一種檢測三相異步電動機故障的方法
【技術領域】
[0001] 本發(fā)明屬于檢測技術領域，涉及一種檢測三相異步電動機故障的方法。
【背景技術】
[0002] 三相異步電動機（以下稱電機）廣泛應用于國民生產(chǎn)中的各個方面，生產(chǎn)過程中 需要對電機運行狀態(tài)等進行實時在線檢測監(jiān)控。當檢測到電機運行狀態(tài)異常時需及時判斷 電機異常原因和故障嚴重程度，防止事故發(fā)生。目前國內(nèi)外有關電機運行狀態(tài)檢測監(jiān)控的 方法比較成熟，但大多集中在轉子斷條、偏心、定子短路等單一狀態(tài)方面，難以滿足電機整 體故障診斷的需求。因此，尋求整體、合理的故障檢測診斷方法，使其能夠有效、清晰的進行 故障評價和診斷意義重大。
[0003] Petri網(wǎng)方法是一種具有良好的并行計算和矩陣運算能力的可用圖形化表示的方 法，目前基于Petri網(wǎng)進行故障檢測的方法主要有：基于Petri網(wǎng)解決知識表示問題，但故 障診斷存在不確定性，使得故障信息的表達不充分；將模糊理論與Petri網(wǎng)相結合，提出模 糊Petri網(wǎng)（FuzzyPetriNet，F(xiàn)PN)建模方法，并指出FPN中庫所的值表示命題的置信度， 其值在0到1之間，可以解決確定性問題，但沒有給出FPN的動態(tài)推理方法；根據(jù)模糊產(chǎn)生 式規(guī)則，提出置信度矩陣推理算法，但故障傳播的固有特性沒有得到體現(xiàn)；提出故障Petri 網(wǎng)的激發(fā)矩陣方法，解決故障建模中描述故障狀態(tài)變化過程的問題；提出模糊故障Petri 網(wǎng)（FuzzyFaultPetriNet，F(xiàn)FPN)的概念，但沒有具體的矩陣推理算法。上述各算法從不 同層面建立了模型、進行了推理等，但均存在不足，同時均沒有涉及對三相異步電機的故障 進行檢測。

【發(fā)明內(nèi)容】

[0004] 為了克服現(xiàn)有技術中存在的缺陷，本發(fā)明提出了一種檢測三相異步電動機故障的 方法，提高電機故障檢測的有效性、準確性。
[0005] 其技術方案如下：
[0006] -種檢測三相異步電動機故障的方法，包括以下步驟：
[0007] 步驟1、根據(jù)電機出現(xiàn)的故障事件，找出故障發(fā)生的直接或間接原因，建立故障事 件的邏輯關系；
[0008] 步驟2、根據(jù)Petri網(wǎng)的可達性結合1中的邏輯關系，構建電機的模糊故障Petri 網(wǎng)的故障檢測模型；
[0009] 步驟3、綜合模糊規(guī)則、專家知識、及歷史數(shù)據(jù)，利用模糊統(tǒng)計法等方法，確定初始 庫所置信度、權值、變迀可信度和閾值；
[0010] 步驟4、利用矩陣推理對電機進行故障檢測和診斷。
[0011] 進一步的，所述步驟2中的模糊故障Petri網(wǎng)定義為一個10元組：
[0012] SFFPN= (P,T, I,0,M, Q, a ,f,H,U)
[0013] (1)P= {Pl，p2，…，pn}為故障庫所集合，代表電機所發(fā)生的故障，如"熔斷器熔體 故障"，"轉子繞組短路"，"電機掃膛"，"軸承過度磨損"等。
[0014] (2)M= (mi,m2,…，mn)T為庫所標識向量，m;代表其對應庫所p;的托肯的數(shù)目（1 或0)，mi= 1表示pi庫所有token，即庫所代表的故障事件發(fā)生。
[0015] ⑶a=(aa2，…，an)T為庫所置信度n維向量，a;為庫所口；的置信度，表示 PlR表的故障事件發(fā)生的真實程度的置信度；
[0016] (4)Q= (%，，…，con)T為庫所權值n維向量，表示輸入庫所？1對變迀規(guī)則t 的影響程度，滿足V/ €『，凡―€ //〇且文％ = 1 ;
[0017] (5)f=出，f2，…fj為庫所最小割集的故障率的集合，表示庫所Pl代表的故障事 件發(fā)生的概率大小；
[0018] (6)H=(入丨，入2，…入n)T為變迀閾值向量，入丄表示變迀、點火的閾值；
[0019] (7)U=diag(yi，y2，…i〇為變迀規(guī)則可信度矩陣，h表示規(guī)則變迀h的可信 度。
[0020] 進一步的，步驟2的（3)中底層庫所置信度由專家知識、歷史經(jīng)驗，輔助于置信度 模糊統(tǒng)計法得到，而當冬e 人% =丨，2，一，"，變迀t預使能，如果 .>-1 預使能變迀t可以觸發(fā)點火（點火矩陣在下文中講述），在后繼的庫所？(]]產(chǎn)生一個新的置 信度a(P(]j)
[0021] 進一步的，步驟4中的故障檢測與診斷為全矩陣模式的正反推理方式。正向推理 是在電機無故障發(fā)生時，通過在線監(jiān)測設備預測可能出現(xiàn)的故障，實現(xiàn)對系統(tǒng)故障嚴重程 度的評價和傳播途徑的描述。反向推理是當系統(tǒng)發(fā)生故障時，根據(jù)所產(chǎn)生的故障現(xiàn)象，通過 矩陣進行反向推理，追溯最可能的故障源（即底層庫所），為設備的診斷維修提供依據(jù)，從 而為提高設備系統(tǒng)的可靠性提供有效的方法。為了更好的進行矩陣推理，定義如下算子：
[0022] (1)比較算子?:C=A?B，A，B和C均為mXn矩陣，當a?！礲。時，C1 ;當 a^Cb。時，C0,i= 1，2,…，m;j= 1，2,…，n〇
[0023] (2)取小算子八：C=A八B，A,B和C均為mXn矩陣，Ci.j=min(a",t^)，i= 1，2,...，m;j= 1，2, ...，n〇
[0024] (3)取大算子C=y4? 漢A，B和C均為mXn矩陣Cij=max(au，t^)，i= 1，2,...，m;j= 1，2, ...，n〇
[0025] (4)乘法算子發(fā).：惡A，B和C分另U為mXq，qXn，mXn矩陣，
[0026] (5)直乘算子A:C=AAb，A和C分別為mXn，nXm矩陣，b為n維向量，則h =a。?bpi= 1，2,...，m;j= 1，2, ...，n〇
[0027] 首先，正向推理矩陣包括庫所置信度推理矩陣、變迀點火矩陣和故障狀態(tài)標識推 理矩陣，只有滿足變迀點火條件，相關庫所中的故障token才能傳遞到后置庫所，而變迀的 點火判斷矩陣又需要前置庫所置信度為依據(jù)。
[0028] 庫所置信度推理矩陣為》" =%十
[0029] 其中0為Petri網(wǎng)輸出矩陣。
[0030] 變迀點火矩陣為
[0031] 其中.y= (yi，y2，…，yn)T為變迀預使能判別矩陣。如果變 迀滿足點火條件，則點火向量元素y;= 1，否則yi= 0 ;
[0032] G(x) = I- ? a，G(X) = (g1; g2,…，gn)T，表示庫所置信度與權值的等效和值n為 列向量
[0033] I- :1 - = { ▽ "}，▽ijG[0, 1]，當有 口;至t.j的有向弧時，▽ij= 〇 i;當有t』 至Pi的有向弧時，▽ij= 〇,其中i= 1，2,…m，j= 1，2,…，m;
[0034]
X代表變迀閾值，b要足夠大，使得x > X時，.供(x)_*i1 x <入時，穿
[0035] I為petri網(wǎng)輸入矩陣；
[0036] 十為故障狀態(tài)標識推理矩陣，Mk為故障狀態(tài)標識向量，代表 故障token在模型庫所中的分布及傳播途徑。
[0037] 反向推理為即為正向推理的逆，因此我們先定義逆向推理的輸入、輸出庫所分別 為正向輸出、輸入庫所。即1=0, 〇 =1，。如果故障源庫所有多個，則根據(jù)最小割集故 障發(fā)生率來確定優(yōu)先診斷順序。若最小割集G= {Pl，p2，…，pn}，則最小割集故障發(fā)生率為
[0038] 反向推理也包括反向變迀點火矩陣和庫所置信度推理矩陣。反向變迀點火矩陣為
[0039] 其中f為第k次逆向點火時的逆網(wǎng)使能變迀序列；
[0040] 1"= (1，1，…1) T為m維列向量。
[0041] 庫所反向置信度推理矩陣與正向相同。
[0042] 本發(fā)明的有益效果為：本發(fā)明提出一種電機故障檢測與診斷方法，該方法應用 矩陣推理算法來推導故障token信息的正向或反向傳遞，同時該算法矩陣運行速度快、以 Petri網(wǎng)圖形方式顯示直觀、明了。其正向演繹算法使工作人員快速、有效的對預發(fā)故障進 行評價與檢測，逆向演繹基于最小割集有效避免故障診斷的盲目性。
【附圖說明】
[0043] 圖1為本發(fā)明實施的電機故障推理的Petri網(wǎng)模型；
[0044] 圖2為本發(fā)明具體實施的電機故障推理部分Petri網(wǎng)模型；
[0045] 圖3為本發(fā)明具體實施的正向推理底層庫所初始故障token的分布；
[0046] 圖4為本發(fā)明具體實施的正向推理故障token的傳遞方向；
[0047] 圖5為本發(fā)明具體實施的反向推理頂層庫所初始故障token的分布；
[0048] 圖6為本發(fā)明具體實施的反向推理故障token的傳遞方向。
【具體實施方式】