一种基于混合仿真算法的电机健康评估方法及系统技术方案

一种基于混合仿真算法的电机健康评估方法及系统，包括信息收集模块、数据分析模块、健康评价模块；本发明专利技术对电机工作时的电流电压温度数据通过传感器进行收集，用改进的卡尔曼滤波法进行数据筛选，通过混合仿真算法进行数据加工计算，计算电机转速和转矩参数，对获取的参数进行分析，与数据库存储的正常工作的电机输出的参数进行对比，且分析不同的故障所对应的异常数据，报告电机所发生故障，通过LSTM人工智能算法，预测电机将要发生的故障，提前进行检查预防。行检查预防。行检查预防。

【技术实现步骤摘要】
一种基于混合仿真算法的电机健康评估方法及系统


[0001]本专利技术涉及电机健康评估领域，具体地说，涉及一种基于混合仿真算法的电机健康评估方法及系统。

技术介绍

[0002]电机作为人类进步的关键部件，被广泛的用于各种机器中，如数控基础，电机各种效率高，伺服性能高，但电机发生故障时会直接导致机器罢工，产生巨大的经济损失；电机故障具有多样性，有电机退磁，线组短路，电机偏心；不同的故障有着不同的原因，导致有不同的维修方式，判断电机故障原因不易，需要不断排除，维修所耗时间长，且目前能自动判断电机健康和故障的系统准确度不高。本专利技术采用基于混合仿真算法的电机健康评估系统，通过收集的电机工作数据，采用混合仿真算法，准确自动判断故障类型，快速定位电机故障原因，缩短电机维修时间，且对电机健康状况进行预测，可规划电机保养日期，减少电机故障发生概率，极大的提高了经济效益。

技术实现思路

[0003]本专利技术的目的在于提供一种基于混合仿真算法的电机健康评估方法及系统，以解决上述
技术介绍
中提出的问题。
[0004]为实现上述目的，提出了一种基于混合仿真算法的电机健康评估系统，包括信息收集模块、数据分析模块、健康评价模块；首先，对电机工作时的运行状态数据通过传感器进行收集，对收集到的信息进行卡尔曼滤波筛选，通过混合仿真算法进行数据加工，计算电机转速和转矩参数，对加工的数据上传数据库云端，云端数据库有电机正常工作情况下的各项参数，其次，对获取的参数进行分析，与数据库存储的正常工作的电机输出的参数和电机故障的表征参数进行对比，最后，分析不同的故障所对应的异常数据，报告电机所发生故障，得出电机健康程度，通过LSTM人工智能算法，预测电机的健康状况和将会发生的故障，提前进行检查预防。
[0005]进一步的，所述信息收集模块，通过传感器对电机工作情况下的参数进行收集，详细过程如下：通过电机上安装的参数传感器，在电机工作情况下，对电机的工作电流、工作电压、电机震动情况、电机工作温度进行收集整理，分门别类的上传至对应的数据库系统。
[0006]进一步的，所述信息收集模块，将传感器收集的电机工作数据进行滤波筛选，详细过程如下：本专利技术采用改进的卡尔曼滤波法进行噪声数据的筛选，对非线性的数据进行筛选，公式如下：公式如下：，
、分别代表k+1、k时刻的系统状态向量，代表k时刻到k+1时刻的转移状态矩阵，代表输入状态向量，代表从k+1时刻到k时刻的系统控制矩阵，代表k+1时刻的观测状态向量，代表k+1时刻的预测输出转移状态矩阵，代表噪声信息向量，代表噪声信息的参数；对于卡尔曼滤波算法的预测和更新两阶段，公式如下：公式如下：， 、分别代表k、k
‑
1时系统状态向量的估计值，、分别代表k时和k
‑
1时的估计协方差矩阵，代表预测模型的误差协方差矩阵，代表k时刻到k+1时刻的转移状态矩阵的转置矩阵；当数据观测到下一阶段时，进入更新阶段，得出卡尔曼增益的公式如下：，代表卡尔曼增益， 、分别代表输出转移矩阵和输出转移矩阵的转置矩阵，代表测量误差的协方差；对非线性的系统，通过改进的卡尔曼滤波方程，状态转移模型和观测模型公式为：状态转移模型和观测模型公式为：，代表从过去估计值计算预测状态函数，代表预测状态计算预测测量值的函数，、代表k时，k
‑
1时的预测状态值，计算偏导矩阵，公式如下：公式如下：，、分别为状态转移模型和观测模型的偏导矩阵；预测模型对当前状态的估计和估计协方差公式如下：预测模型对当前状态的估计和估计协方差公式如下：，为状态转移模型偏导矩阵的转置矩阵，代表协方差矩阵的误差系数；当系统收集到下一数据时，进入更新阶段，改进的卡尔曼增益计算公式如下：
，I代表数据总协方差，改进的卡尔曼滤波算法通过不断地而进行迭代，构建标准化的数据，对输入的噪声数据能准确识别并进行剔除。
[0007]进一步的，所述信息收集模块，采集电机未发生故障时的电机工作参数，详细过程如下：收集电机正常工作的工作电流、工作电压、电机震动情况、电机工作温度，对数据进行改进的卡尔曼滤波算法，筛选出噪声数据，并且在网络上下载不同电机正常工作情况下的工作参数，将正常工作数据模型上传云端服务器。
[0008]进一步的，所述数据分析模块，对筛选过的电机工作参数进行加工，详细过程如下：采样d
‑
q
‑
0坐标系进行方程构建，对静止坐标系A
‑
B
‑
C中的轴分量进行旋转变换，公式如下：，分别表示数据在d、q、a、b、c轴上的分量，表示变换参数，表示为电机同步角度；该转换方程将在原始坐标系A
‑
B
‑
C上的数据转换到了d
‑
q
‑
0坐标系中进行计算，得d
‑
q
‑
0坐标系中的数据计算公式为：0坐标系中的数据计算公式为：，、分别代表d轴、q轴上的电感分量，、分别代表定转子在d轴、q轴上的互感，、分别代表定子、转子的漏感，电压方程式为：电压方程式为：，、分别代表d轴、q轴上的定子电压分量，R代表电机的等效电阻，P代表电机的输入功率，、分别代表d轴、q轴上电流分量，代表角速度，磁链方程为：磁链方程为：磁链方程为：，、分别代表d轴、q轴上的定子磁链，代表电机磁链的残差，代表励磁磁链，代表定子线圈产生的励磁电流；
对励磁磁链方程两边同乘代表角速度即：，就是电机中定子绕组产生的空载反电动势：，通过空载试验得到的值，的值已知，可计算得到的值，最后得出电磁转矩的计算公式：，在实际工况，永磁同步电机的电磁转矩计算要考虑到由于制造误差和性能退化导致的谐波。
[0009]进一步的，所述数据分析模块，使用基于混合仿真算法，提高仿真算法精度，详细过程如下：在电机中采样混合仿真算法，构建如下等式：，、分别代表x轴，z轴上的电磁感应强度，代表y轴上的电场强度，代表介电常数，代表电导率，代表y轴方向的电流密度；对等式进行时间离散，得到y方向上的电场迭代方程：得到y方向上的电场迭代方程：得到y方向上的电场迭代方程：，、分别代表n时刻，空间步长为点上的电场强度，n代表时刻，代表空间步长，是拉普拉斯算子，代表n
‑
1时刻x轴与z轴结合的磁感应强度，代表n时刻y方向上的电流密度，其中A、B为两个参数；根据电场强度与电压之间的关系，建立电机电路与磁场的关系等式：，代表n时刻步距为时y方向的电压，表示n时刻y方向上的电流，代表j的总步距，分别代表x、y、z方向的微分，进而得到：，
代表n
‑
1时刻y方向上的电流，代表y方向上的电阻，所以总的电磁系统迭代方程为:，代表n时刻y方向上的电流密度，代表n
‑
1时刻的y方向上的等效电流，分别代表n时刻n
‑
1时刻的y方向上的等效电压，代表y方向的等效电阻，C为一个相乘系数，代表有效电压系数。
[0010]进一步的，所述数据分析模块，本专利技术使用云端数据库，将所有数据本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于混合仿真算法的电机健康评估系统，其特征在于，包括信息收集模块、数据分析模块、健康评价模块；其中，所述信息收集模块，通过电机上安装的参数传感器，在电机工作情况下，对电机的工作电流、工作电压、电机震动情况、电机工作温度进行收集整理，上传至对应的数据库系统；所述数据分析模块，使用基于混合仿真算法，提高仿真算法精度，使用云端数据库，将所有数据上传云端数据库，使用基于数据集合的NoSQL型数据库；利用Document机制，使用Json方式将表单实例记录持久化，用Collection机制对持久化的document进行效率分区，降低关系型数据库表数量；所述健康评价模块，对电机处于故障或工作异常时的基本表征参数进行收集分析，对输入的电机基本参数，加工后计算后的数据与故障表征参数进行对比，自动输出电机故障，通过LSTM人工智能算法，对电机所处健康状态进行预测，提前判断电机要发生的故障。2.权利要求1所述的基于混合仿真算法的电机健康评估系统的运行方法，其特征在于，所述运行方法的步骤为：首先，对电机工作时的运行状态数据通过传感器进行收集，对收集到的信息进行卡尔曼滤波筛选，通过混合仿真算法进行数据加工，计算电机转速和转矩参数，对加工的数据上传数据库云端，云端数据库有电机正常工作情况下的各项参数，其次，对获取的参数进行分析，与数据库存储的正常工作的电机输出的参数和电机故障的表征参数进行对比，最后，分析不同的故障所对应的异常数据，报告电机所发生故障，得出电机健康程度，通过LSTM人工智能算法，预测电机的健康状况和将会发生的故障，提前进行检查预防。3.根据权利要求2所述一种基于混合仿真算法的电机健康评估系统的运行方法，其特征在于，所述信息收集模块，将传感器收集的电机工作数据进行滤波筛选，详细过程如下：对收集的数据，采样改进的卡尔曼滤波法进行噪声数据的筛选，对非线性的数据进行筛选，公式如下：公式如下：，、分别代表k+1、k时刻的系统状态向量，代表k时刻到k+1时刻的转移状态矩阵，代表输入状态向量，代表从k+1时刻到k时刻的系统控制矩阵，代表k+1时刻的观测状态向量，代表k+1时刻的预测输出转移状态矩阵，代表噪声信息向量，代表噪声信息的参数；对于卡尔曼滤波算法的预测和更新两阶段，公式如下：公式如下：， 、分别代表k、k
‑
1时系统状态向量的估计值，、分别代表k时和k
‑
1时的估计协方差矩阵，代表预测模型的误差协方差矩阵，代表k时刻到k+1时刻的转移状态矩阵的转置矩阵；当数据观测到下一阶段时，进入更新阶段，得出卡尔曼增益的公式如下：，
代表卡尔曼增益， 、分别代表输出转移矩阵和输出转移矩阵的转置矩阵，代表测量误差的协方差；对非线性的系统，通过改进的卡尔曼滤波方程，状态转移模型和观测模型公式为：状态转移模型和观测模型公式为：，代表从过去估计值计算预测状态函数，代表预测状态计算预测测量值的函数，、代表k时，k
‑
1时的预测状态值。4.根据权利要求2所述一种基于混合仿真算法的电机健康评估系统的运行方法，其特征在于，所述数据分析模块，对筛选过的电机工作数据进行加工，详细过程如下：采样d
‑
q
‑
0坐标系进行方程构建，对静止坐标系A
‑
B
‑
C中的轴分量进行旋转变换，公式如下：，分别表示数据在d、q、a、b、c轴上的分量，表示变换参数，表示为电机同步角度，该转换方程将在原始坐标系A
‑
B
‑
C上的数据转换到了d
‑
q
‑
0坐标系中进行计算，得d
‑
q
...

【专利技术属性】
技术研发人员：孙培江，苏文胜，马龙，周超，徐佳，
申请(专利权)人：江苏省特种设备安全监督检验研究院，
类型：发明
国别省市：