CN113777488A - 阀冷主泵电机的状态评估方法、装置、计算机设备 - Google Patents
阀冷主泵电机的状态评估方法、装置、计算机设备 Download PDFInfo
- Publication number
- CN113777488A CN113777488A CN202111076646.4A CN202111076646A CN113777488A CN 113777488 A CN113777488 A CN 113777488A CN 202111076646 A CN202111076646 A CN 202111076646A CN 113777488 A CN113777488 A CN 113777488A
- Authority
- CN
- China
- Prior art keywords
- vibration
- evaluation value
- dimension
- value
- evaluation
- 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
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 423
- 238000001816 cooling Methods 0.000 title claims abstract description 39
- 238000000034 method Methods 0.000 claims abstract description 37
- 238000001228 spectrum Methods 0.000 claims description 73
- 238000005096 rolling process Methods 0.000 claims description 27
- 238000004458 analytical method Methods 0.000 claims description 15
- 238000001914 filtration Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 11
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 6
- 238000012423 maintenance Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 abstract description 8
- 238000003745 diagnosis Methods 0.000 description 10
- 238000013507 mapping Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 239000000284 extract Substances 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000009529 body temperature measurement Methods 0.000 description 2
- 238000012854 evaluation process Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000000498 cooling water Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005674 electromagnetic induction Effects 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000474 nursing effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001960 triggered effect Effects 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本申请涉及一种阀冷主泵电机的状态评估方法、装置、计算机设备和存储介质。该方法包括：基于待评估阀冷主泵电机的传感数据，确定与温度维度、振动维度、磁场维度、以及噪音维度分别对应的待处理数据。分别将每个维度的标准数据与待处理数据进行比较，得到温度评估值、第一振动评估值、磁场评估值、以及噪音评估值。根据振动维度对应的基准值和待处理数据间的差异确定振动差值。若该振动差值大于或等于振动阈值，则对振动信号进行分析得到第二振动评估值。将该第一振动评估值与该第二振动评估值中的较小值，作为振动评估值。基于各个评估值进行状态评估，得到该待评估阀冷主泵电机的状态评估结果。这样，能够大大提高了故障检测的准确性。
Description
技术领域
本申请涉及电机状态评估技术领域，特别是涉及一种阀冷主泵电机的状态评估方法、装置、计算机设备和存储介质。
背景技术
随着换流阀冷却系统技术的发展，为了散掉换流阀所产生的热量，常常采用阀冷主泵电机将驱动的内冷水循环到外冷设备进行散热。其中，阀冷主泵电机的可靠性将直接影响包含有换流阀的特高压直流系统的安全运行。因此，为了确保特高压直流系统的安全运行，需要对阀冷主泵电机的状态进行评估。
在实际的评估过程中，常常通过检测阀冷主泵电机运行的电流数据、电压数据的变化，对阀冷主泵电机的状态进行评估，并基于该评估结果可以判定阀冷主泵电机是否发生故障。但是，只有当阀冷主泵电机出现了严重的故障时，该阀冷主泵电机的电流数据和电压数据才会出现明显的波动变化。
当阀冷主泵电机开始出现故障时，检测的电流数据和电压数据均不发生明显的波动变化，难以发现阀冷主泵电机的故障。因此，存在阀冷主泵电机的故障检测不准确的问题。
发明内容
基于此，有必要针对上述技术问题，提供一种阀冷主泵电机的状态评估方法、装置、计算机设备和存储介质。
一种阀冷主泵电机的状态评估方法，所述方法包括：获取待评估阀冷主泵电机的传感数据，并从所述传感数据中提取出多个维度分别对应的待处理数据，所述多个维度包括温度维度、振动维度、磁场维度、以及噪音维度；
获取与各个维度分别对应的标准数据，并将各个维度各自所对应的标准数据与待处理数据进行比较，得到温度评估值、第一振动评估值、磁场评估值、以及噪音评估值；
基于振动维度的标准数据确定振动阈值，并根据振动维度所对应的基准值和待处理数据间的差异确定振动差值；
若所述振动差值大于或等于所述振动阈值，则获取预定时间周期内振动维度对应的振动信号，并对所述振动信号进行分析得到第二振动评估值；
将所述第一振动评估值与所述第二振动评估值中的较小值，作为与振动维度对应的振动评估值；
基于所述温度评估值、振动评估值、磁场评估值、以及噪音评估值，进行状态评估，得到所述待评估阀冷主泵电机的状态评估结果。
一种阀冷主泵电机的状态评估装置，所述装置包括：
提取模块，用于获取待评估阀冷主泵电机的传感数据，并从所述传感数据中提取出多个维度分别对应的待处理数据，所述多个维度包括温度维度、振动维度、磁场维度、以及噪音维度；
比较模块，用于获取与各个维度分别对应的标准数据，并将各个维度各自所对应的标准数据与待处理数据进行比较，得到温度评估值、第一振动评估值、磁场评估值、以及噪音评估值；
第一确定模块，用于基于振动维度的标准数据确定振动阈值，并根据振动维度所对应的基准值和待处理数据间的差异确定振动差值；
分析模块，用于若所述振动差值大于或等于所述振动阈值，则获取预定时间周期内振动维度对应的振动信号，并对所述振动信号进行分析得到第二振动评估值；
第二确定模块，用于将所述第一振动评估值与所述第二振动评估值中的较小值，作为与振动维度对应的振动评估值；
评估模块，用于基于所述温度评估值、振动评估值、磁场评估值、以及噪音评估值，进行状态评估，得到所述待评估阀冷主泵电机的状态评估结果。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现如上述任一阀冷主泵电机的状态评估方法。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述任一阀冷主泵电机的状态评估方法。
上述阀冷主泵电机的状态评估方法、装置、计算机设备和存储介质，获取待评估阀冷主泵电机的传感数据，并从该传感数据中提取出多个维度分别对应的待处理数据，该多个维度包括温度维度、振动维度、磁场维度、以及噪音维度。获取与各个维度分别对应的标准数据，并将各个维度各自所对应的标准数据与待处理数据进行比较，得到温度评估值、第一振动评估值、磁场评估值、以及噪音评估值。基于振动维度的标准数据确定振动阈值，并根据振动维度所对应的基准值和待处理数据间的差异确定振动差值。若该振动差值大于或等于该振动阈值，则获取预定时间周期内振动维度对应的振动信号，并对该振动信号进行分析得到第二振动评估值。将该第一振动评估值与该第二振动评估值中的较小值，作为与振动维度对应的振动评估值。这样，基于不同的两种分析方式得到振动维度的振动评估值，再基于其中的较小值进行状态评估能够更好地体现出振动维度的故障情况，从而增加了振动评估值的可信度。基于该温度评估值、振动评估值、磁场评估值、以及噪音评估值，进行状态评估，得到该待评估阀冷主泵电机的状态评估结果。这样，结合多个维度的数据对该待评估阀冷主泵电机的状态进行评估，大大增加了状态评估的可靠度，从而提高了对待评估阀冷主泵电机的故障检测的准确性。
附图说明
图1为一个实施例中阀冷主泵电机的状态评估方法的应用环境图；
图2为一个实施例中阀冷主泵电机的状态评估方法的流程示意图；
图3为一个实施例中得到第二振动评估值步骤的流程示意图；
图4为一个实施例中多个参考故障频谱的示意图；
图5为一个实施例中得到与振动维度对应的待处理频谱步骤的流程示意图；
图6为一个实施例中阀冷主泵电机的状态评估方法流程示意图；
图7为一个实施例中设备总体链接示意图；
图8为一个实施例中轴承的损坏模式示意图；
图9为一个实施例中阀冷主泵电机的状态评估结构框图；
图10为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的阀冷主泵电机的状态评估方法，可以应用于如图1所示的应用环境中。其中，换流阀冷却系统102通过网络与计算机设备104进行通信。计算机设备104获取换流阀冷却系统102的待评估阀冷主泵电机的传感数据，并从该传感数据中提取出多个维度分别对应的待处理数据，该多个维度包括温度维度、振动维度、磁场维度、以及噪音维度。计算机设备104获取与各个维度分别对应的标准数据，并将各个维度各自所对应的标准数据与待处理数据进行比较，得到温度评估值、第一振动评估值、磁场评估值、以及噪音评估值。计算机设备104基于振动维度的标准数据确定振动阈值，并根据振动维度所对应的基准值和待处理数据间的差异确定振动差值。若该振动差值大于或等于该振动阈值，则计算机设备104获取预定时间周期内振动维度对应的振动信号，并对该振动信号进行分析得到第二振动评估值。计算机设备104将该第一振动评估值与该第二振动评估值中的较小值，作为与振动维度对应的振动评估值。基于该温度评估值、振动评估值、磁场评估值、以及噪音评估值，进行状态评估，计算机设备104得到该待评估阀冷主泵电机的状态评估结果。其中，该换流阀冷却系统102中包含有阀冷主泵电机。该计算机设备104可以是终端或服务器，该终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，该服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中，如图2所示，提供了一种阀冷主泵电机的状态评估方法，以该方法应用于图1中的计算机设备104为例进行说明。该方法包括以下步骤：
步骤S202，获取待评估阀冷主泵电机的传感数据，并从该传感数据中提取出多个维度分别对应的待处理数据，该多个维度包括温度维度、振动维度、磁场维度、以及噪音维度。
其中，电机是依据电磁感应定律实现电能转换或传递的一种电磁装置。即作为用电器或各种机械的动力源，利用机械能转化为电能。
具体地，计算机设备获取待评估阀冷主泵电机的传感数据，该传感数据为部署在待评估阀冷主泵电机上的一体式传感器传感得到。计算机设备从该传感数据中提取出温度维度、振动维度、磁场维度、以及噪音维度分别对应的待处理数据。
其中，一体式传感器为感知层电机智能传感器，该一体式传感器基于TinyML(TinyMachine Learning，微型机器学习)技术能够实现将多种数据的传感。例如，通过在电机上安装该一体式传感器对阀冷主泵电机的转速、表面温度、振动、温度、磁场、噪音等数据进行检测。
步骤S204，获取与各个维度分别对应的标准数据，并将各个维度各自所对应的标准数据与待处理数据进行比较，得到温度评估值、第一振动评估值、磁场评估值、以及噪音评估值。
其中，该标准数据为每个维度对应的限值数据，即在正常情况下，每个维度对应的峰值数据。
具体地，计算机设备基于待评估阀冷主泵电机轴承运行承受的动载荷，以及振动通过支撑结构与基础传至周围环境的允许值，确定与各个维度分对应的标准数据。计算机设备获取与各个维度分别对应的标准数据，对于每一维度，同一维度的标准数据与待处理数据进行比较，得到与各个维度对应的比较结果，基于各个维度的比较结果，确定与各个维度分别对应的温度评估值、第一振动评估值、磁场评估值、以及噪音评估值。
步骤S206，基于振动维度的标准数据确定振动阈值，并根据振动维度所对应的基准值和待处理数据间的差异确定振动差值。
具体地，计算机设备获取振动维度对应的标准数据，将一定比例的标准数据作为振动阈值。计算机设备从存储有与各个故障电机对应的数据库中，确定与待评估阀冷主泵电机的使用时间对应的基准值，将该基准值与待处理数据之间的差值作为振动差值。其中，该振动阈值可以为四分之一的标准数据、二分之一的标准数据、或者三分之一的标准数据等，不做限定。
例如，计算机设备获取振动维度对应的标准数据，将标准数据的25％作为振动阈值。计算机设备从存储有各个故障电机对应的基准值的数据库中，确定与待评估阀冷主泵电机的使用时间对应的基准值。计算机设备将振动维度对应的待处理数据减去该基准值，得到振动差值。
步骤S208，若该振动差值大于或等于该振动阈值，则获取预定时间周期内振动维度对应的振动信号，并对该振动信号进行分析得到第二振动评估值。
具体地，计算机设备获取该振动差值，并将该振动差值与振动阈值进行比较。若该振动差值大于或等于该振动阈值，则计算机设备获取预定时间周期内振动维度对应的振动信号。计算机设备基于深度分析技术对应的第一深度模型，对该振动信号进行分析，得到第二振动评估值。其中，第一深度模型是基于深度学习的原理所构建，该第一深度模型用于对振动信号进行频谱分析。
例如，计算机设备获取该振动差值，并将该振动差值与振动阈值进行比较。若该振动差值大于或等于该振动阈值，计算机设备获取周期为T的振动信号，该振动信号可以为具有幅值和频率的余弦信号。计算机设备获取第一深度模型，对该振动信息进行分析，得到分析结果。计算机设备获取与振动评估表，该振动评估表为各个分析结果与各个振动评估值一一对应的映射关系。计算机设备基于该分析结果和该振动评估表，确定第二振动评估值。
步骤S210，将该第一振动评估值与该第二振动评估值中的较小值，作为与振动维度对应的振动评估值。
具体地，计算机设备获取第一振动评估值与第二振动评估值，并将该第一振动评估值与第二振动评估值进行比较，将较小值作为与振动维度对应的振动评估值。
步骤S212，基于该温度评估值、振动评估值、磁场评估值、以及噪音评估值，进行状态评估，得到该待评估阀冷主泵电机的状态评估结果。
具体地，计算机设备获取各个维度分别对应的评估值，并基于该温度评估值、振动评估值、磁场评估值、以及噪音评估值，进行状态评估，得到状态评估值，基于该状态评估值确定该待评估阀冷主泵电机的状态评估结果。
上述阀冷主泵电机的状态评估方法中，获取待评估阀冷主泵电机的传感数据，并从该传感数据中提取出多个维度分别对应的待处理数据，该多个维度包括温度维度、振动维度、磁场维度、以及噪音维度。获取与各个维度分别对应的标准数据，并将各个维度各自所对应的标准数据与待处理数据进行比较，得到温度评估值、第一振动评估值、磁场评估值、以及噪音评估值。基于振动维度的标准数据确定振动阈值，并根据振动维度所对应的基准值和待处理数据间的差异确定振动差值。若该振动差值大于或等于该振动阈值，则获取预定时间周期内振动维度对应的振动信号，并对该振动信号进行分析得到第二振动评估值。将该第一振动评估值与该第二振动评估值中的较小值，作为与振动维度对应的振动评估值。这样，基于不同的两种分析方式得到振动维度的振动评估值，再基于较小值进行状态评估能够更好地体现出振动维度的故障情况，从而增加了振动评估值的可信度。基于该温度评估值、振动评估值、磁场评估值、以及噪音评估值，进行状态评估，得到该待评估阀冷主泵电机的状态评估结果。这样，能够结合多个维度的数据对该待评估阀冷主泵电机的状态进行评估，大大增加了状态评估的可靠度，从而提高了对待评估阀冷主泵电机的故障检测的准确性。
在一个实施例中，该将各个维度各自所对应的标准数据与待处理数据进行比较，得到温度评估值、第一振动评估值、磁场评估值、以及噪音评估值，包括：对于每个维度，若维度对应的标准数值小于待处理数值，则获取标准数值与待处理数值之间的差值。基于各个维度的差值，通过与维度对应的差值评估表，分别得到温度评估值、第一振动评估值、磁场评估值、以及噪音评估值。
具体地，对于每个维度，若存在维度对应的标准值大于或等于该待处理数值，则确定该维度对应的评估值为满分。若维度对应的标准数值小于待处理数值，则计算机设备基于同一维度的标准数值和待处理数值，得到同一维度的标准数值与待处理数值之间的差值。计算机设备获取差值评估表，基于各个维度的差值，从差值评估表中各个维度对应的映射关系，确定温度评估值、第一振动评估值、磁场评估值、以及噪音评估值。其中，该差值评估表中对应有不同维度各自对应的映射关系，其中，每个映射关系均为差值与评估值一一映射关系。
例如，对于每个维度，若维度对应的标准数值小于待处理数值，则计算机设备基于同一维度的标准数值和待处理数值，得到同一维度的标准数值与待处理数值之间的差值。若温度差值为30°，则从该差值评估表中确定温度维度所对应的温度映射关系。从该温度映射关系中确定温度差值为30°的温度评估值为70分。
在本实施例中，对于每个维度，若维度对应的标准数值小于待处理数值，则获取标准数值与待处理数值之间的差值。基于各个维度的差值，通过与维度对应的差值评估表，分别得到温度评估值、第一振动评估值、磁场评估值、以及噪音评估值。这样，基于差值评估表，能够将测量得到的传感数据转化为各个维度的分数，从而，使得各个维度的评估更加直观且客观。
在一个实施例中，如图3所示，该对该振动信号进行分析得到第二振动评估值，包括：
步骤S302，对该振动信号进行预处理，得到与振动维度对应的待处理频谱。
具体地，计算机设备获取预定时间周期内振动维度对应的振动信号，计算机设备对该振动信号进行预处理，得到与振动维度对应的待处理频谱。其中，该待处理频谱中的各个频率包含有与待评估阀冷主泵电机的滚动轴承对应的故障频率，该轴承故障频率包含滚动轴承外环故障频率、滚动故障内环故障频率、滚动轴承保持架故障频率、滚动轴承滚动体旋转故障频率。
其中，滚动轴承对应的各个故障频率与待评估阀冷主泵电机的参数所确定，如，该滚动轴承外环故障频率：BPFO＝(N/2)z[1-(d/D)Cosα]；滚动轴承内环故障频率：BPFI＝(N/2)z[1+(d/D)Cosα]；滚动轴承保持架故障频率：FTF＝(N/2)[1-(d/D)Cosα]；滚动轴承滚动体旋转故障频率：BSF＝(N/2)(D/d){1-[(d/D)Cosα]2}。其中，d为滚动体直径；D为滚动轴承平均直径(滚动体中心处直径)；α为径向方向接触角；z为滚动体数目；N为轴的转速。
步骤S304，获取与各个电机轴承故障项分别对应的各个参考故障频谱，该轴承故障项包括轴承外环故障项、内环故障项、滚动体故障项、以及保持架故障项。
具体地，计算机设备确定待评估阀冷主泵电机的各个轴承故障项，并基于各个轴承故障项，获取与各个电机轴承故障项分别对应的各个参考故障频谱。其中，如图4所述，a部分为轴承外环故障对应的参考故障频谱；b部分为轴承内环故障对应的参考故障频谱；c部分为轴承滚动体故障对应的参考故障频谱；d部分为轴承保持架故障对应的参考故障频谱。
步骤S306，将待处理频谱与各个参考故障频谱进行对比，若待处理频谱与多个参考故障频谱中的其中一个参考故障频谱相匹配，则将相匹配的参考故障频谱所对应的电机轴承故障项，作为目标轴承故障项。
具体地，计算机设备基于各轴承故障项对应的频率，将待处理频谱中各个故障频率所对应的值，与各个参考故障频谱中的各个故障频率所对应的参考值进行对比，若待处理频谱与多个参考故障频谱中的其中一个参考故障频谱相匹配，则将相匹配的参考故障频谱所对应的电机轴承故障项，作为目标轴承故障项。计算机设备基于该目标轴承故障项，确定待评估阀冷主泵电机的故障为目标轴承故障项对应的故障。
步骤S308，确定与该目标轴承故障项对应的故障评估值，并将该故障评估值作为振动维度的第二振动评估值。
具体地，计算机设备获取与轴承故障项对应的振动评估表，基于该振动评估表，确定与该目标轴承故障项对应的故障评估值。计算机设备将该故障评估值作为振动维度的第二振动评估值。其中，该振动评估表包含有各个轴承故障项分别对应振动评估值。
例如，计算机设备获取与轴承故障项对应的振动评估表，该振动评估表中确定该目标轴承故障项为轴承外环故障项对应的评估分为30分、该目标轴承故障项为内环故障项对应的评估分为60分、该目标轴承故障项为滚动体故障项对应的评估分为40分、该目标轴承故障项为保持架故障项对应的评估分为50。比如，该目标轴承项为轴承外环故障项，则该振动维度的第二振动评估值为30分。
在本实施例中，对该振动信号进行预处理，得到与振动维度对应的待处理频谱；获取与各个电机轴承故障项分别对应的各个参考故障频谱。将待处理频谱与各个参考故障频谱进行对比，若待处理频谱与多个参考故障频谱中的其中一个参考故障频谱相匹配，则将相匹配的参考故障频谱所对应的电机轴承故障项，作为目标轴承故障项。这样，能够基于该目标轴承故障项确定待评估阀冷主泵电机的故障原因。并且确定与该目标轴承故障项对应的故障评估值，并将该故障评估值作为振动维度的第二振动评估值。因此，基于该目标轴承故障项，能够快速且准确的确定待评估阀冷主泵电机的故障原因，并且基于该第二振动评估值，有利于将测量得到的传感数据转化为各个维度的分数，从而，使得各个维度的评估更加直观且客观。
在一个实施例中，如图5所示，该对该振动信号进行预处理，得到与振动维度对应的待处理频谱，包括：对该振动信号进行第一次滤波处理，得到具有高频特征的时域信号；对该时域信号进行整流以及第二次滤波处理，得到整流滤波后的时域信号，并对该整流滤波后的时域信号进行波形转换，得到与振动维度对应的待处理频谱。
具体地，计算机设备获取预定时间周期内振动维度对应的振动信号，并通过第一带通滤波器对该振动信号进行第一次滤波处理，得到具有高频特征的时域信号，通过包络检测电路将该时域信号进行平方运算，得到整流信号。计算机设备通过第二带通滤波器对该整流信号进行第二次滤波处理，得到整流滤波后的时域信号。计算机设备对该整流滤波后的时域信号进行波形转换，得到与振动维度对应的待处理频谱。
在本实施例中，对该振动信号进行第一次滤波处理，得到具有高频特征的时域信号；对该时域信号进行整流以及第二次滤波处理，得到整流滤波后的时域信号，并对该整流滤波后的时域信号进行波形转换，得到与振动维度对应的待处理频谱。这样，能够将滤除低频信号的时域信号转换为频域的待处理频谱，有利于后续对该待评估阀冷主泵电机的状态进行评估。
在一个实施例中，该方法还包括：若待处理频谱与任意一个参考故障频谱均不匹配，则触发报警信号，以指示检修人员进行现场检修。
具体地，若待处理频谱与任意一个参考故障频谱均不匹配，则计算机设备触发报警信号，以指示检修人员切断待评估阀冷主泵电机的电源，并指示检修人员进行现场检修，以实现二次诊断。若检修人员进行二次振动无法确定待评估阀冷主泵电机的故障，则通过红外测温、振动仪测量等手段增加测试和振动分析项目，并且通过改变负、改变驱动的管道阀门开度等实现改变电机的运行条件。
在本实施例中，若待处理频谱与任意一个参考故障频谱均不匹配，则触发报警信号，以指示检修人员进行现场检修。这样，能够对待评估阀冷主泵电机进行快速且准确的评估，并且能够及时排查出该待评估阀冷主泵电机是否存在故障，从而采取故障预防措施。
在一个实施例中，该方法还包括：若该振动差值小于所述振动阈值，则将该第一振动评估值作为振动维度对应的振动评估值。
具体地，计算机设备获取该振动差值和振动阈值，若该振动差值小于所述振动阈值，则将该第一振动评估值作为振动维度对应的振动评估值。该计算机设备基于该温度评估值、振动评估值、磁场评估值、以及噪音评估值，进行状态评估，得到该待评估阀冷主泵电机的状态评估结果。
在本实施例中，若该振动差值小于所述振动阈值，则将该第一振动评估值作为振动维度对应的振动评估值。这样，无需获取振动信号，使得该待评估阀冷主泵电机的状态评估的过程更加简便且高效。
在一个实施例中，该基于该温度评估值、振动评估值、磁场评估值、以及噪音评估值，进行状态评估，得到该待评估阀冷主泵电机的状态评估结果，包括：对该温度评估值、振动评估值、磁场评估值、以及噪音评估值进行加权求和，得到目标状态评估值。获取该状态评估表，该状态评估表中包含有多个状态评估值对应的评估结果。基于该目标状态评估值，从该状态评估表中确定与该目标状态评估值对应的目标评估结果，并将该目标评估结果作为待评估阀冷主泵电机的状态评估结果。
具体地，计算机设备获取各个维度对应的权值，并获取该温度评估值、振动评估值、磁场评估值、以及噪音评估值。计算机设备基于各个维度的权值和各个维度对应的评估值，进行加权求和，得到目标状态评估值。计算机设备获取该目标状态评估表，基于该目标状态评估值，从该状态评估表中确定与该目标状态评估值对应的目标评估结果，并将该目标评估结果作为待评估阀冷主泵电机的状态评估结果。其中，该目标状态评估表中对应各个状态评估值对应的状态。
例如，计算机设备获取温度维度、振动维度、磁场维度、以及噪音维度各自的权值，分别为2、5、2、1。该各个维度对应的评估值分别为A、B、C、D。计算机设备基于各个维度分别对应的权值和评估值，进行加权求和，得到目标状态评估值X，X为2A+5B+2C+D。计算机设备获取状态评估表，基于该目标状态评估值，从该状态评估表中确定与该目标状态评估值对应的目标评估结果，该状态评估表中状态评估值为0到30，则状态对应为运作状态差；状态评估值为31到60，则状态对应为运作状态一般；状态评估值为61到80，则状态对应为运作状态良好；状态评估值为81到100，则状态对应为运作状态优秀。比如该目标状态评估值为50，则待评估阀冷准备电机的状态评估结果为一般。
在本实施例中，对该温度评估值、振动评估值、磁场评估值、以及噪音评估值进行加权求和，得到目标状态评估值。获取该状态评估表，该状态评估表中包含有多个状态评估值对应的评估结果。基于该目标状态评估值，从该状态评估表中确定与该目标状态评估值对应的目标评估结果，并将该目标评估结果作为待评估阀冷主泵电机的状态评估结果。这样，能够结合多个维度的数据对该待评估阀冷主泵电机的状态进行评估，大大增加了状态评估的可靠度，从而能够提高对待评估阀冷主泵电机的故障检测的准确性。
为了便于更清楚的了解本申请的技术方案，提供一个更为详细实施例进行描述。如图6所示，该图为阀冷主泵电机的状态评估方法流程。一体化传感器对待评估阀冷主泵电机进行检测，得到传感数据，该传感数据包含有温度维度、振动维度、磁场维度、以及噪音维度分别对应的待处理数据。并通过该一体式传感器发射模块将各个传感数据通过蓝牙发送至网关，再由网关通过网线将传感数据传输到中控中的服务器，该服务器将传感数据传输至客户端(该客户端可以为计算机设备)进行数据分析。其中，设备总体连接示意图如图7所示。计算机设备获取待评估阀冷主泵电机的传感数据，基于该传感数据进行一次诊断所进行的一次数据分析。计算机设备从该传感数据中提取出温度维度、振动维度、磁场维度、以及噪音维度分别对应的待处理数据。计算机设备基于待评估阀冷主泵电机轴承运行承受的动载荷，以及振动通过支撑结构与基础传至周围环境的允许值，确定与各个维度分对应的标准数据。对于每个维度，若存在维度对应的标准数值大于或等于该待处理数值，则确定该维度对应的评估值为满分。若维度对应的标准数值小于待处理数值，则计算机设备基于同一维度的标准数值和待处理数值，得到同一维度的标准数值与待处理数值之间的差值。计算机设备获取差值评估表，基于各个维度的差值，从差值评估表中各个维度对应的映射关系，确定温度评估值、第一振动评估值、磁场评估值、以及噪音评估值。其中，该差值评估表中对应有不同维度各自对应的映射关系，其中，每个映射关系均为差值与评估值一一映射关系。计算机设备获取振动维度对应的标准数据，将四分之一的标准数据作为振动阈值。计算机设备从存储有与各个故障电机对应的数据库中，确定与待评估阀冷主泵电机的使用时间对应的基准值，将该基准值与待处理数据之间的差值作为振动差值。
计算机设备获取该振动差值，并将该振动差值与振动阈值进行比较。若该振动差值小于所述振动阈值，则将该第一振动评估值作为振动维度对应的振动评估值。若该振动差值大于或等于该振动阈值，则计算机设备获取预定时间周期内振动维度对应的振动信号。计算机设备通过第一带通滤波器对该振动信号进行第一次滤波处理，得到具有高频特征的时域信号，通过包络检测电路将该时域信号进行平方运算，得到整流信号。计算机设备通过第二带通滤波器对该整流信号进行第二次滤波处理，得到整流滤波后的时域信号。计算机设备对该整流滤波后的时域信号进行波形转换，得到与振动维度对应的待处理频谱。其中，该待处理频谱中的各个频率包含有与待评估阀冷主泵电机的滚动轴承对应的故障频率，该轴承故障频率包含滚动轴承外环故障频率、滚动故障内环故障频率、滚动轴承保持架故障频率、滚动轴承滚动体旋转故障频率。该轴承的损坏模式如图8所示，该轴承从开始损坏到失效的过程中，分别经过预警期与疲劳期。该损坏模式曲线图可以采用加速度包络方法进行检测。计算机设备确定待评估阀冷主泵电机的各个轴承故障项，并基于各个轴承故障项，获取与各个电机轴承故障项分别对应的各个参考故障频谱。计算机设备基于各轴承故障项对应的频率，将待处理频谱中各个故障频率所对应的值，与各个参考故障频谱中的各个故障频率所对应的参考值进行对比，若待处理频谱与多个参考故障频谱中的其中一个参考故障频谱相匹配，则将相匹配的参考故障频谱所对应的电机轴承故障项，作为目标轴承故障项。计算机设备基于该目标轴承故障项，确定待评估阀冷主泵电机的故障为目标轴承故障项对应的故障。计算机设备获取与轴承故障项对应的振动评估表，基于该振动评估表，确定与该目标轴承故障项对应的故障评估值。计算机设备将该故障评估值作为振动维度的第二振动评估值。其中，该振动评估表包含有各个轴承故障项分别对应振动评估值。计算机设备获取第一振动评估值与第二振动评估值，并将该第一振动评估值与第二振动评估值进行比较，将较小值作为与振动维度对应的振动评估值。计算机设备获取各个维度对应的权值，并获取该温度评估值、振动评估值、磁场评估值、以及噪音评估值。计算机设备基于各个维度的权值和各个维度对应的评估值，进行加权求和，得到目标状态评估值。计算机设备获取该目标状态评估表，基于该目标状态评估值，从该状态评估表中确定与该目标状态评估值对应的目标评估结果，并将该目标评估结果作为待评估阀冷主泵电机的状态评估结果。其中，该目标状态评估表中对应各个状态评估值对应的状态。
若待处理频谱与任意一个参考故障频谱均不匹配，则一次诊断判断异常，计算机设备触发报警信号，以指示检修人员切断待评估阀冷主泵电机的电源，并指示检修人员进行现场检修，以实现二次诊断。若基于二次诊断，检修人员对传感数据进行二次数据分析能够确定待评估阀冷主泵电机的评估状态和故障原因，则进行相应的处理决策。若检修人员仍无法确定待评估阀冷主泵电机的故障，则对待评估阀冷主泵电机追加调查，具体可以通过红外测温、振动仪测量等手段增加测试和振动分析项目，并且通过改变负、改变驱动的管道阀门开度等实现改变电机的运行条件。其中，对于待评估阀冷主泵电机的评估方法如下表1所示：
表1待评估阀冷主泵电机的评估方法
其中，该评估方法包括有标准判定、基准判定、以及频谱匹配。该标准判定为待处理数据与标准数据的比较。该基准判定为振动差值与振动阈值的比较。该标准判定、基准判定以及频谱匹配均为一次诊断的过程，当一次诊断中的频谱匹配不成功时，进行二次诊断。其中，该二次诊断对基于一次诊断中各个维度对应的权值进行优化，以得到优化后的权值。
在本实施例中，获取待评估阀冷主泵电机的传感数据，并从该传感数据中提取出多个维度分别对应的待处理数据，该多个维度包括温度维度、振动维度、磁场维度、以及噪音维度。获取与各个维度分别对应的标准数据，并将各个维度各自所对应的标准数据与待处理数据进行比较，得到温度评估值、第一振动评估值、磁场评估值、以及噪音评估值。基于振动维度的标准数据确定振动阈值，并根据振动维度所对应的基准值和待处理数据间的差异确定振动差值。若该振动差值大于或等于该振动阈值，则获取预定时间周期内振动维度对应的振动信号，并对该振动信号进行分析得到第二振动评估值。将该第一振动评估值与该第二振动评估值中的较小值，作为与振动维度对应的振动评估值。这样，基于该较小值进行状态评估能够更好地体现出振动维度的故障情况，从而增加了振动评估值的可信度。基于该温度评估值、振动评估值、磁场评估值、以及噪音评估值，进行状态评估，得到该待评估阀冷主泵电机的状态评估结果。这样，能够结合多个维度的数据对该待评估阀冷主泵电机的状态进行评估，大大增加了状态评估的可靠度，从而提高了对待评估阀冷主泵电机的故障检测的准确性，进而，能够对待评估阀冷主泵电机的故障进行提前预测，大大减少或有效避免待评估阀冷主泵电机故障停机，提前规避风险，避免二次损伤。根据故障的精确分析，能够减小设备看护工作压力，减少多余不必要故障查询工作。此外，对阀冷主泵电机进行状态评估的过程，能够降低人工劳动力，减少电机拆卸的次数，提高整个电机从故障分析到故障修复的时间，提高故障定位作业效率，降低作业存在风险。
应该理解的是，虽然图2至图3、图5至图6的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2至图3、图5至图6中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图9所示，提供了一种阀冷主泵电机的状态评估装置，包括：提取模块902、比较模块904、第一确定模块906、分析模块908、第二确定模块910和评估模块912，其中：
提取模块902，用于获取待评估阀冷主泵电机的传感数据，并从所述传感数据中提取出多个维度分别对应的待处理数据，所述多个维度包括温度维度、振动维度、磁场维度、以及噪音维度。
比较模块904，用于获取与各个维度分别对应的标准数据，并将各个维度各自所对应的标准数据与待处理数据进行比较，得到温度评估值、第一振动评估值、磁场评估值、以及噪音评估值。
第一确定模块906，用于基于振动维度的标准数据确定振动阈值，并根据振动维度所对应的基准值和待处理数据间的差异确定振动差值。
分析模块908，用于若所述振动差值大于或等于所述振动阈值，则获取预定时间周期内振动维度对应的振动信号，并对所述振动信号进行分析得到第二振动评估值。
第二确定模块910，用于将所述第一振动评估值与所述第二振动评估值中的较小值，作为与振动维度对应的振动评估值。
评估模块912，用于基于所述温度评估值、振动评估值、磁场评估值、以及噪音评估值，进行状态评估，得到所述待评估阀冷主泵电机的状态评估结果。
在一个实施例中，该比较模块904，用于对于每个维度，若维度对应的标准数值小于待处理数值，则获取标准数值与待处理数值之间的差值。基于各个维度的差值，通过与维度对应的差值评估表，分别得到温度评估值、第一振动评估值、磁场评估值、以及噪音评估值。
在一个实施例中，该分析模块908，用于对该振动信号进行预处理，得到与振动维度对应的待处理频谱。获取与各个电机轴承故障项分别对应的各个参考故障频谱，该轴承故障项包括轴承外环故障项、内环故障项、滚动体故障项、以及保持架故障项。将待处理频谱与各个参考故障频谱进行对比，若待处理频谱与多个参考故障频谱中的其中一个参考故障频谱相匹配，则将相匹配的参考故障频谱所对应的电机轴承故障项，作为目标轴承故障项。确定与该目标轴承故障项对应的故障评估值，并将该故障评估值作为振动维度的第二振动评估值。
在一个实施例中，该分析模块908，用于对该振动信号进行第一次滤波处理，得到具有高频特征的时域信号。对该时域信号进行整流以及第二次滤波处理，得到整流滤波后的时域信号，并对该整流滤波后的时域信号进行波形转换，得到与振动维度对应的待处理频谱。
在一个实施例中，该分析模块908，还用于若待处理频谱与任意一个参考故障频谱均不匹配，则触发报警信号，以指示检修人员进行现场检修。
在一个实施例中，该分析模块908，还用于若该振动差值小于该振动阈值，则将该第一振动评估值作为振动维度对应的振动评估值。
在一个实施例中，该评估模块912，用于对该温度评估值、振动评估值、磁场评估值、以及噪音评估值进行加权求和，得到目标状态评估值。获取该状态评估表，该状态评估表中包含有多个状态评估值对应的评估结果。基于该目标状态评估值，从该状态评估表中确定与该目标状态评估值对应的目标评估结果，并将该目标评估结果作为待评估阀冷主泵电机的状态评估结果。
关于阀冷主泵电机的状态评估装置的具体限定可以参见上文中对于阀冷主泵电机的状态评估方法的限定，在此不再赘述。上述阀冷主泵电机的状态评估装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图10所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储阀冷主泵电机的状态评估数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种阀冷主泵电机的状态评估方法。
本领域技术人员可以理解，图10中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种阀冷主泵电机的状态评估方法，其特征在于，所述方法包括：
获取待评估阀冷主泵电机的传感数据，并从所述传感数据中提取出多个维度分别对应的待处理数据，所述多个维度包括温度维度、振动维度、磁场维度、以及噪音维度；
获取与各个维度分别对应的标准数据，并将各个维度各自所对应的标准数据与待处理数据进行比较，得到温度评估值、第一振动评估值、磁场评估值、以及噪音评估值；
基于振动维度的标准数据确定振动阈值，并根据振动维度所对应的基准值和待处理数据间的差异确定振动差值；
若所述振动差值大于或等于所述振动阈值，则获取预定时间周期内振动维度对应的振动信号，并对所述振动信号进行分析得到第二振动评估值；
将所述第一振动评估值与所述第二振动评估值中的较小值，作为与振动维度对应的振动评估值；
基于所述温度评估值、振动评估值、磁场评估值、以及噪音评估值，进行状态评估，得到所述待评估阀冷主泵电机的状态评估结果。
2.根据权利要求1所述的方法，其特征在于，所述将各个维度各自所对应的标准数据与待处理数据进行比较，得到温度评估值、第一振动评估值、磁场评估值、以及噪音评估值，包括：
对于每个维度，若维度对应的标准数值小于待处理数值，则获取标准数值与待处理数值之间的差值；
基于各个维度的差值，通过与维度对应的差值评估表，分别得到温度评估值、第一振动评估值、磁场评估值、以及噪音评估值。
3.根据权利要求1所述的方法，其特征在于，所述对所述振动信号进行分析得到第二振动评估值，包括：
对所述振动信号进行预处理，得到与振动维度对应的待处理频谱；
获取与各个电机轴承故障项分别对应的各个参考故障频谱，所述轴承故障项包括轴承外环故障项、内环故障项、滚动体故障项、以及保持架故障项；
将待处理频谱与各个参考故障频谱进行对比，若待处理频谱与多个参考故障频谱中的其中一个参考故障频谱相匹配，则将相匹配的参考故障频谱所对应的电机轴承故障项，作为目标轴承故障项；
确定与所述目标轴承故障项对应的故障评估值，并将所述故障评估值作为振动维度的第二振动评估值。
4.根据权利要求3所述的方法，其特征在于，所述对所述振动信号进行预处理，得到与振动维度对应的待处理频谱，包括：
对所述振动信号进行第一次滤波处理，得到具有高频特征的时域信号；
对所述时域信号进行整流以及第二次滤波处理，得到整流滤波后的时域信号，并对所述整流滤波后的时域信号进行波形转换，得到与振动维度对应的待处理频谱。
5.根据权利要求3所述的方法，其特征在于，所述方法还包括：
若待处理频谱与任意一个参考故障频谱均不匹配，则触发报警信号，以指示检修人员进行现场检修。
6.根据权利要求1所述的方法，其特征在于，所述方法还包括：
若所述振动差值小于所述振动阈值，则将所述第一振动评估值作为振动维度对应的振动评估值。
7.根据权利要求1所述的方法，其特征在于，所述基于所述温度评估值、振动评估值、磁场评估值、以及噪音评估值，进行状态评估，得到所述待评估阀冷主泵电机的状态评估结果，包括：
对所述温度评估值、振动评估值、磁场评估值、以及噪音评估值进行加权求和，得到目标状态评估值；
获取所述状态评估表，所述状态评估表中包含有多个状态评估值对应的评估结果；
基于所述目标状态评估值，从所述状态评估表中确定与所述目标状态评估值对应的目标评估结果，并将所述目标评估结果作为待评估阀冷主泵电机的状态评估结果。
8.一种阀冷主泵电机的状态评估装置，其特征在于，所述装置包括：
提取模块，用于获取待评估阀冷主泵电机的传感数据，并从所述传感数据中提取出多个维度分别对应的待处理数据，所述多个维度包括温度维度、振动维度、磁场维度、以及噪音维度；
比较模块，用于获取与各个维度分别对应的标准数据，并将各个维度各自所对应的标准数据与待处理数据进行比较，得到温度评估值、第一振动评估值、磁场评估值、以及噪音评估值；
第一确定模块，用于基于振动维度的标准数据确定振动阈值，并根据振动维度所对应的基准值和待处理数据间的差异确定振动差值；
分析模块，用于若所述振动差值大于或等于所述振动阈值，则获取预定时间周期内振动维度对应的振动信号，并对所述振动信号进行分析得到第二振动评估值；
第二确定模块，用于将所述第一振动评估值与所述第二振动评估值中的较小值，作为与振动维度对应的振动评估值；
评估模块，用于基于所述温度评估值、振动评估值、磁场评估值、以及噪音评估值，进行状态评估，得到所述待评估阀冷主泵电机的状态评估结果。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111076646.4A CN113777488B (zh) | 2021-09-14 | 2021-09-14 | 阀冷主泵电机的状态评估方法、装置、计算机设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111076646.4A CN113777488B (zh) | 2021-09-14 | 2021-09-14 | 阀冷主泵电机的状态评估方法、装置、计算机设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113777488A true CN113777488A (zh) | 2021-12-10 |
| CN113777488B CN113777488B (zh) | 2023-12-12 |
Family
ID=78843701
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111076646.4A Active CN113777488B (zh) | 2021-09-14 | 2021-09-14 | 阀冷主泵电机的状态评估方法、装置、计算机设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113777488B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118500538A (zh) * | 2024-07-18 | 2024-08-16 | 茌平鲁环汽车散热器有限公司 | 一种汽车散热翅片工作状况监测方法 |
Citations (22)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20030074298A (ko) * | 2002-03-08 | 2003-09-19 | 미쓰비시덴키 가부시키가이샤 | 모터 이상 검출 장치 |
| CN102620807A (zh) * | 2012-03-22 | 2012-08-01 | 内蒙古科技大学 | 风力发电机状态监测系统及方法 |
| US20130311113A1 (en) * | 2012-05-21 | 2013-11-21 | General Electric Company | Prognostics and life estimation of electrical machines |
| CA2847720A1 (en) * | 2013-04-08 | 2014-10-08 | Ge Energy Power Conversion Technology Limited | Broken rotor bar detection based on current signature analysis of an electric machine |
| CN105243180A (zh) * | 2015-09-01 | 2016-01-13 | 珠海格力电器股份有限公司 | 机电设备故障预警方法及系统 |
| CN105502115A (zh) * | 2014-09-26 | 2016-04-20 | 刘一 | 一种基于电梯的维保质量在线评估方法、装置及系统 |
| RU2626231C1 (ru) * | 2016-11-10 | 2017-07-24 | федеральное государственное бюджетное образовательное учреждение высшего образования "Санкт-Петербургский горный университет" | Способ диагностики технического состояния и оценки остаточного ресурса электромеханического агрегата с асинхронным двигателем |
| KR20170087092A (ko) * | 2016-01-19 | 2017-07-28 | 현대일렉트릭앤에너지시스템(주) | 회전기 모니터링 장치 및 회전기 모니터링 방법 |
| WO2017159784A1 (ja) * | 2016-03-17 | 2017-09-21 | Ntn株式会社 | 状態監視システムおよび風力発電装置 |
| CN108536877A (zh) * | 2017-03-01 | 2018-09-14 | 新疆金风科技股份有限公司 | 风力发电机组振动程度的评估方法与系统 |
| CN108780025A (zh) * | 2016-03-17 | 2018-11-09 | Ntn株式会社 | 状态监视系统和风力发电装置 |
| JP2018207650A (ja) * | 2017-06-02 | 2018-12-27 | 三菱日立パワーシステムズ株式会社 | 回転電機の特徴量評価システムおよび回転電機の特徴量評価方法 |
| CN109858104A (zh) * | 2019-01-10 | 2019-06-07 | 山东大学 | 一种滚动轴承健康评估与故障诊断方法及监测系统 |
| DE102018211850A1 (de) * | 2018-07-17 | 2020-01-23 | Ziehl-Abegg Se | Verfahren zum Bewerten einer Betriebsbereitschaft eines Elektromotors sowie Elektromotor und Ventilator |
| KR102112871B1 (ko) * | 2019-07-01 | 2020-06-04 | 서준식 | 모터 평가 시스템 |
| CN111856276A (zh) * | 2020-07-27 | 2020-10-30 | 淮南万泰电子股份有限公司 | 一种电机运行状态实时监测系统 |
| CN112529359A (zh) * | 2020-11-11 | 2021-03-19 | 中广核风电有限公司 | 风电场风电机组风险评价方法、装置、设备及存储介质 |
| KR102235373B1 (ko) * | 2020-08-10 | 2021-04-05 | 강래원 | 빌딩자동제어 장치에서의 무선 감지센서를 이용한 모터 상태 모니터링 시스템 |
| CN112665857A (zh) * | 2020-12-18 | 2021-04-16 | 中车永济电机有限公司 | 滚动轴承故障诊断方法、装置、设备及存储介质 |
| CN112763908A (zh) * | 2020-12-25 | 2021-05-07 | 中国机械设备工程股份有限公司 | 一种基于多故障特征联合的电机健康指数评价系统 |
| CN113822577A (zh) * | 2021-09-23 | 2021-12-21 | 烟台杰瑞石油装备技术有限公司 | 井场设备健康状态的评估方法、评估装置及存储介质 |
| CN114004306A (zh) * | 2021-11-10 | 2022-02-01 | 嘉应学院 | 一种基于物联网多维度数据的设备故障评估系统及其方法 |
-
2021
- 2021-09-14 CN CN202111076646.4A patent/CN113777488B/zh active Active
Patent Citations (22)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20030074298A (ko) * | 2002-03-08 | 2003-09-19 | 미쓰비시덴키 가부시키가이샤 | 모터 이상 검출 장치 |
| CN102620807A (zh) * | 2012-03-22 | 2012-08-01 | 内蒙古科技大学 | 风力发电机状态监测系统及方法 |
| US20130311113A1 (en) * | 2012-05-21 | 2013-11-21 | General Electric Company | Prognostics and life estimation of electrical machines |
| CA2847720A1 (en) * | 2013-04-08 | 2014-10-08 | Ge Energy Power Conversion Technology Limited | Broken rotor bar detection based on current signature analysis of an electric machine |
| CN105502115A (zh) * | 2014-09-26 | 2016-04-20 | 刘一 | 一种基于电梯的维保质量在线评估方法、装置及系统 |
| CN105243180A (zh) * | 2015-09-01 | 2016-01-13 | 珠海格力电器股份有限公司 | 机电设备故障预警方法及系统 |
| KR20170087092A (ko) * | 2016-01-19 | 2017-07-28 | 현대일렉트릭앤에너지시스템(주) | 회전기 모니터링 장치 및 회전기 모니터링 방법 |
| CN108780025A (zh) * | 2016-03-17 | 2018-11-09 | Ntn株式会社 | 状态监视系统和风力发电装置 |
| WO2017159784A1 (ja) * | 2016-03-17 | 2017-09-21 | Ntn株式会社 | 状態監視システムおよび風力発電装置 |
| RU2626231C1 (ru) * | 2016-11-10 | 2017-07-24 | федеральное государственное бюджетное образовательное учреждение высшего образования "Санкт-Петербургский горный университет" | Способ диагностики технического состояния и оценки остаточного ресурса электромеханического агрегата с асинхронным двигателем |
| CN108536877A (zh) * | 2017-03-01 | 2018-09-14 | 新疆金风科技股份有限公司 | 风力发电机组振动程度的评估方法与系统 |
| JP2018207650A (ja) * | 2017-06-02 | 2018-12-27 | 三菱日立パワーシステムズ株式会社 | 回転電機の特徴量評価システムおよび回転電機の特徴量評価方法 |
| DE102018211850A1 (de) * | 2018-07-17 | 2020-01-23 | Ziehl-Abegg Se | Verfahren zum Bewerten einer Betriebsbereitschaft eines Elektromotors sowie Elektromotor und Ventilator |
| CN109858104A (zh) * | 2019-01-10 | 2019-06-07 | 山东大学 | 一种滚动轴承健康评估与故障诊断方法及监测系统 |
| KR102112871B1 (ko) * | 2019-07-01 | 2020-06-04 | 서준식 | 모터 평가 시스템 |
| CN111856276A (zh) * | 2020-07-27 | 2020-10-30 | 淮南万泰电子股份有限公司 | 一种电机运行状态实时监测系统 |
| KR102235373B1 (ko) * | 2020-08-10 | 2021-04-05 | 강래원 | 빌딩자동제어 장치에서의 무선 감지센서를 이용한 모터 상태 모니터링 시스템 |
| CN112529359A (zh) * | 2020-11-11 | 2021-03-19 | 中广核风电有限公司 | 风电场风电机组风险评价方法、装置、设备及存储介质 |
| CN112665857A (zh) * | 2020-12-18 | 2021-04-16 | 中车永济电机有限公司 | 滚动轴承故障诊断方法、装置、设备及存储介质 |
| CN112763908A (zh) * | 2020-12-25 | 2021-05-07 | 中国机械设备工程股份有限公司 | 一种基于多故障特征联合的电机健康指数评价系统 |
| CN113822577A (zh) * | 2021-09-23 | 2021-12-21 | 烟台杰瑞石油装备技术有限公司 | 井场设备健康状态的评估方法、评估装置及存储介质 |
| CN114004306A (zh) * | 2021-11-10 | 2022-02-01 | 嘉应学院 | 一种基于物联网多维度数据的设备故障评估系统及其方法 |
Non-Patent Citations (2)
| Title |
|---|
| 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, pages 156 - 164 * |
| 胡姚刚;李辉;刘海涛;宋二兵;欧阳海黎;兰涌森;: "基于多类证据体方法的风电机组健康状态评估", 太阳能学报, no. 02, pages 59 - 69 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118500538A (zh) * | 2024-07-18 | 2024-08-16 | 茌平鲁环汽车散热器有限公司 | 一种汽车散热翅片工作状况监测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113777488B (zh) | 2023-12-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Yan et al. | An efficient approach to machine health diagnosis based on harmonic wavelet packet transform | |
| Casimir et al. | The use of features selection and nearest neighbors rule for faults diagnostic in induction motors | |
| KR102393095B1 (ko) | 진동, 음향, 이미지 데이터를 활용한 인공지능 기반의 회전설비 고장예지진단시스템 | |
| Refaat et al. | ANN-based for detection, diagnosis the bearing fault for three phase induction motors using current signal | |
| Shifat et al. | EEMD assisted supervised learning for the fault diagnosis of BLDC motor using vibration signal | |
| Irfan et al. | Condition monitoring of induction motors via instantaneous power analysis | |
| Yatsugi et al. | Common diagnosis approach to three-class induction motor faults using stator current feature and support vector machine | |
| KR20100112734A (ko) | 유도전동기의 온-사이트 복합 고장 진단 방법 | |
| Khan et al. | System design for early fault diagnosis of machines using vibration features | |
| CN108398265A (zh) | 一种滚动轴承在线故障检测方法 | |
| Almounajjed et al. | Investigation techniques for rolling bearing fault diagnosis using machine learning algorithms | |
| CN113777488A (zh) | 阀冷主泵电机的状态评估方法、装置、计算机设备 | |
| Ginart et al. | Automated feature selection for embeddable prognostic and health monitoring (PHM) architectures | |
| Meng et al. | Health condition identification of rolling element bearing based on gradient of features matrix and MDDCs-MRSVD | |
| Lopez-Gutierrez et al. | Induction machine bearing fault detection using empirical wavelet transform | |
| Rahman et al. | Motor fault detection using vibration patterns | |
| Thanagasundram et al. | A fault detection tool using analysis from an autoregressive model pole trajectory | |
| Harmouche et al. | Linear discriminant analysis for the discrimination of faults in bearing balls by using spectral features | |
| Pazouki et al. | Fault diagnosis and condition monitoring of bearing using multisensory approach based fuzzy-logic clustering | |
| CN110749443A (zh) | 一种基于高阶原点矩的滚动轴承故障诊断方法及系统 | |
| US20230260332A1 (en) | Prognostic and health monitoring system for a device with a rotating component | |
| Mo et al. | Vibration and acoustics emission based methods in low-speed bearing condition monitoring | |
| Grande-Barreto et al. | Half-broken bar detection using MCSA and statistical analysis | |
| Yu et al. | Local preserving projections-based feature selection and Gaussian mixture model for machine health assessment | |
| Talib et al. | Classification of machine fault using principle component analysis, general regression neural network and probabilistic neural network |
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 | ||
| CB03 | Change of inventor or designer information |
Inventor after: Zhao Weijie Inventor after: Chen Wen Inventor after: Huang Jianxiang Inventor after: Wei Jinlin Inventor after: Gan Tao Inventor after: Mao Shitao Inventor after: Xu You Inventor after: Yuan Zhengzhong Inventor after: Bin Bin Inventor after: Wang Maoling Inventor after: Yang Tao Inventor after: Xu Feng Inventor after: Wang Xiaoling Inventor after: Chu Han Inventor after: Ren Jun Inventor after: Yang Zongzhang Inventor after: Long Lei Inventor after: Ma Xiangnan Inventor before: Zhao Weijie Inventor before: Huang Jianxiang Inventor before: Wei Jinlin Inventor before: Chu Han Inventor before: Gan Tao Inventor before: Mao Shitao Inventor before: Xu You Inventor before: Yuan Zhengzhong Inventor before: Bin Bin Inventor before: Wang Maoling Inventor before: Yang Tao Inventor before: Xu Feng Inventor before: Wang Xiaoling Inventor before: Ren Jun Inventor before: Yang Zongzhang Inventor before: Long Lei Inventor before: Ma Xiangnan Inventor before: Chen Wen |
|
| CB03 | Change of inventor or designer information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |