CN110231529A - 一种控制柜智能故障诊断系统及故障诊断方法 - Google Patents
一种控制柜智能故障诊断系统及故障诊断方法 Download PDFInfo
- Publication number
- CN110231529A CN110231529A CN201910529915.4A CN201910529915A CN110231529A CN 110231529 A CN110231529 A CN 110231529A CN 201910529915 A CN201910529915 A CN 201910529915A CN 110231529 A CN110231529 A CN 110231529A
- Authority
- CN
- China
- Prior art keywords
- control cabinet
- signal
- voltage
- temperature
- fault
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Testing Electric Properties And Detecting Electric Faults (AREA)
Abstract
本发明公开了一种控制柜智能故障诊断系统及故障诊断方法。所述控制柜智能故障诊断系统由振动传感器、温度变送器、电流变送器、电压变送器、数据采集卡、工控机、显示装置、报警装置、接线端子排、故障诊断软件、振动采样电阻、温度采样电阻、电流采样电阻、电压采样电阻、电源组成;在控制柜工作过程中,通过采集其振动、温度、电流、电压参数,实现控制柜的故障状态检测,从而判断控制柜是否为健康状态或者变压器短路故障、变频器输入缺相故障、变频器输出缺相故障、继电器跳动故障、变压器扰动温升故障中的某一类故障。
Description
技术领域
本发明专利涉及电控系统控制柜的故障诊断,特别是含变压器及变频器的电控柜的智能故障诊断。
背景技术
控制柜是电控系统重要的组成部分,对电控系统运行的安全可靠性起着至关重要的作用。控制柜发生故障后的迅速准确的诊断与排查是维持电控设备稳定运行的重要保障。控制柜主要通过定期、不定期检修来掌握设备运行状态,发现设备缺陷,预防事故的发生,保障设备安全、可靠运行,但当前电控柜故障检测依靠专业技术人员凭借多年的工作经验进行检测和诊断,工作量大,且不能准确的判断故障和失效的原因,不能及时对故障进行处理。近几年来,随着人工智能技术的发展,神经网络等技术逐渐被应用在各行各业,但在对于控制柜的故障诊断上,这种技术的应用还尚属空白。因此,有必要开发一款控制柜智能故障诊断系统,可以实现控制柜故障诊断的智能化。该技术智能程度高,技术先进,生产成本低,具有较好的市场竞争优势和推广应用价值。
发明内容
本发明实施例的目的在于提供一种控制柜智能故障诊断系统及故障诊断方法,旨在解决控制柜的智能化故障诊断。
本发明实施例是这样实现的,所述控制柜智能故障诊断系统包括:
振动传感器,安装在控制柜变压器壳体上,用于采集控制柜变压器的振动信息;
温度变送器,安装在控制柜变压器壳体上,用于采集控制柜变压器温度信息;
电流变送器,安装在控制柜变频器附近的导轨上,变频器U、V、W相输出线从所述电流变送器的互感器空心穿过,用于采集控制柜变频器的三相输出电流信息;
电压变送器,安装在控制柜变频器附近的导轨上,变频器输出端的U、V、W相电压接入所述电压变送器的输入侧,用于采集控制柜变频器三相输出电压信息;
接线端子排,安装在控制柜下侧面板上,用于汇集所述振动传感器、所述温度变送器、所述电流变送器、所述电压变送器采集的信号,通过排线电连接至数据采集卡;
振动采样电阻,与所述振动传感器电连接,并经过所述接线端子排信号地公共接线端,将所述振动传感器采集的4-20mA电流信号转换成0-10V电压信号;
温度采样电阻,与所述温度变送器电连接,并经过所述接线端子排信号地公共接线端,将所述温度变送器采集的4-20mA电流信号转换成0-10V电压信号;
电流采样电阻,与所述电流变送器电连接,并经过所述接线端子排信号地公共接线端,将所述电流变送器采集的4-20mA电流信号转换成0-10V电压信号;
电压采样电阻,与所述电压变送器电连接,并经过所述接线端子排信号地公共接线端,将所述电压变送器采集的4-20mA电流信号转换成0-10V电压信号;
数据采集卡,安装在工控机的PCI插槽上,与所述接线端子排通过排线电连接,用于将所述振动传感器、温度变送器、电流变送器、电压变送器采集到的信号A/D转换给工控机进行分析处理;
工控机,接收所述振动传感器、温度变送器、电流变送器、电压变送器采集的振动信号、温度信号、电流信号、电压信号,并通过故障诊断软件对接收到的信号处理后进行处理和分析,在故障诊断方法下得到诊断结果,完成控制柜故障的状态识别与分类,实现故障诊断与预警,并生成故障诊断报表;
显示装置,与所述工控机通过VGA接口电连接,将分析过程与诊断结果显示出来,并且可以对物理通道、阈值标准值进行调整;
电源,与所述振动传感器、所述温度变送器、所述电流变送器、所述电压变送器电连接,为这4个检测原件提供DC24V的直流电源;
报警装置,与所述工控机电连接,接受所述工控机发送来的控制柜非正常工作状态的警报信号,进行声光报警。
本发明的另一个目的在于提供一种具有很强的智能化和鲁棒性的控制柜故障诊断方法。
为实现以上目的,本发明采用的技术方案为:一种控制柜智能故障诊断方法,其步骤为:
a.信号处理过程,包含以下步骤:
步骤(a-1):对控制柜在已知变压器短路故障、变频器输入缺相故障、变频器输出缺相故障、继电器跳动故障、变压器扰动温升故障及无故障六类状态下所检测的振动、温度、电压、电流信号进行傅里叶变换得到上述故障状态下各自的频谱图;
步骤(a-2):通过尺度空间对由傅里叶变换得到的各自的频谱划分频带分界点;
步骤(a-3):以频带能量均值为标准将大于均值频带保持不变,小于均值的频带就近合并,实现对初始频带分界点的筛选,得到各自故障状态下新的傅里叶频谱划分图;
步骤(a-4):利用Meyer小波构造的经验尺度函数式和经验模态小波包函数得到正交小波滤波器,进行各自故障信号的滤波降噪;
步骤(a-5):使用与对确定细节系数和近似系数进行确定,得到各自故障信号的经验模态分量函数为:
步骤(a-6):通过式计算各分量信号的能量E1(t),E2(t),…,En(t)(在此n=12),通过式计算各分量信号的总能量E,构建能量特征向量T,T=[E1,E2,...En],为方便计算对T进行归一化处理,得到特征向量T′,最后得到经验模态小波包能量熵为:
b.状态分类过程,包含以下步骤:
步骤(b-1):构造12个输入6个输出的4层BP神经网络,初始化阈值为0.1,误差允许值为0.01;
步骤(b-2):随机产生该BP神经网络的连接权值;
步骤(b-3):将a过程得到的12个经验模态小波包能量熵HE1-HE12输入神经网络,进行网络训练;
步骤(b-4):根据6个输出的初始化阈值及误差允许值,对BP神经网络各层间的权值参数进行调整;
步骤(b-5):对BP神经网络各层的连接权值学习参数进行趋同与异化操作;
步骤(b-6):调整BP神经网络的权值,计算权值适应值;
步骤(b-7):对BP神经网络输出值与期望值进行误差计算,得到的误差与误差允许值进行对比,大于误差允许值时进入步骤(b-4),小于误差允许值时进行步入(b-8);
步骤(b-8):保存训练合格的神经网络;
c.状态判别过程,包含以下步骤:
步骤(c-1):利用所述控制柜故障诊断系统在线采集被检测控制柜的振动、温度、电流、电压信号;
步骤(c-2):对上述信号进行a.信号处理过程的计算;
步骤(c-3):采用b.状态分类过程获取的训练好的BP神经网络进行计算;
步骤(c-4)获取被检测控制柜的状态。
本发明实现了控制柜故障诊断的智能化,极大地降低了工作人员的劳动强度,提高了故障诊断精确度,科研成果将极大地带动科技进步和社会、经济的发展。
附图说明
图1是本发明实施例提供的控制柜智能故障诊断系统的总体组成结构框图。
图2是本发明实施例提供的控制柜智能故障诊断系统的位置关系示意图。
图中,1.振动传感器;2.温度变送器;3.电流变送器;4电压变送器;5.数据采集卡;6.工控机;7.显示装置;8.报警装置;9.接线端子排;10.故障诊断软件;11.振动采样电阻;12.温度采样电阻;13.电流采样电阻;14.电压采样电阻;20.电源。
图3是本发明实施例提供的控制柜智能故障诊断方法的实施步骤。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
图1示出了本发明提供的控制柜智能故障诊断系统的总体组成结构。为了便于说明,仅仅示出了与本发明相关的部分。
本发明的控制柜智能故障诊断系统包括;振动传感器1、温度变送器2、电流变送器3、电压变送器4、数据采集卡5、接线端子排9、故障诊断软件10、振动采样电阻11、温度采样电阻12、电流采样电阻13、电压采样电阻14、电源20。
所述振动传感器1,采用CT1010LC系列一体化振动速度变送器,安装在控制柜变压器壳体上,由所述电源20提供DC24V的直流电压,进行控制柜变压器振动信号采集。
所述温度变送器2,采用PT100温度变送器,安装在变压器壳体上,由所述电源20提供DC24V的直流电压,进行控制柜变压器温度信号采集。
所述电流变送器3,采用SIN-DJI-B-30A-V1-B1型号电流变送器,安装在控制柜变频器附近的导轨上,由所述电源20提供DC24V的直流电压,进行控制柜变频器输出端电流信号采集。
所述电压变送器4,采用MIK-DJU型电压变送器,安装在控制柜变频器附近的导轨上,由所述电源20提供DC24V的直流电压,进行控制柜变频器输出端电压信号采集。
所述振动采样电阻11,为500Ω的精密采样电阻,与所述振动传感器1电连接,将所述振动传感器1变送输出的4-20mA电流信号在进入所述数据采集卡5之前转换成2-10V的电压信号。
所述温度采样电阻12,为500Ω的精密采样电阻,与所述温度变送器2电连接,将所述温度变送器2变送输出的4-20mA电流信号在进入所述数据采集卡5之前转换成2-10V的电压信号。
所述电流采样电阻13,为500Ω的精密采样电阻,与所述电流变送器3电连接,将所述电流变送器3变送输出的4-20mA电流信号在进入所述数据采集卡5之前转换成2-10V的电压信号。
所述电压采样电阻14,为500Ω的精密采样电阻,与所述电压变送器4电连接,将所述电压变送器4变送输出的4-20mA电流信号在进入所述数据采集卡5之前转换成2-10V的电压信号。
所述接线端子排9,与所述振动采样电阻11、所述温度采样电阻12、所述电流采样电阻13、所述电压采样电阻14电连接,用于集成采集的振动、温度、电流、电压信号。
所述数据采集卡5,采用研华PCI-1716数据采集卡,安装在所述工控机6的PCI槽内,与所述接线端子排9通过排线电连接,把采集的振动、温度、电流、电压信号进行A/D转换。
所述工控机6,采用研华610L工业控制计算机,通过故障诊断软件进行控制柜的故障诊断。
所述故障诊断软件,由所述故障诊断方法编写的程序算法,用于实现控制柜的振动、温度、电流、电压信号分析计算及状态识别。
下面结合附图2及具体实施例对本发明的应用原理作进一步描述。
如图2所示,本发明实施例的控制柜智能故障诊断系统位置关系示意图。图中,所述振动传感器1安装在变压器壳体上,由所述电源20供电,保障了所述振动传感器1能够对控制柜中包括变压器与继电器的振动信号进行采集;所述温度变送器2安装在变压器壳体上,由所述电源20供电,保障了所述温度变送器2对变压器温度信号的采集;所述电流变送器3安装在变频器输出线路附近的安装导轨上,由所述电源20供电,利用霍尔感应原理完成对变频器的输出电流信号的采集;所述电压变送器4安装在变频器输出线路附近的安装导轨上,由所述电源20供电,所述电压变送器4的输入侧与变频器输出直流母线并联,完成对变频器输出电压信号的采集;所述数据采集卡5安装在所述工控机6的PCI插槽内,通过所述接线端子排9将振动、温度、电流、电压信号传输至所述工控机6,完成对信号的采集;所述工控机6放置在机房内,保障了在控制柜运行过程中,接收所述振动传感器1、温度变送器2、电流变送器3、电压变送器4采集的振动信号、温度信号、电流信号、电压信号,并通过所述故障诊断软件10进行分析计算,完成故障的状态识别与分类,实现故障诊断与预警;所述显示装置7放置在监控室内,保障了振动信号、温度信号、电流信号、电压信号的实时监控与数据的显示,并且可以显示出故障种类;所述报警装置8安装在监控室内,保障了故障发生时发出警报,提醒工作人员进行停机维修或运行维护。
图3是本发明公开的一种控制柜智能故障诊断方法,包括a.信号处理过程;b.状态分类过程;c.状态判别过程。
a.信号处理过程,包含以下步骤:
步骤(a-1):对控制柜在已知变压器短路故障、变频器输入缺相故障、变频器输出缺相故障、继电器跳动故障、变压器扰动温升故障及无故障六类状态下所检测的振动、温度、电压、电流信号进行傅里叶变换得到上述故障状态下各自的频谱图;
步骤(a-2):通过尺度空间对由傅里叶变换得到的各自的频谱划分频带分界点;
步骤(a-3):以频带能量均值为标准将大于均值频带保持不变,小于均值的频带就近合并,实现对初始频带分界点的筛选,得到各自故障状态下新的傅里叶频谱划分图;
步骤(a-4):利用Meyer小波构造的经验尺度函数式和经验模态小波包函数得到正交小波滤波器,进行各自故障信号的滤波降噪;
步骤(a-5):使用与对确定细节系数和近似系数进行确定,得到各自故障信号的经验模态分量函数为:
步骤(a-6):通过式计算各分量信号的能量E1(t),E2(t),…,En(t)(在此n=12),通过式计算各分量信号的总能量E,构建能量特征向量T,T=[E1,E2,...En],为方便计算对T进行归一化处理,得到特征向量T′,最后得到经验模态小波包能量熵为:
b.状态分类过程,包含以下步骤:
步骤(b-1):构造12个输入6个输出的4层BP神经网络,初始化阈值为0.1,误差允许值为0.01;
步骤(b-2):随机产生该BP神经网络的连接权值;
步骤(b-3):将a过程得到的12个经验模态小波包能量熵HE1-HE12输入神经网络,进行网络训练;
步骤(b-4):根据6个输出的初始化阈值及误差允许值,对BP神经网络各层间的权值参数进行调整;
步骤(b-5):对BP神经网络各层的连接权值学习参数进行趋同与异化操作;
步骤(b-6):调整BP神经网络的权值,计算权值适应值;
步骤(b-7):对BP神经网络输出值与期望值进行误差计算,得到的误差与误差允许值进行对比,大于误差允许值时进入步骤(b-4),小于误差允许值时进行步入(b-8);
步骤(b-8):保存训练合格的神经网络;
c.状态判别过程,包含以下步骤:
步骤(c-1):利用所述控制柜故障诊断系统在线采集被检测控制柜的振动、温度、电流、电压信号;
步骤(c-2):对上述信号进行a.信号处理过程的计算;
步骤(c-3):采用b.状态分类过程获取的训练好的BP神经网络进行计算;
步骤(c-4)获取被检测控制柜的状态。
以上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、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (2)
1.一种控制柜智能故障诊断系统,其特征在于:所述控制柜智能故障诊断系统包括:
振动传感器,安装在控制柜变压器壳体上,用于采集控制柜变压器的振动信息;
温度变送器,安装在控制柜变压器壳体上,用于采集控制柜变压器温度信息;
电流变送器,安装在控制柜变频器附近的导轨上,变频器U、V、W相输出线从所述电流变送器的互感器空心穿过,用于采集控制柜变频器的三相输出电流信息;
电压变送器,安装在控制柜变频器附近的导轨上,变频器输出端的U、V、W相电压接入所述电压变送器的输入侧,用于采集控制柜变频器三相输出电压信息;
接线端子排,安装在控制柜下侧面板上,用于汇集所述振动传感器、所述温度变送器、所述电流变送器、所述电压变送器采集的信号,通过排线电连接至数据采集卡;
振动采样电阻,与所述振动传感器电连接,并经过所述接线端子排信号地公共接线端,将所述振动传感器采集的4-20mA电流信号转换成0-10V电压信号;
温度采样电阻,与所述温度变送器电连接,并经过所述接线端子排信号地公共接线端,将所述温度变送器采集的4-20mA电流信号转换成0-10V电压信号;
电流采样电阻,与所述电流变送器电连接,并经过所述接线端子排信号地公共接线端,将所述电流变送器采集的4-20mA电流信号转换成0-10V电压信号;
电压采样电阻,与所述电压变送器电连接,并经过所述接线端子排信号地公共接线端,将所述电压变送器采集的4-20mA电流信号转换成0-10V电压信号;
数据采集卡,安装在工控机的PCI插槽上,与所述接线端子排通过排线电连接,用于将所述振动传感器、温度变送器、电流变送器、电压变送器采集到的信号A/D转换给工控机进行分析处理;
工控机,接收所述振动传感器、温度变送器、电流变送器、电压变送器采集的振动信号、温度信号、电流信号、电压信号,并通过故障诊断软件对接收到的信号处理后进行处理和分析,在故障诊断方法下得到诊断结果,完成控制柜故障的状态识别与分类,实现故障诊断与预警,并生成故障诊断报表;
显示装置,与所述工控机通过VGA接口电连接,将分析过程与诊断结果显示出来,并且可以对物理通道、阈值标准值进行调整;
报警装置,与所述工控机电连接,接受所述工控机发送来的控制柜非正常工作状态的警报信号,进行声光报警;
电源,与所述振动传感器、所述温度变送器、所述电流变送器、所述电压变送器电连接,为这4个检测原件提供DC24V的直流电源。
2.一种控制柜智能故障诊断方法,其步骤为:
a.信号处理过程,包含以下步骤:
步骤(a-1):对控制柜在已知变压器短路故障、变频器输入缺相故障、变频器输出缺相故障、继电器跳动故障、变压器扰动温升故障及无故障六类状态下所检测的振动、温度、电压、电流信号进行傅里叶变换得到上述故障状态下各自的频谱图;
步骤(a-2):通过尺度空间对由傅里叶变换得到的各自的频谱划分频带分界点;
步骤(a-3):以频带能量均值为标准将大于均值频带保持不变,小于均值的频带就近合并,实现对初始频带分界点的筛选,得到各自故障状态下新的傅里叶频谱划分图;
步骤(a-4):利用Meyer小波构造的经验尺度函数式和经验模态小波包函数得到正交小波滤波器,进行各自故障信号的滤波降噪;
步骤(a-5):使用与对确定细节系数和近似系数进行确定,得到各自故障信号的经验模态分量函数为:
步骤(a-6):通过式计算各分量信号的能量E1(t),E2(t),…,En(t)(在此n=12),通过式计算各分量信号的总能量E,构建能量特征向量T,T=[E1,E2,...En],为方便计算对T进行归一化处理,得到特征向量T′,最后得到经验模态小波包能量熵为:
b.状态分类过程,包含以下步骤:
步骤(b-1):构造12个输入6个输出的4层BP神经网络,初始化阈值为0.1,误差允许值为0.01;
步骤(b-2):随机产生该BP神经网络的连接权值;
步骤(b-3):将a过程得到的12个经验模态小波包能量熵HE1-HE12输入神经网络,进行网络训练;
步骤(b-4):根据6个输出的初始化阈值及误差允许值,对BP神经网络各层间的权值参数进行调整;
步骤(b-5):对BP神经网络各层的连接权值学习参数进行趋同与异化操作;
步骤(b-6):调整BP神经网络的权值,计算权值适应值;
步骤(b-7):对BP神经网络输出值与期望值进行误差计算,得到的误差与误差允许值进行对比,大于误差允许值时进入步骤(b-4),小于误差允许值时进行步入(b-8);
步骤(b-8):保存训练合格的神经网络;
c.状态判别过程,包含以下步骤:
步骤(c-1):利用所述控制柜故障诊断系统在线采集被检测控制柜的振动、温度、电流、电压信号;
步骤(c-2):对上述信号进行a.信号处理过程的计算;
步骤(c-3):采用b.状态分类过程获取的训练好的BP神经网络进行计算;
步骤(c-4)获取被检测控制柜的状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910529915.4A CN110231529A (zh) | 2019-06-11 | 2019-06-11 | 一种控制柜智能故障诊断系统及故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910529915.4A CN110231529A (zh) | 2019-06-11 | 2019-06-11 | 一种控制柜智能故障诊断系统及故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110231529A true CN110231529A (zh) | 2019-09-13 |
Family
ID=67856126
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910529915.4A Pending CN110231529A (zh) | 2019-06-11 | 2019-06-11 | 一种控制柜智能故障诊断系统及故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110231529A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110908365A (zh) * | 2019-12-25 | 2020-03-24 | 西北工业大学 | 一种无人机传感器故障诊断方法、系统及可读存储介质 |
CN112362105A (zh) * | 2020-11-13 | 2021-02-12 | 四川格斯拉科技有限公司 | 一种精密电阻、气压及温度信息测量记录方法及系统 |
CN112928682A (zh) * | 2021-03-04 | 2021-06-08 | 儒能(山东)电力科技有限公司 | 智能抽出式断路器 |
CN113741344A (zh) * | 2021-08-03 | 2021-12-03 | 南京工大数控科技有限公司 | 一种数控机床的智能故障诊断系统及其方法 |
CN114325155A (zh) * | 2021-11-19 | 2022-04-12 | 国网湖南省电力有限公司 | 用于变压器的故障检测系统 |
CN116027730A (zh) * | 2023-03-24 | 2023-04-28 | 承德泰宇热控工程技术有限公司 | 一种plc控制柜远程控制系统 |
CN116629843A (zh) * | 2023-07-25 | 2023-08-22 | 山东比沃斯机电工程有限公司 | 智能化柴油发电机组的远程预警与维护决策支持系统 |
CN117950309A (zh) * | 2024-03-26 | 2024-04-30 | 合肥科达工业设备有限公司 | 一种基于精准控制的电源控制柜系统及其运行方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101246200A (zh) * | 2008-03-10 | 2008-08-20 | 湖南大学 | 一种基于神经网络的模拟pcb智能测试系统 |
CN102621489A (zh) * | 2011-11-09 | 2012-08-01 | 江苏兴航智控科技股份有限公司 | 基于小波神经网络的船舶发电机故障智能诊断系统 |
CN102636742A (zh) * | 2012-05-15 | 2012-08-15 | 长沙河野电气科技有限公司 | 基于小波神经网络的大规模模拟电路故障诊断方法 |
CN106053988A (zh) * | 2016-06-18 | 2016-10-26 | 安徽工程大学 | 基于智能分析的逆变器故障诊断系统及方法 |
CN106404078A (zh) * | 2016-11-28 | 2017-02-15 | 山东科技大学 | 一种变压器在线监测装置 |
CN106990303A (zh) * | 2017-03-15 | 2017-07-28 | 国家电网公司 | 一种变压器故障诊断方法 |
-
2019
- 2019-06-11 CN CN201910529915.4A patent/CN110231529A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101246200A (zh) * | 2008-03-10 | 2008-08-20 | 湖南大学 | 一种基于神经网络的模拟pcb智能测试系统 |
CN102621489A (zh) * | 2011-11-09 | 2012-08-01 | 江苏兴航智控科技股份有限公司 | 基于小波神经网络的船舶发电机故障智能诊断系统 |
CN102636742A (zh) * | 2012-05-15 | 2012-08-15 | 长沙河野电气科技有限公司 | 基于小波神经网络的大规模模拟电路故障诊断方法 |
CN106053988A (zh) * | 2016-06-18 | 2016-10-26 | 安徽工程大学 | 基于智能分析的逆变器故障诊断系统及方法 |
CN106404078A (zh) * | 2016-11-28 | 2017-02-15 | 山东科技大学 | 一种变压器在线监测装置 |
CN106990303A (zh) * | 2017-03-15 | 2017-07-28 | 国家电网公司 | 一种变压器故障诊断方法 |
Non-Patent Citations (3)
Title |
---|
孙元: "工厂配电柜故障智能检测方法", 《电子世界》 * |
栗蕴琦: "经验小波变换和支持向量机在滚动轴承故障诊断中的应用研究", 《中国优秀硕士学位论文全文数据库工程科技II辑》 * |
陈伟根 等: "基于振动信号经验模态分解及能量熵的高压断路器故障识别", 《高压电器》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110908365A (zh) * | 2019-12-25 | 2020-03-24 | 西北工业大学 | 一种无人机传感器故障诊断方法、系统及可读存储介质 |
CN112362105A (zh) * | 2020-11-13 | 2021-02-12 | 四川格斯拉科技有限公司 | 一种精密电阻、气压及温度信息测量记录方法及系统 |
CN112928682A (zh) * | 2021-03-04 | 2021-06-08 | 儒能(山东)电力科技有限公司 | 智能抽出式断路器 |
CN112928682B (zh) * | 2021-03-04 | 2022-07-05 | 儒能(山东)电力科技有限公司 | 智能抽出式断路器 |
CN113741344A (zh) * | 2021-08-03 | 2021-12-03 | 南京工大数控科技有限公司 | 一种数控机床的智能故障诊断系统及其方法 |
CN114325155A (zh) * | 2021-11-19 | 2022-04-12 | 国网湖南省电力有限公司 | 用于变压器的故障检测系统 |
CN116027730A (zh) * | 2023-03-24 | 2023-04-28 | 承德泰宇热控工程技术有限公司 | 一种plc控制柜远程控制系统 |
CN116629843A (zh) * | 2023-07-25 | 2023-08-22 | 山东比沃斯机电工程有限公司 | 智能化柴油发电机组的远程预警与维护决策支持系统 |
CN116629843B (zh) * | 2023-07-25 | 2023-10-20 | 山东比沃斯机电工程有限公司 | 智能化柴油发电机组的远程预警与维护决策支持系统 |
CN117950309A (zh) * | 2024-03-26 | 2024-04-30 | 合肥科达工业设备有限公司 | 一种基于精准控制的电源控制柜系统及其运行方法 |
CN117950309B (zh) * | 2024-03-26 | 2024-06-07 | 合肥科达工业设备有限公司 | 一种基于精准控制的电源控制柜系统及其运行方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110231529A (zh) | 一种控制柜智能故障诊断系统及故障诊断方法 | |
CN105424395B (zh) | 设备故障的确定方法和装置 | |
CN108444708A (zh) | 基于卷积神经网络的滚动轴承智能诊断模型的建立方法 | |
CN111354366B (zh) | 一种异常声音检测方法及异常声音检测装置 | |
CN103671190B (zh) | 一种智能早期矿用通风机在线故障诊断系统 | |
CN107003665A (zh) | 用于评估连接到电马达的旋转机械的状态的方法 | |
CN108693448B (zh) | 一种应用于电力设备局部放电模式识别系统 | |
CN103983881B (zh) | 核探测器的故障诊断方法及装置 | |
CN113283310A (zh) | 一种基于声纹特征的电力设备健康状态检测系统和方法 | |
CN110375983A (zh) | 基于时间序列分析的阀门故障实时诊断系统及诊断方法 | |
CN113657221A (zh) | 一种基于智能感知技术的电厂设备状态监测方法 | |
CN110553789A (zh) | 一种压阻式压力传感器的状态检测方法、装置及制动系统 | |
CN113253705B (zh) | 一种鼓风机的故障诊断方法及装置 | |
CN107844067A (zh) | 一种水电站闸门在线状态监测控制方法及监测系统 | |
CN111678699A (zh) | 一种面向滚动轴承早期故障监测与诊断方法及系统 | |
CN103267652B (zh) | 一种智能早期设备故障在线诊断方法 | |
CN115238785A (zh) | 基于图像融合和集成网络的旋转机械故障诊断方法和系统 | |
CN112711850A (zh) | 一种基于大数据的机组在线监测方法 | |
CN103821750B (zh) | 一种基于电流的通风机失速和喘振监测及诊断方法 | |
CN115078912A (zh) | 车顶高压电缆接头异常实时检测方法、系统及列车 | |
KR20210077496A (ko) | 초음파 대역의 음향 신호를 수신하는 다채널 감지 센서를 구비한 설비 고장 예측 시스템 | |
CN116796261B (zh) | 一种基于人工智能的封闭开关设备机械特性预测方法 | |
CN115081491B (zh) | 一种卫生巾生产设备运行状态故障诊断方法 | |
CN116840631A (zh) | 基于联合诊断模型的变压器局部放电监测与定位方法 | |
CN111456915A (zh) | 风机机舱内部部件的故障诊断装置及方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190913 |