CN110095179A - 一种电机振动检测与诊断方法 - Google Patents
一种电机振动检测与诊断方法 Download PDFInfo
- Publication number
- CN110095179A CN110095179A CN201910457402.7A CN201910457402A CN110095179A CN 110095179 A CN110095179 A CN 110095179A CN 201910457402 A CN201910457402 A CN 201910457402A CN 110095179 A CN110095179 A CN 110095179A
- Authority
- CN
- China
- Prior art keywords
- motor
- acceleration
- moment
- series
- degree series
- 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
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H11/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves by detecting changes in electric or magnetic properties
- G01H11/06—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves by detecting changes in electric or magnetic properties by electric means
Abstract
一种电机振动检测与诊断方法,包括:对无线振动传感器进行初始校正;再根据电机的实时频率调整三轴加速度传感器的采样频率;并采集整周期的加速度序列;利用带通滤波器和滑窗均值滤波器对加速度序列中的噪声信号进行滤除;对去噪后的加速度序列进行数值积分,得到速度序列和位移序列;判断去噪后的加速度序列峰值、速度序列有效值和位移序列峰值中的任一数值是否超过设定的安全阈值,如是,则对去噪后的加速度序列进行傅里叶变换,得到加速度频谱,并保存到微处理器的内存中;将微处理器内存中的数据发送至监控端,并使用监控端接收到的倍频信息对电机进行故障诊断,得到检测与诊断结果。该方法具有成本低、功耗低、计算量低且检测精度高的特点。
Description
技术领域
本发明涉及电机诊断领域,特别涉及一种电机振动检测与诊断方法。
背景技术
各式各样的电机设备在工业现场得到广泛应用,往往一座大型工厂现场都配备数千乃至上万台电机,共同推动工厂流水线的运转。作为一种持久性的设备,电机的稳定性、可靠性都极大程度地影响到生产活动,在大型工业生产现场,电机设备的任意环节出现隐患,轻则迫使生产中断,重则引发严重事故,造成重大生命财产安全损失。而针对旋转机械的使用性能,相关部门依据振动幅度制定了相应的国家标准,以此判定一台旋转机械的工作状态是否健康,为维修与运行提供意见。
目前在大多数实际应用场所,主要的手段包括通过手持式振动检测仪定时对旋转机械进行巡检诊断,巡检员将手持式检测仪吸附在旋转机械轴承处,以获得该时刻的旋转机械振动信息;其次部分采用有线振动传感器,通过架设线缆的方式实现对电机的检测。
通过人工巡检的方法不能及时有效地发现存在问题旋转机械的有效信息,而且需要一定数量的巡检员,进而增加人力成本的投入。而在大厂区内安装有线振动检测传感器则存在需要铺设的线路过长、安装费用过高以及安装方式复杂等问题。采用无线式振动检测装置则可以有效的减少铺设线路的浪费以及人力成本的投入,避免工厂设施的大规模改造。
如申请号为CN201610791763.1(申请公布号为CN107340052A)的中国发明专利公开了一种船用推进电机在线振动监测系统,包括:电机转速传感器,安装于电机的端盖上,实时监测电机的转速,并将转速信号转换为转速电信号;三轴加速度传感器,直接安装于电机的机座上,实时检测电机在轴向X、径向Y和垂向Z三个方向的振动加速度,并将振动加速度信号转换为加速度电信号;信号采集模块,与电机转速传感器、三轴加速度传感器分别相连,采集并传输转速电信号和加速度电信号;以及上位机,安装有数据库,接收转速电信号和加速度电信号后,经过运算,将转速电信号和加速度电信号与数据库中的信息进行对比分析,诊断出电机目前是否处于故障范围。但在电机转速变化的情况下,以固定采样频率的检测方法采集到的振动数据往往都不是整周期数据,使得计算结果出现偏差,且采集的转速电信号和加速度电信号往往包含了噪声信号,因此诊断出电机故障结果的精度低,需要进一步改进。
发明内容
本发明所要解决的技术问题是针对现有技术的现状,提供一种成本低、功耗低、计算量小且精度高的电机振动检测与诊断方法。
本发明解决上述技术问题所采用的技术方案为:一种电机振动检测与诊断方法,用于通过无线振动传感器对电机进行振动检测,所述无线振动传感器安装在电机的轴承上,其中,所述无线振动传感器包括:
霍尔元件,用于检测电机的转速;
三轴加速度传感器,用于检测轴承处振动加速度原始值;
微处理器,具有数据采集、存储与数据计算功能,分别与霍尔元件和三轴加速度传感器相连接,用于根据电机的转速计算得到电机的实时频率,并采集和存储三轴加速度传感器检测出的加速度瞬时值;
无线通讯模块,与微处理器相连接,用于将微处理器中的数据传输至监控端;
电源模块,分别与微处理器、霍尔元件和三轴加速度传感器相连接,用于供电;
其特征在于:电机振动检测与诊断方法包括以下步骤:
步骤1、对无线振动传感器进行初始校正;
步骤2、利用霍尔元件获取电机转速,通过微处理器计算电机的实时频率并进行存储,再根据电机的实时频率调整三轴加速度传感器的采样频率;
步骤3、利用步骤2中三轴加速度传感器调整后的采样频率采集整周期的数据序列x(n),并将采集的数据序列保存在微处理器中,该数据序列x(n)为电机振动的加速度序列,其中,x(n)=f(n)+q(n),f(n)为电机的原始振动加速度序列,q(n)为噪声信号,n为时间序列;
步骤4、通过霍尔元件获取电机转速,在微处理器中通过查表的方式获取电机在不同转速下对应采样频率的带通滤波参数,并利用带通滤波器滤除电机振动的加速度序列x(n)中的噪声信号,得到第一次去噪后的加速度序列
步骤5、利用滑窗均值滤波器对步骤4中第一次去噪后的加速度序列进行再次滤波,获得第二次去噪后的加速度序列
步骤6、分别利用改进梯度积分方法对步骤5中第二次去噪后的加速度序列进行一次数值积分和二次数值积分,依次得到速度序列v(n)和位移序列s(n);
速度序列v(n)的计算公式为:
其中,v(n+1)为第n+1时刻的速度序列,v(n)为第n时刻的速度序列,c为采样周期值, 为第n-1时刻的第二次去噪后的加速度序列,为第n时刻的第二次去噪后的加速度序列,为第n+1时刻的第二次去噪后的加速度序列,为第n+2时刻的第二次去噪后的加速度序列;
位移序列s(n)的计算公式为:
其中,s(n+1)为第n+1时刻的位移序列,s(n)为第n时刻的位移序列,kv1=v(n),kv4=v(n+1);v(n-1)为第n-1时刻的速度序列,v(n+2)为第n+2时刻的速度序列;
步骤7、分别计算出第二次去噪后的加速度序列的峰值、速度序列v(n)的有效值以及位移序列s(n)的峰峰值;
步骤8、判断步骤7中计算出的第二次去噪后的加速度序列的峰值、速度序列v(n)的有效值或位移序列s(n)的峰峰值中的任一数值是否超过各自设定的安全阈值,如是,则通过微处理器对第二次去噪后的加速度序列进行傅里叶变换,得到包含有倍频信息的加速度频谱,并将加速度频谱中的倍频信息保存到微处理器的内存中,并转入步骤9;如否,发送检测结果,并转入步骤10;
步骤9、将微处理器内存中的数据通过无线通讯模块发送至监控端,并使用监控端接收到的倍频信息对电机进行故障诊断,得到检测与诊断结果,并转入步骤10;
步骤10、无线振动传感器进入待机模式,同时微处理器清空内存并将所有传感器设置为低功耗状态。
作为改进,所述步骤2中将三轴加速度传感器的采样频率结合实际电机转速动态设置成电机实时频率的整数倍。在电机转速变化情况下,以固定采样频率采集到的振动数据往往都不是整周期数据,使得计算结果出现偏差;因此通过将三轴加速度传感器的采样频率结合实际电机转速动态设置成电机实时频率的整数倍,使获得的数据为若干个整周期数据,从而避免由于采样周期不完整所带来的计算误差。
具体的,所述步骤4中第一次去噪后的加速度序列的计算公式为:
其中,k1、k2…ka、ka+1分别为滤波器的系数,a为滤波器的阶数,x(n)为第n时刻的电机振动加速度序列,x(n-1)为第n-1时刻的电机振动加速度序列、x(n-(a-1))为第n-(a-1)时刻的电机振动加速度序列、x(n-a)为第n-a时刻的电机振动加速度序列。
进一步的,所述步骤5中第二次去噪后的加速度序列的计算公式为:
其中,b为滑窗大小,为第时刻的第一次去噪后的加速度序列,为第时刻的第一次去噪后的加速度序列,为第n时刻的第一次去噪后的加速度序列,为第时刻的第一次去噪后的加速度序列,为第时刻的第一次去噪后的加速度序列,为第时刻的第一次去噪后的加速度序列,为第时刻的第一次去噪后的加速度序列,为第时刻的第一次去噪后的加速度序列,为第时刻的第一次去噪后的加速度序列。
作为改进,所述步骤9中将微处理器内存中的数据通过无线通讯模块发送至监控端的具体步骤为:将微处理器内存中的数据以固定数据组格式发送至监控端,同时对固定数据组格式增加CRC校验码和重传标志位,并通过判断监控端接收到的数据中的CRC校验码是否正确,如正确,则数据发送成功,如不正确,则需要重新发送数据。通过对数据增加CRC校验码,能有效保证数据传输的正确性和完整性,防止数据传输过程中造成的误差。
在本方案中,所述步骤9中发送的数据内容包括设备编号、发送时间、电机振动信息和倍频信息。
作为优选,所述步骤9中采用极限学习机对电机进行故障诊断。通过采用极限学习机对电机进行故障诊断,从而实现对故障的快速判别,为运维人员检修提供指导意见,且能保证诊断结果的准确度。
与现有技术相比,本发明的优点在于:通过霍尔元件获取电机转速,以电机的实时频率调整三轴加速度传感器的采样频率,使得采样的数据为若干个整周期数据,从而避免由于采样周期不完整所带来的计算误差;并采用改进梯度积分方法减少计算量的同时提高计算精度,且根据倍频信息获得振动故障的粗诊断,为电机运行和维护提供便利与方向,在无线振动传感器端通过数据采样、数值滤波与积分和傅里叶变换处理,实现电机振动关键信息上传,为电机运行维护提供便利与方向;另外该方法降低振动传感器的功耗,进而降低工厂运行的成本,提高经济效益和检测精度。
附图说明
图1为本发明实施例中电机振动检测与诊断方法的流程图;
图2为本发明实施例中无线振动传感器安装示意图;
图3为本发明实施例中采集的加速度序列以及两次滤波后的波形图;
图4为本发明实施例中改进梯形积分与梯形积分效果对比图;
图5为本发明实施例中速度序列波形图;
图6为本发明实施例中位移序列波形图;
图7为本发明实施例中使用极限学习机进行故障诊断方法的流程图。
具体实施方式
以下结合附图实施例对本发明作进一步详细描述。
如图1所示,一种电机振动检测与诊断方法,用于通过无线振动传感器对电机进行振动检测,无线振动传感器安装在电机的轴承上,其中,无线振动传感器包括:
霍尔元件,用于检测电机的转速;
三轴加速度传感器,用于检测轴承处振动加速度的原始值;
微处理器,具有数据采集、存储与数据计算功能,分别与霍尔元件和三轴加速度传感器相连接,用于根据电机的转速计算得到电机的实时频率,并采集和存储三轴加速度传感器检测出的加速度瞬时值;
无线通讯模块,与微处理器相连接,用于将微处理器中的数据传输至监控端;
电源模块,分别与微处理器、霍尔元件和三轴加速度传感器相连接,用于供电;
并且,电源模块为可充电模块,避免更换电池所带来的成本损耗;
采用上述无线振动传感器进行电机振动检测与诊断方法的具体步骤如下:
步骤1、对无线振动传感器进行初始校正;由于无线振动传感器采用螺纹拧紧或者磁力吸附的方式安装在电机轴承上,如图2所示,安装姿态与标准姿态具有一定的偏差,如果不对该偏差进行消除,则会使得无线振动传感器的计算结果存在误差,所以在需要测试之前对无线振动传感器进行校偏,通过安装固定位置后采集多组数据,并通过坐标变换的方式消除三轴加速度传感器的检测误差;
步骤2、利用霍尔元件获取电机转速,通过微处理器计算电机的实时频率并进行存储,再根据电机的实时频率调整三轴加速度传感器的采样频率;在本实施例中,将三轴加速度传感器的采样频谱结合实际电机转速动态设置成电机实时频率的整数倍,使得采样的数据为若干个整周期数据,从而避免由于采样周期不完整所带来的计算误差;
步骤3、利用步骤2中三轴加速度传感器调整后的采样频率采集整周期的数据序列x(n),并将采集的数据序列保存在微处理器中,该数据序列x(n)为电机振动的加速度序列,如图3所示,其中,x(n)=f(n)+q(n),f(n)为电机的原始振动加速度序列,q(n)为噪声信号,n为时间序列;
步骤4、通过霍尔元件获取电机转速,在微处理器中通过查表的方式获取电机在不同转速下对应采样频率的带通滤波参数,并利用带通滤波器滤除电机振动的加速度序列x(n)中的噪声信号,得到第一次去噪后的加速度序列本实施例中,采用自适应带通滤波器对信号进行合理滤波,因为对应不同的采样频率,滤波器设计参数需要进行调整,由于不同电机在不同时刻所对应的值均有差别,难以人工调整,本方法中通过表格形式将合理采样频率的参数保存在微处理器中,并通过查表的方式满足不同型号电机的振动检测需求,扩大无线振动传感器的应用范围与检测精度;
其中,第一次去噪后的加速度序列的计算公式为:
其中,k1、k2…ka、ka+1分别为滤波器的系数,a为滤波器的阶数,x(n)为第n时刻的电机振动加速度序列,x(n-1)为第n-1时刻的电机振动加速度序列、x(n-(a-1))为第n-(a-1)时刻的电机振动加速度序列、x(n-a)为第n-a时刻的电机振动加速度序列;
步骤5、利用滑窗均值滤波器对步骤4中第一次去噪后的加速度序列进行再次滤波,获得第二次去噪后的加速度序列如图3所示;
其中,第二次去噪后的加速度序列的计算公式为:
b为滑窗大小,为第时刻的第一次去噪后的加速度序列,为第时刻的第一次去噪后的加速度序列,为第n时刻的第一次去噪后的加速度序列,为第时刻的第一次去噪后的加速度序列,为第时刻的第一次去噪后的加速度序列,为第时刻的第一次去噪后的加速度序列,为第时刻的第一次去噪后的加速度序列,为第时刻的第一次去噪后的加速度序列,为第时刻的第一次去噪后的加速度序列;
步骤6、分别利用改进梯度积分方法对步骤5中第二次去噪后的加速度序列进行一次数值积分和二次数值积分,依次得到速度序列v(n)和位移序列s(n),如图5和图6所示;
速度序列v(n)的计算公式为:
其中,v(n+1)为第n+1时刻的速度序列,v(n)为第n时刻的速度序列,c为采样周期值, 为第n-1时刻的第二次去噪后的加速度序列,为第n时刻的第二次去噪后的加速度序列,为第n+1时刻的第二次去噪后的加速度序列,为第n+2时刻的第二次去噪后的加速度序列;
位移序列s(n)的计算公式为:
其中,s(n+1)为第n+1时刻的位移序列,s(n)为第n时刻的位移序列,c为采样周期值,kv1=v(n), kv4=v(n+1);v(n-1)为第n-1时刻的速度序列,v(n+2)为第n+2时刻的速度序列;
本方法中的改进梯度积分方法通过融合梯度积分及二次差值方法,即通过对传统梯形积分的积分两点间进行二次差值,从而尽最大可能的还原了积分曲线,如图4所示,减少了计算量的同时提高了计算精度;
步骤7、分别计算出第二次去噪后的加速度序列的峰值、速度序列v(n)的有效值以及位移序列s(n)的峰峰值;
步骤8、判断步骤7中计算出的第二次去噪后的加速度序列的峰值、速度序列v(n)的有效值或位移序列s(n)的峰峰值中的任一数值是否超过各自设定的安全阈值,如是,则通过微处理器对第二次去噪后的加速度序列进行傅里叶变换,得到包含有倍频信息的加速度频谱,并将加速度频谱中的倍频信息保存到微处理器的内存中,并转入步骤9;如否,发送检测结果,并转入步骤10;其中,如果计算出的第二次去噪后的加速度序列的峰值、速度序列v(n)的有效值或位移序列s(n)的峰峰值均未超过各自设定的安全阈值,则说明电机未出现故障,发送的检测结果为无故障;
步骤9、将微处理器内存中的数据通过无线通讯模块发送至监控端,并使用监控端接收到的倍频信息对电机进行故障诊断,得到检测与诊断结果,并转入步骤10;
具体的,将微处理器内存中的数据以固定数据组格式发送至监控端,同时对固定数据组格式增加CRC校验码和重传标志位,并通过判断监控端接收的数据中的CRC校验码是否正确,如正确,则数据发送成功,如不正确,则需要重新发送数据;其中,发送的数据内容包括设备编号、发送时间、电机振动信息和倍频信息等;电机振动信息包括霍尔元件和三轴加速度传感器检测出的振动信息;
根据电机的不同故障对应的振动特性可知,利用无线振动传感器上传的电机倍频信息中可以预判出电机存在的具体故障。在监控端结合同一电机不同测点的振动信息及电机转速信息,如图7所示,利用基于振动故障专家知识库的极限学习机快速实现故障诊断,为运行维护人员提供维修指导意见。其中振动故障专家知识库由常见的引起多种故障的振动倍频信息构成,包括有故障电机振动主要倍频信息及该情况所对应的故障信息,以及应对不同故障时,采取合理恰当的预处理办法。而极限学习机作为近些年提出的神经网络算法,能够在实现神经网络快速训练的同时,确保分类效果的准确度;
步骤10、无线振动传感器进入待机模式,同时微处理器清空内存并将所有传感器设置为低功耗状态。该无线振动传感器能够满足低功耗和低计算量等需求,同时为管理者提供更多有效信息、节约运行成本。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (7)
1.一种电机振动检测与诊断方法,用于通过无线振动传感器对电机进行振动检测,所述无线振动传感器安装在电机的轴承上,其中,所述无线振动传感器包括:
霍尔元件,用于检测电机的转速;
三轴加速度传感器,用于检测轴承处振动加速度的原始值;
微处理器,具有数据采集、存储与数据计算功能,分别与霍尔元件和三轴加速度传感器相连接,用于根据电机的转速计算得到电机的实时频率,并采集和存储三轴加速度传感器检测出的加速度瞬时值;
无线通讯模块,与微处理器相连接,用于将微处理器中的数据传输至监控端;
电源模块,分别与微处理器、霍尔元件和三轴加速度传感器相连接,用于供电;
其特征在于:电机振动检测与诊断方法包括以下步骤:
步骤1、对无线振动传感器进行初始校正;
步骤2、利用霍尔元件获取电机转速,通过微处理器计算电机的实时频率并进行存储,再根据电机的实时频率调整三轴加速度传感器的采样频率;
步骤3、利用步骤2中三轴加速度传感器调整后的采样频率采集整周期的数据序列x(n),并将采集的数据序列保存在微处理器中,该数据序列x(n)为电机振动的加速度序列,其中,x(n)=f(n)+q(n),f(n)为电机的原始振动加速度序列,q(n)为噪声信号,n为时间序列;
步骤4、通过霍尔元件获取电机转速,在微处理器中通过查表的方式获取电机在不同转速下对应采样频率的带通滤波参数,并利用带通滤波器滤除电机振动的加速度序列x(n)中的噪声信号,得到第一次去噪后的加速度序列
步骤5、利用滑窗均值滤波器对步骤4中第一次去噪后的加速度序列进行再次滤波,获得第二次去噪后的加速度序列
步骤6、分别利用改进梯度积分方法对步骤5中第二次去噪后的加速度序列进行一次数值积分和二次数值积分,依次得到速度序列v(n)和位移序列s(n);
速度序列v(n)的计算公式为:
其中,v(n+1)为第n+1时刻的速度序列,v(n)为第n时刻的速度序列,c为采样周期值, 为第n-1时刻的第二次去噪后的加速度序列,为第n时刻的第二次去噪后的加速度序列,为第n+1时刻的第二次去噪后的加速度序列,为第n+2时刻的第二次去噪后的加速度序列;
位移序列s(n)的计算公式为:
其中,s(n+1)为第n+1时刻的位移序列,s(n)为第n时刻的位移序列,kv1=v(n),kv4=v(n+1);v(n-1)为第n-1时刻的速度序列,v(n+1)为第n+1时刻的速度序列,v(n+2)为第n+2时刻的速度序列;
步骤7、分别计算出第二次去噪后的加速度序列的峰值、速度序列v(n)的有效值以及位移序列s(n)的峰峰值;
步骤8、判断步骤7中计算出的第二次去噪后的加速度序列的峰值、速度序列v(n)的有效值或位移序列s(n)的峰峰值中的任一数值是否超过各自设定的安全阈值,如是,则通过微处理器对第二次去噪后的加速度序列进行傅里叶变换,得到包含有倍频信息的加速度频谱,并将加速度频谱中的倍频信息保存到微处理器的内存中,并转入步骤9;如否,发送检测结果,并转入步骤10;
步骤9、将微处理器内存中的数据通过无线通讯模块发送至监控端,并使用监控端接收到的倍频信息对电机进行故障诊断,得到检测与诊断结果,并转入步骤10;
步骤10、无线振动传感器进入待机模式,同时微处理器清空内存并将所有传感器设置为低功耗状态。
2.根据权利要求1所述的电机振动检测与诊断方法,其特征在于:所述步骤2中将三轴加速度传感器的采样频率结合实际电机转速动态设置成电机实时频率的整数倍。
3.根据权利要求1所述的电机振动检测与诊断方法,其特征在于:所述步骤4中第一次去噪后的加速度序列的计算公式为:
其中,k1、k2…ka、ka+1分别为滤波器的系数,a为滤波器的阶数,x(n)为第n时刻的电机振动加速度序列,x(n-1)为第n-1时刻的电机振动加速度序列、x(n-(a-1))为第n-(a-1)时刻的电机振动加速度序列、x(n-a)为第n-a时刻的电机振动加速度序列。
4.根据权利要求1所述的电机振动检测与诊断方法,其特征在于:所述步骤5中第二次去噪后的加速度序列的计算公式为:
其中,b为滑窗大小,为第时刻的第一次去噪后的加速度序列,为第时刻的第一次去噪后的加速度序列,为第n时刻的第一次去噪后的加速度序列,为第时刻的第一次去噪后的加速度序列,为第时刻的第一次去噪后的加速度序列,为第时刻的第一次去噪后的加速度序列,为第时刻的第一次去噪后的加速度序列,为第时刻的第一次去噪后的加速度序列,为第时刻的第一次去噪后的加速度序列。
5.根据权利要求1所述的电机振动检测与诊断方法,其特征在于:所述步骤9中将微处理器内存中的数据通过无线通讯模块发送至监控端的具体步骤为:将微处理器内存中的数据以固定数据组格式发送至监控端,同时对固定数据组格式增加CRC校验码和重传标志位,并通过判断监控端接收到的数据中的CRC校验码是否正确,如正确,则数据发送成功,如不正确,则需要重新发送数据。
6.根据权利要求5所述的电机振动检测与诊断方法,其特征在于:所述步骤9中发送的数据内容包括设备编号、发送时间、电机振动信息和倍频信息。
7.根据权利要求1所述的电机振动检测与诊断方法,其特征在于:所述步骤9中采用极限学习机对电机进行故障诊断。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910457402.7A CN110095179B (zh) | 2019-05-29 | 2019-05-29 | 一种电机振动检测与诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910457402.7A CN110095179B (zh) | 2019-05-29 | 2019-05-29 | 一种电机振动检测与诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110095179A true CN110095179A (zh) | 2019-08-06 |
CN110095179B CN110095179B (zh) | 2021-01-19 |
Family
ID=67449522
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910457402.7A Active CN110095179B (zh) | 2019-05-29 | 2019-05-29 | 一种电机振动检测与诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110095179B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111623869A (zh) * | 2020-05-20 | 2020-09-04 | 北京必创科技股份有限公司 | 基于边缘计算的数据处理方法和数据监测及边缘计算装置 |
CN111929082A (zh) * | 2020-08-11 | 2020-11-13 | 一汽解放青岛汽车有限公司 | 一种减振器阻尼力的测试方法 |
CN112556829A (zh) * | 2020-11-25 | 2021-03-26 | 山东润一智能科技有限公司 | 一种设备振动采集监测系统和方法 |
CN113820003A (zh) * | 2021-09-15 | 2021-12-21 | 中国矿业大学 | 一种适用于桥梁振动监测的加速度实时重构动态位移方法 |
CN113959553A (zh) * | 2021-10-29 | 2022-01-21 | 中大检测(湖南)股份有限公司 | 一种基于cpld的智能低频振动传感器 |
CN115246081A (zh) * | 2022-06-02 | 2022-10-28 | 淮阴工学院 | 一种快速和可靠的铣削颤振检测方法 |
CN115499458A (zh) * | 2022-07-29 | 2022-12-20 | 国家电投集团云南国际电力投资有限公司 | 基于物联网的振动监测方法、装置、设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1584511A (zh) * | 2004-05-27 | 2005-02-23 | 西安交通大学 | 大型旋转机械设备智能采集监测装置及采集监测方法 |
CN1695048A (zh) * | 2002-09-10 | 2005-11-09 | 阿尔斯托姆科技有限公司 | 检测在电机上轴系振动的方法和装置 |
US7941281B2 (en) * | 2008-12-22 | 2011-05-10 | General Electric Company | System and method for rotor blade health monitoring |
CN202083464U (zh) * | 2011-02-17 | 2011-12-21 | 克门塔斯特仪器有限公司 | 用于为振动分析获取振动信号的系统 |
CN203432676U (zh) * | 2013-07-20 | 2014-02-12 | 聂宗瑶 | 智能振动监测仪 |
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 |
-
2019
- 2019-05-29 CN CN201910457402.7A patent/CN110095179B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1695048A (zh) * | 2002-09-10 | 2005-11-09 | 阿尔斯托姆科技有限公司 | 检测在电机上轴系振动的方法和装置 |
CN1584511A (zh) * | 2004-05-27 | 2005-02-23 | 西安交通大学 | 大型旋转机械设备智能采集监测装置及采集监测方法 |
US7941281B2 (en) * | 2008-12-22 | 2011-05-10 | General Electric Company | System and method for rotor blade health monitoring |
CN202083464U (zh) * | 2011-02-17 | 2011-12-21 | 克门塔斯特仪器有限公司 | 用于为振动分析获取振动信号的系统 |
CN203432676U (zh) * | 2013-07-20 | 2014-02-12 | 聂宗瑶 | 智能振动监测仪 |
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 |
Non-Patent Citations (1)
Title |
---|
彭春增 等: "基于振动测量的结构健康诊断方法", 《中国测试》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111623869A (zh) * | 2020-05-20 | 2020-09-04 | 北京必创科技股份有限公司 | 基于边缘计算的数据处理方法和数据监测及边缘计算装置 |
CN111623869B (zh) * | 2020-05-20 | 2022-01-04 | 北京必创科技股份有限公司 | 基于边缘计算的数据处理方法和数据监测及边缘计算装置 |
CN111929082A (zh) * | 2020-08-11 | 2020-11-13 | 一汽解放青岛汽车有限公司 | 一种减振器阻尼力的测试方法 |
CN112556829A (zh) * | 2020-11-25 | 2021-03-26 | 山东润一智能科技有限公司 | 一种设备振动采集监测系统和方法 |
CN113820003A (zh) * | 2021-09-15 | 2021-12-21 | 中国矿业大学 | 一种适用于桥梁振动监测的加速度实时重构动态位移方法 |
CN113959553A (zh) * | 2021-10-29 | 2022-01-21 | 中大检测(湖南)股份有限公司 | 一种基于cpld的智能低频振动传感器 |
CN115246081A (zh) * | 2022-06-02 | 2022-10-28 | 淮阴工学院 | 一种快速和可靠的铣削颤振检测方法 |
CN115246081B (zh) * | 2022-06-02 | 2023-08-25 | 淮阴工学院 | 一种快速和可靠的铣削颤振检测方法 |
CN115499458A (zh) * | 2022-07-29 | 2022-12-20 | 国家电投集团云南国际电力投资有限公司 | 基于物联网的振动监测方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110095179B (zh) | 2021-01-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110095179A (zh) | 一种电机振动检测与诊断方法 | |
Mechefske et al. | Fault detection and diagnosis in low speed rolling element bearings Part I: The use of parametric spectra | |
Wang et al. | Efficient data reduction at the edge of industrial Internet of Things for PMSM bearing fault diagnosis | |
Bechhoefer et al. | Processing for improved spectral analysis | |
CN109238735B (zh) | 港口货运电动agv的故障监测诊断系统 | |
CN105003453A (zh) | 一种矿井风机在线监测与故障诊断系统 | |
CN103901882A (zh) | 一种列车动力系统在线监控故障诊断的系统及其方法 | |
CN109693679A (zh) | 一种列车运行品质的监测系统 | |
CN208125377U (zh) | 一种电机滚动轴承故障诊断系统 | |
CN111260822B (zh) | 一种基于大数据的轨道交通车辆健康状态分析方法及终端 | |
CN111948487A (zh) | 一种基于人工智能的高压电力设备故障诊断方法及系统 | |
CN107101827B (zh) | 一种低速重载齿轮裂纹故障在线检测方法 | |
CN103671190A (zh) | 一种智能早期矿用通风机在线故障诊断系统 | |
CN204113701U (zh) | 一种矿井风机在线监测与故障诊断系统 | |
CN108760294B (zh) | 旋转机械设备自动诊断系统及方法 | |
CN110008350A (zh) | 一种基于贝叶斯推理的机泵安康知识库查找方法 | |
CN110285045B (zh) | 一种核电厂rcp主泵振动相位监测系统和方法 | |
CN102155988A (zh) | 设备监诊方法 | |
CN110686856A (zh) | 直升机2米直径旋翼风洞试验台振动监视、预警及安全保护系统 | |
CN109139390B (zh) | 一种基于声信号特征库的风机桨叶故障识别方法 | |
CN110553844A (zh) | 旋转机械的不对中故障检测方法及其检测系统 | |
CN109932178A (zh) | 一种多级链传动机构故障诊断系统及方法 | |
CN114739671A (zh) | 一种基于改进广义s变换的轴承故障诊断方法 | |
CN212513308U (zh) | 一种水上运输工具振动报警装置 | |
CN105203937A (zh) | 一种变压器内部放电模式识别方法及故障诊断系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
CB03 | Change of inventor or designer information |
Inventor after: Yang Qinmin Inventor after: He Shengru Inventor after: Cao Weiwei Inventor after: Xiao Shiyun Inventor after: Kang Jianguo Inventor before: Yang Qinmin |
|
CB03 | Change of inventor or designer information | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |