CN113608119B - 电机运行状态监测方法、装置、设备和存储介质 - Google Patents
电机运行状态监测方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN113608119B CN113608119B CN202110897710.9A CN202110897710A CN113608119B CN 113608119 B CN113608119 B CN 113608119B CN 202110897710 A CN202110897710 A CN 202110897710A CN 113608119 B CN113608119 B CN 113608119B
- Authority
- CN
- China
- Prior art keywords
- motor
- phase current
- abnormal
- current data
- characteristic
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 74
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000003860 storage Methods 0.000 title claims abstract description 18
- 230000002159 abnormal effect Effects 0.000 claims abstract description 202
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 78
- 230000005856 abnormality Effects 0.000 claims abstract description 46
- 238000001514 detection method Methods 0.000 claims abstract description 27
- 238000000605 extraction Methods 0.000 claims abstract description 16
- 238000005070 sampling Methods 0.000 claims description 49
- 230000009466 transformation Effects 0.000 claims description 29
- 238000001228 spectrum Methods 0.000 claims description 25
- 238000004458 analytical method Methods 0.000 claims description 24
- 238000012806 monitoring device Methods 0.000 claims description 24
- 230000015654 memory Effects 0.000 claims description 23
- 238000013507 mapping Methods 0.000 claims description 13
- 230000008859 change Effects 0.000 description 16
- 230000001360 synchronised effect Effects 0.000 description 15
- 238000010586 diagram Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 7
- 230000000630 rising effect Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 238000001914 filtration Methods 0.000 description 4
- 238000003491 array Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000001276 controlling effect Effects 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 101000841267 Homo sapiens Long chain 3-hydroxyacyl-CoA dehydrogenase Proteins 0.000 description 1
- 102100029107 Long chain 3-hydroxyacyl-CoA dehydrogenase Human genes 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- JJYKJUXBWFATTE-UHFFFAOYSA-N mosher's acid Chemical compound COC(C(O)=O)(C(F)(F)F)C1=CC=CC=C1 JJYKJUXBWFATTE-UHFFFAOYSA-N 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/34—Testing dynamo-electric machines
- G01R31/343—Testing dynamo-electric machines in operation
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Control Of Ac Motors In General (AREA)
- Control Of Electric Motors In General (AREA)
Abstract
本发明实施例公开了一种电机运行状态监测方法、装置、设备和存储介质,以解决现有外接监测器的检测方法状态参数不能自动监测电机的相电流波形造成的电机运行状态监测不准确问题;考虑电机运行状态与相电流的运行特征的相关性,通过获取电机的相电流数据,确定相电流的整体运行特征,根据整体运行特征确定局部异常数据段,通过对局部异常数据段进行多尺度分解,得到电机的运行状态,通过多尺度分解对局部异常数据段进行多尺度细化,提高局部特征的提取精度,提高电机的异常识别的准确度;并且仅对局部异常数据段进行多尺度分解,减少计算资源。
Description
技术领域
本发明涉及故障诊断领域,具体涉及一种电机运行状态监测方法、装置、设备和存储介质。
背景技术
永磁同步电机具有结构简单、体积小、重量轻和功率密度大的优点,在各行各业中不断得到应用。如应用在新能源电动汽车、变频空调、厢式电梯等设备中。电机运行的可靠性也越来越重要,时刻影响着用户的人身安全和用户体验。提高电机运行稳定性和提升电机运行状态监测能力是保障电机安全运行的关键。
目前对电机运行状态的监测通常采用外接监测器的方式,但这种方式需要增设外部检测器,提高监测成本,并且外接监测器的方式通常只能提供如电机运行频率、相电流有效值、线间电压、母线电压、电机壳体温度等状态参数,不能自动监测电机的相电流波形,可能存在电机运行状态监测不准确。
发明内容
本发明实施例提供一种电机运行状态监测方法、装置、设备和存储介质,以解决现有外接监测器的检测方法状态参数不能自动监测电机的相电流波形造成的电机运行状态监测不准确问题。
一方面,本发明实施例提供一种电机运行状态监测方法,所述方法包括:
获取电机的相电流数据;
对所述相电流数据进行特征提取,根据提取的特征得到所述电机的运行状态;
若所述电机的运行状态为电机负载异常,则计算所述相电流数据的波形参数,确定所述相电流数据中的异常数据段;
对所述异常数据段进行多尺度分解,确定所述相电流数据中的局部异常类型。
在本发明一些实施例中,所述若所述电机的运行状态为电机负载异常,则计算所述相电流数据的波形参数,确定所述相电流数据中的异常数据段包括:
若所述电机的运行状态为电机负载异常,则根据预设周期计算所述相电流数据的至少一个周期的波形参数;
将各所述波形参数与预设参数阈值进行比对,确定所述波形参数对应周期内的波段是否为异常波段;
统计各所述异常波段,得到所述相电流数据中的异常数据段。
在本发明一些实施例中,所述对所述相电流数据进行特征提取,根据提取的特征得到所述电机的运行状态,包括:
对所述相电流数据进行时频域变换,得到所述相电流数据的频域数据;
计算所述频域数据中的幅值最大值与幅值最小值之间的差值,将所述差值作为所述电机的运行频率特征;
通过所述相电流数据的波形参数对所述相电流数据进行峰值电流检测,得到所述电机的负载特征;
根据所述运行频率特征和所述负载特征,得到所述电机的运行状态。
在本发明一些实施例中,所述根据所述运行频率特征和所述负载特征,得到所述电机的运行状态之后,所述方法包括:
将所述运行频域特征和所述负载特征分别与预设运行频率阈值和预设负载特征阈值进行比较;
若所述运行频域特征大于所述预设运行频率阈值,和/或所述负载特征大于所述预设负载特征阈值,则根据所述运行频率特征值和所述负载特征,判断所述电机的运行状态是否为电机负载异常。
在本发明一些实施例中,所述通过所述相电流数据的电流斜率对所述相电流数据进行峰值电流检测,得到所述电机的负载特征包括:
每间隔预设时间,获取连续两个采样时刻之间的电流差值,根据所述电流差和所述两个采样时刻之间的时间差,得到所述相电流数据的波形参数;
根据各所述波形参数的数值确定所述相电流数据的峰值电流;
统计各所述峰值电流,得到所述峰值电流的统计特征,根据所述统计特征得到所述电机的负载特征。
在本发明一些实施例中,所述对所述异常数据段进行多尺度分解,确定所述相电流数据中的局部异常类型包括:
对所述异常数据段进行多尺度分解,得到所述异常数据段的幅值、频率、相位和多尺度分解系数中至少一种波形特征;
将各所述波形特征与预设波形特征进行匹配,确定所述相电流数据中的局部异常类型。
在本发明一些实施例中,所述对所述异常数据段进行多尺度分解,确定所述相电流数据中的局部异常类型,还包括:
通过小波分析对所述异常数据段进行多尺度分解,得到所述异常数据段在各小波频带节点下的波形特征;
通过对比所述波形特征与预设波形特征,通过判断所述波形特征与所述预设波形特征是否存在差异,确定所述相电流数据是否存在局部异常;
若所述相电流数据存在局部异常,则确定存在差异的波形特征所在的频段;
对所述频段进行小波重构和时频域变换,得到所述频段的频谱;
根据预设频谱与异常类型的映射关系,得到所述频谱对应的局部异常类型。
另一方面,本发明实施例提供一种电机运行状态监测装置,所述电机运行状态监测装置包括:
采集模块,用于获取电机的相电流数据;
状态提取模块,用于对所述相电流数据进行特征提取,根据提取的特征得到所述电机的运行状态;
异常定位模块,用于若所述电机的运行状态为电机负载异常,则计算所述相电流数据的波形参数,确定所述相电流数据中的异常数据段;
局部监测模块,用于对所述异常数据段进行多尺度分解,确定所述相电流数据中的局部异常类型。
另一方面,本发明实施例提供一种电机运行状态监测设备,所述电机运行状态监测设备包括存储器和处理器;所述存储器存储有应用程序,所述处理器用于运行所述存储器内的应用程序,以执行所述的电机运行状态监测方法中的操作。
另一方面,本发明实施例提供一种存储介质,所述存储介质存储有多条指令,所述指令适于处理器进行加载,以执行所述的电机运行状态监测方法中的步骤。
本发明实施例考虑电机运行状态与相电流的运行特征的相关性,通过获取电机的相电流数据,确定相电流的整体运行特征,根据整体运行特征确定局部异常数据段,通过对局部异常数据段进行多尺度分解,得到电机的运行状态,通过多尺度分解对局部异常数据段进行多尺度细化,提高局部特征的提取精度,提高电机的异常识别的准确度;并且仅对局部异常数据段进行多尺度分解,减少计算资源。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的电机矢量控制系统的一个实施例结构示意图;
图2是本发明实施例提供的电机运行状态监测方法的一个实施例流程示意图;
图3是本发明实施例提供的电机运行状态监测方法中确定局部异常的一个实施例流程示意图;
图4是本发明实施例提供的电机运行状态监测中局部异常类型确定的一个实施例流程示意图;
图5是本发明实施例提供的电机运行状态监测方法中确定异常数据段的一个实施例流程示意图;
图6是本发明实施例提供的电机运行状态监测方法中相电流数据的特征提取的一个实施例流程示意图;
图7是本发明实施例提供的电机运行状态监测方法中峰值电流检测的一个实施例流程示意图;
图8是本发明实施例提供的电机运行状态监测方法中确定电机的运行状态的一个实施例流程示意图;
图9是本发明实施例提供的电机运行状态监测方法的一个应用场景示意图;
图10是本发明实施例提供的电机运行状态监测装置的一个实施例结构示意图;
图11是本发明实施例提供的电机运行状态监测设备的一个实施结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例提供一种电机运行状态监测方法、装置、设备和存储介质。根据本发明实施例提供的一种电机运行状态监测方法的实施例,需要说明的是,在附图的流程示意图中示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且虽然在流程示意图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
在本发明实施例提供的电机运行状态监测方法的实施例中,电机运行状态监测方法运行于设备中,该设备可以是服务器,也可以是终端,例如空调、台式电脑等设备。
在本发明一些实施例中,为了减少外接监测器来监测电机运行状态产生的硬件成本,通过电机矢量控制系统对永磁同步电机的运行状态进行监测,不需要外接监测器对永磁同步电机的运行状态进行监测。其中,电机矢量控制系统用于控制永磁同步电机的运行,如图1所示,图1是本发明实施例提供的电机矢量控制系统的一个实施例结构示意图,所示的电机矢量控制系统包括:永磁同步电机101、位置检测模块102、第一坐标变换模块103、第二坐标变换模块104、PI速度环控制器108(PI,全称:Proportion Integration,中文:比例积分)、最大转矩电流比模块MTPA105(MTPA,中文:最大转矩电流比控制)、第一PI电流调节器106、第二PI电流调节器107、第三坐标变换模块109、电压调制模块SVPWM110(SVPWM,全称:Space Vector Pulse Width Modulation,中文:空间矢量脉宽调制)、逆变器111、状态检测模块112和监测模块113。
其中,采集到的电机三相输出电流IA、IB和IC输入第一坐标变换模块103,其中第一坐标变换模块103是三相静止到两相静止的坐标变换模块,得到两相静止电流Iα和Iβ,然后将Iα和Iβ输入第二坐标变换模块104,得到Id和Iq,其中,第二坐标变换模块104是两相静止到两相旋转的坐标变换模块。
将最大转矩电流比模块MPTA105得到的dq轴电流参考值和/>与dq轴实际输出的电流值Id和Iq比较后分别输入第一PI电流调节器106和第二PI电流调节器107,得到电压给定值/>和/>
将电压给定值和/>以及dq轴实际输出的电流值Id和Iq输入位置检测模块112,得到永磁同步电机101的转速值wr,将转速值wr与给定的电机转速值/>输入到PI速度环控制器108中,经过PI运算得到电流矢量参考值/>经过最大转矩电流比模块MPTA105得到dq轴电流参考值/>和/>
将电压给定值和/>输入到第三坐标变换模块109,其中,第三坐标变换模块109是两相旋转到两相静止的坐标变换模块,并将经过第三坐标变换模块109转换后的电压给定值/>和/>输入到电压调制模块SVPWM110,得到六路PWM信号输出,并由逆变器111,得到三相输出电压来驱动永磁同步电机101的运行。
根据三相输出电压得到永磁同步电机101的相电流,将永磁同步电机101的相电流输入到状态检测模块112得到电机的运行状态,将永磁同步电机101的运行状态输入监测模块113,监测模块113根据永磁同步电机101的运行状态确定故障类型。
本发明实施例中,在电机矢量控制系统基础上增加状态检测模块112和监测模块113,通过状态检测模块112和监测模块113分析永磁同步电机101的相电流,自动监测永磁同步电机101的运行状态,不需要外设监测器,降低成本。
如图2所示,图2是本发明实施例提供的电机运行状态监测方法的一个实施例流程示意图,需要说明的是,本发明实施例中的电机指的是永磁同步电机,所示的电机运行状态监测方法包括步骤201~204:
步骤201,获取电机的相电流数据。
相电流数据是永磁同步电机中每相负载的电流。
在本发明一些实施例中,可以通过AD(全称:Analog-to-digital,中文:模拟数字)采样获取电机的相电流数据,具体地,读取分析参数,根据分析参数确定AD采样的采样周期、采样时间间隔、采样频率、采样点等中至少一个采样参数,根据采样参数对电机的三相电流进行采样,得到采样数据,通过带通滤波器、低通滤波器和高通滤波器中至少一种滤波器对采样数据进行滤波处理,过去采样数据中非电流数据,得到电机的相电流数据。其中分析参数包括电机矢量控制系统中预设的控制参数、电机的参数、预设参数中的一种或多种,控制参数是电机矢量控制系统的PI参数;电机的参数是电机的极对数、额定运行频率、额定负载、额定电流、额定电压中的一种或多种;预设参数是电机运行状态监测方法中预先设置的阈值、范围、时间、周期中的一种或多种。
步骤202,对相电流数据进行特征提取,根据提取的特征得到电机的运行状态。
在本发明一些实施例中,提取的特征包括相电流数据的时域特征、相电流数据的频域特征、相电流数据的峰-峰值、相电流数据的幅值等中的一种或多种。可以通过时频域分析、峰值电流检测对相电流数据进行特征提取。
电机的运行状态是通过电机的频率运行状态和电机的负载力矩状态确定的,其中,电机的频率运行状态用于指示电机的运行频率的稳定性,电机的频率运行状态包括频率运行稳定和频率运行异常,在本发明一些实施例中,可以通过相电流数据的频率波动范围确定电机的频率运行状态,具体地,将相电流数据的频率波动范围与预设频率波动范围进行比较,当相电流数据的频率波动范围大于预设频率波动范围,说明电机的运行频率的波动范围较大,则判定频率运行异常;当相电流数据的频率波动范围小于或等于预设频率波动范围,说明电机的运行频率的波动范围较小,则判定频率运行稳定。
电机的负载力矩状态用于指示电机的输出负载力矩的稳定性,其中输出负载力矩的稳定性是指电机对负载变化的动态响应能力,即,当电机负载变化时,电机矢量控制系统根据变化后的负载调整电机矢量控制系统中的控制参数,通过控制参数调整电机的电流、转速、电压、频率中的一种或多种,使电机的运行平稳。由于电机的负载变化时,电机对应相电流也变化,并且负载增大,对应相电流增大,因此在本发明一些实施例中,可以通过相电流数据的峰值电流波动范围确定电机的负载力矩状态,其中,峰值电流是相电流数据中电流波形的波峰对应的电流值,将相电流数据的峰值电流波动范围与预设峰值电流波动范围进行比较,当相电流数据的峰值电流波动范围大于预设峰值电流波动范围时,说明电机的负载发生了突变,电机的负载力矩出现波动,则判定电机的负载力矩异常;当相电流数据的峰值电流波动范围小于预设峰值电流波动范围时,说明电机的负载稳定,则判定电机的负载力矩稳定。
电机的运行状态包括但不限于电机正常运行、电机运行频率波动异常、电机负载异常、控制参数调节不当、电机转子磨损,其中,电机运行频率波动异常指的是电机在根据预设运行频率进行运行时,输出的实际运行频率与预设运行频率的差值大于预设频率差值,即电机的运行频率不平稳,输出的实际运行频率出现波动;电机负载异常指的是电机根据预设负载进行运行时,输出的实际峰值电流与预设峰值电流的差值大于预设电流差值,即电机的输出负载力矩不平稳;控制参数调节不当指的是电机矢量控制系统中参数调节不当造成的电机的运行频率不稳定。
步骤203,若电机的运行状态为电机负载异常,则计算相电流数据的波形参数,确定相电流数据中的异常数据段。
在本发明一些实施例中,波形参数指的是相电流数据的电流斜率。
异常数据段是相电流数据中出现峰值电流异常波动的电流波段。
在本发明一些实施例中,若电机的运行状态为电机负载异常,通过相电流数据的波形参数,识别出相电流数据中局部的异常波段。具体地,包括:若电机的运行状态为电机负载异常,则获取出现峰值电流异常波动的电流波段,以峰值电流异常波动的电流波段作为中心点,获取峰值电流异常波动的电流波段的前n电流波段,获取峰值电流异常波动的电流波段的后n电流波段,计算2n+1个电流波段的波形参数,将波形参数与预设波形参数进行比较,将波形参数大于预设波形参数对应的电流波段作为相电流数据中的异常数据段。其中n为大于或等于0的正整数。
在本发明一些实施例中,为了提高异常数据段的定位准确性,在计算相电流数据的波形参数过程中,按照预设电流周期对2n+1个电流波段进行划分,得到m个子电流波段,其中m<2n+1,计算m个子电流波段中各个电流波段的波形参数,将波形参数与预设波形参数进行比较,将波形参数大于预设波形参数对应的子电流波段作为相电流数据中的异常数据段。
步骤204,对异常数据段进行多尺度分解,确定相电流数据中的局部异常类型。
多尺度分解包括但不限于使用小波分解、离散小波分解、双树复小波分解、轮廓波分解。
局部异常类型包括但不限于电机转子断条、气隙偏心、电机定子匝间短路、电机转子卡顿。
在本发明一些实施例中,在电机发生负载突变,转子卡顿时,相电流波形可能会存在局部畸变或陡增的情形,为了识别出电机是否发生局部异常,对异常数据段进行多尺度分解,得到异常数据段的波形特征,根据波形特征确定相电流数据是否存在局部异常,其中波形特征是异常数据段的幅值、频率、相位和多尺度分解系数中至少一种。具体地,如图3所示,图3是本发明实施例提供的电机运行状态监测方法中确定局部异常的一个实施例流程示意图,所示的局部异常确定方法包括步骤301~302:
步骤301,对异常数据段进行多尺度分解,得到异常数据段的幅值、频率、相位和多尺度分解系数中至少一种波形特征。
通过小波分解、离散小波分解、双树复小波分解、轮廓波分解中任意一种分解方法,对异常数据段进行多尺度分解,得到异常数据段各个尺度的幅值、频率、相位和多尺度分解系数中至少一种波形特征。
步骤302,将各波形特征与预设波形特征进行匹配,确定相电流数据中的局部异常类型。
预设波形特征是正常电流波段的波形特征,用于判断波形特征是否异常,预设波形特征包括预设幅值、预设频率、预设相位和预设多尺度分解系数中至少一种。
匹配是指各波形特征与预设波形特征的相似程度,在本发明一些实施例中,将各波形特征与预设波形特征进行匹配,若各波形特征与预设波形特征匹配,则相电流数据不存在局部异常,若各波形特征与预设波形特征不匹配,则相电流数据存在局部异常。具体地,可以是将各波形特征与预设波形特征进行比对,如果各波形特征大于预设波形特征,说明各波形特征与预设波形特征相似程度低,即各波形特征与预设波形特征不匹配,则判定电流数据存在局部异常;如果各波形特征小于或等于预设波形特征,说明各波形特征与预设波形特征相似程度高,即各波形特征与预设波形特征匹配,则判定电流数据不存在局部异常。示例性的,将幅值、频率、相位和多尺度分解系数与对应的预设幅值、预设频率、预设相位和预设多尺度分解系数进行比对,如果满足幅值大于预设幅值、频率大于预设频率、相位大于预设相位、多尺度分解系数大于预设多尺度分解系数至少一种,说明波形特征与预设波形特征相似程度低,即波形特征与预设波形特征不匹配,则判定电流数据存在局部异常;如果幅值小于或等于预设幅值、频率小于或等于预设频率、相位小于或等于预设相位和多尺度分解系数小于或等于预设多尺度分解系数,说明波形特征与预设波形特征相似程度高,即波形特征与预设波形特征匹配,则判定电流数据不存在局部异常。
在本发明一些实施例中,将各波形特征与预设波形特征进行匹配,可以通过计算各波形特征与预设波形特征之间的差值,根据差值确定相电流数据是否存在局部异常,具体地,计算幅值与预设幅值、频率与预设频率、相位与预设相位、多尺度分解系数与预设多尺度分解系数之间至少一种差值,将每一个差值与对应差值阈值进行比对,如果每一个差值都小于或等于对应差值阈值,说明相电流数据不存在局部异常;如果每一个差值大于对应差值阈值,说明相电流数据存在局部异常。
在本发明一些实施例中,若相电流数据存在局部异常,则输出提示信息。在相电流数据存在局部异常时,则输出提示信息,提示用户或工作人员进行检修。
在本发明一些实施例中,当相电流数据存在局部异常时,则根据异常数据段各个尺度的幅值、频率、相位和多尺度分解系数中至少一种波形特征,确定局部异常类型,具体地,当相电流数据存在局部异常时,根据异常数据段各个尺度的幅值、频率、相位和多尺度分解系数中至少一种波形特征,通过预设特征与故障类型的映射模型,得到波形特征的局部异常类型。其中,预设特征与故障类型的映射模型可以是神经网络模型,例如分类模型;预设特征与故障类型的映射模型也可以是数据模型,例如数据拟合模型。在本发明一些实施例中,可以通过预先实验采集电机的局部故障类型和对应波形特征,利用波形特征与对应局部故障类型的映射关系,确定局部异常类型。
在本发明中,对异常数据段进行多尺度分解,利用多尺度分解得到波形特征,确定相电流数据中是否存在局部异常,利用多尺度分解对异常波段进行尺度细化,提高局部异常判断的准确性,并在存在局部异常时,输出提示信息,确保电机的安全运行。
本发明实施例考虑电机运行状态与相电流的运行特征的相关性,通过获取电机的相电流数据,确定相电流的整体运行特征,根据整体运行特征确定局部异常数据段,通过对局部异常数据段进行多尺度分解,得到电机的运行状态,通过多尺度分解对局部异常数据段进行多尺度细化,提高局部特征的提取精度,提高电机的异常识别的准确度;并且仅对局部异常数据段进行多尺度分解,减少计算资源。
在本发明一些实施例中,为了在电机发生负载突变,转子卡顿时,相电流波形可能会存在局部畸变或陡增的情形,为了识别出电机是否发生局部异常,并确定局部异常类型,在步骤204中,通过小波分析对异常数据段进行对尺度分解,根据各小波频带节点下的波形特征,确定局部异常类型,具体地,如图4所示,图4是本发明实施例提供的电机运行状态监测中局部异常类型确定的一个实施例流程示意图,所示的局部异常类型确定包括步骤401~405:
步骤401,通过小波分析对异常数据段进行多尺度分解,得到异常数据段在各小波频带节点下的波形特征。
各小波频带节点下的波形特征指的是各个分解层中每个节点下小波分解系数和对应的节点能量。
示例性的,以小波分析中小波分解层数是3层为例进行说明,通过3层分解层小波分析对异常数据段进行多尺度分解,将异常数据段划分到8个细分的频带,通过计算得到第3层第i节点S(3,i)对应的节点能量,其中表示第3层第i个节点的小波分解系数。
步骤402,通过对比波形特征与预设波形特征,判断波形特征与预设波形特征是否存在差异,确定相电流数据是否存在局部异常。
预设波形特征指的是正常电流波段的波形特征,包括正常电流波段对应的中每个节点下小波分解系数和对应的节点能量。
在本发明一些实施例中,通过对比波形特征与预设波形特征,确定正常波段与异常数据段在不同频带信号数据能量分布是否存在差异;如果存在差异,则确定相电流数据存在局部异常;如果不存在差异,则确定相电流数据不存在局部异常。
步骤403,若相电流数据存在局部异常,则确定存在差异的波形特征所在的频段。
在本发明一些实施例中,当电机发生局部故障时,相电流数据中出现一定幅值的故障特征频率,则故障特征频率所在的频段的能量也会相应升高,因此,若相电流数据存在局部异常,即正常波段与异常数据段在不同频带信号数据能量分布不同,则将能量相差悬殊的频段作为存在差异的波形特征所在的频段。
步骤404,对频段进行小波重构和时频域变换,得到频段的频谱。
在本发明一些实施例中,对存在差异的波形特征所在的频段进行小波重构,通过傅里叶变换对重构的频段进行时频域变换,得到频段对应的频谱。
步骤405,根据预设频谱与异常类型的映射关系,得到频谱对应的局部异常类型。
预设频谱与异常类型的映射关系用于指示频谱中频率分量与异常类型的对应的关系,例如,当频谱存在(1-2*s)*f频率分量时,频谱对应的局部异常类型为电机气隙偏心;当频谱中存在频率分量时,频谱对应的局部异常类型为电机转子断条;当频谱中存在(1-4*s)*f频率分量时,频谱对应的局部异常类型为电机定子匝间短路;当频谱中存在(1-2*s)*f频率分量时,频谱对应的局部异常类型为电机转子卡顿。其中,f是电机预设运行频率,s是电机转差率。需要说明的是,上述预设频谱与异常类型的映射关系中频率分量和对应局部异常类型仅为示例性说明,本发明实施例对频率分量和对应局部异常类型不做限定,当电机的类型、电机的预设运行频率、电机的预设负载、电机工作环境变化时,预设频谱与异常类型的映射关系中频率分量和对应局部异常类型随之调整。
在本发明一些实施例中,在电机的运行状态为电机负载异常时,根据相电流数据的波形参数确定异常数据段,具体地,如图5所示,图5是本发明实施例提供的电机运行状态监测方法中确定异常数据段的一个实施例流程示意图,所示的异常数据段的确定方法包括步骤501~503:
步骤501,若电机的运行状态为电机负载异常,则根据预设周期计算相电流数据的至少一个周期的波形参数。
预设周期用于指示波形参数计算中的采样精度,预设周期大于或等于相电流数据的采样时间间隔。
在本发明一些实施例中,若电机的运行状态为电机负载异常,则按照预设周期为间隔对相电流数据进行划分,对每一个周期内的电流波段,计算电流的斜率,将斜率作为波形参数。
在本发明一些实施例中,为了减少波形参数计算的计算量,若电机的运行状态为电机负载异常时,获取出现峰值电流异常波动的电流波段,以峰值电流异常波动的电流波段作为中心点,获取峰值电流异常波动的电流波段的前n电流波段,获取峰值电流异常波动的电流波段的后n电流波段,通过预设周期为间隔对2n+1个电流波段进行划分,得到m个子电流波段,其中m<2n+1,对每一个周期内的子电流波段,计算电流的斜率,将斜率作为波形参数。
在本发明一些实施例中,在计算波形参数时,获取相电流数据或电流波段中采样时刻相邻的两个采样时刻对应的电流值,计算两个采样时刻的电流差和时间差,通过电流差除以时间差得到采样时刻相邻的两个采样时刻之间的斜率;对每一个周期内的子电流波段,计算采样时刻相邻的两个采样时刻之间的斜率,统计多个斜率计算斜率的均值,将斜率的均值作为波形参数。
在本发明一些实施例中,在计算波形参数时,对每一个周期内的子电流波段,计算采样时刻相邻的两个采样时刻之间的斜率,将每一个周期内的子电流波段对应的多个斜率组成一组数组,按照采样时刻对各斜率进行排序,得到一组有序的斜率数组,将斜率数组作为波形参数。
步骤502,将各波形参数与预设参数阈值进行比对,确定波形参数对应周期内的波段是否为异常波段。
预设参数阈值包括正常电流波段的斜率、斜率均值、斜率差值、斜率变化状态。
在本发明一些实施例中,将各波形参数与预设参数阈值进行比对存在多种方式,示例的包括:
(1)当波形参数是斜率时,将各斜率与预设参数阈值进行比较,如果斜率大于预设参数阈值,说明该斜率异常,该斜率对应的电流波段发生畸变,则判定该斜率对应周期内的波段为异常波段;如果斜率小于或等于预设参数阈值,说明该斜率正常,该斜率对应的电流波段变化正常,则判定该斜率对应周期内的波段不是异常波段。
(2)当波形参数是斜率的均值时,将斜率的均值与预设参数阈值进行比较,如果斜率的均值大于预设参数阈值,说明该斜率的均值对应的电流波段发生畸变,则判定周期内的波段为异常波段;如果斜率的均值小于或等于预设参数阈值,说明该斜率的均值对应的电流波段变化正常,则判定周期内的波段不是异常波段。
(3)当波形参数是斜率数组时,计算斜率数组中相邻斜率之间的斜率差值,根据各斜率差值确定该斜率数组对应周期内电流波段的斜率变化状态,判断斜率变化状态是否满足预设变化状态,如果不满足预设变化状态,则判定周期内的波段为异常波段;如果满足预设变化状态,则判定周期内的波段不是异常波段。其中预设变化状态包括斜率递减和斜率递增,即根据各斜率差值确定该斜率数组对应周期内电流波段的斜率变化状态,如果斜率变化状态不是斜率递增,也不是斜率递减,说明斜率变化状态出现异常变化,则判定斜率变化状态不满足预设变化状态。
步骤503,统计各异常波段,得到相电流数据中的异常数据段。
对各异常波段的采样时刻、所在的采样周期进行定位,确定各异常波段在相电流数据中的位置,提取各异常波段对应波段数据,将各波段数据与对应位置进行关联,得到相电流数据中的异常数据段。其中波段数据包括异常波段的采样时刻、采样时刻对应的电流值、异常波段的波形、异常波段的波形参数中一种或多种。
在本发明一些实施例中,为了提高电机的运行状态的识别准确性,在相电流数据的特征提取中,通过时频域分析从相电流数据中提取电机的运行频率特征和负载特征,利用运行频率特征和负载特征确定电机的运行状态和异常类型,其中运行频率特征是用于指示电机的频率运行状态,负载特征用于指示电机的负载力矩状态。具体地,如图6所示,图6是本发明实施例提供的电机运行状态监测方法中相电流数据的特征提取的一个实施例流程示意图,所示的相电流数据的特征提取方法包括步骤601~604:
步骤601,对相电流数据进行时频域变换,得到相电流数据的频域数据。
时频域变换可以是傅立叶变换,即对相电流数据进行傅立叶变换,得到相电流数据的频域数据。
频域数据是相电流数据在频域中的基波频率,其中基波频率是相电流数据在频域中的基波分量对应的频率。
在本发明一些实施例中,通过傅立叶变换将相电流数据变换到频域,通过傅立叶分析提取相电流数据在频域中的基波频率。
步骤602,计算频域数据中的幅值最大值与幅值最小值之间的差值,将差值作为电机的运行频率特征。
电机的运行频率特征表征电机的运行频率的波动范围,用于指示电机的频率运行状态。
在本发明一些实施例中,获取频域数据中的幅值最大值和幅值最小值,通过幅值最大值减去幅值最小值得到幅值最大值与幅值最小值之间的差值,将差值作为电机的运行频率特征。
步骤603,通过相电流数据的波形参数对相电流数据进行峰值电流检测,得到电机的负载特征。
负载特征表征电机的峰值电流的波动范围,用于指示电机的负载力矩状态。
峰值电流检测是根据相电流数据中峰值电流计算峰值电流之间的波动范围。其中峰值电流是相电流数据中电流波形波峰对应的电流值。
在本发明一些实施例中,可以通过计算相电流数据的波形参数进行峰值电流检测,具体地,如图7所示,图7是本发明实施例提供的电机运行状态监测方法中峰值电流检测的一个实施例流程示意图,所示的峰值电流检测方法包括步骤701~703:
步骤701,每间隔预设时间,获取连续两个采样时刻之间的电流差,根据电流差和两个采样时刻之间的时间差,得到相电流数据的波形参数。
间隔预设时间可以根据电机的零点次数确定的,具体地,在确定一个采样电流波段后,对相电流数据进行零点检测,将第1个零点对应采样时刻作为第一时间,记录相电流数据中的零点次数,当零点次数等于预设数值时,将该零点对应的采样时刻作为第二时间,计算第二时间与第二时间之间的时间差,将时间差作为预设时间。其中第1个零点是确定峰值电流之后,相电流数据出现的第一个零点。预设数值是根据电机的极对数确定的,例如当极对数是Pn时,预设数值是2*Pn,理解为,在确定上一个电流波段的波形参数后,对相电流数据进行零点检测,当零点次数等于2*Pn时,再次获取当前电流波段中连续两个采样时刻之间的电流差值,根据电流差和两个采样时刻之间的时间差,得到当前电流波段的波形参数。
在本发明一些实施例中,在计算波形参数时,将电流波段中电流上升斜率的最低值作为波形参数,其中,电流上升斜率可以是电流波段中波谷到波峰之间的波形对应的斜率,电流上升斜率还可以是电流波段中零点到下一个波峰之间的波形对应的斜率。具体地,计算波形参数包括步骤a1~a3:
步骤a1,获取当前连续两个采样时刻中各采样时刻对应的电流值,根据两个电流值计算两个采样时刻之间的电流差,根据电流差和两个采样时刻之间的时间差得到斜率。
步骤a2,按照步骤a1的方法,不断迭代,计算连续上升波形中的多个电流上升斜率。
步骤a3,获取电流上升斜率中的斜率最小值,将斜率最小值作为波形参数。
步骤702,根据各波形参数确定相电流数据的峰值电流。
将波形参数对应的电流值作为相电流数据的峰值电流,在本发明一些实施例中,可以将波形参数对应的两个电流值进行平均处理得到电流均值,将电流均值作为相电流数据的峰值电流;在本发明一些实施例中,可以将波形参数对应的两个电流值中的电流最大值作为相电流数据的峰值电流。
步骤703,统计各峰值电流,得到峰值电流的统计特征,根据统计特征得到所述电机的负载特征。
统计特征包括均值、方差、标准差、众数、中位数中的一种或多种。
在本发明一些实施例中,为了获得各峰值电流之间的离散程度,根据离散程度确定各峰值电流的波动范围,将方差作为峰值电流的统计特征,具体地,包括,统计各峰值电流,计算峰值电流的方差,将方差作为得到电机的负载特征。
在本发明实施例中,通过波形参数确定峰值电流的位置,并确定峰值电流的电流值,通过计算峰值电流的方差得到电机的负载特征,利用方差反映相电流数据的峰值电流之间的离散程度,进而确相电流数据的峰值电流的波动范围,并将相电流数据的波动范围作为电机的负载特征,直观的反映峰值电流的波动范围,以确定电机的负载特征。
步骤604,根据运行频率特征和负载特征,得到电机的运行状态。
在本发明一些实施例中,将运行频率特征值和负载特征分别与预设运行频率阈值和预设负载特征阈值进行比较,根据比较结果得到电机的运行状态,具体地,如图8所示,图8是本发明实施例提供的电机运行状态监测方法中确定电机的运行状态的一个实施例流程示意图,所示的电机的运行状态确定方法包括步骤801~802:
步骤801,将运行频域特征和负载特征分别与预设运行频率阈值和预设负载特征阈值进行比较。
预设运行频率阈值是电机按照预设运行频率运行时对应的正常频率波动范围,预设负载特征阈值是电机按照预设负载运行时对应的正常峰值电流波动范围。
步骤802,若负载特征大于所述预设负载特征阈值,和/或运行频域特征大于所述预设运行频率阈值,则判定电机的运行状态为电机负载异常。
在本发明一些实施例中,将运行频域特征和所述负载特征分别与预设运行频率阈值和预设负载特征阈值进行比较确定电机的运行状态是否存在异常,若运行频域特征大于预设运行频率阈值,和/或负载特征大于预设负载特征阈值,说明电机的运行状态存在异常,则获取异常类型,确定电机的运行状态是否电机负载异常。其中,在确定电机的运行状态是否存在异常时,若运行频域特征大于预设运行频率阈值,说明电机的运行频率波动范围大于正常频率波动范围,即电机的运行频率不稳定,则判定电机的频率运行状态异常;若负载特征大于预设负载特征阈值,说明电机的峰值电流波动范围大于正常峰值电流波动范围,即电机的输出负载力矩不稳定,则判定电机的负载力矩状态异常;若电机的负载力矩状态异常,和/或电机的频率运行状态异常时,判定电机的运行状态存在异常。在本发明实施例中,通过预设运行频率阈值和预设负载特征阈值对运行频率特征值和负载特征进行判断,确定电机的运行频率波动范围和电机的峰值电流的波动范围,方便、快捷的确定电机的运行状态是否存在异常。
在本发明一些实施例中,若运行频域特征大于预设运行频率阈值,和/或负载特征大于预设负载特征阈值,即,当电机的运行状态存在异常时,根据运行频率特征值和负载特征确定异常类型,进而确定电机的运行状态是否为电机负载异常,具体地,若运行频域特征大于预设运行频率阈值,和/或负载特征大于预设负载特征阈值,则根据运行频率特征和负载特征,通过预设的运行状态与异常类型的映射关系,得到运行频率特征值和负载特征对应的异常类型。其中预设的运行状态与异常类型的映射关系用于指示频率运行状态与异常类型的对应关系,和负载力矩状态与异常类型的对应关系。例如当负载力矩状态异常,和电机的频率运行状态异常时,对应的异常类型为电机负载异常,则电机的运行状态为电机负载异常;当负载力矩状态正常,和电机的频率运行状态异常时,对应的异常类型为控制参数调节不当,则电机的运行状态为控制参数调节不当。
本发明实施例对相电流数据进行时频域分析得到相电流数据的运行频率特征和负载特征,根据负载特征和运行频率特征得到电机的运行状态,并当电机的运行状态存在故障时,确定电机的运行状态的故障类型,从相电流数据的整体上判断电机的运行状态是否存在故障,为后续相电流数据的局部异常提供数据支持。
在本发明一些实施例中,为了更好说明本发明实施例提供的电机运行状态监测方法,以通过小波分析进行多尺度分解、通过傅立叶变化进行时频域分析为例,提供电机运行状态监测方法的一个应用场景,如图9所示,图9是本发明实施例提供的电机运行状态监测方法的一个应用场景示意图,所示的应用场景中,电机运行状态监测方法包括步骤b1~b7:
步骤b1,读取分析参数,其中分析参数包括电机矢量控制系统中控制参数、电机的参数、预设参数中的一种或多种。
步骤b2,采集相电流数据。根据分析参数确定采样周期、采样频率和采样数量,根据采样周期、采样频率和采样数量对电机的输出电流进行采样,得到电机的相电流采样数据;对采样得到的相电流采样数据进行带通滤波、高通滤波和低通滤波中的一种或多种,去除相电流采样数据中非电流数据,得到相电流数据。
步骤b3,对相电流数据进行傅立叶分析,对相电流数据进行峰值电流检测。对相电流数据进行傅立叶变换,得到相电流数据的频域数据,根据频域数据得到相电流数据的运行频率特征。对相电流数据进行峰值电流检测,得到相电流数据的负载特征。
步骤b4,输出频率运行状态,输出负载力矩状态。根据运行频率特征确定电机的频率运行状态,输出电机的频率运行状态;根据负载特征确定电机的负载力矩状态,输出负载力矩状态。
步骤b5,判断电机的运行状态是否存在故障,若存在故障,则确定电机的故障类型。如果不存在故障,则判断是否对电机的运行状态进行下一周期分析。
步骤b6,当电机故障类型是电机负载异常时,确定异常数据段,对异常数据段进行小波分析。对异常数据段进行小波分析确定是否存在局部异常,如果存在局部异常,则确定局部异常的故障类型。
步骤b7,输出局部异常类型,并判断是否对电机的运行状态进行下一周期分析。
本发明实施例考虑电机运行状态与相电流的运行特征的相关性,通过获取电机的相电流数据,确定相电流的整体运行特征,根据整体运行特征确定局部异常数据段,通过对局部异常数据段进行多尺度分解,得到电机的运行状态,通过多尺度分解对局部异常数据段进行多尺度细化,提高局部特征的提取精度,提高电机的异常识别的准确度;并且仅对局部异常数据段进行多尺度分解,减少计算资源。
为了更好实施本发明实施例提供的电机运行状态监测方法,在电机运行状态监测方法实施例基础上,本发明实施例提供电机运行状态监测装置,如图10所示,图10是本发明实施例提供的电机运行状态监测装置的一个实施例结构示意图,所示的电机运行状态监测装置包括:
采集模块1001,用于获取电机的相电流数据;
状态提取模块1002,用于对相电流数据进行特征提取,根据提取的特征得到电机的运行状态;
异常定位模块1003,用于若电机的运行状态为电机负载异常,则计算相电流数据的波形参数,确定相电流数据中的异常数据段;
局部监测模块1004,用于对异常数据段进行多尺度分解,确定相电流数据中的局部异常类型。
在本发明一些实施例中,异常定位模块1003还用于若电机的运行状态为电机负载异常,则根据预设周期计算相电流数据的至少一个周期的波形参数;将各波形参数与预设参数阈值进行比对,确定波形参数对应周期内的波段是否为异常波段;统计各异常波段,得到相电流数据中的异常数据段。
在本发明一些实施例中,状态提取模块1002包括:
频域单元,用于对相电流数据进行时频域变换,得到相电流数据的频域数据;
频率特征提取单元,用于计算频域数据中的幅值最大值与幅值最小值之间的差值,将差值作为所述电机的运行频率特征;
负载特征提取单元,用于通过相电流数据的波形参数对相电流数据进行峰值电流检测,得到电机的负载特征;
运行状态确定单元,用于根据运行频率特征和所述负载特征,得到电机的运行状态。
在本发明一些实施例中,运行状态确定单元还用于运行频域特征和负载特征分别与预设运行频率阈值和预设负载特征阈值进行比较;若负载特征大于预设负载特征阈值,和/或运行频域特征大于预设运行频率阈值,则判定电机的运行状态为电机负载异常。
在本发明一些实施例中,负载特征提取单元还用于每间隔预设时间,获取连续两个采样时刻之间的电流差值,根据电流差和两个采样时刻之间的时间差,得到相电流数据的波形参数;根据各波形参数的数值确定相电流数据的峰值电流;统计各峰值电流,得到峰值电流的统计特征,根据统计特征得到电机的负载特征。
在本发明一些实施例中,局部监测模块1004包括:
分解单元,用于对异常数据段进行多尺度分解,得到异常数据段的幅值、频率、相位和多尺度分解系数中至少一种波形特征;
局部异常检测单元,用于将各波形特征与预设波形特征进行匹配,确定相电流数据中的局部异常类型。
在本发明一些实施例中,局部监测模块1004还包括:
小波分解单元,用于通过小波分析对异常数据段进行多尺度分解,得到异常数据段在各小波频带节点下的波形特征;
局部异常检测单元,用于通过对比波形特征与预设波形特征,通过判断波形特征与预设波形特征是否存在差异,确定电机相电流是否存在局部异常;
频段确定单元,用于若相电流数据存在局部异常,则确定存在差异的波形特征所在的频段;
小波重构单元,对频段进行小波重构和时频域变换,得到频段的频谱;
局部异常确定单元,用于根据预设频谱与异常类型的映射关系,得到频谱对应的局部异常类型。
本发明实施例考虑电机运行状态与相电流的运行特征的相关性,通过获取电机的相电流数据,确定相电流的整体运行特征,根据整体运行特征确定局部异常数据段,通过对局部异常数据段进行多尺度分解,得到电机的运行状态,通过多尺度分解对局部异常数据段进行多尺度细化,提高局部特征的提取精度,提高电机的异常识别的准确度;并且仅对局部异常数据段进行多尺度分解,减少计算资源。
本发明实施例还提供一种电机运行状态监测设备,如图11所示,其示出了本发明实施例所涉及的电机运行状态监测设备的结构示意图。
电机运行状态监测设备集成了本发明实施例提供的任一种电机运行状态监测装置,所示的电机运行状态监测设备包括:
存储器和处理器;所述存储器存储有应用程序,所述处理器用于运行所述存储器内的应用程序,以执行上述电机运行状态监测方法中的步骤来实现电机运行状态监测。具体来讲:
该电机运行状态监测设备可以包括一个或者一个以上处理核心的处理器1101、一个或一个以上计算机可读存储介质的存储器1102、电源1103和输入单元1104等部件。本领域技术人员可以理解,图11中示出的电机运行状态监测设备结构并不构成对电机运行状态监测设备的限定,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。其中:
处理器1101是该电机运行状态监测设备的控制中心,利用各种接口和线路连接整个电机运行状态监测设备的各个部分,通过运行或执行存储在存储器1102内的软件程序和/或模块,以及调用存储在存储器1102内的数据,执行电机运行状态监测设备的各种功能和处理数据,从而对电机运行状态监测设备进行整体监控。可选的,处理器1101可包括一个或多个处理核心;优选的,处理器1101可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作系统、用户界面和应用程序等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到处理器1101中。
存储器1102可用于存储软件程序以及模块,处理器1101通过运行存储在存储器1102的软件程序以及模块,从而执行各种功能应用以及数据处理。存储器1102可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据电机运行状态监测设备的使用所创建的数据等。此外,存储器1102可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地,存储器1102还可以包括存储器控制器,以提供处理器1101对存储器1102的访问。
电机运行状态监测设备还包括给各个部件供电的电源1103,优选的,电源1103可以通过电源管理系统与处理器1101逻辑相连,从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源1103还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。
该电机运行状态监测设备还可包括输入单元1104,该输入单元1104可用于接收输入的数字或字符信息,以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。
尽管未示出,电机运行状态监测设备还可以包括显示单元等,在此不再赘述。具体在本实施例中,电机运行状态监测设备中的处理器1101会按照如下的指令,将一个或一个以上的应用程序的进程对应的可执行文件加载到存储器1102中,并由处理器1101来运行存储在存储器1102中的应用程序,从而实现各种功能,如下:
获取电机的相电流数据;
对相电流数据进行特征提取,根据提取的特征得到电机的运行状态;
若电机的运行状态为电机负载异常,则计算相电流数据的波形参数,确定相电流数据中的异常数据段;
对异常数据段进行多尺度分解,确定相电流数据中的局部异常类型。
本领域普通技术人员可以理解,上述实施例的各种方法中的全部或部分步骤可以通过指令来完成,或通过指令控制相关的硬件来完成,该指令可以存储于一计算机可读存储介质中,并由处理器进行加载和执行。
为此,本发明实施例提供一种存储介质,其中存储有多条指令,该指令能够被处理器进行加载,以执行本发明实施例所提供的任一种电机运行状态监测方法中的步骤。例如,该指令可以执行如下步骤:
获取电机的相电流数据;
对相电流数据进行特征提取,根据提取的特征得到电机的运行状态;
若电机的运行状态为电机负载异常,则计算相电流数据的波形参数,确定相电流数据中的异常数据段;
对异常数据段进行多尺度分解,确定相电流数据中的局部异常类型。
以上各个操作的具体实施可参见前面的实施例,在此不再赘述。
其中,该存储介质可以包括:只读存储器(ROM,Read Only Memory)、随机存取记忆体(RAM,Random Access Memory)、磁盘或光盘等。
由于该存储介质中所存储的指令,可以执行本发明实施例所提供的任一种电机运行状态监测方法中的步骤,因此,可以实现本发明实施例所提供的任一种电机运行状态监测方法所能实现的有益效果,详见前面的实施例,在此不再赘述。
以上对本发明实施例所提供的一种电机运行状态监测方法、装置、设备和存储介质进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (9)
1.一种电机运行状态监测方法,其特征在于,所述方法包括:
获取电机的相电流数据;
对所述相电流数据进行特征提取,根据提取的特征得到所述电机的运行状态;
若所述电机的运行状态为电机负载异常,则计算所述相电流数据的波形参数,确定所述相电流数据中的异常数据段;
对所述异常数据段进行多尺度分解,确定所述相电流数据中的局部异常类型;
所述对所述相电流数据进行特征提取,根据提取的特征得到所述电机的运行状态,包括:
对所述相电流数据进行时频域变换,得到所述相电流数据的频域数据;
计算所述频域数据中的幅值最大值与幅值最小值之间的差值,将所述差值作为所述电机的运行频率特征;
通过所述相电流数据的波形参数对所述相电流数据进行峰值电流检测,得到所述电机的负载特征;
根据所述运行频率特征和所述负载特征,得到所述电机的运行状态。
2.如权利要求1所述的电机运行状态监测方法,其特征在于,所述若所述电机的运行状态为电机负载异常,则计算所述相电流数据的波形参数,确定所述相电流数据中的异常数据段包括:
若所述电机的运行状态为电机负载异常,则根据预设周期计算所述相电流数据的至少一个周期的波形参数;
将各所述波形参数与预设参数阈值进行比对,确定所述波形参数对应周期内的波段是否为异常波段;
统计各所述异常波段,得到所述相电流数据中的异常数据段。
3.如权利要求1所述的电机运行状态监测方法,其特征在于,所述根据所述运行频率特征和所述负载特征,得到所述电机的运行状态之后,所述方法包括:
将所述运行频率特征和所述负载特征分别与预设运行频率阈值和预设负载特征阈值进行比较;
若所述负载特征大于所述预设负载特征阈值,和/或所述运行频率特征大于所述预设运行频率阈值,则判定所述电机的运行状态为电机负载异常。
4.如权利要求1所述的电机运行状态监测方法,其特征在于,所述通过所述相电流数据的波形参数对所述相电流数据进行峰值电流检测,得到所述电机的负载特征包括:
每间隔预设时间,获取连续两个采样时刻之间的电流差值,根据所述电流差和所述两个采样时刻之间的时间差,得到所述相电流数据的波形参数;
根据各所述波形参数的数值确定所述相电流数据的峰值电流;
统计各所述峰值电流,得到所述峰值电流的统计特征,根据所述统计特征得到所述电机的负载特征。
5.如权利要求1至4任一项所述的电机运行状态监测方法,其特征在于,所述对所述异常数据段进行多尺度分解,确定所述相电流数据中的局部异常类型包括:
对所述异常数据段进行多尺度分解,得到所述异常数据段的幅值、频率、相位和多尺度分解系数中至少一种波形特征;
将各所述波形特征与预设波形特征进行匹配,确定所述相电流数据中的局部异常类型。
6.如权利要求1至4任一项所述的电机运行状态监测方法,其特征在于,所述对所述异常数据段进行多尺度分解,确定所述相电流数据中的局部异常类型,还包括:
通过小波分析对所述异常数据段进行多尺度分解,得到所述异常数据段在各小波频带节点下的波形特征;
通过对比所述波形特征与预设波形特征,通过判断所述波形特征与所述预设波形特征是否存在差异,确定所述相电流数据是否存在局部异常;
若所述相电流数据存在局部异常,则确定存在差异的波形特征所在的频段;
对所述频段进行小波重构和时频域变换,得到所述频段的频谱;
根据预设频谱与异常类型的映射关系,得到所述频谱对应的局部异常类型。
7.一种电机运行状态监测装置,其特征在于,所述电机运行状态监测系统包括:
采集模块,用于获取电机的相电流数据;
状态提取模块,用于对所述相电流数据进行特征提取,根据提取的特征得到所述电机的运行状态;
异常定位模块,用于若所述电机的运行状态为电机负载异常,则计算所述相电流数据的波形参数,确定所述相电流数据中的异常数据段;
局部监测模块,用于对所述异常数据段进行多尺度分解,确定所述相电流数据中的局部异常类型;
所述对所述相电流数据进行特征提取,根据提取的特征得到所述电机的运行状态,包括:
对所述相电流数据进行时频域变换,得到所述相电流数据的频域数据;
计算所述频域数据中的幅值最大值与幅值最小值之间的差值,将所述差值作为所述电机的运行频率特征;
通过所述相电流数据的波形参数对所述相电流数据进行峰值电流检测,得到所述电机的负载特征;
根据所述运行频率特征和所述负载特征,得到所述电机的运行状态。
8.一种电机运行状态监测设备,其特征在于,所述电机运行状态监测设备包括存储器和处理器;所述存储器存储有应用程序,所述处理器用于运行所述存储器内的应用程序,以执行权利要求1至6任一项所述的电机运行状态监测方法中的操作。
9.一种存储介质,其特征在于,所述存储介质存储有多条指令,所述指令适于处理器进行加载,以执行权利要求1至6任一项所述的电机运行状态监测方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110897710.9A CN113608119B (zh) | 2021-08-05 | 2021-08-05 | 电机运行状态监测方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110897710.9A CN113608119B (zh) | 2021-08-05 | 2021-08-05 | 电机运行状态监测方法、装置、设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113608119A CN113608119A (zh) | 2021-11-05 |
CN113608119B true CN113608119B (zh) | 2024-04-02 |
Family
ID=78307192
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110897710.9A Active CN113608119B (zh) | 2021-08-05 | 2021-08-05 | 电机运行状态监测方法、装置、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113608119B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116908677A (zh) * | 2023-06-06 | 2023-10-20 | 华能上海燃机发电有限责任公司 | 一种循环水滤网在线监测系统及方法 |
CN117110871A (zh) * | 2023-10-13 | 2023-11-24 | 北京中航科电测控技术股份有限公司 | 高功率密度永磁电机用测试台 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106324502A (zh) * | 2016-08-22 | 2017-01-11 | 哈尔滨理工大学 | 一种基于小波的异步电动机故障分析方法 |
WO2017221588A1 (ja) * | 2016-06-21 | 2017-12-28 | 三菱電機株式会社 | 負荷の異常検出装置 |
CN108152736A (zh) * | 2017-12-07 | 2018-06-12 | 上海大学 | 利用电机系统参数监测负载变化与系统异常的自主感知系统 |
CN108196187A (zh) * | 2018-01-11 | 2018-06-22 | 河海大学 | 双馈风力发电机转子绕组三相不对称负载故障诊断方法 |
CN110268623A (zh) * | 2017-02-03 | 2019-09-20 | 三菱电机株式会社 | 电动机的诊断装置 |
CN113009334A (zh) * | 2021-02-18 | 2021-06-22 | 华中科技大学 | 一种基于小波包能量分析的电机故障检测方法及系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB201404226D0 (en) * | 2014-03-11 | 2014-04-23 | Rolls Royce Plc | Fault detection in induction machines |
WO2020062180A1 (zh) * | 2018-09-29 | 2020-04-02 | 深圳市大疆创新科技有限公司 | 电机状态监测装置和电机状态监测方法 |
-
2021
- 2021-08-05 CN CN202110897710.9A patent/CN113608119B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017221588A1 (ja) * | 2016-06-21 | 2017-12-28 | 三菱電機株式会社 | 負荷の異常検出装置 |
CN109313233A (zh) * | 2016-06-21 | 2019-02-05 | 三菱电机株式会社 | 负载异常检测装置 |
CN106324502A (zh) * | 2016-08-22 | 2017-01-11 | 哈尔滨理工大学 | 一种基于小波的异步电动机故障分析方法 |
CN110268623A (zh) * | 2017-02-03 | 2019-09-20 | 三菱电机株式会社 | 电动机的诊断装置 |
CN108152736A (zh) * | 2017-12-07 | 2018-06-12 | 上海大学 | 利用电机系统参数监测负载变化与系统异常的自主感知系统 |
CN108196187A (zh) * | 2018-01-11 | 2018-06-22 | 河海大学 | 双馈风力发电机转子绕组三相不对称负载故障诊断方法 |
CN113009334A (zh) * | 2021-02-18 | 2021-06-22 | 华中科技大学 | 一种基于小波包能量分析的电机故障检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113608119A (zh) | 2021-11-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Quiroz et al. | Fault detection of broken rotor bar in LS-PMSM using random forests | |
Su et al. | Induction machine condition monitoring using neural network modeling | |
Yang et al. | Feature knowledge based fault detection of induction motors through the analysis of stator current data | |
CN113608119B (zh) | 电机运行状态监测方法、装置、设备和存储介质 | |
Zhang et al. | A novel detection method of motor broken rotor bars based on wavelet ridge | |
US6611771B1 (en) | Method and apparatus to detect a stator turn fault in an AC motor | |
Aydin et al. | A new method for early fault detection and diagnosis of broken rotor bars | |
CN112504511B (zh) | 一种发电机定子温度监测方法、装置及介质 | |
CN117056764B (zh) | 一种发电机组智能保护方法及系统 | |
WO2020225960A1 (en) | Method for estimating bearing fault severity for induction motors | |
Dias et al. | A histogram of oriented gradients approach for detecting broken bars in squirrel-cage induction motors | |
KR20080074441A (ko) | 지능형 전기품질 진단 분석 방법 | |
CN112582978A (zh) | 漏电保护方法、装置和充电桩 | |
CN116861316B (zh) | 一种电器监测方法及装置 | |
Fernandez-Temprano et al. | Broken bar condition monitoring of an induction motor under different supplies using a linear discriminant analysis | |
CN109635430A (zh) | 电网输电线路暂态信号监测方法和系统 | |
CN115343579B (zh) | 一种电网故障分析方法、装置及电子设备 | |
JP5985158B2 (ja) | 電気設備の良否診断システム | |
CN115685037A (zh) | 一种电流传感器的故障检测方法、装置及介质 | |
Bonaldi et al. | Using rough sets techniques as a fault diagnosis classifier for induction motors | |
Ondel et al. | FDI based on pattern recognition using Kalman prediction: Application to an induction machine | |
CN111880095A (zh) | 基于三相电流信号平方和的感应电机故障分析方法及系统 | |
Khelfi et al. | Temporal Envelope Estimation of Stator Current by Peaks Detection for IM Fault Diagnosis | |
CN112701683A (zh) | 非侵入式负荷检测与分解方法、系统以及存储介质 | |
Aydin et al. | A new real-time fuzzy logic based diagnosis of stator faults for inverter-fed induction motor under low speeds |
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 |