CN111614304A - 故障确定设备、电动机驱动系统和故障确定方法 - Google Patents
故障确定设备、电动机驱动系统和故障确定方法 Download PDFInfo
- Publication number
- CN111614304A CN111614304A CN202010087182.6A CN202010087182A CN111614304A CN 111614304 A CN111614304 A CN 111614304A CN 202010087182 A CN202010087182 A CN 202010087182A CN 111614304 A CN111614304 A CN 111614304A
- Authority
- CN
- China
- Prior art keywords
- motor
- sampling
- current
- unit
- regeneration
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000005070 sampling Methods 0.000 claims abstract description 103
- 230000008929 regeneration Effects 0.000 claims abstract description 67
- 238000011069 regeneration method Methods 0.000 claims abstract description 67
- 230000001172 regenerating effect Effects 0.000 claims abstract description 29
- 230000036541 health Effects 0.000 claims abstract description 5
- 239000003990 capacitor Substances 0.000 claims description 26
- 238000001514 detection method Methods 0.000 claims description 12
- 230000008859 change Effects 0.000 claims description 11
- 230000015556 catabolic process Effects 0.000 claims description 6
- 238000006731 degradation reaction Methods 0.000 claims description 6
- 230000007257 malfunction Effects 0.000 claims description 6
- 238000009499 grossing Methods 0.000 claims description 2
- 238000003745 diagnosis Methods 0.000 abstract description 48
- 230000008569 process Effects 0.000 description 18
- 238000010586 diagram Methods 0.000 description 16
- 238000010801 machine learning Methods 0.000 description 16
- 230000000873 masking effect Effects 0.000 description 15
- 230000006870 function Effects 0.000 description 6
- 238000004590 computer program Methods 0.000 description 5
- 238000001914 filtration Methods 0.000 description 5
- 230000007423 decrease Effects 0.000 description 4
- 238000002405 diagnostic procedure Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000001052 transient effect Effects 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000006866 deterioration Effects 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- SRVFFFJZQVENJC-IHRRRGAJSA-N aloxistatin Chemical compound CCOC(=O)[C@H]1O[C@@H]1C(=O)N[C@@H](CC(C)C)C(=O)NCCC(C)C SRVFFFJZQVENJC-IHRRRGAJSA-N 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
- H02P29/00—Arrangements for regulating or controlling electric motors, appropriate for both AC and DC motors
- H02P29/02—Providing protection against overload without automatic interruption of supply
- H02P29/024—Detecting a fault condition, e.g. short circuit, locked rotor, open circuit or loss of load
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N99/00—Subject matter not provided for in other groups of this subclass
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02H—EMERGENCY PROTECTIVE CIRCUIT ARRANGEMENTS
- H02H7/00—Emergency protective circuit arrangements specially adapted for specific types of electric machines or apparatus or for sectionalised protection of cable or line systems, and effecting automatic switching in the event of an undesired change from normal working conditions
- H02H7/10—Emergency protective circuit arrangements specially adapted for specific types of electric machines or apparatus or for sectionalised protection of cable or line systems, and effecting automatic switching in the event of an undesired change from normal working conditions for converters; for rectifiers
- H02H7/12—Emergency protective circuit arrangements specially adapted for specific types of electric machines or apparatus or for sectionalised protection of cable or line systems, and effecting automatic switching in the event of an undesired change from normal working conditions for converters; for rectifiers for static converters or rectifiers
- H02H7/122—Emergency protective circuit arrangements specially adapted for specific types of electric machines or apparatus or for sectionalised protection of cable or line systems, and effecting automatic switching in the event of an undesired change from normal working conditions for converters; for rectifiers for static converters or rectifiers for inverters, i.e. dc/ac converters
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
- H02P27/00—Arrangements or methods for the control of AC motors characterised by the kind of supply voltage
- H02P27/04—Arrangements or methods for the control of AC motors characterised by the kind of supply voltage using variable-frequency supply voltage, e.g. inverter or converter supply voltage
- H02P27/06—Arrangements or methods for the control of AC motors characterised by the kind of supply voltage using variable-frequency supply voltage, e.g. inverter or converter supply voltage using dc to ac converters or inverters
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
- H02P29/00—Arrangements for regulating or controlling electric motors, appropriate for both AC and DC motors
- H02P29/40—Regulating or controlling the amount of current drawn or delivered by the motor for controlling the mechanical load
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02H—EMERGENCY PROTECTIVE CIRCUIT ARRANGEMENTS
- H02H7/00—Emergency protective circuit arrangements specially adapted for specific types of electric machines or apparatus or for sectionalised protection of cable or line systems, and effecting automatic switching in the event of an undesired change from normal working conditions
- H02H7/08—Emergency protective circuit arrangements specially adapted for specific types of electric machines or apparatus or for sectionalised protection of cable or line systems, and effecting automatic switching in the event of an undesired change from normal working conditions for dynamo-electric motors
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Control Of Electric Motors In General (AREA)
- Control Of Ac Motors In General (AREA)
Abstract
本公开的实施例涉及故障确定设备、电动机驱动系统和故障确定方法。故障诊断可以使用电动机的检测值及其学习模型而方便地执行。设备50具有采样单元51，用于在电动机再生的时候对电流进行采样；以及确定单元52，用于使用学习模型和从通过采样单元51的采样结果所获得的数据来确定电动机的故障，其中所述学习模型在电动机的健全性状态是预定状态时，使用从在电动机再生的时候的电流的采样结果所获得的数据而预先学习。
Description
相关申请的交叉引用
于2019年2月22日提交的第2019-030432号日本专利申请的公开，包括其说明书、附图和摘要，通过引用以整体并入本文。
技术领域
本公开的实施例总体上涉及故障确定设备、电动机驱动系统和故障确定方法。
背景技术
近年来，使用机器学习的各种技术被提出。下面列出了公开的技术。
[专利文献1]日本未审查专利申请公开号：2017-127099。
[非专利文献1]Vittaya Tipsuwanporn等人，“Fault Detection In compressorUsing FFT Algorithm”，Proceedings of the World Congress on Engineering andComputer Science 2013卷I,WCECS 2013，2013年10月23-25日，美国旧金山。
例如，专利文献1公开了一种机器学习设备，该机器学习设备能够调节电阻器再生开始电压和电阻再生停止电压的值，这些值对于相应的电动机是最优的。
例如，对于电动机故障的检测，非专利文献1是已知的。该文献提供了发生电动机故障时出现的频率分量的理论表达式。
发明内容
发明人已经发现，当使用机器学习来执行电动机或与电动机有关的部件的故障确定时，如果使用处于力作用状态的电动机的学习数据，则会出现以下问题。在电动机被供以功率的环境中，存在许多影响电动机的感测值的参数(例如，供应给电动机的电流)，使得针对感测值的各种频率分量出现。这使得机器学习模型的设计变得困难。另外，即使机器学习模型可以被设计，针对模型的机器学习的大量的学习数据也需要被收集。
另一方面，上面提及的方法都没有使用机器学习来检验故障的确定。因此，需要一种技术，其能够使用电动机的检测到的值及其学习模型来容易地执行故障诊断。在下面的公开中，“故障”包括故障的初步阶段。
从本说明书和附图的描述，其他目的和新颖特征将变得显而易见。
根据一个实施例，故障确定设备包括采样单元，用于在电动机再生的时候对电流进行采样；以及确定单元，用于使用从采样结果所获得的数据和学习模型来确定电动机的故障。
根据上述实施例，可以使用电动机的检测到的值及其学习模型来容易地执行故障诊断。
附图说明
图1是示出根据一个实施例的电动机驱动系统的配置的一个示例的示意图。
图2是示出根据一个实施例的概要的故障确定设备的示例性配置的框图。
图3是示出MCU的配置的一个示例的框图。
图4是用于说明由控制单元进行的频率控制和电流控制的图。
图5是示出在再生期间电动机转动速度和时间之间关系的示例的图。
图6是示出针对故障诊断的操作流程的流程图的一个示例。
图7A是具有两个齿轮的机构的示意性透视图，该两个齿轮通过电动机旋转而旋转。
图7B是7A中所示齿轮的侧视图。
图8是示出包括多个诊断方法的诊断操作流程的流程图的一个示例。
图9是示出当电动机正驱动时通过FFT的分析结果的一个示例的图。
图10是示出针对故障诊断的操作流程的流程图的一个示例。
图11是示出电动机驱动系统的配置的一个示例的示意图。
图12是示出电动机驱动系统的示例性配置的示意图，该电动机驱动系统被提供为不同于控制逆变器的控制系统设备，其中诊断设备执行用于诊断故障的过程。
具体实施方式
出于便于说明的目的，以下说明和附图适当地被省略和简化。此外，在附图中描述为功能块、用于执行各种处理的要素可以在硬件方面被配置作为CPU(中央处理单元)、存储器和的其它电路，并且在软件方面由加载到存储器中的程序来实现。因此，本领域技术人员理解，这些功能块可以通过单独的硬件、单独的软件或其组合以各种形式实现，并且本发明不限于其中任何一种。在附图中，相同的要素由相同的附图标记表示，并且必要时省略其重复描述。
而且，上述程序可以使用各种类型的非暂时性计算机可读介质来存储，并且被提供给计算机。非暂时性计算机可读介质包括各种类型的有形存储介质。非暂时性计算机可读介质的示例包括磁记录介质(例如，软盘、磁带、硬盘驱动器)、磁光记录介质(例如，磁光盘)、CD-ROM(只读存储器、CD-R、CD-R/W)、固态存储器(例如，掩模ROM、PROM(可编程ROM)、EPROM(可擦除PROM、闪存ROM、RAM(随机存取存储器))。程序也可以由各种类型的暂时性计算机可读介质供应给计算机，暂时性计算机可读介质的示例包括电信号、光学信号和电磁波。暂时性计算机可读介质可经由有线或无线通信路径(诸如，电线和光纤)向计算机提供程序。
图1是示出根据一个实施例的电动机驱动系统的配置的一个示例的示意图。电动机驱动系统1包括三相功率供应20、电动机驱动设备10和电动机30。三相功率供应20向电动机驱动设备10供应从功率站等传输的三相交流电流。电动机30是三相电动机，并且由电动机驱动设备10控制。电动机驱动设备10是用于控制电动机30的设备。电动机驱动设备10包括功率供应开关101、交流滤波器102、整流器103、电阻器104、电阻器开关105、电解电容器106、逆变器107和MCU(微控制单元)110。
功率供应开关101是用于接通和关断来自三相功率供应20的三相电流的开关，并且通过来自MCU110的开关切换信号来操作。交流滤波器102被提供以防止来自逆变器107的噪声传播到电动机驱动设备10之外，并且交流滤波器102包括交流电抗器。交流滤波器102提供在功率供应开关101和整流器103之间。整流器103是用于将来自三相功率供应20的交流电转换为直流电的转换器。电阻器104是当电动机30处于再生状态时，消耗从电动机30供应的功率的电路元件。电阻器开关105是用于接通/关断电阻器104到直流电路的连接的开关，并且响应于来自MCU110的开关切换信号而操作。MCU 110控制电阻开关105的接通时间和关断时间，从而控制当电动机30再生时，由电阻104所消耗的功率。
电解电容器106具有多个平滑电容器，其连接到逆变器107。更具体地，电解电容器106设置在整流器103和逆变器107之间。当电动机30被供以功率时，逆变器107根据来自MCU110的PWM(脉冲宽度调制)信号向电动机30供应三相AC电流(交流电流)。在电动机30再生期间，逆变器107将来自电动机30的三相交流电流转换为直流电流。MCU 110包括诸如CPU的处理器、存储器、外围电路等，并且控制整个电动机驱动设备10。
此处，在上面所描述的电动机驱动系统1中，当对电动机30或与电动机30相关的部件的故障的确定是通过使用机器学习来执行时，认为电动机处于力动作操作状态下的学习数据被使用。在这种情况下，各种值的变化影响电动机的检测到的值，诸如，电流值和电压值。本文提及的各种值例如包括三相功率供应20的电压值、三相功率供应20的相之间的电压差、交流滤波器102的内部阻抗和交流滤波器102的电感值。因此，即使使用检测到的值来设计机器学习模型变得困难或者即使机器学习模型的设计是可能的，考虑到上述变化相当大数量的学习数据必须被收集。
另一方面，当电动机30再生时，来自三相功率供应20的功率供应可以切断，并且交流滤波器102操作不是必须的。也就是说，关于在电动机30再生的时候的检测值，上述变化不一定被考虑。因此，与使用在电动机30功率运行的时候的检测值的机器学习相比，该模型可以用较少的学习数据来构建。
因此，根据本实施例的概要的故障确定设备具有以下设备。图2是示出根据一个实施例的概要的故障确定设备的示例性配置的框图。如图2所示，故障确定设备50包括采样单元51和确定单元52。故障确定设备50被实现为例如上面描述的MCU 110，但可以被实现为另一设备。
采样单元51在电动机30再生的时候对电流进行采样。确定单元52使用从通过采样单元51的采样结果所获得的数据和学习模型来确定电动机30的故障。学习模型是在电动机30的健全性状态是预定状态的情况下、通过使用从在电动机30再生的时候的电流的采样结果所获得的数据而预先学习过的模型。应当注意，健全性状态是预定状态，例如其中电动机30是正常的状态，但是其中电动机30已经故障的状态可以被使用。
根据故障确定设备50，由于在电动机30再生的时候的电流被采样作为针对使用学习模型的确定的检测到的值，因此上面描述的变化不一定要被考虑。因此，与通过使用在电动机30功率运行的时候的检测到的值的机器学习所构建的模型相比，故障确定设备50可以使用能够容易地被构建的模型来诊断故障。换言之，根据故障确定设备50，可以使用电动机30的检测到的值及其学习模型来容易地诊断故障。
下面将描述实施例的细节。
<实施例1>
图3是示出MCU的配置的一个示例的框图。如图3所示，MCU 110包括控制单元111、检测值获取单元112、采样单元113、采样间隔确定单元114、频率分析单元115和确定单元116。
控制单元111控制电动机驱动设备10的操作。控制单元111例如通过MCU 110处理器从存储器读取软件(计算机程序)并且执行该软件来实现，但是控制单元111也可以被实现为硬件电路。控制单元111例如通过开关切换信号来控制功率供应开关101和电阻器开关105的操作。此外，控制单元111执行控制以将电动机30在功率运行状态和再生状态之间切换。另外，控制单元111向逆变器107输出PWM信号，从而控制电动机30的旋转。
特别地，在本实施例中，控制单元111执行以下两种类型的控制，以便使在诊断故障的时候的条件为常数。
第一控制是如下控制，该控制用于在电动机30从功率运行状态切换到再生状态的时候，改变电动机30的旋转速度到预定的旋转速度。在该控制中，控制单元111通过PWM执行频率控制，从而将在再生操作开始处的电动机30的旋转速度，即，在功率运行操作结束处的电动机30的旋转速度，设置为预定的旋转速度。在下文中，这种控制有时被称为频率控制。
第二控制是如下控制，其中在电动机30再生时所消耗的电功率变成预定值。在该控制中，控制单元111控制电阻器开关105的断开和闭合，使得当电动机30处于再生操作时由电阻器104所消耗的电功率变成预定值。即，控制单元111控制在再生的时候流过电阻器104的电流。在下文中，该控制有时被称为电流控制。
图4是用于说明由控制单元进行的频率控制和电流控制的图。在图4所示的图中，水平轴表示时间，垂直轴表示电动机30的旋转速度。如图4所示，在电动机30处于功率运行状态时，频率控制被执行，并且电动机30的旋转速度被设置为预定值。然后，当电动机30的旋转速度达到预定值时，控制单元111将电动机30的操作状态切换到再生操作。即，控制单元111通过频率控制将在再生操作开始处的旋转速度设置为预定值。在再生操作期间，控制单元111执行电流控制并且将所消耗的功率控制到预定值。然后，故障诊断在再生操作期间被执行。因此，由控制单元111的上述控制使得在执行故障诊断时能够使针对旋转速度和功率消耗的条件恒定。换言之，诊断条件总是相同的。因此，可以利用使用了仅在再生的时候的数据进行学习的学习模型来执行具有高精准度的故障确定。在本实施例中，控制单元111执行频率控制和电流控制二者，但可以仅执行它们中的一者。优选地，控制单元111执行这些控制，但这些控制不一定必须被执行。
检测值获取单元112是接口电路，用于在再生操作期间获取电动机30的电学值的检测到的值(测量到的值)。具体地，检测值获取单元112获取在再生操作期间从电动机30输出的电流值的模拟数据。检测值获取单元112可以获取在再生操作期间从电动机30输出的电流的电压值的模拟数据，或者可以获取电解电容器106的电压值的模拟数据。通常，为了执行PWM控制，逆变器107被提供有用于检测电流的元件，例如分流电阻器。这种元件还可以在获得针对故障确定的电流值中使用。即，在电动机30再生的时候的电流可以使用分流电阻器来检测，该分流电阻器被提供用于控制逆变器107。通过这种方式，故障诊断可以在不增加用于检测电流的新元件的情况下实现。
采样单元113是模数转换器，其以由采样间隔确定单元114所确定的采样间隔，对由检测值获取单元112所获取的检测值的模拟数据进行采样，并且输出数字数据。采样间隔确定单元114基于由检测值获取单元112所获取的电流的频率，即在再生的时候电动机30的电流的频率，来确定采样间隔。采样间隔确定单元114例如由从存储器读取和执行软件(计算机程序)的MCU 110处理器来实现，但可以被实现为硬件电路。
频率分析单元115对通过采样单元113的采样结果执行频率分析。即，频率分析单元115对从采样单元113输出的数字数据执行频率分析。在本实施例中，频率分析单元115执行FFT分析。频率分析单元115例如由从存储器读取和执行软件(计算机程序)的MCU 110处理器来实现，但可以被实现为硬件电路。
确定单元116使用从通过采样单元113的采样结果所获得的数据(即，通过频率分析单元115的分析结果)和预先学习过的学习模型，来确定电动机30的故障。确定单元116例如由从存储器读取软件(计算机程序)和执行该软件(计算机程序)的MCU 110处理器来实现，但可以被实现为硬件电路。此处，学习模型在当电动机30的健全性状态是预定状态时，使用从在电动机30再生的时候的电流的采样结果所获得的数据(即，通过频率分析单元115的分析结果)而预先学习过。例如，该模型是神经网络，但其他机器学习模型也可以使用。
学习模型可以是使用以下数据预先学习过的模型。用于学习的数据可以是：当电动机30和连接到电动机30的部件的健全性状态是预定状态时，从在电动机30再生的时候的电流的采样结果所获得的数据。具体地，从该采样结果所获得的数据是由频率分析单元115的分析结果。在这种情况下，确定单元116确定电动机30和连接到电动机30的部件的故障。连接到电动机30的部件例如直接或间接地连接到电动机30的旋转轴上，并且具体地包括但不限于轴承、齿轮、风扇皮带等。根据这种配置，可以包括与电动机相关的部件作为故障确定的对象。
此处，将描述在本实施例中确定采样间隔的方法。在电动机30的再生期间，被存储的能量由电动机30的惯性力和旋转速度来确定。因此，电动机30的旋转速度在紧接着再生开始之后的和预定时段已经经过之后是不同的。换言之，电动机30的旋转速度在再生期间逐渐地降低。此处，旋转速度对应于电动机30的电流频率。因此，在电动机30的电流波形的n个周期内获取预定数量(M)或更多的电流的采样数据的情况下，适当的采样间隔取决于旋转速度。因此，在本实施例中，采样间隔如下被确定。
图5是示出在再生期间电动机旋转速度和时间之间关系的一个示例的图。尽管图5示出了旋转速度线性下降的图，但在实践中旋转速度并不总是线性下降。例如，在本实施例中，速率的改变如下被预测。采样间隔确定单元114在再生操作继续进行的同时，测量在第一时间点的电动机30的旋转速度和在第二时间点的电动机3 0的旋转速度。此处，第二时间点是从第一时间点已经经过预定时间Δt的时间点处的速度。预定时间Δt可以是掩蔽(masking)时间，其将稍后描述，或者可以是比掩蔽时间长或短的时间。第一时间点处的旋转速度与第二时间点处的旋转速度之间的差被定义为ΔN。因此，可以计算斜率α(＝ΔN/Δt)其是在再生操作期间旋转速度的改变率的估计值。采样间隔确定单元114在执行故障诊断之前预先计算旋转速度的改变率α。即，在其中故障诊断被执行的再生操作之前的任何时间处所执行的再生操作中，采样间隔确定单元114确定在其中故障诊断被执行的再生操作中的采样间隔。
电动机旋转速度与电动机电流之间的关系通过下列等式(1)表达：
N＝120/P×fe (1)
在等式(1)中，N为电动机旋转速度，fe为同步频率(即电流频率)，P为电动机30的极的数目。因此，采样间隔确定单元114可以基于频率fe来计算旋转速率，频率fe是通过测量由检测值获取单元112所获得的电流的周期而获取的。
采样间隔确定单元114通过在执行故障诊断的再生操作开始处使用先前计算的旋转速度变化率α，来确定采样间隔。在本实施例中，在自再生操作开始以来预定掩蔽时间已经经过之后，确定单元116通过使用经采样的数据来诊断故障。因此，采样间隔确定单元114在从再生操作的开始已经经过预定的掩蔽时间之后，确定与旋转速度相对应的采样间隔。提供掩蔽时间的原因是存在紧接在再生操作之后的瞬态特性的影响。通过不使用从再生操作开始到经过的针对故障诊断的预定屏蔽时间中的采样数据，可以消除紧接在再生操作之后的瞬态特性的影响。
假设在开始再生操作的时刻的旋转速度是N1并且掩蔽时间是Test，则掩蔽时间已经经过之后的旋转速度的估计值Nest由以下等式(2)来表达：
Nest＝N1-α×Test (2)
如上所述，由于电动机旋转速度与电动机电流之间存在等式(1)的关系，等式(2)可以被表达为以下等式(3)：
Nest＝120/P×f1-α×Test (3)
其中f1是其中故障诊断被执行的再生操作开始处的电流频率(经同步的频率)。
在掩蔽时间经过之后的电流频率的估计值fest可以由从上式(1)的以下等式(4)来计算：
fest＝Nest/120/P (4)
即，通过基于等式(3)的关系表达式来估计掩蔽时间已经经过之后的旋转速度Nest，掩蔽时间已经经过之后的电流的频率fest可以基于等式(4)的关系表达式来估计。
如果频率fest可以被估计，则采样间隔Tsamp可以由以下等式(5)确定。在等式(5)中，n是针对故障诊断需要进行采样的电流周期的数目。M是针对故障诊断所需的采样数据的数目。即，M是在FFT分析中实现预定分辨率所要求的样本的数目。
Tsamp＝n/fest/M (5)
采样间隔确定单元114计算采样间隔Tsamp并且将其设置在采样单元113中。采样单元113以Tsamp时间间隔获取M个或更多个采样数据。
图6是示出故障诊断的操作流程的流程图的一个示例。参照图6，下面将描述故障诊断的操作流程。
在步骤S100，控制单元111设置用于执行频率控制的目标旋转速度和在执行电流控制时由电阻器104消耗的功率。
接下来，在步骤S101，控制单元111将电动机30切换到再生操作，以便计算在再生操作期间旋转速度的改变率α。先于步骤S101中的从功率运行操作切换到再生操作，控制单元111可以执行频率控制，使得再生操作以在步骤S100中设置的旋转速度开始。在步骤S101，控制单元111可以执行电流控制，使得在步骤S100中设置的功率被消耗。
接下来，在步骤S102，采样间隔确定单元114在再生操作继续进行的同时，测量在第一时间点的电动机30的旋转速度以及在第二时间点电动机30的旋转速度。然后，采样间隔确定单元114计算再生操作期间旋转速度的改变率α。
接下来，在步骤S103，控制单元111将电动机30切换到功率运行操作。然后，控制单元111执行频率控制，使得旋转速度变成在步骤S100中设置的旋转速度。在电动机30的旋转速度达到在步骤S100中设置的旋转速度之前，控制单元111继续功率运行操作(在步骤S104，否)。当电动机30的旋转速度达到在步骤S100中设置的旋转速度时(在步骤S104，是)，过程进入步骤S105。
在步骤S105，控制单元111将电动机30切换到再生操作以诊断故障。然后，控制单元111执行电流控制，使得在步骤S100中设置的功率被消耗。此后，伴随着电流控制，控制单元111继续电动机30的再生操作。
在步骤S106，采样间隔确定单元114测量在再生操作开始处的同步频率f1，并且基于等式(3)计算从再生操作开始到掩蔽时间已经经过的时间点处的旋转速度的估计值Nest。此时，在步骤S102中计算的值被用作改变率α，并且预定时间被用作掩蔽时间Test。
在步骤S107，采样间隔确定单元114使用在步骤S106中计算的旋转速度的估计值Nest和等式(4)，计算掩蔽时段已经经过之后的电流的频率的估计值fest。
在步骤S108，采样间隔确定单元114使用在步骤S107中计算的估计频率fest和等式(5)，计算采样间隔Tsamp，并且确定由采样单元113使用的采样间隔。在这种情况下，预定值被用作周期的数目的值n和采样数据的数目的值M。如上所述，采样间隔被确定。以这样的方式，采样间隔确定单元114估计在从电动机30的再生开始预定时间已经经过之后的电动机30的电流的频率，并且基于估计的频率确定采样间隔。因此，可以设置适当的采样间隔，同时消除紧接在再生开始之后的瞬态特性的影响。即，在抑制故障确定精确定度的恶化的同时，可以抑制由于过度采样而导致的资源消耗。由于在再生的时候的旋转的数目的改变率取决于电动机惯性力的不同而不同，因此需要针对每个系统集合设置采样间隔。
在此，下面的描述将补充说明上述提及的周期的数目n的值。当执行对电动机相关组件的故障诊断时，该电动机相关组件根据电动机30的旋转轴的旋转而旋转，需要执行对应于该组件的至少一个旋转的电动机电流波形的采样。这将参照附图加以解释。
图7A是具有两个齿轮的机构的示意性透视图，齿轮通过电动机旋转而旋转。
此外，图7B是7A中所示齿轮的侧视图。在图7A中所示的机构中，齿轮32通过电动机30旋转轴31的旋转而旋转，与齿轮32的齿数目不同的齿轮33根据齿轮32的旋转而旋转。即，齿轮33是电动机相关部件，其间接地连接到电动机30。此处，当诊断齿轮33时，除非在覆盖齿轮33的一个旋转的时段中，对电动机电流波形的采样被执行，否则不可能检测到齿轮33的齿断裂34等。因此，关于频率数n，需要预先设定在其中齿轮33的至少一个旋转可以被覆盖的时段。如上所述，为了诊断直接或间接地连接到电动机30的各个部件的故障，需要在覆盖部件的至少一个旋转的时段中对电动机电流波形进行采样。
描述将返回流程图。在步骤S109，采样间隔确定单元114设置采样单元113以按步骤S108中所确定的采样间隔来执行采样。
接下来，在步骤S110，采样单元113对电动机30的再生电流进行采样。具体地，采样单元113在从再生操作的开始掩蔽时间已经经过之后，按由步骤S108所确定的采样间隔来对再生电流进行采用。
接下来，在步骤S111，频率分析单元115对由采样单元113获得的采样结果执行FFT分析。具体地，频率分析单元115在从再生操作的开始掩蔽时间已经经过之后对采样数据执行FFT分析。
接下来，在步骤S112，确定单元116将在步骤S111中获得的分析结果输入到学习模型，并执行故障确定。如果学习模型的输出结果指示电动机30或其相关部件正常(步骤S112中的“正常”)，则诊断处理被终止。否则(步骤S112中的“退化”)，确定单元116输出警报(步骤S113)。
在本实施例中，在再生操作期间故障诊断使用检测到的值来执行。因此，还可以获得以下效果。即，当在功率运行操作期间切换噪声等的影响发生时，这种影响可以在再生操作期间被消除。即，当电动机再生时，逆变器107的功率元件的切换被停止，并且逆变器107操作所特有的切换噪声不生成。因此，与在功率运行的时候相比在再生的时候检测到的值中的信噪(S/N)比可以被改进，这有助于提高确定精确度。
在功率运行操作期间，由于外部因素，电解电容器106的电压包含频率分量。外部因素例如包括相应的相中的功率供应电压的不平衡和交流滤波器102的阻抗变化。因此，电动机电流的频率分量可能会受到影响。即，在电动机电流的频率分析被执行时，需要考虑电解电容器106的电压的影响。因此，很难将电解电容器106的退化和电动机30的故障分开以用于分析。相反，在再生操作的时候的诊断中，电解电容器电压的影响可以被消除。
附带地，如果电动机是正常电动机，则在再生的时候电动机的每个相的电压都是均衡输出的。因此，也可以通过检查在再生的时候的电动机30的电压不平衡度来检测电动机30的异常，代替使用电流的频率分析结果和学习模型来诊断。在再生的时候，能量存储在电解电容器106中，并且电解电容器106可以通过测量当时的时间常数来诊断。组合了这些诊断的诊断流程被示出在图8中。图8是示出包括多个诊断方法的诊断操作流程的流程图的一个示例。图8所示的流程图与图6所示的流程图不同在于：在步骤S110和步骤S111之间从步骤S150增加了步骤S153。下面将描述与图6所示的流程图的不同。
在图8所示的流程图中，在步骤S110中，采样单元113除了对来自电动机30的电流进行采样外，还对电解电容器106的电压进行采样。注意的是，预定条件被用作电解电容器106的电压的采样条件。
在步骤S150，确定单元116基于在电动机30再生的时候的三相交流电流的电压是否平衡，来确定电动机30的故障。因此，确定单元116检查在再生的时候的电动机30的电压的不平衡度。如果电动机正常，在再生的时候的电动机各相的输出电压应当处于均衡。因此，可以通过检测相应相的输出电压的不平衡来检测电动机30的异常。具体地，确定单元116基于相电流(再生的电流)确认各相的输出电压的均衡状态。当各相的输出电压处于均衡时，相电流的总值是零。因此，确定单元116计算作为采样数据而获得的相电流的总值，并且基于所计算的值来确定电动机30是否正常。当确定单元116确定电动机30是正常时(步骤S150中的“正常”)，过程进入步骤S152。否则(步骤S150中的“异常”)，确定单元116输出警报(步骤S151)。在步骤S151之后，过程进入步骤S152。
在步骤S152，确定单元116基于在电动机30的再生期间的电解电容器106的电压来确定电解电容器106的退化。因此，电解电容器106也可以被诊断。电解电容器106的内部电阻随退化而增大。因此，在再生的时候的电动机电压被充入电解电容器106中时，电解电容器106的退化程度可以通过测量时间常数来确定。因此，确定单元116例如基于作为采样数据而获得的电解电容器106的电压来测量时间常数，并且基于该时间常数是否超过预定阈值来确定电解电容器106的退化。当确定单元116确定电解电容器106正常时(步骤S152中的“正常”)，过程进入步骤S111。否则(步骤S150中的“异常”)，确定单元116输出警报(步骤S153)。在步骤S153之后，过程进入步骤S111。根据依据图8所示的流程图的诊断，在电动机30和电解电容器106被诊断之后，诊断可以通过学习模型来执行。
<实施例2>
接下来，将描述第二实施例。以下，与第一实施例的配置和操作重复的那些描述将适当地被省略。当通过频率分析所获得的所有数据被输入到机器学习模型(诸如，神经网络)时，大量数据导致计算速度的降低和存储器消耗的增加。
此处，在电动机故障的时候出现的频率分量ffault的理论等式被表达为以下等式(6)(参见非专利文献1)。
[等式1]
等式(6)中，fe是同步频率，即基频。此外，p是极的数目。k是1或更大的任意整数。即，k＝1，2，3…。如等式(6)所示，在电动机故障时出现的频率分量是一个边带(sideband)波。也就是说，对边带波的频率分析的结果是贡献于故障诊断的数据。因此，在本实施例中，贡献于诊断故障的数据从通过频率分析所获得的数据中被提取。
为此，在本实施例中，频率分析单元115分析贡献于故障的确定的预定频带的频率分量，并且确定单元116将分析结果输入到学习模型中并且执行确定过程。因此，在执行FFT处理之前，频率分析单元115使用陷波(notched)滤波器等执行预处理(滤波处理)，并且移除对故障诊断没有贡献的信号分量。
图9是示出当电动机驱动时通过FFT的分析结果的一个示例的图。在图9的图中，水平轴代表频率，垂直轴代表振幅(频谱强度)。如图9所示，通过FFT的分析结果不仅包括贡献于故障诊断的数据组40的幅度值，还包括基波41的幅度值、由切换的影响而生成的高频波42的幅度值等。在本实施例中，另一方面，由于FFT分析对在再生操作期间检测到的值执行，因此高频42的幅度可以被排除。基波41的振幅可以通过执行滤波处理被排除。在本实施例中，仅有助于故障诊断的数据组40的振幅被用以通过机器学习来执行诊断。如图9所示，贡献于故障诊断的数据组40的振幅值小于基波41的振幅值。在电动机故障诊断的情况下，需要检测正常状态中的振幅和异常状态中的振幅之间的微小差异，并且因此需要充分确保分辨率。根据本实施例，基波41的振幅可以被移除，使得足够的分辨率能够被确保。
图10是示出针对故障诊断的操作流程的流程图的一个示例。图10所示的流程图与图6所示的流程图的不同在于，滤波处理(步骤S200)被添加在步骤S111之前。在步骤S200中，上述滤波处理被执行。在图8所示的流程图中，步骤S200可以被添加在步骤S111之前。
上面已经描述了第二实施例。根据本实施例，由于滤波处理被执行，因此诊断可以通过机器学习仅使用贡献于故障诊断的数据来执行。因此，到模型的数据输入能够减少，并且可以抑制计算速度的降低和存储器消耗的增加。而且，可以充分地确保诊断所需的分辨率。
<实施例3>
图11是示出电动机驱动系统的配置的一个示例的示意图。如图11所示，电动机驱动系统2与上述实施例的不同在于，电动机和用于驱动电动机的多个逆变器被提供。具体地，电动机驱动系统2与图1所示的电动机驱动系统1的不同在于，一对电动机30与逆变器107被添加。在本实施例中，MCU 110控制两个逆变器107。
当在电动机再生运行期间执行故障诊断时，在故障诊断期间电动机的功率运行操作是不可能的。因此，在此时段间，通过驱动电动机而操作的系统将被停止。在本实施例中，电动机驱动系统2包括多个电动机和与电动机相对应的多个逆变器。因此，MCU 110的控制单元111可以在再生和诊断任何电动机的故障的同时，执行其它电动机的功率运行操作。换言之，根据本实施例的电动机驱动系统2，可以抑制通过驱动电动机而操作的系统的完全停止。此外，MCU 110的控制单元111可以控制其它电动机，以通过使用在再生操作期间来自电动机的再生的能量而被供以功率。由于在执行此类控制时功率供应开关可以被关断，因此可以在电动机被供以功率时，诊断在再生操作期间的其他电动机的故障，而不受外部因素的影响。外部因素例如是相应相中的功率供应电压的不平衡，或者交流滤波器102的阻抗的变化。附带地，不仅通过电阻器104的电流控制，而且通过由电动机的功率运行操作消耗功率的电流控制可以在再生的时候被执行。
作为通过驱动电动机来运行的系统，任意系统都可以成为目标。例如，通过驱动电动机操作的系统可以是液压系统、电梯系统或电动车辆系统。
在上述实施例中，用于控制逆变器的控制设备(MCU)执行针对故障诊断的处理，但是用于执行针对故障诊断的处理的设备和用于控制逆变器的设备可以是分开的设备。图12是示出电动机驱动系统3的示例性配置的示意图，电动机驱动系统3被提供作为与控制设备120分开的设备，其中诊断设备(故障确定设备)130用于执行针对故障诊断的过程，控制设备120控制逆变器107。
图12是示出电动机驱动系统的示例性配置的示意图，所述电动机驱动系统是作为不同于控制逆变器的控制系统设备的设备来提供的，在控制系统设备中诊断设备执行用于诊断故障的过程。
如图12所示，电动机驱动系统3包括电动机30、外部设备35、用于驱动电动机30的逆变器107、控制设备120和诊断设备130。外部设备35是通过驱动电动机30来操作的设备。即，外部设备35是电动机30的负载。控制设备120是用于控制逆变器107的设备。设备130是用于执行电动机30的故障诊断的设备。此处，控制设备120具有上述MCU 110的功能中的逆变器控制功能，并且诊断设备130具有上述MCU 110的功能中的故障诊断功能。具体地，例如，控制设备120是包括上述控制单元111的设备。另外，例如，诊断设备130是包括上述检测值获取单元112、采样间隔确定单元114、采样单元113、频率分析单元115和确定单元116的设备。
如果执行故障诊断处理的设备和控制逆变器的设备是分开的，则诊断设备130不能直接控制逆变器107。因此，诊断设备130需要判断电动机30的操作状态的功能，即判断电动机30是处于功率运行状态还是再生状态的功能。为此，例如，诊断设备130还包括操作状态检测单元131，用于通过获取电动机30的电压值和电流值来检测电动机30的操作状态。
操作状态检测单元131基于电动机30的电压值和电流值来检测电动机30的再生状态和功率运行状态。操作状态检测单元131计算电动机30和逆变器107之间的针对三相交流电流的每相的电压值和电流值的乘积(即，功率值)。然后，当电压值和电流值的乘积的和为正时，操作状态检测单元131确定电动机30为功率运行状态，如果该和为负，则确定为再生状态。
如果确定电动机30处于再生状态，则设备130执行上述诊断过程。根据这种配置，即使用于执行针对故障诊断的过程的设备和用于控制逆变器的设备不同，上述诊断也可以被执行。
尽管由发明人所做出的发明已经基于实施例进行了具体的描述，但是本发明并不限于已经描述的实施例，并且可以在不偏离本发明的要点的情况下进行各种修改。
Claims (14)
1.一种故障确定设备，包括：
采样单元，用于在电动机再生的时候对电流进行采样；以及
确定单元，用于使用学习模型和从通过采样单元的采样结果所获得的数据来确定所述电动机的故障，所述学习模型在所述电动机的健全性状态是预定状态时，使用从在所述电动机再生的时候的电流的采样结果所获得的数据而已经预先学习过。
2.根据权利要求1所述的故障确定设备，
其中所述学习模型是在所述电动机以及被连接到所述电动机的部件的健全性状态是预定状态时，使用从在所述电动机再生的时候的采样电流的结果中所获得的数据而预先学习过的模型，并且
其中所述确定单元确定所述电动机和所述部件的故障。
3.根据权利要求1所述的故障确定设备，进一步包括：
采样间隔确定单元，用于基于所述电流的频率来确定采样间隔，以及
其中所述采样单元以由所述采样间隔确定单元确定的所述采样间隔来执行采样操作。
4.根据权利要求3所述的故障确定设备，
其中所述采样间隔确定单元估计在从所述电动机再生开始预定时间已经经过之后的所述电流的所述频率，并且基于估计的所述频率确定所述采样间隔。
5.根据权利要求1所述的故障确定设备，进一步包括
控制单元，用于在所述电动机从功率运行状态切换到再生状态的时候，控制以将所述电动机的旋转速度改变为预定的旋转速度。
6.根据权利要求3所述的故障确定设备，
其中所述控制单元进一步将在所述电动机再生期间被消耗的电功率控制为预定值。
7.根据权利要求1所述的故障确定设备，进一步包括：
频率分析单元，用于对所述采样结果进行频率分析，
其中所述频率分析单元对贡献于故障的确定的预定频带的频率分量进行分析；以及
其中所述确定单元使用通过所述频率分析单元的分析结果作为从通过所述采样单元的所述采样结果中所获得的数据。
8.根据权利要求1所述的故障确定设备，进一步包括：
再生状态检测单元，用于通过获取所述电动机的电压值和电流值来检测所述电动机的再生状态。
9.一种电动机驱动系统，包括：
逆变器，用于向电动机供应交流电；
被耦合到所述逆变器的平滑电容器；以及
故障确定设备，
其中，所述故障确定设备包括：
采样单元，用于在所述电动机再生的时候，对电流进行采样；以及
确定单元，用于使用学习模型和从通过所述采样单元的采样结果所获得的数据来确定所述电动机的故障，所述学习模型在所述电动机的健全性状态是预定状态时，使用从在所述电动机再生的时候的电流的采样结果所获得的数据而预先学习过。
10.根据权利要求9所述的电动机驱动系统，
其中所述确定单元进一步基于在所述电动机再生的时候的电解电容器的电压，确定所述电解电容器的退化。
11.根据权利要求9所述的电动机驱动系统，
其中所述确定单元进一步基于在所述电动机再生的时候的三相交流电的电压是否平衡，确定所述电动机的故障。
12.根据权利要求9所述的电动机驱动系统，还包括，
多个电动机，其中所述逆变器针对所述多个电动机中的每个电动机被提供。
13.根据权利要求9所述的电动机驱动系统，
其中在所述电动机再生的时候的电流是使用分流电阻器被检测，所述分流电阻器被提供用于控制所述逆变器。
14.一种故障确定方法，包括：
在电动机再生的时候对电流进行采样；以及
通过使用从采样结果所获得的数据以及通过使用学习模型来确定所述电动机的故障，所述学习模型在所述电动机的健全性状态是预定状态时，使用从在所述电动机再生的时候的所述电流的所述采样结果所获得的数据而预先学习过。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2019-030432 | 2019-02-22 | ||
| JP2019030432A JP7129930B2 (ja) | 2019-02-22 | 2019-02-22 | 故障判定装置、及び故障判定方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111614304A true CN111614304A (zh) | 2020-09-01 |
Family
ID=72141860
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010087182.6A Pending CN111614304A (zh) | 2019-02-22 | 2020-02-11 | 故障确定设备、电动机驱动系统和故障确定方法 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US20200274477A1 (zh) |
| JP (1) | JP7129930B2 (zh) |
| CN (1) | CN111614304A (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2023022749A (ja) * | 2021-08-03 | 2023-02-15 | 株式会社日立産機システム | サーボシステムおよびサーボシステムの制御方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060208687A1 (en) * | 2004-01-05 | 2006-09-21 | Matsushita Electric Industrial Co., Ltd. | Motor frive inverter control apparatus |
| US20160134214A1 (en) * | 2013-07-23 | 2016-05-12 | Aisin Aw Co., Ltd. | Drive device |
| US20160181955A1 (en) * | 2014-12-23 | 2016-06-23 | Denso Corporation | Motor driving system |
| US20170033726A1 (en) * | 2015-07-31 | 2017-02-02 | Fanuc Corporation | Motor control apparatus having protection operation unit, and machine learning apparatus and method thereof |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP5481286B2 (ja) * | 2010-06-30 | 2014-04-23 | 日立オートモティブシステムズ株式会社 | 電力変換システムおよび電力変換装置 |
| JP6371236B2 (ja) * | 2015-02-23 | 2018-08-08 | 株式会社日立製作所 | 予兆診断システム、予兆診断方法及び予兆診断装置 |
-
2019
- 2019-02-22 JP JP2019030432A patent/JP7129930B2/ja active Active
-
2020
- 2020-02-06 US US16/783,583 patent/US20200274477A1/en not_active Abandoned
- 2020-02-11 CN CN202010087182.6A patent/CN111614304A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060208687A1 (en) * | 2004-01-05 | 2006-09-21 | Matsushita Electric Industrial Co., Ltd. | Motor frive inverter control apparatus |
| US20160134214A1 (en) * | 2013-07-23 | 2016-05-12 | Aisin Aw Co., Ltd. | Drive device |
| US20160181955A1 (en) * | 2014-12-23 | 2016-06-23 | Denso Corporation | Motor driving system |
| US20170033726A1 (en) * | 2015-07-31 | 2017-02-02 | Fanuc Corporation | Motor control apparatus having protection operation unit, and machine learning apparatus and method thereof |
| CN106411225A (zh) * | 2015-07-31 | 2017-02-15 | 发那科株式会社 | 电动机控制装置、机械学习装置及其方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| US20200274477A1 (en) | 2020-08-27 |
| JP7129930B2 (ja) | 2022-09-02 |
| JP2020137327A (ja) | 2020-08-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP2556257B1 (en) | System and method of detecting cavitation in pumps | |
| US7929323B2 (en) | Method and apparatus for pre-charging power converters and diagnosing pre-charge faults | |
| CN104038074B (zh) | 用于纹波和缺相检测的方法和设备 | |
| JP6223461B2 (ja) | インピーダンス解析に基づく電気機械システムの診断方法 | |
| JP6165732B2 (ja) | バッテリ充電器の容量性フィルタの監視方法 | |
| ES2383843T3 (es) | Sistema y procedimiento para la detección de fallos de cojinetes utilizando la supresión de ruido de la corriente del estator | |
| CN109696627B (zh) | 一种电动汽车电机三相动力线缺相故障诊断方法及装置 | |
| CN102193066A (zh) | 监测电动机驱动电路的接地隔离损失的方法和设备 | |
| CA2749089A1 (en) | System and method for motor fault detection using stator current noise cancellation | |
| US11088652B2 (en) | Rotary machine diagnostic system | |
| JP2019020278A (ja) | 回転機システムの診断装置、電力変換装置、回転機システム、および回転機システムの診断方法 | |
| JP7198089B2 (ja) | 電力変換装置、回転機システム、及び診断方法 | |
| CN111614304A (zh) | 故障确定设备、电动机驱动系统和故障确定方法 | |
| RU2009143292A (ru) | Способ диагностики механизмов и систем с электрическим приводом | |
| RU2425390C1 (ru) | Способ диагностики и оценки остаточного ресурса электроприводов переменного тока | |
| US9528886B2 (en) | Method and apparatus for diagnosing a device for determining the temperature of a component of an electric unit | |
| RU2532762C1 (ru) | Способ диагностики и оценки остаточного ресурса электроприводов переменного тока | |
| JP5985158B2 (ja) | 電気設備の良否診断システム | |
| JPH0240572A (ja) | インバータ装置 | |
| JP2003302421A (ja) | 回転数センサの診断装置 | |
| RU2495444C1 (ru) | Способ диагностики состояния асинхронного электродвигателя | |
| WO2021014604A1 (ja) | キャパシタ診断装置及びキャパシタ診断方法 | |
| CN112952757A (zh) | 具有单独诊断的电驱动系统 | |
| KR20210082124A (ko) | 배터리 모니터링 시스템 | |
| CN113614545B (zh) | 用于确定电子换向电机的转速的方法 |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200901 |