CN104656018B - 电动机故障检测方法 - Google Patents

电动机故障检测方法 Download PDF

Info

Publication number
CN104656018B
CN104656018B CN201510083663.9A CN201510083663A CN104656018B CN 104656018 B CN104656018 B CN 104656018B CN 201510083663 A CN201510083663 A CN 201510083663A CN 104656018 B CN104656018 B CN 104656018B
Authority
CN
China
Prior art keywords
fault
motor
probability
detection method
frequency signal
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201510083663.9A
Other languages
English (en)
Other versions
CN104656018A (zh
Inventor
陈勇
李雪恺
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN201510083663.9A priority Critical patent/CN104656018B/zh
Publication of CN104656018A publication Critical patent/CN104656018A/zh
Application granted granted Critical
Publication of CN104656018B publication Critical patent/CN104656018B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Landscapes

  • Tests Of Circuit Breakers, Generators, And Electric Motors (AREA)

Abstract

本发明涉及电动机的故障检测方法。本发明针对现有技术通过检测电动机电流检测电动机故障存在的缺点，公开了一种电动机故障检测方法，本发明的技术方案，通过对多个故障频率频谱信号进行多层次分析，极大程度的改善了扰动过大时的故障诊断性能，并通过多重多次分析电机电流的多个故障特征实现故障诊断及在线状态监测，对采集到的故障频率多次分析，大大提高了诊断可靠性，几乎避免了错报和漏报。本发明非常适合用于电动汽车电动机故障的在线检测。

Description

电动机故障检测方法
技术领域
本发明涉及电动机故障检测方法，特别涉及一种基于多层次信号分析和多步计算的故障检测方法。
背景技术
电动汽车已开始用于现代工业中的关键业务，但是其可靠性并不能得到很好的保证，需要对电动汽车电机进行故障诊断以保证其安全性能。20世纪60年代开始，汽车故障诊断技术引起世界先进汽车厂家的重视，美、日、德、法等发达国家相继开始了汽车故障诊断技术研究。目前，一种基于电机电流信号分析法(MCSA)的检测诊断方法得到了各国专家学者的重视。
电机电流信号分析法改善了传统的电机测试方法一般采用转速、转矩等传感器，使得电机结构变得复杂，体积庞大，而且测试过程繁琐，不利于测试系统的集成化的缺点。电机电流信号分析法其实质是电机力矩到电能量的转化，通过采集电机电流信号进行故障分析，而不是利用编码器等采集电机转速、转矩信息，因此无需额外的硬件或设计，不仅简化了系统，有效降低了成本而，而且大大增加了系统的集成化，使得测试更为简单。但是一般的电机电流信号分析法仅对特定的一个或两个故障频率进行分析，判断电机是否有某个故障，检测单一，有较大的局限性。而且，其检测系统在系统受到干扰时，由于只采集了单一频率，极易受到外界变化的影响，在扰动过大时，干扰信号会覆盖故障信号，导致错报和漏报可能性很高，诊断可靠性不能得到保证，检测性能较差。
发明内容
本发明所要解决的技术问题，就是提供一种电动机故障检测方法，通过多重多次分析电动机电流的多个故障特征实现故障诊断及在线状态监测。
本发明解决所述技术问题采用的技术方案是，电动机故障检测方法，包括以下步骤：
步骤S1，设定需要检测的电流频率f1f2…fk，k≥3；
步骤S2，采集电动机两相电流ia、ib；
步骤S3，根据电流ia、ib分离出fk对应的正常噪声频率信号Mi和异常噪声频率信号Ni；
步骤S4，把同频率的正常噪声频率信号Mi和异常噪声频率信号Ni相比，判断其比值；
步骤S5，若Mi/Ni≥1，则认为是正常噪声信号，置故障特征值Fi＝0；
步骤S6，若Mi/Ni＜1，则认为是故障信号，置故障特征值Fi＝1；
步骤S7，设定检测阈值R，计算故障概率P的初值
步骤S8，计算误报和错报概率Eenergy为异常噪声能量，σ2为异常噪声方差，Q为Q函数其表达式为：其中π为圆周率，e为自然数；
步骤S9，若C大于设定值，则认为此次计算精确度不够，更新故障特征值F和检测阈值R，返回步骤S8；
步骤S10，若C小于设定值，得到电动机故障概率并对P进行判断；
步骤S11，若P＝0，则此次异常为噪声；
步骤S12，若P＝1，则此次异常为故障。
所述步骤S10中以使得误报和错报概率C最小的检测阈值R计算故障概率P。
所述正常噪声频率信号Mi和异常噪声频率信号Ni为对应电流信号的峰值。
所述误报和错报概率C的设定值为0.01。
本发明的有益效果是，本发明的故障诊断算法利用多层次的信号分析和多步的故障诊断算法，多重多次分析电动机电流的多个故障特征实现故障诊断及在线状态监测，准确率高，几乎克服了误报和漏报，极大程度的改善了故障诊断性能，大大提高了诊断可靠性。
附图说明
图1是本发明的故障诊断流程图。
具体实施方式
下面结合附图及具体实施方式，详细描述本发明的技术方案。
本发明的电动机故障检测方法，可以对多个故障频率频谱信号进行多层次分析，极大程度的改善了扰动过大时的故障诊断性能，并通过多重多次分析电机电流的多个故障特征实现故障诊断及在线状态监测，对采集到的故障频率多次分析，大大提高了诊断可靠性，几乎避免了错报和漏报。
本发明主要流程如图1所示，包括：
步骤S1，设定需要检测的故障频率f1f2…fk，k≥3。
在该步骤中，根据实际需要设定需要检测的故障频率，如断条故障、断环故障、偏心故障、轴承故障、绕组短路故障、齿轮啮合故障等对应频率，设置频率越多检测面越广。
步骤S2，采集电动机两相电流ia、ib。
在该步骤中，采集的电动机两相电流ia、ib，也可以是其他两相电流如电流ib、ic或电流ic、ia。
步骤S3，根据采集的电流信号分离出正常噪声频率信号Mi和异常噪声频率信号Ni。
在该步骤中，利用FFT(快速傅里叶变换)算法进行频谱分析，分离出正常噪声频率信号Mi和异常噪声频率信号Ni，计算出对应k个频率下的这两种电流信号峰值，用于步骤S4的比较。
步骤S4，把同频率的正常噪声频率信号Mi和异常噪声频率信号Ni的峰值相比，即Mi/Ni判断其比值。
步骤S5，若Mi/Ni≥1，则认为是正常噪声信号，置Fi＝0。
步骤S6，若Mi/Ni＜1，则认为是故障信号，置Fi＝1。
根据步骤S5和步骤S6的判断得到故障特征值F(x,x,…,x)，x表示0或者1；
在该步骤中，故障特征值F含k个0、1分量。
步骤S7，设定检测阈值R，计算故障概率P的初值
在该步骤中，首先设定检测阈值R，然后计算故障特征值的均值得到故障概率P的初值
步骤S8，计算误报及错报概率C，并对C进行判断；
在该步骤中，误报和错报概率其中R为检测阈值，Eenergy为异常噪声能量，σ2为异常噪声方差，Q为Q函数，其表达式为：其中π为圆周率，e为自然数。
步骤S9，若C≥0.01，则认为此次计算精确度不够，更新故障特征值F和检测阈值R，重复执行步骤S8。
在该步骤中，更新故障特征值F可以根据上述设定检测阈值R和误报及错报概率C，通过调整F中的0或1的个数来进行，更新检测阈值R，则可以选取S8中使得C最小的R作为最新检测阈值，得到故障概率
步骤S10，若C＜0.01，得到最终电动机故障概率P，并对P进行判断；若P＝0，则此次异常为噪声；步若P＝1，则此次异常为故障。
在该步骤中，误报和错报概率C小于0.01，误报和错报率极小，判断出的最终电动机故障概率P有很高的可靠性。

Claims (4)

1.电动机故障检测方法，包括以下步骤：
步骤S1，设定需要检测的电流频率f1f2…fk，k≥3；
步骤S2，采集电动机两相电流ia、ib；
步骤S3，根据电流ia、ib分离出fk对应的正常噪声频率信号Mi和异常噪声频率信号Ni；
步骤S4，把同频率的正常噪声频率信号Mi和异常噪声频率信号Ni相比，判断其比值；
步骤S5，若Mi/Ni≥1，则认为是正常噪声信号，置故障特征值Fi＝0；
步骤S6，若Mi/Ni＜1，则认为是故障信号，置故障特征值Fi＝1；
步骤S7，设定检测阈值R，计算故障概率P的初值
步骤S8，计算误报和错报概率Eenergy为异常噪声能量，σ2为异常噪声方差，Q为Q函数其表达式为：其中π为圆周率，e为自然数；
步骤S9，若C大于设定值，则认为此次计算精确度不够，更新故障特征值F和检测阈值R，返回步骤S8；
步骤S10，若C小于设定值，得到电动机故障概率并对P进行判断；
步骤S11，若P＝0，则此次异常为噪声；
步骤S12，若P＝1，则此次异常为故障。
2.根据权利要求1所述的电动机故障检测方法，其特征在于：所述步骤S10中以使得误报和错报概率C最小的检测阈值R计算故障概率P。
3.根据权利要求1所述的电动机故障检测方法，其特征在于：所述正常噪声频率信号Mi和异常噪声频率信号Ni为对应电流信号的峰值。
4.根据权利要求1所述的电动机故障检测方法，其特征在于，误报和错报概率C的设定值为0.01。
CN201510083663.9A 2015-02-15 2015-02-15 电动机故障检测方法 Active CN104656018B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510083663.9A CN104656018B (zh) 2015-02-15 2015-02-15 电动机故障检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510083663.9A CN104656018B (zh) 2015-02-15 2015-02-15 电动机故障检测方法

Publications (2)

Publication Number Publication Date
CN104656018A CN104656018A (zh) 2015-05-27
CN104656018B true CN104656018B (zh) 2017-10-03

Family

ID=53247379

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510083663.9A Active CN104656018B (zh) 2015-02-15 2015-02-15 电动机故障检测方法

Country Status (1)

Country Link
CN (1) CN104656018B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5742522A (en) * 1996-04-01 1998-04-21 General Electric Company Adaptive, on line, statistical method and apparatus for detection of broken bars in motors by passive motor current monitoring and digital torque estimation
CN102135600A (zh) * 2011-01-28 2011-07-27 中国人民解放军海军潜艇学院 异步电动机故障检测装置及方法
CN103033745A (zh) * 2011-08-29 2013-04-10 通用电气公司 检测发电机的机械故障的方法和系统
CN103185862A (zh) * 2011-12-31 2013-07-03 上海汽车集团股份有限公司 汽车起动机中的直流电机故障的诊断方法和装置
CN103744022A (zh) * 2013-12-25 2014-04-23 河海大学 一种双馈风力发电机转子绕组故障的检测方法
CN104101833A (zh) * 2013-04-08 2014-10-15 通用电气能源能量变换技术有限公司 基于电机的电流特征分析的转子断条检测

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9255969B2 (en) * 2012-05-21 2016-02-09 General Electric Company Prognostics and life estimation of electrical machines

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5742522A (en) * 1996-04-01 1998-04-21 General Electric Company Adaptive, on line, statistical method and apparatus for detection of broken bars in motors by passive motor current monitoring and digital torque estimation
CN102135600A (zh) * 2011-01-28 2011-07-27 中国人民解放军海军潜艇学院 异步电动机故障检测装置及方法
CN103033745A (zh) * 2011-08-29 2013-04-10 通用电气公司 检测发电机的机械故障的方法和系统
CN103185862A (zh) * 2011-12-31 2013-07-03 上海汽车集团股份有限公司 汽车起动机中的直流电机故障的诊断方法和装置
CN104101833A (zh) * 2013-04-08 2014-10-15 通用电气能源能量变换技术有限公司 基于电机的电流特征分析的转子断条检测
CN103744022A (zh) * 2013-12-25 2014-04-23 河海大学 一种双馈风力发电机转子绕组故障的检测方法

Also Published As

Publication number Publication date
CN104656018A (zh) 2015-05-27

Similar Documents

Publication Publication Date Title
CN116879662B (zh) 基于数据分析的变压器故障检测方法
CN111259730B (zh) 一种基于多变量状态估计的状态监测方法及系统
CN106769049A (zh) 一种基于拉普拉斯分值和支持向量机的滚动轴承故障诊断方法
CN103575523B (zh) 基于FastICA-谱峭度-包络谱分析的旋转机械故障诊断方法
CN111024416B (zh) 一种列车牵引系统的故障诊断方法及系统
CN103499382B (zh) 一种基于振动数据融合和图像识别的变压器故障诊断方法
CN110057581A (zh) 基于区间型信度规则推理的旋转机械故障诊断方法
CN208125377U (zh) 一种电机滚动轴承故障诊断系统
CN105865794B (zh) 基于短时傅立叶变换和主分量分析的发动机失火故障诊断方法
GB2476246A (en) Diagnosing an operation mode of a machine
CN109031118A (zh) 一种电机故障诊断方法、装置及电机
CN112149569B (zh) 变压器基于模糊c均值聚类算法的声纹故障诊断方法
JP3333494B2 (ja) 装置の異常診断方法
CN118503926A (zh) 基于工业互联网的智能机电综合诊断、监控方法及系统
KR20110108950A (ko) 신경회로망과 특징점을 이용한 고장진단장치 및 그의 고장진단방법
CN115902476A (zh) 一种多维度变压器故障诊断和状态评估系统和方法
CN103821750B (zh) 一种基于电流的通风机失速和喘振监测及诊断方法
CN104656018B (zh) 电动机故障检测方法
Wang et al. Method for extracting current envelope for broken rotor bar fault detection of induction motors at time‐varying loads
CN117272218A (zh) 基于多维传感器数据的皮带运行故障评估系统
CN112327218B (zh) 一种变压器在线监测与故障诊断方法
Buzzoni et al. Development of an indicator for the assessment of damage level in rolling element bearings based on blind deconvolution methods
CN106767986A (zh) 基于噪声分析的仪表故障在线诊断方法
CN111980900B (zh) 一种基于多源数据融合分析的水泵故障诊断方法
CN108919041A (zh) 一种基于聚类分析的变压器绕组状态在线监测方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant