前言:想要寫出一篇引人入勝的文章?我們特意為您整理了牽引電機故障診斷方法分析范文,希望能給你帶來靈感和參考,敬請閱讀。
摘要:論文對牽引電機的構成、工作原理、常見故障及故障檢測機理進行了分析,并對目前存在的牽引電機故障分析和診斷方法進行了論述。
引言
牽引電機是驅動裝置的關鍵部件之一,其正常運行對車輛的行車安全和運輸效率至關重要。在車輛運行時,牽引電機的工作條件惡劣,需經受灰塵、雨雪的侵襲,環境溫度變化劇烈,負載變化頻繁,動力作用大,承受來自輪軌的沖擊和振動。這使得牽引電機易發生損壞,需要經常進行診斷。本文通過對牽引電機的構成、工作原理、常見故障及故障檢測機理進行了分析,并對目前存在的牽引電機故障分析和診斷方法進行了論述。
1牽引電機故障機理
CRH380A型動車組采用我國YQ365型牽引電機。該電機的主要參數如表1所示。牽引電機安裝在動車轉向架輪上,主要由轉子、定子、軸承、速度傳感器、溫度傳感器等組成。該牽引電機采用三相鼠籠式結構,剛性懸掛在轉向架上。牽引電機定子主要包括定子繞組、鐵芯兩部分。電機轉子采用銅條鼠籠結構,主要由端環、導條、轉軸、和鐵芯壓圈等部件組成,如圖1、圖2所示。
1.1異步牽引電機工作原理
牽引電機工作時,當繞組接入三相電源時,定子繞組將產生旋轉的正弦分布磁動勢,作用在氣隙上產生旋轉磁場切割轉子導體產生感應電勢,在轉子導體中將有電流通過。轉子電流和定子磁場在轉子上產生機械轉矩。旋轉磁場與轉子導體中的電流相互作用,產生電磁力,在電磁力的作用下形成電磁轉距,拖動轉子順著旋轉磁場方向旋轉。只有同步轉速n1大于轉子轉速n時,即n<n1時,轉子回路才產生感應電流,定義轉差率為:s=(n1-n)/n。1.2牽引電機常見故障動車組牽引電機的常見故障有定子故障、轉子故障、軸承故障和氣隙偏心故障等,定子故障表現為局部過熱或絕緣失效,主要是由定子匝間短路造成的;轉子可能出現的故障有轉子斷條或端環斷裂,這些故障會使牽引電機在運行過程中發熱,造成導條和端環損壞;軸承由保持架、滾動體、外圈和內圈組成,其故障也出現在這些部位,另外還可能出現局部損傷、磨損等。牽引電機氣隙偏心故障分為鐵芯呈橢圓形或定轉子不同軸心造成的靜態偏心和由轉軸彎曲、軸徑橢圓、高轉速時的機械共振造成的動態偏心故障。
1.3牽引電機故障檢測機理
牽引電機不同部件發生故障的機理是不同的。以軸承故障為例,軸承是動車組牽引電機的重要部位之一,動車在實際運行的過程中,軸承更容易受到損害,而且故障率很高,產生的故障也難以診斷。當電機軸承發生故障時,軸承會出現輕微裂紋甚至斷裂的情況。而當軸承高速運轉時,故障部位會在載荷的作用下與正常部位不斷地進行碰撞,碰撞產生的沖擊力會導致軸承座和其它零件的振動,形成一系列減幅振蕩,這些減幅振蕩會產生不同的頻率。在進行故障檢測時,可以通過提取電機的故障特征頻率,對其進行分析和診斷,進而判斷出電機的相應故障。
1.4牽引電機故障分析及診斷方法
1.4.1牽引電機故障特征的提取方法故障診斷的流程主要包括信號檢測、故障基本特征提取、故障特征識別和故障診斷決策四個階段,其中故障特征的提取和特征識別分析階段尤為關鍵,必須采用合適的方法進行信號處理和分析。動車組牽引電機的故障特征提取與識別就是應用各類信號處理和分析技術對牽引電機各裝置的監測信號進行分析,進而提取出對特定故障敏感的特征信息。現有的用于牽引電機故障信號采集檢測的技術主要有在線放電檢測法;振動檢測法;磁通檢測法;絕緣檢測法;溫度檢測法;定子電流檢測法。這些方法采集所得的信號往往包含很多噪聲,難以準確提取故障特征信號。針對這個問題,逐漸發展形成了許多信號處理的方式。傳統的信號處理方式包括傅里葉分析、包絡分析、相關分析和頻譜分析等,其中最典型的是利用傅里葉變換對穩態信號進行分析,通過對信號的時頻分析達到分離噪聲,得到有效信號的目的。但動車組采集現場環境復雜,干擾較多,得到的信號具有很大的隨機性,往往包含許多突變信號,這大大影響了故障特征的提取。因此,對于從牽引電機采集所得到的非平穩信號,研究人員開始采用希爾伯特-黃變換、小波分析等進行處理。小波分析方法具有很好的時頻局部化特性,能夠對信號高頻處時間細分,低頻處頻率細分,即可以對信號的細節進行有效的識別,相比傅里葉變換具有很大的優勢。但小波分析也存在頻域分區不合理,對信號細節分析不夠完善、合理等的缺點。在動車組故障特征提取時,經驗模態分析也是一種常用的方法,該方法基于信號的局部時間尺度,把信號合理分解為多個不同的模態函數,而每個模態函數代表了故障信號的不同細節特征,這些函數可以對信號細節特征進行很好的表征。但若有突變信號,該方法容易出現模態混疊的現象,影響故障特征提取的準確性。牽引電機的故障特征提取結果會直接影響到后續的故障診斷,現有的提取方法雖然都具有一定的局限性,但在噪聲處理和特征提取方面還是可以得到較為理想的結果。
1.4.2牽引電機故障診斷方法針對動車組牽引電機的組成和結構,現有的故障診斷方法有支持向量機、專家系統、人工神經網絡、信息融合等方法。專家系統是應用最為廣泛的一種故障診斷方法,整個系統由知識庫、數據庫、機器學習、人機接口等組成,但這種方法存在獲取知識較難、學習能力弱、容錯能力差等缺點,在實際應用于電機故障診斷時效果并不理想。人工神經網絡具有自學能力、并行計算能力和一定的聯想能力。將提取得到的牽引電機故障特征數據導入神經網絡后,通過訓練可以診斷出某些故障所具有的敏感特征。但人工神經網絡要想得到好的訓練結果,需要應用大容量的訓練樣本,泛化能力不強,學習效率不夠穩定,而且該學習算法的收斂速度慢,容易陷入局部最優化現象,造成電機故障診斷結果不明確。支持向量機的主要思想在于通過學習得到一個最優的超平面作為決策曲面,從而實現數據分類的目的,支持向量就是指能夠支持把兩類數據分開的超平面上的向量點。相比于人工神經網絡,支持向量機在處理電機故障信號時,抗噪聲能力強,所需要的訓練樣本較少,訓練時間較短,而且能夠有效地避免局部最優化現象。但該算法程序中的不敏感損失參數、核函數參數和規則化參數等的選擇對診斷效果有著很大的影響。另外,現有的動車組列車往往配有狀態監測和故障診斷系統,但該系統的應用仍然具有一定的局限性,時常發生故障誤報的情況,而且該系統所提供的故障信息和解決方案往往具有一定的片面性,維護人員需要重新綜合分析故障信息。顯然,雖然現有的診斷方法有很多,但這些方法在應用于牽引電機故障診斷時,都具有一定的局限性,難以得到較好的診斷結果,有時需要結合其他算法(如粒子群算法等)進行參數優化后,才能得到相對準確的故障診斷結果。牽引電機的故障提取和診斷技術仍舊需要進一步的研究。
2結語
動車組牽引電機因其重要性以及工作環境的惡劣,需要經常進行故障診斷。現有的故障特征分析和診斷方法都存在一定的局限性,難以得到好的識別效果,需要通過進一步研究,綜合不同種算法的特性,利用算法融合,進一步得到較好的故障診斷結果。
參考文獻:
[1]呂鋒.數據融合驅動電氣設備故障的智能診斷[M].科學出版社,2013.
[2]張建文,姚奇,朱寧輝,楊麗,魯慶.異步電動機定子繞組的故障診斷方法[J]高電壓技術,2007(06).
[3]余景輝,謝志江.小波奇異性檢測在機械故障診斷技術中的應用[J].機械工程師,2007(06).
[4]張士強,孟凡環,暴勇臨.機車車輛牽引電機轉子拆解機設計與分析[J].機床與液壓,2017(22).
[5]陳超玉,姚秋華,龍云峰,洪鳳平.高速交流牽引電機轉子不平衡問題分析[J].技術與市場,2016(07).
[6]陳哲明,曾京.牽引電機轉子振動對高速列車動力學性能的影響[J].工程力學,2011(01).
作者:程海鵬 吳連軍 宋山 劉佳朋 單位:中車青島四方機車車輛股份有限公司