CN107247230B - 一种基于支持向量机和数据驱动的旋转电机状态监测方法 - Google Patents
一种基于支持向量机和数据驱动的旋转电机状态监测方法 Download PDFInfo
- Publication number
- CN107247230B CN107247230B CN201710535343.1A CN201710535343A CN107247230B CN 107247230 B CN107247230 B CN 107247230B CN 201710535343 A CN201710535343 A CN 201710535343A CN 107247230 B CN107247230 B CN 107247230B
- Authority
- CN
- China
- Prior art keywords
- value
- error
- data
- motor
- rotating
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000012544 monitoring process Methods 0.000 title claims abstract description 22
- 238000012706 support-vector machine Methods 0.000 title claims abstract description 22
- 238000004458 analytical method Methods 0.000 claims abstract description 12
- 238000004891 communication Methods 0.000 claims abstract description 10
- 230000001133 acceleration Effects 0.000 claims description 35
- QVFWZNCVPCJQOP-UHFFFAOYSA-N chloralodol Chemical compound CC(O)(C)CC(C)OC(O)C(Cl)(Cl)Cl QVFWZNCVPCJQOP-UHFFFAOYSA-N 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000006073 displacement reaction Methods 0.000 claims description 4
- 230000000737 periodic effect Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000009434 installation Methods 0.000 claims description 3
- 238000013021 overheating Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 abstract 1
- 238000004519 manufacturing process Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 239000000306 component Substances 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 239000000498 cooling water Substances 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000013501 data transformation Methods 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005272 metallurgy Methods 0.000 description 1
- 238000005504 petroleum refining Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Control Of Electric Motors In General (AREA)
Abstract
本发明公开了一种基于支持向量机和数据驱动的旋转电机状态监测方法，包括采集旋转电机振动信号，利用曲线拟合振动信息预测旋转电机加速度及速度运行状态，以及根据误差、电机性能等指标评估电机状态。将采集节点安装于旋转电机外壳上，实时获得监测电机的三轴振动信号以及环境温湿度，通过物联网无线通讯技术传至接收端，再由接收端存储至数据库，利用小波分析与ARIMA模型或者其他时间序列预测方法计算各节点速度频谱图等信息，得到预测曲线。加入历史误差补偿得到准确的预测值，将之与真值比较得到此刻误差。此误差作为支持向量机分类的主要特征、结合温度、电机功率、转速等辅助特性做出故障判断。
Description
技术领域
本发明涉及一种基于支持向量机和数据驱动的旋转电机状态监测方法，用于各类工厂内旋转电机设备的振动信号的检测、诊断与预警。
背景技术
电动机作为核心部件，被广泛地应用于生产现场的各种场合。电机的分类有很多，例如伺服电机、步进电机、直流电机等等，而其基本原理都是将电能转化为机械能，产生驱动转矩应用在生产的各方面。在实际的生产使用中，一个工厂常常需要使用大中小型的电机若干台，从每分钟百转到每分钟万转的电机都存在，而同样型号的电机可能所处于的工作环境也不同，所以电机的型号差异性以及电机的使用环境也会不同程度的造成电机可靠性判断的差异。
电动机是制造业领域用途最为广泛的设备之一，其性能高低决定着生产流水线产品质量的好坏。例如在石油冶炼行业中，发动机便用在空气压缩、冷却水循环、原料进给、阀门驱动等环节。为了能够准确掌握电动机运行情况，保证各个环节的正常工作，需要通过测量电动机的振动信号，作为分析电动机是否故障的重要依据。一方面,现在科学进步使得工厂日益大型化，复杂化以及分散化，设备的数量迅速上升，分布则愈加分散。设备一旦发生故障,轻则停机,造成重大的经济损失,重则造成设备毁坏和人生伤亡。无论什么样的事故都会对生产带来巨大影响。同时，设备维修费用在成本管理以及人员使用中占了很大的比例，如果在设备发生故障后进行维修则成本巨大。纵观目前我国的传统的制造生产、能源等等企业，如冶金、石化、传统发电和新能源等领域的企业，并没有一套成熟的、可用于实时监测旋转电机运行情况的系统。
在进行故障诊断，最初的方法就是定期停机检修。定期停机检修的操作成本非常高，需要中断几天的生产以及投入人员将每个设备检测，观察运行情况，往往效果很差。发展至今，企业偏向于指定检修员定期巡视生产现场。这种方式依赖于检修员的经验以及对旋转电机的了解情况，缺点是同样导致企业生产成本的增加，并且检修员无法根据不同型号的电机做出不同的判断，也无法将数据保存至服务器端进行综合管理，耗费大量人力物力，也无法做到对故障的及时预判与处理。
发明内容
本发明的目的在于针对现有技术的不足，提供一种基于支持向量机和数据驱动的旋转电机状态监测方法。
本发明的目的是通过以下技术方案来实现的：一种基于支持向量机和数据驱动的旋转电机状态监测方法，该方法包括以下步骤：
步骤1、在旋转电机的外壳安装数据采集装置，所述数据采集装置包括加速度传感器、电源模块和LORA通信模块；通过数据采集装置测量旋转电机在健康状态的加速度、温度值；
步骤2、将步骤1采集的数据通过LORA通信模块发送到服务端；服务端对加速度数据进行卡尔曼滤波、积分处理，得到速度信息和位移信息；
步骤3、使用连续小波分析方法获得加速度数据和速度数据的时频谱图，温度数据的均方差值图；通过图分析数据判断旋转设备是否正常，判断条件如下：
a)速度与加速度在时域幅值超过阈值，速度均方根值明显偏大；
b)温度值超过阈值；
c)除旋转电机主频外有其他明显主要频率成分存在；
d)除旋转电机主频外有高频信号存在超过一定时间周期，或存在周期性信号；
若以上任意一个特征出现则判断旋转电机出现问题，发出警报，否则初步判断旋转电机正常，执行步骤4；
步骤4、采用大量历史加速度、速度数据代入自回归滑动平均(ARIMA)模型或者使用支持向量回归模型训练预测模型，利用前一至两个星期的数据，预测旋转电机当天速度运行曲线，由于旋转电机信号为非平稳信号，存在误差，故采用历史误差矩阵对测量值补偿，补偿后的测量值再与真值比较，得到平均误差；
步骤5、将步骤4得到的平均误差值作为主要特征，再根据旋转电机的辅助特征，利用支持向量机对旋转电机当前情况进行分类；辅助特征包括：温度、电机当前转速、电机当前功率、电机当前转速与额定转速之比、当前功率输出与额定功率之比、电机转子电流大小、电机目前负载、等级；支持向量机的输出可分为多种故障情况，若直接考虑振动三轴误差，可判断电机目前安装状态是否正常；若振动误差过大且出现功率比过低，则考虑轴承是否连接正常；若出现误差产生周期性突然增大，即误差出现脉冲现象，则判断轴承某处出现裂痕问题；若误差周期性增大且电机功率突然下降，则判断电机抱轴问题；若出现温度过高，转子电流过大，则判断出现电压过高、轴承过热问题，支持向量机以振动误差作为主要参数，参考辅助特征给出故障情况。
进一步地，所述数据采集装置还包括湿度传感器，通过湿度值辅助工人检查电机运行状况；湿度值在步骤3中可作为判断条件辅助监测旋转电机健康状况。
进一步地，所述步骤3中，利用Morlet小波对原始加速度和速度数据进行小波变换得到时频谱图，公式为：
Fd＝Fa·fs/a
式中，ω(t)表示小波函数，i表示复数，t表示时间，a表示小波变换尺度，σ表示小波平移系数；表示原数据与固定尺度a下的小波函数卷积后得到的系数，x(t)表示t时刻采集的加速度值或速度值；Fd表示实际频率，Fa表示小波中心频率，fs表示采样频率；更改小波变换尺度即可匹配原信号的不同频率值。
进一步地，所述步骤4中采用自回归滑动平均(ARIMA)模型训练预测模型，公式为：
Xt表示当前时刻预测值，Xt-1,…,Xt-p为人为选取的历史数据，
为自回归系数，∈t,…,∈t-q为高斯随机序列，θ1,…,θq为滑动平均系数，非负整数p为自回归系数，非负整数q为滑动平均系数；
参数训练需要前期的历史数据代入得到参数，再利用预测时刻前一至两个星期加速度、速度数据预测当天运行曲线。
进一步地，步骤4中所述的误差矩阵在每一次计算后迭代更新，再利用误差对原始测量值Xt补偿得到新的测量值
Erorrt＝Erorrt-1+et
Error表示误差值，即每一时刻真实值与预测值的差，初始值为零，和测量值的维数相同；t表示时刻，et表示在t时刻的测量误差值；在t时刻，预测值则会加上从0，…，t-1时刻的该位置误差值的平均值；采用
与真值比较，得到平均误差。
进一步地，所述步骤1中电机健康状态评估根据国家标准GB/T6075和国际标准ISO-10186振动设备监测评估标准确定，不同功率不同转速的电机标准不同，主要参考参数为振动设备速度值，预测曲线以及预测曲线的平均误差为辅助判断旋转电机状态的指标。
本发明的有益效果是：本发明方法除了针对真实振动速度的超限报警，还可以针对电机的振动速度以及振动位移进行电机运行故障提前故障时间预测。本发明方法可以避免周期性定时停机检查，可以大大减少盲目维修及突发性事故停机时间。随着历史数据累积，本发明方法可以实时间隔一段时间内重新修正参数值，在线实时更新参数。
附图内容
图1是数据采集装置安装于旋转电机的示意图。
图2表示利用曲线拟合计算旋转电机的限值流程图。
图3-a表示采集数据滤波前的频域波形。
图3-b表示采集数据滤波后的频域波形。
图4-a表示X加速度数据均方根值。
图4-b表示Y加速度数据均方根值。
图5表示测量温度值数据均方根值。
图6表示加速度数据正常时小波变换图。
图7表示加速度数据异常时小波变换图。
图8表示速度预测曲线的真实值与预测值的曲线对比(预测96个点位图)。
具体实施方式
下面结合附图和具体实施例对本发明作进一步详细说明。
本发明提供的一种基于支持向量机和数据驱动的旋转电机状态监测方法，该方法包括以下步骤：
步骤1、在旋转电机的外壳安装数据采集装置，如图1所示，所述数据采集装置包括加速度传感器、电源模块和LORA通信模块；通过数据采集装置测量旋转电机在健康状态的加速度、温度值；
步骤2、将步骤1采集的数据通过LORA通信模块发送到服务端；服务端对加速度数据进行卡尔曼滤波、积分处理，得到速度信息和位移信息；
步骤3、使用连续小波分析方法获得加速度数据和速度数据的时频谱图，温度数据的均方差值图；通过图分析数据判断旋转设备是否正常，判断条件如下：
a)速度与加速度在时域幅值超过阈值，速度均方根值明显偏大；
b)温度值超过阈值；
c)除旋转电机主频外有其他明显主要频率成分存在；
d)除旋转电机主频外有高频信号存在超过一定时间周期，或存在周期性信号；
若以上任意一个特征出现则判断旋转电机出现问题，发出警报，否则初步判断旋转电机正常，执行步骤4；
步骤4、采用大量历史加速度、速度数据代入自回归滑动平均(ARIMA)模型或者使用支持向量回归模型训练预测模型，利用前一至两个星期的数据，预测旋转电机当天速度运行曲线，由于旋转电机信号为非平稳信号，存在误差，故采用历史误差矩阵对测量值补偿，补偿后的测量值再与真值比较，得到平均误差；
步骤5、将步骤4得到的平均误差值作为主要特征，再根据旋转电机的辅助特征，利用支持向量机对旋转电机当前情况进行分类；辅助特征包括：温度、电机当前转速、电机当前功率、电机当前转速与额定转速之比、当前功率输出与额定功率之比、电机转子电流大小、电机目前负载、等级；支持向量机的输出可分为多种故障情况，若直接考虑振动三轴误差，可判断电机目前安装状态是否正常；若振动误差过大且出现功率比过低，则考虑轴承是否连接正常；若出现误差产生周期性突然增大，即误差出现脉冲现象，则判断轴承某处出现裂痕问题；若误差周期性增大且电机功率突然下降，则判断电机抱轴问题；若出现温度过高，转子电流过大，则判断出现电压过高、轴承过热问题，支持向量机以振动误差作为主要参数，参考辅助特征给出故障情况。
进一步地，所述数据采集装置还包括湿度传感器，通过湿度值辅助工人检查电机运行状况；湿度值在步骤3中可作为判断条件辅助监测旋转电机健康状况。
进一步地，所述步骤3中，利用Morlet小波对原始加速度和速度数据进行小波变换得到时频谱图，公式为：
Fd＝Fa·fs/a
式中，ω(t)表示小波函数，i表示复数，t表示时间，a表示小波变换尺度，σ表示小波平移系数；
表示原数据与固定尺度a下的小波函数卷积后得到的系数，x(t)表示t时刻采集的加速度值或速度值；Fd表示实际频率，Fa表示小波中心频率，fs表示采样频率；更改小波变换尺度即可匹配原信号的不同频率值。
进一步地，所述步骤4中采用自回归滑动平均(ARIMA)模型训练预测模型，公式为：
Xt表示当前时刻预测值，Xt-1,…,Xt-p为人为选取的历史数据，为自回归系数，∈t,…,∈t-q为高斯随机序列，θ1,…,θq为滑动平均系数，非负整数p为自回归系数，非负整数q为滑动平均系数；
参数训练需要前期的历史数据代入得到参数，再利用预测时刻前一至两个星期加速度、速度数据预测当天运行曲线。
进一步地，步骤4中所述的误差矩阵在每一次计算后迭代更新，再利用误差对原始测量值Xt补偿得到新的测量值
Erorrt＝Erorrt-1+et
Error表示误差值，即每一时刻真实值与预测值的差，初始值为零，和测量值的维数相同；t表示时刻，et表示在t时刻的测量误差值；在t时刻，预测值则会加上从0，…，t-1时刻的该位置误差值的平均值；采用与真值比较，得到平均误差。
进一步地，所述步骤1中电机健康状态评估根据国家标准GB/T6075和国际标准ISO-10186振动设备监测评估标准确定，不同功率不同转速的电机标准不同，主要参考参数为振动设备速度值，预测曲线以及预测曲线的平均误差为辅助判断旋转电机状态的指标。
实施例
根据图1，在旋转电机的外壳上采用螺纹方式固定采集电路板，且在周围用三个螺丝加以固定。图2为对电机运行状况分类的算法流程图，对每个电机信息进行小波分析、ARIMA模型预测、提取特征最后进行SVM分类，对电机分为稳定(运行平稳且噪声小)、良好(出现噪声)、运行警示(大量数据中出现故障特征)、运行警报(故障特征明显且带有周期性，建议现场检查)、运行停机警告(立即停机，信号全部为故障特征)。图3-a、图3-b表示采集的示例数据的频谱图，图3-a为原始数据变换后的数据，图3-b为滤波后得到的频谱图。图4表示X、Y两轴加速度经滤波后再经由均方根计算得到的加速度均方根曲线。图5为温度值经过均方根计算得到的均方根曲线。图6为旋转设备正常时小波变换图；图7为旋转设备异常时小波变换图，与图6相比在500-1000HZ频段上出现了一些明显的频率成分，说明设备异常时振动周期加快且不稳定变化。图8表示了预测值和真实值的对比，每一时刻误差在1m/s以下，通过修正预测参数与预测方法可以达到更高精度。
本实施例的技术方案在试验中分为硬件与软件两个部分。硬件部分方案：最前端监测模块含有具有无线通讯功能的LORA模块、三轴加速度传感器、温湿度传感器、电源模块和处理器芯片，在后端需要LORA信息接收网关以及与之连接的上位机。软件部分方案：采用Python编程语言的Flask框架作数据端接收、处理和存储，该方法在后台利用Python语言实现，数据可视化使用传统的网页展示。
硬件部分：通讯、电源、测量变量模块以及主控芯片集成于一个电路板内，通讯部分则有天线用于发送接收信号。整体装置水平安装于旋转电机外壳，加速度模块水平紧贴于外壳。利用焊接等技术固定于旋转电机外壳，电路板与电池也利用螺孔螺丝连接固定；网关则使用LORA协议专用的通讯网关，与上位机通过RJ45连接口相连，采用TCP/IP协议传输信息；上位机采用一般电脑或者工控机即可。
工作人员安装数据采集装置至旋转电机外壳上。然后待到一定时间后，上位机收集数据，得到旋转电机在正常状态下未来运行趋势以及频谱信息，代入该方法中得到分析数据，通过分析数据判断旋转电机目前运行情况。数据的接收间隔时间也是根据分析结果而定。当旋转电机运行状态一切正常时，在每一小时内传送一次数据；当旋转电机在某些时间段上分析结果为故障时，则缩短数据传输间隔；当旋转电机持续提醒故障时，数据采集与发送间隔很短，几乎达到在线实时监测。
Claims (5)
1.一种基于支持向量机和数据驱动的旋转电机状态监测方法，其特征在于，该方法包括以下步骤：
步骤1、在旋转电机的外壳安装数据采集装置，所述数据采集装置包括加速度传感器、电源模块和LORA通信模块；通过数据采集装置测量旋转电机在健康状态的加速度、温度值；
步骤2、将步骤1采集的数据通过LORA通信模块发送到服务端；服务端对加速度数据进行卡尔曼滤波、积分处理，得到速度信息和位移信息；
步骤3、使用连续小波分析方法获得加速度数据和速度数据的时频谱图，温度数据的均方差值图；通过图分析数据判断旋转设备是否正常，判断条件如下：
a)速度与加速度在时域幅值超过阈值，速度均方根值明显偏大；
b)温度值超过阈值；
c)除旋转电机主频外有其他明显主要频率成分存在；
d)除旋转电机主频外有高频信号存在超过一定时间周期，或存在周期性信号；
若以上任意一个特征出现则判断旋转电机出现问题，发出警报，否则初步判断旋转电机正常，执行步骤4；
步骤4、采用大量历史加速度、速度数据代入自回归滑动平均模型或者使用支持向量回归模型训练预测模型，利用前一至两个星期的数据，预测旋转电机当天速度运行曲线，由于旋转电机信号为非平稳信号，存在误差，故采用历史误差矩阵对测量值补偿，补偿后的测量值再与真值比较，得到平均误差；
所述的历史误差矩阵在每一次计算后迭代更新，再利用误差对原始测量值Xt补偿得到新的测量值
Erorrt＝Erorrt-1+et
Error表示误差值，即每一时刻真实值与预测值的差，初始值为零，和测量值的维数相同；t表示时刻，et表示在t时刻的测量误差值；在t时刻，预测值则会加上从0，…，t-1时刻的该位置误差值的平均值；采用
与真值比较，得到平均误差；
步骤5、将步骤4得到的平均误差值作为主要特征，再根据旋转电机的辅助特征，利用支持向量机对旋转电机当前情况进行分类；辅助特征包括：温度、电机当前转速、电机当前功率、电机当前转速与额定转速之比、当前功率输出与额定功率之比、电机转子电流大小、电机目前负载等级；支持向量机的输出可分为多种故障情况，若直接考虑振动三轴误差，可判断电机目前安装状态是否正常；若振动误差过大且出现功率比过低，则考虑轴承是否连接正常；若出现误差产生周期性突然增大，即误差出现脉冲现象，则判断轴承某处出现裂痕问题；若误差周期性增大且电机功率突然下降，则判断电机抱轴问题；若出现温度过高，转子电流过大，则判断出现电压过高、轴承过热问题，支持向量机以振动误差作为主要参数，参考辅助特征给出故障情况。
2.根据权利要求1所述的一种基于支持向量机和数据驱动的旋转电机状态监测方法，其特征在于，所述数据采集装置还包括湿度传感器，通过湿度值辅助工人检查电机运行状况；湿度值在步骤3中可作为判断条件辅助监测旋转电机健康状况。
3.根据权利要求1所述的一种基于支持向量机和数据驱动的旋转电机状态监测方法，其特征在于，所述步骤3中，利用Morlet小波对原始加速度和速度数据进行小波变换得到时频谱图，公式为：
Fd＝Fa·fs/a
式中，ω(t)表示小波函数，i表示复数，t表示时间，a表示小波变换尺度，σ表示小波平移系数；
表示原数据与固定尺度a下的小波函数卷积后得到的系数，x(t)表示t时刻采集的加速度值或速度值；Fd表示实际频率，Fa表示小波中心频率，fs表示采样频率；更改小波变换尺度即可匹配原信号的不同频率值。
4.根据权利要求1所述的一种基于支持向量机和数据驱动的旋转电机状态监测方法，其特征在于，所述步骤4中采用自回归滑动平均模型训练预测模型，公式为：
Xt表示当前时刻预测值，Xt-1,…,Xt-p为人为选取的历史数据，
为自回归系数，∈t,…,∈t-q为高斯随机序列，θ1,…,θq为滑动平均系数，非负整数p为自回归系数，非负整数q为滑动平均系数；
参数训练需要前期的历史数据代入得到参数，再利用预测时刻前一至两个星期加速度、速度数据预测当天运行曲线。
5.根据权利要求1所述的一种基于支持向量机和数据驱动的旋转电机状态监测方法，所述步骤1中电机的健康状态根据国家标准GB/T6075和国际标准ISO-10186振动设备监测评估标准确定，不同功率不同转速的电机标准不同，主要参考参数为振动设备速度值，预测曲线以及预测曲线的平均误差为辅助判断旋转电机状态的指标。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710535343.1A CN107247230B (zh) | 2017-07-03 | 2017-07-03 | 一种基于支持向量机和数据驱动的旋转电机状态监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710535343.1A CN107247230B (zh) | 2017-07-03 | 2017-07-03 | 一种基于支持向量机和数据驱动的旋转电机状态监测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107247230A CN107247230A (zh) | 2017-10-13 |
| CN107247230B true CN107247230B (zh) | 2020-02-07 |
Family
ID=60014443
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710535343.1A Active CN107247230B (zh) | 2017-07-03 | 2017-07-03 | 一种基于支持向量机和数据驱动的旋转电机状态监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107247230B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2804260C1 (ru) * | 2023-04-05 | 2023-09-26 | Общество с ограниченной ответственностью "Инжиниринговый центр "Русэлпром" | Способ и устройство мониторинга температуры и вибрации электромашинного оборудования |
Families Citing this family (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109951243A (zh) * | 2017-12-20 | 2019-06-28 | 中国科学院深圳先进技术研究院 | 一种频谱预测方法、系统及电子设备 |
| 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 |
| CN108445393B (zh) * | 2018-05-02 | 2019-10-29 | 湖南大学 | 一种永磁同步电机故障检测方法和系统 |
| CN108760330A (zh) * | 2018-06-11 | 2018-11-06 | 河北冀研能源科学技术研究院有限公司 | 汽轮机振动故障诊断方法 |
| CN108791270B (zh) * | 2018-06-20 | 2021-10-29 | 北京理工大学 | 一种混合动力车辆基于工况预测的动力部件工作点调控方法 |
| CN110363339B (zh) * | 2019-07-05 | 2022-03-08 | 南京简睿捷软件开发有限公司 | 一种基于电机参数进行预测性维护的方法与系统 |
| CN112903001A (zh) * | 2019-12-03 | 2021-06-04 | 财团法人纺织产业综合研究所 | 织物定型机的操作方法 |
| CN111474476B (zh) * | 2020-03-22 | 2021-06-08 | 华南理工大学 | 一种电机故障预测方法 |
| CN112729815A (zh) * | 2020-12-21 | 2021-04-30 | 云南迦南飞奇科技有限公司 | 基于无线网络的输送线健康状况在线故障大数据预警方法 |
| CN113255965A (zh) * | 2021-04-26 | 2021-08-13 | 大连海事大学 | 一种雷达发射机退化故障预后智能处理系统 |
| CN113657664A (zh) * | 2021-08-16 | 2021-11-16 | 大连海事大学 | 一种船舶机舱设备状态预测系统及方法 |
| CN114057053B (zh) * | 2022-01-18 | 2022-04-26 | 杭州浅水数字技术有限公司 | 用于特种机械的部件疲劳程度监测方法 |
| CN115499458A (zh) * | 2022-07-29 | 2022-12-20 | 国家电投集团云南国际电力投资有限公司 | 基于物联网的振动监测方法、装置、设备及存储介质 |
| CN117021123B (zh) * | 2023-10-09 | 2024-01-30 | 泓浒(苏州)半导体科技有限公司 | 一种超真空环境下晶圆转运机械臂的振动预测系统及方法 |
| CN117150216B (zh) * | 2023-10-31 | 2024-01-23 | 国网冀北电力有限公司 | 一种电力数据回归分析方法及系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102121967A (zh) * | 2010-11-20 | 2011-07-13 | 太原理工大学 | 一种三相旋转机电设备运行状态实时预测诊断器 |
| CN204241647U (zh) * | 2013-12-20 | 2015-04-01 | 上海西派埃自动化仪表工程有限责任公司 | 电机故障诊断测试仪 |
| CN105205569A (zh) * | 2015-10-15 | 2015-12-30 | 华侨大学 | 风机齿轮箱状态在线评估模型建立方法及在线评估方法 |
-
2017
- 2017-07-03 CN CN201710535343.1A patent/CN107247230B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102121967A (zh) * | 2010-11-20 | 2011-07-13 | 太原理工大学 | 一种三相旋转机电设备运行状态实时预测诊断器 |
| CN204241647U (zh) * | 2013-12-20 | 2015-04-01 | 上海西派埃自动化仪表工程有限责任公司 | 电机故障诊断测试仪 |
| CN105205569A (zh) * | 2015-10-15 | 2015-12-30 | 华侨大学 | 风机齿轮箱状态在线评估模型建立方法及在线评估方法 |
Non-Patent Citations (1)
| Title |
|---|
| 电动车用永磁同步电机相电压补偿策略研究;周传炜;《中国优秀硕士学位论文全文数据库 工程科技II辑》;20160215(第2期);全文 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2804260C1 (ru) * | 2023-04-05 | 2023-09-26 | Общество с ограниченной ответственностью "Инжиниринговый центр "Русэлпром" | Способ и устройство мониторинга температуры и вибрации электромашинного оборудования |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107247230A (zh) | 2017-10-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107247230B (zh) | 一种基于支持向量机和数据驱动的旋转电机状态监测方法 | |
| Wang et al. | A novel statistical time-frequency analysis for rotating machine condition monitoring | |
| CN109613428A (zh) | 一种能像系统及其在电机设备故障检测方法中的应用 | |
| CA2868643C (en) | Wind turbine and method for evaluating the health state of the blades thereof | |
| CN108921303A (zh) | 工业电动机的故障诊断及预测性维护方法 | |
| CN109765484A (zh) | 基于“正确树”模型的电机在线监测和故障诊断方法 | |
| Cheng et al. | High-accuracy unsupervised fault detection of industrial robots using current signal analysis | |
| CN102033200A (zh) | 基于统计模型的交流电机在线监测和诊断方法 | |
| CN107291991B (zh) | 一种基于动态网络标志的风电机组早期缺陷预警方法 | |
| CN108871438A (zh) | 一种基于三轴振动的电机监测诊断方法 | |
| CN111122191B (zh) | 一种基于ewma控制的设备安康报警阈值设定方法 | |
| CN106656669A (zh) | 一种基于阈值自适应设置的设备参数异常检测系统及方法 | |
| CN109405889A (zh) | 用于掘进机工作臂减速器故障预测的系统与方法 | |
| CN110398384A (zh) | 旋转机械的机器健康监测 | |
| CN116893643A (zh) | 一种基于数据分析的智能机器人行驶轨迹安全管控系统 | |
| CN115508703A (zh) | 一种多源信息融合的电机故障诊断方法及系统 | |
| CN117786385B (zh) | 基于孪生网络的三相异步电动机故障监测方法及系统 | |
| CN110907112A (zh) | 一种非正弦振动台设备故障诊断方法和系统 | |
| KR102545672B1 (ko) | 기계고장 진단 방법 및 장치 | |
| CN113280910A (zh) | 一种长材生产线设备实时监测方法及系统 | |
| CN109270860A (zh) | 一种设备运行状态监控用集成数据采集系统及其监控方法 | |
| CN114508490B (zh) | 一种智能中开离心泵以及应用于该离心泵的网络故障点定位方法、可读存储模块 | |
| CN114412447A (zh) | 一种螺杆泵井的故障检测方法及装置 | |
| CN113064075A (zh) | 一种基于边缘计算及深度学习的电机寿命预估方法 | |
| CN116893297B (zh) | 旋转设备能耗的监测方法、监测系统 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |