CN113094952B - 一种基于杂散磁场的永磁电机静态偏心检测方法 - Google Patents
一种基于杂散磁场的永磁电机静态偏心检测方法 Download PDFInfo
- Publication number
- CN113094952B CN113094952B CN202110367107.XA CN202110367107A CN113094952B CN 113094952 B CN113094952 B CN 113094952B CN 202110367107 A CN202110367107 A CN 202110367107A CN 113094952 B CN113094952 B CN 113094952B
- Authority
- CN
- China
- Prior art keywords
- motor
- static eccentricity
- static
- magnetic field
- neural network
- 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
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
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- 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
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
- G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Geometry (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Computer Hardware Design (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Control Of Motors That Do Not Use Commutators (AREA)
Abstract
本申请公开了一种基于杂散磁场的永磁电机静态偏心检测方法,包括步骤1:利用电磁有限元仿真软件获取待测电机杂散磁场数据,建立静态偏心检测神经网络模型;步骤2:采集待测电机的杂散磁场信号并对杂散磁场信号进行数据处理;步骤3:判断是否仅存在静态偏心;步骤4:仅存在静态偏心时,将步骤2中试验数据输入到步骤1的静态偏心检测神经网络模型得出待测永磁电机静态偏心率εSE和偏心圆周角γ。本发明是一种非侵入式的永磁电机静态偏心故障检测方法,其使用方便、检测精度高,可广泛应用于各类径向磁通永磁电机的静态偏心诊断中。
Description
技术领域
本发明属于电机故障诊断领域,涉及电机的静态偏心诊断,具体涉及一种基于杂散磁场的永磁电机静态偏心检测方法。
背景技术
旋转电机的气隙偏心,是定、转子之间气隙不均匀的一种现象。轻度偏心会引起电机振动与噪声增加,重度偏心会使电机寿命大幅下降,而极端情况下的偏心会导致电机定转子刮擦扫膛甚至立即报废,造成严重的经济损失或人员伤亡。因此,电机的偏心检测是相当重要的。
在研究中,常常把定子10、转子20横截面视为理想的圆形,按照转子20 的运动特点将偏心分为静态偏心、动态偏心以及混合偏心3种情况。其中,静态偏心是指转子圆心OR相对定子圆心OS静止且偏离定子圆心OS的情况,如图 1所示。静态偏心时,线段OROS的长度,定义为静态偏心距eSE。理想情况下,静态偏心可以用静态偏心的程度和方向来进行描述。静态偏心的程度用静态偏心率εSE=eSE/g0来定量表示,其中g0为电机无偏心时的气隙长度;而静态偏心的方向用偏心圆周角γ来定量表示,如图1所示,γ为转子圆心OR偏离定子圆心 OS的方向与极坐标轴的夹角。
传统的利用定子绕组电压来进行静态偏心诊断的方法,在某些情况下并不适用。比如在多单元电机的情况下定子绕组电压易被多个单元电机的绕组电压所平均,掩盖偏心电压特征。除了利用定子绕组电压外,电机静态偏心检测主要集中于利用偏心后变化的电机气隙磁场及直接受其影响的物理量。如中国专利CN 104965175A一种发电机气隙静态偏心故障方位及故障程度的检测方法,在发电机气隙内布置了4个探测线圈,通过比较各个探测线圈的电压幅值来判断偏心的程度和方向。但这种方法需要在电机气隙内布置探测线圈,对于许多气隙狭小的电机,如电动车用永磁同步电机来说并不合适。中国专利CN109541461 A一种基于磁场分布监测的永磁同步电机偏心故障诊断方法,克服了该缺点,通过在永磁同步电机的每个定子齿上缠绕线圈的方式,先计算各定子齿磁通的基波幅值,再进行偏心检测。然而,这两种方法均必须在电机内部布置探测线圈,是一种需要改变电机机构的侵入式检测方法,增加了电机的生产成本,不利于大规模推广。还有一些方法是利用电机的振动和噪声信号做静态偏心检测,这些方法属于非侵入式检测方法,虽然不需要改变电机机构,但受电机的材料、安装方式以及环境的影响较大,静态偏心检测精度不高。
发明内容
本发明的目的是克服上述永磁电机静态偏心故障检测方法的缺点,提供一种使用方便、检测精度高且非侵入式的永磁电机静态偏心故障检测方法,可适用于各类径向磁通永磁电机的静态偏心诊断。
本发明为解决技术问题,所采用的技术方案是:
一种基于杂散磁场的永磁电机静态偏心检测方法,包括以下步骤:步骤1:利用电磁有限元仿真软件获取待测电机杂散磁场数据,建立静态偏心检测神经网络模型;步骤2:采集待测电机的杂散磁场信号并对杂散磁场信号进行数据处理;步骤3:判断是否仅存在静态偏心;步骤4:仅存在静态偏心时,将步骤 2中试验数据输入到步骤1的静态偏心检测神经网络模型得出待测永磁电机静态偏心率εSE和偏心圆周角γ。
所述步骤1的具体操作如下:
1.1建立电磁有限元模型并进行仿真,导出数据
建立n×m个不同静态偏心率εSE和偏心圆周角γ的待测电机的电磁有限元模型;在转速nr小于60rpm的情况下,对n×m个电磁有限元模型进行仿真计算;在电机端面建立极坐标系,自极坐标轴开始,电机壳外圆周均匀分布A个传感器,A≥3,分别从每个传感器的位置,从电磁有限元模型中导出An×m组杂散磁场径向磁密时间历程数据。
1.2对仿真数据进行快速傅里叶变换
将步骤1.1导出An×m组杂散磁场径向磁密时间历程数据进行快速傅里叶变换,再提取出变换后得到的幅频特性结果中频率为基频pfr处的基波幅值(其中p为待测电机的极对数,fr为待测电机的机械转频,fr=nr/60),共得到An×m 个数字,将这些数字按照静态偏心工况和信号来源位置编为A个向量,分别称为第1点基波幅值训练向量AcT1、第2点基波幅值训练向量AcT2……和第A点基波幅值训练向量AcTA,AcT1、AcT2……和AcTA分别代表来自编号1、2……A传感器数据,AcT1、AcT2……和AcTA中元素的排列顺序与电磁有限模型的偏心工况排列顺序相同。
1.3建立静态偏心检测神经网络模型
所述静态偏心检测神经网络模型为BP神经网络模型,BP神经网络模型包含输入层、隐含层和输入层,所述输入层节点有A个。将第1点基波幅值训练向量AcT1、第2点基波幅值训练向量AcT2……和第A点基波幅值训练向量AcTA进行归一化处理,再作为神经网络的输入;将静态偏心率训练向量εSET和偏心圆周角训练向量γT进行归一化处理,再作为神经网络的输出;以正切S型传递函数为隐含层节点传递函数,线性传递函数为输出层节点传递函数,贝叶斯正则化的BP算法训练函数为反向传播函数,对神经网络进行训练,得到静态偏心检测神经网络模型。
所述步骤2的具体操作如下:
2.1试验采集待测电机的杂散磁场径向磁密
采集待测电机的杂散磁场径向磁密的传感器有A个,A≥3,传感器均匀分布电机壳外圆周,以恒定转速nr反拖待测电机,记录各测点1个机械周期所采集的数据,共得到A组杂散磁场径向磁密时间历程试验数据。
2.2试验数据进行快速傅里叶变换
将步骤2.1得到的数据进行快速傅里叶变换,提取出基波幅值,来自传感器1-A的基波幅值分别记为第1点基波幅值AcE1、第2点基波幅值AcE2……和第A点基波幅值AcEA。
所述步骤3的具体操作如下:
3.1判断流程1
若步骤2.1中得到的某一点杂散磁场径向磁密时间历程各波峰高度不同,则发生了动态偏心,结束检测;反之,若步骤2.1中得到的某一点杂散磁场径向磁密时间历程各波峰高度相同,则不存在动态偏心,进入判断流程2。
3.2判断流程2
步骤2.2中得到的第1点基波幅值AcE1、第2点基波幅值AcE2……和第A点基波幅值AcEA均相同,则不存在静态偏心,无需进一步检测;若有所不同,则存在静态偏心,进入步骤4。
所述步骤4的具体操作如下:
4.1将结果导入静态偏心检测神经网络模型
将步骤2.2得到的第1点基波幅值AcE1、第2点基波幅值AcE2……和第A点基波幅值AcEA进行归一化处理,再导入步骤1.3得到的静态偏心检测神经网络模型,进行计算。
4.2得到待测电机的静态偏心率和偏心圆周角
将静态偏心检测神经网络模型的输出结果进行反归一化处理,获得待测电机的静态偏心率εSE和偏心圆周角γ情况。
本发明利用电机泄露到机壳之外的磁场即杂散磁场进行静态偏心检测,永磁电机未通电时其杂散磁场完全来自于永磁体气隙磁场,其包含了气隙偏心的特征。本发明可以在不通电的情况下采集电机杂散磁场数据,实现非侵入式地检测永磁电机的静态偏心率εSE和偏心圆周角γ,操作方便、检测准确,可应用于各类旋转永磁电机,比如家电中常用的有刷直流永磁电机、电动车上常用的永磁同步电机或永磁直流无刷电机。此外,本发明特别适用于电机生产的线下检测、售后的故障诊断。
附图说明
图1是电机静态偏心示意图。
图2是本发明杂散磁场数据采集点位置示意图。
图3a)是杂散磁场时间历程原始数据,图3b)是快速傅里叶变换后的结果。
图4是静态偏心检测神经网络模型示意图。
图5是本发明静态偏心检测流程图。
图6是本发明实施例2的静态偏心检测神经网络模型检测结果图。
附图中各部件的序号和名称:10.定子;20.转子;30.磁场检测设备,1、2、3传感器。
具体实施方式
下面结合附图具体实施例对本发明进行详细说明。
实施例1
一种基于杂散磁场的永磁电机静态偏心检测方法,包括以下步骤:
步骤1:利用电磁有限元仿真软件获取待测电机杂散磁场数据,建立静态偏心检测神经网络模型。
1.1建立电磁有限元模型并进行仿真,导出数据。
1.1.1建立电磁有限元模型。
在有限元仿真软件中,建立n×m个不同静态偏心率εSE和偏心圆周角γ的待测电机的电磁有限元模型。
本实施例中,第1至第n个电磁有限元模型的静态偏心率εSE分别为1/(n+1)、 2/(n+1)、3/(n+1)、…、n/(n+1),偏心圆周角γ均为0°;第n+1至第2n个电磁有限元模型的静态偏心率分别为εSE为1/(n+1)、2/(n+1)、3/(n+1)、…、n/(n+1),偏心圆周角γ均为360°/m;第2n+1至第3n个电磁有限元模型的静态偏心率εSE分别为1/(n+1)、2/(n+1)、3/(n+1)、…、n/(n+1),偏心圆周角γ均为2×360°/m;以此类推,直到第(m-1)n+1至第n×m个电磁有限元模型的静态偏心率εSE同样分别为1/(n+1)、2/(n+1)、3/(n+1)、…、n/(n+1),偏心圆周角γ均为(m-1)×360°/m。其中,n、m为正整数,n≥4,m≥10。
本实施例中提供了一种电磁有限元模型的建立方式,也可以采用别的静态偏心率εSE和偏心圆周角γ的顺序来建立模型,但电磁有限元模型必须与待测电机的电磁性质一致,偏心工况的排序需要与训练神经网络的数据一致。
1.1.2电磁有限元模型仿真与仿真数据导出。
在转速nr小于60rpm,对步骤1.1.1建立的n×m个电磁有限元模型进行仿真计算。计算完毕后在电机端面建立极坐标系,自极坐标轴开始,电机壳外圆周均匀分布A个传感器,A≥3,分别从每个传感器的位置,从电磁有限元模型中导出杂散磁场径向磁密时间历程数据,导出的数据共有An×m组。
1.2对仿真数据进行快速傅里叶变换。
对仿真数据进行快速傅里叶变换,提取出变换后得到的幅频特性结果中频率为基频pfr处的基波幅值,其中p为待测电机的极对数,fr为待测电机的机械转频,fr=nr/60,共得到An×m个数字,将这些数字按照静态偏心工况和信号来源位置编为A个向量,分别称为第1点基波幅值训练向量AcT1、第2点基波幅值训练向量AcT2……和第A点基波幅值训练向量AcTA。AcT1、AcT2……和AcTA分别代表来自编号1、2……A传感器数据,AcT1、AcT2……和AcTA中元素的排列顺序与电磁有限模型的偏心工况排列顺序相同,即AcT1(i)、AcT2(i)……和 AcTA(i)分别是静态偏心率为εSET(i)、偏心圆周角为γT(i)的静态偏心工况时的杂散磁场径向磁密基波幅值,i=1,2,3…,n×m。其中,εSET为静态偏心率训练向量,长度为n×m,γT为偏心圆周角训练向量,长度也为n×m,分别为:
1.3建立静态偏心检测神经网络模型。
该静态偏心检测神经网络模型为BP神经网络模型,包含1个输入层,1个隐含层和1个输出层,BP神经网络模型的输入层节点有A个。将第1点基波幅值训练向量AcT1、第2点基波幅值训练向量AcT2……和第A点基波幅值训练向量AcTA进行归一化处理,再作为神经网络的输入;将静态偏心率训练向量εSET和偏心圆周角训练向量γT进行归一化处理,再作为神经网络的输出;以正切S 型传递函数为隐含层节点传递函数,线性传递函数为输出层节点传递函数,贝叶斯正则化的BP算法训练函数为反向传播函数,对神经网络进行训练,得到静态偏心检测神经网络模型。
步骤2:采集待测电机的杂散磁场信号并对杂散磁场信号进行数据处理。
2.1试验采集待测电机的杂散磁场径向磁密。
采集待测电机的杂散磁场径向磁密的传感器有A个,A≥3,传感器均匀分布电机壳外圆周,以恒定转速nr反拖待测电机,记录各测点1个机械周期所采集的数据,共得到A组杂散磁场径向磁密时间历程试验数据。
2.2试验数据进行快速傅里叶变换。
对步骤2.1得到的数据进行快速傅里叶变换,提取出基波幅值,来自传感器1-A的基波幅值分别记为第1点基波幅值AcE1、第2点基波幅值AcE2……和第A点基波幅值AcEA。
步骤3:判断是否是仅存在静态偏心。
3.1判断流程1
若步骤2.1中得到的某一点杂散磁场径向磁密时间历程各波峰高度不同,则发生了动态偏心,不适宜使用本发明的方法,结束检测;反之,若步骤2.1 中得到的某一点杂散磁场径向磁密时间历程各波峰高度相同,则不存在动态偏心,进入判断流程2。
3.2判断流程2
步骤2.2中得到的第1点基波幅值AcE1、第2点基波幅值AcE2……和第A点基波幅值AcEA均相同,则不存在静态偏心,无需进一步检测;若有所不同,则存在静态偏心,进入步骤4。
步骤4:仅存在静态偏心时,将步骤2中试验数据输入到步骤1的静态偏心检测神经网络模型得出待测永磁电机静态偏心率εSE和偏心圆周角γ。
4.1将结果导入静态偏心检测神经网络模型。
将步骤2.2得到的第1点基波幅值AcE1、第2点基波幅值AcE2……和第A点基波幅值AcEA进行归一化处理,再导入步骤1.3得到的静态偏心检测神经网络模型,进行计算。
4.2得到待测电机的静态偏心率和偏心圆周角。
将静态偏心检测神经网络模型的输出结果进行反归一化处理,获得待测电机的静态偏心率εSE和偏心圆周角γ情况。
实施例2
本实施例中待测电机为某静态偏心率可调的8极永磁同步电机。
一种基于杂散磁场的永磁电机静态偏心检测方法,包括以下步骤:
步骤1:利用电磁有限元仿真软件获取待测电机杂散磁场数据,建立静态偏心检测神经网络模型。
1.1建立电磁有限元模型并进行仿真,导出数据。
1.1.1建立电磁有限元模型。
在有限元仿真软件中,建立4×18=72个不同静态偏心率εSE和偏心圆周角γ的待测电机电磁有限元模型。第1至第4个电磁有限元模型的静态偏心率εSE分别为0.2、0.4、0.6和0.8,偏心圆周角γ均为0°;第5至第8个电磁有限元模型的静态偏心率分别为εSE为0.2、0.4、0.6和0.8,偏心圆周角γ均为20°;第9至第12个电磁有限元模型的静态偏心率εSE分别为0.2、0.4、0.6和0.8,偏心圆周角γ均为40°;以此类推,直到第69至第72个电磁有限元模型的静态偏心率εSE同样分别为0.2、0.4、0.6和0.8,偏心圆周角γ均为340°。
1.1.2电磁有限元模型仿真与仿真数据导出。
本实施例中,设置转速nr=30rpm,A=3,即设置3个传感器1、2、3,如图2所示,把定子10、转子20横截面视为理想的圆形,在电机端面建立极坐标系,分别在与极坐标轴夹角为0°、120°和240°的电机机壳表面,即如图2所示的传感器1、传感器2和传感器3位置,从电磁有限元模型中导出杂散磁场径向磁密时间历程数据。一个静态偏心工况下的数据如图3a)所示,导出的数据共有3n×m组。
1.2对仿真数据进行快速傅里叶变换。
将步骤1.1中得到的3×72=216组杂散磁场径向磁密时间历程数据进行快速傅里叶变换。再提取出变换后得到的幅频特性结果中频率为基频4Hz处的基波幅值,共得到216个数字。将这些数字按照静态偏心工况和信号来源位置编为3个向量,分别称为第1点基波幅值训练向量AcT1、第2点基波幅值训练向量AcT2和第3点基波幅值训练向量AcT3。AcT1、AcT2和AcT3分别代表来自如图 2所示的传感器1、传感器2和传感器3位置的数据。AcT1、AcT2和AcT3中元素的排列顺序与步骤1.1建立电磁有限元模型时的偏心工况排列顺序相同,即 AcT1(i)、AcT2(i)和AcT3(i)分别是静态偏心率为εSET(i)、偏心圆周角为γT(i)的静态偏心工况时的杂散磁场径向磁密基波幅值,i=1,2,3…,72。其中,εSET为静态偏心率训练向量,长度为72,γT为偏心圆周角训练向量,长度也为72,分别为:
1.3建立静态偏心检测神经网络模型。
该模型为BP神经网络模型,包含1个输入层,1个隐含层和1个输出层。其中,输入层有3个节点,隐含层有16个节点,输出层有2个节点。该神经网络模型的结构如图4所示。将第1点基波幅值训练向量AcT1、第2点基波幅值训练向量AcT2和第3点基波幅值训练向量AcT3进行归一化处理,再作为神经网络的输入;将静态偏心率训练向量εSET和偏心圆周角训练向量γT进行归一化处理,再作为神经网络的输出;以正切S型传递函数为隐含层节点传递函数,线性传递函数为输出层节点传递函数,贝叶斯正则化算法的BP算法训练函数为反向传播函数,对神经网络进行训练,得到静态偏心检测神经网络模型。
步骤2:采集待测电机的杂散磁场信号并对杂散磁场信号进行数据处理。
2.1试验采集待测电机的杂散磁场径向磁密。
本实施例中A=3,按照如图2所示的位置布置3个传感器1、2、3,并保证所采集的数据为径向磁密,再连接磁场检测设备30以及相关数据存储设备等。以恒定转速30rpm反拖待测电机。再记录各测点1个机械周期所采集的数据,共得到3组杂散磁场径向磁密时间历程试验数据。
2.2试验数据进行快速傅里叶变换。
将步骤2.1中得到的数据进行快速傅里叶变换,提取出基波幅值,记为第1 点基波幅值AcE1、第2点基波幅值AcE2和第3点基波幅值AcE3,分别代表传感器1、传感器2和传感器3位置的基波幅值。
步骤3:判断是否是仅存在静态偏心。
该实施例中的待测电机杂散磁场径向磁密时间历程各波峰高度相同,不存在动态偏心;且步骤2.2中得到的第1点基波幅值AcE1、第2点基波幅值AcE2和第3点基波幅值AcE3均不同,存在静态偏心。因此,待测电机仅存在静态偏心,进入步骤4。
步骤4:仅存在静态偏心时,将步骤2中试验数据输入到步骤1的静态偏心检测神经网络模型得出待测永磁电机静态偏心率εSE和偏心圆周角γ。
4.1将结果导入静态偏心检测神经网络模型。
将步骤2.2得到的第1点基波幅值AcE1、第2点基波幅值AcE2和第3点基波幅值AcE3进行归一化处理,再导入步骤1.3得到的静态偏心检测神经网络模型,进行计算。
4.2得到待测电机的静态偏心率和偏心圆周角。
将静态偏心检测神经网络模型的输出结果进行反归一化处理,获得待测电机的静态偏心率εSE和偏心圆周角γ情况。
此外,为了验证本发明检测的有效性,调整待测电机的εSE和γ,重复步骤 2至步骤4,将所有检测结果绘制成图6。图6中,小方框为步骤1训练神经网络时输入的数据,圆点为训练完毕后神经网络对训练时输入数据的检测结果;小圆框为不同非训练数据的输入,叉号为非训练数据的神经网络检测结果,对其进行比较可知本发明对于εSE和γ尤其是εSE的检测精度较高,且泛化能力强,具有非常好的工程应用价值。
至此,本发明已详细得到了描述。而本发明的描述是为了清晰描述起见而给出的,并不是毫无遗漏的,或者将本发明限于所公开的形式。很多修改和变化对于本领域的普通技术人员而言是显然的。如此描述是为了更好说明本发明的原理和实际应用,并且使本领域的普通技术人员能够理解本发明从而设计适于特定用途的带有各种修改的各种实施例。
Claims (1)
1.一种基于杂散磁场的永磁电机静态偏心检测方法,其特征在于,包括以下步骤:
步骤1:利用电磁有限元仿真软件获取待测电机杂散磁场数据,建立静态偏心检测神经网络模型
1.1建立电磁有限元模型并进行仿真,导出数据
建立n×m个不同静态偏心率εSE和偏心圆周角γ的待测电机的电磁有限元模型;在转速nr小于60rpm的情况下,对n×m个电磁有限元模型进行仿真计算;在电机端面建立极坐标系,自极坐标轴开始,电机壳外圆周均匀分布A个传感器,A≥3,分别从每个传感器的位置,从电磁有限元模型中导出An×m组杂散磁场径向磁密时间历程数据;
第1至第n个电磁有限元模型的静态偏心率εSE分别为1/(n+1)、2/(n+1)、3/(n+1)、…、n/(n+1),偏心圆周角γ均为0°;第n+1至第2n个电磁有限元模型的静态偏心率分别为εSE为1/(n+1)、2/(n+1)、3/(n+1)、…、n/(n+1),偏心圆周角γ均为360°/m;第2n+1至第3n个电磁有限元模型的静态偏心率εSE分别为1/(n+1)、2/(n+1)、3/(n+1)、…、n/(n+1),偏心圆周角γ均为2×360°/m;以此类推,直到第(m-1)n+1至第n×m个电磁有限元模型的静态偏心率εSE分别为1/(n+1)、2/(n+1)、3/(n+1)、…、n/(n+1),偏心圆周角γ均为(m-1)×360°/m,其中,n、m为正整数,n≥4,m≥10;AcT1(i)、AcT2(i)……和AcTA(i)分别是静态偏心率为εSET(i)、偏心圆周角为γT(i)的静态偏心工况时的杂散磁场径向磁密基波幅值,i=1,2,3…,n×m,其中,εSET为静态偏心率训练向量,长度为n×m,γT为偏心圆周角训练向量,长度也为n×m,分别为:
1.2对仿真数据进行快速傅里叶变换
将步骤1.1导出An×m组杂散磁场径向磁密时间历程数据进行快速傅里叶变换,再提取出变换后得到的幅频特性结果中频率为基频pfr处的基波幅值,其中p为待测电机的极对数,fr为待测电机的机械转频,fr=nr/60,共得到An×m个数字,将这些数字按照静态偏心工况和信号来源位置编为A个向量,分别称为第1点基波幅值训练向量AcT1、第2点基波幅值训练向量AcT2……和第A点基波幅值训练向量AcTA,AcT1、AcT2……和AcTA分别代表来自编号1、2……A传感器数据,AcT1、AcT2……和AcTA中元素的排列顺序与电磁有限模型的偏心工况排列顺序相同;
1.3建立静态偏心检测神经网络模型
所述静态偏心检测神经网络模型为BP神经网络模型,BP神经网络模型包含输入层、隐含层和输入层,所述输入层节点有A个;将第1点基波幅值训练向量AcT1、第2点基波幅值训练向量AcT2……和第A点基波幅值训练向量AcTA进行归一化处理,再作为神经网络的输入;将静态偏心率训练向量εSET和偏心圆周角训练向量γT进行归一化处理,再作为神经网络的输出;以正切S型传递函数为隐含层节点传递函数,线性传递函数为输出层节点传递函数,贝叶斯正则化的BP算法训练函数为反向传播函数,对神经网络进行训练,得到静态偏心检测神经网络模型;
步骤2:采集待测电机的杂散磁场信号并对杂散磁场信号进行数据处理;
2.1试验采集待测电机的杂散磁场径向磁密
采集待测电机的杂散磁场径向磁密的传感器有A个,A≥3,传感器均匀分布电机壳外圆周,以恒定转速nr反拖待测电机,记录各测点1个机械周期所采集的数据,共得到A组杂散磁场径向磁密时间历程试验数据;
2.2试验数据进行快速傅里叶变换
将步骤2.1得到的数据进行快速傅里叶变换,提取出基波幅值,来自传感器1-A的基波幅值分别记为第1点基波幅值AcE1、第2点基波幅值AcE2……和第A点基波幅值AcEA;
步骤3:判断是否仅存在静态偏心;
3.1判断流程1
若步骤2.1中得到的某一点杂散磁场径向磁密时间历程各波峰高度不同,则发生了动态偏心,结束检测;反之,若步骤2.1中得到的某一点杂散磁场径向磁密时间历程各波峰高度相同,则不存在动态偏心,进入判断流程2;
3.2判断流程2
步骤2.2中得到的第1点基波幅值AcE1、第2点基波幅值AcE2……和第A点基波幅值AcEA均相同,则不存在静态偏心,无需进一步检测;若有所不同,则存在静态偏心,进入步骤4;
步骤4:仅存在静态偏心时,将步骤2中试验数据输入到步骤1的静态偏心检测神经网络模型得出待测永磁电机静态偏心率εSE和偏心圆周角γ;
4.1将结果导入静态偏心检测神经网络模型
将步骤2.2得到的第1点基波幅值AcE1、第2点基波幅值AcE2……和第A点基波幅值AcEA进行归一化处理,再导入步骤1.3得到的静态偏心检测神经网络模型,进行计算;
4.2得到待测电机的静态偏心率和偏心圆周角
将静态偏心检测神经网络模型的输出结果进行反归一化处理,获得待测电机的静态偏心率εSE和偏心圆周角γ情况。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110367107.XA CN113094952B (zh) | 2021-04-06 | 2021-04-06 | 一种基于杂散磁场的永磁电机静态偏心检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110367107.XA CN113094952B (zh) | 2021-04-06 | 2021-04-06 | 一种基于杂散磁场的永磁电机静态偏心检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113094952A CN113094952A (zh) | 2021-07-09 |
CN113094952B true CN113094952B (zh) | 2022-05-13 |
Family
ID=76674061
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110367107.XA Active CN113094952B (zh) | 2021-04-06 | 2021-04-06 | 一种基于杂散磁场的永磁电机静态偏心检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113094952B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113985282A (zh) * | 2021-11-03 | 2022-01-28 | 哈尔滨工业大学(威海) | 基于Elman神经网络的永磁同步电机动态偏心故障诊断方法 |
CN114295979A (zh) * | 2021-12-30 | 2022-04-08 | 哈尔滨工业大学(威海) | 一种永磁同步电机混合偏心故障诊断方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104283393A (zh) * | 2014-09-25 | 2015-01-14 | 南京工程学院 | 一种单绕组磁悬浮开关磁阻电机结构参数的优化方法 |
CN109541461A (zh) * | 2018-10-31 | 2019-03-29 | 重庆大学 | 一种基于磁场分布监测的永磁同步电机偏心故障诊断方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9389276B2 (en) * | 2012-06-15 | 2016-07-12 | Subhasis Nandi | Fault diagnosis of electric machines |
CN110501640B (zh) * | 2019-07-10 | 2021-08-17 | 哈尔滨工业大学(威海) | 一种基于气隙磁场直接测试检测永磁电机静态偏心的方法 |
CN110703091B (zh) * | 2019-09-12 | 2021-10-22 | 哈尔滨工业大学(威海) | 电动汽车用内置式永磁同步电机静态偏心故障检测方法 |
CN112052796A (zh) * | 2020-09-07 | 2020-12-08 | 电子科技大学 | 一种基于深度学习的永磁同步电机故障诊断方法 |
-
2021
- 2021-04-06 CN CN202110367107.XA patent/CN113094952B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104283393A (zh) * | 2014-09-25 | 2015-01-14 | 南京工程学院 | 一种单绕组磁悬浮开关磁阻电机结构参数的优化方法 |
CN109541461A (zh) * | 2018-10-31 | 2019-03-29 | 重庆大学 | 一种基于磁场分布监测的永磁同步电机偏心故障诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113094952A (zh) | 2021-07-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113094952B (zh) | 一种基于杂散磁场的永磁电机静态偏心检测方法 | |
Lu et al. | Tacholess speed estimation in order tracking: A review with application to rotating machine fault diagnosis | |
Li et al. | Diagnosis of inter-turn short circuit of permanent magnet synchronous motor based on deep learning and small fault samples | |
CN106841901B (zh) | 一种变频器驱动内嵌式永磁同步电机定子匝间短路故障诊断方法 | |
CN108051189B (zh) | 一种旋转机械故障特征提取方法及装置 | |
Qi et al. | Diagnosis of misalignment faults by tacholess order tracking analysis and RBF networks | |
CN113093005B (zh) | 一种永磁同步电机静态偏心故障诊断方法 | |
CN112881910B (zh) | 一种旋转永磁同步电机动态偏心故障检测方法 | |
CN110703091A (zh) | 电动汽车用内置式永磁同步电机静态偏心故障检测方法 | |
Yousefi kia et al. | Hybrid modelling of doubly fed induction generators with inter‐turn stator fault and its detection method using wavelet analysis | |
Lee et al. | Bearing fault detection of IPMSMs using zoom FFT | |
de Deus et al. | Density of maxima approach for broken bar fault diagnosis in low slip and variable load conditions of induction motors | |
Wang et al. | Stray flux-based rotation angle measurement for bearing fault diagnosis in variable-speed BLDC motors | |
CN114061678A (zh) | 一种科氏流量计数字驱动方法 | |
Ma et al. | Open-circuit radial stray magnetic flux density based noninvasive diagnosis for mixed eccentricity parameters of interior permanent magnet synchronous motors in electric vehicles | |
Ibrahim et al. | Anomaly detection for large hydrogenerators using the variational autoencoder based on vibration signals | |
CN109709378B (zh) | 瞬变电信号的频率和幅值自适应算法 | |
Yao et al. | Data fusion methods for convolutional neural network based on self-sensing motor drive system | |
Wang et al. | Noise source localization in permanent magnet synchronous motors under time-varying speed working conditions | |
CN111983513A (zh) | 一种车辆爪极发电机定子绕组匝间短路故障检测方法 | |
He et al. | Stator current identification in generator among single and composite faults composed by static air‐gap eccentricity and rotor inter‐turn short circuit | |
JP2013024766A (ja) | モータ速度検出装置およびモータ制御装置 | |
CN105262402A (zh) | 无刷直流电机转矩波动检测系统 | |
CN115051610A (zh) | 构建滑模磁链观测器的方法及装置、退磁故障诊断方法 | |
Liang et al. | Fault diagnosis for induction motors using finite element method-A review |
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 |