CN111830409A - 一种基于深度神经网络的电机热故障诊断方法及装置 - Google Patents
一种基于深度神经网络的电机热故障诊断方法及装置 Download PDFInfo
- Publication number
- CN111830409A CN111830409A CN202010618227.8A CN202010618227A CN111830409A CN 111830409 A CN111830409 A CN 111830409A CN 202010618227 A CN202010618227 A CN 202010618227A CN 111830409 A CN111830409 A CN 111830409A
- Authority
- CN
- China
- Prior art keywords
- motor
- neural network
- temperature
- sample
- real time
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 67
- 238000003745 diagnosis Methods 0.000 title claims abstract description 52
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000003062 neural network model Methods 0.000 claims abstract description 22
- 238000001514 detection method Methods 0.000 claims abstract description 16
- 238000012549 training Methods 0.000 claims description 33
- 238000007781 pre-processing Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 6
- 230000007613 environmental effect Effects 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004804 winding Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K13/00—Thermometers specially adapted for specific purposes
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of 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
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Control Of Electric Motors In General (AREA)
Abstract
本发明涉及故障检测技术领域,具体涉及一种基于深度神经网络的电机热故障诊断方法及装置,首先实时检测环境温度,当环境温度在合理范围内时,则实时检测电机温度是否超过电机的额定温度;若电机温度超过电机额定温度,则实时检测电机的工作电压是否超过电机的额定电压,得出电机是否存在电源故障;若电机的电源正常,则实时检测电机的振动信号,对实时检测的振动信号进行预处理,得到振动数据,使用训练好的神经网络模型对振动数据进行故障诊断,生成电机状态的诊断结果,本发明提供的电机热故障检测技术方式更加多样化、诊断结论更加精细明确。
Description
技术领域
本发明涉及故障检测技术领域,具体涉及一种基于深度神经网络的电机热故障诊断方法及装置。
背景技术
随着工业现代化水平快速提升,电机设备日益朝着高速化、精密化、自动化和集成化方向快速发展。电机设备的工作环境复杂多变,常因其工作负荷过重、负载多变以及受外部极端工作环境的影响容易发生各类故障。若故障无法及时有效的诊断并排除,将带来重大的安全隐患、并造成重大经济损失。
电机在进行能量转换时,总是有一小部分损耗转变成热量,属于正常现象,可以继续使用。电动机绕组的断开,电动机绕组的短路,电动机的不正确连接,电动机的机械故障以及电动机本身的其他故障都可能导致电动机过热。可见,电动机发热通常是正常现象,但如果过热,则可能会出现一些故障,应停止使用并首先消除故障。
传统的电机热故障通过检测电机温度这种单一方式存在诸多弊端,例如,只有发现电机温度过高时,才发出预警;对导致电机过热的原因无法给出判断,具体是外部温度过高,还是电机出现故障,不能给出结论。因此,现有的电机热故障检测技术方式单一、诊断结论不够精细明确,故障诊断的辅助效果不大,无法满足先进生产力的要求。
发明内容
本发明目的在于提供一种基于深度神经网络的电机热故障诊断方法及装置,以解决现有技术中所存在的一个或多个技术问题,至少提供一种有益的选择或创造条件。
为了实现上述目的,本发明提供以下技术方案:
一种基于深度神经网络的电机热故障诊断方法,所述方法包括:
实时检测环境温度,当环境温度在合理范围内时,则实时检测电机温度是否超过电机的额定温度;
若电机温度超过电机额定温度,则实时检测电机的工作电压是否超过电机的额定电压,得出电机是否存在电源故障;
若电机的电源正常,则实时检测电机的振动信号,对实时检测的振动信号进行预处理,得到振动数据,使用训练好的神经网络模型对振动数据进行故障诊断,生成电机状态的诊断结果。
进一步,所述环境温度的合理范围为-10℃至25℃。
进一步,所述训练好的神经网络模型通过以下方式训练得到:
当环境温度在合理范围内时,在电机温度和工作电压正常状态下,收集电机在正常运行时和故障时的振动信号;
对振动信号进行预处理,对预处理后的振动信号进行时域特征提取,得到振动数据;
将振动数据形成样本,所述样本的格式为:每一条样本数据按输入-输出模式的映射关系进行构建,输入为振动数据,输出为电机状态,样本分为训练样本和检测样本两部分,所述电机状态包括正常、风险、故障;
构建BP神经网络,将所述训练样本输入BP神经网络进行训练,根据检测样本判断BP神经网络的输出误差是否减小到设定阈值,若否,则继续对BP神经网络进行训练,若是,则结束训练,得到训练好的神经网络模型。
进一步,所述预处理包括对振动信号进行采样和滤波。
一种基于深度神经网络的电机热故障诊断装置,所述装置包括:
电机温度判断模块,用于实时检测环境温度,当环境温度在合理范围内时,则实时检测电机温度是否超过电机的额定温度;
电源故障判断模块,用于若电机温度超过电机额定温度,则实时检测电机的工作电压是否超过电机的额定电压,得出电机是否存在电源故障;
故障诊断模块,用于若电机的电源正常,则实时检测电机的振动信号,对实时检测的振动信号进行预处理,得到振动数据,使用训练好的神经网络模型对振动数据进行故障诊断,生成电机状态的诊断结果。
进一步,所述故障诊断模块包括:
振动信号收集模块,用于当环境温度在合理范围内时,在电机温度和工作电压正常状态下,收集电机在正常运行时和故障时的振动信号;
振动数据生成模块,用于对振动信号进行预处理,对预处理后的振动信号进行时域特征提取,得到振动数据;
样本形成模块,用于将振动数据形成样本,所述样本的格式为:每一条样本数据按输入-输出模式的映射关系进行构建,输入为振动数据,输出为电机状态,样本分为训练样本和检测样本两部分,所述电机状态包括正常、风险、故障;
神经网络模型训练模块,用于构建BP神经网络,将所述训练样本输入BP神经网络进行训练,根据检测样本判断BP神经网络的输出误差是否减小到设定阈值,若否,则继续对BP神经网络进行训练,若是,则结束训练,得到训练好的神经网络模型。
一种基于深度神经网络的电机热故障诊断装置,所述装置包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现上述任一项所述的基于深度神经网络的电机热故障诊断方法的步骤。
本发明的有益效果是:本发明公开一种基于深度神经网络的电机热故障诊断方法及装置,首先排除环境温度的影响,接着排除电机温度和电机电源的故障,当排除这些明显的故障情况后,使用训练好的神经网络模型对振动数据进行故障诊断,生成电机状态的诊断结果,本发明能够对导致电机过热的原因给出细致准确的判断,本发明提供的电机热故障检测技术方式更加多样化、诊断结论更加精细明确。
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性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例一种基于深度神经网络的电机热故障诊断方法的流程示意图;
图2是本发明实施例中神经网络模型训练的流程示意图;
图3是本发明实施例一种基于深度神经网络的电机热故障诊断装置的结构示意图。
具体实施方式
以下将结合实施例和附图对本公开的构思、具体结构及产生的技术效果进行清楚、完整的描述,以充分地理解本公开的目的、方案和效果。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
参考图1,如图1所示为本发明实施例提供的一种基于深度神经网络的电机热故障诊断方法,所述方法包括以下步骤:
步骤S100、实时检测环境温度,当环境温度在合理范围内时,则实时检测电机温度是否超过电机的额定温度;
步骤S200、若电机温度超过电机额定温度,则实时检测电机的工作电压是否超过电机的额定电压,得出电机是否存在电源故障;
其中,电机的额定温度根据电机自身标注的额定温度确定,电机的额定电压根据电机自身标注的额定电压确定。
步骤S300、若电机的电源正常,则实时检测电机的振动信号,对实时检测的振动信号进行预处理,得到振动数据,使用训练好的神经网络模型对振动数据进行故障诊断,生成电机状态的诊断结果,所述电机状态的诊断结果包括电机状态正常、电机状态有风险和电机故障。
在一个优选的实施例中,所述环境温度的合理范围为-10℃至25℃。
参考图2,在一个优选的实施例中,所述训练好的神经网络模型通过以下方式训练得到:
步骤S410、当环境温度在合理范围内时,在电机温度和工作电压正常状态下,收集电机在正常运行时和故障时的振动信号;
步骤S420、对振动信号进行预处理,对预处理后的振动信号进行时域特征提取,得到振动数据;
步骤S430、将所述振动数据形成样本;
其中,所述样本的格式为:每一条样本数据按输入-输出模式的映射关系进行构建,输入为振动数据,输出为电机状态,样本分为训练样本和检测样本两部分,所述电机状态包括正常、风险、故障;
步骤S440、构建BP神经网络;
其中,BP神经网络的输入为振动数据,输出为电机状态;
步骤S450、将所述训练样本输入BP神经网络进行训练,得到训练后的BP神经网络;
步骤S460、判断BP神经网络的输出误差是否减小到设定阈值,若否,则继续执行步骤S450,若是,则结束训练,得到训练好的神经网络模型。
具体地,将n个检测样本中的振动数据输入训练后的BP神经网络,得到n个电机状态,将训练后的BP神经网络输出的电机状态和检测样本中的电机状态进行比较,得到n个判断结果,如果n个判断结果的正确率达到99%,则判断BP神经网络的输出误差是否减小到设定阈值,为保证训练好的神经网络模型具有比较高的准确性,本实施例中,训练样本的数量至少为1500个,n≥500。
在一个优选的实施例中,所述预处理包括对振动信号进行采样和滤波。从而减少或者消除振动信号中干扰信号的影响。
参考图3,本发明实施例还提供一种基于深度神经网络的电机热故障诊断装置,所述装置包括:
电机温度判断模块100,用于实时检测环境温度,当环境温度在合理范围内时,则实时检测电机温度是否超过电机的额定温度;
电源故障判断模块200,用于若电机温度超过电机额定温度,则实时检测电机的工作电压是否超过电机的额定电压,得出电机是否存在电源故障;
故障诊断模块300,用于若电机的电源正常,则实时检测电机的振动信号,对实时检测的振动信号进行预处理,得到振动数据,使用训练好的神经网络模型对振动数据进行故障诊断,生成电机状态的诊断结果。
在一个优选的实施例中,所述故障诊断模块300包括:
振动信号收集模块,用于当环境温度在合理范围内时,在电机温度和工作电压正常状态下,收集电机在正常运行时和故障时的振动信号;
振动数据生成模块,用于对振动信号进行预处理,对预处理后的振动信号进行时域特征提取,得到振动数据;
样本形成模块,用于将振动数据形成样本,所述样本的格式为:每一条样本数据按输入-输出模式的映射关系进行构建,输入为振动数据,输出为电机状态,样本分为训练样本和检测样本两部分,所述电机状态包括正常、风险、故障;
神经网络模型训练模块,用于构建BP神经网络,将所述训练样本输入BP神经网络进行训练,根据检测样本判断BP神经网络的输出误差是否减小到设定阈值,若否,则继续对BP神经网络进行训练,若是,则结束训练,得到训练好的神经网络模型。
可见,上述方法实施例中的内容均适用于本装置实施例中,本装置实施例所具体实现的功能与上述方法实施例相同,并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
本发明实施例还提供一种基于深度神经网络的电机热故障诊断装置,所述装置包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现上述任一项方法实施例所述的基于深度神经网络的电机热故障诊断方法的步骤。
可见,上述方法实施例中的内容均适用于本装置实施例中,本装置实施例所具体实现的功能与上述方法实施例相同,并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台电子设备(计算机,服务器等)执行本发明各个实施例所述的方法。
所述处理器可以是中央处理单元(Central-Processing-Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital-Signal-Processor,DSP)、专用集成电路(Application-Specific-Integrated-Circuit,ASIC)、现场可编程门阵列(Field-Programmable-Gate-Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,所述处理器是所述基于深度神经网络的电机热故障诊断装置的控制中心,利用各种接口和线路连接整个基于深度神经网络的电机热故障诊断装置的各个部分。
所述存储器可用于存储所述计算机程序和/或模块,所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现所述基于深度神经网络的电机热故障诊断装置的各种功能。所述存储器可主要包括存储程序区和存储数据区,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart-Media-Card,SMC),安全数字(Secure-Digital,SD)卡,闪存卡(Flash-Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
尽管本公开的描述已经相当详尽且特别对几个所述实施例进行了描述,但其并非旨在局限于任何这些细节或实施例或任何特殊实施例,而是应当将其视作是通过参考所附权利要求,考虑到现有技术为这些权利要求提供广义的可能性解释,从而有效地涵盖本公开的预定范围。此外,上文以发明人可预见的实施例对本公开进行描述,其目的是为了提供有用的描述,而那些目前尚未预见的对本公开的非实质性改动仍可代表本公开的等效改动。
Claims (7)
1.一种基于深度神经网络的电机热故障诊断方法,其特征在于,所述方法包括:
实时检测环境温度,当环境温度在合理范围内时,则实时检测电机温度是否超过电机的额定温度;
若电机温度超过电机额定温度,则实时检测电机的工作电压是否超过电机的额定电压,得出电机是否存在电源故障;
若电机的电源正常,则实时检测电机的振动信号,对实时检测的振动信号进行预处理,得到振动数据,使用训练好的神经网络模型对振动数据进行故障诊断,生成电机状态的诊断结果。
2.根据权利要求1所述的一种基于深度神经网络的电机热故障诊断方法,其特征在于,所述环境温度的合理范围为-10℃至25℃。
3.根据权利要求1所述的一种基于深度神经网络的电机热故障诊断方法,其特征在于,所述训练好的神经网络模型通过以下方式训练得到:
当环境温度在合理范围内时,在电机温度和工作电压正常状态下,收集电机在正常运行时和故障时的振动信号;
对振动信号进行预处理,对预处理后的振动信号进行时域特征提取,得到振动数据;
将振动数据形成样本,所述样本的格式为:每一条样本数据按输入-输出模式的映射关系进行构建,输入为振动数据,输出为电机状态,样本分为训练样本和检测样本两部分,所述电机状态包括正常、风险、故障;
构建BP神经网络,将所述训练样本输入BP神经网络进行训练,根据检测样本判断BP神经网络的输出误差是否减小到设定阈值,若否,则继续对BP神经网络进行训练,若是,则结束训练,得到训练好的神经网络模型。
4.根据权利要求1或3所述的一种基于深度神经网络的电机热故障诊断方法,其特征在于,所述预处理包括对振动信号进行采样和滤波。
5.一种基于深度神经网络的电机热故障诊断装置,其特征在于,所述装置包括:
电机温度判断模块,用于实时检测环境温度,当环境温度在合理范围内时,则实时检测电机温度是否超过电机的额定温度;
电源故障判断模块,用于若电机温度超过电机额定温度,则实时检测电机的工作电压是否超过电机的额定电压,得出电机是否存在电源故障;
故障诊断模块,用于若电机的电源正常,则实时检测电机的振动信号,对实时检测的振动信号进行预处理,得到振动数据,使用训练好的神经网络模型对振动数据进行故障诊断,生成电机状态的诊断结果。
6.根据权利要求5所述的一种基于深度神经网络的电机热故障诊断装置,其特征在于,所述故障诊断模块包括:
振动信号收集模块,用于当环境温度在合理范围内时,在电机温度和工作电压正常状态下,收集电机在正常运行时和故障时的振动信号;
振动数据生成模块,用于对振动信号进行预处理,对预处理后的振动信号进行时域特征提取,得到振动数据;
样本形成模块,用于将振动数据形成样本,所述样本的格式为:每一条样本数据按输入-输出模式的映射关系进行构建,输入为振动数据,输出为电机状态,样本分为训练样本和检测样本两部分,所述电机状态包括正常、风险、故障;
神经网络模型训练模块,用于构建BP神经网络,将所述训练样本输入BP神经网络进行训练,根据检测样本判断BP神经网络的输出误差是否减小到设定阈值,若否,则继续对BP神经网络进行训练,若是,则结束训练,得到训练好的神经网络模型。
7.一种基于深度神经网络的电机热故障诊断装置,其特征在于,所述装置包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如权利要求1至4中任一项所述的基于深度神经网络的电机热故障诊断方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010618227.8A CN111830409A (zh) | 2020-06-30 | 2020-06-30 | 一种基于深度神经网络的电机热故障诊断方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010618227.8A CN111830409A (zh) | 2020-06-30 | 2020-06-30 | 一种基于深度神经网络的电机热故障诊断方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111830409A true CN111830409A (zh) | 2020-10-27 |
Family
ID=72900945
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010618227.8A Pending CN111830409A (zh) | 2020-06-30 | 2020-06-30 | 一种基于深度神经网络的电机热故障诊断方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111830409A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112556755A (zh) * | 2020-12-07 | 2021-03-26 | 广东鉴面智能科技有限公司 | 一种根据电机温度判断故障的方法及装置 |
CN112803369A (zh) * | 2020-12-31 | 2021-05-14 | 南通威尔电机有限公司 | 一种高效电机的智能运行方法及装置 |
CN114646350A (zh) * | 2022-03-28 | 2022-06-21 | 广东电网有限责任公司 | 一种开关柜底盘车故障预警方法、装置、设备和介质 |
CN115018220A (zh) * | 2022-08-10 | 2022-09-06 | 哈尔滨工业大学(威海) | 一种基于知识图谱的家电故障预测方法和系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN103940039A (zh) * | 2014-04-03 | 2014-07-23 | 美的集团股份有限公司 | 空调器及其运行状态判断方法 |
CN105738809A (zh) * | 2016-05-16 | 2016-07-06 | 成都慧成智能电气有限公司 | 一种电机温升与振动监测装置及其实现方法 |
CN106006344A (zh) * | 2016-07-12 | 2016-10-12 | 苏州长风航空电子有限公司 | 扶梯故障在线预警系统及故障诊断方法 |
CN107655690A (zh) * | 2017-10-30 | 2018-02-02 | 王才旺 | 基于人工神经网络的电机轴承故障诊断方法 |
CN110766143A (zh) * | 2019-10-31 | 2020-02-07 | 上海埃威航空电子有限公司 | 基于人工神经网络的设备故障智能诊断方法 |
CN111259993A (zh) * | 2020-03-05 | 2020-06-09 | 沈阳工程学院 | 一种基于神经网络的故障诊断方法及装置 |
-
2020
- 2020-06-30 CN CN202010618227.8A patent/CN111830409A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN103940039A (zh) * | 2014-04-03 | 2014-07-23 | 美的集团股份有限公司 | 空调器及其运行状态判断方法 |
CN105738809A (zh) * | 2016-05-16 | 2016-07-06 | 成都慧成智能电气有限公司 | 一种电机温升与振动监测装置及其实现方法 |
CN106006344A (zh) * | 2016-07-12 | 2016-10-12 | 苏州长风航空电子有限公司 | 扶梯故障在线预警系统及故障诊断方法 |
CN107655690A (zh) * | 2017-10-30 | 2018-02-02 | 王才旺 | 基于人工神经网络的电机轴承故障诊断方法 |
CN110766143A (zh) * | 2019-10-31 | 2020-02-07 | 上海埃威航空电子有限公司 | 基于人工神经网络的设备故障智能诊断方法 |
CN111259993A (zh) * | 2020-03-05 | 2020-06-09 | 沈阳工程学院 | 一种基于神经网络的故障诊断方法及装置 |
Non-Patent Citations (2)
Title |
---|
洪杰: "论电动机温升及故障处理方法", 《科技信息(科学教研)》 * |
赵耀江等: "《安全评价理论与方法》", 31 January 2015, 煤炭工业出版社 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112556755A (zh) * | 2020-12-07 | 2021-03-26 | 广东鉴面智能科技有限公司 | 一种根据电机温度判断故障的方法及装置 |
CN112803369A (zh) * | 2020-12-31 | 2021-05-14 | 南通威尔电机有限公司 | 一种高效电机的智能运行方法及装置 |
CN112803369B (zh) * | 2020-12-31 | 2021-11-05 | 南通威尔电机有限公司 | 一种高效电机的智能运行方法及装置 |
CN114646350A (zh) * | 2022-03-28 | 2022-06-21 | 广东电网有限责任公司 | 一种开关柜底盘车故障预警方法、装置、设备和介质 |
CN115018220A (zh) * | 2022-08-10 | 2022-09-06 | 哈尔滨工业大学(威海) | 一种基于知识图谱的家电故障预测方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111830409A (zh) | 一种基于深度神经网络的电机热故障诊断方法及装置 | |
WO2021213142A1 (zh) | 一种牵引电机故障诊断方法及装置 | |
CN113159077A (zh) | 一种基于混合卷积神经网络的三相逆变器故障识别方法 | |
Zhang | Automatic fault prediction of wind turbine main bearing based on SCADA data and artificial neural network | |
Haque et al. | Deep learning based micro-grid fault detection and classification in future smart vehicle | |
CN111245367B (zh) | 一种iv曲线获取方法、装置及相关组件 | |
Hussain et al. | Fault Detection and Identification Using Deep Learning Algorithms in InductionMotors. | |
Rajamany et al. | Negative sequence current compensation for induction motor stator inter-turn short circuit and off-diagonal term in sequence impedance matrix as fault indicator | |
CN106093626B (zh) | 一种用于诊断crh5型高铁逆变器的微小故障的方法 | |
CN116466689B (zh) | 故障诊断方法及装置 | |
CN112689955A (zh) | 电子调速器及检测方法、电路和无人飞行器 | |
CN115729224A (zh) | 电驱动系统故障注入硬件在环仿真测试方法 | |
CN114151147B (zh) | 汽轮机转速异常的故障预警方法、系统、设备及介质 | |
WO2022217597A1 (zh) | 一种用于电机驱动器的故障预警方法和装置 | |
CN111596647B (zh) | 风电机组高效智能测试系统及方法 | |
Li et al. | Board-level Functional Test Selection Based on Fault Tree Analysis | |
CN111524336A (zh) | 一种发电机组预警方法及系统 | |
Marweni et al. | Deep learning for fault detection and diagnosis: Application to photovoltaic system | |
CN112286077A (zh) | 一种电力机车保护逻辑测试系统及方法 | |
CN112610276B (zh) | 基于can通讯的采掘设备数据采集分析方法及装置 | |
Mestha et al. | Support vector machine based fault detection in inverter‐fed electric vehicle | |
CN116338294B (zh) | 电网掉电拖尾检测方法及应用其的光伏储能系统 | |
CN113113899B (zh) | 一种直流输电线路保护方法、装置及存储介质 | |
CN109946605B (zh) | 电动机起动过程中的动态特性的在线监测系统 | |
CN116361634A (zh) | 一种继电保护设备状态检测系统及方法、设备、介质 |
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: 20201027 |
|
RJ01 | Rejection of invention patent application after publication |