工程應(yīng)用的特點(diǎn),再通過(guò)研究卷積神經(jīng)網(wǎng)絡(luò)方法在電機(jī)狀態(tài)檢測(cè)領(lǐng)域的適用性問(wèn)題及學(xué)習(xí)性能的評(píng)價(jià)問(wèn)題,利用卷積神經(jīng)網(wǎng)絡(luò)較強(qiáng)的模式識(shí)別能力,建立軟件,用集成模型來(lái)描述故障類別,從而實(shí)現(xiàn)電機(jī)狀態(tài)監(jiān)測(cè)與故障診斷。

本文以多傳感器數(shù)據(jù)為基礎(chǔ),分別以多重分形去趨勢(shì)波動(dòng)分析方法和卷積神經(jīng)網(wǎng)絡(luò)方法實(shí)現(xiàn)電機(jī)的故障診斷,并根據(jù)算法設(shè)計(jì)出電機(jī)狀態(tài)監(jiān)測(cè)的軟件,具體內(nèi)容如下:了解更多驍銳科技

分析電機(jī)故障發(fā)生的原因。文章診斷故障類型分為三類:電機(jī)軸承故障、電機(jī)匝間短路故障和電機(jī)轉(zhuǎn)子斷條故障,通過(guò)分析上述三類故障發(fā)生機(jī)理,為電機(jī)故障診斷所需數(shù)據(jù)的類型提供建議,最終確定依靠振動(dòng)信號(hào)作為診斷數(shù)據(jù)。為了獲取更高精度和高效率的故障診斷結(jié)果,本文采用多傳感器振動(dòng)信號(hào)數(shù)據(jù)作為診斷數(shù)據(jù)。

多傳感器數(shù)據(jù)下基于多重分形去趨勢(shì)波動(dòng)分析的電機(jī)故障診斷算法研究。研究多傳感器數(shù)據(jù)下基于傳統(tǒng)故障診斷方法在電機(jī)故障診斷問(wèn)題上的精度提升效果。介紹多重分形去趨勢(shì)波動(dòng)分析、馬氏距離判別法、支持向量機(jī)。分析多傳感器數(shù)據(jù)的使用原因和使用方法。利用多重分形去趨勢(shì)波動(dòng)分析方法提取多傳感器的振動(dòng)數(shù)據(jù)的特征,分別利用馬氏距離判別法和支持向量機(jī)作為分類器,獲得電機(jī)故障分類結(jié)果,并形成方法對(duì)比。

多傳感數(shù)據(jù)下基于卷積神經(jīng)網(wǎng)絡(luò)的電機(jī)故障診斷方法研究。使用卷積神經(jīng)網(wǎng)絡(luò)對(duì)電機(jī)多傳感器的振動(dòng)數(shù)據(jù)進(jìn)行處理。不同于多重分形等傳統(tǒng)方法將分別提取每組傳感器數(shù)據(jù)特征再合而為一,本文利用卷積層的性質(zhì)將多組傳感器數(shù)據(jù)卷積至一維信號(hào),實(shí)現(xiàn)高效的數(shù)據(jù)融合,完成高精度的電機(jī)故障診斷。

多傳感數(shù)據(jù)下電機(jī)狀態(tài)監(jiān)測(cè)與故障診斷軟件設(shè)計(jì)。根據(jù)文章所使用的算法,設(shè)計(jì)出基于多傳感器的電機(jī)狀態(tài)監(jiān)測(cè)與故障診斷軟件。利用C#建立可視化客戶端。利用Pyhon實(shí)現(xiàn)算法和腳本工具,完成數(shù)據(jù)采集、數(shù)據(jù)庫(kù)管理、數(shù)據(jù)交互和處理,完成電機(jī)的故障診斷,從而實(shí)現(xiàn)電機(jī)健康狀態(tài)監(jiān)測(cè)。