CN113447815B - 一种基于实值esprit的电机故障在线检测方法及*** - Google Patents
一种基于实值esprit的电机故障在线检测方法及*** Download PDFInfo
- Publication number
- CN113447815B CN113447815B CN202110774876.1A CN202110774876A CN113447815B CN 113447815 B CN113447815 B CN 113447815B CN 202110774876 A CN202110774876 A CN 202110774876A CN 113447815 B CN113447815 B CN 113447815B
- Authority
- CN
- China
- Prior art keywords
- matrix
- real
- value
- motor
- esprit
- 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
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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P80/00—Climate change mitigation technologies for sector-wide applications
- Y02P80/10—Efficient use of energy, e.g. using compressed air or pressurized fluid as energy carrier
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Algebra (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Tests Of Circuit Breakers, Generators, And Electric Motors (AREA)
- Protection Of Generators And Motors (AREA)
Abstract
本发明公开了一种基于实值ESPRIT的电机故障在线检测方法及***,属于电机故障检测技术领域,包括步骤1:采集电机定子电流数据i(n)。步骤2:利用Hilbert变换构造解析信号y(n)。步骤3:获取电流信号矩阵Y。步骤4:定义实值化矩阵QM,构造实值信号矩阵Y。步骤5:计算信号子空间的Us,利用Us构造矩阵H。步骤6:奇异值分解H,并根据求得的特征值估计信号频率。步骤7:判断电机是否发生故障。本发明与现有方法相比,可以显著降低计算量,更快发现电机故障,具有高可靠性和高灵敏性等优点。
Description
技术领域
本发明属于电机诊断技术领域,涉及一种能够在线检测电动机故障的方法,具体地说是一种基于实值ESPRIT(real-valued estimation of signal parameters viarotational invariance techniques)的电机故障在线检测方法及***。
背景技术
近年来,异步电动机在各个工业领域的广泛应用,已成为现代工业生产中重要的劳动保障和节能手段。为了保障电机健康、稳定运行,尽可能减少维修成本和停机时间,电机故障诊断具有重要意义。故障诊断可以通过观察电机的振动、电流、磁场等多项指标来实现。其中,基于定子电流的方法不需要特定的数据采集设备和额外的传感器,并且在电机运行期间更容易采集到信号。大量研究表明,当异步电动机发生故障时,定子电流频谱中会出现额外的频率分量,这些分量可以作为电机故障检测的指标。因此,定子电流频谱分析方法以其简单易行、成本低廉、可靠性高等优点受到了广泛关注。其中最经典的定子电流频谱分析方法是FFT(fast Fourier transform),但该方法强烈依赖FFT的分辨率。分辨率与时间成反比,而较长的测量时间会导致电流的变化,从而影响故障诊断结果。为了在短时间内获得高分辨率,子空间的方法被提出。例如在Trachi,et al."Induction Machines FaultDetection Based on Subspace Spectral Estimation."IEEE Transactions onIndustrial Electronics中提出了基于ESPRIT的电机故障诊断方法,但是该方法在实际应用过程中存在计算量过大的问题。
发明内容
针对现有方法的不足,利用短时间的电流信号,本发明提出一种基于实值ESPRIT的电机故障在线检测方法。
用于实现本发明的技术解决方案包括如下步骤:
步骤1:采集电机定子电流数据i(n)。
步骤2:利用Hilbert变换构造解析信号y(n)。
步骤3:获取电流信号矩阵Y。
步骤4:定义实值化矩阵QM,构造实值信号矩阵Y。
步骤5:计算信号子空间的Us,利用Us构造矩阵H。
步骤6:奇异值分解H,并根据求得的特征值估计信号频率。
步骤7:判断电机是否发生故障。
本发明还提出了实现上述一种基于实值ESPRIT的电机故障在线检测方法的检测***,包括信号采集器和信息处理器;所述信号采集器用于采集电机定子电流,所述信息处理器内部集成上述步骤1-7的算法,在接收到电机定子电流后,根据集成的算法判断电机是否出现故障。
本发明的有益效果:
本发明与现有方法相比,可以显著降低计算量,更快发现电机故障,具有高可靠性和高灵敏性等优点。
附图说明
图1是本发明实施流程图。
图2(a)和图2(b)分别是相同条件下,一般ESPRIT与基于实值ESPRIT方法的电机故障频率检测图。
具体实施方式
下面结合附图对本发明作进一步说明。
如图1所示,本发明实施的步骤如下:
(2)构造解析信号y(n)=i(n)+jHT[i(n)],其中:HT[·]表示Hilbert变换,j表示虚数单位。
(3)设定窗口长度为M,重新排列解析信号,获得M×G维的电流信号矩阵Y=[y(0),y(1),...,y(G-1)],其中:
Λs为L个大奇异值构成的对角矩阵,Us是与Λs对应的左奇异向量构成的矩阵,Vs是与Λs对应的右奇异向量构成的矩阵,Λw为2G-L个小奇异值构成的对角矩阵,Uw是与Λw对应的左奇异向量构成的矩阵,Vw是与Λw对应的右奇异向量构成的矩阵,所述大奇异值和小奇异值的定义:奇异值分解之后,对角矩阵里的奇异值按照由大到小排序,前L个为大奇异值,其余为小奇异值;
(6)H的奇异值分解记为H=TΣPT,并将P划分为四个维度为L×L的子矩阵:
(7)查询估计频率中是否包括故障频率,若包括则判断电机出现故障,反之判断电机未出现故障。
上述电流信号采集由检测***的信号采集器(比如电流传感器)实现,步骤(2)-(7)由检测***的信息处理器(比如单片机)集成的算法实现。
实验条件
实验电机是额定功率3kW、额定电压380V、额定电流6.8A的鼠笼电机,在25%负载情况下,带有3根转子断条故障。本发明选取N=1000个样本点,窗口长度M=700,采样频率为Fs=1kHz,谐波个数L=20,进行电机故障检测,仿真结果如图2所示。
实验分析
根据表1可知:发生故障时,其定子电流频谱图中会出现(1±2s)f的故障频率分量,其中s为电机转差率,f为供电频率,本实验故障特征频率理论值为48.7Hz与51.3Hz。
表1是电机测试状态和对应的故障特征理论值
根据图2可以看出:基于一般ESPRIT和实值的ESPRIT方法分别对1000个数据进行了频谱分析,实验结果与理论值基本一致,供电侧电流频率f=50Hz两侧出现边频带。但一般ESPRIT方法检测出来是48.9Hz和51.49Hz,而本发明估计的电机故障频率为48.78Hz和51.29Hz,其准确性能明显优于现有方法。
上文所列出的一系列的详细说明仅仅是针对本发明的可行性实施方式的具体说明,它们并非用以限制本发明的保护范围,凡未脱离本发明技术所创的等效方式或变更均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于实值ESPRIT的电机故障在线检测方法,其特征在于,包括如下步骤:
步骤1:采集电机定子电流数据i(n);
步骤2:根据Hilbert变换,使用电机定子电流数据i(n)构造解析信号y(n);
步骤3:根据解析信号y(n)构造电流信号矩阵Y;具体如下:
设定窗口长度为M,重新排列解析信号y(n),获得M×G维的电流信号矩阵Y=[y(0),y(1),…,y(G-1)],其中:
(·)T表示矩阵的转置;
步骤4:定义实值化矩阵QM,构造实值信号矩阵Y;具体如下:
分别取出QMY矩阵的实数部分和虚数部分,构造实值信号矩阵Y=[Re(QMY) Im(QMY)],
其中:IM/2和I(M-1)/2分别表示维度为和的单位矩阵,JM/2和J(M-1)/2分别表示维度为和副对角线元素都为1,其余元素都为0的矩阵,0((M-1)/2)×1和01×((M-1)/2)分别表示维度为和的零矩阵,Re(·),Im(·)分别表示矩阵的实数部分和虚数部分;
步骤5:计算电流信号子空间的Us,利用Us构造矩阵H;具体如下:
其中:
Λs为L个大奇异值构成的对角矩阵,Us是与Λs对应的左奇异向量构成的矩阵,Vs是与Λs对应的右奇异向量构成的矩阵,Λw为2G-L个小奇异值构成的对角矩阵,Uw是与Λw对应的左奇异向量构成的矩阵,Vw是与Λw对应的右奇异向量构成的矩阵,
0(M-1)×1表示(M-1)×1维的零矩阵,
(·)H表示矩阵的共轭转置;
步骤6:奇异值分解H,并根据求得的特征值估计电流信号频率;具体如下:
H的奇异值分解记为H=TΣPT,并将P划分为四个维度为L×L的子矩阵:
arctan(·)表示反正切函数;
步骤7:根据估计的电流信号频率判断电机是否发生故障。
3.根据权利要求1所述的一种基于实值ESPRIT的电机故障在线检测方法,其特征在于,所述步骤2的y(n)的表达式为:y(n)=i(n)+jHT[i(n)],其中:HT[·]表示Hilbert变换,j表示虚数单位。
4.根据权利要求1所述的一种基于实值ESPRIT的电机故障在线检测方法,其特征在于,所述步骤7的实现包括如下:
查询估计的电流信号频率中是否包括故障频率,若包括则判断电机出现故障,反之判断电机未出现故障。
5.一种基于实值ESPRIT的电机故障在线检测***,其特征在于,包括信号采集器和信息处理器;所述信号采集器用于采集电机定子电流,所述信息处理器内部集成权利要求1-4任一项的基于实值ESPRIT的电机故障在线检测方法,在接收到电机定子电流后,根据集成的检测方法判断电机是否出现故障。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110774876.1A CN113447815B (zh) | 2021-07-08 | 2021-07-08 | 一种基于实值esprit的电机故障在线检测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110774876.1A CN113447815B (zh) | 2021-07-08 | 2021-07-08 | 一种基于实值esprit的电机故障在线检测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113447815A CN113447815A (zh) | 2021-09-28 |
CN113447815B true CN113447815B (zh) | 2022-08-23 |
Family
ID=77815478
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110774876.1A Active CN113447815B (zh) | 2021-07-08 | 2021-07-08 | 一种基于实值esprit的电机故障在线检测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113447815B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114518506B (zh) * | 2021-11-05 | 2022-07-22 | 昆明理工大学 | 一种直流输电线路故障检测方法及*** |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102279341B (zh) * | 2011-07-23 | 2013-10-30 | 华北电力大学(保定) | 一种基于esprit与psa的笼型异步电动机转子断条故障检测方法 |
CN102279343B (zh) * | 2011-07-23 | 2013-08-07 | 华北电力大学(保定) | 一种基于esprit-saa的笼型异步电动机转子断条故障在线检测方法 |
KR101348635B1 (ko) * | 2012-07-04 | 2014-01-08 | 한국전기연구원 | 유도전동기 회전자의 고장 진단 장치 및 방법 |
CN102944842B (zh) * | 2012-11-30 | 2015-11-18 | 华北电力大学(保定) | 一种笼型异步电动机转子断条故障检测方法 |
KR101416626B1 (ko) * | 2013-06-17 | 2014-08-06 | 한국전기연구원 | 유도전동기 고장 진단 장치 및 이를 이용한 진단 방법 |
US9618583B2 (en) * | 2015-03-10 | 2017-04-11 | Mitsubishi Electric Research Laboratories, Inc | Fault detection in induction motors based on current signature analysis |
CN111337893B (zh) * | 2019-12-19 | 2022-09-16 | 江苏大学 | 一种基于实值稀疏贝叶斯学习的离格doa估计方法 |
-
2021
- 2021-07-08 CN CN202110774876.1A patent/CN113447815B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113447815A (zh) | 2021-09-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bessous et al. | Diagnosis of bearing defects in induction motors using discrete wavelet transform | |
CN102279341B (zh) | 一种基于esprit与psa的笼型异步电动机转子断条故障检测方法 | |
Ayhan et al. | Multiple signature processing-based fault detection schemes for broken rotor bar in induction motors | |
Aydin et al. | A new method for early fault detection and diagnosis of broken rotor bars | |
EP2790028B1 (en) | Broken rotor bar detection based on current signature analysis of an electric machine | |
Garcia-Calva et al. | Non-uniform time resampling for diagnosing broken rotor bars in inverter-fed induction motors | |
WO2014067742A1 (en) | A method for detecting a fault condition in an electrical machine | |
CN102279364A (zh) | 一种基于music与psa的笼型异步电动机转子断条故障检测方法 | |
CN102279342A (zh) | 一种基于music与saa的笼型异步电动机转子断条故障检测方法 | |
Zhao et al. | Detection of interturn short-circuit faults in DFIGs based on external leakage flux sensing and the VMD-RCMDE analytical method | |
CN102279343A (zh) | 一种基于esprit-saa的笼型异步电动机转子断条故障在线检测方法 | |
Kechida et al. | Discrete wavelet transform for stator fault detection in induction motors | |
CN113447815B (zh) | 一种基于实值esprit的电机故障在线检测方法及*** | |
CN113391235A (zh) | 一种同步发电机转子动态匝间短路故障检测***及方法 | |
Pietrzak et al. | Stator Winding Fault Detection of Permanent Magnet Synchronous Motors Based on the Short-Time Fourier Transform | |
Mariun et al. | An experimental study of induction motor current signature analysis techniques for incipient broken rotor bar detection | |
Antonino-Daviu et al. | Multi-harmonic tracking for diagnosis of rotor asymmetries in wound rotor induction motors | |
Desheng et al. | Time-frequency analysis based on BLDC motor fault detection using Hermite S-method | |
Arabacı et al. | Detection of induction motor broken rotor bar faults under no load condition by using support vector machines | |
Stojičić et al. | Monitoring of rotor bar faults in induction generators with full-size inverter | |
Yazici et al. | An adaptive, on-line, statistical method for detection of broken bars in motors using stator current and torque estimation | |
Pineda-Sanchez et al. | Diagnosis of induction machines under transient conditions through the Instantaneous Frequency of the fault components | |
Arabaci et al. | Neural network classification and diagnosis of broken rotor bar faults by means of short time Fourier transform | |
Cabanas et al. | A new methodology for applying the FFT to induction motor on-line diagnosis | |
Koura et al. | Improved Diagnosis of Induction Motor's Rotor Faults using the Papoulis Window |
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 |