CN104569814A - 一种基于近似熵的直流牵引电机健康状态实时分析方法 - Google Patents

Abstract

本发明公开了一种基于近似熵的直流牵引电机健康状态实时分析方法，把电机检测过程分成启动阶段检测、稳速阶段检测、减速阶段检测，根据采集的待检测电机的电流i_a、电压u_a、转速ω_a信号，计算出电机对应各检测阶段的近似熵值，与初始检测的各阶段近似熵值比较判断电机健康状态。本发明方法对电机易获得的常见信号进行分析，并且利用阶段划分和平滑矩阵方法，从而减少近似熵的计算量，可为电机的视情维修提供前提依据。本发明装置用于电机故障检测。

Description

一种基于近似熵的直流牵引电机健康状态实时分析方法

技术领域

本发明涉及一种基于近似熵的直流牵引电机健康状态实时分析装置和方法，属于电机系统故障诊断技术领域。

背景技术

作为常见的驱动和执行装置，现在直流牵引电机广泛应用在工农业生产、轨道交通各方面。随着生产要求的提高，牵引电机在向大功率、高转速方向发展，而同时因电机设备故障造成的停产损失或维修费用也在迅速增加。所以，对电机进行健康度评估，以进行故障前检测，进而避免发生重大事故，具有重要的经济和社会价值。

传统故障前检测为通过人工检测电机故障的方法，利用人的感官对电机的温度、声音的感知来判断电机是否运行正常，大部分依赖操作者的工作经验来识别，诊断效率低，且难以及时检测电机潜在故障。

为了能够监测电机工作状态，国内外公司开发出了一些电机状态在线监测的产品，例如德国的申克公司研制的利用参数认定法进行电机测试的设备；日本的国际检测器公司生产的电机性能综合测试仪，可以自动测试电压、电流、转速、转矩、功率、效率、功率因数等十多个参数。但是由于直流电机是一个比较复杂的对象，如何根据电机运行数据获得其故障特征仍然是吸引众多学者研究的难题。

有些学者利用电机的电枢电流信号进行故障检测，如德国柏林工业大学Filbert.D通过对直流电机电流信号中的频谱特征的分析，来诊断直流电机轴承故障。而Bangura JF通过建立电机模型，基于时间步长，对有限元模型的故障数据进行模拟，通过比较模拟的数据和实测数据，从而得出电机的故障特征参数。也有测量电机的多种工作信号，如电流、电压和转速用于故障检测。如北京航空航天大学刘向群等监测电机运行数据，用参数辨识的方法估计电动机参数，并用模糊自适应谐振网络进行电动机故障诊断，从而检测电动机的工作情况，并诊断故障程度。

发明内容

发明目的：针对上述现有技术，提出一种基于近似熵的直流牵引电机健康状态实时分析方法，能够根据系统的温度、电压、转速条件，检测电机的异常，感知电机可靠度下降情况。

技术方案：一种基于近似熵的直流牵引电机健康状态实时分析方法，把电机检测过程分成启动阶段检测、稳速阶段检测、减速阶段检测，根据采集的待检测电机的电流i_a、电压u_a、转速ω_a信号，计算出电机对应各检测阶段的近似熵值，与初始检测的各阶段近似熵值比较判断电机健康状态，包括如下具体步骤：

步骤1)，根据待检测电机的型号，在上位机中设置电机参数，所述电机参数包括额定电压U_d、额定电流I_d、额定功率P_d、额定转速ω_d、电枢内阻R_a、电枢电感量L_a；在上位机中设置各检测阶段近似熵计算参数，所述计算参数包括时间常数T、基准值参数B以及阈值γ；其中，所述时间常数T＝L_a/R_a，所述基准值参数B＝(U_d-I_dR_a)/ω_d，启动阶段和减速阶段对应γ＝B×20％，稳速阶段对应γ＝B×5％；

步骤2)，判断检测过程处于在线检测或离线检测状态：若离线检测，则通过功率放大器驱动待测电机，并通过上位机向功率放大器发送电机启动和停止指令，然后多次采集各个检测阶段电机的电流i_a、电压u_a、转速ω_a实时信号后发送到上位机；若在线检测，则直接多次采集电机对应各个检测阶段的电流i_a、电压u_a、转速ω_a实时信号后发送到上位机；每一次信号采样周期设置为T/n，其中n取值为3～10的整数；

步骤3)，上位机计算各个检测阶段对应的近似熵，包括如下步骤：

步骤3.1)，根据采集到的多组电流i_a、电压u_a、转速ω_a实时信号，计算得到序列C(k)，如式(1)所示；

$C\left(k\right)=\frac{u_a\left(k\right)-i_a\left(k\right)R_a-n{R}_a[i_a\left(k\right)-i_a(k-1)]}{{\mathrm{\ω}}_a\left(k\right)}---\left(1\right)$

其中，C(k)为第k组信号对应的电磁状态量，k的取值为1～N的自然数，N为采集到的信号组数；

步骤3.2)，按检测阶段对所述序列C(k)进行划分，形成每个检测阶段对应的时间序列{C(k)}；

步骤3.3)，对每个检测阶段的时间序列{C(k)}计算伪距离d_i，k，如式(2)所示；

d_i，k＝|C(i)-C(k)|   (2)

式(2)中，i的取值为1～N的自然数，k的取值为i＜k≤N；

将计算得到的所述伪距离d_i，k二值化，根据不同检测阶段设定的阈值γ：当d_i，k≥γ，d_i，k计作1；当d_i，k＜γ，d_i，k计作0；

步骤3.4)，根据步骤3.3)得到的任一检测阶段时间序列对应的伪距离d_i，k，构建该检测阶段对应的二值距离矩阵D：

首先，用二值化后的伪距离d_i，k构建下三角矩阵D1，如式(3)所示；

然后将D₁翻转后，添加到上三角上，拓展成(N-1)×N矩阵D，如式(4)所示；

步骤3.5)，由所述矩阵D分别构建距离的2阶平滑度矩阵P²和3阶平滑度矩阵P³；设D(i，j)为矩阵D中(i，j)位置的元素，则所述P²为N-2×N-1维矩阵，其中(i，j)位置的元素所述P³为N-3×N-2维矩阵，其中(i，j)位置的元素 $p_{i,j}^3=\max (D(i,j),D(i+1,j+1),D(i+2,j+2));$

步骤3.6)，分别计算所述矩阵P²和P³各列的均值如式(5)、(6)所示；

$C_j^2=\frac{\underset{i}{\mathrm{\Σ}}{p}_{i,j}^2}{N-2}---\left(5\right)$

$C_j^3=\frac{\underset{i}{\mathrm{\Σ}}{p}_{i,j}^3}{N-3}---\left(6\right)$

步骤3.7)，对所述和分别取对数后，再作平均值运算，得到φ²和φ³，如式(7)、(8)所示；

${\mathrm{\φ}}^2=\frac{1}{N-1}\underset{j=1}{\overset{N-1}{\mathrm{\Σ}}}1n{C}_j^2---\left(7\right)$

${\mathrm{\φ}}^3=\frac{1}{N-2}\underset{j=1}{\overset{N-2}{\mathrm{\Σ}}}1n{C}_j^3---\left(8\right)$

若步骤3.6)计算得到的和为0，则不对所述和能进行对数运算，令和为一个正数K，N为所述步骤2)中采集到的信号组数；

步骤3.8)，计算实时矩阵D对应检测阶段的近似熵A＝φ²-φ³；

步骤4)，根据步骤3.4)至3.8)，得到启动阶段、稳速阶段、减速阶段对应的近似熵A，然后根据各阶段对应的近似熵A判断该阶段的健康状态，具体为：任一检测阶段中，若(A-A₀)/A₀＞M，上位机则告警，提示电机需要检修；其中，A₀为对应检测阶段初始检测得到的近似熵值，M为健康状态判断阈值，M取值为0.1～1。

作为本发明的优选方案，若离线检测，启动指令发出的n₁T以内时间作为启动阶段，启动指令发出的n₁T以后为稳速阶段，n₁取值为10～100；停车指令发出的n₂T以内时间作为减速阶段，n₂取值为10～100。

有益效果：本发明提出的一种基于近似熵的直流牵引电机健康状态实时分析方法，把电机检测过程分成启动阶段检测、稳速阶段检测、减速阶段检测，根据采集的待检测电机的电枢电流i_a、电枢电压u_a、转速ω_a信号，计算出电机对应各检测阶段的近似熵值，与初始检测的各阶段近似熵值比较判断电机健康状态。具有如下具体优点：

(1)融合了电机多个工作状态信号来计算近似熵，并通过该近似熵的变化进行故障检测，而且可以进行健康分析，预警潜在故障；

(2)能够实现电机在工作过程中，通过实时监测电机工作状态数据进行健康状态评估；也可以将电机脱离工作位，进行单独检测；

(3)本发明根据指令变化将测量数据分阶段分割，减少数据长度，而且运用距离二值化和构建平滑矩阵的方法，降低近似熵的计算量和数据存储量，提高健康分析的速度，便于计算机实现。

本发明所用方法可在工作状态下或检修测量的情况下进行健康分析，提高系统故障检测效率；对于电机系统的可靠性分析起到了重要的作用。健康分析装置成本低，可操作性强，使用方便、可靠。

附图说明

图1是本发明健康状态实时分析方法所基于的硬件结构示意图；

图2是本发明的方法的流程图；

图3是实施例的直流电动机动态模型；

图4是MATLAB工具搭建的电机动态仿真模型。

具体实施方式

下面结合附图对本发明做更进一步的解释。

如图1所示，一种基于近似熵的直流牵引电机健康状态实时分析方法基于入选装置实现：作为上位机的计算机1，计算机1中装有撞击系统模块5和近似熵计算模块6、多通道数据采集卡2、功率放大器3以及测速电机4。

如图2所示，基于近似熵的直流牵引电机健康状态实时分析方法，把电机检测过程分成启动阶段检测、稳速阶段检测、减速阶段检测，根据采集的待检测电机的电枢电流i_a、电枢电压u_a、转速ω_a信号，计算出电机对应各检测阶段的近似熵值，与初始检测的各阶段近似熵值比较判断电机健康状态，包括如下具体步骤：

步骤1)，根据待检测电机的型号，在近似熵计算模块中设置电机参数，该电机参数包括额定电压U_d、额定电流I_d、额定功率P_d、额定转速ω_d、电枢内阻R_a、电枢电感量L_a；当电机参数未知时，采用缺省值。在近似熵计算模块中设置各检测阶段近似熵计算参数，该计算参数包括时间常数T、基准值参数B以及阈值γ。其中，时间常数T＝L_a/R_a，基准值参数B＝(U_d-I_dR_a)/ω_d，启动阶段和减速阶段对应γ＝B×20％，稳速阶段对应γ＝B×5％。

步骤2)，计算机中的专家系统模块判断检测过程处于在线检测或离线检测状态：若离线检测，则通过功率放大器驱动待测电机，并通过上位机向功率放大器发送电机启动和停止指令，通过多通道数据采集卡同时多次采集各个检测阶段电机的电流i_a、电压u_a、转速ω_a实时信号后发送到上位机；若在线检测，专家系统模块则控制断开装置功率放大器和测速电机的连接，此时电机处于具体的工作环境，仅通过多通道数据采集卡直接同时多次采集电机对应各个检测阶段的电流i_a、电压u_a，测速电机测得转速ω_a实时信号后发送到计算机；每一次信号采样周期设置为T/n，其中n取值为3～10的整数，本实施例中n取10。

其中，若离线检测，设定启动指令发出的50T以内时间作为启动阶段，启动指令发出的50T以后为稳速阶段；停车指令发出的50T以内时间作为减速阶段。启动和减速阶段中，每个T时间内采样10次实时信号；稳速阶段每个T时间内采样10次实时信号，从阶段开始连续50个T时间内采样。

步骤3)，计算机中近似熵计算模块用于计算各个检测阶段对应的近似熵，包括如下步骤：

步骤3.1)，根据采集到的多组电流i_a、电压u_a、转速ω_a实时信号，计算得到序列C(k)，如式(1)所示；

$C\left(k\right)=\frac{u_a\left(k\right)-i_a\left(k\right)R_a-n{R}_a[i_a\left(k\right)-i_a(k-1)]}{{\mathrm{\ω}}_a\left(k\right)}---\left(1\right)$

其中，C(k)为第k组信号对应的电磁状态量，k的取值为1～N的自然数，N为采集到的信号组数；

步骤3.2)，按检测阶段对序列C(k)进行划分，形成每个检测阶段对应的时间序列{C(k)}；

步骤3.3)，对每个检测阶段的时间序列{C(k)}计算伪距离d_i，k，如式(2)所示；

d_i，k＝|C(i)-C(k)|   (2)

式(2)中，i的取值为1～N的自然数，k的取值为i＜k≤N；

将计算得到的伪距离d_i，k二值化，根据不同检测阶段设定的阈值γ：当d_i，k≥γ，d_i，k计作1；当d_i，k＜γ，d_i，k计作0；

步骤3.4)，根据步骤3.3)得到的任一检测阶段时间序列对应的伪距离d_i，k，构建该检测阶段对应的二值距离矩阵D：

首先，用二值化后的伪距离d_i，k构建下三角矩阵D1，如式(3)所示；

然后将D₁翻转后，添加到上三角上，拓展成(N-1)×N矩阵D，如式(4)所示；

步骤3.5)，由所述矩阵D分别构建距离的2阶平滑度矩阵P²和3阶平滑度矩阵P³；设D(i，j)为矩阵D中(i，j)位置的元素，则所述P²为N-2×N-1维矩阵，其中(i，j)位置的元素所述P³为N-3×N-2维矩阵，其中(i，j)位置的元素 $p_{i,j}^3=\max (D(i,j),D(i+1,j+1),D(i+2,j+2));$

步骤3.6)，分别计算所述矩阵P²和P³各列的均值如式(5)、(6)所示；

$C_j^2=\frac{\underset{i}{\mathrm{\Σ}}{p}_{i,j}^2}{N-2}---\left(5\right)$

$C_j^3=\frac{\underset{i}{\mathrm{\Σ}}{p}_{i,j}^3}{N-3}---\left(6\right)$

步骤3.7)，对和分别取对数后，再作平均值运算，得到φ²和φ³，如式(7)、(8)所示；

${\mathrm{\φ}}^2=\frac{1}{N-1}\underset{j=1}{\overset{N-1}{\mathrm{\Σ}}}1n{C}_j^2---\left(7\right)$

${\mathrm{\φ}}^3=\frac{1}{N-2}\underset{j=1}{\overset{N-2}{\mathrm{\Σ}}}1n{C}_j^3---\left(8\right)$

若步骤3.6)计算得和为0，则不对所述和进行对数运算，令和为K，N为步骤2)中采集到的信号组数，如K＝10^-6。

步骤3.8)，计算实时矩阵D对应检测阶段的近似熵A＝φ²-φ³；

步骤4)，根据步骤3.4)至3.8)，得到启动阶段、稳速阶段、减速阶段对应的近似熵A，然后根据各阶段对应的近似熵A判断该阶段的健康状态，具体为：任一检测阶段中，若(A-A₀)/A₀＞M，上位机则告警，提示电机需要检修；其中，A₀为对应检测阶段初始检测得到的近似熵值，M为健康状态判断阈值，M取值为0.1～1。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

下面以仿真实例说明实施方案的有效性。

根据陈伯时主编的《电力拖动自动控制系统(第3版)》中给的如图3所示的直流电机动态结构图，搭建电机仿真模型。在此，假设直流电机额定数据：U_d＝220V，I_d＝136A，ω_d＝1170r/min，电枢回路电阻R_a＝0.5Ω，电枢电感量L_a＝0.015H。且设系统运动部分折合的机电时间常数Tm＝0.75s，负载电流正常值为Id1＝100A，电动势系数1/Ce＝7.576r/V.min。假设电机运行存在干扰，取负载电流均值100，方差10，且由于电机健康状态变化反映在1/Ce会发生变化，取1/Ce为均值7.576，且分别对电动势系数的方差为0.049、0.1、0.49情况下进行仿真。仿真采用MATLAB的simulink工具箱，构建的仿真图如图4所示。可计算得时间常数选择仿真步长0.003s。基准值参数B＝(u_d-I_dR_a)/ω_d＝0.1299，启动阶段和减速阶段对应γ＝B×20％，稳速阶段对应γ＝B×5％。

根据本发明方法，对电机启动的仿真数据进行处理，得仿真结果如表1所示：

表1 不同阶段仿真的熵值

方差	启动阶段熵值	稳速阶段熵值	降速阶段熵值
				0.049	0.1112	0.6990	0.3010
0.1	0.3872	0.8094	0.3509

0.49

0.6098

0.9453

0.6996

由表1可见，当1/Ce变化增大时，即方差增大时，本方法计算的熵增大。反映出系统健康度下降。可能将出现故障。若取方差0.049时的熵值为初始值A₀，M＝10％，则当方差为0.1和0.49时，(A-A₀)/A₀＞M都会告警。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (2)

1.一种基于近似熵的直流牵引电机健康状态实时分析方法，其特征在于：把电机检测过程分成启动阶段检测、稳速阶段检测、减速阶段检测，根据采集的待检测电机的电流i_a、电压u_a、转速ω_a信号，计算出电机对应各检测阶段的近似熵值，与初始检测的各阶段近似熵值比较判断电机健康状态，包括如下具体步骤：

步骤1)，根据待检测电机的型号，在上位机中设置电机参数，所述电机参数包括额定电压U_d、额定电流I_d、额定功率P_d、额定转速ω_d、电枢内阻R_a、电枢电感量L_a；在上位机中设置各检测阶段近似熵计算参数，所述计算参数包括时间常数T、基准值参数B以及阈值γ；其中，所述时间常数T＝L_a/R_a，所述基准值参数B＝(U_d-I_dR_a)/ω_d，启动阶段和减速阶段对应γ＝B×20％，稳速阶段对应γ＝B×5％；

步骤2)，判断检测过程处于在线检测或离线检测状态：若离线检测，则通过功率放大器驱动待测电机，并通过上位机向功率放大器发送电机启动和停止指令，然后多次采集各个检测阶段电机的电流i_a、电压u_a、转速ω_a实时信号后发送到上位机；若在线检测，则直接多次采集电机对应各个检测阶段的电流i_a、电压u_a、转速ω_a实时信号后发送到上位机；每一次信号采样周期设置为T/n，其中n取值为3～10的整数；

步骤3)，上位机计算各个检测阶段对应的近似熵，包括如下步骤：

步骤3.1)，根据采集到的多组电流i_a、电压u_a、转速ω_a实时信号，计算得到序列C(k)，如式(1)所示；

$C\left(k\right)=\frac{u_a\left(k\right)-i_a\left(k\right)R_a-n{R}_a[i_a\left(k\right)-i_a(k-1)]}{{\mathrm{\ω}}_a\left(k\right)}---\left(1\right)$

其中，C(k)为第k组信号对应的电磁状态量，k的取值为1～N的自然数，N为采集到的信号组数；

步骤3.2)，按检测阶段对所述序列C(k)进行划分，形成每个检测阶段对应的时间序列{C(k)}；

步骤3.3)，对每个检测阶段的时间序列{C(k)}计算伪距离d_i，k，如式(2)所示；

d_i，k＝|C(i)-C(k)|   (2)

式(2)中，i的取值为1～N的自然数，k的取值为i＜k≤N；

将计算得到的所述伪距离d_i，k二值化，根据不同检测阶段设定的阈值γ：当d_i，k≥γ，d_i，k计作1；当d_i，k＜γ，d_i，k计作0；

步骤3.4)，根据步骤3.3)得到的任一检测阶段时间序列对应的伪距离d_i，k，构建该检测阶段对应的二值距离矩阵D：

首先，用二值化后的伪距离d_i，k构建下三角矩阵D1，如式(3)所示；

然后将D₁翻转后，添加到上三角上，拓展成(N-1)×N矩阵D，如式(4)所示；

步骤3.5)，由所述矩阵D分别构建距离的2阶平滑度矩阵P²和3阶平滑度矩阵P³；设D(i，j)为矩阵D中(i，j)位置的元素，则所述P²为N-2×N-1维矩阵，其中(i，j)位置的元素所述P³为N-3×N-2维矩阵，其中(i，j)位置的元素 $p_{i,j}^3=\max (D(i,j),D(i+1,j+1),D(i+2,j+2));$

步骤3.6)，分别计算所述矩阵P²和P³各列的均值如式(5)、(6)所示；

$C_j^2=\frac{\underset{i}{\mathrm{\Σ}}{p}_{i,j}^2}{N-1}---\left(5\right)$

$C_j^3=\frac{\underset{i}{\mathrm{\Σ}}{p}_{i,j}^3}{N-3}---\left(6\right)$

步骤3.7)，对所述和分别取对数后，再作平均值运算，得到φ²和φ³，如式(7)、(8)所示；

${\mathrm{\φ}}^2=\frac{1}{N-1}\underset{j=1}{\overset{N-1}{\mathrm{\Σ}}}\ln C_j^2---\left(7\right)$

${\mathrm{\φ}}^3=\frac{1}{N-2}\underset{j=1}{\overset{N-2}{\mathrm{\Σ}}}\ln C_j^3---\left(8\right)$

若所述步骤3.6)计算得到的和为0，则不对所述和能进行对数运算，令和为一个正数K，N为所述步骤2)中采集到的信号组数；

步骤3.8)，计算实时矩阵D对应检测阶段的近似熵A＝φ²-φ³；

步骤4)，根据步骤3.4)至3.8)，得到启动阶段、稳速阶段、减速阶段对应的近似熵A，然后根据各阶段对应的近似熵A判断该阶段的健康状态，具体为：任一检测阶段中，若(A-A₀)/A₀＞M，上位机则告警，提示电机需要检修；其中，A₀为对应检测阶段初始检测得到的近似熵值，M为健康状态判断阈值，M取值为0.1～1。

2.根据权利要求1所述的一种基于近似熵的直流牵引电机健康状态实时分析方法，其特征在于：若离线检测，启动指令发出的n₁T以内时间作为启动阶段，启动指令发出的n₁T以后为稳速阶段，n₁取值为10～100；停车指令发出的n₂T以内时间作为减速阶段，n₂取值为10～100。