CN103698699B - 一种基于模型的异步电动机故障监测诊断方法 - Google Patents

Abstract

本发明公开了一种基于模型的异步电动机故障监测诊断方法，其首先采集能够正常运行的异步电动机的三相输入电压信号和三相输出电流信号，建立起数学模型，作为无故障模型；将无故障模型和在相同的输入电压u驱动下并行运行，得到即残差信号d；然后其进行时域分析，根据3σ原则确定异步电动机残差信号有效值的阈值η，通过监测异步电动机稳定运行时残差有效值d_RMS是否超过阈值η来判断故障是否发生；再对残差信号d进行频域分析，根据残差频谱中出现的故障特征频率分量f_F来确定故障类型。本发明可以有效地削弱输入电压对电机故障监测诊断造成的不利影响，提高故障信号的信噪比，从而提高电机故障监测的灵敏度和故障诊断的可靠性。

Description

一种基于模型的异步电动机故障监测诊断方法

技术领域

本发明属于电动机故障检测技术领域，涉及一种步电动机故障监测诊断方法，尤其是一种基于模型的异步电动机故障监测诊断方法。

背景技术

异步电动机具有结构简单、运行可靠的特点，是工农业生产中应用最广泛的驱动装置。但是电动机一旦发生故障会导致生产过程的中断，造成严重的经济损失，甚至威胁到现场操作人员的生命安全。

目前，电动机故障诊断是主要是通过对定子电流信号直接进行频谱分析实现的。当电动机发生故障时，在定子电流信号的频谱中会出现如下所示的特征频率成分（k=1,2,…；n=1,3,5，…）：

转子断条特征频率：f_r＝(1±2ks)f₁ (1)

定子匝间短路特征频率：

动态偏心特征频率：f_de＝N_rf_rm±kf₁±f_rm (3)

静态偏心特征频率：f_se＝N_rf_rm±kf₁ (4)

轴承外圈故障特征频率：f_bo＝f₁±kf_O (5)

轴承内圈故障特征频率：f_bi＝f₁±f_rm±kf_I (6)

滚动体故障特征频率：f_bb＝f₁±f_C±kf_B (7)

其中，f₁为电源基频，s为转差率，f_rm为电机转频，N_r为转字条数目，p为电机极对数，f_O、f_I、f_B、f_C分别为轴承外圈故障固有频率、内圈故障固有频率、滚动体故障固有频率和保持架故障固有频率。

但是，异步电动机的早期故障表现出的区别于电机正常状态的故障特征通常是很微弱的，并且电机输入电压信号中存在着大量的谐波成分，会在电流频谱中产生很多附加的干扰频率，影响对电机故障的诊断，影响电机故障监测的灵敏度和故障诊断的可靠性。

发明内容

本发明的目的在于克服上述现有技术的缺点，提供一种基于模型的异步电动机故障监测诊断方法，该方法能够有效提高异步电动机故障监测的灵敏度和故障诊断的可靠性。

本发明的目的是通过以下技术方案来实现的：

这种基于模型的异步电动机故障监测诊断方法，包括以下步骤：

1）首先采集新的能够正常运行的异步电动机稳定运行时的三相输入电压信号和三相输出电流信号，利用基于极限学习机算法的神经网络系统辨识方法建立起该异步电动机的数学模型，并把该数学模型作为该异步电动机的无故障模型；

2）将该异步电动机的无故障模型和该电机在相同的输入电压u驱动下并行运行，得到二者的输出电流信号之差，即残差信号d；

3）对残差信号d进行时域分析，根据3σ原则确定异步电动机残差信号有效值的阈值η，通过监测异步电动机稳定运行时残差有效值d_RMS是否超过阈值η来判断故障是否发生；

4）对残差信号d进行频域分析，根据残差频谱中出现的故障特征频率分量f_F来确定故障类型。

进一步的，以上步骤1）中，异步电动机的无故障模型通过采用基于极限学习机的神经网络系统辨识方法获得，包括以下步骤：

（a）采集得到异步电动机稳定运行时的三相输入电压信号u_A、u_B、u_C和三相定子电流信号i_A、i_B、i_C，并按照比例分为训练样本和检验样本两部分，训练样本用于学习得到异步电动机的无故障数学模型，检验样本用来对模型的效果进行验证；

（b）神经网络模型采用“串-并”辨识结构，神经网络的输入层节点数目选为15，包括三相电压信号的当前值、三相电压的延时信号、三相电流的延迟信号，神经网络的输入向量表示为：

x_k＝[u_A(k),u_B(k),u_C(k),u_A(k-1),u_B(k-1),u_C(k-1),u_A(k-2),u_B(k-2),u_C(k-2),i_A(k-1),i_B(k-1),i_C(k-1),i_A(k-2),i_B(k-2),i_C(k-2)]^T

其中k＝1,2,…,N，N为训练样本个数；

神经网络的输出层节点数目为3，对应三相输出电流信号k时刻的值，神经网络的输出向量表示为：

y′_k＝[i′_A(k),i′_B(k),i′_C(k)]^T

隐层节点数目为输入层输入向量维数的2倍，激励函数选用Sigmoid函数，即g(x)=1/(1+exp(-x))；

（c）利用训练样本采用极限学习机算法对电机神经网络模型进行学习：

首先，对神经网络输入权重向量w_j和隐层阈值b_j随机赋值其中， 为隐层节点个数；

然后，计算得到隐层输出矩阵

最后，计算得到矩阵H的广义逆矩阵从而得到输出权重向量其中，Y＝[y₁,y₂,…,y_N]^T,y_k＝[i_A(k),i_B(k),i_C(k)]^T，k＝1,2,…,N；

（d）使矩阵H^TH的对角线元素加上一个正数，即其中，γ的值取0.2；

（e）利用检验样本对模型进行验证，神经网络的输入向量为

按照步骤（d）中的输入权重向量w_j和隐层阈值b_j计算得到隐层输出矩阵；为检验样本个数；

然后，计算模型输出与电机实际输出Y对比，判断模型是否符合要求。

进一步，以上电压、电流信号的采样频率为12.8KHz，连续采样时长不小于10s；数据样本需要预先进行取均值和归一化处理。

进一步，以上步骤3）中，对异步电动机故障的监测是通过对残差信号的有效值进行监测实现的，具体包括如下步骤：

a.异步电动机的数学模型建立后，计算得到异步电动机无故障时残差信号，将2560个残差信号样本的有效值作为1个残差监测点进行故障监测，计算残差监测点的均值μ和标准差σ，根据3σ原则将残差阈值为η=μ+3σ；

b.在异步电动机稳定运行过程中，实时计算残差监测点幅值d_RMS，并进行判断：若监测点幅值d_RMS小于阈值η，说明异步电动机运行正常；若监测点幅值d_RMS超出阈值η，则进一步对异步电动机故障类型进行诊断。

进一步，以上步骤4）中，电机故障的诊断是通过对残差信号进行频域分析实现的：首先，对残差时域信号进行快速傅里叶变换得到残差信号的频谱图；然后，在残差频谱中寻找故障特征频率分量f_F，如果出现了故障特征频率成分，则有相应的故障发生。

本发明具有以下有益效果：

本发明对电机稳定运行时的三相输入电压和三相定子电流信号进行采集，采用基于极限学习机算法的神经网络系统辨识方法建立电机的无故障数学模型，通过对电机稳定运行时产生的残差信号进行分析，实现对异步电动机故障的监测和诊断。与定子电流信号相比，残差信号中与输入电压相关的谐波成分会被很大程度地削弱，从而使故障信号更加明显。本方法将基于模型的方法和基于信号分析的方法相结合，提高了电机故障监测的灵敏度和故障诊断的可靠性。

附图说明

图1是本发明的原理示意图；

图2是信号采集系统连接图；

图3是本发明系统辨识采用的“串-并”辨识结构图；

图4是电机模型应用示意图；

图5是电机实际输出信号和电机模型输出信号的时域图；

图6是电机发生转子断条故障时残差监测点的幅值图；

图7是电机发生动态偏心故障时残差监测点的幅值图；

图8是基于模型的异步电动机故障诊断原理图；

图9是电机发生转子断条故障时，电机输出电流信号频谱图和残差信号频谱图：其中（a）和（b）是电机输出电流信号频谱图，（c）是残差信号频谱图；

图10是电机发生动态偏心故障时，电机输出电流信号频谱图和残差信号频谱图：其中（a）是电机输出电流信号频谱图，（b）是残差信号频谱图；

图11是电机发生静态偏心故障时，电机输出电流信号频谱图和残差信号频谱图：其中，（a）是电机输出电流信号频谱图，（b）是残差信号频谱图。

具体实施方式

下面结合附图对本发明做进一步说明。

图1是本发明的原理示意图。本发明需要在新电机刚装机时建立起它的数学模型，并把该模型作为该电机的无故障模型。然后，将实际电机和电机模型在相同的输入电压驱动下运行，对二者的残差信号进行分析处理实现对故障的监测诊断。基于模型的异步电动机故障监测诊断方法主要分为残差生成和残差处理两部分，而获得适合的无故障数学模型是实现电机故障监测诊断的关键。

图2是信号采集系统连接图。在本发明的实验验证中，三相电流信号是通过电流钳提取的，电流钳采用的是美国福禄克（FLUKE）公司的i200s交流电流钳；三相电压信号通过微型电压互感器提取，互感器选用的是北京耀华德昌公司的TV19E型微型电压互感器，直接焊接在调理电路板上；转速传感器选用美国蒙那多仪器（Monarch Instrument）公司的ROS-W型传感器。

实验中转速传感器用来获取电机的转频f_rm，通过转频计算得到转差率s和电机故障的特征频率。

电压、电流信号的采样频率为12.8KHz，连续采样时长不小于10s。

图3是本发明系统辨识采用的“串-并”辨识结构图。在这个辨识结构中，利用系统输入输出信号的过去值扩大了输入空间。这种辨识模型的建立，相当于静态函数的逼近问题。由于系统的输入输出信号是有界的，并且神经网络中不存在反馈，因此可以保证辨识的稳定性。

具体的，本发明基于模型的异步电动机故障监测诊断方法包括以下步骤：

1）首先采集新的能够正常运行的异步电动机稳定运行时的三相输入电压信号和三相输出电流信号，利用基于极限学习机算法的神经网络系统辨识方法建立起该异步电动机的数学模型，并把该数学模型作为该异步电动机的无故障模型；

2）将该异步电动机的无故障模型和该电机在相同的输入电压u驱动下并行运行，得到二者的输出电流信号之差，即残差信号d；

3）对残差信号d进行时域分析，根据3σ原则确定异步电动机残差信号有效值的阈值η，通过监测异步电动机稳定运行时残差有效值d_RMS是否超过阈值η来判断故障是否发生。该步骤中，对异步电动机故障的监测是通过对残差信号的有效值进行监测实现的，具体包括如下步骤：

a.异步电动机的数学模型建立后，计算得到异步电动机无故障时残差信号，将2560个0.2s残差信号样本的有效值作为1个残差监测点进行故障监测，计算残差监测点的均值μ和标准差σ，根据3σ原则将残差阈值为η=μ+3σ；

b.在异步电动机稳定运行过程中，实时计算残差监测点幅值d_RMS，并进行判断：若监测点幅值d_RMS小于阈值η，说明异步电动机运行正常；若监测点幅值d_RMS超出阈值η，则进一步对异步电动机故障类型进行诊断。

4）对残差信号d进行频域分析，根据残差频谱中出现的故障特征频率分量f_F来确定故障类型。该步骤中，电机故障的诊断是通过对残差信号进行频域分析实现的：首先，对残差时域信号进行快速傅里叶变换得到残差信号的频谱图；然后，在残差频谱中寻找故障特征频率分量f_F，如果出现了故障特征频率成分，则有相应的故障发生。

以上步骤中，异步电动机的无故障模型通过采用基于极限学习机的神经网络系统辨识方法获得，具体包括以下步骤：：

a.采集得到电机稳定运行时的三相输入电压信号u_A、u_B、u_C和三相定子电流信号i_A、i_B、i_C，并按照一定比例分为训练样本和检验样本两部分，训练样本用于学习得到电机的无故障数学模型，检验样本用来对模型的效果进行验证；

b.神经网络模型采用“串-并”辨识结构，神经网络的输入层节点数目选为15，包括三相电压信号的当前值、三相电压的延时信号、三相电流的延迟信号，神经网络的输入向量表示为（k＝1,2,…,N，N为训练样本个数）：

x_k＝[u_A(k),u_B(k),u_C(k),u_A(k-1),u_B(k-1),u_C(k-1),u_A(k-2),u_B(k-2),u_C(k-2),i_A(k-1),i_B(k-1),i_C(k-1),i_A(k-2),i_B(k-2),i_C(k-2)]^T

神经网络的输出层节点数目为3，对应三相输出电流信号k时刻的值，神经网络的输出向量表示为：

y′_k＝[i′_A(k),i′_B(k),i′_C(k)]^T

隐层节点数目为输入层输入向量维数的2倍，激励函数选用Sigmoid函数，即g(x)=1/(1+exp(-x))；

c.利用训练样本采用极限学习机算法对电机神经网络模型进行学习：

首先，对神经网络输入权重向量w_j和隐层阈值b_j随机赋值（ 为隐层节点个数）；

然后，计算得到隐层输出矩阵

最后，计算得到矩阵H的广义逆矩阵从而得到输出权重向量其中，Y＝[y₁,y₂,…,y_N]^T,y_k＝[i_A(k),i_B(k),i_C(k)]^T，k＝1,2,…,N；

d.为了使模型具有更好的效果，使矩阵H^TH的对角线元素加上一个正数，即其中，γ的值取0.2，可以通过交叉验证的方法得到。

e.利用检验样本对模型进行验证，神经网络的输入向量为

按照步骤d中的输入权重向量w_j和隐层阈值b_j计算得到隐层输出矩阵（为检验样本个数）

然后，计算模型输出与电机实际输出Y对比，判断模型是否符合要求。

图4是电机模型应用示意图。在实际应用时，神经网络的输入信号与模型训练时的输入信号并不相同。如图3，在神经网络训练时，网络的输入信号包含实际电机输出的延迟信号；在模型实际应用时，神经网络的输入信号中实际电机输入的延迟信号被神经自身输入的延迟信号替代，电机模型成为一个独立的系统。

图5是本发明的验证实验中电机实际输出信号和电机模型输出信号的时域图。可以看出模型的输出信号能够很好地逼近实际电机的输出信号。

图6和图7分别是电机发生转子断条故障时和发生动态偏心故障时残差监测点的幅值图。由于单个残差信号样本容易受到异常值和随机干扰的影响，因此，本发明将T=2560个（0.2s）残差样本点的有效值作为1个残差监测点进行故障监测：

其中，T的选择需要折中考虑。T选得过大会使计算量增加，并导致故障监测灵敏度下降；T选的过小，容易受到随机干扰的影响，使虚警率增加。此外，T的长度应该包含整数倍的基波周期。

验证实验中，由新电机的残差信号得到25个残差监测点，残差监测点均值μ为0.0995，标准差σ为0.0097，根据3σ原则将残差阈值设为0.1286。

图6和图7中电机的残差监测点幅值都已经超过了设定的阈值，表示电机已经发生了故障，说明本发明可以有效地监测到电机故障的发生。

参阅图8，图8是基于模型的异步电动机故障诊断方法原理图。电机发生故障时，会在定子电流频谱中感应出相应的特征频率成分。然而，由于输入电压中含有大量的电网谐波成分，也会在定子电流中产生相应的频率分量。将实际电机的定子电流信号和无故障数学模型的输出信号相减得到残差信号，可以将定子电流中与故障无关的频率成分大大削弱，从而可以提高故障诊断的可靠性。因此，对残差信号进行频域分析，通过寻找故障的特征频率就可以实现对电机故障的诊断。

参阅图9、图10和图11，图9、图10和图11分别是电机发生转子断条故障、动态偏心故障和静态偏心故障时电机输出电流信号频谱图和残差信号频谱图。

从图9可以看出，电流信号的频谱中存在中转子断条故障频率，但是相对于基频故障频率的幅值很小，很容易被基频淹没；而残差频谱中的基频成分被大大削弱，故障频率成分更加明显。因此，基于模型的故障诊断方法相当于一个窄带滤波器，可以滤除基频等与故障无关的频率成分，保留故障频率成分，从而提高了故障诊断的可靠性。

从图10和图11可以看出，由于电机的输入电压中包含谐波和其他杂波成分，在电流频谱中感应出很多与故障无关的频率成分，严重影响了电机故障的诊断的可靠性。然而，由基于模型的方法得到的残差信号的频谱中，与故障无关的频率成分被大幅削弱，从而有效地提高了故障诊断的可靠性。

以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施方式仅限于此，对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单的推演或替换，都应当视为属于本发明由所提交的权利要求书确定专利保护范围。

Claims (3)

1.一种基于模型的异步电动机故障监测诊断方法，其特征在于，包括以下步骤：

1)首先采集新的能够正常运行的异步电动机稳定运行时的三相输入电压信号和三相输出电流信号，利用基于极限学习机算法的神经网络系统辨识方法建立起该异步电动机的数学模型，并把该数学模型作为该异步电动机的无故障模型；

2)将该异步电动机的无故障模型和该异步电动机在相同的输入电压u驱动下并行运行，得到二者的输出电流信号之差，即残差信号d；

3)对残差信号d进行时域分析，根据3σ原则确定异步电动机残差信号有效值的阈值η，通过监测异步电动机稳定运行时残差有效值d_RMS是否超过阈值η来判断故障是否发生；

4)对残差信号d进行频域分析，根据残差频谱中出现的故障特征频率分量f_F来确定故障类型；

步骤1)中，异步电动机的无故障模型通过采用基于极限学习机的神经网络系统辨识方法获得，包括以下步骤：

(a)采集得到异步电动机稳定运行时的三相输入电压信号u_A、u_B、u_C和三相定子电流信号i_A、i_B、i_C，并按照比例分为训练样本和检验样本两部分，训练样本用于学习得到异步电动机的无故障数学模型，检验样本用来对模型的效果进行验证；

(b)神经网络模型采用“串-并”辨识结构，神经网络的输入层节点数目选为15，包括三相电压信号的当前值、三相电压的延时信号、三相电流的延迟信号，神经网络的输入向量表示为：

x_k＝[u_A(k),u_B(k),u_C(k),u_A(k-1),u_B(k-1),u_C(k-1),u_A(k-2),u_B(k-2),u_C(k-2),i_A(k-1),i_B(k-1),i_C(k-1),i_A(k-2),i_B(k-2),i_C(k-2)]^T

其中k＝1,2,…,N，N为训练样本个数；

神经网络的输出层节点数目为3，对应三相输出电流信号k时刻的值，神经网络的输出向量表示为：

y'_k＝[i'_A(k),i'_B(k),i'_C(k)]^T

隐层节点数目为输入层输入向量维数的2倍，激励函数选用Sigmoid函数，即g(x)＝1/(1+exp(-x))；

(c)利用训练样本采用极限学习机算法对异步电动机神经网络模型进行学习：

首先，对神经网络输入权重向量w_j和隐层阈值b_j随机赋值其中， 为隐层节点个数；

然后，计算得到隐层输出矩阵

最后，计算得到矩阵H的广义逆矩阵从而得到输出权重向量其中，Y＝[y₁,y₂,…,y_N]^T,y_k＝[i_A(k),i_B(k),i_C(k)]^T，k＝1,2,…,N；

(d)使矩阵H^TH的对角线元素加上一个正数，即其中，γ的值取0.2，I为单位矩阵；

(e)利用检验样本对模型进行验证，神经网络的输入向量为

$\begin{array}{c}{\stackrel{\‾}{x}}_k=\[u_A\left(k\right),u_B\left(k\right),u_C\left(k\right),u_A\left(k-1\right),u_B\left(k-1\right),u_C\left(k-1\right),u_A\left(k-2\right),u_B\left(k-2\right),u_C\left(k-2\right),{i^{\′}}_A\left(k-1\right),\\ {i^{\′}}_B\left(k-1\right),{i^{\′}}_C\left(k-1\right),{i^{\′}}_A\left(k-2\right),{i^{\′}}_B\left(k-2\right),{i^{\′}}_C\left(k-2\right){\]}^T\end{array}$

按照步骤(c)中的输入权重向量w_j和隐层阈值b_j计算得到隐层输出矩阵；为检验样本个数；

然后，计算模型输出与异步电动机实际输出Y对比，判断模型是否符合要求；

步骤3)中，对异步电动机故障的监测是通过对残差信号的有效值进行监测实现的，具体包括如下步骤：

a.异步电动机的数学模型建立后，计算得到异步电动机无故障时残差信号，将2560个0.2s残差信号样本的有效值作为1个残差监测点进行故障监测，计算残差监测点的均值μ和标准差σ，根据3σ原则将残差阈值为η＝μ+3σ；

b.在异步电动机稳定运行过程中，实时计算残差监测点幅值d_RMS，并进行判断：若监测点幅值d_RMS小于阈值η，说明异步电动机运行正常；若监测点幅值d_RMS超出阈值η，则进一步对异步电动机故障类型进行诊断。

2.根据权利要求1所述的基于模型的异步电动机故障监测诊断方法，其特征在于，电压、电流信号的采样频率为12.8KHz，连续采样时长不小于10s；数据样本需要预先进行取均值和归一化处理。

3.根据权利要求1所述的基于模型的异步电动机故障监测诊断方法，其特征在于，步骤4)中，异步电动机故障的诊断是通过对残差信号进行频域分析实现的：首先，对残差时域信号进行快速傅里叶变换得到残差信号的频谱图；然后，在残差频谱中寻找故障特征频率分量f_F，如果出现了故障特征频率成分，则有相应的故障发生。