CN110940917A - 一种电动机故障预警方法及系统 - Google Patents
一种电动机故障预警方法及系统 Download PDFInfo
- Publication number
- CN110940917A CN110940917A CN201911259234.7A CN201911259234A CN110940917A CN 110940917 A CN110940917 A CN 110940917A CN 201911259234 A CN201911259234 A CN 201911259234A CN 110940917 A CN110940917 A CN 110940917A
- Authority
- CN
- China
- Prior art keywords
- fault
- generalization
- motor
- bearing
- series
- 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
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
-
- 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
-
- 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
- G01M13/04—Bearings
-
- 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
- G01M13/04—Bearings
- G01M13/045—Acoustic or vibration analysis
-
- 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
- G01R31/346—Testing of armature or field windings
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Control Of Electric Motors In General (AREA)
Abstract
本发明提供了一种电动机故障预警方法及系统,所述方法包括:根据电动机的三相电压、电流信号和预设的转子断条故障诊断模型、定子绕组故障诊断模型和轴承故障诊断模型分别计算转子断条泛化级数、定子绕组匝间短路泛化级数和轴承外滚道故障泛化级数、轴承内滚道故障泛化级数、轴承滚动体故障泛化级数、轴承保持架故障泛化级数;根据上述泛化级数对电动机健康状态进行评估。采用上述电动机故障预警方法及系统,可判断电动机故障严重程度,提前安排停机检修维护计划,提高生产效率,降低设备运维成本,增加企业经济及安全收益。
Description
技术领域
本发明涉及电动机领域,尤其涉及一种电动机故障预警方法及系统。
背景技术
电动机作为发电、化工、船舶、钢铁、水泥等工业领域重要的辅机和动力来源,具有非常重要的作用及价值。据统计,工业生产中70%的生产任务都是由电动机完成,一旦发生故障,若处理不当或不及时,将对与电动机相连的传动装置造成二次故障,使生产停滞,甚至大面积停产,带来巨大的经济损失及安全问题,甚至人员伤亡。
电动机故障故障诊断技术经过几十年的发展,已逐渐形成一门集传感器技术、信号处理、数据挖掘、模式识别、计算机科学、大数据分析等多领域交叉学科。有学者就基于振动信号的电动机轴承故障诊断技术做了深入的研究,但是振动信号并不能有效监测电动机转子断条、匝间短路等电气故障;有研究表明,基于振动信号的电动机转子故障诊断技术同样具有良好的诊断性能,但是多用于转子碰模等故障,对转子断条诊断效果欠佳;国内有文献表明,基于温度传感器的电动机故障诊断技术可监测电动机定子绕组绝缘老化等问题,但是对于定子绕组匝间短路故障并不如定子电流信号直接、方便。以上研究均未能建立统一的传感器信号对电动机常见故障进行监测,如若采用不同的信号,监测不同类型的故障,会显著提高数据采集装置的成本,对现场运维人员的专业知识及信号处理经验提出了更高的要求,并且考虑到振动传感器、温度传感器等传感器现场安装、施工困难等,将导致监测系统成本升高,维护困难,现场管理混乱等问题,降低监测系统的实用性。
随着对电动机故障诊断技术的不断深入,利用电压、电流等电气量信号已可对电动机转子断条、匝间短路、轴承等故障进行综合诊断。但是,目前对基于电气量信号的电动机故障诊断技术,多是对故障诊断原理及模型进行研究,暂无统一的评价指标对故障发生严重程度界定。众所周知,当电动机长期平稳运行时,定子绕组、转子、轴承发生轻微故障到其发生使电动机不可继续运转的严重故障,需要经过漫长的时间。但是,目前市面上成熟的故障诊断模型,因无设备故障预警模块,现场运维人员只能获取电动机故障信息,无法取得其故障严重程度等更为深入的信息,一旦提示故障,立即安排停机检修,使生产任务暂时停滞,为企业生产任务的进行带来不必要的麻烦。且要求维修人员具有更为专业的技能来判断发生故障的组件是否可用、还可继续使用多长时间,间接提高了对厂区运维人员专业技能的要求,增加人力成本的投入。
发明内容
本发明的目的在于提供了一种可以判断电动机故障严重程度的电动机故障预警方法及系统。
本发明实施例中,提供了一种电动机故障预警方法,其包括:
根据电动机的三相电压、电流信号和预设的转子断条故障诊断模型、定子绕组故障诊断模型和轴承故障诊断模型分别计算转子断条泛化级数、定子绕组匝间短路泛化级数和轴承外滚道故障泛化级数、轴承内滚道故障泛化级数、轴承滚动体故障泛化级数、轴承保持架故障泛化级数;
根据转子断条泛化级数、定子绕组匝间短路泛化级数和轴承外滚道故障泛化级数、轴承内滚道故障泛化级数、轴承滚动体故障泛化级数、轴承保持架故障泛化级数对电动机健康状态进行评估。
本发明实施例中,计算转子断条泛化级数的步骤包括:
采集三相电压、电流信号,对其在2f1之附近低通滤波,排除高次谐波干扰,其中,f1为电动机工频;
在40-60Hz为截至频率,对三相电流、电压进行带通滤波;
对某一相电流信号进行细化频谱分析,利用转子齿槽谐波分量,估计电动机转差率s;
计算电机瞬时有功功率,并对瞬时有功功率在6sf1之内低通滤波,其中,f1为电动机工频;
进行细化频谱分析,并寻找2sf1分量对应的Hilbert模量H,该模量H与设定的灵敏度系数λ相乘,即得到转子断条泛化级数:
δ转子=λ×H。
本发明实施例中,估计电动机转差率s的计算式如下:
其中,fsh为转子齿槽谐波分量,P为电动机极对数,Zr为转子齿槽数,n=[1,3,5,Λ]。
本发明实施例中,计算定子绕组匝间短路泛化级数,包括:
采集三相电压、电流信号,对其在工频附近窄带滤波,排除高次谐波干扰;
利用FFt变换计算三相电压、电流信号的基波幅值、相位;
计算三相电抗X1、X2、X3,并根据定子绕组故障判定条件计算故障判定阈值;
计算匝间短路泛化级数:
式中:i=[1,2,3],λ为设定的灵敏度系数。
本发明实施例中,计算轴承内滚道故障泛化级数、轴承滚动体故障泛化级数、轴承保持架故障泛化级数,包括:
采集三相电压、电流信号;
对三相电压在工频附近窄带滤波滤波,对三相电流在|f1-f固有|、|f1+f固有|、|f1-2f固有|、|f1+2f固有|频带之间带阻滤波,其中,f1表示工频,f固有表示轴承各故障损伤固有频率;
对某一相电流信号进行细化频谱分析,利用定子齿槽谐波技术估计电机转速;
计算电机瞬时有功功率,并依据Hilbert谱轴承故障特征频率式计算轴承故障特征频率;
进行细化频谱分析,并寻找故障特征频率对应的Hilbert模量,将各Hilbert模量进行求和,并赋予该求和值S一灵敏度λ,即为轴承故障泛化级数::
δ轴承i=λ×Si,
式中:i=[1,2,3,4],分别对应轴承外滚道、内滚道、滚动体、保持架故障。
本发明实施例中,轴承外滚道损伤固有频率、内滚道损伤固有频率、滚动体损伤固有频率、保持架故障损伤固有频率的计算方式分别如下:
式中:X为回转频率,d为轴承滚动体直径,Dp为轴承节圆直径,n为轴承滚动体个数,θ为轴承压力角。
本发明实施例中,根据转子断条泛化级数、定子绕组匝间短路泛化级数和轴承外滚道故障泛化级数、轴承内滚道故障泛化级数、轴承滚动体故障泛化级数、轴承保持架故障泛化级数对电动机健康状态进行评估,包括:
当δ<1.0时,电机故障等级为“一级”;
当1.0≤δ<2.0时,故障等级为“二级”;
当2.0≤δ<3.0时,故障等级为“三级”;
当3.0≤δ<4.0时,故障等级为“四级”;
当δ≥4.0时,故障等级为“五级”;
其中,δ为转子断条泛化级数、定子绕组匝间短路泛化级数和轴承外滚道故障泛化级数、轴承内滚道故障泛化级数、轴承滚动体故障泛化级数、轴承保持架故障泛化级数之一。
本发明实施例中,所述的电动机故障预警方法还包括:
对电动机的三相电压、电流信号进行采样,其中,采样频率最低设置为2000Hz,采集时长最低设置为10秒。
本发明实施例中,所述的电动机故障预警方法还包括:
对采样的三相电压、电流信号进行预处理,具体包括:
以任意相电流I瞬时值为依据,以下述式计算数据平稳阶段起始时刻计算采样数据平稳阶段起始时刻
以N1秒数据为长度,计算数据有效值R1:
式中:
i=[1,2,3,Λ,(N-N1)],N为数据采集时长;
n1=(i-1)×fs+1;
n2=(i+N1-1)×fs;
以(60-N1)秒为长度逐秒递推,在其循环内部,以N1秒为周期循环,以1秒数据为递推窗,计算数据有效值R2:
式中:
i=[1,2,3,Λ,(60-N1)];
m=[1,2,3,Λ,N1];
n3=(i-1+m-1)×fs+1;
n4=(i+m-1)×fs;
以R1与R2之差的平方和e为误差判定值,最小值所对应的引索即为平稳数据段起始时刻:
式中:
i=[1,2,3,Λ,(60-N1)];
j=[1,2,3,Λ,N1];
以平稳数据段起始时刻为起点截取降频后三相线电压、线电流。
本发明实施例中,还提供了一种电动机故障预警系统,其用上述的电动机故障预警方法,对电动机当前健康状态进行评价。
与现有技术相比较,本发明的电动机故障预警方法及系统中,采用电压、电流信号为诊断数据对电机常见故障,即转子断条、匝间短路、轴承等故障构建一种基于泛化评价的故障诊断模型,实现电机故障诊断、在线监测,通过故障诊断模型提供的“泛化级数”实现对电机组件故障及严重程度进行判定,并以该评价指标构建电机预警模块,为现场运维人员、操作工等提供专业、深入、详尽的诊断报告,使之更为合理的利用电机,达到生产效益最大化,运维成本最低化、人员分配最优化的效果。
附图说明
图1是本发明实施例的电动机故障预警方法的流程图。
图2是本发明实施例的数据预处理的流程图。
图3是本发明实施例的电动机组件综合故障诊断的流程图。
图4是本发明实施例的计算定子绕组故障诊断泛化级数的流程图。
图5是本发明实施例的计算转子断条故障诊断泛化级数的流程图。
图6是本发明实施例的计算轴承故障诊断泛化级数的流程图。
图7是本发明实施例的电动机故障预警的流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
以下结合具体实施例对本发明的实现进行详细描述,
如图1所示,在本发明实施例中,一种基于泛化评价的笼型电动机健康管理方法,其包括以下步骤:
步骤(1)、数据采集:采集电动机平稳运行时三相电压、电流数据,不限负载、不限工况;
步骤(2)、数据预处理:将步骤(1)中采集的电动机稳定运行时的三相电压、电流信号搜索相对平稳阶段数据并整理,以用于后续信号处理;
步骤(3):建立基于泛化评价的电动机故障诊断模块;
步骤(4):建立电动机故障预警及健康管理模块;
步骤(5):生成电动机故障预警报告。
所述的步骤(1)中,为保证诊断可靠性,采样频率最低设置为2000Hz,一般不超过20000Hz;数据采集时长最低10秒,一般不超过90秒。
如图2所示,所述的步骤(2)中,现场采集的电压单位设定为:KV,电流单位设定为:A;以任意相电流I瞬时值为依据,以下述步骤计算数据平稳阶段起始时刻:
步骤(a1):以N1秒数据为长度,计算数据有效值R1:
式(1)中:
i=[1,2,3,Λ,(N-N1)],N为数据采集时长;
n1=(i-1)×fs+1;
n2=(i+N1-1)×fs;
步骤(a2):以(60-N1)秒为长度逐秒递推,在其循环内部,以N1秒为周期循环,以1秒数据为递推窗,计算数据有效值R2:
式(2)中:
i=[1,2,3,Λ,(60-N1)];
m=[1,2,3,Λ,N1];
n3=(i-1+m-1)×fs+1;
n4=(i+m-1)×fs。
步骤(a3):以R1与R2之差的平方和e为误差判定值,最小值所对应的引索即为平稳数据段起始时刻:
式中:
i=[1,2,3,Λ,(60-N1)];
j=[1,2,3,Λ,N1];
步骤(a4):以平稳数据段起始时刻为起点截取降频后三相线电压、线电流,截取时间段不得小于10秒,截取时间段过小影响后续频谱分析技术准确度。但是,也不宜过长,过长浪费计算资源。
如图3所示,所述步骤(3)中,建立基于泛化评价的电动机故障诊断模块包括步骤(A)-步骤(D),下面分别进行说明。
步骤(A):建立转子断条故障诊断模型。如图4所示,步骤(A)具体包括:
步骤(a1):取所述步骤(2)中平稳阶段的电流、电压数据作为输入数据;
步骤(a2):对三相电压、电流数据低通滤波(2倍工频为截至频率),去除边界效应;
步骤(a3):对三相电压、电流数据带通滤波(40-60Hz为截至频率),去除边界效应;
步骤(a4):对A相电流数据进行傅里叶变换,提取其转子齿槽谐波分量,估计电动机转差率s,以下为转差率估计式:
其中,fsh为转子齿槽谐波分量,f1为工频,P为电动机极对数,Zr为转子齿槽数,n=[1,3,5,Λ];
步骤(a5):计算有功功率并去除直流分量,并以6sf1为截至频率低通滤波,去除边界效应;
步骤(a6):计算有功功率Hilbert谱,并运用频谱细化技术进行Hilbert谱细分,以提高频谱分辨率;
步骤(a7):对Hilbert细分谱以2sf1为频带中心,进行全局搜索,寻找最接近2sf1且在附近频带为最大谱峰的Hilbert模量H,以4sf1频率为验证,若寻找的2sf1频带的最大谱峰所频率值的两倍为4sf1频带附近的最大谱峰,则赋予该模量H一灵敏度λ,即为转子断条泛化级数:
δ转子=λ×H (5)
λ的取值范围分两步进行优化:第一,设置不同故障严重程度、不同类型电动机故障诊断实验,计算正常状态Hilbert模量均值H1,计算故障状态Hilbert模量均值H2;求两者加权平均系数,两者系数的值域即为灵敏度系数,系数越大灵敏度越高;第二,根据实验所得系数,对照现场实际计算结果,更新该系数,使之符合该种电动机的专属灵敏度系数。
步骤(B):建立基于三相电抗与泛化评价的定子绕组故障诊断模型。如图5所示,步骤(B)具体包括:
步骤(b1):取所述步骤(2)中平稳阶段的电流、电压数据作为输入数据;
步骤(b2):对电流、电压数据以48-52Hz为截至频率窄带滤波,并去除边界效应;
步骤(b3):计算相电压、相电流,并计算三相电压、电流基波有效值a、相位角phi;
步骤(b4):计算三相电抗X1、X2、X3;
步骤(b5):采用如式(5)所示计算结果为定子绕组匝间短路泛化级数:
式(6)中:i=[1,2,3]。
λ的取值范围分两步进行优化:第一,设置不同故障严重程度、不同类型电动机故障诊断实验,计算正常状态匝间短路故障判定条件均值L1,计算故障状态匝间短路故障判定条件均值L2;求两者加权平均系数,两者系数的值域即为灵敏度系数,系数越大灵敏度越高;第二,根据实验所得系数,对照现场实际计算结果,更新该系数,使之符合该种电动机的专属灵敏度系数。
步骤(C):建立轴承故障诊断模型。如图6所示,步骤(C)具体包括:
步骤(c1):取所述步骤(2)中平稳阶段的电流、电压数据作为输入数据;
步骤(c2):对电压数据以48-52Hz为截至频率窄带滤波,并去除边界效应;
步骤(c3):获取所述步骤(a4)计算所得转差率s,计算轴承回转频率:
电动机实际转速:n实际=(1-s)n同步 (7)
轴承回转频率:X=n实际/60 (8)
步骤(c4):用如下式计算轴承故障特征固有频率:
上述式中:
X为回转频率;
d为轴承滚动体直径;
Dp为轴承节圆直径;
n为轴承滚动体个数;
θ为轴承压力角;
步骤(c5):轴承发生故障后,会在工频附近产生表明故障发生征兆的变频分量,检测其幅值变化即可有效诊断轴承故障,用如下式作为轴承故障诊断依据:
f故障=|f1±nf固有| (13)
式(13)中:n=[1,2,3,Λ],f1为电动机工作频率;
步骤(c5):构建一组滤波器,该组滤波器主要作用为尽量滤除干扰故障特征频率的频带:
步骤(c61):计算|f1-f固有|、|f1+f固有|、|f1-2f固有|、|f1+2f固有|,并从小到大排序记作Gi,其中i=[1,2,3,4];
步骤(c62):以G1为截至频率,高通滤波;
步骤(c63):以(G1,G2)为截至频率,带阻滤波;
步骤(c64):以(G2,G3)为截至频率,带阻滤波;
步骤(c65):以(G3,G4)为截至频率,带阻滤波;
步骤(c66):以G4为截至频率,低通滤波;
步骤(c7)计算有功功率,以如下式作为有功功率解调频谱(Hilbert谱)故障诊断依据:
故障频带检查点1:F1=|f1-f故障| (14)
其中,所述(c3)中f故障计算式,f故障=|f1-f固有|;
故障频带检查点2:F2=|f1+f故障| (15)
其中,所述(c3)中f故障计算式,f故障=|f1-f固有|;
故障频带检查点3:F3=|f1-f故障| (16)
其中,所述步骤(c3)中f故障计算式,f故障=|f1+f固有|;
故障频带检查点4:F4=|f1+f故障| (17)
其中,所述步骤(c3)中f故障计算式,f故障=|f1+f固有|;
故障频带检查点5:F1=|f1-f故障| (18)
其中,所述步骤(c3)中f故障计算式,f故障=|f1-2f固有|;
故障频带检查点6:F2=|f1+f故障| (19)
其中,所述步骤(c3)中f故障计算式,f故障=|f1-2f固有|;
故障频带检查点7:F3=|f1-f故障| (20)
其中,所述步骤(c3)中f故障计算式,f故障=|f1+2f固有|;
故障频带检查点8:F4=|f1+f故障| (21)
其中,所述步骤(c3)中f故障计算式,f故障=|f1+2f固有|。
步骤(c8):对有功功率解调频率进行细化频谱分析,提高频谱分辨率;
步骤(c9):对解调频谱进行全局搜索,寻找离各故障频带检查点最近的最大谱峰对应的hilbert模量,并记录结果,将各Hilbert模量求和S,并赋予该求和值S一灵敏度λ,即为轴承故障泛化级数,需要注意的是该指标共记录四个结果分别对应轴承外滚道、内滚道、滚动体、保持架故障:
δ轴承i=λ×Si (22)
式(22)中:i=[1,2,3,4],分别对应轴承外滚道、内滚道、滚动体、保持架故障。
λ的取值范围分两步进行优化:第一,设置不同故障严重程度、不同类型电动机故障诊断实验,计算正常状态Hilbert模量均值S1,计算故障状态Hilbert模量均值S2;求两者加权平均系数,两者系数的值域即为灵敏度系数,系数越大灵敏度越高;第二,根据实验所得系数,对照现场实际计算结果,更新该系数,使之符合该种电动机的专属灵敏度系数。
步骤(D):对所述(A)、(B)、(C)中计算所得泛化级数进行归一化操作,记作“δi”,其中,i=[1,2,3,4,5,6],分别对应轴承外滚道、内滚道、滚动体、保持架、匝间短路、转子断条故障。该级数等级按如下规则划分:
当δ<1.0时,电动机故障等级为“一级”;
当1.0≤δ<2.0时,电动机故障等级为“二级”;
当2.0≤δ<3.0时,电动机故障等级为“三级”;
当3.0≤δ<4.0时,电动机故障等级为“四级”;
当δ≥4.0时,电动机故障等级为“五级”。
需要说明的是,上述故障诊断模型仅适用于电动机,其他类电动机若故障发生机理相同,则故障诊断模型同样适用,但是需配合转速采集装置一起使用。对于轴承故障诊断模型而言,如现场已有振动信号采集,与振动信号配合一起分析,更为有效。上述故障诊断模型一般用于长期平稳运行的电动机。在数据采集阶段,电压频率及电流的幅值变化不得超过10%。对于大多数工况而言,这一限制并不足为虑。但在一些相对特殊的场合可能会遇到这种情况。
所述步骤(4)中,建立电动机健康管理模型包括以下步骤:
取所述步骤(3)计算所得通用阈值δ;
如图7所示,根据通用阈值判断电动机各组件故障严重程度,并给与其工作建议,以如下指标判断:
当δ为一级时,电动机组件正常,请继续监测;
当δ为二级时,电动机组件轻微故障,请继续监测;
当δ为三级时,电动机组件中期故障,请合理安排检修维护计划,并加强监测;
当δ为四级时,电动机组件晚期故障,请提高监测等级并立即安排停机检修计划;
当δ为五级时,电动机组件严重故障,请立即停机检修。
根据上述设定的故障等级,当系统提示等级为“一级”时,系统生成简要诊断报表;当系统提示等级为“二级”时,即时生成专业故障诊断报告提醒设备运维人员进行处理,处理完毕后提示结束;当系统提示等级为“三级”时,即时生成专业故障诊断报告,提醒设备运维人员进行处理,检修维护结束后,提示结束,直到下一次故障发生;当系统提示等级为“四级”时,即时生成专业故障诊断报告,通知设备运维部门立即安排停机检修计划,检修结束后,提示结束,直到下一次故障发生;当系统提示等级为“五级”时,即时生成专业故障诊断报告,通知设备运维部门紧急安排紧急停机,并立即停机检修;提示故障等级后,生成电动机故障预警报告。
综上所述,本发明的电动机故障预警方法中,采用电压、电流信号为诊断数据对电机常见故障,即转子断条、匝间短路、轴承等故障构建一种基于泛化评价的故障诊断模型,实现电机故障诊断、在线监测,通过故障诊断模型提供的“泛化级数”实现对电机组件故障及严重程度进行判定,并以该评价指标构建电机预警模块,为现场运维人员、操作工等提供专业、深入、详尽的诊断报告,使之更为合理的利用电机,达到生产效益最大化,运维成本最低化、人员分配最优化的效果。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种电动机故障预警方法,其特征在于,包括:
根据电动机的三相电压、电流信号和预设的转子断条故障诊断模型、定子绕组故障诊断模型和轴承故障诊断模型分别计算转子断条泛化级数、定子绕组匝间短路泛化级数和轴承外滚道故障泛化级数、轴承内滚道故障泛化级数、轴承滚动体故障泛化级数、轴承保持架故障泛化级数;
根据转子断条泛化级数、定子绕组匝间短路泛化级数和轴承外滚道故障泛化级数、轴承内滚道故障泛化级数、轴承滚动体故障泛化级数、轴承保持架故障泛化级数对电动机健康状态进行评估。
2.如权利要求1所述的电动机故障预警方法,其特征在于,计算转子断条泛化级数,包括:
采集三相电压、电流信号,对其在2f1之附近低通滤波,排除高次谐波干扰,其中,f1为电动机工频;
以40-60Hz为截至频率,对三相电流、电压进行带通滤波;
对某一相电流信号进行细化频谱分析,利用转子齿槽谐波分量,估计电动机转差率s;
计算电机瞬时有功功率,并对瞬时有功功率在6sf1之内低通滤波,其中,f1为电动机工频;
进行细化频谱分析,并寻找2sf1分量对应的Hilbert模量H,该模量H与设定的灵敏度系数λ相乘,即得到转子断条泛化级数:
δ转子=λ×H。
5.如权利要求1所述的电动机故障预警方法,其特征在于,计算轴承外滚道故障泛化级数、轴承内滚道故障泛化级数、轴承滚动体故障泛化级数、轴承保持架故障泛化级数,包括:
采集三相电压、电流信号;
对三相电压在工频附近窄带滤波滤波,对三相电流在|f1-f固有|、|f1+f固有|、|f1-2f固有|、|f1+2f固有|频带之间带阻滤波,其中,f1表示工频,f固有表示轴承各故障损伤固有频率;
对某一相电流信号进行细化频谱分析,利用定子电流齿槽谐波技术估计电机转速;
计算电机瞬时有功功率,并依据Hilbert谱轴承故障特征频率式计算轴承故障特征频率;
进行细化频谱分析,并寻找故障特征频率对应的Hilbert模量,将各Hilbert模量进行求和,并赋予该求和值S一灵敏度λ,即为轴承故障泛化级数::
δ轴承i=λ×Si,
式中:i=[1,2,3,4],分别对应轴承外滚道、内滚道、滚动体、保持架故障。
7.如权利要求1所述的电动机故障预警方法,其特征在于:根据转子断条泛化级数、定子绕组匝间短路泛化级数和轴承外滚道故障泛化级数、轴承内滚道故障泛化级数、轴承滚动体故障泛化级数、轴承保持架故障泛化级数对电动机健康状态进行评估,包括:
当δ<1.0时,电机故障等级为“一级”;
当1.0≤δ<2.0时,故障等级为“二级”;
当2.0≤δ<3.0时,故障等级为“三级”;
当3.0≤δ<4.0时,故障等级为“四级”;
当δ≥4.0时,故障等级为“五级”;
其中,δ为转子断条泛化级数、定子绕组匝间短路泛化级数和轴承外滚道故障泛化级数、轴承内滚道故障泛化级数、轴承滚动体故障泛化级数、轴承保持架故障泛化级数之一。
8.如权利要求1所述的电动机故障预警方法,其特征在于:还包括:
对电动机的三相电压、电流信号进行采样,其中,采样频率最低设置为2000Hz,采集时长最低设置为10秒。
9.如权利要求8所述的电动机故障预警方法,其特征在于:还包括:
对采样的三相电压、电流信号进行预处理,具体包括:
以任意相电流I瞬时值为依据,以下述式计算数据平稳阶段起始时刻计算采样数据平稳阶段起始时刻
以N1秒数据为长度,计算数据有效值R1:
式中:
i=[1,2,3,Λ,(N-N1)],N为数据采集时长;
n1=(i-1)×fs+1;
n2=(i+N1-1)×fs;
以(60-N1)秒为长度逐秒递推,在其循环内部,以N1秒为周期循环,以1秒数据为递推窗,计算数据有效值R2:
式中:
i=[1,2,3,Λ,(60-N1)];
m=[1,2,3,Λ,N1];
n3=(i-1+m-1)×fs+1;
n4=(i+m-1)×fs;
以R1与R2之差的平方和e为误差判定值,最小值所对应的引索即为平稳数据段起始时刻:
式中:
i=[1,2,3,Λ,(60-N1)];
j=[1,2,3,Λ,N1];
以平稳数据段起始时刻为起点截取降频后三相线电压、线电流。
10.一种电动机故障预警系统,其特征在于,采用如权利要求1-9任一项所述的电动机故障预警方法,对电动机当前健康状态进行评价。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911259234.7A CN110940917B (zh) | 2019-12-10 | 2019-12-10 | 一种电动机故障预警方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911259234.7A CN110940917B (zh) | 2019-12-10 | 2019-12-10 | 一种电动机故障预警方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110940917A true CN110940917A (zh) | 2020-03-31 |
CN110940917B CN110940917B (zh) | 2022-02-01 |
Family
ID=69910502
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911259234.7A Active CN110940917B (zh) | 2019-12-10 | 2019-12-10 | 一种电动机故障预警方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110940917B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111474477A (zh) * | 2020-04-29 | 2020-07-31 | 西安工业大学 | 一种异步电动机参数与故障信息映射过程的方法 |
CN111650514A (zh) * | 2020-06-15 | 2020-09-11 | 珠海万力达电气自动化有限公司 | 一种异步电动机典型故障的多参数联合诊断方法 |
CN112763908A (zh) * | 2020-12-25 | 2021-05-07 | 中国机械设备工程股份有限公司 | 一种基于多故障特征联合的电机健康指数评价系统 |
CN113030732A (zh) * | 2021-05-27 | 2021-06-25 | 北京德风新征程科技有限公司 | 电机监控预警方法、装置、电子设备和计算机可读介质 |
CN114167282A (zh) * | 2021-12-03 | 2022-03-11 | 深圳市双合电气股份有限公司 | 一种电动机故障诊断及劣化趋势预测方法及系统 |
CN114186704A (zh) * | 2022-02-14 | 2022-03-15 | 华电电力科学研究院有限公司 | 一种火电厂旋转辅机集群运行状态预警方法、系统 |
CN117169717A (zh) * | 2023-09-11 | 2023-12-05 | 江苏微之润智能技术有限公司 | 一种基于单片机的电机健康评估方法、装置及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1480740A (zh) * | 2003-04-28 | 2004-03-10 | 广东省电力工业局试验研究所 | 电动机早期故障小波诊断系统及其诊断电动机故障的方法 |
EP1967287A2 (en) * | 2007-03-08 | 2008-09-10 | General Electric Company | Method for testing a rotor and stator assembly |
EP2539680A1 (de) * | 2010-02-24 | 2013-01-02 | Siemens Aktiengesellschaft | Verfahren und vorrichtung zur bewertung der schädigung von wälzlagern, insbesondere an umrichtergespeisten elektrischen maschinen |
CN104700148A (zh) * | 2015-04-02 | 2015-06-10 | 刘岩 | 一种基于行为的电机故障诊断方法 |
-
2019
- 2019-12-10 CN CN201911259234.7A patent/CN110940917B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1480740A (zh) * | 2003-04-28 | 2004-03-10 | 广东省电力工业局试验研究所 | 电动机早期故障小波诊断系统及其诊断电动机故障的方法 |
EP1967287A2 (en) * | 2007-03-08 | 2008-09-10 | General Electric Company | Method for testing a rotor and stator assembly |
EP2539680A1 (de) * | 2010-02-24 | 2013-01-02 | Siemens Aktiengesellschaft | Verfahren und vorrichtung zur bewertung der schädigung von wälzlagern, insbesondere an umrichtergespeisten elektrischen maschinen |
CN104700148A (zh) * | 2015-04-02 | 2015-06-10 | 刘岩 | 一种基于行为的电机故障诊断方法 |
Non-Patent Citations (1)
Title |
---|
李颖颖等: ""基于信号分析的异步电机故障诊断方法浅析"", 《新型化工业》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111474477A (zh) * | 2020-04-29 | 2020-07-31 | 西安工业大学 | 一种异步电动机参数与故障信息映射过程的方法 |
CN111474477B (zh) * | 2020-04-29 | 2022-09-27 | 西安工业大学 | 电机故障诊断中部分时域参数和频域参数获取方法 |
CN111650514A (zh) * | 2020-06-15 | 2020-09-11 | 珠海万力达电气自动化有限公司 | 一种异步电动机典型故障的多参数联合诊断方法 |
CN111650514B (zh) * | 2020-06-15 | 2022-09-09 | 珠海万力达电气自动化有限公司 | 一种异步电动机典型故障的多参数联合诊断方法 |
CN112763908A (zh) * | 2020-12-25 | 2021-05-07 | 中国机械设备工程股份有限公司 | 一种基于多故障特征联合的电机健康指数评价系统 |
CN112763908B (zh) * | 2020-12-25 | 2023-09-12 | 中国机械设备工程股份有限公司 | 一种基于多故障特征联合的电机健康指数评价系统 |
CN113030732A (zh) * | 2021-05-27 | 2021-06-25 | 北京德风新征程科技有限公司 | 电机监控预警方法、装置、电子设备和计算机可读介质 |
CN114167282A (zh) * | 2021-12-03 | 2022-03-11 | 深圳市双合电气股份有限公司 | 一种电动机故障诊断及劣化趋势预测方法及系统 |
CN114167282B (zh) * | 2021-12-03 | 2022-08-12 | 深圳市双合电气股份有限公司 | 一种电动机故障诊断及劣化趋势预测系统 |
CN114186704A (zh) * | 2022-02-14 | 2022-03-15 | 华电电力科学研究院有限公司 | 一种火电厂旋转辅机集群运行状态预警方法、系统 |
CN117169717A (zh) * | 2023-09-11 | 2023-12-05 | 江苏微之润智能技术有限公司 | 一种基于单片机的电机健康评估方法、装置及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110940917B (zh) | 2022-02-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110940917B (zh) | 一种电动机故障预警方法及系统 | |
Chen et al. | Generator bearing fault diagnosis for wind turbine via empirical wavelet transform using measured vibration signals | |
US10495693B2 (en) | Wind turbine fault detection using acoustic, vibration, and electrical signals | |
Wang et al. | Multiscale filtering reconstruction for wind turbine gearbox fault diagnosis under varying-speed and noisy conditions | |
Amirat et al. | Wind turbines condition monitoring and fault diagnosis using generator current amplitude demodulation | |
CN105403402B (zh) | 风力发电机组传动链系统扭振状态的监测方法 | |
CN110988472B (zh) | 基于电流信号的风力发电机变桨传动齿轮故障诊断方法 | |
Amirat et al. | Hilbert transform-based bearing failure detection in DFIG-based wind turbines | |
CN111398820A (zh) | 一种电机健康状态在线监测方法 | |
CN111122191B (zh) | 一种基于ewma控制的设备安康报警阈值设定方法 | |
Guo et al. | Gear fault diagnosis of wind turbine based on discrete wavelet transform | |
CN113009334A (zh) | 一种基于小波包能量分析的电机故障检测方法及系统 | |
CN114509159B (zh) | 阶比跟踪分析方法、系统及计算机可读存储介质 | |
Merizalde et al. | Diagnosis of wind turbine faults using generator current signature analysis: A review | |
Wang et al. | Tacholess order-tracking approach for wind turbine gearbox fault detection | |
CN117491015A (zh) | 一种基于频谱峰值能量和分析的转频计算方法 | |
CN112162197A (zh) | 一种立式机组定转子中心偏移故障的在线诊断方法 | |
CN112526339B (zh) | 基于多项式-相位变换的鼠笼电机转子断条故障诊断方法 | |
CN115235768A (zh) | 一种滚动轴承故障诊断方法及系统 | |
Song et al. | Framework of designing an adaptive and multi-regime prognostics and health management for wind turbine reliability and efficiency improvement | |
CN115144171A (zh) | 一种变转速工况下的旋转机械振动信号归一化方法 | |
CN114412447A (zh) | 一种螺杆泵井的故障检测方法及装置 | |
Wang et al. | A review on data-driven predictive maintenance approach for hydro turbines/generators | |
CN113358212B (zh) | 基于相对谐阶次的机电故障诊断方法、系统及建模方法 | |
Sree et al. | High Resolution based Bearing Damage Identification in Poly Phase Asynchronous Motor using Gabor Transforms of Stator Current |
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 |