CN103278771A - 工业现场三相异步电机异常状态的辨识方法 - Google Patents

Abstract

本发明公开了一种工业现场三相异步电机异常状态的辨识方法，若在工业现场可直接在线测量三相异步电机的输出功率，则选择能效评估进行异常状态辨识；若可直接测量表征三相异步电机运行的特征量，则选择特征参数判别进行异常状态辨识；若能根据测量值建立物理模型，则选择物理模型辨识进行异常状态辨识；以上情况皆不适用时选择预测模型判别进行异常状态辨识；相比较目前常用的经验方法，本方法更具有科学性和实用性，从而有有利于企业对三相异步电机运行状态的把握，帮助企业评估三相异步电机何时进入事故多发期，从而加大对三相异步电机的监控力度，防止安全隐患的产生。

Description

工业现场三相异步电机异常状态的辨识方法

技术领域

本发明涉及工业设备诊断领域，具体涉及一种三相异步电机的异常诊断方法。

背景技术

为了确保设备安全运行，设备健康问题早就引起人们的关注，而随着时间发展，现代设备的维修费用在全寿命周期费用中所占的比重越来越大，同时设备对于安全运行的要求也越来越高。因此，提出一套切实可行且有效的设备异常状态辨识方法，既能方便设备管理人员及时的了解设备性能状况，提高设备运行的安全性，同时也可以为设备日常运行维护、检修和更新提供决策上的支持。

在经历了事后维护、计划维护等阶段后，基于状态的设备维护(CBM)是通过设备的历史运行、检修及试验状态和连续监测数据，对设备的健康状态进行评估和预测，在故障发生前安排检修时间和项目。据有关统计，实施状态检修后，设备故障率可降低75%，综合检修费用可减少30%～50%，但它对设备的数据采集要求较高，存在着较多非电气量参数，如：压力、流量和振动等，同时对设备的试验条件也有着一定的要求，而且容易对企业的正常生产行为造成影响，因此如何通过既有的数据高效准确的判定设备的健康状态是维护设备的重要环节。

目前，在设备的异常状态辨识方面有关的手段和方法还没有形成统一标准，已有的研究工作主要是针对单个的重要设备，采用实时检测技术针对个别状态量进行研究，没有通过深入的数据综合利用，在现有数据的基础上进行体系化的设备健康状态评估。

发明内容

发明目的：本发明的目的在于为了克服现有技术的不足，提供一种只利用现有的参数辨识异常且不影响电机正常工作的工业现场三相异步电机异常状态的辨识方法。

技术方案：本发明所述的一种工业现场三相异步电机异常状态的辨识方法，包括以下步骤，如图1所示，

（1）采集现场数据，若在工业现场可直接在线测量三相异步电机的输出功率P_out或输出功率P_out=f₁(λ₁,λ₂...λ_n)的参数λ₁,λ₂...λ_n，则选择步骤（2）进行异常状态辨识；若可直接测量表征三相异步电机运行的特征量，则选择步骤（3）进行异常状态辨识；若能根据三相异步电机的测量值建立物理模型，则选择步骤（4）进行异常状态辨识；以上情况皆不适用时选择步骤（5）进行异常状态辨识；

（2）能效评估：在线测量三相异步电机的输出功率P_out，或通过测量计算出输出功率P_out的参数λ₁,λ₂...λ_n，如转子角速度、输出转矩、电机实际转速、负载率、额定输出功率、同步转速、额定转速、实际电压、额定电压、实际电流和功率因数，结合在线测量三相异步电机的输入功率P_in，计算三相异步电机的在线能效η：

η＝P_out/P_in或η＝f(λ₁，λ₂...λ_n)/P_in

即 $\mathrm{\η}=\frac{P_{\mathrm{out}}}{P_{\mathrm{in}}}=\frac{\mathrm{\Ω}\·T}{P_{\mathrm{in}}}=\frac{2\mathrm{\πn}}{60}\·\frac{T}{P_{\mathrm{in}}}$ 或

式中，Ω为转子角速度，T为输出转矩，n为电机实际转速，β为负载率，P_N为电机的额定输出功率，n₁为同步转速，n_N为电机的额定转速，U₁为实际电压，U_N为额定电压，I₁为实际电流，

为功率因数；

计算得到在线能效η后，根据该电机正常运行的负载率—效率曲线，如图2所示，得到理论能效值，通过偏差分析，将计算得到的能效与理论能效值相比较，设定阈值，若超过阈值，则说明电机运行出现异常，反之，电机处于正常运行状态；

（3）特征参数判别：三相异步电机在外施电压和频率保持不变的情况下，其功率因数、效率等与电机负载呈一定的曲线关系，如图2所示，而效率和功率因数是衡量三相异步电机运行性能的重要力能指标，所以取效率或功率因数作为表征三相异步电机运行状态的特征量，测量三相异步电机在外施电压和频率保持不变的情况下的功率因数和效率，然后根据外施电压和频率，取n次（n≥20）相同条件下正常运行时的功率因数值及效率值，计算其数学平均值μ₀及标准偏差σ₀：

${\mathrm{\μ}}_0=\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{X}_i}{n};$ ${\mathrm{\σ}}_0=\sqrt{\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(X_i-{\mathrm{\μ}}_0)}^2}{n-1}}$

式中，n为测量次数，X_i表示每次测量的功率因数或效率，μ₀表示n次测量的功率因数或效率的平均值；

将功率因数和效率与相同的工作状态下历史正常值进行对比，通过偏差分析，判断电机运行是否存在异常状态：根据两倍偏差准则，如果实际工作时的特征值超出两倍的标准值，说明电机运行存在异常；如果实际工作时的特征值超出三倍的标准值，说明电机运行存在危险；

（4）物理模型辨识：三相异步电机在外施电压和频率保持不变的情况下，其转差率、输出转矩、定子电流、定子功率因数、效率等与电机负载呈一定的曲线关系，如图2所示，因此测量三相异步电机的转速、输出转矩、定子电流、定子功率因数和效率，通过多项式拟合的方法获得三相异步电机工作特性曲线的物理模型，与历史正常运行的物理模型进行比较，判断电机运行是否存在异常状态：三相异步电动机空载时，功率因数很低，约为0.2，随着负载增加，功率因数随之增大，直到某一负载时，功率因数达到最高，超过这一负载，功率因数反而降低，由此，负载率—功率因数曲线（β-cosθ₁）类似于一条二次函数曲线，可以通过多项式拟合获得：cosθ₁＝C+Bβ+Aβ²，根据正常工作数据和实际运行数据分别对电机进行多项式建模，比较多项式系数A、B、C，如果电机运行存在异常，则多项式系数必定会发生较大改变；

（5）预测模型判别：基于人工神经网络的方法，根据三相异步电机的输入量（如三相电压、机械转矩、频率等）和输出量（如输出转矩、定子电流等），建立电机预测模型，将电机预测模型得出的输出预测值与实际的输出量测量值进行比较，根据误差值确定电机所处的状态，判断设备是否出现异常。

进一步，步骤（5）的具体方法为：通过比较实际的输出量测量值和电机运行预测模型得到的输出量预测值，能够基于概率的角度定量判定电机运行的情况，用假设检验判断是否出现异常状态，将预测值x₁和正常值x₀的误差x₁-x₀设为总体X，服从正态分布N(μ,σ²)，将测量值x₂和正常值x₀的偏差x₂-x₀设为来自X的简单随机样本，对给定的显著性水平，采用双边检验，是否符合总体的分布，如果符合，则表明电机正常运行，若不符合，则表明电机运行存在异常。

实际操作时结合步骤（2）～步骤（5）中的一种或几种进行异常状态辨识，而不同步骤由于数据采集、处理方法的不同，可能会出现不同结果，因此对上面各种方法，设置一个优先级顺序：首先，能效评估，通过三相异步电机能效的变化推断其运行状态，准确性相对较高；其次，特征参数判别，特征量是能表征三相异步电机工作状态的状态量，若偏离正常工作值，则电机状态出现异常的可能性较高；最后则是预测模型评估和物理模型辨识，因建模不一定精确，在实际操作中可能是通过曲线拟合得到，而异常判断也是一种概率性的检验；综合上述方法，形成三相异步电机异常状态的综合辨识结果。当不同辨识结果发生冲突时，按照优先级顺序考虑辨识结果。

有益效果：本发明提供的工业现场三相异步电机电机的异常状态辨识方法，基于工业现场的三相异步电机运行数据采集，考虑工业现场在线采集数据的限制，提出了4种不同情况下的三相异步电机电机的异常状态辨识步骤，相比较目前常用的经验方法，不影响电机的正常工作状态，根据可在线测量得到的简单测量值，无需其他非电气量参数即可得出结论，具有科学性和实用性，从而有有利于企业对三相异步电机运行状态的把握，帮助评估三相异步电机何时进入事故多发期，从而加大对三相异步电机的监控力度，防止安全隐患的产生；同时可科学合理确定三相异步电机的检修时间、更换时间，节约成本，避免浪费。

附图说明

图1为本发明方法的总流程图；

图2为三相异步电机工作特性曲线；

图3为预测模型判别法中的三相异步电机概率能效评估人工神经网络图；

图4为预测模型判别法中预测误差分布。

具体实施方式

下面对本发明技术方案进行详细说明，但是本发明的保护范围不局限于所述实施例。

实施例：

实施例1：

在工业现场可直接在线测量三相异步电机的输出功率P_out或输出功率P_out=f₁(λ₁,λ₂...λ_n)的参数λ₁,λ₂...λ_n，则选择能效评估进行异常状态辨识：

测量外施电压、频率、负载率、输出转矩、电机实际转速和输入功率等，根据

式中，η为在线能效、P_out为输出功率、P_in为输入功率、n为电机实际转速、T为输出转矩，计算得到在线能效为0.86。在本实施例中，当外施电压为220v，频率为50Hz时，电机负载率为0.6时，根据电机的负载率—效率曲线，其正常工作时的理论能效应为0.88；阈值设定为5%，则在线能效与理论能效的偏差

则说明电机运行正常；不同电机的负载率—效率曲线和阈值设定需要视具体情况而定。

实施例2：

可直接测量表征三相异步电机运行的特征量：功率因数和效率，选择特征参数判别进行异常状态辨识：

外施电压为220v，频率为50Hz时，负载率为0.6，其它工作条件不变，正常工作时对其功率因数进行30次测量，计算得到其平均值为0.84，标准偏差为0.025，实际工作时某次测量得到功率因数为0.86，根据两倍偏差准则，|0.86-0.84|＝0.02＜0.025×2，说明电机运行正常，不存在异常；某次测量得到的功率因数为0.78，根据两倍偏差准则，0.025×2＜|0.78-0.84|＝0.06＜0.025×3，说明电机存在异常，但尚未发生危险；某次测量得到的功率因数为0.75，0.025×3＜|0.75-0.84|＝0.09，说明电机运行存在危险。

实施例3：

能根据三相异步电机的测量值建立物理模型，则选择物理模型辨识进行异常状态辨识：

保持外施电压为220v，频率为50Hz，根据正常工作时的历史数据，拟合得到负载率—功率因数曲线（β-cosθ₁）为cosθ₁＝0.3804+0.2001β+0.42β²，同时根据实际测量得到的数据，拟合出负载率—功率因数曲线（β-cosθ₁）为cosθ₁＝0.3789+0.2092β+0.4184β²，两次模型误差为Δ＝|-0.0015+0.0091β-0.0016β²|≤0.0015+0.0091+0.0016＝0.0122（β≤1时），可以看出前后两次多项式系数变化较小，表明电机运行正常。

实施例4：

选择预测模型辨识进行异常状态辨识：

对三相异步电机而言，当电机运行状态存在异常，其输出电流较正常时往往会发生变化，所以取输出电流作为输出，建立BP神经网络，首先，根据正常运行历史数据形成100组包含（U₁，f₁，T₁，cosθ₁，I₁）参数的数据对，其中U₁为三相电压、f₁为频率、T₁为输入转矩、cosθ₁为功率因数、I₁为输出电流，依此建立单隐层BP人工神经网络模型，如图3所示，用100组数据对中的50组对人工神经网络进行训练，辨识出电机的预测模型，再将另外50组数据除输出电流以外的4个参数作为输入，运用辨识出的预测模型进行预测，经过计算，得到电流预测误差的一个样本，详见表1：

表1电流预测误差样本值

基于SPSS的环境对该样本做非参数检验，来判定设备运行预测模型的预测误差的分布形式，检验结果如图4所示，可知总体服从正态分布N(μ₀,σ₀ ²)，均值μ₀＝0.031，方差σ₀ ²＝0.012，样本数100；在220V的三相交流电压、50Hz频率和8.84N·m的输入转矩下，正常工作时的输出电流为2.895A，相同条件实际工作时，对其进行多次测量，得到测量偏差样本（0.045，0.037，0.046，0.050.，0.061），测量偏差样本的均值μ₀=0.031，对这个假设进行检验，由样本可知 $\stackrel{\‾}{x}=\frac{0.045+0.037+0.046+0.050+0.061}{5}=0.0478,$ μ_0.025＝1.96， $|\stackrel{\‾}{x}-{\mathrm{\μ}}_0|=0.0168\≥\frac{0.012}{\sqrt{5}}\×1.96=0.0105=\frac{\mathrm{\σ}}{\sqrt{n}}{\mathrm{\μ}}_{\frac{\mathrm{\α}}{2}},$ 所以落在拒绝域上，假设不成立，即表明电机运行存在异常，可以通过设定置信区间和提高样本容量来提高该方法的准确度。

实施例5：

若以电机正常工作时的数据进行异常判断，采用所有判断方法，只有预测模型辨识法判断电机出现异常，在这种情况下，应认为电机运行正常，因为根据优先级序列，能效评估、特征参数判别及物理模型辨识是相对精确地，而预测模型辨识的判定可能是由于数据量不足造成的误判。

Claims (3)

1.一种工业现场三相异步电机异常状态的辨识方法，其特征在于：包括以下步骤：

（1）若在工业现场可直接在线测量三相异步电机的输出功率P_out或输出功率P_out=f₁(λ₁,λ₂...λ_n)的参数λ₁,λ₂...λ_n，则选择步骤（2）进行异常状态辨识；若可直接测量表征三相异步电机运行的特征量，则选择步骤（3）进行异常状态辨识；若能根据三相异步电机的测量值建立物理模型，则选择步骤（4）进行异常状态辨识；以上情况皆不适用时选择步骤（5）进行异常状态辨识；

（2）能效评估：在线测量三相异步电机的输出功率P_out，或通过测量计算出输出功率P_out的参数λ₁,λ₂...λ_n，结合在线测量三相异步电机的输入功率P_in，计算三相异步电机的在线能效η：

η＝P_out/P_in或η＝f(λ₁，λ₂...λ_n)/P_in

根据在线能效η以及相同条件下三相异步电机正常运行时的效率，通过偏差分析，判定三相异步电机是否存在异常状态；

（3）特征参数判别：测量三相异步电机在外施电压和频率保持不变的情况下的特征量：功率因数和效率，将功率因数和效率与相同的工作状态下历史正常值进行对比，通过偏差分析，判断电机运行是否存在异常状态；

（4）物理模型辨识：测量三相异步电机的转速、输出转矩、定子电流、定子功率因数和效率，通过多项式拟合的方法获得三相异步电机工作特性曲线的物理模型，与历史正常运行的物理模型进行比较，判断电机运行是否存在异常状态；

（5）预测模型判别：基于人工神经网络的方法，根据三相异步电机的输入量和输出量，建立电机预测模型，将电机预测模型得出的输出预测值与实际的输出量测量值进行比较，判断设备是否出现异常。

2.根据权利要求1所述的工业现场三相异步电机异常状态的辨识方法，其特征在于：实际操作时结合步骤（2）～步骤（5）中的一种或几种，按照能效评估、特征参数判别、物理模型辨识和预测模型判别的优先级顺序确认异常状态辨识结果。

3.根据权利要求1所述的工业现场三相异步电机异常状态的辨识方法，其特征在于：步骤（5）的具体方法为：将电机预测模型得出的输出预测值与实际的输出量测量值进行比较的方法为假设检验，将预测值x₁和正常值x₀的误差x₁-x₀设为总体X，服从正态分布N(μ,σ²)，将测量值x₂和正常值x₀的偏差x₂-x₀设为来自X的简单随机样本，对给定的显著性水平，采用双边检验，是否符合总体的分布，如果符合，则表明电机正常运行，若不符合，则表明电机运行存在异常。

Images