CN111881587A - 一种基于滤波的永磁直流电动机故障检测方法 - Google Patents
一种基于滤波的永磁直流电动机故障检测方法 Download PDFInfo
- Publication number
- CN111881587A CN111881587A CN202010750174.5A CN202010750174A CN111881587A CN 111881587 A CN111881587 A CN 111881587A CN 202010750174 A CN202010750174 A CN 202010750174A CN 111881587 A CN111881587 A CN 111881587A
- Authority
- CN
- China
- Prior art keywords
- permanent magnet
- direct current
- matrix
- current motor
- magnet direct
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Analysis (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Geometry (AREA)
- Algebra (AREA)
- Computer Hardware Design (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Control Of Motors That Do Not Use Commutators (AREA)
- Control Of Electric Motors In General (AREA)
Abstract
Description
技术领域
本发明涉及一种基于滤波的永磁直流电动机故障检测方法,属于永磁直流电动机故障检测领域。
背景技术
永磁直流电动机具有体积小、可靠性高、效率高,使用寿命长等优点,在汽车工业、家用电器、工农业生产以及航空航天等领域都有着广泛的应用。随着永磁直流电动机的应用范围越来越广,其重要性也与日俱增。一旦永磁直流电动机在运行期间发生故障而没有及时被检测到,那么势必会影响整个系统的安全,尤其是在一些航空航天领域,将会造成不可估量的损失。因此为保证电动机的安全可靠运行,对其进行快速可靠的在线故障检测是非常有必要的。
永磁直流电动机的工作环境复杂,在工作时容易受到各种噪声干扰的影响。并且实际系统中的干扰噪声一般不满足特定的概率分布,只能得到其边界值。基于全对称多胞形卡尔曼滤波的故障检测方法则能够有效估计该情况下的永磁直流电动机的状态,并检测出系统的故障状况。
然而由于全对称多胞形的空间复杂度较高,因此在全对称多胞形卡尔曼滤波算法的计算复杂度也较高,对系统故障检测的计算时间存在一定的影响。
同时,在计算复杂度提高的前提下,全对称多胞形卡尔曼滤波算法也并不能很好地保证其故障检测精确度。
发明内容
为了进一步提高永磁直流电动机系统的故障检测精确度,本发明提供了一种基于滤波的永磁直流电动机故障检测方法,所述方法根据永磁直流电动机系统在正常工作状态下状态矩阵对应的正多胞体,计算得到永磁直流电动机在正常工作状态下输出矩阵对应的正多胞体;再根据正常工作状态下输出矩阵对应的正多胞体和实际工作状态下的输出矩阵,确定永磁直流电动机系统的故障检测信号;最后根据永磁直流电动机系统的故障检测信号,确定永磁直流电动机系统的故障状态和故障时间;
可选的,所述方法在根据永磁直流电动机系统在正常工作状态下状态矩阵对应的正多胞体,计算得到永磁直流电动机在正常工作状态下输出矩阵对应的正多胞体之前还包括:
步骤101,根据永磁直流电动机的工作原理,建立永磁直流电动机低频线性模型;
步骤102,根据永磁直流电动机的低频线性模型,确定永磁直流电动机的离散线性模型;
步骤103,获取永磁直流电动机分别在正常工作状态下和实际工作状态下的电枢电流和转速,并确定对应的输出矩阵;
步骤104,获取永磁直流电动机在正常工作状态下的输入电压和系统参数,并确定系统的参数矩阵;
步骤105,根据所述永磁直流电动机在正常工作状态下的输出矩阵、输入电压、参数矩阵和离散线性模型,确定正常工作状态下状态矩阵对应的正多胞体。
可选的,所述步骤101,包括:
根据永磁直流电动机的工作原理,建立如下方程:
其中,u,Ea,i,Ra,L分别为电枢的输入电压、直流电动机两端电势、电流、电阻和电感;T,T0,T2,n分别为电磁转矩、空载转矩、负载转矩和转速;J1=2πJ/60,J是电动机转子和同轴联接机构的转动惯量;
忽略直流电动机的非线性因素的影响,对式(1)进行等效简化后可得到相应的线性化模型:
其中fr为轴承间的摩擦系数。
可选的,所述步骤102,包括:
对式(2)进行离散化处理,并设定采样时间间隔为Ts,则可得到对应的离散线性模型为:
y(k)为系统的输出矩阵;
在状态方程和输出方程中分别加入过程噪声w(k)和测量噪声v(k),得到永磁直流电动机的离散线性模型为:
其中,过程噪声w(k)和测量噪声v(k)均有界,w(k)∈O(0,dw),v(k)∈O(0,dv),dw为正多胞体O(0,dw)中生成矩阵的对角线值,dv为正多胞体O(0,dv)中生成矩阵的对角线值,为过程噪声w(k)的系数矩阵,为测量噪声v(k)的系数矩阵。
可选的,所述步骤103,包括:
在预定时间范围内,获取永磁直流电动机在正常工作状态下和实际工作状态下的电枢电流和转速;
可选的,所述步骤105,包括:
递推过程包括:
步骤1051,根据永磁直流电动机系统的参数矩阵,正多胞体O(0,dw)中生成矩阵的对角线值dw,正多胞体O(0,dv)中生成矩阵的对角线值dv和k-1时刻的正多胞体中生成矩阵的对角线值d(k-1),按式(5)至式(7)计算k-1时刻的最优观测器增益G(k-1);
其中Γ(k-1)和Λ(k-1)为中间变量;
步骤1053,根据永磁直流电动机系统的参数矩阵,正多胞体O(0,dw)中生成矩阵的对角线值dw、正多胞体O(0,dv)中生成矩阵的对角线值dv、k-1时刻的最优观测器增益G(k-1)和正多胞体中生成矩阵的对角线值d(k-1),按式(9)更新计算k时刻正多胞体中生成矩阵的对角线值d(k);
d(k)=(A-G(k-1)C)d(k-1)+Edw-G(k-1)Fdv (9)。
可选的,所述根据永磁直流电动机系统在正常工作状态下状态矩阵对应的正多胞体,计算得到永磁直流电动机在正常工作状态下输出矩阵对应的正多胞体,包括:
可选的,所述根据正常工作状态下输出矩阵对应的正多胞体和实际工作状态下的输出矩阵,确定永磁直流电动机系统的故障检测信号,包括:
可选的,所述根据永磁直流电动机系统的故障检测信号,确定永磁直流电动机系统的故障状态和故障时间,包括:
若k时刻故障检测信号f(k)=1,则表明永磁直流电动机系统在k时刻发生故障;
若k时刻故障检测信号f(k)=0,则表明永磁直流电动机系统在k时刻未发生故障;
由此判断出永磁直流电动机系统发生故障的时间和发生故障时的状态。
本申请还提供一种基于滤波的永磁直流电动机故障检测系统,所述系统采用上述基于滤波的永磁直流电动机故障检测方法对永磁直流电动机系统进行故障检测,所述永磁直流电动机系统包括直流电动机、电阻、电感和电源。
本发明有益效果是:
通过提出一种基于正多胞体与卡尔曼滤波结合的永磁直流电动机故障检测方法,在故障检测过程中,通过利用正多胞体卡尔曼滤波方法得到永磁直流电动机在正常工作状态下的输出矩阵对应的正多胞体通过判断实际工作状态下的输出矩阵是否在正常工作状态下的输出矩阵对应的正多胞体的上下界内,从而确定永磁直流电动机是否发生故障,若发生故障,则根据比较结果确定故障状态和故障时间;相对于现有的基于全对称多胞形的故障检测方法,本申请由于采用了空间形状更为简单的正多胞体,从而使得计算复杂度降低,具有更快的检测速度,更适用于在线故障检测,更重要的是,本申请方法故障检测更精确,实际检测过程中所估计出的永磁直流电动机的工作状态更贴近实际的工作状态,所以一旦系统发生故障,能够更准确的反映出实际工作状态与正常的工作状态不符,因此故障检测率更高。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例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发明的一些实施例,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是本发明一个实施例公开的一种基于滤波的永磁直流电动机故障检测方法流程图。
图2是一种永磁直流电动机等效电路图。
图3和图4是本发明一个实施例中公开的两种永磁直流电动机故障检测方法估计出的永磁直流电动机的输出y1对应的上下界与实际输出的对比仿真图;两种永磁直流电动机故障检测方法分别为本申请提供的基于滤波的永磁直流电动机故障检测方法和现有的基于全对称多胞形卡尔曼滤波的永磁直流电动机故障检测方法;其中图3对应离散时间k∈{0,250},图4对应离散时间k∈{250,500},图3和图4中设定在k∈{50,152}和k∈{235,365}的两个时间段内发生两种不同的参数故障。
图5和图6是本发明一个实施例中公开的两种永磁直流电动机故障检测方法估计出的永磁直流电动机的输出y2对应的上下界与实际输出的对比仿真图;两种永磁直流电动机故障检测方法分别为本申请提供的基于滤波的永磁直流电动机故障检测方法和现有的基于全对称多胞形卡尔曼滤波的永磁直流电动机故障检测方法;其中图5对应离散时间k∈{0,250},图6对应离散时间k∈{250,500},图5和图6中设定在k∈{50,152}和k∈{235,365}的两个时间段内发生两种不同的参数故障。
图7是图5中对应k∈{238,242}的局部放大图。
图8是本发明一个实施例公开的两种永磁直流电动机故障检测方法在进行故障检测时估计出的永磁直流电动机在不同时间点的正常输出和永磁直流电动机的实际输出仿真图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明实施方式作进一步地详细描述。
实施例一:
本实施例提供一种基于滤波的永磁直流电动机故障检测方法,参见图1,所述方法包括:
步骤101,根据永磁直流电动机的工作原理,建立永磁直流电动机低频线性模型。
永磁直流电动机的等效电路图如图2所示,其中M为直流电动机,u,Ea,i,Ra,L分别为电枢的输入电压、直流电动机两端电势、电流、电阻和电感,T,T0,T2,n分别为电磁转矩、空载转矩、负载转矩和转速。
根据永磁直流电动机的工作原理,建立如下方程:
其中J1=2πJ/60,J是电动机转子和同轴联接机构的转动惯量。
在额定励磁下,有Ea=CeΦn=Ken和T=CTΦi=KTi成立。其中Φ为磁通量,Ce,Ke,CT和KT为中间参数。
忽略电动机的非线性因素的影响,对其进行等效简化后可得到相应的线性化模型:
其中fr为轴承间的摩擦系数。
步骤102,根据永磁直流电动机的低频线性模型,确定永磁直流电动机的离散线性模型。
具体的,对式(2)进行离散化处理,并设定采样时间间隔为Ts=5ms,则可得到对应的离散线性模型为:
考虑不确定系统噪声干扰和离散过程中不确定性的影响,在状态方程和输出方程中分别加入过程噪声w(k)和测量噪声v(k),则得到永磁直流电动机的离散线性模型为:
其中过程噪声w(k)和测量噪声v(k)均有界,具体为:w(k)∈O(0,dw),v(k)∈O(0,dv),dw为正多胞体O(0,dw)中生成矩阵的对角线值,dv为正多胞体O(0,dv)中生成矩阵的对角线值,为w(k)的系数矩阵,为v(k)的系数矩阵。
步骤103,获取永磁直流电动机在正常工作状态下和实际工作状态下的电枢电流和转速,并确定对应的输出矩阵。
在预定时间范围内,获取永磁直流电动机在正常工作状态下和实际工作状态下的电枢电流和转速。
预定时间范围为1至N,N为整数,N的值是预先设置的。
在永磁直流电动机系统中,可利用电流表测量电枢电流的大小,利用转速测量仪测量转速的大小。
步骤104,获取永磁直流电动机在正常工作状态下的输入电压和系统参数,并确定系统的参数矩阵。
当永磁直流电动机处于正常工作状态下时,给定输入电压为u(k)=1.4sin(50k)+6V。
当永磁直流电动机处于正常工作状态下时,系统参数分别为:fr=2.3396×10-4Js/rad Ra=1.2030Ω,L=5.5840×10-3H,Ke=8.1876×10-2V rad/s,J1=1.3528×10-4Js2/rad,Kt=1.0005Ke。
将系统参数代入系统的参数矩阵A和B中,确定参数矩阵A和B的具体数值。
步骤105,根据所述永磁直流电动机在正常工作状态下的输出矩阵、输入电压、参数矩阵和离散线性模型,确定正常工作状态下状态矩阵对应的正多胞体。
递推计算过程如下:
步骤1051,根据永磁直流电动机系统的参数矩阵,正多胞体O(0,dw)中生成矩阵的对角线值dw,正多胞体O(0,dv)中生成矩阵的对角线值dv和k-1时刻的正多胞体中生成矩阵的对角线值d(k-1),按式(5)至式(7)计算k-1时刻的最优观测器增益G(k-1)。
其中Γ(k-1)和Λ(k-1)为中间变量。
步骤1053,根据永磁直流电动机系统的参数矩阵,正多胞体O(0,dw)中生成矩阵的对角线值dw、正多胞体O(0,dv)中生成矩阵的对角线值dv、k-1时刻的最优观测器增益G(k-1)和正多胞体中生成矩阵的对角线值d(k-1),按式(9)更新计算k时刻正多胞体中生成矩阵的对角线值d(k)。
d(k)=(A-G(k-1)C)d(k-1)+Edw-G(k-1)Fdv (9)
步骤106,根据状态矩阵对应的正多胞体,计算永磁直流电动机在正常工作状态下输出矩阵对应的正多胞体。
步骤107,根据正常工作状态下输出矩阵对应的正多胞体和实际工作状态下的输出矩阵,确定永磁直流电动机系统的故障检测信号。
步骤108,根据永磁直流电动机系统的故障检测信号,确定系统的故障状态和故障时间。
若k时刻故障检测信号f(k)=1,则表明永磁直流电动机系统在k时刻发生故障;
若k时刻故障检测信号f(k)=0,则表明永磁直流电动机系统在k时刻未发生故障;
由此判断出永磁直流电动机系统发生故障的时间和发生故障时的状态。
需要说明的是,本发明实施例提供的基于滤波的永磁直流电动机故障检测方法,检测永磁直流电动机系统是否发生故障是在永磁直流电动机处于实际工作状态下进行的。
为验证本申请所提出的基于滤波的永磁直流电动机故障检测方法的故障检测的精确性和快速性,进行如下仿真实验:
对于处于实际工作状态下的永磁直流电动机系统,设置在k∈{50,152}和k∈{235,365}的时间段内发生两种不同的参数故障,即系统的参数在这两个时间段内会发生变化。
基于相同的仿真条件,将本申请提出的一种基于滤波的永磁直流电动机故障检测方法与现有的一种基于全对称多胞形卡尔曼滤波的永磁直流电动机故障检测方法进行对比,得到的故障检测对比结果如图3至图8所示。
现有的一种基于全对称多胞形卡尔曼滤波的故障检测方法可参考“基于状态集员估计的主动故障检测[J/OL],自动化学报,1-10[2020-06-03].https://doi.org/10.16383/j.aas.c180830.”
利用正常工作状态下基于滤波的永磁直流电动机故障检测方法得到的输出矩阵对应的正多胞体的上下界、基于全对称多胞形卡尔曼滤波的永磁直流电动机故障检测方法得到的输出矩阵对应的全对称多胞形的上下界和实际工作状态下的输出矩阵随时间k变化的曲线来展示两种故障检测方法对永磁直流电动机进行故障检测的结果。
由图3、图4和图5、图6可以看出,实际输出和的变化趋势基本相同,在时间k=51时超出基于滤波的故障检测方法所得出的上下界,并在时间k=155时回到基于滤波的故障检测方法所得出的上下界中。在持续一段时间的正常运行后,实际输出和再次在时间k=239时都超出基于滤波的故障检测方法所得出的上下界,并在时间k=370时再次回到基于滤波的故障检测方法所得出的上下界中,之后保持正常运行直至整个工作过程结束。同时通过观察实际输出和的变化趋势和实际数值,可以得到在整个工作过程中实际的永磁直流电动机系统发生了两个不同的参数故障。
观察基于全对称多胞形卡尔曼滤波的故障检测方法和本申请基于滤波的故障检测方法所得到的上下界之间的间距,可以得到前者的间距在整个检测过程中都较大,说明基于全对称多胞形卡尔曼滤波的方法估计得到的输出矩阵对应的全对称多胞形的保守性更强,因此会导致虽然该方法能够检测出系统发生了故障,但是在故障检测时间上存在一定的延迟:
参考图7,以正常输出y2为例,局部放大正常输出y2对应的两种算法下的上下界的变化曲线和实际输出的变化曲线。利用基于滤波的故障检测方法在k=239时就检测出永磁直流电动机系统发生了故障,而基于全对称多胞形卡尔曼滤波的故障检测方法在k=241时刻才检测出永磁直流电动机系统发生了故障,因此本申请基于滤波的故障检测方法有着更快的故障检测速度,与实际系统的故障状态更接近,有着更高的故障检测精确性。
图8中列举出了不同时间点正常工作状态下基于滤波的故障检测方法所得到的输出矩阵对应的正多胞体(黑色实线)和基于全对称多胞形卡尔曼滤波的故障检测方法所得到的输出矩阵对应的全对称多胞体(黑色点划线)和实际工作状态下的实际输出的具体数值点(黑色星号)。
当k=240时,不包含说明此时直流电动机已经发生了故障,与实际工作状态下的永磁直流电动机的故障状态一致,而此时依旧包含着与实际工作状态下的永磁直流电动机的故障状态不一致,说明基于全对称多胞形卡尔曼滤波的故障检测方法的故障检测精确度低于本申请基于滤波的故障检测方法。
本发明实施例中的部分步骤,可以利用软件实现,相应的软件程序可以存储在可读取的存储介质中,如光盘或硬盘等。
以上所述仅为本发明的较佳实施例,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、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于滤波的永磁直流电动机故障检测方法,其特征在于,所述方法根据永磁直流电动机系统在正常工作状态下状态矩阵对应的正多胞体,计算得到永磁直流电动机在正常工作状态下输出矩阵对应的正多胞体;再根据正常工作状态下输出矩阵对应的正多胞体和实际工作状态下的输出矩阵,确定永磁直流电动机系统的故障检测信号;最后根据永磁直流电动机系统的故障检测信号,确定永磁直流电动机系统的故障状态和故障时间;
2.根据权利要求1所述的方法,其特征在于,所述方法在根据永磁直流电动机系统在正常工作状态下状态矩阵对应的正多胞体,计算得到永磁直流电动机在正常工作状态下输出矩阵对应的正多胞体之前还包括:
步骤101,根据永磁直流电动机的工作原理,建立永磁直流电动机低频线性模型;
步骤102,根据永磁直流电动机的低频线性模型,确定永磁直流电动机的离散线性模型;
步骤103,获取永磁直流电动机分别在正常工作状态下和实际工作状态下的电枢电流和转速,并确定对应的输出矩阵;
步骤104,获取永磁直流电动机在正常工作状态下的输入电压和系统参数,并确定系统的参数矩阵;
步骤105,根据所述永磁直流电动机在正常工作状态下的输出矩阵、输入电压、参数矩阵和离散线性模型,确定正常工作状态下状态矩阵对应的正多胞体。
4.根据权利要求3所述的方法,其特征在于,所述步骤102,包括:
对式(2)进行离散化处理,并设定采样时间间隔为Ts,则可得到对应的离散线性模型为:
y(k)为系统的输出矩阵;
在状态方程和输出方程中分别加入过程噪声w(k)和测量噪声v(k),得到永磁直流电动机的离散线性模型为:
6.根据权利要求5所述的方法,其特征在于,所述步骤105,包括:
递推过程包括:
步骤1051,根据永磁直流电动机系统的参数矩阵,正多胞体O(0,dw)中生成矩阵的对角线值dw,正多胞体O(0,dv)中生成矩阵的对角线值dv和k-1时刻的正多胞体中生成矩阵的对角线值d(k-1),按式(5)至式(7)计算k-1时刻的最优观测器增益G(k-1);
其中Γ(k-1)和Λ(k-1)为中间变量;
步骤1053,根据永磁直流电动机系统的参数矩阵,正多胞体O(0,dw)中生成矩阵的对角线值dw、正多胞体O(0,dv)中生成矩阵的对角线值dv、k-1时刻的最优观测器增益G(k-1)和正多胞体中生成矩阵的对角线值d(k-1),按式(9)更新计算k时刻正多胞体中生成矩阵的对角线值d(k);
d(k)=(A-G(k-1)C)d(k-1)+Edw-G(k-1)Fdv (9)。
9.根据权利要求8所述的方法,其特征在于,所述根据永磁直流电动机系统的故障检测信号,确定永磁直流电动机系统的故障状态和故障时间,包括:
若k时刻故障检测信号f(k)=1,则表明永磁直流电动机系统在k时刻发生故障;
若k时刻故障检测信号f(k)=0,则表明永磁直流电动机系统在k时刻未发生故障;
由此判断出永磁直流电动机系统发生故障的时间和发生故障时的状态。
10.一种基于滤波的永磁直流电动机故障检测系统,其特征在于,所述系统采用权利要求1-9任一项所述的基于滤波的永磁直流电动机故障检测方法对永磁直流电动机系统进行故障检测,所述永磁直流电动机系统包括直流电动机、电阻、电感和电源。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010750174.5A CN111881587B (zh) | 2020-07-30 | 2020-07-30 | 一种基于滤波的永磁直流电动机故障检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010750174.5A CN111881587B (zh) | 2020-07-30 | 2020-07-30 | 一种基于滤波的永磁直流电动机故障检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111881587A true CN111881587A (zh) | 2020-11-03 |
CN111881587B CN111881587B (zh) | 2023-08-25 |
Family
ID=73204489
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010750174.5A Active CN111881587B (zh) | 2020-07-30 | 2020-07-30 | 一种基于滤波的永磁直流电动机故障检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111881587B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112989569A (zh) * | 2021-02-05 | 2021-06-18 | 江南大学 | 一种带温度约束条件的锂电池传感器故障滤波诊断方法 |
CN113093016A (zh) * | 2021-04-01 | 2021-07-09 | 江南大学 | 基于不确定噪声滤波的动力电池管理系统故障诊断方法 |
CN111881587B (zh) * | 2020-07-30 | 2023-08-25 | 江南大学 | 一种基于滤波的永磁直流电动机故障检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120246626A1 (en) * | 2011-03-23 | 2012-09-27 | Nec Laboratories America, Inc. | Donut domains - efficient non-convex domains for abstract interpretation |
CN110259647A (zh) * | 2019-06-21 | 2019-09-20 | 江南大学 | 一种基于正多胞体滤波的风电机组缓变型故障诊断方法 |
CN110401392A (zh) * | 2019-08-15 | 2019-11-01 | 哈尔滨工业大学 | 一种新能源汽车用电机的mpc控制方法 |
CN110634198A (zh) * | 2019-09-24 | 2019-12-31 | 江南大学 | 一种基于正多胞体滤波的工业系统分层故障诊断方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111881587B (zh) * | 2020-07-30 | 2023-08-25 | 江南大学 | 一种基于滤波的永磁直流电动机故障检测方法 |
-
2020
- 2020-07-30 CN CN202010750174.5A patent/CN111881587B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120246626A1 (en) * | 2011-03-23 | 2012-09-27 | Nec Laboratories America, Inc. | Donut domains - efficient non-convex domains for abstract interpretation |
CN110259647A (zh) * | 2019-06-21 | 2019-09-20 | 江南大学 | 一种基于正多胞体滤波的风电机组缓变型故障诊断方法 |
CN110401392A (zh) * | 2019-08-15 | 2019-11-01 | 哈尔滨工业大学 | 一种新能源汽车用电机的mpc控制方法 |
CN110634198A (zh) * | 2019-09-24 | 2019-12-31 | 江南大学 | 一种基于正多胞体滤波的工业系统分层故障诊断方法 |
Non-Patent Citations (3)
Title |
---|
V. REPPA.ET AL: "Fault detection and diagnosis based on parameter set estimation", 《 IET CONTROL THEORY AND APPLICATIONS》 * |
王子赟等: "基于正多胞体空间扩展滤波的时变参数系统辨识方法", 《控制理论与应用》 * |
王子赟等: "基于正多胞体线性规划的滤波故障诊断方法", 《控制与决策》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111881587B (zh) * | 2020-07-30 | 2023-08-25 | 江南大学 | 一种基于滤波的永磁直流电动机故障检测方法 |
CN112989569A (zh) * | 2021-02-05 | 2021-06-18 | 江南大学 | 一种带温度约束条件的锂电池传感器故障滤波诊断方法 |
CN112989569B (zh) * | 2021-02-05 | 2024-04-30 | 江南大学 | 一种带温度约束条件的锂电池传感器故障滤波诊断方法 |
CN113093016A (zh) * | 2021-04-01 | 2021-07-09 | 江南大学 | 基于不确定噪声滤波的动力电池管理系统故障诊断方法 |
CN113093016B (zh) * | 2021-04-01 | 2022-01-07 | 江南大学 | 基于不确定噪声滤波的动力电池管理系统故障诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111881587B (zh) | 2023-08-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111881587A (zh) | 一种基于滤波的永磁直流电动机故障检测方法 | |
Wang et al. | A nonlinear least-squares approach for identification of the induction motor parameters | |
Aubert et al. | Kalman-filter-based indicator for online interturn short circuits detection in permanent-magnet synchronous generators | |
Liu et al. | Fault detection and diagnosis of permanent-magnet DC motor based on parameter estimation and neural network | |
CN107783006B (zh) | 水轮发电机转子绕组匝间短路故障检测方法 | |
Ebrahimi et al. | Pattern identification for eccentricity fault diagnosis in permanent magnet synchronous motors using stator current monitoring | |
CN111505500B (zh) | 一种工业领域基于滤波的电机智能故障检测方法 | |
WO2002027418A2 (en) | Model-based machine diagnostics and prognostics using theory of noise and communications | |
CN116593811B (zh) | 一种集成型变频器运行状态监测系统及监测方法 | |
Abramov et al. | Diagnostics of electrical drives | |
CN112989569B (zh) | 一种带温度约束条件的锂电池传感器故障滤波诊断方法 | |
CN105527593B (zh) | 电机磁钢磁链参数的测量方法与系统 | |
Faiz et al. | Dynamic analysis of mixed eccentricity signatures at various operating points and scrutiny of related indices for induction motors | |
Gupta et al. | Early estimation of faults in induction motors using symbolic dynamic-based analysis of stator current samples | |
Aggarwal et al. | Off-line detection of static eccentricity of PMSM robust to machine operating temperature and rotor position misalignment using incremental inductance approach | |
Hang et al. | A voltage-distortion-based method for robust detection and location of interturn fault in permanent magnet synchronous machine | |
JP2021090340A (ja) | Ai搭載型モータ状態量推定システムおよびモータモデル用機械学習方法 | |
Bagheri et al. | Air‐gap eccentricity fault diagnosis and estimation in induction motors using unscented Kalman filter | |
CN111880097A (zh) | 一种列车牵引电机三相对称短路故障检测方法 | |
CN108982106B (zh) | 一种快速检测复杂系统动力学突变的有效方法 | |
Stoß et al. | Identification of rotor and stator flux linkage maps of squirrel cage induction motors based on identification of rotor time constant maps | |
Bouzid et al. | Automatic and robust diagnosis of broken rotor bars fault in induction motor | |
Coenen et al. | Statistical evaluation of manufacturing tolerances in electrical machines by simulation and measurement | |
Meng et al. | A non-invasive dual-EKF-based rotor temperature estimation technique for permanent magnet machines | |
Shen et al. | A data based diagnostic method for current sensor fault in permanent magnet synchronous motors (pmsm) |
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 |