CN117388693B - 故障检测方法、设备和存储介质 - Google Patents
故障检测方法、设备和存储介质 Download PDFInfo
- Publication number
- CN117388693B CN117388693B CN202311659405.1A CN202311659405A CN117388693B CN 117388693 B CN117388693 B CN 117388693B CN 202311659405 A CN202311659405 A CN 202311659405A CN 117388693 B CN117388693 B CN 117388693B
- Authority
- CN
- China
- Prior art keywords
- frequency
- signal
- sequence number
- value
- current signal
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 61
- 238000003860 storage Methods 0.000 title claims abstract description 25
- 238000001914 filtration Methods 0.000 claims abstract description 34
- 238000001228 spectrum Methods 0.000 claims abstract description 17
- 238000000034 method Methods 0.000 claims description 36
- 239000011159 matrix material Substances 0.000 claims description 30
- 238000005259 measurement Methods 0.000 claims description 25
- 230000008569 process Effects 0.000 claims description 20
- 238000004364 calculation method Methods 0.000 claims description 12
- 230000007704 transition Effects 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 11
- 238000005070 sampling Methods 0.000 claims description 8
- 230000000452 restraining effect Effects 0.000 claims description 3
- 230000001360 synchronised effect Effects 0.000 claims description 3
- 230000002401 inhibitory effect Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 6
- 238000003745 diagnosis Methods 0.000 description 6
- 230000036541 health Effects 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000011161 development Methods 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
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 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
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000036449 good health Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 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
- G01R31/343—Testing dynamo-electric machines in operation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R23/00—Arrangements for measuring frequencies; Arrangements for analysing frequency spectra
- G01R23/16—Spectrum analysis; Fourier analysis
- G01R23/165—Spectrum analysis; Fourier analysis using filters
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Control Of Ac Motors In General (AREA)
- Control Of Electric Motors In General (AREA)
Abstract
本发明提供了一种故障检测方法、设备和存储介质,包括利用卡尔曼滤波器对采集的电流信号中的基频分量进行滤波后,得到滤除基频分量的第一目标电流信号,当能够从第一目标电流信号的频谱分辨出频率为(1±2s)f e 边频谐波信号时,确定边频谐波信号的频点序号,再基于维纳滤波器,对电流信号中的基频分量进行抑制,得到滤除基频分量的第二目标电流信号,进而得到上述边频谐波信号的频点序号下的边频谐波信号的幅值;然后基于边频谐波信号的幅值对异步电机转子断条故障进行检测,得到故障检测结果,这样,可以得到较为精确的边频谐波信号的峰位和幅值,提高故障检测结果的准确性。
Description
技术领域
本发明涉及异步电机检测技术领域,具体提供一种故障检测方法、设备和存储介质。
背景技术
异步电机故障的发生不是一蹴而就的,而是存在一个发展的过程,即,从完全健康,到亚健康,再到完全的故障状态,从定子电流频谱上的表现就是,故障特征谐波的幅值不断增加,当增加到一定数值之后,就意味着异步电机已经处于完全的故障状态,此时异步电机随时有可能发生故障停机,从而严重威胁到工业企业的生产安全。因此,对于异步电机的故障诊断,业界强调的是初发故障诊断,即,在故障发展的初期,就将故障识别出来,反映在定子电流频谱上,即是在故障特诊谐波的幅值比较小的时候,就要将其识别出来。
目前,业界在使用异步电机的电流信号分析法做异步电机故障诊断的时候,有一个常用的策略,就是对异步电机进行全生命周期的状态监控,即,在异步电机刚开始投入运行的时候(即,完全健康状态),就对定子线电流信号中的故障特诊谐波进行监控,主要是监测它们的峰位(对应的频率)和幅值,当幅值超过某个阈值的时候(达到该阈值,就意味着异步电机已经处于相应故障的初发阶段),即进行报警,通知运维人员来检修。
由于定子线电流的基频分量在频谱上会发生频谱泄露现象,从而掩盖频率与基频十分接近的边频谐波信号(即,转子断条故障的特征谐波),使其难以被分辨,特别是转差率较低,且边频谐波信号幅值较小的时候。为了分辨出边频谐波信号,并得到它们的幅值,首先要滤除基频分量。但是,这里对基频分量的滤除,必须尽可能地减少对边频谐波信号的峰位和幅值的影响。
相关文献“Sideband Harmonics Identification and Application for SlipEstimation of Induction Motors Based on a Self-Adaptive Wiener Filter”中记载了采用维纳滤波器对基频进行抑制后得到边频谐波信号的幅值的相关内容,但是,基于该文献的记载发现:当边频谐波信号的幅值比较小的时候,维纳滤波器在抑制基频的过程中,会对边频谐波信号(主要是右边频谐波信号)的峰位产生影响。图1是相关文献中记载的采用维纳滤波器对完全健康的异步电机的电流信号进行滤波的结果示意图。如图1的1.b所示,其右边频谐波信号的峰位应该对应50.5Hz附近的序号,而频谱上直接得到的峰位却对应50.39Hz附近的序号。由此可见,虽然维纳滤波器对边频谐波信号的识别灵敏度较高,但由于其会一定程度上影响边频谐波信号的峰位,导致通过维纳滤波器得到的边频谐波信号幅值的准确度不高,影响了其判断转子断条故障的效果。
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通过维纳滤波器得到的边频谐波信号的峰位不准确,导致通过维纳滤波器得到的边频谐波信号的幅值的准确度不高,影响了其判断转子断条故障的效果的技术问题的故障检测方法、设备和介质。
在第一方面,本发明提供一种故障检测方法,该故障检测方法包括:
获取异步电机稳定工作时同步的电压信号和电流信号;
基于卡尔曼滤波原理器滤除基频分量的步骤:基于卡尔曼滤波器、所述电压信号和所述电流信号,对所述电流信号中的基频分量进行抑制,得到滤除基频分量的第一目标电流信号;
基于所述卡尔曼滤波器检测频率为(1±2s)f e 的边频谐波信号的步骤:判断在所述第一目标电流信号中是否能够分辨出频率为(1±2s)f e 的边频谐波信号;其中,所述s为转差率,所述f e 为基频频率;
基于所述卡尔曼滤波器确定所述边频谐波信号的频点序号的步骤:若在所述第一目标电流信号中能够分辨所述边频谐波信号,确定所述边频谐波信号的频点序号;
基于维纳滤波器滤除基频分量的步骤:基于维纳滤波器、所述电压信号和所述电流信号,对所述电流信号中的基频分量进行抑制,得到滤除基频分量的第二目标电流信号;
基于维纳滤波器确定边频谐波信号的幅值的步骤:基于所述第二目标电流信号,得到所述边频谐波信号的频点序号下的边频谐波信号的幅值;
基于维纳滤波器进行故障检测的步骤:基于所述边频谐波信号的幅值对异步电机转子断条故障进行检测,得到故障检测结果;
进一步地,上述所述的故障检测方法中,判断在所述第一目标电流信号中是否能够分辨出频率为(1±2s)f e 的边频谐波信号,包括:
根据所述转差率的取值范围,确定频率为(1-2s)f e 的边频谐波信号的第一预测频点序号范围和频率为(1+2s)f e 的边频谐波信号的第二预测频点序号范围;
在所述第一目标电流信号对应的第一电流频谱中,确定出所述第一预测频点序号范围内的幅值最大的第一频点序号和所述第二预测频点序号范围内的幅值最大的第二频点序号;
根据所述第一频点序号和所述第二频点序号,判断在所述第一目标电流信号中是否能够分辨出所述边频谐波信号。
进一步地,上述所述的故障检测方法中,根据所述第一频点序号和所述第二频点序号,判断在所述第一目标电流信号中是否能够分辨出所述边频谐波信号,包括:
确定所述第一频点序号与基频序号的第一差值、所述第二频点序号与基频序号的第二差值,以及,所述第一差值与所述第二差值之间的第三差值;
若所述第三差值小于或等于第一预设阈值,确定在所述第一目标电流信号中能够分辨出所述边频谐波信号;
若所述第三差值大于第一预设阈值,确定在所述第一目标电流信号中不能分辨出所述边频谐波信号。
进一步地,上述所述的故障检测方法中,基于所述边频谐波信号的幅值对异步电机转子断条故障进行检测,得到故障检测结果,包括:
计算频率为(1-2s)f e 的边频谐波信号的幅值与频率为(1+2s)f e 的边频谐波信号的幅值的平均值;
计算所述平均值与基频分量的幅值的比值;
若所述比值大于或等于第二预设阈值,得到所述故障检测结果为异步电机转子出现断条;
若所述比值小于第二预设阈值,得到所述故障检测结果为异步电机转子未出现断条,但异步电机转子存在断条风险。
进一步地,上述所述的故障检测方法中,基于卡尔曼滤波器、所述电压信号和所述电流信号,对所述电流信号中的基频分量进行抑制,得到滤除基频分量的第一目标电流信号,包括:
基于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分量的估计信号;
利用所述电流信号中的基频分量的估计信号,对所述电流信号中的基频分量进行抑制,得到滤除基频分量的第一目标电流信号。
进一步地,上述所述的故障检测方法中,基于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。
进一步地,上述所述的故障检测方法中,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分量的估计信号,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分量的估计值。
进一步地,上述所述的故障检测方法中,基于维纳滤波器、所述电压信号和所述电流信号,对所述电流信号中的基频分量进行抑制,得到滤除基频分量的第二目标电流信号,包括:
对所述电压信号进行快速傅里叶变换,得到所述电压信号对应的电压频域信号;
选取所述电压频域信号中,第一预设序号范围内的多个频点以及第二预设序号范围内的多个频点,并将第一预设序号范围和第二预设序号范围之外的频点的实部和虚部设置为0,得到处理后的电压频域信号;其中,所述第一预设序号范围的起始序号值为额定基频频率对应的第一频点的第一基频序号值与第一预设阈值的差,第一预设序号范围的终止序号值为所述第一基频序号值与第二预设阈值的和;所述第二预设序号范围的起始序号值为额定基频频率对应的第二频点的第二基频序号值与第二预设阈值的差,第二预设序号范围的终止序号值为所述第二基频序号值与第一预设阈值的和;所述第一基频序号值小于所述第二基频序号值;
对所述处理后的电压频域信号进行快速傅里叶逆变换,得到所述电压信号中的电压基频分量的估计信号;
基于维纳滤波器,利用所述电压基频分量的估计信号,对所述电压信号进行滤波,得到滤除基频分量的第二目标电流信号。
在第二方面,本发明提供一种故障检测设备,该故障检测设备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上述任一项所述的故障检测方法。
在第三方面,本发明提供一种计算机可读存储介质,所述计算机可读存储介质中存储有多条程序代码,所述程序代码适于由处理器加载并运行以执行上述任一项所述的故障检测方法。
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,通过利用卡尔曼滤波器对采集的电流信号中的基频分量进行滤波后,得到滤除基频分量的第一目标电流信号,当能够从第一目标电流信号的频谱分辨出频率为(1±2s)f e 边频谐波信号时,确定边频谐波信号的频点序号,再基于维纳滤波器,对电流信号中的基频分量进行抑制,得到滤除基频分量的第二目标电流信号,进而得到上述边频谐波信号的频点序号下的边频谐波信号的幅值;然后基于边频谐波信号的幅值对异步电机转子断条故障进行检测,得到故障检测结果,这样,可以得到较为精确的边频谐波信号的峰位和幅值,提高故障检测结果的准确性。
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是相关文献中记载的采用维纳滤波器对完全健康的异步电机的电流信号进行滤波的结果示意图;
图2是根据本发明的一个实施例的自适应滤波方法的主要步骤流程示意图;
图3是图2中步骤102中基于卡尔曼滤波原理器滤除基频分量的步骤流程示意图;
图4是异步电机没有发生转子断条故障或者转子断条故障很轻微的情况下采用卡尔曼滤波器进行滤波的结果示意图;
图5是异步电机有3根转子导条完全断裂的情况下采用卡尔曼滤波器进行滤波的结果示意图;
图6是根据本发明的一个实施例的故障检测设备的主要结构框图。
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2,图2是根据本发明的一个实施例的自适应滤波方法的主要步骤流程示意图。如图2所示,本发明实施例中的自适应滤波方法主要包括下列步骤201-步骤207。
步骤201、获取异步电机稳定工作时同步的电压信号和电流信号;
步骤202、基于卡尔曼滤波原理器滤除基频分量的步骤:基于卡尔曼滤波器、所述电压信号和所述电流信号,对所述电流信号中的基频分量进行抑制,得到滤除基频分量的第一目标电流信号;
在一个具体实现过程中,可以根据图3所示流程图实现步骤202,图3是图2中步骤102中基于卡尔曼滤波原理器滤除基频分量的步骤流程示意图,如图3所示,基于卡尔曼滤波原理器滤除基频分量的步骤主要包括步骤301-步骤303。
步骤301、基于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;
在一个具体实现过程中,这里的卡尔曼滤波器为扩展卡尔曼滤波器,具体实现过程如下:
a1、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;
a2、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;
a3、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;
a5、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;
a6、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;
a7、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。
步骤302、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分量的估计信号;
在一个具体实现过程中,这里的卡尔曼滤波器为线性卡尔曼滤波器,步骤302的具体实现过程如下:
b1、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;
b2、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;
b3、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;
b4、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;
b5、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;
b6、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分量的估计值;
b7、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。
步骤303、利用所述电流信号中的基频分量的估计信号,对所述电流信号中的基频分量进行抑制,得到滤除基频分量的第一目标电流信号。
在一个具体实现过程中,采样频率可以为12.8kHz,考虑卡尔曼滤波器的收敛速度,本发明中可以认为卡尔曼滤波器进行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2000T s , 2001 T s ,..., 133071 T s 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分量的估计,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分量的估计相对应的电流信号,为电流信号的2001T s , 2002T s , ..., 133072T s 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分量的估计信号,即/>,得到滤除基频分量的第一目标电流信号,记为/>。
步骤203、基于所述卡尔曼滤波器是否分辨出频率为(1±2s)f e 的边频谐波信号的步骤:判断在所述第一目标电流信号中是否能够分辨出频率为(1±2s)f e 的边频谐波信号;
基于上述步骤301-步骤303记载可知,卡尔曼滤波器抑制基频分量的原理是:先生成一个基频分量的估计信号,然后将电流信号减去该基频分量的估计信号,即可实现对基频分量的抑制。也就是说,卡尔曼滤波器是将依据模型得到的电流信号中基频分量的先验估计值(该先验估计值几乎不含有与边频谐波信号相关的信息)和电流信号的测量值(即电流信号的本身),通过卡尔曼增益系数,叠加产生电流信号中基频分量的估计值,然后再将电流信号减去基频分量的估计。这过程中,对边频谐波信号的峰位几乎是没有影响的,也就是说,卡尔曼滤波器检测出的边频谐波信号的峰位是比较准确的。
然而,在异步电机没有故障或者故障很轻微的情况下,从经卡尔曼滤波器处理之后的电流信号的频谱中,是分辨不出边频谐波信号的,但是随着异步电机健康状态的恶化,比如在某个亚健康的状态,卡尔曼滤波器是能够检测出边频谐波信号的,即能够得到比较准确地边频谐波信号的峰位,但是由于卡尔曼滤波器得到的基频分量的估计信号,包含了一部分电流信号本身,所以在将电流信号减去基频分量的估计信号时,除基频分量以外的谐波信号,也都受到了抑制,导致其识别出的边频谐波信号的幅值实际上远小于边频谐波信号的实际值,这样,利用该卡尔曼滤波器得到的边频谐波信号的峰位所对应的幅值进行故障严重程度的检测时,其检测结果准确性较差,因此,本实施例中,可以利用卡尔曼滤波器判断在所述第一目标电流信号中是否能够分辨出频率为(1±2s)f e 的边频谐波信号;若不能分辨出边频谐波信号,说明异步电机处于健康状态较好,或至少还未达到故障状态,若能分辨出边频谐波信号,说明异步电机已经处于亚健康状态,甚至已经达到故障状态,需要通过边频谐波信号的幅值,对异步电机的健康状态做进一步的监测。
具体地,可以根据如下方式实现步骤203:
c1、根据所述转差率的取值范围,确定频率为(1-2s)f e 的边频谐波信号的第一预测频点序号范围和频率为(1+2s)f e 的边频谐波信号的第二预测频点序号范围。
在一个具体实现过程中,由于异步电机实际运行时的转差率一般处于0.5%至3%这一范围内,将这个范围带入边频谐波信号的频率计算式(1±2s)f e 中,即可得到边频谐波信号的频率范围,其中,频率计算式(1-2s)f e 的边频谐波信号的频率范围为47Hz至49.5Hz,(1+2s)f e 的边频谐波信号的频率范围为50.5Hz至53Hz。然后利用边频谐波信号的频率范围除以频谱分辨率即可得到频率为(1-2s)f e 的边频谐波信号的第一预测频点序号范围和频率为(1+2s)f e 的边频谐波信号的第二预测频点序号范围,当采样频率为12.8kHz时,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,1/10.24Hz)。其中,各个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。
c2、在所述第一目标电流信号对应的第一电流频谱中,确定出所述第一预测频点序号范围内的幅值最大的第一频点序号和所述第二预测频点序号范围内的幅值最大的第二频点序号;
c3、根据所述第一频点序号和所述第二频点序号,判断在所述第一目标电流信号中是否能够分辨出所述边频谐波信号。
在一个具体实现过程中,两个边频谐波信号对应的频点序号基于基频序号是对称,因此,可以设定一个第一预设阈值,然后确定所述第一频点序号与基频序号的第一差值、所述第二频点序号与基频序号的第二差值,以及,所述第一差值与所述第二差值之间的第三差值;若所述第三差值小于或等于第一预设阈值,说明两个边频谐波信号基本上是对称的,确定所述第一目标电流信号中存在边频谐波信号;若所述第三差值大于第一预设阈值,说明两个边频谐波信号是不对称的,确定所述第一目标电流信号中不存在边频谐波信号。其中,第一预设阈值可以为1。
在一个具体实现过程中,图4是异步电机没有发生转子断条故障或者转子断条故障很轻微的情况下采用卡尔曼滤波器进行滤波的结果示意图。图5是异步电机有3根转子导条完全断裂的情况下采用卡尔曼滤波器进行滤波的结果示意图。如图4所示,在47Hz至49.5Hz范围内的最大幅值的频率为49.2HZ,其对应的频点序号经计算可以为504,在50.5Hz至53Hz范围内的最大幅值的频率为51.2HZ,其对应的频点序号经计算可以为524,基频序号为512,第一差值为8,第二差值为12,则第三差值为4,第三差值大于第一预设阈值,因此,是无法检测出边频谐波信号的。如图5所示,在47Hz至49.5Hz范围内的最大幅值的频率为49.32HZ,其对应的频点序号经计算可以为505,在50.5Hz至53Hz范围内的最大幅值的频率为51.2HZ,其对应的频点序号经计算可以为519,基频序号为512,第一差值为7,第二差值为7,则第三差值为0,第三差值小于第一预设阈值,因此,是能够分辨出边频谐波信号的。即本实施例可以基于所述卡尔曼滤波器判断在所述第一目标电流信号中是否能够分辨出所述边频谐波信号,并且在分辨出边频谐波信号时,能够准确地获取到边频谐波信号的峰位。
需要说明的是,在一些相关技术中,可以通过转子槽谐波估算得到边频谐波信号的峰位,其过程为:先利用转子槽谐波估算出转差率(在电流频谱中,找出对应的频点序号范围中,幅值最大的频点的序号。利用该频点的序号乘以频谱的分辨率,得到转子槽谐波的频率,然后利用转子槽谐波的频率公式,得到转差率),再将转差率代入边频谐波信号频率的公式,计算出边频谐波信号的频率,再在边频谐波信号的频率对应的频点序号,找边频谐波信号的频率的频点序号对应的幅值。然而,这种方法受频谱分辨率和异步电机自身运行状态的影响,存在两次频率与频点序号之间的转化,使得误差较大,即将边频谐波信号的频率转化为频点序号时,其得到的边频谐波信号的频点序号与实际的频点序号存在一定偏差,也就是说,得到的边频谐波信号的峰位与边频谐波信号的实际峰位存在一定偏差。而本实施例中在检测边频谐波信号的峰位时,是通过(1±2s)f e 的边频谐波信号得到峰位可能存在的范围,并在该范围内寻峰得到边频谐波信号的频点信号,无需借助转子槽谐波的频点序号转换计算,这种边频谐波信号检测方法相对转子槽谐波估算的方法更加直接,且得到的峰位与实际的峰位更加相近,后续直接利用该边频谐波信号的频点序号在维纳滤波器得到的电流频谱图查找对应的幅值即可,而转子槽谐波估算的方法还需要再将边频谐波信号的频率转换至频点序号,进一步影响边频谐波信号的幅值的准确度。
步骤204、基于所述卡尔曼滤波器确定所述边频谐波信号的频点序号的步骤:若在所述第一目标电流信号中能够分辨所述边频谐波信号,确定所述边频谐波信号的频点序号;
在一个具体实现过程中,当通过卡尔曼滤波器在所述第一目标电流信号中能够分辨所述边频谐波信号,确定所述边频谐波信号的频点序号后,可以准确地得到边频谐波信号的频点序号,即得到边频谐波信号的峰位。
步骤205、基于维纳滤波器滤除基频分量的步骤:基于维纳滤波器、所述电压信号和所述电流信号,对所述电流信号中的基频分量进行抑制,得到滤除基频分量的第二目标电流信号;
在一个具体实现过程中,可以通过如下方式实现步骤205:
d1、对所述电压信号进行快速傅里叶变换,得到所述电压信号对应的电压频域信号;
d2、选取所述电压频域信号中,第一预设序号范围内的多个频点以及第二预设序号范围内的多个频点,并将第一预设序号范围和第二预设序号范围之外的频点的实部和虚部设置为0,得到处理后的电压频域信号;其中,所述第一预设序号范围的起始序号值为额定基频频率对应的第一频点的第一基频序号值与第一预设阈值的差,第一预设序号范围的终止序号值为所述第一基频序号值与第二预设阈值的和;所述第二预设序号范围的起始序号值为额定基频频率对应的第二频点的第二基频序号值与第二预设阈值的差,第二预设序号范围的终止序号值为所述第二基频序号值与第一预设阈值的和;所述第一基频序号值小于所述第二基频序号值;
d3、对所述处理后的电压频域信号进行快速傅里叶逆变换,得到所述电压信号中的电压基频分量的估计信号;
d4、基于维纳滤波器,利用所述电压基频分量的估计信号,对所述电压信号进行滤波,得到滤除基频分量的第二目标电流信号。
其中,步骤d1至步骤d4的过程可以参考现有相关技术,在此不再赘述。
步骤206、基于维纳滤波器确定边频谐波信号的幅值的步骤:基于所述第二目标电流信号,得到所述边频谐波信号的频点序号下的边频谐波信号的幅值;
在一个具体实现过程中,在利用卡尔曼滤波器准确地获取到边频谐波信号的频点序号后,可以在维纳滤波器得到的第二目标电流信号中寻找边频谐波信号的频点序号下的边频谐波信号的幅值,这样,通过卡尔曼滤波器和维纳滤波器的互补,可以得到较为精准的边频谐波信号的峰位以及边频谐波信号的幅值,以便后续对异步电机转子断条故障进行检测,得到故障检测结果。
步骤207、基于维纳滤波器进行故障检测的步骤:基于所述边频谐波信号的幅值对异步电机转子断条故障进行检测,得到故障检测结果。
在一个具体实现过程中,可以计算频率为(1-2s)f e 的边频谐波信号的幅值与频率为(1+2s)f e 的边频谐波信号的幅值的平均值;计算所述平均值与基频分量的幅值的比值;若所述比值大于或等于第二预设阈值,得到所述故障检测结果为异步电机转子出现断条,并输出报警信息;若所述比值小于第二预设阈值,得到所述故障检测结果为异步电机转子未出现断条,但异步电机转子存在断条风险,不输出报警信息,继续采用卡尔曼滤波器和维纳滤波器共同进行监测。其中,第二预设阈值可以通过故障模拟试验确定,具体地,可以选择与检测电机同型号的电机,然后模拟不同故障状态程度,然后检测其边频谐波幅值与基频分量幅值之间的比值,基于该比值设定第二预设阈值。
本实施例的故障检测方法,利用卡尔曼滤波器对采集的电流信号中的基频分量进行滤波后,得到滤除基频分量的第一目标电流信号,当能够从第一目标电流信号的频谱分辨出频率为(1±2s)f e 边频谐波信号时,确定边频谐波信号的频点序号,再基于维纳滤波器,对电流信号中的基频分量进行抑制,得到滤除的基频分量的第二目标电流信号,进而得到上述边频谐波信号的频点序号下的边频谐波信号的幅值;然后基于边频谐波信号的幅值对异步电机转子断条故障进行检测,得到故障检测结果,这样,可以得到较为精确的边频谐波信号的峰位和幅值,提高故障检测结果的准确性。
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故障检测设备。
参阅附图6,图6是根据本发明的一个实施例的故障检测设备的主要结构框图。如图6所示,本发明实施例中的故障检测设备可以包括处理器60和存储装置61。存储装置61可以被配置成存储执行上述方法实施例的故障检测方法的程序,处理器60可以被配置成用于执行存储装置61中的程序,该程序包括但不限于执行上述方法实施例的故障检测方法的程序。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故障检测方法的程序,该程序可以由处理器加载并运行以实现上述实施例的故障检测方法。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 (8)
1.一种故障检测方法,其特征在于,包括:
获取异步电机稳定工作时同步的电压信号和电流信号;
基于卡尔曼滤波原理器滤除基频分量的步骤:基于卡尔曼滤波器、所述电压信号和所述电流信号,对所述电流信号中的基频分量进行抑制,得到滤除基频分量的第一目标电流信号;
基于所述卡尔曼滤波器是否分辨出频率为(1±2s)f e 的边频谐波信号的步骤:判断在所述第一目标电流信号中是否能够分辨出频率为(1±2s)f e 的边频谐波信号;其中,所述s为转差率,所述f e 为基频频率;
基于所述卡尔曼滤波器确定所述边频谐波信号的频点序号的步骤:若在所述第一目标电流信号中能够分辨所述边频谐波信号,确定所述边频谐波信号的频点序号;
基于维纳滤波器滤除基频分量的步骤:基于维纳滤波器、所述电压信号和所述电流信号,对所述电流信号中的基频分量进行抑制,得到滤除基频分量的第二目标电流信号;
基于维纳滤波器确定边频谐波信号的幅值的步骤:基于所述第二目标电流信号,得到所述边频谐波信号的频点序号下的边频谐波信号的幅值;
基于维纳滤波器进行故障检测的步骤:基于所述边频谐波信号的幅值对异步电机转子断条故障进行检测,得到故障检测结果;
其中,判断在所述第一目标电流信号中是否能够分辨出频率为(1±2s)f e 的边频谐波信号,包括:
根据所述转差率的取值范围,确定频率为(1-2s)f e 的边频谐波信号的第一预测频点序号范围和频率为(1+2s)f e 的边频谐波信号的第二预测频点序号范围;
在所述第一目标电流信号对应的第一电流频谱中,确定出所述第一预测频点序号范围内的幅值最大的第一频点序号和所述第二预测频点序号范围内的幅值最大的第二频点序号;
确定所述第一频点序号与基频序号的第一差值、所述第二频点序号与基频序号的第二差值,以及,所述第一差值与所述第二差值之间的第三差值;
若所述第三差值小于或等于第一预设阈值,确定在所述第一目标电流信号中能够分辨出所述边频谐波信号;
若所述第三差值大于第一预设阈值,确定在所述第一目标电流信号中不能分辨出所述边频谐波信号。
2.根据权利要求1所述的故障检测方法,其特征在于,基于所述边频谐波信号的幅值对异步电机转子断条故障进行检测,得到故障检测结果,包括:
计算频率为(1-2s)f e 的边频谐波信号的幅值与频率为(1+2s)f e 的边频谐波信号的幅值的平均值;
计算所述平均值与基频分量的幅值的比值;
若所述比值大于或等于第二预设阈值,得到所述故障检测结果为异步电机转子出现断条;
若所述比值小于第二预设阈值,得到所述故障检测结果为异步电机转子未出现断条,但异步电机转子存在断条风险。
3.根据权利要求1所述的故障检测方法,其特征在于,基于卡尔曼滤波器、所述电压信号和所述电流信号,对所述电流信号中的基频分量进行抑制,得到滤除基频分量的第一目标电流信号,包括:
基于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分量的估计信号;
利用所述电流信号中的基频分量的估计信号,对所述电流信号中的基频分量进行抑制,得到滤除基频分量的第一目标电流信号。
4.根据权利要求3所述的故障检测方法,其特征在于,基于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。
5.根据权利要求3所述的故障检测方法,其特征在于,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分量的估计信号,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分量的估计值。
6.根据权利要求1所述的故障检测方法,其特征在于,基于维纳滤波器、所述电压信号和所述电流信号,对所述电流信号中的基频分量进行抑制,得到滤除基频分量的第二目标电流信号,包括:
对所述电压信号进行快速傅里叶变换,得到所述电压信号对应的电压频域信号;
选取所述电压频域信号中,第一预设序号范围内的多个频点以及第二预设序号范围内的多个频点,并将第一预设序号范围和第二预设序号范围之外的频点的实部和虚部设置为0,得到处理后的电压频域信号;其中,所述第一预设序号范围的起始序号值为额定基频频率对应的第一频点的第一基频序号值与第一预设阈值的差,第一预设序号范围的终止序号值为所述第一基频序号值与第二预设阈值的和;所述第二预设序号范围的起始序号值为额定基频频率对应的第二频点的第二基频序号值与第二预设阈值的差,第二预设序号范围的终止序号值为所述第二基频序号值与第一预设阈值的和;所述第一基频序号值小于所述第二基频序号值;
对所述处理后的电压频域信号进行快速傅里叶逆变换,得到所述电压信号中的电压基频分量的估计信号;
基于维纳滤波器,利用所述电压基频分量的估计信号,对所述电流信号进行滤波,得到滤除基频分量的第二目标电流信号。
7.一种故障检测设备,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6中任一项所述的故障检测方法。
8.一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中存储有多条程序代码,所述程序代码适于由处理器加载并运行以执行权利要求1至6中任一项所述的故障检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311659405.1A CN117388693B (zh) | 2023-12-06 | 2023-12-06 | 故障检测方法、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311659405.1A CN117388693B (zh) | 2023-12-06 | 2023-12-06 | 故障检测方法、设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117388693A CN117388693A (zh) | 2024-01-12 |
CN117388693B true CN117388693B (zh) | 2024-04-02 |
Family
ID=89472423
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311659405.1A Active CN117388693B (zh) | 2023-12-06 | 2023-12-06 | 故障检测方法、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117388693B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117991048A (zh) * | 2024-04-07 | 2024-05-07 | 国网江西省电力有限公司电力科学研究院 | 高比例分布式电源接入的配电网短路故障检测方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104407293A (zh) * | 2014-11-25 | 2015-03-11 | 中国矿业大学 | 一种基于混合微粒群算法的感应电机断条故障检测方法 |
CN113571076A (zh) * | 2021-06-16 | 2021-10-29 | 北京小米移动软件有限公司 | 信号处理方法、装置、电子设备和存储介质 |
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 |
CN116595317A (zh) * | 2023-05-05 | 2023-08-15 | 淮阴工学院 | 基于正交定子电流ga分析及sfo-pnn的电机故障诊断方法 |
CN116626490A (zh) * | 2023-07-25 | 2023-08-22 | 清华大学无锡应用技术研究院 | 基于卡尔曼滤波器的电机故障诊断方法及装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7847580B2 (en) * | 2007-06-04 | 2010-12-07 | Eaton Corporation | System and method for motor fault detection using stator current noise cancellation |
US11099101B2 (en) * | 2019-05-03 | 2021-08-24 | Mitsubishi Electric Research Laboratories, Inc. | Method for estimating bearing fault severity for induction motors |
-
2023
- 2023-12-06 CN CN202311659405.1A patent/CN117388693B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104407293A (zh) * | 2014-11-25 | 2015-03-11 | 中国矿业大学 | 一种基于混合微粒群算法的感应电机断条故障检测方法 |
CN113571076A (zh) * | 2021-06-16 | 2021-10-29 | 北京小米移动软件有限公司 | 信号处理方法、装置、电子设备和存储介质 |
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 |
CN116595317A (zh) * | 2023-05-05 | 2023-08-15 | 淮阴工学院 | 基于正交定子电流ga分析及sfo-pnn的电机故障诊断方法 |
CN116626490A (zh) * | 2023-07-25 | 2023-08-22 | 清华大学无锡应用技术研究院 | 基于卡尔曼滤波器的电机故障诊断方法及装置 |
Non-Patent Citations (1)
Title |
---|
Yongsheng Fu et.IEEE Transactions on Instrume and Measurement,Sideband Harmonics Identification and Application for Slip Estimation of Induction Motors Based on a Self-Adaptive Wiener Filter.2023,第72卷3-4. * |
Also Published As
Publication number | Publication date |
---|---|
CN117388693A (zh) | 2024-01-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117388693B (zh) | 故障检测方法、设备和存储介质 | |
EP2790028B1 (en) | Broken rotor bar detection based on current signature analysis of an electric machine | |
RU2613584C2 (ru) | Способ и устройство анализа качества электрической энергии в трехфазной электрической сети | |
Zhao et al. | Forward and backward extended prony (FBEP) method for power system small-signal stability analysis | |
CN109406949B (zh) | 基于支持向量机的配电网早期故障检测方法及装置 | |
Kia et al. | Some digital signal processing techniques for induction machines diagnosis | |
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 | |
Frigo et al. | Statistical model of measurement noise in real-world PMU-based acquisitions | |
CN115372699A (zh) | 自适应滤波方法、装置、故障检测方法、电子设备和介质 | |
US10942205B2 (en) | Method and system for analyzing electricity consumption | |
CN111537881A (zh) | 异步电机的故障诊断方法、装置、设备及可读存储介质 | |
de Oliveira et al. | Second order blind identification algorithm with exact model order estimation for harmonic and interharmonic decomposition with reduced complexity | |
CN116626490B (zh) | 基于卡尔曼滤波器的电机故障诊断方法及装置 | |
JP7437584B2 (ja) | 送電線の外乱分類のための機械学習ベースの方法および装置 | |
CN110017894B (zh) | 变压器运行状态振声检测中随机噪声的滤除方法和装置 | |
CN109586249B (zh) | 变压器励磁涌流判别方法和装置 | |
CN111780868A (zh) | 一种利用Jeffery差异量的变压器运行状态振声检测方法和系统 | |
Costa et al. | Harmonic and interharmonic identification based on improved Prony's method | |
CN116340810A (zh) | 基于随机森林的变压器出线部位局部放电诊断方法和装置 | |
WO2011089421A1 (en) | Apparatus and method for measuring a phasor of an electrical power system signal | |
CN115409245A (zh) | 电力系统的预测辅助状态估计方法、装置、设备及介质 | |
Barrera et al. | Waveform segmentation for intelligent monitoring of power events | |
CN113514776A (zh) | 一种异步电机的匝间短路故障诊断方法、装置、设备 | |
BR102015028907B1 (pt) | Método de detecção de saturação em transformadores de corrente utilizando o filtro de savitzky-golay | |
CN111679125A (zh) | 一种电力系统振荡辨识的方法和装置 |
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 |