CN113723493A - 基于聚类及趋势预测的内燃机振动分析预警方法及装置 - Google Patents

基于聚类及趋势预测的内燃机振动分析预警方法及装置 Download PDF

Info

Publication number
CN113723493A
CN113723493A CN202110981482.3A CN202110981482A CN113723493A CN 113723493 A CN113723493 A CN 113723493A CN 202110981482 A CN202110981482 A CN 202110981482A CN 113723493 A CN113723493 A CN 113723493A
Authority
CN
China
Prior art keywords
combustion engine
internal combustion
data
data sequence
sequence
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.)
Granted
Application number
CN202110981482.3A
Other languages
English (en)
Other versions
CN113723493B (zh
Inventor
吴婷婷
吴成德
邓雪松
李剑
万鹏
韩菲菲
王飞
方园
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.)
CRRC Ziyang Co Ltd
Original Assignee
CRRC Ziyang 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 CRRC Ziyang Co Ltd filed Critical CRRC Ziyang Co Ltd
Priority to CN202110981482.3A priority Critical patent/CN113723493B/zh
Publication of CN113723493A publication Critical patent/CN113723493A/zh
Application granted granted Critical
Publication of CN113723493B publication Critical patent/CN113723493B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Evolutionary Computation (AREA)
  • Pure & Applied Mathematics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Algebra (AREA)
  • Operations Research (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Combined Controls Of Internal Combustion Engines (AREA)

Abstract

本发明公开了一种基于聚类及趋势预测的内燃机振动分析预警方法及装置，包括步骤：S1，对采集的内燃机振动数据进行预处理，生成第一数据序列；S2，对生成的数据序列进行网格化聚类处理，在网格上表征相应的振动数据变化趋势；S3，对落入相应网格后的数据序列，分别按照不同的周期进行计算得到第二数据序列；S4，计算第二数据序列与第一数据序列的偏差，得到偏差数据序列；S5，对步骤S4中计算得到的偏差数据序列，分别按照不同的周期进行计算得到第三数据序列；S6，基于步骤S5计算得到的第三数据序列进行最终结果计算及故障趋势预警；本发明可避免内燃机的微小故障扩大化、事故化，同时也能减少维修成本，保证内燃机可靠运行。

Description

基于聚类及趋势预测的内燃机振动分析预警方法及装置
技术领域
本发明涉及内燃机运行状态监测领域，更为具体的，涉及一种基于聚类及趋势预测的内燃机振动分析预警方法及装置。
背景技术
当前内燃机常规检修的思路和方法发生了重要改变，从普遍采用的定期检修向基于内燃机实际状况的状态检修转变，从而提高内燃机可靠性，实现了预测检修和主动检修。而常规的内燃机监控手段，本质上是内燃机实际发生了故障后发出报警，采取的手段只能是事后维修、非计划停机、更换重要零部件等，可能带来较大的维修费用和运行损失。
发明内容
本发明的目的在于克服现有技术的不足，提供一种基于聚类及趋势预测的内燃机振动分析预警方法及装置，可量化内燃机运动件和做功单元的损伤程度和趋势分析，并全过程进行监测和诊断，在非正常状态下及早做出侦判，对潜在的故障发出报警，用以提醒工作人员采取恰当的措施，避免将微小故障扩大化、事故化，同时也能减少维修成本，保证内燃机可靠运行等。
本发明的目的是通过以下方案实现的：
一种基于聚类及趋势预测的内燃机振动分析预警方法，包括步骤：
S1，对采集的内燃机振动数据进行预处理，生成第一数据序列；
S2，对步骤S1中生成的数据序列进行网格化聚类处理，在网格上表征相应的振动数据变化趋势；
S3，对落入相应网格后的数据序列，分别按照不同的周期进行计算得到第二数据序列；
S4，计算第二数据序列与第一数据序列的偏差，得到偏差数据序列；
S5，对步骤S4中计算得到的偏差数据序列，分别按照不同的周期进行计算得到第三数据序列；
S6，基于步骤S5计算得到的第三数据序列进行最终结果计算及故障趋势预警。
进一步地，在步骤S1中，所述预处理包括子步骤：
S11，对采集的内燃机振动数据进行FFT处理，获取频域幅值信息，对获取的频域幅值信息进行归一化处理后，作为原始数据供后续分析；
S12，按照固定的时间周期对所述原始数据计算平均值，生成数据序列D1，D2，...Dn。
进一步地，在步骤S2中，所述网格化聚类处理包括子步骤：
S21，对转速按照设定的步长进行划分，生成S1，S2，..Sn序列；按转速的模式对功率进行划分，生成P1，P2，...Pn序列；
S22，对于当前内燃机任何转速和功率，都会落入Sn和Pn序列构成的网格中，在该网格上表征相应的振动数据变化趋势；
进一步地，在步骤S3中，包括子步骤：
对数据序列D1，D2，...Dn落入相应网格后按照以下公式，分别按照不同的周期进行计算，获得计算值WMAM，构成WMAn序列；
Figure BDA0003229129770000031
上式中，DM为当前采集值，n为周期，通过对n的调整，对应不同的趋势周期。
进一步地，在步骤S4中，偏差数据序列ΔDn按照如下公式进行计算：△Dn＝WMAM-Dn。
进一步地，在步骤S5中，包括子步骤：
对所述偏差数据序列ΔDn进行按照如下公式进行加权移动平均计算：
Figure BDA0003229129770000032
计算完成后，获得ΔWMAn结果序列。
进一步地，在步骤S6中，所述进行最终结果计算及故障趋势预警包括子步骤：
计算均方根值△rms：
Figure BDA0003229129770000033
均方根值误差能反应所测数据的离散程度，当均方根值在设定范围内即表明数据的稳定性较高；当均方根值大于设定值，认为内燃机运行状况已经偏离了正常状况，对该值划分多个故障等级范围，从而基于运行状态进行评估分级。
一种执行如上任一所述方法中步骤的装置，包括振动采集单元、FPGA控制单元、人机交互单元、数据存储单元和对外通讯单元；振动采集单元将采集的信息传入FPGA控制单元，执行信号处理、分析及结果存储，利用FPGA的RAM单元和所述数据存储单元执行分析结果的存储；对外通讯单元用于FPGA控制平台与外部系统或上位机/集控台的通讯，FPGA控制单元进行同步时钟域设计并进行时序约束，人机交互单元与FPGA控制单元连接。
进一步地，所述振动采集单元由多个三轴振动传感器组成，每个传感器对应三通道，采样频率不低于1M/s，并且三通道同步并行采集。
本发明的有益效果包括：
本发明实施例实现在内燃机全生命周期中在线监测振动信号，通过对典型振动频谱分析和对比，可量化内燃机运动件和做功单元的损伤程度和趋势分析，并全过程进行监测和诊断，在非正常状态下及早做出侦判，对潜在的故障发出报警，用以提醒工作人员采取恰当的措施，避免将微小故障扩大化、事故化，同时也能减少维修成本，保证内燃机可靠运行。具体的，将内燃机运动件和做功单元的故障带来的异常振动，通过FPGA平台对振动信号分析并进行预警的设计，其能满足内燃机运动件和做功单元的故障预警，同时提出了网格化聚类结合趋势预测在内燃机故障诊断上的应用，实现内燃机的故障趋势预，尤其是提出了一种内燃机运动件和做功单元与振动特征值的关联的分析方法。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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为本发明实施例方法的步骤流程图；
S_min为内燃机转速最小值，S_max为内燃机转速最小值；
P_min为内燃机功率最小值，P_max为内燃机功率最大值。
具体实施方式
本说明书中所有实施例公开的所有特征，或隐含公开的所有方法或过程中的步骤，除了互相排斥的特征和/或步骤以外，均可以以任何方式组合和/或扩展、替换。
如图1所示，一种基于聚类及趋势预测的内燃机振动分析预警方法，包括步骤：
S1，对采集的内燃机振动数据进行预处理，生成第一数据序列；
S2，对步骤S1中生成的数据序列进行网格化聚类处理，在网格上表征相应的振动数据变化趋势；
S3，对落入相应网格后的数据序列，分别按照不同的周期进行计算得到第二数据序列；
S4，计算第二数据序列与第一数据序列的偏差，得到偏差数据序列；
S5，对步骤S4中计算得到的偏差数据序列，分别按照不同的周期进行计算得到第三数据序列；
S6，基于步骤S5计算得到的第三数据序列进行最终结果计算及故障趋势预警。
在可选的实施例中，在步骤S1中，所述预处理包括子步骤：
S11，对采集的内燃机振动数据进行FFT处理，获取频域幅值信息，对获取的频域幅值信息进行归一化处理后，作为原始数据供后续分析；
S12，按照固定的时间周期(例如1分钟)对所述原始数据计算平均值，生成数据序列D1，D2，...Dn。
在可选的实施例中，内燃机在工作过程中转速和功率都会根据实际工况在全范围变化。做功单元的振动主频率和转速为固定的对应关系，功率和振动振幅也有一定的关联关系，为了减少计算量以及提高计算速度，因此在步骤S2中对数据序列D1，D2，...Dn进行网格化聚类处理：
定义：内燃机转速范围为：S_min～S_max；
内燃机功率范围为：P_min～P_max；
网格化聚类处理包括子步骤：
S21，对转速按照设定的步长S_step(例如S_step＝50rpm)进行划分，生成S1，S2，..Sn序列(S1＝S_min+1*S_step...Sn＝S_min+n*S_step)；按转速的模式对功率进行划分，生成P1，P2，...Pn序列(P1＝P_min+1*P_step，P1＝P_min+2*P_step，...Pn＝P_min+n*P_step)。
S22，对于当前内燃机任何转速和功率，都会落入Sn和Pn序列构成的网格中，在该网格上表征相应的振动数据变化趋势。
在可选的实施例中，设距当前时间越近的数据对平均数据的影响越大，距当前时间越远的数据对平均数据的影响越小，那么，在计算平均数据时应给较近的数据乘较大的权值，较远的数据乘较小的权值，其中权值越大，在求该数据的平均数时所占的比重越大。因此，在步骤S3中，包括子步骤：
对数据序列D1，D2，...Dn落入相应网格后按照以下公式，分别按照不同的周期进行计算，获得计算值WMAM，构成WMAn序列；
Figure BDA0003229129770000061
上式中，DM为当前采集值，n为周期，通过对n的调整，对应不同的趋势周期。通过n的调整，可对应不同的趋势周期(比如n＝30对应30分钟；n＝60对应1小时；n＝600对应10小时)。
在可选的实施例中，在步骤S4中，偏差数据序列ΔDn按照如下公式进行计算：△Dn＝WMAM-Dn，ΔDn便于步骤S5中二次加权移动平均计算用。
在可选的实施例中，在步骤S5中，包括子步骤：
对所述偏差数据序列ΔDn进行按照如下公式进行加权移动平均计算：
Figure BDA0003229129770000071
计算完成后，获得ΔWMAn结果序列。
在可选的实施例中，在步骤S6中，所述进行最终结果计算及故障趋势预警包括子步骤：
计算均方根值△rms：
Figure BDA0003229129770000072
均方根值误差能反应所测数据的离散程度，当均方根值在设定范围内即表明数据的稳定性较高；当均方根值大于设定值，认为内燃机运行状况已经偏离了正常状况，对该值划分多个故障等级范围，从而基于运行状态进行评估分级，从而有效通过振动信号的分析处理，在FPGA平台中完成内燃机运动件和做功单元的故障趋势预判。
一种执行如上任一所述方法中步骤的装置，包括振动采集单元、FPGA控制单元、人机交互单元、数据存储单元和对外通讯单元；振动采集单元将采集的信息传入FPGA控制单元，执行信号处理、分析及结果存储，利用FPGA的RAM单元和所述数据存储单元执行分析结果的存储；对外通讯单元用于FPGA控制平台与外部系统或上位机/集控台的通讯，FPGA控制单元进行同步时钟域设计并进行时序约束，人机交互单元与FPGA控制单元连接。
在可选的实施例中，所述振动采集单元由多个三轴振动传感器组成，每个传感器对应三通道，采样频率不低于1M/s，并且三通道同步并行采集。
本发明未涉及部分均与现有技术相同或可采用现有技术加以实现。
上述技术方案只是本发明的一种实施方式，对于本领域内的技术人员而言，在本发明公开了应用方法和原理的基础上，很容易做出各种类型的改进或变形，而不仅限于本发明上述具体实施方式所描述的方法，因此前面描述的方式只是优选的，而并不具有限制性的意义。
除以上实例以外，本领域技术人员根据上述公开内容获得启示或利用相关领域的知识或技术进行改动获得其他实施例，各个实施例的特征可以互换或替换，本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。

Claims (9)

1.一种基于聚类及趋势预测的内燃机振动分析预警方法，其特征在于，包括步骤：
S1，对采集的内燃机振动数据进行预处理，生成第一数据序列；
S2，对步骤S1中生成的数据序列进行网格化聚类处理，在网格上表征相应的振动数据变化趋势；
S3，对落入相应网格后的数据序列，分别按照不同的周期进行计算得到第二数据序列；
S4，计算第二数据序列与第一数据序列的偏差，得到偏差数据序列；
S5，对步骤S4中计算得到的偏差数据序列，分别按照不同的周期进行计算得到第三数据序列；
S6，基于步骤S5计算得到的第三数据序列进行最终结果计算及故障趋势预警。
2.根据权利要求1所述的基于聚类及趋势预测的内燃机振动分析预警方法，其特征在于，在步骤S1中，所述预处理包括子步骤：
S11，对采集的内燃机振动数据进行FFT处理，获取频域幅值信息，对获取的频域幅值信息进行归一化处理后，作为原始数据供后续分析；
S12，按照固定的时间周期对所述原始数据计算平均值，生成数据序列D1，D2，...Dn。
3.根据权利要求2所述的基于聚类及趋势预测的内燃机振动分析预警方法，其特征在于，在步骤S2中，所述网格化聚类处理包括子步骤：
S21，对转速按照设定的步长进行划分，生成S1，S2，..Sn序列；按转速的模式对功率进行划分，生成P1，P2，...Pn序列；
S22，对于当前内燃机任何转速和功率，都会落入Sn和Pn序列构成的网格中，在该网格上表征相应的振动数据变化趋势。
4.根据权利要求3所述的基于聚类及趋势预测的内燃机振动分析预警方法，其特征在于，在步骤S3中，包括子步骤：
对数据序列D1，D2，...Dn落入相应网格后按照以下公式，分别按照不同的周期进行计算，获得计算值WMAM，构成WMAn序列；
Figure FDA0003229129760000021
上式中，DM为当前采集值，n为周期，通过对n的调整，对应不同的趋势周期。
5.根据权利要求4所述的基于聚类及趋势预测的内燃机振动分析预警方法，其特征在于，在步骤S4中，偏差数据序列ΔDn按照如下公式进行计算：△Dn＝WMAM-Dn。
6.根据权利要求5所述的基于聚类及趋势预测的内燃机振动分析预警方法，其特征在于，在步骤S5中，包括子步骤：
对所述偏差数据序列ΔDn进行按照如下公式进行加权移动平均计算：
Figure FDA0003229129760000022
计算完成后，获得ΔWMAn结果序列。
7.根据权利要求6所述的基于聚类及趋势预测的内燃机振动分析预警方法，其特征在于，在步骤S6中，所述进行最终结果计算及故障趋势预警包括子步骤：
计算均方根值△rms：
Figure FDA0003229129760000031
均方根值误差能反应所测数据的离散程度，当均方根值在设定范围内即表明数据的稳定性较高；当均方根值大于设定值，认为内燃机运行状况已经偏离了正常状况，对该值划分多个故障等级范围，从而基于运行状态进行评估分级。
8.一种执行权利要求1～7任一所述方法中步骤的装置，其特征在于，包括振动采集单元、FPGA控制单元、人机交互单元、数据存储单元和对外通讯单元；振动采集单元将采集的信息传入FPGA控制单元，执行信号处理、分析及结果存储，利用FPGA的RAM单元和所述数据存储单元执行分析结果的存储；对外通讯单元用于FPGA控制平台与外部系统或上位机/集控台的通讯，FPGA控制单元进行同步时钟域设计并进行时序约束，人机交互单元与FPGA控制单元连接。
9.根据权利要求8所述的装置，其特征在于，所述振动采集单元由多个三轴振动传感器组成，每个传感器对应三通道，采样频率不低于1M/s，并且三通道同步并行采集。
CN202110981482.3A 2021-08-25 2021-08-25 基于聚类及趋势预测的内燃机振动分析预警方法及装置 Active CN113723493B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110981482.3A CN113723493B (zh) 2021-08-25 2021-08-25 基于聚类及趋势预测的内燃机振动分析预警方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110981482.3A CN113723493B (zh) 2021-08-25 2021-08-25 基于聚类及趋势预测的内燃机振动分析预警方法及装置

Publications (2)

Publication Number Publication Date
CN113723493A true CN113723493A (zh) 2021-11-30
CN113723493B CN113723493B (zh) 2023-05-30

Family

ID=78677857

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110981482.3A Active CN113723493B (zh) 2021-08-25 2021-08-25 基于聚类及趋势预测的内燃机振动分析预警方法及装置

Country Status (1)

Country Link
CN (1) CN113723493B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020087258A1 (en) * 2000-12-29 2002-07-04 Johnson Daniel P. Prognostics monitor for systems that are subject to failure
CN102564568A (zh) * 2011-12-29 2012-07-11 华北电力大学 大型旋转机械复杂工况下的早期故障搜索方法
CN103955750A (zh) * 2014-04-04 2014-07-30 西安交通大学 基于特征融合和粒子滤波的滚动轴承剩余寿命预测方法
US20160275706A1 (en) * 2015-03-20 2016-09-22 Intel Corporation Sensor data visualization apparatus and method
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
CN111368863A (zh) * 2018-12-26 2020-07-03 上海海事大学 一种智能化的岸桥关键机构健康状态评估方法
CN112651290A (zh) * 2020-10-22 2021-04-13 国家电网有限公司 一种水电机组振动趋势预测方法和系统
CN113077172A (zh) * 2021-04-19 2021-07-06 瑞湖智科数据(苏州)有限公司 一种设备状态趋势分析及故障诊断方法
CN113109051A (zh) * 2021-04-14 2021-07-13 中国人民解放军海军航空大学岸防兵学院 基于振动数据极差序列的故障预警方法和系统

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020087258A1 (en) * 2000-12-29 2002-07-04 Johnson Daniel P. Prognostics monitor for systems that are subject to failure
CN102564568A (zh) * 2011-12-29 2012-07-11 华北电力大学 大型旋转机械复杂工况下的早期故障搜索方法
CN103955750A (zh) * 2014-04-04 2014-07-30 西安交通大学 基于特征融合和粒子滤波的滚动轴承剩余寿命预测方法
US20160275706A1 (en) * 2015-03-20 2016-09-22 Intel Corporation Sensor data visualization apparatus and method
CN111368863A (zh) * 2018-12-26 2020-07-03 上海海事大学 一种智能化的岸桥关键机构健康状态评估方法
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
CN112651290A (zh) * 2020-10-22 2021-04-13 国家电网有限公司 一种水电机组振动趋势预测方法和系统
CN113109051A (zh) * 2021-04-14 2021-07-13 中国人民解放军海军航空大学岸防兵学院 基于振动数据极差序列的故障预警方法和系统
CN113077172A (zh) * 2021-04-19 2021-07-06 瑞湖智科数据(苏州)有限公司 一种设备状态趋势分析及故障诊断方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
RONGDA JIAO等: "Research on Fault Diagnosis and Prediction of Power Plant Fans" *
STANLEY FONG等: "Mean Shift Clustering-Based Analysis of Nonstationary Vibration Signals for Machinery Diagnostics" *
曲力涛等: "基于振动能量趋势预测和K均值聚类的水电机组故障预警方法研究" *
胡军辉: "基于谱熵的故障特征提取与数据挖掘技术研究" *

Also Published As

Publication number Publication date
CN113723493B (zh) 2023-05-30

Similar Documents

Publication Publication Date Title
CN109524139B (zh) 一种基于设备工况变化的实时设备性能监测方法
CN107247230B (zh) 一种基于支持向量机和数据驱动的旋转电机状态监测方法
EP2836881B1 (en) Embedded prognostics on plc platforms for equipment condition monitoring, diagnosis and time-to-failure/service prediction
CN109506921A (zh) 一种旋转机械故障诊断与预警方法
CN107291991B (zh) 一种基于动态网络标志的风电机组早期缺陷预警方法
CN111122191B (zh) 一种基于ewma控制的设备安康报警阈值设定方法
EP3788328B1 (en) System and process for pattern matching bearing vibration diagnostics
CN109655200A (zh) 一种风力发电机组风轮不平衡的诊断方法及系统
CN110285045B (zh) 一种核电厂rcp主泵振动相位监测系统和方法
CN111946559A (zh) 一种风机基础和塔架结构检测方法
US20140058615A1 (en) Fleet anomaly detection system and method
CN117972600A (zh) 一种基于多维故障特征学习的风电机组关键部件异常探测方法
CN117961643A (zh) 一种基于多轴电流信号的数控机床在线故障监测方法
CN116910677A (zh) 一种工业仪表故障诊断方法及系统
CN117028164A (zh) 一种风电机组振动检测方法和设备
KR20210006832A (ko) 기계고장 진단 방법 및 장치
CN114429173A (zh) 一种基于支持向量数据描述的转子系统异常检测方法
CN112621381B (zh) 机床进给系统健康状态智能评估方法及装置
EP3974646A1 (en) Method and system for wind speed determination using vibration data
CN113723493B (zh) 基于聚类及趋势预测的内燃机振动分析预警方法及装置
CN116720983A (zh) 一种基于大数据分析的供电设备异常检测方法及系统
CN114993461B (zh) 一种塔机机构电机振动的检测系统和方法
US20180087489A1 (en) Method for windmill farm monitoring
CN113688791A (zh) 一种风电机组cms异常数据包识别方法
CN113075547A (zh) 电机数据的采集方法及系统

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