專利名稱：檢測交流電動機定子匝故障的方法和裝置的制作方法
技術領域：
本發明涉及一種電動機監察系統特別涉及檢測交流電動機定子匝故障的方法和裝置。
在各種商業和工業領域中都使用諸如三相交流感應電動機等電動機。致冷系統印刷機，裝配流水線和無數的其他應用都使用這種電動機。無論是何用途，及時檢測電動機故障都是極為重要的。一般來說，電動機故障在電動機完全損壞之前是檢測不到的，這樣就可能會造成過高的代價，耽誤維修時間，還可能有潛在的危險。因而就需要在電動機完全損壞之前有效和實際地檢測出電動機故障，特別是定子匝故障。
現有狀態下的電動機監察技術不足以提供損壞前的定子匝故障檢測。典型的電動機監察系統是根據轉子的缺陷和只有在轉動過程中才能檢測到的缺陷來檢測電動機故障。這些公知的系統是分析轉子轉動過程中產生的頻譜中諧波的變化。然而，電動機的定子是一個靜止部件，而它的缺陷不會產生額外的諧波。因此，要用這種常規技術來檢測由于電動機的定子繞組損壞或故障所造成的電動機故障是不可能的。
現有技術的定子故障檢測系統仍然存在問題。這些公知的定子匝故障檢測系統效率低下并且耗費時間。許多方法是采用一種平衡電動機的理想模型，但是效果不好，因為實際的機器并不是理想的。有一種方法需要用電動機過多工作狀態中的數據得到一個“查詢表”。為了積累用來做成有用的查詢表的足夠數據，就需要讓電動機在各種工作狀態運行許多次。為了確定是否存在定子匝故障，需要將電動機正常操作期間某一特定瞬時收集的操作數據與電動機在類似操作參數條件下的查詢表數據相比較。確定匝故障的有效性取決于查詢表的范圍和程度。查詢表的范圍和程度越大，成本就越高。因此，公知的定子匝故障檢測方案的應用會受到明顯的限制并且/或會是昂貴的。查詢表不可能包括所有可能的工作狀態的數據。
另外，這些現有技術的定子故障檢測系統采用一種加權的快速傅利葉變換(WFFT)。WFFT需要在一定的時間間隔上有若干組數據來執行變換。
這樣就需要設計出一種定子匝故障檢測裝置和方法，它應該能檢測與電動機定子有關的電動機故障，并且不需要生成一個查詢表來存儲預料中的每一種操作狀態。
本發明涉及一種方法和系統，其不需要為檢測電動機故障而產生操作參數參考表，并且能夠利用高速計算機網絡，從而克服上述問題。
本發明通過使用前饋神經網絡提供了一種方法，該方法能夠容易地代替上述的查詢表，并提供計算或產生電動機的每個操作參數的需要。本發明包括獲得在正常操作條件下的電動機的電壓和電流數據。提供一種計算機程序用于變換現有的電壓和電流數據，使得可以容易地獲得特征數據并被存儲供隨后使用。該系統還包括用于在實際操作條件下從電動機獲得瞬時數據的裝置。然后，所述瞬時數據和由前饋神經網絡產生的估算數據比較。根據上述數據的比較，可以精確地識別電動機中的定子匝故障的開始。
因此，按照本發明的一個方面，披露了一種用于電動機的定子匝故障檢測器。所述檢測器包括多個傳感器，用于獲得供給所述電動機的電流和電壓信號。然后，由和所述多個傳感器以及前饋神經網絡相連的處理器計算電流和電壓數據的順序分量。前饋神經網絡接收電流和電壓值，或者接收至少其中的一部分，并計算被輸出到比較器的估算值。根據估算值和瞬時值的分析，可以確定定子匝故障的開始。
按照本發明的另一個方面，披露了一種定子匝故障檢測系統，其包括微處理器和計算機可讀存儲介質。微處理器當被存儲在計算機可讀存儲介質上的計算機程序指示時，便通過至少一個輸入端接收基本頻率的數據，所述數據具有供給電動機的正序和負序線電壓分量和另一個正序線電流分量。當被計算機程序進一步指示時，微處理器便啟動前饋神經網絡，所述神經網絡根據上述的數據確定估算的線電流的負序分量。本發明還包括至少一個輸出端，用于輸出估算的線電流的負序分量。
在本發明的再另一個方面中，一種用于檢測電動機中定子匝故障的裝置包括用于從已知正常工作的電動機接收線電壓信號和線電流信號的裝置。還提供一種變換裝置，用于在時間上連續地確定至少一部分電壓和電流信號的順序分量。本發明還包括用于根據上述的順序分量輸出估算的電流值的裝置。接著，所述估算的電流值通過一種比較裝置實時地和瞬時獲取的電流值比較。
按照本發明的另一個方面，披露了一種用于檢測電動機中的定子匝故障的計算機程序。當所述程序被執行時，所述計算機程序便使計算機獲取在正確工作期間的電動機的基本頻率數據。所述計算機程序還使基本頻率數據的至少一部分輸入到具有若干加權的前饋神經網絡。然后，計算機將會訓練前饋神經網絡，使得每個加權收斂為一個值，并在存儲器中存儲所述的值。計算機還在瞬時操作期間從電動機獲得基本頻率數據。然后把瞬時的基本頻率參數輸入到前饋神經網絡。然后計算機獲得電動機的瞬時操作的估算的基本頻率參數，并比較所述參數和瞬時基本頻率參數，以便確定交流電動機的匝故障。
在本發明的另一個方面中，披露了一種用于檢測交流感應電動機中的定子匝故障的裝置，所述裝置包括至少兩個電流傳感器，用于獲得至少兩個交流電動機電流信號，以及至少兩個電壓傳感器，用于獲得交流電動機電壓信號。交流電動機電流信號和交流電動機電壓信號被輸入到模數轉換器，從而產生數字化電流信號和數字化電壓信號。在本發明中還預料一種微處理器，用于翻譯數字化信號，以便計算交流電動機操作的基本頻率順序參數。由前饋神經網絡確定交流電動機的操作的估算的基本頻率參數。
按照本發明的再另一個方面，披露了一種用于檢測在電動機中存在定子匝故障的方法，所述方法包括在電動機的正常操作狀態期間從電動機中獲得基本頻率訓練參數的步驟。所述用于檢測定子匝故障的方法還包括由基本頻率訓練參數確定順序相量，從而確定電動機的正常操作的估算的基本頻率值，以及確定那些估算的基本頻率值。最好是，所述方法在電動機使用時從電動機獲取瞬時基本頻率值的附加步驟。接著，所述方法比較瞬時基本頻率值和操作的估算的基本頻率值，從而確定故障值，并根據所述比較指示所述故障值。所述故障值表示電動機內存在定子匝故障。
在本發明的另一個方面中，用于確定交流感應電動機內存在定子匝故障的方法包括選擇前饋神經網絡的順序相量參數，和訓練前饋神經網絡以使學習在正常操作狀態下的交流感應電動機的模型的步驟。然后，所述方法在電動機使用時獲取交流感應電動機的測量值，并比較從使用中的電動機獲取的測量值和交流感應電動機操作的估算值。所述方法然后重復上述步驟，直到檢測到超過一個警戒值的匝故障值。當檢測到這種匝故障值時，所述方法便向用戶表示在交流感應電動機中存在定子匝故障。
本發明的其它的特征、目的和優點從下面的詳細說明和附圖中將看得更加清楚。
下面的


用于實施本發明的當前預計的優選實施例。其中圖1是本發明的匝故障檢測器的示意圖；圖2是利用圖1所示的匝故障檢測器的匝故障檢測方法的方框圖。
圖3是說明用于確定圖1所示的電動機的線電壓和線電流的順序分量的本發明的相關實施例的方框圖。
圖4是表示與圖1所示的裝置連用的前饋神經網絡的綜合訓練的流程圖；圖5是說明用于操作與圖1所示的裝置連用的前饋神經網絡的一個實施例的流程圖；圖6是說明用于試驗按照圖5訓練的圖1所示的裝置的前饋神經網絡的一個本發明披露了圖1所示的匝故障檢測器，其體現圖2所示的匝故障檢測方法。參看圖1，定子匝故障系統10包括通過傳輸線16a-16c和電動機14相連的電源12。系統10還包括通用計算機18，其具有模數轉換器(A/D轉換器)20，用于監察在傳輸線16a-16c上的被傳輸給電動機14的電流和電壓。電流傳感器22a，22b獲得流入電動機14的電流波形，并把所述電流波形通過傳輸線24a，24b傳輸給A/D轉換器20。電壓傳感器26a，26b獲得供給電動機14的電壓波形，并通過傳輸線28a，28b把所述波形傳輸給A/D轉換器20。A/D轉換器20接收所述電流和電壓波形，并把每個波形數字化，從而可以容易地獲得波形的測量值。計算機18具有微處理器30，其接收來自AD轉換器20的數字化信號，并執行使微處理器30分析所述數字化信號的程序，如下面參照圖3-10所述。
計算機18具有和微處理器30相連的超越終端32，當其被啟動時則允許交流感應電動機14的用戶超越微處理器30的輸出。這種超越控制在重要的應用中用于延遲停車可能是有用的，其中處理工序必須繼續進行，而不管電動機的故障。微處理器30通過輸出終端34向電動機14的用戶輸出數據。
圖2是要由微處理器30執行的計算機程序實現的系統的方框圖。數字化的波形的電壓和電流數據36被輸入到前饋神經網絡38，其處理數據36，并輸出電動機14在實際操作中的電流負序分量的實部40a和虛部40b的估算值。比較器42接收估算的數據40a，40b，并將該數據和包括在實際操作期間獲得的電動機14的負序電流的實部分量44a和虛部分量44b的實際的數據分量比較。比較器42一般包括加法器，減法器，或求和器，以后一般稱為比較器。故障指示器46接收比較器42的輸出值，并指示電動機14中故障狀態48的存在。本發明預計使用各種故障指示器46，包括但不限于自組織特征圖(SOFM)46a，其可以阻止電動機14的進一步操作，在其它方式中，使報警器發聲，利用指針的波動顯示故障，以及/或輸出閃光。SOFM46a是一種用圖形顯示電動機14的操作狀態的神經網絡。為了正確地顯示電動機14的操作狀態，SOFM46a作為輸入接收輸出值48和負序電壓50的幅值。本發明試圖利用另外的或者第二故障指示器46b。第二故障指示器46b可以包括儀表，一組故障指示燈，或者前述的故障指示器的任意組合。在檢測定子匝故障領域內的普通技術人員能夠理解，本發明的實施不依靠使用SOFM46a，以取代任何其它的特定的故障指示器。
圖3說明數字化電流和電壓波形當由微處理器30從A/D轉換器20接收時進行的轉換。所述轉換一般被稱為同步參考坐標(SRF)變換，并且是公知的。SRF是一種用于變換數字化數據的技術，不像快速傅里葉變換(FFT)那樣，能夠進行數據的連續變換。不像SRF變換那樣，在對數字化數據可以進行FFT之前需要若干個數據采集周期，才能獲得有效的結果。
最好是，SRF變換100由以上述參照圖2所述的方式獲得兩個線電流和兩個線電壓開始。兩個線電壓Vab，Vbc相對于靜止參考坐標110作變換，以便分別計算d軸和q軸靜止電壓Vsqs和Vsds，它們每個都是實數。Vsqs和Vsds相對于同步參考坐標作變換。為了把Vsqs和Vsds相對于同步參考坐標120而變換，還必須對同步參考坐標120輸入變換角θe。在同步參考坐標120的輸出veds被輸入到加法器。加法器122的輸出被輸入到數字PI控制器124，用于把d軸電壓調節到0。通過在閉環中調節頻率ωs，并使用積分器126，使變換角θe收斂，從而把d軸電壓veds強制到0。因而，q軸的同步電壓Veqs經過低通濾波器128，并被轉換為RMS值130，從而產生線電壓的正序分量VLsp。所得的RMS值VLsp被輸出，用于線對中點的相量計算148。
為了分別確定線電壓的負序分量的幅值和相位VLsn，arg(VLsn)，靜止的q軸電壓Vsqs和靜止的d軸電壓Vsds，以及在132收斂變換角θe的負值被輸入到同步參考坐標。在計算VLsn和arg(VLsn)之前，同步參考坐標的輸出Veds和Veqs經過低通濾波器134a，134b。VLsn和arg(VLsn)的計算136如下|V~Lsn|=12(veqs)2+(veds)2----(1)]]>( ) (2)計算的線電壓負序分量的的幅值和相位被輸出用于線對中點的相量的計算148。
電流波形的正負序分量的幅值和相位的計算非常類似于線電壓的負序分量的幅值和相位的計算。不過，應當注意，變換角θe，并且不是其負值，被輸入，用于相對于同步參考坐標138作變換，以便計算電流的正序分量的幅值和相位。線電流的正序分量的計算如下ISP=(iqse)2+(idse)2----(3)]]>arg(ISP)＝tan-1(ieds/ieqs) (4)為了計算線電流的負序分量，變換角θe被乘以-1140。經過改變的θe，isqs和isds被輸入到同步參考坐標142。在142的結果是兩個值ieqs和ieds，它們在通過低通濾波器144之后，被用于計算146，其提供線對線電流的負序分量。計算線電流的負序分量的公式如下Isn=(iqse2+idse2)/2----(5)]]>arg(ISn)＝tan-1(Ieds/Ieqs)(6)然后輸出具有幅值和相位的正負序分量，用于在148作相量計算。
需要相量計算148，以便計算圖2的前饋神經網絡的輸入數據36。輸入到前饋神經網絡38的數據36，即Vsp，Vsn-real，Vsn-imag，Isp-real，Isp-imag按下式計算Vsp=|13V~Lsp|----(7)]]> Isp-real=Re{I~spejπ/6}----(10)]]>Isp-imag=Im{I~spejπ/6}----(11)]]>線電流的負序分量的相量計算148，包括實部和虛部Isn-real，Isn-imag，和參照圖2所述的由前饋神經網絡38產生的估算的負序分量40a，40b比較。
本發明所預計的前饋神經網絡38具有兩個不同階段的操作訓練階段和試驗階段。圖4是前饋神經網絡38的最綜合的訓練方法的流程圖。前饋神經網絡38的訓練從160以5×1的輸入矢量p的形式向網絡38的隱含層輸入輸入數據36開始。隱含層由若干個隱含層神經元52，Mhid以及構成具有5×Mhid的維數的加權矩陣Whid的加權54構成。加權被設置為會響應輸入數據36的改變而改變的一個預定值。一般地說，每個加權被預置為0值。隱含層神經元52相應于要對輸入數據36進行的特定的運算功能，如同即將要簡要地說明的那樣。為了在步驟162概括地確定隱含層的輸出，隱含層加權矩陣轉置WhidT和p的乘積和bhid相加，其中bhid是維數為Mhid×1的隱含層神經元的偏置矢量。取所得之和的雙曲正切，確定隱含層的輸出yhid如式14所示。
yhid＝tanh(whidTp+bhid) (12)在162確定隱含層的輸出yhid之后，在164計算在輸出層中的神經網絡的輸出yout。一般地說，輸出層由若干個神經元和加權(未示出)構成。分解下面提出的式15得到yout。WoutT一般表示Wout的轉置，bout一般表示用作輸出層神經元的2×1的偏置矢量；Wout是維數為Mhid×2的輸出層加權矩陣。
yout＝WoutTyhid+bout(13)然后，前饋神經網絡38的輸出yout按照公式16從電動機14的連續訓練操作的測量值ydes中被減去，從而在166計算預測中的誤差。和yout一樣，ydes是負序分量的2×1矢量，其具有電動機14的線電流的幅值和相位。
e＝ydes-yout(14)由公式16得到的ydes和yout的差e表示電動機14的操作的實際值和由前饋神經網絡38產生的估算值之間的差，一般稱為預測誤差。如果沒有不平衡的電源電壓或在電動機14或測量儀表中的固有的不對稱性，e的值將是0。不過，電源電壓的精確平衡或者沒有固有不對稱性的測量儀表是不可能的。結果，e可能具有無論怎麼小的某個正值。
在166計算e之后，在168按照已知的“Δ規則”更新加權矩陣的值。Δ規則是一種用于更新神經網絡的加權矩陣的方法，這種方法是公知的，并且在NeuralNetworks，Simon Haykin的文章A comprehensive Foundation(Prentice Hall，1999)中披露了。在168更新加權矩陣之后，在170更新學習速率和其它的訓練參數。
在168更新加權矩陣和在170更新學習速率和其它的訓練參數之后，在172計算e的范數，從而確定對于給定的訓練輸入36所述的值是否足夠小。如果e的范數不足夠小，則獲得新的輸入數據36，并在162被輸入給隱含層，并且利用已改變的隱含層和輸出層的加權的數值，e最終被重新計算。直到隱含層和輸出層的加權收斂為一個合適的值，預測誤差將不會足夠小。當預測誤差等于0或檢測系統10的用戶認為一個可接受的某些其它值時，則發生加權的收斂。微處理器20在存儲器中存儲收斂時的加權值，供在前饋神經網絡38的試驗階段期間在存儲器中使用。
當e的范數足夠小時，前饋神經網絡38的訓練階段完成。根據預定的門限值確定e的范數是否足夠小。根據電動機14的用途和操作條件，10％的預測誤差可以作為足夠小，而其它的應用可能要求低得多的預測誤差。
圖5表示用于操作前饋神經網絡38的一個已知的實施例，其一般被稱為“全局最小訓練”(GMT)。神經網絡38的GMT非常類似于圖4所示的神經網絡38的綜合訓練。不過，利用GMT，當電動機處在使用狀態時，加權矩陣不被更新，學習速率和訓練參數也不被更新。為了結合GMT，在訓練之前必須能夠得到相應于不同的電流和電壓條件的數據，或者在一段時間內積累這些數據。結果，電動機14必須運行若干個操作周期，從而獲得足夠的訓練數據。為了實現最精確的全局最小，除去基本的數據存儲器之外，需要大的數據集，大的數據集需要長的訓練時間。隨著訓練點數的增加，功能的接近的精確度、全局的最小量得以改善。和其它的將要進行簡短討論的訓練方法相比，目前認為全局最小訓練成本較高效率低。
圖6說明一旦利用結合圖4的綜合訓練的圖5的GMT程序使隱含層和輸出層的加權收斂之后，對前饋神經網絡38進行的試驗。在174，線電壓和線電流的順序分量被輸入到神經網絡38，然后在162，166，計算隱含層和神經網絡的輸出，如參照圖4所述。然后在176計算誤差，但是和訓練階段不同，預測誤差不表示加權不精確，而表示在電動機14中的一匝定子匝故障的開始。因為根據在從運行的電動機14采集的數據，在前饋神經網絡38的訓練期間加權收斂，所以考慮儀表和電動機的不對稱性以及不平衡的電壓。主要是，在訓練階段期間，前饋神經網絡38學習未處于理想的電動機14的操作狀況。
前饋神經網絡38的試驗根據在178標稱化的預測誤差和警戒值的比較得出結論。所述警戒值是用戶確定的表示電動機故障的允差的值。高的警戒值將需要較高的表示電動機14的匝故障180的預測誤差，而低的警戒值則要求低得多的e值。如果在178標稱化的e值大于警戒值，則在180發出匝故障信號。如果不大于警戒值，則在174前饋神經網絡38重新獲得順序分量數據，并重復試驗階段。只要標稱的e值不超過警戒值，則繼續進行在174開始的循環。
圖7說明另一種已知的用于試驗和訓練前饋神經網絡38的實施例，通常被稱為連續在線訓練(COT)。雖然COT是一種已知的訓練前饋神經網絡38的方法，但是COT尚未用于定子匝故障檢測方案中。在連續在線訓練中，按照前述獲得順序分量。利用COT，每T秒有若干個試驗時隙和一個訓練時隙。因此，前饋神經網絡38的加權可以響應于順序分量的改變被準連續地更新。一般地說，每第5個時隙是訓練時隙，在此期間將使用順序分量數據更新加權矩陣。剩下的4個時隙留出用于試驗數據，其將用于確定在電動機14中定子匝故障是否存在。同時在訓練時隙中，通過解方程16確定預測誤差184。如果在185預測誤差足夠大，則在190向電動機14的用戶發出故障信號。如果預測誤差不足夠大，則在186更新加權矩陣，并在188獲得新的順序分量數據。而在訓練時隙182和183，在192順序分量進行訓練瞬變估算。在192進行的訓練瞬變估算確定COT是否是訓練瞬變。如果正在發生訓練瞬變，則在188獲得新的順序分量，并重新開始訓練。如果不存在訓練瞬變，則在194按照圖4所述計算網絡誤差e。然后網絡誤差e在196和警戒值比較，確定是否在190向電動機14的用戶發出匝故障信號。
圖8所示的準全局最小訓練(QGM)是用于訓練前饋神經網絡38的另一個實施例。除去數據庫的容量受限制之外，QGM訓練非常類似于圖5的全局最小訓練。一般地說，數據庫要足夠大，以便和在每天當中見到的不同的操作條件的數量相當。經過一段時間，并且當獲得一個新的輸入時，由于數據庫滿而使數據庫被更新，現有的輸入被放棄，使得從收斂的觀點來看，剩余的數據呈現給前饋神經網絡38最可能的訓練組合。結果，只有當新的輸入被加到數據庫時，加權才被更新。因而，和圖7的COT方法相比，QGM方法需要的計算較少。
利用準全局最小訓練，在198在獲得新的輸入之前，隱含層神經元的數量Mhid被初始化。在初始化隱含層神經元的數量之后，在數據庫200中存儲的順序分量被輸入給前饋神經網絡38的隱含層，從而按照上述獲得預測誤差e。在202計算預測誤差e之后，在204按照參照圖4所述更新加權矩陣和學習參數。如果預測誤差的范數足夠小，則206、207停止前饋神經網絡38的訓練。如果不是，則206、209在211使隱含層神經元的數量加1，并在208使加權矩陣重新初始化。為了限制訓練誤差到一個預定的門限值，隱含層神經元的數量必須隨數據庫的容量的增加而增加。如果新的輸入和存儲在數據庫中的順序分量明顯不同，則前饋神經網絡加權54可能不收斂，因而預測誤差將保持高值。結果，前饋神經網絡38的試驗必須中斷，直到足夠的輸入被加到數據庫使得加權54能夠收斂為止。
因為COT算法沒有用于存儲輸入數據36的數據庫，并且QGM算法如果在從數據庫獲得明顯不同的輸入時可能不使加權收斂，本發明試圖組合每種算法。使用COT-QGM組合算法，利用兩組加權進行故障分析。一組加權由COT算法訓練，另一組用QGM方法訓練。因為在任何給定時刻只有一種方法是有效的，所以并不增加計算的復雜性。
圖9說明COT-QGM模式下的訓練算法。在獲得輸入數據36、線電流和線電壓的順序分量之前，進行一個確定，以便確定數據36是否從最后的QGM加權更新以后增加210。如果數據36已被增加，則在212按照參照圖4所述的GMT算法訓練前饋神經網絡的加權。如果預測誤差的范數e低，則在216初始化QGM算法。如果預測誤差的范數不低，則在218執行COT算法。不管執行哪種方式，COT-QGM算法在220獲得作為前饋神經網絡38的輸入的順序分量。COT-QGM算法在222確定是否需要把輸入加于準全局最小數據庫。然后，即使工作在按照圖8的QGM方式下，在224也更新COT加權54。這能夠確保隨著從QGM方式向COT方式的轉換，確保不會發生不合理的長的時間，以致以小于預定門限值的預測誤差使COT加權54會聚。
現在參看圖10，在COT-QGM的試驗算法完成時，在226進行確定，確定前饋神經網絡38是否處于訓練瞬變。如果是，則在228結束COT-QGM方法的試驗方式。如果不是，則在230COT-QGM算法確定是否數據36已經從最近的準全局最小加權更新以后增加。如果是，則在228結束COT-QGM算法的試驗方式。如果不是，則在232按照參照圖3所述獲得輸入數據(線電流和線電壓的順序分量)。如果在234、235輸入是新的，則在228結束COT-QGM算法的試驗方式。如果不是，則在236以在圖4的討論中提出的方式計算預測誤差e。如果在238、239 預測誤差的標稱化小于警戒值，則在232獲得新的順序分量，并被輸入到前饋神經網絡38中。如果在238預測誤差的范數不小于警戒值，則在240向電動機14的用戶發出定子匝故障信號。
雖然在本發明中實施了幾種訓練算法和相應的試驗算法，但是特定的訓練和試驗算法的選擇是根據定子匝故障檢測器的預定用途來進行。應當理解，定子匝故障檢測系統10的功能不限于任何特定的試驗與/或訓練算法。
本發明設想了用于電動機，更特別是用于交流電動機14的定子匝故障檢測器的使用。這種用于交流感應電動機14的定子匝故障檢測器10的一種應用如圖1所示。定子匝故障檢測器10包括多個傳感器22a，226，26a，26b，用于從交流感應電動機14獲得電流和電壓值，以及處理器30以便計算電流值的順序分量和電壓值的順序分量。和處理器30相連的前饋神經網絡38接收所述順序分量，并確定表示交流感應電動機14的負序電流的估算值的輸出值。還提供比較器42，用于比較前饋神經網絡38的輸出值和交流感應電動機14的一組實際的電流值，從而確定故障值。處理器30對電壓和電流值應用同步參考坐標變換，確定由前饋神經網絡38使用的相應的順序分量。前饋神經網絡38包括具有相應于要被輸入的順序分量的數量的多個輸入36的輸入層，和具有至少一個神經元52和多個加權54的隱含層。神經元52的數量和多個加權54的每個值被這樣確定，使得當加權54收斂時，用于估算線電流的負序分量的值被確定。當該多個加權54的每個數的正確值和神經元52的正確數量已經被確定后，神經網絡38就被訓練，并準備檢查電動機14中的定子匝故障。
本發明按照優選實施例進行了說明，應當理解，除去這些清楚說明的實施例之外，在所附權利要求的范圍內，可以作出許多等同例、替代例和改型例。
權利要求
1.一種用于交流電動機(14)的定子匝故障檢測器(10)，所述檢測器包括多個傳感器(22(a)，22(b)，26(a)，26(b))，用于從交流電動機(14)獲得一組電流值和一組電壓值(36)；處理器(30)，用于從所述一組電流值和一組電壓值(36)計算順序分量；前饋神經網絡(FFNN)(38)，其被連接用于接收所述一組電流值和所述一組電壓值的順序分量的至少一部分，作為輸入陣列，并具有一個輸出(48)，用于提供至少兩個順序相量的估算值；以及比較器(42)，其和FFNN(38)的輸出(48)相連，用于比較估算值和瞬時值，使得當所述比較超過一個警戒值時，提供故障信號(46)，借以表示定子匝故障。
2.如權利要求1所述的定子匝故障檢測器(10)，其中處理器(30)應用同步參考坐標變換，從而由所述一組電流值和所述一組電壓值(36)計算順序分量。
3.如權利要求1所述的定子匝故障檢測器(10)，其中所述一組電流值和所述一組電壓值(36)相應于在正常操作條件下的交流電動機(14)的操作值，并且最初用于通過計算FFNN(38)中的一組加權值(54)訓練FFNN(38)。
4.如權利要求3所述的定子匝故障檢測器(10)，其中用于訓練的順序分量包括正的電流順序分量，正的電壓順序分量和負的電壓順序分量。
5.如權利要求1所述的定子匝故障檢測器(10)，其中所述處理器(30)還計算負的電流順序分量作為瞬時值，以便和估算值進行比較。
6.如權利要求1所述的定子匝故障檢測器(10)，其中前饋神經網絡(38)包括具有多個加權(54)和多個神經元(52)的隱含層，其中多個加權(54)在訓練模式期間被調整，在運行模式期間保持恒定。
7.一種用于檢測交流電動機(14)中的定子匝故障的系統(10)，包括至少一個輸入(24(a)，24(b)，28(a)，28(b))，用于向微處理器(30)輸入來自交流電動機(14)的基本頻率數據，其中所述基本頻率數據包括線電壓的正的和負的電壓順序分量以及線電流的正的電流順序分量；計算機可讀存儲介質，其和微處理器(30)相連，其中具有計算機程序，當所述程序被執行時，啟動前饋神經網絡(38)，從而根據所述基本頻率數據計算估算的負的電流順序分量；以及至少一個輸出(34)，用于輸出估算的負序分量。
8.如權利要求7所述的系統(10)，其中前饋神經網絡(38)包括具有許多輸入矢量(36)的輸入層，其中所述輸入矢量(36)的數量相應于通過至少一個輸入輸入的許多順序分量；具有至少一個神經元(52)和至少一個加權(54)的隱含層，其中所述至少一個加權(54)在訓練模式期間被調整，在運行模式期間保持恒定；以及用于確定至少一個輸出矢量(48)的輸出層，其中所述至少一個矢量包括估算的負序分量。
9.如權利要求7所述的系統(10)，其中當所述計算機程序被執行時還使微處理器根據估算的負序分量向交流電動機(14)的用戶顯示匝故障值(46)。
10.如權利要求7所述的系統(10)，其中所述計算機程序在被執行時還使微處理器(30)執行以下操作在已知的正常操作期間從交流電動機(14)獲取基本頻率數據(36)；向具有許多加權(54)的前饋神經網絡(38)輸入基本頻率數據(36)的至少一部分；訓練前饋神經網絡(38)從而確定每個加權(54)的收斂值；在存儲器中存儲所述收斂值；在交流電動機(14)的瞬時操作期間，從交流電動機(14)獲得瞬時基本頻率參數(44(a)，44(b))；對前饋神經網絡(38)輸入所述瞬時基本頻率參數(44(a)，44(b))；獲得交流電動機(14)的瞬時操作的估算的基本頻率參數(40(a)，40(b))；以及比較估算的基本頻率參數(40(a)，40(b))和瞬時基本頻率參數(44(a)，44(b))，從而確定在交流電動機(14)中的定子匝故障。
11.如權利要求10所述的系統(10)，其中當故障值超過警戒值(178)時，計算機可讀存儲的計算機程序還使微處理器(30)輸出表示定子匝故障的故障值(180)。
12.如權利要求7所述的系統(10)，還包括至少兩個電流傳感器(22(a)，22(b))，用于獲得至少兩個交流電動機(14)的電流信號；至少兩個電壓傳感器(26(a)，26(b))，用于獲得至少兩個交流電動機(14)的電壓信號；模數轉換器(20)，用于把所述至少兩個交流電動機電流信號轉換成數字化電流信號，并把所述至少兩個交流電動機電壓信號轉換成數字化電壓信號；其中微處理器(30)接收所述數字化信號并計算交流電動機(14)的基本頻率順序參數(36)；以及其中前饋神經網絡(38)確定交流感應電動機(14)的估算的基本頻率順序參數。
13.如權利要求12所述的系統(10)，其中交流感應電動機(14)的基本頻率順序參數(36)的計算被進一步確定，以便對數字化電流信號和數字化電壓信號應用同步參考坐標變換(120，132，142)。
14.如權利要求13所述的系統(10)，其中前饋神經網絡(38)還包括許多輸入層(36)，用于獲取基本頻率順序參數；隱含層，其具有在已知的正常操作模式期間訓練的許多加權(54)；以及輸出層(40(a)，40(b))，用于在運行狀態期間產生交流感應電動機(14)的估算的基本頻率順序參數。
15.一種用于檢測電動機(14)中的定子匝故障的方法，包括以下步驟在電動機(14)的已知的正常狀態期間從所述電動機獲取基本頻率訓練參數(22(a)，22(b)，26(a)，26(b))；從所述基本頻率訓練參數(22(a)，22(b)，26(a)，26(b))確定順序相量；確定表示電動機(14)的定子匝故障的估算的基本頻率值(40(a)，40(b))；在電動機(14)被使用時，不管電動機(14)是否轉動，從電動機(14)獲取瞬時基本頻率值(44(a)，44(b))；比較(42)所述瞬時基本頻率值(44(a)，44(b)和估算的基本頻率值(40(a)，40(b))，從而確定定子匝故障；以及根據所述比較(42)指示定子匝故障的存在。
16.如權利要求15所述的方法，其中訓練前饋神經網絡(38)包括以下步驟對輸入層輸入瞬時基本頻率值(36)；以及收斂在隱含層中的許多加權(54)到一個穩定狀態；以及在輸出層中輸出估算的基本頻率值(40(a)，40(b))。
17.如權利要求15所述的方法，還包括計算瞬時基本頻率值(44(a)，44(b))和估算的基本頻率值(40(a)，40(b))的差的步驟。
18.如權利要求15所述的方法，還包括以下步驟(A)選擇用于前饋神經網絡(38)的順序相量參數(36)；(B)訓練前饋神經網絡(38)，在正常操作狀態下學習交流感應電動機(14)的模型；(C)在交流感應電動機被使用時獲取交流感應電動機(14)的測量值(44(a)，44(b))；(D)比較在正常操作狀態期間交流感應電動機(14)操作的估算值(44(a)，44(b))和交流感應電動機(14)操作的測量值(44(a)，44(b))；(E)周期地重復步驟(C)和(D)；以及(F)如果比較步驟(42)產生超過警戒門限值的故障值，則表明交流感應電動機(14)的定子匝故障(46)。
19.如權利要求18所述的方法，還包括重復步驟(A)和(B)，以便收斂多個加權(54)，從而獲得穩定狀態的操作條件。
20.如權利要求18所述的方法，其中訓練步驟包括獲取電壓和電流數據(36)，所述訓練步驟包括以下步驟獲取線電壓的正序分量的幅值；獲取線電壓的負序分量的幅值和相位；以及獲取線電流的正序分量的幅值和相位。
全文摘要
本發明提供了一種能夠實時地檢測電動機(14)中的定子匝故障的定子匝故障檢測系統(10)和方法。所述定子匝故障檢測器(10)包括前饋神經網絡(38),其在使用供給電動機(14)的電壓和電流的基本頻率順序分量(36)被訓練時,將估算表示定子匝故障的基本頻率順序分量。本發明披露了一種用于檢測電動機(14)中的定子匝故障的方法和訓練用于所述定子匝故障檢測器(10)中的前饋神經網絡(38)的方法。
文檔編號H02H7/09GK1349102SQ0113857
公開日2002年5月15日 申請日期2001年10月4日 優先權日2000年10月4日
發明者T·G·哈貝特勒, D·J·格里特, R·G·哈利, R·M·塔拉姆 申請人:易通公司