CN113589163A - 使用机器学习进行的感应电机状况监视 - Google Patents

使用机器学习进行的感应电机状况监视 Download PDF

Info

Publication number
CN113589163A
CN113589163A CN202110467152.2A CN202110467152A CN113589163A CN 113589163 A CN113589163 A CN 113589163A CN 202110467152 A CN202110467152 A CN 202110467152A CN 113589163 A CN113589163 A CN 113589163A
Authority
CN
China
Prior art keywords
signal data
metric
run
baseline
runtime
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
Application number
CN202110467152.2A
Other languages
English (en)
Other versions
CN113589163B (zh
Inventor
罗伯特·J·米克洛绍维奇
何美铃
布赖恩·R·法斯特
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.)
Rockwell Automation Technologies Inc
Original Assignee
Rockwell Automation Technologies Inc
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
Priority claimed from US16/864,739 external-priority patent/US20210341896A1/en
Application filed by Rockwell Automation Technologies Inc filed Critical Rockwell Automation Technologies Inc
Publication of CN113589163A publication Critical patent/CN113589163A/zh
Application granted granted Critical
Publication of CN113589163B publication Critical patent/CN113589163B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/0227—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions
    • G05B23/0229—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions knowledge based, e.g. expert systems; genetic algorithms
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
    • G05B19/406—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by monitoring or safety
    • 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
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M7/00—Vibration-testing of structures; Shock-testing of structures
    • G01M7/02—Vibration-testing by means of a shake table
    • G01M7/022—Vibration control arrangements, e.g. for generating random vibrations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/20—Pc systems
    • G05B2219/24—Pc safety
    • G05B2219/24042—Signature analysis, compare recorded with current data, if error then alarm
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/20—Pc systems
    • G05B2219/25—Pc structure of the system
    • G05B2219/25011—Domotique, I-O bus, home automation, building automation
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/33—Director till display
    • G05B2219/33002—Artificial intelligence AI, expert, knowledge, rule based system KBS
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/41—Servomotor, servo controller till figures
    • G05B2219/41319—Ac, induction motor
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/80—Management or planning

Landscapes

  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Automation & Control Theory (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Human Computer Interaction (AREA)
  • Manufacturing & Machinery (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Control Of Electric Motors In General (AREA)

Abstract

本发明涉及使用机器学习进行的感应电机状况监视。本技术的各种实施方式总体上涉及工业环境中的状况监视。更具体地，一些实施方式涉及用于电机驱动器的嵌入式分析引擎，其监视感应电机状况以检测包括转子故障和定子故障的潜在失效。在一个实施方式中，状况监视模块被配置成：从驱动器内的控制器获得运行时间信号数据；基于感应电机故障状况从运行时间信号数据得出运行时间度量；将运行时间度量作为输入提供给机器学习模型，机器学习模型被构造成基于运行时间度量来识别感应电机的状态并且输出该状态；以及基于由机器学习模型输出的感应电机的状态来监视感应电机故障状况。

Description

使用机器学习进行的感应电机状况监视
对相关申请的交叉引用
本申请是部分延续，并且要求提交于2020年5月1日的标题为“Industrial MotorDrives with Integrated Condition Monitoring”的美国申请第16/864,739号的优先权，出于所有目的、通过引用将其全部内容并入本文。
技术领域
本发明总体上涉及工业环境中的状况监视。更具体地，本发明涉及用于电机驱动器的嵌入式分析引擎，其监视感应电机状况以检测包括转子故障和定子故障的潜在故障。
背景技术
工业驱动器为自动化环境例如工厂、制造厂等中的控制工业机器内的机械运动的电机提供动力。电机驱动器中的控制器基于由上游控制元件(例如按压按钮或可编程逻辑控制器)供应的过程信号，控制驱动器中由电路向给定电机提供的电力。连接至每个电机的机械装置具有不同量的柔度、齿隙、摩擦重力、转矩扰动和变化的惯性。因此，各个机械部件的状况、机器与机器之间的差异、制造公差以及随时间的磨损使每台机器都以独特的速度退化。
状况监视是对工业过程中所涉及的电机和/或连接的机械负载的状况进行监视的过程，使得电机驱动器本身或上游控制元件可以对潜在的破坏性故障作出反应。状况监视的目的是在失效发生之前预测它们，以防止危险的操作状况和计划外的停机时间。状况监视解决方案通常监视机器参数，例如振动、温度和速度。典型的故障状况包括但不限于轴承失效、定子绕组失效、断裂转子条、未对准、不平衡、摩擦和振动。参数还可以包括直接从将驱动器连接至电机的布线中取的电压和电流测量结果。
状况监视解决方案针对阈值评估参数以确定是否存在故障状况，如果存在，则告警驱动器控制器或上游控制元件。现有状况监视通常在电机驱动器的外部执行。亦即，状况监视模块位于驱动器的机柜的外部，并且直接从放置在被监视的机器或部件上或附近的传感器收集其信号数据。由于实现该系统需要额外的硬件和布线，这样的配置引起成本和复杂性增加。
关于该一般技术环境，已经设想了本文中所公开的本技术的各方面。此外，尽管已经讨论了一般环境，但是应当理解，本文中所描述的示例不应当限于背景技术中所标识的一般环境。
发明内容
提供本发明内容以便以简化的形式介绍将在下面的具体实施方式中进一步描述的构思的选择。该概述既不意在表明所要求保护的主题的关键特征或必要特征，也不意在用于帮助确定所要求保护的主题的范围。
本技术的各种实施方式总体上涉及工业环境中的状况监视。更具体地，一些实施方式涉及用于电机驱动器的嵌入式分析引擎。在本技术的实施方式中，一种在工业自动化环境中监视感应电机的状况的方法包括：获得驱动器中的运行时间信号数据，驱动器被配置成至少部分地基于与工业操作相关联的运行时间信号数据来控制在工业操作中向感应电机供应的电力；以及基于感应电机故障状况从运行时间信号数据得出运行时间度量。该方法还包括将运行时间度量作为输入提供给机器学习模型，该机器学习模型被构造成基于运行时间度量来识别感应电机故障的状态，并且基于感应电机的状态来监视感应电机故障状况。
在该方法的实现方式中，感应电机故障状况是转子故障，以及从运行时间信号数据得出运行时间度量包括：得出特定于识别转子故障的运行时间度量。机器学习模型还可以被构造(即，被构建和训练)成基于运行时间度量来识别断裂转子条的数目。在可替选实现方式中，感应电机故障状况是定子故障以及从运行时间信号数据得出运行时间度量包括：得出特定于识别定子故障的运行时间度量。机器学习模型还可以被构造成基于运行时间度量来识别短路匝的数目。在一些实现方式中，该方法还包括在获得运行时间信号数据之前获得基线信号数据，其中，该基线信号数据表示感应电机的健康状况，将历史基线信号数据存储在驱动器中，以及从基线信号数据得出基线度量。除了运行时间度量外，还将基线度量作为输入提供给机器学习模型，该机器学习模型被构造成基于运行时间度量来识别感应电机故障的状态。此外，在某些实现方式中，得出基线和运行时间度量包括：确定基线和运行时间信号数据的全频谱或频带受限频率响应；确定频率响应的峰值幅度差异；以及生成包括以下的故障特征：转矩参考信号、机械速度、电频率、相电流的函数例如归一化负序以及频率响应的峰值幅度差异。健康故障状况期间的基线度量以及健康状况以及各种级别的退化故障状况期间的运行时间度量都可以用于构造机器学习模型。
在可替选实施方式中，工业驱动器包括：驱动器电路，驱动器电路被配置成在工业操作中向感应电机供应电力；控制器，控制器与驱动器电路耦接并且被配置成至少部分地基于与感应电机相关联的运行时间信号数据来控制向感应电机供应的电力，以及状况监视模块。状况监视模块被配置成：从控制器获得运行时间信号数据；基于感应电机故障状况从运行时间信号数据得出运行时间度量；将运行时间度量作为输入提供给机器学习模型，机器学习模型被构造成基于运行时间度量来识别感应电机的状态并且输出该状态；以及基于由机器学习模型输出的感应电机的状态来监视感应电机故障状况。
在又一实施方式中，一个或更多个计算机可读存储介质具有存储在其上的程序指令，以在工业自动化环境中执行状况监视。所述程序指令在由处理系统读取并执行时，至少在部分地基于运行时间信号数据，将处理系统指引至至少被配置成在工业操作中向感应电机供应电力的电机驱动器中，获得运行时间信号数据，以及在电机驱动器中基于感应电机故障状况从运行时间信号数据得出运行时间度量。程序指令还将处理系统指引至电机驱动器中，将运行时间度量作为输入提供给机器学习模型，该机器学习模型被构造成基于运行时间度量来识别感应电机的状态并且输出该状态，以及在电机驱动器中，基于由机器学习模型输出的感应电机的状态，来监视感应电机故障状况。
附图说明
参照以下附图可以更好地理解本公开内容的许多方面。附图中的部件不一定按比例绘制。此外，在附图中，贯穿若干视图，相似的附图标记指定对应的部分。虽然结合这些附图描述了若干实施方式，但是本公开内容不限于本文中所公开的实施方式。相反，意在涵盖所有可替选方案、修改例和等同物。
图1示出了根据本技术的一些实施方式的包括嵌入式分析引擎的工业自动化环境；
图2示出了根据本技术的一些实施方式的与嵌入式分析引擎相关联的工业过程；
图3示出了根据本技术的一些实施方式的嵌入式分析引擎的高级系统架构；
图4示出了根据本技术的一些实施方式的嵌入式分析引擎的示例性架构；
图5示出了根据本技术的一些实施方式的嵌入式分析引擎的示例性架构；
图6示出了根据本技术的一些实施方式的用于监视工业操作的状况的一系列步骤；
图7示出了根据本技术的一些实施方式的用于监视工业设备的状况的一系列步骤；
图8示出了根据本技术的一些实施方式的与工业机器相关联的一系列信号以及与机器相关联的常见故障；
图9示出了根据本技术的一些实施方式的用于使用机器学习对断裂转子条进行监视的一系列步骤；
图10是示出根据本技术的一些实施方式的使用机器学习对断裂转子条进行监视的框图；
图11示出了根据本技术的一些实施方式的用于使用机器学习对定子失效进行监视的一系列步骤；
图12是示出根据本技术的一些实施方式的使用机器学习对定子失效进行监视的框图；
图13示出了根据本技术的一些实施方式的包括根据其可以监视状况的多级工业自动化环境；以及
图14示出了根据本技术的一些实施方式可以使用的计算设备。
附图不一定按比例绘制。类似地，出于讨论本技术的一些实施方式的目的，一些部件或操作可以不被分成不同的块或组合成单个块。此外，尽管能够将技术修改成各种修改和可替选形式，但是在附图中通过示例示出了特定实施方式，并且在下面详细描述了特定实施方式。然而，意图不是将技术限于所描述的特定实施方式。相反，技术旨在涵盖落入由所附权利要求限定的技术范围内的所有修改、等同物和可替选方案。
具体实施方式
以下描述和相关联的附图教示了本发明的最佳模式。出于教示发明性原理的目的，可以简化或省去最佳模式的一些常规方面。随附权利要求指定本发明的范围。注意，最佳模式的一些方面可能未落入权利要求所指定的本发明的范围内。因此，本领域内技术人员将认识到根据最佳模式的落入本发明的范围内的变型。本领域内技术人员将认识到以下描述的特征可以以各种方式组合，以形成本发明的多种变型。因此，本发明不限于以下描述的特定示例，而仅受限于权利要求及其等同物。
本技术的各种实施方式总体上涉及工业环境中的状况监视。更具体地，本技术的实施方式包括用于电机驱动器的状况监视方法，该方法仅需要电机驱动器内可用的输入信号，所述可用的输入信号包括电机电流和电压、转矩参考、电频率和速度反馈。基于要预测的指定故障状况，将测量的唯一组合应用于特定输入信号。测量(即，度量)包括滤波、全频谱和频带受限频率响应、统计方法以及标准时域测量，例如应用信号最大值、最小值、均方根(RMS)和平均值。这些测量创建了关于特定故障状况的具有高信息含量的机器特征，然后将其用作一种或多种机器学习算法的输入，以建立更准确和可重复的预测模型。
尽管参照旋转机械和电机驱动器讨论了本公开内容的分析引擎，但是该技术可以应用于除本文讨论的那些以外的任何工业设备以监视信号。在旋转机械中，状况监视可以指监视驱动电机的健康状况、机械负载的健康状况，或驱动电机的健康状况和机械负载的健康状况两者。状况监视在工业过程中起着重要作用，因为它能够预测旋转机械中的电机和负载失效。高速驱动信号以比捕捉的数据速率低得多的数据速率发送至可编程逻辑控制器(PLC)，并且因此，在没有简单的方法来传输高速数据的情况下，存在信息丢失。因此，本文的实施方式包括用于感应电机状况监视的驱动器嵌入式分析引擎。如本公开内容中所使用的工业过程可以包括：包括一个或更多个工业操作的任何系统。
对于状况监视没有设定的标准。然而，最常见的两种方法包括振动监视和电机电流特征分析(MCSA)。振动监视涉及分析来自连接至机器的多个振动传感器的信号，而MCSA涉及分析驱动器内可用的电机电流信号。两种方法以高采样率对信号数据执行快速傅立叶变换(FFT)，将统计方法应用于各种感兴趣频率下的峰值幅度，并且创建自定义逻辑来触发动作或设置状态位。MCSA经常受到重复性和可靠性问题的困扰，而振动监视则需要附加的传感器、布线、硬件和软件。由于额外的成本、所需的专业知识和设计时间，即使可以通过在发生失效之前预测它们来节省大量资金，许多机器制造商也不会去做。
现有技术没有提供简单的机制，通过该机制，工业企业、设施、设备等可以监视旋转机械的健康状况，除了跨多个软件包对若干参数进行复杂的配置之外，不需要多个硬件部件、传感器和线缆。这些因素导致这样的系统的建立昂贵且费时。现有解决方案的其他缺点包括它们仅适于单驱动器应用，而不适于PLC系统级分析。此外，现有解决方案无法在没有与外部系统通信的独立驱动器应用中工作。在工业中，总体上缺乏集成解决方案和可配置性，这导致需要更简单、精简的解决方案，该解决方案能够在不增加成本的情况下对旋转机械进行状况监视。
与电机控制相关联的两个重要仪器包括变频驱动器(VFD)和PLC。VFD用于为电机驱动的负载供应电力，从而使其能够在宽的速度范围内(即，在操作范围内的无数个速度)进行操作。VFD可以控制位置、速度、转矩、加速度、旋转方向以及与旋转机器相关联的类似变量。VFD的使用可以大大提高各种工业系统例如泵、压缩机、输送机、起重机和风扇系统的效率。PLC是电机控制系统中使用的基于程序的计算机，通常用于使跨多个驱动器的运动同步。
因此，公开了嵌入在使用机器学习来检测故障的电机驱动器(即，VFD)中的分析引擎。在一些示例中，根据本公开内容的分析引擎可以包括隐藏配置复杂性并简化用户体验的应用层。分析引擎被配置成监视各种应用，并且在早期检测电机或其检测到的机械负载的退化。在此过程中，分析引擎从数据源处的数据中提取应用特定信息。根据本技术的结果是信息丰富和数据轻。结果可以容易地通过网络发送至相关联的PLC，或者可以容易地通过网关发送至外部计算环境(例如云)，而不会丢失信息、网络拥塞并且不需要高速数据传输。数据重信号被转换为用于网络传输的数据轻信息，并且因此可以用于在工业环境的所有级别处进行检测。
根据本公开内容的驱动器嵌入式分析引擎使工业企业、雇主和其他用户能够监视电机和连接的负载，以在失效发生之前检测它们。例如，使用机器学习在电气、电机机械和负载机械故障状况发生之前进行预测，可以用作防止计划外的停机时间并且减少备件库存。可以在驱动器内选择、测量和分析各种高速、数据重的驱动信号，而无需附加的硬件和布线并且不会丢失信息。引擎的分析测量和输出是信息丰富且数据轻的，并且因此出于显示、汇总和进一步分析的目的，在不会使网络拥塞的情况下，可以通过网络发送至PLC控制器或者通过网关发送至云环境。这些优势使PLC中的分析算法本能够预测具有多个驱动器和传感器的系统中发生的故障。
如前所述，本文讨论的状况监视可以用于检测旋转机械的失效状况。可以经由对相电流和其他驱动信号进行频率分析，在驱动器(即，VFD)内执行状况监视。与电机和机械负载相关联的已知失效可以与机器的机械部件、振动、电气部件以及旋转机械的类似方面相关。某些失效无法在控制器或云级处检测到，这是因为它们使用高速数据和存储器。因此，本技术使得能够通过从驱动器内部检测失效来检测这些失效。本技术可以用于检测与轴承、转子条、轴、绕组、油膜涡动和油膜振荡、滚动元件、齿轮、齿、比较器、连接器或与旋转机械相关联的类似部件相关的失效。本技术可以检测除了可能与旋转机械相关联的其他问题外的问题，该问题包括但不限于未对准、不平衡、不稳定、共振、磨损、损坏、退化、堆积、破裂、弯曲、断裂、刀片通过、叶片通过、齿隙、阻塞、负载、松动、扰动、摩擦、偏心率、相位问题、定相问题、电流、调谐问题或气蚀和阻塞。除了采用电机驱动器的其他装备之外，本技术还可以用于振动监视、感应电机故障的监视、或泵、风扇、鼓风机、压缩机、输送机、起重机和吊升机的监视。
根据本技术，状况监视包括四个基本步骤：输入选择、数据获取、度量和检测。输入选择包括选择输入信号源例如来自振动、温度或声学传感器的信号，或者选择驱动信号如相电流和电压、转矩参考或速度反馈，这些信号可以根据针对给定场景的故障状况监视设置来使用。数据采集包括从所选择的信号中捕捉与故障状况监视设置相关的数据。度量涉及将测量应用于捕捉的数据的过程。度量包括将捕捉的数据内容(包括高速数据内容)转换为信息内容，该信息内容在某些实现方式中可以是快速信息内容。将数据内容转换为信息内容可以包括利用频域技术例如快速傅立叶变换(FFT)算法、时域技术例如提取平均值、最小值、最大值和均方根(RMS)信息或者其他变换技术来提取模式识别、相关性或方差信息。第四步，检测，应用于提取的信息，以实现故障状况的检测。故障状况可以使用阈值和用于识别何时超过阈值的技术来检测。阈值可以被应用于提取的运行时信息或提取的运行时间信息与提取的基线信息之间的差异。检测可以附加地或可替选地包括通过对状况进行分类或者通过类似的统计手段来预测和检测失效的机器学习(ML)技术。
本技术的特定实施方式包括使用机器学习的感应电机状况监视。更具体地，感应电机状况监视包括检测定子故障和转子故障。根据预测哪种故障状况，将测量的唯一组合应用于特定输入信号。这些测量针对给定故障创建了具有高信息内容的故障特征。因此，消除了负载变化的影响，在应用机器学习算法进行预测时提供了更一致的信息。
定子绕组故障可以包括相接地故障、相间故障、匝间故障和线圈间故障。转子故障可以包括断裂转子条和端环断裂。定子绕组失效是由相邻绕组匝之间的绝缘击穿引起的短路导致的，并且占感应电机故障的约40％。绝缘失效可能迅速扩展至定子芯，从而导致定子芯接地绝缘失效。对于小型低压电机，此过程可能需要20秒至60秒。对于中压(MV)电机，由于相邻匝之间的高电压，此过程可能会快得多。这些失效可能导致绕组和/或定子芯的不可逆损坏。
转子故障是由机械应力(例如，振动)和热应力(例如，设计)引起的，并且占感应电机失效的约10％。转子故障可能影响电机运动特性，例如速度和转矩的波动以及降低；它们还可能导致条的断裂部分以高速撞击端部绕组或定子，从而引起对绝缘和绕组失效的严重损坏。
在用于转子故障检测的现有解决方案中，转子的不对称性导致对正向旋转的转子进行以滑差频率的磁阻后向旋转场。当额定负载在70％以上时，可以通过分析在电机电频率(fs)周围的两倍滑差频率(sf)边带(f转子＝fs±2sf)中的电机电流的频率响应幅度来检测转子故障。分析这些边带幅度被证明是不够的。例如，如果机器在70％的额定负载下运行，则提出的度量不起作用。即使在获得70％的额定负载时，故障信息并非100％可靠的，因为一些不相邻的条断裂可能会掩盖常用的故障指示并且导致机器的错误诊断。换言之，检测阈值根据电机负载的函数而变化。
在用于定子故障检测的现有解决方案中，可以通过定子电流频谱中的特定频谱来检测与短路相关的初期故障。异常谐波是由磁动力(MMF)分布和气隙的磁导波表示引起的一系列变量的函数(
Figure BDA0003044622260000081
其中分别m＝1,2,3,...,k＝1,3,5,...，p＝极对，s＝转子滑差，fs＝电机电频率，以及f定子＝短路相关的频率谐波)。还发现归一化负序电流的5次谐波与匝间短路故障具有线性相关性，并且与电压谐波分量和纸上建议的调制指数无关。
这些解决方案的主要缺点包括：负序电流中的负序电流分量也可以由不平衡的电力供应和感应电机的固有不对称性引起。由于电机固有不对称性而引起的负序电流也与负载和滑差有关，这使得难以设置针对故障特征的阈值。此外，来自电流的定子故障特征非常接近与其他类型的缺陷例如偏心率相关的频率分量。重要的是要相互隔离以进行正确检测。故障特征还受到由电力供应谐波和负载振荡引起的电流谐波的影响。因此，MCSA不足以用于识别定子故障。
典型的机器学习系统可以包括特征提取、特征选择和分类。在本技术中，典型的特征提取和选择被取自最初(即，基线版本)和最近(即，运行时间版本)捕捉的特定输入信号的测量(即，度量)的唯一组合所替换。这些测量针对给定故障创建了具有高信息内容的故障特征。应当注意的是，这种方法不同于使用全部在同一时间捕捉的输入信号的标准特征提取和选择技术，而不管它们是针对健康状况还是不健康状况。支持向量机(SVM)分类器被应用于在健康(即，基线)和不健康(即，运行时间)状况下进行的测量。此历史数据用于构建和训练具有高的准确性和可重复性的模型，该模型用于早期检测转子和定子故障。
图1示出了其中可以实现本技术的各方面的工业环境的示例。环境100包括变频驱动器110、工业操作120和外部系统130。变频驱动器110包括分析引擎111、控制器113和电路114。工业操作120包括传感器121、PLC自动化控制器122、编码器123和电机124。外部系统130包括系统分析131、企业分析132、云分析133和PLC自动化控制器134。工业操作120可以表示由变频驱动器110供电的任何工业机器或系统。变频驱动器110和工业操作120的部件可以根据给定的实现方式而不同。本文所示的系统可以包括附加部件、较少的部件和不同的部件，并且仍然可以符合本示例的技术。同样，传感器121、PLC自动化控制器122和编码器123可以各自分别表示与工业操作120相关联的任何数目的传感器、控制器和编码器。外部系统130用于表示或包括相对于变频驱动器110外部的任何层的工业自动化环境，其中外部分析系统可以收集并分析来自分析引擎111和/或单独地来自分析引擎111的数据，并且执行系统分析。
变频驱动器110向工业操作120的电机124供应电力，并且从工业操作120接收信号数据。分析引擎111运行故障检测过程112，以基于信号数据检测工业操作120内的故障。分析引擎111是可配置的分析处理器，为状况监视提供了灵活性，并且包括针对各个应用和故障检测隐藏了复杂性并简化了用户体验的应用层。分析引擎可以被配置成监视各种应用并且检测来自工业操作120的电机和连接的机械负载的退化或其他故障。
尽管分析引擎111可以与外部系统130的任何分析系统通信，但是分析引擎111不需要外部系统根据本文公开的技术执行状况监视。为了执行驱动器内的状况监视，分析引擎111可以独立于外部系统130实现故障检测过程112。然而，在某些示例中，外部系统130可以与分析引擎111、工业操作120的部件或其组合进行通信，并且外部系统130可以独立于分析引擎111或基于来自分析引擎111的数据来执行状况监视。
在一些示例中，企业可以使用分析引擎111作为企业内较大状况监视和分析系统的部件。除了在系统和企业级执行的过程和分析之外，模块化拓扑可以在驱动器级处利用分析引擎111。在驱动器级处，分析引擎111可以从工业操作120的设备和其他来源收集各种格式的数据。分析引擎可以使用收集的数据来执行状况监视、电力和能量监视、预测寿命分析、负载表征或类似分析。在系统级处，系统分析131可以汇总信息并对信息进行情境化处理，以检测系统级故障状况以及/或者提供与预防性维护、能源诊断、系统建模、性能优化和类似见解相关的见解。在企业级处，企业分析、云分析或其组合可以在包括移动设备和台式计算机的设备和系统上向用户呈现信息，以实现远程学习，机器学习和根本原因分析。
图2示出了用于在驱动器级处进行故障检测的状况监视环境的示例。环境200包括驱动器210，该驱动器210表示包括分析引擎的变频驱动器例如变频驱动器110。驱动器210的部件用于表示包括用于设备级状况监视的分析引擎的驱动器的功能。驱动器控制器211提供供应至机器220的输出，该输出可以表示包括工业操作120的任何电机驱动的工业操作。传感器230可以包括振动传感器、温度传感器、声学传感器或其他外部传感器，这些传感器收集与机器220的操作相关的数据，并且将数据提供给选择和捕捉模块212。选择和捕捉模块212根据所选择的信号从驱动信号或传感器230收集数据，并且将所捕捉的数据提供给度量模块213。选择和捕捉模块212在基线和运行时间捕捉期间使用。度量模块213处理数据以生成可用于故障检测的度量数据。在一些实施方式中，由选择和捕捉模块212收集的数据以及由度量模块213执行的处理可以取决于特定于一个或更多个被监视的故障状况的设置。例如，对于给定的故障状况，设置可以改变在选择和捕捉模块212中选择以捕捉哪个驱动信号以及度量模块213通过改变信号路径以实现各种滤波器和算法、执行测量、利用特定参数或可以影响处理以产生特定于故障状况的度量的其他设置来处理数据的方式。针对基线和运行时间捕捉独立地计算度量，并且然后计算它们之间的差异。然后，度量可以由度量模块213输出，并且提供给一个或更多个系统和模块以进行状况监视。根据本示例的故障状况可以包括与电机相关联的故障状况或者与相关联的机械负载相关联的故障状况。
度量模块213的输出被提供给驱动器级检测模块214，然后驱动器级检测模块214可以使用由度量模块213产生的度量来执行驱动器210内的故障检测。在一些示例中，驱动器级检测包括基于特定于被监视故障中的至少一个的设置确定是否呈现一个或更多个故障状况。检测方法包括阈值化或机器学习。除了将度量供应至驱动器级检测模块214之外，还可以将度量提供给附加系统以用于状况监视或其他目的。在本示例中，将度量提供给系统检测模块240以用于系统级故障检测。还将度量提供给网关250，并且最终提供给云检测模块260，以进行企业级故障检测。可以将度量提供给附加系统或位置。类似地，驱动器级检测模块214可以将检测结果提供给包括系统检测模块240的一个或更多个外部位置。驱动器级检测模块214可以将结果提供给网关250、云检测模块260或与驱动器级检测模块214进行通信的任何其他系统。
在本技术的实施方式中，在选择和捕捉模块212中选择并捕捉特定于检测感应电机中的断裂转子条的驱动信号，并且然后将其馈送至度量模块213。在本实施方式中，度量模块213被配置成对信号执行特定度量以进行断裂转子条检测。该度量可以包括识别特定的频率响应频带或对驱动信号执行RMS计算。然后将度量提供给驱动器级检测模块214，在驱动器级检测模块214中，一种或更多种机器学习技术被应用于检测断裂转子条故障状况。在示例中，一种或更多种机器学习技术包括SVM分类器。
在本技术的另一实施方式中，在选择和捕捉模块212中选择并捕捉特定于检测感应电机中的定子绕组失效的驱动信号，然后将其馈送至度量模块213。在本实施方式中，度量模块213被配置成对信号执行特定度量以进行定子绕组失效检测。该度量可以包括识别特定的频率响应频带或对驱动信号执行RMS计算。然后将度量提供给驱动器级检测模块214，在驱动器级检测模块214中，一种或更多种机器学习技术被应用于检测定子绕组失效状况。在示例中，一种或更多种机器学习技术包括SVM分类器。
图3包括根据本技术的一些实施方式的用于执行驱动器中的状况监视的可配置核心处理器的架构的高级图。可配置核心处理器所位于的驱动器是向工业操作供应电力的驱动器中的至少一个，其中工业操作至少包括电机和所、连接的机械负载。由驱动器中的处理器执行的状况监视可以包括监视与电机相关联的状况、与连接的机械负载相关联的状况以及它们的变化或组合。架构300包括捕捉和配置部分310、实时部分320、运行时间度量部分330、基线度量部分340和检测部分350。本示例的可配置分析处理器可以在变频驱动器内采用，并且至少部分地用于将数据重信号转换为适于网络传输和在工业企业的所有级别处进行检测的数据轻信息。捕捉和配置部分310包括信号选择311、捕捉312、度量配置313、顺序计算314和时序逻辑315。信号选择311可以基于待被监视的一个或更多个故障状况来选择输入数据。可选输入可以包括电机电流和电压，来自外部连接的传感器的数据、内部驱动信号(包括从本地数字孪生模型生成的信号)以及附加输入以及与工业操作的运行相关的信号。捕捉312可以收集所选择的数据以用于状况监视，而度量配置313、顺序计算314和时序逻辑315可以向度量部分提供输入和设置，以产生特定于所监视的一个或更多个故障状况的度量。顺序计算314允许滤波器331、滤波器341、频率响应334和频率响应344跟踪变化的机械速度或变化的电频率(速度)。频率响应可以根据变化的速度的函数来重新调节频率向量，使得幅度和相位在驱动器的变速操作期间，没有频率的移位。
捕捉和配置部分310的输出还包括将所选择的信号直接馈送至实时部分320。实时部分320包括实时滤波器321、实时度量322和实时阈值323。一旦已经将适当的滤波器、度量和阈值应用于处理实时信号，除了处理器的其他输出外，还可以提供实时输出。实时信道提供用于保护情况的高速(即，快速)故障检测。
度量是比进入捕捉和配置部分310的信号在信息内容上小得多和高的多信号。较小的信号能够在不丢失信息和/或网络拥塞的情况下通过网络发送，并且发送度量不需要高速数据传输。运行时间度量部分330和基线度量部分340将数据重信号转换为可用于检测驱动器内的故障状况的数据轻度量。故障状况可以包括与工业操作的电机相关联的故障以及与工业操作的机械负载相关联的故障。数据轻度量还使数据能够传达至外部系统，以进行故障检测或其他监视目的。运行时间度量部分330根据特定于被监视的一个或更多个故障状况的设置来从最近的数据中产生度量。基线度量部分340从历史基线数据产生基线度量，以用于确定百分比退化以及可以解决函数变化的类似度量的目的。每当机器或工业操作在健康操作状况下运行时例如安装新设备或部件时，可以收集基线度量，使得可以将最近的度量与系统最初的运行方式相比较。
运行时间度量部分330包括滤波器331、时间度量332、模式识别333和频率响应334。基线度量部分包括滤波器341、时间度量342、模式识别343和频率响应344。架构300中包括的模块可以根据特定的实现方式表示不同数目的物理部件。运行时间度量部分330和基线度量部分340中的每一个可以将同时测量独立地应用于输入信号，并且向检测部分350供应同时测量的任意组合。产生的同时测量和度量可以包括滤波、时域度量、频域度量和模式域度量。除了各种滤波器和模式识别模块之外，时域和频域度量可以包括诸如信号平均值、信号归一化、信号最大值、信号最小值、RMS、频带受限频率响应、方差和协方差、相关性和互相关性的度量。在一些实现方式中可以应用具有小的计算占用空间的模式识别技术。根据本示例使用的模式识别技术可以是快速的并且需要很少的处理能力。由运行时间度量部分330和基线度量部分340产生的度量是可配置的，使得可以针对包括故障检测和状况监视的任何应用产生分析。根据正在监视哪种故障状况，每个部分内或每个部分的模块内的设置可以不同。
然后，除了任何其他指定的输出位置例如驱动器或外部系统内的附加状况监视模块之外，将度量提供给包括阈值351和百分比退化352的检测单元350。然后可以计算基线度量与最近度量计算之间的差异。百分比退化352可以利用确定基线度量与最近度量之间的退化百分比的检测方法。百分比退化可以传达至其他模块或系统。差异还组合在可配置的加权总和差异中，允许由单个数字表示依赖于应用的信息。阈值351可以执行各种不同的状况监视功能，各种不同的状况监视功能包括确定是否有任何测量或度量超出指示不健康状态的阈值。可以设置特定的阈值以显示度量何时超过预定值。在指定数目的检测周期内将差异和阈值的输出取平均，以减轻噪声和其他不期望的瞬时影响。在一些示例中，状况监视信息然后可以被传达至其他模块或系统。在一些示例中，检测部分350可以显示测量、差异或百分比退化。可以显示差异和百分比，以给予用户随时间的机械和电退化量的实时或接近实时指示。
在一些示例中，检测部分350的一个或更多个模块可以应用机器学习技术来预测系统内的故障。类似地，可以在系统级处的检测模块内利用机器学习方法，以预测具有多个驱动器和传感器的跨连接系统的系统级故障。在某些实现方式中，在PLC机架中利用人工智能计算机模块，并且应用机器学习技术来预测故障。
图4示出了根据本技术的一些实施方式的示出用于电机驱动器的嵌入式分析引擎的示例性设计的详细示图。出于说明的目的而示出了部件、模块、分组和关系中的每一个，并且不旨在限制用于实现本文公开的嵌入式分析引擎的部件的实际数目或分组。本示例的嵌入式分析引擎可以位于向工业操作供应电力的电机驱动器中，其中该工业操作至少包括电机和连接的机械负载。然后，嵌入式分析引擎可以用于监视工业操作的故障状况，包括电机的故障状况、机械负载及其变化或组合。分析引擎400包括许多与图3的架构300类似的部件，但是它提供了关于监督时序逻辑415的互连的更多细节。在一些示例中，架构300和分析引擎400的一些部件可以是相同的。分析引擎400包括捕捉410、监督时序逻辑415、实时度量420、配置度量430、运行时间度量440、基线度量450和检测460。
与先前的示例类似，信号选择405选择运行时间信号以用于由分析引擎进行状况监视。然后，所选择的信号可以由捕捉412捕捉，并且附加信号可以由捕捉触发器411捕捉，并且提供给捕捉412。捕捉412将所捕捉的数据提供给监督时序逻辑415、实时滤波器421和顺序计算433。实时滤波器421也可以直接地从信号选择405接收所选择的信号，以用于保护情况的高速故障检测。实时度量420包括实时滤波器421、实时度量422和实时阈值423。一旦已经将适当的滤波器、度量和阈值应用于处理实时信号，除了处理器的其他输出之外，还可以提供实时输出。实时信道提供用于保护情况的高速(即，快速)故障检测。
在一些实施方式中，监督时序逻辑415可以向整个分析引擎400中的各种模块提供时序逻辑，包括但不限于捕捉触发器411、基线度量450、检测460以及附加位置。在一些实施方式中，监督时序逻辑415还从捕捉412、基线度量450、顺序计算433、检测460以及附加时序配置位置接收时序信息。监督时序逻辑415的主要任务是连续地以捕捉、度量和检测周期进行排序，并且在完成馈送该任务的先前任务时开始每个任务。检测完成时，在可选的预编程等待时间后将启动另一捕捉。当任何配置度量(即，来自配置度量430)改变时，监督时序逻辑415还允许对存储在存储器中的捕捉基线信号重新计算基线度量。
配置度量430包括频带计算431、滤波系数计算432和顺序计算433。配置度量430的模块和计算将设置应用于运行时间度量440和基线度量450，基线度量450确定将如何处理信号以根据待被监视的一个或更多个故障状况产生度量，其中故障状况可以包括与驱动器向其供应电力的工业操作的电机和/或连接的机械负载相关联的故障状况。配置度量430的模块可以向运行时间度量440和基线度量450提供与如何处理信号相关的信息，该信息包括确定要使用哪种滤波器类型、滤波设置和系数、算法和算法设置以及可以影响针对一个或更多个故障状况如何生成度量的其他信息。频带计算431计算用于在频率响应444和454中生成多个频带受限频率响应的频率区段向量。当正在监视不同的故障状况时，运行时间度量440和基线度量450中的设置根据故障情况如由配置度量430所控制地改变。
运行时间度量440包括滤波器441、平均442、模式443和频率响应444，它们中的每一个可以包括用于处理信号以产生度量的多个部件，该度量包括滤波、测量、计算、模式识别、频率响应分析以及其他处理相关信息的方式。基线度量450包括滤波器451、平均452、模式453和频率响应454，它们中的每一个可以包括用于处理信号以产生度量的多个部件，该度量包括滤波、测量、计算、模式识别、频率响应分析和其他处理相关信息的方式。在一些实施方式中，运行时间度量440处理最近的运行时间信号数据，并且基线度量450处理历史基线信号数据。运行时间度量440和基线度量450中的每一个可以将多个滤波器、带通滤波器、算法和其他测量或模型应用于信号数据，以根据由配置度量430所提供的配置来产生可以用于故障检测的度量。运行时间度量440和基线度量450中的每一个包括可以根据配置度量430来配置的多个总线选择器。然后，运行时间度量440和基线度量450的输出可以将度量提供给检测460。
检测460包括差异461、阈值462和度量输出463。检测460的模块可以利用提供给检测460的度量来识别不健康的操作状况、退化、差异、超出阈值等。在一些示例中，以数学组合(即，可配置的加权和差)的方式对差异进行组合，并且然后将其提供给阈值462。在其他示例中，检测460可以使用机器学习技术来识别故障状况或者在故障发生之前可能发生故障的时间。检测460还包括多个总线选择器，可以被配置成通过配置度量430以某种方式处理度量。来自检测460的数据然后可以被输出至包括系统级或企业级处的外部检测模块的各个位置。
图5示出了用于电机驱动器的嵌入式分析引擎的系统架构的附加示例。分析引擎500从包括由电机驱动器供电的旋转机械和相关联的传感器的设备或系统接收驱动信号501。选择和捕捉505选择并捕捉来自驱动信号501的信号，并且将该信号提供给存储基线515、滤波器521和顺序计算块523。配置度量510可以为运行时间度量520、基线度量530或两者提供配置。存储基线515可以存储基线信号数据，使得当在配置度量510中对参数和设置进行改变时可以经由基线度量530重新计算度量。这允许使用原始基线信号而无需在机器从健康状况退化之后的一段时间内捕捉新基线。以这种方式，即使在已经收集了基线数据之后，分析引擎500的设置和操作也是可配置的。
向运行时间度量520提供在运行时间期间(包括在健康状况和不健康状况两者期间)捕捉的最新信号。运行时间度量520包括滤波器521、滤波器522和顺序计算块523。滤波器521和滤波器522允许对供应至操作524的信号进行单独的滤波。顺序计算块523基于机械转子频率(速度)或电定子频率计算顺序。操作524包括可以根据与故障状况相关联的设置来利用和配置的多个滤波器、算法、测量和类似的处理部件。操作524可以包括频域度量例如以归一化幅度为单位和以分贝为单位的多频带受限FFT计算。操作524可以包括时域度量以计算平均值、最大值、最小值、RMS、模式识别、相关性、方差和类似的时域测量。然后，运行时间度量520可以提供所计算的度量作为输出。可以将输出直接地提供给检测540，并且还可以用于确定最新度量与基线度量之间的差异，然后可以将其提供给检测540。在一些示例中，将这些差异组合成可配置的加权和差。
类似地，向基线度量530提供在健康状况期间捕捉的基线信号。基线度量530包括滤波器531、滤波器532和顺序计算块533。滤波器531和滤波器532允许对供应至操作534的信号进行单独的滤波。顺序计算块533基于机械转子频率(速度)或电定子频率计算顺序。操作534包括可以根据与故障状况相关联的设置来利用和配置的多个滤波器、算法、测量和类似的处理部件。操作534可以包括频域度量例如以归一化幅度为单位和以分贝为单位的多频带受限FFT计算。操作534可以包括时域度量以计算平均值、最大值、最小值、RMS、模式识别、相关性、方差和类似的时域测量。然后，基线度量530可以提供所计算的度量作为输出。可以将输出直接地提供给检测540，并且还可以用于确定最新度量与基线度量之间的差异，然后可以将其提供给检测540。在一些示例中，将这些差异组合成可配置的加权和差。
然后，将输出用于确定度量之间的差异，并且将输出提供给检测540中的阈值541。检测540可以处理输出信息，以确定百分比退化以及与针对给定故障状况的状况监视相关的其他测量。在一些示例中，阈值541将度量和差异与预定阈值相比较，以识别任何度量是否超出健康状况的阈值。在其他示例中，检测540可以实现机器学习技术以基于度量来识别健康或不健康状况。然后，检测540可以提供该信息作为输出以指示具有状态550的设备或系统的状态。检测540还可以将该信息提供给附加系统以进行外部状况监视、报告等。
图6是示出用于使用用于VFD的嵌入式分析引擎来监视故障状况的过程600的流程图。在步骤605中，嵌入式分析引擎识别待被监视的故障状况。故障状况可以由由用户配置的设置来提供。响应于识别故障状况，嵌入式分析驱动器可以配置驱动器的部件和模块以处理信号数据并且监视信号数据。在步骤610中，分析引擎从控制器获得运行时间信号数据，控制器被配置成控制向工业操作的电力供应。在一些示例中，控制器可以是VFD的显式部件。运行时间信号数据可以从与工业操作相关联的一个或更多个传感器收集，并且由VFD的一个或更多个部件获得。
然后，在步骤615中，收集的信号数据可以被嵌入式分析引擎利用以基于运行时间度量和基线度量来监视故障状况。将参照前面的附图详细描述处理信号数据和识别故障状况，并且出于简洁的目的，此处不再详细讨论。在步骤615中，在健康操作状况期间收集基线度量并且将其存储以在状况监视期间使用。在过程600中包括的步骤并不旨在限制如本文所述的状况监视技术，并且仅出于解释的目的而提供。
图7是示出根据本技术的一些实施方式的用于操作嵌入式分析引擎的过程700的流程图。在步骤705中，分析引擎识别待被监视的故障状况。可以通过由用户配置的设置来提供故障状况。响应于识别故障状况，嵌入式分析驱动器可以配置驱动器的部件和模块以处理信号数据并且监视信号数据。在步骤710中，分析引擎在健康操作状况期间获得基线信号数据。可以从与工业操作相关联的一个或更多个位置获得基线信号数据，一个或更多个位置包括其中嵌入有分析引擎的电机驱动器和/或与工业操作相关联的传感器。
在步骤715中，分析引擎获得运行时间信号数据。可以从与工业操作相关联的一个或更多个位置获得运行时间信号数据，该一个或更多个位置包括其中嵌入有分析引擎的电机驱动器和/或与工业操作相关联的传感器。在步骤720中，分析引擎基于所识别的故障状况从运行时间信号数据得出运行时间度量，并且从基线信号数据得出基线度量。参照先前的附图中的一些详细描述了得出运行时间度量和基线度量，并且因此此处不再详细描述。在步骤725中，在得出运行时间度量和基线度量之后，分析引擎将运行时间度量与基线度量相比较。可以以多种方式执行比较，包括但不限于计算差异、确定百分比退化、将度量与阈值相比较、应用机器学习技术来识别不健康状况等。分析引擎基于运行时间度量和基线度量的比较，使用这些比较来监视故障状况的状态。
图8示出了基于不同的信息源可以如何为机器检测故障的示例。故障检测环境800包括机器810，其可以通过电机电流和电压、编码器和传感器来输出信息。电流和编码器可以提供与机器810的感应电机811相关的信息。传感器可以提供外部信号812。感应电机811可以指示电气故障813，电气故障813可以继而提供与机器810的定子815和转子816相关的信息。感应电机811和外部信号812两者可以提供与机械故障814相关的信息，这些信息可以用于直接地预测失效状况，包括检测偏心率817。
仅作为几个示例，与定子815和转子816相关的信息可以用于检测失效，例如转子摩擦、绕组失效、断裂转子条和端环损坏。仅作为几个示例，与机械故障814相关的信息可以包括与轴承、带和齿轮、共振、软脚、未对准和不平衡、泵气蚀和阻塞、松动和偏心率相关的失效。
仅出于示例的目的，提供了故障检测环境800。机器810可以表示根据本技术的实施方式的包括可以由电机驱动器供电的旋转机构的任何机器。图8所示的信息类型和信息源并非旨在限制本技术，而是提供数据信号可以如何为旋转机械的故障检测提供方式的示例。
在检测转子故障时，重要的是尽早检测出断裂转子条的数目。在现有技术中，经常通过分析在中心频率周围的频带(即，(f转子＝fs±2sf))中的电机电流(X)的频率响应幅度来检测转子故障，该频带是电机电频率(fs)在正负两倍的滑差频率(sf)处的边带。然而，分析这些边带幅度已被证明不足以以可接受的可重复性和可靠性水平准确地检测转子故障。
本文所述的用于检测转子故障的方法将测量的唯一组合应用于最初(基线)和最近(运行时间)捕捉的信号。当应用机器学习故障检测方法时，这将创建提供可重复的结果的稳定的故障特征。
图9示出了用于检测感应电机转子故障的一系列步骤，该一系列步骤使用特定的测量集来开发度量，然后可以将该度量作为输入提供给机器学习模块，以用于检测和/或预测转子故障。过程900的步骤905包括当机器在健康状况期间运行时捕捉驱动器中的基线电流和转矩参考信号。将基线信号向量存储在存储器中作为用于频率响应计算的相电流(i′a,i′b,i′c)、转矩参考的平均(τ’)和采样率(dt)。在步骤910中，当机器正在运行时，捕捉驱动器中的最新的运行时间电流和转矩参考信号。然后存储最新的信号向量，最新的信号向量包括用于频率响应计算的最新的相电流(i′a,i′b,i′c)、转矩参考的平均(τ’)和采样率(dt)。可以计算捕捉的电机电流信号的最新版本与基线版本之间的频带受限频率响应峰值幅度差异。对于这些目的而言，用于计算差异的激活函数是足够的。用于捕捉故障信息的特定频带度量是
Figure BDA0003044622260000191
以及
Figure BDA0003044622260000192
在步骤915中，根据针对基线和运行时间段两者所捕捉的驱动信号来计算机械频率和电频率。可以根据
Figure BDA0003044622260000193
计算机械频率，其中Nr是以RPM为单位的机械运行速度，并且p是极的数目。电频率fs在驱动器中是可用的。可替选地，可以在[fr,2fr]之间的频带上计算所捕捉的电流信号的频谱，并且然后可以将fs设置为等于具有峰值幅度的主导频率。在步骤920中，计算针对基线和最新捕捉的信号两者的滑差频率。根据电机电频率fs与机械频率fr之间的差，计算滑差频率sf＝(fs-fr)。
在步骤925中，计算针对基线和最新捕捉的电流信号两者的频带受限频率响应。计算出的频带受限频率响应为
Figure BDA0003044622260000194
和
Figure BDA0003044622260000195
Figure BDA0003044622260000197
是根据最近(即，最新版本)捕捉的电机电流信号计算出的频带受限频率响应幅度的集合。频率区段的频带从fs-3sf延伸至fs-sf，其中，中心频率为fs-2sf。
Figure BDA0003044622260000196
是根据最近(即，最新版本)捕捉的电机电流信号计算出的频带受限频率响应幅度的集合。频率区段的频带从fs+sf延伸至fs+3sf，其中，中心频率为fs+2sf。
Figure BDA0003044622260000198
是根据在健康状况(即，基线版本)期间最初捕捉的电机电流信号计算得出的频带受限频率响应幅度的集合。频率区段的频带从fs-3sf延伸至fs-sf，其中，中心频率为fs-2sf。
Figure BDA0003044622260000199
是根据在健康状况(即，基线版本)期间最初捕捉的电机电流信号计算得出的频带受限频率响应幅度的集合。频率区段的频带从fs+sf延伸至fs+3sf，其中，中心频率为fs+2sf。
在步骤930中，计算频带受限频率响应的峰值幅度差异。根据
Figure BDA0003044622260000203
Figure BDA0003044622260000204
和
Figure BDA0003044622260000205
计算峰值幅值差。在步骤935中，计算健康和不健康的最新状况期间的故障特征测试向量，并且将测试向量提供给构建预测模型的SVM分类器。故障特征包括测量
Figure BDA0003044622260000201
在步骤940中，在测试向量上运行SVM分类器以构建预测模型。最终，在步骤945中，当机器正在运行时通过在未知状况期间向预测模型供应故障特征(即，
Figure BDA0003044622260000202
)来预测电机的状态，以确定状态是健康的还是不健康的。
图10包括根据本技术的某些实施方式的用于转子故障检测的框图1000。框图1000中所示的模块可以集成在驱动器内，而无需外部硬件或布线。过程900或类似过程可以在驱动器1010中实现。然后，将机器学习与特定信息一起应用于机器学习模块1020中，以跟踪负载/速度变化。一种或更多种机器学习技术可以在机器学习模块1020中实现，包括但不限于SVM分类器。机器学习模块1020可以使用由驱动器1010提供的故障特征信息作为输入，以产生其中识别状态的输出1030。该状态可以包括断裂转子条的数目(即，1BRB、2BRB、3BRB、4BRB或健康)。
除断裂转子条外，定子绕组中最常见的故障之一是匝故障。匝故障是由两个或更多个相邻绕组匝之间的绝缘击穿引起的短路导致的。匝故障可以在短路匝内生产较大的循环流。电流的幅度可以是与正常阻塞转子电流的两倍近似。在没有及时检测到短路匝的情况下，短路匝快速地传播至相间故障和相接地故障，这对电机和机器造成不可逆转的损坏。因此，早期检测这样的故障可以避免危险后果，并且为安排的维护允许更多时间。负序电流和阻抗通常用于检测短路匝故障，这是因为复合信号中可用的故障信息大大增加。已经示出，负序电流的五次谐波与匝间故障相关，而与电源电压不平衡无关。还示出通过将负序除以正序来对负序进行归一化，提供与匝间故障的线性相关性。然而，由于噪声、非线性电机效应和负载水平的存在，仅对五次谐波附近的归一化负序电流的频率响应幅度进行分析已经证明不足以任何可接受的可重复性和可靠性水平精确地检测定子故障。图11的这种方法提出了对最初(基线)和最近(最新)捕捉的信号进行测量的唯一组合，从而创建了当应用机器学习故障检测方法时提供可重复结果的稳定的故障特征。
图11示出了用于检测感应电机定子故障的一系列步骤，该一系列步骤使用特定的测量集来开发度量，然后可以将该度量作为输入提供给机器学习模块，以用于检测和/或预测定子故障。过程1100的步骤1105包括当机器在健康状况期间运行时捕捉驱动器中的基线电流和转矩参考信号。将基线信号向量存储在存储器中作为用于频率响应计算的相电流(i′a，i′b，i′c)、转矩参考的平均(τ’)和采样率(dt)，。在步骤1110中，当机器正在运行时，捕捉驱动器中的最新的电流和转矩参考信号。然后存储最新的信号向量，最新的信号向量包括用于频率响应计算的最新的相电流(i′a，i′b，i′c)、转矩参考的平均(τ’)和采样率(dt)。可以计算归一化负序和电机电流的最新版本与基线版本之间的频带受限频率响应峰值幅度差异。对于这些目的而言，用于计算差异的激活函数是足够的。用于捕捉故障信息的特定频带度量是
Figure BDA0003044622260000211
以及
Figure BDA0003044622260000212
在步骤1115中，根据针对基线和最近时间段两者所捕捉的驱动信号来计算机械频率和电频率。可以根据
Figure BDA0003044622260000213
计算机械频率，其中Nr是以每分钟转数(RPM)为单位的机械运行速度，并且p是极的数目。电频率fs在驱动器中是可用的。可替选地，可以在[fr，2fr]之间的频带上计算所捕捉的电流信号的频谱，并且然后可以将fs设置为等于具有峰值幅度的主导频率。在步骤1120中，计算针对基线和最新捕捉的信号两者的滑差频率。根据电机电频率fs与机械频率fr之间的差，计算滑差频率sf＝(fs-fr)。
在步骤1125中，对所存储的电流进行滤波以消除不希望的频率。在本实施方式中，滤波器F是具有为20*fs的截止频率的二阶巴特沃斯低通滤波器([ia，ib，ic，i′a，i′b，i′c]＝F([ia，ib，ic，i′a，i′b，i′c]))。在步骤1130中，计算针对基线和最新电流的归一化负序(in，i′n)。为了计算归一化负序，请使用以下等式：
Figure BDA0003044622260000214
Figure BDA0003044622260000215
以及
Figure BDA0003044622260000221
在步骤1135中，计算针对基线和最新捕捉的电流信号两者的频带受限频率响应
Figure BDA0003044622260000228
和
Figure BDA0003044622260000229
Figure BDA00030446222600002210
是根据最近(即，最新版本)捕捉的电机电流的归一化负序in计算出的频带受限频率响应幅度的集合。频率区段的频带从5fs-sf延伸至5fs+sf，其中中心频率为5fs。
Figure BDA00030446222600002211
是根据健康状况(即，基线版本)期间最初捕捉的电机电流的归一化负序in计算得出的频带受限频率响应幅度的集合。频率区段的频带从5fs-sf延伸至5fs+sf，其中中心频率为5fs。
在步骤1140中，计算频带受限频率响应的峰值幅度差异
Figure BDA00030446222600002215
在步骤1145中，计算针对基线和最新捕捉信号的频带受限频率响应
Figure BDA00030446222600002216
和
Figure BDA00030446222600002217
Figure BDA00030446222600002212
是根据最近(即，最新版本)捕捉的电机电流信号计算出的频带受限频率响应幅度的集合。频率区段的频带从fs+fr-sf延伸至fs+fr+sf，其中，中心频率为fs+fr。
Figure BDA00030446222600002213
是根据在健康情况(即，基线版本)期间最初捕捉的电机电流信号计算出的频带受限频率响应幅度的集合。频率区段的频带从fs+fr-sf延伸至fs+fr+sf，其中，中心频率为fs+fr。
在步骤1150中，计算频带受限频率响应的峰值幅度差异
Figure BDA00030446222600002218
在步骤1155中，计算归一化负序之间的平均和最大差异。将最近捕捉(即，最新版本)与在健康状况(即，基线版本)期间最初捕捉的归一化负序之间的平均差异
Figure BDA00030446222600002214
表示为
Figure BDA0003044622260000222
其中，
Figure BDA0003044622260000223
将最近捕捉(即，最新版本)与在健康状况(即，基线版本)期间最初捕捉的归一化负序的最大差异
Figure BDA00030446222600002219
表示为
Figure BDA0003044622260000224
其中
Figure BDA0003044622260000225
并且
Figure BDA0003044622260000226
在步骤1160中，计算健康和不健康的最新状况期间的故障特征测试向量
Figure BDA0003044622260000227
并且将测试向量提供给构建预测模型的SVM分类器。在步骤1165中，在测试向量上运行SVM分类器以建立预测模型。最后，在步骤1170中，当机器正在运行时通过在未知状况期间向预测模型供应故障特征
Figure BDA0003044622260000231
来预测电机的状态，以确定状态是健康的还是不健康的。
图12包括根据本技术的某些实施方式的用于定子故障检测的框图1200。框图1200中所示的模块可以被集成在驱动器内，而不需要外部硬件或布线。过程1100或类似过程可以在驱动器1210中实现。然后，将机器学习与特定信息一起应用于机器学习模块1220中，以在对负载/速度变化进行自动地调整的同时检测故障状况。一种或更多种机器学习技术可以在机器学习模块1220中实现，包括但不限于SVM分类器。机器学习模块1220可以使用由驱动器1210提供的故障特征信息作为输入，以产生其中识别状态的输出1230。在一些实施方式中，该状态可以包括短路匝的数目(即，1个短路匝、2个短路匝、3个短路匝、4个短路匝、5个短路匝、6个短路匝或健康)。
图13示出了根据本技术的一些实施方式的包括多级故障检测的工业企业环境的示例，其中可以利用嵌入式驱动器分析。工业企业环境1300包括工业过程1310、驱动器级检测1320、系统级检测1330和企业级检测1340。工业过程1310包括驱动器级检测1320。工业过程1310可以包括任何数目的部件、机器、子系统、控制器、驱动器、编码器和类似方面，这些可以构成可以至少部分地由根据本公开内容的嵌入式分析引擎进行监视的工业过程。
在本示例中，驱动器级检测1320包括三个驱动器(驱动器1321、驱动器1324和驱动器1327)，但是可以包括与工业过程1310相关联的任何数目的驱动器。驱动器1321、驱动器1324和驱动器1327各自表示本实施方式中的变频率驱动器。驱动器1321包括分析引擎1322和驱动器控制器1323，驱动器1324包括分析引擎1325和驱动器控制器1326，并且驱动器1327包括分析引擎1328和驱动器控制器1329。然而，与工业过程1310相关联的VFD可以包括任何数目的部件或各种部件。另外地，一些驱动器可以不包括分析引擎或控制器。在本示例中，驱动器1321、驱动器1324和驱动器1327可以各自对工业过程1310的不同部件供电。因此，驱动器级检测1320中的每个分析引擎可以对与不同机器和传感器相关联的不同数据集执行状况监视。由分析引擎1322、分析引擎1325和分析引擎1328执行的状况监视可以由参照前面的附图包括但不限于图2、图3、图4和图5所讨论的分析引擎系统架构中的任何或若干分析引擎系统架构来执行。
由分析引擎1322、分析引擎1325和分析引擎1328执行的驱动器级检测包括监视驱动器1321、驱动器1324和驱动器1327向其供应电力的工业操作的故障状况。监视故障状况可以包括监视电机、机械负载及其变化或组合的状况。驱动器级检测可以包括电力和能量监视，例如跟踪电力消耗以及识别能量使用趋势。驱动器级检测还可以包括预测寿命分析、部件完整性分析、环境状况分析、监视失效速率、捕捉机器动态、检测异常行为、监视材料变化的影响以及负载表征，例如性能基准测试、数字孪生分析、自适应控制、预防性维护和能源诊断。
在本示例中，分析引擎1322、分析引擎1325和分析引擎1328可以产生信号数据、度量和结果，所述信号数据、度量和结果被传达至系统级检测1330。然而，分析引擎可以传达被传达至附加位置例如到企业级检测1340的网关或其他位置的信号数据、度量和结果。系统级检测可以包括能够基于指令处理来自驱动器的数据的任何计算机、系统、服务器或其他机器，并且可以包括一种或更多种机器学习技术以执行状况监视。在一些示例中，系统级检测1330的设备可以是现场系统，例如物理上连接至驱动器的PLC自动化控制器，而在其他示例中，数据可以通过其他装置诸如蓝牙、互联网、以太网和类似的基于网络的通信装置进行通信。然后，系统级检测1330可以使用来自各个驱动器的度量来执行附加处理，以检测在连接至PLC自动化控制器的多个驱动器和设备上出现的故障状况。在一些示例中，系统级检测1330采用一种或更多种机器学习技术来检测失效、监视状况或者对来自由驱动器提供的数据的结果进行分析。
驱动器级检测用于其中部署了单个独立驱动器或故障状况与单个驱动系统相关的应用中。然而，系统级检测用于其中多个驱动器和设备互连至PLC自动化控制器即机器、或者故障状况与互连的系统或机器相关的应用中。
系统级检测用作附加检测层，并且与驱动器级检测类似，可以包括预防性维护以减少计划外的停机时间、防止灾难性失效并且简化库存，并且还可以包括能量诊断、系统建模和性能优化。系统级检测可以有助于提高效率、降低参照成本、延长机器寿命，执行高保真度模拟和仿真、执行数字孪生建模、验证功能、预测预期性能、模拟波动、执行机械分析，执行尺寸分析、推荐设置、确定配置问题、优化利用率并且确定运动轮廓趋势。
系统级检测1330还可以与企业级检测1340进行通信，企业级检测1340用于跨系统或机器组定位和识别问题。企业级检测可以用于使用台式计算机、平板电脑、手机、笔记本电脑和其他计算设备进行远程监视，通过这些设备，用户可以经由与工业企业相关联的一个或更多个应用监视状况。企业级检测可以包括处理趋势、机器学习技术、模式识别分析、预期性能、失效防止和根本原因分析，其中根本原因分析可以用于减少维修时间、减少常见问题、识别最严重的问题和过程瓶颈。
此处仅出于示例目的描述了关于图13所示的检测级中的每一个讨论的功能。可以存在每个级别处的附加功能，并且每个级别可以针对与本文描述的功能不同的功能。另外，与本示例中描述的相比，本文描述的功能可以在不同的级别处执行。本技术利用本文所述的模块化拓扑结构提供了针对特定应用定制信息的灵活性，其中可配置分析处理器作为基础构建块进行操作，可以在其之上的顶部构建应用层以隐藏复杂性并简化用户体验。
图14示出了根据本技术的实现方式的用于执行状况监视的计算系统1401。计算系统1401表示可以采用本文中所公开的用于状况监视的各种操作架构、过程、场景和序列的任何系统或系统的集合。计算系统1401可以被实现为单个装置、系统或设备或者可以以分布式方式实现为多个装置、系统或设备。计算系统1401包括但不限于处理系统1402、存储系统1403、软件1405、通信接口系统1407和用户接口系统1409(可选)。处理系统1402在操作上与存储系统1403、通信接口系统1407和用户接口系统1409耦接。
处理系统1402加载并执行来自存储系统1403的软件1405。软件1405包括并实现状况监视过程1406，状况监视过程1406表示关于前述附图讨论的任意的状况监视过程。当由处理系统1402执行以提供状况监视功能时，软件1405指引处理系统1402针对在前述实现方式中所讨论的至少各种过程、操作场景和序列如本文所述的那样进行操作。计算系统1401可以可选地包括出于简洁的目的而未讨论的附加设备、特征或功能。
仍参照图14，处理系统1402可以包括微处理器和其他电路，其检索并执行来自存储系统1403的软件1405。处理系统1402可以在单个处理设备内实现，但是也可以分布在执行程序指令时进行协作的多个处理设备或子系统中。处理系统1402的示例包括通用中央处理单元、图形处理单元、专用处理器和逻辑设备以及任何其他类型的处理设备、组合或其变型
存储系统1403可以包括能够由处理系统1402读取并能够存储软件1405的任何计算机可读存储介质。存储系统1403可以包括以用于存储信息例如计算机可读指令、数据结构、程序模块或其他数据的任何方法或技术实现的易失性和非易失性、可移除和不可移除介质。存储介质的示例包括随机存取存储器、只读存储器、磁盘、光盘、光学介质、闪速存储器、虚拟存储器和非虚拟存储器、盒式磁带、磁带、磁盘存储装置或其他磁存储设备或任何其他合适的存储介质。在任何情况下，计算机可读存储介质均不是被传播的信号。
除了计算机可读存储介质之外，在一些实现方式中，存储系统1403还可以包括计算机可读通信介质，通过所述计算机可读通信介质，软件1405中的至少一些可以内部地通信或外部地通信。存储系统1403可以被实现为单个存储设备，但是也可以跨共处的或相对于彼此分布开的多个存储设备或子系统实现。存储系统1403可以包括能够与处理系统1402或可能的其他系统通信的附加元件例如控制器。
软件1405(包括状况监视过程1406)可以以程序指令来实现，并且软件1405除了其他功能之外，在由处理系统1402执行时指引处理系统1402如关于本文示出的各种操作场景、序列和过程所描述的那样进行操作。例如，软件1405可以包括用于实现如本文所述的用于电机驱动器的嵌入式分析引擎的程序指令。
特别地，程序指令可以包括协作或以其他方式交互以执行本文中所描述的各种过程和操作场景的各种部件或模块。各种部件或模块可以以编译或解释指令或者以指令的一些其他变型或组合来实施。各种部件或模块可以以同步或异步方式、串行地或并行地、在单线程环境或多线程中，或者根据任何其他合适的执行范例、变型或其组合来执行。软件1405可以包括另外的处理、程序或部件，例如操作系统软件、虚拟化软件或其他应用软件。软件1405还可以包括固件或能够由处理系统1402执行的一些其他形式的机器可读处理指令。
通常，软件1405可以在被加载到处理系统1402中并被执行时将(计算系统1401所表示的)合适的装置、系统或设备整体从通用计算系统变换为定制成提供如本文所述的嵌入式驱动器状况监视的专用计算系统。实际上，存储系统1403上的编码软件1405可以变换存储系统1403的物理结构。物理结构的具体变换可以取决于本说明书的不同实现方式中的各种因素。这样的因素的示例可以包括但不限于用于实现存储系统1403的存储介质的技术以及计算机存储介质是被表征为主要还是次要存储装置及其他因素。
例如，如果计算机可读存储介质被实现为基于半导体的存储器，则当程序指令被编码在该基于半导体的存储器中时，软件1405可以例如通过变换构成半导体存储器的晶体管、电容器或其他分立电路元件的状态来变换半导体存储器的物理状态。对于磁介质或光介质，可以发生类似的变换。在不脱离本说明书的范围的情况下，物理介质的其他变换是可行的，所提供的前述示例仅用于便利本讨论。
通信接口系统1407可以包括使得能够通过通信网络(未示出)与其他计算系统(未示出)通信的通信连接和设备。使得能够一起进行系统间通信的连接和设备的示例可以包括网络接口卡、天线、功率放大器、射频电路、收发器和其他通信电路。连接和设备可以通过通信介质例如金属、玻璃、空气或任何其他合适的通信介质进行通信，以与其他计算系统或系统的网络交换通信。以上提及的介质、连接和设备是公知的，并且不需要在此详细讨论。
计算系统1401与其他计算系统(未示出)之间的通信可以通过一个或更多个通信网络并且根据各种通信协议、协议的组合或其变型来发生。示例包括内联网、互联网、因特网、局域网、广域网、无线网络、有线网络、虚拟网络、软件定义的网络、数据中心总线和背板、或任何其他类型的网络、网络的组合或其变型。以上提及的通信网络和协议是公知的，并且不需要在此详细讨论。
尽管本文提供的一些示例是在嵌入式分析引擎的上下文中描述的，但是应当理解，本文描述的状况监视系统和方法不限于这样的实施方式，并且可以应用于各种其他状况监视环境及其相关联的系统。如本领域技术人员将认识到的，本发明的各方面可以体现为系统、方法、计算机程序产品和其他可配置系统。因此，本发明的各方面可以采取完全硬件实施方式的形式、完全软件实施方式(包括固件、常驻软件、微代码等)的形式或者将软件和硬件方面进行组合的实施方式的形式，所有这些实施方式在本文中可以被统称为“电路”、“模块”或“系统”。此外，本发明各方面可以采取实施在一个或更多个计算机可读介质中的计算机程序产品的形式，一个或更多个计算机可读介质具有在其上实施的计算机可读程序代码。
除非上下文明确要求，否则贯穿整个说明书和权利要求书，词语“包括”、“包含”等应以与排他性或穷举性的意义相对的包含性意义来解释；亦即，以“包括但不限于”的意义来解释。如本文中使用的，术语“连接”、“耦接”或其任何变体意指两个或更多个元件之间的直接或间接的任何连接或耦接；元件之间的耦接或连接可以是物理的、逻辑的或其组合。另外，当在本申请中使用时，词语“本文”、“以上”、“以下”和类似含义的词语是指作为整体的本申请，而不是指本申请的任何特定部分。在上下文允许的情况下，在上面的具体实施方式中使用单数或复数的词语也可以分别包括复数或单数。关于两个或更多个项的列表的词语“或”涵盖了该词语的所有以下解释：列表中的任何项、列表中的所有项、以及列表中的项的任何组合。
短语“在一些实施方式中”、“根据一些实施方式”、“在示出的实施方式中”、“在其他实施方式中”等通常意指：跟随短语的特定特征、结构或特性被包括在本技术的至少一个实现方式中，并且可以被包括在多于一个的实现方式中。另外，这样的短语不一定是指同一实施方式或不同实施方式。
本技术的示例的上面的具体实施方式并非旨在穷举或将技术限制为上面所公开的精确形式。尽管出于说明性目的在上面描述了技术的特定示例，但是如相关领域技术人员将认识到的，在技术的范围内各种等效修改是可行的。例如，尽管以给定顺序呈现过程或块，但是可替选实现方式可以以不同顺序执行具有步骤的例程或采用具有块的系统，并且一些过程或框可以被删除、移动、添加、细分、组合和/或修改以提供可替选方案或子组合。这些过程或块中的每一个可以以各种不同的方式来实现。此外，尽管有时过程或块被示出为串行执行，但是这些过程或块可以替代地并行执行或实现，或者可以在不同的时间执行。此外，本文中指出的任何特定数字仅是示例：可替选实现方式可以采用不同的值或范围。
本文中所提供的技术的教示可以应用于其他系统，不一定是上述系统。可以将上述各种示例的元件和动作组合以提供技术的另外的实现方式。技术的一些可替选实现方式不仅可以包括以上指出的这些实现方式的另外的元件，还可以包括更少的元件。
可以根据上面的具体实施方式对技术进行这些和其他改变。尽管上面的描述描述了技术的某些示例，并且描述了设想的最佳模式，但是无论上面在文本中如何详细描述，技术均可以以许多方式实践。系统的细节可以在其特定实现方式方面显著变化，然而仍然被本文中所公开的技术所涵盖。如上面所指出的，在描述技术的某些特征或方面时使用的特定术语不应当被视为暗示：在本文中重新定义该术语以限制与该术语相关联的技术的任何特定特性、特征或方面。通常，除非上面的具体实施方式部分明确限定了这样的术语，否则随附权利要求中使用的术语不应当被解释为将技术限制为说明书中所公开的特定示例。因此，技术的实际范围不仅涵盖了所公开的示例，还涵盖了按照权利要求实践或实现技术的所有等同方式。
为了减少权利要求的数目，下面以某些权利要求的形式呈现了技术的某些方面，申请人设想了任意数目权利要求形式的技术的各个方面。例如，尽管仅将技术的一个方面记载为计算机可读介质权利要求，但是其他方面可以同样地或以其他形式体现为计算机可读介质权利要求，例如，以装置加功能权利要求来体现。意图要在35U.S.C.§112(f)下处理的任何权利要求将以词语“用于......的装置”开头，但是在任何其他上下文中使用术语“用于”并非旨在援引35U.S.C.§112(f)下的处理。因此，在本申请或连续申请中，申请人保留在提交本申请之后追求附加权利要求的权利，以追求这样的附加权利要求形式。

Claims (23)

1.一种在工业自动化环境中进行状况监视的方法，所述方法包括：
获得驱动器中的运行时间信号数据，所述驱动器被配置成至少部分地基于与工业操作相关联的所述运行时间信号数据来控制在所述工业操作中向电机供应的电力；
基于特定于所述工业操作的故障状况的设置来从所述运行时间信号数据得出运行时间度量；以及
基于包括从所述运行时间信号数据得出的所述运行时间度量和从基线信号数据得出的基线度量的度量来监视所述工业操作的所述故障状况。
2.根据权利要求1所述的方法，还包括：
识别待被监视的所述故障状况；以及
基于所述设置从所述基线信号数据得出所述基线度量。
3.根据权利要求2所述的方法，其中，特定于所述故障状况的所述设置包括以下中的一个或更多个：滤波设置、时域参数、频域参数、变换设置、模式识别设置和频率响应设置。
4.根据权利要求2所述的方法，还包括：
在获得所述运行时间信号数据之前获得所述基线信号数据；
将所述基线信号数据存储在与所述工业操作相关联的驱动器中；以及
使所述基线信号数据与所述运行时间信号数据同步。
5.根据权利要求4所述的方法，还包括：当新的电机替换所述电机时，
在获得所述运行时间信号数据之前获得所述基线信号数据；
将所述基线信号数据存储在与所述工业操作相关联的所述驱动器中；以及
使所述基线信号数据与所述运行时间信号数据同步。
6.根据权利要求1所述的方法，还包括：
基于所述运行时间度量和所述基线度量来生成差分度量；以及
将至少所述差分度量供应至检测引擎以检测所述故障状况的存在。
7.一种工业驱动器，包括：
驱动器电路，所述驱动器电路被配置成在工业操作中向电机供应电力；
控制器，所述控制器与所述驱动器电路耦接并且被配置成至少部分地基于与所述电机相关联的运行时间信号数据来控制向所述电机供应的电力；以及
状况监视模块，所述状况监视模块被配置成：
从所述控制器获得所述运行时间信号数据；以及
基于包括从所述运行时间信号数据得出的运行时间度量和从基线信号数据得出的基线度量的度量来监视所述工业操作的一个或更多个故障状况。
8.根据权利要求7所述的工业驱动器，其中，所述状况监视模块还被配置成：
识别所述一个或更多个故障状况中的待被监视的故障状况；
基于特定于所述故障状况的设置来从所述运行时间信号数据得出所述运行时间度量；以及
基于所述设置从所述基线信号数据得出所述基线度量。
9.根据权利要求8所述的工业驱动器，其中，所述状况监视模块还被配置成：
在获得所述运行时间信号数据之前获得所述基线信号数据；
将所述基线信号数据存储在所述工业驱动器中；以及
使所述基线信号数据与所述运行时间信号数据同步。
10.根据权利要求7所述的工业驱动器，其中，为了监视所述工业操作的一个或更多个故障状况，所述工业驱动器被配置成：
基于所述运行时间度量和所述基线度量来生成差分度量；以及
将至少所述差分度量供应至检测引擎以检测所述一个或更多个故障状况的存在。
11.根据权利要求10所述的工业驱动器，其中，所述检测引擎包括至少一个机器学习模型，所述至少一个机器学习模型被配置成基于所述差分度量来对所述工业操作的状况进行分类。
12.一种在工业自动化环境中监视感应电机的状况的方法，所述方法包括：
获得驱动器中的运行时间信号数据，所述驱动器被配置成至少部分地基于与工业操作相关联的所述运行时间信号数据来控制在所述工业操作中向所述感应电机供应的电力；
基于感应电机故障状况从所述运行时间信号数据得出运行时间度量；
将所述运行时间度量作为输入提供给机器学习模型，所述机器学习模型被构造成基于所述运行时间度量来识别所述感应电机的状态并且输出所述状态；以及
基于由所述机器学习模型输出的所述感应电机的所述状态来监视所述感应电机故障状况。
13.根据权利要求12所述的方法，其中：
所述感应电机故障状况是转子故障；并且
从所述运行时间信号数据得出所述运行时间度量包括：得出特定于识别转子故障的运行时间度量。
14.根据权利要求13所述的方法，其中，所述机器学习模型被构造成基于所述运行时间度量来识别断裂转子条的数目。
15.根据权利要求12所述的方法，其中：
所述感应电机故障状况是定子故障；并且
从所述运行时间信号数据得出所述运行时间度量包括：得出特定于识别定子故障的运行时间度量。
16.根据权利要求15所述的方法，其中，所述机器学习模型被构造成基于所述运行时间度量来识别定子绕组短路匝的数目。
17.根据权利要求12所述的方法，还包括：
在获得所述运行时间信号数据之前获得基线信号数据，其中，所述基线信号数据表示所述感应电机的健康状况；
将所述基线信号数据存储在所述驱动器中；以及
从所述基线信号数据得出基线度量。
18.根据权利要求12所述的方法，其中，得出所述运行时间度量包括：
确定所述运行时间信号数据的频率响应；以及
生成包括转矩参考信号、所述频率响应和机器速度的故障特征。
19.一种工业驱动器，包括：
驱动器电路，所述驱动器电路被配置成在工业操作中向感应电机供应电力；
控制器，所述控制器与所述驱动器电路耦接并且被配置成至少部分地基于与所述感应电机相关联的运行时间信号数据来控制向所述感应电机供应的电力；以及
状况监视模块，所述状况监视模块被配置成：
从所述控制器获得所述运行时间信号数据；
基于感应电机故障状况从所述运行时间信号数据得出运行时间度量；
将所述运行时间度量作为输入提供给机器学习模型，所述机器学习模型被构造成基于所述运行时间度量来识别所述感应电机的状态并且输出所述状态；以及
基于由所述机器学习模型输出的所述感应电机的所述状态来监视所述感应电机故障状况。
20.根据权利要求19所述的工业驱动器，其中：
所述感应电机故障状况是转子故障；并且
从所述运行时间信号数据得出所述运行时间度量包括：得出特定于识别转子故障的运行时间度量。
21.根据权利要求20所述的工业驱动器，其中，所述机器学习模型被构造成基于所述运行时间度量来识别断裂转子条的数目。
22.根据权利要求19所述的工业驱动器，其中：
所述感应电机故障状况是定子故障；并且
从所述运行时间信号数据得出所述运行时间度量包括：得出特定于识别定子故障的运行时间度量。
23.根据权利要求22所述的工业驱动器，其中，所述机器学习模型被构造成基于所述运行时间度量来识别定子绕组短路匝的数目。
CN202110467152.2A 2020-05-01 2021-04-28 使用机器学习进行的感应电机状况监视 Active CN113589163B (zh)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
US16/864,739 2020-05-01
US16/864,739 US20210341896A1 (en) 2020-05-01 2020-05-01 Industrial motor drives with integrated condition monitoring
US17/038,770 2020-09-30
US17/038,770 US20210341901A1 (en) 2020-05-01 2020-09-30 Induction motor condition monitoring using machine learning

Publications (2)

Publication Number Publication Date
CN113589163A true CN113589163A (zh) 2021-11-02
CN113589163B CN113589163B (zh) 2024-02-27

Family

ID=75674687

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110467152.2A Active CN113589163B (zh) 2020-05-01 2021-04-28 使用机器学习进行的感应电机状况监视

Country Status (3)

Country Link
US (1) US20210341901A1 (zh)
EP (1) EP3904988A1 (zh)
CN (1) CN113589163B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114594342A (zh) * 2022-03-21 2022-06-07 国网安徽省电力有限公司电力科学研究院 一种配电网接地故障判决输入波形一致性处理方法
TWI800365B (zh) * 2022-04-29 2023-04-21 華碩電腦股份有限公司 電源供應器的健康檢測系統及其檢測方法

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP4194979A1 (en) * 2021-12-09 2023-06-14 Siemens Aktiengesellschaft System and method for monitoring condition of an electromechanical system
US20230251646A1 (en) * 2022-02-10 2023-08-10 International Business Machines Corporation Anomaly detection of complex industrial systems and processes
CN116730137A (zh) * 2022-03-03 2023-09-12 奥的斯电梯公司 用于电梯电机的故障监测装置和方法
US20230324432A1 (en) * 2022-04-11 2023-10-12 Rockwell Automation Technologies, Inc. Embedded vibration and shock sensor with an integrated motor drive assembly
CN115964907B (zh) * 2023-03-17 2023-12-01 中国人民解放军火箭军工程大学 复杂系统健康趋势预测方法、系统、电子设备及存储介质
CN116340848B (zh) * 2023-03-31 2023-11-14 北京理工大学 一种基于数字孪生的发动机故障诊断方法
CN116167749B (zh) * 2023-04-23 2023-07-18 合肥荣叙科技有限公司 一种基于深度学习的永磁同步电机故障诊断方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110241888A1 (en) * 2010-04-05 2011-10-06 Bin Lu System and method of detecting cavitation in pumps
US20170031329A1 (en) * 2015-07-31 2017-02-02 Fanuc Corporation Machine learning method and machine learning device for learning fault conditions, and fault prediction device and fault prediction system including the machine learning device
CN109752186A (zh) * 2017-11-08 2019-05-14 罗克韦尔自动化技术公司 用于监视带驱动应用中的驱动构件的操作的系统和方法
CN109765484A (zh) * 2018-10-25 2019-05-17 青岛鹏海软件有限公司 基于“正确树”模型的电机在线监测和故障诊断方法
GB201914844D0 (en) * 2019-10-14 2019-11-27 Norwegian Univ Sci & Tech Ntnu Fault detection in synchronous machines

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6041287A (en) * 1996-11-07 2000-03-21 Reliance Electric Industrial Company System architecture for on-line machine diagnostics
US7117125B2 (en) * 2003-06-18 2006-10-03 Eaton Corporation System and method for proactive motor wellness diagnosis based on potential mechanical faults
US8010321B2 (en) * 2007-05-04 2011-08-30 Applied Materials, Inc. Metrics independent and recipe independent fault classes
US8405339B2 (en) * 2010-07-01 2013-03-26 Eaton Corporation System and method for detecting fault in an AC machine
US8669724B2 (en) * 2011-02-15 2014-03-11 Magnetek, Inc. Method and apparatus for load dependent speed control of a motor
US9845012B2 (en) * 2011-07-06 2017-12-19 General Electric Company System and method for predicting mechanical failure of a motor
US10256761B2 (en) * 2016-08-31 2019-04-09 Intel Corporation Monitoring health of electrical equipment
US9915375B1 (en) * 2017-02-10 2018-03-13 Fisher Controls International Llc Methods and apparatus to monitor health information of a valve
US20200356898A1 (en) * 2017-11-27 2020-11-12 Siemens Aktiengesellschaft Machine diagnosis using mobile devices and cloud computers
US11656280B2 (en) * 2018-05-31 2023-05-23 Abb Schweiz Ag Device for condition monitoring and protection of rotating electrical machines, and a method thereof
US11239783B2 (en) * 2019-07-16 2022-02-01 Analog Devices International Unlimited Company Systems and methods for motor parameter extraction
US11662384B2 (en) * 2020-11-13 2023-05-30 Yantai Jereh Petroleum Equipment & Technologies Co., Ltd. Motor malfunction monitoring device, drive motor system and motor malfunction monitoring method

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110241888A1 (en) * 2010-04-05 2011-10-06 Bin Lu System and method of detecting cavitation in pumps
US20170031329A1 (en) * 2015-07-31 2017-02-02 Fanuc Corporation Machine learning method and machine learning device for learning fault conditions, and fault prediction device and fault prediction system including the machine learning device
CN109752186A (zh) * 2017-11-08 2019-05-14 罗克韦尔自动化技术公司 用于监视带驱动应用中的驱动构件的操作的系统和方法
CN109765484A (zh) * 2018-10-25 2019-05-17 青岛鹏海软件有限公司 基于“正确树”模型的电机在线监测和故障诊断方法
GB201914844D0 (en) * 2019-10-14 2019-11-27 Norwegian Univ Sci & Tech Ntnu Fault detection in synchronous machines

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114594342A (zh) * 2022-03-21 2022-06-07 国网安徽省电力有限公司电力科学研究院 一种配电网接地故障判决输入波形一致性处理方法
TWI800365B (zh) * 2022-04-29 2023-04-21 華碩電腦股份有限公司 電源供應器的健康檢測系統及其檢測方法

Also Published As

Publication number Publication date
US20210341901A1 (en) 2021-11-04
CN113589163B (zh) 2024-02-27
EP3904988A1 (en) 2021-11-03

Similar Documents

Publication Publication Date Title
CN113589163B (zh) 使用机器学习进行的感应电机状况监视
Martins et al. Unsupervised neural-network-based algorithm for an on-line diagnosis of three-phase induction motor stator fault
US5629870A (en) Method and apparatus for predicting electric induction machine failure during operation
Verma et al. An efficient neural-network model for real-time fault detection in industrial machine
Cheng et al. High-accuracy unsupervised fault detection of industrial robots using current signal analysis
Orłowska-Kowalska et al. Fault-diagnosis and fault-tolerant-control in industrial processes and electrical drives
KR20210091737A (ko) 비정상 기계 성능의 자동화된 분석
WO2015047121A1 (en) Method and apparatus for embedded current signature analysis and remote condition monitoring for industrial machinery
CN117906991A (zh) 旋转机械的机器健康监测
Karaköse et al. The intelligent fault diagnosis frameworks based on fuzzy integral
EP4043699A1 (en) System and method for automated failure mode detection of rotating machinery
US20210341896A1 (en) Industrial motor drives with integrated condition monitoring
Leonidovich et al. The development and use of diagnostic systems and estimation of residual life in industrial electrical equipment
Götzinger et al. On the design of context-aware health monitoring without a priori knowledge; an AC-motor case-study
Wong et al. Real-time machine health monitoring system using machine learning with IoT technology
Strangas et al. Improving the reliability of electrical drives through failure prognosis
Sheikh et al. Unsupervised on-line method to diagnose unbalanced voltage in three-phase induction motor
Palácios et al. Time domain diagnosis of multiple faults in three phase induction motors using inteligent approaches
Godoy et al. An application of artificial neural networks and PCA for stator fault diagnosis in inverter-fed induction motors
EP3605119A1 (en) System, apparatus and method to detect fault in an asset
Premrudeepreechacharn et al. Induction motor fault detection and diagnosis using supervised and unsupervised neural networks
Preethi et al. A state-of-art approach on fault detection in three phase induction motor using ai techniques
EP4024014A1 (en) Monitoring machine operation for various speed and loading conditions
Uyar et al. Fuzzy logic-based induction motor protection system
US11463032B2 (en) Detecting rotor anomalies by determining vibration trends during transient speed operation

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