CN115616403A - 永磁同步电机轴承故障初期诊断方法、装置及存储介质 - Google Patents

永磁同步电机轴承故障初期诊断方法、装置及存储介质 Download PDF

Info

Publication number
CN115616403A
CN115616403A CN202211620993.3A CN202211620993A CN115616403A CN 115616403 A CN115616403 A CN 115616403A CN 202211620993 A CN202211620993 A CN 202211620993A CN 115616403 A CN115616403 A CN 115616403A
Authority
CN
China
Prior art keywords
fault
signal
bearing
motor
characteristic frequency
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
CN202211620993.3A
Other languages
English (en)
Other versions
CN115616403B (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 CN202211620993.3A priority Critical patent/CN115616403B/zh
Publication of CN115616403A publication Critical patent/CN115616403A/zh
Application granted granted Critical
Publication of CN115616403B publication Critical patent/CN115616403B/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
    • H03H21/00—Adaptive networks
    • H03H21/0012—Digital adaptive filters
    • H03H21/0043—Adaptive algorithms

Abstract

本发明公开了一种永磁同步电机轴承故障初期诊断方法，将采集的工况信号作为自适应预测滤波器的输入，分别进行0~M阶自适应滤波，得到M个第一输出信号；对每个所述第一输出信号进行与故障特征相关的多参数计算，对计算出的多参数进行加权计算得到故障信息因子，选取故障信息因子最大时的第一输出信号作为最佳故障信号，对其进行包络谱分析，分析信号中的实际故障特征频率值，通过与理论故障特征频率值进行对比，完成故障诊断以及类型判别。同时，本发明还提供一种永磁同步电机轴承故障初期诊断装置以及存储介质。本发明不要额外安装振动传感器，降低了检测系统的成本，同时，采集的信号信噪比高，可实现故障的快速精准检测和诊断。

Description

永磁同步电机轴承故障初期诊断方法、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，具体涉及一种永磁同步电机轴承故障初期诊断方法、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永磁同步电机轴承故障初期诊断方法、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永磁同步电机轴承故障初期诊断方法、装置及存储介质，采用电机运行时的电机转速信号或电机转矩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。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，此外，信号采集不需要设备停机，可实现电机故障的在线监测和诊断。
为实现上述目的，本发明的技术方案为：
一种永磁同步电机轴承故障初期诊断方法，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；
S2：获取电机运行时的工况信号，根据所述理论故障特征频率值和所述工况信号的采样频率计算预测自适应滤波的最大预测阶数M，构建0~M阶的自适应预测滤波器；
S3：将采集的工况信号作为所述自适应预测滤波器的输入，分别进行0~M阶预测滤波，得到M个第一输出信号；
S4：对每个所述第一输出信号进行与故障特征相关的多参数计算，对计算出的多参数进行加权计算得到故障信息因子，选取故障信息因子最大时的第一输出信号作为故障信号；
S5：对选取后的故障信号进行包络谱分析，分析信号中的实际故障特征频率值，通过与理论故障特征频率值进行对比，完成故障诊断以及类型判别。
优选的，所述工况信号为电机转速信号或者转矩电流信号，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，获取电机转子位置信息，通过对转子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 313946DEST_PATH_IMAGE001
：
Figure 696998DEST_PATH_IMAGE002
式中，f r 为转速基频，
Figure 945577DEST_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 75207DEST_PATH_IMAGE004
式中，N B 为轴承滚珠的个数，D b 为轴承滚珠的直径，D p 为轴承节圆的直径；
Figure 624000DEST_PATH_IMAGE005
为轴承接触角。
优选的，自适应预测滤波器的最大预测阶数M的计算公式为：
Figure 180883DEST_PATH_IMAGE006
，式中，f s 为采样频率。
优选的，所述滤波器中，预测误差f m (n)表示为：
Figure 182337DEST_PATH_IMAGE007
式中，x(n)表示输入的工况信号，x m (n)表示信号的预测样本；
Figure 115658DEST_PATH_IMAGE008
式中，a m 表示权重向量， T表示向量转置，m、n、i为常数。
优选的，所述滤波器的权重向量a m 的取值，采用Levinson-Durbin算法计算得出，为了达到最佳的预测效果，需要对权重向量a m 进行优化，其最优值通过最小化函数求得，最小化函数表示为：
Figure 253379DEST_PATH_IMAGE009
，式中，e为数学期望。
优选的，所述步骤S4包括如下步骤：
S41：对每个所述第一输出信号进行与故障特征相关的多参数计算，多参数计算过程包括：
有效值
Figure 981163DEST_PATH_IMAGE010
计算，其数学表达式为：
Figure 469913DEST_PATH_IMAGE011
式中，N为信号长度；
峭度因子K计算，其数学表达式为：
Figure 941346DEST_PATH_IMAGE012
式中，
Figure 199152DEST_PATH_IMAGE013
表示信号的峭度值；
自相关系数P xx ，其数学表达式为：
Figure 363417DEST_PATH_IMAGE014
式中，x为滤波前的原始数据序列，
Figure 339463DEST_PATH_IMAGE015
为经过M阶滤波后的数据序列， 分别为两个序列的标准差，cov为两个序列的协方差；
互相关系数P xy ，其数学表达式为：
Figure 349008DEST_PATH_IMAGE016
式中，y为滤波前的正常轴承下的数据序列，
Figure 726899DEST_PATH_IMAGE015
为经过M阶滤波后的数据序列，
Figure 530907DEST_PATH_IMAGE017
分别为两个序列的标准差，cov为两个序列的协方差；
S42:故障信息因子E的计算过程表示为：
Figure 994250DEST_PATH_IMAGE018
加权故障信息因子的计算过程表示为：
Figure 807485DEST_PATH_IMAGE019
式中，M ei 为加权故障信息因子，E i 为经过i阶滤波后信号的故障信息因子；
S43：选取M ei 最大时的预测阶数为最佳滤波阶数，选取M ei 最大时的第一输出信号作为最佳故障信号。
本发明还提供一种永磁同步电机轴承故障初期诊断装置，包括：
预处理模块：计算电机轴承不同部件发生故障时的理论故障特征频率；
模型构建模块：获取电机运行时的工况信号，根据所述理论故障特征频率值和所述工况信号的采样频率计算预测自适应滤波的最大预测阶数M，构建0~M阶的自适应预测滤波器；
滤波模块：将采集的工况信号作为所述自适应预测滤波器的输入，分别进行0~M阶预测滤波，得到M个第一输出信号；
计算模块：对每个所述第一输出信号进行与故障特征相关的多参数计算，对计算出的多参数进行加权计算得到故障信息因子，选取故障信息因子最大时的第一输出信号作为故障信号；
判别模块：对选取后的故障信号进行包络谱分析，分析信号中的实际故障特征频率值，通过与理论故障特征频率值进行对比，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永磁同步电机轴承故障初期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）采用自适应预测滤波器进行故障信号的处理，可以根据故障信号的特点来自适应选择包含故障信息最多的滤波信号，无需对信号进行复杂变换，同时能够保留原始故障信息，能够实现故障信息的快速提取以进行故障诊断以及类型判别；
（3）本专利提出的方法不仅仅能够解决电机轴承故障的诊断，可以同样适用于其他类型的机械故障以及电气故障，具有较好的通用性。
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为本发明提供的永磁同步电机轴承故障初期诊断方法的步骤流程图；
图2为电机控制以及信号采集原理图；
图3为m阶滤波器理论框图；
图4为实施例一中滤波前的轴承外圈故障时的转速信号频谱图；
图5为实施例一中滤波后的轴承外圈故障时的转速信号包络谱图；
图6为实施例一中滤波前的轴承内圈故障时的转速信号频谱图；
图7为实施例一中滤波后的轴承内圈故障时的转速信号包络谱图；
图8为实施例一中滤波前的轴承滚珠故障时的转速信号频谱图；
图9为实施例一中滤波后的轴承滚珠故障时的转速信号包络谱图；
图10为实施例二中正常轴承时的转矩电流信号频谱图；
图11为实施例二中正常轴承时的转矩电流信号包络谱图；
图12为实施例二中滤波前的轴承外圈故障时的转矩电流信号频谱图；
图13为实施例二中滤波后的轴承外圈故障时的转矩电流信号包络谱图；
图14为实施例二中滤波前的轴承内圈故障时的转矩电流信号频谱图；
图15为实施例二中滤波后的轴承内圈故障时的转矩电流信号包络谱图。
图16为实施例二中滤波前的轴承滚珠故障时的转矩电流信号频谱图；
图17为实施例二中滤波后的轴承滚珠故障时的转矩电流信号包络谱图。
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1-17，本发明提供一种永磁同步电机轴承故障初期诊断方法，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。
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的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
Figure 39883DEST_PATH_IMAGE020
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 545951DEST_PATH_IMAGE021
：
Figure 231010DEST_PATH_IMAGE022
式中，f r 为转速基频，
Figure 847936DEST_PATH_IMAGE023
，nz表示的是电机平均转速；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 934841DEST_PATH_IMAGE024
式中，N B 为轴承中轴承滚珠的个数，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，根据所述理论故障特征频率值和所述工况信号的采样频率计算预测自适应滤波的最大预测阶数M，构建0~M阶的自适应预测滤波器。
所述工况信号包括转速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，进而导致电机转速及转矩电流发生变化。因此通过转速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 611810DEST_PATH_IMAGE025
式中，
Figure 784165DEST_PATH_IMAGE026
为电机的实际转速，
Figure 673624DEST_PATH_IMAGE027
为电机实际转速的常值项，
Figure 883544DEST_PATH_IMAGE028
为轴承故障引起的转矩波动幅值，
Figure 731414DEST_PATH_IMAGE029
为常数，
Figure 391066DEST_PATH_IMAGE030
为采样时间，
Figure 349794DEST_PATH_IMAGE031
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 145712DEST_PATH_IMAGE031
与
Figure 164484DEST_PATH_IMAGE021
保持一致。
故障发生时，电机转矩电流表示为：
Figure 311431DEST_PATH_IMAGE032
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 73851DEST_PATH_IMAGE031
与
Figure 989854DEST_PATH_IMAGE021
保持一致。
综合上述分析，通过采集转速信号及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2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 913948DEST_PATH_IMAGE033
为参考角速度；
Figure 548192DEST_PATH_IMAGE034
为反馈角速度；
Figure 583144DEST_PATH_IMAGE035
为参考交轴电流；
Figure 619233DEST_PATH_IMAGE036
为反馈交轴电流；
Figure 714228DEST_PATH_IMAGE037
为参考直轴电流；
Figure 835768DEST_PATH_IMAGE038
为反馈直轴电流；
Figure 939990DEST_PATH_IMAGE039
为参考交轴电压；
Figure 565006DEST_PATH_IMAGE040
为参考直轴电压；
Figure 96482DEST_PATH_IMAGE041
为三相电流；
Figure 439738DEST_PATH_IMAGE042
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 82072DEST_PATH_IMAGE043
为park变换；
Figure 827174DEST_PATH_IMAGE044
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。
图3为设计的m阶滤波器的理论框图。
所述滤波器的预测阶数m应该要小于两个连续故障脉冲的间隔，因此最大预测阶数M的计算公式为：
Figure 529551DEST_PATH_IMAGE045
，式中，f s 为采样频率。
通过所述滤波器可以以所述工况信号x(n)的过去样本的线性组合来估计当前样本，得到预测信号x m (n)，然后将x m (n)从信号x(n)中去除，得到预测误差f m (n)，函数式表示为：
Figure 360104DEST_PATH_IMAGE046
Figure 806129DEST_PATH_IMAGE047
式中，a m 表示滤波器的权重向量，上标T表示向量转置，m、n、i为常数。
S3：将采集的工况信号作为所述自适应预测滤波器的输入，分别进行0~M阶预测滤波，得到M个第一输出信号。
对于滤波器，要想得到最佳的预测效果，权值向量a m 和预测阶数m的取值对滤波效果产生较大的影响，其取值应该根据信号的自身特征进行自适应选择。
对于权值向量a m 的取值，采用Levinson-Durbin算法计算得出，为了达到最佳的预测效果，需要对权重向量a m 进行优化，其最优值通过最小化函数求得，最小化函数表示为：
Figure 140158DEST_PATH_IMAGE048
式中，e为数学期望；
S4：对每个所述第一输出信号进行与故障特征相关的多参数计算，对计算出的多参数进行加权计算得到故障信息因子，选取故障信息因子最大时的第一输出信号作为故障信号。
对于预测阶数m的取值，为了尽可能的使预测误差f m (n)只包含故障信息，对不同阶数下的预测误差进行故障信息因子的计算。故障信息因子是结合不同的信号故障特征参数计算得到的。计算预测阶数从1到M时滤波后信号的故障信息因子，记录故障信息因子最大时的预测阶数，该预测阶数即为最佳滤波效果的预测阶数。即预测阶数m的取值为一个迭代计算的过程：从m=1开始，进行1阶的自适应滤波，然后判断m是否不小于最大预测阶数M，若是，则执行后续步骤；若否，则令m=2，进行2阶的自适应滤波，然后判断m是否不小于最大预测阶数M，若是，则执行后续步骤；若否，则令m=3，进行3阶的自适应滤波…依次迭代，直至m=M；分别计算滤波后工况信号的故障信息因子，得到多个不同大小的故障信息因子，记录故障信息因子最大时的预测阶数，该预测阶数即为最佳滤波效果的预测阶数。
所述自适应预测滤波器的阶数m的取值，采用对每一阶的第一输出信号进行多参数加权计算得到故障信息因子，选定故障信息因子最大时对应的阶数进行分析。
具体的，所述步骤S4包括如下步骤：
S41:对每个所述第一输出信号进行与故障特征相关的多参数计算，多参数计算过程包括：
有效值
Figure 13436DEST_PATH_IMAGE049
计算，其数学表达式为：
Figure 331285DEST_PATH_IMAGE050
，式中，N为信号长度；
峭度因子K计算，其数学表达式为：
Figure 315422DEST_PATH_IMAGE051
，式中，
Figure 35116DEST_PATH_IMAGE052
表示信号的峭度值；
自相关系数P xx ，其数学表达式为：
Figure 810786DEST_PATH_IMAGE053
式中，x为滤波前的原始数据序列，x M为经过M阶滤波后的数据序列，
Figure 615931DEST_PATH_IMAGE054
为两个序列的标准差，cov为两个序列的协方差。
互相关系数P xy ，其数学表达式为：
Figure 403759DEST_PATH_IMAGE055
式中，y为滤波前的正常轴承下的数据序列，x M为经过M阶滤波后的数据序列，
Figure 977960DEST_PATH_IMAGE054
为两个序列的标准差，cov为两个序列的协方差。
S42:对计算后的参数，进行加权计算，计算过程如下：
Figure 193040DEST_PATH_IMAGE056
式中E为故障信息因子；
加权故障信息因子的计算过程如下：
式中，M ei 为加权故障信息因子，E i 为经过i阶滤波后信号的故障信息因子，M为最大滤波阶数。
S43：选取M ei 最大时的预测阶数为最佳滤波阶数，选取M ei 最大时的第一输出信号作为最佳故障信号。
S5：对选取后的故障信号进行包络谱分析，分析信号中的实际故障特征频率值，通过与理论故障特征频率值进行对比，完成故障诊断以及类型判别。
采用6305型号轴承的电机，分别采集转速信号及转矩电流信号进行本发明提供的诊断方法，得到实施例一及实施例二。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为0，因此
Figure 954323DEST_PATH_IMAGE057
=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 545841DEST_PATH_IMAGE058
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。
对轴承外圈故障下的转速信号进行频谱分析，得到转速频谱图如图4所示，通过分析结果可知，转速频谱图中主要以转速基频成分以及倍频成分为主，导致轴承故障特征频率被抑制。利用自适应预测滤波器对轴承外圈故障时的转速信号进行处理，得到故障信息因子为15.31，对应的预测阶数为21阶，利用包络谱对预测误差进行分析，得到包络谱如图5所示。通过对两个结果图进行对比，处理后的信号包络图中，故障特征频率变得突出，其他成分得到抑制，信噪比提高了29.91%。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，检测精度为99.86%。
对轴承内圈故障下的转速信号处理进行频谱分析，得到转速频谱图如图6所示，通过分析结果可知，转速频谱图主要以转速基频成分及其倍频成分为主，导致轴承故障特征频率被抑制。利用自适应预测滤波器对轴承内圈故障时的转速信号进行处理，得到故障信息因子为13.89，对应的预测阶数为9阶，利用包络谱对预测误差进行分析，得到包络谱如图7所示。通过对两个结果图进行对比，处理后的信号包络图中，故障特征频率变得突出，其他成分得到抑制，信噪比提高了58.71%。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，得到的检测精度为99.81%。
对轴承滚珠故障下的转速信号处理进行频谱分析，得到转速频谱图如图8所示，通过分析结果可知，转速频谱图主要以转速基频成分及其倍频成分为主，导致轴承故障特征频率被抑制。利用自适应预测滤波器对轴承内圈故障时的转速信号进行处理，得到故障信息因子为15.62，对应的预测阶数为12阶，利用包络谱对预测误差进行分析，得到包络谱如图9所示。通过对两个结果图进行对比，处理后的信号包络图中，故障特征频率变得突出，其他成分得到抑制，信噪比提高了88.22%。通过与理论故障特征频率二倍频60.12Hz相比，实际的故障特征频率的二倍频59.00Hz十分接近，实现了轴承滚珠故障的诊断。通过多次重复试验，得到的检测精度为98.31%。
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，实现了永磁同步电机轴承外圈、轴承内圈及轴承滚珠故障下的故障诊断。
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。
为了方便对比，首先对正常轴承下的转矩电流信号进行频谱以及包络谱分析，分析结果如图10及图11所示。由分析结果可知，转矩信号频谱中不仅包含着转速信息，同时包含着电流谐波信息，实验所用的电机为5对级的永磁同步电机，因此电机的电频率f e 为5倍的转动频率f r 。然后对电机的电机转矩电流信号采用本发明提供的自适应预测滤波器进行滤波后，再进行包络谱分析，周期性的转速信息与电流信息被去除，但是由于电机齿槽转矩、三相不平衡等因素影响，电流中还存在一些谐波成分，从信号角度而言，这部分信号与故障信息相似，属于非周期性的脉冲谐波。
对轴承外圈故障下的转矩电流信号进行频谱分析，得到信号频谱图如图12所示，转矩电流频谱中不仅包含着电流基频以及倍频成分，同时还含有与转动频率相关的频率成分，导致轴承故障特征频率被抑制。利用本发明提供的自适应预测滤波器对轴承外圈故障时的电机转矩电流信号进行处理，得到预测误差最大故障信息因子为17.65，对应阶数为195阶，然后对预测误差进行包络谱分析，得到包络谱如图13所示。通过对两个结果图进行对比，处理后的信号包络图中，故障特征频率变得突出，其他成分被得到抑制，信噪比提高了72.02%。故障特征频率为43.27Hz，与理论障特征频率相近，实现了轴承外圈故障的诊断。通过多次重复试验，得到的检测精度为99.93%。
对轴承内圈故障下的电机转矩电流信号进行频谱分析，得到信号频谱图如图14所示，转矩电流频谱中不仅包含着电流基频以及倍频成分，同时还含有与转动频率相关的频率成分，导致轴承故障特征频率被抑制。利用本发明提供的自适应预测滤波器对轴承内圈故障时的转矩电流信号进行处理，得到预测误差故障信息因子为23.62，对应的阶数为200阶，然后对预测误差进行包络谱分析，得到包络谱如图15所示。通过对两个结果图进行对比，处理后的信号包络图中，故障特征频率变得突出，其他成分被得到抑制，信噪比提高了73.96%。故障特征频率为73.29Hz，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，得到的检测精度为99.82%。
对轴承滚珠故障下的转矩电流信号处理进行频谱分析，得到转速频谱图如图16所示，通过分析结果可知，频谱图主要以转速基频成分及其倍频成分为主，导致轴承故障特征频率被抑制。利用本发明提供的自适应预测滤波器对轴承滚珠故障时的转矩电流信号进行处理，得到故障信息因子为18.62，对应的预测阶数为28阶，利用包络谱对预测误差进行分析，得到包络谱如图17所示。通过对两个结果图进行对比，处理后的信号包络图中，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%。通过与理论故障特征频率二倍频60.12Hz相比，实际的故障特征频率的二倍频59.08Hz十分接近，实现了轴承滚珠故障的诊断。通过多次重复试验，得到的检测精度为98.80%。
本发明还提供一种永磁同步电机轴承故障初期诊断装置，包括：
预处理模块：计算电机轴承不同部件发生故障时的理论故障特征频率；
模型构建模块：获取电机运行时的工况信号，根据所述理论故障特征频率值和所述工况信号的采样频率计算线性预测最大预测阶数M，构建0~M阶的自适应预测滤波器；
滤波模块：将采集的工况信号作为所述自适应预测滤波器的输入，分别进行0~M阶线性预测滤波，得到M个第一输出信号；
计算模块：对每个所述第一输出信号进行与故障特征相关的多参数计算，对计算出的多参数进行加权计算得到故障信息因子，选取故障信息因子最大时的第一输出信号作为故障信号；
判别模块：对选取后的故障信号进行包络谱分析，分析信号中的实际故障特征频率值，通过与理论故障特征频率值进行对比，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永磁同步电机轴承故障初期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）采用自适应预测滤波器进行故障信号的处理，可以根据故障信号的特点来自适应选择包含故障信息最多的滤波信号，无需对信号进行复杂变换，同时能够保留原始故障信息，能够实现故障信息的快速提取以进行故障诊断以及类型判别；
（3）本专利提出的方法不仅仅能够解决电机轴承故障的诊断，可以同样适用于其他类型的机械故障以及电气故障，具有较好的通用性。
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 (9)

1.一种永磁同步电机轴承故障初期诊断方法，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；
S2：获取电机运行时的工况信号，根据所述理论故障特征频率值和所述工况信号的采样频率计算预测自适应滤波的最大预测阶数M，构建0~M阶的自适应预测滤波器；
S3：将采集的工况信号作为所述自适应预测滤波器的输入，分别进行0~M阶预测滤波，得到M个第一输出信号；
S4：对每个所述第一输出信号进行与故障特征相关的多参数计算，对计算出的多参数进行加权计算得到故障信息因子，选取故障信息因子最大时的第一输出信号作为故障信号；
S5：对选取后的故障信号进行包络谱分析，分析信号中的实际故障特征频率值，通过与理论故障特征频率值进行对比，完成故障诊断以及类型判别。
2.根据权利要求1所述的永磁同步电机轴承故障初期诊断方法，其特征在于，所述工况信号为电机转速信号或者转矩电流信号，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，获取电机转子位置信息，通过对转子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的实时采样。
3.根据权利要求1所述的永磁同步电机轴承故障初期诊断方法，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 157339DEST_PATH_IMAGE001
：
Figure 647226DEST_PATH_IMAGE002
式中，f r 为转速基频，
Figure 177565DEST_PATH_IMAGE003
，nz为是电机平均转速；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 727495DEST_PATH_IMAGE004
式中，N B 为轴承滚珠的个数，D b 为轴承滚珠的直径，D p 为轴承节圆的直径；
Figure 77705DEST_PATH_IMAGE005
为轴承接触角。
4.根据权利要求3所述的永磁同步电机轴承故障初期诊断方法，其特征在于，自适应预测滤波器的最大预测阶数M的计算公式为：
Figure 574545DEST_PATH_IMAGE006
，式中，f s 为采样频率。
5.根据权利要求4所述的永磁同步电机轴承故障初期诊断方法，其特征在于，所述滤波器中，预测误差f m (n)表示为：
Figure 21707DEST_PATH_IMAGE007
式中，x(n)表示输入的工况信号，x m (n)表示信号的预测样本；
Figure 680221DEST_PATH_IMAGE008
式中，a m 表示权重向量，T表示向量转置，m、n、i为常数。
6.根据权利要求5所述的永磁同步电机轴承故障初期诊断方法，其特征在于，所述滤波器的权重向量a m 的取值，采用Levinson-Durbin算法计算得出，为了达到最佳的预测效果，需要对权重向量a m 进行优化，其最优值通过最小化函数求得，最小化函数表示为：
Figure 845624DEST_PATH_IMAGE009
，式中，e为数学期望。
7.根据权利要求6所述的永磁同步电机轴承故障初期诊断方法，其特征在于，所述步骤S4包括如下步骤：
S41：对每个所述第一输出信号进行与故障特征相关的多参数计算，多参数计算过程包括：
有效值
Figure 880576DEST_PATH_IMAGE010
计算，其数学表达式为：
Figure 119927DEST_PATH_IMAGE011
式中，N为信号长度；
峭度因子K计算，其数学表达式为：
Figure 11660DEST_PATH_IMAGE012
式中，
Figure 336462DEST_PATH_IMAGE013
表示信号的峭度值；
自相关系数P xx ，其数学表达式为：
Figure 971843DEST_PATH_IMAGE014
式中，x为滤波前的原始数据序列，
Figure 596859DEST_PATH_IMAGE015
为经过M阶滤波后的数据序列，
Figure 597176DEST_PATH_IMAGE016
分别为两个序列的标准差，cov为两个序列的协方差；
互相关系数P xy ，其数学表达式为：
Figure 471591DEST_PATH_IMAGE017
式中，y为滤波前的正常轴承下的数据序列，
Figure 582767DEST_PATH_IMAGE015
为经过M阶滤波后的数据序列，
Figure 859027DEST_PATH_IMAGE016
分别为两个序列的标准差，cov为两个序列的协方差；
S42:故障信息因子E的计算过程表示为：
Figure 30245DEST_PATH_IMAGE018
加权故障信息因子的计算过程表示为：
Figure 595219DEST_PATH_IMAGE019
式中，M ei 为加权故障信息因子，E i 为经过i阶滤波后信号的故障信息因子；
S43：选取M ei 最大时的预测阶数为最佳滤波阶数，选取M ei 最大时的第一输出信号作为最佳故障信号。
8.一种永磁同步电机轴承故障初期诊断装置，其特征在于，包括：
预处理模块：计算电机轴承不同部件发生故障时的理论故障特征频率；
模型构建模块：获取电机运行时的工况信号，根据所述理论故障特征频率值和所述工况信号的采样频率计算预测自适应滤波的最大预测阶数M，构建0~M阶的自适应预测滤波器；
滤波模块：将采集的工况信号作为所述自适应预测滤波器的输入，分别进行0~M阶预测滤波，得到M个第一输出信号；
计算模块：对每个所述第一输出信号进行与故障特征相关的多参数计算，对计算出的多参数进行加权计算得到故障信息因子，选取故障信息因子最大时的第一输出信号作为故障信号；
判别模块：对选取后的故障信号进行包络谱分析，分析信号中的实际故障特征频率值，通过与理论故障特征频率值进行对比，完成故障诊断以及类型判别。
9.一种存储介质，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1-7中任意一项所述的永磁同步电机轴承故障初期诊断方法的计算机程序。
CN202211620993.3A 2022-12-13 2022-12-13 永磁同步电机轴承故障初期诊断方法、装置及存储介质 Active CN115616403B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211620993.3A CN115616403B (zh) 2022-12-13 2022-12-13 永磁同步电机轴承故障初期诊断方法、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211620993.3A CN115616403B (zh) 2022-12-13 2022-12-13 永磁同步电机轴承故障初期诊断方法、装置及存储介质

Publications (2)

Publication Number Publication Date
CN115616403A true CN115616403A (zh) 2023-01-17
CN115616403B CN115616403B (zh) 2023-03-10

Family

ID=84879618

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211620993.3A Active CN115616403B (zh) 2022-12-13 2022-12-13 永磁同步电机轴承故障初期诊断方法、装置及存储介质

Country Status (1)

Country Link
CN (1) CN115616403B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101034038A (zh) * 2007-03-28 2007-09-12 华北电力大学 异步电动机轴承故障检测方法
CN104655423A (zh) * 2013-11-19 2015-05-27 北京交通大学 一种基于时频域多维振动特征融合的滚动轴承故障诊断方法
CN105629167A (zh) * 2014-10-25 2016-06-01 陕西高新能源发展有限公司 一种异步电机故障检测系统
CN107560851A (zh) * 2017-08-28 2018-01-09 合肥工业大学 滚动轴承微弱故障特征早期提取方法
WO2020078132A1 (zh) * 2018-10-15 2020-04-23 株洲中车时代电气股份有限公司 一种电机轴承故障诊断装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101034038A (zh) * 2007-03-28 2007-09-12 华北电力大学 异步电动机轴承故障检测方法
CN104655423A (zh) * 2013-11-19 2015-05-27 北京交通大学 一种基于时频域多维振动特征融合的滚动轴承故障诊断方法
CN105629167A (zh) * 2014-10-25 2016-06-01 陕西高新能源发展有限公司 一种异步电机故障检测系统
CN107560851A (zh) * 2017-08-28 2018-01-09 合肥工业大学 滚动轴承微弱故障特征早期提取方法
WO2020078132A1 (zh) * 2018-10-15 2020-04-23 株洲中车时代电气股份有限公司 一种电机轴承故障诊断装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
宿文才 等: "《基于ESMD和快速谱峭度的电机轴承故障诊断》" *

Also Published As

Publication number Publication date
CN115616403B (zh) 2023-03-10

Similar Documents

Publication Publication Date Title
Lu et al. Online fault diagnosis of motor bearing via stochastic-resonance-based adaptive filter in an embedded system
Li et al. New procedure for gear fault detection and diagnosis using instantaneous angular speed
CN115586441B (zh) 基于梳状滤波的电机故障诊断方法、装置及存储介质
Guo et al. Faulty bearing signal recovery from large noise using a hybrid method based on spectral kurtosis and ensemble empirical mode decomposition
Feng et al. A novel order spectrum-based Vold-Kalman filter bandwidth selection scheme for fault diagnosis of gearbox in offshore wind turbines
Liu et al. Naturally damaged wind turbine blade bearing fault detection using novel iterative nonlinear filter and morphological analysis
CN111238813B (zh) 一种强干扰下提取滚动轴承故障特征的方法
He et al. Feature extraction of gear and bearing compound faults based on vibration signal sparse decomposition
CN113340640B (zh) 旋转机械轴心轨迹提纯方法、装置、设备和存储介质
Guo et al. An enhanced modulation signal bispectrum analysis for bearing fault detection based on non-Gaussian noise suppression
Su et al. Fault diagnosis of rotating machinery based on wavelet domain denoising and metric distance
Rajagopalan et al. Wigner-Ville distributions for detection of rotor faults in brushless DC (BLDC) motors operating under non-stationary conditions
CN111307426A (zh) 一种基于FrFT-EWT原理的旋转机械故障特征提取方法
Li et al. Servo axis incipient degradation assessment of CNC machine tools using the built-in encoder
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
Afshar et al. Generalized roughness bearing fault diagnosis using time series analysis and gradient boosted tree
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
Chen et al. A time-varying instantaneous frequency fault features extraction method of rolling bearing under variable speed
Henry et al. Prism signal processing for machine condition monitoring II: Experimental data and fault detection
Feng et al. Filter realization of the time-domain average denoising method for a mechanical signal
Yaqub et al. Envelope-wavelet packet transform for machine condition monitoring
Yu Early fault detection for gear shaft and planetary gear based on wavelet and hidden Markov modeling
CN113358212B (zh) 基于相对谐阶次的机电故障诊断方法、系统及建模方法
El-Mongy Feature extraction enhancement based on parameterless empirical wavelet transform: Application to bearing fault diagnosis
CN117491866A (zh) 电驱动系统旋转机械部件的非侵入式故障诊断方法及系统

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