一种非线性机电系统的故障诊断方法转让专利
申请号 : CN201810083967.9
文献号 : CN108398637B
文献日 : 2020-04-21
发明人 : 郁明 , 李航 , 王海 , 姜苍华 , 李梦昕 , 夏浩 , 陈思 , 肖晨雨
申请人 : 合肥工业大学
摘要 :
权利要求 :
1.一种非线性机电系统的故障诊断方法,其特征在于,包括以下步骤:S1、对非线性机电系统建模,得到非线性机电系统的键合图模型;
S2、根据非线性机电系统的键合图模型,得出解析冗余关系,根据解析冗余关系生成残差,得到故障特征矩阵,分析非线性机电系统故障的可检测性和可隔离性;
S3、将所述残差中的相干向量与故障特征矩阵进行对比,得出非线性机电系统可能发生故障的集合;
S4、通过粒子滤波方法对非线性机电系统可能发生故障的集合和非线性机电系统的状态变量进行联合参数估计,得到相关参数估计区间,再将相关参数的均值作为参数估计值与非线性机电系统的键合图模型的标称值进行对比,确定非线性机电系统的故障;
所述非线性机电系统的键合图模型包括电机电气键合图模型(10)、电机机械键合图模型(20)、电机减速器键合图模型(30)、电机负载键合图模型(40),所述非线性机电系统的键合图模型的功率流的方向依次由电机电气键合图模型(10)、电机机械键合图模型(20)、电机减速器键合图模型(30)指向电机负载键合图模型(40);
所述电机电气键合图模型(10),其包括Msf流源、第一TF转换器、负载电阻R、传感器Df:i1以及GY回转器,所述Msf流源的能量流动方向指向第一TF转换器,所述第一TF转换器的能量流动方向通过共流结分别指向传感器Df:i1、GY回转器、负载电阻R,所述GY回转器的能量流动方向指向电机机械键合图模型(20);
电机机械键合图模型(20),其包括惯性系数为Jm的惯性元件I,刚度系数为K的容性元件C,增量编码器Df:dθe,由粘性摩擦fm、库仑摩擦fec、静摩擦fc和stribeck摩擦fstribeck1组成的非线性阻性元件Re,其中, α1为范围在0~1之间的指数时间常数, 为电机的转速,所述GY回转器的能量流动方向通过共流结分别指向非线性阻性元件Re、增量编码器Df:dθe、惯性系数为Jm的惯性元件I,GY回转器的能量流动方向依次通过共流结、共势结分别指向电机减速器键合图模型(30)、刚度系数为K的容性元件C;
电机减速器键合图模型(30),其包括系数为N的第二TF变换器,所述GY回转器的能量流动方向依次通过共流结、共势结指向系数为N的第二TF变换器,所述系数为N的第二TF变换器的能量流动方向指向电机负载键合图模型(40);
电机负载键合图模型(40),其包括惯性系数为Js的惯性原件I,由负载库仑摩擦fs、粘性摩擦fsc、stribeck摩擦fstribeck2组成的非线性阻性元件Rs,其中,α2为范围在0~1之间的指数时间常数, 为负载的转速,所述系数为N的第二TF变换器的能量流动方向通过共流结分别指向非线性阻性元件Rs、增量编码器Df:dθs、惯性系数为Js的惯性原件I;
步骤S2的具体操作步骤包括:
S21、根据非线性机电系统的键合图模型中的各个结点的因果关系得出结点关系式,再将非线性机电系统的键合图模型中的未知变量用已知变量或可测变量表示,得出非线性机电系统的解析冗余关系分别为ARR1、ARR2:解析冗余关系ARR1为:
解析冗余关系ARR2为:
其中,Vin为非线性机电系统的输入信号,k1、N分别为第一TF变换器、第二TF变换器的系数,表示非线性机电系统的输入电压与电流的关系,k2为GY回转器的转换系数,表示不同能量之间的转换关系,Jm为电机的转动惯量,Js为负载的转动惯量,θe为增量编码器Df:dθe测得的电机转角, 为θe的一阶导数, 为θe的二阶导数,θs为增量编码器Df:dθs测得的系统负载转角, 为θs的一阶导数, 为θs的二阶导数,fm为电机的粘性摩擦,fs为负载的粘性摩擦,fec为电机的库仑摩擦,fsc为负载的库仑摩擦,fc为电机的静摩擦,fcs为负载的静摩擦,α1为范围在0~1之间的一个指数时间常数,α2为范围在0~1之间的一个指数时间常数,K为电机的刚度系数,sign(·)为符号函数;
S22、根据非线性机电系统的解析冗余关系ARR1、ARR2,得到故障特征矩阵,所述故障特征矩阵为9×4矩阵,所述故障特征矩阵的行依次为Jm、fm、fec、Js、fs、fsc、K、 故障特征矩阵的列依次为r1、r2、Db、Ib,其中,(Jm,r1)=1,(Jm,r2)=0,(Jm,Db)=1,(Jm,Ib)=0;(fm,r1)=1,(fm,r2)=0,(fm,Db)=1,(fm,Ib)=0;(fec,r1)=1,(fec,r2)=0,(fec,Db)=1,(fec,Ib)=0;(Js,r1)=
0,(Js,r2)=1,(Js,Db)=1,(Js,Ib)=0;(fs,r1)=0,(fs,r2)=1,(fs,Db)=1,(fs,Ib)=0;(fsc,r1)=
0,(fsc,r2)=1,(fsc,Db)=1,(fsc,Ib)=0;(K,r1)=1,(K,r2)=1,(K,Db)=1,(K,Ib)=1;
其中,r1为第一残差,r2为第二残差,Db为故障可检测性,Ib为故障可隔离性,列r1、r2对应的1表示残差对于相对应的故障参数敏感,列r1、r2对应的0表示残差对于相对应的故障参数不敏感,列Db、Ib对应的1表示非线性机电系统的故障可以被检测和隔离,列Db、Ib对应的0表示非线性机电系统的故障不可以被检测和隔离。
2.如权利要求1所述的一种非线性机电系统的故障诊断方法,其特征在于,步骤S4的具体操作步骤包括:
设定非线性机电系统的状态变量x=[x1,k x2,k … xn,k],y=[y1,k y2,k]=[θm θs],其中,xn,k为非线性机电系统的状态变量,y1,k,y2,k均为非线性机电系统的输出变量,将非线性机电系统可能发生故障的集合添加至状态变量中,得到非线性机电系统状态和未知参数的联合估计,通过非线性机电系统状态和未知参数的联合估计得到相关参数估计区间,再将相关参数的均值作为参数估计值与非线性机电系统的键合图模型的标称值进行对比,确定非线性机电系统的故障。
说明书 :
一种非线性机电系统的故障诊断方法
技术领域
背景技术
强,但电机的性能在过载和高温条件下会被减弱,另外,电机轴承的损伤会促使电机的摩擦
增大,而这些故障在电机运行过程中并不能及时的被测量出来的。
后验分析,要求十分严苛,而且故障诊断不及时,故障源判断不准确,由于伺服电机在安全
性和稳定性方面有迫切的需求,因此快速并准确的进行故障诊断是迫切需要的。
发明内容
计值与非线性机电系统的键合图模型的标称值进行对比,确定非线性机电系统的故障。
模型的功率流的方向依次由电机电气键合图模型、电机机械键合图模型、电机减速器键合
图模型指向电机负载键合图模型。
器的能量流动方向指向电机机械键合图模型;
1之间的指数时间常数, 为电机的转速,所述GY回转器的能量流动方向通过共流结分别
指向非线性阻性元件Re、增量编码器Df:dθe、惯性系数为Jm的惯性元件I,GY回转器的能量流动方向依次通过共流结、共势结分别指向电机减速器键合图模型、刚度系数为K的容性元件
C;
器的能量流动方向指向电机负载键合图模型;
α2为范围在0~1之间的指数时间常数, 为负载
的转速,所述系数为N的第二TF变换器的能量流动方向通过共流结分别指向非线性阻性元
件Rs、增量编码器Df:dθs、惯性系数为Js的惯性原件I。
线性机电系统的解析冗余关系分别为ARR1、ARR2:
(fsc,r1)=0,(fsc,r2)=1,(fsc,Db)=1,(fsc,Ib)=0;(K,r1)=1,(K,r2)=1,(K,Db)=1,(K,Ib)=1;
相关参数的均值作为参数估计值与非线性机电系统的键合图模型的标称值进行对比,确定
非线性机电系统的故障。
出非线性机电系统可能发生故障的集合,最后通过粒子滤波方法对非线性机电系统可能发
生故障的集合和非线性机电系统的状态变量进行联合参数估计,然后将粒子分布的样本均
值作为参数估计值和模型的标称值对比,确定非线性机电系统的故障。本发明能够通过故
障辨识将故障参数精确到小范围区间内,能够及时、准确地诊断并隔离出故障源。
附图说明
具体实施方式
本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他
实施例,都属于本发明保护的范围。
计值与非线性机电系统的键合图模型的标称值进行对比,确定非线性机电系统的故障。
统的键合图模型的功率流的方向依次由电机电气键合图模型10、电机机械键合图模型20、
电机减速器键合图模型30指向电机负载键合图模型40。
换器,所述第一TF转换器的能量流动方向通过共流结分别指向传感器Df:i1、GY回转器、负
载电阻R,所述GY回转器的能量流动方向指向电机机械键合图模型20;
~1之间的指数时间常数, 为电机的转速,所述GY回转器的能量流动方向通过共流结分
别指向非线性阻性元件Re、增量编码器Df:dθe、惯性系数为Jm的惯性元件I,GY回转器的能量流动方向依次通过共流结、共势结分别指向电机减速器键合图模型30、刚度系数为K的容性
元件C;
换器的能量流动方向指向电机负载键合图模型40;
α2为范围在0~1之间的指数时间常数, 为负载
的转速,所述系数为N的第二TF变换器的能量流动方向通过共流结分别指向非线性阻性元
件Rs、增量编码器Df:dθs、惯性系数为Js的惯性原件I。
离性,具体步骤如下:
值。残差的基本形式如下:
[c1......cm]表示,其中每个元素对应一个残差,表示规则如下:
常值,反之,系统出现故障,则残差绝对值大于故障阈值,一致性向量不为0,对应的解析冗余关系中至少存在一个参数出现故障。
统残差的相干向量与故障特征矩阵对比,进而隔离出系统可能故障集合。由图3可知相干向
量为[11],再与故障特征矩阵对比可得出系统可能的故障集合 由图4可知相干向
量为[10],由图5可知相干向量为[01],与故障特征矩阵对比之后可得到系统可能的故障集
合分别为{Jm,fm&fec}和{Js,fs&fsc}。
和模型的标称值对比,确定非线性机电系统的故障。
要先将系统模型离散化。如下:
系统故障未知参数进行估计,例如当参数fec出现故障时,则需要将隔离出的可能故障集合θ={Jm,fm&fec}对系统状态向量进行增广得z=[xθ],得到系统状态和未知参数的联合估计。
验概率密度p(xk|Yk)的问题。粒子滤波的基本算法是利用蒙特卡罗仿真,通过重要性采样技
术来近似随机变量的后验概率分布。具体步骤如下:
权值。序贯重要性采样作为粒子滤波的基础,它将统计学中的序贯分析方法应用到的蒙特
卡洛方法中,从而实现后验滤波概率密度的递推估计。
粒子上,重采样根据粒子的权值采样N次得到新的粒子。经重采样后得到的近似后验概率密
度函数为 是重采样后的粒子状态。
况。
2 2
Jm 0.0001(kg·m) Js 0.004(kg·m)
fm 0.001(Nms/rad) fs 0.06(Nms/rad)
fec 0.08(Nms/rad) fsc 0.12(Nms/rad)
fc 0.081(Nms/rad) fcs 0.121(Nms/rad)
α1 0.06 α2 0.02
K 0.3(Nm/rad) N 10
~图10。从图7、图8和图9可以看出参数Jm、fm均在标称值附近小范围波动,只有参数fec偏离了标称值,然后可以通过图10的估计参数分布的样本均值来近似参数值,进而达到确定故
障参数的目的且验证了本文所提出的故障识别方法有效。图6每一幅图中分别包括2条曲
线,其中一条曲线为通过粒子滤波估计出来的电机角速度,另一条曲线为通过传感器读出
来的电机角速度,从图中可看出2条曲线拟合程度。