CN110018417B - 基于径向杂散磁通检测的电机故障诊断方法、系统及介质 - Google Patents
基于径向杂散磁通检测的电机故障诊断方法、系统及介质 Download PDFInfo
- Publication number
- CN110018417B CN110018417B CN201910439864.6A CN201910439864A CN110018417B CN 110018417 B CN110018417 B CN 110018417B CN 201910439864 A CN201910439864 A CN 201910439864A CN 110018417 B CN110018417 B CN 110018417B
- Authority
- CN
- China
- Prior art keywords
- motor
- fault
- state
- matrix
- dictionary
- 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
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)
- Testing And Monitoring For Control Systems (AREA)
- Tests Of Circuit Breakers, Generators, And Electric Motors (AREA)
Abstract
Description
技术领域
本发明涉及电气工程及故障检测技术领域,具体涉及一种基于径向杂散磁通检测的电机故障诊断方法、系统及介质。
背景技术
异步感应电机是利用电能转换为机械能的关键设备,其具有小型轻量化、易实现高速旋转、制造成本低、控制装置简单等特点,被广泛运用于工农业生产及日常生活中。但是,由于异步感应电机工作负载大且时间长,运行环境差以及维护检修不及时等方面原因,导致该类电机时常发生故障,尤其是长期工作于负载冲击大,高温潮湿等恶劣环境下,电机故障率更高。当感应电机发生故障时,不仅会对电机本身带来巨大破坏,而且还会对整个电机系统乃至电网系统的正常运行带来剧烈冲击,甚至严重威胁人员生命安全。
近年来,针对感应电机故障诊断的信号处理技术和方法得到迅速发展,但仍存在故障信号获取难,诊断精度不高等问题。目前,异步感应电机故障诊断大多是通过监测其与之运行状态相关的电压、电压和振动等参数来完成。然而这些手段都有着共同的不足:1、在电源和动态负荷变化下,不能提供故障定位信息,也不能区分不同的故障类型;2、需要提供有关电机具体的几何结构和工作特性的详细信息,如频率效应函数等;3、需要昂贵的传感装置收集数据;4、在线监测等情况下需要对相应对象进行改造。另外,实际的故障诊断数据往往是多重信号混叠,包含许多变化、非周期、非线性奇异的成分以及大量噪声,对异步感应电机的正确故障诊断具有强干扰性,现有的故障特征提取及处理方式往往只针对单一信号进行分析,受其他信号干扰较大,难以提出有效的特征信息,从而得到的故障诊断较为片面。
发明内容
本发明要解决的技术问题:针对现有技术的上述问题,提供一种基于径向杂散磁通检测的电机故障诊断方法、系统及介质,本发明通过利用径向杂散磁通进行故障检测并考虑稀疏字典学习和故障数据统计处理实现电机故障诊断,在保证经济性的同时,能使其在强干扰的情况下进行非侵入式数据采集,并进行精准故障特征降维处理,最后得到故障类型分析以及故障定位结果,具有故障定位准确可靠、方法简单可行、方法实施经济成本低的优点。
为了解决上述技术问题,本发明采用的技术方案为:
一种基于径向杂散磁通检测的电机故障诊断方法,实施步骤包括:
1)获取待诊断电机H在指定的多种工况x下的径向杂散电磁数据,所述指定的多种工况x包括空载工况、半载工况以及满载工况;
S1)获取待诊断电机H在工况x对应电机状态y的径向杂散电磁数据,对获得的径向杂散电磁数据分类为两类:第一类数据集和第二类数据集;
S4)将迭代计数变量k加1,如果迭代计数变量k大于频谱分布矩阵的列数M则跳转执行步骤S10),否则根据匹配追踪算法来迭代估计稀疏表示系数ci,1≤i≤M得到如式(1)所示的每一个最小稀疏表示系数组成的第k次迭代的最小稀疏表示系数矩阵C(k),其中M为频谱分布矩阵的列数;
式(1)中,为第k次迭代的最小稀疏表示系数,yi为频谱分布矩阵的第i行,为现有的字典,C(k)为第k次迭代的最小稀疏表示系数矩阵,||Ck||0为第k次迭代的最小稀疏表示系数矩阵C(k)的L0范数;k0为稀疏个数;
S5)初始化字典更新迭代变量j0的值为1;
S7)根据式(3)计算残差矩阵通过选择对应于样本索引集的列来对残差矩阵进行限制得到限制后的残差矩阵对限制后的残差矩阵应用奇异值分解如式(4)所示,更新字典原子aj0的限制后的残差矩阵的左奇异向量U的第一列;更新稀疏表示系数其中s[1,1]是限制后的残差矩阵第一个特征值,v1为限制后的残差矩阵的右奇异向量V的第一列;
S9)根据式(5)计算误差ε,并判断误差ε小于预期极小值ε0是否成立,如果成立则退出迭代并跳转执行下一步;否则,跳转执行步骤S4)继续进行迭代;
优选地,步骤4)详细步骤包括:
4.1)初始化电机状态变量y的值为0,且将电机状态变量y为0~4分别对应正常状态、转子断条状态、定子匝间短路状态、转子偏心状态以及轴承损坏故障状态;
4.2)针对任意工况x下的重构误差将重构误差和电机状态为正常状态的预设频谱重构误差阈值进行比较,如果重构误差小于或等于电机状态为正常状态的预设频谱重构误差阈值成立,则判定待诊断电机H处于正常状态,结束并退出;否则将电机状态变量y的值加1,跳转执行步骤4.3);
4.3)将重构误差分别和电机状态变量y所对应电机状态的预设频谱重构误差阈值进行比较,如果重构误差小于或等于电机状态变量y所对应电机状态的预设频谱重构误差阈值成立,则判定待诊断电机H处于电机状态变量y所对应电机状态,结束并退出;否则将电机状态变量y的值加1,跳转执行步骤4.4);
4.4)判断电机状态变量y小于或等于预设的电机状态数量阈值ymax是否成立,如果成立则跳转执行步骤4.3);否则,返回存在未知的故障类型,结束并退出。
优选地,步骤4)之后还包括在待诊断电机H处于非正常状态下检测故障位置的步骤,详细步骤包括:
7)根据L2范数Δh与对应工况下正常电机频谱均方差S进行对比并统计其分布规律;
8)根据统计数据主要集中的层次确定故障位置,统计数据主要集中于高层次区间则判定故障处于A位置,统计数据主要集中于中层次区间则判定故障处于B位置,统计数据主要集中于低层次区间则判定故障处于C位置,其中A位置表示处于径向杂散磁通检测线圈内部区域,B位置表示处于径向杂散磁通检测线圈外部且靠近线圈区域,C位置表示处于径向杂散磁通检测线圈外部且远离线圈区域。
优选地,步骤8)中的高层次区间具体是指据L2范数Δh与对应工况下正常电机频谱均方差S之间满足条件Δh≥5S;中层次区间具体是指据L2范数Δh与对应工况下正常电机频谱均方差S之间满足条件2S≤Δh<5S;低层次区间具体是指据L2范数Δh与对应工况下正常电机频谱均方差S之间满足条件S≤Δh<2S,其中Δh为L2范数,S为对应工况下正常电机频谱均方差。
优选地,步骤1)之前还包括选定杂散电磁数据检测线圈的最佳安装角度α的步骤,详细步骤包括:测量待诊断电机H在正常状态、满载工况下0~180°的杂散磁通数据,针对0~180°杂散磁通数据统计其中的0.5~2kHz谐波数,根据包含最多谐波数量统计量选定杂散电磁数据检测线圈的最佳安装角度α,并根据最佳安装角度α安装杂散电磁数据检测线圈。
优选地,所述最佳安装角度α为45°。
优选地,所述各种电机状态y包括正常状态、转子断条状态、定子匝间短路状态、转子偏心状态以及轴承损坏故障状态。
此外,本发明还提供一种基于径向杂散磁通检测的电机故障诊断系统,包括计算机设备,该计算机设备被编程或配置以执行所述基于径向杂散磁通检测的电机故障诊断方法的步骤,或者该计算机设备的存储介质上存储有被编程或配置以执行所述基于径向杂散磁通检测的电机故障诊断方法的计算机程序。
此外,本发明还提供一种计算机可读存储介质,该计算机可读存储介质上存储有被编程或配置以执行所述基于径向杂散磁通检测的电机故障诊断方法的计算机程序。
和现有技术相比,本发明具有下述优点:
1、本发明通过利用径向杂散磁通进行故障检测并考虑稀疏字典学习和故障数据统计处理实现电机故障诊断,在保证经济性的同时,能使其在强干扰的情况下进行非侵入式数据采集,并进行精准故障特征降维处理,最后得到故障类型分析以及故障定位结果,具有故障定位准确可靠、方法简单可行、方法实施经济成本低的优点。
2、本发明基于径向杂散磁通检测的电机故障诊断方法充分利用磁通检测非侵入式检测方法,并考虑某些电机的特殊几何结构,进行杂散磁通最佳位置测量,利用K-SVD字典学习方法进行特征频率稀疏得到各个状态的自适应字典,利用在不同字典下信号重构的方式得到重构误差,并通过比较状态判断阈值进行故障类型诊断,再根据数据统计方式得到不同故障定义下的状态统计量进行故障位置定位,方法简单可行,经济可靠。
附图说明
图1为本发明实施例方法的基本流程示意图。
图2为本发明实施例方法的详细流程示意图。
图3为本发明实施例中的训练流程示意图。
图4为本发明实施例中的径向杂散磁通数据处理流程图。
图5为本发明实施例中的电机故障位置统计流程图。
图6为本发明实施例中的径向杂散磁通测量原理图。
图7为本发明实施例中的电机故障位置示意图。
具体实施方式
下面结合实施例对本发明做进一步说明,但不应该理解为本发明上述主题范围仅限于下述实施例。在不脱离本发明上述思想的情况下,根据本领域普通知识和惯用手段,做出各种替换和变更,均应包括在本发明的保护范围内。
参见图1和图2,本实施例基于径向杂散磁通检测的电机故障诊断方法的实施步骤包括:
1)获取待诊断电机H在指定的多种工况x下的径向杂散电磁数据,所述指定的多种工况x包括空载工况、半载工况以及满载工况;
本实施例基于径向杂散磁通检测的电机故障诊断方法的对象为异步感应电机,针对待诊断电机H通过查阅电机铭牌及相关资料,可确定异步感应电机型号及电机参数。
本实施例中,各种电机状态y包括正常状态、转子断条状态、定子匝间短路状态、转子偏心状态以及轴承损坏故障状态。工况x取值0、0.5、1分别表示工作在空载、半载以及满载工况下;电机状态y取值0、1、2、3、4分别表示电机正常状态、转子断条、定子匝间短路、转子偏心以及轴承损坏故障。
参见图1和图2,本实施例步骤4)之后还包括在待诊断电机H处于非正常状态下检测故障位置的步骤,详细步骤包括:
7)根据L2范数Δh与对应工况下正常电机频谱均方差S进行对比并统计其分布规律;
8)根据统计数据主要集中的层次确定故障位置,统计数据主要集中于高层次区间则判定故障处于A位置,统计数据主要集中于中层次区间则判定故障处于B位置,统计数据主要集中于低层次区间则判定故障处于C位置,其中A位置表示处于径向杂散磁通检测线圈内部区域,B位置表示处于径向杂散磁通检测线圈外部且靠近线圈区域,C位置表示处于径向杂散磁通检测线圈外部且远离线圈区域。
本实施例基于径向杂散磁通检测电机故障诊断方法包含预先训练(图3)和实际诊断(图1和图2)过程,其中预先训练通过实验数据得到正常状态以及不同故障状态的自学习字典以及判断重构误差阈值以及各种故障状态下故障位置不同工况统计数据集合,用于实际训练中故障类型判断及故障定位。预先训练包含电机在径向杂散磁通数据处理流程以及电机故障位置统计流程。如图3所示,诊断前的训练步骤包括:
A1)确定异步感应电机类型;
通过查阅电机铭牌及相关资料,确定待诊断故障的异步感应电机型号及电机参数。
A2)测量正常状态电机满载工况下0~180°杂散磁通,统计0.5~2kHz谐波数,根据包含最多谐波数量统计量,选定线圈最佳安装角度α;
A3)测量正常状态电机在空载、半载以及满载工况下径向杂散磁通,得到三种负荷状态频谱稀疏字典,稀疏展开系数以及重构误差阈值;
A4)测量在不同故障状态下电机在空载、半载以及满载工况下径向杂散磁通,得到三种负荷状态频谱稀疏字典,稀疏展开系数以及重构误差阈值
A5)在对应故障类型的基础上,对不同故障位置进行统计分析,根据在空载、半载以及满载不同工况下,这三种层次的分布概率归纳其故障位置信息;
A6)重复数次步骤A5),得到准确的故障位置概率分布信息消除随机误差等。
S1)获取待诊断电机H在工况x对应电机状态y的径向杂散电磁数据,对获得的径向杂散电磁数据分类为两类:第一类数据集和第二类数据集;本实施例中,通过z表示不同类型,取值1、2表示第一类数据集和第二类数据集。
S4)将迭代计数变量k加1,如果迭代计数变量k大于频谱分布矩阵的列数M则跳转执行步骤S10),否则根据匹配追踪算法来迭代估计稀疏表示系数ci,1≤i≤M得到如式(1)所示的每一个最小稀疏表示系数组成的第k次迭代的最小稀疏表示系数矩阵C(k),其中M为频谱分布矩阵的列数;
式(1)中,为第k次迭代的最小稀疏表示系数,yi为频谱分布矩阵的第i行,为现有的字典,C(k)为第k次迭代的最小稀疏表示系数矩阵,||Ck||0为第k次迭代的最小稀疏表示系数矩阵C(k)的L0范数;k0为稀疏个数;泛函数学符号“subject to”(s.t.)指受限制于。
S5)初始化字典更新迭代变量j0的值为1;
S7)根据式(3)计算残差矩阵通过选择对应于样本索引集的列来对残差矩阵进行限制得到限制后的残差矩阵对限制后的残差矩阵应用奇异值分解(SVD)如式(4)所示,更新字典原子aj0的限制后的残差矩阵的左奇异向量U的第一列;更新稀疏表示系数其中s[1,1]是限制后的残差矩阵第一个特征值,v1为限制后的残差矩阵的右奇异向量V的第一列;
S9)根据式(5)计算误差ε,并判断误差ε小于预期极小值ε0是否成立,如果成立则退出迭代并跳转执行下一步;否则,跳转执行步骤S4)继续进行迭代;
分别针对各种工况x、各种电机状态y执行上述步骤S1)~S13),最终针对空载、半载、满载三种工况以及正常状态、转子断条、定子匝间短路、转子偏心以及轴承损坏故障五种装填,可分别输出期望字典和工况x对应的稀疏展开系数和并得到工况x对应各种电机状态y的电机正常状态自学习字典稀疏重构结果包括和此外,还可以得到预设频谱重构误差阈值 和其中上标取值0、0.5以及1分别表示工作在空载、半载以及满载工况下,下标取值0、1、2、3、4分别表示电机正常状态、转子断条、定子匝间短路、转子偏心以及轴承损坏故障。
如图5所示,本实施例不同故障状态电机故障位置统计流程步骤包括:将对应故障状态下实验采集的不同故障位置Z径向杂散磁通数据进行离散傅里叶变化,得到其负载特征频率谱;将在Z位置(Z分别取A、B、C等位置)得到的三种工况的负载特征频率谱在电机正常状态下三种工况自学习字典进行稀疏重构,得到该情况下对应工况的稀疏展开系数得到电机正常状态下对应三种工况下通过自学习字典稀疏重构得到的稀疏展开系数将不同位置下对应工况的稀疏展开系数与做差,得到并得到其稀疏展开系数每个原子差值的L2范数与对应工况下正常电机频谱稀疏展开系数均方差S进行对比,得到在不同工况下的下列三种层次故障定义的统计数据集合;若故障处于A位置,则其稀疏展开系数统计数据则大多处于低层次区间若故障处于B位置,则其稀疏展开系数统计数据则大多处于中层次区间若故障处于C位置,则其稀疏展开系数统计数据则大多处于高层次区间
本实施例中,不同状态信号对应于不同类型字典的重构误差阈值如表1所示:
表1:不同状态信号对应于不同类型字典的重构误差阈值。
本实施例中,步骤4)详细步骤包括:
4.1)初始化电机状态变量y的值为0,且将电机状态变量y为0~4分别对应正常状态、转子断条状态、定子匝间短路状态、转子偏心状态以及轴承损坏故障状态;
4.2)针对任意工况x下的重构误差将重构误差和电机状态为正常状态的预设频谱重构误差阈值进行比较,如果重构误差小于或等于电机状态为正常状态的预设频谱重构误差阈值成立,则判定待诊断电机H处于正常状态,结束并退出;否则将电机状态变量y的值加1,跳转执行步骤4.3);
4.3)将重构误差分别和电机状态变量y所对应电机状态的预设频谱重构误差阈值进行比较,如果重构误差小于或等于电机状态变量y所对应电机状态的预设频谱重构误差阈值成立,则判定待诊断电机H处于电机状态变量y所对应电机状态,结束并退出;否则将电机状态变量y的值加1,跳转执行步骤4.4);
4.4)判断电机状态变量y小于或等于预设的电机状态数量阈值ymax是否成立,如果成立则跳转执行步骤4.3);否则,返回存在未知的故障类型,结束并退出。
本实施例中,计算每项差值d的L2范数Δh,即:
本实施例中,步骤8)中的高层次区间具体是指据L2范数Δh与对应工况下正常电机频谱均方差之间满足条件Δh≥5S;中层次区间具体是指据L2范数Δh与对应工况下正常电机频谱均方差S之间满足条件2S≤Δh<5S;低层次区间具体是指据L2范数Δh与对应工况下正常电机频谱均方差S之间满足条件S≤Δh<2S,其中Δh为L2范数,S为对应工况下正常电机频谱均方差。本实施例中,不同故障位置各层次数据统计分析如表2所示;
表2:不同故障位置各层次数据统计分析表。
本实施例中,步骤1)之前还包括选定杂散电磁数据检测线圈的最佳安装角度α的步骤,详细步骤包括:测量待诊断电机H在正常状态、满载工况下0~180°的杂散磁通数据,针对0~180°杂散磁通数据统计其中的0.5~2kHz谐波数,根据包含最多谐波数量统计量选定杂散电磁数据检测线圈的最佳安装角度α,并根据最佳安装角度α安装杂散电磁数据检测线圈,能够消除电机自身几何结构影响以便于进行后续测量分析,提高测量分析的准确度。
本实施例中,最佳安装角度α为45°。
本实施例中,在最佳放置角度α=45°下,进行正常状态电机空载、半载以及满载的径向杂散磁通测量,得到其实验测量数据后,进行如图2所示训练流程,得到三种工况下的频谱稀疏字典、稀疏展开稀疏以及重构误差阈值。利用电机正常状态下实验采集的径向杂散磁通数据,重复图1中径向杂散磁通数据处理流程,得到在正常状态下,空载、半载和满载工况下的相关自学习字典重构误差以及重构误差阈值利用断条故障下实验采集的径向杂散磁通数据,重复图1中径向杂散磁通数据处理流程,得到在断条故障下,空载、半载和满载工况下的相关自学习字典重构误差以及重构误差阈值利用不同位置断条故障下实验采集的径向杂散磁通数据,结合图1的流程,对不同故障位置进行数据统计分布分析,将断条故障下的在正常电机状态下字典的稀疏展开系数与正常电机相应工况的稀疏展开系数做差得到稀疏展开系数每个原子差值d的L2范数,并与对应工况下正常电机频谱稀疏展开系数均方差S进行对比,得到在不同工况下的下列三种层次故障定义的统计数据集合:低层次:2S≥Δ≥S;中层次:5S≥Δ≥2S;高层次:Δ≥5S;根据在空载、半载以及满载不同工况下,对照图3,根据三种层次的分布概率归纳其故障位置信息得到表2,若故障处于A位置,则其稀疏展开系数统计数据则大多处于低层次区间;若故障处于B位置,则其稀疏展开系数统计数据则大多处于中层次区间;若故障处于C位置,则其稀疏展开系数统计数据则大多处于低层次区间。给定一个待诊断电机H的空载、半载以及满载径向杂散电磁数据,利用512宽度矩形滑动窗函数将H数据长度限制至512内(H={h1,h2,…,h512}),并进行离散傅里叶分解得到其频谱图,分别针对电机正常状态以及各类故障的自学习字典进行稀疏重构,得到在正常状态和断条故障状态下重构误差并分别与正常状态以及各个故障状态的判断阈值进行比较,通过表3和表1的对比可知针对正常状态字典进行重构后误差均远远大于其正常状态重构误差阈值,针对断条故障状态进行重构后其误差均在其重构误差阈值范围内,因此判断电机H处于断条故障状态。
表3:不同状态信号对应于不同类型字典的重构误差
正常状态 | 断条状态 | |
空载 | 10.709 | 1.4982 |
半载 | 12.5451 | 2.0222 |
满载 | 9.2672 | 1.9328 |
在得到故障类型后,将H数据的稀疏展开系数与正常电机相应工况的稀疏展开系数做差得到H数据稀疏展开系数每项数值差值的L2范数,并与对应工况下正常电机频谱均方差S进行对比,得到在不同工况下的高、中、低层次三种故障定义的统计数据T,根据表4统计数据进行分析,得知其大部分数据处于高层次:Δh≥5S,因此判断其处于A位置。
表4:待诊断电机H的故障各层次数据统计分析表。
综上所述,本实施例提供一种基于径向杂散磁通检测的电机故障诊断方法,该方法是一种新的利用径向杂散磁通进行故障检测并考虑稀疏字典学习和故障数据统计处理的方法,在保证经济性的同时,能使其在强干扰的情况下进行非侵入式数据采集,并进行精准故障特征降维处理及数据分析,最后得到故障类型分析和故障定位结果。
此外,本实施例还提供一种基于径向杂散磁通检测的电机故障诊断系统,包括计算机设备,该计算机设备被编程或配置以执行本实施例前述基于径向杂散磁通检测的电机故障诊断方法的步骤,或者该计算机设备的存储介质上存储有被编程或配置以执行本实施例前述基于径向杂散磁通检测的电机故障诊断方法的计算机程序。
如图6所示,本实施例的基于径向杂散磁通检测的电机故障诊断系统包括:异步感应电机、径向杂散磁通测量线圈、电源、电机负载、放大及滤波器,数据采集板以及计算机及处理分析软件组成。异步感应电机通过电源获得动力,并驱动负载进行试验运行,径向杂散磁通测量线圈安装于异步感应电机径向侧,测得信号通过放大及滤波器后送入数据采集板,并传输至计算机运用软件进行相应故障诊断处理分析。如图7所示,本实施例中以A位置表示处于径向杂散磁通检测线圈内部的异步感应电机断条故障,B位置表示处于径向杂散磁通检测线圈外部且靠近线圈的异步感应电机断条故障,C位置表示处于径向杂散磁通检测线圈外部且远离线圈的异步感应电机断条故障。
此外,本实施例还提供一种计算机可读存储介质,该计算机可读存储介质上存储有被编程或配置以执行本实施例前述基于径向杂散磁通检测的电机故障诊断方法的计算机程序。
以上所述仅是本发明的优选实施方式,本发明的保护范围并不仅局限于上述实施例,凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理前提下的若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种基于径向杂散磁通检测的电机故障诊断方法,其特征在于实施步骤包括:
1)获取待诊断电机H在指定的多种工况x下的径向杂散电磁数据,所述指定的多种工况x包括空载工况、半载工况以及满载工况;
2.根据权利要求1所述的基于径向杂散磁通检测的电机故障诊断方法,其特征在于,步骤3)之前还包括标定生成工况x对应各种电机状态y的电机正常状态自学习字典稀疏重构结果以及对应各种电机状态y的预设频谱重构误差阈值的步骤,详细步骤包括:
S1)获取待诊断电机H在工况x对应电机状态y的径向杂散电磁数据,对获得的径向杂散电磁数据分类为两类:第一类数据集和第二类数据集;
S4)将迭代计数变量k加1,如果迭代计数变量k大于频谱分布矩阵的列数M则跳转执行步骤S10),否则根据匹配追踪算法来迭代估计稀疏表示系数ci,1≤i≤M得到如式(1)所示的每一个最小稀疏表示系数组成的第k次迭代的最小稀疏表示系数矩阵C(k),其中M为频谱分布矩阵的列数;
式(1)中,为第k次迭代的最小稀疏表示系数,yi为频谱分布矩阵的第i行,为现有的字典,C(k)为第k次迭代的最小稀疏表示系数矩阵,||Ck||0为第k次迭代的最小稀疏表示系数矩阵C(k)的L0范数;k0为稀疏个数;
S5)初始化字典更新迭代变量j0的值为1;
S7)根据式(3)计算残差矩阵通过选择对应于样本索引集的列来对残差矩阵进行限制得到限制后的残差矩阵对限制后的残差矩阵应用奇异值分解如式(4)所示,更新字典原子aj0的限制后的残差矩阵的左奇异向量U的第一列;更新稀疏表示系数其中s[1,1]是限制后的残差矩阵第一个特征值,v1为限制后的残差矩阵的右奇异向量V的第一列;
S9)根据式(5)计算误差ε,并判断误差ε小于预期极小值ε0是否成立,如果成立则退出迭代并跳转执行下一步;否则,跳转执行步骤S4)继续进行迭代;
3.根据权利要求1所述的基于径向杂散磁通检测的电机故障诊断方法,其特征在于,步骤4)详细步骤包括:
4.1)初始化电机状态变量y的值为0,且将电机状态变量y为0~4分别对应正常状态、转子断条状态、定子匝间短路状态、转子偏心状态以及轴承损坏故障状态;
4.2)针对任意工况x下的重构误差将重构误差和电机状态为正常状态的预设频谱重构误差阈值进行比较,如果重构误差小于或等于电机状态为正常状态的预设频谱重构误差阈值成立,则判定待诊断电机H处于正常状态,结束并退出;否则将电机状态变量y的值加1,跳转执行步骤4.3);
4.3)将重构误差分别和电机状态变量y所对应电机状态的预设频谱重构误差阈值进行比较,如果重构误差小于或等于电机状态变量y所对应电机状态的预设频谱重构误差阈值成立,则判定待诊断电机H处于电机状态变量y所对应电机状态,结束并退出;否则将电机状态变量y的值加1,跳转执行步骤4.4);
4.4)判断电机状态变量y小于或等于预设的电机状态数量阈值ymax是否成立,如果成立则跳转执行步骤4.3);否则,返回存在未知的故障类型,结束并退出。
4.根据权利要求1所述的基于径向杂散磁通检测的电机故障诊断方法,其特征在于,步骤4)之后还包括在待诊断电机H处于非正常状态下检测故障位置的步骤,详细步骤包括:
7)根据L2范数Δh与对应工况下正常电机频谱均方差S进行对比并统计其分布规律;
8)根据统计数据主要集中的层次确定故障位置,统计数据主要集中于高层次区间则判定故障处于A位置,统计数据主要集中于中层次区间则判定故障处于B位置,统计数据主要集中于低层次区间则判定故障处于C位置,其中A位置表示处于径向杂散磁通检测线圈内部区域,B位置表示处于径向杂散磁通检测线圈外部且靠近线圈区域,C位置表示处于径向杂散磁通检测线圈外部且远离线圈区域。
5.根据权利要求4所述的基于径向杂散磁通检测的电机故障诊断方法,其特征在于,步骤8)中的高层次区间具体是指据L2范数Δh与对应工况下正常电机频谱均方差S之间满足条件Δh≥5S;中层次区间具体是指据L2范数Δh与对应工况下正常电机频谱均方差S之间满足条件2S≤Δh<5S;低层次区间具体是指据L2范数Δh与对应工况下正常电机频谱均方差S之间满足条件S≤Δh<2S,其中Δh为L2范数,S为对应工况下正常电机频谱均方差。
6.根据权利要求1所述的基于径向杂散磁通检测的电机故障诊断方法,其特征在于,步骤1)之前还包括选定杂散电磁数据检测线圈的最佳安装角度α的步骤,详细步骤包括:测量待诊断电机H在正常状态、满载工况下0~180°的杂散磁通数据,针对0~180°杂散磁通数据统计其中的0.5~2kHz谐波数,根据包含最多谐波数量统计量选定杂散电磁数据检测线圈的最佳安装角度α,并根据最佳安装角度α安装杂散电磁数据检测线圈。
7.根据权利要求6所述的基于径向杂散磁通检测的电机故障诊断方法,其特征在于,所述最佳安装角度α为45°。
8.根据权利要求1所述的基于径向杂散磁通检测的电机故障诊断方法,其特征在于,所述各种电机状态y包括正常状态、转子断条状态、定子匝间短路状态、转子偏心状态以及轴承损坏故障状态。
9.一种基于径向杂散磁通检测的电机故障诊断系统,包括计算机设备,其特征在于,该计算机设备被编程或配置以执行权利要求1~8中任意一项所述基于径向杂散磁通检测的电机故障诊断方法的步骤,或者该计算机设备的存储介质上存储有被编程或配置以执行权利要求1~8中任意一项所述基于径向杂散磁通检测的电机故障诊断方法的计算机程序。
10.一种计算机可读存储介质,其特征在于,该计算机可读存储介质上存储有被编程或配置以执行权利要求1~8中任意一项所述基于径向杂散磁通检测的电机故障诊断方法的计算机程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910439864.6A CN110018417B (zh) | 2019-05-24 | 2019-05-24 | 基于径向杂散磁通检测的电机故障诊断方法、系统及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910439864.6A CN110018417B (zh) | 2019-05-24 | 2019-05-24 | 基于径向杂散磁通检测的电机故障诊断方法、系统及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110018417A CN110018417A (zh) | 2019-07-16 |
CN110018417B true CN110018417B (zh) | 2020-05-15 |
Family
ID=67194354
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910439864.6A Active CN110018417B (zh) | 2019-05-24 | 2019-05-24 | 基于径向杂散磁通检测的电机故障诊断方法、系统及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110018417B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110531259B (zh) * | 2019-08-12 | 2020-08-18 | 西安交通大学 | 基于漏磁信号的感应电机电气故障诊断方法 |
CN111340110B (zh) * | 2020-02-25 | 2023-04-18 | 湖南师范大学 | 一种基于工业过程运行状态趋势分析的故障预警方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH10177053A (ja) * | 1996-12-18 | 1998-06-30 | Hitachi Ltd | 回転電機の固定子コイルの劣化検知方法及び装置 |
US6144924A (en) * | 1996-05-20 | 2000-11-07 | Crane Nuclear, Inc. | Motor condition and performance analyzer |
CN104655425A (zh) * | 2015-03-06 | 2015-05-27 | 重庆大学 | 基于稀疏表示和大间隔分布学习的轴承故障分类诊断方法 |
CN105258947A (zh) * | 2015-11-06 | 2016-01-20 | 北京航空航天大学 | 一种基于压缩感知的工况扰动条件下的滚动轴承故障诊断方法 |
CN106323635A (zh) * | 2016-08-04 | 2017-01-11 | 中国航空综合技术研究所 | 一种滚动轴承故障在线检测与状态评估方法 |
CN106443447A (zh) * | 2016-09-26 | 2017-02-22 | 南京航空航天大学 | 一种基于iSDAE的航空发电机故障特征提取方法 |
-
2019
- 2019-05-24 CN CN201910439864.6A patent/CN110018417B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6144924A (en) * | 1996-05-20 | 2000-11-07 | Crane Nuclear, Inc. | Motor condition and performance analyzer |
JPH10177053A (ja) * | 1996-12-18 | 1998-06-30 | Hitachi Ltd | 回転電機の固定子コイルの劣化検知方法及び装置 |
CN104655425A (zh) * | 2015-03-06 | 2015-05-27 | 重庆大学 | 基于稀疏表示和大间隔分布学习的轴承故障分类诊断方法 |
CN105258947A (zh) * | 2015-11-06 | 2016-01-20 | 北京航空航天大学 | 一种基于压缩感知的工况扰动条件下的滚动轴承故障诊断方法 |
CN106323635A (zh) * | 2016-08-04 | 2017-01-11 | 中国航空综合技术研究所 | 一种滚动轴承故障在线检测与状态评估方法 |
CN106443447A (zh) * | 2016-09-26 | 2017-02-22 | 南京航空航天大学 | 一种基于iSDAE的航空发电机故障特征提取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110018417A (zh) | 2019-07-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sun et al. | Sparse representation based on parametric impulsive dictionary design for bearing fault diagnosis | |
CN110610035B (zh) | 一种基于gru神经网络的滚动轴承剩余寿命预测方法 | |
CN106443316B (zh) | 一种电力变压器绕组形变状态多信息检测方法及装置 | |
Han et al. | Intelligent fault diagnosis method for rotating machinery via dictionary learning and sparse representation-based classification | |
Jin et al. | Anomaly detection of cooling fan and fault classification of induction motor using Mahalanobis–Taguchi system | |
Bessam et al. | Wavelet transform and neural network techniques for inter-turn short circuit diagnosis and location in induction motor | |
Liu et al. | Feature extraction of rotor fault based on EEMD and curve code | |
Xiao et al. | Fault diagnosis of induction motors using recurrence quantification analysis and LSTM with weighted BN | |
Haroun et al. | Multiple features extraction and selection for detection and classification of stator winding faults | |
CN110018417B (zh) | 基于径向杂散磁通检测的电机故障诊断方法、系统及介质 | |
Ojaghi et al. | Model‐based exact technique to identify type and degree of eccentricity faults in induction motors | |
Chen et al. | Diagnosing planetary gear faults using the fuzzy entropy of LMD and ANFIS | |
Lu et al. | Fault diagnosis of rolling bearing based on improved VMD and KNN | |
CN110907826A (zh) | 一种基于卷积神经网络滤波的电机故障诊断方法及系统 | |
Rahnama et al. | Machine‐learning approach for fault detection in brushless synchronous generator using vibration signals | |
CN115828745A (zh) | 基于集成学习算法的机电作动器匝间短路故障诊断方法 | |
CN113837432A (zh) | 一种物理-数据联合驱动的电力系统频率预测方法 | |
Wang et al. | Cable incipient fault identification using restricted Boltzmann machine and stacked autoencoder | |
Bejaoui et al. | A data-driven prognostics technique and rul prediction of rotating machines using an exponential degradation model | |
CN109948194B (zh) | 一种高压断路器机械缺陷集成学习诊断方法 | |
Shi et al. | Sound-aided fault feature extraction method for rolling bearings based on stochastic resonance and time-domain index fusion | |
CN111291918A (zh) | 平稳子空间外源矢量自回归的旋转机械退化趋势预测方法 | |
Zhou et al. | Three-phase asynchronous motor fault diagnosis using attention mechanism and hybrid CNN-MLP by multi-sensor information | |
CN115186772A (zh) | 一种电力设备的局部放电的检测方法、装置及设备 | |
Delgado-Prieto et al. | Novelty detection based condition monitoring scheme applied to electromechanical systems |
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 |