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 PDF

Info

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
Application number
CN202310506601.9A
Other languages
English (en)
Inventor
孙培江
苏文胜
马龙
周超
徐佳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Special Equipment Safety Supervision Inspection Institute of Jiangsu Province
Original Assignee
Special Equipment Safety Supervision Inspection Institute of Jiangsu Province
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Special Equipment Safety Supervision Inspection Institute of Jiangsu Province filed Critical Special Equipment Safety Supervision Inspection Institute of Jiangsu Province
Priority to CN202310506601.9A priority Critical patent/CN116258084A/zh
Publication of CN116258084A publication Critical patent/CN116258084A/zh
Pending legal-status Critical Current

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

一种基于混合仿真算法的电机健康评估方法及系统
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：
Figure SMS_1
Figure SMS_2
，
Figure SMS_5
、
Figure SMS_6
分别代表k+1、k时刻的系统状态向量，
Figure SMS_9
代表k时刻到k+1时刻的转移 状态矩阵，
Figure SMS_4
代表输入状态向量，
Figure SMS_7
代表从k+1时刻到k时刻的系统控制矩阵，
Figure SMS_10
代表k+ 1时刻的观测状态向量，
Figure SMS_11
代表k+1时刻的预测输出转移状态矩阵，
Figure SMS_3
代表噪声信息向量，
Figure SMS_8
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：
Figure SMS_12
Figure SMS_13
，
Figure SMS_14
、
Figure SMS_15
分别代表k、k-1时系统状态向量的估计值，
Figure SMS_16
、
Figure SMS_17
分别代表k时和k-1时的 估计协方差矩阵，
Figure SMS_18
代表预测模型的误差协方差矩阵，
Figure SMS_19
代表k时刻到k+1时刻的转移 状态矩阵的转置矩阵；
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：
Figure SMS_20
，
Figure SMS_21
代表卡尔曼增益，
Figure SMS_22
、
Figure SMS_23
分别代表输出转移矩阵和输出转移矩阵的转置矩 阵，
Figure SMS_24
代表测量误差的协方差；
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：
Figure SMS_25
Figure SMS_26
，
Figure SMS_27
代表从过去估计值计算预测状态函数，
Figure SMS_28
代表预测状态计算预测测量值的函 数，
Figure SMS_29
、
Figure SMS_30
代表k时，k-1时的预测状态值，计算偏导矩阵，公式如下：
Figure SMS_31
Figure SMS_32
，
Figure SMS_33
、
Figure SMS_34
分别为状态转移模型和观测模型的偏导矩阵；
预测模型对当前状态的估计和估计协方差公式如下：
Figure SMS_35
Figure SMS_36
，
Figure SMS_37
为状态转移模型偏导矩阵的转置矩阵，
Figure SMS_38
代表协方差矩阵的误差系数；
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：
Figure SMS_39
Figure SMS_40
Figure SMS_41
，
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：
Figure SMS_42
，
Figure SMS_43
分别表示数据在d、q、a、b、c轴上的分量，
Figure SMS_44
表示变换参数，
Figure SMS_45
表 示为电机同步角度；
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：
Figure SMS_46
Figure SMS_47
，
Figure SMS_48
、
Figure SMS_49
分别代表d轴、q轴上的电感分量，
Figure SMS_50
、
Figure SMS_51
分别代表定转子在d轴、q轴上的 互感，
Figure SMS_52
、
Figure SMS_53
分别代表定子、转子的漏感，电压方程式为：
Figure SMS_54
Figure SMS_55
，
Figure SMS_56
、
Figure SMS_57
分别代表d轴、q轴上的定子电压分量，R代表电机的等效电阻，P代表电机的 输入功率，
Figure SMS_58
、
Figure SMS_59
分别代表d轴、q轴上电流分量，
Figure SMS_60
代表角速度，磁链方程为：
Figure SMS_61
Figure SMS_62
Figure SMS_63
，
Figure SMS_64
、
Figure SMS_65
分别代表d轴、q轴上的定子磁链，
Figure SMS_66
代表电机磁链的残差，
Figure SMS_67
代表励磁磁 链，
Figure SMS_68
代表定子线圈产生的励磁电流；
对励磁磁链方程两边同乘
Figure SMS_69
代表角速度即：
Figure SMS_70
，
就是电机中定子绕组产生的空载反电动势
Figure SMS_71
：
Figure SMS_72
，
通过空载试验得到
Figure SMS_73
的值，
Figure SMS_74
的值已知，可计算得到
Figure SMS_75
的值，最后得出电磁 转矩
Figure SMS_76
的计算公式：
Figure SMS_77
，
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：
Figure SMS_78
，
Figure SMS_79
、
Figure SMS_80
分别代表x轴，z轴上的电磁感应强度，
Figure SMS_81
代表y轴上的电场强度，
Figure SMS_82
代表介 电常数，
Figure SMS_83
代表电导率，
Figure SMS_84
代表y轴方向的电流密度；
对等式进行时间离散，得到y方向上的电场迭代方程：
Figure SMS_85
Figure SMS_86
Figure SMS_87
，
Figure SMS_88
、
Figure SMS_89
分别代表n时刻，空间步长为
Figure SMS_90
点上的电场强度，n代表 时刻，
Figure SMS_91
代表空间步长，
Figure SMS_92
是拉普拉斯算子，
Figure SMS_93
代表n-1时刻x轴与z轴结合的磁感应 强度，
Figure SMS_94
代表n时刻y方向上的电流密度，其中A、B为两个参数；
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：
Figure SMS_95
，
Figure SMS_96
代表n时刻步距为
Figure SMS_97
时y方向的电压，
Figure SMS_98
表示n时刻y方向上的电流，
Figure SMS_99
代 表j的总步距，
Figure SMS_100
分别代表x、y、z方向的微分，进而得到：
Figure SMS_101
，
Figure SMS_102
代表n-1时刻y方向上的电流，
Figure SMS_103
代表y方向上的电阻，所以总的电磁系统迭 代方程为:
Figure SMS_104
，
Figure SMS_105
代表n时刻y方向上的电流密度，
Figure SMS_106
代表n-1时刻的y方向上的等效电流，
Figure SMS_107
分别代表n时刻n-1时刻的y方向上的等效电压，
Figure SMS_108
代表y方向的等效电阻，C为一个 相乘系数，
Figure SMS_109
代表有效电压系数。
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
Figure SMS_110
相应的增大：
Figure SMS_111
，
Figure SMS_112
代表电源频率，
Figure SMS_113
代表定子槽数目，p代表极对数目；
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，退磁发生会 产生多种频率的电流，
Figure SMS_114
，
Figure SMS_115
代表谐波频率；
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：
Figure SMS_116
，
Figure SMS_117
代表振动频率，
Figure SMS_118
代表常数；所有故障表征参数都上传云端数据库；
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：
Figure SMS_119
，
Figure SMS_120
分别代表电机最好健康状态与最差健康状态，
Figure SMS_121
代表当前电机健康状态。
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：
Figure SMS_122
，
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：
Figure SMS_123
，
Figure SMS_124
表示遗忘率，
Figure SMS_125
表示激活函数sigmoid，
Figure SMS_126
表示t-1时刻权重，
Figure SMS_127
为上一时刻 的输出值，
Figure SMS_128
为偏差常数；
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：
Figure SMS_129
，
Figure SMS_130
为新形成的遗忘率，
Figure SMS_131
与
Figure SMS_132
表示各层的t-1时刻权重和偏差常数，
Figure SMS_133
为激活函数；将遗忘率
Figure SMS_134
和候选值
Figure SMS_135
相差的到更新的数据
Figure SMS_136
：
Figure SMS_137
，
Figure SMS_138
为当前隐藏层的状态值，
Figure SMS_139
为前一时刻的单元状态值，
Figure SMS_140
表示更新系数，最终 求得输出结果：
Figure SMS_141
，
Figure SMS_142
为时间序列模型的遗忘率，
Figure SMS_143
为输出门t-1时刻的权重，
Figure SMS_144
为系统的偏差常 数，
Figure SMS_145
表示该隐藏层最终输出结果，通过LSTM人工智能算法，输出预测健康状况及故障，提 前对电机进行检修保养，减少故障概率。
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：
Figure SMS_146
Figure SMS_147
，
Figure SMS_150
、
Figure SMS_153
分别代表k+1、k时刻的系统状态向量，
Figure SMS_154
代表k时刻到k+1时刻的转移 状态矩阵，
Figure SMS_149
代表输入状态向量，
Figure SMS_151
代表从k+1时刻到k时刻的系统控制矩阵，
Figure SMS_155
代表k+ 1时刻的观测状态向量，
Figure SMS_156
代表k+1时刻的预测输出转移状态矩阵，
Figure SMS_148
代表噪声信息向量，
Figure SMS_152
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：
Figure SMS_157
Figure SMS_158
，
Figure SMS_159
、
Figure SMS_160
分别代表k、k-1时系统状态向量的估计值，
Figure SMS_161
、
Figure SMS_162
分别代表k时和k-1时的 估计协方差矩阵，
Figure SMS_163
代表预测模型的误差协方差矩阵，
Figure SMS_164
代表k时刻到k+1时刻的转移 状态矩阵的转置矩阵；得出卡尔曼增益的公式如下：
Figure SMS_165
，
Figure SMS_166
代表卡尔曼增益，
Figure SMS_167
、
Figure SMS_168
分别代表输出转移矩阵和输出转移矩阵的转置矩 阵，
Figure SMS_169
代表测量误差的协方差；
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：
Figure SMS_170
Figure SMS_171
，
Figure SMS_172
代表从过去估计值计算预测状态函数，
Figure SMS_173
代表预测状态计算预测测量值的函 数，
Figure SMS_174
、
Figure SMS_175
代表k时，k-1时的预测状态值，计算偏导矩阵，公式如下：
Figure SMS_176
Figure SMS_177
，
Figure SMS_178
、
Figure SMS_179
分别为状态转移模型和观测模型的偏导矩阵，预测模型对当前状态的估计 和估计协方差公式如下：
Figure SMS_180
Figure SMS_181
，
Figure SMS_182
为状态转移模型偏导矩阵的转置矩阵，
Figure SMS_183
代表协方差矩阵的误差系数；
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：
Figure SMS_184
Figure SMS_185
Figure SMS_186
，
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：
Figure SMS_187
，
Figure SMS_188
分别表示数据在d、q、a、b、c轴上的分量，
Figure SMS_189
表示变换参数，
Figure SMS_190
表 示为电机同步角度，
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：
Figure SMS_191
Figure SMS_192
，
Figure SMS_193
、
Figure SMS_194
分别代表d轴、q轴上的电感分量，
Figure SMS_195
、
Figure SMS_196
分别代表定转子在d轴、q轴上的 互感，
Figure SMS_197
、
Figure SMS_198
分别代表定子、转子的漏感，电压方程式为：
Figure SMS_199
Figure SMS_200
，
Figure SMS_201
、
Figure SMS_202
分别代表d轴、q轴上的定子电压分量，R代表电机的等效电阻，P代表电机的 输入功率，
Figure SMS_203
、
Figure SMS_204
分别代表d轴、q轴上电流分量，
Figure SMS_205
代表角速度，磁链方程为：
Figure SMS_206
Figure SMS_207
Figure SMS_208
，
Figure SMS_209
、
Figure SMS_210
分别代表d轴、q轴上的定子磁链，
Figure SMS_211
代表电机磁链的残差，
Figure SMS_212
代表励磁磁 链，
Figure SMS_213
代表定子线圈产生的励磁电流，对励磁磁链方程两边同乘
Figure SMS_214
代表角速度即：
Figure SMS_215
，
就是电机中定子绕组产生的空载反电动势
Figure SMS_216
：
Figure SMS_217
，
通过空载试验得到
Figure SMS_218
的值，
Figure SMS_219
的值已知，可计算得到
Figure SMS_220
的值，得出电磁转矩
Figure SMS_221
的计算公式：
Figure SMS_222
，
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：
Figure SMS_223
，
Figure SMS_224
、
Figure SMS_225
分别代表x轴，z轴上的电磁感应强度，
Figure SMS_226
代表y轴上的电场强度，
Figure SMS_227
代表介 电常数，
Figure SMS_228
代表电导率，
Figure SMS_229
代表y轴方向的电流密度，对等式进行时间离散，得到y方向上 的电场迭代方程：
Figure SMS_230
Figure SMS_231
Figure SMS_232
，
Figure SMS_233
、
Figure SMS_234
分别代表n时刻，空间步长为
Figure SMS_235
点上的电场强度，n代表 时刻，
Figure SMS_236
代表空间步长，
Figure SMS_237
是拉普拉斯算子，
Figure SMS_238
代表n-1时刻x轴与z轴结合的磁感应 强度，
Figure SMS_239
代表n时刻y方向上的电流密度，其中A、B为两个参数；
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：
Figure SMS_240
，
Figure SMS_241
代表n时刻步距为
Figure SMS_242
时y方向的电压，
Figure SMS_243
表示n时刻y方向上的电流，
Figure SMS_244
代 表j的总步距，
Figure SMS_245
分别代表x、y、z方向的微分，进而得到：
Figure SMS_246
，
Figure SMS_247
代表n-1时刻y方向上的电流，
Figure SMS_248
代表y方向上的电阻，所以总的电磁系统迭 代方程为:
Figure SMS_249
，
Figure SMS_250
代表n时刻y方向上的电流密度，
Figure SMS_251
代表n-1时刻的y方向上的等效电流，
Figure SMS_252
分别代表n时刻n-1时刻的y方向上的等效电压，
Figure SMS_253
代表y方向的等效电阻，C为一个 相乘系数，
Figure SMS_254
代表有效电压系数。
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
Figure SMS_255
相应的增大：
Figure SMS_256
，
Figure SMS_257
代表电源频率，
Figure SMS_258
代表定子槽数目，p代表极对数目；
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：
Figure SMS_259
，
Figure SMS_260
代表谐波频率；
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：
Figure SMS_261
，
Figure SMS_262
代表振动频率，
Figure SMS_263
代表常数；所有故障表征参数都上传云端数据库；
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：
Figure SMS_264
，
Figure SMS_265
分别代表电机最好健康状态与最差健康状态，
Figure SMS_266
代表当前电机健康状态。
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：
Figure SMS_267
，
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：
Figure SMS_268
，
Figure SMS_269
表示遗忘率，
Figure SMS_270
表示激活函数sigmoid，
Figure SMS_271
表示t-1时刻权重，
Figure SMS_272
为上一时刻 的输出值，
Figure SMS_273
为偏差常数；
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：
Figure SMS_274
，
Figure SMS_275
为新形成的遗忘率，
Figure SMS_276
与
Figure SMS_277
表示各层的t-1时刻权重和偏差常数，
Figure SMS_278
为激活函数；将遗忘率
Figure SMS_279
和候选值
Figure SMS_280
相差的到更新的数据
Figure SMS_281
：
Figure SMS_282
，
Figure SMS_283
为当前隐藏层的状态值，
Figure SMS_284
为前一时刻的单元状态值，
Figure SMS_285
表示更新系数，最终 求得输出结果：
Figure SMS_286
，
Figure SMS_287
为时间序列模型的遗忘率，
Figure SMS_288
为输出门t-1时刻的权重，
Figure SMS_289
为系统的偏差常 数，
Figure SMS_290
表示该隐藏层最终输出结果。
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：
Figure QLYQS_1
Figure QLYQS_2
，
Figure QLYQS_5
、/>
Figure QLYQS_8
分别代表k+1、k时刻的系统状态向量，/>
Figure QLYQS_9
代表k时刻到k+1时刻的转移状态矩阵，/>
Figure QLYQS_4
代表输入状态向量，/>
Figure QLYQS_6
代表从k+1时刻到k时刻的系统控制矩阵，/>
Figure QLYQS_10
代表k+1时刻的观测状态向量，/>
Figure QLYQS_11
代表k+1时刻的预测输出转移状态矩阵，/>
Figure QLYQS_3
代表噪声信息向量，/>
Figure QLYQS_7
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：
Figure QLYQS_12
Figure QLYQS_13
，
Figure QLYQS_14
、/>
Figure QLYQS_15
分别代表k、k-1时系统状态向量的估计值，/>
Figure QLYQS_16
、/>
Figure QLYQS_17
分别代表k时和k-1时的估计协方差矩阵，/>
Figure QLYQS_18
代表预测模型的误差协方差矩阵，/>
Figure QLYQS_19
代表k时刻到k+1时刻的转移状态矩阵的转置矩阵；
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：
Figure QLYQS_20
，/>
Figure QLYQS_21
代表卡尔曼增益，/>
Figure QLYQS_22
、/>
Figure QLYQS_23
分别代表输出转移矩阵和输出转移矩阵的转置矩阵，/>
Figure QLYQS_24
代表测量误差的协方差；
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：
Figure QLYQS_25
Figure QLYQS_26
，
Figure QLYQS_27
代表从过去估计值计算预测状态函数，/>
Figure QLYQS_28
代表预测状态计算预测测量值的函数，/>
Figure QLYQS_29
、
Figure QLYQS_30
代表k时，k-1时的预测状态值。
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：
Figure QLYQS_31
，
Figure QLYQS_32
分别表示数据在d、q、a、b、c轴上的分量，/>
Figure QLYQS_33
表示变换参数，/>
Figure QLYQS_34
表示为电机同步角度，
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：
Figure QLYQS_35
Figure QLYQS_36
，
Figure QLYQS_37
、/>
Figure QLYQS_38
分别代表d轴、q轴上的电感分量，/>
Figure QLYQS_39
、/>
Figure QLYQS_40
分别代表定转子在d轴、q轴上的互感，
Figure QLYQS_41
、/>
Figure QLYQS_42
分别代表定子、转子的漏感，电压方程式为：
Figure QLYQS_43
Figure QLYQS_44
，
Figure QLYQS_45
、/>
Figure QLYQS_46
分别代表d轴、q轴上的定子电压分量，R代表电机的等效电阻，P代表电机的输入功率，/>
Figure QLYQS_47
、/>
Figure QLYQS_48
分别代表d轴、q轴上电流分量，/>
Figure QLYQS_49
代表角速度，磁链方程为：
Figure QLYQS_50
Figure QLYQS_51
Figure QLYQS_52
，
Figure QLYQS_53
、/>
Figure QLYQS_54
分别代表d轴、q轴上的定子磁链，/>
Figure QLYQS_55
代表电机磁链的残差，/>
Figure QLYQS_56
代表励磁磁链，/>
Figure QLYQS_57
代表定子线圈产生的励磁电流；
电磁转矩
Figure QLYQS_58
的计算公式：
Figure QLYQS_59
。
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：
Figure QLYQS_60
，
Figure QLYQS_61
、/>
Figure QLYQS_62
分别代表x轴，z轴上的电磁感应强度，/>
Figure QLYQS_63
代表y轴上的电场强度，/>
Figure QLYQS_64
代表介电常数，/>
Figure QLYQS_65
代表电导率，/>
Figure QLYQS_66
代表y轴方向的电流密度；
对等式进行时间离散，得到y方向上的电场迭代方程：
Figure QLYQS_67
Figure QLYQS_68
Figure QLYQS_69
，
Figure QLYQS_70
、/>
Figure QLYQS_71
分别代表n时刻，空间步长为/>
Figure QLYQS_72
点上的电场强度，n代表时刻，
Figure QLYQS_73
代表空间步长，/>
Figure QLYQS_74
是拉普拉斯算子，/>
Figure QLYQS_75
代表n-1时刻x轴与z轴结合的磁感应强度，
Figure QLYQS_76
代表n时刻y方向上的电流密度，其中A、B为两个参数；
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：
Figure QLYQS_77
，
Figure QLYQS_78
代表n时刻步距为/>
Figure QLYQS_79
时y方向的电压，/>
Figure QLYQS_80
表示n时刻y方向上的电流，/>
Figure QLYQS_81
代表j的总步距，/>
Figure QLYQS_82
分别代表x、y、z方向的微分。
6.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，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：
匝间短路会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
Figure QLYQS_83
相应的增大：/>
Figure QLYQS_84
，
Figure QLYQS_85
代表电源频率，/>
Figure QLYQS_86
代表定子槽数目，p代表极对数目；
电机退磁故障导致转矩波动增大，电机振动加剧；退磁发生后，会产生多种频率的电流：
Figure QLYQS_87
，
Figure QLYQS_88
代表谐波频率；
电机轴承故障导致电感的变化，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轴承偏心故障：
Figure QLYQS_89
，
Figure QLYQS_90
代表振动频率，/>
Figure QLYQS_91
代表常数。
7.根据权利要求6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，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，输出的参数通过BF人工智能算法，与故障表征参数进行匹配对比，自动判断电机所处故障并输出故障原因和常用解决办法；自动输出电机健康状态，定义电机健康度G：
Figure QLYQS_92
，
Figure QLYQS_93
分别代表电机最好健康状态与最差健康状态，/>
Figure QLYQS_94
代表当前电机健康状态。
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：
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：
Figure QLYQS_95
，
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：
Figure QLYQS_96
，
Figure QLYQS_97
表示遗忘率，/>
Figure QLYQS_98
表示激活函数sigmoid，/>
Figure QLYQS_99
表示t-1时刻权重，/>
Figure QLYQS_100
为上一时刻的输出值，/>
Figure QLYQS_101
为偏差常数；
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：
Figure QLYQS_102
，
Figure QLYQS_103
为新形成的遗忘率，/>
Figure QLYQS_104
与/>
Figure QLYQS_105
表示各层的t-1时刻权重和偏差常数，/>
Figure QLYQS_106
为激活函数；
将遗忘率
Figure QLYQS_107
和候选值/>
Figure QLYQS_108
相差的到更新的数据/>
Figure QLYQS_109
：/>
Figure QLYQS_110
，
Figure QLYQS_111
为当前隐藏层的状态值，/>
Figure QLYQS_112
为前一时刻的单元状态值，/>
Figure QLYQS_113
表示更新系数，最终求得输出结果：/>
Figure QLYQS_114
，
Figure QLYQS_115
为时间序列模型的遗忘率，/>
Figure QLYQS_116
为输出门t-1时刻的权重，/>
Figure QLYQS_117
为系统的偏差常数，/>
Figure QLYQS_118
表示该隐藏层最终输出结果。/>
CN202310506601.9A 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 Pending CN116258084A (zh)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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

Patent Citations (1)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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