基于“正确树”模型的电机在线监测和故障诊断方法技术

一种基于“正确树”模型的电机在线监测和故障诊断方法，包括依次进行的步骤：数据采集、数据的传输、建立电机内部模型、建立“正确树”模型、电机状态学习和故障诊断。本发明专利技术的优点是：通过实时在线采集电机的电压和电流数据，采用机器学习算法自主学习电机的运行模式，建立电机运行在正常工况下的“正确树”模型后，将电机实际运行工况与“正确树”模型进行比对，从而在故障早期及时发现电机发生的机械故障和电气故障并进行报警，减少设备计划外停机，提高生产率。用较低的成本提供准确的故障诊断和维修决策信息，对使用者的技术水平要求不高，其适用范围较电机故障诊断中常用的振动和电流特征分析系统更广，可应用在电机和发电机的监测。

On-line Motor Monitoring and Fault Diagnosis Method Based on \Correct Tree\ Model

【技术实现步骤摘要】
基于“正确树”模型的电机在线监测和故障诊断方法
本专利技术涉及一种基于“正确树”模型的电机在线监测和故障诊断方法。
技术介绍
随着现代化工业的发展以及“信息化”和“工业化”的不断融合，工业设备能否安全可靠的以最佳的状态运行，对于确保产品质量、提高生产能力、保障生产安全方面都有十分重要的意义。制造业设备的故障是指设备在规定时间内、规定条件下丧失规定功能的状况，通常这种故障是从某一零部件的失效引起的。而随着现代设备结构复杂化，其在工业生产中产生的影响和作用也越来越大。设备的停机或失效都会带来严重的损失。电机是风机、泵、压缩机、机床、传输带等各种设备的驱动装置，在工业生产中起着非常重要的作用，广泛应用于冶金、石化、化工、煤炭、建材、公用设施等多个行业和领域，是用电量最大的耗电机械。电机耗电占全社会总用电量的64％，其中工业领域电机总用电量占工业用电的75％。然而，尽管产业升级所带来的技术进步正在将电机的性能和品质不断推向新的高度，可是使用电机的方式，却几乎在它问世的这一百多年间没有什么太大的变化：连续运转，直到“寿终正寝”。同时，在提升电机使用寿命、确保其长时间稳定运行方面，除了繁琐复杂的人工检修和排查，目前在电机的维护和保养方面所采取的措施也仍然是非常有限的。这会带来一个很严重的问题，就是极高的设备风险成本。作为设备机械动力源的电机，其安装使用和维修更换的过程往往是极为耗时、费力的，一旦出现任何故障或损坏造成设备停产，总是会给企业带来不小的经济损失，包括：设备停机导致产能效率下降，以及因电机损坏而发生设备二次损伤等等。因此，针对电机的状态监测和故障诊断，是工业设备维护的关键问题之一。常用的电机故障诊断技术分为离线诊断和在线诊断，自二十世纪六十年代起，电机故障诊断技术作为一门新学科得到了广泛的认可。其中，电机的离线诊断包括了定期性维护和故障后维修。定期对电机进行检查和维修，能减少故障的发生频率，增加电机的使用寿命。但是，定期性维修容易导致工作量过大，生产停滞，会影响生产过程中的工作效率。故障后维修容易发生设备损坏，増加维修费用，造成巨大的经济损失。在线诊断就是采用仪器设备将故障信号传输到PC机上，然后通过仿真软件对信号数据进行处理分析。与离线诊断相比，现代化的在线诊断拥有良好的实时控制性，对电机的故障进行实时分析判断，不但能及时发现问题还能尽早解决问题，为生产制造减少了很多不必要的麻烦。目前常见的电机故障在线诊断方法分为基于解析模型和基于信号处理两大类。其中，基于解析模型的方法包括状态估计、参数估计等。这些方法需要描述过程中的精确数学模型，建模有助于对过程中机理结构的深入理解，其目的是得到精确的模型。但是在实践中，建模过程复杂，模型不易理解，且经常有不能明确地建模的复杂行为关系；基于信号处理的故障诊断包括温度、电流电压、振动、超声波等多类信号，所使用的工具包括小波变换等数学方法进行故障特征的提取，将提取后的特征与正常的电机进行比对，从而得出故障的原因。这些方法对维护人员的专业知识和经验要求较高，需要能够看懂波形或图形比对所指向的故障；且涉及到的信号越多，需要的数据采集硬件越复杂，成本越高。。
技术实现思路
为了解决现有技术存在的上述不足，本专利技术提出了一种基于“正确树”模型的电机在线监测和故障诊断方法。为实现上述目的，本专利技术所采取的技术方案是：一种基于“正确树”模型的电机在线监测和故障诊断方法，其特征在于，包括以下步骤：(1)数据采集:利用数据采集终端采集电机的相电压和相电流，数据采集终端包括传感器、信号处理模块、数据传输模块，作用是实现对电机相电流和相电压的实时高速采集，实现对动态波形的跟踪，并将数据以标准格式实时上传到配套软件的Linker模块；(2)数据的传输:将数据采集终端采集的电机运行时的三相相电压和三相相电流信号进行数字化转换，以用于进一步的信号处理；(3)建立电机内部模型；(4)建立“正确树”模型；(5)故障诊断：包括电机的电气故障和机械故障诊断。所述的步骤(2)中，低于480V的电压直接输入数据采集终端，高于480V的电压则要使用电压互感器；电流采用电流互感器或霍尔电流互感器；一个完整的数据采集周期为60秒。其中，每个周期的前40秒用于进行电流与电压波形信息的采集，后20秒用于数据后处理和分析。所述的步骤(3)，建立电机内部模型的具体方法包括以下步骤：(A)确定模型中参数：包括：(a)与转子断条故障对应的定子电流频率：f1＝(1±2ks)fs(fs为电源频率；k取正整数1,2,3…)；(b)与定子匝间绝缘对应的定子电流频率:f2＝[(n±2k)(1-s)]fs(n＝1,2,3…；s为转差率；fs是电源频率；k＝0,1,2…)；(c)与转子偏心故障(包含动态和静态偏心)对应的定子电流频率：f3＝(1-s)fs/p(fs为电源频率,p电机极对数)；(d)与轴承故障对应的定子电流频率:f4＝fs±kfv(k＝1,2,3…；fs是电源频率；fv是轴承特征故障频率)；(e)与齿轮故障对应的定子电流频率:f5＝fs±kfr(k＝1,2,3…；fs是电源频率；fr是齿轮的旋转频率)；(f)与机械松动故障对应的定子电流频率:f6＝kfs(k＝1,2,3…；fs是电源频率)。(B)学习设备正常的工作周期，系统设置60秒为一个周期；(C)周期内不断采集电机输入电压、电流的波形数据以及实际转速数值；(D)对周期内的电压和电流波形数据进行频谱分析；(E)用转差率计算出电机的转差率波动范围；(F)用A-F中的标准公式计算出故障频率所在的频率段，并将频率段的两端限值作为频域横坐标对应故障频率控制范围；(G)系统在自学习过程中将这些限值学习为常数后，将8天内学习的所有数据综合在一起建立电机的运转状态内部模型；(H)电机内部模型确定后，根据系统内已经植入的数据分析算法和经验算法，对电机的运转状态内部模型进行参数修正，并将修正后的频谱图作为正确树模型。所述的步骤(C)中电机实际转速数值的测定方法为：步骤1:采用相位差校正法计算电机定子电流中的基波频率；步骤2：根据基波频率和设定的转差率波动范围，确定一阶转子槽谐波频率的频率区间，并在此频率区间内搜索峰值，用相位差校正法计算一阶转子槽谐波频率；步骤3：利用式①计算电机转速：其中，R为转子槽数，f1是电源频率,fsh是转子槽谐波频率，n为电机转速。所述的步骤(4)，建立“正确树”模型的具体方法为：电机内部模型确定后，即可根据系统内已经植入的数据分析算法和经验算法，对电机的运转状态内部模型进行参数修正，并将修正后的频谱图作为正确树模型。所述的电机内部模型和“正确树”模型的建立过程是，通过机器学习，建立步骤(3)的电机内部模型，再以此为基础，通过算法建立步骤(4)的正确树，其具体方法如下：当整套系统第一次安装时，需要设定并学习电机的主要性能参数；如果电机运行在恒定的转速和负载下，只需要进行最简单的学习过程来确定电机内部模型参数，并建立“正确树”；如果有任何运行特征发生变化，都预示着可能有故障出现，当电机运行在可变的转速或可变的负载下时，一种负载范围的“正确树”对其他负载不成立，系统需要对每一种运行模式都分别学习并生成一个单独的电机内部模型和“正确树”，当电机运行状态发生变化后，系本文档来自技高网...

【技术保护点】
1.一种基于“正确树”模型的电机在线监测和故障诊断方法，其特征在于，包括以下步骤：(1)数据采集:利用数据采集终端采集电机的相电压和相电流，数据采集终端包括传感器、信号处理模块、数据传输模块，作用是实现对电机相电流和相电压的实时高速采集，实现对动态波形的跟踪，并将数据以标准格式实时上传到配套软件的Linker模块；(2)数据的传输:将数据采集终端采集的电机运行时的三相相电压和三相相电流信号进行数字化转换，以用于进一步的信号处理；(3)建立电机内部模型；(4)建立“正确树”模型；(5)故障诊断：包括电机的电气故障和机械故障诊断。

【技术特征摘要】
1.一种基于“正确树”模型的电机在线监测和故障诊断方法，其特征在于，包括以下步骤：(1)数据采集:利用数据采集终端采集电机的相电压和相电流，数据采集终端包括传感器、信号处理模块、数据传输模块，作用是实现对电机相电流和相电压的实时高速采集，实现对动态波形的跟踪，并将数据以标准格式实时上传到配套软件的Linker模块；(2)数据的传输:将数据采集终端采集的电机运行时的三相相电压和三相相电流信号进行数字化转换，以用于进一步的信号处理；(3)建立电机内部模型；(4)建立“正确树”模型；(5)故障诊断：包括电机的电气故障和机械故障诊断。2.根据权利要求1所述的基于“正确树”模型的电机在线监测和故障诊断方法，其特征在于，所述的步骤(2)中，低于480V的电压直接输入数据采集终端，高于480V的电压则要使用电压互感器；电流采用电流互感器或霍尔电流互感器；一个完整的数据采集周期为60秒。其中，每个周期的前40秒用于进行电流与电压波形信息的采集，后20秒用于数据后处理和分析。3.根据权利要求1所述的基于“正确树”模型的电机在线监测和故障诊断方法，其特征在于，所述的步骤(3)，建立电机内部模型的具体方法包括以下步骤：(A)确定模型中参数：包括：(a)与转子断条故障对应的定子电流频率：f1＝(1±2ks)fs(fs为电源频率；k取正整数1,2,3…)；(b)与定子匝间绝缘对应的定子电流频率:f2＝[(n±2k)(1-s)]fs(n＝1,2,3…；s为转差率；fs是电源频率；k＝0,1,2…)；(c)与转子偏心故障(包含动态和静态偏心)对应的定子电流频率：f3＝(1-s)fs/p(fs为电源频率,p电机极对数)；(d)与轴承故障对应的定子电流频率:f4＝fs±kfv(k＝1,2,3…；fs是电源频率；fv是轴承特征故障频率)；(e)与齿轮故障对应的定子电流频率:f5＝fs±kfr(k＝1,2,3…；fs是电源频率；fr是齿轮的旋转频率)；(f)与机械松动故障对应的定子电流频率:f6＝kfs(k＝1,2,3…；fs是电源频率)。(B)学习设备正常的工作周期，系统设置60秒为一个周期；(C)周期内不断采集电机输入电压、电流的波形数据以及实际转速数值；(D)对周期内的电压和电流波形数据进行频谱分析；(E)用转差率计算出电机的转差率波动范围；(F)用A-F中的标准公式计算出故障频率所在的频率段，并将频率段的两端限值作为频域横坐标对应故障频率控制范围；(G)系统在自学习过程中将这些限值学习为常数后，将8天内学习的所有数据综合在一起建立电机的运转状态内部模型；(H)电机内部模型确定后，根据系统内已经植入的数据分析算法和经验算法，对电机的运转状态内部模型进行参数修正，并将修正后的频谱图作为正确树模型。4.根据权利要求3所述的基于“正确树”模型的电机在线监测和故障诊断方法，其特征在于，所述的步骤(C)中电机实际转速数值的测定方法为：步骤1:采用相位差校正法计算电机定子电流中的基波频率；步骤2：根据基波频率和设定的转差率波动范围，确定一阶转子槽谐波频率的频率区间，并在此频率区间内搜索峰值，用相位...

【专利技术属性】
技术研发人员：于忠清，韩松，圣焕宝，
申请(专利权)人：青岛鹏海软件有限公司，
类型：发明
国别省市：山东,37