CN114966403B - 一种新能源汽车电机堵转故障检测方法及系统 - Google Patents

一种新能源汽车电机堵转故障检测方法及系统 Download PDF

Info

Publication number
CN114966403B
CN114966403B CN202210913206.8A CN202210913206A CN114966403B CN 114966403 B CN114966403 B CN 114966403B CN 202210913206 A CN202210913206 A CN 202210913206A CN 114966403 B CN114966403 B CN 114966403B
Authority
CN
China
Prior art keywords
signal
imf
signals
matching
noise
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.)
Active
Application number
CN202210913206.8A
Other languages
English (en)
Other versions
CN114966403A (zh
Inventor
赵培振
郑广会
陆松
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.)
Shandong Boyuan Precision Machinery Co ltd
Original Assignee
Shandong Boyuan Precision Machinery Co ltd
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 Shandong Boyuan Precision Machinery Co ltd filed Critical Shandong Boyuan Precision Machinery Co ltd
Priority to CN202210913206.8A priority Critical patent/CN114966403B/zh
Publication of CN114966403A publication Critical patent/CN114966403A/zh
Application granted granted Critical
Publication of CN114966403B publication Critical patent/CN114966403B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
    • G01R19/25—Arrangements for measuring currents or voltages or for indicating presence or sign thereof using digital measurement techniques
    • G01R19/2506—Arrangements for conditioning or analysing measured signals, e.g. for indicating peak values ; Details concerning sampling, digitizing or waveform capturing
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/72—Electric energy management in electromobility

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Tests Of Circuit Breakers, Generators, And Electric Motors (AREA)

Abstract

本发明涉及电变量测量及电机故障检测技术领域，具体涉及一种新能源汽车电机堵转故障检测方法及系统。该方法获取电机的三相电流信号的多层IMF信号，获得目标层内三个通道的IMF信号两两匹配后的匹配信号之间的匹配相似度，根据目标层内的平均匹配相似度判断是否为噪声主导层。根据高斯分布模型筛选出噪声主导层中每个通道的IMF信号中的有用信息，获得调整IMF信号，进而结合信号主导层的IMF信号获得重构信号。根据重构信号每个通道之间的幅值差异判断电机是否出现堵转故障。本发明通过自适应的检测噪声主导层，保留噪声主导层的IMF信号中的有用信息，获得高质量且特征明显的重构信号，使得电机堵转故障检测准确性更强。

Description

一种新能源汽车电机堵转故障检测方法及系统
技术领域
本发明涉及电变量测量及电机故障检测技术领域，具体涉及一种新能源汽车电机堵转故障检测方法及系统。
背景技术
永磁驱动电机为新能源汽车的研发与应用的热点之一，永磁驱动电机为一种比较理想的新能源汽车驱动系统，但是在实际使用过程中电机会发生堵转现象，电机堵转会严重影响驱动系统的安全性和稳定性，因此在电机运行过程中需要对电机进行堵转检测。
目前常用的电机堵转检测方法为通过传感器检测电机运行过程中产生的三相电流信号，根据三相电流信号的变化进行堵转检测。因为采集到的三相电流信号存在噪声影响，因此现有技术中会通过MEMD（多元经验模态分解）方法将三相电流信号分解为多层的IMF（固有模态函数）信号，并将能量值较小的层作为噪声主导层，进而去除该层信息。这种方法在低信噪比的信号数据中并不使用，容易造成大量有用信号的丢失，造成原始信号失真，使得后续无法准确检测出电机堵转现象。
发明内容
为了解决上述技术问题，本发明的目的在于提供一种新能源汽车电机堵转故障检测方法及系统，所采用的技术方案具体如下：
本发明提出了一种新能源汽车电机堵转故障检测方法，所述方法包括：
采集新能源汽车电机运行过程中的三相电流信号，所述三相电流信号每相的通道对应一个电流信号；利用MEMD算法处理所述三相电流信号，每个通道获得多层IMF信号；
将目标层内的三个通道的所述IMF信号两两匹配，获得匹配信号之间的匹配相似度；获得所有所述匹配信号的平均匹配相似度，若所述平均匹配相似度小于预设相似度阈值，则认为所述目标层为噪声主导层，否则为信号主导层；
获得每个通道的每个所述噪声主导层中所述IMF信号的高斯分布模型，根据所述高斯分布模型筛选出所述IMF信号的初始有用信息点位置，获得初始有用信息点集合；获得所有通道的所述初始有用信息点集合之间的并集，获得有用信息点集合；保留每个所述噪声主导层中所述IMF信号上所述有用信息点集合对应的信息，获得调整IMF信号；
将所有所述信号主导层的所述IMF信号和所有所述噪声主导层的所述调整IMF信号叠加，获得重构信号；根据所述重构信号每个通道之间的幅值差异判断电机是否出现堵转故障。
进一步地，所述获得匹配信号之间的匹配相似度包括：
将所述匹配信号之间的相同时序下的信号点进行匹配，获得匹配信号点对序列；获得所述匹配信号点对序列中每个匹配信号点对内的两个匹配信号点之间的欧氏距离，获得点对距离序列；以所述点对距离序列的元素均值作为匹配信号之间的匹配距离；根据所述匹配距离获得所述匹配相似度；所述匹配相似度与所述匹配距离呈负相关关系。
进一步地，所述根据所述匹配距离获得所述匹配相似度包括：
根据匹配相似度公式获得所述匹配相似度，所述匹配相似度公式包括：
Figure 100002_DEST_PATH_IMAGE001
其中，
Figure 310001DEST_PATH_IMAGE002
为第
Figure 172915DEST_PATH_IMAGE003
个目标层内的第
Figure 600485DEST_PATH_IMAGE004
个通道组合关系中的所述匹配相似度，
Figure 363779DEST_PATH_IMAGE005
为第
Figure 789075DEST_PATH_IMAGE003
个目标层内的第
Figure 139285DEST_PATH_IMAGE004
个通道组合关系中的所述匹配距离，
Figure 839388DEST_PATH_IMAGE006
为自然常数。
进一步地，所述利用MEMD算法处理所述三相电流信号，每个通道获得多层IMF信号后还包括：
根据获得的所述IMF信号的层数设置检测噪声主导层的优先级；所述IMF信号的层数越小，所述优先级越高；
根据所述优先级逐层检测噪声主导层，若检测出所述目标层为所述信号主导层，则后续所有未检测到的所述IMF信号对应的信号层均为信号主导层。
进一步地，所述获得每个通道的每个所述噪声主导层中所述IMF信号的高斯分布模型，根据所述高斯分布模型筛选出所述IMF信号的初始有用信息点位置包括：
获得每个通道的每个所述噪声主导层中所述IMF信号的高斯分布模型参数，所述高斯分布模型参数包括模型期望和模型方差；信息点状态判别模型获得每个信息点的状态，所述信息点状态判别模型包括：
Figure 728628DEST_PATH_IMAGE007
其中，
Figure 121563DEST_PATH_IMAGE008
为第
Figure 162331DEST_PATH_IMAGE009
个通道的第
Figure 164660DEST_PATH_IMAGE010
个所述噪声主导层中所述IMF信号上第
Figure 935170DEST_PATH_IMAGE011
个位置的信息点的状态，若
Figure 702269DEST_PATH_IMAGE008
等于1，则说明对应信息点为所述初始有用信息点；
Figure 27071DEST_PATH_IMAGE012
为第
Figure 567511DEST_PATH_IMAGE009
个通道的第
Figure 661369DEST_PATH_IMAGE010
个所述噪声主导层中所述IMF信号上第
Figure 396107DEST_PATH_IMAGE011
个位置的信息点的信号值；
Figure 942626DEST_PATH_IMAGE013
为第
Figure 552337DEST_PATH_IMAGE009
个通道的第
Figure 500701DEST_PATH_IMAGE010
个所述噪声主导层中所述IMF信号的模型期望；
Figure 406340DEST_PATH_IMAGE014
为第
Figure 705735DEST_PATH_IMAGE009
个通道的第
Figure 605556DEST_PATH_IMAGE010
个所述噪声主导层中所述IMF信号的模型方差。
进一步地，所述根据所述重构信号每个通道之间的幅值差异判断电机是否出现堵转故障包括：
获得所述重构信号中每个通道中信号的正负半波幅值，获得两两通道之间的正负半波幅值差异，若存在任意一个所述正负半波幅值差异大于预设差异阈值，则判断电机出现堵转故障。
本发明还提出了一种新能源汽车电机堵转故障检测系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现任意一项所述一种新能源汽车电机堵转故障检测方法的步骤。
本发明具有如下有益效果：
本发明实施例根据相同层内不同通道之间IMF信号的匹配相似度对该层进行判断，实现了自适应的筛选噪声主导层的过程，避免了固定阈值筛选噪声造成的不准确，保证了后续重构信号的信息准确性。进一步对噪声主导层的IMF信号进行分析，根据信号的分布特征，利用高斯分布模型筛选出噪声主导层的IMF信号中的有用信息，进而结合信号主导层的IMF信号进行重构，获得没有噪声影响且信号信息丰富的重构信号，使得根据信息丰富且特征明显的重构信号能够准确判断出当前电机是否出现堵转故障。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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它附图。
图1为本发明一个实施例所提供的一种新能源汽车电机堵转故障检测方法流程图；
图2为本发明一个实施例所提供的一种电机发生堵转故障时的三相电流信号波形图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种新能源汽车电机堵转故障检测方法及系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种新能源汽车电机堵转故障检测方法及系统的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种新能源汽车电机堵转故障检测方法流程图，该方法包括：
步骤S1：采集新能源汽车电机运行过程中的三相电流信号；利用MEMD算法处理三相电流信号，每个通道获得多层IMF信号。
电机运行过程中的三相电流信号能够表示当前电机的运行状态，三相电流信号每相的通道对应一个电流信号，正常运行的三相电流信号每个通道的信号幅值是相同的，不同通道之间的信号仅为相位不同。请参阅图2，其示出了本发明一个实施例所提供的一种电机发生堵转故障时的三相电流信号波形图。图2中包括A、B和C三个通道的信号，由图2可知，发生堵转现象的三相电流信号中，不同通道的信号幅值不同，因此通过三相电流信号能够准确快速判断出电机是否存在堵转故障。
在新能源汽车的永磁电机运行中，受电力系统及振动等非线性因素影响，三相电流的信号输出会受到噪声影响，噪声会改变三相电流信号的波形，进而影响对电机状态的判断，因此需要对三相电流信号进行去噪处理。为了实现信号的去噪，利用MEMD算法处理三相电流信号，每个通道都会获得多层的IMF信号且不同通道的层数相等，设每个通道产生N层IMF信号，则最终会产生三种IMF信号集合：
Figure 674006DEST_PATH_IMAGE015
、
Figure 750546DEST_PATH_IMAGE016
和
Figure 474920DEST_PATH_IMAGE017
，其中
Figure 426433DEST_PATH_IMAGE018
、
Figure 349390DEST_PATH_IMAGE019
和
Figure 596831DEST_PATH_IMAGE020
分别为三种通道对应的IMF信号集合，集合中的每个元素代表在对应通道下的第几层IMF信号。需要说明的是，MEMD算法为本领域技术人员熟知的技术手段，在此不做赘述。
步骤S2：将目标层内的三个通道的IMF信号两两匹配，获得匹配信号之间的匹配相似度；获得所有匹配信号的平均匹配相似度，若平均匹配相似度小于预设相似度阈值，则认为目标层为噪声主导层，否则为信号主导层。
现有根据MEMD算法进行去噪的方法是根据每一层的IMF的能量大小判断该层是否为噪声主导层，通过设定阈值，将能量低于阈值的信号层作为噪声主导层。该方法很容易受到原始信号的信噪比影响，若原始信号的信噪比较低，导致原始信号中本身的有用信号的能量较低，有用信号的IMF信号与噪声主导的IMF信号的能量差异不大，则在噪声判断时就会很容易将有用信号的IMF信号判断为噪声主导的IMF信号，导致信号失真。考虑到不同通道的有用信号的波形相似，则在相同层下对应的IMF信号的波形也应相似；而噪声信号则因为随机分布的特效使得相同层下不同通道对应的IMF信号的波形存在不规则的差异，相似度较低。因此为了避免固定能量阈值筛选噪声主导层产生的错误判断，将相同目标层内的三个通道的IMF信号两两匹配，获得匹配信号组
Figure 605239DEST_PATH_IMAGE021
，
Figure 94864DEST_PATH_IMAGE021
表示为在目标层为第
Figure 872327DEST_PATH_IMAGE003
个信号层下的第
Figure 493932DEST_PATH_IMAGE004
种匹配信号组。在本发明实施例中，
Figure 222591DEST_PATH_IMAGE004
等于1表示通道A与通道B进行匹配，
Figure 814110DEST_PATH_IMAGE004
等于2表示通道A与通道C进行匹配，
Figure 649342DEST_PATH_IMAGE004
等于3表示通道B与通道C进行匹配，即三种通道对应三种匹配组合。
计算匹配信号之间的匹配相似度，具体包括：
将匹配信号之间的相同时序下的信号点进行匹配，获得匹配信号点对序列，匹配点对序列中每个元素为一个表示两个匹配点的二元组，序列长度为信号点的数量。获得匹配信号点对序列中每个匹配信号点对内的两个匹配信号点之间的欧氏距离，获得点对距离序列。以点对距离序列的元素均值作为匹配信号之间的匹配距离。根据匹配距离获得匹配相似度。匹配相似度与匹配距离呈负相关关系，具体包括：
根据匹配相似度公式获得匹配相似度，匹配相似度公式包括：
Figure 238586DEST_PATH_IMAGE001
其中，
Figure 18323DEST_PATH_IMAGE002
为第
Figure 855610DEST_PATH_IMAGE003
个目标层内的第
Figure 342086DEST_PATH_IMAGE004
个通道组合关系中的匹配相似度，
Figure 571073DEST_PATH_IMAGE005
为第
Figure 274325DEST_PATH_IMAGE003
个目标层内的第
Figure 145329DEST_PATH_IMAGE004
个通道组合关系中的匹配距离，
Figure 751891DEST_PATH_IMAGE006
为自然常数。
通过匹配相似度公式将匹配相似度的取值范围限定在(0,1)之间，方便后续的阈值选取和判断。
相同层的不同通道之间IMF信号的匹配相似度越大，表明该层包含的有用信息就越多，获得目标层内所有匹配信号的平均匹配相似度，若平均匹配相似度小于预设相似度阈值，则认为当前目标层为噪声主导层，否则为信号主导层。在本发明实施例中，相似度阈值设置为0.65。
优选的，根据先验知识可知，在MEMD算法处理过程中，前几层的IMF信号中最有可能为噪声主导层，因此为了减小计算量，根据获得的IMF信号的层数设置检测噪声主导层的优先级。IMF信号的层数越小，优先级越高。根据优先级逐层检测噪声主导层，若检测出目标层为信号主导层，则后续所有未检测到的IMF信号对应的信号层均为信号主导层。
步骤S3：获得每个通道的每个噪声主导层中IMF信号的高斯分布模型，根据高斯分布模型筛选出IMF信号的初始有用信息点位置，获得初始有用信息点集合；获得所有通道的初始有用信息点集合之间的并集，获得有用信息点集合；保留每个噪声主导层中IMF信号上有用信息点集合对应的信息，获得调整IMF信号。
对于三相电流信号而言，经过MEMD算法分解后，噪声主导层中的IMF信号仍存在高频的有用信息，因此为了保证后续重构信号的信息丰富度，需要对噪声主导层中的IMF信号进行进一步的处理，提取出有用信号信息。
根据先验知识可知，电路中所产生的噪声数据高斯噪声，即噪声的概率密度函数符合高斯分布，在噪声主导的IMF信号中同样符合高斯分布。因为噪声信息在噪声主导的IMF信号中为大概率事件，有用信息为小概率事件，因此根据3
Figure 948517DEST_PATH_IMAGE022
法则可知，噪声主导层的IMF信号中噪声信息分布在
Figure 139065DEST_PATH_IMAGE023
内的概率为99.73%，而有用信息分布在
Figure 79339DEST_PATH_IMAGE023
之外的概率为0.3%。因此可根据每个通道的每个噪声主导层中IMF信号的高斯分布模型筛选出IMF信号的初始有用信息点的位置，具体包括：
获得每个通道的每个噪声主导层中IMF信号的高斯分布模型参数，高斯分布模型参数包括模型期望和模型方差；信息点状态判别模型获得每个信息点的状态，信息点状态判别模型包括：
Figure 540407DEST_PATH_IMAGE007
其中，
Figure 642355DEST_PATH_IMAGE008
为第
Figure 320199DEST_PATH_IMAGE009
个通道的第
Figure 798585DEST_PATH_IMAGE010
个噪声主导层中IMF信号上第
Figure 114160DEST_PATH_IMAGE011
个位置的信息点的状态，若
Figure 652588DEST_PATH_IMAGE008
等于1，则说明对应信息点落在
Figure 546290DEST_PATH_IMAGE023
之外，该信息点为初始有用信息点；反之，则为噪声信息点。
Figure 31629DEST_PATH_IMAGE012
为第
Figure 467289DEST_PATH_IMAGE009
个通道的第
Figure 911040DEST_PATH_IMAGE010
个噪声主导层中IMF信号上第
Figure 829055DEST_PATH_IMAGE011
个位置的信息点的信号值。
Figure 649244DEST_PATH_IMAGE013
为第
Figure 939411DEST_PATH_IMAGE009
个通道的第
Figure 554063DEST_PATH_IMAGE010
个噪声主导层中IMF信号的模型期望。
Figure 428216DEST_PATH_IMAGE014
为第
Figure 255358DEST_PATH_IMAGE009
个通道的第
Figure 400031DEST_PATH_IMAGE010
个噪声主导层中IMF信号的模型方差。
在相同噪声主导层中，每个通道都会获得一个初始有用信息点集合，由于三相电流信号的特性，三个通道的有用信息分布是相似的，因此获得所有通道的初始有用信息点集合的并集，获得有用信息点集合，有用信息点集合中的元素为有用信息点的位置。保留每个噪声主导层中IMF信号上有用信息点集合对应的信息，获得调整IMF信号，即每个噪声主导层的每个通道均会获得对应的调整IMF信号。
步骤S4：将所有信号主导层的IMF信号和所有噪声主导层的调整IMF信号叠加，获得重构信号；根据重构信号每个通道之间的幅值差异判断电机是否出现堵转故障。
信号主导层的IMF信号为有用信号的信息构成，噪声主导层的调整IMF信号同样为有用信号的信息构成，因此将所有信号主导层的IMF信号和所有噪声主导层的调整IMF信号叠加，获得重构信号，重构信号为一个去噪处理后的三相电流信号，其信号质量好，不存在噪声对信号的影响，可通过重构信号每个通道对应的信号之间的幅值差异判断电机是否出现堵转故障，具体包括：
获得重构信号中每个通道中信号的正负半波幅值，获得两两通道之间的正负半波幅值差异，若存在任意一个正负半波幅值差异大于预设差异阈值，则判断电机出现堵转故障。需要说明的是，因为不同电机型号和电机运行参数不同，所以差异阈值可根据具体电机型号和运行参数进行具体设置，在此不做限定。
判断电机出现堵转故障后即可及时发出预警信号，避免长时间堵转造成新能源汽车驱动系统的故障。
综上所述，本发明实施例获取电机的三相电流信号的多层IMF信号，获得目标层内三个通道的IMF信号两两匹配后的匹配信号之间的匹配相似度，根据目标层内的平均匹配相似度判断目标层是否为噪声主导层。根据噪声主导层中的高斯分布模型筛选出每个通道的IMF信号的有用信息点集合，保留IMF信号中有用信息点集合中的信息获得调整IMF信号。根据信号主导层的IMF信号和调整IMF信号获得重构信号，根据重构信号每个通道之间的幅值差异判断电机是否出现堵转故障。本发明实施例通过自适应的噪声主导层的选择，保留噪声主导层的IMF信号中的有用信息，进而获得高质量且特征明显的重构信号，使得堵转故障检测准确性更强。
本发明还提出了一种新能源汽车电机堵转故障检测系统，包括存储器、处理器以及存储在所述存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述一种新能源汽车电机堵转故障检测方法的步骤。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例，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、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种新能源汽车电机堵转故障检测方法，其特征在于，所述方法包括：
采集新能源汽车电机运行过程中的三相电流信号，所述三相电流信号每相的通道对应一个电流信号；利用MEMD算法处理所述三相电流信号，每个通道获得多层IMF信号；
将目标层内的三个通道的所述IMF信号两两匹配，获得匹配信号之间的匹配相似度；获得所有所述匹配信号的平均匹配相似度，若所述平均匹配相似度小于预设相似度阈值，则认为所述目标层为噪声主导层，否则为信号主导层；
获得每个通道的每个所述噪声主导层中所述IMF信号的高斯分布模型，根据所述高斯分布模型筛选出所述IMF信号的初始有用信息点位置，获得初始有用信息点集合；获得所有通道的所述初始有用信息点集合之间的并集，获得有用信息点集合；保留每个所述噪声主导层中所述IMF信号上所述有用信息点集合对应的信息，获得调整IMF信号；
将所有所述信号主导层的所述IMF信号和所有所述噪声主导层的所述调整IMF信号叠加，获得重构信号；根据所述重构信号每个通道之间的幅值差异判断电机是否出现堵转故障。
2.根据权利要求1所述的一种新能源汽车电机堵转故障检测方法，其特征在于，所述获得匹配信号之间的匹配相似度包括：
将所述匹配信号之间的相同时序下的信号点进行匹配，获得匹配信号点对序列；获得所述匹配信号点对序列中每个匹配信号点对内的两个匹配信号点之间的欧氏距离，获得点对距离序列；以所述点对距离序列的元素均值作为匹配信号之间的匹配距离；根据所述匹配距离获得所述匹配相似度；所述匹配相似度与所述匹配距离呈负相关关系。
3.根据权利要求2所述的一种新能源汽车电机堵转故障检测方法，其特征在于，所述根据所述匹配距离获得所述匹配相似度包括：
根据匹配相似度公式获得所述匹配相似度，所述匹配相似度公式包括：
Figure DEST_PATH_IMAGE001
其中，
Figure 186578DEST_PATH_IMAGE002
为第
Figure 683288DEST_PATH_IMAGE003
个目标层内的第
Figure 957274DEST_PATH_IMAGE004
个通道组合关系中的所述匹配相似度，
Figure 948364DEST_PATH_IMAGE005
为第
Figure 975095DEST_PATH_IMAGE003
个目标层内的第
Figure 393438DEST_PATH_IMAGE004
个通道组合关系中的所述匹配距离，
Figure 636944DEST_PATH_IMAGE006
为自然常数。
4.根据权利要求1所述的一种新能源汽车电机堵转故障检测方法，其特征在于，所述利用MEMD算法处理所述三相电流信号，每个通道获得多层IMF信号后还包括：
根据获得的所述IMF信号的层数设置检测噪声主导层的优先级；所述IMF信号的层数越小，所述优先级越高；
根据所述优先级逐层检测噪声主导层，若检测出所述目标层为所述信号主导层，则后续所有未检测到的所述IMF信号对应的信号层均为信号主导层。
5.根据权利要求1所述的一种新能源汽车电机堵转故障检测方法，其特征在于，所述获得每个通道的每个所述噪声主导层中所述IMF信号的高斯分布模型，根据所述高斯分布模型筛选出所述IMF信号的初始有用信息点位置包括：
获得每个通道的每个所述噪声主导层中所述IMF信号的高斯分布模型参数，所述高斯分布模型参数包括模型期望和模型方差；信息点状态判别模型获得每个信息点的状态，所述信息点状态判别模型包括：
Figure 618675DEST_PATH_IMAGE007
其中，
Figure 218022DEST_PATH_IMAGE008
为第
Figure 322113DEST_PATH_IMAGE009
个通道的第
Figure 570691DEST_PATH_IMAGE010
个所述噪声主导层中所述IMF信号上第
Figure 176289DEST_PATH_IMAGE011
个位置的信息点的状态，若
Figure 397186DEST_PATH_IMAGE008
等于1，则说明对应信息点为所述初始有用信息点；
Figure 780500DEST_PATH_IMAGE012
为第
Figure 234484DEST_PATH_IMAGE009
个通道的第
Figure 105488DEST_PATH_IMAGE010
个所述噪声主导层中所述IMF信号上第
Figure 961318DEST_PATH_IMAGE011
个位置的信息点的信号值；
Figure 282578DEST_PATH_IMAGE013
为第
Figure 692699DEST_PATH_IMAGE009
个通道的第
Figure 898553DEST_PATH_IMAGE010
个所述噪声主导层中所述IMF信号的模型期望；
Figure 608889DEST_PATH_IMAGE014
为第
Figure 710837DEST_PATH_IMAGE009
个通道的第
Figure 155725DEST_PATH_IMAGE010
个所述噪声主导层中所述IMF信号的模型方差。
6.根据权利要求1所述的一种新能源汽车电机堵转故障检测方法，其特征在于，所述根据所述重构信号每个通道之间的幅值差异判断电机是否出现堵转故障包括：
获得所述重构信号中每个通道中信号的正负半波幅值，获得两两通道之间的正负半波幅值差异，若存在任意一个所述正负半波幅值差异大于预设差异阈值，则判断电机出现堵转故障。
7.一种新能源汽车电机堵转故障检测系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1~6任意一项所述方法的步骤。
CN202210913206.8A 2022-08-01 2022-08-01 一种新能源汽车电机堵转故障检测方法及系统 Active CN114966403B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210913206.8A CN114966403B (zh) 2022-08-01 2022-08-01 一种新能源汽车电机堵转故障检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210913206.8A CN114966403B (zh) 2022-08-01 2022-08-01 一种新能源汽车电机堵转故障检测方法及系统

Publications (2)

Publication Number Publication Date
CN114966403A CN114966403A (zh) 2022-08-30
CN114966403B true CN114966403B (zh) 2022-10-25

Family

ID=82969460

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210913206.8A Active CN114966403B (zh) 2022-08-01 2022-08-01 一种新能源汽车电机堵转故障检测方法及系统

Country Status (1)

Country Link
CN (1) CN114966403B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104636609A (zh) * 2015-01-30 2015-05-20 电子科技大学 一种基于经验模态分解与小波分析的信号联合去噪方法
CN106895906A (zh) * 2017-03-23 2017-06-27 西安理工大学 一种水轮发电机组振动故障的特征提取方法
CN108761332A (zh) * 2018-05-08 2018-11-06 郑州轻工业学院 一种电机断条故障的集合经验模态分解电流诊断方法
CN109858109A (zh) * 2019-01-14 2019-06-07 北京工业大学 一种基于相关性的emd与形态奇异值分解相结合的齿轮信号降噪方法
CN110132403A (zh) * 2019-04-02 2019-08-16 天津大学 一种基于eemd和小波阈值的真空泵振动信号降噪方法
CN113419172A (zh) * 2021-06-21 2021-09-21 湘潭大学 基于gcn和vmd-ed的新能源汽车三相异步电机故障识别

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017205382A1 (en) * 2016-05-23 2017-11-30 The University Of New Hampshire Techniques for empirical mode decomposition (emd)-based signal de-noising using statistical properties of intrinsic mode functions (imfs)
US20210278476A1 (en) * 2020-03-09 2021-09-09 Mitsubishi Electric Research Laboratories, Inc. System and Method of Fault Detection Based on Robust Damped Signal Demixing
CN114323647A (zh) * 2020-09-29 2022-04-12 斯凯孚公司 通过轴承噪声检测进行故障诊断的方法及系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104636609A (zh) * 2015-01-30 2015-05-20 电子科技大学 一种基于经验模态分解与小波分析的信号联合去噪方法
CN106895906A (zh) * 2017-03-23 2017-06-27 西安理工大学 一种水轮发电机组振动故障的特征提取方法
CN108761332A (zh) * 2018-05-08 2018-11-06 郑州轻工业学院 一种电机断条故障的集合经验模态分解电流诊断方法
CN109858109A (zh) * 2019-01-14 2019-06-07 北京工业大学 一种基于相关性的emd与形态奇异值分解相结合的齿轮信号降噪方法
CN110132403A (zh) * 2019-04-02 2019-08-16 天津大学 一种基于eemd和小波阈值的真空泵振动信号降噪方法
CN113419172A (zh) * 2021-06-21 2021-09-21 湘潭大学 基于gcn和vmd-ed的新能源汽车三相异步电机故障识别

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Motor bearing faults diagnosis using modified empirical mode decomposition and bi-spectrum;Zhang Qing-feng;《2018 13th IEEE Conference on Industrial Electronics and Applications (ICIEA)》;20180628;全文 *
改进CEEMDAN算法的电机轴承振动信号降噪分析;赵小惠等;《电子测量与仪器学报》;20201231;第34卷(第12期);全文 *
电动机轴承故障信号准确识别仿真;万韶等;《计算机仿真》;20180930;第35卷(第9期);全文 *

Also Published As

Publication number Publication date
CN114966403A (zh) 2022-08-30

Similar Documents

Publication Publication Date Title
Abid et al. Distinct bearing faults detection in induction motor by a hybrid optimized SWPT and aiNet-DAG SVM
Zhu et al. Vold–Kalman filtering order tracking based rotor demagnetization detection in PMSM
CN116320043B (zh) 一种提高多载波通信系统传输效率的方法及系统
CN104332161B (zh) 一种基于接收先验和单源点检测的欠定盲辨识方法
CN113325277A (zh) 一种局部放电处理方法
CN115955161B (zh) 自适应异步感应电机转差率估算方法、装置、设备和介质
CN114900256B (zh) 通信场景识别方法和装置
CN109324285A (zh) 一种负载开关事件检测方法及系统
CN112697270A (zh) 故障检测方法、装置、无人设备及存储介质
CN114966403B (zh) 一种新能源汽车电机堵转故障检测方法及系统
CN115685037A (zh) 一种电流传感器的故障检测方法、装置及介质
CN111881848A (zh) 基于变分模态分解与改进粒子群的电机故障信号提取方法
CN112633368B (zh) 基于改进多粒度级联森林的扁平振动电机缺陷检测系统及方法
CN111929489B (zh) 故障电弧电流的检测方法及系统
Mohammad-Alikhani et al. Fault Diagnosis of Electric Motors by a Novel Convolutional-based Neural Network and STFT
Han et al. Fault diagnosis of rolling bearings using dual-tree complex wavelet packet transform and time-shifted multiscale range entropy
CN111611686A (zh) 一种通信信号时频域的检测方法
CN116735198A (zh) 基于spEEMD和双指标筛选的风机齿轮箱故障诊断方法及系统
CN116027254A (zh) 三相电能表电流不平衡窃电分析方法
CN112345248A (zh) 一种滚动轴承的故障诊断方法及装置
CN113252929B (zh) 转速确定方法、装置、电子设备及计算机可读存储介质
CN115186772A (zh) 一种电力设备的局部放电的检测方法、装置及设备
CN112562647B (zh) 一种音频起始点的标注方法及装置
CN114465681A (zh) 一种用于电力物联网的多节点协作频谱感知方法及装置
CN114088400A (zh) 一种基于包络排列熵的滚动轴承故障诊断方法

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
GR01 Patent grant
GR01 Patent grant