CN113075545B - 一种电机故障诊断结果的表现方法 - Google Patents
一种电机故障诊断结果的表现方法 Download PDFInfo
- Publication number
- CN113075545B CN113075545B CN202110299859.7A CN202110299859A CN113075545B CN 113075545 B CN113075545 B CN 113075545B CN 202110299859 A CN202110299859 A CN 202110299859A CN 113075545 B CN113075545 B CN 113075545B
- Authority
- CN
- China
- Prior art keywords
- phase
- data
- value
- analysis
- 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.)
- Active
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 27
- 238000000034 method Methods 0.000 title claims abstract description 18
- 238000011156 evaluation Methods 0.000 claims abstract description 12
- 238000001514 detection method Methods 0.000 claims abstract description 10
- 230000008569 process Effects 0.000 claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims description 33
- 238000001228 spectrum Methods 0.000 claims description 24
- 238000012545 processing Methods 0.000 claims description 19
- 230000008859 change Effects 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 7
- 238000013139 quantization Methods 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000005284 excitation Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 238000010438 heat treatment Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
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)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明提供一种电机故障诊断结果的表现方法，该方法针对传统的电机故障检测结果是利用总分值或者分布分值评定的方式进行呈现，而无法获取多个不同维度和时间空间特征信息的问题。本发明在分析现场电机常有故障情况的基础上，提出了一种层叠式的电机故障诊断结果表现方式，它以语言的形式，利用深度学习的概念，进行层叠式深入，不同深度过程，学习不同特征信息。该电机故障诊断系统呈现结果中不仅包含对电机本身的一种诊断，同时也是对包含电源、控制器件和电机整体系统的一种综合评价。
Description
技术领域
本发明专利涉及电机检测诊断领域，尤其涉及一种电机故障诊断结果的表现方法。
背景技术
电机故障诊断系统的出现对电机的安全、可靠运行提供了一定的保障，其结果为使用者和巡检人员提供了维护和保养指导，所以针对运行中的末端执行机构电机，结果的呈现方式是进行人机交互的接口，它的呈现效果可以有效地提高人员对电机故障的认识以及高效的解决电机在运行中的故障问题。传统的结果呈现方式为通过总分值或者分布分值评定的方式进行呈现，它以一种数字形式表现，所表现的是一种数学的语言，其分布分值一般是对某类问题一个总的结论，不能清晰的了解具体问题，且其缺乏时间纬度的信息。
发明内容
本发明提供一种电机故障诊断结果的表现方法，解决现有技术中总分值或者分布分值评定电机故障诊断结果时不能清晰的了解故障具体情况，且诊断结果缺乏时间纬度信息的问题。
为了达到上述目的，本发明的技术方案是：
一种电机故障诊断结果的表现方法，对电机的电源信息进行时域分析和频域分析，所述时域分析包括三相的连续性检测、三相的一致性故障分析、三相的相位分析、三相幅度对称性分析，三相时域的时间维度分析和三相时域的时间维度变化量分析；所述频域分析包括三相频谱对称性分析、三相频谱时间维度分析、三相频谱时间维度变化量分析、三相频谱特征值分析和三相频谱特征值变化量分析。
进一步的，具体包括如下步骤：
步骤1：利用传感器检测电机的三相时域电源信息，间隔预设时间获取单位时间内的三相时域数据，同时，获取三相时域数据的初始相位；
步骤2：对步骤1获取的三相时域数据进行Hi l bert变化，获得三相幅度数据，计算其平均值，保存该平均值；对获取的三相时域数据做FFT变换，获取三相的频域数据；
步骤3：对步骤2所获取的三相幅度数据进行0和1的量化处理，大于设定值的为1，小于等于设定值的为0，设定值由传感器量程和最小噪声波共同决定；
步骤4：判断步骤3所获得的三相幅度数据是否都为1，若都为1，结论为该相电源连续，若不全为1，结论为该相不连续，有掉电情况；若都为0，结论为该相电源为0；
步骤5：对步骤2所获取的三相幅度数据进行微分处理，获取其变化量情况，对微分处理后的三相数据，进行0，1，2量化，对大于高设定值的数据计为2，对小于低设定值的数据计为0，对大于等于低设定值而小于等于高设定值的数，计为1；
步骤6：对步骤5获取的0，1，2量化数据进行n行3列的数据矩阵，对该数据矩阵的每一行进行重新排序，排序的顺序为由大到小；
步骤7：通过激励函数对步骤6中重排序后的n行3列数据矩阵进行列数据的唯一性映射，映射为n行1列数据；该映射过程为第一列乘1，第二列乘3，第三列乘5，其结果为10种，分别为0、1、2、4、5、8、9、10、13、18；在1列n行的数据矩阵中统计以上10种数据的数量；将统计的2和8、18和0、13和1、10和4的数据相加，以上10组数据变为了6组数据，将该数据结果与1列n行数据矩阵的总的数据量进行比值计算；获取除统计的9以外的最大值；
步骤8：对步骤7获取的最大值进行判断，当最大值为2和8统计的值时，说明一相或者两相存在缺相问题；当最大值为18和0统计的值时，说明三相正常，负载存在跳变；当最大值为13和1统计的值时，说明一个传感器接触不良或者有问题；当最大值为4和10统计的值时，说明有2相传感器接触不良或者有问题；当最大值为5统计的值时，说明一相传感器有问题，一相缺相；
步骤9：对步骤1获取的初始相位进行分析，假设获取的三相相位值分别为A、B、C，进行两两求差，并获得绝对值，即A1＝∣A-B∣、B1＝∣A-C∣、C1＝∣B-C∣,将A1、B1和C1由小到大排序，最大数减去120度，组成新的有3个元素的数列，将该3个元素获取最大值，求该3个元素两两的差值，获取最大值；将两个最大值相加，并除以4，该值为故障诊断结果的一个分支，若该值大于10，说明相位有问题；
步骤10：对步骤2获取的三相幅度数据进行每相求平均值和三相的平均值，然后两两求差值，三个差值中求最大值，该值除以三相的平均值，进行归一化处理，对该值乘以100，进行分值等量计算，当该值大于5小于10时，提醒存在需要警惕的三相对称性偏差；当该值大于10时，提醒存在严重三相对称性偏差，当该值大于30时，需检查电源的对称性问题、电机的工作状态和发热情况；
步骤11：对步骤1获取的三相时域数据和步骤2获取的频域数据进行保存；
步骤12：加载历史上获取的三相时域数据和频域数据，与当前的三相时域数据和频域数据构成时间序列矩阵，对该矩阵进行分组处理，分成一个去掉第一次存储数据的矩阵和一个去掉最后一次数据的矩阵，对两个矩阵求差，获取每列不同时间的最大值，对获取的最大值数列根据每组平均值进行归一化处理，获取该数列的最大值，对该值乘以30，该值作为一个对历史数据变化量的评价；
步骤13：加载历史上获取的三相时域数据和频域数据，与当前的三相时域数据和频域数据构成时间序列矩阵，对不同时间的数据赋予不同的贡献因子参数，时间离当下越近，贡献因子越大，对经过贡献因子矩阵转换矩阵求每列平均值，并进行归一化处理；
步骤14：对步骤13所获取的数列，获取最大值，该值作为一个对历史数据变化情况的评价参数；
步骤15：综合以上评价结果，在电机故障诊断系统的结论中，分别给出其包含三相的连续性检测、三相的一致性故障分析、三相的相位分析、三相幅度对称性分析，三相时域的时间维度分析、三相时域的时间维度变化量分析、三相频谱对称性分析、三相频谱时间维度分析、三相频谱时间维度变化量分析、三相频谱特征值分析、三相频谱特征值变化量分析的语言描述结果。
进一步的，所述电源信息包括电压信息或电流信息或电压和电流结合的信息。
与现有技术相比，本发明的有益效果如下：
本发明在分析现场电机常有故障情况的基础上提出了一种层叠式的电机故障诊断结果表现方法，它以语言的形式，利用深度学习的概念，进行层叠式深入，不同深度过程，学习不同特征信息，以此避免了利用同一数值结果，想获取多个不同特征信息的困境。
附图说明
图1为电机故障诊断时的分析结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面将结合实施例对本发明作进一步地详细描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
电机故障诊断系统呈现结果中不仅包含对电机本身的一种诊断，同时也是对包含电源、控制器件和电机的整个系统的一种综合评价；通过多次对现场电机系统运行故障分析，其故障不仅来源于电机本身，且有60％以上的故障来源于电源通路上的器件，即电机的电源故障，而作为一种长期在线诊断的电机故障诊断系统，首先，其诊断效果不仅仅体现在对电机本身的一种预警，同时也应该包含故障时对电源的一种评估。其次，其诊断过程应该不仅呈现当前的状态，也应该增加时间维度信息。
本发明利用深度学习的概念，进行层叠式深入，不同深度过程，学习不同特征信息。首先对电机电源信息进行了11层分析，包含三相的连续性检测、三相的一致性故障分析、三相的相位分析、三相幅度对称性分析，三相时域的时间维度分析、三相时域的时间维度变化量分析、三相频谱对称性分析、三相频谱时间维度分析、三相频谱时间维度变化量分析、三相频谱特征值分析、三相频谱特征值变化量分析。以上的三相信息为电压信息、电流信息或者是电压和电流结合的信息，图1为电机故障诊断时的分析结构示意图。
下面的具体步骤以电流为例介绍该内容，本发明的具体步骤如下：
步骤1：利用电流传感器检测电机的三相电流时域数据，间隔设定时间(该值由人为设定，时间单位为分或时)，获取1分钟三相电流时域数据；同时，获取三相电流的初始相位。
步骤2：对步骤1获取的电流时域数据进行Hi l bert变化，获得三相的幅度数据，计算其平均值，保存该平均值。对获取的三相电流时域数据做FFT变换，获得三相的频域数据；
步骤3：对步骤2所获取的三相幅度数据进行0和1的量化处理，大于设定值的为1，小于等于设定值的为0，设定值由传感器量程和最小噪声波共同决定。
步骤4：判断步骤3所获得的0或1三相数列是否都为1，若都为1，结论为该相电源连续、若有部分0，结论为该相不连续，有掉电情况；若全部为0，结论为该相电源为0；对于电源为0或者不连续的情况，请检查电机电源，有可能是由电源通路其他器件引起的故障。
步骤5：对步骤2所获取的三相幅度数据进行微分处理，获取其变化量情况，对微分处理后的3相数据，进行0，1，2量化，对大于高设定值的数据计为2，对小于低设定值的数据计为0，对大于等于低设定值而小于等于高设定值的数，计为1；其中的高设定值和低设定值由想呈现的变化灵敏范围决定。若想变化灵敏度高，该值的范围可以设置窄些，如果想变化反应一般，该值的范围可以设置宽些。
步骤6：步骤5获取的三相数据为一个由0、1、2所组成的n行3列的数据矩阵，对该数据矩阵的每一行进行重新排序，排序的顺序为由大到小。
步骤7：通过激励函数对重排序后的n行3列数据矩阵进行列数据的唯一性映射，映射为n行1列数据，该映射过程为第一列乘1，第二列乘3，第三列乘5，其结果为10种，分别为0、1、2、4、5、8、9、10、13、18。在1列n行的数据矩阵中统计以上10种数据的数量。将统计的2和8、18和0、13和1、10和4的数据相加，以上10组数据变为了6组数据，将该数据结果与1列n行数据矩阵的总的数据量进行比值计算。获取除统计的9以外的最大值。表1为三相连续性分析时的量化处理对应表。
表1
步骤8：对步骤7获取的最大值进行判断，当最大值为2和8统计的值时，说明一相或者两相存在缺相问题；当最大值为18和0统计的值时，说明三相正常，负载存在跳变；当最大值为13和1统计的值时，说明一个传感器接触不良或者有问题；当最大值为4和10统计的值时，说明有2相传感器接触不良或者有问题；当最大值为5统计的值时，说明一相传感器有问题，一相缺相。具体内容可参照表2，表2为进行三相连续性检测时的检测结果呈现表。
表2
步骤9：对步骤1获取的初始相位进行分析，假设获取的三相相位值分别为A、B、C，进行两两求差，并获得绝对值，即A1＝∣A-B∣、B1＝∣A-C∣、C1＝∣B-C∣,将A1、B1和C1由小到大排序。最大数减去120度，组成新的有3个元素的数列。将该3个元素获取最大值，求该3个元素两两的差值，获取最大值。将两个最大值相加，并除以4，该值为故障诊断结果的一个分支，若该值大于10，说明相位有问题。
步骤10：对步骤2获取的三相幅度数据进行每相求平均值和三相的平均值，然后两两求差值，三个差值中求最大值，该值除以三相的平均值，进行归一化处理，对该值乘以100，进行分值等量计算，当该值大于5小于10时，提醒存在需要警惕的三相对称性偏差；当该值大于10时，提醒存在严重三相对称性偏差，当该值大于30时，请检查电源的对称性问题、电机的工作状态和发热情况。
步骤11：对步骤1获取的三相电流时域数据和步骤2获取的频域数据进行保存。
步骤12：加载历史上获取的三相时域数据和频域数据，与当前的三相时域数据和频域数据构成时间序列矩阵，对该矩阵进行分组处理，分成一个去掉第一次存储数据的矩阵和一个去掉最后一次数据的矩阵，对两个矩阵求差，获取每列不同时间的最大值，对获取的最大值数列根据每组平均值进行归一化处理，获取该数列的最大值，对该值乘以30，该值作为一个对历史数据变化量的评价。
步骤13：加载历史上获取的三相时域数据和频域数据，与当前的三相时域数据和频域数据构成时间序列矩阵，对不同时间的数据赋予不同的贡献因子参数，时间离当下越近，贡献因子越大，对经过贡献因子矩阵转换矩阵求每列平均值，并进行归一化处理。
步骤14：对步骤13所获取的数列，获取最大值，该值作为一个对历史数据变化情况的评价参数。
步骤15：综合以上评价结果，在电机故障诊断系统的结论中，分别给出其包含三相的连续性检测、三相的一致性故障分析、三相的相位分析、三相幅度对称性分析，三相时域的时间维度分析、三相时域的时间维度变化量分析、三相频谱对称性分析、三相频谱时间维度分析、三相频谱时间维度变化量分析、三相频谱特征值分析、三相频谱特征值变化量分析的语言描述结果。
以上应用了具体个例对本发明进行阐述，只是用于帮助理解本发明，并不用以限制本发明。任何熟悉该技术的人在本发明所揭露的技术范围内的局部修改或替换，都应涵盖在本发明的包含范围之内。
Claims (2)
1.一种电机故障诊断结果的表现方法，其特征在于，对电机的电源信息进行时域分析和频域分析，所述时域分析包括三相的连续性检测、三相的一致性故障分析、三相的相位分析、三相幅度对称性分析，三相时域的时间维度分析和三相时域的时间维度变化量分析；所述频域分析包括三相频谱对称性分析、三相频谱时间维度分析、三相频谱时间维度变化量分析、三相频谱特征值分析和三相频谱特征值变化量分析；
具体包括如下步骤：
步骤1：利用传感器检测电机的三相时域电源信息，间隔预设时间获取单位时间内的三相时域数据，同时，获取三相时域数据的初始相位；
步骤2：对步骤1获取的三相时域数据进行Hilbert变化，获得三相幅度数据，计算其平均值，保存该平均值；对获取的三相时域数据做FFT变换，获取三相的频域数据；
步骤3：对步骤2所获取的三相幅度数据进行0和1的量化处理，大于设定值的为1，小于等于设定值的为0，设定值由传感器量程和最小噪声波共同决定；
步骤4：判断步骤3所获得的三相幅度数据是否都为1，若都为1，结论为该相电源连续，若不全为1，结论为该相不连续，有掉电情况；若都为0，结论为该相电源为0；
步骤5：对步骤2所获取的三相幅度数据进行微分处理，获取其变化量情况，对微分处理后的三相数据，进行0，1，2量化，对大于高设定值的数据计为2，对小于低设定值的数据计为0，对大于等于低设定值而小于等于高设定值的数，计为1；
步骤6：对步骤5获取的0，1，2量化数据进行n行3列的数据矩阵，对该数据矩阵的每一行进行重新排序，排序的顺序为由大到小；
步骤7：通过激励函数对步骤6中重排序后的n行3列数据矩阵进行列数据的唯一性映射，映射为n行1列数据；该映射过程为第一列乘1，第二列乘3，第三列乘5，其结果为10种，分别为0、1、2、4、5、8、9、10、13、18；在1列n行的数据矩阵中统计以上10种数据的数量；将统计的2和8、18和0、13和1、10和4的数据相加，以上10组数据变为了6组数据，将该数据结果与1列n行数据矩阵的总的数据量进行比值计算；获取除统计的9以外的最大值；
步骤8：对步骤7获取的最大值进行判断，当最大值为2和8统计的值时，说明一相或者两相存在缺相问题；当最大值为18和0统计的值时，说明三相正常，负载存在跳变；当最大值为13和1统计的值时，说明一个传感器接触不良或者有问题；当最大值为4和10统计的值时，说明有2相传感器接触不良或者有问题；当最大值为5统计的值时，说明一相传感器有问题，一相缺相；
步骤9：对步骤1获取的初始相位进行分析，假设获取的三相相位值分别为A、B、C，进行两两求差，并获得绝对值，即A1＝∣A-B∣、B1＝∣A-C∣、C1＝∣B-C∣,将A1、B1和C1由小到大排序，最大数减去120度，组成新的有3个元素的数列，将该3个元素获取最大值，求该3个元素两两的差值，获取最大值；将两个最大值相加，并除以4，该值为故障诊断结果的一个分支，若该值大于10，说明相位有问题；
步骤10：对步骤2获取的三相幅度数据进行每相求平均值和三相的平均值，然后两两求差值，三个差值中求最大值，该值除以三相的平均值，进行归一化处理，对该值乘以100，进行分值等量计算，当该值大于5小于10时，提醒存在需要警惕的三相对称性偏差；当该值大于10时，提醒存在严重三相对称性偏差，当该值大于30时，需检查电源的对称性问题、电机的工作状态和发热情况；
步骤11：对步骤1获取的三相时域数据和步骤2获取的频域数据进行保存；
步骤12：加载历史上获取的三相时域数据和频域数据，与当前的三相时域数据和频域数据构成时间序列矩阵，对该矩阵进行分组处理，分成一个去掉第一次存储数据的矩阵和一个去掉最后一次数据的矩阵，对两个矩阵求差，获取每列不同时间的最大值，对获取的最大值数列根据每组平均值进行归一化处理，获取该数列的最大值，对该值乘以30，该值作为一个对历史数据变化量的评价；
步骤13：加载历史上获取的三相时域数据和频域数据，与当前的三相时域数据和频域数据构成时间序列矩阵，对不同时间的数据赋予不同的贡献因子参数，时间离当下越近，贡献因子越大，对经过贡献因子矩阵转换矩阵求每列平均值，并进行归一化处理；
步骤14：对步骤13所获取的数列，获取最大值，该值作为一个对历史数据变化情况的评价参数；
步骤15：综合以上评价结果，在电机故障诊断系统的结论中，分别给出其包含三相的连续性检测、三相的一致性故障分析、三相的相位分析、三相幅度对称性分析，三相时域的时间维度分析、三相时域的时间维度变化量分析、三相频谱对称性分析、三相频谱时间维度分析、三相频谱时间维度变化量分析、三相频谱特征值分析、三相频谱特征值变化量分析的语言描述结果。
2.根据权利要求1所述的电机故障诊断结果的表现方法，其特征在于，所述电源信息包括电压信息或电流信息或电压和电流结合的信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110299859.7A CN113075545B (zh) | 2021-03-22 | 2021-03-22 | 一种电机故障诊断结果的表现方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110299859.7A CN113075545B (zh) | 2021-03-22 | 2021-03-22 | 一种电机故障诊断结果的表现方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113075545A CN113075545A (zh) | 2021-07-06 |
| CN113075545B true CN113075545B (zh) | 2024-02-23 |
Family
ID=76613057
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110299859.7A Active CN113075545B (zh) | 2021-03-22 | 2021-03-22 | 一种电机故障诊断结果的表现方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113075545B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2426502A1 (en) * | 2010-09-06 | 2012-03-07 | ABB Technology AG | A method for detecting rotor failure in an asynchronous motor |
| CN107544025A (zh) * | 2017-08-30 | 2018-01-05 | 马鞍山马钢华阳设备诊断工程有限公司 | 一种综合电信号和振动信号的异步电机转子断条故障判断方法 |
| CN109765484A (zh) * | 2018-10-25 | 2019-05-17 | 青岛鹏海软件有限公司 | 基于“正确树”模型的电机在线监测和故障诊断方法 |
| WO2020078132A1 (zh) * | 2018-10-15 | 2020-04-23 | 株洲中车时代电气股份有限公司 | 一种电机轴承故障诊断装置 |
| CN111474477A (zh) * | 2020-04-29 | 2020-07-31 | 西安工业大学 | 一种异步电动机参数与故障信息映射过程的方法 |
| CN111650514A (zh) * | 2020-06-15 | 2020-09-11 | 珠海万力达电气自动化有限公司 | 一种异步电动机典型故障的多参数联合诊断方法 |
-
2021
- 2021-03-22 CN CN202110299859.7A patent/CN113075545B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2426502A1 (en) * | 2010-09-06 | 2012-03-07 | ABB Technology AG | A method for detecting rotor failure in an asynchronous motor |
| CN107544025A (zh) * | 2017-08-30 | 2018-01-05 | 马鞍山马钢华阳设备诊断工程有限公司 | 一种综合电信号和振动信号的异步电机转子断条故障判断方法 |
| WO2020078132A1 (zh) * | 2018-10-15 | 2020-04-23 | 株洲中车时代电气股份有限公司 | 一种电机轴承故障诊断装置 |
| CN109765484A (zh) * | 2018-10-25 | 2019-05-17 | 青岛鹏海软件有限公司 | 基于“正确树”模型的电机在线监测和故障诊断方法 |
| CN111474477A (zh) * | 2020-04-29 | 2020-07-31 | 西安工业大学 | 一种异步电动机参数与故障信息映射过程的方法 |
| CN111650514A (zh) * | 2020-06-15 | 2020-09-11 | 珠海万力达电气自动化有限公司 | 一种异步电动机典型故障的多参数联合诊断方法 |
Non-Patent Citations (2)
| Title |
|---|
| 基于信息融合技术的电机故障诊断;冯爱伟;高英杰;韩有顺;;传感器与微系统(01);全文 * |
| 基于数据综合采集系统的电机故障诊断实验平台设计与实现;曹海洋;徐兴华;朱启伟;王亮;;大电机技术(05);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113075545A (zh) | 2021-07-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105115594B (zh) | 基于小波熵和信息融合的齿轮箱振动信号故障特征提取方法 | |
| Li et al. | Feature extraction for rolling element bearing fault diagnosis utilizing generalized S transform and two-dimensional non-negative matrix factorization | |
| CN105224782B (zh) | 一种基于故障模式的变电设备故障概率计算方法 | |
| CN104020401B (zh) | 基于云模型理论的变压器绝缘热老化状态的评估方法 | |
| CN112033463B (zh) | 一种核动力设备状态评估与预测一体化方法和系统 | |
| CN113516310B (zh) | 一种变压器故障预警方法及系统 | |
| CN112836604A (zh) | 一种基于vmd-ssae的滚动轴承故障诊断分类方法、系统、设备及其存储介质 | |
| Zhang et al. | Statistical monitoring of the hand, foot and mouth disease in China | |
| CN110634082A (zh) | 一种基于深度学习的低频减载系统运行阶段预测方法 | |
| CN103268279A (zh) | 基于复合泊松过程的软件可靠性预测方法 | |
| CN113075545B (zh) | 一种电机故障诊断结果的表现方法 | |
| CN106405280A (zh) | 一种智能变电站在线监测参数趋势预警方法 | |
| Fried et al. | Network stability, comparison, and replicability | |
| Stepančič et al. | Fault detection of fuel cell systems based on statistical assessment of impedance data | |
| CN113782113A (zh) | 一种基于深度残差网络下的变压器油中气体故障识别方法 | |
| CN116070103B (zh) | 基于多测点多指标的旋转设备健康识别方法和设备 | |
| CN109887253B (zh) | 石油化工装置报警的关联分析方法 | |
| CN115085368A (zh) | 变压器健康状态监测方法、装置、计算机设备和存储介质 | |
| CN114117923A (zh) | 基于混沌特征空间的高压并联电抗器状态判断系统及方法 | |
| WO2022214201A1 (en) | Determining states of electrical equipment using variations in diagnostic parameter prediction error | |
| CN116415510B (zh) | 基于相空间重构和神经网络的断路器温升预测方法及系统 | |
| Zou et al. | A Novel Machine RUL Prediction Method in Small Sample based on Fully Convolutional Variational Auto-Encoding Network | |
| Ness | Managing not-so-small numbers between comparative and statistical methods | |
| Cheng et al. | Mechanical Condition Monitoring of On-load Tap Changer by Tensor Decomposition with Vibration Signals | |
| Li et al. | Anomaly Identification for Active Distribution Networks Using Random Matrix Theory |
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 |