独立分量分析在感应电动机转子故障特征提取中的应用
文章编号:1004-9037(2007)04-0496-05
独立分量分析在感应电动机转子
故障特征提取中的应用
方 芳1,2 杨士元1 侯新国2
(1.清华大学自动化系,北京,100081; 2.海军工程大学电气与信息学院,武汉,430033)
摘要:在定子电流信号的频谱分析诊断感应电动机的故障时,转子断条故障特征频率分量常常被电流的基频分量淹没。针对这一情况,本文提出将独立分量分析应用于提取异步电动机转子故障特征。电流信号的信息空间是由电流的自相关矩阵R i 的特征向量张成的。将最大主分量(主要由基频分量构成)和噪声对应的特征向量去掉,由其余的特征向量张成降维信号子空间S *。将R i 投影到S *,削去R i 中的基频分量和噪声后,再利用独立分量分析提取故障特征分量。仿真和实验表明,该方法用于提取转子断条故障特征是可行并且是有效的。关键词:感应电动机;独立分量分析;故障诊断;转子断条故障;信号子空间中图分类号:T M 343 文献标识码:A
收稿日期:2006-07-10;修订日期:2006-11-20
Feature Extracting Method for Rotor Fault of Induction Motor
Based on Independent Component Analysis
Fang Fang 1,2,Yang Shiy uan 1,H ou X inguo 2
(1.Depart ment of A utoma tio n,T sing hua U niver sity ,Beijing ,100081,China;
2.Schoo l o f Electr ic and Info rmat ion,Na val U niver sity of Eng ineering ,W uhan,430033,China)
Abstract :T he rotor fault feature com ponent is difficult to be detected because it alw ays hides behind the str ong supply frequency com po nent in the spectrum of the curr ent.A novel m ethod based on independent com ponent analy sis is pr opo sed to extract the fault feature com po nent .The eigenvectors of R i ,w hich is the autoco rrelation m atrix of the current i ,span the inform a-tio n space of the current.Cut off the eig envector s related to the noise and the supply frequency co mpo nent,then the rest eigenv ectors span the signal subspace S *
.Project R i to S *
,then the supply frequency component and the no ise in R i are taken out .After the pretr eatment ,the fea-ture o f the rotor br oken-bar fault is picked out from R i by using independent component analy -sis.Simulatio n results and exper im ent show that the proposed method is feasible and effectiv e.Key words :inductio n mo tor ;independent com po nent analysis ;fault diagnosis ;rotor bro ken -bar fault ;signal subspace
引 言
感应电动机负载过重或频繁启动、制动时,转
子导条与端环连接区域极易发生断裂等故障,统计表明,转子断条故障占其故障的10%左右,因此,对感应电机转子故障进行早期检测具有重要价值。基于定子电流信号分析(M otor current signal analy-
sis,M CSA )的故障诊断是感应电动机最常见、最
有效的故障诊断方式。当感应电动机出现断条(包括导条和端环断裂)故障时,在定子电流中会出现基频周围的边频带,其特征频率:f b =(1±2ks )f 1,其中:f 1为电流基频;k =1,2,3,…;s 为转差率[1-2]。由于故障的特征分量较小(特别是早期故障),而且感应电动机稳态运行时转差率很小,断条故障的主要特征频率(k =1)与基波频率很接近,
第22卷第4期2007年12月数据采集与处理Jour nal of D ata A cquisition &P ro cessing Vo l.22N o.4Dec.2007
在频谱曲线中容易被强大的基波所淹没,难以突出故障特征。因此,如何从定子电流信号中提取出转子故障特征频率分量是近年来感应电机故障诊断研究的热点和重点。文献[3]采用三相电流Park 矢量模平方函数,把基频分量变换为直流分量,故障特征分量变换为2sf 1和4sf 1等低频分量,从而实现故障特征频率分量的提取。文献[4]对单相电流进行Hilbert 变换,并构成电流Hilbert 模量,原来的基波电流将对应模量中的直流分量,而转子故障特征分量对应2sf 1和4sf 1等低频分量,其效果和文献[3]相当。由于Hilbert 模量和Park 矢量模都要进行平方运算,存在频谱复杂化的问题。特别是在复合型故障的情况下,一些交叉频率的出现将增大故障识别的难度。文献[5]提出一种基于同步旋转的(d ,q )坐标变换方法,也可以把基波分量转换成直流分量,转子故障特征分量转换成低频分量,但是该方法要求已知精确的基波频率,对基波频率值很敏感,而实际工作时电网频率常常会有波动。文献[6]对单相电流进行连续小波变换,把得到的系数矩阵进行奇异值分解,削弱基频分量后进行信号的重构,从而提取故障特征。
本文提出将独立分量分析(Independent com-ponent analysis,ICA )应用于提取感应电动机转子故障特征频率分量。ICA 是一种基于高阶统计特性的信号分解技术,其特点是将多路观测信号分解成相互独立的成分。在感应电动机的电流信号中,各种故障特征频率成分与电机本身的基波及各次谐波是相互独立的,因此将ICA 用于提取感应电动机转子故障特征频率分量显然是可行的。电流信号的自相关矩阵R i 张成了电流信号的信息空间,理论上对R i 进行独立分量分析就可以提取出电流信号中包含的故障频率成分。本文通过对R i 进行特征值分解,将基频分量和高频噪声对应的特征向量去掉,由其余的特征向量张成降维信号子空间。将R i 投影到这个子空间,实现消噪和降维后,再利用独立分量分析提取其中的故障特征分量。
1 信号的子空间理论
一个观测信号的信息空间由它的自相关矩阵的特征向量张成,通过自相关矩阵特征值分解,可以把这个信息空间分成两个正交的子空间,即信号子空间和噪声子空间[7]。
设在加性白噪声 (n )中有p 个复正弦信号
x (
n )=j A j ex p[i( j n +!
j )](j =1,2,…,p )它们构成了一个平稳随机过程。令观测信号为
y (n )=x (n )+ (n )=
j
. A j exp[i( j n +!j )]+ (n )
j =1,2,…,p (1)
式中:正弦波振幅A j 、频率 j 为待估计的未知量;相位?j 为在[-#,#]内均匀分布的随机变量; (n )为与x (n )相互独立的白噪声,其均值为零,方差为
?2。
已经证明:仅包含p 个复正弦信号的x (n )的相关矩阵R x 秩为p [7]。因此
R y (%)=V V H =[S G ] [S G ]H (2)
S =[v 1,v 2,…,v p ]G =[v p +1,v p +2,…,v M +1]
=diag [&
1,&2,…,&p ,&p +1,…,&M +1]&1≥&2≥…≥&M +1
式中,前p 个较大的特征值对应的特征向量S 张成信号子空间,后面较小的特征值对应的特征向量G
张成噪声子空间,由于S ⊥G ,这两个子空间正交。
在电机的定子电流信号中,基频成分占绝对的优势。所以,电流信号的自相关矩阵R i 的信号子空间中对应最大特征值的特征向量v 1的方向基本上由基频成分决定。对于故障诊断而言,对基频成分是不感兴趣的,所以,在本文中采用的信号子空间是去掉v 1的降维信号子空间,用S *
表示。
S *
=[v 2,…,v p ]
(3)
将R i 投影到S *上:
R i *=R i S *S *H
(4)
得到的R i *中滤除了基频分量和噪声,再对R i *进行独立分量分析,就可以提取故障特征分量。
2 独立分量分析方法
ICA 是信号处理领域在20世纪90年代后期发展起来的一项新处理方法,其含义是把信号分解成若干个相互独立的成分。图1为ICA 简单的说明图,X 为多个信源S 经混合矩阵A 组合而成(X =AS )。ICA 的任务是在S 与A 均为未知的条件下,求取一个解混矩阵W ,使X 经过它后所得输出Y 是S 的最优逼近。因此,独立分量分析实质是一个优化问题:在某一衡量独立性的判据最优的意义下寻找
W ,使Y 中各分量尽可能地相互独立[8-9]
。
衡量独立性的判据有很多种,在文献中被较多引用的有:(1)互信息极小化判据(M inimization o f
图1 ICA 的简单框图
497
第4期方 芳,等:独立分量分析在感应电动机转子故障特征提取中的应用
mutual inform ation,MM I);(2)信息极大化判据(Infom ax);(3)极大似然判据;(4)直接用高阶统计量作独立性判据;(5)负熵极大化判据[8-9]。本文采用FastICA算法,就是基于负熵极大化判据的。根据中心极限定理,两个独立的非高斯随机变量之和比其中任何一个变量更接近于高斯分布,因此非高斯性越大,独立性越强。负熵J(y)为随机变量非高斯性最合适的度量,当且仅当y为高斯随机变量时,J(y)=0;J(y)之值越大表示它距离高斯分布越远,独立性越强。实际运用时,由于J(y)的计算涉及到变量y的概率密度函数p(y),而p(y)很难得到。因此,常常用变量的高阶统计量的函数或者采用非多项式函数逼近概率密度函数的方法来得到负熵的逼近值。
J(y)≈(1/12)(E(y3))2+(1/48)(kurt(y))2(5) J(y)∝[E{G(y)}-E{G( )}]2(6)式中: 为零均值、方差为1的高斯变量;G为非线性函数;kurt(y)为信号y的峰度。以下两个非线性函数被证明是非常有效的[9]:
G1(x)=(1/a1)log cos h(a1x) 1≤a1≤2(7)
G2(x)=-ex p(-x2/2)(8) 基于负熵极大化判据的FastICA算法,又称为固定点算法。算法步骤如下[9,10]:
(1)将x去均值,球化后得z;
(2)任意选择W的初值,要求‖W‖=1;
(3)令W=E[zG(W T z)]-E[g(W T z)]W,
g(*)是G(*)的导数;
(4)归一化:W←W/‖W‖;
(5)如未收敛,回到步骤3。
由于FastICA算法采用牛顿法,收敛有保障,而且迭代过程中无须引入调节步长等人为设置的参数,因而简单方便,得到大量的应用。本文也采用这种算法。
3 转子故障特征的提取
定子电流信号i的自相关矩阵R i张成了定子电流的信息空间,R i是由i中的各频率成分按一定的方式混合而成的,因此对R i进行独立分量分析,理论上就可以提取出i中的各频率成分。当转子发生故障时,这种方法就能够提取出转子故障特征频率分量。但是由于电流信号中包含着大量的噪声和谐波频率,要提取出所需的故障特征频率,必须对R i进行消噪和降维[10-12]。因此,本文采用把R i投影到降维的信号子空间的方法来达到这一目的。完成
消噪和降维后,再对其进行独立分量分析,提取所需的故障特征频率分量。具体步骤如下:
(1)取一组观测数据,求它的自相关矩阵R i;
(2)将自相关矩阵进行特征值分解,得到降维的信号子空间S*=[v2,…,v p];
(3)将R i投影到S*上:R i*=R i S*S*H;
(4)用FastICA算法提取R i*中的各个独立分量。
4 仿真和实验验证
在基波信号中加入f b=(1±2s)f1的边频信号和白噪声信号来模仿感应电机转子断条时的定子单相电流信号。i a=A1cos(2#f1t+!1)+A2co s(2# (1-2s)f1t+?2)+A3cos(2#(1+2s)f1t+!3)+ A4Randn(t),其中,基波频率f1=50Hz,s= 0.024,!1=0.03#,!2=0.3#,!3=0.23#,A1=10, A2=0.01,A3=0.0083,A4=0.003。采样频率为1k,数据长度为5k。图2为采样200点的i a的时域波形,图3是采用FFT技术对i a进行频谱分析的结果,在频谱中,两个边频分量被强大的基频分量所掩盖。采用本文提出的方法,应用独立分量分析得到的两个边频分量的时域波形见图4。图5是两个边频分量对应的频谱图,边频分量的频率分别是(1-2s)f1=47.6Hz和(1+2s)f1=52.4Hz。
应用上述方法对一台型号为Y132M-4型感应电动机的转子断条故障进行了检测。电动机拖动直流发电机,直流发电机带电阻负载,转子断裂一根
图2 仿真电流信号的时域波形
图3 仿真电流信号的频谱图(对数谱)
498数据采集与处理第22卷
图4 应用ICA
提取的两个故障分量的时域波形
图5 两个故障分量对应的频谱
导条。实验时A/D 数据采集频率f s 为1kHz,采样t =4s 的数据,测得异步电动机稳定时转速为1477r/m in,电机稳态转差率为s =(n -n p )/n =(1500-1477)/1500=0.0153。根据理论分析,在定子电流信号中,将出现(1±2s )f 1(48.5,51.5Hz )的转子故障特征分量。应用本文提出的基于独立分量分析的方法,可以提取出这一故障特征分量。在处理实验数据时,由于定子电流中含有多种频率分量,并且测量数据中包含大量的噪声,要采取一些相应的措施,具体步骤如下:
(1)将测得的定子电流信号进行预处理,滤除其中的噪声分量。
(2)求预处理后的信号的自相关矩阵R i 。(3)将R i 进行特征值分解,前p 个较大的特征
值对应的特征向量张成信号子空间S ,后面较小的
特征值对应的特征向量张成噪声子空间G ,p 值的确定根据j &j /T =?(j =1,2,…,p ;T 为所有特征值之和;?为人为选取的阈值,本文取?=95%)。将S 中与最大特征值对应的特征向量去掉,得到降维的信号子空间S *。
(4)将R i 投影到S *上:R i *=R i S *S *H 。通过这一投影操作,R i *中去除了R i 中的主频分量和高频噪声,实现了降维和消噪。
(5)调用FastICA 算法程序提取R i *中的各个独立分量,显然其中包含了转子断条的故障分量。实验结果如图6～9所示。
图6为转子断条故障时实测的定子电流信号
图6 实验电机的单相电流信号
图7 实验电机的单相电流频谱图(对数谱)
波形;图7为采用FFT 技术对其进行频谱分析的结果。由图可知,转子断条所产生的故障特征频率成分(1±2s )f 1(48.5,51.5Hz )在频谱图中无法分辨出来。图8(a)是采用独立分量分析方法提取的频率为51.5Hz 的断条故障特征分量的时域波形,图8(b )为它的频谱图。图9(a )是采用独立分量分析方法提取的频率为48.5Hz 的断条故障特征分量的时域波形,图9(b)为它的频谱图。从实验结果可以看到,采用本文提出的方法,可以有效地提取出故障特征频率成分,从而诊断出转子故障。
在实验中,多次调整负载的大小,并对采样的定子电流采用以上的算法,均能提取出故障频率分量。对于多根转子断条的情况,由于故障特征更加明显,应用本方法同样是非常有效的。
499
第4期方 芳,等:独立分量分析在感应电动机转子故障特征提取中的应用
图8 应用I CA 提取的f b =(1+2s )f 1
故障分量波形
图9 应用I CA 提取的f b =(1-2s )f 1故障分量
4 结束语
本文应用独立分量分析提取感应电动机转子断条故障特征频率分量,并且采用把定子电流的自
相关矩阵向降维信号子空间投影的方法来实现降维和消噪。仿真和实验表明,该方法可以有效地提取出转子断条故障特征分量。这种方法只需要采样
一相电流信号,硬件实现简单经济。由于不同故障是由不同的故障源引起的,不同的故障特征信号之间可以认为是相互独立的,因此,从理论上来说,本方法也适合于复合故障的检测。
参考文献:
[1] Subhasis N .Fa ult analysis for conditio n mo nitor ing
of induction mo to rs [D ].T ex as ,U SA :T ex as A &M
U niver sity ,2000.
[2] 沈标正.电机故障诊断技术[M ].北京:机械工业出
版社,1996.
[3] 侯新国,吴正国,夏立.基于P ark 矢量模平方函数
的异步电机转子故障诊断方法研究[J].中国电机工程学报,2003,23(9):137-140.
[4] 刘振兴,尹项根,张哲,等.基于Hilbert 模量频谱分
析的异步电动机转子故障在线监测与诊断方法[J].中国电机工程学报,2003,23(7):158-161.
[5] 刘振兴,张哲,尹项根,等.一种新型的笼型异步电动
机转子故障在线检测和诊断方法[J ].电工技术学报,2002,17(4):89-92.
[6] 梁霖,徐光华,刘弹,等.小波-奇异值分解在异步电
机转子故障特征提取中的应用[J ].中国电机工程学报,2005,25(19):111-115.
[7] 胡广书.数字信号处理——理论、算法与实现[M ].
北京:清华大学出版社,1997.
[8] 杨福生,洪波.独立分量分析的原理与应用[M ].北
京:清华大学出版社,2006.
[9] Ro ber ts S ,Ev erso n R.Independent component anal-ysis:pr inciples and pr actice [M ].Cambr idge,U K :Cambr idg e U niver sity Pr ess ,2001.
[10]李楠,赵妍,李天云,等.基于随机共振理论的异步
电动机转子断条检测新方法[J].电工技术学报,2006,21(5):99-103.
[11]T rzy nadlow ski A M ,Ritchie E .Compar ativ e inves-tig atio n o f diagnostic m edia fo r inductio n mo to rs:a case o f r ot or cag e faults[J].IEEE T rans o n Industr i-al Electro nics ,2000,47(5):1092-1099.
[12]Subhasis N ,T o liyiat H A .Co ndit ion mo nito ring and
fault diag nosis of electr ical machines —a r eview [C ]//Confer ence r ecor d I EEE -IA S A nnual M eet-ing .Phoenix ,AZ ,U SA :IEEE ,1999:197-
204.作者简介:方芳(1972-),女,博士研究生,研究方向:信号处理及其在机电设备故障诊断中的应用,Email:fang f03@mails .t sing hua .edu .cn ;杨士元(1945-),男,教授,博士生导师,研究方向:故障诊断理论及应用;侯新国(1972-),男,博士,讲师,研究方向:信号处理理论及算法,设备故障诊断。
500
数据采集与处理第22卷
滚动轴承故障诊断分析
滚动轴承故障诊断分析 学院名称：机械与汽车工程学院专业班级： 学生姓名： 学生学号： 指导教师姓名：
摘要 滚动轴承故障诊断 本文对滚动轴承的故障形式、故障原因、常用诊断方法等诊断基础和滚动轴承故障的振动机理作了研究，并建立了相应的滚动轴承典型故障(外圈损伤、内圈损伤、滚动体损伤)的理论模型，给出了一些滚动轴承故障诊断常见实例。通过对滚动轴承故障振动机理的研究可以帮助我们了解滚动轴承故障的本质和特征。本文对特征参数的提取，理论推导，和过程都进行了详细的阐述， 关键词:滚动轴承；故障诊断；特征参数；特征； ABSTRACT ： The Rolling fault diagnosis In the thesis ,the fault types,diagnostic methods an d vibration principle of rolling bearing are discussed.the thesis sets up a series of academic m odels of faulty rolling bearings and lists some sym ptom parameters which often used in fault diagnosis of rolling bearings . the study of vibration prin ciple of rolling bearings can help us to know the essence and feature of rolling bearings.In this pa
特征选择与特征提取
模式类别的可分性判据 在讨论特征选择和特征压缩之前，我们先要确定一个选择和提取的原则。对一个原始特征来说，特征选择的方案很多，从N 维特征种 选择出M 个特征共有()!!! M N N C M N M = -中选法，其中哪一种方案最佳， 则需要有一个原则来进行指导。同样，特征的压缩实际上是要找到M 个N 元函数，N 元函数的数量是不可数的，这也要有一个原则来指导找出M 个最佳的N 元函数。 我们进行特征选择和特征提取的最终目的还是要进行识别，因此应该是以对识别最有利原则，这样的原则我们称为是类别的可分性判据。用这样的可分性判据可以度量当前特征维数下类别样本的可分性。可分性越大，对识别越有利，可分性越小，对识别越不利。 人们对的特征的可分性判据研究很多，然而到目前为止还没有取得一个完全满意的结果，没有哪一个判据能够完全度量出类别的可分性。下面介绍几种常用的判据，我们需要根据实际问题，从中选择出一种。 一般来说，我们希望可分性判据满足以下几个条件： 1. 与识别的错误率由直接的联系，当判据取最大值时，识别的错误率最小； 2. 当特征独立时有可加性，即： ()()121 ,,,N ij N ij k k J x x x J x ==∑
ij J 是第i 类和第j 类的可分性判据，ij J 越大，两类的可分程度 越大，()12,,,N x x x 为N 维特征； 3. 应具有某种距离的特点： 0ij J >，当i j ≠时； 0 ij J =，当i j =时； ij ji J J =； 4. 单调性，加入新的特征后，判据不减小： ()()12121,,,,,,,ij N ij N N J x x x J x x x x +≤ 。 但是遗憾的是现在所经常使用的各种判据很难满足上述全部条件，只能满足一个或几个条件。 基于矩阵形式的可分性判据 1. 类内散度矩阵 设有M 个类别，1,,M ΩΩ ，i Ω类样本集()()(){}12,,,i i i i N X X X ，i Ω类 的散度矩阵定义为： () ()() ( )()() ( ) 1 1i N T i i i i i w k k k i S N == --∑X m X m 总的类内散度矩阵为： ()() ()() () ()() () () 1 1 1 1 i N M M T i i i i i w i w i k k i i k i S P S P N ==== Ω= Ω--∑∑∑X m X m 2. 类间散度矩阵 第i 个类别和第j 个类别之间的散度矩阵定义为： () () () ( )() () ( ) T ij i j i j B S =--m m m m 总的类间散度矩阵可以定义为：
转子不平衡的故障机理与诊断
转子不平衡的故障机理与诊断(1) 转子不平衡是由于转子部件质量偏心或转子部件出现缺损造成的故障，它是旋转机械最常见的故障。据统计，旋转机械约有一半以上的故障与转子不平衡有关。因此，对不平衡故障的研究与诊断也最有实际意义。 一、不平衡的种类 造成转子不平衡的具体原因很多，按发生不平衡的过程可分为原始不平衡、渐发性不平衡和突发性不平衡等几种情况。 原始不平衡是由于转子制造误差、装配误差以及材质不均匀等原因造成的，如出厂时动平衡没有达到平衡精度要求，在投用之初，便会产生较大的振动。 渐发性不平衡是由于转子上不均匀结垢，介质中粉尘的不均匀沉积，介质中颗粒对叶片及叶轮的不均匀磨损以及工作介质对转子的磨蚀等因素造成的。其表现为振值随运行时间的延长而逐渐增大。 突发性不平衡是由于转子上零部件脱落或叶轮流道有异物附着、卡塞造成，机组振值突然显著增大后稳定在一定水平上。 不平衡按其机理又可分为静失衡、力偶失衡、准静失衡、动失衡等四类。 二、不平衡故障机理 设转子的质量为M，偏心质量为m，偏心距为e，如果转子的质心到两轴承连心线的垂直距离不为零，具有挠度为a，如图1-1所示。
图1-1 转子力学模型 由于有偏心质量m和偏心距e的存在，当转子转动时将产生离心力、离心力矩或两兼而有之。离心力的大小与偏心质量m、偏心距e及旋转角速度ω有关，即F＝meω2。众所周知，交变的力（方向、大小均周期性变化）会引起振动，这就是不平衡引起振动的原因。转子转动一周，离心力方向改变一次，因此不平衡振动的频率与转速相一致，振动的幅频特性及相频特性。 三、不平衡故障的特征 实际工程中，由于轴的各个方向上刚度有差别，特别是由于支承刚度各向不同，因而转子对平衡质量的响应在x、y方向不仅振幅不同，而且相位差也不是90°,因此转子的轴心轨迹不是圆而是椭圆，如图1-2所示。 由上述分析知，转子不平衡故障的主要振动特征如下。 (1) 振动的时域波形近似为正弦波（图1-2）。 (2)频谱图中，谐波能量集中于基频。并且会出现较小的高次谐波，使整个 频谱呈所谓的“枞树形”，如图1-3所示。
文献翻译-变分贝叶斯独立分量分析
(本科毕业设计论文) 毕业设计（论文）外文资料翻译 作者： 学科专业： 学号： 班级： 指导老师： 2014年6月
变分贝叶斯独立分量分析 摘要 信号的盲分离通过info-max 算法在潜变量模型中被视为最大似然学习潜变量模型。在本文我们提出一个变换方法最大似然学习这些模型,即贝叶斯推理。它已经被证明可以应用贝叶斯推理来确定在主成分分析模型潜在的维度。在本文我们为去除在独立分量分析模型中不必要的来源维度获得类似的方法。我们给一个玩具数据集和一些人为的混合图像提出结果。 1.引言 独立分量分析的目的是为一个基于概率性的独立原件找到一个表示法。实现这样的表示方法是给潜变量是独立约束的潜变量模型拟合一个数据。我们假设一个,有潜在的尺寸W ,观察到的尺寸P 和我们的数据集包含样本n 的模型M 。在ICA 方法中通常把潜在的维度称为“来源”。因此我们为独立生成潜在变量X 寻找模型表示，我们将任何给定的数据点n 带入 ∏== I i in n x p x p 1 )()( 假设高斯噪声,观察到的变量的每个实例化的概率,带入 )2 exp(2),,,(2μβ πβμβ--= n x n n n W t W x t p 其中W 是PXI 矩阵的参数,B 代表了一种逆噪声方差和u 是一个向量的方法。 1.1源分布 众所周知在独立分量分析,潜在分布的选择是很重要的。特别说明它必须是非高斯。非高斯源分布可以分成两类,那些积极的峰度或“沉重的尾巴”和那些消极的峰度或“光明的尾巴”。前者被称为超高斯分布，后者是亚高斯。如果我
们真正的源分布属于这两个中的任何一个类我们可以尝试分开。对于我们的ICA 模型,我们遵循?(1998)选择超高斯或者是亚高斯灵活的源分布。的运算结果的模型应用于两个可能发生的事。阿蒂亚斯选择了每个因素的混合物M 高斯模型 () ∏∑==?? ????=I i m m ni M m m n m x x N p 121 ,)(σπ }{m π是混合系数和每个组件是由一个意思毫米和方差q2m 。 阿蒂亚斯提到作为独立的因子分析模型。我们可能现在写下一个可能性,是一个函数的参数W,β,μ ()()()?∏==x x x t n n n n N n d p W p W p μβμβ,,,,,t 1 这个功能现在可以最大化的参数来确定独立的组件。传统的优化执行限制作为B 倾向于零。这种方法由贝尔和介绍了盲源分离作为信息最大化算法。与最大的关系可能是由不同的作者包括卡多佐指出(1997)和麦(1996)。 2.ICA 的贝叶斯形式主义 在本文中我们提出，按照推断模型的参数化的贝叶斯方法，而不是通过最大似然学习的参数。这要求我们把先验对模型参数。我们的目标是如何通过一个特定的选择我们的先验分布的显示P(W)我们可能自动判断哪些已经产生了数据源的数量。我们是主教的贝叶斯PCA （1999年），它的目的是确定在启发我们的方法主要子空间的自动维数。我们选择将噪音精密β，与以前的马, ()() b ββαββ，gam p = 这里我们定义伽玛分布 ()() ()τττ b a b a a a b -Γ= -exp ,gam 1 对于混合矩阵W ,我们认为高斯之前。特别是每一个的相关性输入可通过使用自动相关性确定（ARD ）来确定前（尼尔，1996；麦凯，1995年） ()() ∏∏==-=I i P p i ip N W p 11 1 ,0αωα
独立分量分析(ICA)简单认识
ICA (Independent Components Analysis)，即独立分量分析。它是传统的盲源分离方法，旨在恢复独立成分观测的混合物。FastICA是一个典型的独立分量分析(ICA)方法。 它是信号盲处理的基础，对信号独立分量分析的检测是信号盲处理的起点。现有的信号盲处理的算法，大都是基于独立分量分析的，通过对独立分量分析的研究就可以把这些算法统一起来。 一、信号分类： 1.无噪声时： 假设混叠系统由m个传感器和n个源信号组成，并且源信号与观测信号遵从如下所示的混叠模型： x(t)=As(t)，其中，x(t)=[x1(t),x2(t),...,x m(t)]T表示m维观测信号矢量； A为m*n维混叠权系数为未知的混叠矩阵； n个源信号的组合为：s(t)=[s 1(t),s 2 (t),...,s n (t)]T 2.有噪声时： 若考虑噪声的影响，则有： x(t)=As(t)+n(t)， 其中，从m个传感器采集来的噪声集合为：n(t)=[n1(t),n2(t),...,n m(t)]T 针对式子：x(t)=As(t)+n(t) 独立分量分析(ICA)就是要求解分离矩阵W，使得通过它可以从观测信号x(t)中恢复出未知的源信号s(t)，分离系统输出可通过下式表示：y(t)=Wx(t)其中，y(t)=[y1(t),y2(t),…,y n(t)]T为源信号的估计矢量，即：y(t)=S(t) 二、用ICA方法的信号分析——基于小波变换和ICA的分离方案（分离步骤） 首先介绍下语音分离的大体思路。先采用小波变换对各个带噪混叠语音进行预消噪处理，然后进行预处理，最后用ICA的方法对消噪后的混叠语音进行分离；最后根据分离信号的特点进一步提出对其进行矢量归一和再消噪处理，最终得到各个语音源信号的估计。 1.预消噪处理——小波变换 这里采用的是小波阈值法去噪，它类似于图像的阈值分割。（阈值就是临界值或叫判断设定的最小值） 设带噪语音信号为: f(t)=As(t)+n(t)，式中: s(t)是纯语音信号, n(t)为噪声。 对式子作离散小波变换。首先对被噪声污染的语音信号进行离散序列小波变换, 得到带有噪声的小波系数；然后用设定的阈值作为门限对小波系数进行处理,对低于阈值的小波系数作为由噪声引起的,仅让超过阈值的那些显著的小波系数用来重构语音信号。 2.约束条件
转子故障振动机理分析
转子故障振动机理分析 转子故障引起振动有许多形式, 现对其中的几个典型振动故障产生的原因及其对应的振动机理进行如下分析: 1.转子不平衡故障及振动机理分析 转子不平衡包括转子系统的质量偏心及转子部件出现缺陷;转子质量偏心是由于转子的制造误差、装配误差、材料不均匀等原因造成的，称为初始不平衡。转子部件缺损是指转子在运行中由于腐蚀、磨损、介质结垢以及转子受疲劳力的作用，使转子的零部件（如叶轮、叶片等）局部损坏、脱落、碎片飞出等，造成的新的转子不平衡。转子质量偏心及转子部件缺损是两种不同的故障，但其不平衡振动机理却有共同之处。 振动机理分析:旋转过程中,转子产生不平衡离心力与力矩通过支承点作用在轴及轴承上,引起振动.设转子质量为M（包括偏心质量m），偏心距e，旋转角频率w=2 f（v f为 v 转动频率），在t瞬时位移在直角坐标系分量x，y，如图6-3所示，则可得转子中心运动微分方程为 图6-3 转子力学模型
则有 以上几式中的K可以近似简化为机器的安装总刚度，M为机器的总质量，为K和M构成的振动体的无阻尼固有频率。为无量纲阻尼因子，它的取值不同，会影响到系统 的响应，是激励频率与固有频率之比，也是无量纲因子。根据上式，按不同的频率比和阻尼系数的变化，作出幅频响应图及相频响应图，如下图所示： 图6-4 幅频响应图及相频响应图 转子不平衡所引起振动有下列特点:振动方向为径向,振动的特征频率等于转频;转子的轴承均发生较大的振动;在转子通过临界转速时振幅有特别显著的增大;在高速下随转轴转速上升振动很快增大;振动频率与转速相等且为正弦波;在没有带负荷时振动就达到最大值. 2.转子不对中故障振动机理分析 机组各转子之间由联轴器联接构成轴系，传递运动和转动。由于机器的安装误差、承载后的变形以及机器基础的沉降不均等，造成机器工作状态时各转子轴线之间产生轴线平
故障特征提取的方法研究(1)解析
故障特征提取的方法研究(1) 摘要：针对常规特征提取方法存在 着问题不足，提出了基于BP神经网络和基于互信息熵的特征提取方法，并通过特征提取实例加以说明。结果表明这两种方法是可行和有效的。 关键词：特征提取故障诊断神经网络互信息熵 随着科学技术的发展，现代设备的结构日趋复杂，其故障类型越来越多，反映故障的状态、特征也相应增加。在实际故障诊断过程中，为了使诊断准确可靠，总要采集尽可能多的样本，以获得足够的故障信息。但样本太多，会占用大量的存储空间和计算时间，太多的特征输入也会引起训练过程耗时费工，甚至妨碍训练网络的收敛，最终影响分类精度。因此要从样本中提取对诊断故障贡献大的有用信息。这一工作就是特征提取。 特征提取就是利用已有特征参数构造一个较低维数的特征空间，将原始特征中蕴含的有用信息映射到少数几个特征上，忽略多余的不相干信息。从数学意义上讲，就是对一个n维向量X＝[x1，x2，…，xn]T进行降维，变换为低维向量Y＝[y1，y2，…，ym]T，m 模式识别特征选择与提取 中国矿业大学计算机科学与技术学院电子信息科学系 班级：信科11-1班，学号：08113545，姓名：褚钰博 联系方法（QQ或手机）：390345438，e-mail:390345438@https://www.wendangku.net/doc/f36245459.html, 日期：2014 年06月10日 摘要 实际问题中常常需要维数约简，如人脸识别、图像检索等。而特征选择和特征提取是两种最常用的维数约简方法。特征选择是从某些事物中提取出本质性的功能、应用、优势等，而特征提取是对特征空间进行变换，将原始特征空间映射到低维空间中。 本文是对主成分分析和线性判别分析。 关键词：特征选择，特征提取，主成分分析，线性判别分析 1.引言 模式识别的主要任务是利用从样本中提取的特征，并将样本划分为相应的模式类别，获得好的分类性能。而分类方法与分类器设计，都是在d（变量统一用斜体）维特征空间已经确定的前提下进行的。因此讨论的分类器设计问题是一个选择什么准则、使用什么方法,将已确定的d维特征空间划分成决策域的问题。对分类器设计方法的研究固然重要，但如何确定合适的特征空间是设计模式识别系统另一个十分重要，甚至更为关键的问题。如果所选用的特征空间能使同类物体分布具有紧致性，即各类样本能分布在该特征空间中彼此分割开的区域内，这就为分类器设计成功提供良好的基础。反之，如果不同类别的样本在该特征空间中混杂在一起，再好的设计方法也无法提高分类器的准确性。本文要讨论的问题就是特征空间如何设计的问题。 基于主成分分析的特征选择算法的思想是建立在这样的基础上的：主成分分析方法将原始特征通过线性变换映射到新的低维空间时，获得的主成分是去了新的物理意义，难以理解，并且主成分是所有原始特征的线性组合。所以将主成分分析与特征选择相结合，设计多种相似性度量准则，通过找到与主成分相关的关键特征或者删除冗余、不相关以及没有意义的特征，将主成分又重新映射到原始空间，来理解成主成分的实际意义。 基于线性判别分析的高维特征选择将单个特征的Fisher准则与其他特征选择算法相结合，分层消除不相关特征与冗余特征。不相关特征滤波器按照每个特征的Fisher评价值进行特征排序，来去除噪音和不相关特征。通过对高维数据特征关联性的分析，冗余特征滤波器选用冗余度量方法和基于相关性的快速过滤器算法。分别在不同情境下进行数据分类实验，验证其性能。 汽轮机转子运行故障分析及诊断 发表时间：2017-05-12T09:03:43.900Z 来源：《防护工程》2017年第1期作者：李钢 [导读] 在目前工业生产中，汽轮机作为重要的旋转设备，是工业生产中必不可少的机械设备。 辽宁大唐国际阜新煤制天然气有限责任公司辽宁阜新 123000 摘要：在目前工业生产中，汽轮机作为重要的旋转设备，是工业生产中必不可少的机械设备。其中汽轮机转子是汽轮机的主要零部件，使得汽轮机转子安全性、可靠性、适用性以及可维修性特点受到人们的关注，促使关于汽轮机转子运行故障机理与诊断技术也在飞速发展。在汽轮机转子运行过程中，发生的振动信号是判断汽轮机工作状态的重要指标，更是影响机械设备运行安全与操作人员人身安全的因素，因此对汽轮机转子运行故障分析及诊断的研究工作迫在眉睫。 关键词：汽轮机转子；运行故障；诊断 1概述 汽轮机组的振动是机组运行必须要监测的一个非常重要的参数，因为当机组振动超过规定的范围时，将会引起设备的损坏，甚至造成严重后果：(1)使转动部件损坏。当机组振动过大时，会使叶片、围带、叶轮等各部件的应力增加，从而产生很大的交变应力，导致疲劳而损坏；(2)使机组动、静部分发生磨损；(3)使各链接部件松动；(4)直接造成运行事故。当机组振动过大，同时又发生在高压缸端侧时，有可能危及保安器误动作而发生停机事故。因此，机组运行中要严格检测其振动值。 近几年来，大庆油田宏伟热机组频繁出现振动大引起的停机事件，这就使得我们不得不引起对汽轮机组振动故障的重视。 2汽轮机转子运行故障类型 在汽轮机转子运行过程中，振动信号发生是转子发生故障的前提表现，对此应在汽轮机转子运行过程中，对其振动信号进行准确测量，为了更好地判断汽轮机转子运行故障类型，对其进行分类阐述。振动频率：基频振动、倍频振动、整分数基频振动、比例基频振动、超低基频振动以及超高基频振动；振幅方位：横向振动（水平振动和垂直振动）、轴向振动与扭转振动；振动原因：转子平衡度较差、轴系不对称和零件松动、摩擦（密封件摩擦、转子和定子之间产生的摩擦）、轴承损坏、轴承内部油膜涡动与油膜振动、动力和水力的影响、轴承刚度较差、电气等；振动部位：转子和轴系振动（轴颈、轴纹叶片）、轴承（油膜滑动和波动）、壳体振动与轴承座振动、基础振动（基座、工作台、支架）、其他结构振动（阀门、阀杆、管道等）。 3结合实际案例对汽轮机转子运行故障及诊断进行分析 某市炼油厂，利用延迟焦化装置中采用汽轮机，其具体的汽轮机厂商为杭州汽轮机厂，类型为凝气反动式汽轮机，现采用ENTEK振动检测系统对汽轮机运行状态进行诊断与监测。其详细的汽轮机转子运行故障诊流程为：对汽轮机转子振动信号信息进行检测和采集、分析与处理、传输、推理以及控制等。因为振动信号检测是判断汽轮机转子运行故障的主要依据，振动信号分析与处理工作是判断汽轮机转子故障的关键环节，传输与推理是整体运行故障判断的核心，控制是汽轮机转子运行故障诊断的最终目标。同时在汽轮机转子内部安装电涡流传感器，将线缆与控制箱相连，控制箱自带的振动监测模块可完成高速度数字振动信号的传输与处理工作，再使用以太网将信号处理结果上传至上位机中，从而完成汽轮机转子运行故障的诊断工作。 3.1对ENTEK振动检测系统的利用 在该炼油厂使用的ENTEK振动检测系统性能参数如下所示：型号：NK25/NK28/NK12.5；额定功率：1178KW、常规功率：1071KW；额定转速：12176RPM、常规转速：9132RPM-12785RPM；最大进汽压力：1.2MPa（a）、常规进汽压力：1MPa（a）；常规排汽压力：0.012MPa（a）；最大进汽温度300摄氏度、常规进汽温度230摄氏度。 在ENTEK振动检测系统中，对于汽轮机转子运行故障的诊断，产生的信号数据直接送至XM模块中，经过以太网的传输，将信号传输至emonitor系统软件内部，在该软件界面中，实现传感器与信号数据的相接，使其成为振幅型数据，从而可知由emonitor系统软件连接的采集器、监测模块以及保护监测表共同组成具有共享能力的数据库，其共享数据库内自主携带故障诊断工作，能够依据实际需求，对汽轮机转子的运行故障类别进行准确定位，对此，操作人员以手动输送的方式，完成故障诊断报告的生成工作。 在此系统故障诊断环节中，由汽轮机转子振动值超出限定值而产生的故障，则需对汽轮机进行停机检修，同时加大对转子运行状态的监测工作，并对转子的转速进行妥善控制。汽轮机转子在初始运行期间，振动值均以达到限定值范围，但是由于难以在生产中对汽轮机进行检修。因此，采用转子减速与状态控制的方式，实现对汽轮机转子运行故障的诊断工作。 3.2报警和故障诊断 在对汽轮机转子振动信号数据分析过程中，应利用事先采集的信号设置与之相对应的报警界定，进而才能在振动值高出正常限定值时，及时对汽轮机转子的运行故障类型进行识别和分类，其详细的振动值高超报警流程为：输定报警值界限——输入采集数据限号——汽轮机转子运行——发生警报。首先，对转子平衡度较差故障诊断：水平与垂直倍频不平衡值均大于等于1、单倍频振动效果较为明显；其次，转子摩擦故障诊断：4倍频占据1倍频20%以上、5倍频与0.5倍频占据1倍频10%以上、2倍频占据1倍频50%以上、3倍频占据1倍频20%以上以及1倍频在界定值以上；最后，油膜涡动与油膜振动故障诊断：0.5倍频、1倍频其幅值均在2.0以上。 3.3摩擦振动故障排查措施分析 通常情况下，汽轮机转子运行的环境比较复杂，它在运行过程中不仅会受到高速旋转和气流冲击作用力，同时高温、潮湿以及高压的工作环境会对转子造成一定的破坏，影响机组转子的安全稳定运行。因此，应当对转子日常的保养和检查工作给予高度的重视，一旦检查过程中发现故障，维修技术人员应当立即采取解决措施，对产生摩擦振动的部件进行必要维修，而如果机组部件维修价值不高应当进行更换，以消除摩擦振动对汽轮机运行造成的不利影响。 3.4汽轮机积盐原因及处理措施 对于正常运行的汽轮机，其饱和蒸汽实际含盐量会与过热蒸汽含盐量相同或饱和蒸汽含盐量略高。若汽轮机的过热蒸汽含盐量比过饱和蒸汽含盐量高时，则说明汽轮机内部积盐现象已很严重，此时应及时停机，全面清洗汽轮机。在清洗时我们常用到两种处理方法手工除垢与喷砂除垢。如果用这两种除垢法不能完全去除汽轮机内部污垢，可用柠檬酸溶液配合软水来进一步清洗汽轮机。 转子系统的故障机理及其诊断技术 1 概述 旋转机械的种类繁多，有发电机、汽轮机、离心式压缩机、水泵、通风机以及电动机等等，这类机械的主要功能都是由旋转动作完成。旋转肌械故障是指机械的功能失常，即其动态性能恶化，不符合技术要求。例如机械运行失稳，机械发生异常振动和噪声，机械的工作转速、输出功率发生变化，以及介质的温度、压力、流量异常等。机械发生故障的原因不同，所产生的信息也不一样，根据机械特有的信息，可以对机械故障进行诊断。但足机械发生故障的原因往往不是单?一的因素，特别是对于机械系统中的旋转机械故障，往往是多种故障耦合结果，所发对旋转机械进行故障诊断，必须进行全面的综合分析研究。 旋转机械的主要功能是由旋转动作写成的，转子是最主要的部件。旋转机械发生故障诊断的觅要特征是机器伴有异常的振动和噪声，其振动信号从幅值域、频率域和时间域实时地反映了机器故障信息。因此，了解与掌握转子系统在故障状态卜?的振动机理，对于监测机器的运行状态和提高故障诊断的准确度具有重要的理论意义和实际的工程价值。 2转子系统的故障机理2.1转子不平衡故障机理 转子不平衡包括转子的质量偏心及转子部件出现缺损。 转子质量偏心是由于转子的制造误差、装配谋差、材质不均匀等原因造成的，称此为初始不平衡。转子部件缺损是指转子在运行中由于腐蚀、磨损、介质结垢以及转子受疲劳力的作用，使转子的零部件（如叶轮、叶片等）局部损坏、脱落，碎块飞出等，造成的新的转子不平衡。 图2.1转子力学模型 设转子的质承为M,偏心质最为m,偏心距为e,如果转子的质心到两轴承连心线的垂直距离不为零，具有挠度为a,如图2.1所示。由于偏心质量m和偏心距e的存在，当转子转动时将产生离心力、离心力矩或两者兼而有之。离心力的大小与偏心质量m、偏心距e及旋转速度有关，即F = mecu2.众所周知，交变的力（方向、大小均周期性变化）会引起振动,这就是不平衡引起振动的原因。转子转动一周,离心力方向改变一次，因此不平衡振动的频率与转速相一致。 实际工程中，由于轴的各个方向上刚度有差别，特别是由于支承刚度各向不同，因而转子对不平衡的响应在x,y方向不仅振幅不同，而且相位也不是90度,因此转子的轴心轨迹不足圆而是椭圆，表2.1是转子发生不平衡时的故障特征。 表2.1转子不平衡的振动特征 ~待征频率振动稳定性振动方向相位特征轴心轨迹进给方向矢量区域 第37卷第5期 2015年10月探测与控制学报Journal of Detection &Control Vol .37No .5Oct .2015 一?收稿日期:2015-02-11作者简介:尹洪伟(1987 ),男,江苏徐州人,博士研究生,研究方向:目标中近程探测二识别与信息对抗技术三E -mail :y inhon g wei168@https://www.wendangku.net/doc/f36245459.html, 三改进的复值快速独立分量分析算法 尹洪伟,李国林,路翠华 (海军航空工程学院,山东烟台264001) 摘一要:针对复值快速独立分量分析算法(CFastICA ) 对初始权值敏感且收敛速度较慢的问题,提出了改进的CFastICA 算法三该算法首先利用牛顿下降因子优化牛顿迭代的收敛方向, 使分离矩阵在一定程度上接近最优值,然后去除牛顿收敛因子,利用普通牛顿迭代实现分离矩阵快速收敛三仿真实验表明:提出的算法拥有和牛顿下降CFastICA 同样的收敛精度,收敛时间比牛顿下降CFastICA 减少了近53%,且在低SNR 下,提出算法的综合收敛性能明显优于CFastICA 和牛顿下降CFastICA 算法三关键词:盲源分离;复值快速独立分量分析算法;牛顿迭代 中图分类号:TN974一一一一文献标志码:A 一一一一文章编号:1008-1194(2015)05-0022-04 An Im p roved Com p lex Value Fast ICA Al g orithm YIN Hon g wei ,LI Guolin ,LU Cuihua (Naval Aeronautical and Astronautical Universit y ,Yantai 264001,China )Abstract :An im p roved CFastICA al g orithm was p ro p osed to solve the p roblem of initial value sensibilit y and to im p rove conver g ence s p eed .First ,Newton decline factor was used to o p timize Newton iteration conver g ence direction to make the se p arated matrix be close to the o p timal value to a certain extent ,then remove the conver -g ence factor and use the ori g inal Newton iteration realize fast conver g ence .Simulation results showed that the p ro p osed al g orithm had the same conver g ence p recision with Newton decline CFastICA ,and its conver g ence time was 52.85%less than Newton decline CFastICA .The combination p ro p ert y of p ro p osed al g orithm was si g -nificantl y better than both of CFastICA and Newton decline CFastICA under the low SNR . Ke y words :blind source se p aration ;com p lex value FastICA ;Newton iteration 0一引言 由于盲分离算法对信号先验知识无依赖性, 近年来其在雷达二声呐二语音二通信二图像和医学 等领域都得到了快速发展[12]三而一些领域,如阵列信号处理,其信号往往是复数形式,针对该特点,实数盲分离算法被扩展到了复数领域[3]三其中最典型的算法为复值快速独立分量分析(FastICA )算法,该算法因采用牛顿迭代而具有较快的收敛速度三但该算法存在一个大的缺陷,即当初始分离矩阵偏离最优值较远时,特别是含噪声条件下,不容易收敛到到最优点,甚至无法 收敛[45]三为解决这个问题,国内外不少学者进 行了研究三但总体来看,对该问题的解决方法主要有三种:一是对算法中非线性函数的优化,如文献[6-8],该方法虽可以在一定程度上缓解上述问题,但是也只是起到改善的效果,并不能从根源上解决;二是引入牛顿下降因子以保证牛顿 迭代朝着最优值方向,如文献[9-11],虽然效果很好,但这使得本来具有快速收敛优势的牛顿算 法速度被削减;三是先利用最速梯度法改善初始 分离矩阵,然后再利用牛顿迭代获取最优分离矩 阵,如文献[5,12],但是该算法中的所谓最速梯度,实际上就是牛顿算法[12],并不能起到良好的稳定效果三本文针对此问题,提出了改进的 CFastICA 算法三 滚动轴承故障的机理分析 一、轴承产生振动机理 由于滚动轴承的内、外圈和滚动体都是弹性体，构成振动系统或以子系统的形式耦合在整个系统中。内、外圈和滚动体都有自己的振动特征----固有频率和振型。所以从轴承的振源不同，滚动轴承的振动可分为非轴承故障性振动和轴承故障性振动。使用同步平均处理拾得的振动信号来寻找轴承故障几乎是不可能的，因为轴承信息中的基频是非同步的。滚动轴承有损伤时，其振动波形往往是调幅波。相当于载波的是轴承各部件及传感器本身以其固有频率振动的高频成分，起调制作用的是与损伤有关的低频成分。 冲击振动从分析的角度来看可以分为两种类型。第一种是直接分析由于滚动体通过工作面上的缺陷、产生反复冲击而形成1kHz以下的低频振动，或称为轴承的通过振动，它是滚动轴承的重要特征信息之一。但是由于这一频带中的噪声干扰很大，所以不容易捕捉到早期诊断信息。第二类是分析由于冲击而激起的轴承零件的固有振动。实际应用中可以利用的固有振动有三种： 1)轴承内、外圈一阶径向固有振动，其频带范围一般在1—8kHz之间。 2)轴承零件其他固有振动，其频率范围多在20一60kHz之间。 3)加速度传感器的一阶固有频率，其频率中心通常选择在10一25kHz附近。 1、非轴承故障性振动 非轴承故障性振动主要有安装不当或制造误差引起的偏心，转子或转轴不平衡引起的振动，这类振动往往被用来作为对转子故障进行诊断的信息。在滑动轴承和高速旋转机械中更是如此。 2、滚动轴承结构引起的振动 对于水平轴旋转时，每个钢珠通过轴的正下方时，轴就会略为向上升起。这样就产生了回转轴端部的上下运动。这种运动也称为滚动元件的通过振动。 3、轴承故障性振动 轴承故障性振动主要由下列各种原因引起： 1）由于载荷过大引起内、外圈和滚动体变形过大导致的旋转轴中心随滚动体位置变化所引起的振动----传输振动。还有因安装不准确或滚动体大小不一致引起的振动。一般情况下，这样的振动其频率较低（≤1KHz）。 2）由于润滑脂的润滑性能不良引起的非线性振动。 汽轮发电机组转子材质缺陷引起的振动问题分析 0前言 锻件毛坯质量对于保证加工后的汽轮发电机组转子安全稳定运行极为重要。当制造厂出厂的转子材料存在明显的组织不均匀或残余内应力过大时，机组运行中就会发生转子热弯曲或永久弯曲，造成振动增大及波动，甚至振动超过限值引 起机组跳机，对机组的安全运行构成严重威胁。 目前国内生产的大型汽轮发电机组转子的锻件毛胚大多从日本、意大利等工业发达国家进口，还有一些由国内一重和二重提供。随着国内外合金钢冶炼技术和锻压技术的提高，总体而言这些进口及国内生产的转子锻件毛坯质量较好，但由于锻件设备生产周期短、质量控制不严等原因，仍有极个别的转子锻件毛坯材质出现质量问题。如果汽轮发电机组制造厂转子毛坯进货把关出现漏洞，或没有进行相关的退应力热处理试验时，这些问题锻件毛坯加工后的转子在运行中会出现不稳定振动问题，有时在现场无法处理，严重影响机组安全稳定运行，给发电用户造成很大的经济损失。 本文将着重对转子锻件毛坯缺陷引起的振动机理、振动特点进行阐述,并给出近年在国内电厂发生的三个与转子材质缺陷有关的振动分析和处理实例予以说明。 1材质缺陷转子引起的振动机理和特点 1.1转轴材质不均匀 转子材质不均匀是指转子锻件内部存在气隙、夹杂、鼓泡等因素形成转子径向纤维组织不均匀，使材料的物理特性存在各相异性。这类问题通常是在锻件生产和热处理过程中的缺陷引起的。在机组运行中当材质各项异性的转子受热以后，转轴将会产生不均匀的轴向或径向膨胀，引起转子出现热弯曲，即热态下转子的质心较冷态时发生变化，引起不平衡振动。 该不平衡振动的大小与转子的受热状态有直接的关系。由于汽轮机工作环境温度较高，如果转子材质存在组织不均匀缺陷，相比发电机转子，则弯曲量可能更大，对振动的影响也更显著。 这类材质缺陷问题引发的振动特点通常与大多数热弯曲转子呈现的一样，冷态（空载）振动不大，带负荷后，当转子温度达到一定数值后，振动开始爬升，严重时超过限值引发跳机。振动高位时立即停机惰走通过转子一阶临界转速时的振动较冷态启动时增大许多，低转速时转子晃度也比冷态启动时增大许多。当机组降负荷或解列后，转子温度降低，振动一般也随之减小，当然振动的较小与降负荷过程有一定的时间滞后。 1.2转轴残余内应力过大 转子毛坯在锻压过程中在其内部会产生很大的残余应力。通常情况下毛坯锻件应堆放在室外较长一段时间进行自然时效来释放内应力，或在恒温炉中进行去除应力的热处理试验，保证锻件内的残余内应力降至合理的水平，然后再对其进行机械加工制成转子成品。如果锻件毛坯的时效时间不够，或未进行去除应力的热处理试验及去除应力热处理试验工艺不当时，则该锻件毛坯加工后的转子残留的内应力在机组运行过程中将不断释放，造成转子发生永久弯曲进而引发强烈振动。 第八讲特征提取和特征选择 一、基本概念 1、特征的生成 （1）原始特征的采集和转换 通过对原始特征的信号采集，获得样本的原始表达数据， 从原始数据中选择或计算出对分类任务有用的原始特征，并转换成可用 的形式 原始数据： 像素点RGB值矩阵 可用的原始特征： 轮廓特征 颜色特征 纹理特征 数学特征 （2）有效特征的生成 目的： 降低特征维数，减少信息冗余 提升特征的有效性 方法： 特征提取：提高特征对类别的分辨能力 特征选择：寻找对分类最重要的特征 2、 特征提取 通过某种变换，将原始特征从高维空间映射到低维空间。 A ：X →Y ； A 为特征提取器，通常是某种正交变换。 最优特征提取：J(A*)=max J(A)， J 是准则函数 3、 特征选择 从一组特征中挑选出一些最有效的特征，以达到降低特征空间维数的目的。 D d d i S y y y y F x x x S i d D <=∈→;,...,2,1,} ,......,,{:},......,,{:2121 原始特征集合S 中包含D 个特征，目标特征集合F 中包含d 个特征； 最优特征选择：J(F*)=max J(F)， J 是准则函数 4、 准则函数的选取 （1） 准则函数的选取原则 分类正确率是最佳的特征提取和特征选择准则函数，但难以计算。 实用的类别可分性准则函数应满足以下要求： 与分类正确率有单调递增关系 当特征独立时具有可加性：∑==d k k ij d ij x J x x x J 1 )()...21，， ，（ 具有标量测度特性：?? ? ??===≠>ji ij ij ij J J j i J j i J 时 ，当时 ，当00 牵引电机常见故障及电流分析法诊断机理 1引言 牵引电机发生各种故障发生的具体情况不尽相同,但不管发生哪种故障,其故障初期时都会通过不同形式反映出一定变化等。因此,可以对这些特定信号进行监测分析以从中找出某些故障的特征,对一些牵引电机故障做出诊断，本文主要讲述了基于定子电流分析来诊断电机故障。 2牵引电机的故障类型及原因 （1）电机定子绕组故障主要包括层间、匝间短路故障，几乎40%的牵引电机故障都属于定子距间短路故障，而绝短路故障的主要原因有线圈松动导致层间垫条磨损，线圈制作过程中匝间绝缘遭受损伤或匝间绝缘材质不良、匝间绝缘厚度不够或结构不合理等。 （2）转子故障表现为笼条及端环断裂，开焊，主要因为电机在反复启动、运行、停转过程中，转子不仅承受很大冲击力和应力还会受到较大的离心力。由于存在变形和位移，笼条和端环会因应力分布不均匀而断裂，另外负载变化和电压波动使笼条在交变负荷的作用下容易产生疲劳发生转子故障，将出现电机启动时间延长、转差率增大、电机噪声增加等甚至更严重的影响。 （3）对牵引电机而言,气隙偏心也是常见故障之一转子偏心将导致气隙不均衡,产生了非平衡气隙电磁拉力,并进一步同时引起定转子振动,并最终导致轴承故障和机械故障，气隙偏心分为静态偏心故障和动态偏心故障两种形式,其中,静态偏心是由定子铁心内径的椭圆度或装配不正确造成的,和转子本身的位置无关;动态偏心是由转轴弯曲,轴径椭圆,临界转速时的机械共振、轴承磨损造成的,其偏心位置与转子位置和旋转频率有关,在空间上是动态变化的。 3基于定子电流分析的故障诊断原理 （1）定子绕组匝间短路机理分析 交流电动机的定子绕组一般均采用在时间及空间上均互差120°的三相对称分布绕组。当某相定子绕组存在匝间短路时,定子绕组的对称性遭到破坏。由定子绕组产生的气隙磁势由对称时的圆形变为椭圆形,该椭圆形磁势可以分解为正转分量和反转分量,二者转速相同、转向相反。当故障不很严重时,前者的幅值远远大于后者的幅值。正转分量在定子绕组中感应出频率为f1的交流电动势,在转子绕组中感应出频率为sf1电动势和电流。而反转分量在定子绕组中同样可以感应出频率为f1的交流电动势,但是相序相反,从而在定子三相电流中产生了负序分量。因而得出结论:定子绕组匝间短路的故障特征是三相定子电流不对称,出现负序电流分量。定子电流中的负序分量可以用三相不平衡度:?1=I1/I2来表示,其中I1为正序分量,I2为负序分量。电力机车为大功率、移动性、非线性和单相负载,而且频繁地在起动、加速、惰形和制动等工况之间转换,这种牵引供电系统舉相负载的特殊性,必然导致三相电网电流不平衡,在三相电网产生一定量的负序电流，为了解决这一问题,可以求出三相定子端电压的三相不平衡度:?U=U2/U1,将?1??U作为定子绕组匝间短路的判断依据,这样就抵消掉了电网产生的不平衡度。 (2)转子断条故障机理分析 电机振动故障机理的探讨 一、引言 电机的电气振动故障分析目前从理论上和实践中都是比较成熟的，有着不少成功的例证。但从电机故障分析工作过程反映，电机的一些机械影响因素也会产生与理论上的电气故障现象相同或相近的特征。另外，空气动力噪声也容易使人误认为存在电气问题。 二、 故障机理分析 几个常用术语 线频L f = 50 Hz (电网频率、电源频率) 电级通过频率p f = 电级数p×转差频率s f = 2S L f (一般0.3∽2 Hz；电极数越大，p f 值亦越大) 转差频率s f = ( 同步转速－异步转速)/ 60 (Hz)L f –电源频率Hz; p－电级数（电级对数为p/2） 转子条通过频率＝线槽频率＝转子条数k×RPM/60（Hz） 转子条数＝转子极数＋转速差？？？ 同步转速n =60×L f /( p/2) （RPM） 同步频率（旋转磁场转速）L f /( p/2) （Hz） 转子转速1n RPM） 转子的速度频率为( 1 –S ) L f / ( p/2) 转差率S =（n－1n ）/ n （一）定子异常产生的电磁振动原因及故障特征： 电机磁场是以同步速度n 在旋转，则其磁场交变频率与电网频率相同为L f 。定子电磁振动频率为旋转磁场频率L f /( p/2)和电磁动力级数p 的乘积2L f , 也就是2倍的电源频率。 1.径向振动存在2L f 分量，表明有气隙偏心、相间电流不平衡、绕组断路或铁心松动。 2.径向振动存在线槽频率k L f 分量，表明存在气隙偏心故障。 3.磁力中心不正常时与上述相同，再加上频率为2L f 的轴向振动大。2 L f ±f 频率成分模式识别特征选择与提取
汽轮机转子运行故障分析及诊断
转子系统的故障机理及其诊断技术
改进的复值快速独立分量分析算法
滚动轴承故障机理分析 (DEMO)
转子材料缺陷引起的振动问题分析
第八讲 特征提取和特征选择(讲义)
牵引电机常见故障及电流分析法诊断机理
电机振动故障机理分析探讨 (DEMO)