基于EMd-ICA与SVM的感应电动机故障诊断研究

摘要

当今为电气化的时代，由于感应电动机具有良好的性能，在自动化生产和日常生活中常被作为提供原动力与驱动的设备。但是在实际应用中，由于很多因素的诱发电机经常发生故障，故障严重时会导致设备的损坏、甚至会给现场带来安全问题。因此，对感应电动机发生的故障尽早作出诊断具有重要的经济、社会价值。
　　本文以虚拟仪器作为信号采集与处理的平台，应用EMD-ICA、多源信息特征融合以及KPCA等方法获取诊断特征向量，并将特征向量输入到SVM诊断网络中，从而实现对感应电动机轴承故障、端盖松动、欠压运行的诊断。
　　首先，研究了感应电机的结构组成、工作原理及特性、常见故障的特征分析及产生机理，对比分析了用于感应电机故障诊断中的监测方法与智能诊断方法。
　　其次，研究了虚拟仪器技术。针对电机的振动、噪声、温度以及电流信号，设计了信号采集系统，采集系统硬件设计主要基于NI-PXI数据采集平台，选择合适的数据采集卡，并设定了相应的参数;采集系统软件设计是采用LabVIEW编程实现，使信号采集具有良好的界面。
　　然后，研究了数据处理技术。针对采集的振动信号之间、噪声信号之间存在的混叠问题，应用ICA方法处理;基于时域、频域、以及EMD提取故障特征参数;根据多源信息融合原理，将故障特征参数组成故障特征向量;应用KPCA方法对特征量进行筛选。
　　最后，根据特征向量对故障类型进行分类。构造SVM故障诊断模型，将得到的特征向量输入到模型中进行故障分类，诊断效果较好，说明本文的故障诊断方法可行。

目录

声明

摘要

第1章 绪论

1．1 课题概述

1．1．1 课题来源

1．1．2 课题研究的目的及意义

1．2 感应电动机常见故障

1．2．1 机械类故障

1．2．2 电气类故障

1．3 电机故障状态监测方法

1．4 电机故障诊断方法研究现状

1．5 本论文的主要工作内容

第2章 感应电动机及其常见故障的理论

2．1 感应电动机基本原理

2．1．1 感应电动机的构造

2．1．2 感应电动机的基本工作原理

2．2 感应电动机的工作特性

2．3 感应电动机故障特征及其机理分析

2．3．1 轴承故障特征及其机理分析

2．3．2 定子绕组匝间短路故障特征及其机理分析

2．3．3 转子断条故障特征及其机理分析

2．4 本章小结

第3章 基于虚拟仪器的信号采集系统

3．1 引言

3．2 虚拟仪器简介

3．2．1 虚拟仪器基本概念

3．2．2 虚拟仪器工作原理

3．3 采集系统整体框架结构

3．4 采集系统传感器的选择与安装

3．4．1 振动传感器的选择

3．4．2 噪声传感器的选择

3．4．3 电流传感器的选择

3．4．4 温度传感器的选择

3．4．5 传感器的位置配置

3．5 采集卡的选择

3．6 LabVIEW平台下的信号采集程序设计

3．6．1 信号采集任务基础

3．6．2 信号采集与存储测试

3．7 本章小结

第4章 基于EMD-ICA的感应电动机信号处理

4．1 引言

4．2 独立分量分析基本原理

4．2．1 ICA的基本模型

4．2．2 ICA的应用条件

4．2．3 FastICA算法

4．2．4 仿真信号的ICA分离

4．3 经验模态分解基本原理

4．3．1 本征模函数分量的概念

4．3．2 EMD分解流程

4．4 基于LabVIEW的EMD-ICA信号处理应用

4．5 本章小结

第5章 基于多源信息融合的特征向量构造

5．1 引言

5．2 时域特征参数提取

5．3 频域特征参数提取

5．4 基于LabVIEW的时域、频域特征参数提取

5．5 基于信息熵的IMF能量分析

5．5．1 自信息

5．5．2 信息熵

5．5．3 IMF能量熵

5．6 基于LabVIEW的IMF能量特征参数提取

5．7 多源信息融合

5．7．1 多源信息融合概述

5．7．2 多源信息融合分类

5．8 基于KPCA的特征向量构造

5．8．1 核函数方法简介

5．8．2 KPCA的基本概念

5．8．3 KPCA的基本原理

5．8．4 KPCA的执行步骤

5．9 本章小结

第6章 基于SVM的感应电动机故障诊断实现

6．1 引言

6．2 常用模式识别方法简介

6．3 支持向量机概述

6．3．1 最优分类超平面

6．3．2 线型SVM

6．3．3 非线型SVM

6．4 SVM多分类器模型的构建

6．4．1 SVM多分类器构成方法的选择

6．4．2 SVM核函数选择及参数的确定

6．5 SVM的工程应用

6．6 本章小结

第7章 结论与展望

7．1 研究工作总结

7．2 工作展望

参考文献

攻读硕士学位期间发表的学术论文

致谢