CN114200302A - 一种电机定子线圈匝间短路故障在线诊断方法和系统 - Google Patents
一种电机定子线圈匝间短路故障在线诊断方法和系统 Download PDFInfo
- Publication number
- CN114200302A CN114200302A CN202010985107.1A CN202010985107A CN114200302A CN 114200302 A CN114200302 A CN 114200302A CN 202010985107 A CN202010985107 A CN 202010985107A CN 114200302 A CN114200302 A CN 114200302A
- Authority
- CN
- China
- Prior art keywords
- motor
- turn
- short circuit
- stator coil
- circuit fault
- 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.)
- Pending
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 129
- 238000000034 method Methods 0.000 title claims abstract description 71
- 230000004927 fusion Effects 0.000 claims abstract description 44
- 238000001514 detection method Methods 0.000 claims abstract description 35
- 238000007781 pre-processing Methods 0.000 claims abstract description 29
- 238000004458 analytical method Methods 0.000 claims description 41
- 239000013598 vector Substances 0.000 claims description 32
- 238000013450 outlier detection Methods 0.000 claims description 29
- 238000010183 spectrum analysis Methods 0.000 claims description 21
- 238000003860 storage Methods 0.000 claims description 14
- 238000001228 spectrum Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 11
- 238000010998 test method Methods 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 238000003062 neural network model Methods 0.000 claims description 6
- 230000008439 repair process Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 238000003672 processing method Methods 0.000 claims description 2
- 238000009413 insulation Methods 0.000 abstract description 14
- 238000012360 testing method Methods 0.000 abstract description 11
- 238000012544 monitoring process Methods 0.000 abstract description 4
- 238000011156 evaluation Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 4
- 230000006378 damage Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000010287 polarization Effects 0.000 description 2
- 238000004804 winding Methods 0.000 description 2
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical group [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 230000016507 interphase Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000028161 membrane depolarization Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000007704 transition Effects 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
- G01R31/346—Testing of armature or field windings
-
- 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
-
- 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
- G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
- G01R31/52—Testing for short-circuits, leakage current or ground faults
-
- 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
- G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
- G01R31/72—Testing of electric windings
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Tests Of Circuit Breakers, Generators, And Electric Motors (AREA)
- Control Of Electric Motors In General (AREA)
Abstract
本发明公开了种电机定子线圈匝间短路故障在线诊断方法和系统,能够在不停机的情况下完成绝缘状态的评估,既节省试验的时间和花费,也能做到连续监测。其技术方案为:对电机两相电流信号进行预处理,预处理包括对电流信号的奇异值进行检测和修复;通过预处理后获取的电机两相电流,计算获取到电机第三相电流信号;将得到的电机三相电流进行分析,提取各自的故障特征,形成电机定子线圈匝间短路故障的多个初步诊断决策;对该多个初步诊断决策进行融合诊断,得到电机定子线圈匝间短路故障的检测结果。
Description
技术领域
本发明涉及电机故障检测领域,具体涉及一种电机定子线圈匝间短路故障在线诊断方法和系统。
背景技术
工业中,电机作为一种动力装置可以将电能转换为不同形式的机械能,在国家建设各个方面都有广泛应用,对社会和工业发展的重要性无可取代。但随着电机的广泛应用,其故障也频繁发生,电机故障不仅会导致设备的损害,威胁生产的安全进行,而且电机故障带来的额外停工时间也会造成大量的经济损失,更严重者造成人员伤害。因此,发展电机故障诊断和监测技术,实现故障预警,有着重要的应用价值。
根据调查结果,35%~40%的电机故障与定子有关。电机定子绝缘容易受到多种因素的影响而老化,包括温度过热、机械振动和逆变器开关过程带来的电压冲击等。因此电机定子绝缘故障是定子故障主要形式,而定子绝缘故障一般从匝间短路故障开始发展。匝间短路时,短路线圈内会产生很大的环流,产生大量的热量,进而危害主绝缘和相间绝缘。从匝间绝缘故障开始发展到严重绝缘故障,这两种状态所需过渡时间不是瞬时完成的,因此在线进行电机匝间绝缘故障检测预警,避免对定子绕组及铁芯造成的损害,减少电机维护成本,提高电机运行可靠性,具有重要的意义。
传统的电机定子绝缘故障检测方法是通过定期的预防性离线试验,通过绝缘电阻、极化指数测试、极化去极化、介质损耗因数和电容量等检查定子绝缘是否存在缺陷,以便及时安排维修,避免故障的发生。离线试验一般按照一定的周期进行,因此存在着在两次试验的间隔期绝缘发生较为严重的老化的情况。
发明内容
以下给出一个或多个方面的简要概述以提供对这些方面的基本理解。此概述不是所有构想到的方面的详尽综览,并且既非旨在指认出所有方面的关键性或决定性要素亦非试图界定任何或所有方面的范围。其唯一的目的是要以简化形式给出一个或多个方面的一些概念以为稍后给出的更加详细的描述之序。
本发明的目的在于解决上述问题,提供了一种电机定子线圈匝间短路故障在线诊断方法和系统,能够在不停机的情况下完成绝缘状态的评估,既节省试验的时间和花费,也能做到连续监测。
本发明的技术方案为:本发明揭示了一种电机定子线圈匝间短路故障在线诊断方法,方法包括:
步骤1:对电机两相电流信号进行预处理,预处理包括对电流信号的奇异值进行检测和修复;
步骤2:通过预处理后获取的电机两相电流,计算获取到电机第三相电流信号;
步骤3:将得到的电机三相电流进行分析,提取各自的故障特征,形成电机定子线圈匝间短路故障的多个初步诊断决策;
步骤4:针对步骤3中基于获取到的电机电流数据而形成的多个初步诊断决策,进行融合诊断,得到电机定子线圈匝间短路故障的检测结果。
根据本发明的电机定子线圈匝间短路故障在线诊断方法的一实施例,步骤1中对电流信号的奇异值进行检测和修复的处理进一步包括:
首先进行奇异值的检测,通过离群点检测确定离群值的位置;
然后通过插值处理基于离群值的位置进行数据修复。
根据本发明的电机定子线圈匝间短路故障在线诊断方法的一实施例,离群点检测的方法包括但不限于:峰度检验法、基于邻近度的离群点检测、基于密度的离群点检测、基于聚类的离群点检测;插值处理的方法包括但不限于:一次线性插值、多项式插值、牛顿插值。
根据本发明的电机定子线圈匝间短路故障在线诊断方法的一实施例,步骤2中是基于电机三相电流矢量和为零得到电机第三相电流信号。
根据本发明的电机定子线圈匝间短路故障在线诊断方法的一实施例,步骤3中的分析方法包括但不限于:频谱分析、Park矢量分析、对称分量分析与神经网络分析。
根据本发明的电机定子线圈匝间短路故障在线诊断方法的一实施例,步骤3中的形成多个初步诊断决策的处理进一步包括:
首先选取电机第一相电流进行频谱分析,获取电机电流信号频率构成,并提取电机匝间短路故障频谱特征,判断电机定子线圈是否发生匝间短路故障,形成第一个初步诊断决策;
然后对电机三相电流进行融合分析,获取电机三相电流的Park矢量模,并对矢量模进行频谱分析,提取电机匝间短路Park矢量模频谱的故障特征,判断电机定子线圈是否发生匝间短路故障,形成第二个初步诊断决策;
再根据对称分量法分析电机电流不平衡特性,并设定合理阈值初步判断电机是否出现匝间短路故障,形成第三个初步诊断决策;
最后对电机三相电流融合进行分析,建立电机电流与运行参数之间的神经网络模型,并通过正常电机与匝间短路故障数据对模型进行训练,将训练好的网络模型对电机实时电流数据进行分类,初步判断电机是否出现定子线圈匝间短路故障,形成第四个初步诊断决策。
根据本发明的电机定子线圈匝间短路故障在线诊断方法的一实施例,步骤4中的融合诊断的方法是D-S信号融合的处理方法。
本发明还揭示了一种电机定子线圈匝间短路故障在线诊断系统,系统包括:
预处理模块,对电机两相电流信号进行预处理,预处理包括对电流信号的奇异值进行检测和修复;
电流信号计算模块,通过预处理后获取的电机两相电流,计算获取到电机第三相电流信号;
初步诊断决策获取模块,将得到的电机三相电流进行分析,提取各自的故障特征,形成电机定子线圈匝间短路故障的多个初步诊断决策;
诊断决策融合模块,针对初步诊断决策获取模块中基于获取到的电机电流数据而形成的多个初步诊断决策,进行融合诊断,得到电机定子线圈匝间短路故障的检测结果。
根据本发明的电机定子线圈匝间短路故障在线诊断系统的一实施例,预处理模块进一步包括:
奇异值检测单元,进行奇异值的检测,通过离群点检测确定离群值的位置;
数据修复单元,通过插值处理基于离群值的位置进行数据修复。
根据本发明的电机定子线圈匝间短路故障在线诊断系统的一实施例,奇异值检测单元中的离群点检测包括但不限于:峰度检验法、基于邻近度的离群点检测、基于密度的离群点检测、基于聚类的离群点检测;数据修复单元中的插值处理包括但不限于:一次线性插值、多项式插值、牛顿插值。
根据本发明的电机定子线圈匝间短路故障在线诊断系统的一实施例,电流信号计算模块是基于电机三相电流矢量和为零得到电机第三相电流信号。
根据本发明的电机定子线圈匝间短路故障在线诊断系统的一实施例,初步诊断决策获取模块的对电机三相电流的分析包括但不限于:频谱分析、Park矢量分析、对称分量分析与神经网络分析。
根据本发明的电机定子线圈匝间短路故障在线诊断系统的一实施例,初步诊断决策获取模块进一步包括:
第一初步诊断决策形成单元,选取电机第一相电流进行频谱分析,获取电机电流信号频率构成,并提取电机匝间短路故障频谱特征,判断电机定子线圈是否发生匝间短路故障,形成第一个初步诊断决策;
第二初步诊断决策形成单元,对电机三相电流进行融合分析,获取电机三相电流的Park矢量模,并对矢量模进行频谱分析,提取电机匝间短路Park矢量模频谱的故障特征,判断电机定子线圈是否发生匝间短路故障,形成第二个初步诊断决策;
第三初步诊断决策形成单元,根据对称分量法分析电机电流不平衡特性,并设定合理阈值初步判断电机是否出现匝间短路故障,形成第三个初步诊断决策;
第四初步诊断决策形成单元,对电机三相电流融合进行分析,建立电机电流与运行参数之间的神经网络模型,并通过正常电机与匝间短路故障数据对模型进行训练,将训练好的网络模型对电机实时电流数据进行分类,初步判断电机是否出现定子线圈匝间短路故障,形成第四个初步诊断决策。
根据本发明的电机定子线圈匝间短路故障在线诊断系统的一实施例,诊断决策融合模块的融合诊断采用D-S信号融合。
本发明还揭示了一种电机定子线圈匝间短路故障在线诊断系统,系统包括:
处理器;以及
存储器,所述存储器被配置为存储一系列计算机可执行的指令以及与所述一系列计算机可执行的指令相关联的计算机可访问的数据,
其中,当所述一系列计算机可执行的指令被所述处理器执行时,使得所述处理器进行如上所述的方法。
本发明还揭示了一种非临时性计算机可读存储介质,所述非临时性计算机可读存储介质上存储有一系列计算机可执行的指令,当所述一系列可执行的指令被计算装置执行时,使得计算装置进行如上所述的方法。
本发明对比现有技术有如下的有益效果:本发明的技术摘要为以电机电流信号为分析对象,首先对电流信号进行预处理,将奇异值进行修复。再采用信息融合技术,通过对电机电流信号采用频谱分析、Park矢量分析、对称分量分析与神经网络分析等方法,初步形成电机定子线圈匝间短路故障相关决策,然后将决策通过D-S理论进行融合,实现电机定子线圈匝间短路故障在线准确检测,解决电机定子线圈匝间短路在线检测难题。
本发明具有如下的优点:
(1)以电机两相电流信号为原始分析对象,在轨道交通领域等电机控制系统已获取两相电流信号,因此无需额外增加传感采集设备;
(2)本发明是一种在线的电机定子线圈匝间短路诊断方法,可实时监控电机定子状态,避免因电机定子匝间短路导致严重故障发生,同时可以避免电机定子线圈绝缘的定期检测;
(3)本发明对电机电流信号采用频谱分析、Park矢量分析、对称分量分析与神经网络分析等多种分析方法,形成各自初步诊断决策,然后通过信号融合理论实现最终电机定子匝间短路故障诊断。
附图说明
在结合以下附图阅读本公开的实施例的详细描述之后,能够更好地理解本发明的上述特征和优点。在附图中,各组件不一定是按比例绘制,并且具有类似的相关特性或特征的组件可能具有相同或相近的附图标记。
图1示出了本发明的电机定子线圈匝间短路故障在线诊断方法的一实施例的流程图。
图2示出了本发明的电机定子线圈匝间短路故障在线诊断系统的一实施例的原理图。
具体实施方式
以下结合附图和具体实施例对本发明作详细描述。注意,以下结合附图和具体实施例描述的诸方面仅是示例性的,而不应被理解为对本发明的保护范围进行任何限制。
图1示出了本发明的电机定子线圈匝间短路故障在线诊断方法的一实施例的流程。请参见图1,下面是对本实施例的电机定子线圈匝间短路故障在线诊断方法的实施步骤的详细描述。
步骤1:首先对电机两相电流信号(两相电流信号即A相和B相电流信号)进行预处理,预处理主要包括对电流信号的奇异值进行检测和修复。
首先进行的是奇异值的检测,即离群点检测,在本实施例中离群点检测采用峰度检验法,其检测公式如下:
式中xi为A相或B相电流信号,确定检出水平α,并查峰度检验的临界值表确定阈值bp'(n),当bk>bp'(n),判定离均值最远的值为离群值,确定离群值位置后,再进行数据修复,本实施例中的数据修复采用一次插值方法,通过离群点前后位置数据(xk-1,yk-1)与(xk+1,yk+1),首先确定xk即为离群点序号k,然后得到插值点yk如下:
处理完上述离群点后,继续重复采用峰度检验法检验是否仍然存在异常值,存在则再次进行一次插值进行修复,不存在则完成数据预处理。
此外,预处理过程除了上述的采用峰度检验法的离群点检测和采用一次线性插值法的数据修复之外,还可以采用基于邻近度的离群点检测、基于密度的离群点检测或基于聚类的离群点检测等的检测方法,以及可采用多项式插值、牛顿插值等内插方法的数据修复技术。
步骤2:通过预处理后获取的电机两相电流,计算获取到电机第三相电流信号(电机第三相电流信号即电机C相电流信号)。
在本实施例中,是通过电机三相电流矢量和为零得到电机C相电流信号:IC=-(IA+IB)。
步骤3:将得到的电机三相电流(电机A、B与C相电流信号)进行分析,提取各自的故障特征,形成电机定子线圈匝间短路故障的多个初步诊断决策。
分析的方法包括但不限于:频谱分析、Park矢量分析、对称分量分析与神经网络分析。
在本实施例中,首先选取A相电流进行频谱分析。通过频谱分析,获取电机电流信号频率构成,并提取电机匝间短路故障频谱特征,判断电机定子线圈是否发生匝间短路故障,形成初步诊断决策1。
接下来对电机的A、B与C三相电流进行融合分析,获取电机三相电流的Park矢量模,并对矢量模进行频谱分析,提取电机匝间短路Park矢量模频谱的故障特征,判断电机定子线圈是否发生匝间短路故障,形成初步诊断决策2。
根据对称分量法,实际中电机的三相绕组对称,所以电机不平衡几乎为零。而当电机出现定子线圈匝间短路故障时,电机不平衡度增大,因此通过对称分量法分析电机电流不平衡特性,并设定合理阈值就可以初步判断电机是否出现匝间短路故障,形成初步诊断决策3。
最后对电机A、B与C三相电流融合进行分析,建立电机电流与运行参数之间的神经网络模型,并通过正常电机与匝间短路故障数据对模型进行训练,将训练好的网络模型对电机实时电流数据进行分类,可以初步判断电机是否出现定子线圈匝间短路故障,形成初步诊断决策4。
步骤4:针对步骤3中基于获取到的电机电流数据而形成的多个初步诊断决策,进行融合诊断,得到电机定子线圈匝间短路故障的检测结果。
在本实施例中,步骤3中得到了4个初步诊断决策,然而电机在运行中,由于现场工况、负载与运行条件复杂多变,导致不同分析方法可能会出现不同分析结果,因此在最终判决电机是否存在匝间短路故障时,应该将4种初步诊断决策进行融合。
本实施例中采用D-S信号融合理论,这是一种不确定推理方法,其主要特点是:满足比贝叶斯概率论更弱的条件;具有直接表达“不确定”和“不知道”的能力,属于人工智能范畴。
在本实施例中,首先设D为电机匝间短路识别框架,函数m:2D→[0,1],满足:
上式中,m为框架D上的基本可信度分配,A为m的焦元,m(A)为电机发生匝间短路状态A的基本可信度,本实施例中采用前述的4种方法初步进行电机定子线圈匝间短路故障检测,每个方法对应匝间短路故障是否发生,采用第i个方法识别电机匝间短路发生与否为Aij(i=1,2,3,4,j=0,1),mi(Aij)表示用方法i进行检测,发生匝间短路故障Aij的基本可信度分配。
D-S融合决策规则如下:基于基本可信度分配mi(Aij)(i=1,2,3,4,j=0,1),融合4种匝间短路诊断方法后,信度函数对应的基本可信度分配m(AJ),融合规则如下:
上式中,K为归一化系数,φ为空集。经过D-S理论融合后的m(AJ),即可最终确定电机是否发生定子线圈匝间短路故障。
图2示出了本发明的电机定子线圈匝间短路故障在线诊断系统的一实施例的原理。请参见图2,本实施例的系统包括:预处理模块、电流信号计算模块、初步诊断决策获取模块、诊断决策融合模块。
其中预处理模块的输出端连接电流信号计算模块的输入端,预处理模块和电流信号计算模块的输出端连接初步诊断决策获取模块,初步诊断决策获取模块的输出端连接诊断决策融合模块。
预处理模块用于为对电机两相电流信号进行预处理,预处理包括对电流信号的奇异值进行检测和修复。
预处理模块进一步包括奇异值检测单元和数据修复单元。其中奇异值检测单元的输出端连接数据修复单元的输入端。
奇异值检测单元用于进行奇异值的检测,通过离群点检测确定离群值的位置。奇异值检测单元中的离群点检测包括但不限于:峰度检验法、基于邻近度的离群点检测、基于密度的离群点检测、基于聚类的离群点检测。
本实施例中以峰度检验法为例进行说明。
峰度检验法的检测公式如下:
数据修复单元用于通过插值处理基于离群值的位置进行数据修复。数据修复单元中的插值处理包括但不限于:一次线性插值、多项式插值、牛顿插值。
本实施例中以一次线性插值为例进行说明。
在前述确定离群值位置后,再进行数据修复,通过离群点前后位置数据(xk-1,yk-1)与(xk+1,yk+1),首先确定xk即为离群点序号k,然后得到插值点yk如下:
处理完上述离群点后,继续重复采用峰度检验法检验是否仍然存在异常值,存在则再次进行一次插值进行修复,不存在则完成数据预处理。
电流信号计算模块用于为通过预处理后获取的电机两相电流,计算获取到电机第三相电流信号。
在本实施例中,是通过电机三相电流矢量和为零得到电机第三相电流信号(即)电机C相电流信号:IC=-(IA+IB)。其中IA和IB为电机A相电流信号和电机B相电流信号。
初步诊断决策获取模块用于将得到的电机三相电流进行分析,提取各自的故障特征,形成电机定子线圈匝间短路故障的多个初步诊断决策。初步诊断决策获取模块的对电机三相电流的分析包括但不限于:频谱分析、Park矢量分析、对称分量分析与神经网络分析。
初步诊断决策获取模块包括:第一初步诊断决策形成单元、第二初步诊断决策形成单元、第三初步诊断决策形成单元、第四初步诊断决策形成单元。
第一初步诊断决策形成单元配置为:选取电机第一相电流进行频谱分析,获取电机电流信号频率构成,并提取电机匝间短路故障频谱特征,判断电机定子线圈是否发生匝间短路故障,形成第一个初步诊断决策。
第二初步诊断决策形成单元配置为:对电机三相电流进行融合分析,获取电机三相电流的Park矢量模,并对矢量模进行频谱分析,提取电机匝间短路Park矢量模频谱的故障特征,判断电机定子线圈是否发生匝间短路故障,形成第二个初步诊断决策。
第三初步诊断决策形成单元配置为:根据对称分量法分析电机电流不平衡特性,并设定合理阈值初步判断电机是否出现匝间短路故障,形成第三个初步诊断决策。
第四初步诊断决策形成单元配置为:对电机三相电流融合进行分析,建立电机电流与运行参数之间的神经网络模型,并通过正常电机与匝间短路故障数据对模型进行训练,将训练好的网络模型对电机实时电流数据进行分类,初步判断电机是否出现定子线圈匝间短路故障,形成第四个初步诊断决策。
诊断决策融合模块用于针对初步诊断决策获取模块中基于获取到的电机电流数据而形成的多个初步诊断决策,进行融合诊断,得到电机定子线圈匝间短路故障的检测结果。断决策融合模块的融合诊断采用D-S信号融合,这是一种不确定推理方法,其主要特点是:满足比贝叶斯概率论更弱的条件;具有直接表达“不确定”和“不知道”的能力,属于人工智能范畴。
在本实施例中,首先设D为电机匝间短路识别框架,函数m:2D→[0,1],满足:
上式中,m为框架D上的基本可信度分配,A为m的焦元,m(A)为电机发生匝间短路状态A的基本可信度,本实施例中采用前述的4种方法初步进行电机定子线圈匝间短路故障检测,每个方法对应匝间短路故障是否发生,采用第i个方法识别电机匝间短路发生与否为Aij(i=1,2,3,4,j=0,1),mi(Aij)表示用方法i进行检测,发生匝间短路故障Aij的基本可信度分配。
D-S融合决策规则如下:基于基本可信度分配mi(Aij)(i=1,2,3,4,j=0,1),融合4种匝间短路诊断方法后,信度函数对应的基本可信度分配m(AJ),融合规则如下:
上式中,K为归一化系数,φ为空集。经过D-S理论融合后的m(AJ),即可最终确定电机是否发生定子线圈匝间短路故障。
此外,本发明还揭示了一种电机定子线圈匝间短路故障在线诊断系统,系统包括处理器和存储器。
存储器被配置为存储一系列计算机可执行的指令以及与这一系列计算机可执行的指令相关联的计算机可访问的数据。
当这一系列计算机可执行的指令被处理器执行时,使得处理器进行如上述实施例中所描述的方法。
此外,本发明还揭示了一种非临时性计算机可读存储介质,非临时性计算机可读存储介质上存储有一系列计算机可执行的指令。当这一系列可执行的指令被一计算装置执行时,使得计算装置进行如上述实施例中所描述的方法。
尽管为使解释简单化将上述方法图示并描述为一系列动作,但是应理解并领会,这些方法不受动作的次序所限,因为根据一个或多个实施例,一些动作可按不同次序发生和/或与来自本文中图示和描述或本文中未图示和描述但本领域技术人员可以理解的其他动作并发地发生。
本领域技术人员将进一步领会,结合本文中所公开的实施例来描述的各种解说性逻辑板块、模块、电路、和算法步骤可实现为电子硬件、计算机软件、或这两者的组合。为清楚地解说硬件与软件的这一可互换性,各种解说性组件、框、模块、电路、和步骤在上面是以其功能性的形式作一般化描述的。此类功能性是被实现为硬件还是软件取决于具体应用和施加于整体系统的设计约束。技术人员对于每种特定应用可用不同的方式来实现所描述的功能性,但这样的实现决策不应被解读成导致脱离了本发明的范围。
结合本文所公开的实施例描述的各种解说性逻辑板块、模块、和电路可用通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或其它可编程逻辑器件、分立的门或晶体管逻辑、分立的硬件组件、或其设计成执行本文所描述功能的任何组合来实现或执行。通用处理器可以是微处理器,但在替换方案中,该处理器可以是任何常规的处理器、控制器、微控制器、或状态机。处理器还可以被实现为计算设备的组合,例如DSP与微处理器的组合、多个微处理器、与DSP核心协作的一个或多个微处理器、或任何其他此类配置。
结合本文中公开的实施例描述的方法或算法的步骤可直接在硬件中、在由处理器执行的软件模块中、或在这两者的组合中体现。软件模块可驻留在RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动盘、CD-ROM、或本领域中所知的任何其他形式的存储介质中。示例性存储介质耦合到处理器以使得该处理器能从/向该存储介质读取和写入信息。在替换方案中,存储介质可以被整合到处理器。处理器和存储介质可驻留在ASIC中。ASIC可驻留在用户终端中。在替换方案中,处理器和存储介质可作为分立组件驻留在用户终端中。
在一个或多个示例性实施例中,所描述的功能可在硬件、软件、固件或其任何组合中实现。如果在软件中实现为计算机程序产品,则各功能可以作为一条或更多条指令或代码存储在计算机可读介质上或藉其进行传送。计算机可读介质包括计算机存储介质和通信介质两者,其包括促成计算机程序从一地向另一地转移的任何介质。存储介质可以是能被计算机访问的任何可用介质。作为示例而非限定,这样的计算机可读介质可包括RAM、ROM、EEPROM、CD-ROM或其它光盘存储、磁盘存储或其它磁存储设备、或能被用来携带或存储指令或数据结构形式的合意程序代码且能被计算机访问的任何其它介质。任何连接也被正当地称为计算机可读介质。例如,如果软件是使用同轴电缆、光纤电缆、双绞线、数字订户线(DSL)、或诸如红外、无线电、以及微波之类的无线技术从web网站、服务器、或其它远程源传送而来,则该同轴电缆、光纤电缆、双绞线、DSL、或诸如红外、无线电、以及微波之类的无线技术就被包括在介质的定义之中。如本文中所使用的盘(disk)和碟(disc)包括压缩碟(CD)、激光碟、光碟、数字多用碟(DVD)、软盘和蓝光碟,其中盘(disk)往往以磁的方式再现数据,而碟(disc)用激光以光学方式再现数据。上述的组合也应被包括在计算机可读介质的范围内。
提供对本公开的先前描述是为使得本领域任何技术人员皆能够制作或使用本公开。对本公开的各种修改对本领域技术人员来说都将是显而易见的,且本文中所定义的普适原理可被应用到其他变体而不会脱离本公开的精神或范围。由此,本公开并非旨在被限定于本文中所描述的示例和设计,而是应被授予与本文中所公开的原理和新颖性特征相一致的最广范围。
Claims (16)
1.一种电机定子线圈匝间短路故障在线诊断方法,其特征在于,方法包括:
步骤1:对电机两相电流信号进行预处理,预处理包括对电流信号的奇异值进行检测和修复;
步骤2:通过预处理后获取的电机两相电流,计算获取到电机第三相电流信号;
步骤3:将得到的电机三相电流进行分析,提取各自的故障特征,形成电机定子线圈匝间短路故障的多个初步诊断决策;
步骤4:针对步骤3中基于获取到的电机电流数据而形成的多个初步诊断决策,进行融合诊断,得到电机定子线圈匝间短路故障的检测结果。
2.根据权利要求1所述的电机定子线圈匝间短路故障在线诊断方法,其特征在于,步骤1中对电流信号的奇异值进行检测和修复的处理进一步包括:
首先进行奇异值的检测,通过离群点检测确定离群值的位置;
然后通过插值处理基于离群值的位置进行数据修复。
3.根据权利要求2所述的电机定子线圈匝间短路故障在线诊断方法,其特征在于,离群点检测的方法包括但不限于:峰度检验法、基于邻近度的离群点检测、基于密度的离群点检测、基于聚类的离群点检测;插值处理的方法包括但不限于:一次线性插值、多项式插值、牛顿插值。
4.根据权利要求1所述的电机定子线圈匝间短路故障在线诊断方法,其特征在于,步骤2中是基于电机三相电流矢量和为零得到电机第三相电流信号。
5.根据权利要求1所述的电机定子线圈匝间短路故障在线诊断方法,其特征在于,步骤3中的分析方法包括但不限于:频谱分析、Park矢量分析、对称分量分析与神经网络分析。
6.根据权利要求5所述的电机定子线圈匝间短路故障在线诊断方法,其特征在于,步骤3中的形成多个初步诊断决策的处理进一步包括:
首先选取电机第一相电流进行频谱分析,获取电机电流信号频率构成,并提取电机匝间短路故障频谱特征,判断电机定子线圈是否发生匝间短路故障,形成第一个初步诊断决策;
然后对电机三相电流进行融合分析,获取电机三相电流的Park矢量模,并对矢量模进行频谱分析,提取电机匝间短路Park矢量模频谱的故障特征,判断电机定子线圈是否发生匝间短路故障,形成第二个初步诊断决策;
再根据对称分量法分析电机电流不平衡特性,并设定合理阈值初步判断电机是否出现匝间短路故障,形成第三个初步诊断决策;
最后对电机三相电流融合进行分析,建立电机电流与运行参数之间的神经网络模型,并通过正常电机与匝间短路故障数据对模型进行训练,将训练好的网络模型对电机实时电流数据进行分类,初步判断电机是否出现定子线圈匝间短路故障,形成第四个初步诊断决策。
7.根据权利要求1所述的电机定子线圈匝间短路故障在线诊断方法,其特征在于,步骤4中的融合诊断的方法是D-S信号融合的处理方法。
8.一种电机定子线圈匝间短路故障在线诊断系统,其特征在于,系统包括:
预处理模块,对电机两相电流信号进行预处理,预处理包括对电流信号的奇异值进行检测和修复;
电流信号计算模块,通过预处理后获取的电机两相电流,计算获取到电机第三相电流信号;
初步诊断决策获取模块,将得到的电机三相电流进行分析,提取各自的故障特征,形成电机定子线圈匝间短路故障的多个初步诊断决策;
诊断决策融合模块,针对初步诊断决策获取模块中基于获取到的电机电流数据而形成的多个初步诊断决策,进行融合诊断,得到电机定子线圈匝间短路故障的检测结果。
9.根据权利要求8所述的电机定子线圈匝间短路故障在线诊断系统,其特征在于,预处理模块进一步包括:
奇异值检测单元,进行奇异值的检测,通过离群点检测确定离群值的位置;
数据修复单元,通过插值处理基于离群值的位置进行数据修复。
10.根据权利要求9所述的电机定子线圈匝间短路故障在线诊断系统,其特征在于,奇异值检测单元中的离群点检测包括但不限于:峰度检验法、基于邻近度的离群点检测、基于密度的离群点检测、基于聚类的离群点检测;数据修复单元中的插值处理包括但不限于:一次线性插值、多项式插值、牛顿插值。
11.根据权利要求8所述的电机定子线圈匝间短路故障在线诊断系统,其特征在于,电流信号计算模块是基于电机三相电流矢量和为零得到电机第三相电流信号。
12.根据权利要求8所述的电机定子线圈匝间短路故障在线诊断系统,其特征在于,初步诊断决策获取模块的对电机三相电流的分析包括但不限于:频谱分析、Park矢量分析、对称分量分析与神经网络分析。
13.根据权利要求12所述的电机定子线圈匝间短路故障在线诊断系统,其特征在于,初步诊断决策获取模块进一步包括:
第一初步诊断决策形成单元,选取电机第一相电流进行频谱分析,获取电机电流信号频率构成,并提取电机匝间短路故障频谱特征,判断电机定子线圈是否发生匝间短路故障,形成第一个初步诊断决策;
第二初步诊断决策形成单元,对电机三相电流进行融合分析,获取电机三相电流的Park矢量模,并对矢量模进行频谱分析,提取电机匝间短路Park矢量模频谱的故障特征,判断电机定子线圈是否发生匝间短路故障,形成第二个初步诊断决策;
第三初步诊断决策形成单元,根据对称分量法分析电机电流不平衡特性,并设定合理阈值初步判断电机是否出现匝间短路故障,形成第三个初步诊断决策;
第四初步诊断决策形成单元,对电机三相电流融合进行分析,建立电机电流与运行参数之间的神经网络模型,并通过正常电机与匝间短路故障数据对模型进行训练,将训练好的网络模型对电机实时电流数据进行分类,初步判断电机是否出现定子线圈匝间短路故障,形成第四个初步诊断决策。
14.根据权利要求8所述的电机定子线圈匝间短路故障在线诊断系统,其特征在于,诊断决策融合模块的融合诊断采用D-S信号融合。
15.一种电机定子线圈匝间短路故障在线诊断系统,其特征在于,系统包括:
处理器;以及
存储器,所述存储器被配置为存储一系列计算机可执行的指令以及与所述一系列计算机可执行的指令相关联的计算机可访问的数据,
其中,当所述一系列计算机可执行的指令被所述处理器执行时,使得所述处理器进行如权利要求1至7中任一项所述的方法。
16.一种非临时性计算机可读存储介质,其特征在于,所述非临时性计算机可读存储介质上存储有一系列计算机可执行的指令,当所述一系列可执行的指令被计算装置执行时,使得计算装置进行如权利要求1至7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010985107.1A CN114200302A (zh) | 2020-09-18 | 2020-09-18 | 一种电机定子线圈匝间短路故障在线诊断方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010985107.1A CN114200302A (zh) | 2020-09-18 | 2020-09-18 | 一种电机定子线圈匝间短路故障在线诊断方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114200302A true CN114200302A (zh) | 2022-03-18 |
Family
ID=80645376
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010985107.1A Pending CN114200302A (zh) | 2020-09-18 | 2020-09-18 | 一种电机定子线圈匝间短路故障在线诊断方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114200302A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102135600A (zh) * | 2011-01-28 | 2011-07-27 | 中国人民解放军海军潜艇学院 | 异步电动机故障检测装置及方法 |
CN106483459A (zh) * | 2016-09-22 | 2017-03-08 | 河海大学 | 电动汽车永磁同步电机定子不对称故障诊断方法 |
CN108802523A (zh) * | 2018-05-31 | 2018-11-13 | 山西大学 | 风力发电机组变频器在线监测及故障诊断装置 |
CN109100608A (zh) * | 2018-07-23 | 2018-12-28 | 华北电力大学(保定) | 一种基于d-s信息融合算法的双馈风机定子匝间短路故障的诊断方法 |
CN110376522A (zh) * | 2019-09-03 | 2019-10-25 | 宁夏西北骏马电机制造股份有限公司 | 一种数据融合的深度学习网络的电机故障诊断方法 |
CN111208427A (zh) * | 2020-04-23 | 2020-05-29 | 湖南中车时代通信信号有限公司 | 一种牵引电机故障诊断方法及装置 |
-
2020
- 2020-09-18 CN CN202010985107.1A patent/CN114200302A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102135600A (zh) * | 2011-01-28 | 2011-07-27 | 中国人民解放军海军潜艇学院 | 异步电动机故障检测装置及方法 |
CN106483459A (zh) * | 2016-09-22 | 2017-03-08 | 河海大学 | 电动汽车永磁同步电机定子不对称故障诊断方法 |
CN108802523A (zh) * | 2018-05-31 | 2018-11-13 | 山西大学 | 风力发电机组变频器在线监测及故障诊断装置 |
CN109100608A (zh) * | 2018-07-23 | 2018-12-28 | 华北电力大学(保定) | 一种基于d-s信息融合算法的双馈风机定子匝间短路故障的诊断方法 |
CN110376522A (zh) * | 2019-09-03 | 2019-10-25 | 宁夏西北骏马电机制造股份有限公司 | 一种数据融合的深度学习网络的电机故障诊断方法 |
CN111208427A (zh) * | 2020-04-23 | 2020-05-29 | 湖南中车时代通信信号有限公司 | 一种牵引电机故障诊断方法及装置 |
Non-Patent Citations (4)
Title |
---|
侯冶,徐海龙: "基于NARX 的牵引电机温度预警技术研究", 《大电机技术》 * |
张建文,王春生,张强,朱宁辉,姚奇: "异步电动机信息融合故障诊断模型", 《制造业电气》 * |
张鸣春: "基于多源信息融合的永磁同步电机故障识别研究", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 * |
李俊卿, 李忠徽, 仝宗义: "基于支持向量机和D-S证据理论的双馈风机定子匝间短路故障诊断", 《电机与控制应用》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lee et al. | Attention recurrent neural network-based severity estimation method for interturn short-circuit fault in permanent magnet synchronous machines | |
Liang et al. | Induction motors fault diagnosis using finite element method: A review | |
Cherif et al. | Early detection and localization of stator inter-turn faults based on discrete wavelet energy ratio and neural networks in induction motor | |
Nurmanova et al. | A new transformer FRA measurement technique to reach smart interpretation for inter-disk faults | |
Amanuel et al. | Design of Vibration Frequency Method with Fine-Tuned Factor for Fault Detection of Three Phase Induction Motor | |
KR102104117B1 (ko) | 전동기의 진단 장치 | |
Verucchi et al. | A review on fault diagnosis of induction machines | |
Hussain et al. | Fault Detection and Identification Using Deep Learning Algorithms in InductionMotors. | |
Kumar et al. | A topological neural-based scheme for classification of faults in induction machines | |
Devarajan et al. | Detection and classification of mechanical faults of three phase induction motor via pixels analysis of thermal image and adaptive neuro-fuzzy inference system | |
Husari et al. | Sensitive inter-tum fault identifcation in induction motors using deep learning based methods | |
Das et al. | RPCNNet: A deep learning approach to sense minor stator winding interturn fault severity in induction motor under variable load condition | |
CN117786385A (zh) | 基于孪生网络的三相异步电动机故障监测方法及系统 | |
Azgomi et al. | Experimental validation on stator fault detection via fuzzy logic | |
Chaouche et al. | Finite element method to construct a lumped parameter ladder network of the transformer winding | |
CN114200302A (zh) | 一种电机定子线圈匝间短路故障在线诊断方法和系统 | |
Sumislawska et al. | The impact of thermal degradation on electrical machine winding insulation | |
CN115343579B (zh) | 一种电网故障分析方法、装置及电子设备 | |
Ni et al. | A real-time fault diagnosis method for grid-side overcurrent in train traction system using signal time series feature pattern recognition | |
Zhang et al. | Efficient hairpin winding fault detection using impedance measurements | |
Lalami et al. | Synchronous generator off-line diagnosis approach including fault detection and estimation of failures on machine parameters | |
Ma et al. | Fault diagnosis of laminar cooling roller motor based on morphological recognition and combination patterns mining of multicurrent signatures | |
Behbahanifard et al. | Non-invasive on-line detection of winding faults in induction motors—A review | |
CN112083267A (zh) | 一种配电网线路故障识别方法、装置及系统 | |
Kim et al. | Reducing the impact of false alarms in induction motor fault diagnosis |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220318 |
|
RJ01 | Rejection of invention patent application after publication |