CN103648827A - 用于预测电机的机械故障的***和方法 - Google Patents
用于预测电机的机械故障的***和方法 Download PDFInfo
- Publication number
- CN103648827A CN103648827A CN201280033496.1A CN201280033496A CN103648827A CN 103648827 A CN103648827 A CN 103648827A CN 201280033496 A CN201280033496 A CN 201280033496A CN 103648827 A CN103648827 A CN 103648827A
- Authority
- CN
- China
- Prior art keywords
- motor
- characteristic
- mechanical breakdown
- fault
- electric machine
- 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
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L3/00—Electric devices on electrically-propelled vehicles for safety purposes; Monitoring operating variables, e.g. speed, deceleration or energy consumption
- B60L3/0023—Detecting, eliminating, remedying or compensating for drive train abnormalities, e.g. failures within the drive train
- B60L3/0061—Detecting, eliminating, remedying or compensating for drive train abnormalities, e.g. failures within the drive train relating to electrical machines
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L2200/00—Type of vehicles
- B60L2200/26—Rail vehicles
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L2220/00—Electrical machine types; Structures or applications thereof
- B60L2220/40—Electrical machine applications
- B60L2220/42—Electrical machine applications with use of more than one motor
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L2240/00—Control parameters of input or output; Target parameters
- B60L2240/40—Drive Train control parameters
- B60L2240/42—Drive Train control parameters related to electric machines
- B60L2240/421—Speed
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L2240/00—Control parameters of input or output; Target parameters
- B60L2240/40—Drive Train control parameters
- B60L2240/42—Drive Train control parameters related to electric machines
- B60L2240/423—Torque
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L2260/00—Operating Modes
- B60L2260/40—Control modes
- B60L2260/50—Control modes by future state prediction
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/64—Electric machine technologies in electromobility
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/80—Technologies aiming to reduce greenhouse gasses emissions common to all road transportation technologies
- Y02T10/84—Data processing systems or methods, management, administration
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Power Engineering (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本发明公开一种用于预测车辆中牵引电机的机械故障的方法,所述方法包括:在第一检测窗口期间监测供应至车辆的牵引电机的电信号的第一特性。所述第一特性表示所述牵引电机的第一电机电气特征。所述方法还包括:从所述第一电机电气特征的第一数学模型导出一个或多个特征值,和基于所述一个或多个特征值来预测所述牵引电机的机械故障。
Description
技术领域
本发明所描述的主题的一个或多个实施例涉及电动机,如车辆的牵引电机。虽然就机车或其他轨道车辆的牵引电机来描述某些实施例,但是本发明中所描述的主题还可以更普遍地应用于其他非公路车辆(OHV)或其他车辆。
背景技术
已知的车辆可以包括若干种电动机,如三相交流电(AC)牵引电机,其接收三相AC以给所述电机供电。就每个电机而言,将电流的不同相位传递给设置在所述电机的定子中的不同导电线圈。所述电流在所述定子中产生磁场并且引起所述电机的转子在所述定子内旋转。所述转子可以通过一个或多个齿轮或其他联接器与车辆的车轴或车轮联接。所述转子的旋转引起所述车轴和车轮的旋转以推进车辆。
若干机械部件可以用于实现所述转子在所述电机的定子内的旋转。例如,可以将轴承设置在转子与定子之间,以使转子位于定子的中央并且允许转子在定子内以相对较高的速度旋转。齿轮和/或其他联接部件可以与所述转子联接,以将所述转子的旋转转化成车轴或车轮的旋转。所述轴承、齿轮和/或其他联接部件中的一个或多个可能随时间开始发生故障。例如,轴承与所述转子或定子之间的摩擦、齿轮之间的摩擦和/或所述电机的两个或更多其他部件之间的摩擦可能随着所述轴承、齿轮或其他部件开始发生机械故障而增大。如果未及时识别具有发生故障的轴承、齿轮或其他部件的电机,那么所述发生故障的轴承、齿轮或其他部件可能卡住或锁住并且引起所述电机发生故障。一旦电机发生故障,电机就可能不再运转来推进车辆。
一些已知***和方法使用添加至车辆的电机上的另外的传感器来确定所述电机是否趋向于发生故障,如通过发生故障的轴承、齿轮或其他部件所引起。然而,这些传感器的添加可能增加车辆所需要的成本和/或维护。此外,这些已知传感器中的一些可能不能在趋向于发生故障的电机与如车辆正在行进通过不平坦的表面、轨道等等的外部噪声之间进行准确区分。例如,不平坦的表面可能引起所述传感器检测到电机趋向于发生故障的假阳性识别。
存在对一种用于预测电动机的即将发生的机械故障的***和方法的需要,所述***和方法不会显著地增加车辆的成本和/或维护和/或可以在发生故障的电机与所述***的外部噪声之间进行准确区分。
发明内容
在一个实施例中,一种用于具有多个电动机的车辆的方法包括:针对所述电机生成电机电气特征(signature)。所述电机电气特征可以表示供应至所述电机的电能的一个或多个特性。每个电机可以是与其他电机同一类型的电机和/或与其他电机包括同一类型的轴承(如小齿轮端轴承或其他类型的轴承)。(“同一类型”意思是:电机具有以下特性中的一个或多个:同一制造商零件或零件数量;相同的非微小(non-trivial)电特性或机械特性,以使得可以将一个电机或轴承置换成另一个而无需对所述电机或车辆接口进行回修;或足够相似的电特性或机械特性,以使得根据本发明中所描述的本发明主题的各个方面,可以对所述电机和轴承进行比较而具有成功的结果。)所述方法进一步包括:识别每个所述电机电气特征的一个或多个故障测度。所述故障测度指示所述电机的轴承的机械特性。所述方法进一步包括:执行对每个电机的一个或多个故障测度与同一车辆中的其他电机的一个或多个故障测度的比较。所述方法进一步包括:基于所述比较来预测所述电机中的一个或多个的机械故障。机械故障可以包括联接至电机上或与所述电机相互连接的一个或多个部件的以下事件或故障:引起包括所述电机以提供推进车辆的牵引力的推进***或子***的功能紊乱。机械故障的实例包括牵引电机的锁定的车轴、卡住的轴承等等。
在另一个实施例中,一种用于具有多个电动机的车辆的方法包括:针对所述电机产生电机电气特征。所述电机电气特征表示供应至所述电机的电能的一个或多个特性。所述方法还包括:识别每个所述电气特征的一个或多个故障测度电机。所述故障测度指示所述电机的机械特性。所述方法进一步包括:将每个电机的一个或多个故障测度与同一车辆中的其他电机的一个或多个故障测度进行比较;和基于比较所述电机的所述故障测度来预测一个或多个电机中即将发生的机械故障。
在另一个实施例中,故障预测***包括输入/输出(I/O)模块、特征生成模块和分析模块。如本发明中所使用,术语“单元”或“模块”包括操作以执行一个或多个功能的硬件和/或软件***。例如,单元或模块可以包括:基于存储在如计算机存储器的有形且非临时性计算机可读存储介质上的指令执行操作的一个或多个计算机处理器、控制器和/或其他基于逻辑的设备。替代地,单元或模块可以包括:基于处理器、控制器或其他设备的硬线逻辑执行操作的硬线设备。在一个或多个实施例中,单元或模块包括如计算机存储器的有形且非临时性(例如,不是电信号)的计算机可读介质或与其相关联。附图中所示的单元或模块可以表示:基于软件或硬线指令进行操作的硬件、用于存储和/或提供所述指令的计算机可读介质、指引硬件来执行所述操作的软件或其组合。
所述I/O模块配置用于:确定供应至车辆中的多个电动机的电能的一个或多个特性。所述特征生成模块配置用于:针对所述电机产生电机电气特征。所述电机电气特征表示供应至所述电机的电能的特性。所述分析模块配置用于:确定所述电机中的一个或多个的电气特征的一个或多个故障测度。所述故障测度指示所述电机中的一个或多个的机械特性。所述分析模块还配置用于:将每个电机的故障测度与同一车辆中的其他电机的故障测度进行比较,并且基于比较所述电机的故障测度来预测所述电机中的一个或多个的即将发生的机械故障。
在另一个实施例中,提供一种用于具有处理器的***的计算机可读存储介质。所述计算机可读存储介质包括指引所述处理器以针对常见车辆的多个电动机生成电机电气特征的一个或多个指令组。所述电机电气特征表示供应至所述电机的电能的一个或多个特性。所述一个或多个指令组还指引所述处理器来识别每个所述电机电气特征的一个或多个故障测度。所述故障测度指示所述电机的机械特性。所述一个或多个指令组还指引所述处理器将每个电机的所述一个或多个故障测度与同一车辆中的其他电机的所述一个或多个故障测度进行比较,并且基于比较所述电机的故障测度来预测所述一个或多个电机中即将发生的机械故障。
在另一个实施例中,一种用于具有多个电动机的车辆的方法包括:获得所述多个电动机的相应电气特征。所述电气特征与供应至所述电机的相应电能有关。所述方法还包括:执行对所述电机中的一个的电气特征与同一车辆中的其他电机的电气特征的比较,基于所述比较确定所述电机中的所述一个即将发生的机械故障,和响应于确定所述即将发生的机械故障而传达信号。
在另一个实施例中,诊断方法包括:接收与车辆的多个电机中的一个的即将发生的机械故障的自动车载确定有关的第一信号;和响应于接收所述第一信号的至少一个以下步骤:为所述车辆安排维护操作;生成用于控制所述车辆的第二信号,所述控制是用于使所述车辆停止或引起所述车辆行进至指定维护设施中的至少一个目的;生成与所述即将发生的机械故障有关的警报信号,或生成与执行所述维护操作有关的信息。
另一个实施例涉及一种用于具有多个电动机的车辆的方法。所述方法包括以下步骤:基于供应至电机的相应电能的一个或多个特性而生成所述电机的电机电气特征(例如,针对每个电机生成一个相应电机电气特征)。所述方法进一步包括:识别或以其他方式确定所述电机电气特征的一个或多个故障测度。所述故障测度指示所述电机的机械特性,例如,它们潜在地指示所述电机的即将发生的机械故障。所述方法进一步包括:将每个电机的所述一个或多个故障测度与同一车辆中的其他电机的所述一个或多个故障测度进行比较。所述方法进一步包括:基于比较所述电机的故障测度来预测所述电机中的一个或多个即将发生的机械故障。使用基于处理器的***(例如,通过软件控制的)或其他电子***可以自动地实行所述步骤。一方面,预测即将发生的机械故障包括:生成指示所述即将发生的机械故障的输出信号。所述输出信号可以是车辆控制信号,其由所述车辆使用以自动地改变所述车辆的牵引力和/或制动力,和/或通知所述车辆的操作者来改变所述车辆的所述牵引力和/或所述制动力。
另一个实施例涉及一种用于车辆的方法,所述车辆具有多个电动机(例如用于推进所述车辆的多个牵引电机)。所述方法包括以下步骤:针对每个电机,获得与供应至所述电机的电能有关的一个测量值。所述方法进一步包括:执行对所述电机彼此的测量值的比较。所述方法进一步包括:基于所述比较来预测所述电机中的至少一个的即将发生的机械故障。在实施例中,对即将发生的机械故障的预测仅基于对所述多个电机的比较。在另一个实施例中,每个电机的测量值是供应至所述电机的电能的频谱,并且所述比较是所述频谱的次谐波(subharmonic)部分。
在另一个实施例中,一种方法(例如,一种用于预测车辆中的牵引电机的故障的方法)包括:在第一检测窗口期间监测供应至车辆的牵引电机的电信号的第一特性。所述第一特性可以表示供应至所述牵引电机的电流的测量值,并且可以用于生成表示供应至所述牵引电机和/或所述牵引电机所需求的电流的第一电机电气特征。所述方法还包括:从所述第一电机电气特征的第一数学模型导出一个或多个特征值,和基于所述一个或多个特征值来预测所述牵引电机的机械故障。
在另一个实施例中,一种***(例如,一种用于预测车辆中的牵引电机的机械故障的***)包括特征生成模块和分析模块。所述特征生成模块配置用于:在第一检测窗口期间监测供应至车辆的牵引电机的电信号的第一特性。所述第一特性表示所述牵引电机的第一电机电气特征。所述分析模块配置用于:确定所述第一电机电信号的第一数学模型,并且从所述第一数学模型导出一个或多个特征值。所述分析模块进一步配置用于:基于所述一个或多个特征值来预测所述牵引电机的机械故障。
在另一个实施例中,提供另一种用于具有多个电动机的车辆的方法。所述方法包括:针对所述电机生成电机电气特征。所述电机电气特征表示供应至所述电机的电能的一个或多个特性。每个电机可以是与其他电机同一类型的电机和/或与其他电机包括同一类型的轴承(如小齿轮端轴承)。所述方法还包括:识别每个所述电机电气特征的一个或多个故障测度。所述故障测度指示所述电机的轴承的机械特性。所述方法还包括:执行对每个电机的所述一个或多个故障测度与同一车辆中的其他电机的所述一个或多个故障测度的比较,和基于所述比较来预测所述电机中的一个的轴承的机械故障。
附图说明
参照附图阅读以下对非限定性实施例的描述将会更好地理解本发明的主题,在以下附图中:
图1是故障预测***的一个实施例的示意图;
图2示出根据一个实施例的图1中所示的电机的局部剖视图;
图3是图1中所示的故障预测***的一个实施例的示意图;
图4是由图3中所示的能量传感器所测量的电能的电特性的图形表示的一个实例;
图5是电机电气特征的一个实例;
图6是电机电气特征的另一个实例;
图7是代表性电气特征的一个实例;
图8是图1中所示的电机的故障特征的一个实例;
图9是示出图1中所示的若干电机的若干故障测度的直方图的实例;
图10是示出图1中所示的若干电机的若干故障测度的直方图的另一个实例;
图11是图1中所示的电机的离散电气特征的一个实例;
图12是电机电气特征的另一个实例;
图13示出具有若干代表性干扰峰的图12的电机电气特征;
图14和图15是一个实施例中的三相交流电机的电路的图;
图16是电机电气特征的另一个实例;
图17是联接至根据一个实施例的图1中所示的电机上的图3中所示的速度传感器的示意图;
图18是电机电气特征的另一个实例;
图19是一种用于预测车辆中的电机的机械故障的方法的流程图;
图20A是电牵引电机和有关输出驱动组件的示意图;
图20B是电机的理论速度-转矩曲线;
图21和图22是根据本发明主题的实施例的用于车辆的方法的流程图;
图23是阈值边界的示意图;
图24是根据另一个实施例的一种用于车辆的方法的流程图;以及
图25示出根据一个实例的图1中所示的电机的健康数据的时间序列。
具体实施方式
以下将详细参考本发明主题的实施例,在附图中示出本发明主题的实施例的实例。在可能的情况下,所有附图中所用的相同参考数字是指相同或类似的部分。尽管参照用于车辆的三相交流电动机来描述本发明主题的示例性实施例,但是实施例一般也可适用于与电动机一起使用。
本发明中所描述的至少一个实施例涉及一种监测供应至电动机(例如牵引电机)例如用于给所述电机供电的电能(例如电信号,如电流和/或电压、电感或其任意组合)的***和方法。监测所述信号以测量所述信号的特性。可以测量表示所述电能的多种特性。这些电特性可以包括:供应至所述电机的电流的一个或多个相位(one or morephases of current)的频率和/或供应至所述电机的所述电流的电压。替代地,可以测量所述信号的其他特性,如相位或相对相位(例如,供应至所述电机的多相电流的不同相位之间)、供应至所述电机的电流的一个或多个相位的变化(例如位移(shifts))、所述电机和/或通向所述电机的导电通路的电感、所述电机和/或通向所述电机的导电通路的阻抗、所述电机和/或通向所述电机的导电通路的电阻、供应至所述电机的电功率(例如瓦特)、供应至所述电机的电流的一个或多个谐波的频率等等。
替代地,可以监测其他信号,如温度信号(表示所述电机的一个或多个部件或与所述电机连接的部件的温度)、振动信号(表示所述电机的一个或多个部件或与所述电机连接的一个或多个部件的移动)等等。所测量的此类信号的特性可以包括温度测量值、振动频率、振动幅度、振动的持续时间等等。在另一个实施例中,所测量的所述电机的特性(characteristics)可以是电机102的操作或输出特性,如电机速度、由电机102所产生的转矩等等。
可以在所述电机运转时,如在所述电机推进或行动以沿着路线推进车辆时,监测所述特性。可以从所述特性生成所述电机的特征(signature)。所述特征可以称为电机电气特征并且包括对电能的一个或多个特性的表示。替代地,所述特征可以表示所述电机随时间的非电性特性(例如温度、振动、电机速度、转矩等等)。
作为一个实例,特征可以是供应至三相AC电机的电流或电压的三个相位中的一个或多个的频谱。在另一个实例中,所述特征可以是所述电机的时变电感特性。替代地,可以基于供应至电机的能量来生成另一种类型的特征。表示电机的电特性的特征可以称为电机电气特征或电气特征。
电机的特征可以表示所述电机的在一个时间段内所获得的所有所述特性,或所述特性的一个子集。例如,电机的电机电气特征可以包括在操作参数落在检测窗口(如以下所描述)内时供应至所述电机的电流的频谱。替代地,所述电机的特征可以仅包括此频谱的一个子集,如所述频谱中的所关注峰。
特征值可以来自对所述特征的测量。特征值可以直接对所述特征进行测量(例如,在频谱的特征中的峰的位置或频率、所述峰的振幅、所述峰的宽度等等),或可以从所述特征导出(例如,通过使一个或多个数学模型与所述特征中的特性配合;确定所述模型中的哪个模型与其他模型中的一个或多个或所有模型相比更好地匹配所述特性;并且将该模型的一个或多个参数识别为故障测度或特征值)。特征值在本发明中替换地可以称为电机的故障测度(fault measures)。
所述特征值(或故障测度)可以表示或指示电机的一个或多个机械特性。例如,特征值或故障测度可以指示所述电机的潜在的即将发生的机械故障、可以指示所述电机的潜在的即将发生的机械故障的所述特性趋势,或所述电机的另一个机械特性。如本发明中所描述,所述特征值或故障测度可以用于预测或确定电机是否具有可能导致所述电机的故障的机械故障。在对故障的直接检测将会另外需要或涉及对所述电机的大量维护,如通过将所述电机离线或从车辆取下以供检视或拆解时,此预测是有用的。例如,在电机的轴承或其他部件裂开或以其他方式损坏但是仍能够运转以推进车辆的情况下,特征值或故障测度可以用于识别此机械故障以防所述故障变成灾难性的,以致于所述电机完全失效或必需将所述电机离线进行修理或更换。
特征值或故障测度可以用作故障前兆,其对所述电机的一个或多个部件或连接或相互连接至所述电机上的一个或多个部件的潜在损坏进行量化。故障前兆可以表示允许电机继续执行(例如,提供牵引力)、但是最终可能导致所述电机的使用寿命提前终止的对所述电机的损坏(例如,相对小的和/或不重要的损坏)。特征值或故障测度可以用于预测或确定电机何时将会发生机械故障。例如,可以随时间跟踪特征值或故障测度,并且可以识别所述特征值或故障测度的数据的一个或多个趋势。这些趋势可适用于预测电机的剩余使用寿命,例如在所述电机将会或很可能发生机械故障之前剩余的时间。基于此信息,可以在某一时间和地点提前安排对所述电机的使用和/或对所述电机的修理或维护,所述时间和地点与另外可能在电机意外故障时所必需的时间和地点相比更方便。
在本发明中所描述的一个实施例中,不同特征值(例如基于表示不同特性的不同特征)可以彼此组合,以确定电机的代表性特征值。例如,基于电机的第一电特性的第一特征值、表示所述电机的一个不同的第二电特性的第二特征值、表示一个不同的第三机械特性(例如温度、振动、速度、转矩等等)的第三特征值可以彼此组合(例如线性地组合),以导出所述电机的代表性特征值。代表性特征值可以用于预测所述电机的机械故障和/或所述机械故障何时将会或很可能发生,如以上所描述。
在具有若干电机的车辆,如具有多个三相AC电机的机车或具有多个AC电机的矿用自卸卡车中,可以针对每个电机生成电机电气特征。检查所述电机电气特征以获得与不同电机相关联的故障测度、特征值和/或代表性特征值。可以在同一车辆的电机之间比较故障测度、特征值和/或代表性特征值,以识别所述电机中的一个或多个是否具有机械问题或即将发生的故障,而使得该电机很可能在不久的将来内(例如,在几分钟、几天、几周内或在该电机的当前操作期间)发生机械故障,和/或更可能在相对不久的将来在同一车辆中的一个或多个其他电机之前发生机械故障。
被识别为很可能发生机械故障和/或更可能在一个或多个其他电机之前发生机械故障的电机可以称为“已预测故障电机”。可以在已预测故障电机发生机械故障之前识别所述电机,这样使得如果可能的话,可以在故障之前修理所述电机。在一个实施例中,故障测度、特征值和/或代表性(representative)特征值可以与电机中的趋向于发生故障(例如,所述电机的轴承与转子或定子之间的摩擦在增大)的轴承相关联。替代地,所述故障测度、特征值和/或代表性特征值可以与以下各项相关联:趋向于发生故障的使电机与车轴相互连接的齿轮、所述车轴或所述车辆的某一其他牵引部件。
一旦将一个电机识别为已预测故障电机,或该电机与即将发生的机械故障相关联,本发明中所描述的***和方法的一个或多个实施例就可以采取另外的响应性动作。例如,可以在电机的潜在机械故障识别之后生成传达至控制子***的控制信号,所述控制子***控制由包括所述电机的车辆所提供的牵引力和/或制动力。所述控制信号可以自动地改变所述牵引力和/或制动力,如通过使所述车辆减速或停止移动。替代地,所述控制信号可以向车辆的操作者提供指示所述操作者使所述车辆减速或停止移动的通知(例如,显示在显示设备上的指令)。在另一个实施例中,所述控制信号可以包括通知并且警告所述操作者已识别的即将发生的机械故障的警报信号。
在另一个实例中,可以在电机的潜在机械故障识别之后生成传达至设在车辆机外(off-board)的位置的输出信号,所述位置例如为定位在远离所述车辆的调度中心或修理中心。响应于接收所述输出信号,所述机外位置可以为所述车辆安排维护操作,如对与已识别的即将发生的机械故障相关联的电机的已安排检查和/或修理。所述机外位置可以将响应性信号传输至所述车辆,所述响应性信号控制所述车辆的牵引力,或指示所述车辆的操作者改变所述车辆的牵引力,以便使所述车辆停止或使得所述车辆行进至指定的维护设施,在所述指定维护设施处可以检查和/或修理所述电机。在一个实施例中,来自所述车辆的输出信号可以包括与将要对所述电机执行的维护操作有关的信息,如所述电机和/或轴承或齿轮可能是已识别的即将发生的机械故障的原因的潜在识别。
可以将所公开的***的一个或多个实施例更新到现有车辆中。例如,可以将来自已经设置为车载的一个或多个现有能量传感器(例如电流或电压传感器、速度传感器等等)的输出输送至故障预测***,所述故障预测***具有接收并且分析由所述能量传感器所测量的电能的特性的模块。可以分析所述特性以识别以上所述的故障测度、特征值和/或代表性特征值。本发明中所描述的一个或多个实施例的至少一个技术效果是:能够基于供应至电机的电能的特性,在车辆移动时预测所述车辆中的哪些电动机很可能在所述车辆中的一个或多个其他电动机之前发生机械故障。可以在无需将电机从车辆移除、将电机离线或以其他方式拆解电机的情况下执行此预测。本发明中所描述的至少另一个技术效果是:基于在电机运转以推进车辆时和/或未将所述电机拆解以进行检视的情况下所收集的数据,来预测所述电机何时将会发生故障或很可能发生故障。
图1是故障预测***100的一个实施例的示意图。***100可以用于预测车辆104中的哪些电动机102很可能在一个或多个其他电机102之前发生机械故障,和/或用于预测电机102中的一个或多个何时将会或很可能发生故障。电机102总体地由参考数字102来指示并且单独地由参考数字102A、102B等等来指示。虽然图1中示出六个电机102,但是替代地,可以提供不同数量的电机102。车辆104可以是轨道车辆的机车,或替代地可以是能够自我推进的另一种车辆,如非公路车辆(off-highway vehicle)。
车辆104可以包括控制电机102中的一个或多个的操作的控制子***114,如计算机处理器或其他基于逻辑的设备。控制子***114可以由操作者手动控制和/或进行自动控制。例如,控制子***114可以基于手动可调整节流阀来改变电机102中的一个或多个的运转速度,和/或可以基于对已预测故障电机的检测来自动地改变所述电机102中的一个或多个的运转速度,所述已预测故障电机例如为由***100识别为很可能具有一个或多个已发生故障部件(例如轴承)并且可能相对很快地需要维修的电机102。
继续参照图1,图2示出根据一个实施例的电机102的局部剖视图。电机102可以是包括外定子200和内转子202的感应电机。图2中仅示出定子200和转子202的一部分。在一个实施例中,电机102是此项技术中已知的交流电感应电机。定子200可以是在电机102的运转期间相对于车辆104保持相对静止的固定部件,而转子202在向电机102馈送电能时随电机102并且相对定子200旋转。
若干轴承204与转子202联接并且接合定子200。轴承204在转子202与定子200之间提供减小的摩擦界面,以使得所述转子202能够在所述定子200内旋转而具有减少的摩擦。如果轴承204中的一个或多个如通过锁住或卡住而发生故障,那么转子202与定子200之间的摩擦可能显著增大,并且电机102可能发生机械故障。“锁住”或“卡住”意味着:轴承204可以停止相对于转子202和/或定子200进行旋转,或可以在电机102在运转时显著地降低相对于定子200的旋转。“发生机械故障”意味着:转子202锁住或卡住,并且转子202不能继续在定子200内旋转。在转子202锁住或卡住并且不能继续相对于定子200旋转,或仅能够以显著减小的速率旋转时,电机102可能发生机械故障。
电机102的转子202与车辆104的不同车轴106连接。转子202可以与车轴106(如图1中所示)直接联接,或一个或多个齿轮可以使转子202与车轴106相互连接。车轴106总体地由参考数字106来指示并且单独地由参考数字106A、106B等等来指示。车轴106与车轮108连结。在电机102的运转期间,转子202使车轴106旋转,所述车轴106使车轮108旋转。车轮108的旋转推进车辆104。
故障预测***100可以设置成在车辆104上的车载(on-board)型。例如,故障预测***100可以是定位在车辆104内的电子设备,如计算机或其他基于处理器的设备。替代地,故障预测***100可以是可由具有普通体型和力量的人从车辆104上移除的可携带和/或可移动设备。可以将故障预测***100更新到现有车辆104中。例如,先前已经使用过一次或多次的车辆104可以具有添加至所述车辆104的故障预测***100。如下所述,故障预测***100监测由电源110供应至电机102的电能。电源110是产生电流或电压的组件,如与交流发电机或发电机联接的柴油机。将所述电流或电压供应至电机102以引起所述电机102的转子202在定子200内旋转。在一个实施例中,电源110将供应至电机102的交流电提供为三相交流电,如包括电流的彼此偏移的三个相位的交流电。所述电流的三个相位可以称为第一电流相位(IA)、第二电流相位(IB)和第三电流相位(IC),如此项技术中已知。在所示实施例中,电源110定位成在车辆104上的车载型。
显示设备112为设置在车辆104上的车载型并且与故障预测***100可通信地联接。显示设备112包括从故障预测***100向车辆104的操作者提供输出的部件。例如,显示设备112可以包括视觉上呈现信息的监测器、将信息打印在纸或另一种介质上的打印机等等。显示设备112可以将故障预测***100分析供应至电机102的电能的结果呈现给操作者。例如,显示设备112可以指示哪个电机102很可能相对很快地(例如,在接下来的几小时或几天内)发生故障,或哪个电机102更可能在其他电机102之前发生故障。
图3是故障预测***100的一个实施例的示意图。***100包括基于存储在如存储器302的有形且非临时性计算机可读存储介质上的一个或多个指令组进行操作的处理器300,如计算机处理器、微处理器、控制器、微控制器或其他基于逻辑的设备。存储器302可以包括存储由处理器300可读的指令的硬盘驱动器、闪盘驱动器、RAM、ROM、EEPROM、CD-ROM、DVD-ROM等等。所述指令可以由指引处理器300执行操作的各种模块来表示。在所示实施例中,所述模块包括输入/输出模块304(“I/O模块”)、特征生成模块306和分析模块308。
I/O模块304从操作者接收输入和/或从***100形成针对操作者的输出。例如,I/O模块304可以与如键盘、触摸屏、麦克风等等的输入设备可通信地联接,以从所述操作者接收输入。I/O模块304可以形成传达至显示设备112以用于呈现给所述操作者的指令和/或信息。
特征生成模块306与一个或多个传感器310可通信地联接。传感器310单独地由参考数字310A、310B和310C来指示。虽然图3中示出三个传感器310,但是替代地,可以提供不同数量的传感器310。可以提供另外的传感器310以用于其他电机102。例如并且参照图1中所示的实施例,可以提供八个传感器310,其中针对每个电机102提供三个传感器310。传感器310测量电机102的特性。例如,传感器310可以是测量供应至电机102的电能的特性的能量传感器。替代地,传感器310可以是测量电机102的振动、温度、速度、转矩等等的机械传感器、温度传感器、速度传感器、转矩传感器或其他传感器。
如图3中所示,电源110可以通过导电通路312、314、316与电机102导电联接。电源110沿着导电通路312、314、316将电能馈送至电机102。例如,电源110可以沿着导电通路312、314、316将交流电传送至电机102,其中沿着每条导电通路312、314、316传输电流的不同相位(IA、IB、IC)。导电通路312、314、316可以分开地与电机102的定子200(图2中所示)的不同导电线圈连结,以使得向不同线圈传送不同相位(IA、IB、IC)。因此,定子200的线圈可以产生使电机102的转子202(图2中所示)在定子200内旋转的旋转磁场。在一个实施例中,能量传感器310可以与导电通路312、314、316联接或设置在导电通路312、314、316附近,如通过与导电通路312、314、316导电联接或感应联接。能量传感器310测量沿着导电通路312、314、316从电源110传输至电机102的电能的一个或多个特性。
传感器310可以包括测量供应至电机102的电流作为供应至电机102的电能的特性的电流传感器。传感器310可以监测馈送至电机102的交流电的不同相位。例如,第一传感器310A可以测量第一电流相位(IA),第二传感器310B可以测量第二电流相位(IB),并且第三传感器310C可以测量第三电流相位(IB),其中电流相位(IA、IB、IC)表示传送至电机102的定子200(图2中所示)以引起所述电机102的转子202(图2中所示)旋转的交流电的三个相位。替代地,传感器310可以是监测从电源110供应至电机102的电压的电压传感器。在另一个实施例中,传感器310可以是测量从电源110传送至电机102的能量的另一个电特性的其他传感器。例如,传感器310可以测量从电源110传送至电机102的电能的电感、阻抗、电阻、功率(例如,瓦特)等等。
在一个实施例中,传感器310可以监测在电机102运转以使车轴106和车轮108旋转时馈送至电机102的电能。传感器310通过一个或多个有线或无线通路将由传感器310感测的电能传达至***100。I/O模块304接收由所述传感器310中的一个或多个所监测的电能。一般来说,沿着导电通路312、314、316馈送至电机102的电能(如电流或电压)的量是基于电机102的速度或节流阀设定值。速度或节流阀设定值可以是控制车辆104由电机102推进的速度的操作者选定的设定值。为以选定速度或节流阀设定值进行运转,电机102的转子202(图2中所示)以一定旋转速度在定子200(图2中所示)内旋转。如果轴承204(图2中所示)、齿轮、车轴106和/或与电机102联接的其他牵引部件正在运转并且未锁住或卡住(例如,所述部件之间的摩擦未使电机102的性能显著减弱),那么电机102继续以所述速度设定值进行运转所需求的电能可能是近似恒定的。然而,如果一个或多个牵引部件,如轴承204、齿轮、车轴106等等开始卡住或锁住(或所述牵引部件之间的摩擦显著增大),那么电机102可能需要沿着导电通路312、314、316中的一条或多条来自电源110的增加的电能。考虑到电机102、齿轮和车轴106的旋转运动,此增大的需求在本质上可以是周期性的。例如,所述增大的需求可以一个或多个频率出现。
速度传感器318可以与电机102联接或设置在电机102附近,以监测所述电机102的旋转速度。例如,速度传感器318可以测量电机102的转子202(图2中所示)在电机102的定子204(图2中所示)内旋转的速度。速度传感器318可以是旋转速度传感器,其还可称为角速度传感器。速度传感器318测量电机102的旋转速度作为电机102的运转速度。速度传感器318通过一个或多个有线和/或无线连接向***100报告电机102的运转速度。
继续参照图3,图4是由传感器310测量的电能的电特性404、406的图形表示的一个实例。将电能的特性404、406示出为从电源110供应至电机102的电流的第一电流相位和第二电流相位(IA、IB)。替代地,可以将特性404、406表示为另一多个电流相位(IA、IB、IC);表示为所有电流相位(IA、IB、IC);表示为单个电流相位(IA、IB、IC);或表示为另一种特性。沿着表示时间的水平轴400和表示电流相位(IA、IB)的振幅的垂直轴402以时域示出特性404、406。在所示实施例中,水平轴400表示时间,单位是秒;而垂直轴402表示振幅,单位是伏特。
图4中所示的特性404、406可以表示由如传感器310A和310B的多个传感器310所测量的并且传达至***100的特征生成模块306的原始数据。特征生成模块306接收特性404、406并且基于所述特性404、406生成电机电气特征。在一个实施例中,所述电机电气特征包括由电源110供应至电机102并且由传感器310中的一个或多个所测量的电能的一个或多个特性的频域表示。
图5是由***100(图1中所示)的特征生成模块306(图3中所示)所产生的电机电气特征500的实例。电机电气特征500是基于供应至电机102(图1中所示)的电能的特性404、406(图4中所示)中的单个特性。例如,电机电气特征500可以基于电能的特性404。替代地,可以使用一种不同的特性。电机电气特征500对于电机102来说可以是独特的。例如,不同电机102A、102B、102C、102D、102E、102F在相同的运转速度下可以具有不同的电机电气特征500。
在一个实施例中,特征生成模块306(图3中所示)通过将基于时域的特性404(图4中所示)转换成频域来产生电机电气特征500。例如,特征生成模块306可以通过使用傅里叶变换来变换特性404而将所述特性404从时域转换成频域。替代地,可以使用时域到频域的另一种类型的变换,如离散傅里叶变换、快速傅里叶变换、拉普拉斯变换、Z变换、小波变换等等。
图6是由***100(图1中所示)的特征生成模块306(图3中所示)所产生的电机电气特征600的另一个实例。所述电机电气特征600是基于供应至电机102(图1中所示)的电能的多个所述特性。例如,电机电气特征600可以基于所述电能的特性中的两个或更多的乘积,如特性404(图4中所示)乘以特性406(图4中所示)的乘积。替代地,电机电气特征600可以基于不同多个所述特性的乘积。
在所示实施例中,特征生成模块306通过计算特性404、406的乘积(例如,使特性404、406彼此相乘)并且使用傅里叶变换将所述乘积从时域转换成频域来产生电机电气特征600。替代地,特征生成模块306可以通过计算多个其他特性的一个不同的乘积来产生电机电气特征600,所述多个其他特性例如为不同多个电流相位(IA、IB、IC)、电压、电阻、阻抗等等。特征生成模块306可以通过将基于时域的特性404、406转换成频域来产生电机电气特征600,这类似于如以上结合电机电气特征500(图5中所示)所描述的。
共同参照图5和图6,沿着表示频率的水平轴502、602和表示所述频率的振幅或盛行率(prevalence)的垂直轴504、604示出电机电气特征500、600。在所示实施例中,水平轴502、602以单位赫兹示出并且垂直轴504、604以对数刻度示出。电机电气特征500、600表示由传感器310(图3中所示)所感测的电能的特性中的一个或多个的频谱。电机电气特征500、600可以表示在相对短的时间段内供应至电机102(图1中所示)的电能的特性中的一个或多个。例如,电机电气特征500、600各自可以基于在若干秒(例如1至5秒)的时间段期间在电机102运转以使车轴106(图1中所示)旋转时由传感器310所感测的一个或多个电流相位(IA、IB、IC)或电压。替代地,可以使用更短或更长的时间段。电机电气特征500、600可以表示电机102正使车轴106旋转以推进车辆104(图1中所示)时的电能的特性的频谱。
如图5中所示,电机电气特征500包括若干峰506、508、510、512、514、516、518或相对于所述电机电气特征500的其他部分具有更大的振幅或沿着垂直轴504的高度的波形形状。虽然在图5中仅识别七个峰506、508、510、512、514、516、518,但是电机电气特征500可以包括更小或更大数量的峰。在一个实施例中,峰506、508、510、512、514、516、518包括速度相关峰506和若干其他峰508、510、512、514、516、518。如图5中所示,速度相关峰506与其他峰508、510、512、514、516、518相比可以具有更大的振幅。速度相关峰506所在处的频率可以是与最大振幅相关联(或在最大振幅的预定频率范围如1至2赫兹内)的频率。替代地,速度相关峰506的频率可以是速度相关峰506超过阈值振幅或落在阈值振幅以下所处的频率。如图6中所示,电机电气特征600包括若干峰606、608、610、612、614、616、618。虽然仅示出七个峰606、608、610、612、614、616、618,但是电机电气特征600可以包括更小或更大数量的峰。峰606、608、610、612、614、616、618包括速度相关峰606和若干其他峰608、610、612、614、616、618。
速度相关峰506、606具有分别大于一个或多个其他峰508、510、512、514、516、518或608、610、612、614、616、618的振幅或沿着垂直轴504、604的垂直高度。例如,速度相关峰506、606所具有的振幅可以分别比其他峰508、510、512、514、516、518或608、610、612、614、616、618的振幅大至少一个至二个数量级。可以通过将速度相关峰506、606的振幅与其他峰508、510、512、514、516、518或608、610、612、614、616、618的振幅进行比较来识别所述速度相关峰506、606。在一个实施例中,速度相关峰506、606的振幅超过所述其他峰中的至少一个或多个,和/或是电机电气特征500、600的最大振幅。替代地,可以通过确定电机电气特征500、600中的哪些峰超过阈值520、620来识别速度相关峰506、606。
速度相关峰506、606的频率可以称为电机电气特征500、600的基频(f0)。替代地,速度相关峰506、606的频率可以是除了谐频或基频(f0)之外的不同频率。速度相关峰506、606出现处的频率可以与电机102(图1中所示)运转时的速度相关联。例如,速度相关峰506、606可以位于基于电机102的速度而改变的频率处。在所示实施例中,当电机102增大其运转速度时,速度相关峰506、606的频率可以增大或右移。在图5和图6中,当电机102减小其运转速度时,速度相关峰506、606的频率可以减小或左移。
可以通过识别与速度相关峰506、606的最大振幅相关联(或在最大振幅的预定频率范围如1至2赫兹内)的频率来确定所述峰506、606的频率。替代地,速度相关峰506、606的频率可以是所述峰506、606上升至阈值(例如阈值520或620)以上或落在所述阈值以下处的频率。在另一个实施例中,可以将峰506、606的频率选择为位于由所述峰506、606所涵盖的频率中心处的频率等等。替代地,所述峰506、606的频率可以是与电机102(图1中所示)的各种运转速度相关联的已知或预定频率。例如,***100(图1中所示)的介质302(图3中所示)可以存储使电机102的不同运转速度(如电机102运转的每分钟转数)与针对所述电机102中的一个或多个的谐频或基频(f0)相关联的列表、数据库、表格或其他存储器结构。在操作中,***100的分析模块308(图3中所示)可以确定在获得通向电机102的电能的特性(并且从其生成电机电气特征500、600的)时的电机102的速度。分析模块308可以是指存储在介质302中的电机102的存储速度以便识别与所述速度相关联的谐频或基频(f0)电机。
所述峰508、510、512、514、516、518或608、610、612、614、616、618中的一个或多个可以与临时或非周期性条件相关联。“临时”或“非周期性”条件是持续相对短的时间段(例如,几秒或更短)的和/或不随时间规律重复的条件。临时或非周期性条件的实例可以包括车轮108(图1中所示)在轨道或表面上的滑行、车轮108沿着行进的轨道或表面的不平坦部分等等。此类条件一般在车辆104(图1中所示)行进时出现相对短的时间段,和/或可能不太可能以规律、重复的时间间隔出现。
所述峰508、510、512、514、516、518或608、610、612、614、616、618中的一个或多个可以与周期性条件相关联。“周期性”条件是重复出现和/或以近似规律的间隔出现的条件。周期性条件的实例可以包括:随电机102(图1中所示)的转子202(图2中所示)旋转的部分卡滞、卡滞或以其他方式故障的轴承204(图2中所示)、电机102与车轴106(图1中所示)之间的故障齿轮等等。车辆104的轴承204、齿轮和牵引部件(例如,图1中所示的电机102、车轴106和车轮108)的其他机械部件可以周期性方式旋转或移动。因此,牵引部件的问题可能在电机102的运转期间周期性地出现。因此,与牵引部件的问题相关联的峰可能重复地出现在电机电气特征500、600中。
***100的特征生成模块306(图3中所示)可以从由传感器310(图3中所示)所测量的不同组的特性产生若干电机电气特征500和/或600。例如,传感器310可以测量在若干重叠或非重叠时间段内供应至电机102(图1中所示)的电能的特性404、406(图4中所示)。可以针对与每个时间段相关联的特性404、406生成若干电机电气特征500和/或600。分析模块308(图3中所示)可以基于由特征生成模块306所产生的所述多个电机电气特征500和/或600来计算代表性电气特征。
所述代表性电气特征可以表示若干电机电气特征500和/或600的平均值、中值、均方根或其他统计测度。在一个实施例中,特征生成模块306基于预定数量的最近的电机电气特征500和/或600的移动平均值来计算代表性电气特征。例如,特征生成模块306可以产生电机102的代表性电气特征,即:两个、三个、四个、五个等先前针对电机102所生成的电机电气特征500和/或600的平均值。替代地,可以使用不同数量的先前所产生的电机电气特征500和/或600。
图7是代表性电气特征700的一个实例。沿着表示频率的水平轴702和表示代表性电气特征700中的频率的振幅或盛行率的垂直轴704示出代表性电气特征700。代表性电气特征700可以基于多个电机电气特征500(图5中所示)和/或600(图6中所示),所述多个电机电气特征500和/或600表示在电机102以恒速或在预定的速度范围内运转时供应至电机102(图1中所示)的电能的特性的频谱。例如,可以将代表性电气特征700计算为若干电机电气特征500和/或600的平均值、均方根或其他统计测度,所述若干电机电气特征500和/或600是从在电机102以一个或多个速度运转时所获得的一个或多个特性404、406(图4中所示)所产生,所述一个或多个速度彼此相差在5%、10%、15%、20%等等内。替代地,可以使用不同的范围。在另一个实施例中,可以基于在电机102以不同的速度或彼此相差不在预定范围内的速度运转时所获得的若干电机电气特征500和/或600来计算代表性电气特征700。
可以生成代表性电气特征700以便较少或消除电机电气特征500或600(图5和图6中所示)中基于临时或非周期性条件的峰。例如,通过对若干电机电气特征500和/或600求平均值,由临时或非周期性条件(例如,车轮滑行或不平坦的轨道或表面)所引起的峰的振幅相对于与周期性条件(例如,故障牵引部件)相关联的峰可能更小。临时或非周期性条件的峰与周期性条件的峰相比其出现频率可能更低。因此,临时或非周期性条件的峰的振幅可能显著小于代表性电气特征700中的周期性条件的峰。
在一个实施例中,分析模块308(图3中所示)将表示电机102(图1中所示)的速度的峰从代表性电气特征700移除。例如,如果用于形成代表性电气特征700的电机电气特征500、600(图5和图6中所示)是基于在电机102的不同运转速度下所获得的电能的特性,那么可能使与所述电机102的速度相关联的峰506、606(图5和图6中所示)削弱或从代表性电气特征700移除。替代地,特征生成模块306可以识别峰506、606并且移除代表性电气特征700中基于峰506、606的频谱的部分。因此,可以导出代表性电气特征700而不出现与电机102的速度相关联的峰506、606。例如,代表性电气特征700可以不包括用于生成所述代表性电气特征700的电机电气特征500、600的谐频或基频(f0)中的一个或多个。
如图7中所示,代表性电气特征700包括干扰峰708。干扰峰708在特征700中显示为波形片段,其所具有的垂直高度或振幅大于所述特征700中的一个或多个其他峰708。可以通过以下来识别干扰峰708:比较特征700中的多个峰的振幅并且选择具有更大振幅的一个或多个峰作为干扰峰708和/或作为候选干扰峰708。在一个实施例中,将干扰峰708识别为所具有的振幅大于特征700中的其他峰的主峰。虽然在图7中仅示出一个干扰峰708,但是替代地,代表性电气特征700可以包括多个干扰峰708。
干扰峰708可以由周期性条件引起,所述周期性条件例如为故障轴承204(图2中所示)、故障齿轮或其他故障牵引部件。例如,干扰峰708可以是电机102(图1中所示)的预故障指示符,或牵引部件(例如,电机102、图2中所示的一个或多个轴承204、齿轮、图1中所示的车轴106等等)中的某一机械部件正发生故障、已发生故障或与同一车辆104(图1中所示)的一个或多个其他部件相比更可能发生故障的指示符。干扰峰708可以由***100(图1中所示)的分析模块308(图3中所示)检测作为电机102的预故障指示符,因为可以在电机102仍运转以推进车辆104时、但是在电机102卡住或锁住并且不再能够推进所述车辆104之前识别所述干扰峰708。
在一个实施例中,分析模块308(图3中所示)通过检查由代表性电气特征700所表示的频谱的低频范围706来识别干扰峰708。在所示实施例中,频率极限710、712均位于小于用于产生代表性电气特征700的电机电气特征500、600(图5和图6中所示)中的一个或多个的基频(f0)的频率处。例如,分析模块308可以存储针对用于产生代表性电气特征700的电机电气特征500、600中的一个或多个所识别的谐频或基频(f0)。分析模块308可以计算基频(f0)的统计测度,如平均值、中值、均方根等等。替代地,分析模块308可以使用来自电机电气特征500、600的单个基频(f0)。在另一个实施例中,分析模块308可以从介质302获得基频(f0),所述介质302例如位于使电机102的运转速度与谐频或基频(f0)相关联的表格、数据库、列表或其他存储器结构中,如以上所描述。
低频范围706可以基于谐频或基频(f0)。例如,频率下限710和/或频率上限712可以是谐频或基频(f0)的预定分数。在一个实施例中,低频范围706涵盖或延伸经过谐频或基频(f0)的一半。例如,在图7中,由分析模块308(图3中所示)将基频(f0)确定为近似12赫兹,并且低频范围706涵盖并且延伸经过6赫兹。频率下限710示出为近似2赫兹并且频率上限712是近似8赫兹。
在另一个实例中,频率下限710可以是例如谐频或基频(f0)的30%。替代地并且举例来说,频率下限710可以是谐频或基频(f0)的不同分数,如1%、5%、10%、15%、20%、25%、33%、40%、45%等等。在另一个实施例中,频率下限710可以是0赫兹。频率上限712可以是谐频或基频(f0)的70%。替代地并且举例来说,频率上限712可以是谐频或基频(f0)的不同分数,如99%、95%、90%、85%、80%、75%、67%、60%、55%等等。在另一个实施例中,频率上限712可以等于谐频或基频(f0),或可以与谐频或基频(f0)具有预定差。
分析模块308(图3中所示)可以通过检查代表性电气特征700中位于低频范围706内的峰的振幅(或沿着垂直轴704的垂直高度)来识别干扰峰708。例如,分析模块308可以选择低频范围706内的所具有的振幅大于所述低频范围706内的一个或多个其他峰的峰作为干扰峰708。在所示实施例中,干扰频率708所具有的振幅沿着垂直轴704为近似500,而代表性电气特征700的在低频范围706内的剩余部分小于500。作为另一个实例,分析模块308可以选择低频范围706内的所具有的振幅大于所述低频范围706内的所有其他峰的峰作为干扰峰708。在所示实施例中,分析模块308在近似3赫兹的频率处识别干扰峰708。
分析模块308(图3中所示)可以生成电机102(图1中所示)的若干代表性电气特征700。例如,分析模块308可以基于最近所获得的电机电气特征500和/或600(图5和图6中所示)周期性地产生代表性电气特征。分析模块308可以在所述代表性电气特征中的一个或多个中识别干扰频率708,如以上所描述。替代地或另外,分析模块308可以基于所述若干代表性电气特征700来计算故障测度。所述故障测度包括表示在一个时间段期间针对电机102所识别的干扰频率708的振幅的一个或多个量值。例如,可以将故障测度计算为由分析模块308所产生的代表性电气特征700的均方根、平均值、中值等等中的一个或多个。故障测度可以表示预期电机故障或电机102的一个或多个部件(例如,轴承、齿轮、车轴等等)的预期故障。
图8是电机102(图1中所示)的故障特征800的一个实例。沿着表示频率的水平轴802和垂直轴804示出故障特征800,所述垂直轴804表示所述故障特征800中所述频率的振幅或盛行率。故障特征800表示图7中所示的多个代表性电气特征700。在一个实施例中,故障特征800是表示在不同时间段传送至电机102的电能的特性的多个代表性电气特征700的均方根。例如,可以从基于周期性地(例如,每1至3秒)获得的电机电气特征的代表性电气特征来产生故障特征800。替代地,故障特征800可以是多个所述代表性电气特征700的平均值、中值或其他统计测度。
在另一个实施例中,故障特征800可以基于电机电气特征500、600(图5和图6中所示)中的一个或多个。例如,代替故障特征800为两个或更多代表性电气特征700的均方根(或其他统计测度),故障特征800可以是多个所述电机电气特征500和/或600的平均值、中值、均方根或其他统计测度。
如图8中所示,故障特征800包括所具有的振幅808大于所述故障特征800中的一个或多个其他峰或所有其他峰的故障峰806。故障峰806的振幅808和/或故障峰806的出现可以用作电机102(图1中所示)的故障测度。“故障测度”意味着:故障峰806的振幅808和/或故障峰806的存在可以用作电机102(和/或连接至所述电机102上的牵引部件)很可能在不久的将来(例如在几分钟、几小时、几天或几周内)发生故障的指示符。故障峰806的存在可以通过比较振幅808与阈值振幅810来确定。故障测度表示电机102(图1中所示)的即将发生的机械故障的潜在指示符。例如,故障峰806的振幅808可以指示:电机102包括在不久的将来很可能发生故障的电机102的轴承204(图2中所示)、连接至电机102上的齿轮、车轴106(图1中所示)或车辆104(图1中所示)的其他牵引部件。
在一个实施例中,分析模块308(图3中所示)针对同一车辆104(图1中所示)的多个电机102(图1中所示)获得故障测度,并且比较所述电机102的故障测度以确定哪个电机102很可能发生机械故障和/或与一个或多个其他电机102相比更可能发生机械故障。例如,分析模块308可以针对每个电机102跟踪故障测度的数量,如电机102的故障峰806具有超过阈值810的振幅808的次数。分析模块308可以将故障峰806的数量与针对同一车辆104中的其他电机102所识别的故障峰806的数量进行比较,以便在针对电机102中的若干电机识别若干故障峰806时,减少将一个或多个电机102错误地识别为很可能发生机械故障的可能性。
图9是示出针对若干电机102(图1中所示)所识别的若干故障测度902的直方图900的实例。故障测度902总体地由参考数字902来指示并且单独地由参考数字902A、902B、902C等等来指示。故障测度902表示若干电机102中的每一个的故障测度的数量。在一个实施例中,每个故障测度902对应于常见车辆104(图1中所示)的一个不同电机102。例如,故障测度902A可以对应于电机102A的故障测度的数量,故障测度902B可以对应于电机102B的故障测度的数量,故障测度902C可以对应于电机102C的故障测度的数量等等。
***100(图1中所示)的分析模块308(图3中所示)可以检查每个电机102的故障测度902与其他电机102(图1中所示)的故障测度902,以确定电机102中的哪个(如果有的话)很可能发生机械故障或与一个或多个其他电机102相比更可能发生机械故障。在一个实施例中,分析模块308通过以下来比较电机102的故障测度902:将车辆104的所有或多个电机102的故障测度902的平均值、中值或其他统计测度与除了所关注电机之外的所有或所述多个电机102的故障测度902的平均值、中值或其他统计测度进行比较。例如,如果第N个电机102在由分析模块308检查,那么分析模块308可以针对车辆104的电机102来计算第一统计测度(μ1)和第二统计测度(μ2),并且将所述第一统计测度(μ1)与所述第二统计测度(μ2)之间的差与阈值进行比较,以确定所述第N个电机102是否很可能发生机械故障或与一个或多个其他电机102相比更可能发生机械故障。
将每个电机102(图1中所示)的故障测度902与其他电机102的故障测度902进行比较,可以减小一个或多个电机102很可能发生机械故障的假阳性确定的可能性。例如,代替单独地将每个电机102的故障测度902与静态阈值进行比较以确定该电机102是否很可能发生机械故障,可以将每个电机102的故障测度902与所有或至少多个电机102的故障测度902进行比较。在一个实施例中,同一车辆104(图1中所示)中的电机102中的若干电机可能不太可能同时具有倾向于故障或锁住的轴承204(图2中所示)、齿轮、车轴106(图1中所示)或其他机械部件。然而,由于用于识别故障测度902的一个或多个阈值(例如,图5、图6和图8中所示的阈值520、620、810)太低,所以电机102中的若干电机可能具有相对较大数量的故障测度902,即使电机102不太可能发生故障或与一个或多个其他电机102相比不是更可能发生故障。因此,可以将每个电机102的故障测度902与车辆104中的电机102群的集合故障测度902进行比较,以识别电机102中的哪个电机具有与所述电机102群显著不同的故障测度902数量。
在一个实施例中,将第一统计测度(μ1)计算为基于除了第N个电机102的故障测度902之外的车辆104的电机102的故障测度902的平均值、中值或其他计算值。将第二统计测度(μ2)计算为基于包括第N个电机102的故障测度902的车辆104的电机102的故障测度902的平均值、中值或其他计算值。如果所述第一统计测度(μ1)与所述第二统计测度(μ2)之间的差所具有的值小于或更负于阈值,那么将第N个电机102识别为很可能发生机械故障和/或与车辆104的一个或多个其他电机102相比更可能发生机械故障。例如,可以将第N个电机102识别为已预测故障电机。
另一方面,如果所述第一统计测度(μ1)与所述第二统计测度(μ2)之间的差大于或更正于所述阈值,那么不将第N个电机102识别为很可能发生机械故障和/或与车辆104的一个或多个其他电机102相比更可能发生机械故障。替代地,可以将第一统计测度(μ1)与第二统计测度(μ2)之间的差的绝对值与阈值进行比较,如果所述差的绝对值超过所述阈值,那么第N个电机102很可能发生机械故障和/或与车辆104的一个或多个其他电机102相比更可能发生机械故障。可以针对车辆104的所有电机102重复对第一统计测度(μ1)与第二统计测度(μ2)的计算和比较。
参照图9中所示的实例,以下表1显示与各个电机102相关联的故障测度902、第一统计测度(μ1)、第二统计测度(μ2)、第一统计测度(μ1)与第二统计测度(μ2)之间的差,和阈值差的实例。仅作为实例提供所述阈值差。可以使用不同的阈值差。
表1:
如表1的下面三排中所示,除了电机102E之外的所有电机102所具有的第一统计测度(μ1)与第二统计测度(μ2)之间的差大于或更正于所述阈值。替代地,除了电机102E之外的所有电机102的第一统计测度(μ1)与第二统计测度(μ2)之间差的绝对值小于以上阈值(例如,+0.8)的绝对值。电机102E所具有的第一统计测度(μ1)与第二统计测度(μ2)之间的满足所述阈值。因此,可以由分析模块308(图3中所示)将电机102E识别为很可能发生故障或与电机102A至102D和102F相比更可能发生机械故障。分析模块308可以指引***100(图1中所示)的I/O模块304(图3中所示)在显示设备112(图1中所示)上视觉呈现警告车辆104(图1中所示)的操作者电机102E很可能发生机械故障的文本或标记。
图10是示出针对若干电机102(图1中所示)所识别的若干故障测度902的直方图1000的另一个实例。直方图1000类似于图9的直方图900,但是具有电机102的不同的故障测度902。以下表2显示与各个电机102相关联的故障测度902、第一统计测度(μ1)、第二统计测度(μ2)、第一统计测度(μ1)与第二统计测度(μ2)之间的差,和直方图1000的阈值差的实例。仅作为实例提供所述阈值差。可以使用不同的阈值差。例如,不同车辆104(图1中所示)可以具有不同的相关联阈值。
表2:
如表2的下面三排中所示,所有电机102所具有的第一统计测度(μ1)与第二统计测度(μ2)之间的差小于所述阈值。替代地,所有电机102的第一统计测度(μ1)与第二统计测度(μ2)之间的差的绝对值小于以上阈值(例如,+0.8)的绝对值。因此,分析模块308(图3中所示)不会将任何电机102识别为很可能发生故障或与其他电机102中的任何电机相比更可能发生机械故障。
分析模块308(图3中所示)可以基于对已预测故障电机的识别来生成故障检测信号。例如,一旦分析模块308确定电机102(图1中所示)中的一个或多个很可能发生机械故障或更可能在一个或多个其他电机104之前发生机械故障,分析模块308就可以生成故障检测信号。所述故障检测信号可以是输送至如显示设备112(图1中所示)的输出设备的电信号。显示设备112可以基于故障检测信号向操作者生成如文本和/或图形的视觉输出,以通知所述操作者潜在的电机故障。基于故障检测信号,操作者可以停止车辆104(图1中所示)和/或关闭所述已预测故障电机的运转。
在另一个实施例中,故障检测信号可以用于控制车辆104(图1中所示)的运转。例如,***100(图1中所示)可以将故障检测信号从分析模块308(图3中所示)输送至车辆104的控制子***114(图1中所示)。控制子***114可以自动地关闭或降低基于故障检测信号被识别为已预测故障电机的电机102的运转速度。
在另一个实施例中,故障检测信号可以用于自动地安排或布置,以用于对通过故障检测信号被识别为已预测故障电机的电机102(图1中所示)的维护。例如,分析模块308(图3中所示)可以将故障检测信号传达至控制子***114(图1中所示)。在接收故障检测信号时,控制子***114可以与如能够修理电机102的铁路站场或其他设施的维修中心进行通信,以便为待维修的电机102安排时间。替代地,一旦接收故障检测信号,控制子***114就可以改变车辆104正在行进的方向和/或轨道。例如,控制子***114可以改变车辆104的进程,使得所述车辆104行进至某个位置(例如维修中心),在所述位置处,可以维修与故障检测信号相关联的电机102。在一个实施例中,控制子***114可以指引显示设备112来输出可以用于识别和/或修理与故障检测信号相关联的电机102的一个或多个步骤或操作。
返回至对图3中所示的***100的讨论,在另一个实施例中,分析模块308(图3中所示)可以检查从电源110传送至电机102的电能的特性的子集或一部分,以便识别电机102的故障测度902(图9中所示)。例如,通过将电能的基于时域的特性的子集转换成频域,其中所述子集基于电机102的运转速度,特征生成模块306(图3中所示)可以产生离散电气特征1100(图11中所示)。所述特性的子集可以称为“所关注频带”。
在一个实施例中,特征生成模块306接收由传感器310所感测的电能的特性。特征生成模块306从速度传感器318接收电机102的运转速度。基于所述运转速度,特征生成模块306可以确定与所述运转速度相关联的基频(f0)。例如,特征生成模块306可以是指使不同的运转速度与不同的基频(f0)相关联的表格、列表、数据库或其他存储器结构。特征生成模块306可以检索对应于运转速度的基频(f0)。替代地,可以基于运转速度来识别除了基频(f0)之外的频率。
特征生成模块306可以基于运转速度来确定所关注频带。例如,特征生成模块306可以确立涵盖包括基频(f0)的频率范围的所关注频带。特征生成模块306确立从频率下限到频率上限的所关注频带,其中频率下限和频率上限基于基频(f0)。可以根据以下关系来确定所关注频带:
fL=f0-Δf (方程#1)
fU=f0+Δf (方程#2)
其中fL表示频率下限,f0表示基频,fU表示频率上限,Δf表示基频(f0)的一部分,并且C表示数值常数。C的值可以根据车辆104、电机102的类型和/或其他因素而改变。在一个实施例中,C的值是3。替代地,C的值可以是例如2、4或另一个值。
特征生成模块306可以基于所关注频带应用离散傅里叶变换,以减少由***100使用以识别与电机102相关联的干扰峰的数据或信息的量。例如,在从传感器310接收的电能的基于时域的特性的矩阵中,特征生成模块306仅可以变换与所关注频带内的频率对应的那些特性。在一个实施例中,离散傅里叶变换和/或快速傅里叶变换用于将与所关注频带相关联的基于时域的特性转换成频域。替代地,可以使用另一种变换。
图11是电机102(图1中所示)的离散电气特征1100的一个实例。沿着表示频率的水平轴1102和表示频率的振幅或幅度的垂直轴1104示出电气特征1100。如图11中所示,电气特征1100从涵盖电机102的基频(f0)的所关注频带1110的频率下限1106延伸至频率上限1108。
***100(图1中所示)的分析模块308(图3中所示)可以使用电气特征1100来识别一个或多个干扰峰1112。例如,分析模块308可以检查电气特征1100的低频范围的干扰峰1112,如以上所描述。分析模块308可以获得若干电气特征1100并且计算所述电气特征1100的平均值、中值、均方根或其他统计测度以识别干扰峰1112,这类似于如以上所描述识别干扰峰708(图7中所示)的方式。干扰峰1112的识别然后可以用于产生电机102的故障测度,如以上所描述。分析模块308可以比较电机102的故障测度以识别哪些电机102很可能或与车辆104(图1中所示)的一个或多个其他电机102相比更可能发生机械故障,如以上所描述。使用所关注频带1110来识别干扰峰1112可以使得对电机102的故障测度的计算和识别更快,和/或可以涉及更低的计算成本和功率成本。
返回至对图3中所示的***100的讨论,在另一个实施例中,分析模块308(图3中所示)可以检查并且比较频谱中与从电源110传送至电机102的电能的特性相关联的若干峰,以便识别电机102的故障测度902(图9中所示)。例如,特征生成模块306(图3中所示)可以产生类似于电机电气特征500、600(图5和图6中所示)中的一个或多个的电机电气特征1200(图12中所示)。分析模块308可以检查电机电气特征1200的峰,以识别速度相关峰和一个或多个另外的峰。分析模块308然后可以选择所述另外的峰中的一个或多个作为干扰峰。所述干扰峰可以用于计算故障测度。例如,所述干扰峰的振幅的均方根值可以用作故障测度。如上所述,可以将每个电机102的故障测度与其他电机102的故障测度进行比较,以识别很可能发生机械故障或与一个或多个其他电机102相比更可能发生机械故障的电机102。
图12是电机102(图1中所示)的电机电气特征1200的另一个实例。沿着表示频率的水平轴1202和表示频率的振幅或幅度的垂直轴1204示出电气特征1200。***100(图1中所示)的分析模块308(图3中所示)可以使用电机电气特征1200来识别速度相关峰1206。例如,分析模块308可以识别与一个或多个其他峰相比具有更大振幅的峰。在一个实施例中,分析模块308通过确定哪个峰具有最大振幅1208或具有超过预定阈值的振幅1208来识别速度相关峰1206。
分析模块308(图3中所示)然后可以基于另外的峰的振幅来确定:除了速度相关峰1206之外,电机电气特征1200是否包括所述另外的峰。可以通过确定电机电气特征1200的哪些峰超过基于速度相关峰1206的振幅1208的阈值1210来识别所述另外的峰。在所示实施例中,阈值1210是基于振幅1208,以使得阈值1210不是预定阈值,而是随着速度相关峰1206的幅度而改变的阈值。
分析模块308(图3中所示)识别超过阈值1210的若干另外的峰1212。为了清楚起见,在图12中未用参考数字1212示出所有另外的峰1212。而是在图12中每个另外的峰1212处放置一个圆点。在所示实施例中,在图12中示出近似27个另外的峰1212。如通过确定沿着水平轴1202的哪些频率对应于每个另外的峰1212,分析模块308可以检查所述另外的峰1212出现在何处。基于另外的峰1212出现处的频率,分析模块308可以识别所述另外的峰1212的“簇”或群1214。
另外的峰1212的一个“簇”或群1214可以表示彼此相对靠近和/或与一个或多个其他群1214分开的一个或多个另外的峰1212。例如,一个群1214可以包括沿着水平轴1202在预定频率范围或频带内的另外的峰1212。在另一个实例中,一个群1214可以包括与一个或多个其他峰1212分开了至少预定频率范围或频带的一个或多个另外的峰1212。参照图12中所示的实施例,存在四个群1214,它们各自包括多个所述另外的峰1212并且位于从0至20赫兹的频率范围中。多个所述另外的峰1212的另一个群1214位于60赫兹附近。若干群1214包括单个另外的峰1212。例如,位于22赫兹、30赫兹、48赫兹和85赫兹的频率处或附近的群1214各自包括单个另外的峰1212。在一个实例中,这些群1214中每个群的单个另外的峰1212可以与其他另外的峰1212分开至少5赫兹。分析模块308检查每个群1214内的另外的峰1212并且选择每个群1214中的另外的峰1212中的至少一个作为代表性干扰峰。
图13示出具有若干代表性干扰峰1300的图12的电机电气特征1200。类似于图12,图13示出沿着表示频率的水平轴1202和表示频率的振幅或幅度的垂直轴1204的电气特征1200。通过比较每个群1214内的另外的峰1212(图12中所示),分析模块308(图3中所示)从图12中所示的群1214中选择代表性干扰峰1300。例如,分析模块308可以在每个群1214中选择具有最大振幅或所具有的振幅大于同一群1214内的一个或多个其他另外的峰1212的一个另外的峰1212作为该群1214的代表性干扰峰1300。替代地,分析模块308可以在群1214中选择所具有的振幅最接近同一群1214中的另外的峰1212的平均值、中值或其他统计测度的一个另外的峰1212作为该群1214的代表性干扰峰1300。在另一个实施例中,另一种技术可以用于识别群1214的代表性干扰峰1300。
如上所述,可以分析干扰峰1300以确定针对其生成电机电气特征1200的电机102(图1中所示)的故障测度。例如,可以获得干扰峰1300的振幅的均方根或其他统计测度,并且可以将所述均方根或其他测度与一个或多个阈值进行比较。可以将所具有的均方根或其他测度超过所述阈值的那些干扰峰1300识别为电机102的故障测度,而可以不将其他干扰峰1300识别为故障测度。如上所述,可以将每个电机102的故障测度与其他电机102的故障测度进行比较,以确定电机102中的一个或多个是否很可能发生机械故障或与一个或多个其他电机102相比更可能发生机械故障。
返回至对图1中所示的***100的讨论,在另一个实施例中,***100可以检查电机102的一个或多个电感特性以生成电机电气特征,并且基于所述特征确定所述电机102是否与一个或多个故障测度相关联。例如,电机102的电机电气特征可以表示一个或多个电感特性,如电机的102的转子202(图2中所示)与定子200(图2中所示)之间的互感、转子202或定子200的自感,和/或转子202和/或定子200的漏感。电感特性中的一个或多个随时间的变化可以指示电机102的故障测度。如上所述,故障测度可以用于确定一个或多个电机102是否很可能发生故障。
在一个实施例中,传感器310中的一个或多个监测沿着对应的导电通路312、314、316供应至电机102和/或由电机102所需求的电压和电流。例如,传感器310中的一个或多个可以包括电压传感器和电流传感器。传感器310测量供应至电机102的电压和电流,并且向***100报告所测量的电压和电流。特征生成模块306基于所述电压和电流计算一个或多个电感特性,并且可以生成表示所述电感特性和/或所述电感特性随时间的变化的电机电气特征。分析模块308检查所述电感特性以确定所述电感特性的一个或多个改变是否指示电机102的故障测度或与电机102的故障测度相关联。如上所述,故障测度用于在电机102实际故障之前确定电机102是否很可能发生机械故障。
为生成电机电气特征,特征生成模块306可以将所测量的供应至三相AC电机102的电压和电流变换成两个直流电(DC)量值。例如,特征生成模块306可以将电机102的三相AC电路变换成两个DC电路,以便计算电机102的电感特性。在一个实施例中,特征生成模块306使用直接正交变换(direct-quadrature transformation),如直接正交零变换(例如,dq0或dqo变换)、零直接正交变换(例如,0dq或odq变换)或帕克变换,以便将由传感器310所测量的三相电压和电流变换成直轴和交轴(分别是d和q)。
例如,可以使用此项技术中已知的技术,如以上提及的变换,将沿着三条导电通路312、314、316供应的三相电压(VA、VB、VC)和三相电流(IA、IB、IC)变换成d-q轴,或变换成d-q电压(VD、VQ)和d-q电流(ID、IQ)。d-q电压(VD、VQ)和d-q电流(ID、IQ)由特征生成模块306使用以计算电感特性并且生成所述电感特性的电机电气特征。
图14和图15是在一个实施例中表示三相AC电机102的d-q变换的电路1400、1500的图。例如,电路1400表示供应至电机102的电压和电流的d-q变换的直轴部分,并且可以称为d轴电路1400。电路1500表示所述电压和电流的d-q变换的交轴部分,并且可以称为q轴电路1500。电路1400、1500包括表示电机102和供应至所述电机102的电压和电流的不同电特性的若干部件。例如,电路1400包括:表示电机102的定子200(图2中所示)的电阻特性的定子电阻器(RS)、表示如此项技术中已知的缠绕在定子200周围并且接收三相电流以给电机102供电的导电线圈的线圈1402、表示定子200的漏感特性的定子电感器(LLS)、表示转子202和定子200的互感特性的q轴互感器(LMQ)、表示转子202的漏感特性的转子电感器(LLR)和表示转子202的电阻特性的转子电阻器(RR)。符号λDS表示电机102的定子侧的d轴磁链。符号λQS表示电机102的定子侧的q轴磁链。符号ω0表示转子202在定子200内部的转速。符号IQS表示供应至定子200的电流的q轴变换。符号IQR表示在转子202中感应出的电流的q轴变换。符号VQS表示供应至定子200的电压的q轴变换。
类似地,电路1500包括:定子电阻器(RS)、表示如此项技术中已知的缠绕在定子200(图2中所示)周围并且接收三相电流以给电机102供电的导电线圈的线圈1502、定子电感器(LLS)、表示转子202和定子200的互感特性的d轴互感器(LMD)、转子电感器(LLR)和表示转子202的电阻特性的转子电阻器(RR)。符号IDS表示供应至定子200的电流的d轴变换。符号IDR表示在转子202中感应出的电流的d轴变换。符号VDS表示供应至定子200的电压的d轴变换。
基于d轴电路1400和q轴电路1500,导出表示电路1400、1500的电压、电流和部件的各个电特性之间的关系的若干方程,如此项技术中已知。例如,可以从电路1400、1500导出以下关系:
VQS=(IQS×RS)+(ω0×λDS)+λQS (方程#4)
VDS=(IDS×RS)+(ω0×λQS)+λDS (方程#5)
λQS=IQS×(LLS+LMQ)+(IQR×LMQ) (方程#6)
λDS=IDS×(LLS+LMD)+(IDR×LMD) (方程#7)
以上在方程5至7中所表达的关系可以用于求解电路1400的d轴互感特性的值(例如求解LMD)和电路1500的q轴互感特性的值(例如求解LMQ)。例如,定子电阻器(RS)的电阻特性可以是已知的,转子202的旋转速度(ω0)、d轴磁链(λDS)和q轴磁链(λQS)可以具有已知值。可以基于所测量的三相电压(VA、VB、VC)和三相电流(IA、IB、IC)来计算d轴电压(VDS)和q轴电压(VQS)的值以及d轴电流(IDS)和q轴电流(IQS)的值,如所描述。因为三相电压(VA、VB、VC)和三相电流(IA、IB、IC)(并且因此d轴电压(VDS)和q轴电压(VQS)以及d轴电流(IDS)和q轴电流(IQS))可以随时间改变,所以特征生成模块306可以随时间流逝而计算d轴互感特性(LMD)和q轴互感特性(LMQ)的各个值。
图16是电机102(图1中所示)的电机电气特征1600的另一个实例。沿着表示时间的水平轴1602和垂直轴1604示出电机电气特征1600,所述垂直轴1604表示所述电机电气特征1600的幅度。电机电气特征1600表示电机102(图1中所示)随时间的电感特性中的一个或多个。例如,电机电气特征1600可以表示电机102的基于以下关系的互感特性(LM):
LM=(LMQ+jLMD)ejθ (方程#8)
其中LM表示用于生成电机电气特征1600的互感特性;LMQ表示d轴电路1400(图14中所示)的q轴互感特性;LMD表示q轴电路1500(图15中所示)的d轴互感特性;j表示超数(tessarine number)(例如,i*j=j*i,j2=+1并且i2=-1),并且θ表示电机102的转子202(图2中所示)在电机102的定子200(图2中所示)内的旋转位置。在转子202在定子200内旋转时,转子202的旋转位置随时间改变。例如,基线值1610可以表示理想电机102的理想化互感特性(LM)。实际互感特性(LM)与基线值1610的偏差(例如,图16中所示的电机电气特征1600的波浪形状)可以指示倾向于发生故障的电机102和/或电机102的部件(例如,锁住或表现出增大的摩擦的轴承、齿轮或车轴)的缺陷。
如图16中所示,电机电气特征1600可以近似周期性的方式随时间改变。例如,互感特性(LM)可以周期性地变化。互感特性(LM)的变化可以至少部分是由于电机102(图1中所示)的机械部件(例如轴承)或连接至电机102上的机械部件(例如齿轮箱或车轴)。例如,电机102中与转子202和/或定子200具有增大摩擦的轴承(相对于其他轴承)每次在所述电机102内回旋时,当所述轴承达到相同或类似位置时,所述轴承可以引起互感特性(LM)的增大。在图16中所示的电机电气特征1600中,电机电气特征1600中的峰1606可以与具有增大的摩擦的轴承、齿轮、车轴等等相关联。另外的峰1606随时间可以周期性地出现在电机电气特征1600中。
***100(图3中所示)的分析模块308(图3中所示)可以将电机电气特征1600与一个或多个阈值进行比较。在所示实施例中,分析模块308将电机电气特征1600与上阈值1608进行比较。如果如同峰1606处的电机电气特征1600一样,电机电气特征1600超过上阈值1608,那么分析模块308可以将所述峰1606识别为干扰峰。例如,可以将峰1606识别为表示电机电气特征1600的故障测度的干扰峰。可以将在电机电气特征1600中检测到干扰峰看作电机102(图1中所示)的故障测度。例如,可以对干扰峰1606的出现进行计数以作为故障测度。可以对另外的干扰峰1606进行计数以作为另外的故障测度。如上所述,可以将电机102的故障测度的数量与其他电机102的故障测度的数量进行比较,以识别很可能发生机械故障的电机102。
返回至对图3中所示的***100的讨论,在另一个实施例中,***100(图1中所示)可以从速度传感器318获得与电机102相关联的一个或多个特性。例如,***100可以从速度传感器318接收电感特性,并且特征生成模块306可以基于所述电感特性产生电机电气特征。电感特性可以基于电流,该电流是由在电机102内在定子200(图2中所示)与转子202(图2中所示)之间所产生的磁场在速度传感器318中所感应出的电流。
图17是联接至根据一个实施例的电机102上的速度传感器318的示意图。速度传感器318包括一个或多个导电延伸部1700,其设置在电机102的转子202(图2中所示)与定子200之间。转子202在图17中的视图中是不可见的,因为速度传感器318设置在转子202上方。速度传感器318可以与转子202联接,以使得所述转子和速度传感器318的延伸部1700在定子200内旋转。
如上所述,定子200基于从电源110(图1中所示)接收的电能而产生磁场。可以由所述磁场在速度传感器318的延伸部1700中感应出电流。所述磁场的变化可以引起转子202(图2中所示)的转速和延伸部1700中的感应电流发生变化。例如,所述磁场的增大可以使转子202的旋转加速并且使延伸部1700中的感应电流增大。相反,所述磁场的减小可以使转子202的旋转减小并且使延伸部1700中的感应电流减小。如果电机102的一个或多个部件倾向于发生故障(例如,摩擦随转子202与定子200之间的轴承而增大),那么电机102可能需求增大量的电流以保持转子202以所需要的或设定的旋转速度进行旋转。与发生故障的部件相关联的电流增大可能导致电机102的磁场的临时增大,并且结果是延伸部1700中的一个或多个中的感应电流的临时增大。
图18是电机102(图1中所示)的电机电气特征1800的另一个实例。沿着表示时间的水平轴1802和表示在速度传感器318(图3中所示)的延伸部1700(图17中所示)中的一个或多个中所感应出的电流的幅度的垂直轴1804示出电机电气特征1800。电机电气特征1800表示速度传感器318的延伸部1700中的一个或多个中所感应出的电流随时间的幅度。如图18中所示,电机电气特征1800包括在一个或多个延伸部1700中所感应出的电流的若干峰1806,或临时增大。在一个实施例中,每个峰1806可以表示正在经过电机102的定子200(图2中所示)中的绕组中的一个或多个的延伸部1700。峰1806总体地由参考数字1806来指示并且单独地由参考数字1806A、1806B、1806C等等来指示。
在一个实施例中,峰1806表示在延伸部1700中所感应出的电流的平均值、中值或其他统计测度。例如,基于延伸部1700和电机102的转子202(图2中所示)在定子202内旋转的速度,所述延伸部1700中的感应电流的增大可以出现可预测的、预定的或已知的次数。延伸部1700中的感应电流的增大可以在延伸部1700每次在定子200的线圈之一与转子202之间移动时出现。每个峰1806可以表示当延伸部1700在定子200中的同一线圈附近移动时在所述延伸部1700中所测量的感应电流的平均值、中值或其他统计测度。
可以基于电机102(图1中所示)的运转速度来使峰1806的幅度或垂直高度标准化。如上所述,由电机102的定子200(图2中所示)的线圈所产生的磁场增大使电机102的运转速度增大,而其减小使电机102的运转速度减小。可以针对磁场的此类增大,使所测量的在速度传感器318(图3中所示)的一个或多个延伸部1700(图17中所示)中感应出的电流标准化,这样使得峰1806不会仅由于电机102的运转速度的变化而显著地变化。
在一个实施例中,***100(图1中所示)的分析模块308(图3中所示)检查峰1806的振幅,以确定电机102(图1中所示)的一个或多个轴承是否倾向于发生故障。可以将所述振幅表示为峰1806的幅度或垂直高度。如上所述,开始锁住、卡住或以其他方式故障的轴承可以在电机102的转子202(图2中所示)与定子200(图2中所示)之间造成增大的摩擦。增大的摩擦可能需要另外的电流至少临时地供应至电机102的定子200(图2中所示)的一个或多个线圈,以便使电机102维持运转速度。所述另外的电流可以造成在定子200的接收增大电流的线圈处或附近的磁场的临时增大。磁场的临时增大可以使在速度传感器318(图3中所示)的延伸部1700(图17中所示)中的一个或多个中所感应出的电流的量增大。在所示实例中,在峰1806C中示出这种感应电流增大。
通过将电机电气特征1800与一个或多个能量阈值1808进行比较,分析模块308(图3中所示)可以识别峰1806C(和其他峰1806,它们可能是同与转子202或定子200具有增大摩擦的轴承相关联的电机102中增大磁场的结果)。在所示实例中,分析模块308仅将峰1806C识别为超过阈值1808,因为峰1806C所具有的振幅1810超过阈值1808,而其他峰1806A、1806B、1806D、1806E所具有的振幅未超过阈值1808。因此,分析模块308可以将峰1806C识别为干扰峰。
如上所述,电机电气特征1800中的干扰峰可以指示与电机电气特征1800相关联的电机102(图1中所示)潜在的即将发生的机械故障。分析模块308(图3中所示)可以基于电机电气特征1800中的干扰峰来计算故障测度。故障测度可以是如以上所描述在电机电气特征1800中所识别的干扰峰的数量。可以比较常见车辆104(图1中所示)的每个电机102的故障测度,以确定电机102中的哪些(如果有的话)很可能发生机械故障和/或与一个或多个其他电机102相比更可能发生机械故障。
图19是一种用于预测车辆中的电机的机械故障的方法1900的流程图。方法1900可以与故障预测***100(图1中所示)结合用于预测车辆104(图1中所示)的哪些电机102(图1中所示)在相对不久的将来很可能发生机械故障和/或哪些电机102与一个或多个其他电机102相比更可能发生机械故障。可以将预测为很可能发生机械故障的电机102识别为需要修理或维修的电机102。
在1902,监测供应至车辆104(图1中所示)的多个电机102(图1中所示)中的每一个的电能的一个或多个特性。例如,可以随时间来监测:供应至电机102的电流或电压、电机102的电感、在一个或多个导电体(例如,图17中所示的速度传感器318的延伸部1700)中由电机102的磁场所感应出的电流等等。
在1904,针对所述电机生成特性的一个或多个电机电气特征。如上所述,电机电气特征可以包括:特性的频域表示(例如,图5、图6、图7、图11和图12中所示的电机电气特征500、600、700、1100、1200)、电机102的转子202与定子200(图2中所示)之间的互感的时域表示(例如,图16中所示的电机电气特征1600)、由电机102的磁场所感应出的电流的时域表示(例如,图18中所示的电机电气特征1800)等等。
在1906,检查电机102(图1中所示)的电机电气特征,以在所述电机电气特征中识别干扰峰。如上所述,干扰峰可以指示电机102的潜在的即将发生的机械故障。可以多种方式来检查电机电气特征以识别干扰峰,如以上所描述。
在1908,基于在电机102(图1中所示)的电机电气特征中所识别的干扰峰,来确定所述电机102中的一个或多个的故障测度。电机102的故障测度可以是针对电机102所检测到的干扰峰的数量的计数。替代地,故障测度可以表示电机102的超过一个或多个阈值的干扰峰的数量。
在1910,进行关于以下的确定:电机102(图1中所示)中的一个或多个的故障测度是否显著不同于车辆104(图1中所示)的一个或多个其他电机102的故障测度。在一个实施例中,将同一车辆104的多个或所有电机102的故障测度的平均值、中值或其他统计测度与除了所检查的一个电机102之外的多个或所有电机102的故障测度的平均值、中值或其他统计测度进行比较。替代地,可以另一种方式来比较电机102的故障测度。如果多个或所有电机102的故障测度的平均值、中值或其他测度与除了所检查的一个电机102之外的多个或所有电机102的故障测度的平均值、中值或其他测度相差至少一个阈值量,那么所检查的那个电机102的故障测度可以指示所检查的该电机102很可能发生机械故障或与一个或多个其他电机102相比更可能发生机械故障。结果是,方法1900的流程进行至1912。
另一方面,如果多个或所有电机102的故障测度的平均值、中值或其他测度未与除了所检查的一个电机102之外的多个或所有电机102的故障测度的平均值、中值或其他测度相差至少一个阈值量,那么所检查的那个电机102的故障测度不可以指示所检查的该电机102很可能发生机械故障或与一个或多个其他电机102相比更可能发生机械故障。结果是,方法1900的流程返回至1902。例如,方法1900可以环路方式返回至1902,以收集供应至电机102的电能的更多特性并且检查所述特性以预测哪些电机102(如果有的话)很可能发生机械故障或需要修理。
在1912,将所具有的故障测度显著不同于同一车辆104(图1中所示)的其他电机102(图1中所示)中的一个或多个或所有电机102的故障测度的电机102识别为很可能发生故障。例如,可以将电机102识别为需要修理或检视以识别故障测度的原因的已预测故障电机。方法1900可以用于识别在车辆104和电机102的运转期间很可能发生故障和/或需要修理的电机102。
另一个实施例涉及一种用于预测具有多个牵引电机的车辆(例如,机车或其他轨道车辆)中电牵引电机的轴承(例如,小齿轮端轴承或其他轴承)的机械故障的***和方法。根据一方面,一种方法包括:生成所述电机的电机电气特征。所述电机电气特征表示供应至所述电机的电能的一个或多个特性。每个电机可以是与其他电机同一类型的电机和/或可以与其他电机包括同一类型的轴承。(如以上所讨论,“同一类型”意思是:电机具有以下特性中的一个或多个:同一制造商零件或零件数量;相同的非微小电特性或机械特性,以使得可以将一个电机或轴承置换成另一个而无需对所述电机或车辆接口进行回修;或足够相似的电特性或机械特性,以使得根据本发明中所描述的本发明主题的各个方面,可以对所述电机和轴承进行比较而具有成功的结果。)替代地,电机和/或轴承可以是不同的。所述方法进一步包括:识别每个所述电机电气特征的一个或多个故障测度。所述故障测度指示所述电机的轴承的机械特性。所述方法进一步包括:执行对每个电机的一个或多个故障测度与同一车辆中的其他电机的一个或多个故障测度的比较。所述方法进一步包括:基于所述比较来预测所述电机中的一个的轴承的机械故障(例如,预测即将发生的机械故障,或预测剩余的寿命)。
为进一步解释并且参照图20A,在具有多个电牵引电机的车辆(例如,机车或其他轨道车辆)中,每个牵引电机102可以如通过小齿轮端轴承2016而装备有小齿轮2000。连接端轴承2018可以设置在牵引电机102的相对侧或相对端上。小齿轮2000如通过电机102的输出轴而附接至大齿轮2004,以用于将能量从电机102传递至大齿轮2004或其他驱动齿轮(例如,连接至车轴2006上)。为将所述输出轴支撑在电机102的小齿轮端2008处,电机102装备有一个或多个轴承2010、2020。轴承2010可以表示将转矩从车轴和/或车轮传递至车辆的轴颈轴承。轴承2010承受由车辆产生的所有或很大部分的有用转矩,并且除了其他方面之外,因为在车辆运转期间的不可预测的负载和/或道路条件,而可能在所设计的寿命(例如,所预期或设计的使用寿命)之前经受故障。
图21是一种用于预测具有多个牵引电机的车辆(例如,机车或其他轨道车辆)中电牵引电机的轴承的机械故障的方法2100的一个实施例的流程图。替代地,方法2100可以用于预测其他的、非轴承部件的机械故障,所述其他的、非轴承部件使牵引电机机械联接至车轮或以其他方式引起所述牵引电机的运动来引起车辆的车轴和/或车轮的旋转。方法2100可以与***100(图1中所示)结合用于预测以下各项的机械故障:电机102、车轴106、车轮108、使电机102、车轴106、2006和/或车轮108相互连接的部件(例如,轴承2010、小齿轮2000、轴2002、大齿轮2004等等),和/或与将电机102的旋转运动转换成使车辆移动的推进力相关联的其他部件。方法2100可以是一种诊断(例如,预测或识别)电机102的机械故障的方法。方法2100可以由***100(图1中所示)来实施。例如,软件、硬编码逻辑和/或其他指令组(例如,存储在图3中所示的存储器302上)可以用于指引处理器300(图3中所示)的操作以执行方法2100的操作。
在2102,所述方法包括:针对所述电机生成电机电气特征。如上所述,所述电机电气特征表示供应至所述电机的电能的一个或多个特性。在一个实施例中,每个电机可以是与同一车辆中的一个或多个其他电机同一或常见类型的电机和/或与所述一个或多个其他电机包括同一或常见类型的轴承。替代地,所述电机中的一个或多个可以是与同一车辆中的一个或多个其他电机不同类型的电机和/或与所述一个或多个其他电机具有一个或多个不同的轴承。所生成的电机电气特征可以包括类似于以下各项中的一个或多个的特征:以上所描述的电机电气特征500、600、1200、1600(图5、图6、图12和图16中所示)、代表性电气特征700(图7中所示)、故障特征800(图8中所示)和/或离散电气特征1100(图11中所示)的特征。所述特征是基于或表示所测量的供应至电机102(图1中所示)和/或由电机102所需求以给电机102供电的电能的电特性,如电特性404、406(图4中所示)。
在一个实施例中,电机电气特征包括在检测窗口内所获取的特性的表示。如上所述和示出,电机电气特征可以包括在一个时间段内所测量的特性的频域和/或时域表示。检测窗口是一个时间段,在所述时间段内或期间监测所述特性,以便生成电机电气特征。所述检测窗口可以由牵引电机的一个或多个操作参数来定义。例如,检测窗口的开始和/或结束可以在牵引电机旋转的速度超过指定阈值、落在所述阈值以下或在一定范围值内时出现。作为另一个实例,检测窗口的开始和/或结束可以在由牵引电机(例如,对与所述牵引电机相互连接的车轴和/或车轮)所产生的转矩力超过指定阈值、落在所述阈值以下或在指定值的范围内时出现。
所述特性仅可以在检测窗口期间获取(例如,如由图3中所示的传感器310测量或感测)。例如,***100(图1中所示)在检测窗口之外的时间期间可以不获取(例如,记录和/或取样)所述特性,而一旦检测窗口开始就开始获取所述特性并且在检测窗口结束时停止获取所述特性。替代地,***100可以在检测窗口之外的时间期间对所述特性进行记录或取样,但是仅使用在检测窗口期间所获取的特性来生成电机电气特征。例如,***100可以获取一个特性组,但是仅使用所述特性的子集(例如,在检测窗口期间所获得的特性)来诊断(例如,预测)电机102的潜在的机械故障(例如,轴承故障)和/或生成与所述电机102的所述潜在的机械故障有关的预告(例如,估计电机102的使用寿命或剩余的使用寿命)。在另一个实施例中,***100可以基于操作者命令、在指定时间或连续地(例如,在由车辆行进的旅程的进程内以周期性间隔)获取特性和/或生成特征。
检测窗口可以由电机102(图1中所示)的操作参数来定义,所述操作参数与特性的迹象或证据相关联或更可能表现出所述特性的迹象或证据,所述特性与以下各项的即将发生的机械故障相关联:电机102、车轴106(图1中所示)、车轮108(图1中所示)、使所述电机、车轴和/或车轮相互连接的部件、和/或使电机102的旋转运动转换成使车辆移动的推进力的其他部件。例如,检测窗口可以由电机所产生的提升的速度或转矩来定义,所述提升的速度或转矩足够快或大以获得表示即将发生的机械故障的特性(例如,基于启发式数据、经验数据等等),但不是如此快、慢、小或大以致于获得表示“健康”部件(例如,在车辆的当前旅程的进程内不太可能发生机械故障的部件)的特性。
在一个实施例中,检测窗口可以由牵引电机102(图1中所示)的旋转速度来定义。例如,检测窗口可以在电机102的速度是至少400转/分钟(“rpm”)并且不大于700rpm时出现(例如,可以在电机102的rpm为400至700rpm时获得电特性)。作为另一个实例,检测窗口可以在435至700rpm内出现。替代地,电机102的其他速度可以用于定义检测窗口的界限。在另一个实施例中,检测窗口可以由车辆的控制设定(例如,节流挡位设定、踏板位置等等)来定义。例如,检测窗口可以在车辆的节流挡位设定至少在(一至八,包括一和八的整数值的挡位之间的)挡位六时出现。替代地,其他挡位设定可以用于定义检测窗口的界限。
在另一个实施例中,定义检测窗口的界限的操作参数的值可以是相对操作参数。以上实例中所提供的值都是数值。操作参数的相对值包括基于另一个值或操作参数的那些值。例如,检测窗口可以由以下挡位设定来定义,所述挡位设定是指指定挡位值的至少一个阈值百分比或分数,如上挡位设定值(例如,挡位八)的70%。作为另一个实例,检测窗口可以由电机102的在指定速度(例如,路线或车辆的速度极限)的60%与80%之间的速度来定义。
与检测窗口相关联的操作参数(例如,所述检测窗口的开始和/或结束)可以基于电机和/或所述电机的部件(例如,图20中所示的轴承2010)的类型来改变。例如,为同一类型的电机或轴承的牵引电机102(图1中所示)或轴承2010可以与指示检测窗口的开始和/或结束的第一组操作参数相关联,而为不同类型的牵引电机102或轴承2010可以与指示所述检测窗口的开始和/或结束的第二组不同操作参数相关联。
在一个实施例中,***100(图1中所示)可以在获取供应至电机102的电能的特性之前被动地等待检测窗口出现。例如,***100可以等待电机102的操作参数指示:所述检测窗口已经开始启动监测所述特性。替代地,***100可以主动地引起所述检测窗口出现。***100的处理器300(图3中所示)可以生成控制信号,所述控制信号指引车辆的操作者和/或车辆的控制子***114(图1中所示)来改变所述车辆的操作参数,使得检测窗口开始。可以将所述控制信号传达至显示设备112(图1中所示)以指挥操作者如何手动地控制车辆来引起检测窗口出现,如通过显示将要由操作者实施以使得牵引电机102中的一个或多个具有与检测窗口的开始相关联的操作参数的指定节流阀设定、速度、制动器设定、转矩等等。替代地或另外地,可以将所述控制信号传达至控制子***114来引起所述控制子***114自动地(例如,无操作者介入)实施由处理器300指定以使得电机102中的一个或多个具有与检测窗口的开始相关联的操作参数的节流阀设定、速度、制动器设定、转矩等等。***100可以类似地生成使得检测窗口手动地或自动地终止的控制信号。
检测窗口可以应用于单独电机102。例如,如果车辆包括六个电机102,并且电机102中仅四个具有落在检测窗口内的操作参数,而另两个电机102不具有在检测窗口内的操作参数,那么可以监测所述四个电机102的特性,而不监测、收集和/或分析所述另两个电机102的特性。如果所述四个电机102中的一个或多个的操作参数接着落在检测窗口之外,那么可以不再监测这一个或多个电机102的特性。相反,如果所述两个电机102的在检测窗口之外的操作参数变成落在检测窗口之内,那么可以监测那些电机102的特性。在一个实施例中,检测窗口可以在同一车辆的不同电机102之间发生变化。例如,车辆中的第一电机102可以与由第一组或群操作参数所定义的检测窗口相关联,而同一车辆中的第二电机102可以与由不同的第二组或群操作参数所定义的不同的检测窗口相关联。检测窗口可以为电机102定制,这样使得可以在收集特性时将电机102之间的运转差异考虑在内(例如,一种类型或类别的电机可以更高的速度运转,以便产生与另一种电机相同或类似的输出)。
在2104,所述方法进一步包括:识别每个(或至少一个但非所有)所述电机电气特征的一个或多个故障测度、特征值和/或代表性特征值。所述故障测度、特征值和/或代表性特征值可以指示电机和/或所述电机的轴承的机械特性(例如,相对健康),如以上所描述。所述故障测度、特征值和/或代表性特征值可以包括如本发明中所描述的以下各项的一个或多个定量测度:电特性404、406(图4中所示)、电机电气特征500、600、1200、1600(图5、图6、图12和图16中所示)、代表性电气特征700(图7中所示)、故障特征800(图8中所示)和/或离散电气特征1100(图11中所示)。例如,可以类似于以上所描述的故障测度902(图9中所示)来确定或计算所识别的故障测度。
在2106,所述方法进一步包括:执行对车辆中的至少一个电机的一个或多个故障测度与同一车辆中的至少一个其他电机的一个或多个故障测度的比较。例如,可以将第一电机102A的故障测度的相对数量与第二电机102B至第六电机102F中的一个或多个电机的故障测度进行比较,如以上所描述。
在2108,所述方法进一步包括:基于对所述故障测度的比较来预测所述电机中的一个或多个的机械故障。例如,基于电机102的故障测度之间的差异,可以做出关于一个电机102的预测:所述电机102很可能发生故障或更可能相对很快地和/或在其他电机102中的一个或多个电机之前发生故障,如以上所描述。已预测故障可以属于电机102之一的轴承2010。
在另一个实施例中,在2108,可以通过分析仅一个电机102的故障测度和/或特征值来预测该电机102的机械故障。可以在无需将电机102的特性或故障测度与同一车辆中的另一个电机102的特性或故障测度进行比较的情况下预测机械故障。在一个实施例中,可以将电机102的特性或故障测度与指定或预定阈值进行比较。如果电机102的特性或故障测度超过所述阈值,那么可以预测电机102的机械故障。所述阈值可以是相当大的,这样使得所具有的特性或故障测度异常大(例如,相对于电机102的过去是非典型的和/或对于同一类型或类别的电机102来说非典型的)的那些电机102用于预测电机102的机械故障。
图22是一种用于预测车辆的一个或多个电机的机械故障的方法2110的另一个实施例的流程图。方法2110可以用于诊断(例如,识别或预测)具有多个牵引电机的车辆(例如,机车或其他轨道车辆)中电牵引电机的轴承的机械故障。方法2110可以由以上所描述的***100(图1中所示)来实施。例如,软件、硬编码逻辑和/或其他指令组(例如,存储在图3中所示的存储器302上)可以用于指引处理器300(图3中所示)的操作以执行方法2110的操作。
在2112,所述方法包括:监测承载一个或多个电机102(图1中所示)的潜在机械故障的信息的信号2012(图20A中所示)。信号2012可以表示供应至电机102以用于给电机102供电的电信号(例如,电流),如牵引电机相电流信号。可以使用传感器310(图3中所示)来监测所述信号,如以上所描述。
在2114,所述方法包括:在检测窗口2014期间对所监测的信号2012进行取样和记录。在图20B中针对单相AC感应电机102的理论速度-转矩曲线2022示出示例性检测窗口2014。其他电机或其他类型电机的速度-转矩曲线可能与图20B中所示的曲线不同。如上所述,检测窗口2014可以由车辆的操作参数来定义或约束。作为一个实例,针对车辆电机中的一个给定电机,检测窗口2014可以包括或表示该电机102在指定速度范围2014a(在图20B中表示为检测窗口2014的从指定速度下限延伸至指定速度上限的水平分量)和/或指定转矩范围2014b(例如,在图20B中表示为检测窗口2014的从指定转矩下限延伸至指定转矩上限的垂直分量)中的至少一个内进行运转时的一个时间段。因此,在一个实施例中,仅在电机102的检测窗口期间收集用于生成所述电机的电机电气特征的数据。
替代地,可以在检测窗口2014之外(和/或之内)收集用于生成电机102的电机电气特征的数据。检测窗口2014可以表示牵引电机102的检测轴承故障的指定操作状态,并且可以针对不同类型的牵引电机和不同类型的轴承而进行自定义。例如,检测窗口2014可以在车辆的实际操作参数匹配、超过指定操作参数的范围或落在所述指定操作参数的范围内时开始,如以上所描述。定义检测窗口2014何时出现的指定操作参数可以基于电机102和/或电机102的轴承2010的类型而改变。如上所述,可以基于例如识别在与一个或多个其他电机速度或转矩相比使一个轴承经受最多应力或经受更大应力时的电机速度或转矩,启发式地或凭经验确定检测窗口。
在一个实施例中,被动地等待检测窗口,即:正常操作车辆并且当有问题的电机刚好在所述检测窗口内运转时对所监测的信号进行取样和记录(从而产生用于生成电机电信号的数据)。在另一个实施例中,通过在不影响车辆的正常运转的情况下向牵引电机命令所希望的速度和转矩,而来主动地实现检测窗口。
在2116,所述方法包括:构建从信号2012所测量的特性的数学模型。例如,可以测量和/或使用所述特性来形成与电机102相关联的特征。可以基于所测量的特性本身(例如,以时域)或所述特性的变换(例如,以频域和时频域)来形成或构建一个或多个数学模型。这可以使用以上所描述的方法完成。在一个实施例中,分析模块308从存储器302获得将要使用或检查的模型。分析模块308可以试图使若干指定或预定模型与特征匹配或配合,并且可以改变所述模型的参数,直至一个或多个模型与其他模型中的一个或多个或所有模型相比更好地匹配所述特征。分析模块308可以使用用于测量或量化各个模型如何密切地匹配特征的一种或多种数据配合技术,如作为测量在用于配合所述数据的模型中所存在的不确定性的一种技术的最小二乘法(例如,线性或普通最小二乘法、非线性最小二乘法等等)等等。所述模型可以用于概括所述特征中的一部分或所有特性。
可以将所述模型表达为数学函数,其表示或近似特征中的信号2012的特性中的一个或多个与如时间、电机速度、电机转矩等等的另一个值之间的关系。例如,可以在时域和/或频域来检查所监测的信号2012的特性,以生成电机102的特征,如电机电气特征500、600、800。可以确定近似这些特征500、600、800的数学方程(例如,近似所述特性与频率或时间之间的关系)。可以用模型或方程的不同参数(例如系数)值建立若干模型或方程,以便确定所述模型中的哪个与一个或多个其他模型相比或与所有其他模型相比更密切地匹配特征。通过非限制性实例举例,一个正弦波动方程如:
y=Asin(Bx+C)+D (方程#9)
其可以表示特征的一个模型,其中y表示特性的近似值,x表示时间(获取信号2012的特性的时间),并且A、B、C和D表示所述模型的参数。可以改变所述参数的值以使所述模型(例如方程#9)更密切地匹配所述特征,例如以便将所述正弦波的相位转换成所述特征的相位。可以使用其他模型实例,如余弦方程、反正弦方程、反正切方程、微分方程等等也可以用于模拟所述特征。替代地,可以使用非振荡方程或模型。
可以从发现与其他模型相比更密切地匹配或配合特征的该些或这些模型获得特征值。可以检查所述模型的参数(例如系数)以获得特征的一个或多个定量测量值,如特征值。在一个实施例中,模型的用于使所述模型配合特征的系数值可以是特征值。例如,参照以上方程#9的实例,A、B、C和/或D的系数值可以是由方程#9所表示的模型所配合的该些或这些特征的特征值。可以确立模型的系数的值,使得特征中的特性的实际值密切地匹配所述特性的模型。可以使模型配合所述特性,使得所述模型与一个或多个其他模型相比或与所有其他模型相比更好地或更密切地配合或匹配所述特性。
在一个实施例中,在2116处确定多个不同模型和/或多个不同类型的特征值。“不同模型”意味着:可以确定相同或不同电机电气特征(或基于信号2012的其他类型的特征)的不同数学模型。“不同类型的特征值”意味着:可以识别相同或不同数学模型的不同系数的值。例如,如果同一数学关系或方程用于模拟针对同一电机在不同时间(例如,在相同或不同检测窗口内)所获得的特征,那么所述同一数学关系或方程中的不同系数的值可以是不同类型的特征值。替代地,如果不同数学关系或方程用于模拟针对同一电机在不同时间(例如,在相同或不同检测窗口内)所获得的特征,那么不同数学关系或方程中的系数的值可以是不同类型的特征值。
在另一个实施例中,在2116,可以从信号2012直接计算出电机电气特征的特征值。例如,代替形成特征的数学模型,从信号2012(例如,记录为信号2012的相电流和/或电压信号)所测量的实际特性可以用于以时域、频域和/或时频域计算出特征值。可以从信号2012直接计算出的时域特征值包括(但不限于):信号2012在恒定转矩命令(例如,保持相同或包括微小改变的转矩命令)下的幅度(例如,振幅)的变化、在恒定速度命令(例如,保持相同或包括微小改变的速度命令)下的基频(或其他频率)的变化,和/或信号2012在恒定转矩和/或速度命令下的总信号能量。在一个实施例中,可以在恒定转矩和速度命令下计算出所获得的值。
替代地,特征值可以包括特征的测量值。例如,特征的一个或多个峰(例如,图5和图6中所示的峰506、508、510、512、514、516、518、606、608、610、612、614、616、618)的振幅、宽度和/或频率等等。
频域特征值可以包括(但不限于):特征中的一个或多个峰(例如,干扰峰)的幅度(例如,振幅)、在信号2012的频谱的指定范围中的幅度或振幅的统计测度(例如,平均数、中值、偏差等等),和/或信号2012的频谱在所述频率的指定范围中的图案。所述图案可以包括对一个或多个峰(例如,干扰峰)在信号2012中出现处的频率的识别。可以通过如离散傅里叶变换、希尔伯特黄(Hilbert-Huang)变换、洛姆布-斯卡格(Lomb-Scargle)周期图(用于变化的取样率)等等的各种谱估计法来获得信号2012的频谱。
时频域特征值可以包括(但不限于):从信号2012的时频变换的结果所计算出的各种类型的量值。所述时频变换可以是短时间傅里叶变换、小波变换、基追踪、匹配追踪等等。
在2118,将在2116所确定的不同特征值融合以获得一个或多个代表性特征值。例如,从与第一电机102相关联的信号2012计算出的不同特征值可以彼此组合,以计算出第一电机102的代表性特征值。相对于单独地依赖于特征值,基于所组合的不同特征值的代表性特征值可以与第一电机102的即将发生的机械故障(如轴承故障)更好地相关(例如,更好地表示所述即将发生的机械故障)。这可以通过如主分量分析的结果的线性组合来完成。替代地,可以使用非线性组合。以下方程#10示出线性组合的一个实例,所述线性组合可以用于将可能相关(例如,如通过具有至少部分地依赖于彼此的值)的一组特征值转换成可能不相关(例如,如通过具有不依赖于彼此、但是可能依赖于或表示如即将发生的轴承故障的另一个共同原因的值)的一组代表性特征值:
在(方程#10)中,变量x1、x2、x3(称为xi)表示电机102的特征值,变量y1、y2(称为yi)表示电机102的一组代表性特征值,并且变量a11、a12等等(称为ai、j)表示用于获得代表性特征值(yi)的特征值(xi)的组合(例如,线性组合)的系数。将在同一检测窗口2014内所获得的特征值(xi)表示为方程#10中的单列矩阵,并且将所述一组代表性特征值(yi)表示为方程#10中的另一个单列矩阵,而在方程#10中将线性组合的系数示为三列两行矩阵。替代地,可以将特征值、代表性特征值和/或系数中的一个或多个表示为不同矩阵或其他数学表示。
在2120,可以基于一个或多个代表性特征值,使用以上所描述的分类方法中的一种或多种来预测电机102的机械故障(例如,即将发生的机械故障)。例如,可以从代表性特征值来确定故障测度,并且可以在同一车辆的不同电机102之间比较这些故障测度,以便识别(如果有的话)电机102中的哪个更可能在所述同一车辆的一个或多个其他电机102之前经历机械故障,如以上所描述。包括神经网络和支持向量机的各种分类方法可以用于此预测,如以下结合生成分类边界2308(图23中所示)所描述。
替代地,可以检查车辆的单个电机102的代表性特征值以预测电机102的机械故障。如上所述,可以从与单个电机102相关联的一组特征获得若干代表性特征值(yi)。可以将这些代表性特征值(yi)与一个或多个阈值进行比较,以确定电机102是否很可能经历机械故障,如通过电机102与同一车辆的一个或多个其他电机102相比更可能在所述车辆的当前旅程期间经历机械故障。
图23示出一种用于使用若干代表性特征值来预测单个电机的机械故障的分类方法的一个实例。获得单个电机102的一组或多组2300、2302代表性特征值。所述组2300、2302代表性特征值(例如,方程#10中的yi的值)可以是从一组特征值(例如,方程#10中的xi的值)的线性组合(例如,使用主分量分析)所计算出的那些代表性特征值,如以上所描述。所述一组特征值可以包括从在检测窗口2014(图20中所示)内所记录的信号2012所获得的那些特征值。
可以根据从在同一检测窗口2014期间所记录的信号2012所获得的特征值(xi)来导出每组2300、2302代表性特征值。替代地,可以在不同检测窗口2014中获得所述组2300、2302代表性特征值和/或从其导出所述组2300、2302代表性特征值的所述特征值中的一个或多个。“不同”检测窗口可以包括:就时间而言未完全重叠、就时间而言仅部分重叠或就时间而言完全不重叠的检测窗口2014。
在图23中,沿着水平轴2304和垂直轴2306示出所述组2300、2302代表性特征值。水平轴2304表示组2300、2302中的代表性特征值之一的值,并且垂直轴2306表示组2300、2302中的代表性特征值中的另一个的值。在一个实施例中并且参照以上结合方程#10所描述的实例,所述组2300、2302代表性特征值可以包括y1和y2的代表性特征值,其中水平轴2304表示第一代表性特征值y1的值,并且垂直轴2306表示第二代表性特征值y2的值。在另一个实施例中,可以使用表示所述组2300、2303中的另外的代表性特征值的另外的轴。例如,除了水平轴2304和垂直轴2306之外,可以提供用于所述组2300、2302中的一个或多个中的第三代表性特征值(例如,y3)的值的第三轴、用于***表性特征值(例如,y4)的值的第四轴等等。
分类边界2308可以形成以用于在指示电机102(图1中所示)的潜在机械故障的那些组2302代表性特征值与不指示所述潜在机械故障(例如,不指示轴承倾向于发生故障或很可能发生故障)的组2300代表性特征值之间进行区分。分类边界2308可以是手动创造的、凭经验从先前导出的代表性特征值所导出的、启发式确定的或以其他方式创造出的指定阈值。在一个实施例中,神经网络或支持向量机可以用于生成分类边界2308。在图23中将分类边界2308示出为二维边界。替代地,分类边界2308可以是另一种类型的边界,如一维边界(例如,沿单轴比较特征值与阈值)或三维或更多维边界(例如,沿三轴或更多轴比较特征值与沿每个所述轴延伸的边界)。
***100(例如,图3中所示的分析模块308)可以将电机102的所述组2300、2302代表性特征值与分类边界2308进行比较,以将所述组2300、2302分类为指示即将发生的机械故障(如以上所描述)或不指示即将发生的机械故障。例如,超过分类边界2308(例如,所具有的代表性特征值y1和y2的值大于分类边界2308)的那些组2302代表性特征值可以指示电机102很可能在相对不久的将来具有机械故障(例如,已故障轴承)。可以对这样的电机102进行标记或识别以用于在不久的将来进行修理或维护。未超过分类边界2308(例如,所具有的代表性特征值y1和y2的值小于分类边界2308)的组2300代表性特征值可以指示电机102不太可能在相对不久的将来,如在车辆的当前旅程期间具有机械故障(例如,已故障轴承)。
如图23中所示,组2300、2302中的代表性特征值(y1或y2)之一的相对大的值可以使得所述组2300、2302超过分类边界2308,即使同一组2300、2302中的另一个代表性特征值(y1或y2)具有相对小的值。在所示实施例中,分类边界2308与水平轴2304和垂直轴2306在阈值2122a、2122b处相交。可以将所具有的单个、大的代表性特征值超过与该代表性特征值相关联的阈值2122的组2300、2302识别为指示即将发生的机械故障,即使同一组2300、2302中的其他代表性特征值是相对小的和/或未超过与所述其他代表性特征值相关联的阈值2122。
在另一个实施例中,可以预测电机102(图1中所示)的故障的故障模式和/或量化程度。所述故障模式表示故障的类型,如与轴承相关联的故障、与车轴相关联的故障、与齿轮相关联的故障等等。关于预测电机102的故障模式,可以使用不同检测窗口2014来获得信号2102的特性。例如,在电机102的不同运行条件(例如,速度和转矩)下可以出现不同类型的故障模式。一系列或一组两个或更多个检测窗口2014可以设计用于出现在电机102的不同运行条件下。例如,第一故障模式与第二故障模式相比可以与更低速度相关联,第三故障模式与第四故障模式相比可以与不同的转矩相关联等等。不同检测窗口2014可以与不同故障模式相关联,并且与同所述不同故障模式相关联的不同运行条件相关联。可以通过基于理论模型的模拟和/或经验数据驱动的方法来确定不同故障模式、不同检测窗口和/或特征类型之间的相关性。
当检测窗口2014中的一个或多个出现(例如,被动地或主动地,如以上所描述)时,监测信号2012的特性。检查一个或多个检测窗口2014中的每一个的特性(例如,通过确定特征值、代表性特征值等等)。可以基于哪个检测窗口2014提供用于预测即将发生的故障的特性来识别故障模式。例如,如果在与轴承故障相关联的第一检测窗口2014期间获得的特性指示即将发生的故障,但是在与齿轮故障相关联的不同的第二检测窗口2014期间所获得的特性不指示即将发生的故障,那么可以将所述机械故障识别为轴承故障。可以自动地将此所识别的故障模式传输至修理或维护设施,这样使得所述设施可以在车辆到达所述设施之前准备好进行必要的修理,如本发明中所描述。
可以预测的电机102(图1中所示)的故障的程度可以表示已预测故障的严重性。可以使故障的程度量化,这样,所述故障程度的一些值可以表示轻微故障(如允许电机102以更低或受限输出或速度继续运行的故障)、中等故障(如允许电机102停止运转但是在电机102不运转的情况下允许车辆继续移动的故障)和/或严重故障(如要求车辆停止移动直至修好电机102的故障)。故障的程度可以基于所识别的故障模式而改变。可以通过将健康数据2506(图25中所示)和/或趋势2508(图25中所示)与不同水平的阈值2510(图25中所示)进行比较来量化给定故障模式的故障程度。阈值2510可以与不同的故障程度相关联。另外地或替代地,趋势2508的一个或多个特性可以与不同的故障程度相关联。例如,健康数据2506与趋势2508的时间之间的关系的系数(例如,斜率)可以与不同的故障程度相关联。对健康数据2506和/或趋势2508与不同阈值的比较可以提供故障程度的指数。统计学可以应用于所述比较以进一步提供故障程度的置信区间。
图24示出一种用于预测电机102(图1中所示)的机械故障(如轴承的故障)的方法2400的流程图的另一个实施例。方法2400可以由***100(图1中所示)使用以预测电机102中的一个或多个的机械故障。例如,软件、硬编码逻辑和/或其他指令组(例如,存储在图3中所示的存储器302上)可以用于指引处理器300(图3中所示)的操作以执行方法2400的操作。
在2124,获得电机102(图1中所示)中的至少一个的电机电信号的时间序列。如上所述,这可以包括:监测供应至电机102的电流的一个或多个特性和在检测窗口期间记录所述特性中的至少一些。可以随时间,如在单个检测窗口内或在若干检测窗口内记录所述特性。替代地,可以从在一个或多个检测窗口内所获得的特性导出特征值,和/或可以从所述特征值计算出代表性特征值,如以上所描述。可以随时间跟踪所述特性、特征值和/或代表性特征值,如通过监测电机102的健康数据的变化和/或趋势。术语“健康数据”包括:从供应至电机102的电流所获得或导出的特性、特征值和/或代表性特征值。
图25示出根据一个实例的电机102(图1中所示)的健康数据2506的时间序列2500。沿着表示时间(例如,绝对时间、按顺序的但不一定连续的检测窗口的数量等等)的水平轴2502和表示电机102的健康数据的值的垂直轴2504示出时间序列2500。时间序列2500表示随时间针对电机102所获得的健康数据2506。如所示的,健康数据2506随时间改变。可以监测健康数据2506随时间的变化和/或趋势,以预测电机102的即将发生的机械故障和/或预测电机102的估计使用寿命或剩余使用寿命。使用寿命包括预期或设计电机102在例如像当将电机102或车辆离线以用于电机102的修理或更换时需要的非微小维护(例如,非日常维护)之前电机102工作的总时间。电机102的剩余使用寿命包括电机102的从电机102的当前时间或状态起的剩余使用寿命。
继续参照图25中所示的时间序列2500,并且返回至对图24中所示的方法2400的讨论,在2126,可以对时间序列2500进行外推以预测电机102(图1中所示)的未来健康。例如,可以使用一种或多种技术来对健康数据2506进行外推,以识别所述健康数据2506的趋势2508,所述一种或多种技术例如为线性外推法、多项式外推法、二次曲线外推法、法式曲线外推法等等。可以通过健康数据2506与时间之间的数学函数或关系来识别趋势2508,如通过使用一种或多种技术(例如,最小二乘法)来使一个或多个数学函数配合。虽然将趋势2508示出为健康数据2506与时间之间的线性关系,但是替代地,趋势2508可以是非线性的。可以对趋势2508进行外推以确定健康数据2506的未来值。例如,一旦识别趋势2508,***100(图1中所示)的分析模块308(图3中所示)就可以估计健康数据2506何时将会或预期超过一个或多个值或落在所述一个或多个值以下。
在2128,基于所预测的健康数据2506来估计电机102(图1中所示)的剩余寿命或使用寿命。例如,趋势2508可以用于确定何时估计出健康数据2506超过指定阈值2510。阈值2510可以与电机102的预期机械故障相关联。可以设定阈值2510(基于经验数据手动地或以其他方式),以使得当健康数据2506达到或超过阈值2510时,电机102(图1中所示)很可能(例如,在指定概率之上)发生机械故障。可以识别趋势2508与阈值2510的交点,并且可以基于这个交点来确定电机102的估计使用寿命2512。在所示实施例中,将所估计的电机102的使用寿命2512识别为出现在趋势2508与阈值2510之间的交点处。替代地,可以将所估计的使用寿命2512识别为出现在一个不同时间,如在趋势2508与阈值2510的交点之前或之后的指定缓冲时间段。
在一个实施例中,可以基于所估计的使用寿命2512来安排电机102(图1中所示)的修理或维护。例如,当所估计的使用寿命2512与当前时间相当靠近(例如,在指定时间范围内)时,***100(图1中所示)可以自动地将指令传输至修理设施以布置对电机102的修理。所述指令可以识别车辆的位置、车辆的航向、车辆到达修理设施处的估计时间、由***所预测的故障的类型等等。
如以上所描述,随着在车辆行进时改变的电机速度,电机102(图1中所示)的信号2012的特性的基频和/或信号2012的基频可以改变。可以基于所述基频对所述特性进行取样。例如,在一个实施例中,取样周期是基于信号2012的一个或多个特性的基频或基于信号2012的基频。所述取样周期可以表示所述特性的连续样品之间的时间段。例如,第一次与第二次测量信号2012特性之间的时间长度可以是所述取样周期并且可以在所述信号2012的基频改变时改变。在一个实施例中,所述取样周期可以针对更大的基频而增长并且针对更小的基频而减短。所述取样周期的变化量或变化率可以与基频的变化成比例(例如,根据线性或非线性关系)。替代地,所述取样周期的变化量或变化率可以与基频的变化成反比。在另一个实施例中,所述取样周期的变化量或变化率可以通过另一种关系与基频的变化相关。
信号2012的基频的显著变化可以导致所述特性的不可取(例如,不准确)的测量值。在一个实施例中,仅在基频恒定或大体恒定时测量所述特性。当基频保持在同一频率(如60Hz)或在同一频率的指定范围内达至少预定量的时间(例如,足以获得如10、20、30、50、100、1000或另一个数的至少指定数量的所述特性的测量值的量的时间)时,所述基频可以是恒定的或大体恒定的。
然而,因为信号2012的基频可能不能在车辆的旅程的进程内连续地保持恒定,所以可以在所述信号2012的循环的周期(T)未随时间显著变化时对所述信号2012进行取样(例如,测量)以获得所述特性。例如,可以通过跟踪信号2012(例如,供应至电机102的相电流)的每个或至少预定数量的循环的周期(T),来监测所述信号2012的基频。可以在循环的周期(T)的改变不超过指定量时对信号2012进行取样以测量所述特性。例如,可以在信号2012的周期(T)未改变时对信号2012进行取样,以使得基频保持在22至35Hz的范围内。替代地,可以使用另一个范围,如25至32Hz、28至30Hz、19至38Hz、16至41Hz等等。
在其他实施例中,对电流或电压信号2012的完全循环进行取样。在这里,可以对信号2012的基频的完全循环进行取样,以使频率泄露减少或最小化。因此,承受检测的频率范围(例如,“所关注频率范围”)可能相对接近基频。例如,可以减少来自基频的泄露以避免在其他频率处造成污染测量值,这样使得所述泄露将不会污染所关注频率范围。
在其他实施例中,实时地计算出信号2012和/或信号2012的特性的离散傅里叶变换(DFT)和/或DFT的系数。“实时”意味着:在收集数据时,而不是在将所述数据存储达非微小时间段之后,计算离散傅里叶变换。在一个实施例中,离散傅里叶变换的定义用于生成系数。在另一个实施例中,仅保存基频的系数。从基频的那些系数导出更高频率的系数。
在另一个实施例中,一种用于具有多个电动机的车辆的方法包括:针对所述电机生成电机电气特征。所述电机电气特征表示供应至所述电机的电能的一个或多个特性。所述方法还包括:识别每个所述电机电气特征的一个或多个故障测度。所述故障测度指示所述电机的机械特性。所述方法进一步包括:将每个电机的一个或多个故障测度与同一车辆中的其他电机的一个或多个故障测度进行比较,并且基于比较所述电机的故障测度来预测所述电机中的一个或多个的即将发生的机械故障。
在另一方面,所述电机电气特征是供应至所述电机的电能的特性的频域谱。识别步骤可以包括:基于一个或多个干扰峰的振幅在频域谱中识别所述干扰峰,并且故障测度是基于所识别的干扰峰的数量。
另一方面,识别步骤包括:确定基于电机的运转速度的电机电气特征的谐频,和在所述电机电气特征的次谐频范围中识别干扰峰。
另一方面,识别步骤包括:确定电机电气特征中的多个干扰峰中的哪些超过一个或多个第一阈值;选择超过所述阈值的一群或多群所述峰;将每个所述群中的所述峰中的至少一个识别为代表性干扰峰,和将所述代表性干扰峰与一个或多个第二阈值进行比较,以确定所述代表性干扰峰是否表示故障测度。
另一方面,比较步骤包括:针对所检查的每个电机,计算与多个电机相关联的故障测度的第一平均值或中值;计算与除了所检查的电机之外的所述多个电机中的每个相关联的故障测度的第二平均值或中值,和将所述第一平均值或中值与所述第二平均值或中值进行比较,其中预测步骤包括:基于所述比较步骤来预测所检查的电机的即将发生的机械故障。
另一方面,所述方法还包括:通过计算电机的互感特性来确定供应至所述电机的电能的一个或多个特性。识别步骤可以包括:确定所述互感特性是否超过一个或多个阈值。
另一方面,所述方法还包括:通过测量由电机所产生的磁场所感应出的电流,来确定供应至所述电机的电能的一个或多个特性。识别步骤可以包括:确定所述电流是否超过一个或多个阈值。
另一方面,生成步骤包括:生成能够自我推进的轨道车辆中的牵引电机的电机电气特征;比较步骤包括:将每个所述牵引电机的一个或多个故障测度与同一轨道车辆中的其他牵引电机的一个或多个故障测度进行比较;并且预测步骤包括:基于比较所述牵引电机的故障测度来预测所述牵引电机中的一个或多个的即将发生的机械故障。
另一方面,预测步骤包括:预测所述电机中的一个或多个的一个或多个轴承的即将发生的机械故障。
另一方面,所述方法还包括:响应于预测所述即将发生的机械故障而传达车辆控制信号。
在另一个实施例中,故障预测***包括输入/输出(I/O)模块、特征生成模块和分析模块。所述I/O模块配置用于:确定供应至车辆中的多个电动机的电能的一个或多个特性。所述特征生成模块配置用于:针对所述电机产生电机电气特征。所述电机电气特征表示供应至所述电机的电能的特性。所述分析模块配置用于:确定所述电机中的一个或多个的电机电气特征的一个或多个故障测度。所述故障测度指示所述电机中的一个或多个的机械特性。所述分析模块还配置用于:将每个电机的故障测度与同一车辆中的其他电机的故障测度进行比较,并且基于比较所述电机的故障测度来预测所述电机中的一个或多个的即将发生的机械故障。
另一方面,电机电气特征是供应至电机的电能的特性的频域谱,并且所述分析模块配置用于:基于一个或多个干扰峰的振幅在所述频域谱中识别所述干扰峰。所述故障测度可以是基于所识别的干扰峰的数量。
另一方面,所述分析模块配置用于:确定基于电机的运转速度的电机电气特征的谐频,并且在所述电机电气特征的次谐频范围中识别干扰峰。
另一方面,所述分析模块配置用于:在电机电气特征中确定所述干扰峰中的哪些超过一个或多个第一阈值;选择超过所述阈值的一群或多群所述峰;将每个所述群中的所述峰中的至少一个识别为代表性干扰峰;并且将所述代表性干扰峰与一个或多个第二阈值进行比较,以确定所述代表性干扰峰是否表示故障测度。
另一方面,所述分析模块配置用于:针对所检查的每个电机,计算与多个电机相关联的故障测度的第一平均值或中值;计算与除了所检查的电机之外的所述多个电机中的每个相关联的故障测度的第二平均值或中值,并且将所述第一平均值或中值与所述第二平均值或中值进行比较,所述分析模块进一步配置用于:基于所述比较来预测所检查的电机的即将发生的机械故障。
另一方面,所述分析模块配置用于:计算电机的互感特性并且基于所述互感特性是否超过一个或多个阈值来预测即将发生的机械故障。
另一方面,所述I/O模块配置用于:接收由电机所产生的磁场所感应出的电流的测量值;并且所述分析模块配置用于:基于所述电流是否超过一个或多个阈值来预测即将发生的机械故障。
另一方面,所述信号生成模块配置用于:针对能够自我推进的轨道车辆中的牵引电机生成电机电气特征;并且所述分析模块配置用于:基于比较所述牵引电机的故障测度来预测所述牵引电机中的一个或多个的即将发生的机械故障。
另一方面,所述分析模块配置用于:预测所述电机中的一个或多个的一个或多个轴承的即将发生的机械故障。
另一方面,所述I/O模块配置用于:响应于预测所述即将发生的机械故障而传达车辆控制信号。
在另一个实施例中,提供一种用于具有处理器的***的计算机可读存储介质。所述计算机可读存储介质包括指引所述处理器以针对常见车辆的多个电动机生成电机电气特征的一个或多个指令组。所述电机电气特征表示供应至所述电机的电能的一个或多个特性。所述一个或多个指令组还指引所述处理器识别每个所述电机电气特征的一个或多个故障测度。所述故障测度指示所述电机的机械特性。所述一个或多个指令组还指引所述处理器将每个电机的所述一个或多个故障测度与同一车辆中的其他电机的所述一个或多个故障测度进行比较,并且基于比较所述电机的故障测度来预测所述电机中的一个或多个的即将发生的机械故障。
另一方面,计算机可读存储介质是有形且非临时性的计算机可读存储介质。
在另一方面,所述电机电气特征是供应至所述电机的电能的特性的频域谱。所述一个或多个指令组指引所述处理器基于一个或多个干扰峰的振幅在所述频域谱中识别所述干扰峰,并且所述故障测度是基于所识别的干扰峰的数量。
另一方面,所述一个或多个指令组指引所述处理器确定基于电机的运转速度的电机电气特征的谐频,并且在所述电机电气特征的次谐频范围中识别干扰峰。
另一方面,所述一个或多个指令组指引所述处理器针对所检查的每个电机,计算与多个电机相关联的故障测度的第一平均值或中值;计算与除了所检查的电机之外的所述多个电机中的每个相关联的故障测度的第二平均值或中值,将所述第一平均值或中值与所述第二平均值或中值进行比较,并且基于所述比较来预测所检查的电机的即将发生的机械故障。
另一方面,所述一个或多个指令组指引所述处理器计算电机的互感特性,并且基于所述互感特性是否超过一个或多个阈值来预测即将发生的机械故障。
另一方面,所述一个或多个指令组指引所述处理器接收由电机所产生的磁场所感应出的电流的测量值;并且基于所述电流是否超过一个或多个阈值来预测即将发生的机械故障。
在另一个实施例中,一种用于具有多个电动机的车辆的方法包括:针对所述多个电动机获得相应电气特征。所述电气特征与供应至所述电机的相应电能有关。所述方法还包括:执行对所述电机中的一个的电气特征与同一车辆中的其他电机的电气特征的比较,基于所述比较确定所述电机中的所述一个的即将发生的机械故障,和响应于确定所述即将发生的机械故障而传达信号。
另一方面,所述比较是对电气特征的次谐频范围的比较。
另一方面,所述比较是对电气特征的频率范围的比较,并且其中每个电气特征的频率范围小于该电气特征的基频。
另一方面,将信号传达至非车载处。
在另一个实施例中,诊断方法包括接收与车辆的多个电机中的一个的即将发生的机械故障的自动车载确定有关的第一信号,和以下步骤中的至少一个:响应于接收所述第一信号,为所述车辆安排维护操作;生成用于控制所述车辆以进行以下各项中的至少一项的第二信号:使所述车辆停止或使得所述车辆行进至指定维护设施;生成与所述即将发生的机械故障有关的警报信号,或生成与执行所述维护操作有关的信息。
另一方面,在车辆的机外接收所述第一信号,并且所述方法包括:为所述车辆安排维护操作,并且响应于在所述车辆的机外所接收的第一信号,将第三信号传输至所述车辆。所述第三信号可以包括与以下各项中的至少一项有关的信息:维护操作的时间、指定维护设施的身份或所述指定维护设施的位置。
另一方面,车载确定是基于对所述电机中的所述一个的电气特征与同一车辆中的其他电机的电气特征的比较。所述电气特征可以与供应至所述电机的相应电能有关。
另一方面,所述比较是对电气特征的次谐频范围的比较。
另一方面,所述比较是对电气特征的频率范围的比较,并且其中每个电气特征的频率范围小于该电气特征的基频。
另一个实施例涉及一种用于具有多个电动机的车辆的方法。所述方法包括以下步骤:基于供应至所述电机的相应电能的一个或多个特性来生成所述电机的电机电气特征(例如,针对每个电机生成相应电机电气特征)。所述方法进一步包括:识别或以其他方式确定所述电机电气特征的一个或多个故障测度。所述故障测度指示所述电机的机械特性,例如,它们潜在地指示所述电机的即将发生的机械故障。所述方法进一步包括:将每个电机的所述一个或多个故障测度与同一车辆中的其他电机的所述一个或多个故障测度进行比较。所述方法进一步包括:基于比较所述电机的故障测度来预测所述电机中的一个或多个的即将发生的机械故障。可以使用基于处理器的***(例如,通过软件控制的)或其他电子***自动地实行所述步骤。一方面,预测即将发生的机械故障包括:生成指示所述即将发生的机械故障的输出信号。所述输出信号可以是车辆控制信号,所述车辆控制信号由所述车辆使用以自动地改变所述车辆的牵引力和/或制动力,和/或通知所述车辆的操作者改变所述车辆的所述牵引力和/或所述制动力。
另一个实施例涉及一种用于车辆的方法,所述车辆具有多个电动机(例如,用于推进所述车辆的多个牵引电机)。所述方法包括以下步骤:针对每个电机,获得与供应至所述电机的电能有关的一个测量值。所述方法进一步包括:执行对所述电机彼此的测量值的比较。所述方法进一步包括:基于所述比较来预测所述电机中的至少一个的即将发生的机械故障。在实施例中,对即将发生的机械故障的预测仅基于对所述多个电机的比较。在另一个实施例中,每个电机的测量值是供应至所述电机的电能的频谱,并且所述比较是对所述频谱的次谐波部分的比较。
在另一个实施例中,一种方法(例如,一种用于预测车辆中的牵引电机的故障的方法)包括:在第一检测窗口期间监测供应至车辆的牵引电机的电信号的第一特性。所述第一特性表示所述牵引电机的第一电机电气特征。所述方法还包括:从所述第一电机电气特征的第一数学模型导出一个或多个特征值,和基于所述一个或多个特征值来预测所述牵引电机的机械故障。
另一方面,所述第一检测窗口与所述牵引电机的一个或多个指定运行条件相关联,并且监测所述特性出现在所述牵引电机的一个或多个实际运行条件超过所述一个或多个指定运行条件和/或落在指定运行条件的范围内时。
另一方面,所述一个或多个指定运行条件包括实际牵引电机的指定速度或指定转矩中的至少一个,并且所述一个或多个实际运行条件包括所述牵引电机的实际速度或实际转矩中的至少一个。
另一方面,监测所述第一特性包括:在所述牵引电机的所述一个或多个实际运行条件超过所述一个或多个指定运行条件或落在指定运行条件的范围内时,记录所述第一特性;和在所述牵引电机的所述一个或多个实际运行条件未超过所述一个或多个指定运行条件或落在所述指定运行条件的范围内时忽视所述第一特性。
另一方面,所述方法还包括:控制所述牵引电机以使得所述实际速度或所述实际转矩中的所述至少一个超过与所述第一检测窗口相关联的所述指定速度或所述指定转矩中的所述至少一个。
另一方面,预测所述机械故障包括:在所述一个或多个特征值超过一个或多个指定阈值时,确定所述牵引电机将会发生机械故障。
另一方面,所述方法还包括:监测供应至所述牵引电机的所述电信号的不同的第二特性。所述第二特性表示所述牵引电机的第二电机电信号。所述方法还可以包括:从所述第二电机电气特征的第二数学模型导出一个或多个特征值;和使来自所述第一电机电气特征的第一数学模型的一个或多个特征值与来自所述第二电机电信号的第二数学模型的一个或多个特征值组合,以形成一个或多个代表性特征值。预测所述机械故障可以包括:将所述一个或多个代表性特征值与一个或多个指定阈值进行比较。
另一方面,预测所述机械故障包括:将代表性特征值中的至少两个的一个组与分类边界进行比较;和如果所述组中的所述代表性特征值中的至少一个超过所述分类边界,那么将所述机械故障识别为可能发生。
另一方面,使来自所述第一数学模型的一个或多个特征值与来自所述第二数学模型的一个或多个特征值组合包括:使来自所述第一数学模型的所述一个或多个特征值与来自所述第二数学模型的所述一个或多个特征值组合,以导出一个或多个代表性特征值。在一个实施例中,组合包括:使根据所述第一数学模型和所述第二数学模型的特征值线性地组合。
另一方面,预测所述机械故障包括:随时间跟踪所述一个或多个特征值以确定所述一个或多个特征值的趋势,和基于所述趋势来估计所述机械故障何时将会出现。
另一方面,监测供应至所述牵引电机的所述电信号的第一特性包括:以基于所述牵引电机运转的速度的速率对所述第一特性进行取样。
另一方面,所述方法还包括:在不同的第二检测窗口期间,监测供应至所述牵引电机的所述电信号的第二特性。第一检测窗口和第二检测窗口与牵引电机的不同运行条件相关联。预测所述机械故障包括:基于所述第一特性或所述第二特性中的哪种特性用于预测所述机械故障来识别故障模式。
另一方面,预测所述机械故障包括:将所述一个或多个特征值与两个或更多个指定阈值进行比较;和基于所述一个或多个特征值超过所述两个或更多个指定阈值中的哪个来识别已预测故障的程度。
在另一个实施例中,一种***(例如,一种用于预测车辆中的牵引电机的机械故障的***)包括特征生成模块和分析模块。所述特征生成模块配置用于:在第一检测窗口期间,监测供应至车辆的牵引电机的电信号的第一特性。所述第一特性表示所述牵引电机的第一电机电气特征。所述分析模块配置用于:确定所述第一电机电信号的第一数学模型,并且从所述第一数学模型导出一个或多个特征值。所述分析模块进一步配置用于:基于所述一个或多个特征值来预测所述牵引电机的机械故障。
另一方面,所述第一检测窗口与所述牵引电机的一个或多个指定运行条件相关联,并且所述特征生成模块配置用于:在所述牵引电机的一个或多个实际运行条件超过所述一个或多个指定运行条件时监测所述特性。
另一方面,所述一个或多个指定运行条件包括实际牵引电机的指定速度或指定转矩中的至少一个,并且所述一个或多个实际运行条件包括所述牵引电机的实际速度或实际转矩中的至少一个。
另一方面,所述特征生成模块配置用于:通过在所述牵引电机的所述一个或多个实际运行条件超过所述一个或多个指定运行条件时记录所述第一特性来监测所述第一特性。所述特征生成模块还配置用于:在所述牵引电机的所述一个或多个实际运行条件未超过所述一个或多个指定运行条件时忽视所述第一特性。
另一方面,所述***还包括:输入/输出(I/O)模块,其配置用于:生成控制信号以用于传输至设置在车辆上的车载的控制子***,以使得所述实际速度或所述实际转矩中的所述至少一个超过与所述第一检测窗口相关联的所述指定速度或所述指定转矩中的所述至少一个。
另一方面,所述分析模块配置用于:通过在所述一个或多个特征值超过一个或多个指定阈值时确定牵引电机将会发生机械故障,来预测所述机械故障。
另一方面,所述特征生成模块配置用于:监测供应至所述牵引电机的电信号的不同的第二特性。所述第二特性表示所述牵引电机的第二电机电信号。所述分析模块可以配置用于:从所述第二电机电气特征的第二数学模型导出一个或多个特征值,并且使根据所述第一电机电气特征的第一数学模型的一个或多个特征值与根据所述第二电机电信号的第二数学模型的一个或多个特征值组合,以形成一个或多个代表性特征值。所述分析模块可以进一步配置用于:通过将所述一个或多个代表性特征值与一个或多个指定阈值进行比较来预测所述机械故障。
另一方面,所述分析模块配置用于:通过将代表性特征值中的至少两个的一个组与分类边界进行比较来预测所述机械故障,并且如果所述组中的所述代表性特征值中的至少一个超过所述分类边界,那么将所述机械故障识别为可能发生。
另一方面,所述分析模块配置用于:通过使来自所述第一数学模型的所述一个或多个特征值与来自所述第二数学模型的所述一个或多个特征值组合以导出所述一个或多个代表性特征值,来使来自所述第一数学模型的所述一个或多个特征值与来自所述第二数学模型的所述一个或多个特征值组合。在一个实施例中,组合可以包括:使特征值线性地组合,如通过对所述特征值进行线性外推。
另一方面,所述分析模块配置用于通过以下来预测所述机械故障:随时间跟踪所述一个或多个特征值以确定所述一个或多个特征值的趋势,和基于所述趋势来估计所述机械故障何时将会出现。
另一方面,所述特征生成模块配置用于通过以下来监测供应至所述牵引电机的电信号的第一特性:以基于所述牵引电机运转的速度的速率对所述第一特性进行取样。
另一方面,所述特征生成模块配置用于:在不同的第二检测窗口期间,监测供应至所述牵引电机的所述电信号的第二特性。第一检测窗口和第二检测窗口可以与牵引电机的不同运行条件相关联。所述分析模块可以配置用于通过以下来预测机械故障:基于所述第一特性或所述第二特性中的哪种特性用于预测所述机械故障来识别故障模式。
另一方面,所述分析模块可以配置用于:通过将所述一个或多个特征值与两个或更多个指定阈值进行比较来预测所述机械故障,并且基于所述一个或多个特征值超过所述两个或更多个指定阈值中的哪个来识别已预测故障的程度。
在另一个实施例中,提供另一种用于具有多个电动机的车辆的方法。所述方法包括:针对所述电机生成电机电气特征。所述电机电气特征表示供应至所述电机的电能的一个或多个特性。每个电机是与其他电机同一类型的电机并且与其他电机包括同一类型的轴承。所述方法还包括:识别每个所述电机电气特征的一个或多个故障测度。所述故障测度指示所述电机的轴承的机械特性。所述方法还包括:执行对每个电机的所述一个或多个故障测度与同一车辆中的其他电机的所述一个或多个故障测度的比较,和基于所述比较来预测所述电机中的一个的轴承的机械故障。
另一方面,当每个电机在指定速度范围或指定转矩范围中的至少一个内运转时,针对所述电机,仅在检测窗口期间收集用于生成所述电机的电机电气特征的数据。
另一方面,预测所述电机中的所述一个的机械故障包括:记录所述电机中的所述一个的电机电信号的时间序列,对所述时间序列进行外推以确定所述电机中的所述一个的已预测特征值,和基于所述已预测特征值来预测所述电机中的所述一个的剩余寿命。
应了解,以上说明旨在是说明性的而非限制性的。例如,上述实施例(和/或其各个方面)可以与彼此结合使用。另外,在不背离本发明的主题的范围情况下,可以做出许多修改以使具体情况或材料适应本发明的主题的教示。虽然本发明中所描述的材料的尺寸和类型旨在定义本发明的主题的参数,但是它们决不是限制性的,并且是示例性实施例。所属领域的技术人员在阅读以上说明之后将明白许多其他实施例。因此,应参考所附权利要求书,以及此类权利要求书所授权的等效物的完整范围来确定本发明中所描述的主题的范围。在所附权利要求书中,术语“包括(including)”和“其中(in which)”用作相应术语“包括(comprising)”和“其中(wherein)”的简明英语等效物。此外,在以下权利要求书中,术语“第一”、“第二”和“第三”等仅用作标签,并且不旨在对其对象强加数字要求。另外,以下权利要求的限制并非以装置加功能的方式撰写,并且不希望基于35U.S.C.§112第六段进行解释,除非并且直到此类权利要求限制明确使用短语“装置用于”,后跟对不含进一步结构的功能的说明。
本发明使用各实例来公开本发明的主题的若干实施例,包括最佳模式,同时也使得所属领域的任何技术人员能够实践本发明中所公开的实施例,包括制造和使用任何装置或***和执行任何所涵盖的方法。所述主题的可获得专利的范围由所述权利要求书定义,并且可以包括所属领域的技术人员所想到的其他实例。如果此类其他实例具有与所述权利要求书的文字语言相同的结构元素,或如果它们包括与所述权利要求书的文字语言具有非实质性差异的等效结构元素,那么希望此类其他实例是在所述权利要求书的范围之内。
在结合附图进行阅读时,将更好地理解前述对所公开主题的某些实施例的描述。尽管附图示出各实施例的功能块的图,但所述功能块并非一定指示硬件电路之间的划分。因此,例如,可以在单件硬件(例如,通用信号处理器、微控制器、随机存取存储器、硬盘等等)中实施所述功能块中的一个或多个(例如,处理器或存储器)。类似地,所述程序可以是独立的程序、可以作为子程序合并在操作***中、可以是安装软件包中的功能等等。各个实施例并不限制于附图中所示的布置和机构。
如本发明中所使用,以单数形式列举并且以“一个”或“一种”开始的元件或步骤应理解为不排除多个所述元件或步骤,除非对这种排除进行明确说明。另外,并不希望将引用本发明的主体的“一个实施例”解释为排除同样涵盖所列举的特征的另外的实施例。此外,除非明确地进行相反说明,否则“包含”、“包括”或“具有”具有特定性质的一个元件或多个元件的实施例可以包括不具有所述性质的另外的此类元件。
由于可以在不脱离本发明中包括的主题的精神和范围的情况下对上述***和方法做出某些改变,所以所希望的是:以上说明的或附图中所示的所有主题仅应该解释为示出本发明中的发明概念的实例,并且不应理解为限制所公开的主题。
Claims (29)
1.一种方法,其包括:
在第一检测窗口期间监测供应至车辆的牵引电机的电信号的第一特性,所述第一特性表示所述牵引电机的第一电机电气特征;
从所述第一电机电气特征的第一数学模型导出一个或多个特征值;以及
基于所述一个或多个特征值来预测所述牵引电机的机械故障。
2.如权利要求1所述的方法,其中所述第一检测窗口与所述牵引电机的一个或多个指定运行条件相关联,并且监测所述特性出现在所述牵引电机的一个或多个实际运行条件超过所述一个或多个指定运行条件时。
3.如权利要求2所述的方法,其中所述一个或多个指定运行条件包括所述实际牵引电机的指定速度或指定转矩中的至少一个,并且所述一个或多个实际运行条件包括所述牵引电机的实际速度或实际转矩中的至少一个。
4.如权利要求2所述的方法,其中监测所述第一特性包括:在所述牵引电机的所述一个或多个实际运行条件超过所述一个或多个指定运行条件时,记录所述第一特性;和在所述牵引电机的所述一个或多个实际运行条件未超过所述一个或多个指定运行条件时,忽视所述第一特性。
5.如权利要求2所述的方法,其进一步包括:控制所述牵引电机,以使所述实际速度或所述实际转矩中的所述至少一个超过与所述第一检测窗口相关联的所述指定速度或所述指定转矩中的所述至少一个。
6.如权利要求1所述的方法,其中预测所述机械故障包括:在所述一个或多个特征值超过指定阈值时,确定所述牵引电机将会发生机械故障。
7.如权利要求1所述的方法,其进一步包括:
监测供应至所述牵引电机的所述电信号的不同的第二特性,所述第二特性表示所述牵引电机的第二电机电气特征;
从所述第二电机电气特征的第二数学模型导出一个或多个特征值;以及
使来自所述第一电机电气特征的所述第一数学模型的所述一个或多个特征值与来自所述第二电机电信号的所述第二数学模型的所述一个或多个特征值组合,以形成一个或多个代表性特征值,
其中预测所述机械故障包括:将所述一个或多个代表性特征值与一个或多个指定阈值进行比较。
8.如权利要求7所述的方法,其中预测所述机械故障包括:将所述代表性特征值中的至少两个组成的组与分类边界进行比较;和如果所述组中的至少一个所述代表性特征值超过所述分类边界,那么将所述机械故障识别为可能发生。
9.如权利要求7所述的方法,其中使来自所述第一数学模型的所述一个或多个特征值与来自所述第二数学模型的所述一个或多个特征值组合包括:使来自所述第一数学模型的所述一个或多个特征值与来自所述第二数学模型的所述一个或多个特征值组合,以导出所述一个或多个代表性特征值。
10.如权利要求1所述的方法,其中预测所述机械故障包括:随时间跟踪所述一个或多个特征值以确定所述一个或多个特征值的趋势,以及基于所述趋势估计所述机械故障何时将发生。
11.如权利要求1所述的方法,其中监测供应至所述牵引电机的所述电信号的所述第一特性包括:以基于所述牵引电机的运转速度的速率对所述第一特性进行取样。
12.如权利要求1所述的方法,其进一步包括:在不同的第二检测窗口期间监测供应至所述牵引电机的所述电信号的第二特性,所述第一检测窗口和所述第二检测窗口与所述牵引电机的不同运行条件相关联,并且其中预测所述机械故障包括:基于所述第一特性或所述第二特性中的哪种特性被用于预测所述机械故障来识别故障模式。
13.如权利要求1所述的方法,其中预测所述机械故障包括:将所述一个或多个特征值与两个或更多个指定阈值进行比较,以及基于所述一个或多个特征值超过所述两个或更多指定阈值中的哪个来识别预测故障的程度。
14.一种***,其包括:
特征生成模块,其配置用于:在第一检测窗口期间监测供应至车辆的牵引电机的电信号的第一特性,所述第一特性表示所述牵引电机的第一电机电气特征;以及
分析模块,其配置用于:确定所述第一电机电信号的第一数学模型,并且从所述第一数学模型导出一个或多个特征值,其中所述分析模块进一步配置用于:基于所述一个或多个特征值来预测所述牵引电机的机械故障。
15.如权利要求14所述的***,其中所述第一检测窗口与所述牵引电机的一个或多个指定运行条件相关联,并且所述特征生成模块配置用于:在所述牵引电机的一个或多个实际运行条件超过所述一个或多个指定运行条件时监测所述特性。
16.如权利要求15所述的***,其中所述一个或多个指定运行条件包括所述实际牵引电机的指定速度或指定转矩中的至少一个,并且所述一个或多个实际运行条件包括所述牵引电机的实际速度或实际转矩中的至少一个。
17.如权利要求15所述的***,其中所述特征生成模块配置用于通过以下来监测所述第一特性:在所述牵引电机的所述一个或多个实际运行条件超过所述一个或多个指定运行条件时,记录所述第一特性;所述特征生成模块还配置用于:在所述牵引电机的所述一个或多个实际运行条件未超过所述一个或多个指定运行条件时,忽视所述第一特性。
18.如权利要求15所述的***,其进一步包括:输入/输出(I/O)模块,所述输入/输出模块配置用于:生成控制信号以供传输至设置在所述车辆的车载控制子***,以使得所述实际速度或所述实际转矩中的所述至少一个超过与所述第一检测窗口相关联的所述指定速度或所述指定转矩中的所述至少一个。
19.如权利要求14所述的***,其中所述分析模块配置用于通过以下来预测所述机械故障:在所述一个或多个特征值超过指定阈值时,确定所述牵引电机将会发生机械故障。
20.如权利要求14所述的***,其中所述特征生成模块配置用于:监测供应至所述牵引电机的所述电信号的不同的第二特性,所述第二特性表示所述牵引电机的第二电机电信号,
其中所述分析模块配置用于:从所述第二电机电气特征的第二数学模型导出一个或多个特征值,并且使来自所述第一电机电气特征的所述第一数学模型的所述一个或多个特征值与来自所述第二电机电信号的所述第二数学模型的所述一个或多个特征值组合,以形成一个或多个代表性特征值,并且
其中所述分析模块进一步配置用于:通过将所述一个或多个代表性特征值与一个或多个指定阈值进行比较来预测所述机械故障。
21.如权利要求20所述的***,其中所述分析模块配置用于:通过将所述代表性特征值中的至少两个构成的组与分类边界进行比较来预测所述机械故障,并且如果所述组中的至少一个所述代表性特征值超过所述分类边界,那么将所述机械故障识别为可能发生。
22.如权利要求20所述的***,其中所述分析模块配置用于:通过使来自所述第一数学模型的所述一个或多个特征值与来自所述第二数学模型的所述一个或多个特征值组合以导出所述一个或多个代表性特征值,以使来自所述第一数学模型的所述一个或多个特征值与来自所述第二数学模型的所述一个或多个特征值组合。
23.如权利要求14所述的***,其中所述分析模块配置用于通过以下来预测所述机械故障:随时间跟踪所述一个或多个特征值以确定所述一个或多个特征值的趋势,以及基于所述趋势来估计所述机械故障何时将会出现。
24.如权利要求14所述的***,其中所述特征生成模块配置用于通过以下来监测供应至所述牵引电机的所述电信号的所述第一特性:以基于所述牵引电机运转的速度的速率对所述第一特性进行取样。
25.如权利要求14所述的***,其中所述特征生成模块配置用于:在不同的第二检测窗口期间监测供应至所述牵引电机的所述电信号的第二特性,所述第一检测窗口和所述第二检测窗口与所述牵引电机的不同运行条件相关联,并且
其中所述分析模块配置用于通过以下来预测所述机械故障:基于所述第一特性或所述第二特性中的哪种特性被用于预测所述机械故障来识别故障模式。
26.如权利要求14所述的***,其中所述分析模块配置用于:通过将所述一个或多个特征值与两个或更多指定阈值进行比较来预测所述机械故障,并且基于所述一个或多个特征值超过所述两个或更多个指定阈值中的哪个来识别已预测故障的程度。
27.一种用于具有多个电动机的车辆的方法,所述方法包括:
针对所述电机生成电机电气特征,所述电机电气特征表示供应至所述电机的电能的一个或多个特性,其中每个电机是与其他电机同一类型的电机并且与其他电机包括同一类型的轴承;
识别每个所述电机电气特征的一个或多个故障测度,所述故障测度指示所述电机的所述轴承的机械特性;
执行对每个电机的所述一个或多个故障测度与同一车辆中的其他电机的所述一个或多个故障测度的比较;以及
基于所述比较来预测所述电机中的一个的所述轴承的机械故障。
28.如权利要求27所述的方法,其中当每个电机在指定速度范围或指定转矩范围中的至少一个内运转时,针对所述每个电机,仅在检测窗口期间收集用于生成所述电机的所述电机电气特征的数据。
29.如权利要求27所述的方法,其中预测所述电机中的所述一个的所述机械故障包括:
记录所述电机中的所述一个的所述电机电信号的时间序列;
对所述时间序列进行外推以确定所述电机中的所述一个的已预测特征值;以及
基于所述已预测特征值来预测所述电机中的所述一个的剩余寿命。
Applications Claiming Priority (10)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US13/176,828 US9050894B2 (en) | 2011-07-06 | 2011-07-06 | System and method for predicting mechanical failure of a motor |
US13/176,828 | 2011-07-06 | ||
US13/176828 | 2011-07-06 | ||
US201161553837P | 2011-10-31 | 2011-10-31 | |
US61/553837 | 2011-10-31 | ||
US61/553,837 | 2011-10-31 | ||
US13/537,706 | 2012-06-29 | ||
US13/537,706 US9845012B2 (en) | 2011-07-06 | 2012-06-29 | System and method for predicting mechanical failure of a motor |
US13/537706 | 2012-06-29 | ||
PCT/US2012/045644 WO2013006742A1 (en) | 2011-07-06 | 2012-07-06 | System and method for predicting mechanical failure of a motor |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103648827A true CN103648827A (zh) | 2014-03-19 |
CN103648827B CN103648827B (zh) | 2017-09-12 |
Family
ID=46640095
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201280033496.1A Active CN103648827B (zh) | 2011-07-06 | 2012-07-06 | 用于预测电机的机械故障的***和方法 |
Country Status (6)
Country | Link |
---|---|
US (1) | US9845012B2 (zh) |
EP (1) | EP2729323B1 (zh) |
CN (1) | CN103648827B (zh) |
AU (1) | AU2012278980A1 (zh) |
WO (1) | WO2013006742A1 (zh) |
ZA (1) | ZA201400533B (zh) |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105043761A (zh) * | 2015-06-30 | 2015-11-11 | 株洲南车时代电气股份有限公司 | 一种机车锁轴故障诊断方法 |
CN105438177A (zh) * | 2014-07-01 | 2016-03-30 | 冯春魁 | 车辆运行监控、参数测算和超载监控的方法及*** |
CN105512457A (zh) * | 2014-10-10 | 2016-04-20 | 波音公司 | 用于提供关于维护活动的信息的计算***和方法 |
CN106019153A (zh) * | 2016-06-30 | 2016-10-12 | 南京中车浦镇城轨车辆有限责任公司 | 牵引电机电流同步测试装置及方法 |
CN106842023A (zh) * | 2017-01-22 | 2017-06-13 | 浙江大学 | 旋转电机的故障诊断方法 |
CN107107767A (zh) * | 2015-01-16 | 2017-08-29 | 沃尔沃卡车集团 | 用于控制电动车辆或混合动力车辆的方法和装置 |
CN107851294A (zh) * | 2015-07-10 | 2018-03-27 | 汉阳大学校产学协力团 | 大型运行***的基于状态的预防维护装置及方法 |
CN108334652A (zh) * | 2017-01-20 | 2018-07-27 | 财团法人工业技术研究院 | 机台的预诊断方法及预诊断装置 |
CN108508359A (zh) * | 2017-02-24 | 2018-09-07 | 通用电器技术有限公司 | 基于电气特征分析的机器自主监测与诊断程序 |
CN108710099A (zh) * | 2018-05-24 | 2018-10-26 | 广州供电局有限公司 | 电容式电压互感器监测告警方法和*** |
CN108731921A (zh) * | 2017-12-26 | 2018-11-02 | 保定风赢新能源技术服务有限公司 | 一种设备连接件故障监测方法及*** |
CN109142906A (zh) * | 2017-06-27 | 2019-01-04 | 福特全球技术公司 | 测试机动车辆电气***状态的方法 |
CN109470946A (zh) * | 2018-09-18 | 2019-03-15 | 中国电力科学研究院有限公司 | 一种发电设备故障检测方法及*** |
CN109975702A (zh) * | 2019-03-22 | 2019-07-05 | 华南理工大学 | 一种基于循环网络分类模型的直流齿轮减速电机品检方法 |
CN110471349A (zh) * | 2019-08-23 | 2019-11-19 | 北京机械设备研究所 | 一种舵机***非灵敏区判定方法 |
TWI709092B (zh) * | 2018-03-16 | 2020-11-01 | 日商日立製作所股份有限公司 | 故障機率評估系統及方法 |
CN113805056A (zh) * | 2021-09-18 | 2021-12-17 | 中车大连电力牵引研发中心有限公司 | 一种智能在线监测牵引电机绝缘故障的方法 |
Families Citing this family (58)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5594160B2 (ja) * | 2011-01-20 | 2014-09-24 | 株式会社豊田自動織機 | 電動モータ内蔵磁石の劣化検知方法及び装置 |
EP2728367B1 (en) * | 2012-11-01 | 2019-01-09 | ABB Research Ltd. | A method for detecting a fault condition in an electrical machine |
US9391495B2 (en) * | 2013-03-05 | 2016-07-12 | Joy Mm Delaware, Inc. | Predicting motor failure based on relationship of motor pair characteristics |
US10591387B2 (en) * | 2013-08-22 | 2020-03-17 | Ford Global Technologies, Llc | Signal classification |
US9372234B2 (en) * | 2013-08-27 | 2016-06-21 | Ford Global Technologies, Llc | Detection method of current sensor faults in the e-drive system by using the voltage command error |
US9221480B2 (en) * | 2014-01-09 | 2015-12-29 | General Electric Company | Systems and methods for identifying different types of traction motors in a vehicle system |
DE102014100945A1 (de) * | 2014-01-28 | 2015-07-30 | Khs Gmbh | Vorrichtung sowie Verfahren zur Fehlererkennung in Maschinen |
CN103995229B (zh) * | 2014-05-21 | 2016-06-22 | 浙江工业大学 | 一种基于特征选取和马氏距离的电机健康监测和异常诊断方法 |
US20150356794A1 (en) * | 2014-06-05 | 2015-12-10 | Ford Global Technologies, Llc | Connected vehicle predictive quality |
EP2988187B1 (en) * | 2014-08-22 | 2017-03-29 | ABB Schweiz AG | A method for assessing the condition of rotating machinery connected to an electric motor |
CN104318079B (zh) * | 2014-10-10 | 2017-02-22 | 罗建禄 | 一种基于故障演化分析的故障预测特征选择方法 |
US10604350B1 (en) * | 2014-10-27 | 2020-03-31 | Surface Combustion, Inc. | System for controlling torque-limiting drive charge car |
US9618582B2 (en) * | 2014-10-30 | 2017-04-11 | Delphi Technologies, Inc. | System and method of electric motor fault detection |
WO2016100377A1 (en) * | 2014-12-15 | 2016-06-23 | General Electric Company | System and method for vehicle system control |
CN104598736B (zh) * | 2015-01-22 | 2017-06-20 | 西安交通大学 | 一种自适应多核组合相关向量机的滚动轴承寿命预测模型 |
US9463817B2 (en) * | 2015-02-16 | 2016-10-11 | Electro-Motive Diesel, Inc. | Automatic disabling of unpowered locked wheel fault detection for slipped traction motor pinion |
JP6371236B2 (ja) * | 2015-02-23 | 2018-08-08 | 株式会社日立製作所 | 予兆診断システム、予兆診断方法及び予兆診断装置 |
US9689777B2 (en) | 2015-05-04 | 2017-06-27 | Deere & Company | Fault detection for bearings |
BR102015011438B1 (pt) * | 2015-05-19 | 2020-08-18 | Universidade Federal De Santa Catarina | Sistema e método para identificar características de uma máquina elétrica |
DE102015210911A1 (de) * | 2015-06-15 | 2016-12-15 | Volkswagen Aktiengesellschaft | Verfahren und Vorrichtung zum Erkennen von Veränderungen in einem elektrisch betriebenen Antrieb |
EP3334630B1 (en) | 2015-08-14 | 2023-11-15 | Crown Equipment Corporation | Diagnostic supervisor to determine if a traction system is in a fault condition |
WO2017030774A1 (en) | 2015-08-14 | 2017-02-23 | Crown Equipment Corporation | Model based diagnostics based on steering model |
GB2541682B (en) | 2015-08-25 | 2017-09-06 | Airbus Operations Ltd | Pump health monitoring |
US10907722B2 (en) * | 2015-09-14 | 2021-02-02 | Tolomatic, Inc. | Actuator diagnostics and prognostics |
US10196078B2 (en) | 2015-11-30 | 2019-02-05 | Progress Rail Locomotive Inc. | Diagnostic system for a rail vehicle |
JP6451662B2 (ja) * | 2016-02-23 | 2019-01-16 | 株式会社安川電機 | 異常判定装置、異常判定プログラム、異常判定システム、及びモータ制御装置 |
US10586153B2 (en) * | 2016-06-16 | 2020-03-10 | Qatar University | Method and apparatus for performing motor-fault detection via convolutional neural networks |
EP3309530A1 (en) * | 2016-10-11 | 2018-04-18 | ABB Schweiz AG | Detection of bearing fault |
US10556598B2 (en) | 2016-11-23 | 2020-02-11 | Ge Global Sourcing Llc | Vehicle control systems and methods |
JP6628905B2 (ja) | 2016-12-15 | 2020-01-15 | 三菱電機株式会社 | 動力伝達機構の異常診断装置および動力伝達機構の異常診断方法 |
CN106828106B (zh) * | 2016-12-29 | 2019-07-09 | 北京交通大学 | 一种面向动车组牵引电机的故障预警方法 |
CA3041343A1 (en) | 2017-01-13 | 2018-07-19 | Crown Equipment Corporation | High speed straight ahead tiller desensitization |
AU2017393175B2 (en) | 2017-01-13 | 2023-08-31 | Crown Equipment Corporation | Traction speed recovery based on steer wheel dynamic |
JP6699763B2 (ja) * | 2017-02-07 | 2020-05-27 | 富士通株式会社 | 生成プログラム、異常判定装置、及び生成方法 |
FR3063546B1 (fr) * | 2017-03-06 | 2019-03-29 | Safran Electronics & Defense | Procede de surveillance d’un equipement de type actionneur electromecanique |
US11148689B2 (en) * | 2017-04-17 | 2021-10-19 | Transportation Ip Holdings, Llc | Vehicle monitoring system |
US10760977B2 (en) * | 2017-05-17 | 2020-09-01 | General Electric Company | System and method for detecting lubricated bearing condition |
US10403116B2 (en) | 2017-06-20 | 2019-09-03 | General Electric Company | Electrical signature analysis of electrical rotating machines |
US10514428B2 (en) | 2017-07-13 | 2019-12-24 | Itt Manufacturing Enterprises Llc | Technique to detect motor leakage flux anomalies |
US10692302B2 (en) * | 2017-07-27 | 2020-06-23 | Toyota Motor Engineering & Manufacturing North America, Inc. | Servicing schedule method based on prediction of degradation in electrified vehicles |
US10837866B2 (en) * | 2018-04-19 | 2020-11-17 | Delphisonic, Inc. | Self-learning malfunction monitoring and early warning system |
US11675641B2 (en) | 2018-07-02 | 2023-06-13 | Nec Corporation | Failure prediction |
US10789965B2 (en) * | 2018-07-03 | 2020-09-29 | Silicon Laboratories Inc. | System, apparatus and method for time synchronization of delayed data streams by matching of wavelet coefficients |
US20200026269A1 (en) * | 2018-07-19 | 2020-01-23 | Aurora Flight Sciences Corporation | Performance monitoring system for an electric drive system |
CN111024416B (zh) * | 2018-10-09 | 2021-08-10 | 株洲中车时代电气股份有限公司 | 一种列车牵引***的故障诊断方法及*** |
DE102019201216B4 (de) * | 2019-01-31 | 2021-11-25 | Audi Ag | Verfahren zum Überwachen wenigstens eines Lagers eines Kraftfahrzeugs, insbesondere eines Kraftwagens, sowie Kraftfahrzeug |
US11604934B2 (en) | 2019-05-29 | 2023-03-14 | Nec Corporation | Failure prediction using gradient-based sensor identification |
DE102020204228A1 (de) * | 2020-04-01 | 2021-10-07 | Aktiebolaget Skf | Vorrichtung zum Identifizieren eines Typs eines Lagers |
FR3109824B1 (fr) * | 2020-04-30 | 2022-05-13 | Chauvin Arnoux | Procédé de désagrégation de charges utilisant une signature électrique |
US20210341901A1 (en) * | 2020-05-01 | 2021-11-04 | Rockwell Automation Technologies, Inc. | Induction motor condition monitoring using machine learning |
US20210356361A1 (en) * | 2020-05-15 | 2021-11-18 | Deere & Company | Fault detection technique for a bearing |
JP2021196267A (ja) * | 2020-06-15 | 2021-12-27 | 三菱パワー株式会社 | 予兆判定装置、予兆判定方法及びプログラム |
WO2022076139A1 (en) * | 2020-10-06 | 2022-04-14 | Nordson Corporation | Pump motor predictive maintenance |
CN112729531B (zh) * | 2020-12-25 | 2023-05-19 | 国网浙江省电力有限公司电力科学研究院 | 配电变压器设备故障研判方法及*** |
US20220205492A1 (en) * | 2020-12-28 | 2022-06-30 | Palo Alto Research Center Incorporated | System and method for determining degradation of rotating coupling using rotation sensors |
US12019052B2 (en) * | 2021-01-05 | 2024-06-25 | Rockwell Automation Technologies, Inc. | Monitoring machine operation for various speed and loading conditions |
JP7153749B2 (ja) * | 2021-01-28 | 2022-10-14 | 本田技研工業株式会社 | 回転数検出装置 |
EP4043699A1 (en) * | 2021-02-12 | 2022-08-17 | Accenture Global Solutions Limited | System and method for automated failure mode detection of rotating machinery |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1233325A (zh) * | 1996-06-24 | 1999-10-27 | 阿塞里克有限公司 | 用于电动机的、基于模型的故障检测*** |
US6209672B1 (en) * | 1998-09-14 | 2001-04-03 | Paice Corporation | Hybrid vehicle |
US20010035049A1 (en) * | 2000-04-28 | 2001-11-01 | Balch Edgar T. | Method, system and storage medium for determining a vehicle reference speed |
US6421618B1 (en) * | 1998-12-28 | 2002-07-16 | General Electric Company | Incipient leakage current fault detection apparatus and method |
US6600979B1 (en) * | 2002-02-26 | 2003-07-29 | General Electric Company | Method and system for determining an inertially-adjusted vehicle reference speed |
US20040162696A1 (en) * | 2003-02-13 | 2004-08-19 | General Electric Company | Method and system for detecting incipient failures in a traction system |
US6795935B1 (en) * | 1999-10-28 | 2004-09-21 | General Electric Company | Diagnosis of faults in a complex system |
US6834256B2 (en) * | 2002-08-30 | 2004-12-21 | General Electric Company | Method and system for determining motor reliability |
US7280941B2 (en) * | 2004-12-29 | 2007-10-09 | General Electric Company | Method and apparatus for in-situ detection and isolation of aircraft engine faults |
CN101087125A (zh) * | 2007-06-25 | 2007-12-12 | 中国科学院电工研究所 | 一种具有寿命预测功能的电动汽车电机驱动*** |
CN101319966A (zh) * | 2008-07-23 | 2008-12-10 | 北京交通大学 | 一种内燃机车疲劳寿命估算方法 |
US20090100293A1 (en) * | 2007-10-16 | 2009-04-16 | General Electric Company | Method and system for predicting turbomachinery failure events employing genetic algorithm |
CN101413991A (zh) * | 2007-10-15 | 2009-04-22 | 通用电气公司 | 用于远程预测交流电机***剩余寿命的方法和*** |
US20100063660A1 (en) * | 2007-01-04 | 2010-03-11 | Toyota Jidosha Kabushiki Kaisha | Drive control device for vehicle, and vehicle |
US20100071469A1 (en) * | 2008-09-22 | 2010-03-25 | General Electric Company | Synthesized synchronous sampling and acceleration enveloping for differential bearing damage signature |
WO2011072879A2 (en) * | 2009-12-18 | 2011-06-23 | Universitat Politecnica De Catalunya | Failure prediction system in railway networks |
Family Cites Families (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4953068A (en) | 1989-11-08 | 1990-08-28 | Unisys Corporation | Full bridge power converter with multiple zero voltage resonant transition switching |
US5726905A (en) | 1995-09-27 | 1998-03-10 | General Electric Company | Adaptive, on line, statistical method and apparatus for motor bearing fault detection by passive motor current monitoring |
JP3344356B2 (ja) | 1999-03-25 | 2002-11-11 | 松下電器産業株式会社 | スイッチング電源装置 |
US6727725B2 (en) | 2001-05-01 | 2004-04-27 | Square D Company | Motor bearing damage detection via wavelet analysis of the starting current transient |
US7746604B2 (en) * | 2002-04-02 | 2010-06-29 | General Electric Company | Method, system, and computer software code for detection and isolation of electrical ground failure and secondary failure |
US7184930B2 (en) | 2002-08-30 | 2007-02-27 | Nsk Ltd. | Method and device for monitoring status of mechanical equipment and abnormality diagnosing device |
US7084602B2 (en) | 2004-02-17 | 2006-08-01 | Railpower Technologies Corp. | Predicting wheel slip and skid in a locomotive |
US6973396B1 (en) * | 2004-05-28 | 2005-12-06 | General Electric Company | Method for developing a unified quality assessment and providing an automated fault diagnostic tool for turbine machine systems and the like |
US7285926B2 (en) * | 2005-06-30 | 2007-10-23 | General Electric Company | System and method for locomotive adhesion control |
JP4719567B2 (ja) | 2005-12-21 | 2011-07-06 | 日立オートモティブシステムズ株式会社 | 双方向dc−dcコンバータおよびその制御方法 |
US20100169030A1 (en) | 2007-05-24 | 2010-07-01 | Alexander George Parlos | Machine condition assessment through power distribution networks |
US7880473B2 (en) * | 2008-03-31 | 2011-02-01 | General Electric Company | Non-invasive monitoring and diagnosis of electric machines by measuring external flux density |
CL2012002301A1 (es) | 2010-02-18 | 2013-08-16 | Peter Waldemar Lehn | Circuito convertidor dc-dc para proporcion de aumento de alto voltaje que comprende un convertidor dc-ac, un tanque resonante, un rectificador ad-dc y un interruptor controlable de alto voltaje |
US8587975B2 (en) | 2010-04-01 | 2013-11-19 | Arizona Board Of Regents For And On Behalf Of Arizona State University | PWM control of dual active bridge converters |
US9050894B2 (en) * | 2011-07-06 | 2015-06-09 | General Electric Company | System and method for predicting mechanical failure of a motor |
CN202218161U (zh) | 2011-08-30 | 2012-05-09 | 刘闯 | 双向隔离式的移相全桥dc/dc变换器 |
US8717069B2 (en) | 2012-04-24 | 2014-05-06 | General Electric Company | Converter switch apparatus and method |
-
2012
- 2012-06-29 US US13/537,706 patent/US9845012B2/en active Active
- 2012-07-06 EP EP12745586.3A patent/EP2729323B1/en active Active
- 2012-07-06 CN CN201280033496.1A patent/CN103648827B/zh active Active
- 2012-07-06 WO PCT/US2012/045644 patent/WO2013006742A1/en active Application Filing
- 2012-07-06 AU AU2012278980A patent/AU2012278980A1/en not_active Abandoned
-
2014
- 2014-01-22 ZA ZA2014/00533A patent/ZA201400533B/en unknown
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1233325A (zh) * | 1996-06-24 | 1999-10-27 | 阿塞里克有限公司 | 用于电动机的、基于模型的故障检测*** |
US6209672B1 (en) * | 1998-09-14 | 2001-04-03 | Paice Corporation | Hybrid vehicle |
US6421618B1 (en) * | 1998-12-28 | 2002-07-16 | General Electric Company | Incipient leakage current fault detection apparatus and method |
US6795935B1 (en) * | 1999-10-28 | 2004-09-21 | General Electric Company | Diagnosis of faults in a complex system |
US20010035049A1 (en) * | 2000-04-28 | 2001-11-01 | Balch Edgar T. | Method, system and storage medium for determining a vehicle reference speed |
US6600979B1 (en) * | 2002-02-26 | 2003-07-29 | General Electric Company | Method and system for determining an inertially-adjusted vehicle reference speed |
US6834256B2 (en) * | 2002-08-30 | 2004-12-21 | General Electric Company | Method and system for determining motor reliability |
US20040162696A1 (en) * | 2003-02-13 | 2004-08-19 | General Electric Company | Method and system for detecting incipient failures in a traction system |
US7280941B2 (en) * | 2004-12-29 | 2007-10-09 | General Electric Company | Method and apparatus for in-situ detection and isolation of aircraft engine faults |
US20100063660A1 (en) * | 2007-01-04 | 2010-03-11 | Toyota Jidosha Kabushiki Kaisha | Drive control device for vehicle, and vehicle |
CN101087125A (zh) * | 2007-06-25 | 2007-12-12 | 中国科学院电工研究所 | 一种具有寿命预测功能的电动汽车电机驱动*** |
CN101413991A (zh) * | 2007-10-15 | 2009-04-22 | 通用电气公司 | 用于远程预测交流电机***剩余寿命的方法和*** |
US20090100293A1 (en) * | 2007-10-16 | 2009-04-16 | General Electric Company | Method and system for predicting turbomachinery failure events employing genetic algorithm |
CN101319966A (zh) * | 2008-07-23 | 2008-12-10 | 北京交通大学 | 一种内燃机车疲劳寿命估算方法 |
US20100071469A1 (en) * | 2008-09-22 | 2010-03-25 | General Electric Company | Synthesized synchronous sampling and acceleration enveloping for differential bearing damage signature |
WO2011072879A2 (en) * | 2009-12-18 | 2011-06-23 | Universitat Politecnica De Catalunya | Failure prediction system in railway networks |
Cited By (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105438177A (zh) * | 2014-07-01 | 2016-03-30 | 冯春魁 | 车辆运行监控、参数测算和超载监控的方法及*** |
CN105512457A (zh) * | 2014-10-10 | 2016-04-20 | 波音公司 | 用于提供关于维护活动的信息的计算***和方法 |
US10740991B2 (en) | 2015-01-16 | 2020-08-11 | Volvo Truck Corporation | Method and device for controlling an electric or a hybrid electric vehicle |
CN107107767A (zh) * | 2015-01-16 | 2017-08-29 | 沃尔沃卡车集团 | 用于控制电动车辆或混合动力车辆的方法和装置 |
CN105043761B (zh) * | 2015-06-30 | 2017-10-27 | 株洲南车时代电气股份有限公司 | 一种机车锁轴故障诊断方法 |
CN105043761A (zh) * | 2015-06-30 | 2015-11-11 | 株洲南车时代电气股份有限公司 | 一种机车锁轴故障诊断方法 |
CN107851294B (zh) * | 2015-07-10 | 2022-07-12 | 汉阳大学校产学协力团 | 大型运行***的基于状态的预防维护装置及方法 |
CN107851294A (zh) * | 2015-07-10 | 2018-03-27 | 汉阳大学校产学协力团 | 大型运行***的基于状态的预防维护装置及方法 |
CN106019153A (zh) * | 2016-06-30 | 2016-10-12 | 南京中车浦镇城轨车辆有限责任公司 | 牵引电机电流同步测试装置及方法 |
CN108334652B (zh) * | 2017-01-20 | 2021-12-31 | 财团法人工业技术研究院 | 机台的预诊断方法及预诊断装置 |
TWI632441B (zh) * | 2017-01-20 | 2018-08-11 | 財團法人工業技術研究院 | 機台的預診斷方法及預診斷裝置 |
US10678232B2 (en) | 2017-01-20 | 2020-06-09 | Industrial Technology Research Institute | Prognostic method and apparatus for a processing apparatus |
CN108334652A (zh) * | 2017-01-20 | 2018-07-27 | 财团法人工业技术研究院 | 机台的预诊断方法及预诊断装置 |
CN106842023B (zh) * | 2017-01-22 | 2019-05-21 | 浙江大学 | 旋转电机的故障诊断方法 |
CN106842023A (zh) * | 2017-01-22 | 2017-06-13 | 浙江大学 | 旋转电机的故障诊断方法 |
CN108508359A (zh) * | 2017-02-24 | 2018-09-07 | 通用电器技术有限公司 | 基于电气特征分析的机器自主监测与诊断程序 |
CN109142906A (zh) * | 2017-06-27 | 2019-01-04 | 福特全球技术公司 | 测试机动车辆电气***状态的方法 |
CN108731921B (zh) * | 2017-12-26 | 2020-09-01 | 保定风赢新能源技术服务有限公司 | 一种设备连接件故障监测方法及*** |
CN108731921A (zh) * | 2017-12-26 | 2018-11-02 | 保定风赢新能源技术服务有限公司 | 一种设备连接件故障监测方法及*** |
TWI709092B (zh) * | 2018-03-16 | 2020-11-01 | 日商日立製作所股份有限公司 | 故障機率評估系統及方法 |
CN108710099B (zh) * | 2018-05-24 | 2021-08-31 | 广东电网有限责任公司广州供电局 | 电容式电压互感器监测告警方法和*** |
CN108710099A (zh) * | 2018-05-24 | 2018-10-26 | 广州供电局有限公司 | 电容式电压互感器监测告警方法和*** |
CN109470946A (zh) * | 2018-09-18 | 2019-03-15 | 中国电力科学研究院有限公司 | 一种发电设备故障检测方法及*** |
CN109975702A (zh) * | 2019-03-22 | 2019-07-05 | 华南理工大学 | 一种基于循环网络分类模型的直流齿轮减速电机品检方法 |
CN109975702B (zh) * | 2019-03-22 | 2021-08-10 | 华南理工大学 | 一种基于循环网络分类模型的直流齿轮减速电机品检方法 |
CN110471349A (zh) * | 2019-08-23 | 2019-11-19 | 北京机械设备研究所 | 一种舵机***非灵敏区判定方法 |
CN110471349B (zh) * | 2019-08-23 | 2020-07-31 | 北京机械设备研究所 | 一种舵机***非灵敏区判定方法 |
CN113805056A (zh) * | 2021-09-18 | 2021-12-17 | 中车大连电力牵引研发中心有限公司 | 一种智能在线监测牵引电机绝缘故障的方法 |
CN113805056B (zh) * | 2021-09-18 | 2023-12-19 | 中车大连电力牵引研发中心有限公司 | 一种智能在线监测牵引电机绝缘故障的方法 |
Also Published As
Publication number | Publication date |
---|---|
US20130013138A1 (en) | 2013-01-10 |
CN103648827B (zh) | 2017-09-12 |
EP2729323B1 (en) | 2021-05-12 |
ZA201400533B (en) | 2015-09-30 |
EP2729323A1 (en) | 2014-05-14 |
AU2012278980A1 (en) | 2014-01-23 |
US9845012B2 (en) | 2017-12-19 |
WO2013006742A1 (en) | 2013-01-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103648827A (zh) | 用于预测电机的机械故障的***和方法 | |
US9050894B2 (en) | System and method for predicting mechanical failure of a motor | |
AU2015249207B2 (en) | System and method for predicting mechanical failure of a motor | |
Shahriar et al. | Electrical signature analysis-based detection of external bearing faults in electromechanical drivetrains | |
Bai et al. | Image representation of vibration signals and its application in intelligent compound fault diagnosis in railway vehicle wheelset-axlebox assemblies | |
CN107702922B (zh) | 基于lcd与堆叠自动编码器的滚动轴承故障诊断方法 | |
CN107003663A (zh) | 具有活动部分的装置的监视 | |
JP6557110B2 (ja) | 状態診断装置及びプログラム | |
CN103698699A (zh) | 一种基于模型的异步电动机故障监测诊断方法 | |
CN103144937A (zh) | 煤矿钢丝绳芯带式输送机智能监控***及监控方法 | |
Bhattacharya et al. | Recent trend in condition monitoring for equipment fault diagnosis | |
Zhang et al. | Feature engineering and artificial intelligence-supported approaches used for electric powertrain fault diagnosis: A review | |
CN104634493A (zh) | 一种电气化铁路弓网接触压力不平顺诊断和定位方法 | |
Brigham et al. | Simplified automatic fault detection in wind turbine induction generators | |
Han et al. | A study on the effectiveness of current data in motor mechanical fault diagnosis using XAI | |
Men et al. | Health assessment of high-speed train wheels based on group-profile data | |
Liu et al. | An interpretable multiplication-convolution network for equipment intelligent edge diagnosis | |
CN113283028A (zh) | 一种齿轮箱齿轮故障诊断方法 | |
CN116252820B (zh) | 改进频域积分法驱动的高速列车车轮多边形定量检测方法 | |
Tseng et al. | A Diagnostic System for Speed‐Varying Motor Rotary Faults | |
CN116383750A (zh) | 一种基于加窗差分健康指标的滚动轴承早期异常检测方法 | |
Pengbo et al. | Recent progress and prospective evaluation of fault diagnosis strategies for electrified drive powertrains: A comprehensive review | |
CN114202198A (zh) | 云边缘协同计算的智慧驱动桥健康监测***及其方法 | |
EP3104152B1 (en) | Method and controller for determining an undesired condition in an electrical drive system | |
Nyanteh | Application of artificial intelligence to rotating machine condition monitoring |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |