基于神经网络的异步电动机故障预测与诊断技术的研究

《基于神经网络的异步电动机故障预测与诊断技术的研究》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、中国石油大学（华东）硕士学位论文基于神经网络的异步电动机故障预测与诊断技术的研究姓名：陈华栋申请学位级别：硕士专业：@指导教师：王艳松201005摘要电机在工业生产、日常生活等诸多领域有着广泛的用途，并且起着非常重要的作用,一旦发生损坏不仅会影响设备和正常的系统工作，还有可能会导致巨大的经济损失和生命财产安全。能否对电机设备进行实时的数据检测，并根据数据积累进行相应的提前故障诊断，这对发现异步电机故障和预防故障的进一步恶化以及为电机设计者提供经验和积累数据有着十分重要的意义。本文提出了一种将小波分析和神经网络相结合的异步电机的智能故障诊断

2、方法。由于小波分析具有良好的频率特性和局部特性，为电机故障诊断的信号处理提供了强有力的工具。首先应用小波分析对异步电机的定子电流故障信号进行了三层分解获得八个频段的小波分解系数能量，应用八个频段的系数能量作为神经网络的输入特征向量，以电机常见故障类型作为人工神经网络的输出，搭建神经网络故障诊断模型。对Y160M2-8异步电动机正常和各种故障状态下的定子电流信号进行了算例分析，所提出的故障诊断模型能正确识别转子不平衡、中心不对中、转子碰磨故障状态。实验结果表明，利用小波包变化提取的故障信号特征频率所对应的能量谱能够反映异步电机的故障类型。利

3、用神经网络的非线性拟合特点能够对异步电机的故障类型进行正确的诊断和分类，满足对异步电机故障诊断的要求。本文将小波分析和人工神经网络应用到异步电机的故障诊断中，具有人工智能，适用范围广等优点，应用前景十分广阔。美键词：：爪西關瞬刚磁術般粗粗机StudyontheFault血fidictionand惡凝^^gTechnologyd0^atch3i)nousMotorBasedonNeuralNetworksChenHuadong(Control觀q^ryandControlEngineering)DirectedbyProfWangYanso

4、ngAbstractMotorhasawide卿geofuse.insffitastrialproduction,dailylifeandmanyotherfields.Themotorfaultwillnotonlydamagethemotor击butalsowillaffectthewholeoperation&ftheentireSSS^SitcouldevencausefeigeSwsniclossesandharmsafetyoflivesandproperty.Sotheaccuratefaultdiagnosisofamot

5、orisveryimportantfortheearlydetectionandpreventionfromfurtherdeteriorationandalsohelpsthedataaccumulationofthedesignerandprovideshim⑹曲sricherexperience.In咖spaperakindofasynchronousmotorintellimtfaultmosismethodisputinwhichakind©fwaveletanalysisand口eo跆t^vorkisappliedtothem

6、otorofthefaultdiagnosis.AsynchronousmotorfaultdiagnosisusuallySfi^udesinformation^Itection,analysisandprocessing・Inthispaperthecollection©fdataiscompletedJ>yasensor.Thefaultsignalnoisereductionandthefeatureextractionarebothcarriedoutintheprocess©fthewaveletanalysis.Becaus

7、eofwaveletanalysishasagoodfrequencyandlocalcharacteristics,it氾诫6瞬aspowerftiltoolforthefaultdiagnosis©fsignalprocessing.Theartificialneuralnetworkcan雳sii礎Sbgg城SOnationfusion,soasachieveacomprehensive尬鱷losisandimproveg^iracyrates.The尉丽centalresultsshowthattheenergyspectrumc

8、orrespondingiothefeaturingfrequency©fthefaultsignalsextractedbywaveletpackettransformationcanref