绝缘系统是电机的心脏，是其可靠性的最薄弱环节，如何对电机绝缘寿命进行预测并实现故障预警，对提高电机运行可靠性和安全性具有重要的工程意义。本文融合热应力作用下电机绝缘加速寿命数据和现场监测数据，结合随机过程和支持向量机模型，提出了基于拓展卡尔曼滤波的电机绝缘寿命预测模型，并设计实验验证了模型的有效性。
研究背景
电气化交通、高性能伺服系统的高效轻量化发展需求对电机功率密度提出了更高要求，同时也给电机可靠性带来了巨大挑战。绝缘系统是电机的心脏，是其可靠性的最薄弱环节，超过1/3的电机事故是由于电机绝缘故障引起的。
根据IEEE工业应用协会（IEEE Industry Application Society）关于电机可靠性的一次调查结果显示，电机故障的平均故障时间在几十到上百小时，非计划停机将严重威胁电机运行安全性并造成巨大经济损失。
论文所解决的问题及意义
针对机器学习、随机过程、贝叶斯滤波算法等剩余寿命（RUL）预测模型存在的不足，本文解决了卡尔曼滤波算法在长时寿命预测中协方差矩阵的更新问题，提出了一种基于拓展卡尔曼滤波的电机绝缘寿命预测模型，并设计加速退化实验对模型进行了拟合。及时可靠的寿命预测可以有效提高电机运行的可靠性及经济效益。
论文方法及创新点
1）基于拓展卡尔曼滤波的电机绝缘寿命预测模型
本文以剩余击穿电压为状态变量，采用Arrhenius模型作为加速模型，基于Wiener过程构架了热应力水平与Wiener模型漂移系数和扩散系数的映射关系，建立了实际工况下基于加速退化数据的电机绝缘寿命预测模型，并将其作为卡尔曼滤波模型的状态方程。
以局部放电量的加速退化数据及现场监测数据为依据构建卡尔曼滤波模型的观测方程，为解决卡尔曼滤波模型在寿命预测中由于无法获取新的监测信息、协方差矩阵无法更新而导致的预测精度不足的问题，采用支持向量机模型，将时间作为输入变量，最大局部放电量作为输出变量，通过加速因子折算，将加速退化数据及现场数据共同作为训练集，对任意时刻Qk的真值作出预测（预测效果如图1所示），以此实现协方差矩阵的更新。模型迭代流程如图1所示。
