论文部分内容阅读
作为电气化时代的主要原动力和驱动设备，异步电机因为具有结构简单、制造方便、可靠性高等优点已经在工农业生产和人们日常生活等领域中得到广泛的应用。作为生产领域中的关键设备，异步电机的安全、可靠、稳定运行对于保证生产系统的正常运行意义非常重大。电机一旦发生故障就会造成严重的经济损失以及恶劣的社会影响。因此，研究异步电机的故障诊断技术及时准确的识别电机的运行状态具有重要的现实意义。异步电机故障诊断过程包括状态参数检测、故障特征提取和故障类型识别三部分。
本文在对异步电机常见故障的特征及其机理分析的基础上，选择能够反映电机机械特性的振动信号和反映电机电气特性的定子电流信号作为电机故障诊断的状态信号。由于电机运行过程中所采集的信号为非平稳信号，运用传统的信号分析方法已经不再适合，小波分析技术因其良好的时频分析特性为非平稳信号的分析处理提供了一种非常有效的方法。本文首先运用小波变换对故障信号进行了消噪处理，其次运用小波包分解对故障信号进行了特征提取。在此基础上，提出了小波包与主成分分析(PCA)相结合的一种新的信号特征提取方法。该方法利用主成分分析(PCA)对小波包分解结果进行特征抽取和降维，提取小波包分解结果中的主成分值作为电机故障的特征向量，并将提取的特征向量作为神经网络的训练样本，仿真实验结果表明该方法是有效的和正确的。本文将径向基(RBF)神经网络应用到异步电机的故障诊断中，利用神经网络的模式识别能力对电机的故障类型进行诊断，并与BP神经网络进行比较。虽然RBF神经网络与BP神经网络相比具有较快的学习速度以及较好的分类能力，但其参数确定比较困难。为了克服RBF神经网络学习算法的不足，本文引入了差分进化(DE)算法，利用差分进化(DE)算法的全局搜索能力来优化RBF神经网络基函数的中心、宽度以及网络的连接权值，以获得最优的网络模型。最后，在Matlab软件平台上对本文所设计的诊断系统进行了仿真实验，网络训练完成后就建立了基于RBF神经网络的异步电机故障诊断系统。经过实际的故障数据测试，结果表明优化后的RBF神经网络的泛化能力和诊断精度都得到了大幅度提高，从而验证了该方法的正确性。