CN114167282B - 一种电动机故障诊断及劣化趋势预测系统 - Google Patents

Abstract

本发明提供了一种电动机故障诊断及劣化趋势预测系统，系统包括：数据采集单元，主要是采集电动机电压、电流数据，同时对对数据打时标；服务器单元可连接多个采集单元，主要对数据进行预处理模，频谱分析块，故障诊断块，劣化趋势预测等；数据库单元用来储存历史数据典型故障样本。系统采用机器学习及人工干预的方法，对电动机进行监测、故障诊断。不受电压等级及运行工况影响，可智能分析电动机当前状态，以及预测故障发展趋势。采用上述电动机故障诊断及劣化趋势预测方法及系统，可判断电动机故障严重程度，预测故障发展趋势。提前安排停机检修维护计划，提高生产效率，降低设备运维成本，增加企业经济及安全收益。

Description

一种电动机故障诊断及劣化趋势预测系统

技术领域

本发明涉及电动机故障诊断领域，尤其涉及一种电动机故障诊断及劣化趋势预测系统。

背景技术

电动机作为发电、化工、船舶、钢铁、水泥等工业领域重要的辅机和动力来源，生产过程中起着举足轻重的作用。关键设备电机出现故障，直接影响企业的正常生产，并造成检修成本的增加，进而影响企业经济效益。

电动机常见故障如转子断条故障、定子绕组故障和轴承故障。电动机故障诊断技术经过几十年的发展，涌现出众多原理和方法。其中主流的方法有基于电动机振动信号分析原理、基于电动机电气量分析原理和基于电动机声音信号分析原理。在电动机常见故障中转子断条故障、定子绕组故障属于电气量故障，振动信号分析原理和声音信号分析原理不适合分析此类故障。基于电动机电气量分析原理主要是通过采集电机电压、电流，对电动机定子电流进行频谱分析，从而找出故障频谱特征，为了更好表达电动机故障严重程度，一般将频谱特征进行量化，其量化值称为故障指数、健康指数或其他名称，指数越大说明故障越严重。在本发明中称为故障指数。

但在工矿企业中实际运行的电机中，由于电动机种类繁多，运行工况(工况：是指设备在和其动作有直接关系的条件下的工作状态)情况不同导致故障频谱特征量化值大小无法真正体现电机故障严重程度，从而导致电机故障诊断正确率降低。比如10KV高压电机频谱分析故障指数为3时仍在属于正常工作状态，而380V低压电机故障指数为2时已经出现故障影响其运行了。运行工况不同如电机负载不同，电机所体现的频谱特征量化值大小所代表的故障严重程度也是不同的。比如满载情况下测得得指数为1.0，而轻载情况下只有0.5。这样通过频谱特征无法说明电机是否出现故障，其准确率较低，也无法自动生成详细故障报告。只能通过技术专家人工分析数据源，结合经验评估故障指数，来判断电机是否有故障以及严重程度。同时目前的电机诊断方法只能分析电机当前状态，无法预测故障发展趋势，虽然有些科研机构提出基于神经网络方法建立模型达到预测故障发展趋势，但此方法需要提前用大量各类型电机，各种已知故障特征的样本对模型进行人工训练，但此方法在实际应用中很难实现。

发明内容

针对上述现有技术中所存在的问题，本发明拟提供了一种电动机故障诊断及劣化趋势预测系统。该系统和方法采用机器学习及人工干预方法，不受电压等级及运行工况影响，可智能分析电动机当前状态，以及预测故障发展趋势，并自动产生电动机故障诊断报告。监测时间越长，接入的电机越多，其诊断正确率越高。

本发明要解决的技术问题所采取的技术方案是：

一种电动机故障诊断及劣化趋势预测系统，其特征在于：

其系统包括：数据采集单元，服务器单元，数据库单元，所述数据库单元与服务器单元连接，所述服务器单元和数据采集单元分别连接以太网。所述数据采集单元采集包括采集模块和对时模块，采集模块采集电动机电压、电流数据，对时模块对数据打时标。所述服务器单元包括数据预处理模块，频谱分析模块，故障诊断模块，劣化趋势预测模块等。所述数据库单元包括历史数据模块和典型故障模块。

进一步地，所述数据采集单元由采集模块定时采集数据，对时模块对数据打时标，对时模块可接收GPS、北斗等卫星信号或B码信息，同时对电机电压、电流数据每个采样点均打时标。

进一步地，所述服务器单元数据预处理模块是将电机启动、停机、空载等对电流频谱故障特征分析产生干扰的数据，筛选出来，不做后续分析。满足条件的数据再根据电机电压等级、运行工况对电动机数据分类。所述频谱分析模块根据电动机电流数据及电动机参数采用特定的算法分析电流频谱特征输出量化值即故障指数。所述故障诊断模块采用机器学习及人工干预的方法对电机进行诊断并出具诊断报告。所述劣化趋势预测模块是根据典型故障数据库已有电动机的故障频谱特征及其关联的历史数据，推测待测电动机故障劣化趋势，以故障指数曲线图形方式展示。

进一步地，所述数据库单元历史数据模块是指系统在运行时将定时分析的电动机频谱及频谱特征、电机运行参数等存储为历史数据，数据将永久保存，直到电动机全生命周期结束。所述典型故障模块是指经现场维护人员根据告警信息，经验证确认的电动机故障类型及判定的严重等级而保存的典型故障样本，包括故障指数、频谱特征及相关参数，同时此电动机的历史数据也将做为电动机诊断的样本数据。

进一步地，所述服务器单元数据预处理模块中电动机运行工况主要指电动机负载情况如空载运行、轻载运行、满载运行，超载运行四种情况。

进一步地，所述服务器单元电流频谱特征是指采用特定的算法通过电动机电流分析转子断条故障频谱、定子绕组故障频谱和轴承故障频谱，频谱故障特征值在同工况条件下发展趋势是线性的，此点是预测电动机故障趋势的理论基础。

进一步地，所述服务器单元故障诊断模块中的机器学习是指系统在每次故障分析后，自动检索当前电压等级及工况下是否生成了初始指数，如没生成初始指数则将此次故障指数做为初始故障指数。如果已有初始故障指数则再根据设定的检索条件到典型故障特征库中查找，如检索成功则进行劣化趋势预测，如检索不成功根据告警阈值判断是否告警，并自动给出电动机故障诊断报告。

进一步地，所述初始故障指数是指电动机安装此系统后第一次运行时，系统记录分析的电流频谱特征量化值即故障指数，不同的工况条件下，分别保存其初始故障指数。

进一步地，所述检索条件是指当前分析电机故障指数与典型故障特征库中存储的同电压等级、同工况的情况下的故障指数比较。

进一步地，所述检索成功则进行劣化趋势预测，是指由于采样数据都带有精准时间标，可根据典型故障模块中故障特征指数样本进行比较，在样本中找到相近指数，再找到样本中达到故障告警时的故障指数，计算二者时间差，即可推测出当前工况下当前电机达到故障告警时需要的时间。

进一步地，所述告警阈值是指人工设置的当前电机故障指数与同电压等级、同工况下的初始指数的倍数，不同于传统的直接比较。比如设定1.5，则表示当前故障指数大于初始指数1.5倍时，系统才告警输出。此方式解决了不同电压等级及运行工况下电机故障指数代表故障程度不同的影响。

进一步地，所述服务器单元故障诊断模块中的人工干预是指当系统在分析电机故障时根据设定的告警阈值进行告警，运维人员检修排查，发现电机确有故障，并根据故障情况设置故障等级，并将故障准确率参数加1，并将此次分析的频谱特征及相关参数保存到数据典型故障模块中。如经检查无故障，则需提高告警阈值，并将故障准确率参数减1，并保存到数据库中。

进一步地，所述电动机故障诊断报告是指系统每次分析后，自动给出本次电动机健康情况评价报告，报告内容包括故障类型、故障指数、故障准确率等频谱特征及相关参数，同时还包括频谱图，工作建议。区别于传统的只有人工分析才能出具电动机故障诊断报告。

进一步地，所述频谱特征及相关参数主要包括电动机名称、接线类型、电压等级、负载率、故障类型、故障指数、电压有效值、电流有效值,序量值,频率、故障准确率、转差率，电机参数。

与现有技术相比较，本发明的一种电动机故障诊断及劣化趋势预测系统是采用了电动机初始故障指数的概念，将实时测量的电机故障障指数与初始故障指数的倍数与告警阈值比较，即采用了电机故障发展的变化的量做为故障诊断的依据，有效避免不同电压等级、不同工况的情况下电机故障指数所表达的故障严重程度不同带来的诊断错误问题。二是本发明中阐述的机器学习及人工干预方法简单有效的实现预测电机故障发展趋势，通过电机告警机制与人工检修验证来生成典型故障数据库代替了传统的大量繁琐的样本学习过程，而且样本本身也具有局限性。此方法更适合现场使用的实际需求，电动机监测时间越长，接入的电动机越多，其诊断正确率越高。三是本发明阐述的方法及系统可自动的产生电动机故障诊断报告，评价电动机健康情况，及时有效的指导运维人员安排停机检修维护计划，提高生产效率，降低设备运维成本。

除了上面所描述的目的、特征和优点之外，本发明还有其它的目的、特征和优点。下面将参照附图，对本发明作进一步详细的说明。

附图说明

图1是本发明实施例的系统结构图

图2是本发明实施例的数据采集单元数据流程图

图3是本发明实施例的服务器单元数据流程图

图4是本发明实施例的诊断方法机器学习及人工干预的逻辑图

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

以下结合具体实施例对本发明的实现进行详细描述，

如图1所示，在本发明实施例中，一种电动机故障诊断及劣化趋势预测系统，其组成包括：数据采集单元，服务器单元，数据库单元，所述数据库单元与服务器单元连接，所述服务器单元和数据采集单元分别连接以太网。数据采集单元又包括采集模块和对时模块。服务器单元包括数据预处理模块，频谱分析模块，故障诊断模块，劣化趋势预测模块等。数据库单元包括历史数据模块和典型故障模块。

数据采集单元安装在电机配电室中，通过电压、电流互感器采集电动机三相电压、三相电流。服务器单元安装在配电室或机房中，数据采集单元与服务器单元通过以太网通讯，一个服务器单元可连接多个采集单元。服务器通过以太网与数据库通讯。

如图2所示，在本发明实施例中，数据采集单元每隔一定时间间隔自动采集电动机的电压、电流。采样频率10Hz,每次采集40秒的数据，每点数据均有时间标。便于进行按时间进行数据检索，不同电机的数据在同时间段的对比分析。采集的数据每周波向服务器单元发送一次。

如图3所示，在本发明实施例中服务器单元由数据预处理模块，频谱分析模块，故障诊断模块，劣化趋势预测模块等组成。

数据预处理模块接收到采集单元发送的数据后，采用特定的算法对数据进行分析判断，如果是电机启动、停机、空载等情况，则对数据做标记，不做后续分析。满足条件的数据再根据电动机电压等级、运行工况对电动机数据分类并存储在缓冲区中，累计40秒后，再调用频谱分析模块对电动机电流数据采用特定的算法分析频谱特征，输出相关特征值如负载率、故障类型、故障指数、电压有效值、电流有效值,序量值,频率、转差率等，再结合电机参数如电机名称、接线类型、电压等级等调用故障诊断模块，检索典型故障数据库及关联的历史数据库，采用机器学习及人工干预的方法对电机进行诊断并出具诊断报告。如检索典型故障数据库成功还可以可推测待测电机故障劣化趋势，并以故障指数曲线图形方式展示。

如图4所示，在本发明实施例中服务器单元机器学习及人工干预诊断电机故障方法的预逻辑说明。

系统采集数据后，先检索当前工况下，此台电机是否生成了初始故障指数，如没有生成，则生成。如已有初始故障指数则再检索典型故障特质库，如检索成功，则进行故障劣化趋势分析。由于采样数据都带有精准时间标，可根据典型故障模块中故障特征指数样本进行比较，在样本中找到相近指数，再找到样本中达到故障告警时的故障指数，计算二者时间差，即可推测出当前工况下当前电机达到故障告警时需要的时间。如检索不成功则先判断故障指数除以初始故障指数是否大于阀值。如大于则告警。运维人员可根据告警情况，对电动机安排检修，通过检修查验来判断此次告警是否正确，如正确则将此次分析的故障指数及相关特征数据保存为典型故障数据库。如告警错误，则需要运维人员将告警阈值提高。分析后要保存历史数据，所述数据检索不紧是当前电动机历史数据之间检索对比，还可以与服务器中接入的其他台电机进行比对，电机监测时间越长，接入的电机越多，其诊断正确率越高。上述实施例的方法的功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个或者多个计算机设备可读取存储介质中。基于这样的理解，本发明的实施例对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来。以上所述仅为本发明优选实施例而已，并不用于限制本发明实施例，对于本领域的技术人员来说，本发明实施例可以有各种更改和变化。凡在本发明实施例的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明实施例的保护范围之内。

Claims (7)

1.一种电动机故障诊断及劣化趋势预测系统，其特征在于，其系统包括：数据采集单元，服务器单元和数据库单元，所述数据库单元与服务器单元连接，所述服务器单元和数据采集单元分别连接以太网；

数据采集单元包括采集模块和对时模块；所述采集模块用于定时采集数据，所述对时模块对所采集的数据打时标，对时模块可接收GPS、北斗等卫星信号或B码信息，同时对电机电压、电流数据每个采样点均打时标；

所述服务器单元包括数据预处理模块，频谱分析模块，故障诊断模块和劣化趋势预测模块；数据预处理模块是将电机启动、停机、空载等对电流频谱故障特征分析产生干扰的数据，筛选出来，不做后续分析；满足条件的数据再根据电机电压等级、运行工况对电动机数据分类；所述频谱分析模块根据电动机电流数据及电动机参数采用特定的算法分析电流频谱特征输出量化值即故障指数；所述故障诊断模块采用机器学习及人工干预的方法对电机进行诊断并出具诊断报告；所述劣化趋势预测模块是根据典型故障数据库已有电动机的故障频谱特征及其关联的历史数据，推测待测电动机故障劣化趋势，以故障指数曲线图形方式展示；

所述机器学习是指系统在每次故障分析后，自动检索当前电压等级及工况下是否生成了初始指数，如没生成初始指数则将此次故障指数做为初始故障指数；如果已有初始故障指数则再根据设定的检索条件到典型故障特征库中查找，如检索成功则进行劣化趋势预测，如检索不成功根据告警阈值判断是否告警，并自动给出电动机故障诊断报告；

所述初始故障指数是指电动机安装此系统后第一次运行时，系统记录分析的电流频谱特征量化值即故障指数，不同的工况条件下，分别保存其初始故障指数；

所述检索条件是指当前分析电机故障指数与典型故障特征库中存储的同电压等级、同工况的情况下的故障指数比较；

所述劣化趋势预测是机器学习的方法的一部分，是指由于采样数据都带有精准时间标，可根据典型故障模块中故障特征指数样本进行比较，在样本中找到相近指数，再找到样本中达到故障告警时的故障指数，计算二者时间差，即可推测出当前工况下当前电机达到故障告警时需要的时间。

2.如权利要求1所述的一种电动机故障诊断及劣化趋势预测系统，其特征在于，所述数据库单元包括历史数据模块和典型故障模块；历史数据模块是指系统在运行时将定时分析的电动机频谱及频谱特征、电机运行参数等存储为历史数据，数据将永久保存，直到电动机全生命周期结束；所述典型故障模块是指经现场维护人员根据告警信息，经验证确认的电动机故障类型及判定的严重等级而保存的典型故障样本，包括频谱特征及相关参数，同时此电动机的历史数据也将做为电动机诊断的样本数据。

3.如权利要求1所述的一种电动机故障诊断及劣化趋势预测系统，其特征在于，所述运行工况主要指电动机负载情况如空载运行、轻载运行、满载运行，超载运行四种情况。

4.如权利要求1所述的一种电动机故障诊断及劣化趋势预测系统，其特征在于，所述电流频谱特征是指采用特定的算法通过电动机电流分析转子断条故障频谱、定子绕组故障频谱和轴承故障频谱，其频谱故障特征值在同工况条件下发展趋势是线性的，此点是预测电动机故障趋势的理论基础。

5.如权利要求1所述的一种电动机故障诊断及劣化趋势预测系统，其特征在于，所述人工干预是指当系统在分析电机故障时根据设定的告警阈值进行告警，运维人员检修排查，发现电机确有故障，并根据故障情况设置故障等级，并将故障准确率参数加1，并将此次分析的频谱特征及相关参数保存到数据典型故障模块中；如经检查无故障，则需提高告警阈值，并将故障准确率参数减1，并保存到数据库中；

所述告警阈值是指人工设置的当前电机故障指数与同电压等级、同工况下的初始指数的倍数，不同于传统的直接比较；比如设定1.5，则表示当前故障指数大于初始指数1.5倍时，系统才告警输出；此方式解决了不同电压等级及运行工况下电机故障指数代表故障程度不同的影响。

6.如权利要求5所述的一种电动机故障诊断及劣化趋势预测系统，其特征在于，所述电动机故障诊断报告是指系统每次分析后，自动给出本次电动机健康情况评价报告，报告内容包括故障类型、故障指数、故障准确率的频谱特征及相关参数，同时还包括频谱图和工作建议，区别于传统的只有人工分析才能出具电动机故障诊断报告。

7.如权利要求2所述的一种电动机故障诊断及劣化趋势预测系统，其特征在于，所述频谱特征及相关参数主要包括频谱特征值、故障指数、电动机名称、接线类型、电压等级、负载率、故障类型、故障等级、电压有效值、电流有效值、序量值、频率、故障准确率、转差率和电机参数。

Images