基于PSO_SVM模型的感應(yīng)電機故障診斷研究

1、 PAGE64 / NUMPAGES72學(xué) 位 論 文基于PSO-SVM模型的感應(yīng)電機故障診斷應(yīng)用申專業(yè)名稱：控制工程論文題目：PSO-SVM模型在感應(yīng)電機故障診斷中的應(yīng)用摘 要感應(yīng)電動機能夠適應(yīng)各種復(fù)雜的工作環(huán)境因而在工業(yè)、農(nóng)業(yè)、科學(xué)技術(shù)現(xiàn)代化和國防中得到了廣泛的應(yīng)用。它是一種覆蓋面最廣、使用量最大的電動機。感應(yīng)電動機的正常運行，可以保證生產(chǎn)過程中的高效，安全，快捷，電動機發(fā)生故障不僅會導(dǎo)致生產(chǎn)設(shè)備的毀壞，影響生產(chǎn)的進(jìn)行，甚至停產(chǎn)，還會危與工人的人身安全，造成巨大的經(jīng)濟損失，因此對電動機進(jìn)行故障檢測，特別是早期故障檢測，是很有必要的。目前很多故障診斷技術(shù)的主觀性較強，研究一種能以客觀的方式進(jìn)

2、行故障診斷的技術(shù)勢在必行；智能診斷技術(shù)十分符合現(xiàn)實的需要，其強大的自我學(xué)習(xí)能力能客觀的發(fā)掘歷史數(shù)據(jù)中的潛在故障規(guī)則，能更好的指導(dǎo)故障定位與檢修。本文主要以智能診斷技術(shù)為研究方向，分析傳統(tǒng)的智能診斷技術(shù)的研究現(xiàn)狀以與存在缺陷，提出了基于支持向量機理論的故障診斷技術(shù)方法。支持向量機(Support Vector Machine,SVM)具有嚴(yán)謹(jǐn)?shù)睦碚摶A(chǔ)以與良好的泛化能力，在處理小樣本事件中能保證很高的準(zhǔn)確率，它在處理許多工程實際問題方面獲得了成功的應(yīng)用，本文試著將一種改進(jìn)的支持向量機模型引入電機故障診斷中，主要容如下：1. 分析了軸承和轉(zhuǎn)子斷條兩種故障的特征機理，給出了兩種故障特征頻率的計算公式

3、，并對目前常用的故障診斷方法進(jìn)行了分析和總結(jié)。2. 研究了統(tǒng)計分析方法、模糊系統(tǒng)以與神經(jīng)網(wǎng)絡(luò)等的故障診斷方法。這些傳統(tǒng)的方法都是在樣本數(shù)目足夠大的前提下進(jìn)行故障診斷的，模糊系統(tǒng)缺乏自學(xué)習(xí)能力，隸屬度函數(shù)和模糊規(guī)則的選取帶有一定的主觀性且依賴于專家；神經(jīng)網(wǎng)絡(luò)易陷入局部極小值、學(xué)習(xí)能力差、隱含層節(jié)點數(shù)難以確定，嚴(yán)重影響了故障診斷的準(zhǔn)確率。針對以上缺點，提出了基于PSO-SVM模型的故障診斷方法，此改進(jìn)的支持向量機模型不僅克服了以上缺點，而且采用PSO算法對SVM模型的參數(shù)進(jìn)行優(yōu)化，使得故障診斷結(jié)果更加準(zhǔn)確。3. 結(jié)合強大的MATLAB語言系統(tǒng)與工具箱，運用故障樣本數(shù)據(jù)對PSO-SVM模型進(jìn)行訓(xùn)練，

4、通過測試樣本驗證訓(xùn)練結(jié)果，并與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)相比證明其模型具有更高的準(zhǔn)確性與實用性。關(guān)鍵詞： 感應(yīng)電機 故障診斷 支持向量機 粒子群ABSTRACTInduction motor can adapt to all kinds of complicated work environment.Therefore,theyhave been widely used in industry,agriculture,science,technology and national defensemodernization.It is a kind of coverage broadest and usage

5、 of the biggest motor.Inductionmotor can guarantee the normal operation of the process of production efficiency,safety,promptness.Motor failure will not only lead to the destruction of production facilities,affecting the conduct of production,or even stop production,but also endanger the safety ofwo

6、rkers,resulting in huge economic losses.So the motor fault detection,especially in earlyfault detection,it is very necessary.Currently, there are very strong subjective on some fault diagnosis technology, it is necessary to study a way can be an objective fault diagnosis;Intelligent diagnosis techno

7、logy is in line with real needs, it can objectively identify the potential failure of historical data rules by powerful self-learning ability, to better guide the fault location and repair.This paper, the intelligent diagnosis technology as the main research direction, analysis the status and defici

8、encies of traditional intelligent diagnosis technology, proposed fault diagnosis method based on support vector machine theory.SVMhas a rigorous theoretical basis and good generalization ability，can guarantee a high accuracy rate in dealing with small sample case, which it has been successful applic

9、ations in dealing with many practical engineering problems. This essay will be an improved support vector machine model into the motor fault diagnosis; the main contents are as follows:1The fundamental rules or principle of the detecting bearing fault and rotor broken isanalyzed.The fault mechanism

10、of the two faults is discussed by using the fault frequencycharacteristics analysis.The existing fault detection and diagnosis methods are further studiedin this paper.2Study of fault diagnosis methods, such as statistical analysis, fuzzy systems and neural networks.These traditional methods must be

11、 large enough sample size as a prerequisite for fault diagnosis,Lack of self-learning fuzzy systems, membership functions and fuzzy rules with a certain degree of subjectivity and the selection depends on the experts;Neural networks easy to fall into local minima, poor learning ability, hidden nodes

12、 is difficult to be determined, seriously affecting the accuracy of fault diagnosis. To solve the above shortcomings, proposed PSO-SVM model based fault diagnosis method, the improved support vector machine model not only to overcome the above disadvantages, and the use of PSO algorithm to optimize

13、the SVM model parameters, making the results more accurate diagnosis.3Combined with powerful MATLAB language system and toolbox, the use of fault sample data, PSO-SVM model is trained. Itis verified that there is more proof accuracy and usefulnessby testing samples and compared with the traditional

14、neural network model.目 錄TOC o 1-2 h z uHYPERLINK l _Toc2915951681 緒論 PAGEREF _Toc291595168 h 1HYPERLINK l _Toc2915951691.1 課題研究背景 PAGEREF _Toc291595169 h 1HYPERLINK l _Toc2915951701.2智能故障診斷算法的研究狀況 PAGEREF _Toc291595170 h 2HYPERLINK l _Toc2915951711.3主要研究方法與研究容 PAGEREF _Toc291595171 h 3HYPERLINK l _T

15、oc2915951722 設(shè)備故障診斷理論5HYPERLINK l _Toc2915951732.1 設(shè)備故障診斷的定義與意義5HYPERLINK l _Toc2915951742.2故障診斷技術(shù)的發(fā)展現(xiàn)狀5HYPERLINK l _Toc2915951752.3 設(shè)備故障診斷的方法分類8HYPERLINK l _Toc2915951762.4感應(yīng)電動機常見故障研究9HYPERLINK l _Toc2915951772.5感應(yīng)電機常見故障診斷技術(shù)研究 PAGEREF _Toc291595177 h 13HYPERLINK l _Toc2915951783 感應(yīng)電動機故障機理分析 PAGEREF

16、 _Toc291595178 h 18HYPERLINK l _Toc2915951793.1轉(zhuǎn)子斷條故障特征機理分析 PAGEREF _Toc291595179 h 18HYPERLINK l _Toc2915951803.2感應(yīng)電動機軸承故障機理分析 PAGEREF _Toc291595180 h 25HYPERLINK l _Toc2915951814 PSO-SVM模型理論知識 PAGEREF _Toc291595181 h 36HYPERLINK l _Toc2915951824.1粒子群優(yōu)化算法原理 PAGEREF _Toc291595182 h 36HYPERLINK l _To

17、c2915951834.2 支持向量機原理 PAGEREF _Toc291595183 h 38HYPERLINK l _Toc2915951845 基于PSO-SVM模型的感應(yīng)電機故障診斷系統(tǒng) PAGEREF _Toc291595184 h 50HYPERLINK l _Toc2915951855.1感應(yīng)電機故障診斷系統(tǒng)模型的選取 PAGEREF _Toc291595185 h 50HYPERLINK l _Toc2915951865.2 感應(yīng)電機故障診斷系統(tǒng)開發(fā) PAGEREF _Toc291595186 h 50HYPERLINK l _Toc2915951875.3基于PSO-SVM模

18、型的感應(yīng)電機故障診斷實例分析 PAGEREF _Toc291595187 h 52HYPERLINK l _Toc2915951886 總結(jié) PAGEREF _Toc291595188 h 59HYPERLINK l _Toc291595189致60HYPERLINK l _Toc291595190參考文獻(xiàn) PAGEREF _Toc291595190 h 61ContentsIntroduction11.1 Raising of Project1 1.2 The Study Situation about Intelligent Fault Diagnosis Algorithm2 1.3 R

19、esearch Contents and Methods 3Fault Diagnosis Theory52.1Definition and Significance of Fault Diagnosis52.2 Development ofFault Diagnosis Technology5 2.3 Classification Method ofFault Diagnosis8 2.4 Common Faults Of Induction Motor92.5 Common Fault Diagnosis Technology of Induction Motor13Mechanical

20、Study of Induction Motor Fault183.1 Characteristics MechanismStudy ofRotor Fault18 3.2 Mechanism Study ofInduction MotorBearing Fault25Knowledge Theory of PSO-SVM Model364.1 Principle ofParticle Swarm Optimization364.2 Support Vector Machine38Fault Diagnosis Systemof InductionMotor Based onPSO-SVMMo

21、del 50 5.1 The Fault Diagnosis System Selection Of Induction Motor Model 50 5.2 System Develop On Induction Motor Fault Diagnosis50 5.3 Example Study of Induction MotorFaultDiagnosis Based on PSO-SVMModel52Main Research Result and Conclusion 59Thanks60Main Reference Documents611 緒論1.1 課題研究背景在生產(chǎn)技術(shù)不斷革

22、新的社會大背景下，現(xiàn)代機械設(shè)備的技術(shù)水平與復(fù)雜程度都在不斷提高，工業(yè)生產(chǎn)中的回轉(zhuǎn)機械設(shè)備為滿足社會生產(chǎn)的需要，必須朝高速化、大型化、精密化的方向發(fā)展，隨著機械性能的不斷提高，工業(yè)企業(yè)的生產(chǎn)效率與自動化程度也隨之改善；同時，機械設(shè)備還朝一體化、集成化發(fā)展，使得企業(yè)機械設(shè)備整體結(jié)構(gòu)趨于復(fù)雜，其中的某一部分出現(xiàn)了故障，會使企業(yè)產(chǎn)品的質(zhì)量受到影響，可能使整個生產(chǎn)線癱瘓，也可能導(dǎo)致嚴(yán)重的生產(chǎn)安全事故，讓企業(yè)蒙受巨大的經(jīng)濟損失。過去的幾十年里，由于機械設(shè)備故障導(dǎo)致嚴(yán)重后果的屢見不鮮。1979年3月著名的美國三里島核泄漏事件，由于錯誤的機械設(shè)備檢測與診斷，導(dǎo)致核反應(yīng)堆堆芯嚴(yán)重?fù)p壞，使得放射性物質(zhì)泄漏，造成了

23、不可估量的經(jīng)濟損失;1984年美國在印度的一家碳化物公司農(nóng)藥廠由于未與時發(fā)現(xiàn)故障，導(dǎo)致毒氣泄漏造成30多萬人3000多人死亡;1986年美國的挑戰(zhàn)者號航天飛機在升空后不久突然爆炸，機毀人亡，正是由于沒有準(zhǔn)確的火箭故障檢測系統(tǒng)，造成12億美元的損失;1986年前聯(lián)切爾諾貝利核電站發(fā)生爆炸，放射性物質(zhì)大量泄漏，使2000多人喪命，數(shù)萬人口緊急轉(zhuǎn)移，直接經(jīng)濟損失達(dá)30億美元。在我國由于機械故障產(chǎn)生的事故也很多，80年代初棲霞山化肥廠機組轉(zhuǎn)子斷裂，1985年鎮(zhèn)海石化總廠機組轉(zhuǎn)子毀壞，這兩事故各造成經(jīng)濟損失多達(dá)1000萬；之后1985嶺電廠、1988年電廠的發(fā)電機組先后發(fā)生故障，造成2億元的經(jīng)濟損失，如

24、此多的經(jīng)濟損失以與人員傷亡，迫使企業(yè)必須進(jìn)行大量的故障診斷研究，大力發(fā)展故障診斷技術(shù)。可以從國外一些研究數(shù)據(jù)看出，企業(yè)實施有效的故障診斷技術(shù)已取得了非常好的經(jīng)濟效益:據(jù)日本的統(tǒng)計數(shù)據(jù)，日本企業(yè)在普與故障診斷技術(shù)之后，機械故障事故率降低了75%，維修成本減少了約50%;歐美國家3000多個大型企業(yè)自從采用故障診斷技術(shù)之后，每年可以減少5億美元的維修費用開支，而總共用于機械故障診斷的費用只有5000多萬;在我國，據(jù)專家分析若是大力推廣機械故障診斷技術(shù)，鋼鐵行業(yè)每年用于機械設(shè)備維修的費用可以從250億元降到約170億，每年的事故率也可以降低50%，可見故障診斷技術(shù)的研究不容忽視，對企業(yè)與國家的發(fā)展具

25、有重要的意義。雖然近年來機械故障診斷技術(shù)得到了很大的發(fā)展，但如何提高診斷的準(zhǔn)確率還是值得進(jìn)一步研究的；比如大量的計算機智能診斷系統(tǒng)的出現(xiàn)，給工業(yè)企業(yè)機械故障診斷提供了新的解決途徑，但是一些智能診斷由于自身的缺陷，無法保證較好的準(zhǔn)確率。所謂機械故障診斷，是指通過各種各樣的監(jiān)測手段，從各種信息提取中判斷機械設(shè)備的運行現(xiàn)狀，發(fā)現(xiàn)故障、分析原因、進(jìn)行維修；還有的診斷技術(shù)是在未發(fā)生故障之前，根據(jù)收集的機械設(shè)備信息預(yù)測可能發(fā)生的故障，讓企業(yè)提前采取措施，從而達(dá)到避免事故發(fā)生的效果。設(shè)備故障診斷技術(shù)的目的與意義主要表現(xiàn)在有效保護(hù)機械設(shè)備以增加其運行時間，減少維修成本與維修時間，同時最大限度的降低機械故障事故

26、的發(fā)生率。總體來說，不管從經(jīng)濟利益的角度出發(fā)，還是從防止安全隱患的角度出發(fā)，低成本、高準(zhǔn)確率的故障診斷系統(tǒng)都具有非常重要的研究意義。1.2 智能故障診斷算法的研究狀況近年來，智能算法模型在解決電氣工程領(lǐng)域的許多實際問題中發(fā)揮了巨大的作用，催生出關(guān)于電氣工程領(lǐng)域的新技術(shù)，如智能故障診斷技術(shù)、智能故障預(yù)測技術(shù)等。文獻(xiàn)1中提出了運用BP神經(jīng)網(wǎng)絡(luò)模型對拖拉機變速箱齒輪和軸承故障進(jìn)行診斷。文獻(xiàn)2將波神經(jīng)網(wǎng)絡(luò)并應(yīng)用于故障診斷實例中，從而避免了傳統(tǒng)神經(jīng)網(wǎng)絡(luò)收斂速度慢的缺點，并有效的改善了網(wǎng)絡(luò)的自學(xué)習(xí)性能。文獻(xiàn)3提出灰色馬爾柯夫故障預(yù)測模型，用GM(1,1)預(yù)測曲線來找出故障宏觀波動的規(guī)律,在此基礎(chǔ)上將其劃分

27、若干個動態(tài)的狀態(tài),再用Markov轉(zhuǎn)移概率來分析各個狀態(tài)量的微觀波動規(guī)律，并將其模型應(yīng)用于軸承故障的預(yù)測，得到了很好的效果。文獻(xiàn)4在對軸承故障的診斷中,先對一組較為完整的故障特征數(shù)據(jù)進(jìn)行聚類,獲得幾類典型樣本模式,對于測試數(shù)據(jù)采取求隸屬度的方法將其劃到哪類故障模式下。隨著電氣設(shè)備的結(jié)構(gòu)日趨復(fù)雜，其故障特征數(shù)據(jù)也呈現(xiàn)出復(fù)雜性，又由于傳統(tǒng)的智能診斷技術(shù)存在著缺點；如專家系統(tǒng)缺乏自學(xué)習(xí)、自組織的能力，同時還存在著知識獲取瓶頸問題，神經(jīng)網(wǎng)絡(luò)存在泛化能力弱，容易陷入局部極小值，網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)難以確定等缺點。支持向量機是解決小樣本事件的最優(yōu)方法之一，克服了神經(jīng)網(wǎng)絡(luò)收斂速度慢，局部最小，過學(xué)習(xí)、欠學(xué)習(xí)以與需要

28、大量故障樣本數(shù)據(jù)等不足，為電氣設(shè)備的智能故障診斷開辟了一條新路徑。文獻(xiàn)5結(jié)合支持向量機理論,建立了SVM故障診斷模型,通過實例驗證了SVM模型所需樣本少，并與BP網(wǎng)絡(luò)進(jìn)行對比，其診斷結(jié)果明顯優(yōu)于BP網(wǎng)絡(luò)。文獻(xiàn)6研究了基于支持向量機的液壓泵的故障診斷,重點對核函數(shù)的選取進(jìn)行了討論，試驗分析的結(jié)果表明,采用不同的核函數(shù)其診斷結(jié)果存在差異。支持向量機模型中常見的參數(shù)選擇方法是網(wǎng)格搜索法，粒子群搜索是一種智能全局搜索算法，與網(wǎng)格搜索法相比較，能夠在更大的參數(shù)空間用較少的搜索次數(shù)尋找出更優(yōu)的結(jié)果。關(guān)于粒子群與支持向量機的結(jié)合在故障診斷領(lǐng)域已經(jīng)取得很好的效果，文獻(xiàn)7將PSO算法和LS-SVM相結(jié)合,提出了

29、基于粒子群支持向量機的故障診斷方法,其方法可以對參數(shù)進(jìn)行快速動態(tài)選取, 實驗表明該方法提高故障診斷的準(zhǔn)確率和效率。1.3主要研究方法與研究容1.3.1主要研究方法(1) 文獻(xiàn)閱讀法。本文參考了大量的相關(guān)文獻(xiàn)，對前人關(guān)于故障診斷的研究成果以與電機故障理論進(jìn)行了認(rèn)真學(xué)習(xí)。(2) 系統(tǒng)分析法。在總結(jié)相關(guān)研究成果的基礎(chǔ)上，對感應(yīng)電機系統(tǒng)的電氣故障和機械故障進(jìn)行系統(tǒng)的分析，之后提出了感應(yīng)電機故障的綜合診斷方法。(3) 定量分析法。采用PSO-SVM數(shù)學(xué)模型對感應(yīng)電機故障進(jìn)行精確診斷。(4) 實證分析法。本文在最后一章擬采用實例，對以上數(shù)學(xué)模型進(jìn)行驗證，證明其科學(xué)可行性。1.3.2主要研究容綜上所述，本論

30、文采用粒子群-支持向量機模型來實現(xiàn)對感應(yīng)電動機故障診斷研究。在各類電機中，根據(jù)使用的廣泛性，本文側(cè)重于對三相鼠籠型感應(yīng)電動機進(jìn)行分析。為此，本文所做的主要工作如下：(1) 對Y132S4 型感應(yīng)電動機系統(tǒng)的電氣故障和機械故障進(jìn)行分析，指出其基于電流法的故障特征；(2) 根據(jù)所指出的故障特征，提出粒子群-支持向量機識別方法來實現(xiàn)對感應(yīng)電動機的電氣故障和機械故障的綜合診斷；(3) 利用Matlab軟件對所提出的診斷方法進(jìn)行仿真，驗證算法的有效性。根據(jù)上述容，本論文的安排如下：第二章：對設(shè)備故障診斷的定義、分類、特點、技術(shù)方法以與感應(yīng)電動機故障診斷的常用技術(shù)與特點進(jìn)行詳細(xì)描述。第三章：對Y132S4

31、 型感應(yīng)電動機轉(zhuǎn)子斷條故障、軸承故障的機理以與特征頻率進(jìn)行分析，得到兩種狀態(tài)下的故障特征。第四章：根據(jù)支持向量機分類方法以與粒子群優(yōu)化算法的特征與優(yōu)點，詳細(xì)對兩種算法的理論知識進(jìn)行分析與研究，提出了基于PSO-SVM模型的感應(yīng)電機故障診斷方法，以滿足感應(yīng)電動機的綜合故障診斷要求。第五章：基于Matlab軟件，運用感應(yīng)電機正常狀態(tài)、轉(zhuǎn)子斷條故障、軸承故障三種狀態(tài)下真實特征數(shù)據(jù)對所提出的診斷模型進(jìn)行訓(xùn)練與測試，驗證其可行性。2設(shè)備故障診斷理論2.1 設(shè)備故障診斷的定義與意義故障診斷這一名詞起源于仿生學(xué)領(lǐng)域，故障診斷中的“故障”兩字是指機械設(shè)備的一個特征參數(shù)出現(xiàn)了比較大的反差或偏差，導(dǎo)致設(shè)備的性能或

32、者生產(chǎn)出來的產(chǎn)品性能低于正常水平；“診”字是指通過物理的、化學(xué)的方法對設(shè)備進(jìn)行測量、檢查與分析；“斷”則是通過某種手段分析設(shè)備故障的特征數(shù)據(jù)，確定故障的部位、類別、性質(zhì)等。設(shè)備故障診斷的基本原理是根據(jù)檢測機電設(shè)備運行中產(chǎn)生的各種類別的信號，來判斷設(shè)備的運行狀態(tài)是否正常，其基本理念是在不進(jìn)行設(shè)備拆卸的情況下，對正在運行機械設(shè)備的某種參數(shù)進(jìn)行檢測分析，找出故障原因以與故障部位，或者對機械設(shè)備的未來狀態(tài)進(jìn)行提前預(yù)測?，F(xiàn)代工業(yè)生產(chǎn)中設(shè)備系統(tǒng)結(jié)構(gòu)日趨復(fù)雜，并且在高負(fù)荷、大功率的條件下連續(xù)運轉(zhuǎn)，隨時間的推移和設(shè)備部、外部條件的變化下，生產(chǎn)設(shè)備系統(tǒng)在工作中會不可避免地發(fā)生一些故障。這些故障發(fā)生時，輕則使設(shè)備

33、性能降低，縮短使用年限，重則毀壞設(shè)備系統(tǒng)，停機停產(chǎn)，造成嚴(yán)重的經(jīng)濟損失和人員傷亡，同時對于社會的和諧也會產(chǎn)生不利的影響。如何與時、準(zhǔn)確地發(fā)現(xiàn)故障，在必要時預(yù)測故障，保證設(shè)備系統(tǒng)在工作期間始終能保持高效、安全、可靠地運轉(zhuǎn)，故障診斷技術(shù)在提高設(shè)備運行的安全性和高效性方面發(fā)揮了極其重要的作用。2.2故障診斷技術(shù)的發(fā)展現(xiàn)狀2.2.1故障診斷技術(shù)的發(fā)展歷程故障診斷技術(shù)的發(fā)展是與設(shè)備系統(tǒng)的維修方式緊密相連的。一般來說，按照測試手段，我們可將故障診斷技術(shù)分為六個階段，分別為感官診斷、簡易診斷、綜合診斷、在線監(jiān)測、精密診斷和遠(yuǎn)程監(jiān)測。概括起來故障診斷技術(shù)的發(fā)展大體經(jīng)歷了三個大的階段：階段一：感官診斷，這是故障

34、診斷的初始階段。在20世紀(jì)60年代以前，各國往往采用事后維修(不壞不修)和定期維修，所定的維修時間間隔難以掌握，經(jīng)常發(fā)生過度維修和突發(fā)停機(沒到維修期設(shè)備已發(fā)生故障)的事故。鑒于這些弊端，美國軍方在20世紀(jì)60年代首先提出了預(yù)知維修，具體做法是定期檢查，視情(視狀態(tài))維修。由于這種主動維修的方式具有很多優(yōu)點，在許多國家和其他行業(yè)得到應(yīng)用，設(shè)備故障診斷技術(shù)很快發(fā)展起來。階段二：20世紀(jì)60年代到80年代主要是以建模處理和信號處理為基礎(chǔ)、以傳感器技術(shù)和動態(tài)測試技術(shù)為手段的常規(guī)診斷技術(shù)。其中，建模處理主要包括模式識別、參數(shù)估計、系統(tǒng)辨識等，其理論基礎(chǔ)是控制論、系統(tǒng)論和信息論；信號處理包括小波分析方法

35、、統(tǒng)計分析方法、頻譜分析方法、相關(guān)分析方法和模態(tài)分析方法等。當(dāng)時的故障診斷技術(shù)分為簡易診斷和精密診斷兩類，前者相當(dāng)于狀態(tài)監(jiān)測，主要監(jiān)視設(shè)備的運行狀態(tài)是否正常；后者則要求定量掌握設(shè)備的狀態(tài)，確定故障的產(chǎn)生部位和原因，預(yù)測故障對設(shè)備將來的影響。對于回轉(zhuǎn)設(shè)備來說，現(xiàn)場使用較多的診斷方法為振動法，其次是油-磨屑分析法，對于重載往復(fù)運動、低速的設(shè)備，使用振動診斷方法比較困難，而油-磨屑分析技術(shù)較為有效。另外，在設(shè)備運行中都會產(chǎn)生諸如機械結(jié)構(gòu)上、溫度、噪聲以與電磁等種種物理和化學(xué)上的變化，比如力、振動、噪聲、扭矩、溫度、壓力、聲光、功率、電流等等，這些反映設(shè)備運行狀態(tài)變化的信號均有其各自的特點，通常情況下

36、，設(shè)備的一個故障可能表現(xiàn)出多個相關(guān)特征信息，而一個特征信息通常又包含在幾種狀態(tài)信息之中。因而除振動診斷法和油-磨屑分析法之外，實用的故障診斷方法還有應(yīng)力測定法、聲響法、壓力法、溫度分布法(紅外診斷技術(shù))、流量測定法、聲發(fā)射法等等。這些診斷方法所用的儀器方法簡便、講效，同時，從信息處理的角度出發(fā)，對能夠反映設(shè)備故障的特征信息，通過利用信號模型，直接分析可測量信號，提取特征值，從而診斷出故障。一個設(shè)備的故障，往往包含在幾種狀態(tài)信息中，因此利用各種診斷方法對同一個故障進(jìn)行綜合分析和診斷就顯得十分必要，就像醫(yī)生診斷病人的疾病一樣，要盡可能的調(diào)動更多的測試、診斷方法，從各個方面、各個角度進(jìn)行判斷和分析，

37、最終得到正確的診斷結(jié)論。除此之外，各種狀態(tài)信息要通過一些特定的測試手段獲得，存在各種測量誤差在所難免，對這些已測得的信號進(jìn)行處理，以便去除雜質(zhì)數(shù)據(jù)、提高設(shè)備故障診斷的準(zhǔn)確率也是非常重要的。把現(xiàn)代信號處理理論和技術(shù)引入到設(shè)備管理和設(shè)備故障診斷當(dāng)中是一種有效的方法。常用的信號模型有小波變換、相關(guān)函數(shù)、頻譜自回歸滑動平均等等；從可測信號中提取出的特征值常用的有頻率、幅度、方差等。以信息處理技術(shù)為基礎(chǔ)，構(gòu)成了20世紀(jì)60年代到80年代設(shè)備故障診斷技術(shù)。階段三：從20世紀(jì)80年代中后期到90年代初期，故障診斷技術(shù)進(jìn)入了智能診斷的新時期。隨著科學(xué)技術(shù)的不斷發(fā)展，設(shè)備系統(tǒng)的規(guī)模日趨增大，復(fù)雜程度更加提高，生

38、產(chǎn)的效率與過去相比也是有質(zhì)的飛躍，利用專家人工分析判斷，對信號進(jìn)行處理已經(jīng)很難達(dá)到在線精確診斷的要求。這時出現(xiàn)的專家系統(tǒng)和人工神經(jīng)網(wǎng)絡(luò)技術(shù)在一定程度上滿足了上述的要求，值得一提的是，在某些方面專家診斷系統(tǒng)的診斷能力與精度已經(jīng)能夠與人類專家相媲美。但是，每種方法都有自身的局限性，同樣專家系統(tǒng)在知識獲取方面存在難題，所以不太可能獲得較完備的知識庫，這就可能使專家診斷系統(tǒng)不能進(jìn)行正確的推理，想要得到正確的結(jié)論就更無從談起。特定的專家系統(tǒng)的應(yīng)用圍很窄，只能解決專家知識領(lǐng)域圍的某些問題。專家系統(tǒng)推理方法通常推理速度較慢，效率較低。機器學(xué)習(xí)、數(shù)據(jù)挖掘等開始發(fā)展，已經(jīng)應(yīng)用到了實際工程當(dāng)中，使故障診斷技術(shù)智能

39、化的程度大為提高。由于智能診斷技術(shù)具有極強的實用性，它已成為當(dāng)今故障診斷領(lǐng)域的研究熱點之一。2.2.2故障診斷技術(shù)的發(fā)展趨勢早期的設(shè)備系統(tǒng)故障診斷，人們通常是采用由工作人員到現(xiàn)場拆卸機器的方法，用肉眼檢查故障的發(fā)生點，如果不能直接進(jìn)行檢查，則需用專門的儀器進(jìn)行參數(shù)測量，從而得到故障的現(xiàn)象與原因之間的聯(lián)系，形成專家經(jīng)驗，以此指導(dǎo)設(shè)備系統(tǒng)的修理與維護(hù)；后期提出了基于模型的故障診斷方法，通過觀測器的構(gòu)造，可以對系統(tǒng)的輸出值進(jìn)行估計，將估計值與測量值進(jìn)行比較，從而就能獲取故障信息；基于信號處理的故障診斷方法是一種利用觀測器信號的奇異性和信號頻率結(jié)構(gòu)的變化進(jìn)行故障診斷的方法。上述這些方法通常都有這樣或那

40、樣的缺點，主要有以下幾方面，比如系統(tǒng)的專家診斷模型難以建立、故障檢測系統(tǒng)不能通用、故障歷史數(shù)據(jù)得不到有效的利用、不能預(yù)測系統(tǒng)的故障等。這些方法往往無法應(yīng)對由設(shè)備系統(tǒng)的不斷復(fù)雜化帶來的故障多樣性、復(fù)雜性和隱蔽性等問題。在現(xiàn)代工業(yè)中，很多設(shè)備系統(tǒng)在運行時，其各個關(guān)鍵點的數(shù)據(jù)已經(jīng)通過數(shù)據(jù)采集系統(tǒng)采集到上位機上，這些數(shù)據(jù)以一定的時間間隔進(jìn)行采集，能夠較為精確地記錄各測量點數(shù)據(jù)的實時變化，各個采集點傳感器采集的指標(biāo)包括諸如壓力、溫度、加速度等物理量，這些采集點都是能夠體現(xiàn)出設(shè)備系統(tǒng)整體運行狀態(tài)的關(guān)鍵部位。關(guān)鍵點的數(shù)據(jù)都保存在過程歷史數(shù)據(jù)庫中，大多數(shù)沒有被充分利用，被人們所忽略，遺忘在數(shù)據(jù)庫的角落。然而這

41、些關(guān)鍵點數(shù)據(jù)就像是一個巨大的礦山，里面的許多寶藏可以再次被利用。例如，在對數(shù)據(jù)進(jìn)行簡單的分析后，可以發(fā)現(xiàn)某個關(guān)鍵點的參數(shù)在一定圍發(fā)生變化，就有可能引起某個故障的發(fā)生。由于關(guān)鍵點數(shù)據(jù)的變化總是和設(shè)備系統(tǒng)的故障存在某種關(guān)聯(lián)關(guān)系，通過長期的經(jīng)驗總結(jié)，專家也可以得到一些規(guī)則，但由于這些規(guī)則具有很強的主觀性，不同的專家可能會得到各不一樣的規(guī)則，同時這種專家系統(tǒng)的通用性很差，其他人很難對這些規(guī)則進(jìn)行應(yīng)用。因此，研究一種能以客觀的方式獲取故障判定規(guī)則的技術(shù)就勢在必行。綜合我們所面臨問題的特點，智能診斷技術(shù)十分符合現(xiàn)實的需要，它可以客觀地挖掘出歷史數(shù)據(jù)庫中潛在的故障規(guī)則，這些規(guī)則能更好地指導(dǎo)故障的定位與檢修，

42、并對潛在的故障做出預(yù)測。隨著數(shù)據(jù)的不斷增長，如何能自動獲取知識已經(jīng)成為故障診斷技術(shù)發(fā)展的主要制約條件，而智能診斷技術(shù)為解決這個“瓶頸”問題提供了一條有效的途徑。2.3設(shè)備故障診斷的方法分類現(xiàn)階段機械設(shè)備故障診斷的方法大致可以歸納為三種類別：基于專家系統(tǒng)的診斷、基于特征信號數(shù)據(jù)處理的診斷、基于智能算法模型的診斷。基于專家系統(tǒng)的診斷的方法，它把機械設(shè)備故障的信息進(jìn)行收集整理到數(shù)據(jù)庫中，充分利用專家的經(jīng)驗知識對帶負(fù)荷工作的機械設(shè)備進(jìn)行故障檢測，從而確定機械設(shè)備的運行狀況。特征信號處理技術(shù)是事先從多種角度對機械設(shè)備的故障信息進(jìn)行采集提取，分析信號與機械故障之間的因果關(guān)系，在充分掌握這些信號故障特征的基

43、礎(chǔ)上，對現(xiàn)有的機械設(shè)備進(jìn)行信號提取，觀測判斷被檢測設(shè)備的故障狀態(tài)。關(guān)于智能數(shù)學(xué)模型的診斷方法是為機械設(shè)備故障數(shù)據(jù)建立精確的數(shù)學(xué)模型，通過對歷史數(shù)據(jù)的分析研究，擬合出適合準(zhǔn)確進(jìn)行故障診斷數(shù)學(xué)模型參數(shù)。如神經(jīng)網(wǎng)絡(luò)就具有很強的自我學(xué)習(xí)能力以與擬合出任意連續(xù)非線性函數(shù)的能力，并且可以進(jìn)行并行處理，這些優(yōu)勢使得數(shù)學(xué)模型在處理故障診斷中的一些非線性問題具有很好的效果。本文以第三類故障診斷方法為主要研究方向，較為深入的研究以支持向量機數(shù)學(xué)模型為代表的一類故障模式識別方法在感應(yīng)電動機系統(tǒng)故障診斷中的應(yīng)用。機械設(shè)備故障診斷技術(shù)的過程為：運行設(shè)備檢測、特征信號提取、狀態(tài)分析。其中最關(guān)鍵的問題在于機械設(shè)備故障的特征

44、信號的提取，提取的有效性直接關(guān)系著機械設(shè)備故障診斷的準(zhǔn)確性以與早期故障的預(yù)警預(yù)防工作。機械設(shè)備的故障特征通過檢測出來的信號反映，但信號的提取工作有很多阻力，如早期故障的信號一般比較弱，往往被正常狀態(tài)下的信號所掩蓋，不能非常強的反映出來，需要通過特殊處理才能提取出來。機械設(shè)備故障診斷成為企業(yè)必須努力研究開展的工作之一，正式企業(yè)的重視程度，使得故障診斷的技術(shù)不斷革新，同時也促進(jìn)了機械設(shè)備故障的維修方式。隨著機械設(shè)備故障診斷技術(shù)的發(fā)展，企業(yè)從中獲得了不可估量的效益，在促進(jìn)企業(yè)發(fā)展的同時也提高機械設(shè)備的管理水平，機械設(shè)備的管理以與維護(hù)成為了工礦企業(yè)進(jìn)行生產(chǎn)活動的一個必要工作。機械設(shè)備的管理以與維護(hù)已經(jīng)

45、擁有了較為完整的體制，主要有事后維修、故障預(yù)測維修以與故障預(yù)防維修。2.4感應(yīng)電動機常見故障研究2.4.1感應(yīng)電動機的常見故障感應(yīng)電動機的故障依據(jù)故障性質(zhì)分類可以分成電氣性故障和機械性故障兩類:電氣性故障主要包括轉(zhuǎn)子斷條故障和定子繞組故障;機械性故障則包括氣隙偏心故障和軸承故障。下面則分別介紹各種常見故障，其中著重介紹轉(zhuǎn)子斷條故障和軸承故障。（1）轉(zhuǎn)子斷條故障轉(zhuǎn)子斷條故障主要有斷條脫焊和斷裂以與端環(huán)的損壞，約占感應(yīng)電動機故障種類的10%左右。產(chǎn)生這些故障的原因既有可能是制造工藝等因，也有可能是工作環(huán)境惡劣、電機起動頻繁等外因。在實際應(yīng)用中，制造工藝受廠家技術(shù)水平的制約，而工作條件和頻繁起動又是

46、實際應(yīng)用所需。因此轉(zhuǎn)子斷條故障是難以避免的。轉(zhuǎn)子斷條故障又可分為輕微故障和比較嚴(yán)重的故障。當(dāng)轉(zhuǎn)子斷條出現(xiàn)輕微故障時，一般只會引起感應(yīng)電動機在恒轉(zhuǎn)矩負(fù)載下的轉(zhuǎn)差率增大，并相應(yīng)地定子電流和輸入功率也會增加。當(dāng)轉(zhuǎn)子斷條出現(xiàn)比較嚴(yán)重的故障時，感應(yīng)電動機的起動時間會明顯延長，甚至?xí)饎硬黄饋?。如果不能與時的發(fā)現(xiàn)轉(zhuǎn)子斷條故障并對其采取措施，則將會造成更嚴(yán)重的故障，如斷條斷裂有可能會引起相鄰斷條連續(xù)發(fā)生斷裂。并且斷裂的斷條在告訴運轉(zhuǎn)的情況下有可能和定子繞組產(chǎn)生劃擦，造成掃膛故障，從而使定子絕緣損壞，造成定子繞組故障。（2）軸承故障感應(yīng)電動機軸承故障是造成電動機故障的主要原因之一，其故障率約占感應(yīng)電動機故障的

47、40%。軸承是感應(yīng)電動機中工作條件最為惡劣的部件之一，它的作用是承受載荷和傳遞載荷。軸承能否正常運行直接影響到整臺機器的性能。造成軸承故障的原因主要有：負(fù)載過重、潤滑不良、義務(wù)進(jìn)入、軸電流等。軸承故障又可分為表面損傷類故障和磨損類故障。其中表面損傷類故障主要包括點蝕、擦傷、剝落等。磨損類故障則是軸承使用過程中不可避免會出現(xiàn)的一類故障。軸承故障將會引起感應(yīng)電動機的異常振動。（3）氣隙偏心故障生產(chǎn)或裝配不正確，軸承彎曲，軸承磨損與電動機轉(zhuǎn)速太高等原因都有可能會導(dǎo)致產(chǎn)生氣隙偏心故障。氣隙偏心可以分為靜態(tài)偏心和動態(tài)偏心兩種。靜態(tài)偏心是指定轉(zhuǎn)子氣隙之間的最小氣隙在空間分布上是靜止的，一般是由定轉(zhuǎn)子鐵心橢

48、圓、不同心和安裝等因素造成的。動態(tài)偏心是指當(dāng)轉(zhuǎn)子旋轉(zhuǎn)中心和轉(zhuǎn)子質(zhì)心不同心時引起的，是時間和空間的函數(shù)。轉(zhuǎn)抽彎曲、安裝不同心、軸承磨損等因素均能造成動態(tài)偏心故障。（4）定子繞組故障定子繞組故障主要有以下三種：主絕緣、匝間絕緣損壞和線圈燒損。產(chǎn)生故障的原因主要是外界因素，如通風(fēng)冷卻不好、油或水蒸汽泄入部、操作不當(dāng)引起的過電流或過電壓、損壞絕緣等等。因此只要在電機的使用過程中改善工作條件，保證操作爭取，便可大大降低定子的故障率。尤其是近年來，感應(yīng)電動機定子繞組的設(shè)計和制造取得了很大進(jìn)步，定子繞組產(chǎn)生故障的幾率也隨之大大降低。定子繞組故障對感應(yīng)電動機的電、磁、熱、力都有較大影響。當(dāng)定子繞組短路匝數(shù)比較

49、少時，故障征兆不明顯。當(dāng)是由于短路處的溫度較高長期便會將周圍絕緣破壞，導(dǎo)致嚴(yán)重的匝間短路，甚至有可能造成相間短路、線圈和定子鐵芯的燒損、單相對地短路等故障。電動機故障檢測技術(shù)是設(shè)備檢測技術(shù)的一個部分。設(shè)備檢測技術(shù)是近年來興起的一門包含有很多新科技容的綜合性技術(shù)。其本質(zhì)是一個模式識別問題，首先判斷設(shè)備運行是否正常，進(jìn)而識別出設(shè)備或機器是否發(fā)生故障。它能實現(xiàn)設(shè)備在負(fù)荷運行時，或者基本上在不拆卸設(shè)備的情況下，通過對其狀態(tài)參數(shù)進(jìn)行檢測和分析，判定設(shè)備是否存在故障（即故障的位置和原因）、異常，并能對設(shè)備的未來狀態(tài)進(jìn)行預(yù)測。近年來，電動機檢測技術(shù)有了突飛猛進(jìn)的發(fā)展，其主要研究容包括以下兩個方面：第一個方面

50、是信號采集技術(shù)的研究，首先利用傳感器采集到能反映電動機運行工況的信號，這是第二個方面信號分析與處理技術(shù)的基礎(chǔ)，因為我們可以利用采集到的信號進(jìn)行融合和分析，從而達(dá)到對感應(yīng)電動機的故障進(jìn)行診斷的目的。第二個方面是信號分析與處理技術(shù)的研究，利用傳感器采集到的信號，含有大量的噪聲和短時沖擊成分，且此類型的信號是時變的，非平穩(wěn)的，直接對這種信號進(jìn)行頻譜分析，診斷精度太低，甚至不能檢測出電動機的故障，第二方面是電動機檢測技術(shù)的關(guān)鍵所在，也是電動機檢測技術(shù)研究的主要容。近來流行的小波分析，小波包分析，HHT(希爾伯特-黃變換)理論，可以對采集到的信號進(jìn)行濾波處理，提取故障特征頻率，從而達(dá)到診斷出電動機故障的

51、目的。小波分析具有良好的時間局部特性和頻率局部特性，它不僅可以用來分析平穩(wěn)信號，還可以用來分析非平穩(wěn)信號。小波包分析具有優(yōu)良的時頻分析能力和多分辨分析的能力，即它能對頻帶進(jìn)行多層次劃分，它不僅可以分析信號的整體特性，還能提取出信號的非平穩(wěn)，短時沖擊成分故障特征頻率分量。HHT（希爾伯特-黃變換）理論最重要，最核心的一步是EMD分解，如果信號中包含有某種特征，通過EMD使特征突出或特征分離，這是基于EMD提取故障特征的基本思路。2.4.2感應(yīng)電動機轉(zhuǎn)子斷條故障研究現(xiàn)狀當(dāng)感應(yīng)電動機發(fā)生轉(zhuǎn)子斷條故障時，其定子相電流中會出現(xiàn)頻率的電流分量。該電流分量可以作為感應(yīng)電動機轉(zhuǎn)子斷條故障的特征量。最初的轉(zhuǎn)子斷

52、條故障診斷方法是以傅立葉變換作為其理論基礎(chǔ)，即對穩(wěn)態(tài)定子電流信號直接進(jìn)行頻譜分析，從頻譜中是否存在頻率分量去診斷轉(zhuǎn)子有無斷條故障。實測結(jié)果證明，這種方法是行之有效的。但是，當(dāng)轉(zhuǎn)子輕微斷條時，相對于分量的電流幅值，分量的電流幅值很小。同時，感應(yīng)電動機運行時轉(zhuǎn)差率s很小，使得與這兩個頻率分量非常接近。因此，用FFT直接作頻譜分析時，由于柵欄效應(yīng)，分量常常會因分量的泄漏而被淹沒，從而使檢測頻率分量是否存在變得極度困難。復(fù)小波變換，自適應(yīng)濾波，Hilbert模量頻譜分析方法，連續(xù)細(xì)化Fourier的分析方法，小波包結(jié)合FFT的分析方法，Park變換的分析方法，雙PQ變換的分析方法,小波變換和Hilbe

53、rt模量結(jié)合Duffing振子的分析方法可以有效的解決這一問題。文獻(xiàn)23在動態(tài)系統(tǒng)的故障檢測與診斷方法中提出了利用復(fù)小波變換，從感應(yīng)電動機啟動過程時的定子電流中提取故障特征分量。文獻(xiàn)24提出了自適應(yīng)濾波方法，首先對定子電流信號采用自適應(yīng)濾波處理，然后再進(jìn)行快速傅里葉分析。該方法將抵消定子電流信號中的頻率分量，突出頻率分量。但是，該方法有一定的局限性，僅在電動機拖動平穩(wěn)負(fù)荷的工作情況下適用。文獻(xiàn)25提出了Hilbert模量頻譜分析方法，首先構(gòu)造出定子電流信號的Hilbert模量，然后對其Hilbert模量進(jìn)行頻譜分析，并根據(jù)頻譜中是否存在頻率成分轉(zhuǎn)子斷條故障特征量去判斷轉(zhuǎn)子有無斷條。該方法將頻率

54、分量轉(zhuǎn)化成直流分量，將頻率成分轉(zhuǎn)化成頻率成分，突出了故障特征量，但是，它也有一定的局限性，當(dāng)感應(yīng)電動機拖動負(fù)荷波動較大時，仍然有可能產(chǎn)生誤判。文獻(xiàn)26中提出了用連續(xù)細(xì)化Fourier的分析方法，在頻譜圖上突出斷條故障特征分量，取得了較為滿意的效果，不過，由于電動機的轉(zhuǎn)差率經(jīng)常處于變化之中，突顯出來的分量是否就是轉(zhuǎn)子斷條故障特征分量還有待進(jìn)一步考證后，才能對感應(yīng)電動機轉(zhuǎn)子是否斷條作出正確的判斷。文獻(xiàn)27提出了利用小波包結(jié)合FFT的分析方法，首先對電動機的定子電流信號進(jìn)行小波包分解，提取能夠反映電動機轉(zhuǎn)子斷條故障的節(jié)點的小波包分解系數(shù)；其次重構(gòu)此節(jié)點的小波包的分解系數(shù)；然后對此節(jié)點的重構(gòu)系數(shù)進(jìn)行F

55、FT變換，提取轉(zhuǎn)子斷條的故障特征頻率，從而達(dá)到診斷感應(yīng)電動機轉(zhuǎn)子斷條故障的目的。文獻(xiàn)28提出了Park變換的分析方法，首先對感應(yīng)電動機的定子電流信號進(jìn)行Park變換，如果電動機是正常運行的，則其定子電流信號經(jīng)Park變換后在dq坐標(biāo)系中是一個圓，若電動機出現(xiàn)轉(zhuǎn)子斷條故障，則其定子電流信號經(jīng)Park變換后在dq坐標(biāo)系中是一個“畸變”圓。文獻(xiàn)29提出了雙PQ變換的分析方法，對感應(yīng)電動機的定子三相電流進(jìn)行PQ變換，若電動機是正常運行的，則其定子三相電流經(jīng)PQ變換后，對應(yīng)于PQ坐標(biāo)系下的一個點，如果電動機發(fā)生轉(zhuǎn)子斷條故障，則其定子三相電流經(jīng)PQ變換后，對應(yīng)于PQ坐標(biāo)系下的一個橢圓。文獻(xiàn)30提出了Hil

56、bert模量結(jié)合Duffing振子的分析方法，首先對感應(yīng)電動機的定子電流信號進(jìn)行小波變換，判斷電動機是否發(fā)生負(fù)荷波動，若電動機沒有發(fā)生負(fù)荷波動，則構(gòu)造其定子電流信號的Hilbert模量，然后用雙Hilbert變換濾除其Hilbert模量中的直流分量，若電動機發(fā)生轉(zhuǎn)子斷條故障，則轉(zhuǎn)子斷條故障特征分量會使Duffing振子發(fā)生間歇混沌運動。2.4.3感應(yīng)電動機的軸承故障研究現(xiàn)狀感應(yīng)電動機的軸承故障檢測根據(jù)檢測的狀態(tài)量可以分為：噪聲法，油樣分析法，溫度法，振動信號分析法。噪聲法是工程人員利用聽音棒，電子聽音器等設(shè)備，通過軸承的聲音來判斷軸承是否發(fā)生故障，此種方法依靠的是工程人員的主觀判斷，故靈敏度不

57、高，可靠性較低。油樣分析法是通過采集軸承使用過的潤滑油樣品，分析潤滑油樣品中金屬顆粒的含量，形狀和濃度，此種方法可以對軸承的早期故障做出初步判斷，需要結(jié)合其它的檢測方法，對軸承作出進(jìn)一步的診斷。溫度法是通過溫度計來測量箱體處或軸承座的溫度或溫升來診斷軸承是否正常運行，此種方法操作簡單，但是只有當(dāng)軸承的故障累積到一定程度，箱體處或軸承座有顯著的溫度變化，即是有顯著的溫升，才能檢測出軸承是否發(fā)生故障，所以溫度法不能用來檢測軸承的早期故障，有一定的局限性。振動信號分析法式通過壓電傳感器提取滾動軸承的振動信號，通過信號處理與分析技術(shù)，提取軸承振動信號的故障特征頻率，振動信號攜帶了大量的狀態(tài)信息，并且用

58、于分析和處理振動信號的方法很多，因此此種方法不僅可以檢測出軸承的異常，還能診斷出軸承的早期故障，是使用最廣泛，最有效的方法之一?；贓MD時頻分析方法，基于EMD和Hilbert包絡(luò)譜的分析方法，基于EMD和小波包的分析方法,基于Hilbert_Huang變換的分析方法都是振動信號分析法。牛發(fā)亮等學(xué)者提出了基于EMD的時頻分析方法，對感應(yīng)電動機的軸承故障進(jìn)行診斷，首先對采集到的滾動軸承的振動信號進(jìn)行EMD分解，選擇那些能夠反映軸承故障特征的IMF，并對這些IMF進(jìn)行Hilbert邊際譜分析，提取軸承故障的特征頻率，從而達(dá)到診斷出電動機軸承故障的目的。苗鋒學(xué)者提出了基于EMD和Hilbert包絡(luò)

59、譜的分析方法，對電動機的滾動軸承的振動信號進(jìn)行EMD分解，對得到的本征模函數(shù)，求其Hilbert包絡(luò)譜，因此能夠得到電動機滾動軸承的故障特征頻率。建元學(xué)者提出了基于EMD和小波包的分析方法，首先對感應(yīng)電動機的滾動軸承的振動信號進(jìn)行EMD分解，對低階的IMF進(jìn)行小波包分解，因為低階的IMF包含有完整的滾動軸承的故障信息。對得到的小波包節(jié)點進(jìn)行分析，就能提取出滾動軸承的故障特征頻率。J.A.Antonino-Daviu等學(xué)者提出了基于Hilbert_Huang變換的分析方法，Hilbert_Huang變換對于分析振動信號尤其適用，因為滾動軸承的故障信號是非平穩(wěn)的，包含有很多短時沖擊成分，所以需要從

60、時域和頻域兩個方面加以分析，而Hilbert_Huang變換是一種優(yōu)良的時頻分析方法。此種方法是對電動機滾動軸承的振動信號進(jìn)行EMD分解，求其IMF的邊際譜，得到滾動軸承的故障特征頻率，通過提取的滾動軸承的故障特征頻率就能診斷出，軸承發(fā)生了何種類型的故障。2.5感應(yīng)電機常見故障診斷技術(shù)研究2.5.1現(xiàn)代故障診斷技術(shù)1.貝葉斯法貝葉斯(Bayes)法是一種基于概率統(tǒng)計的診斷方法，它的基礎(chǔ)是概率密度函數(shù)，通過與故障信息的綜合來描述設(shè)備系統(tǒng)的運行狀態(tài)，從而進(jìn)行故障診斷分析。診斷推理過程包括兩個部分：(1)先驗概率估計；(2)后驗概率計算。設(shè)備系統(tǒng)的運行過程是典型的隨機過程，出現(xiàn)故障的概率通常是可以估