CN113030723A - 一种交流异步电机状态监测*** - Google Patents
一种交流异步电机状态监测*** Download PDFInfo
- Publication number
- CN113030723A CN113030723A CN202110273601.XA CN202110273601A CN113030723A CN 113030723 A CN113030723 A CN 113030723A CN 202110273601 A CN202110273601 A CN 202110273601A CN 113030723 A CN113030723 A CN 113030723A
- Authority
- CN
- China
- Prior art keywords
- data
- motor
- fault
- unit
- cloud computing
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 30
- 238000003745 diagnosis Methods 0.000 claims abstract description 67
- 230000006870 function Effects 0.000 claims abstract description 20
- 238000012423 maintenance Methods 0.000 claims abstract description 14
- 239000000284 extract Substances 0.000 claims abstract description 8
- 238000013500 data storage Methods 0.000 claims description 22
- 238000012545 processing Methods 0.000 claims description 21
- 238000004458 analytical method Methods 0.000 claims description 19
- 230000036541 health Effects 0.000 claims description 19
- 238000000034 method Methods 0.000 claims description 19
- 238000000605 extraction Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 15
- 230000004907 flux Effects 0.000 claims description 11
- 238000012821 model calculation Methods 0.000 claims description 11
- 238000005516 engineering process Methods 0.000 claims description 8
- 238000007726 management method Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000004140 cleaning Methods 0.000 claims description 4
- 238000013178 mathematical model Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 230000007547 defect Effects 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000012800 visualization Methods 0.000 abstract description 3
- 230000005611 electricity Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 7
- 230000008901 benefit Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 239000000126 substance Substances 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/34—Testing dynamo-electric machines
- G01R31/343—Testing dynamo-electric machines in operation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Control Of Electric Motors In General (AREA)
Abstract
本发明公开了一种交流异步电机状态监测***,包括数据采集模块、嵌入式终端模块和云计算与服务中心模块。数据采集模块采集电机以及周围环境的电气、温度和振动等信号。嵌入式终端模块安装在工作现场,收集采集的数据,提取故障特征参量,对电机进行实时的快速故障诊断与控制,确保电机的安全运行。云计算与服务中心模块通过与嵌入式终端模块通信,取得电机运行的数据,进行基于数据驱动的故障预诊断,提供可供用户进行数据查询并对故障发出预警信号的功能,实现远程运维与可视化。该***引进边缘计算和云计算协同合作概念,综合运用基于物理模型和基于数据驱动的故障诊断方案,兼顾准确性、实时性和经济性,是交流异步电机状态监测的有效途径。
Description
技术领域
本发明涉及电机状态监测技术领域,具体讲涉及一种交流异步电机状态监测***,是一种综合运用交流异步电机物理模型和数据驱动的状态监测***。
背景技术
交流异步电机作为各类电驱设备的主要动力装置,具有结构简单、控制方便、能效高、无污染等优点,被广泛运用于各类机电设备。由于电机的长期运行,一些结构、部件会逐渐劣化,从而由轻微的故障演变为严重故障,甚至引发严重的生产事故,造成生命财产的重大损失。因此,研究如何将异步电机的异常运行时或者早期故障时的信号特征及时地检测出来,并根据信号处理的结果来判断是何种故障,施行有针对性的措施,就具有重大的社会效益和经济效益。
交流电机的故障类型取决于电机的物理结构和电机的工作环境,几乎所有类型的故障,都会按照固定的损坏趋势或者状态模式发展,也就是从初期的轻微故障征兆发展为设备或部件的彻底损坏,导致设备或***停机。几乎所有的设备故障在其刚发生时都会出现某些特定的信号变化或特征变化。通过对这些信号或特征的监测和细致分析,可以从中找出设备故障的征兆,从而能够识别出设备故障的具体类型和发生位置。
现有的状态监测***多基于单一的电流信号为状态参量进行监测,然而单独以电流信号为特征参量会受到电机本体固有的不对称、供电不平衡和传感器误差等的影响,面对电机故障背后复杂的原因往往很难进行准确的诊断。因此,要确保电机的长时间稳定运行,我们真正需要的是对包括电压、电流、温度、磁场、振动等各类电机运行状态的实时信息和历史数据,进行交叉比对和趋势分析,进行基于对电机运行健康状况的评估,为设备的运维保养制定相应的计划和流程,并采取行动。
发明内容
有鉴于此,针对已有技术的缺陷,本专利发明了一种基于交流异步电机状态监测***,该***实现电机及电压、定子电流、温度、振动的周围环境关键参数的采样,并利用模型计算得到了气隙磁链的信息;在设备端进行基于物理模型的边缘计算,提取故障特征参量,对电机进行实时的快速故障诊断与控制,确保电机的安全运行;云端运用智能算法,进行基于数据驱动的故障预诊断,提供可供用户进行数据查询并对故障发出预警信号的功能,实现远程运维与可视化。该***引进边缘计算和云计算协同合作的先进概念,综合运用基于物理模型和基于数据驱动的故障诊断方案,兼顾准确性、实时性和经济性,是当今交流异步电机状态监测的一条有效途径。
为达到上述目的,本发明采用如下技术方案:
一种交流异步电机状态监测***,包括:数据采集模块、嵌入式终端模块和云计算与服务中心模块。其特征在于:数据采集模块采集电机以及周围环境的关键参数,并向嵌入式终端模块传输数据。嵌入式终端模块对所获得的数据进行预处理,根据获得的数据通过模型计算的方法得到电机的定子磁链信息,然后提取磁场和电流特征参数中与故障或表征的参数具有强相关性的故障特征参量,进行基于物理模型的边缘计算,对电机进行快速故障诊断与控制,并向云计算与服务中心模块传输数据。云计算与服务中心模块根据获得的数据进行基于数据驱动的故障预诊断,提供可供用户进行数据查询并对故障发出预警信号的功能。
所述数据采集模块包括:电气信息采集单元、温度信息采集单元和振动信息采集单元。其中,所述电气信息采集单元包括电压采集单元和电流采集单元,所述电压采集单元用于采集电机运行时的电压信号,所述电流采集单元用于采集电机定子电流信号。所述温度信息采集单元用于采集电机本体温度和周围环境温度。所述振动信息采集单元用于采集电机壳体振动信号。所采集得到的数据实时传输至嵌入式终端模块。
所述嵌入式终端模块包括:数据处理单元、特征提取单元、实时诊断单元。其中,
所述数据处理单元的主要功能是对数据进行预处理,将数据采集模块采集到的数据进行收集、清理、分类,并通过模型计算获得电机的气隙磁链。
所述特征提取单元的主要功能是对故障特征的提取,在数据处理单元对数据进行预处理的基础上,对表征故障的磁场和电流特征参数进行分析,提取特征参数中与故障或表征的参数具有强相关性的故障特征参量,包括相关度、线性度等。
所述实时诊断单元的主要功能是根据特征提取单元提取的故障特征参量,对电机进行快速故障诊断与控制,将数据处理单元所获得的关键参数数据、特征提取单元提取的故障特征参量和实时诊断单元输出的故障信号传送至云计算与服务中心模块,并接受云计算与服务中心模块的决策信号。
所述云计算与服务中心模块包括:数据存储单元、数据驱动模型单元、故障报警单元、数据查询单元。其中,
所述数据存储单元接收嵌入式终端模块的实时诊断单元所传输的数据,并向其传输决策指令。数据存储单元记录电机的各类电气和机械参数以及周围环境参数,并将每次发生故障的时间、原因、设备类型、部件类型、特征参数等记录在数据存储单元,以便充实知识库,供后续进行智能分析提供数据来源。
所述数据驱动模型单元根据数据存储单元获得的数据进行基于数据驱动的故障预诊断,运用智能算法,全面评估电机运转工况,自动分析电机状态,对电机进行全面的状态分析与健康管理。
所述故障报警单元根据实时诊断单元与数据驱动模型单元做出的故障预判断向用户发出相应的报警信号,并作出决策指令或给出维护建议,以提醒用户及时进行设备维护。
所述数据查询单元主要功能是供用户进行数据查询。用户可使用多种终端实时通过数据查询单元访问云计算与服务中心模块,获取与电机相关的状态信息、故障信息、工作日志、维护信息等。
不同于基于传统直接利用电流来判定故障的诊断技术存在电流信号易受电机本体固有的不对称、供电不平衡和传感器误差等的影响,不能准确诊断电机的故障,嵌入式终端模块中边缘计算通过磁场和电流的联合监测,准确诊断电机的故障。
不同于基于传统单解析模型的故障诊断技术存在模态分析困难、不可避免的误差及未知干扰,基于交流异步电机物理模型和数据驱动的联合方法不仅满足故障诊断的实时性,而且利用数据驱动技术挖掘电机的运行状态信息,对电机进行故障预诊断,进行全面的状态分析与健康管理。
边缘计算为云计算提供高价值的数据,云计算为边缘计算优化补充,二者互相协同,使***兼具实时性、可靠性。其中,边缘计算利用电机***关键参数实现对设备故障的预诊断,监测的关键参数具有容易测量、不易受干扰、与故障或表征的参数具有强相关性的特点,包括相关度、线性度等;云计算通过智能处理,即学习、训练,得到基于数据的健康模型,为非数学模型,对实时采集的数据进行比较,判断设备健康状况。
与现有技术相比,本发明具有如下显而易见的突出实质性特点和显著的优点:
1.在基于物理模型的故障判断方面,避免了直接利用电流来判定故障存在的问题,通过磁场和电流的联合监测,发现问题。
2.在气隙磁链信息的获取方面,本发明采用模型计算的方法得到气隙磁场的情况,避免了采用侵入式的方法在电机内安装探测线圈或传感器,既有效,又经济。
3.在故障预诊断方面,本发明基于数据驱动技术,运用智能算法,挖掘电机的运行状态信息,进行全面的状态分析与健康管理,提高了电机故障预诊断的可靠性。
4.本发明引进边缘计算和云计算协同合作的先进概念,边缘计算和云计算互相协同,优化补充,兼具实时性、可靠性和经济性。
附图说明
图1为交流异步电机状态监测***框图。
图2为交流异步电机状态监测***功能示意图。
图3为数据采集模块结构框图。
图4为嵌入式终端模块结构框图。
图5为嵌入式终端模块进行基于物理模型的电机故障诊断过程图。
图6为云计算与服务中心模块结构框图。
图7为云计算与服务中心模块进行基于数据驱动的电机故障诊断过程图。
具体实施方式
下面结合附图和优选实施例,对本发明作进一步详细说明。应理解,下述的实施实例仅用于说明本发明,并不代表或限制本发明的权利保护范围,本发明的保护范围以权利要求书为准。
实施例一:
参见图1~图7,一种交流异步电机状态监测***,其特征在于,包括:数据采集模块1、嵌入式终端模块2和云计算与服务中心模块3。数据采集模块1和嵌入式终端模块2在设备端,云计算与服务中心模块3在云端。其中,数据采集模块1采集电机以及周围环境的关键参数,并向嵌入式终端模块2传输数据。嵌入式终端模块2对所获得的数据进行预处理,根据获得的数据通过模型计算的方法得到电机的气隙磁链信息,然后提取故障特征参量,进行基于物理模型的边缘计算,对电机进行快速故障诊断与控制,并向云计算与服务中心模块3传输数据。云计算与服务中心模块3根据获得的数据进行基于数据驱动的故障预诊断,提供可供用户进行数据查询并对故障发出预警信号的功能。本实施例***在基于物理模型的故障判断方面,避免了直接利用电流来判定故障存在的问题,通过磁场和电流的联合监测,发现问题。
实施例二:
本实施例与实施例一基本相同,特别之处如下:
所述数据采集模块1包括:电气信息采集单元11、温度信息采集单元12和振动信息采集单元13,所述电气信息采集单元11包括电压采集单元111和电流采集单元112,所述电压采集单元111用于采集电机运行时的电压信号,所述电流采集单元112用于采集电机定子电流信号。所述温度信息采集单元12用于采集电机本体温度和周围环境温度。所述振动信息采集单元13用于采集电机壳体振动信号。所采集得到的数据实时传输至嵌入式终端模块2。
所述嵌入式终端模块2包括:数据处理单元21、特征提取单元22、实时诊断单元23。其中,
所述数据处理单元21的主要功能是对数据进行预处理,将数据采集模块1采集到的数据进行收集、清理、分类,并通过模型计算获得电机的气隙磁链。
所述特征提取单元22的主要功能是对故障特征的提取,在数据处理单元21对数据进行预处理的基础上,对表征故障的特征参数——磁场和电流进行分析,提取特征参数中与故障或表征的参数具有强相关性——相关度和线性度的故障特征参量。
所述实时诊断单元23的主要功能是根据特征提取单元22提取的故障特征参量,对电机进行快速故障诊断与控制,将数据处理单元21所获得的关键参数数据、特征提取单元22提取的故障特征参量和实时诊断单元23输出的故障信号传送至云计算与服务中心模块3,并接受云计算与服务中心模块3的决策信号。
所述云计算与服务中心模块3包括:数据存储单元31、数据驱动模型单元32、故障报警单元33和数据查询单元34;
所述数据存储单元31接收嵌入式终端模块2的实时诊断单元23所传输的数据,并向其传输决策指令;数据存储单元31记录电机的各类电气和机械参数以及周围环境参数,并将每次发生故障的时间、原因、设备类型、部件类型、特征参数记录在数据存储单元31,以便充实知识库,供后续进行智能分析提供数据来源;
所述数据驱动模型单元32根据数据存储单元31获得的数据进行基于数据驱动的故障预诊断,运用智能算法,全面评估电机运转工况,自动分析电机状态,对电机进行全面的状态分析与健康管理;
所述故障报警单元33根据实时诊断单元23与数据驱动模型单元32做出的故障预判断向用户发出相应的报警信号,并作出决策指令或给出维护建议,以提醒用户及时进行设备维护;
所述数据查询单元34主要功能是供用户进行数据查询。用户可使用多种终端实时通过数据查询单元34访问云计算与服务中心模块3,获取与电机相关的状态信息、故障信息、工作日志、维护信息。
所述嵌入式终端模块2中边缘计算通过磁场和电流的联合监测,准确诊断电机的故障。
所述不同于基于传统单解析模型的故障诊断技术存在模态分析困难、不可避免的误差及未知干扰,基于交流异步电机物理模型和数据驱动的联合方法不仅满足故障诊断的实时性,而且利用数据驱动技术挖掘电机的运行状态信息,对电机进行故障预诊断,进行全面的状态分析与健康管理。
所述边缘计算为云计算提供高价值的数据,云计算为边缘计算优化补充,二者互相协同,使***兼具实时性、可靠性。其中,边缘计算利用电机***关键参数——磁场和电流实现对设备故障的预诊断,监测的关键参数具有容易测量、不易受干扰、与故障或表征的参数具有强相关性——相关度、线性度的特点;云计算通过智能处理——学习和训练,得到基于数据的健康模型——非数学模型,对实时采集的数据进行比较,判断设备健康状况。
实施例三:
本实施例与上述实施例基本相同,特别之处如下:
如图1和图2所示,本交流异步电机状态监测***,包括:数据采集模块1、嵌入式终端模块2和云计算与服务中心模块3。数据采集模块1和嵌入式终端模块2在设备端,云计算与服务中心模块3在云端。其中,数据采集模块1采用采集电机以及周围环境的关键参数,并向嵌入式终端模块2传输数据。嵌入式终端模块2对所获得的数据进行预处理,根据获得的数据通过模型计算的方法得到电机的定子磁链信息,然后提取故障特征参量,进行基于物理模型的边缘计算,对电机进行快速故障诊断与控制,并向云计算与服务中心模块3传输数据。云计算与服务中心模块3根据获得的数据进行基于数据驱动的故障预诊断,提供可供用户进行数据查询并对故障发出预警信号的功能。
如图3所示,所述数据采集模块1包括:电气信息采集单元11、温度信息采集单元12和振动信息采集单元13。其中,所述电气信息采集单元11包括电压采集单元111和电流采集单元112,所述电压采集单元111用于采集电机运行时的电压信号,所述电流采集单元112用于采集电机定子电流信号。所述温度信息采集单元12用于采集电机本体温度和周围环境温度。所述振动信息采集单元13用于采集电机壳体振动信号。所采集得到的数据实时传输至嵌入式终端模块2。
如图4所示,所述嵌入式终端模块2包括:数据处理单元21、特征提取单元22、实时诊断单元23。其中,所述数据处理单元21的主要功能是对数据进行预处理,将数据采集模块1采集到的数据进行收集、清理、分类,并通过模型计算获得电机的气隙磁链。
所述特征提取单元22的主要功能是对故障特征的提取,在数据处理单元21对数据进行预处理的基础上,对表征故障的磁场和电流的特征参数进行分析,提取特征参数中与故障或表征的参数具有强相关性的故障特征参量,包括相关度、线性度等。
所述实时诊断单元23的主要功能是根据特征提取单元22提取的故障特征参量,对电机进行快速故障诊断与控制,将数据处理单元21所获得的关键参数数据、特征提取单元22提取的故障特征参量和实时诊断单元23输出的故障信号传送至云计算与服务中心模块3,并接受云计算与服务中心模块3的决策信号。
如图5所示,所述嵌入式终端模块2进行基于物理模型的边缘计算的过程包括:首先通过传感器或模型计算的方法得到电机定子电流、气隙磁链,然后对这些信号分别进行处理,提取每个信号中与故障紧密相关的特征参量,再对提取的各个特征参量进行特征融合,综合判断电机的故障情况。
如图6所示,所述云计算与服务中心模块3包括:数据存储单元31、数据驱动模型单元32、故障报警单元33、数据查询单元34。其中,所述数据存储单元31接收嵌入式终端模块2的实时诊断单元23所传输的数据,并向其传输决策指令。数据存储单元31记录电机的各类电气和机械参数以及周围环境参数,并将每次发生故障的时间、原因、设备类型、部件类型、特征参数等记录在数据存储单元31,以便充实知识库,供后续进行智能分析提供数据来源。
所述数据驱动模型单元32根据数据存储单元31获得的数据进行基于数据驱动的故障预诊断,运用智能算法,全面评估电机运转工况,自动分析电机状态,对电机进行全面的状态分析与健康管理。
所述故障报警单元33根据实时诊断单元23与数据驱动模型单元32做出的故障预判断向用户发出相应的报警信号,并作出决策指令或给出维护建议,以提醒用户及时进行设备维护。
所述数据查询单元34主要功能是供用户进行数据查询。用户可使用多种终端实时通过数据查询单元34访问云计算与服务中心模块3,获取与电机相关的状态信息、故障信息、工作日志、维护信息等。
如图7所示,所述云计算与服务中心模块3进行基于数据驱动的云计算的过程包括:利用电机正常运行及周围环境的数据,包括电流、电压、磁链、温度、轴承振动、转矩等,通过学习、训练的智能处理后得到基于数据的健康模型,为非数学模型,新的数据的输入对模型进一步训练,随着云端接受的数据越多,训练的健康模型越精准,然后对实时采集的数据进行比较,判断电机的健康状况,从而达到电机故障预诊断的目的。
综上所述,上述实施例交流异步电机状态监测***。该***包括数据采集模块、嵌入式终端模块和云计算与服务中心模块三部分。数据采集模块采集电机以及周围环境的电气、温度和振动等信号。嵌入式终端模块安装在工作现场,收集采集的数据,进行基于物理模型的边缘计算,提取故障特征参量,对电机进行实时的快速故障诊断与控制,确保电机的安全运行。云计算与服务中心模块通过与嵌入式终端模块通信,取得电机运行的数据,运用智能算法,进行基于数据驱动的故障预诊断,提供可供用户进行数据查询并对故障发出预警信号的功能,实现远程运维与可视化。该***引进边缘计算和云计算协同合作的先进概念,综合运用基于物理模型和基于数据驱动的故障诊断方案,兼顾准确性、实时性和经济性,是当今交流异步电机状态监测的一条有效途径。
由此可见,本发明的目的已经完整并有效的予以实现。本发明的功能及结构原理已在实施例中予以展示和说明,在不背离所述原理下,实施方式可作任意修改。本发明包括了基于权利要求精神及权利要求范围的所有变形实施方式。
Claims (7)
1.一种交流异步电机状态监测***,其特征在于,包括数据采集模块(1)、嵌入式终端模块(2)和云计算与服务中心模块(3);数据采集模块(1)和嵌入式终端模块(2)在设备端,云计算与服务中心模块(3)在云端;其中,数据采集模块(1)采集电机以及周围环境的关键参数,并向嵌入式终端模块(2)传输数据;嵌入式终端模块(2)对所获得的数据进行预处理,根据获得的数据通过模型计算的方法得到电机的气隙磁链信息,然后提取故障特征参量,进行基于物理模型的边缘计算,对电机进行快速故障诊断与控制,并向云计算与服务中心模块(3)传输数据;云计算与服务中心模块(3)根据获得的数据进行基于数据驱动的故障预诊断,提供可供用户进行数据查询并对故障发出预警信号的功能。
2.根据权利要求1所述的交流异步电机状态监测***,其特征在于,所述数据采集模块(1)包括电气信息采集单元(11)、温度信息采集单元(12)和振动信息采集单元(13),所述电气信息采集单元(11)包括电压采集单元(111)和电流采集单元(112),所述电压采集单元(111)用于采集电机运行时的电压信号,所述电流采集单元(112)用于采集电机定子电流信号;所述温度信息采集单元(12)用于采集电机本体温度和周围环境温度;所述振动信息采集单元(13)用于采集电机壳体振动信号;所采集得到的数据实时传输至嵌入式终端模块(2)。
3.根据权利要求1所述的交流异步电机状态监测***,其特征在于,所述嵌入式终端模块(2)包括数据处理单元(21)、特征提取单元(22)、实时诊断单元(23);其中,所述数据处理单元(21)的主要功能是对数据进行预处理,将数据采集模块(1)采集到的数据进行收集、清理、分类,并通过模型计算获得电机的气隙磁链;
所述特征提取单元(22)的主要功能是对故障特征的提取,在数据处理单元(21)对数据进行预处理的基础上,对表征故障的特征参数——磁场和电流进行分析,提取特征参数中与故障或表征的参数具有强相关性——相关度和线性度的故障特征参量;
所述实时诊断单元(23)的主要功能是根据特征提取单元(22)提取的故障特征参量,对电机进行快速故障诊断与控制,将数据处理单元(21)所获得的关键参数数据、特征提取单元(22)提取的故障特征参量和实时诊断单元(23)输出的故障信号传送至云计算与服务中心模块(3),并接受云计算与服务中心模块(3)的决策信号。
4.根据权利要求1所述的交流异步电机状态监测***,其特征在于,所述云计算与服务中心模块(3)包括数据存储单元(31)、数据驱动模型单元(32)、故障报警单元(33)和数据查询单元(34);
所述数据存储单元(31)接收嵌入式终端模块(2)的实时诊断单元(23)所传输的数据,并向其传输决策指令;数据存储单元(31)记录电机的各类电气和机械参数以及周围环境参数,并将每次发生故障的时间、原因、设备类型、部件类型、特征参数记录在数据存储单元(31),以便充实知识库,供后续进行智能分析提供数据来源;
所述数据驱动模型单元(32)根据数据存储单元(31)获得的数据进行基于数据驱动的故障预诊断,运用智能算法,全面评估电机运转工况,自动分析电机状态,对电机进行全面的状态分析与健康管理;
所述故障报警单元(33)根据实时诊断单元(23)与数据驱动模型单元(32)做出的故障预判断向用户发出相应的报警信号,并作出决策指令或给出维护建议,以提醒用户及时进行设备维护;
所述数据查询单元(34)主要功能是供用户进行数据查询;用户可使用多种终端实时通过数据查询单元(34)访问云计算与服务中心模块(3),获取与电机相关的状态信息、故障信息、工作日志、维护信息。
5.根据权利要求1所述的交流异步电机状态监测***,其特征在于:所述嵌入式终端模块(2)中边缘计算通过磁场和电流的联合监测,准确诊断电机的故障。
6.根据权利要求1所述的交流异步电机状态监测***,其特征在于:所述不同于基于传统单解析模型的故障诊断技术存在模态分析困难、不可避免的误差及未知干扰,基于交流异步电机物理模型和数据驱动的联合方法不仅满足故障诊断的实时性,而且利用数据驱动技术挖掘电机的运行状态信息,对电机进行故障预诊断,进行全面的状态分析与健康管理。
7.根据权利要求1所述的交流异步电机状态监测***,其特征在于:所述边缘计算为云计算提供高价值的数据,云计算为边缘计算优化补充,二者互相协同,使***兼具实时性、可靠性;其中,边缘计算利用电机***关键参数——磁场和电流实现对设备故障的预诊断,监测的关键参数具有容易测量、不易受干扰、与故障或表征的参数具有强相关性——相关度、线性度的特点;云计算通过智能处理——学习和训练,得到基于数据的健康模型——非数学模型,对实时采集的数据进行比较,判断设备健康状况。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110273601.XA CN113030723A (zh) | 2021-03-15 | 2021-03-15 | 一种交流异步电机状态监测*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110273601.XA CN113030723A (zh) | 2021-03-15 | 2021-03-15 | 一种交流异步电机状态监测*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113030723A true CN113030723A (zh) | 2021-06-25 |
Family
ID=76468638
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110273601.XA Pending CN113030723A (zh) | 2021-03-15 | 2021-03-15 | 一种交流异步电机状态监测*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113030723A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115561006A (zh) * | 2022-12-07 | 2023-01-03 | 天津通信广播集团有限公司 | 面向旋转机械设备的模块化多核异架构远程实时监测*** |
EP4160233A1 (en) * | 2021-09-30 | 2023-04-05 | Siemens Aktiengesellschaft | System, apparatus and method for monitoring faults in an electric machine |
CN117232564A (zh) * | 2023-11-15 | 2023-12-15 | 长春市星途科技有限公司 | 基于云计算的驱动电机光栅编码器实时诊断与校准*** |
CN117346842A (zh) * | 2023-11-14 | 2024-01-05 | 广东材通实业有限公司 | 一种电机接线盒的故障检测方法及*** |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1905330A (zh) * | 2005-07-28 | 2007-01-31 | 三菱电机株式会社 | 单相感应机的气隙偏心检测装置和气隙偏心检查方法 |
CN102495368A (zh) * | 2011-12-16 | 2012-06-13 | 西南大学 | 三相笼型异步电动机转子断条故障非侵入式在线检测方法及检测*** |
CN106990357A (zh) * | 2017-04-20 | 2017-07-28 | 哈尔滨理工大学 | 智能电机集成式多参数融合健康诊断及预警*** |
CN107402350A (zh) * | 2017-08-21 | 2017-11-28 | 西安交通大学 | 一种三相异步电机偏心故障检测方法 |
CN108152736A (zh) * | 2017-12-07 | 2018-06-12 | 上海大学 | 利用电机***参数监测负载变化与***异常的自主感知*** |
CN109145886A (zh) * | 2018-10-12 | 2019-01-04 | 西安交通大学 | 一种多源信息融合的异步电机故障诊断方法 |
CN110501640A (zh) * | 2019-07-10 | 2019-11-26 | 哈尔滨工业大学(威海) | 一种基于气隙磁场直接测试检测永磁电机静态偏心的方法 |
CN110728443A (zh) * | 2019-09-30 | 2020-01-24 | 鞍钢集团自动化有限公司 | 一种电机全生命周期管控*** |
CN111856268A (zh) * | 2019-04-24 | 2020-10-30 | 中矿龙科能源科技(北京)股份有限公司 | 基于谐波法的电动机和发电机故障诊断*** |
CN112285562A (zh) * | 2020-11-18 | 2021-01-29 | 中国海洋石油集团有限公司 | 基于电磁场与热场多信号融合的异步电机故障检测方法 |
-
2021
- 2021-03-15 CN CN202110273601.XA patent/CN113030723A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1905330A (zh) * | 2005-07-28 | 2007-01-31 | 三菱电机株式会社 | 单相感应机的气隙偏心检测装置和气隙偏心检查方法 |
CN102495368A (zh) * | 2011-12-16 | 2012-06-13 | 西南大学 | 三相笼型异步电动机转子断条故障非侵入式在线检测方法及检测*** |
CN106990357A (zh) * | 2017-04-20 | 2017-07-28 | 哈尔滨理工大学 | 智能电机集成式多参数融合健康诊断及预警*** |
CN107402350A (zh) * | 2017-08-21 | 2017-11-28 | 西安交通大学 | 一种三相异步电机偏心故障检测方法 |
CN108152736A (zh) * | 2017-12-07 | 2018-06-12 | 上海大学 | 利用电机***参数监测负载变化与***异常的自主感知*** |
CN109145886A (zh) * | 2018-10-12 | 2019-01-04 | 西安交通大学 | 一种多源信息融合的异步电机故障诊断方法 |
CN111856268A (zh) * | 2019-04-24 | 2020-10-30 | 中矿龙科能源科技(北京)股份有限公司 | 基于谐波法的电动机和发电机故障诊断*** |
CN110501640A (zh) * | 2019-07-10 | 2019-11-26 | 哈尔滨工业大学(威海) | 一种基于气隙磁场直接测试检测永磁电机静态偏心的方法 |
CN110728443A (zh) * | 2019-09-30 | 2020-01-24 | 鞍钢集团自动化有限公司 | 一种电机全生命周期管控*** |
CN112285562A (zh) * | 2020-11-18 | 2021-01-29 | 中国海洋石油集团有限公司 | 基于电磁场与热场多信号融合的异步电机故障检测方法 |
Non-Patent Citations (4)
Title |
---|
YIN TIAN ET AL.: "《A Review of Fault Diagnosis for Traction Induction Motor》", 《2018 37TH CHINESE CONTROL CONFERENCE (CCC)》, 7 October 2018 (2018-10-07) * |
王攀攀 等: "《虚拟仿真实验中的断条故障异步电动机模型设计》", 《实验科学与技术》 * |
王攀攀 等: "《虚拟仿真实验中的断条故障异步电动机模型设计》", 《实验科学与技术》, 31 August 2020 (2020-08-31) * |
钱晓龙,闫士杰: "电气传动控制技术", 冶金工业出版社, pages: 182 - 187 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP4160233A1 (en) * | 2021-09-30 | 2023-04-05 | Siemens Aktiengesellschaft | System, apparatus and method for monitoring faults in an electric machine |
WO2023052385A1 (en) * | 2021-09-30 | 2023-04-06 | Siemens Aktiengesellschaft | System, apparatus and method for monitoring faults in an electric machine |
CN115561006A (zh) * | 2022-12-07 | 2023-01-03 | 天津通信广播集团有限公司 | 面向旋转机械设备的模块化多核异架构远程实时监测*** |
CN115561006B (zh) * | 2022-12-07 | 2023-03-07 | 天津通信广播集团有限公司 | 面向旋转机械设备的模块化多核异架构远程实时监测*** |
CN117346842A (zh) * | 2023-11-14 | 2024-01-05 | 广东材通实业有限公司 | 一种电机接线盒的故障检测方法及*** |
CN117232564A (zh) * | 2023-11-15 | 2023-12-15 | 长春市星途科技有限公司 | 基于云计算的驱动电机光栅编码器实时诊断与校准*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113030723A (zh) | 一种交流异步电机状态监测*** | |
CN104386449B (zh) | 用于矿用皮带运输机头尾轮在线检测智能保护装置 | |
US10288043B2 (en) | Wind turbine condition monitoring method and system | |
CN212047237U (zh) | 一种基于新能源汽车控制***的电子检测维修*** | |
CN107345857A (zh) | 一种电主轴状态监测与故障诊断***及其监测诊断方法 | |
CN202676203U (zh) | 大型泵站状态监测与诊断及能效管理装置 | |
CN103671190B (zh) | 一种智能早期矿用通风机在线故障诊断*** | |
CN103839302A (zh) | 一种火电厂智能巡检***及方法 | |
CN102434387A (zh) | 风机检测诊断*** | |
CN106324449A (zh) | 便携式开关柜局部放电巡检*** | |
CN103195728A (zh) | 大型风机在线监测诊断*** | |
CN104564542B (zh) | 一种基于大数据技术的故障诊断***及其诊断方法 | |
CN109141898A (zh) | 一种基于物联网的柴油发动机故障诊断*** | |
CN105571638A (zh) | 一种机械设备故障组合预测***及方法 | |
CN115437358A (zh) | 工业机器人智能状态监测与故障诊断***及故障诊断方法 | |
CN102758727B (zh) | 集成于控制***的风力机状态监测与故障诊断***及方法 | |
CN115327363B (zh) | 一种高压断路器机械特性带电监测及状态识别方法 | |
CN112085233A (zh) | 基于站域bim数据融合多源信息的电力数字信息模型 | |
CN203858685U (zh) | 一种火电厂智能巡检*** | |
CN113483815A (zh) | 一种基于工业大数据的机械故障监控*** | |
CN116840631A (zh) | 基于联合诊断模型的变压器局部放电监测与定位方法 | |
CN205861788U (zh) | 一种快速电气设备故障定位分析*** | |
CN114062923A (zh) | 一种基于电流磁致信号和高次谐波诊断技术的电机故障在线超前预警*** | |
CN113098132A (zh) | 一种基于群智能优化的改进机器学习故障诊断*** | |
CN209070084U (zh) | 一种电器件测试*** |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210625 |