CN107270970A - 高耸电力设备振动监测装置及其进行故障诊断的方法 - Google Patents
高耸电力设备振动监测装置及其进行故障诊断的方法 Download PDFInfo
- Publication number
- CN107270970A CN107270970A CN201710592929.1A CN201710592929A CN107270970A CN 107270970 A CN107270970 A CN 107270970A CN 201710592929 A CN201710592929 A CN 201710592929A CN 107270970 A CN107270970 A CN 107270970A
- Authority
- CN
- China
- Prior art keywords
- mrow
- signal
- msub
- power equipment
- processing unit
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000012806 monitoring device Methods 0.000 title claims abstract description 22
- 238000003745 diagnosis Methods 0.000 title claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 67
- 238000012544 monitoring process Methods 0.000 claims abstract description 10
- 239000011159 matrix material Substances 0.000 claims description 22
- 238000004458 analytical method Methods 0.000 claims description 18
- 239000000428 dust Substances 0.000 claims description 16
- 238000000513 principal component analysis Methods 0.000 claims description 13
- 238000006243 chemical reaction Methods 0.000 claims description 12
- 238000005314 correlation function Methods 0.000 claims description 11
- 108010076504 Protein Sorting Signals Proteins 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 7
- 230000003595 spectral effect Effects 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 6
- 238000012935 Averaging Methods 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 4
- 238000000926 separation method Methods 0.000 claims description 4
- 238000013213 extrapolation Methods 0.000 claims description 3
- 230000000875 corresponding effect Effects 0.000 claims 2
- 230000002596 correlated effect Effects 0.000 claims 1
- 238000007726 management method Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 8
- 238000001228 spectrum Methods 0.000 description 8
- 230000004044 response Effects 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 5
- 238000012423 maintenance Methods 0.000 description 5
- 238000005259 measurement Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- BASFCYQUMIYNBI-UHFFFAOYSA-N platinum Chemical compound [Pt] BASFCYQUMIYNBI-UHFFFAOYSA-N 0.000 description 4
- 230000035939 shock Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000009413 insulation Methods 0.000 description 3
- 238000010338 mechanical breakdown Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000010183 spectrum analysis Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000002955 isolation Methods 0.000 description 2
- 230000033001 locomotion Effects 0.000 description 2
- 241001274660 Modulus Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 239000002253 acid Substances 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000000205 computational method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000000465 moulding Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000005622 photoelectricity Effects 0.000 description 1
- 229910052697 platinum Inorganic materials 0.000 description 1
- 230000010181 polygamy Effects 0.000 description 1
- 238000004382 potting Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Algebra (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明涉及电力设备监测技术领域,是一种高耸电力设备振动监测装置及其进行故障诊断的方法,前者包括信号采集单元、激光供能单元、集中处理单元、服务器处理单元、显示单元以及安装在被监测电力设备上的速度传感器和温度传感器,速度传感器、温度传感器均与信号采集单元电连接,激光供能单元分别与集中处理单元和信号采集单元电连接,信号采集单元与集中处理单元通信连接,集中处理单元与服务器处理单元通信连接,服务器处理单元与显示单元电连接。本发明通过速度传感器和温度传感器采集被监测电力设备的振动信号的温度信号,实现了对电力设备的实时监测,有效确保了电力安全性。通过激光供能单元提供电能,提高了监测设备供电的便捷性。
Description
技术领域
本发明涉及电力设备监测技术领域,是一种高耸电力设备振动监测装置及其进行故障诊断的方法。
背景技术
机械故障诊断—振动法是一门近二十年内发展起来的新学科,是近代设备维修技术的重要组成部分,并且正在日益成为设备维修管理工作现代化的一个重要标志。此项技术的应用主要是对确保机械设备的安全,提高产品质量,节约维修费用起着很重要的作用。目前,部分变电站站址地处戈壁,风沙严重,投运后因大风使电力设备受损,如金具断裂、螺栓松动等常常引发跳闸事故。现在的绝大多数变电站仍然依靠人工进行电力设备振动测量。
振动测量适用于在大风区独立避雷针、构架避雷针、高压避雷器、高空绝缘子的振动幅度监测,750千伏罐式断路器复合绝缘套管振动频率的实时监测等,为设备运行积累基础数据,据统计,机械故障90%可以从振动测量中检测出来,振动测量和信号分析一直是作为机械设备预知维修的主要手段,因此,需要一种振动监测装置是对设备的振动信号进行检测、分析处理,降低安全事故。
发明内容
本发明提供了一种高耸电力设备振动监测装置及其进行故障诊断的方法,克服了上述现有技术之不足,其能有效解决现有的高耸设备振动因没有自动测量和监测装置,存在安全隐患问题,更进一步解决了信号采集设备的供电电源取电不便的问题。
本发明的技术方案之一是通过以下措施来实现的:一种高耸电力设备振动监测装置,包括信号采集单元、激光供能单元、集中处理单元、服务器处理单元、显示单元以及安装在被监测电力设备上的速度传感器和温度传感器,所述速度传感器、温度传感器均与信号采集单元电连接,激光供能单元分别与集中处理单元和信号采集单元电连接,信号采集单元与集中处理单元通信连接,集中处理单元与服务器处理单元通信连接,服务器处理单元与显示单元电连接。
下面是对上述发明技术方案一的进一步优化或/和改进:
上述还包括防尘盒体和安装在防尘盒体顶部的防尘盖,防尘盒体上设有能控制防尘盖启闭的限位开关,所述激光供能单元包括安装在防尘盒体内的防尘盖驱动电机模块、第一控制模块、激光发生器、第一电源管理模块、恒温模块和第一无线收发模块,所述限位开关与防尘盖驱动电机模块电连接,所述防尘盖驱动电机模块、激光发生器、第一电源管理模块和恒温模块均与第一控制模块电连接,所述第一无线收发模块与第一控制模块双向电连接。
上述信号采集单元包括A/D转换模块、第二控制模块、第二电源管理模块、光电转换模块和第二无线收发模块,所述速度传感器、温度传感器均与A/D转换模块电连接,A/D转换模块和第二电源管理模块均与第二控制模块电连接,光电转换模块与第二电源管理模块电连接,第二无线收发模块与第二控制模块双向电连接。
上述还包括风速传感器,所述风速传感器与服务器处理单元电连接。
上述速度传感器为磁电式速度传感器。
本发明的技术方案之二是通过以下措施来实现的:一种使用高耸电力设备振动监测装置故障诊断的方法,包括以下步骤:
第一步,信号采集;通过速度传感器采集被监测电力设备的实时振动信号,通过温度传感器采集被监测电力设备的实时温度信号,之后进入第二步;
第二步,信号预处理;将实时振动信号和实时温度信号传送至信号采集单元,信号采集单元滤除实时振动信号和实时温度信号的电磁干扰信号,同时将实时振动信号和实时温度信号进行放大处理,之后进入第三步;
第三步,信号状态处理,通过集中处理单元对经预处理实时振动信号分别进行时域分析和频域分析,获取被监测设备的振动振幅变化信息和振动频率变化信息;同时,将经预处理的实时温度信号与集中处理单元内设置的被监测设备的温度阈值进行比较,若实时温度信号大于或等于设置的阈值,之后进入第四步;若实时温度信号小于设置的阈值,则结束;
第四步,故障特征识别,服务器处理单元对被监测电力设备的实时状态特征信息与被监测电力设备规定的允许参数值进行识别判断,判断被监测电力设备是否存在故障,若不存在故障,则返回第一步,若存在故障,则进入第五步;
第五步,根据第四步识别的故障特征,确定被监测电力设备的故障,并将故障在显示单元上显示。
下面是对上述发明技术方案二的进一步优化或/和改进:
上述第二步中,对振动信号的预处理还包括预滤波、零均值化、错点剔除以及消除趋势项。
上述第四步中,对故障特征的处理包括以下步骤:
(a)主分量分析与故障信息分离
设一随机信号向量X={xi,i=1,2,...,n},存在一正交函数集{Uj(i),i,j=1,2,...,n}使得
或Y=UTX (18)
式中,Y=(y1,y2,...yj...,yn)T为展开式中随机系数的向量形式;设对应于X的协方差矩阵是Cx,那么对应于Y的协方差矩阵是
Cy=UTCxU (19)
选择变换矩阵U,使各分量y1,y2,...yj...,yn两两之间的协方差为零,即
设原始信号中包含多种故障为Fi(i=1;L),各故障之间的相关性为(i,j=1;L),且
0≤Ri,j<1 i≠j (21)
Ri,j=1 i=j (22)
如果经主分量分析后的两组短数据信号S1,S2中包含有同一故障信息,则有
S1∩S2=F12≠h (23)
R(S1,S2)≠0 (24)
所获主分量为{yi,i=1;L},每一yi与其对应的故障集Fyi之间存在一定关系,
即yi=f(Fyi) (25)
式中Fyi为一集合,中间包含有某些故障,由于各yi之间互不相关,有
R(yi,yj)=0 i≠j (26)
即R[f(Fyi),f(Fyj)]=0 (27)
亦即Fyi∩Fyj=h (28)
以上yi、yj中包含着不同的故障信息,同一故障信息不可能分布在不同的主分量中,即:采用主分量分析将原故障信号中的线性相关变为线性独立,原故障信号中各种故障信息得到了分离;
(b)最大熵谱估计及分析
功率谱密度Sx(f)与相关函数rx(k)的关系为:
式中,T≤fc/2为采样间隔,fc为随机信号的上限最高频率;f为随机信号的频率变量;
熵定义为:
H=-Σpilogpi (30)
式中,pi是随机变量X出现状态i的概率;假设一均值为0的平稳随机信号序列X=(x1x2...xn)T是高斯型的,其熵可以表示为:
H=ln{(2ce)n/2(det[Cx]1/2)} (31)
式中,det(Cx)表示协方差矩阵Cx的行列式,对于均值为0的平稳随机信号序列,其协方差等于相关函数所以Cx的矩阵元素,即相关函数为:
若已知rx(1),rx(2),...,rx(n)欲求解rx(n+1);由于协方差矩阵是对称正定的,故矩阵Cx(n+1)的行列式应是非负的,即:
det[Cx(n+1)]≥0 (33)
为了得到的熵H为最大,必须det[Cx(n+1)]为最大,即选择rx(n+1)使det[Cx(n+1)]达最大,为此用rx(n+1)对(33)式微分,并令
求解此式,得到的rx(n+1)使熵H最大;以此类推,每步按最大熵H外推一个相关序列的值。
本发明通过速度传感器和温度传感器采集被监测电力设备的振动信号和温度信号,并经过信号采集单元和集中处理单元对振动信号和温度信号进行处理之后发送至设置在主控室内的服务器处理单元,实现了对电力设备的实时监测,对存在故障的电力设备进行提前预测维护,有效确保了电力安全性。通过激光供能单元对信号采集单元和集中处理单元提供电能,提高了监测设备供电的便捷性。
附图说明
附图1为本发明实施例1的结构框图。
附图2为附图1中的激光供能单元的结构框图。
附图3为附图1中的信号采集单元的结构框图。
附图4为本发明实施例2的方法流程示意图。
具体实施方式
本发明不受下述实施例的限制,可根据本发明的技术方案与实际情况来确定具体的实施方式。
下面结合实施例及附图对本发明作进一步描述:
实施例1:如附图1、2、3所示,高耸电力设备振动监测装置,包括信号采集单元、激光供能单元、集中处理单元、服务器处理单元、显示单元以及安装在被监测电力设备上的速度传感器和温度传感器,所述速度传感器、温度传感器均与信号采集单元电连接,激光供能单元分别与集中处理单元和信号采集单元电连接,信号采集单元与集中处理单元通信连接,集中处理单元与服务器处理单元通信连接,服务器处理单元与显示单元电连接。
这里的温度传感器可采用PT100温度传感器,其是一种以铂(Pt)作成的电阻式温度传感器,属于正电阻系数,且耐酸碱、不会受外界环境影响,稳定性及线性较好。
激光供能单元发出光能量向信号采集单元和集中处理单元提供电能,激光供能单元采取电阻加热和芯片制冷的恒温控制手段,确保提供稳定的电能。
这里的信号采集单元用于消除电磁干扰等干扰项,并将预处理后的信号通过无线网络传输至集中处理单元,集中处理单元为现有公知技术,用于对数据作进一步的处理,集中处理单元通过光纤将信号传输至服务器处理单元。
本发明通过速度传感器可以采集隔离开关、高压避雷器、避雷针及断路器绝缘套管等电力设备的振动信号,通过Pt温度传感器采集隔离开关触头温度信号。集中处理单元用于处理信号采集单元所传送的原始振动信号和温度信号,因采集的原始信号中常常混有各种噪声以及测量仪器中的非线性等干扰项,在分析处理之前信号采集单元对测试数据进行预处理,有效提高了振动信号和温度信号分析的可靠性和真实性。
可根据实际需要,对上述高耸电力设备振动监测装置作进一步优化或/和改进:
如附图1、2、3所示,还包括防尘盒体和安装在防尘盒体顶部的防尘盖,防尘盒体上设有能控制防尘盖启闭的限位开关,所述激光供能单元包括安装在防尘盒体内的防尘盖驱动电机模块、第一控制模块、激光发生器、第一电源管理模块、恒温模块和第一无线收发模块,所述限位开关与防尘盖驱动电机模块电连接,所述防尘盖驱动电机模块、激光发生器、第一电源管理模块和恒温模块均与第一控制模块电连接,所述第一无线收发模块与第一控制模块双向电连接。通过在防尘盒体上加装限位开关控制防尘盖的开启和关闭,确保了恶劣天气下的激光供能单元的正常工作。由于供能设备的电线在变电站工作环境下会造成一定的安全隐患,其长度局限了设备的使用范围,因而采用激光供能单元可以在一定的距离范围内精确的实现对电子设备的无线供能。这里的激光发生器为现有公知技术,这里的激光发生器可包括单片机、数/模转换模块、激光器等元件,激光发生器的基本原理是:从低电位侧将光能量传送到高电位侧,再将光能量发送至信号采集单元和集中处理单元。这里的第一无线收发模块用于接收集中处理单元发送的向信号采集单元和集中处理单元供电命令,这里的恒温模块用于对温度的平衡控制,确保光供率在一定温度条件下的温度,所以通过光电池转换后得到的电源也相对比较稳定,且电源的文波也比较小,噪声低,不易受到外界其他因素的干扰。该激光供能单元的特点是结构简单,工作可靠性高,电源不受电网电流大小的影响,而且不存在死区,并且由于采用光纤隔离低压侧与高压侧,能够很好的起到高电压绝缘的作用。
如附图1、2、3所示,所述信号采集单元包括A/D转换模块、第二控制模块、第二电源管理模块、光电转换模块和第二无线收发模块,所述速度传感器、温度传感器均与A/D转换模块电连接,A/D转换模块和第二电源管理模块均与第二控制模块电连接,光电转换模块与第二电源管理模块电连接,第二无线收发模块与第二控制模块双向电连接。信号采集单元的功能是将速度传感器和温度传感器采集的信号转变为电压信号输出,信号经A/D转换模块的时序,完成通路选择和模数转换等数据采集和转换的过程,处理后的信号数据通过第二无线收发模块以无线通信方式发送至集中处理单元。
如附图1、2、3所示,还包括风速传感器,所述风速传感器与服务器处理单元电连接。这里的风速传感器用于采集风向、风速信号,风速传感器将采集到的风向和风速信号传送至服务器处理单元,实现振动信号与风力数据的一一对应。
如附图1、2所示,所述速度传感器为磁电式速度传感器。磁电式传感器是利用电磁感应原理,将输入运动速度变换成感应电势输出的传感器。它不需要辅助电源,就能把被测对象的机械能转换成易于测量的电信号,是一种有源传感器。磁电式速度传感器为惯性式速度传感器,当有一线圈在穿过其磁通发生变化时,会产生感应电动势,电动势的输出与线圈的运动速度成正比。磁电式速度传感器具有灵敏度高、内阻低,经放大、微积分等运算后可测量振动速度、位移和加速度的优点。
实施例2:如图1、2、3、4所示,一种使用高耸电力设备振动监测装置故障诊断的方法,包括以下步骤:
第一步,信号采集;通过速度传感器采集被监测电力设备的实时振动信号,通过温度传感器采集被监测电力设备的实时温度信号,之后进入第二步;
第二步,信号预处理;将实时振动信号和实时温度信号传送至信号采集单元,信号采集单元滤除实时振动信号和实时温度信号的电磁干扰信号,同时将实时振动信号和实时温度信号进行放大处理,之后进入第三步;
第三步,信号状态处理,通过集中处理单元对经预处理实时振动信号分别进行时域分析和频域分析,获取被监测设备的振动振幅变化信息和振动频率变化信息;同时,将经预处理的实时温度信号与集中处理单元内设置的被监测设备的温度阈值进行比较,若实时温度信号大于或等于设置的阈值,之后进入第四步;若实时温度信号小于设置的阈值,则结束;
第四步,故障特征识别,服务器处理单元对被监测电力设备的实时状态特征信息与被监测电力设备规定的允许参数值进行识别判断,判断被监测电力设备是否存在故障,若不存在故障,则返回第一步,若存在故障,则进入第五步;
第五步,根据第四步识别的故障特征,确定被监测电力设备的故障,并将故障在显示单元上显示。
这里的在线监测与故障诊断的流程一般包括三个基本环节:首先是通过各种传感器准确地测量和采集反映设备运行状态有价值的特征信息,并将现场采集的各种信号进行各种变化和算法处理,把真正反映设备运行状态的信息提取出来;其次是根据掌握的故障征兆信息和状态参数,将经过信号处理后获得的设备特征参数与规定的允许参数或判别参数进行对比,以判断设备是否存在故障及故障的类型、部位和发展趋势等;最后是对已识别出来的故障提出合理的维护措施,同时根据当前信号状态进行趋势预测分析。在第五步中,服务器处理单元中安装有现有的综合故障诊断系统,通过综合故障诊断系统,将已经判断出有故障的设备进一步进行诊断,并在综合故障诊断系统中查找出相应的诊断决策,作用于被监测的电力设备。综合故障诊断系统为电网现有的故障诊断平台,为现有公知技术。
如图1、2、3、4所示,第二步中,对振动信号的预处理还包括预滤波、零均值化、错点剔除以及消除趋势项。
第二步中的振动信号的预滤波计算分析过程如下:
当信号需要平滑或抑制不需的频率分量时,可以采用滤波的方法。为了避免因不满足采样定理而出现的频率混叠,可利用低通滤波器来限制原始信号的带宽,同时还可以减少高频噪声。数字滤波器还能抵消漂移和避免功率泄漏。
采用数字滤波器进行滤波,若所涉及的信号均为离散信号,其输出序列y(n)是输入序列x(n)和冲击响应序列h(n)的离散卷积,即
实际计算中不可能去无限多项,只能去有限项M,或者采用反馈形式,将滤波器过去的输出又重新用来计算后一级的权值。因此得到如下两种计算方法,当T=1时,计算公式如下:
式(2)描述的是有限冲击响应滤波器(FIR),而(3)式描述的则是无限冲击响应滤波器(IIR)。习惯上用a(i)和b(j)表示权系数h(i)和g(j),当N远大于式中的M和K时,对式(2)和(3)进行Z变换,可求得两种滤波器的系统函数分别如下:
数字滤波器的冲击响应序h(k)长度为无限,若用长度为N的数据窗w(m)去截取能足够反应滤波器特性的前N项,使无限长序列变为有限长序列,在不使用反馈形式的前提下便可以实现数字计算,截取过程如下:
hw(m)=w(m)h(k),k=-∞,...,0,...∞ (6)
m=-(N-1)/2,...0,...,(N-1)/2,N为奇数 (7)
m=-N/2,...,0,...N/2,N为奇数
式中,
此时滤波器的输入输出关系如下
由于有限冲击响应滤波器不采用反馈形式,即现在的输出与过去的输出无关,一般为非传递式结构,考虑到滤波器的对称性,略去其负号项,只考虑因果序列,并取T=1,则式(9)可简化为
可以看到,FIR滤波器的特性实际上是由冲击响应序列h(m)确定的,改变冲击响应序列可以得到高通、低通、带通和带阻等不同类型的滤波器。
第二步中对振动信号的零均值化计算分析过程如下:
为了分析信号的统计特性,消除数据中的直流分量,需对信号作零均值处理。设原始信号序列为x(n),则零均值数据序列为
式中为原序列x(n)的均值。
平均值可以对第1个到第N个的所有样值进行平均。如果数据是从不同时段取样来的,则求平均及零均值变换均可在每一段时间内进行。
第二步中对振动信号的错点剔除计算分析过程如下:
在振动数字信号的采集中,由于操作不当或外界干扰,或一起的临时故障等原因,有时候会出现异常数据,即所谓的错点,错点的存在会影响分析结果,特别是对高频分量的影响,需加以清除。
剔除错点可以按照不同的标准进行,如以标准差为基础进行错点剔除时,以数据是否超过标准离差σx的3倍为判定标准。如果零均值信号的±3σx为置信区间,其置信水平可以达到99.74%。将错点剔除后,对错点两边相邻数据进行插值后作为修正后的数据值。
第二步中对振动信号的消除趋势计算过程如下:
趋势项指在随机信号中存在的线性项或缓慢变化的、周期大于记录长度的非线性成分。趋势项的存在,会使时域中的相关分析和频域张的功率谱分析产生较大的误差,甚至使低频谱完全失去真实性。通常采用最小二乘法来消除夹杂在信号中的线性趋势项,具体方法如下:
假定用一个k阶多项式vn来拟合数字信号un,则有
根据最小二乘原理,选择合适的系数bi,使得vn和un间的误差平方和最小。误差平方和为
式中,un为原始信号,vn为多项式拟合信号,T为抽样周期,bi为多项式系数。
在消除线性趋势项是b0和b1两项,即取k=1,其中b0为均值,b1为线性趋势项斜率,
则
由此得二项式
vn=b0+b1nT (16)
如图1、2、3、4所示,第四步中,对故障特征的处理包括以下步骤:
(a)主分量分析与故障信息分离
在步骤(a)中,故障信息分离的目的是将多故障相互影响的原始输入信号,经过某种变换后,在保留原信号足够多信息量的同时,使各种故障相互独立,互不影响,为进一步确定故障形式奠定基础。主分量分析与机械故障信息的分离有着内在的联系。
设一随机信号向量X={xi,i=1,2,...,n},存在一正交函数集{Uj(i),i,j=1,2,...,n}使得
或Y=UTX (18)
式中,Y=(y1,y2,...yj...,yn)T为展开式中随机系数的向量形式;设对应于X的协方差矩阵是Cx,那么对应于Y的协方差矩阵是
Cy=UTCxU (19)
适当选择变换矩阵U,可以使各分量y1,y2,...yj...,yn两两之间的协方差为零,即
为一对角矩阵,消除了原有向量X的各分量之间的相关性,实现了将X变换成Y的主分量分析,每个yi称为一个主分量,它是综合原信号X的性质而形成的一种具有代表某种故障信息的新特征。由此可见,主分量分析实质是作线性变换,使原来的坐标旋转到主分量方向,得到一个子空间,其坐标是D1、D2、…Dm(m<n),当原始故障样本投影到此子空间的坐标上以后,其投影分量的方差为最大,亦即U1使Y1的方差达最大,这样在U1方向上就保存了故障向量最多的信息量,U2方向的信息量次之等等。
设原始信号中包含多种故障为Fi(i=1;L),各故障之间的相关性为(i,j=1;L),且
0≤Ri,j<1 i≠j (21)
Ri,j=1 i=j (22)
如果经主分量分析后的两组短数据信号S1,S2中包含有同一故障信息,则有
S1∩S2=F12≠h (23)
R(S1,S2)≠0 (24)
现所获主分量为{yi,i=1;L},每一yi与其对应的故障集Fyi之间存在一定关系:
yi=f(Fyi) (25)
式中Fyi为一集合,中间包含有某些故障,由于各yi之间互不相关,有
R(yi,yj)=0 i≠j (26)
即R[f(Fyi),f(Fyj)]=0 (27)
亦即Fyi∩Fyj=h (28)
以上yi、yj中包含着不同的故障信息,同一故障信息不可能分布在不同的主分量中,即:采用主分量分析将原故障信号中的线性相关变为线性独立,原故障信号中各种故障信息的共同作用、相互影响,随之得到了分离;
经过主分量分析抽取特征后,用新而少的分量来代替原来的多分量,这样数据点数就很少了,这时如想知道故障信号的频率成分,作FFT显然不合理,可利用最大熵谱处理短数据的优点做频谱分析。
(b)最大熵谱估计及分析
功率谱密度Sx(f)与相关函数rx(k)的关系为
式中,T≤fc/2为采样间隔,fc为随机信号的上限最高频率;f为随机信号的频率变量;
与传统功率谱估计的方法不同,最大熵谱法的基本思想是:对所观测的有限数据以外的数据不作任何确定性假设,而仅仅假设它是随机的,在信息熵为最大的前提下,将未知的那一部分相关函数用迭代方法递推出来,从而求得功率谱。
信息熵是表示一种不确定度,即紊乱程度,最大熵为最大不确定度,即它的时间序列最随机,它的功率谱最平坦,熵定义为
H=-Σpilogpi (30)
式中,pi是随机变量X出现状态i的概率。假设一均值为0的平稳随机信号序列X=(x1x2...xn)T是高斯型的,其熵可以表示为
H=ln{(2ce)n/2(det[Cx]1/2)} (31)
式中,det(Cx)表示协方差矩阵Cx的行列式,对于均值为0的平稳随机信号序列,其协方差等于相关函数Cx的矩阵元素,即相关函数为:
若已知rx(1),rx(2),...,rx(n)欲求解rx(n+1);由于协方差矩阵是对称正定的,故矩阵Cx(n+1)的行列式应是非负的,即
det[Cx(n+1)]≥0 (33)
为了得到的熵H为最大,必须det[Cx(n+1)]为最大,即选择rx(n+1)使det[Cx(n+1)]达最大,为此用rx(n+1)对(33)式微分,并令
求解此式就得到合适的rx(n+1)使熵H最大;以此类推,每步按最大熵H外推一个相关序列的值。由此可见最大熵谱估计是以最大熵为准则,外推相关函数来确定功率谱,从而达到提高谱分析分辨率、减小谱估计误差的目的。
在对复杂机械系统进行故障监测与诊断的过程中,所获信号往往包含多种故障信号以及各种干扰噪声,这是由系统复杂性和相关性所决定的。如何降低诊断问题求解的复杂性,寻找有效的诊断信息是实现对系统进行正确诊断的前提,在诊断过程中,应该选取包含系统状态信息量最多而又花费最少的信息作为故障识别的依据,为此,需要将复杂问题简化,对故障特征进行分离与提取。本项目针对这一问题,利用主分量分析对机械故障信息进行分离,根据最大熵谱处理短数据的优点对分离信号作频谱分析,达到对故障信号准确定位的目的。
以上技术特征构成了本发明的实施例,其具有较强的适应性和实施效果,可根据实际需要增减非必要的技术特征,来满足不同情况的需求。
Claims (10)
1.一种高耸电力设备振动监测装置,其特征在于包括信号采集单元、激光供能单元、集中处理单元、服务器处理单元、显示单元以及安装在被监测电力设备上的速度传感器和温度传感器,所述速度传感器、温度传感器均与信号采集单元电连接,激光供能单元分别与集中处理单元和信号采集单元电连接,信号采集单元与集中处理单元通信连接,集中处理单元与服务器处理单元通信连接,服务器处理单元与显示单元电连接。
2.根据权利要求1所述的高耸电力设备振动监测装置,其特征在于还包括防尘盒体和安装在防尘盒体顶部的防尘盖,防尘盒体上设有能控制防尘盖启闭的限位开关,所述激光供能单元包括安装在防尘盒体内的防尘盖驱动电机模块、第一控制模块、激光发生器、第一电源管理模块、恒温模块和第一无线收发模块,所述限位开关与防尘盖驱动电机模块电连接,所述防尘盖驱动电机模块、激光发生器、第一电源管理模块和恒温模块均与第一控制模块电连接,所述第一无线收发模块与第一控制模块双向电连接。
3.根据权利要求2所述的高耸电力设备振动监测装置,其特征在于信号采集单元包括A/D转换模块、第二控制模块、第二电源管理模块、光电转换模块和第二无线收发模块,所述速度传感器、温度传感器均与A/D转换模块电连接,A/D转换模块和第二电源管理模块均与第二控制模块电连接,光电转换模块与第二电源管理模块电连接,第二无线收发模块与第二控制模块双向电连接。
4.根据权利要求1或2所述的高耸电力设备振动监测装置,其特征在于还包括风速传感器,所述风速传感器与服务器处理单元电连接。
5.根据权利要求3所述的高耸电力设备振动监测装置,其特征在于还包括风速传感器,所述风速传感器与服务器处理单元电连接。
6.根据权利要求1或2或5所述的高耸电力设备振动监测装置,其特征在于速度传感器为磁电式速度传感器。
7.根据权利要求3所述的高耸电力设备振动监测装置,其特征在于速度传感器为磁电式速度传感器。
8.一种使用如权利要求1至7中任一项所述的高耸电力设备振动监测装置进行故障诊断的方法,其特征在于包括以下步骤:
第一步,信号采集;通过速度传感器采集被监测电力设备的实时振动信号,通过温度传感器采集被监测电力设备的实时温度信号,之后进入第二步;
第二步,信号预处理;将实时振动信号和实时温度信号传送至信号采集单元,信号采集单元滤除实时振动信号和实时温度信号的电磁干扰信号,同时将实时振动信号和实时温度信号进行放大处理,之后进入第三步;
第三步,信号状态处理,通过集中处理单元对经预处理实时振动信号分别进行时域分析和频域分析,获取被监测设备的振动振幅变化信息和振动频率变化信息;同时,将经预处理的实时温度信号与集中处理单元内设置的被监测设备的温度阈值进行比较,若实时温度信号大于或等于设置的阈值,之后进入第四步;若实时温度信号小于设置的阈值,则结束;
第四步,故障特征识别,服务器处理单元对被监测电力设备的实时状态特征信息与被监测电力设备规定的允许参数值进行识别判断,判断被监测电力设备是否存在故障,若不存在故障,则返回第一步,若存在故障,则进入第五步;
第五步,根据第四步识别的故障特征,确定被监测电力设备的故障,并将故障在显示单元上显示。
9.根据权利要求8所述的使用高耸电力设备振动监测装置进行故障诊断的方法,其特征在于第二步中,对振动信号的预处理还包括预滤波、零均值化、错点剔除以及消除趋势项。
10.根据权利要求8或9所述的使用高耸电力设备振动监测装置进行故障诊断的方法,其特征在于第四步中,对故障特征的处理包括以下步骤:
(a)主分量分析与故障信息分离
设一随机信号向量X={xi,i=1,2,...,n},存在一正交函数集{Uj(i),i,j=1,2,...,n}使得
<mrow>
<mi>X</mi>
<mo>=</mo>
<mover>
<mi>&Sigma;</mi>
<mi>n</mi>
</mover>
<msub>
<mi>y</mi>
<mi>j</mi>
</msub>
<msub>
<mi>U</mi>
<mi>j</mi>
</msub>
<mo>=</mo>
<mi>U</mi>
<mi>Y</mi>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>17</mn>
<mo>)</mo>
</mrow>
</mrow>
或Y=UTX (18)
式中,Y=(y1,y2,...yj...,yn)T为展开式中随机系数的向量形式;设对应于X的协方差矩阵是Cx,那么对应于Y的协方差矩阵是
Cy=UTCxU (19)
选择变换矩阵U,使各分量y1,y2,...yj...,yn两两之间的协方差为零,即
<mrow>
<msub>
<mi>C</mi>
<mi>y</mi>
</msub>
<mo>=</mo>
<mi>d</mi>
<mi>i</mi>
<mi>a</mi>
<mi>g</mi>
<mrow>
<mo>(</mo>
<msubsup>
<mi>e</mi>
<mn>1</mn>
<mn>2</mn>
</msubsup>
<mo>,</mo>
<msubsup>
<mi>e</mi>
<mn>2</mn>
<mn>2</mn>
</msubsup>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<msubsup>
<mi>e</mi>
<mi>n</mi>
<mn>2</mn>
</msubsup>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>20</mn>
<mo>)</mo>
</mrow>
</mrow>
设原始信号中包含多种故障为Fi(i=1;L),各故障之间的相关性为(i,j=1;L),且
0≤Ri,j<1 i≠j (21)
Ri,j=1 i=j (22)
如果经主分量分析后的两组短数据信号S1,S2中包含有同一故障信息,则有
S1∩S2=F12≠h (23)
R(S1,S2)≠0 (24)
所获主分量为{yi,i=1;L},每一yi与其对应的故障集Fyi之间存在一定关系,
即 yi=f(Fyi) (25)
式中Fyi为一集合,中间包含有某些故障,由于各yi之间互不相关,有
R(yi,yj)=0 i≠j (26)
即 R[f(Fyi),f(Fyj)]=0 (27)
亦即 Fyi∩Fyj=h (28)
以上yi、yj中包含着不同的故障信息,同一故障信息不可能分布在不同的主分量中,即:采用主分量分析将原故障信号中的线性相关变为线性独立,原故障信号中各种故障信息得到了分离;
(b)最大熵谱估计及分析
功率谱密度Sx(f)与相关函数rx(k)的关系为:
<mrow>
<msub>
<mi>S</mi>
<mi>x</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>f</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>T</mi>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mo>-</mo>
<mi>&infin;</mi>
</mrow>
<mi>n</mi>
</munderover>
<msub>
<mi>r</mi>
<mi>x</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mi>j</mi>
<msup>
<mn>2</mn>
<mi>c</mi>
</msup>
<mi>f</mi>
<mi>T</mi>
</mrow>
</msup>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>29</mn>
<mo>)</mo>
</mrow>
</mrow>
式中,T≤fc/2为采样间隔,fc为随机信号的上限最高频率;f为随机信号的频率变量;
熵定义为:
H=-Σpilogpi (30)
式中,pi是随机变量X出现状态i的概率;假设一均值为0的平稳随机信号序列X=(x1x2...xn)T是高斯型的,其熵可以表示为:
H=ln{(2ce)n/2(det[Cx]1/2)} (31)
式中,det(Cx)表示协方差矩阵Cx的行列式,对于均值为0的平稳随机信号序列,其协方差等于相关函数Cx的矩阵元素,即相关函数为:
<mrow>
<msub>
<mi>r</mi>
<mi>x</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>E</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<msub>
<mi>x</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mrow>
<mo>(</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mrow>
<mi>n</mi>
<mo>-</mo>
<mi>k</mi>
</mrow>
</munderover>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<msub>
<mi>x</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>/</mo>
<mi>n</mi>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>32</mn>
<mo>)</mo>
</mrow>
</mrow>
若已知rx(1),rx(2),...,rx(n)欲求解rx(n+1);由于协方差矩阵是对称正定的,故矩阵Cx(n+1)的行列式应是非负的,即:
det[Cx(n+1)]≥0 (33)
为了得到的熵H为最大,必须det[Cx(n+1)]为最大,即选择rx(n+1)使det[Cx(n+1)]达最大,为此用rx(n+1)对(33)式微分,并令
<mrow>
<mfrac>
<mi>d</mi>
<mrow>
<msub>
<mi>dr</mi>
<mi>x</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mi>det</mi>
<mo>&lsqb;</mo>
<msub>
<mi>C</mi>
<mi>x</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
<mo>=</mo>
<mn>0</mn>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>34</mn>
<mo>)</mo>
</mrow>
</mrow>
求解此式,得到的rx(n+1)使熵H最大;以此类推,每步按最大熵H外推一个相关序列的值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710592929.1A CN107270970A (zh) | 2017-07-19 | 2017-07-19 | 高耸电力设备振动监测装置及其进行故障诊断的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710592929.1A CN107270970A (zh) | 2017-07-19 | 2017-07-19 | 高耸电力设备振动监测装置及其进行故障诊断的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107270970A true CN107270970A (zh) | 2017-10-20 |
Family
ID=60077857
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710592929.1A Pending CN107270970A (zh) | 2017-07-19 | 2017-07-19 | 高耸电力设备振动监测装置及其进行故障诊断的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107270970A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107942878A (zh) * | 2017-12-18 | 2018-04-20 | 上海海健堂集团有限公司 | 三足式离心机自学习故障监测与报警系统 |
CN109521404A (zh) * | 2018-10-12 | 2019-03-26 | 上海交通大学 | 基于fmcw雷达的振动测量的准确度评估方法和系统 |
CN110929388A (zh) * | 2019-11-06 | 2020-03-27 | 中国科学院微小卫星创新研究院 | 一种基于精跟踪相机的飞行器振动干扰分析方法 |
CN111160315A (zh) * | 2020-01-03 | 2020-05-15 | 云南电网有限责任公司电力科学研究院 | 一种支柱绝缘子固有频带的获取方法及装置 |
CN111580579A (zh) * | 2020-05-26 | 2020-08-25 | 广东电网有限责任公司 | 一种变电站保温系统 |
CN112393891A (zh) * | 2020-11-23 | 2021-02-23 | 中国农业大学 | 一种农业作业机械关键部件疲劳损伤无线监测系统和方法 |
CN112404042A (zh) * | 2020-10-26 | 2021-02-26 | 厦门理工学院 | 一种激光清洗的声学监测设备 |
CN113092152A (zh) * | 2021-04-09 | 2021-07-09 | 北京英华达电力电子工程科技有限公司 | 一种动设备振动温度复合监测装置及方法 |
CN114192436A (zh) * | 2021-11-29 | 2022-03-18 | 湖南玖芯光电科技有限公司 | 一种光纤阵列端面的斜八度检测装置 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101483567A (zh) * | 2008-12-19 | 2009-07-15 | 西北电网有限公司 | 一种基于无线通信和光通信的高压输电线路监测方法 |
CN101586971A (zh) * | 2009-06-19 | 2009-11-25 | 国网电力科学研究院武汉南瑞有限责任公司 | 输电线路覆冰预警及动态增容系统的在线监测装置 |
CN101594008A (zh) * | 2008-05-29 | 2009-12-02 | 英华达(上海)电子有限公司 | 一种充电器及电子设备 |
CN102778357A (zh) * | 2012-08-15 | 2012-11-14 | 重庆大学 | 基于最优参数集合经验模式分解的机械故障特征提取方法 |
CN102844679A (zh) * | 2010-02-14 | 2012-12-26 | 天宝导航有限公司 | 使用区域增强定位的gnss信号处理 |
CN104835673A (zh) * | 2015-05-12 | 2015-08-12 | 平高集团有限公司 | 一种断路器及其互感器线圈安装结构 |
CN104990629A (zh) * | 2015-07-10 | 2015-10-21 | 江苏省电力公司苏州供电公司 | 一种红外成像测温的电力设备故障自动预警系统 |
CN105547367A (zh) * | 2016-01-11 | 2016-05-04 | 江苏省电力公司淮安供电公司 | 一种高压隔离开关振动状态监测系统 |
CN106197996A (zh) * | 2016-06-24 | 2016-12-07 | 南京理工大学 | 基于多元数据的海上起重机齿轮箱故障诊断装置及方法 |
CN106329987A (zh) * | 2015-06-19 | 2017-01-11 | 中国科学院上海微系统与信息技术研究所 | 自供电无线振动自主报警系统及其方法 |
CN106451826A (zh) * | 2016-12-02 | 2017-02-22 | 国家电网公司 | 一种激光供能电源装置及方法 |
-
2017
- 2017-07-19 CN CN201710592929.1A patent/CN107270970A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101594008A (zh) * | 2008-05-29 | 2009-12-02 | 英华达(上海)电子有限公司 | 一种充电器及电子设备 |
CN101483567A (zh) * | 2008-12-19 | 2009-07-15 | 西北电网有限公司 | 一种基于无线通信和光通信的高压输电线路监测方法 |
CN101586971A (zh) * | 2009-06-19 | 2009-11-25 | 国网电力科学研究院武汉南瑞有限责任公司 | 输电线路覆冰预警及动态增容系统的在线监测装置 |
CN102844679A (zh) * | 2010-02-14 | 2012-12-26 | 天宝导航有限公司 | 使用区域增强定位的gnss信号处理 |
CN102778357A (zh) * | 2012-08-15 | 2012-11-14 | 重庆大学 | 基于最优参数集合经验模式分解的机械故障特征提取方法 |
CN104835673A (zh) * | 2015-05-12 | 2015-08-12 | 平高集团有限公司 | 一种断路器及其互感器线圈安装结构 |
CN106329987A (zh) * | 2015-06-19 | 2017-01-11 | 中国科学院上海微系统与信息技术研究所 | 自供电无线振动自主报警系统及其方法 |
CN104990629A (zh) * | 2015-07-10 | 2015-10-21 | 江苏省电力公司苏州供电公司 | 一种红外成像测温的电力设备故障自动预警系统 |
CN105547367A (zh) * | 2016-01-11 | 2016-05-04 | 江苏省电力公司淮安供电公司 | 一种高压隔离开关振动状态监测系统 |
CN106197996A (zh) * | 2016-06-24 | 2016-12-07 | 南京理工大学 | 基于多元数据的海上起重机齿轮箱故障诊断装置及方法 |
CN106451826A (zh) * | 2016-12-02 | 2017-02-22 | 国家电网公司 | 一种激光供能电源装置及方法 |
Non-Patent Citations (3)
Title |
---|
徐凯宏 等, 东北林业大学出版社 * |
游溢等: "基于不同方法的超高杆塔结构风振系数计算对比", 《科技创新与应用》 * |
王江萍: "机械故障信号主分量的最大熵谱分析", 《机械科学与技术》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107942878B (zh) * | 2017-12-18 | 2019-12-31 | 青岛科海健堂生物有限公司 | 三足式离心机自学习故障监测与报警系统 |
CN107942878A (zh) * | 2017-12-18 | 2018-04-20 | 上海海健堂集团有限公司 | 三足式离心机自学习故障监测与报警系统 |
CN109521404A (zh) * | 2018-10-12 | 2019-03-26 | 上海交通大学 | 基于fmcw雷达的振动测量的准确度评估方法和系统 |
CN110929388A (zh) * | 2019-11-06 | 2020-03-27 | 中国科学院微小卫星创新研究院 | 一种基于精跟踪相机的飞行器振动干扰分析方法 |
CN111160315A (zh) * | 2020-01-03 | 2020-05-15 | 云南电网有限责任公司电力科学研究院 | 一种支柱绝缘子固有频带的获取方法及装置 |
CN111160315B (zh) * | 2020-01-03 | 2023-05-05 | 云南电网有限责任公司电力科学研究院 | 一种支柱绝缘子固有频带的获取方法及装置 |
CN111580579A (zh) * | 2020-05-26 | 2020-08-25 | 广东电网有限责任公司 | 一种变电站保温系统 |
CN112404042B (zh) * | 2020-10-26 | 2022-04-01 | 厦门理工学院 | 一种激光清洗的声学监测设备 |
CN112404042A (zh) * | 2020-10-26 | 2021-02-26 | 厦门理工学院 | 一种激光清洗的声学监测设备 |
CN112393891A (zh) * | 2020-11-23 | 2021-02-23 | 中国农业大学 | 一种农业作业机械关键部件疲劳损伤无线监测系统和方法 |
CN112393891B (zh) * | 2020-11-23 | 2024-05-21 | 中国农业大学 | 一种农业作业机械关键部件疲劳损伤无线监测系统和方法 |
CN113092152A (zh) * | 2021-04-09 | 2021-07-09 | 北京英华达电力电子工程科技有限公司 | 一种动设备振动温度复合监测装置及方法 |
CN114192436A (zh) * | 2021-11-29 | 2022-03-18 | 湖南玖芯光电科技有限公司 | 一种光纤阵列端面的斜八度检测装置 |
CN114192436B (zh) * | 2021-11-29 | 2024-03-22 | 湖南玖芯光电科技有限公司 | 一种光纤阵列端面的斜八度检测装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107270970A (zh) | 高耸电力设备振动监测装置及其进行故障诊断的方法 | |
CN201373895Y (zh) | 氧化锌避雷器(moa)在线监测装置 | |
CN104569481B (zh) | 瓦斯继电器油流流速采集系统和重瓦斯整定值校验方法 | |
CN202404166U (zh) | 一种变压器振动特性在线监测系统 | |
CN110930669B (zh) | 一种变电站跳合闸回路监测预警系统及方法 | |
CN107390097A (zh) | 一种gis声电联合局部放电仿真检测系统及其检测方法 | |
CN103217566A (zh) | 有载分接开关电流在线监测一体化系统 | |
CN108199891B (zh) | 一种基于人工神经网络多角度综合决策的cps网络攻击辨识方法 | |
CN104081301B (zh) | 电力系统中的一次装置的监测 | |
CN106291230A (zh) | 一种多功能电力电缆故障定位在线监测系统 | |
CN201111704Y (zh) | 输电线路雷击跳闸事故性质识别系统 | |
WO2023098753A1 (zh) | 一种配电终端故障诊断方法、系统、装置及存储介质 | |
CN106443315B (zh) | 一种基于多信息融合的电力变压器绕组变形诊断方法 | |
CN101162833A (zh) | 输电线路雷击跳闸事故性质识别系统 | |
CN108120925A (zh) | 基于can总线的高压断路器运行状态实时监测系统 | |
CN105510754A (zh) | 一种智能变电站中双ad采样不一致判断方法 | |
CN115327363B (zh) | 一种高压断路器机械特性带电监测及状态识别方法 | |
CN106646322A (zh) | 一种测试全光纤电流互感器低温准确度的方法和系统 | |
CN103077813A (zh) | 一种新型智能变压器 | |
CN111273100B (zh) | 一种基于振动相位的电力变压器绕组状态评估方法 | |
CN111175611B (zh) | 配电网线路故障定位方法及系统 | |
CN107680367A (zh) | 一种具有台区故障诊断功能的宽带载波通讯模块 | |
CN205176191U (zh) | 一种变压器绕组变形检测系统 | |
CN103997126A (zh) | 一种基于开关量状态的故障诊断分级方法及系统 | |
CN110645887A (zh) | 一种基于短路电抗的绕组变形判断方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171020 |
|
RJ01 | Rejection of invention patent application after publication |