CN102341720A - 使用定子电流噪音消除的电动机缺陷检测用系统和方法 - Google Patents

Abstract

公开了用于借助电流噪音消除来检测初期机械电动机缺陷的系统和方法。系统包含控制器，其被配置为检测初期机械电动机缺陷的指标。控制器进一步包含处理器，其被编程为从运行的电动机接收基线电流数据组，并定义噪音电流数据组中的噪音分量。处理器被进一步便成为，从运行中的电动机采集至少一个附加实时运行电流数据组，重新定义各个附加实时运行电流数据组中存在的噪音分量，实时地从运行电流数据中移除噪音分量，以便隔离运行电流数据中存在的任何缺陷分量。于是，处理器被编程为，基于任何隔离的缺陷分量，对于运行电流数据产生缺陷指数。

Description

使用定子电流噪音消除的电动机缺陷检测用系统和方法

相关申请的交叉引用

本申请为2008年6月3日提交的美国非临时申请Serial No.12/132,056和2007年6月4日提交的美国临时申请Serial No.60/932,742的部分延续并要求其优先权，二者并入此处作为参考。

政府许可权利

本申请至少部分地基于合同No.DE-FC36-04GO14000在美国能源部授予的政府支持下做出。政府可具有对本发明的特定权利。

技术领域

本发明一般涉及电动机，特别涉及用于检测指示电动机缺陷的初期条件的系统和方法。

背景技术

三相感应电动机消耗大的百分比的发电容量。工业的这种“重载机器”的许多应用为风扇和泵工业应用。例如，在典型的集成造纸厂中，低压和中压电动机可包含所有被驱动电气负载的接近70％。由于工业中这些电动机的盛行，三相电动机可靠是最重要的。工业可靠性研究提示，电动机故障典型地分为四个主要类别中的一个。特别地，电动机缺陷典型地由于轴承故障、定子匝(stator turn)缺陷、转子线棒故障或其他一般缺陷/故障导致。在这四种类型中，轴承、定子和转子故障占所有电动机故障的大约85％。

据信，这一百分比可显著减小，如果被驱动设备在安装时更好地对准，并且无论运行条件如何变化保持对准的话。然而，电动机常常耦合到具有旋转不平衡的负载或不对准的泵负载，并由于给予电动机轴承的应力而过早地故障。另外，哪怕在最有利的条件下，手动地检测这种导致缺陷的条件也是困难的，因为这样做需要电动机正在运转。因此，操作者通常需要将电动机从运行中移除以进行维护再检查和诊断。然而，将电动机从运行中移除在许多应用中是不希望的，因为电动机停工时间可能是成本巨大的。

因此，已经设计出某些检测装置，其产生关于运行的电动机的反馈。反馈于是由操作者再检查，以便确定电动机的运行条件。然而，监视运行中的电动机的大多数系统仅仅提供对可能已经损坏电动机的缺陷的反馈。因此，尽管运行反馈被发送给操作者，通常太晚以至于不能采取预防动作。

某些系统已经试图向操作者提供早期缺陷警示反馈。例如，已经使用振动监视来提供某些早期的基于不对准或不平衡的缺陷。然而，当机械谐振发生时，机器振动被放大。由于这种放大，表示严重机械不对称的假阳性是可能的。另外，基于振动的监视系统典型地要求将高度侵入性和专业化的监视系统配置在电动机系统中。

鉴于基于振动的监视的缺点，已经开发出基于电流的监视技术，以便提供用于检测轴承缺陷的更为便宜、非侵入性的技术。还存在提出基于电流的缺陷检测的限制和缺点。也就是说，在基于电流的轴承缺陷检测中，可能难以从电动机定子电流中提取缺陷识别标志。对于不同类型的轴承缺陷，缺陷识别标志可能出于不同的形式。根据一般缺陷发展过程，轴承缺陷可分为单点瑕疵或是普遍粗糙(generalized roughness)。当前使用的大多数基于电流的轴承缺陷检测技术指向检测单点瑕疵，并依赖于定位和处理定子电流中的特征轴承缺陷频率。然而，这种技术可能不适合检测普遍粗糙缺陷。也就是说，普遍粗糙缺陷表现出劣化的轴承表面，但不是被必然分辨出的缺陷，因此，特征缺陷频率可能不是必然地在定子电流中存在。由于多数轴承缺陷在一开始建立为普遍粗糙轴承缺陷、特别是在早期，基于电流的轴承缺陷检测技术能够检测这种普遍粗糙轴承缺陷将会是有利的。

因此，可能希望设计出一种克服前述缺点的基于电流的轴承缺陷检测技术。通过提供轴承缺陷的早期检测，允许检测普遍粗糙轴承缺陷的基于电流的轴承缺陷检测技术将会是有利的。

发明内容

本发明提供了一种用于借助电流噪音消除来检测即将到来的机械电动机缺陷的系统和方法。电流数据被分解为非缺陷分量(即噪音)和缺陷分量，进行噪音消除，以便隔离电流的缺陷分量并产生缺陷识别符。

根据本发明一实施形态，被配置为检测初期机械电动机缺陷的指标的控制器包含处理器，其被编程为从运行中的电动机接收第一实时运行电流数据组，定义第一实时运行电流数据组中存在的噪音分量，基于任何隔离的缺陷分量，产生第一实时运行电流数据组的缺陷指数。处理器进一步被编程为，从运行中的电动机采集至少一个附加的实时运行电流数据组，重新定义所述至少一个附加的实时运行电流数据组的每一个中存在的噪音分量，从所述至少一个附加的实时运行电流数据组移除所重新定义的噪音分量，以便识别其中存在的任何缺陷分量，基于任何所隔离的缺陷分量，对于所述至少一个附加的实时运行电流数据组的每一个产生缺陷指数。

根据本发明另一实施形态，用于检测电机中的即将到来的缺陷的非侵入性方法包含，由运行中的电机采集多个定子电流数据组，对于所述多个定子电流数据组中的每一个配置电流数据滤波器，实时地将各个电流数据滤波器应用到其相应的定子电流数据组，以便产生噪音消除后的定子电流。该方法还包含，对于所述多个定子电流数据组中的每一个，由噪音消除后的定子电流确定缺陷指数，对于所述多个定子电流数据组中的每一个，监视缺陷指数的值，如果预定数量的缺陷指数的值超过控制限制值，产生警报。

根据本发明又一实施形态，用于监视电流以预测缺陷的系统包含至少一个非侵入性电流传感器，其被配置为从运行的电动机采集定子电流数据。系统还包含处理器，其被连接为从所述至少一个非侵入性电流传感器接收定子电流数据。处理器被编程为从所述至少一个非侵入性电流传感器重复地接收实时运行电流数据组，其中，所述实时运行数据组表征实时电动机运行。处理器进一步被编程为，由重复接收的实时运行电流数据组的每一个定义非缺陷分量，非缺陷分量为实时运行电流数据的周期性分量，并实时地从所述实时运行电流数据组的每一个中移除非缺陷分量，以便隔离出剩余电流数据。处理器还被编程为对剩余电流数据进行处理以识别可能的轴承缺陷，对于任何识别出的轴承缺陷产生缺陷指数，如果缺陷指数超过缺陷指数阈值，产生警报。

由下面的详细介绍和附图，将会明了本发明的多种其他特征和优点。

附图说明

附图示出了当前为实现本发明想到的优选实施例。

在附图中：

图1为为实现本发明想到的电动机组件的原理图；

图2为根据本发明的控制器的框图；

图3为根据本发明一实施例的控制器的框图，其用于配置Wiener滤波器；

图4为根据本发明一实施例的控制器的框图，其用于使用电流噪音消除来进行缺陷检测；

图5为根据本发明一实施例，按照统计处理控制技术，相对于缺陷指数阈值绘制的缺陷指数数据的图表；

图6为根据本发明另一实施例的控制器的框图；

图7为一流程图，其示出了根据本发明一实施例使用电流噪音消除的用于缺陷检测的技术；

图8为一流程图，其示出了根据本发明另一实施例使用电流噪音消除的用于缺陷检测的技术。

具体实施方式

这里给出的本发明的实施例涉及检测异常条件以便预测性地确定潜在的电动机缺陷。电流识别标志分析(CSA)用于再检查从监视运行的电动机的控制器的多个传感器接收的原始数据。系统——其优选为布置在控制器中——将检测/监视到的电流分解为非缺陷分量和缺陷分量，进行噪音消除操作以隔离电流的缺陷分量，并产生缺陷识别符。于是，在缺陷发生之前，向被监视的电动机系统的操作者前摄地(proactively)警示潜在的缺陷。

现在参照图1，电动机组件——例如感应电动机——被配置为驱动负载。电动机组件10包含电动机12，其从电源14接收电力。电动机组件10还包含控制器16(即电流监视系统)，其用于监视以及响应于操作者输入或电动机缺陷条件地控制电动机10的运行。电动机12和控制器16典型地耦合到电子装置，例如电力控制器或启动器17，并与电动机电源串联，以便控制到电动机12的电力。控制器16包含处理器18，其如同将会参照图2详细介绍的那样，实现确定不希望的机械条件的存在并在缺陷发生之前预测性地向操作者警报潜在缺陷的算法。控制器16还包含电流传感器22。根据本发明一示例性实施例，将会明了，电流传感器22为已有的传感器，其还用于监视到电动机的电流输入，并且通常监视电动机运行。也就是说，不需要分立的一组用于采集在本发明的噪音消除系统/技术(在下面详细介绍)中使用的电流数据的电流传感器。因此，经由电流传感器22的用在噪音消除系统/技术中的电流数据采集被理解为构成用于预测性地确定潜在电动机缺陷的“无传感器”电流监视系统/技术。如公知的，电流数据可从三相电动机的仅仅两相采集，因为第三相的电流数据可从被监视的两相的电流数据外推。尽管将要参照三相电动机介绍本发明，本发明可同等地应用于其他的电动机。另外，尽管示为包含一对电流传感器22，还可想到，可使用一个电流传感器来仅仅采集一相的电流。

在本发明一实施例中，电流传感器22采集来自感应电动机的定子电流数据。从传感器22采集的定子电流数据被传送给处理器18，在处理器18中，电流使用CSA被分析，以便检测初期(即，即将到来的)电动机缺陷，例如轴承缺陷。由于特征缺陷频率的识别不是检测所有类型的轴承缺陷(例如普遍粗糙缺陷)的可行方案，根据本发明一实施例，处理器18被编程为将缺陷检测问题作为低信噪比(SNR)问题来处理。处理器18于是被编程为将定子电流分解为噪音分量和缺陷分量(即轴承缺陷信号)。噪音分量为定子电流中的占优势的分量，并包含供电基波频率和谐波、偏心谐波(eccentricity harmonics)、槽谐波(slot harmonics)、饱和谐波和来自未知源的其他分量，包括环境噪音。由于这些占优势的分量在轴承缺陷存在之前和之后均存在，它们包含的许多信息与缺陷不相关。在这个意义上，它们可被处理为对于轴承缺陷检测问题的“噪音”。由于噪音的强度可能是轴承缺陷信号的10⁴倍(即，几十安培Vs毫安培)，轴承缺陷信号的检测构成低SNR问题。为了解决低SNR问题，处理器18实现噪音消除技术/过程，以便检测轴承缺陷信号。定子电流中的噪音分量被推定，接着，通过其推定以实时的方式被消除，因此由剩下的分量提供缺陷指示符。

尽管已经知道处理器18被包含在独立的控制器16中，还可想到，处理器18可被包含在电力控制/启动器17中。另外，可以想到，处理器18可被包含在另一电力控制装置中，例如仪表、继电器或驱动器中。也就是说，可以想到，控制器16可包含已有的电力控制装置，例如仪表、继电器、启动器或电动机驱动器，处理器18可集成在其中。

现在参照图2，示出了控制器16的更为详细的框图。如关于图1所陈述的，控制器16包含处理器18和电流传感器22。另外，继电器组件16包含陷波滤波器24、低通滤波器26、模拟到数字(A/D)转换器28。陷波滤波器24、低通滤波器26和A/D转换器28运行为接收由电流传感器22产生的原始数据，并准备用于由处理器18处理的原始数据。也就是说，滤波器24和26用于消除基波频率(例如美国为60Hz，亚洲为50Hz)和低频谐波，因为这些谐波含量不与轴承故障相关。从测量得到的电流数据移除这样的频率(特别是基本频率分量)能大大改进模拟到数字转换分辨率和SNR，因为60Hz频率在电流信号的频谱中具有大的量值。尽管控制器16被示为包含滤波器24、26，然而，还可想到，电流数据可直接从电流传感器22传送到A/D转换器28。

如图2所示，处理器至少部分地用作噪音消除系统，其将定子电流分解为噪音分量和缺陷分量。处理器18因此包含输入延迟30和电流预测器32，电流预测器被配置为预测在定子电流中存在的噪音分量。从重复采集的实时定子电流减去噪音分量的预测得到缺陷分量，其被轴承故障/缺陷注入定子电流。可以想到，电流预测器32可被配置为Wiener滤波器(无限脉冲响应(IIR)或固定脉冲响应(FIR))、最陡下降算法、最小均方(LMS)算法、递归最小二乘(LRS)算法或其他的数字滤波器。

现在参照图3，在本发明的示例性实施例中，处理器34在其中包含Wiener滤波器36，其提供定子电流中的噪音消除和其中的缺陷信号的隔离。为了提供定子电流中准确的噪音消除，处理器34被编程为将Wiener滤波器36配置为准确定义(即推定)定子电流中的大多数噪音分量，使得定子电流中的缺陷信号不包含在其输出中。在配置Wiener滤波器36时，处理器34分析与健康的轴承条件相关联的定子电流数据。与健康的轴承条件相关联的这种定子电流数据可包含第一定子电流数据组，例如，其是在轴承安装后的短时间内或在轴承条件监视过程开始时采集的，因此确保了定子电流中不包含轴承缺陷分量。第一定子电流数据组因此包含基线电流数据，其实质上包含不具有缺陷信息的纯噪音数据。

第一定子电流数据组或基线电流数据由处理器34接收，并被实现为用于配置Wiener滤波器36。具体而言，基线电流数据用于分配Wiener滤波器36中的系数。处理器34向Wiener滤波器36分配系数，使得滤波器的预测误差e(n)在均方意义上最小化。如图3所示，基线电流数据由下式描述：

x(n)＝d₁(n)+d(n)+v₁(n)                      公式1

其中，d₁(n)为噪音分量，d(n)为缺陷信号，v₁(n)为测量噪音。如上所述，基线电流数据没有缺陷信号，照此，公式1减为x(n)＝d₁(n)+v₁(n)。

在配置Wiener滤波器36时，处理器34通过使用最小均方误差(MMSE)方法来分配滤波器的系数。在实施/应用MMSE方法时，根据下式，处理器34解出系数w(k)，k＝0，1，……，p，以便使得均方预测误差ξ最小化：

$\mathrm{\ξ}=E\left\{e{\left(n\right)|}^2\right\}=E\left\{{|x\left(n\right)-\underset{k=0}{\overset{p}{\mathrm{\Σ}}}w\left(k\right)x(n-n_0-k)|}^2\right\}$ 公式2

其中，E{}为期望值，n₀为输入x(n)的延迟，w(k)，k＝0，1，……，p为Wiener滤波器36的系数，p为滤波器的阶数。

通过将ξ关于w(k)的偏导数设置为等于零来寻找系数，如下式：

$\frac{\∂\mathrm{\ξ}}{\∂w\left(k\right)}=E\frac{\∂e^2\left(n\right)}{\∂w\left(k\right)}=E\left\{2e\left(n\right)\frac{\∂e\left(n\right)}{w\left(k\right)}\right\}=0;k=\mathrm{0,1},...,p.$ (公式3)

代入

$\frac{\∂e\left(n\right)}{\∂w\left(k\right)}=-x(n-n_0-k)$ (公式3a)

到公式3，得到：

E{e(n)x(n-n₀-k)}＝0；k＝0，1，…，p    (公式4)

已经知道，其为正交原理或投影定理。代入

$e\left(n\right)=x\left(n\right)-\underset{j=0}{\overset{p}{\mathrm{\Σ}}}w\left(j\right)x(n-n_0-j)$ (公式4a)

到公式4，得到：

$E\left\{\right[x\left(n\right)-\underset{j=0}{\overset{p}{\mathrm{\Σ}}}w\left(j\right)x(n-n_0-j)\left]x(n-n_0-k)\right\}=0;k=0,1,...,p$ (公式5)

或相当于：

$\underset{j=0}{\overset{p}{\mathrm{\Σ}}}w\left(j\right)E\left\{x(n-n_0-j)x(n-n_0-k)\right\}=E\left\{x\left(n\right)x(n-n_0-k)\right\};k=\mathrm{0,1},...,p$ (公式6)

通过假设信号x(n)为广义平稳(WSS)，于是：

E{x(n-j)x(n-k)}＝r_x(k-j)    (公式7)

公式6因此简化为：

$\underset{j=0}{\overset{p}{\mathrm{\Σ}}}w\left(j\right)r_x(k-j)=r_x(n_0+k);k=\mathrm{0,1},...,p$ (公式8)

以矩阵形式，公式8可被写作：

$\left[\begin{array}{cccccc}{r}_x\left(0\right)& r_x\left(1\right)& \·& \·& \·& r_x\left(p\right)\\ r_x\left(1\right)& r_x\left(0\right)& \·& \·& \·& r_x(p-1)\\ \·& \·& & & & \·\\ \·& \·& & & & \·\\ \·& \·& & & & \·\\ r_x\left(p\right)& r_x(p-1)& \·& \·& \·& r_x\left(0\right)\end{array}\right]\left[\begin{array}{c}w\left(0\right)\\ w\left(1\right)\\ \·\\ \·\\ \·\\ w\left(p\right)\end{array}\right]=\left[\begin{array}{c}{r}_x\left(n_0\right)\\ r_x(n_0+1)\\ \·\\ \·\\ \·\\ r_x(n_0+p)\end{array}\right],$ (公式9)

或表示为：

R_xw＝r    (公式10)

当实现此方法时，公式9中的自相关序列可通过时间平均来推定。对于有限的数据记录(即有限数量的定子电流数据点)x(n)，0≤n≤N-1，自相关序列可由下式推定：

${\hat{r}}_x\left(k\right)=\frac{1}{N}\underset{n=0}{\overset{N-1}{\mathrm{\Σ}}}x\left(n\right)x(n-k)$ (公式11)

矩阵Rx为对称Toeplitz矩阵，并可通过Levinson-Durbin递归算法来高效求解。

如图3所示，Wiener滤波器36的输出为定子电流的预测g(n)，滤波器的预测误差e(n)被定义为测量的基线电流数据x(n)减去预测定子电流g(n)。如上所述，Wiener滤波器36的系数被分配为使得预测误差e(n)在均方意义上最小化(即e(n)≈0)。因此，由于基线电流数据实质上仅仅由噪音分量d₁(n)+v₁(n)构成，预测定子电流g(n)也应实质上仅仅由噪音分量构成，形成预测噪音分量，d₁^(n)+v₁^(n)，其可用在轴承条件的连续实时监视中，用于重复采集的定子电流数据中的噪音消除，以及用于轴承缺陷信号的识别。

如上所述，在由定子电流的先前采样(即基线电流数据)配置Wiener滤波器36时(即设置Wiener滤波器系数时)，通过实时地推定附加采集的定子电流中的噪音分量，处理器34能够准确地检测电动机系统中的轴承缺陷条件。由于定子电流中的占优势的噪音分量(正弦)在恒定的负载下实质上不改变、无论是量值还是频率，因此它们能在正在被监视的定子电流的最近的采样(即实时采样)中预测。因此，在感应电动机12(图1)的监视运行中，附加的定子电流数据组由传感器22采集，并由处理器34接收，以便在其上进行定子电流噪音消除。附加的定子电流数据组由下式定义：

x(n)＝d₁(n)+d(n)+v₁(n)，             (公式11a)

其中，d₁(n)为噪音分量，d(n)为缺陷信号，v₁(n)为测量噪音，如公式1所(subtleness)的公式的缺乏使得难以预先定义缺陷严重性等级。因此，应用SPC技术，以便基于具体电流监视过程中的缺陷信号的统计数据建立警示阈值，而不是为所有应用预先设置预定的统一阈值。SPC技术将噪音消除后的定子电流中由于轴承缺陷导致的异常变化(以及结果造成的的缺陷指数)与环境变化相区分。

参照图5，示出了SPC技术到经由定子电流噪音消除获得的所产生的缺陷指数的应用。各个缺陷指数被绘制到显示个体缺陷指数值37的X曲线图35，以及用于监视缺陷指数的值之间的差39的mR(即“移动范围”)曲线图38。个体测量37被绘制在X曲线图35中，差39(即移动范围)被绘制在mR曲线图38中。基于所绘制的值，由X曲线图35确定控制上下限41、43，对于mR曲线图38确定控制上限45。对于轴承缺陷检测，由于SPC被应用到消除了噪音后的定子电流，落在控制下限之下的缺陷指数值指示较好的轴承条件，因此，其是不关心的。照此，X曲线图35的控制上限41和/或mR曲线图38的控制上限45包含用于确定超过阈值的相关的控制限制值(即缺陷指数警示阈值)。在一实施例中，控制上限41、45分别可被设置在与平均缺陷指数值47的三个标准差以及与邻近的所采集缺陷指数49之间的平均差值的三个标准差。

在经由SPC技术计算控制限制值41、45时，关于这些控制限制值来分析缺陷指数。缺陷指数中的不受控制的变化的检测指示劣化的轴承条件。也就是说，如果所分析的缺陷指数开始频繁超过控制限制值41、45，这种变化指示劣化的轴承条件(即，初期轴承缺陷)。因此，在确定使得警报的产生变得有必要的劣化的轴承条件是否存在时，检查超过控制上限41、45的缺陷指数的百分比。如果该百分比超过预定的百分比，则判断为存在劣化的轴承条件并产生警报。例如，如果落在控制限制值41、45外(即超过)的缺陷指数的百分比高于10％，则产生警报。SPC技术因此用于监视实时获得的缺陷指数，并分析缺陷指数值，以判断“阈值”是否已经被超过，因此允许存在劣化的轴承条件或轴承缺陷的判断。

现在参照图6，在本发明另一实施例中，由处理器40的噪音消除技术给出。如图4所示，在来自感应电动机的监视电流数据中，定子电流经过输入延迟30，其提供n₀采样的延迟z，并经过Wiener滤波器36，以便从中消除推定的噪音分量d1^(n)+v1^(n)，并产生消除噪音后的定子电流。由图4，可以看到，如果Wiener滤波器36具有好的性能(即，d₁^(n)+v₁^(n)接近于d₁(n)+v₁(n))，定子电流在噪音消除之后的剩下的部分y(n)(即剩余电流数据)将为缺陷信号d(n)。也就是说，当轴承缺陷建立时，Wiener滤波器36预测并消除定子电流中的仅仅是噪音分量，并在噪音消除过程期间保持任何剩下的剩余电流数据原封不动，缺陷分量d(n)由之被识别。注意，缺陷分量d(n)由横越缺陷频谱的多个缺陷特性构成。也就是说，具有多个缺陷幅度的多个缺陷频率构成缺陷分量，这些频率和幅度的集体效应由被隔离的缺陷分量包含，以便促进缺陷检测。由于缺陷信号的频率和缺陷分量的量值对于普遍粗糙轴承缺陷来说很小，集体缺陷分量d(n)中这些因素的总和允许增大的缺陷信号强度和改进的轴承缺陷检测。

由消除噪音后的定子电流中剩下的隔离缺陷分量，缺陷指数(即缺陷指示符)由处理器34确定。在示例性实施例中，缺陷指数被计算为消除噪音的定子电流的均方根(RMS)值。取隔离的缺陷分量的RMS值提供了能被监视的较大的缺陷信号，允许轴承缺陷的改进的识别。处理器34进一步被编程为分析缺陷指数，以便确定缺陷指数是否超过阈值。如果缺陷指数超过阈值，则处理器34产生警报(即可听或可视的警报)，以便向操作者通知定子电流中的缺陷分量已经超过希望的量。操作者因此能在方便的时间关闭电动机的运行，以便进一步评估轴承。作为替代或作为附加的是，缺陷信息及其严重性也可被传送到中央监视系统(未示出)，例如计算机维护管理系统(CMMS)或分布式控制系统(DCS)。

在本发明的示例性实施例中，应用统计过程控制(SPC)技术以分析多个缺陷指数，并基于其来设置“阈值”。关于分析在定子电流中存在的缺陷分量以检测普遍粗糙轴承缺陷，难以将定子电流中的这些缺陷分量与轴承缺陷严重性相关联。也就是说，可用于描述定子电流中由普遍粗糙轴承缺陷注入的缺陷识别标志以及定子电流中的轴承缺陷识别标志的精细性隔离的定子电流中的缺陷信息d(n)可被看作预测误差滤波器(PEF)42的预测误差e(n)。也就是说，当轴承缺陷建立且系统条件变化时，预测误差增大。如图6所示，如果噪音消除技术/系统被看作PEF 42，则系统性能能由滤波器的预测误差来测量。也就是说，为了具有好的性能，对于缺陷轴承条件，相比于健康轴承条件，预测误差应当显著较大。因此，当系统从健康轴承条件进入缺陷轴承条件时，图6所示的预测误差变得较大。

在检查PEF 42以评估预测误差时，可以给出描述预测误差的通式，以及用于健康轴承条件的滤波器性能和具有轴承缺陷条件的滤波器性能的特定表达式。通过定义，用于滤波器的均方预测误差的通式为：

$\mathrm{\ξ}=E\left\{{|x\left(n\right)-\underset{k=0}{\overset{p}{\mathrm{\Σ}}}w\left(k\right)x(n-n_0-k)|}^2\right\}$ (公式12)

这是与公式2中的相同的误差，其被最小化，以便找到Wiener滤波器的系数。在扩展时，上述公式可改写为：

$\mathrm{\ξ}=[r_x\left(0\right)-\underset{k=0}{\overset{p}{\mathrm{\Σ}}}w\left(k\right)r_x(n_0+k)]+\underset{k=0}{\overset{p}{\mathrm{\Σ}}}w\left(k\right)[\underset{j=0}{\overset{p}{\mathrm{\Σ}}}w\left(j\right)r_x(k-j)-r_x(n_0+k)]$ (公式13)

由于PEF 42被设计为通过使用健康轴承数据使得公式12中的误差最小化，这种预测误差对于健康轴承条件是小的。事实上，对于健康轴承条件，由于w(k)，k＝0，1，……，p，为公式8的解，公式13的右侧的第二项为零。因此，健康轴承条件的预测误差为：

${\mathrm{\ξ}}_{\min }=r_x\left(0\right)-\underset{k=0}{\overset{p}{\mathrm{\Σ}}}w\left(k\right)r_x(n_0+k)$ (公式14)

在此条件下，由于x(n)＝d₁(n)+v₁(n)，因此得到：

r_x(k)＝E{x(n)x(n+k)}＝E{[d₁(n)+v₁(n)][d₁(n+k)+v₁(n+k)]}

＝E{d₁(n)d₁(n+k)}+E{d₁(n)v₁(n+k)}+E{v₁(n)d₁(n+k)}+E(v₁(n)v₁(n+k)}  (公式15)

由于d₁(n)和v₁(n)为广义联合平稳(WSS)，公式15变为：

$r_x\left(k\right)=r_{d_1}\left(k\right)+2r_{d_1{v}_1}\left(k\right)+r_{v_1}\left(k\right)$ (公式16)

由于测量噪音v₁(n)是随机的，其功率谱分布在宽广的频率范围上，其自相关是脉冲式的，且其与其他信号的互相关为零。(即，按照定义，信号的自相关序列为其功率谱的傅立叶逆变换)。因此，由公式16得到：

$r_x\left(0\right)=r_{d_1}\left(0\right)+r_{v_1}\left(0\right),r_x\left(k\right)=r_{d_1}\left(k\right),k\≠0$ (公式17)

将公式17代入公式14，得到：

${\mathrm{\ξ}}_{\min }=r_{d_1}\left(0\right)+r_{v_1}\left(0\right)-\underset{k=0}{\overset{p}{\mathrm{\Σ}}}w\left(k\right)r_{d_1}(n_0+k)$ (公式18)

为了进一步研究系统的性能，噪音分量(包含供电基波和谐波、离心谐波、槽谐波，等等)被描述为：

(公式19)

其中，A_m、ω_m、φ_m，m＝1，……，m，为定子电流中的M噪音分量的幅度、频率和角度。为了计算信号d₁(n)的自相关序列，定义下面的关系：

(公式20)

于是，通过识别下面的关系来简化公式20：

(公式21)

以及

(公式22)

因此，信号d₁(n)的自相关序列为：

$r_{d_1}\left(k\right)=\underset{m=1}{\overset{M}{\mathrm{\Σ}}}\frac{A_m^2}{2}\cos \left({\mathrm{\ω}}_{m}k\right)$ (公式23)

将公式23代入公式18，得到滤波器42对于健康轴承条件的预测误差如下：

${\mathrm{\ξ}}_{\min }=\underset{m=1}{\overset{M}{\mathrm{\Σ}}}\frac{A_m^2}{2}\{1-\underset{k=0}{\overset{p}{\mathrm{\Σ}}}w\left(k\right)\cos [{\mathrm{\ω}}_m(n_0+k)\left]\right\}+r_{v_1}\left(0\right)$ (公式24)

类似地，对于缺陷轴承条件，均方预测误差可仍由公式13计算。便利起见，公式13在这里重复为：

$\mathrm{\ξ}=[r_x\left(0\right)-\underset{k=0}{\overset{p}{\mathrm{\Σ}}}w\left(k\right)r_x(n_0+k)]+\underset{k=0}{\overset{p}{\mathrm{\Σ}}}w\left(k\right)[\underset{j=0}{\overset{p}{\mathrm{\Σ}}}w\left(j\right)r_x(k-j)-r_x(n_0+k)]$ (公式25)

然而，与健康轴承条件的情况不同，公式25右侧的第二项对于缺陷轴承条件不是零，这是因为定子电流中缺陷信号的存在，其为x(n)＝d₁(n)+d(n)+v₁(n)。得到：

r_x(k)＝E{x(n)x(n+k)}＝E{[d₁(n)+d(n)+v₁(n)][d₁(n+k)+d(n+k)+v₁(n+k)]}    (公式26)

假设d₁(n)、d(n)、v₁(n)为联合WSS，则公式26变为：

$r_x\left(k\right)=r_{d_1}\left(k\right)+r_d\left(k\right)+r_{v_1}\left(k\right)+2r_{d_1{v}_1}\left(k\right)+2r_{d_{1}d}\left(k\right)+2r_{d{v}_1}\left(k\right)$ (公式27)

对于健康轴承条件，如果假设测量噪音v₁(n)为宽带信号，并且不与d₁(n)、d(n)相关联，则得到：

$r_x\left(0\right)=r_{d_1}\left(0\right)+r_d\left(0\right)+r_{v_1}\left(0\right)+2r_{d_{1}d}\left(0\right)$ (公式28)

以及：

$r_x\left(k\right)=r_{d_1}\left(k\right)+r_d\left(k\right)+2r_{d_{1}d}\left(k\right),k\≠0$ (公式29)

如果噪音分量描述为：

(公式29a)

如公式19所给出的那样，则缺陷分量可被描述为：

(公式30)

其中，A_q、ω_q、φ_q，q＝1，……，Q，为轴承缺陷注入在定子电流中的Q缺陷分量的幅度、频率和角度。d(n)的自相关序列因此可如公式20-23那样计算，结果为：

$r_d\left(k\right)=\underset{q=1}{\overset{Q}{\mathrm{\Σ}}}\frac{B_q^2}{2}\cos \left({\mathrm{\ω}}_{q}k\right)$ (公式31)

对于ω_q≠ω_m，q＝1，2，……，Q，m＝1，2，……，M，在如公式20-23中的相同步骤之后，噪音分量和缺陷分量之间的互相关序列变为：

$r_{d_{1}d}\left(k\right)=0,$ k：整数(公式32)

因此，合并公式25-32，缺陷检测条件的预测误差可被获得为：

$\mathrm{\ξ}={\mathrm{\ξ}}_{\min }+\underset{q=1}{\overset{Q}{\mathrm{\Σ}}}\frac{B_q^2}{2}\{1-\underset{k=0}{\overset{p}{\mathrm{\Σ}}}w\left(k\right)\cos [{\mathrm{\ω}}_q(n_0+k)\left]\right\}+\underset{q=1}{\overset{Q}{\mathrm{\Σ}}}\frac{B_q^2}{2}\left\{\underset{k=0}{\overset{p}{\mathrm{\Σ}}}w\left(k\right)\right[\underset{j=0}{\overset{p}{\mathrm{\Σ}}}w\left(j\right)\cos ({\mathrm{\ω}}_q(k-j)-\cos \left({\mathrm{\ω}}_q(n_0+k)\right))]$

(公式33)

其中，ξ_min为公式24中表达的对于健康轴承条件的预测误差。

有利的是，注意，上面给出的噪音消除方法考虑缺陷分量的集体效应，以促进缺陷检测。也就是说，由于缺陷信号的频率ω_q以及缺陷分量的量值B_q对于普遍粗糙轴承缺陷来说太小，与轴承接触角度φ_q一起，在集体缺陷分量d(n)中对这些因素求和允许增大的缺陷信号强度和改进的轴承缺陷检测。进一步注意，如果缺陷信号d(n)为宽带信号，则其具有与宽带测量噪音v₁(n)相同的效果，由于宽带信号的功率保持在预测误差内(对于健康轴承条件，以及对于缺陷轴承条件)，缺陷信号的存在导致预测误差的增大。

另外，即使ω_q＝ω_m且预测误差有较小的增大，(因为公式33右侧第三项为零，第二项不为零)，缺陷信息仍旧保留在结果得到的预测误差中。也就是说，即使缺陷分量和噪音分量具有共同的频率，例如，当轴承缺陷增大电动机的动态离心率时，缺陷信息仍保留在结果得到的预测误差中。上面的特征因此提供了改进的基于电流的检测技术，以便检测普遍粗糙轴承缺陷。

现在参照图7，显示出一流程图，其示出了基于电流的技术46，该技术用于检测普遍粗糙轴承缺陷。技术46通过从电机——例如三相感应电动机——采集和接收第一定子电流数据组x(n)以便产生基线电流数据48来开始。所采集/接收的第一定子电流数据组由与健康轴承条件相关联的定子电流数据构成，已经知道，其中没有任何轴承缺陷信号。

由基线电流数据，电流数据滤波器(即噪音消除系统)被配置为50提供对定子电流的噪音消除，以便隔离其中存在的任何缺陷分量。在示例性实施例中，电流数据滤波器为Wiener滤波器，其被设计为，基于通过对定子电流中的噪音分量的推定对所接收的定子电流数据的滤波，从定子电流中消除噪音分量。为了提供定子电流中的准确噪音消除，Wiener滤波器被配置为其能准确推定定子电流中的大部分噪音分量，使得定子电流中的缺陷信号不被包含在其输出中。在配置Wiener滤波器时，基线电流数据用于分配Wiener滤波器中的系数，使得系数中不嵌有轴承缺陷信息。Wiener滤波器被设计为，其预测误差在均方意义上最小化。也就是说，使用最小均方误差(MMSE)方法来分配系数。由于Wiener滤波器基于基线电流数据(即纯噪音电流数据)被配置，这意味着Wiener滤波器的输出为定子电流的预测噪音分量g(n)，其实质上等于基线电流数据，使得预测误差最小化，即e(n)＝x(n)-g(n)。

在配置Wiener滤波器之后，通过采集和接收至少一个附加定子电流数据组52，技术继续。附加定子电流数据在电机的使用周期之后采集/获取，并被监视，以便检测定子电流中存在的轴承缺陷信号。附加定子电流数据组被传递到电流数据滤波器54，以便进行其上的噪音分量消除。电流数据滤波器提供的推定噪音分量从定子电流56中消除，以便隔离定子电流中存在的任何缺陷分量。也就是说，由于定子电流中的噪音分量(正弦)实质上不在恒定负载时变化、无论在量值还是在频率上，从定子电流滤波器输出的预测噪音分量(且基于基线电流数据)可从定子电流的最近采样(即附加采集的定子电流)中消除，以便准确确定定子电流中的缺陷分量。假设定子电流滤波器被正确地配置且具有好的性能，定子电流在噪音消除后剩下的部分将会正确地描绘缺陷信号d(n)。

由在噪音消除后的定子电流中剩下的缺陷分量，确定缺陷指数(即缺陷指示符)58。在示例性实施例中，缺陷指示符被计算为消除噪音后的定子电流的RMS值。取隔离的缺陷分量的RMS值提供了能被监视的较大的信号，允许轴承缺陷的改进的识别。在计算时，将缺陷指数与附加计算的缺陷指数进行比较，以便产生缺陷指数阈值59，并判断缺陷指示符是否超过缺陷指数阈值60。如果缺陷指示符没有超过缺陷指数阈值62，则技术通过继续接收和监视附加的定子电流数据64来继续。然而，如果缺陷指示符超过缺陷指数阈值66，则产生警报68，例如可视或可听的警报，以便向操作者通知定子电流中的缺陷分量已经超过希望的量。因此允许操作者关闭电机的运行，以便进一步检查轴承是否存在缺陷。

在技术46的示例性实施例中，缺陷指数阈值经由SPC技术来确定59。缺陷指数阈值(即控制限制值)对于X曲线图和mR曲线图中的每一个来确定。在经由SPC技术计算缺陷指数阈值时，关于这些阈值60分析缺陷指数。如果预先确定的量或百分比的缺陷指数落在缺陷指数阈值66之外，判断为存在劣化的轴承条件，并产生警报68。例如，如果落在控制限制值以外的缺陷指数的百分比高于10％，则可产生警报。SPC技术因此被使用，以便监视实时获得的缺陷指数，并对缺陷指数值进行分析，以判断是否已经超过“阈值”，因此允许判断出劣化轴承条件或轴承缺陷的存在。

现在参照图8，示出了一流程图，其示出了根据本发明另一实施例的修改的基于电流的技术80，该技术用于检测普遍粗糙轴承缺陷。图8的技术80从图7的技术46的修改之处在于用于从定子电流消除推定的噪音分量的电流数据滤波器在采集/接收各个附加定子电流数据组时被重新配置。也就是说，Wiener滤波器系数使用上面给出的公式重新计算，以便产生与各个电流数据组相关联的定子电流噪音预测。通过假设所有的轴承缺陷条件由定子电流中存在的非周期性噪音指示并通过在各个数据收集间隙/迭代之后重新配置Wiener滤波器，可消除与变化的电动机条件——例如变化的负载和基波频率——相关联的周期性噪音分量，因此提供在实时定子电流中存在的噪音信号的更为准确的推定。由于Wiener滤波器被配置为仅仅移除周期性噪音，使用实时定子电流数据计算Wiener滤波器系数不会对轴承缺陷条件的判断造成负面影响。

如图8所示，通过从电机——例如三相感应电动机——采集和接收定子电流数据组x(n)以产生电流数据82，技术80开始。由电流数据组，电流数据滤波器(即噪音消除系统)被配置84，以便为定子电流提供噪音消除，从而隔离其中存在的任何缺陷分量。在示例性实施例中，电流数据滤波器为Wiener滤波器，其被设计为，基于通过定子电流中的周期性噪音分量的推定对所接收定子电流数据的滤波而从定子电流消除周期性噪音分量。为了提供定子电流中的准确的噪音消除，Wiener滤波器被配置为，其能准确地推定定子电流中的大多数周期性噪音分量，且定子电流中的非周期性缺陷信号不包含在其输出中。在配置Wiener滤波器时，实时定子电流数据用于分配Wiener滤波器中的系数。Wiener滤波器被设计为，其预测误差在均方意义上最小化。也就是说，系数使用最小均方误差(MMSE)方法来分配。由于Wiener滤波器基于实时定子电流数据来配置，这意味着，通过计算Wiener滤波器系数以与实时定子电流数据对应，技术80将实时运行条件考虑在内。如上所述，电流数据滤波器被重复配置/重新配置，以便将可能由变化的电动机条件导致的噪音分量的频率/幅度变化考虑在内，因此提供了这些周期性噪音分量的更为准确的推定和消除。

如图8进一步所示，定子电流数据组被传递给电流数据滤波器86，以便在其上进行噪音分量消除。由电流数据滤波器提供的推定的周期性噪音分量从定子电流88消除，以便隔离定子电流中存在的任何非周期性缺陷分量。由周期性的噪音消除后的定子电流中剩下的缺陷分量，缺陷指数被确定90。在计算时，缺陷指数与附加计算的缺陷指数进行比较，以便产生缺陷指数阈值92，并判断缺陷指示符是否超过该缺陷指数阈值94。如果缺陷指示符没有超过缺陷指数阈值96，则技术80通过继续接收和监视附加定子电流数据98来继续。然而，如果缺陷指示符超过缺陷指数阈值100，则产生警报102，以便向操作者通知定子电流中的缺陷分量已经超过希望的量。

如上所述，已经认识到，来自定子电流的噪音分量可在特定的实例中变化，例如本发明的实施例用于电动机驱动应用以及用于到电动机的变化的负载的应用的实施中。在这样的应用中，通过将周期性噪音分量中的变化——其在定子电流的周期性分量的基波频率和/或幅度在电动机使用过程中变化时发生——考虑在内，图8所示电流数据滤波器的迭代重新配置允许定子电流的噪音分量的更为准确的消除。

根据本发明的实施例，上面给出的噪音消除方法能够隔离定子电流中的缺陷分量，以便检测初期轴承缺陷，而不需要确定机器参数、轴承尺寸、铭牌值或定子电流谱分布。经由SPC技术的使用对噪音消除定子电流(以及由之产生的缺陷指数)的分析消除了对获知这些机器参数、轴承尺寸、铭牌值或定子电流谱分布的需要。也就是说，由于噪音消除方法借助SPC技术基于所采集的缺陷指数值而不是描述定子电流中的缺陷识别标志的一组预定公式来确定控制限制值和缺陷指数警示阈值，不再为分析定子电流中的缺陷分量而需要这种信息。由于机器参数、轴承尺寸、铭牌值或定子电流谱分布的确定/采集可能是困难且耗时的，本发明的系统和方法的实施例中不存在对这种信息的需求带来了更为高效的基于电流的轴承缺陷检测。

尽管这里介绍的本发明的实施例指向检测轴承缺陷，本领域技术人员将会想到，上面给出的缺陷检测的系统和方法可用于预测性地检测多种可能的电动机缺陷。被监视的定子电流中的非周期性缺陷数据的隔离和分析允许电动机中的这种电动机缺陷的预测性检测。

所公开的方法和设备的技术贡献在于，其提供了用于通过电流噪音消除来检测即将到来的机械电动机缺陷的计算机实现的技术。电流数据被分解为非缺陷分量(即噪音)和缺陷分量，进行噪音消除，以便隔离电流的缺陷分量，并产生缺陷指数。

因此，根据本发明一实施例，被配置为检测初期机械电动机缺陷的指标的控制器包含处理器，其被编程为接收来自运行过程中的电动机的第一实时运行电流数据组，定义第一实时运行电流数据组中的噪音分量，并基于任何隔离的缺陷分量来产生第一实时运行电流数据组的缺陷指数。处理器进一步被编程为，从运行中的电动机采集至少一个附加实时运行电流数据组，重新定义所述至少一个附加实时运行电流数据组的每一个中存在的噪音分量，从所述至少一个附加实时运行电流数据组的每一个中移除重新定义的噪音分量以识别其中存在的任何缺陷分量，并基于任何隔离的缺陷分量对于所述至少一个附加实时运行电流数据组的每一个产生缺陷指数。

根据本发明另一实施例，用于检测电机中的即将到来的缺陷的非侵入性方法包含，从运行中的电机采集多个定子电流数据组，对于所述多个定子电流数据组中的每一个配置电流数据滤波器，并实时地将各个电流数据滤波器应用到其相应的定子电流数据组，从而产生消除噪音的定子电流。该方法还包含对于所述多个定子电流数据组的每一个由噪音消除的定子电流确定缺陷指数，对于所述多个定子电流数据组的每一个监视缺陷指数的值，如果预定的数量的缺陷指数值超过控制限制值，则产生警报。

根据本发明另一实施例，用于监视电流以预测缺陷的系统包含至少一个非侵入性电流传感器，其被配置为由运行的电动机采集定子电流数据。系统还包含处理器，其被连接为接收来自所述至少一个非侵入性电流传感器的定子电流数据。处理器被编程为重复地接收来自所述至少一个非侵入性电流传感器的实时运行电流数据组，其中，实时运行数据组代表实时电动机运行。处理器进一步被编程为由各个重复接收的实时运行电流数据组定义非缺陷分量，非缺陷分量为实时运行电流数据的周期性分量，并实时地从各个实时运行电流数据组移除非缺陷分量，以便隔离剩余电流数据。处理器还被编程为处理剩余电流数据，以便识别可能的轴承缺陷，产生对于任何所识别的轴承缺陷的缺陷指数，如果缺陷指数超过缺陷指数阈值，产生警报。

已经在优选实施例方面介绍了本发明，将会认识到，所介绍的这些以外的等效、替代和修改是可能的，并且在所附权利要求的范围内。

Claims (18)

1.一种控制器，被配置为检测初期机械电动机缺陷的指标，其具有处理器，处理器被编程为：

从运行中的电动机接收第一实时运行电流数据组；

定义第一实时运行电流数据组中存在的噪音分量；

从第一实时运行电流数据移除噪音分量，以便识别在第一实时运行电流数据组中存在的任何缺陷分量；

基于任何所隔离的缺陷分量，对于第一实时运行电流数据组产生缺陷指数；

从运行中的电动机采集至少一个附加实时运行电流数据组；

重新定义所述至少一个附加实时运行电流数据组的每一个中存在的噪音分量；

从所述至少一个附加实时运行电流数据组的每一个中移除重新定义的噪音分量，以便识别其中存在的任何缺陷分量；以及

基于任何所隔离的缺陷分量，对于所述至少一个附加实时运行电流数据组的每一个产生缺陷指数。

2.权利要求1的控制器，其中，处理器进一步被编程为，基于其中的周期性分量，重新定义所述至少一个附加实时运行电流数据组的每一个中存在的噪音分量。

3.权利要求2的控制器，其中，所述至少一个附加实时运行电流数据组的每一个中的周期性分量包含具有变化的频率和幅度的正弦信号。

4.权利要求1的控制器，其中，处理器被进一步编程为，向多个所产生的缺陷指数应用统计过程控制分析，以便计算缺陷指数警示阈值。

5.权利要求4的控制器，其中，处理器进一步被编程为，如果缺陷指数的检测到的变化超过缺陷指数警示阈值，产生警报。

6.权利要求5的控制器，其中，处理器被进一步编程为：

确定超过缺陷指数警示阈值的缺陷指数的百分比；以及

如果超过缺陷指数警示阈值的缺陷指数的百分比超过预定的百分比，产生警报。

7.权利要求1的控制器，其中，处理器被进一步编程为：

基于第一实时运行电流数据组，配置Wiener滤波器；以及

基于所述至少一个附加实时运行电流数据组的每一个，重新配置Wiener滤波器，Wiener滤波器被配置为推定与第一实时运行电流数据组以及各个附加实时运行电流数据组对应的重新定义的噪音分量。

8.权利要求7的控制器，其中，缺陷分量包含Wiener滤波器的预测误差。

9.权利要求1的控制器，其中，处理器进一步被编程为，计算缺陷分量的均方根(RMS)值，以便产生缺陷指数。

10.权利要求1的控制器，其中，缺陷分量包含各个实时运行电流数据组中的非周期性分量。

11.一种用于检测电机中的即将到来的缺陷的非侵入性方法，其包含：

从运行中的电机采集多个定子电流数据组；

对于所述多个定子电流数据组的每一个，配置电流数据滤波器；

实时地将各个电流数据滤波器应用到其相应的定子电流数据组，以便产生噪音消除后的定子电流；

对于所述多个定子电流数据组中的每一个，由消除噪音后的定子电流确定缺陷分量；

对于所述多个定子电流数据组的每一个，监视缺陷指数值；以及

如果预定数量的缺陷指数值超过控制限制值，产生警报。

12.权利要求11的方法，其中，对于所述多个定子电流数据组的每一个配置电流数据滤波器包含，对于所述多个定子电流数据组的每一个，重新配置Wiener滤波器。

13.权利要求12的方法，其中，对于所述多个定子电流数据组的每一个重新配置Wiener滤波器包含，由各个定子电流数据组，推定周期性噪音分量。

14.权利要求13的方法，其中，对于所述多个定子电流数据组的每一个产生噪音消除的定子电流包含，从所述多个定子电流数据组的每一个中消除周期性噪音分量。

15.权利要求12的方法，其还包含：通过将最小均方误差(MMSE)操作应用到与所重新配置的Wiener滤波器相关联的定子电流数据组，选择各个重新配置的Wiener滤波器中的系数。

16.一种用于监视电流以预测缺陷的系统，其包含：

至少一个非侵入性电流传感器，其被配置为从运行中的电动机采集定子电流数据；以及

处理器，其被连接为从所述至少一个非侵入性电流传感器接收定子电流数据，处理器被编程为：

从所述至少一个非侵入性电流传感器重复接收实时运行电流数据组，实时运行电流数据组表征实时电动机运行；

由重复接收的实时运行电流数据组的每一个定义非缺陷分量，非缺陷分量为实时运行电流数据的周期性分量；

实时地从各个实时运行电流数据组移除非缺陷分量，以便隔离剩余电流数据；

处理剩余电流数据，以便识别可能的轴承缺陷；

对于任何所识别的轴承缺陷，产生缺陷指数；以及

如果缺陷指数超过缺陷指数阈值，产生警报。

17.权利要求16的电流监视系统，其中，处理器进一步被编程为，基于各个实时运行电流数据组，重复性地重新配置Wiener滤波器，Wiener滤波器被重新配置为重新定义各个实时运行电流数据组中的非缺陷分量。

18.权利要求17的电流监视系统，其中，处理器被进一步编程为，重新配置Wiener滤波器，以便定义各个实时运行电流数据组中的周期性分量。

Images