基于电流信号异步电机故障诊断及识别研究.pdf

摘要

异步电机是日常生活和现代工业生产中的主力军，异步电机的运行情况会

直接影响日常的生活和生产情况，异步电机一旦有异常或者发生故障都有可能

使其所在整个系统发生大大小小的故障，同时，也可能直接影响人们的生命或

者产生重大财产损失。因此，对异步电机进行故障诊断及故障识别，来确保人

们的生活更加安全、生产的效率更高、质量更好是非常有意义的。本文首先在

智能算法的基础上，提出基于蚁狮算法（AntLionOptimization，ALO）优化改

进的支持向量数据描述（SupportVectorDataDescription，SVDD）的异步电机

故障检测方法；接着针对异步电机的故障，提出基于健康指数与ALO优化三核

支持向量数据描述（ThreeKernelSupportVectorDataDescription，TKSVDD）

对异步电机退化程度进行分析；最后，针对传统方法的识别故障部位速度不够

快、识别不准确等问题，提出基于AdaBelief优化卷积神经网络（Convolutional

NeuralNetwork，CNN）的异步电机故障部位识别模型，实现了异步电机故障部

位的准确定位。本文主要的研究内容如下：

⑴阐述异步电机的研究现状及发展趋势，并总结故障诊断常见方法。通过

阅读很多的国内外文献，首先分析文章所研究内容的背景和意义；接着重点介

绍智能算法的研究现状及发展趋势以及智能算法应用在异步电机故障诊断中的

研究现状及发展趋势；在异步电机传统的研究基础上，给出常见的故障诊断方

法，指出其中存在的问题，从而引出本文的重点研究内容。

⑵概括本文异步电机故障诊断与识别研究所用基本方法。首先介绍常见异

步电机的基本组成结构和常见的异步电机故障类型；随后，阐述本文涉及的一

些基本概念；最后，分别从异步电机的故障检测、退化程度分析及故障部位识

别三个方面分别介绍本文所用方法的基本理论知识。

⑶设计一种基于ALO优化TKSVDD的异步电机故障检测方法。针对异步

电机在故障检测中存在检测精度较低、检测结果不准确等问题，根据SVDD的

基本理论对SVDD进行了改进，提出一种基于ALO优化TKSVDD的异步电机

故障检测方法。基于异步电机的电流信号存在噪声影响，为了能够使得分析结

果更加准确，首先使用随机共振削弱了信号中的噪声信号，增强去噪信号所占

用的比例，采取异步电机的正常样本与全故障样本验证所提方法的可靠性；然

后根据正常加故障样本对模型进行训练，构建ALO优化TKSVDD的异步电机

故障样本检测模型，随机选取样本，完成异步电机故障检测工作；最后，通过

对比仿真实验表明，本文提出的基于ALO优化TKSVDD的异步电机故障检测

I

模型能够更快速、准确的实现异步电机的故障检测。

⑷提出基于健康指数与ALO优化TKSVDD的异步电机退化程度分析方法。

利用变分模态分解（VariationalModeDecomposition，VMD）的抗噪性能和抗

信号不平稳性能，对故障的异步电机数据实现VMD分解，得到了噪声干扰小

和较平稳的信号；随后提出基于健康指数与ALO优化TKSVDD对异步电机退

化程度分析模型；最后，根据提出的模型，对异步电机的退化程度进行分析，

提出对比分析方法，验证了本文所提方法的有效性。

⑸提出基于AdaBelief优化CNN的异步电机故障部位识别模型。由于基于

模型的诊断方法，要找到最适合真实的模型，以及能够模拟机器在正常和故障

情况下的操作模型是非常困难的。深度学习方法的结果清晰易懂，但是一般的

深度学习方法容易存在特征丢失现象，而CNN网络本身模型结构能够有效提取

特征，由于CNN网络的性能往往取决于各神经元之间连接的网络参数，可以说

网络参数直接决定模型的性能，因此本文提出基于AdaBelief优化CNN的异步

电机故障部位识别模型。该方法首先找出不同故障部位的主要特征，并利用主

成分分析（PrincipleComponentAnalysis，PCA）对采集到的异步电机电流信号

进行降维；接着建立AdaBelief优化CNN模型；最后利用异步电机的不同部位

故障及其主要特征训练模型，以测试样本验证本文所提方法