CN113589166A - 一种基于数据驱动的变频电机端部绝缘状态在线监测方法 - Google Patents
一种基于数据驱动的变频电机端部绝缘状态在线监测方法 Download PDFInfo
- Publication number
- CN113589166A CN113589166A CN202110799989.7A CN202110799989A CN113589166A CN 113589166 A CN113589166 A CN 113589166A CN 202110799989 A CN202110799989 A CN 202110799989A CN 113589166 A CN113589166 A CN 113589166A
- Authority
- CN
- China
- Prior art keywords
- frequency
- motor
- layer
- insulation
- insulation state
- 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
Links
- 238000009413 insulation Methods 0.000 title claims abstract description 100
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000012544 monitoring process Methods 0.000 title claims abstract description 33
- 230000010355 oscillation Effects 0.000 claims abstract description 40
- 230000015556 catabolic process Effects 0.000 claims abstract description 12
- 238000006731 degradation reaction Methods 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims abstract description 12
- 238000010219 correlation analysis Methods 0.000 claims abstract description 8
- 238000003062 neural network model Methods 0.000 claims abstract description 7
- 238000004458 analytical method Methods 0.000 claims abstract description 5
- 230000002708 enhancing effect Effects 0.000 claims abstract description 5
- 230000008859 change Effects 0.000 claims description 15
- 230000004044 response Effects 0.000 claims description 13
- 238000011176 pooling Methods 0.000 claims description 12
- 239000000523 sample Substances 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 8
- 238000004804 winding Methods 0.000 claims description 8
- 230000005284 excitation Effects 0.000 claims description 7
- 210000002569 neuron Anatomy 0.000 claims description 7
- 230000001052 transient effect Effects 0.000 claims description 6
- 230000008878 coupling Effects 0.000 claims description 5
- 238000010168 coupling process Methods 0.000 claims description 5
- 238000005859 coupling reaction Methods 0.000 claims description 5
- 230000003071 parasitic effect Effects 0.000 claims description 5
- 230000009471 action Effects 0.000 claims description 4
- 239000003990 capacitor Substances 0.000 claims description 4
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- 239000006185 dispersion Substances 0.000 claims description 4
- 238000004088 simulation Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 3
- 238000011158 quantitative evaluation Methods 0.000 abstract description 5
- 230000035945 sensitivity Effects 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006698 induction Effects 0.000 description 2
- 238000002347 injection Methods 0.000 description 2
- 239000007924 injection Substances 0.000 description 2
- 230000035882 stress Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000004611 spectroscopical analysis Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
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
- G01R31/34—Testing dynamo-electric machines
Abstract
本发明涉及一种基于数据驱动的变频电机端部绝缘状态在线监测方法,包括以下步骤:1)模拟绝缘劣化以获得不同绝缘状态下的电机运行电流;2)从电机相线上的电流信号中截取高频开关振荡电流片段作为样本;3)采用小波包分析对开关振荡电流片段进行时域特征增强;4)采用灰色关联分析对开关振荡电流片段进行频域特征增强;5)拼接时域增强特征与频域增强特征,构造时频增强特征;6)采用时频增强特征训练神经网络模型,并进行绝缘状态的在线预测。与现有技术相比,本发明通过对开关振荡电流进行时频特征增强,能够在线定量评估绝缘状态,具有灵敏、定量评估、安全等优点。
Description
技术领域
本发明涉及电机状态监测技术领域,尤其是涉及一种基于数据驱动的变频电机端部绝缘状态在线监测方法。
背景技术
采用脉宽调制技术的逆变器驱动电机具有易启动、效率高和调速性好等优点,广泛应用于电动汽车,航空航天和电气化交通等领域,其系统可靠性至关重要。电机故障将导致非计划性停机,带来经济损失,甚至导致灾难性的故障,工业调查表明,主绝缘故障是引发电机故障的重要原因,主绝缘故障占据全部电机故障的30%以上。对于变频调速电机,逆变器输出产生的高dv/dt会在电机端部施加过大的电应力,加速端部绝缘老化。为保证变频调速系统的安全可靠运行,有必要在电机运行时对其主绝缘状态进行持续的监测。此外,与电机的机械故障相比,电气故障的发生速度要快得多。因此,有必要在绝缘劣化初期识别故障,并采取必要的修理、更换或者容错控制等措施,这对绝缘状态监测的灵敏度提出了很高的要求。
BL Sang等人的名称为“An Online Technique for Monitoring the InsulationCondition of AC Machine Stator Windings.”的文献利用高灵敏传感器测量基频漏电流,通过计算主绝缘等效电容和介质损耗角进行电机的在线主绝缘监测。电机绝缘层在低频下的容性阻抗很大,必须使用高灵敏传感器才能监测基频漏电流的微弱变化,昂贵的设备和对传感器灵敏度的高要求使得该方法有一定局限性。
P Neti等人的名称为“Online Broadband Insulation Spectroscopy ofInduction Machines Using Signal Injection”的文献通过在线注入高频低幅值信号的方法,通过电流响应实现绝缘状态的监测,但是这种方法会增加系统复杂性,且可能干扰电机正常运行,在实际应用中受到一定的限制。
Nussbaumer P等人的名称为“Induction machine insulation health statemonitoring based on online switching transient exploitation”的文献通过比较逆变器开关阶跃电压激励下的电机相线高频暂态振荡电流频域特征监测绝缘早期状态劣化。这种方法缺乏精确的物理模型搭建,难以确定对绝缘状态敏感的开关振荡频段,无法实现绝缘状态的定量评估。
中国专利CN110456270A公开了一种电机绝缘在线监测方法和装置,该发明通过测量电机三相入线端各相对地电压以及各相漏电流,获取定子绝缘的等效电容,实现电机绝缘的监测,该方法采集电压信号时会与被测系统产生电气接触,这将影响系统的稳定性和安全性。
综上,在变频电机系统中,由于电缆和电机阻抗不匹配,会在电机绕组端部产生开关瞬态过电压,过电压在整个绕组上呈非线性非均匀分布,靠近相端部的绕组第一匝相比其他部分承受更大的电压应力,这使得电机端部绝缘更容易发生劣化。现有的方法通常是针对电机的整体绝缘劣化进行监测,无法实现针对电机绕组端部的绝缘状态监测,有时端部绝缘已经损坏,而整体绝缘状态变化不大,因此有必要针对端部绝缘状态进行监测。另外,现有的技术通常是基于模型的方法,由于变频电机系统在高频下的寄生参数存在复杂的耦合关系和频率特性,导致系统精确建模十分困难,使得高频电气参量与绝缘状态参量之间的定量关系还不明晰。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于数据驱动的变频电机端部绝缘状态在线监测方法。
本发明的目的可以通过以下技术方案来实现:
一种基于数据驱动的变频电机端部绝缘状态在线监测方法,包括以下步骤:
1)模拟绝缘劣化以获得不同绝缘状态下的电机运行电流;
2)从电机相线上的电流信号中截取高频开关振荡电流片段作为样本;
3)采用小波包分析对开关振荡电流片段进行时域特征增强;
4)采用灰色关联分析对开关振荡电流片段进行频域特征增强;
5)拼接时域增强特征与频域增强特征,构造时频增强特征;
6)采用时频增强特征训练神经网络模型,并进行绝缘状态的在线预测。
所述的步骤1)具体为:
构建由被测电机、负载电机、两个变频器、高速信号采集单元和上位机构成的电机绝缘劣化模拟实验台,通过高频差分探头测量被测电机端部电压,在被测电机端部设置电流探头采集包含开关高频振荡的电流信号,采集到的电流信号经上位机进行数据处理。
在电机绝缘劣化模拟实验台中,通过绝缘电容的大小来模拟对应不同的绝缘状态,通过在电机相端部与大地之间并联不同大小电容的方式改变绝缘状态。
所述的步骤3)中,时域特征增强的方法具体为:
对高频开关振荡电流片段进行小波包分解获取小波包系数及能量,根据小波包能量随绝缘状态的变化情况,选择变化趋势一致且离散度较小的小波包节点用于重构原信号。
所述的步骤4)中,频域特征增强的方法具体为:
对高频开关振荡电流片段进行快速傅里叶变换,并进行灰色关联分析得到频域中每个频率点与绝缘状态的灰色关联度,选择频域中灰色关联度最高的固定点数作为频域增强特征。
频域信号中选择的点数与重构的时域增强信号点数相同。
所述的步骤5)具体为:
将不同绝缘状态下的时域增强特征和频域增强特征进行拼接,形成一个二维的时频增强特征。
所述的步骤6)中,将时频增强特征分割为测试集和训练集,训练集输入神经网络模型用于训练,测试集则用于评估模型预测精度,所述的神经网络模型采用 1DCNN网络
所述的1DCNN网络的网络结构具体为:
1DCNN网络由一个输入层、3个卷积层、3个池化层、一个全连接层和一个输出层组成,所述的输入层的尺寸大小与输入的二维时频增强特征相对应,卷积核仅沿一个维度滑动进行卷积操作,第二层到第七层由一维卷积层与一维最大池化层交替构成,其中,在第二层定义32个大小为5×2的卷积核,第三层为池化层,定义卷积核大小2×1,步长为2,第4层和第6层分别定义64个和128个大小为3×1 的卷积核,第5层和第7层为池化层,卷积核大小为2×1,步长为2,卷积层均使用ReLU激活函数,第八层为全连接层,神经元个数设置为128个,与第七层为全连接关系,使用sigmoid激活函数,第九层为输出层,该层设置一个神经元,采用线性激活函数,输出层的输出结果即电机端部绝缘电容相对健康状态的改变量。
该方法的实现原理如下:
在变频电机正常运行状态下,将逆变器中功率器件每次开关动作产生的高电压变化率dv/dt视作激励源,该激励施加在电机的绕组端部后在电机相线上产生反映系统阻抗特性的高频暂态电流响应,变频电机系统中不可忽略的寄生参数为高频开关振荡电流提供了多个传导路径,不同的电容耦合路径对应电流中不同的谐振模态,谐振模态包含对绝缘状态的敏感模态和非敏感模态,开关振荡响应电流进行时域和频域进行特征增强后的敏感模态特征,该敏感模态特征能够表征变频电机的绝缘状态。与现有技术相比,本发明具有以下优点:
一、高灵敏度:本发明利用端部绝缘电容与系统中的杂散参数产生的高频串联谐振响应进行绝缘状态监测,可以识别电机微弱的绝缘电容变化。在高频段,系统的容性阻抗小,响应电流大,响应电流变化明显,因此响应电流用于监测绝缘状态时具有更高的灵敏度,另外,串联谐振发生时,系统的阻抗达到极小,而响应电流达到极大,因此谐振响应的变化更灵敏。
二、定量评估:现有的基于模型驱动的方法依赖对物理模型的精确建模,然而,由于逆变器电机系统在高频下的寄生参数存在复杂的耦合关系和频率特性,导致系统精确建模十分困难,使得高频开关振荡特征与绝缘状态参量之间的定量关系还不明晰。本发明利用数据驱动的方法,不依赖物理模型,可以利用大量历史数据建立无先验模型,从而弥补模型驱动的缺点,从而可以实现绝缘状态的定量评估。
三、安全性高:本发明利用高频振荡电流响应中的频率和幅值特征进行绝缘状态监测,因此只需要在电机正常运行时采集相线上的电流信号,可以做到非接触的监测,不会影响系统运行的稳定性。
附图说明
图1为搭建试验台示意图。
图2为电机绝缘状态监测流程图。
图3为时域特征增强示意图。
图4为开关振荡电流波形。
图5为小波包能量谱。
图6为小波包能量随ΔCg的变化,其中,图(6a)为节点0的变化,图(6b) 为节点1的变化,图(6c)为节点2的变化,图(6d)为节点3的变化。
图7为小波包重构信号波形。
图8为开关振荡频域特征增强结果,其中,图(8a)为灰色关联度,图(8b) 为频域增强特征。
图9为1DCNN绝缘状态预测结果。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。
实施例
本发明根据变流器高频开关振荡的特点,针对逆变器驱动电机绝缘早期劣化状态监测的难以定量评估和监测系统成本昂贵,不利于在线监测的问题,提出一种基于开关振荡时频特征增强CNN的变频电机端部绝缘状态监测方法。
该方法的基本原理如下:
在电机正常运行状态下,逆变器中功率器件的每次开关动作产生的高dv/dt可以视作天然的激励源,该激励施加在电机的绕组端部,会在电机的相线上产生可以反映系统阻抗特性的高频暂态电流响应,但是直接通过开关振荡响应逆求解电机绕组状态参数将十分困难,变频电机系统中不可忽略的寄生参数为高频开关振荡电流提供了多个传导路径,不同的电容耦合路径对应电流中不同的谐振模态,包含对绝缘状态的敏感模态和非敏感模态,通过小波包分析(WPA)和灰色关联分析(GRA) 分别对开关振荡响应进行时域和频域特征增强,实现敏感模态特征的筛选,结合一维卷积神经网络(1DCNN)可以实现绝缘状态的定量评估。
在实施例中,搭建了如图1所示的实验台。实验被测电机为8极380V,3kW 永磁同步电机(PMSM)。负载电机采用380V,3kW的感应电机(IM)。两个变频器分别以速度模式和转矩模式控制永磁同步电机和感应电机。采用高速信号采集单元(Pico 5444D,14位,125MS/s)和上位机进行信号采集和处理。使用高频差分探头CYBERTEK DP6150A(带宽为100MHz)测量电机端部电压。带宽为50MHz 的高频电流探头CYBERTEK CP8030B用于测量电机电流。在电机端部布置电流探头以采集包含开关高频振荡的电流信号,在电机端部与直流母线负极之间布置电压探头观察PWM开关信号(电压信号仅用于实验观察,不参与最终的状态监测,本发明状态监测仅需要使用电流信号)。采集的电流信号经上位机进行数据处理和运算。
如图2所示,本发明所提出的监测电机端部绝缘状态方法的具体实施步骤如下:
1)模拟绝缘劣化以获得不同绝缘状态下的电机运行电流。
用绝缘电容的大小描述绝缘状态。用并联电容的方式模拟绝缘状态发生变化。在电机相端部与大地之间并联不同大小的电容,可以获得不同端部绝缘状态下的电机运行电流,在本实施例中,分别并联25pF、50pF、100pF、220pF、330pF、 680pF模拟不同的绝缘状态。
2)采集电机相线上的电流信号,并截取多个高频振荡片段作为样本。
高频振荡信号在功率器件开关动作后一般几μs就会衰减到0,因此只需截取高频振荡部分信号,截取的振荡片段如图4所示,在本实施例中,采集每种绝缘状态各300个开关振荡片段(1000个采样点)作为样本。
3)采用小波包分析对开关振荡电流片段进行时域特征增强。
时域特征增强的示意图如图3所示,在本实施例中,对高频开关振荡电流片段进行4层小波包分解,在第4层得到16个小波包系数及对应能量值,分别观察小波包能量随绝缘状态的变化情况,选择变化趋势一致且离散度较小的小波包节点用于重构原信号。对全部开关振荡样本进行小波包分解,得到第4层各节点能量占比的平均值,如图5所示。能量占比较高的节点为节点0-3。能量变化趋势与绝缘状态变化趋势一致性较高且离散度较小的节点为节点0和节点3,如图6所示,利用节点0和节点3重构原信号,得到如图7所示的时域增强特征。
4)采用灰色关联分析对开关振荡电流片段进行频域特征增强。
在实施例中,对高频开关振荡电流片段进行快速傅里叶变换,并使用灰色关联分析得到频域中每个频率点与绝缘状态的灰色关联度,选择频域中灰色关联度最高的1000个点与时域信号点数相同)作为频域增强特征,频域特征增强如图8所示。
5)拼接时域增强特征与频域增强特征,构造时频增强特征
将不容绝缘状态下的时域增强特征和频域增强特征进行拼接,形成一个二维的时频增强特征。
6)用时频增强特征训练1DCNN,并预测绝缘状态,评估预测精度。
在实施例中,将数据集以训练集75%,测试集25%的比例进行分割,数据集结构如表1所示。1DCNN的网络结构如表2所示。1DCNN由一个输入层,3个卷积层,3个池化层,一个全连接层和一个输出层组成。输入层的尺寸大小与输入的二维时频特征相对应,卷积核仅沿一个维度滑动进行卷积操作。第二层到第七层为一维卷积层与一维最大池化层交替。其中,在第二层定义了32个大小为5×2的卷积核。第三层为池化层,定义卷积核大小2×1,步长为2。第4、6层分别定义了 64个和128个大小为3×1的卷积核。第5、7层为池化层,卷积核大小为2×1,步长为2。卷积层均使用ReLU激活函数。第八层为全连接层,神经元个数设置为 128个,与第七层为全连接关系,使用sigmoid激活函数。第九层为输出层,该层设置一个神经元,使用线性激活函数,输出层的输出结果即电机端部绝缘电容相对健康状态的改变量。
表1数据集结构
ΔC<sub>g</sub>/pF | 训练集 | 测试集 |
0 | 225 | 75 |
25 | 225 | 75 |
50 | 225 | 75 |
100 | 225 | 75 |
220 | 225 | 75 |
330 | 225 | 75 |
680 | 225 | 75 |
表2 1DCNN网络结构参数
用测试集数据对训练好的网络对1DCNN模型进行评估,预测结果如图9所示,对绝缘电容的预测平均误差为3.411pF。
Claims (10)
1.一种基于数据驱动的变频电机端部绝缘状态在线监测方法,其特征在于,包括以下步骤:
1)模拟绝缘劣化以获得不同绝缘状态下的电机运行电流;
2)从电机相线上的电流信号中截取高频开关振荡电流片段作为样本;
3)采用小波包分析对开关振荡电流片段进行时域特征增强;
4)采用灰色关联分析对开关振荡电流片段进行频域特征增强;
5)拼接时域增强特征与频域增强特征,构造时频增强特征;
6)采用时频增强特征训练神经网络模型,并进行绝缘状态的在线预测。
2.根据权利要求1所述的一种基于数据驱动的变频电机端部绝缘状态在线监测方法,其特征在于,所述的步骤1)具体为:
构建由被测电机、负载电机、两个变频器、高速信号采集单元和上位机构成的电机绝缘劣化模拟实验台,通过高频差分探头测量被测电机端部电压,在被测电机端部设置电流探头采集包含开关高频振荡的电流信号,采集到的电流信号经上位机进行数据处理。
3.根据权利要求2所述的一种基于数据驱动的变频电机端部绝缘状态在线监测方法,其特征在于,在电机绝缘劣化模拟实验台中,通过绝缘电容的大小来模拟对应不同的绝缘状态,通过在电机相端部与大地之间并联不同大小电容的方式改变绝缘状态。
4.根据权利要求1所述的一种基于数据驱动的变频电机端部绝缘状态在线监测方法,其特征在于,所述的步骤3)中,时域特征增强的方法具体为:
对高频开关振荡电流片段进行小波包分解获取小波包系数及能量,根据小波包能量随绝缘状态的变化情况,选择变化趋势一致且离散度较小的小波包节点用于重构原信号。
5.根据权利要求4所述的一种基于数据驱动的变频电机端部绝缘状态在线监测方法,其特征在于,所述的步骤4)中,频域特征增强的方法具体为:
对高频开关振荡电流片段进行快速傅里叶变换,并进行灰色关联分析得到频域中每个频率点与绝缘状态的灰色关联度,选择频域中灰色关联度最高的固定点数作为频域增强特征。
6.根据权利要求5所述的一种基于数据驱动的变频电机端部绝缘状态在线监测方法,其特征在于,频域信号中选择的点数与重构的时域增强信号点数相同。
7.根据权利要求5所述的一种基于数据驱动的变频电机端部绝缘状态在线监测方法,其特征在于,所述的步骤5)具体为:
将不同绝缘状态下的时域增强特征和频域增强特征进行拼接,形成一个二维的时频增强特征。
8.根据权利要求7所述的一种基于数据驱动的变频电机端部绝缘状态在线监测方法,其特征在于,所述的步骤6)中,将时频增强特征分割为测试集和训练集,训练集输入神经网络模型用于训练,测试集则用于评估模型预测精度,所述的神经网络模型采用1DCNN网络。
9.根据权利要求8所述的一种基于数据驱动的变频电机端部绝缘状态在线监测方法,其特征在于,所述的1DCNN网络的网络结构具体为:
1DCNN网络由一个输入层、3个卷积层、3个池化层、一个全连接层和一个输出层组成,所述的输入层的尺寸大小与输入的二维时频增强特征相对应,卷积核仅沿一个维度滑动进行卷积操作,第二层到第七层由一维卷积层与一维最大池化层交替构成,其中,在第二层定义32个大小为5×2的卷积核,第三层为池化层,定义卷积核大小2×1,步长为2,第4层和第6层分别定义64个和128个大小为3×1的卷积核,第5层和第7层为池化层,卷积核大小为2×1,步长为2,卷积层均使用ReLU激活函数,第八层为全连接层,神经元个数设置为128个,与第七层为全连接关系,使用sigmoid激活函数,第九层为输出层,该层设置一个神经元,采用线性激活函数,输出层的输出结果即电机端部绝缘电容相对健康状态的改变量。
10.根据权利要求1所述的一种基于数据驱动的变频电机端部绝缘状态在线监测方法,其特征在于,该方法的实现原理如下:
在变频电机正常运行状态下,将逆变器中功率器件每次开关动作产生的高电压变化率dv/dt视作激励源,该激励施加在电机的绕组端部后在电机相线上产生反映系统阻抗特性的高频暂态电流响应,变频电机系统中不可忽略的寄生参数为高频开关振荡电流提供了多个传导路径,不同的电容耦合路径对应电流中不同的谐振模态,谐振模态包含对绝缘状态的敏感模态和非敏感模态,开关振荡响应电流进行时域和频域进行特征增强后的敏感模态特征,该敏感模态特征能够表征变频电机的绝缘状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110799989.7A CN113589166B (zh) | 2021-07-15 | 2021-07-15 | 一种基于数据驱动的变频电机端部绝缘状态在线监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110799989.7A CN113589166B (zh) | 2021-07-15 | 2021-07-15 | 一种基于数据驱动的变频电机端部绝缘状态在线监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113589166A true CN113589166A (zh) | 2021-11-02 |
CN113589166B CN113589166B (zh) | 2023-11-24 |
Family
ID=78247628
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110799989.7A Active CN113589166B (zh) | 2021-07-15 | 2021-07-15 | 一种基于数据驱动的变频电机端部绝缘状态在线监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113589166B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113391170A (zh) * | 2021-05-26 | 2021-09-14 | 上海电力大学 | 一种逆变器驱动电机的端部绝缘状态在线监测方法 |
CN114268265A (zh) * | 2021-11-16 | 2022-04-01 | 上海电力大学 | 变频电机高频开关振荡电流靶向主动抑制方法及装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108828440A (zh) * | 2018-06-12 | 2018-11-16 | 江苏镇安电力设备有限公司 | 基于小波包能量的高压断路器缺陷诊断方法 |
CN109060398A (zh) * | 2018-09-11 | 2018-12-21 | 上海电力学院 | 一种多源信息设备故障诊断方法 |
CN110161395A (zh) * | 2019-05-29 | 2019-08-23 | 苏州半唐电子有限公司 | 逆变器驱动电机的绝缘状态在线监测方法及其监测系统 |
CN110488155A (zh) * | 2019-08-30 | 2019-11-22 | 东南大学 | 一种应用于柔性接地系统的单相接地故障选线方法 |
CN110596547A (zh) * | 2019-09-19 | 2019-12-20 | 上海电力大学 | 逆变器驱动电机的匝绝缘状态在线监测方法 |
CN110716532A (zh) * | 2019-10-17 | 2020-01-21 | 哈尔滨工程大学 | 一种基于小波包能量与fft的水下机器人推进器弱故障辨识方法 |
JP2020020611A (ja) * | 2018-07-30 | 2020-02-06 | 株式会社日立製作所 | 絶縁診断装置、絶縁診断方法、および絶縁診断プログラム |
US20210201155A1 (en) * | 2019-12-30 | 2021-07-01 | Dalian University Of Technology | Intelligent control method for dynamic neural network-based variable cycle engine |
-
2021
- 2021-07-15 CN CN202110799989.7A patent/CN113589166B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108828440A (zh) * | 2018-06-12 | 2018-11-16 | 江苏镇安电力设备有限公司 | 基于小波包能量的高压断路器缺陷诊断方法 |
JP2020020611A (ja) * | 2018-07-30 | 2020-02-06 | 株式会社日立製作所 | 絶縁診断装置、絶縁診断方法、および絶縁診断プログラム |
CN109060398A (zh) * | 2018-09-11 | 2018-12-21 | 上海电力学院 | 一种多源信息设备故障诊断方法 |
CN110161395A (zh) * | 2019-05-29 | 2019-08-23 | 苏州半唐电子有限公司 | 逆变器驱动电机的绝缘状态在线监测方法及其监测系统 |
CN110488155A (zh) * | 2019-08-30 | 2019-11-22 | 东南大学 | 一种应用于柔性接地系统的单相接地故障选线方法 |
CN110596547A (zh) * | 2019-09-19 | 2019-12-20 | 上海电力大学 | 逆变器驱动电机的匝绝缘状态在线监测方法 |
CN110716532A (zh) * | 2019-10-17 | 2020-01-21 | 哈尔滨工程大学 | 一种基于小波包能量与fft的水下机器人推进器弱故障辨识方法 |
US20210201155A1 (en) * | 2019-12-30 | 2021-07-01 | Dalian University Of Technology | Intelligent control method for dynamic neural network-based variable cycle engine |
Non-Patent Citations (2)
Title |
---|
姚海燕: "基于多尺度小波判据和时频特征关联的电缆早期故障检测和识别方法", 《电力系统保护与控制》 * |
李豪: "基于开关瞬态频率响应的伺服电机早期匝绝缘劣化在线监测", 《中国电机工程学报》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113391170A (zh) * | 2021-05-26 | 2021-09-14 | 上海电力大学 | 一种逆变器驱动电机的端部绝缘状态在线监测方法 |
CN114268265A (zh) * | 2021-11-16 | 2022-04-01 | 上海电力大学 | 变频电机高频开关振荡电流靶向主动抑制方法及装置 |
CN114268265B (zh) * | 2021-11-16 | 2023-09-26 | 上海电力大学 | 变频电机高频开关振荡电流靶向主动抑制方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113589166B (zh) | 2023-11-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Nurmanova et al. | A new transformer FRA measurement technique to reach smart interpretation for inter-disk faults | |
EP2739983B1 (de) | Verfahren und vorrichtung zur erkennung einer zustandsverschlechterung einer isolierung in einer elektrischen maschine im betrieb | |
Ye et al. | Mechanical fault diagnostics for induction motor with variable speed drives using Adaptive Neuro-fuzzy Inference System | |
Bessam et al. | Wavelet transform and neural network techniques for inter-turn short circuit diagnosis and location in induction motor | |
CN113589166B (zh) | 一种基于数据驱动的变频电机端部绝缘状态在线监测方法 | |
Sonerud et al. | Dielectric response measurements utilizing semi-square voltage waveforms | |
Zhao et al. | Improved method to obtain the online impulse frequency response signature of a power transformer by multi scale complex CWT | |
Bucci et al. | Apparatus for online continuous diagnosis of induction motors based on the SFRA technique | |
CN110991481A (zh) | 一种基于交叉小波变换的高压并联电抗器内部松动故障诊断方法 | |
CN113391170B (zh) | 一种逆变器驱动电机的端部绝缘状态在线监测方法 | |
Sun et al. | Diagnosis of winding fault in three-winding transformer using lightning impulse voltage | |
Yaghobi et al. | Stator turn-to-turn fault detection of synchronous generator using total harmonic distortion (THD) analyzing of magnetic flux linkage | |
Naderi et al. | Modeling and detection of transformer internal incipient fault during impulse test | |
Zhu et al. | An approach to detect broken rotor bars based on instantaneous frequency of the fault characteristic harmonic during the start-up transient | |
Zamudio-Ramirez et al. | Wavelet entropy to estimate the winding insulation healthiness in induction motors | |
Zheng et al. | A novel method of monitoring and locating stator winding insulation ageing for inverter-fed machine based on switching harmonics | |
Seifi et al. | A feasibility study on estimating induced charge of partial discharges in transformer windings adjacent to its origin | |
Tomlain et al. | Experimental verification of the fully-digital high voltage fpga-based diagnostic equipment | |
Boubin et al. | EMI diagnostics of three phase inverters using machine learning algorithms | |
Zheng et al. | Online Detection and Classification of Inter-turn and Groundwall Insulation Ageing based on Broadband Common-mode Impedance Spectrum | |
Bucci et al. | Online SFRA characterization of a batch of induction motors for predictive maintenance | |
Zöller et al. | Separation of fundamental wave and transient components of the current signal for machine insulation state monitoring | |
Van Jaarsveldt et al. | Condition monitoring of medium voltage electrical cables by means of partial discharge measurements | |
Zoeller et al. | Detection of AC machines insulation health state based on evaluation of switching transients using two current sensors and eigenanalysis-based parameter estimation | |
CN115291021B (zh) | 高压套管状态的高精度参数分析方法与系统 |
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 |