CN114660457A - 一种电机暂态运行时故障诊断方法 - Google Patents

一种电机暂态运行时故障诊断方法 Download PDF

Info

Publication number
CN114660457A
CN114660457A CN202210407991.XA CN202210407991A CN114660457A CN 114660457 A CN114660457 A CN 114660457A CN 202210407991 A CN202210407991 A CN 202210407991A CN 114660457 A CN114660457 A CN 114660457A
Authority
CN
China
Prior art keywords
modal
value
alpha
motor
transient
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
Application number
CN202210407991.XA
Other languages
English (en)
Inventor
张新华
崔国庆
杨刘
颜亮亮
茅宇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu University
Original Assignee
Jiangsu University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jiangsu University filed Critical Jiangsu University
Priority to CN202210407991.XA priority Critical patent/CN114660457A/zh
Publication of CN114660457A publication Critical patent/CN114660457A/zh
Pending legal-status Critical Current

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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Molecular Biology (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Power Engineering (AREA)
  • Control Of Ac Motors In General (AREA)

Abstract

本发明涉及一种电机暂态运行时故障诊断方法，采用电流传感器实时采集待诊断永磁同步电机的暂态定子电流信号，然后通过遗传‑乌燕鸥算法优化后的变分模态分解算法对采样的暂态定子电流信号进行模态分解，获得包含故障特征的多个模态分量子信号。然后对获得的多个模态分量子信号进行希尔伯特变换得到各模态分量子信号对应的瞬时频率，通过分析各模态分量子信号对应的瞬时频率中是否包含匝间短路故障特征频率，以此判断永磁同步电机是否发生匝间短路故障。与现有的技术相比，本发明不仅能在电机稳态运行状态下进行故障诊断，还能在电机暂态运行状态下进行故障诊断，且很大程度上提高了故障诊断的准确性和实时性。

Description

一种电机暂态运行时故障诊断方法
技术领域
本发明涉及电气工程技术领域，具体涉及一种电机暂态运行时故障诊断方法。
背景技术
近年来，永磁同步电机由于其高效率、高功率因数、精准转矩控制、结构简单和低噪声等优点，已被广泛应用于航空航天、电动汽车、数控车床、智能机器人等高新技术领域，成为先进设备的重要组成部分。考虑到永磁同步电机运行条件恶劣、工作环境封闭且狭小以及散热条件差等原因，永磁同步电机极易发生过载和过热，由此导致电机的故障发生率较高。而电机作为系统重要核心部件，其可靠性将影响整个系统的性能，一旦发生故障，容易产生链式反应，导致整个系统瘫痪。因此，完善电机故障诊断的方法，对提高电机运行可靠性和安全性具有重要意义。
在现有的电机故障检测方法中，电流信号频谱分析由于获取方便且含有丰富的故障信息而被广泛应用。但传统的电流频谱分析易受基波频谱泄露和负载波动的影响，故障特征分量不易提取，极易造成误判。此外传统的信号频谱分析方法大多直接采用傅里叶变换，而傅里叶变换只能对稳态信号进行处理，对于暂态信号则无能为力。
变分模态分解算法是一种将信号分解为快速和慢速震荡的完全非递归模态变分方法，是一种具有自适应性、非递归性和准正交性的信号分解方法，常用于分析非线性以及非平稳的暂态信号序列，具有很高的信噪比。但是，变分模态分解算法的两个重要参数，即惩罚因子和模态分量的个数的大小，对于各个模态相应的收敛速度和模态混叠有着十分显著的影响，因此需要重点考虑以及合理的选取。本发明的一种电机暂态运行时故障诊断方法是采用遗传-乌燕鸥算法来优化惩罚因子和模态分量的个数，加快了变分模态分解算法的收敛速度，并解决了电机的暂态定子电流信号分解中可能出现的模态混叠现象。
发明内容
针对现有技术中存在的问题，本发明提供了一种电机暂态运行时故障诊断方法，以解决现有的永磁同步电机匝间短路故障诊断方法不能分析电机暂态定子电流信号的技术问题，提高故障诊断的实时性，以确保及时发现电机故障，使得电机安全稳定运行。
为解决上述技术问题，本发明提供了一种电机暂态运行时故障诊断方法，包括以下步骤：实时采集待识别诊断电机在预设时间间隔内的暂态定子电流信号，通过遗传-乌燕鸥算法优化后的变分模态分解算法对采集的暂态定子电流信号进行模态分解，获得包含故障特征的多个模态子信号，然后对获得的多个模态分量子信号进行希尔伯特变换得到各模态子信号对应的瞬时频率，通过分析各模态子信号对应的瞬时频率中是否包含故障特征频率，以此判断电机故障是否发生。
具体过程为：
步骤1：采用电流传感器采集待识别诊断的永磁同步电机在预设时间间隔内的暂态定子电流信号，其中采样周期至少为10个定子稳态电流信号基波周期，每周期至少采样25点。
步骤2：变分模态分解算法的两个参数惩罚因子α和模态分量个数K的取值范围分别设定为[500 10000]和[1 20]。
步骤3：设置种群数为Q，Q取值一般大于10。根据步骤2中惩罚因子α和模态分量个数K的取值范围，将随机产生的Q个种群粒子[α，K]＝[α1，K1],[α2，K2]…[αi，Ki]作为初始化参数，其中i＝1,2,3…,Q，并设置最大迭代次数为M，M取值一般大于100。
步骤4：将产生的参数[αi，Ki]带入变分模态分解算法中，然后对步骤1中获得的暂态定子电流信号进行变分模态分解，并得到Ki个模态分量。
步骤5：根据步骤1中获得的暂态定子电流信号的稀疏特性，选取包络熵为适应度函数，适应度函数公式为
Figure BDA0003602851660000021
(其中j＝1,2,3…,N，N为模态分量子信号的信号长度)，其中a(j)是步骤4中获得的模态分量经解调运算后得到的包络信号。
步骤6：分别计算步骤4中获得的Ki个模态分量的适应度函数值，并选取最小值作为个体适应度值fi。
步骤7：重复步骤4-6获得的Q个个体适应度值，并计算其平均适应度值
Figure BDA0003602851660000022
步骤8：将步骤6中获得的个体适应度值与步骤7中获得的平均适应度值进行比较。
步骤9：根据步骤8中的比较结果，如果个体适应度值小于平均适应度值，则表明[α，K]的邻近搜索区域是具有前景的，因此采用局部搜索强的遗传算法进行搜索；如果个体适应度值大于平均适应度值，则不采用局部搜索策略，采用乌燕鸥算法进行搜索，并跳转到步骤15继续运行。
步骤10：遗传算法进行迭代更新[α，K]。
步骤11：将步骤10中获得的[α，K]代入变分模态分解算法，对电流信号进行变分模态分解，并计算个体适应度值。
步骤12：比较步骤11中获得的个体适应度值的大小，并选取最小值作为局部极小值。
步骤13：比较每次循环迭代后步骤12中获得的局部极小值，并选取最小值作为新的局部极小值，把该新的局部极小值对应的[α，K]作为下一次迭代更新的输入参数。
步骤14：判断是否达到最大迭代次数M，若达到，则跳转到步骤20继续运行，否则跳转到步骤10继续运行。
步骤15：乌燕鸥算法进行迭代更新[α，K]。
步骤16：将步骤15中获得的[α，K]代入变分模态分解算法，对电流信号进行变分模态分解，并计算个体适应度值。
步骤17：比较步骤16中获得的个体适应度值的大小，并选取最小值作为局部极小值。
步骤18：比较每次循环迭代后步骤17中获得的局部极小值，并选取最小值作为新的局部极小值，把该新的局部极小值对应的[α，K]作为下一次迭代更新的输入参数。
步骤19：判断是否达到最大迭代次数M，若达到，则跳转到步骤20继续运行，否则跳转到步骤15继续运行。
步骤20：比较步骤13和步骤18中获得的局部极小值，并选择较小的一个作为全局极小值。
步骤21：输出适应度函数的全局极小值及其对应的[α0，K0]，此时的α0和K0即为最优的惩罚因子和模态分量的个数。
步骤22：根据步骤21得到最优的参数惩罚因子和信号分量的个数对变分模态分解进行参数设置。
步骤23：利用步骤22参数优化后的变分模态分解算法对步骤1获得的暂态定子电流信号进行模态分解，得到K0个模态分量子信号。
步骤24：通过希尔伯特变换计算步骤23得到的K0个模态分量子信号的瞬时频率。
步骤25：通过分析各模态子信号对应的瞬时频率中是否包含永磁同步电机匝间短路故障特征频率f0，当检测到有频率为(f0±2)Hz存在时即为故障特征频率，以此诊断电机故障是否发生。
本发明的有益效果是：
本发明采用了一种电机暂态运行时故障诊断方法。经过验证，将遗传-乌燕鸥算法优化的变分模态分解算法用于永磁同步电机匝间短路故障诊断，该方法能在电机暂态运行状态下进行匝间短路故障诊断，很大程度的提高了故障诊断的实时性。
附图说明
图1为本发明的一种电机暂态运行时故障诊断方法流程图。
图2是本发明的基于遗传-乌燕鸥算法优化变分模态分解算法的流程图。
图3为本发明利用遗传-乌燕鸥优化变分模态分解算法处理获取的定子电流暂态信号的模态分量图。
图4为模态分量IMF1对应的瞬时频率图。
图5为模态分量IMF2对应的瞬时频率图。
图6为模态分量IMF3对应的瞬时频率图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面将结合实施例对本发明作进一步地详细描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。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它实施例，都属于本发明保护的范围。
如图1-3所示，首先采用遗传-乌燕鸥算法优化变分模态分解算法的惩罚因子和模态分量的个数，然后根据优化后的惩罚因子和模态分量的个数设定变分模态分解算法的初始参数。实时采集待识别诊断电机在预设时间间隔内的暂态定子电流信号，通过优化后的变分模态分解对采集的暂态定子电流信号进行模态分解，获得包含故障特征的多个模态子信号。然后对获得的多个模态子信号进行希尔伯特变换得到各模态子信号对应的瞬时频率，通过分析各模态子信号对应的瞬时频率中是否包含故障特征频率，以此诊断电机故障是否发生。
一种电机暂态运行时故障诊断方法，依次包括以下步骤：
步骤1：采用电流传感器采集待识别诊断的永磁同步电机在预设时间间隔内的暂态定子电流信号，其中采样周期12个基波周期，采样频率为2000Hz，采样时间为0.2s，即取样点数为400个。
步骤2：变分模态分解算法的两个参数惩罚因子α和模态分量个数K的取值范围分别设定为[500 10000]和[1 20]。
步骤3：设置种群数为Q＝30。根据步骤2中惩罚因子α和模态分量个数K的取值范围，将随机产生的30个种群粒子[α，K]＝[α1，K1],[α2，K2]…[αi，Ki]作为初始化参数，其中i＝1,2,3…,30，并设置最大迭代次数为120。
步骤4：将产生的参数[αi，Ki]带入变分模态分解算法中，然后对步骤1中获得的暂态定子电流信号进行变分模态分解，并得到Ki个模态分量。
步骤5：根据步骤1中获得的暂态定子电流信号的稀疏特性，选取包络熵为适应度函数，适应度函数公式为
Figure BDA0003602851660000051
(其中j＝1,2,3…,400)，其中a(j)是步骤4中获得的模态分量经解调运算后得到的包络信号。
步骤6：分别计算步骤4中获得的Ki个模态分量的适应度函数值，并选取最小值的一个作为个体适应度值fi。
步骤7：重复步骤4-6获得的30个个体适应度值，并计算其平均适应度值
Figure BDA0003602851660000052
步骤8：将步骤6中获得的个体适应度值与步骤7中获得的平均适应度值进行比较。
步骤9：根据步骤8中的比较结果，如果个体适应度值小于平均适应度值，则表明[α，K]的邻近搜索区域是具有前景的，因此采用局部搜索强的遗传算法进行搜索；如果个体适应度值大于平均适应度值，则不采用局部搜索策略，采用乌燕鸥算法进行搜索，并跳转到步骤15继续运行。
步骤10：遗传算法进行迭代更新[α，K]。
步骤11：将步骤10中获得的[α，K]代入变分模态分解算法，对电流信号进行变分模态分解，并计算个体适应度值。
步骤12：比较步骤11中获得的个体适应度值的大小，并选取最小值作为局部极小值。
步骤13：比较每次循环迭代后步骤12中获得的局部极小值，并选取最小值作为新的局部极小值，把该新的局部极小值对应的[α，K]作为下一次迭代更新的输入参数。
步骤14：判断是否达到最大迭代次数120，若达到，则跳转到步骤20继续运行，否则跳转到步骤10继续运行。
步骤15：乌燕鸥算法进行迭代更新[α，K]。
步骤16：将步骤15中获得的[α，K]代入变分模态分解算法，对电流信号进行变分模态分解，并计算个体适应度值。
步骤17：比较步骤16中获得的个体适应度值的大小，并选取最小值作为局部极小值。
步骤18：比较每次循环迭代后步骤17中获得的局部极小值，并选取最小值作为新的局部极小值，把该新的局部极小值对应的[α，K]作为下一次迭代更新的输入参数。
步骤19：判断是否达到最大迭代次数120，若达到，则跳转到步骤20继续运行，否则跳转到步骤15继续运行。
步骤20：比较步骤13和步骤18中获得的局部极小值，并选择较小的一个作为全局极小值。
步骤21：输出适应度函数的全局极小值及其对应的[α0，K0]，此时的α0和K0即为最优的惩罚因子和模态分量的个数。
步骤22：根据步骤21得到最优的参数惩罚因子和信号分量的个数对变分模态分解进行参数设置。
步骤23：利用步骤22参数优化后的变分模态分解算法对步骤1获得的暂态定子电流信号进行模态分解，得到K0个模态分量子信号。
步骤24：通过希尔伯特变换计算步骤23得到的K0个模态分量子信号的瞬时频率。
步骤25：通过分析各模态子信号对应的瞬时频率中是否包含永磁同步电机匝间短路故障特征频率f0，当检测到有频率为(f0±2)Hz存在时即为故障特征频率，以此诊断电机故障是否发生。
实施例：
本测试采用极对数p＝4的永磁同步电机，并设置定子绕组短路匝数比为0.1。保持电机转速为900r/min情况下运行，在3.1s时增加电机的负载转矩，然后采用电流传感器获取永磁同步电机在3s～3.2s时间间隔内的暂态定子电流信号，信号的采样频率为2000Hz。
根据上述步骤2到步骤21确定变分模态分解的最优参数：K＝4，α＝1850。然后把该参数作为变分模态分解的参数，利用设定好的变分模态分解对采集的暂态定子电流信号进行模态分解，结果如图3所示，分解为IMF1，IMF2，IMF3和IMF4个模态分量子信号，然后通过希尔伯特变换计算IMF1，IMF2，IMF3和IMF4个模态分量子信号的瞬时频率，分别如图4、图5和图6所示。
永磁同步电机发生匝间短路故障时，由于三相绕组不对称，其对应的故障特征频率为基波的三次谐波频率，当检测到电机暂态定子电流信号有频率为(3f1±2)Hz存在时即为故障特征频率，其中f1为基波频率。测试电机的基波率f1＝n*p/60＝60Hz，其对应的三次谐波频率3f1＝180Hz。其中包含故障特征频率的模态分量子信号为IMF3，其对应的希尔伯特变换的瞬时频率如图5所示，图中IMF2对应的瞬时频率约为180Hz，即为包含匝间短路故障的三次谐波特征频率，因此本发明的方法能在电机暂态运行状态下有效的检测出匝间短路故障。
以上应用了具体个例对本发明进行阐述，只是用于帮助理解本发明，并不用以限制本发明。任何熟悉该技术的人在本发明所揭露的技术范围内的局部修改或替换，都应涵盖在本发明的包含范围之内。

Claims (5)

1.一种电机暂态运行时故障诊断方法，其特征在于，包括以下步骤：实时采集待识别诊断电机在预设时间间隔内的暂态定子电流信号，通过遗传-乌燕鸥算法优化后的变分模态分解算法对采集的暂态定子电流信号进行模态分解，获得包含故障特征的多个模态子信号，然后对获得的多个模态分量子信号进行希尔伯特变换得到各模态子信号对应的瞬时频率，通过分析各模态子信号对应的瞬时频率中是否包含故障特征频率，以此判断电机故障是否发生。
2.根据权利要求1所述的一种电机暂态运行时故障诊断方法，其特征在于，具体包括以下实现过程：
步骤1：采用电流传感器采集待识别诊断的永磁同步电机在预设时间间隔内的暂态定子电流信号；
步骤2：设定变分模态分解算法的两个参数惩罚因子α和模态分量个数K的取值范围；
步骤3：设置种群数为Q，Q取值一般大于10，根据步骤2中惩罚因子α和模态分量个数K的取值范围，将随机产生的Q个种群粒子[α，K]＝[α1，K1],[α2，K2]…[αi，Ki]作为初始化参数，其中i＝1,2,3…,Q，并设置最大迭代次数为M，M取值一般大于100；
步骤4：将产生的参数[αi，Ki]带入变分模态分解算法中，然后对步骤1中获得的暂态定子电流信号进行变分模态分解，并得到Ki个模态分量；
步骤5：根据步骤1中获得的暂态定子电流信号的稀疏特性，选取包络熵为适应度函数，适应度函数公式为
Figure FDA0003602851650000011
(其中j＝1,2,3…,N，N为模态分量子信号的信号长度)，其中a(j)是步骤4中获得的模态分量经解调运算后得到的包络信号；
步骤6：分别计算步骤4中获得的Ki个模态分量的适应度函数值，并选取最小值作为个体适应度值fi；
步骤7：重复步骤4-6获得的Q个个体适应度值，并计算其平均适应度值；
步骤8：将步骤6中获得的个体适应度值与步骤7中获得的平均适应度值进行比较；
步骤9：根据步骤8中的比较结果，如果个体适应度值小于平均适应度值，则表明[α，K]的邻近搜索区域是具有前景的，因此采用局部搜索强的遗传算法进行搜索；如果个体适应度值大于平均适应度值，则不采用局部搜索策略，采用乌燕鸥算法进行搜索，并跳转到步骤15继续运行；
步骤10：遗传算法进行迭代更新[α，K]；
步骤11：将步骤10中获得的[α，K]代入变分模态分解算法，对电流信号进行变分模态分解，并计算个体适应度值；
步骤12：比较步骤11中获得的个体适应度值的大小，并选取最小值作为局部极小值；
步骤13：比较每次循环迭代后步骤12中获得的局部极小值，并选取最小值作为新的局部极小值，把该新的局部极小值对应的[α，K]作为下一次迭代更新的输入参数；
步骤14：判断是否达到最大迭代次数M，若达到，则跳转到步骤20继续运行，否则跳转到步骤10继续运行；
步骤15：采用乌燕鸥算法进行迭代更新[α，K]；
步骤16：将步骤15中获得的[α，K]代入变分模态分解算法，对电流信号进行变分模态分解，并计算个体适应度值；
步骤17：比较步骤16中获得的个体适应度值的大小，并选取最小值作为局部极小值；
步骤18：比较每次循环迭代后步骤17中获得的局部极小值，并选取最小值作为新的局部极小值，把该新的局部极小值对应的[α，K]作为下一次迭代更新的输入参数；
步骤19：判断是否达到最大迭代次数M，若达到，则跳转到步骤20继续运行，否则跳转到步骤15继续运行；
步骤20：比较步骤13和步骤18中获得的局部极小值，并选择较小的一个作为全局极小值；
步骤21：输出适应度函数的全局极小值及其对应的[α0，K0]，此时的α0和K0即为最优的惩罚因子和模态分量的个数；
步骤22：根据步骤21得到最优的参数惩罚因子和信号分量的个数对变分模态分解进行参数设置；
步骤23：利用步骤22参数优化后的变分模态分解算法对步骤1获得的暂态定子电流信号进行模态分解，得到K0个模态分量子信号；
步骤24：通过希尔伯特变换计算步骤23得到的K0个模态分量子信号的瞬时频率；
步骤25：通过分析各模态子信号对应的瞬时频率中是否包含永磁同步电机匝间短路故障特征频率f0，当检测到有频率为(f0±2)Hz存在时即为故障特征频率，以此诊断电机故障是否发生。
3.根据权利要求2所述的一种电机暂态运行时故障诊断方法，其特征在于，步骤1中采样周期至少为10个定子稳态电流信号基波周期，每周期至少采样25点。
4.根据权利要求2所述的一种电机暂态运行时故障诊断方法，其特征在于，平均适应度值为
Figure FDA0003602851650000031
5.根据权利要求2所述的一种电机暂态运行时故障诊断方法，其特征在于，两个参数惩罚因子α和模态分量个数K的取值范围分别设定为[500 10000]和[1 20]。
CN202210407991.XA 2022-04-19 2022-04-19 一种电机暂态运行时故障诊断方法 Pending CN114660457A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210407991.XA CN114660457A (zh) 2022-04-19 2022-04-19 一种电机暂态运行时故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210407991.XA CN114660457A (zh) 2022-04-19 2022-04-19 一种电机暂态运行时故障诊断方法

Publications (1)

Publication Number Publication Date
CN114660457A true CN114660457A (zh) 2022-06-24

Family

ID=82034461

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210407991.XA Pending CN114660457A (zh) 2022-04-19 2022-04-19 一种电机暂态运行时故障诊断方法

Country Status (1)

Country Link
CN (1) CN114660457A (zh)

Similar Documents

Publication Publication Date Title
CN103926533B (zh) 永磁同步电机失磁故障在线诊断方法及系统
Vedreño-Santos et al. Diagnosis of rotor and stator asymmetries in wound-rotor induction machines under nonstationary operation through the instantaneous frequency
CN107783006B (zh) 水轮发电机转子绕组匝间短路故障检测方法
CN103558547A (zh) 一种永磁同步电机的智能故障诊断方法
CN110940917A (zh) 一种电动机故障预警方法及系统
CN112396007A (zh) 一种非侵入式居民负荷突变事件三阈值检测方法和系统
CN110412415B (zh) 一种基于dft、多阶滤波和突变判据的同步相量计算方法
Amirat et al. Variational mode decomposition-based notch filter for bearing fault detection
CN114660457A (zh) 一种电机暂态运行时故障诊断方法
CN109324268B (zh) 基于贝叶斯推理的配电网早期故障检测方法及装置
Vedreño-Santos et al. Diagnosis of faults in induction generators under fluctuating load conditions through the instantaneous frequency of the fault components
Pietrzak et al. Stator winding fault detection of permanent magnet synchronous motors based on the bispectrum analysis
CN115085163A (zh) 低频输电线路的差动保护方法、系统、装置及存储介质
Khelfi et al. Temporal Envelope Estimation of Stator Current by Peaks Detection for IM Fault Diagnosis
CN113033467A (zh) 一种叶片故障诊断方法、存储介质和诊断装置
Deng et al. A fractional hilbert transform order optimization algorithm based DE for bearing health monitoring
Liu et al. Synchrosqueezing transform based general linear chirplet transform of instantaneous rotational frequency estimation for rotating machines with speed variations
CN109765003B (zh) 一种基于希尔伯特变换的叶片不平衡故障电信号特征提取方法
Yang et al. Wide frequency oscillation mode identification based on improved Prony algorithm
Khelfi et al. Diagnosis of dynamic eccentricity fault in inverter-fed induction machine using three phase stator currents intersection signal
Bourdim et al. Multi phases stator short-circuits faults diagnosis & classification in DFIG using wavelet & fuzzy based technique
CN112305475B (zh) 一种永磁体失磁状态的检测方法和装置
CN112307997B (zh) 一种利用主模式分解的功率信号重构方法和系统
Sabir et al. Early Fault Estimation of Inter-turn Short-circuit in Rotor Winding of WRIM using ANN-based Combined TSA and MCSA Technique
CN114034931A (zh) 基于变分模态分解的永磁电机绕组不对称故障诊断方法

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