电机拖动系统运行健康状态评估系统及方法与流程

本发明涉及电机拖动领域，尤其涉及电机拖动系统运行健康状态评估系统及方法。

背景技术：

电机拖动，即以电动机作为原动机拖动机械设备运动的一种拖动方式。电机拖动系统包括依次连接的控制器、电动机以及负载，控制器通过对电动机的控制，来实现对负载的驱动。

现有的对电机拖动系统运行健康状态进行评估的方法有两种。第一种：根据电动机以及负载的累计工作时间，若其累计工作时间接近其工作寿命，则判断其运行健康状态不佳。第二种，工作人员通过感官来判断，例如对电动机或负载的振动的幅度以及频率与其正常工作时进行比较，来判断其工作状态。

显然，这两种评估方法不能准确的评估电机拖动系统运行健康状态。

技术实现要素：

为解决上述问题，本发明提出电机拖动系统运行健康状态评估系统及方法，以准确评估电机拖动系统运行的健康状态。

电机拖动系统运行健康状态评估系统，所述电机拖动系统包括依次连接的控制器、电动机以及负载，所述运行健康状态评估系统包括：

第一数据采集模块，用于采集检修期内的电动机的运行数据；

第二数据采集模块，用于采集检修期内的负载的运行数据；

故障检测模块，用于对控制器的运行进行故障分析；

神经网络模型，用于根据电动机的运行数据以及负载的运行数据进行故障分析；

系统评分模块，内置有故障评分的规则，用于根据控制器、电动机以及负载的故障分析结果计算系统评分。

优选的，所述第一数据采集模块包括：第一电流传感器，用于采集电动机运行时的输出电流。

优选的，所述第一数据采集模块包括：第一电压传感器，用于采集电动机运行时的输出电压。

优选的，所述第一数据采集模块包括：第一振动传感器，用于采集电动机运行时的振动参数。

优选的，所述第一数据采集模块包括：转速传感器，用于采集电动机运行时的转速。

优选的，所述第二数据采集模块包括：第二振动传感器，用于采集负载运行时的振动参数。

优选的，所述第二数据采集模块包括：油液数据采集模块，用于采集负载的油液数据。

本发明还提供了电机拖动系统运行健康状态评估方法，所述方法包括以下步骤：

在系统评分模块内设置故障评分的规则；

采集检修期内的电动机的运行数据以及负载的运行数据；

判断控制器在检修周期内是否发生故障报警或发生警告报警；

将电动机的运行数据和负载的运行数据输入到训练后的神经网络模型进行故障分析；

系统评分模块根据对控制器的判断结果以及故障分析的结果计算系统评分。

优选的，所述电动机的运行数据包括：输出电流、输出电压、振动参数。

优选的，所述负载的运行数据包括振动参数、油液参数、转速。

通过使用本发明，可以实现以下效果：通过第一数据采集模块、第二数据采集模块采集检修期内的电动机和负载的运行数据；通过神经网络模型对电动机的运行数据以及负载的运行数据进行故障分析，输出分析结果；最后通过系统评分模块根据故障分析的结果以及控制器是否报警计算系统评分，能够准确评估电机拖机系统的健康状态。

附图说明

下面结合附图和具体实施方式对本发明作进一步详细的说明。

图1是本发明实施例中电机拖动系统的整体结构示意图；

图2是本发明实施例中电机拖动系统运行健康状态评估系统的模块连接示意图；

图3是本发明实施例中电机拖动系统运行健康状态评估方法的流程图。

具体实施方式

以下结合附图，对本发明的技术方案作进一步的描述，但本发明并不限于这些实施例。

如图1所示，电机拖动系统包括依次连接的控制器、电动机以及负载，控制器通过对电动机的控制，来实现对负载的驱动。

在运行健康状态评估之前，需要通过大量的历史数据以及实验平台数据训练相关的神经网络模型。神经网络具有自学习、自组织与自适应性。神经网络的自学习是指，当外界环境(输入)发生变化时，神经网络可以经过一段时间的训练，通过对内部参数和结构的调整，使得对于给定的输入能够产生期望的输出。神经网络模型训练好之后，输入电动机的运行数据、负载的运行数据，可以判断出电动机和负载的运行情况。

本发明实施例提供一种电机拖动系统运行健康状态评估系统，如图2所示，包括：

第一数据采集模块，用于采集检修期内的电动机的运行数据；

第二数据采集模块，用于采集检修期内的负载的运行数据；

故障检测模块，用于对控制器的运行进行故障分析，；

神经网络模型，用于根据电动机的运行数据以及负载的运行数据进行故障分析；

系统评分模块，内置有故障评分的规则，用于根据控制器、电动机以及负载的故障分析结果计算系统评分。

本实施例中，通过第一数据采集模块、第二数据采集模块采集检修期内的电动机和负载的运行数据；通过神经网络模型对电动机的运行数据以及负载的运行数据进行故障分析，输出分析结果；最后通过系统评分模块根据故障分析的结果以及控制器是否报警计算系统评分。

具体的，第一数据采集模块包括：第一电流传感器，用于采集电动机运行时的输出电流。电动机运行时的输出电流作为电动机健康状态评估的重要依据，当输出电流大于输出最大电流或者小于输出最小电流时，说明电动机已经出现故障或将要出现故障。

进一步的，第一数据采集模块还包括：第一电压传感器，用于采集电动机运行时的输出电压。电动机运行时的输出电压作为电动机健康状态评估的重要依据，当输出电压大于输出最大电压或者小于输出最小电压时，说明电动机已经出现故障或将要出现故障。

进一步的，第一数据采集模块还包括：第一振动传感器，用于采集电动机运行时的振动参数。电动机运行时的振动参数作为电动机健康状态评估的重要依据，主要包括：振动幅值以及振动频率。当电动机的振动幅值大于最大幅值或者小于最大幅值，或者振动频率大于最大频率或者小于最小频率时，说明电动机已经出现故障或将要出现故障。

进一步的，第一数据采集模块还包括：转速传感器，用于采集电动机运行时的转速。电动机运行时的转速作为电动机健康状态评估的重要依据，当电动机的转速大于最大转速或者小于最低转速时，同样说明电动机已经出现故障或将要出现故障。

以电动机运行时的输出电流、输出电压、振动参数以及转速为依据，神经网络模型能够判断出电动机是否已经出现故障或将要出现故障。

具体的，第二数据采集模块包括：第二振动传感器，用于采集负载运行时的振动参数。负载运行时的振动参数作为负载健康状态评估的重要依据，包括：振动幅值以及振动频率。当负载的振动幅值大于最大幅值或者小于最小幅值时，或者振动频率大于最大频率或者小于最小频率时，同样说明负载已经出现故障或将要出现故障。

进一步的，第二数据采集模块还包括：油液数据采集模块，用于采集负载的油液数据。负载的油液数据包括：

粘度：粘度增加可能是基于油品的氧化、不溶物含量增高、高粘度油品或水分的渗入。粘度降低可能是基于低粘度油品、水、冷剂或燃料的渗入；或是油品内高分子聚合物受剪切力而产生变化。

闪点：闪点降低显示油品被燃物所稀释，或是油品过高温度而裂化。

不溶物：戊烷不溶物显示油品里固体物质的总含量，包含有机物和无机物。甲苯能溶解大部分的有机物质，故此甲苯不溶物只包含污垢沙粒，磨损金属微粒及未燃烧碳屑。戊烷与甲苯不溶物的差额代表胶质及氧化物的含量。通常戊烷不溶物超越某一限额时才量度甲苯不溶物。

颜色：在极短时期内油品颜色变深显示油品被污染或开始被氧化。

水分：油品中有水显示系统穿漏或空气中的水分凝结。水分会引起腐蚀和氧化，亦会使油品乳化。故此应以离心法，隔滤法或真空处理清除。

酸性及碱性：酸碱度(ph)—ph增高代表渗入了碱性油品。ph降低代表油品开始变酸。

总酸值(tan)：油品的总酸值是量度因氧化而产生酸性物质的指标。

总碱值(tbn)：总碱值增高，可能是被另一种含碱量高的油品污染所造成。总碱值降低，可能是因为高碱度添加剂的损耗，用于中和酸性的燃烧及氧化产物，或被渗入的水分冲走。金属元素分析用于验明污染情况，证实添加剂的含量及显示机件的磨损状况，通常用光谱分析方法进行试验。

通过计算或分析油液的粘度、闪点、不溶物、颜色、水分、酸性及碱性、总酸值(tan)、总碱值(tbn)，并通过油液数据采集模块对这些数据进行采集，若这些数据出现异常，则说明负载已经出现故障或将要出现故障。

以负载运行时的振动参数以及油液的数据为依据，神经网络模型能够判断出负载是否已经出现故障或将要出现故障。

控制器自身内嵌故障检测模块，故障检测模块通过检测控制器的输出的高低电平信号，以及高低电平信号的持续时间来对其故障进行检测。需要说明的是，故障检测模块为控制器的配套设备，属于现有技术，在本实施例中不再详细说明。

系统评分模块，内置有故障评分的规则。在检修周期内，控制器已经出现故障或者将要出现故障、电动机已经出现故障或者将要出现故障、负载已经出现故障或者将要出现故障分别对应不同的扣分项，累计计算之后得到最终的评分，该评分能够准确的评估电机拖动系统的运行健康状态。

本电机拖动系统运行健康状态评估系统可以在本地对电机拖动系统进行评估，也可以远程对电机拖动系统进行评估。也就是说神经网络模型和系统评分模块安装在后台，第一数据采集模块、第二数据采集模块采集的数据远程传输到后台。这样就能够实现对多套电机拖动系统的运行健康状态进行评估。

本发明实施例还提供一种电机拖动系统运行健康状态评估方法，如图3所示，所述方法包括以下步骤：

步骤一，在系统评分模块内设置故障评分的规则。

具体的，故障评分的规则为：

a、在检修周期内，控制器若已经发生故障，则故障报警(error)，则分数减去50；若将要发生故障，则警告报警(warning)，则分数减去15分；

b、在检修周期内，电动机的传感器数据输入训练好的神经网络模型，判断电动机的运行情况。若判断出已经发生故障，则故障报警(error)，则分数减去50；若判断出将要发生故障，则警告报警(warning)，则分数减去15分；

c、在检修周期内，负载的传感器数据输入训练好的神经网络模型，判断电动机的运行情况。若判断出已经发生故障，则故障报警(error)，则分数减去50。若判断出将要发生故障，则警告报警(warning)，则分数减去15分；

d、在检修周期内，操作人员或使用者对于系统运行的任何异常现象的信息反馈，分数减去10分，例如：出现漏油现象；

e、在检修周期内，不同的故障报警(error)造成的系统停机确认修复后，分数回加45分；

f、在检修周期内，不同的警告报警(warning)问题确认修复后，分数回加10分；

g、在检修周期内，操作人员或使用者提交的运行异常信息反馈确认修复后，分数回加5分；

h、检修周期结束后，如果没有发生任何故障报警(error)或警告报警(warning)，分数回加5分；

i、检修周期结束后，如果没有发生操作人员或使用者对于系统运行异常的信息反馈，分数回加5分；

g、对于检修周期前系统发生的故障报警(error)若没有进行确认并处理，则不重复扣分；

k、系统的评分初始分值为100分，以0分为下限，100分为上限，加减分数结果不得超过上下限。

步骤二，采集检修期内的电动机的运行数据以及负载的运行数据。

具体的，电动机的运行数据包括：输出电流、输出电压、振动参数、转速。负载的运行数据包括振动参数、油液参数。输出电流、输出电压、振动参数、转速为电动机运行健康状态评估的重要依据，而振动参数、油液参数为负载运行健康状态评估的重要依据。上述数据可以通过电流传感器、电压传感器、振动传感器、转速传感器以及油液数据采集模块进行相关数据采集。

步骤三，判断控制器在检修周期内是否发生故障报警或发生警告报警。

控制器自身内嵌故障检测模块，故障检测模块通过检测控制器的输出的高低电平信号，以及高低电平信号的持续时间来对其故障进行检测。需要说明的是，故障检测模块为控制器的配套设备，属于现有技术，在本实施例中不再详细说明。

步骤四，将电动机的运行数据和负载的运行数据输入到训练后神经网络模型进行故障分析。

神经网络模型训练好之后，输入电动机的运行数据、负载的运行数据，可以判断出电动机和负载的运行情况，判断其是否发生故障或者发生警告。

步骤五，系统评分模块根据对控制器的判断结果以及故障分析的结果计算系统评分。

系统评分模块，内置有故障评分的规则。控制器的判断结果以及故障分析的结果分别对应不同的扣分项，累计计算之后得到最终的评分，该评分能够准确的评估电机拖动系统的运行健康状态。

本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。