CN112098836B - 一种基于电气畸变分析的电动机非稳数据排除方法及系统 - Google Patents

Abstract

本发明公开了一种基于电气畸变分析的电动机非稳数据排除方法及系统，包括：根据现场信号采集端的电磁干扰大小设置电动机运行状态阈值数据，判断当前电动机状态；利用限幅滤波及二级阶跃限幅滤波算法，滤波数据并提取电动机运行状态的特征；捕获电动机时刻特征点，计算电动机启动开始、启动结束、停止开始、停止结束时刻，判断当前采样数据稳定运行数据长度并分析鉴别当前时刻数据，保留高质量数据。本发明为电动机故障诊断及预测任务提供高质量的采样数据，有效改善了电动机故障诊断与预测系统等电动机在线监测系统在实际应用中因数据质量低下造成故障误判及漏判、故障演变趋势不准确等问题，提高了这类系统在工程实际中的应用价值。

Description

一种基于电气畸变分析的电动机非稳数据排除方法及系统

技术领域

本发明涉及电动机故障诊断及预警、在线监测、模块化应用的技术领域，尤其涉及一种基于电气畸变分析的电动机非稳数据排除方法及系统。

背景技术

随着智能化水平的不断提高，各类电动机在工程中得到了广泛应用，如何对其进行合理监测成为专家研究的重点议题。目前，各大工业领域均在架构及研发电动机在线监测系统，来提高厂区关键电动机的运检任务的智能化及自动化水平。电动机的运行状态不同于机械设备，机械设备往往是满功率运行，监测任务相对简单直观，而电动机一般是半载运行，频繁启停，复杂的运行条件决定了其监测任务的复杂性。且，对电动机的在线监测一般采用数据定时采集及分析的策略，这种数据采集方式往往会收集到诸如电动机启动阶段、停止阶段、停机阶段等低质量数据。系统内的故障诊断或者监测算法往往无法针对此类数据进行分析，造成电动机故障检测及诊断的误判及漏判。针对此类问题，有研究人员通过收集超过电动机启动或停止时长两倍以上的数据，再从中寻找相对平稳的一段满足分析需要的数据，在一定程度上解决了这一问题。不过，无法解决数据中只存在现场电磁干扰、同时包含停机、开机、稳定运行等复杂数据类型，超长的采集数据造成了数据采集设备与系统内存的极大压力。据不完全统计，因数据质量低下导致电动机在线监测系统造成误诊及漏诊的事件，占总误判事件的一半以上，这也是电动机在线监测系统难以推广的主要因素之一。

发明内容

本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

鉴于上述现有技术存在的问题，提出了本发明。

因此，本发明解决的技术问题是：解决由于电动机频繁启停机、变负载等数据采集质量低下造成电动机在线监测系统对电动机运行状态的误判及漏检。

为解决上述技术问题，本发明提供如下技术方案：根据现场信号采集端的电磁干扰大小设置电动机运行状态阈值数据，判断当前电动机是否处于停机状态；基于所述判断，利用限幅滤波及二级阶跃限幅滤波算法，滤波所述数据并提取电动机运行状态的特征；利用所述两级联动滤波后特征提取数据，捕获电动机启动结束时刻及停止开始时刻特征点；根据所述特征点，计算所述电动机启动开始、启动结束、停止开始、停止结束时刻，判断当前采样数据稳定运行数据长度并分析鉴别当前时刻数据，保留高质量数据，并将结果输入到电动机在线监测系统。

作为本发明所述的基于电气畸变分析的电动机非稳数据排除方法的一种优选方案，其中：所述电机运行状态的判断包括，

其中，T表示满足条件的R值总数，θ表示电机运行状态阈值，n表示有效值R的总个数。

作为本发明所述的基于电气畸变分析的电动机非稳数据排除方法的一种优选方案，其中：所述采样数据的判断依据包括，

其中，Ta表示系统需要的最小采样时间。

作为本发明所述的基于电气畸变分析的电动机非稳数据排除方法的一种优选方案，其中：有效值一级限幅滤波后数据R'包括，

其中，{i＝1,2,3,…,n}，n大小与R中元素总数相同，I_额定表示电动机额定电流，I_空载表示电动机空载电流。

作为本发明所述的基于电气畸变分析的电动机非稳数据排除方法的一种优选方案，其中：二级阶跃限幅滤波所述R^′包括，

R″_i＝[(R′_i+R′_i+3)/(R′_i+1+R′_i+2)]

其中，{i＝1,2,3,…,n-3}，n大小与R中元素总数相同，γ₁与γ₂表示阶跃下限与上限，R″表示滤波后数据。

作为本发明所述的基于电气畸变分析的电动机非稳数据排除方法的一种优选方案，其中：电气畸变波形特征D包括，

D_i＝R″_i+1-R″_i

其中，{i＝1,2,3,…,n1-1}，n1表示R″中元素总数。

作为本发明所述的基于电气畸变分析的电动机非稳数据排除方法的一种优选方案，其中：提取特征T_启结、T_停开包括，

其中，ε表示电气畸变阈值，ε表示大于0.9且小于1的常数，T_启结、T_启结表示最大值δ₁与最小值δ₂的引索。

作为本发明所述的基于电气畸变分析的电动机非稳数据排除方法的一种优选方案，其中：高质量采样数据判断原则包括，当前无启动及停机阶段数据，所述采样数据为高质量采样数据，可直接使用；当前具有停机阶段数据，需对所述数据进行二级判断。

作为本发明所述的基于电气畸变分析的电动机非稳数据排除方法的一种优选方案，其中：保留高质量采样数据判断原则包括，定义T_启结＝T_停开＝0，则当前无启动及停机阶段数据；定义T_启结＝0,T_停开≠0、T_启结≠0,T_停开＝0、T_启结≠0,T_停开≠0，则当前具有停机阶段数据，需对该数据进行二级判断。

作为本发明所述的基于电气畸变分析的电动机非稳数据排除系统的一种优选方案，其中：运行状态捕捉模块通过接收电动机某一相定子电流信息，并进行不小于一周波的有效值计算，设置电动机运行状态阈值，用于捕捉电动机运行状态，并标注电机启动及停止标签；两级联动滤波模块利用运行状态捕捉模块计算所得电流有效值，并对数据进行滤波及对电动机运行状态的特征提取；电气畸变波形分析模块利用两级联动滤波模块滤波后数据捕捉电动机启动结束阶段与停止开始阶段特征；高质量数据抓取模块连接于电气畸变波形分析模块综合判断相对稳定阶段数据，为电动机故障诊断、预测等需要平稳数据的任务提供可靠的电气量数据。

本发明的有益效果：本发明综合鉴别电动机各类故障诊断及预测系统当前时间段采样数据是否满足系统需要，为电动机故障诊断及预测任务提供高质量的采样数据，有效改善了电动机故障诊断与预测系统等电动机在线监测系统在实际应用中因数据质量低下造成故障误判及漏判、故障演变趋势不准确等问题，提高了这类系统在工程实际中的应用价值。利用本发明所述的方法及模块，可方便的嵌入各类电动机在线监测系统，且该模块不限于某一类型电动机，具有超强的移植能力。随着智能工厂的逐步开展及普及，电动机在线监测系统应用也会越来越多，这类基于数据驱动的监测系统，必须保证采样数据的高质量，否则该监测系统误判率会一直居高不下，使该系统的监测流于形式。因此，本发明所述的一种基于电气畸变分析的电动机非稳数据排除方法及模块具有广阔的应用前景。

附图说明

为了更清楚地说明本发明实施例的技术方案，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性的前提下，还可以根据这些附图获得其它的附图。其中：

图1为本发明的一个实施例提供一种基于电气畸变分析的电动机非稳数据排除方法及系统的电气畸变波形分析的电动机非稳数据排除模块流程图；

图2为本发明的一个实施例提供一种基于电气畸变分析的电动机非稳数据排除方法及系统的电动机运行状态捕捉模块流程图；

图3为本发明的一个实施例提供一种基于电气畸变分析的电动机非稳数据排除方法及系统的两级联动滤波模块或装置图；

图4为本发明的一个实施例提供一种基于电气畸变分析的电动机非稳数据排除方法及系统的电气畸变波形分析模块流程图；

图5为本发明的一个实施例提供一种基于电气畸变分析的电动机非稳数据排除方法及系统的高质量数据抓取模块流程图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明的保护的范围。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。

其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。

本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。

同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

实施例1

目前，对电动机的监测主要依赖基于各类传感器数据的监测，比如转速、振动、温度、电气量信号，并由这些监测信号组成了各种电动机在线监测系统。其中，由于电气量信号包含电动机故障特性的广泛性及信号的易采性，深受广大学者与工程技术人员的欢迎，以电气量为主要信号的电动机故障诊断技术也应运而生。以这类技术为依托的电动机故障诊断及预警系统，主要通过定时采集一段时间的电气量信号对电动机当前运行状态及故障趋势进行判断，但是这类技术无法在电动机启停机时或者负载频繁波动时进行诊断。许多研究人员通过对信号的长时采集来保证采集数据内包含需要的数据段，不过该技术具有一定的缺点：数据的长时采集会增加采集硬件成本及后台数据库原始数据存储压力，提高系统研发及维护成本。还有研究人员通过对电动机采集数据某一通道的数据进行比较，寻找其中一段表现平稳的数据，该技术的缺点是：若采集数据全部为不平稳数据，那么该算法将失效。数据采集质量的低下，一直是困扰基于电气量的电动机故障诊断及预警系统实用化的难题之一。

参照图1，为本发明的一个实施例，提供了一种基于电气畸变分析的电动机非稳数据排除方法，包括：

S1：根据现场信号采集端的电磁干扰大小设置电动机运行状态阈值数据，判断当前电动机是否处于停机状态。需要说明的是，电机运行状态的判断包括，

其中，T表示满足条件的R值总数，θ表示电机运行状态阈值，n表示有效值R的总个数。

采样数据的判断依据包括，

其中，Ta表示系统需要的最小采样时间。

具体的，信号接收包括如下流程：获取电动机某一相定子电流数据，记作C；计算C中不小于整周波的数据有效值，记作R；设置电机运行状态阈值，并利用下述公式进行电机运行状态判断：

其中，T表示满足条件的R值总数，即电机运行状态时间长度,θ表示电机运行状态阈值，对该阈值取值时需考察所监测电机停机状态的干扰波形大小，n表示有效值R的总个数长度即为采样时间。

利用T判断当前采样数据是否满足需要，有如下判断依据：

其中，Ta表示系统需要的最小采样时间。式中，若判断为低质量采样数据及电机停机，立即返回数据采集器，重新采集数据，若判断运行状态数据，执行后续操作。

进一步的，判断运行状态数据在总采样数据中的运行状态开始及结束时刻，记作T_开、T_止；将上述有效值R，T_开、T_止，传入后续模块，进行下一阶段判断。

S2：基于上述判断，利用限幅滤波及二级阶跃限幅滤波算法，滤波数据并提取电动机运行状态的特征。该步骤中有效值一级限幅滤波后数据R'包括，

其中，{i＝1,2,3,…,n}，n大小与R中元素总数相同，I_额定表示电动机额定电流，I_空载表示电动机空载电流。

二级阶跃限幅滤波R′包括，

R″_i＝[(R′_i+R′_i+3)/(R′_i+1+R′_i+2)]

其中，{i＝1,2,3,…,n-3}，n大小与R中元素总数相同，γ₁与γ₂表示阶跃下限与上限，R″表示滤波后数据。

具体的，其流程包括：根据上述计算所得有效值R；利用以下公式进行有效值一级限幅滤波，滤波后数据R'包括，

其中，{i＝1,2,3,…,n}，n大小与R中元素总数相同，I_额定表示电动机额定电流，I_空载表示电动机空载电流。

进一步的，将R'进行如下公式的二级阶跃限幅滤波，滤波后数据记作R″，

R″_i＝[(R′_i+R′_i+3)/(R′_i+1+R′_i+2)]

其中，{i＝1,2,3,…,n-3}，n大小与R中元素总数相同，γ₁与γ₂表示阶跃下限与上限，对这两个参数设置需根据每台电机的启动及停止特性作为参考。

其中，R″即为电动机运行状态特征，该特征可无视电机负载特性的影响，将电机运行状态体现于“1”附近波动，从而将电机运行特性提取出来，将该参数传入后续模块进行下一阶段计算。

S3：利用两级联动滤波后特征提取数据，捕获电动机启动结束时刻及停止开始时刻特征点。需要说明的是，电气畸变波形特征D包括，

D_i＝R″_i+1-R″_i

其中，{i＝1,2,3,…,n1-1}，n1表示R″中元素总数。

提取特征T_启结、T_停开包括，

其中，ε表示电气畸变阈值，ε表示大于0.9且小于1的常数，T_启结、T_启结表示最大值δ₁与最小值δ₂的引索。

具体的，包括如下流程：接收上述计算中的R″；对该数据进行差分，得到电气畸变波形特征，记作D，

D_i＝R″_i+1-R″_i

其中，{i＝1,2,3,…,n1-1}，n1表示R″中元素总数。

其中，D即为电动机运行状态电气畸变波形特征数据，该特征可包含电动机启动结束特征与电动机停止开始特征，该数据中若存在电动机启动特性，则会存在一个向上的电气畸变波形，若存在电动机停机特性，则会存在一个向下的电气畸变波形，根据这一特性，提取这两个特征，记作T_启结、T_停开，其中：

其中，ε表示电气畸变阈值，该阈值的设定与所监测电动机电气畸变波形特征的畸变水平有关，ε表示大于0.9且小于1的常数，T_启结、T_启结表示最大值δ₁与最小值δ₂的引索。

进一步的，将T_启结、T_停开，传入下一模块进行最终分析。

S4：根据所述特征点，计算所述电动机启动开始、启动结束、停止开始、停止结束时刻，判断当前采样数据稳定运行数据长度并分析鉴别当前时刻数据，保留高质量数据，并将结果输入到电动机在线监测系统。该步骤中高质量采样数据判断原则包括，

定义T_启结＝T_停开＝0，则当前无启动及停机阶段数据；

定义T_启结＝0,T_停开≠0、T_启结≠0,T_停开＝0、T_启结≠0,T_停开≠0，则当前具有停机阶段数据，需对该数据进行二级判断。

具体的，其流程为：获取上述计算所得T_开、T_止及计算所得T_启结、T_停开。

根据T_开、T_止、T_启结、T_停开这四个参数即可完成对电动机当前阶段采集数据进行分析鉴别，将非稳数据排除，保留高质量采样数据，判断原则如下：

若T_启结＝T_停开＝0，则当前无启动及停机阶段数据，该采样数据为高质量采样数据，可直接使用；

若T_启结＝0,T_停开≠0，则当前具有停机阶段数据，需对该数据进行二级判断：若T_停开-T_开<T_a，则该采样数据为非稳数据，告知数据采样器重新采样；否则，将(T_停开-T_开)时间段数据作为高质量数据传给电动机在线监测系统；

若T_启结≠0,T_停开＝0，则当前具有启动阶段数据，需对该数据进行二级判断：若T_止-T_启结<T_a，则该采样数据为非稳数据，告知数据采样器重新采样；否则，将(T_止-T_启结)时间段数据作为高质量数据传给电动机在线监测系统；

若T_启结≠0,T_停开≠0，则当前具有启动阶段及停止阶段数据，需对该数据进行二级判断：若T_停开-T_启结<T_a，则该采样数据为非稳数据，告知数据采样器重新采样；否则，将(T_停开-T_启结)时间段数据作为高质量数据传给电动机在线监测系统。

根据上述判断依据对采样数据进行分析，并将分析结果返回电动机在线监测系统。

对本方法中采用的技术效果加以验证说明，本实施例利用Y100L-2、Y-132s-4、Y180M-6三种不同转速、不同功率等级电机进行启停机模拟实验，在空载、半载、满载等不同启动条件下进行验证分析，实验共记录50组各种启停机统计数据，50组平稳数据，分别记做样本A、样本B，并将这些数据随机插放于50组平稳数据样本中，组成100组样本，记做样本C。使用本专利所述方法前后的对比实验结果如下表所示：

另外，实验结果还表明，10组数据样本中每增加1组启停机数据样本，会降低3％的故障诊断准确度；利用本文所述发明方法后，仅会降低0.2％，由此可知利用本发明作为电动机故障诊断算法前置的数据预处理方法具有相当大的优势。

本实施例所述实验及数据仅为验证本发明方法的可行性与可靠性提供必要数据支撑，以上所述电机仅为示意，不具有限制性，本发明方法同样适用于其他类型电动机。

实施例2

参照图2～5，为本发明的第二个实施例，该实施例不同于第一个实施例的是提供了一种基于电气畸变分析的电动机非稳数据排除系统，包括，

运行状态捕捉模块通过接收电动机某一相定子电流信息，并进行不小于一周波的有效值计算，设置电动机运行状态阈值，用于捕捉电动机运行状态，并标注电机启动及停止标签；若电动机无运行状态或者运行状态数据长度小于电动机分析、诊断及预测需要的最小长度，则舍弃本次采样数据，立即进行下一阶段采样，直到满足运行状态数据长度为止。

两级联动滤波模块利用运行状态捕捉模块计算所得电流有效值，并对数据进行滤波及对电动机运行状态的特征提取，其具体步骤包括，根据电机负载特性及额定电流，设置一级限幅滤波阈值，将不再阈值区间的数据全部清零，完成数据一级滤波，接着利用自创的阶跃限幅滤波算法，进行电流有效值二级滤波。该算法不但可对数据进行滤波，还可完成对电动机运行状态的特征提取，凸显电动机启动结束及停止开始阶段的数据响应。

电气畸变波形分析模块利用两级联动滤波模块滤波后数据捕捉电动机启动结束阶段与停止开始阶段特征，当数据存在向上的畸变波形时，为电动机启动结束时刻，当数据存在向下的畸变波形时，为电动机停止开始时刻，准确捕捉这两处特征，即可对电动运行状态数据进行有效及合理的评估。

高质量数据抓取模块连接于电气畸变波形分析模块根据上述模块计算的特征点时刻综合判断相对稳定阶段数据，为电动机故障诊断、预测等需要平稳数据的任务提供可靠的电气量数据。

该模块可内置于现场电动机在线监测装置内成为电动机采样数据预处理的一部分，为电动机故障诊断及预测提供可靠的数据来源，也可内置于便携式电机故障诊断设备内成为数据预处理模块，为设备点巡检提供高质量的分析数据。经改装及微调后即可成为电动机实时启动及停止时刻判定模块，为厂区运维人员实时观察电机启动时间及停止时间提供行之有效的方法及数据。该模块所述基于电气畸变分析的电动机非稳数据排除方法，适合对各类电动机运行状态的判定及评估，为电动机故障诊断及预测提供稳定、可靠的分析数据。

此外，以本发明所述方法为核心的模块，无论电动机是何种启动方式，模块均可有效识别电动机各种运行状态。在不新增转速传感器以转速作为电动机运行状态判断依据的前提下，即可完成电动机运行状态的准确判定，极大节省了电动机在线监测系统的开发及安装成本。以该模块作为预处理单元的电动机故障诊断与预测系统可有效解决因数据来源不可靠造成的故障误判与漏检，相比于未使用此模块的系统，可提升30％以上故障诊断准确率，提升基于电气量的电动机故障诊断及预测系统的实际运用的价值与可靠性。

应当认识到，本发明的实施例可以由计算机硬件、硬件和软件的组合、或者通过存储在非暂时性计算机可读存储器中的计算机指令来实现或实施。所述方法可以使用标准编程技术-包括配置有计算机程序的非暂时性计算机可读存储介质在计算机程序中实现，其中如此配置的存储介质使得计算机以特定和预定义的方式操作——根据在具体实施例中描述的方法和附图。每个程序可以以高级过程或面向对象的编程语言来实现以与计算机系统通信。然而，若需要，该程序可以以汇编或机器语言实现。在任何情况下，该语言可以是编译或解释的语言。此外，为此目的该程序能够在编程的专用集成电路上运行。

此外，可按任何合适的顺序来执行本文描述的过程的操作，除非本文另外指示或以其他方式明显地与上下文矛盾。本文描述的过程(或变型和/或其组合)可在配置有可执行指令的一个或多个计算机系统的控制下执行，并且可作为共同地在一个或多个处理器上执行的代码(例如，可执行指令、一个或多个计算机程序或一个或多个应用)、由硬件或其组合来实现。所述计算机程序包括可由一个或多个处理器执行的多个指令。

进一步，所述方法可以在可操作地连接至合适的任何类型的计算平台中实现，包括但不限于个人电脑、迷你计算机、主框架、工作站、网络或分布式计算环境、单独的或集成的计算机平台、或者与带电粒子工具或其它成像装置通信等等。本发明的各方面可以以存储在非暂时性存储介质或设备上的机器可读代码来实现，无论是可移动的还是集成至计算平台，如硬盘、光学读取和/或写入存储介质、RAM、ROM等，使得其可由可编程计算机读取，当存储介质或设备由计算机读取时可用于配置和操作计算机以执行在此所描述的过程。此外，机器可读代码，或其部分可以通过有线或无线网络传输。当此类媒体包括结合微处理器或其他数据处理器实现上文所述步骤的指令或程序时，本文所述的发明包括这些和其他不同类型的非暂时性计算机可读存储介质。当根据本发明所述的方法和技术编程时，本发明还包括计算机本身。计算机程序能够应用于输入数据以执行本文所述的功能，从而转换输入数据以生成存储至非易失性存储器的输出数据。输出信息还可以应用于一个或多个输出设备如显示器。在本发明优选的实施例中，转换的数据表示物理和有形的对象，包括显示器上产生的物理和有形对象的特定视觉描绘。

如在本申请所使用的，术语“组件”、“模块”、“系统”等等旨在指代计算机相关实体，该计算机相关实体可以是硬件、固件、硬件和软件的结合、软件或者运行中的软件。例如，组件可以是，但不限于是：在处理器上运行的处理、处理器、对象、可执行文件、执行中的线程、程序和/或计算机。作为示例，在计算设备上运行的应用和该计算设备都可以是组件。一个或多个组件可以存在于执行中的过程和/或线程中，并且组件可以位于一个计算机中以及/或者分布在两个或更多个计算机之间。此外，这些组件能够从在其上具有各种数据结构的各种计算机可读介质中执行。这些组件可以通过诸如根据具有一个或多个数据分组(例如，来自一个组件的数据，该组件与本地系统、分布式系统中的另一个组件进行交互和/或以信号的方式通过诸如互联网之类的网络与其它系统进行交互)的信号，以本地和/或远程过程的方式进行通信。

应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (2)

1.一种基于电气畸变分析的电动机非稳数据排除方法，其特性在于，包括：

根据现场信号采集端的电磁干扰大小设置电动机运行状态阈值数据，判断当前电动机是否处于停机状态；

具体的，信号接收包括如下流程：获取电动机某一相定子电流数据，记作C；计算C中不小于整周波的数据有效值，记作R；设置电机运行状态阈值，并利用下述公式进行电机运行状态判断：

其中，T表示满足条件的R值总数，即电机运行状态时间长度,θ表示电机运行状态阈值，对该阈值取值时需考察所监测电机停机状态的干扰波形大小，n表示有效值R的总个数长度即为采样时间；

利用T判断当前采样数据是否满足需要，有如下判断依据：

其中，Ta表示系统需要的最小采样时间；式中，若判断为低质量采样数据及电机停机，立即返回数据采集器，重新采集数据，若判断为运行状态数据，执行后续操作；

基于所述判断，即电机处于非停机状态，利用限幅滤波及二级阶跃限幅滤波算法，滤波所述数据并提取电动机运行状态的特征；

具体的，其流程包括：根据上述计算所得有效值R；利用以下公式进行有效值一级限幅滤波，滤波后数据R'包括，

其中，{i＝1,2,3,…,n}，n大小与R中元素总数相同，I_额定表示电动机额定电流，I_空载表示电动机空载电流；

进一步的，将R'进行如下公式的二级阶跃限幅滤波，滤波后数据记作R″，

R″_i＝[(R′_i+R′_i+3)/(R′_i+1+R′_i+2)]

其中，{i＝1,2,3,…,n-3}，n大小与R中元素总数相同，γ₁与γ₂表示阶跃下限与上限，对这两个参数设置需根据每台电机的启动及停止特性作为参考；

其中，R″即为电动机运行状态特征，该特征可无视电机负载特性的影响，将电机运行状态体现于“1”附近波动，从而将电机运行特性提取出来；

利用所述两级联动滤波后特征提取数据，捕获电动机启动结束时刻及停止开始时刻特征点；

具体的，包括如下流程：接收上述计算中的R″；对该数据进行差分，得到电气畸变波形特征，记作D，

D_i＝R″_i+1-R″_i

其中，{i＝1,2,3,…,n1-1}，n1表示R″中元素总数；

其中，D即为电动机运行状态电气畸变波形特征数据，该特征可包含电动机启动结束特征与电动机停止开始特征，该数据中若存在电动机启动特性，则会存在一个向上的电气畸变波形，若存在电动机停机特性，则会存在一个向下的电气畸变波形，根据这一特性，提取这两个特征，记作T_启结、T_停开，其中：

其中，ε表示电气畸变阈值，该阈值的设定与所监测电动机电气畸变波形特征的畸变水平有关，ε表示大于0.9且小于1的常数，T_启结、T_启结表示最大值δ₁与最小值δ₂的引索；

进一步的，将T_启结、T_停开，传入下一模块进行最终分析；

根据所述特征点，计算所述电动机启动开始、启动结束、停止开始、停止结束时刻，判断当前采样数据稳定运行数据长度并分析鉴别当前时刻数据，保留高质量数据，并将结果输入到电动机在线监测系统；

具体的，其流程为：获取上述计算所得T_开、T_止及计算所得T_启结、T_停开；

根据T_开、T_止、T_启结、T_停开这四个参数即可完成对电动机当前阶段采集数据进行分析鉴别，将非稳数据排除，保留高质量采样数据，判断原则如下：

若T_启结＝T_停开＝0，则当前无启动及停机阶段数据，该采样数据为高质量采样数据，可直接使用；

若T_启结＝0,T_停开≠0，则当前具有停机阶段数据，需对该数据进行二级判断：若T_停开-T_开<T_a，则该采样数据为非稳数据，告知数据采样器重新采样；否则，将(T_停开-T_开)时间段数据作为高质量数据传给电动机在线监测系统；

若T_启结≠0,T_停开＝0，则当前具有启动阶段数据，需对该数据进行二级判断：若T_止-T_启结<T_a，则该采样数据为非稳数据，告知数据采样器重新采样；否则，将(T_止-T_启结)时间段数据作为高质量数据传给电动机在线监测系统；

若T_启结≠0,T_停开≠0，则当前具有启动阶段及停止阶段数据，需对该数据进行二级判断：若T_停开-T_启结<T_a，则该采样数据为非稳数据，告知数据采样器重新采样；否则，将(T_停开-T_启结)时间段数据作为高质量数据传给电动机在线监测系统。

2.一种基于电气畸变分析的电动机非稳数据排除系统，其特征在于：包括，

运行状态捕捉模块通过接收电动机某一相定子电流信息，并进行不小于一周波的有效值计算，设置电动机运行状态阈值，用于捕捉电动机运行状态，并标注电机启动及停止标签；

具体的，信号接收包括如下流程：获取电动机某一相定子电流数据，记作C；计算C中不小于整周波的数据有效值，记作R；设置电机运行状态阈值，并利用下述公式进行电机运行状态判断：

其中，T表示满足条件的R值总数，即电机运行状态时间长度,θ表示电机运行状态阈值，对该阈值取值时需考察所监测电机停机状态的干扰波形大小，n表示有效值R的总个数长度即为采样时间；

利用T判断当前采样数据是否满足需要，有如下判断依据：

其中，Ta表示系统需要的最小采样时间；式中，若判断为低质量采样数据及电机停机，立即返回数据采集器，重新采集数据，若判断为运行状态数据，执行后续操作；

两级联动滤波模块利用运行状态捕捉模块计算所得电流有效值，并对数据进行滤波及对电动机运行状态的特征提取；

具体的，其流程包括：根据上述计算所得有效值R；利用以下公式进行有效值一级限幅滤波，滤波后数据R'包括，

其中，{i＝1,2,3,…,n}，n大小与R中元素总数相同，I_额定表示电动机额定电流，I_空载表示电动机空载电流；

进一步的，将R'进行如下公式的二级阶跃限幅滤波，滤波后数据记作R″，

R″_i＝[(R′_i+R′_i+3)/(R′_i+1+R′_i+2)]

其中，{i＝1,2,3,…,n-3}，n大小与R中元素总数相同，γ₁与γ₂表示阶跃下限与上限，对这两个参数设置需根据每台电机的启动及停止特性作为参考；

其中，R″即为电动机运行状态特征，该特征可无视电机负载特性的影响，将电机运行状态体现于“1”附近波动，从而将电机运行特性提取出来；

电气畸变波形分析模块利用两级联动滤波模块滤波后数据捕捉电动机启动结束阶段与停止开始阶段特征；

具体的，包括如下流程：接收上述计算中的R″；对该数据进行差分，得到电气畸变波形特征，记作D，

D_i＝R″_i+1-R″_i

其中，{i＝1,2,3,…,n1-1}，n1表示R″中元素总数；

其中，D即为电动机运行状态电气畸变波形特征数据，该特征可包含电动机启动结束特征与电动机停止开始特征，该数据中若存在电动机启动特性，则会存在一个向上的电气畸变波形，若存在电动机停机特性，则会存在一个向下的电气畸变波形，根据这一特性，提取这两个特征，记作T_启结、T_停开，其中：

其中，ε表示电气畸变阈值，该阈值的设定与所监测电动机电气畸变波形特征的畸变水平有关，ε表示大于0.9且小于1的常数，T_启结、T_启结表示最大值δ₁与最小值δ₂的引索；

进一步的，将T_启结、T_停开，传入下一模块进行最终分析；

高质量数据抓取模块连接于电气畸变波形分析模块综合判断相对稳定阶段数据，为电动机故障诊断、预测等需要平稳数据的任务提供可靠的电气量数据；

具体的，其流程为：获取上述计算所得T_开、T_止及计算所得T_启结、T_停开；

根据T_开、T_止、T_启结、T_停开这四个参数即可完成对电动机当前阶段采集数据进行分析鉴别，将非稳数据排除，保留高质量采样数据，判断原则如下：

若T_启结＝T_停开＝0，则当前无启动及停机阶段数据，该采样数据为高质量采样数据，可直接使用；

若T_启结＝0,T_停开≠0，则当前具有停机阶段数据，需对该数据进行二级判断：若T_停开-T_开<T_a，则该采样数据为非稳数据，告知数据采样器重新采样；否则，将(T_停开-T_开)时间段数据作为高质量数据传给电动机在线监测系统；

若T_启结≠0,T_停开＝0，则当前具有启动阶段数据，需对该数据进行二级判断：若T_止-T_启结<T_a，则该采样数据为非稳数据，告知数据采样器重新采样；否则，将(T_止-T_启结)时间段数据作为高质量数据传给电动机在线监测系统；

若T_启结≠0,T_停开≠0，则当前具有启动阶段及停止阶段数据，需对该数据进行二级判断：若T_停开-T_启结<T_a，则该采样数据为非稳数据，告知数据采样器重新采样；否则，将(T_停开-T_启结)时间段数据作为高质量数据传给电动机在线监测系统。

Images