基于plc电机故障诊断

基于plc电机故障诊断（通用14篇）

基于plc电机故障诊断 篇1

开题报告

电气工程及自动化

基于PLC的电机故障诊断系统设计

一、综述本课题国内外研究动态，说明选题的依据和意义

电机在工农业生产中应用广泛，为各种工农业设备提供原动力，是电气控制系统中的重要环节，给人们的生活带来了极大的便利。电机故障诊断是一种了解和掌握机器在运行过程的状态，确定其整体或局部正常或异常，早起发现故障及其原因，并能预报故障发展趋势的技术。

电机故障一旦发生，对工作人员的生命财产将会造成很大的损失和严重的后果，在一些特殊的行业甚至会对国家的经济、军事、政治等造成严重后果。同时由于电机是应用于多行业的复杂系统，尽管在设计、研制阶段已经考虑了诸多因数、采取了有力措施，但由于设计、研制、加工工艺水平等因数等客观条件的影响，甚至还要工作在无人值守、恶劣环境下，难免会发生电机故障。因此如何提高电机工作的可靠性和安全性已经成为诸多行业关注的热点问题。电机故障诊断系统正是适应这一需求而发展起来的。

PLC，可编程逻辑控制器，作为一种数学运算操作的电子系统，专为在工业环境应用而设计的。它采用一类可编程的存储器，用于其内部存储程序，执行逻辑运算，顺序控制，定时，技术与算术操作等面向用户的指令，并通过数字或模仿式输入/输出控制各类型的机械或生产过称。

基于PLC的电机故障诊断系统应运而生。PLC是现在应用最多最广泛的一种控制装置，利用PLC丰富的内部资源和强大的功能指令，编制故障检测报警程序，不仅可以替代继电器实现相应功能，还可以提高工作的可靠性和系统的灵活性。PLC以被应用到机械制造、冶金、矿业、轻工等各个领域，大大推进了机电一体化的进程，被人们称为现在工业控制三大支柱之一。

PLC作为一种控制器，具有成熟稳定可靠的性能，到目前为止其已经在工业控制中得到广泛的应用。PLC系统的设计直接影响着工业控制系统的安全可靠运行。一个完善的PLC系统除了能够正常运行外，满足工业控制的要求，还必须能在系统出现故障时及时进行故障诊断和故障处理。故障自诊断功能是工业控制系统的智能化的一个重要标志，对于工业控制具有较高的意义和实用价值。

现在,已经研发出了性能比PLC更好更优越的DCS

和

FCS

两种控制系统,并且PLC

控制系统也终将会被先进的控制系统--

FCS

--所取代,但是从现在的情况来看，今后相当长的一段时间内,PLC

控制系统还是会与先进的控制系统

DCS

和

FCS

共同存在,其原因主要有以下几方面:(1)

企业的发展方向和需求。现在大多数的企业都在朝着自动化、信息化、开放化的方向发展,但这并不等于要将现有PLC控制系统推倒重来。由于现代企业已经投入了大量的人力和财力才形成的PLC

控制系统已经成型,如果要完全推倒重来再建立新的DCS

或

FCS

控制系统,不仅是重新需要大量资金的投入,还照成原来可利用资源的巨大浪费。(2)

市场需求来决定。由于目前市场的需求,很多软件厂商都在考虑如何将现在已经成型的PLC控制系统以及新建的厂级网络,以及开发控制系统所使用软件,来满足企业实现工厂自动化、信息化,从而可以为企业或工厂提供控制系统与管理网络的集成。(3)PLC的功能和优点来决定。PLC具有可靠性搞、抗干扰能力强、通用性强、灵活性好、功能齐全、编程简单、使用方便、模块化结构、安装简便、调试方便等优点，PLC的功能增强、结构优化,IO

模块趋向智能化和分散化,编程工具和编程语言更具标准化和高级化。(4)

PLC的联网通信能力比较强,正在向高速化、层次化、信息化、可靠化及开放化的方面发展。(5)

现在的PLC

系统与

DCS

技术、现场总线IO技术相结合,结构开放、扩展方便、技术先进、价格低廉。由以上分析可以预见,未来

PLC

正在向着功能化、集成化、智能化、标准化、开放化等多方面方向发展,故

PLC

虽然面临其它先进自动化控制系统的挑战,但与此同时PLC控制系统也在吸收它们的优点,彼此间互相融合,不断创新,在今后可预见的一段时间内PLC控制系统将与其它先进控制系统共同存在,共同发。

电机故障诊断系统建立在基于PLC和上位计算机组成的控制系统上。PLC在故障诊断系统中的功能主要是完成设备故障信号检测、预处理，转化存储并传输给上位计算机。上位计算机由于具有强大的科学计算功能，利用专家知识和专家库，完成从故障特征到故障原因的识别工作。并通过人机界面，给出故障位置，报告和解释故障诊断结果，并为操作员给出相应的排除故障的建议。

国外对电机设备故障诊断技术的研究始于60年代。虽然各国都很重视，但直到7O一8O年代，随着传感器、计算机、光纤等高新技术的发展与应用，设备在线诊断技术才真正得到迅速发展。加拿大、日本、前苏联等国陆续研制了变压器、发电机的局部放电、泄漏电流等在线监测系统，其中少数己发展成为正式产品。

我国对电机设备故障诊断技术的重要性也早己认识，60年代就提出过不少带电试验的方法，但由于操作复杂，测量结果分散性大而未得到推广，直到80年代开始出现电机设备故障在线诊断技术的研究，在近1O多年来得到迅猛发展。除解析模型法外，基于信号处理和专家知识的故障诊断技术占很大成分，其中有相关函数高阶统计量、频谱分析等。然而这些分析方法局限于电机设备稳态运行的故障诊断，对于起动、加速、制动等动态运行条件下实时诊断出电机设备的故障己越来越引起重视。信号处理方法中的热点小波技术，具有良好的时频局部化特征，能准确抓住瞬变信号的特征，因此在动态信号的分析上有着明显的优势。另外，专家知识方法的神经网络具有自学习和能拟合任意连续非线性函数的能力，以及并行处理的能力，使它在处理非线性问题和在线估计方面有很强的优势。

二、课题的主要内容和要求

（1）了解PLC的分类、发展现状和应用前景。

（2）分析电机各种故障产生的原因、现象以及发生故障时采取的措施。

（3）根据电机故障后果严重性将各种故障分为两个等级。

（4）根据电机的故障等级，设计出基于PLC的电机故障诊断系统，包括硬件部分和软件部分。

三、研究步骤、方法及措施：

步骤及方法：

(1)了解PLC应用于电机故障诊断系统的发展状况。

(2)了解PLC的发展、原理并分析PLC的构成。

(3)PLC的选取以及系统框图设计。

(4)电机故障诊断系统的设计。

(5)得出结论。

措施：

图书馆查找相关的书籍、期刊、杂志等，通过上网寻找相关的一些资料，查看当代对该技术的研究成果和最新的动态。然后通过对这些资料的学习和研究进一步的熟悉和理解设计所需的相关知识。在设计过程中及时与指导老师探讨，对不了解的问题及时向老师请教。

四、参考文献

[01]张进秋.可编程控制器原理及应用实例.机械工业出版社[M]，2005.[02]李名雨.电机与电器.北京理工大学出版社[M]，1998.[03]高和.可编程控制器应用技术与设计实例.人民邮电出版社[M]，2004.[04]韩常.PLC编程及应用.机械工业出版社[M]，2005.[05]郝鸿安.常用模拟集成电路应用手册[M]

.人民邮电出版社，1991.[06]童诗白.模拟电子技术基础[M]

.高等教育出版社，2001.[07]陆坤，奚大顺.李之权等著，电子设计技术[M]

.电子科学出版社，1997.[08]姜德谭，范茂军等.新编电子电路大全[M]

.计量出版社，1985.[09]曲学基，吴永章等.常用电子电器电路600例[M]

.电子工业出版社，1990.[10]王有春，孙萌等.电子报.成都大学科技出版社[J],1992.[11]周东华，孙优贤.控制系统的故障检测与诊断技术[M]

.清华大学出版社，1994.[12]王卫兵，高俊山.可编程序控制器原理及应用[M]

.机械工业出版社，2002.[13]杨叔子，丁洪.基于知识的诊断推理[M]

.清华大学出版社，1993.[14]虞和济.设备故障诊断技术的现状极其发展[M]

.基础自动化，1996.[15]陈克兴，李川奇.设备状态监测与故障诊断技术[M]

.科学技术文献出版社，1991.[16]范永胜，王岷.电气控制与PLC应用.中国电力出版社，2007.

基于plc电机故障诊断 篇2

1 PLC系统概述

PLC系统是一种即时系统。传统式以继电器为主的电机控制系统中, 每当变更设计时, 整个系统几乎都要重新制作, 不但费时又费力;同时由于继电器还有接点接触不良、磨损、体积大之缺点, 因此造成成本升高、可靠性低、不易检修等问题, 为了改善这些缺点, 可程式控制器 (PLC) 应运而生。自二十世纪六十年代美国推出可编程逻辑控制器 (Programmable Logic Controller, PLC) 取代传统继电器控制装置以来, PLC得到了快速发展, 在世界各地得到了广泛应用。同时, PLC的功能也不断完善。随着计算机技术、信号处理技术、控制技术网络技术的不断发展和用户需求的不断提高, PLC在开关量处理的基础上增加了模拟量处理和运动控制等功能。今天的PLC不再局限于逻辑控制, 在运动控制、过程控制等领域也发挥着十分重要的作用。近10年来, 随着PLC价格的不断降低和用户需求的不断扩大, 越来越多的中小设备开始采用PLC进行控制, PLC在我国的应用增长十分迅速。随着中国经济的高速发展和基础自动化水平的不断提高, 今后一段时期内PLC在我国仍将保持高速增长势头。

2 PLC系统工作原理

PLC系统在工作时主要有三个环节, 第一个环节是输入采样;第二个环节是程序执行;第三个环节是输出刷新。在PLC操作系统中, 相关操作人员首先将控制命令利用一定的方法将其发送到PLC系统中, 之后该系统对控制命令进行有效的解读, 然后利用开关量输出模块, 再将这个控制命令输送到断电器中, 而电厂的运行状态事都正常会直接利用电缆输送到PLC系统中, 最后对电机状态进行解读, 最后将其解决结果发送到图形操作站。PLC系统就这通过这一过程中进行操作的, 反反复复, 一旦电击出现问题, 它会迅速做出反应, 图形操作站的工作人员也会马上觉察到, 及时解决问题。在这个操作过程中, 因为工程系统数据库的存在, 使得PLC系统明确的懂得该如何做。其具体的工作操作原理如图1。

3 PLC系统的电机故障分析方法

上文中笔者主要向我们介绍了PLC系统的定义及其工作原理, 我们对该系统有了更深一步的了解, 从工作原理中, 我们可以看出, PLC系统操作起来并不复杂, 原理也很简单, 如何能够选择正确的方法将其应用在电机设备中, 其效果会非常好, 那么PLC系统在分析电机故障时, 最常用的方法是什么呢?笔者通过图形以及案例进行详细的分析。

3.1 梯形通过逻辑图法

这种方法主要应用在普通的交流电机中, 利用中方法的程序是:首先, 启动条件满足, 满足条件之后, 就发出已经启动的命令;其次, 如果命令已经发出了, 但是系统在规定的时间内并没有做出相应的回答, 通常这个规定的时间要在0.5秒之内, 那么就说明出现了故障, 并且该系统会将启动线圈快速的断开;再次, 如果这个故障一直都没有解决, 那么启动线圈会一定保持断开的状态;最后, 如果在PLC系统运行的过程中, 发布了停车命令等故障信息, 这时也选择将启动线圈断开, 从而达到停车的目的。在设备启动时, 应该主要满足两个条件, 第一是空载启动;第二是启动延时, 这两个条件也只是在设备进入启动状态时才有效。

利用这个方法会涉及到两个概念一个是设备联锁, 它主要是指电机设备在启动的状态下, 能够正常有序的运行;另一个就是故障, 这里指的故障就是指造成电机设备不能正常工作的因素, 比如温度过高等。其主要梯形逻辑图2所示。

3.2 故障分析方法

一般地在PLC控制系统中, 所有的故障报警及报警信息都会在图形操作站上显示, 且信息保存在历史记录中。故障发生后, 一方而可以检查PLC程序, 确定故障电机输入信号/输出命令对应的模块端子位置;另一方而, 通过分析报警信息并对照工程数据库 (又称点号表) , 确定故障的现场位置 (接线端子) 。在确定不是由于通讯或程序造成的故障后, 通知现场岗位工去做检查处理。比较传统的故障处理, 这要简单、直接得多。

3.3 举例

以一个2000KW的主电机为例, 影响主电机停车的因素有很多, 包括十油站、稀油站、油泵、油温、前后轴承温度、定子温度、主轴窜动、减速机、辅助传动、辅机设备以及与之联锁的电机设备等一系列因素。这些因素都被串入PLC程序中, 并将相应的报警信息置入图形操作站中。一旦因故停车, 用传统的望 (观表象) 、闻 (听声音) 、嗅 (闻气味) 、切 (摸温度) 的方法, 足以使人手忙脚乱, 即使有经验的电气技师, 也需要花很长的时间。然而通过PLC程序的分析、报警信息的分析, 很容易确定故障的原因及位置, 为顺利地解决问题提供了量化的依据、节约了大量的人力、物力和时间。

4 结论

综上所述, 可知PLC系统主要利用梯形逻辑图方法来对电机故障进行分析, 通过笔者详细的介绍其故障分析方法, 我们能够清楚的知道, 利用PLC系统来处理电机故障不仅效率高, 效果也很好, 当然PLC系统还有很多方法来对电机故障进行位置以及类型分析, 但是最经常使用的就是梯形逻辑图的方法, 因为这种方法更简单使用, 随着PLC系统技术的发展以及电机设备技术的发展, 其PLC系统会在电机设备中得到更广泛的应用, 以延长电机的使用价值。

摘要：目前在使用电机的工厂中, 都广泛的应用了PLC系统, 这样在电机发生故障时, 能够通过可编程控制系统, 有效的判断出是故障类型、故障位置, 及时的向工作人员发出警报, 从而故障能够及时有效的得到解决, 这不仅提高了电机的使用寿命, 还提高了企业的工作效率。本文主要通过对PLC系统工作原理的介绍, 进而探讨了其分析电机故障的方法, 希望为研究PLC系统人员提供有益借鉴。

关键词：PLC系统,电机故障,分析方法,研究

参考文献

[1]戴一平主编.可编程控制器技术及应用[M].北京:机械工业出版社, 2004.

[2]韦耀杰.液压机的PLC控制系统[J].电工文摘.2011 (4)

[3]张平泽, 吴志锋.PLC在供配电系统备自投中的应用[J].电工文摘, 2010 (5) .

基于BP网络的电机故障诊断 篇3

摘要：介绍了BP神经网络以及电机故障诊断的发展和电动机故障诊断常见的技术方法，列举了电机故障征兆集。设计一个具有电机故障诊断功能的BP网络系统，给出了matlab关键程序和运行结果。

关键词：BP神经网络电机故障诊断

0引言

电机的正常工作对保证生产制造过程的正常进行意义非常重大。因此对电机故障的诊断要求十分迫切，通过对电机常见故障的诊断和分析，可以及早发现故障和预防故障的进一步恶化。随着芯片技术的发展及智能技术的应用，诊断技术已经进入了一个新的阶段，一种基于人工智能技术的诊断方法。该文用BP神经网络综合实现电机故障的诊断。

1BP神经网络

人工神经网络就是模拟人思维的第二种方式。这是一个非线性动力学系统，其特色在于信息的分布式存储和并行协同处理。虽然单个神经元的结构极其简单，功能有限，但大量神经元构成的网络系统所能实现的行为却是极其丰富多彩的。

BP(Back Propagation)网络是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。BP神经网络模型拓扑结构包括输入层(input)、隐层(hide layer)和输出层(outputlayer)。BP网络能学习和存贮大量的输入一输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。

BP算法理论具有依据可靠、推导过程严谨、精度较高、通用性较好等优点，但标准BP算法存在以下缺点：收敛速度缓慢，容易陷入局部极小值，难以确定隐层数和隐层节点个数。在实际应用中，BP算法很难胜任，因此出现了很多改进算法：①利用动量法改进BP算法：②自适应调整学习速率；⑧动量一自适应学习速率调整算法：④L—M学习规则。

2电机故障诊断

由于人为的因素，仅依靠日常的“听、摸、看”难免会造成一定的判断失误，一方面造成电机抱轴等严重事故的发生，另一方面又可能对状态较好的电机进行停车检修，如此不仅不能保证装置的平稳运行，同时还造成了检修费用的大量浪费。

故障诊断技术发展至今已经历了三个阶段第一阶段由于机器设备比较简单，故障诊断主要依靠专家或维修人员的感觉器官、个人经验及简单仪表就能胜任故障的诊断与排除工作；传感器技术、动态测试技术及信号分析技术的发展使得诊断技术进入了第二个阶段，并且在维修工程和可靠性工程中得到了广泛的应用；80年代初期，由于机器设备日趋复杂化、智能化及光机电一体化，传统的诊断技术已经不能适应了，随着计算机技术、人工智能技术特别是专家系统的发展，诊断技术进入第三个发展阶段一智能化阶段。

电机故障诊断，尤其是多个故障特征信号相互交织叠加时，很难仅凭肉眼进行判断识别，而人工神经网络具有独特的非线性映射、联想记忆、自适应与自学习以及良好的容错性等优点，十分适用于复杂电机系统的故障诊断。

各种类型的电机具有相同的基本原理，电机内部都有电路、磁路、绝缘和机械等独立而相互关联的系统，一般用于电动机故障诊断的技术方法有：①电流分析法。通过对电机电流幅值、波形的检测和频谱分析，诊断电机故障的原因和程度。例如通过检测交流电动机的电流，进行频谱分析来诊断电机是否存在转子绕组断条、气隙偏心、定子绕组故障、转子不平衡等缺陷。②振动诊断法。通过对电动机的振动检测，对信号进行各种处理和分析，诊断电机产生故障的原因和部位，并制定处理方案。⑧绝缘诊断。利用各种电气试验和特殊诊断技术，对电机的绝缘结构、工作性能和是否存在缺陷作出结论，并对绝缘剩余寿命作出预测。④温度诊断。用各种温度检测方法和红外测温技术，对电机各部分温度进行监测和故障诊断。⑤振声诊断技术。振声诊断技术是对诊断的对象同时采集振动信号和噪声信号，分别进行信号处理，然后综合诊断，因而可以大大提高诊断的准确率。

3系统总体方案

表1为该系统列出了5种常见的电机故障征兆集和，在集合中，“1”表示有征兆存在，“0”表示征兆不存在。

根据经验输出为电机的故障等级，范围从0～1表1的样本输入对应的样本输出如表2。

4软件实现

BP网络在Matlab上的仿真程序设计主要包括：输入层、隐含层、输出层及各层之间的传输函数几个方面。输入和输出样本分别为表1和表2。利用Matlab在模式识别方面采用采用自适应学习率BP算法计算机进行仿真。这里用到matalab神经网络工具箱中的一个非常实用的函数newff。newff函数需要4个输入参数。第一个参数是一个RX2的矩阵以定义R个输入向量的最小值和最大值。第二个参数是一个设定每层神经元个数的数组。第三个参数是包含每层用到的传递函数名称的细胞数组。最后一个参数是用到的训练函数的名称。

根据表1样本输入和表2样本输出，创建bp网络和定义训练函数，是为了方便而建立一个矩阵，用newff函数来训练BP网络。关键程序如下net=newff([0 1；0 1；0 1；0 1；0 1]，[5 1]{logsig，pure-lin}，trainlm)；％这里要加入输出层的转移函数，一般是trainlm；net.trainParam.goal=0.001；net.trainPalm.epochs=5000；[net，tr]=train(net，p，t)；％训练神经网络iw1=net.IW{1}：％输出训练后的权值和阈值：b1=net b{1}；1w2=net LW{2}：b2=net.b{2}；save net51 net。

5结束语

基于plc电机故障诊断 篇4

摘要：为了解决某装置故障诊断的难题，提出了一种基于PC104总线的便携式故障诊断装置的设计方案。分析了采用模块化结构设计的硬件，介绍了利用多媒体技术实现的专家系统。该装置也可为其它大型机电设备进行故障诊断提供参考。

关键词：故障诊断 专家系统

某装置是集机、电、液一体化的大型复杂设备。该设备由计算机通过继电器控制电磁阀的闭合，进而控制液压系统，完成装置的调平、起竖、回收等功能;由温控系统控制发射筒内部温度，使其保持在一定范围内。整个系统逻辑关系复杂，信号路数繁多，使用中一旦出现故障，对其故障的定位和排队都十分困难。针对这种情况，研制了该设备的故障诊断装置，实现了对其不解体便能快速定位故障，并且采用专家系统与多媒体相结合的方式指导普通操作人员进行故障排除。还可将本装置接入网络，实现使用部队与院校或研究所之间的在线信息交流，充分发挥领域专家作用，进行故障的定位的排除。

图1

1 系统硬件组成主工作原理

本装置采用基于PC104总线的箱体式翻盖机械机构。按照实现功能的不同，该装置的硬件可分为两大部分：诊断调校部分及装置本身的.温控部分。系统的硬件原理图如图1所示。其中，CZ1～CZ8为与设备相连的插座：CZ1用来检测电缆短路和断咱故障;CZ2、CZ3主要用来检测该装置的工作信号是否正常，或者检测给该装置施加激励信号后响应信号是否正常;CZ5、CZ6与压力传感器相连，对压力传感器供电，并采集压力信号;CZ7用于调校液体摆;CZ8用来转接手控台的电源，将手控台的27V电压引入系统作为诊断的参考地。

1.1 诊断装置的诊断调校部分

诊断装置的诊断调校部分的硬件按照结构与功能的不同可分成三大部分：专用工控机部分、数据采集部分和液体摆调校校准部分。

1.1.1 专用工控机部分

专用工控机部分的主要硬件采用研华公司的产品，经过实验验证各产品间不存在硬件冲突。ECM-3610是一块PC104主板，集成有VIA Eden ESP6000(667 MHz)EBGA低功耗板载CPU、Savage4 AGP 4X显卡的VIA VT8606芯片、AC 97 2.0声卡、两个板载10/100Base-Tx网卡等，可接入网络。

图2

1.1.2 数据采集部分

为了保持装置的硬件兼容性，外围板卡部分也都采用研华公司的产品。主要有以下三种型号的板卡：PEM-AIO、PCM-3724、PCLD-788。PEM-AIO是一款采用PC104总线结构的A/D数据采集卡，A/D转换最多可接收十六个通道的单端模拟量输入，并将这些模拟输入量转换成12位的数据。它主要用来采集该装置电控、温控系统工作时的控制信号、液压系统传感器输出的压力信号以及液体摆输出的反映不同水平度的电阻信号，并给出具体的值。PCM-3724是基于PC/104总线的48路I/O板，仿真8255 PPI模式为0，输入输出TTL电平。它主要用来控制继电器、继电器板和自制的信号调理模拟电路板并检测电缆故障。PCLD-788提供16路输入通道及1路输出通道。它的16路输入通道与外部信号的输出端相连，1路输出通道与PCM-3724或PEM-AIO控制相应的通道，将待测试的信号输入到A/D

基于plc电机故障诊断 篇5

基于模糊聚类分析的柴油机故障诊断研究

故障诊断的`基本方向是建立在基于先验知识和统计知识的基础上,通过模糊聚类分析找到故障征兆的聚类中心,然后通过模糊模式识别、判别新的故障征兆,达到对柴油机的故障诊断目的.文章对模糊聚类分析进行了重点研究.

作 者：冯二浩 潘宏侠 FENG Er-hao PAN Hong-xia 作者单位：中北大学机,械工程与自动化学院,山西,太原,030051刊 名：机械管理开发英文刊名：MECHANICAL MANAGEMENT AND DEVELOPMENT年，卷(期)：25(1)分类号：U464关键词：故障诊断 模糊聚类 FCM算法

基于plc电机故障诊断 篇6

1.工程描述：

电机有手动自动两种控制模式，选择手动时，按下电机左行、电机右行两个按钮可控制电机的正反转，松开按钮电机停转。选择自动时，按电机左行（右行）按钮，电机开始自动运行，碰撞限位后，延时一段时间（运行过程中可以调节时间的长短），电机反方向运行，周而复始。按下运动停止按钮，电机运行完本周期动作后，方可停止。控制方式类似于焊接行业的摆动器。

2.编写PLC程序。

我选择的是三菱FX2N系列的PLC，编程软件选用GX Developer.对梯形图中主要说明如下：

M0 启动电源，M1 急仃，M2 M4手动自动选择 M3 手动自动切换

M5 电机左行，M7 电机右行

M6 M9 左右限位（为方便调试，用T0，T1代替限位实物）M13 运动停止

Y1 电机左行

Y2 电机右行

梯形图如下，软件GX Developer梯形图不能直接粘贴到Word 中，我用PDF打印机打印的，可能不太清楚，我放大试了，还可以。

PLC程序的编写及下载，我就不啰嗦吧。3.组态

组态王的基本应用不作具体阐述了，说点干的。

A.新建一个组态王工程，工程称可以自己定。我定的是摆动器。如下图所示：

B.打开工程，点击左边的“设备”选项，新建一个PLC设备。我用的是FX2N系列PLC，所以选择如下图所示。串口选COM1口，PLC地址为0，其它默认值即可。

设备建完以后，双击左边设备选项下的COM1,出现下图对话框，将数据位改为7位。

C.点击“数据库”下的“数据词典”建立工程变量。怎么定义变量，我这里不作多说，一般的组态教程里都有，相信最没有耐心的朋友也能看到这个部分吧。我建立的变量如下图所示，每个变量的类型以及与PLC触点的关联都能反应出来，如果看不明白的话，建议看看教程。

D.组态画面。点击左边“文件”下的“画面”，新建一个画面，画面名称自己定，我定的是设备运行监控，在“系统配置”里将所建立的画面设定为运行主页面。因为我还建立了另一个画面，所以下面还有一个项，你可以不用理会它。

F2打开图库，组建画面。

结合建立变量步骤中的变量关联，以及图片按钮下面的功能提示，将按钮指示灯等与建立的变量关联起来。特别说明的是：1.电机左行，电机右行指示灯上面的3个#号，是这样建立的。以左停时间为例，写入一个文体（3个#号），然后双击，出现如下对话框。

点击模拟量输入，输出，将变量关联都选为左停时间。

下面的同个按钮，手动/自动，报警画面，退出系统三个按钮可以不组态，不影响做一个项目的目的。当然项目成功运行后，有兴趣的可以自己加上去，用到的了工具箱里的按钮，还有隐含、报警、页面切换等相关操作。

E.在开发系统页面下，点“文件”，全部存，然后，点“文件”，切换到VIEW。

点击按钮对系统工程进行测试。

基于plc电机故障诊断 篇7

异步电机结构简单,效率较高,价格低廉,在工农业生产和日常生活中都获得了广泛的应用。电机故障不但损坏电机本身,而且影响整个系统的正常工作,甚至危及人身安全,造成了巨大的经济损失。

电机故障诊断可分为人工诊断和智能诊断两类。智能诊断包括基于人工智能的专家系统和人工神经网络等[1,2,3,4,5]。专家系统的设计很大程度上决定于其设计制造者的经验,具有较大的局限性。人工神经网络(ANN)基于经验风险最小化原则,容易陷入局部最小值。而支持向量机(SVM)实现了结构风险最小化原则,显示出比ANN的经验风险最小化原则更好的优越性。

本研究应用最小二乘支持向量机(LS-SVM)算法进行异步电动机故障诊断实验,通过在实验室样机上构造3类故障,并采集相应的信号作为原始数据源,最后采用LS-SVM算法完成故障分类。

1 支持向量机故障诊断原理

支持向量机(SVM)是一种解决非线性分类、函数估计和密度估计的有力工具[6,7,8]。并且SVM是在统计学理论和结构风险最小化的基础上引入的。采用SVM进行故障诊断的一般原理:首先通过非线性映射φ把训练数据样本从原空间Rm映射到一个高维特征空间Rn(其维数可能是非常高的),再在高维特征空间中求最优分类超平面来分割训练样本集中的点。

本研究用最小二乘支持向量机算法[9]来求故障诊断的分类模型。相比于标准支持向量机,LS-SVM的不同点主要在:在约束中用目标值代替的阙值,等式约束和最小二乘简化了问题。

文献[10]详细说明了LS-SVM算法的公式。参照其内容,LS-SVM最优化问题为:

undefined

subject to yi[wTφ(xi)+b]=1-ei,i=1,…,M (1)

拉格朗日函数为:

L(w,b,e;undefined

式中 w—权重向量;b—标量;γ—几何间隔;ei—分类误差;αi—拉格朗日乘子。

优化条件为:

undefined

2 SVM故障诊断实现

故障诊断问题可以转化为对训练数据的分类问题。

电机的振动信号包含了电机的故障缺陷特征信息,这种信号在频域上能够比较明确地反映出来。电机的振动信号集中在几十到几千赫兹范围内,显然,观察整个频谱范围可知电机的运行状况。但以整个频段作为特征向量,则维数太高,而且含有较多无效频率成分,需要予以剔除。本研究利用子功率谱密度(Subset PSD)计算故障频率附近的一段功率谱,对信号进行特征提取。

实验中构造了异步电动机的4类不同状态:①380 V正常工况下运行;②200 V下欠压运行;③端盖松动故障;④一相断路故障。

特征向量的维数和信息量会对SVM的分类正确率和计算量产生影响。选取200 V欠压、端盖松动和一相断路的功率谱作为源数据,每种类型的故障采集20个时域波形,对每个波形通过特征提取得到8个数据点,合成60×8的数组作为训练用数据。另外,用同样的方法得到一个33×8的数组作为测试用数据。

首先将200 V工况、端盖松动和一相断路的训练数据分别标号为1、2、3,即得到所要训练输出的结果。然后对数据进行尺度变化,将这些数值变化到[-1,1]或[0,1]的范围内,有利于数值计算。一般选择径向基函数作为SVM的基函数,应用交叉验证技术得到基函数的最优模型的参数值,最后通过评估测试数据得到训练结果的正确率。

3 异步电机SVM故障诊断与分析

4种状态下的电机振动加速度波形,如图1所示。从图1中,可以看出振动加速度有明显不同的特征。

电机在4种状态下,0～1 500 Hz范围内的功率谱密度并归一化后的值,如图2所示。380 V工况和200 V欠压状态时的波形,如图2(a)、图2(b)所示。两图中的峰值谱线分布基本相同,只是幅值有所不同。图2(c)与图2(a)相比,电机转速频率所在的谱线(16 Hz)峰值明显降低,1 300 Hz以上的谱密度值明显上升,500～700 Hz的谱线有明显改变。图2(d)与图2(a)相比最明显的变换是在1 300 Hz附近出现了较多大的峰值谱线。

从每种不同状态的子功率谱密度中提取的特征向量值,如表1所示。

按前述电机故障诊断的实验步骤,得到的分类结果,如表2所示。

训练结果需要通过用测试数据进行验证,以确定是否得到正确的分类结果。通过测试得到的结论,如表2所示。

4 结束语

本研究实验了异步电动机的SVM故障诊断。实验结果达到了预期的目标,支持向量机能够很好地对电机故障进行分类,说明了SVM故障诊断的实用性。而且,其采集的用于训练和测试的数据量不用很多,却能够得到较高的正确分类率,验证了SVM分类器的正确性。通过实验研究表明,支持向量机在异步电动机的故障诊断中有很好的应用前景。

参考文献

[1]沈标正.电机故障诊断技术[M].北京:机械工业出版社,1996.

[2]陆颂元,汪江,刘晓峰,等.关于当前国内故障智能诊断研究中的若干问题[J].汽轮机技术,2003,45(5):257-259.

[3]曹建伟.电机故障诊断专家系统及其应用[J].中国设备管理,2001(3):37-38.

[4]ZHANG Sheng,ASAKURA T,XV Xiao-li,et al.Fault Di-agnosis System for Rotary Machines based on Fuzzy NeuralNetworks[C]//Preceedings of AIM 2003.Beijing:[s.n.],2003:199-204.

[5]曹志彤,陈宏平,何国光.电机故障诊断支持向量机[J].仪器仪表学报,2004,25(6):738-741

[6]PELCKMANS K,JAK S,GESTEL TV,et al.LS-SVMLabToolbox User s Guide[EB/OL].[2003-02-06].http://www.esat.kuleuven.ac.be/sista/lssvmlab/tutorial/tutorial1-5.pdf.

[7]CRISTIANINI N,TAYLO J S.支持向量机导论[M].北京:电子工业出版社,2004.

[8]NANDI S,TOLIYAT H A.Condition Monitoring and FaultDiagnosis of Electrical Machines—A Review[C]//IndustryApplications Conference.USA:[s.n.],1999:197-204.

[9]HSU C W,CHANG C C,LIN C J.A Practical Guide toSupport Vector Classification[EB/OL].[2003-07-11].http://www.csie.ntu.edu.tw/~cjlin/libsvm.

基于plc电机故障诊断 篇8

摘 要：中国推行可持续性发展的战略给新能源的发展带来了机遇。由于煤炭等不可再生能源的消耗日益严重，国家不得不开发新型能源来满足需求，其中风能便是最为重要的一种新型能源，风电机组便是其产物，被广泛地应用。本文将对风电机传动系统振动故障的诊断技术现状进行分析，根据其出现振动故障的原因，提出智能的诊断方法。

关键词：风电传送系统；振动故障；智能诊断

中国是一个制造业大国，它所生产的产品均需依靠不可再生能源的消耗，由于不可再生能源的数量有限，便转向发展可再生能源，既能满足需要，又不污染环境。风能便是清洁可再生能源中的代表，随着风能的应用，相关产业也迅速发展，本文将对风电机进行深入研究。

1 风电机传动系统振动故障诊断技术的现状

能源消耗的逐渐扩大，导致了中国的能源危机。不仅仅是可利用资源的逐渐减少，而且会对环境造成污染，这就促使了风能以及相关产业的发展。然而风电机传动系统振动故障的问题困扰着相关企业，解决系统振动故障问题成为了最为重要的问题。要想使问题得到解决，必须要了解风电机传动系统振动故障的原因以及故障诊断技术的发展水平。本文首先讲述了风电机传动系统振动故障诊断的意义，然后结合国内外的故障诊断技术进行分析。

1.1 风电机传动系统振动故障诊断的意义

人类所需要的能源多种多样，但目前来看，由于科技水平的限制，很多种能量不能被开发利用。我国的煤炭资源丰富，但煤炭资源有限并且在使用过程中对环境造成了严重的影响，这不利于中国的发展。在这种情况下，中国便转向于开发新能源，新能源主要是自然界一些无限的资源，并且有易开发、对环境无污染等特点。但是由于我国技术水平的限制，很多种新能源都不能得到合理的应用，只有相对较少的几种被运用到生产中，其中风能最具代表性。但风能的转化需要依靠风电机组，风电机组传动系统由于其工作的条件而容易发生振动故障。风能的转化效率与风电机组的效率息息相关。我国风电机等产业的迅速发展的同时也存在很多问题，如果风电机传动系统振动故障诊断技术水平达不到，就会使得风电机的故障频频出现，而风能的转化效率也大打折扣，这不利于中国的经济发展，因此提高风电机传动系统振动故障诊断技术水平刻不容缓，也意义重大。

1.2 风电机传动系统振动故障诊断技术的水平

我国的风电机的发展比国外晚，因此在风电机传动系统振动故障诊断技术水平方面也落后于外国。风电机传动系统以及振动故障诊断技术是伴随新能源开发的产物，由于国外对新能源开发的起步较早，因此在诊断技术方面相对成熟，有较完整的一套风电机传动系统振动故障诊断技术体系，能确保风电机的效率。而在我国，普遍是以传统的不可再生能源为主，近年来才开始研究新能源的开发利用，虽然我国的风电机发展迅速，但由于没有相对成熟的振动故障诊断技术，因此大大降低了新能源开发的效率。我国由于技术的落后而导致了发电效率低下，因此提高振动故障诊断技术是我国在开发新能源方面的基础。无论是国内还是国外，振动故障诊断技术的原理基本相似，都是根据所采集到的故障信息进行分析，究其原因，从而提出解决方案。目前的诊断技术主要有三种，分别是：解析模型、信号处理和向机器学习三种方法。这三种方法都存在一定的弊端，因为风电机的内部结构复杂、信号不稳定等给研究造成了一定的阻碍，使得现阶段的诊断难成体系，这更加需要探索出智能的诊断方法来促进风电机效率的提升、减少故障发生频率。

2 风电传动系统振动故障的分析

2.1 风电传送系统振动故障形成的原因

经过大量的研究表明，风电机组内部机械部件的受力不平衡、长时间的磨损或者机械部件的断裂都会引发风电机组的振动故障，故障形成后，便以振动的形式表现出来。而这种故障发生最多的部位是在风电机的传动系统，传动系统的部件主要包括：风轮、低速轴、齿轮和高速轴以及发电机。其中最容易发生故障的部位是风轮、齿轮箱和发电机。在这三个部位中，每个部位如果操作不当均会发生振动故障，本文将对其进行详细研究。

2.2 风电传送系统振动故障形成的部位

风电传动系统是风电机组中最容易发生振动故障的部位，其中以风轮、齿轮箱和发电机三个部分为主。在这三个部件中，齿轮箱又是故障频率高发区。研究故障形成的主要部位和机理是对故障排除的最为直接有效的方法。以下将重点论述：第一，齿轮故障会以振动的形式表现出来，引起故障的原因主要有两个方面，分别是交变载荷过多和齿轮自身的原因。交变载荷损伤是由于交变载荷给齿轮施加交变应力，当超过齿轮的承受范围时会出现破裂现象，这种破裂逐渐积累造成振动故障；而齿轮自身的损伤是由于齿轮的操作不得当或者没有进行维护，这一方面会产生较大的应激力，造成齿轮损伤，另一方面是由于清洁不得当而造成磨损，这都会导致故障生成。第二，承轴受到交变载荷的作用，会使得在交变应力的作用下，承轴各部件发生接触，从而产生撞击，发生振动故障。

3 风电机组振动监测与故障诊断系统的实现

风电机组首先要对各部件进行监测，并根据监测数据得到诊断的方法，并通过报警或声音进行提示。它的实现需要一定的条件进行支持。第一，故障监测诊断出的数据要及时准确并且完整，之后要使数据系统清楚并且安全性高。第二，要实现智能故障诊断必须保证数据传输的可靠，还要保证高效率，使得访问容易进行。第三，要建立良好的人机界面，使得操作容易进行，可以直接显示出诊断结果，并且可以进行下一步的工作。

4 总结

新能源要想完全取代旧能源，必须要不断地改进设备，以提高风能等的转化率。风能转化主要是通过风电机组进行，但风电机组也有一些缺点，它由于工作环境差而经常出现振动故障，因此需要一套合适的方针来对风电机的各个部位进行监测和诊断，以使其故障发生概率不断降低。

参考文献：

[1]时献江，罗建，宫秀芳，等.无传感器诊断方法及在风力发电中的应用与展望[J].哈尔滨理工大学学报，2014，19（6）：82-87.

[2]谢里阳，刘建中，吴宁祥，等.风电装备传动系统及零部件疲劳可靠性评估方法[J].机械工程学报，2014，50（11）：1-8.

基于plc电机故障诊断 篇9

基于小偏差法的航空发动机气路故障诊断方法

依据小偏差法的原理,针对航空发动机的工作特点,描述如何在稳定状态下建立航空发动机的小偏差故障诊断矩阵.通过建立某型单转子涡喷发动机的小偏差故障诊断矩阵,并用发动机的实测数据验证了该故障诊断矩阵方法的.有效性,小偏差法不仅具有明确的物理意义,而且使得气路故障诊断系统构造简便,对航空发动机的工厂生产试车和外场发动机维护有很大实用价值.

作 者：宋江涛 雷勇 SONG Jiang-tao LEI Yong 作者单位：西北工业大学动力与能源学院,西安,710072刊 名：科学技术与工程 ISTIC英文刊名：SCIENCE TECHNOLOGY AND ENGINEERING年，卷(期)：20088(6)分类号：V235.11关键词：故障诊断小偏差法 涡喷发动机 气路故障

基于plc电机故障诊断 篇10

基于小波网络航空发动机滑油系统故障诊断方法研究

将小波分析与前馈神经网络相触合,应用于小波神经网络对航空发动机滑油系统的`故障渗断.结果表明,小波网络故障诊断方法具有收敛速度快,对网络输入不敏感等特点,为非线性系统的故障诊断提供了新的理论和方法.

作 者：焦准 杨笃伟 作者单位：空军第一航空学院刊 名：航空维修与工程 PKU英文刊名：AVIATION MAINTENANCE & ENGINEERING年，卷(期)：2009“”(1)分类号：V2关键词：

基于plc电机故障诊断 篇11

关键词：PLC技术;数控机床;故障诊断

1.数控机床PLC概述

数控机床PLC归分为两类：一类是内装型或集成型，指的是PLC和CNC装置的综合设计，PLC内包括在CNC装置内，和CNC装置之间的信号经过CNC自身的I/O接口进行完成。另一类是独立型或外装型。指的是通过对专业厂家生产的PLC产品进行利用，进而实现数控机床的顺序控制，并使CNC系统中全部的要求任务独立完成[1]。

基于数控机床中，PLC起到了连接数控装置和机床侧的辅助作用。其一，PLC接受了CNC处理操作人员编辑的程序指令，通过译码输出处理之后送至机床侧，进而让机床完成相应的动作，最终使机床的运行得到有效控制。其二，PLC接受了机床侧的逻辑信号对数控系统进行反馈。

数控机床PLC主要的组成部分包括CPU、存储器、输入输出及供电电源等，以总线作为桥梁把各部分连接起来[2]。其中，CPU属于PLC的核心部分，它的主要功能是对用户程序及数据进行接收及输入，并对各类信号状态进行查询，诊断无误之后，PLC便开始运行。

2.应用PLC对数控机床进行故障诊断的方法与步骤分析

2.1诊断方法

应用PLC对数控机床进行故障诊断存在诸多方法，具体体现在以上几大方面：

（1）一故障报警号为依据，对故障进行诊断。主要是对数控机床的自诊断功能进行利用，以显示器上所显示的报警信息为依据，并与机床维修手册当中所提供的故障信息代码含义相结合，进而对故障进行定位。

（2）以PLC的I/O状态为依据，对故障进行诊断[3]。基于数控机床当中，CNC系统、PLC及机床间是经I/O接口实现信号的传递的，I/O接口当作是信息传递及控制的渠道，一些故障能够在PLC的I/O接口的状态反映出来。在对相关控制对象的正常状态及故障状态熟悉之后，对I/O接口的工作状态进行灵活利用，便极易查找出故障原因。

（3）利用PLC梯形图对故障进行诊断。PLC程序是根据控制对象的控制原理进行设计的，大部分PLC均使用梯形图当作编程语言，通过对梯形图与机床相结合的工作原理及联锁关系，能够便于对有关输入输出及标志位的情况加工确定。对于存在梯形图监控功能的数控系统，还能够在线对程序的运行进行监控，对I/O与标志位情况的瞬间变化进行观察。在故障发生的情况，通过对胸自诊断功能的利用，或者通过机外编程器，便能够以PLC的动作原理为依据，进一步快速将故障进行诊断，并采取相应的有效排除措施。

2.2诊断步骤

通过PLC对数控机床的故障进行诊断时，首先需要熟悉机床的各组成部分，包括各执行机构的动作顺序、工作原理及各部分检测开关的安装位置等。同时，还需要对各机构动作进行充分了解，包括启动、定值及松开等。能够读懂PLC梯形图，并且能够利用经常使用到的测量仪器完成检测工序。在排除故障的过程中，需依照下述步骤进行：

首先，存在报警号。第一步需查维修手册，找到与之对应的故障内容，并对故障部位加以确定，进而对相对应的程序段进行查找，并对其逻辑关系进行分析。然后，和机床相结合，现场在线分析每一个可疑点，检查输入信号对应的输出是不是和PLC的逻辑控制关系相符合。如果符合，则属于正常点;反之，则为故障点。在找出故障点后，需以电路图为依据，对发生故障的元器件进行查找，并及时调整或更换，以此将故障彻底排除。

其次，如无报警号。需与机床的工作原理及各个部件间的动作顺序相结合，依照维修手册，通过故障现象对故障位置进行确定，然后通过对梯形图进行应用，对具体模块的相关信号进行检测。

最后，对资料进行整理，并做好故障维修的记录工作。

2.3实际案例分析

某数控机床在换刀指令的情况下不发生动作，机械臂停留在行程中间位置，CRT显示报警号[4]。

通过报警号查手册发现，报警内容是换刀系统机械臂检测开关信号为“0”。表明，刀库换刀位置错误。以换刀系统工作原理及动作顺序得知，此故障发生于换刀装置与刀库2部分间，通过对PLC输入接口状态查找可发现，PLC输入接口无检测信号接收，致使机床换刀过程发生中断。相关原因包括：其一，对于运动部件到位信号的检测，检测开关没有完成;可能在液压或机械等方面发生故障。其二，可能是接近开关发生失灵现象。

首先对刀库当中的接近开关进行检查，发生开关为正常。然后，通过手动对机械臂缩回动作的电磁阀进行控制，进而将机械臂退回到“臂缩回”位置，机械复原。表明手控电磁阀能够对换刀位置进行定位，以此将液压及机械两方面的故障排除。进而表明可能是操作或PLC参数设置不合理导致故障。通过操作观察，并与《操作手册》相结合，得出结论：操作换刀时间比PLC规定的要求小，在PLC程序执行错误的情况下发生报警。在对相应程序修改完成之后，故障得到有效排除。

3.结语

在经济及科技逐渐进步的背景下，技术在工业领域的应用越来越广泛。其中，在数控机床的故障诊断过程中，PLC起到了至关重要的作用。大致上分析，PLC在数控机床上的应用在很大程度上提升了故障诊断的速度，同时使数控机床的工作效率得到有效提高。但同时，也存在较为明显的问题，如我国现有的PLC不具完善性，为了使数控机床故障诊断更具实效性与科学性，笔者认为在今后发展过程中，重点工作便是推进PLC的发展。

参考文献：

[1]程艳.数控机床故障诊断中PLC的应用研究[J].石家庄学院学报，2014，03：43-46.

[2]雷晓松.PLC在数控机床故障诊断中的应用[J].黑龙江科技信息，2012，29：23-24.

基于plc电机故障诊断 篇12

轴承是电机主轴的支撑, 是电机的重要部件之一。异步电动机的轴承故障发生概率约为40%, 由于工作面接触应力的长期反复作用, 极易引起轴承疲劳、裂纹、压痕等故障, 将引起电机异常振动, 电机将无法正常运行。这种异常振动超过常规振动所规定的允许值时, 也会对电力生产及人身安全带来极大的危害甚至整机报废, 造成重大事故。可见轴承工作状态是否正常, 对于电机有着重大的影响。

目前, 轴承故障可通过目测、测量和无损探伤等方法进行检测, 但这些方法易受噪声干扰而产生误判。而神经网络的自学习能力、非线性映射能力、对任意函数的逼近能力、并行计算能力和容错能力等为构造新型故障诊断系统提供了有力手段[1]。本文采用基于径向基函数神经网络技术对作为电机主要支承型式的滚动轴承进行智能故障诊断。

1 径向基函数神经网络

径向基函数神经网络用径向基函数作为隐层单元的“基”, 构成含层空间, 隐含层对输入矢量进行变换, 将低维的模式输入数据变换到高维空间内, 使得在低维空间内的线性不可分问题在高维空间内线性可分。

1.1 径向基函数神经网络建模原理

径向基函数神经网络是单隐层的前向网络, 它有三层构成:第一层是输入层, 由信号源节点组成;第二层是隐含层, 隐单元的个数由所描述的问题而定, 隐单元的变换函数是对中心点径向对称且衰减的非负非线性函数;第三层是输出层, 它对输入模式做出响应。径向基函数网络模型如图1所示。

1.2 径向基函数神经网络训练算法

径向基函数的Gaussian函数网络的学习参数有3个, 即各径向基函数的中心Ck、方差σk和输出单元的权值Wk。径向基函数网络算法步骤如下[2,3]:

1) 从输入向量中选一组初始中心值Ck;

2) 计算方差值

式中dmax为最大的距离, K为Ck的数量;

为网络期望输出;为3个参数的学习步长。

5) 如网络收敛, 则计算停止, 否则转到步骤 (4) 。

2 电机轴承的故障特征提取

本实验采用型号为6204的深沟球轴承, 在电机驱动端轴承座上使用带磁座的电荷加速度传感器采集振动信号。考虑到生产现场很难搜集全各种故障数据, 采用电火花加工技术在正常轴承各表面加工出细微的点蚀。轴承故障分为内圈故障、外圈故障、滚子故障、正常轴承4种状态。故障直径分别分为0.007inchs, 0.014inchs, 0.021inchs三个等级, 深度都为0.011 inchs。马达电机负载分别在0, 1, 2, 3HP下测得的, 电机转速为1430rpm, 其每一个状态如表1所示组合进行测试。然后采用小波包频带能量分析技术提取滚动轴承的故障特征[4]。

3 电机轴承故障诊断仿真结果

通过调用MATLAB神经网络工具箱的newrb函数创建一个径向基函数神经网络, 输入层神经元16个, 输出层神经元16个, 径向基函数的分布密度SPREAD=3, 训练目标误差值取为0.0001。网络的输出模式, 采用以下的输出模式:

滚动体故障: (1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0) ;

内圈故障: (0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0) ;

外圈故障: (0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0) ;

无故障: (0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0) ;

在训练的过程中, 隐含层的神经元数量的确定是一个关键, 传统的做法是使其与输入向量的元素相等, 显然此方法在输入矢量过多时, 过多的隐含层神经元让人难以接受。此处, 隐含层的神经元从0个神经元开始训练, 通过检查输出误差使网络自动增加神经元, 每次循环使用, 使网络产生的最大误差所对应的输入向量作为权值向量, 产生一个新的隐含层神经元, 然后检查新网络的误差, 重复此过程直到达到误差要求或最大隐含层神经元数为止。

我们选择了80组训练样本时, 73步达到训练目标, 如图2所示。选用滚动轴承的48组测试样本送入训练好的径向基函数神经网络进行模式识别, 诊断结果如表2所示。由表2可以得到径向基函数神经网络诊断准确率为97.91%。

在径向基函数神经网络的设计中, 最重要的参数是径向基函数的分布密度。为了验证径向基函数的分布密度的取值对故障诊断准确率的影响, 分别取SPREAD=1, SPREAD=2, S P R E A D=8, 仍采用原训练样本和测试样本进行试验。图3、4、5分别为取SPREAD=1, SPREAD=2, SPREAD=8时径向基函数神经网络训练过程, 当SPREAD=1时, 径向基函数神经网络诊断准确率为93.75%;当SPREAD=2时, 径向基函数神经网络诊断准确率为95.83%;当SPREAD=8时, 径向基函数神经网络诊断准确率为97.91%。

4 结论

本文将径向基函数神经网络用于电机轴承的故障诊断, 采用径向基函数神经网络对电机轴承在滚动体故障、内圈故障、外圈故障以及无故障状态给予识别。试验结果表明, 系统不仅能够检测到轴承故障的存在, 而且能够更高效、准确地进行电机轴承的故障模式识别, 能够更好的应用于电机轴承的故障诊断中。

参考文献

[1]梅宏斌.滚动轴承振动监测与诊断——理论·方法·系统[M].北京:机械工业出版社, 1996.

[2]Simon Haykin.Neural Networks:A Comprehensive Foundation (Second Edition) [M].Prentice Hall, 1999.

[3]Ham F M, Kostanie I, Priciples of Neuro Computing for Science&Engineering[M].McGraw Hill, 2001.

PLC常见故障处理教案 篇13

一般查找故障步骤

模块的各种指示灯是否正常，通道是否正常。不能想当然认为PLC无事。要通过检测后方能确认。

软件故障;通讯故障；

调试好后，程序不会有逻辑及语法错误，程序量较大时，需注意内存的占用量。在线修改程序时要慎重

硬件故障

模块故障：判断，指示灯，故障现象，硬件组态中的诊断

通道故障：个别数据或状态不正常，替换法或打点，开关量和模拟量

外部故障（仪表电气）：排除模块故障和通道故障，配合电气仪表处理外部故障，若需强制，最好从外部强制，禁止强制输出点 多学一些电气仪表方面的基础知识

I/O模块的更换

接触及更换模块时，带防静电手环或触摸金属导体，放身体所带静电，尤其是在冬季。

４ 西门子ＰＬＣ应用中需要注意的问题 ４．１ 工作环境

（１）温度。ＰＬＣ要求环境温度在０ ℃～５５ ℃，安装时不能放在发热量大的元件下面，四周通风散热的空间应足够大。

（２）湿度。为了保证ＰＬＣ的绝缘性能，空气的相对湿度应小于８５％（无露珠）。（３）震动。应使ＰＬＣ远离强烈的震动源，防止振动频率为１０ Ｈｚ～５５ Ｈｚ的频繁或连续振动。当使用环境不可避免震动时，必须采取减震措施，如采用减震胶等。（４）空气。避免有腐蚀和易燃的气体，如氯化氢、硫化氢等。对于空气中有较多粉尘或腐蚀性气体的环境，可将ＰＬＣ安装在封闭性较好的控制室或控制柜中。

（５）电源。ＰＬＣ对于电源线带来的干扰具有一定的抵制能力。在可靠性要求很高或电源干扰特别严重的环境中，可以安装一台带屏蔽层的隔离变压器，以减少设备与地之间的干扰。一般ＰＬＣ都有直流２４ Ｖ输出提供给输入端，当输入端使用外接直流电源时，应选用直流稳压电源。普通的整流滤波电源，由于纹波的影响，容易使ＰＬＣ接收到错误信息。４．２ 控制系统中干扰及其来源

影响ＰＬＣ控制系统的干扰源，大都产生在电流或电压剧烈变化的部位，其原因是电流改变产生磁场，对设备产生电磁辐射；磁场改变产生电流，电磁高速产生电磁波，电磁波对其具有强烈的干扰。

（１）强电干扰。由于电网覆盖范围广，电网受到空间电磁干扰而在线路上感应电压。尤其是电网内部的变化，刀开关操作浪涌、大型电力设备启停、交直流传动装置引起的谐波、电网短路暂态冲击等，都通过输电线路传到电源原边。

（２）柜内干扰。控制柜内的高压电器，大的电感性负载，混乱的布线都容易对ＰＬＣ造成一定程度的干扰。

（３）来自接地系统混乱时的干扰。正确的接地，既能抑制电磁干扰的影响，又能抑制设备向外发出干扰；而错误的接地，反而会引入严重的干扰信号，使ＰＬＣ系统将无法正常工作。

（４）来自ＰＬＣ系统内部的干扰。主要由系统内部元器件及电路间的相互电磁辐射产生，如逻辑电路相互辐射及其对模拟电路的影响，模拟地与逻辑地的相互影响及元器件间的相互不匹配使用等。

（５）变频器干扰。一是变频器启动及运行过程中产生谐波对电网产生传导干扰，引起电网电压畸变，影响电网的供电质量；二是变频器的输出会产生较强的电磁辐射干扰，影响周边设备的正常工作。４．３ 主要抗干扰措施

４．３.１ 合理处理电源以抑制电网引入的干扰

对于电源引入的电网干扰可以安装一台带屏蔽层的变比为１∶１的隔离变压器，以减少设备与地之间的干扰，还可以在电源输入端串接ＬＣ滤波电路。４．３．２ 安装与布线

动力线、控制线以及ＰＬＣ的电源线和ＲＳ４８５网线应分别配线，各走各的桥架或线槽。（１）ＰＬＣ应远离强干扰源，柜内ＰＬＣ应远离动力线（二者之间距离应大于２００ ｍｍ），与ＰＬＣ装在同一个柜子内的电感性负载，如功率较大的继电器、接触器的线圈，应并联ＲＣ消弧电路。

（２）ＰＬＣ的输入与输出最好分开走线，开关量与模拟量也要分开敷设。模拟量信号的传送应采用屏蔽线，屏蔽层应一端或两端接地，接地电阻应小于屏蔽层电阻的１/１０。（３）交流输出线和直流输出线不要用同一根电缆，输出线应尽量远离高压线和动力线，避免并行。

４．３．３ Ｉ/Ｏ端的接线（１）输入接线。一是输入接线一般不要太长。但如果环境干扰较小，电压降不大时，输入接线可适当长些。二是输入/输出线不能用同一根电缆，输入/输出线要分开。三是尽可能采用常开触点形式连接到输入端，使编制的梯形图与继电器原理图一致。

（２）输出接线。一是输出端接线分为独立输出和公共输出。在不同组中，可采用不同类型和电压等级的输出电压，但在同一组中的输出只能用同一类型、同一电压等级的电源。二是由于ＰＬＣ的输出元件被封装在印制电路板上，并且连接至端子板，若将连接输出元件的负载短路，将烧毁印制电路板。三是采用继电器输出时，所承受的电感性负载的大小，会影响到继电器的使用寿命，因此，使用电感性负载时应合理选择，或加隔离继电器。４．３．４ 正确选择接地点以完善接地系统

ＰＬＣ控制系统的地线包括系统地、屏蔽地、交流地和保护地等。接地系统混乱对ＰＬＣ系统的干扰主要是各个接地点电位分布不均，不同接地点间存在地电位差，引起地环路电流，影响系统正常工作。

（１）安全地或电源接地。将电源线接地端和柜体连线接地为安全接地。

（２）系统接地。ＰＬＣ控制器为了与所控的各个设备同电位而接地，叫系统接地。接地电阻值不得大于４ Ω，一般需将ＰＬＣ设备系统地和控制柜内开关电源负端接在一起，作为控制系统地。

（３）信号与屏蔽接地。一般要求信号线必须要有唯一的参考地。４．３．５ 对变频器干扰的抑制

（１）加隔离变压器，主要是针对来自电源的传导干扰，可以将绝大部分的传导干扰阻隔在隔离变压器之前。

（２）使用滤波器，滤波器具有较强的抗干扰能力，还具有防止将设备本身的干扰传导给电源，有些还兼有尖峰电压吸收功能。

（３）使用输出电抗器，在变频器到电动机之间增加交流电抗器主要是减少变频器输出在能量传输过程中线路产生电磁辐射，影响其他设备正常工作。５ 结语

基于plc电机故障诊断 篇14

伺服系统是雷达设备重要的一环,直流电机是为驱动天线提供直接动力。在平时的维护保养中,如何及时发现电机的潜在故障,做到及时维修,避免电机状态的进一步恶化延长电机使用寿命都有着积极的意义。本文采用了基于小波分析和BP网络的故障诊断方法。在进行故障诊断型建立时,首先通过振动传感器测得直流电机的实时振动信号,对信号用小波进行分解后重构,提取出其中的特征参量,根据所得的特征参数用BP网络进行训练,建立特征参量—故障的映射模型。最后,应用预测所得的特征参量判断设备是否存在故障,从而实现特征参量—故障的过程。其工作流程如图1所示。

1 特征参量的提取

特征参量的提取有很多方法,本文采用了小波变换的方法来对直流电机故障诊断所需的特征参量进行提取。小波变换(Wavelet Transform)是一种窗口大小固定但其形状可改变,时间窗和频率窗都可改变的时频局部化分析方法。小波分析具有在低频段具有较高的频率分辨率,而在高频段具有较高的时间分辨率的特性,使这种分析方法具有对信号的自适应性[1]。

1.1 小波函数的选择

在故障诊断中,故障通常表现为输出信号发生突变,因而对突变点的检测在故障诊断中有着非常重要的意义。

在本文的研究中,针对直流电机的特性,选择了Daubechies小波作为提取特征参量的小波基。因为,Daubechies小波具有正交性,在时域和频域都是有限紧支,在实施中不需要对小波进行人为切断,具有计算快、精度高等特点,适合于检测故障信号的奇异点。

消失矩为N的Daubechies小波简称为dbN小波。从理论分析可知,N越大,其性能越好,但经过实例检验,发现当N=4～6时,性能已经足以满足要求,如果此时再增大N时,性能提高不明显,因此,本文选择的Daubechies小波消失矩N=6,简称为db6。

1.2 信号的多分辨率分析

信号多分辨分析的最终目的是力求构造一个在频率上高度逼近的空间正交小波基(或正交小波包基),这些频率分辨率不同的正交小波基相当于带宽各异的带通滤波器。

根据Mallat算法在构造正交小波基时提出的多分辨分析的概念,对直流电机振动信号S使用db6小波进行4层分解重构,分解关系为S=A4+D4+D3+D2+D1。信号的采样频率为10 000 Hz。因此小波分解的各层分解信号的频带为低频信号A4(0～312.5Hz),高频信号D1(2 500 Hz～5 000 Hz), 高频信号D2(1 250 Hz～2 500 Hz), 高频信号D3(625 Hz～1 250 Hz),高频信号D4(312.5 Hz～625 Hz),其分解关系如图2所示。

在采用db6小波分析对电机振动信号进行多分辨率分析之后,还需将振动信号中反映电机潜在故障状态的数字化信息提取出来,作为下一步BP神经网络故障映射模型训练的样本。本文采用的15个时域和频域特征参量为:小波分解重构的各层信号的能量值以及总能量值以及时域波形的峰值、均值指标、均方根值指标、歪度指标、峭度指标、欲度指标、峰值指标、波形指标、脉冲指标[2,3]。

频域特征参量为小波分解重构的各层信号的能量值以及总能量值,表征了直流电机振动信号在频域中对信号能量或功率分布情况,较好地描述了信号的频率结构,可据此了解电机设备各个部分的工作状况。

时域特征中的峰值信号反映出信号的冲击脉冲强度;均值指标反映信号的静态分量;均方根值指标反映信号的强度;歪度指标反映信号的冲击特性;峭度指标反映信号的尖峭程度;欲度指标、峰值指标、波形指标与脉冲指标用来探测信号中因故障引起的突变脉冲。

2 特征参量-故障映射模型的建立

神经网络是由大量的处理单元(神经元)相互连接而成的网络,其信息处理由神经元之间的相互作用来实现,知识与信息的存储表现为网络元件互连分布式的物理联系,人工神经网络的学习和识别决定于神经元连接权系数的动态演化过程。特征参量-故障映射模型实际上就是在特征参量与故障之间建立一种非线性的映射关系。BP神经网络是采用误差反向传播训练算法(Back-Propagation 简称BP 算法)来进行学习,系统地解决了多层网络中隐含单元连接权的学习问题。BP神经网络具有良好的非线性映射能力,只要有足够多的样本对网络进行训练,就可以建立非线性映射模型[4,5]。

Robert Hecht-Nielson证明了对于任何区间内的一个连续函数都可以用一个隐层的BP网络来逼近,因而一个三层BP网络可以完成任意的N维到M维的映射。所以采用有一个隐层的BP网络就可以了。基本的三层前向BP网络结构如图3所示。

故障映射模型的具体参数如下。

2.1 输入向量X和目标向量Z的设计

首先对直流电机外壁上测得的振动信号进行时频域分析,提取出前文介绍的15个特征参量值作为BP网络的输入向量,选择三种典型故障作为网络的输出,因此,采用三位二进制数对故障模式进行描述,具体为:无故障(0 0 0 )、机座松动故障(1 0 0 )、定子松动故障(0 1 0)、匝间短路故障(0 0 1)。同时在输出向量中加入最后一位表示故障的严重程度,取值范围为[0,1],0表示无故障,1表示完全故障。

2.2 BP网络的创建

特征参量-故障映射模型BP网络的输入层神经元个数为15个,输出层神经元为4个,隐含层的神经元个数近似为31个。隐含层神经元个数不是固定的,需要用实际训练来检测。

2.3 BP网络的训练

BP网络的自适应学习需要大量的特征参量输入样本,通过人为破坏方式模拟直流电机的机座松动、定子松动、匝间短路等常见故障,采用实验所得的故障特征参量样本训练BP网络。

根据需要,直流电机特征参量-故障映射模型BP网络的训练需满足以下要求:

训练次数——1 000;

训练目标——0.001;

学习速率——0.1。

完成BP网络训练后,抽取实验中所测的10组特征参量数据作为输入向量,分别见表1。

BP网络输出结果见表1。

由表1中的期望结果即为实验模拟的直流电机故障状态,测试结果为BP网络故障映射模型输出的数值,可以看出,神经网络故障映射模型输出结果基本符合电机实际状态。

3 结束语

本文运用小波-神经网络的松散型结合,在状态监测的基础上建立故障映射模型。该方法回避了抽象对象数学模型的建立,避免了复杂传递函数模型的运用。通过实验数据表明该故障诊断方法在神经网络训练样本充足的情况下,神经网络故障映射模型的输出结果能有效地反映出电机状态,因此可以应用于伺服直流机电设备的故障诊断。

摘要：研究了直流电机反映潜在故障特征的参数选取方法,并在此基础上建立了基于小波分析方法和BP人工神经网络技术的特征参量-故障映射模型模型。通过诊断结果与实际数据的分析、对比,验证了所建立的故障诊断模型能有效地实现潜在故障征兆提取和故障映射功能。

关键词：故障诊断,小波分析,直流电机

参考文献

[1]王平.基于小波-神经网络的电机轴承故障诊断.太原:太原理工大学硕士论文.2002

[2] Nowak R D,Baraniuk R G.Wavelet-based transformations for non-linear signal processing.IEEE Transaction on Signal Processing,1999;47(7):1852—1865

[3]刘强.人工神经网络及其在汽轮机发电机组振动故障预测中的应用.浙江大学硕士学位论文,2005

[4]崔锦泰.小波分析导论.西安:西安交通大学出版社,1995