CN113189483B - 一种转频谱峰与电流极差联合推断轴流风机故障诊断方法 - Google Patents

一种转频谱峰与电流极差联合推断轴流风机故障诊断方法 Download PDF

Info

Publication number
CN113189483B
CN113189483B CN202110450384.7A CN202110450384A CN113189483B CN 113189483 B CN113189483 B CN 113189483B CN 202110450384 A CN202110450384 A CN 202110450384A CN 113189483 B CN113189483 B CN 113189483B
Authority
CN
China
Prior art keywords
index
axial flow
flow fan
fault
thr
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
Application number
CN202110450384.7A
Other languages
English (en)
Other versions
CN113189483A (zh
Inventor
雷亚国
王文廷
邢赛博
李乃鹏
杨彬
王彪
姜鑫伟
李熹伟
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.)
Xian Jiaotong University
Original Assignee
Xian Jiaotong University
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 Xian Jiaotong University filed Critical Xian Jiaotong University
Priority to CN202110450384.7A priority Critical patent/CN113189483B/zh
Publication of CN113189483A publication Critical patent/CN113189483A/zh
Application granted granted Critical
Publication of CN113189483B publication Critical patent/CN113189483B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/34—Testing dynamo-electric machines
    • G01R31/343—Testing dynamo-electric machines in operation
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M1/00—Testing static or dynamic balance of machines or structures
    • G01M1/14—Determining imbalance
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M1/00—Testing static or dynamic balance of machines or structures
    • G01M1/14—Determining imbalance
    • G01M1/16—Determining imbalance by oscillating or rotating the body to be tested
    • G01M1/22—Determining imbalance by oscillating or rotating the body to be tested and converting vibrations due to imbalance into electric variables
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • G01M13/04—Bearings
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • G01M13/04—Bearings
    • G01M13/045—Acoustic or vibration analysis
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R29/00—Arrangements for measuring or indicating electric quantities not covered by groups G01R19/00 - G01R27/00
    • G01R29/16—Measuring asymmetry of polyphase networks
    • 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
    • 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
    • G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
    • G01R31/52—Testing for short-circuits, leakage current or ground faults

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Acoustics & Sound (AREA)
  • Control Of Positive-Displacement Air Blowers (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

一种转频谱峰与电流极差联合推断轴流风机故障诊断方法，首先采集轴流风机的振动信号和三相电流信号；通过分析轴流风机异常情况下振动信号和三相电流信号的特点，针对振动信号构建了无量纲转频谱峰值指标和无量纲倍频谱峰值指标，之后针对三相电流信号分别构建了极小有效值指标、有效值极差值指标及小波频谱极差值指标；基于上述指标，通过给定相应阈值，进行联合推断，实现轴流风机的自动故障诊断；本发明克服了传统方法费时费力且难以有效解决问题的缺点，可以对不同转速下的异常轴流风机进行自动故障诊断，提高轴流风机故障诊断的准确性和实时性。

Description

一种转频谱峰与电流极差联合推断轴流风机故障诊断方法
技术领域
本发明属于轴流风机故障诊断技术领域，具体涉及一种转频谱峰与电流极差联合推断轴流风机故障诊断方法。
背景技术
轴流风机通常由电机、叶轮叶片和机壳构成，其结构简单、功耗较低、噪声较小且安装方便，故常用于民用建筑、工厂、地铁等场所的通风换气，也广泛应用于各种机械设备的散热降温。由于轴流风机常在高转速条件下工作，随着服役时间的增长，其内部可能出现一些故障，如果对轴流风机异常现象不加以重视，则易引发巨大的经济损失甚至人员伤亡，故亟需研究有效可靠的轴流风机故障诊断方法。
轴流风机一般采用电机直连叶轮的结构，因此其故障类型主要包括叶轮叶片故障、电气故障、电机转子故障及电机轴承故障。近年来，人们常在轴流风机上布置电流和振动传感器以监测其运行状态，若监测状态出现异常，维护人员通常需要整机拆解以定位故障，或根据经验知识判断故障类型。然而，上述方法需要人为判断，费时费力且难以有效解决问题。因此，通过利用电流和振动传感器的监测信息，对异常轴流风机进行实时的自动故障诊断，及时确定故障类型及故障位置，可以为轴流风机的运行维护提供科学有效的指导。
发明内容
为了克服上述现有技术存在的缺点，本发明的目的在于提供了一种转频谱峰与电流极差联合推断轴流风机故障诊断方法，提高轴流风机故障诊断的准确性和实时性。
为达到上述目的，本发明采取的技术方案如下：
一种转频谱峰与电流极差联合推断轴流风机故障诊断方法，首先采集轴流风机的振动信号和三相电流信号；通过分析轴流风机异常情况下振动信号和三相电流信号的特点，针对振动信号构建了无量纲转频谱峰值指标和无量纲倍频谱峰值指标，之后针对三相电流信号分别构建了极小有效值指标、有效值极差值指标及小波频谱极差值指标；基于上述指标，通过给定相应阈值，进行联合推断，实现轴流风机的自动故障诊断。
一种转频谱峰与电流极差联合推断轴流风机故障诊断方法，包括以下步骤：
1)信号采集：
通过布置相应传感器，采集轴流风机的三相电流信号和振动信号；
2)构建振动信号特色监测指标：
根据不同故障下振动信号的特征，针对振动信号分别构建了无量纲转频谱峰值指标RF_P及无量纲倍频谱峰值指标MF_P，具体如下：
2.1)无量纲转频谱峰值指标RF_P：
对振动信号做傅里叶变换，得到对应频谱，之后搜索实际转频左右各1Hz的频段区间内的最大幅值mf，并计算振动信号时域峰峰值xpp：
xpp＝max(x(t))-min(x(t)) (1)
其中x(t)代表振动信号；
计算频域幅值mf与时域峰峰值xpp的比值，并将结果进行放大处理，得到无量纲转频谱峰值指标RF_P，具体如式(2)所示：
Figure BDA0003038419170000021
2.2)无量纲倍频谱峰值指标MF_P：
对振动信号进行傅里叶变换，得到对应频谱，分别搜索1倍、2倍、3倍转频左右各1Hz区间内的最大幅值，记为
Figure BDA0003038419170000022
j＝1，2，3；通过对不同倍频幅值予以不同权重，得到无量纲倍频谱峰值指标MF_P，具体如式(3)所示：
Figure BDA0003038419170000031
3)构建三相电流信号特色监测指标：
根据电气故障时三相电流信号的差异，针对三相电流信号分别构建了极小有效值指标RMS_Min、有效值极差值指标RMS_D及小波频谱极差值指标WTFP_D，具体如下：
3.1)极小有效值指标RMS_Min：
计算三相电流信号对应的有效值
Figure BDA0003038419170000032
和
Figure BDA0003038419170000033
Figure BDA0003038419170000034
Figure BDA0003038419170000035
Figure BDA0003038419170000036
其中，IU、IV、IW分别表示U、V、W相的电流信号，N表示信号的采样点数，极小有效值指标RMS_Min通过取各相电流有效值的极小值，并对结果放大得到，具体如下式所示：
Figure BDA0003038419170000037
3.2)有效值极差值指标RMS_D：
求取各有效值之间的最大差值，并对结果进行放大，得到有效值极差值指标RMS_D：
Figure BDA0003038419170000038
3.3)小波频谱极差值指标WTFP_D：
利用db10小波分解三相电流信号，得到四层分解结果，取分解结果的第一层和第二层细节分量，对其进行傅里叶变换，得到对应频谱，之后计算各相第一、二层细节分量频谱的最大值
Figure BDA0003038419170000039
和
Figure BDA00030384191700000310
如下式所示：
Figure BDA0003038419170000041
Figure BDA0003038419170000042
Figure BDA0003038419170000043
其中，i＝1,2分别代表第一、二层细节分量，
Figure BDA0003038419170000044
和
Figure BDA0003038419170000045
分别代表U、V、W相电流信号第i层细节分量对应的频谱；
分别计算各相电流信号对应每层细节分量频谱的最大值之间的最大差值，即分别在i＝1和i＝2时
Figure BDA0003038419170000046
和
Figure BDA0003038419170000047
之间的最大差值，并将该差值除以上述三者间最小值，最后将结果进行放大处理，并对两层细节分量的计算结果进行求和，得到小波频谱极差值指标WTFP_D：
Figure BDA0003038419170000048
4)轴流风机自动故障诊断：
通过对不同监测指标设定对应阈值THR_1、THR_2、THR_3、THR_4、THR_5，实现轴流风机的自动故障诊断，具体过程如下：
在RF_P≥THR_1的情况下，轴流风机故障类型为叶轮或叶片不平衡；
在RF_P<THR_1的情况下，首先判断电气故障，如果RMS_Min<THR_3，则故障类型为断相故障；否则，如果满足RMS_D>THR_4，此时故障类型为电压不平衡故障；如果RMS_Min≥THR_3，RMS_D≤THR_4且WTFP_D>THR_5，此时故障类型为短路故障；若上述三种情况均不成立，则故障类型属于机械故障，当MF_P>THR_2时，故障类型为电机转子故障；而当MF_P≤THR_2时，故障类型为电机轴承故障。
本发明的有益效果为：
本发明提出一种转频谱峰与电流极差联合推断轴流风机故障诊断方法，通过分析异常轴流风机振动信号和三相电流信号的特点，依次构建了无量纲转频谱峰值指标RF_P、无量纲倍频谱峰值指标MF_P、极小有效值指标RMS_Min、有效值极差值指标RMS_D及小波频谱极差值指标WTFP_D，之后对不同指标分别设定不同的阈值，根据指标和阈值的关系，联合多个指标进行推断，实现轴流风机的自动故障诊断；从而克服传统方法费时费力且难以有效解决问题的缺点，提高轴流风机故障诊断的准确性和实时性。
附图说明
图1为本发明的流程图。
图2为实施例不同转速下故障轴流风机的诊断结果。
具体实施方式
下面结合附图和实施例对本发明做进一步阐述。
参照图1，一种转频谱峰与电流极差联合推断轴流风机故障诊断方法，包括以下步骤：
1)信号采集：
通过布置相应传感器，采集轴流风机的三相电流信号和振动信号；
2)构建振动信号特色监测指标：
根据不同故障下振动信号的特征，针对振动信号分别构建了无量纲转频谱峰值指标RF_P及无量纲倍频谱峰值指标MF_P，具体如下：
2.1)无量纲转频谱峰值指标RF_P：
对振动信号做傅里叶变换，得到对应频谱，之后搜索实际转频左右各1Hz的频段区间内的最大幅值mf，并计算振动信号时域峰峰值xpp：
xpp＝max(x(t))-min(x(t)) (1)
其中x(t)代表振动信号；
计算频域幅值mf与时域峰峰值xpp的比值，并将结果进行放大处理，得到无量纲转频谱峰值指标RF_P，具体如式(2)所示：
Figure BDA0003038419170000051
2.2)无量纲倍频谱峰值指标MF_P：
对振动信号进行傅里叶变换，得到对应频谱，分别搜索1倍、2倍、3倍转频左右各1Hz区间内的最大幅值，记为
Figure BDA0003038419170000061
通过对不同倍频幅值予以不同权重，得到无量纲倍频谱峰值指标MF_P，具体如式(3)所示：
Figure BDA0003038419170000062
3)构建三相电流信号特色监测指标：
根据电气故障时三相电流信号的差异，针对三相电流信号分别构建了极小有效值指标RMS_Min、有效值极差值指标RMS_D及小波频谱极差值指标WTFP_D，具体如下：
3.1)极小有效值指标RMS_Min：
计算三相电流信号对应的有效值
Figure BDA0003038419170000063
和
Figure BDA0003038419170000064
Figure BDA0003038419170000065
Figure BDA0003038419170000066
Figure BDA0003038419170000067
其中，IU、IV、IW分别表示U、V、W相的电流信号，N表示信号的采样点数，极小有效值指标RMS_Min通过取各相电流有效值的极小值，并对结果放大得到，具体如下式所示：
Figure BDA0003038419170000068
3.2)有效值极差值指标RMS_D：
求取各有效值之间的最大差值，并对结果进行放大，得到有效值极差值指标RMS_D：
Figure BDA0003038419170000069
3.3)小波频谱极差值指标WTFP_D：
利用db10小波分解三相电流信号，得到四层分解结果，取分解结果的第一层和第二层细节分量，对其进行傅里叶变换，得到对应频谱，之后计算各相第一、二层细节分量频谱的最大值
Figure BDA0003038419170000071
和
Figure BDA0003038419170000072
如下式所示：
Figure BDA0003038419170000073
Figure BDA0003038419170000074
Figure BDA0003038419170000075
其中，i＝1,2分别代表第一、二层细节分量，
Figure BDA0003038419170000076
和
Figure BDA0003038419170000077
分别代表U、V、W相电流信号第i层细节分量对应的频谱；
分别计算各相电流信号对应每层细节分量频谱的最大值之间的最大差值，即分别在i＝1和i＝2时
Figure BDA0003038419170000078
和
Figure BDA0003038419170000079
之间的最大差值，并将该差值除以上述三者间最小值，最后将结果进行放大处理，并对两层细节分量的计算结果进行求和，得到小波频谱极差值指标WTFP_D：
Figure BDA00030384191700000710
4)轴流风机自动故障诊断：
通过对不同监测指标设定对应阈值THR_1、THR_2、THR_3、THR_4、THR_5，实现轴流风机的自动故障诊断，具体过程如下：
在RF_P≥THR_1的情况下，轴流风机故障类型为叶轮或叶片不平衡；
在RF_P<THR_1的情况下，首先判断电气故障，如果RMS_Min<THR_3，则故障类型为断相故障；否则，如果满足RMS_D>THR_4，此时故障类型为电压不平衡故障；如果RMS_Min≥THR_3，RMS_D≤THR_4且WTFP_D>THR_5，此时故障类型为短路故障；若上述三种情况均不成立，则故障类型属于机械故障，当MF_P>THR_2时，故障类型为电机转子故障；而当MF_P≤THR_2时，故障类型为电机轴承故障。
实施例：基于轴流风机故障实验数据，验证本发明方法的有效性。轴流风机故障实验数据中所包含故障类型如下：风机叶轮或叶片不平衡故障、电气故障、电机转子不平衡故障和电机轴承故障，其中电气故障又细分为缺相故障、电压不平衡、短路故障。其中每种故障类型都对应三个转速——20Hz、25Hz及30Hz。在故障实验过程中，利用加速度传感器和电流钳采集故障轴流风机的单向振动信号和三相电流信号，并且在每种转速下都采集三段信号。使用本发明方法进行轴流风机的自动故障诊断，首先针对振动信号和三相电流信号提取本发明方法中的特色监测指标，之后为每个监测指标设置相应阈值：THR_1、THR_2、THR_3、THR_4和THR_5分别为400、400、100、500、500；之后对不同转速下的轴流风机进行故障诊断，诊断结果如图2所示。从图2中可以看出，在不同转速下，针对不同的故障类型，本发明方法在绝大多数情况下均能提供准确的诊断结果，可以为异常轴流风机的维护提供科学指导和参考，证明了本发明方法的有效性。
本发明方法适用于各类轴流风机的自动故障诊断，在实际应用中，实施者可以针对实际情况，对阈值进行相应调整，之后可以利用本发明方法对不同转速下的异常轴流风机进行故障诊断，有助于提高轴流风机故障诊断的准确性和实时性。应当指出，在不脱离本发明构想的前提下，对本发明方法所做的调整和变形，也应视为本发明的保护范围。

Claims (1)

1.一种转频谱峰与电流极差联合推断轴流风机故障诊断方法，其特征在于：首先采集轴流风机的振动信号和三相电流信号；通过分析轴流风机异常情况下振动信号和三相电流信号的特点，针对振动信号构建了无量纲转频谱峰值指标和无量纲倍频谱峰值指标，之后针对三相电流信号分别构建了极小有效值指标、有效值极差值指标及小波频谱极差值指标；基于上述指标，通过给定相应阈值，进行联合推断，实现轴流风机的自动故障诊断；
所述的一种转频谱峰与电流极差联合推断轴流风机故障诊断方法，包括以下步骤：
1)信号采集：
通过布置相应传感器，采集轴流风机的三相电流信号和振动信号；
2)构建振动信号特色监测指标：
根据不同故障下振动信号的特征，针对振动信号分别构建了无量纲转频谱峰值指标RF_P及无量纲倍频谱峰值指标MF_P，具体如下：
2.1)无量纲转频谱峰值指标RF_P：
对振动信号做傅里叶变换，得到对应频谱，之后搜索实际转频左右各1Hz的频段区间内的最大幅值mf，并计算振动信号时域峰峰值xpp：
xpp＝max(x(t))-min(x(t)) (1)
其中x(t)代表振动信号；
计算频域幅值mf与时域峰峰值xpp的比值，并将结果进行放大处理，得到无量纲转频谱峰值指标RF_P，具体如式(2)所示：
Figure FDA0003800238230000011
2.2)无量纲倍频谱峰值指标MF_P：
对振动信号进行傅里叶变换，得到对应频谱，分别搜索1倍、2倍、3倍转频左右各1Hz区间内的最大幅值，记为
Figure FDA0003800238230000021
通过对不同倍频幅值予以不同权重，得到无量纲倍频谱峰值指标MF_P，具体如式(3)所示：
Figure FDA0003800238230000022
3)构建三相电流信号特色监测指标：
根据电气故障时三相电流信号的差异，针对三相电流信号分别构建了极小有效值指标RMS_Min、有效值极差值指标RMS_D及小波频谱极差值指标WTFP_D，具体如下：
3.1)极小有效值指标RMS_Min：
计算三相电流信号对应的有效值
Figure FDA0003800238230000023
和
Figure FDA0003800238230000024
Figure FDA0003800238230000025
Figure FDA0003800238230000026
Figure FDA0003800238230000027
其中，IU、IV、IW分别表示U、V、W相的电流信号，N表示信号的采样点数，极小有效值指标RMS_Min通过取各相电流有效值的极小值，并对结果放大得到，具体如下式所示：
Figure FDA0003800238230000028
3.2)有效值极差值指标RMS_D：
求取各有效值之间的最大差值，并对结果进行放大，得到有效值极差值指标RMS_D：
Figure FDA0003800238230000029
3.3)小波频谱极差值指标WTFP_D：
利用db10小波分解三相电流信号，得到四层分解结果，取分解结果的第一层和第二层细节分量，对其进行傅里叶变换，得到对应频谱，之后计算各相第一、二层细节分量频谱的最大值
Figure FDA0003800238230000031
和
Figure FDA0003800238230000032
如下式所示：
Figure FDA0003800238230000033
Figure FDA0003800238230000034
Figure FDA0003800238230000035
其中，i＝1,2分别代表第一、二层细节分量，
Figure FDA0003800238230000036
和
Figure FDA0003800238230000037
分别代表U、V、W相电流信号第i层细节分量对应的频谱；
分别计算各相电流信号对应每层细节分量频谱的最大值之间的最大差值，即分别在i＝1和i＝2时
Figure FDA0003800238230000038
和
Figure FDA0003800238230000039
之间的最大差值，并将该差值除以上述三者间最小值，最后将结果进行放大处理，并对两层细节分量的计算结果进行求和，得到小波频谱极差值指标WTFP_D：
Figure FDA00038002382300000310
4)轴流风机自动故障诊断：
通过对不同监测指标设定对应阈值THR_1、THR_2、THR_3、THR_4、THR_5，实现轴流风机的自动故障诊断，具体过程如下：
在RF_P≥THR_1的情况下，轴流风机故障类型为叶轮或叶片不平衡；
在RF_P<THR_1的情况下，首先判断电气故障，如果RMS_Min<THR_3，则故障类型为断相故障；否则，如果满足RMS_D>THR_4，此时故障类型为电压不平衡故障；如果RMS_Min≥THR_3，RMS_D≤THR_4且WTFP_D>THR_5，此时故障类型为短路故障；若上述三种情况均不成立，则故障类型属于机械故障，当MF_P>THR_2时，故障类型为电机转子故障；而当MF_P≤THR_2时，故障类型为电机轴承故障。
CN202110450384.7A 2021-04-25 2021-04-25 一种转频谱峰与电流极差联合推断轴流风机故障诊断方法 Active CN113189483B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110450384.7A CN113189483B (zh) 2021-04-25 2021-04-25 一种转频谱峰与电流极差联合推断轴流风机故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110450384.7A CN113189483B (zh) 2021-04-25 2021-04-25 一种转频谱峰与电流极差联合推断轴流风机故障诊断方法

Publications (2)

Publication Number Publication Date
CN113189483A CN113189483A (zh) 2021-07-30
CN113189483B true CN113189483B (zh) 2022-10-28

Family

ID=76978824

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110450384.7A Active CN113189483B (zh) 2021-04-25 2021-04-25 一种转频谱峰与电流极差联合推断轴流风机故障诊断方法

Country Status (1)

Country Link
CN (1) CN113189483B (zh)

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH11271181A (ja) * 1998-01-22 1999-10-05 Nippon Steel Corp ころがり軸受の異常診断方法および装置
CA2687785A1 (en) * 2008-12-04 2010-06-04 University Of Ottawa Parameter independent detection of rotating machinery faults
CN101858778A (zh) * 2010-05-28 2010-10-13 浙江大学 基于振动监测的风力发电机组故障自动诊断方法
CN106092565A (zh) * 2016-06-08 2016-11-09 成都阜特科技股份有限公司 一种振动故障分析方法及其系统
CN107356432A (zh) * 2017-07-12 2017-11-17 石家庄铁道大学 基于频域窗经验小波共振解调的滚动轴承故障诊断方法
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
CN108151869A (zh) * 2017-11-27 2018-06-12 广州航新航空科技股份有限公司 一种机械振动特征指标提取方法、系统及装置
WO2018107726A1 (zh) * 2016-12-13 2018-06-21 浙江运达风电股份有限公司 基于定子电流数据驱动的双馈风电机组桨叶不平衡检测方法
CN108760037A (zh) * 2018-06-15 2018-11-06 西安交通大学 一种基于频谱分析的风力发电机叶片结构损伤检测方法
CN208283527U (zh) * 2018-06-08 2018-12-25 上海金艺检测技术有限公司 基于频谱分析的交流异步电机在线监测诊断系统
CN109238698A (zh) * 2018-10-15 2019-01-18 株洲中车时代电气股份有限公司 一种基于电流信号的电机轴承故障诊断方法
CN109297716A (zh) * 2018-10-23 2019-02-01 西安热工研究院有限公司 一种双馈型风力发电机振动故障诊断方法
CN109724802A (zh) * 2019-03-05 2019-05-07 西安交通大学 一种基于频谱图评价与优选的电机轴承微弱故障诊断方法
CN110988472A (zh) * 2019-12-17 2020-04-10 清华大学 基于电流信号的风力发电机变桨传动齿轮故障诊断方法
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

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8451134B2 (en) * 2009-07-24 2013-05-28 Honeywell International Inc. Wind turbine generator fault diagnostic and prognostic device and method
US10591519B2 (en) * 2012-05-29 2020-03-17 Nutech Ventures Detecting faults in wind turbines
ES2613902B1 (es) * 2015-11-26 2018-03-14 Gamesa Innovation & Technology, S.L. Método y sistemas de monitorización en tiempo real del estado del aislamiento de los devanados de generadores eólicos
US10852214B2 (en) * 2017-05-19 2020-12-01 Nutech Ventures Detecting faults in wind turbines
CN108388860B (zh) * 2018-02-12 2020-04-28 大连理工大学 一种基于功率熵谱-随机森林的航空发动机滚动轴承故障诊断方法

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH11271181A (ja) * 1998-01-22 1999-10-05 Nippon Steel Corp ころがり軸受の異常診断方法および装置
CA2687785A1 (en) * 2008-12-04 2010-06-04 University Of Ottawa Parameter independent detection of rotating machinery faults
CN101858778A (zh) * 2010-05-28 2010-10-13 浙江大学 基于振动监测的风力发电机组故障自动诊断方法
CN106092565A (zh) * 2016-06-08 2016-11-09 成都阜特科技股份有限公司 一种振动故障分析方法及其系统
WO2018107726A1 (zh) * 2016-12-13 2018-06-21 浙江运达风电股份有限公司 基于定子电流数据驱动的双馈风电机组桨叶不平衡检测方法
CN107356432A (zh) * 2017-07-12 2017-11-17 石家庄铁道大学 基于频域窗经验小波共振解调的滚动轴承故障诊断方法
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
CN108151869A (zh) * 2017-11-27 2018-06-12 广州航新航空科技股份有限公司 一种机械振动特征指标提取方法、系统及装置
CN208283527U (zh) * 2018-06-08 2018-12-25 上海金艺检测技术有限公司 基于频谱分析的交流异步电机在线监测诊断系统
CN108760037A (zh) * 2018-06-15 2018-11-06 西安交通大学 一种基于频谱分析的风力发电机叶片结构损伤检测方法
CN109238698A (zh) * 2018-10-15 2019-01-18 株洲中车时代电气股份有限公司 一种基于电流信号的电机轴承故障诊断方法
CN109297716A (zh) * 2018-10-23 2019-02-01 西安热工研究院有限公司 一种双馈型风力发电机振动故障诊断方法
CN109724802A (zh) * 2019-03-05 2019-05-07 西安交通大学 一种基于频谱图评价与优选的电机轴承微弱故障诊断方法
CN110988472A (zh) * 2019-12-17 2020-04-10 清华大学 基于电流信号的风力发电机变桨传动齿轮故障诊断方法
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)

* Cited by examiner, † Cited by third party
Title
Improved condition monitoring of the faulty blower wheel driven by brushless DC motor in air handler unit (AHU);Chen Jiang;《2016 IEEE Energy Conversion Congress and Exposition (ECCE)》;20160922;全文 *
故障诊断技术在风机上的应用;王义亮 等;《中国矿业》;20040715;全文 *

Also Published As

Publication number Publication date
CN113189483A (zh) 2021-07-30

Similar Documents

Publication Publication Date Title
Benbouzid et al. Induction motors' faults detection and localization using stator current advanced signal processing techniques
Hu et al. An adaptive and tacholess order analysis method based on enhanced empirical wavelet transform for fault detection of bearings with varying speeds
Li et al. A normalized frequency-domain energy operator for broken rotor bar fault diagnosis
Amirat et al. Wind turbines condition monitoring and fault diagnosis using generator current amplitude demodulation
US11441940B2 (en) Condition monitoring apparatus, condition monitoring system, and condition monitoring method
Benbouzid A review of induction motors signature analysis as a medium for faults detection
US6933693B2 (en) Method and apparatus of detecting disturbances in a centrifugal pump
JP5565120B2 (ja) 転がり軸受部振動データの高周波電磁振動成分除去方法および高周波電磁振動成分除去装置、回転機械の転がりの軸受診断方法および軸受診断装置
Chen et al. Bearing corrosion failure diagnosis of doubly fed induction generator in wind turbines based on stator current analysis
CN110940917B (zh) 一种电动机故障预警方法及系统
JP7198089B2 (ja) 電力変換装置、回転機システム、及び診断方法
CN110988472B (zh) 基于电流信号的风力发电机变桨传动齿轮故障诊断方法
Bessous et al. Mechanical fault detection in rotating electrical machines using MCSA-FFT and MCSA-DWT techniques
Wang et al. Online fault detection of induction motors using frequency domain independent components analysis
CN113189483B (zh) 一种转频谱峰与电流极差联合推断轴流风机故障诊断方法
Elbouchikhi et al. Induction machine bearing faults detection based on Hilbert-Huang transform
CN113883014B (zh) 风电机组叶轮不平衡检测方法、装置、设备及存储介质
CN110633686B (zh) 一种基于振动信号数据驱动的设备转速识别方法
CN113138337B (zh) 基于状态划分与频段同步校正的三相电机故障诊断方法
CN114033736B (zh) 一种基于气压脉动信号风机故障监测系统
CN113464457B (zh) 基于自搜索特征峰值与局部极差的离心泵故障诊断方法
CN209910708U (zh) 绞吸船的状态监测系统
CN111400959B (zh) 风力发电机组的叶片故障诊断方法及装置
CN113484606A (zh) 一种高压变频器电流谐波监测报警系统及方法
Ciszewski et al. Induction motor bearings diagnostic using MCSA and normalized tripple covariance

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