CN112763908A - 一种基于多故障特征联合的电机健康指数评价系统 - Google Patents
一种基于多故障特征联合的电机健康指数评价系统 Download PDFInfo
- Publication number
- CN112763908A CN112763908A CN202011560227.3A CN202011560227A CN112763908A CN 112763908 A CN112763908 A CN 112763908A CN 202011560227 A CN202011560227 A CN 202011560227A CN 112763908 A CN112763908 A CN 112763908A
- Authority
- CN
- China
- Prior art keywords
- fault
- motor
- data
- signal
- analysis
- 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
Abstract
本发明公开了一种基于多故障特征联合的电机健康指数评价系统,包括:数据采集模块,用于同步获取电机各类运行状态数据;云端数据存储服务器,用于存储所述数据采集模块同步获取的电机各类运行状态数据;数据分析模块,用于根据云端数据存储服务器中存储的电机各类运行状态数据进行信号源分析判识各类故障;健康指数评价模块,用于采用基于专家系统的联合诊断方式,分别获取判识所得各类故障的故障概率及故障程度,并结合各类故障的危害程度对各类故障进行综合评分得到电机健康状态。本发明通过全方位地评估电机健康状态,减少电机运维成本和维修周期,避免非计划停机造成的经济损失,提高关键零部件的服役质量和使用寿命。
Description
技术领域
本发明涉及电机检测技术领域,特别地,涉及一种基于多故障特征联合的电机健康指数评价系统。
背景技术
电机作为现代化工业生产最主要的原动力和驱动装置,在工业生产中发挥着越来越重的作用,与此同时,电机在使用过程中的运行维护与维修费用也在不断增加,传统的运行维护模式存在着维修周期长、时间成本和人力成本高、无法做到计划停机、避免由非计划停车造成的经济损失等缺点。此外,还存在着维修过剩与维修不足的矛盾、备件多余与备件不足的矛盾。
发明内容
本发明一方面提供了一种基于多故障特征联合的电机健康指数评价系统,以解决现有电机运行维护模式维修周期长、时间和人力成本高、无法避免由非计划停车造成的经济损失,难以平衡维修过剩与维修不足、备件多余与备件不足的技术问题。
本发明采用的技术方案如下:
一种基于多故障特征联合的电机健康指数评价系统,包括:
数据采集模块,用于同步获取电机各类运行状态数据,所述运行状态数据包括振动数据、电量数据、热工数据、超声波数据;
云端数据存储服务器,用于存储所述数据采集模块同步获取的电机各类运行状态数据;
数据分析模块,用于根据云端数据存储服务器中存储的电机各类运行状态数据进行信号源分析判识各类故障,包括振动信号故障前兆诊断分析、电量信号故障前兆诊断分析、热工信号故障前兆诊断分析、超声波信号故障前兆诊断分析;
健康指数评价模块,用于采用基于专家系统的联合诊断方式,分别获取判识所得各类故障的故障概率及故障程度,并结合各类故障的危害程度对各类故障进行综合评分,根据所得综合评分得到电机健康状态。
进一步地,所述数据采集模块包括:
在线数据采集模块,用于实时在线地同步采集电机各类运行状态数据;包括振动采集模块、电量采集模块、热工采集模块、超声波采集模块;
离线数据采集模块,用于通过巡检/点检模式采集电机运行时的电机各类运行状态数据。
进一步地,所述在线数据采集模块具体包括:
在线采集模块,包括振动采集模块、电量采集模块、热工采集模块、超声波采集模块,分别用于采集电机运行时的振动数据、电量数据、热工数据、超声波数据;
同步控制装置,用于定时发送对时命令给振动采集模块、电量采集模块、热工采集模块、超声波采集模块实现数据采集窗口同步功能,完成时间同步的信号采集。
进一步地,所述云端数据存储服务器1包括:
电机历史数据管理模块,用于采用数据稀疏化存储的方式存储电机各运行状态历史数据;
电机故障特征数据管理模块,用于存储及管理电机故障诊断模型库、故障特征数据库,以及故障特征数据运算操作,其中,所述电机故障诊断模型库记录有不同电机故障诊断的简化参数化模型,作为电机故障诊断的依据和标准,用于电机故障诊断;所述故障特征库存储电机诊断判断阈值、各种故障类型及其故障程度与故障部位信息参数;所述故障特征数据运算操作具体指在实时监测数据被确诊为故障时,将该故障特征数据作为新的诊断判断阈值更新至故障特征数据库中;
电机维修与保养数据管理模块,用于存储并管理电机维修记录、维修前后电机特征数据、零部件更换信息数据。
进一步地,所述数据分析模块包括:
振动信号故障前兆诊断分析模块,用于通过加速度信号时域分析、加速度信号频谱、加速度信号包络谱分析、速度信号时域分析、速度信号频谱、轴心轨迹分析方法,综合判断电机基于振动信号的故障前兆;
电量信号故障前兆诊断分析模块,用于通过电压电流时域特征值分析、电流信号频谱分析、电流谐波分析,综合判断电机基于电压电流信号分析的故障前兆;
热工信号故障前兆诊断分析模块,用于并对热工数据进行实时分析,当热工超过设定的阀值时,系统发出故障预警信息;
超声波信号故障前兆诊断分析模块,用于对超声波信号进行时域特征值分析和频域分析,综合判断电机基于超声波信号的故障前兆。
进一步地,所述振动信号故障前兆诊断分析模块包括:
振动信号时域分析模块,用于对加速度信号与速度信号进行有效值、幅值、峰峰值、波形系数、脉冲系数、峭度系数时域特征值分析,当超过设定的阀值时,系统发出故障预警信息;对振动位移信号进行轴心轨迹分析,利用轴心轨迹图进行故障判识;
加速度信号与速度信号频谱分析模块,用于分别对加速度信号与速度信号进行快速傅里叶变换,得到加速度信号频谱与速度信号频谱;
加速度信号包络谱分析模块,用于首先确定加速度信号共振带,以该共振频谱为中心频率进行带通滤波,然后对滤波后的振动信号进行包络检波,最后对包络信号进行快速傅里叶变换,得到振动加速度信号的包络谱;
所述电量信号故障前兆诊断分析模块包括:
电量信号时域分析模块,用于分析电压电流信号的时域特征值指标,包括有效值、幅值、峰峰值、波形系数,当上述时域特征值指标超过设定的阀值时,发出故障预警信息;
电流信号频谱分析模块,用于对定子电流信号进行频谱分析,通过特定的频率成分、幅值、及其变化趋势,进行电机故障前兆判识;
电流信号谐波分析模块,用于对定子电流信号进行谐波分析,通过检测电流中的谐波成分、幅值、及其变化趋势,对电机进行故障前兆判识;
所述超声波信号故障前兆诊断分析模块包括:
超声波信号时域分析模块,用于通过超声信号的分析,提取电机局部放电量,有效值数据作为绝缘性能的特征量,通过数据比对及历史数据趋势变化分析进行绝缘性能判识;
超声波信号频域分析模块,用于提取不同放电模式下超声波信号的频率特征,通过频率成分故障特征数据比对及数据趋势化分析对电机绝缘性能进行判识。
进一步地,所述健康指数评价模块包括:
联合诊断模块,用于通过所述数据分析模块提取常见故障的故障特征,并与故障特征数据库进行匹配、拟合与插值运算,分别获取振动数据、电量数据、热工数据、超声波数据判识的故障概率及故障程度,采用基于专家系统的联合诊断技术,利用产生式规则的方式形成专家系统推理规则库推算出常见故障的故障类型和故障概率;
电机健康评价模块,用于先对常见故障依次进行分项评分和加权评分得到总分数,根据所得的总分数综合评估电机健康状态,其中,分项评分前,事先对故障特征数据库中的每一项常见故障设置有预设的健康值,对于某一项常见故障,其健康值与发生故障的概率成反比,加权评分时的加权权重与故障危害程度成正比。
进一步地,专家系统推理规则库的推理规则包括前件和后件,
所述前件包括:
条件1:振动信号故障诊断结论与概率,
条件2:电量信号故障诊断结论与概率,
条件3:热工信号故障诊断结论与概率,
条件4:超声波信号故障诊断结论与概率;
所述后件包括:
结论1:故障类型,
结论2:故障概率。
进一步地,所述电机健康状态包括健康状态、亚健康状态、预警状态、停机检修状态、返厂维修状态。
进一步地,还包括:
移动终端,用于通过APP或访问Web服务器的方式进行电机日常巡检,数据接收与传递,实现设备移动点检与电机健康状态诊断的查询。
本发明的另一方面还提供了一种基于多故障特征联合的电机健康指数评价方法,包括步骤
通过数据采集模块同步获取电机各类运行状态数据,所述运行状态数据包括振动数据、电量数据、热工数据、超声波数据;
在云端数据存储服务器存储所述数据采集模块同步获取的电机各类运行状态数据;
根据云端数据存储服务器中存储的电机各类运行状态数据进行信号源分析判识各类故障,包括振动信号故障前兆诊断分析、电量信号故障前兆诊断分析、热工信号故障前兆诊断分析、超声波信号故障前兆诊断分析;
采用基于专家系统的联合诊断方式,分别获取判识所得各类故障的故障概率及故障程度,并结合各类故障的危害程度对各类故障进行综合评分,根据所得综合评分得到电机健康状态。
本发明的另一方面还提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现所述的基于多故障特征联合的电机健康指数评价方法。
本发明的另一方面还提供了一种存储介质,所述存储介质包括存储的程序,在所述程序运行时控制所述存储介质所在的设备执行所述的基于多故障特征联合的电机健康指数评价方法。
本发明具有以下有益效果:
本发明提供的基于多故障特征联合的电机健康指数评价系统包括云端数据存储服务器、数据采集模块、数据分析模块、健康指数评价模块,该系统通过采集电机运行数据或离线检测数据,进行综合分析,全方位地评估电机健康状态,通过对各类故障进行综合评分所得的健康指数,对电机健康状态进行分级,保证电机状态评估的准确性,方便对不同的健康等级,制定不同地维修计划与建议。本发明可以较大程度地减少电机运维成本和维修周期,避免非计划停机造成的经济损失,消除维修过剩与维修不足、备件多余与备件不足的矛盾,提高关键零部件的服役质量和使用寿命。
除了上面所描述的目的、特征和优点之外,本发明还有其它的目的、特征和优点。下面将参照附图,对本发明作进一步详细的说明。
附图说明
构成本发明的一部分的附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为本发明优选实施例的基于多故障特征联合的电机健康指数评价系统组成示意图。
图2为本发明优选实施例的数据同步采集原理示意图。
图3为本发明优选实施例的专家系统推理规则示意图。
图4为本发明优选实施例的基于多故障特征联合的电机健康指数评价方法流程示意图。
图5为本发明优选实施例的电子设备实体示意框图。
图中:1、云端数据存储服务器;2、数据采集模块;3、数据分析模块;4、健康指数评价模块,5、移动终端,6、在线数据采集模块,7、离线数据采集模块,8、振动信号故障前兆诊断分析模块,9、电量信号故障前兆诊断分析模块,10、热工信号故障前兆诊断分析模块,11、超声波信号故障前兆诊断分析模块,12、电机健康评价模块,13、联合诊断模块。
具体实施方式
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明实施例。
如图1所示,本发明优选实施例提供了一种基于多故障特征联合的电机健康指数评价系统,包括:
数据采集模块2,用于同步获取电机各类运行状态数据,所述运行状态数据包括振动数据、电量数据、热工数据、超声波数据;
云端数据存储服务器1,用于存储所述数据采集模块2同步获取的电机各类运行状态数据;
数据分析模块3,用于根据云端数据存储服务器1中存储的电机各类运行状态数据进行信号源分析判识各类故障,包括振动信号故障前兆诊断分析、电量信号故障前兆诊断分析、热工信号故障前兆诊断分析、超声波信号故障前兆诊断分析;
健康指数评价模块4,用于采用基于专家系统的联合诊断方式,分别获取判识所得各类故障的故障概率及故障程度,并结合各类故障的危害程度对各类故障进行综合评分,根据所得综合评分得到电机健康状态。
本实施例提供的基于多故障特征联合的电机健康指数评价系统包括云端数据存储服务器1、数据采集模块2、数据分析模块3、健康指数评价模块4,该系统通过采集电机运行数据或离线检测数据,进行综合分析,全方位地评估电机健康状态,通过对各类故障进行综合评分所得的健康指数,对电机健康状态进行分级,保证电机状态评估的准确性,方便对不同的健康等级,制定不同地维修计划与建议。系统可以较大程度地减少电机运维成本和维修周期,避免非计划停机造成的经济损失,消除维修过剩与维修不足、备件多余与备件不足的矛盾,提高关键零部件的服役质量和使用寿命。
如图2所示,在本发明的优选实施例中,所述数据采集模块2包括:
在线数据采集模块6,用于实时在线地同步采集电机各类运行状态数据;包括振动采集模块、电量采集模块、热工采集模块、超声波采集模块;
离线数据采集模块7,用于通过巡检/点检模式采集电机运行时的电机各类运行状态数据。
具体地,所述在线数据采集模块6具体包括:
在线采集模块,包括振动采集模块、电量采集模块、热工采集模块、超声波采集模块,分别用于采集电机运行时的振动数据、电量数据热工数据、超声波数据;
同步控制装置,用于定时发送对时命令给振动采集模块、电量采集模块、热工采集模块、超声波采集模块实现数据采集窗口同步功能,完成时间同步的信号采集。
所述数据采集模块2具有两种采集方式:电机实时在线运行数据采集及离线巡检/点检数据采集。在线运行数据通过布置在电机上的振动采集模块、电量采集模块、热工采集模块、超声波采集模块实时获取电机运行状态数据,所述振动采集模块包括有振动加速度传感器、电量采集模块包括电量传感器,热工采集模块包括温度传感器,超声波采集模块包括超声波发射探头。离线巡检/点检数据采集通过本系统巡检/点检模式采集电机运行时的振动、电量、热工和超声波数据。数据采集模块2还配置了振动采集板卡、电量采集板卡、热工采集板卡和超声采集板卡,上述各个采集板卡可单独使用,也可以任意组合使用。数据采集模块2支持多板卡数据同步采集。
所述同步控制装置采用本地采集计算机,所述本地采集计算机定时通过以太网总线按照1588协议发送对时命令给所述振动采集模块、电量采集模块、热工采集模块和超声波采集模块,各采集模块根据接收到的对时命令按照1588协议完成数据采集窗口同步功能,使得本地采集计算机总是能够获取到相同时间窗口的振动、电量、热工和超声波数据段,完成时间严格同步的信号采集。多数据源高同步性采集,是综合评价电机健康指数的必要条件。
另外,所述数据采集模块2还提供第三方数据平台接口,可以接收便携式振动分析仪的数据、功率分析仪的数据及电机绝缘性能指标等数据,系统可以对第三方数据进行健康指数评价。
在本发明的优选实施例中,所述云端数据存储服务器1包括:
电机历史数据管理模块,用于采用数据稀疏化存储的方式存储电机各运行状态历史数据,数据稀疏化存储在满足功能性需求的同时,节省存储空间。数据稀疏化存储是按照时间序列,对存储数据进行抽样、拟合,历史数据时间标记越靠前,数据存储越稀疏,时间标记越靠后,数据存储越密集;
电机故障特征数据管理模块,用于存储及管理电机故障诊断模型库、故障特征数据库,以及故障特征数据运算操作,其中,所述电机故障诊断模型库记录有不同电机故障诊断的简化参数化模型,即该电机用于诊断的具体参数指标,主要作为电机故障诊断的依据和标准,用于电机故障诊断;所述故障特征库存储电机诊断判断阈值、各种故障类型及其故障程度与故障部位信息参数;所述故障特征数据运算操作具体指在实时监测数据被确诊为故障时,将该故障特征数据作为新的诊断判断阈值更新至故障特征数据库中;
电机维修与保养数据管理模块,用于存储并管理电机维修记录、维修前后电机特征数据、零部件更换信息数据。
在本发明的优选实施例中,所述数据分析模块3包括:
振动信号故障前兆诊断分析模块8,用于通过加速度信号时域分析、加速度信号频谱、加速度信号包络谱分析、速度信号时域分析、速度信号频谱、轴心轨迹分析方法,综合判断电机基于振动信号的故障前兆;
电量信号故障前兆诊断分析模块9,用于通过电压电流时域特征值分析、电流信号频谱分析、电流谐波分析,综合判断电机基于电压电流信号分析的故障前兆;
热工信号故障前兆诊断分析模块10,用于并对热工数据进行实时分析,当热工超过设定的阀值时,系统发出故障预警信息,电机在异常或故障运行时,热工信号会发生异常,因此,本实施例通过温度传感器,采集电机实时热工数据,并对热工数据进行实时监测和分析;
超声波信号故障前兆诊断分析模块11,用于对超声波信号进行时域特征值分析和频域分析,综合判断电机基于超声波信号的故障前兆。
具体地,所述振动信号故障前兆诊断分析模块8包括:
振动信号时域分析模块,用于对加速度信号与速度信号进行有效值、幅值、峰峰值、波形系数、脉冲系数、峭度系数时域特征值分析,当超过设定的阀值时,系统发出故障预警信息;对振动位移信号进行轴心轨迹分析,利用轴心轨迹图进行故障判识;
加速度信号与速度信号频谱分析模块,用于分别对加速度信号与速度信号进行快速傅里叶变换,得到加速度信号频谱与速度信号频谱;通过电机转速r,计算出电机转频f,然后由电机转频f,得到加速度信号与速度信号的1倍频1X、2倍频2X、3倍频3X、2倍频4X等高次转频,根据这些转频的幅值及变化趋势即可进行电机故障判识;
加速度信号包络谱分析模块,用于首先确定加速度信号共振带,以该共振频谱为中心频率进行带通滤波,然后对滤波后的振动信号进行包络检波(本实施例采用Hilbert变换),最后对包络信号进行快速傅里叶变换,得到振动加速度信号的包络谱,由设备几何尺寸参数,计算故障特征频率成分,在包络谱中,计算故障特征频率成分及变化趋势,进行轴承故障判识:轴承不同故障所对应的频率成分可以通过理论计算得到,只需输入轴承参数就可以得到每一种故障所对应的频率点是多少,查这个频率点的数值可以判识是否有故障。
所述电量信号故障前兆诊断分析模块9包括:
电量信号时域分析模块,用于分析电压电流信号的时域特征值指标,包括有效值、幅值、峰峰值、波形系数,当上述时域特征值指标超过设定的阀值时,发出故障预警信息;
电流信号频谱分析模块,用于对定子电流信号进行频谱分析,通过特定的频率成分、幅值、及其变化趋势,进行电机故障前兆判识;由于电机发生故障时,在定子电流信号中产生特定的频率成分,因此由故障机理分析可知常见故障的定子电流故障特征频率;
电流信号谐波分析模块,用于对定子电流信号进行谐波分析,通过检测电流中的谐波成分、幅值、及其变化趋势,对电机进行故障前兆判识;电机有异常或劣化时,就会产生高次谐波,本实施例可以分析50次以内的电流谐波,通过故障特征数据库及历史数据比对,即可准确地进行电机故障前兆判识。
所述超声波信号故障前兆诊断分析模块11包括:
超声波信号时域分析模块,用于通过超声信号的分析,提取电机局部放电量,有效值数据作为绝缘性能的特征量,通过数据比对及历史数据趋势变化分析进行绝缘性能判识;本实施例中电晕放电、局部放电、电弧放电的波形幅值与有效值数据依此增大,超声波信号故障前兆诊断分析模块11内置了大量的放电波形及幅值、有效值等特征值数据,通过数据比对及历史数据趋势变化分析进行绝缘性能判识;
超声波信号频域分析模块,用于提取不同放电模式下超声波信号的频率特征,通过频率成分故障特征数据比对及数据趋势化分析对电机绝缘性能进行判识,本实施例通过经验模态分解的方法,将复杂的超声波信号分解为多个反应不同尺度局部特征的本征模态函数,再利用快速傅里叶变换计算超声波信号的频率成分,通过频率成分故障特征数据比对及数据趋势化分析对电机绝缘性能进行判识。
电机绝缘性能裂化时,常常伴随着局部放电现象,且绝缘性能越差,局部放电量越大。本实施例通过超声波信号采集装置采集电机运行时的超声信号,通过超声波信号时域分析模块和超声波信号频域分析模块分别对超声波信号进行时域特征值分析和频域分析。当超声波采集模块为多通道时,利用通道之间接受信号的时间差及声波传播速度,可以对局部放电点进行定位。
在本发明的优选实施例中,所述健康指数评价模块4包括:
联合诊断模块13,用于通过所述数据分析模块3提取常见故障的故障特征,并与故障特征数据库进行匹配、拟合与插值运算,分别获取振动数据、电量数据、热工数据、超声波数据判识的故障概率及故障程度,采用基于专家系统的联合诊断技术,利用产生式规则的方式形成专家系统推理规则库推算出常见故障的故障类型和故障概率;
电机健康评价模块12,用于先对常见故障依次进行分项评分和加权评分得到总分数,根据所得的总分数综合评估电机健康状态,其中,分项评分前,事先对故障特征数据库中的每一项常见故障设置有预设的健康值,对于某一项常见故障,其健康值与发生故障的概率成反比,加权评分时的加权权重与故障危害程度成正比。
具体地,如图3所示,所述专家系统推理规则库的推理规则包括前件和后件,
所述前件包括:
条件1:振动信号故障诊断结论与概率,
条件2:电量信号故障诊断结论与概率,
条件3:热工信号故障诊断结论与概率,
条件4:超声波信号故障诊断结论与概率;
所述后件包括:
结论1:故障类型,
结论2:故障概率。
上述实施例通过振动信号诊断分析、电量信号诊断分析、热工信号诊断分析、超声波信号诊断分析等单一信号源分析,提取常见故障的故障特征,并与故障特征数据库进行匹配、拟合与插值等运算,分别获取振动信号、电量信号、热工信号、超声波信号判识的故障概率及故障程度。本实施例采用基于专家系统的联合诊断技术,利用产生式规则的方式形成专家系统推理规则库。相对于传感器数据源层级的数据联合,本实施例采用的决策层级数据联合可以减少数据存储及运算量,融合效果更好。
正常来说,上述推理规则中每一个条件都会出现,只是每个条件出现后对应的概率有高低之分,那么必然会推出故障类型和概率,每个条件都会有一系列故障和对应的概率,然后结论里面也是固定的故障类型,只是每个故障的概率由前面4个条件组合推算出,其中,本实施例的推理规则为充分必要条件假言推理,推理时将每个条件的每个故障列出来,如果没有该故障,概率可以直接等于0,然后结合推出的结论进行相应概率换算。
云端数据存储服务器1中的故障特征数据库涵盖了几乎所有常见故障,本实施例对通过基于专家系统的多故障特征联合诊断分析技术,系统对故障特征数据库中的每一项故障进行健康值赋分,每一项会有一个具体的计算值,同时由对该值评判的区间标准,如值在小于d1区间时给5分,值在d1~d2区间时给4分,值在d2~d3区间时给3分,值在d3~d4区间时给2分,值在d4~d5区间时给1分,大于d5的区间给0分。对于某一项故障,健康数值越高,发生故障的可能性越低。电机健康评价模块12对常见的故障进行分项评分,然后对进行加权评分,综合评估电机健康状态。综合评分的加权权重与故障危害程度相关,故障造成的危害越大,加权权重越大。加权权重由系统根据数据库分析预设,用户可以根据需要或侧重点进行适当修改,如总共有10项故障,最高权值是1,最低是0,最重视电机轴承和绝缘故障,那么轴承和绝缘故障权值给1,不平衡不对中故障不要紧,那么权值给0.5,这些权值依据实际情况再进行微调。
在本发明的优选实施例中,所述电机健康状态包括健康状态、亚健康状态、预警状态、停机检修状态、返厂维修状态。各状态可根据总分数的分数区间进行确定:如果总分100分,那么设90分以上表示健康状态,设80~90表示亚健康状态,设70~80表示预警状态、设60~70表示停机检修状态、设60以下表示返厂维修状态。在电机健康状态评估完成后,系统可以自动生产健康评估报告及相应状态等级的维护计划及建议。
在本发明的优选实施例中,所述基于多故障特征联合的电机健康指数评价系统还包括:
移动终端5,用于通过APP或访问Web服务器的方式进行电机日常巡检,数据接收与传递,实现设备移动点检与电机健康状态诊断的查询。
本实施例利用移动终端5,如智能手机进行电机日常巡检,实现设备移动点检与诊断查询。智能手机通过APP可以从设备层获取电机运行状态数据,查看电机运行状态,还可以用于接收与传递数据,将接收的电机运行状态数据传输至厂区的云端数据存储服务器1。此外,用户还可以通过智能手机APP访问云端数据存储服务器1,查看电机故障前兆诊断结果。
如图4所示,本发明的实施例还提供了一种基于多故障特征联合的电机健康指数评价方法,包括步骤
S1、通过数据采集模块1同步获取电机各类运行状态数据,所述运行状态数据包括振动数据、电量数据、热工数据、超声波数据;
S2、在云端数据存储服务器1存储所述数据采集模块2同步获取的电机各类运行状态数据;
S3、根据云端数据存储服务器1中存储的电机各类运行状态数据进行信号源分析判识各类故障,包括振动信号故障前兆诊断分析、电量信号故障前兆诊断分析、热工信号故障前兆诊断分析、超声波信号故障前兆诊断分析;
S4、采用基于专家系统的联合诊断方式,分别获取判识所得各类故障的故障概率及故障程度,并结合各类故障的危害程度对各类故障进行综合评分,根据所得综合评分得到电机健康状态。
如图5所示,本发明的实施例还提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现所述的基于多故障特征联合的电机健康指数评价方法。
本发明的实施例还提供了一种存储介质,所述存储介质包括存储的程序,在所述程序运行时控制所述存储介质所在的设备执行所述的基于多故障特征联合的电机健康指数评价方法。
相比现有技术,本发明的上述实施例具有如下特点和优势,
1、电机健康指数评价系统将在线监测与离线巡检/点检一体化,通过对电机实时运行数据与离线数据的综合分析,定性评估电机健康状态。在电机有故障时,准确诊断出故障类型、故障程度及故障点;电机没有故障时,通过故障特征库及历史数据对比分析及历史数据趋势化分析,可预测电机在未来可能产生或即将产生还没产生的故障。
2、电机健康指数评价系统采用多源/异地多参数同步数据采集技术,保证数据测量的同步性。通过不同数据源故障特征联合分析的方法,综合评估电机健康指数,保证电机状态评估的准确性。
3、相对于振动信息故障前兆诊断分析适用于常见的机械故障、电量信号故障前兆诊断分析适用于常见的电气故障、超声波信号故障前兆诊断分析适用于常见的绝缘性能裂化故障、热工信号适用于晚期较严重的故障等特点,所述电机健康指数评价系统采用多故障特征联合诊断技术,可以全面覆盖机械故障、电气故障、绝缘裂化故障等常见故障,保证电机状态评估的准确性。
4、电机的运行涉及机械系统、电路系统、磁路系统、绝缘系统、通风散热系统等。任何类型的故障,都会引起其他系统微弱的变化。对于电机早期潜在的微弱故障,所述电机健康指数评价系统采用多故障特征联合诊断的方式可以更准确地进行故障前兆判识,方便对不同的健康等级,制定不同地维修计划与建议,从而较大程度地减少电机运维成本和维修周期,避免非计划停机造成的经济损失,消除维修过剩与维修不足、备件多余与备件不足的矛盾,提高关键零部件的服役质量和使用寿命。
需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
上述实施例的方法的功能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,可以存储在一个或者多个计算设备可读取存储介质中。基于这样的理解,本发明的实施例对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该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设备(可以是个人计算机,服务器,移动计算设备或者网络设备等)执行本发明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。
以上所述仅为本发明优选实施例而已,并不用于限制本发明实施例,对于本领域的技术人员来说,本发明实施例可以有各种更改和变化。凡在本发明实施例的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明实施例的保护范围之内。
Claims (10)
1.一种基于多故障特征联合的电机健康指数评价系统,其特征在于,包括:
数据采集模块(2),用于同步获取电机各类运行状态数据,所述运行状态数据包括振动数据、电量数据、热工数据、超声波数据;
云端数据存储服务器(1),用于存储所述数据采集模块(2)同步获取的电机各类运行状态数据;
数据分析模块(3),用于根据云端数据存储服务器(1)中存储的电机各类运行状态数据进行信号源分析判识各类故障,包括振动信号故障前兆诊断分析、电量信号故障前兆诊断分析、热工信号故障前兆诊断分析、超声波信号故障前兆诊断分析;
健康指数评价模块(4),用于采用基于专家系统的联合诊断方式,分别获取判识所得各类故障的故障概率及故障程度,并结合各类故障的危害程度对各类故障进行综合评分,根据所得综合评分得到电机健康状态。
2.根据权利要求1所述的基于多故障特征联合的电机健康指数评价系统,其特征在于,所述数据采集模块(2)包括:
在线数据采集模块(6),用于实时在线地同步采集电机各类运行状态数据;包括振动采集模块、电量采集模块、热工采集模块、超声波采集模块;
离线数据采集模块(7),用于通过巡检/点检模式采集电机运行时的电机各类运行状态数据。
3.根据权利要求2所述的基于多故障特征联合的电机健康指数评价系统,其特征在于,所述在线数据采集模块(6)具体包括:
在线采集模块,包括振动采集模块、电量采集模块、热工采集模块、超声波采集模块,分别用于采集电机运行时的振动数据、电量数据、热工数据、超声波数据;
同步控制装置,用于定时发送对时命令给振动采集模块、电量采集模块、热工采集模块、超声波采集模块实现数据采集窗口同步功能,完成时间同步的信号采集。
4.根据权利要求1所述的基于多故障特征联合的电机健康指数评价系统,其特征在于,所述云端数据存储服务器(1)包括:
电机历史数据管理模块,用于采用数据稀疏化存储的方式存储电机各运行状态历史数据;
电机故障特征数据管理模块,用于存储及管理电机故障诊断模型库、故障特征数据库,以及故障特征数据运算操作,其中,所述电机故障诊断模型库记录有不同电机故障诊断的简化参数化模型,作为电机故障诊断的依据和标准,用于电机故障诊断;所述故障特征库存储电机诊断判断阈值、各种故障类型及其故障程度与故障部位信息参数;所述故障特征数据运算操作具体指在实时监测数据被确诊为故障时,将该故障特征数据作为新的诊断判断阈值更新至故障特征数据库中;
电机维修与保养数据管理模块,用于存储并管理电机维修记录、维修前后电机特征数据、零部件更换信息数据。
5.根据权利要求1所述的基于多故障特征联合的电机健康指数评价系统,其特征在于,所述数据分析模块(3)包括:
振动信号故障前兆诊断分析模块(8),用于通过加速度信号时域分析、加速度信号频谱、加速度信号包络谱分析、速度信号时域分析、速度信号频谱、轴心轨迹分析方法,综合判断电机基于振动信号的故障前兆;
电量信号故障前兆诊断分析模块(9),用于通过电压电流时域特征值分析、电流信号频谱分析、电流谐波分析,综合判断电机基于电压电流信号分析的故障前兆;
热工信号故障前兆诊断分析模块(10),用于并对热工数据进行实时分析,当热工超过设定的阀值时,系统发出故障预警信息;
超声波信号故障前兆诊断分析模块(11),用于对超声波信号进行时域特征值分析和频域分析,综合判断电机基于超声波信号的故障前兆。
6.根据权利要求5所述的基于多故障特征联合的电机健康指数评价系统,其特征在于,
所述振动信号故障前兆诊断分析模块(8)包括:
振动信号时域分析模块,用于对加速度信号与速度信号进行有效值、幅值、峰峰值、波形系数、脉冲系数、峭度系数时域特征值分析,当超过设定的阀值时,系统发出故障预警信息;对振动位移信号进行轴心轨迹分析,利用轴心轨迹图进行故障判识;
加速度信号与速度信号频谱分析模块,用于分别对加速度信号与速度信号进行快速傅里叶变换,得到加速度信号频谱与速度信号频谱;
加速度信号包络谱分析模块,用于首先确定加速度信号共振带,以该共振频谱为中心频率进行带通滤波,然后对滤波后的振动信号进行包络检波,最后对包络信号进行快速傅里叶变换,得到振动加速度信号的包络谱;
所述电量信号故障前兆诊断分析模块(9)包括:
电量信号时域分析模块,用于分析电压电流信号的时域特征值指标,包括有效值、幅值、峰峰值、波形系数,当上述时域特征值指标超过设定的阀值时,发出故障预警信息;
电流信号频谱分析模块,用于对定子电流信号进行频谱分析,通过特定的频率成分、幅值、及其变化趋势,进行电机故障前兆判识;
电流信号谐波分析模块,用于对定子电流信号进行谐波分析,通过检测电流中的谐波成分、幅值、及其变化趋势,对电机进行故障前兆判识;
所述超声波信号故障前兆诊断分析模块(11)包括:
超声波信号时域分析模块,用于通过超声信号的分析,提取电机局部放电量,有效值数据作为绝缘性能的特征量,通过数据比对及历史数据趋势变化分析进行绝缘性能判识;
超声波信号频域分析模块,用于提取不同放电模式下超声波信号的频率特征,通过频率成分故障特征数据比对及数据趋势化分析对电机绝缘性能进行判识。
7.根据权利要求1所述的基于多故障特征联合的电机健康指数评价系统,其特征在于,所述健康指数评价模块(4)包括:
联合诊断模块(13),用于通过所述数据分析模块(3)提取常见故障的故障特征,并与故障特征数据库进行匹配、拟合与插值运算,分别获取振动数据、电量数据、热工数据、超声波数据判识的故障概率及故障程度,采用基于专家系统的联合诊断技术,利用产生式规则的方式形成专家系统推理规则库推算出常见故障的故障类型和故障概率;
电机健康评价模块(12),用于先对常见故障依次进行分项评分和加权评分得到总分数,根据所得的总分数综合评估电机健康状态,其中,分项评分前,事先对故障特征数据库中的每一项常见故障设置有预设的健康值,对于某一项常见故障,其健康值与发生故障的概率成反比,加权评分时的加权权重与故障危害程度成正比。
8.根据权利要求7所述的基于多故障特征联合的电机健康指数评价系统,其特征在于,
专家系统推理规则库的推理规则包括前件和后件,
所述前件包括:
条件1:振动信号故障诊断结论与概率,
条件2:电量信号故障诊断结论与概率,
条件3:热工信号故障诊断结论与概率,
条件4:超声波信号故障诊断结论与概率;
所述后件包括:
结论1:故障类型,
结论2:故障概率。
9.根据权利要求1至8中任一项所述的基于多故障特征联合的电机健康指数评价系统,其特征在于,所述电机健康状态包括健康状态、亚健康状态、预警状态、停机检修状态、返厂维修状态。
10.根据权利要求1所述的基于多故障特征联合的电机健康指数评价系统,其特征在于,还包括:
移动终端(5),用于通过APP或访问Web服务器的方式进行电机日常巡检,数据接收与传递,实现设备移动点检与电机健康状态诊断的查询。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011560227.3A CN112763908B (zh) | 2020-12-25 | 2020-12-25 | 一种基于多故障特征联合的电机健康指数评价系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011560227.3A CN112763908B (zh) | 2020-12-25 | 2020-12-25 | 一种基于多故障特征联合的电机健康指数评价系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112763908A true CN112763908A (zh) | 2021-05-07 |
CN112763908B CN112763908B (zh) | 2023-09-12 |
Family
ID=75694428
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011560227.3A Active CN112763908B (zh) | 2020-12-25 | 2020-12-25 | 一种基于多故障特征联合的电机健康指数评价系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112763908B (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112363027A (zh) * | 2020-10-21 | 2021-02-12 | 中车青岛四方机车车辆股份有限公司 | 一种支撑电容绝缘状态确定方法、系统、可读介质及设备 |
CN113251942A (zh) * | 2021-07-14 | 2021-08-13 | 四川大学 | 基于应变和声波传感的发电机定子故障监测的方法和装置 |
CN113446235A (zh) * | 2021-07-08 | 2021-09-28 | 上海威派格智慧水务股份有限公司 | 一种二次供水设备的离心泵故障诊断方法 |
CN113777488A (zh) * | 2021-09-14 | 2021-12-10 | 中国南方电网有限责任公司超高压输电公司昆明局 | 阀冷主泵电机的状态评估方法、装置、计算机设备 |
CN113835029A (zh) * | 2021-09-22 | 2021-12-24 | 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 |
CN113955149A (zh) * | 2021-11-25 | 2022-01-21 | 北京润科通用技术有限公司 | 一种电机系统的健康诊断方法和装置 |
CN114167282A (zh) * | 2021-12-03 | 2022-03-11 | 深圳市双合电气股份有限公司 | 一种电动机故障诊断及劣化趋势预测方法及系统 |
CN114417941A (zh) * | 2022-03-28 | 2022-04-29 | 中电科创智联(武汉)有限责任公司 | 一种曲轴故障检测方法及系统 |
CN114954587A (zh) * | 2022-06-28 | 2022-08-30 | 西安英特迈思信息科技有限公司 | 轨道工程车辆走行部故障分析系统 |
CN115047335A (zh) * | 2022-05-30 | 2022-09-13 | 三一重型装备有限公司 | 电机的检测方法、装置、可读存储介质和工程机械 |
CN115062677A (zh) * | 2022-08-19 | 2022-09-16 | 沃德传动(天津)股份有限公司 | 一种基于设备行为的智能故障诊断方法 |
CN116184200A (zh) * | 2023-04-26 | 2023-05-30 | 国家石油天然气管网集团有限公司 | 一种输油泵感应电机的健康状态评估方法及系统 |
CN116381490A (zh) * | 2023-06-05 | 2023-07-04 | 江苏铭星智能家居有限公司 | 一种基于数据分析的推杆电机性能检测系统及方法 |
CN117169717A (zh) * | 2023-09-11 | 2023-12-05 | 江苏微之润智能技术有限公司 | 一种基于单片机的电机健康评估方法、装置及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110018727A1 (en) * | 2009-07-24 | 2011-01-27 | Honeywell International Inc. | Wind turbine generator fault diagnostic and prognostic device and method |
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 |
CN108921303A (zh) * | 2018-05-29 | 2018-11-30 | 青岛鹏海软件有限公司 | 工业电动机的故障诊断及预测性维护方法 |
CN110133500A (zh) * | 2019-05-13 | 2019-08-16 | 中机国际工程设计研究院有限责任公司 | 基于多层架构的电机在线监测与故障前兆诊断系统及方法 |
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 |
-
2020
- 2020-12-25 CN CN202011560227.3A patent/CN112763908B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110018727A1 (en) * | 2009-07-24 | 2011-01-27 | Honeywell International Inc. | Wind turbine generator fault diagnostic and prognostic device and method |
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 |
CN108921303A (zh) * | 2018-05-29 | 2018-11-30 | 青岛鹏海软件有限公司 | 工业电动机的故障诊断及预测性维护方法 |
CN110133500A (zh) * | 2019-05-13 | 2019-08-16 | 中机国际工程设计研究院有限责任公司 | 基于多层架构的电机在线监测与故障前兆诊断系统及方法 |
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 |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112363027A (zh) * | 2020-10-21 | 2021-02-12 | 中车青岛四方机车车辆股份有限公司 | 一种支撑电容绝缘状态确定方法、系统、可读介质及设备 |
CN113446235A (zh) * | 2021-07-08 | 2021-09-28 | 上海威派格智慧水务股份有限公司 | 一种二次供水设备的离心泵故障诊断方法 |
CN113251942A (zh) * | 2021-07-14 | 2021-08-13 | 四川大学 | 基于应变和声波传感的发电机定子故障监测的方法和装置 |
CN113251942B (zh) * | 2021-07-14 | 2021-09-14 | 四川大学 | 基于应变和声波传感的发电机定子故障监测的方法和装置 |
CN113777488A (zh) * | 2021-09-14 | 2021-12-10 | 中国南方电网有限责任公司超高压输电公司昆明局 | 阀冷主泵电机的状态评估方法、装置、计算机设备 |
CN113777488B (zh) * | 2021-09-14 | 2023-12-12 | 中国南方电网有限责任公司超高压输电公司昆明局 | 阀冷主泵电机的状态评估方法、装置、计算机设备 |
CN113835029A (zh) * | 2021-09-22 | 2021-12-24 | 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 |
CN113955149A (zh) * | 2021-11-25 | 2022-01-21 | 北京润科通用技术有限公司 | 一种电机系统的健康诊断方法和装置 |
CN113955149B (zh) * | 2021-11-25 | 2023-06-16 | 北京润科通用技术有限公司 | 一种电机系统的健康诊断方法和装置 |
CN114167282B (zh) * | 2021-12-03 | 2022-08-12 | 深圳市双合电气股份有限公司 | 一种电动机故障诊断及劣化趋势预测系统 |
CN114167282A (zh) * | 2021-12-03 | 2022-03-11 | 深圳市双合电气股份有限公司 | 一种电动机故障诊断及劣化趋势预测方法及系统 |
CN114417941A (zh) * | 2022-03-28 | 2022-04-29 | 中电科创智联(武汉)有限责任公司 | 一种曲轴故障检测方法及系统 |
CN115047335A (zh) * | 2022-05-30 | 2022-09-13 | 三一重型装备有限公司 | 电机的检测方法、装置、可读存储介质和工程机械 |
WO2023231463A1 (zh) * | 2022-05-30 | 2023-12-07 | 三一重型装备有限公司 | 电机的检测方法、装置、可读存储介质和工程机械 |
CN114954587A (zh) * | 2022-06-28 | 2022-08-30 | 西安英特迈思信息科技有限公司 | 轨道工程车辆走行部故障分析系统 |
CN115062677A (zh) * | 2022-08-19 | 2022-09-16 | 沃德传动(天津)股份有限公司 | 一种基于设备行为的智能故障诊断方法 |
CN116184200B (zh) * | 2023-04-26 | 2023-08-04 | 国家石油天然气管网集团有限公司 | 一种输油泵感应电机的健康状态评估方法及系统 |
CN116184200A (zh) * | 2023-04-26 | 2023-05-30 | 国家石油天然气管网集团有限公司 | 一种输油泵感应电机的健康状态评估方法及系统 |
CN116381490A (zh) * | 2023-06-05 | 2023-07-04 | 江苏铭星智能家居有限公司 | 一种基于数据分析的推杆电机性能检测系统及方法 |
CN116381490B (zh) * | 2023-06-05 | 2023-08-11 | 江苏铭星智能家居有限公司 | 一种基于数据分析的推杆电机性能检测系统及方法 |
CN117169717A (zh) * | 2023-09-11 | 2023-12-05 | 江苏微之润智能技术有限公司 | 一种基于单片机的电机健康评估方法、装置及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112763908B (zh) | 2023-09-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112763908A (zh) | 一种基于多故障特征联合的电机健康指数评价系统 | |
CN110647133B (zh) | 轨道交通设备状态检测维护方法及系统 | |
US11467562B2 (en) | Online monitoring device and system for a 3D printing device | |
CN102707232B (zh) | 电动机设备状态在线监测装置及其监测方法 | |
EP1242923B1 (en) | A process for the monitoring and diagnostics of data from a remote asset | |
CN110779716A (zh) | 嵌入式机械故障智能诊断设备及诊断方法 | |
CN114576152B (zh) | 水泵状态监测系统、监测方法、装置、电子设备和介质 | |
CN110133500B (zh) | 基于多层架构的电机在线监测与故障前兆诊断系统及方法 | |
CN114580666A (zh) | 一种多模式融合电动机智能维护系统 | |
CN112711850A (zh) | 一种基于大数据的机组在线监测方法 | |
CN116224137A (zh) | 一种ups设备故障预警方法及系统 | |
AU2023210611A1 (en) | Method and apparatus for operating state analysis and early warning of auxiliary device of hydroelectric station, and decision support system for hydroelectric production | |
CN116880454A (zh) | 车辆故障智能诊断系统与方法 | |
CN114323642A (zh) | 风电机组振动数据处理系统以及数据稀释方法 | |
KR20210006832A (ko) | 기계고장 진단 방법 및 장치 | |
CN112782614A (zh) | 一种基于多信息融合的变流器的故障预警方法及装置 | |
Lv et al. | A new feature extraction technique for early degeneration detection of rolling bearings | |
CN112782499B (zh) | 一种基于多信息融合的变流器的状态评估方法及装置 | |
CN112664410A (zh) | 一种基于大数据的机组在线监测系统建模方法 | |
CN117074852A (zh) | 一种配电网电能监测预警管理方法及系统 | |
Cao et al. | Remaining useful life prediction of wind turbine generator bearing based on EMD with an indicator | |
US11339763B2 (en) | Method for windmill farm monitoring | |
CN114167282B (zh) | 一种电动机故障诊断及劣化趋势预测系统 | |
CN115809731A (zh) | 一种风力发电机组故障分析系统、方法及介质 | |
Zuev et al. | Diagnosis methods for mechanisms and machines based on empirical mode decomposition of a vibrosignal and the wilcoxon test |
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 |