CN107305238A - 一种烧结主抽风机的故障诊断方法及装置 - Google Patents
一种烧结主抽风机的故障诊断方法及装置 Download PDFInfo
- Publication number
- CN107305238A CN107305238A CN201610251851.2A CN201610251851A CN107305238A CN 107305238 A CN107305238 A CN 107305238A CN 201610251851 A CN201610251851 A CN 201610251851A CN 107305238 A CN107305238 A CN 107305238A
- Authority
- CN
- China
- Prior art keywords
- mtr
- mtd
- machine model
- learning machine
- sample
- 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
- 238000005245 sintering Methods 0.000 title claims abstract description 115
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000012360 testing method Methods 0.000 claims abstract description 93
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 79
- 238000003745 diagnosis Methods 0.000 claims abstract description 34
- 238000004804 winding Methods 0.000 claims abstract description 18
- 230000001360 synchronised effect Effects 0.000 claims abstract description 15
- 238000000605 extraction Methods 0.000 claims abstract description 9
- 239000013598 vector Substances 0.000 claims description 126
- 238000012549 training Methods 0.000 claims description 69
- 239000011159 matrix material Substances 0.000 claims description 62
- 210000002364 input neuron Anatomy 0.000 claims description 6
- 210000004205 output neuron Anatomy 0.000 claims description 6
- 230000007257 malfunction Effects 0.000 claims 3
- 238000004458 analytical method Methods 0.000 abstract description 8
- 230000008569 process Effects 0.000 description 16
- 238000010586 diagram Methods 0.000 description 9
- 238000012423 maintenance Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 9
- 238000012544 monitoring process Methods 0.000 description 7
- 239000000284 extract Substances 0.000 description 5
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 239000000428 dust Substances 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 229910052742 iron Inorganic materials 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000005674 electromagnetic induction Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004449 solid propellant Substances 0.000 description 1
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)
- Manufacture And Refinement Of Metals (AREA)
Abstract
本发明提供一种烧结主抽风机的故障诊断方法及装置，所述烧结主抽风机的故障诊断方法包括：采集与烧结主抽风机相连的同步电机的三相绕组的电流信号；将所述电流信号进行小波包分解，提取测试样本并利用极限学习机模型获取烧结主抽风机的故障信息。小波包分析法能够对高频、低频分量进行有效的提取和分解，在保证信息完整性的同时随着故障程度的加深还可以反映信号的非平稳、持时短等特性，可以有效适应烧结主抽风机恶劣的工作环境以及电流信号的谐波特征。同时，极限学习机分类能力强，可以较好适应烧结主抽风机的各种故障类型。由此可知，本发明提供的烧结主抽风机的故障诊断方法，可以解决现有技术中故障诊断的准确性不高的技术问题。
Description
技术领域
本发明涉及一种旋转机械的故障诊断方法，尤其涉及一种烧结主抽风机的故障诊断方法及装置。
背景技术
炼铁厂炼铁的原材料主要由烧结厂提供，烧结主抽风机是烧结厂的核心设备之一，承担着为烧结机通风的重要任务。烧结主抽风机通过烟道抽出烧结机中的空气，产生负压,使烧结料中的固体燃料从下至上充分燃烧；同时将烧结过程中产生的气体和灰尘经烟道、除尘器净化后由烟囱排出。烧结主抽风机风量和负压的选择和调整直接关系着烧结质量，一旦烧结主抽风机出现系统故障且得不到及时准确的维修，则烧结机必须进行停机处理，整个烧结工艺也随之暂停，对烧结厂造成巨大的经济损失，甚至带来不可弥补的后果。
烧结主抽风机在运转过程中常常由于各种原因引起风机故障，严重时可能影响烧结主抽风机的安全运转，进而影响整个烧结工序，主要包括烧结主抽风机自身机械原因引起的故障以及与烧结主抽风机相连的同步电机引起的故障。烧结主抽风机主要由机壳(定子)、叶轮组(转子)、轴承组以及联轴器等部件构成。烧结主抽风机自身机械原因引起的故障主要包括：①转子本身不平衡引起的振动：叶轮的重心偏离回转轴的中心线时，产生叶轮轴在运转时的振动；②风机轴与电机轴不同心：由于安装和检修时中心未找好，造成风机轴与电机轴不同心，产生附加不平衡，从而引起烧结主抽风机振动；③风机转子叶轮急剧磨损：由于除尘设备维护不当，未达到正常使用要求，放灰不正常等引起风机叶轮急剧不均匀磨损；④轴瓦与轴承座之间缺少预紧力：轴瓦在轴承座内呈自由状态，振动加重。
此外，由于同步电机本身特点，也会引起烧结主抽风机故障。例如,同步电机由于电磁力不平衡而使定子受到变化的电磁力作用产生周期性振动，它的振动频率等于转速与极数的乘积的倍数。如果它的频率与同步电机机座固有频率相一致，则振动将增加，烧结主抽风机也会受影响而振动。
请参见图1，所示为烧结主抽风机与同步电机的连接关系示意图。在整个烧结抽风系统中，烧结主抽风机通过联轴器与驱动烧结主抽风机的同步电机相连。烧结主抽风机包括风机驱动侧和风机非驱动侧，同步电机包括电机驱动侧和电机非驱动侧，其中，风机驱动侧通过联轴器与电机驱动侧相连，电机驱动侧带动风机驱动侧运转，从而为烧结主抽风机提供运行动力，因此，依据电磁感应原理烧，结主抽风机的系统故障也可以通过同步电机的三相电流的测试结果得出。
目前，烧结厂对烧结主抽风机的维护仍然以人工定期检修为主。这种方式存在着“过剩维修”和“维修不足”等诸多缺点。同时，人工定期检修的方式很难准确判断故障的类型、部位以及严重程度。近年来，设备状态监测系统实现了在线状态监测和预知维修。设备状态监测系统通过采集设备状态信号，并将采样信号与预先建立的故障数据库进行比对的方式判断设备故障类型以及故障部位等。
但是，烧结主抽风机故障种类繁多且工作环境恶劣，使得烧结主抽风机的状态信号非常复杂，增加了设备状态监测系统对烧结主抽风机状态信号提取和分析的难度，导致现有的设备状态监测系统对烧结主抽风机故障诊断的准确性差强人意。同时，烧结主抽风机的状态信号易受到变化的电、热、机械等外界环境的干扰，状态信号波动较大。
发明内容
本发明提供一种烧结主抽风机的故障诊断方法及装置，以解决现有技术中故障诊断的准确性不高的技术问题。
本发明提供一种烧结主抽风机的故障诊断方法，所述烧结主抽风机的故障诊断方法包括：
采集与烧结主抽风机相连的同步电机的三相绕组的电流信号；
将所述电流信号进行小波包分解，提取与所述电流信号对应的包括待测能量特征向量的测试样本；
将所述测试样本输入至预先经过训练得到的极限学习机模型中，根据所述极限学习机模型输出的目标输出向量，获取烧结主抽风机的故障信息。
可选的，所述将所述电流信号进行小波包分解，提取与所述电流信号对应的包括待测能量特征向量的测试样本包括：
将所述电流信号进行小波包分解，提取电流信号相应频段的小波包分解系数Sij，其中i为小波包分解层数，j为小波包分解的节点数；
重构所述小波包分解系数Sij，提取相应频段的信号能量Eij；
根据所述信号能量Eij构造能量特征向量，并将所述能量特征向量标准化，获取标准能量特征向量；
将所述标准能量特征向量确定为与所述电流信号对应的测试样本。
可选的，所述将所述电流信号进行小波包分解，提取与所述电流信号对应的能量特征向量还包括：对所述小波包分解系数Sij的去噪处理。
可选的，所述烧结主抽风机的故障诊断方法还包括：
利用已知状态类型的训练样本初始化极限学习机模型，其中，所述训练样本包括经小波包分解提取的训练样本标准能量特征向量以及与所述训练样本标准能量特征向量对应的训练样本期望输出向量；
获取测试样本采集时间点之前，且与所述测试样本最近的预设时间间隔内的学习样本，其中，所述学习样本包括经小波包分解提取的学习样本标准能量特征向量以及与所述学习样本标准能量特征向量对应的学习样本期望输出向量；
利用所述学习样本在线贯序更新所述极限学习机模型，获取更新后的极限学习机模型；
将所述测试样本输入至更新后的极限学习机模型中，根据所述更新后的极限学习机模型输出的目标输出向量，获取烧结主抽风机的故障信息。
可选的，所述获取测试样本采集时间点之前，且与所述测试样本最近的预设时间间隔内的学习样本包括：
获取测试样本采集时间点之前，且与所述测试样本最近的预设时间间隔内的历史测试样本；
获取与所述历史测试样本相对应的期望输出向量。
可选的，所述利用已知状态类型的训练样本初始化极限学习机模型包括：
获取N个独立的训练样本X＝[xi1,xi1,…xin,yi]T，xi∈Rn，yi∈Rm，其中，n和m分别为输入和输出神经元的个数；
获取极限学习机模型中隐含层个数L；
随机选取极限学习机模型中与所述训练样本相对应的输入层权值ωi和隐含层阈值bi，其中i＝1…L；
根据极限学习机模型
H0β0＝Y0
其中，
获取初始输出层权值矩阵β0，其中，矩阵H0为初始隐含层输出矩阵，Y0为初始期望输出矩阵。
可选的，所述利用所述学习样本在线贯序更新所述极限学习机模型，获取更新后的极限学习机模型包括：
利用所述学习样本获取更新隐含层输出矩阵H和更新期望输出矩阵Y；
根据所述更新隐含层输出矩阵H和更新期望输出矩阵Y获取更新输出层权值矩阵β。
本发明还提供一种烧结主抽风机的故障诊断装置，所述烧结主抽风机的故障诊断装置包括：
采集模块，所述采集模块用于采集与烧结主抽风机相连的同步电机的三相绕组的电流信号；
提取模块，所述提取模块用于将所述电流信号进行小波包分解，提取与所述电流信号对应的包括待测能量特征向量的测试样本；
第一故障信息获取模块，所述故障信息获取模块用于将所述测试样本输入至预先经过训练得到的极限学习机模型中，根据所述极限学习机模型输出的目标输出向量，获取烧结主抽风机的故障信息。
可选的，所述提取模块用于：
将所述电流信号进行小波包分解，提取电流信号相应频段的小波包分解系数Sij，其中i为小波包分解层数，j为小波包分解的节点数；
重构所述小波包分解系数Sij，提取相应频段的信号能量Eij；
根据所述信号能量Eij构造能量特征向量，并将所述能量特征向量标准化，获取标准能量特征向量；
将所述标准能量特征向量确定为与所述电流信号对应的测试样本。
可选的，所述提取模块还用于：对所述小波包分解系数Sij的去噪处理。
可选的，所述烧结主抽风机的故障诊断装置还包括：
极限学习机模型初始化模块，所述极限学习机模型初始化模块用于利用已知状态类型的训练样本初始化极限学习机模型，其中，所述训练样本包括经小波包分解提取的训练样本标准能量特征向量以及与所述训练样本标准能量特征向量对应的训练样本期望输出向量；
学习样本获取模块，所述学习样本获取模块用于获取测试样本采集时间点之前，且与所述测试样本最近的预设时间间隔内的学习样本，其中，所述学习样本包括经小波包分解提取的学习样本标准能量特征向量以及与所述学习样本标准能量特征向量对应的学习样本期望输出向量；
极限学习机模型更新模块，所述极限学习机模型更新模块用于利用所述学习样本在线贯序更新所述极限学习机模型，获取更新后的极限学习机模型；
第二故障信息获取模块，所述第二故障信息获取模块用于将所述测试样本输入至更新后的极限学习机模型中，根据所述更新后的极限学习机模型输出的目标输出向量，获取烧结主抽风机的故障信息。
可选的，所述学习样本获取模块用于：
获取测试样本采集时间点之前，且与所述测试样本最近的预设时间间隔内的历史测试样本；
获取与所述历史测试样本相对应的期望输出向量。
可选的，所述极限学习机模型初始化模块用于：
获取N个独立的训练样本X＝[xi1,xi1,…xin,yi]T，xi∈Rn，yi∈Rm，其中，n和m分别为输入和输出神经元的个数；
获取极限学习机模型中隐含层个数L；
随机选取极限学习机模型中与所述训练样本相对应的输入层权值ωi和隐含层阈值bi，其中i＝1…L；
根据极限学习机模型
H0β0＝Y0
其中，
获取初始输出层权值矩阵β0，其中，矩阵H0为初始隐含层输出矩阵，Y0为初始期望输出矩阵。
可选的，所述极限学习机模型更新模块用于：
利用所述学习样本获取更新隐含层输出矩阵H和更新期望输出矩阵Y；
根据所述更新隐含层输出矩阵H和更新期望输出矩阵Y获取更新输出层权值矩阵β。
本发明的实施例提供的技术方案可以包括以下有益效果：
本发明提供一种烧结主抽风机的故障诊断方法及装置，所述烧结主抽风机的故障诊断方法包括：采集与烧结主抽风机相连的同步电机的三相绕组的电流信号；将所述电流信号进行小波包分解，提取与所述电流信号对应的包括待测能量特征向量的测试样本；将所述测试样本输入至预先经过训练得到的极限学习机模型中，根据所述极限学习机模型输出的目标输出向量，获取烧结主抽风机的故障信息。本发明采用小波包分析法提取测试样本，并利用极限学习机模型获取烧结主抽风机的故障信息。小波包分析法能够对高频、低频分量进行有效的提取和分解，在保证信息完整性的同时随着故障程度的加深还可以反映信号的非平稳、持时短等特性，可以有效适应烧结主抽风机恶劣的工作环境以及电流信号的谐波特征。同时，极限学习机分类能力强，可以较好适应烧结主抽风机的各种故障类型。由此可知，本发明提供的烧结主抽风机的故障诊断方法，可以解决现有技术中故障诊断的准确性不高的技术问题。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。
附图说明
图1是烧结主抽风机与同步电机的连接关系示意图；
图2是本发明实施例中提供的一种烧结主抽风机的故障诊断方法的方法流程图；
图3是本发明实施例中提供的步骤S02的流程图；
图4是本发明实施例中提供的另一种烧结主抽风机的故障诊断方法的方法流程图；
图5是本发明实施例中提供的系统原理图；
图6是本发明实施例中提供的步骤S101的流程图；
图7是本发明实施例中提供的步骤S103的流程图；
图8是本发明实施例提供的极限学习机模型分批次学习示意图；
图9本发明实施例中提供的一种烧结主抽风机故障诊断装置的结构示意图；
图10发明实施例中提供的另一种烧结主抽风机故障诊断装置的结构示意图；
符号表示：
101-采集模块，102-提取模块，103-第一故障信息获取模块，201-极限学习机模型初始化模块，202-学习样本获取模块，203-极限学习机模型更新模块，204-第二故障信息获取模块。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置的例子。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其它实施例的不同之处。
请参考图2，所示为本发明实施例中提供的一种烧结主抽风机的故障诊断方法的方法流程图。参见图2所示，本方法包括：
S01：采集与烧结主抽风机相连的同步电机的三相绕组的电流信号。
本实施例中，电流检测装置可以为三相电流互感器，监测同步电机的A相电流、B相电流和C相电流，其采样频率均为5000Hz。通过对以上监测位点的实时监测，可以从整体上反映对烧结主抽风机的工作状态。当然，本领域技术人员应该知道，本实施例中的电流检测装置也可以是其他可以采集三相电流信号的装置。
S02：将所述电流信号进行小波包分解，提取与所述电流信号对应的包括待测能量特征向量的测试样本。
小波包分解的分解层数是特征信号提取质量的重要影响因素。小波包分解的分解层数越多，特征信号分解的个数也越多，特征信号提取的质量和效果也就越好。但是，受到硬件设备等外界因素的制约，本实施例将电流信号小波包分解的分解层数设定为3层，并提取第3层从低频到高频的8个频率成分的特征信号(小波包分解系数)。
S03：将所述测试样本输入至预先经过训练得到的极限学习机模型中，根据所述极限学习机模型输出的目标输出向量，获取烧结主抽风机的故障信息。
由于目标输出向量与状态类型具有唯一确定的对应关系，因此，可以根据目标输出向量即可获取相应的状态类型，若目标输出向量对应的状态类型为正常运转状态，则不需要进行维修操作，若目标输出向量对应的状态类型为转子不平衡、轴承磨损、转子裂纹、转子裂纹摩擦以及滚动轴承故障的故障状态，则需要根据故障类型、故障地点等故障信息及时预防与维修，避免造成严重的经济损失。
请参考图3，所示为本发明实施例中提供的步骤S02的流程图。参见图3所示：
S021：将所述电流信号进行小波包分解，提取电流信号相应频段的小波包分解系数Sij，其中i为小波包分解层数，j为小波包分解的节点数。本实施例中将电流信号小波包分解的分解层数设定为3层，即i＝3，并提取第3层从低频到高频的8个频率成分的特征信号(小波包分解系数)，即S30、S31、S32、S33、S34、S35、S36和S37。
S022：重构所述小波包分解系数Sij，提取相应频段的信号能量Eij。
根据
提取相应频段的信号能量Eij，其中，n为离散点个数，iij重构信号离散点幅值。相应的，3层小波包分解提取的信号能量Eij分别为：E30,E31,E32,E33,E34,E35,E36,E37。
S023：根据所述信号能量Eij构造能量特征向量，并将所述能量特征向量标准化，获取标准能量特征向量。
能量特征向量T表示为：T＝[E30,E31…E37]
根据
Enorm＝(Eij-Emean)/σ
标准化能量特征向量T获取标准能量特征向量，其中，Emean为信号能量Eij的均值，σ为信号能量Eij的标准差。
S024：将所述标准能量特征向量确定为与所述电流信号对应的测试样本。
将所述标准能量特征向量输入至预先经过训练得到的极限学习机模型中，根据所述极限学习机模型输出的目标输出向量，获取烧结主抽风机的故障信息。
在本实施例或本发明其他某些实施例中，在步骤S022之前还可以包括对所述小波包分解系数Sij的去噪处理。
小波包分解系数Sij的去噪处理可以利用rigrsure阈值(无偏风险估计阈值)、sqtwolog阈值(固定阈值)、minimaxi阈值(极大极小阈值)以及heursure阀值(启发式阈值)等对小波包分解系数Sij重新筛选，将小波包分解系数Sij中的噪音信号去除。
本发明中烧结主抽风机的工作环境恶劣，噪音、灰尘以及相关设备的振动等外界干扰因素严重影响电流信号的采集和处理，因此，本实施例利用heursure阀值对所述小波包分解系数Sij进行软阈值函数去噪处理,获取估计系数并根据所述估计系数提取相应频段的信号能量再根据所述信号能量构造能量特征向量，并将所述能量特征向量标准化。heursure阀值所选择的是最优预测变量阈值，适用于信噪比很小，阈值估计有很大噪声的情况。
根据软阈值函数
获取估计系数其中，λ为heursure阀值。
即当小波包分解系数Sij的绝对值大于或者等于heursure阀值时，估计系数为小波包分解系数Sij的绝对值减去heursure阀值再乘以符号函数；当小波包分解系数Sij的绝对值小于heursure阀值时，估计系数为零。采用软阈值函数去噪处理获得的估计系数的整理连续性较好，不会产生附加震荡。
请参考图4，所示为本发明实施例中提供的另一种烧结主抽风机的故障诊断方法的方法流程图。参见图4所示：
S101：利用已知状态类型的训练样本初始化极限学习机模型，其中，所述训练样本包括经小波包分解提取的训练样本标准能量特征向量以及与所述训练样本标准能量特征向量对应的训练样本期望输出向量。
本实施例中训练样本的状态类型包括烧结主抽风机正常运转、定子绕组A相短路、定子绕组A相开路、定子绕组B相短路、定子绕组B相开路、定子绕组C相短路、定子绕组C相开路、转子绕组a相短路、转子绕组a相开路、转子绕组b相短路、转子绕组b相开路、转子绕组c相短路、转子绕组c相开路、转子不对中、转子体不平衡以及支撑结构松动16种状态类型，以上16种类型对应的样本标签分别为1至16，所述样本能量特征向量对应的期望输出向量与以上16种状态类型具有唯一确定的对应关系。本实施例选取的16种状态类型，其对应的电流信号信号精度较高，期望输出向量与状态类型的对应关系较为明确，且利用极限学习机模型输出的诊断结果准确性也较高。
本实施例训练样本中的标准能量特征向量提取方式与上述测试样本中标准能量特征向量的提取方式相同。
S102：获取测试样本采集时间点之前，且与所述测试样本最近的预设时间间隔内的学习样本。
所述学习样本包括经小波包分解提取的学习样本标准能量特征向量以及与所述学习样本标准能量特征向量对应的学习样本期望输出向量。
在本发明的某些实施例中，所述获取测试样本采集时间点之前，且与所述测试样本最近的预设时间间隔内的学习样本包括：获取测试样本采集时间点之前，且与所述测试样本最近的预设时间间隔内的测试样本；获取与所述测试样本相对应的期望输出向量。
也就是，学习样本标准能量特征向量即为测试样本采集时间点之前，且与所述测试样本最近的预设时间间隔内的测试样本；而与所述学习样本标准能量特征向量对应的学习样本期望输出向量即为与所述测试样本相对应的期望输出向量。
S103：利用所述学习样本在线贯序更新所述，获取更新后的极限学习机模型。
S104：将所述测试样本输入至更新后的极限学习机模型中，根据所述更新后的极限学习机模型输出的目标输出向量，获取烧结主抽风机的故障信息。
本发明采用小波包分析法提取测试样本，并利用经过小波分析的已知状态类型的能量特征向量对极限学习机模型进行初始化和再学习(更新极限学习机模型)。小波包分析法能够对高频、低频分量进行有效的提取和分解，在保证信息完整性的同时随着故障程度的加深还可以反映信号的非平稳、持时短等特性，可以有效适应烧结主抽风机恶劣的工作环境以及电流信号的谐波特征。同时，极限学习机分类能力强，且可以在线贯序更新，对历史训练数据做抛弃处理，故可自适应当前工作状态，提高学习速度，降低系统冗余，增强泛化能力以及对烧结主抽风机新故障的适应能力。
请参考图5，所示为本发明实施例中提供的系统原理图。参见图5所示：
采样单元：负责对电流信号的采集和推送，供数据处理单元使用；
数据处理单元：负责处理采集到的电流信号，具体为对电流信号进行小波包处理，并将提取的待测能量特征向量分别输出至建模单元和知识管理单元；
建模单元：建模单元负责极限学习机模型的初始化以及再学习，其中，极限学习机模型的初始化是利用已知状态类型的训练样本构建极限学习机模型；再学习是利用知识管理单元输入的最新样本数据在线更新极限学习机模型；
知识管理单元：知识管理单元负责存贮最新样本数据，并控制建模单元对极限学习机模型进行最新样本数据的在线贯序更新；
诊断单元：利用极限学习机模型对待测能量特征向量进行诊断，并输出诊断结果。
请参考图6，所示为本发明实施例中提供的步骤S101的流程图。参见图6所示：
S1011：获取N个独立的训练样本X＝[xi1,xi1,…xin,yi]T，xi∈Rn，yi∈Rm，其中，n和m分别为输入和输出神经元的个数。
N个独立的训练样本可以是任意已知类型的训练样本，训练样本中包括经小波包分解提取的样本能量特征向量以及与所述样本能量特征向量对应的期望输出向量。本实施例中选取100组训练样本用以初始化极限学习机模型。
S1012：获取极限学习机模型中隐含层个数L。
本实施例可以采用如下方法获取隐含层个数L：
(1)在20-100范围内随机选取一个数值L1作为预设隐含层个数L0；
(2)随机选取100组训练样本中的80组训练样本用以初始化极限学习机模型，其余20组训练样本用以测试极限学习机模型，并记录测试结果的精度X1；
(3)在20-100范围内随机选取另外一个与L2不同的数值作为预设隐含层个数L0；以同样的方式处理100组训练样本，记录测试结果的精度X2；并通过比较精度X1和精度X2确定隐含层个数L选取的趋势。例如，若L1>L2，X1>X2，说明隐含层个数的增大不利于提高测试结果的精度，因此，下次实验时应当适当降低隐含层个数L的取值；
(4)按照以上实验方法，直至两次测试结果的精度相差不到0.5％，则将两次测试结果中与精度较大的测试结果对应的预设隐含层个数L0确定为隐含层个数L。
S1013：随机选取极限学习机模型中与所述训练样本相对应的输入层权值ωi和隐含层阈值bi，其中i＝1…L。
S1014：根据极限学习机模型
H0β0＝Y0
其中，
获取初始输出层权值矩阵β0，其中，矩阵H0为初始隐含层输出矩阵，Y0为初始期望输出矩阵。
当激活函数g(ωixi+bi)无限可微时，输入层权值ωi和隐含层阈值bi可随机赋值，此时，矩阵H0为一常数矩阵。
根据
获取初始输出层权值矩阵β0，其中，H+为隐含层输出矩阵H的MP(Moore-Penrose)增广逆矩阵。当初始输出层权值矩阵β0计算完成时，一个单隐藏层反馈神经元网络即初始化完成。
请参考图7，所示为本发明实施例中提供的步骤S103的流程图。参见图7所示：
S1031：利用所述学习样本获取更新隐含层输出矩阵H和更新期望输出矩阵Y；
知识管理单元中存贮有最新学习样本，当极限学习机模型需要更新时，可以调用存贮至知识管理单元中的最新学习样本，本实施例中的最新学习样本为测试样本采集时间点之前，且与所述测试样本最近的预设时间间隔内的测试样本。
S1032：根据所述更新隐含层输出矩阵H和更新期望输出矩阵Y获取更新输出层权值矩阵β。
极限学习机模型的学习过程实际就是输出层权值矩阵β不断更新的过程，通过输出层权值矩阵β的不断更新以适应不断变化的工作环境，增强对新故障类型的适应性。同时，本发明中极限学习机模型的学习(更新)过程采用在线方式，即可在实际故障诊断过程中完成，且完成更新的同时抛弃历史训练数据，从而进一步增强对故障诊断的时效性、准确性以及自适应性。
对于样本数据的在线更新可以是实时的，也可以是分批次的学习过程，鉴于硬件设备等条件限制，本实施例中样本数据的在线更新设定为5-10S的分批次学习。
请参考图8，所示为本发明实施例提供的极限学习机模型分批次学习示意图，图8中，
E0为烧结主抽风机的测试样本，将E0输入至极限学习机初始化模型中，对应的目标输出向量为Y0′，根据目标输出向量为Y0′可以判断烧结主抽风机的故障类型。同时，E0和与E0对应的期望输出向量Y0又可以作为第一批次更新极限学习机模型的学习样本。类似的，E1为E0之后的测试样本，对应的目标输出向量为Y1′。同时，E1和与E1对应的期望输出向量Y1又可以作为第二批次更新极限学习机模型的学习样本，如此循环至测试样本Ek。由以上训练过程可知，本发明提供的烧结主抽风机的故障诊断方法中，测试样本的检测和极限学习机模型的更新可以同步进行，在连续的训练过程中，可将上一批次的测试样本作为学习样本，按照一定的时间间隔分批次的更新极限学习机模型，并对历史训练数据做抛弃处理，从而保证更新的极限学习机模型自适应当前工作状态，提高学习速度，降低系统冗余，增强泛化能力以及对烧结主抽风机新故障的适应能力。本实施例中每一批次的训练样本数量可以不同。
本实施例或本发明某些实施例中所述烧结主抽风机的故障诊断方法还可以包括：
查找与所述目标输出向量对应的状态类型，所述状态类型为所述训练样本中包含的状态类型；
若查找到与所述目标输出向量对应的状态类型，则开启智能模式，根据所述目标输出向量，获取烧结主抽风机的故障信息；
若未查找到与所述目标输出向量对应的状态类型，则开启工程师模式，将所述电流信号和待测能量特征向量上传至上位机。即当出现难以辨识的故障类型时，可直接将电流信号和待测能量特征向量上传至上位机供专业人员进行分析、处理。
下述为本发明装置实施例，可以用于执行本发明方法实施例。对于本发明装置实施例中未披露的细节，请参照本发明方法实施例。
请参考图9，所示为本发明实施例提供的一种烧结主抽风机故障诊断装置的结构示意图，所述烧结主抽风机的故障诊断装置包括：
采集模块101，所述采集模块用于采集烧结主抽风机的电流信号，所述电流信号为风机驱动侧水平电流信号、风机驱动侧垂直电流信号、电机驱动侧水平电流信号或电机驱动侧垂直电流信号；
提取模块102，所述提取模块用于将所述电流信号进行小波包分解，提取与所述电流信号对应的包括待测能量特征向量的测试样本；
第一故障信息获取模块103，所述故障信息获取模块用于将所述测试样本输入至预先经过训练得到的极限学习机模型中，根据所述极限学习机模型输出的目标输出向量，获取烧结主抽风机的故障信息。
本发明采用小波包分析法提取测试样本，并利用极限学习机模型获取烧结主抽风机的故障信息。小波包分析法能够对高频、低频分量进行有效的提取和分解，在保证信息完整性的同时随着故障程度的加深还可以反映信号的非平稳、持时短等特性，可以有效适应烧结主抽风机恶劣的工作环境以及电流信号的谐波特征。同时，极限学习机分类能力强，可以较好适应烧结主抽风机的各种故障类型。由此可知，本发明提供的烧结主抽风机的故障诊断方法，可以解决现有技术中故障诊断的准确性不高的技术问题。
在本实施例或本发明其他某些实施例中，所述提取模块102用于：
将所述电流信号进行小波包分解，提取电流信号相应频段的小波包分解系数Sij，其中i为小波包分解层数，j为小波包分解的节点数；
重构所述小波包分解系数Sij，提取相应频段的信号能量Eij；
根据所述信号能量Eij构造能量特征向量，并将所述能量特征向量标准化，获取标准能量特征向量；
将所述标准能量特征向量确定为与所述电流信号对应的测试样本。
在本实施例或本发明其他某些实施例中，所述提取模块102还用于：
对所述小波包分解系数Sij的去噪处理。
请参考图10，所示为本发明实施例提供的另一种烧结主抽风机故障诊断装置的结构示意图，所述烧结主抽风机的故障诊断装置还包括：
极限学习机模型初始化模块201，所述极限学习机模型初始化模块用于利用已知状态类型的训练样本初始化极限学习机模型，其中，所述训练样本包括经小波包分解提取的训练样本标准能量特征向量以及与所述训练样本标准能量特征向量对应的训练样本期望输出向量；
学习样本获取模块202，所述学习样本获取模块用于获取测试样本采集时间点之前，且与所述测试样本最近的预设时间间隔内的学习样本，其中，所述学习样本包括经小波包分解提取的学习样本标准能量特征向量以及与所述学习样本标准能量特征向量对应的学习样本期望输出向量；
极限学习机模型更新模块203，所述极限学习机模型更新模块用于利用所述学习样本在线贯序更新所述极限学习机模型，获取更新后的极限学习机模型；
第二故障信息获取模块204，所述第二故障信息获取模块用于将所述测试样本输入至更新后的极限学习机模型中，根据所述更新后的极限学习机模型输出的目标输出向量，获取烧结主抽风机的故障信息。
在本实施例或本发明其他某些实施例中，学习样本获取模块202用于：
获取测试样本采集时间点之前，且与所述测试样本最近的预设时间间隔内的测试样本；
获取与所述测试样本相对应的期望输出向量。
在本实施例或本发明其他某些实施例中，极限学习机模型初始化模块201用于：
获取N个独立的训练样本X＝[xi1,xi1,…xin,yi]T，xi∈Rn，yi∈Rm，其中，n和m分别为输入和输出神经元的个数；
获取极限学习机模型中隐含层个数L；
随机选取极限学习机模型中与所述训练样本相对应的输入层权值ωi和隐含层阈值bi，其中i＝1…L；
根据极限学习机模型
H0β0＝Y0
其中，
获取初始输出层权值矩阵β0，其中，矩阵H0为初始隐含层输出矩阵，Y0为初始期望输出矩阵。
在本实施例或本发明其他某些实施例中，极限学习机模型更新模块203用于：
利用所述学习样本获取更新隐含层输出矩阵H和更新期望输出矩阵Y；
根据所述更新隐含层输出矩阵H和更新期望输出矩阵Y获取更新输出层权值矩阵β。
以上所述的本发明实施方式，并不构成对本发明保护范围的限定。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明的保护范围之内。
需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (14)
1.一种烧结主抽风机的故障诊断方法，其特征在于，所述烧结主抽风机的故障诊断方法包括：
采集与烧结主抽风机相连的同步电机的三相绕组的电流信号；
将所述电流信号进行小波包分解，提取与所述电流信号对应的包括待测能量特征向量的测试样本；
将所述测试样本输入至预先经过训练得到的极限学习机模型中，根据所述极限学习机模型输出的目标输出向量，获取烧结主抽风机的故障信息。
2.根据权利要求1所述的烧结主抽风机的故障诊断方法，其特征在于，所述将所述电流信号进行小波包分解，提取与所述电流信号对应的包括待测能量特征向量的测试样本包括：
将所述电流信号进行小波包分解，提取电流信号相应频段的小波包分解系数Sij，其中i为小波包分解层数，j为小波包分解的节点数；
重构所述小波包分解系数Sij，提取相应频段的信号能量Eij；
根据所述信号能量Eij构造能量特征向量，并将所述能量特征向量标准化，获取标准能量特征向量；
将所述标准能量特征向量确定为与所述电流信号对应的测试样本。
3.根据权利要求2所述的烧结主抽风机的故障诊断方法，其特征在于，所述将所述电流信号进行小波包分解，提取与所述电流信号对应的能量特征向量还包括：
对所述小波包分解系数Sij的去噪处理。
4.根据权利要求1所述的烧结主抽风机的故障诊断方法，其特征在于，所述烧结主抽风机的故障诊断方法还包括：
利用已知状态类型的训练样本初始化极限学习机模型，其中，所述训练样本包括经小波包分解提取的训练样本标准能量特征向量以及与所述训练样本标准能量特征向量对应的训练样本期望输出向量；
获取测试样本采集时间点之前，且与所述测试样本最近的预设时间间隔内的学习样本，其中，所述学习样本包括经小波包分解提取的学习样本标准能量特征向量以及与所述学习样本标准能量特征向量对应的学习样本期望输出向量；
利用所述学习样本在线贯序更新所述极限学习机模型，获取更新后的极限学习机模型；
将所述测试样本输入至更新后的极限学习机模型中，根据所述更新后的极限学习机模型输出的目标输出向量，获取烧结主抽风机的故障信息。
5.根据权利要求4所述的烧结主抽风机的故障诊断方法，其特征在于，所述获取测试样本采集时间点之前，且与所述测试样本最近的预设时间间隔内的学习样本包括：
获取测试样本采集时间点之前，且与所述测试样本最近的预设时间间隔内的历史测试样本；
获取与所述历史测试样本相对应的期望输出向量。
6.根据权利要求4所述的烧结主抽风机的故障诊断方法，其特征在于，所述利用已知状态类型的训练样本初始化极限学习机模型包括：
获取N个独立的训练样本X＝[xi1,xi1,…xin,yi]T，xi∈Rn，yi∈Rm，其中，n和m分别为输入和输出神经元的个数；
获取极限学习机模型中隐含层个数L；
随机选取极限学习机模型中与所述训练样本相对应的输入层权值ωi和隐含层阈值bi，其中i＝1…L；
根据极限学习机模型
H0β0＝Y0
其中，
<mrow>
<msub>
<mi>&beta;</mi>
<mn>0</mn>
</msub>
<mo>=</mo>
<msub>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<msubsup>
<mi>&beta;</mi>
<mn>1</mn>
<mi>T</mi>
</msubsup>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<msubsup>
<mi>&beta;</mi>
<mi>L</mi>
<mi>T</mi>
</msubsup>
</mtd>
</mtr>
</mtable>
</mfenced>
<mrow>
<mi>L</mi>
<mo>&times;</mo>
<mi>m</mi>
</mrow>
</msub>
</mrow>
<mrow>
<msub>
<mi>Y</mi>
<mn>0</mn>
</msub>
<mo>=</mo>
<msub>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<msubsup>
<mi>y</mi>
<mn>1</mn>
<mi>T</mi>
</msubsup>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<msubsup>
<mi>y</mi>
<mi>L</mi>
<mi>T</mi>
</msubsup>
</mtd>
</mtr>
</mtable>
</mfenced>
<mrow>
<mi>N</mi>
<mo>&times;</mo>
<mi>m</mi>
</mrow>
</msub>
</mrow>
获取初始输出层权值矩阵β0，其中，矩阵H0为初始隐含层输出矩阵，Y0为初始期望输出矩阵。
7.根据权利要求4所述的烧结主抽风机的故障诊断方法，其特征在于，所述利用所述学习样本在线贯序更新所述极限学习机模型，获取更新后的极限学习机模型包括：
利用所述学习样本获取更新隐含层输出矩阵H和更新期望输出矩阵Y；
根据所述更新隐含层输出矩阵H和更新期望输出矩阵Y获取更新输出层权值矩阵β。
8.一种烧结主抽风机的故障诊断装置，其特征在于，所述烧结主抽风机的故障诊断装置包括：
采集模块，所述采集模块用于采集烧结主抽风机的电流信号，所述电流信号为风机驱动侧水平电流信号、风机驱动侧垂直电流信号、电机驱动侧水平电流信号或电机驱动侧垂直电流信号；
提取模块，所述提取模块用于将所述电流信号进行小波包分解，提取与所述电流信号对应的包括待测能量特征向量的测试样本；
第一故障信息获取模块，所述故障信息获取模块用于将所述测试样本输入至预先经过训练得到的极限学习机模型中，根据所述极限学习机模型输出的目标输出向量，获取烧结主抽风机的故障信息。
9.根据权利要求8所述的烧结主抽风机的故障诊断装置，其特征在于，所述提取模块用于：
将所述电流信号进行小波包分解，提取电流信号相应频段的小波包分解系数Sij，其中i为小波包分解层数，j为小波包分解的节点数；
重构所述小波包分解系数Sij，提取相应频段的信号能量Eij；
根据所述信号能量Eij构造能量特征向量，并将所述能量特征向量标准化，获取标准能量特征向量；
将所述标准能量特征向量确定为与所述电流信号对应的测试样本。
10.根据权利要求9所述的烧结主抽风机的故障诊断装置，其特征在于，所述提取模块还用于：
对所述小波包分解系数Sij的去噪处理。
11.根据权利要求8所述的烧结主抽风机的故障诊断装置，其特征在于，所述烧结主抽风机的故障诊断装置还包括：
极限学习机模型初始化模块，所述极限学习机模型初始化模块用于利用已知状态类型的训练样本初始化极限学习机模型，其中，所述训练样本包括经小波包分解提取的训练样本标准能量特征向量以及与所述训练样本标准能量特征向量对应的训练样本期望输出向量；
学习样本获取模块，所述学习样本获取模块用于获取测试样本采集时间点之前，且与所述测试样本最近的预设时间间隔内的学习样本，其中，所述学习样本包括经小波包分解提取的学习样本标准能量特征向量以及与所述学习样本标准能量特征向量对应的学习样本期望输出向量；
极限学习机模型更新模块，所述极限学习机模型更新模块用于利用所述学习样本在线贯序更新所述极限学习机模型，获取更新后的极限学习机模型；
第二故障信息获取模块，所述第二故障信息获取模块用于将所述测试样本输入至更新后的极限学习机模型中，根据所述更新后的极限学习机模型输出的目标输出向量，获取烧结主抽风机的故障信息。
12.根据权利要求11所述的烧结主抽风机的故障诊断装置，其特征在于，所述学习样本获取模块用于：
获取测试样本采集时间点之前，且与所述测试样本最近的预设时间间隔内的历史测试样本；
获取与所述历史测试样本相对应的期望输出向量。
13.根据权利要求11所述的烧结主抽风机的故障诊断装置，其特征在于，所述极限学习机模型初始化模块用于：
获取N个独立的训练样本X＝[xi1,xi1,…xin,yi]T，xi∈Rn，yi∈Rm，其中，n和m分别为输入和输出神经元的个数；
获取极限学习机模型中隐含层个数L；
随机选取极限学习机模型中与所述训练样本相对应的输入层权值ωi和隐含层阈值bi，其中i＝1…L；
根据极限学习机模型
H0β0＝Y0
其中，
<mrow>
<msub>
<mi>&beta;</mi>
<mn>0</mn>
</msub>
<mo>=</mo>
<msub>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<msubsup>
<mi>&beta;</mi>
<mn>1</mn>
<mi>T</mi>
</msubsup>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<msubsup>
<mi>&beta;</mi>
<mi>L</mi>
<mi>T</mi>
</msubsup>
</mtd>
</mtr>
</mtable>
</mfenced>
<mrow>
<mi>L</mi>
<mo>&times;</mo>
<mi>m</mi>
</mrow>
</msub>
</mrow>
<mrow>
<msub>
<mi>Y</mi>
<mn>0</mn>
</msub>
<mo>=</mo>
<msub>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<msubsup>
<mi>y</mi>
<mn>1</mn>
<mi>T</mi>
</msubsup>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<msubsup>
<mi>y</mi>
<mi>L</mi>
<mi>T</mi>
</msubsup>
</mtd>
</mtr>
</mtable>
</mfenced>
<mrow>
<mi>N</mi>
<mo>&times;</mo>
<mi>m</mi>
</mrow>
</msub>
</mrow>
获取初始输出层权值矩阵β0，其中，矩阵H0为初始隐含层输出矩阵，Y0为初始期望输出矩阵。
14.根据权利要求11所述的烧结主抽风机的故障诊断装置，其特征在于，所述极限学习机模型更新模块用于：
利用所述学习样本获取更新隐含层输出矩阵H和更新期望输出矩阵Y；
根据所述更新隐含层输出矩阵H和更新期望输出矩阵Y获取更新输出层权值矩阵β。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610251851.2A CN107305238A (zh) | 2016-04-21 | 2016-04-21 | 一种烧结主抽风机的故障诊断方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610251851.2A CN107305238A (zh) | 2016-04-21 | 2016-04-21 | 一种烧结主抽风机的故障诊断方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107305238A true CN107305238A (zh) | 2017-10-31 |
Family
ID=60152361
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610251851.2A Pending CN107305238A (zh) | 2016-04-21 | 2016-04-21 | 一种烧结主抽风机的故障诊断方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107305238A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111177205A (zh) * | 2019-12-31 | 2020-05-19 | 重庆中电自能科技有限公司 | 一种新能源场站数据共享方法及系统 |
| CN111734669A (zh) * | 2020-07-02 | 2020-10-02 | 重庆大学 | 一种多源信息分层融合的离心鼓风机故障诊断方法 |
| CN111879514A (zh) * | 2020-07-31 | 2020-11-03 | 南京机电职业技术学院 | 基于elm模型的无刷直流电机轴承故障诊断方法 |
| CN117991093A (zh) * | 2024-04-03 | 2024-05-07 | 成都航天凯特机电科技有限公司 | 一种永磁同步电机故障诊断方法 |
Citations (1)
| 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 |
-
2016
- 2016-04-21 CN CN201610251851.2A patent/CN107305238A/zh active Pending
Patent Citations (1)
| 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 |
Non-Patent Citations (4)
| Title |
|---|
| 尹刚 等: "自适应集成极限学习机在故障诊断中的应用", 《振动、测试与诊断》 * |
| 徐章遂 等: "《故障信息诊断原理及应用》", 30 June 2013 * |
| 高相铭 等: "极限学习机在电机故障智能诊断中的应用", 《测控技术》 * |
| 黄建才: "《输电线路绝缘子泄漏电流去噪和特征提取的研究》", 31 October 2015 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111177205A (zh) * | 2019-12-31 | 2020-05-19 | 重庆中电自能科技有限公司 | 一种新能源场站数据共享方法及系统 |
| CN111177205B (zh) * | 2019-12-31 | 2023-04-21 | 重庆中电自能科技有限公司 | 一种新能源场站数据共享方法及系统 |
| CN111734669A (zh) * | 2020-07-02 | 2020-10-02 | 重庆大学 | 一种多源信息分层融合的离心鼓风机故障诊断方法 |
| CN111879514A (zh) * | 2020-07-31 | 2020-11-03 | 南京机电职业技术学院 | 基于elm模型的无刷直流电机轴承故障诊断方法 |
| CN117991093A (zh) * | 2024-04-03 | 2024-05-07 | 成都航天凯特机电科技有限公司 | 一种永磁同步电机故障诊断方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107305159A (zh) | 一种烧结主抽风机的故障诊断方法及装置 | |
| He et al. | Plastic bearing fault diagnosis based on a two-step data mining approach | |
| CN105264181B (zh) | 用于监视旋转叶片的健康状况的方法和系统 | |
| CN107305238A (zh) | 一种烧结主抽风机的故障诊断方法及装置 | |
| Barszcz et al. | Fault detection enhancement in rolling element bearings using the minimum entropy deconvolution | |
| Glowacz | Diagnostics of rotor damages of three-phase induction motors using acoustic signals and SMOFS-20-EXPANDED | |
| Camci et al. | Feature evaluation for effective bearing prognostics | |
| Ondel et al. | Coupling pattern recognition with state estimation using Kalman filter for fault diagnosis | |
| Cheng et al. | High-accuracy unsupervised fault detection of industrial robots using current signal analysis | |
| KR20200014129A (ko) | 딥러닝을 이용한 변압기 진단 방법 | |
| CN107247230A (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 | |
| Saeki et al. | Visual explanation of neural network based rotation machinery anomaly detection system | |
| Kumar et al. | A brief review of condition monitoring techniques for the induction motor | |
| Jiang et al. | A novel antibody population optimization based artificial immune system for rotating equipment anomaly detection | |
| CN117932305A (zh) | 一种多源数据融合的牵引电机综合故障诊断系统及方法 | |
| Leonidovich et al. | The development and use of diagnostic systems and estimation of residual life in industrial electrical equipment | |
| KR20210006832A (ko) | 기계고장 진단 방법 및 장치 | |
| CN117477499B (zh) | 智能电机控制保护系统及其方法 | |
| CN110441081B (zh) | 一种旋转机械故障的智能诊断方法及智能诊断系统 | |
| Ha et al. | Degradation trend estimation and prognostics for low speed gear lifetime | |
| CN116839909A (zh) | 一种基于增量学习和规则推理的风机轴承故障诊断方法 | |
| Huo et al. | A comparative study of WPD and EMD for shaft fault diagnosis | |
| Mustafa et al. | Experimental research on machinery fault simulator (MFS): A review | |
| Lorenz et al. | Vibration Data Analysis for Fault Detection in Manufacturing Systems-A Systematic Literature Review | |
| Waters et al. | Vibration Anomaly Detection using Deep Autoencoders for Smart Factory |
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: 20171031 |