CN113167834A - 重型电机健全性分析平台及使用其的分析方法 - Google Patents

重型电机健全性分析平台及使用其的分析方法 Download PDF

Info

Publication number
CN113167834A
CN113167834A CN202080006322.0A CN202080006322A CN113167834A CN 113167834 A CN113167834 A CN 113167834A CN 202080006322 A CN202080006322 A CN 202080006322A CN 113167834 A CN113167834 A CN 113167834A
Authority
CN
China
Prior art keywords
data
heavy
analysis
motor
database
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
CN202080006322.0A
Other languages
English (en)
Inventor
李相勳
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.)
Mutual Restraint Of Co ltd
Original Assignee
Mutual Restraint Of 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 Mutual Restraint Of Co ltd filed Critical Mutual Restraint Of Co ltd
Publication of CN113167834A publication Critical patent/CN113167834A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C3/00—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles
    • G07C3/005—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles during manufacturing process
    • 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
    • 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
    • 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
    • G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
    • 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
    • G01R31/28—Testing of electronic circuits, e.g. by signal tracer
    • G01R31/2832—Specific tests of electronic circuits not provided for elsewhere
    • G01R31/2836—Fault-finding or characterising
    • G01R31/2846—Fault-finding or characterising using hard- or software simulation or using knowledge-based systems, e.g. expert systems, artificial intelligence or interactive algorithms
    • 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
    • G01R31/346—Testing of armature or field windings
    • 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
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0267—Fault communication, e.g. human machine interface [HMI]
    • G05B23/0272—Presentation of monitored results, e.g. selection of status reports to be displayed; Filtering information to the user
    • 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
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0275—Fault isolation and identification, e.g. classify fault; estimate cause or root of failure
    • G05B23/0281—Quantitative, e.g. mathematical distance; Clustering; Neural networks; Statistical analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/901—Indexing; Data structures therefor; Storage structures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/903—Querying
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/20—Administration of product repair or maintenance
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C3/00—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles
    • G07C3/02—Registering or indicating working or idle time only
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
    • G07C5/0841—Registering performance data
    • 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
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Automation & Control Theory (AREA)
  • Mathematical Physics (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Human Resources & Organizations (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Manufacturing & Machinery (AREA)
  • Computational Linguistics (AREA)
  • Algebra (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Probability & Statistics with Applications (AREA)
  • Pure & Applied Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Tests Of Circuit Breakers, Generators, And Electric Motors (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明所提供的重型电机健全性分析平台包括：现场诊断信息输入步骤，接收在电动机停止启动的状态下从现场收集的数据；在线传感器数据收集步骤，定期/不连续地接收通过传感器模块及数据收集模块所设置的多个传感器的数据；数据库构建步骤，现场诊断信息输入步骤及在线传感器数据收集步骤；当前标准健全性分析步骤，包括直流测试分析步骤、交流电流测试分析步骤、耗散因数测试分析步骤及局部放电测试分析步骤，并基于现场诊断信息输入步骤中输入的数据来诊断当前标准重型电机的健全性；基于趋势的健全性分析步骤，通过链接数据库构建步骤中构建的数据库来估算每年的预测趋势并分析健全性；劣化预测仿真分析步骤，通过生成仿真模型来分析电动机的健全性；在线传感器数据分析步骤，使用在线传感器数据收集步骤中收集的在线传感器数据来分析重型电机的健全性；以及诊断结果自动判定步骤。

Description

重型电机健全性分析平台及使用其的分析方法
技术领域
本发明涉及重型电机健全性分析平台及使用其的分析方法。
背景技术
诸如发电机、变压器、电动机之类的老式重型电机增加了故障发生概率及绝缘破坏概率。尤其在电动机的情况下，运行10年以上的电动机是造成大部分绝缘破坏故障的原因。许多运转中的发电厂及大型工厂在建成后都已经经过了10年时间，因而重型电机已经开始老化。
重型电机作为运行发电设备的重要设备，若发生故障，则会导致停止发电等严重问题，若发生绝缘破坏，则除了修复费用之外，还发生因供电故障而导致的利润损失，还有会损失周围设备的事例。
基于在现场实际测量的数据进行评估的当前标准分析方法及系统对所有重型电机按固定且绝对的标准进行评估。然而，不仅每个制造商的重型电机的特性不同，并且同一制造商的重型电机的特性也根据制造时间而不同，因而根据这些特性，通过当前绝对的标准分析方法难以预测故障。况且在现场评估的当前标准分析方法或系统单独存储数据而不进行历史管理，因此在管理健全性历史数据方面也有诸多不便。
并且，作为重型电机健全性分析的利害关系人的成套设备公司、测试公司、测试设备公司、测试专家等分别单独接触并进行工作，因而业务进行极为不便。
发明内容
技术问题
本发明用于解决如上所述的问题，本发明的目的在于，提供一种重型电机健全性分析平台及使用其的分析方法，其管理与重型电机测试有关的各种类型的数据，并可以使用其来预测故障时期。
技术方案
为了解决上述问题，本发明所提供的重型电机健全性分析平台包括：传感器模块210；数据收集模块220，用于从上述传感器模块210收集数据；数据管理模块400，用于从上述数据收集模块220接收数据并管理；数据库模块500，用于记录从上述数据管理模块400接收的数据；以及诊断分析模块 600，通过应用上述数据库模块500中记录的数据来对电动机进行诊断，上述诊断分析模块600包括：当前标准绝缘诊断系统610，用于基于接收到的多个数据来诊断健全性；基于趋势的健全性分析系统620，用于与上述数据库模块500的数据库联动来估算并分析每年的预测趋势；劣化预测仿真分析系统630，通过生成仿真模型来分析劣化；以及在线传感器数据分析系统640，通过使用所提供的在线数据来进行分析。
在一实施例中，上述重型电机健全性分析平台还可包括：结算模块110，能够进行与外部用户之间的结算；报告及数据管理模块120，用于从外部用户收集报告和数据及向外部用户提供报告和数据；以及警告模块130，用于在事件发生时向外部警告该事件。
在一实施例中，本发明的特征在于，上述传感器模块210可包括安装于上述重型电机的安装传感器211、诊断设备212及系统传感器213，上述数据收集模块220包括：工厂信息系统221，用于收集上述安装传感器211的数据；常规诊断系统222，与上述诊断设备212联动；以及换能器213，与上述系统传感器213联动。
在一实施例中，本发明的特征在于，上述数据库模块500可包括电动机规格数据库510、绝缘诊断数据库520、故障历史数据库530、在线传感器数据库540及健全性判定数据库550。
在一实施例中，本发明的特征在于，可以基于趋势的健全性分析系统620 通过估算目标电动机数据参数和使用上述绝缘诊断数据库520的同一类型的重型电机数据参数来，估算每年的预测趋势。
在一实施例中，本发明的特征在于，劣化预测仿真分析系统630可包括仿真模型和基于机器学习的劣化估算模型。
在一实施例中，本发明的特征在于，所要构建的基于机器学习的劣化估算模型可以为如下的模型：基于正常组中心点将每个单独数据表示在马氏空间(MahalanobisSpace；MS)内后，通过测量马氏距离(Mahalanobis Distance； MD)的方法计算上述数据离中心点的距离来判断正常及异常。
在一实施例中，本发明的特征在于，上述每个单独数据的自变量可以是绝缘电阻1分钟测量值、极性指数判定值、极性指数值、耗散因数判定值、耗散因数值、交流电流判定值、交流电流值、局部高电压判定值、局部放电高电压值。
在一实施例中，本发明的特征在于，在线传感器数据分析系统640可从上述数据收集模块220收集的在线传感器数据中提取放电模式值，并根据上述放电模式估算风险度及发生原因。
并且，本发明所提供的重型电机健全性分析方法包括：现场诊断信息输入步骤(Sl00)，接收在重型电机停止启动的状态下从现场收集的数据；在线传感器数据收集步骤(S200)，定期/不连续地收集通过传感器模块210及数据收集模块220所设置的多个传感器的数据；数据库构建步骤(S400)，上述现场诊断信息输入步骤(Sl00)及在线传感器数据收集步骤(S200)；当前标准健全性分析步骤(S300)，包括直流测试分析步骤(S310)、交流电流测试分析步骤(S320)、耗散因数测试分析步骤(S330)及局部放电测试分析步骤 (S340)，并基于上述现场诊断信息输入步骤(Sl00)中输入的数据来诊断当前标准重型电机的健全性；基于趋势的健全性分析步骤(S500)，通过链接上述数据库构建步骤(S400)中构建的数据库来估算每年的预测趋势并分析健全性；劣化预测仿真分析步骤(S600)，通过生成仿真模型来分析重型电机的健全性；在线传感器数据分析步骤(S700)，使用上述在线传感器数据收集步骤(S200)中收集的在线传感器数据来分析重型电机的健全性；以及诊断结果自动判定步骤(S800)。
在一实施例中，本发明的特征在于，上述当前标准健全性分析步骤(S300) 中可使用上述现场诊断信息输入步骤(S100)中输入的数据来进行分析，上述基于趋势的健全性分析步骤(S500)中可使用上述现场诊断信息输入步骤 (S100)中输入的数据及与上述现场诊断的重型电机的类型相同的重型电机的数据来进行分析，上述劣化预测仿真分析步骤(S600)中可使用上述现场诊断信息输入步骤(S100)中输入的数据、与上述现场诊断的重型电机的类型相同的重型电机的数据、与上述现场诊断的重型电机的制造商相同以及时期相似的重型电机的数据来进行分析。
在一实施例中，本发明的特征在于，上述在线传感器数据收集步骤(S200) 可包括：收集数据分类步骤(S211)，将在线收集的传感器数据分类为每个目标重型电机的数据；时间/日期趋势整理步骤(S212)，以能够按时间及日期分析趋势的方式进行整理；标准检查及事件检查步骤(S213)，通过第一次判断传感器值来检测事件；以及事件发生时的警告步骤(S214)，事件发生时产生警告。
在一实施例中，本发明的特征在于，数据库构建步骤(S400)中构建的数据库可包括重型电机规格数据库510、绝缘诊断数据库520、故障历史数据库530、在线传感器数据库540、健全性判定数据库550。
在一实施例中，本发明的特征在于，基于趋势的健全性分析步骤(S500) 可包括：使用绝缘诊断数据库的重型电机基本信息分类步骤(S510)；目标重型电机测量结果提取步骤(S520)；维护历史检查步骤(S530)；目标电动机数据参数估算步骤(S540)；使用绝缘诊断数据库的同一类型的重型电机数据参数估算步骤(S550)；使用绝缘诊断数据库的基于机器学习的参数估算步骤 (S560)；使用绝缘诊断数据库的相应参数适当性验证步骤(S570)；每年的预测趋势估算步骤(S580)；以及基于当前标准的劣化预测步骤(S590)。
在一实施例中，本发明的特征在于，劣化预测仿真分析步骤(S600)可包括：重型电机原始数据分析步骤(S610)；在线传感器数据收集步骤(S200) 中收集的在线数据被加算的启动/停止、事件发生加权值分析步骤(S620)；仿真模型生成步骤(S630)；仿真模型生成步骤(S630)中生成的仿真模型的参数最佳值调整步骤(S640)；仿真模型确定步骤(S650)，通过上述参数最佳值调整步骤中调整的值来确定模型；劣化关系性跟踪步骤(S660)，基于上述启动/停止、事件发生加权值分析步骤(S620)中分析的结果值来跟踪事件的关系性；有条件故障概率估算步骤(S670)，使用上述仿真模型确定步骤 (S650)中确定的仿真模型来估算故障概率；基于机器学习的劣化估算模型构建步骤(S680)，基于机器学习来构建劣化模型；以及劣化预测仿真构建步骤(S690)，通过上述仿真模型确定步骤(S650)中确定的仿真模型和上述基于机器学习的劣化估算模型构建步骤(S680)中确定的基于机器学习的劣化估算模型来完成最终仿真。
在一实施例中，本发明的特征在于，在所要构建的基于机器学习的劣化估算模型构建步骤(S680)中，可以基于正常组中心点将每个单独数据表示在马氏空间(MahalanobisSpace；MS)内后，通过测量马氏距离(Mahalanobis Distance；MD)的方法计算上述数据离中心点的距离来判断正常及异常。
在一实施例中，上述每个单独数据的自变量可以是绝缘电阻1分钟测量值、极性指数判定值、极性指数值、耗散因数判定值、耗散因数值、交流电流判定值、交流电流值、局部高电压判定值、局部放电高电压值。
在一实施例中，本发明的特征在于，在线传感器数据分析步骤(S700) 中，可从上述在线传感器数据收集步骤(S200)中收集的在线传感器数据中提取放电模式值，并根据上述放电模式估算风险度及发生原因。
在一实施例中，本发明的特征在于，还可包括用于将诊断结果自动判定步骤(S800)中判定的结果重新适用于数据库构建(S400)的判定结果数据化步骤(S900)。
在一实施例中，本发明的特征在于，可使用上述判定结果数据化(S900) 步骤中生成的数据来通过模型-数据驱动方法(Model&Data-driven approach) 将在绝缘劣化预测仿真分析步骤(S600)中生成的仿真模型更新为更精细的模型。
有益效果
根据如上所述的本发明，可以管理重型电机的绝缘诊断测试的趋势，由此可以在预测重型电机的故障时期的同时管理电动机。
并且，除了现有的传感器系统，还可以通过应用自己的系统传感器实时收集并监控发电机及电动机的数据，从而还可以预测定期检验之间可能发生的故障。
并且，通过考虑可以预测同一类型的重型电机，同一制造商的重型电机、制造时期相似的重型电机等每种重型电机特异性的多个数据来构建模型，从而可以进行更准确的故障预测。
并且，由于适用基于机器学习的模型，因而添加的数据越多，则模型变得越精细，并且可通过对包括自动检查报告在内的生成的各种形式的多个数据进行重新加工来重新适用于机器学习中，从而可以构建更精细的模型。
附图说明
图1为示出本发明一实施例的重型电机健全性分析平台的结构的概念图。
图2为示出本发明另一实施例的重型电机健全性分析平台的部分结构的概念图。
图3为示出本发明一实施例的重型电机健全性分析平台的结构的概念图。
图4为示出本发明另一实施例的重型电机健全性分析平台的部分结构的概念图。
图5为示出本发明另一实施例的重型电机健全性分析平台的部分结构的概念图。
图6为示出本发明另一实施例的重型电机健全性分析平台的部分结构的概念图。
图7为示出本发明另一实施例的重型电机健全性分析平台的分析方法的流程图。
图8为示出本发明另一实施例的重型电机健全性分析平台的分析方法中的当前标准健全性判断的流程图。
图9为示出适用于本发明另一实施例的重型电机健全性分析平台的分析方法的数据库模块的概念图。
图10为示出本发明另一实施例的健全性分析系统的分析方法中的基于趋势的健全性分析的流程图。
图11a及图11b为示出图10的实施例的基于其他趋势的健全性分析的模型的曲线图。
图12为示出本发明另一实施例的健全性分析系统的分析方法中的劣化预测仿真分析的流程图。
图13a至13c为示出本发明另一实施例的健全性分析系统的分析方法中的在线传感器数据分析的流程图。
图14为示出本发明另一实施例的健全性分析系统的分析方法中的在线传感器数据分析的流程图。
图15为示出本发明另一实施例的健全性分析系统的分析方法中的判定结果数据化的流程图。
具体实施方式
以下，将参考附图详细描述本说明书中所公开的实施例，与附图无关地，对于相同或相似的结构要素赋予相同的附图标记，并省略对其的重复说明。以下描述中所使用的结构要素的后缀“模块”和“单元”是仅考虑到易于编写说明书而被赋予或混用的，它们本身不具有不同的含义或作用。并且，在说明本说明书中所公开的实施例的过程中，当判断为对相关的公知技术的具体说明有可能不必要地混淆本说明书中所公开的实施例主旨的情况下，将省略对其的详细说明。并且，应当理解，附图仅用于便于理解本说明书中所公开的实施例，本说明书中所公开的实施例不限于附图，而是包括本发明的思想及技术范围中所包含的所有变更、等同技术方案、代替技术方案。
当提及到某个结构要素与其他结构要素“连接”或者“联接”时，应当理解为可以直接与上述其他结构要素相连接，但它们中间也可存在其他结构要素。相反，当提及到某个结构要素与其他结构要素“直接连接”或者“直接联接”时，应当理解为它们中间不存在其他结构要素。
除非在文脉上明确表示不同的含义，单数的表达包括复数的表达。
并且，在整个说明书中，当某一部分“包括”某一结构要素时，在不存在特别相反的记载的情况下，这表示还可包括其他结构要素，而并非表示排除其他结构要素。
本发明所属技术领域的普通技术人员显然可在不脱离本发明的必要特征的范围内可通过其他特定方式具体实施本发明。
以下，将参照附图来详细描述本发明的实施例。在附图中，相同的附图标记表示相同的要素。
系统的结构
图1为示出本发明一实施例的重型电机健全性分析平台的结构的概念图，图2为示出本发明另一实施例的重型电机健全性分析平台的部分结构的概念图。
参照图1，本实施例的重型电机健全性分析平台1000与多个重型电机11、 12、13、14、15相连接来接收通过终端直接输入或通过在线路径测量或收集的多个数据。并且，成套设备公司21、健全性分析测试公司22、测试设备公司23、专家24及其他群体25相连接来进行业务，例如请求分析、管理、与货款有关的结算、基于测试结果的数据查询、分析结果查询等。
本实施例的平台允许参与重型电机健全性分析的公司共享并管理与每个设备有关的多个数据，并且可在一个平台内进行根据健全性分析的业务流程，因此具有有效的共享数据及分析结果，并且可以迅速采取必要措施的效果。
参照图2，本实施例的电动机健全性分析平台1000除了后述的用于健全性分析系统的组件之外，还包括结算模块110、报告及数据管理模块120及警告模块130。成套设备公司21侧可通过该平台执行以下业务，例如直接进行测试委托、通过结算模块110进行结算服务、通过报告及数据管理模块120 确认数据、使用专家建议(Action plan)及人工智能提供解决方案、通过平台上提供的功能执行和请求专家教育等。
测试公司22通过报告及数据管理模块120来确保数据，从而可以确保根据专家及人工智能评估的测试数据的公信力，并通过结算模块110进行货款结算。并且，测试公司接收基于位置的订单作为可由报告及数据管理模块120 获得的信息，从而可以确保近距离测试量。尤其，可以使用平台上的数据管理功能来将数据输入方式从过去的纸质计算机的应用程序形式或笔记本电脑输入方式改进为自动输入方式。
测试设备公司23也可通过报告及数据管理模块120直接接收数据来共享准确的技术资料。
专家24可通过报告及数据管理模块120有效输入及获得数据，并通过警告模块130接收各种警报。
例如，本实施例中可以测试的重型电机的项目如下。
表1
重型电机测试项目
Figure BDA0003070592050000081
参照表1，发电机、电动机、电缆的绝缘诊断可根据后述的本实施例中适用的诊断方法，通过绝缘电阻、极性指数、交流电流、耗散因数、局部放电等方法开始诊断。但是，在电缆的情况下，只能测量绝缘电阻和耗散因数。在本实施例的平台上，DGA(绝缘油气分析)可以专门用于变压器。具体地，通过管理可测量的溶解气体(Dissolved Gas)H2、CH4、C2H2、C2H4、C2H6、 CO、C02、TDCG、02、N2及测量时的温度值的历史，来以曲线图分析DGA 分析结果。另外，变压器还可以分析PF(绝缘劣化)、SFRA(机械变形)、绝缘纸水分含量测量值。
在本实施例的平台上，除绝缘诊断之外，发电机还可以接收RSO(转子短路)、ELCID(铁芯健全性测试)、Wedge Tightness(缝隙楔测试)值。这可通过单独的测试设备接收，或者可将现场测量值与数据一起接收。若使用单独的测试设备，则通过数据化的文件或构建的应用程序接口(API)接收数据。
图3为示出本发明一实施例的重型电机健全性分析平台的结构的概念图。
参照图3，本实施例的重型电机健全性分析平台1000包括传感器模块210、从传感器模块210收集数据并在需要加工时进行加工来传递的数据收集模块 220、输入终端230、网络通信模块310、320、数据管理模块400、数据库模块500、诊断分析模块600、用户终端240。
传感器模块210以单个传感器或诊断设备等形式测量用于表示重型电机的状态的数据，该数据由数据收集模块220收集并加工。这种数据收集模块 220通过网络通信模块310将数据传递到数据管理模块400。通过定期诊断单独测量的测量值可通过输入终端230传递到数据管理模块400。数据管理模块400分类每个数据并将其传递并存储于数据库模块500。基于以如上所述的方式存储的资料，并适用诊断分析模块600的每个诊断算法来进行健全性分析。这种分析结果可通过用户终端240查询，或者在状态异常的情况下，可接收单独的警告。以下，对每个组件进行具体描述。
(a)传感器结构和数据收集模块
图4为示出本发明另一实施例的重型电机健全性分析平台的部分结构的概念图。
参照图4，本实施例的重型电机健全性分析平台同时分析多个电动机。普通分析系统至少连接30个以上的电动机来分析它们的健全性。
与图3的实施例的区别在于，传感器模块210及数据收集模块220由多个装置构成。这些多个传感器可从以往安装的多个传感器收集数据，为了获得历史数据分析的特征数据，可以进一步安装系统传感器来分析数据。
一个重型电机100承载由各种类型的在线/离线传感器。例如，发电厂的多个电动机已经具有用于在线(On-line)测量内部绕组温度等的安装传感器 211。并且建有用于收集及处理这种安装传感器211的数据的工厂信息系统(PI System)221。该数据需要使用制造商所提供的驱动程序来请求/收集。
并且，除传感器之外，可以设置有其他在线(On-line)诊断设备212，这些设备以固有的方式收集数据。为了接收这些设备的数据，需要具有制造商所提供的驱动程序或协议文档。这些数据可以通过现有诊断系统222来获得。
因此，当设置有作为以往承载于重型电机100的传感器的安装传感器211，并设置有适用于重型电机100的单独的诊断设备212时，可以进一步获得这些数据。这些数据旨在通过使用已经设置于以往系统的多个传感器来获得更准确的结果。
与此不同，本实施例中包括单独的系统传感器213。这种系统传感器213 是设置于本实施例的其他健全性分析系统1000内的，其进一步安装于重型电机100。上述系统传感器213由换能器223收集数据。
例如，系统传感器213可以是温度传感器。尤其，与其他分析系统不同，本实施例的分析系统1000的特征在于，并非分析特征时间点的数据，而是通过分析所测量的多个数据的历史来分析健全性，可应用这些数据的最佳感测可以是温度测量。这些传感器类数据与现有构建系统分开收集/处理。具体的感测算法和分析将在后续中重新说明。
(b)数据库模块
数据库模块500存储及管理绝缘诊断数据。可通过使用单独的硬件将其分离来实现，并且可将其集成到数据管理模块400中来实现。尤其，数据库模块500可以存储诸如制造商/制造日期/序列号之类的与重型电机规格有关的信息、重型电机绝缘诊断结果、重型电机故障/维护历史、传感器测量结果。可通过包括自动备份数据库来保护数据免受意外事故的影响。
并且，数据库模块500将从传感器模块210传输的各种数据建成数据库来将这些数据适用于历史管理系统。这具有预先防止在定期停止重型电机的状态下管理健全性的系统的操作中可能发生的故障的效果。
(c)网络通信模块
图5为示出本发明另一实施例的重型电机健全性分析平台的部分结构的概念图。
参照图5，本实施例中可以观察到网络通信模块310、320分别单独实现的形态。网络通信模块310、320作为用于系统的数据通信的单元，能够以各种方法实现。
通信网络基本上使用以太网，根据距离及数据传输量适用适当的解决方案，例如，通用以太网集线器或光开关等。尤其，由于能够以与30个以上的传感器进行通信的环境构建本实施例中测量的电动机100的数量，因此配置可构建多个信道的通信网络。
重新参照图5，作为这种形式的一种实现，现有的工厂信息系统221、以往诊断系统222以及数据管理模块400通过以太网构成通信网络，并通过网络路由器312与数据管理模块400进行通信。系统传感器213通过光通信与换能器223进行通信，并通过单独的以太网光开关311连接网络路由器312 来向数据管理模块400传递数据。在现场诊断数据的情况下，通过通用串行总线(USB)或用户输入来借助输入接口在输入终端230上输入数据，并应用以太网通信来向数据管理模块400传递数据。
网络通信模块310、320应当能够以规定间隔收集每个传感器的数据。网络通信模块310、320的基本要求是整个系统能够管理30台以上的电动机数据，使数据管理模块400可以接收3个以上信道的输入，且使数据管理模块 400基本上能够使用以太网接口。
因此，使用以太网集线器来配置主网络，并在该集线器下配置光以太网转换器或RS485-以太网转换器。并且，通过考虑每个传感器的设置环境、设置位置以及数据传输率来选择接口。
(d)数据管理模块
从各个传感器生成的每个数据通过不同的协议发送/接收，并且每个数据的输入周期及处理方式互不相同。因此，在向数据库模块500传递数据之前，数据管理模块400通过接收每个数据来辨别数据的类型，并相应地进行适当的处理来将其输入到数据库模块500。
尤其，通过对从工厂信息系统、现有诊断系统、系统传感器收集的数据进行处理/分析来检测事件是否发生，并且可通过加工数据来将其输入到数据库模块500。
尤其，数据管理模块400接收由安装于电动机的系统传感器213及换能器223发送的数据。收集的数据基于温度传感器(RTD或热电偶)数据，当进一步收集用于测量电动机状态的数据时，通过增设单独的换能器并使其连接到以太网开关来由数据管理模块400进行收集。根据数据类型将收集周期设置为每秒钟1次或每分钟1次或以规定间隔进行收集。
数据管理模块400安装于室内，以无需考虑耐环境性，换能器223使用具有诸如工作温度范围等耐环境性的产品，并且为了防止因雨天或湿气而引起的故障，适用并安装外部壳体。
(e)诊断分析模块
图6为示出本发明另一实施例的重型电机健全性分析平台的部分结构的概念图。
参照图6，诊断分析模块600承载绝缘诊断算法，驱动系统软件，并提供用户接口。诊断分析模块600所承载的算法分别通过当前标准绝缘诊断系统610、基于趋势的健全性分析系统620、劣化预测仿真分析系统630、在线传感器数据分析系统640来实现。诊断分析模块600可通过驱动服务器客户端通信程序来提供管理员用接口及用户用接口。具体的诊断算法将在后续中重新说明。
健全性分析流程
图7为示出本发明另一实施例的重型电机健全性分析平台的分析方法的流程图。
参照图7，本实施例的分析方法包括：作为数据收集步骤的现场诊断信息输入步骤(S100)及在线传感器数据收集步骤(S200)；将数据库体系化的数据库构建步骤(S400)；作为健全性分析步骤的当前标准健全性分析步骤 (S300)、基于趋势的健全性分析步骤(S500)、劣化预测仿真分析步骤(S600)、在线传感器数据分析步骤(S700)及诊断结果自动判定步骤(S800)，另外，还包括通过使用实时收集的在线传感器数据在发生特征事件时监视该事件的在线数据处理步骤(S210)以及基于诊断结果构建追加数据库的判定结果数据化步骤(S900)。
对分析方法的简要流程说明如下。在现场诊断信息输入步骤(S100)中，在现场停止电动机的启动，并接收所进行的定期检查中直接测量的多个数据值。
在当前标准健全性分析步骤(S300)中，基于接收到的多个数据，依据当前标准来通过现场测量数据自动进行电动机的健全性诊断。
在在线传感器数据收集步骤(S200)中，收集从安装传感器211、以往诊断设备212及系统传感器213收集的各种数据。在收集步骤中，当满足特定条件时，还可包括可监视单独事件的在线数据处理步骤(S210。
在数据库构建步骤(S400)中，将当前标准健全性分析步骤(S300)中分析的结果和在线传感器数据收集步骤(S200)中收集的多个数据综合体系化来进行整理。
在基于趋势的健全性分析步骤(S500)中，基于数据库构建步骤(S400) 中构建的多个数据来分析基于趋势的健全性。在此情况下，通过基于趋势分析的结果来预测电动机的故障时期，从而预测必要措施和电动机的寿命。
在线传感器数据分析步骤(S700)中通过应用不连续且定期收集的在线数据来预测故障以及分析状态异常。
在自动判定步骤(S800)中，通过综合所有这些诊断结果，并综合与电动机的健全性及状态异常信息、故障预测时期有关的信息来进行判定。以如上所述的方式判断的多个数据通过判定结果数据化步骤(S900)重建在数据库中，以构建追加数据库。
当前标准健全性分析步骤(S300)、基于趋势的健全性分析步骤(S500)、劣化预测仿真分析步骤(S600)及在线传感器数据分析步骤(S700)具有如下逐步分析差异。
表2
每种分析算法的诊断范围和参考数据
Figure BDA0003070592050000131
Figure BDA0003070592050000141
(a)当前标准健全性分析
图8为示出本发明另一实施例的重型电机健全性分析平台的分析方法中的当前标准健全性判断的流程图。
通常，当接收到来自用户的新诊断请求时，基本上首先执行当前标准的局部放电数据分析及评估算法。当前判定是指停止重型电机并测量一次数据后，判断重型电机的健全性。
在本实施例中，在现场诊断信息输入步骤(S100)中接收到数据之后，在当前标准健全性分析(S300)步骤中，根据当前电力研究所标准自动进行诊断。
在现场诊断信息输入步骤(S100)中，可以输入测试地点、测试日期、制造商等基础信息。
当前标准健全性分析(S300)步骤包括直流测试分析步骤(S310)、交流电流测试分析步骤(S320)、耗散因数测试分析步骤(S330)及局部放电测试分析步骤(S340)。
在直流测试分析步骤(S310)中，自动计算并判定极性指数和绝缘电阻测试。极性指数测试是通过向绝缘物施加交流电压来测量根据施加时间的电流变化。当施加直流测试电压时，电动机绕组的绝缘电阻会根据施加电压和施加时间而变化。其变化率中，将施加测试电压后1分钟时间点的绝缘电阻与施加电压后10分钟时间点的绝缘电阻之比称为极性指数。因此，通过输入 1分钟时的绝缘电阻和10分钟时的绝缘电阻来自动计算极性指数并判定吸湿与否。
绝缘电阻测试是在向绕组施加直流电压时测量电阻的测试。绝缘电阻测试旨在判断是否为即使在进行电动机绝缘诊断之前进行诸如电动机之类的重型电机进行绝缘诊断，也没有问题的状态。绝缘电阻的测量方法是向绕组施加直流电压，并测量在施加电压1分钟后的绝缘电阻值，判定标准应为100MQ 以上。
交流电流测试分析步骤(S320)中判断绕组内部的缺陷程度。交流电流的增加是由绝缘物内部的微孔和绕组与缝隙之间的间隙引起的。随着绝缘物的内部缺陷的增加，交流电流的增加幅度急剧增加。通过计算泄漏电流相对于施加电压的增加率来计算交流电流是否为不良，不良判定标准为基于6.6kV，在8.5％以下时判断为正常。
耗散因数测试分析步骤(S330)中判断耗散因数。由充电电流(lc)与实测电流(I)之比求出介电损耗角δ，其用tanδ表示，该值称为耗散因数。耗散因数测试是一种测量绝缘体内部空隙、污染、吸湿状态的测试。当向介电质施加交流电场时，若内部没有缺陷或损坏，则仅存在充电电流。但是，实际上由于泄漏电流引起的损失和电场引起的振动而发生摩擦热，若绝缘物存在空隙或缺陷，则由于局部放电等而会发生损耗。通过由于这种损耗而发生的充电电流与实测电流之差来测量绝缘体的内部劣化度。不良判定标准为基于6.6kV，在6.5％以下时判断为正常。
局部放电测试分析步骤(S340)中判断局部放电。局部放电测试是通过测量施加交流电压时在绕组绝缘体发生的局部放电的大小来测量绝缘体内部的劣化状态的测试。在局部放电测试中，可根据测试时测量的放电模式掌握绝缘体的缺陷。若局部放电脉冲的大小较大且AC周期的正极性(+)部分出现的次数较多，则会在铜导体发生局部放电，这表明绝缘材料和导体已分离。若局部放电脉冲的大小较大且AC周期的负极性(-)脉冲的大小较大，则表明在绕组的外部表面发生缝隙放电或终端绕组的分级涂料(grading paint) 损坏。若正极性和负极性的局部放电大小和数量相同，则表明该放电几乎因主绝缘内部的空隙(void)或分层(delamination)而发生。局部放电的不良判定标准应基于6.6kV小于10,000pC。
表3
发电机及高压电动机定子绕组的绝缘状态评估标准
Figure BDA0003070592050000161
(b)在线传感器数据分析及收集
现场绝缘诊断是最可靠的方法，这需要停止重型电机。定期平均每两年进行一次。但是，在线诊断可以在电动机启动过程中进行测量，其可以在定期诊断之间用作异常迹象探测以及数据补充用辅助指标，可通过局部放电模式识别来自动估算发生位置。在进行定期诊断之间可以探测是否突然发生异常，因而防止突然故障。在基本趋势分析中，以提高与未来进行有关的预测精度的目的来使用。
在线传感器数据可根据需要或计划，在未关闭规定期间内运行中的目标重型电机的状态下进行测量。除了雷电之类的突然原因外，绝缘劣化会逐渐进行，因此不需要24小时监视。为了节约信号线、中继器等设施成本以及根据设施的管理成本，可以不连续地进行测量。
本实施例的在线数据处理步骤(S210)包括收集数据分类步骤(S211)、时间/日期趋势分析步骤(S212)、标准检查及事件检查步骤(S213)及事件发生时的警告步骤(S214)。
在收集数据分类步骤(S211)中，对在线收集的传感器数据的每个目标重型电机的类型进行分类。由于该分析系统利用每个制造商的电动机的历史不同的事实，因此准确收集数据源非常重要。因此，数据中包含每个目标重型电机的电动机类型。
在时间/日期趋势整理步骤(S212)中整理收集的数据，以便可以按时间及日期分析趋势。实际上，时间及日期数据趋势整理在在线传感器数据分析 (S700)步骤中进行，为了收集基于这种历史的数据，按时间及日期整理数据来将其传递到数据管理模块400。
标准检查及事件检查步骤(S213)中，第一次判断传感器值。当由各个传感器测量的传感器值立即发生异常时记录事件的发生，并且当事件发生时，警告步骤(S214)中以设置的警告方式进行警告。
例如，若传感器值中测量的交流电流值超过最小值或最大值的范围，则立即判断为异常并记录事件的发生。可通过规定的方法发生警告。
(c)测量数据的数据库构建步骤
图9为示出适用于本发明另一实施例的重型电机健全性分析平台的分析方法的数据库模块的概念图。
数据库模块500将以规定格式输入的数据注册到内部数据库。用户直接输入的数据在运行在数据管理模块400的用户GUI中被转换并传输到数据库。
由数据管理模块400收集的传感器及以往诊断系统的数据按类型分类，并以规定格式传输到数据库来注册。
由数据库模块500输入和管理的数据为重型电机的制造商、序列号、规格、设置位置等基本信息；重型电机的故障及修理、检验历史；离线绝缘诊断测量结果；以及在线传感器测量数据、数据模式、事件发生数据。
进一步地，通过算法判定的电动机的分析结果及分析报告以预定的分类形式重新输入到数据库模块500，以注册于数据库。
参照图9，数据库模块500中的数据库包括电动机规格数据库510、绝缘诊断数据库520、故障历史数据库530、在线传感器数据库540、健全性判定数据库550。电动机规格数据库510存储重型电机的配置，例如记录在电动机铭牌上的项目，例如序列号、功率、电压、电流、转数等。绝缘诊断数据库520存储定期进行的现场绝缘诊断结果。故障历史数据库530记录与诸如在电动机运行中发生的绝缘破坏之类的故障有关的信息。在线传感器数据库 540记录在线收集的各种传感器数据。健全性判定数据库550记录通过本实施例的算法对电动机的状态分析的结果。
尤其，对电动机规格数据库510、绝缘诊断数据库520、故障历史数据库 530进行趋势分析。并且，使用绝缘诊断数据库520、故障历史数据库530、在线传感器数据库540、健全性判定数据库550来预测重型电机的劣化。
数据库模块500提供数据的输入/变更/删除功能，并提供历史查询及重要文件附加功能以及绝缘诊断数据历史查询功能。
追加数据的要求项目如下。
表4
数据库要求项目
Figure BDA0003070592050000181
(d)基于趋势的健全性分析
图10为示出本发明另一实施例的健全性分析系统的分析方法中的基于趋势的健全性分析的流程图。
参考图10，当前标准分析完成后，与数据库联动来进行基于趋势的分析。基于重型电机绝缘诊断历史和重型电机故障历史、电动机运行数据预测每年度的劣化进行，并生成诊断报告。基于趋势的健全性分析按以下顺序进行。
d-1.使用绝缘诊断数据库分类重型电机基本信息(S510)
d-2.提取目标重型电机测量结果(S520)
d-3.检查维护历史(S530)
d-4.估算目标重型电机数据参数(S540)
d-5.使用绝缘诊断数据库来估算同一类型重型电机数据参数(S550)
d-6.使用绝缘诊断数据库来估算基于机器学习的参数(S560)
d-7.使用绝缘诊断数据库来验证相应参数的适当性(S570)
d-8.估算每年的预测趋势(S580)
d-9.基于当前标准来预测劣化(S590)
基于趋势的信息分析基于过去重型电机健全性分析结果来进行。因此，使用绝缘诊断数据库520来分类重型电机基本信息并开始(S510)。从绝缘诊断数据库520提取相应的重型电机基本信息及测量结果(S520)。并且，在故障历史数据库530中检查故障信息及维护历史(S5230)。
在该分析方法中应用回归分析，并使用回归模型(Regression Model)、最小二乘近似(Least squares approximation)。这是一种从测量的测量值近似求解方程式的方法。第一次基于目标电动机数据来估算方程式的参数(S540)。进一步地，第二次应用存储在绝缘诊断数据库520中的相应的重型电机和同一类型重型电机的数据来进行参数的估算工作(S550)。进一步地，第三次使用绝缘诊断数据库520对基于机器学习的参数进行估算(S560)。最终使用现有的绝缘诊断数据库520来对最终估算的相应参数的适当性进行验证(S570)。
通过这种过程，完成可估算当前电动机的预测趋势的模型，并且估算随时间流逝的每年的预测趋势(S580)。最终可以预测基于当前标准的劣化 (S590)。
趋势分析的数据适用示例
描述将实际数据适用于基于趋势的重型电机健全性诊断算法的方法。目标重型电机是韩国当津热电厂8号机的CIDF-A电动机(LB 139160081)，是由韩国晓星公司于2005年制造的电动机。该数据适用示例以局部放电值为准进行。相应电动机的局部放电值如下。
表51
发电机及高压电动机定子绕组的绝缘状态评估标准
类型 2009测量 2011测量 2014测量
局部放电(pC) 1400 11000 42000
对于单个电动机的局部放电数据，不针对多项式Dx3+Cx2+Bx+A进行随机采样(Random Sample)，而是在进行参数估算及最终测量后经过5 年时估算了数据。基本上对一次、二次、三次函数进行了估算。
表52
发电机及高压电动机定子绕组的绝缘状态评估标准
Figure BDA0003070592050000201
在局部放电的情况下，数据通常能够以二次函数的形式表示，即使将包括第一次测量结果和最后一次测量结果的随机选择数据来估算的参数用于估算未来两年内进行的劣化，也不会发生严重的误差。
下表是按运转年限分别适用这些数据提取的示例。
表5
发电机及高压电动机定子绕组的绝缘状态评估标准
Figure BDA0003070592050000202
表6
发电机及高压电动机定子绕组的绝缘状态评估标准
Figure BDA0003070592050000203
Figure BDA0003070592050000211
表7
发电机及高压电动机定子绕组的绝缘状态评估标准
Figure BDA0003070592050000212
表8
发电机及高压电动机定子绕组的绝缘状态评估标准
Figure BDA0003070592050000213
然后，基于同一类型的重型电机的群体，对数据进行随机选择及建模后，估算适当性并重复重新随机选择来选择最合适的模型，从而可以提高估算的精度。在此情况下，适用同一类型的重型电机的数据，并修改对其的追加参数。图9a及图9b为示出图8的实施例中的其他基于趋势的健全性分析的模型的曲线图。
如图9a及图9b所示，通过确定根据基于趋势的健全性分析的模型，可以确保根据所要预测的年度的绝缘状态趋势。
可以基于最终完成的参数，完成相应的重型电机的趋势分析模型，并输入适于该模型的年度来导出所要预测的年度的局部放电值。
(e)绝缘劣化预测仿真分析
图12为示出本发明另一实施例的健全性分析系统的分析方法中的劣化预测仿真分析的流程图。
参考图12，当进行基于趋势的分析时，将进行劣化预测仿真及寿命预测。劣化预测仿真从电动机测量数据生成仿真模型，并基于每年的预测趋势及加权值来进行预备仿真来检查模型的适当性。其流程如下。
e-1.分析重型电机原始数据(S610)
e-2.(加算在线数据的)启动/停止、事件发生加权值分析(S620)
e-3.生成仿真模型(S630)
e-4.调整参数最佳值(进行小规模预备仿真，检查模型适当性)(S640)
e-5.确定仿真模型(S650)
e-6.跟踪劣化关系性(S660)
e-7.估算有条件故障概率(S670)
e-8.构建基于机器学习的劣化估算模型(S680)
e-9.构建劣化预测仿真(S690)
当完成基于趋势的健全性分析(S500)时，由此分析重型电机的原始数据(S610)。通过应用在该原始数据中加上在线传感器数据的原动机的启动/ 停止信息、事件发生信息来分析加权值(S620)。在线传感器数据尤其可以在该模型中包括重型电机突然停止启动或发生故障的事件信息。
可以基于这些两组数据来生成仿真模型(S630)。
若之前的基于趋势的健全性分析(S500)仅以单一类型的重型电机为准进行分析，则适用于绝缘劣化预测仿真分析(S600)的数据的范围扩展到同一制造商的重型电机范围来生成仿真模型(S630)。
基于生成的仿真模型(S630)来调整模型的最佳参数值(S640)。该步骤可以执行小规模预备仿真来判断其适用可能性并调整最佳参数值。尤其，适用于仿真的数据准备得越多，越能增加模型的精细性。以如上所述的方式优化参数值并完成模型后确定仿真模型(S650)。
一方面，通过应用包含之前的在线传感器数据的原动机的启动/停止信息、事件发生信息来跟踪该原动机的劣化关系性(S660)。当根据以往的重型电机的启动/停止及事件发生条件而存在劣化关系性时，通过将其适用于机器学习来生成模型(S680)。另一方面，通过使用被确定的仿真模型来估算有条件故障概率(S670)，并且还将这种估算值适用于机器学习来生成模型(S680)。当应用以如上所述的方式机器学习的劣化估算模型(S680)时，若输入符合特定条件的多个数据，则可以获得用于判断当前状态为正常还是异常的结果值，并应用该结果值来判断正常和异常状态。
可以使用之前提及的两种仿真模型(S650)和基于机器学习的劣化估算模型(S680)来构建劣化预测仿真(S690)。基于上述模型，可知相应的测量值何时发生变化(例如，可通过仿真模型预测诸如局部放电值之类的各个值)，通过适用基于机器学习的劣化估算模型(S680)来对以如上所述的方式预测的值进行正常和异常判定。对于这种机器学习模型将在后述中单独描述。
然后，使用被确定的模型来进行劣化预测仿真。通过劣化预测仿真最终估算故障时期，并基于故障时期的估算及预防维护建议结果来生成综合诊断报告(S800)。
通过机器学习的绝缘状态诊断算法
通过机器学习模型的重型电机绝缘状态诊断是对检查综合意见被判定为良好的数据与被判定为不良(需要注意、分解检验、加强绝缘、更换绕组) 的数据进行区分。为此，使用多元数据挖掘技法构建分类模型，并通过输入先前预处理的数据来选择模型的最佳参数。结果，生成通过机器学习的电动机绝缘状态诊断算法，该算法可针对处于特定状态的新输入值判断其良好和不良。
通过机器学习的绝缘状态诊断算法使用基于马氏距离和田口质量工程学理论的MTS(马田系统)。MTS以正常组中心点为准在马氏空间(Mahalanobis Space；MS)中表示每个单独的数据之后，通过马氏距离(Mahalanobis Distance； MD)计算它们离中心点的距离来分为正常组或异常组。
最终，电动机绝缘状态判定算法接收9个自变量，并输出1个因变量。9 个自变量为绝缘电阻1分钟、极性指数判定、极性指数、耗散因数判定、耗散因数、交流电流判定、交流电流、局部高电压判定、局部放电高电压，并且通过作为输出的1个因变量的综合判定来具有良好和不良的二进制值。
在MTS(马田系统(Mahalanobis Taguchi System))函数库(Library) 中，电动机绝缘状态判定算法函数如下。
算式1
int MTS(double Resist]，double Polar，double Dissip，double Current，double PDHigh，string PolarRes，string DissipRes，string CurrentRes，stringPDHighRes)
下表示出用于管理数据以判定重型电机绝缘状态的数据库模式(DB Schema)。
重型电机诊断数据库模式(DB Schema)
Figure BDA0003070592050000241
Figure BDA0003070592050000251
Figure BDA0003070592050000261
重型电机绝缘状态判定算法以上述数据库模式(DB Schema)为准，对输入_1～输入_9的9个数据进行输入来调用MTS(马田系统(Mahalanobis Taguchi System))函数，并在内部判断良好/不良来返回0(良好)和1(不良)的值。
图13a至13c为示出本发明另一实施例的健全性分析系统的分析方法中的在线传感器数据分析的流程图。
图13a是使用先前预处理的数据集来对检查综合意见为良好的所有数据进行单位距离(马氏距离(Mahalanobis Distance；MD))计算的结果。
参考图13a，对于正常数据的单位距离(MD)结果，测量出mean值为 0.9994，std值为2.8787的结果。由于mean值接近1.0，因此可以判断为正常。
图13b是使用先前检查综合意见不是良好的所有数据来计算单位距离 (马氏距离(Mahalanobis Distance；MD))的结果。
参考图13b，通过使用检查综合意见不是良好的所有数据来计算出单位距离(马氏距离(Mahalanobis Distance；MD))，结果为mean：11.4701， std：7.2826，可知可以从数值上与正常单位距离(马氏距离(Mahalanobis Distance；MD))区分。图13b示出将使用检查综合意见不是良好的数据求出的单位距离(马氏距离(Mahalanobis Distance；MD))与以往的良好的数据求出的单位距离(马氏距离(Mahalanobis Distance；MD))之间的比较，以可分类的程度发生差异，从而可以判断是否异常。
图13c是执行可使用先前求得的正常和异常单位距离(马氏距离 (MahalanobisDistance；MD))进行分类的精度分析的结果。
参考图13c，正常与异常之间的区别是查找精度最高的阈值(Threshold) 的过程，可以确认在阈值为3.0980的位置以91.5％的精度判断良好和不良。因此，可知通过本机器学习的绝缘状态诊断算法是能够以91.5％的精度判断良好和不良的基于MTS的重型电机绝缘状态判定算法。
(d)在线传感器数据分析
如上所述，使用在线传感器数据的第一次判断可在在线数据处理(S210) 中的标准检查及事件检查步骤(S213)中进行。当发生诸如超出设置的标准值等事件时，可以立即进行应对。本分析步骤中，通过应用数据库来进行深入分析。
图14为示出本发明另一实施例的健全性分析系统的分析方法中的在线传感器数据分析的流程图。
在本实施例的在线传感器数据分析步骤(S700)中，对放电模式进行评估。可通过使用实时或以定期间隔测量的放电模式值来掌握模式的发生原因。
参考图12，根据示出的每种模式，示出根据模式的风险度及估算的模式发生原因。
公开了模式的形式(a)至(l)，它们分别具有高风险度、低风险度以及中等风险度的风险级别。可通过掌握每种模式的形式来跟踪发生的原因。
(a)模式是由于绝缘带从绕组导体分层而发生的放电模式，该模式具有高风险度。
(b)模式是由于单层绝缘带分层而发生的放电模式，该模式也具有高风险度。
(c)模式是由于绝缘带的多层分层而发生的放电模式，也具有高风险度。
(d)模式是由于缝隙电晕保护带或涂料磨损而发生的放电模式，也具有高风险度。
(e)模式和(f)模式是由于微孔或空腔而发生的放电模式，具有低风险度。
(g)模式、(h)模式、(i)模式、(j)模式是由于绕组终端表面的放电或漏电而发生的放电模式，具有中等程度的风险度。
(k)模式是由于气体或火花引起的绕组终端放电而发生的放电模式，具有中等程度的风险度。
(l)模式是由于OCP与EPG之间的连接不良而发生的放电模式，具有中等程度风险度。
因此，利用可通过这种传感器数据分析的局部放电模式，可以分析当前重型电机的状态异常或风险度。
除此之外，可以通过分析测量的各种数据来增加分析对象。尤其，通过所构建的数据库，可以增设一种可将当前运行状态值与过去运行状态相比较，并其在超过规定比率以上时判断为异常的算法。
这种在线数据分析的效果是，它可以应对定期现场调查之间可能发生的故障或事件。如上所述，必须在停止所有电动机的启动之后进行定期检验，因此只能每隔几年进行一次定期检验。但在这期间内若重型电机的一部分发生异常，则没有可检验该异常的方法，但是通过这种在线数据分析，可以去除只有定期检验才能检验的盲点。
(e)诊断结果自动判定
基于这些各种分析结果，可以自动判定诊断结果，并在流程中导出结果报告。
除了基于最终结果的报告之外，还需要一种在状态异常时发生通知的方法。若电动机状态异常，则可以通过信号音以及画面上目标电动机的颜色变化来发出通知。
(f)判定结果数据化
图15为示出本发明另一实施例的健全性分析系统的分析方法中的判定结果数据化的流程图。
为了提高每个步骤中生成的模型的精细度，通过将判定结果重新数据化来提供给数据库模块500，并重新构件追加数据库(S400)。
本发明中适用模型-数据驱动方法(Model &Data-driven approach)。尽管基于模型的方法可以用少量的数据确保高预测精度，但由于建立的模型不多，因此存在其应用领域非常有限的缺点。但是，若可以确保准确的模型，则可以由此预测将来的故障。
为了最大化这种基于模型的方法的优点，将数据驱动方法和基于模型的方法结合来适用。模型-数据驱动方法是通过基于数据对在内部/外部发生的不确定性进行建模来提高模型的精度的方法，其使用贝叶斯方法(Bayesian Approach)概率性表示不确定性，并基于贝叶斯定理(Bayes theorem)进行分析、估算及更新。
参考图15，通过将判定结果重新数据化，并基于此来使现有的数据模型进一步精细化。并且，若在算法估算的寿命周期之前发生事故，则可以根据事故类型和原因自动重新反映算法的寿命预测标准，以将其再适用于同一类型电动机的寿命预测。
本发明不限于上述实施例及附图。本发明所属技术领域的普通技术人员可以明确理解可在不脱离本发明的技术思想的范围内对本发明的组件进行替换、变形及变更。
产业上的可利用性
本发明用于解决如上所述的问题，本发明的目的在于，提供一种重型电机健全性分析平台及使用其的分析方法，其管理与重型电机测试有关的各种类型的数据，并可以使用其来预测故障时期。

Claims (20)

1.一种重型电机健全性分析平台，包括：
传感器模块(210)；
数据收集模块(220)，用于从上述传感器模块(210)收集数据；
数据管理模块(400)，用于从上述数据收集模块(220)接收数据并管理；
数据库模块(500)，用于记录从上述数据管理模块(400)接收的数据；以及
诊断分析模块(600)，通过应用上述数据库模块(500)中记录的数据来对电动机进行诊断，
上述重型电机健全性分析平台(1000)的特征在于，
上述诊断分析模块(600)包括：
当前标准绝缘诊断系统(610)，用于基于接收到的多个数据来诊断健全性；
基于趋势的健全性分析系统(620)，用于与上述数据库模块(500)的数据库联动来估算并分析每年的预测趋势；
劣化预测仿真分析系统(630)，通过生成仿真模型来分析劣化；以及
在线传感器数据分析系统(640)，通过使用所提供的在线数据来进行分析。
2.根据权利要求1所述的重型电机健全性分析平台，其特征在于，还包括：
结算模块(110)，能够进行与外部用户之间的结算；
报告及数据管理模块(120)，用于从外部用户收集报告和数据及向外部用户提供报告和数据；以及
警告模块(130)，用于在事件发生时向外部警告该事件。
3.根据权利要求1所述的重型电机健全性分析平台，其特征在于，
上述传感器模块(210)包括安装于上述重型电机的安装传感器(211)、诊断设备(212)及系统传感器(213)，
上述数据收集模块(220)包括：
工厂信息系统(221)，用于收集上述安装传感器(211)的数据；
常规诊断系统(222)，与上述诊断设备(212)联动；以及
换能器(213)，与上述系统传感器(213)联动。
4.根据权利要求1所述的重型电机健全性分析平台，其特征在于，上述数据库模块(500)包括电动机规格数据库(510)、绝缘诊断数据库(520)、故障历史数据库(530)、在线传感器数据库(540)及健全性判定数据库(550)。
5.根据权利要求4所述的重型电机健全性分析平台，其特征在于，基于趋势的健全性分析系统(620)通过估算目标电动机数据参数和使用上述绝缘诊断数据库(520)的同一类型的重型电机数据参数来，估算每年的预测趋势。
6.根据权利要求1所述的重型电机健全性分析平台，其特征在于，劣化预测仿真分析系统(630)包括仿真模型和基于机器学习的劣化估算模型。
7.根据权利要求6所述的重型电机健全性分析平台，其特征在于，所要构建的基于机器学习的劣化估算模型为如下的模型：基于正常组中心点将每个单独数据表示在马氏空间内后，通过测量马氏距离的方法计算上述数据离中心点的距离来判断正常及异常。
8.根据权利要求7所述的重型电机健全性分析平台，其特征在于，上述每个单独数据的自变量是绝缘电阻1分钟测量值、极性指数判定值、极性指数值、耗散因数判定值、耗散因数值、交流电流判定值、交流电流值、局部高电压判定值、局部放电高电压值。
9.根据权利要求1所述的重型电机健全性分析平台，其特征在于，上述重型电机包括发电机、变压器、电动机。
10.一种重型电机健全性分析方法，其特征在于，包括：
现场诊断信息输入步骤(Sl00)，接收在重型电机停止启动的状态下从现场收集的数据；
在线传感器数据收集步骤(S200)，定期/不连续地收集通过传感器模块(210)及数据收集模块(220)所设置的多个传感器的数据；
数据库构建步骤(S400)，上述现场诊断信息输入步骤(Sl00)及在线传感器数据收集步骤(S200)；
当前标准健全性分析步骤(S300)，包括直流测试分析步骤(S310)、交流电流测试分析步骤(S320)、耗散因数测试分析步骤(S330)及局部放电测试分析步骤(S340)，并基于上述现场诊断信息输入步骤(Sl00)中输入的数据来诊断当前标准重型电机的健全性；
基于趋势的健全性分析步骤(S500)，通过链接上述数据库构建步骤(S400)中构建的数据库来估算每年的预测趋势并分析健全性；
劣化预测仿真分析步骤(S600)，通过生成仿真模型来分析重型电机的健全性；
在线传感器数据分析步骤(S700)，使用上述在线传感器数据收集步骤(S200)中收集的在线传感器数据来分析重型电机的健全性；以及
诊断结果自动判定步骤(S800)。
11.根据权利要求1所述的重型电机健全性分析方法，其特征在于，
上述当前标准健全性分析步骤(S300)中使用上述现场诊断信息输入步骤(S100)中输入的数据来进行分析，
上述基于趋势的健全性分析步骤(S500)中使用上述现场诊断信息输入步骤(S100)中输入的数据及与上述现场诊断的重型电机的类型相同的重型电机的数据来进行分析，
上述劣化预测仿真分析步骤(S600)中使用上述现场诊断信息输入步骤(S100)中输入的数据、与上述现场诊断的重型电机的类型相同的重型电机的数据、与上述现场诊断的重型电机的制造商相同以及时期相似的重型电机的数据来进行分析。
12.根据权利要求10所述的重型电机健全性分析方法，其特征在于，上述在线传感器数据收集步骤(S200)包括：
收集数据分类步骤(S211)，将在线收集的传感器数据分类为每个目标重型电机的数据；
时间/日期趋势整理步骤(S212)，以能够按时间及日期分析趋势的方式进行整理；
标准检查及事件检查步骤(S213)，通过第一次判断传感器值来检测事件；以及
事件发生时的警告步骤(S214)，事件发生时产生警告。
13.根据权利要求10所述的重型电机健全性分析方法，其特征在于，数据库构建步骤(S400)中构建的数据库包括重型电机规格数据库(510)、绝缘诊断数据库(520)、故障历史数据库(530)、在线传感器数据库(540)、健全性判定数据库(550)。
14.根据权利要求10所述的重型电机健全性分析方法，其特征在于，基于趋势的健全性分析步骤(S500)包括：
使用绝缘诊断数据库的重型电机基本信息分类步骤(S510)；
目标重型电机测量结果提取步骤(S520)；
维护历史检查步骤(S530)；
目标电动机数据参数估算步骤(S540)；
使用绝缘诊断数据库的同一类型的重型电机数据参数估算步骤(S550)；
使用绝缘诊断数据库的基于机器学习的参数估算步骤(S560)；
使用绝缘诊断数据库的相应参数适当性验证步骤(S570)；
每年的预测趋势估算步骤(S580)；以及
基于当前标准的劣化预测步骤(S590)。
15.根据权利要求10所述的重型电机健全性分析方法，其特征在于，劣化预测仿真分析步骤(S600)包括：
重型电机原始数据分析步骤(S610)；
在线传感器数据收集步骤(S200)中收集的在线数据被加算的启动/停止、事件发生加权值分析步骤(S620)；
仿真模型生成步骤(S630)；
仿真模型生成步骤(S630)中生成的仿真模型的参数最佳值调整步骤(S640)；
仿真模型确定步骤(S650)，通过上述参数最佳值调整步骤中调整的值来确定模型；
劣化关系性跟踪步骤(S660)，基于上述启动/停止、事件发生加权值分析步骤(S620)中分析的结果值来跟踪事件的关系性；
有条件故障概率估算步骤(S670)，使用上述仿真模型确定步骤(S650)中确定的仿真模型来估算故障概率；
基于机器学习的劣化估算模型构建步骤(S680)，基于机器学习来构建劣化模型；以及
劣化预测仿真构建步骤(S690)，通过上述仿真模型确定步骤(S650)中确定的仿真模型和上述基于机器学习的劣化估算模型构建步骤(S680)中确定的基于机器学习的劣化估算模型来完成最终仿真。
16.根据权利要求10所述的重型电机健全性分析方法，其特征在于，在所要构建的基于机器学习的劣化估算模型构建步骤(S680)中，基于正常组中心点将每个单独数据表示在马氏空间内后，通过测量马氏距离的方法计算上述数据离中心点的距离来判断正常及异常。
17.根据权利要求16所述的重型电机健全性分析方法，其特征在于，上述每个单独数据的自变量是绝缘电阻1分钟测量值、极性指数判定值、极性指数值、耗散因数判定值、耗散因数值、交流电流判定值、交流电流值、局部高电压判定值、局部放电高电压值。
18.根据权利要求10所述的重型电机健全性分析方法，其特征在于，在线传感器数据分析步骤(S700)中，从上述在线传感器数据收集步骤(S200)中收集的在线传感器数据中提取放电模式值，并根据上述放电模式估算风险度及发生原因。
19.根据权利要求10所述的重型电机健全性分析方法，其特征在于，还包括用于将诊断结果自动判定步骤(S800)中判定的结果重新适用于数据库构建(S400)的判定结果数据化步骤(S900)。
20.根据权利要求19所述的重型电机健全性分析方法，其特征在于，使用上述判定结果数据化(S900)步骤中生成的数据来通过模型-数据驱动方法将在劣化预测仿真分析步骤(S600)中生成的仿真模型更新为更精细的模型。
CN202080006322.0A 2019-10-07 2020-10-06 重型电机健全性分析平台及使用其的分析方法 Pending CN113167834A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
KR10-2019-0123584 2019-10-07
KR1020190123584A KR102092185B1 (ko) 2019-10-07 2019-10-07 중전기기 건전성 분석 플랫폼 및 이를 이용하는 분석 방법
PCT/KR2020/013533 WO2021071189A1 (ko) 2019-10-07 2020-10-06 중전기기 건전성 분석 플랫폼 및 이를 이용하는 분석 방법

Publications (1)

Publication Number Publication Date
CN113167834A true CN113167834A (zh) 2021-07-23

Family

ID=70914844

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202080006322.0A Pending CN113167834A (zh) 2019-10-07 2020-10-06 重型电机健全性分析平台及使用其的分析方法

Country Status (4)

Country Link
US (1) US20210241544A1 (zh)
KR (1) KR102092185B1 (zh)
CN (1) CN113167834A (zh)
WO (1) WO2021071189A1 (zh)

Families Citing this family (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102092185B1 (ko) * 2019-10-07 2020-05-26 팩트얼라이언스 주식회사 중전기기 건전성 분석 플랫폼 및 이를 이용하는 분석 방법
KR102234531B1 (ko) 2020-07-28 2021-03-31 에이비주식회사 인공지능 분석을 이용한 중전기기 건전성 진단 시스템 및 방법
CN112016828B (zh) * 2020-08-26 2024-03-12 中国特种设备检测研究院 基于流式大数据的工业设备健康管理云平台架构
KR102366922B1 (ko) * 2021-08-27 2022-02-28 팩트얼라이언스 주식회사 시계열적 절연 진단 정보 기반의 중전기기 열화 예측 시스템 및 그 방법
CN113765723B (zh) * 2021-09-23 2024-05-07 深圳市天威网络工程有限公司 一种基于Cable Modem终端设备的健康诊断方法及其系统
CN114047730B (zh) * 2021-10-27 2023-10-27 华电西港发电有限公司 一种高效省能火电厂发电生产优化控制装置
CN113836117A (zh) * 2021-11-04 2021-12-24 云南电网有限责任公司电力科学研究院 一种震中瓷套类电力设备姿态特征数据库系统
KR102479755B1 (ko) * 2021-11-30 2022-12-23 팩트얼라이언스 주식회사 실시간 센싱 데이터 기반의 중전기기 예방정비 권고 시스템 및 그 방법
KR102464719B1 (ko) * 2021-11-30 2022-11-10 팩트얼라이언스 주식회사 모델-데이터 기반의 중전기기 수명 예측 시스템 및 그 방법
CN114565327B (zh) * 2022-04-29 2022-07-05 深圳科信能源科技有限公司 基于物联网的智慧能源管控系统
CN114966402B (zh) * 2022-07-28 2022-11-01 山东翔讯科技有限公司 一种开关磁阻电机故障诊断系统
CN115827411B (zh) * 2022-12-08 2023-05-16 国家管网集团北方管道有限责任公司 一种用于自动化设备的在线监测及运维评估系统和方法
CN115864759B (zh) * 2023-02-06 2023-05-02 深圳市利和兴股份有限公司 一种电机自动测试工站的控制方法及系统
CN116609652B (zh) * 2023-04-23 2023-10-27 江苏苏港智能装备产业创新中心有限公司 一种基于起重机电机振温信号的电机健康预测评估方法
CN116703368B (zh) * 2023-08-08 2023-10-13 国网信通亿力科技有限责任公司 基于数据挖掘的同期线损智能闭环监测方法
CN117169716B (zh) * 2023-09-07 2024-02-27 江苏省特种设备安全监督检验研究院 一种基于马尔科夫随机场算法的电机健康诊断系统
CN117761535A (zh) * 2024-02-22 2024-03-26 中汽研新能源汽车检验中心(天津)有限公司 一种永磁同步电机湿热绝缘失效评估方法及装置

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20010077602A (ko) * 2000-02-03 2001-08-20 이종훈 변전기기 예방진단시스템
KR20080013233A (ko) * 2006-08-08 2008-02-13 (주)케이제이다이나텍 전동기 절연 자동측정장치 및 그 방법
US20100161274A1 (en) * 2008-12-23 2010-06-24 Embraer- Empresa Brasileira De Aeronautica S.A. Prognostics and health monitoring for electro-mechanical systems and components
JP2010139248A (ja) * 2008-12-09 2010-06-24 Takayoshi Yamamoto 対象設備の寿命予測の方法、コンピュータプログラム、及び、対象設備の寿命予測のための装置
WO2014156386A1 (ja) * 2013-03-29 2014-10-02 三菱電機株式会社 電動機の診断装置および開閉装置
CN104267346A (zh) * 2014-09-10 2015-01-07 国电南瑞科技股份有限公司 一种发电机励磁系统故障远程诊断方法
CN105184059A (zh) * 2015-08-20 2015-12-23 国家电网公司 一种基于海量数据的水电机组状态分析评估方法
CN106951687A (zh) * 2017-02-28 2017-07-14 广东电网有限责任公司惠州供电局 基于模糊逻辑和证据推理的变压器绝缘应力计算和评价方法
JP2018180759A (ja) * 2017-04-07 2018-11-15 株式会社日立製作所 システム分析装置、及びシステム分析方法
CN109543858A (zh) * 2018-11-30 2019-03-29 青海电研科技有限责任公司 一种水电机组在线监测数据分析评估方法
KR20190072165A (ko) * 2017-12-15 2019-06-25 주식회사 에이스이앤티 모터 고장 진단 시스템
CN110007652A (zh) * 2019-03-22 2019-07-12 华中科技大学 一种水电机组劣化趋势区间预测方法与系统
KR20190085291A (ko) * 2018-01-10 2019-07-18 주식회사 서연이화 자동화설비의 고장분석장치 및 방법

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101503478B1 (ko) 2013-12-23 2015-03-17 한국중부발전(주) 센서를 이용한 무선 전동기 모니터링 시스템
KR200486953Y1 (ko) 2017-09-08 2018-07-18 한국발전기술주식회사 지능형 전동기 상태 진단장치
KR102092185B1 (ko) * 2019-10-07 2020-05-26 팩트얼라이언스 주식회사 중전기기 건전성 분석 플랫폼 및 이를 이용하는 분석 방법

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20010077602A (ko) * 2000-02-03 2001-08-20 이종훈 변전기기 예방진단시스템
KR20080013233A (ko) * 2006-08-08 2008-02-13 (주)케이제이다이나텍 전동기 절연 자동측정장치 및 그 방법
JP2010139248A (ja) * 2008-12-09 2010-06-24 Takayoshi Yamamoto 対象設備の寿命予測の方法、コンピュータプログラム、及び、対象設備の寿命予測のための装置
US20100161274A1 (en) * 2008-12-23 2010-06-24 Embraer- Empresa Brasileira De Aeronautica S.A. Prognostics and health monitoring for electro-mechanical systems and components
WO2014156386A1 (ja) * 2013-03-29 2014-10-02 三菱電機株式会社 電動機の診断装置および開閉装置
CN104267346A (zh) * 2014-09-10 2015-01-07 国电南瑞科技股份有限公司 一种发电机励磁系统故障远程诊断方法
CN105184059A (zh) * 2015-08-20 2015-12-23 国家电网公司 一种基于海量数据的水电机组状态分析评估方法
CN106951687A (zh) * 2017-02-28 2017-07-14 广东电网有限责任公司惠州供电局 基于模糊逻辑和证据推理的变压器绝缘应力计算和评价方法
JP2018180759A (ja) * 2017-04-07 2018-11-15 株式会社日立製作所 システム分析装置、及びシステム分析方法
KR20190072165A (ko) * 2017-12-15 2019-06-25 주식회사 에이스이앤티 모터 고장 진단 시스템
KR20190085291A (ko) * 2018-01-10 2019-07-18 주식회사 서연이화 자동화설비의 고장분석장치 및 방법
CN109543858A (zh) * 2018-11-30 2019-03-29 青海电研科技有限责任公司 一种水电机组在线监测数据分析评估方法
CN110007652A (zh) * 2019-03-22 2019-07-12 华中科技大学 一种水电机组劣化趋势区间预测方法与系统

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
丁显;韩宁宁;滕伟;: "基于深度学习的直驱风电机组故障辨识", 可再生能源, no. 10, 20 October 2018 (2018-10-20) *
严英杰;盛戈;陈玉峰;江秀臣;郭志红;秦少鹏;: "基于时间序列分析的输变电设备状态大数据清洗方法", 电力系统自动化, no. 07, 10 April 2015 (2015-04-10) *
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, no. 09, 18 September 2018 (2018-09-18) *
董兴辉;张光;程友星;王帅;: "一种风电机组轴承健康劣化趋势预测方法", 动力工程学报, no. 05, 15 May 2018 (2018-05-15) *
骆思佳;黄文武;冯杰;: "电力变压器状态多层次评估模式的研究", 变压器, no. 03, 25 March 2013 (2013-03-25), pages 32 - 36 *

Also Published As

Publication number Publication date
WO2021071189A1 (ko) 2021-04-15
KR102092185B1 (ko) 2020-05-26
US20210241544A1 (en) 2021-08-05

Similar Documents

Publication Publication Date Title
CN113167834A (zh) 重型电机健全性分析平台及使用其的分析方法
CN110647133B (zh) 轨道交通设备状态检测维护方法及系统
CA2545695C (en) Method and system for predicting remaining life for motors featuring on-line insulation condition monitor
Xu et al. Health management based on fusion prognostics for avionics systems
US7873581B2 (en) Method and system for determining the reliability of a DC motor system
US20090096405A1 (en) Method and system for remotely predicting the remaining life of an ac motor system
EP1242923A2 (en) A process for the monitoring and diagnostics of data from a remote asset
de Andrade Vieira et al. Failure risk indicators for a maintenance model based on observable life of industrial components with an application to wind turbines
WO2011073613A1 (en) A method, apparatus and computer program for diagnosing a mode of operation of a machine
EP3553044A1 (en) System and method of remote object monitoring
KR20200014129A (ko) 딥러닝을 이용한 변압기 진단 방법
US20210232104A1 (en) Method and system for identifying and forecasting the development of faults in equipment
US20080244326A1 (en) Prognosis of faults in electronic circuits
EP3972084A2 (en) Systems and methods for monitoring energy-related data in an electrical system
Barbieri et al. Sensor-based degradation prediction and prognostics for remaining useful life estimation: Validation on experimental data of electric motors
KR20220096729A (ko) 전기자동차 충전기 모니터링 시스템
EP1543596A1 (en) Method and apparatus for monitoring a technical installation, especially for carrying out diagnosis
US11339763B2 (en) Method for windmill farm monitoring
Gopinath et al. Insulation condition assessment of high‐voltage rotating machines using hybrid techniques
KR20230077994A (ko) 제조 설비의 고장 예측 시스템
Sathish et al. Event based robot prognostics using principal component analysis
Bejaoui et al. Intelligent Monitoring and Remaining Useful Life Estimation of Industrial Systems
RU2814857C1 (ru) Система мониторинга и диагностирования состояния турбогенератора
KR102624649B1 (ko) 전기차 통합유지보수 클라우드 플랫폼
RU2814856C1 (ru) Система мониторинга и диагностирования состояния турбогенератора

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