摘要
三相鼠笼式感应电机由于结构简单、制造成本低、坚固耐用等优点被广泛应用于工业生产中。作为工业生产的重要动力源，感应电机的正常运行至关重要。由于感应电机工作环境复杂以及自然老化等原因，导致其容易产生故障。电机故障发生的早期如果不能及时诊断，则会导致故障进一步加剧，进而影响生产安全。对感应电机的故障诊断方法进行研究，有助于在故障发生的早期及时发现，减少因故障引发的生产安全事故及经济损失。本文基于电流信号故障特征提取和机器学习方法对三相鼠笼式感应电机的故障诊断进行研究，主要内容如下： (1)针对三相鼠笼式感应电机的转子断条、定子绕组匝间短路和混合气隙偏心故障，根据电磁学相关知识对故障的产生原因、过程及机制进行分析，并推导出不同故障在电机定子电流中导致的故障特征频率分量。通过Maxwell有限元仿真软件搭建正常及故障状态下的电机模型，并结合Simplorer多领域仿真平台进行联合仿真，获得理想情况下的定子电流信号，对故障机理进行了验证。搭建感应电机故障实验平台，采集实际运行情况下的电机定子电流数据，为后续研究提供数据支撑。 (2)针对三相鼠笼式感应电机定子电流信号由于非线性非平稳性特点隐含在信号中的故障分量无法有效提取的问题，研究了改进的经验模态分解在信号处理中的优越性，提出了一种基于快速集成经验模态分解结合信息熵的三相鼠笼式感应电机故障特征提取方法。快速集成经验模态分解通过对集成经验模态分解的改进，在改善模态混叠现象的同时具备快速性，利用快速集成经验模态分解将定子电流信号分解为一系列本征模态分量，通过皮尔逊相关系数法选取其中相关系数大于阈值的分量作为有效分量，分别计算有效分量的能量熵和样本熵作为三相鼠笼式感应电机的故障特征向量。 (3)针对感应电机的故障分类识别问题，采用支持向量机作为分类器，对感应电机的不同故障类型进行分类识别，并建立BP神经网络与极限学习机两种分类模型进行对照比较。由于支持向量机存在参数优化问题，将沙猫群优化算法应用到支持向量机参数寻优中，构建一个通过参数优化提升性能的支持向量机分类模型，并引入粒子群和灰狼两种优化算法进行对比研究。结果表明：支持向量机模型的故障诊断准确率相对较高，但基于传统机器学习模型的整体故障诊断率偏低。参数优化可以提高支持向量机模型的诊断准确率，其中沙猫群优化支持向量机的故障诊断准确率最高达到95.8%。 (4)针对传统机器学习中智能寻优算法导致的诊断模型复杂度高和运行时间增加问题，本文以深度置信网络作为深度学习模型对感应电机的不同故障进行识别。相比于浅层机器学习模型，深度置信网络模型拥有更深层次结构借助模型的多层结构优势，使它拥有极强的特征学习和更好的分类能力。结果表明：采用深度置信网络的方法对感应电机的各类故障进行诊断，实现了高达97.5%的诊断准确率，能对不同故障进行分类识别，与支持向量机模型和沙猫群优化支持向量机模型相比具有一定的优越性。
NETL