CN114580666A - 一种多模式融合电动机智能维护系统 - Google Patents
一种多模式融合电动机智能维护系统 Download PDFInfo
- Publication number
- CN114580666A CN114580666A CN202011374534.2A CN202011374534A CN114580666A CN 114580666 A CN114580666 A CN 114580666A CN 202011374534 A CN202011374534 A CN 202011374534A CN 114580666 A CN114580666 A CN 114580666A
- Authority
- CN
- China
- Prior art keywords
- fault
- motor
- data
- diagnosis
- current
- 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
Links
- 238000012423 maintenance Methods 0.000 title claims abstract description 73
- 230000004927 fusion Effects 0.000 title claims abstract description 40
- 238000003745 diagnosis Methods 0.000 claims abstract description 141
- 238000005516 engineering process Methods 0.000 claims abstract description 54
- 238000000034 method Methods 0.000 claims abstract description 47
- 238000007405 data analysis Methods 0.000 claims abstract description 42
- 230000036541 health Effects 0.000 claims abstract description 18
- 230000008569 process Effects 0.000 claims abstract description 11
- 239000011159 matrix material Substances 0.000 claims description 57
- 238000012544 monitoring process Methods 0.000 claims description 52
- 238000010183 spectrum analysis Methods 0.000 claims description 36
- 230000006870 function Effects 0.000 claims description 35
- 238000000354 decomposition reaction Methods 0.000 claims description 34
- 238000012706 support-vector machine Methods 0.000 claims description 33
- 238000001514 detection method Methods 0.000 claims description 27
- 238000000605 extraction Methods 0.000 claims description 25
- 238000012545 processing Methods 0.000 claims description 24
- 238000001228 spectrum Methods 0.000 claims description 23
- 238000012549 training Methods 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 17
- 230000008859 change Effects 0.000 claims description 15
- 238000001914 filtration Methods 0.000 claims description 13
- 230000035772 mutation Effects 0.000 claims description 13
- 238000010276 construction Methods 0.000 claims description 12
- 238000002372 labelling Methods 0.000 claims description 12
- 238000002156 mixing Methods 0.000 claims description 12
- 238000005070 sampling Methods 0.000 claims description 12
- 238000005259 measurement Methods 0.000 claims description 10
- 230000002159 abnormal effect Effects 0.000 claims description 9
- 230000007613 environmental effect Effects 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 7
- 238000003672 processing method Methods 0.000 claims description 6
- 238000013473 artificial intelligence Methods 0.000 claims description 5
- 230000001580 bacterial effect Effects 0.000 claims description 5
- 239000000284 extract Substances 0.000 claims description 5
- 238000009413 insulation Methods 0.000 claims description 5
- 238000005096 rolling process Methods 0.000 claims description 5
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 4
- 230000002431 foraging effect Effects 0.000 claims description 4
- 238000009825 accumulation Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000035945 sensitivity Effects 0.000 claims description 3
- 230000003595 spectral effect Effects 0.000 claims description 3
- 230000001502 supplementing effect Effects 0.000 claims description 3
- 238000005299 abrasion Methods 0.000 claims description 2
- 238000012937 correction Methods 0.000 claims description 2
- 238000011156 evaluation Methods 0.000 claims description 2
- 238000011049 filling Methods 0.000 claims description 2
- 238000005065 mining Methods 0.000 claims description 2
- 230000000750 progressive effect Effects 0.000 claims description 2
- 230000003252 repetitive effect Effects 0.000 claims description 2
- 238000007726 management method Methods 0.000 abstract description 4
- 230000007812 deficiency Effects 0.000 abstract 1
- 238000004519 manufacturing process Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 5
- 230000007246 mechanism Effects 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 239000002585 base Substances 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000013468 resource allocation Methods 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 241000073677 Changea Species 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 239000003637 basic solution Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000192 social effect Effects 0.000 description 1
- 210000003781 tooth socket Anatomy 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K13/00—Thermometers specially adapted for specific purposes
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R29/00—Arrangements for measuring or indicating electric quantities not covered by groups G01R19/00 - G01R27/00
- G01R29/16—Measuring asymmetry of polyphase networks
-
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
- G06F18/256—Fusion techniques of classification results, e.g. of results related to same input data of results relating to different input data, e.g. multimodal recognition
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
- H02P29/00—Arrangements for regulating or controlling electric motors, appropriate for both AC and DC motors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
- G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/80—Management or planning
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Power Engineering (AREA)
- Control Of Electric Motors In General (AREA)
Abstract
本发明涉及电机管理领域,尤其涉及一种多模式融合电动机智能维护系统。该系统通过信号采集模块采集电动机三相电压、电流信号和振动信号、温度信号,通过电动机转速估计模块估算电动机实际转速,无需另外安装转速传感器。本专利所述系统中的电动机自学习多源诊断模块创造性的将三种技术相结合,相互取长补短,协调配合,当大数据分析模式达到系统设置的可靠性水平时,三种模式相互配合,创造性的运用以D‑S证据理论为核心的多传感器多元融合诊断策略综合诊断,持续追踪设备零部件故障演化进程,及时提醒运维人员设备当前健康状态,全面、客观地反应电动机当前工作状态。
Description
技术领域
本发明涉及电机管理领域,尤其涉及一种多模式融合电动机智能维护系统。
背景技术
随着工业自动化水平的提高,各种各样的电动机在各类工程中得到了广泛应用,其安全性、高效性以及高可靠性,成为人们关注的重点内容。一旦发生故障轻则停工停产,重则造成大量财力损失及人员伤亡。因此,对电动机的实时监测就显得尤为重要。对电动机的故障监测国内技术起步较晚,长久以来,依赖DCS等生产控制系统保证厂用设备安全,这种事后维修的维护策略在很长一段时间内造成了可观的经济及社会效应,随着预知维修策略的不断推进及进步,这类生产控制系统已无法满足智能制造2025及国家中长期发展战略规划的需求。近年来,机械故障诊断技术的不断进步及应用落地,对设备的全方位诊断已逐步处于主导地位,这种利用可靠的故障机理加之频谱分析技术的故障处理方法,能够发现设备微弱故障,在设备故障的早中期阶段即可对监测设备提供有效的维护建议及策略,使预知维修策略的实现成为可能,但是这种技术需要现场运维人员具备一定的信号处理技术及故障诊断技能,增加企业用人成本,增加现场应用难度。最近,随着计算机算力的不断提高和人工智能技术的不断推动,各种智能化处理手段层出不穷,电动机故障诊断技术也随之发生翻天覆地的变化,基于大数据应用及机器学习的电动机故障诊断技术应运而生。以这种技术为依托的设备在线监测系统,仅需积累足够的历史数据,故障诊断性能会不断提升,并且监测故障类型的多样性,为智能化设备维护策略提供了可靠的数据来源,极大提升企业生产效率及经济效率。但是,此类技术若没有高质量及足够的样本数据,其故障误诊率会一直居高不下。随着,多传感器多元融合技术的出现,使各种监测技术或者手段诊断结果的融合成为可能。本发明依托这种技术将多种不同的诊断模式的故障判定结果柔性结合,为电动机提高全面、可靠的维护策略及诊断结果。
背景技术的缺点:
目前,DCS等生产控制系统仍然是市场上的主流技术,但是仅可发现设备或者线路的突发性故障,容易忽略影响设备寿命的关键零部件渐进性早中期故障,并且这种事后处理手段目前已无法满足企业设备管理的需要。对于零部件早中期故障诊断现在主要依赖于基于故障频谱分析的设备故障诊断技术,但是频谱分析技术需要有足够的频率分辨力以及高质量的原始数据,并且信号由经傅里叶变换后会产生频谱泄露和旁瓣效应,降低故障诊断精度。频谱分析技术需要对设备零部件故障具有强机理性,即故障频率发生点特征,但是对于突发性故障并没有这种强机理性,因此这种基于频谱分析的故障诊断技术并无法有效捕捉设备突发性故障,单使用这种技术的在线监测系统很容易造成故障漏判及误诊。近些年,许多工程人员及科研工作者致力于将上述两种技术结合使用,不过由于故障诊断结果的独立性,并没有取得好的进展,仅是分别应用了两种不同的监测系统。为解决传统故障诊断技术的不足,研究人员对频谱分析技术进行了大量研究,发展出许多具有现实意义的诊断技术,其中基于人工智能的故障诊断技术被认为是最具有潜力和工程意义的诊断技术。这种通过大量历史样本数据,训练机器学习模型的故障诊断模型,只要具有足够的故障样本库,无需明确的机理,即可实现设备的故障诊断及故障预测,这种技术也被认为是未来工业智能化的核心技术。但是这种技术在设备监测初期并没有足够的样本库供其学习,且大量的参数选择,极大地影响模型分析性能,其实用性也大打折扣。同时,对于电动机而言,其复杂的结构,使其部分故障在电流信号中表现明显,部分故障特性在振动信号中表现明显,若单独使用两种信号在线监测技术同时对电动机监测,会造成企业维护成本的大量提升以及一线运维人员的过多投入。但是,仅从振动信号或者电流信号判断故障具有一定的偶然性及随机性,同时样本不足及数据质量不高造成模型诊断效果不佳,突发性故障不可预知性同样会造成模型学习能力衰减,上述这几类问题也是故障诊断技术陷入瓶颈的几大主要因素。随着信息融合技术的不断发展,使多传感器多元信号融合诊断设备成为可能,相对于单一信号来源,这种融合诊断方式利用不同信号及不同诊断来源的优势,进一步提高故障诊断技术的准确度,规避因利用单一诊断系统或者技术故障虚警率居高不下的问题,不同来源信号及诊断结果相互印证、相辅相成,使故障诊断系统在工程上应用成为可能。本专利应用以D-S证据理论为核心的多传感器多元诊断融合技术,实时监测电动机运行状态,将目前主流的突发性故障判据、频谱分析判据及大数据分析判据利用自建的多元诊断模型相融合,突破单一技术监测不全面、诊断不准确、故障机理不明、标签数据难以获取等一系列难题,以多维度、自主性、高可靠性为出发点,提供全面、深入的电动机维护策略,在极大缩减企业运维成本投入的同时,减少企业人力成本,提高企业资产管理水平,优化企业资源配置能力。
缩略语和关键术语定义:
SVM,Support Vector Machine,支持向量机
VMD,Vatiational Mode Decomposition,变分模态分解
BLIMFs,Band-Limitid Intrinsic Mode Functions,有限带宽本征模态函数
BFOA,Bacterial Foraging Optimization Algorithm,细菌觅食优化算法
D-S证据理论,Dempster/Shafer证据理论
DCS,Distributed Control System,集散控制系统。
发明内容
发明的目的:为了提供效果更好的一种多模式融合电动机智能维护系统,具体目的见具体实施部分的多个实质技术效果。
为了达到如上目的,本发明采取如下技术方案:
本发明所述一种多模式融合电动机智能维护系统主要包括如下模块:
(1)信号采集模块
(2)电动机转速估计模块
(3)电动机多传感器特征提取模块
(4)电动机自学习多元诊断模块
(5)电动机智能维护模块
所述模块(1)中,信号采集模块,可通过传感器采集所监测电动机轴承端盖振动信号、电压信号、定子电流信号,电动机机壳温度信号,其中电压信号与定子电流信号必须同步采集;亦可直接获取厂区已有监控系统(如DCS、振动在线监测系统等)的符合精度要求的振动信号、温度信号等信号,减少现场重复施工。
所述模块(2)中,电动机转速估计模块包括如下流程:
(2.1)接收(1)中所采集定子电流信号,并提取其中较稳定的一段时间采样数据,记作D1;
(2.2)对D1数据进行低通滤波,滤除信号中存在的随机噪声与环境噪声,滤波后信号记作D2;
(2.3)去除D2影响定子齿槽谐波分量的工频的三次谐波后的各奇次谐波分量,并对其进行频谱分析,提取定子齿槽谐波分量,记作fsh,该分量与转速n及转子齿数Z有如下关系:
其中,f0为供电电源频率。
(2.4)将计算结果传入后续处理模块,转速追踪模块处理结束。
所述模块(3)中,电动机多传感器特征提取模块包括如下步骤:
(3.1)接收采集所得电动机三相电压、定子电流、振动、温度及计算所得转速信息;
(3.2)计算振动、电压、电流信号不低于秒级的有效值,分别得出计算结果σ1,σ2,σ3,存放于系统内存,其振动有效值即为本发明所述振动烈度;
(3.3)计算转速、温度信息不低于秒级的有效值,分别得出计算结果σ4,σ5,存放于系统内存;
(3.4)对三相电压、电流数据、振动数据进行奇异值分解,得到其数据奇异分解特征矩阵,将所有矩阵的奇异值从数值几乎不变时为起始值,后续奇异值全部置零,标记奇异特征矩阵以备后用;
(3.5)将三相电流奇异特征矩阵最大的奇异值替换置零,将三相电流、振动数据奇异分解特征矩阵重构,组成新的电流、振动信号数据,该信号即为数据奇异滤波信号,其中电流信号中不包含工频以及随机噪声等干扰故障诊断的信号,振动信号中不包含随机噪声、环境噪声等能够干扰冲击特性的信号;
(3.6)将三相电流、振动信号进行自适应VMD分解,得到一系列BLIMFs,保存至系统内存以备后用,这一系列BLIMFs包含了电动机绝大部分故障特性,记作故障特征函数。其自适应VMD模型具有如下步骤:
(3.6.1)设置VMD模态分解个数K,二次惩罚因子初始值;
(3.6.2)利用BFOA算法优化VMD初始参数;
(3.6.3)最佳模态分解个数K,二次惩罚因子;
(3.7)提取(3.4)标记的三相电压、电流特征矩阵,将除前两个最大奇异值以外的其他奇异值全部置零,重构电压、电流信号;
(3.8)利用对称分量法计算三相电压、电流的正序、零序、负序分量;
(3.9)计算正序、零序、负序阻抗;
(3.10)计算电动机电压、电流三相不平衡度;
(3.11)将负序阻抗、电压和电流三相不平衡度记作σ6,σ7,σ8,存放于系统内存;
(3.12)电动机多传感器特征提取模块计算结束;
所述模块(4)中,电动机电动机自学习多元诊断模块包括如下步骤:
(4.1)接收模块(3)中计算所得所有特征及故障特征函数;
(4.2)将σ1,σ2,σ3,σ4,σ5,σ6,σ7,σ8传入突发性故障诊断模式中,判定是否发生突发性故障,突发性故障诊断模式步骤如下:
(4.2.1)将σ1,σ2,σ3与系统自设的故障越线阈值进行对比,若σ1不在系统自设的故障越线区间,则突发振幅突变导致转子碰摩和转子偏心等,记作振幅突变故障;若σ2不在系统自设的故障越线区间,则突发电压突变导致电压闪变等,记作电压突变故障;若σ3不在系统自设的故障越线区间,则突发电流突变导致电流闪变、电动机堵转、负载突变等,记作电流突变故障;对上述三种故障进行标签分类,记录故障类型及故障时刻,存放于系统内存;
(4.2.2)将σ4,σ5与系统自设的故障越线阈值进行对比,若σ4不在系统自设的故障越线区间,则突发转速突变导致负载工作不正常等故障,记作转速突变故障;若σ5不在系统自设的故障越线区间,则突发温度突变导致电动机绝缘受损等故障,记作温度突变故障;对上述两种故障进行标签分类,记录故障类型及故障时刻,存放于系统内存;
(4.2.3)将σ6,σ7,σ8与系统自设的故障越线阈值进行对比,若σ6不在系统自设的故障越线区间,则突发三相电压不平衡导致供电电源失压、不稳定等,记作三相电压不平衡故障;若σ7不在系统自设的故障越线区间,则突发三相电流不平衡导致单相接地、相见短路、电动机堵转、电动机发力不足等,记作三相电流不平衡故障;若σ8不在系统自设的故障越线区间,则突发匝间短路等,记作匝间短路故障;对上述三种故障进行标签分类,记录故障类型及故障时刻,存放于系统内存;
(4.3)将故障特征函数、σ4传入电动机Hilbert谱分析模式,判断是否发生转子断条、转子偏心、轴承等故障,电动机Hilbert谱分析模式具有如下步骤:
(4.3.1)利用σ4、工频及电动机铭牌参数、轴承参数提取转子断条、转子偏心、轴承外滚道、内滚道、滚动体、保持架故障特征分量;
(4.3.2)对三相电流、振动故障特征函数进行Hilbert谱分解,这五组信号故障特征函数分别具有K(模态分解个数)个故障特征函数;
(4.3.3)对五组信号中的K个Hilbert谱寻找(4.3.1)所述频率附近的最高谱峰,并利用加权平均法进行计算,得出每组信号下每种故障类型的故障幅值;
(4.3.4)对三相电流信号Hilbert谱求得的故障幅值,利用加权平均法进行处理得到电流信号综合特征;
(4.3.5)对于垂直方向及水平方向振动Hilbert包络谱,由于故障发生点不同造成受力不均现象,同样对振动信号的故障幅值利用加权平均法进行处理得到振动信号综合特征;
(4.3.6)对于所提取电流及振动综合特征,当特征大于系统预设的故障一级阈值,则表明电动机发生相应类型故障,并认为初期故障;当特征大于系统预设的故障二级阈值,则表明电动机发生相应类型故障,并认为中期故障;当特征大于系统预设的故障三级阈值,则表明电动机发生相应类型故障,并认为晚期故障;每次检测完成后,对监测数据进行突发性故障标签化处理,标定故障类型、发生时间及故障严重程度,存放于系统内存。
(4.4)将故障特征函数传入大数据分析模式,对数据进行分类,判断电动机故障及严重程度,所述的大数据分析模式具有如下步骤:
(4.4.1)取系统内存中标记样本库中某一标记故障类型及严重程度的故障数据对应的故障特征函数;
(4.4.2)将标记数据三相电流、垂直方向振动、水平方向振动故障特征函数,进行归一化处理,形成归一化特征矩阵,该矩阵大小为其中c为采集信号通道数,Ki为每个通道的自适应VMD模态分解个数,fs为信号采样频率;
(4.4.3)将归一化特征矩阵进行以D-S证据理论为核心的多传感器多元信息融合模型中,构成一维数据融合样本,并建立分类标示;
(4.4.4)更换样本数据重复(4.4.2)-(4.4.3)直到样本库中不同标记类型样本全部处理完成,形成N维数据融合样本,N为样本库中所标记不同故障种类、不同故障程度的包括正常数据的样本类型总和;
(4.4.5)随着系统监测数据样本的不断积累,需要训练的数据总量越来越多,会造成系统戎机,并且陷入模型训练局部最优,不利于系统诊断正确率的提升预警运行速度的保持,未解决这一难题,将样本库增量更新策略引入系统,使系统保持原有的运行速度,并且高质量的训练数据,会使模型训练精度越来越高;
(4.4.6)将N维数据融合样本放入基于BFOA的自适应有向图SVM中,进行模型训练;所述基于BFOA的自适应有向图SVM具有如下步骤:
(4.4.6.1)确定有向图根节点数M,根据样本库中标签数据类型总和N,设置根节点数M:
M={N-1,N=2,3,4,5,…} (2)
其中,当N=1时,M=0,代表数据样本库中仅有正常样本,无法完成模型训练。(4.4.6.2)确定SVM初始化参数惩罚因子C,宽度因子σ,不敏感损失函数ε;
(4.4.6.3)利用BFOA算法优化SVM初始化参数;
(4.4.6.4)最优SVM分类器;
(4.4.7)设置大数据分析模式可靠性水平参数L;
(4.4.8)将样本库中未使用样本作为测试数据,重复(4.4.2)-(4.4.3),构建一维数据融合样本;
(4.4.9)放入(4.4.6)训练好的模型中进行故障分类,记录分类结果并与样本库中标记进行对比;
(4.4.10)在持续监测的过程中,坚持利用样本库数据中的50%数据作为训练数据,50%数据作为测试数据,统计故障分类结果正确率,所设置的可靠性水平参数L即为故障分类正确率;
(4.4.11)在大数据模式可靠性水平未达到系统自设的阈值之前,一直以静默学习的方式进行模型学习;当达到可靠性水平之后即可参与系统故障分类任务,并将模型分类结果传入系统内存;
所述模块(5)电动机智能运维模块,具有如下步骤:
(5.1)接收来自电动机自学习多源诊断模块三种模式的诊断结果;
(5.2)构建归一化多维矩阵,该矩阵构建规则如下:
(5.2.1)将三种模式下模型所能分辨的故障总数作为综合特征数量,对于突发性故障诊断模式及Hilbert谱分析模式未能检测的故障按0值补齐;当大数据分析模式未达到可靠性水平之前,该模式下的故障检测结果按0补齐;若达到可靠性水平未能检测的故障按0值补齐;将突发性故障模式、电流信号综合特征、振动信号综合特征、大数据分析模式当做四类传感器、构建传感器类型,将不同时间段的检测结果作为测量周期,完成归一化多维矩阵的构建,即该矩阵具有三个维度:传感器类型、综合特征数量、测量周期;
(5.3)将归一化多维矩阵放入以D-S证据理论为核心的多元诊断判据中,得到一维矩阵,该矩阵即为各故障的健康状态;
(5.4)将一维矩阵进行加权平均操作即可得到当前状态下电动机健康状态;
(5.5)对一维矩阵去归一化操作,并与模块(4)所述检测规则进行对比,得到当前电动机故障发生类型及严重程度;
(5.6)将结果汇总整理,并根据(5.4)-(5.5)的检测结果,下发电动机维护策略,为运维人员提供可靠的电动机维护建议及处理方法。
采用如上技术方案的本发明,相对于现有技术有如下有益效果:本发明有效改善了单一诊断技术所面临的技术瓶颈,巧妙结合三种故障诊断技术各自的优点,相比于单一故障诊断技术或者传统频谱分析设备,故障虚警率可下降至1%以下,故障类型及严重程度辨识准确度可达98%以上,极大提升了故障诊断结果的广度和深度,综合、全面的运维策略以及在线监测模式,可降低现场运维人员投入成本的30%以上,有利于优化企业产业结构,提高生产效率,降低设备安全风险。
附图说明
为了进一步说明本发明,下面结合附图进一步进行说明:
图1基于自学习多元诊断的电动机智能维护系统;
图2电动机转速估计模块;
图3电动机多传感器特征提取模块;
图4自学习多元诊断模块;
图5突发性故障诊断模式;
图6电动机Hilbert谱分析模式;
图7大数据分析模式;
图8电动机智能维护模块。
具体实施方式
下面结合附图和具体实施方式,进一步阐明本发明,应理解下述具体实施方式仅用于说明本发明而不用于限制本发明的范围。在本发明的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”、“顶”、“底”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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、物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、物品或者设备所固有的要素。
本专利提供多种并列方案,不同表述之处,属于基于基本方案的改进型方案或者是并列型方案。每种方案都有自己的独特特点。
本发明属于电动机智能故障诊断、分类、专家系统、在线监测领域,具体涉及一种基于自学习多源诊断的电动机智能维护系统。
本发明的目的在于提供一种应用于电动机的基于自学习多元诊断技术的智能维护系统,该系统通过信号采集模块采集电动机三相电压、电流信号和振动信号、温度信号,通过电动机转速估计模块估算电动机实际转速,无需另外安装转速传感器。构建的多传感器数据特征提取模块首先利用基于数据奇异滤波特性的自适应变分模态分解的电动机数据特征提取手段,监测电动机早中期微弱故障,其次根据国标及相应标准设立突发性故障诊断阈值,监测电动机突发性故障,最后提取电动机负序视在阻抗,达到检测电动机匝间短路故障的目的。为了克服突发性故障诊断技术、频谱分析技术或者大数据人工智能技术单一技术形成的诊断系统各自的不足,本专利所述系统中的电动机自学习多源诊断模块创造性的将三种技术相结合,相互取长补短,协调配合,在设备监测初期以突发性故障诊断模式及电动机Hilbert谱分析模式为主要设备诊断模式,大数据分析模型以前两种模式所标记样本静默学习,当大数据分析模式达到系统设置的可靠性水平时,三种模式相互配合,创造性的运用以D-S证据理论为核心的多传感器多元融合诊断策略综合诊断,持续追踪设备零部件故障演化进程,及时提醒运维人员设备当前健康状态,全面、客观地反应电动机当前工作状态。另外,本发明所述电动机智能维护模块,接收来自电动机自学习多源诊断模块三种模式的诊断结果,通过自建的多源融合诊断判据,进行综合分析,为电动机健康状态评分,给予电动机智能维护建议、故障类型、故障严重程度等全方位诊断结果。
本发明提出一种基于自学习多元诊断的电动机智能维护系统,利用定子齿槽谐波转速估计法计算电动机实时转速,克服了某些设备不便安装转速传感器的不利因素。在所提的多传感器特征提取模块,利用先进的信号处理技术对原始信号进行滤波、特征提取等操作,有效提高了信号检测性能,降低系统内存使用率;自学习多元诊断模块巧妙结合突发性故障诊断、电动机Hilbert谱分析、大数据分析各自的优势,深度挖掘工业数据的价值。此外,利用突发性故障诊断模式及电动机Hilbert谱分析模式的监测结果,在设备监测初期样本不足时,自动标注检测样本,为大数据分析模式提供可靠的学习样本;为了有效提高大数据分析模式的诊断效率及精度,利用BFOA、样本增量学习、有向图SVM等模型综合提高分类器可靠性水平及运行速度,相比于单一故障诊断技术或者传统频谱分析设备,故障虚警率可下降至1%以下,故障类型及严重程度辨识准确度可达98%以上,且诊断精度会随着监测时限的提升逐步上升,极大提升了故障诊断结果的广度和深度。其具有的电动机智能维护模块,提供的全面、可靠的智能维护策略,极大降低了一线运维人员对信号处理技术专业性的要求,仅需从维护策略即可客观的了解当前电动机的健康水平及可能的故障发生点,为企业高效、安全生产保驾护航,可降低现场运维人员投入成本的30%以上,有助于企业优化资源配置。
如图1所示,本发明所述一种多模式融合电动机智能维护系统主要包括如下模块:
(1)信号采集模块
(2)电动机转速估计模块
(3)电动机多传感器特征提取模块
(4)电动机自学习多元诊断模块
(5)电动机智能维护模块
所述模块(1)中,信号采集模块,可通过传感器采集所监测电动机轴承端盖振动信号、电压信号、定子电流信号,电动机机壳温度信号,其中电压信号与定子电流信号必须同步采集;亦可直接获取厂区已有监控系统(如DCS、振动在线监测系统等)的符合精度要求的振动信号、温度信号等信号,减少现场重复施工。
所述模块(2)中,电动机转速估计模块包括如下流程,具体流程图如图2所示:
(2.1)接收(1)中所采集定子电流信号,并提取其中较稳定的一段时间采样数据,记作D1;
(2.2)对D1数据进行低通滤波,滤除信号中存在的随机噪声与环境噪声,滤波后信号记作D2;
(2.3)去除D2影响定子齿槽谐波分量的工频的三次谐波后的各奇次谐波分量,并对其进行频谱分析,提取定子齿槽谐波分量,记作fsh,该分量与转速n及转子齿数Z有如下关系:
其中,f0为供电电源频率。
(2.4)将计算结果传入后续处理模块,转速追踪模块处理结束。
如图3所示,所述模块(3)中,电动机多传感器特征提取模块包括如下步骤:
(3.1)接收采集所得电动机三相电压、定子电流、振动、温度及计算所得转速信息;
(3.2)计算振动、电压、电流信号不低于秒级的有效值,分别得出计算结果σ1,σ2,σ3,存放于系统内存,其振动有效值即为本发明所述振动烈度;
(3.3)计算转速、温度信息不低于秒级的有效值,分别得出计算结果σ4,σ5,存放于系统内存;
(3.4)对三相电压、电流数据、振动数据进行奇异值分解,得到其数据奇异分解特征矩阵,将所有矩阵的奇异值从数值几乎不变时为起始值,后续奇异值全部置零,标记奇异特征矩阵以备后用;
(3.5)将三相电流奇异特征矩阵最大的奇异值替换置零,将三相电流、振动数据奇异分解特征矩阵重构,组成新的电流、振动信号数据,该信号即为数据奇异滤波信号,其中电流信号中不包含工频以及随机噪声等干扰故障诊断的信号,振动信号中不包含随机噪声、环境噪声等能够干扰冲击特性的信号;
(3.6)将三相电流、振动信号进行自适应VMD分解,得到一系列BLIMFs,保存至系统内存以备后用,这一系列BLIMFs包含了电动机绝大部分故障特性,记作故障特征函数。其自适应VMD模型具有如下步骤:
(3.6.1)设置VMD模态分解个数K,二次惩罚因子初始值;
(3.6.2)利用BFOA算法优化VMD初始参数;
(3.6.3)最佳模态分解个数K,二次惩罚因子;
(3.7)提取(3.4)标记的三相电压、电流特征矩阵,将除前两个最大奇异值以外的其他奇异值全部置零,重构电压、电流信号;
(3.8)利用对称分量法计算三相电压、电流的正序、零序、负序分量;
(3.9)计算正序、零序、负序阻抗;
(3.10)计算电动机电压、电流三相不平衡度;
(3.11)将负序阻抗、电压和电流三相不平衡度记作σ6,σ7,σ8,存放于系统内存;
(3.12)电动机多传感器特征提取模块计算结束;
如图4所示,所述模块(4)中,电动机自学习多元诊断模块包括如下步骤:
(4.1)接收模块(3)中计算所得所有特征及故障特征函数;
(4.2)将σ1,σ2,σ3,σ4,σ5,σ6,σ7,σ8传入突发性故障诊断模式中,判定是否发生突发性故障,突发性故障诊断模式步骤如下,具体诊断流程如图5所示:
(4.2.1)将σ1,σ2,σ3与系统自设的故障越线阈值进行对比,若σ1不在系统自设的故障越线区间,则突发振幅突变导致转子碰摩和转子偏心等,记作振幅突变故障;若σ2不在系统自设的故障越线区间,则突发电压突变导致电压闪变等,记作电压突变故障;若σ3不在系统自设的故障越线区间,则突发电流突变导致电流闪变、电动机堵转、负载突变等,记作电流突变故障;对上述三种故障进行标签分类,记录故障类型及故障时刻,存放于系统内存;
(4.2.2)将σ4,σ5与系统自设的故障越线阈值进行对比,若σ4不在系统自设的故障越线区间,则突发转速突变导致负载工作不正常等故障,记作转速突变故障;若σ5不在系统自设的故障越线区间,则突发温度突变导致电动机绝缘受损等故障,记作温度突变故障;对上述两种故障进行标签分类,记录故障类型及故障时刻,存放于系统内存;
(4.2.3)将σ6,σ7,σ8与系统自设的故障越线阈值进行对比,若σ6不在系统自设的故障越线区间,则突发三相电压不平衡导致供电电源失压、不稳定等,记作三相电压不平衡故障;若σ7不在系统自设的故障越线区间,则突发三相电流不平衡导致单相接地、相见短路、电动机堵转、电动机发力不足等,记作三相电流不平衡故障;若σ8不在系统自设的故障越线区间,则突发匝间短路等,记作匝间短路故障;对上述三种故障进行标签分类,记录故障类型及故障时刻,存放于系统内存;
(4.3)将故障特征函数、σ4传入电动机Hilbert谱分析模式,判断是否发生转子断条、转子偏心、轴承等故障,电动机Hilbert谱分析模式具有如下步骤,具体诊断流程如图6:
(4.3.1)利用σ4、工频及电动机铭牌参数、轴承参数提取转子断条、转子偏心、轴承外滚道、内滚道、滚动体、保持架故障特征分量;
(4.3.2)对三相电流、振动故障特征函数进行Hilbert谱分解,这五组信号故障特征函数分别具有K(模态分解个数)个故障特征函数;
(4.3.3)对五组信号中的K个Hilbert谱寻找(4.3.1)所述频率附近的最高谱峰,并利用加权平均法进行计算,得出每组信号下每种故障类型的故障幅值;
(4.3.4)对三相电流信号Hilbert谱求得的故障幅值,利用加权平均法进行处理得到电流信号综合特征;
(4.3.5)对于垂直方向及水平方向振动Hilbert包络谱,由于故障发生点不同造成受力不均现象,同样对振动信号的故障幅值利用加权平均法进行处理得到振动信号综合特征;
(4.3.6)对于所提取电流及振动综合特征,当特征大于系统预设的故障一级阈值,则表明电动机发生相应类型故障,并认为初期故障;当特征大于系统预设的故障二级阈值,则表明电动机发生相应类型故障,并认为中期故障;当特征大于系统预设的故障三级阈值,则表明电动机发生相应类型故障,并认为晚期故障;每次检测完成后,对监测数据进行突发性故障标签化处理,标定故障类型、发生时间及故障严重程度,存放于系统内存。
(4.4)将故障特征函数传入大数据分析模式,对数据进行分类,判断电动机故障及严重程度,所述的大数据分析模式具有如下步骤,具体诊断流程如图7:
(4.4.1)取系统内存中标记样本库中某一标记故障类型及严重程度的故障数据对应的故障特征函数;
(4.4.2)将标记数据三相电流、垂直方向振动、水平方向振动故障特征函数,进行归一化处理,形成归一化特征矩阵,该矩阵大小为其中c为采集信号通道数,Ki为每个通道的自适应VMD模态分解个数,fs为信号采样频率;
(4.4.3)将归一化特征矩阵进行以D-S证据理论为核心的多传感器多元信息融合模型中,构成一维数据融合样本,并建立分类标示;
(4.4.4)更换样本数据重复(4.4.2)-(4.4.3)直到样本库中不同标记类型样本全部处理完成,形成N维数据融合样本,N为样本库中所标记不同故障种类、不同故障程度的包括正常数据的样本类型总和;
(4.4.5)随着系统监测数据样本的不断积累,需要训练的数据总量越来越多,会造成系统戎机,并且陷入模型训练局部最优,不利于系统诊断正确率的提升预警运行速度的保持,未解决这一难题,将样本库增量更新策略引入系统,使系统保持原有的运行速度,并且高质量的训练数据,会使模型训练精度越来越高;
(4.4.6)将N维数据融合样本放入基于BFOA的自适应有向图SVM中,进行模型训练;所述基于BFOA的自适应有向图SVM具有如下步骤:
(4.4.6.1)确定有向图根节点数M,根据样本库中标签数据类型总和N,设置根节点数M:
M={N-1,N=2,3,4,5,…} (2)
其中,当N=1时,M=0,代表数据样本库中仅有正常样本,无法完成模型训练。(4.4.6.2)确定SVM初始化参数惩罚因子C,宽度因子σ,不敏感损失函数ε;
(4.4.6.2)确定SVM初始化参数惩罚因子C,宽度因子σ,不敏感损失函数ε;
(4.4.6.3)利用BFOA算法优化SVM初始化参数;
(4.4.6.4)最优SVM分类器;
(4.4.7)设置大数据分析模式可靠性水平参数L;
(4.4.8)将样本库中未使用样本作为测试数据,重复(4.4.2)-(4.4.3),构建一维数据融合样本;
(4.4.9)放入(4.4.6)训练好的模型中进行故障分类,记录分类结果并与样本库中标记进行对比;
(4.4.10)在持续监测的过程中,坚持利用样本库数据中的50%数据作为训练数据,50%数据作为测试数据,统计故障分类结果正确率,所设置的可靠性水平参数L即为故障分类正确率;
(4.4.11)在大数据模式可靠性水平未达到系统自设的阈值之前,一直以静默学习的方式进行模型学习;当达到可靠性水平之后即可参与系统故障分类任务,并将模型分类结果传入系统内存;
如图8所示,所述模块(5)电动机智能运维模块,具有如下步骤:
(5.1)接收来自电动机自学习多源诊断模块三种模式的诊断结果;
(5.2)构建归一化多维矩阵,该矩阵构建规则如下:
(5.2.1)将三种模式下模型所能分辨的故障总数作为综合特征数量,对于突发性故障诊断模式及Hilbert谱分析模式未能检测的故障按0值补齐;当大数据分析模式未达到可靠性水平之前,该模式下的故障检测结果按0补齐;若达到可靠性水平未能检测的故障按0值补齐;将突发性故障模式、电流信号综合特征、振动信号综合特征、大数据分析模式当做四类传感器、构建传感器类型,将不同时间段的检测结果作为测量周期,完成归一化多维矩阵的构建,即该矩阵具有三个维度:传感器类型、综合特征数量、测量周期;
(5.3)将归一化多维矩阵放入以D-S证据理论为核心的多元诊断判据中,得到一维矩阵,该矩阵即为各故障的健康状态;
(5.4)将一维矩阵进行加权平均操作即可得到当前状态下电动机健康状态;
(5.5)对一维矩阵去归一化操作,并与模块(4)所述检测规则进行对比,得到当前电动机故障发生类型及严重程度;
(5.6)将结果汇总整理,并根据(5.4)-(5.5)的检测结果,下发电动机维护策略,为运维人员提供可靠的电动机维护建议及处理方法。
随后再可进行继续处理:
S1:针对工业领域电动机故障频发、故障发生点难以排查,且一旦发生故障轻则导致与电动机相连的传动设备二次故障,重则导致整条产线停产等特点,公开一种基于自学习多元诊断的电动机智能维护系统,实时监测电动机运行状态,将目前主流的突发性故障判据、频谱分析判据及大数据分析判据利用自建的多元诊断模型相融合,突破单一技术监测不全面、诊断不准确、故障机理不明、标签数据难以获取等一系列难题,以多维度、自主性、高可靠性为出发点,提供全面、深入的电动机维护策略。本系统利用信号采集模块进行监测信号采集;利用电动机转速估计模块进行实时转速估计;利用电动机多传感器特征提取模块采用基于数据奇异滤波特性的自适应变分模态分解(Vatiational ModeDecomposition,VMD)技术进行电动机故障特征提取,显著提高了非平稳、非高斯信号的故障特征表征水平,提高系统的故障识别率及准确度;电动机自学习多元诊断模块将突发性故障诊断模式、希尔伯特(Hilbert)谱分析模式、大数据分析模式相结合,利用突发性故障诊断模式对突发越线信号的灵敏性、利用Hilbert谱分析模式对渐进性故障的强机理性、利用大数据分析模式对故障数据识别率持续提高性,构建电动机完整的生命周期曲线,有效避免因单一诊断模式监测任务的局限性、样本数据不充分、突发性故障机理不明导致系统误诊或者谎报,使系统监测任务失去意义。本系统具有的电动机智能维护模块不仅仅是机械性统计电动机自学习多元诊断中三种模式的故障诊断结果,创造性的采用以D-S证据理论(Dempster/Shafer证据理论)为核心的多传感器多元融合模型,将三种模式的故障诊断结果融合诊断,给予电动机当前综合健康状态、故障类型、故障严重程度等全方位诊断结果,依据此结果下发全面、可靠、深入的电动机维护策略。
S2:本发明所述的电动机多传感器数据特征提取模块利用基于数据奇异滤波特性的自适应变分模态分解技术提取三相定子电流信号以及垂直方向、水平方向振动信号的有限带宽本征模态函数(Band-Limitid Intrinsic Mode Functions,BLIMFs),其数据奇异滤波特性能够有效降低信号干扰源对故障特征的影响,自适应变分模态分解技术的应用极大程度上避免原始VMD算法初始参数选择对特征信号提取的不确定性,有效降低因特征提取不准确造成系统误诊;该模块将连续监测的温度等数据处理成采样间隔有效值水平,同样将转速处理成采样间隔有效值水平,提高实时监测参数的稳定性,避免采样误差及计算误差;同时,该模块利用对称分量法提取三相电压、电流序分量,并计算三相不平衡度、负序视在阻抗;提取垂直方向、水平方向振动信号的振动烈度。最后,将所提取的所有特征值按特定格式存放于系统内存中,供其他模块使用。
S3:本发明所述的电动机自学习多元诊断模块分为三大模式:
1.突发性故障诊断模式,调取电动机多传感器数据特征提取模块提取所得转速有效值、温度有效值、振动烈度、电压及电流三相不平衡度、负序视在阻抗作为突发性故障诊断模式数据来源。对于振动烈度、温度有效值、转速有效值、电压及电流三相不平衡度,根据相关标准指导系统设置相应的越线阈值,监测电动机是否突发振幅过高导致的转子碰摩和转子偏心等、温度过高导致电动机绝缘受损、转速非正常波动导致负载设备工作不正常,电压及电流三相不平衡、单相接地等故障;该模块利用匝间短路负序视在阻抗诊断法,以负序视在阻抗作为突变越线阈值,判断电动机匝间短路故障,避免以电流有效值为判据的匝间短路故障诊断技术无法有效鉴别此类故障,提高匝间短路故障识别能力。每次检测完成后,对监测数据进行突发性故障标签化处理,标定故障类型及发生时间,以特定格式存放于系统内存。
2.电动机Hilbert谱分析模式,调用电动机转速估算模块计算所得转速计算转子断条、转子偏心、轴承外滚道、内滚道、滚动体、保持架故障特征分量,利用电动机多传感器数据特征提取模块分别对三相电流信号、垂直方向及水平方向振动信号提取所得BLIMFs作为特征输入信号进行Hilbert包络谱分析。对于三相电流Hilbert包络谱,提取相应的故障特征分量附近的最大谱峰,三相电流信号各自的峰值不存在优先级,但是现场中存在未知源的干扰会导致三相电流各自的峰值并不相同,因此将三相电流信号的峰值利用加权平均法进行处理得到电流信号综合特征,提高检测的可靠性;对于垂直方向及水平方向振动Hilbert包络谱,提取相应的故障特征分量附近的最大谱峰,由于故障发生点不同造成受力不均现象,同样对振动信号的峰值利用加权平均法进行处理得到振动信号综合特征,提高检测的可靠性;对于所提取电流及振动综合特征,当特征大于系统预设的故障一级阈值,则表明电动机发生相应类型故障,并认为初期故障;当特征大于系统预设的故障二级阈值,则表明电动机发生相应类型故障,并认为中期故障;当特征大于系统预设的故障三级阈值,则表明电动机发生相应类型故障,并认为晚期故障;每次检测完成后,对监测数据进行故障标签化处理,标定故障类型、发生时间及故障严重程度,以特定格式存放于系统内存。
3.大数据分析模式,利用大数据分析及人工智能技术,判断突发性故障诊断模式灵敏度无法涉及的诸如转子一根、两根断条、轻微匝间短路、轴承磨损、转子偏心等渐进性早中期故障。巧妙结合振动信号在机械故障诊断方面的优势以及定子电流信号在电气故障方面的优势,调用电动机多传感器数据特征提取模块分别对三相电流信号、垂直方向及水平方向振动信号提取所得BLIMFs以D-S证据理论为核心进行多传感器多元信息融合,形成电动机样本数据及测试数据,并根据原始数据标签,进行数据标签化处理,免除人工标注带来的大量重复性劳动,优化企业人员配置,提高系统及企业的智能化水平。利用增量更新算法对样本数据持续更新,提高样本质量,提高大数据分析模型的准确度;采用性能表现稳定、适合小样本学习、支持多分类任务的基于细菌觅食优化的自适应样本更新有向图支持向量机(Support Vector Machine,SVM)模型,以更高效的细菌觅食优化算法(BacterialForaging Optimization Algorithm,BFOA)优化支持向量机初始化参数,以增量更新的方式更新标签数据,对标签数据进行自学习,以有向图支持向量机为电动机故障学习模型,一次识别多种电动机故障。其自适应性表现在根据系统内存中存放的标签数据的种类,自动调节有向图中分支节点的数量,提高系统运行效率及大数据分析的可靠性。另外,系统还设置人工标签标注,对系统上述两个模式未能发现的故障或者误判的故障进行标签新增及修订,提高标签数据质量。同时,为提高有向图支持向量机的收敛速度及分类精度,以更高效的BFOA优化支持向量机初始化参数,持续提高模型收敛速度与计算精度,这种样本数据增量更新及BFOA模型优化联合策略,有效提高系统故障分类的正确率及计算效率,随着系统监测样本的不断充实、修正,大数据分析模式正确率会稳步提升,为工业大数据应用的可靠性及可行性提供了一种行之有效的手段,实现企业工业数据价值的深度挖掘及应用落地。
S4:本发明所述电动机智能维护模块,接收来自电动机自学习多源诊断模块三种模式的诊断结果,通过自建的多源融合诊断判据,进行综合分析,为电动机健康状态评分,给予电动机智能维护建议、故障类型、故障严重程度等全方位诊断结果。该自建的多元融合诊断判据在大数据分析模式分类准确率未达到可靠性水平前不参与诊断决策,不对诊断结果进行多元融合诊断。该判据只进行电流综合特征、振动综合特征决策,将目前已知的电动机频谱检测故障类型的综合特征构建归一化多维矩阵,该矩阵具有三个维度:传感器数量、综合特征数量、测量周期;进而对多维矩阵以D-S证据理论为核心进行分析,得出测量周期内最优推荐结果,该结果即为每种故障类型的健康状态,最后利用加权平均法得出电动机当前健康状态,给出电动机各部件的故障程度及故障类型;当大数据分析模式分类准确率达到可靠性水平后,将其诊断结果当做传感器数据,更新上述多维矩阵,完成电动机健康状态测评,并下发电动机维护策略,为运维人员提供可靠的电动机维护建议及处理方法。
S5:本发明所述电动机转速估算模块以电动机定子电流信号为数据来源,滤除影响信号的随机噪声与环境噪声等,对滤波后信号去除工频的三次谐波后的各奇次谐波分量,接着进行频谱分析,提取定子齿槽谐波分量,记作fsh,利用该分量与转速的关系,即可估计电动机转速值,进而实时监测电动机工作转速。电动机转速追踪模块计算所得转速能够作为后续电动机自学习多源诊断模块实时判断因电动机转速非正常波动导致设备空转、设备发力不足或者设备堵转等突发性故障的数据来源,并为需要利用转速计算故障特征的电动机转子断条、转子偏心、轴承等故障提供数据支撑,避免现场因加装转速传感器造成的一系列施工难题。
S6:本发明所述信号采集模块,亦可直接获取厂区已有监控系统(如集散控制系统(Distributed Control System,DCS)、振动在线监测系统等)的符合精度要求的振动信号温度信号等信号,减少现场重复施工。
需要说明的是,本专利提供的多个方案包含本身的基本方案,相互独立,并不相互制约,但是其也可以在不冲突的情况下相互组合,达到多个效果共同实现。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本领域的技术人员应该了解本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的范围内。
Claims (8)
1.一种多模式融合电动机智能维护系统,其特征在于,维护系统包括如下模块:
(1)信号采集模块;
(2)电动机转速估计模块;
(3)电动机多传感器特征提取模块;
(4)电动机自学习多元诊断模块;
(5)电动机智能维护模块。
2.如权利要求1所述的一种多模式融合电动机智能维护系统,其特征在于,
所述模块(1)中,信号采集模块,可通过传感器采集所监测电动机轴承端盖振动信号、电压信号、定子电流信号,电动机机壳温度信号,其中电压信号与定子电流信号必须同步采集;亦可直接获取厂区已有监控系统的符合精度要求的振动信号、温度信号等信号,减少现场重复施工;
所述模块(2)中,电动机转速估计模块包括如下流程:
(2.1)接收(1)中所采集定子电流信号,并提取其中较稳定的一段时间采样数据,记作D1;
(2.2)对D1数据进行低通滤波,滤除信号中存在的随机噪声与环境噪声,滤波后信号记作D2;
(2.3)去除D2影响定子齿槽谐波分量的工频的三次谐波后的各奇次谐波分量,并对其进行频谱分析,提取定子齿槽谐波分量,记作fsh,该分量与转速n及转子齿数Z有如下关系:
其中,f0为供电电源频率;
(2.4)将计算结果传入后续处理模块,转速追踪模块处理结束;
所述模块(3)中,电动机多传感器特征提取模块包括如下步骤:
(3.1)接收采集所得电动机三相电压、定子电流、振动、温度及计算所得转速信息;
(3.2)计算振动、电压、电流信号不低于秒级的有效值,分别得出计算结果σ1,σ2,σ3,存放于系统内存,其振动有效值即为本发明所述振动烈度;
(3.3)计算转速、温度信息不低于秒级的有效值,分别得出计算结果σ4,σ5,存放于系统内存;
(3.4)对三相电压、电流数据、振动数据进行奇异值分解,得到其数据奇异分解特征矩阵,将所有矩阵的奇异值从数值几乎不变时为起始值,后续奇异值全部置零,标记奇异特征矩阵以备后用;
(3.5)将三相电流奇异特征矩阵最大的奇异值替换置零,将三相电流、振动数据奇异分解特征矩阵重构,组成新的电流、振动信号数据,该信号即为数据奇异滤波信号,其中电流信号中不包含工频以及随机噪声等干扰故障诊断的信号,振动信号中不包含随机噪声、环境噪声等能够干扰冲击特性的信号;
(3.6)将三相电流、振动信号进行自适应VMD分解,得到一系列BLIMFs,保存至系统内存以备后用,这一系列BLIMFs包含了电动机绝大部分故障特性,记作故障特征函数;其自适应VMD模型具有如下步骤:
(3.6.1)设置VMD模态分解个数K,二次惩罚因子初始值;
(3.6.2)利用BFOA算法优化VMD初始参数;
(3.6.3)最佳模态分解个数K,二次惩罚因子;
(3.7)提取(3.4)标记的三相电压、电流特征矩阵,将除前两个最大奇异值以外的其他奇异值全部置零,重构电压、电流信号;
(3.8)利用对称分量法计算三相电压、电流的正序、零序、负序分量;
(3.9)计算正序、零序、负序阻抗;
(3.10)计算电动机电压、电流三相不平衡度;
(3.11)将负序阻抗、电压和电流三相不平衡度记作σ6,σ7,σ8,存放于系统内存;
(3.12)电动机多传感器特征提取模块计算结束;
所述模块(4)中,电动机电动机自学习多元诊断模块包括如下步骤:
(4.1)接收模块(3)中计算所得所有特征及故障特征函数;
(4.2)将σ1,σ2,σ3,σ4,σ5,σ6,σ7,σ8传入突发性故障诊断模式中,判定是否发生突发性故障,突发性故障诊断模式步骤如下:
(4.2.1)将σ1,σ2,σ3与系统自设的故障越线阈值进行对比,若σ1不在系统自设的故障越线区间,则突发振幅突变导致转子碰摩和转子偏心等,记作振幅突变故障;若σ2不在系统自设的故障越线区间,则突发电压突变导致电压闪变等,记作电压突变故障;若σ3不在系统自设的故障越线区间,则突发电流突变导致电流闪变、电动机堵转、负载突变等,记作电流突变故障;对上述三种故障进行标签分类,记录故障类型及故障时刻,存放于系统内存;
(4.2.2)将σ4,σ5与系统自设的故障越线阈值进行对比,若σ4不在系统自设的故障越线区间,则突发转速突变导致负载工作不正常等故障,记作转速突变故障;若σ5不在系统自设的故障越线区间,则突发温度突变导致电动机绝缘受损等故障,记作温度突变故障;对上述两种故障进行标签分类,记录故障类型及故障时刻,存放于系统内存;
(4.2.3)将σ6,σ7,σ8与系统自设的故障越线阈值进行对比,若σ6不在系统自设的故障越线区间,则突发三相电压不平衡导致供电电源失压、不稳定等,记作三相电压不平衡故障;若σ7不在系统自设的故障越线区间,则突发三相电流不平衡导致单相接地、相见短路、电动机堵转、电动机发力不足等,记作三相电流不平衡故障;若σ8不在系统自设的故障越线区间,则突发匝间短路等,记作匝间短路故障;对上述三种故障进行标签分类,记录故障类型及故障时刻,存放于系统内存;
(4.3)将故障特征函数、σ4传入电动机Hilbert谱分析模式,判断是否发生转子断条、转子偏心、轴承等故障,电动机Hilbert谱分析模式具有如下步骤:
(4.3.1)利用σ4、工频及电动机铭牌参数、轴承参数提取转子断条、转子偏心、轴承外滚道、内滚道、滚动体、保持架故障特征分量;
(4.3.2)对三相电流、振动故障特征函数进行Hilbert谱分解,这五组信号故障特征函数分别具有K(模态分解个数)个故障特征函数;
(4.3.3)对五组信号中的K个Hilbert谱寻找(4.3.1)所述频率附近的最高谱峰,并利用加权平均法进行计算,得出每组信号下每种故障类型的故障幅值;
(4.3.4)对三相电流信号Hilbert谱求得的故障幅值,利用加权平均法进行处理得到电流信号综合特征;
(4.3.5)对于垂直方向及水平方向振动Hilbert包络谱,由于故障发生点不同造成受力不均现象,同样对振动信号的故障幅值利用加权平均法进行处理得到振动信号综合特征;
(4.3.6)对于所提取电流及振动综合特征,当特征大于系统预设的故障一级阈值,则表明电动机发生相应类型故障,并认为初期故障;当特征大于系统预设的故障二级阈值,则表明电动机发生相应类型故障,并认为中期故障;当特征大于系统预设的故障三级阈值,则表明电动机发生相应类型故障,并认为晚期故障;每次检测完成后,对监测数据进行突发性故障标签化处理,标定故障类型、发生时间及故障严重程度,存放于系统内存;
(4.4)将故障特征函数传入大数据分析模式,对数据进行分类,判断电动机故障及严重程度,所述的大数据分析模式具有如下步骤:
(4.4.1)取系统内存中标记样本库中某一标记故障类型及严重程度的故障数据对应的故障特征函数;
(4.4.2)将标记数据三相电流、垂直方向振动、水平方向振动故障特征函数,进行归一化处理,形成归一化特征矩阵,该矩阵大小为其中c为采集信号通道数,Ki为每个通道的自适应VMD模态分解个数,fs为信号采样频率;
(4.4.3)将归一化特征矩阵进行以D-S证据理论为核心的多传感器多元信息融合模型中,构成一维数据融合样本,并建立分类标示;
(4.4.4)更换样本数据重复(4.4.2)-(4.4.3)直到样本库中不同标记类型样本全部处理完成,形成N维数据融合样本,N为样本库中所标记不同故障种类、不同故障程度的包括正常数据的样本类型总和;
(4.4.5)随着系统监测数据样本的不断积累,需要训练的数据总量越来越多,会造成系统戎机,并且陷入模型训练局部最优,不利于系统诊断正确率的提升预警运行速度的保持,未解决这一难题,将样本库增量更新策略引入系统,使系统保持原有的运行速度,并且高质量的训练数据,会使模型训练精度越来越高;
(4.4.6)将N维数据融合样本放入基于BFOA的自适应有向图SVM中,进行模型训练;所述基于BFOA的自适应有向图SVM具有如下步骤:
(4.4.6.1)确定有向图根节点数M,根据样本库中标签数据类型总和N,设置根节点数M:
M={N-1,N=2,3,4,5,…} (2)
其中,当N=1时,M=0,代表数据样本库中仅有正常样本,无法完成模型训练;(4.4.6.2)确定SVM初始化参数惩罚因子C,宽度因子σ,不敏感损失函数ε;
(4.4.6.3)利用BFOA算法优化SVM初始化参数;
(4.4.6.4)最优SVM分类器;
(4.4.7)设置大数据分析模式可靠性水平参数L;
(4.4.8)将样本库中未使用样本作为测试数据,重复(4.4.2)-(4.4.3),构建一维数据融合样本;
(4.4.9)放入(4.4.6)训练好的模型中进行故障分类,记录分类结果并与样本库中标记进行对比;
(4.4.10)在持续监测的过程中,坚持利用样本库数据中的50%数据作为训练数据,50%数据作为测试数据,统计故障分类结果正确率,所设置的可靠性水平参数L即为故障分类正确率;
(4.4.11)在大数据模式可靠性水平未达到系统自设的阈值之前,一直以静默学习的方式进行模型学习;当达到可靠性水平之后即可参与系统故障分类任务,并将模型分类结果传入系统内存;
所述模块(5)电动机智能运维模块,具有如下步骤:
(5.1)接收来自电动机自学习多源诊断模块三种模式的诊断结果;
(5.2)构建归一化多维矩阵,该矩阵构建规则如下:
(5.2.1)将三种模式下模型所能分辨的故障总数作为综合特征数量,对于突发性故障诊断模式及Hilbert谱分析模式未能检测的故障按0值补齐;当大数据分析模式未达到可靠性水平之前,该模式下的故障检测结果按0补齐;若达到可靠性水平未能检测的故障按0值补齐;将突发性故障模式、电流信号综合特征、振动信号综合特征、大数据分析模式当做四类传感器、构建传感器类型,将不同时间段的检测结果作为测量周期,完成归一化多维矩阵的构建,即该矩阵具有三个维度:传感器类型、综合特征数量、测量周期;
(5.3)将归一化多维矩阵放入以D-S证据理论为核心的多元诊断判据中,得到一维矩阵,该矩阵即为各故障的健康状态;
(5.4)将一维矩阵进行加权平均操作即可得到当前状态下电动机健康状态;
(5.5)对一维矩阵去归一化操作,并与模块(4)所述检测规则进行对比,得到当前电动机故障发生类型及严重程度;
(5.6)将结果汇总整理,并根据(5.4)-(5.5)的检测结果,下发电动机维护策略,为运维人员提供可靠的电动机维护建议及处理方法。
3.如权利要求1所述的一种多模式融合电动机智能维护系统,其特征在于,
本发明所述的电动机自学习多元诊断模块分为三大模式:
突发性故障诊断模式,调取电动机多传感器数据特征提取模块提取所得转速有效值、温度有效值、振动烈度、电压及电流三相不平衡度、负序视在阻抗作为突发性故障诊断模式数据来源;对于振动烈度、温度有效值、转速有效值、电压及电流三相不平衡度,根据相关标准指导系统设置相应的越线阈值,监测电动机是否突发振幅过高导致的转子碰摩和转子偏心等、温度过高导致电动机绝缘受损、转速非正常波动导致负载设备工作不正常,电压及电流三相不平衡、单相接地等故障;该模块利用匝间短路负序视在阻抗诊断法,以负序视在阻抗作为突变越线阈值,判断电动机匝间短路故障,避免以电流有效值为判据的匝间短路故障诊断技术无法有效鉴别此类故障,提高匝间短路故障识别能力;每次检测完成后,对监测数据进行突发性故障标签化处理,标定故障类型及发生时间,以特定格式存放于系统内存;
电动机Hilbert谱分析模式,调用电动机转速估算模块计算所得转速计算转子断条、转子偏心、轴承外滚道、内滚道、滚动体、保持架故障特征分量,利用电动机多传感器数据特征提取模块分别对三相电流信号、垂直方向及水平方向振动信号提取所得BLIMFs作为特征输入信号进行Hilbert包络谱分析;对于三相电流Hilbert包络谱,提取相应的故障特征分量附近的最大谱峰,三相电流信号各自的峰值不存在优先级,但是现场中存在未知源的干扰会导致三相电流各自的峰值并不相同,因此将三相电流信号的峰值利用加权平均法进行处理得到电流信号综合特征,提高检测的可靠性;对于垂直方向及水平方向振动Hilbert包络谱,提取相应的故障特征分量附近的最大谱峰,由于故障发生点不同造成受力不均现象,同样对振动信号的峰值利用加权平均法进行处理得到振动信号综合特征,提高检测的可靠性;对于所提取电流及振动综合特征,当特征大于系统预设的故障一级阈值,则表明电动机发生相应类型故障,并认为初期故障;当特征大于系统预设的故障二级阈值,则表明电动机发生相应类型故障,并认为中期故障;当特征大于系统预设的故障三级阈值,则表明电动机发生相应类型故障,并认为晚期故障;每次检测完成后,对监测数据进行故障标签化处理,标定故障类型、发生时间及故障严重程度,以特定格式存放于系统内存;
大数据分析模式,利用大数据分析及人工智能技术,判断突发性故障诊断模式灵敏度无法涉及的诸如转子一根、两根断条、轻微匝间短路、轴承磨损、转子偏心等渐进性早中期故障;巧妙结合振动信号在机械故障诊断方面的优势以及定子电流信号在电气故障方面的优势,调用电动机多传感器数据特征提取模块分别对三相电流信号、垂直方向及水平方向振动信号提取所得BLIMFs以D-S证据理论为核心进行多传感器多元信息融合,形成电动机样本数据及测试数据,并根据原始数据标签,进行数据标签化处理,免除人工标注带来的大量重复性劳动,优化企业人员配置,提高系统及企业的智能化水平;利用增量更新算法对样本数据持续更新,提高样本质量,提高大数据分析模型的准确度;采用性能表现稳定、适合小样本学习、支持多分类任务的基于细菌觅食优化的自适应样本更新有向图支持向量机(Support Vector Machine,SVM)模型,以更高效的细菌觅食优化算法(BacterialForaging Optimization Algorithm,BFOA)优化支持向量机初始化参数,以增量更新的方式更新标签数据,对标签数据进行自学习,以有向图支持向量机为电动机故障学习模型,一次识别多种电动机故障;其自适应性表现在根据系统内存中存放的标签数据的种类,自动调节有向图中分支节点的数量,提高系统运行效率及大数据分析的可靠性;另外,系统还设置人工标签标注,对系统上述两个模式未能发现的故障或者误判的故障进行标签新增及修订,提高标签数据质量;同时,为提高有向图支持向量机的收敛速度及分类精度,以更高效的BFOA优化支持向量机初始化参数,持续提高模型收敛速度与计算精度,这种样本数据增量更新及BFOA模型优化联合策略,有效提高系统故障分类的正确率及计算效率,随着系统监测样本的不断充实、修正,大数据分析模式正确率会稳步提升,为工业大数据应用的可靠性及可行性提供了一种行之有效的手段,实现企业工业数据价值的深度挖掘及应用落地。
4.如权利要求1所述的一种多模式融合电动机智能维护系统,其特征在于,
所述的电动机多传感器数据特征提取模块利用基于数据奇异滤波特性的自适应变分模态分解技术提取三相定子电流信号以及垂直方向、水平方向振动信号的有限带宽本征模态函数(Band-Limitid Intrinsic Mode Functions,BLIMFs)。
5.如权利要求1所述的一种多模式融合电动机智能维护系统,其特征在于,
所述电动机智能维护模块,接收来自电动机自学习多源诊断模块三种模式的诊断结果,通过自建的多源融合诊断判据,进行综合分析,为电动机健康状态评分,给予电动机智能维护建议、故障类型、故障严重程度等全方位诊断结果;该自建的多元融合诊断判据在大数据分析模式分类准确率未达到可靠性水平前不参与诊断决策,不对诊断结果进行多元融合诊断;该判据只进行电流综合特征、振动综合特征决策,将目前已知的电动机频谱检测故障类型的综合特征构建归一化多维矩阵,该矩阵具有三个维度:传感器数量、综合特征数量、测量周期;进而对多维矩阵以D-S证据理论为核心进行分析,得出测量周期内最优推荐结果,该结果即为每种故障类型的健康状态,最后利用加权平均法得出电动机当前健康状态,给出电动机各部件的故障程度及故障类型;当大数据分析模式分类准确率达到可靠性水平后,将其诊断结果当做传感器数据,更新上述多维矩阵,完成电动机健康状态测评,并下发电动机维护策略,为运维人员提供可靠的电动机维护建议及处理方法。
6.如权利要求1所述的一种多模式融合电动机智能维护系统,其特征在于,
所述电动机转速估算模块以电动机定子电流信号为数据来源,滤除影响信号的随机噪声与环境噪声等,对滤波后信号去除工频的三次谐波后的各奇次谐波分量,接着进行频谱分析,提取定子齿槽谐波分量,记作fsh,利用该分量与转速的关系,即可估计电动机转速值,进而实时监测电动机工作转速;电动机转速追踪模块计算所得转速能够作为后续电动机自学习多源诊断模块实时判断因电动机转速非正常波动导致设备空转、设备发力不足或者设备堵转等突发性故障的数据来源,并为需要利用转速计算故障特征的电动机转子断条、转子偏心、轴承等故障提供数据支撑,避免现场因加装转速传感器造成的一系列施工难题。
7.如权利要求1所述的一种多模式融合电动机智能维护系统,其特征在于,所述信号采集模块,直接获取厂区已有监控系统的符合精度要求的振动信号温度信号等信号。
8.如权利要求7所述的一种多模式融合电动机智能维护系统,其特征在于,所述的厂区已有监控系统的为集散控制系统(Distributed Control System,DCS)、振动在线监测系统。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011374534.2A CN114580666A (zh) | 2020-11-30 | 2020-11-30 | 一种多模式融合电动机智能维护系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011374534.2A CN114580666A (zh) | 2020-11-30 | 2020-11-30 | 一种多模式融合电动机智能维护系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114580666A true CN114580666A (zh) | 2022-06-03 |
Family
ID=81768268
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011374534.2A Pending CN114580666A (zh) | 2020-11-30 | 2020-11-30 | 一种多模式融合电动机智能维护系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114580666A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116683648A (zh) * | 2023-06-13 | 2023-09-01 | 浙江华耀电气科技有限公司 | 一种智能型配电柜及其控制系统 |
CN117007896A (zh) * | 2023-10-07 | 2023-11-07 | 深圳市森瑞普电子有限公司 | 一种应用于导电滑环故障检测的数据处理方法 |
CN117113282A (zh) * | 2023-10-24 | 2023-11-24 | 福建阿古电务数据科技有限公司 | 一种多元数据融合的设备健康预测诊断方法及诊断装置 |
CN117332233A (zh) * | 2023-10-07 | 2024-01-02 | 江苏丰昌机电科技有限公司 | 一种电机智能化维护系统 |
CN117411381A (zh) * | 2023-12-14 | 2024-01-16 | 威海天拓合创电子工程有限公司 | 一种基于实时数据监测的伺服电机输出精度控制方法 |
CN117572295A (zh) * | 2024-01-12 | 2024-02-20 | 山东和兑智能科技有限公司 | 一种高压套管多模态在线监测及预警方法 |
CN117791971A (zh) * | 2023-12-11 | 2024-03-29 | 爱克玛电驱动系统(苏州)有限公司 | 一种具有故障诊断报警功能的筒轴电机 |
-
2020
- 2020-11-30 CN CN202011374534.2A patent/CN114580666A/zh active Pending
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116683648A (zh) * | 2023-06-13 | 2023-09-01 | 浙江华耀电气科技有限公司 | 一种智能型配电柜及其控制系统 |
CN116683648B (zh) * | 2023-06-13 | 2024-02-20 | 浙江华耀电气科技有限公司 | 一种智能型配电柜及其控制系统 |
CN117007896A (zh) * | 2023-10-07 | 2023-11-07 | 深圳市森瑞普电子有限公司 | 一种应用于导电滑环故障检测的数据处理方法 |
CN117332233B (zh) * | 2023-10-07 | 2024-05-31 | 江苏丰昌机电科技有限公司 | 一种电机智能化维护系统 |
CN117007896B (zh) * | 2023-10-07 | 2023-12-12 | 深圳市森瑞普电子有限公司 | 一种应用于导电滑环故障检测的数据处理方法 |
CN117332233A (zh) * | 2023-10-07 | 2024-01-02 | 江苏丰昌机电科技有限公司 | 一种电机智能化维护系统 |
CN117113282B (zh) * | 2023-10-24 | 2024-02-02 | 福建阿古电务数据科技有限公司 | 一种多元数据融合的设备健康预测诊断方法 |
CN117113282A (zh) * | 2023-10-24 | 2023-11-24 | 福建阿古电务数据科技有限公司 | 一种多元数据融合的设备健康预测诊断方法及诊断装置 |
CN117791971A (zh) * | 2023-12-11 | 2024-03-29 | 爱克玛电驱动系统(苏州)有限公司 | 一种具有故障诊断报警功能的筒轴电机 |
CN117411381A (zh) * | 2023-12-14 | 2024-01-16 | 威海天拓合创电子工程有限公司 | 一种基于实时数据监测的伺服电机输出精度控制方法 |
CN117411381B (zh) * | 2023-12-14 | 2024-03-26 | 威海天拓合创电子工程有限公司 | 一种基于实时数据监测的伺服电机输出精度控制方法 |
CN117572295A (zh) * | 2024-01-12 | 2024-02-20 | 山东和兑智能科技有限公司 | 一种高压套管多模态在线监测及预警方法 |
CN117572295B (zh) * | 2024-01-12 | 2024-04-12 | 山东和兑智能科技有限公司 | 一种高压套管多模态在线监测及预警方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114580666A (zh) | 一种多模式融合电动机智能维护系统 | |
CN112763908B (zh) | 一种基于多故障特征联合的电机健康指数评价系统 | |
CN111947928B (zh) | 一种多源信息融合的轴承故障预测系统及方法 | |
CN111382789B (zh) | 基于机器学习的电力负荷识别方法及系统 | |
CN109977916B (zh) | 一种基于嵌入式平台的变压器油中溶解气体在线监测系统 | |
CN103617568A (zh) | 稳态电能质量预警机制中的异常数据判定阈值设定方法 | |
CN115034483A (zh) | 一种水轮发电机组运行故障监测方法及系统 | |
CN112861350B (zh) | 一种水冷式汽轮发电机定子绕组温度过热缺陷预警方法 | |
CN109813544A (zh) | 一种基于在线监测的旋转机械早期故障诊断方法及系统 | |
CN111795819B (zh) | 一种融合振动与电流信号协同学习的齿轮箱故障诊断方法 | |
CN114323642A (zh) | 风电机组振动数据处理系统以及数据稀释方法 | |
CN116380445A (zh) | 基于振动波形的设备状态诊断方法及相关装置 | |
CN115614292A (zh) | 一种立式水泵机组振动监测装置及其方法 | |
CN115496108A (zh) | 一种基于流形学习和大数据分析的故障监测方法及系统 | |
AU2023210611A1 (en) | Method and apparatus for operating state analysis and early warning of auxiliary device of hydroelectric station, and decision support system for hydroelectric production | |
CN117318614A (zh) | 一种光伏逆变器故障预测方法 | |
Liu et al. | Hierarchical context-aware anomaly diagnosis in large-scale PV systems using SCADA data | |
CN116720983A (zh) | 一种基于大数据分析的供电设备异常检测方法及系统 | |
US11339763B2 (en) | Method for windmill farm monitoring | |
CN114065651A (zh) | 一种用于旋转类设备的故障时间预测方法 | |
CN113807431A (zh) | 一种基于多源信息融合的智能主轴状态评估方法和系统 | |
CN117951633B (zh) | 一种光伏发电设备故障诊断方法及系统 | |
Jiang | Fault diagnosis technology of substation indoor inspection robot based on SVM | |
CN116319262B (zh) | 一种电能计量装置通信故障数据检测模型 | |
CN117034157B (zh) | 一种结合多模态运行数据的水电设备故障识别方法与系统 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20220603 |
|
WD01 | Invention patent application deemed withdrawn after publication |