一种基于混合微粒群算法的感应电机断条故障检测方法
【专利摘要】本发明公开了一种基于混合微粒群算法的感应电机断条故障检测方法，它首先根据感应电机转子断条故障的特点，建立故障状态下的定子电流信号模型，其中包括基波分量和最突出的故障特征分量；接着以最小二乘的方式，构造出能够充分反映定子电流信号模型优劣的目标函数；然后利用混合微粒群算法对该目标函数进行全局优化，得出定子电流信号基波分量与边频分量的幅值、频率和相位；再根据所得参数计算出边频分量与基波分量的幅值比；最后，将该幅值比与检测阈值进行比较，从而确定是否存在转子断条故障。本发明仅需很短时间的采样信号即可高灵敏度、高可靠性地在线检测感应电机转子断条故障，特别适合用于感应电机低转差率运行情况。
【专利说明】一种基于混合微粒群算法的感应电机断条故障检测方法
【技术领域】
[0001] 本发明涉及一种基于混合微粒群算法的感应电机断条故障检测方法，属于电机技 术。
【背景技术】
[0002] 感应电动机在负载过重或频繁启动、制动的运行过程中，由于承受的机械应力和 热应力过大，以及转子自身的一些固有缺陷，容易出现断条和端环开裂等故障。研究表明， 转子断条故障占电机故障的10 %左右。
[0003] 转子断条是典型的渐进性故障，初期通常1、2根导条断裂，而后逐渐发展以致电 机出力下降甚至停机，因此，必须实施转子断条故障检测。
[0004] 感应电动机发生转子断条、端环开裂等故障时，会在定子电流中产生频率为 (1±21^)4的附加电流分量，k = 1，2, 3…，为电源频率，s为转差率；该电流分量可以作 为转子断条故障的特征量，且定子电流信号易于采集，因此基于傅里叶变换的定子电流频 谱分析方法被广泛应用于转子断条故障检测。但由于电机稳态运行时，转差率很小，使得最 强的故障特征分量（I ±2s) 与基波频率相当接近，且故障分量幅值较小，易被基波分量的 泄漏及环境噪声所淹没，使检测的准确性降低；这是此方法的不足之处。
[0005] 为了解决这一问题，发展形成了扩展的派克矢量方法、Hilbert模量方法、瞬时功 率方法等，这些方法的核心思想都是将定子电流信号中的基波分量转换成直流量，同时将 (1 ±21^);!^分量变换为Zksf1分量，从而突出故障特征分量。
[0006] 但是这些方法都过分依赖于傅立叶变换的频率分辨率，即需要较长的采样时间， 达到较高的频率分辨率。较长的采样时间又意味着以更高概率引入负荷波动，致使影响转 子断条故障检测的可靠性。另外，前两种方法由于平方项的引入而产生众多交叉项，使频谱 复杂化，降低了故障检测的可靠性，并且频谱中故障特征分量的物理意也不够明确；对于瞬 时功率方法由于采集的量较多，存在硬件和软件开销都较大的问题。
【发明内容】
[0007] 发明目的：为了克服现有技术中存在的不足，本发明提供一种基于混合微粒群算 法的感应电机断条故障检测方法，能够根据电流信号的时长尽可能短的一相定子电流信 号，高灵敏度、高可靠性地在线检测转子断条故障。
[0008] 技术方案：为实现上述目的，本发明采用的技术方案为：
[0009] -种基于混合微粒群算法的感应电机断条故障检测方法，首先根据感应电机转子 断条故障的特点，建立断条故障状态下的定子电流信号模型，其中包括基波分量和最突出 的故障特征分量；接着以最小二乘的方式，构造出能够充分反映定子电流信号模型优劣的 目标函数；然后利用混合微粒群算法对该目标函数进行全局优化，得出定子电流信号基波 分量与边频分量的幅值、频率和相位；再根据所得参数计算出边频分量与基波分量的幅值 t匕；最后，将该幅值比与检测阈值进行比较，从而确定是否存在转子断条故障。
[0010] 该方法具体包括以下步骤：
[0011] 步骤1 :测取任意一相定子电流瞬时信号is(t);
[0012] 步骤2 :建立断条故障状态下的定子电流信号模型im(t)为：
[0013] im(t) = A1Cos (2 Jr f:t+j)+A2Cos [2 Jr (l~2s) f:t+2]+A3cos [2 n (l+2s) f:t+3]
[0014] 其中，ApA2和A3分别为基波分量和边频分量的幅值，例、供 2和约分别为基波分 量和边频分量的初相位，为基波频率，s为转差率；
[0015] 步骤3 :构造能够充分反映定子电流信号模型优劣的目标函数Residuals为：
【权利要求】
1. 一种基于混合微粒群算法的感应电机断条故障检测方法，其特征在于：首先根据感 应电机转子断条故障的特点，建立断条故障状态下的定子电流信号模型，其中包括基波分 量和最突出的故障特征分量；接着以最小二乘的方式，构造出能够充分反映定子电流信号 模型优劣的目标函数；然后利用混合微粒群算法对该目标函数进行全局优化，得出定子电 流信号基波分量与边频分量的幅值、频率和相位；再根据所得参数计算出边频分量与基波 分量的幅值比；最后，将该幅值比与检测阈值进行比较，从而确定是否存在转子断条故障。
2. 根据权利要求1所述的基于混合微粒群算法的感应电机断条故障检测方法，其特征 在于：具体包括以下步骤： 步骤1 :测取任意一相定子电流瞬时信号is(t); 步骤2 :建立断条故障状态下的定子电流信号模型im(t)为： im(t) =A^os(2Jrf:t+j)+A2cos[2Jr(l-2s)f:t+2]+A3cos[2n(l+2s)f:t+3] 其中，ApA2和A3分别为基波分量和边频分量的幅值，約、％和供3分别为基波分量和 边频分量的初相位，为基波频率，s为转差率； 步骤3 :构造能够充分反映定子电流信号模型优劣的目标函数Residuals为：
其中，h=iXTs，Ts为采样间隔，N为采样点数，定子电流信号模型的优劣由参数序列約，4,2成，口2,為，外}决定，并通过Residuals值反映，Residuals值越小表明定子 电流信号模型越逼近真实信号； 步骤4 :利用混合微粒群算法对目标函数Residuals进行全局优化，最终得到一组最优 参数序列{4，/，约，為，2成，灼，4,灼}，该参数序列使得目标函数Residuals值最小，即 确定出采样信号基波分量与边频分量的幅值、频率和相位； 步骤5 :计算两个边频分量与基波分量的幅值比，S卩（A2+A3)/Ai; 步骤6:将计算出的（4+^)/^值与检测阈值进行比较，判断断条故障是否存在：若 彡检测阈值，表示电机处于健康状态，且（AfA^/Ai值越小，健康状态越明确；若 (AfAp/A，检测阈值，表示电机处于故障状态，且（4+4)/^值越大，故障状态越严重。
3. 根据权利要求2所述的基于混合微粒群算法的感应电机断条故障检测方法，其特征 在于：所述步骤（4)中，混合微粒群算法具体包括如下步骤： (4. 1)初始化微粒群中微粒的位置仍，為，2成，供2,為，朽}、个体极值Pi和 全局极值Pg; (4. 2)采用目标函数Residuals计算每个微粒的适应值； (4.3)更新微粒个体极值，具体为：对于每个微粒，设置微粒当前时刻所得最好位置作 为它的个体极值，微粒当前时刻适应值最小时的位置即最好位置； (4. 4)如果《/尺=^//〇，n为迭代代数，K为间隔代数，[?」为向下取整，执行单纯形搜 索，其中： (4.4. 1)借助K-均值聚类方法，对微粒群进行分类，并确定每个类的中心微粒； (4. 4. 2)对每个类的中心微粒执行单纯形搜索，并更新该中心微粒的个体极值； (4. 5)更新全局极值，具体为：选择种群中当前时刻位置最好的微粒作为全局极值； (4. 6)根据下式更新微粒位置：
其中，N(*)是高斯分布函数，iiyOi)=化^.〇1)+?8，』(11))/2是高斯分布的均值， 0_:2/(/?) = |代._/(/7) - /\._/(/?)|是高斯分布的标准差，Pi，j(n)为Pi的元素，Pg，」(n)为Pg的元素，i =1，2, 3…M，M为种群规模，j= 1，2, 3…D，D为决策变量维数； (4. 7)若满足停止条件，则算法停止搜索，输出全局最优位置和全局最优适应值，否则 返回步骤（4.2)继续搜索。
【文档编号】G01R31/34GK104407293SQ201410692747
【公开日】2015年3月11日 申请日期:2014年11月25日 优先权日:2014年11月25日
【发明者】王攀攀, 史丽萍, 蔡儒军, 刘佳璇, 孙望, 杜刚, 李训聿, 于婷 申请人:中国矿业大学