基于HHT和RBF神经网络的故障检测——第二篇论文读后感

故障诊断主要包括三部分：

　　1、故障信号检测方法（定子电流信号检测 [ 定子电流幅值和电流频谱 ] ，振动信号检测，温度信号检测，磁通检测法，绝缘检测法，噪声检测法）

　　2、故障信号的处理方法，即故障特征提取（FFT，Hilbert 变换，小波变换，Hilbert-Huang变换）。

　　3、故障识别技术

• 基于解析模型法（建立良好的电机模型并对隔状态参数进行估计，需要较好的专业知识）
• 基于人工智能法（基于专家系统：建立对比数据库；基于神经网络来做故障分类和识别；基于SVM，可处理分类时实现现有样本的最优解）

异步电动机构成：定子，转子，轴承，机座，扇叶和空气间隙

工作原理：通电流引起旋转磁场，旋转磁场和感应电流相互作用，形成电磁转矩，达成了从电能到机械能的转换。

故障类型：

　　1、定子部分故障（12.9%）

• 定子铁心短路与松动故障：（定、转子相互摩擦），会导致局部过热、空载电流过大、振动和噪声加强。
• 定子绕组短路故障：（负载过载，过压，欠压，绝缘材料有问题）,较高热量，短路电流，异常振动。
• 定子绕组接地故障：（绝缘线损坏，线圈直接与铁心或者机座相连）

　　2、转子部分故障（10%）

• 转子断条（电流增加而且不稳定，发热严重），产生原因：

　　电机启动时突然增加的电流和温度，受到冲击性负载，转子质量不好都会对转子有很大的冲击。

　　3、气隙偏心（原本定子和转子应是同心）

　　　这种状况会导致振动和噪声，严重的话会是定子和转子互相摩擦而导致电流过大，情况可分为：

• 静态偏心：制作不规范或者安装不到位
• 动态偏心：机械共振，轴承磨损或者移位

　　4、轴承故障

• 磨损（振动和噪声加大）
• 疲劳脱落（产生冲击载荷，振动和噪声也会加剧）
• 塑性变形（振动和噪声加剧）
• 腐蚀（电流通过引起电腐蚀，水分或化学液体引起的化学腐蚀）
• 断裂故障（安装不合理和工作中的热应力）
• 胶合（润滑不够或者高速重载）：温度会急速升高
• 保持架损坏

电流故障特征频率：

　　1、定子绕组匝间短路

　　其中f1为供电电源频率

　　2、转子断条故障

　　其中f为供电电源频率

　　3、气隙偏心

　　

　　4、轴承故障

　　
故障特征提取的方法：

　　1、基于窗口傅里叶变换

　　主要分为两步，第一步是在时间上加窗来截取时间段的信号，第二步是对截取后的信号进行傅里叶变换分析。

　　对于时域和频域来说，均有一个中心点，窗函数就是围绕中心点来添加一个矩形框。

　　参考链接：https://blog.csdn.net/yuejiang_li/article/details/78762201

　　其缺陷在于：窗函数选定之后局部分辨率也确定了，不能随着信号的变换更改分辨率，自适应性较差；他的时间分辨率和频率分辨率只能二选一，但是有些时候需要时间分辨率较高，有些时候需要频率分辨率较高，窗函数难以达到。

　　2、小波变换

　　参考链接：https://blog.csdn.net/cqfdcw/article/details/84995904

　　从上述可以看出，a控制位移，b控制伸缩。

　　当a变大时，时域观察范围变宽，频域观察会变窄，中心向低频移动；当a变小时，时域观察范围变窄，频域观察会变宽，中心向高频移动。对于陡峭和尖脉冲而言，变化迅速，需要良好的时间分辨率。对于低频段信号而言，变换缓慢，需要较好的频率分辨率。因此，小波变换适合非平稳信号，但是它的局限是只针对低频信号做分解。

　　由此引入了小波包分解，小波包可对低频和高频同时做分解，每次分解均会有小波系数，这些系数可用来做最后的小波重构。

　　小波变换的局限性有两个，第一个是小波基的选择对最后结果的影响比较大；第二个是基函数比较固定，选定之后无法根据信号调节。

　　3、Hilbert-Huang变换

基于EMD的HHT

　　上式可看出变换后幅值与瞬时频率均与时间有关，因此可得到频段中幅值的时频信息。

　　T为信号总长，边际谱反应的是每个频率的累积幅值分布，可看出有哪些频率出现，通过Hilbert变换可知道频率对应的时间点。

以HHT为基础的故障特征提取的步骤是：

1. 利用EMD方法分别对原始故障信息进行分解，看信息的特点，选取n个分量为对象作为特征提取。计算故障特征的频率，对比IMF分量的边际谱图，查看故障特征在哪些IMF分量中的表现最好，就选取哪些。
2. 例如电流选取第二、三、四、五个IMF分量作为特征量。
3. 求取这四个特征量的边际谱，将边际谱作为特征向量
4. 将特征向量做还原处理后作为神经网络的输入值

神经网络：

　　神经网络模型的不同主要集中在神经元的特性，网络的拓扑结构和学习规则上。文中主要采用RBF神经网络。

故障诊断网络结构确定的过程为：

1. 分别在异步电动机正常、轴承故障、转子断条、转子断条和轴承故障并发状态下采集电流信号
2. 对采集完的信号通过HHT做特征处理，提取能够体现故障信息的特征量
3. 将处理好的数据作为神经网络的输入，进行训练，当误差满足要求时，神经网络结构被确定。
4. 在实际过程中采集定子电流信号，经过处理后作为特征向量输入神经网络进行实时判别，神经网络输出相应状态。

用图表示为：