CN118043689A - 用于监视电机中的故障的系统、装置和方法 - Google Patents
用于监视电机中的故障的系统、装置和方法 Download PDFInfo
- Publication number
- CN118043689A CN118043689A CN202280066389.2A CN202280066389A CN118043689A CN 118043689 A CN118043689 A CN 118043689A CN 202280066389 A CN202280066389 A CN 202280066389A CN 118043689 A CN118043689 A CN 118043689A
- Authority
- CN
- China
- Prior art keywords
- motor
- flux
- fault
- faults
- model
- 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
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000012544 monitoring process Methods 0.000 title claims abstract description 25
- 238000005259 measurement Methods 0.000 claims abstract description 35
- 230000000007 visual effect Effects 0.000 claims abstract description 7
- 230000004907 flux Effects 0.000 claims description 119
- 238000004088 simulation Methods 0.000 claims description 80
- 238000012545 processing Methods 0.000 claims description 24
- 238000012423 maintenance Methods 0.000 claims description 14
- 230000000694 effects Effects 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 10
- 230000006698 induction Effects 0.000 description 92
- 230000000875 corresponding effect Effects 0.000 description 43
- 238000001228 spectrum Methods 0.000 description 41
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 31
- 238000004891 communication Methods 0.000 description 8
- 230000002596 correlated effect Effects 0.000 description 8
- 238000003860 storage Methods 0.000 description 7
- 238000004804 winding Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 5
- 238000009877 rendering Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000001845 vibrational spectrum Methods 0.000 description 4
- 238000010220 Pearson correlation analysis Methods 0.000 description 3
- 238000009529 body temperature measurement Methods 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 230000004807 localization Effects 0.000 description 3
- 238000010219 correlation analysis Methods 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000005674 electromagnetic induction Effects 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000005355 Hall effect Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 238000009420 retrofitting Methods 0.000 description 1
- 238000012706 support-vector machine 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
- G01R31/343—Testing dynamo-electric machines in operation
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Tests Of Circuit Breakers, Generators, And Electric Motors (AREA)
Abstract
本文公开了一种用于监视电机(105,205)中的故障的系统(100)、装置(115)和方法。该方法包括从与电机(105,205)相关联的至少一个感测单元获得参考测量。此外,使用电机(105,205)的数字孪生体基于参考测量生成特性特征。数字孪生体是实时指示电机(105,205)的状态的虚拟表示。特性特征被进一步分析以识别与电机(105,205)相关联的故障。此外,在输出设备(125)上输出指示故障的视觉表示的通知。
Description
技术领域
本发明涉及故障监视,更具体地说,涉及用于监视电机中的故障的系统和方法。
背景技术
电机(诸如电动机和发电机)会由于若干因素(诸如制造缺陷、老化或规范外操作)而经历故障。这种故障的早期识别和定位对于电机的反应性或纠正性维护是必要的。然而,这种故障的识别和定位通常需要在电机上安装多个物理传感器。在棕色地带系统(即已经在场的电机)的情况下,改装这种传感器可能是一项乏味的任务。除此之外,物理传感器的故障会导致错误的测量,并可能导致故障的延迟识别。
传统的电动机电流特征分析(MCSA)需要电流互感器(current transformer)来测量与电机相关的电流信号。在频域中进一步分析电流信号,以便确定电机中的故障。然而,现有技术不便于从其他操作参数确定电流特征,所述其他操作参数诸如与电机的组件相关联的磁通量、振动和温度。因此,故障的电流互感器可能会在MCSA期间导致错误的结果。现有技术还公开了将从电机的杂散通量估计的电流用于MCSA。基于电流和通量之间的比例来估计电流。然而,由于杂散通量微弱,根据杂散通量估计的电流可能无法提供关于电机中的故障的充分信息。
此外,根据ISO 20958-2013,由于转子或定子上的缺陷而导致的气隙通量密度的任何失真都会在轴中建立轴向单极通量,该通量可由安装在轴周围的搜索线圈检测。定子和转子缺陷二者的范围可以从通过对搜索线圈波形执行傅立叶变换而获得的轴向通量的频谱中推断出来。该技术适用于各种电动机,但在某些电动机设计上有以下可能性:外壳可能会削弱安装在其外部的搜索线圈检测到的轴向通量的幅度。这使得在不对单独的电动机进行辨别(fingerprint)的情况下对损坏程度的定量评估是困难的。
发明内容
鉴于上述因素,需要一种基于不同操作参数来监视电机中的故障的机制。
因此,本发明的目的是提供一种用于监视电机中的故障的系统和方法。
本文公开了一种用于监视电机中的故障的方法。本文使用的术语“故障”是指可能最终导致电机的失效的异常。电机包括根据电磁感应原理操作的任何旋转设备。电机的非限制性示例包括AC发电机、DC发电机、AC电动机、DC电动机、永磁体机器、感应机器和有刷机器。该方法包括从与电机相关联的至少一个传感器获得参考测量。在一个实施例中,参考测量对应于电机的外壳外部的杂散通量。
该方法还包括使用电机的数字孪生体基于参考测量生成特性特征。数字孪生体是实时指示电机的状态的虚拟表示。在一个实施例中,基于参考测量生成特性特征的步骤包括基于参考测量更新数字孪生体。此外,基于更新的数字孪生体配置仿真模型。仿真模型在仿真环境中执行以生成仿真结果。仿真结果指示特性特征。
在一个实施例中,仿真结果指示与电机相关联的气隙通量。在另外的实施例中,特性特征包括时间序列信号,该时间序列信号对应于与电机相关联的操作参数,其是使用至少一个回归模型从仿真结果计算的。回归模型指示参考测量和操作参数之间的关系。操作参数是与电机的一个或多个组件相关联的电流、温度和振动中的至少一个。
有利地,通过基于参考测量配置数字孪生体来生成特性特征。因此,消除了对来自多个物理传感器的输入的需求。该方法还包括分析特性特征以识别与电机相关联的故障。在一个实施例中,分析特性特征以识别故障的步骤还包括生成对应于与操作参数相关联的时域信号的频域表示。此外,分析与频域表示相关联的至少一个特征以确定故障。
有利的是,本发明便于使用回归模型从特性特征中自动识别和定位故障,从而消除识别和定位故障所需的人工努力。
在一个实施例中,该方法还包括基于特性特征的分析将故障分类为机械故障和电气故障之一。该方法还包括在输出设备上输出指示故障的视觉表示的通知。在一个实施例中,该方法还包括基于故障的分类来确定维护活动。此外,在输出设备上生成指示维护活动的通知。在一个实施例中,该方法还包括基于识别的故障实时控制电机的操作。
有利的是,本发明提供了故障的视觉表示,用于易于由维护人员识别故障组件。此外,基于实时检测到的故障对维护活动进行推荐,从而消除关于反应性维护活动的发起的延迟。
本文还公开了一种用于监视电机中的故障的装置。该装置包括一个或多个处理单元和通信耦合到所述一个或多个处理单元的存储器单元。存储器单元包括以可由一个或多个处理单元执行的机器可读指令的形式存储的故障监视模块,其中故障监视模块被配置成执行根据任何上述方法步骤的方法步骤。
本文还公开了一种用于监视电机中的故障的系统。该系统包括至少一个感测单元和如上所述的装置,所述至少一个感测单元被配置成提供与电机相关联的参考测量,所述装置通信地耦合到所述至少一个感测单元。所述装置被配置成根据任何上述方法步骤来监视电机中的故障。
本文还公开了一种计算机可读介质,其上保存了计算机程序的程序代码段,当程序代码段被执行时,该程序代码段可加载到执行上述方法的处理器中和/或可由该处理器执行。
通过计算机程序产品和/或非暂时性计算机可读存储介质实现本发明具有以下优点:可以通过安装计算机程序来容易地采用计算机系统,以便如本发明所提出的那样工作。
计算机程序产品可以是例如计算机程序或者包括除计算机程序之外的另一个元件。该另一个元件可以是硬件,例如存储计算机程序的存储器设备、用于使用计算机程序的硬件密钥等,和/或软件,例如用于使用计算机程序的文档或软件密钥。
通过下面结合对应附图对本发明实施例的描述,本发明的上述属性、特征和优点以及实现它们的方式将变得更加明显和易于理解(清楚)。所示实施例旨在说明而非限制本发明。
附图说明
下文将参照附图中示出的所示的实施例进一步描述本发明,其中:
图1A示出了根据本发明实施例的用于监视感应电动机中的故障的系统的框图;
图1B示出了根据本发明实施例的用于监视感应电动机中的故障的装置的框图;
图2示出了根据本发明实施例的用于校准感应电动机的仿真模型的设置的框图;
图3A示出了根据本发明的示例性实施例的指示从杂散通量信号生成电流谱的工作流程;
图3B示出了根据本发明的示例性实施例的指示与感应电动机的一个或多个内部组件相关联的热谱的生成的工作流程;
图3C示出了根据本发明的示例性实施例的指示从与感应电动机相关联的实时杂散通量测量和实时温度测量生成电流谱的工作流程;
图3D示出了根据本发明的示例性实施例的指示与感应电动机的一个或多个内部组件相关联的振动谱的生成的工作流程;和
图4示出了根据本发明的实施例的监视电机中的故障的方法的流程图。
具体实施方式
在下文中,详细描述用于实施本发明的实施例。参考附图描述了各种实施例,其中相同的附图标记始终用于指代相同的元件。在以下描述中,出于解释的目的,阐述了许多具体细节,以便提供对一个或多个实施例的透彻理解。显然,可以在没有这些具体细节的情况下实践这种实施例。
图1A示出了根据本发明的实施例的用于监视感应电动机105中的故障的系统100的框图。系统100包括至少一个感测单元110,其被配置用于获得与感应电动机105相关联的参考测量。所述至少一个感测单元110通过网络120通信耦合到装置115。该装置进一步耦合到输出设备125。
装置115被配置成基于至少一个感测单元的输出来识别和定位感应电动机105中的故障。感应电动机105包括定子、转子和定子外部的外壳。在本实施例中,至少一个感测单元是安装在感应电动机105的外壳上的通量传感器。通量传感器被配置成测量感应电动机105的外壳外部的杂散通量。在另一个实施例中,感测单元110是包括一个或多个热传感器、振动传感器和通量传感器的传感器盒。
如图1B所示,装置115包括处理单元130、存储器135、存储单元140、通信模块145、网络接口150、输入单元155、输出单元160、标准接口或总线165。装置115可以是(个人)计算机、工作站、运行在主机硬件上的虚拟机、微控制器或集成电路。作为替代,装置115可以是真实或虚拟的计算机组(真实计算机组的技术术语是“集群”,虚拟计算机组的技术术语是“云”)。
本文使用的术语“处理单元”意为任何类型的计算电路,诸如但不限于微处理器、微控制器、复杂指令集计算微处理器、精简指令集计算微处理器、甚长指令字微处理器、显式并行指令计算微处理器、图形处理器、数字信号处理器或任何其他类型的处理电路。处理单元130还可以包括嵌入式控制器,诸如通用或可编程逻辑器件或阵列、专用集成电路、单片计算机等。通常,处理单元130可以包括硬件元件和软件元件。处理单元130可以被配置用于多线程,即处理单元130可以同时托管不同的计算过程,并行执行或者在主动和被动计算过程之间切换。
存储器135可以包括易失性存储器和非易失性存储器中的一个或多个。存储器135可以被耦合用于与处理单元130通信。处理单元130可以执行存储在存储器135中的指令和/或代码。各种计算机可读存储介质可以存储在存储器135中并从中访问。存储器135可以包括用于存储数据和机器可读指令的任何合适的元件,诸如只读存储器、随机存取存储器、可擦除可编程只读存储器、电可擦除可编程只读存储器、硬盘驱动器、用于处理光盘、数字视频盘、磁盘、盒式磁带、存储卡等的可移除介质驱动器。
存储器135包括以机器可读指令形式存储在存储器135中并可由处理单元130执行的故障监视模块170。这些机器可读指令在被执行时使得处理单元130监视与感应电动机105相关联的故障。故障监视模块170至少包括预处理模块172、仿真模块174、分析模块176和通知模块178。
预处理模块172被配置用于从与感应电动机105相关联的至少一个感测单元获得参考测量。本文使用的术语“参考测量”是指由至少一个感测单元感测的操作参数的至少一个值。在一个实施例中,参考参数是杂散通量。仿真模块174被配置成使用感应电动机105的数字孪生体基于参考测量生成特性特征。数字孪生体是实时指示感应电动机105的状态的虚拟表示。本文使用的术语“特性特征”表示对应于感应电动机105上的某一点的操作参数的时间序列信号。该点指示感应电动机105的组件的表面上的位置。特性特征可对应于感应电动机105的至少一个组件中的操作参数,诸如电流、通量、温度和振动水平。
分析模块176被配置用于分析由数字孪生体生成的特性特征以识别与感应电动机105相关联的故障。通知模块178被配置用于在输出设备125上输出通知,该通知指示基于特性特征的故障的视觉表示。输出设备的非限制性示例包括工作站、个人计算机、智能电话、个人数字助理和平板电脑。
存储单元140包括存储更新或校准数字孪生体所需的数据的非易失性存储器。存储单元140还可以包括数据库180,其存储将故障与特征、与回归模型相关的参数、针对特定类型的故障推荐的维护活动等相关的查找表。输入单元155可以包括输入装置,诸如小键盘、触敏显示器、相机等,其能够接收输入信号。输出单元160可以包括诸如显示器的输出装置。总线165充当处理单元130、存储器135、存储单元140和网络接口150之间的互连。
通信模块145使得装置115能够与输出设备125通信。通信模块145可以支持不同的标准通信协议,诸如传输控制协议/互联网协议(TCP/IP)、Profinet、Profibus和互联网协议版本(IPv)。
根据本发明的实施例,装置115可以是边缘计算设备。如本文所使用的,“边缘计算”指的是能够在边缘设备上执行的计算环境(例如,一端连接到工业设置中的感测单元,并且另一端连接到(多个)远程服务器,诸如(多个)计算服务器或(多个)云计算服务器),该边缘设备可以是紧凑计算设备,其具有小的形状因子和在计算能力方面的资源限制。边缘计算设备的网络也可以用于实现装置115。边缘计算设备的这种网络被称为雾网络。
在另一个实施例中,装置115是云计算系统,其具有基于云计算的平台,该平台被配置为提供用于监视感应电动机105中的故障的云服务。如本文所使用的,“云计算”指的是包括可配置的计算物理和逻辑资源的处理环境,例如网络、服务器、存储装置、应用、服务等,以及通过网络120(例如互联网)分发的数据。云计算平台可以被实现为用于监视感应电动机105中的故障的服务。换句话说,云计算系统提供对可配置计算物理和逻辑资源的共享池的按需网络访问。网络120例如是有线网络、无线网络、通信网络或由这些网络的任意组合形成的网络。
本领域普通技术人员将理解,图1A和1B中描绘的硬件可以针对不同的实现而变化。例如,诸如光盘驱动器等的其他外围设备、局域网(LAN)/广域网(WAN)/无线(例如,Wi-Fi)适配器、图形适配器、磁盘控制器、输入/输出(I/O)适配器、网络连接设备也可以附加于或代替所描述的硬件而使用。所描绘的示例仅出于解释的目的而提供,并不意味着暗示对本公开的架构限制。
图2示出了根据本发明的实施例的用于校准感应电动机205的仿真模型的设置200的框图。在本实施例中,仿真模型对应于5.5kW、四极、LV感应电动机。
设置200包括配置成测量与感应电动机205相关联的操作参数的感测单元210。感测单元210通信耦合到装置215(类似于装置115)。感测单元210包括一个或多个通量传感器,其被配置成测量与感应电动机205相关联的杂散通量。感测单元210还包括多个热传感器。每个热传感器被配置成测量与感应电动机205的至少一个组件相关联的温度。在一个实施例中,六个热传感器安装在感应电动机205的定子槽上,并且两个热传感器安装在与感应电动机205的轴相关联的轴承上。感测单元210还包括一个或多个振动传感器,其被配置成测量与感应电动机205的一个或多个组件相关联的振动。
在一个实施例中,基于实验数据校准仿真模型。实验数据包括针对感应电动机205的已知操作条件的来自至少一个感测单元的输出。操作条件可包括但不限于速度、扭矩、环境温度等。感应电动机205中可能潜在发生的故障的非限制性示例包括转子的角度未对准、转子的平行未对准、偏心和转子条的断裂。
针对感应电动机205的一个或多个健康状态和一个或多个不健康状态生成实验数据。本文使用的术语“健康状态”是指感应电动机205在没有故障的情况下的理想状态。术语“不健康状态”是指感应电动机205在存在一个或多个故障的情况下的状态。将一个或多个故障引入感应电动机205中,以便获得对应于不健康状态的实验数据。
在本实施例中,实验数据包括在外壳上的一点处观察到的通量信号。例如,实验数据可以包括对应于感应电动机205的健康和不健康状态的通量信号。在一个示例中,不健康状态可对应于断裂的转子条、角度未对准和平行未对准。观察到的通量信号包括由外壳上的感测单元210测量的通量密度的时间序列图。例如,通量信号可以指示外壳上的一点处测量的径向通量的时间序列图。在另一个示例中,通量信号表示外壳上某一点的轴向通量。
仿真模型被配置成在仿真环境中生成感应电动机205的电磁仿真。使用用于获得实验数据的同一组操作条件和故障的仿真模型来执行电磁仿真。首先通过基于感应电动机205的规范配置仿真模型来执行仿真。感应电动机205的规范可以包括但不限于与感应电动机205相关联的组件的尺寸、几何形状、材料属性、负载能力、电相位、额定值等。组件的材料属性可包括组件的磁滞回线信息。此外,生成对应于一个或多个健康状态和一个或多个不健康状态的仿真模型的仿真实例。仿真实例被进一步执行以生成仿真数据。在本实施例中,仿真数据对应于与感应电动机205相关联的通量信号。
电磁仿真的输出可以包括与感应电动机205相关联的磁场的二维或三维渲染。更具体地,该渲染可以指示感应电动机205的外壳周围的杂散通量密度以及感应电动机205的定子和转子之间的气隙内的通量密度。通量信号包括外壳上一点处的仿真通量值的时间序列图,如图所示。外壳上的该点可以使用二维或三维渲染中的坐标来识别。必须理解,用于获得仿真通量值的渲染上的坐标可以对应于用于获得实验数据的外壳上的点。
在一个实施例中,基于与仿真通量信号和观察通量信号相关联的多个特征FE1、FE2、FE3……FEN校准仿真模型。在优选实施例中,特征FE1、FE2、FE3……FEN是从仿真通量信号和观察通量信号的频域表示中识别的。通量信号的频域表示在下文中称为通量谱。使用合适的变换函数从通量信号的时间序列表示中获得通量谱。在优选实施例中,变换函数是快速傅立叶变换。例如,特征FE1、FE2、FE3……FEN可包括峰值幅度或通量谱中特定频率的幅度。特定频率可包括感应电动机205的运行频率、运行频率的倍数或特定故障的频率特性。
在一个实施例中,仿真模型由专家校准。专家基于通量谱从与仿真模型相关联的多个模型参数中手动识别一个或多个重要模型参数。进一步手动调整模型参数以减少仿真通量谱的特征FE1、FE2、FE3……FEN和观察通量谱的对应特征之间的偏差。
在另一个实施例中,使用优化技术校准仿真模型。例如,可以使用优化工具来优化模型参数,使得仿真通量谱中的特征和观察通量谱中的特征之间的偏差最小化。优化工具可以基于预定义的优化算法迭代地改变模型参数,直到偏差最小化。此外,对应于最小偏差的模型参数被识别为优化的模型参数。本领域技术人员必须理解,当观察值的数量至少等于对应于仿真模型的模型参数的数量时,优化工具是优选的。
在又一实施例中,机器学习方法可用于确定优化的模型参数。在一种实施方式中,包括但不限于人工神经网络和支持向量机的机器学习模型可用于优化模型参数。训练机器学习模型以识别模型参数,从而减小观察通量谱和仿真通量谱的特征之间的差异。当观察到的特征的数量大于模型参数的数量时,使用机器学习方法。
在校准时,特征FE1、FE2、FE3……FEN之间的一个或多个相关性和至少一个故障被识别。在一个示例中,通过使用不同故障的仿真模型执行多个仿真来关联特征。更具体地,通过修改仿真模型的模型参数来执行仿真,以便模仿一个或多个故障。可以对一个或多个故障的变化幅度执行仿真。例如,如果故障是平行未对准,则针对平行未对准的不同值执行仿真。
在仿真时,获得对应于不同故障的特征FE1、FE2、FE3……FEN的值。例如,可以从仿真获得对应于转子的0.02mm、0.04mm……0.22mm的径向位移的特征FE1、FE2、FE3……FEN的值。此外,计算径向位移和特征FE1、FE2、FE3……FEN中的每一个之间的相关系数。相关系数可以使用标准相关分析技术来计算,包括但不限于皮尔逊的相关分析技术。
在皮尔逊的相关分析技术中,如果有两个特征X和Y,并且对应于每个特征有n个样本,则对应于特征X和Y的相关系数由下式给出:
基于相关系数,识别出故障和特征FE1、FE2、FE3……FEN中的每一个之间的相关度。例如,如果对应于第一特征FE1的相关系数的大小大于或等于0.9,则认为第一特征FE1与故障高度相关。如果对应于第二特征FE2的相关系数接近0,则可以认为第二特征FE2与故障较少相关。在一个示例中,如果相关系数的大小大于0.5,则特征可以被认为是高度相关的。否则,该特征可能被认为较少相关。
类似地,计算与对应于不同操作参数的频域表示相关联的特征之间的相关性。例如,通量谱和电流谱之间的相关性是基于与相同时间间隔和故障的相应频域表示相关联的特征来计算的。
在一个示例中,仿真模型的输出包括感应电动机205的定子芯、转子芯和芯组件中的通量密度的空间分布。多个特征FE1、FE2、FE3、FE4……FEN可以从与定子芯、转子芯或芯组件上的至少一个点相关联的通量信号中获得。更具体地说,所述特征是从特定时间间隔的通量信号的频域表示(即通量谱)中提取的。例如,与通量谱相关联的特征可以是FE1、FE2……FEN,并且与电流谱相关联的特征可以包括I1、I2……Im。此外,对应于每对特征(FE1,I1)、(FE2,I1)……(FEN,Im)的相关系数是使用相关分析技术计算的,该相关分析技术使用如上所述的皮尔逊相关分析技术。
基于相关系数,针对通量和电流生成第一回归模型。第一回归模型可进一步用于在实时操作期间基于通量测量来估计感应电动机205上某点处的电流的瞬时值。类似地,可以估计对应于不同操作参数对的回归模型。例如,第二回归模型可基于对应于不同操作条件和故障的通量谱和热谱的特征而将气隙通量和外壳上某点的温度相关。在又一示例中,第三回归模型可基于对应于不同操作条件和故障的通量谱和振动谱的特征将气隙通量和外壳上某点处的振动相关联。每个回归模型可以是线性回归模型和非线性回归模型之一。每个回归模型与感应电动机205的组件相关联的操作参数相关联。例如,第一回归模型可以对应于绕组中某一点的温度,第二回归模型可以提供芯组件中某一点的温度,第三回归模型可以提供通过绕组的电流,等等。必须理解,多个回归模型可以用于相同的操作参数,以便计算对应于多个组件的操作参数的值。因此,每个回归模型可被视为等同于虚拟传感器。如果需要,可以通过基于要监视的组件的位置校准回归模型来修改虚拟传感器的位置。
在一个实施例中,可以识别对应于一对操作参数的高度相关的特征对。此外,从多个特征中消除高度相关特征对中的特征之一。例如,如果对应于特征对FE3和I2的相关系数是0.96,则可以从多个特征FE1、FE2、FE3……FEN、I1、I2……Im中消除特征FE3。其余特征FE1、FE2、FE4……FEN、I1、I2……Im还用于预测感应电动机205中的故障。
基于安装在外壳上的通量传感器的输出,在操作期间实时校准仿真模型。例如,如果由仿真模型预测的通量值偏离通量传感器的输出,则基于通量传感器的输出自动重新校准仿真模型。在另一示例中,可以在输出设备(类似于输出设备125)上生成指示偏差的通知。此外,人类操作员可以手动发起仿真模型的重新校准。
在另一个实施例中,仿真模型被配置成仿真与感应电动机205上的一个或多个点相关联的电流谱。基于从安装在感应电动机205的外壳上的霍尔效应传感器获得的实验数据来校准仿真模型。此外,来自校准的仿真模型的输出用于基于对应于电流和其他操作参数的信号之间的相关性来获得回归模型。类似地,也可以确定电流谱的特征和一个或多个故障之间的相关性。
在又一实施例中,仿真模型被配置成基于感应电动机205的不同组件中的铜损耗、铁损耗和摩擦损耗来仿真热谱。基于从热传感器获得的实验数据进一步校准仿真模型。此外,来自校准的仿真模型的输出用于基于对应于温度和其他操作参数的信号之间的相关性来获得回归模型。类似地,也可以确定热谱的特征和一个或多个故障之间的相关性。类似地,仿真模型也可以被配置成仿真感应电动机205的不同部分中的振动。
数字孪生体包括多个模型,所述模型表示与感应电动机相关的操作特性。每个模型可以包括例如基于物理的模型、混合模型、人工智能模型等中的一个或多个。例如,一个或多个第一模型可以指示与感应电动机的一个或多个组件相关联的热特性。在另一个示例中,一个或多个第二模型可以指示与感应电动机的一个或多个组件相关联的磁特性。在又一示例中,一个或多个第三模型可以指示与感应电动机相关联的振动特性。由于诸如通量、温度、电流和振动的操作参数的相互依赖性,模型相互关联。图3A至3D示出了对应于使用数字孪生体中的不同模型基于来自附接到感应电动机的传感器的参考测量来生成预测的工作流程。
图3A示出了根据本发明的示例性实施例的指示从杂散通量信号生成电流谱的工作流程302。该工作流程包括校准的第一通量模型304和校准的电流模型306。第一通量模型304基于由电磁仿真模型生成的仿真通量数据308构建,并基于由附接到感应电动机的通量传感器生成的实验通量数据310校准。类似地,基于仿真电流数据312和实验电流数据314校准电流模型306。如图所示,实验通量数据310与实验电流数据314相关联,因为根据电磁感应原理电流随通量变化。接合310和314的虚线指示相关性。类似地,仿真通量数据308与仿真电流数据312相关。在操作期间,第一通量模型304基于从附接到感应电动机的外壳的通量传感器获得的实时杂散通量测量316进一步更新。基于实时通量谱316和对应于通量和电流的回归模型,校准的电流模型306被实时更新。在更新时,电流模型306预测与外壳相关联的电流谱318。基于预测的电流谱进一步更新仿真模型。
图3B示出了根据本发明的示例性实施例的指示与感应电动机的一个或多个内部组件相关联的热谱的生成的工作流程320。这里,基于从仿真模型获得的仿真热数据324构建第一热模型322。此外,第一热模型322基于从附接到感应电动机的热传感器获得的实验热数据326来校准。在校准时,第一热模型322可基于从附接到外壳的一个或多个热传感器获得的实时热数据328生成外壳的热分布图。此外,对应于感应电动机的一个或多个组件的第二热模型330也可以基于对应于外壳上的温度(由第一热模型322预测)和一个或多个组件上的温度的回归模型来校准。此外,第二热模型330也基于对应于外壳上通量随温度变化的仿真数据332和对应于外壳中通量变化的实验数据334进行校准。校准的第二热模型330还用于实时预测与感应电动机的一个或多个组件相关联的温度336。对应于外壳上通量随温度变化的仿真数据332和对应于外壳中通量变化的实验数据334也用于校准第二通量模型338。在校准时,第二通量模型338基于从附接到外壳的热传感器获得的实时温度测量来预测外壳中的通量变化。基于预测的通量变化进一步更新仿真模型。这里,虚线表示感应电动机中通量变化和温度之间的相关性。
图3C示出了根据本发明的示例性实施例的指示从与感应电动机相关联的实时杂散通量测量316和实时温度测量328生成电流谱的工作流程339。这里,来自第二通量模型338的输出被提供给第一通量模型304,以便捕获温度对感应电动机的绕组的影响。例如,由于来自第二通量模型338的温度变化引起的通量变化被用于调整由第一通量模型304预测的通量谱以提高精度。此外,电流模型306基于调整的通量谱生成感应电动机的电流谱。基于生成的电流谱进一步更新仿真模型。
图3D示出了根据本发明的示例性实施例的指示与感应电动机的一个或多个内部组件相关联的振动谱的生成的工作流程340。这里,第一振动模型342基于从仿真模型获得的与壳体相关联的仿真振动数据344来构建。基于来自安装在外壳上的振动传感器的实验振动数据346进一步校准第一振动模型342。校准的第一振动模型的输出还用于校准对应于感应电动机的一个或多个组件的第二振动模型348。第二振动模型348基于将外壳中的振动与一个或多个组件中的振动相关的回归模型来预测一个或多个组件中的振动。
在校准时,第二振动模型348可基于从安装在外壳上的振动传感器获得的实时振动测量352来预测与感应电动机的一个或多个组件相关联的振动谱350。类似地,感应电动机的振动、通量变化和热分布之间的相关性可进一步用于使用合适的回归模型计算电流谱。例如,气隙中的振动会导致生成谐波,所述谐波影响气隙通量。第二振动模型348的输出可用于确定气隙中的通量变化。通量变化可进一步用于调整由工作流程339中的第二通量模型328预测的通量谱。
图4示出了根据本发明实施例的监视电机中的故障的方法400的流程图。方法400在装置115上执行。在本实施例中,电机是感应电动机205。
在步骤405,从与电机相关联的至少一个感测单元获得参考测量。在本实施例中,参考测量是从安装在感应电动机205的外壳上的通量传感器接收的杂散通量密度。通量传感器被配置用于测量与感应电动机205发出的杂散通量相关的通量密度。
在步骤410,使用电机的数字孪生体基于参考测量生成特性特征。在本实施例中,数字孪生体是实时指示感应电动机205的状态的虚拟表示。例如,数字孪生体包括与感应电动机205的一个或多个组件相关的数据点的集合。本文使用的术语“状态”可以指示实时状况,包括与一个或多个组件相关联的操作参数的值。
首先通过基于从通量传感器接收的杂散通量密度修改数字孪生体中的一个或多个模型来更新数字孪生体。此外,基于更新的数字孪生体来配置仿真模型。更具体地说,配置仿真模型包括基于仿真模型仿真的杂散通量密度与参考测量之间的偏差校准与仿真模型相关联的模型参数。校准模型参数,使得参考测量和仿真杂散通量密度之间的偏差最小。
在配置时,执行仿真模型以生成仿真结果。通过首先从仿真模型实时生成对应于参考测量的仿真实例来执行仿真模型。进一步执行仿真实例以生成仿真结果。类似地,仿真结果可以基于参考测量的实时值实时生成。在本实施例中,每个仿真结果包括对应于感应电动机205的气隙中的至少一个点的气隙通量密度的实时值。
此外,基于气隙通量密度,使用对应于操作参数的至少一个回归模型来确定对应于一个或多个组件的操作参数的值。回归模型是基于信号之间的相关性预先确定的,如前面参考图2所解释的。
在一个实施例中,至少一个回归模型用于从气隙通量密度确定流经感应电动机205的绕组的电流的实时值。在另一个实施例中,至少一个回归模型用于确定与感应电动机205的至少一个组件相关联的温度的实时值。例如,回归模型可以确定绕组的实时温度。在又一实施例中,至少一个回归模型用于确定与感应电动机205的至少一个组件相关联的振动的实时值。例如,回归模型可确定与转子相关联的振动。
从对应于多个时间戳的回归模型获得的操作参数的值还用于生成与操作参数相关联的时间序列信号。时间序列信号形成特性特征。类似地,在替代实施例中,特性特征可包括对应于感应电动机205的一个或多个组件中的温度或振动的时间序列信号。特性特征因此对应于感应电动机205上的虚拟传感器的输出。
在步骤415,分析特性特征以识别与电机相关联的故障。通过首先生成对应于操作参数的时间序列信号的频域表示来分析特性特征。在本示例中,使用快速傅立叶变换生成电流信号的频域表示,即电流谱。此外,提取与电流谱相关联的特征。例如,所述特征可以包括峰值幅度、预定义频率的幅度等。进一步分析所述特征以识别故障。更具体地说,基于特征和故障之间的预定相关性来分析特征。
在一个实施例中,使用查找表来识别故障。查找表可存储与每个特征相关联的值的范围,其对应于与感应电动机205相关联的正常操作条件的多个故障。在一个示例中,电流谱中类似于图3E所示的不对称边带与转子断裂高度相关。因此,故障可被识别为转子断裂。
在另一个实施例中,如果至少一个特征的值大于特征的值的预定义范围,则基于特征和每个故障之间的预定相关性从多个故障中识别出故障。例如,如果与绕组相关联的温度大于预定义范围,则识别出与绕组相关联的故障。
在步骤420,在输出设备上输出基于特性特征指示故障的视觉表示的通知。例如,当识别出故障时,视觉表示可以突出显示感应电动机205的对应于特性特征的组件。例如,在转子条断裂的情况下,可以在感应电动机205的二维或三维渲染中使用预定义的颜色方案来突出显示转子条。
在另外的实施例中,基于对特性特征的分析,故障被分类为机械故障和电气故障之一。例如,使用分类模型将故障分类为机械故障和电气故障之一。基于分类,识别维护活动。在一个示例中,基于对应于故障的标识符,从诸如知识图的图数据库中确定维护活动。例如,知识图中对应于“机械故障”的节点可以具有对应于不同机械故障的子节点,诸如“转子条断裂”、“偏心”。每个子节点可以具有指示适当维护活动的进一步子节点。例如,如果在步骤315中故障被识别为转子条断裂,则子节点可以将维护活动指示为“更换转子条”。此外,使用合适的文本模板在输出设备上生成指示故障和维护活动的通知。例如,通知可以是“检测到转子条断裂。更换转子条”的形式。
在另外的实施例中,感应电动机205的操作基于识别的故障被实时控制。可以通过使用已知的RUL估计器模型计算感应电动机205的剩余使用寿命(RUL)来控制操作。基于RUL,可以控制感应电动机205的操作条件,诸如速度,以避免感应电动机205在RUL之前过早失效。
有利地,本发明使用校准的回归模型来确定对应于电机的一个或多个组件的操作参数。结果,可以使用最少数量的传感器来监视和定位电机中的故障。特性特征可以被认为是虚拟传感器的输出。因此,多个特性特征可以被认为等同于多个虚拟传感器。此外,本发明可以应用于已经在场的电机,从而消除了改装附加传感器的需要。
本发明不限于特定的计算机系统平台、处理单元、操作系统或网络。本发明的一个或多个方面可以分布在一个或多个计算机系统中,例如被配置为向一个或多个客户端计算机提供一个或多个服务或者在分布式系统中执行完整任务的服务器。例如,根据各种实施例,本发明的一个或多个方面可以在客户端-服务器系统上执行,所述客户端-服务器系统包括分布在执行多个功能的一个或多个服务器系统中的组件。这些组件包括例如可执行代码、中间代码或解释代码,其使用通信协议通过网络进行通信。本发明不限于在任何特定系统或系统组上可执行,并且不限于任何特定的分布式架构、网络或通信协议。
虽然已经借助优选实施例详细说明和描述了本发明,但是本发明不限于所公开的示例。本领域技术人员可以在不脱离所要求保护的发明的保护范围的情况下推断出其他变化。
Claims (14)
1.一种用于监视电机(105,205)中的故障的计算机实现的方法,所述方法包括:
由处理单元(130)从与电机(105,205)相关联的至少一个感测单元获得参考测量;
使用电机(105,205)的数字孪生体基于参考测量生成特性特征,其中数字孪生体是实时指示电机(105,205)的状态的虚拟表示;
分析特性特征以识别与电机(105,205)相关联的故障;以及
在输出设备(125)上输出指示故障的视觉表示的通知。
2.根据权利要求1所述的方法,其中所述参考测量对应于所述电机(105,205)的外壳外部的杂散通量。
3.根据权利要求1所述的方法,其中使用电机(105,205)的数字孪生体基于参考测量生成特性特征包括:
基于参考测量更新数字孪生体;
基于更新的数字孪生体配置仿真模型;
在仿真环境中执行仿真模型以生成仿真结果,其中所述仿真结果指示特性特征。
4.根据权利要求3所述的方法,其中所述仿真结果指示与电机(105,205)相关联的气隙通量。
5.根据权利要求1和3所述的方法,其中,所述特性特征包括时间序列信号,所述时间序列信号对应于与电机(105,205)相关联的操作参数,其是使用至少一个回归模型从仿真结果计算的。
6.根据权利要求5所述的方法,其中所述回归模型指示参考测量和操作参数之间的关系。
7.根据权利要求5所述的方法,其中所述操作参数是与电机(105,205)的一个或多个组件相关联的电流、温度和振动中的至少一个。
8.根据权利要求1和5所述的方法,其中分析特性特征以识别与电机(105,205)相关联的故障包括:
生成对应于与操作参数相关联的时域信号的频域表示;以及
分析与频域表示相关联的至少一个特征以确定故障。
9.根据权利要求1或8所述的方法,还包括:
基于对特性特征的分析,将故障分类为机械故障和电气故障之一。
10.根据权利要求9所述的方法,还包括:
基于故障的分类确定维护活动;以及
在输出设备(125)上生成指示维护活动的通知。
11.根据权利要求1所述的方法,还包括:
基于所识别的故障实时控制电机(105,205)的操作。
12.一种用于监视电机(105,205)中的故障的装置(115),所述装置(115)包括:
一个或多个处理单元(130);以及
通信耦合到一个或多个处理单元(130)的存储器单元(135),其中存储器单元(135)包括以可由一个或多个处理单元(130)执行的机器可读指令的形式存储的故障监视模块(170),其中故障监视模块(170)被配置成执行根据权利要求1至11中任一项的方法步骤。
13.一种用于监视电机(105,205)中的故障的系统(100),所述系统(100)包括:
至少一个感测单元,其被配置为提供与电机(105,205)相关联的参考测量;
根据权利要求12所述的装置(115),其通信地耦合到所述至少一个感测单元,其中所述装置(115)被配置成根据方法权利要求1至11中的任一项来监视电机(105,205)中的故障。
14.一种计算机程序产品,其中存储有机器可读指令,当由一个或多个处理单元(130)执行时,所述机器可读指令使处理单元(130)执行根据权利要求1至11中任一项所述的方法。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP21200024.4 | 2021-09-30 | ||
EP21200024.4A EP4160233A1 (en) | 2021-09-30 | 2021-09-30 | System, apparatus and method for monitoring faults in an electric machine |
PCT/EP2022/076904 WO2023052385A1 (en) | 2021-09-30 | 2022-09-28 | System, apparatus and method for monitoring faults in an electric machine |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118043689A true CN118043689A (zh) | 2024-05-14 |
Family
ID=78414149
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202280066389.2A Pending CN118043689A (zh) | 2021-09-30 | 2022-09-28 | 用于监视电机中的故障的系统、装置和方法 |
Country Status (3)
Country | Link |
---|---|
EP (1) | EP4160233A1 (zh) |
CN (1) | CN118043689A (zh) |
WO (1) | WO2023052385A1 (zh) |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113030723A (zh) * | 2021-03-15 | 2021-06-25 | 上海大学 | 一种交流异步电机状态监测系统 |
-
2021
- 2021-09-30 EP EP21200024.4A patent/EP4160233A1/en active Pending
-
2022
- 2022-09-28 CN CN202280066389.2A patent/CN118043689A/zh active Pending
- 2022-09-28 WO PCT/EP2022/076904 patent/WO2023052385A1/en active Application Filing
Also Published As
Publication number | Publication date |
---|---|
WO2023052385A1 (en) | 2023-04-06 |
EP4160233A1 (en) | 2023-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3300005B1 (en) | Augmented reality presentation of an industrial environment | |
Wallscheid | Thermal monitoring of electric motors: State-of-the-art review and future challenges | |
KR101936027B1 (ko) | 엔지니어링 툴, 시스템 및 모듈 | |
Giantomassi et al. | Electric motor fault detection and diagnosis by kernel density estimation and Kullback–Leibler divergence based on stator current measurements | |
EP3163522A1 (en) | Automated creation of industrial dashboards and widgets | |
WO2018198111A1 (en) | Systems and methods for monitoring of mechanical and electrical machines | |
US11933838B2 (en) | Managing health condition of a rotating system | |
CN107944563B (zh) | 机械学习装置以及机械学习方法 | |
CN106054822B (zh) | 规划和工程设计方法,软件工具和模拟工具 | |
KR20210042961A (ko) | 기계의 남아있는 사용 수명을 예측하기 위한 어셈블리 및 방법 | |
EP4033390A1 (en) | System and method for fault prediction and management of an asset | |
WO2021052777A1 (en) | System, apparatus and method for predicting attributes of an asset | |
US8829840B2 (en) | Auto-compensating system and method for condition monitoring of electrical machines | |
US20230251606A1 (en) | System, apparatus and method for managing an electromechanical system | |
EP4174601A1 (en) | System, apparatus and method for monitoring condition of an asset in technical installation | |
Mustafa et al. | Broken bars fault diagnosis based on uncertainty bounds violation for three‐phase induction motors | |
WO2016025229A1 (en) | System and method for advanced process control | |
CN118043689A (zh) | 用于监视电机中的故障的系统、装置和方法 | |
Ma et al. | Fault prognosis technology for non‐Gaussian and nonlinear processes based on KICA reconstruction | |
Mustafa | On fault detection, diagnosis and monitoring for induction motors | |
Antic et al. | Application of Structured and Directional Residuals for Fault Detection and Isolation on Permanent‐Magnet DC Motor with Amplifier | |
Breitenbach et al. | Thermal monitoring of electrical machines by linear differential equations and numerical calibration procedure | |
Calderon Carrion et al. | Digital Twin Technology for Modeling, Simulation and Control of a Mechatronic System | |
Rigatos et al. | Neural networks and statistical decision making for fault diagnosis of PM linear synchronous machines | |
Nguyen | Development of Predictive Maintenance Model for Induction Motor |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination |