CN111413616B - 永磁电机退磁故障综合诊断方法 - Google Patents
永磁电机退磁故障综合诊断方法 Download PDFInfo
- Publication number
- CN111413616B CN111413616B CN202010455431.2A CN202010455431A CN111413616B CN 111413616 B CN111413616 B CN 111413616B CN 202010455431 A CN202010455431 A CN 202010455431A CN 111413616 B CN111413616 B CN 111413616B
- Authority
- CN
- China
- Prior art keywords
- detection coil
- motor
- demagnetization
- diagnosed
- load back
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000005347 demagnetization Effects 0.000 title claims abstract description 206
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000003745 diagnosis Methods 0.000 title claims abstract description 29
- 238000001514 detection method Methods 0.000 claims abstract description 252
- 238000013528 artificial neural network Methods 0.000 claims abstract description 90
- 238000005192 partition Methods 0.000 claims abstract description 42
- 238000000638 solvent extraction Methods 0.000 claims abstract description 7
- 239000013598 vector Substances 0.000 claims description 53
- 238000004590 computer program Methods 0.000 claims description 5
- 238000011897 real-time detection Methods 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/34—Testing dynamo-electric machines
- G01R31/343—Testing dynamo-electric machines in operation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R33/00—Arrangements or instruments for measuring magnetic variables
- G01R33/12—Measuring magnetic properties of articles or specimens of solids or fluids
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Control Of Motors That Do Not Use Commutators (AREA)
Abstract
本发明提出一种永磁电机退磁故障综合诊断方法，其中，方法包括：在确定待诊断电机发生退磁故障之后，若第一探测线圈在一个机械周期内一直存在空载反电势残差，则同时提取三个探测线圈第一个电周期空载反电势残差并利用三级神经网络进行均匀退磁故障和局部退磁故障判定；在确定待诊断电机发生局部退磁故障之后，对三个探测线圈一个机械周期空载反电势残差进行分区；判断每个分区是否发生退磁故障；若发生，则提取对应分区中每个电周期空载反电势残差并利用三级神经网络进行退磁故障类型识别，以确定对应分区中多对永磁体的状态。由此，能够实现对退磁故障的实时检测、退磁故障模式识别及退磁永磁体的定位，另外，还可有效提高退磁故障诊断实时性。
Description
技术领域
本发明涉及电机技术领域，尤其涉及一种永磁电机退磁故障综合诊断方法以及一种计算机可读存储介质。
背景技术
永磁同步电机(PMSM)具有转矩密度高、结构紧凑、效率高等优点，广泛应用于机器人、电动汽车、高端制造装备、国防军工等领域。然而，受工作温度、电枢反应、制造缺陷及自然寿命等多因素的影响，PMSM具有退磁故障风险。永磁体发生退磁故障，会导致PMSM出现输出转矩下降、转矩波动增大、振动和噪声增大等性能下降情况，甚至烧毁。相关应用领域的驱动电机出现故障不仅影响企业的经济效益，而且还会威胁设备及人身安全。早期退磁故障的快速精确诊断是提高电机运行可靠性，延长电机的使用寿命，降低维护成本，保障电机安全生产的重要手段。
相关技术中，将永磁体磁链信息作为永磁体退磁故障诊断依据进行故障诊断，但是相关技术存在的问题在于，仅能实现退磁故障定性诊断，不能辨识退磁故障模式，即无法区分退磁故障是局部退磁故障还是均匀退磁故障，另外也不能实现退磁永磁体定位。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
为此，本发明的第一个目的在于提出一种永磁电机退磁故障综合诊断方法，该方法能够实现对退磁故障的实时检测，以及能够实现对退磁故障模式进行识别，并且，通过对空载反电势残差进行分区，根据分区中每个电周期的空载反电势残差的时域特征构造退磁故障特征向量，然后利用三级神经网络进行退磁故障类型识别，可实现对退磁永磁体的定位，另外，通过分区还可减少故障检测及定位过程中的检测时长和数据计算量，有效提高了退磁故障诊断实时性。
本发明的第二个目的在于提出一种计算机可读存储介质。
为达上述目的，本发明第一方面实施例提出了一种永磁电机退磁故障综合诊断方法，所述待诊断电机包括第一探测线圈、第二探测线圈和第三探测线圈，其中，在所述待诊断电机连续三个磁极对应位置的定子槽槽底或槽口处布置三个相同的线圈，所述第一探测线圈和所述第三探测线圈分别由布置在相邻两磁极定子槽槽底或槽口的两个所述线圈正向串联构成，所述第二探测线圈由相距一对极的两个所述线圈正向串联构成，所述方法包括：获取所述第一探测线圈、第二探测线圈和第三探测线圈一个机械周期的空载反电势残差；判断所述第一探测线圈一个机械周期的空载反电势残差是否大于或等于预设阈值，如果小于，则判定所述待诊断电机没有发生退磁故障，如果大于或等于，则判定所述待诊断电机发生所述退磁故障，并继续判断所述第一探测线圈在一个机械周期内是否一直存在所述空载反电势残差；如果所述第一探测线圈在一个机械周期内一直存在所述空载反电势残差，则分别提取所述第一探测线圈、第二探测线圈和第三探测线圈第一个电周期的空载反电势残差的时域特征并构造退磁故障特征向量，然后利用三级神经网络进行退磁故障类型识别，以及根据识别结果判定所述待诊断电机发生均匀退磁故障，或者判定所述待诊断电机发生局部退磁故障；如果所述第一探测线圈在一个机械周期内不是一直存在所述空载反电势残差，则判定所述待诊断电机发生所述局部退磁故障；在确定所述待诊断电机发生局部退磁故障之后，对所述第一探测线圈、第二探测线圈和第三探测线圈一个机械周期的空载反电势残差进行分区；判断多个所述分区的每个分区中所述第一探测线圈空载反电势残差是否大于或等于预设阈值，若小于，则判定所述对应分区中没有发生所述退磁故障；若大于或等于，则提取所述对应分区中每个电周期的空载反电势残差的时域特征并构造所述退磁故障特征向量，然后利用三级神经网络进行退磁故障类型识别，以确定所述对应分区中多对永磁体的状态。
根据本发明实施例的永磁电机退磁故障综合诊断方法，获取第一探测线圈、第二探测线圈和第三探测线圈一个机械周期的空载反电势残差，并判断第一探测线圈一个机械周期的空载反电势残差是否大于或等于预设阈值，如果小于，则判定待诊断电机没有发生退磁故障，如果大于或等于，则判定待诊断电机发生退磁故障，并继续判断第一探测线圈在一个机械周期内是否一直存在空载反电势残差，如果一直存在，则分别提取第一探测线圈、第二探测线圈和第三探测线圈第一个电周期的空载反电势残差的时域特征并构造退磁故障特征向量，然后利用三级神经网络进行退磁故障类型识别，以及根据识别结果判定待诊断电机发生均匀退磁故障，或者判定待诊断电机发生局部退磁故障，如果不是一直存在，则判定待诊断电机发生局部退磁故障，在确定待诊断电机发生局部退磁故障之后，对第一探测线圈、第二探测线圈和第三探测线圈一个机械周期的空载反电势残差进行分区，判断多个分区的每个分区中第一探测线圈空载反电势残差是否大于或等于预设阈值，若小于，则确定对应分区中没有发生退磁故障；若大于或等于，则提取对应分区中每个电周期的空载反电势残差的时域特征并构造退磁故障特征向量，然后利用三级神经网络进行退磁故障类型识别，以确定对应分区中多对永磁体的状态。由此，本发明实施例的永磁电机退磁故障综合诊断方法，能够实现对退磁故障的实时检测以及对退磁故障模式的识别，并且，通过对空载反电势残差进行分区，提取分区中每个电周期的空载反电势残差的时域特征构造退磁故障特征向量，然后利用三级神经网络进行退磁故障类型识别，可实现对退磁永磁体的定位，另外，通过分区还可减少故障检测及定位过程中的检测时长和数据计算量，有效提高了退磁故障诊断实时性。
根据本发明的一个实施例，所述利用所述三级神经网络进行退磁故障类型识别包括：获取所述第一探测线圈一个电周期的空载反电势残差；提取所述第一探测线圈一个电周期的空载反电势残差的时域特征构造所述退磁故障特征向量，并输入至第一级神经网络；判断所述第一级神经网络的输出结果是否等于第一预设值，如果所述第一级神经网络的输出结果不等于所述第一预设值，则根据所述第一级神经网络的输出结果识别所述退磁故障类型，以确定所述待诊断电机中决定所述第一探测线圈一个电周期的空载反电势残差的多个永磁体的状态；如果所述第一级神经网络的输出结果等于所述第一预设值，则提取所述第二探测线圈一个电周期的空载反电势残差的时域特征构造所述退磁故障特征向量，并输入至第二级神经网络；判断所述第二级神经网络的输出结果是否等于第二预设值，如果所述第二级神经网络的输出结果不等于所述第二预设值，则根据所述第二级神经网络的输出结果识别所述退磁故障类型，以确定所述待诊断电机中决定所述第二探测线圈一个电周期的空载反电势残差的多个永磁体的状态；如果所述第二级神经网络的输出结果等于所述第二预设值，则提取所述第三探测线圈一个电周期的空载反电势残差的时域特征构造所述退磁故障特征向量，并输入至第三级神经网络，并根据所述第三级神经网络的输出结果识别所述退磁故障类型，以确定所述待诊断电机中决定所述第三探测线圈一个电周期的空载反电势残差的多个永磁体的状态。
根据本发明的一个实施例，所述获取所述第一探测线圈、第二探测线圈和第三探测线圈一个机械周期的空载反电势残差，包括：分别计算所述待诊断电机正常运行时不同转速下所述第一探测线圈、第二探测线圈和第三探测线圈一个机械周期的空载反电势；分别获取所述待诊断电机实际运行时所述第一探测线圈、第二探测线圈和第三探测线圈一个机械周期的空载反电势；分别计算所述第一探测线圈、第二探测线圈和第三探测线圈在某一转速下所述待诊断电机正常运行时一个机械周期的空载反电势与所述待诊断电机实际运行时一个机械周期的空载反电势的差值，以分别得到所述第一探测线圈、第二探测线圈和第三探测线圈一个机械周期的空载反电势残差。
根据本发明的一个实施例，在所述分别计算所述待诊断电机正常运行时不同转速下所述第一探测线圈、第二探测线圈和第三探测线圈一个机械周期的空载反电势之前，还包括：分别获取所述待诊断电机正常运行时额定转速下所述第一探测线圈、第二探测线圈和第三探测线圈一个机械周期的空载反电势。
根据本发明的一个实施例，根据以下公式计算所述待诊断电机正常运行时不同转速下所述探测线圈一个机械周期的空载反电势：eSCihn(t)＝(n/nN)×eSCiN(t)，其中，eSCiN(t)为所述待诊断电机正常运行时额定转速下所述探测线圈一个机械周期的空载反电势，eSCihn(t)为所述待诊断电机正常运行时不同转速下所述探测线圈一个机械周期的空载反电势，n为所述待诊断电机实际运行时的转速，nN为所述待诊断电机的额定转速，i的取值为1、2和3。
根据本发明的一个实施例，在所述获取第一探测线圈、第二探测线圈和第三探测线圈一个机械周期的空载反电势残差之前，还包括：对所述待诊断电机中所有永磁体进行编号。
根据本发明的一个实施例，所述退磁故障特征向量由第一个位置的峰值、第二个位置的峰值、峰值的个数以及第一个位置的峰值与第二个位置的峰值的比值构成；其中，当某所述电周期的所述空载反电势残差的前半周期内出现峰值时，所述第一个位置的峰值标示为1，否则标示为0；当某所述电周期的所述空载反电势残差的后半周期内出现峰值时，所述第二个位置的峰值标示为1，否则标示为0；如果所述第一个位置的峰值标示为1，所述第二个位置的峰值标示为0，则所述第一个位置的峰值与第二个位置的峰值的比值标示为inf；以及如果所述第一个位置的峰值标示为0，所述第二个位置的峰值标示为0，则所述第一个位置的峰值与第二个位置的峰值的比值标示为0。
为达上述目的，本发明第二方面实施例提出了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明第一方面实施例所述的永磁电机退磁故障综合诊断方法。
本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明上述的和附加方面的优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为根据本发明实施例的永磁电机退磁故障综合诊断方法的流程示意图；
图2为根据本发明一个实施例的永磁电机退磁故障综合诊断方法的流程示意图；
图3为根据本发明另一个实施例的永磁电机退磁故障综合诊断方法的流程示意图；
图4为根据本发明一个具体实施例的永磁电机退磁故障综合诊断方法的流程示意图；
图5为根据本发明一个实施例的永磁电机退磁故障综合诊断方法中永磁体编号示意图；
图6为根据本发明一个实施例的永磁电机退磁故障综合诊断方法中空载反电势采集起始位置示意图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
下面参考附图描述本发明实施例的永磁电机退磁故障综合诊断方法。
图1为根据本发明实施例的永磁电机退磁故障综合诊断方法的流程示意图。
待诊断电机包括第一探测线圈、第二探测线圈和第三探测线圈，其中，在待诊断电机连续三个磁极对应位置的定子槽槽底或槽口处布置三个相同的线圈，第一探测线圈和第三探测线圈分别由布置在相邻两磁极定子槽槽底或槽口的两个线圈正向串联构成，第二探测线圈由相距一对极的两个线圈正向串联构成。
如图1所示，本发明实施例的永磁电机退磁故障综合诊断方法包括以下步骤：
S1，获取第一探测线圈、第二探测线圈和第三探测线圈一个机械周期的空载反电势残差。
其中，一个机械周期是指电机转子转一圈所需的时间。
根据本发明的一个实施例，在获取第一探测线圈、第二探测线圈和第三探测线圈一个机械周期的空载反电势残差之前，还包括：对待诊断电机中所有永磁体进行编号。
可理解，可依次对待诊断电机中所有永磁体进行编号为：1、2、3直至2P，其中，P为待诊断电机的极对数。举例而言，如图5所示，当待诊断电机的极对数P＝33时，可依次对待诊断电机的多个永磁体进行编号为：1、2、3直至66。
进一步地，根据本发明的一个实施例，如图2所示，获取第一探测线圈、第二探测线圈和第三探测线圈一个机械周期的空载反电势残差，进一步包括以下步骤：
S101，分别计算待诊断电机正常运行时不同转速下第一探测线圈、第二探测线圈和第三探测线圈一个机械周期的空载反电势eSC1hn(t)、eSC2hn(t)和eSC3hn(t)。
其中，根据本发明的一个实施例，在分别计算待诊断电机正常运行时不同转速下第一探测线圈、第二探测线圈和第三探测线圈一个机械周期的空载反电势之前，还包括：分别获取待诊断电机正常运行时额定转速下第一探测线圈、第二探测线圈和第三探测线圈一个机械周期的空载反电势eSC1N(t)、eSC2N(t)和eSC3N(t)，并将获取的待诊断电机正常运行时额定转速下第一探测线圈一个机械周期的空载反电势eSC1N(t)、第二探测线圈一个机械周期的空载反电势eSC2N(t)和第三探测线圈一个机械周期的空载反电势eSC3N(t)进行存储。
进一步地，根据本发明的一个实施例，根据以下公式计算待诊断电机正常运行时不同转速下探测线圈一个机械周期的空载反电势：eSCihn(t)＝(n/nN)×eSCiN(t)，其中，eSCiN(t)为待诊断电机正常运行时额定转速下探测线圈一个机械周期的空载反电势，eSCihn(t)为待诊断电机正常运行时不同转速下探测线圈一个机械周期的空载反电势，n为待诊断电机实际运行时的转速，nN为待诊断电机的额定转速，i的取值为1、2和3。
S102，获取待诊断电机实际运行时第一探测线圈、第二探测线圈和第三探测线圈一个机械周期的空载反电势eSC1n(t)、eSC2n(t)和eSC3n(t)。
可理解，探测线圈可在2P号永磁体与1号永磁体的几何中心线与第一探测线圈轴线重合处开始采集待诊断电机实际运行时探测线圈一个机械周期的空载反电势。如图6所示，第一探测线圈可在66号永磁体与1号永磁体的几何中心线与第一探测线圈轴线重合处开始采集待诊断电机实际运行时第一探测线圈一个机械周期的空载反电势eSC1n(t)，第二探测线圈可在66号永磁体与1号永磁体的几何中心线与第一探测线圈轴线重合处开始采集待诊断电机实际运行时第二探测线圈一个机械周期的空载反电势eSC2n(t)，第三探测线圈可在66号永磁体与1号永磁体的几何中心线与第一探测线圈轴线重合处开始采集待诊断电机实际运行时第三探测线圈一个机械周期的空载反电势eSC3n(t)。
S103，分别计算第一探测线圈、第二探测线圈和第三探测线圈在某一转速下待诊断电机正常运行时一个机械周期的空载反电势与待诊断电机实际运行时一个机械周期的空载反电势的差值，以分别得到第一探测线圈、第二探测线圈和第三探测线圈一个机械周期的空载反电势残差eresSC1n(t)、eresSC2n(t)和eresSC3n(t)。
可理解，探测线圈一个机械周期的空载反电势残差等于某一转速下待诊断电机正常运行时探测线圈一个机械周期的空载反电势减去待诊断电机实际运行时探测线圈一个机械周期的空载反电势，即eresSCin(t)＝eSCihn(t)-eSCin(t)，举例而言，第一探测线圈一个机械周期的空载反电势残差eresSC1n(t)等于某一转速下待诊断电机正常运行时第一探测线圈一个机械周期的空载反电势eSC1hn(t)减去待诊断电机实际运行时第一探测线圈一个机械周期的空载反电势eSC1n(t)，即eresSC1n(t)＝eSC1hn(t)-eSC1n(t)。
同理，第二探测线圈一个机械周期的空载反电势残差eresSC2n(t)等于某一转速下待诊断电机正常运行时第二探测线圈一个机械周期的空载反电势eSC2hn(t)减去待诊断电机实际运行时第二探测线圈一个机械周期的空载反电势eSC2n(t)，即eresSC2n(t)＝eSC2hn(t)-eSC2n(t)。第三探测线圈一个机械周期的空载反电势残差eresSC3n(t)等于某一转速下待诊断电机正常运行时第三探测线圈一个机械周期的空载反电势eSC3hn(t)减去待诊断电机实际运行时第三探测线圈一个机械周期的空载反电势eSC3n(t)，即eresSC3n(t)＝eSC3hn(t)-eSC3n(t)。
S2，判断第一探测线圈一个机械周期的空载反电势残差是否大于或等于预设阈值，如果小于，则判定待诊断电机没有发生退磁故障，如果大于或等于，则判定待诊断电机发生退磁故障，并继续判断第一探测线圈在一个机械周期内是否一直存在空载反电势残差。
S3，如果第一探测线圈在一个机械周期内一直存在空载反电势残差，则分别提取第一探测线圈、第二探测线圈和第三探测线圈第一个电周期的空载反电势残差的时域特征并构造退磁故障特征向量，然后利用三级神经网络进行退磁故障类型识别，以及根据识别结果判定待诊断电机发生均匀退磁故障，或者判定待诊断电机发生局部退磁故障。其中，电周期为空载反电势完成正负变化一个循环所需要的时间。
S4，如果第一探测线圈在一个机械周期内不是一直存在空载反电势残差，则判定待诊断电机发生局部退磁故障。
S5，在确定待诊断电机发生局部退磁故障之后，对第一探测线圈、第二探测线圈和第三探测线圈一个机械周期的空载反电势残差进行分区。
可理解，以每对磁极为单元进行永磁体退磁故障诊断时，检测次数等于电机的极对数，对于需要几十台、甚至上百台电机协作完成复杂的任务领域，诊断的实时性比较差。为了提高实时性，减小计算量，本发明按检测次数最小原则对一个机械周期的空载反电势残差进行分区，然后将故障分区中的空载反电势残差按每个电周期进行分组，最后提取分组后探测线圈空载反电势残差的时域特征构造退磁故障特征向量，并利用三级神经网络进行退磁故障诊断，由此可减少故障检测及定位过程中的检测时长和数据计算量，有效提高了退磁故障诊断实时性。
S6，判断多个分区的每个分区中第一探测线圈空载反电势残差是否大于或等于预设阈值，若小于，则判定对应分区中没有发生退磁故障。
S7，若大于或等于，则提取对应分区中每个电周期的空载反电势残差的时域特征并构造退磁故障特征向量，然后利用三级神经网络进行退磁故障类型识别，以确定对应分区中多对永磁体的状态。
具体而言，若多个分区的每个分区中第一探测线圈空载反电势残差大于或等于预设阈值，则将对应分区的空载反电势残差按每个电周期进行分组，然后提取分组后探测线圈空载反电势残差的时域特征构造退磁故障特征向量，并利用三级神经网络进行识别，以确定决定对应电周期的空载反电势残差的每对永磁体的状态，进而确定对应分区的多对永磁体的状态。
根据本发明的一个实施例，退磁故障特征向量由第一个位置的峰值、第二个位置的峰值、峰值的个数以及第一个位置的峰值与第二个位置的峰值的比值(简称峰值比)构成；其中，当某电周期的空载反电势残差的前半周期内出现峰值时，第一个位置的峰值标示为1，否则标示为0；当某电周期的空载反电势残差eresSCin(t)的后半周期内出现峰值时，第二个位置的峰值标示为1，否则标示为0；如果第一个位置的峰值标示为1，第二个位置的峰值标示为0，则第一个位置的峰值与第二个位置的峰值的比值标示为inf；以及如果第一个位置的峰值标示为0，第二个位置的峰值标示为0，则第一个位置的峰值与第二个位置的峰值的比值标示为0。
进一步地，根据本发明的一个实施例，如图3所示，利用三级神经网络进行退磁故障类型识别包括：
S30，获取第一探测线圈一个电周期的空载反电势残差。
S31，提取第一探测线圈一个电周期的空载反电势残差的时域特征构造退磁故障特征向量，并输入至第一级神经网络。
举例而言，由于第一探测线圈第一个电周期的空载反电势残差受2P号永磁体、1号永磁体以及2号永磁体的共同影响，因此可通过提取第一探测线圈的第一个电周期的空载反电势残差的时域特征构造故障特征向量，以确定2P号永磁体、1号永磁体以及2号永磁体的状态。首先根据2P号永磁体、1号永磁体以及2号永磁体的状态进行故障类型编号，具体的编号方式如表1所示：
表1
也就是说，第一级神经网络可用来识别表1中的故障类型1、3、4、5、6，并将表1中的故障类型2、7、8作为一大类标志为2，其输入为从第一探测线圈SC1中提取的退磁故障特征向量，输出为1、2、3、4、5、6，其中，当故障类型为1时，第一级神经网络输出为1，当故障类型为3时，第一级神经网络输出为3，当故障类型为4时，第一级神经网络输出为4，当故障类型为5时，第一级神经网络输出为5，当故障类型为6时，第一级神经网络输出为6，当故障类型为2、7、8时，第一级神经网络输出为2。
为了训练神经网络输入与输出的关系，需要建立标准的、丰富的包含有输入(退磁故障特征向量)和输出(退磁故障类型)的数据库。为了实现退磁故障特征样本的遍历性，建立每对永磁体故障样本集构成的样本库。第一级神经网络样本库的建立，以待诊断电机包括33对永磁体为例，第1对永磁体至第8对永磁体退磁程度设置为25％，第9对永磁体至第16对永磁体退磁程度设置为50％，第17对永磁体至第24对永磁体退磁程度设置为75％，第25对永磁体至第33对永磁体退磁程度设置为100％，提取每对永磁体8种故障类型的退磁故障特征向量建立退磁故障的样本库，共提取了样机33对极下8种退磁故障类型的264组数据，随机从264组样本中选取198组作为训练样本，另外66组作为测试样本，建立的第一级神经网络退磁故障特征向量样本库如表2所示。
表2
S32，判断第一级神经网络的输出结果是否等于第一预设值，如果第一级神经网络的输出结果不等于第一预设值，则根据第一级神经网络的输出结果识别退磁故障类型，以确定待诊断电机中决定第一探测线圈一个电周期的空载反电势残差的多个永磁体的状态。
可理解，如果第一级神经网络的输出为1、3、4、5、6，则认为第一级神经网络的输出结果不等于第一预设值，从而可根据第一级神经网络的输出结果识别退磁故障类型，并根据退磁故障类型确定待诊断电机中多个永磁体的状态。例如，第一级神经网络输出为3，则根据表1可确定2号永磁体退磁，2P号和1号永磁体健康。
S33，如果第一级神经网络的输出结果等于第一预设值，则提取第二探测线圈一个电周期的空载反电势残差的时域特征构造退磁故障特征向量，并输入至第二级神经网络。
可理解，如果第一级神经网络的输出为2，则认为第一级神经网络的输出结果等于第一预设值，从而调用第二级神经网络，具体而言，提取第二探测线圈一个电周期的空载反电势残差的时域特征构造退磁故障特征向量，并输入至第二级神经网络。
由于第二探测线圈第一个电周期的空载反电势残差受2P-1号永磁体、2P号永磁体、1号永磁体以及2号永磁体的共同影响，因此可通过提取第二探测线圈的第一个电周期的空载反电势残差的时域特征构造退磁故障特征向量，以确定2P-1号永磁体、2P号永磁体、1号永磁体以及2号永磁体的状态。首先根据2P-1号永磁体、2P号永磁体、1号永磁体以及2号永磁体的状态进行故障类型编号，具体的编号方式如表3所示：
表3
也就是说，第二级神经网络可用来识别表3中的故障类型2A、7A、2B、8B，并将故障类型8A、7B标志为同一类，第二级神经网络的输入为从第二探测线圈提取的退磁故障特征向量，输出为2、7、8、9，其中，当故障类型为2A、2B时，第二级神经网络的输出为2，当故障类型为7A时，第二级神经网络的输出为7，当故障类型为8B时，第二级神经网络的输出为8，当故障类型为8A、7B时，第二级神经网络的输出为9。
进一步地，第二级神经网络样本库的建立，第1对永磁体至第8对永磁体退磁程度设置为50％，第9对永磁体至第16对永磁体退磁程度设置为25％，第17对永磁体至第24对永磁体退磁程度设置为100％，第25对永磁体至第33对永磁体退磁程度设置为75％，提取每对永磁体6种故障类型的退磁故障特征向量作为退磁故障的样本库，共提取了样机33对极下6种退磁故障类型的240组数据，随机从198组样本中选取180组作为训练样本，另外60组作为测试样本，建立的第二级退磁故障特征向量样本库如表4所示。
表4
S34，判断第二级神经网络的输出结果是否等于第二预设值，如果第二级神经网络的输出结果不等于第二预设值，则根据第二级神经网络的输出结果识别退磁故障类型，以确定待诊断电机中决定第二探测线圈一个电周期的空载反电势残差的多个永磁体的状态。
可理解，如果第二级神经网络的输出为2、7、8，则认为第二级神经网络的输出结果不等于第二预设值，从而可根据第二级神经网络的输出结果识别退磁故障类型，并根据退磁故障类型确定待诊断电机中多个永磁体的状态。
S35，如果第二级神经网络的输出结果等于第二预设值，则提取第三探测线圈一个电周期的空载反电势残差的时域特征构造退磁故障特征向量，并输入至第三级神经网络，并根据第三级神经网络的输出结果识别退磁故障类型，以确定待诊断电机中决定第三探测线圈一个电周期的空载反电势残差的多个永磁体的状态。
可理解，如果第二级神经网络的输出为9，则认为第二级神经网络的输出结果等于第二预设值，从而调用第三级神经网络，具体而言，提取第三探测线圈一个电周期的空载反电势残差的时域特征构造退磁故障特征向量，并输入至第三级神经网络。也就是说，当故障类型为8A、7B时，第二级神经网络的输出为9，此时调用第三级神经网络来识别故障类型8A、7B，第三级神经网络的输入为从第三探测线圈中提取的退磁故障特征向量，输出为7、8，当故障类型为7B时，第三级神经网络的输出为7，当故障类型为8A时，第三级神经网络的输出为8。
第三级神经网络样本库的建立，第1对永磁体至第8对永磁体退磁程度设置为100％，第9对永磁体至第16对永磁体退磁程度设置为50％，第17对永磁体至第24对永磁体退磁程度设置为75％，第25对永磁体至第33对永磁体退磁程度设置为25％，提取每对永磁体2种故障类型的退磁故障特征向量作为退磁故障的样本库，共提取了样机33对极下2种退磁故障类型的66组数据，随机从66组样本中选取50组作为训练样本，另外16组作为测试样本，建立的第三级退磁故障特征向量样本库如表5所示。
表5
如上所述，如图4所示，在本发明的一个具体实施例中，本发明实施例的永磁电机退磁故障综合诊断方法包括以下步骤：
S201，获取第一探测线圈、第二探测线圈和第三探测线圈一个机械周期的空载反电势残差。
S202，判断第一探测线圈一个机械周期的空载反电势残差是否大于或等于预设阈值。
如果是，则判定待诊断电机发生退磁故障，并执行步骤S203；如果否，则执行步骤S212。
S203，判断第一探测线圈在一个机械周期内是否一直存在空载反电势残差。
如果是，则执行步骤S204；如果否，则执行步骤S207。
S204，分别提取第一探测线圈、第二探测线圈和第三探测线圈第一个电周期的空载反电势残差的时域特征并构造退磁故障特征向量，然后利用三级神经网络进行退磁故障类型识别。
S205，当三级神经网络输出为8时，判定待诊断电机发生均匀退磁故障。
S206，当三级神经网络输出为2时，判定待诊断电机发生局部退磁故障，则执行步骤S208。
S207，确定待诊断电机发生局部退磁故障。
S208，在确定待诊断电机发生局部退磁故障之后，对第一探测线圈、第二探测线圈和第三探测线圈一个机械周期的空载反电势残差进行分区。
S209，判断多个分区的每个分区中第一探测线圈空载反电势残差是否大于或等于预设阈值。
如果是，则执行步骤S210；如果否，则执行步骤S211。
S210，将对应分区的空载反电势残差按每个电周期进行分组，然后提取分组后探测线圈空载反电势残差的时域特征构造退磁故障特征向量，并利用三级神经网络进行识别，以确定决定对应电周期的空载反电势残差的每对永磁体的状态，进而确定对应分区的多对永磁体的状态。
S211，确定对应分区中没有发生退磁故障。
S212，确定待诊断电机没有发生退磁故障。
综上，根据本发明实施例的永磁电机退磁故障综合诊断方法，获取第一探测线圈、第二探测线圈和第三探测线圈一个机械周期的空载反电势残差，并判断第一探测线圈一个机械周期的空载反电势残差是否大于或等于预设阈值，如果小于，则判定待诊断电机没有发生退磁故障，如果大于或等于，则判定待诊断电机发生退磁故障，并继续判断第一探测线圈在一个机械周期内是否一直存在空载反电势残差，如果一直存在，则分别提取第一探测线圈、第二探测线圈和第三探测线圈第一个电周期的空载反电势残差的时域特征并构造退磁故障特征向量，然后利用三级神经网络进行退磁故障类型识别，以及根据识别结果判定待诊断电机发生均匀退磁故障，或者判定待诊断电机发生局部退磁故障，如果不是一直存在，则判定待诊断电机发生局部退磁故障，在确定待诊断电机发生局部退磁故障之后，对第一探测线圈、第二探测线圈和第三探测线圈一个机械周期的空载反电势残差进行分区，判断多个分区的每个分区中第一探测线圈空载反电势残差是否大于或等于预设阈值，若小于，则确定对应分区中没有发生退磁故障；若大于或等于，则将对应分区的空载反电势残差按每个电周期进行分组，然后提取分组后探测线圈空载反电势残差的时域特征构造退磁故障特征向量，并利用三级神经网络进行识别，以确定决定对应电周期的空载反电势残差的每对永磁体的状态，进而确定对应分区的多对永磁体的状态。由此，本发明实施例的永磁电机退磁故障综合诊断方法，能够实现对退磁故障的实时检测以及对退磁故障模式进行识别，并且，通过对空载反电势残差进行分区，根据分区中每个电周期的空载反电势残差的时域特征构造退磁故障特征向量，然后利用三级神经网络进行退磁故障类型识别，可实现对退磁永磁体的定位，另外，通过分区还可减少故障检测及定位过程中的检测时长和数据计算量，有效提高了退磁故障诊断实时性。
基于上述实施例的永磁电机退磁故障检测方法，本发明实施例还提出一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如前述的永磁电机退磁故障综合诊断方法。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (7)
1.一种永磁电机退磁故障综合诊断方法，其特征在于，待诊断电机包括第一探测线圈、第二探测线圈和第三探测线圈，其中，在所述待诊断电机连续三个磁极对应位置的定子槽槽底或槽口处布置三个相同的线圈，所述第一探测线圈和所述第三探测线圈分别由布置在相邻两磁极定子槽槽底或槽口的两个所述线圈正向串联构成，所述第二探测线圈由相距一对极的两个所述线圈正向串联构成，所述方法包括以下步骤：
获取所述第一探测线圈、第二探测线圈和第三探测线圈一个机械周期的空载反电势残差；
判断所述第一探测线圈一个机械周期的空载反电势残差是否大于或等于预设阈值，如果小于，则判定所述待诊断电机没有发生退磁故障，如果大于或等于，则判定所述待诊断电机发生所述退磁故障，并继续判断所述第一探测线圈在一个机械周期内是否一直存在所述空载反电势残差；
如果所述第一探测线圈在一个机械周期内一直存在所述空载反电势残差，则分别提取所述第一探测线圈、第二探测线圈和第三探测线圈第一个电周期的空载反电势残差的时域特征并构造退磁故障特征向量，然后利用三级神经网络进行退磁故障类型识别，以及根据识别结果判定所述待诊断电机发生均匀退磁故障，或者判定所述待诊断电机发生局部退磁故障；
如果所述第一探测线圈在一个机械周期内不是一直存在所述空载反电势残差，则判定所述待诊断电机发生所述局部退磁故障；
在确定所述待诊断电机发生局部退磁故障之后，对所述第一探测线圈、第二探测线圈和第三探测线圈一个机械周期的空载反电势残差进行分区；
判断多个所述分区的每个分区中所述第一探测线圈空载反电势残差是否大于或等于预设阈值，若小于，则判定所述对应分区中没有发生所述退磁故障；
若大于或等于，则提取所述对应分区中每个电周期的空载反电势残差的时域特征并构造所述退磁故障特征向量，然后利用三级神经网络进行退磁故障类型识别，以确定所述对应分区中多对永磁体的状态；其中，所述利用三级神经网络进行退磁故障类型识别包括：
获取所述第一探测线圈一个电周期的空载反电势残差；
提取所述第一探测线圈一个电周期的空载反电势残差的时域特征构造所述退磁故障特征向量，并输入至第一级神经网络；
判断所述第一级神经网络的输出结果是否等于第一预设值，如果所述第一级神经网络的输出结果不等于所述第一预设值，则根据所述第一级神经网络的输出结果识别所述退磁故障类型，以确定所述待诊断电机中决定所述第一探测线圈一个电周期的空载反电势残差的多个永磁体的状态；
如果所述第一级神经网络的输出结果等于所述第一预设值，则提取所述第二探测线圈一个电周期的空载反电势残差的时域特征构造所述退磁故障特征向量，并输入至第二级神经网络；
判断所述第二级神经网络的输出结果是否等于第二预设值，如果所述第二级神经网络的输出结果不等于所述第二预设值，则根据所述第二级神经网络的输出结果识别所述退磁故障类型，以确定所述待诊断电机中决定所述第二探测线圈一个电周期的空载反电势残差的多个永磁体的状态；
如果所述第二级神经网络的输出结果等于所述第二预设值，则提取所述第三探测线圈一个电周期的空载反电势残差的时域特征构造所述退磁故障特征向量，并输入至第三级神经网络，并根据所述第三级神经网络的输出结果识别所述退磁故障类型，以确定所述待诊断电机中决定所述第三探测线圈一个电周期的空载反电势残差的多个永磁体的状态。
2.根据权利要求1所述的永磁电机退磁故障综合诊断方法，其特征在于，所述获取所述第一探测线圈、第二探测线圈和第三探测线圈一个机械周期的空载反电势残差，包括：
分别计算所述待诊断电机正常运行时不同转速下所述第一探测线圈、第二探测线圈和第三探测线圈一个机械周期的空载反电势；
获取所述待诊断电机实际运行时所述第一探测线圈、第二探测线圈和第三探测线圈一个机械周期的空载反电势；
分别计算所述第一探测线圈、第二探测线圈和第三探测线圈在某一转速下所述待诊断电机正常运行时一个机械周期的空载反电势与所述待诊断电机实际运行时一个机械周期的空载反电势的差值，以分别得到所述第一探测线圈、第二探测线圈和第三探测线圈一个机械周期的空载反电势残差。
3.根据权利要求2所述的永磁电机退磁故障综合诊断方法，其特征在于，在所述分别计算所述待诊断电机正常运行时不同转速下所述第一探测线圈、第二探测线圈和第三探测线圈一个机械周期的空载反电势之前，还包括：分别获取所述待诊断电机正常运行时额定转速下所述第一探测线圈、第二探测线圈和第三探测线圈一个机械周期的空载反电势。
4.根据权利要求2所述的永磁电机退磁故障综合诊断方法，其特征在于，根据以下公式计算所述待诊断电机正常运行时不同转速下所述探测线圈一个机械周期的空载反电势：
eSCihn(t)＝(n/nN)×eSCiN(t)，其中，eSCiN(t)为所述待诊断电机正常运行时额定转速下所述探测线圈一个机械周期的空载反电势，eSCihn(t)为所述待诊断电机正常运行时不同转速下所述探测线圈一个机械周期的空载反电势，n为所述待诊断电机实际运行时的转速，nN为所述待诊断电机的额定转速，i可取值为1、2和3。
5.根据权利要求1所述的永磁电机退磁故障综合诊断方法，其特征在于，在所述获取第一探测线圈、第二探测线圈和第三探测线圈一个机械周期的空载反电势残差之前，还包括：对所述待诊断电机中所有永磁体进行编号。
6.根据权利要求1所述的永磁电机退磁故障综合诊断方法，其特征在于，所述退磁故障特征向量由第一个位置的峰值、第二个位置的峰值、峰值的个数以及第一个位置的峰值与第二个位置的峰值的比值构成；其中，
当某所述电周期的所述空载反电势残差的前半周期内出现峰值时，所述第一个位置的峰值标示为1，否则标示为0；
当某所述电周期的所述空载反电势残差的后半周期内出现峰值时，所述第二个位置的峰值标示为1，否则标示为0；
如果所述第一个位置的峰值标示为1，所述第二个位置的峰值标示为0，则所述第一个位置的峰值与第二个位置的峰值的比值标示为inf；以及
如果所述第一个位置的峰值标示为0，所述第二个位置的峰值标示为0，则所述第一个位置的峰值与第二个位置的峰值的比值标示为0。
7.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，该程序被处理器执行时实现如权利要求1-6中任一所述的永磁电机退磁故障综合诊断方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010455431.2A CN111413616B (zh) | 2020-05-26 | 2020-05-26 | 永磁电机退磁故障综合诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010455431.2A CN111413616B (zh) | 2020-05-26 | 2020-05-26 | 永磁电机退磁故障综合诊断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111413616A CN111413616A (zh) | 2020-07-14 |
| CN111413616B true CN111413616B (zh) | 2022-03-08 |
Family
ID=71492434
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010455431.2A Active CN111413616B (zh) | 2020-05-26 | 2020-05-26 | 永磁电机退磁故障综合诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111413616B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111983450A (zh) * | 2020-08-18 | 2020-11-24 | 哈尔滨工业大学 | 一种基于埋入式探测线圈的电动汽车驱动电机故障诊断系统 |
| CN113030729B (zh) * | 2021-04-22 | 2022-12-27 | 山东凯信德电子科技有限公司 | 一种永磁电机退磁在线检测方法及系统 |
| CN113311332A (zh) * | 2021-05-18 | 2021-08-27 | 北京航空航天大学 | 高速永磁同步电机永磁体退磁故障诊断装置及方法 |
| CN113985277A (zh) * | 2021-10-26 | 2022-01-28 | 郑州大学 | 实现永磁电机退磁永磁体定位的探测线圈的布置方法 |
| CN114487819B (zh) * | 2022-01-24 | 2023-12-08 | 安徽大学 | 一种双定子永磁直线电机退磁故障诊断系统及方法 |
| CN115728684A (zh) * | 2022-11-17 | 2023-03-03 | 杭州美磁科技有限公司 | 通过磁场分布识别晶界扩散钕铁硼磁体不可逆退磁的方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101149423A (zh) * | 2007-11-02 | 2008-03-26 | 清华大学 | 永磁同步电机永磁磁场畸变实时检测与分析方法及其装置 |
| CN110492689A (zh) * | 2019-08-28 | 2019-11-22 | 河海大学 | 可检测永磁体退磁和转子偏心故障的永磁电机结构及方法 |
| CN110703091A (zh) * | 2019-09-12 | 2020-01-17 | 哈尔滨工业大学（威海） | 电动汽车用内置式永磁同步电机静态偏心故障检测方法 |
Family Cites Families (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH09243697A (ja) * | 1996-03-05 | 1997-09-19 | Takaoka Electric Mfg Co Ltd | 直流地絡検出装置 |
| EP2518456A1 (en) * | 2011-04-29 | 2012-10-31 | ABB Technology AG | Method for monitoring demagnetization |
| CN105974312B (zh) * | 2016-06-06 | 2018-11-27 | 安徽大学 | 永磁同步电机退磁故障诊断方法 |
| CN106597276B (zh) * | 2016-06-29 | 2019-02-12 | 河南工程学院 | 一种pmsm永磁体退磁故障诊断与故障模式识别方法 |
| CN106680716B (zh) * | 2017-01-20 | 2019-01-08 | 浙江大学 | 一种基于无位置传感器的永磁电机轴承故障诊断的方法 |
| CN107918107B (zh) * | 2017-12-14 | 2023-09-08 | 安徽大学 | 永磁同步直线电机的退磁检测装置及检测方法 |
| CN207541248U (zh) * | 2017-12-14 | 2018-06-26 | 安徽大学 | 永磁同步直线电机的退磁检测装置 |
| CN108983126B (zh) * | 2018-05-22 | 2020-09-08 | 安徽大学 | 一种直线电机次级的局部退磁故障识别装置及方法 |
| CN109239599B (zh) * | 2018-10-07 | 2020-09-22 | 河南理工大学 | 一种永磁同步电机退磁故障诊断方法 |
| CN110737990B (zh) * | 2019-10-21 | 2023-03-24 | 河南理工大学 | 直驱永磁同步电机定子绕组故障状态数学模型建立方法 |
| CN110988674A (zh) * | 2019-11-19 | 2020-04-10 | 中南大学 | 永磁同步电机的健康状态监测方法、系统及移动终端 |
-
2020
- 2020-05-26 CN CN202010455431.2A patent/CN111413616B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101149423A (zh) * | 2007-11-02 | 2008-03-26 | 清华大学 | 永磁同步电机永磁磁场畸变实时检测与分析方法及其装置 |
| CN110492689A (zh) * | 2019-08-28 | 2019-11-22 | 河海大学 | 可检测永磁体退磁和转子偏心故障的永磁电机结构及方法 |
| CN110703091A (zh) * | 2019-09-12 | 2020-01-17 | 哈尔滨工业大学（威海） | 电动汽车用内置式永磁同步电机静态偏心故障检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111413616A (zh) | 2020-07-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111413616B (zh) | 永磁电机退磁故障综合诊断方法 | |
| Ondel et al. | Coupling pattern recognition with state estimation using Kalman filter for fault diagnosis | |
| Shifat et al. | Remaining useful life estimation of BLDC motor considering voltage degradation and attention-based neural network | |
| Maraaba et al. | Neural network-based diagnostic tool for detecting stator inter-turn faults in line start permanent magnet synchronous motors | |
| US9383413B2 (en) | Method of processing recurrent surge oscillograph data to enable more precise location of generator rotor inter-turn shorts and ground faults | |
| CN104823064A (zh) | 用于检测电动机器中的故障状态的方法 | |
| Ullah et al. | Online diagnosis and severity estimation of partial and uniform irreversible demagnetization fault in interior permanent magnet synchronous motor | |
| Nejadi-Koti et al. | Uniform demagnetization fault diagnosis in permanent magnet synchronous motors by means of cogging torque analysis | |
| CN106019073B (zh) | 一种基于信号注入的永磁同步电机定子绕组电阻性失衡故障诊断方法 | |
| Kiani et al. | Detection of rotor faults in synchronous generators | |
| Ahsanullah et al. | Detection and analysis of winding and demagnetization faults in PMSM based marine propulsion motors | |
| Bouchareb et al. | Towards advanced diagnosis recognition for eccentricities faults: application on induction motor | |
| Lee et al. | Diagnosis of interturn short-circuit fault in PMSM by residual voltage analysis | |
| Soualhi et al. | Electrical Systems 2: From Diagnosis to Prognosis | |
| Xing et al. | On the accuracy of rotor demagnetization fault detection in PMSM using vibration-based condition indicators | |
| Barmpatza et al. | Investigation of static angular and axis misalignment in an AFPM generator | |
| Alam et al. | Online fault diagnosis of static and dynamic eccentricity in switched reluctance motors using parks vector algorithm | |
| Rjabtšikov et al. | Digital Twin Service Unit Development for an EV Induction Motor Fault Detection | |
| HUANG et al. | Online rotor fault diagnosis of permanent magnet synchronous motors based on stator tooth flux | |
| Liu et al. | Application of particle swarm optimization to PMSM stator fault diagnosis | |
| Ebrahimi et al. | Detection and Discrimination of Inter-Turn Short Circuit and Demagnetization Faults in PMSMs Based on Structural Analysis | |
| Djerdir et al. | Faults in permanent magnet traction motors: State of the art and modelling approaches | |
| Ullah et al. | Detection and Separation of Faults in Permanent Magnet Synchronous Machines using Hybrid Fault-Signatures | |
| CN113093052A (zh) | 一种匝间短路电机定子绕组故障匝数的判断方法 | |
| CN117031272A (zh) | 永磁同步电机转子局部失磁的故障磁极在线定位方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |