CN113835029A - 电机故障诊断评定标准构建方法、系统及计算机存储介质 - Google Patents
电机故障诊断评定标准构建方法、系统及计算机存储介质 Download PDFInfo
- Publication number
- CN113835029A CN113835029A CN202111105916.XA CN202111105916A CN113835029A CN 113835029 A CN113835029 A CN 113835029A CN 202111105916 A CN202111105916 A CN 202111105916A CN 113835029 A CN113835029 A CN 113835029A
- Authority
- CN
- China
- Prior art keywords
- data
- matrix
- fault diagnosis
- processing result
- value
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 49
- 238000011156 evaluation Methods 0.000 title claims abstract description 47
- 238000003860 storage Methods 0.000 title claims abstract description 11
- 238000010276 construction Methods 0.000 title claims description 16
- 238000012545 processing Methods 0.000 claims abstract description 110
- 238000000034 method Methods 0.000 claims abstract description 24
- 239000011159 matrix material Substances 0.000 claims description 104
- 230000005284 excitation Effects 0.000 claims description 46
- 230000006870 function Effects 0.000 claims description 45
- 238000006243 chemical reaction Methods 0.000 description 6
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 230000007246 mechanism Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000009776 industrial production Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000004092 self-diagnosis 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
-
- 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
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
- G06F17/141—Discrete Fourier transforms
- G06F17/142—Fast Fourier transforms, e.g. using a Cooley-Tukey type algorithm
-
- 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
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Analysis (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Discrete Mathematics (AREA)
- Computing Systems (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了电机故障诊断评定标准构建方法、系统及计算机存储介质,方法包括:获取电机的电流数据;对电流数据进行直接数据处理和差分数据处理,获得直接处理结果和差分处理结果;根据直接处理结果和差分处理结果构建电机故障诊断评定标准。本发明考虑了不同品牌、不同功率和不同负载下的各种电机运行状态,在原本的故障诊断评定标准中加入了时间序列的影响,增加了评定标准的维度,对故障诊断评定标准进行了优化和校正,能够提高电机故障诊断结构的可靠性。
Description
技术领域
本发明涉及故障诊断技术领域,特别涉及电机故障诊断评定标准构建方法、系统及计算机存储介质。
背景技术
随着工业化进程的不断深入和完善,人们不仅对执行机构的执行准确性、稳定性等提出了越来越高的要求,同时,对执行机构是否具有自诊断能力也提出了期望。而电机在工业生产和人们的日常生活中,作为基本的末端执行机构,被广泛使用。由于其数量庞大且拥有重要地位,其是否能够正常、稳定运行成为了一个主要的关注点。
当前我国针对高压大型电机考虑了停机成本高、检修周期长和造成影响大等问题,出厂时电机内部一般预置或预埋了一些温度和振动传感器,从而运行过程可实现在线检测电机内部的发热和振动情况,以分析电机的运行状况。但对于大型电机该种方法只能预估电机的局部温度状态,振动只能反映电机的轴承问题。由于工业生产中中小型电机占比较大,一般出厂时电机内部并不安装各种检测传感器,所以运行中的设备状态检测主要靠人员巡检完成。而通过人员巡检的方法不仅需要巡检人员具有一定的专业技术水平,而且时间周期长,对于厂矿等规模比较大的场合,其劳动强度比较大,同时,准确性也得不到保证。因此,催生出了能够反映电机运行状态的诊断系统。
电机故障诊断系统在工作时,将采集的电机运行参数与设定的评价标准进行比较,来确定电机是否发生故障。一般情况下,电机采用的故障诊断评价标准都是固定不变的,但是电机具有不同品牌、不同功率和不同参数差异,而且随着工作时间的增长电机的状态也会发生变化,在电机故障诊断时仅将电机运行参数与设定的评价标准进行横向比对,从而直接获得诊断评价结果的方法,不能完全正确的反映电机真实的状态。
发明内容
本发明实施例提供了电机故障诊断评定标准构建方法、系统及计算机存储介质,用以解决现有技术中固定的评价标准导致电机故障诊断结果可信度降低的问题。
一方面,本发明实施例提供了电机故障诊断评定标准构建方法,包括:
获取电机的电流数据;
对电流数据进行直接数据处理和差分数据处理,获得直接处理结果和差分处理结果;
根据直接处理结果和差分处理结果构建电机故障诊断评定标准。
在一种可能的实现方式中,获取电机的电流数据,可以包括:利用霍尔电流传感器获取电机的三相电流数据。
在一种可能的实现方式中,对电流数据的直接数据处理,可以包括:确定电流数据在时域内有效值的最大值;对电流数据进行快速傅里叶变换,提取一定频率下的最大幅值;确定最大值和最大幅值组成的矩阵中与最新获得的基波幅值在一定范围内的数据,组成数据矩阵;对数据矩阵中的数据进行求差处理,获得相应的差值矩阵;对差值矩阵中的数据经过第一激励函数处理;确定经过第一激励函数处理后的数据与第一激励函数总数据的平均值,获得相应的第一平均值矩阵;确定第一平均值矩阵中的最大值,作为直接处理结果。
在一种可能的实现方式中,对电流数据进行快速傅里叶变换,提取一定频率下的最大幅值,可以包括:对电流数据进行快速傅里叶变换;提取基频幅值、45Hz-50Hz和50Hz-55Hz之间的最大幅值,40Hz-45Hz和55Hz-60Hz之间的最大幅值,30Hz-40Hz和60Hz-70Hz之间的最大幅值,10Hz-30Hz和70Hz-90Hz之间的最大幅值,0Hz-10Hz和90Hz-100Hz之间的最大幅值,提取2倍、3倍、5倍、7倍、9倍、11倍、13倍、17倍的基频幅值,提取1000-2000Hz最大幅值,提取2000-4000Hz最大幅值。
在一种可能的实现方式中,对电流数据的差分数据处理,可以包括:确定电流数据在时域内有效值的最大值;对电流数据进行快速傅里叶变换,提取一定频率下的最大幅值;确定最大值和最大幅值组成的矩阵中与最新获得的基波幅值在一定范围内的数据,组成数据矩阵;对数据矩阵中的数据经过第二激励函数处理;确定经过第二激励函数处理后的数据与第二激励函数总数据的平均值,获得相应的第二平均值矩阵;对第二平均值矩阵中的数据乘以对应的贡献因子,获得相应的第一贡献矩阵;确定第一贡献矩阵中的最大值,作为差分处理结果中的第一差分处理结果。
在一种可能的实现方式中,对电流数据的差分数据处理,可以包括:确定电流数据在时域内有效值的最大值;对电流数据进行快速傅里叶变换,提取一定频率下的最大幅值;确定最大值和最大幅值组成的矩阵中与最新获得的基波幅值在一定范围内的数据,组成数据矩阵;对数据矩阵中的数据进行求差处理,获得相应的差值矩阵;对数据矩阵中的数据经过第三激励函数处理;确定经过第三激励函数处理后的数据与第三激励函数总数据的平均值,获得相应的第三平均值矩阵;对第三平均值矩阵中的数据乘以对应的贡献因子,获得相应的第二贡献矩阵;确定第二贡献矩阵中的最大值,作为差分处理结果中的第二差分处理结果。
在一种可能的实现方式中,根据直接处理结果和差分处理结果构建电机故障诊断评定标准,可以包括:确定直接数据处理结果、第一差分处理结果和第二差分处理结果中的最大值;根据最大值构建电机故障诊断评定标准。
另一方面,本发明实施例提供了电机故障诊断评定标准构建系统,包括:
数据获取模块,用于获取电机的电流数据;
数据处理模块,用于对电流数据进行直接数据处理和差分数据处理,获得直接处理结果和差分处理结果;
标准构建模块,用于根据直接处理结果和差分处理结果构建电机故障诊断评定标准。
另一方面,本发明实施例还提供了一种电子设备,包括:
至少一个处理器;以及
与至少一个处理器通信连接的存储器;其中
存储器存储有可被至少一个处理器执行的计算机指令,计算机指令被至少一个处理器执行,以使至少一个处理器执行上述的方法。
另一方面,本发明实施例还提供了一种计算机可读存储介质,计算机可读存储介质中存储有多条计算机指令,多条计算机指令用于使计算机执行上述的方法。
本发明中的电机故障诊断评定标准构建方法、系统及计算机存储介质,具有以下优点:
考虑了不同品牌、不同功率和不同负载下的各种电机运行状态,首先提取满足一定共性特性的不同特征的时间序列数据,其次对其数据进行直接数据处理和差分数据处理。差分数据中将概率统计的方法与时间贡献因子的方法相结合。通过该构建方法,在原本的故障诊断评定标准中加入了时间序列的影响,增加了评定标准的维度,对故障诊断评定标准进行了优化和校正,能够提高电机故障诊断结构的可靠性。
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为本发明实施例提供的电机故障诊断评定标准构建方法的流程图;
图2为本发明实施例提供的电机故障诊断评定标准构建系统的功能模块图。
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,所描述的实施例仅仅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做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1为本发明实施例提供的电机故障诊断评定标准构建方法的流程示意图。本发明实施例提供了电机故障诊断评定标准构建方法,包括:
S100、获取电机的电流数据。
示例性地,可以采用霍尔电流传感器获取电机的三相电流数据,获取的电流数据包括电流幅值、频率等数据。
S110、对电流数据进行直接数据处理和差分数据处理,获得直接处理结果和差分处理结果。
S120、根据直接处理结果和差分处理结果构建电机故障诊断评定标准。
在一种可能的实施例中,对电流数据的直接数据处理,包括:确定电流数据在时域内有效值的最大值;对电流数据进行快速傅里叶变换,提取一定频率下的最大幅值;确定最大值和最大幅值组成的矩阵中与最新获得的基波幅值在一定范围内的数据,组成数据矩阵;对数据矩阵中的数据进行求差处理,获得相应的差值矩阵;对差值矩阵中的数据经过第一激励函数处理;确定经过第一激励函数处理后的数据与第一激励函数总数据的平均值,获得相应的第一平均值矩阵;确定第一平均值矩阵中的最大值,作为直接处理结果。
示例性地,对电流数据进行快速傅里叶变换,提取一定频率下的最大幅值,包括:对电流数据进行快速傅里叶变换(FastFourierTransform,FFT);提取基频幅值、45Hz-50Hz和50Hz-55Hz之间的最大幅值,40Hz-45Hz和55Hz-60Hz之间的最大幅值,30Hz-40Hz和60Hz-70Hz之间的最大幅值,10Hz-30Hz和70Hz-90Hz之间的最大幅值,0Hz-10Hz和90Hz-100Hz之间的最大幅值,提取2倍、3倍、5倍、7倍、9倍、11倍、13倍、17倍的基频幅值,提取1000-2000Hz最大幅值,提取2000-4000Hz最大幅值。以上经过FFT变换后得到了16列数据,加上电流数据在时域内有效值的最大值,组成了17列数据。每次获取电流数据后均需要进行上述处理,并对每次获得的17列数据进行保存。
确定最大值和最大幅值组成的矩阵中与最新获得的基波幅值在一定范围内的数据,组成数据矩阵,包括:以提取的基频幅值为基准,以最新一次获取的基波幅值为中心,查找保存的历史数据中满足误差在最新一次获取的基波幅值的±10%误差范围内的所有时间点的对应17列数据,计获取的每列数据长度,即满足误差要求的时间点的数量为N,即形成了一个N行17列的数据矩阵。
得到上述数据矩阵后,对其中的所有数据均进行求差处理,即后一时间点,即后一行的数据减去前一时间点,即前一行的数据,获得相应的差值,该N-1行差值组成相应的N-1行17列的差值矩阵。
获得上述差值矩阵后,还对该差值矩阵中的数据进行转换处理,具体转换处理为:将差值矩阵中大于0的数据即为1,将小于0的数据记为-1,形成了一个由-1、0和1组成的N-1行17列的转换矩阵。
获得上述转换矩阵后,还对该转换矩阵进行转置处理,即将转换矩阵的行和列对调,得到17行N-1列的第一转置矩阵。接着提取第一转置矩阵中每一行的数据,提取的每个数据均经过第一激励函数处理,即与第一激励函数相乘,具体第一激励函数为:对经过第一激励函数处理的数据进行求和:其中,Xi表示时间点i对应的数据,然后确定第一激励函数的总数据:求上述经过第一激励函数处理的数据之和与第一激励函数的总数据的平均值:最终获得17行1列的第一平均值矩阵。
获得第一平均值矩阵后,确定其中的最大值,作为上述直接处理结果。
在一种可能的实施例中,对电流数据的差分数据处理,包括:确定电流数据在时域内有效值的最大值;对电流数据进行快速傅里叶变换,提取一定频率下的最大幅值;确定最大值和最大幅值组成的矩阵中与最新获得的基波幅值在一定范围内的数据,组成数据矩阵;对数据矩阵中的数据经过第二激励函数处理;确定经过第二激励函数处理后的数据与第二激励函数总数据的平均值,获得相应的第二平均值矩阵;对第二平均值矩阵中的数据乘以对应的贡献因子,获得相应的第一贡献矩阵;确定第一贡献矩阵中的最大值,作为差分处理结果中的第一差分处理结果。
示例性地,获得数据矩阵后,对数据矩阵中的每个数据均经过第二激励函数处理,即与第二激励函数相乘。具体地,第二激励函数为:经过第二激励函数处理后,对所有数据进行求和:接着确定第二激励函数的总数据:确定上述经过第二激励函数处理的数据之和与第二激励函数总数据的平均值为:最终得到1行17列的第二平均值矩阵。
进行数据偏移处理后,将所有的负值数据均记为0,0和正值保持不变。接着对每个数据均乘以对应的贡献因子Wij。贡献因子Wij的取值范围根据电机运行情况中不同参数在正常电机中的表现特征而定,通常贡献因子Wij需要选择大于贡献因子参数5倍或7倍的数据。其中贡献因子Wij表示时间点i下数据种类j对应的贡献因子。
经与贡献因子相乘后,即可获得上述第一贡献矩阵。
在一种可能的实施例中,对电流数据的差分数据处理,包括:确定电流数据在时域内有效值的最大值;对电流数据进行快速傅里叶变换,提取一定频率下的最大幅值;确定最大值和最大幅值组成的矩阵中与最新获得的基波幅值在一定范围内的数据,组成数据矩阵;对数据矩阵中的数据进行求差处理,获得相应的差值矩阵;对数据矩阵中的数据经过第三激励函数处理;确定经过第三激励函数处理后的数据与第三激励函数总数据的平均值,获得相应的第三平均值矩阵;对第三平均值矩阵中的数据乘以对应的贡献因子,获得相应的第二贡献矩阵;确定第二贡献矩阵中的最大值,作为差分处理结果中的第二差分处理结果。
示例性地,获得差值矩阵后,对该差值矩阵进行转置处理,即将差值矩阵的行和列对调,获得17行N-1列的第二转置矩阵。提取第二转置矩阵中每一行的数据,并经过第三激励函数处理,即与第三激励函数相乘。具体地,第三激励函数为:接着对经过第三激励函数处理的数据进行求和:其中ΔXi表示同一个种类数据在上下相邻两个时间点的差值。同时计算第三激励函数的总数据:再确定经过第三激励函数处理的数据之和与第三激励函数总数据的平均值:最终获得17行1列的第三平均值矩阵。
经过归一化处理后,将所有的负值均记为0,0和正值保持不变。接着对每个数据均乘以对应的贡献因子Wij,获得上述第二贡献矩阵。
在本发明的实施例中,得到第二差分处理结果后,还对其中超过极限的坏点数据进行剔除。
在一种可能的实施例中,根据直接处理结果和差分处理结果构建电机故障诊断评定标准,包括:确定直接数据处理结果、第一差分处理结果和第二差分处理结果中的最大值;根据最大值构建电机故障诊断评定标准。
示例性地,可以将上述确定的最大值加入到已有的电机故障诊断评定标准中,形成新的电机故障诊断评定标准。
本发明实施例还提供了电机故障诊断评定标准构建系统,如图2所示,包括:
数据获取模块200,用于获取电机的电流数据;
数据处理模块210,用于对电流数据进行直接数据处理和差分数据处理,获得直接处理结果和差分处理结果;
标准构建模块220,用于根据直接处理结果和差分处理结果构建电机故障诊断评定标准。
本发明实施例还提供了一种电子设备,包括:
至少一个处理器;以及
与至少一个处理器通信连接的存储器;其中
存储器存储有可被至少一个处理器执行的计算机指令,计算机指令被至少一个处理器执行,以使至少一个处理器执行上述的方法。
本发明实施例还提供了一种计算机可读存储介质,计算机可读存储介质中存储有多条计算机指令,多条计算机指令用于使计算机执行上述的方法。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.电机故障诊断评定标准构建方法,其特征在于,包括:
获取电机的电流数据;
对所述电流数据进行直接数据处理和差分数据处理,获得直接处理结果和差分处理结果;
根据所述直接处理结果和差分处理结果构建电机故障诊断评定标准。
2.根据权利要求1所述的电机故障诊断评定标准构建方法,其特征在于,所述获取电机的电流数据,包括:
利用霍尔电流传感器获取所述电机的三相电流数据。
3.根据权利要求1所述的电机故障诊断评定标准构建方法,其特征在于,对所述电流数据的直接数据处理,包括:
确定所述电流数据在时域内有效值的最大值;
对所述电流数据进行快速傅里叶变换,提取一定频率下的最大幅值;
确定所述最大值和最大幅值组成的矩阵中与最新获得的基波幅值在一定范围内的数据,组成数据矩阵;
对所述数据矩阵中的数据进行求差处理,获得相应的差值矩阵;
对所述差值矩阵中的数据经过第一激励函数处理;
确定经过所述第一激励函数处理后的数据与第一激励函数总数据的平均值,获得相应的第一平均值矩阵;
确定所述第一平均值矩阵中的最大值,作为所述直接处理结果。
4.根据权利要求3所述的电机故障诊断评定标准构建方法,其特征在于,所述对所述电流数据进行快速傅里叶变换,提取一定频率下的最大幅值,包括:
对所述电流数据进行快速傅里叶变换;
提取基频幅值、45Hz-50Hz和50Hz-55Hz之间的最大幅值,40Hz-45Hz和55Hz-60Hz之间的最大幅值,30Hz-40Hz和60Hz-70Hz之间的最大幅值,10Hz-30Hz和70Hz-90Hz之间的最大幅值,0Hz-10Hz和90Hz-100Hz之间的最大幅值,提取2倍、3倍、5倍、7倍、9倍、11倍、13倍、17倍的基频幅值,提取1000-2000Hz最大幅值,提取2000-4000Hz最大幅值。
5.根据权利要求3所述的电机故障诊断评定标准构建方法,其特征在于,对所述电流数据的差分数据处理,包括:
确定所述电流数据在时域内有效值的最大值;
对所述电流数据进行快速傅里叶变换,提取一定频率下的最大幅值;
确定所述最大值和最大幅值组成的矩阵中与最新获得的基波幅值在一定范围内的数据,组成数据矩阵;
对所述数据矩阵中的数据经过第二激励函数处理;
确定经过所述第二激励函数处理后的数据与第二激励函数总数据的平均值,获得相应的第二平均值矩阵;
对所述第二平均值矩阵中的数据乘以对应的贡献因子,获得相应的第一贡献矩阵;
确定所述第一贡献矩阵中的最大值,作为所述差分处理结果中的第一差分处理结果。
6.根据权利要求5所述的电机故障诊断评定标准构建方法,其特征在于,对所述电流数据的差分数据处理,包括:
确定所述电流数据在时域内有效值的最大值;
对所述电流数据进行快速傅里叶变换,提取一定频率下的最大幅值;
确定所述最大值和最大幅值组成的矩阵中与最新获得的基波幅值在一定范围内的数据,组成数据矩阵;
对所述数据矩阵中的数据进行求差处理,获得相应的差值矩阵;
对所述数据矩阵中的数据经过第三激励函数处理;
确定经过所述第三激励函数处理后的数据与第三激励函数总数据的平均值,获得相应的第三平均值矩阵;
对所述第三平均值矩阵中的数据乘以对应的贡献因子,获得相应的第二贡献矩阵;
确定所述第二贡献矩阵中的最大值,作为所述差分处理结果中的第二差分处理结果。
7.根据权利要求6所述的电机故障诊断评定标准构建方法,其特征在于,所述根据所述直接处理结果和差分处理结果构建电机故障诊断评定标准,包括:
确定所述直接数据处理结果、第一差分处理结果和第二差分处理结果中的最大值;
根据所述最大值构建所述电机故障诊断评定标准。
8.应用权利要求1-7任一项所述的电机故障诊断评定标准构建方法的系统,其特征在于,包括:
数据获取模块,用于获取电机的电流数据;
数据处理模块,用于对所述电流数据进行直接数据处理和差分数据处理,获得直接处理结果和差分处理结果;
标准构建模块,用于根据所述直接处理结果和差分处理结果构建电机故障诊断评定标准。
9.一种电子设备,其特征在于,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中
所述存储器存储有可被所述至少一个处理器执行的计算机指令,所述计算机指令被所述至少一个处理器执行,以使所述至少一个处理器执行权利要求1-7中任一项所述的方法。
10.一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中存储有多条计算机指令,所述多条计算机指令用于使计算机执行权利要求1-7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111105916.XA CN113835029B (zh) | 2021-09-22 | 2021-09-22 | 电机故障诊断评定标准构建方法、系统及计算机存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111105916.XA CN113835029B (zh) | 2021-09-22 | 2021-09-22 | 电机故障诊断评定标准构建方法、系统及计算机存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113835029A true CN113835029A (zh) | 2021-12-24 |
CN113835029B CN113835029B (zh) | 2024-05-24 |
Family
ID=78960273
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111105916.XA Active CN113835029B (zh) | 2021-09-22 | 2021-09-22 | 电机故障诊断评定标准构建方法、系统及计算机存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113835029B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20090078075A (ko) * | 2008-01-14 | 2009-07-17 | 충북대학교 산학협력단 | Dft와 웨이블렛을 이용한 유도전동기 고장진단방법 |
CN103995229A (zh) * | 2014-05-21 | 2014-08-20 | 浙江工业大学 | 一种基于特征选取和马氏距离的电机健康监测和异常诊断方法 |
CN109031118A (zh) * | 2018-06-29 | 2018-12-18 | 珠海格力电器股份有限公司 | 一种电机故障诊断方法、装置及电机 |
CN112213640A (zh) * | 2020-11-17 | 2021-01-12 | 润电能源科学技术有限公司 | 一种电机故障诊断方法及其相关设备 |
CN112729832A (zh) * | 2020-12-25 | 2021-04-30 | 浙江理工大学 | 一种表贴式永磁同步电机轴承故障程度评价方法及装置 |
CN112733706A (zh) * | 2021-01-07 | 2021-04-30 | 河南理工大学 | 基于双线性lbp的电机故障诊断方法、电子设备及介质 |
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 |
CN113219333A (zh) * | 2021-04-27 | 2021-08-06 | 西安工业大学 | 一种电机故障诊断时的频谱参数处理方法 |
CN113325314A (zh) * | 2021-07-20 | 2021-08-31 | 安徽巨森电器有限公司 | 一种电机故障诊断方法 |
-
2021
- 2021-09-22 CN CN202111105916.XA patent/CN113835029B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20090078075A (ko) * | 2008-01-14 | 2009-07-17 | 충북대학교 산학협력단 | Dft와 웨이블렛을 이용한 유도전동기 고장진단방법 |
CN103995229A (zh) * | 2014-05-21 | 2014-08-20 | 浙江工业大学 | 一种基于特征选取和马氏距离的电机健康监测和异常诊断方法 |
CN109031118A (zh) * | 2018-06-29 | 2018-12-18 | 珠海格力电器股份有限公司 | 一种电机故障诊断方法、装置及电机 |
CN112213640A (zh) * | 2020-11-17 | 2021-01-12 | 润电能源科学技术有限公司 | 一种电机故障诊断方法及其相关设备 |
CN112729832A (zh) * | 2020-12-25 | 2021-04-30 | 浙江理工大学 | 一种表贴式永磁同步电机轴承故障程度评价方法及装置 |
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 |
CN112733706A (zh) * | 2021-01-07 | 2021-04-30 | 河南理工大学 | 基于双线性lbp的电机故障诊断方法、电子设备及介质 |
CN113219333A (zh) * | 2021-04-27 | 2021-08-06 | 西安工业大学 | 一种电机故障诊断时的频谱参数处理方法 |
CN113325314A (zh) * | 2021-07-20 | 2021-08-31 | 安徽巨森电器有限公司 | 一种电机故障诊断方法 |
Non-Patent Citations (2)
Title |
---|
贾朱植 等: "基于高分辨率谱估计的早期转子断条故障诊断", 仪器仪表学报, no. 02 * |
高阳 等: "SSVD与ELM故障诊断模型在换流器在线监测系统中的应用研究", 陕西理工大学学报(自然科学版), no. 06 * |
Also Published As
Publication number | Publication date |
---|---|
CN113835029B (zh) | 2024-05-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106933618B (zh) | 基于系统参数相关系数的系统升级评估方法 | |
CN114076841B (zh) | 基于用电信息数据的窃电行为识别方法及系统 | |
Chen et al. | Hierarchical method for wind turbine prognosis using SCADA data | |
CN112632749B (zh) | 一种风力发电机发电性能的评价方法及装置 | |
CN115955161B (zh) | 自适应异步感应电机转差率估算方法、装置、设备和介质 | |
CN113391207A (zh) | 一种电机故障的检测方法、介质及系统 | |
CN115186701A (zh) | 轴承寿命预测方法、装置、电子设备及存储介质 | |
CN108594156B (zh) | 一种改进的电流互感器饱和特性识别方法 | |
CN117828485A (zh) | 一种逆变器低效诊断方法及装置 | |
Sharp | Prognostic approaches using transient monitoring methods | |
CN113835029A (zh) | 电机故障诊断评定标准构建方法、系统及计算机存储介质 | |
CN116699400A (zh) | 一种发电机转子短路故障监测系统、方法及可读存储介质 | |
CN116667780A (zh) | 电站的故障诊断方法、装置以及光伏系统 | |
CN115561575A (zh) | 基于多维矩阵轮廓的海上风电场电气异常状态辨别方法 | |
CN114462452B (zh) | 用逐次变模态分解算法的异步电机转子断条故障诊断方法 | |
CN115714360A (zh) | 一种高压输电线路差流异常处理方法和装置 | |
Pena et al. | Data-Driven Detection of Phase Changes in Evolving Distribution Systems | |
Zheng et al. | Wavelet packet decomposition and neural network based fault diagnosis for elevator excessive vibration | |
CN114336612B (zh) | 电站及其故障设备的电量损失计算方法、相关应用设备 | |
CN113343479A (zh) | 设备使用寿命的计算方法和装置 | |
CN112699598A (zh) | 齿轮箱油温异常智能诊断方法及装置 | |
CN116304776B (zh) | 基于k-Means算法的电网数据值异常检测方法及系统 | |
CN113433456B (zh) | 一种基于电流波形相似度的发电机故障诊断系统及方法 | |
CN117824854B (zh) | 变压器本体的温升异常预警方法及装置 | |
CN118606798A (zh) | 一种风电机组故障分析方法、装置、智能设备及存储介质 |
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 |