CN113009333B - 一种感应电机转子气隙偏心检测方法及装置 - Google Patents
一种感应电机转子气隙偏心检测方法及装置 Download PDFInfo
- Publication number
- CN113009333B CN113009333B CN201911319866.8A CN201911319866A CN113009333B CN 113009333 B CN113009333 B CN 113009333B CN 201911319866 A CN201911319866 A CN 201911319866A CN 113009333 B CN113009333 B CN 113009333B
- Authority
- CN
- China
- Prior art keywords
- equivalent
- fault model
- rotor
- induction motor
- identification
- 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.)
- Active
Links
- 230000006698 induction Effects 0.000 title claims abstract description 168
- 238000000034 method Methods 0.000 title claims abstract description 43
- 239000002245 particle Substances 0.000 claims abstract description 18
- 238000001514 detection method Methods 0.000 claims abstract description 9
- 230000008859 change Effects 0.000 claims description 25
- 238000004804 winding Methods 0.000 claims description 18
- 230000014509 gene expression Effects 0.000 claims description 13
- 230000009466 transformation Effects 0.000 claims description 11
- 230000001360 synchronised effect Effects 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 9
- 230000004907 flux Effects 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 238000005070 sampling Methods 0.000 description 14
- 238000005516 engineering process Methods 0.000 description 5
- 230000006978 adaptation Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 230000001131 transforming effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/34—Testing dynamo-electric machines
- G01R31/346—Testing of armature or field windings
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B7/00—Measuring arrangements characterised by the use of electric or magnetic techniques
- G01B7/30—Measuring arrangements characterised by the use of electric or magnetic techniques for measuring angles or tapers; for testing the alignment of axes
- G01B7/31—Measuring arrangements characterised by the use of electric or magnetic techniques for measuring angles or tapers; for testing the alignment of axes for testing the alignment of axes
- G01B7/312—Measuring arrangements characterised by the use of electric or magnetic techniques for measuring angles or tapers; for testing the alignment of axes for testing the alignment of axes for measuring eccentricity, i.e. lateral shift between two parallel axes
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Tests Of Circuit Breakers, Generators, And Electric Motors (AREA)
- Control Of Ac Motors In General (AREA)
Abstract
本发明涉及一种感应电机转子气隙偏心检测方法及装置,其中方法包括:确定滑窗的窗口长度和滑窗步长;设定周期辨识次数;基于滑窗按照滑窗步长依次滑动所对应的窗口长度内的感应电机的工作参数,运用感应电机转子气隙偏心故障模型和粒子群算法按序进行故障模型等效参数辨识,获取各次辨识的故障模型等效参数辨识值,直到所述故障模型等效参数辨识的次数达到周期辨识次数为止;以及基于各次辨识的故障模型等效参数辨识值获取感应电机转子气隙偏心的情况。本发明实施例提供的感应电机转子气隙偏心检测方案,能够有效检测感应电机转子气隙偏心故障,易于运用参数辨识方法将感应电机转子气隙偏心状态的特征辨识出来。
Description
技术领域
本发明属于电机故障检测技术领域,具体涉及一种感应电机转子气隙偏心检测方法及装置。
背景技术
感应电机在转子刚度不足或者轴承磨损或者安装误差都可能会导致气隙偏心。感应电机气隙偏心会使气隙磁场发生畸变,电机各项性能指标恶化,严重时定子转子相檫,导致电机烧毁。因此,有必要对感应电机进行故障研究,探索故障诊断的有效渠道。参数辨识作为监测感应电机转子状态的一种重要方法,其关键技术是准确建立感应电机状态模型。当前对感应电机状态建模主要是将电机转子等效为三相处理,但将电机转子等效为三相处理的建模方法因不能准确描述感应电机转子气隙偏心状态,因此不适用于感应电机气隙偏心故障建模。
发明内容
为了解决感应电机转子气隙偏心故障有效检测的技术问题,本发明提出了一种感应电机转子气隙偏心检测方法及装置。
根据本发明实施例的第一个方面,一种感应电机转子气隙偏心检测方法,包括:
确定滑窗的窗口长度和滑窗步长;
设定周期辨识次数;
基于滑窗按照滑窗步长依次滑动所对应的窗口长度内的感应电机的工作参数,运用感应电机转子气隙偏心故障模型和粒子群算法按序进行故障模型等效参数辨识,获取各次辨识的故障模型等效参数辨识值,直到所述故障模型等效参数辨识的次数达到周期辨识次数为止;以及
基于各次辨识的故障模型等效参数辨识值获取感应电机转子气隙偏心的情况。
在某些实施例中,所述方法还包括:获取感应电机的工作参数;其中,所述感应电机的工作参数包括感应电机定子电压和定子电流;
所述基于滑窗按照滑窗步长依次滑动所对应的窗口长度内的感应电机的工作参数,运用感应电机转子气隙偏心故障模型和粒子群算法按序进行故障模型等效参数辨识,包括:基于滑窗按照滑窗步长依次滑动所对应的窗口长度内的感应电机的工作参数,在对所述感应电机的工作参数进行坐标变换后,运用感应电机转子气隙偏心故障模型和粒子群算法按序对坐标变换后的向量进行故障模型等效参数辨识;
其中,采用变换矩阵D2×3进行所述坐标变换,变换矩阵D2×3为:
其中,θ1为同步电角度。
在某些实施例中,所述基于各次辨识的故障模型等效参数辨识值获取感应电机转子气隙偏心的情况,包括:基于各次辨识的故障模型等效参数辨识值,获取感应电机故障模型等效参数变化曲线;运用感应电机转子气隙偏心故障模型计算各次辨识对应的故障模型等效参数理论值,基于各次辨识对应的故障模型等效参数理论值,获取感应电机故障模型等效参数的参考曲线;以及基于感应电机故障模型等效参数变化曲线和对应的参考曲线,获取感应电机转子气隙偏心的情况。
在某些实施例中,所述方法还包括:运用正常模型计算等效参数正常值;
所述基于各次辨识的故障模型等效参数辨识值,获取感应电机故障模型等效参数变化曲线,包括:基于各次辨识的故障模型等效参数辨识值和等效参数正常值构建故障模型等效参数变化曲线;以及
所述基于各次辨识对应的故障模型等效参数理论值,获取感应电机故障模型等效参数对应的参考曲线,包括:基于各次辨识对应的故障模型等效参数理论值和等效参数正常值构建故障模型等效参数对应的参考曲线。
在某些实施例中,所述基于各次辨识的故障模型等效参数辨识值和等效参数正常值构建故障模型等效参数变化曲线,包括:基于各次辨识的故障模型等效参数辨识值和等效参数正常值,获取故障模型等效参数的辨识值偏差比,故障模型等效参数的辨识值偏差比与输入a相电压初相位之间的关系作为感应电机故障模型等效参数变化曲线;
所述基于各次辨识对应的故障模型等效参数理论值和等效参数正常值构建故障模型等效参数对应的参考曲线,包括:基于各次辨识对应的故障模型等效参数理论值和等效参数正常值,获取故障模型等效参数的理论值偏差比,故障模型等效参数的理论值偏差比与输入a相电压初相位之间的关系作为感应电机故障模型等效参数变化曲线对应的参考曲线。
在某些实施例中,所述基于感应电机故障模型等效参数变化曲线和对应的参考曲线,获取感应电机转子气隙偏心的情况,包括:比较感应电机故障模型等效参数变化曲线与对应的参考曲线之间的契合度,基于契合度判断感应电机是否发生了转子气隙偏心,以获取感应电机转子气隙偏心的情况。
在某些实施例中,感应电机转子气隙偏心故障模型包括故障模型电压方程,所述故障模型电压方程为:
式中:uds、uqs、udr和uqr分别为定子d轴电压、定子q轴电压、转子d轴电压和转子q轴电压;ids、iqs、idr和iqr分别为定子d轴电流、定子q轴电流、转子d轴电流和转子q轴电流;rs和Rr分别为定子相绕组电阻和正常模型的转子等效电阻;Ls11、Ls12和LsΛ分别为故障模型的定子第一等效电感、故障模型的定子第二等效电感和故障模型的定子第三等效电感;Lr11、Lr12和LrΛ分别为故障模型的转子第一等效电感、故障模型的转子第二等效电感和故障模型的转子第三等效电感;Lm11、Lm12、Lm21和Lm22分别为故障模型的第一等效互感、故障模型的第二等效互感、故障模型的第三等效互感和故障模型的第四等效互感;Lm和L'm分别为正常模型的第一等效互感和第二等效互感;ω1和ωr分别为同步电角速度和转子电角速度;Λx为中间变量;P是微分算子;
所述故障模型等效参数包括:故障模型的定子第一等效电感Ls11、故障模型的定子第二等效电感Ls12、故障模型的转子第一等效电感Lr11、故障模型的转子第二等效电感Lr12、故障模型的第一等效互感Lm11、故障模型的第二等效互感Lm12、故障模型的第三等效互感Lm21和故障模型的第四等效互感Lm22;
所述故障模型等效参数的表达式包括:
Ls11=Lm(Λx-(1-s)Λpidqs)+Lδs
Ls12=Lm(Λx+(1-s)Λpiqds)+Lδs
Lm11=L'm(Λx-(1-s)Λpidqr)
Lm12=L'm(Λx+(1-s)Λpiqdr)
LsΛ=LmΛx+Lδs
LrΛ=L'mΛx+Lδr
公式中,s为转差率,Λ0、Λ1和Λp为中间变量,idqs、iqds、idqr和iqdr为中间变量,Lδs为定子相绕组漏感,Lδr为转子回路漏感,δ为气隙偏心度,g0为电机有效气隙长度,θr为转子电角度,r0定子内圆半径;
所述故障模型等效参数分别与输入a相电压初相位的关系表达式包括:
Lm11=L'm(Λx-(1-s)Λpcos(θu-Δθuir)/sin(θu-Δθuir))
Lm12=L'm(Λx+(1-s)Λpsin(θu-Δθuir)/cos(θu-Δθuir))
Δθuir=arctan((γ1γ4-γ3γ2)/(γ1γ3+γ2γ4))
γ4=sω1RrLm
Lr=L'm+Lδr
其中,θu为输入a相电压初相位,Δθuir为表征转子回路1轴线与定子a相绕组轴线重合时转子回路1电流初相位与定子a相电压的初相位之间的差值,是功率因素角,γ1、γ2、γ3和γ4均为中间变量,Lr为正常模型的转子等效电感。
在某些实施例中,针对感应电机未出现转子气隙偏心的情况,感应电机正常模型包括正常电压方程和正常磁链方程;
正常电压方程为:
正常磁链方程为:
感应电机正常模型还包括正常模型等效参数的表达式,正常模型等效参数的表达式包括:
Rr=rr-2rbcosα;
式中,uds、uqs、udr和uqr分别为定子d轴电压、定子q轴电压、转子d轴电压和转子q轴电压;ids、iqs、idr和iqr分别为定子d轴电流、定子q轴电流、转子d轴电流和转子q轴电流;和/>分别为定子d轴磁链、定子q轴磁链、转子d轴磁链和转子q轴磁链;Ls和Lr分别为正常模型的定子等效电感和转子等效电感,Lm和L'm分别为正常模型的第一等效互感和第二等效互感,rs和Rr分别为定子相绕组电阻和正常模型的转子等效电阻,ω1和ωr分别为同步电角速度和转子电角速度,rr和rb分别为转子回路电阻和转子每根导条电阻,α为相邻转子回路轴线间的电角度,Lms为定子相绕组自感,Lσs为定子相绕组漏感,Lσr为转子回路漏感,n为电机转子导条数,P是微分算子。
根据本发明实施例的第二个方面,一种感应电机转子气隙偏心检测装置,包括:
确定模块,用于确定滑窗的窗口长度和滑窗步长;
设定模块,用于设定周期辨识次数;
辨识模块,用于基于滑窗按照滑窗步长依次滑动所对应的窗口长度内的感应电机的工作参数,运用感应电机转子气隙偏心故障模型和粒子群算法按序进行故障模型等效参数辨识,获取各次辨识的故障模型等效参数辨识值,直到所述参数辨识的次数达到周期辨识次数为止;以及
分析模块,用于基于各次辨识的故障模型等效参数辨识值获取感应电机转子气隙偏心的情况。
在某些实施例中,所述装置用于实现如前任一项所述的方法。
本发明实施例的有益效果:本发明实施例提出的感应电机转子气隙偏心检测方法及装置,能够有效检测感应电机转子气隙偏心故障,并且用来描述感应电机转子气隙偏心状态的电机等效特征参数具有明显的变化特征,易于运用参数辨识方法将感应电机转子气隙偏心状态的特征辨识出来。
附图说明
图1是本发明实施例提出的感应电机转子气隙偏心检测方法的流程示意图;
图2是本发明实施例提出的感应电机转子气隙偏心检测装置的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本发明进一步详细说明。但本领域技术人员知晓,本发明并不局限于附图和以下实施例。
当前将电机转子等效为三相处理的建模方法因不能准确描述感应电机转子气隙偏心状态,因此不适用于感应电机故障建模。
有鉴于此,本发明实施例提供一种感应电机转子气隙偏心检测方案,基于构建的感应电机转子气隙偏心故障模型进行转子气隙偏心检测,能够有效检测感应电机转子气隙偏心故障,并且用来描述感应电机转子气隙偏心的故障模型等效参数具有明显的变化特征,易于运用参数辨识方法将感应电机转子气隙偏心状态的特征辨识出来。
在本发明实施例中,实现上述方案的设备或装置具备计算能力,能够进行输入输出操作,包括但不限于嵌入式设备。
下面结合附图对本发明实施例作进一步描述。图1示出了根据本发明的一个实施例的感应电机转子气隙偏心检测方法的流程图,该方法可以在具有计算能力的设备中实现。
如图1所示,本发明实施例的感应电机转子气隙偏心检测方法包括:
步骤100、获取感应电机定子电压和定子电流,以及感应电机稳态转速;
在一个实施例中,可以用Uabc表示感应电机定子电压,可以用Iabc表示定子电流。在本实施例中,感应电机稳态转速与转子电角速度有关,例如后续会介绍的转子电角速度ωr,ωr=2πnrp/60,nr是感应电机稳态转速,p是电机极对数(这里的p为小写,后续提到的大写P为微分算子)。
步骤200、确定滑窗的窗口长度和滑窗步长,并设定周期辨识次数;
在本实施例中,窗口长度用来表示滑窗沿时间轴的长度,可以表征一次参数辨识处理所对应的数据量或者采样点数量;滑窗步长用来表示滑窗每次滑动的时间步长,可以表征相邻滑窗之间相对于时间轴的位置关系。滑窗步长可以用ld来表示。在转子气隙偏心检测时,可以在滑窗的起始位置基于窗口长度内对应的数据运用粒子群算法和故障模型(即后续的感应电机转子气隙偏心故障模型)进行第一次参数辨识处理,之后滑窗每按照滑窗步长滑动一次,在滑窗滑动后到达的当前位置基于窗口长度内对应的数据运用粒子群算法和故障模型进行一次参数辨识处理,直到滑动次数达到设定的周期辨识次数,此时窗口滑动的总长度对应一个周期,这里的周期指的是施加给电机的正弦电压电流的周期,例如我国的交流电频率为50赫兹,即周期为0.02秒;然后根据所有参数辨识处理的结果判断转子气隙偏心的情况。关于这部分内容,后续还会详细描述,此处的描述只是为了利于整体理解本实施例的技术方案。本领域技术人员可以理解,为了及时发现转子气隙偏心的情况,可以获取最近一段时间的数据,基于故障模型应用滑窗技术和粒子群算法对这段数据进行滑窗辨识。一般来说,为了保证辨识结果的准确性,这段时间的长度应该选择至少大于窗口长度一个周期。
在本实施例中,由于滑窗步长能够携带电压相位信息,因此通过滑窗步长可以获取输入a相电压初相位。输入a相电压初相位可以用θu表示。从后续的描述可知,等效电感和等效电阻表达式与输入a相电压初相位有关,因此,本实施例通过滑窗技术可以在感应电机多回路状态模型中将感应电机发生转子气隙偏心故障的特征提取出来。
窗口长度可以基于辨识结果准确度和/或运算时长来确定,一般来说,在其他条件不发生变化的前提下,窗口长度越长,对辨识结果准确度越有利,但运算时长可能会相对较长。在一个实施例中,窗口长度例如可以选取为0.3秒、0.5秒、0.6秒、0.8秒、1秒等。
滑窗步长可以根据测量感应电机电压和电流的仪器的采样频率来确定,一般来说,在其他条件不变的情况下,采样频率越高,滑窗步长可选择的范围越大;反之,采样频率越低,滑窗步长可选择的范围越小。
进一步地,滑窗步长还可以附加地根据拟限定的采样点数量来确定。一般来说,在其他条件不变的情况下,拟限定的采样点数量越多,滑窗步长越大;反之,拟限定的采样点数量越少,滑窗步长越小。
在一个实施例中,周期辨识次数表征满足滑窗滑动的总长度达到一个周期时对应的辨识次数。周期辨识次数可以根据实际终端进行一次辨识的计算速度、得出总的辨识结果并给出判断结果所允许的时间和采样频率共同决定,周期辨识次数可以根据具体应用场景适当设置,其中采样频率限定了所能设置的周期辨识次数。举例来说,假设窗口长度为0.5秒,采样频率为8000Hz,周期为0.02秒,那么每周期即0.02秒采样点数为160,此时,滑窗步长可以选取为对应2个采样点,那么滑窗步长为0.02*2*1000/160=0.25毫秒,输入电压初相位以π/40(单位:rad)递增,一个周期即0.02秒的周期辨识次数为80次;如果滑窗步长选取为对应4个采样点,那么滑窗步长为0.5毫秒,输入电压初相位以π/20(单位:rad)递增,一个周期的周期辨识次数为40次。这里给出的示例中,滑窗步长为固定步长。在某些应用场景中,滑窗步长可以为可变步长。
步骤300、基于滑窗按照滑窗步长依次滑动所对应的窗口长度内的感应电机的工作参数,运用感应电机转子气隙偏心故障模型和粒子群算法按序进行故障模型等效参数辨识,获取各次辨识的故障模型等效参数辨识值并存储,直到所述故障模型等效参数辨识的次数达到周期辨识次数为止。
举例来说,针对当前滑窗,采用变换矩阵D2×3对当前滑窗的窗口内对应的所述获取的感应电机定子电压和定子电流进行坐标变换,得到变换后的向量,变换后的向量包括定子d轴电压、定子q轴电压、转子d轴电压和转子q轴电压以及定子d轴电流、定子q轴电流、转子d轴电流和转子q轴电流,由于窗口内对应的数据会覆盖多个周期数据,因此,前述的d轴电压、d轴电流这些数据会包含多个周期数据,并且从后面的描述可知,窗口内对应的数据变换后作为感应电机转子气隙偏心故障模型的输入数据(例如,模型中的电压)和输出参考数据(例如,模型中的电流),例如定子电压为一个3×N的矩阵,其中,N表示窗口内对应的采样点个数,U=[ua,ub,uc]T,D2×3为变换矩阵,则有Udq=D2×3U=[ud,uq]T;运用感应电机转子气隙偏心故障模型和粒子群算法按序对变换后的向量进行故障模型等效参数辨识,得到等效电阻和等效电感值,作为本次辨识的故障模型等效参数辨识值进行存储,辨识次数在未达到周期辨识次数时加1,以滑动步长滑动后的窗口作为当前窗口,继续进行所述坐标变换、参数辨识和存储处理,直到辨识次数达到周期辨识次数为止。
其中,变换矩阵D2×3为:
变换矩阵中,θ1为同步电角度,同步电角度θ1为旋转磁场的同步电角速度ω1(与气隙磁场同步)与时间t的乘积,即θ1=ω1t。
针对感应电机未出现转子气隙偏心的情况,感应电机正常模型包括正常电压方程和正常磁链方程,分别为:
正常电压方程为:
正常磁链方程为:
感应电机正常模型还包括正常模型等效参数的表达式,正常模型等效参数的表达式包括:Rr=rr-2rbcosα。
式中,uds、uqs、udr和uqr分别为定子d轴电压、定子q轴电压、转子d轴电压和转子q轴电压;ids、iqs、idr和iqr分别为定子d轴电流、定子q轴电流、转子d轴电流和转子q轴电流;和/>分别为定子d轴磁链、定子q轴磁链、转子d轴磁链和转子q轴磁链;Ls、Lr分别为正常模型的定子等效电感和转子等效电感,Lm和L'm分别为正常模型的第一等效互感和第二等效互感,rs、Rr分别为定子相绕组电阻和正常模型的转子等效电阻,ω1、ωr分别为同步电角速度和转子电角速度,ω1与电网频率f1有关,ω1=2πf1,rr和rb分别为转子回路电阻和转子每根导条电阻,α为相邻转子回路轴线间的电角度,Lms为定子相绕组自感,Lσs为定子相绕组漏感,Lσr为转子回路漏感,n为电机转子导条数,P是微分算子。感应电机正常模型中给出的对应于电机本身的参数如rs、rr、rb、Lms、Lσs和Lσr,可以根据电机型号查阅相关手册获取。
感应电机正常模型可以用来确定故障模型(例如感应电机转子气隙偏心故障模型)的方程形式,如正常模型中是0的变量在故障模型中也相应是0;还可以用来确定感应电机正常时故障模型等效参数的特征,以便在故障模型中需要时使用。
在本实施例中,基于感应电机正常模型的方程形式构建感应电机转子气隙偏心故障模型的方程形式。感应电机转子气隙偏心故障模型包括故障模型电压方程,所述故障模型电压方程为:
式中:uds、uqs、udr和uqr分别为定子d轴电压、定子q轴电压、转子d轴电压和转子q轴电压;ids、iqs、idr和iqr分别为定子d轴电流、定子q轴电流、转子d轴电流和转子q轴电流;rs和Rr分别为定子相绕组电阻和正常模型的转子等效电阻;Ls11、Ls12和LsΛ分别为故障模型的定子第一等效电感、故障模型的定子第二等效电感和故障模型的定子第三等效电感;Lr11、Lr12和LrΛ分别为故障模型的转子第一等效电感、故障模型的转子第二等效电感和故障模型的转子第三等效电感;Lm11、Lm12、Lm21和Lm22分别为故障模型的第一等效互感、故障模型的第二等效互感、故障模型的第三等效互感和故障模型的第四等效互感;Lm和L'm分别为正常模型的第一等效互感和第二等效互感;ω1和ωr分别为同步电角速度和转子电角速度;Λx为中间变量;P是微分算子。
本实施例在进行故障模型等效参数辨识时运用了上述感应电机转子气隙偏心故障模型和粒子群算法,粒子群算法属于现有的成熟技术,因此不作详细介绍。在进行故障模型等效参数辨识时,以测量得到的定子电压作为感应电机转子气隙偏心故障模型的输入,以测量得到的定子电流作为感应电机转子气隙偏心故障模型中电流的目标函数适应值(即前述的输出参考数据),利用粒子群算法对感应电机转子气隙偏心故障模型中的参数进行辨识,从而获取各次辨识的故障模型等效参数辨识值。
由于在偏心度较小时,故障模型的定子第三等效电感LsΛ和故障模型的转子第三等效电感LrΛ分别与正常模型的定子等效电感Ls和正常模型的转子等效电感Lr差别不大,加上辨识算法的精度问题,故障模型的定子第三等效电感LsΛ和故障模型的转子第三等效电感LrΛ不足以作为判断电机是否发生气隙偏心的量,因此在一实施例中,故障模型的定子第三等效电感LsΛ和故障模型的转子第三等效电感LrΛ不作为故障模型的等效参数。在该实施例中,在上述故障模型中,所述故障模型等效参数包括:故障模型的定子第一等效电感Ls11、故障模型的定子第二等效电感Ls12、故障模型的转子第一等效电感Lr11、故障模型的转子第二等效电感Lr12、故障模型的第一等效互感Lm11、故障模型的第二等效互感Lm12、故障模型的第三等效互感Lm21和故障模型的第四等效互感Lm22。因此,利用粒子群算法对感应电机转子气隙偏心故障模型中的故障模型等效参数进行辨识,从而获取各次辨识的故障模型等效参数辨识值。
在本实施例中,得到的各次辨识的故障模型等效参数辨识值需要结合故障模型等效参数的理论值以获取感应电机转子气隙偏心的情况。
其中,所述故障模型等效参数的表达式包括:
Ls11=Lm(Λx-(1-s)Λpidqs)+Lδs
Ls12=Lm(Λx+(1-s)Λpiqds)+Lδs
Lm11=L'm(Λx-(1-s)Λpidqr)
Lm12=L'm(Λx+(1-s)Λpiqdr)
LsΛ=LmΛx+Lδs
LrΛ=L'mΛx+Lδr
公式中,s为转差率,Λ0、Λ1和Λp为中间变量,idqs、iqds、idqr和iqdr为中间变量,Lδs同正常模型中的Lσs,为定子相绕组漏感,Lδr同正常模型中的Lσr,为转子回路漏感,δ为气隙偏心度,g0为电机有效气隙长度,θr为转子电角度,r0定子内圆半径。
所述故障模型等效参数分别与输入a相电压初相位的关系表达式包括:
/>
Lm11=L'm(Λx-(1-s)Λpcos(θu-Δθuir)/sin(θu-Δθuir))
Lm12=L'm(Λx+(1-s)Λpsin(θu-Δθuir)/cos(θu-Δθuir))
Δθuir=arctan((γ1γ4-γ3γ2)/(γ1γ3+γ2γ4))
γ4=sω1RrLm
Lr=L'm+Lδr
其中,θu为输入a相电压初相位,Δθuir为表征转子回路1轴线与定子a相绕组轴线重合时转子回路1电流初相位与定子a相电压的初相位之间的差值,是功率因素角,可依据电机型号查询相关手册获取,γ1、γ2、γ3和γ4均为中间变量,Lr为正常模型的转子等效电感。
转子气隙偏心的特征信号已经体现在转子故障模型的等效电感中。本实施例运用粒子群算法和滑窗技术,以测量得到的定子电流为目标函数适应值,利用本实施例提出的感应电机转子气隙偏心故障模型来进行感应电机故障模型等效参数辨识,则可以将感应电机发生转子气隙偏心的特征提取出来。
步骤400、基于各次辨识的故障模型等效参数辨识值获取感应电机转子气隙偏心的情况。
在本发明实施例中,依次输出各次辨识的故障模型等效参数辨识值,得到感应电机故障模型等效参数变化曲线,基于感应电机故障模型等效参数变化曲线,结合基于感应电机转子气隙偏心故障模型计算出的故障模型等效参数理论值,可以得出感应电机转子气隙偏心的情况。本发明实施例借助感应电机转子气隙偏心故障模型的四个方程和八个故障模型等效参数,可以监测感应电机转子气隙偏心情况。在故障模型等效参数为多个的情况下,针对每个故障模型等效参数,得到感应电机故障模型等效参数变化曲线。
在本实施例中,所述基于各次辨识的故障模型等效参数辨识值获取感应电机转子气隙偏心的情况,包括:基于各次辨识的故障模型等效参数辨识值,获取感应电机各个故障模型等效参数变化曲线;运用感应电机转子气隙偏心故障模型计算各个故障模型等效参数的理论值,基于各个故障模型等效参数的理论值,获取感应电机各个故障模型等效参数对应的参考曲线;基于感应电机各个故障模型等效参数变化曲线和对应的参考曲线,获取感应电机转子气隙偏心的情况。
在一实施例中,所述基于各次辨识的故障模型等效参数辨识值获取感应电机转子气隙偏心的情况,包括:运用正常模型计算各个等效参数正常值,基于各次辨识的故障模型等效参数辨识值获取各次辨识的各个故障模型等效参数辨识值,运用感应电机转子气隙偏心故障模型计算各次辨识对应的各个故障模型等效参数的理论值;基于各个故障模型等效参数辨识值和对应的等效参数正常值构建各个故障模型等效参数变化曲线,基于各个故障模型等效参数的理论值和对应的等效参数正常值构建各个故障模型等效参数的参考曲线;基于感应电机各个故障模型等效参数变化曲线和对应的参考曲线,获取感应电机转子气隙偏心的情况。
在一实施例中,所述基于各个故障模型等效参数辨识值和对应的等效参数正常值构建各个故障模型等效参数变化曲线包括:基于各个故障模型等效参数辨识值和对应的等效参数正常值之间的差值与对应的等效参数正常值的比值相对于输入a相电压初相位的关系构建各个故障模型等效参数变化曲线;
基于各个故障模型等效参数的理论值和对应的等效参数正常值构建各个故障模型等效参数的参考曲线包括:基于各个故障模型等效参数的理论值和对应的等效参数正常值之间的差值与对应的等效参数正常值的比值相对于输入a相电压初相位的关系构建各个故障模型等效参数的参考曲线。
这里的(辨识值或理论值-正常值)/正常值可简称为偏差比,(辨识值-正常值)/正常值可简称为辨识值偏差比,(理论值-正常值)/正常值可简称为理论值偏差比。本领域技术人员可以知晓,故障模型等效参数的参考曲线可以表征转子气隙偏心故障的特征,因此,通过对故障模型等效参数的参考曲线进行分析,就可以获取转子偏心故障的情况,所采用的分析方式不限于上述通过偏差比的方式。
所述基于各次辨识的故障模型等效参数辨识值获取感应电机转子气隙偏心的情况,包括:运用正常模型计算各个等效参数正常值,基于各次辨识的故障模型等效参数辨识值获取各次辨识的各个故障模型等效参数辨识值,运用感应电机转子气隙偏心故障模型计算各次辨识对应的各个故障模型等效参数的理论值;基于各个故障模型等效参数辨识值和对应的等效参数正常值构建各个故障模型等效参数变化曲线,基于各个故障模型等效参数的理论值和对应的等效参数正常值构建各个故障模型等效参数的参考曲线;比较各个故障模型等效参数变化曲线与对应的参考曲线之间的契合度,基于契合度判断感应电机是否发生了转子气隙偏心,以获取感应电机转子气隙偏心的情况。在一些实施例中,比较各个故障模型等效参数变化曲线与对应的参考曲线之间的契合度是通过判断理论值的平均偏差比与辨识值的平均偏差比之间的差值是否在设置的阈值范围之内。可以理解的是,这个阈值范围的设置与所用算法的辨识精度有关,也与不同型号电机不同故障模型等效参数的辨识情况等因素有关,不能一概而论。
本发明实施例还提供了一种感应电机转子气隙偏心检测装置,如图2所示,该装置可以在具有计算能力的设备中实现。
如图2所示,感应电机转子气隙偏心检测装置包括:
确定模块,用于确定滑窗的窗口长度和滑窗步长;
设定模块,用于设定周期辨识次数;
辨识模块,用于基于滑窗按照滑窗步长依次滑动所对应的窗口长度内的感应电机的工作参数,运用感应电机转子气隙偏心故障模型和粒子群算法按序进行故障模型等效参数辨识,获取各次辨识的故障模型等效参数辨识值并存储,直到所述参数辨识的次数达到周期辨识次数为止;
获取模块,用于基于各次辨识的故障模型等效参数辨识值获取感应电机转子气隙偏心的情况。
所述感应电机转子气隙偏心检测装置还包括获取模块,用于获取感应电机的工作参数。在一些实施例中,所述工作参数包括定子电压和定子电流,以及感应电机稳态转速。
为节约篇幅计,本实施例的感应电机转子气隙偏心检测装置与前述感应电机转子气隙偏心检测方法相同的内容不再进行赘述,本领域技术人员参照前述感应电机转子气隙偏心检测方法的描述,可以知晓本实施例的感应电机转子气隙偏心检测装置的相关内容。
如本文中所述,术语“包括”及其各种变体可以被理解为开放式术语,其意味着“包括但不限于”。术语“基于”可以被理解为“至少部分地基于”。术语“一个实施例”可以被理解为“至少一个实施例”。术语“另一实施例”可以被理解为“至少一个其它实施例”。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上,对本发明的实施方式进行了说明。但是,本发明不限定于上述实施方式。凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种感应电机转子气隙偏心检测方法,其特征在于,包括:
确定滑窗的窗口长度和滑窗步长;
设定周期辨识次数;
基于滑窗按照滑窗步长依次滑动所对应的窗口长度内的感应电机的工作参数,运用感应电机转子气隙偏心故障模型和粒子群算法按序进行故障模型等效参数辨识,获取各次辨识的故障模型等效参数辨识值,直到所述故障模型等效参数辨识的次数达到周期辨识次数为止;以及
基于各次辨识的故障模型等效参数辨识值获取感应电机转子气隙偏心的情况;
其中,所述基于各次辨识的故障模型等效参数辨识值获取感应电机转子气隙偏心的情况,包括:基于各次辨识的故障模型等效参数辨识值,获取感应电机故障模型等效参数变化曲线;运用感应电机转子气隙偏心故障模型计算各次辨识对应的故障模型等效参数理论值,基于各次辨识对应的故障模型等效参数理论值,获取感应电机故障模型等效参数的参考曲线;以及基于感应电机故障模型等效参数变化曲线和对应的参考曲线,获取感应电机转子气隙偏心的情况;
感应电机转子气隙偏心故障模型包括故障模型电压方程,所述故障模型电压方程为:
式中:uds、uqs、udr和uqr分别为定子d轴电压、定子q轴电压、转子d轴电压和转子q轴电压;ids、iqs、idr和iqr分别为定子d轴电流、定子q轴电流、转子d轴电流和转子q轴电流;rs和Rr分别为定子相绕组电阻和正常模型的转子等效电阻;Ls11、Ls12和LsΛ分别为故障模型的定子第一等效电感、故障模型的定子第二等效电感和故障模型的定子第三等效电感;Lr11、Lr12和LrΛ分别为故障模型的转子第一等效电感、故障模型的转子第二等效电感和故障模型的转子第三等效电感;Lm11、Lm12、Lm21和Lm22分别为故障模型的第一等效互感、故障模型的第二等效互感、故障模型的第三等效互感和故障模型的第四等效互感;Lm和L'm分别为正常模型的第一等效互感和第二等效互感;ω1和ωr分别为同步电角速度和转子电角速度;Λx为中间变量;P是微分算子;
所述故障模型等效参数包括:故障模型的定子第一等效电感Ls11、故障模型的定子第二等效电感Ls12、故障模型的转子第一等效电感Lr11、故障模型的转子第二等效电感Lr12、故障模型的第一等效互感Lm11、故障模型的第二等效互感Lm12、故障模型的第三等效互感Lm21和故障模型的第四等效互感Lm22;
所述故障模型等效参数的表达式包括:
Ls11=Lm(Λx-(1-s)Λpidqs)+Lδs
Ls12=Lm(Λx+(1-s)Λpiqds)+Lδs
Lm11=L'm(Λx-(1-s)Λpidqr)
Lm12=L'm(Λx+(1-s)Λpiqdr)
LsΛ=LmΛx+Lδs
LrΛ=L′mΛx+Lδr
公式中,s为转差率,Λ0、Λ1和Λp为中间变量,idqs、iqds、idqr和iqdr为中间变量,Lδs为定子相绕组漏感,Lδr为转子回路漏感,δ为气隙偏心度,g0为电机有效气隙长度,θr为转子电角度,r0定子内圆半径;
所述故障模型等效参数分别与输入a相电压初相位的关系表达式包括:
Lm11=L'm(Λx-(1-s)Λpcos(θu-Δθuir)/sin(θu-Δθuir))
Lm12=L'm(Λx+(1-s)Λpsin(θu-Δθuir)/cos(θu-Δθuir))
Δθuir=arctan((γ1γ4-γ3γ2)/(γ1γ3+γ2γ4))
γ4=sω1RrLm
其中,θu为输入a相电压初相位,Δθuir为表征转子回路1轴线与定子a相绕组轴线重合时转子回路1电流初相位与定子a相电压的初相位之间的差值,是功率因素角,γ1、γ2、γ3和γ4均为中间变量,Lr为正常模型的转子等效电感。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:获取感应电机的工作参数;其中,所述感应电机的工作参数包括感应电机定子电压和定子电流;
所述基于滑窗按照滑窗步长依次滑动所对应的窗口长度内的感应电机的工作参数,运用感应电机转子气隙偏心故障模型和粒子群算法按序进行故障模型等效参数辨识,包括:基于滑窗按照滑窗步长依次滑动所对应的窗口长度内的感应电机的工作参数,在对所述感应电机的工作参数进行坐标变换后,运用感应电机转子气隙偏心故障模型和粒子群算法按序对坐标变换后的向量进行故障模型等效参数辨识;
其中,采用变换矩阵D2×3进行所述坐标变换,变换矩阵D2×3为:
其中,θ1为同步电角度。
3.根据权利要求1所述的方法,其特征在于,所述方法还包括:运用正常模型计算等效参数正常值;
所述基于各次辨识的故障模型等效参数辨识值,获取感应电机故障模型等效参数变化曲线,包括:基于各次辨识的故障模型等效参数辨识值和等效参数正常值构建故障模型等效参数变化曲线;以及
所述基于各次辨识对应的故障模型等效参数理论值,获取感应电机故障模型等效参数对应的参考曲线,包括:基于各次辨识对应的故障模型等效参数理论值和等效参数正常值构建故障模型等效参数对应的参考曲线。
4.根据权利要求3所述的方法,其特征在于,所述基于各次辨识的故障模型等效参数辨识值和等效参数正常值构建故障模型等效参数变化曲线,包括:基于各次辨识的故障模型等效参数辨识值和等效参数正常值,获取故障模型等效参数的辨识值偏差比,故障模型等效参数的辨识值偏差比与输入a相电压初相位之间的关系作为感应电机故障模型等效参数变化曲线;
所述基于各次辨识对应的故障模型等效参数理论值和等效参数正常值构建故障模型等效参数对应的参考曲线,包括:基于各次辨识对应的故障模型等效参数理论值和等效参数正常值,获取故障模型等效参数的理论值偏差比,故障模型等效参数的理论值偏差比与输入a相电压初相位之间的关系作为感应电机故障模型等效参数变化曲线对应的参考曲线。
5.根据权利要求1所述的方法,其特征在于,所述基于感应电机故障模型等效参数变化曲线和对应的参考曲线,获取感应电机转子气隙偏心的情况,包括:比较感应电机故障模型等效参数变化曲线与对应的参考曲线之间的契合度,基于契合度判断感应电机是否发生了转子气隙偏心,以获取感应电机转子气隙偏心的情况。
6.根据权利要求4所述的方法,其特征在于,针对感应电机未出现转子气隙偏心的情况,感应电机正常模型包括正常电压方程和正常磁链方程;
正常电压方程为:
正常磁链方程为:
感应电机正常模型还包括正常模型等效参数的表达式,正常模型等效参数的表达式包括:Rr=rr-2rb cosα;
式中,uds、uqs、udr和uqr分别为定子d轴电压、定子q轴电压、转子d轴电压和转子q轴电压;ids、iqs、idr和iqr分别为定子d轴电流、定子q轴电流、转子d轴电流和转子q轴电流;和/>分别为定子d轴磁链、定子q轴磁链、转子d轴磁链和转子q轴磁链;Ls和Lr分别为正常模型的定子等效电感和转子等效电感,Lm和L'm分别为正常模型的第一等效互感和第二等效互感,rs和Rr分别为定子相绕组电阻和正常模型的转子等效电阻,ω1和ωr分别为同步电角速度和转子电角速度,rr和rb分别为转子回路电阻和转子每根导条电阻,α为相邻转子回路轴线间的电角度,Lms为定子相绕组自感,Lσs为定子相绕组漏感,Lσr为转子回路漏感,n为电机转子导条数,P是微分算子。
7.一种感应电机转子气隙偏心检测装置,其特征在于,用于实现如权利要求1-6中任一项所述的方法,包括:
确定模块,用于确定滑窗的窗口长度和滑窗步长;
设定模块,用于设定周期辨识次数;
辨识模块,用于基于滑窗按照滑窗步长依次滑动所对应的窗口长度内的感应电机的工作参数,运用感应电机转子气隙偏心故障模型和粒子群算法按序进行故障模型等效参数辨识,获取各次辨识的故障模型等效参数辨识值,直到所述参数辨识的次数达到周期辨识次数为止;以及
分析模块,用于基于各次辨识的故障模型等效参数辨识值获取感应电机转子气隙偏心的情况。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911319866.8A CN113009333B (zh) | 2019-12-19 | 2019-12-19 | 一种感应电机转子气隙偏心检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911319866.8A CN113009333B (zh) | 2019-12-19 | 2019-12-19 | 一种感应电机转子气隙偏心检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113009333A CN113009333A (zh) | 2021-06-22 |
CN113009333B true CN113009333B (zh) | 2024-02-09 |
Family
ID=76381453
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911319866.8A Active CN113009333B (zh) | 2019-12-19 | 2019-12-19 | 一种感应电机转子气隙偏心检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113009333B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114157214B (zh) * | 2021-11-19 | 2023-10-27 | 华中科技大学 | 用于多模块同步电机的偏心故障检测及气隙磁密补偿方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103698699A (zh) * | 2013-12-06 | 2014-04-02 | 西安交通大学 | 一种基于模型的异步电动机故障监测诊断方法 |
EP2757384A2 (de) * | 2013-01-21 | 2014-07-23 | AREVA GmbH | Verfahren und Vorrichtung zur Erkennung von Fehlern einer elektrischen Maschine |
WO2014135784A1 (fr) * | 2013-03-05 | 2014-09-12 | Electricite De France | Procédé de détection d'un défaut d'excentricité d'un rotor d'une machine électrique tournante |
CN106680716A (zh) * | 2017-01-20 | 2017-05-17 | 浙江大学 | 一种基于无位置传感器的永磁电机轴承故障诊断的方法 |
CN108718169A (zh) * | 2018-07-03 | 2018-10-30 | 广东水利电力职业技术学院(广东省水利电力技工学校) | 一种异步电机分级变频软起动装置机控制方法及*** |
CN110109015A (zh) * | 2019-05-31 | 2019-08-09 | 中南大学 | 一种基于深度学习的异步电动机故障监测与诊断方法 |
CN110470212A (zh) * | 2019-07-10 | 2019-11-19 | 哈尔滨工业大学(威海) | 一种轮毂电机动态偏心故障检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130033215A1 (en) * | 2011-08-01 | 2013-02-07 | Illinois Institute Of Technology | Apparatus and method for permanent magnet electric machine condition monitoring |
-
2019
- 2019-12-19 CN CN201911319866.8A patent/CN113009333B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2757384A2 (de) * | 2013-01-21 | 2014-07-23 | AREVA GmbH | Verfahren und Vorrichtung zur Erkennung von Fehlern einer elektrischen Maschine |
WO2014135784A1 (fr) * | 2013-03-05 | 2014-09-12 | Electricite De France | Procédé de détection d'un défaut d'excentricité d'un rotor d'une machine électrique tournante |
CN103698699A (zh) * | 2013-12-06 | 2014-04-02 | 西安交通大学 | 一种基于模型的异步电动机故障监测诊断方法 |
CN106680716A (zh) * | 2017-01-20 | 2017-05-17 | 浙江大学 | 一种基于无位置传感器的永磁电机轴承故障诊断的方法 |
CN108718169A (zh) * | 2018-07-03 | 2018-10-30 | 广东水利电力职业技术学院(广东省水利电力技工学校) | 一种异步电机分级变频软起动装置机控制方法及*** |
CN110109015A (zh) * | 2019-05-31 | 2019-08-09 | 中南大学 | 一种基于深度学习的异步电动机故障监测与诊断方法 |
CN110470212A (zh) * | 2019-07-10 | 2019-11-19 | 哈尔滨工业大学(威海) | 一种轮毂电机动态偏心故障检测方法 |
Non-Patent Citations (4)
Title |
---|
Detection and Diagnosis of Faults in Induction Motor Using an Improved Artificial Ant Clustering Technique;Soualhi, A等;IEEE Transactions on Industrial Electronics;4053-4062 * |
Parameters estimation of squirrel-cage induction motors using ANN and ANFIS;MA Jirdehi等;Alexandria Engineering Journal;357-368 * |
一种感应电机转子断条早期故障诊断方法;吴立泉等;电机与控制应用(第09期);全文 * |
基于粒子群优化算法电机转子故障诊断研究;阳同光;蒋新华;;计算机工程与应用(01);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113009333A (zh) | 2021-06-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108141169B (zh) | 用于识别机电***的离散瞬时角速度的方法 | |
CN107783006B (zh) | 水轮发电机转子绕组匝间短路故障检测方法 | |
CN103701395B (zh) | 一种基于正反序列谐波注入的电机转子初位估计方法 | |
Kim et al. | High-frequency signal injection-based rotor bar fault detection of inverter-fed induction motors with closed rotor slots | |
CN103344368A (zh) | 基于可测电气量的鼠笼式异步电机能效在线监测方法 | |
CN109067283A (zh) | 一种永磁同步电机转子初始位置辨识***及方法 | |
US8368420B2 (en) | Method of error detection when controlling a rotating-field motor | |
CN113009333B (zh) | 一种感应电机转子气隙偏心检测方法及装置 | |
CN109217758A (zh) | 旋变零点在线辨识方法、电机控制器及存储介质 | |
US10291165B2 (en) | Method and device for detecting the presence of a permanent magnet of a rotor of a synchronous machine | |
Lasjerdi et al. | Static eccentricity fault diagnosis in wound-rotor resolvers | |
CN113504497B (zh) | 基于交错分析的电机驱动***电流传感器异常检测方法 | |
CN109873589A (zh) | 一种永磁同步电机转子零位检测方法 | |
Xu et al. | Inter-turn short-circuit fault detection with high-frequency signal injection for inverter-fed PMSM systems | |
Kral et al. | Robust rotor fault detection by means of the vienna monitoring method and a parameter tracking technique | |
Agrawal et al. | Low speed sensorless control of PMSM drive using high frequency signal injection | |
Stoß et al. | Identification of rotor and stator flux linkage maps of squirrel cage induction motors based on identification of rotor time constant maps | |
CN111478638A (zh) | 识别永磁同步电机转子初始位置的方法和装置 | |
Babel et al. | Parametric sensitivity in the analysis and control of permanent magnet synchronous machines | |
CN113010990B (zh) | 一种感应电机转子断条检测方法及装置 | |
CN113949316A (zh) | 一种永磁同步电机参数识别方法 | |
Kwon et al. | Design of IPMSM with eccentric rotor and search coils for absolute position sensorless drive | |
Miles et al. | online characterization of a synchronous generator using an unscented Kalman filter | |
ARAB et al. | Parameter identification of a brushless resolver using charge response of stator current | |
CN111969918A (zh) | 电机运行信息的确定方法及装置、计算机可读存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |