电机线电流与转差率曲线的工程测量

🕗 发布于 2024-07-23 16:16 自动化笔记

1.电机T型等效电路模型

1.1 Python代码 - 考虑转差率为负

import numpy as np
import matplotlib.pyplot as plt
# 设置已知参数值
rm = 11.421
lm = 553.9e-3
r2 = 7.553
l2 = 42.90e-3
freq_in = 50

# 设置频率值范围和步长
s = np.linspace(-0.05, 0.05, 1000)
im = 380/(rm+(lm+l2)*2*np.pi*freq_in*1j)/np.sqrt(3);

# 计算并绘制曲线
curr_in = (im + im*(rm+(lm+l2)*2*np.pi*freq_in*1j)/(r2 + l2*2*np.pi*freq_in*1j + (1-s)/s*r2))
plt.plot(np.abs(curr_in), s)
plt.xlabel('Absolute value of curr_in')
plt.ylabel('Power out')
plt.title('s of rated power is 2A, the max Y-axis = 5%(but engine''s rated s = 2%, I think it is wrong.)')
# 绘制横线
horiz_line = plt.axhline(y=0.05, color='r', linestyle='--', label='"s" == rated power of engine')
horiz_line = plt.axhline(y=0, color='r', linestyle='--', label='"s" == 0')
# 添加图例
plt.legend()

plt.show()

1.2 I-s曲线

注意在s = 0附近：

你会发现输出电流最小的位置，并不在转差率 = 0是，而是在转差率达到某个负值的时候——转差率为负，意味着此时电机的负载等效电阻是个负值，在中和掉整个电路的视在等效电阻后，此时的电路转为纯感性电路，此时，电流才会出现极小值，越过这条线，转差率继续向负半周偏移——此时，电机并不是在做功，而是作为一台发电机在工作。就是此时电机正转，但是反拉，提供的力矩与旋转方向相反，克服掉重物的力矩，匀速下滑。

2.不同负载，上下行时的线电流差异

2.1 Python代码

import numpy as np
import matplotlib.pyplot as plt

# 设置已知参数值
rm = 11.421
lm = 553.9e-3
r2 = 7.553
l2 = 42.90e-3
freq_in = 50
im = 380/(rm+(lm+l2)*2*np.pi*freq_in*1j)/np.sqrt(3);

s = np.linspace(0, -0.05, 1000)
curr_in_download = (im + im*(rm+(lm+l2)*2*np.pi*freq_in*1j)/(r2 + l2*2*np.pi*freq_in*1j + (1-s)/s*r2))


# 设置频率值范围和步长
s = np.linspace(0, 0.05, 1000)
# 计算并绘制曲线
curr_in_upword = (im + im*(rm+(lm+l2)*2*np.pi*freq_in*1j)/(r2 + l2*2*np.pi*freq_in*1j + (1-s)/s*r2))


curr_diff_of_updown = curr_in_upword - curr_in_download

plt.plot(np.abs(curr_in_upword), s)
plt.plot(np.abs(curr_diff_of_updown), s)
plt.xlabel('Absolute value of curr_in')
plt.ylabel('Power out')
plt.title('s of rated power is 2A, the max Y-axis = 5%(but engine''s rated s = 2%, I think it is wrong.)')
# 绘制横线
horiz_line = plt.axhline(y=0.05, color='r', linestyle='--', label='"s" == rated power of engine')
horiz_line = plt.axhline(y=0, color='r', linestyle='--', label='"s" == 0')

# 添加图例
plt.legend()

plt.show()

2.2 dI_of(up2down)-s曲线

一个奇迹出现了——转差率和上下行电流差之间呈现出线性关系：（当然，它要考虑到电机的运行方向），此时电流的值是有正负号的。

3 代入实际数据校验dI(up&down) -s 的线性特征

3.1 数据筛选：

{
    "engine":"231015062",
    "date":"2024/07/06",
    "curr":[
    {
        "up":21.97,
        "down":21.84
    },
    {
        "up":22.06,
        "down":21.63
    },
    {
        "up":22.12,
        "down":21.67
    },
    {
        "up":21.97,
        "down":21.80
    },
    {
        "up":23.87,
        "down":21.52
    }
    ]
}

3.1.1 数据筛选过程

上面这台电机，6日13:10分的最前面这笔数据看起来很像是先空钩下降，然后上升。这是一组完整的数据点，一对儿空钩的电流：

di1 = (21.84a -21.97a) di = 0.13a，空钩

6日 13:20似乎连续做了两次上下操作：
di2 = (22.06, 21.63) di = 0.43 ...
di3 = (22.12, 21.67) di = 0.45

di4,这里似乎是又一组：

di4 = (21.97, 21.80) di = 0.17a

找个电流大一点的：

di5 = (23.87, 21.52) , di = 2.35a

现在把上述5个点，打印出来：

3.2 数据呈现：

看起来能看到那个电机曲线的样子对吧？此时这几个数据点似乎还没有达到那个电流极值。那个蝴蝶结可能无关紧要，仅仅是误差，或者原始数据读取错误。

3.2.1 源码：

import numpy as np
import matplotlib.pyplot as plt
import json
from datetime import datetime

dbFile = "engine_curr.json"

# 读取原始数据文件
with open(dbFile, 'r', encoding='utf-8') as f:
    data = json.load(f)

# 选择id为10到20的数据，并提取需要的字段
ardt = []
armax = []
armin = []
for record in data["curr"]:
     armax.append(float(record["up"]))
     armin.append(float(record["down"]))
     ardt.append(armax[-1] - armin[-1])

ardt_neg = [element * -1.0 for element in ardt]

#绘制：
plt.plot(armax, ardt)
plt.plot(armin, ardt_neg)
plt.ylabel(f's * unknowRatio')
plt.xlabel('current (rms)')
plt.title(f'plc_{data["engine"]}_at{data["date"]}')
# 绘制横线
#horiz_line = plt.axhline(y=0.05, color='r', linestyle='--', label='"s" == rated power of engine')
#horiz_line = plt.axhline(y=0, color='r', linestyle='--', label='"s" == 0')
# 添加图例
plt.legend()
plt.show()

3.3修正显示 - 添加数据点之间的关系

3.3.1 源码（数据同2.3.1）

import numpy as np
import matplotlib.pyplot as plt
import json
from datetime import datetime

dbFile = "engine_curr.json"

# 读取原始数据文件
with open(dbFile, 'r', encoding='utf-8') as f:
    data = json.load(f)

# 选择id为10到20的数据，并提取需要的字段
ardt = []
armax = []
armin = []
pt_of_up = []
pt_of_down = []
for record in data["curr"]:
     armax.append(float(record["up"]))
     armin.append(float(record["down"]))
     ardt.append(armax[-1] - armin[-1])
     pt_of_up.append([armax[-1], ardt[-1]])
     pt_of_down.append([armin[-1], ardt[-1]*-1])
ardt_neg = [element * -1.0 for element in ardt]

#绘制：
for pt in pt_of_up:
    plt.scatter(pt[0], pt[1], color='red', marker='+')
for pt in pt_of_down:
    plt.scatter(pt[0], pt[1], color='blue', marker='x')
for i in np.arange(len(ardt)):
    x1 = pt_of_up[i][0], pt_of_down[i][0]
    y1 = pt_of_up[i][1], pt_of_down[i][1]
    plt.plot(x1, y1, color='lightgrey')
    
plt.ylabel(f's * unknowRatio')
plt.xlabel('current (rms)')
plt.title(f'plc_{data["engine"]}_at{data["date"]}')
# 绘制横线
#horiz_line = plt.axhline(y=0.05, color='r', linestyle='--', label='"s" == rated power of engine')
#horiz_line = plt.axhline(y=0, color='r', linestyle='--', label='"s" == 0')
# 添加图例
plt.legend()
plt.show()

4 拟合

4.1 源码：

#!/usr/bin/env python3
# -*- coding: utf-8 -*-
# 获取当前脚本文件所在目录的父目录，并构建相对路径
import os
import sys
current_dir = os.path.dirname(os.path.abspath(__file__))
project_path = os.path.join(current_dir, '.')
sys.path.append(project_path)
sys.path.append(current_dir)
os.chdir(current_dir)

import numpy as np
import matplotlib.pyplot as plt
import json
from datetime import datetime


def get_curr_of_engine(dbFile):
    print(os.getcwd())
    # 读取原始数据文件
    with open(dbFile, 'r', encoding='utf-8') as f:
        data = json.load(f)

    # 选择id为10到20的数据，并提取需要的字段
    ardt = []
    armax = []
    armin = []
    pt_of_up = []
    pt_of_down = []
    for record in data["curr"]:
         armax.append(float(record["up"]))
         armin.append(float(record["down"]))
         ardt.append(armax[-1] - armin[-1])
         pt_of_up.append([armax[-1], ardt[-1]])
         pt_of_down.append([armin[-1], ardt[-1]*-1])
    ardt_neg = [element * -1.0 for element in ardt]
    return (pt_of_up, pt_of_down, ardt, data)

def pot_raw_data(pt_of_up, pt_of_down, ardt, data):
    #绘制：
    ptall=[]
    for pt in pt_of_up:
        plt.scatter(pt[0], pt[1], color='red', marker='+')
        ptall.append(pt)
    for pt in pt_of_down:
        plt.scatter(pt[0], pt[1], color='blue', marker='x')
        ptall.append(pt)
    for i in np.arange(len(ardt)):
        x1 = pt_of_up[i][0], pt_of_down[i][0]
        y1 = pt_of_up[i][1], pt_of_down[i][1]
        plt.plot(x1, y1, color='lightgrey')
    
    # 绘制拟合曲线
    (xp, yp) = gen_polyfit_data(ptall, -5, +5)    
    plt.plot(xp, yp, color='grey', label='Fit curve')

    plt.ylabel(f's * unknowRatio')
    plt.xlabel('current (rms)')
    plt.title(f'plc_{data["engine"]}_at{data["date"]}')
    # 绘制横线
    #horiz_line = plt.axhline(y=0.05, color='r', linestyle='--', label='"s" == rated power of engine')
    #horiz_line = plt.axhline(y=0, color='r', linestyle='--', label='"s" == 0')
    # 添加图例
    plt.legend()
    plt.show()

def gen_polyfit_data(ptall, ymin, ymax):
    #拟合前需要按y排序
    ar = np.array(ptall)
    sorted_pt = ar[ar[:,1].argsort()]
    sorted_pt = sorted_pt.tolist()
    x = []
    y = []
    for pt in sorted_pt:
        y.append(pt[1])
        x.append(pt[0])

    # 进行多项式拟合，假设拟合为二阶多项式
    z = np.polyfit(y, x, 2)  # 使用二阶多项式拟合

    # 生成拟合曲线的数据
    yp = np.linspace(ymin, ymax, 100)
    xp = np.polyval(z, yp)

    return (xp, yp)


if __name__ == "__main__":
   dbFile = "./engine_curr.json"    
   #get data
   (pt_of_up, pt_of_down, ardt, data) = get_curr_of_engine(dbFile)
   #raw raw data
   pot_raw_data(pt_of_up, pt_of_down, ardt, data)

可以对比1.2的理论曲线，理论和实验数据似乎是吻合的。

5.后记

本文暂时关闭。2.2节那个线性关系的理论推导，以及3节绘制的图表中，更多的实验数据汇入验证，稍后另起一篇文章进行。我从去年开始，大概在电机的工程测量上投入了800+小时。

原文地址：https://blog.csdn.net/twicave/article/details/140518979

免责声明：本站文章内容转载自网络资源，如本站内容侵犯了原著者的合法权益，可联系本站删除。更多内容请关注自学内容网（zxcms.com）！

上一篇：Docker Desktop安装
下一篇：/var/log/nginx/error.log

【C++】构造与析构函数
⽆参构造函数、全缺省构造函数、我们不写构造时编译器默认⽣成的构造函数，都叫做默认构造函数。
阅读更多2024-11-18
#渗透测试#SRC漏洞挖掘#蓝队基础之网络七层杀伤链02
识别Windows典型应用是指通过一定的技术和方法，自动识别和分类Windows操作系统中的各种应用程序。这对于自动化测试、应用管理、性能监控等领域具有重要意义。识别Linux典型应用是指通过一定的技
阅读更多2024-11-18
【网络】什么是交换机？switch
综上所述，交换机是一种重要的网络设备，它通过为网络节点提供独享通路和高效的数据转发机制，提高了网络传输效率和管理便利性。它通过对MAC地址的识别，实现数据帧的转发。功能：交换机能为接入交换机的任意两个
阅读更多2024-11-18
Go开发指南- Goroutine
在java中我们要实现并发编程的时候，通常要自己维护一个线程池，并且需要去包装任务、调度任务和维护上下文切换。这个过程需要消耗大量的精力。Go语言中有一种机制，可以让系统自动把任务分配到CPU上实现并
阅读更多2024-11-18
NX二次开发将刀轨转曲线
获取选择的程序导轨和当前加工坐标系，获取导轨数据点转换到加工坐标系，然后创建样条，创建样条是用UG录制的代码，有更好的方法欢迎交流学习一下。
阅读更多2024-11-18
STM32寄存器结构体详解
2.#define IOMUXC_GPIO1_IO03_GPIO1_IO03 0x020E0068U, 0x5U, 0x00000000U, 0x0U, 0x020E02F4U 的解释。通过宏定义，使
阅读更多2024-11-18
Android 12.0 第三方app授予DeviceOwner权限调用系统reboot,显示隐藏app,锁屏,禁用app等功能系统层部分实现
在12.0的系统rom定制化开发中，在有些客户开发app的功能中，需要系统授予app的DeviceOwner权限，然后app就可以实现重启关机禁用下拉通知栏，显示隐藏app，等功能，首选需要在app和
阅读更多2024-11-18
同构字符串
每个出现的字符都应当映射到另一个字符，同时不改变字符的顺序。不同字符不能映射到同一个字符上，相同字符只能映射到同一个字符上，字符可以映射到自己本身。中的字符可以按某种映射关系替换得到。，那么这两个字符
阅读更多2024-11-18
unity 下拉列表根据内容长度进行下拉列表长度的自适应
unity 下拉列表根据内容长度进行下拉列表长度的自适应
阅读更多2024-11-18
MATLAB实现狼群算法优化柔性车间调度(GWO-fjsp)
MATLAB实现狼群算法优化柔性车间调度(GWO-fjsp)
阅读更多2024-11-18