CN114279555A - 一种电机异常振动监测方法及系统 - Google Patents
一种电机异常振动监测方法及系统 Download PDFInfo
- Publication number
- CN114279555A CN114279555A CN202111612549.2A CN202111612549A CN114279555A CN 114279555 A CN114279555 A CN 114279555A CN 202111612549 A CN202111612549 A CN 202111612549A CN 114279555 A CN114279555 A CN 114279555A
- Authority
- CN
- China
- Prior art keywords
- motor
- rotating speed
- sample
- vibration
- monitoring
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 67
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 39
- 238000000034 method Methods 0.000 title claims abstract description 24
- 239000011159 matrix material Substances 0.000 claims abstract description 63
- 230000001133 acceleration Effects 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 230000001360 synchronised effect Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 description 4
- 238000003070 Statistical process control Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Images
Landscapes
- Control Of Electric Motors In General (AREA)
Abstract
本发明提供了一种电机异常振动的监测方法及系统,所述方法包括:对电机的振动数据和电气数据进行采集,根据电机的电气数据来得到电机的转速,并构建电机在不同转速区间的振动数据的基准特征向量矩阵Xm×n,其中,m为统计样本个数,n为每个样本数据特征维数;根据每个转速区间的基准特征向量矩阵Xm×n分别计算在各个转速区间的监测阈值;根据待测样本与基准特征向量矩阵Xm×n的马氏距离指标及当前转速所在的区间的监测阈值来判断电机是否异常。本发明的电机异常振动的监测方法具有监测结果准确的优点。
Description
技术领域
本发明涉及电机监测领域,尤其涉及一种电机异常振动监测方法及系统。
背景技术
电机主要机械部件有转子,定子以及轴承等,由于机组使用寿命以及转速变化,导致电机出现不同情况的振动特征。振动是电机运行特征的一个重要体现。
在电机运行过程中,各个部件的损坏或异常,会使得电机的振动情况发生变化,而且破坏的早期,这种振动变化的幅值往往不是很明显,比较难检测到。最终会导致关键部件的不可逆转的损坏,使机组长时间停机,带来严重的经济损失。
传统的状态监测通常只对单一特征量进行监测,通过人为设定阈值的方法来判断设备的运行状态。这种方法需要大量的人工干预,依赖经验。并且单一的变量往往不能将设备的运行状态完整地反映出来。同时,在考虑设备的振动情况时未考虑其转速情况,而工业现场由于工艺的不同,设备的转速一般会实时发生变化。又因为转速的不同,会使得设备的振动状态不同。因此,如果不考虑设备的转速,仅监测其振动指标,可能会使得监测结果出现偏差。
发明内容
本发明的目的在于提供了一种监测结果准确的电机异常振动监测方法及系统。
本发明实施例中,提供了一种电机异常振动的监测方法,其包括:
对电机的振动数据和电气数据进行采集,根据电机的电气数据来得到电机的转速,并构建电机在不同转速区间的振动数据的基准特征向量矩阵Xm×n,其中,m为统计样本个数,n为每个样本数据特征维数;
根据每个转速区间的基准特征向量矩阵Xm×n分别计算在各个转速区间的监测阈值;
计算待测样本的当前转速以及当前转速所在的区间内待测样本与基准特征向量矩阵Xm×n的马氏距离指标;
根据待测样本与基准特征向量矩阵Xm×n的马氏距离指标及当前转速所在的区间的监测阈值来判断电机是否异常。
本发明实施例中,根据每个转速区间的基准特征向量矩阵Xm×n分别计算在各个转速区间的监测阈值,包括:
首先,将基准特征向量矩阵Xm×n归一化得到归一化特征向量矩阵Z;
最后,通过3Sigma准则计算监测阈值MDthreshold=MDtrain×3。
本发明实施例中,计算待测样本的当前转速以及当前转速所在的区间内待测样本与基准特征向量矩阵Xm×n的马氏距离指标,包括:
计算样本的转速,根据样本的转速得到其所在的转速区间;
在待测样本中提取特征向量y=[y1,y2,…,yN]并进行归一化处理,计算其与当前转速所在的区间的基准特征向量矩阵Xm×n对应的归一化特征向量矩阵Z的马氏距离指标:MD=yC-1yT。
本发明实施例中,根据电机的电气数据来得到电机的转速,包括:
根据电机的电气数据计算电机的转速;
根据样本的转速得到其所在的转速区间,其中,转速区间根据如下规则进行划分:
转速从额定转速到同步转速之间,每5rpm为一个转速区间,转速区间的选取原则为左闭右开。
本发明实施例中,根据待测样本与基准特征向量矩阵Xm×n的马氏距离指标来判断电机是否异常,包括:
将采集到的待测样本与基准特征向量矩阵Xm×n的马氏距离指标和对应转速区间的监测阈值进行比较,当连续采集到的三个在同一转速区间中的待测样本与基准特征向量矩阵的马氏距离指标超过监测阈值时,则认定电机振动状态出现了异常,发出报警。
本发明实施例中,电机的振动数据包括电机驱动端以及非驱动端的振动数据。
本发明实施例中,电机的电气数据包括三相电压、电流数据。
本发明实施例中,还提供了一种电机异常振动的监测系统,其包括:
采集模块,用于对电机的振动数据和电气数据进行采集;
基准特征向量矩阵构建模块,用于根据电机的电气数据来得到电机的转速,并构建电机在不同转速区间的振动数据的基准特征向量矩阵Xm×n,其中,m为统计样本个数,n为每个样本数据特征维数;
马氏距离指标计算模块,用于计算待测样本的当前转速以及当前转速所在的区间内待测样本与基准特征向量矩阵Xm×n的马氏距离指标;
监测阈值计算模块,用于根据每个转速区间的基准特征向量矩阵Xm×n分别计算在各个转速区间的监测阈值;
电机状态判断模块,用于根据待测样本与基准特征向量矩阵Xm×n的马氏距离指标及当前转速所在的区间的监测阈值来判断电机是否异常。
本发明实施例中,所述采集模块包括分别设置在电机驱动端以及非驱动端的振动加速度传感器,分别用于监测电机驱动端以及非驱动端的振动信号。
本发明实施例中,所述采集模块还包括电压互感器以及电流互感器,分别用于获取电机的三相电压、三相电流数据。
与现有技术相比较,本发明的技术方案中,根据每个转速区间的基准特征向量矩阵分别计算在各个转速区间的监测阈值,根据待测样本与基准特征向量矩阵的马氏距离指标及当前转速所在的区间的监测阈值来判断电机是否异常,在统计过程控制通过多维特征来对设备的运行状态进行监测,自适应地构建出监测指标,并且考虑了设备运行过程中的实时转速状态,构建了不同转速下的阈值库,相比于传统的方法,简化了人工的操作,应用信号的多维度特征,并结合了设备的实际运行转速状态,提高了监测模型的准确性。
附图说明
图1是本发明实施例的电机异常振动的监测方法的流程图。
图2是本发明实施例的电机异常振动的监测系统的结构示意图。
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,本发明实施例中,提供了一种电机异常振动的监测方法,其包括步骤S1-S5。下面分别进行说明。
步骤S1:数据采集。
需要说明的是,在对电机振动是否异常进行判断前,需要先采集电机正常运行时的振动数据,并根据电机正常运行时的振动数据中提取出电机正常运行的振动数据特征。因此,在本步骤中,要采集电机在各种转速下的电气数据和振动数据。
具体地,在电机驱动端以及非驱动端分别布置一个振动信号监测点,分别用于监测电机驱动端以及非驱动端的运行情况。振动传感器采用振动加速度传感器,两个测点的传感器的采样频率均设置在20kHz以上。采用电压互感器以及电流互感器,来采集电机输入的三相电压电流信号,采样频率设置在5k~15kHz。
步骤S2:构建特征矩阵。
在本步骤中,首先,根据电机的电气数据计算电机的转速;
然后,根据样本的转速得到其所在的转速区间,其中,转速区间根据如下规则进行划分:
转速从额定转速到同步转速之间,每5rpm为一个转速区间,转速区间的选取原则为左闭右开;
得到电机的转速后,分别构建电机在不同转速区间的振动数据的基准特征向量矩阵Xm×n,其中,m为统计样本个数,n为每个样本数据特征维数。
步骤S3:计算电机在不同转速区间的监测阈值。
需要说明的是,在不同的转速区间中,电机振动的监测阈值不同,具体计算方式如下:
首先,将基准特征向量矩阵Xm×n归一化得到归一化特征向量矩阵Z;
最后,通过3Sigma准则计算监测阈值MDthreshold=MDtrain×3。
步骤S4:计算待测样本的当前转速以及当前转速所在的区间内待测样本与基准特征向量矩阵Xm×n的马氏距离指标。
具体过程包括:
首先,计算样本的转速,根据样本的转速得到其所在的转速区间;
然后,在待测样本中提取特征向量y=[y1,y2,…,yN]并进行归一化处理,计算其与当前转速所在的区间的基准特征向量矩阵Xm×n对应的归一化特征向量矩阵Z的马氏距离指标:MD=yC-1yT。
步骤S5:判断电机是否异常。
具体地,将步骤S4中计算得到的待测样本与基准特征向量矩阵Xm×n的马氏距离指标和对应转速区间的监测阈值进行比较,当连续采集到的三个在同一转速区间中的待测样本与基准特征向量矩阵的马氏距离指标超过监测阈值时,则认定电机振动状态出现了异常,避免误判的情况发生。判断电机振动状态出现了异常后,发出报警。
如图2所示,本发明实施例中,还提供了一种电机异常振动的监测系统,其包括采集模块1、基准特征向量矩阵构建模块2、监测阈值计算模块3、马氏距离指标计算模块4及电机状态判断模块5。
所述采集模块1,用于对电机的振动数据和电气数据进行采集。本发明实施例中,所述采集模块1包括分别设置在电机驱动端以及非驱动端的振动加速度传感器,分别用于监测电机驱动端以及非驱动端的振动信号。所述采集模块还包括电压互感器以及电流互感器,分别用于获取电机的三相电压、三相电流数据。
所述基准特征向量矩阵构建模块2,用于根据电机的电气数据来得到电机的转速,并构建电机在不同转速区间的振动数据的基准特征向量矩阵Xm×n,其中,m为统计样本个数,n为每个样本数据特征维数。
所述监测阈值计算模块3,用于根据每个转速区间的基准特征向量矩阵Xm×n分别计算在各个转速区间的监测阈值。
所述马氏距离指标计算模块4,用于计算待测样本的当前转速以及当前转速所在的区间内待测样本与基准特征向量矩阵Xm×n的马氏距离指标。
所述电机状态判断模块5,用于根据待测样本与基准特征向量矩阵Xm×n的马氏距离指标及当前转速所在的区间的监测阈值来判断电机是否异常。当连续采集到的三个在同一转速区间中的待测样本与基准特征向量矩阵的马氏距离指标超过监测阈值时,则认定电机振动状态出现了异常,发出报警。
综上所述,本发明的技术方案中,根据每个转速区间的基准特征向量矩阵分别计算在各个转速区间的监测阈值,根据待测样本与基准特征向量矩阵的马氏距离指标及当前转速所在的区间的监测阈值来判断电机是否异常,在统计过程控制通过多维特征来对设备的运行状态进行监测,自适应地构建出监测指标,并且考虑了设备运行过程中的实时转速状态,构建了不同转速下的阈值库,相比于传统的方法,简化了人工的操作,应用信号的多维度特征,并结合了设备的实际运行转速状态,提高了监测模型的准确性。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种电机异常振动的监测方法,其特征在于,包括:
对电机的振动数据和电气数据进行采集,根据电机的电气数据来得到电机的转速,并构建电机在不同转速区间的振动数据的基准特征向量矩阵Xm×n,其中,m为统计样本个数,n为每个样本数据特征维数;
根据每个转速区间的基准特征向量矩阵Xm×n分别计算在各个转速区间的监测阈值;
计算待测样本的当前转速以及当前转速所在的区间内待测样本与基准特征向量矩阵Xm×n的马氏距离指标;
根据待测样本与基准特征向量矩阵Xm×n的马氏距离指标及当前转速所在的区间的监测阈值来判断电机是否异常。
3.如权利要求2所述的电机异常振动的监测方法,其特征在于,计算待测样本的当前转速以及当前转速所在的区间内待测样本与基准特征向量矩阵Xm×n的马氏距离指标,包括:
计算样本的转速,根据样本的转速得到其所在的转速区间;
在待测样本中提取特征向量y=[y1,y2,…,yN]并进行归一化处理,计算其与当前转速所在的区间的基准特征向量矩阵Xm×n对应的归一化特征向量矩阵Z的马氏距离指标:MD=yC-1yT。
4.如权利要求1所述的电机异常振动的监测方法,其特征在于,根据电机的电气数据来得到电机的转速,包括:
根据电机的电气数据计算电机的转速;
根据样本的转速得到其所在的转速区间,其中,转速区间根据如下规则进行划分:
转速从额定转速到同步转速之间,每5rpm为一个转速区间,转速区间的选取原则为左闭右开。
5.如权利要求1所述的电机异常振动的监测方法,其特征在于,根据待测样本与基准特征向量矩阵Xm×n的马氏距离指标来判断电机是否异常,包括:
将采集到的待测样本与基准特征向量矩阵Xm×n的马氏距离指标和对应转速区间的监测阈值进行比较,当连续采集到的三个在同一转速区间中的待测样本与基准特征向量矩阵的马氏距离指标超过监测阈值时,则认定电机振动状态出现了异常,发出报警。
6.如权利要求1所述的电机异常振动的监测方法,其特征在于,其特征在于,电机的振动数据包括电机驱动端以及非驱动端的振动数据。
7.如权利要求1所述的电机异常振动的监测方法,其特征在于,电机的电气数据包括三相电压、电流数据。
8.一种电机异常振动的监测系统,其特征在于,包括:
采集模块,用于对电机的振动数据和电气数据进行采集;
基准特征向量矩阵构建模块,用于根据电机的电气数据来得到电机的转速,并构建电机在不同转速区间的振动数据的基准特征向量矩阵Xm×n,其中,m为统计样本个数,n为每个样本数据特征维数;
马氏距离指标计算模块,用于计算待测样本的当前转速以及当前转速所在的区间内待测样本与基准特征向量矩阵Xm×n的马氏距离指标;
监测阈值计算模块,用于根据每个转速区间的基准特征向量矩阵Xm×n分别计算在各个转速区间的监测阈值;
电机状态判断模块,用于根据待测样本与基准特征向量矩阵Xm×n的马氏距离指标及当前转速所在的区间的监测阈值来判断电机是否异常。
9.如权利要求8所述的电机异常振动的监测系统,其特征在于,其特征在于,所述采集模块包括分别设置在电机驱动端以及非驱动端的振动加速度传感器,分别用于监测电机驱动端以及非驱动端的振动信号。
10.如权利要求9所述的电机异常振动的监测系统,其特征在于,所述采集模块还包括电压互感器以及电流互感器,分别用于获取电机的三相电压、三相电流数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111612549.2A CN114279555A (zh) | 2021-12-27 | 2021-12-27 | 一种电机异常振动监测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111612549.2A CN114279555A (zh) | 2021-12-27 | 2021-12-27 | 一种电机异常振动监测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114279555A true CN114279555A (zh) | 2022-04-05 |
Family
ID=80876259
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111612549.2A Pending CN114279555A (zh) | 2021-12-27 | 2021-12-27 | 一种电机异常振动监测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114279555A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105675112A (zh) * | 2015-12-31 | 2016-06-15 | 北京金风科创风电设备有限公司 | 风电机组异常振动的监测方法和装置 |
CN111259717A (zh) * | 2019-10-21 | 2020-06-09 | 杭州安脉盛智能技术有限公司 | 一种旋转设备状态异常判断方法及系统 |
US20200287497A1 (en) * | 2017-11-28 | 2020-09-10 | Kabushiki Kaisha Yaskawa Denki | Abnormality determination system, motor control apparatus, and abnormality determination apparatus |
CN112529059A (zh) * | 2020-12-04 | 2021-03-19 | 湖南五凌电力科技有限公司 | 机组电磁振动诊断方法、系统、计算机设备和存储介质 |
CN112668105A (zh) * | 2021-01-14 | 2021-04-16 | 北京航空航天大学 | 一种基于sae与马氏距离的直升机传动轴异常判定方法 |
CN113609964A (zh) * | 2021-08-03 | 2021-11-05 | 西安市双合软件技术有限公司 | 一种电机异常振动预警方法及系统 |
-
2021
- 2021-12-27 CN CN202111612549.2A patent/CN114279555A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105675112A (zh) * | 2015-12-31 | 2016-06-15 | 北京金风科创风电设备有限公司 | 风电机组异常振动的监测方法和装置 |
US20200287497A1 (en) * | 2017-11-28 | 2020-09-10 | Kabushiki Kaisha Yaskawa Denki | Abnormality determination system, motor control apparatus, and abnormality determination apparatus |
CN111259717A (zh) * | 2019-10-21 | 2020-06-09 | 杭州安脉盛智能技术有限公司 | 一种旋转设备状态异常判断方法及系统 |
CN112529059A (zh) * | 2020-12-04 | 2021-03-19 | 湖南五凌电力科技有限公司 | 机组电磁振动诊断方法、系统、计算机设备和存储介质 |
CN112668105A (zh) * | 2021-01-14 | 2021-04-16 | 北京航空航天大学 | 一种基于sae与马氏距离的直升机传动轴异常判定方法 |
CN113609964A (zh) * | 2021-08-03 | 2021-11-05 | 西安市双合软件技术有限公司 | 一种电机异常振动预警方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | A novel statistical time-frequency analysis for rotating machine condition monitoring | |
Amanuel et al. | Design of Vibration Frequency Method with Fine-Tuned Factor for Fault Detection of Three Phase Induction Motor | |
CN111398820A (zh) | 一种电机健康状态在线监测方法 | |
EP0816860A2 (en) | Detecting anomalies in electrical equipment operation | |
JP7198089B2 (ja) | 電力変換装置、回転機システム、及び診断方法 | |
CN110058157B (zh) | 基于对称分量法和多维指标融合的电机监测方法及系统 | |
CN116434372B (zh) | 用于变工况设备的智能化数据采集系统、工况识别系统 | |
CN111426498B (zh) | 一种监测设备运行状态的边缘处理方法 | |
Arabaci et al. | A knowledge-based diagnosis algorithm for broken rotor bar fault classification using FFT, principal component analysis and support vector machines | |
CN115220396A (zh) | 一种数控机床智能监控方法及系统 | |
CN113609964A (zh) | 一种电机异常振动预警方法及系统 | |
CN110749443B (zh) | 一种基于高阶原点矩的滚动轴承故障诊断方法及系统 | |
WO2021145222A1 (ja) | 電力変換装置、回転機システム、及び診断方法 | |
Song et al. | A new hybrid method for bearing fault diagnosis based on CEEMDAN and ACPSO-BP neural network | |
CN114279555A (zh) | 一种电机异常振动监测方法及系统 | |
CN116226719A (zh) | 基于多维稳态振动特征的轴承故障诊断方法及相关组件 | |
CN109034028B (zh) | 一种基于符号化与tf-idf的机械设备故障特征提取方法 | |
JP4312477B2 (ja) | 回転機械の診断方法、診断装置及びそのプログラム | |
Sinha et al. | Machine learning-based explainable stator fault diagnosis in induction motor using vibration signal | |
Kumar et al. | Load Fault Diagnosis in Induction Motor using Artificial Intelligence Algorithm | |
CN117665572B (zh) | 一种同步电机转子导条状态评估方法及系统 | |
CN115200689B (zh) | 一种振动分析方法及装置 | |
CN109946605B (zh) | 电动机起动过程中的动态特性的在线监测系统 | |
JP7422896B2 (ja) | 電動機の診断装置 | |
CN111980900B (zh) | 一种基于多源数据融合分析的水泵故障诊断方法 |
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 |