CN113884301A - 阈值确定方法、系统和可读存储介质 - Google Patents
阈值确定方法、系统和可读存储介质 Download PDFInfo
- Publication number
- CN113884301A CN113884301A CN202111152731.4A CN202111152731A CN113884301A CN 113884301 A CN113884301 A CN 113884301A CN 202111152731 A CN202111152731 A CN 202111152731A CN 113884301 A CN113884301 A CN 113884301A
- Authority
- CN
- China
- Prior art keywords
- target component
- degradation
- threshold
- value
- determining
- 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
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000006731 degradation reaction Methods 0.000 claims abstract description 126
- 230000015556 catabolic process Effects 0.000 claims abstract description 124
- 238000012544 monitoring process Methods 0.000 claims abstract description 41
- 238000005070 sampling Methods 0.000 claims abstract description 5
- 238000004088 simulation Methods 0.000 claims description 20
- 230000006866 deterioration Effects 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 4
- 238000000342 Monte Carlo simulation Methods 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 238000005096 rolling process Methods 0.000 description 8
- 230000014509 gene expression Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/04—Bearings
- G01M13/045—Acoustic or vibration analysis
Landscapes
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- General Physics & Mathematics (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本申请提供一种风机的阈值确定方法、系统和可读存储介质。阈值确定方法包括:根据目标部件在正常运行状态下多个采样时间点的正常振动数据,确定目标部件的正常时域信号;根据目标部件在多个劣化程度下的故障信号和正常时域信号,分别确定目标部件在多个劣化程度下的劣化时域信号;根据目标部件在多个劣化程度下的劣化时域信号和阈值范围,确定目标部件故障时的报警阈值。可以确定较为准确的用于故障监测的报警阈值。
Description
技术领域
本发明涉及风电领域,尤其涉及一种阈值确定方法、系统和可读存储介质。
背景技术
一些技术中,对风机的运行状态进行监控的方式是:风电场的CMS(ConditionMonitoring System,状态监控系统)故障分析平台在风机运行过程中,采集风机的运行数据,并对风机的运行数据进行快速傅里叶变换,展示对应的频谱图。风电场的技术人员根据频谱图识别故障振动特征,从而推断出故障部件。这种根据人工经验来识别风机故障的方法,受技术人员的经验等因素影响,故障监测不准确。
发明内容
本申请提供一种阈值确定方法、系统和可读存储介质,可以确定较为准确的用于故障监测的报警阈值。
本申请提供一种阈值确定方法,所述阈值确定方法包括:
根据所述目标部件在正常运行状态下多个采样时间点的正常振动数据,确定所述目标部件的正常时域信号;
根据所述目标部件在多个劣化程度下的故障信号和所述正常时域信号,分别确定所述目标部件在多个劣化程度下的劣化时域信号;
根据所述目标部件在多个劣化程度下的所述劣化时域信号和阈值范围,确定所述目标部件故障时的报警阈值。
本申请提供一种阈值确定系统,包括一个或多个处理器,用于实现如上任一项所述的阈值确定方法。
本申请提供一种可读存储介质,其上存储有程序,该程序被处理器执行时,实现如上任一项所述的风机的阈值确定方法。
在本申请的一些实施例中,根据目标部件在多个劣化程度下的故障信号和正常时域信号,可以分别确定目标部件在多个劣化程度下的劣化时域信号,进而目标部件在多个劣化程度下的劣化时域信号和阈值范围,可以确定目标部件故障时的报警阈值。本申请的报警阈值是根据目标部件在多个劣化程度下的劣化时域信号确定的,符合目标部件在劣化运行时的实际情况,确定的报警阈值较为准确,从而对目标部件的故障监测较为准确。
附图说明
图1是本申请的一个实施例提供的阈值确定方法的流程图;
图2是本申请的一个实施例提供的滚动轴承的正常时域信号的示意图;
图3是本申请一个实施例提供的仿真的滚动轴承在一个劣化程度的外圈单点损伤的故障信号示意图;
图4是本申请的一个实施例提供的根据报警错误率确定报警阈值的流程图;
图5是本申请的一个实施例提供的目标函数的示意图;
图6是本申请的一个实施例提供的状态监测值确定方法的流程图;
图7是本申请一个实施例提供的阈值确定系统的模块框图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,多个附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施例并不代表与本说明书一个或多个实施例相一致的所有实施例。相反,它们仅是与如所附权利要求书中所详述的、本说明书一个或多个实施例的一些方面相一致的装置和方法的例子。
需要说明的是:在其他实施例中并不一定按照本说明书示出和描述的顺序来执行相应方法的步骤。在一些其他实施例中,其方法所包括的步骤可以比本说明书所描述的更多或更少。此外,本说明书中所描述的单个步骤,在其他实施例中可能被分解为多个步骤进行描述;而本说明书中所描述的多个步骤,在其他实施例中也可能被合并为单个步骤进行描述。
图1是本申请的一个实施例提供的阈值确定方法的流程图。阈值确定方法可以用于确定目标部件故障时的报警阈值。根据确定的报警阈值,可以对目标部件进行故障监测。本申请以确定风机(又称作风力发电机)的滚动轴承外圈单点损伤故障的报警阈值为例,对阈值确定方法进行说明。阈值确定方法包括步骤S11至步骤S13。
步骤S11,根据目标部件在正常运行状态下多个采样时间点的正常振动数据,确定目标部件的正常时域信号。
目标部件的正常振动数据可以由设置在目标部件测点位置的传感器采集获取。以目标部件是滚动轴承为例,图2是本申请的一个实施例提供的滚动轴承的正常时域信号的示意图。在图2中,横坐标表示采样时间,纵坐标表示振幅。
步骤S12,根据目标部件在多个劣化程度下的故障信号和正常时域信号,分别确定目标部件在多个劣化程度下的劣化时域信号。
在一些实施例中,目标部件在多个劣化程度下的故障信号可以通过仿真得到。具体的,可以至少根据目标部件的固有频率、故障特征频率以及目标部件在不同劣化程度的故障幅值,仿真得到目标部件在多个劣化程度下的故障信号。以滚动轴承外圈单点损伤故障为例,故障信号的仿真公式可以表达为表达式(1):
其中,
t表示时间;
ξ表示阻尼比;
ωn表示滚动轴承的固有振动角频率。
根据表达式(1),图3是本申请一个实施例提供的仿真的滚动轴承在一个劣化程度的外圈单点损伤的故障信号示意图。
在一些实施例中,可以将仿真得到的目标部件在多个劣化程度下的故障信号分别与正常时域信号进行信号叠加,以仿真得到目标部件在多个劣化程度下的劣化时域信号。
在本申请的一些实施例中,通过仿真生成目标部件的故障信号,再将目标部件的故障信号和正常时域信号进行信号叠加,得到目标部件在各劣化程度下的劣化时域信号。如此,得到的劣化振动数据可以较为全面。具体而言,若从目标部件的实际运行数据中筛选目标部件的劣化振动数据,可能会存在两方面的问题。一方面,在目标部件的劣化初期,目标部件的劣化振动数据可能与目标部件的正常振动数据相差不大,技术人员无法从目标部件的运行数据中,准确识别出目标部件在劣化初期的劣化振动数据;另一方面,在目标部件的劣化问题被处理后(例如目标部件被替换后),无法采集到目标部件在后续劣化过程中的劣化振动数据。基于上述两个原因可知,根据目标部件的实际运行数据,无法获取到目标部件在整个劣化全过程的振动数据。本申请通过仿真的方式来确定目标部件的劣化振动数据,得到的数据比较准确完整。比如若要获取目标部件在劣化初期的振动数据,则可以根据较小的故障幅值对故障信号进行仿真;若要获取目标部件在劣化后期的振动数据,则可以根据较大的故障幅值对故障信号进行仿真。方案的可实施性高。
在一些实施例中,对于任一劣化程度,可以基于蒙特卡罗方法,将仿真得到的目标部件在该劣化程度下的故障信号与正常时域信号进行信号叠加,以确定目标部件在该劣化程度下的多组劣化时域信号。根据蒙特卡罗原理可知,该劣化程度下的多组劣化时域信号可以是不相同的。如此,可以使仿真得到的目标部件在各劣化程度下的劣化振动数据更全面。
步骤S13,根据目标部件在多个劣化程度下的劣化时域信号和阈值范围,确定目标部件故障时的报警阈值。
在一些实施例中,阈值范围指设置的报警阈值的范围。简单来说,就是在阈值范围内,选择一个较优的值,作为目标部件故障时的报警阈值。阈值范围可以是根据经验确定的目标部件故障时的报警值范围。
在一些实施例中,对于任一劣化程度,可以根据仿真得到的目标部件在该劣化程度下的劣化时域信号,确定目标部件在该劣化程度的状态监测值,然后根据目标部件在多个劣化程度下的状态监测值和阈值范围,确定目标部件故障时的报警阈值。
在一些实施例中,状态监测值指用于表示目标部件健康状态的值。在目标部件的不同劣化程度,状态监测值可以不相同。根据一个劣化程度下的一组劣化时域信号,可以确定相应劣化程度下的一个状态监测值。通过上述相关描述可知,基于蒙特卡罗方法,一个劣化程度对应了多组劣化时域信号。因此,目标部件在一个劣化程度下对应了多个状态监测值。为便于理解,表格1示例性的给出了劣化程度、劣化时域信号、状态监测值之间的对应关系。
表格1
关于如何根据仿真得到的目标部件在一个劣化程度下的劣化时域信号,确定目标部件在该劣化程度的状态监测值,可参见后续相关描述。此处先对如何根据目标部件在多个劣化程度下的状态监测值和阈值范围,确定目标部件故障时的报警阈值进行描述。
首先,可以在阈值范围内确定多个备选阈值。在一些实施例中,可以基于格子点的方法,在阈值范围内确定多个备选阈值。
在确定备选阈值后,可以分别确定每个备选阈值针对各劣化程度下的状态监测值的报警错误率。此处以其中一个备选阈值为例。简单来说,就是假设将该备选阈值作为报警阈值,若目标部件的状态监测值大于或等于该备选阈值,则对目标部件进行故障报警,表示目标部件出现劣化。通过上述相关描述可知,本申请基于仿真的方法,已经获取到目标部件在各劣化程度下的多个状态监测值。这些状态监测值理论上是应该要大于或等于该备选阈值的。若这些状态监测值小于该备选阈值,则表示基于该备选阈值,不能对目标部件进行故障报警。因此,对于任一劣化程度,若该劣化程度下的状态监测值大于或等于备选阈值,表示备选阈值针对相应的状态监测值报警正确;若该劣化程度下的状态监测值小于备选阈值,表示备选阈值针对相应的状态监测值报警错误。为了便于理解,表格2示例性的给出了备选阈值、劣化程度、状态监测值以及报警错误率的对应关系。
表格2
在一些实施例中,可以根据各备选阈值对应的报警错误率,确定报警阈值。
图4是本申请的一个实施例提供的根据报警错误率确定报警阈值的流程图,包括步骤S41至步骤S44。
步骤S41,对于任一备选阈值,根据该备选阈值处所有劣化程度的报警错误率,确定该备选阈值处的错误率均值和错误率标准差,其中,错误率均值表示对该备选阈值处所有劣化程度的报警错误率求均值后得到的值;错误率标准差表示对该备选阈值处所有劣化程度的报警错误率求标准差后得到的值。
步骤S42,将多个备选阈值处的错误率标准差进行min-max标准化处理。
步骤S43,将多个备选阈值分别作为目标函数的输入,将多个备选阈值处的错误率均值与标准化处理后的错误率标准差之和分别作为目标函数的输出,确定目标函数。
步骤S44,在阈值范围内,将目标函数的输出值最小时对应的值作为报警阈值。
在一些实施例中,基图4中的方法确定的报警阈值,由于目标函数的输出值最小,因此可以最大程度的对目标部件在多个劣化程度下的故障进行报警,提高故障报警的准确率。
图5是本申请的一个实施例提供的目标函数的示意图。根据图5可知,在阈值范围内的A点处时,目标函数的输出值最小,因此可以将A点处的值作为报警阈值。
根据以上描述可知,在本申请的一些实施例中,根据目标部件在多个劣化程度下的故障信号和正常时域信号,可以分别确定目标部件在多个劣化程度下的劣化时域信号,进而目标部件在多个劣化程度下的劣化时域信号和阈值范围,可以确定目标部件故障时的报警阈值。本申请的报警阈值是根据目标部件在多个劣化程度下的劣化时域信号确定的,符合目标部件在劣化运行时的实际情况,确定的报警阈值较为准确,从而对目标部件的故障监测较为准确。另外,基于频谱图,通过人工判断目标部件是否故障的方法,需要人工判断后才能确定,但工作人员不能时刻对频谱图进行实时分析,因此目标部件的故障判断大多具有滞后性。而通过设置报警阈值,由系统根据目标部件的运行数据,自动对目标部件的运行状态进行监控,实时性较高,可以在目标部件故障时,及时报警。
以下对如何根据仿真得到的目标部件在该劣化程度下的劣化时域信号,确定目标部件在该劣化程度的状态监测值进行说明。
图6是本申请的一个实施例提供的状态监测值确定方法的流程图。此处以其中一个劣化程度的一组劣化时域信号为例,该劣化程度的一个状态监测值可以如此确定:
步骤S61,根据仿真得到的目标部件在该劣化程度下的劣化时域信号,确定目标部件在该劣化程度下的频域信号;
步骤S62,根据目标部件在该劣化程度下的劣化时域信号和频域信号,确定目标部件在该劣化程度下的统计特征值。在一些实施例中,统计特征值包括基于劣化时域信号确定的时域统计特征值和基于频域信号确定的频域统计特征值。
步骤S63,根据目标部件在该劣化程度下的统计特征值,确定目标部件在该劣化程度下的状态监测值。
以下通过举例的方式进行说明。
假设x(1)……x(N)表示在采样时间点1至N的时间序列。假设s(k)为x(n)进行傅立叶变换之后得到的频谱。
各时域统计特征值的计算表达式可以表达为表达式(2)至(16):
峰值:xp=max|x(n)| (8)
最大值:xmax=max(xn) (9)
最小值:xmin=min(xn) (10)
各频域统计特征值的计算表达式可以表达为表达式(17)至(29):
在一些实施例中,可以对上述确定的时域统计特征值和频域统计特征值进行降维处理,基于降维后的新维度数据,计算目标部件在该劣化程度下的状态监测值。在本实施例中,基于PCA(Principal Component Analysis,主成分分析)算法,对上述时域统计特征值和频域统计特征值进行降维处理。需要说明的是,基于时域统计特征值和频域统计特征值计算目标部件的状态监测值,为本领域的常规技术手段,在此不作详细说明。
图7是本申请一个实施例提供的阈值确定系统700的模块框图。
阈值确定系统700包括一个或多个处理器701,用于实现如上描述的阈值确定方法。在一些实施例中,阈值确定系统700可以包括可读存储介质709,可读存储介质709可以存储有可被处理器701调用的程序,可以包括非易失性存储介质。
在一些实施例中,阈值确定系统700可以包括内存708和接口707。
在一些实施例中,阈值确定系统700还可以根据实际应用包括其他硬件。
本申请实施例的可读存储介质709,其上存储有程序,该程序被处理器701执行时,用于实现如上描述的阈值确定方法。
本申请可采用在一个或多个其中包含有程序代码的可读存储介质709(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。可读存储介质709包括永久性和非永久性、可移动和非可移动媒体,可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。可读存储介质709的例子包括但不限于:相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。
以上所述仅为本说明书的较佳实施例而已,并不用以限制本说明书,凡在本说明书的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本说明书保护的范围之内。
以上所述仅为本说明书的较佳实施例而已,并不用以限制本说明书,凡在本说明书的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本说明书保护的范围之内。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
Claims (10)
1.一种阈值确定方法,其特征在于,所述阈值确定方法包括:
根据目标部件在正常运行状态下多个采样时间点的正常振动数据,确定所述目标部件的正常时域信号;
根据所述目标部件在多个劣化程度下的故障信号和所述正常时域信号,分别确定所述目标部件在多个劣化程度下的劣化时域信号;
根据所述目标部件在多个劣化程度下的所述劣化时域信号和阈值范围,确定所述目标部件故障时的报警阈值。
2.如权利要求1所述的阈值确定方法,其特征在于,所述根据所述目标部件在多个劣化程度下的故障信号和所述正常时域信号,分别确定所述目标部件在多个劣化程度下的劣化时域信号,包括:
至少根据所述目标部件的固有频率、故障特征频率以及所述目标部件在不同劣化程度的故障幅值,仿真得到所述目标部件在多个劣化程度下的所述故障信号;
将仿真得到的所述目标部件在多个劣化程度下的所述故障信号分别与所述正常时域信号进行信号叠加,以仿真得到所述目标部件在多个劣化程度下的劣化时域信号。
3.如权利要求2所述的阈值确定方法,其特征在于,所述根据所述目标部件在多个劣化程度下的所述劣化时域信号和阈值范围,确定所述目标部件故障时的报警阈值,包括:
对于任一劣化程度,根据仿真得到的所述目标部件在该劣化程度下的所述劣化时域信号,确定所述目标部件在该劣化程度的状态监测值;
根据所述目标部件在多个劣化程度下的所述状态监测值和所述阈值范围,确定所述目标部件故障时的报警阈值。
4.如权利要求3所述的阈值确定方法,其特征在于,所述对于任一劣化程度,根据仿真得到的所述目标部件在该劣化程度下的所述劣化时域信号,确定所述目标部件在该劣化程度的状态监测值,包括:
根据仿真得到的所述目标部件在该劣化程度下的所述劣化时域信号,确定所述目标部件在该劣化程度下的频域信号;
根据所述目标部件在该劣化程度下的所述劣化时域信号和所述频域信号,确定所述目标部件在该劣化程度下的统计特征值;
根据所述目标部件在该劣化程度下的所述统计特征值,确定所述目标部件在该劣化程度下的状态监测值。
5.如权利要求3所述的阈值确定方法,其特征在于,所述将仿真得到的所述目标部件在多个劣化程度下的所述故障信号分别与所述正常时域信号进行信号叠加,以仿真得到所述目标部件在多个劣化程度下的劣化时域信号,包括:
对于任一劣化程度,基于蒙特卡罗方法,将仿真得到的所述目标部件在该劣化程度下的故障信号与所述正常时域信号进行信号叠加,以确定所述目标部件在该劣化程度下的多组所述劣化时域信号。
6.如权利要求5所述的阈值确定方法,其特征在于,所述对于任一劣化程度,根据仿真得到的所述目标部件在该劣化程度下的所述劣化时域信号,确定所述目标部件在该劣化程度的状态监测值,包括:
根据仿真得到的所述目标部件在该劣化程度下的多组所述劣化时域信号,确定所述目标部件该劣化程度的多个所述状态监测值。
7.如权利要求6所述的阈值确定方法,其特征在于,所述根据所述目标部件在多个劣化程度下的所述状态监测值和所述阈值范围,确定所述目标部件故障时的报警阈值,包括:
在所述阈值范围内确定多个备选阈值;
分别确定每个所述备选阈值针对各劣化程度下的所述状态监测值的报警错误率,其中,对于任一劣化程度,若该劣化程度下的状态监测值大于或等于所述备选阈值,表示所述备选阈值针对相应的状态监测值报警正确;若该劣化程度下的状态监测值小于所述备选阈值,表示所述备选阈值针对相应的状态监测值报警错误;
根据各所述备选阈值对应的所述报警错误率,确定所述报警阈值。
8.如权利要求7所述的阈值确定方法,其特征在于,所述根据所述报警错误率,确定所述报警阈值,包括:
对于任一所述备选阈值,根据该备选阈值处所有劣化程度的报警错误率,确定该备选阈值处的错误率均值和错误率标准差,其中,所述错误率均值表示对该备选阈值处所有劣化程度的报警错误率求均值后得到的值;所述错误率标准差表示对该备选阈值处所有劣化程度的报警错误率求标准差后得到的值;
将多个所述备选阈值处的所述错误率标准差进行min-max标准化处理;
将多个所述备选阈值分别作为目标函数的输入,将多个所述备选阈值处的所述错误率均值与标准化处理后的所述错误率标准差之和分别作为所述目标函数的输出,确定所述目标函数;
在所述阈值范围内,将所述目标函数的输出值最小时对应的值作为所述报警阈值。
9.一种阈值确定系统,其特征在于,包括一个或多个处理器,用于实现如权利要求1-8中任一项所述的阈值确定方法。
10.一种可读存储介质,其特征在于,其上存储有程序,该程序被处理器执行时,实现如权利要求1-8中任一项所述的阈值确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111152731.4A CN113884301B (zh) | 2021-09-29 | 2021-09-29 | 阈值确定方法、系统和可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111152731.4A CN113884301B (zh) | 2021-09-29 | 2021-09-29 | 阈值确定方法、系统和可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113884301A true CN113884301A (zh) | 2022-01-04 |
CN113884301B CN113884301B (zh) | 2024-02-23 |
Family
ID=79008136
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111152731.4A Active CN113884301B (zh) | 2021-09-29 | 2021-09-29 | 阈值确定方法、系统和可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113884301B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106092565A (zh) * | 2016-06-08 | 2016-11-09 | 成都阜特科技股份有限公司 | 一种振动故障分析方法及其系统 |
CN108920855A (zh) * | 2018-07-12 | 2018-11-30 | 西安英特迈思信息科技有限公司 | 一种基于概率密度分布的无人机智能监测阈值确定方法 |
CN110687896A (zh) * | 2019-10-24 | 2020-01-14 | 利维智能(深圳)有限公司 | 故障诊断方法、装置、设备及可读介质 |
CN111504450A (zh) * | 2020-04-28 | 2020-08-07 | 郑州恩普特科技股份有限公司 | 一种设备故障报警方法及装置 |
CN112577724A (zh) * | 2020-12-03 | 2021-03-30 | 安徽容知日新科技股份有限公司 | 动设备启停机阈值的确定方法、启停机监测方法及装置 |
-
2021
- 2021-09-29 CN CN202111152731.4A patent/CN113884301B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106092565A (zh) * | 2016-06-08 | 2016-11-09 | 成都阜特科技股份有限公司 | 一种振动故障分析方法及其系统 |
CN108920855A (zh) * | 2018-07-12 | 2018-11-30 | 西安英特迈思信息科技有限公司 | 一种基于概率密度分布的无人机智能监测阈值确定方法 |
CN110687896A (zh) * | 2019-10-24 | 2020-01-14 | 利维智能(深圳)有限公司 | 故障诊断方法、装置、设备及可读介质 |
CN111504450A (zh) * | 2020-04-28 | 2020-08-07 | 郑州恩普特科技股份有限公司 | 一种设备故障报警方法及装置 |
CN112577724A (zh) * | 2020-12-03 | 2021-03-30 | 安徽容知日新科技股份有限公司 | 动设备启停机阈值的确定方法、启停机监测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113884301B (zh) | 2024-02-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10890507B2 (en) | State monitoring method and state monitoring apparatus | |
EP3431952B1 (en) | Condition monitoring system and wind turbine generation apparatus | |
EP2166422B1 (en) | Method of alarm mask generation and condition monitoring of wind turbines | |
US10895873B2 (en) | Machine health monitoring of rotating machinery | |
EP2345894B1 (en) | Trending of vibration data taking into account torque effect | |
CN110689141A (zh) | 风力发电机组的故障诊断方法及设备 | |
CN111797569A (zh) | 一种桥梁状态的评估方法、装置、设备和存储介质 | |
CN108009063B (zh) | 一种电子设备故障阈值检测的方法 | |
Celis et al. | Steady state detection in industrial gas turbines for condition monitoring and diagnostics applications | |
KR20210124783A (ko) | 딥 러닝 기반의 고장 진단 방법 및 이러한 방법을 수행하는 고장 진단 장치 | |
JP2016045852A (ja) | 異常診断装置及び異常診断方法 | |
CN107977626B (zh) | 一种电子设备工作数据的分组方法 | |
CN113884301B (zh) | 阈值确定方法、系统和可读存储介质 | |
CN108536877B (zh) | 风力发电机组振动程度的评估方法与系统 | |
CN112082720A (zh) | 一种固定转速旋转机械振动故障早期预警值确定方法 | |
CN113237619A (zh) | 变转速旋转机械振动的故障预警方法、装置、设备以及存储介质 | |
CN116771611A (zh) | 一种风电机组功率监测方法及装置 | |
CN108710751B (zh) | 一种输电塔局部连接松动识别方法及装置 | |
CN109981413B (zh) | 网站监控指标报警的方法及系统 | |
CN112879216B (zh) | 风电场的风速修正方法和装置 | |
Hashemian | Applying online monitoring for nuclear power plant instrumentation and control | |
JP2021110977A (ja) | 診断装置、診断方法およびプログラム | |
CN114705430B (zh) | 一种滚动轴承故障监测方法、装置、设备及存储介质 | |
CN117521528B (zh) | 一种涡轮设备仿真模型进化方法、装置、介质及计算设备 | |
CN113723634A (zh) | 故障变量确定方法、系统和可读存储介质 |
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 |