本發(fā)明的主題是用于評估連接到電馬達的旋轉機械的狀態(tài)的方法和計算機程序，其中馬達和旋轉機械包括從三相馬達所供電的傳動系，以及所述馬達與計算裝置連接。

引起本發(fā)明的工作根據(jù)贈與協(xié)議nopitn-ga-2010-264940已經接收來自歐盟第七框架計劃(fp7/2007-2013)的資助。

背景技術：

當今，工業(yè)中存在越來越多的認識:資產監(jiān)測是促進資源效率的關鍵。存在對于更先進的資產管理方法的增加的要求。此外，客戶開始基于是否可監(jiān)測組件狀態(tài)來選擇個別組件。例如，變速箱常常形成旋轉機械傳動系的重要部分，從而在諸如其中石油和天然氣(在壓縮機或泵的傳動系中)、采礦(在驅動傳送帶中)或船舶(在推進傳動系中)的工業(yè)中發(fā)現(xiàn)應用。變速箱的任何停工期能夠對客戶導致大損失。監(jiān)測旋轉機械的狀態(tài)的標準方法包含使用外殼安裝加速計的振動分析以及油碎屑(oildebris)分析。在油碎屑分析的情況下，最近的趨勢是使用在線/聯(lián)機油碎屑傳感器。這個傳感器連接到變速箱的潤滑油回路，以便捕獲來自齒輪的磨損顆粒。另一方面，科學文獻中存在一種新興趨勢，其與分析電信號(具體來說是定子電流)以便評價連接到電馬達的旋轉機械的健康相關。

問題陳述

由于空間限制或環(huán)境關注，不是總有可能為具有油碎屑或振動傳感器的軸線組件裝備儀表。此外，安裝到傳動系的組件的傳感器可被認為是‘有創(chuàng)的’，因為它們直接安裝在系統(tǒng)的旋轉機械上。因而斷定，為了應用基于這些傳感器的狀態(tài)監(jiān)測方式，機器的操作將必須停止，以便安裝傳感器。在這種狀況中，識別組件的健康的無創(chuàng)方法將會是優(yōu)選的。雖然外殼安裝傳感器、例如加速計可被認為是無創(chuàng)的，但是它們經受例如傳輸路徑影響。標準傳感器、例如加速計通常是外殼安裝的。通常，系統(tǒng)的相關動態(tài)出現(xiàn)于設備的旋轉元件上，從其故障特征經過該結構傳播到外殼安裝傳感器。傳播路徑(其通常將與逐個安裝有所不同)能夠起作用以便對于對診斷有用的動態(tài)的一些進行調制和濾波。因此，能夠難以使用標準方法正確設置系統(tǒng)的報警閾值等級。電信號的分析潛在地提供一種解決方案，其不太受這類不定性的影響，因為電信號形成系統(tǒng)的組成部分。如先前所述，存在一種新興趨勢，其與分析電信號、具體來說是定子電流以評價連接到電馬達的旋轉機械的健康相關。但是，電馬達是復雜系統(tǒng)，特別是當考慮轉子和定子磁通量的交互以及磁鏈與滑移之間的鏈接時，并且至今沒有完全準確理解與驅動線組件中的故障相關的扭轉振蕩如何轉化成定子電流。在電機由驅動器來供應的情況下，這個問題進一步復雜化，因為逆變器的控制動作能夠起作用以使供應給電馬達的電壓失真。因此，雖然已經證明，傳動系組件的故障特征能夠出現(xiàn)在電信號中，但是仍然能夠證明難以設置這些新技術的報警閾值。神經網(wǎng)絡能夠潛在地避免這些問題；如果提供足夠多的不同訓練事例，則訓練網(wǎng)絡將包含對傳動系中的電機與其他組件之間的交互的‘理解’，并且因此將能夠評估系統(tǒng)的健康。美國專利描述us20070282548a1描述一種方法，其中來自電馬達的電信號(電流和電壓)用來計算阻抗，并且然后這個阻抗借助于神經網(wǎng)絡來處理，以搜索能夠指示驅動機械系統(tǒng)的已知故障的模式，在這種方式中，從阻抗的實和復合波形所提取的特征用來訓練神經網(wǎng)絡。同樣，歐洲專利ep1398119b1描述一種通過由神經網(wǎng)絡應用對電信號的模式識別來檢測電鉆中的轉子阻塞(jamming)的方法。另一方面，baqqar等人在“ageneralregressionneuralnetworkmodelforgearboxfaultdetectionusingmotoroperatingparameters”中示出應用神經網(wǎng)絡經過回歸(而不是用于分類)來構建數(shù)據(jù)驅動模型以用于變速箱的故障檢測。這些方式按照不同方式(分類和回歸)來使用神經網(wǎng)絡，但是除了正確神經網(wǎng)絡訓練之外，神經網(wǎng)絡成功應用于分類目的的另一重要方面還依靠在訓練過程期間提供給神經網(wǎng)絡的信息。代表特征與神經網(wǎng)絡的正確訓練的組合使用保證神經網(wǎng)絡分類能力的可靠性。在本發(fā)明中給出對分類的應用的解決方案。

技術實現(xiàn)要素：

本發(fā)明提供如權利要求1-4所述的用于評估連接到電馬達的旋轉機械的狀態(tài)的方法以及如權利要求5-8所述的用于評估連接到電馬達的旋轉機械的狀態(tài)的計算機程序。本發(fā)明還提供包括與旋轉組件所連接的電馬達的傳動系，其中馬達與計算裝置連接，所述計算裝置包括用于執(zhí)行如權利要求1-4所述的步驟的部件。

所公開的本發(fā)明的主要優(yōu)點在于，通過使用神經網(wǎng)絡來分析馬達電流和電壓，技術的利用僅要求獲取電信號，而無需機電傳感器、例如加速計，因此提供具有高可靠性的最小有創(chuàng)方式。

具體實施方式

在附圖所示的實施例中解釋按照本發(fā)明的方法，其中，圖1呈現(xiàn)具有未知狀態(tài)的傳動系，其連接到具有用于實現(xiàn)按照本發(fā)明的方法的部件的處理器的計算裝置；圖2呈現(xiàn)連接到計算裝置的n個不同傳動系，其中各傳動系的狀態(tài)是已知的，并且用于訓練目的；圖3是示出在計算裝置的信號處理單元中進行的操作的示例的簡圖；圖4是示意示出在計算裝置的特征提取單元中得到的特征的一些示例的簡圖；圖5呈現(xiàn)計算裝置的訓練和分類單元中包含的神經網(wǎng)絡結構的示例，其中該結構適合于通過分析k+m+r個輸入信號來評估n個狀態(tài)；圖6示出按照本發(fā)明、評估連接到電馬達的旋轉組件的狀態(tài)的示例的流程圖。

在示例系統(tǒng)中，由在研究中的傳動系組成的示例系統(tǒng)在圖1中呈現(xiàn)，其由從三相電源所供電的電馬達mm以及連接到馬達的旋轉機器rm來組成。在示例實施例中，旋轉機器是變速箱。電馬達mm連接到具有適合于實現(xiàn)按照本發(fā)明的方法的六個單元3.1-3.6的計算裝置cd。計算裝置cd包括：

數(shù)據(jù)獲取單元3.1，用于從電馬達mm來獲取電流(ia、ib、ic)和電壓(ua、ub、uc)信號，

信號處理單元3.2，用于將所獲取信號處理為不同編組的信號，

特征提取單元3.3，用于從所處理信號中將特征提取為不同編組的特征，

訓練和分類單元3.4，用于采用來自n個不同傳動系的數(shù)據(jù)來訓練神經網(wǎng)絡以用于分類已知n個傳動系的狀態(tài)，所述訓練和分類單元3.4配備有分類器系統(tǒng)3.4.1，

數(shù)據(jù)存儲單元3.5，用于存儲從圖2所呈現(xiàn)的n個不同傳動系所得到并且在圖5所呈現(xiàn)的神經網(wǎng)絡的訓練期間所記錄的數(shù)據(jù)，

用戶通知單元3.6，用于檢查在研究中的傳動系(traindrive)的健康狀態(tài)并且用于顯示研究結果。

相同計算裝置cd(cd’)可用于執(zhí)行所呈現(xiàn)的神經網(wǎng)絡的訓練，如圖2所呈現(xiàn)的。這個計算裝置cd(cd’)配備有用于采用來自與其連接的n個不同傳動系的數(shù)據(jù)來訓練神經網(wǎng)絡的單元3.1–3.6，其中各傳動系的狀態(tài)是已知的，并且指示為狀態(tài)1、狀態(tài)2、…狀態(tài)n。

在示例系統(tǒng)中，一組n個傳動系在圖2中呈現(xiàn)，其中各傳動系由電馬達mm’和旋轉機器rm’(其也是變速箱)來組成(n≥2)。n個傳動系的每個由相同類型和型號的電馬達和旋轉機器來組成，電機的狀態(tài)被認為是健康的，并且旋轉電機的每個具有已知狀態(tài)，其中至少一個旋轉機器狀態(tài)對應于健康的，而其余的旋轉機器狀態(tài)對應于有故障的，其指示為狀態(tài)1、狀態(tài)2、…狀態(tài)n。馬達mm’的每個連接到計算裝置cd或cd’，其具有六個單元3.1–3.6，其適合于使用神經網(wǎng)絡以便實現(xiàn)按照本發(fā)明的方法。計算裝置cd或cd’配備有處理器，其具有所有上述單元、標準存儲器ram、rom和附圖中未呈現(xiàn)的其他典型硬件。計算裝置可以是具有與其連接的外圍裝置以用于顯示或打印評估結果的典型計算機或pc。評估結果將觸發(fā)用于安全性的另一個動作，從而保持所研究的傳動系的連續(xù)性，其沒有在附圖中呈現(xiàn)。

按照本發(fā)明的方法按照下列步驟來實現(xiàn)：

步驟0。預備。

準備用于研究的傳動系(圖1)，其未知狀態(tài)需要被評估。所述傳動系具有馬達mm和旋轉機器rm(例如變速箱)。旋轉組件rc在未知狀態(tài)下工作。代替變速箱，壓縮機、泵、風扇或者任何其他類型的旋轉機械可連接到電馬達。

步驟0’。預備。

準備n個預備傳動系(n≥2)(圖2)，其中各傳動系由馬達mm的相同類型和型號的馬達mm’和旋轉機器rm的相同類型和型號的旋轉機器rm’來組成。所有傳動系狀態(tài)是不同的并且是先驗已知的。具有馬達mm’1的傳動系的已知狀態(tài)命名為狀態(tài)1，具有狀態(tài)mm’2的傳動系的已知狀態(tài)命名為狀態(tài)2，依此類推，一直到具有mm’n馬達并且具有狀態(tài)n的傳動系。n個傳動系的至少一個具有健康狀態(tài)。

步驟1’。數(shù)據(jù)獲取。

從n個不同傳動系的馬達進行電流(ia1、ia2…、ian；ib1、ib2…ibn；ic1、ic2…icn)和電壓(ua1、ua2…uan；ub1、ub2…ubn；uc1、uc2…ucn)的電信號的數(shù)據(jù)獲取。這個數(shù)據(jù)獲取在數(shù)據(jù)獲取活動(campaign)中進行，其中獲取代表數(shù)據(jù)量，其中，數(shù)據(jù)量通過計算裝置cd或cd’的數(shù)據(jù)獲取單元3.1的取樣頻率以及各數(shù)據(jù)獲取活動的時長(單位為秒)來確定。在各數(shù)據(jù)獲取活動中獲取的數(shù)據(jù)表示一個數(shù)據(jù)集。數(shù)據(jù)集的總量為g(其中g為自然數(shù))。要求至少10個數(shù)據(jù)集(g=10)以進行與神經網(wǎng)絡的分類器訓練階段有關的接下來的步驟。在g個獲取活動之后，數(shù)據(jù)集的總量g在計算裝置cd或cd’的數(shù)據(jù)獲取單元3.1中是可用的。

步驟2’。信號處理。

一旦獲取了電信號，則在信號處理單元3.2中按照下列三種方式來處理其時間波形：

a)通過將陷波濾波器應用于電流(ia1、ia2…ian)和電壓(ua1、ua2…uan)信號以便去除基頻分量，并且得到濾波電流波形wc和濾波電壓波形wv，

b)通過將傅立葉變換應用于濾波電流wc和濾波電壓波形wv以便得到電流的頻譜sc和電壓的頻譜sv，

c)通過將時間同步求平均方法應用于濾波電流信號(wc1、wc2、…、wcn)以便得到時間波形tsac，其表示電馬達軸的一個旋轉期間的濾波電流的行為。

步驟2’的結果應當是數(shù)據(jù)集的五個總編組g1-g5，以及各編組g1-g5具有下列信號的數(shù)據(jù)集1、2、…n：

g1-wc1、…、wcn：具有狀態(tài)1、狀態(tài)2、…、狀態(tài)n的傳動系的濾波電流的時間波形，

g2–wv1、…、wvn：具有狀態(tài)1、狀態(tài)2、…、狀態(tài)n的傳動系的濾波電壓的時間波形，

g3–sc1、…、scn：具有狀態(tài)1、狀態(tài)2、…、狀態(tài)n的傳動系的濾波電流的頻譜，

g4–sv1、…、svn：具有狀態(tài)1、狀態(tài)2、…、狀態(tài)n的傳動系的濾波電壓的頻譜，

g5–tsac1、…、tsacn：具有狀態(tài)1、狀態(tài)2、…、狀態(tài)n的傳動系的濾波電流的時間同步平均波形。

步驟3’。代表特征的提取

按照信號的不同編組g1-g5，不同特征可從其數(shù)據(jù)集1、2…n來提取，這在計算裝置cd或cd’的特征提取單元3.3中執(zhí)行。

對于編組g1和g2，典型統(tǒng)計特征優(yōu)選地計算為：平均值、標準偏差、偏斜度、峰度、信號熵、峰到峰值、最大峰值、均方根(rms)、波峰因數(shù)和波形因數(shù)。將要從時間波形來提取的特征的總數(shù)將為k。這些指示符是優(yōu)選的，而并不局限于先前所列指示符，也可使用其他指示符。

對于編組g3和g4，所提取特征由與譜本身關聯(lián)的一般特征以及與旋轉機器組件(泵和壓縮機中的葉片/翼、變速箱中的齒輪)相關的頻率分量的幅度值來組成。從頻譜信號所提取的特征包含但不限于：頻率中心、最大峰值存在的頻率、與齒輪嚙合頻率的一次諧波對應的頻率峰值的幅度(1×gmf)、與齒輪嚙合頻率的二次諧波對應的頻率峰值的幅度(2×gmf)、葉片通過頻率(bladepassfrequency)的頻率峰值的幅度(1×bpf)、在葉片通過頻率的二次諧波的頻率峰值的幅度(2×bpf)。將要從頻譜來提取的特征的總數(shù)將為m。

對于編組g5，能夠計算與如在編組g1和g2中一樣地從波形所提取的特征類似的特征。這些特征包含但不限于：峰度、偏斜度、最大峰值、波峰因數(shù)和信號熵。將要從時間同步平均信號來提取的特征的總數(shù)將為r。

總共存在從g1-g5編組的各數(shù)據(jù)集1…n所提取的k+m+r個特征，并且這些特征用來在分類器系統(tǒng)3.4.1中訓練神經網(wǎng)絡,這在計算裝置cd或cd’的訓練和分類單元3)4中實現(xiàn)。

步驟4’。分類器系統(tǒng)的訓練。

分類器系統(tǒng)3.4.1使用神經網(wǎng)絡來構建。通過輸入先前在步驟3’所提取的特征來訓練神經網(wǎng)絡。訓練通過使用典型神經網(wǎng)絡訓練算法進行。這些訓練算法包含但不限于：共軛梯度方法、levenberg-marquardt算法或梯度下降方法。

從總g1-g5個數(shù)據(jù)集1、2…n中，70%用于訓練，以及30%用于測試。

在采用訓練數(shù)據(jù)集的70%來訓練分類器系統(tǒng)3.4.1之后，執(zhí)行附加檢查以測試分類器系統(tǒng)3.4.1的性能。表1圖示用于被訓練以便在兩個不同傳動系狀態(tài)(狀態(tài)1和狀態(tài)2)之間進行分類的分類器系統(tǒng)的混淆矩陣的結構。

表1

實際狀態(tài)表示分析下系統(tǒng)的真實狀態(tài)，以及預測狀態(tài)表示由分類器系統(tǒng)所預測的狀態(tài)。真正表示其實際狀態(tài)為1并且其預測狀態(tài)為1的數(shù)據(jù)集。假正表示其實際狀態(tài)為2而其預測狀態(tài)為1的數(shù)據(jù)集。假負表示其實際狀態(tài)為1而其預測狀態(tài)為2的數(shù)據(jù)集，以及最后，真負表示其實際狀態(tài)為2并且其預測狀態(tài)為2的數(shù)據(jù)集。

混淆矩陣的元素：真正、假正、假負和真負用來評價下列因數(shù)：分類器的準確性、調用(recall)和f得分。準確性、調用和f得分的值將確定分類器系統(tǒng)3.4.1是否要求更多訓練或者它是否已經正確訓練以便與具有未知狀態(tài)的傳動系一起使用。

準確性(p)定義為：

再調用(r)定義為：

f得分定義為：

在訓練分類器系統(tǒng)3.4.1之后，對訓練數(shù)據(jù)集并且對測試數(shù)據(jù)集來計算f得分。如果兩個f得分均高于0.95，則分類器系統(tǒng)被認為正確訓練，如果不是的話，則將獲取更多數(shù)據(jù)，并且分類器系統(tǒng)將重新訓練，直到兩個數(shù)據(jù)集(訓練和測試)的f得分高于0.95。

步驟1。數(shù)據(jù)獲取

使用聯(lián)機數(shù)據(jù)獲取單元3.1重復進行步驟1’，以便從具有未知狀態(tài)的傳動系的馬達(mm)來獲取電流(ia、ib、ic)和電壓信號(ua、ub、uc)。圖6中，這個步驟在括號中指示。

步驟2。信號處理。

對于具有未知狀態(tài)的傳動系，通過對測量信號進行濾波以去除基頻分量并且使用信號處理單元(3.2)處理濾波信號以生成下列項來對具有未知狀態(tài)的傳動系重復進行步驟2’：電流的時間波形wcx和電壓的時間波形wvx、電流的頻譜scx和電壓的頻譜svx、電流的時間同步平均波形tsacx。圖6中，這個步驟在括號中指示。

步驟3。代表特征的提取

借助于通過使用特征提取單元3.4用于在研究中的傳動系提取電流的時間波形(g1-wcx)和電壓的時間波形(g2-wvx)的代表特征、電流的頻譜(g3-scx)和電壓的頻譜(g4-svx)的代表特征以及電流的時間同步平均(tsa)波形(g5-tsacx)的代表特征來對在研究中的傳動系重復進行步驟3’。圖6中，這個步驟在括號中指示。

步驟5。數(shù)據(jù)集分類過程。

一旦已經訓練分類器系統(tǒng)3.4.1，它能夠用來分類具有未知狀態(tài)的傳動系(圖1)，給定這個未知狀態(tài)是用來訓練分類器系統(tǒng)3.4.1的n個狀態(tài)的至少一個。為了開始于未知狀態(tài)的傳動系的分類過程，要求獲取來自馬達mm的電信號，并且接下來重復進行步驟1’、2’和3’以用于接收未知狀態(tài)的傳動系的真實數(shù)據(jù)。這些動作在流程圖(圖6)中指示為(1)、(2)、(3)。一旦提取特征，它們用作分類器系統(tǒng)3.4.1(其將提供輸出)的輸入。這個輸出是具有z=[z1…zn]元素的向量。從這個向量z，n-1個元素應當?shù)扔?，并且一個元素應當為1。

步驟6。狀態(tài)識別。

分類器系統(tǒng)3.4.1的輸出向量z由作為0的n-1個元素和作為1的一個元素來組成。等于1的所述元素的索引i確定所分析的傳動系的所識別狀態(tài)。

在分類器系統(tǒng)的輸出向量的n個元素為0的情況下，通知用戶不能夠評估所分析的傳動系組件的狀態(tài)。

上面呈現(xiàn)的所有步驟在包括非暫時計算機可讀程序代碼的計算機程序產品中實現(xiàn)，非暫時計算機可讀程序代碼在運行于計算裝置cd或cd’上時執(zhí)行評估連接到包括傳動系的電馬達mm的旋轉機械rc(rc’)的狀態(tài)的步驟，以及計算裝置cd或cd’提供有適合于使用已知神經網(wǎng)絡算法的功能單元(3.1-3.6)。