CN105005644B - 一种检测三相异步电动机故障的方法 - Google Patents

Abstract

本发明公开了一种检测三相异步电动机故障的方法，步骤根据电机出现的故障事件，找出故障发生的直接或间接原因，建立故障事件的逻辑关系；根据Petri网的可达性结合1中的逻辑关系，构建电机的模糊故障Petri网的故障检测模型；综合模糊规则、专家知识、及历史数据，利用模糊统计法等方法，确定初始库所置信度、权值、变迁可信度和阈值；利用矩阵推理对电机进行故障检测和诊断。该方法能提高电机故障检测的有效性、准确性。

Description

一种检测三相异步电动机故障的方法

技术领域

本发明属于检测技术领域，涉及一种检测三相异步电动机故障的方法。

背景技术

三相异步电动机(以下称电机)广泛应用于国民生产中的各个方面，生产过程中需要对电机运行状态等进行实时在线检测监控。当检测到电机运行状态异常时需及时判断电机异常原因和故障严重程度，防止事故发生。目前国内外有关电机运行状态检测监控的方法比较成熟，但大多集中在转子断条、偏心、定子短路等单一状态方面，难以满足电机整体故障诊断的需求。因此，寻求整体、合理的故障检测诊断方法，使其能够有效、清晰的进行故障评价和诊断意义重大。

Petri网方法是一种具有良好的并行计算和矩阵运算能力的可用图形化表示的方法，目前基于Petri网进行故障检测的方法主要有：基于Petri网解决知识表示问题，但故障诊断存在不确定性，使得故障信息的表达不充分；将模糊理论与Petri网相结合，提出模糊Petri网(Fuzzy Petri Net，FPN)建模方法，并指出FPN中库所的值表示命题的置信度，其值在0到1之间，可以解决确定性问题，但没有给出FPN的动态推理方法；根据模糊产生式规则，提出置信度矩阵推理算法，但故障传播的固有特性没有得到体现；提出故障Petri网的激发矩阵方法，解决故障建模中描述故障状态变化过程的问题；提出模糊故障Petri网(FuzzyFault Petri Net，FFPN)的概念，但没有具体的矩阵推理算法。上述各算法从不同层面建立了模型、进行了推理等，但均存在不足，同时均没有涉及对三相异步电机的故障进行检测。

发明内容

为了克服现有技术中存在的缺陷，本发明提出了一种检测三相异步电动机故障的方法，提高电机故障检测的有效性、准确性。

其技术方案如下：

一种检测三相异步电动机故障的方法，包括以下步骤：

步骤1、根据电机出现的故障事件，找出故障发生的直接或间接原因，建立故障事件的逻辑关系；

步骤2、根据Petri网的可达性结合1中的逻辑关系，构建电机的模糊故障Petri网的故障检测模型；

步骤3、综合模糊规则、专家知识、及历史数据，利用模糊统计法等方法，确定初始库所置信度、权值、变迁可信度和阈值；

步骤4、利用矩阵推理对电机进行故障检测和诊断。

进一步的，所述步骤2中的模糊故障Petri网定义为一个10元组：

S_FFPN＝(P,T,I,O,M,Ω,α,f,H,U)

(1)P＝{p₁,p₂,…,p_n}为故障库所集合，代表电机所发生的故障，如“熔断器熔体故障”，“转子绕组短路”，“电机扫膛”，“轴承过度磨损”等。

(2)M＝(m₁,m₂,…,m_n)^T为库所标识向量，m_i代表其对应库所p_i的托肯的数目(1或0)，m_i＝1表示p_i库所有token，即库所代表的故障事件发生。

(3)α＝(α₁,α₂,…,α_n)^T为库所置信度n维向量，α_i为库所p_i的置信度，表示p_i代表的故障事件发生的真实程度的置信度；

(4)Ω＝(ω₁,ω₂,…,ω_n)^T为库所权值n维向量，表示输入库所p_i对变迁规则t的影响程度，满足且

(5)f＝{f₁,f₂,…f_n}为库所最小割集的故障率的集合，表示库所p_i代表的故障事件发生的概率大小；

(6)H＝(λ₁,λ₂,…λ_n)^T为变迁阈值向量，λ_i表示变迁t_i点火的阈值；

(7)U＝diag(μ₁,μ₂,…μ_n)为变迁规则可信度矩阵，μ_i表示规则变迁t_i的可信度。

进一步的，步骤2的(3)中底层库所置信度由专家知识、历史经验，辅助于置信度模糊统计法得到，而当变迁t预使能，如果预使能变迁t可以触发点火(点火矩阵在下文中讲述)，在后继的库所p_Oj产生一个新的置信度α(p_Oj)

进一步的，步骤4中的故障检测与诊断为全矩阵模式的正反推理方式。正向推理是在电机无故障发生时，通过在线监测设备预测可能出现的故障，实现对系统故障严重程度的评价和传播途径的描述。反向推理是当系统发生故障时，根据所产生的故障现象，通过矩阵进行反向推理，追溯最可能的故障源(即底层库所)，为设备的诊断维修提供依据，从而为提高设备系统的可靠性提供有效的方法。为了更好的进行矩阵推理，定义如下算子：

(1)比较算子Θ：C＝AΘB，A，B和C均为m×n矩阵，当a_ij＞b_ij时，C_ij＝1；当a_ij＜b_ij时，C_ij＝0，i＝1,2,…,m；j＝1,2,…,n。

(2)取小算子∧：C＝A∧B，A,B和C均为m×n矩阵，c_ij＝min(a_ij,b_ij)，i＝1,2,…,m；j＝1,2,…,n。

(3)取大算子A，B和C均为m×n矩阵c_ij＝max(a_ij,b_ij)，i＝1,2,…,m；j＝1,2,…,n。

(4)乘法算子A，B和C分别为m×q，q×n，m×n矩阵，i＝1,2,…,m；j＝1,2,…,n。

(5)直乘算子Δ：C＝AΔb，A和C分别为m×n，n×m矩阵，b为n维向量，则c_ij＝a_ij·b_i，i＝1,2,…,m；j＝1,2,…,n。

首先，正向推理矩阵包括库所置信度推理矩阵、变迁点火矩阵和故障状态标识推理矩阵，只有满足变迁点火条件，相关库所中的故障token才能传递到后置库所，而变迁的点火判断矩阵又需要前置库所置信度为依据。

库所置信度推理矩阵为

其中O为Petri网输出矩阵。

变迁点火矩阵为：

其中y＝(y₁,y₂,…,y_n)^T为变迁预使能判别矩阵。如果变迁满足点火条件，则点火向量元素y_i＝1，否则y_i＝0；

G(x)＝I^←·α，G(x)＝(g₁,g₂,…,g_n)^T，表示库所置信度与权值的等效和值n为列向量，

I^←：I^←＝{▽_ij}，▽ij∈[0,1]，当有p_i至t_j的有向弧时，▽ij＝ω_i；当有t_j至p_i的有向弧时，▽ij＝0，其中i＝1,2,…m，j＝1,2,…,m；

λ代表变迁阈值，b要足够大，使得x＞λ时，x＜λ时，

I为petri网输入矩阵；

为故障状态标识推理矩阵，M_k为故障状态标识向量，代表故障token在模型库所中的分布及传播途径。

反向推理为即为正向推理的逆，因此我们先定义逆向推理的输入、输出库所分别为正向输出、输入库所。即I^-＝O，O^-＝I，。如果故障源库所有多个，则根据最小割集故障发生率来确定优先诊断顺序。若最小割集G＝{p₁,p₂,…,p_n}，则最小割集故障发生率为

反向推理也包括反向变迁点火矩阵和库所置信度推理矩阵。反向变迁点火矩阵为

其中为第k次逆向点火时的逆网使能变迁序列；

l_m＝(1,1,…1)^T为m维列向量。

库所反向置信度推理矩阵与正向相同。

本发明的有益效果为：本发明提出一种电机故障检测与诊断方法，该方法应用矩阵推理算法来推导故障token信息的正向或反向传递，同时该算法矩阵运行速度快、以Petri网图形方式显示直观、明了。其正向演绎算法使工作人员快速、有效的对预发故障进行评价与检测，逆向演绎基于最小割集有效避免故障诊断的盲目性。

附图说明

图1为本发明实施的电机故障推理的Petri网模型；

图2为本发明具体实施的电机故障推理部分Petri网模型；

图3为本发明具体实施的正向推理底层库所初始故障token的分布；

图4为本发明具体实施的正向推理故障token的传递方向；

图5为本发明具体实施的反向推理顶层库所初始故障token的分布；

图6为本发明具体实施的反向推理故障token的传递方向。

具体实施方式

下面结合附图和具体实施方式对本发明的技术方案作进一步详细地说明。

1、根据电机出现的故障事件，找出故障发生的直接或间接原因，建立故障事件的逻辑关系；

2、根据Petri网的可达性结合1中的逻辑关系，构建电机的模糊故障Petri网的故障检测模型；

3、综合模糊规则、专家知识、及历史数据，利用模糊统计法等方法，确定初始库所置信度、权值、变迁可信度和阈值；

4、利用矩阵推理对电机进行故障检测和诊断。

进一步的，所述步骤2中的模糊故障Petri网定义为一个10元组^[6-11]：

S_FFPN＝(P,T,I,O,M,Ω,α,f,H,U)

(1)P＝{p₁,p₂,…,p_n}为故障库所集合，代表电机所发生的故障，如“熔断器熔体故障”，“转子绕组短路”，“电机扫膛”，“轴承过度磨损”等。

(2)M＝(m₁,m₂,…,m_n)^T为库所标识向量，m_i代表其对应库所p_i的托肯的数目(1或0)，m_i＝1表示p_i库所有token，即库所代表的故障事件发生。

(3)α＝(α₁,α₂,…,α_n)^T为库所置信度n维向量，α_i为库所p_i的置信度，表示p_i代表的故障事件发生的真实程度的置信度；

(4)Ω＝(ω₁,ω₂,…,ω_n)^T为库所权值n维向量，表示输入库所p_i对变迁规则t的影响程度，满足且

(5)f＝{f₁,f₂,…f_n}为库所最小割集的故障率的集合，表示库所p_i代表的故障事件发生的概率大小；

(6)H＝(λ₁,λ₂,…λ_n)^T为变迁阈值向量，λ_i表示变迁t_i点火的阈值；

(7)U＝diag(μ₁,μ₂,…μ_n)为变迁规则可信度矩阵，μ_i表示规则变迁t_i的可信度。

进一步的，步骤2的(3)中底层库所置信度由专家知识、历史经验，辅助于置信度模糊统计法得到，而当变迁t预使能，如果预使能变迁t可以触发点火(点火矩阵在下文中讲述)，在后继的库所p_Oj产生一个新的置信度α(p_Oj)。

进一步的，步骤4中的故障检测与诊断为全矩阵模式的正反推理方式。正向推理是在系电机无故障发生时，通过在线监测设备预测可能出现的故障，实现对系统故障严重程度的评价和传播途径的描述。反向推理是当系统发生故障时，根据所产生的故障现象，通过矩阵进行反向推理，追溯最可能的故障源(即底层库所)，为设备的诊断维修提供依据，从而为提高设备系统的可靠性提供有效的方法。为了更好的进行矩阵推理，定义如下算子：

(1)比较算子Θ：C＝AΘB，A，B和C均为m×n矩阵，当a_ij＞b_ij时，C_ij＝1；当a_ij＜b_ij时，C_ij＝0，i＝1,2,…,m；j＝1,2,…,n。

(2)取小算子∧：C＝A∧B，A,B和C均为m×n矩阵，c_ij＝min(a_ij,b_ij)，i＝1,2,…,m；j＝1,2,…,n。

(3)取大算子A，B和C均为m×n矩阵c_ij＝max(a_ij,b_ij)，i＝1,2,…,m；j＝1,2,…,n。

(4)乘法算子A，B和C分别为m×q，q×n，m×n矩阵，i＝1,2,…,m；j＝1,2,…,n。

(5)直乘算子Δ：C＝AΔb，A和C分别为m×n，n×m矩阵，b为n维向量，则c_ij＝a_ij·b_i，i＝1,2,…,m；j＝1,2，…,n。

首先，正向推理矩阵包括库所置信度推理矩阵、变迁点火矩阵和故障状态标识推理矩阵，只有满足变迁点火条件，相关库所中的故障token才能传递到后置库所，而变迁的点火判断矩阵又需要前置库所置信度为依据。

库所置信度推理矩阵为

其中O为Petri网输出矩阵。

变迁点火矩阵为：

其中为变迁预使能判别矩阵。如果变迁满足点火条件，则点火向量元素y_i＝1，否则y_i＝0；

G(x)＝I^←·α，G(x)＝(g₁,g₂,…,g_n)^T，表示库所置信度与权值的等效和值n为列向量，

I^←：I^←＝{▽_ij}，▽ij∈[0,1]，当有p_i至t_j的有向弧时，▽ij＝ω_i；当有t_j至p_i的有向弧时，▽ij＝0，其中i＝1,2,…m，j＝1,2,…,m；

λ代表变迁阈值，b要足够大，使得x＞λ时，x＜λ时，

I为petri网输入矩阵；

为故障状态标识推理矩阵，M_k为故障状态标识向量，代表故障token在模型库所中的分布及传播途径。

反向推理为即为正向推理的逆，因此我们先定义逆向推理的输入、输出库所分别为正向输出、输入库所。即I^-＝O，O^-＝I，。如果故障源库所有多个，则根据最小割集故障发生率来确定优先诊断顺序。若最小割集G＝{p₁,p₂,…,p_n}，则最小割集故障发生率为

反向推理也包括反向变迁点火矩阵和库所置信度推理矩阵。反向变迁点火矩阵为

其中为第k次逆向点火时的逆网使能变迁序列；

l_m＝(1,1,…1)^T为m维列向量。

库所反向置信度推理矩阵与正向相同。

图1所对应的库所含义如下表格：

表1

为了能清晰说明本发明所用的方法，选取部分模型进行演绎推理，部分模型如图2所示。采用步骤3的方法，确定设定库所初始置信度、权值、变迁可信度和阈值：

库所初始置信度：α₀＝(0.8,0.76,0.9,0.92,0.87,0.7,0,0,0,0,0,0,0,0)^T；

库所事件的权值：Ω＝(1.0,1.0,1.0,0.6,0.4,1.0,1.0,1.0,1.0,1.0,1.0,1.0,1.0,1.0,1.0)^T；

变迁阈值均设为0.5；

变迁规则可信度：

U＝diag(0.8,0.76,0.9,0.92,0.87,0.8,0.7,0.729,0.711,0.8,0.82,0.87,0.9,0.8)。

将α₀，O，U，I带入置信度推理矩阵求出，推理计算出：α₁＝(0.8,0.76,0.9,0.92,0.87,0.8,0.7,0.729,0.711,0.8,0.72,0,0,0.574,0)^T；α₂＝(0.8,0.76,0.9,0.92,0.87,0.8,0.7,0.729,0.711,0.8,0.72,0.649,0.576,0.574,0.459)^T；α₃＝(0.8,0.76,0.9,0.92,0.87,0.8,0.7,0.729,0.711,0.8,0.72,0.649,0.576,0.574,0.565)^T；

α₄＝α₃推理结束，获得各库所事件的置信度。以此作为正反推理的库所置信度数据。

电机运行时，若没有故障发生，但通过监测或监管人员预测到故障征兆，本文假设在线检测到如下故障征兆：“转子绕组断路”、“熔断器熔体故障”、“环境恶劣”时，其初始标识向M₀＝(0,0,1,0,0,1,1,0,0,0,0,0,0,0,0)^T，如图3所示。

将α₃带入变迁预使能判别矩阵得到变迁预使能向量y＝(1,1,1,1,1,1,1,1,1,1,1,1,1,1)^T。

将初始数据和y相应地带入变迁点火判别矩阵进行推理演绎，得到点火向量及每次点火后的库所标识向量：Y₁＝(0,0,1,1,0,1,0,0,0,0,1,0,0,0)^T，M₁＝(0,0,1,0,0,1,1,1,1,0,1,0,0,1,0)^T；Y₂＝(0,0,0,0,0,0,1,1,0,1,0,0,0,1)^T，M₂＝(0,0,1,0,0,1,1,1,1,0,1,1,1,1,1)^TY₃＝(1,1,1,1,1,1,1,1,1,1,1,1,1,1)^T，M₃＝(0,0,1,0,0,1,1,1,1,0,1,1,1,1,1)^T；Y₄＝(0,0,0,0,0,0,0,0,0,0,0,1,1,0)^T。

Y₄＝Y₃推理结束。模型库所最终标识向量为M₃故障信息预测传播路径如图4所示。从图中可以清晰看出p₈,p₉,p₁₁,p₁₂,p₁₃,p₁₄,p₁₅为故障征兆可能引发的故障，工作人员可以根据如图所示的故障预测信息和相应库所的置信度依次、有效的检查相应部件，进而提高电机运行的可靠性。

当发现有故障发生时，如“电机运行过热”，其初始标识向量 其故障token分布如图5所示。将α₃带入变迁预使能判别矩阵得到逆向变迁预使能向量y^—＝(1,1,1,1,1,1,1,1,1,1,1,1,1,1)^T。

将I^—，O^—，y^—带入反向变迁点火矩阵中，演绎推理，依次得到逆向变迁点火向量和逆向点火后系统token分布情况的标识向量：

推理结束，即有可能引发“电机运行过热”的原因如图6所示，引发p₁₂故障最小割集为G₁＝{p₁}，G₂＝{p₂}，G₃＝{p₃}，G₄＝{p₃·p₄}，G₅＝{p₅}。根据定义求得最小割集发生率f(G₁)＝0.8，f(G₂)＝0.76，f(G₃)＝0.9，f(G₄)＝0.91，f(G₅)＝0.87，据此可知G₄的故障发生率最高，应先诊断G₄故障源，如果G₄未发生故障，则按照优先顺序依次诊断G₃、G₅、G₁、G₂。逆向推理可为故障诊断提供依据，改变传统故障诊断过程中的复杂性和不确定性，提高诊断的效率。

以上所述，仅为本发明较佳的具体实施方式，本发明的保护范围不限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，可显而易见地得到的技术方案的简单变化或等效替换均落入本发明的保护范围内。

Claims (3)

1.一种检测三相异步电动机故障的方法，其特征在于，包括以下步骤：

步骤1、根据电机出现的故障事件，找出故障发生的直接或间接原因，建立故障事件的逻辑关系；

步骤2、根据Petri网的可达性结合步骤1中的逻辑关系，构建电机的模糊故障Petri网的故障检测模型；

步骤3、综合模糊规则、专家知识、及历史数据，利用模糊统计法的方法，确定初始库所置信度、权值、变迁可信度和阈值；

步骤4、利用矩阵推理对电机进行故障检测和诊断；

步骤4中的故障检测与诊断为全矩阵模式的正反推理方式；正向推理是在电机无故障发生时，通过在线监测设备预测可能出现的故障，实现对系统故障严重程度的评价和传播途径的描述；反向推理是当系统发生故障时，根据所产生的故障现象，通过矩阵进行反向推理，追溯最可能的故障源，即底层库所，为设备的诊断维修提供依据，从而为提高设备系统的可靠性提供有效的方法；为了更好的进行矩阵推理，定义如下算子：

(1)比较算子Θ：C＝AΘB，A，B和C均为m×n矩阵，当a_ij＞b_ij时，C_ij＝1；当a_ij＜b_ij时，C_ij＝0，i＝1,2,…,m；j＝1,2,…,n；

(2)取小算子∧：C＝A∧B，A,B和C均为m×n矩阵，C_ij＝min(a_ij,b_ij)，i＝1,2,…,m；j＝1,2,…,n；

(3)取大算子A，B和C均为m×n矩阵C_ij＝max(a_ij,b_ij)，i＝1,2,…,m；j＝1,2,…,n；

(4)乘法算子A，B和C分别为m×q，q×n，m×n矩阵，i＝1,2,…,m；j＝1,2,…,n；

(5)直乘算子Δ：C＝AΔb，A和C分别为m×n，n×m矩阵，b为n维向量，则C_ij＝a_ij·b_i，i＝1,2,…,m；j＝1,2,…,n；

首先，正向推理矩阵包括库所置信度推理矩阵、变迁点火矩阵和故障状态标识推理矩阵，只有满足变迁点火条件，相关库所中的故障token才能传递到后置库所，而变迁点火矩阵又需要前置库所置信度为依据；

库所置信度推理矩阵为U为变迁规则可信度矩阵；

其中O为Petri网输出矩阵；

变迁点火矩阵为：

其中y＝(y₁,y₂,…,y_n)^T为变迁预使能判别矩阵；如果变迁满足点火条件，则点火向量元素y_i＝1，否则y_i＝0；H为变迁阈值向量；

G(x)＝I^←·α_k，G(x)＝(g₁,g₂,…,g_n)^T，表示库所置信度与权值的等效和值n维列向量，

当有p_i至t_j的有向弧时，当有t_j至p_i的有向弧时，其中i＝1,2,…m，j＝1,2,…,m；

λ代表变迁阈值，q要足够大，使得x＞λ时，x＜λ时，

I为petri网输入矩阵；

为故障状态标识推理矩阵，M_k为故障状态标识向量，代表故障token在模型库所中的分布及传播途径；

反向推理为正向推理的逆，因此我们先定义逆向推理的输入、输出库所分别为正向输出、输入库所；即I^-＝O，O^-＝I；如果故障源库所有多个，则根据最小割集故障发生率来确定优先诊断顺序；若库所最小割集的故障率的集合F＝{f₁,f₂,...,f_n}，则最小割集故障发生率为

反向推理也包括反向变迁点火矩阵和库所置信度推理矩阵；反向变迁点火矩阵为

其中为第k次逆向点火时的逆网使能变迁序列；

l_m＝(1,1,…1)^T为m维列向量；

库所反向置信度推理矩阵与正向相同。

2.根据权利要求1所述的检测三相异步电动机故障的方法，其特征在于，所述步骤2中的模糊故障Petri网定义为一个10元组：

S_FFPN＝(P,T,I,O,M,Ω,α,F,H,U)

(1)P＝{p₁,p₂,…,p_n}＝{p_i}为故障库所集合，代表电机所发生的故障，所述故障包括：“熔断器熔体故障”，“转子绕组短路”，“电机扫膛”，“轴承过度磨损”；

(2)M＝(m₁,m₂,…,m_n)^T＝(m_i)^T为库所标识向量，m_i代表其对应库所p_i的托肯的数目为1或0，m_i＝1表示p_i库所有token，即库所代表的故障事件发生；

(3)α＝(α₁,α₂,…,α_n)^T＝(α_i)^T为库所置信度n维向量，α_i为库所p_i的置信度，表示p_i代表的故障事件发生的真实程度的置信度；

(4)Ω＝(ω₁,ω₂,…,ω_n)^T为库所权值n维向量，表示输入库所p_i对变迁规则t的影响程度，满足p_k∈I(t)且

(5)F＝{f₁,f₂,…f_n}为库所最小割集的故障率的集合，表示库所p_i代表的故障事件发生的概率大小；

(6)H＝(λ₁,λ₂,…λ_n)^T＝(λ_i)^T，λ_i表示变迁t_i点火的阈值；

(7)U＝diag(μ₁,μ₂,…μ_n)＝diag(μ_i)，μ_i表示规则变迁t_i的可信度。

3.根据权利要求1所述的检测三相异步电动机故障的方法，其特征在于，步骤2的(3)中底层库所置信度由专家知识、历史经验，辅助于置信度模糊统计法得到，而当变迁t预使能，如果预使能变迁t触发点火，在后继的库所p_oj产生一个新的置信度α(p_oj)。