CN111650514A - 一种异步电动机典型故障的多参数联合诊断方法 - Google Patents
一种异步电动机典型故障的多参数联合诊断方法 Download PDFInfo
- Publication number
- CN111650514A CN111650514A CN202010540017.1A CN202010540017A CN111650514A CN 111650514 A CN111650514 A CN 111650514A CN 202010540017 A CN202010540017 A CN 202010540017A CN 111650514 A CN111650514 A CN 111650514A
- Authority
- CN
- China
- Prior art keywords
- data
- current
- motor
- asynchronous motor
- value
- 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
- G01R31/343—Testing dynamo-electric machines in operation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P80/00—Climate change mitigation technologies for sector-wide applications
- Y02P80/10—Efficient use of energy, e.g. using compressed air or pressurized fluid as energy carrier
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Tests Of Circuit Breakers, Generators, And Electric Motors (AREA)
- Control Of Electric Motors In General (AREA)
Abstract
本发明涉及一种异步电动机典型故障的多参数联合诊断方法,首先在系统启动运行稳定后间隔采集异步电机正常运行时在负载下的温度、电流波形数据、振动速度数据、电流数据;然后根据这些数据得到时间轴包络线的数据作为异步电机正常运行的判断参数,在线监测运行前后两组振幅平均值的比值作为振动信号的故障判断参数,电流幅值包络数据的最大值与电机输入的额定电流值的比值作为电流时域故障的判断参数,电流数据频谱结果和电流幅值平均值的频段变化量的最大值加权、求平均后作为电机电流频谱下的故障诊断参数;最后继续采集异步电机运行时的温度、电流波形数据、振动速度数据、电流数据,实现运行参数、运行状态和寿命情况的综合评估。
Description
技术领域
本发明属于电机故障诊断技术领域,具体涉及一种异步电动机典型故障的多参数联合诊断方法。
背景技术
随着世界范围内工业4.0的深入,从我国国家政策导向和工业发展方向观察,工业发展朝着更加智能化方向发展。且随着人力生活质量的提高,一些可重复性的、繁琐的工作流程将被可实时检测和自诊断设备所代替。而电机作为工业生产中广泛应用的、不可缺少的底层运行执行元件,它的智能化程度也直接反映和影响着工业智能化的发展进程。电机的智能化可以从两个方面入手,一是它本身控制及执行的灵活性和高效性;二是它的自我故障诊断和预判能力能否具有准确性和实时性。当前我国针对高压大型电机考虑了它的停机成本高、检修周期长和造成影响力大等问题,在出厂时电机内部预置和预埋了一些温度和振动传感器,运行过程中在线检测该两种参数的变化情况,以预测电机的运行状况。但该方法对于大型电机温度只能预估电机的局部状态,振动只能反映电机的轴承问题。且温度和振动的故障变化量和故障特征等针对不同型号的电机,需要专业的人员根据前期大量的数据积累进行判断。无法准备反映出故障具体细节。而工业生产中小型电机占的比重较大,且维护人员、备品备件成本较高。所以具有小型常用异步电动机在线检测和故障判断功能的电机故障检测设备需求比较旺盛。
但申请人发现:当前针对高压大型发电机和电动机的故障检测方法和设备已有应用,对于小型电动机当前有从离线的角度,如注入高频信号等方式检测故障,也有利用温度和振动的方式检测故障的方法,但温度和振动当前只能反映电机的某些故障,无法精准的定位电机内部的一些典型故障。也有部分研究通过分析电流以达到精准定位的目的。但对于小型电机,无论是振动还是电流均处于理论研究阶段,国内尚无成型的产品出现。比如:ABB公司有一款根据振动获取电机信息的设备,但通过实验,其准备度也不够,当前还处于获取数据优化系统阶段。
发明内容
为解决现有技术中存在的上述问题,本发明提供了一种通过在线自我学习的方式,不断累计和分析异步电机的数据,最终获得故障变化趋势,且在对电流信号做精准部位定性锁定分析时,加入了温度和振动作为辅助定量分析,进而得到异步电机运行状态的评估值,获取电机的综合运行参数、运行状态和寿命情况的异步电动机典型故障的多参数联合诊断方法。
为解决上述技术问题,本发明采用如下技术方案:
一种异步电动机典型故障的多参数联合诊断方法,
首先在系统启动运行稳定后间隔采集异步电机正常运行时在负载下的温度、电流波形数据、振动速度数据、电流数据;
然后根据采集的温度和电流波形数据分别求得异步电机负载下温度变化的时间轴包络线和电流幅值变化量的时间轴包络线,进而得到异步电机正常运行时的温度与负载变化情况下的时间轴包络线,并保存该温度与负载变化情况下的时间轴包络线的数据作为异步电机正常运行的判断参数,同时根据振动速度数据求得异步电机正常自动在线监测运行前和自动在线监测运行后两组振幅平均值的比值,作为振动信号的故障判断参数,根据电流数据求得电流幅值包络数据的最大值与电机输入的额定电流值的比值,作为电流时域故障的判断参数,根据电流数据求得电流数据频谱结果和电流幅值平均值,进而得到频段变化量的最大值,并对该频段变化量的最大值进行加权、求平均,作为电机电流频谱下的故障诊断参数;
最后继续自动间隔采集异步电机运行时在负载下的温度、电流波形数据、振动速度数据、电流数据,并求得异步电机实时运行时的温度与负载变化情况下的时间轴包络线的数据、异步电机自动在线监测运行后两组振幅平均值的比值、电流幅值包络数据的最大值与电机输入的额定电流值的比值、频段变化量的最大值加权后平均值,进而求之和值与异步电机正常运行的判断参数、振动信号的故障判断参数、电流时域故障的判断参数、电机电流频谱下的故障诊断参数的和值进行对比,实现异步电机运行参数、运行状态和寿命情况的综合评估。
进一步地,所述的异步电动机典型故障的多参数联合诊断方法,具体包括以下步骤:
a1.在系统运行前获得温度信号T0,在系统运行稳定后,采集1~10分钟时间段内的温度数据,1秒采集一次,求取和记录温度平均值Ti,i=1、2…60;然后间隔2分钟~2小时后再采集温度数据,每次采集均需记录时间点最近的连续的时间段内的温度平均值Ti,之前的数据不断用新数据更新;在采集温度的同时,采集1~10分钟内的电流波形数据Yi;在电机运行期间,间隔2分钟~2小时获取1分钟的振动速度数据F(k)和电流数据I(k);
a2.根据记录的连续温度平均值Ti求得负载下温度变化的时间轴包络线,记为△Tk(k)=Ti(k+1)-Ti(k),k=1,2…59;根据电流波形数据Yi和利用最小均方误差,逼近待提取信号,计算得到Y’i,以此类推,记录获取的基波电流幅值Ai,求得负载下电流幅值变化的时间轴的包络线,记为△Ak(k)=Ai(k+1)-Ai(k),k=1,2…59;
a3.将负载下温度变化的时间轴包络线除以负载下电流幅值变化的时间轴的包络线,得到异步电机正常运行时的温度与负载变化情况下的时间轴包络线△Z(k);
a4.通过步骤a1-a3获取异步电机正常运行时的温度与负载变化情况下的时间轴包络线并保存该时间轴包络线的数据,然后在异步电机以后的运行过程中随着时间的变化不断循环执行步骤a1-a3,以检测运行中的时间轴包络线的数据,通过实时监测的值与异步电机正常运行时的数据进行行列式拟合,获取差值信号△’Z(k);
a5.求取△’Z(k)的平均值△’z,并以平均值△’z作为电机温度信息的故障参考值,确定平均值△’z在故障评估中的比例系数,而且比例系数随着平均值△’z的增大而增大;
a6.在异步电机启动过程时,记录电流数据的幅值I0,记录振动数据的加速度幅值F0,以及振动频谱变化包络线;在异步电机运行期间,每间隔30分钟获取1分钟的振动速度数据F(k),同时间隔2分钟~2小时获取1~10分钟的电流数据I(k);
a7.将振动速度数据F(k)进行快速傅里叶转换,获取频率信息,并提取幅值较高的15~30个特征频域区间的特征数据,记录频率区间,同时在提取15~30个特征频域区间的特征数据的过程中根据频谱区间分配和幅值高低从中综合选取50~1000组数据,记录选取的频率和振幅信息;而且在异步电机正常自动在线监测运行前,需在带负载情况下,测取一组选取的振幅平均值,记为b0,在异步电机正常自动在线监测运行后,间隔2分钟~2小时测取选取的振幅平均值,记为bt,并计算bt/b0的值作为振动信号的故障判断参数;
a8.根据步骤a6获取的电流数据I(k),分析数据的周期波形的幅值包络Ii(k),求Ii(k)电流幅值包络数据的最大值I1,求取I1/I0和I1/Ie,并以I1/I0和I1/Ie均作为电流时域故障的判断参数,其中Ie为该电机输入的额定电流值;
a9.根据步骤a6获取的电流数据I(k),分析数据进行快速傅里叶变换后的频谱数据,并在异步电机正常运行时,获取异步电机电流数据的频谱数据,并记录该频谱数据,记为I0(f),同时获取此时电机时域分析的电流幅值平均值i0;而且在后面的异步电机运行状态监测过程中,每隔10分钟,获取实时的电流数据的频谱数据It(f)以及电流幅值平均值it,对比I0(f)和It(f)、i0和it,将I0(f)和It(f)相同频段的值进行对比,将I0(f)和It(f)变化量较大的频段数据与步骤a7中获取的频段数值区域进行综合评定;对于变化量较大的数值所在频段如果与步骤a7所在频段变化量最大值数据频段相吻合的参数,该变化量数值加权为2,并对这些变化量数值除以it-i0的负载变化量,再乘以在异步电机开始在线自动测试前获取的不同负载变化时所获得的单位负载变化电流幅值变化因子k,而其他变化量数值加权为1,对这个变化量数值乘以加权后求平均,记为It,并将该值作为电机电流频谱下的故障诊断参数;
a10.根据作为电机温度信息的故障参考值平均值△’z、作为振动信号的故障判断参数bt/b0、电流时域故障的判断参数I1/I0和I1/Ie、作为电机电流频谱下的故障诊断参数It,计算得到判断电机运行状态的评估值et,该评估值et的数值越高,说明寿命越短。
进一步地,步骤a10所述“根据作为电机温度信息的故障参考值平均值△’z、作为振动信号的故障判断参数bt/b0、电流时域故障的判断参数I1/I0和I1/Ie、作为电机电流频谱下的故障诊断参数It,计算得到判断电机运行状态的评估值et”,具体为:根据公式et=x%*△’z+bt/b0+I1/I0+I1/Ie+It,其中x%为平均值△’z的比例系数,该比例系数根据△’z确定为对应的数值。
进一步地,所述比例系数为20%或30%或40%。
进一步地,所述电流波形数据Yi的采样频率为1K,所述振动速度数据F(k)的采样频率为10KHz,所述电流数据I(k)的采样频率为10KHz。
进一步地,在步骤a6中的所述振动速度数据F(k)的采样频率为10KHz,所述电流数据I(k)的采样频率为10KHz。
进一步地,在系统启动运行稳定后间隔采集异步电机正常运行时在负载下的温度、电流波形数据、振动速度数据、电流数据之前,先在正常工作且工况良好的异步电机安装故障检测设备,同时输入电机的额定功率、额定电压、额定转速、额定电流、额定频率,以及设置温度和振动的变化故障值。
本发明主要具有以下有益效果:
本发明通过采用上述技术方案,即可通过在线自我学习的方式,不断累计和分析异步电机的数据(如:在负载下的温度、电流波形数据、振动速度数据、电流数据等),最终获得故障变化趋势,且在对电流信号做精准部位定性锁定分析时,加入了温度和振动作为辅助定量分析,标定辅助参数的权重,进而得到异步电机运行状态的评估值,获取电机的综合运行参数、运行状态和寿命情况,实现自我故障诊断和寿命预估。
附图说明
图1是本发明实施例所述一种异步电动机典型故障的多参数联合诊断方法的流程示意图。
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用以解释本发明,并不用于限定本发明。
一种异步电动机典型故障的多参数联合诊断方法,首先在系统启动运行稳定后间隔采集异步电机正常运行时在负载下的温度、电流波形数据、振动速度数据、电流数据;然后根据采集的温度和电流波形数据分别求得异步电机负载下温度变化的时间轴包络线和电流幅值变化量的时间轴包络线,进而得到异步电机正常运行时的温度与负载变化情况下的时间轴包络线,并保存该温度与负载变化情况下的时间轴包络线的数据作为异步电机正常运行的判断参数,同时根据振动速度数据求得异步电机正常自动在线监测运行前和自动在线监测运行后两组振幅平均值的比值,作为振动信号的故障判断参数,根据电流数据求得电流幅值包络数据的最大值与电机输入的额定电流值的比值,作为电流时域故障的判断参数,根据电流数据求得电流数据频谱结果和电流幅值平均值,进而得到频段变化量的最大值,并对该频段变化量的最大值进行加权、求平均,作为电机电流频谱下的故障诊断参数;最后继续自动间隔采集异步电机运行时在负载下的温度、电流波形数据、振动速度数据、电流数据,并求得异步电机实时运行时的温度与负载变化情况下的时间轴包络线的数据、异步电机自动在线监测运行后两组振幅平均值的比值、电流幅值包络数据的最大值与电机输入的额定电流值的比值、频段变化量的最大值加权后平均值,进而求之和值与异步电机正常运行的判断参数、振动信号的故障判断参数、电流时域故障的判断参数、电机电流频谱下的故障诊断参数的和值进行对比,实现异步电机运行参数、运行状态和寿命情况的综合评估。具体步骤如图1,包括:
步骤100.在系统运行前获得温度信号T0,在系统运行稳定后,采集1~10分钟时间段内的温度数据,1秒采集一次,求取和记录温度平均值Ti,i=1、2…60;然后间隔2分钟~2小时后再采集温度数据,每次采集记录时间点最近的连续的时间段内的温度平均值Ti,之前的数据不断用新数据更新;在采集温度的同时,采集1~10分钟内的电流波形数据Yi;在电机运行期间,间隔2分钟~2小时获取1分钟的振动速度数据F(k)和电流数据I(k)。例如:在系统运行稳定后,1分钟采集6次温度,求取温度平均值Ti,记录该温度平均值Ti,i=1、2…60;每10分钟采集1次,记录连续的600分钟温度值Ti;在采集1分钟温度的同时,采集连续10分钟的电流波形数据Yi;在电机运行期间,每隔10分钟,获取1分钟的振动速度数据F(k)和电流数据I(k);所述电流波形数据Yi的采样频率为1K,所述振动速度数据F(k)的采样频率为10KHz,所述电流数据I(k)的采样频率为10KHz。
步骤200.根据记录连续的温度平均值Ti求得负载下温度变化的时间轴包络线,记为△Tk(k)=Ti(k+1)-Ti(k),k=1,2…59;根据电流波形数据Yi和利用最小均方误差,逼近待提取信号,计算得到Y’i,以此类推,记录连续获取的基波电流幅值Ai,求得负载下电流幅值变化的时间轴的包络线,记为△Ak(k)=Ai(k+1)-Ai(k),k=1,2…59。例如:根据记录连续的600分钟温度值Ti求得负载下温度变化的时间轴包络线,记为△Tk(k)=Ti(k+1)-Ti(k),k=1,2…59;根据电流波形数据Yi和利用最小均方误差,逼近待提取信号,计算得到Y’i,以此类推,记录连续的600分钟所获取的基波电流幅值Ai,求得负载下电流幅值变化的时间轴的包络线,记为△Ak(k)=Ai(k+1)-Ai(k),k=1,2…59。
步骤300.将负载下温度变化的时间轴包络线除以负载下电流幅值变化的时间轴的包络线,得到异步电机正常运行时的温度与负载变化情况下的时间轴包络线△Z(k)。
步骤400.通过步骤100-300获取异步电机正常运行时的温度与负载变化情况下的时间轴包络线并保存该时间轴包络线的数据,然后在异步电机以后的运行过程中随着时间的变化不断循环执行步骤100-300,以检测运行中的时间轴包络线的数据,通过实时监测的值与异步电机正常运行时的数据进行行列式拟合,获取差值信号△’Z(k)。
步骤500.求取△’Z(k)的平均值△’z,并以平均值△’z作为电机温度信息的故障参考值,确定平均值△’z在故障评估中的比例系数,而且比例系数随着平均值△’z的增大而增大。
步骤600.在异步电机启动过程时,记录电流数据的幅值I0,记录振动数据的加速度幅值F0,以及振动频谱变化包络线;在异步电机运行期间,间隔获取一个时间段内的振动速度数据F(k),同时间隔2分钟~2小时获取1~10分钟内的电流数据I(k)。例如:在异步电机运行期间,每隔30分钟获取1分钟的振动速度数据F(k),采样频率为10KHz;同时,每隔30分钟获取1分钟的电流数据I(k),采样频率也为10KHz。
步骤700.将振动速度数据F(k)进行快速傅里叶转换,获取频率信息,
并提取幅值较高的15~30个特征频域区间的特征数据,记录频率区间,同时在提取15~30个特征频域区间的特征数据的过程中根据频谱区间分配和幅值高低从中综合选取50~1000组数据,记录选取的频率和振幅信息;而且在异步电机正常自动在线监测运行前,需在带负载情况下,测取一组选取的振幅平均值,记为b0,在异步电机正常自动在线监测运行后,间隔2分钟~2小时测取选取的振幅平均值,记为bt,并计算bt/b0的值作为振动信号的故障判断参数。例如:将振动速度数据F(k)进行快速傅里叶转换,获取频率信息,并提取幅值较高的15个特征频域区间的特征数据,记录频率区间,同时在提取15个特征频域区间的特征数据的过程中根据频谱区间分配和幅值高低从中综合选取1000组数据,记录选取的频率和振幅信息;而且在异步电机正常自动在线监测运行前,需在带负载情况下,测取一组选取的1000组频率下的振幅平均值,记为b0,在异步电机正常自动在线监测运行后,每30分钟测取选取的1000组频率下的振幅平均值,记为bt,并计算bt/b0的值作为振动信号的故障判断参数。
步骤800.根据步骤600获取的电流数据I(k),分析获取的数据的周期波形的幅值包络Ii(k)(例如:分析1分钟获取的数据的周期波形的幅值包络Ii(k)),求Ii(k)电流幅值包络数据的最大值I1,求取I1/I0和I1/Ie,并以I1/I0和I1/Ie均作为电流时域故障的判断参数,其中Ie为该电机输入的额定电流值。
步骤900.根据步骤600获取的电流数据I(k),分析获取的数据进行快速傅里叶变换后的频谱数据(例如:分析1分钟获取的数据进行快速傅里叶变换后的频谱数据),并在异步电机正常运行时,获取异步电机电流数据的频谱数据,并记录该频谱数据,记为I0(f),同时获取此时电机时域分析的电流幅值平均值i0;而且在后面的异步电机运行状态监测过程中,每隔10分钟,获取实时的电流数据的频谱数据It(f)以及电流幅值平均值it,对比I0(f)和It(f)、i0和it,将I0(f)和It(f)相同频段的值进行对比,将I0(f)和It(f)变化量较大的频段数据与步骤700中获取的频段数值区域进行综合评定;对于变化量较大的数值所在频段如果与步骤700所在频段变化量最大值数据频段相吻合的参数,该变化量数值加权为2,并对这些变化量数值除以it-i0的负载变化量,再乘以在异步电机开始在线自动测试前获取的不同负载变化时所获得的单位负载变化电流幅值变化因子k,而其他变化量数值加权为1,对这个变化量数值乘以加权后求平均,记为It,并将该值作为电机电流频谱下的故障诊断参数。
步骤110.根据作为电机温度信息的故障参考值平均值△’z、作为振动信号的故障判断参数bt/b0、电流时域故障的判断参数I1/I0和I1/Ie、作为电机电流频谱下的故障诊断参数It,计算得到判断电机运行状态的评估值et,该评估值et的数值越高,说明寿命越短;具体根据公式et=x%*△’z+bt/b0+I1/I0+I1/Ie+It计算得到判断电机运行状态的评估值et,其中x%为平均值△’z的比例系数,该比例系数根据△’z确定为对应的数值,所述比例系数可以为20%或30%或40%。
另外,在系统启动运行稳定后间隔采集异步电机正常运行时在负载下的温度、电流波形数据、振动速度数据、电流数据之前,先在正常工作且工况良好的异步电机安装故障检测设备,同时输入电机的额定功率、额定电压、额定转速、额定电流、额定频率,以及设置温度和振动的变化故障值。而且在振动和电流获取过程中,根据检测到的电流幅值的包络线,可以判断电机的运行状态是停止、启动、还是运行过程;当为启动过程时,记录电流数据的幅值I0,记录振动数据的加速度幅值F0,以及振动频谱变化包络线。
本发明所述的异步电动机典型故障的多参数联合诊断方法通过在线自我学习的方式,建立电机带负载情况下的瞬时电流特征信息,通过不断的数据累计和分析,最终获得故障变化趋势,且在对电流信号做精准部位定性锁定分析时,加入了温度和振动作为辅助定量分析,标定辅助参数的权重,进而得到异步电机运行状态的评估值,获取电机的综合运行参数、运行状态和寿命情况,实现自我故障诊断和寿命预估。
以上所述是本发明的优选实施方式,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的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (7)
1.一种异步电动机典型故障的多参数联合诊断方法,其特征在于,
首先在系统启动运行稳定后间隔采集异步电机正常运行时在负载下的温度、电流波形数据、振动速度数据、电流数据;
然后根据采集的温度和电流波形数据分别求得异步电机负载下温度变化的时间轴包络线和电流幅值变化量的时间轴包络线,进而得到异步电机正常运行时的温度与负载变化情况下的时间轴包络线,并保存该温度与负载变化情况下的时间轴包络线的数据作为异步电机正常运行的判断参数,同时根据振动速度数据求得异步电机正常自动在线监测运行前和自动在线监测运行后两组振幅平均值的比值,作为振动信号的故障判断参数,根据电流数据求得电流幅值包络数据的最大值与电机输入的额定电流值的比值,作为电流时域故障的判断参数,根据电流数据求得电流数据频谱结果和电流幅值平均值,进而得到频段变化量的最大值,并对该频段变化量的最大值进行加权、求平均,作为电机电流频谱下的故障诊断参数;
最后继续自动间隔采集异步电机运行时在负载下的温度、电流波形数据、振动速度数据、电流数据,并求得异步电机实时运行时的温度与负载变化情况下的时间轴包络线的数据、异步电机自动在线监测运行后两组振幅平均值的比值、电流幅值包络数据的最大值与电机输入的额定电流值的比值、频段变化量的最大值加权后平均值,进而求之和值与异步电机正常运行的判断参数、振动信号的故障判断参数、电流时域故障的判断参数、电机电流频谱下的故障诊断参数的和值进行对比,实现异步电机运行参数、运行状态和寿命情况的综合评估。
2.根据权利要求1所述的异步电动机典型故障的多参数联合诊断方法,其特征在于,具体包括以下步骤:
a1.在系统运行前获得温度信号T0,在系统运行稳定后,采集1~10分钟时间段内的温度数据,1秒采集一次,求取和记录温度平均值Ti,i=1、2…60;然后间隔2分钟~2小时后再采集温度数据,每次采集均需记录时间点最近的连续的时间段内的温度平均值Ti,之前的数据不断用新数据更新;在采集温度的同时,采集1~10分钟内的电流波形数据Yi;在电机运行期间,间隔2分钟~2小时获取1分钟的振动速度数据F(k)和电流数据I(k);
a2.根据记录的连续温度平均值Ti求得负载下温度变化的时间轴包络线,记为△Tk(k)=Ti(k+1)-Ti(k),k=1,2…59;根据电流波形数据Yi和利用最小均方误差,逼近待提取信号,计算得到Y’i,以此类推,记录获取的基波电流幅值Ai,求得负载下电流幅值变化的时间轴的包络线,记为△Ak(k)=Ai(k+1)-Ai(k),k=1,2…59;
a3.将负载下温度变化的时间轴包络线除以负载下电流幅值变化的时间轴的包络线,得到异步电机正常运行时的温度与负载变化情况下的时间轴包络线△Z(k);
a4.通过步骤a1-a3获取异步电机正常运行时的温度与负载变化情况下的时间轴包络线并保存该时间轴包络线的数据,然后在异步电机以后的运行过程中随着时间的变化不断循环执行步骤a1-a3,以检测运行中的时间轴包络线的数据,通过实时监测的值与异步电机正常运行时的数据进行行列式拟合,获取差值信号△’Z(k);
a5.求取△’Z(k)的平均值△’z,并以平均值△’z作为电机温度信息的故障参考值,确定平均值△’z在故障评估中的比例系数,而且比例系数随着平均值△’z的增大而增大;
a6.在异步电机启动过程时,记录电流数据的幅值I0,记录振动数据的加速度幅值F0,以及振动频谱变化包络线;在异步电机运行期间,每间隔30分钟获取1分钟的振动速度数据F(k),同时间隔2分钟~2小时获取1~10分钟的电流数据I(k);
a7.将振动速度数据F(k)进行快速傅里叶转换,获取频率信息,并提取幅值较高的15~30个特征频域区间的特征数据,记录频率区间,同时在提取15~30个特征频域区间的特征数据的过程中根据频谱区间分配和幅值高低从中综合选取50~1000组数据,记录选取的频率和振幅信息;而且在异步电机正常自动在线监测运行前,需在带负载情况下,测取一组选取的振幅平均值,记为b0,在异步电机正常自动在线监测运行后,间隔2分钟~2小时测取选取的振幅平均值,记为bt,并计算bt/b0的值作为振动信号的故障判断参数;
a8.根据步骤a6获取的电流数据I(k),分析数据的周期波形的幅值包络Ii(k),求Ii(k)电流幅值包络数据的最大值I1,求取I1/I0和I1/Ie,并以I1/I0和I1/Ie均作为电流时域故障的判断参数,其中Ie为该电机输入的额定电流值;
a9.根据步骤a6获取的电流数据I(k),分析数据进行快速傅里叶变换后的频谱数据,并在异步电机正常运行时,获取异步电机电流数据的频谱数据,并记录该频谱数据,记为I0(f),同时获取此时电机时域分析的电流幅值平均值i0;而且在后面的异步电机运行状态监测过程中,每隔10分钟,获取实时的电流数据的频谱数据It(f)以及电流幅值平均值it,对比I0(f)和It(f)、i0和it,将I0(f)和It(f)相同频段的值进行对比,将I0(f)和It(f)变化量较大的频段数据与步骤a7中获取的频段数值区域进行综合评定;对于变化量较大的数值所在频段如果与步骤a7所在频段变化量最大值数据频段相吻合的参数,该变化量数值加权为2,并对这些变化量数值除以it-i0的负载变化量,再乘以在异步电机开始在线自动测试前获取的不同负载变化时所获得的单位负载变化电流幅值变化因子k,而其他变化量数值加权为1,对这个变化量数值乘以加权后求平均,记为It,并将该值作为电机电流频谱下的故障诊断参数;
a10.根据作为电机温度信息的故障参考值平均值△’z、作为振动信号的故障判断参数bt/b0、电流时域故障的判断参数I1/I0和I1/Ie、作为电机电流频谱下的故障诊断参数It,计算得到判断电机运行状态的评估值et,该评估值et的数值越高,说明寿命越短。
3.根据权利要求2所述的异步电动机典型故障的多参数联合诊断方法,其特征在于,步骤a10所述“根据作为电机温度信息的故障参考值平均值△’z、作为振动信号的故障判断参数bt/b0、电流时域故障的判断参数I1/I0和I1/Ie、作为电机电流频谱下的故障诊断参数It,计算得到判断电机运行状态的评估值et”,具体为:根据公式et=x%*△’z+bt/b0+I1/I0+I1/Ie+It,其中x%为平均值△’z的比例系数,该比例系数根据△’z确定为对应的数值。
4.根据权利要求3所述的异步电动机典型故障的多参数联合诊断方法,其特征在于,所述比例系数为20%或30%或40%。
5.根据权利要求2或3或4所述的异步电动机典型故障的多参数联合诊断方法,其特征在于,在步骤a1中的温度数据采样频率为1Hz,所述电流波形数据Yi的采样频率为10K,所述振动速度数据F(k)的采样频率为10KHz,所述电流数据I(k)的采样频率为10KHz。
6.根据权利要求2或3或4所述的异步电动机典型故障的多参数联合诊断方法,其特征在于,在步骤a6中的所述振动速度数据F(k)的采样频率为10KHz,所述电流数据I(k)的采样频率为10KHz。
7.根据权利要求1或2或3或4所述的异步电动机典型故障的多参数联合诊断方法,其特征在于,在系统启动运行稳定后间隔采集异步电机正常运行时在负载下的温度、电流波形数据、振动速度数据、电流数据之前,先在正常工作且工况良好的异步电机安装故障检测设备,同时输入电机的额定功率、额定电压、额定转速、额定电流、额定频率,以及设置温度和振动的变化故障值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010540017.1A CN111650514B (zh) | 2020-06-15 | 2020-06-15 | 一种异步电动机典型故障的多参数联合诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010540017.1A CN111650514B (zh) | 2020-06-15 | 2020-06-15 | 一种异步电动机典型故障的多参数联合诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111650514A true CN111650514A (zh) | 2020-09-11 |
CN111650514B CN111650514B (zh) | 2022-09-09 |
Family
ID=72349615
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010540017.1A Active CN111650514B (zh) | 2020-06-15 | 2020-06-15 | 一种异步电动机典型故障的多参数联合诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111650514B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112415303A (zh) * | 2020-10-30 | 2021-02-26 | 桂林电子科技大学 | 一种考虑故障累积效应的空压机寿命预测系统及方法 |
CN112526405A (zh) * | 2020-12-03 | 2021-03-19 | 广东电网有限责任公司电力科学研究院 | 一种用于电容器切出系统时的故障诊断方法及相关装置 |
CN113075545A (zh) * | 2021-03-22 | 2021-07-06 | 西安工业大学 | 一种电机故障诊断结果的表现方法 |
CN113189483A (zh) * | 2021-04-25 | 2021-07-30 | 西安交通大学 | 一种转频谱峰与电流极差联合推断轴流风机故障诊断方法 |
CN113203949A (zh) * | 2021-04-27 | 2021-08-03 | 西安工业大学 | 一种电机诊断过程中的坐标参数校正方法 |
CN113219333A (zh) * | 2021-04-27 | 2021-08-06 | 西安工业大学 | 一种电机故障诊断时的频谱参数处理方法 |
CN113281645A (zh) * | 2021-04-25 | 2021-08-20 | 浙江德欧电气技术股份有限公司 | 基于大数据下伺服系统有选择性的确定采集节点的方法 |
CN113551762A (zh) * | 2021-06-09 | 2021-10-26 | 杭州安脉盛智能技术有限公司 | 一种温度自适应的振动采集方法 |
CN113589169A (zh) * | 2021-07-30 | 2021-11-02 | 国网江苏省电力有限公司南通供电分公司 | 一种基于机电信号分析的异步电机故障检测方法 |
CN117031277A (zh) * | 2023-09-29 | 2023-11-10 | 苏州保邦电气有限公司 | 一种电机运行状态智能监测方法 |
Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6014598A (en) * | 1996-06-28 | 2000-01-11 | Arcelik A.S. | Model-based fault detection system for electric motors |
CN102023100A (zh) * | 2010-04-19 | 2011-04-20 | 东莞市罗尔机电科技有限公司 | 设备故障预警系统及方法 |
EP2426502A1 (en) * | 2010-09-06 | 2012-03-07 | ABB Technology AG | A method for detecting rotor failure in an asynchronous motor |
CN102636751A (zh) * | 2012-04-26 | 2012-08-15 | 中国人民解放军海军工程大学 | 基于励磁机励磁电流的交流无刷发电机故障检测方法 |
CN104535323A (zh) * | 2015-01-12 | 2015-04-22 | 石家庄铁道大学 | 一种基于角域-时域-频域的机车轮对轴承故障诊断方法 |
US20160266207A1 (en) * | 2015-03-10 | 2016-09-15 | Mitsubishi Electric Research Laboratories, Inc. | Fault Detection in Induction Motors Based on Current Signature Analysis |
CN106291360A (zh) * | 2016-08-30 | 2017-01-04 | 重庆勤智科技有限公司 | 发电机碳刷故障定位方法 |
CN106990357A (zh) * | 2017-04-20 | 2017-07-28 | 哈尔滨理工大学 | 智能电机集成式多参数融合健康诊断及预警系统 |
CN107064796A (zh) * | 2017-04-20 | 2017-08-18 | 哈尔滨理工大学 | 智能电机振动在线监测及预警系统 |
CN206710565U (zh) * | 2017-04-20 | 2017-12-05 | 哈尔滨理工大学 | 智能电机集成式多参数融合健康诊断及预警系统 |
CN108195587A (zh) * | 2018-02-12 | 2018-06-22 | 西安交通大学 | 一种电机滚动轴承故障诊断方法及其诊断系统 |
CN208283527U (zh) * | 2018-06-08 | 2018-12-25 | 上海金艺检测技术有限公司 | 基于频谱分析的交流异步电机在线监测诊断系统 |
CN109600037A (zh) * | 2018-12-14 | 2019-04-09 | 陕西航空电气有限责任公司 | 基于航空用的双有源桥电路的大功率dc-dc变换器及其健康管理方法 |
CN109765484A (zh) * | 2018-10-25 | 2019-05-17 | 青岛鹏海软件有限公司 | 基于“正确树”模型的电机在线监测和故障诊断方法 |
CN110163190A (zh) * | 2019-06-17 | 2019-08-23 | 郑州大学 | 一种滚动轴承故障诊断方法及装置 |
CN110940917A (zh) * | 2019-12-10 | 2020-03-31 | 西安市双合软件技术有限公司 | 一种电动机故障预警方法及系统 |
CN111044902A (zh) * | 2019-12-31 | 2020-04-21 | 朗斯顿科技(北京)有限公司 | 一种基于电流和电压信号的电机故障诊断方法 |
WO2020078132A1 (zh) * | 2018-10-15 | 2020-04-23 | 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 |
CN111190104A (zh) * | 2020-02-27 | 2020-05-22 | 西安工业大学 | 电机在线故障监测系统及其分析方法 |
-
2020
- 2020-06-15 CN CN202010540017.1A patent/CN111650514B/zh active Active
Patent Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6014598A (en) * | 1996-06-28 | 2000-01-11 | Arcelik A.S. | Model-based fault detection system for electric motors |
CN102023100A (zh) * | 2010-04-19 | 2011-04-20 | 东莞市罗尔机电科技有限公司 | 设备故障预警系统及方法 |
EP2426502A1 (en) * | 2010-09-06 | 2012-03-07 | ABB Technology AG | A method for detecting rotor failure in an asynchronous motor |
CN102636751A (zh) * | 2012-04-26 | 2012-08-15 | 中国人民解放军海军工程大学 | 基于励磁机励磁电流的交流无刷发电机故障检测方法 |
CN104535323A (zh) * | 2015-01-12 | 2015-04-22 | 石家庄铁道大学 | 一种基于角域-时域-频域的机车轮对轴承故障诊断方法 |
US20160266207A1 (en) * | 2015-03-10 | 2016-09-15 | Mitsubishi Electric Research Laboratories, Inc. | Fault Detection in Induction Motors Based on Current Signature Analysis |
CN106291360A (zh) * | 2016-08-30 | 2017-01-04 | 重庆勤智科技有限公司 | 发电机碳刷故障定位方法 |
CN107064796A (zh) * | 2017-04-20 | 2017-08-18 | 哈尔滨理工大学 | 智能电机振动在线监测及预警系统 |
CN106990357A (zh) * | 2017-04-20 | 2017-07-28 | 哈尔滨理工大学 | 智能电机集成式多参数融合健康诊断及预警系统 |
CN206710565U (zh) * | 2017-04-20 | 2017-12-05 | 哈尔滨理工大学 | 智能电机集成式多参数融合健康诊断及预警系统 |
CN108195587A (zh) * | 2018-02-12 | 2018-06-22 | 西安交通大学 | 一种电机滚动轴承故障诊断方法及其诊断系统 |
CN208283527U (zh) * | 2018-06-08 | 2018-12-25 | 上海金艺检测技术有限公司 | 基于频谱分析的交流异步电机在线监测诊断系统 |
WO2020078132A1 (zh) * | 2018-10-15 | 2020-04-23 | 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 |
CN109765484A (zh) * | 2018-10-25 | 2019-05-17 | 青岛鹏海软件有限公司 | 基于“正确树”模型的电机在线监测和故障诊断方法 |
CN109600037A (zh) * | 2018-12-14 | 2019-04-09 | 陕西航空电气有限责任公司 | 基于航空用的双有源桥电路的大功率dc-dc变换器及其健康管理方法 |
CN110163190A (zh) * | 2019-06-17 | 2019-08-23 | 郑州大学 | 一种滚动轴承故障诊断方法及装置 |
CN110940917A (zh) * | 2019-12-10 | 2020-03-31 | 西安市双合软件技术有限公司 | 一种电动机故障预警方法及系统 |
CN111044902A (zh) * | 2019-12-31 | 2020-04-21 | 朗斯顿科技(北京)有限公司 | 一种基于电流和电压信号的电机故障诊断方法 |
CN111190104A (zh) * | 2020-02-27 | 2020-05-22 | 西安工业大学 | 电机在线故障监测系统及其分析方法 |
Non-Patent Citations (2)
Title |
---|
T. D. RAZAFIMAHEFA等: "《Experimental_and_analytical_approaches_for_investigating_low-level_inter-turn_winding_faults_in_induction_machine》", 《2019 4TH CONFERENCE ON CONTROL AND FAULT TOLERANT SYSTEMS (SYSTOL)》 * |
郑晓亮等: "《基于谐波分析的异步电动机故障诊断研究》", 《微特电机》 * |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112415303A (zh) * | 2020-10-30 | 2021-02-26 | 桂林电子科技大学 | 一种考虑故障累积效应的空压机寿命预测系统及方法 |
CN112415303B (zh) * | 2020-10-30 | 2022-07-12 | 桂林电子科技大学 | 一种考虑故障累积效应的空压机寿命预测系统及方法 |
CN112526405B (zh) * | 2020-12-03 | 2022-02-15 | 广东电网有限责任公司电力科学研究院 | 一种用于电容器切出系统时的故障诊断方法及相关装置 |
CN112526405A (zh) * | 2020-12-03 | 2021-03-19 | 广东电网有限责任公司电力科学研究院 | 一种用于电容器切出系统时的故障诊断方法及相关装置 |
CN113075545A (zh) * | 2021-03-22 | 2021-07-06 | 西安工业大学 | 一种电机故障诊断结果的表现方法 |
CN113075545B (zh) * | 2021-03-22 | 2024-02-23 | 西安工业大学 | 一种电机故障诊断结果的表现方法 |
CN113189483A (zh) * | 2021-04-25 | 2021-07-30 | 西安交通大学 | 一种转频谱峰与电流极差联合推断轴流风机故障诊断方法 |
CN113281645A (zh) * | 2021-04-25 | 2021-08-20 | 浙江德欧电气技术股份有限公司 | 基于大数据下伺服系统有选择性的确定采集节点的方法 |
CN113189483B (zh) * | 2021-04-25 | 2022-10-28 | 西安交通大学 | 一种转频谱峰与电流极差联合推断轴流风机故障诊断方法 |
CN113219333B (zh) * | 2021-04-27 | 2024-03-19 | 西安工业大学 | 一种电机故障诊断时的频谱参数处理方法 |
CN113203949B (zh) * | 2021-04-27 | 2024-03-08 | 西安工业大学 | 一种电机诊断过程中的坐标参数校正方法 |
CN113219333A (zh) * | 2021-04-27 | 2021-08-06 | 西安工业大学 | 一种电机故障诊断时的频谱参数处理方法 |
CN113203949A (zh) * | 2021-04-27 | 2021-08-03 | 西安工业大学 | 一种电机诊断过程中的坐标参数校正方法 |
CN113551762B (zh) * | 2021-06-09 | 2023-09-05 | 杭州安脉盛智能技术有限公司 | 一种温度自适应的振动采集方法 |
CN113551762A (zh) * | 2021-06-09 | 2021-10-26 | 杭州安脉盛智能技术有限公司 | 一种温度自适应的振动采集方法 |
CN113589169A (zh) * | 2021-07-30 | 2021-11-02 | 国网江苏省电力有限公司南通供电分公司 | 一种基于机电信号分析的异步电机故障检测方法 |
CN117031277B (zh) * | 2023-09-29 | 2023-12-19 | 苏州保邦电气有限公司 | 一种电机运行状态智能监测方法 |
CN117031277A (zh) * | 2023-09-29 | 2023-11-10 | 苏州保邦电气有限公司 | 一种电机运行状态智能监测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111650514B (zh) | 2022-09-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111650514B (zh) | 一种异步电动机典型故障的多参数联合诊断方法 | |
CN116879662B (zh) | 基于数据分析的变压器故障检测方法 | |
CN102707232B (zh) | 电动机设备状态在线监测装置及其监测方法 | |
CN110456270B (zh) | 一种电机绝缘在线监测方法及装置 | |
CN110849645B (zh) | 一种gis机械故障的初步诊断方法 | |
CN114089186B (zh) | 一种电机状态检测分析预警方法及设备 | |
CN117007882A (zh) | 一种变频器测试管理系统 | |
CN117607784A (zh) | 一种电表运行误差实时监测系统 | |
CN117725531A (zh) | 一种基于振动监测的电机状态监视系统及方法 | |
CN117284151A (zh) | 一种自适应新能源车辆电池电量监测方法及系统 | |
CN112034344A (zh) | 水轮发电机转子绕组匝间短路故障实时在线诊断方法 | |
CN115790821A (zh) | 变压器振动监测中的风机振动干扰消除方法及相关设备 | |
KR102144789B1 (ko) | 모터설비 에너지 손실 절감을 위한 경고 시스템 | |
CN114383718A (zh) | 一种基于燃机外机匣振动信号的高频叶片通过频率提取方法 | |
CN113078880A (zh) | 光伏发电组件分布式在线故障诊断方法及系统 | |
Alekseev et al. | Data measurement system of compressor units defect diagnosis by vibration value | |
CN111986469A (zh) | 一种现场终端故障智能化诊断的方法 | |
RU2799489C1 (ru) | Способ определения технического состояния электрических и гидравлических приводов | |
CN118311421B (zh) | 电动刀闸健康状态监测方法、装置、存储介质及设备 | |
Han et al. | Fault diagnose of the rolling bearings vibration signals based on Kalman filter method | |
RU2753578C1 (ru) | Способ диагностики технического состояния роторного оборудования | |
CN113406551A (zh) | 一种Rogowski线圈电子式电流互感器故障的早期诊断方法 | |
CN118331204B (zh) | 一种工业自动化控制设备安全状态监测方法及系统 | |
CN118367680B (zh) | 一种用于电力设备监测的智能驱动控制系统及方法 | |
US20220221514A1 (en) | Unsupervised Machine Monitoring System |
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 |