CN107003665A - 用于评估连接到电马达的旋转机械的状态的方法 - Google Patents
用于评估连接到电马达的旋转机械的状态的方法 Download PDFInfo
- Publication number
- CN107003665A CN107003665A CN201580044982.7A CN201580044982A CN107003665A CN 107003665 A CN107003665 A CN 107003665A CN 201580044982 A CN201580044982 A CN 201580044982A CN 107003665 A CN107003665 A CN 107003665A
- Authority
- CN
- China
- Prior art keywords
- state
- power train
- electric current
- voltage
- frequency
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/02—Gearings; Transmission mechanisms
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
- G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Automation & Control Theory (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Control Of Electric Motors In General (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明的主题是用于评估连接到电马达的旋转机械的状态的方法和计算机程序,其中马达(MM)和旋转机器(RM)包括从三相马达所供电的传动系,以及所述马达与计算装置连接。本发明的特征在于包括下列步骤:借助于通过使用所训练的神经网络来分析从自所述传动系的电马达(MM)所获取的电信号所得到的所有所提取代表特征,来分类连接到具有未知状态的传动系的电马达(MM)的旋转机器(RM)的状态,其训练通过分析从N个状态的N个不同传动系所提取的特征来进行,其中所述所训练的神经网络数据存储在计算装置(CD,CD')的单元(3.5)中;并且接下来生成输出向量(Z=[Z1..ZN]),其中向量(Z)具有N个元素,以及如果输出向量Z包含仅一个具有等于1的值的元素并且其余元素值等于0,则确定具有等于1的值的元素的索引(i),所述索引(i)指示分析下的传动系的状态等于N个可用的已知传动系状态的第i个状态。
Description
技术领域
本发明的主题是用于评估连接到电马达的旋转机械的状态的方法和计算机程序,其中马达和旋转机械包括从三相马达所供电的传动系,以及所述马达与计算装置连接。
引起本发明的工作根据赠与协议NO PITN-GA-2010-264940已经接收来自欧盟第七框架计划(FP7/2007-2013)的资助。
背景技术
当今,工业中存在越来越多的认识:资产监测是促进资源效率的关键。存在对于更先进的资产管理方法的增加的要求。此外,客户开始基于是否可监测组件状态来选择个别组件。例如,变速箱常常形成旋转机械传动系的重要部分,从而在诸如其中石油和天然气(在压缩机或泵的传动系中)、采矿(在驱动传送带中)或船舶(在推进传动系中)的工业中发现应用。变速箱的任何停工期能够对客户导致大损失。监测旋转机械的状态的标准方法包含使用外壳安装加速计的振动分析以及油碎屑(oil debris)分析。在油碎屑分析的情况下,最近的趋势是使用在线/联机油碎屑传感器。这个传感器连接到变速箱的润滑油回路,以便捕获来自齿轮的磨损颗粒。另一方面,科学文献中存在一种新兴趋势,其与分析电信号(具体来说是定子电流)以便评价连接到电马达的旋转机械的健康相关。
问题陈述
由于空间限制或环境关注,不是总有可能为具有油碎屑或振动传感器的轴线组件装备仪表。此外,安装到传动系的组件的传感器可被认为是‘有创的’,因为它们直接安装在系统的旋转机械上。因而断定,为了应用基于这些传感器的状态监测方式,机器的操作将必须停止,以便安装传感器。在这种状况中,识别组件的健康的无创方法将会是优选的。虽然外壳安装传感器、例如加速计可被认为是无创的,但是它们经受例如传输路径影响。标准传感器、例如加速计通常是外壳安装的。通常,系统的相关动态出现于设备的旋转元件上,从其故障特征经过该结构传播到外壳安装传感器。传播路径(其通常将与逐个安装有所不同)能够起作用以便对于对诊断有用的动态的一些进行调制和滤波。因此,能够难以使用标准方法正确设置系统的报警阈值等级。电信号的分析潜在地提供一种解决方案,其不太受这类不定性的影响,因为电信号形成系统的组成部分。如先前所述,存在一种新兴趋势,其与分析电信号、具体来说是定子电流以评价连接到电马达的旋转机械的健康相关。但是,电马达是复杂系统,特别是当考虑转子和定子磁通量的交互以及磁链与滑移之间的链接时,并且至今没有完全准确理解与驱动线组件中的故障相关的扭转振荡如何转化成定子电流。在电机由驱动器来供应的情况下,这个问题进一步复杂化,因为逆变器的控制动作能够起作用以使供应给电马达的电压失真。因此,虽然已经证明,传动系组件的故障特征能够出现在电信号中,但是仍然能够证明难以设置这些新技术的报警阈值。神经网络能够潜在地避免这些问题;如果提供足够多的不同训练事例,则训练网络将包含对传动系中的电机与其他组件之间的交互的‘理解’,并且因此将能够评估系统的健康。美国专利描述US20070282548A1描述一种方法,其中来自电马达的电信号(电流和电压)用来计算阻抗,并且然后这个阻抗借助于神经网络来处理,以搜索能够指示驱动机械系统的已知故障的模式,在这种方式中,从阻抗的实和复合波形所提取的特征用来训练神经网络。同样,欧洲专利EP1398119B1描述一种通过由神经网络应用对电信号的模式识别来检测电钻中的转子阻塞(jamming)的方法。另一方面,Baqqar等人在“A General Regression Neural Network Model forGearbox Fault Detection using Motor Operating Parameters”中示出应用神经网络经过回归(而不是用于分类)来构建数据驱动模型以用于变速箱的故障检测。这些方式按照不同方式(分类和回归)来使用神经网络,但是除了正确神经网络训练之外,神经网络成功应用于分类目的的另一重要方面还依靠在训练过程期间提供给神经网络的信息。代表特征与神经网络的正确训练的组合使用保证神经网络分类能力的可靠性。在本发明中给出对分类的应用的解决方案。
发明内容
本发明提供如权利要求1-4所述的用于评估连接到电马达的旋转机械的状态的方法以及如权利要求5-8所述的用于评估连接到电马达的旋转机械的状态的计算机程序。本发明还提供包括与旋转组件所连接的电马达的传动系,其中马达与计算装置连接,所述计算装置包括用于执行如权利要求1-4所述的步骤的部件。
所公开的本发明的主要优点在于,通过使用神经网络来分析马达电流和电压,技术的利用仅要求获取电信号,而无需机电传感器、例如加速计,因此提供具有高可靠性的最小有创方式。
具体实施方式
在附图所示的实施例中解释按照本发明的方法,其中,图1呈现具有未知状态的传动系,其连接到具有用于实现按照本发明的方法的部件的处理器的计算装置;图2呈现连接到计算装置的N个不同传动系,其中各传动系的状态是已知的,并且用于训练目的;图3是示出在计算装置的信号处理单元中进行的操作的示例的简图;图4是示意示出在计算装置的特征提取单元中得到的特征的一些示例的简图;图5呈现计算装置的训练和分类单元中包含的神经网络结构的示例,其中该结构适合于通过分析K+M+R个输入信号来评估N个状态;图6示出按照本发明、评估连接到电马达的旋转组件的状态的示例的流程图。
在示例系统中,由在研究中的传动系组成的示例系统在图1中呈现,其由从三相电源所供电的电马达MM以及连接到马达的旋转机器RM来组成。在示例实施例中,旋转机器是变速箱。电马达MM连接到具有适合于实现按照本发明的方法的六个单元3.1-3.6的计算装置CD。计算装置CD包括:
数据获取单元3.1,用于从电马达MM来获取电流(IA、IB、IC)和电压(UA、UB、UC)信号,
信号处理单元3.2,用于将所获取信号处理为不同编组的信号,
特征提取单元3.3,用于从所处理信号中将特征提取为不同编组的特征,
训练和分类单元3.4,用于采用来自N个不同传动系的数据来训练神经网络以用于分类已知N个传动系的状态,所述训练和分类单元3.4配备有分类器系统3.4.1,
数据存储单元3.5,用于存储从图2所呈现的N个不同传动系所得到并且在图5所呈现的神经网络的训练期间所记录的数据,
用户通知单元3.6,用于检查在研究中的传动系(train drive)的健康状态并且用于显示研究结果。
相同计算装置CD(CD’)可用于执行所呈现的神经网络的训练,如图2所呈现的。这个计算装置CD(CD’)配备有用于采用来自与其连接的N个不同传动系的数据来训练神经网络的单元3.1 – 3.6,其中各传动系的状态是已知的,并且指示为状态1、状态2、…状态N。
在示例系统中,一组N个传动系在图2中呈现,其中各传动系由电马达MM’和旋转机器RM’(其也是变速箱)来组成(N≥2)。N个传动系的每个由相同类型和型号的电马达和旋转机器来组成,电机的状态被认为是健康的,并且旋转电机的每个具有已知状态,其中至少一个旋转机器状态对应于健康的,而其余的旋转机器状态对应于有故障的,其指示为状态1、状态2、…状态N。马达MM’的每个连接到计算装置CD或CD’,其具有六个单元3.1 – 3.6,其适合于使用神经网络以便实现按照本发明的方法。计算装置CD或CD’配备有处理器,其具有所有上述单元、标准存储器RAM、ROM和附图中未呈现的其他典型硬件。计算装置可以是具有与其连接的外围装置以用于显示或打印评估结果的典型计算机或PC。评估结果将触发用于安全性的另一个动作,从而保持所研究的传动系的连续性,其没有在附图中呈现。
按照本发明的方法按照下列步骤来实现:
步骤0。预备。
准备用于研究的传动系(图1),其未知状态需要被评估。所述传动系具有马达MM和旋转机器RM(例如变速箱)。旋转组件RC在未知状态下工作。代替变速箱,压缩机、泵、风扇或者任何其他类型的旋转机械可连接到电马达。
步骤0’。预备。
准备N个预备传动系(N≥2)(图2),其中各传动系由马达MM的相同类型和型号的马达MM’和旋转机器RM的相同类型和型号的旋转机器RM’来组成。所有传动系状态是不同的并且是先验已知的。具有马达MM’1的传动系的已知状态命名为状态1,具有状态MM’2的传动系的已知状态命名为状态2,依此类推,一直到具有MM’N马达并且具有状态N的传动系。N个传动系的至少一个具有健康状态。
步骤1’。数据获取。
从N个不同传动系的马达进行电流(IA1、IA2…、IAN;IB1、IB2…IBN;IC1、IC2…ICN)和电压(UA1、UA2…UAN;UB1、UB2…UBN;UC1、UC2…UCN)的电信号的数据获取。这个数据获取在数据获取活动(campaign)中进行,其中获取代表数据量,其中,数据量通过计算装置CD或CD’的数据获取单元3.1的取样频率以及各数据获取活动的时长(单位为秒)来确定。在各数据获取活动中获取的数据表示一个数据集。数据集的总量为G(其中G为自然数)。要求至少10个数据集(G=10)以进行与神经网络的分类器训练阶段有关的接下来的步骤。在G个获取活动之后,数据集的总量G在计算装置CD或CD’的数据获取单元3.1中是可用的。
步骤2’。信号处理。
一旦获取了电信号,则在信号处理单元3.2中按照下列三种方式来处理其时间波形:
a) 通过将陷波滤波器应用于电流(IA1、IA2…IAN)和电压(UA1、UA2…UAN)信号以便去除基频分量,并且得到滤波电流波形Wc和滤波电压波形Wv,
b) 通过将傅立叶变换应用于滤波电流Wc和滤波电压波形Wv以便得到电流的频谱Sc和电压的频谱Sv,
c) 通过将时间同步求平均方法应用于滤波电流信号(WC1、WC2、…、WCN)以便得到时间波形TSAC,其表示电马达轴的一个旋转期间的滤波电流的行为。
步骤2’的结果应当是数据集的五个总编组G1-G5,以及各编组G1-G5具有下列信号的数据集1、2、…N:
G1-WC1、…、WCN:具有状态1、状态2、…、状态N的传动系的滤波电流的时间波形,
G2 – WV1、…、WVN:具有状态1、状态2、…、状态N的传动系的滤波电压的时间波形,
G3 – SC1、…、SCN:具有状态1、状态2、…、状态N的传动系的滤波电流的频谱,
G4 – SV1、…、SVN:具有状态1、状态2、…、状态N的传动系的滤波电压的频谱,
G5 – TSAC1、…、TSACN:具有状态1、状态2、…、状态N的传动系的滤波电流的时间同步平均波形。
步骤3’。代表特征的提取
按照信号的不同编组G1-G5,不同特征可从其数据集1、2…N来提取,这在计算装置CD或CD’的特征提取单元3.3中执行。
对于编组G1和G2,典型统计特征优选地计算为:平均值、标准偏差、偏斜度、峰度、信号熵、峰到峰值、最大峰值、均方根(RMS)、波峰因数和波形因数。将要从时间波形来提取的特征的总数将为K。这些指示符是优选的,而并不局限于先前所列指示符,也可使用其他指示符。
对于编组G3和G4,所提取特征由与谱本身关联的一般特征以及与旋转机器组件(泵和压缩机中的叶片/翼、变速箱中的齿轮)相关的频率分量的幅度值来组成。从频谱信号所提取的特征包含但不限于:频率中心、最大峰值存在的频率、与齿轮啮合频率的一次谐波对应的频率峰值的幅度(1×GMF)、与齿轮啮合频率的二次谐波对应的频率峰值的幅度(2×GMF)、叶片通过频率(Blade Pass Frequency)的频率峰值的幅度(1×BPF)、在叶片通过频率的二次谐波的频率峰值的幅度(2×BPF)。将要从频谱来提取的特征的总数将为M。
对于编组G5,能够计算与如在编组G1和G2中一样地从波形所提取的特征类似的特征。这些特征包含但不限于:峰度、偏斜度、最大峰值、波峰因数和信号熵。将要从时间同步平均信号来提取的特征的总数将为R。
总共存在从G1-G5编组的各数据集1…N所提取的K+M+R个特征,并且这些特征用来在分类器系统3.4.1中训练神经网络,这在计算装置CD或CD’的训练和分类单元3)4中实现。
步骤4’。分类器系统的训练。
分类器系统3.4.1使用神经网络来构建。通过输入先前在步骤3’所提取的特征来训练神经网络。训练通过使用典型神经网络训练算法进行。这些训练算法包含但不限于:共轭梯度方法、Levenberg-Marquardt算法或梯度下降方法。
从总G1-G5个数据集1、2…N中,70%用于训练,以及30%用于测试。
在采用训练数据集的70%来训练分类器系统3.4.1之后,执行附加检查以测试分类器系统3.4.1的性能。表1图示用于被训练以便在两个不同传动系状态(状态1和状态2)之间进行分类的分类器系统的混淆矩阵的结构。
表1
实际状态表示分析下系统的真实状态,以及预测状态表示由分类器系统所预测的状态。真正表示其实际状态为1并且其预测状态为1的数据集。假正表示其实际状态为2而其预测状态为1的数据集。假负表示其实际状态为1而其预测状态为2的数据集,以及最后,真负表示其实际状态为2并且其预测状态为2的数据集。
混淆矩阵的元素:真正、假正、假负和真负用来评价下列因数:分类器的准确性、调用(recall)和F得分。准确性、调用和F得分的值将确定分类器系统3.4.1是否要求更多训练或者它是否已经正确训练以便与具有未知状态的传动系一起使用。
准确性(P)定义为:
再调用(R)定义为:
F得分定义为:
在训练分类器系统3.4.1之后,对训练数据集并且对测试数据集来计算F得分。如果两个F得分均高于0.95,则分类器系统被认为正确训练,如果不是的话,则将获取更多数据,并且分类器系统将重新训练,直到两个数据集(训练和测试)的F得分高于0.95。
步骤1。数据获取
使用联机数据获取单元3.1重复进行步骤1’,以便从具有未知状态的传动系的马达(MM)来获取电流(IA、IB、IC)和电压信号(UA、UB、UC)。图6中,这个步骤在括号中指示。
步骤2。信号处理。
对于具有未知状态的传动系,通过对测量信号进行滤波以去除基频分量并且使用信号处理单元(3.2)处理滤波信号以生成下列项来对具有未知状态的传动系重复进行步骤2’:电流的时间波形Wcx和电压的时间波形Wvx、电流的频谱Scx和电压的频谱Svx、电流的时间同步平均波形TSAcx。图6中,这个步骤在括号中指示。
步骤3。代表特征的提取
借助于通过使用特征提取单元3.4用于在研究中的传动系提取电流的时间波形(G1-Wcx)和电压的时间波形(G2-Wvx)的代表特征、电流的频谱(G3-Scx)和电压的频谱(G4-Svx)的代表特征以及电流的时间同步平均(TSA)波形(G5-TSAcx)的代表特征来对在研究中的传动系重复进行步骤3’。图6中,这个步骤在括号中指示。
步骤5。数据集分类过程。
一旦已经训练分类器系统3.4.1,它能够用来分类具有未知状态的传动系(图1),给定这个未知状态是用来训练分类器系统3.4.1的N个状态的至少一个。为了开始于未知状态的传动系的分类过程,要求获取来自马达MM的电信号,并且接下来重复进行步骤1’、2’和3’以用于接收未知状态的传动系的真实数据。这些动作在流程图(图6)中指示为(1)、(2)、(3)。一旦提取特征,它们用作分类器系统3.4.1(其将提供输出)的输入。这个输出是具有Z=[Z1…ZN]元素的向量。从这个向量Z,N-1个元素应当等于0,并且一个元素应当为1。
步骤6。状态识别。
分类器系统3.4.1的输出向量Z由作为0的N-1个元素和作为1的一个元素来组成。等于1的所述元素的索引i确定所分析的传动系的所识别状态。
在分类器系统的输出向量的N个元素为0的情况下,通知用户不能够评估所分析的传动系组件的状态。
上面呈现的所有步骤在包括非暂时计算机可读程序代码的计算机程序产品中实现,非暂时计算机可读程序代码在运行于计算装置CD或CD’上时执行评估连接到包括传动系的电马达MM的旋转机械RC(RC’)的状态的步骤,以及计算装置CD或CD’提供有适合于使用已知神经网络算法的功能单元(3.1-3.6)。
Claims (10)
1.一种用于通过使用计算装置(CD)来评估连接到电马达(MM)并且形成传动系的旋转机械(RM)的状态的方法,所述计算装置(CD)提供有适合于将已知神经网络算法用于训练和测试神经元的功能单元(3.1-3.6),包括下列步骤:
• (步骤0’)为了训练神经网络,构建N(N≥2)个传动系,其具有(MM’)马达和(RM’)旋转机器,所述传动系的马达和旋转机器具有相同类型和型号,并且其状态已知为状态1至状态N,并且其类型和型号匹配其状态为未知并且需要被评估的传动系的马达和旋转机器的类型和型号,
• (步骤1’)使用数据获取单元(3.1)来获取具有状态1至状态N的N个不同传动系的马达(MM’)的电流(I1,…,IN)和电压信号(U1,…,UN),
• (步骤2’)对测量信号进行滤波以去除基频分量,并且通过使用信号处理单元(3.2)来处理滤波信号以生成:所述电流的时间波形(Wc)和所述电压的时间波形(Wv)、所述电流的频谱(Sc)和所述电压的频谱(Sv)以及所述电流的时间同步平均波形(TSAc),以及
• (步骤3’)在特征提取单元(3.3)中,提取所述电流的时间波形(G1-WC1…N)和所述电压的时间波形(G2-Wv1…N)的代表特征、所述电流的频谱(G3-SC1…N)和所述电压的频谱(G4-SV…1)的代表特征以及所述电流的时间同步平均(TSA)波形(G5-TSAC1…N)的代表特征,
• (步骤4’)采用在所述步骤3’中所得到的所述代表特征来训练神经网络,并且在所述计算装置(CD)或(CD’)的所述数据存储单元(3.5)中存储所训练神经网络的信息,以及
• (步骤1)使用联机数据获取单元(3.1)重复进行所述步骤1’,以获取其状态为未知并且需要被评估的传动系的马达(MM)的电流(IA,IB,IC)和电压信号(UA,UB,UC),以及所述传动系的马达(MM)具有与所述马达(MM’)相同的类型和型号,并且所述传动系的旋转机器(RM)具有与所述旋转机器(RM')相同的类型和型号,
• (步骤2)对于在研究中的的传动系,通过对测量信号进行滤波以去除基频分量并且使用信号处理单元(3.2)处理滤波信号以生成下列项来对具有未知状态的所述传动系重复进行步骤2’:所述电流的时间波形(Wcx)和所述电压的时间波形(Wvx)、所述电流的所述频谱(Scx)和所述电压的所述频谱(Svx)、所述电流的时间同步平均(TSA)波形(TSAcx),以及
• (步骤3) 对于在研究中的所述传动系,借助于通过使用特征提取单元3.4来提取所述电流的时间波形(G1-Wcx)和所述电压的时间波形(G2-Wvx)的代表特征、所述电流的所述频谱(G3-Scx)和所述电压的所述频谱(G4-Svx)的代表特征以及所述电流的时间同步平均(TSA)波形(G5-TSAcx)的代表特征来对具有未知状态的所述传动系重复进行步骤3’,
其特征在于,所述方法还包括下列步骤:
• (步骤5)借助于通过使用在步骤4’所训练的所述神经网络来分析从自具有未知状态的所述传动系所获取的所述信号所得到的所有所提取代表特征来分类连接到具有未知状态的所述传动系的电马达(MM)的旋转机器(RM)的所述状态,其训练数据存储在所述计算装置(CD,CD’)的单元(3.5)中;接下来生成输出向量(Z=[Z1..ZN]),其中向量(Z)具有N个元素,以及如果所述输出向量Z包含仅一个具有等于1的值的元素并且其余元素值等于0,则确定具有等于1的所述值的所述元素的索引(i),所述索引(i)指示分析下的所述传动系的所述状态等于所述N个可用的已知传动系状态的第i个状态,
• (步骤6)借助于通过使用所述计算装置的或者连接到所述计算装置的常规部件向用户呈现评估结果来指示连接到在研究中的电马达(MM)的旋转机械(RM)的所述状态。
2.如权利要求1所述的方法,其特征在于,在从滤波电流的所述时间波形(Wc)和所述滤波电压的所述时间波形(Wv)来提取代表特征的所述步骤(3,3’)中,其在所述信号处理单元(3.1)中执行,为接下来的进程选择下列值的一个:平均值、标准偏差、偏斜度、峰度、信号熵、峰到峰值、最大峰值、均方根(RMS)、波峰因数和波形因数或者其组合。
3.如权利要求1所述的方法,其特征在于,在从滤波电流的所述频谱(Sc)和所述滤波电压的所述频谱(Sv)来提取代表特征的所述步骤(3,3’)中,其在所述信号处理单元(3.1)中执行,为接下来进程选择下列值的一个:频率中心、最大峰值存在的频率、与齿轮啮合频率(1×GMF)的一次谐波对应的所述频率峰值的幅度、与齿轮啮合频率(2×GMF)的二次谐波对应的所述频率峰值的幅度、叶片通过频率的所述频率峰值的幅度(1×BPF)、在所述叶片通过频率的二次谐波的所述频率峰值的幅度(2×BPF)。
4.如权利要求1所述的方法,其特征在于,在从所述电流的所述时间同步平均波形来提取代表特征的所述步骤(3,3’)中,其在所述信号处理单元(3.1)中执行,为接下来的进程选择下列值的一个:峰度、偏斜度和信号熵。
5.一种包括非暂时计算机可读程序代码的计算机程序产品,所述非暂时计算机可读程序代码在运行于计算装置(CD或CD’)上时执行评估连接到形成传动系的电马达(MM)的旋转机械(RM)的状态的步骤,以及所述计算装置(3)提供有适合于使用已知神经网络算法的功能单元(3.1-3.6),包括下列步骤:
• (步骤0’)为了训练神经网络,构建N(N≥2)个传动系,其具有(MM’)马达和(RM’)旋转机器,所述传动系的马达和旋转机器具有相同类型和型号,并且其状态已知为状态1至状态N,并且其类型和型号匹配其状态为未知并且需要被评估的传动系的马达和旋转机器的类型和型号,
• (步骤1’)使用数据获取单元(3.1)来获取具有状态1至状态N的N个不同传动系的马达(MM’)的电流(I1,…,IN)和电压信号(U1,…,UN),
• (步骤2’)对测量信号进行滤波以去除基频分量,并且通过使用信号处理单元(3.2)来处理所滤波信号以生成:所述电流的时间波形(Wc)和所述电压的时间波形(Wv)、所述电流的频谱(Sc)和所述电压的频谱(Sv)以及所述电流的时间同步平均波形(TSAc),以及
• (步骤3’)在特征提取单元(3.3)中,提取所述电流的时间波形(G1-WC1…N)和所述电压的时间波形(G2-Wv1…N)的代表特征、所述电流的所述频谱(G3-SC1…N)和所述电压的所述频谱(G4-SV…1)的代表特征以及所述电流的时间同步平均(TSA)波形(G5-TSAC1…N)的代表特征,
• (步骤4’)采用在所述步骤3’中所得到的所述代表特征来训练神经网络,并且在所述计算装置(CD)或(CD’)的所述数据存储单元(3.5)中存储所训练神经网络的信息,以及
• (步骤1)使用联机数据获取单元(3.1)重复进行所述步骤1’,以获取其状态为未知并且需要被评估的传动系的马达(MM)的电流(IA,IB,IC)和电压信号(UA,UB,UC),以及所述传动系的马达(MM)具有与所述马达(MM’)相同的类型和型号,并且所述传动系的旋转机器(RM)具有与所述旋转机器(RM')相同的类型和型号,
• (步骤2)对于在研究中的传动系,通过对测量信号进行滤波以去除基频分量并且使用信号处理单元(3.2)处理滤波信号以生成下列项来对具有未知状态的所述传动系重复进行步骤2’:所述电流的时间波形(Wcx)和所述电压的时间波形(Wvx)、所述电流的频谱(Scx)和所述电压的频谱(Svx)、所述电流的时间同步平均(TSA)波形(TSAcx),以及
• (步骤3) 对于在研究中的所述传动系,借助于通过使用特征提取单元3.4来提取所述电流的时间波形(G1-Wcx)和所述电压的时间波形(G2-Wvx)的代表特征、所述电流的所述频谱(G3-Scx)和所述电压的所述频谱(G4-Svx)的代表特征以及所述电流的时间同步平均(TSA)波形(G5-TSAcx)的代表特征来对具有未知状态的所述传动系重复进行步骤3’,
其特征在于,所述方法还包括下列步骤:
• (步骤5)借助于通过使用在步骤4’所训练的所述神经网络来分析从自具有未知状态的所述传动系所获取的所述信号所得到的所有所提取代表特征来分类连接到具有未知状态的所述传动系的电马达(MM)的旋转机器(RM)的所述状态,其训练数据存储在所述计算装置(CD,CD’)的单元(3.5)中;接下来生成输出向量Z=[Z1..ZN],其中向量(Z)具有N个元素,以及如果所述输出向量Z包含仅一个具有等于1的值的元素并且其余元素值等于0,则确定具有等于1的所述值的所述元素的索引(i),所述索引(i)指示分析下的所述传动系的所述状态等于所述N个可用的已知传动系状态的第i个状态,
• (步骤6)借助于通过使用所述计算装置的或者连接到所述计算装置的常规部件向用户呈现评估结果来指示连接到在研究中的电马达(MM)的旋转机械(RM)的所述状态。
6.如权利要求5所述的计算机程序产品,其特征在于,在从滤波电流的所述时间波形(Wc)和滤波电压的所述时间波形(Wv)来提取代表特征的所述步骤(3,3’)中,其在所述信号处理单元(3.1)中执行,为接下来的进程选择下列值中的一个:平均值、标准偏差、偏斜度、峰度、信号熵、峰到峰值、最大峰值、均方根(RMS)、波峰因数和波形因数。
7.如权利要求5所述的计算机程序产品,其特征在于,在从滤波电流的所述频谱(Sc)和滤波电压的所述频谱(Sv)来提取代表特征的所述步骤(3,3’)中,其在所述信号处理单元(3.1)中执行,为了接下来的进程选择下列值的一个:频率中心、最大峰值存在的频率、与所述齿轮啮合频率(1×GMF)的一次谐波对应的所述频率峰值的幅度、与所述齿轮啮合频率(2×GMF)的二次谐波对应的所述频率峰值的幅度、叶片通过频率的所述频率峰值的幅度(1×BPF)、在所述叶片通过频率的二次谐波的所述频率峰值的幅度(2×BPF)。
8.如权利要求5所述的计算机程序产品,其特征在于,在从所述电流的所述时间同步平均波形来提取代表特征的所述步骤(3,3’)中,其在所述信号处理单元(3.1)中执行,为了接下来的进程选择下列值的一个:峰度、偏斜度和信号熵。
9.一种包括与旋转机器(RM)连接的电马达(MM)的传动系,其特征在于,所述马达(MM)与包括用于执行如权利要求1-4所述的步骤的部件(3.1-3.6)的计算装置(CD,CD’)相连接。
10.如权利要求9所述的传动系,其特征在于,所述旋转机器是下列装置之一:变速箱、压缩机、风扇或泵。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP14460051.7 | 2014-08-22 | ||
EP14460051.7A EP2988187B1 (en) | 2014-08-22 | 2014-08-22 | A method for assessing the condition of rotating machinery connected to an electric motor |
PCT/EP2015/001659 WO2016026558A1 (en) | 2014-08-22 | 2015-08-07 | A method for assessing the condition of rotating machinery connected to an electric motor |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107003665A true CN107003665A (zh) | 2017-08-01 |
CN107003665B CN107003665B (zh) | 2018-12-14 |
Family
ID=51483380
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201580044982.7A Active CN107003665B (zh) | 2014-08-22 | 2015-08-07 | 用于评估连接到马达的旋转机械的状态的方法 |
Country Status (4)
Country | Link |
---|---|
US (1) | US10393621B2 (zh) |
EP (1) | EP2988187B1 (zh) |
CN (1) | CN107003665B (zh) |
WO (1) | WO2016026558A1 (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109490776A (zh) * | 2018-11-06 | 2019-03-19 | 杭州君谋科技有限公司 | 一种基于机器学习的手机振动马达良次品检测方法 |
CN109906414A (zh) * | 2017-08-11 | 2019-06-18 | 李荣圭 | 一种对驱动部的精准预知性维护方法 |
CN114251295A (zh) * | 2020-09-23 | 2022-03-29 | 株式会社岛津制作所 | 泵监视装置、真空泵、泵监视方法及存储介质 |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6628905B2 (ja) | 2016-12-15 | 2020-01-15 | 三菱電機株式会社 | 動力伝達機構の異常診断装置および動力伝達機構の異常診断方法 |
JP2018124117A (ja) * | 2017-01-31 | 2018-08-09 | Ntn株式会社 | 状態監視システムおよび風力発電装置 |
CN108921404B (zh) * | 2018-06-15 | 2020-05-15 | 浙江大学 | 一种基于通用生成函数的电-气耦合系统的可靠性评估方法 |
CN110108456A (zh) * | 2019-04-16 | 2019-08-09 | 东南大学 | 一种深度卷积神经网络的旋转机械健康评估方法 |
EP3772657B1 (en) * | 2019-08-08 | 2023-10-04 | ABB Schweiz AG | Device and method for performing a state of health estimation |
US11686610B2 (en) | 2019-12-03 | 2023-06-27 | Fluid Handling Llc | Operational condition monitoring system |
EP3832417A1 (en) * | 2019-12-05 | 2021-06-09 | Elmos Semiconductor SE | Method for the detection of a state of a system |
US11378947B2 (en) * | 2020-07-02 | 2022-07-05 | AB Cognitive Systems Inc. | System and methods of failure prediction and prevention for rotating electrical machinery |
WO2022216522A2 (en) * | 2021-04-06 | 2022-10-13 | Delaware Capital Formation, Inc. | Predictive maintenance of industrial equipment |
CN113567117B (zh) * | 2021-09-24 | 2021-12-14 | 南京农业大学 | 基于psoobp-cs算法的齿轮箱故障诊断方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1233325A (zh) * | 1996-06-24 | 1999-10-27 | 阿塞里克有限公司 | 用于电动机的、基于模型的故障检测系统 |
CN1349102A (zh) * | 2000-10-04 | 2002-05-15 | 易通公司 | 检测交流电动机定子匝故障的方法和装置 |
US20080183311A1 (en) * | 2007-01-31 | 2008-07-31 | Honeywell International Inc. | Apparatus and method for automated closed-loop identification of an industrial process in a process control system |
CN102265227A (zh) * | 2008-10-20 | 2011-11-30 | 西门子公司 | 用于在机器状况监视中创建状态估计模型的方法和设备 |
US20120072173A1 (en) * | 2010-09-17 | 2012-03-22 | Siemens Corporation | System and method for modeling conditional dependence for anomaly detection in machine condition monitoring |
WO2013006742A1 (en) * | 2011-07-06 | 2013-01-10 | General Electric Company | System and method for predicting mechanical failure of a motor |
WO2013045045A1 (en) * | 2011-09-30 | 2013-04-04 | Abb Technology Ag | A method of determining stationary signals for the diagnostics of an electromechanical system |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE19637210B4 (de) * | 1996-09-12 | 2007-05-24 | Siemens Ag | Antriebsstrangsteuerung für ein Kraftfahrzeug |
DE19648055A1 (de) * | 1996-11-20 | 1998-06-04 | Siemens Ag | Antriebsstrangsteuerung für ein Kraftfahrzeug |
US20050046375A1 (en) * | 2002-07-31 | 2005-03-03 | Maslov Boris A. | Software-based adaptive control system for electric motors and generators |
GB0220951D0 (en) | 2002-09-11 | 2002-10-23 | Black & Decker Inc | Safety cut-off for power tool with rotating tool bit |
WO2005085792A1 (en) | 2004-03-10 | 2005-09-15 | Nanyang Technological University | Method and apparatus for assessing condition of motor-driven mechanical system |
US8065022B2 (en) * | 2005-09-06 | 2011-11-22 | General Electric Company | Methods and systems for neural network modeling of turbine components |
CN102481929B (zh) * | 2009-08-18 | 2015-06-17 | 丰田自动车株式会社 | 车辆控制系统 |
US8478548B2 (en) * | 2010-01-15 | 2013-07-02 | Fluke Corporation | User interface system and method for diagnosing a rotating machine condition not based upon prior measurement history |
US9281770B2 (en) * | 2012-01-27 | 2016-03-08 | Ingersoll-Rand Company | Precision-fastening handheld cordless power tools |
-
2014
- 2014-08-22 EP EP14460051.7A patent/EP2988187B1/en active Active
-
2015
- 2015-08-07 WO PCT/EP2015/001659 patent/WO2016026558A1/en active Application Filing
- 2015-08-07 CN CN201580044982.7A patent/CN107003665B/zh active Active
-
2017
- 2017-02-22 US US15/439,726 patent/US10393621B2/en active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1233325A (zh) * | 1996-06-24 | 1999-10-27 | 阿塞里克有限公司 | 用于电动机的、基于模型的故障检测系统 |
CN1349102A (zh) * | 2000-10-04 | 2002-05-15 | 易通公司 | 检测交流电动机定子匝故障的方法和装置 |
US20080183311A1 (en) * | 2007-01-31 | 2008-07-31 | Honeywell International Inc. | Apparatus and method for automated closed-loop identification of an industrial process in a process control system |
CN102265227A (zh) * | 2008-10-20 | 2011-11-30 | 西门子公司 | 用于在机器状况监视中创建状态估计模型的方法和设备 |
US20120072173A1 (en) * | 2010-09-17 | 2012-03-22 | Siemens Corporation | System and method for modeling conditional dependence for anomaly detection in machine condition monitoring |
WO2013006742A1 (en) * | 2011-07-06 | 2013-01-10 | General Electric Company | System and method for predicting mechanical failure of a motor |
WO2013045045A1 (en) * | 2011-09-30 | 2013-04-04 | Abb Technology Ag | A method of determining stationary signals for the diagnostics of an electromechanical system |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109906414A (zh) * | 2017-08-11 | 2019-06-18 | 李荣圭 | 一种对驱动部的精准预知性维护方法 |
CN109490776A (zh) * | 2018-11-06 | 2019-03-19 | 杭州君谋科技有限公司 | 一种基于机器学习的手机振动马达良次品检测方法 |
CN109490776B (zh) * | 2018-11-06 | 2020-10-02 | 杭州君谋科技有限公司 | 一种基于机器学习的手机振动马达良次品检测方法 |
CN114251295A (zh) * | 2020-09-23 | 2022-03-29 | 株式会社岛津制作所 | 泵监视装置、真空泵、泵监视方法及存储介质 |
TWI826803B (zh) * | 2020-09-23 | 2023-12-21 | 日商島津製作所股份有限公司 | 泵監視裝置、真空泵、泵監視方法及泵監視程式 |
CN114251295B (zh) * | 2020-09-23 | 2024-06-11 | 株式会社岛津制作所 | 泵监视装置、真空泵、泵监视方法及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
EP2988187B1 (en) | 2017-03-29 |
CN107003665B (zh) | 2018-12-14 |
US20170268960A1 (en) | 2017-09-21 |
EP2988187A1 (en) | 2016-02-24 |
WO2016026558A1 (en) | 2016-02-25 |
US10393621B2 (en) | 2019-08-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107003665A (zh) | 用于评估连接到电马达的旋转机械的状态的方法 | |
CN115688018B (zh) | 一种多工况下轴承的状态监测与故障诊断方法 | |
US10520397B2 (en) | Methods and apparatuses for defect diagnosis in a mechanical system | |
CA2875071C (en) | Method and system for testing operational integrity of a drilling rig | |
Wu et al. | Induction machine fault detection using SOM-based RBF neural networks | |
Salem et al. | Support vector machine based decision for mechanical fault condition monitoring in induction motor using an advanced Hilbert-Park transform | |
Gangsar et al. | Diagnostics of mechanical and electrical faults in induction motors using wavelet-based features of vibration and current through support vector machine algorithms for various operating conditions | |
KR101607047B1 (ko) | 결함 검출을 위한 신호 분석 방법 및 장치 | |
CN102944416A (zh) | 基于多传感器信号融合技术的风电机组叶片故障诊断方法 | |
CN111678699B (zh) | 一种面向滚动轴承早期故障监测与诊断方法及系统 | |
CN110231529A (zh) | 一种控制柜智能故障诊断系统及故障诊断方法 | |
Rebouças Filho et al. | A reliable approach for detection of incipient faults of short-circuits in induction generators using machine learning | |
CN102735442A (zh) | 一种转子在线监测与故障诊断方法 | |
CN103616187A (zh) | 一种基于多维度信息融合的故障诊断方法 | |
CN110020637A (zh) | 一种基于多粒度级联森林的模拟电路间歇故障诊断方法 | |
Silva et al. | Fault detection in induction motors based on artificial intelligence | |
KR20220139693A (ko) | 다채널 신호를 이용한 모터 고장 진단 방법 및 장치 | |
KR102240775B1 (ko) | 딥러닝 기반 소음 데이터를 이용한 전동 설비의 고장 판별 장치 및 방법 | |
Brigham et al. | Simplified automatic fault detection in wind turbine induction generators | |
Cardenas-Cornejo et al. | Classification of inter-turn short-circuit faults in induction motors based on quaternion analysis | |
Kaminski et al. | General regression neural networks as rotor fault detectors of the induction motor | |
JP4029405B2 (ja) | 異常判定方法および装置 | |
CN109781442A (zh) | 一种磁浮列车转向架裂缝故障的检测方法 | |
Sonje et al. | A novel approach for multi class fault diagnosis in induction machine based on statistical time features and random forest classifier | |
Arabacı et al. | Detection of induction motor broken rotor bar faults under no load condition by using support vector machines |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | 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 |