基于骨干微粒群算法和支持向量機(jī)的調(diào)速電機(jī)轉(zhuǎn)子斷條故障診斷

5.1基波濾除和特征量提取   

         圖為調(diào)速電機(jī)的定子電流信號(hào)頻譜故障特征分量，由于調(diào)速電機(jī)的基波分量的泄漏及轉(zhuǎn)差率太小，wq被淹沒，而無(wú)法辨認(rèn)。在調(diào)速電機(jī)中，由于轉(zhuǎn)差率的增大和故障的加劇，故障特征沒有被關(guān)分量wq淹沒，但是仍就十分微弱。因此必須濾除基波分量，且不能影響故障特征分量，才能實(shí)現(xiàn)轉(zhuǎn)子斷條故障的可靠檢測(cè)和診斷。

       利用本文所提方法，對(duì)上述三種狀態(tài)的電流信號(hào)分別進(jìn)行濾除基波操作，獲得殘余調(diào)速電機(jī)的電流信號(hào)的頻譜所示。在這過(guò)程中，BBPSO算法的參數(shù)設(shè)置對(duì)殘余電流信號(hào)進(jìn)行3層Symlets小波包(經(jīng)多次嘗試該小波分解效果{zj0})分解，求取各頻段信號(hào)的能量，并歸一化。由于感應(yīng)調(diào)速電機(jī)轉(zhuǎn)子斷條故障特征分量主要分布在電源頻率附近，因此選擇3,4, 5頻段信號(hào)能量作為特征參量，摒棄與感應(yīng)調(diào)速電機(jī)狀態(tài)變化關(guān)系較小或無(wú)關(guān)的頻段對(duì)故障診斷所帶來(lái)的干擾。所列信號(hào)的特征向量。