英语原文共 12 页，剩余内容已隐藏，支付完成后下载完整资料
基于振动分析和多重分级的感应电机转子自动渐进式损伤检测
摘要
人们对开发感应电机的机械的可靠性状态监测和故障诊断系统越来越感兴趣，关注点不仅仅在于故障的最后阶段，更多的关注故障形成的早期阶段。本文通过振动信号识别了不同载荷条件下转子几种程度的损伤。其识别原理主要依靠一种简单有效的机械损伤前的自动检测算法。其征提取是基于离散小波分析和自相关过程。然后，利用二叉树分类原理对故障程度进行自动分类。在每个节点，对比学习的不同级别断开等级来正确识别故障程度。利用向量机、多层感知器和邻近算法等计算智能技术的支持，合理选择最优参数，从而获取分级的最佳结果。
关键词：分级法；离散小波变换；异步电动机；转子导条；振动分析
1.简介
为满足现代工业生产需求，大量不同种类的机器在技术、食品和医药等多个领域的需求量都在上升。感应电动机在这类机械中占据了关键的地位，特别是现代工业，85%的企业都依赖感应电动机生产。感应电动机的故障一般分为电气故障和机械故障。这类旋转机器最常见的故障类型与机轴或转子有关。10%的电机故障记录[3] 涉及与功耗、振动和抖动相关的故障[4]。因此，不仅需要检测故障，还需要设计自动故障诊断系统和状态监测，特别是在生产线的早期。我们提出了一种有效的电机振动信号自动检测算法，从而用来对不同损伤程度的转子进行电机振动特征分析（MVSA）。在下一节中，将介绍相关的研究以及这项研究的主要基本理论知识。
2.相关研究
文献[5]中提到的一项重要研究表明，由于断条与转子不对称、电压谐波、绕组分布和转子槽相互作用，定子电流谐波的灵敏度受到了附加高频分量的影响。该文中对不同的定子绕组配置、负载等级、电源电压条件和断条数目的灵敏度进行了测试，但缺乏适当的故障分类策略。自动技术的设计主要分为三个基础部分，包含选择要分析的信号类型、特征提取过程和合适的分类技术。在信号检测方面，感应电机故障检测最常用的两种技术是电机电流特征分析（MCSA）和电机振动特征分析（MVSA）。特别是在以前出版的一些著作中可以找到两者进行断条故障识别方法，例如文献[6-8]中可以找到用电流特征分析方法，文献[9-11]中可以找到电机振动特征分析方法。参考文献[12]指出，在控制系统故障诊断中，电流信号会受到影响，利用电流信号的故障检测不可靠，然而振动分析表现则要更好一些。
关于特征提取过程中，采用了多种处理技术,包括了信号的有效值、时域分析、频率分析、时频分析方法和高阶统计等。文献[2]对这几种处理技术进行了很好的介绍。有几位作者在电机故障检测中使用了小波分解变化，它优于快速傅立叶变换（FFT）。这是因为在稳态条件下，快速傅立叶变换（FFT）技术几乎可以诊断出感应电机的所有现有故障，但当负载变化时，其存在明显的缺陷[13]。当与其他一些技术相比的时候，小波变换在瞬态条件下具有较好的故障诊断能力。其中包含了了傅立叶变换（STFT），傅立叶变换的特点是能够在诊断瞬态条件下的故障时拥有良好的时间分辨率，但由于使用的频率范围固定，导致了频率分辨率较差。在线健康监测过程的最后一步为检查特征参数和故障参数，并确定是否存在故障。目前已有的技术主要有：基于模型的方法、趋势分析、故障阈值法、多维空间技术，以及参考文献[2]中提到的人工神经网络、模糊逻辑和专家系统等智能系统。
最近，非线性分类器的应用趋势表明，研究者更倾向于使用SVM（支持向量机）算法，因为SVM获得的分类结果比由NN算法（神经网络算法）、K-NN算法(邻近算法)和分类树算法更好[14]。在各级之间表现出高度非线性关系的情况下，支持SVM算法利用核心程序学习在高维特征空间中分离有效地分离超平面。另外，这种超平面的学习具有极大的分离度。以下是一些展示这些优点的研究。在参考文献[15]中，采用随机递归小波包变换和直接不循环SVM算法结合的方法来检测断条。用多核SVM算法用来对以下三种状态下电机进行了评估：一个健康的转子、一个断条的转子和两个断条的转子。用有效值对不同种类的SVM算法的分类器进行性能评价。参考文献[16]中，介绍了多核SVM诊断3kVA同步发电机的匝间故障方法。首先将这些特征映射到一个线性高维空间中，以提高断层的分类效果。这种技术被称为稀疏编码和局部约束线性编码。然后，利用接收器接受工作特性曲线对分类器性能进行可视化评价。参考文献[17]中也提到了为了进行断条检测，对三台电机的负载情况进行了分析中，将SVM用于最后的分类阶段。从相电流希尔伯特变换级数的频谱获得了特征峰的特征：大小和频率，但只分析了健康转子和断条的情况。参考文献[18]中讨论了转子弯曲、转子杆断裂、偏心、轴承故障、质量和相位不平衡几种故障。将Fourier-Bessel（傅立叶-贝塞尔）展开技术和简化的模糊ARTMAP（预测自适应共振理论）应用于瞬态电流故障诊断，但同样，没有考虑故障的渐进性损伤。同样，在参考文献[19]中，讨论了几种故障的诊断方法，包括：转子导条故障诊断、转子弯曲故障诊断、轴承故障诊断、转子不平衡故障诊断、偏心故障诊断和相位不平衡故障诊断。这些都是用当前的瞬态信号，用离散小波变换进行预处理，然后利用独立分量分析（ICA）、主分量分析（PCA）及其非线性对应物进行特征提取和归约。最后，利用SVM区分故障和健康的电机状态，然而，未提及渐进损坏和电机负载条件。在参考文献[20]中可以找到与本工作中所述方法类似的方法，其中早期故障的检测是基于一种应用于旋翼杆上的人工激发钻孔的统计工具。通过快速傅立叶变换得到电机线电流频谱。另外，将小波函数的多分辨率技术应用到频谱中，以检测有效峰并测量这些峰的高度。最后，在稳定的多变量控制图上检测到损伤逐渐严重。但是，这项研究没有在不同的负载条件进行。参考文献[21]中，利用自适应神经模糊推理系统 (ANFIS) 结构的学习和知识化系统的强大功能，提出了一种自适应神经模糊推理系统。在这个系统中，决策树被用来作为特征选择过程，以删除不相关的特征。通过对振动和电流信号的比较，识别出转子不平衡、转子断条、转子弯曲和偏心可调几个故障的电机，但是，只使用健康和故障条件，而不是损伤的渐进条件。最后，参考文献[22]对混合智能模型归纳和集成方法进行了综述，包括对离线学习方法的分析，如神经网络、模糊系统、支持向量机、决策树和进化算法。但是，渐进式监测需要在线学习，为此采用了模糊最小-最大（FMM）算法。
在本文研究工作中，对感应电机[4]中部分损坏的转子条进行了实验研究，基于对振动特征的提取设计一种自动分类方案，用于可靠的监测系统，尤其是在早期阶段。实验研究对象为7根杆： 1根健康条件下的杆、1根断杆和不同钻孔深度 (2 mm、3 mm、5 mm、7 mm、8 mm) 的断杆。试验采用三种不同的加载条件：空载、半负载和满载。特征提取过程基于离散小波变换和自相关过程。最后，对支持向量机（SVM）、K-NN分类器和多层感知器（MLP）等稳定分类器的分类结果进行了比较，获得故障检测的最佳分类精度。
本文的创新点在于分类阶段，其中损伤水平（部分断裂）的检测是基于稳定分类器的使用和比较。由于分类曲面呈现高度非线性的情况，在很多情况下，各级之间存在叠加的情况，分类器的参数会随着直接非循环图（DAG) 的变化而变化。根据耦合到电机三轴的传感器测量值，DAG切换分类器的输出，获得故障的最佳识别。
本文各个章节的主要内容如下：第2章介绍相关的研究的信息；第3章中将介绍特征提取过程，并在第4章中简要介绍了使用的分类器。在第5章中，会详细介绍分类策略和分类器的性能度量，实验部分则会在第6章中详细介绍。最后，在第7章中将介绍结论和研究方向。
3.特征提取
本节简要介绍了特征提取过程中每个步骤的理论背景。在这个研究工作中，采用的特征为渐进损伤检测的信号（MVSA）。利用离散小波变换（DWT），避免了经典快速傅立叶变换（FFT）分析在瞬态响应过程中遇到的问题。此外，利用自相关过程分析了信号在不同水平上的变化。
3.1电机振动特征分析
电机状态诊断包括振动监测、噪声监测、磁通监测、局部放电监测、电压监测、电流监测等多种监测技术[2]。虽然振动监测是感应电动机最古老的健康监测技术，但它仍然广泛用于检测机械故障，包括断条[6]。因此，基于电机振动特征分析(MVSA)，在振动谱中检测到由断条引起的杂散分量(fBB)，公式如下：
其中，k是一个整数,s是在机械速度nm和旋转速度ns之间的异步滑移，是由s=(ns-nm)/ns的定义的,其中, f ss是电源频率。现在,根据电机的负荷力学条件,可能出现不同的情况。在全机械负载电机的情况下，滑移s最大， f ss与杂散分量的分离度最大。然而,对于无机械负载的电机, 滑移s是最小的,而 f ss 太接近理想组件。这些伪分量的幅度与故障严重度和转子[6]中的断条数量有关。在这项工作中，我们增加了对转子杆对几个级别的损害的分析。
3.2 离散小波变换
利用数字信号处理技术(DSP)的工具对感应电机进行故障诊断。快速傅里叶变换(FFT)和小波变换(WT) 是最常用的特征提取技术。几乎所有的故障都是在稳态下通过 FFT 进行诊断的，然而，当负载条件发生变化时，这种方法并不能有效地诊断故障。有学者提出了一种基于傅里叶变换(STFT)的瞬态故障诊断方法，在所有频率下都能保持恒定的窗口大小，便于故障的早期检测。因此，提供了较好的时间分辨率，但频率分辨率较差[2]。本文采用将小波变换应用于感应电机故障诊断中。小波变换工作在瞬态条件下，由于窗口尺寸可变，提高了频率分辨率;因此，频率分辨率良好[13]。特别是采用了基于Mallat算法的离散小波变换(DWT)。基于低通滤波和高通滤波器进行分解过程，产生近似（低频分量）和细节（高频分量）。根据 DWT 滤波器组的特性，给出了近似低频分量ACL 和详细高频分量DC L 的频带与L-th的关系，如下所示，式中： fs为采样频率。
虽然振动信号采用了DWT进行了七级分解，但直接分析信号不足以处理早期断裂的棒材。图1显示了满载条件下7种问题情况的原始信号，图2显示了相同满载条件下3级信号重建的近似水平。在本文中，完成了一个基于自相关的附加处理步骤。目的是在信号本身中找到重复的模式。
本文完成了一个基于自相关的附加处理步骤。目的是在信号本身中找到重复的模式。
图1 七种情况下的满载工作原始信号
图2 在3级满载条件下信号重建的近似水平
3.3 自相关
相关性是指两个变量之间的统计关系度，自相关性是指信号经过一定时间滞后与自身的相关性。在以前的研究结果中，包括参考文献[24]中，利用自相关从齿轮箱振动信号的连续小波变换(CWT)中获取重要特征，其中CWT的自相关能够减小数据的大小，而且不会在重要的频率成分中丢失信息。如文献[24]所述，在小波分析中，信号分解（尺度）是另一个要考虑的问题。将高噪声振动信号按照n级分解为各子信号后，对分解后的子信号（小波系数序列）进行自相关处理，以减小含有显著频率的子信号（小波系数序列）的长度。这些频率具有代表性，以便区分棒材的不同条件。众所周知，因为不同类别的故障信号不仅产生不同的振幅在其主要频率和谐波，而且相关的边带。在这项工作中，自相关被用来寻找重复的模式。比如，测量带有噪声的周期性信号，自相关处理是在信号经过多次自相关测量后，原始信号的频率分量保持不变的情况下，对信号进行降噪处理的一种方法[25]。因此，自相关分析可以在保持频率特性的同时降低噪声。自相关函数如下：
其中，x 是振动信号，E 是功率谱估计。为了得到更好的逻辑关系，建议在分解的第3级使用一些基本的统计参数，如平均值和过零点。所提出算法的流程图如图3所示。
图3 算法流程图
4. 分类器
本研究的主要目的是为电机提供一个可靠的状态监测和故障诊断系统。该项研究的关键点在于基于振动信号的转子杆件故障状态的实现。然后在早期阶段，断裂导致电机缺陷(如扭矩下降)之前进行故障监测。在提取特征信号后，使用功能强大的分类器对不同程度的杆件损伤进行正确分类，完成早期的故障检测。监管分类器使用的学习范式，分类器从样本集中抽取一定数量的已知的样本进行训练。然后调整分类器的自由参数，以建立一个模型，能够从测试集中对新的不同对象进行分类。
第一个分类器是多层感知器(MLP)，用于从线性到非线性可分离的模式分类。MLP的结构是建立在麦卡洛克-皮特斯模型上的，其中基本的神经模型由输入及其各自权重的线性组合器(其值在训练过程中由学习算法调整)、外部应用的偏差和非线性激活函数组成。当该结构包含多个神经元和多个层时，MLP可以处理非线性分类模式[
全文共10531字，剩余内容已隐藏，支付完成后下载完整资料
资料编号：[514]
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
