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 PDF

Info

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
Application number
CN201910439864.6A
Other languages
English (en)
Other versions
CN110018417A (zh
Inventor
张晓飞
龙卓
黄守道
王辉
谭济珽
吴公平
饶志蒙
谢金平
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.)
Hunan University
Original Assignee
Hunan 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 Hunan University filed Critical Hunan University
Priority to CN201910439864.6A priority Critical patent/CN110018417B/zh
Publication of CN110018417A publication Critical patent/CN110018417A/zh
Application granted granted Critical
Publication of CN110018417B publication Critical patent/CN110018417B/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)
  • Testing And Monitoring For Control Systems (AREA)
  • Tests Of Circuit Breakers, Generators, And Electric Motors (AREA)

Abstract

本发明公开了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，针对任意工况x对应电机状态y的重构误差
Figure DDA0002071710340000011
将重构误差
Figure DDA0002071710340000012
分别和对应各种电机状态y的预设频谱重构误差阈值
Figure DDA0002071710340000013
进行比较，如果找到匹配的预设频谱重构误差阈值则判定待诊断电机H处于对应的电机状态y。本发明能够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。

Description

基于径向杂散磁通检测的电机故障诊断方法、系统及介质
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；
2)针对任意工况x下的径向杂散电磁数据，利用宽度为M的矩形滑动窗函数限制至宽度M内并进行离散傅里叶分解得到该工况x下的频谱分布矩阵
Figure GDA0002387143220000021
3)针对任意工况x下的频谱分布矩阵
Figure GDA0002387143220000022
分别计算频谱分布矩阵
Figure GDA0002387143220000023
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
Figure GDA0002387143220000024
之间的差值的绝对值得到工况x对应电机状态y的重构误差
Figure GDA0002387143220000025
4)针对任意工况x对应电机状态y的重构误差
Figure GDA0002387143220000026
将重构误差
Figure GDA0002387143220000027
分别和对应各种电机状态y的预设频谱重构误差阈值
Figure GDA0002387143220000028
进行比较，如果找到匹配的预设频谱重构误差阈值
Figure GDA0002387143220000029
则判定待诊断电机H处于对应的电机状态y。
优选地，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
Figure GDA00023871432200000210
以及对应各种电机状态y的预设频谱重构误差阈值
Figure GDA00023871432200000211
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；
S2)针对第一类数据集进行离散傅里叶变换，得到待诊断电机H在工况x下的频谱分布矩阵
Figure GDA00023871432200000212
S3)设置稀疏个数k0，在工况x下令迭代计数变量k的值为0，从频谱分布矩阵
Figure GDA00023871432200000213
中随机选择M个样本构建初始化字典
Figure GDA00023871432200000214
其中M为频谱分布矩阵
Figure GDA00023871432200000215
的列数，将初始化字典谱
Figure GDA00023871432200000216
的列归一化，k为迭代计数变量；
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
Figure GDA00023871432200000217
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
Figure GDA00023871432200000218
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
Figure GDA00023871432200000219
的列数；
Figure GDA00023871432200000220
式(1)中，
Figure GDA00023871432200000221
为第k次迭代的最小稀疏表示系数，yi为频谱分布矩阵
Figure GDA00023871432200000222
的第i行，
Figure GDA00023871432200000223
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；
S6)取出字典
Figure GDA00023871432200000224
中的第j0行作为字典原子aj0，定义使用字典原子aj0的样本索引集
Figure GDA00023871432200000225
如式(2)所示；
Figure GDA00023871432200000226
式(2)中，C(k)为第k次迭代的最小稀疏表示系数矩阵，j0为字典更新迭代变量，i为1～M之间的中间变量，M为频谱分布矩阵
Figure GDA0002387143220000031
的列数；
S7)根据式(3)计算残差矩阵
Figure GDA0002387143220000032
通过选择对应于样本索引集
Figure GDA0002387143220000033
的列来对残差矩阵
Figure GDA0002387143220000034
进行限制得到限制后的残差矩阵
Figure GDA0002387143220000035
对限制后的残差矩阵
Figure GDA0002387143220000036
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
Figure GDA0002387143220000037
的左奇异向量U的第一列；更新稀疏表示系数
Figure GDA0002387143220000038
其中s[1,1]是限制后的残差矩阵
Figure GDA0002387143220000039
第一个特征值，v1为限制后的残差矩阵
Figure GDA00023871432200000310
的右奇异向量V的第一列；
Figure GDA00023871432200000311
式(3)中，
Figure GDA00023871432200000312
为频谱分布矩阵，
Figure GDA00023871432200000313
表示第k次迭代的最小稀疏表示系数矩阵C(k)的第j行，aj表示字典
Figure GDA00023871432200000314
中的第j行且满足j不等于j0；
Figure GDA00023871432200000315
式(4)中，
Figure GDA00023871432200000316
为限制后的残差矩阵，U、V以及S均为中间变量，U和V的列矢量均是正交基，U是限制后的残差矩阵
Figure GDA00023871432200000317
的左奇异向量，V是限制后的残差矩阵
Figure GDA00023871432200000318
的右奇异向量，S是限制后的残差矩阵
Figure GDA00023871432200000319
的特征向量矩阵；
S8)判断字典更新迭代变量j0大于频谱分布矩阵
Figure GDA00023871432200000320
的列数M是否成立，如果不成立则将字典更新迭代变量j0加1，跳转执行步骤S6)；否则，跳转执行下一步；
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；
Figure GDA00023871432200000321
式(5)中，
Figure GDA00023871432200000322
为频谱分布矩阵，
Figure GDA00023871432200000323
为完成第k次迭代更新后的字典，C(k)为第k次迭代的最小稀疏表示系数矩阵；
S10)输出字典
Figure GDA00023871432200000324
作为期望字典
Figure GDA00023871432200000325
针对第二类数据集进行离散傅里叶变换得到频谱分布矩阵
Figure GDA00023871432200000326
进行验证，利用匹配追踪算法求得工况x对应的稀疏展开系数
Figure GDA00023871432200000327
并根据式(6)进行数据重构得到重构后的数据
Figure GDA00023871432200000328
Figure GDA00023871432200000329
式(6)中，
Figure GDA00023871432200000330
为输出的期望字典，
Figure GDA00023871432200000331
为稀疏展开系数；
S11)根据式(7)计算重构误差
Figure GDA0002387143220000041
并对重构误差
Figure GDA0002387143220000042
取平均值得到工况x对应各种电机状态y的预设频谱重构误差阈值
Figure GDA0002387143220000043
Figure GDA0002387143220000044
式(7)中，
Figure GDA0002387143220000045
为重构后的数据，
Figure GDA0002387143220000046
为第二类数据集对应的频谱分布矩阵；
S12)根据式(8)计算工况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
Figure GDA0002387143220000047
Figure GDA0002387143220000048
式(8)中，
Figure GDA0002387143220000049
为输出的期望字典，
Figure GDA00023871432200000410
为工况x对应的稀疏展开系数。
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
Figure GDA00023871432200000411
将重构误差
Figure GDA00023871432200000412
和电机状态为正常状态的预设频谱重构误差阈值
Figure GDA00023871432200000413
进行比较，如果重构误差
Figure GDA00023871432200000414
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
Figure GDA00023871432200000415
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
Figure GDA00023871432200000416
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
Figure GDA00023871432200000417
进行比较，如果重构误差
Figure GDA00023871432200000418
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
Figure GDA00023871432200000419
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：
5)获取待诊断电机H在在正常状态下对应工况x的稀疏展开系数
Figure GDA00023871432200000420
6)计算待诊断电机H在在正常状态下对应工况x的稀疏展开系数
Figure GDA00023871432200000421
预设的标定稀疏展开系数
Figure GDA00023871432200000422
得到差值d，并计算每项差值d的L2范数Δh；
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；
2)针对任意工况x下的径向杂散电磁数据，利用宽度为M(本实施例中具体为512)的矩形滑动窗函数限制至宽度M内并进行离散傅里叶分解得到该工况x下的频谱分布矩阵
Figure GDA0002387143220000061
3)针对任意工况x下的频谱分布矩阵
Figure GDA0002387143220000062
分别计算频谱分布矩阵
Figure GDA0002387143220000063
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
Figure GDA0002387143220000064
之间的差值的绝对值得到工况x对应电机状态y的重构误差
Figure GDA0002387143220000065
4)针对任意工况x对应电机状态y的重构误差
Figure GDA0002387143220000066
将重构误差
Figure GDA0002387143220000067
分别和对应各种电机状态y的预设频谱重构误差阈值
Figure GDA0002387143220000068
进行比较，如果找到匹配的预设频谱重构误差阈值则判定待诊断电机H处于对应的电机状态y。
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：
5)获取待诊断电机H在在正常状态下对应工况x的稀疏展开系数
Figure GDA0002387143220000069
6)计算待诊断电机H在在正常状态下对应工况x的稀疏展开系数
Figure GDA0002387143220000071
预设的标定稀疏展开系数
Figure GDA0002387143220000072
得到差值d，并计算每项差值d的L2范数Δh；
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。
本实施例中，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
Figure GDA0002387143220000073
以及对应各种电机状态y的预设频谱重构误差阈值
Figure GDA0002387143220000074
的步骤，参见图4，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；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。
S2)针对第一类数据集进行离散傅里叶变换，得到待诊断电机H在工况x下的频谱分布矩阵
Figure GDA0002387143220000081
S3)设置稀疏个数k0，在工况x下令迭代计数变量k的值为0，从频谱分布矩阵
Figure GDA0002387143220000082
中随机选择M个样本构建初始化字典
Figure GDA0002387143220000083
其中M为频谱分布矩阵
Figure GDA0002387143220000084
的列数，将初始化字典谱
Figure GDA0002387143220000085
的列归一化，k为迭代计数变量；
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
Figure GDA0002387143220000086
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
Figure GDA0002387143220000087
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
Figure GDA0002387143220000088
的列数；
Figure GDA0002387143220000089
式(1)中，
Figure GDA00023871432200000810
为第k次迭代的最小稀疏表示系数，yi为频谱分布矩阵
Figure GDA00023871432200000811
的第i行，
Figure GDA00023871432200000812
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；
S6)取出字典
Figure GDA00023871432200000813
中的第j0行作为字典原子aj0，定义使用字典原子aj0的样本索引集
Figure GDA00023871432200000814
如式(2)所示；
Figure GDA00023871432200000815
式(2)中，C(k)为第k次迭代的最小稀疏表示系数矩阵，j0为字典更新迭代变量，i为1～M之间的中间变量，M为频谱分布矩阵
Figure GDA00023871432200000816
的列数；
S7)根据式(3)计算残差矩阵
Figure GDA00023871432200000817
通过选择对应于样本索引集
Figure GDA00023871432200000818
的列来对残差矩阵
Figure GDA00023871432200000819
进行限制得到限制后的残差矩阵
Figure GDA00023871432200000820
对限制后的残差矩阵
Figure GDA00023871432200000821
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
Figure GDA00023871432200000822
的左奇异向量U的第一列；更新稀疏表示系数
Figure GDA00023871432200000823
其中s[1,1]是限制后的残差矩阵
Figure GDA00023871432200000824
第一个特征值，v1为限制后的残差矩阵
Figure GDA00023871432200000825
的右奇异向量V的第一列；
Figure GDA00023871432200000826
式(3)中，
Figure GDA00023871432200000827
为频谱分布矩阵，
Figure GDA00023871432200000828
表示第k次迭代的最小稀疏表示系数矩阵C(k)的第j行，aj表示字典
Figure GDA00023871432200000829
中的第j行且满足j不等于j0；
Figure GDA00023871432200000830
式(4)中，
Figure GDA0002387143220000091
为限制后的残差矩阵，U、V以及S均为中间变量，U和V的列矢量均是正交基，U是限制后的残差矩阵
Figure GDA0002387143220000092
的左奇异向量，V是限制后的残差矩阵
Figure GDA0002387143220000093
的右奇异向量，S是限制后的残差矩阵
Figure GDA0002387143220000094
的特征向量矩阵；
S8)判断字典更新迭代变量j0大于频谱分布矩阵
Figure GDA0002387143220000095
的列数M是否成立，如果不成立则将字典更新迭代变量j0加1，跳转执行步骤S6)；否则，跳转执行下一步；
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；
Figure GDA0002387143220000096
式(5)中，
Figure GDA0002387143220000097
为频谱分布矩阵，
Figure GDA0002387143220000098
为完成第k次迭代更新后的字典，C(k)为第k次迭代的最小稀疏表示系数矩阵；
S10)输出字典
Figure GDA0002387143220000099
作为期望字典
Figure GDA00023871432200000910
针对第二类数据集进行离散傅里叶变换得到频谱分布矩阵
Figure GDA00023871432200000911
进行验证，利用匹配追踪算法求得工况x对应的稀疏展开系数
Figure GDA00023871432200000912
并根据式(6)进行数据重构得到重构后的数据
Figure GDA00023871432200000913
Figure GDA00023871432200000914
式(6)中，
Figure GDA00023871432200000915
为输出的期望字典，
Figure GDA00023871432200000916
为稀疏展开系数；
S11)根据式(7)计算重构误差
Figure GDA00023871432200000917
并对重构误差
Figure GDA00023871432200000918
取平均值得到工况x对应各种电机状态y的预设频谱重构误差阈值
Figure GDA00023871432200000919
Figure GDA00023871432200000920
式(7)中，
Figure GDA00023871432200000921
为重构后的数据，
Figure GDA00023871432200000922
为第二类数据集对应的频谱分布矩阵；
S12)根据式(8)计算工况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
Figure GDA00023871432200000923
Figure GDA00023871432200000924
式(8)中，
Figure GDA00023871432200000925
为输出的期望字典，
Figure GDA00023871432200000926
为工况x对应的稀疏展开系数。
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
Figure GDA00023871432200000927
和
Figure GDA00023871432200000928
工况x对应的稀疏展开系数
Figure GDA00023871432200000929
和
Figure GDA00023871432200000930
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
Figure GDA00023871432200000931
包括
Figure GDA0002387143220000101
和
Figure GDA0002387143220000102
此外，还可以得到预设频谱重构误差阈值
Figure GDA0002387143220000103
Figure GDA0002387143220000104
和
Figure GDA0002387143220000105
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
Figure GDA0002387143220000106
进行稀疏重构，得到该情况下对应工况的稀疏展开系数
Figure GDA0002387143220000107
得到电机正常状态下对应三种工况下通过自学习字典
Figure GDA0002387143220000108
稀疏重构得到的稀疏展开系数
Figure GDA0002387143220000109
将不同位置下对应工况的稀疏展开系数
Figure GDA00023871432200001010
与
Figure GDA00023871432200001011
做差，得到
Figure GDA00023871432200001012
并得到其稀疏展开系数每个原子差值的L2范数
Figure GDA00023871432200001013
与对应工况下正常电机频谱稀疏展开系数
Figure GDA00023871432200001014
均方差S
Figure GDA00023871432200001015
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
Figure GDA00023871432200001016
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
Figure GDA00023871432200001017
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
Figure GDA00023871432200001018
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。
Figure GDA00023871432200001019
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
Figure GDA00023871432200001020
将重构误差
Figure GDA00023871432200001021
和电机状态为正常状态的预设频谱重构误差阈值
Figure GDA00023871432200001022
进行比较，如果重构误差
Figure GDA00023871432200001023
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
Figure GDA00023871432200001024
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
Figure GDA0002387143220000111
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
Figure GDA0002387143220000112
进行比较，如果重构误差
Figure GDA0002387143220000113
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
Figure GDA0002387143220000114
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：
Figure GDA0002387143220000115
由于涉及三种工况x，因此有
Figure GDA0002387143220000116
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
Figure GDA0002387143220000117
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。
Figure GDA0002387143220000118
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
Figure GDA0002387143220000121
重构误差
Figure GDA0002387143220000122
以及重构误差阈值
Figure GDA0002387143220000123
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
Figure GDA0002387143220000124
重构误差
Figure GDA0002387143220000125
以及重构误差阈值
Figure GDA0002387143220000126
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
Figure GDA0002387143220000127
的稀疏展开系数
Figure GDA0002387143220000128
与正常电机相应工况的稀疏展开系数
Figure GDA0002387143220000129
做差
Figure GDA00023871432200001210
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
Figure GDA00023871432200001211
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
Figure GDA00023871432200001212
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
Figure GDA00023871432200001213
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
Figure GDA00023871432200001214
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
Figure GDA00023871432200001215
与正常电机相应工况的稀疏展开系数
Figure GDA00023871432200001216
做差
Figure GDA0002387143220000131
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。
Figure GDA0002387143220000132
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)针对任意工况x下的径向杂散电磁数据，利用宽度为M的矩形滑动窗函数限制至宽度M内并进行离散傅里叶分解得到该工况x下的频谱分布矩阵
Figure FDA0002387143210000011
3)针对任意工况x下的频谱分布矩阵
Figure FDA0002387143210000012
分别计算频谱分布矩阵
Figure FDA0002387143210000013
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
Figure FDA0002387143210000014
之间的差值的绝对值得到工况x对应电机状态y的重构误差
Figure FDA0002387143210000015
4)针对任意工况x对应电机状态y的重构误差
Figure FDA0002387143210000016
将重构误差
Figure FDA0002387143210000017
分别和对应各种电机状态y的预设频谱重构误差阈值
Figure FDA0002387143210000018
进行比较，如果找到匹配的预设频谱重构误差阈值则判定待诊断电机H处于对应的电机状态y。
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
Figure FDA0002387143210000019
以及对应各种电机状态y的预设频谱重构误差阈值
Figure FDA00023871432100000110
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；
S2)针对第一类数据集进行离散傅里叶变换，得到待诊断电机H在工况x下的频谱分布矩阵
Figure FDA00023871432100000111
S3)设置稀疏个数k0，在工况x下令迭代计数变量k的值为0，从频谱分布矩阵
Figure FDA00023871432100000112
中随机选择M个样本构建初始化字典
Figure FDA00023871432100000113
其中M为频谱分布矩阵
Figure FDA00023871432100000114
的列数，将初始化字典谱
Figure FDA00023871432100000115
的列归一化，k为迭代计数变量；
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
Figure FDA00023871432100000116
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
Figure FDA00023871432100000117
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
Figure FDA00023871432100000118
的列数；
Figure FDA00023871432100000119
式(1)中，
Figure FDA00023871432100000120
为第k次迭代的最小稀疏表示系数，yi为频谱分布矩阵
Figure FDA00023871432100000121
的第i行，
Figure FDA00023871432100000122
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；
S6)取出字典
Figure FDA0002387143210000021
中的第j0行作为字典原子aj0，定义使用字典原子aj0的样本索引集
Figure FDA0002387143210000022
如式(2)所示；
Figure FDA0002387143210000023
式(2)中，C(k)为第k次迭代的最小稀疏表示系数矩阵，j0为字典更新迭代变量，i为1～M之间的中间变量，M为频谱分布矩阵
Figure FDA0002387143210000024
的列数；
S7)根据式(3)计算残差矩阵
Figure FDA0002387143210000025
通过选择对应于样本索引集
Figure FDA0002387143210000026
的列来对残差矩阵
Figure FDA0002387143210000027
进行限制得到限制后的残差矩阵
Figure FDA0002387143210000028
对限制后的残差矩阵
Figure FDA0002387143210000029
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
Figure FDA00023871432100000210
的左奇异向量U的第一列；更新稀疏表示系数
Figure FDA00023871432100000211
其中s[1,1]是限制后的残差矩阵
Figure FDA00023871432100000212
第一个特征值，v1为限制后的残差矩阵
Figure FDA00023871432100000213
的右奇异向量V的第一列；
Figure FDA00023871432100000214
式(3)中，
Figure FDA00023871432100000215
为频谱分布矩阵，
Figure FDA00023871432100000216
表示第k次迭代的最小稀疏表示系数矩阵C(k)的第j行，aj表示字典
Figure FDA00023871432100000217
中的第j行且满足j不等于j0；
Figure FDA00023871432100000218
式(4)中，
Figure FDA00023871432100000219
为限制后的残差矩阵，U、V以及S均为中间变量，U和V的列矢量均是正交基，U是限制后的残差矩阵
Figure FDA00023871432100000220
的左奇异向量，V是限制后的残差矩阵
Figure FDA00023871432100000221
的右奇异向量，S是限制后的残差矩阵的特征向量矩阵；
S8)判断字典更新迭代变量j0大于频谱分布矩阵
Figure FDA00023871432100000223
的列数M是否成立，如果不成立则将字典更新迭代变量j0加1，跳转执行步骤S6)；否则，跳转执行下一步；
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；
Figure FDA00023871432100000224
式(5)中，
Figure FDA00023871432100000225
为频谱分布矩阵，
Figure FDA00023871432100000226
为完成第k次迭代更新后的字典，C(k)为第k次迭代的最小稀疏表示系数矩阵；
S10)输出字典
Figure FDA00023871432100000227
作为期望字典
Figure FDA00023871432100000228
针对第二类数据集进行离散傅里叶变换得到频谱分布矩阵
Figure FDA00023871432100000229
进行验证，利用匹配追踪算法求得工况x对应的稀疏展开系数
Figure FDA00023871432100000230
并根据式(6)进行数据重构得到重构后的数据
Figure FDA00023871432100000231
Figure FDA0002387143210000031
式(6)中，
Figure FDA0002387143210000032
为输出的期望字典，
Figure FDA0002387143210000033
为稀疏展开系数；
S11)根据式(7)计算重构误差
Figure FDA0002387143210000034
并对重构误差
Figure FDA0002387143210000035
取平均值得到工况x对应各种电机状态y的预设频谱重构误差阈值
Figure FDA0002387143210000036
Figure FDA0002387143210000037
式(7)中，
Figure FDA0002387143210000038
为重构后的数据，
Figure FDA0002387143210000039
为第二类数据集对应的频谱分布矩阵；
S12)根据式(8)计算工况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
Figure FDA00023871432100000310
Figure FDA00023871432100000311
式(8)中，
Figure FDA00023871432100000312
为输出的期望字典，
Figure FDA00023871432100000313
为工况x对应的稀疏展开系数。
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
Figure FDA00023871432100000314
将重构误差
Figure FDA00023871432100000315
和电机状态为正常状态的预设频谱重构误差阈值
Figure FDA00023871432100000316
进行比较，如果重构误差
Figure FDA00023871432100000317
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
Figure FDA00023871432100000318
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
Figure FDA00023871432100000319
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
Figure FDA00023871432100000320
进行比较，如果重构误差
Figure FDA00023871432100000321
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
Figure FDA00023871432100000322
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：
5)获取待诊断电机H在在正常状态下对应工况x的稀疏展开系数
Figure FDA00023871432100000323
6)计算待诊断电机H在在正常状态下对应工况x的稀疏展开系数
Figure FDA00023871432100000324
预设的标定稀疏展开系数
Figure FDA00023871432100000325
得到差值d，并计算每项差值d的L2范数Δh；
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。
CN201910439864.6A 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 Active CN110018417B (zh)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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

Patent Citations (6)

* Cited by examiner, † Cited by third party
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