一种电机异常振动预警方法及系统与流程

1.本发明涉及电机监测领域，尤其涉及一种电机异常振动预警方法及系统。


背景技术：

2.电机主要机械部件有转子，定子以及轴承等，由于机组使用寿命以及负载变化，导致电机出现不同情况的振动特征。振动是电机运行特征的一个重要体现。
3.在电机运行过程中，各个部件的损坏或异常，会使得电机的振动情况发生变化，而且破坏的早期，这种振动变化的幅值往往不是很明显，比较难检测到。最终会导致关键部件的不可逆转的损坏，使机组长时间停机，带来严重的经济损失。
4.传统的状态监测通常只对单一特征量进行监测，通过人为设定阈值的方法来判断设备的运行状态。这种方法需要大量的人工干预，依赖经验。并且单一的变量往往不能将设备的运行状态完整地反映出来。同时，在考虑设备的振动情况时未考虑其负载情况，而工业现场由于工艺的不同，设备的负载状态一般会实时发生变化。又，负载状态的不同，会使得设备的振动状态不同。故，如果不考虑设备的负载状态，仅监测其振动指标，可能会使得监测结果出现偏差。


技术实现要素：

5.本发明的目的在于提供了一种监测结果准确的电机异常振动预警方法及系统。
6.本发明实施例中，提供了一种电机异常振动的预警方法，其包括：
7.对电机的振动数据和电气数据进行采集，根据电机的电气数据来得到电机的负载区间，并构建电机在不同负载区间的振动数据的基准特征向量矩阵x
m
×
n
，其中，m为统计样本个数，n为每个样本数据特征维数；
8.根据每个负载区间的基准特征向量矩阵x
m
×
n
分别计算在各个负载区间的监测阈值；
9.计算待测样本的当前负载区间以及当前负载区间内待测样本与基准特征向量矩阵x
m
×
n
的马氏距离指标；
10.根据待测样本与基准特征向量矩阵x
m
×
n
的马氏距离指标及当前负载区间的监测阈值来判断电机是否异常。
11.本发明实施例中，根据每个负载区间的基准特征向量矩阵x
m
×
n
分别计算在各个负载区间的监测阈值，包括：
12.首先，将基准特征向量矩阵x
m
×
n
归一化得到归一化特征向量矩阵z；
13.然后，通过马氏距离计算样本其中，c表示矩阵z的协方差矩阵；
14.最后，通过3sigma准则计算监测阈值md
threshold
＝md
train
×
3。
15.本发明实施例中，计算待测样本的当前负载区间以及当前负载区间内待测样本与基准特征向量矩阵x
m
×
n
的马氏距离指标，包括：
16.计算样本的负载率，根据样本的负载率得到其所在的负载区间；
17.在待测样本中提取特征向量y＝[y1，y2，
…
，yn]并进行归一化处理，计算其与当前负载区间的基准特征向量矩阵x
m
×
n
对应的归一化特征向量矩阵z的马氏距离指标：md＝yc
‑1y
t
。
[0018]
本发明实施例中，根据电机的电气数据来得到电机的负载区间，包括：
[0019]
根据电机的电气数据计算电机的负载率；
[0020]
根据样本的负载率得到其所在的负载区间，其中，负载区间根据如下规则进行划分：
[0021]
负载率从30％到100％，按照5个百分比一个负载区间的原则，负载区间的选取原则为左闭右开。
[0022]
本发明实施例中，根据待测样本与基准特征向量矩阵x
m
×
n
的马氏距离指标来判断电机是否异常，包括：
[0023]
将采集到的待测样本与基准特征向量矩阵x
m
×
n
的马氏距离指标和对应负载区间的监测阈值进行比较，当连续采集到的三个在同一负载区间中的待测样本与基准特征向量矩阵的马氏距离指标超过监测阈值时，则认定电机振动状态出现了异常，发出报警。
[0024]
本发明实施例中，电机的振动数据包括电机驱动端以及非驱动端的振动数据。
[0025]
本发明实施例中，电机的电气数据包括三相电压、电流数据。
[0026]
本发明实施例中，还提供了一种电机异常振动的预警系统，其包括：
[0027]
采集模块，用于对电机的振动数据和电气数据进行采集；
[0028]
基准特征向量矩阵构建模块，用于根据电机的电气数据来得到电机的负载区间，并构建电机在不同负载区间的振动数据的基准特征向量矩阵x
m
×
n
，其中，m为统计样本个数，n为每个样本数据特征维数；
[0029]
监测阈值计算模块，用于根据每个负载区间的基准特征向量矩阵x
m
×
n
分别计算在各个负载区间的监测阈值；
[0030]
马氏距离指标计算模块，用于计算待测样本的当前负载区间以及当前负载区间内待测样本与基准特征向量矩阵x
m
×
n
的马氏距离指标；
[0031]
电机状态判断模块，用于根据待测样本与基准特征向量矩阵x
m
×
n
的马氏距离指标及当前负载区间的监测阈值来判断电机是否异常。
[0032]
本发明实施例中，所述采集模块包括分别设置在电机驱动端以及非驱动端的振动加速度传感器，分别用于监测电机驱动端以及非驱动端的振动信号。
[0033]
本发明实施例中，所述采集模块还包括电压互感器以及电流互感器，分别用于获取电机的三相电压、三相电流数据。
[0034]
与现有技术相比较，本发明的技术方案中，根据每个负载区间的基准特征向量矩阵x
m
×
n
分别计算在各个负载区间的监测阈值，根据待测样本与基准特征向量矩阵x
m
×
n
的马氏距离指标及当前负载区间的监测阈值来判断电机是否异常，在统计过程控制通过多维特征来对设备的运行状态进行监测，自适应地构建出监测指标，并自动计算出阈值，并且考虑了设备运行过程中的负载状态，简化了人工的操作，应用信号的多维度特征，可以避免传统状态监测阈值特定的缺陷，提高了模型的准确性。
附图说明
[0035]
图1是本发明实施例的电机异常振动的预警方法的流程图。
[0036]
图2是本发明实施例的电机异常振动的预警系统的结构示意图。
具体实施方式
[0037]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
[0038]
以下结合具体实施例对本发明的实现进行详细描述。
[0039]
如图1所示，本发明实施例中，提供了一种电机异常振动的预警方法，其包括步骤s1
‑
s5。下面分别进行说明。
[0040]
步骤s1：数据采集。
[0041]
需要说明的是，在对电机振动是否异常进行判断前，需要先采集电机正常运行时的振动数据，并根据电机正常运行时的振动数据中提取出电机正常运行的振动数据特征。因此，在本步骤中，要采集电机在各种负载状态下的电气数据和振动数据。
[0042]
具体地，在电机驱动端以及非驱动端分别布置一个振动信号监测点，分别用于监测电机驱动端以及非驱动端的运行情况。振动传感器采用振动加速度传感器，两个测点的传感器的采样频率均设置在20khz以上，。采用电压互感器以及电流互感器，来采集电机输入的三相电压电流信号，采样频率设置在5k～15khz。
[0043]
步骤s2：构建特征矩阵。
[0044]
在本步骤中，首先，根据电机的电气数据计算电机的负载率；
[0045]
根据样本的负载率得到其所在的负载区间，其中，负载区间根据如下规则进行划分：
[0046]
负载率从30％到100％，按照5个百分比一个负载区间的原则，负载区间的选取原则为左闭右开。
[0047]
得到电机的负载区间后，分别构建电机在不同负载区间的振动数据的基准特征向量矩阵x
m
×
n
，其中，m为统计样本个数，n为每个样本数据特征维数。
[0048]
步骤s3：计算电机在不同负载区间的监测阈值。
[0049]
需要说明的是，在不同的负载区间中，电机振动的监测阈值不同，具体计算方式如下：
[0050]
首先，将基准特征向量矩阵x
m
×
n
归一化得到归一化特征向量矩阵z；
[0051]
然后，通过马氏距离计算样本其中，c表示矩阵z的协方差矩阵；
[0052]
最后，通过3sigma准则计算监测阈值md
threshol
d＝md
train
×
3。
[0053]
步骤s4：计算待测样本的当前负载区间以及当前负载区间内待测样本与基准特征向量矩阵x
m
×
n
的马氏距离指标。
[0054]
具体过程包括：
[0055]
首先，计算样本的负载率，根据样本的负载率得到其所在的负载区间；
[0056]
然后，在待测样本中提取特征向量y＝[y1，y2，
…
，yn]并进行归一化处理，计算其与当前负载区间的基准特征向量矩阵x
m
×
n
对应的归一化特征向量矩阵z的马氏距离指标：
mid＝yc
‑1y
t
。
[0057]
步骤s5：判断电机是否异常。
[0058]
具体地，将步骤s4中计算得到的待测样本与基准特征向量矩阵x
m
×
n
的马氏距离指标和对应负载区间的监测阈值进行比较，当连续采集到的三个在同一负载区间中的待测样本与基准特征向量矩阵的马氏距离指标超过监测阈值时，则认定电机振动状态出现了异常，避免误判的情况发生。判断电机振动状态出现了异常后，发出报警。
[0059]
如图2所示，本发明实施例中，还提供了一种电机异常振动的预警系统，其包括采集模块1、基准特征向量矩阵构建模块2、监测阈值计算模块3、马氏距离指标计算模块4及电机状态判断模块5。
[0060]
所述采集模块1，用于对电机的振动数据和电气数据进行采集。本发明实施例中，所述采集模块1包括分别设置在电机驱动端以及非驱动端的振动加速度传感器，分别用于监测电机驱动端以及非驱动端的振动信号。所述采集模块还包括电压互感器以及电流互感器，分别用于获取电机的三相电压、三相电流数据。
[0061]
所述基准特征向量矩阵构建模块2，用于根据电机的电气数据来得到电机的负载区间，并构建电机在不同负载区间的振动数据的基准特征向量矩阵x
m
×
n
，其中，m为统计样本个数，n为每个样本数据特征维数。
[0062]
所述监测阈值计算模块3，用于根据每个负载区间的基准特征向量矩阵x
m
×
n
分别计算在各个负载区间的监测阈值。
[0063]
所述马氏距离指标计算模块4，用于计算待测样本的当前负载区间以及当前负载区间内待测样本与基准特征向量矩阵x
m
×
n
的马氏距离指标。
[0064]
所述电机状态判断模块5，用于根据待测样本与基准特征向量矩阵x
m
×
n
的马氏距离指标及当前负载区间的监测阈值来判断电机是否异常。当连续采集到的三个在同一负载区间中的待测样本与基准特征向量矩阵的马氏距离指标超过监测阈值时，则认定电机振动状态出现了异常，发出报警。
[0065]
综上所述，本发明的技术方案中，根据每个负载区间的基准特征向量矩阵x
m
×
n
分别计算在各个负载区间的监测阈值，根据待测样本与基准特征向量矩阵x
m
×
n
的马氏距离指标及当前负载区间的监测阈值来判断电机是否异常，在统计过程控制通过多维特征来对设备的运行状态进行监测，自适应地构建出监测指标，并自动计算出阈值，并且考虑了设备运行过程中的负载状态，简化了人工的操作，应用信号的多维度特征，可以避免传统状态监测阈值特定的缺陷，提高了模型的准确性。
[0066]
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。