CN113866631B - 一种笼型异步电机转子断条故障诊断方法 - Google Patents
一种笼型异步电机转子断条故障诊断方法 Download PDFInfo
- Publication number
- CN113866631B CN113866631B CN202111026279.7A CN202111026279A CN113866631B CN 113866631 B CN113866631 B CN 113866631B CN 202111026279 A CN202111026279 A CN 202111026279A CN 113866631 B CN113866631 B CN 113866631B
- Authority
- CN
- China
- Prior art keywords
- frequency
- fault
- modal
- broken
- rotor
- 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
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
- G01R31/346—Testing of armature or field windings
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Tests Of Circuit Breakers, Generators, And Electric Motors (AREA)
Abstract
本发明公开了一种笼型异步电机转子断条故障诊断方法。获取整个起动过程中的定子相电流并抗混叠滤波处理,测量转速;电流输入变模态分解算法中,对变模态分解算法进行优化;电流再次输入到优化后的变模态分解算法中分解出本征模态函数分量,计算瞬时频率;根据转速获得转差率再计算理论转子断条故障频率;绘制实际和理论转子断条故障频率在起动过程中随时间变化各自的曲线图,计算两幅曲线图间的均方误差和预设误差阈值比较进行断条故障判断。本发明非侵入性实现故障诊断方法,且硬件成本低,减少了频谱泄漏带来的影响,能够准确识别出转子断条故障。
Description
技术领域
本发明属于电机故障诊断领域的一种故障检测方法,具体是涉及了一种笼型异步电机转子断条故障诊断方法。
背景技术
异步电机由于其结构简单,成本较低等优点得到了广泛的应用,但是高湿度、强震动、极端温度、油污粉尘等恶劣环境,制造、生产过程人为的误操作,均可能导致电机的故障问题,转子断条故障是鼠笼型异步电机的典型故障之一。
对于笼型异步电机转子断条故障,主要的问题在于早期信号不明显易被基波信号淹没以及干扰、振动信号易与故障信号混淆,因此抑制转化基频分量的方法受到了学者的广泛关注。自适应滤波、希尔伯特变换、Park矢量模分析等方法都可以用来抑制转化基频分量,但是易受到参考信号构造准确度、频谱泄露和其他扰动等因素影响,且工程中要求待分析信号在长时间内保持稳定是几乎不可能的。
发明内容
为解决基于信号处理的转子断条故障难以诊断的问题,本发明提出一种基于变模态分解算法的对起动电流信号进行分析的故障诊断方法。
为了实现上述技术目标,如图1所示,本发明采用下述技术方案:
1)获取笼型异步电机整个起动过程中的定子相电流作为起动电流,对定子相电流进行抗混叠滤波处理,以减少高频部分对后续分析产生影响,并测量笼型异步电机的转速;
所述的高频部分是指大于200hz的部分。
2)将抗混叠滤波后的定子相电流输入变模态分解(VMD,Variational ModeDecomposition)算法中,对变模态分解算法进行基于瞬时频率平均值的模态个数参数优化,获得优化后的变模态分解算法;
3)再将抗混叠滤波后的定子相电流再次输入到优化后的变模态分解算法中分解出含转子断条故障特征频率的本征模态函数(IMF,Intrinsic Mode Function)分量作为含有故障特征频率的子信号,计算本征模态函数分量的瞬时频率fbi;
4)根据笼型异步电机的转速处理获得电机的转差率,利用电机的转差率计算理论转子断条故障频率fbs;
5)绘制瞬时频率fbi和理论转子断条故障频率fbs在起动过程中随时间变化各自的曲线图,观察拟合情况并计算两幅曲线图的均方误差通过设置预设误差阈值进行断条故障判断。具体通过观察其曲线走势是否趋同,来进行转子断条故障的判定。
所述2)具体为:利用抗混叠滤波后的定子相电流对变模态分解算法中的模态个数进行参数优化,设置变模态分解算法中模态个数对抗混叠滤波后的定子相电流进行处理,得到在不同模态个数对应的分解层数下变模态分解算法剥离出的本征模态函数分量,再利用维格纳分布算法WVD(Wigner-Ville Distribution)计算本征模态函数分量的瞬时频率,根据瞬时频率的变化情况确定变模态分解算法的最终模态个数,实现了针对抗混叠滤波后的定子相电流下变模态分解算法处理的优化。
所述2)中,具体为:
2.1)设定初始化变模态分解算法中的模态个数h为2,并设置循环标记参数hflag并初始化为1;
2.2)将抗混叠滤波后的定子相电流输入到模态个数为h的变模态分解算法进行处理,得到一组中心频率各不相同的本征模态函数分量,然后计算每个本征模态函数分量在起动过程中各个时刻的瞬时频率,取起动过程中所有时刻的瞬时频率的平均值作为该本征模态函数分量的瞬时频率平均值,进而将所有本征模态函数分量的瞬时频率平均值的折线图;
实验中当模态个数设置过多时,会出现本征模态函数分量断续的现象,这种现象在高频部分尤为明显,本发明通过计算本征模态函数分量的瞬时频率平均值曲线绘制成曲线图来判断循环标记参数hflag是否为0,能够很好地匹配确定本征模态函数分量断续的情况。
2.3)通过折线图判断更新循环标记参数hflag:
将各个本征模态函数分量按照中心频率由高到低分布,计算折线图中折线的二次偏导数并判断:
若二次偏导数小于0,则说明折线为凸折线,则设置循环标记参数hflag=0,进行下一步;
若二次偏导数大于或等于0,则说明折线为非凸折线,则设置循环标记参数hflag=1,进行下一步;
2.4)判断循环标记参数hflag是否为0:
当hflag=0时,则停止迭代,将当前模态个数h的值减去1作为优化后的最终模态个数进行输出;
当hflag=1时,则将模态个数h的值加上1再返回2.2)进行处理。
所述4)中,利用转差率计算理论上的转子故障频率并取绝对值作为理论转子断条故障频率fbs,表示为:
fbs=|1-2s|f
其中,s表示电机的转差率,f表示电机的供电频率。
所述5)中,绘制瞬时频率fbi和理论转子断条故障频率fbs的曲线图观察其中的两条曲线的走势是否趋同,计算瞬时频率fbi和理论转子断条故障频率fbs在各自曲线图的曲线之间的均方误差值作为相似度,将相似度和预设误差阈值进行比较:
若相似度小于等于预设误差阈值,则发生了断条故障;
若相似度大于预设误差阈值,则未发生断条故障。
均方误差值越小则相似度越高,均方误差值κ的计算公式如下:
其中,n表示曲线中的第n个点,N表示曲线的总点数;
具体实施中,将健康电机的起动电流使用变模态分解算法进行处理,计算fbi和fbs频率曲线的拟合程度,观察与故障电机的区别,验证该方法的可行性。计算不同断条根数曲线的均方误差值作为参照,观察均方误差值的变化情况,值越小则说明两曲线相似度越高,以此作为故障严重程度判定依据。
图1为本发明的故障诊断流程图。首先对信号进行抗混叠滤波,然后对变模态分解算法的惩罚因子和中心频率等参数初始化,再利用瞬时频率平均值的特点确定模态分解个数,最后根据变模态分解自身的特点剥离出断条故障特征频率fbi,并与转差率计算出的假想故障频率fbs进行拟合。最后计算两者的均方误差,并设置阈值从而实现诊断目的。
本发明的有益效果是:
1)只需采集定子相电流,是非侵入性故障诊断方法,且硬件成本低;
2)减少了频谱泄漏带来的影响,能够准确的识别出转子断条故障;
3)通过绘制理论上的转子故障频率曲线和利用变模态分解算法剥离的故障分量的频率曲线,观察两者的走势可直观的发现断条故障是否产生。
4)通过计算两频率的均方误差并设为阈值,根据转子断条故障越严重均方误差值越小的规律提出了一种新的诊断转子断条故障的方法。
附图说明
图1为本发明的故障诊断流程图;
图2为本发明的变模态分解算法模态个数优化的流程图;
图3为理论上起动过程转子断条故障特征频率随滑差变化的曲线图;
图4为定子电流抗混叠滤波结果图;
图5为模态个数不同时瞬时频率平均值的曲线图;
图6为一根断条VMD分解图;
图7为含有断条故障特征频率的本征模态函数分量;
图8为转子断条故障特征频率WVD能量谱图;
图9为故障电机起动过程两频率曲线图;
图10为健康电机起动过程两频率曲线图。
具体实施方式
下面结合附图及仿真实验对本发明提出的诊断方法进行说明。
如图1所示,本发明的实施例及其实施情况如下:
实验电机为WE3-132M2-6电机,利用Maxwell搭建电机模型,通过设置导条的参数来仿真健康电机和转子断条故障电机。过程包括如下步骤:
1)获取定子相电流数据,并测量电机转速计算转差率;
2)将仿真出的电流波形和转速波形导出,输入到Matlab中进行信号处理。
2.1:利用转速波形确定起动结束的时间,即当转速达到同步速时起动过程结束。
2.2:经过实验验证高频部分会对最后的波形产生影响,对电流信号进行预处理,利用滤波器对信号进行抗混叠滤波。
图4为抗混叠滤波图相比较于未经过处理的原始信号,可以观察到高频部分的噪声被很好的滤除了。
3)将将处理好的电流信号输入到变模态分解算法中,对变模态分解算法的中心频率和惩罚因子进行优化。
3.1:根据电流信号的特点,对变模态分解算法的中心频率进行初始化,设置中心频率初始角度为均匀分布;
3.2:其他参数设置相同,通过变化不同的惩罚因子值,观察信号的重构情况和仿真时间,根据信号处理结果对比发现设置惩罚因子为2000时,仿真时间较短且信号重构效果更好;
4)确定好中心频率和惩罚因子后,再确定变模态分解算法分解层数,即模态个数。如图2所示:
4.1)设定初始化变模态分解算法中的模态个数h为2,并设置循环标记参数hflag并初始化为1;
4.2)将抗混叠滤波后的定子相电流输入到模态个数为h的变模态分解算法进行处理,得到一组中心频率各不相同的本征模态函数分量(即IMF分量),本征模态函数分量的数量和模态个数h相同,然后计算每个本征模态函数分量在起动过程中各个时刻的瞬时频率,取起动过程中所有时刻的瞬时频率的平均值作为该本征模态函数分量的瞬时频率平均值,进而将所有本征模态函数分量的瞬时频率平均值随本征模态函数分量不同而变化的折线图;
4.3)通过折线图判断更新循环标记参数hflag:
将折线图中的各个本征模态函数分量按照中心频率由高到低分布,计算以最低点为分界点之前曲线的二次偏导数,并判断:
若二次偏导数小于0,则说明折线为凸折线,则设置循环标记参数hflag=0,进行下一步;
若二次偏导数大于或等于0,则说明折线为非凸折线,则设置循环标记参数hflag=1,进行下一步;
4.4)判断循环标记参数hflag是否为0:
当hflag=0时,则停止迭代,将当前模态个数h的值减去1作为优化后的最终模态个数进行输出;
当hflag=1时,则将模态个数h的值加上1再返回2.2)进行处理。
图5和图6为不同模态个数时瞬时频率平均值曲线和一根断条的VMD分解图。发现当VMD分解层数设置为5时,平均瞬时频率曲线的开头开始出现向下弯折,这是因为模态个数h过大,剥离出的本征模态函数分量出现断续现象,这样的情况会在高频部分更明显,则本征模态函数分量瞬时频率的平均值反而较小,所以曲线出现了向下弯折。本发明中使用的变模态分解算法剥离出的IMF是按照中心频率从高到低的顺序排列的,由于一根断条时分解层数从4往后曲线开始出现向下弯折,综上针对一根断条故障的起动电流信号处理时,变模态分解算法的模态个数应选择为4。对电流信号用变模态分解算法分解得到如图6所示的四个本征模态函数分量,根据故障频率的特点可以发现图6(c)为含有故障特征频率的IMF,为减少端点效应对最后故障判定的影响,对图6(c)中首位出现幅值较大的现象进行处理,结果如图7所示。
5)使用变模态分解算法对滤波后的起动电流进行处理得到含有转子断条故障特征频率的本征模态函数分量,计算该子信号的瞬时频率以及理论转子断条故障特征频率。
5.1:使用WVD算法进行绘图得到含有故障特征频率IMF的频率能量谱图,可以直观的观察到频率随时间的变化情况。
图8为使用WVD算法计算出的含有故障特征频率IMF的频率能量谱图,通过能量谱图可以发现起动过程的故障频率变化呈现V形,与理论上的故障特征频率趋势相同。
5.2:利用电机转差率与转子断条故障特征频率的关系,利用WVD计算理论上的转子故障特征频率。
图3为理论状态故障特征频率随滑差变化曲线,利用VMD算法将起动信号剥离,提取故障特征信号fb=(1-2s)f。电机由静止起动到稳定运行期间,转差率s经历着从1到近似为0的变化,由于fb与s的对应关系,fb经历着从-50Hz到0再到50Hz的变化过程,对fb取绝对值,频谱上显示为50Hz到0再到50Hz。
5.3:绘制以上两种频率的曲线图,观察其曲线走势是否趋同,以此来判断转子断条故障是否存在。
6)计算实际故障特征频率和理论故障特征频率两者的均方误差值,作为阈值进行故障严重程度的诊断。
6.1:计算电机在健康状态和不同断条状态下,实际故障特征频率与理论故障特征频率两者的均方误差值。
6.2:记录健康电机以及不同断条故障电机的故障频率均方误差值κ,取健康电机和最轻断条故障电机情况下两均方误差值κ的均值作为阈值进行故障判断。
图9和图10分别为故障电机和健康电机起动过程的转子断条故障频率曲线图,其中fbi和fbs表示实际故障频率和理论上的故障频率。可以发现故障时,理理论故障频率与实际故障特征频率在起动过程中演变趋势趋同,而健康电机的两种曲线演变趋势差别很大,说明本发明提出的方法在转子断条故障的判定中是有明显效果的。
电机发生断条时fbi和fbs两者的均方误差值如表1所示。
表1不同断条的识别结果
随着连续断条根数的增多,均方误差值减小。说明随着故障的加重,理论的故障特征频率曲线和实际的故障特征频率相似度愈高,均方误差值愈小。而健康电机的两根曲线的拟合程度较低,均方误差值较大,所以当两曲线拟合度小于一根断条时的阈值时即可判断为发生转子断条故障状态。可以通过设定阈值来进行故障的识别和故障严重程度的判断。
Claims (4)
1.一种笼型异步电机转子断条故障诊断方法,其特征是:
1)获取笼型异步电机整个起动过程中的定子相电流,对定子相电流进行抗混叠滤波处理,并测量笼型异步电机的转速;
2)将抗混叠滤波后的定子相电流输入变模态分解算法中,对变模态分解算法进行基于瞬时频率平均值的模态个数参数优化,获得优化后的变模态分解算法;
所述2)中,具体为:
2.1)设定初始化变模态分解算法中的模态个数h为2,并设置循环标记参数hflag并初始化为1;
2.2)将抗混叠滤波后的定子相电流输入到模态个数为h的变模态分解算法进行处理,得到一组中心频率各不相同的本征模态函数分量,然后计算每个本征模态函数分量在起动过程中各个时刻的瞬时频率,取起动过程中所有时刻的瞬时频率的平均值作为该本征模态函数分量的瞬时频率平均值,进而将所有本征模态函数分量的瞬时频率平均值的折线图;
2.3)通过折线图判断更新循环标记参数hflag:
将各个本征模态函数分量按照中心频率由高到低分布,计算折线图中折线的二次偏导数并判断:
若二次偏导数小于0,则说明折线为凸折线,则设置循环标记参数hflag=0,进行下一步;
若二次偏导数大于或等于0,则说明折线为非凸折线,则设置循环标记参数hflag=1,进行下一步;
2.4)判断循环标记参数hflag是否为0:
当hflag=0时,则停止迭代,将当前模态个数h的值减去1作为优化后的最终模态个数进行输出;
当hflag=1时,则将模态个数h的值加上1再返回2.2)进行处理;
3)再将抗混叠滤波后的定子相电流再次输入到优化后的变模态分解算法中分解出含转子断条故障特征频率的本征模态函数分量作为含有故障特征频率的子信号,计算本征模态函数分量的瞬时频率fbi;
4)根据笼型异步电机的转速处理获得电机的转差率,利用电机的转差率计算理论转子断条故障频率fbs;
5)绘制瞬时频率fbi和理论转子断条故障频率fbs在起动过程中随时间变化各自的曲线图,计算两幅曲线图的均方误差通过设置预设误差阈值进行断条故障判断。
2.根据权利要求1所述的一种笼型异步电机转子断条故障诊断方法,其特征是:所述2)具体为:利用抗混叠滤波后的定子相电流对变模态分解算法中的模态个数进行参数优化,设置变模态分解算法中模态个数对抗混叠滤波后的定子相电流进行处理,得到在不同模态个数对应的分解层数下变模态分解算法剥离出的本征模态函数分量,再利用维格纳分布算法WVD计算本征模态函数分量的瞬时频率,根据瞬时频率的变化情况确定变模态分解算法的最终模态个数。
3.根据权利要求1所述的笼型异步电机转子断条故障诊断方法,其特征是:
所述4)中,利用转差率计算理论上的转子故障频率并取绝对值作为理论转子断条故障频率fbs,表示为:
fbs=|1-2s|f
其中,s表示电机的转差率,f表示电机的供电频率。
4.根据权利要求1所述的笼型异步电机转子断条故障诊断方法,其特征是:
所述5)中,计算瞬时频率fbi和理论转子断条故障频率fbs在各自曲线图的曲线之间的均方误差值作为相似度,将相似度和预设误差阈值进行比较:
若相似度小于等于预设误差阈值,则发生了断条故障;
若相似度大于预设误差阈值,则未发生断条故障。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111026279.7A CN113866631B (zh) | 2021-09-02 | 2021-09-02 | 一种笼型异步电机转子断条故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111026279.7A CN113866631B (zh) | 2021-09-02 | 2021-09-02 | 一种笼型异步电机转子断条故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113866631A CN113866631A (zh) | 2021-12-31 |
CN113866631B true CN113866631B (zh) | 2022-06-10 |
Family
ID=78989203
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111026279.7A Active CN113866631B (zh) | 2021-09-02 | 2021-09-02 | 一种笼型异步电机转子断条故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113866631B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114462452B (zh) * | 2022-01-27 | 2024-05-10 | 浙江浙能兰溪发电有限责任公司 | 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 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0834359A (ja) * | 1994-07-22 | 1996-02-06 | Honda Motor Co Ltd | 電動パワーステアリング装置 |
CN107192554A (zh) * | 2017-05-19 | 2017-09-22 | 西安理工大学 | 一种风电机组滚动轴承的振动故障诊断方法 |
CN111458640A (zh) * | 2020-04-22 | 2020-07-28 | 西安交通大学 | 一种基于三相电流的交流异步电机转子断条故障诊断方法 |
CN111538960A (zh) * | 2020-04-22 | 2020-08-14 | 西安交通大学 | 基于改进模糊c均值聚类的交流异步电机故障诊断方法 |
CN112668518A (zh) * | 2020-12-31 | 2021-04-16 | 中国地质大学(武汉) | 一种对振动故障信号的vmsst时频分析方法 |
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 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108805059B (zh) * | 2018-05-29 | 2020-04-21 | 东华大学 | 稀疏正则化滤波与自适应稀疏分解的齿轮箱故障诊断方法 |
US10948542B2 (en) * | 2019-06-19 | 2021-03-16 | QSD Solutions LLC | Method and apparatus to detect and isolate faults in rotary machines |
CN110617964A (zh) * | 2019-07-29 | 2019-12-27 | 中国铁道科学研究院集团有限公司城市轨道交通中心 | 用于滚动轴承故障诊断的同步压缩变换阶比分析法 |
-
2021
- 2021-09-02 CN CN202111026279.7A patent/CN113866631B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0834359A (ja) * | 1994-07-22 | 1996-02-06 | Honda Motor Co Ltd | 電動パワーステアリング装置 |
CN107192554A (zh) * | 2017-05-19 | 2017-09-22 | 西安理工大学 | 一种风电机组滚动轴承的振动故障诊断方法 |
CN111458640A (zh) * | 2020-04-22 | 2020-07-28 | 西安交通大学 | 一种基于三相电流的交流异步电机转子断条故障诊断方法 |
CN111538960A (zh) * | 2020-04-22 | 2020-08-14 | 西安交通大学 | 基于改进模糊c均值聚类的交流异步电机故障诊断方法 |
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 |
CN112668518A (zh) * | 2020-12-31 | 2021-04-16 | 中国地质大学(武汉) | 一种对振动故障信号的vmsst时频分析方法 |
Non-Patent Citations (3)
Title |
---|
基于POVMD和CAF的低转速齿轮箱故障诊断;李宏坤 等;《振动.测试与诊断》》;20200215;第40卷(第1期);第35页第1栏至第42页第2栏 * |
横向裂纹转子-轴承系统振动信号降噪与故障特征提取研究;张小菲;《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》;20210115(第01期);第35页第1栏至第42页第2栏 * |
鼠笼式异步电机转子故障程度诊断方法;盛玉霞 等;《控制工程》;20210120;第28卷(第1期);第149页第1栏至第154页第1栏 * |
Also Published As
Publication number | Publication date |
---|---|
CN113866631A (zh) | 2021-12-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wu et al. | Induction machine fault detection using SOM-based RBF neural networks | |
JP6371236B2 (ja) | 予兆診断システム、予兆診断方法及び予兆診断装置 | |
CN113866631B (zh) | 一种笼型异步电机转子断条故障诊断方法 | |
CN109973329B (zh) | 风力发电机机舱变频器柜温度异常的判断方法 | |
CN106198013B (zh) | 一种基于经验模式分解滤波的包络分析方法 | |
JP2019020278A (ja) | 回転機システムの診断装置、電力変換装置、回転機システム、および回転機システムの診断方法 | |
CN112649196A (zh) | 基于频域信息的信号变分模态分解预设尺度参数选取方法 | |
CN113177537A (zh) | 一种旋转机械设备的故障诊断方法及系统 | |
Chen et al. | Fault diagnosis of rolling bearing based on the permutation entropy of VMD and decision tree | |
CN111582248A (zh) | 一种基于svd的齿轮箱信号降噪方法 | |
CN114462452A (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 | |
CN116298868A (zh) | 一种绕线式无刷双馈电机静态偏心故障的检测方法 | |
Wang et al. | A model-based gear diagnostic technique | |
CN112729531B (zh) | 配电变压器设备故障研判方法及系统 | |
Yuan et al. | Fault detection of rolling bearing based on principal component analysis and empirical mode decomposition | |
CN115085163A (zh) | 低频输电线路的差动保护方法、系统、装置及存储介质 | |
CN113030570A (zh) | 一种谐波电能检测方法和自适应滤波器 | |
CN111400959B (zh) | 风力发电机组的叶片故障诊断方法及装置 | |
CN112857562A (zh) | 一种自适应监测发电机扭振状态的方法 | |
CN112414688B (zh) | 一种基于vmd-dtw的断路器振动信号降噪方法 | |
Jiang et al. | Research on Gear Signal Denoising Method Based on CEEMD and SSA | |
CN109977726A (zh) | 信号包络线提取方法、装置、风电机组的状态监测方法 | |
CN113311227B (zh) | 一种用于故障电弧诊断技术的电流信号降噪方法 | |
Huang et al. | Servo Motor Fault Diagnosis Based on Data Fusion | |
Yang et al. | Based on the optimal frequency band of maximum correlation kurtosis de-convolution for bearing weak fault diagnosis |
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 |