用于使用定子电流噪音消除的轴承故障检测的系统和方法

摘要

公开了借助电流噪音消除来检测初期机械电动机故障的系统和方法。系统包含控制器，其被配置为检测初期机械地能动机故障的指标。控制器还包含处理器，其被编程为：从运行的电动机接收基线电流数据组并定义基线电流数据组中的噪音分量。处理器也被配置为重复地从运行的电动机接收实时运行电流数据，并实时地从运行电流数据移除噪音分量，以便隔离在运行电流数据中存在的任何故障分量。处理器被编程为基于任何隔离的故障分量产生运行电流数据的故障标志。

说明书

相关申请的交叉引用

本申请要求2007年6月4日提交的美国临时申请60/932,742的优先权，其并入此处作为参考。

技术领域

本发明一般涉及电动机，特别涉及用于检测表示电动机故障的初期条件的系统和方法。

背景技术

三相感应电动机消耗所产生电容量的大的百分比。用于工业的这种“重负荷机器”的许多应用为风扇和泵工业应用。例如，在典型的集成造纸厂中，低电压与中电压电动机可包含所有驱动电气负荷的接近70％。由于工业中的这种电动机的流行，三相电动机的可靠性是主要的。工业可靠性研究建议，电动机故障典型地在四个主要种类中的一个之中。具体而言，电动机故障典型地来自于轴承故障、定子匝故障、转子线棒故障、或其他的一般故障/失效。在这四种故障中，轴承、定子和转子故障占所有电动机故障的大约85％。

据信，这种百分比可大大减小，如果被驱动设备在安装时更好地对准，且无论运行条件如何变化都保持对准的话。然而，电动机常常耦合到非对准的泵负载或具有旋转不对称的负载，并由于在电动机轴承上给予的压力而过早地故障。另外，手动检测这种导致故障的条件难以做到最好，因为这样做需要电动机运行。照此，操作者通常需要将电动机停止运行，以进行维护检查和诊断。然而，将电动机停止使用在许多应用中是不希望的，因为电动机停机时间可能成本极高。

照此，已经设计出某些检测装置，其产生关于运行的电动机的反馈。于是，由操作者检查反馈，以便确定电动机的运行条件。然而，监视运行的电动机的大多数系统仅仅提供可能已经损坏电动机的故障的反馈。照此，尽管运行反馈被发送到操作者，通常对于采取保护性动作来说太迟了。

某些系统试图向操作者提供早期故障警报反馈。例如，振动监视已经用于提供某些基于早期不对准或不平衡的故障。然而，当机械共振发生时，机器振动被放大。由于这种放大，指示严重机械不对称的误诊是可能的。另外，基于振动的监视系统典型地要求电动机系统内配置高度侵入性和专用的监视系统。

鉴于基于振动的监视的缺点，基于电流的监视技术已经开发出来，以便提供更为便宜的非侵入性技术，以便检测轴承故障。也存在进行基于电流的故障检测的限制和缺点。也就是说，在基于电流的轴承故障检测中，从电动机定子电流中提取故障表征可能是项挑战。对于不同类型的轴承故障，故障表征可能处于不同的形式。根据一般故障建立过程，轴承故障可分为单点故障或全面粗糙度(generalized roughness)。当前使用的大多数基于电流的轴承故障检测技术指向检测单点故障，并依赖于定子电流中的特征轴承故障频率的定位和处理。然而，这种技术不能适应于检测全面粗糙度故障。也就是说，全面粗糙度故障表现出劣化的轴承表面，但不必然是显著的缺陷，因此，特征故障频率不是必然在定子电流中存在。由于许多轴承故障在一开始建立为全面粗糙度轴承故障，特别是在早期，基于电流的轴承故障检测技术能够检测这种全面粗糙度轴承故障是有利的。

因此，希望设计一种基于电流的轴承故障检测技术，其能克服前面提到的缺点。通过提供轴承故障的早期检测，允许检测全面粗糙度轴承故障的基于电流的轴承故障检测技术将会是有利的。

发明内容

本发明提供了借助电流噪音消除(cancellation)来检测即将发生的机械电动机故障的系统和方法。电流数据被分解为非故障分量(即噪音)和故障分量，进行噪音消除，以便隔离电流的故障分量，并产生故障标识。

根据本发明一实施形态，被配置为检测初期机械电动机故障指标的控制器包含处理器，其被编程为在已知的正常运行过程中从电动机接收一组电流数据，基于从已知正常运行电动机获取的该组电流数据定义基线噪音，重复地从运行电动机接收实时运行电流数据。处理器被进一步编程为从运行电流数据移除基线噪音，以便识别在运行电流数据中存在的任何故障分量，并基于任何隔离的故障分量产生运行电流数据的故障标志。

根据本发明另一实施形态，用于在电机中检测即将发生的轴承故障非侵入性方法包含这样的步骤：在运行中从电机获取多个定子电流数据组，将所述多个定子电流数据组中的各个实时施加到电流数据滤波器，以便产生消除噪音的定子电流，并对于所述多个定子电流数据组的每一个从噪音消除定子电流确定故障标志。该方法还包含这样的步骤：对于所述多个定子电流数据组监视故障标志的值，如果预定数量的故障标志值超过控制限制值，产生警报。

根据本发明又一实施形态，用于监视电流以预测轴承故障的系统包含：至少一个非侵入性电流传感器，其被配置为从运行电动机获取定子电流数据；处理器，其被连接以便从所述至少一个非侵入性电流传感器接收定子电流数据。处理器被编程为从所述至少一个电流传感器接收第一定子电流数据组，第一定子电流数据组包含表示正常电动机运行的基线电流数据。处理器也被编程为由基线电流数据定义非故障分量，重复从运行电动机接收实时运行电流数据，并实时地从运行电流数据移除非故障分量，以便隔离剩余的电流数据。处理器被进一步编程为处理剩余电流数据，以便识别可能的轴承故障，对于任何识别出的轴承故障产生故障标志，如果故障标志超过故障标志阈值，产生警报。

由下面的详细介绍和附图，可以明了本发明的多种其他特征和优点。

附图说明

附图示出了当前为实现本发明想到的优选实施例。

在附图中：

图1为实现本发明想到的电动机组件的原理图；

图2为根据本发明的控制器的框图；

图3为根据本发明一实施例用于配置Wiener滤波器的控制器的框图；

图4为根据本发明一实施例使用电流噪音消除进行故障检测的控制器的框图；

图5为根据本发明一实施例根据统计处理控制技术相对于故障标志阈值的所绘制的故障标志数据的图示；

图6为根据本发明另一实施例的控制器的框图；

图7为一流程图，其示出了使用电路噪音消除的故障检测技术。

具体实施方式

这里所述的实施例涉及异常条件检测，以便预测性地缺定可能的电动机故障。电流表征分析(CSA)用于检查从监视运行电动机的控制器的多个传感器接收的原始数据。优选为在控制器内配置的系统将所检测/监视到的电流分解为非故障分量和故障分量，并进行噪音消除操作，以便隔离电流的故障分量，并产生故障标识。于是，在故障发生之前，先行一步地向被监视电动机系统的操作者警报可能的故障。

现在参照图1，电动机组件，例如感应电动机，被配置为驱动负载。电动机组件10包含电动机12，其从电源14接收电力。电动机组件10还包含控制器16(即电流监视系统)，用于响应于操作者输入或电动机故障条件来监视以及控制电动机10的运行。电动机12和控制器16典型地被耦合到电子装置，例如电力控制器或启动器17，并与电动机电源串联来控制到电动机12的电力。控制器16包含处理器18，处理器18如将在下面参照图2更为详细地介绍地那样实现确定不希望的机械条件存在并预测性地在故障发生之前向操作者警报可能的故障的算法。控制器16还包含电流传感器22。根据本发明一示例性实施例，将会明了，电流传感器22为用于监视到电动机的电流输入并一般地监视电动机运行的已有传感器。也就是说，不需要用于获取用在本发明的噪音消除系统/技术(下面详细介绍)中的电流数据的单独的一组电流传感器。因此，用在噪音消除系统/技术中的电流数据经由电流传感器22的获取被理解为构成“无传感器”电流监视系统/技术，用于预测性地确定可能的电动机故障。如一般所知的，电流数据可从三相电动机的仅仅两个相获取，因为第三相的电流数据可由所监视的两个相的电流数据外推。尽管本发明将参照三相电动机来介绍，本发明等价地适用于其他电动机。另外，尽管被示为包含一对电流传感器22，也可想到，一个电流传感器可用于获取仅仅一相的电流。

在本发明一实施例中，电流传感器22从感应电动机获取定子电流数据。从传感器22获取的定子电流数据被传送到处理器18，在那里，使用电流表征分析(CSA)对电流进行分析，以便检测初期(即，即将到来的)电动机故障，例如轴承故障。由于特征故障频率的识别不是检测所有类型轴承故障(例如全面粗糙度故障)的可用方案，根据本发明一实施例，处理器18被编程为处理作为低信噪比(SNR)问题的故障检测问题。处理器18因此被编程为将定子电流分解为噪音分量和故障分量(即轴承故障信号)。噪音分量为定子电流中的首要分量，并包含供电基波频率和谐波、偏心度谐波(eccentricity harmonics)、槽谐波(slot harmonics)，饱和谐波以及来自未知源的其他分量，包括环境噪音在内。由于这些主要分量在存在轴承故障之前以及之后存在，它们包含的信息的主体与故障无关。在这个意义上，它们可被处理为轴承故障检测问题的噪音。由于噪音可能是轴承故障信号的10⁴倍那么强(即几十安培Vs毫安培)，轴承故障信号的检测构成低SNR问题。为了解决低SNR问题，处理器18进行噪音消除技术/处理来检测轴承故障信号。定子电流中的噪音分量被推定，于是以实时方式通过其推定来消除，由此由剩余的分量提供故障指示。

尽管处理器18被示为包含在独立控制器16中，也可想到，处理器18可包含在电力控制器/启动器17中。另外，可以想到，处理器18可被包含在另一电力控制装置中，例如仪表、继电器或驱动器。也就是说，将会明了，控制器16可包含已有的电力控制装置，例如仪表、继电器、启动器或电动机驱动器，处理器18可被集成在其中。

现在参照图2，示出了控制器16的更为详细的框图。如参照图1所介绍的，控制器16包含处理器18和电流传感器22。另外，继电器组件16包含陷波滤波器24、低通滤波器26、模拟至数字(A/D)转换器28。陷波滤波器24、低通滤波器26、A/D转换器28用于接收由电流传感器22产生的原始数据，并准备用于由处理器处理的原始数据。也就是说，滤波器24和26用于消除基波频率(例如美国为60Hz，亚洲为50Hz)和低频谐波，因为这些谐波分量与轴承故障无关。从测量得到的电流数据移除这种频率(特别是基本频率分量)能大大改进模拟至数字转换分辨率和SNR，因为60Hz频率在电流信号的频谱中具有大的量值。尽管控制器16被示为包含滤波器24、26，然而，也可想到，电流数据可直接从电流传感器22传送到A/D转换器28。

如图2所示，处理器18至少部分作为噪音消除系统运行，该系统将定子电流分解为噪音分量和故障分量。处理器18由此包含输入延迟器30和电流估计器32，电流估计器被配置为估计在定子电流中存在的噪音分量。从重复获取的实时定子电流中减去噪音分量的估计得到被轴承故障/失效注入定子电流的故障分量。可以想到，电流估计器32可被配置为Wiener滤波器(无限脉冲响应IIR或固定脉冲响应FIR)、最陡下降算法、最小平均二乘(LMS)算法、最小递归二乘(LRS)算法或其他的数字滤波器。

现在参照图3，在本发明一示例性实施例中，处理器34在其中包含Wiener滤波器36，其提供定子电流中的噪音消除以及其中的故障信号隔离。为了在定子电流中提供准确的噪音消除，处理器34被编程为将Wiener滤波器36配置为准确定义(即推定)定子电流中的大多数噪音分量，使得定子电流中的故障信号不包含在其输出中。在Wiener滤波器36的配置中，处理器34分析与健康轴承条件相关联的定子电流数据。这种与健康轴承状况相关联的定子电流数据可包含例如在安装轴承后的短时间内或在轴承状况监视处理开始时所采集的第一定子电流数据组，由此保证没有轴承故障分量被包含在定子电流中。第一定子电流数据组因此包含基线电流数据，其本质上包含纯噪音数据，不包含故障信息。

第一定子电流数据组或基线电流数据由处理器34接收，并被实现为用于配置Wiener滤波器36。具体而言，基线电流数据用于分配Wiener滤波器36中的系数。处理器34向Wiener滤波器36分配系数，使得滤波器的估计误差e(n)在均方意义上最小化。如图3所示，基线电流数据由下式描述：

x(n)＝d₁(n)+d(n)+v₁(n)        [公式1]

其中，d₁(n)为噪音分量，d(n)为故障信号，v₁(n)为测量噪音。如上所述，基线电流数据没有故障信号，因此，公式1减小为x(n)＝d₁(n)+v₁(n)。

在Wiener滤波器36的配置中，处理器34通过使用最小均方误差(MMSE)方法来分配滤波器的系数。在实施/应用MMSE方法中，处理器34根据下式解出系数w(k)，k＝0，1，...，p，使得均方估计误差ξ最小化：

$>\xi =E\left\{{\left|e\left(n\right)\right|}^2\right\}=E\left\{{|x\left(n\right)-\underset{k=0}{\overset{p}{\Sigma }}w\left(k\right)x(n-n_0-k)|}^2\right\}$>[公式2]

其中，E{}为期望值，n₀为输入x(n)的延迟，w(k)，k＝0，1，...，p为Wiener滤波器36的系数，p为滤波器的阶数。

如下，通过设置ξ相对于w(k)的偏微分等于零，找到系数：

$>\frac{\partial \xi }{\partial w\left(k\right)}=E\frac{{\partial e}^2\left(n\right)}{\partial w\left(k\right)}=E\left\{2e\left(n\right)\frac{\partial e\left(n\right)}{w\left(k\right)}\right\}=0;k=\mathrm{0,1},...,p$>[公式3]

将

$>\frac{\partial e\left(n\right)}{\partial w\left(k\right)}=-x(n-n_0-k)$>[公式3a]

代入公式3，得到：

E{e(n)x(n-n₀-k)}＝0；k＝0，1，...，p      [公式4]

其被称为投影定理或正交原理。将

$>e\left(n\right)=x\left(n\right)-\underset{j=0}{\overset{p}{\Sigma }}w\left(j\right)x(n-n_0-j)$>[公式4a]

代入公式4，得到：

$>E\left\{\right[x\left(n\right)-\underset{j=0}{\overset{p}{\Sigma }}w\left(j\right)x(n-n_0-j)\left]x(n-n_0-k)\right\}=0;k=\mathrm{0,1},...,p$>[公式5]

或等价地：

$>\underset{j=0}{\overset{p}{\Sigma }}w\left(j\right)E\left\{x(n-n_0-j)x(n-n_0-k)\right\}=E\left\{x\left(n\right)x(n-n_0-k)\right\};k=\mathrm{0,1},...,p$>[公式6]

通过假设信号x(n)为广义平稳过程(WSS)，则：

E{x(n-j)x(n-k)}＝r_x(k-j)   [公式7]

公式6于是被简化为：

$>\underset{j=0}{\overset{p}{\Sigma }}w\left(j\right)r_x(k-j)=r_x(n_0+k);k=\mathrm{0,1},...,p$>[公式8]

以矩阵形式，公式8可被写作：

$>\left(\begin{array}{cccc}{r}_x\left(0\right)& r_x\left(1\right)& ...& r_x\left(p\right)\\ r_x\left(1\right)& r_x\left(0\right)& ...& r_x(p-1)\\ .& .& & .\\ .& .& & .\\ .& .& & .\\ r_x\left(p\right)& r_x(p-1)& ...& r_x\left(0\right)\end{array}\right)\left(\begin{array}{c}w\left(0\right)\\ w\left(1\right)\\ .\\ .\\ .\\ w\left(p\right)\end{array}\right)=\left(\begin{array}{c}{r}_x\left(n_0\right)\\ r_x(n_0+1)\\ .\\ .\\ .\\ r_x(n_0+p)\end{array}\right)$>[公式9]

或表示为：

R_xw＝r  [公式1]

当实现此方法时，公式9中的自相关序列可通过时间平均来推定。对于有限数据记录(即有限数量的定子电流数据点)，x(n)，0≤n≤N-1，自相关序列可通过下式推定：

$>{\hat{r}}_x\left(k\right)=\frac{1}{N}\underset{n=0}{\overset{N-1}{\Sigma }}x\left(n\right)x(n-k)$>[公式11]

矩阵Rx为对称Toeplitz矩阵，并能通过Levinson-Durbin Recursion算法来高效解答。

如图3所示，Wiener滤波器36的输出为定子电流的估计g(n)，滤波器的估计误差e(n)被定义为测量得到的基线电流数据x(n)减去估计的定子电流g(n)。如上所述，Wiener滤波器36的系数被分配为使得估计误差e(n)在均方意义上最小化(即e(n)≈0)。因此，由于基线电流数据由基本刚好为噪音的分量d₁(n)+v₁(n)构成，估计的定子电流g(n)也应当由本质上刚好为噪音的分量构成，其构成估计的噪音分量d₁^(n)+v₁^(n)，其可在轴承条件的连续实时监视中用于重复获取的定子电流数据中的噪音消除，以及用于轴承故障信号的识别。

如上所述，在由定子电流的前面的样本(即基线电流数据)配置Wiener滤波器36(即设置Wiener滤波器系数)后，处理器34能够通过实时地推定另外获取的定子电流中的噪音分量来准确检测电动机系统中的轴承故障条件。由于定子电流中占优的噪音分量(正弦)基本上在恒定的负载下无论是量值还是频率都不改变，因此它们可在被监视的定子电流的最近的样本(即实时样本)中估计。因此，在感应电动机12的监视操作中(图1)，另外的定子电流数据组由传感器22获取，并由处理器34接收，用于在其上进行定子电流噪音消除。另外的定子电流数据组被定义为：

x(n)＝d₁(n)+d(n)+v₁(n)    [公式11a]

其中，d₁(n)为噪音分量，d(n)为故障信号，v₁(n)为测量噪音，如公式1所述。如图4所示，在监视来自感应电动机的电流数据时，定子电流通过输入延迟器30，其提供n₀样本的延迟z，并通过Wiener滤波器36，由之消除推定的噪音分量d₁^(n)+v₁^(n)，并产生消除噪音后的定子电流。由图4，可以看到，如果Wiener滤波器36具有好的性能(即d₁^(n)+v₁^(n)接近d₁(n)+v₁(n))，定子电流在噪音消除后的剩余部分y(n)(即剩余电流数据)将为故障信号d(n)。也就是说，当轴承故障建立时，Wiener滤波器36估计和仅仅消除定子电流中的噪音分量，并在噪音消除处理中保持任何剩下的剩余电流数据完整无缺，由之，识别故障分量d(n)。注意，故障分量d(n)包含贯穿故障频谱的多个故障特性。也就是说，具有多个故障幅度的多个故障频率构成故障分量，这些频率和幅度的综合效果由所隔离的故障分量包含，以便促进故障检测。因为故障信号的频率和故障分量的量值对于全面粗糙度轴承故障来说小，综合故障分量d(n)中的这些因素的和使得增大故障信号强度以及改进的轴承故障检测成为可能。

由在噪音消除后的定子电流中剩余的、隔离的故障分量，故障标志(即故障指示)由处理器34确定。在一示例性实施例中，故障标志被计算为噪音消除定子电流的均方根(RMS)值。取隔离的故障分量的RMS值提供了能被监视的较大故障信号，允许轴承故障的改进的识别。处理器34被进一步编程为分析故障标志，以便确定故障标志是否超过阈值。如果故障标志超过阈值，则处理器34产生警报(例如听觉或视觉警报)，以便通知操作者定子电流中的故障分量已经超过希望的量。操作者因此能在方便的时间关闭电动机的运行，以便进一步对轴承进行评估。作为替代或作为附加的是，故障信息及其严重性也能被传送到集中的监视系统(未示出)，例如计算机维护管理系统(CMMS)或分布控制系统(DCS)。

在本发明一示例性实施例中，统计处理控制(SPC)技术被应用，以便分析多个故障标志，并基于其设置“阈值”。关于分析在定子电流中存在的故障分量以检测全面粗糙度轴承故障，难以将定子电流中的这些故障分量与轴承故障严重性相关联。也就是说，缺少可用于描述定子电流中由全面粗糙度轴承故障注入的故障表征以及定子电流中的轴承故障表征的微弱性的公式使得难以预先定义故障严重性水平。因此，应用SPC技术，以便基于特定电流监视过程中的故障信号统计数据建立警报阈值，而不是为所有应用预先设置预定的全局阈值。SPC技术区分噪音消除定子电流中由于轴承故障导致的异常变化(结果得到故障标志)与环境变化。

参照图5，示出了将SPC技术应用到经由定子电流噪音消除获得的、所产生的故障标志。各个故障标志被绘制到显示个体故障标志值37的X图表35以及用于监视故障标志值之间的差39的mR(即“移动范围”)图表38。个体测量37被绘制在X图表35上，差39(即移动范围)被绘制在mR图表38上。基于所绘制的值，控制上下限41、43由X图表确定，控制上限45对于mR图表确定。对于轴承故障检测，由于SPC被应用到噪音消除后的定子电流，落在控制下限之下的故障标志值指示较好的轴承条件，因此，不用担心。照此，X图表35的控制上限41和/或mR图表38的控制上限45包含用于确定阈值超过数的相关的控制限制(即故障标志警报阈值)。在一个实施例中，控制上限41、45分别可被设置在从平均故障标志值47的三个标准偏差，以及从邻近地获取的故障标志49之间的平均差值的三个标准偏差。

在经由SPC技术计算控制限制41、45后，故障标志关于这些控制限制受到分析。故障标志中的不受控制的变化的检测表示劣化的轴承条件。也就是说，如果分析得到的故障标志开始频繁超过控制限制41、45，这样的变化表示劣化的轴承条件(即初期轴承故障)。因此，在确定必须产生警报的劣化轴承条件是否存在时，检查故障标志超过控制上限41、45的百分比。如果该百分率超过预定的百分比，则判断为存在劣化的轴承条件，并产生警报。例如，如果故障标志落在控制限制41、45之外(即超过)的百分比高于10％，则产生警报。SPC技术因此被使用，以便监视实时获得的故障标志，并分析故障标志值，以便判断“阈值”是否已经被超过，因此允许判断是否存在劣化轴承条件或轴承故障。

现在参照图6，在本发明另一实施例中，通过处理器40的噪音消除技术隔离的定子电流故障信息d(n)可被看作估计误差滤波器(PEF)42的估计误差e(n)。也就是说，当轴承故障建立且系统的条件改变时，估计误差增大。如图6所示，如果噪音消除系统/技术被看作PEF 42，则系统性能可通过滤波器的估计误差来测量。也就是说，为了具有好的性能，估计误差对于故障轴承条件应当明显大于健康轴承条件。因此，当系统从健康轴承条件进入轴承故障条件时，图6所示的估计误差变大。

在检查PEF 42以评估估计误差时，可给出描述估计误差的一般公式，以及用于健康轴承条件的滤波器性能以及用于具有轴承故障条件的滤波器性能的具体公式。通过定义，滤波器的均方估计误差的通式为：

$>\xi =E\left\{{|x\left(n\right)-\underset{k=0}{\overset{p}{\Sigma }}w\left(k\right)x(n-n_0-k)|}^2\right\}$>[公式12]

这与公式2是同样的误差，其被最小化，以便找到wiener滤波器的系数。在扩展时，上面的公式可改写为：

$>\xi =[r_x\left(0\right)-\underset{k=0}{\overset{p}{\Sigma }}w\left(k\right)r_x(n_0+k)]+\underset{k=0}{\overset{p}{\Sigma }}w\left(k\right)[\underset{j=0}{\overset{p}{\Sigma }}w\left(j\right)r_x(k-j)-r_x(n_0+k)]$>[公式13]

由于PEF 42被设计为通过使用健康轴承数据来最小化公式12中的误差，这种估计误差对于健康轴承条件来说小。事实上，对于健康轴承条件，由于w(k)，k＝0，1，...，p为公式8的解，公式13的右侧的第二项为零。因此，健康轴承条件的估计误差为：

$>{\xi }_{\min }=r_x\left(0\right)-\underset{k=0}{\overset{p}{\Sigma }}w\left(k\right)r_x(n_0+k)$>[公式14]

在这样的条件下，由于x(n)＝d₁(n)+v₁(n)，因此，可见：

r_x(k)＝E{x(n)x(n+k)}＝E{[d₁(n)+v₁(n)][d₁(n+k)+v₁(n+k)]}

＝E{d₁(n)d₁(n+k)}+E{d₁(n)v₁(n+k)}+E{v₁(n)d₁(n+k)}+E{v₁(n)v₁(n+k)}

[公式15]

由于d₁(n)和v₁(n)均为广义静态过程(WSS)，公式15变为：

$>r_x\left(k\right)=r_{d_1}\left(k\right)+2r_{d_1{v}_1}\left(k\right)+r_{v_1}\left(k\right)$>[公式16]

由于测量噪音v₁(n)是随机的，其功率谱分布在宽广的频率范围上，其自相关是脉冲式的，且其与其他信号的互相关为零(即根据定义，信号的自相关序列为其功率谱的逆傅立叶变换)。因此，从公式16得到：

$>r_x\left(0\right)=r_{d_1}\left(0\right)+r_{v_1}\left(0\right),r_x\left(k\right)=r_{d_1}\left(k\right),k\ne 0$>[公式17]

将公式17带入公式14，得到：

$>{\xi }_{\min }=r_{d_1}\left(0\right)+r_{v_1}\left(0\right)-\underset{k=0}{\overset{p}{\Sigma }}w\left(k\right)r_{d_1}\left(n_0\text{+k}\right)$>[公式18]

为了进一步研究系统的性能，噪音分量(包含供电基波与谐波，偏心度谐波，槽谐波等)被描述为：

[公式19]

其中，A_m，ω_m，φ_m，m＝1...M，为定子电流中的M谐波分量的幅度、频率和角度。为了计算信号d₁(n)的自相关序列，定义下面的关系：

[公式20]

公式20于是通过认识到下面的关系来推导：

[公式21]

以及

[公式22]

因此，信号d₁(n)的自相关序列为：

$>r_{d_1}\left(k\right)=\underset{m=1}{\overset{M}{\Sigma }}\frac{A_m^2}{2}\cos \left({\omega }_{m}k\right)$>[公式23]

将公式23带入公式18，得到对于健康轴承条件的滤波器42的估计误差为：

$>{\xi }_{\min }=\underset{m=1}{\overset{M}{\Sigma }}\frac{A_m^2}{2}\{1-\underset{k=0}{\overset{p}{\Sigma }}w\left(k\right)\cos [{\omega }_m(n_0+k)\left]\right\}+r_{v_1}\left(0\right)$>[公式24]

类似地，对于故障轴承条件，均方估计误差仍能由公式13计算。出于方便，公式13在这里重复为：

$>\xi =[r_x\left(0\right)-\underset{k=0}{\overset{p}{\Sigma }}w\left(k\right)r_x(n_0+k)]+\underset{k=0}{\overset{p}{\Sigma }}w\left(k\right)[\underset{j=0}{\overset{p}{\Sigma }}w\left(j\right)r_x(k-j)-r_x(n_0+k)]$>[公式25]

然而，不同于健康轴承条件的情况，公式15右边的第二项对于故障轴承条件不为零，因为定子电流中存在故障信号，其为x(n)＝d₁(n)+d(n)+v₁(n)。由此：

r_x(k)＝E{x(n)x(n+k)}＝E{[d₁(n)+d(n)+v₁(n)][d₁(n+k)+d(n+k)+v₁(n+k)]}

[公式26]

假设d₁(n)，d(n)，v₁(n)均为WSS，则公式26变为：

$>r_x\left(k\right)=r_{d_1}\left(k\right)+r_d\left(k\right)+r_{v_1}\left(k\right)+{2r}_{d_1{v}_1}\left(k\right)+{2r}_{d_{1}d}\left(k\right)+{2r}_{{\mathrm{dv}}_1}\left(k\right)$>[公式27]

对于健康轴承条件，如果假设测量噪音v₁(n)为宽带信号且不与d₁(n)以及d(n)相关，则可见：

$>r_x\left(0\right)=r_{d_1}\left(0\right)+r_d\left(0\right)+r_{v_1}\left(0\right)+{2r}_{d_{1}d}\left(0\right)$>[公式28]

以及

$>r_x\left(k\right)=r_{d_1}\left(k\right)+r_d\left(k\right)+{2r}_{d_{1}d}\left(k\right),k\ne 0$>[公式29]

如果噪音分量被描述为：

[公式29a]

如公式19所述，于是，故障分量可被表述为：

[公式30]

其中，A_q、ω_q、φ_q为由轴承故障注入定子电流的Q故障分量的幅度、频率和角度。D(n)的自相关序列因此可如公式20-23中那样计算，结果为：

$>r_d\left(k\right)=\underset{q=1}{\overset{Q}{\Sigma }}\frac{B_q^2}{2}\cos \left({\omega }_{q}k\right)$>[公式31]

对于ω_q≠ω_m，q＝1，2，...，Q，m＝1，2，...，M，在如公式20到23的同样的步骤之后，噪音分量和故障分量之间的互相关序列变为：

$>r_{d_{1}d}\left(k\right)=0$>k：整数[公式32]

因此，合并公式25到32，故障轴承条件的估计误差可被获得为：

$>\xi ={\xi }_{\min }+\underset{q=1}{\overset{Q}{\Sigma }}\frac{B_q^2}{2}\{1-\underset{k=0}{\overset{p}{\Sigma }}w\left(k\right)\cos [{\omega }_q(n_0+k)\left]\right\}+\underset{q=2}{\overset{Q}{\Sigma }}\frac{B_q^2}{2}\left\{\underset{k=0}{\overset{p}{\Sigma }}w\left(k\right)\right[\underset{j=0}{\overset{p}{\Sigma }}w\left(j\right)\cos ({\omega }_q(k-j)-\cos \left({\omega }_q(n_0+k)\right)\left]\right\}$>

[公式33]

其中，ξ_min为公式24所表示的故障轴承条件的估计误差。

有利的是，注意，上面所述的噪音消除方法考虑故障分量的集体效应，以便促进故障检测。也就是说，因为故障信号的频率ω_q’s和故障分量的量度B_q’s对于全面粗糙度轴承故障小，与轴承接触角ω_q一起在集体故障分量d(n)中综合这些因素允许增大的故障信号强度和改进的轴承故障检测。还要进一步注意，如果故障信号d(n)为宽带信号，则其与宽带测量噪音v₁(n)具有同样的效果，由于宽带信号的功率保持在估计误差中(即对于健康轴承条件，又对于故障轴承条件)，故障信号的存在导致估计误差的增大。

另外，即使ω_q＝ω_m且存在估计误差的较小增大(由于公式33右边的第三项为零，而第二项非零)，故障信息仍在结果得到的估计器误差中存在。也就是说，即使故障分量和噪音分量具有共有的频率，例如当轴承故障增大电动机的动态偏心度时，故障信息仍在结果得到的估计器误差中存在。上面的特征因此提供了改进的基于电流的检测技术，以便检测全面粗糙度轴承故障。

现在参照图7，示出了一流程图，该图显示出用于检测全面粗糙度轴承故障的基于电流的技术46。该技术开始于从例如为三相感应电动机的电机获取和接收第一定子电流数据组x(n)，从而产生基线电流数据48。所获取/接收的第一定子电流数据组包含与健康度轴承条件相关联的定子电流数据，已经知道其没有任何轴承故障信号。

由基线电流数据，电流数据滤波器(即噪音消除系统)被配置50为向定子电流提供噪音消除。从而隔离其中存在的任何故障分量。在一示例性实施例中，电流数据滤波器为Wiener滤波器，其被设计为通过定子电流中噪音分量的推定基于所接收的定子电流数据的滤波从定子电流中消除噪音分量。为了提供定子电流中的准确噪音消除，Wiener滤波器被配置为：其能准确推定定子电流中的大多数噪音分量，并使定子电流中的故障信号不包含在其输出中。在Wiener滤波器的配置中，基线电流数据用于分配Wiener滤波器中的系数，使得轴承故障信息不被包含在系数中。Wiener滤波器被设计为使得其估计误差以均方形式最小化。也就是说，使用最小均方误差(MMSE)方法来分配系数。由于Wiener滤波器基于基线电流数据(即纯噪音电流数据)来配置，这意味着Wiener滤波器的输出为定子电流的估计的噪音分量g(n)，其基本上等于基线电流数据，使得估计误差最小化，即e(n)＝x(n)-g(n)。

在配置Wiener滤波器之后，技术通过获取并接收定子电流的至少一个附加数据组52来继续。附加定子电流数据在使用电机的一时间段后获取/接收，并被监视，以便检测定子电流中存在的轴承故障信号。定子电流数据的附加数据组被传送到电流数据滤波器54，以便在其上进行噪音分量消除。将电流数据滤波器提供的推定的噪音分量从定子电流56中消除，以便隔离在定子电流中存在的任何故障分量。也就是说，由于定子电流中的噪音分量(正弦)无论量值还是频率上基本上不在恒定的负载下改变，从电流数据滤波器输出的估计的噪音分量(并基于基线电流数据)可从定子电流的最近的样本(即另外获得的定子电流)消除，以便准确地确定定子电流的故障分量。假设电流数据滤波器被准确配置并具有好的性能，定子电流在噪音消除后的剩余部分将会准确地描绘故障信号d(n)。

由在噪音消除后的定子电流中剩余的故障分量，故障标志(即故障指示)被确定58。在一示例性实施例中，故障指示被计算为噪音消除后的定子电流的RMS值。取隔离后的故障分量的RMS值提供了可被监视的较大的信号，允许轴承故障的改进识别。在计算时，将故障标志与另外计算的故障标志进行比较，以便产生故障标志阈值59并确定故障指示是否超过故障标志阈值60。如果故障指示没有超过故障标志阈值62，则该技术通过继续接收和监视附加定子电流数据64来继续。然而，如果故障指示超过故障标志阈值66，则产生警报68，例如听觉或视觉警报，从而通知操作者定子电流中的故障分量已经超过希望的量。于是，使得操作者能够关闭电机的运行，并进一步检查轴承是否存在故障。

在技术46的示例性实施例中，故障标志阈值经由统计处理控制(SPC)技术来确定59。故障标志阈值(即控制限制)对于X图表和mR(移动范围i)图表中的各个确定。在经由SPC技术计算故障标志阈值时，故障标志关于这些阈值60受到分析。如果预定量或百分比的故障标志落在故障标志阈值66之外，确定为存在劣化的轴承条件并产生警报68。例如，如果落在控制限制外的故障标志的百分比高于10％，则可产生警报。SPC技术因此用于监视实时获得的故障标志，并分析故障标志值，以便确定“阈值”是否已被超过，由此允许劣化轴承条件或轴承故障存在的判断。

根据本发明一实施例，上面所述的噪音消除方法能够隔离定子电流中的故障分量，以便检测初期轴承故障，而不需要确定电机参数、轴承尺寸、铭牌值或定子电流谱分布。通过使用SPC技术的噪音消除后的定子电流的分析(且故障标志由之产生)消除了对获知这些机器参数、轴承尺寸、铭牌值或定子电流谱分布的需要。也就是说，由于噪音消除方法借助SPC技术基于所获取的故障标志值而不是基于描述定子电流中的故障表证的一组预定公式来确定控制限制和故障标志警报阈值，对于定子电流中的故障分量的分析不需要这种信息。因为机器参数、轴承尺寸、铭牌值或定子电流谱分布的确定/获取可以是困难且耗时的，在本发明的系统和方法的实施例中不需要这样的信息带来了更为高效的基于电流的轴承故障检测。

所公开的方法和设备的技术贡献在于，提供了借助电流噪音消除来检测即将发生的机械电动机故障的计算机实现的技术。电流数据被分解为非故障分量(即噪音)和故障分量，进行噪音消除，以便隔离电流中的故障分量，并产生故障标志。

因此，根据本发明一实施例，被配置为检测初期机械电动机故障的指标的控制器包含处理器，该处理器被编程为在已知的正常运行中从电动机接收电流数据组，基于从已知正常运行电动机所获取的电流数据组来定义基线噪音，并从运行电动机重复接收实时运行电流数据。处理器被进一步编程为从运行电流数据中移除基线噪音，以便识别运行电流数据中存在的任何故障分量，并基于任何隔离的故障分量对于运行电流数据产生故障标志。

根据本发明另一实施例，用于检测电机中的即将到来的轴承故障的非侵入性方法包含以下步骤：在运行中，从电机获取多个定子电流数据组，将所述多个定子电流数据集中的各个实时应用到电流数据滤波器，以便产生消除噪音后的定子电流，并对于所述多个定子电流数据组中的每一个由噪音消除后的定子电流确定故障标志。该方法还包含以下步骤：监视所述多个定子电流数据组的故障标志值，如果预定数量的故障标志超过控制限制，产生警报。

根据本发明又一实施例，用于监视电流以预测轴承故障的系统包含：至少一个非侵入性电流传感器，其被配置为从运行电动机获取定子电流数据；处理器，其被连接以便从所述至少一个非侵入性电流传感器接收定子电流数据。处理器被编程为从所述至少一个电流传感器接收第一定子电流数据组，第一定子电流数据组包含表示正常电动机运行的基线电流数据。处理器也被编程为由基线电流数据定义非故障分量，重复从运行电动机接收实时运行电流数据，并实时地从运行电流数据移除非故障分量，以便隔离剩余的电流数据。处理器被进一步编程为处理剩余电流数据，以便识别可能的轴承故障，对于任何识别出的轴承故障产生故障标志，如果故障标志超过故障标志阈值，产生警报。

已经在优选实施例的意义上介绍了本发明，将会明了，除明确介绍的外的等价、替代和修改是可能的，并属于所附权利要求的范围。