CN116626490A - 基于卡尔曼滤波器的电机故障诊断方法及装置 - Google Patents
基于卡尔曼滤波器的电机故障诊断方法及装置 Download PDFInfo
- Publication number
- CN116626490A CN116626490A CN202310916262.1A CN202310916262A CN116626490A CN 116626490 A CN116626490 A CN 116626490A CN 202310916262 A CN202310916262 A CN 202310916262A CN 116626490 A CN116626490 A CN 116626490A
- Authority
- CN
- China
- Prior art keywords
- system model
- signal
- current
- kalman filter
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 72
- 238000003745 diagnosis Methods 0.000 title claims abstract description 38
- 238000001228 spectrum Methods 0.000 claims abstract description 24
- 238000012545 processing Methods 0.000 claims abstract description 15
- 238000001914 filtration Methods 0.000 claims abstract description 14
- 230000006698 induction Effects 0.000 claims abstract description 7
- 230000001360 synchronised effect Effects 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 62
- 238000005259 measurement Methods 0.000 claims description 39
- 230000007704 transition Effects 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 15
- 230000036541 health Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 8
- 238000010183 spectrum analysis Methods 0.000 claims description 5
- 239000013307 optical fiber Substances 0.000 claims description 4
- 238000001514 detection method Methods 0.000 abstract description 2
- 238000004590 computer program Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000006467 substitution reaction Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000000452 restraining effect Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
- G01R31/346—Testing of armature or field windings
-
- 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
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
- Y04S10/52—Outage or fault management, e.g. fault detection or location
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Operations Research (AREA)
- Tests Of Circuit Breakers, Generators, And Electric Motors (AREA)
Abstract
本发明涉及电机检测技术领域，具体涉及一种基于卡尔曼滤波器的电机故障诊断方法及装置，旨在解决如何提高电机转子断条故障的诊断可靠性的问题。为此，本发明提供的方法包括：获取异步感应电机稳定工作时同步的电压信号和电流信号；基于扩展卡尔曼滤波器对电压信号进行递归处理，得到电网基频的实时估计值；基于卡尔曼滤波器和电网基频的实时估计值，对所述电流信号进行递归处理，得到所述电流信号中的基频信号的估计信号；利用所述电流信号中的基频信号的估计信号，对所述电流信号中的基频信号进行抑制，得到滤除基频信号的电流信号；基于滤除基频信号的电流信号的频谱，得到边频信号的幅值；基于边频信号的幅值对电机转子断条故障进行诊断。
Description
技术领域
本发明涉及电机检测技术领域，具体提供一种基于卡尔曼滤波器的电机故障诊断方法及装置。
背景技术
转子断条故障是异步感应电机常见的故障之一，该故障会在电机定子线电流中引入频率为(1±2s)f e 的边频信号（s为转差率，f e 为电网基频频率），由于该边频信号的频率仅与电机的转差率和电网基频相关，因此，该故障特别适合通过电机电流特征分析法（motorcurrent signature analysis，MCSA）进行诊断（或预防）。由于电机的转子条是以一种渐进的方式，由完全健康的状态，发展至断裂的状态，所以其导致的转子三相不平衡的程度也存在一个由弱到强的过程，反映在边频信号上，即为边频信号的幅值会随着转子条健康状态的恶化，不断增长。因此，在电机运行过程中，实时检测频率为(1±2s)f e 的边频信号的幅值，是目前诊断（或预防）转子断条故障的一种主流方式。但对电机定子线电流进行频谱分析时，基频信号的频谱泄露会覆盖边频信号，导致难以在电流频谱中分辨出边频信号。因此，开发一种可以抑制电机定子线电流中的基频信号的信号处理技术，对基于电机电流特征分析法，诊断（或预防）转子断条故障是十分必要的。
基于最小估计误差的方差的卡尔曼滤波器，是一种在工业领域广泛使用的滤波器。在抑制电机电流信号中的基频信号方面，卡尔曼滤波器也有相应的应用。但是，扩展卡尔曼滤波器在使用时，需要对非线性系统进行线性化，在这过程中导致的误差，会影响滤波器对信号的估计精度。此外，如果在不考虑电网频率的波动的情况下，使用卡尔曼滤波器估计电机电流信号中的基频信号时，同样会影响基频信号的估计精度。因此，如何提高卡尔曼滤波器对电机电流信号中的基频信号的估计精度，进而提升抑制电机电流信号中的基频信号的效果，提高电机转子断条诊断可靠性，还需要新的解决方案。
发明内容
为了克服上述缺陷，提出了本发明，以提供解决或至少部分地解决如何提高电机转子断条故障的诊断可靠性的技术问题的一种基于卡尔曼滤波器的电机故障诊断方法及装置。
在第一方面，本发明提供一种基于卡尔曼滤波器的电机故障诊断方法，包括：
获取异步感应电机稳定工作时同步的电压信号和电流信号；
基于扩展卡尔曼滤波器对所述电压信号进行递归处理，得到电网基频的实时估计值；
基于卡尔曼滤波器和所述电网基频的实时估计值，对所述电流信号进行递归处理，得到所述电流信号中的基频信号的估计信号；
利用所述电流信号中的基频信号的估计信号，对所述电流信号中的基频信号进行抑制，得到滤除基频信号的电流信号；
基于所述滤除基频信号的电流信号的频谱，得到频率为(1±2s)f e 的边频信号的幅值，其中，s为转差率，f e 为电网基频频率；
基于所述边频信号的幅值对电机转子断条故障进行诊断。
在上述基于卡尔曼滤波器的电机故障诊断方法的一个技术方案中，
所述基于扩展卡尔曼滤波器对所述电压信号进行递归处理，得到电网基频的实时估计值，包括：
建立电压系统模型，设置电压系统模型的状态向量，确定电压系统模型的状态转移方程和测量方程；
设置电压系统模型的状态向量的初始估计值和估计误差协方差矩阵的初始值，并设置电压系统模型的过程噪声的协方差矩阵，以及电压系统模型的测量噪声的方差；
根据电压系统模型(m-1)T s时刻的状态向量的估计值、mT s 时刻的状态向量的测量值、mT s 时刻的状态转移方程和测量方程以及卡尔曼滤波器的估计公式，得到mT s 时刻的状态向量的估计表达式，其中，m表示扩展卡尔曼滤波器在迭代过程中所要处理的状态向量的序号，T s 表示信号采样时间间隔；
根据电压系统模型mT s 时刻的状态向量的估计表达式，得到电压系统模型mT s 时刻的估计误差协方差矩阵的表达式；
根据电压系统模型mT s 时刻的估计误差协方差矩阵的表达式，计算电压系统模型mT s 时刻的卡尔曼增益；
根据电压系统模型mT s 时刻的状态向量的估计表达式和卡尔曼增益，计算mT s 时刻电网基频的实时估计值。
在上述基于卡尔曼滤波器的电机故障诊断方法的一个技术方案中，
所述电压系统模型的状态向量设置为：
其中，k表示状态向量及其元素的序号，其取值为任意的正整数，和/>分别表示kT s 时刻的电网基频频率和电压信号的实际值。
在上述基于卡尔曼滤波器的电机故障诊断方法的一个技术方案中，
所述方法还包括：
根据电压系统模型mT s 时刻的估计误差协方差矩阵的表达式和卡尔曼增益，计算电压系统模型mT s 时刻的估计误差协方差矩阵，以得到(m+1)T s 时刻的估计误差协方差矩阵的表达式。
在上述基于卡尔曼滤波器的电机故障诊断方法的一个技术方案中，
所述基于卡尔曼滤波器和所述电网基频的实时估计值，对所述电流信号进行递归处理，得到所述电流信号中的基频信号的估计信号，包括：
建立电流系统模型，设置电流系统模型的状态向量，确定电流系统模型的状态转移方程和测量方程；
设置电流系统模型的状态向量的初始估计值和估计误差协方差矩阵的初始值，并设置电流系统模型的过程噪声的协方差矩阵，以及电流系统模型的测量噪声的方差；
根据电流系统模型(m-1)T s 时刻的状态向量的估计值、mT s 时刻的状态向量的测量值、mT s 时刻的状态转移方程和测量方程以及卡尔曼滤波器的估计公式，得到mT s 时刻的状态向量的估计表达式，其中，m表示卡尔曼滤波器在迭代过程中所要处理的状态向量的序号，T s 表示信号采样时间间隔；
根据电流系统模型mT s 时刻的状态向量的估计表达式，得到电流系统模型mT s 时刻的估计误差协方差矩阵的表达式；
根据电流系统模型mT s 时刻的估计误差协方差矩阵的表达式，计算电流系统模型mT s 时刻的卡尔曼增益；
根据电流系统模型mT s 时刻的状态向量的估计表达式和卡尔曼增益，计算mT s 时刻所述电流信号中的基频信号的估计值。
在上述基于卡尔曼滤波器的电机故障诊断方法的一个技术方案中，
所述设置电流系统模型的状态向量设置为：
其中，k表示状态向量的序号，其取值为任意的正整数，表示kT s 时刻的电流信号中的基频信号的实际值。
在上述基于卡尔曼滤波器的电机故障诊断方法的一个技术方案中，
所述方法还包括：
根据电流系统模型mT s 时刻的估计误差协方差矩阵的表达式，和卡尔曼增益，计算电流系统模型mT s 时刻的估计误差协方差矩阵，以得到(m+1)T s 时刻的估计误差协方差矩阵的表达式。
在上述基于卡尔曼滤波器的电机故障诊断方法的一个技术方案中，
所述基于所述滤除基频信号的电流信号的频谱，得到频率为(1±2s)f e 的边频信号的幅值，包括：
利用转子槽谐波，估算电机的转差率；
根据所述转差率，计算边频信号的频率f SBH ；
基于所述边频信号的频率f SBH ，对所述滤除基频信号的电流信号进行频谱分析，得到边频信号的幅值。
在上述基于卡尔曼滤波器的电机故障诊断方法的一个技术方案中，
所述基于所述边频信号的幅值对电机转子断条故障进行诊断，包括：
根据电机健康状态下的边频信号的幅值及对应的转差率建立数据档案；
测量得到电机运行状态下的边频信号的幅值及对应的转差率；
根据电机运行状态下的转差率在所述数据档案中查找误差阈值范围内对应的转差率，得到电机健康状态下对应的边频信号的幅值；
确定电机运行状态下的边频信号的幅值与电机健康状态下对应的边频信号的幅值的比值；
若比值大于预设阈值，则确定电机发生转子断条故障。
在第二方面，本发明提供一种一种基于卡尔曼滤波器的电机故障诊断装置，包括处理器和存储装置，所述存储装置适于存储多条程序代码，所述程序代码适于由所述处理器加载并运行以执行第一方面中任一项所述的方法。
本发明上述一个或多个技术方案，至少具有如下一种或多种有益效果：
在实施本发明的技术方案中，本发明结合了扩展卡尔曼滤波器和卡尔曼滤波器对基频信号进行抑制，得到用于电机转子断条故障诊断的边频信号，可实时对故障进行检测，同时，本发明考虑了电网频率的实际波动，通过扩展卡尔曼滤波器对电网频率进行估算，得到更准确的边频信号，从而提高了转子断条故障诊断的准确性和可靠性。
附图说明
参照附图，本发明的公开内容将变得更易理解。本领域技术人员容易理解的是：这些附图仅仅用于说明的目的，而并非意在对本发明的保护范围组成限制。此外，图中类似的数字用以表示类似的部件，其中：
图1是根据本发明的一个实施例的基于卡尔曼滤波器的电机故障诊断方法的主要步骤流程示意图；
图2是根据本发明的一个实施例的电流信号未经滤波处理后的频谱示意图；
图3是根据本发明的一个实施例的未考虑电网基频变化，直接在使用卡尔曼滤波处理电流信号后的频谱示意图；
图4是根据本发明的一个实施例的直接使用扩展卡尔曼滤波器处理电流信号后的频谱示意图；
图5是根据本发明的一个实施例的考虑电网基频变化，并使用卡尔曼滤波处理电流信号后的频谱示意图；
图6是根据本发明的一个实施例的基于电流信号估计电网基频，并使用卡尔曼滤波处理电流信号后的频谱示意图。
具体实施方式
下面参照附图来描述本发明的一些实施方式。本领域技术人员应当理解的是，这些实施方式仅仅用于解释本发明的技术原理，并非旨在限制本发明的保护范围。
在本发明的描述中，“模块”、“处理器”可以包括硬件、软件或者两者的组合。一个模块可以包括硬件电路，各种合适的感应器，通信端口，存储器，也可以包括软件部分，比如程序代码，也可以是软件和硬件的组合。处理器可以是中央处理器、微处理器、图像处理器、数字信号处理器或者其他任何合适的处理器。处理器具有数据和/或信号处理功能。处理器可以以软件方式实现、硬件方式实现或者二者结合方式实现。非暂时性的计算机可读存储介质包括任何合适的可存储程序代码的介质，比如磁碟、硬盘、光碟、闪存、只读存储器、随机存取存储器等等。术语“A和/或B”表示所有可能的A与B的组合，比如只是A、只是B或者A和B。术语“至少一个A或B”或者“A和B中的至少一个”含义与“A和/或B”类似，可以包括只是A、只是B或者A和B。单数形式的术语“一个”、“这个”也可以包含复数形式。
参阅附图1，图1是根据本发明的一个实施例的基于卡尔曼滤波器的电机故障诊断方法的主要步骤流程示意图。如图1所示，本发明实施例中的基于卡尔曼滤波器的电机故障诊断方法主要包括下列步骤S101-步骤S106。
步骤S101、获取异步感应电机稳定工作时同步的电压信号和电流信号；
步骤S102、基于扩展卡尔曼滤波器对电压信号进行递归处理，得到电网基频的实时估计值；
一个实施方式中，基于扩展卡尔曼滤波器对电压信号进行递归处理，得到电网基频的实时估计值，具体包括以下步骤：
步骤S201、建立电压系统模型：设置电压系统模型的状态向量，确定电压系统模型的状态转移方程和测量方程；
具体的，设置电压系统模型的状态向量为：
(1)
其中，k表示状态向量的序号，其取值为任意的正整数，和/>分别表示kT s 时刻的电网基频频率和电压信号的实际值；选择该状态向量可以降低后续计算卡尔曼增益所需的计算量。
状态向量的估计表示为/>，即：
(2)
其中，和/>分别表示kT s 时刻的电网基频频率和电压信号的估计；
电压系统模型的状态转移方程：
(3)
其中，表示kT s 时刻状态转移方程，/>表示kT s 时刻的过程噪声。
电压系统模型的测量方程：
(4)
其中，表示kT s 时刻电压信号的测量值，/>表示kT s 时刻测量噪声，/>表示测量矩阵，设置为：
(5)
步骤S202、初始化：设置电压系统模型的状态向量的初始估计值和估计误差协方差矩阵的初始值，并设置电压系统模型的过程噪声的协方差矩阵，以及电压系统模型的测量噪声的方差；
具体的，由公式（2）可知，电压系统模型的初始时刻，即0时刻，对应着电压信号的T s 时刻，状态向量的初始估计值设置为：
(6)
其中，和/>分别为0时刻和T s 时刻的电压信号的测量值。
0时刻，状态向量的估计误差协方差矩阵设置为：
(7)
其中，σ pu1、σ pu2、σ pu3为大于0的数，常规取值为1，即：
电压系统模型的过程噪声通常设置为高斯白噪声，因此过程噪声的协方差矩阵不随时间变化，表示为：
(8)
其中σ U1、σ U2、σ U3为大于0的数，优选取值为0.0000001，即：
电压系统模型的测量噪声通常也设置为高斯白噪声，因此测量噪声的方差R U 也不随时间变化，表示为：
(9)
测量噪声的方差优选取值为0.1，即：
步骤S203、状态估计：
根据电压系统模型(m-1)T s 时刻的状态向量的估计值、mT s 时刻的状态向量的测量值、mT s 时刻的状态转移方程和测量方程以及卡尔曼滤波器的估计公式，得到mT s 时刻的状态向量的估计表达式，其中，m表示扩展卡尔曼滤波器在迭代过程中所要处理的状态向量的序号，T s 表示信号采样时间间隔；
具体的，电压系统模型mT s 时刻的状态向量的估计表达式为：
(10)
其中，为mT s 时刻的卡尔曼增益。
步骤S204、估计误差协方差矩阵的表达式：根据电压系统模型mT s 时刻的状态向量的估计表达式，得到电压系统模型mT s 时刻的估计误差协方差矩阵的表达式；
具体的，首先，得到电压系统模型mT s 时刻的状态向量的估计误差，即：
(11)
其中，为三阶单位矩阵，/>表示电压系统模型mT s 时刻的状态转移矩阵，其表达式为：
(12)
然后，求出电压系统模型mT s 时刻，估计误差协方差矩阵的表达式，即：
(13)
其中，即为/>，/>即为R U 。
步骤S205、计算卡尔曼增益：根据最小化估计误差的方差这一准则，计算电压系统模型mT s 时刻的卡尔曼增益；
具体的，当估计误差的方差最小时，的迹（/>）对/>的导数为零，即：
(14)
进而得到：
(15)
步骤S206、状态估计：将上一步计算得到的带入公式(10)中，计算得到mT s 时刻电压系统模型的状态向量的估计值/>，/>的第一个元素，即为mT s 时刻电网基频的估计值。
步骤S207、更新估计误差协方差矩阵：根据电压系统模mT s 时刻的测量方程、卡尔曼增益以及估计误差协方差矩阵，计算电压系统模型mT s 时刻的估计误差协方差矩阵，以计算(m+1)T s 时刻的估计误差协方差矩阵。
具体的，计算电压系统模型mT s 时刻的估计误差协方差矩阵，即：
(16)
其中，为三阶单位矩阵。
步骤S103、基于卡尔曼滤波器和电网基频的实时估计值，对电流信号进行递归处理，得到电流信号中的基频信号的估计信号；
一个实施方式中，基于卡尔曼滤波器和电网基频的实时估计值，对电流信号进行递归处理，得到所述电流信号中的基频信号的估计信号，具体以下包括：
步骤S301、建立电流系统模型：设置电流系统模型的状态向量，确定电流系统模型的状态转移方程和测量方程；
具体的，设置电流系统模型的状态向量为：
(17)
其中，k表示状态向量及其元素的序号，其取值为任意的正整数，表示kT s 时刻的电流信号中的基频信号的实际值。
状态向量的估计表示为/>，即：
(18)
其中，表示kT s 时刻的电流信号中的基频信号的估计；
电流系统模型的状态转移方程：
(19)
其中，表示kT s 时刻的过程噪声，/>表示电流系统模型(k-1)T s 时刻的状态转移矩阵，其表达式为：
(20)
其中，为(k-1)T s 时刻，由扩展卡尔曼滤波器得到的电网基频的估计值。
电流系统模型的测量方程：
(21)
其中，表示kT s 时刻电流信号的测量值，/>表示kT s 时刻的测量噪声，/>表示测量矩阵，即:
(22)
步骤S302、初始化：设置电流系统模型的状态向量的初始估计值和估计误差协方差矩阵的初始值，并设置电流系统模型的过程噪声的协方差矩阵，以及电流系统模型的测量噪声的方差；
具体的，由状态向量的表达式可知，电流系统模型的初始时刻，即0时刻，对应着电流信号的T s 时刻，状态向量估计的初始值设置为：
(23)
其中，和/>分别为0时刻和T s 时刻的电流信号的测量值。
0时刻，状态向量的估计误差协方差矩阵设置为：
(24)
其中，σ pi1、σ pi2为大于0的数，常规取值为1，即：
过程噪声的协方差矩阵表示为：
(25)
其中σ i1和σ i2为大于0的数，优选取值为0.0000001，即：
测量噪声的方差RI也是大于0的数，优选取值为0.1，即：
步骤S303、状态估计：
根据电流系统模型(m-1)T s 时刻的状态向量的估计、mT s 时刻的状态向量的测量值、mT s 时刻的状态转移方程和测量方程以及卡尔曼滤波器的估计公式，得到mT s 时刻的状态向量的估计表达式，其中，m表示扩展卡尔曼滤波器在迭代过程中所要处理的状态向量的序号，T s 表示信号采样时间间隔；
具体的，计算电流系统模型mT s 时刻的状态向量的估计表达式为：
(26)
其中，表示电流系统模型的状态转移矩阵，其是公式（20）中的/>的范指。
步骤S304、估计误差协方差矩阵：根据电流系统模型mT s 时刻的状态向量的估计表达式，得到电流系统模型mT s 时刻的估计误差协方差矩阵的表达式；
具体的，首先，得到电流系统模型mT s 时刻的估计误差，即：
(27)
其中，为二阶单位矩阵；
然后，求出电流系统模型mT s 时刻，估计误差协方差矩阵的表达式，即：
(28)
其中，即为/>，/>即为R I 。
步骤S305、计算卡尔曼增益：根据最小化估计误差的方差这一准则，计算电流系统模型mT s 时刻的卡尔曼增益；
具体的，当估计误差的方差最小时，的迹（/>）对/>的导数为零，即：步骤S305、计算卡尔曼增益：根据电流系统模型mT s 时刻的估计误差协方差矩阵的表达式，计算电流系统模型mT s 时刻的卡尔曼增益；
具体的，
(29)
进而得到：
(30)
步骤S306、状态估计：将上一步计算得到的带入公式(26)中，计算得到mT s 时刻电流系统模型的状态向量的估计值/>，/>的第一个元素，即为mT s 时刻电流信号中的基频信号的估计值。
步骤S307、更新估计误差协方差矩阵：根据电流系统模型mT s 时刻的估计误差协方差矩阵的表达式，和卡尔曼增益，计算电流系统模型mT s 时刻的估计误差协方差矩阵，以得到(m+1)T s 时刻的估计误差协方差矩阵的表达式。
具体的，计算电流系统模型mT s 时刻的估计误差协方差矩阵，即：
(31)
其中，为二阶单位矩阵。
步骤S104、利用电流信号中的基频信号的估计信号，对电流信号中的基频信号进行抑制，得到滤除基频信号的电流信号；
一个实施方式中，在发明实施过程中，采样频率为12.8kHz，考虑扩展卡尔曼滤波器和卡尔曼滤波器的收敛速度，本发明中认为扩展卡尔曼滤波器和卡尔曼滤波器进行2000次迭代之后，达到稳态。此外，综合考虑快速傅里叶变换对数据量的需求、频谱混叠，和频谱的分辨率，本发明中用于进行频谱分析的电流信号的数据量选为131072（即，217）。因此，本发明从电流系统模型的2000Ts, 2001Ts, ..., 133071Ts这131072个时刻的状态向量的估计中，依次提取出每一个状态向量的估计的第一个元素，组成电流信号中的基频信号的估计，记为。
由于电流系统模型的0时刻对应着电流信号的T s 时刻，因此与前述得到的电流信号中的基频信号的估计相对应的电流信号，为电流信号的2001Ts, 2002Ts, ...,133072Ts这131072个时刻的测量值，组成的电流信号，记为，将电流信号减去电流信号中的基频信号的估计信号，即/>，得到滤除基频信号的电流信号，记为/>。
步骤S105、基于滤除基频信号的电流信号的频谱，得到频率为(1±2s)f e 的边频信号的幅值，其中，s为转差率，f e 为电网基频频率；
一个实施方式中，具体包括以下步骤：
步骤S501、利用转子槽谐波，估算电机的转差率；
转子槽谐波的频率f rsh 的表达式为
其中，R表示转子槽数，s表示转差率，p表示极对数，f e 表示电网基频。
为简化分析，本发明在实施时，选取左转子槽谐波的频率，即f lrsh 对转差率进行估计，其表达式为
由于电机实际运行时的转差率一般处于0.5%至3%这一范围内，结合R、p、f e ，求出f lrsh 的范围。
由于本发明实施的采样频率为12.8kHz，待分析的电流信号I的数据量为131072，因此电流信号频谱的分辨率为0.09765625 Hz（即，1/10.24 Hz）。
由此可以得到f lrsh 在频谱上对应的频点的序号范围为其频率范围除以频谱分辨率，其中序号范围的上下限的整数化方式：下限的整数化，为不大于下限计算值的最大的整数；上限的整数化，为不小于上限计算值的最小的整数。
然后在电流频谱中，找出对应上述频点序号范围中，幅值最大的频点的序号。该频点的序号乘以频谱的分辨率，即得到f lrsh 的值。
将上述f lrsh 的值代入即可求出转差率s。
步骤S502、根据求得的转差率s，计算出边频信号的频率；
本发明在实施时，选取的是左边频信号的频率，即f lsbh ，其表达式为
将上述得到的s代入，求出f lsbh 。
步骤S503、对滤除基频信号的电流信号进行频谱分析，得到左边频信号的幅值。
上述求得的f lsbh 除以频谱分辨率（0.09765625 Hz），得到f lsbh 在频谱上对应的频点的序号x。考虑到估算误差，实际操作时，选取[x-1,x+1]这一序号范围内，频点幅值的最大值作为左边频信号的幅值。
例如，如图2所示是电机转频为49.75Hz（该值为测量值）的异步感应电机的电流信号未经滤波处理后的频谱，若电网基频设置为50Hz不变，即，不采用扩展卡尔曼滤波器估计电网基频，直接采用卡尔曼滤波器估计电流信号中的基频信号，实施步骤S301-S307处理电流信号，同时，公式（20）中的值固定为50Hz，则得到如图3所示频谱，可以看出，虽然基频信号两侧有峰值出现，但较为不明显，无法找到准确的边频信号；若直接用扩展卡尔曼滤波器估计电流信号中的基频信号，即步骤S102中的电压信号替换为电流信号，然后，以状态向量的第二个元素，作为电流信号中基频信号的估计，则得到如图4所示的频谱，可以看出，基本无法找到边频信号；本发明先采用扩展卡尔曼滤波器对电网基频进行估计，之后在采用卡尔曼滤波器估计电流信号中的基频信号时，将电网基频的实时估计值代入，再从电流信号中减去该基频信号的估计，从而得到的滤除基频信号的电流信号的频谱如图5所示，可以明显看到位于电网基频50Hz两侧的边频信号（49.51 Hz和50.49 Hz），说明本发明提出的滤波算法，可以有效滤除基频信号，提高边频信号识别的可靠性，进而有效提高转子断条故障诊断的可靠性。
又例如，若基于扩展卡尔曼滤波对电流信号进行递归处理，得到电网基频的实时估计值，再基于得到的电网基频的实时估计值和卡尔曼滤波器对电流信号进行递归处理，之后从电流信号中减去基频信号的估计，从而得到滤除基频信号的电流信号，其频谱如图6所示，在其中无法找到边频信号，这是因为相较于电压信号，电流信号中混杂有太多的谐波信号，降低了电网频率的估计精度，进而降低了卡尔曼滤波器对电流信号中的基频信号的估计精度，使得电流信号中的基频信号的滤除效果变差。
步骤S106、基于边频信号的幅值对电机转子断条故障进行诊断。
一个实施方式中，可以包括以下步骤：
步骤S601、根据电机健康状态下的边频信号的幅值及对应的转差率建立数据档案；
具体的，在电机完全健康的状态下，每隔预设时间间隔对电机转子实施步骤S101-S105，得到相应时刻的边频信号的幅值I sbh 及对应的转差率s并保存至数据档案；
一般异步感应电机小修的频率为一年四次，因此在本发明中一台崭新的电机（即，电机处于完全健康的状态），从刚投入运行时算起，两个月内的状态都是完全健康的状态，并且在刚开始的这两个月中，电机已经基本经历了其所有可能的运行状态。在这2个月中，当电机运行时，每隔1小时，对电机的电流信号进行如上所述的分析，得到并保存电机的转差率和对应的边频信号的幅值，建立健康电机的运行数据档案。
步骤S602、测量得到电机运行状态下的边频信号的幅值及对应的转差率；
具体的，在电机运行状态下，每隔预设时间间隔对电机转子实施步骤S101-S105，得到相应时刻的边频信号的幅值I sbh ’及对应的转差率s’。
步骤S603、根据电机运行状态下的转差率在所述数据档案中查找误差阈值范围内对应的转差率，得到电机健康状态下对应的边频信号的幅值；
具体的，根据转差率s’在所述数据档案中查找误差阈值范围内对应的转差率s，得到转差率s对应的边频信号的幅值I sbh ；
步骤S604、确定电机运行状态下的边频信号的幅值与电机健康状态下对应的边频信号的幅值的比值；
具体的，将I sbh ’与得到转差率s对应的边频信号的幅值I sbh 进行对比，计算比值。
步骤S605、若比值大于预设阈值，则确定电机发生转子断条故障。
具体的，若I sbh ’大于I sbh 的三倍，则电机发生转子断条故障。
例如，崭新的电机投入运行2个月之后，同样是每隔1小时，对电机的电流信号进行如上所述的分析，得到电机的转差率和对应的边频信号的幅值I sbh ’。然后根据转差率s’，在正负10%的范围内在数据档案中找出最接近该转差率的转差率s，找出其边频信号的幅值，即完全健康的电机对应的边频信号的幅值I sbh ，如果I sbh ’达到I sbh 的3倍以上，则认为电机发生了转子断条故障。
基于上述步骤S101-S106，本发明实施例结合了扩展卡尔曼滤波器和卡尔曼滤波器对基频信号进行抑制，得到用于电机转子断条故障诊断的边频信号，可实时对故障进行检测，同时，本发明考虑了电网频率的实际波动，通过扩展卡尔曼滤波器对电网频率进行估算，得到更准确的边频信号，从而提高了转子断条故障诊断的准确性和可靠性。
需要指出的是，尽管上述实施例中将各个步骤按照特定的先后顺序进行了描述，但是本领域技术人员可以理解，为了实现本发明的效果，不同的步骤之间并非必须按照这样的顺序执行，其可以同时（并行）执行或以其他顺序执行，这些变化都在本发明的保护范围之内。
进一步，本发明还提供了一种自卡尔曼滤波器的电机故障诊断装置。
上述电机故障诊断装置以用于执行上述实施例的基于卡尔曼滤波器的电机故障诊断方法实施例，两者的技术原理、所解决的技术问题及产生的技术效果相似，本技术领域技术人员可以清楚地了解到，为了描述的方便和简洁，电机故障诊断装置的具体工作过程及有关说明，可以参考基于卡尔曼滤波器的电机故障诊断方法的实施例所描述的内容，此处不再赘述。
本领域技术人员能够理解的是，本发明实现上述一实施例的方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读存储介质可以包括：能够携带所述计算机程序代码的任何实体或装置、介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器、随机存取存储器、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读存储介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读存储介质不包括电载波信号和电信信号。
进一步，本发明还提供了一种电子设备。
本发明实施例中的电子设备可以包括处理器和存储装置，存储装置可以被配置成存储执行上述方法实施例的基于卡尔曼滤波器的电机故障诊断方法的程序，处理器可以被配置成用于执行存储装置中的程序，该程序包括但不限于执行上述方法实施例的基于卡尔曼滤波器的电机故障诊断方法的程序。为了便于说明，仅示出了与本发明实施例相关的部分，具体技术细节未揭示的，请参照本发明实施例方法部分。该电子设备可以是包括各种电子装置形成的控制装置。
进一步，本发明还提供了一种计算机可读存储介质。在根据本发明的一个计算机可读存储介质实施例中，计算机可读存储介质可以被配置成存储执行上述方法实施例的基于卡尔曼滤波器的电机故障诊断方法的程序，该程序可以由处理器加载并运行以实现上述基于卡尔曼滤波器的电机故障诊断方法。为了便于说明，仅示出了与本发明实施例相关的部分，具体技术细节未揭示的，请参照本发明实施例方法部分。该计算机可读存储介质可以是包括各种电子设备形成的存储装置设备，可选的，本发明实施例中计算机可读存储介质是非暂时性的计算机可读存储介质。
进一步，应该理解的是，由于各个模块的设定仅仅是为了说明本发明的装置的功能单元，这些模块对应的物理器件可以是处理器本身，或者处理器中软件的一部分，硬件的一部分，或者软件和硬件结合的一部分。因此，图中的各个模块的数量仅仅是示意性的。
本领域技术人员能够理解的是，可以对装置中的各个模块进行适应性地拆分或合并。对具体模块的这种拆分或合并并不会导致技术方案偏离本发明的原理，因此，拆分或合并之后的技术方案都将落入本发明的保护范围内。
至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征作出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
Claims (10)
1.一种基于卡尔曼滤波器的电机故障诊断方法，其特征在于，包括：
获取异步感应电机稳定工作时同步的电压信号和电流信号；
基于扩展卡尔曼滤波器对所述电压信号进行递归处理，得到电网基频的实时估计值；
基于卡尔曼滤波器和所述电网基频的实时估计值，对所述电流信号进行递归处理，得到所述电流信号中的基频信号的估计信号；
利用所述电流信号中的基频信号的估计信号，对所述电流信号中的基频信号进行抑制，得到滤除基频信号的电流信号；
基于所述滤除基频信号的电流信号的频谱，得到频率为(1±2s)f e 的边频信号的幅值，其中，s为转差率，f e 为电网基频频率；
基于所述边频信号的幅值对电机转子断条故障进行诊断。
2.根据权利要求1所述的基于卡尔曼滤波器的电机故障诊断方法，其特征在于，所述基于扩展卡尔曼滤波器对所述电压信号进行递归处理，得到电网基频的实时估计值，包括：
建立电压系统模型，设置电压系统模型的状态向量，确定电压系统模型的状态转移方程和测量方程；
设置电压系统模型的状态向量的初始估计值和估计误差协方差矩阵的初始值，并设置电压系统模型的过程噪声的协方差矩阵，以及电压系统模型的测量噪声的方差；
根据电压系统模型(m-1)T s时刻的状态向量的估计值、mT s 时刻的状态向量的测量值、mT s 时刻的状态转移方程和测量方程以及卡尔曼滤波器的估计公式，得到mT s 时刻的状态向量的估计表达式，其中，m表示扩展卡尔曼滤波器在迭代过程中所要处理的状态向量的序号，T s 表示信号采样时间间隔；
根据电压系统模型mT s 时刻的状态向量的估计表达式，得到电压系统模型mT s 时刻的估计误差协方差矩阵的表达式；
根据电压系统模型mT s 时刻的估计误差协方差矩阵的表达式，计算电压系统模型mT s 时刻的卡尔曼增益；
根据电压系统模型mT s 时刻的状态向量的估计表达式和卡尔曼增益，计算mT s 时刻电网基频的实时估计值。
3.根据权利要求2所述的基于卡尔曼滤波器的电机故障诊断方法，其特征在于，所述电压系统模型的状态向量设置为：
其中，k表示状态向量及其元素的序号，其取值为任意的正整数，/>和分别表示kT s 时刻的电网基频频率和电压信号的实际值。
4.根据权利要求2所述的基于卡尔曼滤波器的电机故障诊断方法，其特征在于，所述方法还包括：
根据电压系统模型mT s 时刻的估计误差协方差矩阵的表达式和卡尔曼增益，计算电压系统模型mT s 时刻的估计误差协方差矩阵，以得到(m+1)T s 时刻的估计误差协方差矩阵的表达式。
5.根据权利要求1所述的基于卡尔曼滤波器的电机故障诊断方法，其特征在于，所述基于卡尔曼滤波器和所述电网基频的实时估计值，对所述电流信号进行递归处理，得到所述电流信号中的基频信号的估计信号，包括：
建立电流系统模型，设置电流系统模型的状态向量，确定电流系统模型的状态转移方程和测量方程；
设置电流系统模型的状态向量的初始估计值和估计误差协方差矩阵的初始值，并设置电流系统模型的过程噪声的协方差矩阵，以及电流系统模型的测量噪声的方差；
根据电流系统模型(m-1)T s 时刻的状态向量的估计值、mT s 时刻的状态向量的测量值、mT s 时刻的状态转移方程和测量方程以及卡尔曼滤波器的估计公式，得到mT s 时刻的状态向量的估计表达式，其中，m表示卡尔曼滤波器在迭代过程中所要处理的状态向量的序号，T s 表示信号采样时间间隔；
根据电流系统模型mT s 时刻的状态向量的估计表达式，得到电流系统模型mT s 时刻的估计误差协方差矩阵的表达式；
根据电流系统模型mT s 时刻的估计误差协方差矩阵的表达式，计算电流系统模型mT s 时刻的卡尔曼增益；
根据电流系统模型mT s 时刻的状态向量的估计表达式和卡尔曼增益，计算mT s 时刻所述电流信号中的基频信号的估计值。
6.根据权利要求5所述的基于卡尔曼滤波器的电机故障诊断方法，其特征在于，所述设置电流系统模型的状态向量设置为：
其中，k表示状态向量及其元素的序号，其取值为任意的正整数，/>表示kT s 时刻的电流信号中的基频信号的实际值。
7.根据权利要求5所述的基于卡尔曼滤波器的电机故障诊断方法，其特征在于，所述方法还包括：
根据电流系统模型mT s 时刻的估计误差协方差矩阵的表达式，和卡尔曼增益，计算电流系统模型mT s 时刻的估计误差协方差矩阵，以得到(m+1)T s 时刻的估计误差协方差矩阵的表达式。
8.根据权利要求1所述的基于卡尔曼滤波器的电机故障诊断方法，其特征在于，所述基于所述滤除基频信号的电流信号的频谱，得到频率为(1±2s)f e 的边频信号的幅值，包括：
利用转子槽谐波，估算电机的转差率；
根据所述转差率，计算边频信号的频率f SBH ；
基于所述边频信号的频率f SBH ，对所述滤除基频信号的电流信号进行频谱分析，得到边频信号的幅值。
9.根据权利要求1-8中任一项所述的基于卡尔曼滤波器的电机故障诊断方法，其特征在于，所述基于所述边频信号的幅值对电机转子断条故障进行诊断，包括：
根据电机健康状态下的边频信号的幅值及对应的转差率建立数据档案；
测量得到电机运行状态下的边频信号的幅值及对应的转差率；
根据电机运行状态下的转差率在所述数据档案中查找误差阈值范围内对应的转差率，得到电机健康状态下对应的边频信号的幅值；
确定电机运行状态下的边频信号的幅值与电机健康状态下对应的边频信号的幅值的比值；
若比值大于预设阈值，则确定电机发生转子断条故障。
10.一种基于卡尔曼滤波器的电机故障诊断装置，包括处理器和存储装置，所述存储装置适于存储多条程序代码，其特征在于，所述程序代码适于由所述处理器加载并运行以执行权利要求1至9中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310916262.1A CN116626490B (zh) | 2023-07-25 | 2023-07-25 | 基于卡尔曼滤波器的电机故障诊断方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310916262.1A CN116626490B (zh) | 2023-07-25 | 2023-07-25 | 基于卡尔曼滤波器的电机故障诊断方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116626490A true CN116626490A (zh) | 2023-08-22 |
| CN116626490B CN116626490B (zh) | 2023-10-10 |
Family
ID=87590682
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310916262.1A Active CN116626490B (zh) | 2023-07-25 | 2023-07-25 | 基于卡尔曼滤波器的电机故障诊断方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116626490B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117388693A (zh) * | 2023-12-06 | 2024-01-12 | 北京汇思慧能科技有限公司 | 故障检测方法、设备和存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103033749A (zh) * | 2012-12-31 | 2013-04-10 | 南京工程学院 | 数字式异步电机转子断条故障检测系统及其检测方法 |
| CN110988680A (zh) * | 2019-11-28 | 2020-04-10 | 西安航天动力试验技术研究所 | 基于时频处理的电动机转子故障显化方法 |
| CN111695618A (zh) * | 2020-06-01 | 2020-09-22 | 清华大学深圳国际研究生院 | 一种基于obd数据的电动汽车电机故障检测方法 |
| CN115372699A (zh) * | 2022-08-04 | 2022-11-22 | 北京汇思慧能科技有限公司 | 自适应滤波方法、装置、故障检测方法、电子设备和介质 |
| CN115378025A (zh) * | 2022-06-08 | 2022-11-22 | 上海交通大学 | 一种无锁相环的风电变流器并网控制方法、设备及介质 |
| CN115955161A (zh) * | 2023-03-15 | 2023-04-11 | 清华大学无锡应用技术研究院 | 自适应异步感应电机转差率估算方法、装置、设备和介质 |
-
2023
- 2023-07-25 CN CN202310916262.1A patent/CN116626490B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103033749A (zh) * | 2012-12-31 | 2013-04-10 | 南京工程学院 | 数字式异步电机转子断条故障检测系统及其检测方法 |
| CN110988680A (zh) * | 2019-11-28 | 2020-04-10 | 西安航天动力试验技术研究所 | 基于时频处理的电动机转子故障显化方法 |
| CN111695618A (zh) * | 2020-06-01 | 2020-09-22 | 清华大学深圳国际研究生院 | 一种基于obd数据的电动汽车电机故障检测方法 |
| CN115378025A (zh) * | 2022-06-08 | 2022-11-22 | 上海交通大学 | 一种无锁相环的风电变流器并网控制方法、设备及介质 |
| CN115372699A (zh) * | 2022-08-04 | 2022-11-22 | 北京汇思慧能科技有限公司 | 自适应滤波方法、装置、故障检测方法、电子设备和介质 |
| CN115955161A (zh) * | 2023-03-15 | 2023-04-11 | 清华大学无锡应用技术研究院 | 自适应异步感应电机转差率估算方法、装置、设备和介质 |
Non-Patent Citations (4)
| Title |
|---|
| LUIS ALONSO TRUJILLO-GUAJARDO 等: "A Multiresolution Taylor–Kalman Approach for Broken Rotor Bar Detection in Cage Induction Motors", IEEE TRANSACTIONS ON INSTRUMENTATION AND MEASUREMENT, vol. 67, no. 06, pages 1317 - 1328 * |
| LUIS ALONSO TRUJILLO-GUAJARDO 等: "A Multiresolution Taylor–Kalman Approach for Broken Rotor Bar Detection in Cage Induction Motors", IEEE TRANSACTIONS ON INSTRUMENTATION AND MEASUREMENT, vol. 67, no. 6, pages 1317 - 1328 * |
| SNIK KUMAR SAMANTA 等: "Fast and accurate spectral estimation for online detection of partial broken bar in induction motors", MECHANICAL SYSTEM AND SIGNAL PROCESSING, pages 63 - 77 * |
| 庄圣伦: "基于双定子绕组异步电机的航空变频交流电源关键技术研究", 中国博士学位论文全文数据库 工程科技II辑, no. 02, pages 4 - 4 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117388693A (zh) * | 2023-12-06 | 2024-01-12 | 北京汇思慧能科技有限公司 | 故障检测方法、设备和存储介质 |
| CN117388693B (zh) * | 2023-12-06 | 2024-04-02 | 北京汇思慧能科技有限公司 | 故障检测方法、设备和存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116626490B (zh) | 2023-10-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116626490B (zh) | 基于卡尔曼滤波器的电机故障诊断方法及装置 | |
| CN110736899B (zh) | 小电流接地故障定位方法及系统、监测装置、设备、介质 | |
| CN115955161B (zh) | 自适应异步感应电机转差率估算方法、装置、设备和介质 | |
| CN114879085B (zh) | 单相接地故障识别方法、装置、电子设备及介质 | |
| CN115372699A (zh) | 自适应滤波方法、装置、故障检测方法、电子设备和介质 | |
| CN110988680A (zh) | 基于时频处理的电动机转子故障显化方法 | |
| CN117388693B (zh) | 故障检测方法、设备和存储介质 | |
| EP3012643B1 (en) | Method and apparatus for identifying causes for cable overcurrent | |
| CN116520095B (zh) | 故障测距方法、系统以及计算机可读存储介质 | |
| CN117594053A (zh) | 语音降噪方法、处理终端及存储介质 | |
| CN110082642B (zh) | 基于全相位微分滤波的电网工况故障时刻检测方法及装置 | |
| CN111948454A (zh) | 一种抗衰减直流分量干扰的同步相量测量方法及系统 | |
| CN113267676A (zh) | 格策尔算法下的频谱确定方法、系统、设备及存储介质 | |
| CN113297195B (zh) | 一种时间序列异常检测方法、装置及设备 | |
| CN113341220B (zh) | 含噪多频衰减实信号频率估计方法 | |
| CN114460363A (zh) | 交流信号同步采样方法、装置和交流采样设备 | |
| CN111929630B (zh) | 一种电流互感器饱和度的检测方法及检测装置 | |
| CN114168586A (zh) | 一种异常点检测的方法和装置 | |
| CN111679125B (zh) | 一种电力系统振荡辨识的方法和装置 | |
| CN112611929A (zh) | 一种应用于三相交流电的异常检测方法及相关装置 | |
| JP6835702B2 (ja) | 異常推定装置、異常推定方法及びプログラム | |
| CN113835029B (zh) | 电机故障诊断评定标准构建方法、系统及计算机存储介质 | |
| CN117591784B (zh) | 一种基于fpga的旋转因子计算方法及fpga芯片 | |
| CN115601198B (zh) | 电力数据模拟方法、装置、设备和存储介质 | |
| CN117313409B (zh) | 一种电弧数学模型参数优化方法、系统、终端及介质 |
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 |