一种基于混合噪声双重滤波的电机系统故障诊断方法

摘要

本发明公开了一种基于混合噪声双重滤波的电机系统故障诊断方法，属于故障诊断技术领域。所述方法用全对称多胞体表示未知但有界噪声，用高斯噪声表示随机噪声，通过最小化全对称多胞体生成矩阵的F范数、协方差矩阵迹的导数设计电机系统动态状态观测器，基于信号平均功率得到各个时刻的最优权重解，设计状态估计器的动态增益，从而有效降低了状态估计区间的准确性和保守性。进一步的，基于残差概率分布函数计算故障检测指标的置信区间，实现对执行器故障高效的故障检测、故障识别和故障区间估计；相对于现有诊断方法，本申请方法检测效率更高，能够更快速检测到故障的发生，且没有出现漏诊的情况，障检测准确性更高。

说明书

技术领域

本发明涉及一种基于混合噪声双重滤波的电机系统故障诊断方法，属于故障诊断技术领域。

背景技术

随着科学技术的发展，高度集成化的自动化设备得以广泛应用于生产及生活中，电机作为自动化设备的重要组成部分，起着至关重要的作用。为了保证自动化设备的正常运行，需要对电机进行实时、准确的故障诊断。

传统的故障诊断方法在诊断过程中通常假设电机系统运行过程中存在的噪声是随机的，并且满足一定的概率分布，例如卡尔曼滤波、扩展卡尔曼滤波等方法，均假设噪声为零均值高斯白噪声。但在复杂的实际运行环境中很难获得电机系统噪声准确的统计特性，导致利用传统的故障诊断方法进行故障诊断的结果不准确。

为了解决这一问题，研究人员利用集员滤波方法假设系统噪声未知但有界，用区间、椭球、多胞体等空间几何体来描述系统状态数据、测量数据、噪声。但这种近似描述的方法不能准确地表示可行集的大小。随着计算量的增加，误差的积累会降低故障诊断方法对电机故障的敏感性。

为了克服上述滤波方法的局限性，结合随机和集员的混合噪声双重滤波技术研究在电机系统的故障诊断领域越来越受到大家的重视。目前，一些关于双重滤波的故障诊断研究是通过凸优化问题等来寻找描述系统状态的可行集，但很多优化问题不属于或不能转化为凸优化问题，从而可能出现无解的情况，因此导致这些方法无法广泛应用。另外还有一些关于双重滤波的故障诊断研究，在诊断过程中选择相同的权重处理各种随机和集员的混合噪声，但复杂的实际运行环境中的各种随机噪声和集员噪声不可能是相同的，导致此类故障诊断方法的诊断结果不准确。

发明内容

为了解决目前结合随机和集员的混合噪声双重滤波进行故障诊断存在的问题，本发明提供了一种基于混合噪声双重滤波的电机系统故障诊断方法，所述方法包括：

步骤一：建立未知但有界噪声与高斯噪声混合的离散电机模型；

步骤二：设计动态状态区间观测器，获取k时刻电机系统的状态估计区间；

步骤三：根据k时刻电机实际运行情况下得到的输出向量，获取k时刻的测量残差区间；所述输出向量为测量得到的电机角位置、电机转速、电枢电流组成的向量；

步骤四：根据k时刻的测量残差区间，获取k时刻的故障检测因子的上下界；

步骤五：根据故障检测因子的上下界检测电机系统是否发生故障。

可选的，所述方法还包括：在检测到电机系统发生故障时，计算k时刻的故障估计区间并判定电机系统所发生故障的故障类型。

可选的，所述步骤一建立的未知但有界噪声与高斯噪声混合的离散电机模型为：

其中，

A表示状态空间矩阵，B表示输入矩阵，C表示输出矩阵，F表示故障作用矩阵，w

可选的，所述步骤二：设计动态状态区间观测器，获取k时刻电机系统的状态估计区间包括：

2.1构造动态状态区间观测器：

其中，

根据式(3)和式(4)确定k+1时刻的状态误差：

其中，z

H

z

g

g

根据(6)和(7)得到最优准则J

其中，η

未知但有界噪声w

k＝1时刻，未知但有界部分的状态误差为：

z

其中，w

高斯不确定部分的状态误差为：

g

其中，d

k＝1时刻的最优权重系数为：

根据式(6)和式(7)，k>1时刻的最优权重系数为：

求解(8)得到观测器增益G

其中，

2.2根据式(4)和式(5)确定k时刻的观测器状态估计区间

其中，

可选的，所述步骤三：根据k时刻电机实际运行情况下得到的状态向量，获取k时刻的测量残差区间，包括：

确定k时刻的测量残差区间：

[r

其中，[r

可选的，所述步骤四：根据k时刻的测量残差区间，获取k时刻的故障检测因子的上下界，包括：

定义k时刻的故障检测因子为：

其中，p(r

根据式(3)和式(5)，k时刻的测量残差表示为：

其中，

k时刻的测量残差服从高斯分布：

根据式(14)和式(15)得到故障检测因子的上界为：

下界为：

其中，

求解最优化问题：

得到故障估计区间上下界的最优解：

其中，

根据式(19)、式(20)和式(22)，得到k时刻故障检测因子的上下界：

可选的，所述步骤五：根据故障检测因子的上下界检测电机系统是否发生故障，包括：

计算故障检测因子区间的中点

可选的，所述在检测到电机系统发生故障时，计算k时刻的故障估计区间并判定电机系统所发生故障的故障类型，包括：

根据式(22)得到k时刻电机系统的故障区间，k

当k＞l时采用滑动窗口滤波方法得到的电机系统的故障区间为：

在已知故障类型中，寻找故障值位于故障估计区间内的类型，由此判定电机系统的故障类型。

本发明还提供一种故障诊断系统，所述故障诊断系统采用上述故障诊断方法进行故障诊断。

可选的，所述故障诊断系统设置有速度传感器、位置传感器和电流传感器以测量电机角位置、电机转速、电枢电流。

本发明有益效果是：

本发明给出的混合噪声电机系统故障诊断方法通过双重滤波，用全对称多胞体表示未知但有界噪声，用高斯噪声表示随机噪声，通过最小化全对称多胞体生成矩阵的F范数、协方差矩阵迹的导数设计电机系统动态状态观测器，基于信号平均功率得到各个时刻的最优权重解，设计状态估计器的动态增益，使得所估计出的状态区间更接近于电机真实的状态，从而有效降低了状态估计区间的准确性和保守性。进一步的，基于残差概率分布函数计算故障检测指标的置信区间，以实现对执行器故障高效的故障检测、故障识别和故障区间估计；相对于现有的结合随机和集员的混合噪声双重滤波的诊断方法，本申请方法检测效率更高，能够更快速检测到故障的发生，且没有出现漏诊的情况，故障检测准确性更高。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明一个实施例中公开的一种基于混合噪声双重滤波的电机系统故障诊断方法的流程图。

图2是本发明一个实施例中公开的电机外加故障信号后采用本发明方法的故障检测结果与现有方法的故障检测结果比较示意图。

图3是本发明一个实施例中公开的电机故障诊断过程中，采用本发明的双重滤波算法识别故障类型1，故障估计区间在X-Y平面投影示意图。

图4是本发明一个实施例中公开的电机故障诊断过程中，采用本发明的双重滤波算法识别故障类型1，故障估计区间在X-Z平面投影示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。

实施例一：

本实施例提供基于混合噪声双重滤波的电机系统故障诊断方法，请参考图1，所述方法包括：

步骤一：建立未知但有界噪声与高斯噪声混合的离散电机模型；

步骤二：设计动态状态区间观测器，获取k时刻电机系统的状态估计区间；

步骤三：根据k时刻电机实际运行情况下得到的输出向量，获取k时刻的测量残差区间；所述输出向量为测量得到的电机角位置、电机转速、电枢电流组成的向量；

步骤四：根据k时刻的测量残差区间，获取k时刻的故障检测因子的上下界；

步骤五：根据故障检测因子的上下界检测电机系统是否发生故障

步骤六：若电机系统发生故障，计算k时刻的故障估计区间并判定电机系统出现的故障类型。

实施例二：

本实施例以本发明所提供的基于混合噪声双重滤波的电机系统故障诊断方法应用于直流伺服电机中为例进行介绍，所述方法包括：

步骤一：用MAX472电流传感放大器测量直流伺服电机运行时的电枢电流，用增量编码器同时测量电机角位置和电机转速。控制计算机通过专用I/O板和电源接口与电流传感器、编码器和直流伺服电机进行连接，建立了直流伺服电机的系统模型：

其中，u表示施加在直流伺服电机上的电压源的电压值，i表示电枢电流，θ表示直流伺服电机角位置，J表示电枢转动惯量，b表示摩擦系数，K表示直流伺服电机的转矩常数和反电动势常数，L表示电感，R表示电阻，t表示时刻。

离散处理前t表示连续时间，离散后以k表示采样时刻。

定义电机系统模型的状态向量x由电机角位置、电机转速、电枢电流组成，即x＝[θ,v,i]

则式(1)中的直流伺服电机的系统模型转化为：

利用MATLAB进行参数识别，得到：J＝0.0985kg·m

其中，

电机系统中，以w

步骤二：根据步骤一建立的直流伺服电机的离散模型构造动态状态区间观测器：

其中，

根据式(3)和式(4)确定k+1时刻的状态误差：

其中，z

H

z

g

g

根据(6)和(7)得到最优准则J

其中，η

未知但有界噪声w

k＝1时刻，未知但有界部分的状态误差为：

z

其中，w

高斯不确定部分的状态误差为：

g

其中，d

k＝1时刻的最优权重系数为：

根据式(6)和式(7)，k>1时刻的最优权重系数为：

求解(8)得到观测器增益G

其中，

根据式(4)和式(5)确定k时刻的观测器状态估计区间

其中，

步骤三：根据k时刻电机实际运行情况下得到的输出向量，确定k时刻的测量残差区间：

[r

其中，[r

步骤四：定义k时刻的故障检测因子λ

其中，p(r

根据式(3)和式(5)，k时刻的测量残差表示为：

其中，

k时刻的测量残差服从高斯分布：

根据式(14)和式(15)得到故障检测因子的上界为：

下界为：

其中，

求解最优化问题：

得到故障估计区间上下界的最优解：

其中，

根据式(19)、式(20)和式(22)，得到k时刻故障检测因子的上下界：

步骤五：根据故障检测因子的上下界检测电机系统是否发生故障。

计算故障检测因子区间的中点

步骤六：若电机系统发生故障，根据式(22)得到k(k＜l)时刻电机系统的故障区间；

当k＞l时采用滑动窗口滤波方法得到的电机系统的故障区间为：

其中，l是给定的滑动窗口长度。

在已知故障类型中，寻找故障值位于故障估计区间内的类型，由此判定电机系统的故障类型。

为验证本发明方法能够有效进行故障诊断，特采用MATLAB软件模拟直流伺服电机的故障诊断实验：

设电机系统发生类型1故障为

图2为采用本发明方法的故障检测结果与现有方法(现有方法可参考An extendedzonotopic and Gaussian Kalman filter(EZGKF)merging set-membership andstochastic paradigms:Toward non-linear filtering and fault detection)的故障检测结果仿真图。从图2可以看出，现有方法和本发明提出的方法都能在混合噪声电机系统发生故障后实现故障检测，本发明在k＝102时刻检测到电机系统发生故障，而后一直处于故障状态；而现有方法在k＝103时刻检测出电机系统发生故障，且在k＝124时刻故障信号变为0，说明现有方法在k＝124时刻未检测到电机系统故障，发生了漏诊，这是因为现有方法采用的是选择相同的权重处理随机噪声和集员噪声，并且没有使用滑动窗口，只用一个采样时刻的估计数据检测故障，导致出现漏诊的情况。由图2所示的仿真结果可以看出本发明提出的方法更快速检测到故障的发生，且没有出现漏诊的情况，故障检测准确性更高。

图3为采用本发明提出的方法检测到故障之后，根据故障估计区间有效进行故障类型识别的过程。图中灰色方框表示故障估计区间在X-Y平面的投影，“+”型标记表示故障类型1的故障值在X-Y平面的投影，“·”型标记表示故障类型2的故障值在X-Y平面的投影。可以看出，电机无故障时，故障估计区间包裹位于原点处的“+”型标记；故障发生后，故障估计区间逐渐包裹位于坐标(-0.4，0)和位于坐标(-1，0)的代表故障类型1故障值投影的“+”型标记。在故障识别过程中，故障估计区间没有包裹代表故障类型2故障值投影的“·”型标记，说明本发明提出的方法能够有效识别故障类型。

图4为采用本发明提出的方法检测到故障之后，根据故障估计区间有效进行故障类型识别的过程。图中灰色方框表示故障估计区间在X-Z平面的投影，“+”型标记表示故障类型1的故障值在X-Z平面的投影，“·”型标记表示故障类型3的故障值在X-Z平面的投影。可以看出，电机无故障时，故障估计区间包裹位于原点处的“+”型标记；故障发生后，故障估计区间逐渐包裹位于坐标(-0.4，0)和位于坐标(-1，0)的代表故障类型1故障值投影的“+”型标记。在故障识别过程中，故障估计区间没有包裹代表故障类型3故障值投影的“·”型标记，说明本发明提出的方法能够有效识别故障类型。

本发明实施例中的部分步骤，可以利用软件实现，相应的软件程序可以存储在可读取的存储介质中，如光盘或硬盘等。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。