CN114151289A - 用于检测机器缺陷的方法和系统 - Google Patents

用于检测机器缺陷的方法和系统 Download PDF

Info

Publication number
CN114151289A
CN114151289A CN202111036999.1A CN202111036999A CN114151289A CN 114151289 A CN114151289 A CN 114151289A CN 202111036999 A CN202111036999 A CN 202111036999A CN 114151289 A CN114151289 A CN 114151289A
Authority
CN
China
Prior art keywords
machine
state
state index
current
index 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.)
Pending
Application number
CN202111036999.1A
Other languages
English (en)
Inventor
斯蒂格·埃里克·丹尼尔·斯特罗姆伯格松
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
SKF AB
Original Assignee
SKF AB
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by SKF AB filed Critical SKF AB
Publication of CN114151289A publication Critical patent/CN114151289A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
    • F03D—WIND MOTORS
    • F03D17/00—Monitoring or testing of wind motors, e.g. diagnostics
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
    • F03D—WIND MOTORS
    • F03D80/00—Details, components or accessories not provided for in groups F03D1/00 - F03D17/00
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
    • F03D—WIND MOTORS
    • F03D80/00—Details, components or accessories not provided for in groups F03D1/00 - F03D17/00
    • F03D80/50—Maintenance or repair
    • 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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M99/00—Subject matter not provided for in other groups of this subclass
    • G01M99/005—Testing of complete machines, e.g. washing-machines or mobile phones
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
    • F05B2260/00—Function
    • F05B2260/80—Diagnostics
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
    • F05B2260/00—Function
    • F05B2260/84—Modelling or simulation
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
    • F05B2270/00—Control
    • F05B2270/70—Type of control algorithm
    • F05B2270/709—Type of control algorithm with neural networks
    • 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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/70—Wind energy
    • Y02E10/72—Wind turbines with rotation axis in wind direction

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Mechanical Engineering (AREA)
  • Combustion & Propulsion (AREA)
  • Chemical & Material Sciences (AREA)
  • Sustainable Energy (AREA)
  • Sustainable Development (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Automation & Control Theory (AREA)
  • Acoustics & Sound (AREA)
  • Medical Informatics (AREA)
  • Wind Motors (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

一种用于检测至少一种机器缺陷的系统，所述系统包括：定义装置，用于针对要监测的缺陷，从机器运动学数据定义反映机器状态的至少一个状态指标；记录装置，用于在机器正常运行的预定时段期间记录机器的运行状态数据和机器的状态监测数据并用于记录当前状态监测数据；确定装置，用于使用状态监测数据确定状态指标值并从至少一个状态指标和当前状态监测数据确定当前状态指标值；机器学习算法；预测装置，用于通过机器学习算法预测针对当前运行状态数据的状态指标值；训练装置，用于训练机器学习算法以建立运行状态数据与状态指标值之间的关系；及比较装置，用于将当前状态指标值和预测的状态指标值比较并用于根据比较结果确定机器是否正常运行。

Description

用于检测机器缺陷的方法和系统
技术领域
本发明涉及机器诊断，更具体的是，涉及机器缺陷的检测。
背景技术
机器诊断用于实现机器健康监测。机器诊断的主要目标是尽可能早地检测机器中的缺陷。
通常，监测状态指标(condition indicators)来检测机器缺陷，状态指标由机器运动参数定义。
在许多操作参数对机器行为具有很大影响的应用中，很难确定状态指标的变化是由于机器缺陷还是运行状态(operating conditions)的变化而导致的。
例如，使用在定义的状态指标值上设定的警报级别来监测旋转机器组件(诸如，风力涡轮机的主轴承)以检测缺陷。
如果状态指标值满足警报状态集，则警报被触发，指示哪个组件显示缺陷。
理想地，状态指标仅对状态指标所针对的机器组件的缺陷的存在敏感。
然而，当风力涡轮机运行时，状态指标值可以根据风力涡轮机的运行状态(例如，轴承的转速的绝对值和方差、风力涡轮机的功率输出、驱动叶片的风的风速和方向)而波动。
为避免误报(false alarm)触发，警报级别被设定得足够高，以避免由运行状态行为引起的差异。风险在于可能无法检测到导致风力涡轮机损坏的缺陷。
为了机器缺陷的检测，需要考虑由运行状态行为引起的状态指标值的波动，并避免触发误报。
发明内容
根据一方面，提出了一种用于至少一种机器缺陷的方法。
所述方法包括：
a)用于针对要监测的缺陷，从机器运动学数据定义反映机器的状态的至少一个状态指标，
b)在机器正常运行的预定时段期间记录机器的运行状态数据和机器的状态监测数据，并且使用状态监测数据确定状态指标值，
c)训练机器学习算法以建立运行状态数据与在预定时段期间记录的状态指标值之间的关系，
d)记录当前状态监测数据并从所述至少一个状态指标和当前状态监测数据确定当前状态指标值，
e)通过机器学习算法预测针对当前运行状态数据的状态指标值，
f)将当前状态指标值和预测的状态指标值进行比较，以及
g)根据比较结果确定机器是否被假定为(/推定为)(is presumed to)正常运行。
考虑到机器的当前运行状态，使缺陷检测更准确。
优选地，将当前状态指标值和预测的状态指标值进行比较的步骤包括：确定当前状态指标值与预测的状态指标值之间的差，如果所述差在设定限制内，则机器被假定为正常运行。
有利地，只要机器被假定为在预定时段之外正常运行，就重复步骤d)、e)、f)和g)。
优选地，将当前状态指标值和预测的状态指标值进行比较的步骤包括：确定当前状态指标值与预测的状态指标值之间的差，如果所述差在设定限制之外，则机器被假定为具有要监测的缺陷。
有利地，机器学习算法包括神经网络(neural network)。
优选地，所述机器包括风力涡轮机、运行状态数据和当前运行状态数据，所述风力涡轮机包括支撑风力涡轮机的叶片的轴承，运行状态数据和当前运行状态数据包括轴承的旋转速度、风力涡轮机的功率输出和/或风速和风向。
在另一方面，提出了一种用于检测至少一种机器缺陷的系统。
所述系统包括：
-定义装置，用于针对要监测的缺陷，从机器运动学数据定义反映机器的状态的至少一个状态指标，
-记录装置，用于在机器正常运行的预定时段期间记录机器的运行状态数据和机器的状态监测数据，并且用于记录当前状态监测数据，
-确定装置，用于使用状态监测数据确定状态指标值，并且用于从所述至少一个状态指标和当前状态监测数据确定当前状态指标值，
-机器学习算法，
-预测装置，用于通过机器学习算法预测针对当前运行状态数据的状态指标值，
-训练装置，用于训练机器学习算法以建立运行状态数据与状态指标值之间的关系，以及
-比较装置，用于将当前状态指标值和预测的状态指标值进行比较，并且用于根据比较结果确定机器是否正常运行。
优选地，如果当前状态指标值与预测的状态指标值之间的差在设定限制内，则比较装置被配置为生成指示机器被假定为正常运行的第一信号。
有利地，如果当前状态指标值与预测的状态指标值之间的差在设定限制之外，则比较装置被配置为生成指示机器被假定为具有要监测的缺陷的第二信号。
在另一方面，提出了一种连接到如上限定的系统的风力涡轮机。
附图说明
本发明的其他优点和特征将通过对实施方式的详细描述(绝非限制性的)和附图的审查而表现，其中：
[图1]示意性地示出根据本发明的用于检测风力涡轮机缺陷的系统的实施方式；以及
[图2]示出根据本发明的用于检测风力涡轮机缺陷的方法的实施方式。
具体实施方式
参照图1，图1表示连接到用于检测至少一种风力涡轮机缺陷(wind turbinedefect)的系统2的实施方式的示例的风力涡轮机1的示例。
作为另一种选择，系统2可以结合到(/并入到)风力涡轮机1中。
风力涡轮机1包括支撑风力涡轮机1的主轴4的轴承3、运行状态传感器5和状态监测传感器6。
主轴4支撑叶片(blades)7。
传感器5生成风力涡轮机1的运行状态数据OCD，例如，轴承3的转速的绝对值和方差、风力涡轮机1的功率输出、驱动叶片7的风的风速和方向。
传感器5包括例如速度传感器、功率传感器和/或风传感器(wind sensor)。
传感器6生成风力涡轮机1的状态监测数据CMD。
传感器6包括例如从轴承3生成振动数据的加速度计。
系统2包括：
-定义装置(defining means)DM，用于针对要监测(/监控)的缺陷，从风力涡轮机1的运动学数据定义反映风力涡轮机1的状态的状态指标CI，
-记录装置RM，用于在风力涡轮机1正常运行的预定时段期间记录风力涡轮机1的运行状态数据OCD和风力涡轮机1的状态监测数据CMD，并且用于记录当前状态监测数据CMD，
-确定装置DETM，用于使用状态监测数据CMD确定状态指标值CIV，并且用于从状态指标CI和当前状态监测数据CCMD确定当前状态指标值CCIV，
-机器学习算法ALGO，
-预测装置PM，用于通过机器学习算法ALGO预测针对当前运行状态数据COCD的状态指标值pCIV，
-训练装置TM，用于训练机器学习算法ALGO以建立运行状态数据OCD与状态指标值CIV之间的关系REL，以及
-比较装置CM，用于将当前状态指标值CCIV和预测的状态指标值pCIV进行比较，并且用于根据比较结果确定风力涡轮机1是否正常运行。
接下来，监测轴承3来检测轴承的缺陷。
状态指标CI包括例如等于主轴速度乘以轴承3的齿数的齿轮3的齿轮啮合频率，轴承3的齿数是风力涡轮机运动学数据。
机器学习算法ALGO可以包括例如神经网络。
当风力涡轮机1在预定时段之外运行时，由传感器5生成风力涡轮机1的当前运行状态数据COCD，当风力涡轮机1在预定时段之外运行时，由传感器5生成当前状态监测数据CCMD。
如果当前状态指标值CCI和预测的状态指标值pCI在设定限制内，则比较装置CM生成指示轴承3被假定正常操作的第一信号S1。
在当前状态指标值CCI和预测的状态指标值pCI在设定限制之外时，比较装置CM生成第二信号S2，第二信号S2指示轴承3被假定为具有被监测的缺陷。
由比较装置CM生成的信号S1、S2可以由处理单元(未示出)处理，该处理单元例如可以在轴承3有缺陷或触发警报时停止风力涡轮机1。
比较装置CM确定偏差值DEV。
对于每个当前状态指标值CCIV和关联的预测的状态指标值pCIV，对应的偏差值DEV等于：
DEV＝CCIV-pCIV (1)
如果要监测的缺陷发生，则状态指标值CCIV的趋势是增加的，预测的状态指标值pCIV的趋势保持稳定。偏差值DEV的趋势增加。
实施偏差值DEV的趋势方法分析，以确定要监测的缺陷是否发生。
公开了确定要监测的缺陷是否发生的示例。
当风力涡轮机1在预定时段之外运行时，在学习时段期间，记录一组偏差值DEV。
确定了包括下限LL和上限UL的设定限制。
确定了该组偏差值DEV的平均值μ和标准偏差σ。
上限UL等于：
UL＝μ+X.σ (2)
下限LL等于：
LL＝μ-X.σ (3)
其中，X是检测因子。
X例如包括在1与4之间，并且根据要监测的缺陷的检测灵敏度来确定。
例如，当风力涡轮机1运行时，预定时段和学习时段结束时，如果偏差值DEV的N个值中的M个值在设定限制之外，则比较装置CM生成第二信号S2。
否则比较装置CM生成第一信号S1。
M和N例如分别等于4和3。
图2表示用于检测轴承3的缺陷的方法的实施方式。
假设确定了下限LL值和上限UL值。
在步骤10中，定义装置DM定义状态指标CI。
在步骤11中，记录装置RM在风力涡轮机1正常运行的预定时段期间记录风力涡轮机1的运行状态数据OCD和风力涡轮机1的状态监测数据CMD，确定装置DETM使用状态监测数据CMD确定状态指标值CVI。
在步骤12中，训练装置TM训练机器学习算法ALGO以建立运行状态数据OCD与在预定时段期间记录的状态指标值CIV之间的关系REL。
在步骤13中，记录装置RM记录当前状态监测数据CCMD，确定装置DETM从状态指标CI和当前状态监测数据CCMD确定当前状态指标值CCI。
在步骤14中，预测装置PM通过机器学习算法ALGO预测针对当前运行状态数据COCD的状态指标值pCI。
在步骤15中，比较装置确定偏差值DEV。
如果偏差值在设定限制LL、UL内(步骤16)，则在步骤17中，比较装置CM生成第一信号S1。
在另一实施方式中，如果偏差值DEV的N个值中的M个值在设定限制内(步骤16)，则在步骤17中，比较装置CM生成第一信号S1。
然后，如果风力涡轮机1仍在预定时段之外运行(步骤18)，则只要假定机器在预定时段之外正常运行，就重复步骤13、14、15和16。
例如，步骤13、14、15和16每天、每10分钟重复。
根据缺陷检测的灵敏度来确定步骤重复的持续时间。
如果偏差值在设定限制LL、UL之外(步骤16)，则在步骤19中，比较装置CM生成第二信号S2。
在另一实施方式中，如果偏差值DEV的N个值中的M个在设定限制之外(步骤16)，则在步骤19中，比较装置CM生成第二信号S2。
当风力涡轮机1正常运行时，通过在学习期间训练的机器学习算法ALGO(预测的状态指标值pCI)预测当前状态指标值，并且该当前状态指标值与基于当前运行状态数据COCD的当前状态指标值进行比较。
将预测的状态指标值与当前状态指标值之间的偏差与设定限制进行比较，以确定该偏差是否代表要监测的缺陷。
考虑到当前运行状态数据，使缺陷检测更准确。
在示出的示例中，分析了针对风力涡轮机1的要监测的缺陷的反映轴承3的状态的一个状态指标CI。
为了检测更多的缺陷，可以定义更多的状态指标。
在另一个实施方式中，系统2可以检测风力涡轮机1的另一部分的缺陷，例如，轴承3的转速的绝对值和方差、风力涡轮机1的功率输出、驱动叶片4的风的风速和方向。
在另一实施方式中，系统2可以检测除风力涡轮机之外的另一机器的至少一个缺陷，例如，旋转机器或往复式机器(诸如，活塞发动机)。

Claims (10)

1.一种用于检测至少一种机器缺陷的方法，所述方法包括：
a)针对要监测的缺陷，从机器运动学数据定义反映所述机器(1)的状态的至少一个状态指标(CI)，
b)在所述机器(1)正常运行的预定时段(1)期间记录所述机器(1)的运行状态数据(OCD)和所述机器的状态监测数据(CMD)，并且使用所述状态监测数据(CMD)确定状态指标值(CIV)，
c)训练机器学习算法(ALGO)以建立所述运行状态数据(OCD)与在预定时段(t1)期间记录的所述状态指标值(CIV)之间的关系(REL)，
d)记录当前状态监测数据(CCMD)，并从所述至少一个状态指标(CI)和所述当前状态监测数据(CCMD)确定当前状态指标值(CCIV)，
e)通过机器学习算法(ALGO)预测针对所述当前运行状态数据(COCD)的状态指标值(pCIV)，
f)将所述当前状态指标值(CCIV)和预测的状态指标值(pCIV)进行比较，以及
g)根据比较结果确定所述机器(1)是否被假定为正常运行。
2.根据权利要求1的方法，其特征在于，将所述当前状态指标值(CCIV)和所述预测的状态指标值(pCIV)进行比较的步骤包括：确定所述当前状态指标值(CCIV)与所述预测的状态指标值(pCIV)之间的差，如果所述差在设定限制内，则所述机器(1)被假定为正常运行。
3.根据权利要求1或2所述的方法，其特征在于，只要所述机器(1)被假定为在所述预定时段之外正常运行，就重复步骤d)、e)、f)和g)。
4.根据权利要求1至3中任一项所述的方法，其特征在于，将所述当前状态指标值(CCIV)和所述预测的状态指标值(pCIV)进行比较的步骤包括：确定所述当前状态指标值(CCIV)与所述预测的状态指标值(pCIV)之间的差，如果所述差在设定限制之外，则所述机器(1)被假定为具有所述要监测的缺陷。
5.根据权利要求1至4中任一项所述的方法，其特征在于，所述机器学习算法(ALGO)包括神经网络。
6.根据权利要求1至5中任一项所述的方法，其特征在于，所述机器包括风力涡轮机(1)、运行状态数据和当前运行状态数据，所述风力涡轮机(1)包括支撑所述风力涡轮机的叶片(4)的轴承(3)，所述运行状态数据和所述当前运行状态数据包括所述轴承的旋转速度、所述风力涡轮机的功率输出和/或风速和风向。
7.一种用于检测至少一种机器缺陷的系统(2)，所述系统包括：
-定义装置(DM)，用于针对要监测的缺陷，从机器运动学数据定义反映所述机器(1)的状态的至少一个状态指标(CI)，
-记录装置(RM)，用于在所述机器正常运行的预定时段期间记录所述机器(1)的运行状态数据(OCD)和所述机器的状态监测数据(CMD)，并且用于记录当前状态监测数据(CCMD)，
-确定装置(DETM)，用于使用状态监测数据(CMD)确定状态指标值(CIV)，并且用于从所述至少一个状态指标和所述当前状态监测数据(CCMD)确定当前状态指标值(CCIV)，
-机器学习算法(ALGO)，
-预测装置(PM)，用于通过所述机器学习算法(ALGO)预测针对所述当前运行状态数据(COCD)的状态指标值(pCIV)，
-训练装置(TM)，用于训练所述机器学习算法(ALGO)以建立所述运行状态数据(OCD)与所述状态指标值(CIV)之间的关系(REL)，以及
-比较装置(CM)，用于将所述当前状态指标值(CCIV)和预测的状态指标值(pCIV)进行比较，并且用于根据所述比较的结果确定所述机器(1)是否被假定为正常运行。
8.根据权利要求7所述的系统，其特征在于，如果所述当前状态指标值(CCIV)与所述预测的状态指标值(pCIV)之间的差在设定限制内，则所述比较装置(CM)被配置为生成指示所述机器被假定为正常运行的第一信号(S1)。
9.根据权利要求7或8所述的系统，其特征在于，如果所述当前状态指标值(CCIV)与所述预测的状态指标值(pCIV)之间的差在设定限制之外，则所述比较装置(CM)被配置为生成指示所述机器被假定为具有所述要监测的缺陷的第二信号(S2)。
10.一种风力涡轮机(1)，连接到根据权利要求7至9中任一项所述的系统(2)。
CN202111036999.1A 2020-09-07 2021-09-06 用于检测机器缺陷的方法和系统 Pending CN114151289A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102020211196.0 2020-09-07
DE102020211196.0A DE102020211196A1 (de) 2020-09-07 2020-09-07 Verfahren und System zum Detektieren von Maschinendefekten

Publications (1)

Publication Number Publication Date
CN114151289A true CN114151289A (zh) 2022-03-08

Family

ID=80266872

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111036999.1A Pending CN114151289A (zh) 2020-09-07 2021-09-06 用于检测机器缺陷的方法和系统

Country Status (3)

Country Link
US (1) US11746752B2 (zh)
CN (1) CN114151289A (zh)
DE (1) DE102020211196A1 (zh)

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110313726A1 (en) * 2009-03-05 2011-12-22 Honeywell International Inc. Condition-based maintenance system for wind turbines
US10495693B2 (en) * 2017-06-01 2019-12-03 General Electric Company Wind turbine fault detection using acoustic, vibration, and electrical signals
US11604447B2 (en) * 2018-02-23 2023-03-14 Hitachi, Ltd. Condition monitoring system
US20200263669A1 (en) * 2019-02-14 2020-08-20 Mitsubishi Heavy Industries, Ltd. Operating state evaluation method and operating state evaluation device
CN110991666B (zh) * 2019-11-25 2023-09-15 远景智能国际私人投资有限公司 故障检测方法、模型的训练方法、装置、设备及存储介质

Also Published As

Publication number Publication date
US11746752B2 (en) 2023-09-05
DE102020211196A1 (de) 2022-03-10
US20220074391A1 (en) 2022-03-10

Similar Documents

Publication Publication Date Title
CN107272586B (zh) 机械学习装置、机械学习方法、故障预知装置及系统
US7030746B2 (en) Method and system for generating automatic alarms based on trends detected in machine operation
FI112972B (fi) Laakerin kunnon arviointi
US8988238B2 (en) Change detection system using frequency analysis and method
US9400229B2 (en) Apparatus and method for monitoring the state of a roller bearing
EP1452936B1 (en) Method for detecting an impending sensor failure
CN111819042B (zh) 异常检测装置及异常检测方法
BR112021013786A2 (pt) Método e sistema para detectar anomalias ou indicações prematuras de falha de equipamento
JP2018124117A (ja) 状態監視システムおよび風力発電装置
US7249287B2 (en) Methods and apparatus for providing alarm notification
JP2010175446A (ja) 状態診断装置
JP2009115481A (ja) 回転機械設備の診断システム
CN111075703B (zh) 一种空气压缩机的故障预测方法及系统
CN113101734B (zh) 一种滤芯的健康评估方法、装置、系统及机械设备
JP4031745B2 (ja) 歯車診断方法及び歯車診断装置
Olalere et al. Remote Condition Monitoring of Elevator's Vibration and Acoustics Parameters for Optimised Maintenance Using IoT Technology
KR20140033743A (ko) 해양구조물의 회전체 상태진단 모니터링 시스템
CN110582626B (zh) 用由磨损因子校正的异常检测来监视涡轮机的系统和方法
KR102433483B1 (ko) 진동 센서를 통한 설비 예지 보전 시스템
CN114151289A (zh) 用于检测机器缺陷的方法和系统
WO2020162425A1 (ja) 解析装置、解析方法、およびプログラム
JPH10273920A (ja) 機械の異常監視方法
CN111606169B (zh) 电梯轿厢牵引绳故障检测方法、装置和系统
CN113934601A (zh) 一种开关柜验收机器人状态评估方法和系统
CN110165969B (zh) 机床的控制装置

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