CN107091986A - Anfis风电双馈异步电机气隙偏心故障诊断分类方法 - Google Patents

Anfis风电双馈异步电机气隙偏心故障诊断分类方法 Download PDF

Info

Publication number
CN107091986A
CN107091986A CN201710368353.0A CN201710368353A CN107091986A CN 107091986 A CN107091986 A CN 107091986A CN 201710368353 A CN201710368353 A CN 201710368353A CN 107091986 A CN107091986 A CN 107091986A
Authority
CN
China
Prior art keywords
fault
asynchronous machine
fed asynchronous
air
eccentric
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
Application number
CN201710368353.0A
Other languages
English (en)
Inventor
马宏忠
李思源
魏海增
刘宝稳
张艳
徐艳
宋开胜
李胜翀
吴书煜
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hohai University HHU
Original Assignee
Hohai University HHU
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hohai University HHU filed Critical Hohai University HHU
Priority to CN201710368353.0A priority Critical patent/CN107091986A/zh
Publication of CN107091986A publication Critical patent/CN107091986A/zh
Pending legal-status Critical Current

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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0409—Adaptive resonance theory [ART] networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Abstract

本发明公开了一种ANFIS风电双馈异步电机气隙偏心故障诊断分类方法，属于电机状态检测与故障诊断领域。其将风电双馈异步电机气隙偏心故障细化成几种发生较为频繁的故障类型，在基于软件仿真的前提下模拟双馈异步电机模型并仿真发生气隙偏心时几种故障类型，分析动、静两种偏心故障在不同偏心程度下定子绕组内电流的变化情况，对其作小波分解将时域转化为频谱图，提取发生不同故障时的特征频段，分析气隙偏心故障的不同类型所对应的故障特征频率，再将该频段的小波能量值作为训练样本数据，构造用于双馈异步电机气隙偏心故障的自适应神经模糊推理系统，并引用混合学习算法进行训练，判别出双馈异步电机的气隙偏心故障类型。该方法精度高，可操作性强。

Description

ANFIS风电双馈异步电机气隙偏心故障诊断分类方法
技术领域
本发明涉及一种ANFIS（自适应神经模糊推理系统）风电双馈异步电机气隙偏心故障诊断分类方法，归属于电机状态检测与故障诊断这一领域。
背景技术
自“十二五”规划起，我国能源行业便致力于积极推动节能减排、低碳绿色、全面协调可持续战略方针的实施。而风力发电技术凭借其能源清洁性、绿色环保性和源源不断性逐渐成为当今世界新能源发展潮流中炙手可热的主流方向。
在目前投入运行的风电机组中，变速恒频风力发电机以其良好的性能和稳定的结构逐渐成为主流机型，而双馈异步发电机作为维持变速恒频性能的重要设备，它的运行状态和性能优劣成为人们重点关心的问题。由于我国风力资源分配不均匀，大部分处于西北及沿海等地势偏僻、条件恶劣的地区，所以风电机组的工作状况受外部气候及周围环境的影响很大；再加上自然界风速的不稳定性等等，这些因素直接导致了双馈异步电机故障的频发性和大概率性，严重影响到机组的正常运行和使用寿命，造成巨额的经济损失。因此，对风电机组双馈异步电机实行状态监测和故障诊断是大势所趋，也是唯一手段。
对于双馈异步电机而言，转子不足、轴承磨损还有安装操作的误差等等都会引起气隙偏心故障的发生。轻则导致电机的气隙磁场产生畸变，扰乱各项性能指标；重则直接促使定转子间相互摩擦而烧毁电机。因此，对双馈异步电机气隙偏心故障的研究非常有必要。
气隙偏心故障可细分成静态偏心、动态偏心和动静混合偏心这三种类型。
静态偏心可能是由于定子铁芯变椭圆或是转子位置安装不当。电机发生静态偏心时，转子的几何中心与旋转中心相重合，却不一定与定子的几何中心重合，最小气隙长度的位置相对定子而言固定不变；动态偏心可能是由于转子弯曲、轴承磨损或较大静偏心的影响。电机发生动态偏心时，定子的几何中心与转子的旋转中心相重合，却不一定与转子的几何中心相重合，气隙最小长度的位置随着转子的旋转而发生改变；动静混合偏心综合了两种偏心状态，由于人工安装的误差，混合偏心情况在实际环境中普遍存在。因此在电机的使用过程中，必须保持高警惕性，早早地对双馈电机偏心故障进行诊断处理。
发明内容
本发明的重点在于针对技术层面现有的不足之处，提出一种最终结果与实际真实值极为接近的故障诊断方案，即ANFIS（自适应神经模糊推理系统）风电双馈异步电机气隙偏心故障诊断分类方法，其诊断结果确实精度高，可操作性强。本发明通过以下技术方案实现上述目的：
本发明一种ANFIS风电双馈异步电机气隙偏心故障诊断分类方法，具体操作步骤如下：
步骤1：将双馈异步电机气隙偏心故障分类整理并进行故障数据的测试收集；在ansoft软件平台上建立风电双馈异步电机模型，变更参数仿真不同类型的气隙偏心故障并记录其故障定子电流数据，构建风电双馈异步电机不同类型气隙偏心故障的多个训练样本集，该系统可用于诊断和分辨以下几种故障类型：双馈异步电机正常运行工况、双馈异步电机静态偏心故障、双馈异步电机动态偏心故障、双馈异步电机动态偏心和静态偏心混合偏心故障；
步骤2：构建自适应神经模糊推理系统(ANFIS)；提取双馈异步电机发生气隙偏心故障时定子电流，作五层小波分解得到频谱图分析气隙偏心故障不同类别对应的特征频带，提取第五层32个子频带中的第一、二、七频带作为故障特征频带，分析故障特征频带内对应不同气隙偏心故障类型的特征故障频率0Hz、和100Hz，将其特征频率幅值进行输入，给气隙偏心下的这些故障都定义不同的输出，得到具体特征频段的小波能量建立包含风电双馈异步电机不同类型气隙偏心故障的多个训练样本集；同时为该系统的输入输出选择合适的隶属度函数，设置训练目标的合理误差，对ANFIS运用混合学习算法训练，确定输入、输出隶属度函数的参数；
步骤3：对双馈异步电机气隙偏心故障进行诊断及不同类型的划分和确立；故障诊断方法以在实验室风电双馈异步电机模型上所得的实验数据为依据，在实验中采集双馈异步电机发生气隙偏心故障时的定子电流作为故障特征量进行输入，将所测的实验数据和对气隙偏心的不同故障定义的输出相对比，进而诊断出双馈异步电机的气隙偏心故障类型，在训练目标误差的范围内依照系统的诊断结果判定电机的故障种类。
进一步地，在步骤1中，采集气隙偏心中每种故障类别的5组数据作为系统输入的训练样本集，采集气隙偏心中每种故障类别的3组数据作为检测样本集，赋予每个故障类别一个输出值：双馈异步电机正常运行工况的输出值为“1”、双馈异步电机发生静态偏心的输出值为“2”、双馈异步电机发生动态偏心的输出值为“3”、双馈异步电机发生动态偏心和静态偏心混合偏心的输出值为“4”。
进一步地，在步骤2中，分类处理实验所得的数据，通过减法聚类算法对归类处理后的训练数据样本空间实行非线性规划处理，所得最终数据以特征向量的形式组成自适应神经模糊推理系统的输入训练系统。
进一步地，在步骤2中，每组输入由3个广义钟形隶属度函数（gbellfm）组成，以网格分割的形式生成；并对广义钟形隶属度函数进行混合学习算法的训练，允许的误差范围设置在内。
最后，这种ANFIS风电双馈异步电机气隙偏心故障诊断分类方法在训练系统达到目标误差输出的条件下，对系统输入实验所测数据，将系统的最终输出结果与赋予输出值相对比，最终判别电机是否发生故障及其故障类型。
依据以上技术方案，本发明产生的良好效果如下所示：
本发明基于风电双馈异步电机运行工况，依据自适应神经模糊推理系统对双馈异步电机发生的气隙偏心故障进行诊断和具体类型的定性。这种方法优点在于：
1、无需改变双馈异步电机的结构和正常运行方式，不会造成系统运行方面的问题，其诊断所得的最终结果有很强的可靠性；
2、将诊断方法定位到双馈异步电机发生气隙偏心时的具体偏心类型，打破了以往故障类型模糊不清的局面，不仅能够准确地诊断出故障，还能做到具体故障类型的分辨，这一点具有突破性和前沿性。
附图说明
图1是该项发明的自适应神经模糊推理系统(ANFIS)的结构图；
图2是该项发明的自适应神经模糊推理系统的训练过程图；
图3是该项发明的自适应神经模糊推理系统所处理故障归类的具体流程图；
具体实施方式
结合说明书的三张附图具体阐释本发明的技术方案，说明如下；
本发明以电机正常运行工况作为对照标准，考虑了风电双馈异步电机气隙偏心的3种具体故障类别，涉及双馈异步电机静态偏心故障、双馈异步电机动态偏心故障、双馈异步电机动态偏心和静态偏心混合偏心故障。
由香农采样定理可知，采样振动信号的最大频率为系统采样频率的一半，则(0-)为初始节点S对应的频段。因此，当信号的采样频率大于信号中的二倍最高频时，才能保证原始信号中的数字信息在采样后的完整性。在实际应用中，一般取采样频率为系统信号最高频率的5-10倍，故在实验和仿真中，设置电流信号的采样频率为1024Hz。发生气隙偏心故障时，定子电流的故障特征频率有0Hz、（转速频率）和100Hz这样三种。其中0HZ和100HZ作为静态偏心的特征频率， 作为动态偏心的特征频率。
为了更好地研究双馈异步电机的气隙偏心故障，我们对发生故障的定子电流作五层小波分解，得到分解后产生的32个子频带。而本发明所研究的三种气隙偏心故障频率主要出现在第五层32个子频带中的第一、第二和第七个频带。因此可以说，前七个子频带包含了本次发明需要针对的所有故障特性。分析这七个子频带的能量，其中的频带范围是(0-16)Hz，的频带范围是(16-32)Hz，的频带范围是(96-112)Hz，也就是、的值反映静偏心故障，的值反映动偏心故障，因此可以依据这三个特征频率的能量变化规律来推测故障的变化趋势并作为故障特征输入量进行下一步的分析。
如图2所示，构建一个自适应神经模糊推理系统，其过程如下：
将双馈异步电机偏心故障的特征频率仿真数据作为ANFIS故障诊断系统的输入并展开训练，诊断双馈异步电机的偏心故障；
在ansoft软件仿真平台下，构建风电双馈异步电机气隙偏心的各种具体故障类型，仿真出其不同故障的数据并建立多个训练样本集；
对采集到的数据归一处理，通过减法聚类算法对归类处理后的训练数据样本空间实行非线性规划处理，所得最终数据以特征向量的形式组成自适应神经模糊推理系统的输入训练系统。
接下来结合附图进一步具体说明：
由图1可知，基于自适应神经模糊推理系统的风电双馈异步电机气隙偏心故障的诊断分类方法在整体的建模过程中分5层进行训练，用代表第1层第个节点的输出值：
第1层：每个节点都是以节点函数形式表示的方形节点（该层参数可变）：
，
式中：（）为节点的输入，（）为和该节点函数值相关联的语言变量（如“大”、“小”）。也可以这样说， 是模糊集A（）的隶属度函数，通常选择广义钟形函数；
第2层：该层节点在如下图1中用Π表示，将输入信号相乘，其乘积输出为：
第3层：该层节点在图1中用Ν表示，第i个节点计算第条规则的与全部规则之和的比值为：
第4层：每个节点作为自适应节点的输出为：
其中：都为结论参数。
第5层：计算所有规则的最终输出：
所有输入信号的总输出。
如图2所示为故障诊断流程，采集实验室双馈异步电机所测的实验数据，建立Ansoft异步电机仿真模型；将电机发生气隙偏心所测得不同故障类型的定子电流特征频率的小波能量作为系统的输入，通过对实验数据的诊断输出和每一种故障赋予的输出相对比，诊断风电双馈异步电机的故障；对广义钟形隶属度函数进行混合学习算法的训练，允许的误差范围设置在内，在训练系统达到目标误差输出的条件下，进行神经模糊推理系统训练。
如图3所示自适应神经模糊推理系统所处理故障归类的具体流程图，以风电双馈异步电机发生不同类别偏心故障时定子电流特征频率的小波能量作为输入量，每组输入由3个广义钟形隶属度函数（gbellmf）组成，以网格分割的形式生成，采集气隙偏心中每种故障类别的5组数据作为系统输入的训练样本集，采集气隙偏心中每种故障类别的3组数据作为检测样本集构建一个自适应神经模糊推理系统进行训练，并赋予每个故障类别一个输出值：双馈异步电机正常运行工况的输出值为“1”、双馈异步电机发生静态偏心的输出值为“2”、双馈异步电机发生动态偏心的输出值为“3”、双馈异步电机发生动态偏心和静态偏心混合偏心的输出值为“4”，可以对照诊断结果判别气隙偏心故障的具体类型。
具体地，本发明一种基于ANFIS（自适应神经模糊推理系统）的风电双馈异步电机气隙偏心故障的诊断分类方法，其操作步骤如下：
步骤1：将双馈异步电机气隙偏心故障分类整理并进行故障数据的测试收集；在ansoft软件平台上建立风电双馈异步电机模型，变更参数仿真不同类型的气隙偏心故障并记录其故障定子电流数据，构建风电双馈异步电机不同类型气隙偏心故障的多个训练样本集，该系统可用于诊断和分辨以下几种故障类型：双馈异步电机正常运行工况、双馈异步电机静态偏心故障、双馈异步电机动态偏心故障、双馈异步电机动态偏心和静态偏心混合偏心故障；采集气隙偏心中每种故障类别的5组数据作为系统输入的训练样本集，采集气隙偏心中每种故障类别的3组数据作为检测样本集，赋予每个故障类别一个输出值：双馈异步电机正常运行工况的输出值为“1”、双馈异步电机发生静态偏心的输出值为“2”、双馈异步电机发生动态偏心的输出值为“3”、双馈异步电机发生动态偏心和静态偏心混合偏心的输出值为“4”。
步骤2：构建自适应神经模糊推理系统(ANFIS)；提取双馈异步电机发生气隙偏心故障时定子电流，作五层小波分解得到频谱图分析气隙偏心故障不同类别对应的特征频带，提取第五层32个子频带中的第一、二、七频带作为故障特征频带，分析故障特征频带内对应不同气隙偏心故障类型的特征故障频率0Hz、和100Hz，将其特征频率幅值进行输入，给气隙偏心下的这些故障都定义不同的输出，得到具体特征频段的小波能量建立包含风电双馈异步电机不同类型气隙偏心故障的多个训练样本集；同时为该系统的输入输出选择合适的隶属度函数，设置训练目标的合理误差，对ANFIS运用混合学习算法训练，确定输入、输出隶属度函数的参数；每组输入由3个广义钟形隶属度函数（gbellfm）组成，以网格分割的形式生成；并对广义钟形隶属度函数进行混合学习算法的训练，允许的误差范围设置在内。
步骤3：对双馈异步电机气隙偏心故障进行诊断及不同类型的划分和确立；故障诊断方法以在实验室风电双馈异步电机模型上所得的实验数据为依据，在实验中采集双馈异步电机发生气隙偏心故障时的定子电流作为故障特征量进行输入，将所测的实验数据和对气隙偏心的不同故障定义的输出相对比，进而诊断出双馈异步电机的气隙偏心故障类型，在训练目标误差的范围内依照系统的诊断结果判定电机的故障种类。分类处理实验所得的数据，通过减法聚类算法对归类处理后的训练数据样本空间实行非线性规划处理，所得最终数据以特征向量的形式组成自适应神经模糊推理系统的输入训练系统。
在训练系统达到目标误差输出的条件下，对系统输入实验所测数据，将系统的最终输出结果与赋予输出值相对比，最终判别电机是否发生故障及其故障类型。
结果证明，该自适应神经模糊推理系统风电双馈异步电机气隙偏心故障的模式识别方法确实精度高，可操作性强。
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语（包括技术术语和科学术语）具有与本申请所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。
以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。

Claims (4)

1.一种ANFIS风电双馈异步电机气隙偏心故障诊断分类方法，步骤如下：
步骤1：将双馈异步电机气隙偏心故障分类整理并进行故障数据的测试收集；在ansoft软件平台上建立风电双馈异步电机模型，变更参数仿真不同类型的气隙偏心故障并记录其故障定子电流数据，构建风电双馈异步电机不同类型气隙偏心故障的多个训练样本集，该系统可用于诊断和分辨以下几种故障类型：双馈异步电机正常运行工况、双馈异步电机静态偏心故障、双馈异步电机动态偏心故障、双馈异步电机动态偏心和静态偏心混合偏心故障；
步骤2：构建自适应神经模糊推理系统(ANFIS)；提取双馈异步电机发生气隙偏心故障时定子电流，作五层小波分解得到频谱图分析气隙偏心故障不同类别对应的特征频带，提取第五层32个子频带中的第一、二、七频带作为故障特征频带，分析故障特征频带内对应不同气隙偏心故障类型的特征故障频率0Hz、和100Hz，将其特征频率幅值进行输入，给气隙偏心下的这些故障都定义不同的输出，得到具体特征频段的小波能量建立包含风电双馈异步电机不同类型气隙偏心故障的多个训练样本集；同时为该系统的输入输出选择合适的隶属度函数，设置训练目标的合理误差，对ANFIS运用混合学习算法训练，确定输入、输出隶属度函数的参数；
步骤3：对双馈异步电机气隙偏心故障进行诊断及不同类型的划分和确立；故障诊断方法以在实验室风电双馈异步电机模型上所得的实验数据为依据，在实验中采集双馈异步电机发生气隙偏心故障时的定子电流作为故障特征量进行输入，将所测的实验数据和对气隙偏心的不同故障定义的输出相对比，进而诊断出双馈异步电机的气隙偏心故障类型，在训练目标误差的范围内依照系统的诊断结果判定电机的故障种类。
2.依据权利要求1所述的ANFIS风电双馈异步电机气隙偏心故障诊断分类方法，在步骤1中，采集气隙偏心中每种故障类别的5组数据作为系统输入的训练样本集，采集气隙偏心中每种故障类别的3组数据作为检测样本集，赋予每个故障类别一个输出值：双馈异步电机正常运行工况的输出值为“1”、双馈异步电机发生静态偏心的输出值为“2”、双馈异步电机发生动态偏心的输出值为“3”、双馈异步电机发生动态偏心和静态偏心混合偏心的输出值为“4”。
3.依据权利要求1所述的ANFIS风电双馈异步电机气隙偏心故障诊断分类方法，在步骤2中，分类处理实验所得的数据，通过减法聚类算法对归类处理后的训练数据样本空间实行非线性规划处理，所得最终数据以特征向量的形式组成自适应神经模糊推理系统的输入训练系统。
4.依据权利要求1所述的ANFIS风电双馈异步电机气隙偏心故障诊断分类方法，在步骤2中，每组输入由3个广义钟形隶属度函数（gbellfm）组成，以网格分割的形式生成；并对广义钟形隶属度函数进行混合学习算法的训练，允许的误差范围设置在内。
CN201710368353.0A 2017-05-23 2017-05-23 Anfis风电双馈异步电机气隙偏心故障诊断分类方法 Pending CN107091986A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710368353.0A CN107091986A (zh) 2017-05-23 2017-05-23 Anfis风电双馈异步电机气隙偏心故障诊断分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710368353.0A CN107091986A (zh) 2017-05-23 2017-05-23 Anfis风电双馈异步电机气隙偏心故障诊断分类方法

Publications (1)

Publication Number Publication Date
CN107091986A true CN107091986A (zh) 2017-08-25

Family

ID=59638992

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710368353.0A Pending CN107091986A (zh) 2017-05-23 2017-05-23 Anfis风电双馈异步电机气隙偏心故障诊断分类方法

Country Status (1)

Country Link
CN (1) CN107091986A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108152738A (zh) * 2017-12-25 2018-06-12 深圳怡化电脑股份有限公司 电机工况监控方法及其装置
CN111007429A (zh) * 2019-11-26 2020-04-14 国网江苏省电力有限公司检修分公司 基于anfis的同步调相机短路故障识别方法和系统
CN111208424A (zh) * 2020-01-14 2020-05-29 华能四川水电有限公司 发电机定转子间隙不均故障自动检测预警方法及装置
CN111340975A (zh) * 2020-02-20 2020-06-26 东软睿驰汽车技术（沈阳）有限公司 异常数据特征提取方法、装置、设备及存储介质
CN112365628A (zh) * 2020-10-30 2021-02-12 北京理工大学 一种混合动力系统的故障诊断方法和装置
CN112698206A (zh) * 2021-01-20 2021-04-23 哈尔滨工业大学（威海） 一种旋转电机偏心故障模拟机构及方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104459388A (zh) * 2014-11-26 2015-03-25 国家电网公司 一种永磁直驱风力发电系统一体化故障诊断方法
CN104614673A (zh) * 2015-02-25 2015-05-13 刘岩 一种基于模糊推理的电机气隙偏心故障诊断方法
CN106291354A (zh) * 2016-07-18 2017-01-04 河海大学 基于anfis的电动汽车永磁同步电机故障分类方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104459388A (zh) * 2014-11-26 2015-03-25 国家电网公司 一种永磁直驱风力发电系统一体化故障诊断方法
CN104614673A (zh) * 2015-02-25 2015-05-13 刘岩 一种基于模糊推理的电机气隙偏心故障诊断方法
CN106291354A (zh) * 2016-07-18 2017-01-04 河海大学 基于anfis的电动汽车永磁同步电机故障分类方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
张栓柱: ""小波分析在异步电机故障诊断中的应用研究"", 《电机技术》 *
赵浩铭 等: ""基于小波尺度谱的电机气隙偏心故障诊断研究"", 《第十届沈阳科学学术年会论文集（信息科学与工程技术分册）》 *
钱雅云 等: ""双馈异步电机故障诊断方法综述"", 《大电机技术》 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108152738A (zh) * 2017-12-25 2018-06-12 深圳怡化电脑股份有限公司 电机工况监控方法及其装置
CN108152738B (zh) * 2017-12-25 2020-09-15 深圳怡化电脑股份有限公司 电机工况监控方法及其装置
CN111007429A (zh) * 2019-11-26 2020-04-14 国网江苏省电力有限公司检修分公司 基于anfis的同步调相机短路故障识别方法和系统
CN111208424A (zh) * 2020-01-14 2020-05-29 华能四川水电有限公司 发电机定转子间隙不均故障自动检测预警方法及装置
CN111208424B (zh) * 2020-01-14 2021-09-07 华能四川能源开发有限公司 发电机定转子间隙不均故障自动检测预警方法及装置
CN111340975A (zh) * 2020-02-20 2020-06-26 东软睿驰汽车技术（沈阳）有限公司 异常数据特征提取方法、装置、设备及存储介质
CN112365628A (zh) * 2020-10-30 2021-02-12 北京理工大学 一种混合动力系统的故障诊断方法和装置
CN112365628B (zh) * 2020-10-30 2021-12-28 北京理工大学 一种混合动力系统的故障诊断方法和装置
CN112698206A (zh) * 2021-01-20 2021-04-23 哈尔滨工业大学（威海） 一种旋转电机偏心故障模拟机构及方法
CN112698206B (zh) * 2021-01-20 2022-02-01 哈尔滨工业大学（威海） 一种旋转电机偏心故障模拟机构及方法

Similar Documents

Publication Publication Date Title
CN107091986A (zh) Anfis风电双馈异步电机气隙偏心故障诊断分类方法
Hasan et al. Acoustic spectral imaging and transfer learning for reliable bearing fault diagnosis under variable speed conditions
CN102798529B (zh) 大型风力机组轴承故障诊断方法及系统
Muralidharan et al. Feature extraction using wavelets and classification through decision tree algorithm for fault diagnosis of mono-block centrifugal pump
CN102944416B (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
CN105760839A (zh) 基于多特征流形学习与支持向量机的轴承故障诊断方法
Mohamed Reduction of the generated aero-acoustics noise of a vertical axis wind turbine using CFD (Computational Fluid Dynamics) techniques
CN109376801B (zh) 基于集成深度神经网络的风力发电机叶片结冰诊断方法
CN109102032A (zh) 一种基于深度森林和自编码的泵站机组诊断方法
CN109827777A (zh) 基于偏最小二乘法极限学习机的滚动轴承故障预测方法
CN103558042B (zh) 一种基于全状态信息的机组故障快速诊断方法
CN106873359A (zh) 一种基于聚类分析和神经网络的风电噪声评价方法
CN110375987A (zh) 一种基于深度森林机械轴承故障检测方法
CN109766874A (zh) 一种基于深度学习算法的风机故障分类识别方法
CN110131109A (zh) 一种基于卷积神经网络的风力机叶片不平衡检测方法
Dong et al. Vibration source identification of offshore wind turbine structure based on optimized spectral kurtosis and ensemble empirical mode decomposition
CN107101829A (zh) 一种航空发动机结构类故障的智能诊断方法
CN107798283A (zh) 一种基于决策导向无环图的神经网络故障多类分类器
Joshuva et al. State of the art of structural health monitoring of wind turbines
CN113255458A (zh) 基于多视图关联特征学习的轴承故障诊断方法
CN109325553B (zh) 一种风电齿轮箱故障检测方法、系统、设备及介质
Amin et al. Wind turbine gearbox fault diagnosis using cyclostationary analysis and interpretable CNN
Tang Rotor Blade Pitch Imbalance Fault Detection for Variable-Speed Marine Current Turbines via Generator Power Signal Analysis
Tsopelas et al. Acoustic emission for structural integrity assessment of wind turbine blades
Joshuva et al. Logistic model tree classifier for condition monitoring of wind turbine blades

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20170825

WD01 Invention patent application deemed withdrawn after publication