CN113552452B - 永磁电机匝间短路剩余绝缘监测方法、装置和存储介质 - Google Patents

永磁电机匝间短路剩余绝缘监测方法、装置和存储介质 Download PDF

Info

Publication number
CN113552452B
CN113552452B CN202110792454.7A CN202110792454A CN113552452B CN 113552452 B CN113552452 B CN 113552452B CN 202110792454 A CN202110792454 A CN 202110792454A CN 113552452 B CN113552452 B CN 113552452B
Authority
CN
China
Prior art keywords
turn
permanent magnet
magnet motor
harmonic
amplitude
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
Application number
CN202110792454.7A
Other languages
English (en)
Other versions
CN113552452A (zh
Inventor
刘侃
魏东
丁荣军
梅文庆
文宇良
张定华
王建波
黄庆
陈泳丹
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.)
Hunan University
Original Assignee
Hunan University
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 Hunan University filed Critical Hunan University
Priority to CN202110792454.7A priority Critical patent/CN113552452B/zh
Publication of CN113552452A publication Critical patent/CN113552452A/zh
Application granted granted Critical
Publication of CN113552452B publication Critical patent/CN113552452B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
    • G01R31/1227—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials
    • 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
    • G01R31/346—Testing of armature or field windings
    • 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
    • G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
    • G01R31/52—Testing for short-circuits, leakage current or ground faults

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Control Of Electric Motors In General (AREA)
  • Control Of Ac Motors In General (AREA)

Abstract

本发明公开了一种永磁电机匝间剩余绝缘监测方法，包括：获取所述永磁电机工作时的d轴电流信号；基于短时自适应线性神经网络算法提取所述电流信号中的目标谐波；计算所述目标谐波对应阶数的谐波幅值；根据所述谐波幅值中的二阶谐波的幅值和正常情况下的二阶谐波幅值的差值对所述永磁电机匝间剩余绝缘进行监测。本发明还公开了一种永磁电机匝间剩余绝缘监测装置及计算机可读存储介质。本发明能够提高对永磁电机故障的检测精度。

Description

永磁电机匝间短路剩余绝缘监测方法、装置和存储介质
技术领域
本发明涉及电数字数据处理技术领域，尤其涉及一种永磁电机匝间短路剩余绝缘监测方法、装置和存储介质。
背景技术
永磁同步电机由于具有高效率、高功率和高转矩密度的特点而被广泛使用。当电机频繁工作在过热、过压、冲击环境下，可能会导致定子绕组匝间短路、永磁体永久性退磁、绕组开路、接地短路等多种电气故障。在上述各类电气故障类型中，匝间短路故障占比最高且往往是其他类型电气故障的起因。
永磁同步电机(permanent magnet synchronous machine,PMSM)匝间短路故障的最初形态是定子绕组内相邻线圈之间的绝缘不断退化，在退化过程中短路电流逐渐增大，产生大量热能进而导致更严重的绝缘能力下降。然而，目前关于匝间短路初期故障的研究往往只关注短路匝数的评估，但实际上相邻两匝在空间上并非一定相互接触，比如在同一个槽内的散嵌绕组，首匝与末匝就可能会在空间上相邻。但匝间短路故障一旦形成，只有绝缘退化到一定程度才会导致附近线圈的大面积短路。因此，能够实时观测匝间剩余绝缘的退化情况具有重要的学术和工程意义。
目前基于模型的方法是观测匝间剩余绝缘的退化情况的常用方式之一，基于模型的方法从故障机理出发，通过电磁场理论推导建立故障模型，最后比较模型输出和故障阈值得到诊断结果。该方法通常需要设置一个较高的阈值以防止错误诊断，但匝间短路初期故障特征极其微弱，因此在该类研究中绝缘电阻通常选择接近于0，即彻底短路的情况，这导致了基于模型的方法判断结果不及时。
发明内容
本发明的主要目的在于提供一种永磁电机匝间短路剩余绝缘监测方法、装置和存储介质，旨在提高观测匝间剩余绝缘的退化情况的及时性。
为实现上述目的，本发明提供一种永磁电机匝间剩余绝缘监测方法，所述永磁电机匝间剩余绝缘监测方法包括以下步骤：
获取所述永磁电机工作时的d轴电流信号id；
基于预设算法提取所述电流信号中的目标谐波；
计算所述目标谐波对应阶数的谐波幅值；
根据所述谐波幅值中的二阶谐波的幅值和正常情况下的二阶谐波幅值的差值对所述永磁电机匝间剩余绝缘进行监测。
可选地，所述获取所述永磁电机工作时的d轴电流信号id的步骤包括：
获取所述永磁电机的转速信息；
根据所述谐波幅值中的二阶谐波的幅值和正常情况下的二阶谐波幅值的差值对所述永磁电机匝间剩余绝缘进行监测的步骤包括：
根据所述差值与所述转速信息的比值作为故障指示信息；
根据所述故障指示信息对所述永磁电机匝间剩余绝缘进行监测。
可选地，所述监测方法还包括：
根据所述故障指示信息和预设阈值判断所述永磁电机是否故障。
可选地，根据所述故障指示信息对所述永磁电机匝间剩余绝缘进行监测的步骤包括：
基于所述故障指示信息提取出故障特征的时变信息；
获取所述故障特征的时变信息的变化趋势作为所述永磁电机匝间剩余绝缘的退化趋势。
可选地，基于预设算法提取所述电流信号中的目标谐波的步骤包括：
根据所述转速信息确定信号滑动窗口的宽度，并根据所述窗口的宽度和预设窗口移动步长对所述d轴电流信号id进行加窗处理，获得各窗口内的数据；
所述计算所述目标谐波对应阶数的谐波幅值的步骤包括：
采用预设神经网络算法对各窗口内的数据进行迭代求解，获得各窗口内谐波的幅值；
根据各窗口内谐波的幅值，获得各谐波随时间变化的幅值；
根据所述谐波幅值中的二阶谐波的幅值的步骤包括：
从各谐波随时间变化的幅值中选取二阶谐波的幅值。
可选地，计算所述目标谐波对应阶数的谐波幅值的步骤包括：
获取预设阶数，根据预设阶数采用预设神经网络算法对各窗口内的数据进行迭代求解，获得各窗口内谐波的幅值。
可选地，获取预设阶数，根据预设阶数采用预设神经网络算法对各窗口内的数据进行迭代求解，获得各窗口内谐波的幅值的步骤包括：
基于初始值计算窗口内每个时间点的神经网络输出；
根据每个神经网络输出构建代价函数；
判断所述代价函数的输出是否在预设误差范围内；
若是，则根据利用所述代价函数输出各阶次三角波的幅值；
根据各阶次三角波幅值计算对应谐波幅值。
可选地，获取预设阶数，根据预设阶数采用预设神经网络算法对各窗口内的数据进行迭代求解，获得各窗口内谐波的幅值的步骤还包括：
若否，则更新各阶次三角波的系数，并返回步骤：判断所述代价函数的输出是否在预设误差范围内。
此外，为实现上述目的，本发明还提供一种永磁电机匝间短路剩余绝缘监测装置，所述监测装置包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的永磁电机匝间短路剩余绝缘监测程序，所述监测程序被所述处理器执行时实现如上所述的永磁电机匝间短路剩余绝缘监测方法的步骤。
此外，为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有永磁电机匝间短路剩余绝缘监测程序，所述永磁电机匝间短路剩余绝缘监测程序被处理器执行时实现如上所述的永磁电机匝间短路剩余绝缘监测方法的步骤。
本发明实施例提出的一种永磁电机匝间短路剩余绝缘监测方法、装置和存储介质，通过获取所述永磁电机工作时的d轴电流信号id；基于预设算法提取所述电流信号中的目标谐波；计算所述目标谐波对应阶数的谐波幅值；根据所述谐波幅值中的二阶谐波的幅值和正常情况下的二阶谐波幅值的差值对所述永磁电机匝间剩余绝缘进行监测。本发明利用在永磁电机在发生故障时其d轴电流的二阶谐波受到影响最大的现象，对永磁电机进行监测，先获得永磁电机的d轴电流，然后计算d轴电流的二阶谐波幅值，而后对比计算的二阶谐波幅值与正常情况下二阶谐波幅值的差异，从而实现对永磁电机的匝间短路剩余绝缘进行监测。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的系统结构示意图；
图2为本发明永磁电机匝间剩余绝缘监测方法第一实施例的流程示意图；
图3为本发明一实施例中不同剩余绝缘电阻Rf和短路匝数μ对d轴电流二阶谐波的影响示意图；
图4为本发明实施例中Adaline NN结构原理示意图；
图5为本发明实施例中电流信号的1个周期进行FFT与Adaline处理对比示意图；
图6为本发明实施例中电流信号的1.2倍个周期进行FFT与Adaline对比示意图；
图7为本发明实施例中调幅信号ST-Adaline NN一处理结果示意图；
图8为本发明实施例中调幅信号ST-Adaline NN另一处理结果示意图；
图9为本发明实施例中恒转速下的故障指示示意图；
图10为本发明实施例中故障指示解耦转速前后一效果对比示意图；
图11为本发明实施例中降转速下的一故障指示示意图；
图12为本发明实施例中降转速下的另一故障指示示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
如图1所示，图1是本发明实施例方案涉及的硬件运行环境的系统结构示意图。
本发明实施例永磁电机匝间短路剩余绝缘监测程序可以应用于智能电视，智能手机、平板电脑、计算机等具有数据处理功能的终端。
如图1所示，该终端可以包括：处理器1001，例如CPU，存储器1005，通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。存储器1005可以是高速RAM存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
可选地，终端还可以包括摄像头、RF(Radio Frequency，射频)电路，传感器、音频电路、Wi-Fi模块等等。其中，传感器比如光传感器、运动传感器以及其他传感器。具体地，光传感器可包括环境光传感器及接近传感器，其中，环境光传感器可根据环境光线的明暗来调节显示屏的亮度，接近传感器可在移动终端移动到耳边时，关闭显示屏和/或背光。作为运动传感器的一种，重力加速度传感器可检测各个方向上(一般为三轴)加速度的大小，静止时可检测出重力的大小及方向，可用于识别移动终端姿态的应用(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等；当然，移动终端还可配置陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器，在此不再赘述。
本领域技术人员可以理解，图1中示出的终端结构并不构成对终端的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种计算机存储介质的存储器1005中可以包括操作系统以及永磁电机匝间短路剩余绝缘监测程序。
根据上述硬件结构，提出本发明方法各个实施例。
参照图2，图2为本发明永磁电机匝间剩余绝缘监测方法第一实施例的流程示意图，所述永磁电机匝间剩余绝缘监测方法包括：
步骤S100，获取所述永磁电机工作时的d轴电流信号id；
步骤S110，基于预设算法提取所述电流信号中的目标谐波；
步骤S120，计算所述目标谐波对应阶数的谐波幅值；
首先，对发明原理进行介绍：
正常永磁同步电机在三相坐标系下的模型可以表示为：
Figure GDA0003463980580000061
式中，三相电压[Vabc]＝[Va Vb Vc]T；上标T代表矩阵的转置；三相电流[Iabc]＝[iaib ic]T；Rs为相电阻；Ls为相电感
Figure GDA0003463980580000062
L为自感，M为互感；永磁磁链
Figure GDA0003463980580000063
θ为电机转子电角度，λPM为永磁磁链的幅值。
当A相绕组发生故障时，三相电压平衡方程可表示为：
Figure GDA0003463980580000064
式中μ为短路线圈匝数占短路相线圈总匝数的比例，[A1]＝[100]，代表A相故障；if为短路支路电流。式(2)中的前两项与正常电机相同，后两项代表短路部分对于所在相的影响。
对于正常电机，式(1)经Park变换得到dq轴坐标系下的电压方程为：
Figure GDA0003463980580000065
Figure GDA0003463980580000066
式中，Vd和Vq分别为d、q轴电压；id和iq分别为d、q轴电流；Ld和Lq分别为d、q轴电感；ωe为电机转子电角速度。
而故障下的模型可由式(2)经Park变换得到故障下的d、q轴电压Vd′和Vq′：
Figure GDA0003463980580000067
Figure GDA0003463980580000068
Figure GDA0003463980580000071
将式(5)和(6)中的正常项与故障项合并，可以得到
Figure GDA0003463980580000072
Figure GDA0003463980580000073
式中，id′和iq′分别为故障下的d、q轴电流：
Figure GDA0003463980580000074
Figure GDA0003463980580000075
短路支路的电压方程为：
Figure GDA0003463980580000076
式(11)中，Rf为剩余绝缘电阻，代表匝间短路故障发生后被短路两匝之间的绝缘能力，对于彻底短路Rf＝0，对于正常电机Rf＝∞；λPM,a为A相永磁磁链。上式中最后一项永磁磁链的比重最高，其它项在故障初期幅值较小可以忽略。因此，故障支路电流可表示为：
Figure GDA0003463980580000077
式中，λPM,1为永磁磁链的基波幅值，θυ为永磁磁链第υ次谐波与基波的相位差，n为正整数。忽略高次谐波的影响，上式可表示为：
Figure GDA0003463980580000078
式中，K为常量系数，取决于永磁磁链和故障情况；ω表示电机转子电角速度。因此，在忽略永磁磁链高次项影响的情况下，故障电流的幅值与转速成正比。因此式(9)和式(10)可以表示为：
Figure GDA0003463980580000079
Figure GDA00034639805800000710
式中，k＝μK为常量系数，和故障程度成正比。根据式(14)和式(15)可以推断出，匝间短路故障会引起d轴电流二阶谐波的改变，因此，本发明根据匝间短路故障会引起d轴电流二阶谐波对应改变的原理提出本发明。进一步地，且根据式(14)和式(15)可以推断出二阶谐波幅值的变化量和转速成正比为了方便查看，本发明还定义了故障指示FI：
Figure GDA00034639805800000711
式中，Δid,2为d轴电流二阶谐波幅值与相同工况下正常电机d轴电流二阶谐波幅值的差值，不同故障程度下Δid,2的实验结果如图3所示，其幅值会伴随短路匝数的增加和剩余绝缘电阻的减少而升高，同时也受转速的影响。根据上述公式推导，故障指示FI与短路匝数μ的平方成正比，与剩余绝缘能力Rf成反比，同时解耦了转速的影响，因此该故障指示能够在稳态及瞬态工况下指示故障的变化情况。因此在另一实施例中步骤S100则可以包括：
获取所述永磁电机的转速信息。
即在另一实施例中在获取永磁电机工作时d轴电流信号之外，还可以获取该永磁电机的转速信息，该转速信息可以通过永磁电机的转轴处设置转速传感器获得，也可以通过其他方式获得。
本实施例中先对待监测的永磁电机进行d轴电流采集，获得其d周电流信号id，然后通过预设算法去提取d轴电流信号中的目标谐波，具体地，可以通过STFT的方式处理，STFT是一种线性时频信号处理方法，通过滑动时间窗的方式，能够在时-频域表示出信号中各分量的能量分布情况或者其他实现同样功能的方法得到。然而经过实际验证STFT受制于海森堡不确定性原理，其时频域分辨率互相制约，难以精确获取信号中各分量的值。同样属于线性时频方法的小波变换也存在相同问题。尽管基于该问题提出了一些改进算法，如Wigner-Villey分布、同步压缩变换等，虽然在一定程度上提高了时频域的分辨率，但对于匝间短路故障初期故障导致的信号微弱变化观测能力依旧有限，同时也引起了交叉饱和、计算量等新的问题。因此本发明进一步提出一种新的方式，步骤S110具体包括：
根据所述转速信息确定信号滑动的窗口的宽度，并根据所述窗口的宽度和预设窗口移动步长对所述d轴电流信号id进行加窗处理，获得各窗口内的数据。
步骤S120可以包括：
采用预设神经网络算法对各窗口内的数据进行迭代求解，获得各窗口内谐波的幅值；
根据各窗口内谐波的幅值，获得各谐波随时间变化的幅值；
提取目标谐波的过程主要利用自适应线性神经网络(adaptive linear neutralnetwork,Adaline NN)利用代价函数和梯度下降的方法，通过线性激活函数不断地进行误差计算和权值更新，能够准确还原信号的组成成分，首先获取预设阶数，再根据预设阶数采用预设神经网络算法对各窗口内的数据进行迭代求解，获得各窗口内谐波的幅值。
具体地根据预设阶数采用预设神经网络算法对各窗口内的数据进行迭代求解，获得各窗口内谐波的幅值的过程可以包括：
基于初始值计算窗口内每个时间点的神经网络输出；
根据每个神经网络输出构建代价函数；
判断所述代价函数的输出是否在预设误差范围内；
若是，则根据利用所述代价函数输出各阶次三角波的幅值；根据各阶次三角波幅值计算对应谐波幅值。
若否，则更新各阶次三角波的系数，并返回步骤：判断所述代价函数的输出是否在预设误差范围内。
其中，神经网络的输出节点的激活函数，在数学表达形式上可知其为线性函数，如下所示：
Figure GDA0003463980580000091
式中，Wi为神经网络的权值，在本文中代表信号中各谐波成分对应的正弦、余弦波幅值；Xi为网络输入信号，即不同阶次的正余弦波；O(Wi,Xi)神经网络的输出节点的激活函数。对于实时获取的时间离散电流信号，基于傅里叶变换原理可以为不同权重、不同阶次的正余线信号的线性叠加，因此适用于Adaline NN。
Adaline NN结构原理如图4所示，如果网络的期望输出为d，对于包含k个离散数据点的电流信号，将其转化为M阶谐波分量，那么其中第i个数据点可以根据式(18)求出其激活函数的输出：
Figure GDA0003463980580000092
式中，d0为偏置，即电流信号中的直流分量；am和bm分别为m次谐波对应的正、余弦函数的幅值；ω0为基频对应的角速度；t为时间。
那么该段时间内k个离散数据的输出之和D为：
Figure GDA0003463980580000093
为求解各谐波幅值，采用基于梯度下降的方法迭代求解上述方程。首先构建损失函数L：
Figure GDA0003463980580000094
权值更新：
Figure GDA0003463980580000101
Figure GDA0003463980580000102
式中，上标括号内的数值代表迭代次数，0代表初值；η为每次迭代的步长。通过重复式(18)-(22)，最终通过迭代可以得到损失函数在误差允许范围内对应的权重系数。根据式(23)可以计算得到该时间段内各阶次谐波的幅值：
Figure GDA0003463980580000103
对于周期性稳态信号，截取其一个完整周期的数据如图5(a)，使用Adaline NN和快速傅里叶变换(fast Fouriertransform,FFT)进行谐波提取对比，结果如图5(b)。可以看出，对于一个完整周期的稳态型号，基于Adaline NN所提取的频率成分及其幅值与FFT结果误差很小。
然而，当数据长度并非一个完整周期时，进一步为了保证数据的正确性，获取电流信号的过程可以包括：获取所述永磁电机工作时预设周期个d轴电流信号id，所述预设周期大于1，即提取的电流信号的周期数要大于1个周期，一般选择1.2或者1.5个周期。如图6(a)所示1.2个周期，FFT的变换结果存在频谱泄露，导致大量多余频率分量成分出现，同时原有谐波分量幅值也发生明显改变，如图6(b)所示。因此，在STFT中，窗口宽度对于时频变换结果会有明显的影响：窗内信号较短会导致频率分析结果不准确，频率分辨率差；窗内的信号较长会导致时域分辨率差，同时由于多余频率成分的出现导致更严重的模糊现象。而结合转速信息，采用Adaline NN的方法可以很大程较避免频谱泄露现象，能够更准确地还原信号中的真实频率成分。
Adaline NN根据电机转速推导各谐波频率后再进行迭代求解，然而，对于变转速非平稳工况，各谐波频率不断变化，其频谱含量随时间有较大的变化，无法准确反映出信号的局部时变频谱特性。为在瞬态变转速运行工况下检测匝间短路故障的发生并持续观测匝间剩余绝缘电阻的退化情况，本发明提出了短时自适应线性神经网络(short timeadaptive linear neutral network，ST-Adaline NN)的方法用于直接提取瞬态电流信号中的二阶谐波分量。
对于平稳信号和非平稳信号，都可以通过结合STFT的信号滑动窗口机制实现目标谐波的获取，特别对于非平稳信号效果较为明显。通过设定窗口大小和步长，让窗口在时域信号上滑动，分别对每个窗口进行Adaline NN谐波提取，形成不同时间窗口对应的谐波信号，最终通过累加得到各谐波幅值随时间变化的数据。在此基础上，为避免STFT因窗口宽度固定且仍会造成频谱泄露而引起的时频域模糊现象，加入了窗口宽度自适应方法，基于电机实时转速计算得到电流信号基频，进而截取合适的信号长度用于谐波提取。具体如下式所示：
Figure GDA0003463980580000111
式中，SA(t,m)为该短时间内所提取各谐波幅值随时间变化的数据，从SA(t,m)中则可以选出二阶谐波幅值，选出的二阶谐波幅值为式14中id′；Am(τ)为对窗口内数据基于Adaline NN进行谐波提取；h(τ)为窗函数，为避免频谱泄露且已知电机转速故选用矩形窗。
为了验证ST-Adaline NN的有效性，对于图7(a)中的调幅测试信号s1(t)进行谐波提取：
s1(t)＝150sin(3ω1t)+(0.5t2-20t+250)sin(7ω1t) (23)
式中角速度ω1＝2π，即信号基频为1Hz，信号中仅包含3次和7次谐波成分，3次谐波幅值恒定为150，7次谐波幅值变化情况如图7(a)。
根据信号的基频信息，基于式(18)建立包含其对应谐波成分的激活函数，通过梯度下降迭代算法最终计算得到信号中3次和7次谐波的幅值，如图7(b)所示。可以看出，3次谐波幅值在150上下波动，7次谐波幅值与图7(a)基本吻合。
同样地，对于调频信号s2(t)也进行谐波提取：
s2(t)＝10sin(ω2t)+5sin(2ω2t) (26)
式中，角速度ω2＝2π(4t2-24t+300)，信号中包含基频和2次谐波分量，基波频率如图8(a)所示。基于ST-Adaline NN的谐波提取方法能够提取出该信号中的频率成分，如图8(b)所示，所提取出的谐波幅值均接近于信号中不同频率成分的幅值。
综上，相比于传统时频分析方法的模糊时频表示，ST-Adaline NN方法可以较准确还原各频率成分的幅值信息。第一次计算完成后，以真实的值和代价函数计算获得的值是否在误差范围内，若是，则采用该代价函数进行计算，若误差较大，则更新代价函数的的系数，再返回计算并重新判断误差的过程。以此获得最优系统的代价函数。
步骤S130，根据所述谐波幅值中的二阶谐波的幅值和正常情况下的二阶谐波幅值的差值对所述永磁电机匝间剩余绝缘进行监测。
因二阶谐波幅值会根据短路情况对应变化，因此在计算目标谐波的谐波幅值后从中选择出目标谐波的二阶谐波的幅值，再对二阶谐波幅值的与正常情况的二阶谐波幅值进行对比，从而实现对永磁电机匝间剩余绝缘进行监测。在另一实施例中，若定义了故障指示FI，则步骤S130可以包括：
根据所述差值与所述转速信息的比值作为故障指示信息；
根据所述故障指示信息对所述永磁电机匝间剩余绝缘进行监测。
本实施例中以计算获得的二阶谐波的幅值和正常情况下的二阶谐波幅值的差值，并除以永磁电机的转速获得的比值作为故障指示信息，然后根据故障指示信息对永磁电机匝间剩余绝缘进行监测，这样能够更加直观根据匝间剩余电阻进行监测。
具体地，本实施例中根据上述过程计算述目标谐波对应阶数的谐波幅值，根据所述谐波幅值中的二阶谐波的幅值和正常情况下的二阶谐波幅值的差值对所述永磁电机匝间剩余绝缘进行监测。进一步地，计算目标谐波对应阶数的谐波幅值的过程具体包括：
获取窗口个数并根据所述转速信息确定所述窗口的宽度，以对所述d轴电流信号id进行加窗处理，获得所述目标谐波。
电流的二阶谐波的幅值在计算过程中需要先预设计算总阶数，通常设置的总阶数为15次以上，才可以计算出电流的二阶谐波。
因此本实施例中针对电机稳态和瞬态运转工况下的匝间短路故障剩余绝缘观测采用了ST-Adaline NN方法。具体结果如下：
在恒转速300r/min的运行工况下，当匝间剩余绝缘电阻由10Ω逐渐降低至0时，使用ST-Adaline NN直接提取d轴电流的各谐波分量。如图9(b)所示，选择提取了信号中的1-15次谐波，伴随剩余绝缘电阻的降低，故障程度不断增加，其中基于二阶谐波分量计算的故障指示FI(图中实线)随之不断上升，且相比于其他分量所受故障影响最为明显。除此之外，同时也验证了基于ST-Adaline NN对于谐波提取的有效性。
为证明该故障指示的鲁棒性，对不同稳态转速工况下的相同故障进行了验证，图10(a)和(b)分别为两种不同故障工况下，基于ST-Adaline NN提取并建立的故障指示在解耦转速前后的对比。其中A-E分别代表300r/min转速下解耦转速的故障指示、600r/min转速下解耦转速的故障指示、900r/min转速下解耦转速的故障指示、600r/min转速下未解耦转速的故障指示、900r/min转速下未解耦转速的故障指示。为方便对比，对于未解耦转速的故障指示数据基于300r/min进行了标幺处理，因此对于300r/min的工况，解耦前后是一致的，均为曲线A。通过对比A、B、C和A、D、E可以发现，解耦转速后，对于相同故障程度，不同转速下故障指示幅值之间的差距大大缩小，因此可以有效降低转速改变对于诊断结果的影响。
图11和图12中，对于变转速瞬态运行工况，当匝间剩余绝缘电阻由10Ω逐渐降低至0时，基于ST-Adaline NN建立的故障指示FI依旧可以有效提取出故障特征的时变信息，能够检测出匝间剩余绝缘电阻的退化趋势。
进一步地，进行监测的过程还可以包括：
获取所述故障特征的时变信息的变化趋势作为所述永磁电机匝间剩余绝缘的退化趋势。
计算获得多个故障特征的时变信息后，则可以对多个故障特征的时变信息进行数据拟合，或者趋势判断，从而获得变化趋势，将该变化趋势作为永磁电机匝间剩余绝缘的退化趋势。
进一步地，为了提高安全性，在永磁电机发生故障时提示用户，该方法还可以包括：
根据所述故障指示信息和预设阈值判断所述永磁电机是否故障。
本实施例中还可以设定一阈值，从而对永磁电机是否发生故障进行判断，该故障可以为永磁电机匝间开始发生短路时的值，也可以是其他值，方便提示在发生故障时，对用户进行提醒，避免电机持续性短路造成更大的机器损伤。
此外，本发明实施例还提供一种永磁电机匝间短路剩余绝缘监测装置，所述监测装置包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的永磁电机匝间短路剩余绝缘监测程序，所述监测程序被所述处理器执行时实现如上任一实施例所述的永磁电机匝间短路剩余绝缘监测方法的步骤。
本发明永磁电机匝间短路剩余绝缘监测装置的各个步骤与上述永磁电机匝间剩余绝缘监测方法基本相同，此处不做过多赘述。
此外，本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有永磁电机匝间短路剩余绝缘监测程序，所述永磁电机匝间短路剩余绝缘监测程序被处理器执行时实现如上任一项实施例所述的永磁电机匝间短路剩余绝缘监测方法的步骤。
本发明存储介质中的各个步骤与上述永磁电机匝间剩余绝缘监测方法基本相同，此处不做过多赘述。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的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如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (11)

1.一种永磁电机匝间短路剩余绝缘监测方法，其特征在于，所述监测方法包括以下步骤：
获取所述永磁电机工作时的d轴电流信号id；
基于预设算法提取所述电流信号中的目标谐波；
计算所述目标谐波对应阶数的谐波幅值；
根据所述谐波幅值中的二阶谐波的幅值和正常情况下的二阶谐波幅值的差值对所述永磁电机匝间剩余绝缘进行监测，其中所述预设算法包括短时自适应线性神经网络算法Adaline NN或快速傅里叶变换算法FFT。
2.如权利要求1所述的永磁电机匝间短路剩余绝缘监测方法，其特征在于，所述获取所述永磁电机工作时的d轴电流信号id的步骤包括：
获取所述永磁电机的转速信息；
根据所述谐波幅值中的二阶谐波的幅值和正常情况下的二阶谐波幅值的差值对所述永磁电机匝间剩余绝缘进行监测的步骤包括：
根据所述差值与所述转速信息的比值作为故障指示信息；
根据所述故障指示信息对所述永磁电机匝间剩余绝缘进行监测。
3.如权利要求2所述的永磁电机匝间短路剩余绝缘监测方法，其特征在于，所述监测方法还包括：
根据所述故障指示信息和预设阈值判断所述永磁电机是否故障。
4.如权利要求2所述的永磁电机匝间短路剩余绝缘监测方法，其特征在于，根据所述故障指示信息对所述永磁电机匝间剩余绝缘进行监测的步骤包括：
基于所述故障指示信息提取出故障特征的时变信息；
获取所述故障特征的时变信息的变化趋势作为所述永磁电机匝间剩余绝缘的退化趋势。
5.如权利要求2所述的永磁电机匝间短路剩余绝缘监测方法，其特征在于，基于预设算法提取所述电流信号中的目标谐波的步骤包括：
根据所述转速信息确定信号滑动的窗口的宽度，并根据所述窗口的宽度和预设窗口移动步长对所述d轴电流信号id进行加窗处理，获得各窗口内的数据；
所述计算所述目标谐波对应阶数的谐波幅值的步骤包括：
采用预设神经网络算法对各窗口内的数据进行迭代求解，获得各窗口内谐波的幅值；
根据各窗口内谐波的幅值，获得各谐波随时间变化的幅值；
根据所述谐波幅值中的二阶谐波的幅值的步骤包括：
从各谐波随时间变化的幅值中选取二阶谐波的幅值。
6.如权利要求5所述的永磁电机匝间短路剩余绝缘监测方法，其特征在于，获取所述永磁电机工作时的d轴电流信号id的步骤包括：
获取所述永磁电机工作时预设周期个d轴电流信号id，所述预设周期大于1。
7.如权利要求5所述的永磁电机匝间短路剩余绝缘监测方法，其特征在于，采用预设神经网络算法对各窗口内的数据进行迭代求解，获得各窗口内谐波的幅值的步骤包括：
获取预设阶数，根据预设阶数采用预设神经网络算法对各窗口内的数据进行迭代求解，获得各窗口内谐波的幅值。
8.如权利要求7所述的永磁电机匝间短路剩余绝缘监测方法，其特征在于，获取预设阶数，根据预设阶数采用预设神经网络算法对各窗口内的数据进行迭代求解，获得各窗口内谐波的幅值的步骤包括：
基于初始值计算窗口内每个时间点的自适应线性神经网络输出；
根据每个神经网络输出构建代价函数；
判断所述代价函数的输出是否在预设误差范围内；
若是，则根据利用所述代价函数输出各阶次三角波的幅值；
根据各阶次三角波幅值计算对应谐波幅值。
9.如权利要求8所述的永磁电机匝间短路剩余绝缘监测方法，其特征在于，获取预设阶数，根据预设阶数采用预设神经网络算法对各窗口内的数据进行迭代求解，获得各窗口内谐波的幅值的步骤还包括：
若否，则更新各阶次三角波的系数，并返回步骤：判断所述代价函数的输出是否在预设误差范围内。
10.一种永磁电机匝间短路剩余绝缘监测装置，其特征在于，所述监测装置包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的永磁电机匝间短路剩余绝缘监测程序，所述监测程序被所述处理器执行时实现如权利要求1至9中任一项所述的永磁电机匝间短路剩余绝缘监测方法的步骤。
11.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有永磁电机匝间短路剩余绝缘监测程序，所述永磁电机匝间短路剩余绝缘监测程序被处理器执行时实现如权利要求1至9中任一项所述的永磁电机匝间短路剩余绝缘监测方法的步骤。
CN202110792454.7A 2021-07-14 2021-07-14 永磁电机匝间短路剩余绝缘监测方法、装置和存储介质 Active CN113552452B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110792454.7A CN113552452B (zh) 2021-07-14 2021-07-14 永磁电机匝间短路剩余绝缘监测方法、装置和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110792454.7A CN113552452B (zh) 2021-07-14 2021-07-14 永磁电机匝间短路剩余绝缘监测方法、装置和存储介质

Publications (2)

Publication Number Publication Date
CN113552452A CN113552452A (zh) 2021-10-26
CN113552452B true CN113552452B (zh) 2022-02-15

Family

ID=78131724

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110792454.7A Active CN113552452B (zh) 2021-07-14 2021-07-14 永磁电机匝间短路剩余绝缘监测方法、装置和存储介质

Country Status (1)

Country Link
CN (1) CN113552452B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113985234B (zh) * 2021-12-23 2022-04-01 华中科技大学 一种基于混合传感的电机定子绕组局放在线监测辨识系统

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3272933B2 (ja) * 1995-07-14 2002-04-08 株式会社東芝 回転電機巻線の余寿命評価方法
JP2000235064A (ja) * 1999-02-15 2000-08-29 Toyo Electric Mfg Co Ltd 回転電機の残存絶縁破壊電圧値の推定装置
KR100402376B1 (ko) * 2001-05-03 2003-10-17 주식회사 효성 유도 전동기용 회전자 및 그 제조방법
JP4550537B2 (ja) * 2004-09-30 2010-09-22 三菱電機ビルテクノサービス株式会社 高圧回転機の残存絶縁寿命推定システムおよび推定方法
US8140291B2 (en) * 2009-02-03 2012-03-20 General Electric Company Stator turn fault detection apparatus and method for induction machine
CN111965543B (zh) * 2020-10-21 2020-12-29 湖南大学 永磁同步电机匝间短路故障初期检测方法、系统及介质

Also Published As

Publication number Publication date
CN113552452A (zh) 2021-10-26

Similar Documents

Publication Publication Date Title
Faiz et al. Comprehensive review on inter‐turn fault indexes in permanent magnet motors
Feng et al. A closed-loop fuzzy-logic-based current controller for PMSM torque ripple minimization using the magnitude of speed harmonic as the feedback control signal
Aubert et al. Kalman-filter-based indicator for online interturn short circuits detection in permanent-magnet synchronous generators
Abdallah et al. Stator winding inter‐turn short‐circuit detection in induction motors by parameter identification
Arjona et al. Parameter estimation of a synchronous generator using a sine cardinal perturbation and mixed stochastic–deterministic algorithms
Xu et al. Sliding mode observer for sensorless control of surface permanent magnet synchronous motor equipped with LC filter
Zhong et al. Accurate model of switched reluctance motor based on indirect measurement method and least square support vector machine
Saadaoui et al. A new full‐order sliding mode observer based rotor speed and stator resistance estimation for sensorless vector controlled PMSM drives
Fang et al. Improved ZSVC‐based fault detection technique for incipient stage inter‐turn fault in PMSM
Yousefi kia et al. Hybrid modelling of doubly fed induction generators with inter‐turn stator fault and its detection method using wavelet analysis
CN113552452B (zh) 永磁电机匝间短路剩余绝缘监测方法、装置和存储介质
Jafarboland et al. New sensorless commutation method for BLDC motors based on the line‐to‐line flux linkage theory
Jannati et al. Speed sensorless fault-tolerant drive system of 3-phase induction motor using switching extended kalman filter
Wang et al. Sliding mode control with open‐switch fault diagnosis and sensorless estimation based on PI observer for PMSM drive connected with an LC filter
Arellano‐Padilla et al. Condition monitoring approach for permanent magnet synchronous motor drives based on the INFORM method
Khouidmi et al. Reduced-order sliding mode observer-based speed sensorless vector control of double stator induction motor
Zhang et al. Sliding observer‐based demagnetisation fault‐tolerant control in permanent magnet synchronous motors
Rasouli et al. Reducing induction motor identified parameters using a nonlinear Lasso method
Xu et al. Cascaded speed and current model of PMSM with ultra‐local model‐free predictive control
CN113236541A (zh) 压缩机控制方法、设备、存储介质及装置
Pan et al. Adaptive controller with an improved high‐frequency injection technique for sensorless synchronous reluctance drive systems
Zaltni et al. Observability analysis and improved zero‐speed position observer design of synchronous motor with experimental results
Yi et al. A new signal injection‐based method for estimation of position in interior permanent magnet synchronous motors
Guo et al. Direct voltage control of stand‐alone DFIG under asymmetric loads based on non‐singular terminal sliding mode control and improved extended state observer
Arellano‐Padilla et al. Evaluation of saliency tracking as an alternative for health monitoring in PMSM‐drives under non‐stationary conditions

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