CN115769160A - 监测电机的方法 - Google Patents

Abstract

一种监测电机的方法，其中该方法包括：a)获得该电机的多个位置处的该温度的温度测量值，b)获得由该电机的热模型给出的所述多个位置处的估计温度，该热模型包括初始权重参数值，c)通过寻找最优权重参数值来最小化该温度测量值和该估计温度之间的差，d)存储该初始权重参数值，从而获得已用权重参数值的存储，并且将该最优权重参数值更新为新的初始权重参数值，并且在该电机操作期间反复重复步骤a)‑d)。

Description

监测电机的方法

技术领域

本公开总体上涉及电机。

背景技术

热模型用于预测电机中的温度分布。目前有几种热模拟方法用于估计温度分布。这些包括有限元和计算流体动力学热模型和集总参数热网络(LPTN)模型。由于固有的简单性和快速的计算时间，LPTN模型是优选的。

在LPTN中，通过使用包括热阻、热容和热源的等效电路来估计电机中的热流和温度的分布。几何形状和材料特性用于在设计阶段导出热参数。

Sciascera等人的出版物“Analytical Thermal Model for Fast StatorWinding Temperature Prediction(用于快速定子绕组温度预测的分析热模型)”，IEEE工业电子学汇刊，第64卷，第8期，2017年8月，公开了一种预测电机绕组温度的热建模技术。首先实现七节点热模型。公开了由于材料特性、制造公差、组装过程以及与其他驱动系统部件的相互作用的不确定性而微调模型的关键参数的经验程序。调谐过程涉及1)绕组温度曲线的实验采集，2)定义表示LPTN预测和实验曲线之间误差的目标函数，以及3)寻找一组使目标函数最小的最优校正因子。然后用等效的三节点网络实现七节点热网络的简化。

发明内容

本发明人已经发现，预期的估计温度明显不同于现场测量的温度。分析模型的准确性是毋庸置疑的，因为在开发和验证阶段进行了多次测试。然而，它的简化性质决定了等效电路参数用于表示热分布。有些参数仅由几何形状和材料特性决定，尽管操作条件会发生变化，但在机器的整个寿命期间保持不变。由于磨损或机器所处的环境条件，其他参数会在机器的整个寿命期间发生变化。不准确的热流和温度估计是由于忽视了分析模型参数的非静态性质。

鉴于以上所述，本公开的总体目的是提供一种监测电机的方法，该方法解决或至少减轻了现有技术的问题。

因此，根据本公开的第一方面，提供了一种监测电机的方法，其中该方法包括：a)获得电机的多个位置处的温度的温度测量值，b)获得由电机的热模型给出的所述多个位置处的估计温度，该热模型包括初始权重参数值，c)通过寻找最优权重参数值来最小化温度测量值和估计温度之间的差，d)存储初始权重参数值，从而获得已用权重参数值的存储，并且将最优权重参数值更新为新的初始权重参数值，并且在电机操作期间反复重复步骤a)-d)。

在本公开的上下文中，术语“在(电机的)操作期间”被解释为指相对长的时间段，使得热模型中的一些电路参数的值可以被认为由于例如电机的磨损或环境条件而已经改变。此类时间周期至少在几周或几个月的数量级，并且在许多情况下在几年的数量级。热模型因此被更新以随着时间的推移保持靠近电机的实际热特性。因此，可以在电机的寿命期间更精确地进行温度估计。

电机可以是马达或发电机。

一个实施例包括将最优权重参数值与初始权重参数值或已用权重参数值进行比较，并且基于比较结果检测电机性能变化或电机故障是否已经发生。

每个最优权重参数值有利地与对应的初始权重参数值或对应的已用权重参数值进行比较。

根据一个实施例，该检测涉及在最优权重参数值中的一个偏离其对应的初始权重参数值或已用权重参数值超过预定量的情况下，检测电机性能变化或电机故障。

因此，可以提供关于电机性能或电机故障的电机诊断。

电机性能可能例如受到材料相关问题的影响，诸如由于热应力或由于外部部件(诸如热交换器中的)的异常、由于电机框架上堆积的灰尘或影响电机热行为的环境变化而导致的绕组绝缘的某种退化。

电机故障诸如可以是与材料相关的故障，诸如绕组绝缘击穿导致转子或定子绕组中的匝间短路。

一个实施例包括用于基于偏离最优权重参数值确定电机性能变化或电机故障的原因。

权重参数值，即初始权重参数值、已用权重参数值和最优权重参数值，是形成热模型，并且描述电机热行为的方程组的常数。经由检测哪个常数偏离，可以确定对应的热阻抗或功率损耗注入位置，从而确定故障的类型和位置。

根据一个实施例，权重参数值被布置在形成相应校正矩阵的子集中。这里的“权重参数值”是指最优权重参数值、初始权重参数值或已用权重参数值中的任一者。

根据一个实施例，热模型是包括热容矩阵、热阻矩阵和功率损耗注入向量的矩阵方程，其中热容矩阵、热阻矩阵和功率损耗注入向量中的每一者都与校正矩阵中的相应的一个相乘。

根据一个实施例，热模型是集总参数热网络LPTN模型。

一个实施例包括使用具有新的初始权重参数值的热模型来监测电机。

根据本公开的第二方面，提供了一种包括计算机代码的计算机程序，当由监测设备的处理电路执行时，该计算机代码使得监测设备执行第一方面的方法。

根据本公开的第三方面，提供了一种用于监测电机的监测设备，该监测设备包括：包含计算机代码的存储介质，以及处理电路，其中当处理电路执行计算机代码时，该监测设备被配置为：a)获得电机的多个位置处的温度的温度测量值，b)获得由电机的热模型给出的所述多个位置处的估计温度，该热模型包括初始权重参数值，c)通过寻找最优权重参数值来最小化温度测量值和估计温度之间的差，d)存储初始权重参数值，从而获得使用过的权重参数值的存储，并且将最优权重参数值更新为新的初始权重参数值，并且在电机操作期间反复重复步骤a)-d)。

根据一个实施例，处理电路将最优权重参数值与初始权重参数值或已用权重参数值进行比较，并且基于比较结果检测电机性能是否发生变化或电机是否发生故障。

根据一个实施例，该检测涉及在最优权重参数值中的一个偏离其对应的初始权重参数值或已用权重参数值超过预定量的情况下，检测电机性能变化或电机故障。

根据一个实施例，处理电路被配置为用于基于偏离最优权重参数值来确定电机性能变化或电机故障的原因。

根据一个实施例，权重参数值被布置在形成相应校正矩阵的子集中。

根据一个实施例，热模型是包括热容矩阵、热阻矩阵和功率损耗注入向量的矩阵方程，其中热容矩阵、热阻矩阵和功率损耗注入向量中的每一者都与校正矩阵中的相应的一个相乘。

根据一个实施例，热模型是集总参数热网络LPTN模型。

一般来说，权利要求中使用的所有术语将根据它们在技术领域中的普通含义来解释，除非本文中另有明确定义。除非另有明确说明，否则所有对“一/一个/该元件、装置、部件、器件等”的引用应被公开解释为指该元件、装置、部件、器件等的至少一个实例。

附图说明

现在将参考附图通过示例的方式描述本发明概念的具体实施例，在附图中：

图1示意性地示出了用于监测电机的监测设备的示例；

图2示出了电机的简化LPTN的示例；以及

图3是借助于图1中的监测设备监测电机的方法的流程图。

具体实施方式

现在将在下文中参考附图更全面地描述本发明的概念，附图中示出了示例性实施例。然而，本公开的概念可以以许多不同的形式实施，并且不应被解释为限于本文阐述的实施例；而是，这些实施例是以示例的方式提供的，使得本公开将是彻底和完整的，并且将向本领域技术人员充分传达本公开概念的范围。在整个描述中，相同的附图标记指代相同的元件。

图1描绘了监测设备1的示例的框图。监测设备1被配置为监测电机的条件和/或性能。电机可以是马达或发电机。

电机包括多个温度传感器，该多个温度传感器被配置为测量电机的多个不同位置中的相应一个位置的温度。温度传感器可以例如被配置为检测定子绕组、转子绕组、转子表面和/或定子底盘的温度。

监测设备1包括输入单元2，该输入单元被配置为从温度传感器接收温度测量值。监测设备1可以被配置为通过无线、有线或无线和有线通信的组合来接收温度测量值。

监测设备1包括被配置为从输入单元2接收温度测量值的处理电路5。监测设备1可以包括存储介质7。

存储介质7可以包括计算机程序，该计算机程序包括计算机代码，该计算机代码当由处理电路7执行时使得监测设备1执行本文公开的方法。

处理电路5可以例如使用一个或多个合适的中央处理单元(CPU)、多处理器、微控制器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)等的任意组合，能够执行本文公开的关于电机监测的任何操作。

该方法涉及借助于电机的热模型来估计温度传感器测量温度的多个位置处的温度。该方法进一步涉及通过调整热模型来最小化估计温度和温度测量值之间的差，这将在下面详细描述。

存储介质7可以例如被实现为存储器，诸如随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM)或电可擦除可编程只读存储器(EEPROM)并且更特别地，被实现为外部存储器中的设备的非易失性存储介质，诸如USB(通用串行总线)存储器或快闪存储器，诸如紧凑型快闪存储器。

图2示出了电机的热模型9的示例。为了清楚起见，所描绘的热模型9是简化的热模型。热模型9是LPTN模型。

热模型9模拟电机中的热流和温度分布。此建模是通过等效热电路来完成的，该等效热电路包括热阻抗和功率损耗注入Ploss。功率损耗在热模型中表现为热源，本文术语功率损耗注入和术语热源可以互换使用。热阻抗可以是热阻R和热容C。

热阻R可以例如模拟通过自然对流的热耗散，或通过传导的热流。热容C模拟电机的各部分或零件的热质量。热容C可以计算为电机的部分或零件的材料的质量和比热容的乘积。

热阻R和热容C的选择最初可以在设计阶段基于电机的几何形状和所用材料的特性来确定。

热模型9由多个部段形成。热模型9包括转子模型部段9a、气隙模型部段9b、齿/定子绕组模型部段9c、定子模型部段9d和外部空气模型部段9e。

热模型9包括多个点或节点11。示例的热模型9是九节点电路，但是替代地可以根据例如被建模的电机的类型包括不同数量的节点。

热模型9可以由矩阵方程表示：

其中T是描述LPTN中节点11处温度的温度向量，并且P是包括每个节点11中功率损耗注入Ploss的功率损耗注入向量。R是表示热阻R的矩阵，因此是热阻矩阵。C是表示热容C的矩阵，因此是热容矩阵。α、β和γ是矩阵形式的权重参数。权重参数α、β和γ是校正矩阵。最初，权重参数α、β和γ例如可以是单位矩阵。矩阵α、β和γ的元素在本文被称为权重参数值。权重参数α乘以热阻矩阵R，权重参数γ乘以功率损耗注入向量P，权重参数β乘以热容矩阵C。

参考图3，现在将描述借助于监测设备1监测电机的方法。

在步骤a)中，获得电机的多个位置处的温度的温度测量值。温度测量值从位于电机上或电机中的温度传感器获得。

在步骤b)中，获得由电机的热模型给出的多个位置处的估计温度。在此方法的这一点上，权重参数α、β和γ的权重参数值在本文被称为初始权重参数值。

在步骤c)中，执行估计温度和对应温度测量值之间的差的最小化。最小化涉及寻找最优权重参数α、β和γ，以最小化估计温度和温度测量值之间的差。矩阵α、β和γ的元素，即权重参数值，因此可以被改变以寻找最优权重参数值，从而寻找最优权重参数α、β和γ，这最小化了由热模型9确定的估计温度和温度测量值之间的差。

步骤c)中执行的优化可以诸如使用标准优化例程(诸如迭代序列二次规划方法或机器学习)来执行。

在步骤d)中，存储初始权重参数值，以获得已用权重参数值的存储或存储集。初始权重参数值可以矩阵形式存储，即作为校正矩阵。因此，所已用权重参数值是矩阵形式的所使用的权重参数的元素，其是来自该方法的先前迭代的初始权重参数。所已用权重参数值还可以包括参考权重参数值，该参考权重参数值形成热模型9中的权重参数的一部分，该热模型9正确地描述了调试时(即当电机是新的时)电机的热行为。所使用的权重参数可以在步骤d)中存储在存储介质7中。

在步骤d)中，最优权重参数值被更新为新的初始权重参数。因此，最优权重参数值被设置为新的初始权重参数值。

在电机操作期间，例如在电机的其余寿命期间，反复重复步骤a)-d)。每次执行该方法时，先前的最优权重参数值是初始权重参数值并且在步骤c)中确定新的最优权重参数值，该新的最优权重参数值可以与先前的最优权重参数值相同或不同。

热模型9将因此保持与电机的热行为同步并且温度估计将因此随着时间推移而更加精确。

步骤a)-d)可以例如在从上次执行该方法起经过预定时间后重复。

根据一种变型，将最优权重参数值与初始权重参数值或已用权重参数值进行比较。将对应的最优权重参数值与对应的初始权重参数值或对应的已用权重参数值进行比较。因此，可以在最优权重参数矩阵的元素和对应的初始权重参数的对应元素或来自该方法的先前迭代的对应的已用权重参数的对应元素之间进行比较。

此步骤可以例如与步骤c)结合进行，在步骤c)之后但在步骤d)之前，或在步骤d)之后。

参考重量参数值是矩阵的元素，其中每个元素表示与由热模型9建模的健康电机相关联的参考值。

在此变型中，在最优权重参数α、β和γ中的一个最优权重参数值偏离其初始权重参数或已用权重参数的对应权重参数值超过预定量的情况下，检测到电机性能变化或电机故障。

根据一个示例，对于电机性能变化或电机故障的原因可以根据偏离的权重参数值来确定。因此，可以基于哪个元素或权重参数值或元素是偏离的权重参数值或元素和/或偏离量来确定原因。

该方法可能能够检测电机性能的缓慢变化和快速变化。例如，为了检测缓慢的变化，可以将最优权重参数值与对应的参考权重参数值进行比较，或与在电机寿命的早期阶段存储的对应的已用权重参数值进行比较。这些变化可能会慢慢积累，例如，由于电机上的灰尘慢慢堆积，或由于热交换器中的积垢，导致冷却劣化和温度升高。

例如，如果确定热模型已经更新了热阻矩阵的元素，即热阻矩阵的最优权重参数值，其描述了热量如何通过电机框架消散，则它可以给出电机的清洁是减轻升高的温度水平的期望动作的指示。

快速变化可以通过诸如在该方法的前一次迭代期间将最优权重参数值与对应的初始权重参数值进行比较，或与最近存储的对应的已用权重参数值进行比较来确定。

根据一个变型，重复步骤a)-c)之后的预定时间可以基于自该方法的前一次迭代以来矩阵α、β和γ的权重参数值已经改变的量来确定。例如，在一个或多个元素的大小已经改变但小于预定量的情况下，该方法可以更频繁地执行以更好地跟踪电机性能或条件的任何改变。

上面已经参考几个示例主要描述了本发明的概念。然而，如本领域技术人员容易理解的，在由所附权利要求限定的本发明概念的范围内，除了上面公开的实施例之外的其他实施例同样是可能的。

Claims (15)

1.一种监测电机的方法，其中所述方法包括：

a)获得所述电机的多个位置处的温度的温度测量值，

b)获得由所述电机的热模型(9)给出的所述多个位置处的估计温度，所述热模型(9)包括初始权重参数值，

c)通过寻找最优权重参数值来最小化所述温度测量值和所述估计温度之间的差，

d)存储所述初始权重参数值，从而获得已用权重参数值的存储，并且将所述最优权重参数值更新为新的初始权重参数值，以及

在所述电机操作期间反复重复步骤a)-d)。

2.根据权利要求1所述的方法，包括：将所述最优权重参数值与所述初始权重参数值或与所述已用权重参数值进行比较；以及

基于比较结果，检测电机性能变化或电机故障是否发生。

3.根据权利要求2所述的方法，其中所述检测涉及：在所述最优权重参数值中的一个最优权重参数值偏离其对应的初始权重参数值或已用权重参数值超过预定量的情况下，检测到电机性能变化或电机故障。

4.根据权利要求3所述的方法，包括：基于偏离的所述最优权重参数值，确定针对所述电机性能变化或电机故障的原因。

5.根据前述权利要求中任一项所述的方法，其中所述权重参数值被排列成形成相应校正矩阵的子集。

6.根据权利要求5所述的方法，其中所述热模型(9)是包括热容矩阵、热阻矩阵和功率损耗注入向量的矩阵方程，其中所述热容矩阵、所述热阻矩阵和所述功率损耗注入向量中的每一项都与所述校正矩阵中的一个相应校正矩阵相乘。

7.根据前述权利要求中任一项所述的方法，其中所述热模型(9)是集总参数热网络LPTN模型。

8.一种计算机程序，包括计算机代码，所述计算机代码当由监测设备(1)的处理电路(5)执行时使所述监测设备(1)执行根据权利要求1至7中任一项所述的方法。

9.一种用于监测电机的监测设备(1)，所述监测设备(1)包括：

存储介质(7)，包括计算机代码，以及

处理电路(5)，

其中当所述处理电路(5)执行所述计算机代码时，所述监测设备(1)被配置为：

a)获得所述电机的多个位置处的温度的温度测量值，

b)获得由所述电机的热模型(9)给出的所述多个位置处的估计温度，所述热模型(9)包括初始权重参数值，

c)通过寻找最优权重参数值来最小化所述温度测量值与所述估计温度之间的差，

d)存储所述初始权重参数值，从而获得已用权重参数值的存储，并且将所述最优权重参数值更新为新的初始权重参数值，以及

在所述电机操作期间，反复重复步骤a)-d)。

10.根据权利要求9所述的监测设备(1)，其中所述处理电路(5)被配置为：将所述最优权重参数值与所述初始权重参数值或与所述已用权重参数值进行比较，以及基于比较结果来检测电机性能变化或电机故障是否发生。

11.根据权利要求10所述的监测设备(1)，其中所述检测涉及：在所述最优权重参数值中的一个偏离其对应的初始权重参数值或已用权重参数值超过预定量的情况下，检测到电机性能变化或电机故障。

12.根据权利要求11所述的监测设备(1)，其中所述处理电路(5)被配置为基于偏离的所述最优权重参数值来确定针对所述电机性能变化或电机故障的原因。

13.根据权利要求9至12中任一项所述的监测设备(1)，其中所述权重参数值被排列成形成相应校正矩阵的子集。

14.根据权利要求13所述的监测设备(1)，其中所述热模型(9)是包括热容矩阵、热阻矩阵和功率损耗注入向量的矩阵方程，其中所述热容矩阵、所述热阻矩阵和所述功率损耗注入向量中的每一者都与所述校正矩阵中的相应的一个相乘。

15.根据权利要求9至14中任一项所述的监测设备(1)，其中所述热模型是集总参数热网络LPTN模型。

Images