CN115864759A - 一种电机自动测试工站的控制方法及系统 - Google Patents
一种电机自动测试工站的控制方法及系统 Download PDFInfo
- Publication number
- CN115864759A CN115864759A CN202310065373.6A CN202310065373A CN115864759A CN 115864759 A CN115864759 A CN 115864759A CN 202310065373 A CN202310065373 A CN 202310065373A CN 115864759 A CN115864759 A CN 115864759A
- Authority
- CN
- China
- Prior art keywords
- preset
- defect
- motor
- acquiring
- information
- 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
Links
Images
Landscapes
- Tests Of Circuit Breakers, Generators, And Electric Motors (AREA)
Abstract
本发明涉及电机测试技术领域,本发明公开了一种电机自动测试工站的控制方法及系统,在预设时间内对待测电机施加预设大小的电压,并获取待测电机内预设区域的实际电流值,基于所述实际电流值得到偏差阈值,基于所述偏差阈值确定出测试结果;若所述测试结果为预设结果,则获取待测电机内预设区域的电磁响应信号,基于所述电磁响应信号得到信号相位矢量图,基于所述信号相位矢量图得到缺陷特性参数信息,通过本方法能够有效的对关联工站的异常加工参数进行智能调节,避免在后续批次对定子绝缘进行加工过程中产生大批量不合格品,实现了物联网加工生产的功能。
Description
技术领域
本发明涉及电机测试技术领域,特别是一种电机自动测试工站的控制方法及系统。
背景技术
电机被广泛应用于机械制造、建筑、石油、化工、电力等与社会生产息息相关的重要领域中,在其中具有重要作用。近年来,随着生产技术的发展,电机事故率逐渐降低,然而其一旦发生故障,将直接影响生产流程,造成巨大的经济损失。在电机故障中,由定子绕组的定子绝缘损坏引起的故障占到了 40%以上。定子绝缘(主绝缘体)是电机定子绕组的最重要部分,也是整个电机重要组成部分之一,被称为电机的心脏。受制造工艺等因素的影响,定子绝缘中难免会出现气孔、裂纹等缺陷;在强电场的作用下,定子绝缘中存在缺陷的区域会被击穿,从而会出现局部放电现象,从而产生漏电流,从而使得绝缘系统机械性能变差、电气强度降低、绝缘性能下降,甚至会引发严重的漏电、爆炸事故。因此在电机出厂前,必须要对电机的定子绕组进行耐压测试,以杜绝耐压强度不合格的定子绝缘流入市面,以对潜在故障隐患进行诊断、预警,提高电机的运行可靠性,从而避免电机在后续使用过程中引发严重的事故。此外,传统的测试工站仅仅是对定子绝缘进行故障检测,其并不能够精准的诊断出定子绝缘的实际故障区域,也不能够对实际故障区域进行分析以对定子绝缘相关联加工工站的工艺参数进行修正,不符合物联网智能生产控制需求。
发明内容
本发明克服了现有技术的不足,提供了一种电机自动测试工站的控制方法及系统。
为达到上述目的本发明采用的技术方案为:
本发明公开了一种电机自动测试工站的控制方法,包括以下步骤:
在预设时间内对待测电机施加预设大小的电压,并获取待测电机内预设区域的实际电流值,基于所述实际电流值得到偏差阈值,基于所述偏差阈值确定出测试结果;
若所述测试结果为预设结果,则获取待测电机内预设区域的电磁响应信号,基于所述电磁响应信号得到信号相位矢量图,基于所述信号相位矢量图得到缺陷特性参数信息;
获取待测电机的装配图纸信息,基于所述装配图纸信息得到预设部件的模拟装配模型图,基于所述模拟装配模型图确定出预设部件的缺陷区域信息;
将所述预设部件分割为若干个子区域,并基于所述预设部件的缺陷区域信息确定出各个子区域所发生缺陷的概率值,基于所述概率值确定出各个子区域是为缺陷高发区还是为缺陷低发区;
由大数据网络中获取各个子区域产生缺陷的诱源数据信息,并获取各个缺陷高发区所对应的特性参数,基于所述诱源数据信息与特性参数确定出工艺补偿参数值。
进一步的,本发明的一个较佳实施例中,在预设时间内对待测电机施加预设大小的电压,并获取待测电机内预设区域的实际电流值,基于所述实际电流值得到,基于所述偏差阈值确定出测试结果,具体包括以下步骤:
通过大数据网络获取在对应温度与电压条件下标准电机内预设区域的标准电流值,建立数据库,并将所述预设区域的标准电流值输入所述数据库中,得到标准电流数据库;
在预设时间内对待测电机施加预设大小电压,并获取待测电机内预设区域的实际电流值;
获取待测电机内预设区域的实时温度值,并将所述预设大小电压与实时温度值导入所述标准电流数据库,得到待测电机内预设区域在实时测试条件下的预设标准电流值;
将所述待测电机内预设区域的实际电流值与预设标准电流值进行比较,得到偏差阈值,并判断所述偏差阈值是否大于预设阈值;若不大于,则生成第一测试结果,并将所述第一测试结果传送至自动测试工站的控制终端;若大于,则生成第二测试结果,并将所述第二测试结果传送至自动测试工站的控制终端。
进一步的,本发明的一个较佳实施例中,获取待测电机内预设部件的电磁响应信号,基于所述电磁响应信号得到信号相位矢量图,基于所述信号相位矢量图得到缺陷特性参数信息,具体包括以下步骤:
基于神经网络建立评估模型,并将相位判伤曲线图的样本集导入所述评估模型中进行训练,得到训练好的评估模型;
获取待测电机内预设部件的电磁响应信号,对所述电磁响应信号利用有限元离散法进行数值分析,得到单独的缺陷响应信号,并对所述缺陷响应信号进行特征提取,得到多个信号稀疏特征点,基于所述信号稀疏特征点建立信号相位矢量图;
将所述信号相位矢量图导入所述训练好的评估模型中,以在所述训练好的评估模型中将所述信号相位矢量图与样本集中的相位判伤曲线图进行对比配对,得到多个配对率;
建立排序表,将所述多个配对率导入所述排序表中进行大小排序,并提取出与最大配对率相对应的相位判伤曲线图,基于所述与最大配对率相对应的相位判伤曲线图得到缺陷特性参数信息。
进一步的,本发明的一个较佳实施例中,获取待测电机的装配图纸信息,基于所述装配图纸信息得到预设部件的模拟装配模型图,基于所述模拟装配模型图确定出预设部件的缺陷区域,具体包括以下步骤:
获取待测电机的装配图纸信息,基于所述装配图纸信息得到待测电机内预设部件的装配基准点信息与装配位置信息;
建立虚拟空间三维坐标系,并基于所述装配基准点信息与装配位置信息将所述预设部件导入所述虚拟空间三维坐标系中进行模拟装配,得到预设部件的模拟装配模型图;
获取预设部件的缺陷特性参数信息,并将所述缺陷特性参数信息导入所述模拟装配模型图中进行整合,得到整合后的模拟装配模型图;
基于所述整合后的模拟装配模型图得到各缺陷在预设部件中的坐标位置关系,基于所述各缺陷在预设部件中的坐标位置关系确定出预设部件的缺陷区域。
进一步的,本发明的一个较佳实施例中,将所述预设部件分割为若干个子区域,并基于所述预设部件的缺陷区域信息确定出各个子区域所发生缺陷的概率值,基于所述概率值确定出各个子区域是为缺陷高发区还是为缺陷低发区,具体包括以下步骤:
将所述预设部件分割为若干个子区域,并建立每一子区域的缺陷计数表;
在预设时间段内获取每个预设部件的缺陷区域,若所述预设部件的缺陷区域落入某一子区域内,则在该子区域的缺陷计数表的总数上加1;
在预设时间段内后,统计各个缺陷计数表上的总数,并将所述各个缺陷计数表上的总数与预设数值做比值处理,得到各个子区域所发生缺陷的概率值;
判断所述概率值是否大于预设概率值,若大于,则将该子区域标记为缺陷高发区,并生成缺陷高发区所对应的特性参数;若不大于,则将该区域标记为缺陷低发区。
进一步的,本发明的一个较佳实施例中,由大数据网络中获取各个子区域产生缺陷的诱源数据信息,并获取各个缺陷高发区所对应的特性参数,基于所述诱源数据信息与特性参数确定出工艺补偿参数值,具体包括以下步骤:
由大数据网络中获取各个子区域产生缺陷的诱源数据信息,并通过多因素回归分析法分析各个子区域缺陷与诱源数据信息的潜在关系,得到诱源向量信息,并通过灰色关联分析法多所述诱源向量信息进行关联分析,得到针对各个子区域与缺陷诱源的关联数据;
基于神经网络建立关联模型,并将所述各个子区域与缺陷诱源的关联数据分为训练集与验证集,将所述训练集导入所述关联模型中进行训练,直至训练至模型参数平稳,保持模型参数,并将所述验证集导入所述关联模型中进行验证,直至符合预设要求,得到训练好的关联模型;
获取所述缺陷高发区所对应的特性参数,并将所述特性参数导入所述训练好的关联模型中进行吻合度进行计算,得到所述特性参数与关联数据间的吻合度,基于所述吻合度确定出工艺补偿参数值。
进一步的,本发明的一个较佳实施例中,基于所述吻合度确定出工艺补偿参数值,具体包括以下步骤:
若所述吻合度大于预设吻合度,则基于所述关联数据得到关联工站的实际加工工艺参数;
通过大数据网络获取关联工站的历史加工合格产品所对应的历史加工工艺参数;
基于所述实际加工工艺参数与历史加工工艺参数计算出工艺补偿参数值,根据所述工艺补偿参数值生成工艺补偿方案,并将所述工艺补偿方案传送至关联工站的控制终端。
本发明另一方面公开了一种电机自动测试工站的控制系统,所述控制系统包括存储器以及处理器,所述存储器中包括电机自动测试工站的控制方法程序,所述电机自动测试工站的控制方法程序被处理器执行时,实现如下步骤:
在预设时间内对待测电机施加预设大小的电压,并获取待测电机内预设区域的实际电流值,基于所述实际电流值得到偏差阈值,基于所述偏差阈值确定出测试结果;
若所述测试结果为预设结果,则获取待测电机内预设区域的电磁响应信号,基于所述电磁响应信号得到信号相位矢量图,基于所述信号相位矢量图得到缺陷特性参数信息;
获取待测电机的装配图纸信息,基于所述装配图纸信息得到预设部件的模拟装配模型图,基于所述模拟装配模型图确定出预设部件的缺陷区域信息;
将所述预设部件分割为若干个子区域,并基于所述预设部件的缺陷区域信息确定出各个子区域所发生缺陷的概率值,基于所述概率值确定出各个子区域是为缺陷高发区还是为缺陷低发区;
由大数据网络中获取各个子区域缺陷的诱源数据信息,并获取各个缺陷高发区所对应的特性参数,基于所述诱源数据信息与特性参确定出工艺补偿参数值。
进一步的,本发明的一个较佳实施例中,由大数据网络中获取各个子区域缺陷的诱源数据信息,并获取各个缺陷高发区所对应的特性参数,基于所述诱源数据信息与特性参确定出工艺补偿参数值,具体包括以下步骤:
由大数据网络中获取各个子区域缺陷的诱源数据信息,并通过多因素回归分析法分析各个子区域缺陷与诱源数据信息的潜在关系,得到诱源向量信息,并通过灰色关联分析法多所述诱源向量信息进行关联分析,得到针对各个子区域与缺陷诱源的关联数据;
基于神经网络建立关联模型,并将所述各个子区域与缺陷诱源的关联数据分为训练集与验证集,将所述训练集导入所述关联模型中进行训练,直至训练至模型参数平稳,保持模型参数,并将所述验证集导入所述关联模型中进行验证,直至符合预设要求,得到训练好的关联模型;
获取所述缺陷高发区所对应的特性参数,并将所述特性参数导入所述训练好的关联模型中进行吻合度进行计算,得到所述特性参数与关联数据间的吻合度,基于所述吻合度确定出工艺补偿参数值。
进一步的,本发明的一个较佳实施例中,基于所述吻合度确定出工艺补偿参数值,具体包括以下步骤:
若所述吻合度大于预设吻合度,则基于所述关联数据得到关联工站的实际加工工艺参数;
通过大数据网络获取关联工站的历史加工合格产品所对应的历史加工工艺参数;
基于所述实际加工工艺参数与历史加工工艺参数计算出工艺补偿参数值,根据所述工艺补偿参数值生成工艺补偿方案,并将所述工艺补偿方案传送至关联工站的控制终端。
本发明解决了背景技术中存在的技术缺陷,本发明具备以下有益效果:通过本方法能够判定出定子绝缘的耐压强度是否合格,以对电机潜在故障隐患进行诊断,从而提高电机的运行可靠性,从而降低电机在后续使用过程中发生漏电、爆炸等事故的概率;能够获得定子绝缘各个区域产生缺陷的实际原因,从而能够迅速地根据实际原因制定有效性的措施;能够有效的对关联工站的异常加工参数进行智能调节,避免在后续批次对定子绝缘进行加工过程中产生大批量不合格品,实现了物联网加工生产的功能。
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,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他实施例的附图。
图1示出了一种电机自动测试工站的控制方法的整体方法流程图;
图2示出了获取各个缺陷高发区所对应的特性参数的方法流程图;
图3示出了确定出工艺补偿参数值的方法流程图;
图4示出了一种电机自动测试工站的控制系统的系统框图。
实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
图1示出了一种电机自动测试工站的控制方法的整体方法流程图;
本发明公开了一种电机自动测试工站的控制方法,包括以下步骤:
S102:在预设时间内对待测电机施加预设大小的电压,并获取待测电机内预设区域的实际电流值,基于所述实际电流值得到偏差阈值,基于所述偏差阈值确定出测试结果;
S104:若所述测试结果为预设结果,则获取待测电机内预设区域的电磁响应信号,基于所述电磁响应信号得到信号相位矢量图,基于所述信号相位矢量图得到缺陷特性参数信息;
S106:获取待测电机的装配图纸信息,基于所述装配图纸信息得到预设部件的模拟装配模型图,基于所述模拟装配模型图确定出预设部件的缺陷区域信息;
S108:将所述预设部件分割为若干个子区域,并基于所述预设部件的缺陷区域信息确定出各个子区域所发生缺陷的概率值,基于所述概率值确定出各个子区域是为缺陷高发区还是为缺陷低发区;
S110:由大数据网络中获取各个子区域产生缺陷的诱源数据信息,并获取各个缺陷高发区所对应的特性参数,基于所述诱源数据信息与特性参数确定出工艺补偿参数值。
需要说明的是,通过本方法能够判定出定子绝缘的耐压强度是否合格,以对电机潜在故障隐患进行诊断,从而提高电机的运行可靠性,从而降低电机在后续使用过程中发生漏电、爆炸等事故的概率;能够获得定子绝缘各个区域产生缺陷的实际原因,从而能够迅速地根据实际原因制定有效性的措施;能够有效的对关联工站的异常加工参数进行智能调节,避免在后续批次对定子绝缘进行加工过程中产生大批量不合格品,实现了物联网加工生产的功能。
进一步的,本发明的一个较佳实施例中,在预设时间内对待测电机施加预设大小的电压,并获取待测电机内预设区域的实际电流值,基于所述实际电流值得到,基于所述偏差阈值确定出测试结果,具体包括以下步骤:
通过大数据网络获取在对应温度与电压条件下标准电机内预设区域的标准电流值,建立数据库,并将所述预设区域的标准电流值输入所述数据库中,得到标准电流数据库;
在预设时间内对待测电机施加预设大小电压,并获取待测电机内预设区域的实际电流值;
获取待测电机内预设区域的实时温度值,并将所述预设大小电压与实时温度值导入所述标准电流数据库,得到待测电机内预设区域在实时测试条件下的预设标准电流值;
将所述待测电机内预设区域的实际电流值与预设标准电流值进行比较,得到偏差阈值,并判断所述偏差阈值是否大于预设阈值;若不大于,则生成第一测试结果,并将所述第一测试结果传送至自动测试工站的控制终端;若大于,则生成第二测试结果,并将所述第二测试结果传送至自动测试工站的控制终端。
需要说明的是,所述预设区域为待测电机中的定子绕组组件区域;所述标准电流为在特定电压与特定环境温度条件下流过定子绕组组件的标准电流值。
需要说明的是,定子绝缘的漏电电流大小与测试温度和测试电压有关,若定子绝缘已经被高压电场击穿,在一定范围内,测试电压越大,定子绝缘的漏电电流也越大。另外,由于定子绝缘中的载流子受外界温度影响,温度升高穿透电流迅速增大,晶体管的稳定性越差,噪声系数及功耗也越大,温度升高时,定子绝缘内部离子、分子运动加剧,绝缘物内的水分及其中含有的杂质、盐分等物质也呈扩散趋势,使电导增加,绝缘电阻降低,因此漏电电流在一定程度上会随着测试环境温度的增大而变大。为了消除测试环境温度对测试结果的影响,先通过大数据网络获取在对应温度与电压条件下标准电机内预设区域的标准电流值,从而得到标准电流数据库,这样一来,在对待测电机进行测试时,首先,通过耐压测试仪对待测电机施压预设大小的电压(耐压测试仪为现有常规设备,在此对其工作原理与详细结构不多做说明),从而使得待测电机处于导电状态,从而根据定子绕组区域的实时温度值以及对所施加的预设大小电压确定出在实时的测试温度条件下定子绕组的预设标准电流值,然后再将待测电机内流过定子绕组组件的实际电流值与预设标准电流值进行比较,得到偏差阈值,若偏差阈值不大于预设阈值,此时可以说明的是,定子绕组的耐压测试合格,在预设大小的高压电场作用下,定子绝缘并没有被击穿,不会产生漏电电流,此时生成第一测试结果,将该电机判定为合格品;若偏差阈值大于预设阈值,此时可以说明的是,在预设大小的高压电场作用下,定子绝缘并已经被击穿,从而产生漏电电流,从而导致流过定子绕组组件的实际电流值过小,此时生成第二测试结果,并将该电机判定为不合格品,并对该电机进一步检测。其中,所述实时温度值可以由安装在电机内部的温度传感器获得;所述实际电流值可以由安装在电机内部的电流传感器获得。通过本方法能够判定出定子绝缘的耐压强度是否合格,以对电机潜在故障隐患进行诊断,从而提高电机的运行可靠性,从而降低电机在后续使用过程中发生漏电、爆炸等事故的概率;并且能够将测试环境温度影响因素消除,进一步提高测试结果的可靠性。
另外需要注意的是,通过大数据网络获取在对应温度与电压条件下标准电机内预设区域的标准电流值,从而得到标准电流数据库,其实现过程为:首先实验人员采用实验的方式获取大量的特定温度与特定电压值下合格的定子绕组所流过的电流值数据,当获得这些数据后,这些数据会不断的被上传并存储在共享大数据网络库中,进而形成大数据网络数据库,且大数据网络数据库中的数据可以不断更新,本电机自动测试工站与该大数据网络数据库通讯连接,在对电机测试前,测试工站的控制系统能够直接由该大数据网络数据库中检索并获取相应的数据,然后测试工站的控制系统再根据获得的数据建立测试所需的数据库,从而得到测试所需的标准电流数据库。这样一来,在测试的过程中,当控制系统获得对待测电机所施加的电压大小以及测试环境的温度值等数据,将这些数据导入标准电流数据库中,并且在标准电流数据库不断匹配检索,便能够快速的得到与所施加的电压大小以及测试环境的温度值所高度匹配的预设标准电流值。
进一步的,本发明的一个较佳实施例中,获取待测电机内预设部件的电磁响应信号,基于所述电磁响应信号得到信号相位矢量图,基于所述信号相位矢量图得到缺陷特性参数信息,具体包括以下步骤:
基于神经网络建立评估模型,并将相位判伤曲线图的样本集导入所述评估模型中进行训练,得到训练好的评估模型;
获取待测电机内预设部件的电磁响应信号,对所述电磁响应信号利用有限元离散法进行数值分析,得到单独的缺陷响应信号,并对所述缺陷响应信号进行特征提取,得到多个信号稀疏特征点,基于所述信号稀疏特征点建立信号相位矢量图;
将所述信号相位矢量图导入所述训练好的评估模型中,以在所述训练好的评估模型中将所述信号相位矢量图与样本集中的相位判伤曲线图进行对比配对,得到多个配对率;
建立排序表,将所述多个配对率导入所述排序表中进行大小排序,并提取出与最大配对率相对应的相位判伤曲线图,基于所述与最大配对率相对应的相位判伤曲线图得到缺陷特性参数信息。
需要说明的是,神经网络是一种模仿动物神经网络行为特征,进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度,通过调整内部大量节点之间相互连接的关系,从而达到处理信息的目的,并具有自学习和自适应的能力。当基于神经网络建立评估模型后,再将提前绘制好的相位判伤曲线图的样本集导入基于神经网络构建好的评估模型中进行训练,从而得到准确度和精度较高,且具有自学习功能的模型。
需要说明的是,对所述电磁响应信号利用有限元离散法进行数值分析,得到单独的缺陷响应信号的具体实施过程为:将得到的电磁响应信号离散为离散元单元阵信号,并将相邻的元单元阵信号连接起来,由相邻的元单元阵信号对称关系得到两单元间法向和切向的曲线图;对两单元间法向和切向的曲线图进行时间积分,进而得到单独的缺陷响应信号。通过本方法能够快速的将电磁响应信号离散为缺陷响应信号。
需要说明的是,排序表是线性表的一种,通过排序表能够自动的将插入的数据数值自动由大到小或由小到大排序。新插入数据数值也能根据这个字段的值排序插入到相应的位置,而不是像普通表一样插入表的尾部。具体到本案而言,当构建出排序表后,控制系统将得到的多个配对率插入排序表中,通过排序表便能将多个配对率进行由大到小排序,这样一来,控制系统只需要提取排序表中的第一个数值,便能够快速的得到最大配对率,从而提高算法运算效率。
需要说明的是,所述预设部件为定子绕组组件中的定子绝缘部件。所述电磁响应信号包括电矢势信号与磁矢势信号;所述缺陷响应信号包括标量电位信号与电动势信号。所述缺陷特性参数信息包括气孔与裂纹的宽度、深度、长度以及相对位置信息。
需要说明的是,在对定子绕组施加强电压后,若定子绝缘被击穿,其击穿的区域会产生漏电流,从而产生电磁现象,此时可以通过涡流探头获取定子绝缘的电磁响应信号,并且利用有限元离散法对所述电磁响应信号进行数值分析,得到单独的缺陷响应信号,可通过卷积神经网络对所述缺陷响应信号再进行分层卷积以及池化,从而完成对所述缺陷响应信号的特征提取,从而得到信号相位矢量图。所述相位判伤曲线图为多条,多条相位判伤曲线图组成一个样本集,所述相位判伤曲线图为根据标定样本的人工伤深度与电磁响应信号的相位关系提前绘制出的曲线,把测试过程中得到的信号相位矢量图与该曲线进行对比分析,便能对定子绝缘内的缺陷深度、宽度以及长度等进行评估,此种方法便为相位定量法。通过本方法能够有效的检测出定子绝缘中漏电区域内缺陷的深度、长度、宽度以及各缺陷相对与检测基准的相对位置等。
进一步的,本发明的一个较佳实施例中,获取待测电机的装配图纸信息,基于所述装配图纸信息得到预设部件的模拟装配模型图,基于所述模拟装配模型图确定出预设部件的缺陷区域,具体包括以下步骤:
获取待测电机的装配图纸信息,基于所述装配图纸信息得到待测电机内预设部件的装配基准点信息与装配位置信息;
建立虚拟空间三维坐标系,并基于所述装配基准点信息与装配位置信息将所述预设部件导入所述虚拟空间三维坐标系中进行模拟装配,得到预设部件的模拟装配模型图;
获取预设部件的缺陷特性参数信息,并将所述缺陷特性参数信息导入所述模拟装配模型图中进行整合,得到整合后的模拟装配模型图;
基于所述整合后的模拟装配模型图得到各缺陷在预设部件中的坐标位置关系,基于所述各缺陷在预设部件中的坐标位置关系确定出预设部件的缺陷区域。
需要说明的是,虚拟空间三维坐标系是在二维笛卡尔坐标系的基础上根据右手定则增加第三维坐标(即Z轴)而形成的。虚拟空间三维坐标系可以在三维建模软件中建立,通过虚拟空间三维坐标系可以表征出定子绝缘部件在虚拟空间中的坐标关系。
需要说明的是,所述装配图纸信息包含待测电机内各个部件的装配位置信息以及装配基准点信息,该装配图纸由设计人员提前绘制设计得到。利用SolidWorks、UG、Proe等三维建模软件建立虚拟空间三维坐标系,然后使得装配基准点与虚拟空间三维坐标系的原点重合,再根据所述装配位置信息将预设部件导入所述虚拟空间三维坐标系中进行模拟装配,从而通过三维建模软件建立模拟装配模型图;然后再将所述缺陷特性参数信息导入所述模拟装配模型图中进行整合,得到整合后的模拟装配模型图,其中所述整合后的模拟装配模型图表征的是拥有实际缺陷的预设部件的模拟模型图,可以在该模型中得知各个缺陷在预设部件中的坐标位置关系,如可以得知某一缺陷是处于预设部件中的边缘位置还是处于预设部件的中间位置等,进而可以得到预设部件的缺陷区域位置,从而可以得到预设部件漏电区域位置。通过建立虚拟的预设部件的模拟装配模型图,从而可以得知各个漏电区域相对于装配基准点的位置关系,从而可以得知各个缺陷点相对与装配基准点的位置关系,从而可以得到各个缺陷点位于预设部件的位置区域,以为后续计算各个子区域的缺陷发生概率值做下运算铺垫。
进一步的,本发明的一个较佳实施例中,将所述预设部件分割为若干个子区域,并基于所述预设部件的缺陷区域信息确定出各个子区域所发生缺陷的概率值,基于所述概率值确定出各个子区域是为缺陷高发区还是为缺陷低发区,具体包括以下步骤:
将所述预设部件分割为若干个子区域,并建立每一子区域的缺陷计数表;
在预设时间段内获取每个预设部件的缺陷区域,若所述预设部件的缺陷区域落入某一子区域内,则在该子区域的缺陷计数表的总数上加1;
在预设时间段内后,统计各个缺陷计数表上的总数,并将所述各个缺陷计数表上的总数与预设数值做比值处理,得到各个子区域所发生缺陷的概率值;
判断所述概率值是否大于预设概率值,若大于,则将该子区域标记为缺陷高发区,并生成缺陷高发区所对应的特性参数;若不大于,则将该区域标记为缺陷低发区。
需要说明的是,所述子区域可以分为侧边子区域、中部子区域以及钻孔子区域等。在预设时间段内对同一批次的待测电机中定子绝缘各个缺陷区域进行分区统计,如若某一定子绝缘的缺陷区域处于侧边子区域,则在该侧边子区域对应的缺陷计数表的总数上加1,以此类推,直至将该批次的待测电机统计完毕,然后计算出各个子区域所发生缺陷的概率值,从而将定子绝缘的各个子区域分为缺陷高分区或缺陷低发区,其中所述特性参数即为与缺陷高发区所关联的子区域信息,如可以通过特性参数得到某一缺陷高发区是为侧边子区域还是中部子区域。通过本方法能够对一批次的存在定子绝缘故障的电机进行统计计算,并能够对定子绝缘的各个区域发生缺陷的概率进行统计计算,以确定出定子绝缘各个区域的缺陷是为高频缺陷还是低频缺陷。
需要说明的是,缺陷高发区即是特定区域发生缺陷的概率值高于预设值的区域;缺陷低发区即是特定区域发生缺陷的概率值低于预设值的区域
图2示出了获取各个缺陷高发区所对应的特性参数的方法流程图;
进一步的,本发明的一个较佳实施例中,由大数据网络中获取各个子区域产生缺陷的诱源数据信息,并获取各个缺陷高发区所对应的特性参数,基于所述诱源数据信息与特性参数确定出工艺补偿参数值,具体包括以下步骤:
S202:由大数据网络中获取各个子区域产生缺陷的诱源数据信息,并通过多因素回归分析法分析各个子区域缺陷与诱源数据信息的潜在关系,得到诱源向量信息,并通过灰色关联分析法多所述诱源向量信息进行关联分析,得到针对各个子区域与缺陷诱源的关联数据;
S204:基于神经网络建立关联模型,并将所述各个子区域与缺陷诱源的关联数据分为训练集与验证集,将所述训练集导入所述关联模型中进行训练,直至训练至模型参数平稳,保持模型参数,并将所述验证集导入所述关联模型中进行验证,直至符合预设要求,得到训练好的关联模型;
S206:获取所述缺陷高发区所对应的特性参数,并将所述特性参数导入所述训练好的关联模型中进行吻合度进行计算,得到所述特性参数与关联数据间的吻合度,基于所述吻合度确定出工艺补偿参数值。
需要说明的是,多因素回归分析法是一种广义的线性回归分析方法,常用于数据挖掘经济预测等领域。具体到本案而言,在各个子区域产生缺陷的诱源数据信息基础上,利用数理统计方法建立诱源数据与各缺陷之间的回归关系函数表达式,然后根据回归关系函数表达式便能够分析出各个子区域缺陷与诱源数据信息的潜在关系。
需要说明的是,当得到各个子区域缺陷与诱源数据信息的潜在关系之间的因素后,若两个因素变化的趋势具有一致性,即同步变化程度较高,即可谓二者关联程度较高;反之,则较低。因此,灰色关联分析方法,是根据因素之间发展趋势的相似或相异程度,亦即“灰色关联度”,作为衡量因素间关联程度的一种方法。
需要说明的是,若定子绝缘的侧边区域中具有裂纹缺陷,此时可以将与容易诱发侧边区域产生裂纹的裁切工站进行关联,如此区域产生裂纹是由于在裁切工站中裁切力过大而导致的;同理,若定子绝缘的钻孔区域中具有裂纹缺陷,此时可以将钻孔工站与其进行关联,此区域产生裂纹大概率是由于钻孔力过大或者钻孔温度过高而导致的,应当理解的是,定子绝缘中每一子区域的缺陷,大概率由相关的关联工站在加工过程中诱发导致,而这些数据可以由历史加工工况中统计获得,亦或者通过人为经验获得,以上统计得到的数据便为诱源数据信息,该诱源数据信息由共享大数据库中获得,该数据可以不断更新修正。多因素回归分析法是一种广义的线性回归分析方法,常用于数据挖掘经济预测等领域。通过多因素回归分析法分析各个子区域缺陷与诱源数据信息的潜在关系,得到诱源向量信息,其中所述诱源向量信息表示有可能诱发某一子区域产生缺陷的某个加工工站信息,如钻孔子区域中存在的缺陷是由钻孔工站中诱发的;然后通过灰色关联分析法多所述诱源向量信息进行关联分析,得到多个关联度,并从中提取出关联度最高的加工工站,从而得到关联数据,其中所述关联数据内包括最有可能诱发该一子区域产生缺陷的某个加工工站的某一加工参数信息,如钻孔子区域中存在的缺陷是由钻孔工站中钻孔温度过高而诱发的。接着,获取所述缺陷高发区所对应的特性参数,并将所述特性参数导入所述训练好的关联模型中进行吻合度进行计算,便能够得到所述特性参数与关联数据间的吻合度。通过本方法能够对缺陷高发区所对应的子区域进行分析,通过分析能够获得该子区域产生缺陷的实际原因,从而能够迅速地根据实际原因制定有效性的措施,从而基于物联网的方式将相关联的加工工站的工艺参数进行调节,避免在后续批次对定子绝缘进行加工过程中产生大批量不合格品,具备智能质检的功能,一站多用,能够节省检测设备成本。
图3示出了确定出工艺补偿参数值的方法流程图;
进一步的,本发明的一个较佳实施例中,基于所述吻合度确定出工艺补偿参数值,具体包括以下步骤:
S302:若所述吻合度大于预设吻合度,则基于所述关联数据得到关联工站的实际加工工艺参数;
S304:通过大数据网络获取关联工站的历史加工合格产品所对应的历史加工工艺参数;
S306:基于所述实际加工工艺参数与历史加工工艺参数计算出工艺补偿参数值,根据所述工艺补偿参数值生成工艺补偿方案,并将所述工艺补偿方案传送至关联工站的控制终端。
需要说明的是,若吻合度大于预设吻合度,此时可以确定的是,定子绝缘的某一子区域高频率发生缺陷是由某一关联工站(即某一加工工站)的某一加工参数异常而导致的,此时则基于物联网获取关联工站的实际加工工艺参数,并且通过大数据网络获取关联工站的历史加工合格产品所对应的历史加工工艺参数;然后基于所述实际加工工艺参数与历史加工工艺参数计算出工艺补偿参数值;然后再以该工艺补偿参数值为调控基准,对该关联工站的相关加工参数进行修正。通过本方法能够有效的对关联工站的异常加工参数进行智能调节,避免在后续批次对定子绝缘进行加工过程中产生大批量不合格品,实现了物联网加工生产的功能。
此外,本方法还包括以下步骤:
若所述吻合度不大于预设吻合度,则获取关联工站在加工该批次预设部件时的加工环境信息;
根据所述加工环境信息得到关联文本,将所述关联文本导入训练好的关联模型中,计算所述关联文本与关联数据的匹配度;
若所述匹配度大于预设匹配度,则生成调控方案,并将所述调控方案传送至关联工站的控制终端。
需要说明的是,在对定子绝缘进行加工的过程中,由于环境温度、湿度、粉尘度等因素的影响,其可能会导致定子绝缘产生缺陷,如当环境温度过大,则有可能会造成裂纹缺陷。通过本方法能够对引发定子绝缘子区域缺陷的关联工站的加工环境进行调整,以物联网的方式修正加工参数,减少部件的报废率,实现了智能检测与生产一体化。
此外,本方法还包括以下步骤:
在预设时间内对待测电机施加预设大小的电压,并获取在预设时间内预设区域在每一时间点所对应的实际电流值,并基于所述每一时间点所对应的实际电流值绘制出电流-时间响应图;
在所述电流-时间响应图中提取出初始时刻所对应的电流值、末端时刻所对应的电流值以及响应图的电流极值;
将所述响应图的电流极值与所述初始时刻所对应的电流值进行差值运算,得到第一数值;将所述末端时刻所对应的电流值与所述初始时刻所对应的电流值进行差值运算,得到第二数值;
若所述第一数值与第二数值相等,则生成第一测试结果,并将所述第一测试结果传送至自动测试工站的控制终端;
若所述第一数值大于第二数值,则将所述第一数值与第二数值进行差值运算,得到偏差差值;将所述偏差差值与预设偏差值进行比较;
若偏差差值小于预设偏差值,则生成第一测试结果,并将所述第一测试结果传送至自动测试工站的控制终端;若偏差差值大于预设偏差值,则生成第二测试结果,并将所述第二测试结果传送至自动测试工站的控制终端。
需要说明的是,首先在预设时间内对待测电机施加预设大小的电压,并获取在预设时间内预设区域在每一时间点所对应的实际电流值,然后根据每一时间点与实际电流值的对应关系绘制出电流-时间响应图;若计算得到的第一数值与第二数值相等,此时可以说明的是,在获得的电流-时间响应图中末端时刻所对应的电流值与响应图的电流极值是相等的,此时可以说明的是,定子绕组的耐压测试合格,在预设大小的高压电场作用下,定子绝缘并没有被击穿,不会产生漏电电流,此时生成第一测试结果,将该电机判定为合格品。
若计算得到的第一数值与第二数值不相等,此时可以说明的是,在获得的电流-时间响应图中末端时刻所对应的电流值与响应图的电流极值是不相等的,此时说明定子绕组发可能发生了漏电现象。此时则将所述第一数值与第二数值进行差值运算,得到偏差差值;若所述偏差差值小于预设偏差值,说明在该响应图中末端时刻所对应的电流值与响应图的电流极值偏差幅值并不大,末端时刻所对应的电流值与响应图的电流极值不相等可能是外部因素造成的(如在测试采集数据过程中出现信号偏差或测试机台发生震动等),并不是定子绝缘漏电造成的,此时生成第一测试结果,将该电机判定为合格品。若所述偏差差值大于预设偏差值,说明在该响应图中末端时刻所对应的电流值与响应图的电流极值偏差幅值过大,定子绕组中电路电流与正常值偏差过大,此时可以说明的是,在预设大小的高压电场作用下,定子绝缘并已经被击穿,从而产生漏电电流,从而导致流过定子绕组组件的实际电流值过小,此时生成第二测试结果,并将该电机判定为不合格品。通过本方法能够判定出定子绝缘的耐压强度是否合格,以对电机潜在故障隐患进行诊断,从而提高电机的运行可靠性,从而降低电机在后续使用过程中发生漏电、爆炸等事故的概率;并且能够将测试环境温度影响因素消除,进一步提高测试结果的可靠性。
此外,本方法还包括以下步骤:
基于神经网络建立评估模型,并将预先训练好的评估样本导入所述评估模型中进行训练,得到训练好的评估模型;
在预设时间内对待测电机施加预设大小的电压过程中,获取待测电机内部在每一时间点所对应的温度值,建立排序表,并将所述每一时间点所对应的温度值导入所述排序表中进行大小排序,得到最大温度值;
将所述最大温度值导入所述训练好的评估模型中,将所述最大温度值与待测电机各部件所能承受的极限温度值进行比较;并判断所述最大温度值是否大于待测电机各部件所能承受的极限温度值;
若大于,则生成第二测试结果,并将所述第二测试结果传送至自动测试工站的控制终端。
需要说明的是,所述评估样本内包含待测电机中各部件所能够承受的极限温度。在对待测电机施加强电压的过程中,待测电机内部会产热,而安装在待测电机内部的部件所能承受的极限温度各不相同,在对待测电机进行耐压测试的过程中,通过待测电机内部的温度传感器获取电机内部在每一时间点所对应的温度值;若存在最大温度值大于某一个或多个部件所能承受的极限温度值的情况,此时可以说明的是,这些部件在测试过程中已经被高温烧坏,此时将这些部件进行标记烧坏品,以便于后续维修人员有针对性的对待测电机内烧坏的部件进行维修,节省后续工作人员的维修时间。
图4示出了一种电机自动测试工站的控制系统的系统框图;
本发明另一方面公开了一种电机自动测试工站的控制系统,所述控制系统包括存储器41以及处理器62,所述存储器41中包括电机自动测试工站的控制方法程序,所述电机自动测试工站的控制方法程序被处理器62执行时,实现如下步骤:
在预设时间内对待测电机施加预设大小的电压,并获取待测电机内预设区域的实际电流值,基于所述实际电流值得到偏差阈值,基于所述偏差阈值确定出测试结果;
若所述测试结果为预设结果,则获取待测电机内预设区域的电磁响应信号,基于所述电磁响应信号得到信号相位矢量图,基于所述信号相位矢量图得到缺陷特性参数信息;
获取待测电机的装配图纸信息,基于所述装配图纸信息得到预设部件的模拟装配模型图,基于所述模拟装配模型图确定出预设部件的缺陷区域信息;
将所述预设部件分割为若干个子区域,并基于所述预设部件的缺陷区域信息确定出各个子区域所发生缺陷的概率值,基于所述概率值确定出各个子区域是为缺陷高发区还是为缺陷低发区;
由大数据网络中获取各个子区域缺陷的诱源数据信息,并获取各个缺陷高发区所对应的特性参数,基于所述诱源数据信息与特性参确定出工艺补偿参数值。
进一步的,本发明的一个较佳实施例中,由大数据网络中获取各个子区域缺陷的诱源数据信息,并获取各个缺陷高发区所对应的特性参数,基于所述诱源数据信息与特性参确定出工艺补偿参数值,具体包括以下步骤:
由大数据网络中获取各个子区域缺陷的诱源数据信息,并通过多因素回归分析法分析各个子区域缺陷与诱源数据信息的潜在关系,得到诱源向量信息,并通过灰色关联分析法多所述诱源向量信息进行关联分析,得到针对各个子区域与缺陷诱源的关联数据;
基于神经网络建立关联模型,并将所述各个子区域与缺陷诱源的关联数据分为训练集与验证集,将所述训练集导入所述关联模型中进行训练,直至训练至模型参数平稳,保持模型参数,并将所述验证集导入所述关联模型中进行验证,直至符合预设要求,得到训练好的关联模型;
获取所述缺陷高发区所对应的特性参数,并将所述特性参数导入所述训练好的关联模型中进行吻合度进行计算,得到所述特性参数与关联数据间的吻合度,基于所述吻合度确定出工艺补偿参数值。
需要说明的是,若定子绝缘的侧边区域具备裂纹缺陷,此时可以将与容易诱发侧边区域产生裂纹的裁切工站进行关联,如此区域产生裂纹是由于在裁切工站中裁切力过大而导致的;同理,若定子绝缘的钻孔区域具备裂纹缺陷,此时可以将钻孔工站与其进行关联,此区域产生裂纹大概率是由于钻孔力过大或者钻孔温度过高而导致的,应当理解的是,定子绝缘中每一子区域的缺陷,大概率由相关的关联工站在加工过程中诱发导致,而这些数据可以由历史加工工况中统计获得,亦或者通过人为经验获得,以上统计得到的数据便为诱源数据信息,该诱源数据信息由共享大数据库中获得,该数据可以不断更新修正。多因素回归分析法是一种广义的线性回归分析方法,常用于数据挖掘经济预测等领域。通过多因素回归分析法分析各个子区域缺陷与诱源数据信息的潜在关系,得到诱源向量信息,其中所述诱源向量信息表示有可能诱发某一子区域产生缺陷的某个加工工站信息,如钻孔子区域中存在的缺陷是由钻孔工站中诱发的;然后通过灰色关联分析法多所述诱源向量信息进行关联分析,得到多个关联度,并从中提取出关联度最高的加工工站,从而得到关联数据,其中所述关联数据内包括最有可能诱发该一子区域产生缺陷的某个加工工站的某一加工参数信息,如钻孔子区域中存在的缺陷是由钻孔工站中钻孔温度过高而诱发的。接着,获取所述缺陷高发区所对应的特性参数,并将所述特性参数导入所述训练好的关联模型中进行吻合度进行计算,便能够得到所述特性参数与关联数据间的吻合度。通过本方法能够对缺陷高发区所对应的子区域进行分析,通过分析能够获得该子区域产生缺陷的实际原因,从而能够迅速地根据实际原因制定有效性的措施,从而基于物联网的方式将相关联的加工工站的工艺参数进行调节,避免在后续批次对定子绝缘进行加工过程中产生大批量不合格品,具备智能质检的功能,一站多用,能够节省检测设备成本。
进一步的,本发明的一个较佳实施例中,基于所述吻合度确定出工艺补偿参数值,具体包括以下步骤:
若所述吻合度大于预设吻合度,则基于所述关联数据得到关联工站的实际加工工艺参数;
通过大数据网络获取关联工站的历史加工合格产品所对应的历史加工工艺参数;
基于所述实际加工工艺参数与历史加工工艺参数计算出工艺补偿参数值,根据所述工艺补偿参数值生成工艺补偿方案,并将所述工艺补偿方案传送至关联工站的控制终端。
需要说明的是,若吻合度大于预设吻合度,此时可以确定的是,定子绝缘的某一子区域高频率发生缺陷是由某一关联工站(即某一加工工站)的某一加工参数异常而导致的,此时则基于物联网获取关联工站的实际加工工艺参数,并且通过大数据网络获取关联工站的历史加工合格产品所对应的历史加工工艺参数;然后基于所述实际加工工艺参数与历史加工工艺参数计算出工艺补偿参数值;然后再以该工艺补偿参数值为调控基准,对该关联工站的相关加工参数进行修正。通过本方法能够有效的对关联工站的异常加工参数进行智能调节,避免在后续批次对定子绝缘进行加工过程中产生大批量不合格品,实现了物联网加工生产的功能。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,如:多个单元或组件可以结合,或可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口,设备或单元的间接耦合或通信连接,可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的,作为单元显示的部件可以是、或也可以不是物理单元;既可以位于一个地方,也可以分布到多个网络单元上;可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外,在本发明各实施例中的各功能单元可以全部集成在一个处理单元中,也可以是各单元分别单独作为一个单元,也可以两个或两个以上单元集成在一个单元中;上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:移动存储设备、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。
或者,本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也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,本发明实施例的技术方案本质上或者说对现有技术做出贡献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方法的全部或部分。而前述的存储介质包括:移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种电机自动测试工站的控制方法,其特征在于,包括以下步骤:
在预设时间内对待测电机施加预设大小的电压,并获取待测电机内预设区域的实际电流值,基于所述实际电流值得到偏差阈值,基于所述偏差阈值确定出测试结果;
若所述测试结果为预设结果,则获取待测电机内预设区域的电磁响应信号,基于所述电磁响应信号得到信号相位矢量图,基于所述信号相位矢量图得到缺陷特性参数信息;
获取待测电机的装配图纸信息,基于所述装配图纸信息得到预设部件的模拟装配模型图,基于所述模拟装配模型图确定出预设部件的缺陷区域信息;
将所述预设部件分割为若干个子区域,并基于所述预设部件的缺陷区域信息确定出各个子区域所发生缺陷的概率值,基于所述概率值确定出各个子区域是为缺陷高发区还是为缺陷低发区;
由大数据网络中获取各个子区域产生缺陷的诱源数据信息,并获取各个缺陷高发区所对应的特性参数,基于所述诱源数据信息与特性参数确定出工艺补偿参数值。
2.根据权利要求1所述的一种电机自动测试工站的控制方法,其特征在于,在预设时间内对待测电机施加预设大小的电压,并获取待测电机内预设区域的实际电流值,基于所述实际电流值得到,基于所述偏差阈值确定出测试结果,具体包括以下步骤:
通过大数据网络获取在对应温度与电压条件下标准电机内预设区域的标准电流值,建立数据库,并将所述预设区域的标准电流值输入所述数据库中,得到标准电流数据库;
在预设时间内对待测电机施加预设大小电压,并获取待测电机内预设区域的实际电流值;
获取待测电机内预设区域的实时温度值,并将所述预设大小电压与实时温度值导入所述标准电流数据库,得到待测电机内预设区域在实时测试条件下的预设标准电流值;
将所述待测电机内预设区域的实际电流值与预设标准电流值进行比较,得到偏差阈值,并判断所述偏差阈值是否大于预设阈值;若不大于,则生成第一测试结果,并将所述第一测试结果传送至自动测试工站的控制终端;若大于,则生成第二测试结果,并将所述第二测试结果传送至自动测试工站的控制终端。
3.根据权利要求1所述的一种电机自动测试工站的控制方法,其特征在于,获取待测电机内预设部件的电磁响应信号,基于所述电磁响应信号得到信号相位矢量图,基于所述信号相位矢量图得到缺陷特性参数信息,具体包括以下步骤:
基于神经网络建立评估模型,并将相位判伤曲线图的样本集导入所述评估模型中进行训练,得到训练好的评估模型;
获取待测电机内预设部件的电磁响应信号,对所述电磁响应信号利用有限元离散法进行数值分析,得到单独的缺陷响应信号,并对所述缺陷响应信号进行特征提取,得到多个信号稀疏特征点,基于所述信号稀疏特征点建立信号相位矢量图;
将所述信号相位矢量图导入所述训练好的评估模型中,以在所述训练好的评估模型中将所述信号相位矢量图与样本集中的相位判伤曲线图进行对比配对,得到多个配对率;
建立排序表,将所述多个配对率导入所述排序表中进行大小排序,并提取出与最大配对率相对应的相位判伤曲线图,基于所述与最大配对率相对应的相位判伤曲线图得到缺陷特性参数信息。
4.根据权利要求1所述的一种电机自动测试工站的控制方法,其特征在于,获取待测电机的装配图纸信息,基于所述装配图纸信息得到预设部件的模拟装配模型图,基于所述模拟装配模型图确定出预设部件的缺陷区域,具体包括以下步骤:
获取待测电机的装配图纸信息,基于所述装配图纸信息得到待测电机内预设部件的装配基准点信息与装配位置信息;
建立虚拟空间三维坐标系,并基于所述装配基准点信息与装配位置信息将所述预设部件导入所述虚拟空间三维坐标系中进行模拟装配,得到预设部件的模拟装配模型图;
获取预设部件的缺陷特性参数信息,并将所述缺陷特性参数信息导入所述模拟装配模型图中进行整合,得到整合后的模拟装配模型图;
基于所述整合后的模拟装配模型图得到各缺陷在预设部件中的坐标位置关系,基于所述各缺陷在预设部件中的坐标位置关系确定出预设部件的缺陷区域。
5.根据权利要求1所述的一种电机自动测试工站的控制方法,其特征在于,将所述预设部件分割为若干个子区域,并基于所述预设部件的缺陷区域信息确定出各个子区域所发生缺陷的概率值,基于所述概率值确定出各个子区域是为缺陷高发区还是为缺陷低发区,具体包括以下步骤:
将所述预设部件分割为若干个子区域,并建立每一子区域的缺陷计数表;
在预设时间段内获取每个预设部件的缺陷区域,若所述预设部件的缺陷区域落入某一子区域内,则在该子区域的缺陷计数表的总数上加1;
在预设时间段内后,统计各个缺陷计数表上的总数,并将所述各个缺陷计数表上的总数与预设数值做比值处理,得到各个子区域所发生缺陷的概率值;
判断所述概率值是否大于预设概率值,若大于,则将该子区域标记为缺陷高发区,并生成缺陷高发区所对应的特性参数;若不大于,则将该区域标记为缺陷低发区。
6.根据权利要求1所述的一种电机自动测试工站的控制方法,其特征在于,由大数据网络中获取各个子区域产生缺陷的诱源数据信息,并获取各个缺陷高发区所对应的特性参数,基于所述诱源数据信息与特性参数确定出工艺补偿参数值,具体包括以下步骤:
由大数据网络中获取各个子区域产生缺陷的诱源数据信息,并通过多因素回归分析法分析各个子区域缺陷与诱源数据信息的潜在关系,得到诱源向量信息,并通过灰色关联分析法多所述诱源向量信息进行关联分析,得到针对各个子区域与缺陷诱源的关联数据;
基于神经网络建立关联模型,并将所述各个子区域与缺陷诱源的关联数据分为训练集与验证集,将所述训练集导入所述关联模型中进行训练,直至训练至模型参数平稳,保持模型参数,并将所述验证集导入所述关联模型中进行验证,直至符合预设要求,得到训练好的关联模型;
获取所述缺陷高发区所对应的特性参数,并将所述特性参数导入所述训练好的关联模型中进行吻合度进行计算,得到所述特性参数与关联数据间的吻合度,基于所述吻合度确定出工艺补偿参数值。
7.根据权利要求6所述的一种电机自动测试工站的控制方法,其特征在于,基于所述吻合度确定出工艺补偿参数值,具体包括以下步骤:
若所述吻合度大于预设吻合度,则基于所述关联数据得到关联工站的实际加工工艺参数;
通过大数据网络获取关联工站的历史加工合格产品所对应的历史加工工艺参数;
基于所述实际加工工艺参数与历史加工工艺参数计算出工艺补偿参数值,根据所述工艺补偿参数值生成工艺补偿方案,并将所述工艺补偿方案传送至关联工站的控制终端。
8.一种电机自动测试工站的控制系统,其特征在于,所述控制系统包括存储器以及处理器,所述存储器中包括电机自动测试工站的控制方法程序,所述电机自动测试工站的控制方法程序被处理器执行时,实现如下步骤:
在预设时间内对待测电机施加预设大小的电压,并获取待测电机内预设区域的实际电流值,基于所述实际电流值得到偏差阈值,基于所述偏差阈值确定出测试结果;
若所述测试结果为预设结果,则获取待测电机内预设区域的电磁响应信号,基于所述电磁响应信号得到信号相位矢量图,基于所述信号相位矢量图得到缺陷特性参数信息;
获取待测电机的装配图纸信息,基于所述装配图纸信息得到预设部件的模拟装配模型图,基于所述模拟装配模型图确定出预设部件的缺陷区域信息;
将所述预设部件分割为若干个子区域,并基于所述预设部件的缺陷区域信息确定出各个子区域所发生缺陷的概率值,基于所述概率值确定出各个子区域是为缺陷高发区还是为缺陷低发区;
由大数据网络中获取各个子区域缺陷的诱源数据信息,并获取各个缺陷高发区所对应的特性参数,基于所述诱源数据信息与特性参确定出工艺补偿参数值。
9.根据权利要求8所述的一种电机自动测试工站的控制系统,其特征在于,由大数据网络中获取各个子区域缺陷的诱源数据信息,并获取各个缺陷高发区所对应的特性参数,基于所述诱源数据信息与特性参确定出工艺补偿参数值,具体包括以下步骤:
由大数据网络中获取各个子区域缺陷的诱源数据信息,并通过多因素回归分析法分析各个子区域缺陷与诱源数据信息的潜在关系,得到诱源向量信息,并通过灰色关联分析法多所述诱源向量信息进行关联分析,得到针对各个子区域与缺陷诱源的关联数据;
基于神经网络建立关联模型,并将所述各个子区域与缺陷诱源的关联数据分为训练集与验证集,将所述训练集导入所述关联模型中进行训练,直至训练至模型参数平稳,保持模型参数,并将所述验证集导入所述关联模型中进行验证,直至符合预设要求,得到训练好的关联模型;
获取所述缺陷高发区所对应的特性参数,并将所述特性参数导入所述训练好的关联模型中进行吻合度进行计算,得到所述特性参数与关联数据间的吻合度,基于所述吻合度确定出工艺补偿参数值。
10.根据权利要求9所述的一种电机自动测试工站的控制系统,其特征在于,基于所述吻合度确定出工艺补偿参数值,具体包括以下步骤:
若所述吻合度大于预设吻合度,则基于所述关联数据得到关联工站的实际加工工艺参数;
通过大数据网络获取关联工站的历史加工合格产品所对应的历史加工工艺参数;
基于所述实际加工工艺参数与历史加工工艺参数计算出工艺补偿参数值,根据所述工艺补偿参数值生成工艺补偿方案,并将所述工艺补偿方案传送至关联工站的控制终端。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310065373.6A CN115864759B (zh) | 2023-02-06 | 2023-02-06 | 一种电机自动测试工站的控制方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310065373.6A CN115864759B (zh) | 2023-02-06 | 2023-02-06 | 一种电机自动测试工站的控制方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115864759A true CN115864759A (zh) | 2023-03-28 |
CN115864759B CN115864759B (zh) | 2023-05-02 |
Family
ID=85657600
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310065373.6A Active CN115864759B (zh) | 2023-02-06 | 2023-02-06 | 一种电机自动测试工站的控制方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115864759B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116169792A (zh) * | 2023-04-17 | 2023-05-26 | 深圳市三和电力科技有限公司 | 一种电力电网智能监测装置及其控制方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4985857A (en) * | 1988-08-19 | 1991-01-15 | General Motors Corporation | Method and apparatus for diagnosing machines |
US6529135B1 (en) * | 1999-10-12 | 2003-03-04 | Csi Technology, Inc. | Integrated electric motor monitor |
CN102033210A (zh) * | 2009-09-30 | 2011-04-27 | 田京涛 | 一种交流发电机气隙磁场检测装置及在交流发电机状态监测和控制方法的应用 |
CN103336228A (zh) * | 2013-06-14 | 2013-10-02 | 广东电网公司电力科学研究院 | 一种发电机定子绝缘故障检修方法和系统 |
CN108279381A (zh) * | 2018-04-08 | 2018-07-13 | 沈阳工业大学 | 一种双三相永磁同步电机驱动系统的故障诊断方法 |
CN108446379A (zh) * | 2018-03-16 | 2018-08-24 | 中国长江三峡集团有限公司 | 水电机组故障诊断方法 |
CN109029946A (zh) * | 2018-06-28 | 2018-12-18 | 联合汽车电子有限公司 | 电机定子耐久试验装置和试验方法 |
KR102092185B1 (ko) * | 2019-10-07 | 2020-05-26 | 팩트얼라이언스 주식회사 | 중전기기 건전성 분석 플랫폼 및 이를 이용하는 분석 방법 |
CN114237155A (zh) * | 2022-02-24 | 2022-03-25 | 深圳市正和楚基科技有限公司 | 一种多轴数控加工的误差预测及补偿方法、系统及介质 |
-
2023
- 2023-02-06 CN CN202310065373.6A patent/CN115864759B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4985857A (en) * | 1988-08-19 | 1991-01-15 | General Motors Corporation | Method and apparatus for diagnosing machines |
US6529135B1 (en) * | 1999-10-12 | 2003-03-04 | Csi Technology, Inc. | Integrated electric motor monitor |
CN102033210A (zh) * | 2009-09-30 | 2011-04-27 | 田京涛 | 一种交流发电机气隙磁场检测装置及在交流发电机状态监测和控制方法的应用 |
CN103336228A (zh) * | 2013-06-14 | 2013-10-02 | 广东电网公司电力科学研究院 | 一种发电机定子绝缘故障检修方法和系统 |
CN108446379A (zh) * | 2018-03-16 | 2018-08-24 | 中国长江三峡集团有限公司 | 水电机组故障诊断方法 |
CN108279381A (zh) * | 2018-04-08 | 2018-07-13 | 沈阳工业大学 | 一种双三相永磁同步电机驱动系统的故障诊断方法 |
CN109029946A (zh) * | 2018-06-28 | 2018-12-18 | 联合汽车电子有限公司 | 电机定子耐久试验装置和试验方法 |
KR102092185B1 (ko) * | 2019-10-07 | 2020-05-26 | 팩트얼라이언스 주식회사 | 중전기기 건전성 분석 플랫폼 및 이를 이용하는 분석 방법 |
CN114237155A (zh) * | 2022-02-24 | 2022-03-25 | 深圳市正和楚基科技有限公司 | 一种多轴数控加工的误差预测及补偿方法、系统及介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116169792A (zh) * | 2023-04-17 | 2023-05-26 | 深圳市三和电力科技有限公司 | 一种电力电网智能监测装置及其控制方法 |
CN116169792B (zh) * | 2023-04-17 | 2023-08-04 | 深圳市三和电力科技有限公司 | 一种电力电网智能监测装置及其控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115864759B (zh) | 2023-05-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US7579843B2 (en) | Methods and apparatus for analyzing partial discharge in electrical machinery | |
CN110096737B (zh) | 绝缘子寿命预测方法、装置、计算机装置及存储介质 | |
CN115864759B (zh) | 一种电机自动测试工站的控制方法及系统 | |
CN108304567A (zh) | 高压变压器工况模式识别与数据分类方法及系统 | |
CN115979349B (zh) | 一种电力站空间环境监测方法及系统 | |
EP4111191B1 (en) | Systems and methods for dissolved gas analysis | |
CN109426655A (zh) | 数据分析方法、装置、电子设备及计算机可读存储介质 | |
CN112132811A (zh) | 一种电缆使用状态综合评估系统 | |
CN111999614A (zh) | 一种面向高压开关柜的局部放电多源融合检测预警方法 | |
CN115951185A (zh) | 绝缘子闪络检测方法、装置、电子设备及存储介质 | |
CN113791337B (zh) | 一种基于数据处理的电路板用质量分析监测系统 | |
CN114910756A (zh) | 一种低压母线槽的绝缘性能评估方法及系统 | |
CN113109674B (zh) | 变压器套管的监测方法、装置、设备、系统和存储介质 | |
CN116994641A (zh) | 一种半导体老化测试方法及其系统 | |
CN113782113A (zh) | 一种基于深度残差网络下的变压器油中气体故障识别方法 | |
CN114580973B (zh) | 一种变压器生产过程的质量监测方法及系统 | |
CN115308644A (zh) | 基于电流偏移比差分析的变压器绕组故障检测方法及系统 | |
CN117406048B (zh) | 一种变压器放电故障诊断方法及装置 | |
Ardila-Rey et al. | A new monitoring and characterization system of partial discharges based on the analysis of the spectral power | |
CN117520951B (zh) | 一种基于多特征量的变压器健康评估方法和系统 | |
CN115616386B (zh) | 一种基于人工智能的飞针测试方法 | |
CN116482519B (zh) | 一种微集成电路的自测试管理系统 | |
CN116087759B (zh) | 一种电路板导电路径的检验方法及电路系统 | |
CN113792034B (zh) | 局部放电数据的清洗方法、装置、计算机设备和存储介质 | |
CN112506784B (zh) | 具备自主学习能力的产品性能评价系统及方法 |
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 |