CN117192369A - 基于数字孪生技术的曳引电机监测与诊断方法 - Google Patents
基于数字孪生技术的曳引电机监测与诊断方法 Download PDFInfo
- Publication number
- CN117192369A CN117192369A CN202311295098.3A CN202311295098A CN117192369A CN 117192369 A CN117192369 A CN 117192369A CN 202311295098 A CN202311295098 A CN 202311295098A CN 117192369 A CN117192369 A CN 117192369A
- Authority
- CN
- China
- Prior art keywords
- model
- traction motor
- fault
- physical
- digital twin
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 28
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000005516 engineering process Methods 0.000 title claims abstract description 21
- 238000003745 diagnosis Methods 0.000 claims abstract description 12
- 238000004458 analytical method Methods 0.000 claims description 12
- 238000004088 simulation Methods 0.000 claims description 12
- 230000008878 coupling Effects 0.000 claims description 9
- 238000010168 coupling process Methods 0.000 claims description 9
- 238000005859 coupling reaction Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- 230000006399 behavior Effects 0.000 claims description 7
- 238000011217 control strategy Methods 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 6
- 238000013473 artificial intelligence Methods 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000013480 data collection Methods 0.000 claims description 3
- 238000011161 development Methods 0.000 claims description 3
- 238000002405 diagnostic procedure Methods 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 claims description 3
- 238000010438 heat treatment Methods 0.000 claims description 3
- 238000011835 investigation Methods 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 claims description 3
- 230000006641 stabilisation Effects 0.000 claims description 3
- 238000011105 stabilization Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000004804 winding Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 2
- 238000012423 maintenance Methods 0.000 abstract description 17
- 238000012545 processing Methods 0.000 abstract description 4
- 230000009471 action Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012827 research and development Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000002407 reforming Methods 0.000 description 1
Abstract
本发明涉及基于数字孪生技术的曳引电机监测与诊断方法,属于电数字数据处理技术领域,利用数字孪生技术建立曳引电机的模型,通过采集和处理实时数据对模型进行训练和优化,实现对曳引电机状态的预测和诊断。同时,将曳引电机监测和诊断的结果与运维管理系统集成,实现对曳引电机的实时监测、故障管理和预测维护。这一技术可以提高曳引电机的运行效率和可靠性,降低运维成本,为城市轨道交通和物流系统的安全和稳定性提供保障。
Description
技术领域
本发明属于电数字数据处理技术领域,具体涉及基于数字孪生技术的曳引电机监测与诊断方法。
背景技术
曳引电机监测、诊断和运维研究已经取得了一定的进展,但仍然存在许多问题需要解决,比如实时监测的精度和可靠性、数据分析算法的准确性和效率、维修技术的智能化程度等。
因此,现阶段需设计基于数字孪生技术的曳引电机监测与诊断方法及存储介质,来解决以上问题。
发明内容
本发明目的在于提供基于数字孪生技术的曳引电机监测与诊断方法及存储介质,用于解决上述现有技术中存在的技术问题,数字孪生技术的应用将有助于解决这些问题,提高曳引电机的监测和诊断效率和准确性,降低运维成本,提高曳引驱动系统的安全和稳定性。
为实现上述目的,本发明的技术方案是:
基于数字孪生技术的曳引电机监测与诊断方法,包括以下步骤:
步骤S1、故障特征提取;
分析调研曳引电机和逆变器可能发生的故障;通过故障仿真和试验,研究故障对驱动系统的影响,提取能表示故障的特征参量;研究构建含有故障特征参数的模型;
步骤S2、模型构建、训练与验证;
针对物理模型为时域的特点,研究如何将其离散化、线性化为可数值计算、编程的数字模型;针对传感器数据采集波动、噪声干扰,研究信号平稳化、信号降噪、特征增强;探索利用不同算法训练孪生模型;利用数据对孪生模型准确性、稳定性进行验证;
步骤S3、运行状态监测与预测;
针对实际运行中,电机与逆变器参数不断变化的特点;研究如何修正模型参数,使得孪生模型与物理模型参数及行为特征保持一致;研究如何利用孪生模型对实际物理实体将要发生的故障进行预测,对已发生故障进行定位。
进一步的,步骤S1中还包括:
前期调研及数据收集;调研已有的逆变器驱动曳引电机故障实例,对故障原因、故障位置及故障程度进行归纳总结,为建立模型提供事实依据;获取逆变器功率器件型号参数、曳引电机的本体参数、运行工况的数据,以及曳引电机所处的环境特点,为多物理场建模分析提供支持;
多物理场模型的建立;多物理场模型分为有限元建模和数学建模两部分;首先,利用ANSYS Workbench平台,基于第一步获得的信息建立曳引电机的多物理场耦合的有限元模型;在有限元模型中设置不同位置,不同程度的故障,分析电磁-热-机械应力耦合下的,电机电压、电流、发热以及振动信号,总结故障条件下多信号的演变规律,结合实际曳引电机材料的机械特性及化学特性,给出逆变器与曳引电机的理论失效阈值;然后,根据理论分析建立等效电路、热路模型,再利用有限元仿真获得的知识确定等效模型的参数,得到逆变器与曳引电机物理模型。
进一步的,步骤S2具体如下:
先将多物理场模型进行线性化、离散化,并与数据驱动模型结合,根据逆变器驱动系统采用的控制调制方式构建出与物理实体特征参数一致的逆变器与曳引电机数字模型;将传感器采集回来的信号进行平滑降噪处理,基于人工智能与机器学习,对数字孪生模型进行训练、不断修正,使其与当前物理实体特征参数、行为特征一致;利用不同工况下采集的数据验证所建立数字孪生模型的准确性与稳定性。
进一步的,步骤S3还包括:
构建验证系统有效性的小功率故障模拟与测试平台;
(1)根据多物理场耦合模型分析结果与第一步获得的实际故障信息,对小功率电机进行改造;改造分为故障设置以及传感器的设置;故障设置是在不同匝的端部引出端子,通过人为并联电阻模拟绕组故障;传感器设置方面,根据有限元模型分析得到的牵引电机的热特性和噪声特性,在关键位置设置对应的传感器以验证多物理场模型的准确性;
(2)利用高低温与湿度环境试验舱等模拟电机的外部环境,通过设置来模拟宽范围及极端条件下的外部环境,测试电机故障特征随外部环境变化的发展趋势;通过可编程控制器和对拖平台,模拟实际工况和电机的控制策略,分析运行工况和控制策略对故障特征信号引入的噪声,增加诊断准确性;
(3)利用当前运行状态采集的数据并结合数字孪生体不断修正的能力,从数字孪生体获取当前物理实体的运行参数、状态,并通过提取的故障特征参数值预测故障发生概率、时间;对于已经发生的故障,利用数字孪生体快速检测故障发生类型、位置,实现快速故障诊断。
一种存储介质,所述存储介质上存储有计算机程序,所述计算机程序被运行时执行如上述的基于数字孪生技术的曳引电机监测与诊断方法。
与现有技术相比,本发明所具有的有益效果为:
本方案其中一个有益效果在于,利用数字孪生技术建立曳引电机的模型,通过采集和处理实时数据对模型进行训练和优化,实现对曳引电机状态的预测和诊断。同时,将曳引电机监测和诊断的结果与运维管理系统集成,实现对曳引电机的实时监测、故障管理和预测维护。这一技术可以提高曳引电机的运行效率和可靠性,降低运维成本,为城市轨道交通和物流系统的安全和稳定性提供保障。
附图说明
图1为本发明一个具体实施方式提出的总体技术关系框图。
具体实施方式
为了使本发明的目的,技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明,即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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的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。需要说明的是,术语“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
而且,术语“包括”,“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程,方法,物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程,方法,物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程,方法,物品或者设备中还存在另外的相同要素。
如图1所示,提出一种基于数字孪生技术的曳引电机监测与诊断方法,包括以下步骤:
步骤S1、故障特征提取;
分析调研曳引电机和逆变器可能发生的故障;通过故障仿真和试验,研究故障对驱动系统的影响,提取能表示故障的特征参量;研究构建含有故障特征参数的模型;
步骤S2、模型构建、训练与验证;
针对物理模型为时域的特点,研究如何将其离散化、线性化为可数值计算、编程的数字模型;针对传感器数据采集波动、噪声干扰等情况,研究信号平稳化、信号降噪、特征增强等技术;探索利用不同算法训练孪生模型;利用数据对孪生模型准确性、稳定性进行验证;
步骤S3、运行状态监测与预测;
针对实际运行中,电机与逆变器参数不断变化的特点;研究如何修正模型参数,使得孪生模型与物理模型参数及行为特征保持一致;研究如何利用孪生模型对实际物理实体将要发生的故障进行预测,对已发生故障进行定位。
进一步的,步骤S1中还包括:
前期调研及数据收集;广泛调研已有的逆变器驱动曳引电机故障实例,对故障原因、故障位置及故障程度等信息进行归纳总结,为建立模型提供事实依据。获取逆变器功率器件型号参数、曳引电机的本体参数、运行工况的数据,以及曳引电机所处的环境特点,为多物理场建模分析提供支持。
多物理场模型的建立;多物理场模型分为有限元建模和数学建模两部分。首先,利用ANSYS Workbench平台,基于第一步获得的信息建立曳引电机的多物理场耦合的有限元模型。在有限元模型中设置不同位置,不同程度的故障,分析电磁-热-机械应力耦合下的,电机电压、电流、发热以及振动等信号,总结故障条件下多信号的演变规律,结合实际曳引电机材料的机械特性及化学特性,给出逆变器与曳引电机的理论失效阈值。然后,根据理论分析建立等效电路、热路等模型,再利用有限元仿真获得的知识确定等效模型的参数,得到逆变器与曳引电机物理模型。
进一步的,步骤S2具体如下:
先将多物理场模型进行线性化、离散化,并与数据驱动模型结合,根据逆变器驱动系统采用的控制调制方式构建出与物理实体特征参数一致的逆变器与曳引电机数字模型。将传感器采集回来的信号(三相电流、转速等)进行平滑降噪处理,基于人工智能与机器学习,对数字孪生模型进行训练、不断修正,使其与当前物理实体特征参数、行为特征一致。利用不同工况下采集的数据验证所建立数字孪生模型的准确性与稳定性。
进一步的,步骤S3还包括:
由于曳引驱动系统结构复杂,各种故障、运行工况很难通过实际运行设备模拟,因此需要构建验证系统有效性的小功率故障模拟与测试平台。
(1)根据多物理场耦合模型分析结果与第一步获得的实际故障信息,对小功率电机进行改造。改造主要分为故障设置以及传感器的设置。故障设置是在不同匝的端部引出端子,通过人为并联电阻模拟绕组故障。传感器设置方面,根据有限元模型分析得到的牵引电机的热特性和噪声特性,在关键位置设置对应的传感器以验证多物理场模型的准确性。
(2)利用高低温与湿度环境试验舱等模拟电机的外部环境,通过设置来模拟宽范围及极端条件下的外部环境,测试电机故障特征随外部环境变化的发展趋势。通过可编程控制器和对拖平台,模拟实际工况和电机的控制策略,分析运行工况和控制策略对故障特征信号引入的噪声,增加诊断准确性。
(3)利用当前运行状态采集的数据并结合数字孪生体不断修正的能力,从数字孪生体获取当前物理实体的运行参数、状态,并通过提取的故障特征参数值预测故障发生概率、时间。对于已经发生的故障,利用数字孪生体快速检测故障发生类型、位置,实现快速故障诊断。
一种存储介质,所述存储介质上存储有计算机程序,所述计算机程序被运行时执行如上述的基于数字孪生技术的曳引电机监测与诊断方法。
针对电梯曳引电机运维及可靠性评估等各方面需求,开展基于数字孪生技术的曳引电机监测与诊断系统的研究与开发,用于实时获取曳引电机的运行状态并对潜在故障进行预警与定位。通过构建曳引电机的数字孪生体,在运行中通过测量感知,将测量结果结合多物理场模型计算结果,利用人工智能方法得到曳引电机无法直接测量的关键参量,对电机的状态进行预测,做到精准模拟、实时监控以、智能诊断以及物理实体行为预测,进而提高曳引驱动系统运维的可靠与稳定性。
通过开展基于数字孪生技术的曳引电机监测与诊断系统的研究与开发,为探究曳引驱动系统的未知机理提供新的途径。曳引电机数字孪生体随着物理实体共同生长发育,成熟的孪生体不仅包含已知的运行规律,还能体现真实运行中未考虑到的情况。这对开展极端工况、极端环境的模拟研究提供真实可靠的仿真环境。在故障诊断与辅助决策方面、智能预警与预测性维护方面,均能通过成熟的数字孪生体提高准确性与及时性。
该研究建立的数字孪生体,也降低了人工运维的负担,节约人力成本的同时,还提高了运维质量。通过利用数字孪生体进行人员安全培训与技能培训,不仅拓宽运维人员学习途径,还可使运维人员多角度、全方位的认识并了解曳引驱动系统。同时,及早培养操作人员与辅助系统的协同工作,可进一步提高现场运维操作的准确性与安全性。
以上是本发明的较佳实施例,凡依本发明技术方案所作的改变,所产生的功能作用未超出本发明技术方案的范围时,均属于本发明的保护范围。
Claims (5)
1.基于数字孪生技术的曳引电机监测与诊断方法,其特征在于,包括以下步骤:
步骤S1、故障特征提取;
分析调研曳引电机和逆变器可能发生的故障;通过故障仿真和试验,研究故障对驱动系统的影响,提取能表示故障的特征参量;研究构建含有故障特征参数的模型;
步骤S2、模型构建、训练与验证;
针对物理模型为时域的特点,研究如何将其离散化、线性化为可数值计算、编程的数字模型;针对传感器数据采集波动、噪声干扰,研究信号平稳化、信号降噪、特征增强;探索利用不同算法训练孪生模型;利用数据对孪生模型准确性、稳定性进行验证;
步骤S3、运行状态监测与预测;
针对实际运行中,电机与逆变器参数不断变化的特点;研究如何修正模型参数,使得孪生模型与物理模型参数及行为特征保持一致;研究如何利用孪生模型对实际物理实体将要发生的故障进行预测,对已发生故障进行定位。
2.根据权利要求1所述的基于数字孪生技术的曳引电机监测与诊断方法,其特征在于,步骤S1中还包括:
前期调研及数据收集;调研已有的逆变器驱动曳引电机故障实例,对故障原因、故障位置及故障程度进行归纳总结,为建立模型提供事实依据;获取逆变器功率器件型号参数、曳引电机的本体参数、运行工况的数据,以及曳引电机所处的环境特点,为多物理场建模分析提供支持;
多物理场模型的建立;多物理场模型分为有限元建模和数学建模两部分;首先,利用ANSYS Workbench平台,基于第一步获得的信息建立曳引电机的多物理场耦合的有限元模型;在有限元模型中设置不同位置,不同程度的故障,分析电磁-热-机械应力耦合下的,电机电压、电流、发热以及振动信号,总结故障条件下多信号的演变规律,结合实际曳引电机材料的机械特性及化学特性,给出逆变器与曳引电机的理论失效阈值;然后,根据理论分析建立等效电路、热路模型,再利用有限元仿真获得的知识确定等效模型的参数,得到逆变器与曳引电机物理模型。
3.根据权利要求2所述的基于数字孪生技术的曳引电机监测与诊断方法,其特征在于,步骤S2具体如下:
先将多物理场模型进行线性化、离散化,并与数据驱动模型结合,根据逆变器驱动系统采用的控制调制方式构建出与物理实体特征参数一致的逆变器与曳引电机数字模型;将传感器采集回来的信号进行平滑降噪处理,基于人工智能与机器学习,对数字孪生模型进行训练、不断修正,使其与当前物理实体特征参数、行为特征一致;利用不同工况下采集的数据验证所建立数字孪生模型的准确性与稳定性。
4.根据权利要求3所述的基于数字孪生技术的曳引电机监测与诊断方法,其特征在于,步骤S3还包括:
构建验证系统有效性的小功率故障模拟与测试平台;
(1)根据多物理场耦合模型分析结果与第一步获得的实际故障信息,对小功率电机进行改造;改造分为故障设置以及传感器的设置;故障设置是在不同匝的端部引出端子,通过人为并联电阻模拟绕组故障;传感器设置方面,根据有限元模型分析得到的牵引电机的热特性和噪声特性,在关键位置设置对应的传感器以验证多物理场模型的准确性;
(2)利用高低温与湿度环境试验舱等模拟电机的外部环境,通过设置来模拟宽范围及极端条件下的外部环境,测试电机故障特征随外部环境变化的发展趋势;通过可编程控制器和对拖平台,模拟实际工况和电机的控制策略,分析运行工况和控制策略对故障特征信号引入的噪声,增加诊断准确性;
(3)利用当前运行状态采集的数据并结合数字孪生体不断修正的能力,从数字孪生体获取当前物理实体的运行参数、状态,并通过提取的故障特征参数值预测故障发生概率、时间;对于已经发生的故障,利用数字孪生体快速检测故障发生类型、位置,实现快速故障诊断。
5.一种存储介质,其特征在于,所述存储介质上存储有计算机程序,所述计算机程序被运行时执行如权利要求1-4任一项所述的基于数字孪生技术的曳引电机监测与诊断方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311295098.3A CN117192369A (zh) | 2023-10-07 | 2023-10-07 | 基于数字孪生技术的曳引电机监测与诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311295098.3A CN117192369A (zh) | 2023-10-07 | 2023-10-07 | 基于数字孪生技术的曳引电机监测与诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117192369A true CN117192369A (zh) | 2023-12-08 |
Family
ID=88992476
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311295098.3A Pending CN117192369A (zh) | 2023-10-07 | 2023-10-07 | 基于数字孪生技术的曳引电机监测与诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117192369A (zh) |
-
2023
- 2023-10-07 CN CN202311295098.3A patent/CN117192369A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021232655A1 (zh) | 一种基于振动特征的高压并联电抗器机械状态评估方法 | |
CN109186813A (zh) | 一种温度传感器自检装置及方法 | |
CN110647133A (zh) | 轨道交通设备状态检测维护方法及系统 | |
CN109710983B (zh) | 一种基于关键性能指标的柴油机气缸分层故障诊断方法 | |
CN110533294B (zh) | 一种基于人工智能技术的核电厂运行故障报警方法 | |
CN115979349B (zh) | 一种电力站空间环境监测方法及系统 | |
CN108257365B (zh) | 一种基于全局不确定性证据动态融合的工业报警器设计方法 | |
CN112187528A (zh) | 基于sarima的工业控制系统通信流量在线监测方法 | |
CN112257967A (zh) | 电缆的状态量预测的方法、用于确定电缆的运行状态的方法及装置 | |
CN110850837A (zh) | 基于长短时记忆神经网络的系统寿命分析与故障诊断方法 | |
CN115683235B (zh) | 一种工业机器人伺服电机振动故障检测方法及装置 | |
CN117216647A (zh) | 车身焊接设备预测性维护及故障诊断方法和系统 | |
CN117192369A (zh) | 基于数字孪生技术的曳引电机监测与诊断方法 | |
US11339763B2 (en) | Method for windmill farm monitoring | |
CN115358294A (zh) | 一种高速列车牵引系统的微小故障检测方法 | |
CN114330413A (zh) | 牵引电机轴承的故障类型辨识及定位方法 | |
KR20230082887A (ko) | 유지보수 이력에 기반한 학습데이터를 이용하는 장비의 고장 예측 장치 및 방법 | |
Jarrah et al. | Web-based monitoring and fault diagnostics of machinery | |
Chen et al. | EPBS_FIDMV: A fault injection and diagnosis methods validation benchmark for EPBS of EMU | |
CN111044176A (zh) | 一种发电机温度异常的监测方法 | |
CN116258467B (zh) | 一种电力施工管控系统 | |
CN117192312B (zh) | 基于机器学习的二次交流电缆绝缘异常监测方法及系统 | |
RU2719507C1 (ru) | Способ оценки технического состояния потребителя-регулятора на основе нейросетевого диагностирования | |
CN116643170B (zh) | 电机轴系振动测试方法、装置和计算机设备 | |
Han et al. | Fault diagnose of the rolling bearings vibration signals based on Kalman filter method |
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 |