CN112313492A - 诊断系统、诊断方法和程序 - Google Patents

诊断系统、诊断方法和程序 Download PDF

Info

Publication number
CN112313492A
CN112313492A CN201980041069.XA CN201980041069A CN112313492A CN 112313492 A CN112313492 A CN 112313492A CN 201980041069 A CN201980041069 A CN 201980041069A CN 112313492 A CN112313492 A CN 112313492A
Authority
CN
China
Prior art keywords
current
waveform
variation
diagnostic system
abnormality
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
Application number
CN201980041069.XA
Other languages
English (en)
Inventor
神园建太
池田和隆
岛崎尚史
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Panasonic Intellectual Property Management Co Ltd
Original Assignee
Panasonic Intellectual Property Management Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Panasonic Intellectual Property Management Co Ltd filed Critical Panasonic Intellectual Property Management Co Ltd
Publication of CN112313492A publication Critical patent/CN112313492A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/16—Programme controls
    • B25J9/1674—Programme controls characterised by safety, monitoring, diagnostic
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/16—Programme controls
    • B25J9/1628—Programme controls characterised by the control loop
    • B25J9/163—Programme controls characterised by the control loop learning, adaptive, model based, rule based expert control
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/16—Programme controls
    • B25J9/1628—Programme controls characterised by the control loop
    • B25J9/1653—Programme controls characterised by the control loop parameters identification, estimation, stiffness, accuracy, error analysis
    • 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
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/31—From computer integrated manufacturing till monitoring
    • G05B2219/31357—Observer based fault detection, use model
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/33—Director till display
    • G05B2219/33002—Artificial intelligence AI, expert, knowledge, rule based system KBS
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Abstract

本发明解决的问题是提供一种诊断系统、诊断方法和程序，它们被配置为：即使当设备的驱动装置的旋转速度保持恒定的时间段不存在时，设备中的异常程度的确定精度也得以提高。诊断系统(10)包括：获取器(11)，被配置为获取表示与供给到设备(20)的驱动装置(42)的电流(I10)有关的波形的电流波形数据；以及确定器(13)，被配置为根据所述波形的变化部分来确定设备(40)中的异常程度，所述变化部分对应于驱动装置(42)的旋转速度增大或减小的变化时间段。

Description

诊断系统、诊断方法和程序
技术领域
本公开总体上涉及诊断系统、诊断方法和程序。具体地，本公开涉及确定设备中的异常程度的诊断系统、诊断方法和程序。
背景技术
专利文献1公开了一种异常诊断装置(诊断系统)，该异常诊断装置(诊断系统)被配置为减少对由于多年老化而在旋转装置中引起的异常的错误诊断。专利文献1的异常诊断装置的控制器包括用于计算运用程度的计算单元、阈值设定单元、振动测量单元、车轴旋转速度检测器、特征频率分量提取器和异常诊断单元。用于计算运用程度的计算单元计算运用程度，该运用程度是旋转装置的运用时间的指标值。阈值设定单元基于运用程度来设定适当的诊断阈值，该适当的诊断阈值与振幅根据运用时间的长度而变化的振动相对应。振动测量单元测量在旋转装置中产生的振动。车轴旋转速度检测器基于车速来计算车轴旋转速度。特征频率分量提取器从在车轴旋转速度包括在所设定的旋转速度范围内时测量到的振动的振动值中，提取与旋转装置的异常有关的特征频率分量。异常诊断单元将特征频率分量与诊断阈值进行比较，并且基于比较结果，异常诊断单元对旋转装置中的异常进行诊断。
在专利文献1中，为了提取特征频率分量，车轴旋转速度必须包括在所设定的旋转速度范围内。即，在专利文献1中，为了进行诊断，必须将旋转装置(设备的驱动装置)的旋转速度保持恒定。
引用列表
专利文献
专利文献1：JP 2017-32467 A
发明内容
目的是提供一种诊断系统、诊断方法和程序，它们被配置为：即使当设备的驱动装置的旋转速度保持恒定的时间段不存在时，也提高设备中的异常的确定精度。
本公开的一方面的诊断系统包括获取器和确定器。获取器被配置为获取表示与供给到设备的驱动装置的电流有关的波形的电流波形数据。确定器被配置为根据波形的变化部分来确定设备中的异常程度。该变化部分对应于驱动装置的旋转速度增大或减小的变化时间段。
本公开的一方面的诊断系统包括获取器和提取器。确定器被配置为获取表示与供给到设备的驱动装置的电流有关的波形的电流波形数据。提取器被配置为从该波形中提取变化部分，该变化部分对应于驱动装置的旋转速度增大或减小的变化时间段。
本公开的一方面的诊断方法包括：获取表示与供给到设备的驱动装置的电流有关的波形的电流波形数据；以及根据波形的变化部分来确定设备中的异常程度，该变化部分对应于驱动装置的旋转速度增大或减小的变化时间段。
本公开的一方面的诊断方法包括：获取表示与供给到设备的驱动装置的电流有关的波形的电流波形数据；以及从该波形中提取变化部分。该变化部分是与驱动装置的旋转速度增大或减小的变化时间段相对应的部分。
本公开的一方面的程序被配置为使计算机系统执行上述诊断方法之一。
附图说明
图1是示出了一个实施例的诊断系统的图；
图2是示出了与供给到设备的驱动装置的电流有关的波形的图；
图3是示出了图2的波形的分析结果的图；
图4是示出了与供给到设备的驱动装置的电流有关的波形的图；以及
图5是示出了诊断系统的操作的流程图。
具体实施方式
1.实施例
1.1概要
图1示出了一个实施例的诊断系统10。诊断系统10包括获取器11和确定器13。获取器11获取表示与供给到设备40的驱动装置42(421、422)的电流I10(I11、I12)有关的波形W10的电流波形数据(参见图2)。确定器13根据波形W10的变化部分Wc1和Wc2来确定设备40中的异常程度。变化部分Wc1和Wc2分别对应于驱动装置42的旋转速度增大或减小的变化时间段Tc1和Tc2。
在设备40中的异常程度与波形W10的变化部分Wc1和Wc2之间发现了相关性。变化部分Wc1和Wc2分别对应于驱动装置42的旋转速度增大或减小的变化时间段Tc1和Tc2。诊断系统10通过使用波形W10的变化时间段Tc1和Tc2来确定设备40中的异常程度，而非使用驱动装置42的旋转速度保持恒定的时间段(稳定时段Ts)来确定该异常程度。因此，即使当设备40的驱动装置42的旋转速度保持恒定的时间段(稳定时段Ts)不存在时，设备40中的异常程度的确定精度也得以提高。
1.2结构
将更详细地描述诊断系统10。诊断系统10用于对如图1中所示的设备40进行诊断。
设备40例如是作业设备。作业设备是被配置为执行规定的处理的设备。规定的处理的示例包括搬运。这种作业设备的示例包括诸如SCARA机器人、运送机器人(例如，直线导轨和正交机器人)之类的搬运机器。图1示出了作为搬运机器的设备40，该设备40包括SCARA机器人和被配置为使SCARA机器人移动的直线导轨。注意，规定的处理不限于搬运，而可以是例如材料和/或物品的加工、处置和包装。加工例如可以包括物理处理(诸如，钻孔、开孔、攻丝、切割和抛光)以及化学处理(诸如，加热和冷却)。这样的作业设备可以是诸如车削机器之类的机械工具、电子组件包装机器、搬运机器、热处理装置、工业机器人或它们的组合。注意，工业机器人不限于运送机器人，而可以是焊接机器人、组装机器人、涂装机器人、检查机器人、抛光机器人或清洁机器人。
如图1中所示，设备40包括机构41(411、412)、驱动装置42(421、422)和控制装置43。
机构41(411、412)是被配置为执行规定的处理的装置。机构41是被配置为搬运材料或物品的装置。机构41包括动力传送部件，诸如滚珠丝杠，齿轮和皮带。作为示例，机构411包括SCARA机器人的齿轮，并且机构412包括直线导轨的滚珠丝杠和皮带中的至少一个。注意，在图1中仅示出了机构41的一部分，这仅仅是为了简化描述，实际上，机构41可以包括更多的动力传送部件。
驱动装置42(421、422)是被配置为对机构41(411、412)进行驱动的装置。换言之，驱动装置42是机构41的动力源。驱动装置42的旋转速度根据供给到驱动装置42的电流而变化。在本实施例中，驱动装置42是电动机(例如，旋转电动机或直动电动机)。驱动装置42包括交流电动机。交流电动机可以是伺服电动机、同步电动机、三相感应电动机或单相感应电动机。具体地，驱动装置42的每单位时间的旋转速度根据供给到驱动装置42的交流电流的基本频率的变化而变化。例如，随着基本频率的增大，旋转速度增大，而随着基本频率的减小，旋转速度减小。驱动装置42用作设备40中的振动源。注意，在图1中，仅示出了两个驱动装置42，这仅仅是为了简化描述，实际上，可以存在更多数量的驱动装置42。
控制装置43是被配置为控制驱动装置42的装置。控制装置43包括电源装置431和432。电源装置431和432分别将电流I10(I11、I12)供给到驱动装置42(421、422)。电源装置431和432经由电线50(51、52)连接到驱动装置42(421、422)。在本实施例中，驱动装置421和422是交流电动机，并且电流I11和I12是具有基本频率的交流电流。电源装置431和432具有调节电流I11和I12的基本频率的功能。由于可通过常规已知的AC电源电路来实现电源装置431和432，因此省略其详细描述。
如图1中所示，诊断系统10包括电流测量单元21和22以及振动测量单元31和32。
电流测量单元21和22测量分别供给到设备40的驱动装置421和422的电流I11和I12，并且输出表示与电流I11和I12有关的波形的电流波形数据(电流波形数据)。电流测量单元21和22附接到电线51和52，电流I11和I12通过电线51和52从电源装置431和432流向驱动装置421和422。电流测量单元21和22包括电流传感器。在本实施例中，电流测量单元21和22包括微分型电流传感器。因此，电流波形数据是电流I11和I12的微分波形的数据。这种微分型电流传感器的示例包括无磁心型传感器(例如，探测线圈)。在探测线圈处，产生根据流过电线50的电流I10所产生的磁通量的感应电压，因此，可以测量电流I10。在此，探测线圈的感应电压由以下公式(1)给出。在公式(1)中，e是感应电压，r是探测线圈的半径，n是探测线圈的匝数，并且B是与探测线圈交链的磁场的磁通密度。
[公式1]
Figure BDA0002843562070000051
使用这种微分型电流传感器使得电流测量单元21和22能够随后被附接到电线51和52。
振动测量单元31和32用于测量在驱动装置42的旋转(转子的旋转)中未出现的振动。振动测量单元31和32输出表示与这种振动有关的波形的波形数据(振动波形数据)。特别地，振动测量单元31被设置在振动测量单元31能够测量与机构411和驱动装置421有关的振动的位置处。此外，振动测量单元32被设置在振动测量单元32能够测量与机构412和驱动装置422有关的振动的位置处。振动测量单元31和32包括振动传感器。作为振动传感器，可以使用常规已知的振动传感器。振动测量单元31和32被设置在设备40中的规定位置处。因此，根据要由诊断系统10确定的设备40中的异常来选择规定位置。基于从悬臂等获取的振动来确定异常的方法本身可以是常规已知的方法，因此，省略其详细描述。此外，AI可以用于确定异常。
如图1中所示，诊断系统10包括获取器11、提取器12、确定器13、输出器14、收集器15、生成器16和存储装置17。
获取器11获取表示与分别供给到设备40的多个驱动装置421和422的电流I11和I12有关的波形的波形数据(电流波形数据)。具体地，获取器11连接到电流测量单元21和电流测量单元22，并且分别从电流测量单元21和电流测量单元22获取电流波形数据。来自电流测量单元21的电流波形数据是表示电流I11的微分波形的数据，来自电流测量单元22的电流波形数据是表示电流I12的微分波形的数据。获取器11还获取表示与设备40处产生的振动有关的波形的波形数据(振动波形数据)。具体地，获取器11连接到振动测量单元31和振动测量单元32，并且分别从振动测量单元31和振动测量单元32获取振动波形数据。
提取器12从获取器11获取到的电流波形数据所表示的波形W10中提取变化部分Wc(Wc1、Wc2)(参见图2)。变化部分Wc(Wc1，Wc2)是波形W10的一部分，该部分对应于驱动装置42的旋转速度增大或减小的变化时间段Tc(Tc1、Tc2)。特别地，提取器12识别变化部分Wc是第一变化部分Wc1还是第二变化部分Wc2。第一变化部分Wc1是波形W10的一部分，该部分对应于驱动装置42的旋转速度增大的变化时间段(第一变化时间段)Tc1。第二变化部分Wc2是波形W10的一部分，该部分对应于驱动装置42的旋转速度减小的变化时间段(第二变化时间段)Tc2。如上所述，提取器12从波形W10中提取变化部分Wc，而不提取稳定部分Ws。稳定部分Ws是波形W10的一部分，该部分对应于驱动装置42的旋转速度保持恒定的稳定时段Ts。提取器12针对来自电流测量单元21的电流波形数据和来自电流测量单元22的电流波形数据中的每一个提取变化部分Wc。然而，在一些情况下，根据情况不同，不包括变化部分Wc。
在本实施例中，提取器12对波形W10执行短时傅立叶变换(STFT)，以从波形W10中提取变化部分Wc。图3示出了对波形W10执行的短时傅立叶变换的结果。在图3中，横坐标表示时间，纵坐标表示频率，并且颜色的深浅表示振幅。随着颜色变深，振幅增大。在图3中，频率低的区域中的分布D10对应于基本频率。在分布D10中，频率相对于时间增大的时间段是第一变化时间段Tc1。此外，频率相对于时间减小的时间段是第二变化时间段Tc2。此外，频率相对于时间恒定的时间段是稳定时段Tc1。当使用对波形W10执行的短时傅立叶变换的结果时，容易识别出第一变化时间段Tc1、第二变化时间段Tc2和稳定时段Ts。提取器12基于对波形W10执行的短时傅立叶变换的结果来确定第一变化时间段Tc1和第二变化时间段Tc2。提取器12基于第一变化时间段Tc1和第二变化时间段Tc2从波形W10中提取变化部分Wc(Wc1、Wc2)。
此外，提取器12从获取器11获取到的振动波形数据所表示的波形中提取与稳定时段Ts相对应的稳定部分。提取器12从来自振动测量单元31的振动波形数据和来自振动测量单元32的振动波形数据中的每一个中提取稳定部分。然而，在某些情况下，根据情况不同，不包括稳定部分。
在本实施例中，如上所述，当电流I10的基本频率增大时，驱动装置42的旋转速度增大，而当电流I10的基本频率减小时，设备40的旋转速度减小。因此，提取器12基于电流I10的基本频率的时间变化从波形W10中提取变化部分Wc和稳定部分Ws。提取器12通过傅立叶变换等分析获取器11获取到的电流波形数据的频率，并且根据频率的时间变化来指定变化时间段Tc(Tc1，Tc2)和稳定时段Ts。然后，提取器12基于变化时间段Tc(Tc1，Tc2)和稳定时段Ts从波形W10中提取变化部分Wc和稳定部分Ws。
确定器13根据波形W10的变化部分Wc1和Wc2来确定设备40中的异常程度。变化部分Wc1和Wc2分别对应于驱动装置42的旋转速度增大或减小的变化时间段Tc1和Tc2。在本实施例中，假设当设备40处于稳定状态时，供给到驱动装置42的电流I10具有图4中G11所示的正弦波形。当设备40具有异常时，波形如图4中的G12所示被扰乱，或者波形的振幅如G13中所示减小。即，已经发现，当设备40具有异常时波形发生一些变化。假设在供给到驱动装置42的电流I10的波形与设备40中的异常程度之间存在相关关系。设备40中的异常程度可以例如由两个阶段表示，即，有异常和无异常。此外，设备40中的异常程度可以包括多种类型的异常，诸如机构41的损坏和/或磨损。例如，异常程度可以由三个或更多个阶段表示，即，没有异常(正常)、损坏、严重磨损、中度磨损和轻微磨损。
确定器13通过使用学习后的模型M11，根据变化部分Wc来确定设备40中的异常程度。在此，学习后的模型M11被设计为使得响应于接收到的输入(变化部分Wc)而输出异常值。确定器13将从提取器12获得的变化部分Wc提供给学习后的模型M11以从学习后的模型M11获得值，并且确定器13基于由此获得的值来确定异常程度。例如，当异常程度为有异常或无异常时，可以通过无监督学习来生成学习后的模型M11，在该无监督学习中，将设备40正常时的变化部分Wc用作学习数据(训练标本)。例如，当异常程度包括多个阶段并且这些阶段包括异常类型时，可以通过监督学习来生成学习后的模型M11，在该监督学习中，采用指定了与异常程度相对应的标签与变化部分Wc之间的关系的学习数据(数据集)。学习后的模型M11被存储在存储装置17中。在本实施例中，存储装置17存储与能够连接到驱动装置42的各种类型的机构41相对应的多个学习后的模型M11。即，存储装置17存储分别与机构411和412相对应的学习后的模型M11。在这种情况下，可以生成用作基准的学习后的模型M11，并且可以根据该基准来生成派生模型，由此可以获得多种类型的学习后的模型M11。
确定器13通过使用多个学习后的模型M11中的、对应于与驱动装置42连接的机构41的学习后的模型M11，根据变化部分Wc来确定设备40中的异常程度。如上所述，设备40包括机构411和412，并且设备40中的异常程度可以包括机构411中的异常程度和机构412中的异常程度。确定器13将与机构411相对应的学习后的模型M11用于来自与机构411相对应的电流测量单元21的电流波形数据(即，供给到对机构411进行驱动的驱动装置421的电流I11的电流波形数据)。此外，确定器13将与机构412相对应的学习后的模型M11用于来自电流测量单元22的电流波形数据(即，供给到对机构412进行驱动的驱动装置422的电流I12的电流波形数据)。因此，确定器13通过使用与机构41相关联的学习后的模型M11来确定机构41中的异常程度。因此，提高了设备40中的异常程度的确定精度。
此外，确定器13可以根据振动波形数据所表示的波形的稳定部分来确定设备40中的异常程度，该稳定部分对应于驱动装置42的旋转速度保持恒定的稳定时段Ts。作为示例，确定器13可以通过基于机械振动工程学的传统已知方法来确定设备40中的异常程度。即，确定器13除了使用基于电流波形数据的设备40中的异常确定之外，还可以使用基于振动波形数据的设备40中的异常确定。因此，可以根据两种类型的参数(即，电流和振动)来确定设备40中的异常程度。因此，提高了设备40中的异常程度的确定精度。注意，确定器13也可以以与电流波形数据相似的方式将学习后的模型用于振动波形数据。
在此，驱动装置42中的一个驱动装置操作期间的振动可能影响与驱动装置42中的另一个驱动装置有关的振动测量单元32的测量，但是基本上不影响电流测量单元22的测量。因此，已经确认，与振动测量单元31和32的振动波形数据不同，电流测量单元21和22的电流波形数据不太可能受到彼此影响。因此，如在本实施例的设备40的情况下那样，当设置了多个驱动装置42作为振动源时，基于电流波形数据的异常确定的精度倾向于比基于振动波形数据的异常确定的精度高。
输出器14输出确定器13的确定结果。输出器14例如包括音频输出装置和显示器。显示器例如是诸如液晶显示器或有机EL显示器之类的薄型显示装置。输出器14可以在显示器上显示确定器13的确定结果，或者可以通过音频输出装置报告确定结果。此外，输出器14可以将确定器13的确定结果作为数据发送到外部装置或在外部装置中累积。注意，输出器14并非必须包括音频输出装置和显示器两者。
收集器15收集并累积由获取器11获取的数据。在本实施例中，由获取器11获取的数据包括来自电流测量单元21和电流测量单元22的电流波形数据。收集器15收集到的数据用于生成和/或改进学习后的模型M11。
生成器16生成要由确定器13使用的学习后的模型M11。生成器16基于一定量以上的学习数据通过机器学习算法生成学习后的模型M11。学习数据可以预先准备，或者可以根据收集器15所累积的数据来生成。当采用根据收集器15所累积的数据而生成的学习数据时，可以预期进一步提高基于学习后的模型M11的异常确定精度。生成器16评价新生成的学习后的模型M11，并且当对学习后的模型M11的评价有所提高时，生成器16用新生成的学习后的模型M11替换存储在存储装置17中的学习后的模型M11，从而更新学习后的模型M11。作为用于生成学习后的模型M11的方法，如上所述，可以取决于异常程度的内容来使用无监督学习或有监督学习。注意，作为无监督学习，可以使用典型的维度压缩方法，诸如自编码器。此外，作为监督学习，可以使用典型的卷积神经网络(CNN)等。
在诊断系统10中，可以例如通过包括一个或多个处理器(例如，微处理器)和一个或多个存储器在内的计算机系统，来实现获取器11、提取器12、确定器13、输出器14、收集器15和生成器16。即，一个或多个处理器执行存储在一个或多个存储器中的一个或多个程序，从而实现作为获取器11、提取器12、确定器13、输出器14、收集器15和生成器16的功能。一个或多个程序可以预先存储在存储器中，可以经由诸如因特网之类的电信网络进行提供，或者可以由诸如存储卡之类的存储程序的非暂时性存储介质进行提供。
1.3操作
接下来，将参考图5简要地描述诊断系统10的基本操作。为了简化描述，下面将描述设备40的机构411的诊断。
诊断系统10通过获取器11获取表示与供给到设备40的驱动装置421的电流I11有关的波形的波形数据(电流波形数据)(S11)。然后，诊断系统10通过提取器12从获取器11获取到的电流波形数据所表示的波形W10中提取变化部分Wc(Wc1、Wc2)(S12)。然后，诊断系统10通过确定器13，通过使用多个学习后的模型M11中的、对应于与驱动装置421连接的机构411的学习后的模型M11，根据变化部分Wc来确定设备40中的异常程度(S13)。最后，诊断系统10通过输出器14输出确定器13的确定结果(S14)。如上所述，诊断系统10根据表示与供给到驱动装置421的电流I11有关的波形的波形数据，对由驱动装置421驱动的机构411进行诊断，并且提示确定结果。
1.4小结
上述诊断系统10包括获取器11和确定器13。获取器11被配置为获取表示与供给到设备40的驱动装置42的电流I10有关的波形W10的电流波形数据。确定器13被配置为根据波形W10的变化部分Wc来确定设备40中的异常程度。变化部分Wc对应于驱动装置42的旋转速度增大或减小的变化时间段Tc。通过诊断系统10，即使当设备40的驱动装置42的旋转速度保持恒定的时间段不存在时，设备40中的异常程度的确定精度也得以提高。
换言之，诊断系统10执行下述诊断方法(第一诊断方法)。第一诊断方法包括获取表示与供给到设备40的驱动装置42的电流I10有关的波形W10的波形W10数据。该诊断方法还包括根据波形W10的变化部分Wc来确定设备40中的异常程度。变化部分Wc对应于驱动装置42的旋转速度增大或减小的变化时间段Tc。通过第一诊断方法，即使当设备40的驱动装置42的旋转速度保持恒定的时间段不存在时，设备40中的异常程度的确定精度也得以提高。
通过计算机系统来实现诊断系统10。即，通过由计算机系统执行程序(诊断程序)，来实现诊断系统10。该程序是用于使计算机系统执行第一诊断方法的程序。通过该程序，与第一诊断方法类似地，即使当设备40的驱动装置42的旋转速度保持恒定的时间段不存在时，设备40中的异常程度的确定精度也得以提高。
根据另一方面，诊断系统10包括获取器11和提取器12。获取器11被配置为获取表示与供给到设备40的驱动装置42的电流I10有关的波形W10的电流波形数据。提取器12被配置为从波形W10中提取变化部分Wc。变化部分Wc对应于驱动装置42的旋转速度增大或减小的变化时间段Tc。即使当设备40的驱动装置42的旋转速度保持恒定的时间段不存在时，诊断系统10也提高了设备40中的异常程度的确定精度。
换言之，诊断系统10执行下述诊断方法(第二诊断方法)。第二诊断方法包括获取表示与供给到设备40的驱动装置42的电流I10有关的波形W10的电流波形数据。该诊断方法从波形W10中提取变化部分Wc。变化部分Wc对应于驱动装置42的旋转速度增大或减小的变化时间段Tc。通过第二诊断方法，即使当设备40的驱动装置42的旋转速度保持恒定的时间段不存在时，设备40中的异常程度的确定精度也得以提高。
通过计算机系统来实现诊断系统10。即，通过由计算机系统执行程序(诊断程序)，来实现诊断系统10。该程序是用于使计算机系统执行第二诊断方法的程序。通过该程序，与第二诊断方法类似地，即使当设备40的驱动装置42的旋转速度保持恒定的时间段不存在时，设备40中的异常程度的确定精度也得以提高。
2.变型例
本公开的实施例不限于上述实施例。可以取决于设计等对上述实施例进行各种修改，只要可以实现本公开的目的即可。下面将描述上述实施例的变型例。
例如，诊断系统10不必一定包括电流测量单元20(21、22)或振动测量单元30(31、32)。例如，只要将电流测量单元20(21、22)预先设置到设备40中，诊断系统10至少包括获取器11、提取器12、确定器13、输出器14、收集器15、生成器16和存储装置17即可。对于振动测量单元30(31、32)也是如此。
在此，电流测量单元20不必一定包括微分型电流传感器，而可以是另一常规已知的电流传感器。此外，振动测量单元30不是必需的。即，诊断系统10不必具有通过使用振动波形数据来进行诊断的功能。换言之，诊断系统10至少包括根据电流波形数据来确定设备40中的异常程度的功能。
此外，诊断系统10不必具有通过使用振动波形数据来进行诊断的功能。即，诊断系统10至少包括根据电流波形数据来确定设备40中的异常程度的功能。
此外，诊断系统10不必一定包括收集器15、生成器16或存储装置17。即，诊断系统10不必具有自己更新学习后的模型M11的功能。此外，存储装置17不必一定存储多个学习后的模型M11。
此外，除可变部分Wc以外，提取器12还可以提取稳定部分Ws。即，提取器12可以从波形W10中提取变化部分Wc和稳定部分Ws，该稳定部分Ws与驱动装置42的旋转速度保持恒定的稳定时段Ts相对应。在这种情况下，必要时，稳定部分Ws可以辅助用于确定异常。此外，提取器12不是必需的。例如，当由用户执行提取器12的处理时，诊断系统10不必提取变化部分Wc。此外，可以将获取器11获取到的电流波形数据所表示的整个波形W10作为输入，从学习后的模型M11得到异常程度以作为输出。即，可以省略对变化部分Wc的提取。
此外，确定器13不是必需的。例如，当由用户执行确定器13的处理时，诊断系统10至少将变化部分Wc呈现给用户。
此外，诊断系统10不必一定包括输出器14。例如，诊断系统10可以被配置为将确定器13确定的异常程度输出到诊断系统10的外部。
此外，诊断系统10可以包括多个计算机，并且诊断系统10(特别是获取器11、提取器12、确定器13、输出器14、收集器15和生成器16)的功能可以分布到多个装置。例如，获取器11、提取器12、确定器13和输出器14可以被设置到个人计算机等中，且该个人计算机被设置在包括有设备40的设施中，并且生成器16和输出器14可设置在外部服务器等中。在这种情况下，个人计算机和服务器协作以实现诊断系统10。此外，可以例如通过云(云计算)来实现诊断系统10的至少一部分功能。
上述诊断系统10的执行主体包括计算机系统。该计算机系统包括处理器和存储器作为硬件。可以通过使处理器执行存储在计算机系统的存储器中的程序，来实现根据本公开的诊断系统10的作为执行主体的功能。该程序可以预先存储在计算机系统的存储器中，或者可以通过电信网络提供。备选地，该程序也可以在被记录在可由计算机系统读取的一些非暂时性存储介质(例如，存储卡、光盘或硬盘驱动器)中之后进行分发。该计算机系统的处理器包括一个或多个电子电路，该一个或多个电子电路包括半导体集成电路(IC)或大规模集成电路(LSI)。能够在制造LSI之后进行编程的可编程门阵列(FGPA)或专用集成电路(ASIC)、或能够实现LSI内部的连接关系的重新配置或LSI内部的电路划分的设置的可重配置逻辑器件也可以用于相同的目的。多个电子电路可以集成在一个芯片上，或者可以分布在多个芯片上。多个芯片可以一起集成在单个装置中，或分布在多个装置中，对此不作限制。
3.方面
从上述实施例和变型例可以清楚地看出，本公开包括下述方面。在以下描述中，仅仅为了明确与实施例的对应关系，在括号中提供附图标记。
第一方面的诊断系统(10)包括获取器(11)和确定器(13)。获取器(11)被配置为获取表示与供给到设备(40)的驱动装置(42)的电流(110)有关的波形(W10)的电流波形数据。确定器(13)被配置为根据波形(W10)的变化部分来确定设备(40)中的异常程度。变化部分(Wc)对应于驱动装置(42)的旋转速度增大或减小的变化时间段(Tc)。通过第一方面，即使当设备(40)的驱动装置(42)的旋转速度保持恒定的时间段不存在时，设备(40)的异常程度的确定精度也得以提高。
第二方面的诊断系统(10)将与第一方面结合来实现。在第二方面中，诊断系统(10)还包括：提取器(12)，被配置为从波形(W10)中提取变化部分(Wc)。通过第二方面，即使当设备(40)的驱动装置(42)的旋转速度保持恒定的时间段不存在时，设备(40)的异常程度的确定精度也得以提高。
第三方面的诊断系统(10)将与第二方面结合来实现。在第三方面中，提取器(12)被配置为识别变化部分(Wc)是第一变化部分(Wc1)还是第二变化部分(Wc2)。第一变化部分(Wc1)是波形(W10)的一部分，该部分对应于驱动装置(42)的旋转速度增加的第一变化时间段(Tc1)。第二变化部分是波形的一部分，该部分对应于驱动装置的旋转速度减小的第二变化时间段(Tc2)。通过第三方面，即使当设备(40)的驱动装置(42)的旋转速度保持恒定的时间段不存在时，设备(40)的异常程度的确定精度也得以提高。
第四方面的诊断系统(10)将与第三方面结合来实现。在第四方面中，电流(I10)是具有基本频率的交流电流。提取器(12)被配置为基于基本频率的时间变化从波形(W10)中提取变化部分(Wc)和稳定部分(Ws)。通过第四方面，变化部分(Wc)的提取精度得以提高。
第五方面的诊断系统(10)将与第一方面至第四方面中的任一方面结合来实现。第五方面的诊断系统还包括：电流测量单元(20)，被配置为测量电流(I10)并输出电流波形数据。电流测量单元(20)包括微分型电流传感器。通过第五方面，即使当设备(40)的驱动装置(42)的旋转速度保持恒定的时间段不存在时，设备(40)的异常程度的确定精度也得以提高。
第六方面的诊断系统(10)将与第五方面结合来实现。在第六方面中，电流(I10)测量单元(20)被配置为附接到电流(I10)流过的电线(50)。通过第六方面，便于诊断系统(10)的包装。
第七方面的诊断系统(10)将与第一方面至第六方面中的任一方面结合来实现。在第七方面中，设备(40)包括作业设备(40)。第七方面使得能够对作业设备进行诊断。
第八方面的诊断系统(10)将与第一方面至第七方面中的任一方面结合来实现。在第八方面中，设备(40)包括振动源(42)。通过第八方面，电流波形数据不太可能受到振动影响。因此，抑制了由于振动源(42)的存在而导致的设备(40)的异常程度的确定精度降低。
第九方面的诊断系统(10)将与第一方面至第八方面中的任一方面结合来实现。在第九方面中，设备(40)包括多个驱动装置(42)。获取器(11)被配置为获取多个驱动装置(42)各自的电流波形数据。通过第九方面，电流波形数据不太可能受到彼此影响。因此，抑制了由于多个驱动装置(42)的存在而导致的设备(40)的异常程度的确定精度降低。
第十方面的诊断系统(10)将与第一方面至第九方面中的任一方面结合来实现。在第十方面中，确定器(13)被配置为通过使用学习后的模型(M11)，根据变化部分(Wc)确定设备(40)中的异常程度。通过第十方面，将学习当设备(40)具有异常时发生的变化，因此，设备(40)中的异常程度的确定精度得以进一步提高。
第十一方面的诊断系统(10)将与第十方面结合来实现。在第十一方面中，诊断系统(10)还包括：存储装置(17)，被配置为存储分别与能够连接到驱动装置(42)的多种类型的机构(41)相对应的多个学习后的模型(M11)。确定器(13)被配置为通过使用多个学习后的模型(M11)中的、与连接到驱动装置(42)的机构(41)相对应的学习后的模型(M11)，根据变化部分(Wc)来确定设备(40)中的异常程度。通过第十一方面，使用了适合于设备(40)的学习后的模型(M11)，因此，设备(40)中的异常程度的确定精度得以进一步提高。
第十二方面的诊断系统(10)包括获取器(11)和提取器(12)。获取器(11)被配置为获取表示与供给到设备(40)的驱动装置(42)的电流(I10)有关的波形(W10)的电流波形数据。提取器(12)被配置为从波形(W10)中提取变化部分(Wc)。变化部分(Wc)对应于驱动装置(42)的旋转速度增大或减小的变化时间段(Tc)。通过十二方面，即使当设备(40)的驱动装置(42)的旋转速度保持恒定的时间段不存在时，设备(40)中的异常程度的确定精度也得以提高。
第十三方面的诊断方法包括：获取表示与供给到设备(40)的驱动装置(42)的电流(I10)有关的波形(W10)的电流波形数据。该诊断方法包括：根据波形(W10)的变化部分来确定设备(40)中的异常程度。变化部分(Wc)对应于驱动装置(42)的旋转速度增大或减小的变化时间段(Tc)。通过第十三方面，即使当设备(40)的驱动装置(42)的旋转速度保持恒定的时间段不存在时，设备(40)中的异常程度的确定精度也得以提高。
第十四方面的诊断方法包括：获取表示与供给到设备(40)的驱动装置(42)的电流(I10)有关的波形(W10)的电流波形数据。该诊断方法包括：从波形(W10)中提取变化部分(Wc)，该变化部分对应于驱动装置(42)的旋转速度增大或减小的变化时间段。通过第十四方面，即使当设备(40)的驱动装置(42)的旋转速度保持恒定的时间段不存在时，设备(40)中的异常程度的确定精度也得以提高。
第十五方面的程序被配置为使计算机系统执行第十三方面或第十四方面的诊断方法。通过第十五方面，即使当设备(40)的驱动装置(42)的旋转速度保持恒定的时间段不存在时，设备(40)中的异常程度的确定精度也得以提高。
附图标记列表
10 诊断系统
11 获取器
12 提取器
13 确定器
20 电流测量单元
40 设备
42 驱动装置
50 电线
I10 电流
W10 波形
Wc 变化部分
Wc1 第一变化部分
Wc2 第二变化部分
Ws 稳定部分
Tc 变化时间段
Tc1 第一变化时间段
Tc2 第二变化时间段
Ts 稳定时段
M11 学习后的模型。

Claims (15)

1.一种诊断系统，包括：
获取器，被配置为获取表示与供给到设备的驱动装置的电流有关的波形的电流波形数据；以及
确定器，被配置为根据所述波形的变化部分来确定所述设备中的异常程度，所述变化部分对应于所述驱动装置的旋转速度增大或减小的变化时间段。
2.根据权利要求1所述的诊断系统，还包括：提取器，被配置为从所述波形中提取所述变化部分。
3.根据权利要求2所述的诊断系统，其中，
所述提取器被配置为识别所述变化部分是第一变化部分还是第二变化部分，
所述第一变化部分是所述波形的一部分，所述部分对应于所述驱动装置的旋转速度增大的第一变化时间段，以及
所述第二变化部分是所述波形的一部分，所述部分对应于所述驱动装置的旋转速度减小的第二变化时间段。
4.根据权利要求3所述的诊断系统，其中，
所述电流是具有基本频率的交流电流，并且
所述提取器被配置为基于所述基本频率的时间变化从所述波形中提取所述变化部分和稳定部分。
5.根据权利要求1至4中任一项所述的诊断系统，还包括：电流测量单元，被配置为测量所述电流并输出所述电流波形数据，其中，
所述电流测量单元包括微分型电流传感器。
6.根据权利要求5所述的诊断系统，其中，
所述电流测量单元被配置为附接到所述电流流过的电线。
7.根据权利要求1至6中任一项所述的诊断系统，其中，
所述设备包括作业设备。
8.根据权利要求1至7中任一项所述的诊断系统，其中，
所述设备包括振动源。
9.根据权利要求1至8中任一项所述的诊断系统，其中，
所述设备包括多个驱动装置，并且
所述获取器被配置为获取所述多个驱动装置各自的电流波形数据。
10.根据权利要求1至9中任一项所述的诊断系统，其中，
所述确定器被配置为通过使用学习后的模型，根据所述变化部分来确定所述设备中的异常程度。
11.根据权利要求10所述的诊断系统，还包括：存储装置，被配置为存储分别与能够连接到所述驱动装置的多种类型的机构相对应的多个学习后的模型，其中，
所述确定器被配置为通过使用所述多个学习后的模型中的、与连接到所述驱动装置的机构相对应的学习后的模型，根据所述变化部分来确定所述设备中的异常程度。
12.一种诊断系统，包括：
获取器，被配置为获取表示与供给到设备的驱动装置的电流有关的波形的电流波形数据；以及
提取器，被配置为从所述波形中提取变化部分，所述变化部分对应于所述驱动装置的旋转速度增大或减小的变化时间段。
13.一种诊断方法，包括：
获取表示与供给到设备的驱动装置的电流有关的波形的电流波形数据；以及
根据所述波形的变化部分来确定所述设备中的异常程度，所述变化部分对应于所述驱动装置的旋转速度增大或减小的变化时间段。
14.一种诊断方法，包括：
获取表示与供给到设备的驱动装置的电流有关的波形的电流波形数据；以及
从所述波形中提取变化部分，所述变化部分对应于所述驱动装置的旋转速度增大或减小的变化时间段。
15.一种程序，被配置为使计算机系统执行根据权利要求13或14所述的诊断方法。
CN201980041069.XA 2018-06-19 2019-05-31 诊断系统、诊断方法和程序 Pending CN112313492A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2018-116458 2018-06-19
JP2018116458 2018-06-19
PCT/JP2019/021703 WO2019244599A1 (ja) 2018-06-19 2019-05-31 診断システム、診断方法、プログラム

Publications (1)

Publication Number Publication Date
CN112313492A true CN112313492A (zh) 2021-02-02

Family

ID=68983857

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201980041069.XA Pending CN112313492A (zh) 2018-06-19 2019-05-31 诊断系统、诊断方法和程序

Country Status (4)

Country Link
US (1) US11787057B2 (zh)
JP (1) JP7357294B2 (zh)
CN (1) CN112313492A (zh)
WO (1) WO2019244599A1 (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11953528B2 (en) * 2019-01-11 2024-04-09 Panasonic Intellectual Property Management Co., Ltd. Diagnosis system, diagnosis method, program, and recording medium
CN116533253B (zh) * 2023-07-03 2023-09-19 佛山智能装备技术研究院 一种基于反馈电流频谱分析的工业机器人故障诊断方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5333240A (en) * 1989-04-14 1994-07-26 Hitachi, Ltd. Neural network state diagnostic system for equipment
JP2002090267A (ja) * 2000-09-21 2002-03-27 Mitsui Eng & Shipbuild Co Ltd 異常診断方法
US7539549B1 (en) * 1999-09-28 2009-05-26 Rockwell Automation Technologies, Inc. Motorized system integrated control and diagnostics using vibration, pressure, temperature, speed, and/or current analysis
US20160245851A1 (en) * 2015-02-23 2016-08-25 Hitachi, Ltd. Anomaly Diagnosis System, Method, and Apparatus
JP2017032567A (ja) * 2015-08-05 2017-02-09 Ｊｆｅスチール株式会社 モータの監視装置および方法
WO2017154091A1 (ja) * 2016-03-08 2017-09-14 株式会社日立製作所 回転機の診断装置及び診断方法
WO2018020563A1 (ja) * 2016-07-26 2018-02-01 三菱電機株式会社 電動機の診断装置
US20180059656A1 (en) * 2015-03-12 2018-03-01 Hitachi, Ltd. Machine Diagnostic Device and Machine Diagnostic Method

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS631136Y2 (zh) * 1981-05-07 1988-01-12
JPS5980759U (ja) * 1982-11-20 1984-05-31 三菱電機株式会社 電流測定装置
US6727725B2 (en) 2001-05-01 2004-04-27 Square D Company Motor bearing damage detection via wavelet analysis of the starting current transient
DE10330473A1 (de) * 2003-07-05 2005-01-27 Alstom Technology Ltd Frequenzumwandler für Hochgeschwindigkeitsgeneratoren
US7860663B2 (en) * 2004-09-13 2010-12-28 Nsk Ltd. Abnormality diagnosing apparatus and abnormality diagnosing method
JP4371119B2 (ja) 2006-05-10 2009-11-25 パナソニック電工株式会社 異常監視方法
JP2008246831A (ja) 2007-03-30 2008-10-16 Seiko Epson Corp 印刷装置
JP5139745B2 (ja) * 2007-08-10 2013-02-06 矢崎総業株式会社 電源装置
JP5725833B2 (ja) * 2010-01-04 2015-05-27 Ntn株式会社 転がり軸受の異常診断装置、風力発電装置および異常診断システム
JP5834796B2 (ja) 2011-11-14 2015-12-24 Ｊｆｅスチール株式会社 異常診断装置および異常診断方法
JP6143752B2 (ja) * 2012-07-06 2017-06-07 アルプス電気株式会社 電流センサの製造方法及び電流センサ
JP6558131B2 (ja) 2015-08-04 2019-08-14 日本精工株式会社 異常診断装置、軸受、機械装置及び車両
JP2018156151A (ja) * 2017-03-15 2018-10-04 ファナック株式会社 異常検知装置及び機械学習装置
US11953555B2 (en) * 2017-10-24 2024-04-09 Mitsubishi Electric Corporation Abnormality diagnosis device, abnormality diagnosis method, and abnormality diagnosis system

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5333240A (en) * 1989-04-14 1994-07-26 Hitachi, Ltd. Neural network state diagnostic system for equipment
US7539549B1 (en) * 1999-09-28 2009-05-26 Rockwell Automation Technologies, Inc. Motorized system integrated control and diagnostics using vibration, pressure, temperature, speed, and/or current analysis
JP2002090267A (ja) * 2000-09-21 2002-03-27 Mitsui Eng & Shipbuild Co Ltd 異常診断方法
US20160245851A1 (en) * 2015-02-23 2016-08-25 Hitachi, Ltd. Anomaly Diagnosis System, Method, and Apparatus
US20180059656A1 (en) * 2015-03-12 2018-03-01 Hitachi, Ltd. Machine Diagnostic Device and Machine Diagnostic Method
JP2017032567A (ja) * 2015-08-05 2017-02-09 Ｊｆｅスチール株式会社 モータの監視装置および方法
WO2017154091A1 (ja) * 2016-03-08 2017-09-14 株式会社日立製作所 回転機の診断装置及び診断方法
WO2018020563A1 (ja) * 2016-07-26 2018-02-01 三菱電機株式会社 電動機の診断装置

Also Published As

Publication number Publication date
US11787057B2 (en) 2023-10-17
JP7357294B2 (ja) 2023-10-06
JPWO2019244599A1 (ja) 2021-06-24
WO2019244599A1 (ja) 2019-12-26
US20210122048A1 (en) 2021-04-29

Similar Documents

Publication Publication Date Title
Ali et al. Single-and multi-fault diagnosis using machine learning for variable frequency drive-fed induction motors
Zanardelli et al. Identification of intermittent electrical and mechanical faults in permanent-magnet AC drives based on time–frequency analysis
CN112313492A (zh) 诊断系统、诊断方法和程序
CN113748326A (zh) 用于对感应电动机估计轴承故障严重性的方法
EP3147681B1 (en) Rotary machine diagnostic system
US11953528B2 (en) Diagnosis system, diagnosis method, program, and recording medium
TWI620077B (zh) 以拉氏轉換法估測直流機參數之方法
CN110031228A (zh) 半导体器件和检测其旋转异常的方法
CN105262402B (zh) 无刷直流电机转矩波动检测系统
WO2020261639A1 (ja) 電流測定システム、診断システム
Sanchez et al. Gear crack level classification by using KNN and time-domain features from acoustic emission signals under different motor speeds and loads
CN113419173A (zh) 一种电机下线检测方法和装置
Huang et al. Ball nut preload diagnosis of the hollow ball screw through sensed current signals
JP4396100B2 (ja) 多軸電動機制御装置の共振周波数検出装置
Zentai et al. Offline parameter estimation of permanent magnet sychronous machines by means of LS optimization
Zagirnyak et al. Diagnostic of broken rotor bars in induction motor on the basis of its magnetic field analysis
El Idrissi et al. Bearing Ball Fault Diagnosis of an Induction Machine by Using the Hilbert Transform and the Performance of Intelligent Control
Shin et al. Diagnosis of ball screw preload loss by vibration signals through the Hilbert-Huang transform and multiscale measure
JP2014204489A (ja) 回転機制御装置
Majdi et al. Analysis of Fault Diagnosis of DC Motors by Power Consumption Pattern Recognition
Zubizarreta-Rodriguez et al. Condition monitoring of brushless DC motors with non-stationary dynamic conditions
Verma et al. Detection of Broken Rotor Bar Fault in an Induction Motor Employing Motor Current Signature Analysis
LOZANOV et al. Capabilities for Diagnostics of Pump System's Electrical Equipment via Frequency Converters
Kasheutov et al. Realization of motor current curve approximation algorithm on switching intervals
Ziad et al. Electrical faults classification in permanent magnet synchronous motor using ResNet neural network

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