CN107860972A - 用于检测谐波和间谐波的方法 - Google Patents

Abstract

本公开提供用于检测谐波和间谐波的方法，所述方法包括：获取电力系统的电流信号；将所述电流信号与基元函数信号的内积的最大值函数确定为优化算法的适应度函数，其中，所述电流信号至少包括所述电流信号的基波的信号分量以及多个谐波和间谐波的信号分量；使用粒子群优化算法对所述适应度函数进行迭代求解，以获取关于所述电流信号中的谐波和间谐波的特征参数的较优解的集合；将所述较优解的集合作为禁忌搜索算法的初始值，并使用禁忌搜索算法对所述适应度函数继续进行迭代求解，以从所述较优解的集合中获取关于所述电流信号中的谐波和间谐波的特征参数的最优解的集合。

Description

用于检测谐波和间谐波的方法

技术领域

本申请涉及故障诊断领域，具体涉及一种用于检测谐波和间谐波的方法。

背景技术

由于电机在发生故障时其定子电流信号波形会随之发生畸变而产生高次谐波和间谐波分量，所以可通过检测电机的定子电流信号中的谐波和间谐波的频率、幅值和相位参数来确定电机设备的健康状态。目前，常用的谐波检测算法主要是快速傅里叶变换(FFT)。尽管该算法能够检测出信号的频率、幅值和相位参数，但是该算法存在频谱泄漏和栅栏效应等缺点，这使得电机的定子电流信号中的故障特征容易被基波和噪声淹没，从而难以实现对故障特征的频率、幅值和相位参数的准确识别。

随着电机作为主要驱动设备在工农运输业、国防工程以及日常生活中的普遍应用，电机的正常工作对于保证生产制造过程中的安全、高效等具有非常重大的意义。因此，迫切需要一种能够更快速、更准确地检测出电机所存在的故障及其对应的故障类型的方法。

发明内容

本发明的目的在于提供用于检测谐波和间谐波的方法。

据本发明的一方面，提供一种用于检测谐波和间谐波的方法，所述方法包括：获取电力系统的电流信号；将所述电流信号与基元函数信号的内积的最大值函数确定为优化算法的适应度函数，其中，所述电流信号至少包括所述电流信号的基波的信号分量以及多个谐波和间谐波的信号分量；使用粒子群优化算法对所述适应度函数进行迭代求解，以获取关于所述电流信号中的谐波和间谐波的特征参数的较优解的集合；将所述较优解的集合作为禁忌搜索算法的初始值，并使用禁忌搜索算法对所述适应度函数继续进行迭代求解，以从所述较优解的集合中获取关于所述电流信号中的谐波和间谐波的特征参数的最优解的集合。

优选地，所述电流信号为电机的定子电流信号。

优选地，所述方法还包括：根据获取的最优解的集合中的谐波和间谐波的特征参数来确定所述电机的故障类型。

优选地，所述根据获取的最优解的集合中的谐波和间谐波的特征来确定所述电机的故障类型的步骤包括：当获取的最优解的集合中的高次谐波的幅值增大且增大率超过第一预定阈值时，以及/或者当获取的最优解的集合中的高次间谐波的幅值增大且增大率超过第二预定阈值时，确定所述电机存在定子绕组故障。

优选地，所述根据获取的最优解的集合中的谐波和间谐波的特征来确定所述电机的故障类型的步骤包括：当在获取的最优解的集合中的谐波和间谐波中出现转子断条故障特征频率的谐波和间谐波时，确定所述电机存在转子断条故障。

优选地，所述转子断条故障特征频率为：

f_r＝(1±2ks)f₁

其中，f_r表示断条故障特征频率，f₁表示电源供电频率，s为电机的转差率，k为不为零的正整数。

优选地，所述根据获取的最优解的集合中的谐波和间谐波的特征来确定所述电机的故障类型的步骤包括：当获取的最优解的集合中的谐波和间谐波中出现偏心故障特征频率的谐波和间谐波时，确定所述电机存在气隙偏心故障。

优选地，所述偏心故障特征频率为：

f_e＝f₁[(R±n_d)(1-s)/P+n_w]

其中，f_e为偏心故障特征频率，f₁为电源供电频率，R为电机的转子导条数，s为电机的转差率，P为电机的电极对数，当发生静态偏心时，n_d为0；当发生动态偏心时，n_d为1，n_w为不为零的正奇数。

优选地，所述根据获取的最优解的集合中的谐波和间谐波的特征来确定所述电机的故障类型的步骤包括：当获取的最优解的集合中的谐波和间谐波中出现轴承故障特征频率的谐波和间谐波时，确定所述电机存在轴承故障。

优选地，所述轴承故障特征频率为：

f_CF＝|f₁±mf_v|

其中，f_CF表示轴承故障特征频率，f₁表示电源供电频率，f_v表示电机的轴承振动特征频率，m表示不为零的正奇数。

本发明所提供的用于检测谐波和间谐波的方法不仅可以进一步提高对谐波和间谐波的检测速度，而且还可以进一步提高对谐波和间谐波的检测精确度。另外，相比于常见的神经网络等分类方法的训练和分类处理，本发明还具有可对谐波和间谐波进行实时监测，对样本依赖小，数据处理简单，算法复杂度低等优点。

附图说明

通过下面结合附图进行的描述，本发明的上述和其他目的和特点将会变得更加清楚，其中：

图1示出了根据本发明的示例性实施例的用于从电机的定子电流信号中提取谐波和间谐波信号的处理的流程图；

图2示出了根据本发明的示例性实施例的用于根据提取的谐波和间谐波来确定电机的故障类型的处理的流程图。

具体实施方式

以下，将以电机的定子电流信号的检测为例参照附图来详细说明本发明的实施例。

图1示出了根据本发明的示例性实施例的用于从电机的定子电流信号中提取谐波和间谐波信号的处理100的流程图。在该示例中，处理100可由包括处理器的任何终端设备来执行。

参照图1，在方框101，处理100采集电机的定子电流信号，并对采集的电流信号进行去噪处理。去噪后的定子电流信号i_a(t)中可包括(1±2ks)f_H的故障特征频率分量，因而，定子电流信号可被表示为如下等式：

其中，I_bpk和分别表示频率为(1-2ks)f₁的谐波分量的幅值和初相位，I_bnk和分别表示频率为(1+2ks)f₁的间谐波分量的幅值和初相位，s表示电机的转差率，k表示不为0的正整数(即，1，2，3，……)，n(t)表示均值为0的白噪声。

在方框102，处理100构建基元函数信号(也被称作基元函数集合)。根据等式(1)可知，电机的定子电流信号主要包含余弦分量，因而，处理100可根据定子电流信号构造出基元函数集合{ψ_n(t)}，其中，ψ_n(t)可被表示为如下等式：

其中，C_n表示归一化系数，ω_n表示角频率，表示初相位，n表示不为0的正整数。

在方框103，处理100将电流信号与基元函数信号的内积的最大值函数确定为优化算法的适应度函数。

由于i_a(t)与ψ_n(t)的内积运算也可被视为信号i_a(t)与复指数信号e^-jωt的内积运算，所以定子电流信号在频谱上的表现可被视为信号在复指数信号所确定的正交基上的投影。根据理论和实测信号可以得知，信号中基波成分最大，因而内积值最大处的参数对应的是基波的特征参数。

因此，基于i_a(t)和ψ_n(t)的内积最大原则，当C_n为2时，公式(1)中的i_a(t)的波形参数可由如下适应度函数I₁来确定：

在方框104，处理100可首先使用粒子群优化(Particle Swarm Optimization，PSO)算法对公式(3)中的适应度函数进行迭代求解。当PSO算法迭代得到的全局较优解(所述全局较优解包括定子电流信号中的基波信号以及谐波和间谐波的特征参数)时，将其作为禁忌搜索(Tabu Search，TS)算法的初始值，然后继续利用TS算法对由PSO获得的全局较优解作进一步的局部优化。

具体地，可采用改进的PSO算法将优化问题(即，适应度函数)的解抽象为搜索空间中一个微粒，并扩展到N维，为每个微粒定义初始化的速度矢量和位置矢量(随机解)，并通过迭代找出较优解。粒子根据如下公式更新自己的位置和速度：

v_i,j(t+1)＝wv_i,j+c₁r₁[p_i,j-x_i,j(t)]+c₂r₂[p_g,j-x_i,j(t)]

x_i,j(t+1)＝x_i,j(t)+v_i,j(t+1),j＝1,2,...,N

(4)

其中，w表示惯性权重，c₁和c₂表示学习因子分别决定向p_best和g_best的收敛速度，r₁和r₂表示[0,1]之间的随机数，t表示迭代次数，p_i,j是第i个第j维粒子在第t次迭代时的个体极值点的位置，p_g,j表示第j维粒子的全局极值点的位置。

改进的PSO算法可针对标准PSO算法容易早熟以及后期易出现在全局极值点附近震荡现象提高算法的收敛速度和减小后期的震荡区域。在一个示例中，可根据如下公式(即，采用线性递减权重法)来进一步缩小TS算法的搜索空间，以整体提高混合优化算法的收敛速度和解的质量：

其中，w_max和w_min分别表示权重的最大和最小值；t和t_max分别表示当前迭代次数和最大迭代次数。

在方框105，处理100可将在方框104中利用改进的PSO算法迭代得到的全局较优解的集合作为禁忌搜索算法的初始值，并使用TS算法对适应度函数继续进行迭代求解。使用TS算法，可快速迭代搜索出全局较优解的邻域区间附近的全局最优解。然后，根据得到的参数(即，全局最优解)，可构建出基波信号并将其从电流信号中剔除；同理，还可按照电流信号中频率幅值的大小顺序依次求解和提取出定子电流信号中的谐波和间谐波分量。

由于TS算法对初始解有较强的依赖性，所以对初始解的选择会直接影响到TS算法的收敛速度和最终解的质量。在该实施例中，TS算法的基本流程如下：a)随机产生一个初始解，将TS算法的禁忌表置空，在初始解的邻域中按照领域函数准则产生若干个候选解；b)计算当前解(用于本次循环产生候选解的解)和候选解的适应度，如果最优候选解优于当前全局最优解状态(即，上一轮循环后的全局最优解)，则用其代替当前解和当前全局最优解状态，并将其加入禁忌表中，同时更新禁忌表；c)如果没有优于当前最优解的候选解，则用候选解中的最优解代替当前解，将其加入禁忌表，同时更新禁忌表。如此重复上述迭代搜索过程，直至满足停止准则。

尽管PSO算法具有较强的全局搜索能力，但是在全局最优解的附近仍存在局部收敛慢、精度不高的问题。而对谐波和间谐波(特别是，电机转子断条故障)的准确检测又与基波参数估计的准确度息息相关，故而需要利用TS算法对PSO算法的局部寻优能力进行改进。

在方框105之后，处理100结束。

获取的最优解的集合中的谐波和间谐波可按照赋值大小被依次提取出来，以用于确定电机的故障类型。通常情况下，电机主要包括定子、转子、气隙和轴承等，结构较为简单，但是在其运行过程中，其内部会发生相当复杂的物理或者化学变化过程。因受到各种外界因素以及部件在运行中的磨损老化的影响，电机可能会出现各种故障。常见的电机故障主要有：定子绕组匝间短路故障、转子断条故障、气隙偏心故障和轴承故障等。

当发生定子绕组匝间短路故障(即，定子绕组故障)时，由于绝缘被击穿而使得定子不平衡，从而使得气隙磁通和电流谐波发生变化。此外，研究表明，当电机(例如，异步电动机)发生匝间短路故障后，在其定子电流中将会出现变频分量(即，谐波和间谐波的信号增强)。通过对笼型异步电机正常运行及具有不同程度的定子绕组匝间短路故障的情况研究统计发现：当发生定子绕组匝间短路故障时，绕组内部不对称，并且气隙磁场中有较强的空间谐波，定子电流中有较强的时间谐波。其主要表现为：高次谐波(例如，3次谐波和5次谐波)和/或高次间谐波的幅值会显著增大，尤其是5次谐波的幅值变化更为显著，统计数据分析表明：当5次谐波的幅值增大且增大率超过例如10％时，则可初步判定电机存在定子绕组故障。同样地，也可根据5次间谐波的幅值增大且增大率超过预定阈值来初步判定电机存在定子绕组故障。在一示例中，可选择预定频率(例如，但不限于250赫兹)的5次谐波来判定电机存在定子绕组故障，在另一示例中，还可选择预定波段(例如，包括但不限于245赫兹到255赫兹)内的5次间谐波来判定电机存在定子绕组故障。因此，定子电流中的高次谐波和间谐波分量可被用作诊断定子绕组匝间短路故障的一个重要依据。

当发生转子断条故障时，定子电流中会出现频率为：f_r＝(1±2ks)f₁的故障特征谐波分量，其中，f_r表示断条故障特征频率，f₁表示电源供电频率，s为电机的转差率，k为不为零的正整数。

当发生气隙偏心故障时，电机的气隙磁导沿圆周方向出现不均匀，从而使得定子电流中会出现频率为：f_e＝f₁[(R±n_d)(1-s)/P+n_w]的故障特征谐波分量，其中，f_e为偏心故障特征频率，f₁为电源供电频率，R为电机的转子导条数，s为电机的转差率，P为电机的电极对数，当电机发生静态偏心时，n_d为0；当电机发生动态偏心时，n_d为1，n_w为不为零的正奇数。由于该故障特征频率受P和R的影响，因此还可使用低频故障特征分量f_e＝f₁±f₁(1-s)/P来检测气隙偏心故障。

当发生轴承故障时，特别是，在异步电机的轴承发生故障之后，定子电流中将会出现频率为：f_CF＝|f₁±mf_v|的故障特征谐波分量，其中，f_CF表示轴承故障特征频率，f₁表示电源供电频率，f_v表示电机的轴承振动特征频率，m表示不为零的正奇数。

从上述描述中可知，可结合上述不同故障的故障特征频率公式所计算的特征频率，将电机定子电流中的谐波和间谐波的特征参数与健康状态下的电机定子电流信号中提取出的谐波参数以及故障状态下的定子电流信号中的谐波参数进行比对来实现对电机故障有效检测和分类。

图2示出了根据本发明的示例性实施例的用于根据提取的谐波和间谐波来确定电机的故障类型的处理的流程图。在该示例中，处理200可继续由执行处理100的终端设备来执行，也可由不同于该终端设备的另一终端设备设备来执行。

参照图2，在方框201中，处理200可获取的最优解的集合中的谐波和间谐波的特征参数，以便根据所述获取的特征参数来确定所述电机的故障类型。

如果在方框202获取的最优解的集合中的高次谐波的幅值和/或获取的最优解的集合中的高次间谐波的幅值分别增大并且增大率超过相应的预定阈值，则在方框203，处理200确定所述电机存在定子绕组故障。

如果在方框204获取的最优解的集合中的谐波和间谐波中出现转子断条故障特征频率(例如，包括但不限于f_r＝(1±2ks)f₁)的谐波和间谐波，则在方框205，处理200确定所述电机存在转子断条故障。

如果在方框206获取的最优解的集合中的谐波和间谐波中出现偏心故障特征频率(例如，包括但不限于f_e＝f₁[(R±n_d)(1-s)/P+n_w]，或f_e＝f₁±f₁(1-s)/P)的谐波和间谐波，则在方框207，处理200确定所述电机存在气隙偏心故障。

如果在方框208获取的最优解的集合中的谐波和间谐波中出现轴承故障特征频率(例如，包括但不限于f_CF＝|f₁±mf_v|)的谐波和间谐波，则在方框209，处理200确定所述电机存在轴承故障。

在执行完上述操作之后，处理200结束。

可以看出，本发明不仅可以进一步提高对谐波和间谐波的检测速度，而且还可以进一步提高对谐波和间谐波的检测精确度。另外，相比于常见的神经网络等分类方法的训练和分类处理，上本发明还具有可对谐波和间谐波进行实时监测，对样本依赖小，数据处理简单，算法复杂点低等优点。

此外，还需要说明的是，尽管在此描述的实施例主要是以电机的定子电流为例来描述对谐波和间谐波进行检测的实施过程，但是应该理解，在此描述的实施例也可被用于实现对其它电力系统的电流信号的检测。

尽管已参照优选实施例描述了本发明，但本领域技术人员应该理解，在不脱离由权利要求限定的本发明的精神和范围的情况下，可以对这些实施例进行各种修改和变换。

Claims (10)

1.一种用于检测谐波和间谐波的方法，其特征在于，所述方法包括：

获取电力系统的电流信号；

将所述电流信号与基元函数信号的内积的最大值函数确定为优化算法的适应度函数，其中，所述电流信号至少包括所述电流信号的基波的信号分量以及多个谐波和间谐波的信号分量；

使用粒子群优化算法对所述适应度函数进行迭代求解，以获取关于所述电流信号中的谐波和间谐波的特征参数的较优解的集合；

将所述较优解的集合作为禁忌搜索算法的初始值，并使用禁忌搜索算法对所述适应度函数继续进行迭代求解，以从所述较优解的集合中获取关于所述电流信号中的谐波和间谐波的特征参数的最优解的集合。

2.如权利要求1所述的方法，其特征在于，所述电流信号为电机的定子电流信号。

3.如权利要求2所述的方法，其特征在于，所述方法还包括：

根据获取的最优解的集合中的谐波和间谐波的特征参数来确定所述电机的故障类型。

4.如权利要求3所述的方法，其特征在于，所述根据获取的最优解的集合中的谐波和间谐波的特征来确定所述电机的故障类型的步骤包括：

当获取的最优解的集合中的高次谐波的幅值增大且增大率超过第一预定阈值时，以及/或者当获取的最优解的集合中的高次间谐波的幅值增大且增大率超过第二预定阈值时，确定所述电机存在定子绕组故障。

5.如权利要求3所述的方法，其特征在于，所述根据获取的最优解的集合中的谐波和间谐波的特征来确定所述电机的故障类型的步骤包括：

当在获取的最优解的集合中的谐波和间谐波中出现转子断条故障特征频率的谐波和间谐波时，确定所述电机存在转子断条故障。

6.如权利要求5所述的方法，其特征在于，所述转子断条故障特征频率为：

f_r＝(1±2ks)f₁

其中，f_r表示断条故障特征频率，f₁表示电源供电频率，s为电机的转差率，k为不为零的正整数。

7.如权利要求3所述的方法，其特征在于，所述根据获取的最优解的集合中的谐波和间谐波的特征来确定所述电机的故障类型的步骤包括：

当获取的最优解的集合中的谐波和间谐波中出现偏心故障特征频率的谐波和间谐波时，确定所述电机存在气隙偏心故障。

8.如权利要求7所述的方法，其特征在于，所述偏心故障特征频率为：

f_e＝f₁[(R±n_d)(1-s)/P+n_w]

其中，f_e为偏心故障特征频率，f₁为电源供电频率，R为电机的转子导条数，s为电机的转差率，P为电机的电极对数，当发生静态偏心时，n_d为0；当发生动态偏心时，n_d为1，n_w为不为零的正奇数。

9.如权利要求3所述的方法，其特征在于，所述根据获取的最优解的集合中的谐波和间谐波的特征来确定所述电机的故障类型的步骤包括：

当获取的最优解的集合中的谐波和间谐波中出现轴承故障特征频率的谐波和间谐波时，确定所述电机存在轴承故障。

10.如权利要求9所述的方法，其特征在于，所述轴承故障特征频率为：

f_CF＝|f₁±mf_v|

其中，f_CF表示轴承故障特征频率，f₁表示电源供电频率，f_v表示电机的轴承振动特征频率，m表示不为零的正奇数。