基于软启动器的电机监测与智能故障诊断研究

摘要

电机是工业生产中的主要能源动力设备，为了确保电机安全运行，避免因生产中断造成巨大经济损失，因此电机故障诊断技术已成电机安全维护方面的重要环节。离线式电机故障诊断是目前最主要的方式，算法存在占用资源大，速度慢，准确性低等缺点。近年来，对于电机起动、运行、停车过程的在线式诊断的要求越来越迫切。本论文首先对异步电机的状态进行了监测研究，再次深入研究了智能故障诊断技术，提出了一种基于软启动器的电机在线式智能故障诊断算法。本论文有两方面创新，一是对于电机状态监测过程中的谐波检测通过神经网络权值直接确定新算法获得。二是目前国内的软启动器拖动电机系统中尚未实现智能故障诊断，本文实现了国内创新，并且利用本文的智能诊断算法可判断的电机故障种类比国内目前现有的算法更全面、更可靠。本文所取得的主要研究成果如下：
　　1.对异步电机在起动、运行和停车过程中的电气故障进行研究。根据某公司近两年的现场维修记录和电话记录，总结了异步电机过压、过载、缺相等十种故障类型，并对故障的产生机理进行了详细的分析，选择定子电压、电流的时域均值和频域幅值及转速信息作为异步电机故障特征值，并建立了电机故障诊断知识库，知识库信息全面、充分、无冗余。
　　2.对异步电动机的状态监测进行了研究。针对软启动系统的要求，分析了异步电机运行中定子电压、电流及转速信号的监测方法，利用快速傅里叶（FF T）和神经网络权值直接确定法（WDD）两种算法对电压、电流信号进行频谱分析，成功提取了定子电压和电流频域特征值。根据谐波导纳法原理，利用得到的电压、电流的频域信息进一步得到了电机的转速，通过算法性能对比，验证了相比于快速傅里叶算法，神经网络权值直接确定法更快速、更准确。最后将转速谐波法得到的转速在MATLAB中进行了仿真，利用固有电机模型得到的转速进行对比，仿真结果在误差允许范围内，利用此算法实现了无传感器电机转速测量，并且能够对转速状态进行监测，由此获得故障特征参数。这也是本论文的一个创新点。
　　3.对应用于故障诊断方面的几种神经网络算法进行了研究与分析。阐述了BP、RP RO P和BAY ES三种神经网络故障诊断算法，并分别分析其应用特点与优缺点。研究发现，BAYES神经网络算法简单，收敛速度快，非线性逼近能力强，特别适合于软启动器嵌入式系统所要求的诊断速度快、占用资源少的特点，因此选其作为研究重点，并从识别原理及网络结构等方面详细介绍并改进了 BAYES神经网络。
　　4.对异步电机智能故障诊断算法进行研究设计。首先，详细设计了基于软启动器嵌入式系统的 BAYES神经网络算法（PNN）的开发流程和故障诊断模型。其次，对神经网络的设计与优化主要从网络模型选取、结构设计、算法设计等方面进行。最后，通过编程仿真验证了算法的精准度和快速性，结果表明，该算法实时性好、精准度高，很好地达到了预期的设计目标。

目录

封面

声明

中文摘要

英文摘要

插图索引

表格索引

符号对照表

缩略语对照表

目录

第一章 绪论

1.1电机监测和故障诊断的意义

1.2课题研究现状及发展趋势

1.3论文选题来源

1.4论文的主要内容与结构

第二章 电动机主要故障类型及故障知识库的建立

2.1电动机常见故障机理分析

2.2电机故障特征参数库的构建

2.3本章小结

第三章 电机电压、电流及转速状态参数监测

3.1电机状态监测的意义

3.2电压、电流及转速的特征值监测

3.3本章小结

第四章人工智能故障诊断算法分析

4.1神经网络智能诊断特性

4.2神经网络诊断故障的主要算法

4.3 BAYE S理论与诊断网络

4.4本章小结

第五章基于软启动器的电机故障诊断算法设计

5.1贝叶斯算法设计开发流程

5.2电机故障诊断模型的建立

5.3诊断算法整体设计

5.4仿真对比验证

5.5本章小结

第六章 结论和展望

6.1研究结论

6.2研究展望

参考文献

致谢

作者简介

1.基本情况

2.教育背景

3.攻读硕士学位期间的研究成果