CN116258084A - 一种基于混合仿真算法的电机健康评估方法及系统 - Google Patents
一种基于混合仿真算法的电机健康评估方法及系统 Download PDFInfo
- Publication number
- CN116258084A CN116258084A CN202310506601.9A CN202310506601A CN116258084A CN 116258084 A CN116258084 A CN 116258084A CN 202310506601 A CN202310506601 A CN 202310506601A CN 116258084 A CN116258084 A CN 116258084A
- Authority
- CN
- China
- Prior art keywords
- motor
- representing
- data
- parameters
- health
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/04—Ageing analysis or optimisation against ageing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/10—Noise analysis or noise optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Algebra (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Computer Hardware Design (AREA)
- Computing Systems (AREA)
- Geometry (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Tests Of Circuit Breakers, Generators, And Electric Motors (AREA)
Abstract
一种基于混合仿真算法的电机健康评估方法及系统,包括信息收集模块、数据分析模块、健康评价模块;本发明对电机工作时的电流电压温度数据通过传感器进行收集,用改进的卡尔曼滤波法进行数据筛选,通过混合仿真算法进行数据加工计算,计算电机转速和转矩参数,对获取的参数进行分析,与数据库存储的正常工作的电机输出的参数进行对比,且分析不同的故障所对应的异常数据,报告电机所发生故障,通过LSTM人工智能算法,预测电机将要发生的故障,提前进行检查预防。
Description
技术领域
本发明涉及电机健康评估领域,具体地说,涉及一种基于混合仿真算法的电机健康评估方法及系统。
背景技术
电机作为人类进步的关键部件,被广泛的用于各种机器中,如数控基础,电机各种效率高,伺服性能高,但电机发生故障时会直接导致机器罢工,产生巨大的经济损失;电机故障具有多样性,有电机退磁,线组短路,电机偏心;不同的故障有着不同的原因,导致有不同的维修方式,判断电机故障原因不易,需要不断排除,维修所耗时间长,且目前能自动判断电机健康和故障的系统准确度不高。本发明采用基于混合仿真算法的电机健康评估系统,通过收集的电机工作数据,采用混合仿真算法,准确自动判断故障类型,快速定位电机故障原因,缩短电机维修时间,且对电机健康状况进行预测,可规划电机保养日期,减少电机故障发生概率,极大的提高了经济效益。
发明内容
本发明的目的在于提供一种基于混合仿真算法的电机健康评估方法及系统,以解决上述背景技术中提出的问题。
为实现上述目的,提出了一种基于混合仿真算法的电机健康评估系统,包括信息收集模块、数据分析模块、健康评价模块;首先,对电机工作时的运行状态数据通过传感器进行收集,对收集到的信息进行卡尔曼滤波筛选,通过混合仿真算法进行数据加工,计算电机转速和转矩参数,对加工的数据上传数据库云端,云端数据库有电机正常工作情况下的各项参数,其次,对获取的参数进行分析,与数据库存储的正常工作的电机输出的参数和电机故障的表征参数进行对比,最后,分析不同的故障所对应的异常数据,报告电机所发生故障,得出电机健康程度,通过LSTM人工智能算法,预测电机的健康状况和将会发生的故障,提前进行检查预防。
进一步的,所述信息收集模块,通过传感器对电机工作情况下的参数进行收集,详细过程如下:
通过电机上安装的参数传感器,在电机工作情况下,对电机的工作电流、工作电压、电机震动情况、电机工作温度进行收集整理,分门别类的上传至对应的数据库系统。
进一步的,所述信息收集模块,将传感器收集的电机工作数据进行滤波筛选,详细过程如下:
本发明采用改进的卡尔曼滤波法进行噪声数据的筛选,对非线性的数据进行筛选,公式如下:
、分别代表k+1、k时刻的系统状态向量,代表k时刻到k+1时刻的转移
状态矩阵,代表输入状态向量,代表从k+1时刻到k时刻的系统控制矩阵,代表k+
1时刻的观测状态向量,代表k+1时刻的预测输出转移状态矩阵,代表噪声信息向量,代表噪声信息的参数;
对于卡尔曼滤波算法的预测和更新两阶段,公式如下:
当数据观测到下一阶段时,进入更新阶段,得出卡尔曼增益的公式如下:
对非线性的系统,通过改进的卡尔曼滤波方程,状态转移模型和观测模型公式为:
预测模型对当前状态的估计和估计协方差公式如下:
当系统收集到下一数据时,进入更新阶段,改进的卡尔曼增益计算公式如下:
I代表数据总协方差,改进的卡尔曼滤波算法通过不断地而进行迭代,构建标准化的数据,对输入的噪声数据能准确识别并进行剔除。
进一步的,所述信息收集模块,采集电机未发生故障时的电机工作参数,详细过程如下:
收集电机正常工作的工作电流、工作电压、电机震动情况、电机工作温度,对数据进行改进的卡尔曼滤波算法,筛选出噪声数据,并且在网络上下载不同电机正常工作情况下的工作参数,将正常工作数据模型上传云端服务器。
进一步的,所述数据分析模块,对筛选过的电机工作参数进行加工,详细过程如下:
采样d-q-0坐标系进行方程构建,对静止坐标系A-B-C中的轴分量进行旋转变换,公式如下:
该转换方程将在原始坐标系A-B-C上的数据转换到了d-q-0坐标系中进行计算,得d-q-0坐标系中的数据计算公式为:
在实际工况,永磁同步电机的电磁转矩计算要考虑到由于制造误差和性能退化导致的谐波。
进一步的,所述数据分析模块,使用基于混合仿真算法,提高仿真算法精度,详细过程如下:
在电机中采样混合仿真算法,构建如下等式:
对等式进行时间离散,得到y方向上的电场迭代方程:
根据电场强度与电压之间的关系,建立电机电路与磁场的关系等式:
进一步的,所述数据分析模块,本发明使用云端数据库,将所有数据上传云端数据库,详细过程如下:
对传感器获得的数据进行分析仿真加工,得到故障表征参数,从互联网下载不同种电机正常工作时的基本参数,对正常工作参数同样进行分析仿真算法加工,形成电机工作参数的标准库,使用基于数据集合的NoSQL型数据库;利用Document机制,使用Json方式将表单实例记录持久化,用Collection机制对持久化的document进行效率分区,降低关系型数据库表数量。
进一步的,所述健康评价模块,对电机处于故障或工作异常时的基本表征参数进行收集分析,详细过程如下:
电机故障包含有电机退磁、绕组匝间短路、电机偏心;匝间短路是由绝缘层老化失
效所致,简化为定子线圈两点直接连接,短路引起的涡流效应会导致电机温度升高;利用电
信号与磁信号检测是否匝间短路,短路造成阶次谐波相应的增大:
电机轴承故障是电机偏心故障的主要原因,轴承故障导致电机定子转子间的径向移动现不均匀的气隙偏心,导致电感的变化,振动频率可判断电机偏心故障:
进一步的,所述健康评价模块,对输入的电机基本参数,加工后计算后的数据与故障表征参数进行对比,自动输出电机故障,详细过程如下:
电机工作时,输出的参数,经过筛选,加工计算得到与故障表征参数相匹配的数据,通过BF人工智能算法,将数据与故障表征参数进行匹配且进行对比,自动判断电机所处故障并输出故障原因和常用解决办法;且自动输出电机健康状态,定义电机健康度G:
进一步的,所述健康评价模块,通过LSTM人工智能算法,对电机所处健康状态进行预测,提前判断电机要发生的故障,详细过程如下:
在分析电机运行数据时,本发明采用具有良好性能的长短期记忆神经网络LSTM人工智能算法基于电机工作状态下的基本参数进行分析,预测电机未来健康状态,LSTM算法包含遗忘门、输入门和输出门,首先采用sigmoid函数神经网络层和点乘发运算求出信息,sigmoid函数为:
在计算时序神经网络中的遗忘门时,计算遗忘率的值,公式如下所示:
确定遗忘率之后,输入门通过sigomid层确认更新信息,tanh函数生成一个新值,公式如下:
本发明有益效果:
本发明提供了一种基于混合仿真算法的电机健康评估系统,包括信息收集模块、数据分析模块、健康评价模块;本发明采用混合仿真算法,通过传感器对电机工作情况下基本参数进行收集,将收集到的数据通过改进的卡尔曼滤波进行筛选,剔除噪声数据,其次收集电机正常工作时的电机参数,且从互联网收集各种电机正常工作情况下的电机参数;进一步对筛选过的电机工作参数进行加工,将原始坐标系转换到d-q-0坐标系下进行计算电压、电流、磁链、反电动势;进一步采用混合仿真算法,提高仿真算法的准确性,提高判断精度;将所有数据上传至数据库,在线保存;对电机各种故障问题提取出对应的表征参数,将计算得出的与故障表征参数对应的数据进行对比,判断电机是否故障和故障类型,输出故障位置和电机健康状态,且采用LSTM人工智能模型,预测电机的健康状况和将会发生的故障,让管理人员安排好保养时间。本发明提供的一种基于混合仿真算法的电机健康评估系统,在电机发生故障时,能够在维修之前,自动的判断出电机发生的故障或将要发生的故障,减少了维修时间,本专利中的混合仿真算法,不仅结合传统电机健康评估方法,还利用了计算机仿真技术和人工智能技术,能够更加全面、准确地分析电机的运行状态、性能指标及潜在问题。通过电机工作时的电流波形、振动信号、温度变化等参数来识别电机可能存在的缺陷或磨损,后续维护保养提供有效的数据支持且混合仿真算法提高了仿真结果的准确性,使故障判断结果更精确,改进的卡尔曼滤波算法能够准确识别噪声信息进行剔除;故障分析输出电机健康度,可代表电机所处的健康程度,健康程度低时可进行电机保养, 实时监测电机运行参数的,能够结合先进的数据挖掘和LSTM人工智能算法,精准地预测电机可能存在的故障和出现时间,从而快速识别潜在问题并进行预警,减少电机因故障停机和产生的维修成本,提高生产效率。
附图说明
利用附图对发明创造作进一步说明,但附图中的实施例不构成对本发明创造的任何限制,对于本领域的普通技术人员,在不付出创造性劳动的前提下,还可以根据以下附图获得其它的附图。
图1是本发明结构示意图。
具体实施方式
结合以下实例对本发明作进一步描述。
参见图1,本发明旨在提供一种基于混合仿真算法的电机健康评估系统,以解决上述背景技术中提出的问题。
为实现上述目的,提出了一种基于混合仿真算法的电机健康评估系统,包括信息收集模块、数据分析模块、健康评价模块;首先,对电机工作时的运行状态数据通过传感器进行收集,对收集到的信息进行卡尔曼滤波筛选,通过混合仿真算法进行数据加工,计算电机转速和转矩参数,对加工的数据上传数据库云端,云端数据库有电机正常工作情况下的各项参数,其次,对获取的参数进行分析,与数据库存储的正常工作的电机输出的参数和电机故障的表征参数进行对比,最后,分析不同的故障所对应的异常数据,报告电机所发生故障,得出电机健康程度,通过LSTM人工智能算法,预测电机的健康状况和将会发生的故障,各个模块的过程如下:
在信息收集模块,通过传感器对电机工作情况下的参数进行收集,通过电机上安装的参数传感器,在电机工作情况下,对电机的工作电流、工作电压、电机震动情况、电机工作温度进行收集整理,分门别类的上传至对应的数据库系统。
本发明采用改进的卡尔曼滤波法进行噪声数据的筛选,对非线性的数据进行筛选,公式如下:
、分别代表k+1、k时刻的系统状态向量,代表k时刻到k+1时刻的转移
状态矩阵,代表输入状态向量,代表从k+1时刻到k时刻的系统控制矩阵,代表k+
1时刻的观测状态向量,代表k+1时刻的预测输出转移状态矩阵,代表噪声信息向量,代表噪声信息的参数;
对于卡尔曼滤波算法的预测和更新两阶段,公式如下:
对非线性的系统,通过改进的卡尔曼滤波方程,状态转移模型和观测模型公式为:
当系统收集到下一数据时,进入更新阶段,改进的卡尔曼增益计算公式如下:
I代表数据总协方差,改进的卡尔曼滤波算法通过不断地而进行迭代,构建了一系列标准化的数据,对输入的噪声数据能准确识别并进行剔除。
收集电机正常工作的工作电流、工作电压、电机震动情况、电机工作温度,对数据进行改进的卡尔曼滤波算法,筛选出噪声数据,并且在网络上下载不同电机正常工作情况下的工作参数,将正常工作数据模型上传云端服务器。
在数据分析模块,对筛选过的电机工作数据进行加工,采用d-q-0坐标系进行方程构建,对静止坐标系A-B-C中的轴分量进行旋转变换,公式如下:
该转换方程将在原始坐标系A-B-C上的数据转换到了d-q-0坐标系中进行计算,得d-q-0坐标系中的数据计算公式为:
接着混合仿真算法集中模拟仿真算法的计算速度快和数字仿真算法的计算精度高的优点,在电机中采样混合仿真算法,构建如下等式:
根据电场强度与电压之间的关系,建立电机电路与磁场的关系等式:
使用云端数据库,将所有数据上传云端数据库对传感器获得的数据进行分析仿真加工后,得到所需的故障表征参数,并且从互联网下载不同种电机正常工作时的基本参数,且对正常工作参数同样进行分析仿真算法加工,形成电机工作参数的标准库,使用基于数据集合的NoSQL型数据库;利用Document机制,使用Json方式将表单实例记录持久化,用Collection机制对持久化的document进行效率分区,降低关系型数据库表数量。
在健康评价模块,对电机处于故障或工作异常时的基本表征参数进行收集分析,
电机故障包含有电机退磁、绕组匝间短路、电机偏心;匝间短路是由绝缘层老化失效所致,
简化为定子线圈两点直接连接,利用电信号与磁信号检测是否匝间短路,匝间短路使得磁
场变为椭圆形,造成定子电流中能检测出负序电流,造成阶次谐波相应的增大:
电机退磁故障包括所有磁极退磁和部分磁极退磁,退磁会导致电机效率降低,转矩波动增大,电机振动加剧;可以通过电流和磁链根据公式计算出转矩的波动,退磁发生后,会产生多种频率的电流:
电机轴承故障是电机偏心故障的主要原因,轴承故障会导致电机定子转子间的径向移动,使定子转子之间出现不均匀的气隙偏心,导致电感的变化,最终引起电机内磁通分布变形,加剧气隙内磁通不平衡,振动频率可判断电机偏心故障:
电机工作时,输出的参数,经过筛选,加工计算得到与故障表征参数相匹配的数据,通过BF人工智能算法,将数据与故障表征参数进行匹配且进行对比,自动判断电机所处故障并输出故障原因和常用解决办法;且自动输出电机健康状态,定义电机健康度G:
在分析电机运行数据时,本发明采用具有良好性能的长短期记忆神经网络LSTM人工智能算法基于电机工作状态下的基本参数进行分析,预测电机未来健康状态,LSTM算法包含遗忘门、输入门和输出门,首先采用sigmoid函数神经网络层和点乘发运算求出信息,sigmoid函数为:
在计算时序神经网络中的遗忘门时,计算遗忘率的值,公式如下所示:
确定遗忘率之后,输入门通过sigomid层确认更新信息,tanh函数生成一个新值,公式如下:
本实施例的有益效果:
本实施例提供了一种基于混合仿真算法的电机健康评估系统,包括信息收集模块、数据分析模块、健康评价模块;本发明采用混合仿真算法,通过传感器对电机工作情况下基本参数进行收集,将收集到的数据通过改进的卡尔曼滤波进行筛选,剔除噪声数据,其次收集电机正常工作时的电机参数,且从互联网收集各种电机正常工作情况下的电机参数;进一步对筛选过的电机工作参数进行加工,将原始坐标系转换到d-q-0坐标系下进行计算电压、电流、磁链、反电动势;进一步采用混合仿真算法,提高仿真算法的准确性,提高判断精度;将所有数据上传至数据库,在线保存;对电机各种故障问题提取出对应的表征参数,将计算得出的与故障表征参数对应的数据进行对比,判断电机是否故障和故障类型,输出故障位置和电机健康状态,且采用LSTM人工智能模型,预测电机的健康状况和将会发生的故障,让管理人员安排好保养时间。本发明提供的一种基于混合仿真算法的电机健康评估系统,在电机发生故障时,能够在维修之前,自动的判断出电机发生的故障或将要发生的故障,减少了维修时间,本专利中的混合仿真算法,不仅结合传统电机健康评估方法,还利用了计算机仿真技术和人工智能技术,能够更加全面、准确地分析电机的运行状态、性能指标及潜在问题。通过电机工作时的电流波形、振动信号、温度变化等参数来识别电机可能存在的缺陷或磨损,后续维护保养提供有效的数据支持且混合仿真算法提高了仿真结果的准确性,使故障判断结果更精确,改进的卡尔曼滤波算法能够准确识别噪声信息进行剔除;故障分析输出电机健康度,可代表电机所处的健康程度,健康程度低时可进行电机保养, 实时监测电机运行参数,结合先进的数据挖掘和LSTM人工智能算法,精准地预测电机可能存在的故障和出现时间,从而快速识别潜在问题并进行预警,减少电机因故障停机和产生的维修成本,提高生产效率。
本发明还提供了一种计算机可读存储介质,该存储介质中存储有至少一条指令,该指令由处理器加载并执行,以实现上述方法。其中,该计算机可读存储介质可以是ROM、随机存取存储器、CD-ROM、磁带、软盘和光数据存储设备等。其内存储的指令可由终端中的处理器加载并执行上述方法。
本发明实施方式是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上,使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
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发明。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,本发明中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本发明所示的这些实施例,而是要符合与本发明所公开的原理和新颖特点相一致的最宽的范围。
Claims (8)
1.一种基于混合仿真算法的电机健康评估系统,其特征在于,包括信息收集模块、数据分析模块、健康评价模块;其中,所述信息收集模块,通过电机上安装的参数传感器,在电机工作情况下,对电机的工作电流、工作电压、电机震动情况、电机工作温度进行收集整理,上传至对应的数据库系统;所述数据分析模块,使用基于混合仿真算法,提高仿真算法精度,使用云端数据库,将所有数据上传云端数据库,使用基于数据集合的NoSQL型数据库;利用Document机制,使用Json方式将表单实例记录持久化,用Collection机制对持久化的document进行效率分区,降低关系型数据库表数量;所述健康评价模块,对电机处于故障或工作异常时的基本表征参数进行收集分析,对输入的电机基本参数,加工后计算后的数据与故障表征参数进行对比,自动输出电机故障,通过LSTM人工智能算法,对电机所处健康状态进行预测,提前判断电机要发生的故障。
2.权利要求1所述的基于混合仿真算法的电机健康评估系统的运行方法,其特征在于,所述运行方法的步骤为:首先,对电机工作时的运行状态数据通过传感器进行收集,对收集到的信息进行卡尔曼滤波筛选,通过混合仿真算法进行数据加工,计算电机转速和转矩参数,对加工的数据上传数据库云端,云端数据库有电机正常工作情况下的各项参数,其次,对获取的参数进行分析,与数据库存储的正常工作的电机输出的参数和电机故障的表征参数进行对比,最后,分析不同的故障所对应的异常数据,报告电机所发生故障,得出电机健康程度,通过LSTM人工智能算法,预测电机的健康状况和将会发生的故障,提前进行检查预防。
3.根据权利要求2所述一种基于混合仿真算法的电机健康评估系统的运行方法,其特征在于,所述信息收集模块,将传感器收集的电机工作数据进行滤波筛选,详细过程如下:
对收集的数据,采样改进的卡尔曼滤波法进行噪声数据的筛选,对非线性的数据进行筛选,公式如下:
、/>分别代表k+1、k时刻的系统状态向量,/>代表k时刻到k+1时刻的转移状态矩阵,/>代表输入状态向量,/>代表从k+1时刻到k时刻的系统控制矩阵,/>代表k+1时刻的观测状态向量,/>代表k+1时刻的预测输出转移状态矩阵,/>代表噪声信息向量,/>代表噪声信息的参数;
对于卡尔曼滤波算法的预测和更新两阶段,公式如下:
当数据观测到下一阶段时,进入更新阶段,得出卡尔曼增益的公式如下:
对非线性的系统,通过改进的卡尔曼滤波方程,状态转移模型和观测模型公式为:
4.根据权利要求2所述一种基于混合仿真算法的电机健康评估系统的运行方法,其特征在于,所述数据分析模块,对筛选过的电机工作数据进行加工,详细过程如下:
采样d-q-0坐标系进行方程构建,对静止坐标系A-B-C中的轴分量进行旋转变换,公式如下:
该转换方程将在原始坐标系A-B-C上的数据转换到了d-q-0坐标系中进行计算,得d-q-0坐标系中的数据计算公式为:
5.根据权利要求2所述一种基于混合仿真算法的电机健康评估系统的运行方法,其特征在于,所述数据分析模块,使用基于混合仿真算法,提高仿真算法精度,详细过程如下:
在电机中采样混合仿真算法,构建如下等式:
对等式进行时间离散,得到y方向上的电场迭代方程:
根据电场强度与电压之间的关系,建立电机电路与磁场的关系等式:
8.根据权利要求2所述一种基于混合仿真算法的电机健康评估系统的运行方法,其特征在于,所述健康评价模块,通过LSTM人工智能算法,对电机所处健康状态进行预测,提前判断电机要发生的故障,详细过程如下:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310506601.9A CN116258084A (zh) | 2023-05-08 | 2023-05-08 | 一种基于混合仿真算法的电机健康评估方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310506601.9A CN116258084A (zh) | 2023-05-08 | 2023-05-08 | 一种基于混合仿真算法的电机健康评估方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116258084A true CN116258084A (zh) | 2023-06-13 |
Family
ID=86684597
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310506601.9A Pending CN116258084A (zh) | 2023-05-08 | 2023-05-08 | 一种基于混合仿真算法的电机健康评估方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116258084A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116842764A (zh) * | 2023-08-31 | 2023-10-03 | 北京绿卡科技有限公司 | 一种跨临界二氧化碳制冷数据仿真系统 |
CN117169716A (zh) * | 2023-09-07 | 2023-12-05 | 江苏省特种设备安全监督检验研究院 | 一种基于马尔科夫随机场算法的电机健康诊断系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105716844A (zh) * | 2016-01-30 | 2016-06-29 | 西北工业大学 | 建立机电作动器的卡尔曼滤波模型及故障诊断方法 |
-
2023
- 2023-05-08 CN CN202310506601.9A patent/CN116258084A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105716844A (zh) * | 2016-01-30 | 2016-06-29 | 西北工业大学 | 建立机电作动器的卡尔曼滤波模型及故障诊断方法 |
Non-Patent Citations (5)
Title |
---|
何沅泽等: "基于元数据管理及事务安全的半结构化数据处理机制", 计算机应用, vol. 35, no. 2, pages 70 - 72 * |
刘芬等: "基于卡尔曼滤波的含噪声小样本数据处理方法", 上海大学学报, vol. 28, no. 3, pages 427 - 439 * |
孙宇: "基于LSTM混合模型的金融趋势预测技术研究", 中国优秀硕士学位论文全文数据库 信息科技辑, pages 140 - 203 * |
宣柳萍: "永磁同步电机健康状态评估方法的研究", 中国优秀硕士学位论文全文数据库 工程科技II辑, pages 042 - 530 * |
陈真真等: "基于ECS-PER体结构的电磁场-电路混合仿真算法", 2018年全国微波毫米波会议论文集, pages 1098 - 1101 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116842764A (zh) * | 2023-08-31 | 2023-10-03 | 北京绿卡科技有限公司 | 一种跨临界二氧化碳制冷数据仿真系统 |
CN116842764B (zh) * | 2023-08-31 | 2023-11-10 | 北京绿卡科技有限公司 | 一种跨临界二氧化碳制冷数据仿真系统 |
CN117169716A (zh) * | 2023-09-07 | 2023-12-05 | 江苏省特种设备安全监督检验研究院 | 一种基于马尔科夫随机场算法的电机健康诊断系统 |
CN117169716B (zh) * | 2023-09-07 | 2024-02-27 | 江苏省特种设备安全监督检验研究院 | 一种基于马尔科夫随机场算法的电机健康诊断系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116258084A (zh) | 一种基于混合仿真算法的电机健康评估方法及系统 | |
Akhil Vinayak et al. | Wavelet‐based real‐time stator fault detection of inverter‐fed induction motor | |
Aubert et al. | Kalman-filter-based indicator for online interturn short circuits detection in permanent-magnet synchronous generators | |
Maraaba et al. | Convolutional neural network-based inter-turn fault diagnosis in LSPMSMs | |
CN111044902B (zh) | 一种基于电流和电压信号的电机故障诊断方法 | |
Zhu et al. | Vold–Kalman filtering order tracking based rotor demagnetization detection in PMSM | |
Abid et al. | Adaptive system identification and severity index-based fault diagnosis in motors | |
Shifat et al. | Remaining useful life estimation of BLDC motor considering voltage degradation and attention-based neural network | |
CN110988674A (zh) | 永磁同步电机的健康状态监测方法、系统及移动终端 | |
Ferreira et al. | An application of machine learning approach to fault detection of a synchronous machine | |
CN113325314A (zh) | 一种电机故障诊断方法 | |
KR102100488B1 (ko) | 전자기 액추에이터 타입의 장비를 모니터링하는 방법 | |
Devarajan et al. | Detection and classification of mechanical faults of three phase induction motor via pixels analysis of thermal image and adaptive neuro-fuzzy inference system | |
Zaman et al. | Greedy-gradient max cut-based fault diagnosis for direct online induction motors | |
Skowron et al. | Effectiveness of neural fault detectors of permanent magnet synchronous motor trained with symptoms from field-circuit modeling | |
Bessam et al. | A novel method for induction motors stator inter-turn short circuit fault diagnosis based on wavelet energy and neural network | |
Radhi et al. | Faults diagnosis in stator windings of high speed solid rotor induction motors using fuzzy neural network | |
Choudhary et al. | Fault diagnosis of induction motor under varying operating condition | |
Raj et al. | A state-space model for induction machine stator inter-turn fault and its evaluation at low severities by PCA | |
Bouchareb et al. | Advanced diagnosis strategy for incipient stator faults in synchronous reluctance motor | |
CN107305238A (zh) | 一种烧结主抽风机的故障诊断方法及装置 | |
Bouchareb et al. | Towards advanced diagnosis recognition for eccentricities faults: application on induction motor | |
Lehtoranta et al. | Fault diagnosis of induction motors with dynamical neural networks | |
Asad et al. | The FEM Based Modeling and Corresponding Test Rig Preparation for Broken Rotor Bars Analysis | |
Delgado-Prieto et al. | Novelty detection based condition monitoring scheme applied to electromechanical systems |
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 |