CN117686225A - 永磁同步电机轴承故障程度诊断方法及系统 - Google Patents
永磁同步电机轴承故障程度诊断方法及系统 Download PDFInfo
- Publication number
- CN117686225A CN117686225A CN202410148495.6A CN202410148495A CN117686225A CN 117686225 A CN117686225 A CN 117686225A CN 202410148495 A CN202410148495 A CN 202410148495A CN 117686225 A CN117686225 A CN 117686225A
- Authority
- CN
- China
- Prior art keywords
- fault
- motor
- stator
- degree
- permanent magnet
- 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 47
- 230000001360 synchronised effect Effects 0.000 title claims abstract description 47
- 238000003745 diagnosis Methods 0.000 title claims abstract description 41
- 238000004804 winding Methods 0.000 claims abstract description 47
- 238000005315 distribution function Methods 0.000 claims abstract description 43
- 238000012549 training Methods 0.000 claims abstract description 39
- 239000011159 matrix material Substances 0.000 claims abstract description 25
- 230000006870 function Effects 0.000 claims description 62
- 238000004891 communication Methods 0.000 claims description 20
- 238000000354 decomposition reaction Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000006243 chemical reaction Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 10
- 230000004907 flux Effects 0.000 claims description 10
- 238000004088 simulation Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 9
- 238000003062 neural network model Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 6
- 229910000831 Steel Inorganic materials 0.000 claims description 4
- 239000010959 steel Substances 0.000 claims description 4
- 230000035699 permeability Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 3
- 238000001228 spectrum Methods 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical group [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Abstract
本申请公开了永磁同步电机轴承故障程度诊断方法及系统,通过构建用以指示电机轴承故障程度的气隙分布函数以及电机定子的绕组函数,计算得到电机定子线圈的自感和互感,以得到用以表征电机轴承故障程度的故障电感矩阵,基于故障电感矩阵和永磁同步电机模型,计算得到包含轴承故障严重程度信息的定子电流信号,并对其进行处理得到定子电流频谱图,以定子电流频谱图为训练集,得到训练好的故障程度诊断模型,通过故障程度诊断模型获取待测电机的轴承故障程度。本申请能够获取电机轴承的故障程度,并且能够提高轴承故障诊断结果的准确性。
Description
技术领域
本申请涉及永磁同步电机的轴承故障程度诊断技术领域,尤其涉及一种永磁同步电机轴承故障程度诊断方法及系统。
背景技术
滚动轴承是工业领域应用最广泛的轴承之一,同时也是电机的重要零部件之一,其运行状态关系着机械设备运行的安全性与稳定性。根据统计,约有41%的电机常见故障是由轴承故障引起的。因此准确地监测电机轴承运行状态并及时发现轴承的早期故障,不仅能提高电机系统运行的稳定性,还能有效避免对电机系统所造成的损害。
传统上,可通过测量振动、噪声、温升等电机信号来监测电机状态。但这些都需要在电机上额外加装信号传感器,这对电机的应用场合产生了诸多限制。因此,更好的解决方法是通过电机自身可以直接测得的信号数据来实现对电机运行状态的监测,例如电机的定子电流。目前基于定子电流信号的轴承故障程度诊断方法中,这些方法大多存在以下缺点:所用信号分析方法仅能用于诊断轴承是否发生故障,但无法判断故障严重程度,导致无法及时采取合理的应对措施;由于实际运行过程中的环境噪声以及周围部件的振动干扰,信号频谱中夹杂过多冗余谐波,无法准确提取故障特征;无法获得大量轴承故障定子电流样本用于模型训练,因此故障程度诊断准确度较低。
发明内容
本申请的目的在于提供一种永磁同步电机轴承故障程度诊断方法,能够诊断电机轴承故障的严重程度,并且能够提高电机轴承故障程度诊断结果的准确性。
基于上述目的,本申请提供一种永磁同步电机轴承故障程度诊断方法,该方法包括:
S1、根据预设的电机参数和预设电机轴承故障程度,构建用以指示电机轴承故障程度的气隙分布函数,以及构建电机定子的绕组函数;
S2、根据气隙分布函数和绕组函数计算得到电机定子线圈的自感和互感,并获取用以表征电机轴承故障程度的故障电感矩阵;
S3、将多个不同电机轴承故障程度的故障电感矩阵分别代入永磁同步电机模型,计算得到对应的多个定子电流信号;
S4、将每一个定子电流信号进行分解和重构,以及进行时频域转换得到对应的多个定子电流频谱图,以多个定子电流频谱图构建一训练集,并基于构建的神经网络模型对所述训练集进行训练,得到训练好的故障程度诊断模型;
S5、将采集的待测电机的定子电流信号输入所述故障程度诊断模型,输出待测电机轴承的故障程度。
进一步的,电机轴承故障程度包括重度、中度、轻度和无故障,电机参数包括电机定转子表面之间的气隙长度、永磁体磁钢厚度、转子偏心度以及极对数,步骤S1包括:
根据电机轴承故障偏心度和故障位置角,构建得到表征电机轴承故障程度的气隙分布函数为:
;
式中,ρ表示轴承滚珠经过故障位置时引起的偏心度,φ表示为定子空间位置角,θ表示转子转角,φc表示轴承滚珠初始位置与故障处的夹角,n为正整数,g (θ, φ)表示表示电机静止时的气隙分布函数,gc(θ, φ, ρ)表示电机轴承故障引起的气隙分布函数,φ1表示电机轴承出现故障的位置;
取倒气隙分布函数,并将倒气隙分布函数进行Fourier展开并化简,化简后的倒气隙分布函数为:
。
进一步的,步骤S1包括:
构建电机定子的绕组函数为:
;
式中,Na表示定子A相绕组函数,Nb表示定子B相绕组函数,Nc表示定子C相绕组函数,p表示极对数,φ表示定子空间位置角。
进一步的,步骤S2包括:
根据化简后的倒气隙分布函数以及绕组函数计算得到电机定子线圈的自感和互感,计算公式为:
;
式中,μ0表示空气磁导率,r表示平均气隙半径,l表示叠压铁心的有效长度,Nx表示绕组x的绕组函数,<▪>表示函数在[0,2π]的平均值;
根据化简后的倒气隙分布函数、电机定子的绕组函数以及电机定子线圈的自感和互感,获取用以表征电机轴承故障程度的故障电感矩阵为:
;
式中,表示定x相自绕组感,/>表示定子x相和y相绕组间的互感,x和y表示A、B、C三相中的一相。
进一步的,步骤S3包括:
将故障电感矩阵代入内嵌式永磁同步电机模型,得到转子偏心的内嵌式永磁同步电机模型为:
;
;
;
;
其中,为输入电压,/>为定子电流,为定子绕组磁链,为永磁体磁链,/>为永磁体磁链幅值,rs为定子相电阻,Tem为电磁转矩,T1为负载转矩,J为转动惯量,B为粘滞摩擦系数,/>为故障电感矩阵,/>为电机机械角速度;
将转子偏心的内嵌式永磁同步电机本体模型嵌入MATLAB/Simulink平台的闭环矢量控制系统,通过模拟样机,计算得到定子电流信号。
进一步的,步骤S4包括对定子电流信号进行经验模态分解,其中,分解步骤包括:
S41、获取原始定子电流信号x(t)的所有的极大值点和极小值点;
S42、利用三次样条插值函数将所有极大值点拟合出上包络线,以及利用三次样条插值函数将所有极小值点拟合出下包络线,计算得到均值包络线m(t);
S43、将原始定子电流信号x(t)减去均值包络线m(t)得到中间信号c(t);
S44、若中间信号c(t)满足本征模态函数IMF的约束条件,则中间信号c(t)是一个IMF,否则重复步骤S401-S403进行迭代;
S45、将得到的第一个IMF记为c1(t),将原始定子电流信号x(t)减去c1(t),以此类推得到c1(t)、c2(t)…cn(t),直至残余分量是单调函数或常量,并将残余分量记为r(t),完成信号分解。
进一步的,步骤S4包括基于峭度准则对定子电流信号进行信号重构,其中,信号重构包括:
对定子电流信号完成经验模态分解后,计算各阶IMF分量的峭度值;
取峭度值大于3的IMF分量相加进行信号重构,得到重构后的定子电流信号。
进一步的,步骤S4还包括:
对重构后的定子电流信号x’(t)进行Hilbert变换为:
;
式中,为卷积运算符;
以信号x’(t)为实部,为虚部构成复数解析信号z(t)为:
;
复数解析信号z(t)的瞬时包络线a(t)为:
;
为信号z(t)的瞬时相位:
;
对复数解析信号的瞬时包络线a(t)进行FFT变换,得到重构后的定子电流信号x’(t)的频谱图。
基于上述目的,本申请提供一种永磁同步电机轴承故障程度诊断系统,该系统包括:
气隙函数构建模块,用于根据预设的电机参数和预设电机轴承故障程度,构建用以指示电机轴承故障程度的气隙分布函数,以及构建电机定子的绕组函数;
故障电感矩阵构建模块,用于根据气隙分布函数和绕组函数计算得到电机定子线圈的自感和互感,并获取用以表征电机轴承故障程度的故障电感矩阵;
仿真模块,用于将多个不同电机轴承故障程度的故障电感矩阵分别代入永磁同步电机模型,计算得到对应的多个定子电流信号;
故障程度诊断模型模块,用于将每一个定子电流信号进行分解和重构,以及进行时频域转换得到对应的多个定子电流频谱图,以多个定子电流频谱图构建一训练集,并基于构建的神经网络模型对所述训练集进行训练,得到训练好的故障程度诊断模型;
输出模块,用于将采集的待测电机的定子电流信号输入所述故障程度诊断模型,输出待测电机轴承的故障程度。
基于上述目的,本申请提供一种计算机设备,包括处理器、通信接口、存储器和通信总线,其中,处理器、通信接口、存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的所述计算机程序时,实现如上所述的方法的步骤。
本申请能够获得故障程度诊断模型训练所需的大量训练样本,解决了故障程度诊断模型训练样本过少、故障特征提取提取困难等技术问题,能够实现电机轴承故障程度诊断的功能,提高了电机轴承故障程度诊断结果的准确性和稳定性。
附图说明
图1是根据本申请实施例提供的永磁同步电机轴承故障程度诊断方法的第一流程图;
图2是根据本申请实施例提供的永磁同步电机轴承故障程度诊断方法的第二流程图;
图3是根据本申请实施例提供的仿真的重度故障程度的定子电流频谱图示意;
图4是根据本申请实施例提供的仿真的中度故障程度的定子电流频谱图示意;
图5是根据本申请实施例提供的仿真的轻度故障程度的定子电流频谱图示意;
图6是根据本申请实施例提供的仿真的无故障状态的定子电流频谱图示意;
图7是根据本申请实施例提供的永磁同步电机轴承故障程度诊断系统的系统图;
图8是根据本申请实施例提供的计算机设备的结构示意图。
具体实施方式
以下将结合附图所示的具体实施方式对本申请进行详细描述,但这些实施方式并不限制本申请,本领域的普通技术人员根据这些实施方式所做出的结构、方法、或功能上的变换均包含在本申请的保护范围内。
请参考图1,本申请实施例提供一种永磁同步电机轴承故障程度诊断方法,该方法包括:
S1、根据预设的电机参数和预设电机轴承故障程度,构建用以指示电机轴承故障程度的气隙分布函数,以及构建电机定子的绕组函数;
S2、根据气隙分布函数和绕组函数计算得到电机定子线圈的自感和互感,并获取用以表征电机轴承故障程度的故障电感矩阵;
S3、将多个不同电机轴承故障程度的故障电感矩阵分别代入永磁同步电机模型,计算得到对应的多个定子电流信号;
S4、将每一个定子电流信号进行分解和重构,以及进行时频域转换得到对应的多个定子电流频谱图,以多个定子电流频谱图构建一训练集,并基于构建的神经网络模型对训练集进行训练,得到故障程度诊断模型;
S5、将采集的待测电机的定子电流信号输入故障程度诊断模型,输出待测电机轴承的故障程度。
本实施例通过构建用以指示电机轴承故障程度的气隙分布函数以及电机定子的绕组行数,从而能够得到电机定子线圈的自感和互感,以得到用以表征电机轴承故障程度的故障电感矩阵,基于故障电感矩阵和永磁同步电机模型,计算得到包含轴承故障严重程度信息的定子电流信号,并对其进行处理得到定子电流频谱图,以定子电流频谱图为训练集,得到模型训练所需要的数据集。经过模型训练,得到故障程度诊断模型,从而获取待测电机的轴承故障程度,能够解决常规故障程度诊断方法难以判断轴承故障严重程度的技术问题,并且能够提高轴承故障程度诊断结果的准确性和稳定性。
根据电机参数和预设的电机轴承故障程度,构建用以指示电机轴承故障程度的气隙分布函数。电机轴承故障程度一般包括重度、中度、轻度和无故障。根据故障程度的不同,设置不同的值,以表示不同的故障程度。电机参数包括电机定转子表面之间的气隙长度、永磁体磁钢厚度、转子偏心度以及极对数等。
当电机转子转角θ=0时,无故障电机的气隙分布函数的Fourier极数形式为:
;
其中,
;
;
式中,g0是电机定转子表面之间的气隙长度,hm为永磁体磁钢厚度,gh= g0+hm,φ为定子空间位置角,p为极对数,τ为极弧角,a0表示气隙的平均长度,ak表示因为凸极引起的空间谐波项,在分析凸极永磁同步电机的相电感时,可以仅保留k=1项,上式可写为:
;
当电机匀速稳定运行时,转子转角表示为:
;
式中,ω 1表示匀速转动时的角频率,θ1表示校正积分过程中的初相位。
当转子转过角度θ时,相当于气隙分布函数进行了平移,即:
;
当电机轴承外圈发生故障时,一般认为转子在故障处发生小幅度偏移,并使定子与转子之间的气隙发生微小的改变。假设该轴承外圈故障的位置均匀等效在空间[-ψ1,ψ1]内,轴承的每一个滚珠经过故障位置都会引起气隙变化,且轴承的故障严重程度不同,引起的气隙变化也不同。
根据电机轴承故障偏心度和故障位置角,构建得到表征电机轴承故障程度的气隙分布函数为:
;
式中,ρ是轴承滚珠经过故障位置时引起的偏心度,φc是轴承滚珠初始位置与故障处的ρ表示轴承滚珠经过故障位置时引起的偏心度,φ表示为定子空间位置角,θ表示转子转角,φc表示轴承滚珠初始位置与故障处的夹角,n为正整数,g (θ, φ)表示表示电机静止时的气隙分布函数,gc(θ, φ, ρ)表示电机轴承故障引起的气隙分布函数,φ1表示电机轴承出现故障的位置。ρ的大小是滚珠经过故障位置时引起的偏心度,可以体现轴承故障严重程度,因此上述气隙分布函数可以反映电机轴承故障的严重程度。电机轴承故障偏心度用以指示不同的故障程度。
为后续计算电机电感,取倒气隙分布函数,且因为电感计算涉及函数的积分,将倒气隙分布函数进行Fourier展开并化简,最终倒气隙分布函数可以写为:
;
因为实际中电机轴承故障程度设置的很小,故障振动引起的偏心程度不足以明显改变匝数函数的平均值,因此可以用绕组函数法进行电机电感的计算分析。
构建电机定子的绕组函数为:
;
式中,Na表示定子A相绕组函数,Nb表示定子B相绕组函数,Nc表示定子C相绕组函数,p表示极对数,φ表示定子空间位置角。
根据化简后的倒气隙分布函数以及绕组函数计算得到电机定子线圈的自感和互感,计算公式为:
;
式中,μ0为空气磁导率,r为平均气隙半径,l为叠压铁心的有效长度,Nx为绕组x的绕组函数,<▪>表示函数在[0,2π]的平均值。上式中,等号右侧的前一项是正常电机的自感或互感;后一项则是由于轴承故障而附加的故障自感或互感,包含了轴承故障严重程度信息。
根据气隙分布函数、电机定子的绕组函数以及电机定子线圈的自感和互感,获取用以表征电机轴承故障程度的故障电感矩阵为:
;
式中,表示定x相自绕组感,/>表示定子x相和y相绕组间的互感,x和y表示A、B、C三相中的一相。
因为计算故障电感矩阵时,其积分区间只是在故障位置处可能有非零值,且在整个圆周内只有一处故障可以进行积分,因此计算得到的故障电感矩阵是非对称的。气隙分布函数中包含的轴承故障严重程度信息被迁移到该故障电感矩阵中。
将故障电感矩阵代入内嵌式永磁同步电机模型,得到转子偏心的内嵌式永磁同步电机模型为:
;
;
;
;
其中,为输入电压,/>为定子电流,为定子绕组磁链,为永磁体磁链,/>为永磁体磁链幅值,rs为定子相电阻,Tem为电磁转矩,T1为负载转矩,J为转动惯量,B为粘滞摩擦系数,/>为电机机械角速度,/>为故障电感矩阵。
将转子偏心的内嵌式永磁同步电机本体模型嵌入MATLAB/Simulink平台的闭环矢量控制系统,通过模拟样机,计算得到定子电流信号。以此类推,将多个不同电机轴承故障程度的故障电感矩阵,分别代入永磁同步电机模型,根据不同的电机轴承故障程度,通过MATLAB/Simulink平台的闭环矢量控制系统进行模拟,计算得到对应的多个定子电流信号。各个定子电流信号携带有对应的电机轴承故障程度信息,以用于故障程度诊断模型训练,为模型训练提供训练样本。
基于峭度准则,对定子电流信号进行经验模态分解并重构,实现信号降噪。经验模态分解(Empirical Mode Decomposition, EMD)是一种时频域分析方法,通过对非平稳信号的分解,来获得一系列表征信号特征时间尺度的本征模态函数(Intrinsic ModeFunction, IMF)。任意本征模态函数需要满足以下两个条件:
1、在整个数据段内,极值点的个数和过零点的个数必须相同或相差不超过一个;
2、在任意时刻,由局部极大值形成的上包络线和由局部极小值形成的下包络线的平均值为零。
如图2所示,假设原始定子电流信号为x(t),经验模态分解的步骤如下:
S41、获取原始定子电流信号x(t)的所有的极大值点和极小值点;
S42、利用三次样条插值函数将所有极大值点拟合出上包络线,以及利用三次样条插值函数将所有极小值点拟合出下包络线,计算得到均值包络线m(t),即上包络线和下包络线的均值;
S43、将原始定子电流信号x(t)减去均值包络线m(t)得到中间信号c(t);
S44、若中间信号c(t)满足本征模态函数IMF的约束条件,则中间信号c(t)是一个IMF,否则重复步骤S401-S403进行迭代;
S45、将得到的第一个IMF记为c1(t),将原始定子电流信号x(t)减去c1(t),以此类推得到c1(t)、c2(t)…cn(t),直至残余分量是单调函数或常量,并将残余分量记为r(t),完成信号分解:
;
对定子电流信号完成经验模态分解后,计算各阶IMF分量的峭度值,其中,峭度值计算公式为:
;
式中,K为信号x的峭度值,μ为x的均值,σ为x的标准差,E为x的期望值;
当峭度值为3 时,分布曲线具有正常峰度。当峭度值大于3时,认为信号中包含较多冲击信号,即包含的故障特征信息较多,因此在计算得到各阶IMF分量的峭度值后,取峭度值大于3的IMF分量相加进行信号重构,得到重构后的定子电流信号,从而提高信号信噪比,达到降噪的目的。根据该实施方式,将每一个定子电流信号进行经验模态分解并重构,得到各个重构后的定子电流信号。
重构信号进行Hilbert变换,得到定子电流信号的频谱图。对重构后的定子电流信号x’(t)进行Hilbert变换为:
;
式中,*为卷积运算符。
以信号x’(t)为实部,为虚部构成复数解析信号z(t)为:
;
复数解析信号z(t)的瞬时包络线a(t)为:
;
为信号z(t)的瞬时相位,为:
;
对解析信号的瞬时包络线a(t)进行FFT变换,可以得到重构后的定子电流信号x’(t)的频谱图。根据轴承故障严重程度的不同,定子电流信号的频谱图中的故障特征频率幅值会有所不同,但变化较小,直接对定子电流信号进行FFT变换无法准确判断轴承故障严重程度。因此通过对重构信号进行Hilbert变换取包络后,再进行FFT变换,放大并提取能表征轴承故障严重程度的故障特征频率(放大故障特征频率幅值差异),以利于后续的神经网络模型的学习。该实施方式能够获得大量故障程度诊断模型训练所需的学习样本,解决了故障程度诊断模型训练样本过少、故障特征提取提取困难等技术问题,提高了电机轴承故障程度诊断结果的准确性。
将获取的多个定子电流频谱图标注轴承故障程度的标签,即标注重度、中度、轻度和无故障的标签,将标注后的定子电流频谱图作为训练集的训练样本,进行模型训练。搭建卷积神经网络并设置参数,该网络包括一个输入层、三个卷积层、三个最大值池化层、一个全连接层以及一个输出层。层与层之间的传递函数采用ReLU函数,全连接层与反向传播算法相结合,输出层采用softmax函数作为分类函数。将训练集输入搭建好的卷积神经网络中,通过卷积神经网络模型提取训练集的频谱特征,对模型进行训练,得到初始的故障程度诊断模型。将已知轴承故障程度的实测定子电流信号进行处理后得到频谱图,并根据故障程度添加标签,作为模型的验证集。将验证集输入初始的故障程度诊断模型中验证模型训练结果,并根据验证结果微调模型参数,判断模型的网络训练次数m是否达到预先设定的迭代次数N,如果是,得到训练好的故障程度诊断模型,否则重复训练模型,直至满足迭代次数。
将采集的待测电机的定子电流信号输入故障程度诊断模型,输出待测电机的轴承故障严重程度。通过卷积神经网络构建故障程度诊断模型,实现对轴承故障严重程度的判断,并提高轴承故障程度诊断结果的准确性与稳定性。
本申请的一具体实施例,永磁同步电机的参数设置如下:电机转速为1500rpm,电机机械角速度为50πrad/s,永磁体磁链幅值为0.14 Wb,定子相电阻为2Ω,线圈匝数为7匝,负载转矩为3N·m,极对数为4,转动惯量为0.28kg·m2,根据本申请的实施方法,当故障程度为重度故障时,重度故障的偏心度设置为1mm,仿真得到定子电流频谱图如图3所示,当故障程度为中度故障时,重度故障的偏心度设置为0.6mm,仿真得到定子电流频谱图如图4所示,当故障程度为轻度故障时,重度故障的偏心度设置为0.2mm,仿真得到定子电流频谱图如图5所示,当没有故障时,仿真得到定子电流频谱图如图6所示。
如图7所示,本申请提供一种永磁同步电机轴承故障程度诊断系统,该系统包括:
气隙函数构建模块71,用于根据预设的电机参数和预设电机轴承故障程度,构建用以指示电机轴承故障程度的气隙分布函数,以及构建电机定子的绕组函数;
故障电感矩阵构建模块72,用于根据所述气隙分布函数和绕组函数计算得到电机定子线圈的自感和互感,并获取用以表征电机轴承故障程度的故障电感矩阵;
仿真模块73,用于将多个不同电机轴承故障程度的故障电感矩阵分别代入永磁同步电机模型,计算得到对应的多个定子电流信号;
故障程度诊断模型模块74,用于将每一个定子电流信号进行分解和重构,以及进行时频域转换得到对应的多个定子电流频谱图,以多个定子电流频谱图构建一训练集,并基于构建的神经网络模型对所述训练集进行训练,得到训练好的故障程度诊断模型;
输出模块75,用于将采集的待测电机的定子电流信号输入所述故障程度诊断模型,输出待测电机轴承的故障程度。
图8是本申请实施例提供的一种计算机设备的硬件结构示意图。图8所示的计算机设备包括:处理器81、通信接口82、存储器83和通信总线84,处理器81、通信接口82、存储器83通过通信总线84完成相互间的通信。其中,图8所示的处理器81、通信接口82、存储器83之间的连接方式仅仅是示例性的,在实现过程中,处理器81、通信接口82、存储器83也可以采用除了通信总线84之外的其他连接方式彼此通信连接。
存储器83可以用于存储计算机程序831,计算机程序831可以包括指令和数据,实现如上任一种永磁同步电机轴承故障程度诊断方法的步骤。在本申请实施例中,存储器83可以是各种类型的存储介质,例如随机存取存储器(random access memory,RAM)、只读存储器(read only memory,ROM)、非易失性RAM(non- volatile RAM,NVRAM)、可编程ROM(programmable ROM,PROM)、可擦除PROM(erasable PROM,EPROM)、电可擦除PROM(electrically erasablePROM,EEPROM)、闪存、光存储器和寄存器等。存储器83可以包括硬盘和/或内存。
处理器81可以是通用处理器,通用处理器可以是通过读取并执行存储器(例如存储器83)中存储的计算机程序(例如计算机程序831)来执行特定步骤和/或操作的处理器,通用处理器在执行所述步骤和/或操作的过程中可能用到存储在存储器(例如存储器83中的数据。通用处理器可以是,例如但不限于中央处理器(centralprocessing unit,CPU)。此外,处理器81也可以是专用处理器,专用处理器可以是专门设计的用于执行特定步骤和/或操作的处理器,专用处理器可以是,例如但不限于,ASIC和FPGA等。此外,处理器41还可以是多个处理器的组合,例如多核处理器。
通信接口82,可以包括输入/输出(input/output,I/O)接口、物理接口和逻辑接口等用于实现网络设备内部的器件互连的接口,以及用于实现网络设备与其他设 备(例如网络设备)互连的接口。通信网络可以为以太网,无线接入网(radio access network,RAN),无线局域网(wireless local areanetworks,WLAN)等。通信接口82可以是模块、电路、收发器或者任何能够实现通信的装置。
在实现过程中,上述方法的各步骤可以通过处理器81中的硬件的集成逻辑电路或者软件形式的指令完成。结合本申请实施例所公开的方法可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器83,处理器81读取存储器83中的信息,结合其硬件完成上述方法的步骤。为避免重复,这里不再详细描述。
本申请实施例还提供一种计算机可读存储介质,计算机可读存储介质内存储有计算机程序,计算机程序被处理器执行时实现上述任意永磁同步电机轴承故障程度诊断方法。
尽管为示例目的,已经公开了本申请的优选实施方式,但是本领域的普通技术人员将意识到,在不脱离由所附的权利要求书公开的本申请的范围和精神的情况下,各种改进、增加以及取代是可能的。
Claims (10)
1.一种永磁同步电机轴承故障程度诊断方法,其特征在于,所述方法包括步骤:
S1、根据预设的电机参数和预设电机轴承故障程度,构建用以指示电机轴承故障程度的气隙分布函数,以及构建电机定子的绕组函数;
S2、根据所述气隙分布函数和绕组函数计算得到电机定子线圈的自感和互感,并获取用以表征电机轴承故障程度的故障电感矩阵;
S3、将多个不同电机轴承故障程度的故障电感矩阵分别代入永磁同步电机模型,计算得到对应的多个定子电流信号;
S4、将每一个定子电流信号进行分解和重构,以及进行时频域转换得到对应的多个定子电流频谱图,以多个定子电流频谱图构建一训练集,并基于构建的神经网络模型对所述训练集进行训练,得到训练好的故障程度诊断模型;
S5、将采集的待测电机的定子电流信号输入所述故障程度诊断模型,输出待测电机轴承的故障程度。
2.如权利要求1所述的永磁同步电机轴承故障程度诊断方法,其特征在于,所述电机轴承故障程度包括重度、中度、轻度和无故障,所述电机参数包括电机定转子表面之间的气隙长度、永磁体磁钢厚度、转子偏心度以及极对数,所述步骤S1包括:
根据电机轴承故障偏心度和故障位置角,构建得到表征电机轴承故障程度的气隙分布函数为:
;
式中,ρ表示轴承滚珠经过故障位置时引起的偏心度,φ表示为定子空间位置角,θ表示转子转角,φc表示轴承滚珠初始位置与故障处的夹角,n为正整数,g (θ, φ)表示表示电机静止时的气隙分布函数,gc(θ, φ, ρ)表示电机轴承故障引起的气隙分布函数,φ1表示电机轴承出现故障的位置;
取倒气隙分布函数,并将倒气隙分布函数进行Fourier展开并化简,化简后的倒气隙分布函数为:
。
3.如权利要求2所述的永磁同步电机轴承故障程度诊断方法,其特征在于,所述步骤S1包括:
构建电机定子的绕组函数为:
;
式中,Na表示定子A相绕组函数,Nb表示定子B相绕组函数,Nc表示定子C相绕组函数,p表示极对数,φ表示定子空间位置角。
4.如权利要求3所述的永磁同步电机轴承故障程度诊断方法,其特征在于,所述步骤S2包括:
根据化简后的倒气隙分布函数以及绕组函数计算得到电机定子线圈的自感和互感,计算公式为:
;
式中,μ0表示空气磁导率,r表示平均气隙半径,l表示叠压铁心的有效长度,Nx表示绕组x的绕组函数,< ▪ >表示函数在[0,2π]的平均值;
根据化简后的倒气隙分布函数、电机定子的绕组函数以及电机定子线圈的自感和互感,获取用以表征电机轴承故障程度的故障电感矩阵为:
;
式中,表示定x相自绕组感,/>表示定子x相和y相绕组间的互感,x和y表示A、B、C三相中的一相。
5.如权利要求4所述的永磁同步电机轴承故障程度诊断方法,其特征在于,所述步骤S3包括:
将故障电感矩阵代入内嵌式永磁同步电机模型,得到转子偏心的内嵌式永磁同步电机模型为:
;
;
;
;
其中,为输入电压,/>为定子电流,为定子绕组磁链,为永磁体磁链,/>为永磁体磁链幅值,rs为定子相电阻,Tem为电磁转矩,T1为负载转矩,J为转动惯量,B为粘滞摩擦系数,/>为故障电感矩阵,/>为电机机械角速度;
将转子偏心的内嵌式永磁同步电机本体模型嵌入MATLAB/Simulink平台的闭环矢量控制系统,通过模拟样机,计算得到定子电流信号。
6.如权利要求5所述的永磁同步电机轴承故障程度诊断方法,其特征在于,所述步骤S4包括对定子电流信号进行经验模态分解,其中,分解步骤包括:
S41、获取原始定子电流信号x(t)的所有的极大值点和极小值点;
S42、利用三次样条插值函数将所有极大值点拟合出上包络线,以及利用三次样条插值函数将所有极小值点拟合出下包络线,计算得到均值包络线m(t);
S43、将原始定子电流信号x(t)减去均值包络线m(t)得到中间信号c(t);
S44、若中间信号c(t)满足本征模态函数IMF的约束条件,则中间信号c(t)是一个IMF,否则重复步骤S41-S43进行迭代;
S45、将得到的第一个IMF记为c1(t),将原始定子电流信号x(t)减去c1(t),以此类推得到c1(t)、c2(t)…cn(t),直至残余分量是单调函数或常量,并将残余分量记为r(t),完成信号分解。
7.如权利要求6所述的永磁同步电机轴承故障程度诊断方法,其特征在于,所述步骤S4包括基于峭度准则对定子电流信号进行信号重构,其中,信号重构包括:
对定子电流信号完成经验模态分解后,计算各阶IMF分量的峭度值;
取峭度值大于3的IMF分量相加进行信号重构,得到重构后的定子电流信号。
8.如权利要求7所述的永磁同步电机轴承故障程度诊断方法,其特征在于,所述步骤S4还包括:
对重构后的定子电流信号x’(t)进行Hilbert变换为:
;
式中,为卷积运算符;
以信号x’(t)为实部,为虚部构成复数解析信号z(t)为:
;
复数解析信号z(t)的瞬时包络线a(t)为:
;
为信号z(t)的瞬时相位:
;
对复数解析信号的瞬时包络线a(t)进行FFT变换,得到重构后的定子电流信号x’(t)的频谱图。
9.一种永磁同步电机轴承故障程度诊断系统,其特征在于,所述系统包括:
气隙函数构建模块,用于根据预设的电机参数和预设电机轴承故障程度,构建用以指示电机轴承故障程度的气隙分布函数,以及构建电机定子的绕组函数;
故障电感矩阵构建模块,用于根据所述气隙分布函数和绕组函数计算得到电机定子线圈的自感和互感,并获取用以表征电机轴承故障程度的故障电感矩阵;
仿真模块,用于将多个不同电机轴承故障程度的故障电感矩阵分别代入永磁同步电机模型,计算得到对应的多个定子电流信号;
故障程度诊断模型模块,用于将每一个定子电流信号进行分解和重构,以及进行时频域转换得到对应的多个定子电流频谱图,以多个定子电流频谱图构建一训练集,并基于构建的神经网络模型对所述训练集进行训练,得到训练好的故障程度诊断模型;
输出模块,用于将采集的待测电机的定子电流信号输入所述故障程度诊断模型,输出待测电机轴承的故障程度。
10.一种计算机设备,其特征在于,包括处理器、通信接口、存储器和通信总线,其中,所述处理器、所述通信接口、所述存储器通过所述通信总线完成相互间的通信;
所述存储器,用于存放计算机程序;
所述处理器,用于执行所述存储器上所存放的所述计算机程序时,实现如权利要求1-8任一所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410148495.6A CN117686225B (zh) | 2024-02-02 | 2024-02-02 | 永磁同步电机轴承故障程度诊断方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410148495.6A CN117686225B (zh) | 2024-02-02 | 2024-02-02 | 永磁同步电机轴承故障程度诊断方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117686225A true CN117686225A (zh) | 2024-03-12 |
CN117686225B CN117686225B (zh) | 2024-04-12 |
Family
ID=90135688
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410148495.6A Active CN117686225B (zh) | 2024-02-02 | 2024-02-02 | 永磁同步电机轴承故障程度诊断方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117686225B (zh) |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101017191A (zh) * | 2007-03-01 | 2007-08-15 | 华北电力大学 | 一种汽轮发电机转子绕组匝间短路故障在线诊断方法 |
CN101794984A (zh) * | 2010-03-18 | 2010-08-04 | 清华大学 | 基于多回路模型的发电机转子匝间故障分析方法 |
CN101907681A (zh) * | 2010-07-15 | 2010-12-08 | 南京航空航天大学 | 基于gsd_svdd的模拟电路动态在线故障诊断方法 |
US20120099239A1 (en) * | 2001-02-14 | 2012-04-26 | Paul Sagues | Configurable solenoid actuation method and apparatus |
CN103377793A (zh) * | 2012-04-30 | 2013-10-30 | 波音公司 | 包括永磁铁和对磁铁选择性磁化和消磁的线圈的夹具组件 |
US20130338939A1 (en) * | 2012-06-15 | 2013-12-19 | Uvic Industry Partnerships Inc. | Fault diagnosis of electric machines |
US20160229296A1 (en) * | 2015-02-06 | 2016-08-11 | Persimmon Technologies, Corp. | Movable Power Coupling and a Robot With Movable Power Coupling |
CN110208642A (zh) * | 2019-05-22 | 2019-09-06 | 中南大学 | 永磁同步电机定子匝间短路故障退化过程模拟方法及系统 |
CN112729834A (zh) * | 2021-01-20 | 2021-04-30 | 北京理工大学 | 一种轴承故障的诊断方法、装置和系统 |
CN112729825A (zh) * | 2020-12-18 | 2021-04-30 | 中车永济电机有限公司 | 基于卷积循环神经网络的轴承故障诊断模型的构建方法 |
CN115238521A (zh) * | 2022-08-10 | 2022-10-25 | 中国人民解放军国防科技大学 | 一种基于感应电机电磁-动力学耦合的建模方法 |
CN115638979A (zh) * | 2022-11-14 | 2023-01-24 | 江苏师范大学 | 一种基于机电耦合模型的齿轮裂纹故障诊断方法 |
CN115828745A (zh) * | 2022-11-29 | 2023-03-21 | 西北工业大学 | 基于集成学习算法的机电作动器匝间短路故障诊断方法 |
CN117195633A (zh) * | 2023-09-08 | 2023-12-08 | 江苏大学 | 一种定转子双永磁容错电机的磁场建模与分析方法 |
CN117269754A (zh) * | 2023-08-17 | 2023-12-22 | 贵州大学 | 基于卷积神经网络术的ipmsm转子退磁和偏心故障诊断方法 |
-
2024
- 2024-02-02 CN CN202410148495.6A patent/CN117686225B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120099239A1 (en) * | 2001-02-14 | 2012-04-26 | Paul Sagues | Configurable solenoid actuation method and apparatus |
CN101017191A (zh) * | 2007-03-01 | 2007-08-15 | 华北电力大学 | 一种汽轮发电机转子绕组匝间短路故障在线诊断方法 |
CN101794984A (zh) * | 2010-03-18 | 2010-08-04 | 清华大学 | 基于多回路模型的发电机转子匝间故障分析方法 |
CN101907681A (zh) * | 2010-07-15 | 2010-12-08 | 南京航空航天大学 | 基于gsd_svdd的模拟电路动态在线故障诊断方法 |
CN103377793A (zh) * | 2012-04-30 | 2013-10-30 | 波音公司 | 包括永磁铁和对磁铁选择性磁化和消磁的线圈的夹具组件 |
US20130338939A1 (en) * | 2012-06-15 | 2013-12-19 | Uvic Industry Partnerships Inc. | Fault diagnosis of electric machines |
US20160229296A1 (en) * | 2015-02-06 | 2016-08-11 | Persimmon Technologies, Corp. | Movable Power Coupling and a Robot With Movable Power Coupling |
CN110208642A (zh) * | 2019-05-22 | 2019-09-06 | 中南大学 | 永磁同步电机定子匝间短路故障退化过程模拟方法及系统 |
CN112729825A (zh) * | 2020-12-18 | 2021-04-30 | 中车永济电机有限公司 | 基于卷积循环神经网络的轴承故障诊断模型的构建方法 |
CN112729834A (zh) * | 2021-01-20 | 2021-04-30 | 北京理工大学 | 一种轴承故障的诊断方法、装置和系统 |
CN115238521A (zh) * | 2022-08-10 | 2022-10-25 | 中国人民解放军国防科技大学 | 一种基于感应电机电磁-动力学耦合的建模方法 |
CN115638979A (zh) * | 2022-11-14 | 2023-01-24 | 江苏师范大学 | 一种基于机电耦合模型的齿轮裂纹故障诊断方法 |
CN115828745A (zh) * | 2022-11-29 | 2023-03-21 | 西北工业大学 | 基于集成学习算法的机电作动器匝间短路故障诊断方法 |
CN117269754A (zh) * | 2023-08-17 | 2023-12-22 | 贵州大学 | 基于卷积神经网络术的ipmsm转子退磁和偏心故障诊断方法 |
CN117195633A (zh) * | 2023-09-08 | 2023-12-08 | 江苏大学 | 一种定转子双永磁容错电机的磁场建模与分析方法 |
Non-Patent Citations (3)
Title |
---|
JI-EN MA1, BIN ZHANG†‡2, XIAO-YAN HUANG, YOU-TONG FANG, WEN-PING CAO: "Design and analysis of the hybrid excitation rail eddy brake system of high-speed trains", 《JOURNAL OF ZHEJIANG UNIVERSITY-SCIENCE A (APPLIED PHYSICS & ENGINEERING)》, 31 December 2011 (2011-12-31) * |
WEI CHEN†, GUI-CHUWU, YOU-TONG FANG, JI-ENMA: "Thermal optimization of a totally enclosed forced ventilated permanentmagnet traction motor using lumped parameter and partial computational fluid dynamicsmodeling∗", JOURNAL OF ZHEJIANG UNIVERSITY-SCIENCE A, 31 December 2018 (2018-12-31) * |
方攸同, 高重阳: "直线异步电机的可靠性试验", 《中小型电机》, vol. 32, no. 4, 31 December 2005 (2005-12-31) * |
Also Published As
Publication number | Publication date |
---|---|
CN117686225B (zh) | 2024-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ullah et al. | A comprehensive review of winding short circuit fault and irreversible demagnetization fault detection in PM type machines | |
CN112052796A (zh) | 一种基于深度学习的永磁同步电机故障诊断方法 | |
CN107783006B (zh) | 水轮发电机转子绕组匝间短路故障检测方法 | |
CN102033200B (zh) | 基于统计模型的交流电机在线监测和诊断方法 | |
Zhu et al. | Vold–Kalman filtering order tracking based rotor demagnetization detection in PMSM | |
CN113486868B (zh) | 一种电机故障诊断方法及系统 | |
Song et al. | On Bayesian optimization-based residual CNN for estimation of inter-turn short circuit fault in PMSM | |
Faiz et al. | Eccentricity fault diagnosis indices for permanent magnet machines: state‐of‐the‐art | |
Senthil Kumar et al. | A method for broken bar fault diagnosis in three phase induction motor drive system using Artificial Neural Networks | |
Yousefi kia et al. | Hybrid modelling of doubly fed induction generators with inter‐turn stator fault and its detection method using wavelet analysis | |
Maraaba et al. | Modelling of interior‐mount LSPMSM under asymmetrical stator winding | |
Skowron et al. | Effectiveness of neural fault detectors of permanent magnet synchronous motor trained with symptoms from field-circuit modeling | |
CN113064073A (zh) | 基于剩余电流的永磁同步电机匝间短路故障诊断方法 | |
CN117686225B (zh) | 永磁同步电机轴承故障程度诊断方法及系统 | |
Demirel et al. | Autonomous fault detection and diagnosis for permanent magnet synchronous motors using combined variational mode decomposition, the Hilbert-Huang transform, and a convolutional neural network | |
CN106026826A (zh) | 电动车驱动电机工况匹配控制功效性的网络化测控方法 | |
Masoumi et al. | Signal-model-based fault diagnosis in windings of synchronous generator | |
CN110018417B (zh) | 基于径向杂散磁通检测的电机故障诊断方法、系统及介质 | |
He et al. | Stator current identification in generator among single and composite faults composed by static air‐gap eccentricity and rotor inter‐turn short circuit | |
Soualhi et al. | Electrical Systems 2: From Diagnosis to Prognosis | |
Bilal et al. | An experimental approach for detection and quantification of short-circuit on a doubly fed induction machine (DFIM) windings | |
Pengbo et al. | Recent progress and prospective evaluation of fault diagnosis strategies for electrified drive powertrains: A comprehensive review | |
Al-Greer et al. | Autonomous fault detection and diagnosis for permanent magnet synchronous motors using combined variational mode decomposition, the Hilbert-Huang transform, and a convolutional neural network | |
Mustafa | On fault detection, diagnosis and monitoring for induction motors | |
CN115932577A (zh) | 一种基于协同感知的汽轮发电机转子绕组匝间短路预警方法 |
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 |