CN106546918A - 一种水电机组的故障诊断方法 - Google Patents
一种水电机组的故障诊断方法 Download PDFInfo
- Publication number
- CN106546918A CN106546918A CN201610956910.6A CN201610956910A CN106546918A CN 106546918 A CN106546918 A CN 106546918A CN 201610956910 A CN201610956910 A CN 201610956910A CN 106546918 A CN106546918 A CN 106546918A
- Authority
- CN
- China
- Prior art keywords
- characteristic parameter
- hydropower unit
- standard failure
- checked
- malfunction
- 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
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/34—Testing dynamo-electric machines
- G01R31/343—Testing dynamo-electric machines in operation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/34—Testing dynamo-electric machines
- G01R31/346—Testing of armature or field windings
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明属于水电机组故障诊断技术领域,公开了一种水电机组的故障诊断方法,该方法包括如下步骤:提取不同故障程度振动信号的特征参数,构建故障库判定矩阵;利用信息熵理论确定各故障特征参数的权重;利用夹角余弦进行故障相似性度量,确定故障类型;具有简单、易行,能有效诊断出水电机组故障类型的优点,并能及时发现新故障类型,提高水电机组安全稳定运行,减少经济损失。
Description
技术领域
本发明属于水电机组故障诊断技术领域,尤其涉及一种水电机组的故障诊断方法。
背景技术
近年来,大、中型水电站水电机组事故不断发生,使经济遭受了重大损失,并严重威胁着机组的安全稳定运行。新时期,在智能电网及智能水电厂的大环境下,如何保证机组的安全稳定运行变得越来越重要,而振动则是直接关系到水轮发电机组正常运行的一项重要指标。
据有关部门统计,水轮发电机组约有80%的故障或事故都在振动信号中有所反映。同时,由于振动的广泛性、振动信号的多维性以及现代工程测试技术的快速发展,水电机组的振动、摆度已成为水电厂监测系统的必备测试项目,这保证了水电机组可以在不停机的情况下,提前预判其故障部位和原因等,从而保证机组安全、可靠和经济运行。
目前,水电机组诊断方法一般采用神经网络、聚类分析等方式,前者需要大量的训练样本,计算负担较大,同时难以清晰反映系统的推理过程,后者在水电机组故障诊断研究中呈现向高复杂度演变的特点,因此缺少一种简单、实用,而又快捷的水电机组故障诊断方法。
发明内容
针对上述问题,本发明提供一种水电机组的故障诊断方法,具有简单易行,提升机组运行的可靠性,减少经济损失等优点。
为达到上述目的,本发明采用如下技术方案予以实现。
一种水电机组的故障诊断方法,所述方法包括如下步骤:
步骤1,分别收集水电机组在m种标准故障状态下对应的振动信号;
步骤2,提取每种标准故障状态的振动信号对应的n个特征参数的值;得到m种标准故障状态的振动信号分别对应的n个特征参数的值,从而建立标准故障库判定矩阵,所述标准故障库判定矩阵为m行n列的矩阵,其中,m行分别表示m种标准故障状态,n列分别对应每种标准故障状态对应的n个特征参数的值;
步骤3,对所述标准故障库判定矩阵中的元素进行归一化,得到归一化后的矩阵;
步骤4,根据所述归一化后的矩阵,计算每个特征参数的熵值,从而得到m种标准故障状态下n个特征参数分别对应的熵值;
步骤5,根据每个特征参数的熵值计算对应特征参数的熵权,从而得到m种标准故障状态下n个特征参数分别对应的熵权;
步骤6,获取待检故障状态的振动信号,得到所述待检故障状态的振动信号的n个特征参数的值;
步骤7,对所述待检故障状态的振动信号的n个特征参数进行归一化处理;
步骤8,根据所述m种标准故障状态下n个特征参数的值、m种标准故障状态下n个特征参数分别对应的熵权、所述待检故障状态的n个特征参数的值、以及所述待检故障状态的n个特征参数分别对应的熵权,计算所述待检故障状态与每种标准故障状态的夹角余弦;从而得到m个夹角余弦值;
步骤9,对所述m个夹角余弦值从大到小进行排序,则判定所述待检故障即为最大的夹角余弦值对应的标准故障。
本发明技术方案的特点和进一步的改进为:
(1)所述标准故障状态包括:
水电机组转子不平衡,水电机组转子不对中,水电机组轴承间隙过大,水电机组动静碰磨,水电机组磁力不平衡,水电机组尾水管偏心涡带,水电机组水力不平衡,水电机组小负荷振动。
(2)将收集到的水电机组的振动信号变换到频域,得到频域振动信号,且记所述水电机组的转频为F,所述特征参数包括:
所述频域振动信号在0.2倍频处的幅度,0.5倍频处的幅度,1倍频处的幅度,2倍频处的幅度,3倍频处的幅度,所述频域振动信号在50Hz处的幅度,100Hz处的幅度。
(3)步骤3具体包括如下子步骤:
(3a)设所述标准故障库判定矩阵R=(rij)m×n,其中,rij为第i种标准故障的第j个特征参数,且i=1,...,m,j=1,...,n;
(3b)对所述标准故障库判定矩阵R中的元素进行归一化处理,得到归一化后的矩阵A:
其中,aij为rij归一化后对应的元素,ri,min表示第i种故障样本所对应的所有特征参数中最小的值,ri,max表示第i种故障样本所对应的所有特征参数中最大的值,且i=1,...,m,j=1,...,n。
(4)步骤4具体包括如下子步骤:
(4a)第j个特征参数对应的熵值为:其中,且当fij=0时,取fijlnfij=0,且i=1,...,m,j=1,...,n;
(4b)令j=1,...,n,从而得到n个特征参数分别对应的熵值。
(5)步骤5具体包括如下子步骤:
(5a)第j个特征参数对应的熵权为:其中,Hj为第j个特征参数对应的熵值,j=1,...,n;
(5b)令j=1,...,n,从而得到n个特征参数分别对应的熵权。
(6)步骤8具体包括如下子步骤:
(8a)根据第i种标准故障状态n个特征参数、第i种标准故障状态下n个特征参数分别对应的熵权、所述待检故障状态的n个特征参数、以及所述待检故障状态的n个特征参数分别对应的熵权,计算所述待检故障状态与第i种标准故障状态的夹角余弦Si:
其中,a0j表示待检故障状态的第j个特征参数;
(8b)令i=1,...,m,从而得到所述待检故障状态分别与m种标准故障状态的夹角余弦。
水电机组故障诊断是一种多目标决策的方法,要考虑每个评价指标的相对重要程度。表示重要程度最直接和简便的方法是给各指标赋予权重,因此采用信息熵方法。利用信息熵理论衡量各评价指标的重要程度,价值系数越高,对评价的重要性越大。最终,找出最大的夹角余弦值Si,那么可以确定待检模式A0属于第i类故障。综上,该方法相对于目前方法更为简单,且能有效诊断出水电机组的故障类型,在提高水电机组安全稳定运行,减少经济损失等方面具有积极的意义。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术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为本发明实施例提供的一种水电机组的故障诊断方法的流程示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
对于多目标决策系统,往往各评价指标对系统评价的影响程度存在差异,为了表示这种差异性,最简单、有效的方法就是直接对各评价指标赋予权值。而信息熵理论正是利用各评价指标的价值系数来衡量评价指标的重要程度,价值系数越高,表示该评价指标对评价的重要性越大。
在聚类分析理论中,夹角余弦方法用来评价多维变量之间的相似性,它是解析几何中两向量夹角余弦在多维空间的进一步推广,一般来说,当变量的评价指标越接近,对应的夹角余弦值就越大。
针对水轮发电机组振动故障原因多、征兆多的特点,将信息熵和夹角余弦引入到水电机组振动故障诊断中,首先采用信息熵方法确定故障征兆对判断是否出现某种故障的重要程度,然后基于聚类分析理论,将变量间相似性度量的夹角余弦方法引入到水电机组的故障诊断中,从而确定待检模式所属故障类型。
本发明实施例提供一种水电机组的故障诊断方法,如图1所示,所述方法包括如下步骤:
步骤1,根据专家经验分别收集水电机组在m种标准故障状态下对应的振动信号;
步骤2,提取每种标准故障状态的振动信号对应的n个特征参数的值;得到m种标准故障状态的振动信号分别对应的n个特征参数的值,从而建立标准故障库判定矩阵,所述标准故障库判定矩阵为m行n列的矩阵,其中,m行分别表示m种标准故障状态,n列分别对应每种标准故障状态对应的n个特征参数的值;
需要说明的是,所述标准故障状态包括:水电机组转子不平衡,水电机组转子不对中,水电机组轴承间隙过大,水电机组动静碰磨,水电机组磁力不平衡,水电机组尾水管偏心涡带,水电机组水力不平衡,水电机组小负荷振动谱;但不仅限于上述所列举的故障状态。
将收集到的水电机组的振动信号变换到频域,得到频域振动信号,且记所述水电机组的转频为F,所述特征参数包括:所述频域振动信号在0.2倍频处的幅度,0.5倍频处的幅度,1倍频处的幅度,2倍频处的幅度,3倍频处的幅度,所述频域振动信号在50Hz处的幅度,100Hz处的幅度;但不仅限于上述所列举的特征参数。
步骤3,对所述标准故障库判定矩阵中的元素进行归一化,得到归一化后的矩阵;
步骤3具体包括如下子步骤:
(3a)设所述标准故障库判定矩阵R=(rij)m×n,其中,rij为第i种标准故障的第j个特征参数,且i=1,...,m,j=1,...,n;
(3b)对所述标准故障库判定矩阵R中的元素进行归一化处理,得到归一化后的矩阵A:
其中,aij为rij归一化后对应的元素,ri,min表示第i种标准故障所对应的所有特征参数中最小的值,ri,max表示第i种标准故障所对应的所有特征参数中最大的值,且i=1,...,m,j=1,...,n。
步骤4,根据所述归一化后的矩阵,计算每个特征参数的熵值,从而得到m种标准故障状态下n个特征参数分别对应的熵值;
步骤4具体包括如下子步骤:
(4a)第j个特征参数对应的熵值为:其中,且当fij=0时,取fijlnfij=0,且i=1,...,m,j=1,...,n;
(4b)令j=1,...,n,从而得到n个特征参数分别对应的熵值。
步骤5,根据每个特征参数的熵值计算对应特征参数的熵权,从而得到m种标准故障状态下n个特征参数分别对应的熵权;
步骤5具体包括如下子步骤:
(5a)第j个特征参数对应的熵权为:其中,Hj为第j个特征参数对应的熵值,j=1,...,n;
(5b)令j=1,...,n,从而得到n个特征参数分别对应的熵权。
步骤6,获取待检故障状态的振动信号,得到所述待检故障状态的振动信号的n个特征参数,各特征参数的权重取标准故障库中各特征参数的熵权;
步骤7,按照标准故障状态特征参数值的归一化处理方法对待检故障状态特征参数值进行归一化处理;
步骤8,根据所述m种标准故障状态下n个特征参数、m种标准故障状态下n个特征参数分别对应的熵权、所述待检故障状态的n个特征参数、以及所述待检故障状态的n个特征参数分别对应的熵权,计算所述待检故障状态与每种标准故障状态的夹角余弦;从而得到m个夹角余弦值;
步骤8具体包括如下子步骤:
(8a)根据第i种标准故障状态n个特征参数、第i种标准故障状态下n个特征参数分别对应的熵权、所述待检故障状态的n个特征参数、以及所述待检故障状态的n个特征参数分别对应的熵权,计算所述待检故障状态与第i种标准故障状态的夹角余弦Si:
其中,a0j表示待检故障状态的第j个特征参数;
(8b)令i=1,...,m,从而得到所述待检故障状态分别与m种标准故障状态的夹角余弦。
步骤9,对所述m个夹角余弦值从大到小进行排序,则判定所述待检故障即为最大的余弦值对应的标准故障。
需要补充的是,将夹角余弦相似度度量获取的结果从大到小排序,最大值远远偏离其他值(绝对偏差≥0.2),则直接可以确定所属故障类型为最大值所对应的故障类型;若存在少量几个值相对接近(绝对偏差≤0.1),同时远偏离其余值(绝对偏差≥0.2),则可能为该组值所对应故障类型的叠加,可按照该组值从大到小检查各故障点;若大量值接近(绝对偏差≤0.1),初步判断为有新的故障类型产生,应根据专家经验进一步分析,并及时加入故障库判定矩阵,并对判定矩阵进行新的权重计算。
示例性的,以下以某水电厂1#机组振动故障作为诊断案例,进行所述诊断方法的验证。
首先根据专家经验建立归一化后的标准故障库判定矩阵,见表1,其中,C1~C15分别代表机组故障特征参数:0.18~0.2倍频、1/6~1/2倍频、1倍频、2倍频、3倍频、50Hz或100Hz频率、高频、上导轴承、下导轴承、水导轴承、上机架、振动与转速关系、振动与负荷关系、振动与励磁电流关系和振动与流量关系。值得注意的是本发明所述标准故障库判定矩阵的行(表示标准故障类型)、列(表示特征参数)是可扩充的。
表1水电机组标准故障库判定矩阵
待检故障归一化后的数据见表2:
表2待检故障特征参数值
1)根据信息熵计算公式:其中,且当fij=0时,取fijlnfij=0,且i=1,...,m,j=1,...,n,求各特征参数的熵值,见表3。
表3特征参数对应信息熵值
2)根据特征参数熵权计算公式:其中,Hj为第j个特征参数对应的熵值,j=1,...,n,求各特征参数的熵权,见表4。
表4特征参数对应的熵权
3)根据夹角余弦公式计算所述待检故障状态与第i种标准故障状态的夹角余弦Si,见表5。
表5故障诊断结果
4)由表5可以看出,待检故障类型和第12个标准故障类的夹角余弦值最大,且与其他夹角余弦值绝对偏差远大于0.2,所以可以直接将待检故障划入第12种标准故障类型中。因此,在现场应首先检查是否是第12类故障,即“尾水管涡带偏心”引起机组振动过大。
由现场检查记录来看,引起机组振动的原因是尾水管涡带偏心,这与发明所提出的诊断策略判别出的“尾水管涡带偏心(第12类故障)”相符。可以看出,基于信息熵和夹角余弦的故障诊断法用于水电机组振动故障的识别有一定的可靠性和可行性。
还需要补充的是,利用典型故障类型,通过专家经验建立故障库判定矩阵,该矩阵具有可扩展性,能够及时添加新故障类型;故障类型特征参数权重的确定利用信息熵方法,同时有新的故障类型加入故障库判定矩阵后,该权重应重新计算;经信息熵理论进行权重计算的故障库判定矩阵,对于未知故障类型的判定采用夹角余弦方法。
本发明实施例提供一种水电机组的故障诊断方法,通过信息熵确定各故障特征参数的权重,进而利用夹角余弦判定水电机组故障类型,从而提高机组运行的稳定性、可靠性及经济性。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (7)
1.一种水电机组的故障诊断方法,其特征在于,所述方法包括如下步骤:
步骤1,分别收集水电机组在m种标准故障状态下对应的振动信号;
步骤2,提取每种标准故障状态的振动信号对应的n个特征参数的值;得到m种标准故障状态的振动信号分别对应的n个特征参数的值,从而建立标准故障库判定矩阵,所述标准故障库判定矩阵为m行n列的矩阵,其中,m行分别表示m种标准故障状态,n列分别对应每种标准故障状态对应的n个特征参数的值;
步骤3,对所述标准故障库判定矩阵中的元素进行归一化,得到归一化后的矩阵;
步骤4,根据所述归一化后的矩阵,计算每个特征参数的熵值,从而得到m种标准故障状态下n个特征参数分别对应的熵值;
步骤5,根据每个特征参数的熵值计算对应特征参数的熵权,从而得到m种标准故障状态下n个特征参数分别对应的熵权;
步骤6,获取待检故障状态的振动信号,得到所述待检故障状态的振动信号的n个特征参数的值;
步骤7,对所述待检故障状态的振动信号的n个特征参数进行归一化处理;
步骤8,根据所述m种标准故障状态下n个特征参数的值、m种标准故障状态下n个特征参数分别对应的熵权、所述待检故障状态的n个特征参数的值、以及所述待检故障状态的n个特征参数分别对应的熵权,计算所述待检故障状态与每种标准故障状态的夹角余弦;从而得到m个夹角余弦值;
步骤9,对所述m个夹角余弦值从大到小进行排序,则判定所述待检故障即为最大的夹角余弦值对应的标准故障。
2.根据权利要求1所述的一种水电机组的故障诊断方法,其特征在于,所述标准故障状态包括:
水电机组转子不平衡,水电机组转子不对中,水电机组轴承间隙过大,水电机组动静碰磨,水电机组磁力不平衡,水电机组尾水管偏心涡带,水电机组水力不平衡,水电机组小负荷振动。
3.根据权利要求1所述的一种水电机组的故障诊断方法,其特征在于,将收集到的水电机组的振动信号变换到频域,得到频域振动信号,且记所述水电机组的转频为F,所述特征参数包括:
所述频域振动信号在0.2倍频处的幅度,0.5倍频处的幅度,1倍频处的幅度,2倍频处的幅度,3倍频处的幅度,所述频域振动信号在50Hz处的幅度,100Hz处的幅度。
4.根据权利要求1所述的一种水电机组的故障诊断方法,其特征在于,步骤3具体包括如下子步骤:
(3a)设所述标准故障库判定矩阵R=(rij)m×n,其中,rij为第i种标准故障的第j个特征参数,且i=1,...,m,j=1,...,n;
(3b)对所述标准故障库判定矩阵R中的元素进行归一化处理,得到归一化后的矩阵A:
其中,aij为rij归一化后对应的元素,ri,min表示第i种标准故障所对应的所有特征参数中最小的值,ri,max表示第i种标准故障所对应的所有特征参数中最大的值,且i=1,...,m,j=1,...,n。
5.根据权利要求4所述的一种水电机组的故障诊断方法,其特征在于,步骤4具体包括如下子步骤:
(4a)第j个特征参数对应的熵值为:其中,且当fij=0时,取fijlnfij=0,且i=1,...,m,j=1,...,n;
(4b)令j=1,...,n,从而得到n个特征参数分别对应的熵值。
6.根据权利要求5所述的一种水电机组的故障诊断方法,其特征在于,步骤5具体包括如下子步骤:
(5a)第j个特征参数对应的熵权为:其中,Hj为第j个特征参数对应的熵值,j=1,...,n;
(5b)令j=1,...,n,从而得到n个特征参数分别对应的熵权。
7.根据权利要求6所述的一种水电机组的故障诊断方法,其特征在于,步骤8具体包括如下子步骤:
(8a)根据第i种标准故障状态n个特征参数、第i种标准故障状态下n个特征参数分别对应的熵权、所述待检故障状态的n个特征参数、以及所述待检故障状态的n个特征参数分别对应的熵权,计算所述待检故障状态与第i种标准故障状态的夹角余弦Si:
其中,a0j表示待检故障状态的第j个特征参数归一化后的值;
(8b)令i=1,...,m,从而得到所述待检故障状态分别与m种标准故障状态的夹角余弦。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610956910.6A CN106546918A (zh) | 2016-10-27 | 2016-10-27 | 一种水电机组的故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610956910.6A CN106546918A (zh) | 2016-10-27 | 2016-10-27 | 一种水电机组的故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106546918A true CN106546918A (zh) | 2017-03-29 |
Family
ID=58393342
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610956910.6A Pending CN106546918A (zh) | 2016-10-27 | 2016-10-27 | 一种水电机组的故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106546918A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108444589A (zh) * | 2018-01-22 | 2018-08-24 | 国电南瑞科技股份有限公司 | 一种基于频域特征提取的水电机组状态监测信号处理方法 |
CN111307438A (zh) * | 2020-03-11 | 2020-06-19 | 上海纵行实业有限公司 | 一种基于信息熵的旋转机械振动故障诊断方法及其系统 |
CN111324083A (zh) * | 2020-03-02 | 2020-06-23 | 西南交通大学 | 一种机械设备关键部件实时监测与预警方法及系统 |
CN113029616A (zh) * | 2021-01-26 | 2021-06-25 | 北京化工大学 | 一种基于增强熵权的压缩机喘振早期故障特征提取方法 |
CN115683687A (zh) * | 2023-01-03 | 2023-02-03 | 成都大汇物联科技有限公司 | 一种水电机械设备动静碰磨故障诊断方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102566505A (zh) * | 2012-02-27 | 2012-07-11 | 温州大学 | 一种数控机床的智能故障诊断方法 |
CN103778575A (zh) * | 2014-03-04 | 2014-05-07 | 国网浙江宁波市鄞州区供电公司 | 变压器状态评估方法及系统 |
CN103953490A (zh) * | 2014-04-23 | 2014-07-30 | 浙江工业大学 | 基于hlsne的水轮机组状态监测实现方法 |
CN105678343A (zh) * | 2015-08-25 | 2016-06-15 | 浙江工业大学 | 基于自适应加权组稀疏表达的水电机组噪声异常诊断方法 |
-
2016
- 2016-10-27 CN CN201610956910.6A patent/CN106546918A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102566505A (zh) * | 2012-02-27 | 2012-07-11 | 温州大学 | 一种数控机床的智能故障诊断方法 |
CN103778575A (zh) * | 2014-03-04 | 2014-05-07 | 国网浙江宁波市鄞州区供电公司 | 变压器状态评估方法及系统 |
CN103953490A (zh) * | 2014-04-23 | 2014-07-30 | 浙江工业大学 | 基于hlsne的水轮机组状态监测实现方法 |
CN105678343A (zh) * | 2015-08-25 | 2016-06-15 | 浙江工业大学 | 基于自适应加权组稀疏表达的水电机组噪声异常诊断方法 |
Non-Patent Citations (4)
Title |
---|
安学利: "水力发电机组轴系振动特性及其故障诊断策略", 《中国博士学位论文全文数据库 工程科技Ⅱ辑》 * |
戴秋亮: "基于夹角余弦赋权的地区经济发展的模糊综合评价研究", 《商丘职业技术学院学报》 * |
景翔: "基于均方差和夹角余弦的水电机组振动诊断", 《云南电力技术》 * |
经建芳 等: "基于熵权—灰色局势决策法的金属切削液配方优选研究", 《工具技术》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108444589A (zh) * | 2018-01-22 | 2018-08-24 | 国电南瑞科技股份有限公司 | 一种基于频域特征提取的水电机组状态监测信号处理方法 |
CN111324083A (zh) * | 2020-03-02 | 2020-06-23 | 西南交通大学 | 一种机械设备关键部件实时监测与预警方法及系统 |
CN111307438A (zh) * | 2020-03-11 | 2020-06-19 | 上海纵行实业有限公司 | 一种基于信息熵的旋转机械振动故障诊断方法及其系统 |
CN113029616A (zh) * | 2021-01-26 | 2021-06-25 | 北京化工大学 | 一种基于增强熵权的压缩机喘振早期故障特征提取方法 |
CN115683687A (zh) * | 2023-01-03 | 2023-02-03 | 成都大汇物联科技有限公司 | 一种水电机械设备动静碰磨故障诊断方法 |
CN115683687B (zh) * | 2023-01-03 | 2023-04-18 | 成都大汇物联科技有限公司 | 一种水电机械设备动静碰磨故障诊断方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106546918A (zh) | 一种水电机组的故障诊断方法 | |
CN103645052B (zh) | 一种风电机组齿轮箱远程在线状态监测及寿命评估方法 | |
CN103033359B (zh) | 一种多特征多级综合评判的风电机组主传动装置故障诊断方法 | |
CN103698699B (zh) | 一种基于模型的异步电动机故障监测诊断方法 | |
CN104614179B (zh) | 一种风电机组齿轮箱状态监测方法 | |
CN102944418B (zh) | 一种风电机组叶片故障诊断方法 | |
CN103115789B (zh) | 金属结构损伤剩余寿命的第二代小波支持向量机评估方法 | |
CN108133311A (zh) | 一种风电机组故障模式风险评估及可靠性分析方法 | |
CN106054104A (zh) | 一种基于决策树的智能电表故障实时预测方法 | |
CN104915747A (zh) | 一种发电机组的发电性能评估方法及设备 | |
CN106156485A (zh) | 电力变压器故障诊断方法及装置 | |
CN106815771A (zh) | 一种风电场载荷的长期评估方法 | |
CN108051211A (zh) | 一种风电机组主轴承温度预警诊断方法 | |
CN104976139B (zh) | 一种基于高斯模型的机械设备状态诊断方法 | |
CN102944416A (zh) | 基于多传感器信号融合技术的风电机组叶片故障诊断方法 | |
CN102074955A (zh) | 基于知识发现技术的电力系统稳定评估及控制方法 | |
CN107422266A (zh) | 一种大容量电池储能系统的故障诊断方法及装置 | |
CN106650122B (zh) | 一种设备变工况运行风险评估方法 | |
CN107171315A (zh) | 一种基于rptsvm的电力系统暂态稳定评估方法 | |
CN105184059A (zh) | 一种基于海量数据的水电机组状态分析评估方法 | |
CN107524572A (zh) | 一种风力发电机组在线状态监测和故障诊断方法 | |
CN106841949A (zh) | 三相异步交流电机定子绝缘在线监测方法和装置 | |
CN106651096A (zh) | 一种暂态功角失稳与电压失稳的模糊综合评判方法 | |
CN107450016A (zh) | 基于rst‑cnn的高压断路器故障诊断方法 | |
CN105137324B (zh) | 一种基于仿真分类模型的多探测点故障元器件定位方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170329 |