CN113297782A - 一种基于粒子群优化的电机转子槽数估算方法 - Google Patents

一种基于粒子群优化的电机转子槽数估算方法 Download PDF

Info

Publication number
CN113297782A
CN113297782A CN202110731531.8A CN202110731531A CN113297782A CN 113297782 A CN113297782 A CN 113297782A CN 202110731531 A CN202110731531 A CN 202110731531A CN 113297782 A CN113297782 A CN 113297782A
Authority
CN
China
Prior art keywords
frequency
particle swarm
rotor slot
swarm optimization
motor
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.)
Pending
Application number
CN202110731531.8A
Other languages
English (en)
Inventor
韩伟
卜祥峰
张佳
李唯特
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Qingdao Xingxing Intelligent Equipment Co ltd
Original Assignee
Qingdao Xingxing Intelligent Equipment Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Qingdao Xingxing Intelligent Equipment Co ltd filed Critical Qingdao Xingxing Intelligent Equipment Co ltd
Priority to CN202110731531.8A priority Critical patent/CN113297782A/zh
Publication of CN113297782A publication Critical patent/CN113297782A/zh
Pending legal-status Critical Current

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
    • G06F30/25—Design optimisation, verification or simulation using particle-based methods
    • 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
    • G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
    • G06F17/141—Discrete Fourier transforms
    • G06F17/142—Fast Fourier transforms, e.g. using a Cooley-Tukey type algorithm
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Hardware Design (AREA)
  • Databases & Information Systems (AREA)
  • Geometry (AREA)
  • Algebra (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Discrete Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Control Of Electric Motors In General (AREA)

Abstract

本发明公开了一种基于粒子群优化的转子槽数估算方法，涉及电机参数估计技术领域。根据采集到的定子电流信号，对原始信号加汉明窗，然后确定电流信号的采样频率，再使用快速傅里叶变换FFT将电流信号从时域变换到频域得到频谱图，在频谱图内找到定子电流基频与转子槽谐波频率，通过粒子群优化算法，建立目标函数来估算电机转子槽数，应用本发明，能实现对电机转子槽数的准确估算。对电机进行转子槽数的参数估计，以进一步应用在电机状态监控和在线动态故障诊断中，最终在一定程度上提高电机状态监控和在线动态故障诊断的准确性，以减少在工业中发生的意外事故。

Description

一种基于粒子群优化的电机转子槽数估算方法
技术领域
本发明涉及电机参数估计技术领域，具体涉及一种基于粒子群优化的电机转子槽数估算方法。
背景技术
电机在工业上有着广泛应用，对其稳定运行也有较高要求。电机的状态监测和故障诊断已成为避免意外的必要手段。为了监控电机的运行状态和诊断电机故障，电机的一些基本参数是必需的，其中非常重要的一个参数是电机转子槽数。
电机铭牌上标注有一些额定参数，但一般没有转子槽数。电机从电机生产厂家、电机销售商，再到电机使用厂家，再到将装有电机的设备安装到使用现场，其转子槽数已无从得知，特别是针对使用有一定年限的电机，可能存在厂家已停产的可能，导致追溯难度大。但若对电机进行在线故障诊断，知道转子槽数是必要的，是用于在线故障诊断系统中确定电机偏心故障频率分量的一个基本输入参数，可据此检测电机的静态和动态偏心率。因此，亟需开发一种对电机转子槽数进行估算的方法。
发明内容
本发明的目的在于提供一种基于粒子群优化的电机转子槽数估算方法，实现对转子槽数的估算。
为解决上述的技术问题，本发明采用以下技术方案：一种基于粒子群优化的电机转子槽数估算方法，其特征在于包括如下步骤：
S1、获取电机定子电流信号；
S2、使用快速傅里叶变换FFT将电流信号从时域变换到频域得到频谱图；
S3、通过频谱分析得到定子电流基频f；
S4、通过频谱分析找出转子槽谐波频率fh，根据公式
Figure BDA0003139985170000011
和已知数据，用粒子群优化算法估算转子槽数。
更进一步的技术方案是所述步骤S1中电流信号长度为8秒以上。
更进一步的技术方案是所述步骤S2首先对原始信号加汉明窗，然后确定电流信号的采样频率Fs，再进行快速傅里叶变换画出频谱图。
更进一步的技术方案是所述步骤S3中，从频谱图中确定幅值最大的谱线，其所对应的频率就是定子电流基频f。
更进一步的技术方案是所述步骤S4的具体过程如下，
S4-1、已知公式
Figure BDA0003139985170000021
其中fh为转子槽谐波频率，R为转子槽数，S为转差率，p为极对数，f为定子电流基频，取k＝1,nd＝0，得到公式
Figure BDA0003139985170000022
S4-2、通过在频谱图中搜索除基频峰值之外的峰值，记录所对应的频率，即转子槽谐波频率fh；
S4-3、已知公式
Figure BDA0003139985170000023
其中ns为同步转速，n为转子转速，在已知转子转速的情况下，得到公式
Figure BDA0003139985170000024
v为定子时间谐波次数；
S4-4、由以上建立目标函数
Figure BDA0003139985170000025
用粒子群优化PSO对该目标函数求最小值来估计R和v，其中R的范围为[10,90]，v的范围为[-8,8]。
与现有技术相比，本发明的有益效果是：根据采集到的定子电流信号，将其转换后绘制成频谱图，在频谱图内找到定子电流基频与转子槽谐波频率，通过粒子群优化算法，建立目标函数来估算电机转子槽数。对电机进行转子槽数的参数估计，以进一步应用在电机状态监控和在线动态故障诊断中，最终在一定程度上提高电机状态监控和在线动态故障诊断的准确性，以减少在工业中发生的意外事故。
附图说明
图1为本发明的流程示意图图。
图2为实施例中定子电流信号的频谱图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
实例1
图1示出了一种基于粒子群优化的电机转子槽数估算方法，具体实施步骤为：
S1、获取电机转速在1425转/min下的定子电流信号，电机型号YX3-90S-4，采集10s电流信号。
S2、首先对原始信号加汉明窗，防止频谱泄露。然后确定电流信号的采样频率Fs，再使用快速傅里叶变换FFT将电流信号从时域变换到频域得到频谱图，频谱图如图2所示。
S3、从频谱图中确定幅值最大的谱线，其所对应的频率就是定子电流基频f，f为50。
S4、通过频谱分析找出转子槽谐波频率fh，fh为372.5，根据公式
Figure BDA0003139985170000031
和已知数据，用粒子群优化算法估算转子槽数。具体如下：
S4-1、已知公式
Figure BDA0003139985170000032
其中fh为转子槽谐波频率，R为转子槽数，S为转差率，p为极对数，f为定子电流基频，取k＝1,nd＝0，得到公式
Figure BDA0003139985170000033
S4-2、通过在频谱图中搜索除基频峰值之外的峰值，记录所对应的频率，即转子槽谐波频率fh；
S4-3、已知公式
Figure BDA0003139985170000034
其中ns为同步转速，n为转子转速，取值为1425，在已知转子转速的情况下，得到公式
Figure BDA0003139985170000035
v为定子时间谐波次数；
S4-4、由以上建立目标函数
Figure BDA0003139985170000036
用粒子群优化PSO对该目标函数求最小值来估计R和v，其中R的范围为[10,90]，v的范围为[-8,8]。
经计算后，v＝-3，R＝22，g(x)＝0.053，经验证电机转子槽数为22，估算结果与实际数量一致。由此可知，经过粒子群优化后，得到了转子槽数的准确估计结果，证明了本发明方法的可行性与准确性。
以上所述的实施例只是本发明的一种较佳的方案，然其并非用以限制本发明。有关技术领域的普通技术人员，在不脱离本发明的精神和范围的情况下，还可以做出各种变化和变型。因此凡采取等同替换或等效变换的方式所获得的技术方案，均落在本发明的保护范围内。

Claims (5)

1.一种基于粒子群优化的电机转子槽数估算方法，其特征在于包括如下步骤：
S1、获取电机定子电流信号；
S2、使用快速傅里叶变换FFT将电流信号从时域变换到频域得到频谱图；
S3、通过频谱分析得到定子电流基频f；
S4、通过频谱分析找出转子槽谐波频率fh，根据公式
Figure FDA0003139985160000011
和已知数据，用粒子群优化算法估算转子槽数。
2.根据权利要求1所述的一种基于粒子群优化的电机转子槽数估算方法，其特征在于：所述步骤S1中电流信号长度为8秒以上。
3.根据权利要求1所述的一种基于粒子群优化的电机转子槽数估算方法，其特征在于：所述步骤S2首先对原始信号加汉明窗，然后确定电流信号的采样频率Fs，再进行快速傅里叶变换画出频谱图。
4.根据权利要求1所述的一种基于粒子群优化的电机转子槽数估算方法，其特征在于：所述步骤S3中，从频谱图中确定幅值最大的谱线，其所对应的频率就是定子电流基频f。
5.根据权利要求1所述的一种基于粒子群优化的电机转子槽数估算方法，其特征在于：所述步骤S4的具体过程如下，
S4-1、已知公式
Figure FDA0003139985160000012
其中fh为转子槽谐波频率，R为转子槽数，S为转差率，p为极对数，f为定子电流基频，取k＝1,nd＝0，得到公式
Figure FDA0003139985160000013
S4-2、通过在频谱图中搜索除基频峰值之外的峰值，记录所对应的频率，即转子槽谐波频率fh；
S4-3、已知公式
Figure FDA0003139985160000014
其中ns为同步转速，n为转子转速，在已知转子转速的情况下，得到公式
Figure FDA0003139985160000015
v为定子时间谐波次数；
S4-4、由以上建立目标函数
Figure FDA0003139985160000016
用粒子群优化PSO对该目标函数求最小值来估计R和v，其中R的范围为[10,90]，v的范围为[-8,8]。
CN202110731531.8A 2021-06-30 2021-06-30 一种基于粒子群优化的电机转子槽数估算方法 Pending CN113297782A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110731531.8A CN113297782A (zh) 2021-06-30 2021-06-30 一种基于粒子群优化的电机转子槽数估算方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110731531.8A CN113297782A (zh) 2021-06-30 2021-06-30 一种基于粒子群优化的电机转子槽数估算方法

Publications (1)

Publication Number Publication Date
CN113297782A true CN113297782A (zh) 2021-08-24

Family

ID=77330033

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110731531.8A Pending CN113297782A (zh) 2021-06-30 2021-06-30 一种基于粒子群优化的电机转子槽数估算方法

Country Status (1)

Country Link
CN (1) CN113297782A (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107659016A (zh) * 2017-11-07 2018-02-02 华北电力大学 基于时空对称性的感应电机转子电磁量的快速分离方法
CN108460451A (zh) * 2018-02-12 2018-08-28 北京新能源汽车股份有限公司 基于粒子群算法优化电池荷电状态估算用关键参数的方法及装置

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107659016A (zh) * 2017-11-07 2018-02-02 华北电力大学 基于时空对称性的感应电机转子电磁量的快速分离方法
CN108460451A (zh) * 2018-02-12 2018-08-28 北京新能源汽车股份有限公司 基于粒子群算法优化电池荷电状态估算用关键参数的方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李良等: "基于蒙特卡罗法的感应电机转子槽数及转速辨识方法", 《微特电子》 *

Similar Documents

Publication Publication Date Title
Gu et al. A new method of accurate broken rotor bar diagnosis based on modulation signal bispectrum analysis of motor current signals
CN110617964A (zh) 用于滚动轴承故障诊断的同步压缩变换阶比分析法
Khodja et al. Bearing fault diagnosis of a PWM inverter fed-induction motor using an improved short time Fourier transform
AU2013337038B2 (en) A method for the diagnostics of electromechanical system based on impedance analysis
Kim et al. High-resolution parameter estimation method to identify broken rotor bar faults in induction motors
Zhang et al. A novel detection method of motor broken rotor bars based on wavelet ridge
Pineda-Sanchez et al. Instantaneous frequency of the left sideband harmonic during the start-up transient: A new method for diagnosis of broken bars
Chow et al. Three phase induction machines asymmetrical faults identification using bispectrum
Silva et al. Speed estimation of an induction motor operating in the nonstationary mode by using rotor slot harmonics
CN108278184B (zh) 基于经验模态分解的风电机组叶轮不平衡监测方法
CN115410729A (zh) 一种核反应堆轴封泵振动在线监测方法、系统及介质
CN111307426A (zh) 一种基于FrFT-EWT原理的旋转机械故障特征提取方法
Oviedo et al. Experimental evaluation of motor current signature and vibration analysis for rotor broken bars detection in an induction motor
TWI612765B (zh) 決定三相感應馬達之固有特徵量的方法
CN113311332A (zh) 高速永磁同步电机永磁体退磁故障诊断装置及方法
CN113297782A (zh) 一种基于粒子群优化的电机转子槽数估算方法
CN115356108B (zh) 一种调制高阶水平挤压变换机械故障诊断方法与装置
CN106771746A (zh) 一种电动汽车动态工况电磁骚扰快速评价方法
CN115856621A (zh) 一种异步电机转子断条故障诊断方法及系统
CN112526339B (zh) 基于多项式-相位变换的鼠笼电机转子断条故障诊断方法
CN113364362B (zh) 一种基于萤火虫优化的感应电机转速估计方法
Sharma et al. Using motor current analysis for broken rotor bar fault detection in rotary machines
CN112781723B (zh) 一种基于频谱方差的谐波成分检测方法
CN112671307B (zh) 一种表贴式永磁同步电机退磁程度评价方法及装置
CN115051612A (zh) 一种基于电流与振动信号的感应电机转速与转矩辨识方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210824

RJ01 Rejection of invention patent application after publication