导读:本文包含了电机故障诊断论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:故障诊断,电机,稀疏,变换器,特征,霍尔,永磁。
电机故障诊断论文文献综述
徐林,郑晓彤,付博,田歌[1]（2019）在《基于改进GAN算法的电机轴承故障诊断方法》一文中研究指出提出一种基于改进GAN(生成对抗网络)的滚动轴承故障诊断方法,以振动信号作为主要依据,结合连续小波变换处理非平稳信号的能力和半监督生成对抗网络(semi-supervised generation adversarial netw orks,SSGAN)处理和识别图像的功能,在半监督生成对抗网络的基础上引入条件模型并对损失函数进行优化,指导生成器和判别器的训练.首次将改进GAN算法应用于故障诊断领域并利用其生成模型和半监督学习能力分别解决了样本数据不足和样本标记问题.实验表明,连续小波变换与改进GAN结合的故障诊断方法与其他主流诊断方法相比能达到较高准确率.(本文来源于《东北大学学报(自然科学版)》期刊2019年12期）
姚东红,苏俊博[2]（2019）在《大游隙轴承电机故障诊断方法研究》一文中研究指出针对采用MCA技术对大游隙轴承电机进行技术状态监测时出现的阻抗和电感不平衡问题,通过振动、ESA测试做进一步分析,找到问题的原因和适用于大游隙轴承电机的故障诊断方法。(本文来源于《设备管理与维修》期刊2019年22期）
林辉,张希[3]（2019）在《基于有限状态机的电机霍尔传感器故障诊断与补偿策略》一文中研究指出针对在复杂工况下运行的永磁无刷电机霍尔位置传感器故障,提出了基于有限状态机的故障诊断方法.该方法可准确区分正常霍尔信号、故障霍尔信号以及反向霍尔信号,并将有限状态机与设计的超螺旋转速观测器相结合,实现了对发生在任意扇区内霍尔位置传感器故障的实时检测.在此基础上,设计了霍尔信号补偿控制器,利用正常霍尔传感器与转速观测器的估计转速生成补偿霍尔信号,使电机能在单个或2个霍尔位置传感器故障时,仍能保持稳定运行,并减小了故障引起的性能波动.最后,利用永磁无刷电机实验平台对所提控制策略进行了验证.实验结果表明,所提故障诊断方法能及时检测出霍尔传感器故障,后续的补偿控制策略也能保证故障后电机的平稳运行.(本文来源于《东南大学学报(自然科学版)》期刊2019年06期）
王训训,陈天,刘正杰,俞啸,丁恩杰[4]（2019）在《粒子群优化融合随机森林的电机故障诊断方法》一文中研究指出针对叁相电机实际识别准确率较低的问题,研究了一种智能的电机故障诊断方法。以叁相电机振动数据为研究对象,结合粒子群优化算法和随机森林算法,建立了优化的随机森林算法模型对电机故障状态进行模式识别。提出一种融合K均值聚类算法和随机森林重要性选择方法的敏感特征提取算法,用以对故障敏感特征进行提取。对电机的八种运行状态进行实验验证,实验结果显示该方法能准确和高效地识别出电机故障状态。(本文来源于《微特电机》期刊2019年10期）
王黎阳,杜翀,汪欣,翟旭平[5]（2019）在《一种基于稀疏自编码器的电机故障诊断方法》一文中研究指出在电机故障诊断研究领域,基于人工智能技术和现代信号处理方法相结合的故障诊断技术正逐步成为目前的研究热点。一般的模式识别方法往往对信号的数据采集和处理有较高要求,且往往因模型泛化能力有限而受到制约。为解决这一问题,提出一种基于稀疏自编码器的故障诊断方法,利用Hilbert包络谱信号训练稀疏自编码器,自适应将大数据的内在特征提炼为简单的特征函数,通过特征函数表达实现电机状况的智能诊断。实验结果表明,相比BP(Back propagation,BP)神经网络和支持向量机分类算法,本方法可快速、有效地提高故障分类的准确度,对电机故障精准诊断具有重要意义。(本文来源于《噪声与振动控制》期刊2019年05期）
曹庆皎,王静爽,王奕卓[6]（2019）在《基于虚拟仪器和MCSA技术的电机转子断条故障诊断的研究》一文中研究指出本设计利用LabVIEW可视化技术,通过ARM芯片STM32103对霍尔传感器采集的数据进行处理,实现了对电机转子断条故障的诊断,开发利用电流频谱诊断分析技术(MCSA),测试电机负载运行时的电流信号,利用傅里叶快速变换分析电流时域信号转换的频谱,以判断电机运行过程中出现的转子断条故障。(本文来源于《科技创新与应用》期刊2019年29期）
王惠中,贺珂珂,房理想[7]（2019）在《深度学习在电机故障诊断中的应用研究》一文中研究指出针对电机故障诊断采用传统神经网络易陷入局部极小值等问题,提出一种新型的特征学习诊断方法。方法通过多个稀疏自编码器的堆迭构建深层次的神经网络,提取故障信号特征,结合Softmax分类器对其进行分类。首先,对故障信号做频域变换,采集频域数据作为输入样本。然后通过逐层贪婪预训练获得神经网络的初始权重,利用反向传播算法进行全局微调,优化神经网络参数。最后,用训练完成的网络识别故障。上述方法提高了诊断的准确率,改善传统方法的不足。通过仿真验证了上述模型的有效性和可行性,且优于传统的支持向量机诊断方法。(本文来源于《计算机仿真》期刊2019年10期）
张周磊,李垣江,李梦含,魏海峰[8]（2019）在《基于深度学习的永磁同步电机故障诊断方法》一文中研究指出针对永磁同步电机匝间短路和永磁体失磁故障因处理复杂、特征独立单一和样本稀少等因素引起的诊断偏差问题,提出一种基于深度学习变分自编码网络的故障特征样本快速扩展策略及融合稀疏自编码网络的故障诊断方法。通过组合永磁同步电机频域电流、磁通密度、电磁转矩特征,结合变分自编码网络的生成模型实现故障真实样本扩张,构建丰富、多样、更具鲁棒性的训练集合。将优化数据集输入稀疏自编码网络训练诊断模型,用测试数据验证网络的优劣。实验结果表明,相比传统故障诊断方法,该算法能更加高效快速地实现匝间短路及失磁故障诊断。(本文来源于《计算机应用与软件》期刊2019年10期）
姜新通,刘钊铭,陈言,白宇[9]（2019）在《基于参数估计算法的异步电机定子电流故障诊断》一文中研究指出参数估计算法是基于故障时电机特性参数变化来诊断异步电机故障的一种经济有效方法。首先研究了电机定子短路故障的数学模型,根据数学模型确定了代表电机故障的四个特征参数,并在Simulink参数估计工具箱中采用全局搜索算法成功估计这四个参数。最后,通过仿真结果验证了参数估计算法在噪声环境下基于低信噪比(S/N)的定子电流故障诊断可行性。(本文来源于《电气自动化》期刊2019年05期）
杨文浩,苟斌,雷渝,宋潇潇,王军[10]（2019）在《基于自适应滑窗的开关磁阻电机调速系统故障诊断》一文中研究指出针对开关磁阻电机调速系统(SRD)中功率变换器单管短路故障和传感器噪声故障,提出将k-邻近算法(kNN)和极限学习机(ELM)相结合的自适应滑窗故障诊断方法。通过对故障进行分析,采集叁相定子电流作为原始数据,将快速傅里叶变换和ReliefF算法用于特征提取与选择,形成kNN算法与ELM算法相结合的多窗口自适应故障诊断机制。通过离线与在线仿真实验,证明了该方法诊断速度快,精度高。(本文来源于《微特电机》期刊2019年09期）
电机故障诊断论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
针对采用MCA技术对大游隙轴承电机进行技术状态监测时出现的阻抗和电感不平衡问题,通过振动、ESA测试做进一步分析,找到问题的原因和适用于大游隙轴承电机的故障诊断方法。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
电机故障诊断论文参考文献
[1].徐林,郑晓彤,付博,田歌.基于改进GAN算法的电机轴承故障诊断方法[J].东北大学学报(自然科学版).2019
[2].姚东红,苏俊博.大游隙轴承电机故障诊断方法研究[J].设备管理与维修.2019
[3].林辉,张希.基于有限状态机的电机霍尔传感器故障诊断与补偿策略[J].东南大学学报(自然科学版).2019
[4].王训训,陈天,刘正杰,俞啸,丁恩杰.粒子群优化融合随机森林的电机故障诊断方法[J].微特电机.2019
[5].王黎阳,杜翀,汪欣,翟旭平.一种基于稀疏自编码器的电机故障诊断方法[J].噪声与振动控制.2019
[6].曹庆皎,王静爽,王奕卓.基于虚拟仪器和MCSA技术的电机转子断条故障诊断的研究[J].科技创新与应用.2019
[7].王惠中,贺珂珂,房理想.深度学习在电机故障诊断中的应用研究[J].计算机仿真.2019
[8].张周磊,李垣江,李梦含,魏海峰.基于深度学习的永磁同步电机故障诊断方法[J].计算机应用与软件.2019
[9].姜新通,刘钊铭,陈言,白宇.基于参数估计算法的异步电机定子电流故障诊断[J].电气自动化.2019
[10].杨文浩,苟斌,雷渝,宋潇潇,王军.基于自适应滑窗的开关磁阻电机调速系统故障诊断[J].微特电机.2019
论文知识图
