CN106124985B - 一种无刷直流电机的退化特征趋势提取方法 - Google Patents

一种无刷直流电机的退化特征趋势提取方法 Download PDF

Info

Publication number
CN106124985B
CN106124985B CN201610428375.7A CN201610428375A CN106124985B CN 106124985 B CN106124985 B CN 106124985B CN 201610428375 A CN201610428375 A CN 201610428375A CN 106124985 B CN106124985 B CN 106124985B
Authority
CN
China
Prior art keywords
direct current
motor
current motor
brushless direct
brushless
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
CN201610428375.7A
Other languages
English (en)
Other versions
CN106124985A (zh
Inventor
王晓红
王立志
范文慧
宣金泉
李大伟
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.)
Suzhou Tianhang Changying Technology Development Co ltd
Original Assignee
Beihang University
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 Beihang University filed Critical Beihang University
Priority to CN201610428375.7A priority Critical patent/CN106124985B/zh
Publication of CN106124985A publication Critical patent/CN106124985A/zh
Application granted granted Critical
Publication of CN106124985B publication Critical patent/CN106124985B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/34—Testing dynamo-electric machines
    • G01R31/343—Testing dynamo-electric machines in operation

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Control Of Electric Motors In General (AREA)
  • Tests Of Circuit Breakers, Generators, And Electric Motors (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
  • Control Of Motors That Do Not Use Commutators (AREA)

Abstract

本发明公开了一种无刷直流电机的退化特征趋势提取方法：由加速度传感器采集无刷直流电机运行过程中振动信号，以振动加速度信号作为电机性能参数，用全频域能量均值分析振动加速度信号的变化趋势，表征无刷直流电机的退化过程。包括以下步骤：1)被测无刷直流电机与测试设备安装；2)振动信号采集；3)EMD分解；4)计算边际能量谱；5)计算全频域能量谱均值；6)生成退化特征趋势。

Description

一种无刷直流电机的退化特征趋势提取方法
技术领域
本发明涉及寿命试验技术，具体而言，涉及一种无刷直流电机的退化特征趋势提取方法。
背景技术
无刷直流电机具有良好的机械性能，寿命长、噪声低，因而在航空、军事、家用电器等行业内都被广泛的应用。无刷直流电机属于旋转机械设备，结构中包含关键的机械部件，在长期运转过程中，内部会产生疲劳和磨损缺陷，是导致旋转机械系统性能下降及失效的主要因素之一。然而如何在使用过程中感知这种性能的变化规律及寿命阶段，是比较困难的，而且随着材料科学的发展和工艺水平的进步，产品的可用寿命越来越长，常规应力下的寿命试验也难以获取足够的寿命数据。
随着机械设备技术的发展，人们对电机的运行速度、承载能力、使用寿命、维护便捷性等方面提出了更高的要求，在这样的需求之下，关于电机状态监测及寿命预测的研究已经逐步的深入。但由于无刷直流电机难以获取足够的寿命数据，基于失效数据的寿命预测方法数据不足，精度不高，因而需要通过提取无刷直流电机运行过程中的退化特征，进行退化趋势的分析和运行状态的预估。目前已有大量通过振动信号进行机械系统故障诊断的研究成果，但这类研究的目的主要集中于将已发生故障与振动信号特性相对应，用于故障的监测及类别的诊断。
发明内容
本发明的目的是为了解决无刷直流电机缺乏寿命及退化数据，难以进行状态预估及寿命预测的问题，提出了基于无刷直流电机振动信号分析的退化特征趋势提取方法。
该方法通过采集无刷直流电机运行过程中振动信号，从产生过程的角度来描述无刷直流电机的故障，分析振动信号性能参数的变化趋势，用于表征和预测无刷直流电机的退化过程。主要包括以下步骤：
步骤一、被测无刷直流电机与测试设备安装；
步骤二、振动信号采集；
步骤三、EMD分解；
步骤四、计算边际能量谱；
步骤五、计算全频域能量谱均值；
步骤六、生成退化特征趋势。
与现有技术相比，上述无刷直流电机的退化特征趋势提取方法能够实现以下技术效果：
1)对无刷直流电机进行无失真振动信号采集；通过采集方式及夹具设计保证采集到的振动信号与无刷直流电机本体振动信号退化特征一致。
2)采用振动信号作为无刷直流电机性能退化参数；无刷直流电机在运行状态发生改变的过程中，其振动方式和特征会相应发生趋势性变化，因而采用振动信号作为性能退化参数最为直接，所包含的电机运行状态特征最丰富；
3)采用振动加速度信号全频域能量均值作为退化趋势的表征参数；全频域能量均值包含电机运行过程中各个频率成分的能量变化情况，不局限于识别某类特定的故障，能够包含各类机械故障所引起的振动信号能量变化信息。
附图说明
图1示出了本方法的方法流程图；
图2示出了无刷直流电机安装方式俯视图；
图3示出了无刷直流电机安装方式主视图；
图4示出了EMD分解结果示例；
图5示出了Hilbert时频分布图示例；
图6示出了Hilbert边际能量谱示例；
图7示出了信号成分fS能量退化趋势图示例；
图8示出了信号成分fN能量退化趋势图示例。
具体实施方式
本发明是一种无刷直流电机的退化特征趋势提取方法，流程图如图1所示。下面结合附图说明本发明所述方法的具体实施方式，包括以下几个步骤：
步骤一、被测无刷直流电机与测试设备安装；
测试中，将无刷直流电机采用刚性连接方式固定在试验夹具中心，轴向垂直于水平面。安装方式如图2与图3所示。试验夹具要求在X-Y平面以90°旋转角旋转对称，即在X方向与Y方向不会因夹具形状影响而产生不同振动特征的振动信号。若受电机结构的限制，不能够将加速度传感器直接安装于电机主体，则将加速度传感器安装在夹具上靠近电机中心位置，最大限度避免信号失真及与电机本体无关的系统外界设备干扰。加速度传感器的输出端连接至数据采集装置的输入端，数据采集装置的输出端连接至计算机。
振动信号采集在常规工作状态下进行，即无刷直流电机采用带载运行。运行过程中，保证无刷直流电机刚性连接的附带设备在电机长期运行过程中状态不变，且保证附带设备不产生随时间明显变化的振动。
步骤二、振动信号采集；
将无刷直流电机及其刚性连接附带设备视为被采集系统，振动信号采集频率至少为被采集系统工作时主频率成分的两倍，采集方向为电机径向。针对多旋翼无人机所用无刷直流电机的旋转速度特性，将无刷直流电机极其刚性连接附带设备视为被采集系统，振动信号采集频率选择2048Hz，重点分析振动信号0-1024Hz内频率成分。参考被测电机一般工作时长，选择信号采集间隔时间。
无刷直流电机振动信号采样频率为f＝2048Hz，每间隔T0，进行时长为(tn-t1)的一次采样，采集样本总量为N，第p个样本内各采样时间点Tp(t1,t2,…,tn)对应振动加速度值分别为Ap(a1,a2,…,an)，p∈N。其中，tj-tj-1＝1/f，j∈[1,n]。
步骤三、EMD分解；
对无刷直流电机振动信号样本Ap(a1,a2,…,an)，进行Hilbert-Huang变换。具体步骤如下：将样本Ap(a1,a2,…,an)作为离散信号xp(t)，xp(t)通过经验模态分解(EmpiricalMode Decomposition,EMD)为m个IMF分量c1,c2,…cm以及一个趋势项rm，即：
Figure BDA0001019889040000031
步骤四、计算边际能量谱；
忽略趋势项，对每一个IMF分量进行Hilbert变换，计算瞬时频率和瞬时幅值，则可得到Hilbert时频分布：
Figure BDA0001019889040000032
如果将信号xp(t)的能量密度定义为|xp(t)|2，则相应的Hp 2(f,t)称为Hilbert能量谱。
对Hilbert能量谱进行时间t的积分，可以得到Hilbert边际能量谱：
Figure BDA0001019889040000033
无刷直流电机边际能量谱Ep(f)内包括两类成分：一类为机械旋转产生的简谐信号成分fS＜100Hz，其频率与无刷直流电机旋转频率对应；另一类为无刷直流电机运转产生的噪声成分fN＞100Hz，包括附带设备由于电机运转激振产生的噪声。即：
Ep(f)＝Ep(fS)+Ep(fN)
运转过程中，fS成分保持与无刷直流电机旋转频率一致，而噪声频率成分fN会随着电机寿命损耗的增加、因机械结构微小变化逐渐发生能量值及成分的趋势性变化。
步骤五、计算全频域能量谱均值；
为了能够全局描述各频率成分及能量的变化，可根据Hilbert边际能量谱求得两部分全频域能量均值作为该采样时间点的退化特征量值：
Figure BDA0001019889040000041
步骤六、生成退化特征趋势；
建立各个采样点的全频域能量SpS、SpN与时间Tp的函数关系如下：
SpS＝ψ(Tp)
Figure BDA0001019889040000042
SpS-Tp及SpN-Tp函数关系用于描述振动信号在无刷直流电机整个寿命过程中的性能特征值退化过程。
下面以多旋翼无人机所使用无刷直流电机的退化特征趋势提取试验为例，说明各步骤操作方法及输出结果：
步骤一、被测无刷直流电机与测试设备安装；
将无刷直流电机按照图2与图3所示安装于试验夹具上，水平方向加速度传感器安装于试验夹具侧面，垂直方向加速度传感器安装于夹具上表面。
振动信号采集在常规工作状态下进行，无刷直流电机运行过程中安装螺旋桨运转。
步骤二、振动信号采集；
振动信号采集频率选择2048Hz，参考多旋翼无人机一般工作时长，选择信号采集间隔时间为1小时，每次采样时长1s。例如第p个样本为Ap(a1,a2,…,a2048)＝(0.02556,0.06255,…,0.03927)。
步骤三、EMD分解；
将振动信号样本Ap(a1,a2,…,a2048)，进行Hilbert-Huang变换。可得到个IMF分量即趋势项RES＝rm(t)，分解结果如图4所示。
步骤四、计算边际能量谱；
忽略趋势项RES＝rm(t)，对每一个IMF分量进行Hilbert变换，计算瞬时频率和瞬时幅值，则可得到Hilbert时频分布图如图5所示，对Hilbert能量谱进行时间t的积分，可以得到Hilbert边际能量谱如图6。
由无刷直流电机边际能量谱可观察到，其中Ep(f)内包括两类成分：一类为机械旋转产生的简谐信号成分fS≈40Hz，其频率与无刷直流电机旋转频率对应；另一类为无刷直流电机运转产生的噪声成分fN∈(600,1000)，包括附带设备由于电机运转激振产生的噪声。
步骤五、计算全频域能量谱均值；
将无刷直流电机边际能量谱大致分为两段有效成分：简谐信号成分0-100Hz与噪声成分600-1000Hz，分别计算第p个样本两段频域范围的能量均值SpS、SpN。
步骤六、生成退化特征趋势。
建立SpS、SpN与时间Tp，p∈(1,2,…,570)，的函数关系并绘图分别如图7与图8所示。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种无刷直流电机的退化特征趋势提取方法，其内容在于，采集无刷直流电机运行过程中振动信号，分析振动信号性能参数变化趋势，表征无刷直流电机的退化过程，包括以下步骤：
步骤一、被测无刷直流电机与测试设备安装；
步骤二、振动信号采集；
步骤三、EMD分解；
步骤四、计算边际能量谱；
步骤五、计算全频域能量谱均值；
步骤六、生成退化特征趋势；
所述步骤一中，无刷直流电机采用刚性连接方式固定在试验夹具中心，试验夹具在X-Y平面以90°旋转角旋转对称，电机轴与Z轴同向，垂直于水平面；
振动信号采集在常规工作状态下进行，即无刷直流电机采用带载运行；
所述步骤四中无刷直流电机振动信号边际能量谱Ep(f)内包括两类成分：一类为机械旋转产生的简谐信号成分fS＜100Hz，其频率与无刷直流电机旋转频率对应；另一类为无刷直流电机运转产生的噪声成分fN＞100Hz，及其附带设备由于电机运转激振产生的噪声。
2.根据权利要求1所述一种无刷直流电机的退化特征趋势提取方法，其特征在于，所述步骤二中振动信号为加振动加速度信号，由加速度传感器采集，采集方向为电机径向。
3.根据权利要求1所述一种无刷直流电机的退化特征趋势提取方法，其特征在于，所述步骤五中振动信号性能参数为全频域能量均值。
4.根据权利要求3所述一种无刷直流电机的退化特征趋势提取方法，其特征在于，全频域能量均值指由无刷直流电机振动信号边际能量谱Ep(f)内两部分Ep(fS)与Ep(fN)求得的SpS与SpN：
Figure FDA0002314161400000011
Figure FDA0002314161400000021
5.根据权利要求1所述一种无刷直流电机的退化特征趋势提取方法，其特征在于，所述步骤六中退化特征趋势通过建立全频域能量谱均值与时间的函数关系SpS＝ψ(TP)与
Figure FDA0002314161400000022
得到。
CN201610428375.7A 2016-06-16 2016-06-16 一种无刷直流电机的退化特征趋势提取方法 Active CN106124985B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610428375.7A CN106124985B (zh) 2016-06-16 2016-06-16 一种无刷直流电机的退化特征趋势提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610428375.7A CN106124985B (zh) 2016-06-16 2016-06-16 一种无刷直流电机的退化特征趋势提取方法

Publications (2)

Publication Number Publication Date
CN106124985A CN106124985A (zh) 2016-11-16
CN106124985B true CN106124985B (zh) 2020-03-13

Family

ID=57469772

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610428375.7A Active CN106124985B (zh) 2016-06-16 2016-06-16 一种无刷直流电机的退化特征趋势提取方法

Country Status (1)

Country Link
CN (1) CN106124985B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109031121A (zh) * 2018-09-06 2018-12-18 安徽安凯汽车股份有限公司 一种新能源车驱动电机在线诊断系统
CN112539827B (zh) * 2020-12-04 2021-10-01 五凌电力有限公司 基于频率能量占比的机组机械振动评估方法和系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5736655A (en) * 1995-07-14 1998-04-07 Kabushiki Kaisha Toshiba Method for evaluating a remaining life of a rotating machine coil
CN102183366A (zh) * 2011-03-08 2011-09-14 上海大学 滚动轴承振动测量和故障分析装置及方法
CN105352588A (zh) * 2015-09-08 2016-02-24 北京航空航天大学 无刷直流电机振动检测系统设计

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
IL124932A0 (en) * 1998-06-16 1999-01-26 Mea Motor Inspection Ltd Method and apparatus for testing rotating machines
CN204044322U (zh) * 2014-06-30 2014-12-24 浙江耐斯特电机有限公司 一种电机测试台
CN204515090U (zh) * 2015-04-28 2015-07-29 湘潭如意电机电器有限公司 一种电机性能检测装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5736655A (en) * 1995-07-14 1998-04-07 Kabushiki Kaisha Toshiba Method for evaluating a remaining life of a rotating machine coil
CN102183366A (zh) * 2011-03-08 2011-09-14 上海大学 滚动轴承振动测量和故障分析装置及方法
CN105352588A (zh) * 2015-09-08 2016-02-24 北京航空航天大学 无刷直流电机振动检测系统设计

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
"基于振动信号分析的电机性能退化特征提取";王立等;《计算机仿真》;20140430;第31卷(第4期);参见第417-419页 *

Also Published As

Publication number Publication date
CN106124985A (zh) 2016-11-16

Similar Documents

Publication Publication Date Title
Yang et al. Vibration signal analysis using parameterized time–frequency method for features extraction of varying-speed rotary machinery
Qin A new family of model-based impulsive wavelets and their sparse representation for rolling bearing fault diagnosis
Liu et al. Fault diagnosis of industrial wind turbine blade bearing using acoustic emission analysis
Delgado-Arredondo et al. Methodology for fault detection in induction motors via sound and vibration signals
Lu et al. Online fault diagnosis of motor bearing via stochastic-resonance-based adaptive filter in an embedded system
Guo et al. Faulty bearing signal recovery from large noise using a hybrid method based on spectral kurtosis and ensemble empirical mode decomposition
CN109000921B (zh) 一种风电机组主轴故障的诊断方法
Chen et al. Integrated early fault diagnosis method based on direct fast iterative filtering decomposition and effective weighted sparseness kurtosis to rolling bearings
Su et al. Fault diagnosis of rotating machinery based on wavelet domain denoising and metric distance
WO2020057066A1 (zh) 基于增强调制双谱分析的滚动轴承故障诊断方法
Haddad et al. Outer race bearing fault detection in induction machines using stator current signals
CN111999087A (zh) 基于LabVIEW的振动筛在线状态监测方法
CN106124985B (zh) 一种无刷直流电机的退化特征趋势提取方法
Lin et al. A review and strategy for the diagnosis of speed-varying machinery
Sun et al. A novel rolling bearing vibration impulsive signals detection approach based on dictionary learning
Lu et al. CEEMD-assisted bearing degradation assessment using tight clustering
CN111738068A (zh) 一种转速波动工况下的传动轴故障诊断方法和系统
CN109934136B (zh) 基于Duffing振子和本征模式分量的滚动轴承故障诊断方法
Zhang et al. Compound fault diagnosis of aero-engine rolling element bearing based on CCA blind extraction
Zhang et al. Wind turbine planetary gearbox fault diagnosis via proportion-extracting synchrosqueezing chirplet transform
Chatterton et al. Optimal frequency band selection for the square envelope spectrum in the diagnostics of rolling element bearings
Wang et al. A Two‐Stage Compression Method for the Fault Detection of Roller Bearings
Liu Fault diagnosis based on SWPT and Hilbert transform
Ma et al. Envelope demodulation method based on SET for fault diagnosis of rolling bearings under variable speed
Thanagasundram et al. Autoregressive based diagnostics scheme for detection of bearing faults

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20210407

Address after: 215000 no.1-3-201, hangqiao Road, hejiajiao village, Wangting Town, Xiangcheng District, Suzhou City, Jiangsu Province

Patentee after: Suzhou Hangda Technology Innovation Development Co.,Ltd.

Address before: 100191 No. 37, Haidian District, Beijing, Xueyuan Road

Patentee before: BEIHANG University

TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20231108

Address after: 215000 No.1-3, hangqiao Road, hejiajiao village, Wangting Town, Xiangcheng District, Suzhou City, Jiangsu Province

Patentee after: Suzhou Tianhang Changying Technology Development Co.,Ltd.

Address before: 215000 no.1-3-201, hangqiao Road, hejiajiao village, Wangting Town, Xiangcheng District, Suzhou City, Jiangsu Province

Patentee before: Suzhou Hangda Technology Innovation Development Co.,Ltd.