基于PSOSVM模型的感应电机故障诊断研究.ppt

* （4）转子断条故障分析 图3.2正常运行状态下的感应电机频谱图 图3.3 2根导条断裂时的感应电机频谱图 （4）转子断条故障分析 图3.4 4根导条断裂时的感应电机频谱图 （5）转子断条故障分析常用方法 1）定子电流频谱分析法 2）基于小波变换的方法 3）基于振动信号频谱分析的方法 4）基于智能算法的方法 3.2.1滚动轴承故障的成因 （1）疲劳剥落 （2）磨损 （3）塑性变形 （4）锈蚀 （5）断裂 （6）胶合 （7）保持架损坏 3.2.2滚动轴承的振动类型分析 （1）滚动轴承的固有振动 （2）滚动轴承承担负载时的振动 （3）制造工艺引起的振动 （4）因轴承故障所产生的振动 3.2.3滚动轴承的特征频率分析 （1）滚动轴承的固有频率 （2）滚动轴承的故障特征频率 3.2.4 轴承故障分析 Y132S－4 型感应电动机安装的是 308 滚动轴承，其机型的相关参数如表3.2。 表3.2 感应电动机308 轴承参数表 轴承型号 轴承节径 Dc 钢球直径 Db 滚动体数 N 接触角? 308 65mm 15mm 8 0。 3.2.4 轴承故障分析 利用感应电动机308 轴承参数值，结合以上公式可以计算出轴承内圈有故障时的特征频率、轴承内圈有故障时的定子电流信号的特征频率如表3.3。 表3.3 轴承故障的特征频率 转子槽数Z2 电源频率 f 转差率 s 特征频率 f be ( nrt1， nB?1) 32 50.05Hz 0.023 610.6Hz 710.6Hz 850.8Hz 950.9Hz 3.2.4 轴承故障分析 文中图3.6至图3.13为感应电机轴承分别在610.6Hz、710.6Hz、850.8Hz、950.9Hz频率下的正常状态与轴承内圈故障状态下的特征频率频谱图。经过对比分析，从频谱图上可以明显看出感应电机轴承故障发生时的特征幅值增加很多，此频谱图表明了通过电流所确定的感应电机轴承故障特征频率是可靠有效的。 4.1粒子群优化算法原理 4.2 支持向量机原理 4.1.1 PSO算法的产生背景 在1995年，粒子群算法被Kennedy和Eberhart两位学者提出，通过观察鸟群集体觅食的飞行过程，从鸟群个体互相协作使群体觅食路径达到最优中得到启发，粒子群算法是一种基于Swarm Intelligence的启发式优化方法。 粒子群优化算法源于对鸟群社会系统的仿真研究，在鸟群社会系统中也存在着规则，鸟群中每个个体必须遵守以下的三条规则： （1）避免与相邻的个体发生碰撞冲突； （2）与自身周围的个体在飞行的速度上最大限度的保持协调、一致 （3）最大限度的向自身所认可的群体中靠近。 4.1.2 PSO算法的理论基础 每个粒子的位置按如下公式进行变化： ? (1) (2) 4.1.2 PSO算法的理论基础 PSO算法是一种启发式的优化计算方法，其最大的优点： （1）其理论易于描述与理解； （2）在处理优化问题中对于定义的连续性没有特殊的要求； （3）在寻优过程中需要调整的参数很少； （4）算法实现简单，易操作，速度快，实用性强； （5）与其它优化算法相比，需要较小的目标群体就能达到满意的效果； （6）与其它优化算法相比，其算法收敛性强； （7）具备很强的鲁棒性，在寻优过程中不会因为某个个体的故障而影响整个群体优化问题的求解。 1、常见的支持向量机有： （1）分类支持向量机 （2）回归支持向量机 本文是故障模式识别问题的研究，所以采用分类支持向量机。 2、设有N个m维训练样本输入数据 分别属于类别1或者类别2，其中类别1记为 =1；类别2记为 =-1。假设这些数据线性可分，那么m维空间中线性判别函数的一般形式为： （1） 其中w为一个m维矢量，b为偏置项，决定相对原点的位置。若要找出对所有样本正确分类的分类线，则以上分类问题就转化为如下的约束