CN111917360A - 基于级数分解确定伺服电机定子故障状态指标的方法及系统 - Google Patents
基于级数分解确定伺服电机定子故障状态指标的方法及系统 Download PDFInfo
- Publication number
- CN111917360A CN111917360A CN202010619427.5A CN202010619427A CN111917360A CN 111917360 A CN111917360 A CN 111917360A CN 202010619427 A CN202010619427 A CN 202010619427A CN 111917360 A CN111917360 A CN 111917360A
- Authority
- CN
- China
- Prior art keywords
- vector
- servo motor
- coefficient
- resampling
- fault
- 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
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 25
- 239000013598 vector Substances 0.000 claims abstract description 201
- 238000012952 Resampling Methods 0.000 claims abstract description 59
- 230000009471 action Effects 0.000 claims abstract description 41
- 230000009466 transformation Effects 0.000 claims abstract description 34
- 239000011159 matrix material Substances 0.000 claims description 38
- 238000005070 sampling Methods 0.000 claims description 25
- 238000004804 winding Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 11
- 230000001131 transforming effect Effects 0.000 claims description 8
- 238000013461 design Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 230000010354 integration Effects 0.000 claims 3
- 230000008569 process Effects 0.000 abstract description 7
- 238000004458 analytical method Methods 0.000 abstract description 6
- 230000008859 change Effects 0.000 abstract description 5
- 238000000605 extraction Methods 0.000 abstract description 3
- 238000012544 monitoring process Methods 0.000 abstract description 3
- 230000001052 transient effect Effects 0.000 abstract description 3
- 238000005259 measurement Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 35
- 238000010586 diagram Methods 0.000 description 14
- 238000004590 computer program Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 238000011217 control strategy Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 238000011160 research Methods 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
-
- 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
- H02P29/026—Detecting a fault condition, e.g. short circuit, locked rotor, open circuit or loss of load the fault being a power fluctuation
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Control Of Electric Motors In General (AREA)
Abstract
本发明公开了一种基于级数分解确定伺服电机定子故障状态指标的方法及系统，无需多周期稳态信号采集，仅通过采集伺服电机动作过程中的电压信号和电流信号实现瞬态的状态监测分析，解决了伺服电机特有工况的测量问题；利用重采样变换向量和积分向量实现状态信息的非稳态特征提取，并且分解系数具备明确的物理意义，解决了短时长信号的波形分析问题；充分利用非稳态信号分解特征系数，确定伺服电机定子故障状态指标，能够实现伺服电机状态及其变化趋势的指标描述，并且能够根据伺服电机定子故障状态指标快速地确定伺服电机定子故障。
Description
技术领域
本发明涉及故障诊断技术领域，并且更具体地，涉及一种基于级数分解确定伺服电机定子故障状态指标的方法及系统。
背景技术
近年来，交流伺服电机在新能源、电力设备、航空航天以及工业自动化领域的作用逐渐显现。其中，永磁同步交流伺服电机具有功率密度高、驱动性能可靠等优势，因而成为交流传动领域的研究热点。随着数字驱动系统的发展，磁场定向控制与直接转矩控制等控制策略的不断完善，进一步增强了伺服电机的动态性能。
实际工况下，运行中的永磁伺服电机通常处于强振动、高湿度甚至极端温度等恶劣工况，定子绕组长期处于多种应力的作用下，易引发局部过热、性能退化，致使绕组匝间出现短路故障。特别是工业用伺服电机系统，其动作频繁，驱动冲击明显，进一步增加了上述故障的概率。伴随故障的恶化电机绕组完全损毁，会对人身安全、财产安全造成严重危害。
因此，需要对伺服电机定子故障状态进行监测。
发明内容
本发明提出一种基于级数分解确定伺服电机定子故障状态指标的方法及系统，以解决如何对伺服电机定子故障状态进行监测的问题。
为了解决上述问题，根据本发明的一个方面，提供了一种基于级数分解确定伺服电机定子故障状态指标的方法，所述方法包括：
获取伺服电机分别在d轴和q轴的电流信号和电压信号，并根据所述电流信号和电压信号计算伺服电机动作的瞬时功率：
根据重采样数和瞬时功率采样时长确定基于Bessel函数的采样时间序列，并根据所述采样时间序列以现行差值形式对所述瞬时功率进行边频率重采样，获取重采样信号；
将p阶Beesel函数的前N个零点分别代入p+1阶的Bessel函数并取绝对值，以构建积分向量；
根据所述积分向量构建变换矩阵，并根据所述变换矩阵对所述重采样信号进行变换，获取重采样变换向量；
根据所述重采样变换向量和积分向量确定系数向量；
选取所述系数向量中的前预设个数的系数数据，并利用选取的系数数据和伺服电机在正常动作下的系数平均值确定伺服电机定子故障状态指标。
优选地，其中所述根据所述电流信号和电压信号计算伺服电机动作的瞬时功率，包括：
其中，P为伺服电机动作的瞬时功率；I d和I q分别为伺服电机在d轴和q轴的电流信号；U d和U q分别为伺服电机在d轴和q轴的电压信号；M为每组数据的向量长度。
优选地，其中所述将p阶Beesel函数的前N个零点分别代入p+1阶的Bessel函数并取绝对值，以构建积分向量，包括：
J p+1＝|Jp+1(α)|＝[|Jp+1(αp1)|,...,|Jp+1(αpN)|]，
其中，J p+1为积分向量；Jp+1为p+1阶的Bessel函数；α＝[αp1,...,αpN]为零点向量。
优选地，其中所述根据所述积分向量构建变换矩阵，并根据所述变换矩阵对所述重采样信号进行变换，获取重采样变换向量，包括：
其中，F为重采样变换向量；T为变换矩阵；f为重采样信号；K 1和K 2分别为第一系数向量和第二系数向量；*表示普通的矩阵乘法，
表示向量元素对应相乘，
表示向量元素对应相除。
优选地，其中所述根据所述重采样变换向量和积分向量确定系数向量，包括：
其中，c＝[c1,...,cN]为系数向量；F为重采样变换向量；J p+1为积分向量；R为瞬时功率采样时长；
表示向量元素对应相除。
优选地，其中所述利用选取的系数数据和伺服电机在正常动作下的系数平均值确定伺服电机定子故障状态指标，包括：
其中，Index为伺服电机定子故障状态指标；Ng为预设个数；cn为系数向量c＝[c1,...,cN]中的第n个元素；I0为伺服电机在正常动作下的系数平均值。
优选地，其中所述方法还包括：
将所述伺服电机定子故障状态指标和预设的正常状态及不同定子绕组短路故障比例程度下的故障状态指标进行匹配，以确定伺服电机定子故障。
根据本发明的另一个方面，提供了一种基于级数分解确定伺服电机定子故障状态指标的系统，所述系统包括：
瞬时功率计算单元，用于获取伺服电机分别在d轴和q轴的电流信号和电压信号，并根据所述电流信号和电压信号计算伺服电机动作的瞬时功率：
重采样信号获取单元，用于根据重采样数和瞬时功率采样时长确定基于Bessel函数的采样时间序列，并根据所述采样时间序列以现行差值形式对所述瞬时功率进行边频率重采样，获取重采样信号；
积分向量构建单元，用于将p阶Beesel函数的前N个零点分别代入p+1阶的Bessel函数并取绝对值，以构建积分向量；
重采样变换向量获取单元，用于根据所述积分向量构建变换矩阵，并根据所述变换矩阵对所述重采样信号进行变换，获取重采样变换向量；
系数向量确定单元，用于根据所述重采样变换向量和积分向量确定系数向量；
定子故障状态指标确定单元，用于选取所述系数向量中的前预设个数的系数数据，并利用选取的系数数据和伺服电机在正常动作下的系数平均值确定伺服电机定子故障状态指标。
优选地，其中所述瞬时功率计算单元，根据所述电流信号和电压信号计算伺服电机动作的瞬时功率，包括：
其中，P为伺服电机动作的瞬时功率；I d和I q分别为伺服电机在d轴和q轴的电流信号；U d和U q分别为伺服电机在d轴和q轴的电压信号；M为每组数据的向量长度。
优选地，其中所述积分向量构建单元，将p阶Beesel函数的前N个零点分别代入p+1阶的Bessel函数并取绝对值，以构建积分向量，包括：
J p+1＝|Jp+1(α)|＝[|Jp+1(αp1)|,...,|Jp+1(αpN)|]，
其中，J p+1为积分向量；Jp+1为p+1阶的Bessel函数；α＝[αp1,...,αpN]为零点向量。
优选地，其中所述重采样变换向量获取单元，根据所述积分向量构建变换矩阵，并根据所述变换矩阵对所述重采样信号进行变换，获取重采样变换向量，包括：
其中，F为重采样变换向量；T为变换矩阵；f为重采样信号；K 1和K 2分别为第一系数向量和第二系数向量；*表示普通的矩阵乘法，
表示向量元素对应相乘，
表示向量元素对应相除。
优选地，其中所述系数向量确定单元，根据所述重采样变换向量和积分向量确定系数向量，包括：
其中，c＝[c1,...,cN]为系数向量；F为重采样变换向量；J p+1为积分向量；R为瞬时功率采样时长；
表示向量元素对应相除。
优选地，其中所述定子故障状态指标确定单元，利用选取的系数数据和伺服电机在正常动作下的系数平均值确定伺服电机定子故障状态指标，包括：
其中，Index为伺服电机定子故障状态指标；Ng为预设个数；cn为系数向量c＝[c1,...,cN]中的第n个元素；I0为伺服电机在正常动作下的系数平均值。
优选地，其中所述系统还包括：
伺服电机定子故障确定单元，用于将所述伺服电机定子故障状态指标和预设的正常状态及不同定子绕组短路故障比例程度下的故障状态指标进行匹配，以确定伺服电机定子故障。
本发明提供了一种基于级数分解确定伺服电机定子故障状态指标的方法及系统，无需多周期稳态信号采集，仅通过采集伺服电机动作过程中的电压信号和电流信号实现瞬态的状态监测分析，解决了伺服电机特有工况的测量问题；利用重采样变换向量和积分向量实现状态信息的非稳态特征提取，并且分解系数具备明确的物理意义，解决了短时长信号的波形分析问题；充分利用非稳态信号分解特征系数，确定伺服电机定子故障状态指标，能够实现伺服电机状态及其变化趋势的指标描述，并且能够根据伺服电机定子故障状态指标快速地确定伺服电机定子故障。
附图说明
通过参考下面的附图，可以更为完整地理解本发明的示例性实施方式：
图1为根据本发明实施方式的基于级数分解确定伺服电机定子故障状态指标的方法100的流程图；
图2为根据本发明实施方式的某伺服电机仿真模型动作过程中电压和电流典型波形示意图；
图3为根据本发明实施方式的正常状态及不同定子绕组短路故障比例程度下的故障状态指标图；以及
图4为根据本发明实施方式的基于级数分解确定伺服电机定子故障状态指标的系统400的结构示意图。
具体实施方式
现在参考附图介绍本发明的示例性实施方式，然而，本发明可以用许多不同的形式来实施，并且不局限于此处描述的实施例，提供这些实施例是为了详尽地且完全地公开本发明，并且向所属技术领域的技术人员充分传达本发明的范围。对于表示在附图中的示例性实施方式中的术语并不是对本发明的限定。在附图中，相同的单元/元件使用相同的附图标记。
除非另有说明，此处使用的术语(包括科技术语)对所属技术领域的技术人员具有通常的理解含义。另外，可以理解的是，以通常使用的词典限定的术语，应当被理解为与其相关领域的语境具有一致的含义，而不应该被理解为理想化的或过于正式的意义。
图1为根据本发明实施方式的基于级数分解确定伺服电机定子故障状态指标的方法100的流程图。如图1所示，本发明实施方式提供的基于级数分解确定伺服电机定子故障状态指标的方法，无需多周期稳态信号采集，仅通过采集伺服电机动作过程中的电压信号和电流信号实现瞬态的状态监测分析，解决了伺服电机特有工况的测量问题；利用重采样变换向量和积分向量实现状态信息的非稳态特征提取，并且分解系数具备明确的物理意义，解决了短时长信号的波形分析问题；充分利用非稳态信号分解特征系数，确定伺服电机定子故障状态指标，能够实现伺服电机状态及其变化趋势的指标描述，并且能够根据伺服电机定子故障状态指标快速地确定伺服电机定子故障。本发明实施方式提供的基于级数分解确定伺服电机定子故障状态指标的方法100，从步骤101处开始，在步骤101获取伺服电机分别在d轴和q轴的电流信号和电压信号，并根据所述电流信号和电压信号计算伺服电机动作的瞬时功率。
优选地，其中所述根据所述电流信号和电压信号计算伺服电机动作的瞬时功率，包括：
其中，P为伺服电机动作的瞬时功率；I d和I q分别为伺服电机在d轴和q轴的电流信号；U d和U q分别为伺服电机在d轴和q轴的电压信号；M为每组数据的向量长度。
在本发明的实施方式中，首先进行等间距采样，由伺服控制器获得伺服电机分别在dq轴的电流I d、I q以及对应的dq轴电压U d、U q，每组数据向量长度为M，并利用如下公式计算电机动作过程的瞬时功率：
其中，
在步骤102，根据重采样数和瞬时功率采样时长确定基于Bessel函数的采样时间序列，并根据所述采样时间序列以现行差值形式对所述瞬时功率进行边频率重采样，获取重采样信号。
在本发明的实施方式中，确认重采样点数为N，瞬时功率采集时长R，根据重采样数和瞬时功率采样时长确定基于Bessel函数的采样时间序列为：
然后，在上述时间点上，以线性插值形式对功率信号P进行变频率重采样，获得重采样后的信号f，此时向量长度为N。其中，αpn(n＝1,2,3…,N)为p阶Bessel函数的零点，αp,N+1为p阶Bessel函数的第N+1个零点。
在步骤103，将p阶Beesel函数的前N个零点分别代入p+1阶的Bessel函数并取绝对值，以构建积分向量。
优选地，其中所述将p阶Beesel函数的前N个零点分别代入p+1阶的Bessel函数并取绝对值，以构建积分向量，包括：
J p+1＝|Jp+1(α)|＝[|Jp+1(αp1)|,...,|Jp+1(αpN)|]，
其中，J p+1为积分向量；Jp+1为p+1阶的Bessel函数；α＝[αp1,...,αpN]为零点向量。
在步骤104，根据所述积分向量构建变换矩阵，并根据所述变换矩阵对所述重采样信号进行变换，获取重采样变换向量。
优选地，其中所述根据所述积分向量构建变换矩阵，并根据所述变换矩阵对所述重采样信号进行变换，获取重采样变换向量，包括：
其中，F为重采样变换向量；T为变换矩阵；f为重采样信号；K 1和K 2分别为第一系数向量和第二系数向量；*表示普通的矩阵乘法，
表示向量元素对应相乘，
表示向量元素对应相除。
在步骤105，根据所述重采样变换向量和积分向量确定系数向量。
优选地，其中所述根据所述重采样变换向量和积分向量确定系数向量，包括：
其中，c＝[c1,...,cN]为系数向量；F为重采样变换向量；J p+1为积分向量；R为瞬时功率采样时长；
表示向量元素对应相除。
在步骤106，选取所述系数向量中的前预设个数的系数数据，并利用选取的系数数据和伺服电机在正常动作下的系数平均值确定伺服电机定子故障状态指标。
优选地，其中所述利用选取的系数数据和伺服电机在正常动作下的系数平均值确定伺服电机定子故障状态指标，包括：
其中，Index为伺服电机定子故障状态指标；Ng为预设个数；cn为系数向量c＝[c1,...,cN]中的第n个元素；I0为伺服电机在正常动作下的系数平均值。
在本发明的实施方式中，选取截断点Ng，即预设个数，并将选取的预设个数的系数向量代入状态指标计算公式Index，以确定伺服电机定子故障状态指标。其中，该状态指标数值与电机定子故障程度相关，并且随故障程度的严重而增加。状态指标计算公式为：
其中，Ng为截断点参数，根据实际需求设定，例如可选择总点数的一半；I0伺服电机在正常动作下的系数平均值。在实际的工程中，I0可以通过事先测试得到多台正常电机的系数数值进行平均计算得到。
优选地，其中所述方法还包括：
将所述伺服电机定子故障状态指标和预设的正常状态及不同定子绕组短路故障比例程度下的故障状态指标进行匹配，以确定伺服电机定子故障。
以下具体举例说明本发明的实施方式
在本发明的实施方中，以永磁电机伺服系统的仿真数据为例，分别搭建正常及定子绕组匝间短路的故障模型，并在空载下实现以转子磁场定向Id＝0控制的位置伺服控制策略，令位置由0度变化至45度。确定伺服电机定子故障状态指标的步骤包括：
步骤1：等间距采样。由伺服控制器获得dq轴电流I d、I q以及对应的dq轴电压U d、U q，时长0.2s，每组数据向量长度为M＝1000，在此过程中，伺服电机空载完成角度伺服动作，其典型波形如图2所示。计算电机动作过程的瞬时功率为：
其中，
I d＝[id1,...,idM] I q＝[iq1,...,iqm]
U d＝[ud1,...,udM] U q＝[uq1,...,uqm] (2)
步骤2：标准变频重采样。确认重采样点数为N＝1280，瞬时功率采集时长R＝0.2s，在式(3)描述的时间点上，以线性插值形式对功率信号P进行变频率重采样，获得重采样后的信号f，此时向量长度为N。
其中，αpn(n＝1,2,3…,N)为p阶Bessel函数的零点，αp,N+1＝4022为p阶Bessel函数的第N+1个零点。
步骤3：构建积分向量。将p＝1阶Beesel函数的前1280个零点分别代入2阶的Bessel函数J2并取绝对值，则积分向量为：
J 2＝|J2(α)|＝[|J2(αp1)|,...,|J2(αpN)|]
＝[7.8125×10-4,....,0.0126] (4)
其中，定义零点向量为：
α＝[αp1,...,αpN]＝[0,...,4.0189×103] (5)
步骤4：确定重采样变换向量。首先，构建变换矩阵T为：
进一步，对重采样信号f进行变换，得到重采样变换向量F为：
系数向量K 1、K 2的计算公式如下：
其中，*表示普通的矩阵乘法，
表示向量元素对应相乘，
表示向量元素对应相除。
步骤5：Fourier-Bessel系数向量的计算。将重采样变换向量F以及积分向量J p+1代入下式，计算可得系数向量：
其中，
表示向量元素对应相除，R为原始数据采集时长，系数向量为：
c＝[c1,...,c1280]＝[0,3.6984,19.3409,...,-0.0330] (10)
步骤6：计算伺服电机定子故障状态指标。选择截断点Ng＝640，并将系数向量中的前640个元素代入定子故障状态指标计算公式(11)，以确定定子故障状态指标Index。
其中，该指标数值与电机定子故障程度相关，并且随故障程度的严重而增加。在实际的工程中，I0可以通过事先测试得到多台正常电机的数值进行平均计算得到，这里通过仿真结果得到I0＝0.824。
步骤7：确定伺服电机定子故障。在本发明中，基于电机参数与运行工况，构建仿真模型获得正常状态及不同定子绕组短路故障比例程度下的故障状态指标Index的变化数据曲线，并以该曲线作为指标评价依据。如图3所示，分别示出了正常及绕组短路故障比例为10％、12.5％、15％、17.5％、20％、22.5％以及25％情况下的定子故障状态指标。在确定了某伺服电机的定子故障状态指标后，将所述伺服电机定子故障状态指标和正常状态及不同定子绕组短路故障比例程度下的故障状态指标Index的变化数据曲线中正常状态及不同定子绕组短路故障比例程度下的故障状态指标进行匹配，即可确定伺服电机定子故障。
图4为根据本发明实施方式的基于级数分解确定伺服电机定子故障状态指标的系统400的结构示意图。如图4所示，本发明实施方式提供的基于级数分解确定伺服电机定子故障状态指标的系统400，包括：瞬时功率计算单元401、重采样信号获取单元402、积分向量构建单元403、重采样变换向量获取单元404、系数向量确定单元405和定子故障状态指标确定单元406。
优选地，所述瞬时功率计算单元401，用于获取伺服电机分别在d轴和q轴的电流信号和电压信号，并根据所述电流信号和电压信号计算伺服电机动作的瞬时功率。
优选地，其中所述瞬时功率计算单元401，根据所述电流信号和电压信号计算伺服电机动作的瞬时功率，包括：
其中，P为伺服电机动作的瞬时功率；I d和I q分别为伺服电机在d轴和q轴的电流信号；U d和U q分别为伺服电机在d轴和q轴的电压信号；M为每组数据的向量长度。
优选地，所述重采样信号获取单元402，用于根据重采样数和瞬时功率采样时长确定基于Bessel函数的采样时间序列，并根据所述采样时间序列以现行差值形式对所述瞬时功率进行边频率重采样，获取重采样信号。
优选地，所述积分向量构建单元403，用于将p阶Beesel函数的前N个零点分别代入p+1阶的Bessel函数并取绝对值，以构建积分向量。
优选地，其中所述积分向量构建单元403，将p阶Beesel函数的前N个零点分别代入p+1阶的Bessel函数并取绝对值，以构建积分向量，包括：
J p+1＝|Jp+1(α)|＝[|Jp+1(αp1)|,...,|Jp+1(αpN)|]，
其中，J p+1为积分向量；Jp+1为p+1阶的Bessel函数；α＝[αp1,...,αpN]为零点向量。
优选地，所述重采样变换向量获取单元404，用于根据所述积分向量构建变换矩阵，并根据所述变换矩阵对所述重采样信号进行变换，获取重采样变换向量。
优选地，其中所述重采样变换向量获取单元404，根据所述积分向量构建变换矩阵，并根据所述变换矩阵对所述重采样信号进行变换，获取重采样变换向量，包括：
其中，F为重采样变换向量；T为变换矩阵；f为重采样信号；K 1和K 2分别为第一系数向量和第二系数向量；*表示普通的矩阵乘法，
表示向量元素对应相乘，
表示向量元素对应相除。
优选地，其中所述系数向量确定单元405，根据所述重采样变换向量和积分向量确定系数向量，包括：
其中，c＝[c1,...,cN]为系数向量；F为重采样变换向量；J p+1为积分向量；R为瞬时功率采样时长；
表示向量元素对应相除。
优选地，所述系数向量确定单元405，用于根据所述重采样变换向量和积分向量确定系数向量。
优选地，所述定子故障状态指标确定单元406，用于选取所述系数向量中的前预设个数的系数数据，并利用选取的系数数据和伺服电机在正常动作下的系数平均值确定伺服电机定子故障状态指标。
优选地，其中所述定子故障状态指标确定单元，利用选取的系数数据和伺服电机在正常动作下的系数平均值确定伺服电机定子故障状态指标，包括：
其中，Index为伺服电机定子故障状态指标；Ng为预设个数；cn为系数向量c＝[c1,...,cN]中的第n个元素；I0为伺服电机在正常动作下的系数平均值。
优选地，其中所述系统还包括：伺服电机定子故障确定单元，用于将所述伺服电机定子故障状态指标和预设的正常状态及不同定子绕组短路故障比例程度下的故障状态指标进行匹配，以确定伺服电机定子故障。
本发明的实施例的基于级数分解确定伺服电机定子故障状态指标的系统400与本发明的另一个实施例的基于级数分解确定伺服电机定子故障状态指标的方法100相对应，在此不再赘述。
已经通过参考少量实施方式描述了本发明。然而，本领域技术人员所公知的，正如附带的专利权利要求所限定的，除了本发明以上公开的其他的实施例等同地落在本发明的范围内。
通常地，在权利要求中使用的所有术语都根据他们在技术领域的通常含义被解释，除非在其中被另外明确地定义。所有的参考“一个/所述/该[装置、组件等]”都被开放地解释为所述装置、组件等中的至少一个实例，除非另外明确地说明。这里公开的任何方法的步骤都没必要以公开的准确的顺序运行，除非明确地说明。
本领域内的技术人员应明白，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。
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。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置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。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供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步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。
Claims (14)
1.一种基于级数分解确定伺服电机定子故障状态指标的方法，其特征在于，所述方法包括：
获取伺服电机分别在d轴和q轴的电流信号和电压信号，并根据所述电流信号和电压信号计算伺服电机动作的瞬时功率：
根据重采样数和瞬时功率采样时长确定基于Bessel函数的采样时间序列，并根据所述采样时间序列以现行差值形式对所述瞬时功率进行边频率重采样，获取重采样信号；
将p阶Beesel函数的前N个零点分别代入p+1阶的Bessel函数并取绝对值，以构建积分向量；
根据所述积分向量构建变换矩阵，并根据所述变换矩阵对所述重采样信号进行变换，获取重采样变换向量；
根据所述重采样变换向量和积分向量确定系数向量；
选取所述系数向量中的前预设个数的系数数据，并利用选取的系数数据和伺服电机在正常动作下的系数平均值确定伺服电机定子故障状态指标。
2.根据权利要求1所述的方法，其特征在于，所述根据所述电流信号和电压信号计算伺服电机动作的瞬时功率，包括：
I d＝[id1,...,idM] I q＝[iq1,...,iqm]
U d＝[ud1,...,udM] U q＝[uq1,...,uqm]，
其中，P为伺服电机动作的瞬时功率；I d和I q分别为伺服电机在d轴和q轴的电流信号；U d和U q分别为伺服电机在d轴和q轴的电压信号；M为每组数据的向量长度。
3.根据权利要求1所述的方法，其特征在于，所述将p阶Beesel函数的前N个零点分别代入p+1阶的Bessel函数并取绝对值，以构建积分向量，包括：
J p+1＝|Jp+1(α)|＝[|Jp+1(αp1)|,...,|Jp+1(αpN)|]，
其中，J p+1为积分向量；Jp+1为p+1阶的Bessel函数；α＝[αp1,...,αpN]为零点向量。
4.根据权利要求3所述的方法，其特征在于，所述根据所述积分向量构建变换矩阵，并根据所述变换矩阵对所述重采样信号进行变换，获取重采样变换向量，包括：
其中，F为重采样变换向量；T为变换矩阵；f为重采样信号；K 1和K 2分别为第一系数向量和第二系数向量；*表示普通的矩阵乘法，
表示向量元素对应相乘，
表示向量元素对应相除。
5.根据权利要求1所述的方法，其特征在于，所述根据所述重采样变换向量和积分向量确定系数向量，包括：
其中，c＝[c1,...,cN]为系数向量；F为重采样变换向量；J p+1为积分向量；R为瞬时功率采样时长；
表示向量元素对应相除。
6.根据权利要求1所述的方法，其特征在于，所述利用选取的系数数据和伺服电机在正常动作下的系数平均值确定伺服电机定子故障状态指标，包括：
其中，Index为伺服电机定子故障状态指标；Ng为预设个数；cn为系数向量c＝[c1,...,cN]中的第n个元素；I0为伺服电机在正常动作下的系数平均值。
7.根据权利要求1所述的方法，其特征在于，所述方法还包括：
将所述伺服电机定子故障状态指标和预设的正常状态及不同定子绕组短路故障比例程度下的故障状态指标进行匹配，以确定伺服电机定子故障。
8.一种基于级数分解确定伺服电机定子故障状态指标的系统，其特征在于，所述系统包括：
瞬时功率计算单元，用于获取伺服电机分别在d轴和q轴的电流信号和电压信号，并根据所述电流信号和电压信号计算伺服电机动作的瞬时功率：
重采样信号获取单元，用于根据重采样数和瞬时功率采样时长确定基于Bessel函数的采样时间序列，并根据所述采样时间序列以现行差值形式对所述瞬时功率进行边频率重采样，获取重采样信号；
积分向量构建单元，用于将p阶Beesel函数的前N个零点分别代入p+1阶的Bessel函数并取绝对值，以构建积分向量；
重采样变换向量获取单元，用于根据所述积分向量构建变换矩阵，并根据所述变换矩阵对所述重采样信号进行变换，获取重采样变换向量；
系数向量确定单元，用于根据所述重采样变换向量和积分向量确定系数向量；
定子故障状态指标确定单元，用于选取所述系数向量中的前预设个数的系数数据，并利用选取的系数数据和伺服电机在正常动作下的系数平均值确定伺服电机定子故障状态指标。
9.根据权利要求8所述的系统，其特征在于，所述瞬时功率计算单元，根据所述电流信号和电压信号计算伺服电机动作的瞬时功率，包括：
I d＝[id1,...,idM] I q＝[iq1,...,iqm]
U d＝[ud1,...,udM] U q＝[uq1,...,uqm]，
其中，P为伺服电机动作的瞬时功率；I d和I q分别为伺服电机在d轴和q轴的电流信号；U d和U q分别为伺服电机在d轴和q轴的电压信号；M为每组数据的向量长度。
10.根据权利要求8所述的系统，其特征在于，所述积分向量构建单元，将p阶Beesel函数的前N个零点分别代入p+1阶的Bessel函数并取绝对值，以构建积分向量，包括：
J p+1＝|Jp+1(α)|＝[|Jp+1(αp1)|,...,|Jp+1(αpN)|]，
其中，J p+1为积分向量；Jp+1为p+1阶的Bessel函数；α＝[αp1,...,αpN]为零点向量。
11.根据权利要求10所述的系统，其特征在于，所述重采样变换向量获取单元，根据所述积分向量构建变换矩阵，并根据所述变换矩阵对所述重采样信号进行变换，获取重采样变换向量，包括：
其中，F为重采样变换向量；T为变换矩阵；f为重采样信号；K 1和K 2分别为第一系数向量和第二系数向量；*表示普通的矩阵乘法，
表示向量元素对应相乘，
表示向量元素对应相除。
12.根据权利要求8所述的系统，其特征在于，所述系数向量确定单元，根据所述重采样变换向量和积分向量确定系数向量，包括：
其中，c＝[c1,...,cN]为系数向量；F为重采样变换向量；J p+1为积分向量；R为瞬时功率采样时长；
表示向量元素对应相除。
13.根据权利要求8所述的系统，其特征在于，所述定子故障状态指标确定单元，利用选取的系数数据和伺服电机在正常动作下的系数平均值确定伺服电机定子故障状态指标，包括：
其中，Index为伺服电机定子故障状态指标；Ng为预设个数；cn为系数向量c＝[c1,...,cN]中的第n个元素；I0为伺服电机在正常动作下的系数平均值。
14.根据权利要求8所述的系统，其特征在于，所述系统还包括：
伺服电机定子故障确定单元，用于将所述伺服电机定子故障状态指标和预设的正常状态及不同定子绕组短路故障比例程度下的故障状态指标进行匹配，以确定伺服电机定子故障。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010619427.5A CN111917360B (zh) | 2020-06-30 | 2020-06-30 | 基于级数分解确定伺服电机定子故障状态指标的方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010619427.5A CN111917360B (zh) | 2020-06-30 | 2020-06-30 | 基于级数分解确定伺服电机定子故障状态指标的方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111917360A true CN111917360A (zh) | 2020-11-10 |
| CN111917360B CN111917360B (zh) | 2023-05-05 |
Family
ID=73227113
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010619427.5A Active CN111917360B (zh) | 2020-06-30 | 2020-06-30 | 基于级数分解确定伺服电机定子故障状态指标的方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111917360B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110022375A1 (en) * | 2007-11-14 | 2011-01-27 | Universite Henri Poincare Nancy 1 | Method for reconstructing a signal from distorted experimental measurements and device for its implementation |
| CN102135600A (zh) * | 2011-01-28 | 2011-07-27 | 中国人民解放军海军潜艇学院 | 异步电动机故障检测装置及方法 |
| CN104777396A (zh) * | 2015-03-12 | 2015-07-15 | 浙江大学 | 一种综合考虑电机电流和电压的转子故障诊断方法 |
| CN106533303A (zh) * | 2016-10-27 | 2017-03-22 | 国网重庆市电力公司电力科学研究院 | 一种永磁无刷直流电机驱动器控制方法 |
| 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 |
| CN107505500A (zh) * | 2017-08-09 | 2017-12-22 | 国网山东省电力公司经济技术研究院 | Gis内电子式互感器积分方法 |
| CN109186964A (zh) * | 2018-07-28 | 2019-01-11 | 华中科技大学 | 基于角度重采样与roc-svm的旋转机械故障诊断方法 |
| EP3492944A1 (en) * | 2017-12-01 | 2019-06-05 | Origin Wireless, Inc. | Apparatus, systems and methods for event detection and recognition based on a wireless signal |
| CN111256993A (zh) * | 2018-11-30 | 2020-06-09 | 中国电力科学研究院有限公司 | 一种风电机组主轴承故障类型诊断方法及系统 |
-
2020
- 2020-06-30 CN CN202010619427.5A patent/CN111917360B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110022375A1 (en) * | 2007-11-14 | 2011-01-27 | Universite Henri Poincare Nancy 1 | Method for reconstructing a signal from distorted experimental measurements and device for its implementation |
| CN102135600A (zh) * | 2011-01-28 | 2011-07-27 | 中国人民解放军海军潜艇学院 | 异步电动机故障检测装置及方法 |
| CN104777396A (zh) * | 2015-03-12 | 2015-07-15 | 浙江大学 | 一种综合考虑电机电流和电压的转子故障诊断方法 |
| CN106533303A (zh) * | 2016-10-27 | 2017-03-22 | 国网重庆市电力公司电力科学研究院 | 一种永磁无刷直流电机驱动器控制方法 |
| 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 |
| CN107505500A (zh) * | 2017-08-09 | 2017-12-22 | 国网山东省电力公司经济技术研究院 | Gis内电子式互感器积分方法 |
| EP3492944A1 (en) * | 2017-12-01 | 2019-06-05 | Origin Wireless, Inc. | Apparatus, systems and methods for event detection and recognition based on a wireless signal |
| CN109186964A (zh) * | 2018-07-28 | 2019-01-11 | 华中科技大学 | 基于角度重采样与roc-svm的旋转机械故障诊断方法 |
| CN111256993A (zh) * | 2018-11-30 | 2020-06-09 | 中国电力科学研究院有限公司 | 一种风电机组主轴承故障类型诊断方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111917360B (zh) | 2023-05-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Rafaq et al. | A comprehensive review of state-of-the-art parameter estimation techniques for permanent magnet synchronous motors in wide speed range | |
| Ruiz et al. | Detection of demagnetization faults in permanent-magnet synchronous motors under nonstationary conditions | |
| CN107783006B (zh) | 水轮发电机转子绕组匝间短路故障检测方法 | |
| CN110579682A (zh) | 一种故障录波数据暂态同源对比方法及装置 | |
| CN109477869B (zh) | 电动机的诊断装置 | |
| CN106452247B (zh) | 一种永磁同步电机转动惯量辨识的方法及装置 | |
| EP3147681A1 (en) | Rotary machine diagnostic system | |
| Orlowska-Kowalska et al. | Rotor fault analysis in the sensorless field oriented controlled induction motor drive | |
| CN112729832B (zh) | 一种表贴式永磁同步电机轴承故障程度评价方法及装置 | |
| CN112906268B (zh) | 一种ybco高温超导单元失超电阻率的计算方法及系统 | |
| CN110161344A (zh) | 基于尺度分解的变压器振声检测信号滤波方法和系统 | |
| Hosseini et al. | Stator fault diagnosis of a bldc motor based on discrete wavelet analysis using ADAMS simulation | |
| Tabora et al. | Electric Motor Degradation Indicator in Non-Ideal Supply Conditions | |
| CN106124081A (zh) | 永磁同步电机精确多点实时测温方法及系统 | |
| Boboń et al. | Determination of synchronous generator nonlinear model parameters based on power rejection tests using a gradient optimization algorithm | |
| CN111917360B (zh) | 基于级数分解确定伺服电机定子故障状态指标的方法及系统 | |
| CN112671307B (zh) | 一种表贴式永磁同步电机退磁程度评价方法及装置 | |
| Belahcen et al. | Condition monitoring of electrical machines and its relation to industrial internet | |
| Enany et al. | A remote and sensorless stator winding temperature estimation method for thermal protection for induction motor | |
| EP2541757A9 (en) | Control device and method for controlling an electric machine | |
| Kołodziejek et al. | Broken rotor symptoms in the sensorless control of induction machine | |
| CN104267243A (zh) | 同步发电机内电势和电抗参数的测量方法及装置 | |
| Dziubiński et al. | Simulation tests of the starting system | |
| Kamala et al. | Electrical signature analysis (ESA) of a fault injection capable synchronous generator for inter-turn stator faults | |
| Finney et al. | Electromagnetic torque from event report data—A measure of machine performance |
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 |