CN117390570B - 一种电铲电动机绕组故障监测方法及系统 - Google Patents
一种电铲电动机绕组故障监测方法及系统 Download PDFInfo
- Publication number
- CN117390570B CN117390570B CN202311687672.XA CN202311687672A CN117390570B CN 117390570 B CN117390570 B CN 117390570B CN 202311687672 A CN202311687672 A CN 202311687672A CN 117390570 B CN117390570 B CN 117390570B
- Authority
- CN
- China
- Prior art keywords
- current waveform
- waveform signal
- signal segment
- electric shovel
- motor winding
- 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
- 238000004804 winding Methods 0.000 title claims abstract description 79
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000012544 monitoring process Methods 0.000 title claims abstract description 41
- 230000003044 adaptive effect Effects 0.000 claims abstract description 27
- 230000011218 segmentation Effects 0.000 claims abstract description 11
- 238000009825 accumulation Methods 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 abstract description 4
- 238000005259 measurement Methods 0.000 abstract description 2
- 238000007781 pre-processing Methods 0.000 abstract 1
- 238000000354 decomposition reaction Methods 0.000 description 7
- 238000005065 mining Methods 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
- G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Control Of Electric Motors In General (AREA)
Abstract
本发明涉及电力测量数据技术领域,提出了一种电铲电动机绕组故障监测方法及系统,包括:采集电铲电动机绕组电流波形信号并进行预处理,获取电流波形信号分段和残差累计和;获取每个IMF分量的分量稳定度;获取电流波形信号分段对应的极值,获取极值的第一欧氏距离,确定电流波形信号分段的第一信息熵,进而获取电流波形信号分段的自适应系数;根据电流波形信号分段的自适应系数确定电流波形信号分段的自适应系数调整值,根据的自适应系数调整值获取去噪后的电铲电动机绕组电流波形信号、实现电铲电动机绕组故障监测。本发明解决电流数据去噪效果不佳导致的电铲电动机绕组故障监测结果不理想的问题。
Description
技术领域
本发明涉及电力测量数据技术领域,具体涉及一种电铲电动机绕组故障监测方法及系统。
背景技术
电铲是千万吨级露天矿山主要采掘设备之一,具有生产率高、作业率高等优点,是现今采矿业公认的主流机型。直流电机具有启动转矩大、调速范围广、过载能力强等优点,所以,电铲的驱动系统大多采用全数字的直流驱动系统。电铲电动机绕组部分易出现故障,需要采用电流传感器监测电流的波形、幅值等参数以监测电铲电动机绕组故障,但电流传感器采集到的数据中往往存在噪声干扰,需要在进行故障判断之前对采集到的电流数据进行去噪处理。
对采集到的电流数据进行去噪的方法一般为对电流波形信号进行分解,再通过小波阈值去噪方法对分解得到的电流波形信号的分量进行去噪。小波阈值去噪方法通过人工设定的小波阈值筛选高频分量,并针对高频分量进行小波阈值去噪,最后经逆变换获取去噪后的电流数据。但电动机绕组的电流波形较为复杂,局部波动强弱存在差异且常出现模态混乱,进而造成噪声并不只存在于高频分量中,所以对电流数据进行去噪处理的效果并不理想,从而无法对电铲电动机绕组的故障情况及时监测。
发明内容
本发明提供一种电铲电动机绕组故障监测方法及系统,以解决电流数据去噪效果不佳导致的电铲电动机绕组故障监测结果不理想的问题,所采用的技术方案具体如下:
第一方面,本发明一个实施例提供了一种电铲电动机绕组故障监测方法,该方法包括以下步骤:
采集电铲电动机绕组电流波形信号并进行分解,获取IMF分量和分量的残差,对IMF分量进行分段处理,获取电流波形信号分段和残差累计和;
根据电流波形信号分段和残差累计和以及电流波形信号分段中包含的所有分量获取电流波形信号分段干扰度,根据电流波形信号分段中包含的所有分量和电流波形信号分段干扰度获取每个IMF分量的分量稳定度;
获取电流波形信号分段对应的极值,获取极值的第一欧氏距离,根据极值的第一欧氏距离确定电流波形信号分段的第一信息熵,根据电流波形信号分段对应的极值、第一信息熵、包含的所有分量和电流波形信号分段对应的IMF分量的分量稳定度获取电流波形信号分段的自适应系数;
根据电流波形信号分段的自适应系数确定电流波形信号分段的自适应系数调整值,根据自适应系数调整值获取去噪后的电铲电动机绕组电流波形信号、实现电铲电动机绕组故障监测;
所述自适应系数的获取方法为:
式中,表示第/>个IMF分量划分出的第/>个电流波形信号分段的自适应系数;/>表示第/>个IMF分量的分量稳定度;/>表示第/>个IMF分量划分出的第/>个电流波形信号分段中包含的所有分量的标准差;/>表示第/>个IMF分量划分出的/>个电流波形信号分段包含的所有分量的标准差的均值;/>表示第/>个电流波形信号分段对应的极值的数量;/>表示对括号内的数值进行线性归一化;/>表示自然常数;/>表示第/>个电流波形信号分段的第一信息熵。
进一步,所述对IMF分量进行分段处理,获取电流波形信号分段和残差累计和的获取方法为:
以所有IMF分量的时间跨度的最小公倍数为时间跨度,分别对每一个IMF分量进行分段,获取电流波形信号分段;
将电流波形信号分段内包含的所有分量的残差和记为电流波形信号分段的残差累计和。
进一步,所述根据电流波形信号分段中包含的所有分量和电流波形信号分段干扰度获取每个IMF分量的分量稳定度的获取方法为:
将第一预设阈值与电流波形信号分段的电流波形信号分段干扰度的差值记为电流波形信号分段的第一差值;
将电流波形信号分段所在的IMF分量划分出的电流波形信号分段包含的所有分量的标准差记为第一标准差;
将电流波形信号分段中包含的所有分量的标准差与所有第一标准差的均值的差值记为电流波形信号分段的第二差值;
将电流波形信号分段的第一差值与第二差值的乘积记为电流波形信号分段的第一乘积;
将IMF分量划分出的所有电流波形信号分段的第一乘积的均值记为IMF分量的分量稳定度。
进一步,所述获取电流波形信号分段对应的极值的获取方法为:
将电流波形信号分段内包含的电流信号的极值记为电流波形信号分段对应的极值。
进一步,所述获取极值的第一欧氏距离的方法为:
将极值与欧氏距离最近的相邻极值之间的欧氏距离记为极值的第一欧氏距离。
进一步,所述根据极值的第一欧氏距离确定电流波形信号分段的第一信息熵的方法为:
将电流波形信号分段对应的电铲电动机绕组电流波形信号内包含的电流信号的极值的第一欧氏距离的信息熵记为电流波形信号分段的第一信息熵。
进一步,所述根据电流波形信号分段对应的极值、第一信息熵、包含的所有分量和电流波形信号分段对应的IMF分量的分量稳定度获取电流波形信号分段的自适应系数的方法为:
式中,表示第/>个IMF分量划分出的第/>个电流波形信号分段的自适应系数;/>表示第/>个IMF分量的分量稳定度;/>表示第/>个IMF分量划分出的第/>个电流波形信号分段中包含的所有分量的标准差;/>表示第/>个IMF分量划分出的/>个电流波形信号分段包含的所有分量的标准差的均值;/>表示第/>个电流波形信号分段对应的极值的数量;/>表示对括号内的数值进行线性归一化;/>表示自然常数;/>表示第/>个电流波形信号分段的第一信息熵。
进一步,所述根据电流波形信号分段的自适应系数确定电流波形信号分段的自适应系数调整值的方法为:
将电流波形信号分段的自适应系数与小波软阈值的和记为电流波形信号分段的自适应系数调整值。
进一步,所述根据自适应系数调整值获取去噪后的电铲电动机绕组电流波形信号、实现电铲电动机绕组故障监测的方法为:
以电流波形信号分段的自适应系数调整值作为小波阈值的取值,对电流波形信号分段进行小波去噪,获取去噪后的电铲电动机绕组电流波形信号;
使用电动机绕组电流峰值监测方法对去噪后的电铲电动机绕组电流波形信号进行监测,实现电铲电动机绕组故障监测,及时对电铲电动机绕组故障监测得到的故障进行处理。
第二方面,本发明实施例还提供了一种电铲电动机绕组故障监测系统,包括存储器、处理器以及存储在所述存储器中并在所述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意一项所述方法的步骤。
本发明的有益效果是:
本发明对电铲电动机绕组电流波形信号的IMF分量进行分段处理,获取电流波形信号分段,根据电铲电动机绕组电流波形信号未受到噪声的影响时,电流波形信号分段中每一个周期均较小且分量的幅值较小,不同电流波形信号分段对应的周期有所差异的特征,分别对每个电流波形信号分段进行分析,获取每个IMF分量的分量稳定度;然后,以IMF分量的分量稳定度为基础,针对受到噪声干扰越显著的电流波形信号分段对应的电铲电动机绕组电流波形信号应使用更高程度的小波去噪来去除噪声的目的,获取电流波形信号分段的自适应系数;最后,根据自适应系数获取去噪后的电铲电动机绕组电流波形信号、实现电铲电动机绕组故障监测,解决电流数据去噪效果不佳导致的电铲电动机绕组故障监测结果不理想的问题,提高电铲电动机绕组电流波形信号的去噪质量和鲁棒性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一个实施例所提供的一种电铲电动机绕组故障监测方法的流程示意图;
图2为分量稳定度获取流程图。
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。
请参阅图1,其示出了本发明一个实施例提供的一种电铲电动机绕组故障监测方法流程图,该方法包括以下步骤:
步骤S001,采集电铲电动机绕组电流波形信号并进行分解,获取IMF分量和分量的残差,对IMF分量进行分段处理,获取电流波形信号分段和残差累计和。
使用电流传感器采集电铲电动机绕组电流波形信号。
对电铲电动机绕组电流波形信号进行EMD分解,获得IMF分量和IMF分量中包含的每个分量的残差。将IMF分量的数量记为。其中,EMD分解获得IMF分量和每个分量的残差为现有公知技术,不再赘述。
每个IMF分量内部的周期波动特征不同,且每个IMF分量内部较为稳定。
统计每一个IMF分量中的周期对应的时间跨度,获取所有IMF分量的时间跨度的最小公倍数。以最小公倍数为时间跨度分别对所有IMF分量进行分段,获取电流波形信号分段。
获取电流波形信号分段内包含的所有分量的残差和,将残差和记为电流波形信号分段的残差累计和。
至此,获取电流波形信号分段和残差累计和。
步骤S002,根据电流波形信号分段和残差累计和以及电流波形信号分段中包含的所有分量获取电流波形信号分段干扰度,根据电流波形信号分段中包含的所有分量和电流波形信号分段干扰度获取每个IMF分量的分量稳定度。
当电铲电动机绕组电流波形信号受到噪声的影响时,由于噪声的叠加,获取的电流波形信号分段中每一个周期内包含的所有分量均会受到影响。当电铲电动机绕组电流波形信号未受到噪声的影响时,获取的电流波形信号分段中每一个周期均较小且分量的幅值较小,不同电流波形信号分段对应的周期有所差异。
分别获取每个电流波形信号分段中包含的所有分量的均值。获取所有IMF分量对应的同一个次序的电流波形信号分段中包含的所有分量的均值。
分别获取每个电流波形信号分段的电流波形信号分段干扰度。
式中,表示第/>个电流波形信号分段的电流波形信号分段干扰度;/>表示对括号内的数值进行线性归一化;/>表示第/>个电流波形信号分段的残差累计和;/>表示同一IMF分量中包含的不同电流波形信号分段的数量;/>表示第/>个IMF分量划分出的第/>个电流波形信号分段中包含的所有分量的均值与所有IMF分量划分出的第/>个电流波形信号分段中包含的所有分量的均值的比值;/>表示第/>个IMF分量划分出的第/>个电流波形信号分段内的分量均值。
当电流波形信号分段的残差累计和越大时,对应电流波形信号分段范围内的电铲电动机绕组电流波形信号的周期模态混合越混乱,所有IMF分量中与电流波形信号分段相同次序的电流波形信号分段进行组合后的结果与未受到噪声干扰的电铲电动机绕组电流波形信号差异越大,即电流波形信号分段受到噪声的干扰越为严重。
用以评价第/>个IMF分量中第/>个电流波形信号分段的分解质量。当/>越大时,第/>个IMF分量中第/>个电流波形信号分段的分解质量越差,即第/>个IMF分量中第/>个电流波形信号分段受到噪声的干扰越为严重、分解质量越不理想。
当电流波形信号分段的残差累计和越大、分解质量越差时,电流波形信号分段的电流波形信号分段干扰度越大,即电流波形信号分段受到噪声的干扰越为严重、分解质量越不理想。
至此,获取不同次序的电流波形信号分段的电流波形信号分段干扰度。
分别获取每个电流波形信号分段中包含的所有分量的标准差。获取同一个IMF分量划分出的所有电流波形信号分段包含的所有分量的标准差的均值。
根据电流波形信号分段中包含的所有分量和电流波形信号分段干扰度获取每个IMF分量的分量稳定度,分量稳定度获取流程图如图2所示。
式中,表示第/>个IMF分量的分量稳定度;/>表示同一IMF分量划分出的电流波形信号分段的总数量;/>表示第/>个IMF分量划分出的第/>个电流波形信号分段中包含的所有分量的标准差;/>表示第/>个IMF分量划分出的/>个电流波形信号分段包含的所有分量的标准差的均值;/>表示第/>个电流波形信号分段的电流波形信号分段干扰度;/>表示第一预设阈值,经验值为1。
当IMF分量划分出的不同电流波形信号分段包含的所有分量的标准差差异越大时,IMF分量的稳定度越大,IMF分量内对应电铲电动机绕组电流波形信号的某一确定周期的可能性越大,IMF分量在受到越大程度的滤波时出现信息受损的可能性越小。
当IMF分量划分出的不同电流波形信号分段包含的所有分量的标准差差异越大、电流波形信号分段的电流波形信号分段干扰度越小时,IMF分量的分量稳定度越大,IMF分量受到噪声的干扰程度越小,IMF分量在受到越大程度的滤波时出现信息受损的可能性越小。
至此,获取所有IMF分量的分量稳定度。
步骤S003,获取电流波形信号分段对应的极值,获取极值的第一欧氏距离,根据极值的第一欧氏距离确定电流波形信号分段的第一信息熵,根据电流波形信号分段对应的极值、第一信息熵、包含的所有分量和电流波形信号分段对应的IMF分量的分量稳定度获取电流波形信号分段的自适应系数。
获取每个电流波形信号分段对应的电铲电动机绕组电流波形信号内包含的电流信号的极值。将这些极值记为电流波形信号分段对应的极值。
获取每个极值与欧氏距离最近的相邻极值之间的欧氏距离,两个相邻极值的欧氏距离通过两相邻极值的获取时刻和电流信号的取值获取。将极值与欧氏距离最近的相邻极值之间的欧氏距离记为极值的第一欧氏距离。
将电流波形信号分段对应的电铲电动机绕组电流波形信号内包含的电流信号的极值的第一欧氏距离的信息熵记为电流波形信号分段的第一信息熵。
根据电流波形信号分段对应的极值、第一信息熵、包含的所有分量和电流波形信号分段对应的IMF分量的分量稳定度获取电流波形信号分段的自适应系数。
式中,表示第/>个IMF分量划分出的第/>个电流波形信号分段的自适应系数;/>表示第/>个IMF分量的分量稳定度;/>表示第/>个IMF分量划分出的第/>个电流波形信号分段中包含的所有分量的标准差;/>表示第/>个IMF分量划分出的/>个电流波形信号分段包含的所有分量的标准差的均值;/>表示第/>个电流波形信号分段对应的极值的数量;/>表示对括号内的数值进行线性归一化;/>表示自然常数;/>表示第/>个电流波形信号分段的第一信息熵。
当电流波形信号分段对应的极值的数量越多、电流波形信号分段的第一信息熵越大时,电流波形信号分段对应的电铲电动机绕组电流波形信号越复杂,即电流波形信号分段对应的电铲电动机绕组电流波形信号受到噪声干扰越显著、电铲电动机绕组电流波形信号的模态叠加越严重。
表示电流波形信号分段与在同一IMF分量的电流波形信号分段中包含的分量波动情况的差异,当差异越大时,电流波形信号分段受噪声干扰的情况越严重。
当电流波形信号分段对应的电铲电动机绕组电流波形信号受噪声干扰越严重、电流波形信号分段中包含的分量的电流波形波动越小时,认为电流波形信号分段所在的IMF分量的电流波形在保证信息不受到损伤的前提下,允许通过更高程度的小波去噪来去除噪声。
当电流波形信号分段对应的极值的数量越多、电流波形信号分段的第一信息熵越大、同一IMF分量的电流波形信号分段中包含的分量波动情况的差异越小、电流波形信号分段所在的IMF分量的分量稳定度越小时,电流波形信号分段的自适应系数越大,即需要对受到噪声干扰越显著的电流波形信号分段对应的电铲电动机绕组电流波形信号使用更高程度的小波去噪来去除噪声。
至此,获取电流波形信号分段的自适应系数。
步骤S004,根据电流波形信号分段的自适应系数确定电流波形信号分段的自适应系数调整值,根据自适应系数调整值获取去噪后的电铲电动机绕组电流波形信号、实现电铲电动机绕组故障监测。
将小波软阈值的经验值赋值为。
使用小波软阈值对电流波形信号分段的自适应系数进行调整。将电流波形信号分段的自适应系数与小波软阈值的和记为电流波形信号分段的自适应系数调整值。
以电流波形信号分段的自适应系数调整值作为小波阈值的取值,对电流波形信号分段进行小波去噪,获取去噪后的电铲电动机绕组电流波形信号。
根据电动机绕组电流峰值监测方法对去噪后的电铲电动机绕组电流波形信号进行监测,实现电铲电动机绕组故障监测,并及时对电铲电动机绕组故障监测得到的故障进行对应处理。其中,电动机绕组电流峰值监测方法为公知技术,不再赘述。
至此,实现电铲电动机绕组故障监测。
基于与上述方法相同的发明构思,本发明实施例还提供了一种电铲电动机绕组故障监测系统,包括存储器、处理器以及存储在所述存储器中并在所述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一种电铲电动机绕组故障监测方法中任意一项所述方法的步骤。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种电铲电动机绕组故障监测方法,其特征在于,该方法包括以下步骤:
采集电铲电动机绕组电流波形信号并进行分解,获取IMF分量和分量的残差,对IMF分量进行分段处理,获取电流波形信号分段和残差累计和;
根据电流波形信号分段和残差累计和以及电流波形信号分段中包含的所有分量获取电流波形信号分段干扰度,根据电流波形信号分段中包含的所有分量和电流波形信号分段干扰度获取每个IMF分量的分量稳定度;
获取电流波形信号分段对应的极值,获取极值的第一欧氏距离,根据极值的第一欧氏距离确定电流波形信号分段的第一信息熵,根据电流波形信号分段对应的极值、第一信息熵、包含的所有分量和电流波形信号分段对应的IMF分量的分量稳定度获取电流波形信号分段的自适应系数;
根据电流波形信号分段的自适应系数确定电流波形信号分段的自适应系数调整值,根据自适应系数调整值获取去噪后的电铲电动机绕组电流波形信号、实现电铲电动机绕组故障监测;
所述自适应系数的获取方法为:
式中,表示第/>个IMF分量划分出的第/>个电流波形信号分段的自适应系数;/>表示第个IMF分量的分量稳定度;/>表示第/>个IMF分量划分出的第/>个电流波形信号分段中包含的所有分量的标准差;/>表示第/>个IMF分量划分出的/>个电流波形信号分段包含的所有分量的标准差的均值;/>表示第/>个电流波形信号分段对应的极值的数量;/>表示对括号内的数值进行线性归一化;/>表示自然常数;/>表示第/>个电流波形信号分段的第一信息熵;
所述获取极值的第一欧氏距离的方法为:
将极值与欧氏距离最近的相邻极值之间的欧氏距离记为极值的第一欧氏距离;
所述根据极值的第一欧氏距离确定电流波形信号分段的第一信息熵的方法为:
将电流波形信号分段对应的电铲电动机绕组电流波形信号内包含的电流信号的极值的第一欧氏距离的信息熵记为电流波形信号分段的第一信息熵;
所述根据自适应系数调整值获取去噪后的电铲电动机绕组电流波形信号、实现电铲电动机绕组故障监测的方法为:
以电流波形信号分段的自适应系数调整值作为小波阈值的取值,对电流波形信号分段进行小波去噪,获取去噪后的电铲电动机绕组电流波形信号;
使用电动机绕组电流峰值监测方法对去噪后的电铲电动机绕组电流波形信号进行监测,实现电铲电动机绕组故障监测,及时对电铲电动机绕组故障监测得到的故障进行处理。
2.根据权利要求1所述的一种电铲电动机绕组故障监测方法,其特征在于,所述对IMF分量进行分段处理,获取电流波形信号分段和残差累计和的获取方法为:
以所有IMF分量的时间跨度的最小公倍数为时间跨度,分别对每一个IMF分量进行分段,获取电流波形信号分段;
将电流波形信号分段内包含的所有分量的残差和记为电流波形信号分段的残差累计和。
3.根据权利要求1所述的一种电铲电动机绕组故障监测方法,其特征在于,所述根据电流波形信号分段中包含的所有分量和电流波形信号分段干扰度获取每个IMF分量的分量稳定度的获取方法为:
将第一预设阈值与电流波形信号分段的电流波形信号分段干扰度的差值记为电流波形信号分段的第一差值;
将电流波形信号分段所在的IMF分量划分出的电流波形信号分段包含的所有分量的标准差记为第一标准差;
将电流波形信号分段中包含的所有分量的标准差与所有第一标准差的均值的差值记为电流波形信号分段的第二差值;
将电流波形信号分段的第一差值与第二差值的乘积记为电流波形信号分段的第一乘积;
将IMF分量划分出的所有电流波形信号分段的第一乘积的均值记为IMF分量的分量稳定度。
4.根据权利要求1所述的一种电铲电动机绕组故障监测方法,其特征在于,所述获取电流波形信号分段对应的极值的获取方法为:
将电流波形信号分段内包含的电流信号的极值记为电流波形信号分段对应的极值。
5.根据权利要求1所述的一种电铲电动机绕组故障监测方法,其特征在于,所述根据电流波形信号分段的自适应系数确定电流波形信号分段的自适应系数调整值的方法为:
将电流波形信号分段的自适应系数与小波软阈值的和记为电流波形信号分段的自适应系数调整值。
6.一种电铲电动机绕组故障监测系统,包括存储器、处理器以及存储在所述存储器中并在所述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如权利要求1-5任意一项方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311687672.XA CN117390570B (zh) | 2023-12-11 | 2023-12-11 | 一种电铲电动机绕组故障监测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311687672.XA CN117390570B (zh) | 2023-12-11 | 2023-12-11 | 一种电铲电动机绕组故障监测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117390570A CN117390570A (zh) | 2024-01-12 |
CN117390570B true CN117390570B (zh) | 2024-02-23 |
Family
ID=89463468
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311687672.XA Active CN117390570B (zh) | 2023-12-11 | 2023-12-11 | 一种电铲电动机绕组故障监测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117390570B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105738764A (zh) * | 2016-02-22 | 2016-07-06 | 国家电网公司 | 基于暂态信息全频带的配电网故障区段定位方法 |
CN113780447A (zh) * | 2021-09-16 | 2021-12-10 | 郑州云智信安安全技术有限公司 | 基于流量分析的敏感数据发现识别方法及系统 |
CN114545162A (zh) * | 2022-02-15 | 2022-05-27 | 国网湖南省电力有限公司 | 一种分布式输电线路绝缘性能在线监测方法 |
CN115452377A (zh) * | 2022-08-15 | 2022-12-09 | 盐城工学院 | 一种基于ceemdan与自适应去噪的滚动轴承故障诊断方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220015711A1 (en) * | 2020-07-20 | 2022-01-20 | Board Of Regents, The University Of Texas System | System and method for automated analysis and detection of cardiac arrhythmias from electrocardiograms |
US11962811B2 (en) * | 2021-10-19 | 2024-04-16 | Google Llc | Saliency based denoising |
-
2023
- 2023-12-11 CN CN202311687672.XA patent/CN117390570B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105738764A (zh) * | 2016-02-22 | 2016-07-06 | 国家电网公司 | 基于暂态信息全频带的配电网故障区段定位方法 |
CN113780447A (zh) * | 2021-09-16 | 2021-12-10 | 郑州云智信安安全技术有限公司 | 基于流量分析的敏感数据发现识别方法及系统 |
CN114545162A (zh) * | 2022-02-15 | 2022-05-27 | 国网湖南省电力有限公司 | 一种分布式输电线路绝缘性能在线监测方法 |
CN115452377A (zh) * | 2022-08-15 | 2022-12-09 | 盐城工学院 | 一种基于ceemdan与自适应去噪的滚动轴承故障诊断方法 |
Non-Patent Citations (2)
Title |
---|
"An Efficient ECG Denoising Method Based on Empirical Mode Decomposition, Sample Entropy, and Improved Threshold Function";Zhang D;《Wireless Communications and Mobile Computing》;20201222;第1-11页 * |
基于改进变分模态分解和SVM的断路器机械故障振动分析;田书;康智慧;;振动与冲击;20191215(第23期);第98-103页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117390570A (zh) | 2024-01-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Boudraa et al. | EMD-based signal filtering | |
CN110659621A (zh) | 一种基于变分模态分解和排列熵的联合降噪方法 | |
CN108804832B (zh) | 一种基于vmd的间隔阈值局部放电去噪方法 | |
CN101944230B (zh) | 基于多尺度的自然图像非局部均值去噪方法 | |
CN106353649A (zh) | 一种基于提升小波变换的局部放电信号去噪方法 | |
CN107689059B (zh) | 风力发电机组变桨异常的识别方法及装置 | |
CN113177537B (zh) | 一种旋转机械设备的故障诊断方法及系统 | |
CN111079710B (zh) | 一种基于改进ceemd滚动轴承信号的多层降噪方法 | |
CN114492538B (zh) | 一种城市中压配电电缆局部放电信号去噪方法 | |
CN110646851B (zh) | 一种基于Shearlet变换的自适应阈值地震随机噪声压制方法 | |
CN109861746B (zh) | 一种基于小波变换动态降噪的otdr曲线数据分析方法 | |
CN117158999A (zh) | 一种基于ppmcc和自适应vmd的脑电信号去噪方法及系统 | |
CN117390570B (zh) | 一种电铲电动机绕组故障监测方法及系统 | |
CN107123431A (zh) | 一种水声信号降噪方法 | |
CN111539378B (zh) | 基于变分模态分解和灰色关联分析的机械振动信号特征提取方法 | |
CN112914588A (zh) | 一种脑电爆发抑制指数计算方法及系统 | |
CN105652166B (zh) | 一种用于局放在线监测的加权阈值小波降噪方法 | |
CN117316172A (zh) | 一种机器人声发射信号的降噪方法及系统 | |
CN115859054A (zh) | 基于mic和ceemdan的水电机组尾水管压力脉动数据滤波方法 | |
CN116223985A (zh) | 一种用于电气设备局部放电缺陷的诊断方法及系统 | |
CN113011265A (zh) | 一种基于esmd联合自适应阈值的局部放电信号去噪方法 | |
CN116108333A (zh) | 基于iceemdan的分布式光纤测温信号降噪方法 | |
CN115200797A (zh) | 一种用于零泄露阀的泄露检测系统 | |
CN112508089B (zh) | 一种用于局部放电信号压缩传输的自适应压缩感知方法 | |
CN110347666B (zh) | 一种改善时序数据质量和预警的方法及装置 |
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 |