基于“正确树”模型的电机在线监测和故障诊断方法与流程
本发明涉及一种基于“正确树”模型的电机在线监测和故障诊断方法。
背景技术：
随着现代化工业的发展以及“信息化”和“工业化”的不断融合，工业设备能否安全可靠的以最佳的状态运行，对于确保产品质量、提高生产能力、保障生产安全方面都有十分重要的意义。制造业设备的故障是指设备在规定时间内、规定条件下丧失规定功能的状况，通常这种故障是从某一零部件的失效引起的。而随着现代设备结构复杂化，其在工业生产中产生的影响和作用也越来越大。设备的停机或失效都会带来严重的损失。
电机是风机、泵、压缩机、机床、传输带等各种设备的驱动装置，在工业生产中起着非常重要的作用，广泛应用于冶金、石化、化工、煤炭、建材、公用设施等多个行业和领域，是用电量最大的耗电机械。电机耗电占全社会总用电量的64％，其中工业领域电机总用电量占工业用电的75％。
然而，尽管产业升级所带来的技术进步正在将电机的性能和品质不断推向新的高度，可是使用电机的方式，却几乎在它问世的这一百多年间没有什么太大的变化：连续运转，直到“寿终正寝”。同时，在提升电机使用寿命、确保其长时间稳定运行方面，除了繁琐复杂的人工检修和排查，目前在电机的维护和保养方面所采取的措施也仍然是非常有限的。
这会带来一个很严重的问题，就是极高的设备风险成本。作为设备机械动力源的电机，其安装使用和维修更换的过程往往是极为耗时、费力的，一旦出现任何故障或损坏造成设备停产，总是会给企业带来不小的经济损失，包括：设备停机导致产能效率下降，以及因电机损坏而发生设备二次损伤等等。因此，针对电机的状态监测和故障诊断，是工业设备维护的关键问题之一。
常用的电机故障诊断技术分为离线诊断和在线诊断，自二十世纪六十年代起，电机故障诊断技术作为一门新学科得到了广泛的认可。
其中，电机的离线诊断包括了定期性维护和故障后维修。定期对电机进行检查和维修，能减少故障的发生频率，增加电机的使用寿命。但是，定期性维修容易导致工作量过大，生产停滞，会影响生产过程中的工作效率。故障后维修容易发生设备损坏，増加维修费用，造成巨大的经济损失。在线诊断就是采用仪器设备将故障信号传输到pc机上，然后通过仿真软件对信号数据进行处理分析。与离线诊断相比，现代化的在线诊断拥有良好的实时控制性，对电机的故障进行实时分析判断，不但能及时发现问题还能尽早解决问题，为生产制造减少了很多不必要的麻烦。
目前常见的电机故障在线诊断方法分为基于解析模型和基于信号处理两大类。其中，基于解析模型的方法包括状态估计、参数估计等。这些方法需要描述过程中的精确数学模型，建模有助于对过程中机理结构的深入理解，其目的是得到精确的模型。但是在实践中，建模过程复杂，模型不易理解，且经常有不能明确地建模的复杂行为关系；基于信号处理的故障诊断包括温度、电流电压、振动、超声波等多类信号，所使用的工具包括小波变换等数学方法进行故障特征的提取，将提取后的特征与正常的电机进行比对，从而得出故障的原因。这些方法对维护人员的专业知识和经验要求较高，需要能够看懂波形或图形比对所指向的故障；且涉及到的信号越多，需要的数据采集硬件越复杂，成本越高。。
技术实现要素：
为了解决现有技术存在的上述不足，本发明提出了一种基于“正确树”模型的电机在线监测和故障诊断方法。
为实现上述目的，本发明所采取的技术方案是：一种基于“正确树”模型的电机在线监测和故障诊断方法，其特征在于，包括以下步骤：
(1)数据采集:利用数据采集终端采集电机的相电压和相电流，数据采集终端包括传感器、信号处理模块、数据传输模块，作用是实现对电机相电流和相电压的实时高速采集，实现对动态波形的跟踪，并将数据以标准格式实时上传到配套软件的linker模块；
(2)数据的传输:将数据采集终端采集的电机运行时的三相相电压和三相相电流信号进行数字化转换，以用于进一步的信号处理；
(3)建立电机内部模型；
(4)建立“正确树”模型；
(5)故障诊断：包括电机的电气故障和机械故障诊断。
所述的步骤(2)中，低于480v的电压直接输入数据采集终端，高于480v的电压则要使用电压互感器；电流采用电流互感器或霍尔电流互感器；一个完整的数据采集周期为60秒。其中，每个周期的前40秒用于进行电流与电压波形信息的采集，后20秒用于数据后处理和分析。
所述的步骤(3)，建立电机内部模型的具体方法包括以下步骤：
(a)确定模型中参数：包括：
(a)与转子断条故障对应的定子电流频率：f1＝(1±2ks)fs(fs为电源频率；k取正整数1,2,3…)；
(b)与定子匝间绝缘对应的定子电流频率:f2＝[(n±2k)(1-s)]fs(n＝1,2,3…；s为转差率；fs是电源频率；k＝0,1,2…)；
(c)与转子偏心故障(包含动态和静态偏心)对应的定子电流频率：f3＝(1-s)fs/p(fs为电源频率,p电机极对数)；
(d)与轴承故障对应的定子电流频率:f4＝fs±kfv(k＝1,2,3…；fs是电源频率；fv是轴承特征故障频率)；
(e)与齿轮故障对应的定子电流频率:f5＝fs±kfr(k＝1,2,3…；fs是电源频率；fr是齿轮的旋转频率)；
(f)与机械松动故障对应的定子电流频率:f6＝kfs(k＝1,2,3…；fs是电源频率)。
(b)学习设备正常的工作周期，系统设置60秒为一个周期；
(c)周期内不断采集电机输入电压、电流的波形数据以及实际转速数值；
(d)对周期内的电压和电流波形数据进行频谱分析；
(e)用转差率
(f)用a-f中的标准公式计算出故障频率所在的频率段，并将频率段的两端限值作为频域横坐标对应故障频率控制范围；
(g)系统在自学习过程中将这些限值学习为常数后，将8天内学习的所有数据综合在一起建立电机的运转状态内部模型；
(h)电机内部模型确定后，根据系统内已经植入的数据分析算法和经验算法，对电机的运转状态内部模型进行参数修正，并将修正后的频谱图作为正确树模型。
所述的步骤(c)中电机实际转速数值的测定方法为：
步骤1:采用相位差校正法计算电机定子电流中的基波频率；
步骤2：根据基波频率和设定的转差率波动范围，确定一阶转子槽谐波频率的频率区间，并在此频率区间内搜索峰值，用相位差校正法计算一阶转子槽谐波频率；
步骤3：利用式①计算电机转速：
其中，r为转子槽数，f1是电源频率,fsh是转子槽谐波频率，n为电机转速。
所述的步骤(4)，建立“正确树”模型的具体方法为：电机内部模型确定后，即可根据系统内已经植入的数据分析算法和经验算法，对电机的运转状态内部模型进行参数修正，并将修正后的频谱图作为正确树模型。
所述的电机内部模型和“正确树”模型的建立过程是，通过机器学习，建立步骤(3)的电机内部模型，再以此为基础，通过算法建立步骤(4)的正确树，其具体方法如下：
当整套系统第一次安装时，需要设定并学习电机的主要性能参数；如果电机运行在恒定的转速和负载下，只需要进行最简单的学习过程来确定电机内部模型参数，并建立“正确树”；如果有任何运行特征发生变化，都预示着可能有故障出现，当电机运行在可变的转速或可变的负载下时，一种负载范围的“正确树”对其他负载不成立，系统需要对每一种运行模式都分别学习并生成一个单独的电机内部模型和“正确树”，当电机运行状态发生变化后，系统将从一种“正确树”过渡到另一种“正确树”。
在机器学习期间，系统将重复搜集电流与电压的波形，完成分析，同时记录转速的变化，然后重复该过程；在每一个60秒的迭代期内，系统同时采集每一相的电压与电流波形，转速变化，然后完成数据的数字化分析；在系统安装的初期，前2天为学习阶段，系统不提供状态监测和故障诊断功能，主要工作是忙于构建初期电机内部模型和“正确树”，并确定相关参数；在前2天结束后，将开始对电机进行监控，在此期间，将进行另外6天的持续性模型改进；在学习与改进阶段，如果电机从一种运行模式过渡到另一种运行模式，系统将保存之前的数据并开始学习新运行模式；一旦完成全部的学习和改进，系统将停止模型提炼，开始利用已经完成的电机内部模型及“正确树”模型对电机进行连续的监控。
在模型构建完成后，如果电机遇到了一个以前没有遇到过的运行模式，如果电流波形明显与已经建模的波形不同，可能会引发系统警报；这时，用户可以人工干预，强迫系统去学习新的模型并进行更新，在更新学习过程完成之前，系统将不会监控新的模型；在所有学习期间，如果动力中断，系统将从上次断点恢复并继续学习。
所述的步骤(5)中，电机的电气故障将引起实际的电机内部模型的变化，从而导致“正确树”模型的变化；在监控期间，系统根据测量的电压与电流波形，并计算电机内部模型的若干个新被观察的系数k和s，建立新的“正确树”；将新的“正确树”模型系数与之前学习和改进阶段已建立的“正确树”模型系数进行比对，如果差值达到设定的阈值，说明电机内部发生了电气故障问题。
本发明的优点是：通过实时在线采集电机的电压和电流数据，采用机器学习算法自主学习电机的运行模式，建立电机运行在正常工况下的“正确树”模型后，将电机实际运行工况与“正确树”模型进行比对，从而在故障早期及时发现电机发生的机械故障和电气故障并进行报警，减少设备计划外停机，提高生产率。本发明可以用较低的成本提供准确的故障诊断和维修决策信息，对使用者的技术水平要求不高，其适用范围较电机故障诊断中常用的振动和电流特征分析系统更广，除了应用在电机上，亦可用于对发电机进行监测。
本发明应用范围广，适应性强，特别适用于精确模型难以获取的领域。本发明提出的基于“正确树”模型的电机在线监测和故障诊断方法，其思路借鉴了安全系统分析中常用的故障树分析法。通过模式识别和机器学习技术，对电机的运行模式进行在线学习并形成正确模式的模型，弥补了其他在线诊断方法中缺乏对电机运行模式进行检测的不足，降低了应用难度。
附图说明
图1是本发明“正确树”的整体诊断流程图；
图2是电机内部模型示意图；
图3是普通三相异步电机的控制系统示意图；
图4是本发明的典型正确树构成示意图。
具体实施方式
参见图1-图4，本发明基于“正确树”模型的电机在线监测和故障诊断方法，是一个由软件和联网的硬件组成的系统。该系统的数据采集终端一般可置入电机的控制柜中，实时在线测量电机的相电压与相电流波形数据，根据测量结果，需要花费一定时间(一般不超过8天)进行电机运行模式的学习，采用机器学习算法建立电机正常运行工况的“正确树”模型，识别和保存设备的正常工况。在模型正常建立并优化后，即开始监控电机的运行工况。一旦运行工况超出正常工况后，系统即可发出警示，并确认是发生故障还是新的正常工况。
“正确树”的提法来源于传统的故障树分析。故障树分析从一个可能的事故开始，自上而下、一层层的寻找顶事件的直接原因和间接原因事件，直到基本原因事件，并用逻辑图把这些事件之间的逻辑关系表达出来。“正确树”分析也借鉴了这个思路，不同之处在于，“正确树”分析借鉴了模式识别技术。与常规模式识别采用的统计模式识别、结构模式识别、模糊模式识别等不同，目前基于人工神经网络的机器学习技术由于自适应能力很强，能够无限逼近任意给定的函数，能够灵活地模拟实际工况下设备中的数据之间的复杂关系(非线性特性)等优势，在“正确树”中获得了主要应用。
采用“正确树”模型进行电机状态监测和故障诊断的流程如图1所示。具体、完整的技术方案：
下面以三相异步感应电机为例，解释具体的技术方案。
1、数据采集:
利用数据采集终端采集电机相电压和相电流，数据采集终端包括传感器、信号处理模块、数据传输模块等，作用是实现对电机相电流和相电压的实时高速采集，实现对动态波形的跟踪，并将数据以标准格式实时上传到配套软件的linker模块。
其中，传感技术可分为直接传感与间接传感两种模式。直接传感技术测量直接显示机械状况的实际数量，间接传感技术则可以间接测量机械状态的各种辅助参数。数据传输支持不同通信介质(现场总线、有线及无线网络)、通信接口(modbusrtu/modbustcp，profibus等)、外部标准输出接口(opcua等)以及冗余多路数据获取等，以达成不同类型设备、设施的互联。
以上不同的传感技术和数据传输技术可根据现场情况灵活选用。
2、数据的传输:将数据采集终端采集的电机运行时的三相相电压和三相相电流波形数据进行数字化转换，以用于进一步的信号处理。其中，低于480v的电压可以直接输入，高于480v的电压则要使用电压互感器；电流可以采用电流互感器或霍尔电流互感器。
一个完整的数据采集周期为60秒。其中，每个周期的前40秒用于进行电流与电压波形信息的采集，后20秒用于数据后处理和分析。这一时间分配根据具体工况可进行灵活配置。
所有的六个波形(3个相电压波形,3个线电压波形)都能够以文本文件的形式输出而用于进一步的后处理。文本文件没有文件头，只有对应于成对出现的电压与电流波形的六组数值，即v1，i1，v2，i2，v3，i3。
3、建立电机内部模型：
对于一台理想状态的电机来说，其电压与电流的时域波形是正弦波。其中，电流的相位与幅值受到电机输入电压的影响，其影响遵从与电机内部的机械与电器工作原理，在这一原理的作用下，将电机的输入电压波形转换为电机的输出电流波形，如图2所示。在数学上，电机内部的机械与电气工作原理即为电机工作模型，可表示为一组微分方程组，采用机器学习的目的是确定该模型中的系数。
4、建立“正确树”模型:
电机内部模型的建立是建立“正确树”模型的基础。
“正确树”这一概念借鉴了“故障树”，但与“故障树”分析设备的故障不同，“正确树”的核心在于用一系列参数描述电机的正常工况，通过将不属于正常情况的工况视为异常来诊断故障。从物理意义的角度，正确树的每一层用可以改变电机运行状态的控制方式作为要素，正确树的形式与电机控制系统密切相关。
如图3所示，对一般三相异步电机来说，整套控制系统包括：电源、开关/接触器、变频器(可选)、电机、机械设备(负载)。系统内的每一步骤都对应着可以改变电机运行状态的可变参数。对于系统中很多等效变化的参数可以通过数学公式计算获得，在“正确树”中不再体现这些参数。
在工频为50hz的情况下，变频器由0hz到50hz调频变速过程中，会出现电压由0v到380v趋于直线的升高过程，根据t＝9550p/n(t：扭矩，p:输出功率，n：电机实际转速)这一过程中由于输出功率/实际转速的比值变化，会出现输出扭矩变大或变小的情况。
在变频器输出频率≥50hz时变频器的输出电压会一直保持在380v。根据t＝9550p/n(t：扭矩，p:输出功率，n：电机实际转速)这一过程中由于输出功率/实际转速的比值变化，会出现输出扭矩变大或变小的情况。
正确树中的可能的要素与设备的对应关系如图3所示。
根据三相电机输入功率
其中，电流与功率等效，功率因数为有功功率和视在功率的计算值(输入电压和负载电流相位角差值的余弦)，因此不适合放入正确树中。其它要素均可放入“正确树”内作为“正确树”的一层。
图4是一个典型的“正确树”实例，其中的控制要素包括：相序、负载和转速，通过改变控制要素可以改变电机的运行状态，比如更换相序可以改变电机的转向，改变负载可以使电机电流改变，改变频率可以使电机转速发生变化。这种可以改变电机运行状态的方法以及方法内所涉及的数据分析算法与经验算法组成了电机的正确树模型。
5、电机状态学习:
在实际应用中，电机内部模型的建立，是通过一定时间的机器学习实现的。在电机内部模型确定后，可根据系统内已经植入的数据分析算法和经验算法，进一步建立“正确树”模型。根据建模对象和运行工况的不同，机器学习花费的时间也有所不同，一般在5-10天。通过实测，我们将默认的时间设为8天。
当整套系统第一次安装时，需要设定并学习电机的主要性能参数。如果电机运行在恒定的转速和负载下，只需要进行最简单的学习过程来确定电机内部模型参数，并建立“正确树”。此时，如果有任何运行特征发生变化，都预示着可能有故障出现。当电机运行在可变的转速或可变的负载下时，一种负载范围的“正确树”对其他负载不成立，系统需要对每一种运行模式都分别学习并生成一个单独的电机内部模型和“正确树”，当电机运行状态发生变化后，系统将从一种“正确树”过渡到另一种“正确树”。
为建立电机内部模型，首先需要计算转子转速。本发明采用的是检测定子电流信号中的槽谐波的方法，可以推算出转子槽谐波频率与电机转速的关系为：
其中，r为转子槽数，f1是电源频率,fsh是转子槽谐波频率，n为电机转速。
采用离散频谱校正技术，对定子电流信号的电机转速计算方法可归纳为以下几个步骤:
(1)采用相位差校正法计算电机定子电流中的基波频率；
(2)根据基波频率和设定的转差率波动范围，确定一阶转子槽谐波频率的频率区间，并在此频率区间内搜索峰值，用相位差校正法计算一阶转子槽谐波频率；
(3)利用式①计算电机转速。
在学习期间，系统将重复搜集电流与电压的波形，完成分析，同时记录转速的变化，然后重复该过程。在每一个60秒的迭代期内，系统同时采集每一相的电压与电流波形，转速变化，然后完成数据的数字化分析。在系统安装的初期，前2天为学习阶段，系统不提供状态监测和故障诊断功能，主要工作是忙于构建电机内部模型和“正确树”，并确定相关参数。在前2天结束后，将开始对电机进行监控，在此期间，将进行另外6天的持续性模型改进。在学习与改进阶段，如果电机从一种运行模式过渡到另一种运行模式，系统将保存之前的数据并开始学习新运行模式。
一旦完成全部的学习和改进，系统将停止模型提炼，开始利用已经完成的电机内部模型及“正确树”模型对电机进行连续的监控。
在模型构建完成后，如果电机遇到了一个以前没有遇到过的运行模式，如果电流波形明显与已经建模的波形不同，可能会引发系统警报。这时，用户可以人工干预，强迫系统去学习新的模型并进行更新。在更新学习过程完成之前，系统将不会监控新的模型。
电机内部模型可表示为一组微分方程组，其中，重点是通过机器学习进行模型中参数的确定。具体的六个主要参数包括：
a、与转子断条故障对应的定子电流频率：f1＝(1±2ks)fs(fs为电源频率；k取正整数1,2,3…)；
b、与定子匝间绝缘(性能)对应的定子电流频率:f2＝[(n±2k)(1-s)]fs(n＝1,2,3…；s为转差率；fs是电源频率；k＝0,1,2…)；
c、与转子偏心故障(包含动态和静态偏心)对应的定子电流频率：f3＝(1-s)fs/p(fs为电源频率,p电机极对数)；
d、与轴承故障对应的定子电流频率:f4＝fs±kfv(k＝1,2,3…；fs是电源频率；fv是轴承特征故障频率)；
e、与齿轮故障对应的定子电流频率:f5＝fs±kfr(k＝1,2,3…；fs是电源频率；fr是齿轮的旋转频率)；
f、与机械松动故障对应的定子电流频率:f6＝kfs(k＝1,2,3…；fs是电源频率)。
参数确定后，电机内部模型建立的方法为：
(1)学习设备正常的工作周期。系统设置60秒为一个周期；
(2)周期内不断采集电机输入电压、电流的波形数据以及实际转速数值；
(3)对周期内的电压和电流波形数据进行频谱分析(为常规技术)；
(4)用转差率
(5)用a-f中的标准公式计算出故障频率所在的频率段，并将频率段的两端限值作为频域横坐标对应故障频率控制范围；
(6)系统在自学习过程中将这些限值学习为常数后，将8天内学习的所有数据综合在一起建立电机的运转状态内部模型。
电机内部模型确定后，即可根据系统内已经植入的数据分析算法和经验算法，对电机的运转状态内部模型进行参数修正，并将修正后的频谱图作为正确树模型。
引入正确树修正内部模型的目的是发现设备之前就已经存在的故障。
6、故障诊断：
本方案主要进行电机的电气故障和机械故障诊断。
电机的电气故障(如匝间短路)将引起实际的电机内部模型的变化，从而导致“正确树”模型的变化。在监控期间，系统根据测量的电压与电流波形，并计算电机内部模型的若干个新被观察的系数k和s，建立新的“正确树”。将新的“正确树”与之前学习和改进阶段已建立的“正确树”系数进行比对，如果差值达到一定阈值，说明电机内部发生了电气故障问题。
电机的机械故障一般会对电机转子的位置产生扰动，从而产生失衡，并且产生电流波形的失真。随着故障进的一步加重，将进一步引起输出电流与理论值之间偏差的扩大，导致新的“正确树”与原有的“正确树”系数之间产生差值。根据系数的不同和差值的大小，来确定是发生了机械故障还是电气故障。
如果系统被安装在一个已经出现故障的电机上，并不意味着它无法掌握“正确树”，以及不能够检测到故障。利用系统内已经植入的数据分析算法和经验算法数据库，该数据库存储大量相似电机的“正确树”数据。这是用来作为一个备份，可以防止系统无法有效诊断已存在故障。
在一台正常的电机中，有可能在短时间出现“正确树”的较大偏差，从而产生误诊断。为了防止误诊断，系统会要求检测到的变化持续一段时间。对故障的确认系统中使用了一套数学算法，该数学算法会比较参数超出阈值的量级及出现在一个时间窗口中出现的次数。随着这个滑动窗口的变化，窗口内会出现所测量的参数超过统计阈值的数量。较大阈值超出量将要求一个较短的时间窗口，而较少的阈值超出量要求一个长时间的时间窗口。当持续时间满足条件的情况下，系统才会报警。
“正确树”故障诊断的限制:
1、在大多数情况下，系统能够及时的报告故障的发生、故障的分类，但无法对具体故障进行精确诊断和定位。这与“正确树”的原理有关，“正确树”模型更多的体现统计结果。如果需要进行精确的故障定位，需要配合电压和电流波形的频谱分析。对于机械故障来说，如果能够配合振动信号进行分析，效果会更好；
2、“正确树”模型不能用于那些电压或功率快速变化的电机上。在6秒的时间内，电压的频率及电流的幅值变化不能超过15％。对大部分的工况来说，这不是一个很大的限制，但在一些特殊场合可能会遇到这种情况。
- 还没有人留言评论。精彩留言会获得点赞！