CN105318961A - 驱动输送皮带的高压电机振动状态在线监测方法 - Google Patents
驱动输送皮带的高压电机振动状态在线监测方法 Download PDFInfo
- Publication number
- CN105318961A CN105318961A CN201410363958.7A CN201410363958A CN105318961A CN 105318961 A CN105318961 A CN 105318961A CN 201410363958 A CN201410363958 A CN 201410363958A CN 105318961 A CN105318961 A CN 105318961A
- Authority
- CN
- China
- Prior art keywords
- vibration
- frequency
- voltage motor
- fault
- rolling bearing
- 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.)
- Granted
Links
Abstract
本发明公开了一种驱动输送皮带的高压电机振动状态在线监测方法,本方法在高压电机各轴承座设置用于输出振动信号的振动传感器并采集振动特征信号;分别建立高压电机定子异常引起的电磁振动分类指标、提取气隙不均引起的电磁振动故障特征、建立转子导条异常引起的电磁振动分类指标、提取不平衡引起的机械振动故障特征、建立滚动轴承异常产生的机械振动分类指标以及提取高压电机安装、调整不良引起的机械振动故障特征;根据所采集的振动特征信号分别经一定的运算得到监测高压电机故障的指标并作出相应预警。本方法建立高压电机振动诊断的分类指标,准确预报高压电机的电气和机械失效故障,把握高压电机运行状态和劣化趋势,确保安全运行。
Description
技术领域
本发明涉及一种驱动输送皮带的高压电机振动状态在线监测方法。
背景技术
通常冶金企业的生产原料,如煤、铁矿粉、石灰等通过输送皮带由船舶输送至岸上,输送皮带由高压电机驱动,它们也被称为冶金企业的“咽喉”;一旦高压电机故障将造成企业停产的后果。目前对于输送设备的核心高压电机仅停留于采用传统的常规手段进行检测,无故障的诊断及预报,存在一定的运行风险,影响冶金企业的正常生产秩序。
通常对高压电机状态的把握主要采用离线诊断和在线诊断,离线诊断一般在现场完成信息采集,数据处理和分析诊断工作可带回实验室进行。离线诊断得到的信息及时性不能保证,无法及时准确地监测高压电机的运行状态。电机的振动诊断以频谱作为依据,频谱总振值及倍频等数据是精密诊断必须研判的内容,其中单一参数只能表征某个方面的实际意义。开发振动诊断的分类指标进行高压电机故障判断和定位的在线监测预警技术是电机设备诊断的发展趋势,以保证电机的正常运行。
发明内容
本发明所要解决的技术问题是提供一种驱动输送皮带的高压电机振动状态在线监测方法,本方法建立高压电机振动诊断的分类指标,准确预报高压电机的电气和机械失效故障,把握高压电机运行状态和劣化趋势,确保安全运行。
为解决上述技术问题,本发明驱动输送皮带的高压电机振动状态在线监测方法包括如下步骤:
步骤一、在高压电机各轴承座上设置用于输出振动信号的振动传感器,采集振动传感器输出的原始振动信号Xi,对原始振动信号Xi作频谱分析,提取高压电机的振动特征信号,原始振动信号的总振动值A由振动信号的离散值Xi(i=1,2,……,N)求得,
步骤二、建立高压电机定子异常引起的电磁振动分类指标,定子故障会在电源频率的2倍频处产生强烈振动,对于原始振动信号Xi,经FFT变换得到Xi(t),其中i=1、2,以及2倍电源频率处的振动分量Xp(t),按照公式(1)重新构成高压电机定子信号S(t),
对S(t)进行FFT变换获取100Hz处的振动幅值F,计算F与原始振动信号的总振动值A的比值M,
M=F/A(2)
M为高压电机定子故障系数,当M>50%时预报高压电机定子故障;
步骤三、提取气隙不均引起的高压电机电磁振动故障特征,定子偏心会在转子和定子间产生一个不均匀的气隙,从而形成一个方向性非常强的振动,选取2倍电源频率100Hz为频带中心频率,频带范围设定为从100-2×电机磁极数×转差频率开始,到100+2×电机磁极数×转差频率结束,将100Hz处的振动峰值与选定频带内的频谱加权值进行运算,设定气隙不均故障因子为G,
G=(AG+1/AG+UG+1/UG)/(2AG+2/AG)(3)
式(3)中:AG,UG分别为高压电机在100Hz处的振动幅值和选定频带内的振动峰值加权平均值,监测故障因子G,当G>1.2时预报电机气隙不均故障;
步骤四、建立高压电机转子导条异常引起的电磁振动分类指标,对于原始振动信号Xi,经频谱分析FFT变换提取1倍频转速频率f、2倍频转速频率2f处的振动幅值分量fi(t),其中:i=1、2,通过ZOOM-FFT细化分析算法获取f-2Δf和f+2Δf处的振动幅值XL1和XH1,获取2f-2Δf和2f+2Δf处的振动幅值XL2和XH2,其中Δf为转差频率,设定高压电机转子断条系数为J,
J=max([(XL1+XH1)/2]/f1,[(XL2+XH2)/2]/f2)(4)
式(4)中max表示取括号内两个数之中的较大值,[(XL1+XH1)/2]/f1表示转速频率处两侧边带振动幅值取平均值后除以转速频率处振动幅值,[(XL2+XH2)/2]/f2表示2倍转速频率处两侧边带振动幅值取平均值后除以2倍转速频率处振动幅值,
通过式(4)监测高压电机转子有无断条,当J>30%时诊断高压电机转子断条并预报断条故障;
步骤五、提取不平衡引起的机械振动故障特征,对于原始振动信号Xi,经FFT变换提取1倍频转速频率、2倍频转速频率处的振动幅值分量fi(t),其中i=1、2,通过反算叠加后重新构成电机本体质量不平衡故障信号Ψ(t),
监测不平衡故障信号Ψ(t)与原始振动信号的总振动值A的比值H,
H=ψ(t)/A(6)
通过式(6)监测高压电机不平衡故障,当H>30%时表示电机出现质量不平衡故障;
步骤六、建立高压电机滚动轴承异常产生的机械振动分类指标,轴承故障表现在不寻常振动级值有冲击,轴承各零部件的特征振动频率与轴承参数的关系为:
轴承外环振动频率f0=nfr(1-dcosα/D)/2(7)
轴承内环振动频率fi=nfr(1+dcosα/D)/2(8)
轴承滚动体振动频率fp=fr(D/d){1-[d(cosα)/D]2}/2(9)
轴承保持架振动频率fh={fi[1-d(cosα)/D]±fo[1+d(cosα)/D]}/2(10)
式中:n为滚动体数、fr为内外环相对转速频率、d为滚动体直径、D为节圆直径、α为接触角;
选取滚动轴承特征振动频率附近的频带作为监测对象,将滚动轴承特征振动频率处的振动幅值与选定频带内的振动峰值加权平均值进行计算,设定滚动轴承零部件的故障因子分别为Bi,Bo,Bp,Bh,
其中:Bi为滚动轴承内圈特征频率成分对应的故障因子,Bo为滚动轴承外圈特征频率成分对应的故障因子,Bp为滚动轴承滚动体特征频率成分对应的故障因子,Bh为滚动轴承保持架特征频率成分对应的故障因子,
Bi=(Afi+1/Afi+Ufi+1/Ufi)/(2Afi+2/Afi)(11)
Bo=(Afo+1/Afo+Ufo+1/Ufo)/(2Afo+2/Afo)(12)
Bp=(Afp+1/Afp+Ufp+1/Ufp)/(2Afp+2/Afp)(13)
Bh=(Afh+1/Afh+Ufh+1/Ufh)/(2Afh+2/Afh)(14)
其中Afi,Ufi分别为轴承内圈特征振动频率fi的振动幅值和选定频带内的振动峰值加权平均值;Afo,Ufo分别为轴承外圈特征振动频率fo的振动幅值和选定频带内的振动峰值加权平均值;Afp,Ufp分别为轴承滚动体特征振动频率fp的振动幅值和选定频带内的振动峰值加权平均值;Afh,Ufh分别为轴承保持架特征振动频率fi的振动幅值和选定频带内的振动峰值加权平均值,
当Bi≤1时,表示滚动轴承内圈正常,Bi>1时,表示滚动轴承内圈异常;当Bo≤1时,表示滚动轴承外圈正常,Bo>1时,表示滚动轴承外圈异常;当Bp≤1时,表示滚动轴承滚动体正常,Bp>1时,表示滚动轴承滚动体异常;当Bh≤1时,表示滚动轴承保持架正常,Bh>1时,表示滚动轴承保持架异常;
步骤七、提取高压电机安装、调整不良引起的机械振动故障特征,对于原始振动信号Xi,经频谱分析FFT变换提取1倍频转速频率、2倍频转速频率、3倍频转速频率和4倍频转速频率处的振动幅值分量Xi(t),其中i=1、2、3、4,通过反算叠加后重新构成高压电机安装、调整不良引起的故障信号,设定安装、调整不良引起的不对中故障系数为P,
监测不对中故障系数P,当P>30%时预报高压电机安装调整不良。
由于本发明驱动输送皮带的高压电机振动状态在线监测方法采用了上述技术方案,即本方法在高压电机各轴承座设置用于输出振动信号的振动传感器,采集高压电机的振动特征信号;分别建立高压电机定子异常引起的电磁振动分类指标、提取气隙不均引起的高压电机电磁振动故障特征、建立高压电机转子导条异常引起的电磁振动分类指标、提取不平衡引起的机械振动故障特征、建立高压电机滚动轴承异常产生的机械振动分类指标以及提取高压电机安装、调整不良引起的机械振动故障特征;根据所采集的振动特征信号分别经一定的运算得到监测高压电机故障的指标并作出相应预警。本方法建立高压电机振动诊断的分类指标,准确预报高压电机的电气和机械失效故障,把握高压电机运行状态和劣化趋势,确保安全运行。
附图说明
下面结合附图和实施方式对本发明作进一步的详细说明:
图1为本发明驱动输送皮带的高压电机振动状态在线监测方法流程图。
具体实施方式
如图1所示,本发明驱动输送皮带的高压电机振动状态在线监测方法包括如下步骤:
步骤一、在高压电机各轴承座上设置用于输出振动信号的振动传感器,采集振动传感器输出的原始振动信号Xi,对原始振动信号Xi作频谱分析,提取高压电机的振动特征信号,原始振动信号的总振动值A由振动信号的离散值Xi(i=1,2,……,N)求得,
步骤二、建立高压电机定子异常引起的电磁振动分类指标,定子故障会在电源频率的2倍频处产生强烈振动,对于原始振动信号Xi,经FFT变换得到Xi(t),其中i=1、2,以及2倍电源频率处的振动分量Xp(t),按照公式(1)重新构成高压电机定子信号S(t),
对S(t)进行FFT变换获取100Hz处的振动幅值F,计算F与原始振动信号的总振动值A的比值M,
M=F/A(2)
M为高压电机定子故障系数,当M>50%时预报高压电机定子故障;
步骤三、提取气隙不均引起的高压电机电磁振动故障特征,定子偏心会在转子和定子间产生一个不均匀的气隙,从而形成一个方向性非常强的振动,反映在频谱图上的2倍电源频率处两侧会出现磁极通过频率的边频带,磁极通过频率是转差频率与磁极数的乘积,因此选取2倍电源频率100Hz为频带中心频率,频带范围设定为从100-2×电机磁极数×转差频率开始,到100+2×电机磁极数×转差频率结束,将100Hz处的振动峰值与选定频带内的频谱加权值进行运算,设定气隙不均故障因子为G,
G=(AG+1/AG+UG+1/UG)/(2AG+2/AG)(3)
式(3)中:AG,UG分别为高压电机在100Hz处的振动幅值和选定频带内的振动峰值加权平均值,监测故障因子G,当G>1.2时预报电机气隙不均故障;
步骤四、建立高压电机转子导条异常引起的电磁振动分类指标,对于原始振动信号Xi,经频谱分析FFT变换提取1倍频转速频率f、2倍频转速频率2f处的振动幅值分量fi(t),其中:i=1、2,通过ZOOM-FFT细化分析算法获取f-2Δf和f+2Δf处的振动幅值XL1和XH1,获取2f-2Δf和2f+2Δf处的振动幅值XL2和XH2,其中Δf为转差频率,设定高压电机转子断条系数为J,
J=max([(XL1+XH1)/2]/f1,[(XL2+XH2)/2]/f2)(4)
式(4)中max表示取括号内两个数之中的较大值,[(XL1+XH1)/2]/f1表示转速频率处两侧边带振动幅值取平均值后除以转速频率处振动幅值,[(XL2+XH2)/2]/f2表示2倍转速频率处两侧边带振动幅值取平均值后除以2倍转速频率处振动幅值,
通过式(4)监测高压电机转子有无断条,当J>30%时诊断高压电机转子断条并预报断条故障;
步骤五、提取不平衡引起的机械振动故障特征,对于原始振动信号Xi,经FFT变换提取1倍频转速频率、2倍频转速频率处的振动幅值分量fi(t),其中i=1、2,通过反算叠加后重新构成电机本体质量不平衡故障信号Ψ(t),
监测不平衡故障信号Ψ(t)与原始振动信号的总振动值A的比值H,
H=ψ(t)/A(6)
通过式(6)监测高压电机不平衡故障,当H>30%时表示电机出现质量不平衡故障;
步骤六、建立高压电机滚动轴承异常产生的机械振动分类指标,轴承故障表现在不寻常振动级值有冲击,轴承各零部件的特征振动频率与轴承参数的关系为:
轴承外环振动频率f0=nfr(1-dcosα/D)/2(7)
轴承内环振动频率fi=nfr(1+dcosα/D)/2(8)
轴承滚动体振动频率fp=fr(D/d){1-[d(cosα)/D]2}/2(9)
轴承保持架振动频率fh={fi[1-d(cosα)/D]±fo[1+d(cosα)/D]}/2(10)
式中:n为滚动体数、fr为内外环相对转速频率、d为滚动体直径、D为节圆直径、α为接触角;
选取滚动轴承特征振动频率附件的频带作为监测对象,将滚动轴承特征振动频率处的振动幅值与选定频带内的振动峰值加权平均值进行计算,设定滚动轴承零部件的故障因子分别为Bi,Bo,Bp,Bh,
其中:Bi为滚动轴承内圈特征频率成分对应的故障因子,Bo为滚动轴承外圈特征频率成分对应的故障因子,Bp为滚动轴承滚动体特征频率成分对应的故障因子,Bh为滚动轴承保持架特征频率成分对应的故障因子,
Bi=(Afi+1/Afi+Ufi+1/Ufi)/(2Afi+2/Afi)(11)
Bo=(Afo+1/Afo+Ufo+1/Ufo)/(2Afo+2/Afo)(12)
Bp=(Afp+1/Afp+Ufp+1/Ufp)/(2Afp+2/Afp)(13)
Bh=(Afh+1/Afh+Ufh+1/Ufh)/(2Afh+2/Afh)(14)
其中Afi,Ufi分别为轴承内圈特征振动频率fi的振动幅值和选定频带内的振动峰值加权平均值;Afo,Ufo分别为轴承外圈特征振动频率fo的振动幅值和选定频带内的振动峰值加权平均值;Afp,Ufp分别为轴承滚动体特征振动频率fp的振动幅值和选定频带内的振动峰值加权平均值;Afh,Ufh分别为轴承保持架特征振动频率fi的振动幅值和选定频带内的振动峰值加权平均值,
当Bi≤1时,表示滚动轴承内圈正常,Bi>1时,表示滚动轴承内圈异常;当Bo≤1时,表示滚动轴承外圈正常,Bo>1时,表示滚动轴承外圈异常;当Bp≤1时,表示滚动轴承滚动体正常,Bp>1时,表示滚动轴承滚动体异常;当Bh≤1时,表示滚动轴承保持架正常,Bh>1时,表示滚动轴承保持架异常;
通常滚动轴承在运行的中、前期故障由于冲击信号能量低,常常被淹没在背景噪声中,利用Hilbert变换方法提取滚动轴承的特征信号外,可采用滚动轴承特征频率振动幅值跟踪的方法确定滚动轴承的故障因子,实现滚动轴承的故障诊断;
步骤七、提取高压电机安装、调整不良引起的机械振动故障特征,对于原始振动信号Xi,经频谱分析FFT变换提取1倍频转速频率、2倍频转速频率、3倍频转速频率和4倍频转速频率处的振动幅值分量Xi(t),其中i=1、2、3、4,通过反算叠加后重新构成高压电机安装、调整不良引起的故障信号,设定安装、调整不良引起的不对中故障系数为P,
监测不对中故障系数P,当P>30%时预报高压电机安装调整不良。
本方法的核心在于提出了针对高压电机的六种主要失效形式,将振动传感器安装在高压电机的轴承座垂直方向上,采集高压电机的振动信号数据,通过信号重构获得高压电机状态的故障特征参数,采用分类指标实现高压电机运行状态的监测与诊断,把握电机运行状态的劣化趋势,当分类指标异常时,提供预警信息,指导操作和设备管理人员采取应对措施,支撑皮带输送生产线的正常运行。
运用本方法对某高压电机进行现场实际测试,发现高压电机振动在一定的范围内波动,最大的振动出现在电机自由侧的垂直向,振动值为1.7mm·s-1~4.4mm·s-1,测试时可听见呈周期性的嗡嗡声;采用本方法成功诊断出高压电机的断条和压条松动故障,在高压电机进行检修时发现该高压电机转子共有14根导条断裂,证明了本方法诊断的准确性。
Claims (1)
1.一种驱动输送皮带的高压电机振动状态在线监测方法,其特征在于本方法包括如下步骤:
步骤一、在高压电机各轴承座上设置用于输出振动信号的振动传感器,采集振动传感器输出的原始振动信号Xi,对原始振动信号Xi作频谱分析,提取高压电机的振动特征信号,原始振动信号的总振动值A由振动信号的离散值Xi(i=1,2,……,N)求得,
步骤二、建立高压电机定子异常引起的电磁振动分类指标,定子故障会在电源频率的2倍频处产生强烈振动,对于原始振动信号Xi,经FFT变换得到Xi(t),其中i=1、2,以及2倍电源频率处的振动分量Xp(t),按照公式(1)重新构成高压电机定子信号S(t),
对S(t)进行FFT变换获取100Hz处的振动幅值F,计算F与原始振动信号的总振动值A的比值M,
M=F/A(2)
M为高压电机定子故障系数,当M>50%时预报高压电机定子故障;
步骤三、提取气隙不均引起的高压电机电磁振动故障特征,定子偏心会在转子和定子间产生一个不均匀的气隙,从而形成一个方向性非常强的振动,选取2倍电源频率100Hz为频带中心频率,频带范围设定为从100-2×电机磁极数×转差频率开始,到100+2×电机磁极数×转差频率结束,将100Hz处的振动峰值与选定频带内的频谱加权值进行运算,设定气隙不均故障因子为G,
G=(AG+1/AG+UG+1/UG)/(2AG+2/AG)(3)
式(3)中:AG,UG分别为高压电机在100Hz处的振动幅值和选定频带内的振动峰值加权平均值,监测故障因子G,当G>1.2时预报电机气隙不均故障;
步骤四、建立高压电机转子导条异常引起的电磁振动分类指标,对于原始振动信号Xi,经频谱分析FFT变换提取1倍频转速频率f、2倍频转速频率2f处的振动幅值分量fi(t),其中:i=1、2,通过ZOOM-FFT细化分析算法获取f-2Δf和f+2Δf处的振动幅值XL1和XH1,获取2f-2Δf和2f+2Δf处的振动幅值XL2和XH2,其中Δf为转差频率,设定高压电机转子断条系数为J,
J=max([(XL1+XH1)/2]/f1,[(XL2+XH2)/2]/f2)(4)
式(4)中max表示取括号内两个数之中的较大值,[(XL1+XH1)/2]/f1表示转速频率处两侧边带振动幅值取平均值后除以转速频率处振动幅值,[(XL2+XH2)/2]/f2表示2倍转速频率处两侧边带振动幅值取平均值后除以2倍转速频率处振动幅值,
通过式(4)监测高压电机转子有无断条,当J>30%时诊断高压电机转子断条并预报断条故障;
步骤五、提取不平衡引起的机械振动故障特征,对于原始振动信号Xi,经FFT变换提取1倍频转速频率、2倍频转速频率处的振动幅值分量fi(t),其中i=1、2,通过反算叠加后重新构成电机本体质量不平衡故障信号Ψ(t),
监测不平衡故障信号Ψ(t)与原始振动信号的总振动值A的比值H,
H=ψ(t)/A(6)
通过式(6)监测高压电机不平衡故障,当H>30%时表示电机出现质量不平衡故障;
步骤六、建立高压电机滚动轴承异常产生的机械振动分类指标,轴承故障表现在不寻常振动级值有冲击,轴承各零部件的特征振动频率与轴承参数的关系为:
轴承外环振动频率f0=nfr(1-dcosα/D)/2(7)
轴承内环振动频率fi=nfr(1+dcosα/D)/2(8)
轴承滚动体振动频率fp=fr(D/d){1-[d(cosα)/D]2}/2(9)
轴承保持架振动频率fh={fi[1-d(cosα)/D]±fo[1+d(cosα)/D]}/2(10)
式中:n为滚动体数、fr为内外环相对转速频率、d为滚动体直径、D为节圆直径、α为接触角;
选取滚动轴承特征振动频率附近的频带作为监测对象,将滚动轴承特征振动频率处的振动幅值与选定频带内的振动峰值加权平均值进行计算,设定滚动轴承零部件的故障因子分别为Bi,Bo,Bp,Bh,
其中:Bi为滚动轴承内圈特征频率成分对应的故障因子,Bo为滚动轴承外圈特征频率成分对应的故障因子,Bp为滚动轴承滚动体特征频率成分对应的故障因子,Bh为滚动轴承保持架特征频率成分对应的故障因子,
Bi=(Afi+1/Afi+Ufi+1/Ufi)/(2Afi+2/Afi)(11)
Bo=(Afo+1/Afo+Ufo+1/Ufo)/(2Afo+2/Afo)(12)
Bp=(Afp+1/Afp+Ufp+1/Ufp)/(2Afp+2/Afp)(13)
Bh=(Afh+1/Afh+Ufh+1/Ufh)/(2Afh+2/Afh)(14)
其中Afi,Ufi分别为轴承内圈特征振动频率fi的振动幅值和选定频带内的振动峰值加权平均值;Afo,Ufo分别为轴承外圈特征振动频率fo的振动幅值和选定频带内的振动峰值加权平均值;Afp,Ufp分别为轴承滚动体特征振动频率fp的振动幅值和选定频带内的振动峰值加权平均值;Afh,Ufh分别为轴承保持架特征振动频率fi的振动幅值和选定频带内的振动峰值加权平均值,
当Bi≤1时,表示滚动轴承内圈正常,Bi>1时,表示滚动轴承内圈异常;当Bo≤1时,表示滚动轴承外圈正常,Bo>1时,表示滚动轴承外圈异常;当Bp≤1时,表示滚动轴承滚动体正常,Bp>1时,表示滚动轴承滚动体异常;当Bh≤1时,表示滚动轴承保持架正常,Bh>1时,表示滚动轴承保持架异常;
步骤七、提取高压电机安装、调整不良引起的机械振动故障特征,对于原始振动信号Xi,经频谱分析FFT变换提取1倍频转速频率、2倍频转速频率、3倍频转速频率和4倍频转速频率处的振动幅值分量Xi(t),其中i=1、2、3、4,通过反算叠加后重新构成高压电机安装、调整不良引起的故障信号,设定安装、调整不良引起的不对中故障系数为P,
监测不对中故障系数P,当P>30%时预报高压电机安装调整不良。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410363958.7A CN105318961B (zh) | 2014-07-29 | 2014-07-29 | 驱动输送皮带的高压电机振动状态在线监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410363958.7A CN105318961B (zh) | 2014-07-29 | 2014-07-29 | 驱动输送皮带的高压电机振动状态在线监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105318961A true CN105318961A (zh) | 2016-02-10 |
CN105318961B CN105318961B (zh) | 2019-05-31 |
Family
ID=55246846
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410363958.7A Active CN105318961B (zh) | 2014-07-29 | 2014-07-29 | 驱动输送皮带的高压电机振动状态在线监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105318961B (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107036751A (zh) * | 2017-05-17 | 2017-08-11 | 苏交科集团股份有限公司 | 通过加权宽带搜峰识别振动频率的柔性绳索索力计算方法 |
CN107192448A (zh) * | 2017-05-17 | 2017-09-22 | 苏交科集团股份有限公司 | 一种识别柔性绳索振动频率的宽带搜峰法 |
CN107421672A (zh) * | 2017-05-17 | 2017-12-01 | 苏交科集团股份有限公司 | 一种基于振动频率全域搜峰的加权索力计算方法 |
CN109154811A (zh) * | 2016-06-13 | 2019-01-04 | Abb瑞士股份有限公司 | 用于评估工业设备的健康状况的方法 |
CN110268623A (zh) * | 2017-02-03 | 2019-09-20 | 三菱电机株式会社 | 电动机的诊断装置 |
CN110296095A (zh) * | 2019-05-21 | 2019-10-01 | 上海宝钢工业技术服务有限公司 | 火电厂电站锅炉引风机运行状态智能监测诊断方法 |
CN110319798A (zh) * | 2019-07-02 | 2019-10-11 | 哈尔滨工业大学 | 用于检测电机安装故障的方法及装置 |
CN110500972A (zh) * | 2018-05-16 | 2019-11-26 | 西门子(中国)有限公司 | 电机气隙的检测方法、装置、系统和存储介质 |
CN110766172A (zh) * | 2019-10-15 | 2020-02-07 | 上海宝钢工业技术服务有限公司 | 电厂汽动给水泵运行状态智能监测方法 |
CN112098065A (zh) * | 2020-09-21 | 2020-12-18 | 成都卓微科技有限公司 | 一种设备运行状态的诊断方法、存储介质及终端 |
KR20210079046A (ko) * | 2019-12-19 | 2021-06-29 | 울랄라랩 주식회사 | 이송장치를 구동하는 모터에 관한 머신러닝 기반 예지보전방법 및 시스템 |
CN113864208A (zh) * | 2020-06-30 | 2021-12-31 | 宝武装备智能科技有限公司 | 脱硫浆液循环泵运行状态智能监测诊断方法 |
CN117665572A (zh) * | 2024-01-31 | 2024-03-08 | 深圳市双合电气股份有限公司 | 一种同步电机转子导条状态评估方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1430063A (zh) * | 2001-12-31 | 2003-07-16 | 岩壶卓三 | 旋转机械的异常诊断系统 |
CN1688874A (zh) * | 2002-08-30 | 2005-10-26 | 日本精工株式会社 | 机械设备的状态监视方法和装置以及异常诊断装置 |
US20080234964A1 (en) * | 2004-09-13 | 2008-09-25 | Nsk Ltd. | Abnormality Diagnosing Apparatus and Abnormality Diagnosing Method |
CN101738293A (zh) * | 2009-12-18 | 2010-06-16 | 华北电力大学 | 汽轮发电机组转子原始质量不平衡故障实时诊断方法 |
CN101850368A (zh) * | 2009-03-31 | 2010-10-06 | 上海宝钢工业检测公司 | 酸洗连轧机联合机组断带在线检测方法 |
CN102441579A (zh) * | 2010-10-13 | 2012-05-09 | 上海宝钢工业检测公司 | 热连轧轧机运行状态的在线监测方法 |
CN103134676A (zh) * | 2011-11-30 | 2013-06-05 | 上海宝钢工业检测公司 | 齿轮箱运行状态的在线监测预警方法 |
CN103471841A (zh) * | 2013-09-30 | 2013-12-25 | 国家电网公司 | 一种旋转机械振动故障诊断方法 |
-
2014
- 2014-07-29 CN CN201410363958.7A patent/CN105318961B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1430063A (zh) * | 2001-12-31 | 2003-07-16 | 岩壶卓三 | 旋转机械的异常诊断系统 |
CN1688874A (zh) * | 2002-08-30 | 2005-10-26 | 日本精工株式会社 | 机械设备的状态监视方法和装置以及异常诊断装置 |
US20080234964A1 (en) * | 2004-09-13 | 2008-09-25 | Nsk Ltd. | Abnormality Diagnosing Apparatus and Abnormality Diagnosing Method |
CN101850368A (zh) * | 2009-03-31 | 2010-10-06 | 上海宝钢工业检测公司 | 酸洗连轧机联合机组断带在线检测方法 |
CN101738293A (zh) * | 2009-12-18 | 2010-06-16 | 华北电力大学 | 汽轮发电机组转子原始质量不平衡故障实时诊断方法 |
CN102441579A (zh) * | 2010-10-13 | 2012-05-09 | 上海宝钢工业检测公司 | 热连轧轧机运行状态的在线监测方法 |
CN103134676A (zh) * | 2011-11-30 | 2013-06-05 | 上海宝钢工业检测公司 | 齿轮箱运行状态的在线监测预警方法 |
CN103471841A (zh) * | 2013-09-30 | 2013-12-25 | 国家电网公司 | 一种旋转机械振动故障诊断方法 |
Non-Patent Citations (5)
Title |
---|
LUCIA FROSINI ET AL: "《Stator current and Motor efficiency as indicators for different types of bearing faults in induction motors》", 《IEEE TRANSACTIONS ON INDUSTRIAL ELECTRONICS》 * |
张冉: "《油田高压电机综合故障诊断技术研究》", 《石油工业技术监督》 * |
张晓磊: "《电机在线振动故障检测系统智能化的研究》", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 * |
张祥罗: "《风力机中发电机在线故障特征提取与故障诊断系统研究》", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 * |
蔡正国: "《开卷机异常振动处理及设备状态把握方法研究》", 《宝钢技术》 * |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109154811A (zh) * | 2016-06-13 | 2019-01-04 | Abb瑞士股份有限公司 | 用于评估工业设备的健康状况的方法 |
CN110268623A (zh) * | 2017-02-03 | 2019-09-20 | 三菱电机株式会社 | 电动机的诊断装置 |
CN110268623B (zh) * | 2017-02-03 | 2022-08-05 | 三菱电机株式会社 | 电动机的诊断装置 |
CN107192448A (zh) * | 2017-05-17 | 2017-09-22 | 苏交科集团股份有限公司 | 一种识别柔性绳索振动频率的宽带搜峰法 |
CN107421672A (zh) * | 2017-05-17 | 2017-12-01 | 苏交科集团股份有限公司 | 一种基于振动频率全域搜峰的加权索力计算方法 |
CN107036751A (zh) * | 2017-05-17 | 2017-08-11 | 苏交科集团股份有限公司 | 通过加权宽带搜峰识别振动频率的柔性绳索索力计算方法 |
CN110500972A (zh) * | 2018-05-16 | 2019-11-26 | 西门子(中国)有限公司 | 电机气隙的检测方法、装置、系统和存储介质 |
CN110296095B (zh) * | 2019-05-21 | 2022-08-09 | 上海宝钢工业技术服务有限公司 | 火电厂电站锅炉引风机运行状态智能监测诊断方法 |
CN110296095A (zh) * | 2019-05-21 | 2019-10-01 | 上海宝钢工业技术服务有限公司 | 火电厂电站锅炉引风机运行状态智能监测诊断方法 |
CN110319798B (zh) * | 2019-07-02 | 2022-03-11 | 哈尔滨工业大学 | 用于检测电机安装故障的方法及装置 |
CN110319798A (zh) * | 2019-07-02 | 2019-10-11 | 哈尔滨工业大学 | 用于检测电机安装故障的方法及装置 |
CN110766172B (zh) * | 2019-10-15 | 2022-09-13 | 上海宝钢工业技术服务有限公司 | 电厂汽动给水泵运行状态智能监测方法 |
CN110766172A (zh) * | 2019-10-15 | 2020-02-07 | 上海宝钢工业技术服务有限公司 | 电厂汽动给水泵运行状态智能监测方法 |
KR102331463B1 (ko) * | 2019-12-19 | 2021-11-29 | 울랄라랩 주식회사 | 이송장치를 구동하는 모터에 관한 머신러닝 기반 예지보전방법 및 시스템 |
KR20210079046A (ko) * | 2019-12-19 | 2021-06-29 | 울랄라랩 주식회사 | 이송장치를 구동하는 모터에 관한 머신러닝 기반 예지보전방법 및 시스템 |
CN113864208A (zh) * | 2020-06-30 | 2021-12-31 | 宝武装备智能科技有限公司 | 脱硫浆液循环泵运行状态智能监测诊断方法 |
CN113864208B (zh) * | 2020-06-30 | 2023-11-17 | 宝武装备智能科技有限公司 | 脱硫浆液循环泵运行状态智能监测诊断方法 |
CN112098065A (zh) * | 2020-09-21 | 2020-12-18 | 成都卓微科技有限公司 | 一种设备运行状态的诊断方法、存储介质及终端 |
CN112098065B (zh) * | 2020-09-21 | 2022-08-23 | 成都卓微科技有限公司 | 一种设备运行状态的诊断方法、存储介质及终端 |
CN117665572A (zh) * | 2024-01-31 | 2024-03-08 | 深圳市双合电气股份有限公司 | 一种同步电机转子导条状态评估方法及系统 |
CN117665572B (zh) * | 2024-01-31 | 2024-04-12 | 深圳市双合电气股份有限公司 | 一种同步电机转子导条状态评估方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN105318961B (zh) | 2019-05-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105318961A (zh) | 驱动输送皮带的高压电机振动状态在线监测方法 | |
KR102393095B1 (ko) | 진동, 음향, 이미지 데이터를 활용한 인공지능 기반의 회전설비 고장예지진단시스템 | |
Watson et al. | Condition monitoring of the power output of wind turbine generators using wavelets | |
CN102707232B (zh) | 电动机设备状态在线监测装置及其监测方法 | |
CN102441579B (zh) | 热连轧轧机运行状态的在线监测方法 | |
CN102434388B (zh) | 风力发电机组健康状态在线监测装置及其监测方法 | |
CN103998775B (zh) | 用于确定风能源设备的转子叶片的机械损坏的方法 | |
CN102788695B (zh) | 一种滚动轴承磨损的识别方法 | |
CN110296095B (zh) | 火电厂电站锅炉引风机运行状态智能监测诊断方法 | |
CN104977047A (zh) | 基于振动和油液的风电机组在线状态监测与健康评估系统及方法 | |
CN107061183A (zh) | 一种海上风电机组的自动化故障诊断方法 | |
CN102352824B (zh) | 一种基于电气信息的风力发电机健康状态监测系统和方法 | |
CN111398820A (zh) | 一种电机健康状态在线监测方法 | |
CN102072764B (zh) | 汽轮发电机组低频振动单峰实时分析方法 | |
CN115062677B (zh) | 一种基于设备行为的智能故障诊断方法 | |
CN109236587A (zh) | 一种用于检测风力发电机异常工作的报警系统 | |
Yang et al. | Condition monitoring and fault diagnosis of a wind turbine with a synchronous generator using wavelet transforms | |
CN109484937A (zh) | 一种矿井提升机状态检测的增强同步提取变换方法 | |
Ma et al. | An integrated monitoring scheme for wind turbine main bearing using acoustic emission | |
JP6714844B2 (ja) | 異常診断方法 | |
CN102798413B (zh) | 一种铁道动态检测系统 | |
EP2551513A2 (en) | Wind turbine condition monitoring method | |
CN116892489A (zh) | 一种基于声发射及振动的风机传动链状态监测方法及系统 | |
CN204788494U (zh) | 基于振动和油液的风电机组在线状态监测与健康评估系统 | |
Oh et al. | Gear reducer fault diagnosis using learning model for spectral density of acoustic signal |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CP03 | Change of name, title or address |
Address after: No. 3520 Tongji Road, Baoshan District, Shanghai, 201900 Patentee after: Baowu equipment Intelligent Technology Co., Ltd Address before: 201900, 335, Pu Pu Road, Shanghai, Baoshan District Patentee before: SHANGHAI BAOSTEEL INDUSTRY TECHNOLOGICAL SERVICE Co.,Ltd. |
|
CP03 | Change of name, title or address |