CN107806985A - 转子振动异常感知装置及方法 - Google Patents

转子振动异常感知装置及方法 Download PDF

Info

Publication number
CN107806985A
CN107806985A CN201710802379.1A CN201710802379A CN107806985A CN 107806985 A CN107806985 A CN 107806985A CN 201710802379 A CN201710802379 A CN 201710802379A CN 107806985 A CN107806985 A CN 107806985A
Authority
CN
China
Prior art keywords
peak
rotor
value
vibration
peak value
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
Application number
CN201710802379.1A
Other languages
English (en)
Other versions
CN107806985B (zh
Inventor
金成俊
崔峻赫
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.)
Doosan Heavy Industries and Construction Co Ltd
Original Assignee
Doosan Heavy Industries and Construction Co Ltd
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 Doosan Heavy Industries and Construction Co Ltd filed Critical Doosan Heavy Industries and Construction Co Ltd
Publication of CN107806985A publication Critical patent/CN107806985A/zh
Application granted granted Critical
Publication of CN107806985B publication Critical patent/CN107806985B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
    • G01H1/00—Measuring characteristics of vibrations in solids by using direct conduction to the detector
    • G01H1/003—Measuring characteristics of vibrations in solids by using direct conduction to the detector of rotating machines
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M1/00—Testing static or dynamic balance of machines or structures
    • G01M1/14—Determining imbalance
    • G01M1/16—Determining imbalance by oscillating or rotating the body to be tested
    • G01M1/22—Determining imbalance by oscillating or rotating the body to be tested and converting vibrations due to imbalance into electric variables
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
    • G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M7/00—Vibration-testing of structures; Shock-testing of structures
    • G01M7/02—Vibration-testing by means of a shake table
    • G01M7/025—Measuring arrangements
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/70—Wind energy
    • Y02E10/72—Wind turbines with rotation axis in wind direction

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
  • Control Of Eletrric Generators (AREA)
  • Motor Or Generator Frames (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明涉及对转子的不正常振动进行感知的装置及方法。本发明想要解决的一个课题是，从转子的多个位置及方向对因转子的旋转所导致的转子的振动进行测量，并综合测量出的数据来判断转子振动有无异常。转子振动异常感知装置包括：振动信息接收部，其接收发电机所包括的区分转子的位置和方向的四个维度的振动信息及包括转子的旋转数的转子的旋转信息中的至少一个；多变量管理指标计算部，其针对四个维度的振动信息计算多变量管理指标，所述多变量管理指标包括霍特林(hotelling)T2值及控制上限(Upper control limit，UCL)；运转指标提取部，霍特林T2值大于控制上限时则判断为转子的振动特性上出现异常，并在一个以上的运转指标中提取引起振动特性异常的运转指标。

Description

转子振动异常感知装置及方法
技术领域
本发明涉及对转子的不正常振动进行感知的装置及方法，涉及以区分转子的位置和方向的四个维度的振动信息为基础对转子的不正常振动进行感知的装置及方法。
背景技术
类似发电站的涡轮机的高速旋转体与多种系统相互联结从而得以运转。旋转体的非理想振动是通过发电机的发电中断能够进行连接的重要因素。因此，国标码或发电机的制造委托企业设定高速旋转体的振动标准值。
由于高速旋转体中蜗轮发电机的转子的高振动，发电中断的情况下受到数亿元以上的损失。因此，通过多种方法对高速旋转体进行监视及管理。
因此，有必要从转子的多个位置及方向对因转子的旋转而造成的转子的振动进行测定，并综合测定得出的数据来判断转子振动有无异常。
另外，有必要在转子第一次旋转后区分过渡区间和额定区间并通过其他方法接入来判断转子振动有无异常，所述过渡区间为从正常状态到旋转为止的区间，所述额定区间为正常状态下的旋转区间。
发明内容
本发明的提出所想要解决的一个课题是，从转子的多个位置及方向对因转子的旋转所导致的转子的振动进行测量，并综合测量出的数据来判断转子振动有无异常。
本发明的提出所想要解决的另一个课题是，在转子第一次旋转后区分过渡区间和额定区间并通过其他方法接入来判断转子振动有无异常，所述过渡区间为从正常状态到旋转为止的区间，所述额定区间为正常状态下的旋转区间。
本发明的提出所想要解决的又另一个课题是，在额定区间判断转子振动有无异常时，通过转子振动的峰-峰值的Hotels2值是否超过控制上限(Upper control limit，UCL)来判定振动的变化异常。
本发明的提出所想要解决的又另一个课题是，通过对根据转子振动的峰-峰值的时间的Hotels2值和根据发电机的其他运转要素的时间的数值变化进行探索式分析、相关分析、贡献度分析来对转子振动有无异常进行精密地判断。
另外，本发明想要实现的技术课题并不受限于以上所提及的技术课题，在以下即将说明的内容的基础上，在对通常的技术人员来说显而易见的范围内，可以包括多个技术课题。
在一个实施例中，转子振动异常感知装置包括：振动信息接收部，其接收区分转子的位置和方向的一个以上维度的振动信息及包括转子的转数的转子的旋转信息中至少一个；多变量管理指标计算部，其针对所述一个以上的维度的振动信息计算多变量管理指标；运转指标提取部，霍特林(hotelling)T2值大于UCL(Upper control limit，控制上限)时则判断为转子的振动特性上出现异常，并在一个以上的运转指标中提取引起振动特性异常的运转指标。
在另一个实施例中，所述一个以上维度的振动信息包括：第一峰-峰值，其为针对与连接转子的一端和另一端的线段直交的X轴方向的转子一端的振动的峰-峰值；第二峰-峰值，其为针对与连接转子的一端和另一端的线段直交的Y轴方向的转子一端的振动的峰-峰值；第三峰-峰值，其为针对与连接转子的一端和另一端的线段直交的X轴方向的转子另一端的振动的峰-峰值；以及第四峰-峰值，其为针对与连接转子的一端和另一端的线段直交的Y轴方向的转子另一端的振动的峰-峰值。
在另一个实施例中，所述多变量管理指标计算部利用所述第一峰-峰值、所述第二峰-峰值、所述第三峰-峰值及所述第四峰-峰值的特定区间上的平均值以及所述第一峰-峰值、所述第二峰-峰值、所述第三峰-峰值及所述第四峰-峰值的整体时间上的平均值的偏差来计算出所述hoteling T2值。
在另一个实施例中，所述运转指标提取部将根据时间的经过的所述霍特林T2值、所述第一峰-峰值、所述第二峰-峰值、所述第三峰-峰值、所述第四峰-峰值以及所述一个以上的运转指标中至少一个输出至显示部。
在另一个实施例中，所述运转指标包括推力轴承垫金属温度(Thrust bearingpad metal temp)、定子气体温度、发电机电压、发电机电流、发电机力率、发电机输出电压、发电机无功功率中至少一个。
在另一个实施例中，所述运转指标提取部通过将对所述霍特林T2值及所述一个以上的运转指标进行相关分析的系数与标准系数相比较，从而提取引起振动特性异常的运转指标。
在另一个实施例中，所述运转指标提取部通过所述一个以上的运转指标中存在所有运转指标时的霍特林T2值及只存在除了成为贡献度测量对象的运转指标之外的其余运转指标时的霍特林T2值的残差的大小来提取所述一个以上的运转指标中引起振动特性异常的运转指标。
在另一个实施例中，还包括：针对转数的峰-峰值计算部，其对根据转子的转数的所述第一峰-峰值、所述第二峰-峰值、所述第三峰-峰值、所述第四峰-峰值进行计算。
在另一个实施例中，如果所述第一峰-峰值、所述第二峰-峰值、所述第三峰-峰值、所述第四峰-峰值中至少一个超过临界值，则所述振动异常判断部判断为转子的振动出现异常。
在另一个实施例中，所述运转指标提取部通过对霍特林T2值及运转指标进行相关分析，从而提取相关分析系数。
在一个实施例中，转子振动异常感知方法包括如下步骤：振动信息接收步骤，接收区分转子的位置和方向的一个以上维度的振动信息及包括转子的转数的转子的旋转信息中至少一个；多变量管理指标计算步骤，其针对所述一个以上的维度的振动信息计算多变量管理指标；运转指标提取步骤，霍特林T2值大于控制上限(Upper control limit，UCL)时则判断为转子的振动特性上出现异常，并在一个以上的运转指标中提取引起振动特性异常的运转指标。
在另一个实施例中，所述一个以上维度的振动信息包括：第一峰-峰值，其为针对与连接转子的一端和另一端的线段直交的X轴方向的转子一端的振动的峰-峰值；第二峰-峰值，其为针对与连接转子的一端和另一端的线段直交的Y轴方向的转子一端的振动的峰-峰值；第三峰-峰值，其为针对与连接转子的一端和另一端的线段直交的X轴方向的转子另一端的振动的峰-峰值；以及第四峰-峰值，其为针对与连接转子的一端和另一端的线段直交的Y轴方向的转子另一端的振动的峰-峰值。
在另一个实施例中，所述多变量管理指标计算步骤为利用所述第一峰-峰值、所述第二峰-峰值、所述第三峰-峰值及所述第四峰-峰值的特定区间上的平均值以及所述第一峰-峰值、所述第二峰-峰值、所述第三峰-峰值及所述第四峰-峰值的整体时间上的平均值的差的偏差来计算出所述hoteling T2值。
在另一个实施例中，所述运转指标提取步骤为将根据时间的经过的所述霍特林T2值、所述第一峰-峰值、所述第二峰-峰值、所述第三峰-峰值、所述第四峰-峰值以及所述一个以上的运转指标中至少一个输出至显示部。
在又另一个实施例中，所述运转指标包括推力轴承垫金属温度(Thrust bearingpad metal temp)、定子气体温度、发电机电压、发电机电流、发电机力率、发电机输出电压、发电机无功功率中至少一个。
在又另一个实施例中，所述运转指标提取步骤为通过将对所述霍特林T2值及所述一个以上的运转指标进行相关分析的系数与标准系数相比较，从而提取引起振动特性异常的运转指标。
在又另一个实施例中，所述运转指标提取步骤为通过所述一个以上的运转指标中存在所有运转指标时的霍特林T2值及只存在除了成为贡献度测量对象的运转指标之外的其余运转指标时的霍特林T2值的残差的大小来提取所述一个以上的运转指标中引起振动特性异常的运转指标。
在又另一个实施例中，还包括：针对转数的峰-峰值计算步骤，对根据转子的转数的所述第一峰-峰值、所述第二峰-峰值、所述第三峰-峰值、所述第四峰-峰值进行计算。
在又另一个实施例中，如果所述第一峰-峰值、所述第二峰-峰值、所述第三峰-峰值、所述第四峰-峰值中至少一个超过临界值，则所述振动异常判断步骤判断转子的振动出现异常。
在又另一个实施例中，所述运转指标提取步骤通过对霍特林T2值及运转指标进行相关分析，从而提取相关分析系数。
本发明能够从转子的多个位置及方向对因转子的旋转所导致的转子的振动进行测量，并综合测量出的数据来判断转子振动有无异常。
本发明能够在转子第一次旋转后区分过渡区间和额定区间并通过其他方法接入来判断转子振动有无异常，所述过渡区间为从正常状态到旋转为止的区间，所述额定区间为正常状态下的旋转区间。
本发明能够在额定区间判断转子振动有无异常时，通过转子振动的峰-峰值的Hotels2值是否超过UCL来判定振动的变化异常。
本发明能够通过对根据转子振动的峰-峰值的时间的Hotels2值和根据发电机的其他运转要素的时间的数值变化进行探索式分析、相关分析、贡献度分析来对转子振动有无异常进行精密地判断。
本发明的效果并不受限于以上所提及的效果，在以下即将说明的内容的基础上，在对通常的技术人员来说显而易见的范围内，可以包括多个效果。
附图说明
图1示出根据一个实施例的转子振动异常感知装置的整体构成。
图2示出根据一个实施例的转子振动异常感知方法的整体流程。
图3示出根据一个实施例的涡轮机。
图4示出根据一个实施例的转子的涡轮机端(turbine end)的正面及在转子的涡轮机端相互直交的x、y轴。
图5示出根据一个实施例的根据转子的时间的转数(RPM，Revolutions PerMinute，每分钟转数)图表、根据时间的振动(vibration)的峰-峰图表及根据转数的振动图表。
图6示出根据一个实施例的在转子的升速区间根据转数的涡轮机端的x轴方向振动的峰-峰图表、在转子的升速区间根据转数的涡轮机端的y轴方向振动的峰-峰图表、在转子的升速区间根据转数的集电器端的x轴方向振动的峰-峰图表、在转子的升速区间根据转数的集电器端的y轴方向振动的峰-峰图表。
图7示出根据一个实施例的在转子的减速区间根据转数的涡轮机端的x轴方向振动的峰-峰图表、在转子的减速区间根据转数的涡轮机端的y轴方向振动的峰-峰图表、在转子的减速区间根据转数的集电器端的x轴方向振动的峰-峰图表、在转子的减速区间根据转数的集电器端的y轴方向振动的峰-峰图表。
图8示出根据一个实施例的在转子的额定区间根据转数的涡轮机端的x轴方向振动的峰-峰图表、在转子的额定区间根据转数的涡轮机端的y轴方向振动的峰-峰图表、在转子的额定区间根据转数的集电器端的x轴方向振动的峰-峰图表、在转子的额定区间根据转数的集电器端的y轴方向振动的峰-峰图表。
图9是示出根据一个实施例的在转子的额定区间根据转数的涡轮机端的x轴方向振动的峰-峰和2σ置信区间(confidence interval)及4σ置信区间的图表、示出在转子的额定区间根据转数的涡轮机端的y轴方向振动的峰-峰和2σ置信区间及4σ置信区间的图表、示出在转子的额定区间根据转数的集电器端的x轴方向振动的峰-峰和2σ置信区间及4σ置信区间的图表、示出在转子的额定区间根据转数的集电器端的y轴方向振动的峰-峰和2σ置信区间及4σ置信区间的图表。
图10是示出根据一个实施例的根据转子的时间的管理指标的图表。
图11是示出根据一个实施例的根据时间的转子的振动变数的变化量的图表。
图12是示出根据时间的转子的运转指标的变换量的图表。
图13示出根据一个实施例的相关分析结果。
具体实施方式
通过参照附图进行说明的实施例使得前述的以及追加的实施例具体化。应理解为，只要各个实施例的构成要素没有另外提及或相互矛盾，可以在实施例内进行多种组合。而且，提出的发明可以实现为多种不同的形态，其不限定于这里说明的实施例。
为了对图中示出的发明进行明确的说明，省略了与说明没有关系的部分，在整个说明书中，对相似的部分赋予了相似的附图标号。并且，记载某部分“包括”某构成要素时，只要没有特别相反的记载，其并非意味着除去其他构成要素，而是意味着还可以包括其他构成要素。
另外，在整个说明书中，记载某部分与另一部分“连接”时，其不仅包括“直接连接”的情况，还包括在它们中间放置其他元件的“电连接”的情况。而且，在整个说明书中，信号指的是电压或电流等的电量。
所谓说明书中记述的部，指的是“以能够变更或插入(plug-in)硬件或软件的系统的形式构成的块”，即，在硬件或软件中执行特定功能的一个单位或块。
图1示出根据一个实施例的转子振动异常感知装置的整体构成。
在一个实施例中，转子振动异常感知装置包括振动信息接收部110、多变量管理指标计算部120、运转指标提取部130。
在一个实施例中，振动信息接收部110接收区分发电机所包括的转子的位置和方向的四个维度的振动信息及包括转子的转数的转子的旋转信息中至少一个。
例如，前述的发电机是燃气涡轮发电机(GTG,Gas Turbine Generator)。
前述的转子的位置包括转子的涡轮端(TE,Turbine End)及转子的集电器端(CE,Collector End)。前述的方向为相互直交的两个轴x、y轴方向。前述的四个维度的振动信息为在转子的涡轮端相互直交的x、y轴以及在转子的集电器端相互直交的x、y轴方向上的转子的振动信息。转子的振动信息，例如，为振动的峰-峰(Peak to Peak)值。峰-峰的单位，例如，为um。
转子的转数为根据转子的时间的RPM(Revolution per minute，每分钟转速)。
振动信息接收部110接收根据转子旋转的转子的RPM值。振动信息接收部110接收根据转子的旋转的在转子的涡轮端相互直交的x、y轴以及在转子的集电器端相互直交的x、y轴方向上的转子振动的峰-峰值。
在一个实施例中，多变量管理指标计算部120针对所述一个以上的维度的振动信息计算多变量管理指标，所述多变量管理指标包括霍特林(hoteling)T2值及控制上限(Upper control limit，UCL)。
在本发明中，可以区分位置和方向在四个维度上对转子的振动信息进行测量，并可以从四个维度对至少两个维度的关联性进行分析。在单一维度上对振动特性进行多变量分析的情况，可以忽略结合存在相关性的各个维度的振动信息而造成的影响。因此，无法对振动信息的正确举动进行评价。
如前所述，通过针对作为转子的四个维度的四个轴振动信息进行多变量分析，有必要考虑各轴间的相互关系。有必要对考虑前述的各个轴间的相互关系的管理指标进行适用。管理指标通过公式1计算。
公式1
转子的振动观测值矢量定为{yi}(i＝1,…,n)时，通过公式1计算出hotelingT2。观测值矢量为子群中针对转子的多个轴中任意一个的轴的振动的峰-峰值。在作为特定时间区间的子群中，yi可以存在n个。换句话说，在子群中，转子的峰-峰值以um为单位可以测定n次。Hotellin’s T2为hoteling的T2。Hotellin’s T2是测量具有多变量属性的观测值偏离变动的中心多少的值。
y作为转子的振动数据矩阵，例如，yij(i＝1,…,n,j＝1,…,m)为P维度的矩阵。P可以是4。换句话说，P为成为测量转子的振动的基准的轴的个数。
是某一个子群中振动的峰-峰平均值。虽然前面进行了叙述，但是为P维度矩阵。换句话说，可以是以第一峰-峰值、第二峰-峰值、第三峰-峰值、第四峰-峰值为元素的四维矩阵，所述第一峰-峰值是在某一子群中针对与连接转子的一端和另一端的线段直交的X轴方向的转子的涡轮端的振动的峰-峰值，所述第二峰-峰值是在某一子群中针对与连接转子的一端和另一端的线段直交的Y轴方向的转子的涡轮端的振动的峰-峰值，所述第三峰-峰值是在某一子群中针对与连接转子的一端和另一端的线段直交的X轴方向的转子的集电器端的振动的峰-峰值，所述第四峰-峰值是在某一子群中针对与连接转子的一端和另一端的线段直交的Y轴方向的转子的集电器端的振动的峰-峰值。
通过公式2计算出
公式2
前述的j为与某一个子群对应的数字。n为所述某一个子群所包括的数据的个数。
子群的特定时间区间，例如，为一个小时。换句话说，针对子群中的四个轴的各个的振动的峰-峰的平均值指的是，针对特定时间期间四个轴的各个的振动的峰-峰的平均值。
Sj作为特定子群中的协方差矩阵通过公式3计算得出。
公式3
作为包括所有子群的整体区间的振动峰-峰平均值，以公式4为基础计算得出。
公式4
参照公式4，子群为m个。
∑作为合并的协方差矩阵(pooled covariance matrix)，可以以公式5计算得出。
公式5
从统计上来看，Hotellin’s T2遵循F-分布，如公式6所示，可以近似地计算得出。
公式6
这里，m为子群的个数，n为子群中所包含的数据的个数。P为成为峰-峰值测量的基准的轴的个数。P，例如，是4。
最终，Hotellin’s T2利用针对子群中的四个轴的各个的振动的峰-峰平均值及针对整个区间的四个轴的各个的振动的峰-峰平均值的差异的偏差的转置矩阵。另外，利用偏差的协方差矩阵。换句话说，通过偏差的转置矩阵和偏差的协方差矩阵相乘计算得出。
控制上限(UCL,Upper control limit)通过F分布函数、作为针对各个轴所测量的峰-峰个数的数据的个数、容许限度a、轴的个数为P、将整个区间按照部分划分的子群的数量K得到决定。a，例如，为0.001，P，例如，为4。
针对显著水平(significance level)α，T2的控制上限通过公式7计算得出。
公式7
这里，m为子群的个数，n为子群所包含的数据的个数，P为轴的个数。
在一个实施例中，多变量管理指标计算部120在转子的速度一定的额定区间针对四维振动信息计算多变量管理指标，所述多变量管理指标包括hotelingT2值及UCL(Uppercontrol limit)。转子的速度一定的额定区间指的是转子旋转结束增速而在定速中运转的区间。
在一个实施例中，运转指标提取部在hotelingT2值比UCL大时判断转子的振动特性上是否有异常，并从一个以上的运转指标中提取引起振动特性异常的运转指标。运转指标提取部除了判断转子的振动特性是否有异常外，还提取转子的振动特性中引起异常的运转指标。运转指标提取部的详细说明在后面进行叙述。
在一个实施例中，区分所述转子的位置和方向的四个维度的振动信息包括第一峰-峰值、第二峰-峰值、第三峰-峰值、第四峰-峰值，所述第一峰-峰值是针对与连接转子的一端和另一端的线段直交的X轴方向的转子一端的振动的峰-峰值，所述第二峰-峰值是针对与连接转子的一端和另一端的线段直交的Y轴方向的转子一端的振动的峰-峰值，所述第三峰-峰值是针对与连接转子的一端和另一端的线段直交的X轴方向的转子的另一端的振动的峰-峰值，所述第四峰-峰值是针对与连接转子的一端和另一端的线段直交的Y轴方向的转子的另一端的振动的峰-峰值。一端是涡轮端，另一端可以是集电器端。
在本发明中，区分位置和方向以四个维度测量转子的振动信息，可以从四个维度分析至少两个维度的关联性。在单一维度上对振动特性以多变量进行分析的情况，可以忽视结合存在相关性的各个维度的振动信息而产生的影像。因此，无法评价振动信息的正确举动。
如前所述，有必要通过针对作为转子的四个维度的四个轴振动信息的多变量分析来考虑各个轴之间的相互关系。
在一个实施例中，所述多变量管理指标计算部120利用作为第一峰-峰值、第二峰-峰值、第三峰-峰值、第四峰-峰值的特定区间的平均及第一峰-峰值、第二峰-峰值、第三峰-峰值、第四峰-峰值的整体时间的平均的差的偏差计算出hotelingT2值。例如，特定区间为一个小时。
最终，Hotellin’s T2利用根据子群中的四个轴的各个的振动的峰-峰值的平均值及针对整体区间的四个轴的各个的振动的峰-峰平均值的差的偏差的转置矩阵。另外，利用偏差的协方差矩阵。换句话说，通过偏差的转置矩阵和偏差的协方差矩阵的乘积计算得出。
在一个实施例中，所述运转指标提取部130将根据时间的经过的hotelingT2值、第一峰-峰值、第二峰-峰值、第三峰-峰值、第四峰-峰值及运转指标值中至少一个输出至显示部。hotelingT2值及运转指标值以根据时间的数值被输出。在hotelingT2值超过UCL的时间区间确认运转指标值，从而可以确认感知到不正常振动的时间的运转指标值。据此，可以提取引起不正常振动的运转指标。
在一个实施例中，所述运转指标包括推力轴承垫金属温度(Thrust bearing padmetal temp)、定子气体温度、发电机电压、发电机电流、发电机功率因数、发电机输出电压、发电机无效功率中至少一个。与前述的运转指标相关的信息在气体涡轮发电机实时被测量，然后传送至振动异常感知装置。
比较根据前述的运转指标的时间的数值及hotelingT2值，从而可以提取引起不正常振动的运转指标。
在一个实施例中，所述运转指标提取部130通过将对hotelingT2值及一个以上的运转指标进行相关分析得出的系数与基准系数进行比较，从而提取引起振动特性异常的运转指标。
所述运转指标提取部130对hotelingT2值及运转指标进行相关分析从而提取相关分析系数。将提取出的相关分析系数与基准系数进行比较。基准系数，例如，为|0.3|以上。如果提取出的相关分析系数的绝对值为基准系数以上，则与相关分析系数相对应的运转指标被提取为引起振动特性异常的运转指标。
当存在想要进行相关分析的任意的两个变量ai,bi where i＝1,2,…,n时，作为相关分析系数的spearman相关系数(Spearman’s rank correlation coefficient)p以公式8为基础计算得出。
公式8
这里，a(i),b(i)为各个变量的第i个值的秩(rank)。n为数据的个数。例如，a(i)为hotelingT2值，b(i)为运转指标中任意一个。运转指标提取部130针对所述运转指标中所有运转指标以公式8为基础与hotelingT2值进行相关分析。
在一个实施例中，所述运转指标提取部130以所述运转指标中存在所有运转指标时的hotelingT2值及只存在除了成为贡献度测量对象的运转指标之外的其余运转指标时的hotelingT2值的残差(residual)的大小，提取一个以上的运转指标中引起振动特性异常的运转指标。
成为贡献度测量对象的运转指标，例如，提取出的相关分析系数的绝对值为基准系数以上的运转指标。如果不存在成为贡献度测量对象的运转指标时的hotelingT2值和存在所有运转指标时的hotelingT2值的残差的大小为基准值以上，则将成为贡献度测量对象的运转指标提取为引起振动特性异常的运转指标。换句话说，提取作为引起振动特性异常的运转指标的贡献度高的运转指标。
是在第j个运转指标的子群的平均值。换句话说，为在整体区间子群，例如，存在m个，其中第j个子群的平均值。以公式9为基础计算得出。
公式9
n为包含于子群的数据的个数。
为针对除去第k个运转指标的剩余运转指标的子群的平均值。例如，如下。
为第j个转子振动子群的T2值。
为对通过利用统计、机器学习、AI技术等可以获取的运转指标矩阵X和转子振动数据求得的T2值的关系进行说明的任意的学习模型。θ为决定学习模型的特性和性能的参数向量(parameter vector)，以给出的数据X和T2为基础通过模型学习得到决定。
此时，任意的学习模型可以根据数据的特性的不同而不同。任意的学习模型，例如，是多元线性回归模型(multiple linear regression model)、广义线性模式(generalized linear model)支持向量机(support vector machine)、人工神经网络(neural network)等。
为通过学习模型计算出的的推测值(estimate)或预测值(predicted value)。
ej作为通过学习模型计算出的和实际数据之间的残差(residual)，通过公式10计算得出。
公式10
残差平方和(Sum of Squared Error,SSE)作为测量学习模型的性能的指标，通过公式11计算得出。
公式11
为除去第k-个运转指标的学习模型，为的推测值，为残差，SSE(-k)为残差平方和。
SSE(full)为包括各个所有运转指标的学习模型，的推测值(estimate)、残差及残差平方和。
给作为转子振动特性值的T2造成影响的各个运转指标变量的贡献度，通过使用所有运转指标的完全学习模型(full model)和除去其中一个的运转指标之外的缩小学习模型(reduced model)间的残差平方和的差计算得出，如公式12。
公式12
SSE(full)-SSE(-k)＝第k个运转指标的贡献度。
以前述的公式12为基础，可以将测量出的最大的贡献度的运转指标提取为引起振动特性异常的运转指标。
转子振动异常感知装置的T2值相对急剧变化的区间内，可以进行模型学习及贡献度分析。
在一个实施例中，转子振动异常感知装置还包括峰-峰值计算部150及振动异常判断部140。
在一个实施例中，峰-峰值计算部150计算出由转子的旋转数决定的第一峰-峰值、第二峰-峰值、第三峰-峰值、第四峰-峰值。峰-峰值计算部150对根据时间的第一峰-峰值、第二峰-峰值、第三峰-峰值、第四峰-峰值和根据时间的转子的旋转数进行结合，从而计算出根据旋转数的第一峰-峰值、第二峰-峰值、第三峰-峰值、第四峰-峰值。
在一个实施例中，如果第一峰-峰值、第二峰-峰值、第三峰-峰值、第四峰-峰值中至少一个超过临界值，则振动异常判断部140判断出转子的振动上有异常。临界值，例如，是75um。振动异常判断部140在转子开始旋转后到达额定区间之前的增速区间内判断转子的振动是否有异常。振动异常判断部140在额定区间转子的旋转速度渐渐减小的减速区间内判断转子的振动是否有异常。
如果针对计算出根据转子的旋转数的第一峰-峰值、第二峰-峰值、第三峰-峰值、第四峰-峰值的旋转数的峰-峰值、根据转子的旋转数的第一峰-峰值、第二峰-峰值、第三峰-峰值、第四峰-峰值中至少一个超过临界值，则振动异常判断部140判断出转子的振动上有异常。
图2示出根据一个实施例的转子振动异常感知方法的整体流程。
在一个实施例中，转子振动异常感知装置包括振动信息接收步骤S610、多变量管理指标计算步骤S620、运转指标提取步骤S630。
在一个实施例中，振动信息接收步骤S610对发电机所包含的区分转子的位置和方向的四个维度的振动信息及包括转子的旋转数的转子的旋转信息中至少一个进行接收。
前述的发电机，例如，是燃气涡轮发电机(GTG,Gas Turbine Generator)。
前述的转子的位置包括转子的涡轮端(TE,Turbine End)及转子的集电器端(CE,Collector End)。前述的方向为相互直交的两个轴x、y轴方向。前述的四个维度的振动信息是在转子的涡轮端相互直交的x、y轴及转子的集电器端相互直交的x、y轴方向上的转子的振动信息。转子的振动信息，例如，是振动的峰-峰(Peak to Peak)值。峰-峰值的单位，例如，是um。
转子的旋转数是根据转子的时间的RPM(Revolution per minute)。
振动信息接收步骤S610接收根据转子旋转的转子的RPM值。振动信息接收步骤S610对根据转子的旋转的在转子的涡轮端相互直交的x、y轴及在转子的集电器端相互直交的x、y轴方向上的转子振动的峰-峰值进行接收。
在一个实施例中，多变量管理指标计算步骤S620针对所述一个以上的维度的振动信息计算包括hotelingT2值及UCL(Upper control limit)的多变量管理指标。
在本发明中，区分位置和方向以四个维度对转子的振动信息进行测量，可以在四个维度中对至少两个维度的关联性进行分析。从单一维度上以多变量对振动特性进行分析的情况，可以忽视结合存在相关性的各个维度的振动信息而造成的影响。据此，无法对振动信息的正确举动进行评价。
如前所述，有必要通过针对转子的四个维度的四个轴振动信息的多变量分析来考虑各个轴之间的相互关系。有必要对前述的考虑各个轴间的相互关系的管理指标进行适用。管理指标通过公式1计算得出。
公式1
给出转子的振动观测值矢量为{yi}(i＝1,…,n)时，通过公式1计算出hotelingT2。观测值矢量为子群中针对转子的多个轴中任意一个的轴的振动的峰-峰值。在作为特定时间区间的子群中，yi可以存在n个。换句话说，在子群中，转子的峰-峰值以um为单位可以测定n次。Hotellin’s T2为hoteling的T2。Hotellin’s T2是测量具有多变量属性的观测值偏离变动的中心多少的值。
y作为转子的振动数据矩阵，例如，yij(i＝1,…,n,j＝1,…,m)为P维度的矩阵。P可以是4。换句话说，P为成为测量转子的振动的基准的轴的个数。
是某一个子群中振动的峰-峰平均值。虽然前面进行了叙述，但是为P维度矩阵。换句话说，可以是以第一峰-峰值、第二峰-峰值、第三峰-峰值、第四峰-峰值为元素的四维矩阵，所述第一峰-峰值是在某一子群中针对与连接转子的一端和另一端的线段直交的X轴方向的转子的涡轮端的振动的峰-峰值，所述第二峰-峰值是在某一子群中针对与连接转子的一端和另一端的线段直交的Y轴方向的转子的涡轮端的振动的峰-峰值，所述第三峰-峰值是在某一子群中针对与连接转子的一端和另一端的线段直交的X轴方向的转子的集电器端的振动的峰-峰值，所述第四峰-峰值是在某一子群中针对与连接转子的一端和另一端的线段直交的Y轴方向的转子的集电器端的振动的峰-峰值。
通过公式2计算出
公式2
前述的j为与某一个子群对应的数字。n为所述某一个子群所包括的数据的个数。
子群为特定时间区间，例如，为一个小时。换句话说，针对子群中的四个轴的各个的振动的峰-峰的平均值指的是，针对特定时间期间四个轴的各个的振动的峰-峰的平均值。
Sj作为特定子群中的协方差矩阵，通过公式3计算得出。
公式3
作为包括所有子群的整体区间的振动峰-峰平均值，以公式4为基础计算得出。
公式4
参照公式4，子群为m个。
∑作为合并的协方差矩阵(pooled covariance matrix)，可以以公式5计算得出。
公式5
从统计上来看，Hotellin’s T2遵循F-分布，如公式6所示，可以近似地计算得出。
公式6
这里，m为子群的个数，n为子群中所包含的数据的个数。P为成为峰-峰值测量的基准的轴的个数。P，例如，是4。
最终，Hotellin’s T2利用针对子群中的四个轴的各个的振动的峰-峰平均值及针对整个区间的四个轴的各个的振动的峰-峰平均值的差异的偏差的转置矩阵。另外，利用偏差的协方差矩阵。换句话说，通过偏差的转置矩阵和偏差的协方差矩阵相乘计算得出。
控制上限(UCL,Upper control limit)通过F分布函数、作为针对各个轴所测量的峰-峰个数的数据的个数、容许限度a、轴的个数为P、将整个区间按照部分划分的子群的数量K得到决定。a，例如，为0.001，P，例如，为4。
针对显著水平(significance level)α，T2的控制上限通过公式7计算得出。
公式7
这里，m为子群的个数，n为子群所包含的数据的个数，P为轴的个数。
在一个实施例中，多变量管理指标计算步骤S620在转子的速度一定的额定区间针对四维振动信息计算多变量管理指标，所述多变量管理指标包括hotelingT2值及UCL(Upper control limit)。转子的速度一定的额定区间指的是转子旋转结束增速而以定速中运转的区间。
在一个实施例中，运转指标提取部在hotelingT2值比UCL大时判断转子的振动特性上有异常，并从一个以上的运转指标中提取引起振动特性异常的运转指标。运转指标提取部除了判断转子的振动特性是否有异常外，还提取转子的振动特性中引起异常的运转指标。运转指标提取部的详细说明在后面进行叙述。
在一个实施例中，区分所述转子的位置和方向的四个维度的振动信息包括第一峰-峰值、第二峰-峰值、第三峰-峰值、第四峰-峰值，所述第一峰-峰值是针对与连接转子的一端和另一端的线段直交的X轴方向的转子一端的振动的峰-峰值，所述第二峰-峰值是针对与连接转子的一端和另一端的线段直交的Y轴方向的转子一端的振动的峰-峰值，所述第三峰-峰值是针对与连接转子的一端和另一端的线段直交的X轴方向的转子的另一端的振动的峰-峰值，所述第四峰-峰值是针对与连接转子的一端和另一端的线段直交的Y轴方向的转子的另一端的振动的峰-峰值。
在本发明中，区分位置和方向以四个维度测量转子的振动信息，可以从四个维度分析至少两个维度的关联性。在单一维度上将振动特性分析为多变量的情况，可以忽视结合存在相关性的各个维度的振动信息而产生的影响。因此，无法评价振动信息的正确举动。
如前所述，有必要通过针对作为转子的四个维度的四个轴振动信息的多变量分析来考虑各个轴之间的相互关系。
在一个实施例中，所述多变量管理指标计算步骤S620利用作为第一峰-峰值、第二峰-峰值、第三峰-峰值、第四峰-峰值的特定区间的平均及第一峰-峰值、第二峰-峰值、第三峰-峰值、第四峰-峰值的整体时间的平均的差的偏差计算出hotelingT2值。例如，特定区间为一个小时。
最终，Hotellin’s T2利用针对子群中的四个轴的各个的振动的峰-峰值的平均值及针对整体区间的四个轴的各个的振动的峰-峰平均值的差的偏差的转置矩阵。另外，利用偏差的协方差矩阵。换句话说，通过偏差的转置矩阵和偏差的协方差矩阵的乘积计算得出。
在一个实施例中，所述运转指标提取步骤S630将根据时间的经过的hotelingT2值、第一峰-峰值、第二峰-峰值、第三峰-峰值、第四峰-峰值及运转指标值中至少一个输出至显示部。hotelingT2值及运转指标值以根据时间的数值被输出。在hotelingT2值超过UCL的时间区间确认运转指标值，从而可以确认感知到不正常振动的时间的运转指标值。据此，可以提取引起不正常振动的运转指标。
在一个实施例中，所述运转指标包括推力轴承垫金属温度(Thrust bearing padmetal temp)、定子气体温度、发电机电压、发电机电流、发电机功率因数、发电机输出电压、发电机无效功率中至少一个。与前述的运转指标相关的信息在气体涡轮发电机实时被测量，然后传送至振动异常感知装置。
比较根据前述的运转指标的时间的数值及hotelingT2值，从而可以提取引起不正常振动的运转指标。
在一个实施例中，所述运转指标提取步骤S630通过将对hotelingT2值及一个以上的运转指标进行相关分析得出的系数与基准系数进行比较，从而提取引起振动特性异常的运转指标。
当存在想要进行相关分析的任意的两个变量ai,bi where i＝1,2,…,n时，作为相关分析系数的spearman相关系数(Spearman’s rank correlation coefficient)p以公式8为基础计算得出。
公式8
这里，a(i),b(i)为各个变量的第i个值的秩(rank)。n为数据的个数。例如，a(i)为hotelingT2值，b(i)为运转指标中任意一个。运转指标提取步骤针对所有运转指标以公式8为基础与hotelingT2值进行相关分析。
所述运转指标提取步骤S630对hotelingT2值及运转指标进行相关分析从而提取相关分析系数。将提取出的相关分析系数与基准系数进行比较。基准系数，例如，为|0.3|以上。如果提取出的相关分析系数的绝对值为基准系数以上，则与相关分析系数相对应的运转指标被提取为引起振动特性异常的运转指标。
在一个实施例中，所述运转指标提取步骤S630以存在所有运转指标时的hotelingT2值及只存在除了成为贡献度测量对象的运转指标之外的其余运转指标时的hotelingT2值的残差(residual)的大小，提取一个以上的运转指标中引起振动特性异常的运转指标。
成为贡献度测量对象的运转指标，例如，提取出的相关分析系数的绝对值为基准系数以上的运转指标。如果不存在成为贡献度测量对象的运转指标时的hotelingT2值和存在所有运转指标时的hotelingT2值的残差的大小为基准值以上，则将成为贡献度测量对象的运转指标提取为引起振动特性异常的运转指标。换句话说，提取作为引起振动特性异常的运转指标的贡献度高的运转指标。
是在第j个运转指标的子群的平均值。换句话说，为在整体区间子群，例如，存在m个，其中第j个子群的平均值。以公式9为基础计算得出。
公式9
n为包含于子群的数据的个数。
为针对除去第k个运转指标的剩余运转指标的子群的平均值。例如，如下。
为第j个转子振动子群的T2值。
为对通过利用统计、机器学习、AI技术等可以获取的运转指标矩阵X和转子振动数据求得的T2值的关系进行说明的任意的学习模型。θ为决定学习模型的特性和性能的参数向量(parameter vector)，以给出的数据X和T2为基础通过模型学习得到决定。
此时，任意的学习模型可以根据数据的特性的不同而不同。任意的学习模型，例如，是多元线性回归模型(multiple linear regression model)、广义线性模式(generalized linear model)支持向量机(support vector machine)、人工神经网络(neural network)等。
为通过学习模型计算出的的推测值(estimate)或预测值(predicted value)。
ej作为通过学习模型计算出的和实际数据之间的残差(residual)，通过公式10计算得出。
公式10
残差平方和(Sum of Squared Error,SSE)作为测量学习模型的性能的指标，通过公式11计算得出。
公式11
为除去第k个运转指标的学习模型，为的推测值，为残差，SSE(-k)为残差平方和。
SSE(full)为包括各个所有运转指标的学习模型，的推测值(estimate)、残差及残差平方和。
给作为转子振动特性值的T2造成影响的各个运转指标变量的贡献度，通过使用所有运转指标的完全学习模型(full model)和除去其中一个的运转指标之外的缩小学习模型(reduced model)间的残差平方和的差计算得出，如公式12。
公式12
SSE(full)-SSE(-k)＝第k个运转指标的贡献度。
以前述的公式12为基础，可以将测量出的最大的贡献度的运转指标提取为引起振动特性异常的运转指标。转子振动异常感知装置的T2值相对急剧变化的区间内，可以进行模型学习及贡献度分析。
在一个实施例中，转子振动异常感知装置还包括峰-峰值计算步骤S640及振动异常判断步骤S650。
在一个实施例中，峰-峰值计算步骤S640计算出由转子的旋转数决定的第一峰-峰值、第二峰-峰值、第三峰-峰值、第四峰-峰值。峰-峰值计算步骤S640对根据时间的第一峰-峰值、第二峰-峰值、第三峰-峰值、第四峰-峰值和根据时间的转子的旋转数相结合，从而计算出根据旋转数的第一峰-峰值、第二峰-峰值、第三峰-峰值、第四峰-峰值。
在一个实施例中，如果第一峰-峰值、第二峰-峰值、第三峰-峰值、第四峰-峰值中至少一个超过临界值，则振动异常判断步骤S650判断出转子的振动上有异常。临界值，例如，是75um。振动异常判断步骤S650判断在转子开始旋转后到达额定区间之前的升速区间内转子的振动是否有异常。振动异常判断步骤S650判断在从额定区间到转子的旋转速度渐渐减小的减速区间内转子的振动是否有异常。
如果针对计算出根据转子的旋转数的第一峰-峰值、第二峰-峰值、第三峰-峰值、第四峰-峰值的旋转数的峰-峰值、根据转子的旋转数的第一峰-峰值、第二峰-峰值、第三峰-峰值、第四峰-峰值中至少一个超过临界值，则振动异常判断步骤S650判断出转子的振动上有异常。
图3示出根据一个实施例的涡轮机。图4示出根据一个实施例的转子的涡轮端的正面及在转子的涡轮端相互直交的x、y轴。
转子的位置包括转子的涡轮端(TE,Turbine End)及转子的集电器端(CE,Collector End)。前述的方向为相互直交的两个轴x、y轴方向。前述的四个维度的振动信息为在转子的涡轮端相互直交的x、y轴及在转子的集电器端相互直交的x、y轴方向上的转子的振动信息。转子的振动信息，例如，为振动的峰-峰(Peak to Peak)值。峰-峰的单位，例如，为um。
转子的旋转数为根据转子的时间的RPM(Revolution per minute)。
图5示出根据一个实施例的转子的时间的旋转数(RPM)图表、根据时间的振动(vibration)的峰-峰图表及根据旋转数的振动图表。
振动异常感知装置计算基于根据转子的时间的旋转数(RPM)图表、根据时间的振动(vibration)的峰-峰图表计算根据旋转数的振动图表。
图6示出根据一个实施例的在转子的升速区间根据旋转数的涡轮端的x轴方向振动的峰-峰图表、在转子的升速区间根据旋转数的涡轮端的y轴方向振动的峰-峰图表、在转子的升速区间根据旋转数的集电器端的x轴方向振动的峰-峰图表、在转子的升速区间根据旋转数的集电器端的y轴方向振动的峰-峰图表。
图7示出根据一个实施例的在转子的减速区间根据旋转数的涡轮端的x轴方向振动的峰-峰图表、在转子的减速区间根据旋转数的涡轮端的y轴方向振动的峰-峰图表、在转子的减速区间根据旋转数的集电器端的x轴方向振动的峰-峰图表、在转子的减速区间根据旋转数的集电器端的y轴方向振动的峰-峰图表。
图8示出根据一个实施例的在转子的额定区间根据旋转数的涡轮端的x轴方向振动的峰-峰图表、在转子的额定区间根据旋转数的涡轮端的y轴方向振动的峰-峰图表、在转子的额定区间根据旋转数的集电器端的x轴方向振动的峰-峰图表、在转子的额定区间根据旋转数的集电器端的y轴方向振动的峰-峰图表。
图9是示出根据一个实施例的在转子的额定区间根据旋转数的涡轮端的x轴方向振动的峰-峰和2σ置信区间及4σ置信区间的图表，是示出在转子的额定区间根据旋转数的涡轮端的y轴方向振动的峰-峰和2σ置信区间及4σ置信区间的图表，是示出在转子的额定区间根据旋转数的集电器端的x轴方向振动的峰-峰和2σ置信区间及4σ置信区间的图表，是示出在转子的额定区间根据旋转数的集电器端的y轴方向振动的峰-峰和2σ置信区间及4σ置信区间的图表。
图10是示出根据一个实施例的根据转子的时间的管理指标的hotelingT2值的图表。虚线是UCL。
图11是示出根据一个实施例的根据时间的转子的振动变量的变化量的图表及根据时间的转子的运转指标的变化量的图表。
图12是示出根据时间的转子的运转指标的变化量的图表。转子振动异常感知装置提取在hotelingT2值变化的区间上升或下降的运转指标，从而可以提取引起振动特性异常的运转指标。在图12所示的实施例中，hotelingT2值减少时，将上升的STATOR COMMON GASTEMP IN GENERATOR(发电机定子常见气体温度)#1～2,STATOR COLD GAS TEMP INGENERATOR(发电机定子冷气体温度)#1～4,STATOR HOT GAS TEMP IN GENERATOR(发电机定子冷气体温度)#1～4提取为引起振动特性异常的运转指标。
图13示出根据一个实施例的相关分析结果。运转指标提取部，
通过将对hotelingT2值及一个以上的运转指标进行相关分析所得的系数与基准系数进行比较，从而提取引起振动特性异常的运转指标。图13示出不同运转指标的相关分析系数。比较前述的相关分析系数的绝对值和基准系数的绝对值，从而将比基准系数的绝对值大的运转指标提取为引起振动特性异常的运转指标。
如此，可以了解的是，在本发明所属的技术领域具备通常知识的人员，在不变更本发明的技术思想或必须的特征的情况下，可以实施为其他具体实施形态。因此，只需理解的是，以上所记述的实施例只是例示性的，并非是对其范围进行限制的限定。另外，图中所示的流程图只是为了在实施本发明时达到最优选的结果而例示性的示出的依次的顺序，理所当然可以设置不同的额外步骤，或可以删除部分步骤。
在本说明书中记述的技术特征和执行其的实现物可以由数字电路实现，或由包括在本说明书中记述的结构及其结构等价物等的计算机软件、固件或硬件实现，或由其中一个以上的组合来实现。另外，执行在本说明书中记述的技术特征的实现物也可以作为计算机程序产品来实现，即，为了对处理系统的操作进行控制或为了运行处理系统而作为涉及计算机程序命令的模块来实现，所述计算机程序命令被编码于有形的程序存储媒体上。
计算机可读媒体可以是通过机器可以读取的存储装置、通过机器可以读取的存储基板、存储器设备、通过机器可以读取的给电波形信号造成影响的物质的组合物或其中一个以上的组合。
另外，在本说明书中，“装置”或“设备”，例如，包括处理器、计算机或包括多重处理器或计算机用于对数据进行处理的所有机构、装置及机器。处理系统可以包括赋予给硬件，例如，构成处理器固件的代码、协议栈、数据库管理系统、操作系统或其中一个以上的组合等在请求时形成针对计算程序的运行环境的所有代码。
以程序、软件、软件应用、脚本或代码等被广为认知的计算机程序可以被编译或以包括解释性语言或先验性、过程语言的程序语言的任何形态被制作，也可以实现为独立的程序或是包括适合在模块、组件、子程序或计算机环境中使用的其他单元的任何形态。
另外，计算机程序并非一定对应于文件系统的文件，可以存储于请求的程序所提供的单一文件内，或多重的相互作用的文件(例如，存储一个以上的模块、下位程序或代码的一部分的文件)内，或具有其他程序或数据的文件的一部分(例如，存储于标记语言文件内的一个以上的脚本)内。
计算机程序位于一个网站或分散于多个网站，从而通过有/无线通信网络实现在相互连接的多重计算机或一个以上的计算机上运行。
另外，适合于存储计算机程序指令和数据的计算机可读媒体，例如，可以包括类似EPROM(可擦可编程只读存储器，Electrically Programmable Read-Only-Memory)、EEPROM(电可擦编程只读存储器，Electrically Erasable Programmable Read-Only Memory)及闪速存储器(flash memory)设备的半导体存储器设备，例如，包括类似内部硬盘或外置硬盘的磁盘、磁光盘及CD和DVD光盘的所有形态的非挥发性内存、媒体及存储器设备。处理器和存储器可以通过特殊目的的逻辑运算电路得到补充或合并。
执行在本说明书中记述的技术特征的实现物也可以在如下所述的运算系统中实现：例如，包括类似数据服务器的后端组件，或者，例如，包括类似应用服务器的中间件组件，或者，例如，包括类似客户端计算机的前端组件或所述后端、中间件或前端组件的一个以上的所有组合的运算系统，所述前端组件具备能够和用户在本说明书中说明的主体的实现物相互作用的浏览器或图形用户界面。系统的组件，例如，也可以通过类似通信网络的数字数据通信的任何形态或媒体相互连接。
以下，对所述记述的内容和能够实现包括在本说明书中记述的系统和基于MO服务的帮助提供方法的构成的更加具体的实施例进行详细记述。
在本说明书中，方法可以通过在与客户端设备或基于网站的存储系统相关的服务器或包含于服务器的一个以上的处理器(Processor)上运行计算机软件、程序代码或指令的方式来得到部分的或整体的使用。这里，处理器可以是类似服务器、客户端、网络基础设施结构、移动计算平台、固定计算平台等的计算平台中的一部分，具体地，可以是运行程序指令、代码等的计算机或处理设备的一种。另外，处理器还可以包括对根据用户移动测量的步行通路引导服务方法、指令、代码及程序进行存储的存储器，不包括存储器的情况，通过另外的界面也可以接入(Access)类似CD-ROM、DVD、存储器、硬盘、闪存驱动、RAM、ROM、缓存等的存储设备，所述存储设备存储根据本发明的方法、指令、代码及程序。
另外，在本说明书中记述的系统和根据用户移动测量的步行通道引导服务方法通过运行服务器、客户端、网关、集线器、路由器或网络硬件上的计算机软件的装置得到部分的或整体的使用。这里，软件可以在如文件服务器、打印服务器、域名服务器、因特网服务器、内部网服务器、主机服务器、分布式服务器等多种服务器中运行，所述提及的服务器还可以包括通过有线/无线网络可以接入存储器、处理器、计算机可读存储媒体、存储媒体、通信设备、端口、客户端以及其他服务器的界面。
另外，根据本发明的方法、指令、代码等也可以通过服务器得到执行，为了执行根据用户移动测量的步行通道引导服务方法所需要的其他设备可以由与服务器相关的分级结构的一部分实现。
而且，服务器不受限制地可以向包括客户端、其他服务器、打印机、数据库服务器、打印服务器、文件服务器、通信服务器、分布式服务器等的其他设备提供界面，通过界面实现的连接可以通过有线/无线网络容易地执行远程应用程序。
另外，还可以包括无论是通过界面连接于服务器的设备中的任何一个设备均可以对用于当面确认OTP应用程序发放的方法、指令、代码等进行存储的至少一个存储设备，服务器的中央处理器将在不同的设备上执行的指令、代码等提供至设备，从而可以存储于存储设备。
另外，在本说明书中，方法可以通过网络基础设施结构得到部分的或整体的使用。这里，网络基础设施结构可以将类似计算设备、服务器、路由器、集线器、防火墙、客户端、个人用计算机、通信设备、路由设备等的设备和能够执行各个功能的另外的模块等全部包含在内，所述提及的设备和模块之外，还可以包括闪存存储器、缓冲器、堆栈RAM、ROM等存储媒体。另外，根据用户移动测量的步行通道引导服务方法、指令、代码等也可以通过网络基础设施结构所包括的设备、模块、存储媒体中任意一个得到执行及存储，为了执行方法所需的其他设备也可以由网络基础设施结构的一部分来实现。
另外，在本说明书中记述的系统和方法可以由硬件或适合于特定应用程序(Application)的硬件和软件的组合来实现。这里，硬件将个人用计算机、移动通信终端机等通用计算机设备和企业型特定计算机设备全部包含在内，计算机设备可以实现为包括存储器、微处理器、微控制器、数字信号处理器、应用集成电路、可编程门阵列、可编程序阵列组织等设备或它们的组合。
以上记述的计算机软件、指令、代码等可以通过可读设备存储或接入，这里，可读设备可以包括：计算机组件，其具备用于一定时间间隔期间进行计算的数字数据、类似RAM或ROM的半导体存储器、类似光盘的永久存储器、类似硬盘、磁带、磁鼓等大容量存储器、类似CD或DVD的光存储器、闪存存储器、软盘、磁带、纸带、独立型内存盘、可以从计算机拆卸的大容量存储器、以及类似动态存储器、静态存储器、可变存储器、云盘的网络连接型存储器等的存储器。另外，虽然这里指令和代码等将类似SQL、dBase等的数据指向语言、类似C、Objective C、C++、汇编等的系统语言、类似Java、NET等的架构语言、类似PHP、Ruby、Perl、Python等应用语言等语言全部包括在内，但是并不限定于此，还可以将被在本发明所属的技术领域具备通常知识的人员广为所知的语言全部包含在内。
另外，在本说明书中记述的“计算机可读媒体”包括为了运行程序而将指令提供至处理器的所有媒体。具体地，虽然包括类似数据存储设备、光盘、磁盘等非挥发性媒体、类似动态存储器等的挥发性媒体和类似传送数据的同轴电缆、铜线、光纤等传送媒体，但不限定于此。
另外，执行图示于本说明书所附附图的框图和流程图中所包括的本发明的技术特征的构成指的是，所述构成之间的逻辑界限。
但是，根据软件或硬件的实施例，图示的构成和功能以独立的软件模块、单块软件结构、代码、服务及将它们组合起来的形态实现，在具备能够运行所存储的程序代码、指令等的处理器的计算机，可以存储于能够运行的媒体从而实现所述功能，因而所述的所有实施例也应看做属于本发明的权利要求范围。
因此，附图和与其有关的技术对本发明的技术特征进行说明，但只要用于实现所述技术特征的软件的特定排列没有明确地被提及，就不能单纯地进行推论。换句话说，可以存在以上所记述的多种实施例，所述实施例具有与本发明相同的技术特征的同时，可以进行部分变形，所以，其也应看作属于本发明的权利要求范围内。
另外，流程图的情况，虽然以特定顺序在附图中对操作进行了描述，但是其作为为了获得最优选的结果而在图中示出，不能理解为，必须按照图示的特定顺序或依次的顺序执行所述操作，或者必须执行所有图示的操作。特定情况下，多任务处理和并列处理器有利。而且，以上所述的实施形态的多种系统组件的分离不能理解为，在所有实施形态中要求所述分离，应该理解为，所说明的程序组件和系统一般一起合并为单一的软件产品，或可以封装于多重软件产品。
如此，在本说明书中，并非意图通过提出的具体术语来限制本发明。因此，虽然参照以上记述的实施例对本发明进行了详细说明，但如果是在本发明所属技术领域具备通常知识的人员，在不脱离本发明的范围的情况下，可以对本实施例进行改造、并更及变形。
应解释的是，本发明的范围通过后面叙述的权利要求书得到表示，而并非通过所述详细说明，权利要求书的意义及范围以及从其等价概念导出的所有变更或变形的形态均包含于本发明的权利要求范围。
标号说明
100:废气冷却装置
110:废气冷却部
111:直接水冷式冷却部
112:间距水冷式冷却部
113:间接风冷式冷却部
114:直接水冷式冷却部阀门
120:控制部
130:第一门
140:第二门
200:热回收蒸汽发生器
210:管道
300:燃气轮机

Claims (10)

1.一种转子振动异常感知装置，其包括：
振动信息接收部，其接收区分转子的位置和方向的一个以上维度的振动信息及包括转子的转数的转子的旋转信息中至少一个；
多变量管理指标计算部，其针对所述一个以上的维度的振动信息计算多变量管理指标；
运转指标提取部，霍特林T2值大于控制上限时判断为转子的振动特性上出现异常，并在一个以上的运转指标中提取引起振动特性异常的运转指标。
2.根据权利要求1所述的转子振动异常感知装置，其特征在于，所述一个以上维度的振动信息包括：
第一峰-峰值，其为针对与连接转子的一端和另一端的线段直交的X轴方向的转子一端的振动的峰-峰值；
第二峰-峰值，其为针对与连接转子的一端和另一端的线段直交的Y轴方向的转子一端的振动的峰-峰值；
第三峰-峰值，其为针对与连接转子的一端和另一端的线段直交的X轴方向的转子另一端的振动的峰-峰值；以及
第四峰-峰值，其为针对与连接转子的一端和另一端的线段直交的Y轴方向的转子另一端的振动的峰-峰值。
3.根据权利要求2所述的转子振动异常感知装置，其特征在于，
所述多变量管理指标计算部利用所述第一峰-峰值、所述第二峰-峰值、所述第三峰-峰值及所述第四峰-峰值的特定区间上的平均值以及所述第一峰-峰值、所述第二峰-峰值、所述第三峰-峰值及所述第四峰-峰值的整体时间上的平均值的差的偏差来计算出所述霍特林T2值。
4.根据权利要求2所述的转子振动异常感知装置，其特征在于，
所述运转指标提取部将根据时间的经过的所述霍特林T2值、所述第一峰-峰值、所述第二峰-峰值、所述第三峰-峰值、所述第四峰-峰值以及所述运转指标中至少一个输出至显示部。
5.根据权利要求1所述的转子振动异常感知装置，其特征在于，
所述运转指标包括推力轴承垫金属温度、定子气体温度、发电机电压、发电机电流、发电机力率、发电机输出电压、发电机无功功率中至少一个。
6.根据权利要求1所述的转子振动异常感知装置，其特征在于，
所述运转指标提取部通过将对所述霍特林T2值及所述一个以上的运转指标进行相关分析所得的系数与标准系数相比较，从而提取引起振动特性异常的运转指标。
7.根据权利要求1所述的转子振动异常感知装置，其特征在于，
所述运转指标提取部通过所述一个以上的运转指标中存在所有运转指标时的霍特林T2值及只存在除了成为贡献度测量对象的运转指标之外的其余运转指标时的霍特林T2值的残差的大小来提取所述一个以上的运转指标中引起振动特性异常的运转指标。
8.根据权利要求2所述的转子振动异常感知装置，其还包括：
针对转数的峰-峰值计算部，其对根据转子的转数的所述第一峰-峰值、所述第二峰-峰值、所述第三峰-峰值、所述第四峰-峰值进行计算。
9.根据权利要求2所述的转子振动异常感知装置，其特征在于，
如果所述第一峰-峰值、所述第二峰-峰值、所述第三峰-峰值、所述第四峰-峰值中至少一个超过临界值，则所述振动异常判断部判断转子的振动出现异常。
10.根据权利要求1所述的转子振动异常感知装置，其特征在于，
所述运转指标提取部通过对所述霍特林T2值及所述运转指标进行相关分析，从而提取相关分析系数。
CN201710802379.1A 2016-09-08 2017-09-07 转子振动异常感知装置及方法 Active CN107806985B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2016-0115332 2016-09-08
KR1020160115332A KR101863781B1 (ko) 2016-09-08 2016-09-08 로터 진동 이상 감지 장치 및 방법

Publications (2)

Publication Number Publication Date
CN107806985A true CN107806985A (zh) 2018-03-16
CN107806985B CN107806985B (zh) 2020-01-21

Family

ID=59846413

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710802379.1A Active CN107806985B (zh) 2016-09-08 2017-09-07 转子振动异常感知装置及方法

Country Status (5)

Country Link
US (1) US10724918B2 (zh)
EP (1) EP3293501B1 (zh)
JP (1) JP6431152B2 (zh)
KR (1) KR101863781B1 (zh)
CN (1) CN107806985B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108680244A (zh) * 2018-04-26 2018-10-19 浙江大学 一种旋转机械振动无线监测装置及方法
CN109163689A (zh) * 2018-09-04 2019-01-08 国网青海省电力公司检修公司 一种波纹管状态评价方法及装置
RU2711647C1 (ru) * 2019-04-08 2020-01-17 ОАО "Научно-исследовательский институт технологии, контроля и диагностики железнодорожного транспорта" (ОАО "НИИТКД") Устройство и способ оценки технического состояния асинхронных двигателей
CN111339627A (zh) * 2018-11-30 2020-06-26 斗山重工业建设有限公司 计算流体动力学分析异常症候预测系统及方法
CN112326248A (zh) * 2020-11-10 2021-02-05 江苏大学 基于Hotelling’sT2控制图融合双峭度图的轴承状态监测及故障诊断的方法

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101863781B1 (ko) * 2016-09-08 2018-06-01 두산중공업 주식회사 로터 진동 이상 감지 장치 및 방법
CA3128973A1 (en) 2019-03-04 2020-09-10 Bhaskar Bhattacharyya Data compression and communication using machine learning
JP7123886B2 (ja) * 2019-09-17 2022-08-23 株式会社東芝 電力制御回路、発電機、及び発電システム
CN116827055B (zh) * 2022-09-09 2024-01-30 东莞市智美生活电子科技有限公司 一种电机结构

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003149043A (ja) * 2001-11-16 2003-05-21 Toshiba Corp 回転機械の振動診断方法及び装置
JP2009070071A (ja) * 2007-09-12 2009-04-02 Toshiba Corp 学習型プロセス異常診断装置、およびオペレータ判断推測結果収集装置
CN101899563A (zh) * 2009-06-01 2010-12-01 上海宝钢工业检测公司 基于pca模型的连续退火机组炉内温度、张力监测及故障追溯方法
CN102022264A (zh) * 2009-08-31 2011-04-20 通用电气公司 用于风力涡轮机健康管理的系统和方法
CN103824137A (zh) * 2014-03-20 2014-05-28 北京信息科技大学 一种复杂机械设备多工况故障预测方法
EP2988104A2 (en) * 2014-08-21 2016-02-24 General Electric Company Detecting rotor anomalies during transient speed operations

Family Cites Families (36)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US3220247A (en) * 1962-05-14 1965-11-30 Gen Electric Vibration vector measurement and display apparatus
JPS6018729A (ja) * 1983-07-11 1985-01-30 Mitsubishi Electric Corp 振動監視装置
JP2850917B2 (ja) 1990-03-28 1999-01-27 株式会社東芝 回転機械の異常診断方法
JP3321487B2 (ja) 1993-10-20 2002-09-03 株式会社日立製作所 機器／設備診断方法およびシステム
JPH08334405A (ja) 1995-06-08 1996-12-17 Omron Corp 回転機の異常診断装置
KR200335004Y1 (ko) 2003-08-28 2003-12-01 한국서부발전 주식회사 발전소용 증기터빈 운전조작 감시모듈구조
US8096184B2 (en) * 2004-06-30 2012-01-17 Siemens Energy, Inc. Turbine blade for monitoring blade vibration
US7567887B2 (en) * 2004-09-10 2009-07-28 Exxonmobil Research And Engineering Company Application of abnormal event detection technology to fluidized catalytic cracking unit
US7424395B2 (en) * 2004-09-10 2008-09-09 Exxonmobil Research And Engineering Company Application of abnormal event detection technology to olefins recovery trains
JP2009506261A (ja) * 2005-08-31 2009-02-12 シーメンス アクチエンゲゼルシヤフト タービンの回転軸の動的挙動を監視するための方法と装置
US7243048B2 (en) * 2005-11-28 2007-07-10 Honeywell International, Inc. Fault detection system and method using multiway principal component analysis
US7853431B2 (en) * 2006-09-29 2010-12-14 Fisher-Rosemount Systems, Inc. On-line monitoring and diagnostics of a process using multivariate statistical analysis
JP2008298527A (ja) 2007-05-30 2008-12-11 Toshiba Corp 回転機械の振動診断方法及びその振動診断装置
US7775114B2 (en) * 2007-09-26 2010-08-17 Siemens Energy, Inc. Method of on-line turbine blade slope and sensor position verification
US8144005B2 (en) * 2008-05-29 2012-03-27 General Electric Company System and method for advanced condition monitoring of an asset system
US8352216B2 (en) * 2008-05-29 2013-01-08 General Electric Company System and method for advanced condition monitoring of an asset system
US7756678B2 (en) * 2008-05-29 2010-07-13 General Electric Company System and method for advanced condition monitoring of an asset system
DE112009001777T5 (de) * 2008-07-24 2011-05-26 ULVAC, Inc., Chigasaki-shi Betriebsüberwachungssystem für Bearbeitungsvorrichtung
NZ590408A (en) * 2008-10-21 2012-12-21 Fuji Electric Co Ltd An online diagnostic method and system for a geothermal generation facility
FR2939170B1 (fr) * 2008-11-28 2010-12-31 Snecma Detection d'anomalie dans un moteur d'aeronef.
US8297123B2 (en) * 2009-07-30 2012-10-30 General Electric Company Detection of anomalous movement in a reciprocating device
JP5363927B2 (ja) * 2009-09-07 2013-12-11 株式会社日立製作所 異常検知・診断方法、異常検知・診断システム、及び異常検知・診断プログラム
KR100954090B1 (ko) 2009-10-27 2010-04-23 주식회사 위다스 풍력발전설비 상태감시시스템
US8222760B2 (en) * 2010-06-29 2012-07-17 General Electric Company Method for controlling a proximity sensor of a wind turbine
WO2012001653A2 (en) * 2010-06-30 2012-01-05 Schlumberger Canada Limited System, method, and apparatus for oilfield equipment prognostics and health management
US8364424B2 (en) * 2010-07-30 2013-01-29 General Electric Company System and method for monitoring a wind turbine gearbox
US8751423B2 (en) * 2010-11-30 2014-06-10 General Electric Company Turbine performance diagnostic system and methods
TWI515522B (zh) * 2010-12-28 2016-01-01 萬國商業機器公司 測定系統情況的方法、電腦程式及電腦
CZ2011588A3 (cs) * 2011-09-21 2013-06-12 Doosan Skoda Power S.R.O. Zpusob urcení aktuální excentricity rotujícího rotoru a diagnostika excentricity rotujícího rotoru
US9063030B2 (en) * 2012-02-14 2015-06-23 Computational Systems, Inc. Apparatus and method for visualizing the position of a rotating structure with respect to a stationary structure
KR101449457B1 (ko) 2013-06-26 2014-10-13 주식회사 포스코 발전기 제어 장치
WO2015139709A1 (en) * 2014-03-19 2015-09-24 Northern Vo Aps Method and system for monitoring a vehicle
US9568301B2 (en) * 2014-04-11 2017-02-14 General Electric Company Systems and methods for capacitive proximity sensing
WO2015195520A1 (en) * 2014-06-16 2015-12-23 Schlumberger Canada Limited Fault detection in electric submersible pumps
KR101703101B1 (ko) 2015-03-26 2017-02-06 주식회사 대진정공 산소통 보관장치
KR101863781B1 (ko) * 2016-09-08 2018-06-01 두산중공업 주식회사 로터 진동 이상 감지 장치 및 방법

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003149043A (ja) * 2001-11-16 2003-05-21 Toshiba Corp 回転機械の振動診断方法及び装置
JP2009070071A (ja) * 2007-09-12 2009-04-02 Toshiba Corp 学習型プロセス異常診断装置、およびオペレータ判断推測結果収集装置
CN101899563A (zh) * 2009-06-01 2010-12-01 上海宝钢工业检测公司 基于pca模型的连续退火机组炉内温度、张力监测及故障追溯方法
CN102022264A (zh) * 2009-08-31 2011-04-20 通用电气公司 用于风力涡轮机健康管理的系统和方法
CN103824137A (zh) * 2014-03-20 2014-05-28 北京信息科技大学 一种复杂机械设备多工况故障预测方法
EP2988104A2 (en) * 2014-08-21 2016-02-24 General Electric Company Detecting rotor anomalies during transient speed operations

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108680244A (zh) * 2018-04-26 2018-10-19 浙江大学 一种旋转机械振动无线监测装置及方法
CN108680244B (zh) * 2018-04-26 2020-06-09 浙江大学 一种旋转机械振动无线监测装置及方法
CN109163689A (zh) * 2018-09-04 2019-01-08 国网青海省电力公司检修公司 一种波纹管状态评价方法及装置
CN111339627A (zh) * 2018-11-30 2020-06-26 斗山重工业建设有限公司 计算流体动力学分析异常症候预测系统及方法
CN111339627B (zh) * 2018-11-30 2024-04-12 斗山重工业建设有限公司 计算流体动力学分析异常症候预测系统及方法
RU2711647C1 (ru) * 2019-04-08 2020-01-17 ОАО "Научно-исследовательский институт технологии, контроля и диагностики железнодорожного транспорта" (ОАО "НИИТКД") Устройство и способ оценки технического состояния асинхронных двигателей
CN112326248A (zh) * 2020-11-10 2021-02-05 江苏大学 基于Hotelling’sT2控制图融合双峭度图的轴承状态监测及故障诊断的方法
CN112326248B (zh) * 2020-11-10 2022-08-23 江苏大学 基于Hotelling’sT2控制图融合双峭度图的轴承状态监测及故障诊断的方法

Also Published As

Publication number Publication date
CN107806985B (zh) 2020-01-21
JP6431152B2 (ja) 2018-11-28
KR101863781B1 (ko) 2018-06-01
US20180067010A1 (en) 2018-03-08
EP3293501B1 (en) 2023-01-11
EP3293501A1 (en) 2018-03-14
KR20180028111A (ko) 2018-03-16
US10724918B2 (en) 2020-07-28
JP2018040803A (ja) 2018-03-15

Similar Documents

Publication Publication Date Title
CN107806985A (zh) 转子振动异常感知装置及方法
Li et al. Deep learning-based machinery fault diagnostics with domain adaptation across sensors at different places
Zhang et al. Transfer learning with neural networks for bearing fault diagnosis in changing working conditions
Pan et al. Fault diagnosis system of induction motors based on multiscale entropy and support vector machine with mutual information algorithm
He et al. A novel bearing fault diagnosis method based on gaussian restricted boltzmann machine
CN102054179A (zh) 一种旋转机械在线状态监测与故障诊断装置及方法
Czerwinski et al. Machine learning for sensorless temperature estimation of a BLDC motor
CN108809166A (zh) 永磁直流电机的扰动观测器
Yu et al. Statistical identification guided open-set domain adaptation in fault diagnosis
CN107679626A (zh) 机器学习方法、装置、系统、存储介质及设备
CN109840671A (zh) 运行改进效果计算设备、运行改进效果计算方法和记录介质
CN107133140A (zh) 基于相片的图像分析的监控系统
US20240133954A1 (en) System and Method for Eccentricity Severity Estimation of Induction Machines using a Sparsity-Driven Regression Model
Giantomassi et al. Signal based fault detection and diagnosis for rotating electrical machines: Issues and solutions
CN117036732B (zh) 一种基于融合模型的机电设备检测系统、方法及设备
Fu et al. Digital twin-driven vibration amplitude simulation for condition monitoring of axial blowers in blast furnace ironmaking
KR20010077925A (ko) 전기 장비 서비스 시스템 및 방법과, 기술 장비 및 서비스동의 판매 시스템 및 방법
KR20200139939A (ko) 인플루언서 기반 마케팅 서비스 제공 방법
CN107977413A (zh) 用户数据的特征选择方法、装置、计算机设备和存储介质
CN106506614A (zh) 移动终端识别码的生成方法、生成装置和移动终端
US11983623B1 (en) Data validation for automatic model building and release
Wang et al. Source-free domain adaptation network for rolling bearing fault diagnosis
KR20200139947A (ko) 블록체인을 이용한 마케팅 서비스 검증을 위한 방법
CN110178096A (zh) 自动配置自动化系统的功能单元的方法、执行该方法的计算机程序和根据该方法工作的设备
KR20200139966A (ko) 게임 마케팅 데이터 분석 장치

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