CN113748326A - 用于对感应电动机估计轴承故障严重性的方法 - Google Patents

用于对感应电动机估计轴承故障严重性的方法 Download PDF

Info

Publication number
CN113748326A
CN113748326A CN202080029971.2A CN202080029971A CN113748326A CN 113748326 A CN113748326 A CN 113748326A CN 202080029971 A CN202080029971 A CN 202080029971A CN 113748326 A CN113748326 A CN 113748326A
Authority
CN
China
Prior art keywords
fault
frequency
current
mutual inductance
severity
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
CN202080029971.2A
Other languages
English (en)
Other versions
CN113748326B (zh
Inventor
王炳南
张申
金丸诚
林重维
刘德红
K·H·泰欧
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.)
Mitsubishi Electric Corp
Original Assignee
Mitsubishi Electric Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Mitsubishi Electric Corp filed Critical Mitsubishi Electric Corp
Publication of CN113748326A publication Critical patent/CN113748326A/zh
Application granted granted Critical
Publication of CN113748326B publication Critical patent/CN113748326B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • G01M13/04—Bearings
    • 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
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02H—EMERGENCY PROTECTIVE CIRCUIT ARRANGEMENTS
    • H02H3/00—Emergency protective circuit arrangements for automatic disconnection directly responsive to an undesired change from normal electric working condition with or without subsequent reconnection ; integrated protection
    • H02H3/50—Emergency protective circuit arrangements for automatic disconnection directly responsive to an undesired change from normal electric working condition with or without subsequent reconnection ; integrated protection responsive to the appearance of abnormal wave forms, e.g. ac in dc installations
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02H—EMERGENCY PROTECTIVE CIRCUIT ARRANGEMENTS
    • H02H7/00—Emergency protective circuit arrangements specially adapted for specific types of electric machines or apparatus or for sectionalised protection of cable or line systems, and effecting automatic switching in the event of an undesired change from normal working conditions
    • H02H7/08—Emergency protective circuit arrangements specially adapted for specific types of electric machines or apparatus or for sectionalised protection of cable or line systems, and effecting automatic switching in the event of an undesired change from normal working conditions for dynamo-electric motors

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Tests Of Circuit Breakers, Generators, And Electric Motors (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
  • Protection Of Generators And Motors (AREA)
  • Control Of Ac Motors In General (AREA)
  • Control Of Electric Motors In General (AREA)

Abstract

一种用于估计感应电动机中的轴承故障的严重性的系统使用被设计用于故障频率集合的一组滤波器和一组量化模型。所述系统在接收到定子电流的测量时，使用第一滤波器从定子电流提取第一故障电流，使用第一量化模型从第一故障电流确定第一互感变化，并且利用故障严重性分类器对第一互感变化进行分类以确定感应电动机中的第一类型的故障的严重性。类似地，所述系统使用第二滤波器和第二量化模型来对第二类型的故障进行分类。所述系统输出感应电动机中的第一类型的故障的严重性和感应电动机中的第二类型的故障的严重性中的一个或它们的组合。

Description

用于对感应电动机估计轴承故障严重性的方法
技术领域
本发明总体上涉及感应电动机，更一般地涉及对电动机估计滚动元件轴承故障严重性。
背景技术
感应机器被广泛地用于包括泵、化学系统、石化系统、电气化运输系统等的各种工业应用中。在许多应用中，这些机器在一些不利的条件下被操作，诸如高周围温度、高湿度和过载，这些不利的条件可能最终导致电动机失灵，这导致高维修成本和由于意外的停机时间而导致的严重的经济损失。
感应机器的失灵一般可以归因于不同类别的各种故障，所述故障可以包括驱动逆变器故障、定子绕组绝缘击穿、转子断条故障、以及轴承故障和偏心度。由IEEE工业应用学会(IEEE-IAS)和日本电气制造商协会(JEMA)进行的感应机器的故障的几个调查揭示了轴承故障是最普遍的故障类型，并且占多于33％百分比。因此，对于开发对具有任意额定功率的电动机确定轴承故障的轴承故障检测算法存在强烈的需求。
一种类型的轴承故障检测是基于振动分析。通常被以位移、速度或加速度的形式测量，振动信号是滚动元件和内/外滚道之间的撞击的直接机械响应，如果一些缺陷或磨损由于疲劳或过大的径向负荷而出现的话。因此，可以通过测量振动信号并且执行某些信号处理技术来检测轴承故障。例如，US9574965公开了监视传感器和电动机旋转组件之间的间隙距离的变化的系统。然后，分析间隙信号的频谱，如果间隙信号的频谱能量超过指定的阈值，则可以确定电动机轴承故障或失衡。类似地，US2013/0096848遵循相同的思想体系，但是测量加速度、而不是位移来表示振动信号。
另一类型的轴承故障检测方法测量超声频率范围内的声学噪声发射，并且使用该信息来确定轴承故障的存在，参见，例如，US2012/0316796。类似于产生振动信号的机制，高频超声声学噪声信号也是通过滚动元件在轴承滚道上的撞击而产生的。该高频信号可以要么被解调到音频频谱中以执行音频检测，要么被变换到FFT频谱中。然后，可以通过与滚珠的数量、转速和已知的轴承健康条件的预存频谱进行比较来自动地检测轴承故障。
然而，基于振动或声学信号的轴承故障诊断的准确度可能受由于外部机械激励运动而导致的背景噪声的影响，而其灵敏度也会基于传感器安装位置而变化，参见，例如，US2014/0303913和US9618583。因此，用于轴承故障检测的替代方法通过分析在大多数控制中心或驱动逆变器中测量的感应机器定子电流来实现，因此将不会带来额外的装置或安装成本。
尽管有诸如经济节省和简单实现的优点，但是利用定子电流特征分析来实现轴承故障检测可能遇到许多实际的问题。例如，轴承故障特征频率处的定子电流的幅值在电动机自身的不同的负荷、不同的速度和不同的额定功率下可能变化，因此带来确定阈值定子电流以在任意的操作条件下触发故障警报的挑战。因此，在电动机仍在健康的条件下时的彻底的系统的测试通常是必需的，并且在目标电动机正在不同的负荷下、以不同的速度运行时，健康的数据将被收集。而且，该处理需要对于具有不同的额定功率的任何电动机重复进行。该机制在US5726905中被概括为“学习阶段”，健康的条件下的定子电流在US2013/0049733中被称为“基准电信号”。
除了FFT之外，其他的先进的信号处理技术和统计方法也被应用来提高利用电流特征分析的轴承故障检测的准确度和灵敏度。例如，US6727725公开了测量电动机起始瞬态电流并且应用小波变换的设备。表达时间关系和频谱关系这两者的小波频率子带被比较以检测由于电动机启动期间的轴承缺陷诱导的共振而导致的RMS值的变化。为了检测细微的轴承缺陷或者甚至被称为一般粗糙度的初期故障阶段，US7777516应用具有电流噪声消除的功能的维纳(Wiener)滤波器，其中嵌入有该算法的处理器重复地从操作的电动机接收实时的操作电流数据，并且移除噪声分量以隔离操作电流数据中存在的任何故障分量。
然而，所谓的“学习阶段”或密集的数据获取/存储对于大多数最新的现有方法仍是必需的，这有时需要巨大的数据集来检测甚至非致命的故障。另外，轴承故障的检测主要是以定性的方式执行的，而准确的故障条件不能被量化。因此，存在对于通用的、准确的且量化的、基于电流特征分析来检测感应电动机中的轴承故障的方法和系统的需要。
发明内容
技术问题
一些实施例的目的是估计感应电动机的操作中的不同类型的故障。另外，或可替代地，一些实施例的另一目的是提供利用电动机电流特征分析(MCSA)来估计安装在感应电动机上的滚动元件轴承的故障严重性(FS)的方法。另外，或可替代地，一些实施例的另一目的是除了测量感应电动机中的定子电流的传感器之外，不需要附加的测量和/或传感器来估计故障严重性。
问题的解决方案
一些实施例是基于以下认识，即，特定的故障频率处的故障电流的存在指示故障的类型。然而，特定的故障频率处的故障电流的幅值不一定指示故障的严重性。这是因为幅值根据电动机上的负荷和电动机速度而变化。所以，对于相同严重性的故障，不同幅值的故障电流可能被检测到。然而，一些实施例是基于以下认识，即，由故障引起的、感应电动机的定子和转子之间的气隙变化的幅值指示感应电动机中的故障的严重性，而不管感应电动机的类型如何，而气隙变化的频率指示故障的类型。实际上，气隙的变化的幅值相对于气隙的正常(常数)值越大，故障的严重性越高。另外，一些实施例认识到，对于相同类型的故障和相同严重性的故障，气隙变化对于不同类型的感应电动机是相同的或至少类似的。因此，气隙变化的确定可以用作故障的严重性的指示符。为此，不管电动机的类型或作用于电动机上的负荷如何，气隙的幅值变化都指示严重性，并且与电动机的负荷和类型无关。然而，气隙变化的测量是困难的和/或昂贵的。
一些实施例是基于以下认识，即，可以通过互感的幅值来确定气隙的幅值。具体地说，可以使用互感的变化的传递函数来确定气隙的变化。另外，互感通过电动机的定性的电模型与故障电流的幅值相关。结果，一些实施例在没有附加的传感器的情况下将故障电流转换为气隙变化的幅值的指示，并且将气隙变化与预先确定的阈值进行比较以估计严重性。例如，气隙变化的幅值的指示可以是互感的变化和/或气隙变化的实际值。
一些实施例是基于以下认识，即，为了将互感的变化用作气隙变化的指示，由于故障而导致的互感的变化需要与互感变化的其他原因分开。因此，需要准确地估计故障电流的特性。一些实施例是基于以下认识，即，即使完全地知悉定子电流，由于特性故障电流的幅值相对较小，比基频电流的幅值通常低30-40dB，甚至可能低50dB，所以准确地提取特性故障电流仍有挑战性。然而，为了从故障电流估计互感变化，需要从测得的定子电流准确地提取故障电流。
一些实施例是基于以下认识，即，对于特定类型的故障，存在故障电流的频率的特定值。这样的频率在本文中被称为故障频率。对于不同类型的轴承故障，存在不同值的故障频率。例如，在一些实施例中，对于感应电动机的四种不同类型的故障，存在四个不同的故障频率。为此，一些实施例确定用于特定值的故障频率的一组频率滤波器和一组对应的量化模型。每个频率滤波器被配置为从定子电流提取故障频率的故障电流，每个量化模型被配置为将故障频率的故障电流与对于该故障频率的互感变化相关。以这样的方式，互感变化的估计的准确度提高，而无需学习阶段或附加的传感器。
在电动机的操作期间，一些实施例对于故障频率中的每个测试将互感变化变换为气隙变化的传递函数，并且将相对气隙变化的频率和幅值与预定阈值进行比较以既确定故障的类型，又确定故障的严重性。例如，在不同的实现中，当对于特定故障频率的相对气隙变化高于阈值时，触发故障警报和/或故障控制方法。
为此，一些实施例在为预定类型的轴承故障划分的频域中执行感应电动机中的不同类型的轴承故障的严重性的估计。例如，每个滤波器被配置在用于基于故障的类型预先确定的特定的故障频率的频域中。类似地，量化模型被配置用于相同的预定的故障频率。在一些实施例中，被确定用于相同的故障频率的每对滤波器和量化模型形成单独的检测器。划分的频域使得可以对滤波器和量化模型进行精细调谐，以在不需要附加的传感器的情况下提高互感估计的准确度。
一些实施例是基于量化电模型和传递函数。轴承故障严重性按两个阶段估计。在第一阶段期间，通过应用量化电模型来从测得的定子电流数据确定感应电动机互感的变化。在第二阶段期间，估计电动机气隙位移。第二阶段可以通过两个实施例来执行。一个实施例使用故障频率的简化的余弦函数来表示由于滚动元件在轴承滚道上的撞击而产生的周期性振动脉冲。另一个实施例使用一系列故障频率谐波来以更准确的方式重构振动脉冲。因为量化电模型解决了互感变化及其定子电流响应之间的分析关系，所以不是简单地列出仅确定轴承故障类型的特性故障频率，而是量化电模型与传递函数一起可以提供用电动机气隙位移表示的轴承故障严重性的估计。
因此，一个实施例公开了一种用于估计感应电动机中的轴承故障的严重性的系统。所述系统包括输入接口，所述输入接口被配置为接受感应电动机的操作期间的定子电流的测量；存储器，所述存储器被配置为存储一组滤波器，每个滤波器被配置为从定子电流提取故障频率的故障电流，所述一组滤波器包括第一滤波器和第二滤波器，第一滤波器提取第一故障频率的第一故障电流，第二滤波器提取第二故障频率的第二故障电流；以及一组量化模型，每个量化模型被配置为将故障频率的故障电流与对于所述故障频率的互感变化相关，所述一组量化模型包括第一量化模型和第二量化模型，第一量化模型将第一故障电流的幅值与对于第一故障频率的第一互感变化相关，第二量化模型将第二故障电流与对于第二故障频率的第二互感变化相关；至少一个故障严重性分类器，所述至少一个故障严重性分类器用于基于对于故障频率的互感变化，对所述故障频率中的每个估计感应电动机中的故障的严重性；处理器，所述处理器在接收到定子电流的测量时，被配置为：使用第一滤波器从定子电流提取第一故障电流，使用第一量化模型从第一故障电流确定第一互感变化，并且利用故障严重性分类器对第一互感变化进行分类以确定感应电动机中的第一类型的故障的严重性；以及使用第二滤波器从定子电流提取第二故障电流，使用第二量化模型从第二故障电流确定第二互感变化，并且利用故障严重性分类器对第二互感变化进行分类以确定感应电动机中的第二类型的故障的严重性；以及输出接口，所述输出接口被配置为输出感应电动机中的第一类型的故障的严重性和感应电动机中的第二类型的故障的严重性中的一个或它们的组合。
另一实施例公开了一种用于估计感应电动机中的轴承故障的严重性的方法，其中所述方法使用耦合到存储一组滤波器的存储器的处理器，每个滤波器被配置为从定子电流提取故障频率的故障电流，所述一组滤波器包括第一滤波器和第二滤波器，第一滤波器提取第一故障频率的第一故障电流，第二滤波器提取第二故障频率的第二故障电流；一组量化模型，每个量化模型被配置为将故障频率的故障电流与对于所述故障频率的互感变化相关，所述一组量化模型包括第一量化模型和第二量化模型，第一量化模型将第一故障电流的幅值与对于第一故障频率的第一互感变化相关，第二量化模型将第二故障电流与对于第二故障频率的第二互感变化相关；以及至少一个故障严重性分类器，所述至少一个故障严重性分类器用于基于对于故障频率的互感变化，对所述故障频率中的每个估计感应电动机中的故障的严重性，其中所述处理器与存储的实现所述方法的指令耦合，其中所述指令在被所述处理器执行时执行所述方法的步骤，所述方法包括：接受感应电动机的操作期间的定子电流的测量；使用第一滤波器从定子电流提取第一故障电流，使用第一量化模型从第一故障电流确定第一互感变化，并且利用故障严重性分类器对第一互感变化进行分类以确定感应电动机中的第一类型的故障的严重性；使用第二滤波器从定子电流提取第二故障电流，使用第二量化模型从第二故障电流确定第二互感变化，并且利用故障严重性分类器对第二互感变化进行分类以确定感应电动机中的第二类型的故障的严重性；以及输出感应电动机中的第一类型的故障的严重性和感应电动机中的第二类型的故障的严重性中的一个或它们的组合。
又一实施例公开了一种非暂时性计算机可读存储介质，所述非暂时性计算机可读存储介质上包含处理器可执行的用于执行方法的程序，所述存储介质存储一组滤波器，每个滤波器被配置为从定子电流提取故障频率的故障电流，所述一组滤波器包括第一滤波器和第二滤波器，第一滤波器提取第一故障频率的第一故障电流，第二滤波器提取第二故障频率的第二故障电流；一组量化模型，每个量化模型被配置为将故障频率的故障电流与对于所述故障频率的互感变化相关，所述一组量化模型包括第一量化模型和第二量化模型，第一量化模型将第一故障电流的幅值与对于第一故障频率的第一互感变化相关，第二量化模型将第二故障电流与对于第二故障频率的第二互感变化相关；以及至少一个故障严重性分类器，所述至少一个故障严重性分类器用于基于对于故障频率的互感变化，对所述故障频率中的每个估计感应电动机中的故障的严重性，所述方法包括：接受感应电动机的操作期间的定子电流的测量；使用第一滤波器从定子电流提取第一故障电流，使用第一量化模型从第一故障电流确定第一互感变化，并且利用故障严重性分类器对第一互感变化进行分类以确定感应电动机中的第一类型的故障的严重性；使用第二滤波器从定子电流提取第二故障电流，使用第二量化模型从第二故障电流确定第二互感变化，并且利用故障严重性分类器对第二互感变化进行分类以确定感应电动机中的第二类型的故障的严重性；以及输出感应电动机中的第一类型的故障的严重性和感应电动机中的第二类型的故障的严重性中的一个或它们的组合。
附图说明
图1A示出根据一些实施例的用于对感应电动机的操作中的故障的类型和严重性进行检测和/或分类的系统100的框图。
图1B示出根据一些实施例的用于对感应电动机的操作中的故障的类型和严重性进行检测和/或分类的系统100的框图。
图1C示出根据一些实施例的划分的频域中的故障估计的示意图。
图1D示出根据一个实施例的第一故障检测器的操作的框图。
图2A示出一些实施例用来检测感应电动机中的不同类型的故障的严重性的多物理模型的变换的示意图。
图2B示出根据一些实施例的滚动元件轴承的结构和用于描述其几何特征的参数。
图2C示出例示说明一些实施例使用的气隙变化的示意图。
图2D示出根据一些实施例的给感应电动机供电的定子电流的信号在时域中的示例性绘图240。
图2E示出根据一些实施例的在存在故障时、所述信号在频域中的绘图250。
图3是根据一些实施例的产生输入到量化电模型的输入故障电流以用于估计干线馈送的感应机器中的互感变化的信号处理方法的流程图，所述量化电模型。
图4A展示用于图3的实施例的操作的示例性绘图。
图4B展示用于图3的实施例的操作的示例性绘图。
图4C展示用于图3的实施例的操作的示例性绘图。
图5示出根据一些实施例的产生输入到量化电模型的输入故障电流和输入电压以用于估计逆变器馈送的感应机器中的互感变化的信号处理方法的流程图。
图6A示出根据一些实施例的用于估计互感变化简况的示例性绘图。
图6B示出根据一些实施例的用于估计互感变化简况的示例性绘图。
图6C示出根据一些实施例的用于估计互感变化简况的示例性绘图。
图7A是根据一些实施例的用于利用规范化的气隙磁导率简况确定时域中的规范化的气隙变化简况的传递函数II的示例性绘图。
图7B是根据一些实施例的用于利用规范化的气隙磁导率简况确定时域中的规范化的气隙变化简况的传递函数II的示例性绘图。
图8示出比较参考和根据一些实施例确定的估计的最大轴承故障严重性(FS)的曲线图。
具体实施方式
系统概述
图1A和图1B示出根据一些实施例的用于对感应电动机101的操作中的故障的类型和严重性进行检测和/或分类的系统100的框图。例如，感应电动机101包括转子组装件102、定子组装件104、主轴106和两个主轴承108。在该例子中，感应电动机101是鼠笼型感应电动机。组装件108的轴承缺陷对于这样的感应电动机是典型的故障，该故障包括碰撞内/外轴承滚道的保持架缺陷、碰撞滚动元件的内/外滚道缺陷、以及碰撞滚道的滚动元件缺陷。
根据实施例，系统100可以被用于通过采取各种测量作为输入来监视和控制感应电动机101的操作。例如，与感应电动机101和系统101耦合的控制器可以基于从传感器105a、105b和/或105c接收的输入来控制感应电动机的操作，传感器105a、105b和/或105c被配置为获取与感应电动机101的操作条件有关的数据195。根据某些实施例，电信号传感器可以是用于获取与感应电动机101有关的电流和电压数据的电流传感器和/或电压传感器。例如，电流传感器从感应电动机的多个相位中的一个或多个感测电流数据。更具体地说，在感应电动机是3相感应电动机的情况下，电流传感器和电压传感器从3相感应电动机的三个相位感测电流和电压数据。在一些实现中，输入的测量195是定子104的电流的测量。
系统100被配置为估计感应电动机101中的轴承故障的严重性。感应电动机101中的轴承故障的例子包括保持架缺陷、内/外滚道缺陷和滚动元件缺陷。在一个实施例中，电流传感器和电压传感器分别从感应电动机101的定子组件104检测定子电流和电压数据。从传感器获取的电流数据和电压数据被传送给控制器和/或故障检测模块以用于进一步的处理和分析。所述分析包括执行电流特征分析(CSA)以检测感应电动机101内的故障。在一些实施例中，在检测到故障时，系统100中断感应电动机的操作以用于进一步的检查或修理。
系统100可以具有连接系统100与其他系统和装置的若干个输入接口118和输出接口116。输入接口108被配置为接受感应电动机的操作期间的定子电流的测量。输出接口被配置为输出感应电动机中的故障的严重性。
例如，输入接口118可以包括网络接口控制器(NIC)150，NIC150适于通过总线126将系统100连接到网络190。通过网络190，要么无线地，要么通过导线，系统100可以接收输入信号195，输入信号195包括感应电动机的操作的测量的时序采样。输入信号195的测量是来自传感器105a、105b和105c中的一个或它们的组合的测量、或从感应电动机的操作的物理变量的测量推导的数据。这样的物理变量的例子包括使质量块移动的电动机的电流和/或电压。时序采样可以是单维的或多维的，即，一个采样可以包括感应电动机的操作的不同的物理量的测量。
在一些实现中，系统100内的人机接口(HMI)110将所述系统连接到键盘111和指点装置112，其中除了别的以外，指点装置112可以包括鼠标、轨迹球、触摸板、操纵杆、指点棒、触笔或触摸屏。通过接口110或NIC 150，系统100可以接收数据，诸如感应电动机101的操作的测量、和/或异常检测和故障分类阈值。
系统100包括输出接口116，输出接口116被配置为输出感应电动机的操作的异常检测和/或故障分类的结果。例如，输出接口可以包括递交异常检测和故障分类的结果的存储器。例如，系统100可以通过总线126链接到显示接口180，显示接口180适于将系统100链接到显示装置185，除了别的以外，诸如计算机监视器、相机、电视机、投影仪或移动装置。系统100还可以连接到应用接口160，应用接口160适于将所述系统连接到用于执行各种操作的装备165。系统100还可以连接到控制接口170，控制接口170适于将所述系统连接到感应电动机101。例如，通过控制接口170，系统100可以被配置为基于异常检测和分类的结果来控制感应电动机101。
系统100包括处理器120和存储器140，处理器120被配置为执行存储的指令，存储器140存储处理器可执行的指令。处理器120可以是单芯处理器、多芯处理器、计算集群、或任何数量的其他的配置。存储器140可以包括随机存取存储器(RAM)、只读存储器(ROM)、闪存、或任何其他的合适的存储器系统。处理器120通过总线106连接到一个或多个输入装置和输出装置。这些指令实现用于对感应电动机101的操作中的异常进行检测和/或分类的方法。
一些实施例是基于以下认识，即，特定的故障频率处的故障电流的存在指示故障的类型。然而，特定的故障频率处的故障电流的幅值不一定指示故障的严重性。这是因为幅值根据电动机上的负荷和电动机速度而变化。所以，对于相同严重性的故障，不同幅值的故障电流可能被检测到。然而，一些实施例是基于以下认识，即，由故障引起的、感应电动机的定子和转子之间的气隙变化的幅值指示感应电动机中的故障的严重性，不管感应电动机的类型如何，而气隙变化的频率指示故障的类型。实际上，气隙的变化的幅值相对于气隙的正常(常数)值越大，故障的严重性越高。另外，一些实施例认识到，对于相同类型的故障和相同严重性的故障，气隙变化对于不同类型的感应电动机是相同的或至少类似的。因此，气隙变化的确定可以用作故障的严重性的指示符。为此，不管电动机的类型或作用于电动机上的负荷如何，气隙的幅值变化都指示严重性，并且与电动机的负荷和类型无关。然而，气隙变化的测量是困难的和/或昂贵的。
一些实施例是基于以下认识，即，可以通过互感的幅值来确定气隙的幅值。具体地说，可以使用互感的变化的传递函数来确定气隙的变化。另外，互感通过电动机的定性的电模型与故障电流的幅值相关。结果，一些实施例在没有附加的传感器的情况下将故障电流转换为气隙变化的幅值的指示，并且将气隙变化与预先确定的阈值进行比较以估计严重性。例如，气隙变化的幅值的指示可以是互感的变化和/或气隙变化的实际值。
一些实施例是基于以下认识，即，为了将互感的变化用作气隙变化的指示，由于故障而导致的互感的变化需要与互感变化的其他原因分开。因此，需要准确地估计故障电流的特性。一些实施例是基于以下认识，即，即使完全地知悉定子电流，由于特性故障电流的幅值相对较小，比基频电流的幅值通常低30-40dB，甚至可能低50dB，所以准确地提取特性故障电流仍有挑战性。然而，为了从故障电流估计互感变化，需要从测得的定子电流准确地提取故障电流。
一些实施例是基于以下认识，即，对于特定类型的故障，存在故障电流的频率的特定值。这样的频率在本文中被称为故障频率。对于不同类型的轴承故障，存在不同值的故障频率。例如，在一些实施例中，对于感应电动机的四种不同类型的故障，存在四个不同的故障频率。为此，一些实施例确定用于特定值的故障频率的一组频率滤波器和一组对应的量化模型。每个频率滤波器被配置为从定子电流提取故障频率的故障电流，每个量化模型被配置为将故障频率的故障电流与对于该故障频率的互感变化相关。以这样的方式，互感变化的估计的准确度提高，而无需学习阶段或附加的传感器。
为此，系统100的存储器140被配置为存储一组滤波器131。每个滤波器131被配置为从定子电流195提取故障频率的故障电流。滤波器131在本文中还被称为故障频率滤波器，其被设计用于特定值的故障频率。例如，所述一组故障频率滤波器131包括第一滤波器和第二滤波器，第一滤波器提取第一故障频率的第一故障电流，第二滤波器提取第二故障频率的第二故障电流。在一个实施例中，存在多达五个不同的故障频率滤波器用于感应电动机101的五种不同类型的故障。
存储器140还被配置为存储一组量化模型133。每个量化模型被配置为将故障频率的故障电流与对于该故障频率的互感变化相关。例如，所述一组量化模型包括第一量化模型和第二量化模型，第一量化模型将第一故障电流的幅值与对于第一故障频率的第一互感变化相关，第二量化模型将第二故障电流与对于第二故障频率的第二互感变化相关。
存储器140还被配置为存储至少一个故障严重性分类器135，故障严重性分类器135用于基于对于故障频率的互感变化，对故障频率中的每个估计感应电动机中的故障的严重性。例如，故障严重性分类器135可以使用或者可以被实现为指示感应电动机中的轴承故障的严重性的、互感变化的函数的值的阈值集合。在一些实现中，所述函数是将互感变化与对应的气隙变化相关的传递函数。另外，或可替代地，可以对于指示故障的严重性的互感变化的值确定所述阈值集合。
为此，一些实施例执行为预定类型的轴承故障划分的频域中的感应电动机中的不同类型的轴承故障的严重性的估计。例如，每个滤波器被配置在用于基于故障的类型预先确定的特定的故障频率的频域中。类似地，量化模型被配置用于相同的预定的故障频率。在一些实施例中，被确定用于相同的故障频率的每对滤波器和量化模型形成单独的检测器。划分的频域使得可以对滤波器和量化模型进行精细调谐，以在不需要附加的传感器的情况下提高互感估计的准确度。
在一些实施方案中，定子电流的测量由传感器105a、105b和105c利用取决于故障频率的频率执行。例如，如果第一故障频率大于第二故障频率，则定子电流的测量被以第一故障频率的至少两倍的采样率采样，或者如果第二故障频率大于第一故障频率，则定子电流的测量被以第二故障频率的至少两倍的采样率采样。以这样的方式，测量的复杂度被针对不同类型的感应电动机调整。
图1C示出根据一些实施例的划分的频域中的故障估计的示意图。每个故障检测器被设计用于特定的故障频率以对定子电流110c进行处理以估计在该特定的故障频率上是否存在具有特定的故障严重性的故障。每个特定的故障频率对应于感应电动机101的特定类型的故障。例如，第一故障检测器120c被配置为估计第一类型的故障(即，与第一频率相关联的故障)的严重性125c。例如，第一频率对应于运动元件碰撞外滚道故障，以使得第一故障的严重性指示外滚道缺陷的程度或大小。例如，较小的严重性的值可以指示轴承滚道的表面上的小碎片，而较大的严重性的值可以指示裂缝。
类似地，第二故障检测器130c被配置为估计第二类型的故障(即，第二频率的故障)的严重性135c，第三故障检测器130c被配置为估计第三类型的故障(即，第三频率的故障)的严重性145c。系统100可以具有所需那么多的故障检测器。
在一些实施例中，严重性分类器135将每个故障检测器确定的每个故障的严重性与阈值集合进行比较。所述阈值集合对于每个检测器可以是独有的，或者对于它们中的一些或全部可以是共用的。例如，一个实施例将严重性125c与第一阈值进行比较150c。如果严重性125c小于第一阈值，则没有第一故障152c，例如，没有滚道被击碎或破裂。否则155c，一个实施例将严重性125c与第二阈值进行比较160c以推断出第一类型的故障。例如，如果第一类型的故障125c的严重性小于170c第二阈值，则轴承的外滚道被击碎，并且此指示被输出接口116呈现。否则180c，外滚道破裂，并且输出接口116可以被用于控制感应电动机，例如，命令停止电动机的操作。类似地，严重性135c和145c被与相同的或不同的阈值进行比较以推断出第二和/或第三类型的故障。另外，在各种实施例中，阈值的数量可以基于故障估计的期望的灵敏度而变化。
图1D示出根据一个实施例的第一故障检测器120c的操作的框图。其他故障检测器以类似的方式操作。第一故障检测器120c由系统100的处理器120执行。在接收到定子电流110c的测量时，实施例使用第一滤波器150d从定子电流110c提取110d第一故障电流115d，使用第一量化模型105d从第一故障电流115d确定120d第一互感变化125d，并且将第一互感变化125d的传递函数与阈值集合中的至少一个阈值140d进行比较130d以对感应电动机中的第一类型的故障的严重性125c进行分类。
在一些实施例中，确定用于互感变化的阈值140d。在一个实施例中，基于先前的轴承失灵数据或经验来定义阈值以简化分类。在替代实施例中，由传递函数140d从预定义的最大容许气隙变化变换互感变化阈值。该实施例有利于确定对于感应电动机引擎具有物理意义的阈值。以这样的方式，在电动机的操作期间，一些实施例将对于故障频率中的每个的互感变化与预定阈值进行比较，以当对于特定的故障频率的互感变化的传递函数高于阈值时，既确定故障的类型，又确定故障的严重性。
问题概述
图2A示出一些实施例用来检测感应电动机中的不同类型的故障的严重性的多物理模型的变换的示意图。从机械角度来讲，当轴承故障以一定的故障严重性201出现在表征其轴承故障类型202的某些位置上时，由于滚动元件和轴承滚道之间的撞击，以仅由其故障类型202确定的机械特性频率fc204产生一些振动脉冲，所述故障类型202包括碰撞内/外轴承滚道的保持架缺陷、碰撞滚动元件的内/外滚道缺陷、以及碰撞滚道的滚动元件缺陷中的一个或它们的组合。产生这样的振动的机械机制可以被构造为机械模型203，机械模型203可以用分析方程或有限元素分析来定义。虽然轴承故障类型及其相关联的振动频率之间的关系已经是众所周知的，但是振动信号强度将会随着不同大小或严重性的轴承故障如何变化仍在调查中。
图2B示出根据一些实施例的滚动元件轴承的结构和用于描述其几何特征的参数。不同类型的故障可能出现在轴承中，诸如保持架缺陷、外滚道缺陷、内滚道缺陷和滚珠缺陷。一些实施例对于所考虑的每个故障类型，使用以下表达式，使用轴承的几何形状和旋转的机械特性来定义故障频率fc：
保持架缺陷碰撞外滚道：
Figure BDA0003311519970000161
保持架缺陷碰撞内滚道：
Figure BDA0003311519970000162
外滚道缺陷碰撞滚珠：
Figure BDA0003311519970000163
内滚道缺陷碰撞滚珠：
Figure BDA0003311519970000164
滚珠缺陷碰撞两个滚道：
Figure BDA0003311519970000165
其中滚珠的数量被表示为Nb，滚珠直径为d，间距或保持架直径为D。滚珠和滚道之间的接触点用接触角θ表示，fr是转子机械速度。
振动信号可以进一步引起电动机速度/转矩振荡和周期性气隙移位，其可以通过传递函数205被反映为相同频率的互感的周期性变化。由于此，该互感变化随着特性故障频率fc而变化。|fs±nfc|处的定子电流的频率分量也将随着对轴承故障的响应而增大，其中fs是输入电压的基频，其机制可以被公式化为量化电模型206。一些实施例是基于以下认识，即，可以从定子电流测量和提取特性频率分量207以检测轴承故障的存在及其故障类型202。然而，量化电模型206不能从振动信号或定子电流信号估计这样的故障的大小或严重性。
一些实施例是基于以下认识，即，气隙变化210可以连接感应电动机的多物理模型的机械部分和电部分以提供适合于估计轴承故障类型和故障严重性这二者的整合的多物理模型211。实际上，气隙变化210可以引起所述模型的机械部分的振动以及所述模型的电部分的内变化，或者可以由所述模型的机械部分的振动以及所述模型的电部分的内变化引起。另外，由故障引起的、感应电动机的定子和转子之间的气隙变化的幅值指示感应电动机中的故障201的严重性，而不管感应电动机的类型如何，而气隙变化的频率指示故障的类型。
以这样的方式，整合的多物理模型211的输入包括由轴承几何形状和瞬时电动机速度联合确定的故障电流幅值217与故障频率218。然后，可以用开发的量化电模型216来估计互感变化，量化电模型216可以利用传递函数II 215被进一步变换为气隙位移信号，传递函数II215将振动信号的模式用公式表示为脉冲串。在知悉轴上相对于气隙的中心的轴承安装位置的情况下，可以要么基于复杂的梁理论、要么基于机械振动的简单的线性衰减函数，通过传递函数I 214来推断轴承位置处的振动强度。机械模型214可以被构造为振动信号模式和轴承故障大小/严重性201之间的直接分析关系，或者如果其反函数不存在，则利用插值来确定故障严重性201，或者执行轴承缺陷与不规则形状的反向映射以使得其对应的分析方程难以用公式表示。轴承故障202的类型仍可以从其相关联的故障电流频率218推断。
图2C示出例示说明一些实施例使用的气隙变化的示意图。气隙是定子220和转子230之间的距离225。由于感应电动机中的故障，气隙可能改变235。气隙变化是没有故障的感应电动机的气隙225的值和有故障的感应电动机的移位的气隙235之间的差值。换句话说，感应电动机中的气隙变化是定子和转子之间的不相等的气隙的条件，使得来自负荷或摩擦的径向力将转子拉离定子孔中心。故障可以由各种来源导致，诸如定子芯椭圆度、组装时转子或定子的错误定位、组装期间的错误轴承定位、磨损的轴承、轴偏转等。一般来说，存在几种形式的气隙变化：静态气隙变化，其中转子从定子孔中心移位，但是仍在它自己的轴线上转动；动态气隙变化，其中转子仍在定子孔中心上转动，但是不在它自己的中心上转动；以及它们的组合。
一些实施例是基于以下认识，即，不同类型的故障导致不同类型的气隙变化。不同类型的气隙变化引起不同类型的互感变化。不同类型的互感变化引起不同的故障频率。通过检测故障频率，可以使这些关系反过来以揭示不同类型的故障的严重性。然而，估计故障频率可能是有挑战性的。
图2D示出根据一些实施例的给感应电动机供电的定子电流的信号245在时域中的示例性绘图240。图2E示出根据一些实施例的在存在故障时所述信号在频域中的绘图250。当在感应电动机中存在故障时，转子不对称地操作，在定子电流中引起基频分量260和额外的故障频率分量270、271fsb＝(fs±kfc±mfr)，其中fs是电源的基频，fc是机械特性故障频率，fr是机械转子频率，k＝1,2,3…是谐波频率索引，m＝0,1,2,3…是非负整数。
与基频分量260相比，故障频率分量270或271的幅值一般非常小，其中(fs±fc)分量是最强的一对，并且可以被当作故障的指示符。频率(fs±fc)在本文中被称为故障分量的电频率或故障频率。一些实施例通过检测电特性频率分量(fs±fc)来经由电动机电流特征分析(MCSA)确定感应电动机中的故障。
然而，检测由于以下因素而导致的电特性分量是有挑战性的。首先，电特性频率的幅值相对较小，通常比电源基频低30～40dB。第二，电特性频率(fs±fc)可能接近电源频率fs，即，基频260和故障频率270或271在子带或范围280内。例如，在低速的稳定操作条件下，或者感应电动机被设计具有高极数，则轴承保持架到内滚道的故障可能具有小于5Hz的机械特性频率fc，所以电特性频率(fs±fc)和基频fs之间的频率差可能小于5Hz，使得难以区分电特性频率和基频。在本公开中，术语“电特性频率”被称为(fs±fc)，而机械特性频率被称为fc，以避免歧义。
在这样的情形下，采样时间的扩展，例如，10-15秒，可以帮助提高信号重构的分辨率。然而，这样的扩展需要几乎恒定的负荷来确保电动机电流在整个测量周期期间保持稳定。这个恒定负荷要求在许多情况下可能是麻烦的，因为在现实中，尤其是在长测量周期期间，负荷波动是不可避免的。
另外，即使故障频率幅值将更大，通过快速傅里叶变换(FFT)精确地确定故障频率仍有挑战性，因为取决于电动机速度的电特性故障频率(fs±fc)在大多数情况下将不是整数，这在每次电动机速度被改变时，在重选适当的FFT窗口长度上引起进一步的问题。
解决方案概述
图3是根据一些实施例的产生输入到量化电模型380的输入故障电流以用于估计干线馈送的感应机器中的互感变化的信号处理方法的流程图。该实施例使用310馈送到感应机器中的定子电流在时域中的测量。对于具有n个相位的感应机器，只需要n-1个相位电流测量，因为第n相位的电流可以用基尔霍夫(Kirchhoff)电流定律来计算。然而，在完全知悉定子电流的情况下，由于特性故障电流的幅值相对较小，比基频电流的幅值通常低30-40dB，甚至可能低50dB，所以准确地提取特性故障电流有挑战性。
如下描述根据本发明的实施例的替换FFT的一种替代信号处理方法。派克(Park)变换320被应用于测得的定子电流以获得直轴电流和交轴电流，然后定子电流中的最大的基本AC分量被变换为DC值，这些DC值可以通过执行低通滤波330和减法而被从原始的直流电流和正交电流容易地滤除，该处理也可以被表示为陷波滤波340。实施例使用轴承几何参数和实时的电动机速度来确定电特性故障频率对(fs±fc)350的集合。多个频率对被设置为带通频率以设计多个带通滤波器360以在陷波滤波340之后从电流信号提取故障电流。在知悉电动机参数和电网电压370的情况下，实施例获取带通滤波360之后的直轴电流和交轴电流的平方和根值作为输入的故障电流以被用量化电模型380估计，以便确定互感变化390。
根据本发明的实施例，量化电模型380被开发为从输入的故障电流估计互感变化390。对于轴承故障的响应可以被认为是由于感应的气隙波动而导致的互感变化和由于定子电流中的增大的谐波而导致的、将进一步导致速度振荡的转矩振荡的组合。然而，对于大多数感应机器设置，机械惯性大得足以抑制速度振荡，因此该影响在后来的模型开发中被忽略。
用于鼠笼型感应机器的机械模型在转速为0的静止参考系中可以被表达为：
Figure BDA0003311519970000191
Figure BDA0003311519970000201
其中u是输入电压，R和L是电动机电阻和电感，ωr是电转子速度，λ是磁链，p是微分算子，下标d和q表示直轴和交轴，下标s、r和m表示定子、转子和它们的互电磁参数。用粗体表示的参数是既具有振幅(具有相量)、又具有转速的矢量，即，uds＝udse-iωst，其中ωs是同步速度。
以上方程的矩阵形式可以被写为：
Figure BDA0003311519970000202
其中U是输入，P(0)是用于健康的感应机器的参数矩阵，X(0)是包含如磁链和电流的所有的状态变量的、稳态下的响应矩阵，K是用于状态变量的一阶导数的矩阵。
考虑导致周期性气隙变化(这进一步导致互感的周期性变化)的轴承故障。虽然周期性气隙变化的模式可以被分解为一系列傅里叶级数，但是最简单的形式是只采取其基本分量。所述模型可以首先以该假定用公式表示，最终的结果是以相同的方式从同一模型推导的所有的谐波内容的叠加。在这种情况下，更新的互感变为：
Figure BDA0003311519970000203
于是，新形式的矩阵P可以被更新为：
Figure BDA0003311519970000204
Figure BDA0003311519970000205
Figure BDA0003311519970000211
在频域中，互感变化下的完整的感应机器方程可以被写为：
Figure BDA0003311519970000212
其中“+”和“-”表示故障频率对fs+fc和fs-fc的故障分量，
其中fs和fc分别是定子电压的基频和机械轴承故障特性频率。因此，X+和X-是频率fs+fc和fs-fc处的状态变量X。
对于故障频率对fs+fc和fs-fc的完全解是：
Figure BDA0003311519970000213
其中X(0)是以下方程的解：
Figure BDA0003311519970000214
可以观察到，方程(9)和(10)用甚至在不同的频域处的X+和X-耦合。然而，因为(X++X-)一般远小于X(0)(故障频率对fs±fc处的定子电流可以比fs处的额定电流小大约40到50dB)，并且该项还被乘以ΔLm，所以其元素远小于它们在矩阵(P(0)-iωsK)中的对应元素。因此，ΔLm和(X++X-)的乘积可以被看作二阶小信号项，其可以被安全地忽略，并且将方程(10)更新为以下形式：
(P(0)-iwsK)X(0)＝U (10a)
因为可以被测量的故障定子电流包含在状态变量矩阵X中，并且矩阵(P(0)-iω±K)在感应机器的上下文下是不可逆的，所以与矩阵(P(0)-iω±K)-1MX(0)中的定子电流对应的行可以被提取为依赖于所述模型中指定的ω+和ω-的A+和A-。
因为ΔLm是标量，所以以下结果可以被如下获得：
Figure BDA0003311519970000221
其中|∑ΔI|是带通滤波360之后的故障电流的幅值。于是，互感变化可以被确定为：
Figure BDA0003311519970000222
图4A、图4B和图4C展示用于图3的实施例的操作的示例性绘图。例如，图4A、图4B和图4C示出：其原始形式410的测得的定子电流，对应于310的输出；其在执行Park变换和低通滤波之后的中间形式420，对应于340的输出；以及其在执行与原始信号的减法、带通滤波并且获取直轴电流和交轴电流的平方和根值之后的最终的故障电流形式430，对应于360的输出。虽然原始的定子电流测量410的大多数内容是基频分量，但是故障频率分量430的幅值可以非常小，或者确切地小大约50dB。然而，准确地确定故障电流的幅值对于估计轴承故障严重性是重要的。
除了开发用于直接连接到电网的感应机器的轴承故障严重性估计的模型之外，一些实施例还将端子电压估计方法用于由PWM逆变器控制的那些电动机，还包括逆变器非理想性及其交换死区时间的补偿。该电压估计方法被应用于逆变器交换频率接近或者甚至超过数据获取系统的最大采样频率(这导致直接端子电压测量不准确或者甚至错误)的情况。
图5示出根据一些实施例的产生输入到量化电模型的输入故障电流和输入电压以用于估计逆变器馈送的感应机器中的互感变化的信号处理方法的流程图。实施例使用馈送到感应机器中的定子电流500在时域中的n-1个相位测量。Park变换505被应用于测得的定子电流以获得直轴电流和交轴电流，然后定子电流中的最大的基本AC分量被变换为DC值，这些DC值可以通过执行低通滤波510和减法而被从原始的直流电流和正交电流容易地滤除，该处理也可以被表示为陷波滤波515。实施例使用轴承几何参数和实时的电动机速度来确定电特性故障频率(fs±fc)520的集合。多个频率对被设置为带通频率以设计多个带通滤波器525以在陷波滤波515之后从电流信号提取故障电流。
因为输入电压由电压源逆变器供应，所以电压波形的形状将类似于具有以切换频率交替的可变宽度的矩形脉冲，而不是来自AC电网的简单的50或50Hz正弦电压。其机制通常被称为脉宽调制(PWM)。因为切换频率可能接近或者甚至超过数据获取系统的最大采样频率，所以用直接测量来准确地测量该PWM电压将变得不现实。因此，输入电压在该实施例中而是通过测得的DC链路电压540乘以通过嵌入在逆变器的数字信号处理器中的电动机控制算法产生的占空比来估计。然而，由于死区时间影响和逆变器非理想性，以上两个变量的直接乘法通常将是不准确的。因此，既补偿逆变器非理想性、又补偿死区时间545通常是需要的，这需要来自逆变器数据表的额外的信息和固件控制算法中指定的可编程的死区时间。然后，可以通过应用相同的Park变换550来计算直轴电流和交轴电流。
辅以电动机参数560，该实施例获取低通滤波525之后的直轴电流和交轴电流的平方和根值作为输入的故障电流，并且该实施例将该电流馈送到量化电模型570以确定互感变化580。
图6A、图6B和图6C示出根据一些实施例的用于估计互感变化简况的示例性绘图。例如，特定的轴承缺陷触发互感变化600的一系列矩形脉冲，相邻脉冲的中心在时域中相隔1/fc，其中fc是机械特性轴承故障频率。一些实施例是基于以下认识，即，可以使用余弦函数来逼近互感变化的矩形脉冲以简化计算。
图6A、图6B和图6C是展示根据本发明的实施例的、利用零阶余弦函数和基本阶次余弦函数估计这样的矩形互感变化简况与高达3阶和5阶的余弦谐波函数的叠加相比的准确度改进的示例性绘图，这些互感变化谐波的幅值是通过开发的量化电模型570用故障定子电流确定的。在图6A中可以观察到，频率fc的零阶余弦函数和基本余弦函数610的求和能够逼近矩形互感变化模式，其中在尖峰处有一些过冲。包括更高阶次的谐波内容，例如，高达3阶620或5阶630，时域中的互感变化可以被以改进的准确度估计，并且以这种累积的方式，没有显著的过冲。
尽管矩形脉冲在许多实施例中被用来表示互感振动模式，但是它们的准确的形状和宽度通常难以预测和验证。然而，该实施例能够基于具有一直到nfc的频率的一直到n阶余弦函数的傅里叶级数项的叠加来估计轴承故障模式和严重性，而它们的幅值则是通过量化电模型570用对应的频率的故障定子电流525确定的。以这种方式，互感振动脉冲的宽度和形状这二者都可以用纯粹的电定子电流信息来重构。
在时域中，在存在保持架到外滚道轴承故障的情况下，与互感成N2倍(其中N是定子槽中的串联的匝的数量)正比的气隙磁导率可以被定义为如下形式：
Figure BDA0003311519970000241
其中fc是机械特性轴承故障频率，Λ0是没有故障的气隙磁导率，c0是由于故障而导致的零阶傅里叶级数，k是傅里叶级数的阶次数，n是该叠加中的傅里叶级数阶次的上界，ck是从量化电模型570获得的k阶互感变化。
在应用狄拉克(Dirac)广义函数和泰勒(Taylor)展开之后，关于气隙磁导率的以上方程可以被写为：
Figure BDA0003311519970000242
传递函数II被引入以如下连接电气隙磁导率与机械气隙振动：
Figure BDA0003311519970000243
其中μ是空气磁导率。
图7A和图7B是根据一些实施例的用于基于以上方程、利用规范化的气隙磁导率简况710确定时域中的规范化的气隙变化简况720的传递函数II的示例性绘图。轴承缺陷的影响可以被认为是时域中的无限数量的脉冲串。气隙长度的最大变化gmax730被定义为最大气隙长度位移。
包括更高阶次的谐波内容，时域中的累积互感变化可以被以改进的准确度估计，并且其倒数(气隙长度变化，被定义为轴承故障严重性)也可以被以更好的准确度重构。
图8示出比较参考和根据一些实施例确定的估计的最大轴承故障严重性(FS)的曲线图。具体地说，该曲线图示出了FS对
Figure BDA0003311519970000251
对滚动元件轴承进行了加速老化研究，故障严重性是按气隙长度的变化的百分比变化测量的，气隙长度是基于根据一些实施例的基本余弦函数重构的。
基于气隙变化的百分比的故障严重性(FS)的指示符于是可以被监视：
FS(t)＝(g(t)-g0)/g0
FS指示符是通过量化电模型570和监视的定子电流数据500确定的，并且被与预定的阈值或阈值集合进行比较以对故障严重性进行分类。
示例性实施例
参数确定：为了实现对于给定的感应机器的轴承故障检测的方法，一个实施例首先确定机器的电参数、供应的电压信息和安装轴承几何参数。
以下电参数被实施例用于电模型的输入：
Figure BDA0003311519970000252
Figure BDA0003311519970000253
其中Rs：定子电阻，Rr：转子电阻，Ls：定子电阻，Lr：转子电阻，
Lm：定子和转子之间的互感，ωr：转子速度。
对于供应电压，所述信息取决于用于所述机器的电源的类型。当直接从电力网供应电力时，所述电压于是为AC电网电压。例如，关于就图5描述的实现，当电力由电压源逆变器供应时，通过测得的DC链路电压540乘以通过嵌入在逆变器的数字信号处理器中的电动机控制算法产生的占空比来估计输入电压。然而，因为死区时间影响和逆变器非理想性，以上两个变量的直接乘法可能是不准确的。因此，既补偿逆变器非理想性、又补偿死区时间545通常是需要的，这需要来自逆变器数据表的额外的信息和控制算法中指定的可编程的死区时间。输入电压的基频fs然后被确定。
对于安装的轴承，几何参数(滚珠的数量Nb，滚珠直径为d，间距或保持架直径为D)和电动机旋转频率fr需要是已知的，以便根据以下表达式来确定机械特性故障频率：
保持架缺陷碰撞外滚道：
Figure BDA0003311519970000261
保持架缺陷碰撞内滚道：
Figure BDA0003311519970000262
外滚道缺陷碰撞滚珠：
Figure BDA0003311519970000263
内滚道缺陷碰撞滚珠：
Figure BDA0003311519970000264
滚珠缺陷碰撞两个滚道：
Figure BDA0003311519970000265
将被监视的定子电流的频率分量包括|fs±nfc|处的电特性频率，其中fs是感应电动机的基频，fc是如以上确定的故障频率中的一个，n是整数。
数据获取：在确定必要的参数之后，时域中的定子电流的测量数据是故障检测所需的。对于具有n个相位的感应机器，只需要n-1个相位电流测量，因为第n相位的电流可以用Kirchhoff电流定律来计算。对于普遍使用的三相机器，只需要两相电流测量，但是一些实现可以使用所有三个相位上的测量。
信号处理：测得的时域定子电流信号然后利用各种信号处理技术(诸如本发明中提议的方法，包括Park变换505、低通滤波510以及按照陷波滤波515执行减法的步骤)被转换到频域中。
故障电流信号提取：对于将被监视的每个机械特性故障频率fc，执行低通滤波525的步骤以提取电特性故障频率对(fs±fc)处的故障电流幅值ΔI的和。
互感变化确定：对于每个机械特性故障频率fc，电特性故障频率对(fs±fc)处的故障电流幅值ΔI的和与在步骤560中确定的、所述机器的电参数被馈送到量化电模型570中，并且互感变化ΔLm可以被如下确定：
Figure BDA0003311519970000271
其中A+和A-分别是量化电模型570在fs+fc和fs-fc处的系统矩阵。
气隙变化估计：对于每个机械特性故障频率fc，如下估计与互感成正比的气隙磁导率Λ(t)：
Figure BDA0003311519970000272
其中ck是在前面的步骤中在kfc的故障频率处确定的规范化的互感变化ΔLm/Lm，并乘以因子N2，其中N是定子槽中的串联的匝的数量。fc是机械特性轴承故障频率，Λ0是没有故障的气隙磁动率，c0是由于故障而导致的零阶傅里叶级数，k是傅里叶级数的阶次数，n是该叠加中的傅里叶级数阶次的上界。
基于确定的气隙磁导率Λ(t)，根据以下方程确定对应的气隙变化g(t)：
Figure BDA0003311519970000273
其中μ是空气磁导率，g0是没有故障的气隙长度，c0是由于故障而导致的零阶傅里叶级数，k是傅里叶级数的阶次数，n是该叠加中的傅里叶级数阶次的上界。
故障严重性估计和分类：基于气隙变化的百分比的故障严重性(FS)的指示符然后可以被监视。可以根据以下方程来确定随着时间而变化的FS信号：
FS(t)＝(g(t)-g0)/g0
获得的FS信号然后被与预设的阈值进行比较以针对每种故障类型对故障严重性进行分类。
例如，对于滚动元件到外滚道故障，假设0.25％被设置为健康的轴承和具有轻微故障的轴承之间的阈值，0.5％被设置为具有轻微故障的轴承和具有重大故障的轴承之间的阈值。应用本发明中的所有技术和方法，估计的故障严重性和故障分类结果如下：
数据集 估计的故障严重性(FS) 分类结果
A 0.02％ 健康的
B 0.23％ 轻微故障
C 0.56％ 重大故障
另外，或可替代地，一个实施例将FS(t)确定为气隙磁导率的函数，因为气隙磁导率可以直接映射到气隙变化。在该实施例中，FS(t)＝(Λ(t)-Λ0)/Λ0。
另外，或可替代地，一个实施例将FS(t)确定为互感变化的函数，因为互感变化可以直接映射到气隙磁导率。在该实施例中，FS(t)＝ΔLm/Lm。
本发明的上述实施例可以以许多方式中的任何方式实现。例如，实施例可以使用硬件、软件或它们的组合来实现。当用软件实现时，软件代码可以在任何合适的处理器或处理器集合上被执行，不管是在单个计算机中提供的，还是分布在多个计算机之间。这样的处理器可以被实现为集成电路，其中一个或多个处理器在集成电路组件中。但是，处理器可以使用任何合适的格式的电路系统来实现。
此外，本文中概述的各种方法或处理可以被编码为在采用各种操作系统或平台中的任何一个的一个或多个处理器上可执行的软件。另外，这样的软件可以使用若干合适的编程语言和/或编程工具或脚本编写工具中的任何一个来编写，并且还可以被编译为在框架或虚拟机上执行的可执行机器语言或中间代码。通常，在各种实施例中，所述程序模块的功能性可以根据需要组合或分布。
此外，本发明的实施例可以被实施为方法，其例子已经被提供。作为所述方法的一部分执行的动作可以以任何合适的方式排序。因此，可以构造如下的实施例，在这些实施例中，动作被按与例示说明的次序不同的次序执行，可以包括同时执行一些动作，即使在说明性的实施例中被示为顺序的动作。

Claims (15)

1.一种用于估计感应电动机中的轴承故障的严重性的系统，包括：
输入接口，所述输入接口被配置为接受所述感应电动机的操作期间的定子电流的测量；
存储器，所述存储器被配置为存储一组滤波器，每个滤波器被配置为从所述定子电流提取故障频率的故障电流，所述一组滤波器包括第一滤波器和第二滤波器，所述第一滤波器提取第一故障频率的第一故障电流，所述第二滤波器提取第二故障频率的第二故障电流；以及
一组量化模型，每个量化模型被配置为将所述故障频率的故障电流与对于所述故障频率的互感变化相关，所述一组量化模型包括第一量化模型和第二量化模型，所述第一量化模型将所述第一故障电流的幅值与对于所述第一故障频率的第一互感变化相关，所述第二量化模型将所述第二故障电流与对于所述第二故障频率的第二互感变化相关；
至少一个故障严重性分类器，所述至少一个故障严重性分类器用于基于对于所述故障频率的互感变化，对所述故障频率中的每个估计所述感应电动机中的故障的严重性；
处理器，所述处理器在接收到所述定子电流的测量时，被配置为：使用所述第一滤波器从所述定子电流提取所述第一故障电流，使用所述第一量化模型从所述第一故障电流确定所述第一互感变化，并且利用所述故障严重性分类器对所述第一互感变化进行分类以确定所述感应电动机中的第一类型的故障的严重性；以及使用所述第二滤波器从所述定子电流提取所述第二故障电流，使用所述第二量化模型从所述第二故障电流确定所述第二互感变化，并且利用所述故障严重性分类器对所述第二互感变化进行分类以确定所述感应电动机中的第二类型的故障的严重性；以及
输出接口，所述输出接口被配置为输出所述感应电动机中的第一类型的故障的严重性和所述感应电动机中的第二类型的故障的严重性中的一个或它们的组合。
2.根据权利要求1所述的系统，其中每个量化模型使用所述故障频率的振荡函数的集合的傅里叶级数来逼近对于所述故障频率的互感变化，其中所述傅里叶级数中的每个振荡函数的频率是所述故障频率的倍数，并且所述傅里叶级数中的每个振荡函数的振幅是所述故障频率上的故障电流的幅值的函数，以使得所述第一量化模型使用具有所述第一故障电流的幅值的函数的振幅的、所述第一故障频率的倍数的振荡函数来逼近所述第一互感变化，所述第二量化模型使用具有所述第二故障电流的幅值的函数的振幅的、所述第二故障频率的倍数的振荡函数来逼近所述第二互感变化。
3.根据权利要求2所述的系统，其中所述故障频率的倍数的振荡函数的集合是所述故障频率的倍数的余弦函数的集合。
4.根据权利要求3所述的系统，其中所述故障频率的倍数的余弦函数的集合仅包括一阶余弦函数。
5.根据权利要求1所述的系统，其中如果所述第一故障频率大于所述第二故障频率，则所述定子电流的测量被以所述第一故障频率的至少两倍的采样率采样，或者如果所述第二故障频率大于所述第一故障频率，则所述定子电流的测量被以所述第二故障频率的至少两倍的采样率采样。
6.根据权利要求1所述的系统，其中为了从所述定子电流提取所述故障频率的故障电流，每个滤波器被配置为：执行所述定子电流的测量的派克变换以生成变换的定子电流；从变换的定子电流过滤所述定子电流的基本分量以生成定子电流残差；以及使用带通滤波器从所述定子电流残差提取所述故障频率以生成所述故障频率的故障电流。
7.根据权利要求1所述的系统，其中所述互感变化的传递函数将所述互感变化映射到所述感应电动机的定子和转子之间的气隙的磁导率，以使得阈值集合指定所述气隙的磁导率的值的集合。
8.根据权利要求1所述的系统，其中所述互感变化的传递函数将所述互感变化映射到所述感应电动机的定子和转子之间的气隙的长度简况，以使得阈值集合指定所述气隙的长度简况中的最大变化的值的集合。
9.根据权利要求1所述的系统，其中所述故障严重性分类器将所述第一互感变化和第二互感变化的传递函数与阈值集合中的至少一个阈值进行比较以确定所述感应电动机中的第一类型的故障和第二类型的故障的严重性。
10.根据权利要求9所述的系统，其中当所述第一互感变化的传递函数小于第一阈值时，所述感应电动机没有第一类型的故障，其中当所述第一互感变化的传递函数小于第二阈值时，所述感应电动机具有允许继续进行所述感应电动机的操作的第一类型的故障，并且其中当所述第一互感变化的传递函数大于所述第二阈值时，所述处理器被配置为停止所述感应电动机的操作。
11.根据权利要求1所述的系统，其中所述处理器被配置为：确定所述感应电动机中的气隙变化的函数，所述函数包括所述气隙变化的频率的函数和所述气隙变化的幅值的函数；从所述气隙变化的频率确定所述故障的类型；以及从所述气隙变化的幅值确定所述故障的严重性。
12.一种用于估计感应电动机中的轴承故障的严重性的方法，其中所述方法使用耦合到存储一组滤波器的存储器的处理器，每个滤波器被配置为从所述定子电流提取故障频率的故障电流，所述一组滤波器包括第一滤波器和第二滤波器，所述第一滤波器提取第一故障频率的第一故障电流，所述第二滤波器提取第二故障频率的第二故障电流；一组量化模型，每个量化模型被配置为将所述故障频率的故障电流与对于所述故障频率的互感变化相关，所述一组量化模型包括第一量化模型和第二量化模型，所述第一量化模型将所述第一故障电流的幅值与对于所述第一故障频率的第一互感变化相关，所述第二量化模型将所述第二故障电流与对于所述第二故障频率的第二互感变化相关；以及至少一个故障严重性分类器，所述至少一个故障严重性分类器用于基于对于所述故障频率的互感变化，对所述故障频率中的每个估计所述感应电动机中的故障的严重性，其中所述处理器与存储的实现所述方法的指令耦合，其中所述指令在被所述处理器执行时执行所述方法的步骤，所述方法包括：
接受所述感应电动机的操作期间的定子电流的测量；
使用所述第一滤波器从所述定子电流提取所述第一故障电流，使用所述第一量化模型从所述第一故障电流确定所述第一互感变化，并且利用所述故障严重性分类器对所述第一互感变化进行分类以确定所述感应电动机中的第一类型的故障的严重性；
使用所述第二滤波器从所述定子电流提取所述第二故障电流，使用所述第二量化模型从所述第二故障电流确定所述第二互感变化，并且利用所述故障严重性分类器对所述第二互感变化进行分类以确定所述感应电动机中的第二类型的故障的严重性；以及
输出所述感应电动机中的第一类型的故障的严重性和所述感应电动机中的第二类型的故障的严重性中的一个或它们的组合。
13.根据权利要求12所述的方法，其中所述互感变化的传递函数将所述互感变化映射到所述感应电动机的定子和转子之间的气隙的磁导率，以使得阈值集合指定所述气隙的磁导率的值的集合。
14.根据权利要求12所述的方法，进一步包括：
从所述第一互感变化确定气隙变化的第一严重性函数；
从所述第二互感变化确定气隙变化的第二严重性函数；
将所述第一严重性函数和所述第二严重性函数与阈值集合进行比较以确定所述第一类型的故障和所述第二类型的故障的严重性。
15.一种包含处理器可执行的用于执行方法的程序的非暂时性计算机可读存储介质，所述存储介质存储一组滤波器，每个滤波器被配置为从所述定子电流提取故障频率的故障电流，所述一组滤波器包括第一滤波器和第二滤波器，所述第一滤波器提取第一故障频率的第一故障电流，所述第二滤波器提取第二故障频率的第二故障电流；一组量化模型，每个量化模型被配置为将所述故障频率的故障电流与对于所述故障频率的互感变化相关，所述一组量化模型包括第一量化模型和第二量化模型，所述第一量化模型将所述第一故障电流的幅值与对于所述第一故障频率的第一互感变化相关，所述第二量化模型将所述第二故障电流与对于所述第二故障频率的第二互感变化相关；以及至少一个故障严重性分类器，所述至少一个故障严重性分类器用于基于对于所述故障频率的互感变化，对所述故障频率中的每个估计所述感应电动机中的故障的严重性，所述方法包括：
接受所述感应电动机的操作期间的定子电流的测量；
使用所述第一滤波器从所述定子电流提取所述第一故障电流，使用所述第一量化模型从所述第一故障电流确定所述第一互感变化，并且利用所述故障严重性分类器对所述第一互感变化进行分类以确定所述感应电动机中的第一类型的故障的严重性；
使用所述第二滤波器从所述定子电流提取所述第二故障电流，使用所述第二量化模型从所述第二故障电流确定所述第二互感变化，并且利用所述故障严重性分类器对所述第二互感变化进行分类以确定所述感应电动机中的第二类型的故障的严重性；以及
输出所述感应电动机中的第一类型的故障的严重性和所述感应电动机中的第二类型的故障的严重性中的一个或它们的组合。
CN202080029971.2A 2019-05-03 2020-02-14 用于对感应电动机估计轴承故障严重性的方法 Active CN113748326B (zh)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US201962842544P 2019-05-03 2019-05-03
US62/842,544 2019-05-03
US16/515,564 2019-07-18
US16/515,564 US11099101B2 (en) 2019-05-03 2019-07-18 Method for estimating bearing fault severity for induction motors
PCT/JP2020/006951 WO2020225960A1 (en) 2019-05-03 2020-02-14 Method for estimating bearing fault severity for induction motors

Publications (2)

Publication Number Publication Date
CN113748326A true CN113748326A (zh) 2021-12-03
CN113748326B CN113748326B (zh) 2023-05-16

Family

ID=73017267

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202080029971.2A Active CN113748326B (zh) 2019-05-03 2020-02-14 用于对感应电动机估计轴承故障严重性的方法

Country Status (5)

Country Link
US (1) US11099101B2 (zh)
JP (1) JP7270773B2 (zh)
CN (1) CN113748326B (zh)
DE (1) DE112020002224T5 (zh)
WO (1) WO2020225960A1 (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
BR112021026626A2 (pt) * 2019-06-28 2022-05-10 Regal Beloit America Inc Circuito de monitoramento de saúde para uma máquina elétrica
EP3957970A1 (en) * 2020-08-17 2022-02-23 ABB Schweiz AG Method of detecting a bearing fault
JP2022039968A (ja) * 2020-08-28 2022-03-10 台達電子工業股▲ふん▼有限公司 モータの接続故障の検出方法
KR102538542B1 (ko) * 2021-04-12 2023-05-30 서울대학교산학협력단 상전류 신호를 이용한 모터 고장 진단 방법 및 장치
WO2022263016A1 (en) * 2021-06-17 2022-12-22 Eaton Intelligent Power Limited Method and apparatus for motor bearing fault detection using sensed current
GB2607975A (en) * 2021-06-17 2022-12-21 Eaton Intelligent Power Ltd Method and apparatus for motor bearing fault detection using sensed current
EP4277113A1 (en) * 2022-05-13 2023-11-15 Schneider Toshiba Inverter Europe SAS Method for detecting a structural fault of an electric motor
CN117233602B (zh) * 2023-11-07 2024-01-30 迈为技术(珠海)有限公司 刺晶机老化检测方法和刺晶机
CN117388693B (zh) * 2023-12-06 2024-04-02 北京汇思慧能科技有限公司 故障检测方法、设备和存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2374015A2 (en) * 2009-01-08 2011-10-12 Eaton Corporation System and method for motor fault detection using stator current noise cancellation
US20120001580A1 (en) * 2010-07-01 2012-01-05 Pinjia Zhang System and method for detecting fault in an ac machine
US20160266207A1 (en) * 2015-03-10 2016-09-15 Mitsubishi Electric Research Laboratories, Inc. Fault Detection in Induction Motors Based on Current Signature Analysis
CN108195587A (zh) * 2018-02-12 2018-06-22 西安交通大学 一种电机滚动轴承故障诊断方法及其诊断系统
CN109061474A (zh) * 2018-10-15 2018-12-21 株洲中车时代电气股份有限公司 一种电机轴承故障诊断装置

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5726905A (en) * 1995-09-27 1998-03-10 General Electric Company Adaptive, on line, statistical method and apparatus for motor bearing fault detection by passive motor current monitoring
US6727725B2 (en) 2001-05-01 2004-04-27 Square D Company Motor bearing damage detection via wavelet analysis of the starting current transient
BRPI0811393A2 (pt) * 2007-06-04 2014-11-04 Eaton Corp "controlador configurado para detectar indícios de falha mecânica incipiente de motor, método não-invasivo para detectar falhas iminentes de rolamento em máquinas elétricas e sistema para monitorar corrente para predição de falhas de rolamento"
US9200979B2 (en) 2011-04-15 2015-12-01 U.E. Systems, Inc. System for bearing fault detection
US8994359B2 (en) 2011-08-29 2015-03-31 General Electric Company Fault detection based on current signature analysis for a generator
US20130096848A1 (en) 2011-10-13 2013-04-18 Charles Terrance Hatch Methods and systems for automatic rolling-element bearing fault detection
US20140303913A1 (en) 2013-04-08 2014-10-09 General Electric Company Broken rotor bar detection based on current signature analysis of an electric machine
US9574965B2 (en) 2014-06-24 2017-02-21 General Electric Company System and method of determining bearing health in a rotating machine
JP6410572B2 (ja) * 2014-11-11 2018-10-24 旭化成エンジニアリング株式会社 電流診断装置および電流診断方法
GB201503930D0 (en) * 2015-03-09 2015-04-22 Rolls Royce Plc Fault detection and diagnosis in an induction motor

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2374015A2 (en) * 2009-01-08 2011-10-12 Eaton Corporation System and method for motor fault detection using stator current noise cancellation
US20120001580A1 (en) * 2010-07-01 2012-01-05 Pinjia Zhang System and method for detecting fault in an ac machine
US20160266207A1 (en) * 2015-03-10 2016-09-15 Mitsubishi Electric Research Laboratories, Inc. Fault Detection in Induction Motors Based on Current Signature Analysis
CN108195587A (zh) * 2018-02-12 2018-06-22 西安交通大学 一种电机滚动轴承故障诊断方法及其诊断系统
CN109061474A (zh) * 2018-10-15 2018-12-21 株洲中车时代电气股份有限公司 一种电机轴承故障诊断装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
杜占峰;左岐;: "电流特征分析在异步电动机故障诊断中的应用", 机电信息 *

Also Published As

Publication number Publication date
CN113748326B (zh) 2023-05-16
US20200348207A1 (en) 2020-11-05
JP7270773B2 (ja) 2023-05-10
DE112020002224T5 (de) 2022-01-13
US11099101B2 (en) 2021-08-24
JP2022515935A (ja) 2022-02-22
WO2020225960A1 (en) 2020-11-12

Similar Documents

Publication Publication Date Title
CN113748326B (zh) 用于对感应电动机估计轴承故障严重性的方法
Mehrjou et al. Rotor fault condition monitoring techniques for squirrel-cage induction machine—A review
Bessous et al. Diagnosis of bearing defects in induction motors using discrete wavelet transform
Su et al. Induction machine condition monitoring using neural network modeling
Choqueuse et al. Current frequency spectral subtraction and its contribution to induction machines’ bearings condition monitoring
Pineda-Sanchez et al. Application of the Teager–Kaiser energy operator to the fault diagnosis of induction motors
EP2790028B1 (en) Broken rotor bar detection based on current signature analysis of an electric machine
Sin et al. Induction machine on-line condition monitoring and fault diagnosis-a survey
Mehala Condition monitoring and fault diagnosis of induction motor using motor current signature analysis
Amanuel et al. Comparative analysis of signal processing techniques for fault detection in three phase induction motor
Cusido et al. Wavelet and PDD as fault detection techniques
Garcia-Calva et al. Non-uniform time resampling for diagnosing broken rotor bars in inverter-fed induction motors
Amanuel et al. Design of Vibration Frequency Method with Fine-Tuned Factor for Fault Detection of Three Phase Induction Motor
García-Escudero et al. Robust condition monitoring for early detection of broken rotor bars in induction motors
Alwodai et al. A comparison of different techniques for induction motor rotor fault diagnosis
Corne et al. Comparing MCSA with vibration analysis in order to detect bearing faults—A case study
Pons-Llinares et al. Pursuing optimal electric machines transient diagnosis: The adaptive slope transform
CN114616476A (zh) 同步机器中的故障检测
WO2019167086A1 (en) A system for assessment of multiple faults in induction motors
KR100225470B1 (ko) 전력공급선의 신호분석을 통한 전동기 비정상상태 감시시스템
Haddad et al. Outer race bearing fault detection in induction machines using stator current signals
Pilloni et al. Fault detection in induction motors
Mütze et al. On inverter induced bearing currents, bearing maintenance scheduling, and prognosis
Antonino-Daviu et al. Guest editorial special section on advanced signal and image processing techniques for electric machines and drives fault diagnosis and prognosis
Lim et al. Motor fault detection method for vibration signal using FFT residuals

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