针对长定子直线同步电机(long-stator linear synchronous motor,简称LSLSM)定子绕组匝间短路(stator winding inter-turn short circuit,简称ITSC)故障在强噪声与复杂工况下特征微弱,传统电机电流特性分析方法难以实现早期精准检测的问...针对长定子直线同步电机(long-stator linear synchronous motor,简称LSLSM)定子绕组匝间短路(stator winding inter-turn short circuit,简称ITSC)故障在强噪声与复杂工况下特征微弱,传统电机电流特性分析方法难以实现早期精准检测的问题,提出了一种基于迭代自适应多重同步压缩变换(iterative adaptive multiple synchronous compression of transform,简称IAMST)的时频分析方法,通过最优路径搜索与时频脊线压缩提升故障特征能量聚集性,实现LSLSM定子绕组故障的可靠识别。首先,建立常导高速磁浮机-电-磁耦合模型,揭示ITSC故障下d轴电流残差信号以二次谐波为主导的故障特征机理,并分析其对车辆牵引性能的影响;其次,提出IAMST算法,采用改进型Viterbi算法结合动态指数平滑预测,实现强噪声环境下瞬时频率(instantaneous frequency,简称IF)的精准初始化;然后,通过迭代压缩细化机制,将时频能量聚焦于真实IF脊线,克服传统方法的交叉干扰与噪声敏感性问题;最后,基于硬件在环(hardware-in-the-loop,简称HIL)平台开展故障注入实验。结果表明,IAMST方法为非平稳信号时频分析提供了一种抗噪性强、特征分辨率高的解决方案,为磁浮列车LSLSM定子绕组早期故障检测提供了可靠的技术支撑。展开更多
文摘针对长定子直线同步电机(long-stator linear synchronous motor,简称LSLSM)定子绕组匝间短路(stator winding inter-turn short circuit,简称ITSC)故障在强噪声与复杂工况下特征微弱,传统电机电流特性分析方法难以实现早期精准检测的问题,提出了一种基于迭代自适应多重同步压缩变换(iterative adaptive multiple synchronous compression of transform,简称IAMST)的时频分析方法,通过最优路径搜索与时频脊线压缩提升故障特征能量聚集性,实现LSLSM定子绕组故障的可靠识别。首先,建立常导高速磁浮机-电-磁耦合模型,揭示ITSC故障下d轴电流残差信号以二次谐波为主导的故障特征机理,并分析其对车辆牵引性能的影响;其次,提出IAMST算法,采用改进型Viterbi算法结合动态指数平滑预测,实现强噪声环境下瞬时频率(instantaneous frequency,简称IF)的精准初始化;然后,通过迭代压缩细化机制,将时频能量聚焦于真实IF脊线,克服传统方法的交叉干扰与噪声敏感性问题;最后,基于硬件在环(hardware-in-the-loop,简称HIL)平台开展故障注入实验。结果表明,IAMST方法为非平稳信号时频分析提供了一种抗噪性强、特征分辨率高的解决方案,为磁浮列车LSLSM定子绕组早期故障检测提供了可靠的技术支撑。
