本发明涉及旋转机械故障监测诊断的技术领域，特别涉及一种基于电机相电流的旋转机械故障监测诊断的方法。
背景技术
目前旋转机械的主流故障监测及诊断方法仍是基于振动传感器。这类系统往往通过时域阈值指标的设定来判断旋转机械是否发生故障，判断发生故障后，再通过时频域等分析方法确定故障特征频率，从而判断故障位置或者类型。但是使用振动传感器进行故障诊断有很多不可避免的缺点，如传感器需要安装在被监测对象附近，对安装空间有一定要求，同时，故障诊断效果易受背景噪声和安装位置的影响。
已有研究表明，在机电系统中，旋转机械的故障会使得负载转矩发生突变，从而使得电机相电流中出现相应的调制成分。因此可以使用电机电流特征分析法(motorcurrentsignatureanalysis,mcsa)来对旋转机械进行故障诊断，这种方法可以实现旋转机械的无损及远程故障诊断，具有重大的应用价值。但相电流中存在电流基波，正弦信号的存在使得我们无法通过实时的监测相电流的幅值等时域指标来完成在线诊断，同时，旋转机械的运行转速不同，对应的电流基波频率也不同，这就大大增加了通过硬件手段剔除基波分量的难度。
总结来说，目前基于电机相电流的旋转机械故障诊断方法仍无法实现旋转机械故障的实时状态监测和诊断。
技术实现要素：
本发明实施例提供了一种基于电机相电流的旋转机械故障监测诊断的方法，旨在解决目前基于电机相电流的旋转机械故障监测诊断方法仍无法实现旋转机械故障的实时状态监测诊断的技术问题。为了对披露的实施例的一些方面有一个基本的理解，下面给出了简单的概括。该概括部分不是泛泛评述，也不是要确定关键/重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式呈现一些概念，以此作为后面的详细说明的序言。
本发明公开了一种基于电机相电流的旋转机械故障监测诊断的方法，实现了基于相电流的旋转机械故障的在线监测与监测诊断。
根据本发明实施例的第一方面，提供了一种基于电机相电流的旋转机械故障监测诊断的方法，所述方法包括：
获取所述电机的相电流信号；
提取所述相电流信号中的基波分量，获取剩余信号ie；
根据所述剩余信号ie的幅值判断所述旋转机械是否发生故障；
响应所述旋转机械发生故障的判断结果，获取故障特征频率；
根据所述故障特征频率和预计算的故障特征频率判断所述故障的类型与位置。
根据本发明实施例的第二方面，提供了一种基于电机相电流的旋转机械故障监测诊断的装置，所述装置包括：
第一获取单元，用于获取所述电机的相电流信号；
第二获取单元，用于提取所述相电流信号中的基波分量，获取剩余信号ie；
第一判断单元，用于根据所述剩余信号ie的幅值判断所述旋转机械是否发生故障；
第三获取单元，用于响应所述旋转机械发生故障的判断结果，获取故障特征频率；
第二判断单元，用于根据所述故障特征频率和预计算的故障特征频率判断所述故障的类型与位置。
本发明实施例提供的技术方案可以包括以下有益效果：
1、提出了一种电流基波自适应提取剩余信号和谱峭度获取故障分量相结合的方案，实现了基于相电流的旋转机械故障的在线监测与监测诊断。
2、无需使用传感器等对被测对象进行检测，实现了机电系统中旋转机械故障的无损及远程监测诊断。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
图1是根据一示例性实施例示出的一种基于电机相电流的旋转机械故障监测诊断的方法的流程示意图；
图2是根据一示例性实施例示出的再一种基于电机相电流的旋转机械故障监测诊断的方法的流程示意图；
图3是根据一示例性实施例示出的一种基于电机相电流的旋转机械故障监测诊断的装置的结构图；
图4是谱峭度算法滤波器组生成示意图；
图5是根据一示例性实施例示出的机电系统实物图；
图6(a)是本发明一实施例的齿轮正常状态下，采集得到的相电流时域波形图；
图6(b)是本发明一实施例的齿轮故障状态下，采集得到的相电流时域波形图；
图7(a)是本发明一实施例的齿轮正常状态下，去除电流基波后，得到的剩余信号时域波形图；
图7(b)是本发明一实施例的齿轮故障状态下，去除电流基波后，得到的剩余信号时域波形图；
图8是本发明一实施例中，对齿轮故障状态下的剩余电流信号的峭度谱图。
图9是本发明一项实施例中，齿轮故障状态下，剩余电流信号滤波前、滤波后的时域波形以及滤波后包络谱。
附图标记说明：1-第一获取单元；2-第二获取单元；3-第一判断单元；4-第三获取单元；5-第二判断单元；6-驱动电动机；7-加载电机；8-联轴器；9-齿轮。
具体实施方式
以下描述和附图充分地示出本发明的具体实施方案，以使本领域的技术人员能够实践它们。实施例仅代表可能的变化，除非明确要求，否则单独的部件和功能是可选的，并且操作的顺序可以变化。一些实施方案的部分和特征可以被包括在或替换其他实施方案的部分和特征。本发明的实施方案的范围包括权利要求书的整个范围，以及权利要求书的所有可获得的等同物。在本文中，各实施方案可以被单独地或总地用术语“发明”来表示，这仅仅是为了方便，并且如果事实上公开了超过一个的发明，不是要自动地限制该应用的范围为任何单个发明或发明构思。本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法或者设备所固有的要素。本文中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
图1是根据一示例性实施例示出的一种基于电机相电流的旋转机械故障监测诊断的方法的流程示意图。
在该可选实施例中，提供了一种基于电机相电流的旋转机械故障监测诊断的方法，所述方法包括以下步骤：
s101：获取所述电机的相电流信号；
具体的，所述相电流信号包括所述机电系统中的电动机或发电机的任一相相电流，所述相电流信号表示机电系统的旋转机械运行状态。
s102：提取所述相电流信号中的基波分量，获取剩余信号ie；
具体的，利用自适应基波提取算法提取所述相电流信号中的基波分量，获取剩余信号ie。
在实际应用中，具体方法如下：
对于包含故障信息、噪声信息的相电流i来说，其可写成表达式如下：
i(t)＝i0(t)+i1(t)
式中，i0表示相电流i中的基波分量，i1表示相电流中的其余分量，如故障分量或逆变器控制过程中带来的谐波分量等。
基波分量可以写成：
i0(t)＝i0msin(ω0t+θ0)
其中，i0m，ω0，θ0分别为电流基波分量的幅值、频率、初始相角。
该自适应基波分离算法通过最小化如下评价函数实现：
其中，i'0为分离出的基波分量，λ为i'0中待辨识的幅值、频率、相角三个变量i'0m、ω'0、θ'0，且所述i'0m、ω'0、θ'0满足如下关系：
利用梯度下降法求解评价函数的最小值，并对其进行离散化，得到如下所示的递推公式：
其中，ts为离散化系统的采样时间；k1，k2，k3为算法系数，分别决定了i'0m、ω'0、θ'收敛的速度。
该实施方式中，提取出相电流中存在的基波分量，获取剩余信号ie，可以实现通过实时的监测相电流的幅值等时域指标来完成在线诊断。
s103：根据所述剩余信号ie的幅值判断所述旋转机械是否发生故障；
s104：响应所述旋转机械发生故障的判断结果，获取故障特征频率；
s105：根据所述故障特征频率和预计算的故障特征频率判断所述故障的类型与位置。
具体的，所述故障的类型包括齿轮箱故障和轴承故障。
所述预计算的故障特征频率包括轴承外圈故障特征频率、轴承内圈故障特征频率、滚珠故障特征频率或齿轮故障特征频率，其中，
所述轴承外圈故障特征频率按照以下公式计算得到：
所述轴承内圈故障特征频率按照以下公式计算得到：
所述滚珠故障特征频率按照以下公式计算得到：
所述齿轮故障特征频率按照以下公式计算得到：
其中，z为滚动体数目，n为转速，d为滚动体直径，d为滚动体分布直径，β为轴承压力角，ir为故障齿轮到电机驱动端的转速比。
图2是根据一示例性实施例示出的再一种基于电机相电流的旋转机械故障监测诊断的方法的流程示意图。
在该可选实施例中，提供了一种基于电机相电流的旋转机械故障监测诊断的方法，所述方法包括以下步骤：
s201：获取所述电机的相电流信号；
s202：提取所述相电流信号中的基波分量，获取剩余信号ie；
s203：选取剩余信号阈值ier；
具体的，所述剩余信号阈值ier可按照以下公式计算得到：
ier＝n*ieh
其中，n为机电系统对故障的容忍程度系数，ieh为电机正常运行一段时间内得到的剩余信号ie的最大值。
在实际应用中，系统正常运行条件下得到的剩余信号阈值ier与实际系统结构、运行条件等都有关系。可根据对故障的容忍程度选取ier，其中，ier为电机正常运行一小段时间(如1s)内得到的剩余信号ie的最大值ieh的固定倍数。比如，如果系统对故障的容忍程度较低，可选取ier＝1.2ieh，如果系统对故障的容忍程度较高，则可适当放大阈值，可选取ier＝1.5ieh。
s204：比较所述剩余信号ie和所述剩余信号阈值ier的大小；
具体的，如果|ie|<|ier|，表示所述旋转机械正常运行；如果|ie|>|ier|，表示所述旋转机械发生故障；
s205：如果|ie|>|ier|，利用谱峭度算法对所述剩余信号ie进行滤波，得到故障分量ie1；
具体的，利用快速谱峭度算法寻找所述剩余信号ie峭度最大时对应的中心频率与带宽；
选择峭度值最大时所述剩余信号ie的中心频率和带宽组成滤波器；
利用所述滤波器对所述剩余信号ie进行带通滤波，得到故障分量ie1。
其中，所述峭度值可按照如下公式计算获得：
式中，
s206：对所述故障分量ie1进行包络谱分析，获取所述故障特征频率；
s207：根据所述故障特征频率和预计算的故障特征频率判断所述故障的类型与位置。
该实施方式中，采用电流基波自适应提取剩余信号和谱峭度获取故障分量相结合的方案，实现了基于相电流的旋转机械故障的在线监测与监测诊断。
图3是根据一示例性实施例示出的一种基于电机相电流的旋转机械故障监测诊断的装置的结构图。
在该可选实施例中，提供了一种基于电机相电流的旋转机械故障监测诊断的装置，所述装置包括：
第一获取单元1，用于获取所述电机的相电流信号；
在一些可选实施例中，所述相电流信号包括所述机电系统中的电动机或发电机的任一相相电流。
第二获取单元2，用于提取所述相电流信号中的基波分量，获取剩余信号ie；
具体的，所述第二获取单元2利用自适应基波提取算法提取所述相电流信号中的基波分量，获取剩余信号ie。
第一判断单元3，用于根据所述剩余信号ie的幅值判断所述旋转机械是否发生故障；
具体的，所述第一判断单元3用于：
选取剩余信号阈值ier；
比较所述剩余信号ie和所述剩余信号阈值ier的大小；
如果|ie|<|ier|，表示所述旋转机械未发生故障，如果|ie|>|ier|，表示所述旋转机械发生故障。
在一些可选实施例中，所述剩余信号阈值ier可按照以下公式计算得到：
ier＝n*ieh
其中，n为机电系统对故障的容忍程度系数，ieh为电机正常运行一段时间内得到的剩余信号ie的最大值。
第三获取单元4，用于响应所述旋转机械发生故障的判断结果，获取故障特征频率；
具体的，所述第三获取单元4用于：
利用谱峭度算法对所述剩余信号ie进行滤波，得到故障分量ie1；
对所述故障分量ie1进行包络谱分析，获取所述故障特征频率。
第二判断单元5，用于根据所述故障特征频率和预计算的故障特征频率判断所述故障的类型与位置。
在一些可选实施例中，所述故障的类型包括齿轮箱故障和轴承故障。
在一些可选实施例中，所述预计算的故障特征频率包括轴承外圈故障特征频率、轴承内圈故障特征频率、滚珠故障特征频率或齿轮故障特征频率，其中，
所述轴承外圈故障特征频率按照以下公式计算得到：
所述轴承内圈故障特征频率按照以下公式计算得到：
所述滚珠故障特征频率按照以下公式计算得到：
所述齿轮故障特征频率按照以下公式计算得到：
其中，z为滚动体数目，n为转速，d为滚动体直径，d为滚动体分布直径，β为轴承压力角，ir为故障齿轮到电机驱动端的转速比。
该实施方式可以实现机电系统中旋转机械故障的无损及远程监测诊断。
图4是谱峭度算法滤波器组生成示意图。
在该可选实施例中，提供了谱峭度算法滤波器组的生成原理。
其中，包络信号的峭度值可按照如下公式计算获得：
式中，
选择所述峭度值最大的所述剩余信号的中心频率和带宽组成滤波器。
图5是根据一示例性实施例示出的机电系统实物图。
在该可选实施例中，提供了机电系统。所述机电系统包括永磁同步电机、联轴器8和传动机构，所述永磁同步电机包括驱动电机6和加载电机7，所述传动机构为一对背靠背式的直齿轮9。该系统主要参数如下表所示：
表1永磁同步电机主要参数
此时，系统主要特征频率计算如下：
其中，fe、fr1、fr2、fm分别定子电流基频、主动轮的转频、从动轮的转频、啮合频率，n1为主动侧给定转速。
图6是本发明一实施例的齿轮正常和故障状态下，采集得到的相电流时域波形图。
具体的，图6为所述机电系统负载侧为正常和故障齿轮时，运行于2000rpm，100％额定负载下，驱动侧电机的a相电流ia时域波形。
可以看出，两波形无明显区别，且由于电流基波的存在，无法实时对ia幅值进行监测来实现运行状态的监测。
图7是本发明一实施例的齿轮正常和故障状态下，去除电流基波后，得到的剩余信号时域波形图。
图7(a)为齿轮正常运行条件下，在线监测系统开始运行的1.5s内的剩余信号ie波形图。由图7(a)可以看出，该自适应基波提取算法在0.2s内即可收敛，为避免误判断，阈值判断环节在前0.2s不工作，取0.5s至1.5s内ie的最大值的1.2倍作剩余信号阈值ier，为0.4950。
图7(b)为齿轮故障运行条件下，在线监测系统运行过程中采集的ie波形图。图中平行于x轴的两条直线分别为x＝0.4950和x＝-0.4950，前0.2s不参加阈值判断环节，在0.2449s的时候，ie为0.6496，其绝对值超过阈值ier，此时判断系统发生故障。从此时开始，采集6s的剩余信号，并对其进行峭度谱分析。
图8是本发明一实施例中，对齿轮故障状态下的剩余电流信号的峭度谱图。
可以看到，当滤波器中心频率为156.25hz，滤波器带宽为312.5hz时，滤波后信号峭度值最大，为8.7。
图9是本发明一项实施例中，齿轮故障状态下，剩余电流信号滤波前、滤波后的时域波形以及滤波后包络谱。
可以看到，此时包络谱中存在间隔为22.2hz的边频带。根据该故障特征频率可判断从东侧齿轮发生了局部式故障。
应当理解的是，本发明并不局限于上面已经描述并在附图中示出的流程及结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。