[发明专利]一种基于模型的异步电动机故障监测诊断方法

摘要

本发明公开了一种基于模型的异步电动机故障监测诊断方法，其首先采集能够正常运行的异步电动机的三相输入电压信号和三相输出电流信号，建立起数学模型，作为无故障模型；将无故障模型和在相同的输入电压u驱动下并行运行，得到即残差信号d；然后其进行时域分析，根据3σ原则确定异步电动机残差信号有效值的阈值η，通过监测异步电动机稳定运行时残差有效值dRMS是否超过阈值η来判断故障是否发生；再对残差信号d进行频域分析，根据残差频谱中出现的故障特征频率分量fF来确定故障类型。本发明可以有效地削弱输入电压对电机故障监测诊断造成的不利影响，提高故障信号的信噪比，从而提高电机故障监测的灵敏度和故障诊断的可靠性。

主权项

一种基于模型的异步电动机故障监测诊断方法，其特征在于，包括以下步骤：1)首先采集新的能够正常运行的异步电动机稳定运行时的三相输入电压信号和三相输出电流信号，利用基于极限学习机算法的神经网络系统辨识方法建立起该异步电动机的数学模型，并把该数学模型作为该异步电动机的无故障模型；2)将该异步电动机的无故障模型和该异步电动机在相同的输入电压u驱动下并行运行，得到二者的输出电流信号之差，即残差信号d；3)对残差信号d进行时域分析，根据3σ原则确定异步电动机残差信号有效值的阈值η，通过监测异步电动机稳定运行时残差有效值dRMS是否超过阈值η来判断故障是否发生；4)对残差信号d进行频域分析，根据残差频谱中出现的故障特征频率分量fF来确定故障类型；步骤1)中，异步电动机的无故障模型通过采用基于极限学习机的神经网络系统辨识方法获得，包括以下步骤：(a)采集得到异步电动机稳定运行时的三相输入电压信号uA、uB、uC和三相定子电流信号iA、iB、iC，并按照比例分为训练样本和检验样本两部分，训练样本用于学习得到异步电动机的无故障数学模型，检验样本用来对模型的效果进行验证；(b)神经网络模型采用“串‑并”辨识结构，神经网络的输入层节点数目选为15，包括三相电压信号的当前值、三相电压的延时信号、三相电流的延迟信号，神经网络的输入向量表示为：xk＝[uA(k),uB(k),uC(k),uA(k‑1),uB(k‑1),uC(k‑1),uA(k‑2),uB(k‑2),uC(k‑2),iA(k‑1),iB(k‑1),iC(k‑1),iA(k‑2),iB(k‑2),iC(k‑2)]T其中k＝1,2,…,N，N为训练样本个数；神经网络的输出层节点数目为3，对应三相输出电流信号k时刻的值，神经网络的输出向量表示为：y'k＝[i'A(k),i'B(k),i'C(k)]T隐层节点数目为输入层输入向量维数的2倍，激励函数选用Sigmoid函数，即g(x)＝1/(1+exp(‑x))；(c)利用训练样本采用极限学习机算法对异步电动机神经网络模型进行学习：首先，对神经网络输入权重向量wj和隐层阈值bj随机赋值其中，为隐层节点个数；然后，计算得到隐层输出矩阵最后，计算得到矩阵H的广义逆矩阵从而得到输出权重向量其中，Y＝[y1,y2,…,yN]T,yk＝[iA(k),iB(k),iC(k)]T，k＝1,2,…,N；(d)使矩阵HTH的对角线元素加上一个正数，即其中，γ的值取0.2，I为单位矩阵；(e)利用检验样本对模型进行验证，神经网络的输入向量为x‾k=[uA(k),uB(k),uC(k),uA(k-1),uB(k-1),uC(k-1),uA(k-2),uB(k-2),uC(k-2),i′A(k-1),i′B(k-1),i′C(k-1),i′A(k-2),i′B(k-2),i′C(k-2)]T]]>按照步骤(c)中的输入权重向量wj和隐层阈值bj计算得到隐层输出矩阵；为检验样本个数；然后，计算模型输出与异步电动机实际输出Y对比，判断模型是否符合要求；步骤3)中，对异步电动机故障的监测是通过对残差信号的有效值进行监测实现的，具体包括如下步骤：a.异步电动机的数学模型建立后，计算得到异步电动机无故障时残差信号，将2560个0.2s残差信号样本的有效值作为1个残差监测点进行故障监测，计算残差监测点的均值μ和标准差σ，根据3σ原则将残差阈值为η＝μ+3σ；b.在异步电动机稳定运行过程中，实时计算残差监测点幅值dRMS，并进行判断：若监测点幅值dRMS小于阈值η，说明异步电动机运行正常；若监测点幅值dRMS超出阈值η，则进一步对异步电动机故障类型进行诊断。