CN110579368A - 基于仿真计算的旋转机械振动故障智能诊断系统及方法 - Google Patents
基于仿真计算的旋转机械振动故障智能诊断系统及方法 Download PDFInfo
- Publication number
- CN110579368A CN110579368A CN201910919951.1A CN201910919951A CN110579368A CN 110579368 A CN110579368 A CN 110579368A CN 201910919951 A CN201910919951 A CN 201910919951A CN 110579368 A CN110579368 A CN 110579368A
- Authority
- CN
- China
- Prior art keywords
- data
- vibration
- simulation calculation
- unit
- 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
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M99/00—Subject matter not provided for in other groups of this subclass
- G01M99/005—Testing of complete machines, e.g. washing-machines or mobile phones
Abstract
本发明涉及一种基于仿真计算的旋转机械振动故障智能诊断系统及方法,通过数据获取模块在机组运行过程中获取原始模拟量的振动数据,并进行频域数据处理而获取振动的特征参数,并获取机组的包括温度、压力、流量在内的热力学数据;然后通过仿真计算模块对获取的振动数据和热力数据进行动力学系统的仿真计算;最后通过健康监测与故障诊断模块将实时仿真计算的结果与机组实际运行的数据进行对比,对机组的运行状态进行评估,并反馈至人机界面,供运行人员进行相关参考。这样可以使得运行人员及时地预先判别出机械振动故障,防范振动故障产生的损失。
Description
技术领域
本发明涉及一种基于仿真计算的旋转机械振动故障智能诊断系统及方法,特别是涉及一种用于汽轮机的机械振动故障智能诊断系统及方法。
背景技术
近十年来,各单位开发了很多的智能故障诊断系统。智能振动故障诊断系统中,都是应用神经网络、故障树、遗传算法等AI算法,对振动故障数据进行大数据分析,根据大数据产生的模糊规则判断故障发生时所有参数的内在联系机理。系统的缺点在于只有当故障发生时才会有故障的大数据,并进行模型的数值训练,是反向的经验规则判断故障,而非正向的规则判断,这种诊断方式不能及时防范故障。
发明内容
鉴于以上所述现有技术的缺点,本发明的目的在于提供一种基于仿真计算的旋转机械振动故障智能诊断系统及方法,能够方便地检测机械振动,防范振动故障。
为实现上述目的,本发明提供一种基于仿真计算的旋转机械振动故障智能诊断系统,包括:
数据获取模块,用于在机组运行过程中获取原始模拟量的振动数据,并进行频域数据处理而获取振动的特征参数,并获取机组的包括温度、压力、流量在内的热力学数据;
仿真计算模块,用于对获取的振动数据和热力数据进行动力学系统的仿真计算;
健康监测与故障诊断模块,用于将实时仿真计算的结果与机组实际运行的数据进行对比对机组的运行状态进行评估,并反馈至人机界面。
优选地,还包括用于向数据获取模块输出原始模拟量振动数据的振动测点和TSI系统输出端口。
更为优选地,数据获取模块从轴系的振动测点直接获取或者TSI系统输出端口获取原始模拟量的振动数据,通过A/D转换将模拟量的振动转化为数字量信号,再通过FFT/小波分析进行频域数据处理以获取振动的特征参数,并根据不同电厂的数据网络架构,采用数据传输协议的方式获取机组的包括温度、压力、流量在内的热力数据。
优选地,仿真计算模块对获取的振动数据和热力数据进行动力学系统的仿真计算,仿真计算的程序包括转子动力学仿真模型、轴承线性/非线性动力学模型、轴承座支撑系统动态模型、密封系统动力学仿真模型。
与本发明的一种基于仿真计算的旋转机械振动故障智能诊断系统相应地,本发明还提供一种基于仿真计算的旋转机械振动故障智能诊断方法,采用上述技术方案或其任一优选的技术方案所述的基于仿真计算的旋转机械振动故障智能诊断系统进行作业,包括如下步骤:
1)数据获取模块在机组运行过程中获取原始模拟量的振动数据,并进行频域数据处理而获取振动的特征参数,并获取机组的包括温度、压力、流量在内的热力学数据;
2)仿真计算模块对获取的振动数据和热力数据进行动力学系统的仿真计算;
3)健康监测与故障诊断模块将实时仿真计算的结果与机组实际运行的数据进行对比,对机组的运行状态进行评估,并反馈至人机界面。
优选地,在步骤1)中,数据获取模块从轴系的振动测点直接获取或者TSI系统输出端口获取原始模拟量的振动数据,通过A/D转换将模拟量的振动转化为数字量信号,再通过FFT/小波分析进行频域数据处理以获取振动的特征参数,并根据不同电厂的数据网络架构,采用数据传输协议的方式获取机组的包括温度、压力、流量在内的热力数据。
优选地,在步骤2)中,仿真计算模块对获取的振动数据和热力数据进行动力学系统的仿真计算,仿真计算的程序包括转子动力学仿真模型、轴承线性/非线性动力学模型、轴承座支撑系统动态模型、密封系统动力学仿真模型。
如上所述,本发明涉及的一种基于仿真计算的旋转机械振动故障智能诊断系统及方法,具有以下有益效果:本发明的一种基于仿真计算的旋转机械振动故障智能诊断系统通过数据获取模块在机组运行过程中获取原始模拟量的振动数据,并进行频域数据处理而获取振动的特征参数,并获取机组的包括温度、压力、流量在内的热力学数据;然后通过仿真计算模块对获取的振动数据和热力数据进行动力学系统的仿真计算;最后通过健康监测与故障诊断模块将实时仿真计算的结果与机组实际运行的数据进行对比,对机组的运行状态进行评估,并反馈至人机界面,供运行人员进行相关参考。这样可以使得运行人员及时地预先判别出机械振动故障,防范振动故障产生的损失。
附图说明
图1显示为本发明的一种基于仿真计算的旋转机械振动故障智能诊断系统的原理图。
图2显示为转子结构模化示意图。
图3显示为转子仿真计算模式下的一阶模态响应示意图。
图4显示为转子仿真计算模式下的二阶模态响应示意图。
图5显示为通过动力学仿真计算的拟合,将各阶响应的模态值合成为各个节点随转速变化的理论响应值趋势变化示意图。
图6显示为通过实际运行测量的各个节点随转速变化的理论响应值趋势变化示意图。
图7显示为根据轴承数据库中的数据进行插值方法求得轴承的动态特性系数和大致运行轨迹范围的示意图。
图8显示为密封系统的结构示意图。
具体实施方式
以下由特定的具体实施例说明本发明的实施方式,熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效。
须知,本说明书所附图式所绘示的结构、比例、大小等,均仅用以配合说明书所揭示的内容,以供熟悉此技术的人士了解与阅读,并非用以限定本发明可实施的限定条件,故不具技术上的实质意义,任何结构的修饰、比例关系的改变或大小的调整,在不影响本发明所能产生的功效及所能达成的目的下,均应仍落在本发明所揭示的技术内容得能涵盖的范围内。同时,本说明书中所引用的如“上”、“下”、“左”、“右”、“中间”及“一”等的用语,亦仅为便于叙述的明了,而非用以限定本发明可实施的范围,其相对关系的改变或调整,在无实质变更技术内容下,当亦视为本发明可实施的范畴。
如图1所示,本发明提供一种基于仿真计算的旋转机械振动故障智能诊断系统,包括:
数据获取模块,用于在机组运行过程中获取原始模拟量的振动数据,并进行频域数据处理而获取振动的特征参数,并获取机组的包括温度、压力、流量在内的热力学数据;
仿真计算模块,用于对获取的振动数据和热力数据进行动力学系统的仿真计算;
健康监测与故障诊断模块,用于将实时仿真计算的结果与机组实际运行的数据进行对比对机组的运行状态进行评估,并反馈至人机界面。
本发明的一种基于仿真计算的旋转机械振动故障智能诊断系统通过数据获取模块在机组运行过程中获取原始模拟量的振动数据,并进行频域数据处理而获取振动的特征参数,并获取机组的包括温度、压力、流量在内的热力学数据;然后通过仿真计算模块对获取的振动数据和热力数据进行动力学系统的仿真计算;最后通过健康监测与故障诊断模块将实时仿真计算的结果与机组实际运行的数据进行对比,对机组的运行状态进行评估,并反馈至人机界面,供运行人员进行相关参考。这样可以使得运行人员及时地预先判别出机械振动故障,防范振动故障产生的损失。
请参考图1,本发明的一种基于仿真计算的旋转机械振动故障智能诊断系统根据不同旋转机械的动力学模型,进行离线的仿真模型建立、特征参数的计算和在线仿真程序,为提高在线计算的实时性,根据离线计算得到的特征数据建立在线模型和特征参数数据库,以方便在线的实时诊断。
在线仿真系统将实时测得的振动和热力数据作为在线边界条件,代入仿真程序进行在线的仿真计算,仿真迭代时间过长的程序从计算好的仿真数据库中获得计算结果,根据仿真计算可以输出未安装测点部位的运行数据和安装测点部位的下一时刻运行数据,通过未安装测点部位的运行情况判断机组的安全性,通过安装测点部位的下一时刻运行数据对比诊断,利用负反馈方式对机组的振动故障进行诊断,当未发生振动故障时,可以利用负反馈方式对潜在的风险进行提醒,防患于未然。
作为一种优选的实施方式,本发明的一种基于仿真计算的旋转机械振动故障智能诊断系统还包括用于向数据获取模块输出原始模拟量振动数据的振动测点和TSI系统输出端口。
如图1所示,本发明的一种基于仿真计算的旋转机械振动故障智能诊断系统分为三个模块:数据获取模块、仿真计算模块、健康监测与故障诊断模块。数据获取模块主要在机组运行过程中从轴系的振动测点直接获取或者TSI系统输出端口获取原始模拟量的振动数据,通过A/D转换将模拟量的振动转化为数字量信号,便于振动的计算分析和远距离传输,再通过FFT/小波分析等进行频域数据处理以便获取振动的特征参数,并根据不同电厂的数据网络架构,采用数据传输协议等方式获取机组的温度、压力、流量等运行热力数据;仿真计算模块主要根据机组的轴系系统动力学仿真计算模型和相应的算法,对获取的振动数据和热力数据进行动力学系统的仿真计算,仿真计算的程序主要包括转子动力学仿真模型、轴承线性/非线性动力学模型、轴承座支撑系统动态模型、密封系统动力学仿真模型;健康监测与故障诊断模块将实时仿真计算的结果与机组实际运行的数据进行对比,对机组的运行状态进行评估,并反馈至人机界面,供运行人员进行相关参考。
在本发明的一种基于仿真计算的旋转机械振动故障智能诊断系统中,仿真计算模块利用旋转机械制造厂的优势,将机组设计中应用的仿真程序的计算效率进行提升,以满足故障诊断过程中的实时性。由于计算方法等条件的限制,无法形成非迭代计算,在线计算量非常大无法快速计算得到计算结果的程序,请参考图1,本发明的一种基于仿真计算的旋转机械振动故障智能诊断系统应用了合成特征值变量方法,合成特征值变量方法主要依靠迭代仿真程序的进行密集变工况点计算,当变工况幅度非常小时,可以认为是准稳态工况,将各个密集的准稳态工况点计算的结果形成数据库,在线计算过程中应用特征值作为变量,在数据库中快速搜索工况点,找到相近工况点后利用线性插值和最小二乘法等拟合手段得到实时计算结果。即满足了计算的准确性,又满足了计算的时效性。健康监测与故障诊断模块应用针对振动标准和故障诊断案例的大数据形成了振动稳定性评估方法,对机组过临界过程中临界转速值的变化、运行过程中振动各倍频的矢量、轴承稳定性运行区域评估、惰走时间评估、超速惯性常数评估等方式,对未发生故障的机组进行健康性能监测和评估,得到机组运行过程中的健康指数。根据健康指数进行运行过程中的状态报警,在将要发生故障时进行实时的预警,并提供一定的运行建议和检修方案。故障分析是在故障发生后,根据频谱特征、轴心轨迹图像识别、振动趋势预测、轴心位置自动识别等AI技术对振动故障进行智能诊断,有效减少故障的诊断时间。数据获取模块则属于常规方式。利用机组振动监测传感器的振动模拟量信号,在系统前进行A/D转换,根据采样定理和后续信号分析的要求,将连续的模拟量信号转化为合理密度的离散数字量信号。本发明的一种基于仿真计算的旋转机械振动故障智能诊断系统利用振动时域的数字信号,和快速傅立叶变换/小波分析等分析算法得到振动波形信号的频域数据,根据故障诊断规则需求的数据特征,提取时域信号和频域信号的特征值,作为在线转子动力学仿真程序的输入条件。根据旋转机械机组结构和运行特点,选取和机组运行息息相关的温度、压力、流量等热力参数。利用旋转机械热力采样数据网络或者数据库结构,通过接口程序读取旋转机械的热力数据。热力数据和快变的振动信号不同,热力数据属于慢变信号,所以信号的读取策略与快变的振动信号不同。接口程序中能够及时反馈热力数据的读取时间和数据读取状态的信息。
在本发明的一种基于仿真计算的旋转机械振动故障智能诊断系统中,仿真计算模块包括转子动力学仿真模型、轴承线性/非线性动力学模型、轴承座支撑系统动态模型、密封系统动力学仿真模型。以图2所示的转子模型为例,转子动力学仿真模型依靠转子动力学仿真程序,根据理论的计算模型(如图2)进行动力学计算,计算动态形况下转子在各阶共振频率下的模态响应,如图3和图4所示。通过动力学的拟合,将各阶响应的模态值合成为各个节点随转速变化的响应值,根据理论响应值(如图5)与实际运行值(如图6)的趋势对比,做健康诊断和振动故障的智能诊断。
此外,以实际的轴颈部位的相对振动作为边界条件,计算缸体内部无法监测到的转子与汽缸的动静间隙,根据与主机厂内的设计名义间隙值进行对比,实时计算反应是否有动静摩擦的可能性。当间隙小于名义间隙的75%后发出健康监测警示。
轴承线性/非线性动力学模型:针对运行机组的轴承几何和载荷条件,根据轴承数据库中的数据进行插值方法求得轴承的动态特性系数和大致运行轨迹范围(如图7),通过测量得到的轴心位置数据做图像识别,判读轴承的稳定性。当转子在轴承内运行偏离理论计算区域,将坐标值(或中心偏移量)作为输入条件,带入之轴承非线性计算程序,实时计算和评估轴承新的动态特性和稳定性,达到实时观测轴承动力学运行状态的健康程度,对运行人员提供运行策略的建议。
轴承座支撑系统动态模型:通过串联模型,将“转子-轴承-支撑”系统的动力学系统仿真计算,通过灵敏性系数对系统进行评估。
密封系统动力学仿真模型:通过密封动力学计算方法,根据转子周向径向间隙和通流密封结构的尺寸(如图8所示),进行密封系统动力学仿真计算,利用计算的结果进行轴系高负荷工况段的稳定性评估。
利用计算机编程语言,对以上的仿真程序进行程序化,将数据量庞大的特性参数存入数据库,在计算时实时读取数据库数据,通过插值和最小二乘法等拟合方式进行最终的计算。
与本发明的一种基于仿真计算的旋转机械振动故障智能诊断系统相应地,本发明还提供一种基于仿真计算的旋转机械振动故障智能诊断方法,采用上述技术方案或其任一优选的技术方案所述的基于仿真计算的旋转机械振动故障智能诊断系统进行作业,包括如下步骤:
1)数据获取模块在机组运行过程中获取原始模拟量的振动数据,并进行频域数据处理而获取振动的特征参数,并获取机组的包括温度、压力、流量在内的热力学数据;
2)仿真计算模块对获取的振动数据和热力数据进行动力学系统的仿真计算;
3)健康监测与故障诊断模块将实时仿真计算的结果与机组实际运行的数据进行对比,对机组的运行状态进行评估,并反馈至人机界面。
在步骤1)中,数据获取模块从轴系的振动测点直接获取或者TSI系统输出端口获取原始模拟量的振动数据,通过A/D转换将模拟量的振动转化为数字量信号,再通过FFT/小波分析进行频域数据处理以获取振动的特征参数,并根据不同电厂的数据网络架构,采用数据传输协议的方式获取机组的包括温度、压力、流量在内的热力数据。
在步骤2)中,仿真计算模块对获取的振动数据和热力数据进行动力学系统的仿真计算,仿真计算的程序包括转子动力学仿真模型、轴承线性/非线性动力学模型、轴承座支撑系统动态模型、密封系统动力学仿真模型。
现有的振动故障诊断系统,都是基于振动故障数据和热力数据,通过傅立叶变化得到振动的频域数据,然后根据振动的时域数据和频域数据特征,加以热力数据在变化和波动,依据振动故障典型特征和采集大数据,利用人工智能的大数据分析和数据挖掘算法对振动故障进行智能化的诊断。此类系统都属于大数据规则学习类系统。只有当振动故障发生后,系统从振动和热力的大数据中,根据AI的典型算法进行数据分析和计算,通过故障特征数据的匹配,来判断振动故障。
而本发明的一种基于仿真计算的旋转机械振动故障智能诊断系统及方法将旋转机械的动力学模型进行在线仿真计算,将测得的数据进行在线的仿真计算,仿真计算的输出和下一时刻的振动进行对比分析,利用负反馈方式对机组的振动故障进行诊断;当未发生振动故障时可以利用负反馈方式计算的数据,和理论模型计算值进行对比,对潜在的风险和故障进行预警,提醒运行人员及时处理,防患于未然。
综上所述,本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。
上述实施例仅例示性说明本发明的原理及其功效,而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下,对上述实施例进行修饰或改变。因此,举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵盖。
Claims (7)
1.一种基于仿真计算的旋转机械振动故障智能诊断系统,其特征是,包括:
数据获取模块,用于在机组运行过程中获取原始模拟量的振动数据,并进行频域数据处理而获取振动的特征参数,并获取机组的包括温度、压力、流量在内的热力学数据;
仿真计算模块,用于对获取的振动数据和热力数据进行动力学系统的仿真计算;
健康监测与故障诊断模块,用于将实时仿真计算的结果与机组实际运行的数据进行对比,对机组的运行状态进行评估,并反馈至人机界面。
2.根据权利要求1所述的基于仿真计算的旋转机械振动故障智能诊断系统,其特征在于:还包括用于向数据获取模块输出原始模拟量振动数据的振动测点和TSI系统输出端口。
3.根据权利要求2所述的基于仿真计算的旋转机械振动故障智能诊断系统,其特征在于:数据获取模块从轴系的振动测点直接获取或者TSI系统输出端口获取原始模拟量的振动数据,通过A/D转换将模拟量的振动转化为数字量信号,再通过FFT/小波分析进行频域数据处理以获取振动的特征参数,并根据不同电厂的数据网络架构,采用数据传输协议的方式获取机组的包括温度、压力、流量在内的热力数据。
4.根据权利要求1所述的基于仿真计算的旋转机械振动故障智能诊断系统,其特征在于:仿真计算模块对获取的振动数据和热力数据进行动力学系统的仿真计算,仿真计算的程序包括转子动力学仿真模型、轴承线性/非线性动力学模型、轴承座支撑系统动态模型、密封系统动力学仿真模型。
5.一种基于仿真计算的旋转机械振动故障智能诊断方法,采用权利要求1至3任一项所述的基于仿真计算的旋转机械振动故障智能诊断系统进行作业,其特征在于,包括如下步骤:
1)数据获取模块在机组运行过程中获取原始模拟量的振动数据,并进行频域数据处理而获取振动的特征参数,并获取机组的包括温度、压力、流量在内的热力学数据;
2)仿真计算模块对获取的振动数据和热力数据进行动力学系统的仿真计算;
3)健康监测与故障诊断模块将实时仿真计算的结果与机组实际运行的数据进行对比,对机组的运行状态进行评估,并反馈至人机界面。
6.根据权利要求1所述的基于仿真计算的旋转机械振动故障智能诊断方法,其特征在于:在步骤1)中,数据获取模块从轴系的振动测点直接获取或者TSI系统输出端口获取原始模拟量的振动数据,通过A/D转换将模拟量的振动转化为数字量信号,再通过FFT/小波分析进行频域数据处理以获取振动的特征参数,并根据不同电厂的数据网络架构,采用数据传输协议的方式获取机组的包括温度、压力、流量在内的热力数据。
7.根据权利要求1所述的基于仿真计算的旋转机械振动故障智能诊断方法,其特征在于:在步骤2)中,仿真计算模块对获取的振动数据和热力数据进行动力学系统的仿真计算,仿真计算的程序包括转子动力学仿真模型、轴承线性/非线性动力学模型、轴承座支撑系统动态模型、密封系统动力学仿真模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910919951.1A CN110579368A (zh) | 2019-09-26 | 2019-09-26 | 基于仿真计算的旋转机械振动故障智能诊断系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910919951.1A CN110579368A (zh) | 2019-09-26 | 2019-09-26 | 基于仿真计算的旋转机械振动故障智能诊断系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110579368A true CN110579368A (zh) | 2019-12-17 |
Family
ID=68813818
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910919951.1A Pending CN110579368A (zh) | 2019-09-26 | 2019-09-26 | 基于仿真计算的旋转机械振动故障智能诊断系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110579368A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111948511A (zh) * | 2020-05-27 | 2020-11-17 | 中核武汉核电运行技术股份有限公司 | 一种仪控卡件故障诊断系统及方法 |
CN112067306A (zh) * | 2020-08-13 | 2020-12-11 | 武汉理工大学 | 船用发动机健康状态在线监测评估方法、设备及系统 |
CN112328590A (zh) * | 2020-12-01 | 2021-02-05 | 西安交通大学 | 一种热力设备运行数据深度清洗方法 |
CN114689161A (zh) * | 2022-03-30 | 2022-07-01 | 珠海格力电器股份有限公司 | 检测方法、非易失性存储介质以及检测系统 |
WO2023273378A1 (zh) * | 2021-06-29 | 2023-01-05 | 东方电气集团东方电机有限公司 | 一种螺栓故障诊断方法及装置 |
CN116662761A (zh) * | 2023-06-28 | 2023-08-29 | 广州发展南沙电力有限公司 | 一种基于数据分析的燃机电站重要参数预警方法及系统 |
CN116662761B (zh) * | 2023-06-28 | 2024-05-14 | 广州发展南沙电力有限公司 | 一种基于数据分析的燃机电站重要参数预警方法及系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101135601A (zh) * | 2007-10-18 | 2008-03-05 | 北京英华达电力电子工程科技有限公司 | 一种旋转机械振动故障诊断装置及方法 |
CN102023100A (zh) * | 2010-04-19 | 2011-04-20 | 东莞市罗尔机电科技有限公司 | 设备故障预警系统及方法 |
CN102542262A (zh) * | 2012-01-04 | 2012-07-04 | 东南大学 | 一种基于高铁运行特征工况波形库的波形识别方法 |
CN102622458A (zh) * | 2011-01-30 | 2012-08-01 | 华锐风电科技(集团)股份有限公司 | 一种风力发电机组振动与载荷综合评估系统及评估方法 |
CN103835882A (zh) * | 2014-03-18 | 2014-06-04 | 上海电机学院 | 大型风力发电机组状态监测与故障诊断系统 |
CN105955069A (zh) * | 2016-06-12 | 2016-09-21 | 哈尔滨工程大学 | 一种基于在线仿真的核电站系统级状态监测方法 |
CN106697187A (zh) * | 2016-12-26 | 2017-05-24 | 武汉理工大学 | 基于智能机舱的船舶动力系统工况模拟和诊断实验平台 |
CN108241761A (zh) * | 2016-12-26 | 2018-07-03 | 北京金风科创风电设备有限公司 | 发电机部件的疲劳损伤的确定方法和设备 |
JP2018103339A (ja) * | 2016-12-28 | 2018-07-05 | オムロン株式会社 | シミュレーション装置、ロボット、シミュレーション方法、及びそのプログラム |
CN108894932A (zh) * | 2018-05-28 | 2018-11-27 | 国电联合动力技术有限公司 | 一种风电机组发电机轴承故障智能诊断系统及方法 |
-
2019
- 2019-09-26 CN CN201910919951.1A patent/CN110579368A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101135601A (zh) * | 2007-10-18 | 2008-03-05 | 北京英华达电力电子工程科技有限公司 | 一种旋转机械振动故障诊断装置及方法 |
CN102023100A (zh) * | 2010-04-19 | 2011-04-20 | 东莞市罗尔机电科技有限公司 | 设备故障预警系统及方法 |
CN102622458A (zh) * | 2011-01-30 | 2012-08-01 | 华锐风电科技(集团)股份有限公司 | 一种风力发电机组振动与载荷综合评估系统及评估方法 |
CN102542262A (zh) * | 2012-01-04 | 2012-07-04 | 东南大学 | 一种基于高铁运行特征工况波形库的波形识别方法 |
CN103835882A (zh) * | 2014-03-18 | 2014-06-04 | 上海电机学院 | 大型风力发电机组状态监测与故障诊断系统 |
CN105955069A (zh) * | 2016-06-12 | 2016-09-21 | 哈尔滨工程大学 | 一种基于在线仿真的核电站系统级状态监测方法 |
CN106697187A (zh) * | 2016-12-26 | 2017-05-24 | 武汉理工大学 | 基于智能机舱的船舶动力系统工况模拟和诊断实验平台 |
CN108241761A (zh) * | 2016-12-26 | 2018-07-03 | 北京金风科创风电设备有限公司 | 发电机部件的疲劳损伤的确定方法和设备 |
JP2018103339A (ja) * | 2016-12-28 | 2018-07-05 | オムロン株式会社 | シミュレーション装置、ロボット、シミュレーション方法、及びそのプログラム |
CN108894932A (zh) * | 2018-05-28 | 2018-11-27 | 国电联合动力技术有限公司 | 一种风电机组发电机轴承故障智能诊断系统及方法 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111948511A (zh) * | 2020-05-27 | 2020-11-17 | 中核武汉核电运行技术股份有限公司 | 一种仪控卡件故障诊断系统及方法 |
CN112067306A (zh) * | 2020-08-13 | 2020-12-11 | 武汉理工大学 | 船用发动机健康状态在线监测评估方法、设备及系统 |
CN112328590A (zh) * | 2020-12-01 | 2021-02-05 | 西安交通大学 | 一种热力设备运行数据深度清洗方法 |
CN112328590B (zh) * | 2020-12-01 | 2023-04-07 | 西安交通大学 | 一种热力设备运行数据深度清洗方法 |
WO2023273378A1 (zh) * | 2021-06-29 | 2023-01-05 | 东方电气集团东方电机有限公司 | 一种螺栓故障诊断方法及装置 |
CN114689161A (zh) * | 2022-03-30 | 2022-07-01 | 珠海格力电器股份有限公司 | 检测方法、非易失性存储介质以及检测系统 |
CN116662761A (zh) * | 2023-06-28 | 2023-08-29 | 广州发展南沙电力有限公司 | 一种基于数据分析的燃机电站重要参数预警方法及系统 |
CN116662761B (zh) * | 2023-06-28 | 2024-05-14 | 广州发展南沙电力有限公司 | 一种基于数据分析的燃机电站重要参数预警方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110579368A (zh) | 基于仿真计算的旋转机械振动故障智能诊断系统及方法 | |
Cai et al. | Fault detection and diagnostic method of diesel engine by combining rule-based algorithm and BNs/BPNNs | |
CN110925031B (zh) | 一种大功率间接空冷汽轮机管控系统 | |
US8996334B2 (en) | Method and system for analysis of turbomachinery | |
US6587737B2 (en) | Method for the monitoring of a plant | |
CN102023100A (zh) | 设备故障预警系统及方法 | |
CN107291991B (zh) | 一种基于动态网络标志的风电机组早期缺陷预警方法 | |
CN111474919B (zh) | 基于aann网络组的航空发动机控制系统传感器故障诊断方法 | |
CN110907170B (zh) | 一种风电机组齿轮箱轴承温度状态监测与故障诊断方法 | |
Liu et al. | Technology development and commercial applications of industrial fault diagnosis system: a review | |
Sun et al. | A robust approach of multi-sensor fusion for fault diagnosis using convolution neural network | |
CN111637045B (zh) | 一种海洋平台空气压缩机故障诊断方法 | |
CN115614292B (zh) | 一种立式水泵机组振动监测装置及其方法 | |
CN111103137A (zh) | 基于深度神经网络的风力涡轮机齿轮箱故障诊断方法 | |
CN109707653B (zh) | 一种天然气长输管道离心压缩机组智能监控系统 | |
Maschler et al. | Deep learning based soft sensors for industrial machinery | |
CN116596503A (zh) | 一种基于重要度的船舶装备智能健康监测系统及方法 | |
Gayme et al. | Fault detection and diagnosis in turbine engines using fuzzy logic | |
CN112801033A (zh) | 基于AlexNet网络的长输油气管线沿线施工扰动及泄漏识别方法 | |
Tutiv'en et al. | Wind turbine main bearing condition monitoring via convolutional autoencoder neural networks | |
Wasif et al. | Application of multi-fuzzy system for condition monitoring of liquid filling machines | |
JP2022096626A (ja) | 発電システム用のクラウドベースの音響監視、分析、および診断 | |
CN114233581A (zh) | 一种风机机舱智能巡视报警系统 | |
CN113158535A (zh) | 一种基于深度学习的风电机组主轴承温度预测方法 | |
CN112621381A (zh) | 机床进给系统健康状态智能评估方法及装置 |
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: 20191217 |
|
RJ01 | Rejection of invention patent application after publication |