CN114035043B - 基于预知指向最佳分辨方法的鼠笼电机断条故障诊断方法 - Google Patents
基于预知指向最佳分辨方法的鼠笼电机断条故障诊断方法 Download PDFInfo
- Publication number
- CN114035043B CN114035043B CN202111223815.2A CN202111223815A CN114035043B CN 114035043 B CN114035043 B CN 114035043B CN 202111223815 A CN202111223815 A CN 202111223815A CN 114035043 B CN114035043 B CN 114035043B
- Authority
- CN
- China
- Prior art keywords
- frequency
- omega
- motor
- signal
- fault
- 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
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
- Y04S10/52—Outage or fault management, e.g. fault detection or location
Abstract
本发明提出一种基于预知指向最佳分辨方法的鼠笼电机断条故障诊断方法,包括:A)获取电机在轻/空载条件下稳定运行的单相定子电流信号的数据及与其相应的转速的数据;B)对获得的数据通过陷波滤波进行预处理;C)对得到的含有故障特征的谐波成分进行带通滤波,保留故障特征分布的40Hz‑60Hz频带范围的谐波成分;D)将所得到的带通滤波后的信号构造成复信号x(n);E)对由步骤D)所得到的复信号x(n)采用ORPD算法进行频率估计;F)根据步骤E)频率估计所得到的结果,对电机健康状态进行诊断。本发明的方法对轻/空载条件下稳定运行的鼠笼电机能够实现转子断条故障的实时、有效检测。
Description
技术领域
本发明涉及电机故障检测技术领域,特别涉及一种基于预知指向最佳分辨方法的鼠笼电机断条故障诊断方法。
背景技术
鼠笼电机因其价格低廉,稳定性较好的特点大量投入到工业生产当中。为了保障工业生产的安全性,对鼠笼电机的故障诊断研究具有重要意义。在诸多故障类型中,转子断条故障是常见的故障形式之一。
电机电流信号分析(Motor current singalAnalysis,MCSA)方法是公认的最有效的转子断条故障诊断方法。当出现转子断条故障时,定子电流中会出现频率为(1±2s)fs的谐波分量,s是滑差,fs为电源基波频率。根据定子电流FFT频谱中的上述频率成分可对电机做出故障判断。经典MCSA的诊断能力受传动系统转动惯量和负载大小影响。电机轻载运行时,滑差s变小,特征频率分量(1±2s)fs向基频靠近,在基频频谱泄漏影响下,频率识别十分困难;在空载运行状态,(1±2s)fs完全被基频频谱泄漏湮没,MCSA方法彻底失效。为获得满意的诊断效果,电机负载至少应该达到额定负载的35%。
在工业现场,轻/空载是保证生产连续性常见的运行状态,在起重机重物提取和释放、带钢卷取、数控机床工件加工等场合经常出现。轻/空载运行时的诊断分析不易受负载波动歧义性特征频率的影响,有助于提高故障诊断准确性。在电机制造、维修过程中,轻/空载运行时的诊断分析可节约诊断成本。因此,研究轻/空载条件下稳定运行电机的故障诊断方法非常必要,然而由于问题本身的难度,公开发表的文献中对这方面的研究很少。
发明内容
为了克服背景技术中的不足,本发明提出一种基于预知指向的最佳分辨(OptimumResolution ofPrescient Direction,ORPD)方法的鼠笼电机转子断条故障诊断方法,对轻/空载条件下稳定运行的鼠笼电机,能够实现转子断条故障的实时、有效检测。
为了达到上述目的,本发明采用以下技术方案实现:
一种基于预知指向最佳分辨方法的鼠笼电机断条故障诊断方法,包括如下步骤:
A)获取电机在轻/空载条件下稳定运行的单相定子电流信号的数据及与其相应的转速的数据,该步骤包括原始信号的采集、抗混叠低通滤波及A/D采样;
B)对由步骤A)获得的数据通过陷波滤波进行预处理,滤掉50Hz工频频率的谐波成分;
C)对由步骤B)得到的含有故障特征的谐波成分,进行带通滤波,保留故障特征分布的40Hz-60Hz频带范围的谐波成分;
D)用希尔伯特变换将步骤C)所得到的带通滤波后的信号构造成复信号x(n);
E)对由步骤D)所得到的复信号x(n)采用ORPD算法进行频率估计;
F)根据步骤E)频率估计所得到的结果,对电机健康状态进行诊断,如果在与电机转速相对应的故障特征频率,即(1±2s)fs处出现波峰,s为滑差,fs为电源基波频率,则电机存在转子断条故障;否则,电机为健康状态。
进一步地,所述的步骤A)具体包括如下:
采用电流互感器获取电机在轻/空载条件下稳定运行时的单相定子电流信号的数据iaf(t)及与其相应的转速的数据n,以采样频率f对原始定子电流信号进行采集;
设驱动恒定负载的鼠笼电机由理想工频电源或变频器供电,若只考虑定子电流中基波分量的作用,则a相电流ia具有如公式(1)所示的简化数学表达形式:
式中,ibrb为故障电流,故障特征角频率ωo=2πfo=4πsfs,fo=2sfs,Ik,l、Ik,r分别为左边频带电流谐波幅值和右边频带电流谐波幅值,分别为左边频带电流谐波初相角和右边频带电流谐波初相角,其中k为谐波次数,l和r分别为左边频带和右边频带。在上述特征频率中,常用来诊断转子断条故障的,是出现在频率fs两侧、k=1时的左右边频带谐波分量频率fb;这时,如果忽略初始相位角,公式(2)将取得如公式(3)所示的简化数学表达形式
与公式(3)相对应的fb的表达式如公式(4)所示:
fb=(1±2s)fs (4)。
进一步地,所述的步骤E)具体包括如下:
n(n)为白噪声,其方差为σ2,均值为0;Ai为振幅,ωi为频率;定义M维的观测矩阵(M>2q):
x(n)=[x(n) x(n+1) ... x(n+M-1)]H (6)
信号空间向量:
e(ω)=[1 exp(jω) ... exp(j(M-1)ω)]T (7)
求x(n)的自相关矩阵:
对Rxx做特征值分解,得到特征值λ1...λq>=λq+1...λM=σ2及对应的特征向量V1...Vq,Vq+1...VM;前q个较大的特征值对应的特征向量构成了信号子空间Es=(V1...Vq),后面较小的特征值对应的特征向量构成了噪声子空间EN=(Vq+1...VM),由于信号子空间和噪声子空间正交且信号空间向量e(ω)与Es张成的空间相同,因此e(ω)⊥EN;
得到零谱函数:
D(ω)=eH(ω)ENWEN He(ω) (9)
其中,W为复埃尔米特型加权矩阵;
谱峰搜索函数:
算法的分辨性能主要由零谱函数或谱峰搜索函数决定,不同的加权矩阵W对应不同的分辨性能,且W对零谱函数和谱峰搜索函数的分辨性能的影响是一致的;考虑两个频率很接近的信号,ω1和ω2,假设ωm=(ω1+ω2)/2为两个频率的中间值;以信噪比分辨门限为分辨性能的依据,则在统计意义上能够分辨出ω1和ω2的最小信噪比分辨门限需满足下式:
在预知ωm的前提下,通过合适的加权矩阵W,使得能够分辨出原本难以分辨的ω1和ω2;公式(10)中,具有最佳分辨能力的加权矩阵的形式为:
W=EN He(ωm)eH(ωm)EN (12)
令ω=0并逐步增加0.001,计算PORPD(ω),则PORPD(ω)的最大峰值点对应的频率即为信号包含的频率。
与现有技术相比,本发明的有益效果是:
本发明的方法采用预知指向的最佳分辨(OptimumResolutionofPrescientDirection,ORPD)方法,对轻/空载条件下稳定运行的鼠笼电机,能够实现转子断条故障的实时、有效检测。
附图说明
图1是本发明的方法流程图。
具体实施方式
以下结合附图对本发明提供的具体实施方式进行详细说明。
如图1所示,一种基于预知指向最佳分辨方法的鼠笼电机断条故障诊断方法,包括如下步骤:
A)获取电机在轻/空载条件下稳定运行的单相定子电流信号的数据及与其相应的转速的数据,该步骤包括原始信号的采集、抗混叠低通滤波及A/D采样;
具体包括如下:
采用电流互感器获取电机在轻/空载条件下稳定运行时的单相定子电流信号的数据iaf(t)及与其相应的转速的数据n,以采样频率f对原始定子电流信号进行采集;
设驱动恒定负载的鼠笼电机由理想工频电源或变频器供电,若只考虑定子电流中基波分量的作用,则a相电流ia具有如公式(1)所示的简化数学表达形式:
式中,ibrb为故障电流,故障特征角频率ωo=2πfo=4πsfs,fo=2sfs,Ik,l、Ik,r分别为左边频带电流谐波幅值和右边频带电流谐波幅值,分别为左边频带电流谐波初相角和右边频带电流谐波初相角,其中k为谐波次数,l和r分别为左边频带和右边频带。在上述特征频率中,常用来诊断转子断条故障的,是出现在频率fs两侧、k=1时的左右边频带谐波分量频率fb;这时,如果忽略初始相位角,公式(2)将取得如公式(3)所示的简化数学表达形式
与公式(3)相对应的fb的表达式如公式(4)所示:
fb=(1±2s)fs (4)。
B)对由步骤A)获得的数据通过陷波滤波进行预处理,滤掉50Hz工频频率的谐波成分。带阻滤波的宽度可在49Hz至51Hz之间调整,这里采用的是巴特沃斯陷波滤波器,其相应参数为:阻带频率范围为49.5Hz-51.5Hz,过渡频率范围为0.4Hz,阻带衰减为60dB,通带增益为1dB。
C)对由步骤B)得到的含有故障特征的谐波成分进行带通滤波,由于故障特征仅分布于40Hz-60Hz频带范围内,所以对其进行带通滤波,保留故障特征分布的40Hz-60Hz频带范围的谐波成分。
这里选用巴特沃斯带通滤波器对数据做滤波处理,滤波器的各个参数具体数值可随着电机负载的变化而略微调整。一般情况下可设置为:带通范围为30Hz-70Hz,过渡频率范围为2Hz,通带增益为1dB,阻带衰减为60dB。
D)用希尔伯特变换将步骤C)所得到的带通滤波后的信号构造成复信号x(n);
E)对由步骤D)所得到的复信号x(n)采用ORPD算法进行频率估计;
具体包括如下:
n(n)为白噪声,其方差为σ2,均值为0;Ai为振幅,ωi为频率;定义M维的观测矩阵(M>2q):
x(n)=[x(n) x(n+1) ... x(n+M-1)]H (6)
信号空间向量:
e(ω)=[1 exp(jω) ... exp(j(M-1)ω)]T (7)
求x(n)的自相关矩阵:
对Rxx做特征值分解,得到特征值λ1...λq>=λq+1...λM=σ2及对应的特征向量V1...Vq,Vq+1...VM;前q个较大的特征值对应的特征向量构成了信号子空间Es=(V1...Vq),后面较小的特征值对应的特征向量构成了噪声子空间EN=(Vq+1...VM),由于信号子空间和噪声子空间正交且信号空间向量e(ω)与Es张成的空间相同,因此e(ω)⊥EN;
得到零谱函数:
D(ω)=eH(ω)ENWEN He(ω) (9)
其中,W为复埃尔米特型加权矩阵;
谱峰搜索函数:
算法的分辨性能主要由零谱函数或谱峰搜索函数决定,不同的加权矩阵W对应不同的分辨性能,且W对零谱函数和谱峰搜索函数的分辨性能的影响是一致的;考虑两个频率很接近的信号,ω1和ω2,假设ωm=(ω1+ω2)/2为两个频率的中间值;以信噪比分辨门限为分辨性能的依据,则在统计意义上能够分辨出ω1和ω2的最小信噪比分辨门限需满足下式:
在预知ωm的前提下,通过合适的加权矩阵W,使得能够分辨出原本难以分辨的ω1和ω2;公式(10)中,具有最佳分辨能力的加权矩阵的形式为:
W=EN He(ωm)eH(ωm)EN (12)
令ω=0并逐步增加0.001,计算PORPD(ω),则PORPD(ω)的最大峰值点对应的频率即为信号包含的频率。
F)根据步骤E)频率估计所得到的结果,对电机健康状态进行诊断,如果在与电机转速相对应的故障特征频率,即(1±2s)fs处出现波峰,s为滑差,fs为电源基波频率,则电机存在转子断条故障;否则,电机为健康状态。
本发明的方法采用预知指向的最佳分辨(OptimumResolutionofPrescientDirection,ORPD)方法,能够对轻/空载条件下稳定运行的鼠笼电机实现转子断条故障的实时、有效检测。
以上实施例在以本发明技术方案为前提下进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于上述的实施例。上述实施例中所用方法如无特别说明均为常规方法。
Claims (2)
1.一种基于预知指向最佳分辨方法的鼠笼电机断条故障诊断方法,其特征在于,包括如下步骤:
A)获取电机在轻/空载条件下稳定运行的单相定子电流信号的数据及与其相应的转速的数据,该步骤包括原始信号的采集、抗混叠低通滤波及A/D采样;
B)对由步骤A)获得的数据通过陷波滤波进行预处理,滤掉50Hz工频频率的谐波成分;
C)对由步骤B)得到的含有故障特征的谐波成分,进行带通滤波,保留故障特征分布的40Hz-60Hz频带范围的谐波成分;
D)用希尔伯特变换将步骤C)所得到的带通滤波后的信号构造成复信号x(n);
E)对由步骤D)所得到的复信号x(n)采用ORPD算法进行频率估计;
F)根据步骤E)频率估计所得到的结果,对电机健康状态进行诊断,如果在与电机转速相对应的故障特征频率,即(1±2s)fs处出现波峰,s为滑差,fs为电源基波频率,则电机存在转子断条故障;否则,电机为健康状态;
所述的步骤E)具体包括如下:
n(n)为白噪声,其方差为σ2,均值为0;Ai为振幅,ωi为频率;定义M维的观测矩阵(M>2q):
x(n)=[x(n)x(n+1)...x(n+M-1)]H (6)
信号空间向量:
e(ω)=[1 exp(jω) ...exp(j(M-1)ω)]T (7)
求x(n)的自相关矩阵:
对Rxx做特征值分解,得到特征值λ1...λq>=λq+1...λM=σ2及对应的特征向量V1...Vq,Vq+1...VM;前q个较大的特征值对应的特征向量构成了信号子空间Es=(V1...Vq),后面较小的特征值对应的特征向量构成了噪声子空间EN=(Vq+1...VM),由于信号子空间和噪声子空间正交且信号空间向量e(ω)与Es张成的空间相同,因此e(ω)⊥EN;
得到零谱函数:
D(ω)=eH(ω)ENWEN He(ω) (9)
其中,W为复埃尔米特型加权矩阵;
谱峰搜索函数:
算法的分辨性能由零谱函数或谱峰搜索函数决定,不同的加权矩阵W对应不同的分辨性能,且W对零谱函数和谱峰搜索函数的分辨性能的影响是一致的;考虑两个频率接近的信号:ω1和ω2,假设ωm=(ω1+ω2)/2为两个频率的中间值;以信噪比分辨门限为分辨性能的依据,则在统计意义上能够分辨出ω1和ω2的最小信噪比分辨门限需满足下式:
在预知ωm的前提下,通过加权矩阵W,使得能够分辨出难以分辨的ω1和ω2;公式(10)中,具有最佳分辨能力的加权矩阵的形式为:
W=EN He(ωm)eH(ωm)EN (12)
令ω=0并逐步增加0.001,计算PORPD(ω),则PORPD(ω)的最大峰值点对应的频率即为信号包含的频率。
2.根据权利要求1所述的一种基于预知指向最佳分辨方法的鼠笼电机断条故障诊断方法,其特征在于,所述的步骤A)具体包括如下:
采用电流互感器获取电机在轻/空载条件下稳定运行时的单相定子电流信号的数据iaf(t)及与其相应的转速的数据n,以采样频率f对原始定子电流信号进行采集;
设驱动恒定负载的鼠笼电机由理想工频电源或变频器供电,若只考虑定子电流中基波分量的作用,则a相电流ia具有如公式(1)所示的简化数学表达形式:
式中,ibrb为故障电流,故障特征角频率ωo=2πfo=4πsfs,fo=2sfs,Ik,l、Ik,r分别为左边频带电流谐波幅值和右边频带电流谐波幅值,分别为左边频带电流谐波初相角和右边频带电流谐波初相角,其中k为谐波次数,l和r分别为左边频带和右边频带;在上述特征频率中,用来诊断转子断条故障的是出现在频率fs两侧、k=1时的左右边频带谐波分量频率fb;这时,如果忽略初始相位角,公式(2)将取得如公式(3)所示的简化数学表达形式
与公式(3)相对应的fb的表达式如公式(4)所示:
fb=(1±2s)fs (4)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111223815.2A CN114035043B (zh) | 2021-10-18 | 2021-10-18 | 基于预知指向最佳分辨方法的鼠笼电机断条故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111223815.2A CN114035043B (zh) | 2021-10-18 | 2021-10-18 | 基于预知指向最佳分辨方法的鼠笼电机断条故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114035043A CN114035043A (zh) | 2022-02-11 |
CN114035043B true CN114035043B (zh) | 2023-06-09 |
Family
ID=80135308
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111223815.2A Active CN114035043B (zh) | 2021-10-18 | 2021-10-18 | 基于预知指向最佳分辨方法的鼠笼电机断条故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114035043B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111476220A (zh) * | 2020-06-03 | 2020-07-31 | 中国南方电网有限责任公司超高压输电公司大理局 | 一种换流阀空冷器故障定位方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102279342A (zh) * | 2011-07-23 | 2011-12-14 | 华北电力大学(保定) | 一种基于music与saa的笼型异步电动机转子断条故障检测方法 |
WO2019167086A1 (en) * | 2018-03-01 | 2019-09-06 | Aurobinda Routray | A system for assessment of multiple faults in induction motors |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102279364B (zh) * | 2011-07-23 | 2013-07-17 | 华北电力大学(保定) | 一种基于music与psa的笼型异步电动机转子断条故障检测方法 |
CN102495368A (zh) * | 2011-12-16 | 2012-06-13 | 西南大学 | 三相笼型异步电动机转子断条故障非侵入式在线检测方法及检测系统 |
US20140303913A1 (en) * | 2013-04-08 | 2014-10-09 | General Electric Company | Broken rotor bar detection based on current signature analysis of an electric machine |
GB201404226D0 (en) * | 2014-03-11 | 2014-04-23 | Rolls Royce Plc | Fault detection in induction machines |
GB201503930D0 (en) * | 2015-03-09 | 2015-04-22 | Rolls Royce Plc | Fault detection and diagnosis in an induction motor |
CN104697734A (zh) * | 2015-03-31 | 2015-06-10 | 哈尔滨理工大学 | 一种基于振动信号检测笼型感应电动机转子断条故障的方法及实现该方法的装置 |
CA2965340C (en) * | 2016-05-11 | 2021-05-18 | Mahmoud Ismail | An enhanced system and method for conducting pca analysis on data signals |
CN106597277B (zh) * | 2016-11-21 | 2019-03-15 | 河南理工大学 | 变频调速笼型异步电机转子断条故障动态诊断方法及装置 |
CN108089125A (zh) * | 2016-11-23 | 2018-05-29 | 中国科学院沈阳自动化研究所 | 基于在线监测的异步电机能效估计方法 |
CN109765484A (zh) * | 2018-10-25 | 2019-05-17 | 青岛鹏海软件有限公司 | 基于“正确树”模型的电机在线监测和故障诊断方法 |
CN110988471B (zh) * | 2019-12-17 | 2020-11-03 | 清华大学 | 基于电流信号的风力发电机变桨传动皮带故障诊断方法 |
CN111537881A (zh) * | 2020-05-26 | 2020-08-14 | 华润智慧能源有限公司 | 异步电机的故障诊断方法、装置、设备及可读存储介质 |
CN112526339B (zh) * | 2020-11-24 | 2023-08-22 | 辽宁科技大学 | 基于多项式-相位变换的鼠笼电机转子断条故障诊断方法 |
-
2021
- 2021-10-18 CN CN202111223815.2A patent/CN114035043B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102279342A (zh) * | 2011-07-23 | 2011-12-14 | 华北电力大学(保定) | 一种基于music与saa的笼型异步电动机转子断条故障检测方法 |
WO2019167086A1 (en) * | 2018-03-01 | 2019-09-06 | Aurobinda Routray | A system for assessment of multiple faults in induction motors |
Also Published As
Publication number | Publication date |
---|---|
CN114035043A (zh) | 2022-02-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110940917B (zh) | 一种电动机故障预警方法及系统 | |
JP2022515935A (ja) | 誘導電動機の軸受故障重大度を推定する方法 | |
Kia et al. | Efficient digital signal processing techniques for induction machines fault diagnosis | |
CN114035043B (zh) | 基于预知指向最佳分辨方法的鼠笼电机断条故障诊断方法 | |
CN108356606A (zh) | 基于小波包分析与rbf神经网络的刀具磨损在线监测方法 | |
CN113009334B (zh) | 一种基于小波包能量分析的电机故障检测方法及系统 | |
Akar et al. | Broken rotor bar fault detection in inverter-fed squirrel cage induction motors using stator current analysis and fuzzy logic | |
CN108761117B (zh) | 便携式电流检测转速测试仪 | |
Gong et al. | Incipient bearing fault detection via wind generator stator current and wavelet filter | |
Choqueuse et al. | Stator current demodulation for induction machine rotor faults diagnosis | |
JP7198089B2 (ja) | 電力変換装置、回転機システム、及び診断方法 | |
CN108278184B (zh) | 基于经验模态分解的风电机组叶轮不平衡监测方法 | |
Park et al. | Fault detection of PMSM under non-stationary conditions based on wavelet transformation combined with distance approach | |
CN104777396A (zh) | 一种综合考虑电机电流和电压的转子故障诊断方法 | |
CN103033749A (zh) | 数字式异步电机转子断条故障检测系统及其检测方法 | |
CN114112396B (zh) | 一种采用电流信号分析的转速波动准平稳工况下轴承故障诊断方法 | |
CN114487911A (zh) | 匝间短路故障在线检测方法、装置、电机及作业机械 | |
CN112720065B (zh) | 基于电流信号双边谱分析的机械加工状态监测方法 | |
CN112526339B (zh) | 基于多项式-相位变换的鼠笼电机转子断条故障诊断方法 | |
Zhang et al. | Fault diagnosis method of wind turbine bearing based on improved intrinsic time-scale decomposition and spectral kurtosis | |
Abser et al. | CleanEMG: Comparing interpolation strategies for power line interference quantification in surface EMG signals | |
Kia et al. | Gear tooth surface damage fault profile identification using stator current space vector instantaneous frequency | |
CN117031107B (zh) | 一种采用主成分分析的交流电机无速度传感器状态监测方法 | |
CN112784702A (zh) | 基于自适应旋转同步提取调频变换的信号处理方法 | |
CN104601074B (zh) | 一种基于均方根解调的电机转速测算方法 |
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 |