CN116106742A - 一种基于dq变换的电机轴承故障诊断方法及系统 - Google Patents
一种基于dq变换的电机轴承故障诊断方法及系统 Download PDFInfo
- Publication number
- CN116106742A CN116106742A CN202310361642.3A CN202310361642A CN116106742A CN 116106742 A CN116106742 A CN 116106742A CN 202310361642 A CN202310361642 A CN 202310361642A CN 116106742 A CN116106742 A CN 116106742A
- Authority
- CN
- China
- Prior art keywords
- bearing
- fault
- characteristic frequency
- amplitude
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 58
- 238000000034 method Methods 0.000 title claims abstract description 45
- 230000009466 transformation Effects 0.000 title abstract description 22
- 239000013598 vector Substances 0.000 claims abstract description 101
- 238000005096 rolling process Methods 0.000 claims abstract description 66
- 238000006243 chemical reaction Methods 0.000 claims abstract description 36
- 238000007781 pre-processing Methods 0.000 claims abstract description 16
- 238000011156 evaluation Methods 0.000 claims description 41
- 230000009467 reduction Effects 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 13
- 238000001514 detection method Methods 0.000 claims description 9
- 230000005611 electricity Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 230000006698 induction Effects 0.000 description 4
- 230000000737 periodic effect Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000005299 abrasion Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005056 compaction Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 238000004804 winding Methods 0.000 description 1
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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
Description
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DQ变换的电机轴承故障诊断系统。
背景技术
感应电机正常运行时,轴承中的滚动体在内环和外环之间滚动,如果轴承表面有损伤,则每当滚动体滚动经过凹凸面时,会对轴承和轴承座产生突变的冲击脉冲力,使其产生冲击振动。不同部位发生故障时,其振动频率与轴承的几何尺寸、感应电机转速和电流基波频率有关。
轴承故障引起的相位调制与幅度调制会在电流信号中产生响应,通过坐标变化可以明显增强故障在频谱中的显著程度。DQ变换的优点在于,能够在电流信号中保存所有的信息,而且把对称的三相电流的3个变量转换成2个变量。使用DQ变换对于感应电机的故障诊断往往通过检验上式所确定的圆轨迹的椭圆度来度量,当电流为圆形时,电机正常运行,无故障,当电流为椭圆时,电机发生了轴承故障,故障相与椭圆主轴方向有关,当电流呈圆环时,电机发生了转子故障。
而现有技术中由于电机轴承发生故障时故障信号微弱,使得存在无法对电机故障进行准确判断的技术问题。
发明内容
本申请提供了一种基于DQ变换的电机轴承故障诊断方法,用于针对解决现有技术中存在的由于电机轴承发生故障时故障信号微弱,使得无法对电机故障进行准确判断的技术问题。
鉴于上述问题,本申请提供了一种基于DQ变换的电机轴承故障诊断方法、系统、计算机设备和存储介质。
第一方面,本申请提供了一种基于DQ变换的电机轴承故障诊断方法,所述方法包括:采集目标电机的电机定子的三相电流信号;对所述三相电流信号进行预处理,获得三相电流、和;对所述三相电流、和进行Park转换,转换至d、q坐标系下,获得D矢量和Q矢量;根据所述D矢量和Q矢量,计算获得Park矢量模;获取所述目标电机内轴承的轴承内圈故障特征频率BPFI、轴承外圈故障特征频率BPFO、轴承保持架故障特征频率FTF、轴承滚动体故障特征频率BSF;对所述Park矢量模进行傅里叶变换,并获取BPFI处幅值、BPFO处幅值、FTF处幅值、BSF处幅值;结合所述轴承内圈故障特征频率BPFI、轴承外圈故障特征频率BPFO、轴承保持架故障特征频率FTF、轴承滚动体故障特征频率BSF、BPFI处幅值、BPFO处幅值、FTF处幅值、BSF处幅值,分析获得外圈故障严重程度评级、内圈故障严重程度评级、滚动体故障严重程度评级、和保持架故障严重程度评级,作为所述目标电机内轴承的轴承故障诊断结果。
第二方面,本申请提供了一种基于DQ变换的电机轴承故障诊断系统,所述系统包括:信号采集模块,所述信号采集模块用于采集目标电机的电机定子的三相电流信号;预处理模块,所述预处理模块用于对所述三相电流信号进行预处理,获得三相电流、和;转换模块,所述转换模块用于对所述三相电流、和进行Park转换,转换至d、q坐标系下,获得D矢量和Q矢量;计算模块,所述计算模块用于根据所述D矢量和Q矢量,计算获得Park矢量模;特征频率获得模块,所述特征频率获得模块用于获取所述目标电机内轴承的轴承内圈故障特征频率BPFI、轴承外圈故障特征频率BPFO、轴承保持架故障特征频率FTF、轴承滚动体故障特征频率BSF;傅里叶变换模块,所述傅里叶变换模块用于对所述Park矢量模进行傅里叶变换,并获取BPFI处幅值、BPFO处幅值、FTF处幅值、BSF处幅值;诊断结果获取模块,所述诊断结果获取模块用于结合所述轴承内圈故障特征频率BPFI、轴承外圈故障特征频率BPFO、轴承保持架故障特征频率FTF、轴承滚动体故障特征频率BSF、BPFI处幅值、BPFO处幅值、FTF处幅值、BSF处幅值,分析获得外圈故障严重程度评级、内圈故障严重程度评级、滚动体故障严重程度评级、和保持架故障严重程度评级,作为所述目标电机内轴承的轴承故障诊断结果。
第三方面,一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:采集目标电机的电机定子的三相电流信号;对所述三相电流信号进行预处理,获得三相电流、和;对所述三相电流、和进行Park转换,转换至d、q坐标系下,获得D矢量和Q矢量;根据所述D矢量和Q矢量,计算获得Park矢量模;获取所述目标电机内轴承的轴承内圈故障特征频率BPFI、轴承外圈故障特征频率BPFO、轴承保持架故障特征频率FTF、轴承滚动体故障特征频率BSF;对所述Park矢量模进行傅里叶变换,并获取BPFI处幅值、BPFO处幅值、FTF处幅值、BSF处幅值;结合所述轴承内圈故障特征频率BPFI、轴承外圈故障特征频率BPFO、轴承保持架故障特征频率FTF、轴承滚动体故障特征频率BSF、BPFI处幅值、BPFO处幅值、FTF处幅值、BSF处幅值,分析获得外圈故障严重程度评级、内圈故障严重程度评级、滚动体故障严重程度评级、和保持架故障严重程度评级,作为所述目标电机内轴承的轴承故障诊断结果。
第四方面,一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:采集目标电机的电机定子的三相电流信号;对所述三相电流信号进行预处理,获得三相电流、和;对所述三相电流、和进行Park转换,转换至d、q坐标系下,获得D矢量和Q矢量;根据所述D矢量和Q矢量,计算获得Park矢量模;获取所述目标电机内轴承的轴承内圈故障特征频率BPFI、轴承外圈故障特征频率BPFO、轴承保持架故障特征频率FTF、轴承滚动体故障特征频率BSF;对所述Park矢量模进行傅里叶变换,并获取BPFI处幅值、BPFO处幅值、FTF处幅值、BSF处幅值;结合所述轴承内圈故障特征频率BPFI、轴承外圈故障特征频率BPFO、轴承保持架故障特征频率FTF、轴承滚动体故障特征频率BSF、BPFI处幅值、BPFO处幅值、FTF处幅值、BSF处幅值,分析获得外圈故障严重程度评级、内圈故障严重程度评级、滚动体故障严重程度评级、和保持架故障严重程度评级,作为所述目标电机内轴承的轴承故障诊断结果。
上述一种基于DQ变换的电机轴承故障诊断方法、系统、计算机设备和存储介质,实现了使用DQ矢量模,进而提高故障识别的准确性。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
本申请提供的一种基于DQ变换的电机轴承故障诊断方法,涉及智能诊断技术领域,本申请通过基于Park变换,在Park矢量模的频谱中含有主要由电源产生的直流分量和三个谐波分量,电源基波频率被屏蔽掉,消除对故障检测的影响,且与电机故障的信号特征有关的部分都进行了放大,进而放大了电机定子电流中的故障信号特征信息,解决了现有技术中故障信号微弱,使得无法对电机故障进行判断的技术问题,实现了使用DQ矢量模,进而提高故障识别的准确性。
附图说明
图1为本申请提供了一种基于DQ变换的电机轴承故障诊断方法流程示意图;
图2为本申请提供了一种基于DQ变换的电机轴承故障诊断方法中获得降噪后的三相电流、和流程示意图;
图3为本申请提供了一种基于DQ变换的电机轴承故障诊断方法中获得所述轴承内圈故障特征频率BPFI、轴承外圈故障特征频率BPFO、轴承保持架故障特征频率FTF、轴承滚动体故障特征频率BSF流程示意图;
图4为本申请提供了一种基于DQ变换的电机轴承故障诊断方法中生成目标电机内轴承的轴承故障诊断结果流程示意图;
图5为本申请提供了一种基于DQ变换的电机轴承故障诊断系统结构示意图。
图6为一个实施例中计算机设备的内部结构图。
附图标记说明:信号采集模块1,预处理模块2,转换模块3,计算模块4,特征频率获得模块5,傅里叶变换模块6,诊断结果获取模块7。
具体实施方式
本申请通过提供一种基于DQ变换的电机轴承故障诊断方法,用于解决现有技术中故障信号微弱,使得无法对电机故障进行判断的技术问题。
实施例一
如图1所示,本申请实施例提供了一种基于DQ变换的电机轴承故障诊断方法,该方法包括:
步骤S100:采集目标电机的电机定子的三相电流信号;
具体而言,由于三相交流电在交流电机定子绕组中可以产生旋转磁场,同时该磁场为稳定且具有固定旋转方向的旋转磁场,而四相及以上则不够经济,因此当前目标电机的电机定子使用三相电,其三相电流是通过三根导线,每根导线作为其他两根的回路,其三个分量的相位差依次为一个周期的三分之一或120°相位角的电流,此外,在发电方面,相同尺寸的三相发电机比单相发电机的功率大,在三相负载相同的情况下,发电机转矩恒定,有利于发电机的工作。进一步的对目标电机的电机转子中的三向电流信号进行对应采集,当采集U相电流、V相电流、W相电流时,偏置电压的参考地点各不相同,其三相电流信号分别为U相电流信号、V相电流信号、W相电流信号,最终将U相电流信号、V相电流信号、W相电流信号进行整合,从而对应获得目标电机的电机定子的三相电流信号,为后期实现获得目标电机内轴承的轴承故障诊断结果作为重要参考依据。
步骤S200:对所述三相电流信号进行预处理,获得三相电流、和;
具体而言,以所采集到的三相电流信号为基础,对其进行预处理,其预处理过程可以是,首先对低通滤波器进行构建,同时低通滤波器的截止频率为10倍电网的基波频率,在电流信号通常含有无结构的强随机噪声和无序的脉冲噪声,而电流信号降噪可以通过小波变换、经验模态分解、传统奇异谱分析以及采用低通滤波器等。本申请实施例优选采用低通滤波器对三相电流信号进行降噪处理,即对U相电流信号、V相电流信号、W相电流信号进行降噪,从而对降噪后的三相电流、和进行获取,进而为实现获得目标电机内轴承的轴承故障诊断结果做保障。
步骤S300:对所述三相电流、和进行Park转换,转换至d、q坐标系下,获得D矢量和Q矢量;
所述D矢量和Q矢量如下式:
其中,为D矢量,为Q矢量。
具体而言,对降噪后所获的三相电流、和进行Park转换,其Park转换是指对分析同步电动机运行最常用的一种坐标变换,Park转换将目标电机的电机定子中、和三相电流投影到随着转子旋转的直轴(d轴),交轴(q轴)与垂直于dq平面的零轴(0轴)上去,从而实现了对定子电感矩阵的对角化,对同步电动机的运行分析起到了简化作用,即从abc坐标系变换到dq坐标系下,并通过如下公式对D矢量以及Q矢量进行计算:
其中,为D矢量,为Q矢量。
将降噪后目标电机的电机定子中、和三相电流对应代入至上述公式中,从而对应获得和的值,并将和的值分别对应记作D矢量以及Q矢量,为后续实现获得目标电机内轴承的轴承故障诊断结果夯实基础。
步骤S400:根据所述D矢量和Q矢量,计算获得Park矢量模;
当所述目标电机内轴承出现故障的振动频率小于电网的基波频率时,Park矢量模通过下式计算:
其中,为电网的基波频率,为轴承出现故障的振动特征频率,是电机供电的相电流;是相电流的初始相角,是电流低边瓣分量在下的最大值;是电流高边瓣分量在下的最大值:为低边瓣分量的初始相角;为高边瓣分量的初始相角。
当所述目标电机内轴承出现故障的振动频率大于电网的基波频率时,Park矢量模通过下式计算:
其中,为电网的基波频率,为轴承出现故障的振动特征频率,是电机供电的相电流;是相电流的初始相角,是电流低边瓣分量在下的最大值;是电流高边瓣分量在下的最大值:为低边瓣分量的初始相角;为高边瓣分量的初始相角。
具体而言,通过上述公式所对应计算出D矢量以及Q矢量,在此基础上,对Park矢量模进行计算,在对Park矢量模进行计算前,首先需要对当前目标电机内轴承出现故障的振动频率与电网的基波频率进行判断比较,例如其电网的基波频率为50赫兹,若目标电机内轴承出现故障的振动频率小于电网的基波频率时,通过如下公式完成对Park矢量模的计算:
其中,为电网的基波频率,为轴承出现故障的振动特征频率,是电机供电的相电流;是相电流的初始相角,是电流低边瓣分量在下的最大值;是电流高边瓣分量在下的最大值:为低边瓣分量的初始相角;为高边瓣分量的初始相角。
目标电机内轴承出现故障的振动频率越低,则线路中用的容和感就必须相应变大,变压器将变得非常庞大,因此将所获当前目标电机内轴承出现故障的振动频率、固定电网基波频率、电机中的三相电流等在上述公式中进行代入,从而完成当目标电机内轴承出现故障的振动频率小于电网的基波频率时,对Park矢量模的获得。
若目标电机内轴承出现故障的振动频率大于电网的基波频率时,通过如下公式完成对Park矢量模的计算:
其中,为电网的基波频率,为轴承出现故障的振动特征频率,是电机供电的相电流;是相电流的初始相角,是电流低边瓣分量在下的最大值;是电流高边瓣分量在下的最大值:为低边瓣分量的初始相角;为高边瓣分量的初始相角。
目标电机内轴承出现故障的振动频率偏差大时,会使感应式电能表的计量误差同步加大,因此将所获当前目标电机内轴承出现故障的振动频率、固定电网基波频率、电机中的三相电流等在上述公式中进行代入,从而完成当目标电机内轴承出现故障的振动频率大于电网的基波频率时,对Park矢量模的获得。
进一步的,以所获D矢量和Q矢量为基础,分别对当目标电机内轴承出现故障的振动频率小于电网的基波频率时的Park矢量模进行计算获取,对当目标电机内轴承出现故障的振动频率大于电网的基波频率时的Park矢量模进行计算获取,从而计算获得两种情况下所对应的Park矢量模,对实现获得目标电机内轴承的轴承故障诊断结果有着推进的作用。
步骤S500:获取所述目标电机内轴承的轴承内圈故障特征频率BPFI、轴承外圈故障特征频率BPFO、轴承保持架故障特征频率FTF、轴承滚动体故障特征频率BSF;
具体而言,根据目标电机内轴承的结构对目标电机内轴承的结构尺寸信息进行获取,其电机内轴承的结构包含轴承内圈、轴承外圈、轴承保持架、轴承滚动体,并对电机内轴承所包含的各个结构对应的尺寸进行采集,进一步的,根据目标电机内轴承的结构尺寸信息,对轴承内圈故障特征频率BPFI、轴承外圈故障特征频率BPFO、轴承保持架故障特征频率FTF、轴承滚动体故障特征频率BSF进行相应计算,从而获得最终的轴承内圈故障特征频率BPFI、轴承外圈故障特征频率BPFO、轴承保持架故障特征频率FTF、轴承滚动体故障特征频率BSF。
步骤S600:对所述Park矢量模进行傅里叶变换,并获取BPFI处幅值、BPFO处幅值、FTF处幅值、BSF处幅值;
具体而言,根据上述计算所获的轴承内圈故障特征频率BPFI、轴承外圈故障特征频率BPFO、轴承保持架故障特征频率FTF以及轴承滚动体故障特征频率BSF进行频率采样,再对所计算的Park矢量模进行傅里叶变换,其傅里叶变换是表示将满足一定条件的Park矢量模表示成三角函数(正弦和/或余弦函数)或者它们的积分的线性组合,即通过如下公式完成傅里叶变换:
其中,为频率,t为时间,为复变函数,同时在一个周期函数,其包含多个频率分量,任意函数f(t)可通过多个周期函数相加而合成,f(t)是t的周期函数,若t满足狄利克雷条件:在一个以2T为周期内f(X)连续或只有有限个第一类间断点,附f(x)单调或可划分成有限个单调区间,则F(x)以2T为周期的傅里叶级数收敛,和函数S(x)也是以2T为周期的周期函数,且在这些间断点上,函数是有限值,在一个周期内具有有限个极值点,绝对可积,进一步的完成对Park矢量模的傅里叶变换,从而对BPFI处幅值、BPFO处幅值、FTF处幅值、BSF处幅值进行获取,并对后期实现获得目标电机内轴承的轴承故障诊断结果提供数据基础。
步骤S700:结合所述轴承内圈故障特征频率BPFI、轴承外圈故障特征频率BPFO、轴承保持架故障特征频率FTF、轴承滚动体故障特征频率BSF、BPFI处幅值、BPFO处幅值、FTF处幅值、BSF处幅值,分析获得外圈故障严重程度评级、内圈故障严重程度评级、滚动体故障严重程度评级、和保持架故障严重程度评级,作为所述目标电机内轴承的轴承故障诊断结果。
具体而言,将上述所获的轴承内圈故障特征频率BPFI、轴承外圈故障特征频率BPFO、轴承保持架故障特征频率FTF、轴承滚动体故障特征频率BSF、BPFI处幅值、BPFO处幅值、FTF处幅值、BSF处幅值进行提取,再对历史时间内的电机轴承磨损进行检测,并对应获得电机轴承磨损检测数据,同时对电机轴承磨损评价阈值分级标准进行设定,其所设定的电机轴承磨损评价阈值分级标准中可以包含电机轴承外圈磨损评价阈值分级子标准、电机轴承内圈磨损评价阈值分级子标准、电机轴承滚动体磨损评价阈值分级子标准和电机轴承保持架磨损评价阈值分级子标准,再将轴承内圈故障特征频率BPFI、轴承外圈故障特征频率BPFO、轴承保持架故障特征频率FTF、轴承滚动体故障特征频率BSF、BPFI处幅值、BPFO处幅值、FTF处幅值、BSF处幅值与电机轴承磨损评价阈值分级标准进行匹配分析,从而对应获得电机轴承外圈故障严重程度评级,电机轴承内圈故障严重程度评级,电机轴承滚动体故障严重程度评级,电机轴承保持架故障严重程度评级,最终将所获电机轴承外圈故障严重程度评级、电机轴承内圈故障严重程度评级、电机轴承滚动体故障严重程度评级、电机轴承保持架故障严重程度评级进行汇总整合,并将整合结果记作目标电机内轴承的所述轴承故障诊断结果,实现使用DQ矢量模,提高故障识别的准确性。
进一步而言,如图2所示,本申请步骤S200还包括:
步骤S210:构建低通滤波器,所述低通滤波器的截止频率为10倍电网的基波频率;
步骤S220:采用所述低通滤波器,对所述三相电流信号进行降噪处理,获得降噪后的所述三相电流、和。
具体而言,对低通滤波器进行构建,其低通滤波器是指容许低于截止频率的信号通过,而高于截止频率的信号不能通过的电子滤波装置,进一步的所构建的低通滤波器的截止频率为10倍电网的基波频率,例如500赫兹,再采用所构建的低通滤波器对目标电机的电机定子的三相电流信号进行降噪处理,即容许低于500赫兹电机定子的三相电流信号进行通过,从而将所通过的三相电流信号记作降噪后的三相电流、和,达到为后期实现获得目标电机内轴承的轴承故障诊断结果提供重要依据的技术效果。
进一步而言,如图3所示,本申请步骤S500还包括:
步骤S510:获取所述目标电机内轴承的结构尺寸信息;
步骤S520:根据所述结构尺寸信息,计算获得所述轴承内圈故障特征频率BPFI、轴承外圈故障特征频率BPFO、轴承保持架故障特征频率FTF、轴承滚动体故障特征频率BSF。
具体而言,首先对目标电机内轴承的结构尺寸信息进行获取,其电机内轴承的结构包含轴承内圈、轴承外圈、轴承保持架、轴承滚动体,并对电机内轴承所包含的各个结构对应的尺寸进行采集,并将所获尺寸分别对应代入至如下公式中,对轴承内圈故障特征频率BPFI、轴承外圈故障特征频率BPFO、轴承保持架故障特征频率FTF、轴承滚动体故障特征频率BSF进行计算:
其中,当轴承为2列滚子时,Z为单列滚子数;n为内圈转速=1r/s;D为滚子直径;dm为滚子节圆直径;为接触角。
由上述公式分别进行对应计算,从而对轴承内圈故障特征频率BPFI、轴承外圈故障特征频率BPFO、轴承保持架故障特征频率FTF以及轴承滚动体故障特征频率BSF分别进行获得,最终达到对获得目标电机内轴承的轴承故障诊断结果提供参考的技术效果。
进一步而言,如图4所示,本申请步骤S700还包括:
步骤S710:基于历史时间内的电机轴承磨损检测数据,获取电机轴承磨损评价阈值分级标准,其中,所述电机轴承磨损评价阈值分级标准包括外圈磨损评价阈值分级子标准、内圈磨损评价阈值分级子标准、滚动体磨损评价阈值分级子标准和保持架磨损评价阈值分级子标准;
步骤S720:结合所述轴承内圈故障特征频率BPFI、轴承外圈故障特征频率BPFO、轴承保持架故障特征频率FTF、轴承滚动体故障特征频率BSF、BPFI处幅值、BPFO处幅值、FTF处幅值、BSF处幅值,根据所述电机轴承磨损评价阈值分级标准,分析获得所述外圈故障严重程度评级,内圈故障严重程度评级,滚动体故障严重程度评级,保持架故障严重程度评级;
步骤S730:基于所述外圈故障严重程度评级,内圈故障严重程度评级,滚动体故障严重程度评级,保持架故障严重程度评级,生成所述目标电机内轴承的所述轴承故障诊断结果。
具体而言,以当前时刻为基准,对当前时刻之前时间段中的电机轴承磨损进行实时检测的数据进行依次提取,从而获得历史时间内的电机轴承磨损检测数据,并根据所获电机轴承磨损检测数据,基于电机轴承故障检测领域内的技术人员,对电机轴承磨损评价阈值分级标准进行相应设定,其中,电机轴承磨损评价阈值分级标准中包括外圈磨损评价阈值分级子标准、内圈磨损评价阈值分级子标准、滚动体磨损评价阈值分级子标准和保持架磨损评价阈值分级子标准,其外圈磨损评价阈值分级子标准是指在电机轴承的外圈部位被磨损的程度、其内圈磨损评价阈值分级子标准是指在电机轴承的内圈部位被磨损的程度、其滚动体磨损评价阈值分级子标准是指在电机轴承的滚动体部位被磨损的程度、其保持架磨损评价阈值分级子标准是指在电机轴承的保持架部位被磨损的程度、磨损程度均可以分为一级磨损、二级磨损、三级磨损,其分别可以对应轻微磨损、一般磨损、严重磨损。
进一步的根据电机轴承磨损评价阈值分级标准,将上述计算所获轴承内圈故障特征频率BPFI、轴承外圈故障特征频率BPFO、轴承保持架故障特征频率FTF、轴承滚动体故障特征频率BSF、BPFI处幅值、BPFO处幅值、FTF处幅值、BSF处幅值与电机轴承磨损评价阈值分级标准进行匹配分析,获得与之对应的磨损程度评级,即外圈故障严重程度评级,内圈故障严重程度评级,滚动体故障严重程度评级以及保持架故障严重程度评级。
最终根据外圈故障严重程度评级,内圈故障严重程度评级,滚动体故障严重程度评级,保持架故障严重程度评级对当前电机转轴的磨损程度进行评估,根据评估结果与电机轴承的故障因素进行比对,同时将比对结果记作目标电机内轴承的所述轴承故障诊断结果进行输出,最终达到获得目标电机内轴承的轴承故障诊断结果的技术效果。
实施例二
基于与前述实施例中一种基于DQ变换的电机轴承故障诊断方法相同的发明构思,如图5所示,本申请提供了一种基于DQ变换的电机轴承故障诊断系统,系统包括:
信号采集模块1,所述信号采集模块1用于采集目标电机的电机定子的三相电流信号;
预处理模块2,所述预处理模块2用于对所述三相电流信号进行预处理,获得三相电流、和;
转换模块3,所述转换模块3用于对所述三相电流、和进行Park转换,转换至d、q坐标系下,获得D矢量和Q矢量;
计算模块4,所述计算模块4用于根据所述D矢量和Q矢量,计算获得Park矢量模;
特征频率获得模块5,所述特征频率获得模块5用于获取所述目标电机内轴承的轴承内圈故障特征频率BPFI、轴承外圈故障特征频率BPFO、轴承保持架故障特征频率FTF、轴承滚动体故障特征频率BSF;
傅里叶变换模块6,所述傅里叶变换模块6用于对所述Park矢量模进行傅里叶变换,并获取BPFI处幅值、BPFO处幅值、FTF处幅值、BSF处幅值;
诊断结果获取模块7,所述诊断结果获取模块7用于结合所述轴承内圈故障特征频率BPFI、轴承外圈故障特征频率BPFO、轴承保持架故障特征频率FTF、轴承滚动体故障特征频率BSF、BPFI处幅值、BPFO处幅值、FTF处幅值、BSF处幅值,分析获得外圈故障严重程度评级、内圈故障严重程度评级、滚动体故障严重程度评级、和保持架故障严重程度评级,作为所述目标电机内轴承的轴承故障诊断结果。
进一步而言,系统还包括:
基波频率模块,基波频率模块用于构建低通滤波器,所述低通滤波器的截止频率为10倍电网的基波频率;
降噪处理模块,降噪处理模块用于采用所述低通滤波器,对所述三相电流信号进行降噪处理,获得降噪后的所述三相电流、和。
进一步而言,系统还包括:
结构尺寸获得模块,结构尺寸获得模块用于获取所述目标电机内轴承的结构尺寸信息;
第一计算模块,第一计算模块用于根据所述结构尺寸信息,计算获得所述轴承内圈故障特征频率BPFI、轴承外圈故障特征频率BPFO、轴承保持架故障特征频率FTF、轴承滚动体故障特征频率BSF。
进一步而言,系统还包括:
标准模块,标准模块用于基于历史时间内的电机轴承磨损检测数据,获取电机轴承磨损评价阈值分级标准,其中,所述电机轴承磨损评价阈值分级标准包括外圈磨损评价阈值分级子标准、内圈磨损评价阈值分级子标准、滚动体磨损评价阈值分级子标准和保持架磨损评价阈值分级子标准;
分析模块,分析模块用于结合所述轴承内圈故障特征频率BPFI、轴承外圈故障特征频率BPFO、轴承保持架故障特征频率FTF、轴承滚动体故障特征频率BSF、BPFI处幅值、BPFO处幅值、FTF处幅值、BSF处幅值,根据所述电机轴承磨损评价阈值分级标准,分析获得所述外圈故障严重程度评级,内圈故障严重程度评级,滚动体故障严重程度评级,保持架故障严重程度评级;
故障诊断生成模块,故障诊断生成模块用于基于所述外圈故障严重程度评级,内圈故障严重程度评级,滚动体故障严重程度评级,保持架故障严重程度评级,生成所述目标电机内轴承的所述轴承故障诊断结果。
本说明书通过前述对一种基于DQ变换的电机轴承故障诊断方法的详细描述,本领域技术人员可以清楚的知道本实施例中一种基于DQ变换的电机轴承故障诊断方法及系统,对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
关于一种基于DQ变换的电机轴承故障诊断系统的具体实施例可以参见上文中对于一种基于DQ变换的电机轴承故障诊断方法的实施例,在此不再赘述。上述一种基于DQ变换的电机轴承故障诊断装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储新闻数据以及时间衰减因子等数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于DQ变换的电机轴承故障诊断方法。
本领域技术人员可以理解,图6中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
实施例三
如图6所示,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:采集目标电机的电机定子的三相电流信号;对所述三相电流信号进行预处理,获得三相电流、和;对所述三相电流、和进行Park转换,转换至d、q坐标系下,获得D矢量和Q矢量;根据所述D矢量和Q矢量,计算获得Park矢量模;获取所述目标电机内轴承的轴承内圈故障特征频率BPFI、轴承外圈故障特征频率BPFO、轴承保持架故障特征频率FTF、轴承滚动体故障特征频率BSF;对所述Park矢量模进行傅里叶变换,并获取BPFI处幅值、BPFO处幅值、FTF处幅值、BSF处幅值;结合所述轴承内圈故障特征频率BPFI、轴承外圈故障特征频率BPFO、轴承保持架故障特征频率FTF、轴承滚动体故障特征频率BSF、BPFI处幅值、BPFO处幅值、FTF处幅值、BSF处幅值,分析获得外圈故障严重程度评级、内圈故障严重程度评级、滚动体故障严重程度评级、和保持架故障严重程度评级,作为所述目标电机内轴承的轴承故障诊断结果。
实施例四
本实施例提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:采集目标电机的电机定子的三相电流信号;对所述三相电流信号进行预处理,获得三相电流、和;对所述三相电流、和进行Park转换,转换至d、q坐标系下,获得D矢量和Q矢量;根据所述D矢量和Q矢量,计算获得Park矢量模;获取所述目标电机内轴承的轴承内圈故障特征频率BPFI、轴承外圈故障特征频率BPFO、轴承保持架故障特征频率FTF、轴承滚动体故障特征频率BSF;对所述Park矢量模进行傅里叶变换,并获取BPFI处幅值、BPFO处幅值、FTF处幅值、BSF处幅值;结合所述轴承内圈故障特征频率BPFI、轴承外圈故障特征频率BPFO、轴承保持架故障特征频率FTF、轴承滚动体故障特征频率BSF、BPFI处幅值、BPFO处幅值、FTF处幅值、BSF处幅值,分析获得外圈故障严重程度评级、内圈故障严重程度评级、滚动体故障严重程度评级、和保持架故障严重程度评级,作为所述目标电机内轴承的轴承故障诊断结果。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于DQ变换的电机轴承故障诊断方法,其特征在于,所述方法包括:
采集目标电机的电机定子的三相电流信号;
对所述三相电流信号进行预处理,获得三相电流、和;
对所述三相电流、和进行Park转换,转换至d、q坐标系下,获得D矢量和Q矢量;
根据所述D矢量和Q矢量,计算获得Park矢量模;
获取所述目标电机内轴承的轴承内圈故障特征频率BPFI、轴承外圈故障特征频率BPFO、轴承保持架故障特征频率FTF、轴承滚动体故障特征频率BSF;
对所述Park矢量模进行傅里叶变换,并获取BPFI处幅值、BPFO处幅值、FTF处幅值、BSF处幅值;
结合所述轴承内圈故障特征频率BPFI、轴承外圈故障特征频率BPFO、轴承保持架故障特征频率FTF、轴承滚动体故障特征频率BSF、BPFI处幅值、BPFO处幅值、FTF处幅值、BSF处幅值,分析获得外圈故障严重程度评级、内圈故障严重程度评级、滚动体故障严重程度评级、和保持架故障严重程度评级,作为所述目标电机内轴承的轴承故障诊断结果。
2.根据权利要求1所述的方法,其特征在于,对所述三相电流信号进行预处理,获得三相电流、和,包括:
构建低通滤波器,所述低通滤波器的截止频率为10倍电网的基波频率;
采用所述低通滤波器,对所述三相电流信号进行降噪处理,获得降噪后的所述三相电流、和。
3.根据权利要求1所述的方法,其特征在于,所述D矢量和Q矢量如下式:
其中,为D矢量,为Q矢量。
4.根据权利要求1所述的方法,其特征在于,当所述目标电机内轴承出现故障的振动频率小于电网的基波频率时,Park矢量模通过下式计算:
其中,为电网的基波频率,为轴承出现故障的振动特征频率,是电机供电的相电流;α是相电流的初始相角,是电流低边瓣分量在下的最大值;是电流高边瓣分量在下的最大值:为低边瓣分量的初始相角;为高边瓣分量的初始相角。
5.根据权利要求1所述的方法,其特征在于,当所述目标电机内轴承出现故障的振动频率大于电网的基波频率时,Park矢量模通过下式计算:
其中,为电网的基波频率,为轴承出现故障的振动特征频率,是电机供电的相电流;α是相电流的初始相角,是电流低边瓣分量在下的最大值;是电流高边瓣分量在下的最大值:为低边瓣分量的初始相角;为高边瓣分量的初始相角。
6.根据权利要求1所述的方法,其特征在于,获取所述目标电机内轴承的轴承内圈故障特征频率BPFI、轴承外圈故障特征频率BPFO、轴承保持架故障特征频率FTF、轴承滚动体故障特征频率BSF,包括:
获取所述目标电机内轴承的结构尺寸信息;
根据所述结构尺寸信息,计算获得所述轴承内圈故障特征频率BPFI、轴承外圈故障特征频率BPFO、轴承保持架故障特征频率FTF、轴承滚动体故障特征频率BSF。
7.根据权利要求1所述的方法,其特征在于,所述方法包括:
基于历史时间内的电机轴承磨损检测数据,获取电机轴承磨损评价阈值分级标准,其中,所述电机轴承磨损评价阈值分级标准包括外圈磨损评价阈值分级子标准、内圈磨损评价阈值分级子标准、滚动体磨损评价阈值分级子标准和保持架磨损评价阈值分级子标准;
结合所述轴承内圈故障特征频率BPFI、轴承外圈故障特征频率BPFO、轴承保持架故障特征频率FTF、轴承滚动体故障特征频率BSF、BPFI处幅值、BPFO处幅值、FTF处幅值、BSF处幅值,根据所述电机轴承磨损评价阈值分级标准,分析获得所述外圈故障严重程度评级,内圈故障严重程度评级,滚动体故障严重程度评级,保持架故障严重程度评级;
基于所述外圈故障严重程度评级,内圈故障严重程度评级,滚动体故障严重程度评级,保持架故障严重程度评级,生成所述目标电机内轴承的所述轴承故障诊断结果。
8.一种基于DQ变换的电机轴承故障诊断系统,其特征在于,所述系统包括:
信号采集模块,所述信号采集模块用于采集目标电机的电机定子的三相电流信号;
预处理模块,所述预处理模块用于对所述三相电流信号进行预处理,获得三相电流、和;
转换模块,所述转换模块用于对所述三相电流、和进行Park转换,转换至d、q坐标系下,获得D矢量和Q矢量;
计算模块,所述计算模块用于根据所述D矢量和Q矢量,计算获得Park矢量模;
特征频率获得模块,所述特征频率获得模块用于获取所述目标电机内轴承的轴承内圈故障特征频率BPFI、轴承外圈故障特征频率BPFO、轴承保持架故障特征频率FTF、轴承滚动体故障特征频率BSF;
傅里叶变换模块,所述傅里叶变换模块用于对所述Park矢量模进行傅里叶变换,并获取BPFI处幅值、BPFO处幅值、FTF处幅值、BSF处幅值;
诊断结果获取模块,所述诊断结果获取模块用于结合所述轴承内圈故障特征频率BPFI、轴承外圈故障特征频率BPFO、轴承保持架故障特征频率FTF、轴承滚动体故障特征频率BSF、BPFI处幅值、BPFO处幅值、FTF处幅值、BSF处幅值,分析获得外圈故障严重程度评级、内圈故障严重程度评级、滚动体故障严重程度评级、和保持架故障严重程度评级,作为所述目标电机内轴承的轴承故障诊断结果。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310361642.3A CN116106742A (zh) | 2023-04-07 | 2023-04-07 | 一种基于dq变换的电机轴承故障诊断方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310361642.3A CN116106742A (zh) | 2023-04-07 | 2023-04-07 | 一种基于dq变换的电机轴承故障诊断方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116106742A true CN116106742A (zh) | 2023-05-12 |
Family
ID=86261906
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310361642.3A Pending CN116106742A (zh) | 2023-04-07 | 2023-04-07 | 一种基于dq变换的电机轴承故障诊断方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116106742A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105043766A (zh) * | 2015-06-24 | 2015-11-11 | 北京航空航天大学 | 一种基于Hessian局部线性嵌入的轴承变工况故障诊断方法 |
CN106989923A (zh) * | 2017-03-28 | 2017-07-28 | 南京航空航天大学 | 基于定子电流小波包分析的永磁机轴承点蚀故障检测方法 |
CN109238698A (zh) * | 2018-10-15 | 2019-01-18 | 株洲中车时代电气股份有限公司 | 一种基于电流信号的电机轴承故障诊断方法 |
CN110163190A (zh) * | 2019-06-17 | 2019-08-23 | 郑州大学 | 一种滚动轴承故障诊断方法及装置 |
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 |
-
2023
- 2023-04-07 CN CN202310361642.3A patent/CN116106742A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105043766A (zh) * | 2015-06-24 | 2015-11-11 | 北京航空航天大学 | 一种基于Hessian局部线性嵌入的轴承变工况故障诊断方法 |
CN106989923A (zh) * | 2017-03-28 | 2017-07-28 | 南京航空航天大学 | 基于定子电流小波包分析的永磁机轴承点蚀故障检测方法 |
CN109238698A (zh) * | 2018-10-15 | 2019-01-18 | 株洲中车时代电气股份有限公司 | 一种基于电流信号的电机轴承故障诊断方法 |
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 |
CN110163190A (zh) * | 2019-06-17 | 2019-08-23 | 郑州大学 | 一种滚动轴承故障诊断方法及装置 |
Non-Patent Citations (1)
Title |
---|
薛征宇: "船舶感应电机轴承故障的检测方法研究", 《中国博士学位论文全文数据库 工程科技II辑》, pages 036 - 7 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bessous et al. | Diagnosis of bearing defects in induction motors using discrete wavelet transform | |
Kao et al. | Analysis of permanent magnet synchronous motor fault diagnosis based on learning | |
CusidÓCusido et al. | Fault detection in induction machines using power spectral density in wavelet decomposition | |
Sapena-Bano et al. | The harmonic order tracking analysis method for the fault diagnosis in induction motors under time-varying conditions | |
Pons-Llinares et al. | Induction motor diagnosis based on a transient current analytic wavelet transform via frequency B-splines | |
Romeral et al. | Modeling of surface-mounted permanent magnet synchronous motors with stator winding interturn faults | |
Zhang et al. | A GOA-MSVM based strategy to achieve high fault identification accuracy for rotating machinery under different load conditions | |
Zhu et al. | Vold–Kalman filtering order tracking based rotor demagnetization detection in PMSM | |
Mohammad-Alikhani et al. | One-dimensional LSTM-regulated deep residual network for data-driven fault detection in electric machines | |
Husari et al. | Stator turn fault diagnosis and severity assessment in converter-fed induction motor using flat diagnosis structure based on deep learning approach | |
CN113608119B (zh) | 电机运行状态监测方法、装置、设备和存储介质 | |
Zhang et al. | Diagnosis method for open‐circuit faults of six‐phase permanent magnet synchronous motor drive system | |
CN112257616A (zh) | 一种基于振动信号的调相机故障诊断方法、装置及系统 | |
CN116106742A (zh) | 一种基于dq变换的电机轴承故障诊断方法及系统 | |
CN111665441B (zh) | 一种电机故障诊断方法及装置 | |
CN112327208A (zh) | 一种调相机转子绕组匝间短路的故障诊断方法及装置 | |
Zhu et al. | Vold-Kalman filtering order tracking based rotor flux linkage monitoring in PMSM | |
Otero et al. | Inter-turn faults detection in Induction Motor drives using zero-sequence signal injection | |
Dore et al. | Comparative study between EMD, VMD, SAGE, CLEAN, and ESPRIT-TLS algorithms for real-time fault bearing recognizing in induction machines | |
CN113219333A (zh) | 一种电机故障诊断时的频谱参数处理方法 | |
Arashloo et al. | A novel broken rotor bar fault detection method using park's transform and wavelet decomposition | |
Yang et al. | Online detection of inter‐turn short‐circuit fault in dual‐redundancy permanent magnet synchronous motor | |
KR102473124B1 (ko) | 전동기의 고장 검출 장치 및 방법 | |
Aydin et al. | A new real-time fuzzy logic based diagnosis of stator faults for inverter-fed induction motor under low speeds | |
Chafouk | Current sensor fdi by generalized observer scheme for a generator in wind turbine |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20230512 |
|
RJ01 | Rejection of invention patent application after publication |