CN102033200A - 基于统计模型的交流电机在线监测和诊断方法 - Google Patents

Abstract

本发明涉及交流电机监测和诊断方法。一种基于统计模型的交流电机在线检测和诊断方法，它包括信号获取步骤、状态自学习步骤、模型建立步骤和监测诊断步骤。本发明通过辨识一套与电机系统电气和机械故障相关的状态特征量，用多变量统计的方法建立统计模型，用自学习的方式确定模型偏出正常时的报警限和各变量的贡献度，从而预警电机系统的缺陷所在。本发明基于统计模型，能对电机系统的问题进行综合诊断；只需用互感器在电气室获取电机的电压和电流信号，无需进行生产现场的传感器安装和信号传输；自学习设立报警控制线抑制了系统误差对判定的影响。本发明弥补了目前电机系统在线监测和电流法诊断的不足，兼具在线监测和异常定位功能。

Description

基于统计模型的交流电机在线监测和诊断方法

技术领域

本发明涉及交流电机系统的监测与诊断，尤其涉及交流电机在线监测和诊断的方法。

背景技术

目前交流电机的诊断主要基于MCSA方法。这种方法以电流的频谱分析为基础，因此绝大多数情况下以一种离线分析的方式进行。近年来，科研工作者不断将较为复杂的信号分析方法引入这个领域，例如循环平稳方法、小波分析方法、奇异值分解法等，增加了分析精度，也增加了软件分析的难度和对系统资源的要求，更不利于电机系统在线诊断的实现。而通过硬件手段剔除50Hz工频分量的方法，由于硬件电路的复杂性使得在高电磁干扰环境的场合难以胜任。此外，国内对于一定功率以上的大电机，有安装相应继保系统的法规要求，所起的作用主要是对电气方面的保护，并不进行诊断，特别是对电机拖动设备的诊断；而对大量中小型电机系统并没有适用的在线监测和诊断系统。总之，对电机系统的监测诊断仪器可以归纳为在线系统不能诊断、诊断系统不能在线，其原因就是尚缺少合适的方法。

对于设备诊断方法及系统的研究，比较常规的方法是从故障特征反推系统的本质(状态)、用同类设备进行类比或者从历史经验借鉴当前，大多是一种基于规则的诊断。对于前人没有的知识，通过故障模拟实验得到其故障特征。但是对于电机系统的监测，由于现场服役的电机系统的工作参数和工况千变万化，要取得统一的报警规则几乎是不可能的。而对于电机这种提供动力的特殊设备，不像其他的机械设备那样能允许它逐渐劣化，往往稍有问题就会被处理和替换，使得诊断研究人员来不及捕捉完备的特征情况，因此从现场实际获取诊断特征和规则的途径也难以实现。综上所述，必须研究更有效的预警和诊断方法。

发明内容

本发明旨在解决上述缺陷，提供一种基于统计模型的交流电机在线监测和诊断方法。本发明通过研究获取一套与电气和机械故障相关的状态特征量，用多变量统计过程控制的方法建立统计模型，用自学习的方式确定正常模型偏出时的报警限和各状态特征的贡献度，从而预警电机系统的缺陷所在。

本发明是这样实现的：

一种基于统计模型的交流电机在线监测和诊断方法，它包括下列步骤：步骤一，监测模型建立的准备；电机运行一个工况周期，以遍历正常状态的所有工况，用电压互感器和电流互感器获取交流电机的电压和电流信号；转速辨识，根据感应电动机的磁链模型，转子磁链由定子电压和电流来确定，或由定子电流和转速来观测，由此建立转速和电压、电流之间的关系；由于电机参数的未知性，采用神经网络实现转速的估计；当神经网络估计的速度偏离电动机的实际转速时，期望磁链和估计磁链便会产生误差e，将误差e作为反向传播信号调整神经网络的权值，直到误差减小到预先设定的允许值内，此时神经网络的输出值

便可准确地跟踪电机实际转速；

步骤二，根据转速计算交流电机的故障特征向量，其中包括：

x₁＝2×f_L

f_L：外加电源频率；

x₂＝f_L±f_r

其中f_r为转速，为步骤二辨识所得；

x₃＝(1±2s)f_L

其中s为转差率，s＝(n₀-n)/n₀，n＝f_L×60，

n₀为同步转速，n₀＝f_L×60/p，p为交流电机的极对数；

x₄＝(1±kf_r)f_L，其中k＝1，2，3，……

x₅＝f_L±f_i1，其中f_i1＝f_r×r₁为拖动设备的齿轮第一级啮合频率，r₁为齿轮箱第一级传动比；

x₆＝f_L±f_i2，其中f_i2＝f_r×r₁×r₂为拖动设备的齿轮第二级啮合频率，r₂为齿轮箱第二级传动比；

x₇＝f_L±(0.4×f_r)

x₈＝f_L±(0.6×f_r)

$x_9=R_a={\stackrel{\·}{U}}_a/{\stackrel{\·}{I}}_a,$

其中， ${\stackrel{\·}{U}}_a=\sqrt{\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}(U_{\mathrm{ai}}-{\stackrel{\‾}{U}}_a)}{n-1}},$ ${\stackrel{\·}{I}}_a=\sqrt{\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}(I_{\mathrm{ai}}-{\stackrel{\‾}{I}}_a)}{n-1}}$

$x_{10}=R_b={\stackrel{\·}{U}}_b/{\stackrel{\·}{I}}_b$

其中， ${\stackrel{\·}{U}}_b=\sqrt{\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}(U_{\mathrm{bi}}-{\stackrel{\‾}{U}}_b)}{n-1}},$ ${\stackrel{\·}{I}}_b=\sqrt{\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}(I_{\mathrm{bi}}-{\stackrel{\‾}{I}}_b)}{n-1}}$

$x_{11}=R_c={\stackrel{\·}{U}}_c/{\stackrel{\·}{I}}_c$

其中， ${\stackrel{\·}{U}}_c=\sqrt{\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}(U_{\mathrm{ci}}-{\stackrel{\‾}{U}}_c)}{n-1}},$ ${\stackrel{\·}{I}}_c=\sqrt{\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}(I_{\mathrm{ci}}-{\stackrel{\‾}{I}}_c)}{n-1}}$

上述特征值构成的向量将作为以下统计模型的输入变量矩阵进行过程统计的预警；

步骤三：特征向量的主元分析，它包括

1)数据标准化处理

获取各种工况下的n组采样数据，将上述方法计算的p个参数(p＝11)构成状态矩阵：

对X进行标准化处理：数据的标准化处理包括中心化及无量纲处理；

2)主元分析

经过主元分析，数据矩阵X被分解为A个向量的外积和，即

$X={\mathrm{TP}}^T=t_1{p}_1^T+t_2{p}_2^T+...+t_A{p}_A^T$

其中，T为建模数据矩阵X的特征矩阵；P为建模数据矩阵X的负载矩阵p₁，p₂…p_A分别为建模数据矩阵X的A个特征向量；t₁，t₂…t_A分别为建模数据矩阵X的A个主元；

步骤四，建立统计模型和控制限的范围；

利用统计过程控制中的多元控制图方法建立统计模型，形成过程统计变量T²对电机状态进行预警；

T²＝tS^-1t^T

式中，X为观测值向量，为观测值总平均值向量；S是样本的协方差矩阵；若过程数据近似服从正态分布，T²统计量近似服从F分布，由经验公式可以得到其控制限计算公式：

$T^2~\frac{A(n-1)}{n-A}{F}_{\mathrm{\α}}(A,n-A)$

其中A变量为特征值个数；n为样本数；α为显著度；

步骤五，特征参数贡献度计算和故障诊断

1)贡献度计算

当过程数据的T²统计量超出预定的控制限时，利用相应的统计量的贡献可以分析出导致过程异常的过程变量，它描述每一个过程变量对T²统计量的影响大小。

第j个过程变量x_j对T²统计量的贡献为：

T²贡献： $C_{T^2,j}=\left|\left(\mathrm{xP}\right)S^{-1}{\left(x_j{p}_j\right)}^T\right|---\left(3.4\right)$

式中，

代表第j个变量x_j对T²统计量的贡献；P为负载矩阵；p_j为负载矩阵P中的第j行向量。

2)故障诊断

当T²超限，装置显示报警，此时根据11个参数的贡献度，对电机系统的状态做出检查相关部位的指导性意见。

所述的一种基于统计模型的交流电机在线监测和诊断方法，所述步骤三的主元分析过程通过求取数据矩阵X的协方差矩阵V的特征值和特征向量来实现：X的第i主轴p_i是矩阵V第i个特征值λ_i对应的标准化特征向量，又称为负载向量，而第i主成分t_i又称为主元或得分向量；

所述的一种基于统计模型的交流电机在线监测和诊断方法(所述步骤五之2)，对应于状态参数的贡献率顺序，确定最有可能发生的故障为：

参数1：定子问题；

参数2：气隙偏心；

参数3：转子问题；

参数5～6：齿轮问题；

参数7～8：轴承问题；

参数9～11：短路、断路或三相不平衡。

本发明通过研究获取一套与电气和机械故障相关的状态特征量，用多变量统计过程控制的方法建立统计模型，用自学习的方式确定正常模型偏出时的报警限和各状态特征的贡献度，从而预警电机系统的缺陷所在。本发明具有以下特点：

1.内含基于状态特征统计模型的诊断方法，较好地克服了生产环境诸多工况下难以制定通用报警规则的问题；

2.通过对正常状态下模型的训练，自行设立监测的报警限。这样使得系统偏差，如测量误差、比较固定的环境干扰因素等，可以作为常态学习入系统中，不影响报警的精度；

3.综合考虑电机系统电气、机械及电源的因素，对电机系统进行综合诊断；

4.兼顾在线监测和诊断功能。

附图说明

下面，结合附图对本发明做进一步的说明：

图1为本发明的原理图。

图2为本发明实施过程示意图；

图3为信号获取连接示意图；

图4为转速辨识神经网络的结构图。

具体实施方式

一种基于统计模型的交流电机在线监测和诊断方法，它包括

信号获取阶段：

按图2连接本发明形成的系统，并运行一个工况周期(能遍历正常状态的所有工况)。

状态自学习步骤：将获取的数据用本发明方法建模，确定报警控制限。

监测诊断阶段：

设定检测周期，将每次获取的数据进行模型参数的计算，并与控制线比较。如果被检测的设备正处于非平稳的状态(调速或工况波动)，则放弃本次数据的计算和比较。

预警输出步骤：超过控制线并满足一定规则的进行预警和参量贡献度的输出。

(参见图2)

具体地说，本发明包括(请参见图1)：

步骤一：信号采集

用电压互感器和电流互感器获取交流电机的电压和电流信号，其连接方法如图3所示。

步骤二：转速辨识

磁链是感应电动机电压和电流之间的纽带，根据感应电动机的磁链模型，转子磁链可由定子电压和电流来确定(电压模型)，又可由定子电流和转速来观测(电流模型)，由此建立转速和电压、电流之间的关系。由于电机参数的未知性，采用神经网络实现转速的估计，如图4所示。

图4中，

期望的磁链；

估计的磁链；

估计的转速

当神经网络估计的速度偏离电动机的实际转速时，期望磁链和估计磁链便会产生误差e，将误差e作为反向传播信号调整神经网络的权值，直到误差减小到预先设定的允许值内，此时神经网络的输出值

便可准确地跟踪电机实际转速。

步骤三：故障特征值计算

根据转速计算交流电机的故障特征向量，其中包括。

1.x₁＝2×f_L

f_L：外加电源频率；

2.x₂＝f_L±f_r

其中f_r为转速，为步骤二辨识所得；

3.x₃＝(1±2s)f_L

其中s为转差率，s＝(n₀-n)/n₀，n＝f_L×60，

n₀为同步转速，n₀＝f_L×60/p，p为交流电机的极对数。

4.x₄＝(1±kf_r)f_L，其中k＝1，2，3，……

5.x₅＝f_L±f_i1，其中f_i1＝f_r×r₁为拖动设备的齿轮第一级啮合频率，r₁为齿轮箱第一级传动比。

6.x₆＝f_L±f_i2，其中f_i2＝f_r×r₁×r₂为拖动设备的齿轮第二一级啮合频率，r₂为齿轮箱第二级传动比。

7.x₇＝f_L±(0.4×f_r)

8.x₈＝f_L±(0.6×f_r)

9. $x_9=R_a={\stackrel{\·}{U}}_a/{\stackrel{\·}{I}}_a,$

其中， ${\stackrel{\·}{U}}_a=\sqrt{\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}(U_{\mathrm{ai}}-{\stackrel{\‾}{U}}_a)}{n-1}},$ ${\stackrel{\·}{I}}_a=\sqrt{\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}(I_{\mathrm{ai}}-{\stackrel{\‾}{I}}_a)}{n-1}}$

10. $x_{10}=R_b={\stackrel{\·}{U}}_b/{\stackrel{\·}{I}}_b$

其中， ${\stackrel{\·}{U}}_b=\sqrt{\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}(U_{\mathrm{bi}}-{\stackrel{\‾}{U}}_b)}{n-1}},$ ${\stackrel{\·}{I}}_b=\sqrt{\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}(I_{\mathrm{bi}}-{\stackrel{\‾}{I}}_b)}{n-1}}$

11. $x_{11}=R_c={\stackrel{\·}{U}}_c/{\stackrel{\·}{I}}_c$

其中， ${\stackrel{\·}{U}}_c=\sqrt{\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}(U_{\mathrm{ci}}-{\stackrel{\‾}{U}}_c)}{n-1}}$ ${\stackrel{\·}{I}}_c=\sqrt{\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}(I_{\mathrm{ci}}-{\stackrel{\‾}{I}}_c)}{n-1}}$

上述特征值构成的向量将作为以下统计模型的输入变量矩阵进行过程统计的预警。

步骤四：特征向量的主元分析

1数据标准化处理

获取比较典型的n个工况，将上述计算的p个参数(p＝11)构成矩阵：

对X进行标准化处理：

数据的标准化处理包括中心化及无量纲处理。数据的中心化处理是指平移变换，即数据矩阵X中的每个样本点x_ij减掉对应的列向量的均值

即

其中i＝1，2，...，n；j＝1，2，...，p    (3.1)

其中，

为对x_ij去均值后的数据；x_ij为第j个变量在第i个时刻的采样值；

为第j个变量在i个时刻采样的平均值；设n为数据矩阵X中采样数；p为数据矩阵X中变量个数。

2主元分析

这个过程通过求取数据矩阵X的协方差矩阵V的特征值和特征向量来实现。X的第i主轴p_i是矩阵V第i个特征值λ_i对应的标准化特征向量，又称为负载向量，而第i主成分t_i又称为主元或得分向量

经过主元分析，数据矩阵X被分解为A个向量的外积和，即

$X={\mathrm{TP}}^T=t_1{p}_1^T+t_2{p}_2^T+...+t_A{p}_A^T---\left(3.1\right)$

其中，T为建模数据矩阵X的特征矩阵；P为建模数据矩阵X的负载矩阵；p₁，p₂…p_A分别为建模数据矩阵X的A个特征向量；t₁，t₂…t_A分别为建模数据矩阵X的A个主元。

步骤五：建立统计模型和控制限的范围

统计量控制限确定

利用统计过程控制中的多元控制图方法建立统计模型，形成过程统计变量T²〔3〕对电机状态进行预警。T²统计量反映了每个输入变量在变化趋势和幅值上偏离模型的程度，是对模型内部变量变化的一种测度。

T²＝tS^-1t^T    (3.2)

式中，X为观测值向量，为观测值总平均值向量；S是样本的协方差矩阵。若过程数据近似服从正态分布，T²统计量近似服从F分布，由经验公式可以得到其控制限计算公式：

$T^2~\frac{A(n-1)}{n-A}{F}_{\mathrm{\α}}(A,n-A)---\left(3.3\right)$

其中A变量为特征值个数；n为样本数；α为显著度。

步骤六：特征参数贡献度计算和故障诊断

1.贡献度计算

当过程数据的T²统计量或SPE统计量超出预定的控制限时，利用相应的统计量的贡献可以分析出导致过程异常的过程变量，它描述每一个过程变量对T²和SPE统计量的影响大小。

第j个过程变量x_j对T²统计量的贡献为：

T²贡献： $C_{T^2,j}=\left|\left(\mathrm{xP}\right)S^{-1}{\left(x_j{p}_j\right)}^T\right|---\left(3.4\right)$

式中，

代表第j个变量x_j对T²统计量的贡献；P为负载矩阵；p_j为负载矩阵P中的第j行向量。

2故障诊断

当T²超限，装置显示报警，此时根据11个参数的贡献度，对电机系统的状态做出检查相关部位的指导性意见，其依据是：

参数1：定子问题；

参数2：气隙偏心；

参数3：转子问题：

参数5～6：齿轮问题；

参数7～8：轴承问题；

参数9～11：短路、断路或三相不平衡。

Claims (3)

1.一种基于统计模型的交流电机在线监测和诊断方法，其特征在于，它包括下列步骤：

步骤一，监测模型建立的准备；

电机运行一个工况周期，以遍历正常状态的所有工况，用电压互感器和电流互感器获取交流电机的电压和电流信号。

转速辨识：根据感应电动机的磁链模型，转子磁链由定子电压和电流来确定，或由定子电流和转速来观测，由此建立转速和电压、电流之间的关系；采用神经网络实现转速的估计；当神经网络估计的速度偏离电动机的实际转速时，期望磁链和估计磁链便会产生误差e，将误差e作为反向传播信号调整神经网络的权值，直到误差减小到预先设定的允许值内，此时神经网络的输出值

便可准确地跟踪电机实际转速；

步骤二，计算一套状态特征，其中包括：

x₁＝2×f_L

f_L：外加电源频率；

x₂＝f_L±f_r

其中f_r为转速，为步骤二辨识所得；

x₃＝(1±2s)f_L

其中s为转差率，s＝(n₀-n)/n₀，n＝f_L×60，

n₀为同步转速，n₀＝f_L×60/p，p为交流电机的极对数；

x₄＝(1±kf_r)f_L，其中k＝1，2，3，……

x₅＝f_L±f_i1，其中f_i1＝f_r×f₁为拖动设备的齿轮第一级啮合频率，r₁为齿轮箱第一级传动比；

x₆＝f_L±f_i2，其中f_i2＝f_r×r₁×r₂为拖动设备的齿轮第二级啮合频率，r₂为齿轮箱第二级传动比；

x₇＝f_L±(0.4×f_r)

x₈＝f_L±(0.6×f_r)

$x_9=R_a={\stackrel{\·}{U}}_a/{\stackrel{\·}{I}}_a,$

其中， ${\stackrel{\·}{U}}_a=\sqrt{\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}(U_{\mathrm{ai}}-{\stackrel{\‾}{U}}_a)}{n-1}},$ ${\stackrel{\·}{I}}_a=\sqrt{\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}(I_{\mathrm{ai}}-{\stackrel{\‾}{I}}_a)}{n-1}}$

$x_{10}=R_b={\stackrel{\·}{U}}_b/{\stackrel{\·}{I}}_b$

其中， ${\stackrel{\·}{U}}_b=\sqrt{\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}(U_{\mathrm{bi}}-{\stackrel{\‾}{U}}_b)}{n-1}},$ ${\stackrel{\·}{I}}_b=\sqrt{\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}(I_{\mathrm{bi}}-{\stackrel{\‾}{I}}_b)}{n-1}}$

$x_{11}=R_c={\stackrel{\·}{U}}_c/{\stackrel{\·}{I}}_c$

其中， ${\stackrel{\·}{U}}_c=\sqrt{\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}(U_{\mathrm{ci}}-{\stackrel{\‾}{U}}_c)}{n-1}},$ ${\stackrel{\·}{I}}_c=\sqrt{\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}(I_{\mathrm{ci}}-{\stackrel{\‾}{I}}_c)}{n-1}};$

步骤三：特征向量的主元分析，它包括：将步骤二计算获得的特征值构成的向量将作为以下统计模型的输入变量矩阵以进行过程统计的预警；

1)数据标准化处理

获取各种工况下的n组采样数据，将上述方法计算的p个参数(p＝11)构成状态矩阵：

对X进行标准化处理：数据的标准化处理包括中心化及无量纲处理；

2)主元分析

经过主元分析，数据矩阵X被分解为A个向量的外积和，即

$X={\mathrm{TP}}^T=t_1{p}_1^T+t_2{p}_2^T+...+t_A{p}_A^T$

其中，T为建模数据矩阵X的特征矩阵；P为建模数据矩阵X的负载矩阵p₁，p₂…p_A分别为建模数据矩阵X的A个特征向量；t₁，t₂…t_A分别为建模数据矩阵X的A个主元；

步骤四，建立统计模型和控制限的范围；

利用统计过程控制中的多元控制图方法建立统计模型，形成过程统计变量T²对电机状态进行预警；

T²＝tS^-1t^T

式中，X为观测值向量，

为观测值总平均值向量；S是样本的协方差矩阵；若过程数据近似服从正态分布，T²统计量近似服从F分布，由经验公式可以得到其控制限计算公式：

$T^2~\frac{A(n-1)}{n-A}{F}_{\mathrm{\α}}(A,n-A)$

其中A变量为特征值个数；n为样本数；α为显著度；

步骤五，特征参数贡献度计算和故障诊断

1)贡献度计算

当过程数据的T²统计量超出预定的控制限时，利用相应的统计量的贡献可以分析出导致过程异常的过程变量，它描述每一个过程变量对T²统计量的影响大小。

第j个过程变量x_j对T²统计量的贡献为：

T²贡献： $C_{T^2,j}=\left|\left(\mathrm{xP}\right)S^{-1}{\left(x_j{p}_j\right)}^T\right|$

式中，

代表第j个变量x_j对T²统计量的贡献；P为负载矩阵；p_j为负载矩阵P中的第j行向量。

2)故障诊断

当T²超限，装置显示报警，此时根据11个参数的贡献度，对电机系统的状态做出检查相关部位的指导性意见。

2.根据权利要求1所述的一种基于统计模型的交流电机在线监测和诊断方法，其特征在于，所述步骤三的主元分析过程通过求取数据矩阵X的协方差矩阵V的特征值和特征向量来实现：X的第i主轴p_i是矩阵V第i个特征值λ_i对应的标准化特征向量，又称为负载向量，而第i主成分t_i又称为主元或得分向量；

3.根据权利要求1所述的一种基于统计模型的交流电机在线监测和诊断方法所述步骤五之2中，对应于状态参数的贡献率顺序，确定最有可能发生的故障为：

参数1：定子问题；

参数2：气隙偏心；

参数3：转子问题：

参数5～6：齿轮问题；

参数7～8：轴承问题；

参数9～11：短路、断路或三相不平衡。

Images