CN111208427B - 一种牵引电机故障诊断方法及装置 - Google Patents
一种牵引电机故障诊断方法及装置 Download PDFInfo
- Publication number
- CN111208427B CN111208427B CN202010327154.7A CN202010327154A CN111208427B CN 111208427 B CN111208427 B CN 111208427B CN 202010327154 A CN202010327154 A CN 202010327154A CN 111208427 B CN111208427 B CN 111208427B
- Authority
- CN
- China
- Prior art keywords
- stator coil
- fault
- motor
- fault diagnosis
- coil insulation
- 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
-
- 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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L15/00—Methods, circuits, or devices for controlling the traction-motor speed of electrically-propelled vehicles
- B60L15/02—Methods, circuits, or devices for controlling the traction-motor speed of electrically-propelled vehicles characterised by the form of the current used in the control circuit
- B60L15/025—Methods, circuits, or devices for controlling the traction-motor speed of electrically-propelled vehicles characterised by the form of the current used in the control circuit using field orientation; Vector control; Direct Torque Control [DTC]
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L3/00—Electric devices on electrically-propelled vehicles for safety purposes; Monitoring operating variables, e.g. speed, deceleration or energy consumption
- B60L3/0023—Detecting, eliminating, remedying or compensating for drive train abnormalities, e.g. failures within the drive train
- B60L3/0061—Detecting, eliminating, remedying or compensating for drive train abnormalities, e.g. failures within the drive train relating to electrical machines
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L3/00—Electric devices on electrically-propelled vehicles for safety purposes; Monitoring operating variables, e.g. speed, deceleration or energy consumption
- B60L3/12—Recording operating variables ; Monitoring of operating variables
-
- 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
- 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
- G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
- G01R31/1227—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
- G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
- G01R31/52—Testing for short-circuits, leakage current or ground faults
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Abstract
本申请提供了一种牵引电机故障诊断方法及装置,应用于牵引电机故障诊断系统,该方法中,以列车牵引电机为对象,在不新增传感器、不额外对列车牵引系统进行设备改造的前提下,利用牵引电机的轴承故障诊断参数和定子线圈绝缘故障诊断参数,分别调用预设梯度提升树模型和预设模糊聚类模型,实现牵引电机轴承的故障诊断和定子线圈绝缘的故障诊断,从而降低牵引电机故障诊断成本。
Description
技术领域
本申请涉及电机故障诊断技术领域,尤其涉及一种牵引电机故障诊断方法及装置。
背景技术
随着轨道列车的广泛应用,在电力铁路机车车辆中,牵引电机是实现电能和机械能转换的最核心部件,承担了机车车辆运行中动力输出的重任,对于铁路机车车辆的运行效率与安全性具有重要的影响。运行实践表明,轨道列车牵引电机运行工况复杂多变,其中,由于受轨面振动冲击、PWM(Pulse Width Modulation,脉宽调制)变频器电传动系统的高频共模电压和环境温度等的影响,容易使牵引电机发生故障。一旦牵引电机发生故障,轻则影响行车秩序,造成重大经济损失,重则导致安全事故,危机人身安全。
根据调查结果显示,牵引电机发生故障,40%与轴承相关,38%与定子线圈绝缘相关,因此,牵引电机故障诊断主要是轴承与定子线圈绝缘故障诊断。目前牵引电机轴承故障诊断主要有振动信号分析法和温度信号分析法,而振动信号与温度信号分析法需要额外增加振动加速度传感器与温度传感器,以及相关的分析诊断设备,这样不仅增加了设备维护成本,同时新增设备本身会带来故障。而目前牵引电机定子线圈绝缘故障诊断都是采用离线的定期检测与维护,检测本身费时费力,并且两次定检期间牵引电机出现定子线圈绝缘故障无法避免。
发明内容
基于现有的牵引电机故障诊断方法中的问题,本申请提供了一种牵引电机故障诊断方法及装置,以列车牵引电机为对象,在不新增传感器、不额外对列车牵引系统进行设备改造的前提下,实现牵引电机轴承与定子线圈绝缘的故障诊断,从而降低牵引电机故障诊断成本。
为了实现上述目的,本申请提供了以下技术方案:
一种牵引电机故障诊断方法,应用于牵引电机故障诊断系统,该方法包括:
调用预设梯度提升树模型,以轴承故障诊断参数作为输入进行轴承故障诊断,得到轴承故障诊断结果,所述预设梯度提升树模型根据轴承样本数据构建,所述轴承样本数据包括轴承状态的正常状态、外圈故障状态、内圈故障状态、滚动体故障状态以及保持架故障状态所对应的轴承故障诊断参数,所述轴承故障诊断参数包括故障谐波脉冲谱指标、电机转速、电机转矩和电流信号,所述故障谐波脉冲谱指标用于标识所述牵引电机轴承的故障状态;
调用预设模糊聚类模型,以定子线圈绝缘故障诊断参数作为输入进行定子线圈绝缘故障诊断,得到定子线圈绝缘故障诊断结果,所述预设模糊聚类模型根据定子线圈绝缘样本数据构建,所述定子线圈绝缘样本数据包括定子线圈绝缘早期故障状态、定子线圈绝缘严重故障状态和定子线圈绝缘正常状态所对应的定子线圈绝缘故障诊断参数,所述定子线圈绝缘故障诊断参数包括降维特征向量、电机转速和电机转矩,所述降维特征向量用于标识所述牵引电机定子线圈绝缘的故障状态。
优选的,所述故障谐波脉冲谱指标的获取方法,具体为:
获取所述牵引电机的电机转速和电机控制模型中的电机转矩;
对所述电机转速和所述电机转矩分别进行傅立叶变换,得到轴承谐波脉冲频率的谐波分量;
通过脉冲谐波谱分析方法,从所述轴承谐波脉冲频率的谐波分量中提取所述故障谐波脉冲谱指标。
优选的,所述降维特征向量的获取方法,具体为:
获取所述牵引电机的电机控制信号,所述电机控制信号包括:电压信号、电流信号、电机转速、电机控制模型中的电机转矩;
提取所述电机控制信号中的多维特征向量,并对所述多维特征向量进行降维,得到降维特征向量,所述多维特征向量包括定子线圈绝缘故障频谱特征、电机定子线圈绝缘短路Park矢量模频谱的故障特征和牵引电机的不平衡特征中的至少两种。
优选的,所述提取所述电机控制信号中的多维特征向量,并对所述多维特征向量进行降维,得到降维特征向量,具体为:
获取所述电机控制信号的频率构成,提取定子线圈绝缘故障谐波脉冲频率的定子线圈绝缘故障频谱特征,作为第一特征向量;
对所述电压信号和所述电流信号进行融合分析得到Park矢量模,并对所述Park矢量模通过所述频谱分析方法进行频谱分析,提取电机定子线圈绝缘短路Park矢量模频谱的故障特征,作为第二特征向量;
分析所述电压信号和所述电流信号的不平衡特性,提取所述牵引电机的不平衡特征,作为第三特征向量;
对所述第一特征向量、所述第二特征向量和所述第三特征向量进行特征降维,得到所述降维特征向量。
优选的,所述采用主成分分析方法对所述第一特征向量、所述第二特征向量和所述第三特征向量进行特征降维,得到所述降维特征向量,具体为:
根据所述第一特征向量、所述第二特征向量和所述第三特征向量构建降维主成分;
根据主成分贡献率确定降维特征向量的维数;
计算主成分载荷,所述主成分载荷为牵引电机匝间短路故障的降维特征向量。
优选的,所述预设梯度提升树模型的构建过程,具体为:
获取轴承样本数据;
基于所述轴承样本数据,采用梯度提升树智能识别算法对梯度提升树模型进行训练,构建牵引电机轴承故障诊断识别的所述预设梯度提升树模型。
优选的,所述预设模糊聚类模型的构建过程,具体为:
获取定子线圈绝缘样本数据;
基于所述定子线圈绝缘样本数据,采用模糊聚类算法对模糊聚类模型进行训练,构建牵引电机定子线圈绝缘故障诊断识别的所述预设模糊聚类模型。
一种牵引电机故障诊断装置,应用于牵引电机故障诊断系统,该装置包括:
第一处理单元,用于调用预设梯度提升树模型,以轴承故障诊断参数作为输入进行轴承故障诊断,得到轴承故障诊断结果,所述预设梯度提升树模型根据轴承样本数据构建,所述轴承样本数据包括轴承状态的正常状态、外圈故障状态所、内圈故障状态、滚动体故障状态以及保持架故障状态所对应的轴承故障诊断参数,所述轴承故障诊断参数包括故障谐波脉冲谱指标、电机转速、电机转矩和电流信号,所述故障谐波脉冲谱指标用于标识所述牵引电机轴承的故障状态;
第二处理单元,用于调用预设模糊聚类模型,以定子线圈绝缘故障诊断参数作为输入进行定子线圈绝缘故障诊断,得到定子线圈绝缘故障诊断结果,所述预设模糊聚类模型根据定子线圈绝缘样本数据构建,所述定子线圈绝缘样本数据包括定子线圈绝缘早期故障状态、定子线圈绝缘严重故障状态和定子线圈绝缘正常状态所对应的定子线圈绝缘故障诊断参数,所述定子线圈绝缘故障诊断参数包括降维特征向量、电机转速和电机转矩,所述降维特征向量用于标识所述牵引电机定子线圈绝缘的故障状态。
一种存储介质,所述存储介质包括存储的程序,其中,在所述程序运行时控制所述存储介质所在的设备执行如上述所述的牵引电机故障诊断方法。
一种电子设备,所述电子设备包括至少一个处理器、以及与所述处理器连接的至少一个存储器、总线;其中,所述处理器、所述存储器通过所述总线完成相互间的通信;所述处理器用于调用所述存储器中的程序指令,以执行如上述所述的牵引电机故障诊断方法。
本申请所述的牵引电机故障诊断方法,应用于牵引电机故障诊断系统,该方法中,根据轴承样本数据构建预设梯度提升树模型,根据定子线圈绝缘样本数据构建预设模糊聚类模型,通过调用预设梯度提升树模型,以轴承故障诊断参数作为输入进行轴承故障诊断,得到轴承故障诊断结果,所述轴承故障诊断参数包括故障谐波脉冲谱指标、电机转速、电机转矩和电流信号;通过调用预设模糊聚类模型,以定子线圈绝缘故障诊断参数作为输入进行定子线圈绝缘故障诊断,得到定子线圈绝缘故障诊断结果,所述定子线圈绝缘故障诊断参数包括降维特征向量、电机转速和电机转矩。
本申请以列车牵引电机为对象,在不新增传感器、不额外对列车牵引系统进行设备改造的前提下,利用牵引电机的轴承故障诊断参数和定子线圈绝缘故障诊断参数,分别调用预设梯度提升树模型和预设模糊聚类模型,实现牵引电机轴承的故障诊断和定子线圈绝缘的故障诊断,从而降低牵引电机故障诊断成本。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种牵引电机故障诊断系统示意图;
图2为本申请实施例提供的一种牵引电机故障诊断方法的流程图;
图3为本申请实施例提供的步骤S202中所述故障谐波脉冲谱指标的获取方法的一种具体实施方式的流程图;
图4为本申请实施例提供的步骤S202中预设梯度提升树模型的构建过程的具体实施方式的流程图;
图5为本申请实施例提供的步骤S203中所述降维特征向量的获取方法的一种具体实施方式的流程图;
图6为本申请实施例提供的步骤S502中提取所述电机控制信号中的多维特征向量,并对所述多维特征向量进行降维,得到降维特征向量的一种具体实施方式的流程图;
图7为本申请实施例提供的步骤S604中对所述第一特征向量、所述第二特征向量和所述第三特征向量进行特征降维,得到所述降维特征向量的一种具体实施方式的流程图;
图8为本申请实施例提供的步骤S203中预设模糊聚类模型的构建过程的具体实施方式的流程图;
图9为本申请实施例提供的一种牵引电机故障诊断装置结构示意图;
图10为本申请实施例公开的一种电子设备结构示意图。
具体实施方式
本申请提供一种牵引电机故障诊断方法及装置,应用于如图1所示的牵引电机故障诊断系统中的故障诊断模块,该牵引电机故障诊断系统包括:采集模块10、故障诊断模块11和故障输出模块12,其中,所述采集模块10用于实时采集轴承故障诊断参数和定子线圈绝缘故障诊断参数,所述轴承故障诊断参数包括:故障谐波脉冲谱指标、电机转速、电机转矩和电流信号,所述定子线圈绝缘故障诊断参数包括降维特征向量、电机转速和电机转矩;所述故障诊断模块11用于调用预设梯度提升树模型和预设模糊聚类模型进行牵引电机轴承与定子线圈绝缘的故障诊断,所述故障输出模块12用于输出故障诊断结果,其中,牵引电机轴承的故障诊断结果包括:轴承外圈故障、轴承内圈故障、轴承滚动体故障、轴承保持架故障和轴承正常;定子线圈绝缘的故障诊断结果包括:定子线圈绝缘早期故障、定子线圈绝缘严重故障和定子线圈绝缘正常。
本申请提供的一种牵引电机故障诊断方法及装置,其发明目的在于:以列车牵引电机为对象,在不新增传感器、不额外对列车牵引系统进行设备改造的前提下,实现牵引电机轴承故障与定子线圈绝缘的故障诊断,从而降低牵引电机故障诊断成本。
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
如图2所示,本申请实施例提供了一种牵引电机故障诊断方法流程图,该方法应用于牵引电机故障诊断系统,该方法具体包括如下步骤:
步骤S201:调用预设梯度提升树模型,以轴承故障诊断参数作为输入进行轴承故障诊断,得到轴承故障诊断结果。
所述预设梯度提升树模型根据轴承样本数据构建,所述轴承样本数据包括轴承状态的正常状态、外圈故障状态、内圈故障状态、滚动体故障状态以及保持架故障状态所对应的轴承故障诊断参数,所述轴承故障诊断参数包括故障谐波脉冲谱指标、电机转速、电机转矩和电流信号,所述故障谐波脉冲谱指标用于标识所述牵引电机轴承的故障状态。
本申请实施例中,所述轴承故障诊断结果为轴承外圈故障、轴承内圈故障、轴承滚动体故障、轴承保持架故障和轴承正常中的至少一种。
需要说明的是,当牵引电机发生轴承故障时,轴承滚动体经过故障点时会造成感应电机转子的一个径向的位移,这将造成感应电机气隙长度发生变化,这种变化将会影响到电机转矩和电机转速,引起电机转矩和电机转速产生一种周期性谐波脉冲。即:当牵引电机发生轴承故障时,使得电机转速和电机转矩中多出了可以反映出轴承故障的谐波分量,其频率表达式为:
因此,当牵引电机轴承出现故障时,可提取到轴承不同故障类型的电机转矩和电机转速的特征频率,进一步实现牵引电机轴承的故障诊断。
如图3所示,上述故障谐波脉冲谱指标的获取方法,具体包括如下步骤:
S301:获取所述牵引电机的电机转速和电机控制模型中的电机转矩。
S302:对所述电机转速和所述电机转矩分别进行傅立叶变换,得到轴承谐波脉冲频率的谐波分量。
需要说明的是,对电机转速和电机转矩进行傅立叶变化的过程属于本领域技术人员惯用的技术手段,具体变换过程可参见相关技术资料,在此不再进行详细赘述。
S303:通过脉冲谐波谱分析方法,从所述轴承谐波脉冲频率的谐波分量提取所述故障谐波脉冲谱指标。
在上述获取故障谐波脉冲谱指标之后,将故障谐波脉冲谱指标、电机转速、电机转矩、电流信号作为轴承故障诊断输入向量,采用梯度提升树智能识别算法,实现牵引电机轴承的故障诊断。
该梯度提升树智能识别算法属于本领域技术人员常用技术手段,其优势是训练、分析速度快,结果准确,因此,满足牵引电机轴承的故障诊断需求。
需要说明的是,上述预设梯度提升树模型根据轴承样本数据构建,所述轴承样本数据包括轴承状态的正常状态、外圈故障状态、内圈故障状态、滚动体故障状态以及保持架故障状态所对应的轴承故障诊断参数,所述轴承故障诊断参数包括故障谐波脉冲谱指标、电机转速、电机转矩和电流信号,所述故障谐波脉冲谱指标用于标识所述牵引电机轴承的故障状态。
如图4所示,上述预设梯度提升树模型的构建过程,具体包括如下步骤:
S401:获取轴承样本数据。
S402:基于所述轴承样本数据,采用梯度提升树智能识别算法对梯度提升树模型进行训练,构建牵引电机轴承故障诊断识别的所述预设梯度提升树模型。
在故障诊断之前,首先利用轴承正常与轴承故障(轴承外圈、轴承内圈、轴承滚动体与轴承保持架)大量样本数据对梯度提升树模型进行训练,构建牵引电机轴承故障诊断识别的预设梯度提升树模型,然后将电机实时获取的故障谐波脉冲谱指标、电机转速、电机转矩、电流信号送入训练好的预设梯度提升树模型,实现牵引电机轴承故障的精确诊断识别。
需要说明的是,本申请实施例中,对于牵引电机的轴承故障诊断采用的提升树智能算法,也可以用神经网络、随机森林或支持向量机等人工智能算法,或者基于专家知识的诊断规则进行替代处理。
步骤S202:调用预设模糊聚类模型,以定子线圈绝缘故障诊断参数作为输入进行定子线圈绝缘故障诊断,得到定子线圈绝缘故障诊断结果。
步骤S202中,上述预设模糊聚类模型根据定子线圈绝缘样本数据构建,所述定子线圈绝缘样本数据包括定子线圈绝缘早期故障状态、定子线圈绝缘严重故障状态和定子线圈绝缘正常状态所对应的定子线圈绝缘故障诊断参数,所述定子线圈绝缘故障诊断参数包括降维特征向量、电机转速和电机转矩,所述降维特征向量用于标识所述牵引电机定子线圈绝缘的故障状态。
需要说明的是,定子线圈绝缘早期故障状态为牵引电机定子线圈刚发生绝缘故障时的状态,牵引电机发生定子线圈绝缘早期故障时,即牵引电机处于定子线圈绝缘早期故障状态时,可以继续维持牵引电机的正常运行,但需要及时进行检修或更换;定子线圈绝缘严重故障状态为牵引电机定子线圈已经发生短路或断路故障时的状态,牵引电机发生定子线圈绝缘严重故障时,即牵引电机处于定子线圈绝缘严重故障状态时,无法继续维持牵引电机的正常运行,需要及时进行更换,否则:轻则影响行车秩序,造成重大经济损失,重则导致安全事故,危机人身安全。
当牵引电机定子线圈绝缘发生故障时,电机定子参数会随之发生变化,导致电机控制信号产生特定变化趋势,因此,本申请实施例中,基于电机控制信号,采用融合分析方法实现其定子线圈绝缘故障诊断。
具体的,可以通过对牵引电机的电压信号、电流信号、电机转速、电机控制模型中电机转矩等控制信号,首先,分别采用频谱分析、Park矢量分析、对称分量分析方法,提取各自故障特征,形成新的多维特征向量,然后,将新形成的多维特征向量采用主成分分析方法进行特征降维,得到降维特征向量,最后,通过降维特征向量与电机转速与电机转矩等状态参数通过模糊聚类算法对电机定子线圈绝缘进行状态识别,实现牵引电机定子线圈绝缘故障的诊断识别。需要说明的是,本申请实施例中,所述定子线圈绝缘故障诊断结果为定子线圈绝缘早期故障、定子线圈绝缘严重故障和定子线圈绝缘正常中的一种。
如图5所示,上述降维特征向量的获取方法,具体可以包括如下步骤:
S501:获取所述牵引电机的电机控制信号,所述电机控制信号包括:电压信号、电流信号、电机转速、电机控制模型中的电机转矩;
S502:提取所述电机控制信号中的多维特征向量,并对所述多维特征向量进行降维,得到降维特征向量,所述多维特征向量包括定子线圈绝缘故障频谱特征、电机定子线圈绝缘短路Park矢量模频谱的故障特征和牵引电机的不平衡特征中的至少两种。
如图6所示,上述提取所述电机控制信号中的多维特征向量,并对所述多维特征向量进行降维,得到降维特征向量,具体可以包括如下步骤:
S601:获取所述电机控制信号的频率构成,提取定子线圈绝缘故障谐波脉冲频率的定子线圈绝缘故障频谱特征,作为第一特征向量。
通过频谱分析方法获取所述电机控制信号的频率构成,当牵引电机定子线圈绝缘故障发生故障时,提取定子线圈绝缘故障谐波脉冲频率的定子线圈绝缘故障频谱特征,该定子线圈绝缘故障频谱特征作为第一特征向量。
S602:对所述电压信号和所述电流信号进行融合分析得到Park矢量模,并对所述Park矢量模通过所述频谱分析方法进行频谱分析,提取电机定子线圈绝缘短路Park矢量模频谱的故障特征,作为第二特征向量。
首先,采用Park矢量模分析方法对牵引电机的三相电压信号、电流信号进行融合分析,得到矢量模,然后,进一步对矢量模进行频谱分析,提取电机定子线圈绝缘短路Park矢量模频谱的故障特征,该故障特征作为第二特征向量。
S603:分析所述电压信号和所述电流信号的不平衡特性,提取所述牵引电机的不平衡特征,作为第三特征向量。
实际运行过程中,由于牵引电机的三相绕组对称,所以牵引电机不平衡几乎为零。然而,当牵引电机出现定子线圈绝缘故障时,牵引电机不平衡度增大,因此,需要通过对称分量分析方法分析牵引电机的电压信号与电流信号的不平衡特性,提取牵引电机的不平衡特征,该不平衡特征作为第三特征向量。
S604:对所述第一特征向量、所述第二特征向量和所述第三特征向量进行特征降维,得到所述降维特征向量。
本申请实施例中,采用主成分分析方法对所述第一特征向量、所述第二特征向量和所述第三特征向量进行特征降维,得到所述降维特征向量。
上述主成分分析方法也称主分量分析,是一种数据统计降维算法,旨在利用降维的思想,将多指标转化为少数几个综合指标(即主成分),其中,每个主成分都能够反映原始变量的大部分信息,且所含信息互不重复,这种方法在引进多方面变量的同时将复杂因素归结为几个主成分,使问题简单化,同时得到的结果更加科学有效的数据信息。
如图7所示,上述对所述第一特征向量、所述第二特征向量和所述第三特征向量进行特征降维,得到所述降维特征向量,具体包括如下步骤:
S701:根据所述第一特征向量、所述第二特征向量和所述第三特征向量构建降维主成分。
S702:根据主成分贡献率确定降维特征向量的维数。
S703:计算主成分载荷,所述主成分载荷为牵引电机匝间短路故障的降维特征向量。
需要说明的是,本申请实施例中,对于牵引电机的定子线圈绝缘故障的诊断中,多维特征向量降维采用的主成分分析方法,也可以采用线性判别分析方法进行特征向量降维。
在上述得到降维特征向量后,将降维特征向量、电机转速和电机转矩作为输入,采用模糊聚类算法,实现定子线圈绝缘故障的诊断。
该模糊聚类算法属于本领域技术人员常用技术手段,其优势是训练、分析速度快,结果准确,因此,满足定子线圈绝缘故障诊断需求。
需要说明的是,上述预设模糊聚类模型根据定子线圈绝缘故障样本数据构建,所述定子线圈绝缘故障样本数据包括早期定子线圈绝缘故障、严重定子线圈绝缘故障和定子线圈绝缘正常所对应的降维特征向量、电机转速和电机转矩。
如图8所示,上述预设模糊聚类模型的构建过程,具体包括如下步骤:
S801:获取定子线圈绝缘样本数据。
S802:基于所述定子线圈绝缘样本数据,采用模糊聚类算法对模糊聚类模型进行训练,构建牵引电机定子线圈绝缘故障诊断识别的所述预设模糊聚类模型。
在故障诊断之前,首先,将定子线圈绝缘正常状态、定子线圈绝缘早期故障状态与定子线圈绝缘严重故障状态所对应的定子线圈绝缘样本数据(降维特征向量、电机转速与电机转矩)送入模糊聚类模型,确定聚类类别,然后,通过定子线圈绝缘样本数据对模糊聚类模型进行修正,修正后的模糊聚类模型通过实时输入电机的绝缘故障降维特征向量、电机转速与电流信号即可实现牵引电机定子线圈绝缘的故障诊断。
上述模糊聚类算法是一种数据分类算法,其属于本领域技术人员惯用的技术手段,具体计算过程可参见相关技术资料,在此不再进行详细赘述。
本申请实施例中,以列车牵引电机为对象,在不新增传感器、不额外对列车牵引系统进行设备改造的前提下,利用牵引电机的轴承故障诊断参数和定子线圈绝缘故障诊断参数,分别调用预设梯度提升树模型和预设模糊聚类模型,实现牵引电机轴承的故障诊断和定子线圈绝缘的故障诊断,从而降低牵引电机故障诊断成本。
请参阅图9,基于上述实施例公开的一种牵引电机故障诊断方法,本实施例对应公开了一种牵引电机故障诊断装置,应用于牵引电机故障诊断系统,该装置具体包括:第一处理单元901和第二处理单元902,其中:
第一处理单元901,用于调用预设梯度提升树模型,以轴承故障诊断参数作为输入进行轴承故障诊断,得到轴承故障诊断结果,所述预设梯度提升树模型根据轴承样本数据构建,所述轴承样本数据包括轴承状态的正常状态、外圈故障状态所、内圈故障状态、滚动体故障状态以及保持架故障状态所对应的轴承故障诊断参数,所述轴承故障诊断参数包括谐波脉冲谱指标、电机转速、电机转矩和电流信号,所述谐波脉冲谱指标用于标识所述牵引电机轴承的故障状态。
第二处理单元902,用于调用预设模糊聚类模型,以定子线圈绝缘故障诊断参数作为输入进行定子线圈绝缘故障诊断,得到定子线圈绝缘故障诊断结果,所述预设模糊聚类模型根据定子线圈绝缘样本数据构建,所述定子线圈绝缘样本数据包括定子线圈绝缘早期故障状态、定子线圈绝缘严重故障状态和定子线圈绝缘正常状态所对应的定子线圈绝缘故障诊断参数,所述定子线圈绝缘故障诊断参数包括降维特征向量、电机转速和电机转矩,所述降维特征向量用于标识所述牵引电机定子线圈绝缘的故障状态。
所述牵引电机故障诊断装置包括处理器和存储器,上述第一处理单元和第二处理单元等均作为程序单元存储在存储器中,由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
处理器中包含内核,由内核去存储器中调取相应的程序单元。内核可以设置一个或以上,以列车牵引电机为对象,在不新增传感器、不额外对列车牵引系统进行设备改造的前提下,利用牵引电机的轴承故障诊断参数和定子线圈绝缘故障诊断参数,分别调用预设梯度提升树模型和预设模糊聚类模型,实现牵引电机轴承的故障诊断和定子线圈绝缘的故障诊断,从而降低牵引电机故障诊断成本。
本发明实施例提供了一种存储介质,其上存储有程序,该程序被处理器执行时实现所述牵引电机故障诊断方法。
本发明实施例提供了一种处理器,所述处理器用于运行程序,其中,所述程序运行时执行所述牵引电机故障诊断方法。
本发明实施例提供了一种电子设备,如图10所示,该电子设备100包括至少一个处理器1001、以及与所述处理器连接的至少一个存储器1002、总线1003;其中,所述处理器1001、所述存储器1002通过所述总线1003完成相互间的通信;处理器1001用于调用所述存储器1002中的程序指令,以执行上述的所述牵引电机故障诊断方法。
本文中的电子设备可以是服务器、PC、PAD、手机等。
本申请还提供了一种计算机程序产品,当在数据处理设备上执行时,适于执行初始化有如下方法步骤的程序:
调用预设梯度提升树模型,以轴承故障诊断参数作为输入进行轴承故障诊断,得到轴承故障诊断结果,所述预设梯度提升树模型根据轴承样本数据构建,所述轴承样本数据包括轴承状态的正常状态、外圈故障状态、内圈故障状态、滚动体故障状态以及保持架故障状态所对应的轴承故障诊断参数,所述轴承故障诊断参数包括故障谐波脉冲谱指标、电机转速、电机转矩和电流信号,所述故障谐波脉冲谱指标用于标识所述牵引电机轴承的故障状态;
调用预设模糊聚类模型,以定子线圈绝缘故障诊断参数作为输入进行定子线圈绝缘故障诊断,得到定子线圈绝缘故障诊断结果,所述预设模糊聚类模型根据定子线圈绝缘样本数据构建,所述定子线圈绝缘样本数据包括定子线圈绝缘早期故障状态、定子线圈绝缘严重故障状态和定子线圈绝缘正常状态所对应的定子线圈绝缘故障诊断参数,所述定子线圈绝缘故障诊断参数包括降维特征向量、电机转速和电机转矩,所述降维特征向量用于标识所述牵引电机定子线圈绝缘的故障状态。
优选的,所述故障谐波脉冲谱指标的获取方法,具体为:
获取所述牵引电机的电机转速和电机控制模型中的电机转矩;
对所述电机转速和所述电机转矩分别进行傅立叶变换,得到轴承谐波脉冲频率的谐波分量;
通过脉冲谐波谱分析方法,从所述轴承谐波脉冲频率的谐波分量中提取所述故障谐波脉冲谱指标。
优选的,所述降维特征向量的获取方法,具体为:
获取所述牵引电机的电机控制信号,所述电机控制信号包括:电压信号、电流信号、电机转速、电机控制模型中的电机转矩;
提取所述电机控制信号中的多维特征向量,并对所述多维特征向量进行降维,得到降维特征向量,所述多维特征向量包括定子线圈绝缘故障频谱特征、电机定子线圈绝缘短路Park矢量模频谱的故障特征和牵引电机的不平衡特征中的至少两种。
优选的,所述提取所述电机控制信号中的多维特征向量,并对所述多维特征向量进行降维,得到降维特征向量,具体为:
获取所述电机控制信号的频率构成,提取定子线圈绝缘故障谐波脉冲频率的定子线圈绝缘故障频谱特征,作为第一特征向量;
对所述电压信号和所述电流信号进行融合分析得到Park矢量模,并对所述Park矢量模通过所述频谱分析方法进行频谱分析,提取电机定子线圈绝缘短路Park矢量模频谱的故障特征,作为第二特征向量;
分析所述电压信号和所述电流信号的不平衡特性,提取所述牵引电机的不平衡特征,作为第三特征向量;
对所述第一特征向量、所述第二特征向量和所述第三特征向量进行特征降维,得到所述降维特征向量。
优选的,所述采用主成分分析方法对所述第一特征向量、所述第二特征向量和所述第三特征向量进行特征降维,得到所述降维特征向量,具体为:
根据所述第一特征向量、所述第二特征向量和所述第三特征向量构建降维主成分;
根据主成分贡献率确定降维特征向量的维数;
计算主成分载荷,所述主成分载荷为牵引电机匝间短路故障的降维特征向量。
优选的,所述预设梯度提升树模型的构建过程,具体为:
获取轴承样本数据;
基于所述轴承样本数据,采用梯度提升树智能识别算法对梯度提升树模型进行训练,构建牵引电机轴承故障诊断识别的所述预设梯度提升树模型。
优选的,所述预设模糊聚类模型的构建过程,具体为:
获取定子线圈绝缘样本数据;
基于所述定子线圈绝缘样本数据,采用模糊聚类算法对模糊聚类模型进行训练,构建牵引电机定子线圈绝缘故障诊断识别的所述预设模糊聚类模型。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
在一个典型的配置中,设备包括一个或多个处理器(CPU)、存储器和总线。设备还可以包括输入/输出接口、网络接口等。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM),存储器包括至少一个存储芯片。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存 (PRAM)、静态随机存取存储器 (SRAM)、动态随机存取存储器 (DRAM)、其他类型的随机存取存储器 (RAM)、只读存储器 (ROM)、电可擦除可编程只读存储器 (EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘 (DVD) 或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体 (transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本申请的实施例可提供为方法、系统或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (8)
1.一种牵引电机故障诊断方法,其特征在于,应用于牵引电机故障诊断系统,该方法包括:
调用预设梯度提升树模型,以轴承故障诊断参数作为输入进行轴承故障诊断,得到轴承故障诊断结果,所述预设梯度提升树模型根据轴承样本数据构建,所述轴承样本数据包括轴承状态的正常状态、外圈故障状态、内圈故障状态、滚动体故障状态以及保持架故障状态所对应的轴承故障诊断参数,所述轴承故障诊断参数包括故障谐波脉冲谱指标、电机转速、电机转矩和电流信号,所述故障谐波脉冲谱指标用于标识所述牵引电机轴承的故障状态;
调用预设模糊聚类模型,以定子线圈绝缘故障诊断参数作为输入进行定子线圈绝缘故障诊断,得到定子线圈绝缘故障诊断结果,所述预设模糊聚类模型根据定子线圈绝缘样本数据构建,所述定子线圈绝缘样本数据包括定子线圈绝缘早期故障状态、定子线圈绝缘严重故障状态和定子线圈绝缘正常状态所对应的定子线圈绝缘故障诊断参数,所述定子线圈绝缘故障诊断参数包括降维特征向量、电机转速和电机转矩,所述降维特征向量用于标识所述牵引电机定子线圈绝缘的故障状态;
其中,所述故障谐波脉冲谱指标的获取方法,具体为:
获取所述牵引电机的电机转速和电机控制模型中的电机转矩;
对所述电机转速和所述电机转矩分别进行傅立叶变换,得到轴承谐波脉冲频率的谐波分量;
通过脉冲谐波谱分析方法,从所述轴承谐波脉冲频率的谐波分量中提取所述故障谐波脉冲谱指标。
其中,所述降维特征向量的获取方法,具体为:
获取所述牵引电机的电机控制信号,所述电机控制信号包括:电压信号、电流信号、电机转速、电机控制模型中的电机转矩;
提取所述电机控制信号中的多维特征向量,并对所述多维特征向量进行降维,得到降维特征向量,所述多维特征向量包括定子线圈绝缘故障频谱特征、电机定子线圈绝缘短路Park矢量模频谱的故障特征和牵引电机的不平衡特征中的至少两种。
2.根据权利要求1所述的方法,其特征在于,所述提取所述电机控制信号中的多维特征向量,并对所述多维特征向量进行降维,得到降维特征向量,具体为:
获取所述电机控制信号的频率构成,提取定子线圈绝缘故障谐波脉冲频率的定子线圈绝缘故障频谱特征,作为第一特征向量;
对所述电压信号和所述电流信号进行融合分析得到Park矢量模,并对所述Park矢量模通过频谱分析方法进行频谱分析,提取电机定子线圈绝缘短路Park矢量模频谱的故障特征,作为第二特征向量;
分析所述电压信号和所述电流信号的不平衡特性,提取所述牵引电机的不平衡特征,作为第三特征向量;
对所述第一特征向量、所述第二特征向量和所述第三特征向量进行特征降维,得到所述降维特征向量。
3.根据权利要求2所述的方法,其特征在于,采用主成分分析方法对所述第一特征向量、所述第二特征向量和所述第三特征向量进行特征降维,得到所述降维特征向量,具体为:
根据所述第一特征向量、所述第二特征向量和所述第三特征向量构建降维主成分;
根据主成分贡献率确定降维特征向量的维数;
计算主成分载荷,所述主成分载荷为牵引电机匝间短路故障的降维特征向量。
4.根据权利要求1所述的方法,其特征在于,所述预设梯度提升树模型的构建过程,具体为:
获取轴承样本数据;
基于所述轴承样本数据,采用梯度提升树智能识别算法对梯度提升树模型进行训练,构建牵引电机轴承故障诊断识别的所述预设梯度提升树模型。
5.根据权利要求1所述的方法,其特征在于,所述预设模糊聚类模型的构建过程,具体为:
获取定子线圈绝缘样本数据;
基于所述定子线圈绝缘样本数据,采用模糊聚类算法对模糊聚类模型进行训练,构建牵引电机定子线圈绝缘故障诊断识别的所述预设模糊聚类模型。
6.一种牵引电机故障诊断装置,其特征在于,应用于牵引电机故障诊断系统,该装置包括:
第一处理单元,用于调用预设梯度提升树模型,以轴承故障诊断参数作为输入进行轴承故障诊断,得到轴承故障诊断结果,所述预设梯度提升树模型根据轴承样本数据构建,所述轴承样本数据包括轴承状态的正常状态、外圈故障状态所、内圈故障状态、滚动体故障状态以及保持架故障状态所对应的轴承故障诊断参数,所述轴承故障诊断参数包括故障谐波脉冲谱指标、电机转速、电机转矩和电流信号,所述故障谐波脉冲谱指标用于标识所述牵引电机轴承的故障状态;
第二处理单元,用于调用预设模糊聚类模型,以定子线圈绝缘故障诊断参数作为输入进行定子线圈绝缘故障诊断,得到定子线圈绝缘故障诊断结果,所述预设模糊聚类模型根据定子线圈绝缘样本数据构建,所述定子线圈绝缘样本数据包括定子线圈绝缘早期故障状态、定子线圈绝缘严重故障状态和定子线圈绝缘正常状态所对应的定子线圈绝缘故障诊断参数,所述定子线圈绝缘故障诊断参数包括降维特征向量、电机转速和电机转矩,所述降维特征向量用于标识所述牵引电机定子线圈绝缘的故障状态;
其中,所述第一处理单元还用于:
获取所述牵引电机的电机转速和电机控制模型中的电机转矩;
对所述电机转速和所述电机转矩分别进行傅立叶变换,得到轴承谐波脉冲频率的谐波分量;
通过脉冲谐波谱分析方法,从所述轴承谐波脉冲频率的谐波分量中提取所述故障谐波脉冲谱指标。
其中,所述第二处理单元还用于:
获取所述牵引电机的电机控制信号,所述电机控制信号包括:电压信号、电流信号、电机转速、电机控制模型中的电机转矩;
提取所述电机控制信号中的多维特征向量,并对所述多维特征向量进行降维,得到降维特征向量,所述多维特征向量包括定子线圈绝缘故障频谱特征、电机定子线圈绝缘短路Park矢量模频谱的故障特征和牵引电机的不平衡特征中的至少两种。
7.一种存储介质,其特征在于,所述存储介质包括存储的程序,其中,在所述程序运行时控制所述存储介质所在的设备执行如权利要求1至5中任一项所述的牵引电机故障诊断方法。
8.一种电子设备,其特征在于,所述电子设备包括至少一个处理器、以及与所述处理器连接的至少一个存储器、总线;其中,所述处理器、所述存储器通过所述总线完成相互间的通信;所述处理器用于调用所述存储器中的程序指令,以执行如权利要求1至5中任一项所述的牵引电机故障诊断方法。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010327154.7A CN111208427B (zh) | 2020-04-23 | 2020-04-23 | 一种牵引电机故障诊断方法及装置 |
PCT/CN2021/083885 WO2021213142A1 (zh) | 2020-04-23 | 2021-03-30 | 一种牵引电机故障诊断方法及装置 |
EP21793367.0A EP4113138B1 (en) | 2020-04-23 | 2021-03-30 | Traction motor fault diagnosis method and apparatus |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010327154.7A CN111208427B (zh) | 2020-04-23 | 2020-04-23 | 一种牵引电机故障诊断方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111208427A CN111208427A (zh) | 2020-05-29 |
CN111208427B true CN111208427B (zh) | 2020-07-24 |
Family
ID=70783712
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010327154.7A Active CN111208427B (zh) | 2020-04-23 | 2020-04-23 | 一种牵引电机故障诊断方法及装置 |
Country Status (3)
Country | Link |
---|---|
EP (1) | EP4113138B1 (zh) |
CN (1) | CN111208427B (zh) |
WO (1) | WO2021213142A1 (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111208427B (zh) * | 2020-04-23 | 2020-07-24 | 湖南中车时代通信信号有限公司 | 一种牵引电机故障诊断方法及装置 |
CN114200302A (zh) * | 2020-09-18 | 2022-03-18 | 株洲中车时代电气股份有限公司 | 一种电机定子线圈匝间短路故障在线诊断方法和系统 |
CN112304608B (zh) * | 2020-10-14 | 2021-11-23 | 中车株洲电力机车研究所有限公司 | 一种牵引传动系统的故障诊断方法、系统及相关组件 |
CN112611970A (zh) * | 2020-11-25 | 2021-04-06 | 南京中车浦镇海泰制动设备有限公司 | 一种基于pca统计量的电机械夹钳故障检测方法 |
CN112684235B (zh) * | 2020-12-24 | 2024-02-23 | 浙江可胜技术股份有限公司 | 定日镜用减速机在线智能故障诊断方法及系统 |
CN113790892B (zh) * | 2021-09-13 | 2024-01-23 | 哈电发电设备国家工程研究中心有限公司 | 基于决策级融合的重型燃气轮机可倾瓦轴承拍瓦故障诊断方法、计算机及存储介质 |
CN113805056B (zh) * | 2021-09-18 | 2023-12-19 | 中车大连电力牵引研发中心有限公司 | 一种智能在线监测牵引电机绝缘故障的方法 |
CN114638280B (zh) * | 2022-01-30 | 2023-04-11 | 江苏东佳电气有限公司 | 基于本地设备网络的防爆电机轴承温度异常监测系统 |
CN115144751B (zh) * | 2022-09-05 | 2022-11-08 | 西北工业大学 | 一种牵引电机故障诊断装置及方法 |
CN115758258B (zh) * | 2022-11-22 | 2023-12-12 | 西南交通大学 | 一种基于振动信号和领域知识的牵引变压器故障诊断方法 |
CN117192371B (zh) * | 2023-11-03 | 2024-01-30 | 南通清浪智能科技有限公司 | 一种新能源汽车电机驱动器的测试方法及系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102954857A (zh) * | 2012-10-17 | 2013-03-06 | 东南大学 | 基于电流信号的风电机组的叶片不平衡故障诊断方法 |
CN106680716A (zh) * | 2017-01-20 | 2017-05-17 | 浙江大学 | 一种基于无位置传感器的永磁电机轴承故障诊断的方法 |
CN108896299A (zh) * | 2018-05-25 | 2018-11-27 | 中车青岛四方机车车辆股份有限公司 | 一种齿轮箱故障检测方法 |
CN108984893A (zh) * | 2018-07-09 | 2018-12-11 | 北京航空航天大学 | 一种基于梯度提升方法的趋势预测方法 |
CN109061474A (zh) * | 2018-10-15 | 2018-12-21 | 株洲中车时代电气股份有限公司 | 一种电机轴承故障诊断装置 |
CN109238698A (zh) * | 2018-10-15 | 2019-01-18 | 株洲中车时代电气股份有限公司 | 一种基于电流信号的电机轴承故障诊断方法 |
CN109407003A (zh) * | 2018-09-26 | 2019-03-01 | 成都雅骏新能源汽车科技股份有限公司 | 一种基于云计算的电动汽车永磁同步电机故障诊断系统及其故障诊断方法 |
JP2019066357A (ja) * | 2017-10-02 | 2019-04-25 | 株式会社ショーワ | 故障検出装置、電動パワーステアリング装置 |
US10418922B1 (en) * | 2018-06-15 | 2019-09-17 | Verb Surgical Inc. | Calibration of 3-phase motor current sensing for surgical robotic actuators |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6930490B2 (en) * | 2003-05-16 | 2005-08-16 | Electro-Motive Diesel, Inc. | Traction motor fault detection system |
CN101275988B (zh) * | 2007-12-27 | 2011-08-10 | 奇瑞汽车股份有限公司 | 一种永磁同步电机测试系统及测试方法 |
CN102059255B (zh) * | 2010-11-23 | 2012-11-21 | 首钢总公司 | 一种高线轧机早期故障微弱特征提取的方法 |
CN104155585A (zh) * | 2014-08-12 | 2014-11-19 | 国家电网公司 | 基于gk模糊聚类的gis局部放电类型识别方法 |
JP6439658B2 (ja) * | 2015-11-10 | 2018-12-19 | 株式会社デンソー | 電圧センサ異常診断装置 |
CN106841949B (zh) * | 2017-03-09 | 2020-01-10 | 杭州安脉盛智能技术有限公司 | 三相异步交流电机定子绝缘在线监测方法和装置 |
KR102040397B1 (ko) * | 2018-04-10 | 2019-11-04 | 서울과학기술대학교 산학협력단 | 인버터 입력 전류 분석을 이용한 유도전동기 고장 진단 방법 및 시스템 |
CN109556862A (zh) * | 2018-11-23 | 2019-04-02 | 北京交通大学 | 基于自供电传感网络的列车轮对轴承安全监测系统 |
CN109635879B (zh) * | 2019-01-08 | 2023-04-07 | 浙江大学 | 一种参数最优的采煤机故障诊断系统 |
CN111208427B (zh) * | 2020-04-23 | 2020-07-24 | 湖南中车时代通信信号有限公司 | 一种牵引电机故障诊断方法及装置 |
-
2020
- 2020-04-23 CN CN202010327154.7A patent/CN111208427B/zh active Active
-
2021
- 2021-03-30 WO PCT/CN2021/083885 patent/WO2021213142A1/zh unknown
- 2021-03-30 EP EP21793367.0A patent/EP4113138B1/en active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102954857A (zh) * | 2012-10-17 | 2013-03-06 | 东南大学 | 基于电流信号的风电机组的叶片不平衡故障诊断方法 |
CN106680716A (zh) * | 2017-01-20 | 2017-05-17 | 浙江大学 | 一种基于无位置传感器的永磁电机轴承故障诊断的方法 |
JP2019066357A (ja) * | 2017-10-02 | 2019-04-25 | 株式会社ショーワ | 故障検出装置、電動パワーステアリング装置 |
CN108896299A (zh) * | 2018-05-25 | 2018-11-27 | 中车青岛四方机车车辆股份有限公司 | 一种齿轮箱故障检测方法 |
US10418922B1 (en) * | 2018-06-15 | 2019-09-17 | Verb Surgical Inc. | Calibration of 3-phase motor current sensing for surgical robotic actuators |
CN108984893A (zh) * | 2018-07-09 | 2018-12-11 | 北京航空航天大学 | 一种基于梯度提升方法的趋势预测方法 |
CN109407003A (zh) * | 2018-09-26 | 2019-03-01 | 成都雅骏新能源汽车科技股份有限公司 | 一种基于云计算的电动汽车永磁同步电机故障诊断系统及其故障诊断方法 |
CN109061474A (zh) * | 2018-10-15 | 2018-12-21 | 株洲中车时代电气股份有限公司 | 一种电机轴承故障诊断装置 |
CN109238698A (zh) * | 2018-10-15 | 2019-01-18 | 株洲中车时代电气股份有限公司 | 一种基于电流信号的电机轴承故障诊断方法 |
Non-Patent Citations (4)
Title |
---|
Bearing Fault Monitoring by Comparison with Main Bearing Frequency Components Using Vibration Signal;Pornchai Nivesrangsan;《2018 5th International Conference on Business and Industrial Research (ICBIR》;20181231;第292-296页 * |
一种基于Deep-GBM的航空发动机中介轴承故障诊断方法;田晶 等;《航空动力学报》;20190430;第756-763页 * |
基于SVD-MOMEDA 的高速列车齿轮箱轴承故障诊断;朱丹 等;《机车电传动》;20200310;第144-148页,第152页 * |
机车牵引电机轴承、轴箱轴承故障分析及对策;周新红 等;《机车车辆工艺》;20031231;第39-40页 * |
Also Published As
Publication number | Publication date |
---|---|
EP4113138A1 (en) | 2023-01-04 |
EP4113138A4 (en) | 2023-08-30 |
CN111208427A (zh) | 2020-05-29 |
EP4113138B1 (en) | 2024-03-13 |
WO2021213142A1 (zh) | 2021-10-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111208427B (zh) | 一种牵引电机故障诊断方法及装置 | |
Zhao et al. | Fault diagnosis method based on principal component analysis and broad learning system | |
Merainani et al. | A novel gearbox fault feature extraction and classification using Hilbert empirical wavelet transform, singular value decomposition, and SOM neural network | |
Liu et al. | Fault diagnosis of shipboard medium-voltage DC power system based on machine learning | |
Pietrzak et al. | PMSM stator winding fault detection and classification based on bispectrum analysis and convolutional neural network | |
Faiz et al. | Eccentricity fault diagnosis indices for permanent magnet machines: state‐of‐the‐art | |
Ergin et al. | Detection of stator, bearing and rotor faults in induction motors | |
Zhang et al. | An intelligent fault diagnosis method of rolling bearings based on short-time Fourier transform and convolutional neural network | |
Lei et al. | Application of a novel hybrid intelligent method to compound fault diagnosis of locomotive roller bearings | |
Hussain et al. | Fault Detection and Identification Using Deep Learning Algorithms in InductionMotors. | |
Gangsar et al. | Online diagnostics of mechanical and electrical faults in induction motor using multiclass support vector machine algorithms based on frequency domain vibration and current signals | |
Li | Exploring real-time fault detection of high-speed train traction motor based on machine learning and wavelet analysis | |
El Hadraoui et al. | A data-driven model for fault diagnosis of induction motor for electric powertrain | |
Amiri Ahouee et al. | Inter-turn fault detection in PM synchronous motor by neuro-fuzzy technique | |
CN116383739B (zh) | 基于域自适应的多模态数据融合的智能故障诊断方法 | |
CN113009337A (zh) | 海上风电永磁直驱电机匝间短路故障识别方法 | |
CN112257616A (zh) | 一种基于振动信号的调相机故障诊断方法、装置及系统 | |
Zarei et al. | Broken rotor bars detection via Park's vector approach based on ANFIS | |
Zhou et al. | Marine propulsion shaft system fault diagnosis method based on partly ensemble empirical mode decomposition and SVM | |
Kumar et al. | Prediction of rotor slot size variation through vibration signal of three phase induction motor using machine learning | |
Shu et al. | DBF-CNN: A double-branch fusion residual CNN for diagnosis of induction motor broken rotor bar | |
Ma et al. | Deep residual shrinkage network with time-frequency features for bearing fault diagnosis | |
Merabet et al. | Diagnosis and classification using ANFIS approach of stator and rotor faults in induction machine | |
Liu et al. | Circuit Fault Diagnosis Method of Wind Power Converter with Wavelet-DBN | |
Hong et al. | Adaptive fusion based on physics-constrained dictionary learning for fault diagnosis of rotating machinery |
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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20210319 Address after: 169 Shidai Road, Shifeng District, Zhuzhou City, Hunan Province, 412000 Patentee after: CRRC Zhuzhou Institute Co.,Ltd. Address before: 410000 Building 9, central Zhigu, No.189, Section 2, Renmin East Road, Changsha Economic and Technological Development Zone, Hunan Province Patentee before: HUNAN CRRC TIMES SIGNAL & COMMUNICATION Co.,Ltd. |
|
TR01 | Transfer of patent right |