CN115210665A - 基于稳健阻尼信号去混频来进行故障检测的系统和方法 - Google Patents
基于稳健阻尼信号去混频来进行故障检测的系统和方法 Download PDFInfo
- Publication number
- CN115210665A CN115210665A CN202080097962.7A CN202080097962A CN115210665A CN 115210665 A CN115210665 A CN 115210665A CN 202080097962 A CN202080097962 A CN 202080097962A CN 115210665 A CN115210665 A CN 115210665A
- Authority
- CN
- China
- Prior art keywords
- matrix
- signal
- optimization
- program
- fault
- 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
-
- 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
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02K—DYNAMO-ELECTRIC MACHINES
- H02K11/00—Structural association of dynamo-electric machines with electric components or with devices for shielding, monitoring or protection
- H02K11/20—Structural association of dynamo-electric machines with electric components or with devices for shielding, monitoring or protection for measuring, monitoring, testing, protecting or switching
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/80—Generation or processing of content or additional data by content creator independently of the distribution process; Content per se
- H04N21/83—Generation or processing of protective or descriptive data associated with content; Content structuring
- H04N21/84—Generation or processing of descriptive data, e.g. content descriptors
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/24—Pc safety
- G05B2219/24065—Real time diagnostics
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Power Engineering (AREA)
- Automation & Control Theory (AREA)
- Signal Processing (AREA)
- Multimedia (AREA)
- Tests Of Circuit Breakers, Generators, And Electric Motors (AREA)
- Testing Electric Properties And Detecting Electric Faults (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Control Of Electric Motors In General (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
提供了一种用于检测电机的故障的系统。该系统包括:接口;存储器,其用于存储包括信号采样程序、矩阵形成程序、优化形成程序、矩阵束程序、优化求解器以及包括与故障相关的预定系统参数的查找数据的计算机实现程序;以及处理器。处理器使用计算机实现程序执行:基于所获取的针对输入时间域的信号来生成信号矩阵;使用优化形成程序形成具有低秩约束的优化问题;通过使用优化求解器之一求解优化问题,将信号矩阵去混频成低秩矩阵、尖峰干扰矩阵、以及高斯噪声矩阵;使用矩阵束程序从低秩矩阵提取阻尼指数参数;以及通过基于查找数据标识感应电机的所测得的系统参数中的每个系统参数,确定关于该感应电机的故障。
Description
技术领域
本发明总体上涉及监测电机(electric machine)的系统和方法,更具体地,涉及基于稳健阻尼信号去混频(demixing)来进行电机的故障检测的系统和方法。
背景技术
电机被广泛用于多种应用领域,诸如发电厂、制造厂、家用电器、电动车辆等。电机可能遇到多种故障,诸如轴承故障、转子条断裂故障、以及绕组短路故障。这些故障可以降低电机的寿命周期,甚至导致突然的灾难性故障。例如,当电机以高速运行时,轴承故障可能导致过度的振动和摩擦。因此,需要检测电机中的故障以减少由这种故障造成的损失。
发明内容
目前采用的用于故障检测的不同技术包括但不限于振动和声学信号分析、电磁场监测、温度测量、红外识别、以及定子电流频谱分析。
为了在线监测电机运行并即时检测故障,必需分析旋转电机的时序信号(振动或电流信号)并提取特征故障表征以用于进一步分析。然而,由于有噪声的工作环境以及电机的变化负载,所测得的信号通常是正常运行信号、故障信号、尖峰干扰、因负载或电源电压的突然变化而造成的暂态信号、以及高斯白噪声的混合。例如,即使定子电流中的故障表征已经很微小,故障表征的量值也可以随不同负载而改变。结果,可能难以将故障表征与正常运行信号和噪声区分开。
为了分解信号和检测故障表征,诸如傅立叶变换和小波变换的经典方法适于静态操作。而对于在暂态下操作的电机,这些经典方法在提取故障表征方面因其变化的量值而表现不佳。
Hilbert-Huang变换(HHT)是分解信号和分析分量的另一方法。HHT使用经验模态分解(EMD)以将信号分解成具有趋势的所谓本征模态函数(IMF),并且将Hilbert频谱分析(HSA)方法应用于IMF,以获得瞬时频率数据。HHT方法被设计成对于不稳定和非线性的数据工作良好。然而,它更像没有理论保证的经验方法。
故障表征检测的另一技术基于压缩感测。这样的技术利用了压缩感测技术的超分辨率特性,以在非常短的时间内提取故障表征,使得可以假设电机在短时间内以稳态运行。
根据本发明的实施方式,提供了一种检测电机的运行期间的故障的方法。该方法在时域中测量向电机供电的定子电流的信号,其中,该测量包括在该感应电动机运行期间以定子电流的基频的至少两倍的采样速率对信号进行采样达一定时段;处理器在时域中对具有非零振幅、尖峰干扰、以及噪声的一组阻尼信号进行去混频,使得该组阻尼信号包括运行信号的基频、一个或更多个可能的故障信号、以及其它谐波阻尼信号,并且根据信号频率和量值来确定与潜在故障相对应的故障信号。如果该组阻尼信号包括与故障相对应的故障特征频率,则该方法检测电机的故障。
本发明的一些实施方式可以提供这样的系统和方法,即,该系统和方法适合于基于分析在电机的运行期间向电机供电的定子电流或者电机的振动信号来执行电机的故障检测。以此方式,可以随着电机的运行连续且同时地执行故障检测,而无需重新启动电机。
此外,本发明的一些实施方式提供了这样的系统和方法,即,该系统和方法可以通过测量电机的噪声信号来执行故障检测,其中,电机可能受到尖峰干扰的干扰并且具有变化的负载状况。
本发明的一些实施方式基于这样的认识,即,在故障条件下,向感应电动机供电的最终所得定子电流是阻尼指数信号、高斯白噪声以及尖峰干扰的混合。这是因为定子电流包括生成定子电流的电源的基频的谐波以及由故障引起的故障频率分量。尖峰干扰是由改变负载或工作条件或一些其它干扰引起的。
本发明的一些实施方式基于这样的认识,即,对阻尼指数的参数估计已经在无噪声设置中进行了广泛研究。用于解决该问题的公认方法包括:包含多项式求根运算的Prony方法、以及基于输入信号形成矩阵束(matrix pencil)并求解广义特征值问题的矩阵束方法。然而,两种方法都对噪声非常敏感。
本发明的一些实施方式基于这样的认识,即,基于Hankel矩阵的奇异值分解(SVD)的数据预处理方法已经被提出用于矩阵束方法,并且已经发现如果噪声是随机高斯噪声,则对于去噪是更优的。
本发明的一些实施方式基于这样的认识,即,由阻尼指数的总和构成的Hankel矩阵是低秩的。
本发明的一些实施方式基于这样的认识,即,稳健主分量分析(RPCA)已经被证明在从受尖峰干扰污染的观测中提取低秩矩阵方面是非常有效的。
这些认识导致这样的实现:使用矩阵束、RPCA、尖峰噪声、以及高斯噪声的去混频阻尼信号的组合使得能够使用稀疏驱动技术来重构实际信号,以对用于矩阵束方法的低秩Hankel矩阵进行去噪。
因此,本发明的一个实施方式公开了一种检测在电机的运行期间的故障的方法。所述方法包括以下步骤:在时域中测量向电机供电的电流的信号;对具有非零振幅、尖峰干扰、以及噪声的一组阻尼信号进行去混频,使得该组阻尼信号包括操作信号的基频、一个或更多个可能的故障信号、以及其它谐波阻尼信号,并且根据信号频率和量值来确定与潜在故障相对应的故障信号。
去混频包括:形成时域测量的Hankel矩阵,使用凸稳健参数估计(CRPE)或者非凸稳健参数估计(NRPE)方法去噪以对Hankel矩阵进行去噪,使用矩阵束方法对经去噪的Hankel矩阵进行分析,以获得阻尼信号的参数。该方法的步骤是由处理器来执行的。
另一实施方式公开了一种用于操作电机的系统,该系统包括:电源,该电源用于利用具有基频的定子电流向电机供电;传感器,该传感器用于在时域中测量向电机供电的定子电流的信号,其中,该测量包括在该感应电动机操作期间以定子电流的基频的至少两倍的采样速率对信号进行采样达一定时段;处理器在时域中对具有非零振幅、尖峰干扰、以及噪声的一组阻尼信号进行去混频,使得该组阻尼信号包括操作信号的基频、一个或更多个可能的故障信号、以及其它谐波阻尼信号,并且根据信号频率和量值来确定与潜在故障相对应的故障信号。
参照附图将进一步阐释当前公开的实施方式。所示附图不一定是按比例的,相反,重点通常在于例示当前所公开的实施方式的原理。
附图说明
图1A是根据本发明的实施方式的用于检测电机在运行期间的故障的系统的框图;
图1B是根据本发明的实施方式的描述用于检测电机在运行期间的故障的系统的图;
图2是根据本发明的一个实施方式的用于检测电机的故障的方法的框图;
图3是根据本发明的另一实施方式的用于对测量结果的Hankel矩阵进行去噪的方法的框图;以及
图4是向电机供电的定子电流的信号以及包括基本工作频率分量、故障表征阻尼信号、高斯噪声、以及尖峰干扰的去混频阻尼信号的示例性标绘图。
虽然上述附图阐述了目前公开的实施方式,但也可设想其它实施方式,如讨论中提到的。本公开通过代表性而非限制性的方式来呈现例示实施方式。本领域技术人员可以设计出落入当前公开的实施方式的原理的范围和精神内的许多其它修改和实施方式。
具体实施方式
下面的描述仅提供了示例性实施方式,而非旨在对本公开的范围、适用性或配置进行限制。相反,示例性实施方式的以下描述将向本领域技术人员提供用于实现一个或更多个示例性实施方式的能够完成的描述。在不脱离所附权利要求中阐述的所公开主题的精神和范围的情况下,设想可以对要素的功能和布置进行的各种改变。
在以下描述中给出具体细节,以提供对实施方式的透彻理解。然而,本领域普通技术人员应当明白,可以在没有这些具体细节的情况下实践这些实施方式。例如,所公开主题中的系统、处理以及其它要素可以以框图形式示出为组件,以免不必要的细节模糊这些实施方式。在其它情况下,公知的处理、结构以及技术可以在没有不必要的细节的情况下被示出,以避免模糊这些实施方式。此外,各个附图中的相同标号和标记表示相同要素。
另外,各个实施方式可以被描述为处理,该处理被描绘为流程图、流图、数据流图、结构图或框图。尽管流程图可以将操作描述为顺序处理,但许多操作可以并行或同时执行。另外,操作的次序可以重新排列。处理可以在其操作完成时终止,但可以具有图中未讨论或未包括的附加步骤。此外,并非任何特别描述的处理中的所有操作都可能发生在所有实施方式中。处理可以对应于方法、函数、过程、子例程、子程序等。当一个处理对应一个函数时,该函数的终止可以对应于该函数返回至调用函数或主函数。
此外,所公开主题的实施方式可以至少部分地、人工地或者自动地实现。可以通过使用机器、硬件、软件、固件、中间件(middleware)、微代码、硬件描述语言或它们的任何组合来执行或至少辅助手动或自动实现。当以软件、固件、中间件或微代码实现时,执行必要任务的程序代码或代码段可以存储在机器可读介质中。处理器可以执行必要的任务。
图1A是根据本发明的一个实施方式的用于监测示例性电机的系统100的示意图。在该示例中,通过电源和控制器11操作的电机10是具有旋转转子和固定定子的同步电机或者异步电机。
系统100包括传感器(电信号传感器)120,该传感器用于在时域中测量向电机(或感应电动机)10供电的定子电流的信号。该测量包括在该感应电动机的稳态操作期间以定子电流的基频的至少两倍的采样速率对信号进行采样达一定时段。根据某些实施方式,电信号传感器120可以是用于获取关于电机10的电流和振动数据的电流或振动传感器。例如,可以将传感器120配置成感测来自电机10的多个相中的一个或更多相的电流数据。更具体地,在电机是三相电机的情况下,电流和电压传感器感测来自三相电机的三个相的电流和电压数据。虽然将参照多相电机来描述本发明的某些实施方式,但是本发明的其它实施方式可以应用于其它多相电机。
处理器130被配置成在频域中确定具有非零振幅的一组频率,使得由具有非零振幅的频率形成的重构信号近似于在时域中测量的信号。该确定包括:在包括经受频域中的信号的稀疏性条件的基频在内的子带内进行搜索。
系统100还包括存储器装置140,该存储器装置用于存储信号的测量结果以及用于执行信号分析的各种参数和系数。
图1B是根据本发明的实施方式的描述用于检测电机在运行期间的故障的系统100的图。系统100还可以包括输入/输出接口150,该输入/输出接口被配置成从传感器120获取信号,并且如果具有非零振幅的所述一组频率包括不同于主频率的频率,则该输入/输出接口将针对故障的信号(输出数据)经由网络50发送至电机控制系统110。此外,存储器装置140包括用于检测电机故障的计算机可执行程序。计算机可执行程序包括:信号采样程序141、矩阵形成程序142、矩阵束程序143、以及优化求解器220,该优化求解器被配置成使用处理器130执行非凸稳健参数估计(NRPE)方法和凸稳健参数估计(CRPE)方法。因此,处理器130被配置成响应于来自传感器120的经由I/O接口150的信号而执行:经由传感器获取针对输入时间域的关于电机的信号;基于所获取的针对输入时间域的信号来生成信号矩阵;使用优化形成程序来形成具有低秩约束的优化问题;通过使用优化求解器之一求解优化问题,来将信号矩阵去混频成低秩矩阵、尖峰干扰矩阵、以及高斯噪声矩阵;使用矩阵束程序从低秩矩阵提取阻尼指数参数;以及通过基于查找数据标识感应电机的所测得的系统参数中的每个参数,来确定关于该感应电机的故障。下面描述所述步骤的过程。
图2示出了根据本发明的一个实施方式的用于检测电机运行期间的故障的方法的框图。系统100在时域中检测由传感器120测得的向感应电动机供电的定子电流的信号的有噪声的测量结果121,以形成有噪声的Hankel矩阵210。系统100的处理器130被配置成使用CRPE方法或者非凸稳健参数估计(NRPE)方法来对有噪声的Hankel矩阵进行去噪,以生成与阻尼信号220的设置相对应的低秩Hankel矩阵。然后,在经去噪的Hankel矩阵上应用矩阵束方法143,以确定阻尼信号参数230。该阻尼信号参数用于与故障特征频率240进行比较。如果存在故障频率并且量值大于阈值250,则检测到对应的故障260,否则电机在正常条件下运行270。
例如,阈值250可以由以下来确定。当存在量值大于特定值(例如,基频分量的-30dB)的故障频率分量,并且故障频率接近特征故障频率(例如,在特征故障频率的5%内)时,系统100在步骤260中检测到故障。在这种情况下,特征故障频率可以由电机的机械结构(例如,轴承尺寸和滚珠数量)和转子速度来确定。故障频率的量值越大,越可能出现故障,例如,轴承内座圈故障。
在数学上,该系统观测时域信号
其中,y(t)是由多个阻尼指数组成的有噪声的观测结果,并且它们的振幅Aj>0、阻尼系数αj≤0、频率fj>0,并且相位θj∈R,并且它们的总数M是未知参数。可以将噪声η(t)建模为高斯噪声g(t)和稀疏尖峰干扰s(t)的混合,即,η(t)=g(t)+s(t)。特别地,s(t)可以是不想要的干扰或者是具有与采样时间相比短的响应时间的一系列系统响应,包含关于电路或电机的运行条件的有价值的信息。
将采样信号x∈CN的Hankel矩阵Hp(x)∈C(N-p)×(p+1)定义为:
如果采样信号x∈CN是M个阻尼指数的总和,则通过选择p∈[M,N-M],Hankel矩阵通常变成秩M≤p(即,低秩)的矩阵。在无噪声的情况下,矩阵束算法利用该低秩Hankel矩阵来准确地估计指数参数。因此,在该工作中,我们的目的是使用观测Hankel矩阵Y=Hp(y)∈C(N-p)×(p+1)来提取这样的低秩Hankel矩阵Hp(x)(其中,x是估计的阻尼指数的总和),其中,y∈CN是经采样的有噪声的观测结果。另外,如果存在尖峰干扰,那么我们应当能够进一步提取稀疏矩阵。我们依赖于M相对于N较小的假设。由于p在优化处理期间是固定的,因此,我们使用H(x)简化符号并且去掉下标p。受稳健主分量分析和在压缩感测社区(compressivesensing community)工作成功的启发,我们应用核范数来约束H(x)的秩,并且使用L1范数来提取由尖峰干扰引起的稀疏矩阵S。我们假设残差表示高斯噪声。组合这些模型导致以下凸稳健参数估计(CRPE)问题
另选地,非凸稳健参数估计(NRPE)利用秩约束来代替核范数正则化:
受约束于Rank(H(x))≤r(3)
其中,r表示我们期望恢复的阻尼指数的最大数量。如果我们具有阻尼指数的数量的先验估计或知识,则基于应用的性质,可以将r设定为大于或等于该估计。因此,本发明的一些实施方式基于这样的认识:与CRPE优化问题相比,NRPE优化问题对超参数不太敏感。然而,由于(3)是非凸的,因此优化算法可能陷入局部极小值。
为了解决CRPE优化问题,我们引入辅助变量Z,并且将约束H(x)=Z添加至(2)。然后,(2)的增广拉格朗日函数变为
其中,V∈C(N-p)×(p+1)是拉格朗日乘子矩阵,μ是与增广项相关联的惩罚参数,并且<A,B>R=Re(Tr(BHA))。应用ADMM导致在如图3的(a)所示的算法1中概括的更新步骤。
其中A∈C(N-p)×(p+1),并且A(i;j)是A在第i行和第j列中的条目。Sτ(A)=sign(A)max{|A|-τ,0}是具有阈值τ的复杂逐元素软阈值化算子,其中,对于非零条目sign(A)=A/|A|,否则为0。max{·,·}是逐元素最大算子。而且,是具有阈值τ的奇异值软阈值化算子,其中,A=U diag(σ)WH的奇异值分解fCRPE是(2)中定义的CRPE优化问题的目标函数。
在算法2中概括的NRPE优化问题的求解器基于具有投影的坐标下降法。Tr(A)是奇异值截断算子,它在输入矩阵A上实现奇异值分解,并且返回使用A的r个最大奇异值构造的矩阵。fNRPE是(3)中的NRPE优化问题的目标函数。在第一个实验中,我们考虑感应电机的轴承故障检测,其中,在存在高斯噪声和尖峰干扰的情况下,电机电流包括60Hz操作信号以及与其旋转频率分量相关的90Hz边带波。当轴承故障或缺陷发生时,将产生电流中的、取决于故障位置和轴承尺寸的阻尼频率分量。例如,由外环的笼缺陷引起73Hz频率分量。与操作电流信号相比,该缺陷频率分量的量值通常非常小,使得轴承故障检测成为非常具有挑战性的问题。尽管如此,其参数(并且有时是尖峰干扰)对于评估电机的故障严重性和操作条件是有用的。
将有噪声的故障观测公式化如下:
y(t)=e0t1.0cos(2π60t+1.3)+e-4.2t0.1cos(2π73t++0.2)+e-1.3t0.3cos(3π90t+1.7)+g(t)+s(t).
我们利用1000个样品观测y的1秒钟。信号与高斯噪声比为25dB,尖峰干扰具有1%的基数(cardinality),该基数的非零条目是以在[0,5]中均匀采样的量值随机选择的。我们在图4中标绘出向电机供电的定子电流410的示例信号以及去混频的阻尼信号。在去噪的Hankel矩阵上使用矩阵束方法,将有噪声的测量结果去混频成基本操作频率分量420、故障表征阻尼信号430、高斯噪声440、以及尖峰干扰450。
本公开的上述实施方式可以按许多方式中的任一种来实现。例如,这些实施方式可以利用硬件、软件或其组合来实现。当以软件实现时,可以在任何合适的处理器或处理器集合上执行软件代码,无论其设置在单个计算机中还是分布在多个计算机之间。可以将这种处理器实现为集成电路,并且在集成电路组件中具有一个或更多个处理器。但是处理器可以利用采用任何合适格式的电路来实现。
另外,可以将本文所概述的各种方法或过程编码为软件,所述软件可在采用多种操作系统或平台中的任一种的一个或更多个处理器上执行。另外,这种软件可以使用多种合适的编程语言和/或编程或脚本工具中的任一者来进行编写,并且还可以被编译为在框架或虚拟机上执行的可执行机器语言代码或中间代码。在各种实施方式中,通常可以根据需要组合或分布程序的功能。在一些情况下,在本发明的实施方式中使用的计算机实现程序可以被称为一个或多个程序模块。
另外,本公开的实施方式可以被具体实施为方法,已经提供了该方法的示例。作为该方法的一部分执行的动作可以按任何合适方式来排序。因此,即使在例示性实施方式中被示出为顺序动作,也可以构造按与所例示不同的次序来执行动作的实施方式,其可以包括同时执行一些动作。而且,在权利要求书中使用诸如“第一”、“第二”的普通术语来修改权利要求元件本身并不暗示一个权利要求元件相对于另一元件的任何优先级、优先权或次序,或者执行方法的动作的时间次序,而是仅仅被用作用于区分具有特定名称的一个权利要求元件与具有相同名称(除了使用序数词)的另一元件的标记,以区分这些权利要求元件。
尽管已经参照特定优选实施方式描述了本公开,但将理解的是,可以在本公开的精神和范围内进行各种其它改变和修改。因此,所附权利要求书的方面覆盖落入本公开的真实精神和范围内的所有这些改变和修改。
Claims (16)
1.一种用于检测电机的故障的系统,所述系统包括:
接口,所述接口被配置成经由传感器获取针对输入时间域的关于所述电机的信号;
存储器,所述存储器用于存储计算机实现程序,所述计算机实现程序包括信号采样程序、矩阵形成程序、优化形成程序、矩阵束程序、优化求解器以及包括与所述故障相关的预定系统参数的查找数据;以及
处理器,所述处理器在结合所述接口和所述存储器来执行所述计算机实现程序时,被配置为执行:
基于所获取的针对所述输入时间域的信号来生成信号矩阵;
使用所述优化形成程序来形成具有低秩约束的优化问题;
通过使用所述优化求解器中的一个优化求解器求解所述优化问题,来将所述信号矩阵去混频成低秩矩阵、尖峰干扰矩阵、以及高斯噪声矩阵;
使用所述矩阵束程序从所述低秩矩阵提取阻尼指数参数;以及
通过基于所述查找数据标识感应机的所测得的系统参数中的每个系统参数,来确定关于所述感应机的故障。
2.根据权利要求1所述的系统,其中,所述优化形成程序生成凸稳健参数估计CRPE优化问题或者非凸稳健参数估计NRPE优化问题。
3.根据权利要求1所述的系统,其中,所述优化求解器是基于凸稳健参数估计CRPE方法和非凸稳健参数估计NRPE方法的。
4.根据权利要求1所述的系统,其中,所述输入时间域表示采样时段和采样频率。
5.根据权利要求1所述的系统,其中,所述矩阵束程序被配置成获得特征值,并且使用所述特征值来计算阻尼因子和频率。
6.根据权利要求1所述的系统,其中,所获取的信号是基于所述电机的操作的电流信号或振动信号。
7.根据权利要求1所述的系统,其中,所述低秩矩阵是Hankel矩阵。
8.根据权利要求1所述的系统,其中,所述电机是电路、电动机或发电机。
9.一种用于检测电机的故障的方法,所述方法包括以下步骤:
经由传感器获取针对输入时间域的关于所述电机的信号;
基于所获取的针对所述输入时间域的信号来生成信号矩阵;
使用优化形成程序来形成具有低秩约束的优化问题;
通过使用多个优化求解器中的一个优化求解器求解所述优化问题,来将所述信号矩阵去混频成低秩矩阵、尖峰干扰矩阵、以及高斯噪声矩阵;
使用矩阵束程序从所述低秩矩阵提取阻尼指数参数;以及
通过基于查找数据标识感应机的所测得的系统参数中的每个系统参数,来确定关于所述感应机的故障。
10.根据权利要求9所述的方法,其中,所述优化形成程序生成凸稳健参数估计CRPE优化问题或者非凸稳健参数估计NRPE优化问题。
11.根据权利要求9所述的方法,其中,所述优化求解器是基于凸稳健参数估计CRPE方法和非凸稳健参数估计NRPE方法的。
12.根据权利要求9所述的方法,其中,所述输入时间域表示采样时段和采样频率。
13.根据权利要求9所述的方法,其中,所述矩阵束程序被配置成获得特征值,并且使用所述特征值来计算阻尼因子和频率。
14.根据权利要求1所述的系统,其中,所获取的信号是基于所述电机的操作的电流信号或振动信号。
15.根据权利要求1所述的系统,其中,所述低秩矩阵是Hankel矩阵。
16.根据权利要求1所述的系统,其中,所述电机是电路、电动机或发电机。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US16/812,696 US20210278476A1 (en) | 2020-03-09 | 2020-03-09 | System and Method of Fault Detection Based on Robust Damped Signal Demixing |
US16/812,696 | 2020-03-09 | ||
PCT/JP2020/049309 WO2021181844A1 (en) | 2020-03-09 | 2020-12-25 | System and method of fault detection based on robust damped signal demixing |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115210665A true CN115210665A (zh) | 2022-10-18 |
Family
ID=74550722
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202080097962.7A Pending CN115210665A (zh) | 2020-03-09 | 2020-12-25 | 基于稳健阻尼信号去混频来进行故障检测的系统和方法 |
Country Status (6)
Country | Link |
---|---|
US (1) | US20210278476A1 (zh) |
EP (1) | EP4118502B1 (zh) |
JP (1) | JP7337293B2 (zh) |
KR (1) | KR20220133260A (zh) |
CN (1) | CN115210665A (zh) |
WO (1) | WO2021181844A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117131336A (zh) * | 2023-10-26 | 2023-11-28 | 深圳市欧康精密技术有限公司 | 一种电子设备连接器数据处理方法 |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114966403B (zh) * | 2022-08-01 | 2022-10-25 | 山东博源精密机械有限公司 | 一种新能源汽车电机堵转故障检测方法及系统 |
CN116736116B (zh) * | 2023-08-15 | 2023-10-24 | 泰坦(天津)能源技术有限公司 | 一种微型电机的故障感知方法及系统 |
CN116992338B (zh) * | 2023-09-25 | 2023-12-19 | 之江实验室 | 基于典型变量分析的飞行器imu传感器故障检测方法和装置 |
CN117076868B (zh) * | 2023-10-12 | 2024-01-26 | 万链指数(青岛)信息科技有限公司 | 一种持久化数据模型建模方法 |
CN117290640B (zh) * | 2023-11-27 | 2024-01-26 | 天津领语未来智能科技有限公司 | 用于非线性信号处理的奇异谱谐波分解方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5499900B2 (ja) | 2010-05-25 | 2014-05-21 | Jfeスチール株式会社 | パターン自動抽出方法およびパターン自動抽出システム |
CN106769010A (zh) | 2016-12-13 | 2017-05-31 | 南昌航空大学 | 一种欠定盲分离中的机械振源数估计方法 |
CN110285970B (zh) | 2019-07-18 | 2020-05-12 | 东北大学 | 基于矩阵恢复的滚动轴承微弱故障增强方法 |
CN110514295B (zh) | 2019-08-31 | 2021-04-06 | 广东石油化工学院 | 一种利用svd分解的变压器运行状态振声检测信号滤波方法和系统 |
-
2020
- 2020-03-09 US US16/812,696 patent/US20210278476A1/en not_active Abandoned
- 2020-12-25 EP EP20848999.7A patent/EP4118502B1/en active Active
- 2020-12-25 WO PCT/JP2020/049309 patent/WO2021181844A1/en unknown
- 2020-12-25 JP JP2022573810A patent/JP7337293B2/ja active Active
- 2020-12-25 KR KR1020227029549A patent/KR20220133260A/ko unknown
- 2020-12-25 CN CN202080097962.7A patent/CN115210665A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117131336A (zh) * | 2023-10-26 | 2023-11-28 | 深圳市欧康精密技术有限公司 | 一种电子设备连接器数据处理方法 |
CN117131336B (zh) * | 2023-10-26 | 2024-01-30 | 深圳市欧康精密技术有限公司 | 一种电子设备连接器数据处理方法 |
Also Published As
Publication number | Publication date |
---|---|
JP2023513641A (ja) | 2023-03-31 |
WO2021181844A1 (en) | 2021-09-16 |
KR20220133260A (ko) | 2022-10-04 |
EP4118502B1 (en) | 2024-06-26 |
JP7337293B2 (ja) | 2023-09-01 |
EP4118502A1 (en) | 2023-01-18 |
US20210278476A1 (en) | 2021-09-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115210665A (zh) | 基于稳健阻尼信号去混频来进行故障检测的系统和方法 | |
Lizarraga-Morales et al. | Novel FPGA-based methodology for early broken rotor bar detection and classification through homogeneity estimation | |
EP2790028B1 (en) | Broken rotor bar detection based on current signature analysis of an electric machine | |
Heydarzadeh et al. | A wavelet-based fault diagnosis approach for permanent magnet synchronous motors | |
Yang et al. | A fault diagnosis approach for roller bearing based on VPMCD under variable speed condition | |
Camarena-Martinez et al. | Synchrosqueezing transform-based methodology for broken rotor bars detection in induction motors | |
EP2725370A1 (en) | A method for the diagnostics of electromechanical system based on impedance analysis | |
Zhao et al. | Forward and backward extended prony (FBEP) method for power system small-signal stability analysis | |
CN110988680A (zh) | 基于时频处理的电动机转子故障显化方法 | |
Martin-Diaz et al. | Analysis of various inverters feeding induction motors with incipient rotor fault using high-resolution spectral analysis | |
Koruk et al. | Damping uncertainty due to noise and exponential windowing | |
Ferreira et al. | An application of machine learning approach to fault detection of a synchronous machine | |
Ghanbari et al. | Inter-turn fault detection of induction motors using a method based on spectrogram of motor currents | |
CN115166393A (zh) | 一种变压器的智能诊断及状态评估方法 | |
Almounajjed et al. | Condition monitoring and fault detection of induction motor based on wavelet denoising with ensemble learning | |
Bouleux | Oblique projection pre-processing and TLS application for diagnosing rotor bar defects by improving power spectrum estimation | |
US20200116792A1 (en) | Method for monitoring an electromagnetic actuator type apparatus | |
Antonino-Daviu et al. | A scale invariant algorithm for the automatic diagnosis of rotor bar failures in induction motors | |
US20230243876A1 (en) | Method and system for monitoring a machine state | |
Xie et al. | Robust parameter estimation of contaminated damped exponentials | |
Ray et al. | Improved recursive newton type algorithm based power system frequency estimation | |
CN111611870B (zh) | 冷连轧机故障特征识别方法、系统、装置及介质 | |
Velayutham et al. | Support vector machine-based denoising technique for removal of white noise in partial discharge signal | |
Suvarna et al. | Energy Sorted Matrix Pencil Method to identify Dominant Modes from Noisy Data | |
Gandhi et al. | System independent fault diagnosis for synchronous generator |
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 |