论文部分内容阅读
电机是工业生产中重要的动力设备,在国家安全、工业生产及国民生活等方面有着举足轻重的地位。近年来,电机因故障问题给国家和人民带来巨大经济损失的案例数不胜数。为减少电机故障引起的损失,保证工业动力系统稳定性,实现电机维修的经济性目的,研究和开发诊断电机故障的技术极具工程实际意义。电机故障部位繁多,常见的可归纳为定子、转子和轴承三类,尤其是轴承部分故障频发。通过对轴承结构及故障机理的分析,建立数学模型得到轴承故障频率结合振动信号进行分析。传统的频谱分析法对于具有平稳特点的原始信号比较有效,但是应用到电机故障诊断,却难以提取电机故障的特征分量。本文从热点信号处理理论——EMD分解对振动信号的分析入手,发现其结果出现模式混叠的问题;由此提出改进算法总体平均经验模式分解方式(EEMD),并且对近似熵理论进行了详细阐释,最后通过实验模拟对轴承正常状态和有不平衡故障状态下分别提取的振动信号进行EEMD分解,发现对不同IMF的近似熵值进行分析,能够获取导致故障形成的主要分量。虽然近似熵值的大小能衡量分量所表征的物理量的复杂程度,但不能准确分辨该故障分量属于何种故障模式,故本文引入支持向量机进行故障模式识别。文章具体分析研究了该新型方式下的模型选择和性能测试问题,针对本文的研究对象,决定优先采用多项式核函数的支持向量机进行分类。最后对中海油故障柴油机组进行现场诊断来验证该技术方案的可行性。首先布置多组传感器采样点,对采集到的原始振动信号进行EEMD处理,提取振动故障特征IMF分量,将前期采集的四种模式状态下的样本集对SVM分类器进行训练与测试,接着使用SVM来识别本次振动故障特征近似熵,最终准确识别出故障源头,取得了非常好的效果。由此可见,引入白噪声的EEMD方法处理故障信号,可有效消除模式混叠,获取清晰表征故障特征的向量,是一种新型高效的信号处理方式。支持向量机对故障近似熵进行准确识别,可实现对电机典型故障模式的诊断。