[发明专利]一种多模式融合电动机智能维护系统

权利要求书

1.一种多模式融合电动机智能维护系统，其特征在于，维护系统包括如下模块：

(1)信号采集模块；

(2)电动机转速估计模块；

(3)电动机多传感器特征提取模块；

(4)电动机自学习多元诊断模块；

(5)电动机智能维护模块。

2.如权利要求1所述的一种多模式融合电动机智能维护系统，其特征在于，

所述模块(1)中，信号采集模块，可通过传感器采集所监测电动机轴承端盖振动信号、电压信号、定子电流信号，电动机机壳温度信号，其中电压信号与定子电流信号必须同步采集；亦可直接获取厂区已有监控系统的符合精度要求的振动信号、温度信号等信号，减少现场重复施工；

所述模块(2)中，电动机转速估计模块包括如下流程：

(2.1)接收(1)中所采集定子电流信号，并提取其中较稳定的一段时间采样数据，记作D1；

(2.2)对D1数据进行低通滤波，滤除信号中存在的随机噪声与环境噪声，滤波后信号记作D2；

(2.3)去除D2影响定子齿槽谐波分量的工频的三次谐波后的各奇次谐波分量，并对其进行频谱分析，提取定子齿槽谐波分量，记作f_sh，该分量与转速n及转子齿数Z有如下关系：

其中，f₀为供电电源频率；

(2.4)将计算结果传入后续处理模块，转速追踪模块处理结束；

所述模块(3)中，电动机多传感器特征提取模块包括如下步骤：

(3.1)接收采集所得电动机三相电压、定子电流、振动、温度及计算所得转速信息；

(3.2)计算振动、电压、电流信号不低于秒级的有效值，分别得出计算结果σ₁，σ₂，σ₃，存放于系统内存，其振动有效值即为本发明所述振动烈度；

(3.3)计算转速、温度信息不低于秒级的有效值，分别得出计算结果σ₄，σ₅，存放于系统内存；

(3.4)对三相电压、电流数据、振动数据进行奇异值分解，得到其数据奇异分解特征矩阵，将所有矩阵的奇异值从数值几乎不变时为起始值，后续奇异值全部置零，标记奇异特征矩阵以备后用；

(3.5)将三相电流奇异特征矩阵最大的奇异值替换置零，将三相电流、振动数据奇异分解特征矩阵重构，组成新的电流、振动信号数据，该信号即为数据奇异滤波信号，其中电流信号中不包含工频以及随机噪声等干扰故障诊断的信号，振动信号中不包含随机噪声、环境噪声等能够干扰冲击特性的信号；

(3.6)将三相电流、振动信号进行自适应VMD分解，得到一系列BLIMFs，保存至系统内存以备后用，这一系列BLIMFs包含了电动机绝大部分故障特性，记作故障特征函数；其自适应VMD模型具有如下步骤：

(3.6.1)设置VMD模态分解个数K，二次惩罚因子初始值；

(3.6.2)利用BFOA算法优化VMD初始参数；

(3.6.3)最佳模态分解个数K，二次惩罚因子；

(3.7)提取(3.4)标记的三相电压、电流特征矩阵，将除前两个最大奇异值以外的其他奇异值全部置零，重构电压、电流信号；

(3.8)利用对称分量法计算三相电压、电流的正序、零序、负序分量；

(3.9)计算正序、零序、负序阻抗；

(3.10)计算电动机电压、电流三相不平衡度；

(3.11)将负序阻抗、电压和电流三相不平衡度记作σ₆，σ₇，σ₈，存放于系统内存；

(3.12)电动机多传感器特征提取模块计算结束；

所述模块(4)中，电动机电动机自学习多元诊断模块包括如下步骤：

(4.1)接收模块(3)中计算所得所有特征及故障特征函数；

(4.2)将σ₁，σ₂，σ₃，σ₄，σ₅，σ₆，σ₇，σ₈传入突发性故障诊断模式中，判定是否发生突发性故障，突发性故障诊断模式步骤如下：

(4.2.1)将σ₁，σ₂，σ₃与系统自设的故障越线阈值进行对比，若σ₁不在系统自设的故障越线区间，则突发振幅突变导致转子碰摩和转子偏心等，记作振幅突变故障；若σ₂不在系统自设的故障越线区间，则突发电压突变导致电压闪变等，记作电压突变故障；若σ₃不在系统自设的故障越线区间，则突发电流突变导致电流闪变、电动机堵转、负载突变等，记作电流突变故障；对上述三种故障进行标签分类，记录故障类型及故障时刻，存放于系统内存；

(4.2.2)将σ₄，σ₅与系统自设的故障越线阈值进行对比，若σ₄不在系统自设的故障越线区间，则突发转速突变导致负载工作不正常等故障，记作转速突变故障；若σ₅不在系统自设的故障越线区间，则突发温度突变导致电动机绝缘受损等故障，记作温度突变故障；对上述两种故障进行标签分类，记录故障类型及故障时刻，存放于系统内存；

(4.2.3)将σ₆，σ₇，σ₈与系统自设的故障越线阈值进行对比，若σ₆不在系统自设的故障越线区间，则突发三相电压不平衡导致供电电源失压、不稳定等，记作三相电压不平衡故障；若σ₇不在系统自设的故障越线区间，则突发三相电流不平衡导致单相接地、相见短路、电动机堵转、电动机发力不足等，记作三相电流不平衡故障；若σ₈不在系统自设的故障越线区间，则突发匝间短路等，记作匝间短路故障；对上述三种故障进行标签分类，记录故障类型及故障时刻，存放于系统内存；

(4.3)将故障特征函数、σ₄传入电动机Hilbert谱分析模式，判断是否发生转子断条、转子偏心、轴承等故障，电动机Hilbert谱分析模式具有如下步骤：

(4.3.1)利用σ₄、工频及电动机铭牌参数、轴承参数提取转子断条、转子偏心、轴承外滚道、内滚道、滚动体、保持架故障特征分量；

(4.3.2)对三相电流、振动故障特征函数进行Hilbert谱分解，这五组信号故障特征函数分别具有K(模态分解个数)个故障特征函数；

(4.3.3)对五组信号中的K个Hilbert谱寻找(4.3.1)所述频率附近的最高谱峰，并利用加权平均法进行计算，得出每组信号下每种故障类型的故障幅值；

(4.3.4)对三相电流信号Hilbert谱求得的故障幅值，利用加权平均法进行处理得到电流信号综合特征；

(4.3.5)对于垂直方向及水平方向振动Hilbert包络谱，由于故障发生点不同造成受力不均现象，同样对振动信号的故障幅值利用加权平均法进行处理得到振动信号综合特征；

(4.3.6)对于所提取电流及振动综合特征，当特征大于系统预设的故障一级阈值，则表明电动机发生相应类型故障，并认为初期故障；当特征大于系统预设的故障二级阈值，则表明电动机发生相应类型故障，并认为中期故障；当特征大于系统预设的故障三级阈值，则表明电动机发生相应类型故障，并认为晚期故障；每次检测完成后，对监测数据进行突发性故障标签化处理，标定故障类型、发生时间及故障严重程度，存放于系统内存；

(4.4)将故障特征函数传入大数据分析模式，对数据进行分类，判断电动机故障及严重程度，所述的大数据分析模式具有如下步骤：

(4.4.1)取系统内存中标记样本库中某一标记故障类型及严重程度的故障数据对应的故障特征函数；

(4.4.2)将标记数据三相电流、垂直方向振动、水平方向振动故障特征函数，进行归一化处理，形成归一化特征矩阵，该矩阵大小为其中c为采集信号通道数，K_i为每个通道的自适应VMD模态分解个数，fs为信号采样频率；

(4.4.3)将归一化特征矩阵进行以D-S证据理论为核心的多传感器多元信息融合模型中，构成一维数据融合样本，并建立分类标示；

(4.4.4)更换样本数据重复(4.4.2)-(4.4.3)直到样本库中不同标记类型样本全部处理完成，形成N维数据融合样本，N为样本库中所标记不同故障种类、不同故障程度的包括正常数据的样本类型总和；

(4.4.5)随着系统监测数据样本的不断积累，需要训练的数据总量越来越多，会造成系统戎机，并且陷入模型训练局部最优，不利于系统诊断正确率的提升预警运行速度的保持，未解决这一难题，将样本库增量更新策略引入系统，使系统保持原有的运行速度，并且高质量的训练数据，会使模型训练精度越来越高；

(4.4.6)将N维数据融合样本放入基于BFOA的自适应有向图SVM中，进行模型训练；所述基于BFOA的自适应有向图SVM具有如下步骤：

(4.4.6.1)确定有向图根节点数M，根据样本库中标签数据类型总和N，设置根节点数M：

M＝{N-1,N＝2,3,4,5,…} (2)

其中，当N＝1时，M＝0，代表数据样本库中仅有正常样本，无法完成模型训练；(4.4.6.2)确定SVM初始化参数惩罚因子C,宽度因子σ,不敏感损失函数ε；

(4.4.6.3)利用BFOA算法优化SVM初始化参数；

(4.4.6.4)最优SVM分类器；

(4.4.7)设置大数据分析模式可靠性水平参数L；

(4.4.8)将样本库中未使用样本作为测试数据，重复(4.4.2)-(4.4.3)，构建一维数据融合样本；

(4.4.9)放入(4.4.6)训练好的模型中进行故障分类，记录分类结果并与样本库中标记进行对比；

(4.4.10)在持续监测的过程中，坚持利用样本库数据中的50％数据作为训练数据，50％数据作为测试数据，统计故障分类结果正确率，所设置的可靠性水平参数L即为故障分类正确率；

(4.4.11)在大数据模式可靠性水平未达到系统自设的阈值之前，一直以静默学习的方式进行模型学习；当达到可靠性水平之后即可参与系统故障分类任务，并将模型分类结果传入系统内存；

所述模块(5)电动机智能运维模块，具有如下步骤：

(5.1)接收来自电动机自学习多源诊断模块三种模式的诊断结果；

(5.2)构建归一化多维矩阵，该矩阵构建规则如下：

(5.2.1)将三种模式下模型所能分辨的故障总数作为综合特征数量，对于突发性故障诊断模式及Hilbert谱分析模式未能检测的故障按0值补齐；当大数据分析模式未达到可靠性水平之前，该模式下的故障检测结果按0补齐；若达到可靠性水平未能检测的故障按0值补齐；将突发性故障模式、电流信号综合特征、振动信号综合特征、大数据分析模式当做四类传感器、构建传感器类型，将不同时间段的检测结果作为测量周期，完成归一化多维矩阵的构建，即该矩阵具有三个维度：传感器类型、综合特征数量、测量周期；

(5.3)将归一化多维矩阵放入以D-S证据理论为核心的多元诊断判据中，得到一维矩阵，该矩阵即为各故障的健康状态；

(5.4)将一维矩阵进行加权平均操作即可得到当前状态下电动机健康状态；

(5.5)对一维矩阵去归一化操作，并与模块(4)所述检测规则进行对比，得到当前电动机故障发生类型及严重程度；

(5.6)将结果汇总整理，并根据(5.4)-(5.5)的检测结果，下发电动机维护策略，为运维人员提供可靠的电动机维护建议及处理方法。