電機是現代工業生產和生活中必不可少的設備,一旦發生故障,不僅會影響機械系統的運行,造成嚴重的經濟損失,甚至威脅人員安全。隨著電機制造工藝的不斷提高、應用范圍的不斷增加,電機的故障診斷及其健康狀態監測的需求也不斷提高。但是由于電機的結構復雜,使得能夠反映設備狀態的數據多樣且選擇困難,從而難以實現高精度的診斷故障。

激光傳感器

本文利用多傳感器振動數據,從傳統故障診斷方法入手,深入分析研究電機故障診斷算法及其工程應用的特點,再通過研究卷積神經網絡方法在電機狀態檢測領域的適用性問題及學習性能的評價問題,利用卷積神經網絡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,從而實現電機狀態監測與故障診斷。

本文以多傳感器數據為基礎,分別以多重分形去趨勢波動分析方法和卷積神經網絡方法實現電機的故障診斷,并根據算法設計出電機狀態監測的軟件,具體內容如下:了解更多驍銳科技

分析電機故障發生的原因。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子斷條故障,通過分析上述三類故障發生機理,為電機故障診斷所需數據的類型提供建議,最終確定依靠振動信號作為診斷數據。為了獲取更高精度和高效率的故障診斷結果,本文采用多傳感器振動信號數據作為診斷數據。

多傳感器數據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。研究多傳感器數據下基于傳統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。分析多傳感器數據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據的特征,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果,并形成方法對比。

多傳感數據下基于卷積神經網絡的電機故障診斷方法研究。使用卷積神經網絡對電機多傳感器的振動數據進行處理。不同于多重分形等傳統方法將分別提取每組傳感器數據特征再合而為一,本文利用卷積層的性質將多組傳感器數據卷積至一維信號,實現高效的數據融合,完成高精度的電機故障診斷。

多傳感數據下電機狀態監測與故障診斷軟件設計。根據文章所使用的算法,設計出基于多傳感器的電機狀態監測與故障診斷軟件。利用C#建立可視化客戶端。利用Pyhon實現算法和腳本工具,完成數據采集、數據庫管理、數據交互和處理,完成電機的故障診斷,從而實現電機健康狀態監測。