一種基于混合微粒群算法的感應(yīng)電機(jī)斷條故障檢測(cè)方法
【專利摘要】本發(fā)明公開(kāi)了一種基于混合微粒群算法的感應(yīng)電機(jī)斷條故障檢測(cè)方法,它首先根據(jù)感應(yīng)電機(jī)轉(zhuǎn)子斷條故障的特點(diǎn),建立故障狀態(tài)下的定子電流信號(hào)模型,其中包括基波分量和最突出的故障特征分量;接著以最小二乘的方式,構(gòu)造出能夠充分反映定子電流信號(hào)模型優(yōu)劣的目標(biāo)函數(shù);然后利用混合微粒群算法對(duì)該目標(biāo)函數(shù)進(jìn)行全局優(yōu)化,得出定子電流信號(hào)基波分量與邊頻分量的幅值、頻率和相位;再根據(jù)所得參數(shù)計(jì)算出邊頻分量與基波分量的幅值比;最后,將該幅值比與檢測(cè)閾值進(jìn)行比較,從而確定是否存在轉(zhuǎn)子斷條故障。本發(fā)明僅需很短時(shí)間的采樣信號(hào)即可高靈敏度、高可靠性地在線檢測(cè)感應(yīng)電機(jī)轉(zhuǎn)子斷條故障,特別適合用于感應(yīng)電機(jī)低轉(zhuǎn)差率運(yùn)行情況。
【專利說(shuō)明】一種基于混合微粒群算法的感應(yīng)電機(jī)斷條故障檢測(cè)方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種基于混合微粒群算法的感應(yīng)電機(jī)斷條故障檢測(cè)方法,屬于電機(jī)技 術(shù)。
【背景技術(shù)】
[0002] 感應(yīng)電動(dòng)機(jī)在負(fù)載過(guò)重或頻繁啟動(dòng)、制動(dòng)的運(yùn)行過(guò)程中,由于承受的機(jī)械應(yīng)力和 熱應(yīng)力過(guò)大,以及轉(zhuǎn)子自身的一些固有缺陷,容易出現(xiàn)斷條和端環(huán)開(kāi)裂等故障。研究表明, 轉(zhuǎn)子斷條故障占電機(jī)故障的10 %左右。
[0003] 轉(zhuǎn)子斷條是典型的漸進(jìn)性故障,初期通常1、2根導(dǎo)條斷裂,而后逐漸發(fā)展以致電 機(jī)出力下降甚至停機(jī),因此,必須實(shí)施轉(zhuǎn)子斷條故障檢測(cè)。
[0004] 感應(yīng)電動(dòng)機(jī)發(fā)生轉(zhuǎn)子斷條、端環(huán)開(kāi)裂等故障時(shí),會(huì)在定子電流中產(chǎn)生頻率為 (1±21^)4的附加電流分量,k = 1,2, 3…,為電源頻率,s為轉(zhuǎn)差率;該電流分量可以作 為轉(zhuǎn)子斷條故障的特征量,且定子電流信號(hào)易于采集,因此基于傅里葉變換的定子電流頻 譜分析方法被廣泛應(yīng)用于轉(zhuǎn)子斷條故障檢測(cè)。但由于電機(jī)穩(wěn)態(tài)運(yùn)行時(shí),轉(zhuǎn)差率很小,使得最 強(qiáng)的故障特征分量(I ±2s) 與基波頻率相當(dāng)接近,且故障分量幅值較小,易被基波分量的 泄漏及環(huán)境噪聲所淹沒(méi),使檢測(cè)的準(zhǔn)確性降低;這是此方法的不足之處。
[0005] 為了解決這一問(wèn)題,發(fā)展形成了擴(kuò)展的派克矢量方法、Hilbert模量方法、瞬時(shí)功 率方法等,這些方法的核心思想都是將定子電流信號(hào)中的基波分量轉(zhuǎn)換成直流量,同時(shí)將 (1 ±21^);!^分量變換為Zksf1分量,從而突出故障特征分量。
[0006] 但是這些方法都過(guò)分依賴于傅立葉變換的頻率分辨率,即需要較長(zhǎng)的采樣時(shí)間, 達(dá)到較高的頻率分辨率。較長(zhǎng)的采樣時(shí)間又意味著以更高概率引入負(fù)荷波動(dòng),致使影響轉(zhuǎn) 子斷條故障檢測(cè)的可靠性。另外,前兩種方法由于平方項(xiàng)的引入而產(chǎn)生眾多交叉項(xiàng),使頻譜 復(fù)雜化,降低了故障檢測(cè)的可靠性,并且頻譜中故障特征分量的物理意也不夠明確;對(duì)于瞬 時(shí)功率方法由于采集的量較多,存在硬件和軟件開(kāi)銷都較大的問(wèn)題。
【發(fā)明內(nèi)容】
[0007] 發(fā)明目的:為了克服現(xiàn)有技術(shù)中存在的不足,本發(fā)明提供一種基于混合微粒群算 法的感應(yīng)電機(jī)斷條故障檢測(cè)方法,能夠根據(jù)電流信號(hào)的時(shí)長(zhǎng)盡可能短的一相定子電流信 號(hào),高靈敏度、高可靠性地在線檢測(cè)轉(zhuǎn)子斷條故障。
[0008] 技術(shù)方案:為實(shí)現(xiàn)上述目的,本發(fā)明采用的技術(shù)方案為:
[0009] -種基于混合微粒群算法的感應(yīng)電機(jī)斷條故障檢測(cè)方法,首先根據(jù)感應(yīng)電機(jī)轉(zhuǎn)子 斷條故障的特點(diǎn),建立斷條故障狀態(tài)下的定子電流信號(hào)模型,其中包括基波分量和最突出 的故障特征分量;接著以最小二乘的方式,構(gòu)造出能夠充分反映定子電流信號(hào)模型優(yōu)劣的 目標(biāo)函數(shù);然后利用混合微粒群算法對(duì)該目標(biāo)函數(shù)進(jìn)行全局優(yōu)化,得出定子電流信號(hào)基波 分量與邊頻分量的幅值、頻率和相位;再根據(jù)所得參數(shù)計(jì)算出邊頻分量與基波分量的幅值 t匕;最后,將該幅值比與檢測(cè)閾值進(jìn)行比較,從而確定是否存在轉(zhuǎn)子斷條故障。
[0010] 該方法具體包括以下步驟:
[0011] 步驟1 :測(cè)取任意一相定子電流瞬時(shí)信號(hào)is(t);
[0012] 步驟2 :建立斷條故障狀態(tài)下的定子電流信號(hào)模型im(t)為:
[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分別為基波分量和邊頻分量的幅值,例、供 2和約分別為基波分 量和邊頻分量的初相位,為基波頻率,s為轉(zhuǎn)差率;
[0015] 步驟3 :構(gòu)造能夠充分反映定子電流信號(hào)模型優(yōu)劣的目標(biāo)函數(shù)Residuals為:
【權(quán)利要求】
1. 一種基于混合微粒群算法的感應(yīng)電機(jī)斷條故障檢測(cè)方法,其特征在于:首先根據(jù)感 應(yīng)電機(jī)轉(zhuǎn)子斷條故障的特點(diǎn),建立斷條故障狀態(tài)下的定子電流信號(hào)模型,其中包括基波分 量和最突出的故障特征分量;接著以最小二乘的方式,構(gòu)造出能夠充分反映定子電流信號(hào) 模型優(yōu)劣的目標(biāo)函數(shù);然后利用混合微粒群算法對(duì)該目標(biāo)函數(shù)進(jìn)行全局優(yōu)化,得出定子電 流信號(hào)基波分量與邊頻分量的幅值、頻率和相位;再根據(jù)所得參數(shù)計(jì)算出邊頻分量與基波 分量的幅值比;最后,將該幅值比與檢測(cè)閾值進(jìn)行比較,從而確定是否存在轉(zhuǎn)子斷條故障。
2. 根據(jù)權(quán)利要求1所述的基于混合微粒群算法的感應(yīng)電機(jī)斷條故障檢測(cè)方法,其特征 在于:具體包括以下步驟: 步驟1 :測(cè)取任意一相定子電流瞬時(shí)信號(hào)is(t); 步驟2 :建立斷條故障狀態(tài)下的定子電流信號(hào)模型im(t)為: 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分別為基波分量和邊頻分量的幅值,約、%和供3分別為基波分量和 邊頻分量的初相位,為基波頻率,s為轉(zhuǎn)差率; 步驟3 :構(gòu)造能夠充分反映定子電流信號(hào)模型優(yōu)劣的目標(biāo)函數(shù)Residuals為:
其中,h=iXTs,Ts為采樣間隔,N為采樣點(diǎn)數(shù),定子電流信號(hào)模型的優(yōu)劣由參數(shù)序列約,4,2成,口2,為,外}決定,并通過(guò)Residuals值反映,Residuals值越小表明定子 電流信號(hào)模型越逼近真實(shí)信號(hào); 步驟4 :利用混合微粒群算法對(duì)目標(biāo)函數(shù)Residuals進(jìn)行全局優(yōu)化,最終得到一組最優(yōu) 參數(shù)序列{4,/,約,為,2成,灼,4,灼},該參數(shù)序列使得目標(biāo)函數(shù)Residuals值最小,即 確定出采樣信號(hào)基波分量與邊頻分量的幅值、頻率和相位; 步驟5 :計(jì)算兩個(gè)邊頻分量與基波分量的幅值比,S卩(A2+A3)/Ai; 步驟6:將計(jì)算出的(4+^)/^值與檢測(cè)閾值進(jìn)行比較,判斷斷條故障是否存在:若 彡檢測(cè)閾值,表示電機(jī)處于健康狀態(tài),且(AfA^/Ai值越小,健康狀態(tài)越明確;若 (AfAp/A,檢測(cè)閾值,表示電機(jī)處于故障狀態(tài),且(4+4)/^值越大,故障狀態(tài)越嚴(yán)重。
3. 根據(jù)權(quán)利要求2所述的基于混合微粒群算法的感應(yīng)電機(jī)斷條故障檢測(cè)方法,其特征 在于:所述步驟(4)中,混合微粒群算法具體包括如下步驟: (4. 1)初始化微粒群中微粒的位置仍,為,2成,供2,為,朽}、個(gè)體極值Pi和 全局極值Pg; (4. 2)采用目標(biāo)函數(shù)Residuals計(jì)算每個(gè)微粒的適應(yīng)值; (4.3)更新微粒個(gè)體極值,具體為:對(duì)于每個(gè)微粒,設(shè)置微粒當(dāng)前時(shí)刻所得最好位置作 為它的個(gè)體極值,微粒當(dāng)前時(shí)刻適應(yīng)值最小時(shí)的位置即最好位置; (4. 4)如果《/尺=^//〇,n為迭代代數(shù),K為間隔代數(shù),[?」為向下取整,執(zhí)行單純形搜 索,其中: (4.4. 1)借助K-均值聚類方法,對(duì)微粒群進(jìn)行分類,并確定每個(gè)類的中心微粒; (4. 4. 2)對(duì)每個(gè)類的中心微粒執(zhí)行單純形搜索,并更新該中心微粒的個(gè)體極值; (4. 5)更新全局極值,具體為:選擇種群中當(dāng)前時(shí)刻位置最好的微粒作為全局極值; (4. 6)根據(jù)下式更新微粒位置:
其中,N(*)是高斯分布函數(shù),iiyOi)=化^.〇1)+?8,』(11))/2是高斯分布的均值, 0_:2/(/?) = |代._/(/7) - /\._/(/?)|是高斯分布的標(biāo)準(zhǔn)差,Pi,j(n)為Pi的元素,Pg,」(n)為Pg的元素,i =1,2, 3…M,M為種群規(guī)模,j= 1,2, 3…D,D為決策變量維數(shù); (4. 7)若滿足停止條件,則算法停止搜索,輸出全局最優(yōu)位置和全局最優(yōu)適應(yīng)值,否則 返回步驟(4.2)繼續(xù)搜索。
【文檔編號(hào)】G01R31/34GK104407293SQ201410692747
【公開(kāi)日】2015年3月11日 申請(qǐng)日期:2014年11月25日 優(yōu)先權(quán)日:2014年11月25日
【發(fā)明者】王攀攀, 史麗萍, 蔡儒軍, 劉佳璇, 孫望, 杜剛, 李訓(xùn)聿, 于婷 申請(qǐng)人:中國(guó)礦業(yè)大學(xué)