CN111398823B - 基于效率及损耗的水电机组发电机故障诊断方法 - Google Patents
基于效率及损耗的水电机组发电机故障诊断方法 Download PDFInfo
- Publication number
- CN111398823B CN111398823B CN202010405364.3A CN202010405364A CN111398823B CN 111398823 B CN111398823 B CN 111398823B CN 202010405364 A CN202010405364 A CN 202010405364A CN 111398823 B CN111398823 B CN 111398823B
- Authority
- CN
- China
- Prior art keywords
- loss
- efficiency
- generator
- energy
- subentry
- 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.)
- Active
Links
Images
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
本发明提供一种基于效率及损耗的水电机组发电机故障诊断方法,首先为发电机这种能量转换装置引入了能量和分项损耗参数,作为状态评估和故障诊断特征;为了利用这种特征,设计了基于能量效率与分项损耗的健康状态模型;并设计了一种基于能量及损耗组合特性的发电机运行状态评估及诊断方法,即先采用效率参数进行能量状态评估,根据评估结果再通过分项损耗的状态评估,获取当前工况的分项损耗特征,最后进行故障诊断得到其细化故障。本发明采用了能量效率特性作为发电机状态评估特征,能够有效的反应机组的运行状态。该方法对不常发生突发故障的发电机组,仍然能够实现性能评价,为寿命预估和趋势预测提供依据。
Description
技术领域
本发明涉及水轮发电机组技术领域,具体是基于效率及损耗的水电机组发电机故障诊断方法。
背景技术
对于常规的水轮发电机组而言,有大量的物理量传感器在实时监测其运行状态,如导轴承的摆度、轴瓦的温度、冷却介质的流量、冷却介质的温度、机组的转速等等;同时,大量的电气参数也实时送往监控系统,如励磁电压、励磁电流、机端电压、机端电流、有功功率、功率因数等等。
因此,对发电机可能突发的故障,如定子绕组接地或机端严重的振动,通常由保护系统和监控系统利用其对机械电气参数的监控,直接实时介入以避免发生重大事故。但发电机的大量故障源于劣化和老化,它们通常是一个非常缓慢的过程。工业上使用的电机,大多制造设计寿命是运行10~40年,因此,故障的发展过程也基本有10~40年之久。一些调查发现,发电机大部分故障由定子绕组、转子绕组和发电机轴承有关,所以大多数发电机状态监测与故障诊断系统,都是针对电机运行的直接特征量,如温度、电流、电压等进行限值判断和分析,再推理得到可能存在的故障,目前诊断发电机故障的预估方法和诊断系统,通常有两种,一种是以限值报警为主的监测和预估系统;另一种是基于知识规则和推理方法的诊断专家系统。
申请号:CN201710267486.9,提供一种风力发电机异常诊断处理系统,即通过获取发电机的轴瓦温度、冷却介质温度,以及机端电流、电压等电气参数,计算绘制这些物理量的趋势,或者计算其趋势变化率,结合阈值比较,进行监测报警,部分设备或系统还可通过趋势数据进行拟合或建模,得到其曲线回归模型,实现趋势预估。如某定子水冷状态监测及故障诊断系统,能够监测发电机定子绕组的水支路温度、定子线棒层间温度等数据,进行与自身正常值的比对,以及动态门槛值(变化率)的比对预警等功能,然后根据其报警信息,来实现监测与趋势预估。其问题是:以监测为主,报警为辅;本质上仍是传统的状态监测系统,即获取机组各种特征量进行展示和基本的限值比较,属于报警系统,而并非真正意义上的诊断系统。
申请号:CN201710096346.X,提供一种基于规则推导的水电机组故障诊断方法,即将水轮发电机机常见故障的推理规则,以知识库的形式保存在数据库中,专家诊断系统通过获取机组的故障征兆,来进行推理和故障识别。即核心思想是根据水电机组的故障诊断结论,反向推导结论产生的故障参数,依据故障参考推导出产生故障的故障设备,再具体到故障部件,最后再推导出故障原因,以此来指导故障维修。其问题是:发电机常规故障基本由保护和监控系统来管理和处理,专家知识库记录的各种故障规则,通常只对瞬时或突发故障有效,而发电机大量的绝缘、老化等可能导致的潜在故障,却无法通过规则来实时匹配和定位。同时,水电机组为慢速旋转设备,且其故障涉及水力、机械、电气多种因素的耦合,要通过专家知识来进行故障推理,需要保证一定故障规则的完备,而水轮发电机组的故障并不常见,因此,很难再实际使用中得到应有的效果。
论文:潘罗平,安学利,周叶,《基于大数据的多维度水电机组健康评估与诊断》,水利学报,许多方法采用的参数为机架振动、大轴摆度、水压脉动等参数与设备正常运行状态下的平均值或者均方差值进行比较,将其距离平均值的距离和比例,作为劣化的定量百分比,来得到设备或者部件当前的健康值/劣化度的数值。其问题是:单个振动、摆度或者压力等参数,不能表现出机组的性能退化趋势,只能体现出机组某个部件或者某个位置的物理状态,有些方案会考虑采用组合特征参数,例如几个物理量的比例或者相关关系,但还没有采用能量和效率作为诊断特征的方法。另外,以机组的大轴摆度为例,本身受到轴瓦间隙的影响,通过盘车,轴瓦抱瓦紧固时,大轴摆度自然会减小,但因此会带来轴瓦的摩擦增大,以及瓦温的增高,因此,很难通过孤立的物理量特征来判断机组的运行特性。另外,该方法无法得到最终机组的具体故障,仅能实现简单参数的异常状态评估结果。
发明内容
本发明针对上述问题,提供了一种基于效率及损耗的水电机组发电机故障诊断方法,水轮发电机组的突发故障由保护和监控系统处理,缓慢的故障由诊断系统处理,而发电机主要是缓慢的故障,本发明主要针对发电机的缓慢故障的诊断。
本发明提供的基于效率及损耗的水电机组发电机故障诊断方法,首先为发电机这种能量转换装置引入了能量和分项损耗参数,作为状态评估和故障诊断特征;为了利用这种特征,设计了基于能量效率与分项损耗的健康状态模型;并设计了一种基于能量及损耗组合特性的发电机运行状态评估及诊断方法,即先采用效率参数进行能量状态评估,根据评估结果再通过分项损耗的状态评估,获取当前工况的分项损耗特征,最后进行故障诊断得到其细化故障。
具体的技术方案为:
基于效率及损耗的水电机组发电机故障诊断方法,包括以下步骤:
(1)获取发电机效率与损耗的健康状态模型
为了对总损耗进行分类,给电机规定了一个基准表面,将电机全部包在里面的基准表面,这个表面内产生的所有损耗,都通过该表面散发出去;
通过基准表面的划分,把热量产生的损耗分为基准面内部的损耗Pi和外部损耗Pe;
内部损耗Pi主要包括两部分,一部分是通过冷却回路带出基准表面的能量损耗;另一部分是不传递给冷却介质,而通过基准表面散发的能量损耗;
外部损耗Pe指在基准表面之外,但参与了机组运行发电的设备产生的损耗;
发电机的效率的计算公式为:
式中:
η:发电机效率;Pa:发电机有功功率输出,kW;PL:发电机总损耗,kW;
考虑到稳态运行的发电机效率与功率因数有直接关系,在发电机设计阶段,不同功率因数对应不同的发电机效率曲线;
引入能量效率与分项损耗作为评估诊断特征,设计基于有功功率、无功功率和发电机效率的三维能量组合特征,即建立如下健康状态模型:
ηij=f(Pi,Qj) (2)
其中,ηij为对应发电机有功功率Pi和无功功率Qj的发电机效率;i,j=1,2,3,4...为划分发电机效率曲线网格的数目;Pi和Qj均采用P.U.值,即与额定视在功率S的比值;
健康状态模型网格横坐标为有功功率Pi,纵坐标为无功功率Qj,网格内为健康状态模型数据。
(2)发电机效率的异常评估
机组投运初期,或者运行状态良好的情况下,对应不同的Pi、Qj区间,测量和计算其对应的发电机效率,再通过高斯分布算法获得其均值μ和方差δ,从而得到式(2)的能量特性健康状态模型;根据正态分布函数原理,该区间内正常的效率值分布在[μ-3δ,μ+3δ]区间的概率为99.73%。
对每个Pi、Qj区间,其健康状态模型包括效率统计特征和分项损耗统计特征;
如果当前实时获取的发电机效率值在[μ-3δ,μ+3δ]之外,判断发电机效率发生了异常;如果当前效率值在区间[μ-3δ,μ+3δ]内,则通过计算当前效率与健康状态下的效率基准值的偏差,获取其能量性能的劣化度fi,j(η),定义劣化度如下:
式中:fi,j(η)为对应当前Pi、Qj的机组能量劣化度;μ为正常运行状态下对应Pi、Qj的机组效率均值;δ为正常运行状态下对应Pi、Qj的机组效率相对于均值的方差。
(3)基于能量与分项损耗的诊断推理
通过机组当前有功与无功状态对应的发电机效率,采用步骤(2)状态评估,针对单个网格内健康状态模型值中的效率统计特征,以及式(3)劣化度的定义,得到机组的能量效率劣化度。
比较对能量特性产生影响的分项损耗因素,同样采用步骤(2)状态评估,结合单个网格内健康状态模型值中的分项损耗统计特征,依次判断各项分项损耗是否异常,最后通过推理,得到发电机可能存在的故障。
常规的通过电机的机械特性、电气特性来进行故障分析,容易发现突发故障,对老化绝缘等发电机绝大部分的故障却无能为力,鉴于发电机的本质上是一个能量转换设备,本发明的技术优点包括:
(1)采用了能量效率特性作为发电机状态评估特征,能够有效的反应机组的运行状态。
(2)如果机组不存在故障,即通过异常评估方法没有发现异常,可以通过对应工况下的健康状态模型的比对,得到发电机能量转换特性的状态劣化度,该方法对不常发生突发故障的发电机组,仍然能够实现性能评价,为寿命预估和趋势预测提供依据。
(3)如果发电机能量特性异常,则进一步通过能量特性的产生原因-分项损耗进行分解与分析,得到其分项损耗及其损耗健康状态,判断其故障产生的原因,最终实现其故障的诊断与细化。相对知识库的故障推理,更有针对性,由于发电机分项损耗机理成熟,因此而且能够清晰明确的通过分项损耗的状态评估,诊断得到其具体故障。
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。
其中:
图1是本发明发电机不同功率因数下的效率曲线,横坐标是负荷,纵坐标是效率
图2是本发明健康状态模型网格划分示意图
图3是本发明单个网格内健康状态模型值
图4是本发明的流程示意图;
图5是本发明详细的流程示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
如图4所示,基于效率及损耗的水电机组发电机故障诊断方法,包括以下步骤:
(1)获取发电机效率与损耗的健康状态模型
(2)发电机效率的异常评估
(3)基于能量与分项损耗的诊断推理。
进一步的,如图5所示,包括以下具体步骤:
(1)获取发电机效率与损耗的健康状态模型
根据GB/T 5321和IEC60034-2-2的描述,在发电机内部产生的各种损耗,最终都将变成热量,传递给冷却介质,使冷却介质温度上升,因此可用测量电机所产生的热量来推算电机的损耗,从而计算电机的效率,这种方法称为量热法。
为了对总损耗进行分类,我们给电机规定了一个基准表面,这是一个将电机全部包在里面的基准表面,这个表面内产生的所有损耗,都通过该表面散发出去。
通过基准表面的划分,把热量产生的损耗分为基准面内部的损耗Pi和外部损耗Pe。内部损耗Pi主要包括两部分,一部分是通过冷却回路带出基准表面的能量损耗,这部分在损耗中占主要比例,通常有空冷器冷却水带走的热量、上导轴承冷却器带走的热量、推导轴承冷却器带走的热量等;另一部分是不传递给冷却介质,而通过基准表面以对流、辐射等方式散发的能量损耗,如发电机上盖板、四周外围墙、下盖板与空气的散热等。
外部损耗Pe指在基准表面之外,但参与了机组运行发电的设备产生的损耗,主要为励磁变损耗,通常采用设计值或根据厂家提供的资料计算得出。
发电机的效率的计算公式为:
式中:
η:发电机效率;Pa:发电机有功功率输出,kW;PL:发电机总损耗,kW。
如果从损耗能量带走的方式来统计,发电机总损耗PL为基准面内部的损耗Pi和外部损耗Pe之和,即几个冷却管路的冷却水带走的热量与表面散热带走的热量,以及外部励磁损耗之和;如果从损耗产生的原因来统计,发电机总损耗PL包括其风磨损耗、铁损、定子铜损、转子铜损、杂散损耗、轴承损耗等。
对水电机组而言,其发电机在正常运行情况下,其效率和各项损耗应该保持稳定,随着运行年限的增长,其由于材料疲劳、部件磨损等原因,各项损耗会产生变化,并最终影响到其能量转换的效率,最终体现在发电机效率的数值变化上。
考虑到稳态运行的发电机效率与功率因数有直接关系,在发电机设计阶段,不同功率因数对应不同的发电机效率曲线,如图1所示。
于功率因数由有功功率和无功功率决定,因此,本提案为了引入能量效率与分项损耗作为评估诊断特征,设计了一种基于有功功率、无功功率和发电机效率的三维能量组合特征,即建立如下健康状态模型:
ηij=f(Pi,Qj) (2)
其中,ηij为对应发电机有功功率Pi和无功功率Qj的发电机效率。i,j=1,2,3,4...为划分曲线网格的数目。这里的Pi和Qj均采用P.U.值,即与额定视在功率S的比值。健康状态模型网格示意图如图2所示,横坐标为有功功率Pi,纵坐标为无功功率Qj,网格内为健康状态模型数据。
(2)发电机效率的异常评估方法
机组投运初期,或者运行状态良好的情况下,对应不同的Pi、Qj区间,我们可以测量和计算其对应的发电机效率,再通过高斯分布算法获得其均值μ和方差δ,从而得到式(2)的能量特性健康状态模型;根据正态分布函数原理,该区间内正常的效率值分布在[μ-3δ,μ+3δ]区间的概率为99.73,%。
对每个Pi、Qj区间,其健康状态模型包括效率统计特征和分项损耗统计特征,健康状态模型内容示意图3。
如果当前实时获取的发电机效率值在[μ-3δ,μ+3δ]之外,我们可以判断发电机效率发生了异常,。如果当前效率值在区间[μ-3δ,μ+3δ]内,则通过计算当前效率与健康状态下的效率基准值的偏差,获取其能量性能的劣化度fi,j(η),这里定义劣化度如下:
式中:
fi,j(η)为对应当前Pi、Qj的机组能量劣化度;μ为正常运行状态下对应Pi、Qj的机组效率均值;δ为为正常运行状态下对应Pi、Qj的机组效率相对于均值的方差。
(3)基于能量与分项损耗的诊断推理
通过机组当前有功与无功状态对应的发电机效率,采用步骤(2)中提到的状态评估方法,针对图3单个网格内健康状态模型值中的效率统计特征,以及式(3)劣化度的定义,可以得到机组的能量效率劣化度。
进一步可以比较对能量特性产生影响的分项损耗因素,同样采用步骤(2)中的状态评估方法,结合图3单个网格内健康状态模型值中的分项损耗统计特征,依次判断各项分项损耗是否异常,最后通过推理,得到发电机可能存在的故障。
该方法的征兆来源全部来自分项损耗和对应的电气参数,即不需要依赖其他试验和测量,在机组实时运行中,通过效率异常->损耗异常->故障推理的思路,发现机组的故障并分析其原因。
表1与发电机能量与损耗有关的故障特征列表
以某电站发电机为例,首先通过基于量热法的效率试验得到发电机在不同正常运行工况下的效率和分项损耗的健康样本。
如该发电机在功率因数1.0、100%额定负荷的状态下,即P=185~187MW,Q=0~5Mvar时,对多次测量计算的发电机效率值进行统计分析,得到发电机效率的高斯分布特性,即均值μ=98.56%,δ=0.01%,即正常运行工况下,发电机效率应该在[98.53%,98.59%]之间,同时,可以求出此时发电机风损、铁损、杂散损、转子铜损、定子铜损、励磁损耗各自对应的μ和δ。
当机组日常运行时,如果对应发电机出力为186.4MW,Q-0.2Mvar时,即此时工况点落在P=185~187MW,Q=0~5Mvar区间内,通过计算得到当前的发电机效率值和分项损耗值,如98.35%,即其效率超过了原健康状态区间,认为其发生了状态异常。
这次分别比较风损、铁损、杂散损、转子铜损、定子铜损、励磁损耗的实时值及其各自的健康区间[μ-3δ,μ+3δ],找到对应的异常项,再根据表1的规则,直接得到其具体故障。
显然,以上所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例,附图中给出了本申请的较佳实施例,但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现,相反地,提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明,对于本领域的技术人员来而言,其依然可以对前述各具体实施方式所记载的技术方案进行修改,或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构,直接或间接运用在其他相关的技术领域,均同理在本申请专利保护范围之内。
Claims (3)
1.基于效率及损耗的水电机组发电机故障诊断方法,其特征在于,包括以下步骤:
(1)获取发电机效率与损耗的健康状态模型
首先为发电机这种能量转换装置引入了能量和分项损耗参数,作为状态评估和故障诊断特征;为了利用这种特征,设计了基于能量效率与分项损耗的健康状态模型;
步骤(1)获取发电机效率与损耗的健康状态模型,具体包括以下过程:
为了对总损耗进行分类,给电机规定了一个基准表面,将电机全部包在里面的基准表面,这个表面内产生的所有损耗,都通过该表面散发出去;
通过基准表面的划分,把热量产生的损耗分为基准面内部的损耗Pi和外部损耗Pe;
内部损耗Pi主要包括两部分,一部分是通过冷却回路带出基准表面的能量损耗;另一部分是不传递给冷却介质,而通过基准表面散发的能量损耗;
外部损耗Pe指在基准表面之外,但参与了机组运行发电的设备产生的损耗;
发电机的效率的计算公式为:
式中:
η:发电机效率;Pa:发电机有功功率输出,kW;PL:发电机总损耗,kW;
考虑到稳态运行的发电机效率与功率因数有直接关系,在发电机设计阶段,不同功率因数对应不同的发电机效率曲线;
引入能量效率与分项损耗作为评估诊断特征,设计基于有功功率、无功功率和发电机效率的三维能量组合特征,即建立如下健康状态模型:
ηij=f(Pi,Qj) (2)
其中,ηij为对应发电机有功功率Pi和无功功率Qj的发电机效率;i,j=1,2,3,4...为划分发电机效率曲线网格的数目;Pi和Qj均采用P.U.值,即与额定视在功率S的比值;
健康状态模型网格横坐标为有功功率Pi,纵坐标为无功功率Qj,网格内为健康状态模型数据;
(2)发电机效率的异常评估
基于能量及损耗组合特性的发电机运行状态评估及诊断方法,即先采用效率参数进行能量状态评估;
(3)基于能量与分项损耗的诊断推理
根据评估结果再通过分项损耗的状态评估,获取当前工况的分项损耗特征,最后进行故障诊断得到其细化故障。
2.根据权利要求1所述的基于效率及损耗的水电机组发电机故障诊断方法,其特征在于,步骤(2)发电机效率的异常评估,具体包括以下过程:
机组投运初期,或者运行状态良好的情况下,对应不同的Pi、Qj区间,测量和计算其对应的发电机效率,再通过高斯分布算法获得其均值μ和方差δ,从而得到式(2)的能量特性健康状态模型;根据正态分布函数原理,该区间内正常的效率值分布在[μ-3δ,μ+3δ]区间的概率为99.73%;
对每个Pi、Qj区间,其健康状态模型包括效率统计特征和分项损耗统计特征;
如果当前实时获取的发电机效率值在[μ-3δ,μ+3δ]之外,判断发电机效率发生了异常;如果当前效率值在区间[μ-3δ,μ+3δ]内,则通过计算当前效率与健康状态下的效率基准值的偏差,获取其能量性能的劣化度fi,j(η),定义劣化度如下:
式中:fi,j(η)为对应当前Pi、Qj的机组能量劣化度;μ为正常运行状态下对应Pi、Qj的机组效率均值;δ为正常运行状态下对应Pi、Qj的机组效率相对于均值的方差。
3.根据权利要求2所述的基于效率及损耗的水电机组发电机故障诊断方法,其特征在于,步骤(3)基于能量与分项损耗的诊断推理,具体包括以下过程:
通过机组当前有功与无功状态对应的发电机效率,采用步骤(2)状态评估,针对单个网格内健康状态模型值中的效率统计特征,以及式(3)劣化度的定义,得到机组的能量效率劣化度;
比较对能量特性产生影响的分项损耗因素,同样采用步骤(2)状态评估,结合单个网格内健康状态模型值中的分项损耗统计特征,依次判断各项分项损耗是否异常,最后通过推理,得到发电机可能存在的故障。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010405364.3A CN111398823B (zh) | 2020-05-14 | 2020-05-14 | 基于效率及损耗的水电机组发电机故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010405364.3A CN111398823B (zh) | 2020-05-14 | 2020-05-14 | 基于效率及损耗的水电机组发电机故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111398823A CN111398823A (zh) | 2020-07-10 |
CN111398823B true CN111398823B (zh) | 2020-11-06 |
Family
ID=71430071
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010405364.3A Active CN111398823B (zh) | 2020-05-14 | 2020-05-14 | 基于效率及损耗的水电机组发电机故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111398823B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112197973B (zh) * | 2020-08-17 | 2022-06-28 | 中国船舶重工集团公司第七0四研究所 | 柴油发电机组健康诊断方法 |
CN113392492B (zh) * | 2021-08-13 | 2021-11-09 | 成都唐源电气股份有限公司 | 接触线剩余寿命预测方法、装置、计算机设备及存储介质 |
CN114184956B (zh) * | 2021-12-08 | 2023-06-06 | 湖南铁道职业技术学院 | 一种基于大数据管理的服役风力发电机组故障预测方法 |
CN116609651A (zh) * | 2023-07-20 | 2023-08-18 | 山东德源电力科技股份有限公司 | 一种光伏用多功能断路器的检测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103278771A (zh) * | 2013-05-22 | 2013-09-04 | 广西电网公司电力科学研究院 | 工业现场三相异步电机异常状态的辨识方法 |
CN103452829A (zh) * | 2013-09-10 | 2013-12-18 | 台州神能电器有限公司 | 一种变频供水系统运行效率在线检测方法 |
CN109061470A (zh) * | 2018-09-04 | 2018-12-21 | 苏州太谷电力股份有限公司 | 终端电动机的数据采集分析方法以及实时分析系统 |
CN109100651A (zh) * | 2018-07-27 | 2018-12-28 | 北京新能源汽车股份有限公司 | 一种电机系统性能的确定方法、装置及测试设备 |
CN109308529A (zh) * | 2018-10-11 | 2019-02-05 | 国网山东省电力公司电力科学研究院 | 一种应用在网源平台的机组励磁功能综合性能评价方法 |
US10281364B1 (en) * | 2015-03-11 | 2019-05-07 | Cummins Power Generation Ip, Inc. | System and method for using engine efficiency in predictive maintenance of a power generator |
-
2020
- 2020-05-14 CN CN202010405364.3A patent/CN111398823B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103278771A (zh) * | 2013-05-22 | 2013-09-04 | 广西电网公司电力科学研究院 | 工业现场三相异步电机异常状态的辨识方法 |
CN103452829A (zh) * | 2013-09-10 | 2013-12-18 | 台州神能电器有限公司 | 一种变频供水系统运行效率在线检测方法 |
US10281364B1 (en) * | 2015-03-11 | 2019-05-07 | Cummins Power Generation Ip, Inc. | System and method for using engine efficiency in predictive maintenance of a power generator |
CN109100651A (zh) * | 2018-07-27 | 2018-12-28 | 北京新能源汽车股份有限公司 | 一种电机系统性能的确定方法、装置及测试设备 |
CN109061470A (zh) * | 2018-09-04 | 2018-12-21 | 苏州太谷电力股份有限公司 | 终端电动机的数据采集分析方法以及实时分析系统 |
CN109308529A (zh) * | 2018-10-11 | 2019-02-05 | 国网山东省电力公司电力科学研究院 | 一种应用在网源平台的机组励磁功能综合性能评价方法 |
Non-Patent Citations (2)
Title |
---|
基于变负荷的变压器最优运行效率分析与计算;倪素娟等;《建筑电气》;20161130(第11期);15-20 * |
高效三相异步电动机性能测试与数据分析;张帅等;《微特电机》;20150331;第43卷(第3期);22-26 * |
Also Published As
Publication number | Publication date |
---|---|
CN111398823A (zh) | 2020-07-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111398823B (zh) | 基于效率及损耗的水电机组发电机故障诊断方法 | |
Zaher et al. | Online wind turbine fault detection through automated SCADA data analysis | |
CN105787584B (zh) | 一种基于云平台的风电机群故障预警方法 | |
CN108549951B (zh) | 一种基于关键器件的船用电气设备寿命预测方法及装置 | |
Cui et al. | An anomaly detection approach based on machine learning and scada data for condition monitoring of wind turbines | |
CN108347352B (zh) | 一种电力系统中信息系统及设备性能的诊断方法 | |
Shifat et al. | EEMD assisted supervised learning for the fault diagnosis of BLDC motor using vibration signal | |
CN102141808A (zh) | 汽轮发电机组嵌入式故障预诊断系统及方法 | |
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 | |
Abbasi et al. | Development of predictive maintenance interface using multiple linear regression | |
CN110879586A (zh) | 一种调相机故障诊断和状态监测方法和系统 | |
CN115877205A (zh) | 一种伺服电机的故障智能诊断系统及其诊断方法 | |
Hare et al. | A review of faults and fault diagnosis in micro-grids electrical energy infrastructure | |
CN111486043A (zh) | 一种基于水轮发电机组振摆数据的下机架故障诊断方法 | |
Yan et al. | A novel fault diagnosis method for marine blower with vibration signals | |
Das et al. | Performance monitoring and failure prediction of industrial equipments using artificial intelligence and machine learning methods: A survey | |
CN111929579B (zh) | 发电机在线故障诊断方法、设备及计算机设备 | |
CN116976191A (zh) | 一种水轮发电机组轴系稳定性劣化趋势预测方法 | |
CN116338451A (zh) | 一种深度调峰工况下汽轮发电机安全评价诊断系统及方法 | |
Bezzaoucha et al. | Failure causes based wind turbine components classification and failure propagation: For proactive maintenance implementatio | |
Ju et al. | Fault predictive diagnosis of wind turbine based on LM arithmetic of artificial neural network theory | |
CN115470946A (zh) | 设备维保方法、装置、电子设备及存储介质 | |
Song et al. | Framework of designing an adaptive and multi-regime prognostics and health management for wind turbine reliability and efficiency improvement | |
CN112234940B (zh) | 考虑限功率与运行效率的逆变器输出功率异常预警方法 | |
Geng et al. | Turbine health evaluation based on degradation degree |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |