李平的开题报告

基于信息融合技术的电机故障诊断研究立论依据研究意义电机作为拖动系统中的重要组成部分在国民经济中占有举足轻重的地位，它是当今用于驱动各种机械和工业设备的最主要装置，广泛应用于驱动机床、水泵、鼓风机、压缩机、起重卷扬设备、矿山设备等，几乎渗透到了各行各业。在发达国家中三相电机所消耗的能量已占到全部发电量的一半以上，在中国，电机的用电量约占总负荷的60%之多。电机故障不但损坏异步电机本身，而且影响生产的安全平稳。对电机进行状态监测与故障诊断，可及时处理和排除故障，减少不必要的经济损失。电机系统中包含多个子系统：电路系统、磁路系统、绝缘系统、机械系统和通风散热系统等，且各子系统间相互影响，关系复杂。所以，电机故障的起因和故障征兆往往表现出多元性。一类故障源可诱发多种故障征兆（一因多果），比如，电机转子发生导条断裂时，就会出现振动增加、启动时间延长、定子电流摆动、转差率增大、转速和转矩波动、温升增高等故障征兆，而且它们往往都是相关联的。另外，多类故障可能同时反映一个故障征兆（多因一果），比如，电机振动增加，除了可能是转子断条故障之外，还有可能是由定子绕组匝间短路、定子端部绕组松动、机座安装不当、铁心松动、转子偏心、定转子相擦、轴承损坏等故障引起。还可能出现多类故障表现为多种故障征兆相互交叉耦合的现象（多因多果）。因此，电机故障具有故障复杂、故障模糊、故障相关、多故障并发等特点。电机故障诊断的过程是一个信号检测、信号处理与分析、模式识别的过程，电机各构件之间及构件内部都存在很多错综复杂、关联藕合的相互关系，不确定性因素充斥其间，这必然导致故障诊断准确率的降低，甚至出现漏检和误诊断现象。因此，在电机故障诊断过程中，电机故障的非线性性和诊断过程的不确定性是需要我们着重考虑的问题。所以，如何针对这两点有效开展基于信息融合的电机故障诊断方法研究具有重要的意义。国内外研究现状电机状态检测的概念首先是由TavnerP.J.与PenmanJ.于1987年提出来的[1]。随后由于70-80年代电子技术的兴起，尤其是计算机技术的发展，为电机故障诊断技术提供了必要的技术支持，电机故障诊断技术才真正得以迅速发展[2-3]。我国对电机设备故障诊断技术的重要性也早已认识，60年代就提出过不少带电试验的方法，但由于操作复杂，测量结果分散性大而未得到推广。直到80年代开始出现电机设备故障在线诊断技术的研究，在近20多年来得到迅猛发展。到目前为止，电机故障诊断技术都是基于某个确定的参数进行的，这些参数包括与电机相关的各种能够携带故障特征的可以监测到的参数，如定子电流、振动、温度、噪声、润滑油成份等。根据所选取的特征量，电机故障诊断的方法可以分为定子电流信号法、振动监测法、瞬时功率法、转矩法、失电残压法等，在得到上述信号后，多采用专家系统、神经网络、小波分析等方法进行电机故障特征提取和故障诊断。就目前电机故障诊断中所选取的特征量而言，应用最多的是定子电流信号和振动信号。国内外学者基于这两者，在电机故障诊断方面已经作了很多研究。定子电流信号：王新等利用小波包对电机电流信号进行细致分解，从分解系数上准确找到故障信号所在节点，对该节点进行重构得到要分析的信号，然后采用自适应陷波器去除工频的干扰,提取故障特征量［4］。刘振兴等针对调速过程中常见的恒加速和恒减速运行模式，提出了采用HHT（Hilbert-Huang变换）方法识别运行模式、利用广义Fourier变换进行时频转换的故障诊断方法，可将线调频的电源信号转换为新的时频域的恒频信号［5］。阳同光等提出一种基于反向粒子群优化算法感应电机转子故障诊断方法。将转子磁链误差作为粒子群的适应度函数，通过反向粒子群优化算法自适应调整转子磁链电流模型的参数，辨识故障状态下感应电机的转子电阻［6］。王旭红等针对异步电机转子断条故障时定子电流出现的边频分量进行小波包分析，提取动态条件下各频带能量作为故障特征向量，削弱了负载变化及噪声对诊断准确性的影响［7］。振动信号：王红君等提出一种基于小波分析和神经网络的电机故障诊断方法，该方法采用小波时频分析技术对电机故障振动信号进行消噪滤波,通过小波包分解系数求取频带能量，根据各个频带能量的变化提取故障特征，应用BP神经网络进行故障识别［8］。满红等针对异步电机早期定子故障诊断,根据电机定子故障的特点，对电机振动信号进行监测，诊断其定子故障［9］。向东阳等通过振动信号同时诊断电机定子相间短路和轴承外滚道缺损的复合故障［10］。其他：瞬时功率法：刘振兴等介绍了一种基于瞬时功率频谱分析的鼠笼式异步电动机转子故障监测与诊断方法。采集定子某两个端子之间的线电压和对应的线电流,由二者的乘积即可构成瞬时功率信号［11］。紧接着，他又提出了以平均瞬时功率为监测量进行鼠笼式异步电动机转子复合故障的监测与诊断方法。该方法不需要已知电动机的定/转子参数，可以实现复合故障的准确分离［12］。转矩法：BumettR利用电动机的电磁扭矩来监测电机故障［13］。失电残压法：马宏忠等对利用失电残余电压诊断异步电机转子绕组故障进行研究［14］。从上面的电机故障诊断方法可以看出，现在电机故障诊断技术大部分都是基于单个参数进行的，但是基于单参数的电机故障诊断也有一定的缺陷。电机是一个由多个系统构成的耦合系统，各个子系统之间相互关联，相互影响。而且电机故障受运行环境等诸多不定因素的影响，利用单个信息只能判断异步电动机系统可能在某些方面有故障征兆，结论具有一定的不确定性，特别是异步电动机在早期有劣化迹象时，各个方面的表现都比较弱，更难以准确诊断故障。例如单独利用电流信号的方法，当电机空载或轻载时，由于(1-2s)f频率分量的幅值相对基频分量的幅值较小，易受基频泄露的影响而被淹没,同时该特征频率受转速波动影响很大，单纯根据该特征频率对转子状态作出判断缺乏准确性。单独利用振动信号的方法，由于振动信号往往是由多个信号混叠在一起的，所检测的信号必然会有其他信号的干扰，给故障特征识别与诊断带来困难［15］。针对这种情况，近年来有的学者展开了基于信息融合技术的电机故障诊断方法研究。杨伟等提取故障电机的状态特征量，并将其按时域、频域、奇异值分解为多个子参数空间。在此基础上，采用并行BP神经网络及模糊聚类系统对电机故障进行局部诊断。将每个局部诊断结果作为独立的证据体，构造相应的信度分配函数。结合电机故障的信息融合诊断模型，将基于D-S证据理论的决策融合的方法应用于电机故障诊断［16］。付华等对振动信号的三类故障特征进行信息融合，实现对异步电动机的故障诊断［17］。田慕琴等提出了一种基于信息融合的异步电动机故障迹象智能预测系统的设计方案［18］。韩丽等提出了一种采用异步电动机定子电流、径向(轴向)振动信号等多信息融合的故障诊断方法。对测量的各种信号进行小波分析，利用各个频段的信号能量作为故障特征值.采用D-S证据理论融合各个信息,针对证据理论无法融合高冲突证据的缺陷，引入先验知识对其进行了改进，提高了电机故障诊断准确率［19］。程珩等通过振动和电流传感器综合采集异步电机运行时的各个状态参数，运用并行BP子神经网络对异步电机进彳亍局部诊断，再用D-S证据理论对局部诊断的结果进行全局融合，实现对异步电机的准确诊断［20］。林波等通过电流、温度和振动传感器进行监测，进行多传感器信息融合实现对电机故障的诊断［21］。焦露琴等分别从定子电流信号和振动信号中提取转子断条故障的特征信息，利用SVM对异步电动机的状态进行模式识别,并将识别结果形成彼此独立的证据，而后根据D-S证据融合规则进行融合处理,从而实现对异步电动机转子断条故障的准确识别[22]。虽然数据融合技术的应用对弥补基于单参数的电机故障诊断的缺陷有很大帮助，但现在的基于信息融合技术的电机故障诊断方法研究还处在起步阶段，还有许多不足。信息融合是基于多参数的融合，但是相关参数间的具体联系并没有系统的分析。⑵信息融合在电机故障诊断领域的研究偏重于具体方法的应用，是从实验而不是从电机故障系统自身特点的角度去研究的，缺乏理论体系的支持。⑶基于信息融合的电机故障诊断大部分是先通过神经网络进行局部决策，然后通过决策融合方法来进行决策融合。但是基于神经网络的局部决策往往需要大量的电机故障样本，这在实际故障诊断中是难以实现的，而且神经网络收敛速度较慢，缺乏电机故障诊断的时效性。(4)缺乏对数据融合方法的有效结合和相关算法的研究。参考文献：Bellini,F.Filippetti,GFranceschini,C.Tassoni,GB.Kliman.Quantitativeevaluationofinductionmotorbrokenbarsbymeansofelectricsignalssignatures[J].IEEETransactionsonIndustryApplications,vol.37,No.5,Sept/Oct2001,pp.1248-1255.沈标正，电机故障诊断技术[M],北京:机械工业出版社.Tavner,R.J.andJ.Penman，ConditionMonitoringofEleetriealMaehines.1987:JohnWileyandSonS.王新,张冬霞，基于小波包-陷波器的电机断条故障诊断的仿真[J].河南理工大学学报(自然科学版),2010,6(29),780-783.刘振兴，李月棠，张文蓉，张雄希，基于HHT和广义Fourier变换变频调速异步电动机故障诊断[J]，同济大学学报(自然科学版)，2010,12(38),1832-1835阳同光，蒋新华，基于粒子群优化算法电机转子故障诊断研究[J],计算机工程与应用,2011,47(1),215-216王旭红，何怡刚，基于小波包和Elman神经网络的异步电机转子断条故障诊断方法[J],湖南大学学报(自然科学版),2010,5,(37),45-48.王红君，刘冬生，岳有军，基于小波分析和神经网络的电机故障诊断方法研究[J] ,电气传动,2010,3(40),69-73.满红,贾世杰，基于小波分析和神经网络的异步电机早期故障诊断[J]，大连交通大学学报，2011,3(32),80-83.向东阳，吴正国,胡文彪，侯新国，盲信号处理在感应电动机复合故障诊断中的应用研究[J],电力系统保护与控制,2010,23(38),103-106.刘振兴，尹项根，张哲，刘惠康，基于瞬时功率信号频谱分析的鼠笼式异步电动机转子故障在线诊断方法[J],中国电机工程学报,2003,10刘振兴，尹项根,张哲，鼠笼式异步电动机转子故障在线监测与诊断方法[J],电力自动化设备,2004,01BurnettR,WatsonJF,ElderS.Applicationofmodernsignalprocessingtechniquesforuseinrotorfaultdetectionandlocationwithinthreephaseinductionmotors[C].IEEEProconIntegratingInstrumentationandControl1995:4262-431.马宏忠，李训铭,方瑞明，等.利用失电残余电压诊断异步电机转子绕组故障[J].中国电机工程学报,2004,24(7):183-187.陈卫文，方瑞明，异步电动机转子故障诊断方法[J],防爆电机,2006,6(41),39-42杨伟,顾明星，彭静萍，证据理论在电机故障诊断中的应用[J],电力系统保护与控制,2010,2(38),65-67.付华,冯爱伟，单亚峰,徐耀松,王传英，基于信息融合技术的电机故障诊断[J],辽宁工程技术大学学报,2006,4(25),549-552.田慕琴，刘志恒,海振宏,基于信息融合的异步电动机故障迹象智能预测系统的研究[几工矿自动化,2010,6,19-23.韩丽，史丽萍，基于信息融合技术的异步电机故障诊断研究[J],中国矿业大学学报,2010,2(39),178-184.程珩,陈法法,柴慧霞，数据融合技术在异步电机故障诊断中的应用[J],电气传动自动化,2008,2(30),34-36.林波,程珩,多传感器信息融合在电机绝缘故障诊断中的应用[J],机械工程与自动化,2007,2,106-108.焦露琴，姚奇，杨丽，基于SVM与D-S证据理论的异步电动机转子断条故障诊断方法[J],工矿自动化,2010,6,43-48.研究基础理论基础：本人在攻读硕士学位以来的一年多时间内，一直将学习的重点放在信号分析处理、信息融合、电机故障诊断技术上。对matlab，数据采集等软件有了一定的了解。同时进行了部分实验及数据处理