CN113985267B - 基于热电组网设备智能开关阀的退化指标构建、判定方法 - Google Patents
基于热电组网设备智能开关阀的退化指标构建、判定方法 Download PDFInfo
- Publication number
- CN113985267B CN113985267B CN202111272399.5A CN202111272399A CN113985267B CN 113985267 B CN113985267 B CN 113985267B CN 202111272399 A CN202111272399 A CN 202111272399A CN 113985267 B CN113985267 B CN 113985267B
- Authority
- CN
- China
- Prior art keywords
- degradation
- degradation index
- motor
- time domain
- index
- 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
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
- G01R31/327—Testing of circuit interrupters, switches or circuit-breakers
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Control Of Electric Motors In General (AREA)
Abstract
本申请提供一种基于热电组网设备智能开关阀的退化指标构建、判定方法,其中指标构建方法包括以下步骤:设定电机启停周期、时域退化指标Ai1和频域退化指标Bi2(其中i1为时域退化指标的个数,i2为频域退化指标的个数,i1≥5,i2≥1);采集每个启停周期内的启动电流并计算得出每个启停周期内的所述启动电流的所述时域退化指标Ai1;通过对所述启动电流做傅里叶分析,获取所述启动电流的所述频域退化指标Bi2;构建退化程度函数:FVj=aiAi+biBi;其中ai为Ai加权值,bi为Bi加权值,所述ai、bi通过Ai、Bi与所述电机退化的相关性来确定;j代表所述电机的启停次数(其中j≥2X105),FV代表所述退化程度;建立多个电机在多次启停状态下的所述退化程度集合,得到退化程度库。
Description
技术领域
本申请涉及热点组网智能调控设备技术领域领域,具体涉及一种基于热电组网设备智能开关阀的退化指标构建、判定方法。
背景技术
智能开关阀普遍应用在智能热电双网中,因此对智能开关阀的可靠性进行判断具有重要意义。在智能开关阀中主要影响整体可靠性的部位在于直流电机,当前对直流电机可靠性辨识的退化指标构建方法都需要将电机拆卸后单独测试,而由于智能开关阀的应用环境不便于经常拆卸。
发明内容
鉴于现有技术中的上述缺陷或不足,本申请旨在提供一种基于热电组网设备智能开关阀的退化指标构建、判定方法。
第一方面,本申请提出一种基于热电组网设备智能开关阀的退化指标构建方法,影响所述智能开关阀的关键部件为电机,其所述退化指标构建方法包括以下步骤:
设定电机启停周期、时域退化指标Ai1和频域退化指标Bi2(其中i1为所述时域退化指标的个数,i2为所述频域退化指标的个数,i1≥5,i2≥1);
采集每个所述启停周期内的启动电流并计算得出每个所述启停周期内的所述启动电流的所述时域退化指标Ai1;
通过对所述启动电流做傅里叶分析,获取所述启动电流的所述频域退化指标Bi2;
构建退化程度函数:
FVj=aiAi+biBi;
其中ai为Ai加权值,bi为Bi加权值,所述ai、bi通过Ai、Bi与所述电机退化的相关性来确定;j代表所述电机的启停次数(其中j≥2X105),FV代表所述退化程度;
建立多个电机在多次启停状态下的所述退化程度集合,得到退化程度库。
根据本申请实施例提供的技术方案,所述时域指标Ai1包括所述启动电流的均值、标准差、方差、偏斜度、峭度、最大值、最小值、峰峰值、平均幅值、均方根值,其中i1=10。
根据本申请实施例提供的技术方案,所述频域指标Bi2包括所述启动电流的频域平均能量、均值频率、频谱分散程度,其中i2=3。
根据本申请实施例提供的技术方案,所述启停周期为启动后三秒停机,停机后两秒停止。
根据本申请实施例提供的技术方案,通过脉冲发生器控制所述电机启停。
根据本申请实施例提供的技术方案,在所述电机输入端串联数据采集卡,所述数据采集卡用于采集所述启动电流,并计算所述时域退化指标Ai1。
第二方面,本申请提出一种基于热电组网设备智能开关阀的退化指标判定方法,所述判定方法包括以下步骤:
分析所述退化程度库,设定退化程度阈值FVC;
选取时域退化指标Ai3和频域退化指标Bi4(其中i3、i4为所述时域退化指标和频域退化指标的个数,i3<i1,i4<i2);
通过电机驱动板获取目标电机的启动电流;并计算得出所述启动电流的所述时域退化指标Ai3;
通过对所述启动电流进行傅里叶分析获取所述频域退化指标Bi4;
选取已知FV值,通过神经网络算法计算只有选取的所述时域退化指标和选取的所述频域退化指标的情况下的对应的新的权值ci3和di4;
构建第一退化程度函数:
FV1=ci3Ai3+di4Bi4
计算得出FV1值;
判断FV1和FVC的大小;
若FV1大于FVC时,所述目标电机判定为严重退化状态;
若FVC小于FVC时,所述目标电机判定为可继续使用状态。
综上所述,本申请提出一种基于热电组网设备智能开关阀的退化指标构建方法,通过对多对个电机的多个启停周期的启动电流进行时域和频域分析,获取相应的时域退化指标和频域退化指标,并设定相应的加权值,构建包含时域退化指标和频域退化指标的函数,计算得出退化程度集合,建立退化程度库。
通过分析退化程度库,获取判断电机处于正常运行、故障发展和严重退化这三个阶段的阈值,选定目标电机的时域退化指标和频域退化指标,通过对只包含选定的时域退化指标和频域退化指标的退化程度函数进行神经网络算法计算得出相应的权值,再构建新的退化程度函数,最终计算出目标电机的退化程度值,通过与阈值比较,判断出目标电机的状态。
该方法可以实现通过简单测量时域指标和频域指标即可判断退化状态,实时性较强,不用拆卸器件就可以完成对直流电机可靠性的判断。
附图说明
图1为本申请实施例提供的一种基于热电组网设备智能开关阀的退化指标构建方法流程图;
图2为本申请实施例提供的一种基于热电组网设备智能开关阀的退化指标判定方法流程图;
图3为本申请实施例提供的电机可靠性曲线图;
图4为本申请实施例提供的电流峰峰20万次启停后的曲线图;
图5为本申请实施例提供的一个启停周期内电流的变化曲线图;
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
实施例1
诚如背景技术中提到的,针对现有技术中当前对直流电机可靠性辨识的退化指标构建方法都需要将电机拆卸后单独测试的问题,本申请提出了一种基于热电组网设备智能开关阀的退化指标构建方法,包括:所述退化指标构建方法包括以下步骤,如图1所示:
设定电机启停周期、时域退化指标Ai1和频域退化指标Bi2(其中i1为所述时域退化指标的个数,i2为所述频域退化指标的个数,i1≥5,i2≥1);
本实例中选取万宝至品牌的额定电压为5V的直流电机为例,其中,优选地,所述启停周期为启动后三秒停机,停机后两秒停止。由于电机启动时会受到冲击电流的影响,约3秒后电流会趋于稳定,停机时约2秒后电流趋于稳定,由于要大量的测试在所述启停周期内电流的变化情况,故选取趋于稳定时的最小所述启停周期时间,故选取开机3秒,停机2秒。
优选地,通过脉冲发生器控制所述电机启停。所述脉冲信号发生器可以产生重复频率、脉冲宽度及幅度均为可调的脉冲信号。电机启动时所述脉冲信号发生器发出正脉冲控制所述电机启动,3秒后发出负脉冲控制所述电机停机,再经过2秒后发出正脉冲控制所述电机启动,重复此过程。
采集每个所述启停周期内的启动电流并计算得出每个所述启停周期内的所述启动电流的所述时域退化指标Ai1;优选地,所述时域退化指标Ai1包括所述启动电流的均值A1、标准差A2、方差A3、偏斜度A4、峭度A5、最大值A6、最小值A7、峰峰值A8、平均幅值A9、均方根值A10,其中i1=10。可选地,为了可以直观反映电机的退化过程,所述时域退化指标最小数量为5个,为最大值、最小值、峰峰值、平均幅值、均方根值指标,故i1≥5。
优选地,通过在所述电机输入端串联数据采集卡,所述数据采集卡用于采集所述启动电流,并计算所述时域退化指标Ai1。每个所述启停周期5秒内即每次启停时都可获取所述启动电流的波形曲线,根据所述波形曲线计算可获得每个所述时域退化指标的值,故每次启停时都可获得一个所述时域退化指标的值。故在多次启停后,可获取每个所述时域指标的曲线,称为第一曲线。
通过对所述启动电流做傅里叶分析,获取所述启动电流的所述频域退化指标Bi2;其中,优选地,所述频域指标Bi2包括所述启动电流的频域平均能量B1、均值频率B2、频谱分散程度B3,其中i2=3,可选地,为了可以直观反映电机的退化程度,所述频域退化指标数量最小为1个,为所述频谱分散程度,故i2≥1。通过傅里叶分析,可获取每个所述启停周期内即每次启停时都可以获得所述频域指标的值,故在多次启停后,可获取每个所述频域指标的曲线,称为第二曲线。
构建退化程度函数:
FVj=aiAi+biBi;
其中ai为Ai加权值,bi为Bi加权值,所述ai、bi通过Ai、Bi与所述电机退化的相关性来确定;j代表所述电机的启停次数(其中j≥2X105),FV代表所述退化程度;
FV表示的是以时间为自变量的反映直流电机的退化程度的量标幺值,取值为0~1,优选地,根据对测试电机的理论和经验,得出如图3所示的所述电机的可靠性图,此可靠性曲线代表不同运行次数内,电机的状态,包括正常运行阶段,用对数曲线表示,故障发展阶段,用一次曲线表示,以及严重退化阶段,用指数曲线表示。将每个所述时域退化指标的所述第一曲线和每个所述频域退化指标的所述第二曲线与所述可靠性曲线对比,得出每个指标与电机可靠性的相关性,进而得出选取加权值的依据,如图5所示,电流在每次所述启停周期内的波形图,每个所述启停周期内的电流情况不同,多次测试后,每个所述启停周期内得到不同的所述时域退化指标和所述频域退化指标,例如,如图4所示的多次测试后峰峰值的变化曲线,通过此曲线得知随着启动次数的增多,电机的退化程度加深,峰峰值呈现逐渐增长的现象,峰峰值前的加权值为正值;再以所述频谱分散程度来说,由于电机运行时间越长,低频变下,高频变多,故所述频谱分散程度前的权值应为负值;且权值的范围为-1至1。
建立多个电机在多次启停状态下的所述退化程度集合,得到退化程度库。经过产品信息推算与实验验证得出电机在20万启停次数以下可靠度较稳定,故所述j≥2X105。每个电机在20万的启停下有20万个FV,将多个电机的20万次的FV建立一个集合,得到退化程度库。
实施例2
在实施例1的基础上,本申请提出一种基于热电组网设备智能开关阀的退化指标判定方法,如图2所示,包括以下步骤:
分析所述退化程度库,设定退化程度阈值FVC;所述退化程度库内包含多个相同电机的多次启停后的退化程度值。
选取时域退化指标Ai3和频域退化指标Bi4(其中i3、i4为所述时域退化指标和频域退化指标的个数,i3<i1,i4<i2);
通过电机驱动板获取目标电机的启动电流;并计算得出所述启动电流的所述时域退化指标Ai3;在退化指标构建方法阶段,i1≥5,i2≥1,这种情况下能获取较为精确的数据,但根据现场情况,在目标电机不方便拆解测试的情况下,所述时域退化指标和所述频域退化指标不会有太多,优选地,最常用的且方便获取的为通过所述目标电机的驱动板获取的电流的最大值、最小值、峰峰值,故所述i3为3,i4为0。
通过对所述启动电流进行傅里叶分析获取所述频域退化指标Bi4;本实施例中由于现场特殊情况,仅使用时域退化指标来判定。
选取已知FV值,通过神经网络算法计算只有选取的所述时域退化指标和选取的所述频域退化指标的情况下所述退化程度函数中的权值ci3和di4;若目前选取的时域退化指标为最大值A6、最小值A7、峰峰值A8,则所述退化程度函数为FV=a6A6+a7A7+a8A8,在某个启停次数时,通过所述退化程度函数在10个所述时域退化指标和3个所述频域退化指标时的FV是确定的,仅选取其中的三个最大值A6、最小值A7、峰峰值A8后,要想得到已FV的值,需要改变最大值A6、最小值A7、峰峰值A8的权值,分别设定为C6、C7、C8,此时所述退化程度函数相当于三元一次方程,通过所述神经网络算法计算得出C6、C7、C8的值。
构建第一退化程度函数:
FV1=ci3Ai3+di4Bi4
计算得出FV1值;
在只有三个所述适于退化指标的前提下,所述第一退化程度函数FV1=C6A6+C7A7+C8A8,通过所述电机驱动板获得最大值A6、最小值A7、峰峰值A8后,即可计算得出FV1。
判断FV1和FVC的大小;
若FV1大于FVC时,所述目标电机判定为严重退化状态;由于所述智能开关阀的直流电机为体积较小且成本较低的电机,故只需判定所述目标电机是否需要更换即可,在大于所述退化程度阈值时,只需更换一个电机即可;
若FVC小于FVC时,所述目标电机判定为可继续使用状态。所述目标电机可以继续使用。
本文中应用了具体个例对本申请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申请的方法及其核心思想。以上所述仅是本申请的优选实施方式,应当指出,由于文字表达的有限性,而客观上存在无限的具体结构,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以作出若干改进、润饰或变化,也可以将上述技术特征以适当的方式进行组合;这些改进润饰、变化或组合,或未经改进将发明的构思和技术方案直接应用于其他场合的,均应视为本申请的保护范围。
Claims (6)
1.一种基于热电组网设备智能开关阀的退化指标判定方法,影响所述智能开关阀的关键部件为电机,其特征在于,所述退化指标判定方法包括以下步骤:
设定电机启停周期、时域退化指标Ai1和频域退化指标Bi2,其中i1为所述时域退化指标的个数,i2为所述频域退化指标的个数,i1≥5,i2≥1;
采集每个所述启停周期内的启动电流并计算得出每个所述启停周期内的所述启动电流的所述时域退化指标Ai1;
通过对所述启动电流做傅里叶分析,获取所述启动电流的所述频域退化指标Bi2;
构建退化程度函数:
FVj=aiAi+biBi;
其中ai为Ai加权值,bi为Bi加权值,所述ai、bi通过Ai、Bi与所述电机退化的相关性来确定;j代表所述电机的启停次数,其中j≥2X105,FV代表所述退化程度;
建立多个电机在多次启停状态下的所述退化程度集合,得到退化程度库;
分析所述退化程度库,设定退化程度阈值FVC;
选取时域退化指标Ai3和频域退化指标Bi4,其中i3、i4为所述时域退化指标和频域退化指标的个数,i3<i1,i4<i2;
通过电机驱动板获取目标电机的启动电流;并计算得出所述启动电流的所述时域退化指标Ai3;
通过对所述启动电流进行傅里叶分析获取所述频域退化指标Bi4;
选取已知FV值,通过神经网络算法计算只有选取的所述时域退化指标和选取的所述频域退化指标的情况下所述退化程度函数中的权值ci3和di4;
构建第一退化程度函数:
FV1=ci3Ai3+di4Bi4
计算得出FV1值;
判断FV1和FVC的大小;
若FV1大于FVC时,所述目标电机判定为严重退化状态;
若FVC小于FVC时,所述目标电机判定为可继续使用状态。
2.根据权利要求1所述的基于热电组网设备智能开关阀的退化指标判定方法,其特征在于:所述时域退化指标Ai1包括所述启动电流的均值、标准差、方差、偏斜度、峭度、最大值、最小值、峰峰值、平均幅值、均方根值,其中i1=10。
3.根据权利要求1所述的基于热电组网设备智能开关阀的退化指标判定方法,其特征在于:所述频域退化指标Bi2包括所述启动电流的频域平均能量、均值频率、频谱分散程度,其中i2=3。
4.根据权利要求1所述的基于热电组网设备智能开关阀的退化指标判定方法,其特征在于:所述启停周期为启动后三秒停机,停机后两秒停止。
5.根据权利要求4所述的基于热电组网设备智能开关阀的退化指标判定方法,其特征在于:通过脉冲发生器控制所述电机启停。
6.根据权利要求1所述的基于热电组网设备智能开关阀的退化指标判定方法,其特征在于:在所述电机输入端串联数据采集卡,所述数据采集卡用于采集所述启动电流,并计算所述时域退化指标Ai1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111272399.5A CN113985267B (zh) | 2021-10-29 | 2021-10-29 | 基于热电组网设备智能开关阀的退化指标构建、判定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111272399.5A CN113985267B (zh) | 2021-10-29 | 2021-10-29 | 基于热电组网设备智能开关阀的退化指标构建、判定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113985267A CN113985267A (zh) | 2022-01-28 |
CN113985267B true CN113985267B (zh) | 2023-08-11 |
Family
ID=79744393
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111272399.5A Active CN113985267B (zh) | 2021-10-29 | 2021-10-29 | 基于热电组网设备智能开关阀的退化指标构建、判定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113985267B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5519337A (en) * | 1993-11-04 | 1996-05-21 | Martin Marietta Energy Systems, Inc. | Motor monitoring method and apparatus using high frequency current components |
GB201704145D0 (en) * | 2017-03-15 | 2017-04-26 | Zenith Oilfield Tech Ltd | Methods and systems for monitoring the performance of electric motors |
CN110057584A (zh) * | 2019-04-01 | 2019-07-26 | 西安交通大学 | 一种机车牵引电机轴承退化监测方法 |
CN112052796A (zh) * | 2020-09-07 | 2020-12-08 | 电子科技大学 | 一种基于深度学习的永磁同步电机故障诊断方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200341063A1 (en) * | 2012-06-08 | 2020-10-29 | Schneider Electric USA, Inc. | Systems and methods for analyzing operation of motors |
-
2021
- 2021-10-29 CN CN202111272399.5A patent/CN113985267B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5519337A (en) * | 1993-11-04 | 1996-05-21 | Martin Marietta Energy Systems, Inc. | Motor monitoring method and apparatus using high frequency current components |
GB201704145D0 (en) * | 2017-03-15 | 2017-04-26 | Zenith Oilfield Tech Ltd | Methods and systems for monitoring the performance of electric motors |
CN110057584A (zh) * | 2019-04-01 | 2019-07-26 | 西安交通大学 | 一种机车牵引电机轴承退化监测方法 |
CN112052796A (zh) * | 2020-09-07 | 2020-12-08 | 电子科技大学 | 一种基于深度学习的永磁同步电机故障诊断方法 |
Non-Patent Citations (1)
Title |
---|
基于比例故障率模型的转向架牵引电机滚动轴承可靠性评估;王立祥等;测控技术;第37卷(第1期);第14-18页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113985267A (zh) | 2022-01-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102901929B (zh) | 用于计算电池单元阻抗的装置及电池阻抗测量系统 | |
KR100975147B1 (ko) | 배터리 모니터링 시스템 | |
US9989595B1 (en) | Methods for on-line, high-accuracy estimation of battery state of power | |
US8868363B2 (en) | Method of estimating pulse response using an impedance spectrum | |
CN113884935B (zh) | 基于锂电池在线电化学阻抗谱测量的soh估算系统和方法 | |
WO2023098753A1 (zh) | 一种配电终端故障诊断方法、系统、装置及存储介质 | |
CN112685961A (zh) | 一种模拟电路的剩余使用寿命预测方法及系统 | |
CN108205114B (zh) | 电池寿命的预测方法及系统 | |
CN109636110A (zh) | 一种获取继电保护装置运行状态的方法及装置 | |
CN110196395B (zh) | 蓄电池soc估算方法 | |
CN106972484B (zh) | 多场景下火电机组励磁系统动态性能在线评估方法和装置 | |
KR20180049590A (ko) | 이차전지의 soc-ocv 데이터 수집장치, 수집방법 및 이차전지의 모델링 장치 | |
CN112881916A (zh) | 一种锂电池健康状态和剩余可用寿命的预测方法及系统 | |
CN112285496A (zh) | 一种用于高压电气设备局部放电的定量方法及系统 | |
CN109828548A (zh) | 基于时间序列变化突变点检测的性能退化特征评估方法 | |
CN113985267B (zh) | 基于热电组网设备智能开关阀的退化指标构建、判定方法 | |
Itagaki et al. | Determination of electrochemical impedance of lithium ion battery from time series data by wavelet transformation-Uncertainty of resolutions in time and frequency domains | |
CN109164382B (zh) | 一种高压断路器触头电侵蚀故障诊断方法 | |
KR20200080829A (ko) | 배터리의 충전 상태값을 추정하는 방법 및 배터리 관리 장치 | |
CN114252731A (zh) | 一种基于多个参数的继电器动作特性评估方法及装置 | |
CN117367800A (zh) | 基于随机相关性的多特征指标轴承剩余寿命预测方法 | |
JP2012083142A (ja) | 二次電池の内部抵抗演算装置 | |
RU2714382C1 (ru) | Устройство для статистического приемочного контроля газоразрядных индикаторов | |
WO2023274121A1 (zh) | 故障检测方法及装置、电子设备和计算机可读存储介质 | |
CN115327409A (zh) | 一种储能系统、储能电池的运行异常分析方法 |
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 |