CN113219333B - 一种电机故障诊断时的频谱参数处理方法 - Google Patents
一种电机故障诊断时的频谱参数处理方法 Download PDFInfo
- Publication number
- CN113219333B CN113219333B CN202110457080.3A CN202110457080A CN113219333B CN 113219333 B CN113219333 B CN 113219333B CN 202110457080 A CN202110457080 A CN 202110457080A CN 113219333 B CN113219333 B CN 113219333B
- Authority
- CN
- China
- Prior art keywords
- data
- frequency
- maximum value
- different
- frequency spectrum
- 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
- 238000001228 spectrum Methods 0.000 title claims abstract description 32
- 238000003745 diagnosis Methods 0.000 title claims abstract description 25
- 238000003672 processing method Methods 0.000 title claims abstract description 7
- 230000005284 excitation Effects 0.000 claims abstract description 34
- 238000000034 method Methods 0.000 claims abstract description 17
- 238000012545 processing Methods 0.000 claims abstract description 10
- 238000010606 normalization Methods 0.000 claims abstract description 6
- 238000004458 analytical method Methods 0.000 claims description 6
- 125000004122 cyclic group Chemical group 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 abstract description 10
- 230000008569 process Effects 0.000 abstract description 6
- 230000007246 mechanism Effects 0.000 abstract description 5
- 238000012958 reprocessing Methods 0.000 abstract 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000004092 self-diagnosis 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
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Computational Biology (AREA)
- Algebra (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Tests Of Circuit Breakers, Generators, And Electric Motors (AREA)
Abstract
本发明公开一种电机故障诊断时的频谱参数处理方法，该方法针对电机故障诊断时如何处理频谱参数的问题进行了分析，根据不同频率区段所包含的故障特征信息含量不同，将其根据不同的分辨率进行信息压缩，提取其对称性信息和绝对值信息，利用不同的激励函数对信息进行再加工，加入概率参数，对不同区段的频谱信息进行归一化处理，最后利用1范数的激励函数，获取最大的参量作为故障诊断评价中的一个维度。该方法增加了故障诊断评价机制中的评价维度，完善了评价体制，提高了诊断的准确性。
Description
技术领域
本发明涉及电气设备检测诊断领域，尤其涉及一种电机故障诊断时的频谱参数处理方法。
背景技术
随着工业化进程的不断深入和完善，人们不仅对执行机构的执行准确性、稳定性等提出了越来越高的要求，同时，对执行机构是否具有自诊断能力也提出了高的期望。因此，一种方便安装的、准确的、实时的能够反映电机运行状态的诊断系统成为了当前工厂的迫切需求。
传统的电机故障诊断方法中，主要依靠对电机原理的了解，利用个别针对不同故障特征的特征参数作为故障诊断评价机制中的评价依据。而由于不同型号的电机、不同负载的变化等，使得其代表特殊故障的故障特征参数所在具体频率有所变化，且又有负载等引起的杂波的影响，从而不能在现场的电机复杂运行状态下，在没有多种传感器的状态下，准确的区分出个别的故障特征信息。从而造成故障诊断结果不准确且不稳定的问题。
发明内容
本发明的目的是提供一种电机故障诊断时的频谱参数处理方法，解决了传统的电机故障诊断方法诊断结果不准确且诊断结果不稳定的问题。
为了达到上述目的，本发明的技术方案如下：
一种电机故障诊断时的频谱参数处理方法，具体包括如下步骤：
步骤1：对三相电流数据进行FFT变换，获取三相频谱数据；
步骤2：对三相频谱数据进行分段，分为0-100Hz频段，100-1000Hz频段，1000-4000Hz频段；
步骤3：对0-100Hz频段，获取100个以1Hz为分辨率的数据，剔除50Hz基频数据；对100-1000Hz频段，获取200个以5Hz为分辨率的数据；对1000-4000Hz频段，获取300个以10Hz为分辨率的数据；
步骤4：在步骤1获取的三相频谱数据中，获取最大的基波数据，根据该基波数据不同的区段，将激励函数分为5段，即乘以不同的激励系数；获取数据值0-300时激励系数为1，300-1000时激励系数为2，1000-2500时激励系数为3，2500-4500时激励系数为4，4500-最大时激励系数为5，其中激励系数1>激励系数2>激励系数3>激励系数4>激励系数5；
步骤5：利用步骤3获取的分段后的三相频谱数据组除以步骤4所获得的经过一定激励函数的基波数据折算，对所得数据同时除以1000，进行归一化处理；
步骤6：求步骤5进行归一化后的三相频谱数据的平均值，组成不同频率的数组序列；
步骤7：将步骤5所获得的归一化后的三相频谱数据组进行对应位置的两两间求差值，同时求绝对值；获取三列600行的差值数据；针对同一频率数据，三相获取最大值，形成一组不同频段的数列；
步骤8：对于步骤7获取的数列数据，大于2的值，取最大阈值处理，取2；
步骤9：统计步骤5所获得的数据大于0的数据的数据数量，并且求1范数，即取最大值的方式，获得三相中各个频率点最大的值；
步骤10：将步骤6获得的最大值根据其不同的频域区段，乘以不同的贡献因子，即经过贡献因子矩阵的变换，获取最大值，该值作为故障判断的参数；
步骤11：将步骤9获得的数据乘以不同的贡献因子矩阵，获取最大值，同时统计大于0的数量，计算百分比；
步骤12：根据步骤11获取的最大值和统计的大于0的百分比数据，进行相似性分析，进行结果分析。
进一步的，步骤3中，对三相0-100Hz频段，通过循环方式在(0.5,1.5]、(1.5,2.5]...(98.5,99.5]、(99.5,100]区段找最大值的方式，获取100个以1Hz为分辨率的数据，剔除50Hz基频数据；对三相100-1000Hz频段，通过循环方式在(100,107.5]、(107.5,112.5]...(992.5,997.5]、(997.5,1000]区段找最大值的方式，获取200个以5Hz为分辨率的数据；对三相1000-4000Hz频段，通过循环方式在(1000,1015]、(1015,1025]...(3985,3995]、(3995,4000]区段找最大值的方式，获取300个以10Hz为分辨率的数据。
与现有技术相比，本发明的有益效果如下：
本发明根据不同频率区段所包含的故障特征信息含量不同，将其根据不同的分辨率进行信息压缩，提取其对称性信息和绝对值信息，利用不同的激励函数对信息进行再加工，加入概率参数，对不同区段的频谱信息进行归一化处理，最后利用1范数的激励函数，获取最大的参量作为故障诊断评价中的一个维度。该方法增加了故障诊断评价机制中的评价维度，完善了评价体制，提高了诊断的准确性。
附图说明
图1为本发明方法的总体流程图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面将结合实施例对本发明作进一步地详细描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
本发明对电机故障诊断中拥有大量特征数据的频谱过程数据进行降维和映射，将其转化为一种表征对称性情况和故障特征绝对值的信息。该过程将频谱过程数据分为三个不同频段，利用电机故障诊断过程中不同频段对系统诊断结果影响因子不同的原因，分别对应0-100Hz，100-1000Hz，1000-4000Hz，对于0-100Hz的信息，分辨率调整为1Hz，对于100-1000Hz的信息，分辨率调整为5Hz，对于1000-4000Hz的信息，分辨率调整为10Hz。
提取以上各个频段频率高于基值的数据，将该值与经过一定激励函数转换的基波数据进行比值，获取各个频段频率数据的相对值。将三相数值求差，获取三相数据之间的差异，求取平均值，对其进行归一化处理，统计大于0的方式，获取大于0的数据概率，利用求1范数的方法，求取三相各个频率点的最大值，对其进行归一化处理，该数列乘以贡献因子矩阵，再利用求1范数的方法，获取最大值。
实施例：
参见图1，本发明的详细步骤如下所述：
步骤1：对三相电流数据进行FFT变换，获取三相的频谱数据。
步骤2：对三相频谱数据进行分段处理，分为大于0且小于等于100的频段，大于100且小于等于1000的频段，大于1000且小于等于4000的频段。
步骤3：对三相大于0且小于等于100的频段，通过循环方式在(0.5,1.5]、(1.5,2.5]...(98.5,99.5]、(99.5,100]区段找最大值的方式，获取100个以1Hz为分辨率的数据，剔除50Hz基频数据。对三相大于100且小于等于1000的频段，通过循环方式在(100,107.5]、(107.5,112.5]...(992.5,997.5]、(997.5,1000]区段找最大值的方式，获取200个以5Hz为分辨率的数据。对三相大于1000且小于等于4000的频段，通过循环方式在(1000,1015]、(1015,1025]...(3985,3995]、(3995,4000]区段找最大值的方式，获取300个以10Hz为分辨率的数据。
步骤4：在步骤1获取的三相频谱数据中，获取最大的基波数据，根据该数据不同的区段，激励函数分为5段，即乘以不同的激励系数；获取数据值0-300时为斜率1，300-1000时为斜率2，1000-2500时为斜率3，2500-4500为斜率4，4500-最大时为斜率5，其中斜率1>斜率2>斜率3>斜率4>斜率5。
步骤5：利用步骤3获取的分段后的三相频谱数据组除以步骤4所获得的经过一定激励函数的基波数据折算，对所得数据同时除以1000，进行归一化处理；
步骤6：求步骤5进行归一化后的三相频谱数据的平均值，组成不同频率的数组序列。
步骤7：将步骤5所获得的归一化后的三相频谱数据组进行对应位置的两两间求差值，同时求绝对值获取三列600行的差值数据；针对同一频率数据，三相获取最大值，形成一组不同频段的数列；
步骤8：对于步骤7获取的数据，大于2的值，取最大阈值处理，取2.
步骤9：统计步骤5所获得的数据大于0的数据的数据数量，并且求1范数，即取最大值的方式，获得三相中各个频率点最大的值。
步骤10：将步骤6获得的最大值根据其不同的频域区段，乘以不同的贡献因子，即经过贡献因子矩阵的变换，获取最大值，该值作为故障判断的参数。
步骤11：将步骤9获得的数据乘以不同的贡献因子矩阵，获取最大值，同时统计大于0的数量，计算百分比。
步骤12：根据步骤11获取的最大值和统计的大于0的百分比数据，进行相似性分析，进行结果分析。
以上应用了具体个例对本发明进行阐述，只是用于帮助理解本发明，并不用以限制本发明。任何熟悉该技术的人在本发明所揭露的技术范围内的局部修改或替换，都应涵盖在本发明的包含范围之内。
Claims (2)
1.一种电机故障诊断时的频谱参数处理方法，其特征在于，具体包括如下步骤：
步骤1：对三相电流数据进行FFT变换，获取三相频谱数据；
步骤2：对三相频谱数据进行分段，分为0-100Hz频段，100-1000Hz频段，1000-4000Hz频段；
步骤3：对0-100Hz频段，获取100个以1Hz为分辨率的数据，剔除50Hz基频数据；对100-1000Hz频段，获取200个以5Hz为分辨率的数据；对1000-4000Hz频段，获取300个以10Hz为分辨率的数据；
步骤4：在步骤1获取的三相频谱数据中，获取最大的基波数据，根据该基波数据不同的区段，将激励函数分为5段，即乘以不同的激励系数；获取数据值0-300时激励系数为1，300-1000时激励系数为2，1000-2500时激励系数为3，2500-4500时激励系数为4，4500-最大时激励系数为5，其中激励系数1>激励系数2>激励系数3>激励系数4>激励系数5；
步骤5：利用步骤3获取的分段后的三相频谱数据组除以步骤4所获得的经过一定激励函数的基波数据折算，对所得数据同时除以1000，进行归一化处理；
步骤6：求步骤5进行归一化后的三相频谱数据的平均值，组成不同频率的数组序列；
步骤7：将步骤5所获得的归一化后的三相频谱数据组进行对应位置的两两间求差值，同时求绝对值；获取三列600行的差值数据；针对同一频率数据，三相获取最大值，形成一组不同频段的数列；
步骤8：对于步骤7获取的数列数据，大于2的值，取最大阈值处理，取2；
步骤9：统计步骤5所获得的数据大于0的数据的数据数量，并且求1范数，即取最大值的方式，获得三相中各个频率点最大的值；
步骤10：将步骤6获得的最大值根据其不同的频域区段，乘以不同的贡献因子，即经过贡献因子矩阵的变换，获取最大值，该值作为故障判断的参数；
步骤11：将步骤9获得的数据乘以不同的贡献因子矩阵，获取最大值，同时统计大于0的数量，计算百分比；
步骤12：根据步骤11获取的最大值和统计的大于0的百分比数据，进行相似性分析，进行结果分析。
2.根据权利要求1所述电机故障诊断时的频谱参数处理方法，其特征在于，步骤3中，对三相0-100Hz频段，通过循环方式在(0.5,1.5]、(1.5,2.5]...(98.5,99.5]、(99.5,100]区段找最大值的方式，获取100个以1Hz为分辨率的数据，剔除50Hz基频数据；对三相100-1000Hz频段，通过循环方式在(100,107.5]、(107.5,112.5]...(992.5,997.5]、(997.5,1000]区段找最大值的方式，获取200个以5Hz为分辨率的数据；对三相1000-4000Hz频段，通过循环方式在(1000,1015]、(1015,1025]...(3985,3995]、(3995,4000]区段找最大值的方式，获取300个以10Hz为分辨率的数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110457080.3A CN113219333B (zh) | 2021-04-27 | 2021-04-27 | 一种电机故障诊断时的频谱参数处理方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110457080.3A CN113219333B (zh) | 2021-04-27 | 2021-04-27 | 一种电机故障诊断时的频谱参数处理方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113219333A CN113219333A (zh) | 2021-08-06 |
| CN113219333B true CN113219333B (zh) | 2024-03-19 |
Family
ID=77089507
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110457080.3A Active CN113219333B (zh) | 2021-04-27 | 2021-04-27 | 一种电机故障诊断时的频谱参数处理方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113219333B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108106830A (zh) * | 2017-12-13 | 2018-06-01 | 武汉科技大学 | 一种基于时频谱分割的变速旋转机械故障诊断方法 |
| CN111474477A (zh) * | 2020-04-29 | 2020-07-31 | 西安工业大学 | 一种异步电动机参数与故障信息映射过程的方法 |
| CN111650514A (zh) * | 2020-06-15 | 2020-09-11 | 珠海万力达电气自动化有限公司 | 一种异步电动机典型故障的多参数联合诊断方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10359473B2 (en) * | 2012-05-29 | 2019-07-23 | Nutech Ventures | Detecting faults in turbine generators |
-
2021
- 2021-04-27 CN CN202110457080.3A patent/CN113219333B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108106830A (zh) * | 2017-12-13 | 2018-06-01 | 武汉科技大学 | 一种基于时频谱分割的变速旋转机械故障诊断方法 |
| CN111474477A (zh) * | 2020-04-29 | 2020-07-31 | 西安工业大学 | 一种异步电动机参数与故障信息映射过程的方法 |
| CN111650514A (zh) * | 2020-06-15 | 2020-09-11 | 珠海万力达电气自动化有限公司 | 一种异步电动机典型故障的多参数联合诊断方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于小波包信息熵和小波神经网络的异步电机故障诊断;吴建萍等;山东大学学报;20171031;第47卷(第5期);第223-228页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113219333A (zh) | 2021-08-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Sun et al. | Fault diagnosis of rolling bearing based on empirical mode decomposition and improved manhattan distance in symmetrized dot pattern image | |
| Bessous et al. | Diagnosis of bearing defects in induction motors using discrete wavelet transform | |
| CN111307438B (zh) | 一种基于信息熵的旋转机械振动故障诊断方法及其系统 | |
| Li et al. | Feature extraction for rolling element bearing fault diagnosis utilizing generalized S transform and two-dimensional non-negative matrix factorization | |
| CN111044902B (zh) | 一种基于电流和电压信号的电机故障诊断方法 | |
| CN107543962B (zh) | 主导间谐波频谱分布的计算方法 | |
| CN110836775B (zh) | 一种基于多维熵空间距离的滚动轴承故障识别方法及系统 | |
| CN116865269B (zh) | 一种风电机组高谐波补偿方法及系统 | |
| CN111397868B (zh) | 一种基于聚合经验模态分解算法的断路器故障分析方法 | |
| CN112487882B (zh) | 一种基于谱相干生成非稀疏指标指导的增强包络谱的方法 | |
| CN113219333B (zh) | 一种电机故障诊断时的频谱参数处理方法 | |
| CN111783696A (zh) | 一种基于pv关系的低压分支拓扑实时分析的边缘计算方法 | |
| CN115954017A (zh) | 一种基于hht的发动机小样本声音异常故障识别方法及系统 | |
| CN114781466B (zh) | 基于旋转机械振动信号谐波基频的故障诊断方法及系统 | |
| Yu et al. | Fault diagnosis of rolling element bearing using multi-scale Lempel-Ziv complexity and mahalanobis distance criterion | |
| EP4001936A1 (en) | Automatic partial discharge and noise signals separation using arithmetic coding in time domain and magnitude distributions in frequency domain | |
| CN112034312A (zh) | 一种电力设备绝缘缺陷模式识别方法 | |
| CN113391244B (zh) | 一种基于vmd的变压器合闸振动信号特征频率计算方法 | |
| CN115293303A (zh) | 一种高压输电线网监测方法、系统、设备和介质 | |
| CN116226719A (zh) | 基于多维稳态振动特征的轴承故障诊断方法及相关组件 | |
| CN115902528A (zh) | 一种直流牵引网振荡与短路故障辨识方法 | |
| CN115269679A (zh) | 一种多维时间序列整体复杂度评估方法 | |
| Deng et al. | A fractional hilbert transform order optimization algorithm based DE for bearing health monitoring | |
| CN117273547B (zh) | 基于边缘计算的生产设备运行数据处理方法 | |
| CN113433456B (zh) | 一种基于电流波形相似度的发电机故障诊断系统及方法 |
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 |