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)