CN115993531A - 一种永磁同步电机双闭环故障预测与健康管理方法及装置 - Google Patents
一种永磁同步电机双闭环故障预测与健康管理方法及装置 Download PDFInfo
- Publication number
- CN115993531A CN115993531A CN202310085346.5A CN202310085346A CN115993531A CN 115993531 A CN115993531 A CN 115993531A CN 202310085346 A CN202310085346 A CN 202310085346A CN 115993531 A CN115993531 A CN 115993531A
- Authority
- CN
- China
- Prior art keywords
- digital twin
- permanent magnet
- twin model
- magnet synchronous
- synchronous motor
- 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
Landscapes
- Control Of Electric Motors In General (AREA)
Abstract
本发明公开一种永磁同步电机双闭环故障预测与健康管理方法及装置,属于基于数字孪生技术的故障预测与健康管理领域。通过异常触发机制进行数字孪生模型的自我纠偏,实现数字孪生模型固有参数的动态自我矫正更新,保证数字孪生模型的运行状态与实际装备保持一致以及变换缓急程度不同的参数保持同步性;利用永磁同步电机的数字孪生模型的运行数据,取代实体采集数据信息,对监测设备进行故障预测与健康管理,提高了预测结果的精度。
Description
技术领域
本发明涉及基于数字孪生技术的故障预测与健康管理领域,特别是涉及一种永磁同步电机双闭环故障预测与健康管理方法及装置。
背景技术
基于数字孪生的建模技术具有高保真度(多学科,多物理量)、实时性、多尺度等特点。因为其模型的数字化程度高,开发与应用的成本低,因此,它被广泛的用于复杂机电装备的故障预测与健康管理、优化设计、生产制造等方面。对于结构集成度日趋复杂、学科综合性上升、设计制造成本昂贵的装备,进行传统的故障预测与健康管理时会面临诸多不利的因素。首先,由于空间结构和传感器限制,无法保证对装备的关键参数采集的数据量与数据质量;其次,在对目标装备的数据采集过程中,故障预测与健康管理阶段容易受到随机的噪音干扰影响;最后,对于实体装备的数据采集与维护的成本高昂,代价大。面对以上困难,如果无法对复杂装备进行有效保障性维护工作,其因失效或故障而带来的风险与损失是巨大的。因此,对能够反映实体设备运行状态的数字孪生技术进行故障预测与健康管理的研究是必要且有意义的。
数字孪生的特点即为能够准确实时的反映实体装备的工作状态。与传统仿真技术的最大不同,即为数字孪生模型能够根据实体的变化进行自我更新与调整,而不是仅针对于某一种状态下的暂态模拟。所以要求基于数字孪生的故障预测与健康管理能够反映处于不同阶段的数字孪生模型的运行状态,并能够给出现阶段的维护指导意见。
永磁同步电机的学科集成度高,且各项参数指标变化缓急不同。在使用数字孪生技术对永磁同步电机的故障预测与健康管理方法时,如何能够保证其运行状态与实际装备保持一致且如何保证孪生系统变换缓急程度不同的参数保持同步性是数字孪生体高保真与实时性的重要参考指标。
发明内容
本发明的目的是提供一种永磁同步电机双闭环故障预测与健康管理方法及装置,通过将动态更新的数字孪生模型与故障预测与健康管理结合,使得运行状态与实际装备保持一致且参数保持同步性,提高预测结果的精度。
为实现上述目的,本发明提供了如下方案:
一种永磁同步电机双闭环故障预测与健康管理方法,包括:
基于第一性原理建立永磁同步电机的数字孪生模型,并将用于诊断永磁同步电机故障的参数确定为数字孪生模型的固有参数,预设所述固有参数;
实时采集永磁同步电机的关键特征参数;
根据实时采集的关键特征参数,利用数字孪生模型的异常检测触发机制对当前数字孪生模型进行异常检测;
若检测到当前数字孪生模型异常,则根据实时采集的关键特征参数更新当前数字孪生模型的固有参数;
若检测到当前数字孪生模型无异常,则采用当前数字孪生模型的固有参数对永磁同步电机进行故障预测与健康管理。
可选地,所述基于第一性原理建立永磁同步电机的数字孪生模型,并将用于诊断永磁同步电机故障的参数确定为数字孪生模型的固有参数,具体包括:
基于第一性原理,建立永磁同步电机的数字孪生模型为
Y=(id,iq,Ud,Uq,ωe)
其中,Y为数字孪生输出量,Ud为平行于磁铁NS极方向的电压分量,Uq为垂直于磁铁NS极方向的电压分量,R为电阻,id、iq分别为平行、垂直于磁铁NS极方向的电流分量,Ld、Lq分别为平行、垂直于磁铁NS极方向的电感分量,ωe为转速,Ψ为转子磁链,Te为电磁扭矩,Tm为输出扭矩,B为电机摩擦系数,ωr为机械转速,J为电机转动惯量;
将id,iq,Ud,Uq,Tm,ωr,ωe划分为时变参数,Pn,B,J为非时变参数,ψ,R,Ld,Lq为固有参数,U=(ωr)为外部输入,cj=(Tm)对应运行工况。
可选地,所述实时采集永磁同步电机的关键特征参数,具体包括:
选取能够反映永磁同步电机工况特性的关键特征参数;所述关键特征参数包括线电压、线电流、机械转速和输出扭矩;
根据选取的关键特征参数,在永磁同步电机上布置相应的传感器;
同步采集卡采集传感器的检测数据,并对检测数据进行滤波和升降采样,获得预处理后的检测数据;
通过包含数字孪生模型的计算机接收预处理后的检测数据。
可选地,所述根据实时采集的关键特征参数,利用数字孪生模型的异常检测触发机制对当前数字孪生模型进行异常检测,具体包括:
选择输入功率作为数字孪生模型的异常检测指标;
根据实时采集的线电压UL和线电流IL,利用公式P实体=UL*IL*cosθ,计算永磁同步电机的输入功率P实体;其中,cosθ为功率因数;
利用公式P数字孪生=1.5*Uq*iq,计算数字孪生模型的输入功率P数字孪生;
依据公式D偏差=|P实体-P数字孪生|,计算永磁同步电机的输入功率P实体与数字孪生模型的输入功率P数字孪生的偏差;
若所述偏差大于异常检测阈值,则判定当前数字孪生模型异常;
若所述偏差小于或等于异常检测阈值,则判定当前数字孪生模型无异常。
可选地,所述根据实时采集的关键特征参数更新当前数字孪生模型的固有参数,具体包括:
根据实时采集的关键特征参数,采用最小二乘估计法,更新当前数字孪生模型的固有参数;
对更新后的数字孪生模型进行一致性度量。
可选地,所述对更新后的数字孪生模型进行一致性度量,具体包括:
将数字孪生模型中的Ud、Uq和iq组成状态向量,并将数字孪生模型的状态向量表示为S={udE,uqE,iqE},永磁同步电机的状态向量表示为S={udD,uqD,iqD};
若欧式距离DE小于或等于距离阈值,则判定数字孪生模型和永磁同步电机状态一致,输出更新后的数字孪生模型;
若欧式距离DE大于距离阈值,则判定数字孪生模型与永磁同步电机状态有偏差,对更新后的数字孪生模型进行再次修正,直至修正后的数字孪生模型和永磁同步电机状态一致。
可选地,所述根据获取的当前数字孪生模型的固有参数对永磁同步电机进行故障预测与健康管理,具体包括:
选取固有参数中的转子磁链,以对永磁同步电机进行故障预测与健康管理;
对所述转子磁链进行升降采样,获得矫正后的转子磁链;
对矫正后的转子磁链进行数据拟合,获得转子磁链的退磁趋势曲线;
在所述退磁趋势曲线中,若转子磁链小于或等于磁链阈值,则预测永磁同步电机即将或已经发生故障,并根据故障预测结果给出维护意见。
一种永磁同步电机双闭环故障预测与健康管理装置,包括:同步采集卡、计算机和关键特征参数检测传感器;
关键特征参数检测传感器布置在永磁同步电机上;
关键特征参数检测传感器的信号输出端与同步采集卡的信号输入端连接,同步采集卡的信号输出端与计算机连接;
所述同步采集卡用于采集关键特征参数检测传感器检测的永磁同步电机的关键特征参数值,并对关键特征参数值进行滤波和升降采样,获得预处理后的关键特征参数值后传输至计算机;
所述计算机用于建立永磁同步电机的数字孪生模型,并根据预处理后的关键特征参数值,对所述数字孪生模型进行动态自我矫正更新,进而利用动态更新的数字孪生模型对永磁同步电机进行故障预测与健康管理。
可选地,所述计算机包括:永磁同步电机双闭环故障预测与健康管理系统;
所述永磁同步电机双闭环故障预测与健康管理系统具体包括:
异常检测模块,用于根据实时采集的关键特征参数,利用数字孪生模型的异常检测触发机制对当前数字孪生模型进行异常检测;
更新模块,用于若检测到当前数字孪生模型异常,则根据实时采集的关键特征参数更新当前数字孪生模型的固有参数;
固有参数获取模块,用于若检测到当前数字孪生模型无异常,则获取当前数字孪生模型的固有参数;
模型应用模块,用于根据获取的当前数字孪生模型的固有参数对永磁同步电机进行故障预测与健康管理;
人机交互可视化平台界面,用于按照电气、机械动力、温度、功率和故障预测与健康管理板块分块显示永磁同步电机的运行状态和维护指导意见。
可选地,所述关键特征参数检测传感器包括:电流传感器、电压传感器、转速传感器和扭矩传感器。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明公开一种永磁同步电机双闭环故障预测与健康管理方法及装置,通过异常触发机制进行数字孪生模型的自我纠偏,实现数字孪生模型固有参数的动态自我矫正更新,保证数字孪生模型的运行状态与实际装备保持一致以及变换缓急程度不同的参数保持同步性;利用永磁同步电机的数字孪生模型的运行数据,取代实体采集数据信息,对监测设备进行故障预测与健康管理,提高了预测结果的精度。
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性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种永磁同步电机双闭环故障预测与健康管理方法的流程图;
图2为本发明实施例提供的一种永磁同步电机双闭环故障预测与健康管理方法的原理图;
图3为本发明实施例提供的数字孪生模型的参数定义与划分示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种永磁同步电机双闭环故障预测与健康管理方法及装置,通过将动态更新的数字孪生模型与故障预测与健康管理结合,使得运行状态与实际装备保持一致且参数保持同步性,提高预测结果的精度。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
本发明提供了一种永磁同步电机双闭环故障预测与健康管理方法,通过异常触发机制实现了数字孪生模型的自我纠偏与动态更新,其中动态更新主要指能够根据外部传感器信息调整数字孪生模型的主要参数。如图2所示,双闭环是指包含动态自我矫正更新的数字孪生模型所形成的内闭环,以及包含基于数字孪生模型的故障预测与健康管理方法的外闭环,明确了基于数字孪生的故障预测与健康管理需围绕着“建立模型”与“应用模型”两个环节。
对永磁同步电机性能影响最大的就是转子的磁链,若发生退磁现象,转子的磁链值降低,电机的电枢反应会加速转子退磁且使电机的温度升高,危害电机的运行,但受电机结构限制,磁场传感器昂贵,不便对电机开展实时的监测,所以通过基于动态更新数字孪生模型的双闭环故障预测与健康管理方法能够使操作人员较好的掌握电机的运行情况。
本发明实施例提供的一种永磁同步电机双闭环故障预测与健康管理方法,如图1所示,包括:
步骤1:基于第一性原理建立永磁同步电机的数字孪生模型,并将用于诊断永磁同步电机故障的参数确定为数字孪生模型的固有参数,预设所述固有参数。
具体过程如下:
1.1将第一性原理模型中参数进行划分
第一性原理模型模型的输出模型固有参数(x1,…,xm,xm+1,…,xn),其中x1,…,xm是模型固有参数中的时变参数,xm+1,…,xn是固有参数中的非时变参数,外部输入U(t)。时变参数中参数众多,且变化的速率快慢不一,在对数字孪生模型的状态监测时需要对其进行划分,以方便明确其意义和进行参数的集中管理。
在数字孪生模型中,根据动态特性,将装备的数字孪生模型参数划分为“时变参数”与“非时变参数”。时变参数又可以划分为骤变参数与缓变参数。
时变参数是指随着运行时长的增加,其数值会发生改变,非时变参数是指其数值不会随运行时间的增加而改变。
在时变参数中,将随时间变化速率快的参数划分为“骤变参数”,将随时间变化慢的参数划分为“缓变参数”。
通常,作为装备内部运行状态参数会随着工况的改变而改变,且变化较快,属于骤变参数;装备内部的固有参数一般具有退行性变化的规律,且变化缓慢,属于缓变参数。
对于骤变参数的监测是实时的,而对缓变参数的监测则应是由条件触发的。
得到其包含实际测量值Ud实为平行于磁铁NS极方向的电压分量Ud实=UL*(1-cos2θ)1/2;实际测量值Uq实=UL*cosθ为垂直于磁铁NS极方向的电压分量;平行于磁铁NS极方向的电流分量id实=0,实际测量值电机转速ωe=Pn*ωr,Pn为电机极对数。磁链Ψ,电阻R,电感Lq,Ld,转矩Te以及转速ωe。
为明确电机数字孪生模型中各个参数的性质与意义,将电机的内部参数磁链Ψ,电阻R,电感Lq,Ld划分为数字孪生模型内部的缓变参数,数字孪生模型的电压Ud、Uq,数字孪生模型的电流id、iq划分为骤变参数,转速ωr为输入参数,扭矩Tm为运行工况。
1.2根据划分的参数构建数字孪生模型
基于第一性原理的数字孪生模型的建立,永磁同步电机的数字孪生模型为
Y=(id,iq,Ud,Uq,ωe) (4)
其中Y为数字孪生输出量,数字孪生模型的平行于磁铁NS极方向的电压分量Ud、数字孪生模型的垂直于磁铁NS极方向的电压分量Uq,B为电机摩擦系数,J为电机转动惯量,Tm为输出扭矩,Te为电磁扭矩。
在永磁同步电机数字孪生模型中,基于参数的性质与变化特点,对不同参数进行细致划分,定义数字孪生模型中不同类型的参数。如图3所示,iq,Ud,Uq,ψ,R,Ld,Lq,Te,ωe,ωm为时变参数对应数字孪生模型中的x1,…,xM,Pn,B,J为非时变参数,对应数字孪生模型中的xM+1,…,xN,cj=(Tm)对应工况,U=(ωr)为外部输入,xm=(ψ,R,Ld,Lq)为数字孪生模型固有参数,因此,模型参数可以划分为时变参数dr=(id,iq,Ud,Uq,Tm,ωr,ωe)。
步骤2:实时采集永磁同步电机的关键特征参数。
首先明确需要监测的永磁同步电机的关键参数值,并对在永磁同步电机上的实体测点进行传感器优化布局,通过对某一测点的传感器信息融合处理,保证从实体中采集所得关键参数状态的可信度。
根据能够反映的装备的工况特性的标注来选择相应的采集参数(关键特征参数),为了确保数据来源的可靠性,需要布置适量的冗余传感器进行数据融合。这里的适量是为了保证信息的正确性,是为了信号的信息融合,所以传感器具体的位置和数量需要针对不同的设备进行确定。
永磁同步电机作为一种典型的机电设备,电机的线电压UL,线电流IL,机械转速ωr和输出扭矩Tm能够反映电机的运行状态,所以在这里明确,需要重点关注的是电机的线电压UL,线电流IL,机械转速ωr和输出扭矩Tm的参数信息。因此布置电流传感器,电压传感器,转速传感器和扭矩传感器对电机进行相关的监测。
布置在实体装备上的传感器采集完关键特征参数之后,传输给同步采集卡,同步采集卡需要对数据进行滤波,升降采样等数据处理,用以保证从实体设备中采集到的数据质量且其数据频率低于数字孪生模型的解算频率,得到的数据是经过数据融合的符合模型解算频率的高质量关键特征参数数据。同步采集卡将高质量关键特征参数数据传送至包含数字孪生模型的计算机中,用作数字孪生模型的运行数据来源。
其中同步数据采集卡,属于传感器与计算机之间传输数据的媒介,其本体不在实际装备上。
即,利用工业物联网技术,通过有线或者无线的信息交互机制将传感器所采集到的数据传输至建立包含永磁同步电机数字孪生模型的计算机端。
步骤3:根据实时采集的关键特征参数,利用数字孪生模型的异常检测触发机制对当前数字孪生模型进行异常检测。
根据永磁同步电机数字孪生模型中划分的参数性质,选择某一关键参数性能指标作为永磁同步电机数字孪生运行异常触发指标,在数字孪生模型与实际永磁同步电机的所选指标超出设定阈值的偏差后,数字孪生模型将进行根据实际永磁同步电机的状态进行自我更新,进入内闭环循环阶段;若所选指标偏差小于设定阈值,则认为数字孪生模型保真度高,即数字孪生的解算结果能够反映实际装备的运行状态,可以利用其运行结果进行故障预测与健康管理,进入外闭环。
选择输入功率P,即线电压UL,线电流IL和功率因数cosθ的乘积作为数字孪生模型异常的检测指标。
3.1根据步骤一监测的参数计算实体电机的输入功率P实体
实体电机的输入功率P实体,其中有公式计算得到P实体=UL*IL*cosθ。
3.2计算数字孪生模型的输入功率P数字孪生
数字孪生模型的输入功率P数字孪生,其中由公式计算得到P数字孪生=1.5*Uq*iq,其中Uq由公式(2)得到,iq为公式(2)得到。
3.3根据P实体和P数字孪生计算偏差
计算偏差D偏差=|P实体-P数字孪生|,来比较两者的状态差异
若D偏差>Trigger即实际装备与数字孪生的输入功率的差值超过了既定异常检测阈值Trigger,则需要对其进行数字孪生模型更新。
若D偏差≤Trigger即实际装备与数字孪生的输入功率的差值未超过异常检测阈值,则认为数字孪生模型满足精度要求,不需要更新。
步骤4:若检测到当前数字孪生模型异常,则根据实时采集的关键特征参数更新当前数字孪生模型的固有参数。
完成内闭环的数字孪生自我更新阶段后,需要对数字孪生模型进行状态的一致性度量,选择数字孪生模型中的关键状态组合形成状态向量,与实际永磁同步电机中的向量相对比,将得到比较的结果与设定的一致性阈值相比,若满足要求,则根据更新后的模型参数运行,反之则进行再次更新或模型调整。
4.1更新数字孪生模型
当数字孪生模型需要进行更新时,根据从数字孪生电机的实体模型中所采集到的电机的线电压UL,线电流IL,机械转速ωr等信息,采用最小二乘估计的方法,对电机内部参数电感L(Ld=Lq=L),磁链Ψ,电阻R进行辨识,获得实际状态下的电机内部参数电感L,电阻R和磁链Ψ:
计算公式如下:
①[Ud]m*1=[-ωe*iq]m*1*L
递归最小二乘法求参数方式如下,
Km+1=Pm+1*h(m+1)*[λ+h(m+1)*Pm*hT(m+1)]-1
其中θm为实体电机的固有参数,分别表示为①式中的电感L(对于表贴式同步电机)和②式中的电阻R和磁链Ψ,角标m为观测次数,Km为增益修正参数,对θm和Km赋予足够小初始值;Zm为观测量,即从实体设备中采集得到的电流与电压信号;hm分别表示为①式中的ωe*iq和②式中的iq,ωe。
这三种参数均可以通过传感器检测获得,并通过多次迭代,获得根据最小二乘法从实际系统中采集得到的电压,电流和转速信号解算得到的电感L,电阻R和磁链Ψ。并将辨识结果更新到数字孪生模型中相对应的参数。
4.2对更新后的数字孪生模型进行一致性度量
数字孪生模型更新后,需要进行数字孪生模型与实际装备的状态一致性度量,以保证数字孪生模型的保真度。
以欧氏距离为例,将模型中的ud,uq,iq作为关键参数组成状态向量,将数字孪生模型中的状态向量与实体电机的状态向量进行比较,分别表示为S={udE,udE,iqE},S={udD,udD,iqD}。
4.21首先将来自电机实体和数字孪生模型状态向量进行归一化处理,
4.22计算欧式距离与其阈值相比
根据经验设置阈值,当DE小于设定阈值,则认为数字孪生体和实际设备状态一致,当DE大于设定阈值,则认为数字孪生体与实际设备状态有较大偏差,需要对模型进行再次修正。
步骤5:若检测到当前数字孪生模型无异常,则采用当前数字孪生模型的固有参数对永磁同步电机进行故障预测与健康管理。
从数字孪生模型中获取的固有参数数据需要进一步的数据处理,如数据分类,滤波,升降采样及存储等工作,在进入故障预测与健康管理环节之前需要对数字孪生模型生成的数据进行必要的预处理。
根据处理后的数字孪生模型数据,开展相关的故障预测与健康管理方面的工作,对关键参数进行退化监测和装备的故障诊断。最后,根据故障预测与健康管理所反馈的指导信息,采用人机交互的技术手段,对装备实体进行相关的状态监测与维护工作。
具体的,根据处理过后的磁链数据,可以对从数字孪生模型中获得的磁链进行数据拟合,获得转子磁链退磁的趋势曲线Ψ=g(t),其中函数g为从数字孪生模型中拟合得到的退磁时间函数,并通过此曲线预测转子退磁情况,根据计算所得结果,设定阈值Ψ’,当Ψ≤Ψ’,需要对电机进行尽早,及时的修理,以保证其能够健康工作。
本发明的永磁同步电机双闭环故障预测与健康管理方法不仅适用于永磁同步电机,还适用于其他机电设备,用于其他机电设备的过程为:
明确需要监测的实体设备的关键参数值,并对在装备上的实体测点进行传感器优化布局,通过对某一测点的传感器信息融合处理,保证从实体中采集所得关键参数状态的可信度;
利用工业物联网技术,通过有线或者无线的信息交互机制将传感器所采集到的数据传输至建立有数字孪生模型的计算机端;
基于第一性原理所建立的多学科数字孪生模型将根据传感器所传输的数据运行得到相关的输出结果。在数字孪生模型中,基于参数的性质与变化特点,对不同参数进行细致划分,定义数字孪生模型中不同类型的参数;
根据数字孪生模型中划分的参数性质,选择某一关键参数性能指标作为数字孪生运行异常触发指标,在数字孪生模型与实际目标运行出现超过设定阈值的偏差后,数字孪生模型将进行根据实际装备的状态进行自我更新,进入内闭环循环阶段;若指标偏差小于设定阈值,则认为数字孪生模型保真度高,数字孪生模型的解算结果能够反映实际装备的运行状态,可以利用其运行结果进行故障预测与健康管理,进入外闭环;
完成内闭环的数字孪生自我更新阶段后,需要对数字孪生模型进行状态的一致性度量,选择数字孪生模型中的关键状态组合形成状态向量,与实际装备中的向量相对比,将得到比较距离的结果与一致性设定阈值相比,若满足要求则根据更新后的模型参数运行,反之则进行再次更新或模型调整;
从数字孪生模型中获取的数据需要进一步的数据处理,如数据分类,滤波,升降采样及存储等工作,在进入故障预测与健康管理环节之前对数字孪生模型生成的数据进行预处理;
根据处理后的数字孪生模型数据,开展相关的故障预测与健康管理处理,对模型的关键参数进行退化监测和故障诊断的相关工作;
最后,根据故障预测与健康管理所反馈的指导信息,采用人机交互方式,对装备实体进行相关的维护工作。
根据实体装备的原理特性,通过工业物联网技术,建立起基于第一性原理数学模型的数字孪生系统。并选取特定的状态参数作为数字孪生模型与实际装备的异常偏差指标。若选取指标超出阈值,则需对数字孪生模型进行基于传感器检测或线性与非线性的参数估计的方法进行参数更新,最后通过基于欧氏距离或马氏距离等形式的一致性度量工作,对比实际装备的关键状态参数及其数字孪生模型中对应的参数,评价数字孪生体与实际装备的技术状态的相似性。完成保证数字孪生模型高保真建模的内闭环工作,保证了数字孪生体的精度。
在利用数字孪生模型所产生的工况数据进行故障预测与健康管理,或根据参数的具体数值对参数进行故障定位与模式判定。该环节能够应用的装备类型繁多,能够运用的故障预测与健康管理算法广泛,在进行信号滤波后,利用包括信号特征提取、贝叶斯估计、支持向量机、人工神经网络,故障树和专家系统等方法,具体方法的选用需要结合实际装备的模型特性与运行情况。
基于故障预测与健康管理环节所得到的装备运行的状态结果,通过人机交互可视化平台界面将装备的运行信息反馈给操作人员,搭建起数字环境与现实世界的信息交互桥梁,帮助专业人员全面了解目标设备的运行状态。在进行人机交互的界面划分时,根据其学科范围和功能进行板块划分,能够将数字孪生系统中纷繁复杂的各种类型数据清晰表示。根据其学科所属范围,将其划分为电气,机械动力,温度,功率和故障预测与健康管理模块,分别显示永磁体同步电机的运行状态和维护指导意见。
本发明基于实际监测装备特性确定其需要采集的传感器测点以及布置传感器的数量;利用物联网技术,将从实际装备中获得的关键参数传输至包含数字孪生模型的计算机端,供数字孪生模型的运行与解算;根据第一性原理构建数字孪生的数学模型,划分数字孪生系统中的参数范畴,明确数字孪生系统中的关键参数;选择合理的数字孪生模型异常触发参数作为数字孪生模型与实际装备偏差的指标,当该指标超过设定阈值后需要对数孪生模型内部参数进行更新调整;对数字孪生体的内部参数更新可以通过直接传感器采集或各种参数估计的方法对数字孪生模型内部固有参数进行更新,在更新后选择实际装备的关键运行状态参数和数字孪生模型中对应的状态参数进行一致性度量对比,用以保证数字孪生模型的精度,完成以上步骤,即完成了动态更新数字孪生模型的内闭环阶段,完成了数字孪生系统“建立模型”的工作;在数字孪生模型保证其精度的同时,对其数字孪生模型中产生的数据进行数据预处理的,用以故障预测与健康管理环节的计算与参考;基于故障预测与健康管理的解算结果,通过人机交互系统,将装备的运行状态通过可视化界面呈现,帮助专业技术人员开展对目标装备的检测与维护,完成了“应用模型”的外闭环工作。
本发明提出的一种永磁同步电机双闭环故障预测与健康管理方法,对基于数字孪生系统的模型建立与信息交互进行了明确划分与定义;通过异常触发机制实现了数字孪生模型的自我纠偏;最后通过永磁同步电机数字孪生模型的运行数据,取代实体采集数据信息,对监测设备进行故障预测与健康管理,解决了目前基于数字孪生的故障预测与健康管理方面的不全面、不系统、不细致的问题。
本发明还提供了一种永磁同步电机双闭环故障预测与健康管理装置,包括:同步采集卡、计算机和关键特征参数检测传感器。
关键特征参数检测传感器布置在永磁同步电机上。关键特征参数检测传感器的信号输出端与同步采集卡的信号输入端连接,同步采集卡的信号输出端与计算机连接。所述同步采集卡用于采集关键特征参数检测传感器检测的永磁同步电机的关键特征参数值,并对关键特征参数值进行滤波和升降采样,获得预处理后的关键特征参数值后传输至计算机。所述计算机用于建立永磁同步电机的数字孪生模型,并根据预处理后的关键特征参数值,对所述数字孪生模型进行动态自我矫正更新,进而利用动态更新的数字孪生模型对永磁同步电机进行故障预测与健康管理。
示例性的,关键特征参数检测传感器包括:电流传感器、电压传感器、转速传感器和扭矩传感器。
其中,所述计算机包括:永磁同步电机双闭环故障预测与健康管理系统。所述永磁同步电机双闭环故障预测与健康管理系统具体包括:
异常检测模块,用于根据实时采集的关键特征参数,利用数字孪生模型的异常检测触发机制对当前数字孪生模型进行异常检测;
更新模块,用于若检测到当前数字孪生模型异常,则根据实时采集的关键特征参数更新当前数字孪生模型的固有参数;
固有参数获取模块,用于若检测到当前数字孪生模型无异常,则获取当前数字孪生模型的固有参数;
模型应用模块,用于根据获取的当前数字孪生模型的固有参数对永磁同步电机进行故障预测与健康管理;
人机交互可视化平台界面,用于按照电气、机械动力、温度、功率和故障预测与健康管理板块分块显示永磁同步电机的运行状态和维护指导意见。
在得到故障预测与健康管理的诊断判别结果后,作为数字孪生系统中信息的双向交互环节,人机交互环节能够将装备的状态和目前设备的健康状态进行反馈与显示,帮助专业人员参与到装备的监测与维护工作中,时刻掌握装备的运行状态,对其所处工况,通过故障预测与健康管理环节给出维护意见和进行相关的保障性工作。关于目标装备的人机交互系统作为数字环境与现实世界的信息交互桥梁,帮助专业人员全面的了解目标设备的运行状态。在进行人机交互的界面划分时,根据其学科范围和功能进行区域划分,能够将数字孪生系统中的各种类型数据清晰表示。
人机交互与实际装备的监测维护,在人机交互界面,将永磁同步电机的数字孪生模型的数据信息划分为电气,机械动力,温度,功率和故障预测与健康管理模块,分别显示永磁体同步电机的运行状态和维护指导意见。其中,在电气模块中,包含了能够反映电机主要性能的内部参数,如电阻,电感磁链和描述电机运行状态的电压和电流;在机械动力状态及交互控制模块中,显示了包含检测对象本体永磁同步电机的三维模型和实时的电机三维温度分布图,并且给出了目前电机的数字孪生体模型与实际装备的一致性程度,在模块下方,同时包含了转速和转矩的电机运行工况,最后,操作人员可以通过不同的按键,对数字孪生系统进行启动,暂停,关停,数据记录和开启传感器等操作;温度与能量模块显示了包含电机各个关键节点的温度和电机功率分布情况;最后是基于数字孪生的故障预测与健康管理模块,包含着电机运行的总时长,数字孪生模型校正次数,剩余寿命估计结果,所监测电机转子的退磁程度以及所采集的电机电压电流的状态。通过由电气模块,机械动力状态与控制模块,温度与能量模块和故障预测与健康管理模块组成的人机交互系统,分别将所监测的电机设备状态和运行与维护的结果呈现给工作人员,完成了信息从数字环境向现实世界的传递。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种永磁同步电机双闭环故障预测与健康管理方法,其特征在于,包括:
基于第一性原理建立永磁同步电机的数字孪生模型,并将用于诊断永磁同步电机故障的参数确定为数字孪生模型的固有参数,预设所述固有参数;
实时采集永磁同步电机的关键特征参数;
根据实时采集的关键特征参数,利用数字孪生模型的异常检测触发机制对当前数字孪生模型进行异常检测;
若检测到当前数字孪生模型异常,则根据实时采集的关键特征参数更新当前数字孪生模型的固有参数;
若检测到当前数字孪生模型无异常,则采用当前数字孪生模型的固有参数对永磁同步电机进行故障预测与健康管理。
2.根据权利要求1所述的永磁同步电机双闭环故障预测与健康管理方法,其特征在于,所述基于第一性原理建立永磁同步电机的数字孪生模型,并将用于诊断永磁同步电机故障的参数确定为数字孪生模型的固有参数,具体包括:
基于第一性原理,建立永磁同步电机的数字孪生模型为
Y=(id,iq,Ud,Uq,ωe)
其中,Y为数字孪生输出量,Ud为平行于磁铁NS极方向的电压分量,Uq为垂直于磁铁NS极方向的电压分量,R为电阻,id、iq分别为平行、垂直于磁铁NS极方向的电流分量,Ld、Lq分别为平行、垂直于磁铁NS极方向的电感分量,ωe为转速,Ψ为转子磁链,Te为电磁扭矩,Tm为输出扭矩,B为电机摩擦系数,ωr为机械转速,J为电机转动惯量;
将id,iq,Ud,Uq,Tm,ωr,ωe划分为时变参数,Pn,B,J为非时变参数,ψ,R,Ld,Lq)为固有参数,U=(ωr)为外部输入,cj=(Tm)对应运行工况。
3.根据权利要求2所述的永磁同步电机双闭环故障预测与健康管理方法,其特征在于,所述实时采集永磁同步电机的关键特征参数,具体包括:
选取能够反映永磁同步电机工况特性的关键特征参数;所述关键特征参数包括线电压、线电流、机械转速和输出扭矩;
根据选取的关键特征参数,在永磁同步电机上布置相应的传感器;
同步采集卡采集传感器的检测数据,并对检测数据进行滤波和升降采样,获得预处理后的检测数据;
通过包含数字孪生模型的计算机接收预处理后的检测数据。
4.根据权利要求3所述的永磁同步电机双闭环故障预测与健康管理方法,其特征在于,所述根据实时采集的关键特征参数,利用数字孪生模型的异常检测触发机制对当前数字孪生模型进行异常检测,具体包括:
选择输入功率作为数字孪生模型的异常检测指标;
根据实时采集的线电压UL和线电流IL,利用公式P实体=UL*IL*cosθ,计算永磁同步电机的输入功率P实体;其中,cosθ为功率因数;
利用公式P数字孪生=1.5*Uq*iq,计算数字孪生模型的输入功率P数字孪生;
依据公式D偏差=|P实体-P数字孪生|,计算永磁同步电机的输入功率P实体与数字孪生模型的输入功率P数字孪生的偏差;
若所述偏差大于异常检测阈值,则判定当前数字孪生模型异常;
若所述偏差小于或等于异常检测阈值,则判定当前数字孪生模型无异常。
5.根据权利要求2所述的永磁同步电机双闭环故障预测与健康管理方法,其特征在于,所述根据实时采集的关键特征参数更新当前数字孪生模型的固有参数,具体包括:
根据实时采集的关键特征参数,采用最小二乘估计法,更新当前数字孪生模型的固有参数;
对更新后的数字孪生模型进行一致性度量。
6.根据权利要求5所述的永磁同步电机双闭环故障预测与健康管理方法,其特征在于,所述对更新后的数字孪生模型进行一致性度量,具体包括:
将数字孪生模型中的Ud、Uq和iq组成状态向量,并将数字孪生模型的状态向量表示为S={udE,uqE,iqE},永磁同步电机的状态向量表示为S={udD,uqD,iqD};
若欧式距离DE小于或等于距离阈值,则判定数字孪生模型和永磁同步电机状态一致,输出更新后的数字孪生模型;
若欧式距离DE大于距离阈值,则判定数字孪生模型与永磁同步电机状态有偏差,对更新后的数字孪生模型进行再次修正,直至修正后的数字孪生模型和永磁同步电机状态一致。
7.根据权利要求2所述的永磁同步电机双闭环故障预测与健康管理方法,其特征在于,所述采用当前数字孪生模型的固有参数对永磁同步电机进行故障预测与健康管理,具体包括:
选取固有参数中的转子磁链,以对永磁同步电机进行故障预测与健康管理;
对所述转子磁链进行升降采样,获得矫正后的转子磁链;
对矫正后的转子磁链进行数据拟合,获得转子磁链的退磁趋势曲线;
在所述退磁趋势曲线中,若转子磁链小于或等于磁链阈值,则预测永磁同步电机即将或已经发生故障,并根据故障预测结果给出维护意见。
8.一种永磁同步电机双闭环故障预测与健康管理装置,其特征在于,包括:同步采集卡、计算机和关键特征参数检测传感器;
关键特征参数检测传感器布置在永磁同步电机上;
关键特征参数检测传感器的信号输出端与同步采集卡的信号输入端连接,同步采集卡的信号输出端与计算机连接;
所述同步采集卡用于采集关键特征参数检测传感器检测的永磁同步电机的关键特征参数值,并对关键特征参数值进行滤波和升降采样,获得预处理后的关键特征参数值后传输至计算机;
所述计算机用于建立永磁同步电机的数字孪生模型,并根据预处理后的关键特征参数值,对所述数字孪生模型进行动态自我矫正更新,进而利用动态更新的数字孪生模型对永磁同步电机进行故障预测与健康管理。
9.根据权利要求8所述的永磁同步电机双闭环故障预测与健康管理装置,其特征在于,所述计算机包括:永磁同步电机双闭环故障预测与健康管理系统;
所述永磁同步电机双闭环故障预测与健康管理系统具体包括:
异常检测模块,用于根据实时采集的关键特征参数,利用数字孪生模型的异常检测触发机制对当前数字孪生模型进行异常检测;
更新模块,用于若检测到当前数字孪生模型异常,则根据实时采集的关键特征参数更新当前数字孪生模型的固有参数;
固有参数获取模块,用于若检测到当前数字孪生模型无异常,则获取当前数字孪生模型的固有参数;
模型应用模块,用于根据获取的当前数字孪生模型的固有参数对永磁同步电机进行故障预测与健康管理;
人机交互可视化平台界面,用于按照电气、机械动力、温度、功率和故障预测与健康管理板块分块显示永磁同步电机的运行状态和维护指导意见。
10.根据权利要求8所述的永磁同步电机双闭环故障预测与健康管理装置,其特征在于,所述关键特征参数检测传感器包括:电流传感器、电压传感器、转速传感器和扭矩传感器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310085346.5A CN115993531A (zh) | 2023-01-29 | 2023-01-29 | 一种永磁同步电机双闭环故障预测与健康管理方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310085346.5A CN115993531A (zh) | 2023-01-29 | 2023-01-29 | 一种永磁同步电机双闭环故障预测与健康管理方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115993531A true CN115993531A (zh) | 2023-04-21 |
Family
ID=85991780
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310085346.5A Pending CN115993531A (zh) | 2023-01-29 | 2023-01-29 | 一种永磁同步电机双闭环故障预测与健康管理方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115993531A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117709027A (zh) * | 2024-02-05 | 2024-03-15 | 山东大学 | 机电液耦合直线驱动系统动力学模型参数辨识方法及系统 |
CN117786385A (zh) * | 2023-12-26 | 2024-03-29 | 嘉兴欣晟电机股份有限公司 | 基于孪生网络的三相异步电动机故障监测方法及系统 |
-
2023
- 2023-01-29 CN CN202310085346.5A patent/CN115993531A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117786385A (zh) * | 2023-12-26 | 2024-03-29 | 嘉兴欣晟电机股份有限公司 | 基于孪生网络的三相异步电动机故障监测方法及系统 |
CN117786385B (zh) * | 2023-12-26 | 2024-05-17 | 嘉兴欣晟电机股份有限公司 | 基于孪生网络的三相异步电动机故障监测方法及系统 |
CN117709027A (zh) * | 2024-02-05 | 2024-03-15 | 山东大学 | 机电液耦合直线驱动系统动力学模型参数辨识方法及系统 |
CN117709027B (zh) * | 2024-02-05 | 2024-05-28 | 山东大学 | 机电液耦合直线驱动系统动力学模型参数辨识方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110554657B (zh) | 一种数控机床运行状态健康诊断系统及诊断方法 | |
CN115993531A (zh) | 一种永磁同步电机双闭环故障预测与健康管理方法及装置 | |
CN113128561A (zh) | 一种机床轴承故障诊断方法 | |
CN104390657B (zh) | 一种发电机组运行参数测量传感器故障诊断方法及系统 | |
CN108444708B (zh) | 基于卷积神经网络的滚动轴承智能诊断模型的建立方法 | |
CN111947928B (zh) | 一种多源信息融合的轴承故障预测系统及方法 | |
CN111639921B (zh) | 一种基于专家系统的设备故障智判与辅助处置方法 | |
CN111860839A (zh) | 基于多信号融合及Adam优化算法的岸桥故障监测方法 | |
CN113188794A (zh) | 一种基于改进pso-bp神经网络齿轮箱故障诊断方法及装置 | |
Li et al. | Framework and case study of cognitive maintenance in Industry 4.0 | |
CN108257365A (zh) | 一种基于全局不确定性证据动态融合的工业报警器设计方法 | |
CN115982663A (zh) | 一种新能源风机设备的故障预警系统 | |
CN116449717A (zh) | 一种基于数字孪生的挤压机减速箱状态监控系统 | |
CN118309644A (zh) | 基于数字孪生的管道泵运行流量监测方法及系统 | |
CN114297265A (zh) | 基于物联技术的智能运维方法 | |
CN117872969A (zh) | 一种基于数字孪生的智能机电加工系统 | |
CN118009019A (zh) | 一种孪生数据驱动的船用齿轮箱智能监测系统 | |
CN117192369A (zh) | 基于数字孪生技术的曳引电机监测与诊断方法 | |
CN112799382A (zh) | 一种机器人微机电系统故障诊断方法及系统 | |
CN112580169A (zh) | 一种基于机器学习的谐波减速器健康评估方法 | |
CN116933003A (zh) | 基于DaNet的无人机发动机的剩余使用寿命预测方法 | |
CN117829821B (zh) | 一种基于云平台的复合材料设备维护管理方法 | |
Ma et al. | Automated and Systematic Digital Twins Testing for Industrial Processes | |
CN117804811B (zh) | 注意力机制深度神经网络港机装备健康诊断系统及方法 | |
CN116776086B (zh) | 基于自注意力机制自编码器的信号故障判别方法及装置 |
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 |