CN113391207A - 一种电机故障的检测方法、介质及系统 - Google Patents
一种电机故障的检测方法、介质及系统 Download PDFInfo
- Publication number
- CN113391207A CN113391207A CN202110358436.8A CN202110358436A CN113391207A CN 113391207 A CN113391207 A CN 113391207A CN 202110358436 A CN202110358436 A CN 202110358436A CN 113391207 A CN113391207 A CN 113391207A
- Authority
- CN
- China
- Prior art keywords
- fault
- fault detection
- current signal
- processed
- vibration signal
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 67
- 238000000034 method Methods 0.000 claims abstract description 38
- 238000012545 processing Methods 0.000 claims abstract description 20
- 238000003062 neural network model Methods 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 15
- 238000004458 analytical method Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 8
- 230000004927 fusion Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000007499 fusion processing Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 description 12
- 238000002955 isolation Methods 0.000 description 8
- 238000001914 filtration Methods 0.000 description 7
- 238000004804 winding Methods 0.000 description 4
- 238000000354 decomposition reaction Methods 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical group [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/34—Testing dynamo-electric machines
- G01R31/343—Testing dynamo-electric machines in operation
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Control Of Electric Motors In General (AREA)
Abstract
本发明公开一种电机故障的检测方法、介质及系统。该方法包括:采集电机定子的电流信号和振动信号;分别对所述电流信号和所述振动信号进行去噪处理,得到处理后的电流信号和处理后的振动信号;根据故障检测模型的种类,对处理后的电流信号和处理后的振动信号进行特征处理得到输入特征;将所述输入特征输入到所述故障检测模型中,以使所述故障检测模型输出故障检测结果;其中,所述故障检测结果包括:所述输入特征对应各种故障类型的概率,以及所述输入特征对应的故障严重程度。本发明实施例使用的参数更多,不依赖于人工经验,减少干扰噪声对检测结果的影响,使得检测结果更加全面和准确。
Description
技术领域
本发明涉及电机故障检测技术领域,尤其涉及一种电机故障的检测方法、介质及系统。
背景技术
在现代工业自动化中,农业、建筑业等很多领域都直接或间接地依靠电机将外界能量转化为可用的机械能。因此,检测电力设备故障是电机能够持续保证高效工作的关键。
现有技术中,通常在电机稳定运行状态下通过检测、分析电机定子输出的电流信号,从而通过观察该电流信号实现故障检测。
但是,电流信号仅仅能部分地反映故障信息,不能全面地反应故障信息;这是因为不同类型的故障在电流信号上的表现可能是相同的,故仅通过检测分析电流信号进行故障检测难以甄别具体的故障类型。此外,同一种故障的不同严重程度对于电机来说也代表着不同的性能等级,现有技术中通常依赖人工经验根据电流信号分析结果对电机性能进行评估,从而确定当前电机是否可用、是否亟待维修或者是否可暂缓维修,这样的评估结果通常带有主观性,具有不确定性。
发明内容
本发明实施例提供一种电机故障的检测方法、介质及系统,以解决现有技术对电机故障的检测不准确的问题。
第一方面,提供一种电机故障的检测方法,包括:采集电机定子的电流信号和振动信号;分别对所述电流信号和所述振动信号进行去噪处理,得到处理后的电流信号和处理后的振动信号;根据故障检测模型的种类,对处理后的电流信号和处理后的振动信号进行特征处理得到输入特征;将所述输入特征输入到所述故障检测模型中,以使所述故障检测模型输出故障检测结果;其中,所述故障检测结果包括:所述输入特征对应各种故障类型的概率,以及所述输入特征对应的故障严重程度。
第二方面,提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序指令;所述计算机程序指令被处理器执行时实现如上述第一方面实施例所述的电机故障的检测方法。
第三方面,提供一种电机故障的检测系统,包括:如上述第二方面实施例所述的计算机可读存储介质。
这样,本发明实施例,通过电流信号和振动信号两种参数实现电力设备故障检测,使用的参数更多,使得检测结果更加全面和准确;采用预先训练好的故障检测模型实现故障类型的甄别和故障等级的确定,能够输出电机存在的各种故障的概率以及故障严重程度,不依赖于人工经验,故障检测结果置信度高;采用小波阈值去噪处理对电流信号进行去噪,采用多项式最小二乘法对振动信号进行预处理,从而能够减少干扰噪声对检测结果的影响,鲁棒性较强。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例的描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例的电机故障的检测方法的流程图;
图2是本发明一具体实施例的神经网络模型的图像分类模块的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例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作出创造性劳动前提下所获取的所有其他实施例,都属于本发明保护的范围。
本发明实施例公开了一种电机故障的检测方法。具体的,如图1所示,该电机故障的检测方法包括如下的步骤:
步骤S1:采集电机定子的电流信号和振动信号。
具体的,可以使用电流信号采集装置采集电机定子的电流信号,使用振动传感器采集电机定子的振动信号。
在本发明一具体实施例中,该电流信号采集装置可以是高精度的数据采集卡,该高精度的数据采集卡可以是USB(Universal Serial Bus,通用串行总线)数据采集卡、PCI(Peripheral Component Interconnect,外设部件互连标准)数据采集卡、以太网数据采集卡、ISA(Instruction Set Architecture,指令集体系架构)数据采集卡、RS232串口数据采集卡等。
在本发明另一具体实施例中,该电流信号采集装置可以包括:电流测量单元、隔离滤波单元以及数据采集卡。其中,电流测量单元用于测量电机定子的电流;隔离滤波单元用于对电流进行隔离滤波处理;数据采集卡用于对隔离滤波单元处理后的电流进行采集,得到电机定子的电流信号。其中,电流测量单元可以是万用表、电流钳或者内置于电机中的电流检测芯片等等。隔离滤波单元可以使用阻容器件来搭建。当电流测量单元是外置于电机的万用表或电流钳等设备时,电机与电流信号采集装置之间的参考点存在电势差,共地点不同;因此,通过隔离单元对电流测量单元测量的电流进行隔离滤波处理,从而起到一定的隔离滤波作用,这样可以得到稳定无干扰的电流信号。
步骤S2:分别对电流信号和振动信号进行去噪处理,得到处理后的电流信号和处理后的振动信号。
具体的,对电流信号进行去噪处理的步骤包括:
对电流信号进行小波阈值去噪处理,得到处理后的电流信号。
小波阈值去噪处理是现有技术常用的方法,其具体过程如下:
(1)对电流信号进行小波变换,得到一组小波分解系数。
(2)对小波分解系数进行阈值处理,得到估计小波系数。
(3)利用估计的小波系数进行小波重构,得到处理后的电流信号。
其中,阈值处理时所使用的临界阈值可以预先设定。
具体的,对振动信号进行去噪处理的步骤包括:
采用多项式最小二乘法对振动信号进行去除信号趋势项处理,得到处理后的振动信号。
该步骤可以在MATLAB软件中通过去除信号趋势项功能实现,在此不再赘述。
步骤S3:根据故障检测模型的种类,对处理后的电流信号和处理后的振动信号进行特征处理得到输入特征。
本发明实施例采用的故障检测模型可以是多标签分类器或神经网络模型。
具体的,若故障检测模型为多标签分类器,则该步骤包括如下的过程:
(1)采用Db9小波分析法对处理后的电流信号进行特征提取。
(2)利用Db9小波分析法或梅尔倒谱系数MFCC方法对处理后的振动信号进行特征提取。
上述的Db9小波分析法为现有的方法,在此不再赘述。通过Db9小波分析法将信号进行多层分解,得到多个时域波形,基于这些时域波形进行频域分析进而可提取特征信息。
MFCC方法则主要包括预加重、分帧加窗、傅里叶变换、滤波器组滤波、对数运算和离散余弦变换六个步骤,上述的MFCC方法为现有的方法,在此不再赘述。
应当理解的是,上述的步骤(1)和(2)并无顺序要求,可以同时进行。
(3)将提取的电流信号和振动信号的特征进行特征融合处理,得到输入特征。
特征融合处理可采用现有的特征融合算法,例如,基于贝叶斯理论的特征融合算法、基于线性特征依赖模型的特征融合算法,基于稀疏表示理论的特征融合算法等,在此不再赘述。
具体的,若故障检测模型为神经网络模型,则该步骤包括如下的过程:
采用S变换法将处理后的电流信号转换为第一图像,以及,将处理后的振动信号转换为第二图像,得到由第一图像和第二图像组成的图像对。
具体的,S变换法的公式如下:
其中,x(t)表示预处理后的电流信号或预处理后的振动信号,e表示自然底数,j表示虚部符号,τ表示电流信号或振动信号的频谱定位时间,f表示电流信号或振动信号的傅里叶频率,S(τ,f)表示二维矩阵。该二维矩阵构成第一图像或第二图像。
具体的,神经网络模型包括:用于对电流信号进行特征提取的第一特征提取模块,用于对振动信号进行特征提取的第二特征提取模块,用于进行特征融合处理的特征融合模块,以及,用于输出故障检测结果的图像分类模块。其中,第一特征提取模块和第二特征提取模块均为卷积神经网络。特征融合模块可以是全卷积神经网络、HyperNet(HyperNet是Faster-RCNN(Region-based Convolutional Neural Networks)的变种)或者特征金字塔网络等等。图像分类模块的组成如下:卷积层和池化层交替排列连接,最后一层池化层依次连接全连接层以及softmax层,并且各个卷积层的卷积核大小从上一级到下一级依次减小,各卷积核的大小可根据实际要求选择。如图2,示出了图像分类模块的一种结构,卷积层和池化层的层数均为3。第一图像和第二图像的尺寸优选为224×224。
步骤S4:将输入特征输入到故障检测模型中,以使故障检测模型输出故障检测结果。
其中,故障检测结果包括:输入特征对应各种故障类型的概率,以及输入特征对应的故障严重程度。
在本发明一具体实施例中,故障类型可以包括:错位故障、转动部件不平衡故障以及部件松动故障等。此外,这些故障类型还可以进一步细化,例如,错位故障具体可以表现为绕组故障。转动部件不平衡故障可以包括:转子不平衡故障、耦合器不平衡故障、联轴器不平衡故障、传动轮不平衡故障等等。部件松动故障可以包括:铁心松动故障、绕组松动故障等等。具体故障类型的细化程度可根据实际需求选择。
此外,故障检测模型输出的故障严重程度可以包括多个等级。在本发明一具体实施例中,故障严重程度可以包括:无故障、一般、严重、较严重以及停机维修五个等级。应当理解是,故障严重程度的分级并不以此为限。
优选的,在步骤S4之后,本发明实施例的方法还包括:
若故障类型的概率大于预设阈值,则确定电机具有该故障类型的故障。
该预设阈值可根据经验设置。当某一种故障类型对应的概率大于预设阈值,即可确定电机中存在该类故障。例如,电机存在转子不平衡故障类型的预设阈值为70%,则该种故障类型的概率大于70%,则可以确定电机存在转子不平衡故障。
优选的,步骤S5之前,本发明实施例的方法还包括:
采用训练样本训练故障检测模型。
根据实际故障类型的细化程度,进行故障检测模型的训练,使得该故障检测模型可准确输出故障检测结果。采用训练样本进行故障检测模型的训练后,可再采用测试样本进行测试,直到输出故障检测结果准确为止。
以故障检测模型为神经网络模型为例,训练过程如下:
(1)获取电力设备故障数据集。
该电力设备故障数据集包括多个不同的故障样本。每个故障样本包括故障电机的电机定子的电流信号和振动信号。应当理解的是,电流信号和振动信号分别如前述的步骤S2和S3处理。
(2)采用S变换法将电流信号转换为第一图像,以及,将振动信号转换为第二图像,得到由第一图像和第二图像组成的图像对,并根据故障电机的故障类型和故障严重程度对图像对进行标注,得到标注样本。
对图像对进行标注的信息与故障检测结果所包括的信息相同,即图像对所对应的各种故障类型的概率,以及,输入特征对应的故障严重程度。
(3)从标注样本中选取一部分作为训练样本,剩余部分作为测试样本。
例如,可以选取75%的标注样本作为训练样本,剩余25%的标注样本作为测试样本。
(4)采用训练样本训练神经网络模型,并采用交叉熵损失函数优化该神经网络模型,直至该神经网络模型收敛。
具体的,每输入一批训练样本进入神经网络模型后,该神经网络模型会输出每个训练样本的故障检测结果,基于该故障检测结果与预先标注的信息计算交叉熵损失值,如果损失值小于预设的阈值,则认为神经网络模型收敛,否则,可以进一步调整神经网络模型的模型参数,继续训练。
(5)采用测试样本测试收敛后的神经网络模型。
当测试样本输入到神经网络模型后,如果神经网络模型输出的故障检测结果与这些测试样本中预先标注的信息相一致,则测试通过。
(6)当测试通过时,得到训练完成的故障检测模型。
(7)当测试不通过时,调整神经网络模型的模型参数,返回步骤(4)继续训练神经网络模型,直到测试通过。
在本发明一具体的实施例中,电机为具有转子不平衡故障的电机,采用本发明实施例的方法输出的结果如下:
绕组故障:0%;转子不平衡故障:80%;耦合器不平衡故障:17%;联轴器不平衡故障:10%;传动轮不平衡故障:15%;铁心松动故障0%;绕组松动故障:1%;故障严重程度:一般。电机存在转子不平衡故障类型的预设阈值为70%,则该电机具有转子不平衡故障。
此外,本发明实施例还公开了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序指令;所述计算机程序指令被处理器执行时实现如上述实施例所述的电机故障的检测方法。
再者,本发明实施例还公开了一种电机故障的检测系统,包括:如上述实施例所述的计算机可读存储介质。
综上,本发明实施例,通过电流信号和振动信号两种参数实现电力设备故障检测,使用的参数更多,使得检测结果更加全面和准确;采用预先训练好的故障检测模型实现故障类型的甄别和故障等级的确定,能够输出电机存在的各种故障的概率以及故障严重程度,不依赖于人工经验,故障检测结果置信度高;采用小波阈值去噪处理对电流信号进行去噪,采用多项式最小二乘法对振动信号进行预处理,从而能够减少干扰噪声对检测结果的影响,鲁棒性较强。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种电机故障的检测方法,其特征在于,包括:
采集电机定子的电流信号和振动信号;
分别对所述电流信号和所述振动信号进行去噪处理,得到处理后的电流信号和处理后的振动信号;
根据故障检测模型的种类,对处理后的电流信号和处理后的振动信号进行特征处理得到输入特征;
将所述输入特征输入到所述故障检测模型中,以使所述故障检测模型输出故障检测结果;
其中,所述故障检测结果包括:所述输入特征对应各种故障类型的概率,以及所述输入特征对应的故障严重程度。
2.根据权利要求1所述的电机故障的检测方法,其特征在于,所述故障检测模型输出故障检测结果的步骤之后,所述方法还包括:
若所述故障类型的概率大于预设阈值,则确定所述电机具有所述故障类型的故障。
3.根据权利要求1所述的电机故障的检测方法,其特征在于,对所述电流信号进行去噪处理的步骤,包括:
对所述电流信号进行小波阈值去噪处理,得到处理后的电流信号。
4.根据权利要求1所述的电机故障的检测方法,其特征在于,对所述振动信号进行去噪处理的步骤,包括:
采用多项式最小二乘法对所述振动信号进行去除信号趋势项处理,得到处理后的振动信号。
5.根据权利要求1所述的电机故障的检测方法,其特征在于,若所述故障检测模型为多标签分类器,则所述对处理后的电流信号和处理后的振动信号进行特征处理得到输入特征的步骤,包括:
采用Db9小波分析法对处理后的电流信号进行特征提取;
采用Db9小波分析法或梅尔倒谱系数MFCC方法对处理后的振动信号进行特征提取;
将提取的电流信号和振动信号的特征进行特征融合处理,得到输入特征。
6.根据权利要求1所述的电机故障的检测方法,其特征在于,若所述故障检测模型为神经网络模型,则所述对处理后的电流信号和处理后的振动信号进行特征处理得到输入特征的步骤,包括:
采用S变换法将处理后的电流信号转换为第一图像,以及,将处理后的振动信号转换为第二图像,得到由所述第一图像和所述第二图像组成的图像对。
7.根据权利要求6所述的电机故障的检测方法,其特征在于,所述神经网络模型包括:用于对电流信号进行特征提取的第一特征提取模块,用于对振动信号进行特征提取的第二特征提取模块,用于进行特征融合处理的特征融合模块,以及,用于输出故障检测结果的图像分类模块。
8.根据权利要求1所述的电机故障的检测方法,其特征在于:所述将所述输入特征输入到所述故障检测模型中的步骤之前,所述方法还包括:
采用训练样本训练所述故障检测模型。
9.一种计算机可读存储介质,其特征在于:所述计算机可读存储介质上存储有计算机程序指令;所述计算机程序指令被处理器执行时实现如权利要求1~8中任一项所述的电机故障的检测方法。
10.一种电机故障的检测系统,其特征在于,包括:如权利要求9所述的计算机可读存储介质。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110358436.8A CN113391207A (zh) | 2021-04-01 | 2021-04-01 | 一种电机故障的检测方法、介质及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110358436.8A CN113391207A (zh) | 2021-04-01 | 2021-04-01 | 一种电机故障的检测方法、介质及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113391207A true CN113391207A (zh) | 2021-09-14 |
Family
ID=77617643
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110358436.8A Pending CN113391207A (zh) | 2021-04-01 | 2021-04-01 | 一种电机故障的检测方法、介质及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113391207A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114817840A (zh) * | 2022-04-26 | 2022-07-29 | 上海正泰智能科技有限公司 | 断路器状态检测方法、装置、设备及计算机可读存储介质 |
CN115082835A (zh) * | 2022-07-22 | 2022-09-20 | 东南大学溧阳研究院 | 基于小波视频分解和Faster RCNN的变电站故障识别方法 |
CN116449255A (zh) * | 2023-03-09 | 2023-07-18 | 国网浙江省电力有限公司嘉兴供电公司 | 一种箱式变压器的故障检测系统及方法 |
CN116577656A (zh) * | 2023-07-12 | 2023-08-11 | 深圳盈特创智能科技有限公司 | 一种低延时的高速风筒过零检测系统 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102778358A (zh) * | 2012-06-04 | 2012-11-14 | 上海东锐风电技术有限公司 | 故障预测模型建立方法及系统、风机监测预警系统及方法 |
CN103176128A (zh) * | 2013-03-28 | 2013-06-26 | 华南理工大学 | 一种风力发电机组状态预报及智能故障诊断方法及系统 |
CN103267947A (zh) * | 2013-04-28 | 2013-08-28 | 大连交通大学 | 一种交流电机故障诊断与预测中的特征提取方法 |
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 |
CN110261116A (zh) * | 2019-07-08 | 2019-09-20 | 华南理工大学 | 一种轴承故障检测方法及装置 |
CN110274764A (zh) * | 2019-06-06 | 2019-09-24 | 西安交通大学 | 一种基于振动加速度信号的机车电机轴承自动诊断方法 |
CN110954827A (zh) * | 2019-12-17 | 2020-04-03 | 北京昊鹏智能技术有限公司 | 故障诊断方法、装置、电子设备及系统 |
CN111046790A (zh) * | 2019-12-11 | 2020-04-21 | 江苏大学镇江流体工程装备技术研究院 | 一种泵轴承故障诊断方法 |
CN111259990A (zh) * | 2020-02-27 | 2020-06-09 | 江苏科技大学 | 基于多源信息融合的海水泵故障监测装置与诊断方法 |
CN112051062A (zh) * | 2020-08-10 | 2020-12-08 | 华中科技大学 | 一种滚动轴承的故障诊断方法、装置、设备和存储介质 |
CN112254910A (zh) * | 2020-10-10 | 2021-01-22 | 华中科技大学 | 一种基于融合相关谱的电机转子断条故障检测方法及系统 |
-
2021
- 2021-04-01 CN CN202110358436.8A patent/CN113391207A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102778358A (zh) * | 2012-06-04 | 2012-11-14 | 上海东锐风电技术有限公司 | 故障预测模型建立方法及系统、风机监测预警系统及方法 |
CN103176128A (zh) * | 2013-03-28 | 2013-06-26 | 华南理工大学 | 一种风力发电机组状态预报及智能故障诊断方法及系统 |
CN103267947A (zh) * | 2013-04-28 | 2013-08-28 | 大连交通大学 | 一种交流电机故障诊断与预测中的特征提取方法 |
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 |
CN110274764A (zh) * | 2019-06-06 | 2019-09-24 | 西安交通大学 | 一种基于振动加速度信号的机车电机轴承自动诊断方法 |
CN110261116A (zh) * | 2019-07-08 | 2019-09-20 | 华南理工大学 | 一种轴承故障检测方法及装置 |
CN111046790A (zh) * | 2019-12-11 | 2020-04-21 | 江苏大学镇江流体工程装备技术研究院 | 一种泵轴承故障诊断方法 |
CN110954827A (zh) * | 2019-12-17 | 2020-04-03 | 北京昊鹏智能技术有限公司 | 故障诊断方法、装置、电子设备及系统 |
CN111259990A (zh) * | 2020-02-27 | 2020-06-09 | 江苏科技大学 | 基于多源信息融合的海水泵故障监测装置与诊断方法 |
CN112051062A (zh) * | 2020-08-10 | 2020-12-08 | 华中科技大学 | 一种滚动轴承的故障诊断方法、装置、设备和存储介质 |
CN112254910A (zh) * | 2020-10-10 | 2021-01-22 | 华中科技大学 | 一种基于融合相关谱的电机转子断条故障检测方法及系统 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114817840A (zh) * | 2022-04-26 | 2022-07-29 | 上海正泰智能科技有限公司 | 断路器状态检测方法、装置、设备及计算机可读存储介质 |
CN115082835A (zh) * | 2022-07-22 | 2022-09-20 | 东南大学溧阳研究院 | 基于小波视频分解和Faster RCNN的变电站故障识别方法 |
CN115082835B (zh) * | 2022-07-22 | 2023-02-17 | 东南大学溧阳研究院 | 基于小波视频分解和Faster RCNN的变电站故障识别方法 |
CN116449255A (zh) * | 2023-03-09 | 2023-07-18 | 国网浙江省电力有限公司嘉兴供电公司 | 一种箱式变压器的故障检测系统及方法 |
CN116449255B (zh) * | 2023-03-09 | 2023-12-22 | 国网浙江省电力有限公司嘉兴供电公司 | 一种箱式变压器的故障检测系统及方法 |
CN116577656A (zh) * | 2023-07-12 | 2023-08-11 | 深圳盈特创智能科技有限公司 | 一种低延时的高速风筒过零检测系统 |
CN116577656B (zh) * | 2023-07-12 | 2023-09-15 | 深圳盈特创智能科技有限公司 | 一种低延时的高速风筒过零检测系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113391207A (zh) | 一种电机故障的检测方法、介质及系统 | |
Yang et al. | Vibration feature extraction techniques for fault diagnosis of rotating machinery: a literature survey | |
CN109858352B (zh) | 一种基于压缩感知与改进多尺度网络的故障诊断方法 | |
CN115688018B (zh) | 一种多工况下轴承的状态监测与故障诊断方法 | |
CN111678699B (zh) | 一种面向滚动轴承早期故障监测与诊断方法及系统 | |
CN110060368B (zh) | 基于潜在特征编码的机械异常检测方法 | |
KR20200080380A (ko) | 컨볼루션 신경망을 이용한 기어박스의 결함상태 판별 장치 및 방법 | |
CN113569990B (zh) | 面向强噪声干扰环境的演艺装备故障诊断模型构建方法 | |
CN111695620A (zh) | 一种电力系统时间序列异常数据检测与修正方法及系统 | |
CN111680665B (zh) | 基于数据驱动的采用电流信号的电机机械故障诊断方法 | |
Sun et al. | A novel rolling bearing vibration impulsive signals detection approach based on dictionary learning | |
Guedidi et al. | Bearing faults classification based on variational mode decomposition and artificial neural network | |
CN114048787B (zh) | 一种基于Attention CNN模型的轴承故障实时智能诊断方法与系统 | |
CN114486263B (zh) | 一种旋转机械滚动轴承振动信号降噪解调方法 | |
CN115238785A (zh) | 基于图像融合和集成网络的旋转机械故障诊断方法和系统 | |
CN113125135A (zh) | 旋转机械的故障诊断方法、存储介质及电子设备 | |
CN116089813A (zh) | 一种基于机器学习的风电机组传动链故障诊断方法 | |
CN110781612A (zh) | 滚珠丝杠的故障诊断方法、装置、计算机设备和存储介质 | |
WO2022147684A1 (zh) | 用于识别机械装置或机械部件中的异常的方法及装置 | |
CN117093938A (zh) | 一种基于深度学习的风机轴承的故障检测方法和系统 | |
Jung et al. | Fault Diagnosis of Inter-turn Short Circuit in Permanent Magnet Synchronous Motors with Current Signal Imaging and Semi-Supervised Learning | |
CN115750341A (zh) | 一种罗茨式压缩机故障诊断方法及系统 | |
EP3953580B1 (en) | A method for computer-implemented monitoring of a component of a wind turbine | |
CN114528869A (zh) | 一种风机叶片损伤识别方法 | |
Zheng et al. | Wavelet packet decomposition and neural network based fault diagnosis for elevator excessive vibration |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210914 |
|
RJ01 | Rejection of invention patent application after publication |