船舶异步电机远程故障诊断技术的研究

论文摘要

异步电机是船舶动力及电力系统的重要支撑设备。当电机出现严重故障无法工作时,会相应地造成动力和电力系统的运行中止,直接威胁船舶航行的安全。为了对电机实现及时的维修及保养,建立异步电机的远程故障诊断系统,准确及时地实现电机的故障诊断是保证船舶安全航行的关键技术。首先分析了基于互联网的远程故障诊断系统的体系结构及数据处理技术的特点,结合船舶设备的现状,设计了基于卫星通讯的船舶远程故障诊断系统的混合结构方案。采用基于网页的浏览器/服务器结构实现在线故障诊断,基于电子邮件的客户端/服务器结构实现离线故障诊断。通过比较分析现有的几种电机故障诊断方法的特点,选择采用具有非侵入式测量特点的电流特征分析法来提取电机的故障特征。分析了船舶异步电机远程故障诊断过程中的短数据长度及非同步采样对频谱估计结果所造成的影响,同时考虑到船舶特殊运行环境下采样数据中包含的强噪声背景,以及早期故障特征频率较低功率谱的特点,分别研究了三种常用频谱估计方法在频率分辨过程中的特点。提出了采用多窗谱分析实现电机早期故障的检测方法。研究了多窗谱分析法在频率分辨率与方差间的权衡问题,并确定了适用于远程故障诊断的最佳权衡值;针对频谱估计结果中的特征频率根部的泄漏问题,确定了以数据窗的能量作为选择依据的方式,消除了特征频率的根部泄漏,使特征频率易于识别。通过对实测故障数据的应用分析,并与三种常用频谱估计方法的应用结果相比较,验证了多窗谱分析方法具有稳定的频率分辨能力及较好的抗噪性能。针对电机进入故障明显期的分类问题,提出了基于小波包变换的特征频率信息提取及分类方法。研究了电机负荷波动对分解系数的影响,以及小波包分解过程中基波泄漏到其他频率段的问题,通过仿真验证了采用希尔伯特变换对原始信号进行预处理的方法,可以较好地解决了分解系数变化及基波泄漏问题;研究了小波包分解子频段的频率分析范围,并与电流特征频率相对应;针对电流特征频率之间相隔25Hz的特点,考虑电机运行参数的影响,故障特征频率会出现最多十几赫兹的负偏差,提出对采样率为3200赫兹的原始信号进行6层小波包分解,使得每隔25赫兹的子频段宽度内可以覆盖一个特征频率,从而解决了电机运行参数的不确定性问题。研究了小波包分解子频段的频域混叠问题,通过仿真验证了对于小波增加其波峰数的方法可部分地减少混叠及频谱泄漏现象。通过比较节点以及节点重构系数的特点,采用子频段节点重构系数的均方根值变化率作为表征电机故障的特征指标。通过对实测故障数据的应用,验证了基于小波包变换的故障特征提取及分类方法的有效性。针对远程故障诊断系统中逐渐积累的故障特征指标,提出了采用自组织特征映射网络以及粗糙集理论相结合的分类方法。研究了连续属性值的聚类量化算法,选择一次函数型学习速率实现网络学习过程中较慢的收敛速度,采用高斯函数作为近邻函数实现训练过程中邻域的改变。在构建输入样本时,利用相邻子频段的均方根值变化率组成一组学习样本的方法,减少了子频段之间混叠问题对于聚类结果的影响。利用粗糙集理论建立可分辨矩阵,并从中提取诊断规则。在实测故障数据的应用中验证了该方法的可行性。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 课题研究背景
• 1.2 远程故障诊断的意义
• 1.3 远程故障诊断系统的发展状况
• 1.4 故障诊断技术及应用特点
• 1.5 本文研究内容
• 第2章 基于卫星通讯的船舶远程故障诊断系统结构的研究
• 2.1 远程故障诊断系统的基本框架
• 2.1.1 基于C/S（Client/Server）的体系结构
• 2.1.2 基于B/S（Browser/Server）的体系结构
• 2.1.3 多层混合模式的体系结构
• 2.2 远程故障诊断系统的网络数据处理技术
• 2.3 船舶远程故障诊断系统的基本结构框架
• 2.4 本章小结
• 第3章 异步电机的故障诊断技术
• 3.1 异步电机的故障诊断技术
• 3.1.1 基于参数辨识的方法
• 3.1.2 振动诊断方法
• 3.1.3 温度监测诊断方法
• 3.1.4 气隙转矩分析法
• 3.1.5 瞬时功率分析法
• 3.1.6 PARK空间矢量方法
• 3.1.7 MCSA定子电流特征分析方法
• 3.1.8 基于多传感器的数据融合方法
• 3.2 本研究采用的故障特征量
• 3.3 基于MCSA方法的电机故障特征频率
• 3.4 本章小结
• 第4章 基于多窗谱分析的电机早期故障检测方法
• 4.1 傅立叶变换
• 4.1.1 傅立叶级数与傅立叶变换
• 4.1.2 短时傅立叶变换
• 4.1.3 快速傅立叶变换
• 4.2 远程故障诊断数据序列的特点
• 4.3 基于希尔伯特变换的定子电流包络提取
• 4.3.1 希尔伯特变换
• 4.3.2 转子断条故障的电流包络信号分析
• 4.3.3 定子电流与其包络信号的频谱比较分析
• 4.4 基于功率谱估计的定子电流特征频率的提取
• 4.4.1 经典谱估计法
• 4.4.2 改进的周期图法-Welch法
• 4.4.3 现代谱估计法
• 4.4.4 参数模型法
• 4.4.5 非参数模型法
• 4.5 基于多窗谱分析的定子电流特征频率的提取
• 4.5.1 多窗谱分析法的基本思想
• 4.5.2 数据窗（Taper）
• 4.5.3 Slepian数据窗
• 4.5.4 多窗谱分析法（MTM）
• 4.5.5 多窗谱分析法在强噪声环境下的频率识别
• 4.5.6 多窗谱分析法在短数据、非同步情况下的频率识别
• 4.5.7 多窗谱分析法在定子故障及轴承故障情况下的应用
• 4.6 本章小结
• 第5章 基于小波包变换的电机故障特征提取方法
• 5.1 小波与小波包变换
• 5.1.1 连续小波变换
• 5.1.2 离散小波变换
• 5.1.3 多分辨率分析
• 5.1.4 小波包变换
• 5.2 基于小波包变换的定子电流频窗分解
• 5.2.1 定子电流的频域分解方法
• 5.2.2 定子电流的小波包分解方法
• 5.2.3 小波包分解子频段的频率分析范围
• 5.3 小波包子频段的分解处理
• 5.3.1 小波包分解子频段间混叠及频谱泄漏的抑制
• 5.3.2 电机负荷波动对分解系数的影响及抑制
• 5.3.3 小波包分解系数的暂态现象消除
• 5.3.4 小波包分解系数的均方根值
• 5.4 本章小结
• 第6章 故障特征的聚类及诊断规则的建立
• 6.1 基于自组织特征映射网络的连续属性值聚类
• 6.1.1 自组织特征映射网络
• 6.1.2 SOFM的学习算法
• 6.1.3 SOFM的学习速率及近邻函数的确定
• 6.2 基于粗糙集的信息约简及诊断规则的建立
• 6.2.1 粗糙集理论
• 6.2.2 粗糙集的信息约简
• 6.2.3 可分辨矩阵的建立
• 6.2.4 诊断规则的获取及修正
• 6.2.5 基于粗糙集理论的电机诊断规则的建立
• 6.3 本章小结
• 结论
• 参考文献
• 攻读学位期间公开发表论文
• 致谢
• 研究生履历