6.3分数阶模型的辨识133
6.3.1输出误差辨识算法134
6.3.2输出灵敏度计算135
6.3.3估计参数的验证135
6.3.4应用到起动信号中135
6.4用电池电阻作为起动能力的指示器136
6.5模型验证及电池内阻的估计138
6.5.1模型验证的频率法138
6.5.2电池内阻估计的应用140
6.5.3简化的阻值估计器143
6.6电池状态的估计146
6.7本章小结148
6.8参考文献148
第7章基于信号分析技术的感应电机机电故障诊断151
7.1概述151
7.2电流的频谱152
7.3信号处理153
7.3.1傅里叶变换153
7.3.2周期图154
7.4实验中的信号分析155
7.4.1断条引起的故障156
7.4.2轴承故障160
7.4.3静态不对中故障166
7.4.4匝间短路173
7.5本章小结176
7.6附录176
7.6.1附录A实验使用电机的部分特性参数176
7.6.2附录B实验使用滚珠轴承的部分特性参数177
7.7参考文献177
第8章基于神经网络的感应电机故障诊断179
8.1概述179
8.2在故障诊断问题中ANN的使用方法180
8.2.1选择故障指示器180
8.2.2选择神经网的结构181
8.2.3建立学习和测试数据库182
8.2.4神经网络的学习和测试182
8.3监测系统概述183
8.4故障检测可能出现的问题184
8.5提出的鲁棒检测新方法184
8.5.1产生估计的残差185
8.6定/转子故障的特征186
8.6.1正常运行时的残差分析186
8.6.2定子故障时的残差分析186
8.6.3转子故障时的残差分析188
8.6.4同时存在定/转子故障时的残差分析190
8.7利用RNd神经网络检测故障191
8.7.1提取故障指示器191
8.7.2RNd神经网络的学习过程191
8.7.3RNd网络的结构193
8.7.4RNd网络的训练结果193
8.7.5RNd网络的测试结果194
8.8定子故障的故障诊断197
8.8.1选择RNcc网络故障指示器197
8.8.2RNcc网络的学习序列198
8.8.3RNcc网络结构199
8.8.4RNcc网络的学习结果201
8.8.5RNcc网络的测试结果201
8.8.6RNcc网络的实验验证203
8.9转子故障的故障诊断208
8.9.1选择RNbc网络的故障指示器208
8.9.2RNbc网络的学习序列208
8.9.3学习、测试和验证结果209
8.10感应电机完整的监测系统210
8.11本章小结212
8.12参考文献212
第9章静态变流器中的故障检测与诊断214
9.1概述214
9.2故障检测和诊断215
9.2.1神经网络方法215
9.2.2模糊逻辑方法221
9.2.3多维数据分析224
9.3功率电子模块的热疲劳和失效模式231
9.3.1功率电子模块的相关技术231
9.3.2电力电子模块性能退化的原因及主要类型239
9.3.3连接件损坏对电气特性的影响以及对故障诊断的潜在作用244
9.3.4接触面接触不良对热特性的影响和在故障诊断中的潜在应用246
9.4本章小结248
9.5参考文献249

现代电机典藏系列电机故障诊断 作者简介

Jean-Claude Trigeassou 于1988~2006年在法国普瓦捷大学（Université de Poitiers）高等工程师学校（École Supérieure d'Ingénieurs de Poitiers, ESIP）担任教授，主要研究兴趣是矩量法及其在参数辨识和控制中的应用、连续系统参数估计及其在电机故障诊断中的应用。目前，Trigeassou教授在法国波尔多大学（Université de Bordeaux）的IMS-LAPS实验室工作，主要研究工作涉及分数阶系统的建模、稳定性分析、参数辨识和控制等。

 2/2   首页 上一页 1 2

工业技术 电工技术 电机

在线阅读