CN114720128A - 一种电磁轴承控制方法、装置及系统 - Google Patents
一种电磁轴承控制方法、装置及系统 Download PDFInfo
- Publication number
- CN114720128A CN114720128A CN202210525872.4A CN202210525872A CN114720128A CN 114720128 A CN114720128 A CN 114720128A CN 202210525872 A CN202210525872 A CN 202210525872A CN 114720128 A CN114720128 A CN 114720128A
- Authority
- CN
- China
- Prior art keywords
- bearing
- fault
- control
- controller
- preset
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/04—Bearings
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Probability & Statistics with Applications (AREA)
- Magnetic Bearings And Hydrostatic Bearings (AREA)
Abstract
本发明提供了一种电磁轴承控制方法、装置及系统,该方法包括:获取轴承控制器采集的目标电磁轴承的运行数据;将运行数据输入预设故障预测模型进行故障预测,得到故障预测结果;在故障预测结果为存在故障时,对运行数据进行分析确定故障类型;根据故障类型对轴承控制器进行运行控制。从而通过利用轴承控制器采集电磁轴承的运行数据对可能发生的故障进行预测,当预测将要出现轴承故障时,根据运行数据确定故障类型进而对轴承控制器进行运行控制,通过提前进行控制干预,降低轴承运行故障率与转子损伤率,提升轴承控制性能,改善控制效果,提高了整个系统的稳定性。
Description
技术领域
本发明涉及电磁轴承控制技术领域,具体涉及一种电磁轴承控制方法、装置及系统。
背景技术
主动磁悬浮轴承-转子系统(Active Magnetic Bearing,AMB)因其与传统轴承-转子系统相比具有无摩擦、能耗低等多项优点而备受关注。但其电磁轴承的控制较为困难,轴承转子在运行由于干扰或是结构设计不合理,总是容易发生运行故障,致使转子与轴承发生摩擦而致机组停机,或是更严重的碰撞导致转子与轴承损坏。
发明内容
有鉴于此,本发明实施例提供了一种电磁轴承控制方法、装置及系统以克服现有技术中由于现有的电磁轴承容易发生运行故障,致使转子与轴承发生摩擦而致机组停机,或是更严重的碰撞导致转子与轴承损坏的问题。
根据第一方面,本发明实施例提供了一种电磁轴承控制方法,包括:
获取轴承控制器采集的目标电磁轴承的运行数据;
将所述运行数据输入预设故障预测模型进行故障预测,得到故障预测结果;
在所述故障预测结果为存在故障时,对所述运行数据进行分析确定故障类型;
根据所述故障类型对所述轴承控制器进行运行控制。
可选地,所述运行数据包括:母线电压、轴承电流及轴承转子位移精度,所述对所述运行数据进行分析确定故障类型,包括:
判断所述母线电压的变化趋势是否偏离正常电压运行区间;
在所述母线电压的变化趋势偏离正常电压运行区间时,确定所述故障类型为电压故障;
在所述母线电压的变化趋势没有偏离正常电压运行区间时,判断所述轴承电流的变化趋势是否偏离轴承电流运行区间;
在所述轴承电流的变化趋势偏离轴承电流运行区间时,确定所述故障类型为电流故障;
在所述轴承电流的变化趋势没有偏离轴承电流运行区间时,判断所述轴承转子位移精度是否超过预设运行精度;
在所述轴承转子位移精度超过预设运行精度时,确定所述故障类型为位移故障。
可选地,在所述故障类型为电压故障或电流故障时,所述根据所述故障类型生成控制指令,以对所述轴承控制器进行运行控制,包括:
控制所述轴承控制器继续采集所述目标电磁轴承在设定时间周期内的母线电压或轴承电流;
判断所述目标电磁轴承在设定时间周期内的母线电压或轴承电流是否恢复至正常电压运行区间或正常电流运行区间;
在所述目标电磁轴承在设定时间周期内的母线电压或轴承电流没有恢复至对应的正常电压运行区间或正常电流运行区间时,控制所述轴承控制器进行卸载停机。
可选地,在所述故障类型为位移故障时,所述根据所述故障类型生成控制指令,以对所述轴承控制器进行运行控制,包括:
控制所述轴承控制器进行控制参数的调节;
控制所述轴承控制器在控制参数调节后采集所述目标电磁轴承的轴承转子位移精度,并开启计时;
判断在控制参数调节后所述目标电磁轴承的轴承转子位移精度是否超过预设运行精度;
在控制参数调节后所述目标电磁轴承的轴承转子位移精度超过预设运行精度时,返回所述控制所述轴承控制器在控制参数调节后采集所述目标电磁轴承的轴承转子位移精度的步骤,直至轴承转子位移精度没有超过预设运行精度或计时达到预设控制参数调节时间。
可选地,在计时达到预设控制参数调节时间时,控制所述轴承控制器进行卸载停机。
可选地,所述预设故障预测模型包括:多个故障预测子模型,所述将所述运行数据输入预设故障预测模型进行故障预测,得到故障预测结果,包括:
分别将所述运行数据输入各故障预测子模型,得到多个第一故障预测结果;
根据所有第一故障预测结果计算存在故障概率;
判断所述故障概率是否大于预设概率阈值;
在所述故障概率大于预设概率阈值时,确定所述故障预测结果为存在故障。
可选地,在控制所述轴承控制器进行卸载停机之后,所述方法还包括:
根据所述故障类型生成检修指令,以使检修人员根据所述检修指令对所述目标电磁轴承进行检修。
根据第二方面,本发明实施例提供了一种电磁轴承控制装置,包括:
获取模块,用于获取轴承控制器采集的目标电磁轴承的运行数据;
第一处理模块,用于将所述运行数据输入预设故障预测模型进行故障预测,得到故障预测结果;
第二处理模块,用于在所述故障预测结果为存在故障时,对所述运行数据进行分析确定故障类型;
第三处理模块,用于根据所述故障类型对所述轴承控制器进行运行控制。
根据第三方面,本发明实施例提供了一种电磁轴承控制系统,包括:轴承控制器和上位机,其中,
所述轴承控制器与目标电磁轴承连接,用于采集目标电磁轴承的运行数据,将所述运行数据发送至所述上位机,并用于控制所述目标电磁轴承工作;
所述上位机包括:存储器和处理器,所述存储器和所述处理器之间互相通信连接,所述存储器中存储有计算机指令,所述处理器通过执行所述计算机指令,从而执行第一方面及其任意一种可选实施方式中所述的电磁轴承控制方法。
根据第四方面,本发明实施例提供了一种计算机可读存储介质,所述计算机可读存储介质存储计算机指令,所述计算机指令用于使计算机执行第一方面,或者其任意一种可选实施方式中所述的电磁轴承控制方法。
本发明技术方案,具有如下优点:
本发明实施例提供的电磁轴承控制方法、装置及系统,通过获取轴承控制器采集的目标电磁轴承的运行数据;将运行数据输入预设故障预测模型进行故障预测,得到故障预测结果;在故障预测结果为存在故障时,对运行数据进行分析确定故障类型;根据故障类型对轴承控制器进行运行控制。从而通过利用轴承控制器采集电磁轴承的运行数据对可能发生的故障进行预测,当预测将要出现轴承故障时,根据运行数据确定故障类型进而对轴承控制器进行运行控制,通过提前进行控制干预,降低轴承运行故障率与转子损伤率,提升轴承控制性能,改善控制效果,提高了整个系统的稳定性。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例的一种电磁轴承控制系统的结构示意图;
图2为本发明实施例的一种电磁轴承控制方法的流程图;
图3为本发明实施例的故障预测具体工作过程示意图;
图4为本发明实施例的电磁轴承控制的具体工作过程示意图;
图5为本发明实施例的一种电磁轴承控制装置的结构示意图;
图6为本发明实施例的上位机的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在本发明的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,还可以是两个元件内部的连通,可以是无线连接,也可以是有线连接。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
主动磁悬浮轴承-转子系统(Active Magnetic Bearing,AMB)因其与传统轴承-转子系统相比具有无摩擦、能耗低等多项优点而备受关注。但其电磁轴承的控制较为困难,轴承转子在运行由于干扰或是结构设计不合理,总是容易发生运行故障,致使转子与轴承发生摩擦而致机组停机,或是更严重的碰撞导致转子与轴承损坏。
基于上述问题,本发明实施例提供了一种电磁轴承控制系统,如图1所示,该电磁轴承控制系统具体包括:轴承控制器202和上位机201,其中,轴承控制器202与目标电磁轴承203连接,用于采集目标电磁轴承203的运行数据,将运行数据发送至上位机201,并用于控制目标电磁轴承203工作;上位机201用于获取轴承控制器202采集的目标电磁轴承203的运行数据;将运行数据输入预设故障预测模型进行故障预测,得到故障预测结果;在故障预测结果为存在故障时,对运行数据进行分析确定故障类型;根据故障类型对轴承控制器202进行运行控制。关于上位机更详细的工作过程参见下文方法实施例的相关描述,在此不再进行赘述。
具体地,在上位机201中预置有训练好的预设故障预测模型,其与轴承控制器202可以通过无线通信连接,以实现目标电磁轴承203的远程控制,轴承控制器202与现有轴承控制器的功能及工作原理相同,在此不再进行赘述。
通过上述各个组成部分的协同合作,本发明实施例提供的电磁轴承控制系统,通过利用轴承控制器采集电磁轴承的运行数据对可能发生的故障进行预测,当预测将要出现轴承故障时,根据运行数据确定故障类型进而对轴承控制器进行运行控制,通过提前进行控制干预,降低轴承运行故障率与转子损伤率,提升轴承控制性能,改善控制效果,提高了整个系统的稳定性。
本发明实施例还提供了一种电磁轴承控制方法,应用于如图1所示的上位机201,如图2所示,该电磁轴承控制方法具体包括如下步骤:
步骤S101:获取轴承控制器采集的目标电磁轴承的运行数据。
其中,该运行数据包括:母线电压、轴承电流及轴承转子位移精度等与轴承故障密切相关的运行数据。示例性地,可以通过如图1所示的位于远端的上位机通过轴承控制器的4G模块采集轴承反馈给控制器的轴承位移差X、控制母线电压U以及功率放大器给轴承线圈的电流I。
步骤S102:将运行数据输入预设故障预测模型进行故障预测,得到故障预测结果。
其中,预设故障预测模型为预训练好的模型,在本发明实施例中,该预设故障预测模型的训练过程如下:
通过采集过去5年的100台轴承机组故障数据,该故障数据指的是轴承发生故障时前5分钟的数据,数据总共10万条,其统一判定代表为有故障,记为y=1;采集这100台机组前后3小时内无故障发生的数据,总共也为10万条,其统一判定代表为无故障,记为y=-1;
数据预处理:对选取的20万条数据预处理,人为剔除一些异常数据(传输原因导致或者记录错误的数据),取余下中的10万组数据集,将其混合均匀,有故障与无故障的数据均匀随机交叉分布。
数据归一化:将10万组数据进行归一化处理。采用Min-Max标准化方法:
将归一化后的10万组数据,随机划分8万组作为原始训练样本集,2万组作为验证样本。
将数据记录为:
D=(x1,y1),(x2,y2)...(xN,yN) (2)
步骤S103:在故障预测结果为存在故障时,对运行数据进行分析确定故障类型。
具体地,当电磁轴承有故障时,其运行数据将会与正常运行时的数据产生一定的偏差,因此可以通过对运行数据进行分析,来确定故障的类型,示例性地,如果母线电压值相对于正常运行时监测的母线电压发生明显变化,则说明轴承故障为电压故障等。
步骤S104:根据故障类型对轴承控制器进行运行控制。
具体地,在确定电磁轴承故障之后,可以根据具体的故障类型有针对性的对轴承控制器进行运行控制,以使该轴承控制器能够更加精准的控制电磁轴承,以降低轴承的损伤,通过控制调节避免预测故障的发生。
通过执行上述步骤,本发明实施例提供的电磁轴承控制方法,通过利用轴承控制器采集电磁轴承的运行数据对可能发生的故障进行预测,当预测将要出现轴承故障时,根据运行数据确定故障类型进而对轴承控制器进行运行控制,通过提前进行控制干预,降低轴承运行故障率与转子损伤率,提升轴承控制性能,改善控制效果,提高了整个系统的稳定性。
具体地,在一实施例中,上述预设故障预测模型包括:多个故障预测子模型,上述的步骤S102具体地包括如下步骤:
步骤S11:分别将运行数据输入各故障预测子模型,得到多个第一故障预测结果。
具体地,在本发明实施例中,以三个故障预测子模型为例,如图3所示,所包含的故障预测子模型有:逻辑回归模型、支持向量机模型以及随机森林模型。
其中,逻辑回归分类模型的具体实现步骤如下:
在线性回归中得到一个预测值,再将该值映射到Sigmoid函数中,这样就完成了由值到概率的转换,也就是分类任务。示例性地,该逻辑回归的分类预测函数为
为了求得参数θT,定义损失函数J(θ)为
以梯度下降的方式求负方向倒数的最大值。
利用梯度下降算法进行参数的更新公式如下:
其中,α为学习率参数,λ为正则项参数,需进行给定。
整定好模型参数,使用上述2万组测试数据测试,如果准确率达到90%,则将其集成到上位机之中,得到训练好的逻辑回归分类模型。
随机森林分类模型的具体实现步骤如下:
①随机森林中有ntree棵树,每一棵分类树都对应一个训练集,要构建ntree棵分类树,那就需要产生对应数量的训练集。随机森林算法在生成的过程中,主要采用bagging抽样技术从原始训练集中产生ntree个训练子集,每次抽样均为随机且放回抽样。
②然后依次对每个新数据集依据随机属性选择的方式训练出一个决策树基学习器。假定原始样本中的自变量个数为p,则从每棵决策树的自变量集合中随机抽选一个包含mtry个自变量子集,然后再选取一个最优的自变量作为划分属性,在随机森林分类算法中,一般mtry=log2p。
③由此得到了ntree棵分类决策树,每棵树均开始从上至下的递归生成子节点,通过设定叶节点中包含的样本数量达到的最小阈值(分类树可以取5)来决定决策树何时终止分裂。
④从ntree棵决策树可以得到ntree个预测值,利用集成学习思想取ntree棵树预测值进行投票,得票多的作为分类预测结果,将作为算法最终的输出结果。
分类树数学模型为
式中:M为分类树模型中子集中样本的数量;cm为每个子集中数据样本的响应均值;Rm为所划分的各个子集;I(x∈Rm)为示性函数,当x∈Rm时取值为1,否则取值为0。
从8万组的原始训练样本集中进行8万次有放回地随机抽取训练样本,得到1个子样本集,记做M=80000,一个样本构建一个回归树;重复进行300次实验,获得300个子样本集(300个子样本集之间相互独立,样本可以重复),构建300课回归决策树,记做ntree=300。
由于本发明中的选取自变量为p=3,依据随机选取特征数的方式训练一个回归树学习器,一般地,随机特征数mtry=log2p,所以本发明中mtry=1。训练300个回归决策树,最终取300个回归子树的结果进行投票,分类1和-1中的占比高的结果,作为预测结果。
通过使用余下的2万组验证样本,验证建立的随机森林回归模型准确性,如果准确率超过90%,则将该随机森林模型集成到上位机中。
支持向量机模型具体实现步骤如下:
支持向量机是一种二分类模型,它将实例的特征向量(以二维为例)映射为空间中的一些点,如图的红点和黑点,它们属于不同的两类。SVM的目的就是想要画出一条线,以“最好地”区分这两类点,以至如果以后有了新的点,这条线也能做出很好的分类。线是有无数条可以画的,区别就在于效果好不好,每条线都可以叫做一个划分超平面。我们所希望找到的这条效果最好的线就是具有“最大间隔的划分超平面”。从上图可以看出,虚线上的点到划分超平面的距离都是一样的,实际上只有这几个点共同确定了超平面的位置,因此被称作“支持向量”。
划分超平面可以定义为一个线性方程:ωTx+b=0,其中:ω={ω1;ω2;...;ωd}是一个法向量,决定了超平面的方向,d是特征值的个数;X为训练样本b为位移项,决定了超平面与原点之间的距离,只要确定了法向量ω和位移b,就可以唯一地确定一个划分超平面。
为便于计算,位于分类超平面两侧的数据计算的数值分别取1或-1,以将数据分两类,这两类数据通常也称为正、负样本数据。
正样本:y=ωTx+b=1
负样本:y=ωTx+b=-1 (8)
在SVM中,为了得到全部的特征样本点到该超平面的间距,同时找到距离超平面最近的样本点。
定义了函数间隔:对选定的训练数据集T和超平面(ω,b),可以定义超平面与特征样本点(xi,yi)的函数间隔为:
ri=yi(ωTx+b) (9)
为了寻出支持向量,于是可以计算算出全部样本点距离最小的那个:
rmin=min(r) (10)
由于函数区间存在了一个严重的问题,即当ω和b在给定比例下增加或减少时,超平面方程不会改变,但是函数间隔变为原始的比例倍数。为了避免这种情况的发生,又继续引出了一个概念:几何间隔,即
ri=yi((ωT/||ω)xi+b/||ω) (11)
这样就可以确保,如果ω和b成比例变化时,超平面也会按着给的比例倍数进行变化。由于SVM的学习目的就是最大化相应的几何间隔,所以目标最大化几何间隔,表达式如下:
通过引入松弛变量和拉格朗日乘子,利用KKT条件,使用SMO算法进而求解出支持向量机模型的系数ωT,b。
将划分出来的8万组原始训练样本集训练SVM模型,剩余的2万组作为验证样本,如果验证准确率达90%,则集成入上位机。
然后将上述建立的线性回归、支持向量机和随机森林分类器集成在上位机数据监测系统中。将实时数据输入前面训练出来的三个模型中,得到三个分类结果,将结果进行投票。具体地,三个分类器中两个输出有故障,则判定为有故障,记为1。
步骤S12:根据所有第一故障预测结果计算存在故障概率。
具体地,可以将上述三个故障预测子模型的预测结果中预测存在故障的结果数量与总数量的比值作为故障概率。
步骤S13:判断故障概率是否大于预设概率阈值。
其中,该预设概率阈值可以根据实际故障预测需求的准确度及需求进行灵活的设置,示例性地,该预设概率阈值为50%。
步骤S14:在故障概率大于预设概率阈值时,确定故障预测结果为存在故障。
示例性地,如果三个故障预测模型得到的预测结果中有两个以上是存在故障,则认为最终的故障预测结果为存在故障,否则认为最终的故障预测结果为不存在故障,然后返回上述步骤S101继续进行监控。
从而通过利用多个不同类型的故障预测子模型分别进行故障预测,然后根据所有的预测结果来确定最终的预测结果,从而避免单一预测方式造成误差,进一步提高故障预测的准确性。
具体地,在一实施例中,上述的步骤S103具体包括如下步骤:
步骤S201:判断母线电压的变化趋势是否偏离正常电压运行区间。
步骤S202:在母线电压的变化趋势偏离正常电压运行区间时,确定故障类型为电压故障。
具体地,通过统计一段时间内电压数据,分析母线电压的变化趋势,若母线电压将要偏离正常电压运行区间内,判定为电压故障。
步骤S203:在母线电压的变化趋势没有偏离正常电压运行区间时,判断轴承电流的变化趋势是否偏离轴承电流运行区间。
步骤S204:在轴承电流的变化趋势偏离轴承电流运行区间时,确定故障类型为电流故障。
具体地,通过统计一段时间内轴承电流数据,分析轴承电流的变化趋势,若轴承电流将要偏离正常电流运行区间内,判定为电流故障。
步骤S205:在轴承电流的变化趋势没有偏离轴承电流运行区间时,判断轴承转子位移精度是否超过预设运行精度。
步骤S206:在轴承转子位移精度超过预设运行精度时,确定故障类型为位移故障。
具体地,通过统计一段时间内轴承转子位移精度的数据,若轴承转子位移精度较差,超出或者靠近允许的最大运行精度30微米,判定为位移故障。
具体地,在一实施例中,在故障类型为电压故障或电流故障时,上述的步骤S104具体包括如下步骤:
步骤S301:控制轴承控制器继续采集目标电磁轴承在设定时间周期内的母线电压或轴承电流。
步骤S302:判断目标电磁轴承在设定时间周期内的母线电压或轴承电流是否恢复至正常电压运行区间或正常电流运行区间。
步骤S303:在目标电磁轴承在设定时间周期内的母线电压或轴承电流没有恢复至对应的正常电压运行区间或正常电流运行区间时,控制轴承控制器进行卸载停机。
步骤S304:根据故障类型生成检修指令,以使检修人员根据检修指令对目标电磁轴承进行检修。
具体地,如图4所示,当判定为电流或者电压故障时,上位机电流电压故障单元发送命令轴承控制器的电流电压故障响应单元做出处理命令,轴承控制器的数据采集单元实时采集后续10秒内电流、电压和位移精度,并通过4G模块发送给上位机,上位机判断电流或者电压是否在正常运行区间的中间值附近。如恢复正常,则机组正常工作,若10秒内不能恢复,上位机的位移故障处理单元发出停机命令,轴承控制器的位移故障响应单元做出控制,机组卸载停机,技术员检修,进行故障恢复运行。从而在预测将要出现电流或电压故障时,通过密切监控是否是由于短暂的异常引起的,如果电压或电流异常在短时间内消失,则说明故障风险被排除,机组可以正常运行,如果在一定时间内电压或电流还处于异常运行数据,则通过及时控制轴承控制器对机组进行卸载停机的方式,避免造成轴承及机组的损害,延长整各机组的使用寿命,提高轴承控制效果,提升用户使用体验。
具体地,在一实施例中,在故障类型为位移故障时,上述的步骤S104具体包括如下步骤:
步骤S401:控制轴承控制器进行控制参数的调节。
步骤S402:控制轴承控制器在控制参数调节后采集目标电磁轴承的轴承转子位移精度,并开启计时。
步骤S403:判断在控制参数调节后目标电磁轴承的轴承转子位移精度是否超过预设运行精度。
步骤S404:在控制参数调节后目标电磁轴承的轴承转子位移精度超过预设运行精度时,返回上述步骤S401,直至轴承转子位移精度没有超过预设运行精度或计时达到预设控制参数调节时间。
具体地,在轴承转子位移精度没有超过预设运行精度时,返回步骤S101。在计时达到预设控制参数调节时间之后,根据故障类型生成检修指令,以使检修人员根据检修指令对目标电磁轴承进行检修。
示例性地,如图4所示,当判定为位移故障时,上位机位移故障单元发送命令轴承控制器的位移故障响应单元做出处理命令,轴承控制器优先微调整控制参数,如当控制算法为PID时,就微调P参数、I参数、D参数;比如P参数可以在当前值的上下5的限度内调整,比如先增大2,观察轴承位移精度,精度改善,机组正常运行;若不能解决故障,轴承控制器尝试切换控制算法来解决故障。10秒内轴承控制器无法自行解决故障,报告故障给技术员,技术员进行人为控制调整,解决故障。从而通过使用集成学习预测轴承运行故障,提前进行控制干预,进而改善控制效果,使得磁轴承转子稳定而且高位移精度的悬浮。
通过执行上述步骤,本发明实施例提供的电磁轴承控制方法,通过利用轴承控制器采集电磁轴承的运行数据对可能发生的故障进行预测,当预测将要出现轴承故障时,根据运行数据确定故障类型进而对轴承控制器进行运行控制,通过提前进行控制干预,降低轴承运行故障率与转子损伤率,提升轴承控制性能,改善控制效果,提高了整个系统的稳定性。
本发明实施例还提供了一种电磁轴承控制装置,应用于如图1所示的上位机201,如图5所示,该电磁轴承控制装置包括:
获取模块101,用于获取轴承控制器采集的目标电磁轴承的运行数据。
第一处理模块102,用于将运行数据输入预设故障预测模型进行故障预测,得到故障预测结果。详细内容参见上述方法实施例中步骤S102的相关描述,在此不再进行赘述。
第二处理模块103,用于在故障预测结果为存在故障时,对运行数据进行分析确定故障类型。详细内容参见上述方法实施例中步骤S103的相关描述,在此不再进行赘述。
第三处理模块104,用于根据故障类型对轴承控制器进行运行控制。详细内容参见上述方法实施例中步骤S104的相关描述,在此不再进行赘述。
本发明实施例提供的电磁轴承控制装置,用于执行上述实施例提供的电磁轴承控制方法,其实现方式与原理相同,详细内容参见上述方法实施例的相关描述,不再赘述。
通过上述各个组成部分的协同合作,本发明实施例提供的电磁轴承控制装置,通过利用轴承控制器采集电磁轴承的运行数据对可能发生的故障进行预测,当预测将要出现轴承故障时,根据运行数据确定故障类型进而对轴承控制器进行运行控制,通过提前进行控制干预,降低轴承运行故障率与转子损伤率,提升轴承控制性能,改善控制效果,提高了整个系统的稳定性。
图6示出了上述上位机201的结构示意图,如图6所示,该上位机201包括:处理器901和存储器902,其中,处理器901和存储器902可以通过总线或者其他方式连接,图4中以通过总线连接为例。
处理器901可以为中央处理器(Central Processing Unit,CPU)。处理器901还可以为其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片,或者上述各类芯片的组合。
存储器902作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块,如上述方法实施例中的方法所对应的程序指令/模块。处理器901通过运行存储在存储器902中的非暂态软件程序、指令以及模块,从而执行处理器的各种功能应用以及数据处理,即实现上述方法实施例中的方法。
存储器902可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储处理器901所创建的数据等。此外,存储器902可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中,存储器902可选包括相对于处理器901远程设置的存储器,这些远程存储器可以通过网络连接至处理器901。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
一个或者多个模块存储在存储器902中,当被处理器901执行时,执行上述方法实施例中的方法。
上述上位机201具体细节可以对应参阅上述方法实施例中对应的相关描述和效果进行理解,此处不再赘述。
本领域技术人员可以理解,实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,实现的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)、随机存储记忆体(Random Access Memory,RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive,缩写:HDD)或固态硬盘(Solid-State Drive,SSD)等;存储介质还可以包括上述种类的存储器的组合。
虽然结合附图描述了本发明的实施例,但是本领域技术人员可以在不脱离本发明的精神和范围的情况下作出各种修改和变型,这样的修改和变型均落入由所附权利要求所限定的范围之内。
Claims (10)
1.一种电磁轴承控制方法,其特征在于,包括:
获取轴承控制器采集的目标电磁轴承的运行数据;
将所述运行数据输入预设故障预测模型进行故障预测,得到故障预测结果;
在所述故障预测结果为存在故障时,对所述运行数据进行分析确定故障类型;
根据所述故障类型对所述轴承控制器进行运行控制。
2.根据权利要求1所述的方法,其特征在于,所述运行数据包括:母线电压、轴承电流及轴承转子位移精度,所述对所述运行数据进行分析确定故障类型,包括:
判断所述母线电压的变化趋势是否偏离正常电压运行区间;
在所述母线电压的变化趋势偏离正常电压运行区间时,确定所述故障类型为电压故障;
在所述母线电压的变化趋势没有偏离正常电压运行区间时,判断所述轴承电流的变化趋势是否偏离轴承电流运行区间;
在所述轴承电流的变化趋势偏离轴承电流运行区间时,确定所述故障类型为电流故障;
在所述轴承电流的变化趋势没有偏离轴承电流运行区间时,判断所述轴承转子位移精度是否超过预设运行精度;
在所述轴承转子位移精度超过预设运行精度时,确定所述故障类型为位移故障。
3.根据权利要求2所述的方法,其特征在于,在所述故障类型为电压故障或电流故障时,所述根据所述故障类型生成控制指令,以对所述轴承控制器进行运行控制,包括:
控制所述轴承控制器继续采集所述目标电磁轴承在设定时间周期内的母线电压或轴承电流;
判断所述目标电磁轴承在设定时间周期内的母线电压或轴承电流是否恢复至正常电压运行区间或正常电流运行区间;
在所述目标电磁轴承在设定时间周期内的母线电压或轴承电流没有恢复至对应的正常电压运行区间或正常电流运行区间时,控制所述轴承控制器进行卸载停机。
4.根据权利要求2所述的方法,其特征在于,在所述故障类型为位移故障时,所述根据所述故障类型生成控制指令,以对所述轴承控制器进行运行控制,包括:
控制所述轴承控制器进行控制参数的调节;
控制所述轴承控制器在控制参数调节后采集所述目标电磁轴承的轴承转子位移精度,并开启计时;
判断在控制参数调节后所述目标电磁轴承的轴承转子位移精度是否超过预设运行精度;
在控制参数调节后所述目标电磁轴承的轴承转子位移精度超过预设运行精度时,返回所述控制所述轴承控制器在控制参数调节后采集所述目标电磁轴承的轴承转子位移精度的步骤,直至轴承转子位移精度没有超过预设运行精度或计时达到预设控制参数调节时间。
5.根据权利要求4所述的方法,其特征在于,在轴承转子位移精度没有超过预设运行精度时,返回所述获取轴承控制器采集的目标电磁轴承的运行数据的步骤。
6.根据权利要求1所述的方法,其特征在于,所述预设故障预测模型包括:多个故障预测子模型,所述将所述运行数据输入预设故障预测模型进行故障预测,得到故障预测结果,包括:
分别将所述运行数据输入各故障预测子模型,得到多个第一故障预测结果;
根据所有第一故障预测结果计算存在故障概率;
判断所述故障概率是否大于预设概率阈值;
在所述故障概率大于预设概率阈值时,确定所述故障预测结果为存在故障。
7.根据权利要求3或4所述的方法,其特征在于,在控制所述轴承控制器进行卸载停机之后,或者在计时达到预设控制参数调节时间之后,所述方法还包括:
根据所述故障类型生成检修指令,以使检修人员根据所述检修指令对所述目标电磁轴承进行检修。
8.一种电磁轴承控制装置,其特征在于,包括:
获取模块,用于获取轴承控制器采集的目标电磁轴承的运行数据;
第一处理模块,用于将所述运行数据输入预设故障预测模型进行故障预测,得到故障预测结果;
第二处理模块,用于在所述故障预测结果为存在故障时,对所述运行数据进行分析确定故障类型;
第三处理模块,用于根据所述故障类型对所述轴承控制器进行运行控制。
9.一种电磁轴承控制系统,其特征在于,包括:轴承控制器和上位机,其中,
所述轴承控制器与目标电磁轴承连接,用于采集目标电磁轴承的运行数据,将所述运行数据发送至所述上位机,并用于控制所述目标电磁轴承工作;
所述上位机包括:存储器和处理器,所述存储器和所述处理器之间互相通信连接,所述存储器中存储有计算机指令,所述处理器通过执行所述计算机指令,从而执行如权利要求1-7任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使计算机执行如权利要求1-7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210525872.4A CN114720128B (zh) | 2022-05-12 | 2022-05-12 | 一种电磁轴承控制方法、装置及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210525872.4A CN114720128B (zh) | 2022-05-12 | 2022-05-12 | 一种电磁轴承控制方法、装置及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114720128A true CN114720128A (zh) | 2022-07-08 |
CN114720128B CN114720128B (zh) | 2022-12-27 |
Family
ID=82232030
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210525872.4A Active CN114720128B (zh) | 2022-05-12 | 2022-05-12 | 一种电磁轴承控制方法、装置及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114720128B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117588491A (zh) * | 2024-01-18 | 2024-02-23 | 瑞纳智能设备股份有限公司 | 磁悬浮轴承系统及其停机控制方法、装置和电器设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS63259217A (ja) * | 1987-04-17 | 1988-10-26 | Hitachi Ltd | 回転機械の電磁軸受制御装置 |
CN110030263A (zh) * | 2019-04-16 | 2019-07-19 | 青岛大学 | 主动电磁轴承的位移传感器容错控制系统及方法 |
CN112846937A (zh) * | 2020-12-31 | 2021-05-28 | 西安交通大学 | 一种主轴状态在线监测系统及方法 |
US20220056953A1 (en) * | 2019-03-15 | 2022-02-24 | Daikin Industries, Ltd. | Machine learning device and magnetic bearing device |
-
2022
- 2022-05-12 CN CN202210525872.4A patent/CN114720128B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS63259217A (ja) * | 1987-04-17 | 1988-10-26 | Hitachi Ltd | 回転機械の電磁軸受制御装置 |
US20220056953A1 (en) * | 2019-03-15 | 2022-02-24 | Daikin Industries, Ltd. | Machine learning device and magnetic bearing device |
CN110030263A (zh) * | 2019-04-16 | 2019-07-19 | 青岛大学 | 主动电磁轴承的位移传感器容错控制系统及方法 |
CN112846937A (zh) * | 2020-12-31 | 2021-05-28 | 西安交通大学 | 一种主轴状态在线监测系统及方法 |
Non-Patent Citations (1)
Title |
---|
孙卓: "电磁轴承电气系统可靠性分析", 《武汉理工大学学报(信息与管理工程版)》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117588491A (zh) * | 2024-01-18 | 2024-02-23 | 瑞纳智能设备股份有限公司 | 磁悬浮轴承系统及其停机控制方法、装置和电器设备 |
CN117588491B (zh) * | 2024-01-18 | 2024-04-12 | 瑞纳智能设备股份有限公司 | 磁悬浮轴承系统及其停机控制方法、装置和电器设备 |
Also Published As
Publication number | Publication date |
---|---|
CN114720128B (zh) | 2022-12-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10877863B2 (en) | Automatic prediction system for server failure and method of automatically predicting server failure | |
CN111210024B (zh) | 模型训练方法、装置、计算机设备和存储介质 | |
Thams et al. | Efficient database generation for data-driven security assessment of power systems | |
US10805151B2 (en) | Method, apparatus, and storage medium for diagnosing failure based on a service monitoring indicator of a server by clustering servers with similar degrees of abnormal fluctuation | |
US11288577B2 (en) | Deep long short term memory network for estimation of remaining useful life of the components | |
US20210042570A1 (en) | Automatic and adaptive fault detection and classification limits | |
Zhao et al. | Advanced correlation-based anomaly detection method for predictive maintenance | |
US9129228B1 (en) | Robust and fast model fitting by adaptive sampling | |
US10458416B2 (en) | Apparatus and method for monitoring a pump | |
CN110826789B (zh) | 基于电力系统的电力负荷预测方法、装置及终端设备 | |
US20150178634A1 (en) | Method and apparatus for handling bugs | |
CN109697570B (zh) | 变电站二次设备状态评估方法、系统及设备 | |
WO2021071911A1 (en) | Sensor contribution ranking | |
CN110705598A (zh) | 智能模型管理方法、装置、计算机设备及存储介质 | |
CN114720128B (zh) | 一种电磁轴承控制方法、装置及系统 | |
CN113760670A (zh) | 电缆接头异常预警方法、装置、电子设备和存储介质 | |
CN113547919B (zh) | 一种燃料电池车远程故障监测方法及系统 | |
EP4280051A1 (en) | Inference service deployment method and apparatus, device, and storage medium | |
CN116086537A (zh) | 一种设备状态监测方法、装置、设备及存储介质 | |
CN112734141B (zh) | 一种多元化负荷区间预测方法及装置 | |
CN111967919A (zh) | 一种基于自回归和自适应提升算法的居民用电行为分析的系统及方法 | |
US20230034061A1 (en) | Method for managing proper operation of base station and system applying the method | |
CN110770753A (zh) | 高维数据实时分析的装置和方法 | |
CN115941433A (zh) | 网络切片的性能优化保障方法及系统、存储介质、电子设备 | |
CN113570473A (zh) | 设备故障监测方法、装置、计算机设备和存储介质 |
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 |