CN108680860A - 一种eps电机故障检测方法 - Google Patents

一种eps电机故障检测方法 Download PDF

Info

Publication number
CN108680860A
CN108680860A CN201810812838.9A CN201810812838A CN108680860A CN 108680860 A CN108680860 A CN 108680860A CN 201810812838 A CN201810812838 A CN 201810812838A CN 108680860 A CN108680860 A CN 108680860A
Authority
CN
China
Prior art keywords
failure
eps motor
fuzzy
voice signal
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.)
Pending
Application number
CN201810812838.9A
Other languages
English (en)
Inventor
黄辉
杨敏
冯葳
陈鹏
吴正
邹安安
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.)
Wuyi University
Original Assignee
Wuyi 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 Wuyi University filed Critical Wuyi University
Priority to CN201810812838.9A priority Critical patent/CN108680860A/zh
Publication of CN108680860A publication Critical patent/CN108680860A/zh
Pending legal-status Critical Current

Links

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization

Abstract

本发明公开了一种EPS电机故障检测方法，对EPS电机的声音信号进行处理，判断EPS电机是否故障，当确认电机故障时，采用模糊推理工具对声音信号的特征向量进行处理，并根据故障征兆和故障原因来得到最终的检测结果，得到EPS电机的故障原因，由于采用的是模糊推理工具来对EPS电机进行故障诊断，不依赖于数学模型，可以解决一些逻辑因果关系比较复杂的数学问题，不用进行复杂繁琐的数学计算，可以更加简便快捷的得出EPS电机的故障诊断结论，成本也相对较低。

Description

一种EPS电机故障检测方法
技术领域
本发明涉及一种EPS电机故障检测方法。
背景技术
电动助力转向系统，又称EPS(electric power steering)系统，它是用来协助汽车在转向时的一种工具，汽车的EPS电机在实际装机前要进行一次故障诊断，防止其中混有不合格的产品，导致汽车实际运行时因为EPS系统失灵而转向过大或过小，发生交通事故，现有的对于EPS电机故障的检测方法包括硬件上的以及软件上的，硬件上的有令监测芯片与控制器结合在一起，共同对EPS电机进行故障诊断，但其花费的成本太高，当芯片失灵时，整个故障诊断系统都会失灵，故障诊断也就变得复杂，在软件方面进行的故障检测有基于神经网络，神经网络太过复杂，在控制系统里面占有使用了太大的的资源比例，使得诊断技术对系统硬件的要求大大提高，资金的投入也要大大提高，因此需要一种简单并且成本较低的EPS电机故障检测方法。
发明内容
为解决上述问题，本发明的目的在于提供一种EPS电机故障检测方法，以EPS电机运行时的声音信号作为主要判断对象，结合EMD算法以及模糊推理工具，对EPS电机是否故障以及故障原因进行检测，不需要进行复杂繁琐的数学计算，检测方法简单快捷，并且成本较低。
本发明解决其问题所采用的技术方案是：
一种EPS电机故障检测方法，包括以下步骤：
A、采集EPS电机运行时的声音信号以及其他特征信号；
B、采用EMD算法对声音信号进行经验模态分解；
C、对EMD算法处理后的声音信号进行FFT变换后得到声音信号的特征向量，根据特征向量判断EPS电机是否故障，当EPS电机故障时，进行下一步骤，若EPS电机没有故障，停止检测；
D、构建故障征兆集以及故障原因集；
E、根据故障征兆集以及故障原因集构建模糊矩阵，并构建模糊关系方程；
F、将特征向量输入到模糊关系方程中，利用模糊推理工具进行模糊判断得到故障原因。
进一步，所述步骤A中的其他特征信号包括电压电流信号、温度信号、磁通量信号、转速信号、振动频率信号。
进一步，所述步骤B采用EMD算法对声音信号进行经验模态分解中，EMD算法对声音信号进行经验模态分解后得到声音信号的IMF模式分量。
进一步，所述步骤C对EMD算法处理后的声音信号进行FFT变换后得到声音信号的特征向量的具体步骤为：利用FFT变换将声音信号的IMF模式分量由时域变换到频域，再进行频谱分析后得到IMF模式分量的数值分布图，根据数值分布图得到声音信号的特征向量。
进一步，所述步骤D构建故障征兆集以及故障原因集中，故障征兆集K＝(K1，K2，…，Kj)，j＝(1,2,…,n),Kj为第j个故障征兆，n为故障征兆的数量；故障原因集D＝(D1，D2，…，Di),i＝(1,2,…,m)，Di为第i个故障原因，m为故障原因的数量。
进一步，所述步骤E根据故障征兆集以及故障原因集构建模糊矩阵中，所述模糊矩阵的表达式为：
其中rmn为第n个故障征兆与第m个故障原因之间的因果概率。
进一步，所述步骤E构建模糊关系方程中，所述模糊关系方程的表达式为：
其中D为故障原因集的模糊向量，K为故障征兆集的模糊向量，R为模糊矩阵。
进一步，所述步骤F利用模糊推理工具进行模糊判断得到故障原因中，所述模糊推理工具为MATLAB模糊推理工具。
本发明的有益效果是：本发明采用的一种EPS电机故障检测方法，采集EPS电机运行时的声音信号以及其他特征信号，对声音信号进行处理后根据处理后的声音信号判断EPS电机是否故障，当确认EPS电机出现故障时，通过模糊推理工具、故障征兆集以及故障原因集对故障原因进行判断，得到最终的故障原因，由于使用模糊推理工具，不需要繁杂的数学运算，检测过程方便快捷，并且成本相对较低。
附图说明
下面结合附图和实例对本发明作进一步说明。
图1是本发明一种EPS电机故障检测方法的流程框图。
具体实施方式
参照图1，本发明的一种EPS电机故障检测方法，包括以下步骤：
A、采集EPS电机运行时的声音信号以及其他特征信号。
EPS电机的故障原因有很多种，每一种故障都会导致其内部的某些参数发生变化，通过采集这些参数对应的信号，可以判断EPS电机是否发生故障，例如EPS电机中的定转子铁芯、磁钢、电机轴、电机极槽、转子和定子的绕组类型、负责工作点、额定点力矩、额定转速、扭矩波动、齿槽转矩、摩擦力矩和空载电流等各种物理参数，所以在判断故障原因时，首先判断EPS电机是否发生故障，通过采集EPS电机的特征信号，对这些特征信号进行分析来确定EPS电机是否故障，特征信号包括声音信号、电压电流信号、温度信号、磁通量信号、转速信号、振动频率信号等，本发明以声音信号为主，其他特征信号为辅，来进行是否故障的确定并同时以声音信号经处理后的特征向量作为判断原因的依据。
B、采用EMD算法对声音信号进行经验模态分解。
对于所采集到的特征信号，不能直接用于进行判断，需要对采集到的特征信号进行处理转化成有效的数据，步骤B采用EMD算法对声音信号进行处理，EMD即为经验模态分解(Empirical Mode Decomposition)，它的主要作用就是把一组不好直接处理、一眼看不出曲线特性的信号分解成方便研究的信号，其处理后的信号命名为本征模函数，即IMF，步骤B采用EMD算法对声音信号进行经验模态分解，得到声音信号的多组IMF模式分量。
C、对EMD算法处理后的声音信号进行FFT变换后得到声音信号的特征向量，根据特征向量判断EPS电机是否故障，当EPS电机故障时，进行下一步骤，若EPS电机没有故障，停止检测。
经EMD算法处理后的声音信号得到多组IMF模式分量，但所得到的IMF模式分量并没有呈规律性变化，依然不能作为判断EPS电机是否故障的依据，也不能直接用来表示特征向量，因此有必要对IMF模式分量进行进一步的数据提取，即是利用FFT变换将声音信号的IMF模式分量由时域变换到频域，再进行频谱分析后可以得到多组IMF模式分量的数值分布图，从中选取出一副最能直观分辨出正常电机和故障电机的声音信号，以此IMF模式分量作为判断电机是否发生故障的依据，并以此作为后续模糊判断的特征向量。
D、构建故障征兆集以及故障原因集；
故障征兆集K＝(K1，K2，…，Kj)，j＝(1,2,…,n),Kj为第j个故障征兆，n为故障征兆的数量；故障原因集D＝(D1，D2，…，Di),i＝(1,2,…,m)，Di为第i个故障原因，m为故障原因的数量。
具体地，对于EPS电机而言，一般的故障征兆有：①电机转速、转矩显著下降；②电机负载正常，但温度超过80℃；③电气试验异常，电压过高或过低；④电机绕组相间的直流电阻阻值差别过大；⑤声音信号经检测发生故障；⑥内部出现较明显的局部放电。
而一般的故障原因有：①绕组匝间短路，电压过高导致击穿放电；②绕组开路；③绕组过热；④分接开关存在接触不良或者引线接触不良；⑤功率开关管开路。
对于不同的故障征兆都会或多或少存在与其有联系的一个或以上故障原因，例如故障征兆为②电机负载正常，但温度超过80℃时，其故障原因为②绕组开路或③绕组过热或⑤声音信号经检测发生故障，其中③绕组过热是与其最为密切的，也就是引起故障征兆②的故障原因的最大可能性为故障原因③绕组过热，但故障原因②和⑤仍然有一定的可能性，所以需要进行后续的模糊判断来得到最确切的故障原因。
E、根据故障征兆集以及故障原因集构建模糊矩阵，并构建模糊关系方程；
模糊矩阵的表达式为：
其中rmn为第n个故障征兆与第m个故障原因之间的因果概率，当rmn＝0时，代表该故障征兆与该故障原因之间没有相关性，rmn的值越大，说明两者之间的因果关系越强，也就是该故障征兆有可能是由该故障原因引起的。
对于上述提到的6个故障征兆和5个故障原因，其相关性如下：
K1 K2 K3 K4 K5 K6
D1 D B C
D2 A D C D
D3 C D
D4 A D C
D5 D C
其中K1-K6表示6个故障征兆，D1-D5表示5个故障原因，A、B、C、D表示故障征兆和故障原因之间的因果联系，其中A表示两者密切，B表示两者较为密切，C表示两者之间有关系，D表示两者之间有点关系，空白表示两者之间无关。
上述故障征兆和故障原因的对应关系可以转化成模糊矩阵，并以数值来表示A、B、C、D，其中A＝0.9；B＝0.7；C＝0.5；D＝0.3；空格＝0，则模糊矩阵可以转化为：
已知故障征兆和故障原因的前提下，模糊关系方程可以表示为：
其中D为故障原因集的模糊向量，K为故障征兆集的模糊向量，R为模糊矩阵。
F、将特征向量输入到模糊关系方程中，利用模糊推理工具进行模糊判断得到故障原因。
最后将声音信号的特征向量输入到模糊关系方程中，并利用MATLAB模糊推理工具对EPS电机进行故障诊断分析，在MATLAB模糊推理工具中根据相应的模糊规则，例如关于故障征兆和故障原因两者之间的密切度，并且可以选择相应的运算方法，最后由MATLAB进行模糊判断。
具体地，模糊推理工具可以选用择近判断方法、最大隶属判断方法、阈值判断方法进行模糊判断。
以上所述，只是本发明的较佳实施例而已，本发明并不局限于上述实施方式，只要其以相同的手段达到本发明的技术效果，都应属于本发明的保护范围。

Claims (8)

1.一种EPS电机故障检测方法，其特征在于：包括以下步骤：
A、采集EPS电机运行时的声音信号以及其他特征信号；
B、采用EMD算法对声音信号进行经验模态分解；
C、对EMD算法处理后的声音信号进行FFT变换后得到声音信号的特征向量，根据特征向量判断EPS电机是否故障，当EPS电机故障时，进行下一步骤，若EPS电机没有故障，停止检测；
D、构建故障征兆集以及故障原因集；
E、根据故障征兆集以及故障原因集构建模糊矩阵，并构建模糊关系方程；
F、将特征向量输入到模糊关系方程中，利用模糊推理工具进行模糊判断得到故障原因。
2.根据权利要求1所述的一种EPS电机故障检测方法，其特征在于：所述步骤A中的其他特征信号包括电压电流信号、温度信号、磁通量信号、转速信号、振动频率信号。
3.根据权利要求1所述的一种EPS电机故障检测方法，其特征在于：所述步骤B采用EMD算法对声音信号进行经验模态分解中，EMD算法对声音信号进行经验模态分解后得到声音信号的I MF模式分量。
4.根据权利要求3所述的一种EPS电机故障检测方法，其特征在于：所述步骤C对EMD算法处理后的声音信号进行FFT变换后得到声音信号的特征向量的具体步骤为：利用FFT变换将声音信号的IMF模式分量由时域变换到频域，再进行频谱分析后得到IMF模式分量的数值分布图，根据数值分布图得到声音信号的特征向量。
5.根据权利要求1所述的一种EPS电机故障检测方法，其特征在于：所述步骤D构建故障征兆集以及故障原因集中，故障征兆集K＝(K1，K2，…，Kj)，j＝(1,2,…,n),Kj为第j个故障征兆，n为故障征兆的数量；故障原因集D＝(D1，D2，…，Di),i＝(1,2,…,m)，Di为第i个故障原因，m为故障原因的数量。
6.根据权利要求5所述的一种EPS电机故障检测方法，其特征在于：所述步骤E根据故障征兆集以及故障原因集构建模糊矩阵中，所述模糊矩阵的表达式为：
其中rmn为第n个故障征兆与第m个故障原因之间的因果概率。
7.根据权利要求6所述的一种EPS电机故障检测方法，其特征在于：所述步骤E构建模糊关系方程中，所述模糊关系方程的表达式为：
其中D为故障原因集的模糊向量，K为故障征兆集的模糊向量，R为模糊矩阵。
8.根据权利要求1所述的一种EPS电机故障检测方法，其特征在于：所述步骤F利用模糊推理工具进行模糊判断得到故障原因中，所述模糊推理工具为MATLAB模糊推理工具。
CN201810812838.9A 2018-07-23 2018-07-23 一种eps电机故障检测方法 Pending CN108680860A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810812838.9A CN108680860A (zh) 2018-07-23 2018-07-23 一种eps电机故障检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810812838.9A CN108680860A (zh) 2018-07-23 2018-07-23 一种eps电机故障检测方法

Publications (1)

Publication Number Publication Date
CN108680860A true CN108680860A (zh) 2018-10-19

Family

ID=63814547

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810812838.9A Pending CN108680860A (zh) 2018-07-23 2018-07-23 一种eps电机故障检测方法

Country Status (1)

Country Link
CN (1) CN108680860A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111323700A (zh) * 2018-12-14 2020-06-23 江苏金风软件技术有限公司 发电机组磁钢故障预警的方法和装置
CN112798955A (zh) * 2020-12-31 2021-05-14 南通威尔电机有限公司 一种特种电机的故障检测方法及装置
CN113176501A (zh) * 2021-06-30 2021-07-27 深圳百里科技有限公司 基于物联网的设备故障检测方法、设备及存储介质
CN116330041A (zh) * 2023-05-26 2023-06-27 中科航迈数控软件(深圳)有限公司 数控加工传动装置故障检测方法、装置、设备及介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103376411A (zh) * 2012-04-12 2013-10-30 Ls产电株式会社 移动终端中对逆变器状态报警的装置和分析电机状态的装置
CN103513180A (zh) * 2013-06-24 2014-01-15 大连民族学院 电机运行状态监测和故障检测系统
CN103744021A (zh) * 2013-12-23 2014-04-23 煤炭科学研究总院 一种电机故障监控装置及方法
CN104297687A (zh) * 2014-11-19 2015-01-21 芜湖杰诺瑞汽车电器系统有限公司 三相异步电机故障监测及报警系统
CN106443444A (zh) * 2016-09-27 2017-02-22 北海益生源农贸有限责任公司 一种电机运行状态监测管理系统
CN107655693A (zh) * 2017-11-02 2018-02-02 哈尔滨理工大学 一种船舶发动机故障诊断系统及方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103376411A (zh) * 2012-04-12 2013-10-30 Ls产电株式会社 移动终端中对逆变器状态报警的装置和分析电机状态的装置
CN103513180A (zh) * 2013-06-24 2014-01-15 大连民族学院 电机运行状态监测和故障检测系统
CN103744021A (zh) * 2013-12-23 2014-04-23 煤炭科学研究总院 一种电机故障监控装置及方法
CN104297687A (zh) * 2014-11-19 2015-01-21 芜湖杰诺瑞汽车电器系统有限公司 三相异步电机故障监测及报警系统
CN106443444A (zh) * 2016-09-27 2017-02-22 北海益生源农贸有限责任公司 一种电机运行状态监测管理系统
CN107655693A (zh) * 2017-11-02 2018-02-02 哈尔滨理工大学 一种船舶发动机故障诊断系统及方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
成健: "模糊诊断法在风机故障诊断中的研究与应用", 《中国优秀硕士学位论文全文数据库·工程科技Ⅱ辑》 *
杨勇: "EMD和模糊神经网络在滚动轴承故障诊断中的研究与应用", 《国优秀硕士学位论文全文数据库·工程科技Ⅱ辑》 *
郭硕达: "基于经验模态分解算法的电机故障判断方法", 《内燃机与配件》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111323700A (zh) * 2018-12-14 2020-06-23 江苏金风软件技术有限公司 发电机组磁钢故障预警的方法和装置
CN111323700B (zh) * 2018-12-14 2023-12-22 江苏金风软件技术有限公司 发电机组磁钢故障预警的方法和装置
CN112798955A (zh) * 2020-12-31 2021-05-14 南通威尔电机有限公司 一种特种电机的故障检测方法及装置
CN113176501A (zh) * 2021-06-30 2021-07-27 深圳百里科技有限公司 基于物联网的设备故障检测方法、设备及存储介质
CN116330041A (zh) * 2023-05-26 2023-06-27 中科航迈数控软件(深圳)有限公司 数控加工传动装置故障检测方法、装置、设备及介质
CN116330041B (zh) * 2023-05-26 2023-08-08 中科航迈数控软件(深圳)有限公司 数控加工传动装置故障检测方法、装置、设备及介质

Similar Documents

Publication Publication Date Title
CN108680860A (zh) 一种eps电机故障检测方法
Abid et al. Distinct bearing faults detection in induction motor by a hybrid optimized SWPT and aiNet-DAG SVM
WO2021213142A1 (zh) 一种牵引电机故障诊断方法及装置
Palácios et al. Diagnosis of stator faults severity in induction motors using two intelligent approaches
Verma et al. An efficient neural-network model for real-time fault detection in industrial machine
Odgaard et al. Results of a wind turbine FDI competition
CN103969579A (zh) 永磁同步电机定子不对称故障诊断方法及系统
CN113159077A (zh) 一种基于混合卷积神经网络的三相逆变器故障识别方法
GB2476246A (en) Diagnosing an operation mode of a machine
CN112308038B (zh) 基于课堂式生成对抗网络模型的机械设备故障信号识别方法
CN112834224B (zh) 一种核电汽轮发电机健康状态评估方法及系统
CN106932184A (zh) 一种基于改进层次聚类的变压器故障诊断方法
Verma et al. Wavelet based fault detection and diagnosis using online mcsa of stator winding faults due to insulation failure in industrial induction machine
CN106569093A (zh) 一种同塔多回输电线路故障判定方法
Shen et al. An intelligent diagnostic method for permanent magnet synchronous motors (PMSM) in the electric drive of autonomous vehicles
CN111062569A (zh) 一种基于bp神经网络的小电流故障判别方法
CN112100946A (zh) 一种基于故障在线模拟的逆变器开路故障诊断方法及装置
Zarei et al. Broken rotor bars detection via Park's vector approach based on ANFIS
CN114019298B (zh) 一种基于pcc-svm的发电机转子匝间短路在线监测方法
CN110824297A (zh) 一种基于svm支持向量机的单相接地故障判别方法和装置
CN104700148A (zh) 一种基于行为的电机故障诊断方法
Dobroskok et al. Neural network based detecting induction motor defects supplied by unbalanced grid
CN114091574A (zh) 一种电器故障预警方法、装置及终端设备
Paraskar et al. Novel wavelet ANN technique to classify bearing faults in three phase induction motor
Zhang et al. Diagnosis methods for inter-turn short-circuit fault degree of permanent magnet synchronous motor stator winding

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20181019