CN116593811A - 一种集成型变频器运行状态监测系统及监测方法 - Google Patents
一种集成型变频器运行状态监测系统及监测方法 Download PDFInfo
- Publication number
- CN116593811A CN116593811A CN202310869421.7A CN202310869421A CN116593811A CN 116593811 A CN116593811 A CN 116593811A CN 202310869421 A CN202310869421 A CN 202310869421A CN 116593811 A CN116593811 A CN 116593811A
- Authority
- CN
- China
- Prior art keywords
- frequency converter
- fault
- preset
- coefficient
- fluctuation
- 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
- 238000000034 method Methods 0.000 title claims abstract description 81
- 238000012544 monitoring process Methods 0.000 title claims abstract description 55
- 238000011156 evaluation Methods 0.000 claims abstract description 147
- 238000005259 measurement Methods 0.000 claims abstract description 115
- 230000002159 abnormal effect Effects 0.000 claims description 69
- 208000024891 symptom Diseases 0.000 claims description 55
- 238000010586 diagram Methods 0.000 claims description 44
- 230000008859 change Effects 0.000 claims description 34
- 238000004364 calculation method Methods 0.000 claims description 24
- 206010000117 Abnormal behaviour Diseases 0.000 claims description 20
- 230000006399 behavior Effects 0.000 claims description 20
- 238000004422 calculation algorithm Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 14
- 238000003860 storage Methods 0.000 claims description 8
- 230000009286 beneficial effect Effects 0.000 abstract description 4
- 230000008569 process Effects 0.000 description 11
- 238000001514 detection method Methods 0.000 description 6
- 238000011835 investigation Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000005856 abnormality Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 230000032683 aging Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2131—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on a transform domain processing, e.g. wavelet transform
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2123/00—Data types
- G06F2123/02—Data types in the time domain, e.g. time-series data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
- G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Inverter Devices (AREA)
Abstract
本发明涉及变频器监测技术领域,本发明公开了一种集成型变频器运行状态监测系统及监测方法,包括采集每个预设局部目标电路的电流或电压信号;根据电流或电压信号生成运行状态评估系数;对运行状态评估系数进行一次判断,以获取突发性运行故障的变频器;基于预设波动实测数据值与突发性故障信息的对应关系,确定对应的突发性故障信息;提取每个预设局部目标电路在预设时间跨度内的实测温度数据和实测振动数据,基于实测温度数据和实测振动数据生成实测温度趋势图和实测振动趋势图;根据实测温度趋势图和实测振动趋势图定位故障区位,并记录突发性运行故障,本发明有利于对突发性的故障的变频器进行快速故障判断、定位和故障原因确定。
Description
技术领域
本发明涉及变频器监测技术领域,更具体地说,本发明涉及一种集成型变频器运行状态监测系统及监测方法。
背景技术
变频器是一种广泛应用于电动机控制领域的电子设备,用于调节电机的速度和转矩,它通过控制电源的频率和电压,可以实现电机的调速、节能和精确控制,被广泛应用于工业生产和机械设备中;随着科技的不断进步和工业自动化的发展,变频器的功能和作用不断扩大,并逐步集成化;然而由于集成型变频器的不断复杂化,导致对其的监测难度也随之提升,若无法及时发现集成型变频器在运行过程中的异常状态,容易导致元件损坏、生产设备停机或引发安全风险等其他不良影响,因此如何实现对集成型变频器运行状态的有效监测已成为当下研究重点。
集成型变频器故障根据时间划分,大体上可分为三种:第一,突发性的故障,由于电路中某个元器件突然出现损坏而导致系统局部功能失效或引起整个电路无法运行;第二,间歇性故障,由于电路中某个阶段出现松动而导致的系统不稳定;第三,老化性故障,由于电路的长时间使用产生损耗而导致系统故障;其中,间歇性故障和老化性故障在发生异样时常伴随一些征兆,而突发性的故障往往不会有明显的预兆。
目前,现有的变频器运行状态监测系统及监测方法主要包括两类:一是通过人为使用检测设备实现,不仅费时费力,且易出现漏检,二是通过检测输入/输出的电流电压实现对传统变频器的负载等检测,例如授权公告号为CN103424648B的中国专利公开了一种变频器异常的检测方法及装置,该发明虽然通过改进现有三相电流检测方式实现了对变频器的异常检测,提高了变频器的可靠性,但此类方法监测数据单一,且此类方法分析处理过程相对冗长,难以针对突发性的故障的变频器进行快速故障判断、定位和故障原因确定;另外,上述方法缺乏对异常伴随征兆的考虑,利用上述方法无法捕捉和分析集成型变频器的异样征兆,进而难以针对非突发性的异样征兆对集成型变频器进行及时异常预警。
鉴于此,本发明提出一种集成型变频器运行状态监测系统及监测方法以解决上述问题。
发明内容
为了克服现有技术的上述缺陷,本发明的实施例提供一种集成型变频器运行状态监测系统及监测方法。
为实现上述目的,本发明提供如下技术方案:
一种集成型变频器运行状态监测方法,包括:
采集变频器中每个预设局部目标电路的电流或电压信号;
根据所述电流或电压信号生成所述变频器的运行状态评估系数;
对所述变频器的运行状态评估系数进行一次判断,以获取突发性运行故障的变频器;
根据突发性运行故障变频器并基于预设波动实测数据值与突发性故障信息的对应关系,确定对应的突发性故障信息;所述突发性故障信息包括多个突发性故障原因、故障基础信息以及每个故障原因对应故障表现图,所述对应故障表现图包括故障温度趋势图和故障振动趋势图;
提取每个所述预设局部目标电路在预设时间跨度内的实测温度数据和实测振动数据,基于所述实测温度数据和实测振动数据生成实测温度趋势图和实测振动趋势图;根据实测温度趋势图和实测振动趋势图定位故障区位,并记录突发性运行故障。
进一步地,所述预设局部目标电路包括整流电路、逆变电路、风扇电路和控制电路;
根据所述电流或电压信号生成所述变频器的运行状态评估系数,包括:
根据电流或电压信号获取在预设时间跨度内每个所述预设局部目标电路的波动实测数据值;
获取每个所述预设局部目标电路的波动预定数据值,所述波动预定数据值包括整流电路波动预定数据值、逆变电路波动预定数据值、风扇电路波动预定数据值和控制电路波动预定数据值;
将所述整流电路波动预定数据值与整流波动实测数据值进行比对,计算整流电路评估系数;
将所述逆变电路波动预定数据值与逆变波动实测数据值进行比对,计算逆变电路评估系数;
将所述风扇电路波动预定数据值与风扇波动实测数据值进行比对,计算风扇电路评估系数;
将所述控制电路波动预定数据值与控制波动实测数据值进行比对,计算控制电路评估系数;
基于所述整流电路评估系数、逆变电路评估系数、风扇电路评估系数和控制电路评估系数计算所述变频器的运行状态评估系数。
进一步地,所述波动实测数据值包括波动频率值或波动幅度值;所述波动实测数据值包括整流波动实测数据值、逆变波动实测数据值、风扇波动实测数据值和控制波动实测数据值。
进一步地,对所述变频器的运行状态评估系数进行一次判断,包括:
设置第一状态评估阈值;
将所述运行状态评估系数与预设第一状态评估阈值比较;若所述运行状态评估系数小于等于预设第一状态评估阈值,则将所述变频器标记为突发性运行故障;
所述故障基础信息包括每个故障原因对应故障的局部目标电路的名称和对应故障的局部目标电路在所述变频器中的区位。
进一步地,根据实测温度趋势图和实测振动趋势图定位故障区位,包括:
基于相似度算法比较所述实测温度趋势图与故障温度趋势图的第一相似度;
若所述第一相似度大于等于预设温度相似阈值,则提取对应故障温度趋势图的对应故障基础信息和对应突发性故障原因;
若所述第一相似度小于预设温度相似阈值,则基于相似度算法比较所述实测振动趋势图与故障振动趋势图的第二相似度;
若所述第二相似度大于等于预设振动相似阈值,则提取对应故障振动趋势图的对应故障基础信息和对应突发性故障原因。
进一步地,若所述第二相似度小于预设振动相似阈值,则判断出现外界干扰因素,则进行警报提醒。
进一步地,所述方法还包括:
对所述变频器的运行状态评估系数进行二次判断,以获取运行异常行为的变频器;
基于每个所述预设局部目标电路在预设时间跨度内的实测温度趋势图和实测振动趋势图对所述运行异常行为的变频器进行异常预警,并记录运行异常行为。
进一步地,对所述变频器的运行状态评估系数进行二次判断,包括:
设置第二状态评估阈值;
将所述运行状态评估系数与预设第二状态评估阈值比较;若所述运行状态评估系数大于等于预设第二状态评估阈值,则将所述变频器标记为运行异常行为。
进一步地,基于每个所述预设局部目标电路在预设时间跨度内的实测温度趋势图和实测振动趋势图对所述运行异常行为的变频器进行异常预警,包括:
分别根据每个所述预设局部目标电路在预设时间跨度内的实测温度趋势图和实测振动趋势图生成温度变化系数和振动变化系数;
获取所述变频器的历史运行异常行为次数;
基于温度变化系数、振动变化系数和历史运行异常行为次数,生成运行征兆反映系数;
设置反映系数阈值,将所述反映系数阈值与运行征兆反映系数进行比对,以获取预警标记,并根据所述预警标记进行异常预警;所述预警标记包括一级预警标记、二预警标记和三级预警标记。
进一步地,生成温度变化系数和振动变化系数,包括:
对预设时间跨度进行等分划分,得到若干个细分时间点;
按照时间序列提取每个细分时间点在实测温度趋势图中的温度,并计算每个细分时间点温度与前一时间点温度的差值,得到若干温度差值数据;
对若干所述温度差值数据进行公式化计算,得到温度变化系数;
按照时间序列提取每个细分时间点在实测振动趋势图中的振动值,并计算每个细分时间点振动值与前一时间点振动值的差值,得到若干振动差值数据;
对若干所述振动差值数据进行公式化计算,得到振动变化系数。
进一步地,设置反映系数阈值,将所述反映系数阈值与运行征兆反映系数进行比对,包括:
设置反映系数阈值Kt1和Kt2,Kt1>Kt2,将所述反映系数阈值与运行征兆反映系数进行比对;
若所述运行征兆反映系数大于等于反映系数阈值Kt1,则对变频器生成一级预警标记;若所述运行征兆反映系数小于反映系数阈值Kt1,且所述运行征兆反映系数大于反映系数阈值Kt2,则对变频器生成二级预警标记;若所述运行征兆反映系数小于等于反映系数阈值Kt2,则对变频器生成三级预警标记;
所述一级预警标记的预警等级>二级预警标记的预警等级>三级预警标记的预警等级;所述一级预警标记表示变频器出现异常征兆次数非常频繁,极易在未来时段发生故障;所述二级预警标记表示变频器出现异常征兆次数较多,可能在未来时段发生故障;所述三级预警标记表示变频器出现异常征兆次数为偶尔,极低概率在未来时段发生故障。
一种集成型变频器运行状态监测系统,包括:
数据采集模块,用于采集变频器中每个预设局部目标电路的电流或电压信号;
系数生成模块,用于根据所述电流或电压信号生成所述变频器的运行状态评估系数;
一次判断模块,用于对所述变频器的运行状态评估系数进行一次判断,以获取突发性运行故障的变频器;
故障匹配模块,用于根据突发性运行故障变频器并基于预设波动实测数据值与突发性故障信息的对应关系,确定对应的突发性故障信息;所述突发性故障信息包括多个突发性故障原因、故障基础信息以及每个故障原因对应故障表现图,所述对应故障表现图包括故障温度趋势图和故障振动趋势图;
故障确定模块,用于提取每个所述预设局部目标电路在预设时间跨度内的实测温度数据和实测振动数据,基于所述实测温度数据和实测振动数据生成实测温度趋势图和实测振动趋势图;根据实测温度趋势图和实测振动趋势图定位故障区位,并记录突发性运行故障。
进一步地,所述系统还包括:
二次判断模块,用于对所述变频器的运行状态评估系数进行二次判断,以获取运行异常行为的变频器;
异常预警模块,用于基于每个所述预设局部目标电路在预设时间跨度内的实测温度趋势图和实测振动趋势图对所述运行异常行为的变频器进行异常预警,并记录运行异常行为。
一种电子设备,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述任一项所述集成型变频器运行状态监测方法。
一种计算机可读存储介质,所述计算机可读存储介质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上述任一项所述集成型变频器运行状态监测方法。
本发明一种集成型变频器运行状态监测系统及监测方法的技术效果和优点:
首先采集每个预设局部目标电路的电流或电压信号;根据电流或电压信号生成运行状态评估系数;对运行状态评估系数进行一次判断,以获取突发性运行故障的变频器;基于预设波动实测数据值与突发性故障信息的对应关系,确定对应的突发性故障信息;提取每个预设局部目标电路在预设时间跨度内的实测温度数据和实测振动数据,基于实测温度数据和实测振动数据生成实测温度趋势图和实测振动趋势图;根据实测温度趋势图和实测振动趋势图定位故障区位,并记录突发性运行故障,本发明有利于对突发性的故障的变频器进行快速故障判断、定位和故障原因确定;此外,通过对所述变频器进行二次判断,并基于每个所述预设局部目标电路在预设时间跨度内的实测温度趋势图和实测振动趋势图对所述运行异常行为的变频器进行异常预警,本发明有利于对非突发性的异样征兆的集成型变频器进行及时异常预警。
附图说明
图1为本发明的一种集成型变频器运行状态监测方法的示意图;
图2为本发明实施例3的一种集成型变频器运行状态监测系统的示意图;
图3为本发明实施例4的一种集成型变频器运行状态监测系统的示意图;
图4为本发明实施例5的一种电子设备的示意图。
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。
实施例1
请参阅图1所示,本实施例公开提供了一种集成型变频器运行状态监测方法,所述方法包括:
步骤1:采集变频器中每个预设局部目标电路的电流或电压信号;
具体地,所述预设局部目标电路包括整流电路、逆变电路、风扇电路和控制电路;
需要说明的是:所述变频器具体为集成型变频器,集成型变频器中每个预设局部目标电路的电流或电压信号通过利用边缘采集器采集得到;进一步需要说明的是:每个预设局部目标电路通过对集成型变频器中全局电路划分得到,所述整流电路中包含输入滤波电路,所述逆变电路中包含输出滤波电路;
步骤2:根据所述电流或电压信号生成所述变频器的运行状态评估系数;
具体地,根据所述电流或电压信号生成所述变频器的运行状态评估系数,包括:
S21:根据电流或电压信号获取在预设时间跨度内每个所述预设局部目标电路的波动实测数据值;
具体的,所述波动实测数据值包括波动频率值或波动幅度值;所述波动实测数据值包括整流波动实测数据值、逆变波动实测数据值、风扇波动实测数据值和控制波动实测数据值;
需要说明的是:由于采集每个所述预设局部目标电路的信号可以为电流信号,也可以为电压信号,因此,所述波动实测数据值可以为电流数据下的波动实测数据值,也可以为电压数据下的波动实测数据值,同理,所述运行状态评估系数也可为电流数据下的运行状态评估系数,也可以为电压数据下的运行状态评估系数;
具体地,根据电流或电压信号获取在预设时间跨度内每个所述预设局部目标电路的波动实测数据值,包括:
提取每个所述预设局部目标电路的电流或电压信号;
根据每个所述预设局部目标电路的电流或电压信号构建电流时域图/电压时域图;
对所述电流时域图/电压时域图进行傅里叶变换,以获取电流频域图/电压频域图;提取电流频域图/电压频域图中的频域参数数据,得到每个所述预设局部目标电路的波动实测数据值;所述傅里叶变换具体为离散傅里叶变换或快速傅里叶变换算法中的一种;所述频域参数包括频率和幅度;
S22:获取每个所述预设局部目标电路的波动预定数据值,所述波动预定数据值包括整流电路波动预定数据值、逆变电路波动预定数据值、风扇电路波动预定数据值和控制电路波动预定数据值;
S23:将所述整流电路波动预定数据值与整流波动实测数据值进行比对,计算整流电路评估系数;其计算公式为: ;式中:/>表示整流电路评估系数, />表示整流波动实测数据值,/> 表示整流电路波动预定数据值;
S24:将所述逆变电路波动预定数据值与逆变波动实测数据值进行比对,计算逆变电路评估系数;其计算公式为: ;式中:/>表示逆变电路评估系数,表示逆变波动实测数据值,/>表示逆变电路波动预定数据值;
S25:将所述风扇电路波动预定数据值与风扇波动实测数据值进行比对,计算风扇电路评估系数;其计算公式为:;式中:/>表示风扇电路评估系数, />表示风扇波动实测数据值,/>表示风扇电路波动预定数据值;
S26:将所述控制电路波动预定数据值与控制波动实测数据值进行比对,计算控制电路评估系数;其计算公式为: ;式中:/>表示控制电路评估系数,表示控制波动实测数据值,/>表示控制电路波动预定数据值, />表示为自然常数;
S27:基于所述整流电路评估系数、逆变电路评估系数、风扇电路评估系数和控制电路评估系数计算所述变频器的运行状态评估系数;其计算公式为: ;式中:/>表示运行状态评估系数;
步骤3:对所述变频器的运行状态评估系数进行一次判断,以获取突发性运行故障的变频器;
具体地,对所述变频器的运行状态评估系数进行一次判断,包括:
设置第一状态评估阈值;
将所述运行状态评估系数与预设第一状态评估阈值比较;若所述运行状态评估系数小于等于预设第一状态评估阈值,则将所述变频器标记为突发性运行故障;
可以理解的是:突发性运行故障是指变频器无任何异样征兆,其中某个元器件突然出现损坏而导致系统局部功能失效或引起整个电路无法运行的故障;
需要说明的是:同上述关于电流或电压信号的介绍说明,因此关于第一状态评估阈值设定,可以为参照电流数据下的运行状态评估系数进行实验确定得到,也可以为参照电压数据下的运行状态评估系数进行实验确定得到;
步骤4:根据突发性运行故障变频器并基于预设波动实测数据值与突发性故障信息的对应关系,确定对应的突发性故障信息;所述突发性故障信息包括多个突发性故障原因、故障基础信息以及每个故障原因对应故障表现图,所述对应故障表现图包括故障温度趋势图和故障振动趋势图;
具体地,所述故障基础信息包括每个故障原因对应故障的局部目标电路的名称和对应故障的局部目标电路在所述变频器中的区位;
需要说明的是:预设波动实测数据值与突发性故障信息的对应关系通过人为实验分析确定,每个突发性故障信息包括多个突发性故障原因,具体来说,每个突发性故障信息对应有多个突发性故障原因,且每个突发性故障原因包含对应的故障基础信息,以及包含每个故障原因对应故障表现图;
可以理解的是:当所述运行状态评估系数小于等于预设第一状态评估阈值时,则可表明变频器此时存在突发性运行故障,因此此时通过基于预设波动实测数据值与突发性故障信息的对应关系,可确定多个突发性故障原因,进而极大程度上缩小对突发性故障的排查范围,提高排查效率;
步骤5:提取每个所述预设局部目标电路在预设时间跨度内的实测温度数据和实测振动数据,基于所述实测温度数据和实测振动数据生成实测温度趋势图和实测振动趋势图;根据实测温度趋势图和实测振动趋势图定位故障区位,并记录突发性运行故障;
需要说明的是:所述实测温度数据和实测振动数据基于预设于变频器的传感器采集得到,所述传感器包括温度传感器、测温电阻和振动传感器;
还需要说明的是:实测温度趋势图和实测振动趋势图分别基于实测温度数据和实测振动数据生成,具体来说就是,当排查到某一时间跨度内存在突发性运行故障的变频器时,同时调取同一时间跨度内的实测温度数据和实测振动数据,并以时间为横轴,温度或振动值为纵轴构建二维平面图,得到实测温度趋势图和实测振动趋势图;
具体地,根据实测温度趋势图和实测振动趋势图定位故障区位,包括:
基于相似度算法比较所述实测温度趋势图与故障温度趋势图的第一相似度;
若所述第一相似度大于等于预设温度相似阈值,则提取对应故障温度趋势图的对应故障基础信息和对应突发性故障原因;
若所述第一相似度小于预设温度相似阈值,则基于相似度算法比较所述实测振动趋势图与故障振动趋势图的第二相似度;
若所述第二相似度大于等于预设振动相似阈值,则提取对应故障振动趋势图的对应故障基础信息和对应突发性故障原因;
需要说明的是:若所述第二相似度小于预设振动相似阈值,则判断出现外界干扰因素,则进行警报提醒;
还需要说明的是:所述相对度算法包括但不限于余弦相似度算法或欧氏距离算法等等;所述实测温度趋势图和实测振动趋势图在进行比较前还需对其进行预处理,所述预处理包括但不限于图像增强、图像去噪和图像分割等等;
可以理解的是:基于上文,当基于预设波动实测数据值与突发性故障信息的对应关系确定了多个突发性故障原因后,即缩小对突发性故障的排查范围,进一步地,采集每个所述预设局部目标电路在预设时间跨度内的实测温度数据和实测振动数据,并根据其生成实测温度趋势图和实测振动趋势图,通过基于实测温度趋势图和实测振动趋势图进行比对,进一步确定故障原因,从而能够实现对突发性的故障对变频器进行快速故障判断和定位;
通过根据变频器中每个预设局部目标电路的电流或电压信号生成运行状态评估系数,并进行一次判断,获取突发性运行故障变频器,之后根据突发性运行故障变频器并基于预设波动实测数据值与突发性故障信息的对应关系,确定对应的突发性故障信息,最后提取每个所述预设局部目标电路在预设时间跨度内的实测温度数据和实测振动数据,基于所述实测温度数据和实测振动数据生成实测温度趋势图和实测振动趋势图;根据实测温度趋势图和实测振动趋势图定位故障区位;本实施例处理逻辑简单,分析处理过程相对较短,有利于针对突发性的故障的变频器进行快速故障判断、定位和故障原因确定。
实施例2
请参阅图1所示,基于上述实施例1,本实施例是围绕变频器发生非突发性异常下而作出的设计改进,本实施例公开提供了一种集成型变频器运行状态监测方法,所述方法还包括:
步骤6:对所述变频器的运行状态评估系数进行二次判断,以获取运行异常行为的变频器;
具体地,对所述变频器的运行状态评估系数进行二次判断,包括:
设置第二状态评估阈值;
将所述运行状态评估系数与预设第二状态评估阈值比较;若所述运行状态评估系数大于等于预设第二状态评估阈值,则将所述变频器标记为运行异常行为;
需要说明的是:所述第二状态评估阈值大于第一状态评估阈值;进一步需要说明的是:若所述运行状态评估系数大于预设第一状态评估阈值,且小于预设第二状态评估阈值,则将所述变频器标记为运行正常;若变频器标记为运行正常,则返回步骤1进行下一时间段的运行状态监测判断;
可以理解的是:运行异常行为是指变频器在运行过程中存在一些运行异样,其很可能在未来某段时间发生变故而导致系统不稳定或损坏;相反的,运行正常则是指变频器在运行过程中不存在任何运行异样,运行过程非常稳定;
步骤7:基于每个所述预设局部目标电路在预设时间跨度内的实测温度趋势图和实测振动趋势图对所述运行异常行为的变频器进行异常预警,并记录运行异常行为;
需要说明的是:每发生一次所述运行异常行为都将记录于变频器监测数据库中,并根据每一阶段的变频器监测判断进行更新/不更新;
具体地,基于每个所述预设局部目标电路在预设时间跨度内的实测温度趋势图和实测振动趋势图对所述运行异常行为的变频器进行异常预警,包括:
S71:分别根据每个所述预设局部目标电路在预设时间跨度内的实测温度趋势图和实测振动趋势图生成温度变化系数和振动变化系数;
具体地,生成温度变化系数和振动变化系数,包括:
对预设时间跨度进行等分划分,得到若干个细分时间点;
按照时间序列提取每个细分时间点在实测温度趋势图中的温度,并计算每个细分时间点温度与前一时间点温度的差值,得到若干温度差值数据;
对若干所述温度差值数据进行公式化计算,得到温度变化系数;其计算公式为:;式中:/>表示温度变化系数, />表示第/>个细分时间点温度,表示第/>个细分时间点的前一时间点温度,/>表示细分时间点温度的总个数;
按照时间序列提取每个细分时间点在实测振动趋势图中的振动值,并计算每个细分时间点振动值与前一时间点振动值的差值,得到若干振动差值数据;
对若干所述振动差值数据进行公式化计算,得到振动变化系数;其计算公式为:;式中:/>表示振动变化系数, />表示第/>个细分时间点振动值,/>表示第/>个细分时间点的前一时间点振动值,/>表示细分时间点振动值的总个数;
需要说明的是:由于初始细分时间点的前一时间点温度不存在,则不计算初始细分时间点温度与前一时间点温度的差值;举例来说就是,假设得到n个细分时间点,n为大于等于1的正整数,按照时间序列则第1个细分时间点为初始细分时间点,因此第1个细分时间点的前一时间点温度不存在,则不计算第1个细分时间点温度与前一时间点温度的差值,因此i的取值也从初始细分时间点的后一时间点的开始,即i≥2 ;同理,初始细分时间点振动值与前一时间点振动值的差值也是如此,因此对此不再过多赘述;
S72:获取所述变频器的历史运行异常行为次数;
需要说明的是:所述历史运行异常行为次数预存于变频器监测数据库中;
S73:基于温度变化系数、振动变化系数和历史运行异常行为次数,生成运行征兆反映系数;其计算公式为:;式中:/>表示运行征兆反映系数, />表示历史运行异常行为次数, />、/>和/>为大于零的权重因子;
S73:设置反映系数阈值,将所述反映系数阈值与运行征兆反映系数进行比对,以获取预警标记,并根据所述预警标记进行异常预警;所述预警标记包括一级预警标记、二预警标记和三级预警标记;
具体地,设置反映系数阈值,将所述反映系数阈值与运行征兆反映系数进行比对,包括:
设置反映系数阈值Kt1和Kt2,Kt1>Kt2,将所述反映系数阈值与运行征兆反映系数进行比对;
若所述运行征兆反映系数大于等于反映系数阈值Kt1,则对变频器生成一级预警标记;若所述运行征兆反映系数小于反映系数阈值Kt1,且所述运行征兆反映系数大于反映系数阈值Kt2,则对变频器生成二级预警标记;若所述运行征兆反映系数小于等于反映系数阈值Kt2,则对变频器生成三级预警标记;
需要说明的是:所述一级预警标记的预警等级>二级预警标记的预警等级>三级预警标记的预警等级;所述一级预警标记表示变频器出现异常征兆次数非常频繁,极易在未来时段发生故障;所述二级预警标记表示变频器出现异常征兆次数较多,可能在未来时段发生故障;所述三级预警标记表示变频器出现异常征兆次数为偶尔,极低概率在未来时段发生故障;
通过对所述变频器进行二次判断,并基于每个所述预设局部目标电路在预设时间跨度内的实测温度趋势图和实测振动趋势图对所述运行异常行为的变频器进行异常预警,本实施例有利于针对非突发性的异样征兆的集成型变频器进行及时异常预警。
实施例3
请参阅图2所示,本实施例公开提供了一种集成型变频器运行状态监测系统,包括:
数据采集模块201,用于采集变频器中每个预设局部目标电路的电流或电压信号;
具体地,所述预设局部目标电路包括整流电路、逆变电路、风扇电路和控制电路;
需要说明的是:所述变频器具体为集成型变频器,集成型变频器中每个预设局部目标电路的电流或电压信号通过利用边缘采集器采集得到;进一步需要说明的是:每个预设局部目标电路通过对集成型变频器中全局电路划分得到,所述整流电路中包含输入滤波电路,所述逆变电路中包含输出滤波电路;
系数生成模块202,用于根据所述电流或电压信号生成所述变频器的运行状态评估系数;
具体地,根据所述电流或电压信号生成所述变频器的运行状态评估系数,包括:
S21:根据电流或电压信号获取在预设时间跨度内每个所述预设局部目标电路的波动实测数据值;
具体的,所述波动实测数据值包括波动频率值或波动幅度值;所述波动实测数据值包括整流波动实测数据值、逆变波动实测数据值、风扇波动实测数据值和控制波动实测数据值;
需要说明的是:由于采集每个所述预设局部目标电路的信号可以为电流信号,也可以为电压信号,因此,所述波动实测数据值可以为电流数据下的波动实测数据值,也可以为电压数据下的波动实测数据值,同理,所述运行状态评估系数也可为电流数据下的运行状态评估系数,也可以为电压数据下的运行状态评估系数;
具体地,根据电流或电压信号获取在预设时间跨度内每个所述预设局部目标电路的波动实测数据值,包括:
提取每个所述预设局部目标电路的电流或电压信号;
根据每个所述预设局部目标电路的电流或电压信号构建电流时域图/电压时域图;
对所述电流时域图/电压时域图进行傅里叶变换,以获取电流频域图/电压频域图;提取电流频域图/电压频域图中的频域参数数据,得到每个所述预设局部目标电路的波动实测数据值;所述傅里叶变换具体为离散傅里叶变换或快速傅里叶变换算法中的一种;所述频域参数包括频率和幅度;
S22:获取每个所述预设局部目标电路的波动预定数据值,所述波动预定数据值包括整流电路波动预定数据值、逆变电路波动预定数据值、风扇电路波动预定数据值和控制电路波动预定数据值;
S23:将所述整流电路波动预定数据值与整流波动实测数据值进行比对,计算整流电路评估系数;其计算公式为: ;式中:/>表示整流电路评估系数, />表示整流波动实测数据值,/> 表示整流电路波动预定数据值;
S24:将所述逆变电路波动预定数据值与逆变波动实测数据值进行比对,计算逆变电路评估系数;其计算公式为: ;式中:/>表示逆变电路评估系数,表示逆变波动实测数据值,/>表示逆变电路波动预定数据值;
S25:将所述风扇电路波动预定数据值与风扇波动实测数据值进行比对,计算风扇电路评估系数;其计算公式为:;式中:/>表示风扇电路评估系数, />表示风扇波动实测数据值,/>表示风扇电路波动预定数据值;
S26:将所述控制电路波动预定数据值与控制波动实测数据值进行比对,计算控制电路评估系数;其计算公式为: ;式中:/>表示控制电路评估系数,表示控制波动实测数据值,/>表示控制电路波动预定数据值, />表示为自然常数;
S27:基于所述整流电路评估系数、逆变电路评估系数、风扇电路评估系数和控制电路评估系数计算所述变频器的运行状态评估系数;其计算公式为: ;式中:/>表示运行状态评估系数;
一次判断模块203,用于对所述变频器的运行状态评估系数进行一次判断,以获取突发性运行故障的变频器;
具体地,对所述变频器的运行状态评估系数进行一次判断,包括:
设置第一状态评估阈值;
将所述运行状态评估系数与预设第一状态评估阈值比较;若所述运行状态评估系数小于等于预设第一状态评估阈值,则将所述变频器标记为突发性运行故障;
可以理解的是:突发性运行故障是指变频器无任何异样征兆,其中某个元器件突然出现损坏而导致系统局部功能失效或引起整个电路无法运行的故障;
需要说明的是:同上述关于电流或电压信号的介绍说明,因此关于第一状态评估阈值设定,可以为参照电流数据下的运行状态评估系数进行实验确定得到,也可以为参照电压数据下的运行状态评估系数进行实验确定得到;
故障匹配模块204,用于根据突发性运行故障变频器并基于预设波动实测数据值与突发性故障信息的对应关系,确定对应的突发性故障信息;所述突发性故障信息包括多个突发性故障原因、故障基础信息以及每个故障原因对应故障表现图,所述对应故障表现图包括故障温度趋势图和故障振动趋势图;
具体地,所述故障基础信息包括每个故障原因对应故障的局部目标电路的名称和对应故障的局部目标电路在所述变频器中的区位;
需要说明的是:预设波动实测数据值与突发性故障信息的对应关系通过人为实验分析确定,每个突发性故障信息包括多个突发性故障原因,具体来说,每个突发性故障信息对应有多个突发性故障原因,且每个突发性故障原因包含对应的故障基础信息,以及包含每个故障原因对应故障表现图;
可以理解的是:当所述运行状态评估系数小于等于预设第一状态评估阈值时,则可表明变频器此时存在突发性运行故障,因此此时通过基于预设波动实测数据值与突发性故障信息的对应关系,可确定多个突发性故障原因,进而极大程度上缩小对突发性故障的排查范围,提高排查效率;
故障确定模块205,用于提取每个所述预设局部目标电路在预设时间跨度内的实测温度数据和实测振动数据,基于所述实测温度数据和实测振动数据生成实测温度趋势图和实测振动趋势图;根据实测温度趋势图和实测振动趋势图定位故障区位,并记录突发性运行故障;
需要说明的是:所述实测温度数据和实测振动数据基于预设于变频器的传感器采集得到,所述传感器包括温度传感器、测温电阻和振动传感器;
还需要说明的是:实测温度趋势图和实测振动趋势图分别基于实测温度数据和实测振动数据生成,具体来说就是,当排查到某一时间跨度内存在突发性运行故障的变频器时,同时调取同一时间跨度内的实测温度数据和实测振动数据,并以时间为横轴,温度或振动值为纵轴构建二维平面图,得到实测温度趋势图和实测振动趋势图;
具体地,根据实测温度趋势图和实测振动趋势图定位故障区位,包括:
基于相似度算法比较所述实测温度趋势图与故障温度趋势图的第一相似度;
若所述第一相似度大于等于预设温度相似阈值,则提取对应故障温度趋势图的对应故障基础信息和对应突发性故障原因;
若所述第一相似度小于预设温度相似阈值,则基于相似度算法比较所述实测振动趋势图与故障振动趋势图的第二相似度;
若所述第二相似度大于等于预设振动相似阈值,则提取对应故障振动趋势图的对应故障基础信息和对应突发性故障原因;
需要说明的是:若所述第二相似度小于预设振动相似阈值,则判断出现外界干扰因素,则进行警报提醒;
还需要说明的是:所述相对度算法包括但不限于余弦相似度算法或欧氏距离算法等等;所述实测温度趋势图和实测振动趋势图在进行比较前还需对其进行预处理,所述预处理包括但不限于图像增强、图像去噪和图像分割等等;
可以理解的是:基于上文,当基于预设波动实测数据值与突发性故障信息的对应关系确定了多个突发性故障原因后,即缩小对突发性故障的排查范围,进一步地,采集每个所述预设局部目标电路在预设时间跨度内的实测温度数据和实测振动数据,并根据其生成实测温度趋势图和实测振动趋势图,通过基于实测温度趋势图和实测振动趋势图进行比对,进一步确定故障原因,从而能够实现对突发性的故障对变频器进行快速故障判断和定位;
通过根据变频器中每个预设局部目标电路的电流或电压信号生成运行状态评估系数,并进行一次判断,获取突发性运行故障变频器,之后根据突发性运行故障变频器并基于预设波动实测数据值与突发性故障信息的对应关系,确定对应的突发性故障信息,最后提取每个所述预设局部目标电路在预设时间跨度内的实测温度数据和实测振动数据,基于所述实测温度数据和实测振动数据生成实测温度趋势图和实测振动趋势图;根据实测温度趋势图和实测振动趋势图定位故障区位;本实施例处理逻辑简单,分析处理过程相对较短,有利于针对突发性的故障的变频器进行快速故障判断、定位和故障原因确定。
实施例4
请参阅图3所示,基于上述实施例3,本实施例是围绕变频器发生非突发性异常下而作出的设计改进,本实施例公开提供了一种集成型变频器运行状态监测系统,所述系统还包括:
二次判断模块206,用于对所述变频器的运行状态评估系数进行二次判断,以获取运行异常行为的变频器;
具体地,对所述变频器的运行状态评估系数进行二次判断,包括:
设置第二状态评估阈值;
将所述运行状态评估系数与预设第二状态评估阈值比较;若所述运行状态评估系数大于等于预设第二状态评估阈值,则将所述变频器标记为运行异常行为;
需要说明的是:所述第二状态评估阈值大于第一状态评估阈值;进一步需要说明的是:若所述运行状态评估系数大于预设第一状态评估阈值,且小于预设第二状态评估阈值,则将所述变频器标记为运行正常;若变频器标记为运行正常,则返回步骤1进行下一时间段的运行状态监测判断;
可以理解的是:运行异常行为是指变频器在运行过程中存在一些运行异样,其很可能在未来某段时间发生变故而导致系统不稳定或损坏;相反的,运行正常则是指变频器在运行过程中不存在任何运行异样,运行过程非常稳定;
异常预警模块207,用于基于每个所述预设局部目标电路在预设时间跨度内的实测温度趋势图和实测振动趋势图对所述运行异常行为的变频器进行异常预警,并记录运行异常行为;
需要说明的是:每发生一次所述运行异常行为都将记录于变频器监测数据库中,并根据每一阶段的变频器监测判断进行更新/不更新;
具体地,基于每个所述预设局部目标电路在预设时间跨度内的实测温度趋势图和实测振动趋势图对所述运行异常行为的变频器进行异常预警,包括:
S71:分别根据每个所述预设局部目标电路在预设时间跨度内的实测温度趋势图和实测振动趋势图生成温度变化系数和振动变化系数;
具体地,生成温度变化系数和振动变化系数,包括:
对预设时间跨度进行等分划分,得到若干个细分时间点;
按照时间序列提取每个细分时间点在实测温度趋势图中的温度,并计算每个细分时间点温度与前一时间点温度的差值,得到若干温度差值数据;
对若干所述温度差值数据进行公式化计算,得到温度变化系数;其计算公式为:;式中:/>表示温度变化系数, />表示第/>个细分时间点温度,表示第/>个细分时间点的前一时间点温度,/>表示细分时间点温度的总个数;
按照时间序列提取每个细分时间点在实测振动趋势图中的振动值,并计算每个细分时间点振动值与前一时间点振动值的差值,得到若干振动差值数据;
对若干所述振动差值数据进行公式化计算,得到振动变化系数;其计算公式为:;式中:/>表示振动变化系数, />表示第/>个细分时间点振动值,/>表示第/>个细分时间点的前一时间点振动值,/>表示细分时间点振动值的总个数;
需要说明的是:由于初始细分时间点的前一时间点温度不存在,则不计算初始细分时间点温度与前一时间点温度的差值;举例来说就是,假设得到n个细分时间点,n为大于等于1的正整数,按照时间序列则第1个细分时间点为初始细分时间点,因此第1个细分时间点的前一时间点温度不存在,则不计算第1个细分时间点温度与前一时间点温度的差值;同理,初始细分时间点振动值与前一时间点振动值的差值也是如此,因此对此不再过多赘述;
S72:获取所述变频器的历史运行异常行为次数;
需要说明的是:所述历史运行异常行为次数预存于变频器监测数据库中;
S73:基于温度变化系数、振动变化系数和历史运行异常行为次数,生成运行征兆反映系数;其计算公式为:;式中:/>表示运行征兆反映系数, />表示历史运行异常行为次数, />、/>和/>为大于零的权重因子;
S73:设置反映系数阈值,将所述反映系数阈值与运行征兆反映系数进行比对,以获取预警标记,并根据所述预警标记进行异常预警;所述预警标记包括一级预警标记、二预警标记和三级预警标记;
具体地,设置反映系数阈值,将所述反映系数阈值与运行征兆反映系数进行比对,包括:
设置反映系数阈值Kt1和Kt2,Kt1>Kt2,将所述反映系数阈值与运行征兆反映系数进行比对;
若所述运行征兆反映系数大于等于反映系数阈值Kt1,则对变频器生成一级预警标记;若所述运行征兆反映系数小于反映系数阈值Kt1,且所述运行征兆反映系数大于反映系数阈值Kt2,则对变频器生成二级预警标记;若所述运行征兆反映系数小于等于反映系数阈值Kt2,则对变频器生成三级预警标记;
需要说明的是:所述一级预警标记的预警等级>二级预警标记的预警等级>三级预警标记的预警等级;所述一级预警标记表示变频器出现异常征兆次数非常频繁,极易在未来时段发生故障;所述二级预警标记表示变频器出现异常征兆次数较多,可能在未来时段发生故障;所述三级预警标记表示变频器出现异常征兆次数为偶尔,极低概率在未来时段发生故障;
通过对所述变频器进行二次判断,并基于每个所述预设局部目标电路在预设时间跨度内的实测温度趋势图和实测振动趋势图对所述运行异常行为的变频器进行异常预警,本实施例有利于针对非突发性的异样征兆对集成型变频器进行及时异常预警。
实施例5
本实施例公开提供了一种电子设备,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述各方法实施例所提供的任一项所述一种集成型变频器运行状态监测方法。
由于本实施例所介绍的电子设备为实施本申请实施例中集成型变频器运行状态监测方法所采用的电子设备,故而基于本申请实施例中所介绍的集成型变频器运行状态监测方法,本领域所属技术人员能够了解本实施例的电子设备的具体实施方式以及其各种变化形式,所以在此对于该电子设备如何实现本申请实施例中的方法不再详细介绍。只要本领域所属技术人员实施本申请实施例中集成型变频器运行状态监测方法所采用的电子设备,都属于本申请所欲保护的范围。
实施例6
本实施例公开提供了一种计算机可读存储介质,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述各方法实施例所提供的任一项所述一种集成型变频器运行状态监测方法。
上述公式均是去量纲取其数值计算,公式是由采集大量数据进行软件模拟得到最近真实情况的一个公式,公式中的预设参数、权重以及阈值选取由本领域的技术人员根据实际情况进行设置。
上述实施例,可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时,上述实施例可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行所述计算机指令或计算机程序时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以为通用计算机、专用计算机、计算机网络或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线网络或无线网络方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如,软盘、硬盘、磁带)、光介质(例如,DVD)或者半导体介质。半导体介质可以是固态硬盘。
本领域普通技术人员可意识到,结合本发明中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本发明所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其他的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一 种,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的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,装置或单元的间接耦合或通信连接,可以是电性,机械或其他的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者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者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
以上所述,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所述权利要求的保护范围为准。
最后:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (15)
1.一种集成型变频器运行状态监测方法,其特征在于,包括:
采集变频器中每个预设局部目标电路的电流或电压信号;
根据所述电流或电压信号生成所述变频器的运行状态评估系数;
对所述变频器的运行状态评估系数进行一次判断,以获取突发性运行故障的变频器;
根据突发性运行故障变频器并基于预设波动实测数据值与突发性故障信息的对应关系,确定对应的突发性故障信息;所述突发性故障信息包括多个突发性故障原因、故障基础信息以及每个故障原因对应故障表现图,所述对应故障表现图包括故障温度趋势图和故障振动趋势图;
提取每个所述预设局部目标电路在预设时间跨度内的实测温度数据和实测振动数据,基于所述实测温度数据和实测振动数据生成实测温度趋势图和实测振动趋势图;根据实测温度趋势图和实测振动趋势图定位故障区位,并记录突发性运行故障。
2.根据权利要求1所述的一种集成型变频器运行状态监测方法,其特征在于,所述预设局部目标电路包括整流电路、逆变电路、风扇电路和控制电路;
根据所述电流或电压信号生成所述变频器的运行状态评估系数,包括:
根据电流或电压信号获取在预设时间跨度内每个所述预设局部目标电路的波动实测数据值;
获取每个所述预设局部目标电路的波动预定数据值,所述波动预定数据值包括整流电路波动预定数据值、逆变电路波动预定数据值、风扇电路波动预定数据值和控制电路波动预定数据值;
将所述整流电路波动预定数据值与整流波动实测数据值进行比对,计算整流电路评估系数;
将所述逆变电路波动预定数据值与逆变波动实测数据值进行比对,计算逆变电路评估系数;
将所述风扇电路波动预定数据值与风扇波动实测数据值进行比对,计算风扇电路评估系数;
将所述控制电路波动预定数据值与控制波动实测数据值进行比对,计算控制电路评估系数;
基于所述整流电路评估系数、逆变电路评估系数、风扇电路评估系数和控制电路评估系数计算所述变频器的运行状态评估系数。
3.根据权利要求2所述的一种集成型变频器运行状态监测方法,其特征在于,所述波动实测数据值包括波动频率值或波动幅度值;所述波动实测数据值包括整流波动实测数据值、逆变波动实测数据值、风扇波动实测数据值和控制波动实测数据值。
4.根据权利要求3所述的一种集成型变频器运行状态监测方法,其特征在于,对所述变频器的运行状态评估系数进行一次判断,包括:
设置第一状态评估阈值;
将所述运行状态评估系数与预设第一状态评估阈值比较;若所述运行状态评估系数小于等于预设第一状态评估阈值,则将所述变频器标记为突发性运行故障;
所述故障基础信息包括每个故障原因对应故障的局部目标电路的名称和对应故障的局部目标电路在所述变频器中的区位。
5.根据权利要求4所述的一种集成型变频器运行状态监测方法,其特征在于,根据实测温度趋势图和实测振动趋势图定位故障区位,包括:
基于相似度算法比较所述实测温度趋势图与故障温度趋势图的第一相似度;
若所述第一相似度大于等于预设温度相似阈值,则提取对应故障温度趋势图的对应故障基础信息和对应突发性故障原因;
若所述第一相似度小于预设温度相似阈值,则基于相似度算法比较所述实测振动趋势图与故障振动趋势图的第二相似度;
若所述第二相似度大于等于预设振动相似阈值,则提取对应故障振动趋势图的对应故障基础信息和对应突发性故障原因。
6.根据权利要求5所述的一种集成型变频器运行状态监测方法,其特征在于,若所述第二相似度小于预设振动相似阈值,则判断出现外界干扰因素,则进行警报提醒。
7.根据权利要求6所述的一种集成型变频器运行状态监测方法,其特征在于,所述方法还包括:
对所述变频器的运行状态评估系数进行二次判断,以获取运行异常行为的变频器;
基于每个所述预设局部目标电路在预设时间跨度内的实测温度趋势图和实测振动趋势图对所述运行异常行为的变频器进行异常预警,并记录运行异常行为。
8.根据权利要求7所述的一种集成型变频器运行状态监测方法,其特征在于,对所述变频器的运行状态评估系数进行二次判断,包括:
设置第二状态评估阈值;
将所述运行状态评估系数与预设第二状态评估阈值比较;若所述运行状态评估系数大于等于预设第二状态评估阈值,则将所述变频器标记为运行异常行为。
9.根据权利要求8所述的一种集成型变频器运行状态监测方法,其特征在于,基于每个所述预设局部目标电路在预设时间跨度内的实测温度趋势图和实测振动趋势图对所述运行异常行为的变频器进行异常预警,包括:
分别根据每个所述预设局部目标电路在预设时间跨度内的实测温度趋势图和实测振动趋势图生成温度变化系数和振动变化系数;
获取所述变频器的历史运行异常行为次数;
基于温度变化系数、振动变化系数和历史运行异常行为次数,生成运行征兆反映系数;
设置反映系数阈值,将所述反映系数阈值与运行征兆反映系数进行比对,以获取预警标记,并根据所述预警标记进行异常预警;所述预警标记包括一级预警标记、二预警标记和三级预警标记。
10.根据权利要求9所述的一种集成型变频器运行状态监测方法,其特征在于,生成温度变化系数和振动变化系数,包括:
对预设时间跨度进行等分划分,得到若干个细分时间点;
按照时间序列提取每个细分时间点在实测温度趋势图中的温度,并计算每个细分时间点温度与前一时间点温度的差值,得到若干温度差值数据;
对若干所述温度差值数据进行公式化计算,得到温度变化系数;
按照时间序列提取每个细分时间点在实测振动趋势图中的振动值,并计算每个细分时间点振动值与前一时间点振动值的差值,得到若干振动差值数据;
对若干所述振动差值数据进行公式化计算,得到振动变化系数。
11.根据权利要求10所述的一种集成型变频器运行状态监测方法,其特征在于,设置反映系数阈值,将所述反映系数阈值与运行征兆反映系数进行比对,包括:
设置反映系数阈值Kt1和Kt2,Kt1>Kt2,将所述反映系数阈值与运行征兆反映系数进行比对;
若所述运行征兆反映系数大于等于反映系数阈值Kt1,则对变频器生成一级预警标记;若所述运行征兆反映系数小于反映系数阈值Kt1,且所述运行征兆反映系数大于反映系数阈值Kt2,则对变频器生成二级预警标记;若所述运行征兆反映系数小于等于反映系数阈值Kt2,则对变频器生成三级预警标记;
所述一级预警标记的预警等级>二级预警标记的预警等级>三级预警标记的预警等级;所述一级预警标记表示变频器出现异常征兆次数非常频繁,极易在未来时段发生故障;所述二级预警标记表示变频器出现异常征兆次数较多,可能在未来时段发生故障;所述三级预警标记表示变频器出现异常征兆次数为偶尔,极低概率在未来时段发生故障。
12.一种集成型变频器运行状态监测系统,其特征在于,包括:
数据采集模块,用于采集变频器中每个预设局部目标电路的电流或电压信号;
系数生成模块,用于根据所述电流或电压信号生成所述变频器的运行状态评估系数;
一次判断模块,用于对所述变频器的运行状态评估系数进行一次判断,以获取突发性运行故障的变频器;
故障匹配模块,用于根据突发性运行故障变频器并基于预设波动实测数据值与突发性故障信息的对应关系,确定对应的突发性故障信息;所述突发性故障信息包括多个突发性故障原因、故障基础信息以及每个故障原因对应故障表现图,所述对应故障表现图包括故障温度趋势图和故障振动趋势图;
故障确定模块,用于提取每个所述预设局部目标电路在预设时间跨度内的实测温度数据和实测振动数据,基于所述实测温度数据和实测振动数据生成实测温度趋势图和实测振动趋势图;根据实测温度趋势图和实测振动趋势图定位故障区位,并记录突发性运行故障。
13.根据权利要求12所述的一种集成型变频器运行状态监测系统,其特征在于,所述系统还包括:
二次判断模块,用于对所述变频器的运行状态评估系数进行二次判断,以获取运行异常行为的变频器;
异常预警模块,用于基于每个所述预设局部目标电路在预设时间跨度内的实测温度趋势图和实测振动趋势图对所述运行异常行为的变频器进行异常预警,并记录运行异常行为。
14.一种电子设备,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,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11任一项所述集成型变频器运行状态监测方法。
15.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质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权利要求1至11任一项所述集成型变频器运行状态监测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310869421.7A CN116593811B (zh) | 2023-07-17 | 2023-07-17 | 一种集成型变频器运行状态监测系统及监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310869421.7A CN116593811B (zh) | 2023-07-17 | 2023-07-17 | 一种集成型变频器运行状态监测系统及监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116593811A true CN116593811A (zh) | 2023-08-15 |
CN116593811B CN116593811B (zh) | 2023-09-15 |
Family
ID=87601253
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310869421.7A Active CN116593811B (zh) | 2023-07-17 | 2023-07-17 | 一种集成型变频器运行状态监测系统及监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116593811B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116990479A (zh) * | 2023-09-27 | 2023-11-03 | 上海科泽智慧环境科技有限公司 | 一种基于Zigbee技术的水质监测方法、系统、设备及介质 |
CN117214780A (zh) * | 2023-11-08 | 2023-12-12 | 湖南华夏特变股份有限公司 | 变压器故障检测方法及装置 |
CN117316248A (zh) * | 2023-10-13 | 2023-12-29 | 广东全芯半导体有限公司 | 基于深度学习的tf卡运行智能检测系统 |
CN117411518A (zh) * | 2023-10-17 | 2024-01-16 | 安徽炬视科技有限公司 | 一种电力信息采集方法与系统 |
CN117407679A (zh) * | 2023-12-15 | 2024-01-16 | 南京中鑫智电科技有限公司 | 智能末屏传感器的数据采集方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101498754A (zh) * | 2008-02-02 | 2009-08-05 | 陕西电力科学研究院 | 利用sf6压力波动判断sf6电气设备故障的方法及装置 |
CN107144303A (zh) * | 2017-04-21 | 2017-09-08 | 煤炭科学技术研究院有限公司 | 一种矿用机电设备的故障检测系统、方法及装置 |
CN114264390A (zh) * | 2021-12-15 | 2022-04-01 | 智光研究院(广州)有限公司 | 一种变频器移相变压器温度监测方法、装置及电子设备 |
CN115085378A (zh) * | 2022-06-24 | 2022-09-20 | 国网山东省电力公司青岛市即墨区供电公司 | 一种基于数字孪生技术的虚拟变电站故障排查定位方法 |
CN115762025A (zh) * | 2022-12-12 | 2023-03-07 | 德昱电力工程设计有限公司 | 通信光缆智能预警方法及系统 |
KR20230049226A (ko) * | 2021-10-06 | 2023-04-13 | (주) 미래이앤지 | 인공지능 기반 전기설비 고장 징후 감지 시스템 |
CN116359646A (zh) * | 2023-03-10 | 2023-06-30 | 深圳市景立科技有限公司 | 变频器检测方法、装置、电子设备及存储介质 |
CN116365705A (zh) * | 2023-03-15 | 2023-06-30 | 华能新疆能源开发有限公司新能源东疆分公司 | 一种光伏组件故障实时监测方法及系统 |
-
2023
- 2023-07-17 CN CN202310869421.7A patent/CN116593811B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101498754A (zh) * | 2008-02-02 | 2009-08-05 | 陕西电力科学研究院 | 利用sf6压力波动判断sf6电气设备故障的方法及装置 |
CN107144303A (zh) * | 2017-04-21 | 2017-09-08 | 煤炭科学技术研究院有限公司 | 一种矿用机电设备的故障检测系统、方法及装置 |
KR20230049226A (ko) * | 2021-10-06 | 2023-04-13 | (주) 미래이앤지 | 인공지능 기반 전기설비 고장 징후 감지 시스템 |
CN114264390A (zh) * | 2021-12-15 | 2022-04-01 | 智光研究院(广州)有限公司 | 一种变频器移相变压器温度监测方法、装置及电子设备 |
CN115085378A (zh) * | 2022-06-24 | 2022-09-20 | 国网山东省电力公司青岛市即墨区供电公司 | 一种基于数字孪生技术的虚拟变电站故障排查定位方法 |
CN115762025A (zh) * | 2022-12-12 | 2023-03-07 | 德昱电力工程设计有限公司 | 通信光缆智能预警方法及系统 |
CN116359646A (zh) * | 2023-03-10 | 2023-06-30 | 深圳市景立科技有限公司 | 变频器检测方法、装置、电子设备及存储介质 |
CN116365705A (zh) * | 2023-03-15 | 2023-06-30 | 华能新疆能源开发有限公司新能源东疆分公司 | 一种光伏组件故障实时监测方法及系统 |
Non-Patent Citations (2)
Title |
---|
张晓东等: "固控调速系统中变频器的故障诊断及若干问题", 《电气传动》, vol. 38, no. 3, pages 3 - 6 * |
胡韬等: "高压变频器在运行中常见的故障及相应对策研究", 《河南科技》, no. 675, pages 70 - 71 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116990479A (zh) * | 2023-09-27 | 2023-11-03 | 上海科泽智慧环境科技有限公司 | 一种基于Zigbee技术的水质监测方法、系统、设备及介质 |
CN116990479B (zh) * | 2023-09-27 | 2023-12-15 | 上海科泽智慧环境科技有限公司 | 一种基于Zigbee技术的水质监测方法、系统、设备及介质 |
CN117316248A (zh) * | 2023-10-13 | 2023-12-29 | 广东全芯半导体有限公司 | 基于深度学习的tf卡运行智能检测系统 |
CN117316248B (zh) * | 2023-10-13 | 2024-03-15 | 广东全芯半导体有限公司 | 基于深度学习的tf卡运行智能检测系统 |
CN117411518A (zh) * | 2023-10-17 | 2024-01-16 | 安徽炬视科技有限公司 | 一种电力信息采集方法与系统 |
CN117214780A (zh) * | 2023-11-08 | 2023-12-12 | 湖南华夏特变股份有限公司 | 变压器故障检测方法及装置 |
CN117214780B (zh) * | 2023-11-08 | 2024-02-02 | 湖南华夏特变股份有限公司 | 变压器故障检测方法及装置 |
CN117407679A (zh) * | 2023-12-15 | 2024-01-16 | 南京中鑫智电科技有限公司 | 智能末屏传感器的数据采集方法及系统 |
CN117407679B (zh) * | 2023-12-15 | 2024-03-12 | 南京中鑫智电科技有限公司 | 智能末屏传感器的数据采集方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116593811B (zh) | 2023-09-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116593811B (zh) | 一种集成型变频器运行状态监测系统及监测方法 | |
KR101903283B1 (ko) | 발전 설비의 자동 진단 시스템 및 자동 진단 방법 | |
Zhang et al. | SCADA-data-based wind turbine fault detection: A dynamic model sensor method | |
JP7139122B2 (ja) | 電気的シグネチャ解析に基づく機械の監視と診断のための自律的手順 | |
Strangas et al. | The effect of failure prognosis and mitigation on the reliability of permanent-magnet AC motor drives | |
CN107710089B (zh) | 工厂设备诊断装置以及工厂设备诊断方法 | |
US11726469B2 (en) | Error-based method for calculating a remaining useful life of an apparatus | |
EP2135144B1 (en) | Machine condition monitoring using pattern rules | |
CN117270514B (zh) | 基于工业物联网的生产过程全流程故障检测方法 | |
US20080288213A1 (en) | Machine condition monitoring using discontinuity detection | |
Djagarov et al. | Overview of diagnostic methods for rotating electrical machines | |
WO2024023045A1 (en) | Computer-implemented method for optimizing the operation of a drivetrain of a wind turbine | |
EP3385804B1 (en) | Failure diagnosis apparatus, failure diagnosis method and recording medium | |
US11339763B2 (en) | Method for windmill farm monitoring | |
Luo et al. | Data-driven design of KPI-related fault-tolerant control system for wind turbines | |
Souza et al. | Evaluation of data based normal behavior models for fault detection in wind turbines | |
Boukra et al. | Identifying new prognostic features for remaining useful life prediction | |
KR102212022B1 (ko) | 양수 수차의 건전성 자동 판정 방법 및 이를 위한 시스템 | |
CN117786385B (zh) | 基于孪生网络的三相异步电动机故障监测方法及系统 | |
Paul et al. | Residual Signature Analysis for Wind Turbine Failure Prognosis | |
AU2022204337B2 (en) | Run-time reliability reporting for electrical hardware systems | |
JP2018055391A (ja) | セキュリティ診断装置およびセキュリティ診断方法 | |
Du et al. | Anomaly Root Cause Analysis for Wind Turbines Based on Denoising Autoencoder and Sparse Estimation | |
Liu et al. | The Study on Multivariate Time Series Anomaly Detection via Convolutional Variational Autoencoder | |
Vazifehdan et al. | Mechanical Fault Detection in Induction Motors Using a Feature-Based Kalman Filter |
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 |