CN108921303A - 工业电动机的故障诊断及预测性维护方法 - Google Patents
工业电动机的故障诊断及预测性维护方法 Download PDFInfo
- Publication number
- CN108921303A CN108921303A CN201810527771.4A CN201810527771A CN108921303A CN 108921303 A CN108921303 A CN 108921303A CN 201810527771 A CN201810527771 A CN 201810527771A CN 108921303 A CN108921303 A CN 108921303A
- Authority
- CN
- China
- Prior art keywords
- data
- motor
- maintenance
- fault diagnosis
- forecast
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 32
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000012423 maintenance Methods 0.000 claims abstract description 64
- 238000012544 monitoring process Methods 0.000 claims abstract description 16
- 238000007405 data analysis Methods 0.000 claims abstract description 9
- 238000001514 detection method Methods 0.000 claims abstract description 9
- 230000015556 catabolic process Effects 0.000 claims abstract description 7
- 238000013480 data collection Methods 0.000 claims abstract description 5
- 238000004458 analytical method Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 230000005611 electricity Effects 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 230000005284 excitation Effects 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 4
- 238000002360 preparation method Methods 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 3
- 230000036541 health Effects 0.000 claims description 3
- 238000009413 insulation Methods 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 238000001931 thermography Methods 0.000 claims description 3
- 230000005856 abnormality Effects 0.000 claims description 2
- 230000003044 adaptive effect Effects 0.000 claims description 2
- 238000012512 characterization method Methods 0.000 claims description 2
- 238000004140 cleaning Methods 0.000 claims description 2
- 238000004891 communication Methods 0.000 claims description 2
- 238000000354 decomposition reaction Methods 0.000 claims description 2
- 230000009429 distress Effects 0.000 claims description 2
- 238000009826 distribution Methods 0.000 claims description 2
- 230000001050 lubricating effect Effects 0.000 claims description 2
- 238000005461 lubrication Methods 0.000 claims description 2
- 238000013507 mapping Methods 0.000 claims description 2
- 230000008450 motivation Effects 0.000 claims description 2
- 230000000737 periodic effect Effects 0.000 claims description 2
- 238000005070 sampling Methods 0.000 claims description 2
- 230000035939 shock Effects 0.000 claims description 2
- 238000012360 testing method Methods 0.000 claims description 2
- 238000012546 transfer Methods 0.000 claims description 2
- 238000002604 ultrasonography Methods 0.000 claims description 2
- 238000013500 data storage Methods 0.000 claims 4
- 230000002159 abnormal effect Effects 0.000 claims 1
- 238000004364 calculation method Methods 0.000 claims 1
- 230000010354 integration Effects 0.000 claims 1
- 238000011161 development Methods 0.000 abstract description 6
- 230000008901 benefit Effects 0.000 abstract description 4
- 201000004569 Blindness Diseases 0.000 abstract description 2
- 238000012067 mathematical method Methods 0.000 abstract description 2
- 230000008859 change Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000001419 dependent effect Effects 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000004888 barrier function Effects 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000005086 pumping Methods 0.000 description 1
- 230000009329 sexual behaviour Effects 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/34—Testing dynamo-electric machines
- G01R31/343—Testing dynamo-electric machines in operation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
Abstract
一种工业电动机的故障诊断及预测性维护方法,包括:步骤1、数据收集:通过电动机控制单元,以及使用与电动机相关联的传感器获得关于电动机性能数据;步骤2、数据分析:接收来自于数据收集中心的可分析数据,得出电机的故障诊断及状态预测结论;步骤3、维护:自动生成预测性维护计划,用户基于维护计划开展线下维护工作。本发明的优点是:将这个数学方法融入一个实用的工具需要巨大的努力,包括通过对数百万个电机的检测,对诊断的准确性和可重复性进行验证。建立在状态监测基础上的预测性维护避免了维修的盲目性,是防止设备事故和计划外停机的有效手段,维修成本相对最低,是设备维修方式发展的必然方向。
Description
技术领域
本发明涉及一种工业电动机的故障诊断及预测性维护方法,用于工业电动机的故障诊断及维护。
背景技术
设备维修是企业的一项重要工作,其中设备维护方式经历了事后维修、预防式维护和预测性维护的变革,状态监测与故障诊断技术的应用推动了维修方式的革新。预测性维护(PredictiveMaintenance,PdM),又称预知维修或视情维修,是指设备依据监测诊断需要维修时才进行的维修。预测性维护是以状态监测与故障诊断为基础,以设备的实际运行状态为依据,综合生产需要来制定维修计划,按预定计划进行维修。优点有:维修成本相对最低;减少、乃至避免灾难性事故;减少停机次数及时间,降低停产损失;延长检修周期,增加产品产量;免除过剩维修,延长设备及配件寿命;保证设备安全及性能,确保产品质量;合理配置和使用维修人员;降低备件库存及消耗;提高工厂安全,改善环境影响;确保生产计划,维护市场形象。
在预测性维护系统中,物联网终端的任务是采集数据与传输,不再承担故障诊断、报警及预测功能,这些任务承担由工业物联网云平台承担。维护过程中的设备状态数据采集属于工业监测领域,即对设备状态的实时数据进行采集,之后根据设备的状态判断设备是否有故障,并决定设备维护的时间与内容。
工业互联网试图在大数据量传输与可靠性方面取得平衡,但由于需要改造互联网的协议,开发成本与市场需求都不能得到保证,无线网络的高速发展基本上取代了工业物联网的进一步发展。
传统的预测性维护技术依赖于观察许多关键的测量值随时间的变化趋势,通过仔细分析监测结果,熟练的分析人员可以找到对分析有意义的波动而且能够知道导致这些波动出现的设备上故障。分析人员经常困惑于因更改操作而不是故障导致的测量结果上的变化,比如转速或者负载的变化。建立系统和分析监测结果的花费让很多潜在的用户望而却步。
状态监测与故障诊断技术的应用和发展,与十分可观的故障损失和设备维修费密切相关。多年来,企业追求未来更大的经济效益,生产规模不断扩大,生产装置向着大型化、自动化、连续化、单系列化方向发展。装置中的关键设备由于价格昂贵均无备机,一旦发生故障停机,将导致整个装置停产,经济损失十分巨大。设备维修费在成本的比重很大,是一个相当可观的数字。
发明内容
本发明的目的就是提供一种工业电动机的故障诊断及预测性维护方法,以解决现有技术存在的“依赖于观察许多关键的测量值随时间的变化趋势,通过仔细分析监测结果,熟练的分析人员可以找到对分析有意义的波动而且能够知道导致这些波动出现的设备上故障。分析人员经常困惑于因更改操作而不是故障导致的测量结果上的变化,比如转速或者负载的变化。建立系统和分析监测结果的花费让很多潜在的用户望而却步”的问题。
为实现上述目的,本发明所采取的技术方案是:一种工业电动机的故障诊断及预测性维护方法,其特征在于,包括以下步骤:
步骤1、数据收集:通过电动机控制单元,以及使用与电动机相关联的传感器获得关于电动机性能数据;
步骤2、数据分析:接收来自于数据收集中心的可分析数据,得出电机的故障诊断及状态预测结论;
步骤3、维护:自动生成预测性维护计划,用户基于维护计划开展线下维护工作。
本发明的优点是:电机故障诊断使用的基于模型的故障检测方法不仅是一个创新,而且在预测性维护领域是独一无二的。将这个数学方法融入一个实用的工具需要巨大的努力,包括通过对数百万个电机的检测,对诊断的准确性和可重复性进行验证。建立在状态监测基础上的预测性维护避免了维修的盲目性,是防止设备事故和计划外停机的有效手段,维修成本相对最低,是设备维修方式发展的必然方向。
附图说明
图1是本发明的总流程图兼故障检测和维护系统构成框图;
图2是图1的具体实施例的流程图;
图3是三层电机神经网络模型结构图;
图4是本发明维护中心的维护过程流程图。
具体实施方式
参见图1和图2,本发明的工作过程是:
数据收集中心通过各类传感器以及电动机控制单元,实时、自动收集关于电动机的各项运行数据,包括但不仅限于电压、电流、振动、温度等数据。数据分析中心接收来自于数据收集中心的可分析数据,得出电机的故障诊断及状态预测结论。于维护中心自动生成预测性维护计划,用户基于维护计划开展线下维护工作。
通过电动机控制单元,以及使用与电动机相关联的传感器获得关于电动机性能相关数据。所述电动机性能相关数据包括故障维修数据、电动机运行数据。其中,所述故障维修数据包括电动机发生故障前的数据记录和/或电动机的维修数据;所述电动机的运行数据包括在正常使用时与电动机相关的配置数据以及运行状态数据。
系统包括一个或多个电动机传感器,例如,振动传感器、电压传感器、电流传感器以及提供其他运行信息的传感器。这些电动机传感器可以被配置成监测实时信息,此类传感器将可能接近电动机而安装,也可以连接到电动机上。
①电压电流传感器仅测量电压和电流,可以安装在电机控制柜中,因而不用很长的电缆便可提取到电动机的电压电流数据。电压电流数据采集终端将内部复杂性和外部易用性相结合,它可以让尽可能多的用户享受到预测性维护的便利。
②振动传感器为操作和维护人员提供有关机器健康的丰富信息,整体振动、峰值和温度读数可以轻松集成到任何控制系统或工厂历史记录中。振动数据采集终端提供覆盖整个电动机设备的振动监测,它不光适用于大多数振动监测任务,它更特别适用于检测难以到达的位置,如冷却塔、泵站、远程设备和危险区域。
振动传感器所得的整体振动数据频率、波形的变化可以很好地指示轴的问题,如不平衡,不对中或机械松动。另一方面峰值读数提供了对机器影响的可靠测量。随着峰值等级的增加,它可以直接显示要产生的问题,如润滑不良、轴承故障或齿轮故障,通过增加整体振动和峰值读数来检测过程引起的故障。
③使用超声检测仪跟踪高频摩擦力,摩擦力监测直接表明设备的相对健康状况,可及时获知设备的润滑状态和其它机械部件(轴承、齿轮、耦合器、泵叶轮)的运行状态信息,轴承状态监测。
④任何有温度的物体都会发出红外线,热像仪就是接收物体发出的红外线,通过有颜色的图片来显示被测量物表面的温度分布,根据温度的微小差异来找出温度的异常点,从而起到与维护的作用。
数据收集中心设有通信接口,以周期性间隔收集电动机运行数据。对收集到的电动机数据转换为数据分析中心可分析数据,经由数据传输接口上传至数据存储中心。进而对所述电动机性能相关数据进行清洗,例如将逻辑上不合理或者相互矛盾的数据予以删除或纠正。将清洗后的数据进行数据构建,包括按照时间的顺序将搜集到的其它数据进行整合。
数据存储中心用于存储配置数据、电动机性能数据、数据分析模型、分析结果、阈值数据。配置数据可包括电动机性能数据的格式、用于规定何时收集电动机性能数据的时间周期的收集参数、用于产生报告和发送通知的输出参数等,配置数据可由用户定义。电动机性能数据,包含电气性能和机械性能,电气性能,包含常规的绝缘、耐压、直流电阻等;机械性能,包括运行振动、噪音、输出扭矩、转速等。阈值数据可为数值、范围、百分比等,性能阈值可为支持电动机异常状态的重要指示。
将通过数据整理得到的数据进行总结和抽取,获取特征化后的数据,使用任何合适的方法确定提供信息的数据特征。提供信息的数据特征可以被用于确定被分析的电动机的未来运行性能,诸如是可以包括电动机故障并且可以包括对应的复杂特征的部件故障。对被测电机采集其在其额定电压下的动、稳态空载(负载)电枢电流的原始信号并运用信号分析与处理程序作如下特征提取:
1、利用快速付利叶变换(FFT)求得稳态电枢电流的脉动频率ƒ。
2、求得稳态电枢电流的均值,其中N为采样点数。
3、采用db9小波,对起动电流进行小波分解,求低频小波系数的最大值i m ,并对分解得到的低频细节进行重构,得到测试电机起动电流低频曲线。
4、利用低频小波系数在t=0附近的个数据点求得其差分及其导数的均值作为被测电机的起动电枢电流下降速率在t=0附近k的近似值。
基于特征化后的数据建立电动机预测性维护自适应模型,形成故障模型和预测模型,实现对电动机的故障诊断、故障预测、有效寿命预测,数据分析模型以及分析结果将存储于数据存储中心。本发明中采用神经网络技术建立数据分析模型,以分析电动机的特性与负载特性为例,阐述数据模型建立过程,详见图3。
电动机空载特性是当激磁电压固定时,电枢电压与转速的映射关系;负载特性是当激磁电压固定,电枢电压为额定电压条件时,转矩与电枢电流之间的对应关系。因此我们可以建立一个基BP算法的单输入单输出的三层前馈神经网络模型,负载大小作为输入量,转移函数为单极性Sigmoid函数。三层电机神经网络模型结构图,如图3所示。
隐层共有6个节点,输入转矩量与隐层节点Y[k]的权值为B[k],隐层节点Y[k]与输出OUT间的权值为A[k]。
对于输出层,有:。
对于中间隐层,有:
对电机样本进行空载特性和负载特性的检测,可以得到一组离散化的电枢电压与转速、转矩和电枢电流的关系数据。按照神经网络BP算法的δ学习规则中的误差梯度下降算法,采用单样本训练规则,分别计算出空载和负载时输出层权值的调整量及隐层权值的调整量。通过训练可以得到一组能满足要求的权值A、B,将权值代入输出层和中间层的计算公式,最后形成电机空载特性和负载特性的神经网络模型。
数据分析中心基于分析结果,形成针对电机的预测性维护建议,具体维护流程详见图4。
综上,本发明采取了一个完全不同的方式,首先建立被监测设备的数学模型,然后基于模型进行分析。传感器终端安装完毕后,它将自动开始一个自学阶段,在这个阶段它将建立一个参考模型。这个模型中包含电机及其驱动系统的所有电气和机械特征。此过程不需要操作者的任何输入,系统会自动储存在训练中经历过的所有运行状态,包括不同的转速和负载,存入参考模型中。
当完成参考模型的建立,电机故障诊断系统进入了监测模式,在这个模式中每90秒就会对系统建立一个新的模型。然后系统就会将新模型与上一阶段建立的参考模型进行比较,潜在的故障就会被识别和鉴定。然后系统会评估问题的严重性,同时生成一系列的本地指导,帮助解决出现的故障。诊断信息同样会被发送到维护团队的计算机上,包括具体的故障,推荐的措施还有一个对失效时间的估计。可以诊断非常广泛的电气和机械问题,包括绝缘击穿,转子条损坏,不平衡,轴承损坏等。
Claims (10)
1.一种工业电动机的故障诊断及预测性维护方法,其特征在于,包括以下步骤:
步骤1、数据收集:通过电动机控制单元,以及使用与电动机相关联的传感器获得关于电动机性能数据;
步骤2、数据分析:接收来自于数据收集中心的可分析数据,得出电机的故障诊断及状态预测结论;
步骤3、维护:自动生成预测性维护计划,用户基于维护计划开展线下维护工作。
2.如权利要求1所述的工业电动机的故障诊断及预测性维护方法,其特征在于,所述的步骤1中,电动机性能数据包括故障维修数据和电动机运行数据,所述故障维修数据包括电动机发生故障前的数据记录和/或电动机的维修数据;所述电动机的运行数据包括在正常使用时与电动机相关的配置数据以及运行状态数据;所述的电动机传感器包括振动传感器、电压传感器、电流传感器以及提供其他运行信息的传感器,这些电动机传感器被配置成监测实时信息。
3.如权利要求2所述的工业电动机的故障诊断及预测性维护方法,其特征在于,所述的电压传感器和电流传感器用于测量电机的相电压和线电流,安装在电机控制柜中;所述的振动传感器提供电动机的振动数据,该振动数据包括整体振动数据、振动峰值;该振动传感器所得的整体振动数据频率、波形的变化能够反映轴存在的问题,该问题包括不平衡,不对中或机械松动;该峰值数据提供对机器影响的可靠测量,随着峰值等级的增加,它直接显示要产生的问题,该问题包括润滑不良、轴承故障或齿轮故障,通过增加整体振动和峰值数据来检测过程引起的故障。
4.如权利要求2所述的工业电动机的故障诊断及预测性维护方法,其特征在于,所述的其他运行信息的传感器包括超声检测仪和热像仪,该超声检测仪用于跟踪高频摩擦力,摩擦力监测直接表明设备的相对健康状况,能够及时获知设备的润滑状态和其它机械部件(轴承、齿轮、耦合器、泵叶轮)的运行状态信息,轴承状态监测;该热像仪用于接收电机任何部分发出的红外线,通过有颜色的图片来显示被测量物表面的温度分布,根据温度的微小差异来找出温度的异常点,从而起到与维护的作用。
5.如权利要求1所述的工业电动机的故障诊断及预测性维护方法,其特征在于,所述的步骤2,通过通信接口周期性间隔收集电动机运行数据,对收集到的电动机数据转换为数据分析中心可分析数据,传输到步骤2进行数据分析。
6.如权利要求1所述的工业电动机的故障诊断及预测性维护方法,其特征在于,所述的步骤2包括依次进行的步骤:数据储存、数据配置、数据整理、特征提取,然后根据提取的特征进行故障预测和故障诊断,最后将故障预测和故障诊断结果转入步骤3;所述的数据整理是对所述电动机性能相关数据进行清洗,包括将逻辑上不合理或者相互矛盾的数据予以删除或纠正;将清洗后的数据进行数据构建,包括按照时间的顺序将搜集到的其它数据进行整合。
7.如权利要求6所述的工业电动机的故障诊断及预测性维护方法,其特征在于,所述的数据储存采用数据储存器,用于存储配置数据、电动机性能数据、数据分析模型、分析结果、阈值数据;该数据配置包括:电动机性能数据的格式、用于规定何时收集电动机性能数据的时间周期的收集参数、用于产生报告和发送通知的输出参数;该电动机性能数据包括:电气性能和机械性能,电气性能,包含常规的绝缘、耐压、直流电阻;该机械性能包括:运行振动、噪音、输出扭矩、转速;该阈值数据包括数值、范围、百分比,为反映电动机异常状态的重要指示数据。
8.如权利要求6所述的工业电动机的故障诊断及预测性维护方法,其特征在于,所述的特征提取方法:将通过数据整理得到的数据进行总结和抽取,获取特征化后的数据,使用任何合适的方法确定提供信息的数据特征;
提供信息的数据特征可以被用于确定被分析的电动机的未来运行性能,诸如是可以包括电动机故障并且可以包括对应的复杂特征的部件故障;
对被测电机采集其在其额定电压下的动、稳态空载(负载)电枢电流的原始信号并运用信号分析与处理程序作如下特征提取:
(1)利用快速付利叶变换(FFT)求得稳态电枢电流的脉动频率ƒ;
(2)求得稳态电枢电流的均值,其中N为采样点数;
(3)采用db9小波,对起动电流进行小波分解,求低频小波系数的最大值i m ,并对分解得到的低频细节进行重构,得到测试电机起动电流低频曲线;
(4)利用低频小波系数在t=0附近的个数据点求得其差分及其导数的均值作为被测电机的起动电枢电流下降速率在t=0附近k的近似值。
9.如权利要求6所述的工业电动机的故障诊断及预测性维护方法,其特征在于,所述的进行故障预测和故障诊断的具体方法:基于特征化后的数据建立电动机预测性维护自适应模型,形成故障模型和预测模型,实现对电动机的故障诊断、故障预测、有效寿命预测,数据分析模型以及分析结果存储于数据存储器;电动机空载特性是当激磁电压固定时,电枢电压与转速的映射关系;负载特性是当激磁电压固定,电枢电压为额定电压条件时,转矩与电枢电流之间的对应关系;建立一个基BP算法的单输入单输出的三层前馈神经网络模型,负载大小作为输入量,转移函数为单极性Sigmoid函数;对电机样本进行空载特性和负载特性的检测,得到一组离散化的电枢电压与转速、转矩和电枢电流的关系数据,按照神经网络BP算法的δ学习规则中的误差梯度下降算法,采用单样本训练规则,分别计算出空载和负载时输出层权值的调整量及隐层权值的调整量;通过训练可以得到一组能满足要求的权值A、B,将权值代入输出层和中间层的计算公式,最后形成电机空载特性和负载特性的神经网络模型。
10.如权利要求1所述的工业电动机的故障诊断及预测性维护方法,其特征在于,所述的步骤3包括依次进行的步骤:分析结果、报告或通知和制订维护计划,并将维护计划送达用户进行现场维护。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810527771.4A CN108921303A (zh) | 2018-05-29 | 2018-05-29 | 工业电动机的故障诊断及预测性维护方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810527771.4A CN108921303A (zh) | 2018-05-29 | 2018-05-29 | 工业电动机的故障诊断及预测性维护方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108921303A true CN108921303A (zh) | 2018-11-30 |
Family
ID=64418236
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810527771.4A Pending CN108921303A (zh) | 2018-05-29 | 2018-05-29 | 工业电动机的故障诊断及预测性维护方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108921303A (zh) |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110703088A (zh) * | 2019-06-24 | 2020-01-17 | 青岛鹏海软件有限公司 | 智能电机管理系统 |
CN110794301A (zh) * | 2019-10-12 | 2020-02-14 | 上海雷纳姆电气技术有限公司 | 一种电机生命值判断方法 |
WO2020049087A1 (en) | 2018-09-05 | 2020-03-12 | Sartorius Stedim Data Analytics Ab | Computer-implemented method, computer program product and system for anomaly detection and/or predictive maintenance |
CN111092588A (zh) * | 2019-12-27 | 2020-05-01 | 中国科学院电工研究所 | 一种电机数据流的控制系统 |
CN111275007A (zh) * | 2020-02-24 | 2020-06-12 | 山东大学 | 基于多尺度信息融合的轴承故障诊断方法及系统 |
CN111563612A (zh) * | 2020-04-13 | 2020-08-21 | 深圳达实智能股份有限公司 | 一种地铁站空调预测性运维管理方法及系统 |
CN111766511A (zh) * | 2020-01-14 | 2020-10-13 | 北京奔驰汽车有限公司 | 工业电动机的故障诊断及预测性维护方法 |
CN112710345A (zh) * | 2019-10-25 | 2021-04-27 | 计算系统有限公司 | 持续改进预测性维护数据库的机器监视方法和装置 |
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 |
CN112763908A (zh) * | 2020-12-25 | 2021-05-07 | 中国机械设备工程股份有限公司 | 一种基于多故障特征联合的电机健康指数评价系统 |
CN112782576A (zh) * | 2019-11-11 | 2021-05-11 | 株洲中车时代电气股份有限公司 | 一种变流器的风机故障监测方法及装置 |
CN112953129A (zh) * | 2021-02-24 | 2021-06-11 | 湖南工学院 | 一种伺服电机的智能养护方法和装置 |
CN113125954A (zh) * | 2021-04-16 | 2021-07-16 | 安徽大学 | 一种电动汽车驱动电机的故障诊断方法和应用 |
CN113176462A (zh) * | 2021-04-28 | 2021-07-27 | 淮北市华明工业变频设备有限公司 | 一种基于大数据的变频设备运行故障监测系统 |
CN113345614A (zh) * | 2021-03-24 | 2021-09-03 | 中国核电工程有限公司 | 一种核岛重要转动设备润滑监控系统及监控方法 |
CN116008701A (zh) * | 2022-12-28 | 2023-04-25 | 国网山东省电力公司淄博供电公司 | 用于智能高压开关柜的电动机构运行诊断系统及方法 |
CN116579762A (zh) * | 2023-04-14 | 2023-08-11 | 广州林旺空调工程有限公司 | 一种冷却塔智慧运维平台 |
WO2024012199A1 (zh) * | 2022-07-11 | 2024-01-18 | 浙江联宜电机有限公司 | 多维度数据融合电机故障预检装置、系统及其预检方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102135600A (zh) * | 2011-01-28 | 2011-07-27 | 中国人民解放军海军潜艇学院 | 异步电动机故障检测装置及方法 |
CN102707232A (zh) * | 2012-06-01 | 2012-10-03 | 深圳市海亿达能源科技股份有限公司 | 电动机设备状态在线监测装置及其监测方法 |
CN103076565A (zh) * | 2012-12-10 | 2013-05-01 | 太原理工大学 | 三相异步高压电动机检修健康状况检测评估系统 |
CN103234585A (zh) * | 2013-04-16 | 2013-08-07 | 内蒙古航天亿久科技发展有限责任公司 | 一种大型风电机组在线监测及故障诊断系统 |
CN103529386A (zh) * | 2013-10-12 | 2014-01-22 | 山西大学工程学院 | 风电机组远程实时状态监测与智能故障诊断系统及方法 |
CN103645052A (zh) * | 2013-12-11 | 2014-03-19 | 北京航空航天大学 | 一种风电机组齿轮箱远程在线状态监测及寿命评估方法 |
CN103913193A (zh) * | 2012-12-28 | 2014-07-09 | 中国科学院沈阳自动化研究所 | 一种基于工业无线技术的设备故障预维护方法 |
CN104200266A (zh) * | 2014-08-22 | 2014-12-10 | 浙江工业大学 | 一种基于可拓神经网络的烘房加热系统故障诊断方法 |
CN106886660A (zh) * | 2017-03-23 | 2017-06-23 | 哈尔滨理工大学 | EEMD‑Hilbert包络谱与DBN相结合的变负载下滚动轴承状态识别方法 |
-
2018
- 2018-05-29 CN CN201810527771.4A patent/CN108921303A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102135600A (zh) * | 2011-01-28 | 2011-07-27 | 中国人民解放军海军潜艇学院 | 异步电动机故障检测装置及方法 |
CN102707232A (zh) * | 2012-06-01 | 2012-10-03 | 深圳市海亿达能源科技股份有限公司 | 电动机设备状态在线监测装置及其监测方法 |
CN103076565A (zh) * | 2012-12-10 | 2013-05-01 | 太原理工大学 | 三相异步高压电动机检修健康状况检测评估系统 |
CN103913193A (zh) * | 2012-12-28 | 2014-07-09 | 中国科学院沈阳自动化研究所 | 一种基于工业无线技术的设备故障预维护方法 |
CN103234585A (zh) * | 2013-04-16 | 2013-08-07 | 内蒙古航天亿久科技发展有限责任公司 | 一种大型风电机组在线监测及故障诊断系统 |
CN103529386A (zh) * | 2013-10-12 | 2014-01-22 | 山西大学工程学院 | 风电机组远程实时状态监测与智能故障诊断系统及方法 |
CN103645052A (zh) * | 2013-12-11 | 2014-03-19 | 北京航空航天大学 | 一种风电机组齿轮箱远程在线状态监测及寿命评估方法 |
CN104200266A (zh) * | 2014-08-22 | 2014-12-10 | 浙江工业大学 | 一种基于可拓神经网络的烘房加热系统故障诊断方法 |
CN106886660A (zh) * | 2017-03-23 | 2017-06-23 | 哈尔滨理工大学 | EEMD‑Hilbert包络谱与DBN相结合的变负载下滚动轴承状态识别方法 |
Non-Patent Citations (4)
Title |
---|
刘曼兰: "一种永磁直流电机故障诊断方法", 《电工技术学报》 * |
成国良: "火电厂设备健康监测与远程故障诊断", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 * |
武立根: "基于神经网络的电机智能检测系统", 《山西电子技术》 * |
魏培超等: "电气特征分析技术在电动机故障诊断中的应用", 《冶金设备》 * |
Cited By (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020049087A1 (en) | 2018-09-05 | 2020-03-12 | Sartorius Stedim Data Analytics Ab | Computer-implemented method, computer program product and system for anomaly detection and/or predictive maintenance |
CN110703088A (zh) * | 2019-06-24 | 2020-01-17 | 青岛鹏海软件有限公司 | 智能电机管理系统 |
CN110794301A (zh) * | 2019-10-12 | 2020-02-14 | 上海雷纳姆电气技术有限公司 | 一种电机生命值判断方法 |
CN112710345A (zh) * | 2019-10-25 | 2021-04-27 | 计算系统有限公司 | 持续改进预测性维护数据库的机器监视方法和装置 |
CN112782576A (zh) * | 2019-11-11 | 2021-05-11 | 株洲中车时代电气股份有限公司 | 一种变流器的风机故障监测方法及装置 |
CN111092588A (zh) * | 2019-12-27 | 2020-05-01 | 中国科学院电工研究所 | 一种电机数据流的控制系统 |
CN111766511A (zh) * | 2020-01-14 | 2020-10-13 | 北京奔驰汽车有限公司 | 工业电动机的故障诊断及预测性维护方法 |
CN111275007A (zh) * | 2020-02-24 | 2020-06-12 | 山东大学 | 基于多尺度信息融合的轴承故障诊断方法及系统 |
CN111563612A (zh) * | 2020-04-13 | 2020-08-21 | 深圳达实智能股份有限公司 | 一种地铁站空调预测性运维管理方法及系统 |
CN111563612B (zh) * | 2020-04-13 | 2024-03-22 | 深圳达实智能股份有限公司 | 一种地铁站空调预测性运维管理方法及系统 |
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 |
CN112763908A (zh) * | 2020-12-25 | 2021-05-07 | 中国机械设备工程股份有限公司 | 一种基于多故障特征联合的电机健康指数评价系统 |
CN112763908B (zh) * | 2020-12-25 | 2023-09-12 | 中国机械设备工程股份有限公司 | 一种基于多故障特征联合的电机健康指数评价系统 |
CN112953129A (zh) * | 2021-02-24 | 2021-06-11 | 湖南工学院 | 一种伺服电机的智能养护方法和装置 |
CN112953129B (zh) * | 2021-02-24 | 2023-02-24 | 湖南工学院 | 一种伺服电机的智能养护方法和装置 |
CN113345614A (zh) * | 2021-03-24 | 2021-09-03 | 中国核电工程有限公司 | 一种核岛重要转动设备润滑监控系统及监控方法 |
CN113125954A (zh) * | 2021-04-16 | 2021-07-16 | 安徽大学 | 一种电动汽车驱动电机的故障诊断方法和应用 |
CN113176462B (zh) * | 2021-04-28 | 2022-05-27 | 淮北市华明工业变频设备有限公司 | 一种基于大数据的变频设备运行故障监测系统 |
CN113176462A (zh) * | 2021-04-28 | 2021-07-27 | 淮北市华明工业变频设备有限公司 | 一种基于大数据的变频设备运行故障监测系统 |
WO2024012199A1 (zh) * | 2022-07-11 | 2024-01-18 | 浙江联宜电机有限公司 | 多维度数据融合电机故障预检装置、系统及其预检方法 |
CN116008701A (zh) * | 2022-12-28 | 2023-04-25 | 国网山东省电力公司淄博供电公司 | 用于智能高压开关柜的电动机构运行诊断系统及方法 |
CN116008701B (zh) * | 2022-12-28 | 2023-10-24 | 国网山东省电力公司淄博供电公司 | 用于智能高压开关柜的电动机构运行诊断系统及方法 |
CN116579762A (zh) * | 2023-04-14 | 2023-08-11 | 广州林旺空调工程有限公司 | 一种冷却塔智慧运维平台 |
CN116579762B (zh) * | 2023-04-14 | 2023-10-20 | 广州林旺空调工程有限公司 | 一种冷却塔智慧运维平台 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108921303A (zh) | 工业电动机的故障诊断及预测性维护方法 | |
KR102092185B1 (ko) | 중전기기 건전성 분석 플랫폼 및 이를 이용하는 분석 방법 | |
US6694286B2 (en) | Method and system for monitoring the condition of an individual machine | |
CA2545695C (en) | Method and system for predicting remaining life for motors featuring on-line insulation condition monitor | |
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 | |
CN106006344B (zh) | 扶梯故障在线预警系统及故障诊断方法 | |
Medjaher et al. | Data-driven prognostics based on health indicator construction: Application to PRONOSTIA's data | |
Liao et al. | Predicting remaining useful life of an individual unit using proportional hazards model and logistic regression model | |
CN108375732A (zh) | 电机监测预警方法及系统 | |
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 | |
EP2051086A2 (en) | Method and system for remotely predicting the remaining life of an AC motor system | |
CN107272586A (zh) | 机械学习装置、机械学习方法、故障预知装置及系统 | |
WO2004040465A1 (en) | System and method for remote diagnosis of distributed objects | |
JP2004523735A (ja) | 器械を取り付けられた機器およびプロセスのための推論信号生成装置 | |
US20140331751A1 (en) | Equipment monitoring system | |
KR20110009615A (ko) | 데이터 수집장치 및 상기 데이터 수집장치를 구비한 설비기기의 진단장치 | |
CN110008350A (zh) | 一种基于贝叶斯推理的机泵安康知识库查找方法 | |
CN108871438A (zh) | 一种基于三轴振动的电机监测诊断方法 | |
CN112947290A (zh) | 基于边云协同的设备状态监测方法、监测系统及存储介质 | |
KR102545672B1 (ko) | 기계고장 진단 방법 및 장치 | |
CN115655737A (zh) | 一种底盘测功机设备健康数据采集及状态判断系统 | |
Siddhartha et al. | IoT enabled real-time availability and condition monitoring of CNC machines | |
CN203950175U (zh) | 一种混凝土制品机械类的远程监测诊断及预警系统 | |
KR20220102364A (ko) | 진동 센서를 통한 설비 예지 보전 시스템 | |
Daum | Principles, concepts and assessment of structural health monitoring |
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 |
Application publication date: 20181130 |
|
RJ01 | Rejection of invention patent application after publication |