CN114295979A - 一种永磁同步电机混合偏心故障诊断方法 - Google Patents
一种永磁同步电机混合偏心故障诊断方法 Download PDFInfo
- Publication number
- CN114295979A CN114295979A CN202111651620.8A CN202111651620A CN114295979A CN 114295979 A CN114295979 A CN 114295979A CN 202111651620 A CN202111651620 A CN 202111651620A CN 114295979 A CN114295979 A CN 114295979A
- Authority
- CN
- China
- Prior art keywords
- eccentric
- mixed
- permanent magnet
- magnet synchronous
- eccentricity
- 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
Links
- 230000001360 synchronised effect Effects 0.000 title claims abstract description 69
- 238000003745 diagnosis Methods 0.000 title claims abstract description 63
- 238000000034 method Methods 0.000 title claims abstract description 28
- 230000003068 static effect Effects 0.000 claims abstract description 78
- 238000001514 detection method Methods 0.000 claims abstract description 63
- 238000013528 artificial neural network Methods 0.000 claims abstract description 6
- 238000003062 neural network model Methods 0.000 claims description 29
- 238000010606 normalization Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 9
- 210000002569 neuron Anatomy 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 6
- 230000002441 reversible effect Effects 0.000 claims description 4
- 238000004088 simulation Methods 0.000 claims description 2
- 239000000203 mixture Substances 0.000 description 7
- 238000004804 winding Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000004907 flux Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 2
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical group [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 210000002364 input neuron Anatomy 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 210000004205 output neuron Anatomy 0.000 description 1
Images
Landscapes
- Manufacture Of Motors, Generators (AREA)
- Control Of Ac Motors In General (AREA)
- Tests Of Circuit Breakers, Generators, And Electric Motors (AREA)
Abstract
本发明公开一种永磁同步电机混合偏心故障诊断方法，包括如下步骤：在永磁同步电机定子齿上布置探测线圈；建立不同混合偏心工况下布置探测线圈的永磁同步电机有限元模型；获取不同混合偏心工况下各探测线圈的混合偏心故障诊断指标；建立基于神经网络的永磁同步电机混合偏心故障诊断模型；待诊断永磁同步电机混合偏心故障诊断。该方法基于探测线圈电压信号，不仅可以快速准确地识别电机的静态偏心率、静态偏心圆周角和动态偏心率，而且静态偏心故障的诊断精度并不会影响动态偏心故障的诊断精度，反之亦然。该方法无需事先获取电机正常运行时的参考值，且不要求电机定子齿数必须为偶数，适用范围广。
Description
技术领域
本发明属于电机故障诊断领域，涉及一种永磁同步电机混合偏心故障诊断方法。
背景技术
永磁同步电机具有功率密度高、结构紧凑、效率高等优点，因此在新能源汽车、航空航天等领域被广泛应用。由于制造公差和运行负载等原因，永磁同步电机可能出现气隙不均匀的现象，即气隙偏心。混合偏心是指电机的定子几何中心与转子几何中心不重合，且转子绕着定子和转子几何中心之外的另一点旋转，如图1所示，Os为定子几何中心，Or为转子几何中心，Oω为转子的旋转中心，虚线为转子几何中心的旋转路径，ls为静态偏心距，ld为动态偏心距，α为静态偏心圆周角。偏心使电机轴承状况恶化，进而使转子和定子产生剧烈振动，可能导致铁芯变形、定子转子碰撞和绝缘损坏等。因此，有必要进行永磁同步电机偏心故障诊断，维护永磁同步电机的稳定运行。
现有方法大多只能诊断电机是否存在偏心故障，部分方法可以诊断电机的偏心率，也有方法可以诊断电机的静态偏心故障或动态偏心故障。对于混合偏心的诊断，现有方法虽然可以诊断电机的静态偏心率、静态偏心圆周角和动态偏心率，但是静态偏心率和动态偏心率的诊断相互依赖，或者所提出的诊断方法只能应用于特定结构的电机。CN105698740 A基于电机的振动响应信号，通过插值法获取电机的静态偏心量和动态偏心量，能够诊断电机的混合偏心，但是混合偏心中静态偏心的诊断，需要剔除动态偏心和未偏心时静态偏心诊断频率下的加速度值，且不能获得静态偏心圆周角。此外，振动响应信号可能受外界环境的干扰，影响诊断结果的准确性。CN 109541461 A在永磁同步电机的每个定子齿上绕制一个线圈测量定子齿磁通，根据永磁同步电机故障特征值的空间谐波分布情况，诊断电机的偏心故障类型。该方法能够识别混合偏心中的静态偏心量、静态偏心圆周角和动态偏心量，但是动态偏心量的准确诊断依赖于静态偏心量的诊断，且无偏心定子齿磁通的计算需要相对位置两个定子齿的磁通，使其只适用于偶数个定子齿的永磁同步电机。
发明内容
本发明的目的是克服现有技术的不足，提供一种能够快速准确诊断永磁同步电机混合偏心故障的诊断方法，该方法基于探测线圈电压信号，不仅可以快速准确地识别电机的静态偏心率、静态偏心圆周角和动态偏心率，而且静态偏心故障的诊断精度并不会影响动态偏心故障的诊断精度，反之亦然。该方法无需事先获取电机正常运行时的参考值，且不要求电机定子齿数必须为偶数。
本发明采用的技术方案是：
一种永磁同步电机混合偏心故障诊断方法，包括如下步骤：
S1在永磁同步电机定子齿上布置探测线圈。
进一步地，永磁同步电机定子齿数为Ts，在定子齿整个圆周方向上均布S个探测线圈(S≥3)，每个探测线圈跨齿数为N，则NS≤Ts；探测线圈由多匝导线绕制，减小实际加工过程中绕线带来的误差。
S2建立不同混合偏心工况下布置探测线圈的永磁同步电机有限元模型。
2.1同时存在静态偏心和动态偏心时的永磁同步电机有限元模型。
静态偏心率es＝ls/g，动态偏心率ed＝ld/g，ls为静态偏心距，ld为动态偏心距，g为无偏心时的电机气隙长度，设置静态偏心率es分别为0、ε、2ε、…、(a-1)ε，静态偏心圆周角α分别为0°、θ、2θ、…、(b-1)θ，动态偏心率ed分别为0、δ、2δ、…、(c-1)δ,其中，a、b、c为正整数，0＜ε≤0.1，0＜θ≤2°，0＜δ≤0.1，es≤0.8，ed≤0.8，静态偏心圆周角α＜360°，即(a-1)ε≤0.8，(b-1)θ＜360°，(c-1)δ≤0.8，混合偏心率em定义为：em＝es+ed，em≤0.8；
2.2静态偏心率为0时不需考虑静态偏心圆周角，则共有L＝(a-1)×b×c/2+c个混合偏心工况。利用电磁有限元仿真软件，建立L个混合偏心工况下布置探测线圈的永磁同步电机有限元模型，设置永磁同步电机的转速为n rpm，仿真得到L个混合偏心工况下S个探测线圈电压有限元结果。
S3获取不同混合偏心工况下各探测线圈的混合偏心故障诊断指标。
3.1对探测线圈电压有限元结果进行傅里叶变换(FFT)，获取对应混合偏心工况j(j＝1，2，…，L)时，探测线圈i(i＝1，2，…，S)的电压基波幅值Vi_j_fc，电压左边带谐波幅值Vi_j_fc-fr和电压右边带谐波幅值Vi_j_fc+fr，fc为基波频率，fr为机械旋转频率，Vi_j_fc-fr和Vi_j_fc+fr由动态偏心引起，探测线圈i的电压基波幅值Vi_j_fc、电压左边带谐波幅值Vi_j_fc-fr和电压右边带谐波幅值Vi_j_fc+fr用矩阵X表示为：
3.2混合偏心工况j下，探测线圈i的偏心故障诊断指标可定义为
Ui_j_fc＝Vi_j_fc/n
Ui_j_fc-fr＝Vi_j_fc-fr/Vi_j_fc
Ui_j_fc+fr＝Vi_j_fc+fr/Vi_j_fc
其中，n为电机转速，Vi_j_fc、Vi_j_fc-fr和Vi_j_fc+fr分别为混合偏心工况j下探测线圈i的电压基波幅值、左边带谐波幅值和右边带谐波幅值，Ui_j_fc为混合偏心工况j下探测线圈i的电压基波幅值与电机转速n的比值，Ui_j_fc-fr和Ui_j_fc+fr分别为混合偏心工况j下探测线圈i的电压左边带谐波幅值和右边带谐波幅值与电压基波幅值的比值。
L个混合偏心工况下，S个探测线圈的混合偏心故障诊断指标用矩阵U表示为：
3.3L个混合偏心工况对应的永磁同步电机静态偏心率es、静态偏心圆周角α和动态偏心率ed用矩阵Y表示为:
S4建立基于神经网络的永磁同步电机混合偏心故障诊断模型。
4.1归一化处理U和Y，分别得到u和y，即u＝f(U)，y＝g(Y)，f(U)和g(Y)分别为U和Y的归一化函数，以u作为神经网络模型的输入，以y作为神经网络模型的输出。
4.2构建神经网络模型，神经网络模型的结构包括输入层、隐含层和输出层。
进一步地，神经网络模型为m-n1-n2-p结构，神经网络模型输入层有m个神经元，隐含层包括隐含层1和隐含层2，隐含层1有n1个神经元，隐含层2有n2个神经元，输出层有p个神经元。
进一步地，神经网络模型隐含层1和隐含层2的传递函数为tansig，输出层的传递函数为purelin，反向传播时的训练函数为trainlm。
4.3以u作为神经网络模型的输入，以y作为神经网络模型的输出，训练神经网络模型，直到满足要求的精度1×10-7(利用神经网络模型训练输出的各混合偏心工况的静态偏心率、静态偏心圆周角和动态偏心率与y之间的均方根误差，评价模型的精度)。
S5待诊断永磁同步电机混合偏心故障诊断。
5.1采集待诊断永磁同步电机在转速n′时的各探测线圈电压，通过傅里叶变换(FFT)得到各探测线圈电压的基波幅值Vi_fc、电压左边带谐波幅值Vi_fc-fr和电压右边带谐波幅值Vi_fc+fr，i＝1，2，…，S。
5.2对Vi_fc、Vi_fc-fr、Vi_fc+fr进行处理得到各探测线圈的混合偏心故障诊断指标为：U′＝[U1_fc U1_fc-fr … Ui_fc Ui_fc-fr Ui_fc+fr … US_fc US_fc-fr US_fc+fr]T，其中Ui_fc＝Vi_fc/n′，Ui_fc-fr＝Vi_fc-fr/Vi_fc，Ui_fc+fr＝Vi_fc+fr/Vi_fc，n′为待诊断电机转速，Vi_fc为探测线圈i的电压基波(对应频率fc)幅值，Vi_fc-fr为探测线圈i的电压左边带谐波(对应频率fc-fr)幅值，Vi_fc+fr为探测线圈i的电压右边带谐波(对应频率fc+fr)幅值，i＝1，2，…，S。
5.3采用建立的神经网络模型的归一化处理，对混合偏心故障诊断指标U′进行预处理，得到u′＝f(U′)，
u′＝[u1_fc u1_fc-fr … ui_fc ui_fc-fr ui_fc+fr … uS_fc uS_fc-fr uS_fc+fr]T，将u′输入S4建立的永磁同步电机混合偏心故障诊断模型，偏心故障诊断模型输出为y′，对其进行反归一化Y′＝g-1(y′)，即可得到待诊断永磁同步电机的静态偏心率、静态偏心圆周角和动态偏心率Y′＝[es α ed]T，g-1(y′)为归一化函数g(Y)的逆函数。
与现有偏心诊断技术相比，本发明具有以下优点：
(1)本发明用于诊断电机是否存在偏心，若存在偏心，则可获取电机的静态偏心率、静态偏心圆周角和动态偏心率。仅静态偏心率为0时表明电机故障为动态偏心，仅动态偏心率为0时表明电机故障为静态偏心，静态偏心率和动态偏心率都不为0时表明电机故障为混合偏心。不仅可以诊断出电机的偏心类型，还可以具体诊断出电机的静态偏心率、静态偏心圆周角和动态偏心率。
(2)本发明静态偏心和动态偏心的诊断相互独立，静态偏心故障的诊断精度并不会影响动态偏心故障的诊断精度，反之亦然。
(3)本发明探测线圈电压易获取，不受电机工况和环境变化的影响。无需事先获取电机正常运行时的探测线圈电压数据，此外，不受电机结构的限制，偶数、奇数齿的永磁同步电机均可应用。
附图说明
图1是混合偏心示意图。
图2是永磁同步电机探测线圈布置示意图。
图3是永磁同步电机偏心故障诊断流程图。
图4是混合偏心探测线圈1电压时间历程图和幅频图，其中，(a)电压时间历程，(b)电压幅频图。
图5是混合偏心探测线圈2电压时间历程图和幅频图，其中，(a)电压时间历程，(b)电压幅频图。
图6是混合偏心探测线圈3电压时间历程图和幅频图，其中，(a)电压时间历程，(b)电压幅频图。
图7是混合偏心探测线圈4电压时间历程图和幅频图，其中，(a)电压时间历程，(b)电压幅频图。
图8是基于神经网络的偏心故障诊断模型示意图。
图9是测试工况混合偏心构成示意图，其中，(a)永磁同步电机有限元模型混合偏心率的构成，(b)4.5°静态偏心圆周角下的混合偏心构成，(c)98°和168°静态偏心圆周角下的混合偏心构成。
图10是混合偏心故障诊断结果示意图。
1定子，2转子，3永磁体，4绕组，51、52、53、54探测线圈。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明，本发明并不仅限于下述实施例。
本发明一种永磁同步电机混合偏心故障诊断方法的流程如图3所示，基于建立的混合偏心永磁同步电机有限元模型，获取不同混合偏心工况下的探测线圈电压，进一步分析确定混合偏心故障诊断指标。将归一化处理后的混合偏心故障诊断指标和对应的混合偏心工况(静态偏心率、静态偏心圆周角和动态偏心率)作为神经网络模型的输入和输出，训练神经网络。获取待诊断电机的探测线圈电压，进一步得到各探测线圈的偏心故障诊断指标，对该偏心故障诊断指标进行与训练数据相同的归一化处理，输入建立的神经网络模型，对模型的输出进行反归一化，即可得到待诊断电机的偏心情况(静态偏心率、静态偏心圆周角和动态偏心率)。
本实施例以某额定转速为6500rpm的8极48槽永磁同步电机为例进行说明，永磁同步电机主要包括定子1、转子2、永磁体3、绕组4，永磁体3布置在转子2内，绕组4缠绕在定子1的定子齿上。
一种永磁同步电机混合偏心故障诊断方法，主要包括如下步骤：
步骤S1：在永磁同步电机定子齿上布置探测线圈。
本实施例中在永磁同步电机定子齿上均布4个探测线圈51、52、53、54，每个探测线圈跨3个定子齿，且由两匝导线绕制而成，如图2所示，采用两匝导线绕制可减小实际加工过程中绕线带来的误差。沿逆时针方向依次对四个探测线圈进行编号，探测线圈51编号为1，所在位置圆周角度为0°，探测线圈52编号为2，所在位置圆周角度为90°，探测线圈53编号为3，所在位置圆周角度为180°，探测线圈54编号为4，所在位置圆周角度为270°。
步骤S2：建立不同混合偏心工况下布置探测线圈的永磁同步电机有限元模型。
2.1同时存在静态偏心和动态偏心时的永磁同步电机有限元模型。
混合偏心示意图如图1所示，图中Os为定子几何中心，Or为转子几何中心，Oω为转子的旋转中心，ls为静态偏心距，ld为动态偏心距，α为静态偏心圆周角，虚线为转子几何中心的旋转路径。静态偏心率es＝ls/g，动态偏心率ed＝ld/g，g为无偏心情况下的电机气隙长度。混合偏心工况下同时存在静态偏心和动态偏心，设置静态偏心率分别为0、0.1、0.2、…、0.8，静态偏心圆周角分别为0°、1.875、3.75°、5.625、7.5°、…、358.125°，动态偏心率分别为0、0.1、0.2、…、0.8。混合偏心率定义为静态偏心率和动态偏心率之和，不应超过0.8，永磁同步电机有限元模型混合偏心率的构成如图9(a)所示。
2.2静态偏心率为0时不需要考虑静态偏心圆周角，则共有(9-1)×192×9/2+9＝6921个混合偏心工况。利用电磁有限元仿真软件，建立6921个混合偏心工况下布置探测线圈的永磁同步电机有限元模型，设置永磁同步电机仿真转速n为6500rpm，仿真得到6921个混合偏心工况下4个探测线圈电压有限元结果。
步骤S3：获取不同混合偏心工况下各探测线圈的混合偏心故障诊断指标。
3.1对混合偏心工况下探测线圈1、2、3、4的电压(探测线圈电压时间历程如图4-图7中(a)所示)有限元结果进行傅里叶变换(FFT)，得到如图4-图7中(b)所示的混合偏心工况下探测线圈1、2、3、4的电压幅频图。
动态偏心导致探测线圈电压基波fc两侧出现了边带谐波fc-fr和fc+fr(fc为基波频率，fr为机械旋转频率)。获取6921个混合偏心工况下4个探测线圈电压的基波幅值、电压左边带谐波幅值和电压右边带谐波幅值，探测线圈i(i＝1，2，…，4)的电压基波幅值Vi_j_fc、电压左边带谐波幅值Vi_j_fc-fr和电压右边带谐波幅值Vi_j_fc+fr用矩阵X表示为：
3.2为了排除永磁同步电机转速对探测线圈电压幅值的影响，混合偏心工况j(j＝1，2，…，6921)下，探测线圈i(i＝1，2，…，4)的偏心故障诊断指标可定义为
Ui_j_fc＝Vi_j_fc/6500
Ui_j_fc-fr＝Vi_j_fc-fr/Vi_j_fc
Ui_j_fc+fr＝Vi_j_fc+fr/Vi_j_fc
其中，Vi_j_fc、Vi_j_fc-fr和Vi_j_fc+fr分别为混合偏心工况j下探测线圈i的电压基波幅值，左边带谐波幅值和右边带谐波幅值，Ui_j_fc为混合偏心工况j下探测线圈i的电压基波幅值与电机转速6500rpm的比值，Ui_j_fc-fr和Ui_j_fc+fr分别为混合偏心工况j下探测线圈i的电压左边带谐波幅值和右边带谐波幅值与电压基波幅值的比值。
6921个混合偏心工况下4个探测线圈的混合偏心故障诊断指标可表示为
3.3 6921个混合偏心工况对应的永磁同步电机静态偏心率、静态偏心圆周角和动态偏心率可表示为
步骤S4：建立基于神经网络的永磁同步电机混合偏心故障诊断模型。
4.1归一化处理U和Y，分别得到u和y，即u＝f(U)，y＝g(Y)，f(U)和g(Y)分别为U和Y的归一化函数，以u作为神经网络模型的输入，以y作为神经网络模型的输出。
4.2构建神经网络模型，神经网络模型的结构包括输入层、隐含层和输出层。
本实施例中神经网络模型为12-18-38-3结构，即该神经网络模型有12个输入神经元，18个隐含层1神经元，38个隐含层2神经元，3个输出神经元。神经网络模型隐含层1和隐含层2的传递函数为tansig，输出层的传递函数为purelin，反向传播时的训练函数为trainlm，如图8所示。
4.3以u作为神经网络模型的输入，以y作为神经网络模型的输出，训练神经网络模型，直到满足要求的精度1×10-7，利用神经网络模型训练输出的各混合偏心工况的静态偏心率、静态偏心圆周角和动态偏心率与y之间的均方根误差，评价模型的精度。
S5待诊断永磁同步电机混合偏心故障诊断。
5.1随机选取4.5°、98°、168°静态偏心圆周角下混合偏心率不超过0.8的工况作为测试工况，4.5°静态偏心圆周角下的混合偏心构成如图9(b)所示，98°和168°静态偏心圆周角下的混合偏心构成如图9(c)所示，共107个混合偏心工况。对测试工况下永磁同步电机4个探测线圈的电压进行傅里叶变换(FFT)，得到各探测线圈电压基波幅值Vi_fc、电压左边带谐波幅值Vi_fc-fr和电压右边带谐波幅值Vi_fc+fr，i＝1，2，…，4。
5.2对Vi_fc、Vi_fc-fr、Vi_fc+fr进行处理得到各探测线圈的混合偏心故障诊断指标为：U′＝[U1_fc U1_fc-fr … Ui_fc Ui_fc-fr Ui_fc+fr … U4_fc U4_fc-fr U4_fc+fr]T，其中Ui_fc＝Vi_fc/n′，Ui_fc-fr＝Vi_fc-fr/Vi_fc，Ui_fc+fr＝Vi_fc+fr/Vi_fc，n′为待诊断电机转速，Vi_fc为探测线圈i的电压基波(对应频率fc)幅值，Vi_fc-fr为探测线圈i的电压左边带谐波(对应频率fc-fr)幅值，Vi_fc+fr为探测线圈i的电压右边带谐波(对应频率fc+fr)幅值，i＝1，2，…，4。
5.3采用建立的神经网络模型的归一化处理，对混合偏心故障诊断指标U′进行预处理，得到u′，
u′＝[u1_fc u1_fc-fr … ui_fc ui_fc-fr ui_fc+fr … u4_fc u4_fc-fr u4_fc+fr]T
将u′输入S4建立的永磁同步电机混合偏心故障诊断模型，偏心故障诊断模型输出为y′，对其进行反归一化Y′＝g-1(y′)，即可得到待诊断永磁同步电机的静态偏心率、静态偏心圆周角和动态偏心率Y′＝[es α ed]T，g-1(y′)为归一化函数g(Y)的逆函数。
测试工况下混合偏心故障诊断结果和真实结果的对比如图10所示，混合偏心的静态偏心率、静态偏心圆周角、动态偏心率的诊断结果和实际结果吻合较好，静态偏心率的平均误差为6.4529×10-4，静态偏心圆周角均方根误差为0.1327°，动态偏心率均方根误差为1.2633×10-4。
上述分析表明，本发明提出的混合偏心故障诊断模型可以快速准确地诊断永磁同步电机的静态偏心率、静态偏心圆周角和动态偏心率。
Claims (5)
1.一种永磁同步电机混合偏心故障诊断方法，其特征在于：包括如下步骤：
S1在永磁同步电机定子齿上布置探测线圈
S2建立不同混合偏心工况下布置探测线圈的永磁同步电机有限元模型
2.1同时存在静态偏心和动态偏心时的永磁同步电机有限元模型
设置静态偏心率es分别为0、ε、2ε、…、(a-1)ε，静态偏心圆周角α分别为0°、θ、2θ、…、(b-1)θ，动态偏心率ed分别为0、δ、2δ、…、(c-1)δ,其中，a、b、c为正整数，0＜ε≤0.1，0＜θ≤2°，0＜δ≤0.1，es≤0.8，ed≤0.8，静态偏心圆周角α＜360°，混合偏心率em定义为：em＝es+ed，em≤0.8；
2.2静态偏心率为0时不需考虑静态偏心圆周角，则共有L＝(a-1)×b×c/2+c个混合偏心工况，利用电磁有限元仿真软件，建立L个混合偏心工况下布置探测线圈的永磁同步电机有限元模型，设置永磁同步电机的转速为n rpm，仿真得到L个混合偏心工况下S个探测线圈电压有限元结果；
S3获取不同混合偏心工况下各探测线圈的混合偏心故障诊断指标
3.1对探测线圈电压有限元结果进行傅里叶变换，获取对应混合偏心工况j(j＝1，2，…，L)时，探测线圈i(i＝1，2，…，S)的电压基波幅值Vi_j_fc，电压左边带谐波幅值Vi_j_fc-fr和电压右边带谐波幅值Vi_j_fc+fr，fc为基波频率，fr为机械旋转频率；
3.2混合偏心工况j下，探测线圈i的偏心故障诊断指标可定义为
Ui_j_fc＝Vi_j_fc/n
Ui_j_fc-fr＝Vi_j_fc-fr/Vi_j_fc
Ui_j_fc+fr＝Vi_j_fc+fr/Vi_j_fc
其中，n为电机转速，Vi_j_fc、Vi_j_fc-fr和Vi_j_fc+fr分别为混合偏心工况j下探测线圈i的电压基波幅值、左边带谐波幅值和右边带谐波幅值，Ui_j_fc为混合偏心工况j下探测线圈i的电压基波幅值与电机转速n的比值，Ui_j_fc-fr和Ui_j_fc+fr分别为混合偏心工况j下探测线圈i的电压左边带谐波幅值和右边带谐波幅值与电压基波幅值的比值；
L个混合偏心工况下，S个探测线圈的混合偏心故障诊断指标用矩阵U表示为：
3.3L个混合偏心工况对应的永磁同步电机静态偏心率es、静态偏心圆周角α和动态偏心率ed用矩阵Y表示为:
S4建立基于神经网络的永磁同步电机混合偏心故障诊断模型
4.1归一化处理U和Y，分别得到u和y，u＝f(U)，y＝g(Y)，f(U)和g(Y)分别为U和Y的归一化函数；
4.2构建神经网络模型，神经网络模型的结构包括输入层、隐含层和输出层；
4.3以u作为神经网络模型的输入，以y作为神经网络模型的输出，训练神经网络模型；
S5待诊断永磁同步电机混合偏心故障诊断
5.1采集待诊断永磁同步电机在转速n′时的各探测线圈电压，通过傅里叶变换得到各探测线圈电压的基波幅值Vi_fc、电压左边带谐波幅值Vi_fc-fr和电压右边带谐波幅值Vi_fc+fr，i＝1，2，…，S；
5.2对Vi_fc、Vi_fc-fr、Vi_fc+fr进行处理得到各探测线圈的混合偏心故障诊断指标为：U′＝[U1_fc U1_fc-fr…Ui_fc Ui_fc-fr Ui_fc+fr…US_fc US_fc-fr US_fc+fr]T，其中Ui_fc＝Vi_fc/n′，Ui_fc-fr＝Vi_fc-fr/Vi_fc，Ui_fc+fr＝Vi_fc+fr/Vi_fc，n′为待诊断电机转速，Vi_fc为探测线圈i的电压基波幅值，Vi_fc-fr为探测线圈i的电压左边带谐波幅值，Vi_fc+fr为探测线圈i的电压右边带谐波幅值，i＝1，2，…，S；
5.3采用建立的神经网络模型的归一化处理，对混合偏心故障诊断指标U′进行预处理，得到u′＝f(U′)，将u′输入S4建立的永磁同步电机混合偏心故障诊断模型，偏心故障诊断模型输出为y′，对其进行反归一化Y′＝g-1(y′)，即可得到待诊断永磁同步电机的静态偏心率、静态偏心圆周角和动态偏心率Y′＝[es α ed]T。
2.根据权利要求1所述的一种永磁同步电机混合偏心故障诊断方法，其特征在于：所述步骤S1中，永磁同步电机定子齿数为Ts，在定子齿整个圆周方向上均布S个探测线圈(S≥3)，每个探测线圈跨齿数为N，则NS≤Ts。
3.根据权利要求2所述的一种永磁同步电机混合偏心故障诊断方法，其特征在于：探测线圈由两匝或两匝以上导线绕制。
4.根据权利要求1所述的一种永磁同步电机混合偏心故障诊断方法，其特征在于：神经网络模型为m-n1-n2-p结构，神经网络模型输入层有m个神经元，隐含层包括隐含层1和隐含层2，隐含层1有n1个神经元，隐含层2有n2个神经元，输出层有p个神经元。
5.根据权利要求4所述的一种永磁同步电机混合偏心故障诊断方法，其特征在于：神经网络模型隐含层1和隐含层2的传递函数为tansig，输出层的传递函数为purelin，反向传播时的训练函数为trainlm。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111651620.8A CN114295979B (zh) | 2021-12-30 | 2021-12-30 | 一种永磁同步电机混合偏心故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111651620.8A CN114295979B (zh) | 2021-12-30 | 2021-12-30 | 一种永磁同步电机混合偏心故障诊断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114295979A true CN114295979A (zh) | 2022-04-08 |
| CN114295979B CN114295979B (zh) | 2024-08-13 |
Family
ID=80973943
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111651620.8A Active CN114295979B (zh) | 2021-12-30 | 2021-12-30 | 一种永磁同步电机混合偏心故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114295979B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107167695A (zh) * | 2017-06-08 | 2017-09-15 | 重庆大学 | 基于磁场分布监测的永磁同步电机匝间短路故障诊断方法 |
| CN107402350A (zh) * | 2017-08-21 | 2017-11-28 | 西安交通大学 | 一种三相异步电机偏心故障检测方法 |
| KR20180032964A (ko) * | 2016-09-23 | 2018-04-02 | 엘지전자 주식회사 | 모터 고장 검출 장치 |
| CN109541461A (zh) * | 2018-10-31 | 2019-03-29 | 重庆大学 | 一种基于磁场分布监测的永磁同步电机偏心故障诊断方法 |
| CN109814030A (zh) * | 2019-04-01 | 2019-05-28 | 西北工业大学 | 一种同步发电机定转子气隙动态偏心故障的诊断方法 |
| 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 |
| CN112881910A (zh) * | 2021-01-20 | 2021-06-01 | 哈尔滨工业大学（威海） | 一种旋转永磁同步电机动态偏心故障检测方法 |
| CN113094952A (zh) * | 2021-04-06 | 2021-07-09 | 哈尔滨工业大学（威海） | 一种基于杂散磁场的永磁电机静态偏心检测方法 |
| CN113093005A (zh) * | 2021-04-06 | 2021-07-09 | 哈尔滨工业大学（威海） | 一种永磁同步电机静态偏心故障诊断方法 |
| CN113686237A (zh) * | 2021-09-08 | 2021-11-23 | 东南大学 | 一种基于线性霍尔的永磁电机偏心诊断方法及其检测系统 |
-
2021
- 2021-12-30 CN CN202111651620.8A patent/CN114295979B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20180032964A (ko) * | 2016-09-23 | 2018-04-02 | 엘지전자 주식회사 | 모터 고장 검출 장치 |
| CN107167695A (zh) * | 2017-06-08 | 2017-09-15 | 重庆大学 | 基于磁场分布监测的永磁同步电机匝间短路故障诊断方法 |
| CN107402350A (zh) * | 2017-08-21 | 2017-11-28 | 西安交通大学 | 一种三相异步电机偏心故障检测方法 |
| CN109541461A (zh) * | 2018-10-31 | 2019-03-29 | 重庆大学 | 一种基于磁场分布监测的永磁同步电机偏心故障诊断方法 |
| CN109814030A (zh) * | 2019-04-01 | 2019-05-28 | 西北工业大学 | 一种同步发电机定转子气隙动态偏心故障的诊断方法 |
| 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 |
| CN112881910A (zh) * | 2021-01-20 | 2021-06-01 | 哈尔滨工业大学（威海） | 一种旋转永磁同步电机动态偏心故障检测方法 |
| CN113094952A (zh) * | 2021-04-06 | 2021-07-09 | 哈尔滨工业大学（威海） | 一种基于杂散磁场的永磁电机静态偏心检测方法 |
| CN113093005A (zh) * | 2021-04-06 | 2021-07-09 | 哈尔滨工业大学（威海） | 一种永磁同步电机静态偏心故障诊断方法 |
| CN113686237A (zh) * | 2021-09-08 | 2021-11-23 | 东南大学 | 一种基于线性霍尔的永磁电机偏心诊断方法及其检测系统 |
Non-Patent Citations (3)
| Title |
|---|
| ZHANG, JS;XIONG, X: "Rotor Eccentric Diagnosis of High-Voltage Motor in Nuclear CRF Pump Using Vibration Signals", IEEE, 7 July 2021 (2021-07-07), pages 282 - 286 * |
| 吴冰，王建良: "偏心外转子表面凸出式永磁电机等效气隙计算", 微特电机, vol. 49, no. 4, 20 May 2021 (2021-05-20), pages 22 - 24 * |
| 左曙光，高丽华，吴旭东，马琮淦，沈健: "电动车用永磁同步电机转子偏心对电磁力影响分析", 佳木斯大学学报(自然科学版), vol. 32, no. 2, 5 February 2014 (2014-02-05), pages 166 - 170 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114295979B (zh) | 2024-08-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103217644B (zh) | 感应电动机转子缺陷诊断装置、方法及媒介 | |
| Zhu et al. | Vold–Kalman filtering order tracking based rotor demagnetization detection in PMSM | |
| Song et al. | On Bayesian optimization-based residual CNN for estimation of inter-turn short circuit fault in PMSM | |
| CN109541461B (zh) | 一种基于磁场分布监测的永磁同步电机偏心故障诊断方法 | |
| CN113093005B (zh) | 一种永磁同步电机静态偏心故障诊断方法 | |
| CN113357101B (zh) | 一种风力发电机电磁时空耦合载荷的识别方法 | |
| CN106841901A (zh) | 一种变频器驱动内嵌式永磁同步电机定子匝间短路故障诊断方法 | |
| CN112881910B (zh) | 一种旋转永磁同步电机动态偏心故障检测方法 | |
| Bagheri et al. | Air‐gap eccentricity fault diagnosis and estimation in induction motors using unscented Kalman filter | |
| Ma et al. | Eccentric position diagnosis of static eccentricity fault of external rotor permanent magnet synchronous motor as an in‐wheel motor | |
| Skowron et al. | Effectiveness of neural fault detectors of permanent magnet synchronous motor trained with symptoms from field-circuit modeling | |
| CN114295979B (zh) | 一种永磁同步电机混合偏心故障诊断方法 | |
| CN113094952B (zh) | 一种基于杂散磁场的永磁电机静态偏心检测方法 | |
| Gubarevych et al. | Comparison of the results of simulation modeling of an asynchronous electric motor with the calculated electrodynamic and energy characteristics. | |
| Chen et al. | A novel online method for locating fault coil in direct‐drive permanent magnet synchronous motor with inter‐turn short‐circuit fault using search coil array | |
| He et al. | Stator current identification in generator among single and composite faults composed by static air‐gap eccentricity and rotor inter‐turn short circuit | |
| HUANG et al. | Online rotor fault diagnosis of permanent magnet synchronous motors based on stator tooth flux | |
| Krichen et al. | Investigation of the combined static eccentricity and Partial demagnetization faults in PMSM | |
| Radwan-Pragłowska et al. | Diagnostics of interior PM machine rotor faults based on EMF harmonics | |
| Du et al. | Fault Diagnosis and Separation of PMSM Rotor Faults Using Search Coil Based on MVSA and Random Forests | |
| CN117686225B (zh) | 永磁同步电机轴承故障程度诊断方法及系统 | |
| Yang et al. | Online detection of inter‐turn short‐circuit fault in dual‐redundancy permanent magnet synchronous motor | |
| CN115616402A (zh) | 一种基于数据驱动的外转子轮毂永磁电机混合偏心故障诊断方法 | |
| Coenen et al. | Statistical evaluation of manufacturing tolerances in electrical machines by simulation and measurement | |
| Chehda et al. | Stator current spectrum analysis applied on short-circuit fault diagnosis of SRM |
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 |