SI9720042A - Na modelu temelječi sistem za odkrivanje napak na elektromotorjih - Google Patents
Na modelu temelječi sistem za odkrivanje napak na elektromotorjih Download PDFInfo
- Publication number
- SI9720042A SI9720042A SI9720042A SI9720042A SI9720042A SI 9720042 A SI9720042 A SI 9720042A SI 9720042 A SI9720042 A SI 9720042A SI 9720042 A SI9720042 A SI 9720042A SI 9720042 A SI9720042 A SI 9720042A
- Authority
- SI
- Slovenia
- Prior art keywords
- engine
- motor
- model
- engines
- steps
- Prior art date
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/04—Bearings
- G01M13/045—Acoustic or vibration analysis
Landscapes
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- General Physics & Mathematics (AREA)
- Control Of Multiple Motors (AREA)
- Control Of Electric Motors In General (AREA)
- Tests Of Circuit Breakers, Generators, And Electric Motors (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Combined Controls Of Internal Combustion Engines (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
Predmet pričujočega izuma sta na modelu temelječa sistem in metoda za odkrivanje napak, ki omogočata nadziranje in napovedovanje vzdrževalnih potreb elektromotorjev. Ker metoda in sistem pričujočega izuma temeljita na softveru in uporabljata podatke, dobljene z neintruzivnimi meritvami, so stroški implementiranja bistveno nižji kot pri doslej znanih vzdrževalnih metodah. Sistem vključuje računalniško opremo, povezano z zaznavali, ki posredujejo neprekinjene in sočasne podatke o vhodni napetosti in toku ter o hitrosti motorja. Sistem in metoda uporabljata poskusni modelirni algoritem z več spremenljivkami, ki izdela matematični opis motorja. Algoritem primerja modelni rezultat z izmerjenim rezultatom in to primerjavo izrazi v obliki ostanka, ki ga dobi tako, da signala med seboj odšteje. Diagnostični opazovalec analizira ostanek in ugotovi, ali motor deluje brezhibno ali ne. Ob odkritju predstoječe napake diagnostični opazovalec ovrednoti izmerjene spremenljivke motorja, določi odklon od referenčne vrednosti in razvije diagnozo o tem, katera komponenta se najverjetneje kvari ali se je že pokvarila. Druga izvedba pričujočega izuma je posebno uporabna pri izdelavi elektromotorjev z manj kot eno konjsko močjo, zlasti za preizkušanje v okviru kontrole kakovosti.ŕ
Description
NA MODELU TEMELJEČI SISTEM ZA ODKRIVANJE NAPAK NA ELEKTROMOTORJIH
OZADJE IZUMA
Predmet izuma so elektromotorji. Natančneje povedano, predmet izuma sta metoda in naprava za nadziranje stanja elektromotorjev in njihovo napovedno (predictive) vzdrževanje.
Elektromotorji se na veliko uporabljajo v industrijski opremi in postopkih, kjer pomikajo predmete na transportnih trakovih od enega delovnega mesta do drugega ali pa služijo kot pogonski motorji za motorna orodja, ki jih uporabljajo monterji.
Kot primer lahko navedemo zračni kompresor, ki s stisnjenim zrakom poganja motorne izvijače, brizgalne pištole in druga ročna orodja. Močnejši elektromotorji vzdržujejo želene klimatske razmere, s tem da ohlajajo, segrevajo ali dovajajo zrak po ogrevalnih in hladilnih sistemih v stavbah in vozilih. V domačem in pisarniškem okolju se elektromotorji uporabljajo v najrazličnejših napravah od računalnika do sesalnika za prah. Kot je splošno znano, predstavljajo tovrstne naprave znaten vir hrupa in tresljajev. Zato lahko čedalje večjemu povpraševanju trga po tišjih motorjih brez tresljajev ustrežemo samo z načrtovanjem in izdelovanjem tišjih, brezhibnih motorjev.
V proizvodnih okoljih nepričakovana okvara motorja ni samo nezaželena, ampak tudi draga. V industrijskih okoljih ima lahko okvara motorja resne finančne posledice, če mora montažna linija stati, medtem ko popravljajo ali zamenjujejo motor. Poleg tega pa utegne pri nekaterih proizvodnih postopkih, kakršna je npr. izdelava polprevodnikov, okvara kritičnega motorja povzročiti škodo na samem izdelku, če pri tem trpijo nadzorovane klimatske razmere.
Spričo vsega tega narašča povpraševanje po povečanju zanesljivost elektromotorjev na splošno, v industrijski rabi pa zlasti po vnaprejšnjem odkrivanju predstoječih napak, tako da bi lahko motorje popravili oz. zamenjali že med rednim vzdrževanjem, ne pa šele po nastopu okvare. Zaželeno je tudi izboljšati zanesljivost elektromotorjev, to pa z izpopolnjevanjem kontrole kakovosti med samo izdelavo elektromotorjev. Poleg tega je zaželeno tudi odkrivati napake na elektromotorjih že pred katastrofalnimi okvarami, in sicer z nadziranjem performans med delovanjem.
V zadnjem času so razvili metode za odkrivanje in diagnosticiranje napak (ODN), ki primerjajo
-2izhodne signale kompleksnih sistemov z izhodnim signalom, dobljenim iz matematičnega modela brezhibnega sistema. Primerjava teh dveh signalov je izražena kot t.i. »ostanek«, ki je razlika med obema signaloma. Tip napake se določi tako, da se. opravi analiza ostankov. Ta analiza vključuje statistične metode za primerjanje ostankov s podatkovno bazo ostankov za sisteme z znanimi napakami.
Do nedavna je bilo težko izdelati natančne sočasne (real-time) modele za sisteme z več spremenljivkami, t.j. sisteme z več kot enim vhodom in/ali izhodom. Če model ni natančen, bodo ostanki vsebovali modelne pogreške, ki jih je zelo težko ločiti od vpliva dejanskih napak.
Dodatna pomanjkljivost teh metod ODN je ta, da je težko ustvariti podatkovno bazo za statistično preizkušanje ostankov, s pomočjo katere se da potem napake klasificirati. Razvijanje take podatkovne baze terja vnaprejšnje znanje o vseh možnih napakah in o vplivu, ki ga ima vsaka od teh napak na ostanke.
Zato je potreben določen čas za nadziranje defektne in normalne opreme ter za razvijanje podatkovne baze s signaturami napak za potrebe klasificiranja napak. Ta postopek je drag in dolgotrajen. Poleg tega mora podatkovna baza ustrezati specifičnim zahtevam dane sheme ODN.
Ker so mehanske napake posledica tresljajev, je odkrivanje in analiza tresljajev običajna prvina številnih že znanih shem za odkrivanje napak. Tovrstne tehnike zahtevajo, da se razvije knjižnica predhodno opaženih tresljajnih vzorcev motorja, ki so povezani z odkrito napako.
Skupna pomanjkljivost mehanskega odkrivanja napak je ta, da shema zahteva predhodno znanje o signaturi napake, saj napako določimo šele na podlagi odkrite signature. Za tako določanje napake je treba predhodno razviti obsežno podatkovno bazo, poleg tega pa zahteva izčrpno analizo in visoko raven ekspertize o samem motorju.
Dodatna pomanjkljivost mehanskega odkrivanja napak izhaja iz tega, da je meritve težko ponoviti. Pri merjenju tresljajev z merilcem pospeškov je npr. ponovljivost odkrivanja signature zelo odvisna od metode montaže in pozicioniranja zaznavala. Celo ob pravilni montaži in pozicioniranju zaznavala lahko odkrivanje signature zmotijo tresljaji v ozadju in spremembe delovnih pogojev, kot so hitrost vrtenja, vhodna napetost in obremenitev motorja.
Upoštevati je treba, da v sistemu, ki temelji na mehanskem odkrivanju napak, obstaja velika verjetnost lažnih opozoril o okvari. Da bi npr. ugotovili, kakšno je stanje ležajev motorja, je treba
-3analizirati mehanske tresljaje motorja in izbrati specifične frekvence, ki so povezane izključno z napakami ležajev (in/ali morebitne vsote in razlike frekvenc in njihovih harmonikov). žal pa prisotnost drugih tresljajev v tresljajnem spektrumu in morebitno sovpadanje z njimi pogosto interferirata z odkrivanjem želenega signala. Da bi zbrali potrebne podatke, je potrebna draga in zapletena oprema, in kljub temu je tak sistem pri odkrivanju ali napovedovanju napak manj uspešen, kot bi si želeli.
Zato je zaželeno, odstraniti dodatne komplikacije, ki so posledica pogreškov pri modeliranju, ter prijavljanje neobstoječih napak in spregled obstoječih napak motorja. Zaželeno je tudi, izogniti se potrebi po razvijanju obsežne podatkovne baze in vlaganju truda v razvijanje ekspertize za analizo vzrokov napak na elektromotorjih. Nadalje je zaželeno, odpraviti potrebo po dragi in zapleteni opremi za pridobivanje in procesiranje podatkov o morebitni napaki.
POVZETEK IZUMA
Predmet pričujočega izuma sta na modelu temelječa sistem in metoda za odkrivanje napak, ki omogočata nadziranje in napovedovanje vzdrževalnih potreb elektromotorjev, natančneje elektromotorjev z manj kot eno konjsko močjo (fractional horsepower electric motors). Z uporabo sistema je moč dobiti podatke za zgodnje diagnosticiranje predstoječih mehanskih okvar elektromotorja v delovnem okolju pod neznanimi pogoji obremenitve. Ker metoda in sistem pričujočega izuma temeljita na softveru in uporabljata podatke, dobljene z neintruzivnimi meritvami, so stroški implementiranja bistveno nižji kot pri doslej znanih vzdrževalnih metodah.
Sistem vključuje računalniško opremo, ki je prek multifunkcijske opreme za zajemanje podatkov povezana z napetostnimi, tokovnimi in hitrostnimi zaznavali. Zaznavala posredujejo neprekinjene in sočasne podatke o vhodni napetosti in toku in o izhodnem napetostnem signalu, ki ga razvija tahometer motorja. Računalniška oprema uporablja te podatke tako, da v njej neprekinjeno teče algoritem za odkrivanje in diagnosticiranje napak v kombinaciji z diagnostičnim opazovalcem.
Sistem in metoda uporabljata poskusni modelimi algoritem z več spremenljivkami, ki izdela model elektromotorja tako, da določi strukturo, se pravi sistem diferencialnih enačb, ki matematično opisujejo motor, in invariante motorja, se pravi: parametre, kot so induktivnost, upornost, vztrajnostni moment, nefizikalne parametre, kot so matrike A, B in C enačb stanja, ki opisujejo motor, in druge izbrane parametre. V prednostni izvedbi se model elektromotorja razvija takrat, ko je znano, da motor teče brezhibno, ponavadi je to po prvem inštaliranju motorja. Pozneje, to je v teku delovanja, se na podlagi dejanske vhodne napetosti in toka, ki se dovaja motorju,
-4izračunava modelni signal izhodne napetosti in ta se neprestano primerja z izmerjenim signalom izhodne napetosti motorja. Algoritem to primerjavo izrazi v obliki ostanka, ki ga dobi tako, da signala med seboj odšteje.
Diagnostični opazovalec analizira ostanek in ugotovi, ali motor deluje brezhibno ali ne. Pri brezhibnem delovanju je ostanek idealno enak nič, čeprav je moč med delom izbrati določen tolerančni prag, da se kompenzirajo modelirni pogreški in šum oziroma druge motnje, ki lahko povzročijo, da ostanek ni enak nič.
Ko kaka komponenta motorja toliko degradira, da motor deluje izven predvidenega delovnega območja ali pride do dejanske napake, bo vrednost ostanka različna od nič in bo presegala tolerančni prag. Ko računalniška oprema odkrije ostanek, različen od nič, verjetno predstoji napaka, zato se sproži opozorilo, da lahko ustrezno ukrepamo in minimiziramo posledice, ki bi jih nedelujoč motor sicer lahko povzročil. Ob odkritju predstoječe napake diagnostični opazovalec ovrednoti izmerjene spremenljivke motorja, določi odklon od referenčne vrednosti in razvije diagnozo o tem, katera komponenta se najverjetneje kvari ali se je že pokvarila.
V drugi izvedbi pričujočega izuma je podan sistem za odkrivanje in diagnosticiranje mehanskih napak pri elektromotorjih z manj kot eno konjsko močjo. Namesto da bi razvijala obsežno podatkovno zbirko za povezovanje napak z izmerjenimi signali, pričujoča izvedba vsebuje matematični model brezhibnega motorja in meri delovne parametre preizkušanega motorja, ki so neobčutljivi na popačenja okolja, delovna popačenja in popačenja montaže.
Izvedba je še posebno uporabna pri izdelavi elektromotorjev z manj kot eno konjsko močjo, zlasti pri preizkušanjih v okviru kontrole kakovosti. Potem ko je izdelano večje število elektromotorjev, se s pomočjo identifikacijskega algoritma s sistemom enačb z več spremenljivkami in na podlagi celotne razpoložljive serije motorjev razvije osnovni model. Zavedati se je treba, da so v seriji lahko tudi motorji z napakami in da je zato treba model še naknadno izpopolniti tako, da se izbere tolerančni prag in se za vsak motor posebej znova preizkusi njegova skladnost z modelom. Motorje, ki padejo izven praga, se izloči iz serije, na temelju preostalih pa se razvije izpopolnjen osnovni model. Izpopolnjeni osnovni model se shrani v računalniško opremo za preizkušanje za kontrolo kakovosti vseh naknadno izdelanih motorjev.
Če med preizkušanjem za kontrolo kakovosti parametri, kot so induktivnost, upornost motorja, torni koeficient ali vztrajnostni moment motorja padejo izven tolerančnega praga, določenega v osnovnem modelu motorja, se trenutno preizkušanj motor klasificira med motorje z napako. S
-5primerjanjem parametrov trenutno preizkušenega motorja z osnovnim modelom motorja pri različnih tolerančnih pragih je mogoče natančneje klasificirati napako motorja in prikazati diagnostične podatke.
KRATEK OPIS RISB
Slika 1 je shematični prikaz elektromotorja, koristen za izpeljavo ene od prednostnih izvedb pričujočega izuma.
Slika 2 je tloris tipičnega ohišja motorja.
Sliki 3 in 4 prikazujeta tipično vhodno in izhodno valovno obliko za izpeljavo ene od izvedb pričujočega izuma.
Slika 5 je shematični prikaz sistemske konfiguracije ene od prednostnih izvedb pričujočega izuma. Slika 6 prikazuje blokovno shemo sistema za odkrivanje in diagnosticiranje napak v skladu z eno od izvedb pričujočega izuma.
Slike 7A-7B in 8A in 8B prikazujejo računalniške diagrame delovanja sistema za odkrivanje in diagnosticiranje napak po izumu v skladu z izvedbami pričujočega izuma.
NATANČNI OPIS IZUMA
Če si natančneje ogledamo slike, je na sliki 1 prikazan sistem, ki vsebuje elektromotor 10, kot je na primer elektromotor z manj kot eno konjsko močjo. V ilustrativne namene motor 10 vsebuje navitja 12 rotorja, stator 14 in os 16, ki je na obeh koncih vpeta v ležaja 18. Kolut 20 je posrednik med osjo 16 in obremenitvijo (ni prikazana). Kolektor 22 prevaja tok v rotor 12 in iz njega ter v kotvo 24, ki v povezavi s statorjem ustvarja magnetno polje, ki poganja motor. Izvedenec v stroki bo vedel, da ima motor 10 lahko rotor brez komutatorja in brez navitij. Motor 10 je montiran v ohišje 26, ki ga neprodušno zapira proti prahu, vlagi in drugim tujkom. Slika 2 je tloris okrova za motor, natančneje ohišja 26, kjer je zadnji pokrov ohišja pritrjen na okrov s pomočjo vijakov in matic na način, ki je v stroki splošno znan.
Slika 5 prikazuje prednostno izvedbo sistema 30 za nadziranje stanja motorja po izumu. Sistem 30 obsega motor 10, vir napajanja 32, ki je lahko napetost iz omrežja ali napajalnik kot Hewlett Packard 601OA, več zaznaval 34,35 in 38, multifunkcijsko vezje 37 ter računalnik 42. Ko vklopimo napetost, se motor 12 zažene na svojo delovno hitrost, običajno v roku 25 milisekund po vklopu napetosti, pri čemer se os 16 vrti s hitrostjo, ki je odvisna deloma od priključene napetosti in
-6obremenitve. Hitrost motorja 12 zazna tahometrsko zaznavalo 36, nakar jo multifunkcijsko vhodno/izhodno vezje 37 pretvori iz analognega signala v digitalni signal in pošlje dalje računalniku 42. Tahometrsko zaznavalo 36 je lahko enkoder vrtilne hitrosti ali pa je motor 10 lahko že zasnovan tako, da ima tahometer vdelan. Multifunkcijsko vezje je nadalje povezano z napetostnim zaznavalom 34, ki je lahko na primer napetostna delilna sonda 1:100, in s tokovnim zaznavalom 35, za katerega je zaželeno, da ima minimalni odzivni čas 23 nanosekund (primeri sprejemljivih tokovnih zaznaval obsegajo Tektronix 6303, 100-ampersko tokovno sondo za enosmerni/izmenični tok, napajalni modul Tektronix 502a in ojačevalnik za tokovno sondo za enosmerni/izmenični tokTektronix 503b). Tudi signale iz zaznaval 34 in 35 obdela vezje 37 in jih posreduje računalniku 42. Računalnik 42 podatke zaznaval shranjuje v svoj spomin (ni prikazano).
Računalnik 42 implementira model idealnega motorja za odkrivanje in diagnosticiranje napak, ki je prav tako shranjen v spominu. V prednostni izvedbi se model motorja najprej razvije s pomočjo identifikacijskega algoritma s sistemom enačb z več spremenljivkami Experimental Modeling Toolbox (EMT), ki ga je razvil Ahmet Duyar in ga komercializira podjetje Advanced Prognostic Systems, Inc., 4201 North Ocean Boulevard, Suite 206, Boca Raton, Florida 33431. Poskusno modelirno orodje EMT izdela matematično enačbo, ki opisuje dinamična razmerja med vhodnimi in izhodnimi meritvami, dobljenimi s poskusi, ki so zasnovani z namenom, da pokažejo karakteristike sistema v nekem izbranem območju možnih načinov delovanja. Tovrstni podatki vključujejo pasovno širino sistema, optimalno frekvenco in trajanje odčitavanja (optimal scan rate and duration) in dovolj bogat vhodni signal, da vzbuja (exercise) sistem po celotni pasovni širini sistema. Poskusno modeliranje je, kot je v stroki znano, izbiranje takih matematičnih odnosov, ki navidez ustrezajo opaženim vhodnim in izhodnim podatkom. V skladu s tem se med modelirnim postopkom razvijejo enačbe, ki opisujejo obnašanje različnih elementov sistema in njihove vzajemne povezave.
Poskusni model sistema je opisan s sistemom diferencialnih enačb, podanih v matrični obliki. Program EMT določi strukturo sistema, se pravi red sistema, parametre in konstantne koeficiente spremenljivk diferencialnih enačb. V prednostni izvedbi se struktura določi takp, da se iz vhodnih in izhodnih podatkov razvije podatkovna matrika. Strukturo sistema se določi s pregledovanjem ranga matrike vrstico za vrstico. Teoretični koncept pregledovanja ranga vrstico za vrstico je obširneje razložen v članku, objavljenem pod naslovom: State Space Representation of the OpenLoop Dynamics of the Space Shuttle Main Engine, avtorji Ahmet Duyar, Vasfi Eldem, Walter C. Merrill in Ten-Huei Guo, v: Journal of Dynamic Systems, Measurement, and Control, december 1991, vol. 113, str. 684-690. Vsebina tega članka je vključena v pričujoči izum v tem smislu, da se izum sklicuje nanjo.
-7Ko se enkrat določi struktura sistema, je znano tudi Število parametrov, ki jih vsebuje sistem diferencialnih enačb. Izmerjeni podatki se s sistemom diferencialnih enačb, ki vsebujejo neznane koeficiente, uporabijo za to, da se izdela več enačb. Število izdelanih enačb je večje od števila neznanih koeficientov. Da se določijo neznani koeficienti, se uporabi metoda najmanjših kvadratov na način, ki je znan v stroki in opisan v članku, na katerega se zgoraj sklicujemo.
Shema na modelu temelječega sistema za odkrivanje in diagnosticiranje napak po izumu opiše brezhibni motor s serijo enačb, ki so podrobneje opisane v nadaljevanju. Ker napake v motorju 10 spremenijo parametre, se bodo enačbe motorja 10 razlikovale od pričakovanih enačb, kijih izdela model. Shema pričujočega izuma temelji na konceptu analitične redundance, kjer se signali, ki jih izdela model, primerjajo s signali, izmerjenimi na motorju 10, s čimer se določi, ali motor deluje pravilno. Model odpravlja oz. nadomešča potrebo, da bi razvijali predhodna znanja o motorju. Na podlagi primerjave računalnik 42 izdela ostanke in jih analizira, s čimer določi, ali motor deluje brezhibno. Pričujoči izum razvija napovedi o podatkih, ki so ključni za zgodnje diagnosticiranje predstoječih napak elektromotorjev, ki delujejo pod neznanimi obremenitvami.
Kot pojasnjevalni primer vzemimo brezhibni sistem, opisan z naslednjima prostorskima enačbama diskretnega stanja:
x(k+1) = Ax(k) + Bu(k) (1), y(k) = cx(k) (2), kjer x, u in y predstavljajo vektor stanja nx1, vhodni vektor px1 in izhodni vektor qx1, medtem ko k označuje diskretne prirastke časa. A, B in C so znane nominalne matrike (parametri) sistema ustreznih dimenzij. Če kot primer uporabimo elektromotor z manj kot eno konjsko močjo, uporablja poskusni model izmerjeno vhodno napetost, tok in hitrost.
Slika 3 prikazuje graf vhodne napetosti 38, s katero se vklopi motor 10. V prednostni izvedbi je vhodna napetost 38 stopnični vhod in je v poskusnem modelu predstavljena kot vrstični vektor, ki vsebuje izmerjeno napetost. Slika 4 prikazuje s poskusom določena izhodna signala 39 in 40 toka in hitrosti, kjer sta izmerjena izhodna signala toka in hitrosti prikazana z neprekinjeno črto. Dobljeni opis sistema lahko predstavimo z enačbama (3) in (4), kjer ima matrika A v prostorski predstavitvi stanja na primer obliko:
0 | 0 | 0 | 0 | 0 |
0 | 0 | 0 | 0 | 0 |
1.0000 | 0 | 0 | 0 | 0 |
0 | 1.0000 | 0 | 0 | 0 |
0 | 0 | 1.0000 | 0 | 0 |
0 | 0 | 0 | 1.0000 | 0 |
0 | 0 | 0 | 0 | 1.0000 |
0 | 0 | 0 | 0 | 0 |
0 | 0 | 0 | 0 | 0 |
0 | 0 | 0 | 0 | 0 |
matrika B ima obliko: |
0 0 -0.0010 93.3676
0 0 0.0000 0.0020
0 0 -0.1857 -260.2940
0 0 -0.0001 -0.0920
0 0 0.0258 487.7519
0 0 . 0.0001 1.0220
0 0 0.4119 -636.3152
1.0000 0 0 -0.0002 -2.7525
1.0000 0 0.5182 315.4224
0 1.0000 0.0002 2.8204
-2.6188
0.0012
4.3719
0.0092
-3.5824
-0.0259
1.0257
0.0156
1.0915
0.0000, medtem ko ima matrika C, ki povezuje spremenljivko z izhodom, obliko:
0000000010
0000000001
Poleg diskretnih matrik sistema A, B in C modelimi program določi tudi standardni pogrešek ocene (SPO). SPO podaja oceno modelimega pogreška, tako da primerja modelirani izhod z izmerjenim izhodom. SPO modela znaša v gornjem primeru 2.8% za tokovni izhod in 0.67% za hitrostni izhod.
Ko v motorju 10 pride do napake, se parametri in posledično odziv sistema 30 spremenijo. Če parametre in spremenljivke sistema z napako označimo z indeksom f, se enačbe, ki opisujejo sistem z napako, glasijo:
xf(k+1) = Af xf (k) + Bf uf (k) (3)
-9yf (k) = Cf xf (k) (4)
V najbolj preprosti obliki se lahko vektor ostanka r(k) definira kot razlika med izhodom brezhibnega sistema in izhodom sistema z napako:
r(k) = yf(k) - y(k) (5)
V odsotnosti šuma in modelirnih pogreškov je vektor ostanka r(k) enak ničelnemu vektorju v pogojih brezhibnega delovanja. Če je vrednost vektorja ostanka različna od nič, potem obstaja napaka. Ko so prisotni šum in modelirni pogreški, je treba njihov vpliv ločiti od vpliva napak, kar se izvede tako, da se velikosti ostankov primerjajo z izbranimi pragovnimi vrednostmi. Z uporabo opažene porazdelitve ostankov v pogojih brezhibnega delovanja se določijo pragovne vrednosti, tako da se izbere taka raven zanesljivosti (do največ treh standardnih odklonov), pri kateri so minimizirani tako lažni alarmi kot spregled obstoječih napak.
Če si zdaj ogledamo sliko 6, se z identifikacijskim algoritmom z več spremenljivkami EMT razvije osnovni poskusni model 44 motorja 10. Model 44 vključuje parametre diferenčnih enačb, se pravi A, B in C in njihove rede, se pravi n v enačbah (1) in (2). V nasprotju s parametri teoretsko izvedenega modela parametri poskusnega modela ne izražajo fizikalnih pomenov. Drugače povedano, sprememb teh parametrov ni mogoče uporabiti za razumevanje vzročno-posledičnih razmerij. Čeprav se fizikalni pomen parametrov izgubi, pa poskusni model podaja dovolj točen prikaz motorja 10, saj je pridobljen brez uporabe kakih predpostavk. Sistem 30 pa odpravlja potrebo, da bi se opirali na vnaprejšnje znanje o strukturi motorja 10, razen predpostavke, da je motor 10 prvotno brezhiben.
Računalnik 42 dobi modelni izhod tako, da z uporabo algoritma EMT in meritev, dobljenih od napetostnega zaznavala 34, hitrostnega zaznavala 36 in tokovnega zaznavala 35, ovrednoti izhode modela 44. Modelni izhod se nato primerja z izhodom motorja, kot ga prikazuje seštevalnik 46, da se dobi ostanek r(k). Primerjalnik 48 ugotovi, ali je vektor ostanka r(k) enak ničelnemu vektorju, kar pomeni, da motor deluje v brezhibnih pogojih. Če primerjalnik 48 ugotovi, da je vrednost vektorja ostanka r(k) različna od nič, prikaže eno ali več napak. Ker pa so tipično navzoči šum in modelirni pogreški, se vrednost vektorja ostanka r(k) najprej primerja z izbranimi pragovnimi vrednostmi, da se izločijo lažna odčitavanja. Če je vrednost ostanka manjša od praga, je vrednost, različna od nič, verjetno posledica šuma ali modelirnega pogreška in motor 10 se smatra za brezhibnega. Sistem 30 nato sporoči, da je sistem brezhiben, kot kaže okvir 50. Če pa vrednost ostanka preseže prag, se prikaže napaka in sistem 30 se loti analize 52 napake. Na
-10podlagi analize 52 se napaka klasificira in v 54 sporoči uporabniku oz. se obdrži v računalniku 42 za bodočo konzultacijo.
Z uporabo na modelu temelječe diagnostične rutine se lahko tokovni odziv motorja v brezhibnih delovnih pogojih modelira ter kasneje primerja s tokovnim odzivom taistega motorja med delovanjem. V pričujočem izumu računalnik 42 vsebuje opremo za iterativno izvajanje algoritma za odkrivanje napak, ki napoveduje, odkriva in klasificira mehanske napake elektromotorjev. Sistem in metoda pričujočega izuma sta uporabna tako v fazi proizvodnje kot v fazi uporabe elektromotorjev.
Klasificiranje napak se opravi tako, da se ugotovijo spremembe v parametrih motorja 10 in se te spremembe z uporabo fizikalnih parametrov teoretsko dobljenega modela povežejo z napakami motorja. Oglejmo si poenostavljeni teoretski enačbi (6) in (7), ki opisujeta univerzalni motor za enosmerno in izmenično napetost, priključen na enosmerno napetost:
L di/dt + R i = V + k1 w i (6)
J dw/dt + f w = k2 i2 + M (7), kjer so L, R, J in f induktivnost, upornost, vztrajnostni moment in torni koeficient motorja, medtem ko sta k1 in k2 konstanti motorja. V enačbah (6) in (7) sta izhodni spremenljivki tok in hitrost označeni z i in w, medtem ko je vhodna spremenljivka napetost označena z V. Obremenitev je označena z M.
V algoritmu NKM obremenitev M praviloma ni na razpolago in tudi ni zlahka izmerljiva. Zato je treba enačbi (6) in (7) za potrebe diagnostičnega opazovalca pretvoriti v tako obliko, da člen M odpade. V eni od izvedb diagnostični opazovalec enostavno izdela model zgolj na podlagi enačbe (6), ki je neodvisna od obremenitve. V taki izvedbi diagnostični opazovalec sicer prejme delne podatke, a trenje motorja in konstanta k2 nista na razpolago in odstotek prijavljanja neznanih napak je lahko večji. Zato lahko, če so omenjeni podatki potrebni, diagnostični opazovalec vzame odvod enačbe (7), s katerim se člen M odpravi in se privzame konstantna obremenitev. Izvedenec v stroki bo vedel, da obstajajo še drugi možni matematični načini, kako odpraviti člen M: recimo tako, da izrazimo enačbi (6) in (7) v matrični obliki ter obe strani pomnožimo z ustreznimi matričnimi operatorji.
Z obzirom na sliko 1 in 2 lahko običajne mehanske napake izvirajo iz neuravnoteženega rotorja
-1112, neenako pritegnjenih vijakov 28 ali okvarjenih ležajev 18, kolektorja 22 ali koluta 20. Te mehanske napake povzročajo tresljaje in ropot, ko je motor 10 inštaliran in deluje pod obremenitvijo M. Če se spomnimo, da mehanski tresljaji implicirajo fizikalne premike, bodo tresljaji, ki jih povzročijo napake v ležajih, izzvali periodične premike osi 16. Pri elektromotorju pogonsko os žene kotvina konstrukcija.
Mehanske napake bodo povzročile neuravnoteženje rotorja, kar spet povzroči, da postane zračna reža nesimetrična, spremeni pa tudi induktivnost, upornost in konstantne parametre motorja, ki vsi nastopajo v enačbi (6), kajti tok, ki teče skozi motor, je deloma funkcija magnetnega polja v zračni reži med rotorjem in statorjem (oz. vzbujalnimi tuljavami). Periodični premiki pogonske osi vplivajo na simetrijo zračne reže in na magnetno polje v zračni reži, magnetno polje v zračni reži pa vpliva na tok, ki teče skozi motor. Moteči vpliv na magnetno polje v zračni reži je periodičen in njegova frekvenca je znana, obe ti lastnosti pa veljata tudi za vpliv na tok.
V skladu s tem je sprememba nominalne vrednosti parametra induktivnosti L povezana z napako neuravnoteženega rotorja. Opažena sprememba parametra upornosti R se smatra za pokazatelja napake na kolektorju. Napaka v ležajih je navzoča takrat, ko ima sprememba koeficienta induktivnosti oscilacijski značaj in/ali takrat, ko se koeficienta induktivnosti in trenja spreminjata v tandemu.
V tabelah 1 in 2 so prikazani brezhibni parametri, parametri z napako in standardni odkloni brezhibnih parametrov. V tabeli 1 so za dano napetost V in obremenitev M prikazane vrednosti tokovnega in hitrostnega izhoda, kot jih predvideva model 44, skupaj z izbranim parametrom tolerance (trije standardni odkloni) in primerom izmerjenega toka in hitrosti. Kot je razvidno, izmerjena vrednost toka presega predvideno vrednost za več kot tri standardne odklone. Sistem zato prijavi napako.
Izhodi | Standardni pogrešek ocene za osnovni motor | Trije standardni odkloni | Primer: Meritev, ki kaže na napako v motorju |
i | 0.0072 | 0.0008 | 0.0098 |
ω | 0.0197 | 0.0025 | 0.0245 |
TABELA 1
Parametri motoija z napako so obdelani v tabeli 2. Kot se vidi, induktivnost L motorja 10 z napako za več kot en standardni odklon presega ustrezni parameter induktivnosti, kot ga predvideva model 44, medtem ko vsi drugi parametri znašajo manj kot predvidena vrednost plus en standardni odklon. Kot je bilo zgoraj že omenjeno, tovrstna napaka kaže na neuravnotežen rotor,
-12kar sporoči element za klasificiranje napak 54 sistema 30.
Parametri osnovnega motorja | Standardni odkloni od parametrov osnovnega motorja | Primer: Parametri motorja z napako | |
L (induktivnost) di/dt | 0.0434 | 0.0005 | 0.0445 |
R (upornost) i | 1.6269 | 0.1087 | 1.7236 |
f (torni koeficient) ω | 1.1517 | 0.0270 | 1.1632 |
kt (konstanta motorja) i | 377.4760 | 3.3765 | 374.7121 |
TABELA 2
Računalniški diagram na slikah 7A-7B strnjeno prikazuje korake, ki so potrebni za implementacijo sistema 30, ko je model 44 enkrat razvit. Natančneje: računalnik 42 v določenih presledkih naloži model 44 v spomin, korak 62, in na prikazovalnem delu računalnika 42 prikaže sporočilo za uporabnika, korak 64. Ko dobi ukaz, naj začne v vnaprej določenih presledkih ali neprekinjeno nadzirati motor 10, začne sistem 30 zajemati podatke, koraka 66 in 68, od zaznaval 34-38. Zajemanje podatkov se nadaljuje s frekvenco, ki jo lahko določi uporabnik. Računalnik 42 izračunava vrednost ostanka r(k) in jo nato primerja s pričakovanim ostankom, razvitim z modelom 44, korak 72. Če se ostanek nahaja znotraj meja praga, deluje motor brezhibno in se ta podatek prikaže uporabniku na prikazovalniku računalnika 42 v koraku 74. Če pa se ugotovi napaka, se prikaže na prikazovalniku ta podatek, korak 76.
Ko se odkrije napaka, jo je sistem 30 sposoben ovrednotiti in dati uporabniku diagnostične podatke. Opiraje se na napovedni značaj pričujočega izuma, se je možno izogniti dragim nenačrtovanim katastrofalnim okvaram. Kot prikazuje slika 7B, diagnostično opazovalni del modela 44 ovrednoti fizikalne parametre, se pravi tok i in hitrost w motorja 10, v koraku 78 in te parametre primerja z ustreznimi parametri modela 44 (glej tudi tabelo 2). Na podlagi te primerjave je sistem 30 sposoben klasificirati in prikazati mehansko osnovo napake ali degradacije v delovanju motorja, kot prikazuje korak 82. Model 44 nadomešča potrebo po razvijanju vnaprejšnjih znanj o motorju.
Algoritem, ki ga izvaja računalnik 42, je na slikah 7A in 7B označen kot Nadzornik stanja motorja (NSM). Osnovni koncept pri nadziranju stanja motorja je bodisi prekinjano bodisi neprekinjeno opazovati spreminjanje parametrov v razmerju do taistih parametrov, ugotovljenih takrat, ko je
-13znano, da motor deluje zadovoljivo: na primer ob prvem vklopu motorja, ko se ve, da ta dela brezhibno. Med kasnejšim delovanjem motorja se opazuje odklon izhodov od referenčnih izhodov. Ta odklon se nato primerja s prej določenimi pragovnimi vrednostmi. Če odklon presega pragovno vrednost, je odkrita napaka. Napaka se klasificira tako, da se ovrednotijo parametri diagnostičnega modela in se ti primerjajo z njihovo začetno vrednostjo, pri Čemer se uporabijo ustrezne pragovne vrednosti za te parametre.
Pri proizvodnji elektromotorjev je možno razviti model, ki ne pokriva zgolj parametrov, pridobljenih iz enega samega primerka motorja, kot je opisano zgoraj pri opisu sistema in metode NSM, ampak pokriva določeno območje variacije proizvodnega postopka. Ta koncept se uporablja pri razvijanju metod za odkrivanje in diagnosticiranje mehanskih napak na elektromotorjih kot del preizkuševalne procedure v proizvodnem postopku, še posebno pri koraku, ki je znan kot postopek za zagotavljanje kakovosti in ga večina izdelovalcev izvaja, tik preden se motor odpremi. Za uporabo pri zagotavljanju kakovosti je v nadaljevanju predstavljena metoda in algoritem, ki uporablja to metodo pričujočega izuma in nosi naziv Nadzornik kakovosti motorja (NKM).
Osnovne funkcije algoritma NKM so, da: preizkusi elektromotor, prikaže rezultate preizkusa, nadzira poskusno preizkušanje (se pravi, razvije osnovni model, kot bo podrobneje opisano v nadaljevanju) in za arhivske potrebe shrani izmerjene in digitalizirane podatke v spomin.
Ker ni zanesljive metode ali meritve za identifikacijo brezhibnih motorjev, se najprej razvije metoda, s katero se izdela model tipičnih brezhibnih motorjev (»osnovni model«).
Podrobnejša razlaga metode NKM je prikazana na slikah 8A-8F. Metoda NKM obsega dve osnovni funkciji: (1) razvitje modela osnovnega motorja in (2) stalno preizkušanje za zagotavljanje kakovosti elektromotorjev z manj kot eno konjsko močjo. Uporabnik lahko med tema dvema funkcijama izbira iz menija, ki se prikaže na prikazovalni enoti računalnika 42. V prednostni izvedbi se najprej vnesejo »uporabniško definirani« parametri, denimo pragovne meje in število motorjev, ki bodo preizkušanj, nakar uporabnik izbere eno od naslednjih treh opcij: »Razvijanje modela osnovnega motorja«, »Izbira modela osnovnega motorja« ali »Preizkus za zagotavljanje kakovosti«.
Če osnovni motor ni na razpolago, korak 90, bo treba najprej izbrati opcijo »Razvijanje modela osnovnega motorja«, korak 92, kjer mora uporabnik vnesti podatke, prikazane v tabeli 3, če se ti razlikujejo od privzetih vrednosti, korak 94.
PODATKI, KI JIH VNESE UPORABNIK | OPIS PODATKOV | PRIVZETA VREDNOST IN/ALI OPCIJE |
Vnesite frekvenco odčitavanja | Frekvenca vzorčenja zajemanja podatkov | 500 Hz do 24 kHz Prvotno nastavljena na 24 kHz |
Vnesite čas odčitavanja | Trajanje zajemanja podatkov | .0.4sdo1.0s |
Vnesite datoteko s podatki (pot/ime) | Pot in ime datotek, v katerih se hranijo podatki preizkušanja | c:\lme datoteke |
Vnesite tolerančni množitelj | Pretvornik: z njim se množijo standardni odkloni, da se dobi pragovna spremenljivka | tipično=3x |
Vnesite ime osnovnega motorja | Določa tip motorja, ki bo modeliran | Univerzalni motor |
TABELA 3
Ko je NKM inštaliran prvič, je treba obvezno izbrati opcijo »Razvijanje modela osnovnega motorja«. Uporabnik ima na izbiro, da razvije osnovne motorje za različne tipe elektromotorjev ali celo za isti tip elektromotorja, a z različnimi tolerančnimi množitelji. Izdelajo se model motorja, njegovi parametri in njihovi standardni odkloni, nato pa se vse to shrani v navedeno datoteko.
Osnovni motor se razvije iz skupine motorjev, za katero se ve, da vsebuje predvsem brezhibne motorje, korak 96. V eni izmed prednostnih izvedb pričujočega izuma se podatki, dobljeni od skupine elektromotorjev, uporabijo za razvoj modela osnovnega motorja. Izvedenec v stroki bo vedel, da taka skupina motorjev lahko vsebuje brezhibne motorje, spričo inherentnih pomanjkljivosti proizvodnega in preizkusnega postopka pa tudi nekaj motorjev z napakami.
Z računalniškim programom EMT se razvije poskusni model izbranega tipa motorja, ki predstavlja karakteristike izbranega tipa motorja, koraki 98-100. V koraku 102 se ovrednotijo očitni modelirni in pragovni pogreški modela, koraki 102-104.
Z uporabo modela osnovnega motorja, razvitega na podlagi skupine, se nato vsak motor iz skupine preizkusi v odnosu do poskusnega modela osnovnega motorja z uporabo tolerančnih vrednosti, dobljenih iz načrtovanega standardnega odklona standardnega pogreška ocene, korak 106. Če izhodi katerega izmed motorjev v skupini odstopajo od izhodov poskusnega modela za več, kot dopuščajo ustrezne tolerančne vrednosti, se motor izloči iz skupine, datoteke s podatki
-15pa se prečistijo, tako da se iz njih odstranijo napačni podatki, koraki 108-112. Sledi nadaljnje izpopolnjevanje modela osnovnega motorja s pomočjo preizkusnih podatkov preostale podskupine motorjev. Potem ko se izločijo vsi motorji, katerih odkloni presegajo tolerančne vrednosti, določene s poskusnim modelom, je možno poskusni model še bolj izpopolniti s tem, da se za skupino ovrednotijo modelirni pogreški ter srednji in standardni odkloni, korak 114, dokler skupina ne vsebuje samo tistih motorjev, katerih izhodi se nahajajo znotraj tolerančnih faktorjev, izbranih za poskusni model. Po ponavljanju tega iterativnega postopka bo poskusni model predstavljal karakteristike brezhibnih motorjev, izdelanih po danih specifikacijah. Poskusni model se kot model osnovnega motorja shrani v bazo podatkov, ki se hrani v spominu računalnika 42 za kasnejšo konzultacijo, korak 116.
Če model osnovnega motorja že obstaja, se lahko gornji postopek obide, tako da se model osnovnega motorja zgolj naloži v delovni spomin računalnika 42, nakar lahko uporabnik izbere opcijo »Izbira modela osnovnega motorja« in nato začne izvajati »Preizkus za zagotavljanje kakovosti«. Uporabnik se lahko sreča z različnimi opcijami. Na primer, model osnovnega motorja lahko odgovarja univerzalnemu indukcijskemu motorju s statorskimi navitji (universal, shaded pole induction motor), sinhronskemu motorju ali kateremu koli drugemu elektromotorju z manj kot eno konjsko močjo. Kot prikazuje slika 8A, se model osnovnega motorja, ki ustreza trenutno preizkušanim motorjem, naloži v spomin računalnika, če se izbere opcija »Izbira modela osnovnega motorja«, če pa se izbere opcija »Preizkus za zagotavljanje kakovosti«, se začne preizkušanje za privzeti tip motorja, korak 120. Na tej točki lahko uporabnik vnese popravke za tolerančne množitelje za odkrivanje in klasificiranje napak, koraka 122 in 124. Algoritem NKM nato izračuna ustrezne pragove za odkrivanje in klasificiranje napak, koraki 126-128.
Slika 8B prikazuje meritveni del algoritma NKM, kjer se izmerjene vrednosti izhodov motorja primerjajo z izhodi, dobljenimi iz modela osnovnega motorja z uporabo izbranih pragovnih vrednosti med preizkušanjem elektromotorjev v proizvodnem postopku za potrebe zagotavljanja kakovosti. Pragovne vrednosti se določijo tako, da se tolerančne vrednosti, uporabljene pri razvijanju poskusnega osnovnega motorja, pomnožijo s tolerančnim množiteljem. Algoritem NKM dopušča možnost, da množitelje določi inženir za zagotavljanje kakovosti, ki bo pri tem vzel v obzir sprejemljiva odstopanja izhodov motorjev, ki so posledica normalnih odstopanj v proizvodnem postopku. Če odkloni prekoračijo vnaprej izbrane pragovne vrednosti, se trenutno preizkušanj motor označi kot motor z napako.
Ko je model osnovnega motorja izbran, uporabnik vnese konkretne parametre, potrebne za izvajanje »Preizkusa za zagotavljanje kakovosti« v korakih 130-134, kot je strnjeno prikazano v
-16tabeli 4.
PODATKI, KI JIH VNESE UPORABNIK | OPIS PODATKOV | PRIVZETA VREDNOST IN/ALI OPCIJE |
Vnesite frekvenco odčitavanja | Frekvenca vzorčenja zajemanja podatkov | 500 Hz |
Vnesite čas odčitavanja | Trajanje zajemanja podatkov | 0.5 s |
Vnesite tolerančni množitelj za odkrivanje napak | Pretvornik: z njim se množijo standardni odkloni, da se dobi pragovna spremenljivka za mejo napak | 3x |
Vnesite tolerančni množitelj za klasificiranje napak | Pretvornik: z njim se množijo standardni odkloni, da se dobi pragovna spremenljivka za klasificiranje napak | 1x |
TABELA 4
Med izvajanjem »Preizkusa za zagotavljanje kakovosti« algoritem izračuna mejo odkrivanja in klasificiranja napak v skladu z izbranim tipom motorja in ustreznimi tolerančnimi množitelji. Algoritem sproži zajemanje podatkov, s katerim zajema sočasne signale napetosti, hitrosti in toka trenutno preizkušanega motorja, korak 134. Ti signali se digitalizirajo s prej vnesenimi vrednostmi frekvence in časa odčitavanja, koraki 130-132. Digitalizirani signali se shranijo v spomin, korak 136, nakar se s pomočjo softverskega filtra butterworth ali kakega drugega tržnega filtrskega izdelka preprocesirajo, da se odstrani šum, korak 140.
Sočasne napetostne, hitrostne in tokovne signale uporabi model osnovnega motorja za to, da izdela predstavni model stanja motorja v trenutnih pogojih, koraka 142 in 144. Kot je prikazano v koraku 146, se ostanek ocene modela osnovnega motorja in dejanski ostanek trenutno preizkušanega motorja izračunata in primerjata v koraku 148. Odkloni izračunanih ostankov se nato primerjajo s pragovnimi vrednostmi odkrivanja napak. Če se odkloni izhodov trenutno preizkušanega motorja nahajajo znotraj tolerančnih meja, se motor identificira kot brezhiben motor in se prikaže oziroma posname ustrezno sporočilo, korak 150.
Če se motor identificira kot motor z napako, se prikaže ustrezno sporočilo, korak 152, in opravi
-17klasificiranje napake, kot je prikazano v koraku 154, s pomočjo diagnostičnega modela na podoben način, kot je opisano zgoraj. Skratka, teoretsko izpeljani enačbi (6) in (7), ki opisujeta elektromotorje, se uporabita kot diagnostični model. Fizikalni parametri diagnostičnega modela se določijo eksperimentalno, iz podatkov, dobljenih iz zgoraj omenjene skupine motorjev. Fizikalni parametri diagnostičnega modela in odgovarjajoči standardni odkloni se shranijo v spomin računalnika 42.
Ko se odkrije napaka motorja, se fizikalni parametri motorja z napako ovrednotijo z algoritmom NKM in primerjajo z ustreznimi parametri modela osnovnega motorja, koraki 156-162. Rezultat primerjave se uporabi za klasificiranje napake motorja in za prikaz diagnostičnih podatkov.
Če se odkloni ostankov nahajajo izven pragovnih vrednosti, se stanje motorja klasificira s stavkom: »ODKRITA JE NAPAKA« ali podobno, ki se prikaže na sporočevalnem delu prikazovalne enote računalnika 42. Po identifikaciji se ovrednotijo fizikalni parametri motorja z napako. Ti parametri se na podlagi pragovnih vrednosti za klasificiranje napak (glej tabelo 4) primerjajo s fizikalnimi parametri modela osnovnega motorja. Za univerzalni elektromotor so fizikalni parametri induktivnost, upornost in torni koeficient in motorne konstante, kot je podano v enačbah (5) in (6). Vsak izmed parametrov motorja z napako se primerja z zgoraj omenjenimi pragovnimi vrednostmi za klasificiranje napak. Reprezentativen vzorec takega možnega drevesa odločitev za klasificiranje napak je prikazan v korakih 164-170. Če na primer induktivnostni parameter motorja z napako presega induktivnostno pragovno vrednost za klasificiranje napak, se odločitev prikaže kot »PREVERITE URAVNOTEŽENJE«.
Če upornostni parameter motorja z napako presega upornostno pragovno vrednost za klasificiranje napak, se odločitev prikaže kot »PREVERITE KOLEKTOR«.
Če tako torni kot induktivnostni parameter motorja z napako presegata pragovni vrednosti za klasificiranje napak, se odločitev prikaže kot »PREVERITE LEŽAJ«.
Če je istočasno presežena več kot ena pragovna vrednost, se prikažejo vse ustrezne odločitve.
Če so velikosti vseh parametrov manjše od ustreznih pragovnih vrednosti, se odločitev prikaže kot »NEKLASIFICIRANO« na sporočevalnem delu prikazovalnika. To se lahko pripeti zaradi kumulativnega učinka sprememb v posameznih parametrih na izhode motorja. V takem primeru ima lahko model večje število sicer manjših napak, katerih skupni učinek pa je vendarle tolikšen, da izhodi modela prekoračijo pragovne vrednosti. Ker pa pragovno vrednost izbira uporabnik, je
-18možno zožiti tolerančne vrednosti posameznih parametrov, tako da se lahko odkrijejo tudi tovrstne mejne napake.
Metoda NKM se še posebno obnese v servisnih delavnicah za elektromotorje, in sicer za diagnosticiranje napak in preventivno vzdrževanje. Za tovrstno rabo se v računalnik 42 shranijo modeli osnovnega motorja za več motorjev različnih velikosti in različnih izdelovalcev. Ob prevzemu okvarjenega motorja serviser izbere model osnovnega motorja trenutno preizkušanega motorja in opravi odkrivanje in diagnosticiranje napak.
Ta metoda in naprava sta primerni tudi za potrebe nadziranja stanja in napovednega vzdrževanja.
V tej (tretji) izvedbi nastopa algoritem NKM, ki nadomešča algoritem NSM za potrebe bodisi prekinjanega bodisi neprekinjenega nadziranja stanja.
V nadaljnji izvedbi izuma se algoritma NKM in NSM uporabljata neposredno z že obstoječim sistemom za zagotavljanje kakovosti oziroma sistemom za nadziranje stanja, kjer je že od prej omogočeno zajemanje podatkov, t.j. merjenje napetosti, hitrosti in toka.
Na koncu kaže omeniti še to, da sta si algoritma NSM in NKM zelo podobna, vendar se med seboj razlikujeta v dveh vidikih. Prvič, v algoritmu NSM sistem ne razvije modela osnovnega motorja. To pa zaradi same narave nadziranja stanja, pri katerem se sistem ukvarja samo z nadziranjem posameznega motorja. Iz tega razloga metoda NSM prednostno uporablja prilagojeni model trenutno nadziranega motorja. Prilagojeni model se razvije takrat, ko je znano, da motor teče v brezhibnih pogojih. V nasprotju s tem pa NKM razvije osnovni model, ki zajema variacije, običajno povezane z večjo serijo motorjev. V skladu s tem je možno, da se mejno delujoči motor izogne preizkusnim pragom, postavljenim v modelu NKM, zelo malo pa je verjetno, da bo degradacija ostala dlje časa neopažena tudi v modelu NSM, saj je model NSM specifičen za konkretni motor.
Druga razlika med algoritmoma je ta, da je NSM nujno omejen z delovnimi zahtevami. Vhodni signal, doveden motorju, je na primer odvisen od zahtev, ki jih postavlja sama raba motorja. Opazimo lahko, da vhod, doveden modelu 44, ne more biti tako »bogat« z vhodnim signalom, kot bi lahko bil med preizkušanjem NKM. Poleg tega pri preizkušanju NSM dejanska obremenitev motorja ni znana in se lahko spremeni v času, v katerem se opravijo meritve z zaznavali 34-38.
V teh pogojih se modelira samo tisti del modela, na katerega obremenitev ne vpliva. Za modeliranje tokovnega signala z uporabo izmerjenih vhodnih signalov napetosti in hitrosti se bo na primer uporabila samo enačba (6), da se pride do rezultatov z diagnostičnim opazovalcem. V alternativnih izvedbah se lahko iz enačbe odpravi neznana obremenitev z uporabo ustreznih
-19prijemov, kot je denimo ta, da se v primeru konstantne obremenitve vzame odvod enačbe (7). V takih izvedbah se lahko s kombiniranjem enačbe (6) in odvoda enačbe (7) izboljšajo rezultati, dobljeni z diagnostičnim opazovalcem.
Tukaj so kot primer sicer opisane in na spremnih risbah prikazane določene prednostne izvedbe, vendar je treba upoštevati, da te izvedbe zgolj ilustrirajo in nikakor ne omejujejo osnove izuma kot takega.
Nadalje je treba upoštevati to, da se pričujočega izuma ne sme omejevati samo na prikazane in opisane specifične konstrukcije in zasnove, saj bi povprečen izvedenec v stroki zlahka dognal različne spremembe in izpopolnitve, ne da bi se s tem oddaljil od duha in smisla izuma in njegovih zahtevkov.
Claims (28)
1. Sistem za odkrivanje napak za nadziranje delovnega stanja motorja, ki deluje pod neznano obremenitvijo, ki obsega:
na navedeni motor priključena zaznavala za merjenje izbranih delovnih parametrov; in na navedena zaznavala priključeno računalniško opremo, s katero se določi idealni ostanek nič, ko navedeni motor deluje v brezhibnih pogojih, s katero se nadalje izbira nivo tolerančnega praga, različen od nič, pri čemer je navedeni idealni ostanek dobljen z množenjem navedenih izbranih delovnih parametrov, pomnoženih z invariantami, in seštevanjem tako dobljenih produktov, ter s katero se določa več ostankov navedenega motorja med delovanjem; pri čemer ima navedena računalniška oprema spomin in prikazovalno napravo, tako da v omenjenem spominu primerja vsakega izmed navedenih več ostankov z omenjenim idealnim ostankom, na omenjeni prikazovalni napravi pa prikazuje sporočilo, ki kaže, da omenjeni motor deluje v brezhibnih pogojih, kadar omenjenih več ostankov ne dosega tolerančnega praga, oziroma da omenjenemu motorju predstoji napaka, kadar vsaj eden izmed omenjenih več ostankov presega tolerančni prag.
2. Sistem po zahtevku 1, označen s tem, da navedeni delovni parametri obsegajo dovedeno napetost, izhodni tok in hitrost navedenega motorja, pri čemer se navedeni delovni parametri merijo z analognimi zaznavali.
3. Sistem po zahtevku 2, označen s tem, da se navedeni delovni parametri merijo z analognimi zaznavali.
4. Sistem po zahtevku 3, označen s tem, da navedeni sistem nadalje obsega še opremo za zajemanje podatkov, ki povezuje navedena zaznavala z navedeno računalniško opremo in pretvarja navedene analogne signale v digitalne ponazoritve navedenih analognih signalov.
5. Sistem po zahtevku 2, označen s tem, da je navedeni motor elektromotor.
6. Sistem po zahtevku 2, označen s tem, da je navedeni motor elektromotor z manj kot eno konjsko močjo.
7. Metoda za nadziranje delovanja elektromotorja, katere namen je odkrivati mehanske
-21napake, ki bi utegnile povzročiti okvaro navedenega motorja, preden katastrofalna okvara navedenega motorja dejansko nastopi, in ki obsega naslednje korake:
razvijanje modela navedenega motorja na računalniku, ki je prek več zaznaval povezan z navedenim motorjem;
merjenje več delovnih signalov navedenega motorja z navedenimi zaznavali;
uporabo navedenih več izmerjenih delovnih signalov za to, da se reši linearna časovna enačba diskretnega stanja;
primerjanje rešitve navedene enačbe stanja z rešitvijo, ki jo podaja navedeni model, tako da se izračuna ostanek;
določanje na podlagi navedenega koraka primerjanja, ali navedeni motor deluje brez odkrite napake;
prirejanje navedene spremembe mehanski napaki v primeru, če navedeni motor deluje z odkrito napako, in sporočanje obstoja navedene napake, da se prepreči nepredvidena okvara motorja; in ponavljanje navedenih korakov, z izjemo navedenega koraka razvijanja modela, v izbranih presledkih med delovanjem navedenega motorja.
8. Metoda po zahtevku 7, označena s tem, da navedeni korak merjenja več delovnih signalov obsega merjenje tokovnega izhoda navedenega motorja, napetosti, ki je dovedena motorju, in hitrosti motorja v izbranem časovnem presledku.
9. Metoda po zahtevku 7, označena s tem, da je navedeni motor elektromotor z manj kot eno konjsko močjo.
10. Metoda po zahtevku 8, označena s tem, da navedeni korak razvijanja modela navedenega motorja obsega pridobivanje invariant motorja za induktivnost in upornost navedenega motorja in kombiniranje navedenih invariant z izmerjenimi signali v skladu z naslednjo enačbo:
L di/dt + R i = V + k1 w i
-22kjerjekl konstanta motorja.
11. Metoda po zahtevku 8, označena s tem, da navedeni korak prirejanja in sporočanja obstoja navedene mehanske napake navedenega motorja nadalje obsega še naslednje korake:
prijavljanje neuravnoteženega rotorja, če se spremeni navedeni delovni parameter L di/dt;
prijavljanje napake kolektorja, če se spremeni navedeni parameter R i;
prijavljanje napake ležaja, če navedeni parameter L di/dt oscilira ter prijavljanje napake ležaja, če se spreminjata oba navedena parametra L di/dt in f w.
12. Metoda po zahtevku 8, označena s tem, da je navedeni presledek prednostno med 400 milisekund in 1000 milisekund.
13. Metoda po zahtevku 12, označena s tem, da se navedeni delovni parametri vzorčijo s frekvenco vzorčenja med 500 Hz in 24 kHz.
14. Metoda za nadziranje in odkrivanje napak elektromotorja, ki obsega:
merjenje napetosti, toka in hitrosti navedenega elektromotorja z več zaznavali, ko navedeni motor deluje brezhibno;
množenje izmerjene napetosti, toka in hitrosti navedenega elektromotorja s konstantnimi invariantami;
izračunavanje in hranjenje rezultata prostorskih enačb diskretnega stanja:
x(k+1) = A x(k) + B u(k) y(k) = Cx(k) ponavljanje korakov merjenja in množenja;
-23izračunavanje rezultata prostorskih enačb diskretnega stanja:
xf(k+1) = Af xf(k) + Bf uf(k) yf(k) = Cfx(k) primerjanje razlik med y(k) in yf(k) ter ponavljanje navedenega zaporedja korakov ponavljanja, izračunavanja in primerjanja, dokler razlika ne preseže izbranega praga.
15. Metoda po zahtevku 14, označena s tem, da, če iz navedenega zaporedja korakov dobljena razlika preseže navedeni izbrani prag, nadalje obsega še naslednje korake:
izbiranje pragovne vrednosti za parametre induktivnosti, upornosti motorja, vztrajnosti motorja in konstante motorja ter primerjanje vsakega produkta L di/dt, R i, J dw/dt, f w, k1 w i ter i2 k2 z ustrezno od navedenih izbranih pragovnih vrednosti.
16. Metoda po zahtevku 15, označena s tem, da nadalje obsega še korak prikazovanja rezultatov navedenih korakov primerjanja.
17. Metoda za pregledovanje kakovosti izdelave skupine motorjev in za odkrivanje mehanskih napak, ki bi utegnile povzročiti okvaro elektromotorjev, ki obsega naslednje korake:
izbiranje skupine motorjev, ki vsebuje motorje, ki delujejo brezhibno, in motorje, ki delujejo z eno ali več neznanimi napakami;
merjenje več delovnih signalov navedenih motorjev in uporabo navedenih izmerjenih delovnih signalov za to, da se rešita linearni prostorski enačbi stanja;
x(k+1) = A x(k) + B u(k) y(k) = Cx(k)
-24razvijanje poskusnega modela navedenih motorjev na računalniški opremi, pri čemer tolerančni prag navedenega modela temelji na dveh standardnih odklonih okoli sredine skupinskega modela;
preizkušanje vsakega modela iz navedene skupine tako, da se ponovno izmeri navedenih več delovnih signalov in se navedeni motor izloči iz navedene skupine motorjev, če enačba navedenega trenutno preizkušanega motorja presega pragovno mejo;
ponavljanje navedenih korakov merjenja, razvijanja in preizkušanja, dokler niso vsi motorji navedene skupine znotraj pragovnih meja;
izpopolnjevanje navedenega poskusnega modela navedenih motorjev na podlagi motorjev, ki so ostali v skupini, ter hranjenje navedenega poskusnega modela v navedeni računalniški opremi.
18. Metoda po zahtevku 17, označena s tem, da navedeni korak preizkušanja obsega korake:
merjenja napetosti, toka in hitrosti navedenih motorjev z več zaznavali;
množenja izmerjene napetosti, toka in hitrosti navedenih elektromotorjev z izbranimi invariantami;
izračunavanja rezultata prostorskih enačb diskretnega stanja:
xf(k+1) = Af xf(k) + Bf uf(k) yf (k) = Cf x(k) primerjanja razlik med y(k) in yf(k).
19. Metoda po zahtevku 17, označena s tem, da se več motorjev, različnih od navedene skupine motorjev, preizkusi v odnosu do navedenega poskusnega modela, in označena s tem, da nadalje obsega še naslednje korake:
-25merjenje navedene napetosti, toka in hitrosti za vsak motor od navedenih več motorjev;
uporabo navedenih izmerjenih več delovnih signalov za to, da se reši navedena prostorska enačba diskretnega stanja;
primerjanje rešitve navedene enačbe stanja z rešitvijo, ki jo podaja navedeni poskusni model, tako da se izračuna ostanek;
določanje na podlagi navedenega koraka primerjanja, ali navedeni motor deluje brez odkrite napake.
20. Metoda po zahtevku 19, ki nadalje obsega še naslednje korake:
prirejanje navedene spremembe mehanski napaki v primeru, če navedeni motor deluje z odkrito napako, in sporočanje obstoja navedene napake, da se prepreči nepredvidena okvara motorja.
21. Metoda po zahtevku 20, označena s tem, da navedeni korak prirejanja obsega:
ovrednotenje naslednjih enačb:
L di/dt + R i = V + k1 w i J dw/dt + f w = k2 i2 + M kjer sta k1 in k2 konstanti motorja.
22. Na modelu temelječ sistem za odkrivanje in diagnosticiranje napak, namenjen odkrivanju napak v skupini motorjev in razvijanju diagnostičnih podatkov za odpravljanje navedenih napak, ki obsega:
opremo za izdelavo sistemskega modela, ki predstavlja sredino brezhibnih motorjev v skladu z naslednjima enačbama:
x(k+1) = A x(k) + B u(k) in
-26y(k) = Cx(k) kjer A, B in C predstavljajo parametre navedenega sistemskega modela, ter opremo za odkrivanje sistemskih napak z merjenjem parametrov navedenih motorjev in primerjanjem teh z navedenim sistemskim modelom.
23. Sistem po zahtevku 22, označen s tem, da navedena oprema za odkrivanje obsega računalniško opremo s spominom in prikazovalno napravo, označeno s tem, da navedeni računalnik v navedenem spominu primerja navedene enačbe, ki predstavljajo vsakega od navedenih motoijev, z enačbami, ki predstavljajo navedeni sistemski model, na navedeni prikazovalni napravi pa prikaže sporočilo, ki kaže, da vsi navedeni motorji delujejo v brezhibnih pogojih, kadar razlika med navedenimi enačbami, ki predstavljajo vsakega od navedenih motorjev, in enačbami, ki predstavljajo navedeni sistemski model, ne dosega tolerančnega praga, oziroma da vsem navedenim motorjem predstoji napaka, kadar razlika med navedenimi enačbami, ki predstavljajo vsakega od navedenih motorjev, in enačbami, ki predstavljajo navedeni sistemski model, presega tolerančni prag.
24. Sistem po zahtevku 22, označen s tem, da so navedeni motorji elektromotorji z manj kot eno konjsko močjo.
25. Metoda za preizkušanje več motorjev istega tipa, kjer se navedenih več motorjev nahaja v neznanem delovnem stanju, ki obsega korake:
merjenje napetosti, toka in hitrosti navedenih motorjev;
množenje izmerjene napetosti, toka in hitrosti navedenih elektromotorjev z izbranimi invariantami;
izračunavanje in hranjenje rezultata prostorskih enačb diskretnega stanja:
x(k+1) = A x(k) + B u(k) y(k) = Cx(k) ponavljanje korakov merjenja in množenja;
-27izračunavanje rezultata prostorskih enačb diskretnega stanja:
xf (k+1) = Af xf (k) + Bf uf (k) yf (k) = Cf x(k) primerjanje razlik med y(k) in yf(k) ter ponavljanje navedenega zaporedja korakov ponavljanja, izračunavanja in primerjanja, dokler razlika ne preseže izbranega praga.
26. Metoda po zahtevku 25, označena s tem, da, če iz navedenega zaporedja korakov dobljena razlika preseže navedeni izbrani prag, nadalje obsega še naslednje korake:
izbiranje pragovne vrednosti za parametre induktivnosti, upornosti motorja, vztrajnosti motorja in konstante motorja ter primerjanje vsakega člena naslednjih enačb
L di/dt + R i = V + k1 w i J dw/dt + f w = k2 i2 + M z ustrezno od navedenih izbranih pragovnih vrednosti.
27. Metoda po zahtevku 26, označena s tem, da nadalje obsega še prikazovanje rezultatov navedenih korakov primerjanja.
28. Metoda po zahtevku 26, označena s tem, da navedeni korak primerjanja nadalje obsega še naslednje korake:
prijavljanje neuravnoteženega rotorja, če se spremeni navedeni delovni parameter L di/dt;
prijavljanje napake kolektorja, če se spremeni navedeni parameter R i;
-28prijavljanje napake ležaja, če navedeni parameter L di/dt oscilira ter prijavljanje napake ležaja, če se spreminjata oba navedena parametra
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TR96/00527A TR199600527A2 (xx) | 1996-06-24 | 1996-06-24 | Elektrik motorlar� i�in model bazl� hata tespit ve te�his sistemi. |
PCT/TR1997/000008 WO1997049977A1 (en) | 1996-06-24 | 1997-06-20 | Model-based fault detection system for electric motors |
Publications (1)
Publication Number | Publication Date |
---|---|
SI9720042A true SI9720042A (sl) | 1999-12-31 |
Family
ID=21620853
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
SI9720042A SI9720042A (sl) | 1996-06-24 | 1997-06-20 | Na modelu temelječi sistem za odkrivanje napak na elektromotorjih |
Country Status (17)
Country | Link |
---|---|
EP (1) | EP0909380B1 (sl) |
JP (1) | JP2000513097A (sl) |
CN (1) | CN1143126C (sl) |
AT (1) | ATE289681T1 (sl) |
AU (1) | AU3201797A (sl) |
BR (1) | BR9710152A (sl) |
CA (2) | CA2356538C (sl) |
CZ (1) | CZ295659B6 (sl) |
DE (1) | DE69732569T2 (sl) |
HU (1) | HU223725B1 (sl) |
IL (1) | IL127686A (sl) |
PL (1) | PL331205A1 (sl) |
RU (1) | RU2155328C1 (sl) |
SI (1) | SI9720042A (sl) |
SK (1) | SK179098A3 (sl) |
TR (2) | TR199600527A2 (sl) |
WO (1) | WO1997049977A1 (sl) |
Families Citing this family (67)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
ES2127153B1 (es) * | 1997-07-29 | 1999-12-01 | Univ Oviedo | Metodo para la proteccion y deteccion de fallos incipientes en el aislamiento de motores electricos mediante automatas programables. |
US6529135B1 (en) * | 1999-10-12 | 2003-03-04 | Csi Technology, Inc. | Integrated electric motor monitor |
DE60141586D1 (de) | 2000-08-07 | 2010-04-29 | Mitsui Chemicals Inc | Verfahren zur fertigungssteuerung |
US7031950B2 (en) * | 2000-12-14 | 2006-04-18 | Siemens Corporate Research, Inc. | Method and apparatus for providing a virtual age estimation for remaining lifetime prediction of a system using neural networks |
EP1724717A3 (en) * | 2001-03-08 | 2009-07-22 | California Institute Of Technology | Real-time spatio-temporal coherence estimation for autonomous mode identification and invariance tracking |
EP1379980A4 (en) * | 2001-03-08 | 2006-10-18 | California Inst Of Techn | EXCEPTIONAL ANALYSIS FOR MULTIMISSIONS |
EP1752898A3 (en) * | 2001-03-08 | 2009-07-22 | California Institute Of Technology | Exception analysis for multimissions |
US6892127B2 (en) * | 2003-02-28 | 2005-05-10 | General Electric Company | Methods and apparatus for assessing gas turbine engine damage |
DE102006025010A1 (de) † | 2006-05-26 | 2007-11-29 | Khs Ag | Stellantrieb |
US8676356B2 (en) * | 2009-01-09 | 2014-03-18 | Eaton Corporation | System and method for motor parameter estimation |
DE102009054959B4 (de) * | 2009-12-18 | 2022-08-25 | Robert Bosch Gmbh | Verfahren zur Fehlererkennung in einem Steuergerät |
KR20120049672A (ko) * | 2010-11-09 | 2012-05-17 | 현대자동차주식회사 | 정기적 차량 관리 시스템 및 그 방법 |
CN102680233A (zh) * | 2011-03-17 | 2012-09-19 | 北汽福田汽车股份有限公司 | 电动机故障诊断设备及方法 |
RU2479096C2 (ru) * | 2011-04-18 | 2013-04-10 | Государственное образовательное учреждение высшего профессионального образования "Южно-Российский государственный технический университет (Новочеркасский политехнический институт)" | Способ диагностирования электрических и механических повреждений асинхронного двигателя с короткозамкнутым ротором |
KR101218441B1 (ko) * | 2011-05-04 | 2013-01-04 | 한양대학교 산학협력단 | 매입형 영구자석 동기 모터 제어 시스템 및 그의 센서 고장 검출 방법 |
JP5644666B2 (ja) * | 2011-05-17 | 2014-12-24 | 東芝三菱電機産業システム株式会社 | 電動機の予防保全装置 |
EP2538376B1 (fr) * | 2011-06-20 | 2019-06-12 | Safran Helicopter Engines | Système de prescription de maintenance d'un moteur d'hélicoptère |
US9845012B2 (en) * | 2011-07-06 | 2017-12-19 | General Electric Company | System and method for predicting mechanical failure of a motor |
CN102435948B (zh) * | 2011-09-30 | 2014-07-09 | 深圳众为兴技术股份有限公司 | 一种动负荷模拟测试仪及模拟测试方法 |
WO2013049930A1 (en) * | 2011-10-06 | 2013-04-11 | Cae Inc. | Method of developing a mathematical model of dynamics of a vehicle for use in a computer-controlled vehicle simulator |
CN102494894A (zh) * | 2011-11-17 | 2012-06-13 | 高丙团 | 风力发电机组音频监测和故障诊断***及其方法 |
CN104105877B (zh) * | 2011-12-07 | 2017-09-22 | 流量控制有限责任公司 | 使用具有空转和过电流保护的多电压电子器件的泵 |
CN102866016B (zh) * | 2012-10-18 | 2015-07-22 | 徐州重型机械有限公司 | 移动起重机发动机故障快速诊断仪以及诊断方法 |
KR101432786B1 (ko) | 2013-11-14 | 2014-09-23 | 엠앤디테크놀로지 주식회사 | 모터의 고장진단방법 및 그 시스템 |
EP2933647A1 (en) | 2014-04-14 | 2015-10-21 | ABB Technology AG | A model based diagnostic of induction machine |
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 |
CN104680232A (zh) * | 2014-10-28 | 2015-06-03 | 芜湖杰诺瑞汽车电器***有限公司 | 基于rvm的发动机故障检测方法 |
CN104569819B (zh) * | 2015-01-12 | 2017-06-16 | 清华大学 | 一种异步牵引电机的故障检测方法 |
KR102034652B1 (ko) * | 2015-05-21 | 2019-10-21 | 카스타니엔바움 게엠바하 | 엑추에이터에 의해 구동되는 로봇 관절을 개루프/폐루프 제어하는 방법 및 장치 |
WO2016198128A1 (en) * | 2015-06-12 | 2016-12-15 | Siemens Aktiengesellschaft | A method and apparatus for performing a model-based failure analysis of a complex industrial system |
EP3151072B1 (de) | 2015-09-29 | 2020-07-29 | Siemens Aktiengesellschaft | Verfahren und system zur fehlererkennung und überwachung bei einem elektronisch geregelten oder gesteuerten maschinenteil |
CN105277883A (zh) * | 2015-10-28 | 2016-01-27 | 林蓉瑶 | 一种电机故障监测及报警装置 |
JP6583057B2 (ja) * | 2016-03-02 | 2019-10-02 | トヨタ自動車株式会社 | 車両の制御装置 |
CN105974796A (zh) * | 2016-06-16 | 2016-09-28 | 航天恒星科技有限公司 | 一种多驱动网络设备的故障诊断与容错控制方法 |
CN106199261B (zh) * | 2016-07-04 | 2019-03-05 | 芯海科技(深圳)股份有限公司 | 基于互联网的电器老化度持续检测***及检测方法 |
WO2018020545A1 (ja) | 2016-07-25 | 2018-02-01 | 三菱電機株式会社 | 電動機の診断装置 |
CN106646192A (zh) * | 2016-11-25 | 2017-05-10 | 广州周立功单片机科技有限公司 | 电机驱动器硬件自检方法和*** |
EP3549111B1 (en) * | 2016-12-02 | 2024-03-27 | S.A. Armstrong Limited | Performance parameterization of process equipment and systems |
LU93350B1 (de) | 2016-12-12 | 2018-07-03 | Phoenix Contact Gmbh & Co Kg Intellectual Property Licenses & Standards | Verfahren zur Überwachung einer elektromechanischen Komponente eines Automatisierungssystems |
CN106707119A (zh) * | 2016-12-23 | 2017-05-24 | 中国二冶集团有限公司 | 大型电机轴承的绝缘检测方法 |
US10928814B2 (en) | 2017-02-24 | 2021-02-23 | General Electric Technology Gmbh | Autonomous procedure for monitoring and diagnostics of machine based on electrical signature analysis |
CN107178514B (zh) * | 2017-05-04 | 2019-08-20 | 山东大学 | 风机机组非侵入式能效诊断方法与*** |
CN108983090B (zh) * | 2017-06-02 | 2022-04-08 | 天津市松正电动汽车技术股份有限公司 | 一种电机霍尔零点调节装置及其调节方法 |
US10403116B2 (en) | 2017-06-20 | 2019-09-03 | General Electric Company | Electrical signature analysis of electrical rotating machines |
RU181087U1 (ru) * | 2017-10-19 | 2018-07-04 | федеральное государственное бюджетное образовательное учреждение высшего образования "Санкт-Петербургский горный университет" | Устройство диагностики двигателей переменного тока с преобразователем частоты |
RU2716172C2 (ru) * | 2018-03-14 | 2020-03-06 | Федеральное государственное бюджетное образовательное учреждение высшего образования Иркутский государственный университет путей сообщения (ФГБОУ ВО ИрГУПС) | Способ диагностики асинхронных двигателей с короткозамкнутым ротором |
DE102018204669A1 (de) * | 2018-03-27 | 2019-10-02 | Continental Teves Ag & Co. Ohg | Verfahren zum Überwachen einer Steuerung |
CN108777556B (zh) * | 2018-06-29 | 2022-03-18 | 江苏大学 | 两电机调速***的无模型自适应鲁棒解耦控制方法 |
EP3648337B1 (en) * | 2018-10-30 | 2022-06-08 | Roche Diagnostics GmbH | Method of estimating an operating state of a drive system and drive system |
US10495544B1 (en) * | 2019-01-15 | 2019-12-03 | Caterpillar Inc. | Failure detection device for detecting an issue with a part of a machine |
CN110007232B (zh) * | 2019-05-23 | 2021-09-03 | 广东工业大学 | 一种鼠笼式异步电机运行效率的预测方法及相关装置 |
CN110907824A (zh) * | 2019-11-06 | 2020-03-24 | 天津工业大学 | 一种基于高频信号耦合注入的电机故障检测*** |
DE102020200667A1 (de) | 2020-01-21 | 2021-07-22 | Volkswagen Aktiengesellschaft | Verfahren zur Bestimmung des Verbrauchs eines elektrischen Antriebsmotors |
CN111459906B (zh) * | 2020-03-02 | 2022-11-15 | 西安工业大学 | 一种电机数据库的建立方法 |
CN111476471B (zh) * | 2020-03-30 | 2023-10-27 | 北京四方继保工程技术有限公司 | 一种基于综合能源模型的综合能源故障诊断***及方法 |
CN111409113A (zh) * | 2020-05-09 | 2020-07-14 | 廊坊市智恒机器人科技有限公司 | 一种机器人故障检测*** |
JP7409222B2 (ja) * | 2020-05-14 | 2024-01-09 | マツダ株式会社 | 移動体の制御装置 |
CN112648140B (zh) * | 2020-12-21 | 2022-03-18 | 北京华能新锐控制技术有限公司 | 基于信号重构的风电机组桨距角编码器故障容错方法 |
CN112684235B (zh) * | 2020-12-24 | 2024-02-23 | 浙江可胜技术股份有限公司 | 定日镜用减速机在线智能故障诊断方法及*** |
CN112688608B (zh) * | 2020-12-25 | 2022-08-02 | 北京航空航天大学 | 一种三相永磁同步电机控制***的故障诊断方法 |
WO2022186382A1 (ja) * | 2021-03-05 | 2022-09-09 | 株式会社タダノ | 故障予兆検出システムおよび作業車 |
BR112023018184A2 (pt) * | 2021-03-10 | 2023-10-03 | Ksb Se & Co Kgaa | Método de detecção de anomalias de vibração em um dispositivo eletrônico e sistema associado |
CN114063456B (zh) * | 2021-11-15 | 2023-06-02 | 哈尔滨工业大学 | 利用自回归模型和卡尔曼滤波算法的故障预测与预警方法 |
CN114545908B (zh) * | 2022-04-28 | 2022-07-19 | 中汽研汽车检验中心(天津)有限公司 | 车用液压***模型构建和仿真方法,及整车仿真*** |
CN117332233B (zh) * | 2023-10-07 | 2024-05-31 | 江苏丰昌机电科技有限公司 | 一种电机智能化维护*** |
CN117289129B (zh) * | 2023-11-27 | 2024-02-06 | 四川省医学科学院·四川省人民医院 | 用于手术机器人的微型减速电机检测实验台及检测方法 |
CN117791971B (zh) * | 2023-12-11 | 2024-06-21 | 爱克玛电驱动***(苏州)有限公司 | 一种具有故障诊断报警功能的筒轴电机 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5519300A (en) * | 1993-06-29 | 1996-05-21 | Liberty Technologies, Inc. | Method and apparatus for analysis of polyphase electrical motor systems |
DE4421950C2 (de) * | 1993-12-09 | 1998-06-04 | Peter Mueller | Einrichtung zum Diagnostizieren und Regeln eines Verbrennungs- oder Elektromotors |
-
1996
- 1996-06-24 TR TR96/00527A patent/TR199600527A2/xx unknown
-
1997
- 1997-06-20 HU HU9903554A patent/HU223725B1/hu not_active IP Right Cessation
- 1997-06-20 SI SI9720042A patent/SI9720042A/sl not_active IP Right Cessation
- 1997-06-20 EP EP97927586A patent/EP0909380B1/en not_active Expired - Lifetime
- 1997-06-20 CA CA002356538A patent/CA2356538C/en not_active Expired - Lifetime
- 1997-06-20 CZ CZ19984308A patent/CZ295659B6/cs not_active IP Right Cessation
- 1997-06-20 PL PL97331205A patent/PL331205A1/xx unknown
- 1997-06-20 IL IL12768697A patent/IL127686A/en not_active IP Right Cessation
- 1997-06-20 WO PCT/TR1997/000008 patent/WO1997049977A1/en active IP Right Grant
- 1997-06-20 AU AU32017/97A patent/AU3201797A/en not_active Abandoned
- 1997-06-20 CA CA002260773A patent/CA2260773C/en not_active Expired - Lifetime
- 1997-06-20 TR TR1998/02541T patent/TR199802541T2/xx unknown
- 1997-06-20 CN CNB971974519A patent/CN1143126C/zh not_active Expired - Fee Related
- 1997-06-20 DE DE69732569T patent/DE69732569T2/de not_active Expired - Lifetime
- 1997-06-20 BR BR9710152-4A patent/BR9710152A/pt not_active Application Discontinuation
- 1997-06-20 JP JP10502852A patent/JP2000513097A/ja not_active Abandoned
- 1997-06-20 RU RU99101059/06A patent/RU2155328C1/ru not_active IP Right Cessation
- 1997-06-20 AT AT97927586T patent/ATE289681T1/de not_active IP Right Cessation
- 1997-06-20 SK SK1790-98A patent/SK179098A3/sk unknown
Also Published As
Publication number | Publication date |
---|---|
IL127686A0 (en) | 1999-10-28 |
PL331205A1 (en) | 1999-07-05 |
CN1143126C (zh) | 2004-03-24 |
CA2260773C (en) | 2002-09-10 |
HUP9903554A3 (en) | 2000-05-29 |
EP0909380B1 (en) | 2005-02-23 |
RU2155328C1 (ru) | 2000-08-27 |
CZ9804308A3 (cs) | 2005-01-12 |
BR9710152A (pt) | 2000-01-11 |
CA2356538A1 (en) | 1997-12-31 |
DE69732569D1 (de) | 2005-03-31 |
ATE289681T1 (de) | 2005-03-15 |
CA2260773A1 (en) | 1997-12-31 |
WO1997049977A1 (en) | 1997-12-31 |
TR199802541T2 (xx) | 1999-02-22 |
TR199600527A2 (xx) | 1998-01-21 |
JP2000513097A (ja) | 2000-10-03 |
AU3201797A (en) | 1998-01-14 |
SK179098A3 (en) | 2000-02-14 |
CA2356538C (en) | 2005-08-23 |
CZ295659B6 (cs) | 2005-09-14 |
CN1233325A (zh) | 1999-10-27 |
DE69732569T2 (de) | 2006-01-26 |
HU223725B1 (hu) | 2004-12-28 |
IL127686A (en) | 2001-04-30 |
HUP9903554A2 (hu) | 2000-02-28 |
EP0909380A1 (en) | 1999-04-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
SI9720042A (sl) | Na modelu temelječi sistem za odkrivanje napak na elektromotorjih | |
US6393373B1 (en) | Model-based fault detection system for electric motors | |
US7089154B2 (en) | Automatic machinery fault diagnostic method and apparatus | |
US4060716A (en) | Method and apparatus for automatic abnormal events monitor in operating plants | |
US10533920B2 (en) | Automatic rotating-machine fault diagnosis with confidence level indication | |
US5602761A (en) | Machine performance monitoring and fault classification using an exponentially weighted moving average scheme | |
KR930007745B1 (ko) | 기계의 결함을 진단하기 위한 다목적 전문장치 및 이를 이용한 진단방법 | |
EP2665925B1 (en) | A method for diagnostic monitoring of a wind turbine generator system | |
Lim et al. | Vibration-based fault diagnostic platform for rotary machines | |
CN117849620B (zh) | 一种无刷电机模组的电气性能测试方法及***、存储器 | |
KR100532237B1 (ko) | 전기모터용모델기초오류검출시스템 | |
Leith et al. | Real time expert system for identifying rotor faults and mechanical influences in induction motor phase current | |
US11886831B2 (en) | Data sorting device and method, and monitoring and diagnosis device | |
Awad | Fault detection of fuel systems using polynomial regression profile monitoring | |
Simon et al. | Aggregation of electric current consumption features to extract maintenance KPIs | |
MXPA99000473A (en) | Fault detection system based on model for electri motors | |
RU2753578C1 (ru) | Способ диагностики технического состояния роторного оборудования | |
Sun et al. | Defect-sensitive testing data analysis method for industrial robots quality inspection | |
CN114779071A (zh) | 一种电机转子状态检测***及方法 | |
Albas et al. | Application of a new fault detection technology for quality improvement of appliance motors | |
JP2003232703A (ja) | 異常診断装置 | |
JPH08304166A (ja) | 振動監視装置 | |
EA044656B1 (ru) | Способ диагностики технического состояния роторного оборудования | |
CN116027253A (zh) | 一种电能表故障自诊断方法 | |
CN113607270A (zh) | 汽轮机瓦振传感器故障诊断方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
IF | Valid on the event date | ||
KO00 | Lapse of patent |
Effective date: 20080227 |