CN108761332A - 一种电机断条故障的集合经验模态分解电流诊断方法 - Google Patents
一种电机断条故障的集合经验模态分解电流诊断方法 Download PDFInfo
- Publication number
- CN108761332A CN108761332A CN201810430572.1A CN201810430572A CN108761332A CN 108761332 A CN108761332 A CN 108761332A CN 201810430572 A CN201810430572 A CN 201810430572A CN 108761332 A CN108761332 A CN 108761332A
- Authority
- CN
- China
- Prior art keywords
- signal
- current
- motor
- bar fault
- envelope
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/34—Testing dynamo-electric machines
- G01R31/343—Testing dynamo-electric machines in operation
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Tests Of Circuit Breakers, Generators, And Electric Motors (AREA)
Abstract
本发明公开了一种电机断条故障的集合经验模态分解电流诊断方法,根据电机转子断条故障特征,结合EEMD分解与Hilbert解调的优点,对于电机空载和负载工况下的电机断条电流信号,采用具有自适应性、高信噪比的EEMD分析方法分别对其进行自适应分解,对整个频段进行精细划分,然后选取与原始信号相关系数较大的IMF分量重构信号,对重构信号采用Hilbert包络解调,从电流信号的解调结果中提取出与故障息息相关的故障特征,突出和分离故障特征信息,使电机的断条故障特征在电流信号中更加明显化,为电机断条故障的电流检测与诊断提供依据。
Description
技术领域
本发明属于检测技术领域,具体涉及一种用于异步感应电机转子断条故障的状态监测与故障诊断的电机断条故障的集合经验模态分解电流诊断方法。
背景技术
电流传感器采集到的信号为时域波形,时域的波形比较直观,包含的信息量大,但是与故障之间的关系并不明显,一般情况下不能直接作为判断依据,但可以作为辅助特征使诊断结果更加精确。
频谱分析是信号分析中常用的方法,傅里叶变换是频谱分析的理论基础,对平稳信号的分析非常有效,但有一点不足就是它缺乏空间局部性,对突变信号不是很有效,如傅里叶变换对均匀重载荷电流信号分析非常有效,对空载或变载荷不是很有效。
2006年,法国南锡第一大学研究人员Gaetan Dither,Eric Ternisien等人对电机断条的所有的故障参数做了研究,通过巴特利特周期图分析了瞬时功率谱,并指出利用瞬时功率谱对电流信号的检测方法仅适用在电机负载较小的工况。
小波分析被认为是现代傅立叶变换的重大突破,有望替代传统傅里叶变换技术。许伯强等将小波分析引入到电机断条故障中,运用自适应滤波,将傅里叶变换结合到小波变换中,其优点是避免了由负载波动造成的影响;李天云等通过小波变换,利用随机共振技术优化断条故障的检测技术,使小波变换在有噪声干扰的情况下仍可进行较好的检测和诊断,提高了故障信号检测的灵敏度。但小波分析需要根据经验值选取小波基函数,限制了小波分析在工程应用中的自适应性。
发明内容
针对上述现有技术中描述的不足,本发明提供一种电机断条故障的集合经验模态分解电流诊断方法,本发明采用EEMD分解与Hilbert包络解调结合的检测方法,以从电流信号中提取电机断条故障特征,对于电机空载和负载工况下的电机断条电流信号,采用具有自适应性、高信噪比的EEMD分析方法分别对其进行自适应分解,对整个频段进行精细划分,然后选取与原始信号相关系数较大的IMF分量重构信号,对重构信号采用Hilbert包络解调,从电流信号的解调结果中提取出与故障息息相关的故障特征,使电机的断条故障特征在电流信号中更加明显化,为电机断条故障的电流检测与诊断提供依据。
为解决上述技术问题,本发明所采用的技术方案如下:
一种电机断条故障的集合经验模态分解电流诊断方法,步骤如下:
S1,采集电机在某恒定转速的定子电流;
通过电流传感器(电流钳)和数据采集系统获取电机运行过程中的定子电流。
S2,对获得的定子电流进行集合经验模态EEMD分解,得到IMF分量。
S2.1,在定子电流的原始信号中添加一组均值为零,方差相等的随机高斯白噪声信号,使定子电流的原始信号为添加高斯白噪声的混合信号。
S2.2,得到混合信号的上包络线和下包络线。
S2.2.1,确定混合信号的局部极大值。
S2.2.2,对获得局部极大值点采用三次样条插值方法得到混合信号的上包络线。
S2.2.3,确定混合信号的局部极小值点。
S2.2.4,对获得局部极小值点采用三次样条插值方法得到混合信号的下包络线。
S2.3,计算混合信号上包络线与下包络线的平均值,并用定子电流的原始信号减去平均值。
S2.4,将步骤S2.3得到的处理后混合信号作为新的待处理信号,并重复步骤S2.2‐S2.3,直至待处理信号与平均值的差满足IMF条件,可得到一个IMF分量。
IMF条件为:1)在整个数据序列中,极值点的数量Ne与过零点的数量Nz最多相差不大于1;2)在任何一个时间点上,信号局部极大值确定的包络线与局部极小值确定的包络线的平均值为零。S2.5,将得到的IMF分量从待处理信号中分离,并将分离后剩余信号作为原始信号。
S2.6,重复步骤S2.1-S2.5,并判断得到的IMF分量是否满足为单调函数,若满足,则停止迭代,得到一组IMF分量。
S3,重新构造电流信号。
S3.1,分别计算各IMF分量与定子电流原始信号的相关系数。
计算通式为:
S3.2,给定相关系数阀值,比较相关系数与阀值的大小。
S3.3,筛选相关系数大于阀值的IMF分量,并根据筛选后的IMF分量得到重新构造的电流信号。
S4,计算重构电流信号的包络解调谱。
S4.1,对重构电流信号进行Hilbert变换,得到解析信号。
S4.1.1,对重构电流信号进行卷积处理,得到解析信号的虚部x(t)'。
S4.1.2,将解析信号表示为复数;其中电流重构信号为复数的实部,x(t)'为复数的虚部。
S4.2,将步骤S4.1得到的解析信号提取包络信号。
S4.3,将解析信号的包络信号进行快速傅里叶变换,得到重构电流信号的包络解调谱。
S5,从包络解调谱中识别具有断条故障的频谱特征,并与电机正常信号的EEMD包络解调谱结果进行对比,确定电机转子断条故障。
本发明根据电机转子断条故障特征,结合EEMD分解与Hilbert解调的优点,对于电机空载和负载工况下的电机断条电流信号,采用具有自适应性、高信噪比的EEMD分析方法分别对其进行自适应分解,对整个频段进行精细划分,然后选取与原始信号相关系数较大的IMF分量重构信号,对重构信号采用Hilbert包络解调,从电流信号的解调结果中提取出与故障息息相关的故障特征,突出和分离故障特征信息,使电机的断条故障特征在电流信号中更加明显化,为电机断条故障的电流检测与诊断提供依据。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明系统流程图。
图2为本发明空载工况下电机断条电流信号的EEMD分解图。
图3为本发明空载工况下电机断条电流重构信号包络谱线图。
图4为本发明空载工况下电流信号频谱图。
图5为本发明75%负载工况下电机断条电流信号的EEMD分解图。
图6为本发明75%负载工况下电机断条电流重构信号包络谱图。
图7为本发明75%负载工况下电机断条故障电流原信号包络谱图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有付出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1:如图1所示,一种电机断条故障的集合经验模态分解电流诊断方法,步骤如下:
S1,采集电机在某恒定转速的定子电流;
通过电流传感器(电流钳)和数据采集系统获取电机运行过程中的定子电流。
S2,对获得的定子电流进行集合经验模态EEMD分解,得到IMF分量。
S2.1,在定子电流的原始信号中添加一组均值为零,方差相等的随机高斯白噪声信号,使定子电流的原始信号为添加高斯白噪声的混合信号。
S2.2,得到混合信号的上包络线和下包络线。
S2.2.1,确定混合信号的局部极大值。
S2.2.2,对获得局部极大值点采用三次样条插值方法得到混合信号的上包络线。
S2.2.3,确定混合信号的局部极小值点。
S2.2.4,对获得局部极小值点采用三次样条插值方法得到混合信号的下包络线。
S2.3,计算混合信号上包络线与下包络线的平均值,并用定子电流的原始信号减去平均值。
S2.4,将步骤S2.3得到的处理后混合信号作为新的待处理信号,并重复步骤S2.2‐S2.3,直至待处理信号与平均值的差满足IMF条件,可得到一个IMF分量。
IMF条件为:1)在整个数据序列中,极值点的数量Ne与过零点的数量Nz最多相差不大于1;2)在任何一个时间点上,信号局部极大值确定的包络线与局部极小值确定的包络线的平均值为零。S2.5,将得到的IMF分量从待处理信号中分离,并将分离后剩余信号作为原始信号。
S2.6,重复步骤S2.1-S2.5,并判断得到的IMF分量是否满足为单调函数,若满足,则停止迭代,得到一组IMF分量。
S3,重新构造电流信号。
S3.1,分别计算各IMF分量与定子电流原始信号的相关系数。
计算通式为:
S3.2,给定相关系数阀值,比较相关系数与阀值的大小。
S3.3,筛选相关系数大于阀值的IMF分量,并根据筛选后的IMF分量得到重新构造的电流信号。
S4,计算重构电流信号的包络解调谱。
S4.1,对重构电流信号进行Hilbert变换,得到解析信号。
S4.1.1,对重构电流信号进行卷积处理,得到解析信号的虚部x(t)'。
S4.1.2,将解析信号表示为复数;其中电流重构信号为复数的实部,x(t)'为复数的虚部。
S4.2,将步骤S4.1得到的解析信号提取包络信号。
S4.3,将解析信号的包络信号进行快速傅里叶变换,得到重构电流信号的包络解调谱。
S5,从包络解调谱中识别具有断条故障的频谱特征,并与电机正常信号的EEMD包络解调谱结果进行对比,确定电机转子断条故障。
下面对本发明的原理以具体事例进行说明
检测的异步感应电机为marathon电机,额定功率为370w,额定电压220v,额定转速为3450rpm。
选用量程为0.1-240A,电压灵敏度为10mV/A的FLUKEi200s电流钳作为电流传感器。采用电流传感器和配套采集系统分别采集感应电机在空载和负载两种工况下转速为2400r/min的电流信号,得到该转速下在空载和负载工况下的电机断条电流信号。采样频率为1280Hz,分析点数为32768。
如图1所示,基于EEMD和Hilbert结合的电机转子断条故障分析方法,具体步骤如下:
(1)分别对空载和负载工况下的电流信号进行集合经验模态EEMD分解,自适应分解得到空载和负载工况下两组不同的IMF分量。
其中集合经验模态EEMD分解包括:
①在所采集的定子电流原始信号添加一组均值为零,方差相等的随机高斯白噪声信号,使原始信号为添加高斯白噪声的混合信号;
②确定混合信号的局部极大值和局部极小值点,采用三次样条插值方法形成信号的上小包络线;
③计算上下包络的平均值,并得出待处理信号减去均值的差;
④将③得出的差作为新的待处理信号,重复步骤②、③,当待处理信号与均值的差满足IMF条件时,得到第一个IMF分量;
⑤将分离后的剩余信号作为原始信号,重复步骤①-⑤,依次得到一组IMF分量;
⑥当IMF分量满足迭代停止条件是,迭代停止,待处理信号集合经验模态EEMD分解结束。
(2)计算各分量与原信号的相关系数,根据相关系数筛选IMF分量,设定阀值,保留符合阈值条件的IMF分量,重构信号。
(3)对重构的信号进行Hilbert变换,计算重构信号的包络解调谱。
对待处理信号进行基于Hilbert变化的幅值解调分析包括:利用卷积定理在频域中得到Hilbert变换副,把一个实信号表示为一个复信号,从而构成解析信号,通过提取解析信号的包络信号,并对包络信号进行快速傅里叶变换,可得到信号的包络解调谱。
(5)从包络解调谱中识别具有断条故障的频谱特征,并与电机正常信号的EEMD包络解调谱结果进行对比,实现感应电机转子断条故障的检测与诊断。
如图2所示,是空载状态下的电机断条电流信号进行EEMD分解得到9个IMF分量。
如图3所示,根据相关系数准则对IMF分量进行筛选,选择相关系数大于0.2的IMF2(0.9995)、IMF3(0.9045)分别重组信号,并对重构信号做包络解调分析。与电机无断条故障的解调结果进行对比,在故障调制频率及其倍频处发现明显的尖峰,特征频率非常明显。
如图4所示,为了显示所提供方法的优越性,对电机断条故障和无断条故障的电流信号进行频谱分析,在频谱图中,断条故障特征非常微弱,不易识别。
如图5所示,采用所提供方法对75%负载状态下的电机断条电流信号进行EEMD分解得到9个IMF分量。
如图6所示,选择相关系数大于0.2的IMF2(0.9995)、IMF3(0.9045)分量重构信号并求其包络谱,从重构信号的包络谱可知在断条故障调制频率(2Hz)处存在明显的尖峰,不仅幅值比如图7所示的传统的Hilbert包络解调得到断条故障调制频率的幅值大的多,而且与周围频率区分明显,这说明本发明公开的方法在有噪声的情况下可以抑制噪声,突出故障频率,能够更好地识别断条故障。
上面所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种电机断条故障的集合经验模态分解电流诊断方法,其特征在于,步骤如下:
S1,采集电机在某恒定转速的定子电流;
通过电流传感器和数据采集系统获取电机运行过程中的定子电流;
S2,对获得的定子电流进行集合经验模态EEMD分解,得到IMF分量;
S3,重新构造电流信号;
S4,计算重构电流信号的包络解调谱;
S5,从包络解调谱中识别具有断条故障的频谱特征,并与电机正常信号的EEMD包络解调谱结果进行对比,确定电机转子断条故障。
2.根据权利要求1所述的电机断条故障的集合经验模态分解电流诊断方法,其特征在于,在步骤S2中,具体步骤如下:S2.1,在定子电流的原始信号中添加一组均值为零,方差相等的随机高斯白噪声信号,使定子电流的原始信号为添加高斯白噪声的混合信号;
S2.2,得到混合信号的上包络线和下包络线;
S2.3,计算混合信号上包络线与下包络线的平均值,并用定子电流的原始信号减去平均值;
S2.4,将步骤S2.3得到的处理后混合信号作为新的待处理信号,并重复步骤S2.2-S2.3,直至待处理信号与平均值的差满足IMF条件,可得到一个IMF分量;
S2.5,将得到的IMF分量从待处理信号中分离,并将分离后剩余信号作为原始信号;
S2.6,重复步骤S2.1-S2.5,并判断得到的IMF分量是否满足为单调函数,若满足,则停止迭代,得到一组IMF分量。
3.根据权利要求2所述的电机断条故障的集合经验模态分解电流诊断方法,其特征在于,在步骤S2.2中,具体步骤如下:S2.2.1,确定混合信号的局部极大值;
S2.2.2,对获得局部极大值点采用三次样条插值方法得到混合信号的上包络线;
S2.2.3,确定混合信号的局部极小值点;
S2.2.4,对获得局部极小值点采用三次样条插值方法得到混合信号的下包络线。
4.根据权利要求2所述的电机断条故障的集合经验模态分解电流诊断方法,其特征在于,在步骤S2.4中,IMF条件为:1)在整个数据序列中,极值点的数量Ne与过零点的数量Nz最多相差不大于1;2)在任何一个时间点上,信号局部极大值确定的包络线与局部极小值确定的包络线的平均值为零。
5.根据权利要求1所述的电机断条故障的集合经验模态分解电流诊断方法,其特征在于,在步骤S3中,具体步骤如下:S3.1,分别计算各IMF分量与定子电流原始信号的相关系数;
计算通式为:
S3.2,给定相关系数阀值,并比较相关系数与阀值的大小;
S3.3,筛选相关系数大于阀值的IMF分量,并根据筛选后的IMF分量得到重新构造的电流信号。
6.根据权利要求1所述的电机断条故障的集合经验模态分解电流诊断方法,其特征在于,在步骤S4中,具体步骤如下:S4.1,对重构电流信号进行Hilbert变换,得到解析信号;
S4.1.1,对重构电流信号进行卷积处理,得到解析信号的虚部x(t)';
S4.1.2,将解析信号表示为复数;其中电流重构信号为复数的实部,x(t)'为复数的虚部;
S4.2,将步骤S4.1得到的解析信号提取包络信号;
S4.3,将解析信号的包络信号进行快速傅里叶变换,得到重构电流信号的包络解调谱。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810430572.1A CN108761332A (zh) | 2018-05-08 | 2018-05-08 | 一种电机断条故障的集合经验模态分解电流诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810430572.1A CN108761332A (zh) | 2018-05-08 | 2018-05-08 | 一种电机断条故障的集合经验模态分解电流诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108761332A true CN108761332A (zh) | 2018-11-06 |
Family
ID=64010286
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810430572.1A Pending CN108761332A (zh) | 2018-05-08 | 2018-05-08 | 一种电机断条故障的集合经验模态分解电流诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108761332A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109581211A (zh) * | 2018-11-13 | 2019-04-05 | 国网江苏省电力有限公司南京供电分公司 | 一种基于电机电流的有载分接开关机械故障在线监测方法 |
CN109856538A (zh) * | 2019-03-04 | 2019-06-07 | 中国矿业大学 | 一种基于短时校正fft的感应电机断条故障检测方法 |
CN109917287A (zh) * | 2019-03-20 | 2019-06-21 | 华南理工大学 | 基于经验模态分解和倍频程谱分析的减速电机品检方法 |
CN110569812A (zh) * | 2019-09-12 | 2019-12-13 | 天津工业大学 | 一种故障信号的包络解调方法及包络解调系统 |
CN111307234A (zh) * | 2020-03-09 | 2020-06-19 | 成都千嘉科技有限公司 | 一种基于包络线的超声波飞行时间测定方法 |
CN111680665A (zh) * | 2020-06-28 | 2020-09-18 | 湖南大学 | 基于数据驱动的采用电流信号的电机机械故障诊断方法 |
CN112378414A (zh) * | 2020-11-20 | 2021-02-19 | 深圳信息职业技术学院 | 一种基于pm2.5健康出行的路径规划装置及方法 |
CN113311290A (zh) * | 2021-05-24 | 2021-08-27 | 华北水利水电大学 | 一种适用于谐振接地系统的单相接地选线方法 |
CN114595779A (zh) * | 2022-03-15 | 2022-06-07 | 中铁十四局集团大盾构工程有限公司 | 一种盾构机刀具故障分析与诊断方法 |
CN114966403A (zh) * | 2022-08-01 | 2022-08-30 | 山东博源精密机械有限公司 | 一种新能源汽车电机堵转故障检测方法及系统 |
CN115118495A (zh) * | 2022-06-27 | 2022-09-27 | 西安电子科技大学 | 一种基于经验模态分解和频谱特征量检测的用户信息入侵检测方法 |
CN116577656A (zh) * | 2023-07-12 | 2023-08-11 | 深圳盈特创智能科技有限公司 | 一种低延时的高速风筒过零检测系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104614628A (zh) * | 2015-01-06 | 2015-05-13 | 南京工程学院 | 基于eemd和fft结合的电机转子断条故障分析方法 |
CN106053066A (zh) * | 2016-05-23 | 2016-10-26 | 华东交通大学 | 基于经验模态分解和逻辑回归的滚动轴承性能退化评估方法 |
-
2018
- 2018-05-08 CN CN201810430572.1A patent/CN108761332A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104614628A (zh) * | 2015-01-06 | 2015-05-13 | 南京工程学院 | 基于eemd和fft结合的电机转子断条故障分析方法 |
CN106053066A (zh) * | 2016-05-23 | 2016-10-26 | 华东交通大学 | 基于经验模态分解和逻辑回归的滚动轴承性能退化评估方法 |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109581211A (zh) * | 2018-11-13 | 2019-04-05 | 国网江苏省电力有限公司南京供电分公司 | 一种基于电机电流的有载分接开关机械故障在线监测方法 |
CN109856538A (zh) * | 2019-03-04 | 2019-06-07 | 中国矿业大学 | 一种基于短时校正fft的感应电机断条故障检测方法 |
CN109856538B (zh) * | 2019-03-04 | 2021-07-09 | 中国矿业大学 | 一种基于短时校正fft的感应电机断条故障检测方法 |
CN109917287B (zh) * | 2019-03-20 | 2021-06-08 | 华南理工大学 | 基于经验模态分解和倍频程谱分析的减速电机品检方法 |
CN109917287A (zh) * | 2019-03-20 | 2019-06-21 | 华南理工大学 | 基于经验模态分解和倍频程谱分析的减速电机品检方法 |
CN110569812A (zh) * | 2019-09-12 | 2019-12-13 | 天津工业大学 | 一种故障信号的包络解调方法及包络解调系统 |
CN110569812B (zh) * | 2019-09-12 | 2022-11-01 | 天津工业大学 | 一种故障信号的包络解调方法及包络解调系统 |
CN111307234A (zh) * | 2020-03-09 | 2020-06-19 | 成都千嘉科技有限公司 | 一种基于包络线的超声波飞行时间测定方法 |
CN111680665A (zh) * | 2020-06-28 | 2020-09-18 | 湖南大学 | 基于数据驱动的采用电流信号的电机机械故障诊断方法 |
CN112378414A (zh) * | 2020-11-20 | 2021-02-19 | 深圳信息职业技术学院 | 一种基于pm2.5健康出行的路径规划装置及方法 |
CN113311290A (zh) * | 2021-05-24 | 2021-08-27 | 华北水利水电大学 | 一种适用于谐振接地系统的单相接地选线方法 |
CN113311290B (zh) * | 2021-05-24 | 2024-03-01 | 华北水利水电大学 | 一种适用于谐振接地系统的单相接地选线方法 |
CN114595779A (zh) * | 2022-03-15 | 2022-06-07 | 中铁十四局集团大盾构工程有限公司 | 一种盾构机刀具故障分析与诊断方法 |
CN115118495A (zh) * | 2022-06-27 | 2022-09-27 | 西安电子科技大学 | 一种基于经验模态分解和频谱特征量检测的用户信息入侵检测方法 |
CN115118495B (zh) * | 2022-06-27 | 2023-08-22 | 西安电子科技大学 | 一种基于经验模态分解和频谱特征量检测的用户信息入侵检测方法 |
CN114966403A (zh) * | 2022-08-01 | 2022-08-30 | 山东博源精密机械有限公司 | 一种新能源汽车电机堵转故障检测方法及系统 |
CN114966403B (zh) * | 2022-08-01 | 2022-10-25 | 山东博源精密机械有限公司 | 一种新能源汽车电机堵转故障检测方法及系统 |
CN116577656A (zh) * | 2023-07-12 | 2023-08-11 | 深圳盈特创智能科技有限公司 | 一种低延时的高速风筒过零检测系统 |
CN116577656B (zh) * | 2023-07-12 | 2023-09-15 | 深圳盈特创智能科技有限公司 | 一种低延时的高速风筒过零检测系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108761332A (zh) | 一种电机断条故障的集合经验模态分解电流诊断方法 | |
CN103926533B (zh) | 永磁同步电机失磁故障在线诊断方法及系统 | |
CN113009334B (zh) | 一种基于小波包能量分析的电机故障检测方法及系统 | |
CN102998591B (zh) | 一种发电机转子绕组动态匝间短路故障的定位方法 | |
CN102753982B (zh) | 次同步谐振检测的方法及系统 | |
CN109884464A (zh) | 小电流单相接地故障选线方法 | |
CN108229382A (zh) | 振动信号特征提取方法、装置、存储介质和计算机设备 | |
CN103245832A (zh) | 基于快速s变换的谐波时频特性参数估计方法及分析仪 | |
Li et al. | Cyclic statistics in rolling bearing diagnosis | |
CN101363901B (zh) | 利用电流特征增强变换对电机进行早期故障检测的方法 | |
WO2016065959A1 (zh) | 中性点不接地的10kV系统中铁磁谐振的诊断方法 | |
CN109738780A (zh) | 多相角接无刷励磁机旋转二极管一管开路检测方法与系统 | |
CN106441547A (zh) | 一种变压器振动监测方法及装置 | |
CN108761117B (zh) | 便携式电流检测转速测试仪 | |
CN105652118A (zh) | 一种基于负荷瞬时能量特征的电网电能负荷监测方法 | |
CN106324406A (zh) | 一种变压器直流偏磁故障诊断方法及装置 | |
CN108181579A (zh) | 一种换流变分接开关振动-电磁波联合在线监测方法 | |
CN108278184B (zh) | 基于经验模态分解的风电机组叶轮不平衡监测方法 | |
CN211014561U (zh) | 一种非侵入式异步电动机初发故障检测系统 | |
CN105974220A (zh) | 一种居民小区用电负荷识别系统 | |
CN105676028A (zh) | 一种基于模板匹配滤波的居民负荷用电识别方法 | |
CN106842023B (zh) | 旋转电机的故障诊断方法 | |
CN112162213A (zh) | 多相角形无刷励磁系统的励磁绕组短路故障检测方法、装置 | |
CN110376437A (zh) | 一种克服非阶次频率成分干扰的阶次分析方法 | |
Zhang et al. | Weighted envelope spectrum based on reselection mechanism and its application in bearing fault diagnosis |
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: 20181106 |