CN112213640B - 一种电机故障诊断方法及其相关设备 - Google Patents
一种电机故障诊断方法及其相关设备 Download PDFInfo
- Publication number
- CN112213640B CN112213640B CN202011285057.2A CN202011285057A CN112213640B CN 112213640 B CN112213640 B CN 112213640B CN 202011285057 A CN202011285057 A CN 202011285057A CN 112213640 B CN112213640 B CN 112213640B
- Authority
- CN
- China
- Prior art keywords
- matrix
- motor
- simplified
- operation parameters
- principal component
- 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.)
- Active
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 65
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 34
- 238000000513 principal component analysis Methods 0.000 claims abstract description 20
- 238000005070 sampling Methods 0.000 claims abstract description 16
- 230000002159 abnormal effect Effects 0.000 claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims description 262
- 230000015654 memory Effects 0.000 claims description 17
- 238000006243 chemical reaction Methods 0.000 claims description 15
- 239000013598 vector Substances 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000017105 transposition Effects 0.000 claims description 5
- 230000002085 persistent effect Effects 0.000 claims description 3
- 230000006403 short-term memory Effects 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 5
- 238000012544 monitoring process Methods 0.000 description 43
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013144 data compression Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本申请实施例公开了一种电机故障诊断方法及其相关设备,用于通过预设采样频率来采集电机运行参数从而确定电机是否正常运行,降低了电机故障检测成本。本申请实施例方法包括:按照预设的采样频率,采集电机多个维度的运行参数;对所述多个维度的运行参数进行主成分分析,以得到所述多个维度的运行参数的主成分分量;将所述主成分分量进行动态模态分解以得到所述电机的故障诊断指标;判断所述故障诊断指标是否处于预设阈值区间,所述预设阈值区间基于预先处于正常状态的所述电机的运行参数确定;若是,则判定所述电机运行正常;若否,则判定所述电机运行异常。
Description
技术领域
本申请实施例涉及数据处理领域,尤其涉及一种电机故障诊断方法及其相关设备。
背景技术
在现有技术中,关于电机故障的诊断方法,常常通过特定频率分量信号来确定电机故障,而特定频率分量信号则基于高频率地采集高频分量信号,在对电机高频分量信号的高频采集中,通常依赖于高性能硬件,高性能硬件则意味着高成本投入,并且在确定电机故障过程中,还涉及高计算成本的频域变化。因此,如何降低电机故障检测成本是亟待解决的问题。
发明内容
本申请实施例提供了一种电机故障诊断方法及其相关设备,用于通过预设采样频率来采集电机运行参数从而确定电机是否正常运行,降低了电机故障检测成本。
本申请实施例第一方面的第一种实施方式,提供一种电机故障诊断方法,包括:
按照预设的采样频率,采集电机多个维度的运行参数;
对所述多个维度的运行参数进行主成分分析,以得到所述多个维度的运行参数的主成分分量;
将所述主成分分量进行动态模态分解以得到所述电机的故障诊断指标;
判断所述故障诊断指标是否处于预设阈值区间,所述预设阈值区间基于预先处于正常状态的所述电机的运行参数确定;
若是,则判定所述电机运行正常。
若否,则判定所述电机运行异常;
结合本申请实施例第一方面的第一种实施方式,本申请实施例第一方面的第二种实施方式,包括:
将采集到的所述多个维度的运行参数生成原始矩阵,并计算所述原始矩阵的协方差矩阵;
计算所述协方差矩阵的特征值矩阵;
从所述特征值矩阵中选取最大的k个特征值对应的特征向量,以得到转换矩阵;
根据所述转换矩阵对所述原始矩阵进行矩阵计算,以得到压缩后的数据矩阵,其中所述数据矩阵为所述多个维度的运行参数的主成分分量。
结合本申请实施例第一方面的第二种实施方式,本申请实施例第一方面的第三种实施方式,包括:
对所述主成分分量进行奇异值分解,以得到奇异值矩阵、左奇异矩阵以及右奇异矩阵;
对所述奇异值矩阵、左奇异矩阵以及右奇异矩阵分别进行简化,并根据简化后的奇异值矩阵、简化后的左奇异矩阵以及简化后的右奇异矩阵得到简化后的主成分分量;
根据简化后的奇异值矩阵、简化后的左奇异矩阵、简化后的右奇异矩阵以及简化后的主成分分量,得到辨识矩阵;
对所述辨识矩阵进行特征值分解,以得到特征值虚部;其中所述特征值虚部为所述电机的故障诊断指标。
结合本申请实施例第一方面的第三种实施方式,本申请实施例第一方面的第四种实施方式,包括:
对所述简化后的奇异值矩阵进行逆矩阵运算得到逆矩阵;
对所述简化后的左奇异矩阵进行转置运算得到转置矩阵;
获取与所述简化后的主成分分量关联的延迟矩阵;
根据所述逆矩阵、所述转置矩阵、所述延迟矩阵以及所述简化后的右特征矩阵得到所述辨识矩阵。
结合本申请实施例第一方面的第一种实施方式,本申请实施例第一方面的第五种实施方式,还包括:
多次获取所述电机在正常状态下多维度的运行参数;
分别对每次获取的正常状态下的运行参数,进行主成分分析以及动态模态分解,以得到多个的正常状态指标;
计算多个正常状态指标的均值以及标准差;
根据所述均值和所述标准差确定所述预设阈值区间。
本申请实施例第二方面的第一种实施方式,提供一种电机故障诊断装置,包括:
采集单元,用于按照预设的采样频率,采集电机多个维度的运行参数;
第一确定单元,用于对所述多个维度的运行参数进行主成分分析,以得到所述多个维度的运行参数的主成分分量;
第二确定单元,用于将所述主成分分量进行动态模态分解以得到所述电机的故障诊断指标;
判断单元,用于判断所述故障诊断指标是否处于预设阈值区间,所述预设阈值区间基于预先处于正常状态的所述电机的运行参数确定;
若是,则所述判断单元判定所述电机运行正常。
若否,则所述判断单元判定所述电机运行异常;
结合本申请实施例第二方面的第一种实施方式,本申请实施例第二方面的第二种实施方式,第一确定单元,包括:
第一计算子单元,用于将采集到的所述多个维度的运行参数生成原始矩阵,并计算所述原始矩阵的协方差矩阵;
第二计算子单元,用于计算所述协方差矩阵的特征值矩阵;
第一确定子单元,用于从所述特征值矩阵中选取最大的k个特征值对应的特征向量,以得到转换矩阵;
第二确定子单元,用于根据所述转换矩阵对所述原始矩阵进行矩阵计算,以得到压缩后的数据矩阵,其中所述数据矩阵为所述多个维度的运行参数的主成分分量。
结合本申请实施例第二方面的第二种实施方式,本申请实施例第二方面的第三种实施方式,第二确定单元,包括:
第三确定子单元,用于对所述主成分分量进行奇异值分解,以得到奇异值矩阵、左奇异矩阵以及右奇异矩阵;
第四确定子单元,用于对所述奇异值矩阵、左奇异矩阵以及右奇异矩阵分别进行简化,并根据简化后的奇异值矩阵、简化后的左奇异矩阵以及简化后的右奇异矩阵得到简化后的主成分分量;
第五确定子单元,用于根据简化后的奇异值矩阵、简化后的左奇异矩阵、简化后的右奇异矩阵以及简化后的主成分分量,得到辨识矩阵;
第六确定子单元,用于对所述辨识矩阵进行特征值分解,以得到特征值虚部;其中所述特征值虚部为所述电机的故障诊断指标。
结合本申请实施例第二方面的第三种实施方式,本申请实施例第二方面的第四种实施方式,第五确定子单元,包括:
第一确定模块,用于对所述简化后的奇异值矩阵进行逆矩阵运算得到逆矩阵;
第二确定模块,用于对所述简化后的左奇异矩阵进行转置运算得到转置矩阵;
第三确定模块,用于获取与所述简化后的主成分分量关联的延迟矩阵;
第四确定模块,用于根据所述逆矩阵、所述转置矩阵、所述延迟矩阵以及所述简化后的右特征矩阵得到所述辨识矩阵。
结合本申请实施例第二方面的第一种实施方式,本申请实施例第二方面的第五种实施方式,还包括:
获取单元,用于多次获取所述电机在正常状态下多维度的运行参数;
第三确定单元,用于分别对每次获取的正常状态下的运行参数,进行主成分分析以及动态模态分解,以得到多个的正常状态指标;
计算单元,用于计算多个正常状态指标的均值以及标准差;
第四确定单元,用于根据所述均值和所述标准差确定所述预设阈值区间。
本申请实施例第三方面,提供电机故障诊断装置,包括:
中央处理器,存储器,输入输出接口,有线或无线网络接口,电源;
所述存储器为短暂存储存储器或持久存储存储器;
所述中央处理器配置为与所述存储器通信,在电机故障诊断装置上执行所述存储器中的指令操作以执行前述第一方面任意一种所述的方法。
本申请实施例第四方面,提供一种计算机可读存储介质,所述计算机可读存储介质中保存有程序,当所述计算机执行所述程序时,执行前述第一方面中任一种所述的方法。
本申请实施例第五方面,提供一种计算机程序产品,当所述计算机程序产品在计算机上执行时,所述计算机执行前述第一方面中任一种所述的方法。
从以上技术方案可以看出,本申请实施例具有以下优点:
本发明的一种电机故障诊断方法通过预设采样频率,采集电机多个维度的运行参数,并对多个维度的运行参数进行主成分分析得到主成分分量,进而对主成分分量进行动态模态分解得到电机的故障诊断指标,从而判断故障诊断指标是否处于预设阈值区间来判定电机是否运行正常。相比现有技术而言,本发明可以通过预设采样频率采集电机的运行参数来判定电机是否运行正常,无需采用惯常的高频率采集电机信号,从而降低了电机故障检测成本,而且本发明通过主成分分析以及动态模态分解判断电机是否正常运行,相比现有技术通过频域变换判断电机是否正常运行,计算成本低。
附图说明
图1为本申请实施例中电机故障诊断方法一个流程示意图;
图2为本申请实施例中电机故障诊断方法另一个流程示意图;
图3为本申请实施例中电机故障诊断方法另一个流程示意图;
图4为本申请实施例中电机故障诊断方法另一个流程示意图;
图5为本申请实施例中电机故障诊断方法另一个流程示意图
图6为本申请实施例中电机故障诊断装置一个结构示意图;
图7为本申请实施例中电机故障诊断装置另一个结构示意图。
具体实施方式
本申请实施例提供了一种电机故障诊断方法及其相关设备,用于通过预设采样频率来采集电机运行参数从而确定电机是否正常运行,降低了电机故障检测成本。
本实施例的一个应用场景可以是,电机故障在线监测系统与电机通信连接,电机故障在线监测系统可以采集电机的运行参数,进而对运行参数加以分析,最终得到分析结果,也即电机是否正常运行。
请参阅图1,电机故障在线监测系统在分析过程中包含主成分分析、动态模态分解和指标判断,从而得到电机是否正常运行。其中,电机故障在线监测系统首先采集电机的运行参数,对于运行参数的采集,电机故障在线监测系统除了可以采集电机的温度、电流和振动之外,还可以包括其他参数如电压、转动等。或者,电机故障在线监测系统在电机采集的运行参数还可以是其他电机运行过程中能够监测到的参数,本申请并不做限定。电机故障在线监测系统采集到运行参数后进行主成分分析得到主成分分量,进而将主成分分量进行动态模态分解输出得到指标,从而判断指标是否满足预设条件,如果满足则表明电机运行正常,如果不满足则表明电机运行异常。
基于上述内容,请参阅图2,一种电机故障诊断方法的一个实施例包括:
201、按照预设的采样频率,采集电机多个维度的运行参数。
电机故障在线监测系统能采集电机多个类型的运行参数,例如电机的温度、电流以及振动,形成一组样本数据。当电机故障在线监测系统按照预设的采样频率采集到多个类型的运行参数,则可以形成多采样点数下的多维度的多组样本数据,其中采样频率根据实际情况进行设定,具体此处不做限定。
202、对多个维度的运行参数进行主成分分析,以得到多个维度的运行参数的主成分分量。
在电机故障在线监测系统采集到多维度的多组样本数据后,电机故障在线监测系统对多维度的多组样本数据进行主成分分析,从而得到关于多维度的多组样本数据的主成分分量。
其中,主成分分析的原理是设法将原来变量重新组合成一组新的相互无关的几个综合变量,同时根据实际需要从中可以取出几个较少的综合变量尽可能多地反映原来变量的信息的统计方法。
203、将主成分分量进行动态模态分解以得到电机的故障诊断指标。
在电机故障在线监测系统得到多维度的多组样本数据的主成分分量后,电机故障在线监测系统对主成分分量进行动态模态分解从而得到电机的故障诊断指标。
其中,动态模态分解动态模态分解主要作用将电机的物理监测过程等值为一种时变非参数动态模型,求取出动态模型的模态参数。
204、判断故障诊断指标是否处于预设阈值区间,预设阈值区间基于预先处于正常状态的电机的运行参数确定。
在电机故障在线监测系统得到故障诊断指标后,判断故障诊断指标是否处于预设阈值区间。如果故障诊断指标处于预设阈值区间,则执行步骤205;如果故障诊断指标不处于预设阈值区间,则执行步骤206。
205、若是,则判定电机运行正常。
在电机故障在线监测系统确定故障诊断指标处于预设阈值区间,电机故障在线监测系统则判定电机运行正常。
206、若否,则判定电机运行异常。
在电机故障在线监测系统确定故障诊断指标不处于预设阈值区间,电机故障在线监测系统则判定电机运行异常。
基于图2的实施例,进一步,下述实施例对图2步骤202进行详细描述,请参阅图3,本实施例包括:
301、将采集到的多个维度的运行参数生成原始矩阵,并计算原始矩阵的协方差矩阵。
在电机故障在线监测系统采集到多维度的多组样本数据后,直接将多维度的多组样本数据生成原始矩阵Xm×n,并依照原始矩阵计算协方差矩阵Sn×n,其中m和n皆为非零整数。
示例性的,在电机故障在线监测系统实时采集到电机温度、电流、振动后,按照采集先后顺序形成原始矩阵Xm×3,m即整数的采样点数,可按照实际情况调整,具体此处不做限定。进而对Xm×3根据Cov(X)=E[(X-E(X))(X-E(X))T]计算协方差矩阵,得到协方差矩阵S3×3。
302、计算协方差矩阵的特征值矩阵。
在电机故障在线监测系统得到关于多维度的多组样本数据下原始矩阵的协方差矩阵Sn×n后,进而计算该协方差矩阵的特征值矩阵Λn×n。
示例性的,在电机故障在线监测系统得到协方差矩阵S3×3后,电机故障在线监测系统对S3×3进行特征值分解得到对角矩阵,也即特征值矩阵Λ3×3。
303、从特征值矩阵中选取最大的k个特征值对应的特征向量,以得到转换矩阵。
在电机故障在线监测系统根据特征值分解得到特征值矩阵Λn×n以及特征向量矩阵Qn×n后,在特征值矩阵中确定k个最大的特征值,进而在特征向量矩阵中选取与k个最大的特征值对应的特征向量构成转换矩阵Wn×k,其中,k为整数且k小于等于n,k的具体取值按照实际情况确定,具体此处不做限定。
示例性的,在电机故障在线监测系统对S3×3进行特征值分解得到在Λ3×3中确定出k=2个最大的特征值,并且在Q3×3中确定2个最大特征值对应的特征向量构成转换矩阵W3×2。
304、根据转换矩阵对原始矩阵进行矩阵计算,以得到压缩后的数据矩阵;其中为多个维度的运行参数的主成分分量。
在电机故障在线监测系统得到转换矩阵Wn×k后,电机故障在线监测系统根据转换矩阵对原始矩阵进行矩阵计算,Zm×k=Xm×nWn×k,得到数据压缩后的数据矩阵Zm×k,该数据矩阵即为多维度的多组样本数据形成的原始矩阵的主成分分量。
示例性的,在电机故障在线监测系统得到转换矩阵W3×2后,对原始矩阵Xm×3进行矩阵运算,Zm×2=Xm×3W3×2,Zm×2即为主成分分量。
基于图2的实施例,进一步,下述实施例对图2步骤203进行详细描述,请参阅图4,本实施例包括:
401、对主成分分量进行奇异值分解,以得到奇异值矩阵、左奇异矩阵以及右奇异矩阵。
在电机故障在线监测系统得到原始矩阵的主成分分量Zm×k后,对主成分分量进行奇异值分解,得到奇异值矩阵、左奇异矩阵以及右奇异矩阵。
示例性的,电机故障在线监测系统得到主成分分量Zm×2,对Zm×2进行奇异值分解,得到奇异值矩阵Σm×2、左奇异矩阵Um×m和右奇异矩阵/>
402、对奇异值矩阵、左奇异矩阵以及右奇异矩阵分别进行简化,并根据简化后的奇异值矩阵、简化后的左奇异矩阵以及简化后的右奇异矩阵得到简化后的主成分分量。
在电机故障在线监测系统得到奇异值矩阵Σm×k、左奇异矩阵Um×m以及右奇异矩阵后,对三者分别进行简化,其中,在奇异值矩阵中确定t个最大的奇异值构成t×t的对角矩阵,该t×t的对角矩阵即为简化后的奇异值矩阵Σrt×t,同时在左奇异矩阵中确定与t个最大奇异值关联的t个奇异向量,形成第一奇异矩阵,最后在第一奇异矩阵中选择出前t行作为简化后的左奇异矩阵Urt×t。同样,在右奇异矩阵中确定与t个最大奇异值关联的t个奇异向量,形成第二奇异矩阵,最后在第二奇异矩阵中选择出前t行作为简化后的右奇异矩阵Vrt×t,其中,t小于等于m和k中的最小数。进而根据,Zrt×t=Urt×tΣrt×tVrt×t,得到简化后的主成分分量Zrt×t。
示例性的,电机故障在线监测系统得到奇异值矩阵Σm×2、左奇异矩阵Um×m和右奇异矩阵后,在奇异值矩阵Σm×2中选出2个最大的奇异值构成对角矩阵,该对角矩阵也即简化后的奇异值矩阵Σr2×2,同时在左奇异矩阵中选择该2个最大奇异值对应的左奇异向量构成第一奇异矩阵并且取前2行作为简化后的左奇异矩阵Ur2×2,同理,得到简化后的右奇异矩阵Vr2×2,从而电机故障在线监测系统根据,Zr2×2=Ur2×2Σr2×2Vr2×2,得到简化后的主成分分量Zr2×2。
403、根据简化后的奇异值矩阵、简化后的左奇异矩阵、简化后的右奇异矩阵以及简化后的主成分分量,得到辨识矩阵。
在电机故障在线监测系统得到简化后的奇异值矩阵Σrt×t、简化后的左奇异矩阵Urt×t、简化后的右奇异矩阵Vrt×t以及简化后的主成分分量Zrt×t后,根据简化后的奇异值矩阵Σrt×t、简化后的左奇异矩阵Urt×t、简化后的右奇异矩阵Vrt×t以及简化后的主成分分量Zrt×t得到辨识矩阵
其中,根据简化后的奇异值矩阵Σrt×t、简化后的左奇异矩阵Urt×t、简化后的右奇异矩阵Vrt×t以及简化后的主成分分量Zrt×t得到辨识矩阵具体可以为,对简化后的奇异值矩阵Σrt×t求逆矩阵为/>对简化后的左奇异矩阵Urt×t进行转置运算得到转置矩阵并且获取简化后的主成分分量Zrt×t延长一个步长的延迟矩阵/>最后根据矩阵公式,/>得到辨识矩阵/>
示例性的,电机故障在线监测系统根据简化后的奇异值矩阵Σr2×2求逆矩阵得到根据简化后的左奇异矩阵Ur2×2得到转置矩阵/>并获取到简化后的主成分分量Zr2×2的延迟矩阵/>后,根据矩阵公式,/>得到辨识矩阵/>
404、对辨识矩阵进行特征值分解,以得到特征值虚部;其中特征值虚部为电机的故障诊断指标。
在电机故障在线监测系统得到辨识矩阵后,对辨识矩阵/>进行特征值分解,得到特征值矩阵,进而从特征值矩阵中得到特征值虚部,并将该特征值虚部作为电机的故障诊断指标。
示例性的,电机故障在线监测系统在得到辨识矩阵后,对其进行特征值分解,从而以特征值虚部作为电机的故障诊断指标。
请参阅图5,图5为图2中预设阈值区间的一个具体计算方式流程示意图,包括:
501、多次获取电机在正常状态下多维度的运行参数。
电机故障在线监测系统多次获取电机在正常状态下的多维度的运行参数,从而形成电机在正常状态下的多个原始矩阵。
502、分别对每次获取的正常状态下的运行参数,进行主成分分析以及动态模态分解,以得到多个的正常状态指标。
电机故障在线监测系统对多个原始矩阵的每个原始矩阵,按照图3以及图4的内容进行主成分分析和动态模态分解,得到电机在正常状态下的多个正常状态指标。
503、计算多个正常状态指标的均值以及标准差。
电机故障在线监测系统对多个正常状态指标进行均值计算得到均值,并且根据多个正常状态指标以及计算得到的均值进行标准差计算得到标准差。
504、根据均值和标准差确定预设阈值区间。
电机故障在线监测系统得到均值和标准差后,根据均值和标准差计算出正常状态下电机的正常状态指标的区间范围,并以该区间范围作为预设阈值区间。
示例性的,在电机故障在线监测系统得到电机在多次正常状态下的正常状态指标的均值μ和标准差σ后,以μ+3σ的和值作为预设阈值区间的上限阈值,以μ-3σ的差值作为预设阈值区间的下限阈值,从而得到预设阈值区间也即(μ-3σ,μ+3σ)。
请参阅图6,本实施例提供一种电机故障诊断装置包括:
采集单元601,用于按照预设的采样频率,采集电机多个维度的运行参数;
第一确定单元602,用于对多个维度的运行参数进行主成分分析,以得到多个维度的运行参数的主成分分量;
第二确定单元603,用于将主成分分量进行动态模态分解以得到电机的故障诊断指标;
判断单元604,用于判断故障诊断指标是否处于预设阈值区间,预设阈值区间基于预先处于正常状态的电机的运行参数确定;
若是,则判断单元判定电机运行正常;
若否,则判断单元判定电机运行异常。
在一种实现方式中,第一确定单元602包括:
第一计算子单元,用于将采集到的多个维度的运行参数生成原始矩阵,并计算原始矩阵的协方差矩阵;
第二计算子单元,用于计算协方差矩阵的特征值矩阵;
第一确定子单元,用于从特征值矩阵中选取最大的k个特征值对应的特征向量,以得到转换矩阵;
第二确定子单元,用于根据转换矩阵对原始矩阵进行矩阵计算,以得到压缩后的数据矩阵;其中为多个维度的运行参数的主成分分量。
在一种实现方式中,第二确定单元603包括:
第三确定子单元,用于对主成分分量进行奇异值分解,以得到奇异值矩阵、左奇异矩阵以及右奇异矩阵;
第四确定子单元,用于对奇异值矩阵、左奇异矩阵以及右奇异矩阵分别进行简化,并根据简化后的奇异值矩阵、简化后的左奇异矩阵以及简化后的右奇异矩阵得到简化后的主成分分量;
第五确定子单元,用于根据简化后的奇异值矩阵、简化后的左奇异矩阵、简化后的右奇异矩阵以及简化后的主成分分量,得到辨识矩阵;
第六确定子单元,用于对辨识矩阵进行特征值分解,以得到特征值虚部;其中特征值虚部为电机的故障诊断指标。
在一种实现方式中,第五确定子单元包括:
第一确定模块,用于对简化后的奇异值矩阵进行逆矩阵运算得到逆矩阵;
第二确定模块,用于对简化后的左奇异矩阵进行转置运算得到转置矩阵;
第三确定模块,用于获取与简化后的主成分分量关联的延迟矩阵;
第四确定模块,用于根据逆矩阵、转置矩阵、延迟矩阵以及简化后的右特征矩阵得到辨识矩阵。
在一种实现方式中,一种电机故障诊断装置还包括:
获取单元,用于多次获取电机在正常状态下多维度的运行参数;
第三确定单元,用于分别对每次获取的正常状态下的运行参数,进行主成分分析以及动态模态分解,以得到多个的正常状态指标;
计算单元,用于计算多个正常状态指标的均值以及标准差;
第四确定单元,用于根据均值和标准差确定预设阈值区间。
图7是本申请实施例提供的电机故障诊断装置的结构示意图,该电机故障诊断装置701可以包括一个或一个以上中央处理器(central processing units,CPU)702和存储器706,该存储器706中存储有一个或一个以上的应用程序或数据。
其中,存储器706可以是易失性存储或持久存储。存储在存储器706的程序可以包括一个或一个以上模块,每个模块可以包括对电机故障诊断装置701中的一系列指令操作。更进一步地,中央处理器702可以设置为与存储器706通信,在电机故障诊断装置701上执行存储器706中的一系列指令操作。
电机故障诊断装置701还可以包括一个或一个以上电源703,一个或一个以上有线或无线网络接口704,一个或一个以上输入输出接口705,一个或一个以上采集器,和/或,一个或一个以上操作系统,例如Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM等。
该电机故障诊断装置701可以执行前述图2、图3、图4或图5所示实施例中的操作,具体此处不再赘述。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,read-onlymemory)、随机存取存储器(RAM,random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
Claims (6)
1.一种电机故障诊断方法,其特征在于,包括:
按照预设的采样频率,采集电机多个维度的运行参数;
对所述多个维度的运行参数进行主成分分析,以得到所述多个维度的运行参数的主成分分量;
将所述主成分分量进行动态模态分解以得到所述电机的故障诊断指标;
判断所述故障诊断指标是否处于预设阈值区间,所述预设阈值区间基于预先处于正常状态的所述电机的运行参数确定;
若是,则判定所述电机运行正常;
若否,则判定所述电机运行异常;
所述对所述多个维度的运行参数进行主成分分析,以得到所述多个维度的运行参数的主成分分量,包括:
将采集到的所述多个维度的运行参数生成原始矩阵,并计算所述原始矩阵的协方差矩阵;
计算所述协方差矩阵的特征值矩阵;
从所述特征值矩阵中选取最大的k个特征值对应的特征向量,以得到转换矩阵;
根据所述转换矩阵对所述原始矩阵进行矩阵计算,以得到压缩后的数据矩阵,其中所述数据矩阵为所述多个维度的运行参数的主成分分量;
将所述主成分分量进行动态模态分解以得到所述电机的故障诊断指标,包括:
对所述主成分分量进行奇异值分解,以得到奇异值矩阵、左奇异矩阵以及右奇异矩阵;
对所述奇异值矩阵、左奇异矩阵以及右奇异矩阵分别进行简化,并根据简化后的奇异值矩阵、简化后的左奇异矩阵以及简化后的右奇异矩阵得到简化后的主成分分量;
根据简化后的奇异值矩阵、简化后的左奇异矩阵、简化后的右奇异矩阵以及简化后的主成分分量,得到辨识矩阵;
对所述辨识矩阵进行特征值分解,以得到特征值虚部;其中所述特征值虚部为所述电机的故障诊断指标;
所述根据简化后的奇异值矩阵、简化后的左奇异矩阵、简化后的右奇异矩阵以及简化后的主成分分量,得到辨识矩阵,包括:
对所述简化后的奇异值矩阵进行逆矩阵运算得到逆矩阵;
对所述简化后的左奇异矩阵进行转置运算得到转置矩阵;
获取与所述简化后的主成分分量关联的延迟矩阵;
根据所述逆矩阵、所述转置矩阵、所述延迟矩阵以及所述简化后的右特征矩阵得到所述辨识矩阵。
2.根据权利要求1所述的电机故障诊断方法,其特征在于,还包括:
多次获取所述电机在正常状态下多维度的运行参数;
分别对每次获取的正常状态下的运行参数进行主成分分析以及动态模态分解,以得到多个的正常状态指标;
计算多个正常状态指标的均值以及标准差;
根据所述均值和所述标准差确定所述预设阈值区间。
3.一种电机故障诊断装置,其特征在于,应用于权利要求1至2中任意一项所述的电机故障诊断方法,电机故障诊断装置包括:
采集单元,用于按照预设的采样频率,采集电机多个维度的运行参数;
第一确定单元,用于对所述多个维度的运行参数进行主成分分析,以得到所述多个维度的运行参数的主成分分量;
第二确定单元,用于将所述主成分分量进行动态模态分解以得到所述电机的故障诊断指标;
判断单元,用于判断所述故障诊断指标是否处于预设阈值区间,所述预设阈值区间基于预先处于正常状态的所述电机的运行参数确定;
若否,则所述判断单元判定所述电机运行异常;
若是,则所述判断单元判定所述电机运行正常。
4.根据权利要求3所述的电机故障诊断装置,其特征在于,还包括:
获取单元,用于多次获取所述电机在正常状态下多维度的运行参数;
第三确定单元,用于分别对每次获取的正常状态下的运行参数进行主成分分析以及动态模态分解,以得到多个的正常状态指标;
计算单元,用于计算多个正常状态指标的均值以及标准差;
第四确定单元,用于根据所述均值和所述标准差确定所述预设阈值区间。
5.一种电机故障诊断装置,其特征在于,包括:
中央处理器,存储器,输入输出接口,无线网络接口,采集器以及电源;
所述存储器为短暂存储存储器或持久存储存储器;
所述中央处理器配置为与所述存储器通信,在所述电机故障诊断装置上执行所述存储器中的指令操作以执行权利要求1至2中任意一项所述的方法。
6.一种计算机可读存储介质,包括指令,其特征在于,当所述指令在计算机上运行时,使得计算机执行如权利要求1至2中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011285057.2A CN112213640B (zh) | 2020-11-17 | 2020-11-17 | 一种电机故障诊断方法及其相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011285057.2A CN112213640B (zh) | 2020-11-17 | 2020-11-17 | 一种电机故障诊断方法及其相关设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112213640A CN112213640A (zh) | 2021-01-12 |
CN112213640B true CN112213640B (zh) | 2024-01-26 |
Family
ID=74057085
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011285057.2A Active CN112213640B (zh) | 2020-11-17 | 2020-11-17 | 一种电机故障诊断方法及其相关设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112213640B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113029242B (zh) * | 2021-03-12 | 2022-09-02 | 青岛科技大学 | 结构健康监测系统中光纤光栅传感器异常诊断方法 |
CN113305837B (zh) * | 2021-05-25 | 2022-05-17 | 乐聚(深圳)机器人技术有限公司 | 机器人的偏差信息确定方法、装置、处理设备及介质 |
CN113835029B (zh) * | 2021-09-22 | 2024-05-24 | 西安工业大学 | 电机故障诊断评定标准构建方法、系统及计算机存储介质 |
CN113866635B (zh) * | 2021-12-01 | 2022-03-01 | 山东蓝湾新材料有限公司 | 化工设备中电机故障发生时间的确定方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20150094978A (ko) * | 2014-02-12 | 2015-08-20 | 충북대학교 산학협력단 | 온라인 변수 식별 기법을 이용한 실시간 e―액츄에이터 오류 검출 방법 |
CN108489719A (zh) * | 2018-04-09 | 2018-09-04 | 常州湖南大学机械装备研究院 | 一种基于g-p奇异谱分解的旋转机械复合故障诊断方法 |
CN109948597A (zh) * | 2019-04-26 | 2019-06-28 | 福州大学 | 一种高压断路器机械故障诊断方法 |
WO2019184066A1 (zh) * | 2018-03-29 | 2019-10-03 | 南京航空航天大学 | 一种机械设备故障信号特征提取方法 |
CN110363108A (zh) * | 2019-06-26 | 2019-10-22 | 华北水利水电大学 | 一种参数方差含零值的水电机组振动故障诊断算法 |
CN111089726A (zh) * | 2020-01-16 | 2020-05-01 | 东南大学 | 一种基于最优维数奇异谱分解的滚动轴承故障诊断方法 |
-
2020
- 2020-11-17 CN CN202011285057.2A patent/CN112213640B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20150094978A (ko) * | 2014-02-12 | 2015-08-20 | 충북대학교 산학협력단 | 온라인 변수 식별 기법을 이용한 실시간 e―액츄에이터 오류 검출 방법 |
WO2019184066A1 (zh) * | 2018-03-29 | 2019-10-03 | 南京航空航天大学 | 一种机械设备故障信号特征提取方法 |
CN108489719A (zh) * | 2018-04-09 | 2018-09-04 | 常州湖南大学机械装备研究院 | 一种基于g-p奇异谱分解的旋转机械复合故障诊断方法 |
CN109948597A (zh) * | 2019-04-26 | 2019-06-28 | 福州大学 | 一种高压断路器机械故障诊断方法 |
CN110363108A (zh) * | 2019-06-26 | 2019-10-22 | 华北水利水电大学 | 一种参数方差含零值的水电机组振动故障诊断算法 |
CN111089726A (zh) * | 2020-01-16 | 2020-05-01 | 东南大学 | 一种基于最优维数奇异谱分解的滚动轴承故障诊断方法 |
Non-Patent Citations (6)
Title |
---|
基于EMD与PCA分析的滚动轴承故障特征研究;郑新;;机械传动;第40卷(第01期);54-58+63 * |
基于PCA-DMD-FOA-ELM风电功率短期预测研究;张铸;王静袁;饶盛华;;电子测量技术;第43卷(第12期);第6-11页 * |
基于VMD多特征量风电机组轴承故障诊断法;张瑶;张宏立;;计算机仿真;第35卷(第09期);98-102 * |
基于时频特性和PCA-RBF神经网络的齿轮箱故障诊断;马彦斌;唐志生;;机电信息(第30期);46-47 * |
风电机组动态尾流频域特性分析与建模;陈振宇;刘吉臻;林忠伟;谢镇;李庚达;李雄威;胡峰;;智慧电力;第48卷(第07期);1-7+37 * |
飞机发动机关键系统智能故障诊断方法;崔建国;郑蔚;于明月;蒲雪萍;师建强;;火力与指挥控制;第41卷(第11期);187-191 * |
Also Published As
Publication number | Publication date |
---|---|
CN112213640A (zh) | 2021-01-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112213640B (zh) | 一种电机故障诊断方法及其相关设备 | |
CN112858919B (zh) | 一种基于聚类分析的电池系统在线故障诊断方法和系统 | |
CN116433009A (zh) | 一种用于变电设备的异常监测方法、装置及存储介质 | |
CN115688018B (zh) | 一种多工况下轴承的状态监测与故障诊断方法 | |
CN116148679B (zh) | 一种电池健康状态的预测方法及相关装置 | |
CN114755581B (zh) | 对置活塞磁力线性发电机的性能参数测试方法及相关装置 | |
CN116739829B (zh) | 一种基于大数据的电力数据分析方法、系统及介质 | |
CN117059847B (zh) | 燃料电池的性能检测方法、装置、设备及存储介质 | |
CN109901022B (zh) | 基于同步量测数据的配电网区域定位方法 | |
CN116086537A (zh) | 一种设备状态监测方法、装置、设备及存储介质 | |
CN113608119B (zh) | 电机运行状态监测方法、装置、设备和存储介质 | |
CN112664410B (zh) | 一种基于大数据的机组在线监测系统建模方法 | |
CN113156247A (zh) | 一种电力系统低频振荡的预警方法及装置 | |
CN116030955B (zh) | 基于物联网的医疗设备状态监测方法及相关装置 | |
CN115343579B (zh) | 一种电网故障分析方法、装置及电子设备 | |
CN111506636A (zh) | 一种基于自回归和近邻算法的居民用电行为分析的系统及方法 | |
CN115656720A (zh) | 基于谱残差和随机矩阵理论的配网故障诊断方法及设备 | |
CN113915015A (zh) | 发动机运行状态标准确定方法、预警方法、装置及车辆 | |
CN111473860B (zh) | 一种用于高压交流断路器振动信号特征参数提取方法 | |
Wang et al. | A novel industrial process fault monitoring method based on kernel robust non-negative matrix factorization | |
CN115453336B (zh) | 一种gis刀闸运行状态判断方法、系统及计算机可读存储介质 | |
CN113285847A (zh) | 一种智能换流站监测系统的通信网络异常检测方法及系统 | |
CN116150666B (zh) | 储能系统故障检测方法、装置及智能终端 | |
CN110826904A (zh) | 风机的数据处理方法、装置、处理设备及可读存储介质 | |
CN117313021B (zh) | 一种电力设备异常检测分析方法、系统、终端及介质 |
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 |