CN115586441A - 基于梳状滤波的电机故障诊断方法、装置及存储介质 - Google Patents

基于梳状滤波的电机故障诊断方法、装置及存储介质 Download PDF

Info

Publication number
CN115586441A
CN115586441A CN202211593137.3A CN202211593137A CN115586441A CN 115586441 A CN115586441 A CN 115586441A CN 202211593137 A CN202211593137 A CN 202211593137A CN 115586441 A CN115586441 A CN 115586441A
Authority
CN
China
Prior art keywords
signal
frequency
motor
fault
bearing
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
Application number
CN202211593137.3A
Other languages
English (en)
Other versions
CN115586441B (zh
Inventor
刘侃
王建波
丁荣军
魏东
陈泳丹
张定华
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.)
Hunan University
Original Assignee
Hunan 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 Hunan University filed Critical Hunan University
Priority to CN202211593137.3A priority Critical patent/CN115586441B/zh
Publication of CN115586441A publication Critical patent/CN115586441A/zh
Application granted granted Critical
Publication of CN115586441B publication Critical patent/CN115586441B/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
    • 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
    • H—ELECTRICITY
    • H03—ELECTRONIC CIRCUITRY
    • H03H—IMPEDANCE NETWORKS, e.g. RESONANT CIRCUITS; RESONATORS
    • H03H17/00—Networks using digital techniques
    • H03H17/02—Frequency selective networks
    • H03H17/0248—Filters characterised by a particular frequency response or filtering method
    • H03H17/0251—Comb filters

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Mathematical Physics (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明公开一种基于梳状滤波的电机故障诊断方法，采用永磁同步电机自身的转速信号、转矩电流信号以及定子电流信号进行轴承故障诊断，实现了电机故障的在线诊断；同时解决了传统振动检测法中需要额外安装振动传感器的缺点，降低了诊断系统的成本；同时信号采集过程中受环境噪声的干扰较小，能够提高诊断信号的信噪比，降低后期信号处理的难度，提高故障诊断的精度；将工况信号通过带通滤波器后，再通过梳状滤波器，可以有效滤除工况信号中的转速基频信号，从而突出故障特征频率；该方法无需对信号进行复杂变换，同时能够保留故障信息，能够实现轴承故障的快速精确诊断。本发明还提供一种基于梳状滤波的电机故障诊断装置及存储介质。

Description

基于梳状滤波的电机故障诊断方法、装置及存储介质
技术领域
本发明涉及电机故障诊断技术领域，具体涉及一种基于梳状滤波的电机故障诊断方法、装置及存储介质。
背景技术
永磁同步电机中轴承故障是其机械故障类型中发生概率最高的故障形式之一，其产生原因主要有电机润滑不当、长时间大负荷运行以及转子安装不当等，从而导致轴承部件发生磨损以及破损故障。当电机轴承发生破损时，会导致不同程度上的电机振动，因此，目前最常用的诊断方法是采集电机运行时的振动信号，通过对振动信号进行分析以诊断故障是否发生以及故障类型的判断。但是该方法有三大缺点：一是振动信号的采集需要在电机上安装额外的振动传感器，提高了检测系统的成本；二是振动传感器的安装位置以及环境干扰都会影响振动信号的采集，降低信号的信噪比，加大了信号处理的难度，同时降低了故障诊断的精度；三是在电动汽车以及轨道交通等工程应用中，采集振动信号必须将电机设备进行拆卸，无法实现故障的在线监测和诊断。因此，实有必要提供一种基于梳状滤波的同步电机故障诊断方法、装置及存储介质以解决上述问题。
发明内容
本发明要解决的技术问题是在于提供一种基于梳状滤波的电机故障诊断方法、装置及存储介质，采用电机运行时的电机转速信号或电机的电流信号进行轴承故障诊断，避免了诊断系统需要额外安装传感器的缺点，降低了检测系统的成本；同时，信号采集过程中无需对电机进行拆卸和停机，可实现故障的在线监测和诊断，大大避免了故障引起的损失；此外，信号采集时受环境干扰的影响较小，采集的信号信噪比较高，减少了后期信号处理的计算量，加快了故障诊断的速度以及提高了检测的精度。
为实现上述目的，本发明的技术方案为：
一种基于梳状滤波的电机故障诊断方法，包括如下步骤：
S1：计算电机轴承不同部件发生故障时的理论故障特征频率以及电机不同转速下的转速基频；
S2：获取电机运行时的工况信号，将工况信号通过带通滤波器完成初次滤波，实现故障信号频率段的选择，输出包含故障特征频率及其倍频成分的第一输出信号；
S3：根据所述第一输出信号的频率范围以及理论故障特征频率，对所述第一输出信号进行降采样，并根据降采样后的采样频率和电机转速基频设计梳状滤波器，将所述第一输出信号通过所述梳状滤波器，滤除信号中转速基频及其倍频，输出第二输出信号；
S4：将所述第二输出信号进行傅里叶变换获得其频谱，对频谱分析并提取分析结果中的实际故障特征频率，将所述实际故障特征频率与理论故障特征频率对比，完成故障诊断以及类型判别。
优选的，所述电机为永磁同步电机，所述工况信号包括转速信号、定子电流信号和转矩电流信号。
优选的，所述转速信号的采集方式为：利用电机转子轴上安装的2500线增量式编码器，获取电机转子的位置信息，通过对转子的位置信息进行微分处理，得到电机运行时的转速信号；所述转矩电流信号及定子电流信号的采集方式为：利用电机控制器中安装的三个电流传感器对三相电流进行采集，实现对转矩电流信号及定子电流信号的实时采样。
优选的，所述步骤S1具体为：
根据电机运行时的电机平均转速 nz计算出轴承中不同部件在不同转速下发生故障时的理论故障特征频率
Figure 553297DEST_PATH_IMAGE001
：
Figure 459DEST_PATH_IMAGE002
式中，f r 为转速基频，
Figure 455711DEST_PATH_IMAGE003
，nz表示电机平均转速；f out 、f in 、f ball 分别为轴承外圈、轴承内圈及轴承滚珠的理论故障特征频率；A out 、A in 、A ball 分别为轴承外圈、轴承内圈及轴承滚珠的理论故障特征频率系数，其与轴承尺寸参数有关，其中：
Figure 886693DEST_PATH_IMAGE004
式中，N B 为轴承滚珠的个数，D b 为轴承滚珠直径，D p 为轴承节圆直径；α为轴承接触角。
优选的，所述步骤S2中的带通滤波器表示为：
Figure 718382DEST_PATH_IMAGE005
式中，所述f a 表示带通滤波器选择的频率范围，k为常数，j为信号复数表示，t表示采样时间。
优选的，所述步骤S3中梳状滤波器的构造过程为：
S31：确定降采样阶数N，其可表示为：
Figure 285630DEST_PATH_IMAGE006
式中，
Figure 177363DEST_PATH_IMAGE007
为原始信号采样频率；
S32：对原始信号进行降采样：
Figure 830061DEST_PATH_IMAGE008
式中，M为原始信号采样点数，n为降采样后信号采样点数，x(·)为原始信号，y(n)为降采样后的信号；
S33：构造一个允许转速基频通过的带通滤波器，表示为：
Figure 465441DEST_PATH_IMAGE005
式中，所述f r 表示电机转速基频，ω r 表示电机转动角速度， j为信号复数表示；
S34：构造梳状滤波器，表示为：
Figure 621616DEST_PATH_IMAGE009
式中，H c (ω)为梳状滤波器的傅里叶变换形式，H a (ω)为的h a (t)傅里叶变换形式，H r (ω)为h r (t)的傅里叶变换形式。
本发明还提供一种基于梳状滤波的电机故障诊断装置，包括：
计算模块：用于计算电机轴承不同部件发生故障时的理论故障特征频率以及电机不同转速下的转速基频；
第一滤波模块：获取电机运行时的工况信号，将工况信号通过带通滤波器完成初次滤波，实现故障信号频率段的选择，输出包含故障特征频率及其倍频成分的第一输出信号；
第二滤波模块：用于根据所述第一输出信号的频率范围以及理论故障特征频率，对所述第一输出信号进行降采样，并根据降采样后的采样频率和电机转速基频设计梳状滤波器，将所述第一输出信号通过所述梳状滤波器，滤除信号中转速基频及其倍频，输出第二输出信号；
判别模块：用于将所述第二输出信号进行傅里叶变换获得其频谱，对频谱分析并提取分析结果中的实际故障特征频率，将所述实际故障特征频率与理论故障特征频率对比，完成故障诊断以及类型判别。
本发明还提供一种存储介质，该存储介质中存储有被编程或配置以执行上述的基于梳状滤波的电机故障诊断方法的计算机程序。
与相关技术相比，本发明的有益效果在于：
（1）采用永磁同步电机自身的转速信号、转矩电流信号以及定子电流信号进行故障诊断，解决了传统诊断检测法需要电机停机的弊端，实现了电机故障的在线诊断，防止电机发生不可逆的破坏；同时解决了传统振动检测法中需要额外安装振动传感器的缺点，降低了诊断系统的成本；同时信号采集过程中受环境噪声的干扰较小，能够提高诊断信号的信噪比，降低后期信号处理的难度，提高故障诊断的精度；
（2）将工况信号通过带通滤波器后，再通过梳状滤波器，可以有效滤除工况信号中的转速基频信号，从而突出故障特征频率；该方法无需对信号进行复杂变换，同时能够保留故障信息，能够实现轴承故障的快速精确诊断；
（3）本发明提出的方法可以大大提高信号的信噪比，通过滤除信号中与故障无关的主要成分，突出反映故障的有效信息，以实现故障诊断；该方法具有通用性，除了在轴承故障中能够表现出优异的效果之外，可同样应用在其他类型故障的诊断中。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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的附图，其中：
图1为电机控制以及信号采集原理图；
图2为降采样前的梳状滤波器特性图，其中（a）为幅频图，（b）为相频图；
图3为降采样后的梳状滤波器特性图，其中（a）为幅频图，（b）为相频图；
图4为实施例一中轴承外圈故障时滤波前的转速信号频谱图；
图5为实施例一中轴承外圈故障时滤波后的转速信号频谱图；
图6为实施例一中轴承内圈故障时滤波前的转速信号频谱图；
图7为实施例一中轴承内圈故障时滤波后的转速信号频谱图；
图8为实施例一中轴承滚珠故障时滤波前的转速信号频谱图；
图9为实施例一中轴承滚珠故障时滤波后的转速信号频谱图；
图10为实施例二中轴承外圈故障时滤波前的转矩电流信号频谱图；
图11为实施例二中轴承外圈故障时滤波后转矩电流信号频谱图；
图12为实施例二中轴承内圈故障时滤波前的转矩电流信号频谱图；
图13为实施例二中轴承内圈故障时滤波后转矩电流信号频谱图
图14为实施例二中轴承滚珠故障时滤波前的转矩电流信号频谱图；
图15为实施例二中轴承滚珠故障时滤波后转矩电流信号频谱图；
图16为实施例三中轴承外圈故障时滤波前的定子电流信号频谱图；
图17为实施例三中轴承外圈故障时滤波后定子电流信号频谱图；
图18为实施例三中轴承内圈故障时滤波前的定子电流信号频谱图；
图19为实施例三中轴承内圈故障时滤波后定子电流信号频谱图。
图20为实施例三中轴承滚珠故障时滤波前的定子电流信号频谱图；
图21为实施例三中轴承滚珠故障时滤波后定子电流信号频谱图。
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实施例中的技术方案，并使本发明的上述目的、特征和优点能够更加明显易懂，下面结合本申请的附图对本发明的具体实施方式作进一步的说明。
请结合参阅图1-21，本发明提供一种基于梳状滤波的电机故障诊断方法，包括如下步骤：
S1：计算电机轴承不同部件发生故障时的理论故障特征频率以及电机不同转速下的转速基频；
电机轴承的部件主要包括轴承外圈、轴承内圈及轴承滚珠，当电机轴承中的部件发生单点故障（单一部件发生故障）时，随着电机转轴的旋转，轴承中的部件表面与缺陷点相接触时，会产生周期性的振动脉冲信号。当缺陷点发生在轴承的不同部件表面时，产生的脉冲信号的频率也不同，根据轴承的几何尺寸以及转速可以计算出轴承不同部件处于故障下的振动频率，该振动频率即为理论故障特征频率。
根据电机运行时的电机平均转速nz计算出轴承中不同部件在不同转速下发生故障时的理论故障特征频率
Figure 684250DEST_PATH_IMAGE001
：
Figure 558665DEST_PATH_IMAGE002
式中，f r 为转速基频，
Figure 263316DEST_PATH_IMAGE003
，nz表示电机的平均转速；f out 、f in 、f ball 分别为轴承外圈、轴承内圈及轴承滚珠的理论故障特征频率；A out 、A in 、A ball 分别为轴承外圈、轴承内圈及轴承滚珠的理论故障特征频率系数，其与轴承尺寸参数有关，其中：
Figure 539577DEST_PATH_IMAGE004
式中，N B 为轴承滚珠的个数，D b 为轴承滚珠直径，D p 为轴承节圆直径；α为轴承接触角。
S2：获取电机运行时的工况信号，将工况信号通过带通滤波器完成初次滤波，实现故障信号频率段的选择，输出包含故障特征频率及其倍频成分的第一输出信号。
所述工况信号包括转速信号、定子电流信号及转矩电流信号。电机轴承故障引起的振动会导致电机转矩波动，进而导致电机转速、转矩电流及定子电流发生变化。因此通过转速信号、定子电流信号及转矩电流信号可以表征电机的轴承故障。
在电机的实际运行过程中，电机的实际转速不可能一直维持平均转速不变，而是在平均转速nz一定的范围内上下浮动，以平均转速nz=1000r/min为例，在一定的时间范围内，其实际转速可能为999.80r/min、1000.15r/min、1000.22r/min。因此，电机的实际转速可表示为：
Figure 507533DEST_PATH_IMAGE010
式中，
Figure 134823DEST_PATH_IMAGE011
为电机的实际转速，
Figure 112006DEST_PATH_IMAGE012
为电机实际转速的常值项，
Figure 242773DEST_PATH_IMAGE013
为轴承故障引起的转矩波动幅值，
Figure 647210DEST_PATH_IMAGE014
为常数，
Figure 496217DEST_PATH_IMAGE015
为采样时间，
Figure 11512DEST_PATH_IMAGE016
表示电机的实际故障特征频率。
通过上式可知，通过电机转速表征出的实际故障特征频率
Figure 262365DEST_PATH_IMAGE016
与
Figure 837703DEST_PATH_IMAGE001
保持一致。
则发生故障时，电机的定子电流可表示为：
Figure 174006DEST_PATH_IMAGE017
式中，
Figure 492992DEST_PATH_IMAGE018
为电机定子电流，I m 为电机定子电流幅值，f e 为电机电频率，
Figure 598351DEST_PATH_IMAGE019
为电流系数。
通过上式可知，通过电机定子电流表征出的实际故障特征频率与
Figure 344591DEST_PATH_IMAGE001
关系为：
Figure 902611DEST_PATH_IMAGE020
。
故障发生时，电机转矩电流表示为：
Figure 25288DEST_PATH_IMAGE021
式中，i q 为轴承故障时的电机转矩电流，J为电机转动惯量。
通过上式可知，通过电机转矩电流表征出的实际故障特征频率
Figure 719574DEST_PATH_IMAGE022
与
Figure 902294DEST_PATH_IMAGE001
保持一致。
综合上述分析，通过采集电机转速信号、电机定子电流信号及电子转矩电流信号可以用于表征发生故障时的故障特征频率。
图1表示的电机控制及信号采集原理框图，图中，各个参数表示如下：
Figure 213189DEST_PATH_IMAGE023
为参考角速度；
Figure 873978DEST_PATH_IMAGE024
为反馈角速度；
Figure 688350DEST_PATH_IMAGE025
为参考交轴电流；
Figure 41971DEST_PATH_IMAGE026
为反馈交轴电流；
Figure 574584DEST_PATH_IMAGE027
为参考直轴电流；
Figure 44922DEST_PATH_IMAGE028
为反馈直轴电流；
Figure 713801DEST_PATH_IMAGE029
为参考交轴电压；
Figure 238323DEST_PATH_IMAGE030
为参考直轴电压；
Figure 258232DEST_PATH_IMAGE031
、
Figure 260823DEST_PATH_IMAGE032
、
Figure 49787DEST_PATH_IMAGE033
为三相电流；
Figure 745211DEST_PATH_IMAGE034
为电机转子位置角；SVPWM为空间矢量调制；PMSM为永磁同步电机；
Figure 986836DEST_PATH_IMAGE035
为park变换；
Figure 793118DEST_PATH_IMAGE036
为反park变换；LPF为低通滤波器。
当采集的工况信号为电机转速信号时，其采集方式为：利用电机转子轴上安装的2500线增量式编码器，获取电机转子位置信息，通过对转子位置信息进行微分处理，便可得到电机运行时的转速信号。由于2500线增量式编码器属于电子转子轴的常规配置，因为在电机转速信号的采集过程中，无需额外安装传感器，直接利用2500线增量式编码器的数据即可。
当采集的工况信号为转矩电流信号或定子电流信号时，其采集方式为：通过电机控制器中安装的三个电流传感器对三相电流进行采集，实现对电机电流的实时采样，得到电机运行时的定子电流信号及转矩电流信号。同样无需额外安装传感器，直接利用现有的电流传感器其即可。
相比于传统的振动检测法，本申请通过采集转速信号、转矩电流信号及转子电流信号，均不需要额外安装振动传感器，降低了检测成本，并且采集的转速信号信噪比高，受环境的干扰小，因此可以降低对信号的处理难度，提高轴承故障的检测精度。
所述带通滤波器表示为：
Figure 702169DEST_PATH_IMAGE037
式中，所述f a 表示带通滤波器选择的频率范围，k为常数，j为信号复数表示，t表示采样时间。
S3：根据所述第一输出信号的频率范围以及理论故障特征频率，对所述第一输出信号进行降采样，并根据降采样后的采样频率和电机转速基频设计梳状滤波器，将所述第一输出信号通过所述梳状滤波器，滤除信号中转速基频及其倍频，输出第二输出信号。
所述步骤S3中梳状滤波器的构造过程为：
S31：确定降采样阶数N，其可表示为：
Figure 302914DEST_PATH_IMAGE038
式中，f s 为原始信号采样频率；
S32：对原始信号进行降采样：
Figure 297415DEST_PATH_IMAGE039
式中，M为原始信号采样点数，n为降采样后信号采样点数，x(·)为原始信号，y(n)为降采样后的信号；
S33：构造一个允许转速基频通过的带通滤波器，表示为：
Figure 641809DEST_PATH_IMAGE040
式中，所述f r 表示电机转速基频，ω r 表示电机转动角速度， j为信号复数表示；
S34：构造梳状滤波器，表示为：
Figure 405365DEST_PATH_IMAGE041
式中，H c (ω)为梳状滤波器的傅里叶变换形式，H a (ω)为的h a (t)傅里叶变换形式，H r (ω)为h r (t)的傅里叶变换形式。
图2和图3分别表示了降采样前后的梳状滤波器的特性图，原始信号的采样频率为20000Hz，为了滤除50Hz（电流基频）成分以及其倍频，滤波器阶数为400，通过降采样，将采样频率降为2000Hz，此时的滤波器阶数为40。从图3可知，滤波器的特性曲线在50Hz以及倍频处，幅值衰减的更大，相位延迟的更多，因此滤波的效果更好。
S4：将所述第二输出信号进行傅里叶变换获得其频谱，对频谱分析并提取分析结果中的实际故障特征频率，将所述实际故障特征频率与理论故障特征频率对比，完成故障诊断以及类型判别。
采用6305型号轴承的电机，分别采集转速信号、转矩电流信号及定子电流信号，进行本发明提供的诊断方法，得到实施例一、实施例二及实施例三。其中，6305型号轴承的具体参数为：N B 为7，D b 为11.509mm，D p 为44.5mm，轴承滚珠轴承的接触角
Figure 177012DEST_PATH_IMAGE042
为0，因此
Figure 658809DEST_PATH_IMAGE043
=1；电机的平均转速为1000r/min，计算得到转速基频f r =16.67Hz，A out =2.59、A in =4.41、A ball =1.80，对应轴承的轴承外圈、轴承内圈及轴承滚珠的理论故障特征频率分别为43.24Hz、73.42Hz和30.06Hz。
为了验证本发明所提出方法的有效性，利用信噪比对比滤波前后信号中故障特征频率的占比。信噪比SNR定义为：带通滤波器频率范围内的故障特征频率幅值总和与该范围内所有频率幅值总和的比值，信噪比越高，证明故障特征越突出。信噪比的计算公式为：
Figure 806894DEST_PATH_IMAGE044
式中，SNR为信噪比，f为频率范围内的频率成分。
实施例一
在本实施方式中，利用转速信号进行故障的诊断，转速信号的采样频率为20000Hz，采样时间为20s。
直接对轴承外圈故障下的转速信号进行频谱分析，得到未滤波的转速信号频谱图如图4所示，分析图4可以看出，转速信号频谱图中主要以转速基频以及倍频成分为主，导致轴承故障特征频率被抑制。利用本发明提供的方法对转速信号进行滤波，将转速基频及其倍频成分进行滤除，得到滤波后的转速信号频谱图如图5所示，分析图5可以看出，处理后的转速信号频谱图中，故障特征频率变得突出，其他成分得到抑制，信噪比提高了46.04%。得到的故障特征频率为43.3Hz，与理论故障特征频率相近，实现了轴承外圈故障的诊断。通过多次重复试验，得到的诊断精度为99.86%。
直接对轴承内圈故障下的转速信号进行频谱分析，得到未滤波的转速信号频谱图如图6所示；利用本发明提供的方法对轴承内圈故障下的转速信号进行滤波，得到滤波后的转速信号频谱图如图7所示，结合分析图6及图7，处理后的转速信号频谱图中，故障特征频率变得突出，其他成分得到抑制，信噪比提高了86.50%。得到的故障特征频率为73.28Hz，与理论故障特征频率相近，实现了轴承内圈故障的诊断。通过多次重复试验，得到的诊断精度为99.81%。
直接对轴承滚珠故障下的转速信号进行频谱分析，得到未滤波的转速频谱图如图8所示；采用本发明提供的方法对轴承滚珠故障下的转速信号进行滤波，得到滤波后的转速信号频谱图如图9所示，结合分析图8及图9，处理后的转速信号频谱图中，故障特征频率变得突出，其他成分得到抑制，信噪比提高了111.28%。得到的故障特征频率的二倍频为59.00Hz，与理论故障特征频率的二倍频十分接近，实现了轴承滚珠故障的诊断。通过多次重复试验，得到的诊断精度为98.31%。
采用本发明提供的诊断方法，通过对轴承外圈、轴承内圈及轴承滚珠故障下的转速信号进行滤波处理，在信号的频谱中，可以明显发现轴承故障特征频率，并且与理论故障特征频率接近，实现了电机轴承外圈、轴承内圈及轴承滚珠故障下的故障诊断，具备较高的诊断精度。
实施例二
在本实施方式中，利用转矩电流信号进行故障的诊断，转矩电流信号的采样频率为20000Hz，采样时间为20s。
直接对轴承外圈故障下的转矩电流信号进行频谱分析，得到的未滤波的转矩电流信号频谱图如图10所示，转矩电流信号频谱图中主要以转速基频及其倍频成分为主，导致轴承故障特征频率被抑制；利用本发明提供的方法对转矩电流信号进行滤波，将转速基频及其倍频成分滤除，得到滤波后的转矩电流信号频谱图如图11所示，分析图11可以看出，处理后的转矩电流信号频率图中，故障特征频率变得突出，其他成分得到抑制，信噪比提高了65.58%。得到的故障特征频率为43.27Hz，与理论故障特征频率相近，实现了轴承外圈故障的诊断。通过多次重复试验，得到的诊断精度为99.93%。
直接对轴承内圈故障下的转矩电流信号进行频谱分析，得到未滤波的转矩电流信号频谱图如图12所示；利用本发明提供的方法对轴承内圈故障下的转矩电流信号进行滤波，得到滤波后的转矩电流信号频谱图如图13所示，结合分析图12及图13，处理后的转矩电流信号频谱图中，故障特征频率变得突出，其他成分得到抑制，信噪比提高了108.90%。得到的故障特征频率为73.28Hz，与理论故障特征频率相近，实现了轴承内圈故障的诊断。通过多次重复试验，得到的诊断精度为99.81%。
直接对轴承滚珠故障下的转矩电流信号进行频谱分析，得到未滤波的转矩电流信号频谱图如图14所示；采用本发明提供的方法对轴承滚珠故障下的转速信号进行滤波，得到滤波后的转矩电流信号频谱图如图15所示，结合分析图14及图15，处理后的转矩电流信号频谱图中，故障特征频率变得突出，其他成分得到抑制，信噪比提高了107.63%。得到的故障特征频率的二倍频为59.00Hz，与理论故障特征频率的二倍频十分接近，实现了轴承滚珠故障的诊断。通过多次重复试验，得到的诊断精度为99.86%。
采用本发明提供的诊断方法，通过对轴承外圈、轴承内圈及轴承滚珠故障下的转矩电流信号进行滤波处理，在信号的频谱中，可以明显发现轴承故障特征频率，并且与理论故障特征频率接近，实现了电机轴承外圈、轴承内圈及轴承滚珠故障下的故障诊断，具备较高的诊断精度。
实施例三
在本实施方式中，利用定子电流信号进行故障的诊断，定子电流信号的采样频率为20000Hz，采样时间为20s。f e 的取值为50HZ，则定子电流信号中对应的故障特征频率为|50±k43.24|Hz、|50±k73.42|Hz和|50±k30.06|Hz。
直接对轴承外圈故障下的定子电流信号进行频谱分析，得到的未滤波的定子电流信号频谱图如图16所示，定子电流信号频谱图中，电流基频及其倍频成分、转速基频及其倍频成分占主导，导致故障特征频率被抑制；利用本发明提供的方法对定子电流信号进行滤波，将转速基频及其倍频成分、电流基频及其倍频成分滤除，信噪比提高了60.72%。得到滤波后的定子电流信号频谱图如图17所示，分析图17可以看出，处理后的定子电流信号频率图中，故障特征频率变得突出，其他成分得到抑制，实现了轴承外圈故障的诊断。
直接对轴承内圈故障下的定子电流信号进行频谱分析，得到未滤波的定子电流信号频谱图如图18所示；利用本发明提供的方法对轴承内圈故障下的定子电流信号进行滤波，信噪比提高了110.71%。得到滤波后的定子电流信号频谱图如图19所示，结合分析图18及图19，处理后的定子电流信号频谱图中，故障特征频率变得突出，其他成分得到抑制，实现了轴承内圈故障的诊断。
直接对轴承滚珠故障下的定子电流信号进行频谱分析，得到未滤波的转矩电流信号频谱图如图20所示；采用本发明提供的方法对轴承滚珠故障下的定子电流信号进行滤波，信噪比提高了94.78%。得到滤波后的定子电流信号频谱图如图21所示，结合分析图20及图21，处理后的定子电流信号频谱图中，故障特征频率变得突出，其他成分得到抑制，实现了轴承滚珠故障的诊断。
采用本发明提供的诊断方法，通过对轴承外圈、轴承内圈及轴承滚珠故障下的定子信号进行滤波处理，在信号的频谱中，可以明显发现轴承故障特征频率，并且与理论故障特征频率接近，实现了电机轴承外圈、轴承内圈及轴承滚珠故障下的故障诊断，具备较高的诊断精度。
本发明还提供一种基于梳状滤波的同步电机故障诊断装置，包括：
计算模块：用于计算电机轴承不同部件发生故障时的理论故障特征频率以及电机不同转速下的转速基频；
带通滤波器模块：获取电机运行时的工况信号，将所述工况信号通过带通滤波器以完成初次滤波，实现故障信号频率段的选择，输出包含故障特征频率及其倍频成分的第一输出信号；
梳状滤波器模块：用于根据所述第一输出信号的频率范围以及理论故障特征频率，对所述第一输出信号进行降采样，并根据降采样后的采样频率和电机转速基频设计相应的梳状滤波器，将第一输出信号通过所述梳状滤波器，滤除信号中转速基频以及倍频的干扰，输出第二输出信号；
判别模块：将所述第二输出信号进行傅里叶变换以获得其频谱，对频谱分析并提取分析结果中的故障特征频率，将所述故障特征频率与理论特征对比，完成故障诊断以及类型判别。
本发明还提供一种存储介质，该存储介质中存储有被编程或配置以执行上述的基于梳状滤波的电机故障诊断方法的计算机程序。上述方法实施例中的内容均适用于本存储介质实施例中，实现的功能和有益效果与方法实施例相同。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
实施例中的步骤表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何存储介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备读取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“存储介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
存储介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，存储介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器。
与相关技术相比，本发明的有益效果在于：
（1）采用永磁同步电机自身的转速信号、转矩电流信号以及定子电流信号进行故障诊断，解决了传统诊断检测法需要电机停机的弊端，实现了电机故障的在线诊断，防止电机发生不可逆的破坏；同时解决了传统振动检测法中需要额外安装振动传感器的缺点，降低了诊断系统的成本；同时信号采集过程中受环境噪声的干扰较小，能够提高诊断信号的信噪比，降低后期信号处理的难度，提高故障诊断的精度；
（2）将工况信号通过带通滤波器后，再通过梳状滤波器，可以有效滤除工况信号中的转速基频信号，从而突出故障特征频率；该方法无需对信号进行复杂变换，同时能够保留故障信息，能够实现轴承故障的快速精确诊断。
（3）本发明提出的方法可以大大提高信号的信噪比，通过滤除信号中与故障无关的主要成分，突出反映故障的有效信息，以实现故障诊断。该方法具有通用性，除了在轴承故障中能够表现出优异的效果之外，可同样应用在其他类型故障的诊断中。
以上对本发明的实施方式作出详细说明，但本发明不局限于所描述的实施方式。对本领域的技术人员而言，在不脱离本发明的原理和精神的情况下对这些实施例进行的多种变化、修改、替换和变型均仍落入在本发明的保护范围之内。

Claims (8)

1.一种基于梳状滤波的电机故障诊断方法，其特征在于，包括如下步骤：
S1：计算电机轴承不同部件发生故障时的理论故障特征频率以及电机不同转速下的转速基频；
S2：获取电机运行时的工况信号，将工况信号通过带通滤波器完成初次滤波，实现故障信号频率段的选择，输出包含故障特征频率及其倍频成分的第一输出信号；
S3：根据所述第一输出信号的频率范围以及理论故障特征频率，对所述第一输出信号进行降采样，并根据降采样后的采样频率和电机转速基频设计梳状滤波器，将所述第一输出信号通过所述梳状滤波器，滤除信号中转速基频及其倍频，输出第二输出信号；
S4：将所述第二输出信号进行傅里叶变换获得其频谱，对频谱分析并提取分析结果中的实际故障特征频率，将所述实际故障特征频率与理论故障特征频率对比，完成故障诊断以及类型判别。
2.根据权利要求1所述的基于梳状滤波的电机故障诊断方法，其特征在于，所述电机为永磁同步电机，所述工况信号包括转速信号、定子电流信号和转矩电流信号。
3.根据权利要求2所述的基于梳状滤波的电机故障诊断方法，其特征在于，所述转速信号的采集方式为：利用电机转子轴上安装的2500线增量式编码器，获取电机转子的位置信息，通过对转子的位置信息进行微分处理，得到电机运行时的转速信号；所述转矩电流信号及定子电流信号的采集方式为：利用电机控制器中安装的三个电流传感器对三相电流进行采集，实现对转矩电流信号及定子电流信号的实时采样。
4.根据权利要求1所述的基于梳状滤波的电机故障诊断方法，其特征在于，所述步骤S1具体为：
根据电机运行时的电机平均转速nz计算出轴承中不同部件在不同转速下发生故障时的理论故障特征频率
Figure 515625DEST_PATH_IMAGE001
：
Figure 995191DEST_PATH_IMAGE002
式中，
Figure 698705DEST_PATH_IMAGE003
为转速基频，
Figure 384901DEST_PATH_IMAGE004
，nz表示电机平均转速； f out 、f in 、f ball 分别为轴承外圈、轴承内圈及轴承滚珠的理论故障特征频率；A out 、A in 、A ball 分别为轴承外圈、轴承内圈及轴承滚珠的理论故障特征频率系数，其与轴承尺寸参数有关，其中：
Figure 123050DEST_PATH_IMAGE005
式中，N B 为轴承滚珠的个数，D b 为轴承滚珠直径，D p 为轴承节圆直径；
Figure 502078DEST_PATH_IMAGE006
为轴承接触角。
5.根据权利要求4所述的基于梳状滤波的电机故障诊断方法，其特征在于，所述步骤S2中的带通滤波器表示为：
Figure 692888DEST_PATH_IMAGE007
式中，所述f a 表示带通滤波器选择的频率范围，k为常数，j为信号复数表示，t表示采样时间。
6.根据权利要求5所述的基于梳状滤波的电机故障诊断方法，其特征在于，所述步骤S3中梳状滤波器的构造过程为：
S31：确定降采样阶数N，其可表示为：
Figure 182775DEST_PATH_IMAGE008
式中，
Figure 775431DEST_PATH_IMAGE009
为原始信号采样频率；
S32：对原始信号进行降采样：
Figure 325361DEST_PATH_IMAGE010
式中，M为原始信号采样点数，n表示降采样后信号采样点数，x(·)为原始信号，y(n)为降采样后的信号；
S33：构造一个允许转速基频通过的带通滤波器，表示为：
Figure 3467DEST_PATH_IMAGE011
式中，所述f r 表示电机转速基频，
Figure 31466DEST_PATH_IMAGE012
表示电机转动角速度，j为信号复数表示；
S34：构造梳状滤波器，表示为：
Figure 478628DEST_PATH_IMAGE013
式中，H c (ω)为梳状滤波器的傅里叶变换形式，H a (ω)为的h a (t)的傅里叶变换形式，H r (ω)为h r (t)的傅里叶变换形式。
7.一种基于梳状滤波的电机故障诊断装置，其特征在于，包括：
计算模块：用于计算电机轴承不同部件发生故障时的理论故障特征频率以及电机不同转速下的转速基频；
第一滤波模块：获取电机运行时的工况信号，将工况信号通过带通滤波器完成初次滤波，实现故障信号频率段的选择，输出包含故障特征频率及其倍频成分的第一输出信号；
第二滤波模块：用于根据所述第一输出信号的频率范围以及理论故障特征频率，对所述第一输出信号进行降采样，并根据降采样后的采样频率和电机转速基频设计梳状滤波器，将所述第一输出信号通过所述梳状滤波器，滤除信号中转速基频及其倍频，输出第二输出信号；
判别模块：用于将所述第二输出信号进行傅里叶变换获得其频谱，对频谱分析并提取分析结果中的实际故障特征频率，将所述实际故障特征频率与理论故障特征频率对比，完成故障诊断以及类型判别。
8.一种存储介质，其特征在于，该存储介质中存储有被编程或配置以执行权利要求1-6中任意一项所述的基于梳状滤波的电机故障诊断方法的计算机程序。
CN202211593137.3A 2022-12-13 2022-12-13 基于梳状滤波的电机故障诊断方法、装置及存储介质 Active CN115586441B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211593137.3A CN115586441B (zh) 2022-12-13 2022-12-13 基于梳状滤波的电机故障诊断方法、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211593137.3A CN115586441B (zh) 2022-12-13 2022-12-13 基于梳状滤波的电机故障诊断方法、装置及存储介质

Publications (2)

Publication Number Publication Date
CN115586441A true CN115586441A (zh) 2023-01-10
CN115586441B CN115586441B (zh) 2023-03-10

Family

ID=84783267

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211593137.3A Active CN115586441B (zh) 2022-12-13 2022-12-13 基于梳状滤波的电机故障诊断方法、装置及存储介质

Country Status (1)

Country Link
CN (1) CN115586441B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116449688A (zh) * 2023-06-19 2023-07-18 深圳市大族机器人有限公司 机器人电机pid参数确定方法、装置和计算机设备
CN117647347A (zh) * 2024-02-04 2024-03-05 上海建科检验有限公司 一种基于频率优化的频率法拉索索力测量方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE3017327A1 (de) * 1980-05-06 1981-11-12 Nippon Seiko K.K., Tokyo Einrichtung zur analyse von harmonischen schwingungen
CN102798529A (zh) * 2012-08-30 2012-11-28 桂林电子科技大学 大型风力机组轴承故障诊断方法及系统
CN112326245A (zh) * 2020-10-21 2021-02-05 中国航空工业集团公司上海航空测控技术研究所 一种基于变分希尔伯特黄变换的滚动轴承故障诊断方法
CN112597969A (zh) * 2020-11-10 2021-04-02 长沙理工大学 一种滚动轴承故障诊断方法、系统及介质
CN112781709A (zh) * 2020-12-24 2021-05-11 上海核工程研究设计院有限公司 变速工况下设备振动信号早期故障分析和特征提取方法
CN113074941A (zh) * 2021-03-26 2021-07-06 长沙理工大学 基于自适应时变梳状滤波的变转速齿轮故障信号提取方法、诊断方法、系统及存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE3017327A1 (de) * 1980-05-06 1981-11-12 Nippon Seiko K.K., Tokyo Einrichtung zur analyse von harmonischen schwingungen
CN102798529A (zh) * 2012-08-30 2012-11-28 桂林电子科技大学 大型风力机组轴承故障诊断方法及系统
CN112326245A (zh) * 2020-10-21 2021-02-05 中国航空工业集团公司上海航空测控技术研究所 一种基于变分希尔伯特黄变换的滚动轴承故障诊断方法
CN112597969A (zh) * 2020-11-10 2021-04-02 长沙理工大学 一种滚动轴承故障诊断方法、系统及介质
CN112781709A (zh) * 2020-12-24 2021-05-11 上海核工程研究设计院有限公司 变速工况下设备振动信号早期故障分析和特征提取方法
CN113074941A (zh) * 2021-03-26 2021-07-06 长沙理工大学 基于自适应时变梳状滤波的变转速齿轮故障信号提取方法、诊断方法、系统及存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
孟东容等: "基于电流信号的振动电机轴承故障检测", 《中国测试》 *
朱祥东: "风力发电机组滚动轴承定子电流故障诊断方法研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116449688A (zh) * 2023-06-19 2023-07-18 深圳市大族机器人有限公司 机器人电机pid参数确定方法、装置和计算机设备
CN116449688B (zh) * 2023-06-19 2023-10-31 深圳市大族机器人有限公司 机器人电机pid参数确定方法、装置和计算机设备
CN117647347A (zh) * 2024-02-04 2024-03-05 上海建科检验有限公司 一种基于频率优化的频率法拉索索力测量方法

Also Published As

Publication number Publication date
CN115586441B (zh) 2023-03-10

Similar Documents

Publication Publication Date Title
CN115586441B (zh) 基于梳状滤波的电机故障诊断方法、装置及存储介质
Li et al. New procedure for gear fault detection and diagnosis using instantaneous angular speed
CN110617964A (zh) 用于滚动轴承故障诊断的同步压缩变换阶比分析法
Gu et al. An investigation of the effects of measurement noise in the use of instantaneous angular speed for machine diagnosis
CN113009334B (zh) 一种基于小波包能量分析的电机故障检测方法及系统
Burnett et al. The application of modern signal processing techniques for use in rotor fault detection and location within three-phase induction motors
CN111397877B (zh) 一种旋转机械拍振故障检测与诊断方法
CN105675113A (zh) 基于微型传感器的旋转机械角域振动信号获取装置和方法
CN113761466B (zh) 一种旋转机械振动信号阶比谱构造方法及装置
Zhao et al. Generalized demodulation transform for bearing fault diagnosis under nonstationary conditions and gear noise interferences
US7079964B2 (en) Method for determining the frequency of the current ripple in the armature current of a commutated DC motor
Wu et al. A modified tacho-less order tracking method for the surveillance and diagnosis of machine under sharp speed variation
JPH0141928B2 (zh)
CN114509159B (zh) 阶比跟踪分析方法、系统及计算机可读存储介质
CN116124424A (zh) 一种船舶旋转机械轴心轨迹测试与状态评估方法及系统
CN111307426A (zh) 一种基于FrFT-EWT原理的旋转机械故障特征提取方法
Chen et al. A time-varying instantaneous frequency fault features extraction method of rolling bearing under variable speed
CN113074941B (zh) 基于自适应时变梳状滤波的变转速齿轮故障信号提取方法
CN112597969B (zh) 一种滚动轴承故障诊断方法、系统及介质
CN117686232A (zh) 一种燃气轮机振动基频实时提取方法、装置及存储介质
CN112465068A (zh) 一种基于多传感器数据融合的旋转设备故障特征提取方法
CN115616403B (zh) 永磁同步电机轴承故障初期诊断方法、装置及存储介质
Reges et al. A new method for the vibration amplitude assessment of the ESP systems considering the vibration orbit
CN114486252B (zh) 一种矢量模极大值包络的滚动轴承故障诊断方法
Dongfeng et al. Instantaneous purified orbit: a new tool for analysis of nonstationary vibration of rotor system

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