一种直线电机气隙在线检测方法

摘要

本发明公开了一种直流电机气隙在线检测方法。该方法为：首先现场采集信号，对现场采集到的数据进行预处理：将现场槽楔与气隙数据采集范围设定为70～170，对于超出范围的数据统一设为‑10；滤除各个电机之间的干扰数据，选出有效的电机数据；通过标定工具进行参数标定；然后用5个特征点的算法寻找电机齿的起始位置；通过聚类的算法聚类法寻找各个齿切分点；最后各齿切分点之间做多项式拟合提取最值点。本发明直流电机气隙在线检测方法，具有数据量要求小、检测结果明显、适用性强的优点。

权利要求

1.一种直线电机气隙在线检测方法，其特征在于，包括以下步骤：步骤1，采集现场信号，对现场采集到的槽楔与气隙数据进行预处理；

步骤2，通过标定工具进行参数标定；

步骤3，用5个特征点的算法，寻找电机齿的起始位置，具体如下：选取5个特征点P1、P2、P3、P4、P5，这五个点满足如下特征：以及

式中 表示第n个点的索引值， 表示第n个点的测量值，n＝1,2,3,4,5，L1、L2、H1、H2分别为设定的阈值；

根据选取的5个特征点，确定电机齿的起始位置；

步骤4，通过聚类法寻找各个齿切分点，具体如下：设置阈值e，对于N个数据，如果满足

Hi-Hi-1≤e,i＝2,...,N

就将这组数据分为一类，式中Hi、Hi-1分别为第i、i-1个点的测量值；

将N个数据分为k组，其中k＜N；已知每个电机的齿数为M，对{T1,T2,T3...Tk}进行排序，式中Tk为第k组数据的数据量，选取k组数据中数据量最大的M组为有效的数据组，即可将电机的齿区分开；

步骤5，各齿切分点之间做多项式拟合，提取最值点，具体如下：计算电机的第m个齿的气隙Qm、槽楔Cm和槽深Hm：式中，Q1,Q2,Q3...Qn和C1,C2,C3...Cn分别为所对应齿采集到的气隙有效数据和槽楔有效数据， 和 分别为第m个齿采集到的气隙有效数据的中值和槽楔有效数据的中值。

2.根据权利要求1所述的直线电机气隙在线检测方法，其特征在于，步骤1所述的采集现场信号，对采集到现场数据进行预处理，具体如下：将现场槽楔与气隙数据采集范围设定为70～170，对于超出范围的数据统一设为-10；

滤除各个电机之间的干扰数据，选出有效的电机数据。

3.根据权利要求1所述的直线电机气隙在线检测方法，其特征在于，步骤2所述的通过标定工具进行参数标定，具体如下：将有效的电机数据进行标定，即：

式中，CK和QK分别为标定之后的槽楔与气隙的值， 和 分别为第K次激光位移传感器到电机槽和电机齿的距离，L3为激光位移传感器到与轨道平面平行的标定工具的距离，θ为激光位移传感器与垂直线偏差的角度。

说明书

一种直线电机气隙在线检测方法

技术领域

[0001] 本发明属于交通安全工程技术领域，特别是一种直线电机气隙在线检测方法。

背景技术

[0002] 直线电机牵引轨道交通车辆采用直线感应电机牵引，轮轨系统承载导向，是一种新型的交通模式，具有技术先进、安全可靠、经济合理、绿色环保的特点。特别是其牵引力大、爬坡能力强、转弯半径小、整体噪声小的优点，使其具有较强的地形适应能力，近年来被许多国家的城市轨道交通系统广泛应用。

[0003] 直线感应电机与感应板之间的空气间隙有严格的要求：气隙过大会使车辆牵引力不足，导致电耗增加；气隙过小会使感应电流变大，导致电机容易烧毁。在日常保养和维修时，轮对镟修或更换新轮对会引起空气间隙变化。由于直线电机运载系统的特殊性，直线电机与感应板之间垂直方向之间最大存在50KN的相互吸力，在交变吸力的作用下，直线电机垂向吊杆橡胶关节老化或垂向吊杆断裂将导致直线电机下沉，出现直线电机与感应板直接接触碰撞的现象，造成直线电机和感应板损伤的安全隐患，影响轨道交通的正常运行。

[0004] 现有的直线电机气隙检测的方法是通过手工测量气隙高度后再调节悬挂梁高度，该方法工作强度大，测量和调整后的精度与工作人员的经验水平有较大的关系。

发明内容

[0005] 本发明的目的在于提供一种准确性高、实时性好的直线电机气隙在线检测方法，从而及时采取有效措施消除安全隐患。

[0006] 实现本发明目的的技术解决方案是：一种直线电机气隙在线检测方法，其特征在于，包括以下步骤：

[0007] 步骤1，采集现场信号，对现场采集到的槽楔与气隙数据进行预处理；

[0008] 步骤2，通过标定工具进行参数标定；

[0009] 步骤3，用5个特征点的算法，寻找电机齿的起始位置；

[0010] 步骤4，通过聚类法寻找各个齿切分点；

[0011] 步骤5，各齿切分点之间做多项式拟合，提取最值点。

[0012] 进一步地，步骤1所述的采集现场信号，对采集到现场数据进行预处理，具体如下：

[0013] 将现场槽楔与气隙数据采集范围设定为70～170，对于超出范围的数据统一设为-10；滤除各个电机之间的干扰数据，选出有效的电机数据。

[0014] 进一步地，步骤2所述的通过标定工具进行参数标定，具体如下：

[0015] 将有效的电机数据进行标定，即：

[0016]

[0017] 式中，CK和QK分别为标定之后的槽楔与气隙的值， 和 分别为第K次激光位移传感器到电机槽和电机齿的距离，L3为激光位移传感器到与轨道平面平行的标定工具的距离，θ为激光位移传感器与垂直线偏差的角度。

[0018] 进一步地，步骤3所述的用5个特征点的算法，寻找电机齿的起始位置，具体如下：

[0019] 选取5个特征点P1、P2、P3、P4、P5，这五个点满足如下特征：

[0020]

[0021] 以及

[0022]

[0023] 式中LPn表示第n个点的索引值，HPn表示第n个点的测量值，n＝1,2,3,4,5，L1、L2、H1、H2分别为设定的阈值；

[0024] 根据选取的5个特征点，确定电机齿的起始位置。

[0025] 进一步地，步骤4所述的通过聚类法寻找各齿切分点，具体如下：

[0026] 设置阈值e，对于N个数据，如果满足

[0027] Hi-Hi-1≤e,i＝2,...,N

[0028] 就将这组数据分为一类，式中Hi、Hi-1分别为第i、i-1个点的测量值；

[0029] 将N个数据分为k组，其中k＜N；已知每个电机的齿数为M，对{T1,T2,T3...Tk}进行排序，式中Tk为第k组数据的数据量，选取k组数据中数据量最大的M组为有效的数据组，即可将电机的齿区分开。

[0030] 进一步地，步骤5所述的各齿切分点之间做多项式拟合，提取最值点，具体如下：

[0031] 计算电机的第m个齿的气隙Qm、槽楔Cm和槽深Hm：

[0032]

[0033] 式中，Q1,Q2,Q3...Qn和C1,C2,C3...Cn分别为所对应齿采集到的气隙有效数据和槽楔有效数据，Qmz和Cmz分别为第m个齿采集到的气隙有效数据的中值和槽楔有效数据的中值。

[0034] 本发明与现有技术相比，其显著优点是：(1)对参数进行标定，有效减小了传感器安装所引起的误差；(2)利用特征点寻找气隙的起始位置，采用多条件、宽范围的方法，容错率高且精准度高；(3)利用聚类的方法，在分齿的同时，通过比对每一类数据量的大小消去无效数据；(4)检测结果明显，适用性强。

附图说明

[0035] 图1为本发明直线电机气隙在线检测方法的流程示意图。

[0036] 图2为本发明中信号采集信号经过预处理之后的示意图。

[0037] 图3为本发明中第一个电机气隙起始位置未经处理的示意图。

[0038] 图4为本发明中第一个电机气隙经过五个特征点算法处理之后的气隙起始点示意图。

[0039] 图5为本发明中第一个电机气隙经过五个特征点算法处理之后的气隙终止点示意图。

[0040] 图6为本发明中第一个电机后6个齿未经处理的示意图。

[0041] 图7为本发明中第一个电机后6个齿经过聚类算法处理之后的示意图。

具体实施方式

[0042] 下面结合附图对本发明作进一步的说明分析。

[0043] 结合图1，本发明直线电机气隙在线检测方法，包括以下步骤：

[0044] 步骤1，采集现场信号，对现场采集到的槽楔与气隙数据进行预处理，具体如下：

[0045] 将现场槽楔与气隙数据采集范围设定为70～170，对于超出范围的数据统一设为-10。因为有效数据的数据量相比于干扰数据的数据量大很多，所以将这些数据量进行排序，选取最大的n组，消去剩余的几组数据，滤除各个电机之间的干扰数据，即完成采集数据的预处理。

[0046] 步骤2，通过标定工具进行参数标定，将有效的电机数据进行标定，具体如下：

[0047] (2.1)利用标定工具上的三个水平面，进行多次测量，算出角度值，取平均值，即：

[0048]

[0049] 式中，L1n、L2n分别为第n次测量激光位移传感器到标定工具水平面的距离，H1n为标定工具水平面之间的垂直高度差。

[0050] (2.2)通过(2.1)所计算得到的角度值计算电机的齿到轨道平面的垂直距离，即：

[0051]

[0052] 式中，CK和QK分别为标定之后的槽楔与气隙的值， 和 分别为第K次激光位移传感器打到电机槽和电机齿的距离，L3为激光位移传感器打到与轨平面平行的标定工具的距离，θ为传感器与垂直线偏差的角度。

[0053] 步骤3，用5个特征点的算法，寻找电机齿的的起始位置，具体如下：

[0054] 选取5个特征点P1、P2、P3、P4、P5，这五个点满足如下特征：

[0055]

[0056] 以及

[0057]

[0058] 式中 表示第n个点的索引值， 表示第n个点的测量值，n＝1,2,3,4,5，L1、L2、H1、H2分别为设定的阈值。

[0059] 根据选取的5个特征点，确定电机齿的起始位置。

[0060] 步骤4，用聚类法寻找各齿切分点，具体如下：

[0061] 设置阈值e，对于N个数据，如果满足

[0062] Hi-Hi-1≤e,i＝2,...,N

[0063] 就将这组数据分为一类，式中Hi、Hi-1分别为第i、i-1个点的测量值。

[0064] 将N个数据分为k组，其中k＜N；已知每个电机的齿数为M，对{T1,T2,T3...Tk}进行排序，式中Tk为第k组数据的数据量，选取k组数据中数据量最大的M组为有效的数据组，即可将电机的齿区分开，并且消去无效数据。

[0065] 步骤5，在处理完数据的基础上，对各齿切分点之间做多项式拟合，提取最值点，具体如下：

[0066] (5.1)提取气隙的最小值和槽楔的最大值，作为所需要的数据，即：

[0067]

[0068] 式中，Qm、Cm分别为第m个齿的气隙和槽楔，Q1,Q2,Q3...Qn和C1,C2,C3...Cn分别为所对应齿采集到的气隙有效数据和槽楔有效数据。

[0069] (5.2)用同一个齿的槽楔中值与气隙中值作差，即可得到槽深，即：

[0070] 将气隙测量值和槽楔测量值进行排序之后，得到一个新的序列{Q1,Q2,Q3...Qn}和{C1,C2,C3...Cn}，可以得到第m个齿采集到的气隙有效数据的中值和槽楔有效数据的中值和

[0071]

[0072]

[0073] 可以求得第m个齿的槽深为 相比于最值作差，中值作差更加准确。

[0074] 实施例1

[0075] 采用本发明的直线电机气隙在线检测方法，基于Matlab平台对采集到的现场数据进行实验：选取一辆近期镟轮的无故障列车作为动态检测对象，其采集到的现场数据经过预处理之后图像如图2所示；

[0076] 根据标定工具，进行参数标定。选取第一个电机进行实验，未处理前的图像如图3所示，进行多次测量与实验后，取阈值L1＝30，L2＝40，H1＝0.2，H2＝3，用五个特征点的方法取出第一个电机气隙的起始位置，如图4和图5所示。

[0077] 选取第一个电机的后六个齿作为研究对象，未处理前的图像如图6所示，通过聚类的算法，寻找各个齿切分点且消去无效数据，得到处理后的图像如图7所示。

[0078] 最后对各齿切分点之间做多项式拟合提取最值点，得到表1、表2、表3和表4如下所示：

[0079] 表1气隙检测数据

[0080]

[0081] 表2气隙检测数据平均值

[0082]

[0083] 表3槽楔检测数据

[0084]

[0085] 表4槽楔检测数据平均值

[0086]

[0087] 本发明通过对参数进行标定，有效减小了传感器安装所引起的误差；利用特征点寻找气隙的起始位置，采用多条件、宽范围的方法，容错率高且精准度高；利用聚类的方法，在分齿的同时，通过比对每一类数据量的大小消去无效数据；检测结果明显，适用性强，为保证列车安全以及给电机维修提供了科学依据，对实现直线电机气隙的在线检测具有重要的意义。