電機是現(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,不僅會影響機械系統(tǒng)的運行,造成嚴重的經(jīng)濟損失,甚至威脅人員安全。隨著電機制造工藝的不斷提高、應(yīng)用范圍的不斷增加,電機的故障診斷及其健康狀態(tài)監(jiān)測的需求也不斷提高。但是由于電機的結(jié)構(gòu)復雜,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數(shù)據(jù),從傳統(tǒng)故障診斷方法入手,深入分析研究電機故障診斷算法及其工程應(yīng)用的特點,再通過研究卷積神經(jīng)網(wǎng)絡(luò)方法在電機狀態(tài)檢測領(lǐng)域的適用性問題及學習性能的評價問題,利用卷積神經(jīng)網(wǎng)絡(luò)較強的模式識別能力,建立軟件,用集成模型來描述故障類別,從而實現(xiàn)電機狀態(tài)監(jiān)測與故障診斷。

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波動分析方法和卷積神經(jīng)網(wǎng)絡(luò)方法實現(xiàn)電機的故障診斷,并根據(jù)算法設(shè)計出電機狀態(tài)監(jiān)測的軟件,具體內(nèi)容如下:了解更多驍銳科技

分析電機故障發(fā)生的原因。文章診斷故障類型分為三類:電機軸承故障、電機匝間短路故障和電機轉(zhuǎn)子斷條故障,通過分析上述三類故障發(fā)生機理,為電機故障診斷所需數(shù)據(jù)的類型提供建議,最終確定依靠振動信號作為診斷數(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信號數(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波動分析的電機故障診斷算法研究。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故障診斷問題上的精度提升效果。介紹多重分形去趨勢波動分析、馬氏距離判別法、支持向量機。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波動分析方法提取多傳感器的振動數(shù)據(jù)的特征,分別利用馬氏距離判別法和支持向量機作為分類器,獲得電機故障分類結(jié)果,并形成方法對比。

多傳感數(shù)據(jù)下基于卷積神經(jīng)網(wǎng)絡(luò)的電機故障診斷方法研究。使用卷積神經(jīng)網(wǎng)絡(luò)對電機多傳感器的振動數(shù)據(jù)進行處理。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,實現(xiàn)高效的數(shù)據(jù)融合,完成高精度的電機故障診斷。

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