CN114384413A - 一种电机状态感知芯片 - Google Patents
一种电机状态感知芯片 Download PDFInfo
- Publication number
- CN114384413A CN114384413A CN202111277200.8A CN202111277200A CN114384413A CN 114384413 A CN114384413 A CN 114384413A CN 202111277200 A CN202111277200 A CN 202111277200A CN 114384413 A CN114384413 A CN 114384413A
- Authority
- CN
- China
- Prior art keywords
- motor
- module
- fault diagnosis
- temperature
- information
- 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
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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Control Of Electric Motors In General (AREA)
Abstract
本发明公开了一种电机状态感知芯片,包括;数据采集模块,用于采集电机的三相电压、三相电流、电机绕组温度、电机外壳的振动信息以及转子位置信息;状态监测模块,用于监测电机的温度及磁场信息;故障诊断模块,用于根据电机的三相电压、三相电流、电机绕组温度、电机外壳的振动信息、转子位置信息和温度及磁场信息判断电机是否出现故障;寿命管理模块,用于根据电机的三相电压、三相电流、电机绕组温度、电机外壳的振动信息、转子位置信息和温度及磁场信息判断电机是否出现故障预测电机的寿命,该芯片能够对电机的健康状态进行感知。
Description
技术领域
本发明属于电机状态感知领域,涉及一种电机状态感知芯片。
背景技术
电机是最常见的驱动设备,在生活和工业中得到了广泛的应用。作为工业设备的心脏,电机在冶金、化工、石油、建筑以及家用电器等多个领域都占据着核心地位,一旦发生故障或非计划停机,会对电机所在的系统造成严重破坏,导致巨额的财产损失甚至是人员伤亡。对于很多领域来说,电机的故障停机都是不可接受的,因此对电机设备进行实时的状态感知显得至关重要。
目前电机的维护和检测大多还停留在被动维护的层面,主要通过事后维修和预防性维修两种方式。然而,这两种方式都存在着各自的缺陷,前者通常会对电机系统造成严重破坏,产生高额的维修费用,而后者会导致状态健康的电机被频繁维修,产生不必要的额外成本。
随着半导体工业和5G生态的发展,电机逐渐走向智能化、数字化。在这一过程中,电机状态感知将会成为必不可少的一环,在未来的电机工业中产生重要作用。
发明内容
本发明的目的在于克服上述现有技术的缺点,提供了一种电机状态感知芯片,该芯片能够对电机的健康状态进行感知。
为达到上述目的,本发明所述的电机状态感知芯片包括;
数据采集模块,用于采集电机的三相电压、三相电流、电机绕组温度、电机外壳的振动信息以及转子位置信息;
状态监测模块,用于监测电机的温度及磁场信息;
故障诊断模块,用于根据电机的三相电压、三相电流、电机绕组温度、电机外壳的振动信息、转子位置信息和温度及磁场信息判断电机是否出现故障;
寿命管理模块,用于根据电机的三相电压、三相电流、电机绕组温度、电机外壳的振动信息、转子位置信息和温度及磁场信息预测电机的寿命;
还包括云端通信模块,其中,数据采集模块经云端通信模块与外部云服务器相连接。
还包括历史数据存储模块,历史数据存储模块与数据采集模块及状态监测模块相连接。
故障诊断模块基于电机参数的数据与模型双驱动的故障诊断方法或者基于数据驱动数字孪生模型的故障诊断方法判断电机是否出现故障。
历史数据存储模块包含片外存储器及片上存储器。
云端通信模块通过5G通信与外部云服务器相连接。
片外存储器为flash芯片,片上存储器为RAM存储器。
故障诊断模块及寿命管理模块均与外界的用户侧预警器相连接。
本发明具有以下有益效果:
本发明所述的电机状态感知芯片在具体操作时,通过数据采集模块及状态监测模块对电机的实时参数进行检测,通过故障诊断模块对电机的故障进行诊断,同时通过寿命管理模块对电机的寿命进行预测,以实现电机健康状态的感知,操作方便、简单,实用性极强。另外,本发明利用芯片完成电机数据采集、状态监测、故障诊断以及寿命管理,利用芯片进行封装,显著降低整个系统的复杂性以及工业中应用该项技术的难度。
附图说明
图1为本发明的结构示意图;
图2为基于电机参数的数据与模型双驱动的故障诊断方法的流程图;
图3为基于数据驱动数字孪生模型的故障诊断方法的流程图;
图4为决策树的示意图;
图5为实施例一中基于数据驱动数字孪生模型的故障诊断方法的流程图。
其中,1为数据采集模块、2为状态监测模块、3为历史数据存储模块、4为寿命管理模块、5为故障诊断模块、6为云端通信模块。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,不是全部的实施例,而并非要限制本发明公开的范围。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要的混淆本发明公开的概念。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
在附图中示出了根据本发明公开实施例的结构示意图。这些图并非是按比例绘制的,其中为了清楚表达的目的,放大了某些细节,并且可能省略了某些细节。图中所示出的各种区域、层的形状及它们之间的相对大小、位置关系仅是示例性的,实际中可能由于制造公差或技术限制而有所偏差,并且本领域技术人员根据实际所需可以另外设计具有不同形状、大小、相对位置的区域/层。
参考图1,本发明所述的电机状态感知芯片包括数据采集模块1、状态监测模块2、故障诊断模块5、历史数据存储模块3、寿命管理模块4以及云端通信模块6。
所述状态监测模块2包括状态监测子模块及参数监测子模块,其中,状态监测子模块获取电机的温度、磁场及振动信息;参数监测子模块观测电机在当前运行状态下的实时参数,并将观测得到的实时参数发送给电机控制芯片中,完成对电机控制的辅助。
所述故障诊断模块5根据数据采集模块1采集到的数据及状态监测模块2获取得到的数据,基于通过数学模型以及基于历史数据的数据模型进行故障诊断。
当电机为永磁同步电机时,则故障诊断模块5完成匝间短路故障、永磁体失磁故障、IGBT开路故障及轴承故障的诊断;当电机为异步电机时,则故障诊断模块5完成匝间短路故障、IGBT开路故障及轴承故障的诊断。
所述故障诊断模块5在工作时,具有两种可实施方案:第一种方案为:基于电机参数的数据与模型双驱动的故障诊断方法,第二种方案为:基于数据驱动数字孪生模型的故障诊断方法。
其中,第一种方案的具体过程为:通过电机数学模型获取电机的实时运行参数,并根据电机在健康状态以及不同故障状态下的参数数据构建并训练决策树模型,通过对健康电机模型与故障电机模型的分析,得电机在发生特定故障时的参数变化情况,以永磁同步电机匝间短路故障为例,在永磁同步电机发生匝间短路故障时,电机在dq轴下的数学模型由式(1)变为式(2);
当电机在转速稳定的情况下运行,考虑id=0,式(2)可简化为:
式(3)中,当仅考虑恒定分量,对于u′d,则存在一个与转速、短路匝数比、短路电阻、转子磁链及定子q轴电流成正比的偏移量对于u′q,则会在转子磁链处产生增量,此时,转子磁链则有,当匝间短路故障发生时,通过正常电机的dq轴电压方程对其进行观测,发现磁链产生了增加的同时,d轴电压也增加了一个小于0的偏移量。
类似上述推导,永磁同步电机不同的故障类型会导致不同参数的变化,由于在得到电机运行参数的过程中有效应用电机的模型知识,在训练模型的过程中,仅需要少量的故障数据,即可完成对故障诊断决策树的训练,通过该故障诊断决策树,芯片即可完成对目标电机的故障诊断,参考图2。
其中,第二种方案为:参考图3,建立针对目标电机的数据驱动数字孪生模型,通过采集到的目标电机在健康状态下的运行数据,利用反馈神经网络训练出电机在健康状态下运行的数字孪生模型,该数字孪生模型的输入为三相电压、电机运行的电角速度及电角度,输出为三相电流,该数字孪生模型精确模拟了目标电机的动力学系统在健康状态下的系统输出,当目标电机运行时,该数字孪生模型与电机的物理实体同步运行并根据数字孪生模型的输出计算三相电流残差,当电机的物理实体输出与数字孪生模型的输出产生较大差异时,即表明电机此刻发生故障。
所述历史数据存储模块3包含片外存储器31及片上存储器32,完成对一段时间内电机系统状态的记录。
所述寿命管理模块4包括现场预测及云端预测,其中,现场预测由芯片实现,通过由实验数据训练得到的机器学习模型实现;云端预测采用电机从实验到运行的所有数据,训练规模远大于现场预测的模型,通常电机的寿命管理与故障预测在云端完成,但考虑到电机在一些偏远地区运行时可能会时常与云端断开连接,设备本地也能够完成基本的寿命管理。
所述云端通信模块6包含串口及5G模块,用于进行芯片与云服务器的通信。
第一种实施方案为:基于电机参数的数据与模型双驱动的故障诊断方法,具体过程为:
所述数据采集模块1采集电机的三相电压、三相电流、电机绕组温度、电机外壳的振动信息及转子位置信息。
通过状态监测模块2监测电机的温度及磁场信息。电机的温度信息通过埋设在电机槽内的温度传感器进行检测,当电机的温度高于预设的绕组绝缘耐受温度时,则发出过热警告。电机的磁场信息通过磁链估计与温度监测的结果联合完成,当磁链估计值下降大于10%或15%时,则发出预警。
所述参数监测子模块通过参数辨识算法实现对定子电阻、定子电感、磁链及匝间短路状态量K的辨识,参数监测子模块输出的结果可以为故障诊断提供重要辅助依据,同时能够给电机控制提供参考。
匝间短路故障通过故障指标K和dq轴电流中的二次谐波分量进行联合诊断,例如,当用户对故障诊断系统敏感度的要求不高时,则只有两个指标均超过阈值才会被判定为发生匝间短路故障。
永磁体退磁故障的诊断根据磁链的观测结果进行判断,具体的,磁链观测结果下降到阈值以下时,即可判定为发生退磁故障。
轴承故障的诊断通过特征频率实现,当对电流进行傅里叶分析时,若其中含有特征频率,则可判定为发生了轴承故障。
故障诊断模块5中所有故障判定的阈值存在一个固定的初始值,考虑到电机设备的差异性,该阈值通过云端提供的数据进行训练,以提高系统故障诊断的准确率,决策树作为一种可实施方案,可用于对故障诊断系统的训练,通过收集参数监测模块输出的电阻、电感、磁链及参数K,利用决策树建立一个数据与模型双驱动的故障诊断系统,参考图4。
第二种实时方案为:基于数据驱动数字孪生模型的故障诊断方法,具体为:
采用反馈神经网络建立电机在健康状态下的数字孪生模型,数字孪生模型可以为NARX神经网络,通过获取目标电机在健康状态下的运行数据,并以此对NARX神经网络的训练,对NARX神经网络的训练算法包含梯度下降算法、动量梯度下降算法、变学习率梯度下降算法及Levenberg-Marquardt算法,其中,Levenberg-Marquardt算法作为一种优选方案。
参考图5,分别对三相电压与电流建立神经网络模型,例如,对于A相,模型的输入为A相电压ua、电角速度ωe及电角度θe,输出为A相电流ia;对于B相,模型的输入为B相电压ub,输出为B相电流ib、电角速度ωe及电角度θe;对于C相,模型的输入为C相电压uc、电角速度ωe及电角度θe,输出为C相电流ic,三相电压由PI控制器电流环的输出经过dq0-abc变换得到。
NARX网络包括两层隐藏层,其中,一层作为输出层,输入没有延时,反馈延时为一个采样周期。
数字孪生模型能够在得到电压或PI参考电压值的输入后给出三相电流的估计值,该估计值可以表征目标电机在健康状态下对相应输入信号的响应,在电机的健康状态下,该响应与电机实体的电流响应之间只有极小误差;而在电机发生故障时,则该误差增大,且随着故障程度的加深而增加。因此,当芯片检测到电机物理实体的电流响应与数字孪生模型的电流响应误差显著增大时,则可判定电机发生了故障。
所述云端通信模块6与外部5G芯片相连,通过5G实现状态感知芯片与云端的通信,作为一种实施方案,云端通信模块6通过RS232接口或RS485接口与5G芯片相连接。
所述历史运行数据库分为两部分,一部分用于记录电机运行过程中的历史温度数据,为寿命管理模块4的工作提供依据,另一部分用于存储由于通讯波动,未能成功发送至云端的数据,确保没有数据丢失,其中,外部存储可以采用一块256M的flash芯片,内部存储可以采用一块8M的RAM存储器。
本发明采用的两种故障诊断可实施方案相比现有技术都有明显优势,其中第一种方案采用了数据与模型双驱动的故障诊断模型,相比于其他现有方法有如下优势:1)有效减少故障数据的需求量;2)在有无数据时都可以完成诊断;第二种方案是采用数据驱动的数字孪生模型,该方法相比于其他现有方法有如下优势:1)灵敏度更高,可以完成早期故障的诊断;2)考虑到实际应用中通常难以获取大量的故障数据,仅需要电机在健康状态下的数据,不需要故障数据;3)可以通过对健康电机的建模消除固有不平衡、电机本体和控制引入的谐波等干扰。除此之外,本发明完成了电机系统与云端的交互,使得用户能够在云端采集到目标电机全生命周期的完整数据,通过云服务器以及既往数据,用户可以进一步利用云服务器完成电机的潜在故障预测及生命周期的管理。
Claims (8)
1.一种电机状态感知芯片,其特征在于,包括;
数据采集模块(1),用于采集电机的三相电压、三相电流、电机绕组温度、电机外壳的振动信息以及转子位置信息;
状态监测模块(2),用于监测电机的温度及磁场信息;
故障诊断模块(5),用于根据电机的三相电压、三相电流、电机绕组温度、电机外壳的振动信息、转子位置信息和温度及磁场信息判断电机是否出现故障;
寿命管理模块(4),用于根据电机的三相电压、三相电流、电机绕组温度、电机外壳的振动信息、转子位置信息和温度及磁场信息预测电机的寿命。
2.根据权利要求1所述的电机状态感知芯片,其特征在于,还包括云端通信模块(6),其中,数据采集模块(1)经云端通信模块(6)与外部云服务器相连接。
3.根据权利要求1所述的电机状态感知芯片,其特征在于,还包括历史数据存储模块3,历史数据存储模块(3)与数据采集模块(1)及状态监测模块(2)相连接。
4.根据权利要求1所述的电机状态感知芯片,其特征在于,故障诊断模块(5)基于电机参数的数据与模型双驱动的故障诊断方法或者基于数据驱动数字孪生模型的故障诊断方法判断电机是否出现故障。
5.根据权利要求1所述的电机状态感知芯片,其特征在于,历史数据存储模块(3)包含片外存储器(31)及片上存储器(32)。
6.根据权利要求2所述的电机状态感知芯片,其特征在于,云端通信模块(6)通过5G通信与外部云服务器相连接。
7.根据权利要求2所述的电机状态感知芯片,其特征在于,片外存储器(31)为flash芯片,片上存储器(32)为RAM存储器。
8.根据权利要求1所述的电机状态感知芯片,其特征在于,故障诊断模块(5)及寿命管理模块(4)均与外界的用户侧预警器相连接。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111277200.8A CN114384413A (zh) | 2021-10-29 | 2021-10-29 | 一种电机状态感知芯片 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111277200.8A CN114384413A (zh) | 2021-10-29 | 2021-10-29 | 一种电机状态感知芯片 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114384413A true CN114384413A (zh) | 2022-04-22 |
Family
ID=81195851
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111277200.8A Pending CN114384413A (zh) | 2021-10-29 | 2021-10-29 | 一种电机状态感知芯片 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114384413A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115114964A (zh) * | 2022-07-21 | 2022-09-27 | 西南交通大学 | 一种基于数据驱动的传感器间歇性故障诊断方法 |
-
2021
- 2021-10-29 CN CN202111277200.8A patent/CN114384413A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115114964A (zh) * | 2022-07-21 | 2022-09-27 | 西南交通大学 | 一种基于数据驱动的传感器间歇性故障诊断方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sarikhani et al. | Inter-turn fault detection in PM synchronous machines by physics-based back electromotive force estimation | |
Cheng et al. | Overview of fault diagnosis theory and method for permanent magnet machine | |
Aubert et al. | Kalman-filter-based indicator for online interturn short circuits detection in permanent-magnet synchronous generators | |
Lu et al. | A survey of efficiency-estimation methods for in-service induction motors | |
CN108196154B (zh) | 航空三级式同步电机旋转整流器故障检测及故障定位方法 | |
CN106471733A (zh) | 用于确定转子温度的方法和装置、计算机程序、计算机程序产品 | |
Hou et al. | Quantitative broken rotor bar fault detection for closed‐loop controlled induction motors | |
CN108718167A (zh) | 用于永磁同步电机的转矩估计方法、介质、设备及系统 | |
CN103956957A (zh) | 一种异步电机转子电阻辨识方法和装置 | |
CN108594143A (zh) | 一种永磁同步电机退磁故障诊断方法 | |
CN114384413A (zh) | 一种电机状态感知芯片 | |
US8368420B2 (en) | Method of error detection when controlling a rotating-field motor | |
CN114584009B (zh) | 用于交流同步电机的磁场控制系统及其控制方法 | |
Aubert et al. | On-line inter-turn short-circuit detection in permanent magnet synchronous generators | |
CN112257616A (zh) | 一种基于振动信号的调相机故障诊断方法、装置及系统 | |
Hashemi et al. | A Robust Approach for Inter-Turn Fault Detection of PMSM Used for Autonomous Vehicles | |
CN106788034A (zh) | 一种用于智能刹车控制器的电机参数诊断监控方法 | |
CN202276316U (zh) | 电机控制中转子位置的观测装置 | |
CN112083349A (zh) | 一种永磁同步电机定子绕组匝间短路故障诊断方法 | |
Aubert et al. | Stator inter-turn short-circuit detection in permanent magnet synchronous generators using extended Kalman filtering | |
CN113740764A (zh) | 一种发电机转子绕组匝间短路缺陷在线检测方法和装置 | |
Abed et al. | Fault diagnosis of brushless DC motor for an aircraft actuator using a neural wavelet network | |
CN104700148A (zh) | 一种基于行为的电机故障诊断方法 | |
Bouzid et al. | Automatic and robust diagnosis of broken rotor bars fault in induction motor | |
CN113065226A (zh) | 一种永磁同步电机故障诊断方法 |
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 |