CN114722865B - 基于数据识别的防爆电机故障诊断方法 - Google Patents
基于数据识别的防爆电机故障诊断方法 Download PDFInfo
- Publication number
- CN114722865B CN114722865B CN202210308090.5A CN202210308090A CN114722865B CN 114722865 B CN114722865 B CN 114722865B CN 202210308090 A CN202210308090 A CN 202210308090A CN 114722865 B CN114722865 B CN 114722865B
- Authority
- CN
- China
- Prior art keywords
- fault
- explosion
- proof motor
- set time
- time period
- 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
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000003745 diagnosis Methods 0.000 title claims abstract description 26
- 238000012545 processing Methods 0.000 claims abstract description 25
- 230000005236 sound signal Effects 0.000 claims description 32
- 238000004364 calculation method Methods 0.000 claims description 27
- 238000010606 normalization Methods 0.000 claims description 24
- 239000000126 substance Substances 0.000 claims description 6
- 230000006870 function Effects 0.000 abstract description 16
- 238000013473 artificial intelligence Methods 0.000 abstract description 6
- 238000004519 manufacturing process Methods 0.000 abstract description 4
- 238000005457 optimization Methods 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 10
- 239000006185 dispersion Substances 0.000 description 4
- 238000012163 sequencing technique Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- 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
-
- 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
- G01R31/343—Testing dynamo-electric machines in operation
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L17/00—Speaker identification or verification techniques
- G10L17/26—Recognition of special voice characteristics, e.g. for use in lie detectors; Recognition of animal voices
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Signal Processing (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Control Of Electric Motors In General (AREA)
Abstract
本发明涉及数据识别技术领域,具体涉及一种基于数据识别的防爆电机故障诊断方法。该方法是一种特别适用于特定功能的数据识别方法,具体是防爆电机运行特征的数据识别,其应用电子设备识别故障防爆电机的声音、电磁波和功率,并利用计算机技术进行辅助设计和处理,确定故障防爆电机的故障匹配值,进而确定故障防爆电机的故障匹配隶属度,最终确定故障防爆电机的故障准确系数,根据故障防爆电机的故障准确系数,诊断故障防爆电机对应的故障类别。本发明有效提高了防爆电机故障诊断准确性,并且本发明可适用于生产领域人工智能系统、人工智能优化操作系统以及计算机视听觉软件的应用软件开发等。
Description
技术领域
本发明涉及数据识别技术领域,具体涉及一种基于数据识别的防爆电机故障诊断方法。
背景技术
防爆电机具有防爆功能,多用于厂房、矿井等安全要求较高的场所。防爆电机在运作过程中难免会出现一些故障,通常是根据防爆温度传感器检测防爆电机的温度,温度异常说明该防爆电机出现故障,但是无法确定该防爆电机对应的故障类别,针对该类情况,工作人员需要快速准确的确定故障防爆电机对应的故障类别,进而根据故障防爆电机对应的故障类别,修理故障防爆电机出现的故障,以确保生产线的安全运作。
现有技术通常为人工对故障防爆电机进行一系列的诊断,可以通过听、闻、看、摸等方式进行故障诊断,具体为闻防爆电机运行的味道、看防爆电机的运行状态、听防爆电机运转声音以及摸防爆电机一些特殊部件的温度。人工诊断不仅需要经验丰富的老师傅,而且整个防爆电机故障诊断步骤比较繁琐,进而导致防爆电机故障诊断效率低。另外,由于人工诊断存在一定的偏差,受其偏差的影响,导致防爆电机故障诊断结果准确性低。
发明内容
为了解决上述防爆电机故障诊断准确性低的技术问题,本发明的目的在于提供一种基于数据识别的防爆电机故障诊断方法。
本发明提供了一种基于数据识别的防爆电机故障诊断方法,包括以下步骤:
获取待诊断的故障防爆电机在设定时间段内的各运行特征指标,并获取N种故障类别的故障防爆电机及其在设定时间段内对应的各运行特征指标、正常防爆电机在设定时间段内的各运行特征指标、正常防爆电机与N种故障类别的故障防爆电机对应的各个差异距离之间的离散均匀程度,所述各运行特征指标包括:预处理后的声音信号构成的序列、电磁波频率构成的序列和功率因数信号构成的序列;
根据待诊断的故障防爆电机在设定时间段内的各运行特征指标和N种故障类别的故障防爆电机在设定时间段内对应的各运行特征指标,确定待诊断的故障防爆电机与N种故障类别的故障防爆电机对应的故障匹配值;
根据待诊断的故障防爆电机与N种故障类别的故障防爆电机对应的故障匹配值,确定待诊断的故障防爆电机的故障匹配隶属度;
根据待诊断的故障防爆电机的故障匹配隶属度、待诊断的故障防爆电机与N种故障类别的故障防爆电机对应的故障匹配值、正常防爆电机与N种故障类别的故障防爆电机对应的各个差异距离之间的离散均匀程度、N种故障类别的故障防爆电机在设定时间段内对应的各运行特征指标、正常防爆电机在设定时间段内的各运行特征指标以及待诊断的故障防爆电机在设定时间段内的各运行特征指标,确定待诊断的故障防爆电机的故障准确系数;
根据待诊断的故障防爆电机的故障准确系数和待诊断的故障防爆电机与N种故障类别的故障防爆电机对应的故障匹配值,确定待诊断的故障防爆电机对应的故障类别。
进一步的,确定正常防爆电机与N种故障类别的故障防爆电机对应的各个差异距离之间的离散均匀程度的步骤包括:
根据N种故障类别的故障防爆电机在设定时间段内对应的各运行特征指标和正常防爆电机在设定时间段内的各运行特征指标,确定N种故障类别的故障防爆电机在设定时间段内对应的各运行特征指标的差异权重;
根据N种故障类别的故障防爆电机在设定时间段内对应的各运行特征指标、N种故障类别的故障防爆电机在设定时间段内对应的各运行特征指标的差异权重、正常防爆电机在设定时间段内的各运行特征指标,确定正常防爆电机与N种故障类别的故障防爆电机对应的各个差异距离,进而确定各个差异距离之间的离散均匀程度。
进一步的,确定N种故障类别的故障防爆电机在设定时间段内对应的各运行特征指标的差异权重的步骤包括:
根据N种故障类别的故障防爆电机在设定时间段内对应的各运行特征指标和正常防爆电机在设定时间段内的各运行特征指标,确定每种故障类别的防爆电机在设定时间段内的各运行特征指标的最大差异值;
根据N种故障类别的故障防爆电机在设定时间段内对应的各运行特征指标、正常防爆电机在设定时间段内的各运行特征指标、每种故障类别的防爆电机在设定时间段内的各运行特征指标的最大差异值,对每种故障类别的故障防爆电机在设定时间段内的各运行特征指标中的每个数值进行归一化处理;
根据每种故障类别的故障防爆电机在设定时间段内的归一化处理后的各运行特征指标中的每个数值,确定每种故障类别的故障防爆电机在设定时间段内的归一化处理后的各运行特征指标的数值平均值的比重;
根据每种故障类别的故障防爆电机在设定时间段内的归一化处理后的各运行特征指标的数值平均值的比重、故障防爆电机的故障类别的个数,确定N种故障类别的故障防爆电机在设定时间段内的各运行特征指标对应的信息熵;
根据N种故障类别的故障防爆电机在设定时间段内的各运行特征指标对应的信息熵,确定N种故障类别的故障防爆电机在设定时间段内对应的各运行特征指标的差异权重。
进一步的,对每种故障类别的故障防爆电机在设定时间段内的各运行特征指标中的每个数值进行归一化处理的计算公式为:
其中,Q′i,j,w为第i种故障类别的故障防爆电机在设定时间段内对应的归一化处理后的第j个运行特征指标中的第w个数值,Qi,j,w为第i种故障类别的故障防爆电机在设定时间段内对应的归一化处理前的第j个运行特征指标中的第w个数值,QX,j,w为正常防爆电机在设定时间段内的第j个运行特征指标中的第w个数值,为第i种故障类别的故障防爆电机在设定时间段内对应的第j个运行特征指标的最大差异值,abs()为返回绝对值函数。
进一步的,确定N种故障类别的故障防爆电机在设定时间段内对应的各运行特征指标的差异权重的计算公式为:
其中,Wj为N种故障类别的故障防爆电机在设定时间段内的第j个运行特征指标的差异权重,E(Q′j)为N种故障类别的故障防爆电机在设定时间段内的第j个运行特征指标对应的信息熵,k为运行特征指标的个数。
进一步的,确定正常防爆电机与N种故障类别的故障防爆电机对应的各个差异距离的计算公式为:
其中,Di(X,Y)为正常防爆电机与第i种故障类别的故障防爆电机对应的差异距离,TX为正常防爆电机在设定时间段内的各运行特征指标中的预处理后的声音信号构成的序列,为第i种故障类别的故障防爆电机在设定时间段内的各运行特征指标中的预处理后的声音信号构成的序列,WT为N种故障类别的故障防爆电机在设定时间段内的各运行特征指标中的预处理后的声音信号构成的序列的差异权重,FX为正常防爆电机在设定时间段内的各运行特征指标中的电磁波频率构成的序列,为第i种故障类别的故障防爆电机在设定时间段内的各运行特征指标中的电磁波频率构成的序列,WF为N种故障类别的故障防爆电机在设定时间段内的各运行特征指标中的电磁波频率构成的序列的差异权重,PX为正常防爆电机在设定时间段内的各运行特征指标中的功率因数信号构成的序列,为第i种故障类别的故障防爆电机在设定时间段内的各运行特征指标中的功率因数信号构成的序列,WP为N种故障类别的故障防爆电机在设定时间段内的各运行特征指标中的功率因数信号构成的序列的差异权重,SIM()为求两个序列的余弦相似度函数。
进一步的,正常防爆电机与N种故障类别的故障防爆电机对应的各个差异距离之间的离散均匀程度的计算公式为:
其中,H为正常防爆电机与N种故障类别的故障防爆电机对应的各个差异距离之间的离散均匀程度,N为故障防爆电机的故障类别的个数,Di-1为将各个差异距离按照从大到小顺序排序后的第i-1个差异距离,Di为将各个差异距离按照从大到小顺序排序后的第i个差异距离,Di51为将各个差异距离按照从大到小顺序排序后的第i+1个差异距离。
进一步的,确定待诊断的故障防爆电机与N种故障类别对应的故障匹配值的计算公式为:
其中,Ri为待诊断的故障防爆电机与第i种故障类别的故障防爆电机对应的故障匹配值,tD为待诊断的故障防爆电机在设定时间段内的各个预处理后的声音信号的平均值,为第i种故障类别的故障防爆电机在设定时间段内的各个预处理后的声音信号的平均值,pD为待诊断的故障防爆电机在设定时间段内的各个功率因数信号的平均值,为第i种故障类别的故障防爆电机在设定时间段内的各个功率因数信号的平均值,fD为待诊断的故障防爆电机在设定时间段内的各个电磁波频率的平均值,为第i种故障类别的故障防爆电机在设定时间段内的各个电磁波频率的平均值,SD为待诊断的故障防爆电机在设定时间段内的各运行特征指标合并后的序列,为第i种故障类别的故障防爆电机在设定时间段内的各运行特征指标合并后的序列,similiraty()为求两个序列的余弦相似度函数,max()为求最大值函数。
进一步的,确定待诊断的故障防爆电机的故障匹配隶属度的步骤包括:
根据待诊断的故障防爆电机与N种故障类别的故障防爆电机对应的故障匹配值,确定待诊断的故障防爆电机与N种故障类别的故障防爆电机对应的故障匹配值中的前M个最大的故障匹配值;
根据待诊断的故障防爆电机与N种故障类别的故障防爆电机对应的故障匹配值中的前M个最大的故障匹配值,确定待诊断的故障防爆电机的故障匹配隶属度,其计算公式为:
其中,L为待诊断的故障防爆电机的故障匹配隶属度,R1为前M个最大的故障匹配值中的第一最大的故障匹配值,R2为前M个最大的故障匹配值中的第二最大的故障匹配值,Ri+1为前M个最大的故障匹配值中的第i+1个最大的故障匹配值。
进一步的,确定待诊断的故障防爆电机的故障准确系数的计算公式为:
其中,K为待诊断的故障防爆电机的故障准确系数,R为待诊断的故障防爆电机与N种故障类别的故障防爆电机对应的最大故障匹配值,L为待诊断的故障防爆电机的故障匹配隶属度,H正常防爆电机与N种故障类别的故障防爆电机对应的各个差异距离之间的离散均匀程度,DR1为正常防爆电机与待诊断的故障防爆电机的差异距离,DM2为正常防爆电机与最大故障匹配值对应的故障防爆电机的差异距离,tanh()为双曲线正切函数,abs()为返回绝对值函数。
本发明具有如下有益效果:
本发明通过对应用电子设备识别得到待诊断的防爆电机的运行特征进行数据识别,得到待诊断的故障防爆电机的故障匹配值,初步确定待诊断的故障防爆电机对应的故障类别。为了提高待诊断的故障防爆电机对应的故障类别的准确度,本发明通过待诊断的故障防爆电机的故障匹配隶属度、故障匹配值和运行特征指标,N种故障类别的故障防爆电机的运行特征指标、正常防爆电机在设定时间段内的各运行特征指标,正常防爆电机与N种故障类别的故障防爆电机对应的各个差异距离之间的离散均匀程度离散均匀程度,得到待诊断的故障防爆电机的故障准确系数,进而根据故障准确系数,最终确定待诊断的故障防爆电机的故障类别。
本发明利用计算机对各个运行特征进行计算和处理,其提高了防爆电机故障诊断的效率,通过故障防爆电机的故障准确系数,增强了防爆电机故障诊断的准确度。另外,本发明可适用于生产领域人工智能系统、人工智能优化操作系统以及计算机视听觉软件的应用软件开发等。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它附图。
图1为本发明一种基于数据识别的防爆电机故障诊断方法的流程图;
图2为本发明实施例中的确定N种故障类别的故障防爆电机在设定时间段内对应的各运行特征指标的差异权重的流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的技术方案的具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一个实施例。此外,一个或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
本实施例为了诊断发生故障的防爆电机对应的故障类别,提供了一种基于数据识别的防爆电机故障诊断方法,如图1所示,包括以下步骤:
(1)获取待诊断的故障防爆电机在设定时间段内的各运行特征指标,并获取N种故障类别的故障防爆电机及其在设定时间段内对应的各运行特征指标、正常防爆电机在设定时间段内的各运行特征指标、正常防爆电机与N种故障类别的故障防爆电机对应的各个差异距离之间的离散均匀程度,所述各运行特征指标包括:预处理后的声音信号构成的序列、电磁波频率构成的序列和功率因数信号构成的序列。
(1-1)在本实施例中,待诊断的故障防爆电机虽然出现故障但依旧可以运作,为了更好的描述待诊断的故障防爆电机的故障特征,获取待诊断的故障防爆电机在设定时间段内的声音信号、电磁波频率和功率因数信号,并将设定时间段设置为2分钟,具体内容包括:
首先,通过MEMS(Micro Electro Mechanical System微型机电系统)麦克风采集待诊断的故障防爆电机运转2分钟的过程中产生的声音信号,并对该声音信号进行预处理,预处理的内容为对采集的声音信号进行快速傅里叶变化,预处理后的声音信号为声音信号的频率,各个声音信号的频率可构建其对应的序列。另外,对声音信号进行预处理的过程为现有技术,不在本发明保护范围内,此处不再进行详细阐述。
然后,利用电磁波检测仪采集待诊断的故障防爆电机运转2分钟的过程中产生的各个电磁波频率,各个电磁波频率可构建其对应的序列,保留有效的电磁波频率,剔除无意义的干扰信息。需要说明的是,电磁波检测仪安装在待诊断的故障防爆电机壳体的上方,具体的位置可由实施者根据测试场地进行合理布置,对电磁波频率读书的方式为现有技术,此处不再过多叙述。
通过数字式功率计采集待诊断的故障防爆电机运转2分钟的过程中产生的各个功率因数信号,各个功率因数信号可构建其对应的序列。需要说明的是,本实施例中的数字式功率计是指将功率电参量转变为数字信号并以数值形式显示的功率计,功率检测技术是一种电机状态监测的有效方法,通过防爆电机运行过程中的功率因数信号可以对防爆电机的故障进行检测和诊断。
此时,得到待诊断的故障防爆电机在设定时间段内的各运行特征指标,运行特征指标可以表征防爆电机在运作时的运行状态,所述各运行特征指标包括:将各个预处理后的声音信号按照从大到小顺序排序,由排序后的各个预处理后的声音信号构成的序列;将各个电磁波频率按照时间顺序排序,由排序后的各个电磁波频率构成的序列;将各个功率因数信号按照时间顺序排序,由排序后的各个功率因数信号构成的序列。各个序列中的数值的个数为固定值,并且各个序列的数值关系是一一对照的,若某个序列中的数值个数不足对应其他序列中的数值个数,则补零填充。
(1-2)本实施例根据先验知识,可以确定与待诊断的故障防爆电机同型号的故障防爆电机目前共有N种故障类别,另外,参考步骤(1-1)得到待诊断的故障防爆电机在设定时间段内的各运行特征指标的过程,同样可获取N种故障类别的故障防爆电机在设定时间段内对应的各运行特征指标和正常防爆电机在设定时间段内的各运行特征指标。
(1-3)根据N种故障类别的故障防爆电机在设定时间段内对应的各运行特征指标和正常防爆电机在设定时间段内的各运行特征指标,确定正常防爆电机与N种故障类别的故障防爆电机对应的各个差异距离之间的离散均匀程度。
需要说明的是,本实施例为了便于描述,将各运行特征指标标记为Q,也就是实施例中的Q代表预处理后的声音信号构成的序列、电磁波频率构成的序列和功率因数信号构成的序列。确定正常防爆电机与N种故障类别的故障防爆电机对应的各个差异距离之间的离散均匀程度的步骤包括:
(1-3-1)根据N种故障类别的故障防爆电机在设定时间段内对应的各运行特征指标和正常防爆电机在设定时间段内的各运行特征指标,确定N种故障类别的故障防爆电机在设定时间段内对应的各运行特征指标的差异权重,其步骤如图2所示,包括:
(1-3-1-1)根据N种故障类别的故障防爆电机在设定时间段内对应的各运行特征指标和正常防爆电机在设定时间段内的各运行特征指标,确定每种故障类别的故障防爆电机在设定时间段内的各运行特征指标的最大差异值。
在本实施例中,每种故障类别的故障防爆电机在设定时间段内对应的每个运行特征指标均有其对应的最大差异值。根据N种故障类别的故障防爆电机在设定时间段内对应的各运行特征指标和正常防爆电机在设定时间段内的各运行特征指标,计算每种故障类别的故障防爆电机在设定时间段内对应的每个运行特征指标中的每个数值与其对应的在正常防爆电机在设定时间段内的每个运行特征指标中的数值的差值,得到各个数值差值,选取最大的数值差值作为对应的最大差异值,该最大差异值的计算公式为:
其中,为第i种故障类别的故障防爆电机在设定时间段内对应的第j个运行特征指标的最大差异值,Qi,j,w为第i种故障类别的故障防爆电机在设定时间段内对应的第j个运行特征指标中的第w个数值,QX,j,w为正常防爆电机在设定时间段内的第j个运行特征指标中的第w个数值,max()为求最大值函数。
(1-3-1-2)根据N种故障类别的故障防爆电机在设定时间段内对应的各运行特征指标、正常防爆电机在设定时间段内的各运行特征指标、每种故障类别的防爆电机在设定时间段内的各运行特征指标的最大差异值,对每种故障类别的故障防爆电机在设定时间段内的各运行特征指标中的每个数值进行归一化处理,其计算公式为:
其中,Q′i,j,w为第i种故障类别的故障防爆电机在设定时间段内对应的归一化处理后的第j个运行特征指标中的第w个数值,Qi,j,w为第i种故障类别的故障防爆电机在设定时间段内对应的归一化处理前的第j个运行特征指标中的第w个数值,QX,j,w为正常防爆电机在设定时间段内的第j个运行特征指标中的第w个数值,为第i种故障类别的故障防爆电机在设定时间段内对应的第j个运行特征指标的最大差异值,abs()为返回绝对值函数。
需要说明的是,本实施例对每种故障类别的故障防爆电机在设定时间段内的各运行特征指标中的每个数值进行归一化处理,其目的是为了使各运行特征指标中的每个数值的数值范围在0-1之间,以便于后续步骤进行数据处理。
(1-3-1-3)根据每种故障类别的故障防爆电机在设定时间段内归一化处理后的各运行特征指标中的每个数值,确定每种故障类别的故障防爆电机在设定时间段内的归一化处理后的各运行特征指标的数值平均值的比重。
在本实施例中,通过计算每种故障类别的故障防爆电机在设定时间段内归一化处理后的各运行特征指标中的数值平均值相对于N种故障类别的故障防爆电机在设定时间段内归一化处理后的各运行特征指标的数值平均值的累计和的比值,得到每种故障类别的故障防爆电机在设定时间段内的归一化处理后的各运行特征指标的数值平均值的比重,其计算公式为:
其中,P(q′i,j)为第i种故障类别的故障防爆电机在设定时间段内的归一化处理后的第j个运行特征指标的数值平均值的比重,q′i,j为第i种故障类别的故障防爆电机在设定时间段内的归一化处理后的第j个运行特征指标的数值平均值,Q′i,j,w为第i种故障类别的故障防爆电机在设定时间段内对应的归一化处理后的第j个运行特征指标中的第w个数值,W为第j个运行特征指标中数值的个数。
(1-3-1-4)根据每种故障类别的故障防爆电机在设定时间段内的归一化处理后的各运行特征指标的数值平均值的比重、故障防爆电机的故障类别的个数,确定N种故障类别的故障防爆电机在设定时间段内的各运行特征指标对应的信息熵,其计算公式为:
其中,E(Q′j)为N种故障类别的故障防爆电机在设定时间段内的第j个运行特征指标对应的信息熵,P(q′i,j)为第i种故障类别的故障防爆电机在设定时间段内的归一化处理后的第j个运行特征指标的数值平均值相的比重,N为故障防爆电机的故障类别的个数。
(1-3-1-5)根据N种故障类别的故障防爆电机在设定时间段内的各运行特征指标对应的信息熵,确定N种故障类别的故障防爆电机在设定时间段内对应的各运行特征指标的差异权重。
在本实施例中,根据步骤(1-3-1-4)得到的N种故障类别的故障防爆电机在设定时间段内的各运行特征指标对应的信息熵,计算N种故障类别的故障防爆电机在设定时间段内对应的各运行特征指标的差异权重,从而得到N种故障类别的故障防爆电机在设定时间段内对应的预处理后的声音信号构成的序列的差异权重、电磁波频率构成的序列的差异权重以及功率因数信号构成的序列的差异权重,其计算公式为:
其中,Wj为N种故障类别的故障防爆电机在设定时间段内的第j个运行特征指标的差异权重,E(Q′j)为N种故障类别的故障防爆电机在设定时间段内的第j个运行特征指标对应的信息熵,k为运行特征指标的个数。
至此,根据步骤(1-3-1-1)至步骤(1-3-1-5)得到了N种故障类别的故障防爆电机在设定时间段内对应的3个运行特征指标的差异权重,3个运行特征指标的差异权重之和为1。通过故障防爆电机的各运行特征指标的差异权重,能够较好的确定故障防爆电机的故障特征,也就是便于明确故障防爆电机运作时的运行状态特征,确定故障防爆电机的各个运行状态特征在故障防爆电机运作过程中的作用大小。
(1-3-2)根据N种故障类别的故障防爆电机在设定时间段内对应的各运行特征指标、N种故障类别的故障防爆电机在设定时间段内对应的各运行特征指标的差异权重、正常防爆电机在设定时间段内的各运行特征指标,确定正常防爆电机与N种故障类别的故障防爆电机对应的各个差异距离。
在本实施例中,根据步骤(1-3-1-5)得到的N种故障类别的故障防爆电机在设定时间段内对应的3个运行特征指标的差异权重、N种故障类别的故障防爆电机在设定时间段内对应的各运行特征指标以及正常防爆电机在设定时间段内的各运行特征指标,计算正常防爆电机与N种故障类别的故障防爆电机对应的各个差异距离,其计算公式为:
其中,Di(X,Y)为正常防爆电机与第i种故障类别的故障防爆电机对应的差异距离,TX为正常防爆电机在设定时间段内的各运行特征指标中的预处理后的声音信号构成的序列,为第i种故障类别的故障防爆电机在设定时间段内的各运行特征指标中的预处理后的声音信号构成的序列,WT为N种故障类别的故障防爆电机在设定时间段内的各运行特征指标中的预处理后的声音信号构成的序列的差异权重,FX为正常防爆电机在设定时间段内的各运行特征指标中的电磁波频率构成的序列,为第i种故障类别的故障防爆电机在设定时间段内的各运行特征指标中的电磁波频率构成的序列,W,为N种故障类别的故障防爆电机在设定时间段内的各运行特征指标中的电磁波频率构成的序列的差异权重,PX为正常防爆电机在设定时间段内的各运行特征指标中的功率因数信号构成的序列,为第i种故障类别的故障防爆电机在设定时间段内的各运行特征指标中的功率因数信号构成的序列,WP为N种故障类别的故障防爆电机在设定时间段内的各运行特征指标中的功率因数信号构成的序列的差异权重,SIM()为求两个序列的余弦相似度函数。
需要说明的是,本实施例通过正常防爆电机与故障防爆电机之间的差异距离,分析故障防爆电机的各个运行特征指标与正常防爆电机的各个运行特征指标的差异,从而明确不同故障类别的故障防爆电机的故障特征。正常防爆电机与故障防爆电机之间的差异距离越大,说明该故障防爆电机的运行特征的差异明显,反之则说明该故障防爆电机的运行特征的差异不明显。
(1-3-3)根据正常防爆电机与N种故障类别的故障防爆电机对应的各个差异距离,确定各个差异距离之间的离散均匀程度。
需要说明说明的是,本实施例为了确定正常防爆电机与N种故障类别的故障防爆电机对应的各个差异距离之间的稳定程度,对各个故障类别的故障防爆电机之间的差异进行分析,得到N个故障防爆电机对应的运行特征的波动范围,从而提高了诊断故障防爆电机的泛化能力。
根据步骤(1-3-2)得到的正常防爆电机与N种故障类别的故障防爆电机对应的各个差异距离,将各个差异距离按照从大到小的顺序排序,得到集合D={D1,D2,Di,…DN},计算前一个两两相邻的差异距离的差值和后一个两两相邻的差异距离的差值的比值,也就是计算各个差异距离之间的离散均匀程度,其计算公式为:
其中,H为正常防爆电机与N种故障类别的故障防爆电机对应的各个差异距离之间的离散均匀程度,N为各个差异距离的个数,Di-1为将各个差异距离按照从大到小顺序排序后的第i-1个差异距离,Di为将各个差异距离按照从大到小顺序排序后的第i个差异距离,Di+1为将各个差异距离按照从大到小顺序排序后的第i+1个差异距离。
至此,根据步骤(1-3-1)至步骤(1-3-3)得到了正常防爆电机与N种故障类别的故障防爆电机对应的各个差异距离之间的离散均匀程度。
需要说明的是,在诊断故障防爆电机前就需要得到待诊断的故障防爆电机在设定时间段内的各运行特征指标、N种故障类别的故障防爆电机及其在设定时间段内对应的各运行特征指标、正常防爆电机在设定时间段内的各运行特征指标、正常防爆电机与N种故障类别的故障防爆电机对应的各个差异距离之间的离散均匀程度,也就是上述获取步骤是诊断故障防爆电机的前期准备工作。
(2)根据待诊断的故障防爆电机在设定时间段内的各运行特征指标和N种故障类别的故障防爆电机在设定时间段内对应的各运行特征指标,确定待诊断的故障防爆电机与N种故障类别的故障防爆电机对应的故障匹配值。
(2-1)在本实施例中,为了确定待诊断的故障防爆电机和N种故障类别的故障防爆电机的匹配程度,根据步骤(1)中的待诊断的故障防爆电机在设定时间段内的各运行特征指标和N种故障类别的故障防爆电机在设定时间段内对应的各运行特征指标,也就是待诊断的故障防爆电机在设定时间段内的预处理后的声音信号构成的序列、电磁波频率构成的序列和功率因数信号构成的序列和N种故障类别的故障防爆电机在设定时间段内对应的预处理后的声音信号构成的序列、电磁波频率构成的序列和功率因数信号构成的序列,计算各个序列中各个数值的平均值,进而计算待诊断的故障防爆电机与N种故障类别的故障防爆电机对应的故障匹配值,其计算公式为:
其中,Ri为待诊断的故障防爆电机与第i种故障类别的故障防爆电机对应的故障匹配值,tD为待诊断的故障防爆电机在设定时间段内的各个预处理后的声音信号的平均值,为第i种故障类别的故障防爆电机在设定时间段内的各个预处理后的声音信号的平均值,pD为待诊断的故障防爆电机在设定时间段内的各个功率因数信号的平均值,为第i种故障类别的故障防爆电机在设定时间段内的各个功率因数信号的平均值,fD为待诊断的故障防爆电机在设定时间段内的各个电磁波频率的平均值,为第i种故障类别的故障防爆电机在设定时间段内的各个电磁波频率的平均值,SD为待诊断的故障防爆电机在设定时间段内各运行特征指标合并后的序列,为第i种故障类别的故障防爆电机在设定时间段内的各运行特征指标合并后的序列,simi;iraty()为求两个序列的余弦相似度函数,max()为求最大值函数。
需要说明的是,以待诊断的故障防爆电机和第i种故障类别的故障防爆电机为例,故障匹配值计算公式中的越大,说明待诊断的故障防爆电机在设定时间段内各运行特征指标构成的向量与第i种故障类别的故障防爆电机在设定时间段内的各运行特征指标构成的向量的相似程度越大,待诊断的故障防爆电机与第i种故障类别的故障防爆电机对应的故障匹配值越大;计算公式中的越小,说明待诊断的故障防爆电机的运行状态与第i种故障类别的故障防爆电机的运行状态越相似,待诊断的故障防爆电机与第i种故障类别的故障防爆电机对应的故障匹配值越大,也就是待诊断的故障防爆电机的故障类别越有可能是第i种故障类别。
(2-2)根据待诊断的故障防爆电机与N种故障类别的故障防爆电机对应的故障匹配值,确定待诊断的故障防爆电机与N种故障类别的故障防爆电机对应的最大故障匹配值,即max(R),max(R)对应的故障防爆电机的故障类别可能为待诊断的故障防爆电机的故障类别。
(3)根据待诊断的故障防爆电机与N种故障类别的故障防爆电机对应的故障匹配值,确定待诊断的故障防爆电机的故障匹配隶属度。
在本实施例中,通过待诊断的故障防爆电机的故障匹配隶属度,可以分析待诊断的故障防爆电机与最大故障匹配值max(R)对应的故障防爆电机的匹配稳定程度,确定待诊断的故障防爆电机的故障匹配隶属度的步骤包括:
(3-1)根据待诊断的故障防爆电机与N种故障类别的故障防爆电机对应的故障匹配值,确定待诊断的故障防爆电机与N种故障类别的故障防爆电机对应的故障匹配值中的前M个最大的故障匹配值。
在本实施例中,按照从大到小的顺序,将待诊断的故障防爆电机与N种故障类别的故障防爆电机对应的故障匹配值进行排序,并选取待诊断的故障防爆电机的各个故障匹配值中的前M个故障匹配值,本实施例将M设置为5。
(3-2)根据待诊断的故障防爆电机与N种故障类别的故障防爆电机对应的故障匹配值中的前M个故障匹配值,确定待诊断的故障防爆电机的故障匹配隶属度,其计算公式为:
其中,L为待诊断的故障防爆电机的故障匹配隶属度,R1为前M个最大的故障匹配值中的第一最大的故障匹配值,R2为前M个最大的故障匹配值中的第二最大的故障匹配值,Ri+1为前M个最大的故障匹配值中的第i+1个最大的故障匹配值。
需要说明的是,待诊断的故障防爆电机的故障匹配隶属度L越大,说明待诊断的故障防爆电机与最大故障匹配值max(R)对应的故障防爆电机的匹配稳定程度越高,也就是说明待诊断的故障防爆电机的故障类别越有可能是最大故障匹配值max(R)对应的故障防爆电机的故障类别;待诊断的故障防爆电机的故障匹配隶属度L越小,说明待诊断的故障防爆电机与最大故障匹配值max(R)对应的故障防爆电机的匹配稳定程度越低,也就是说明待诊断的故障防爆电机的故障类别越有可能不是最大故障匹配值max(R)对应的故障防爆电机的故障类别。
(4)根据待诊断的故障防爆电机的故障匹配隶属度、待诊断的故障防爆电机与N种故障类别的故障防爆电机对应的故障匹配值、正常防爆电机与N种故障类别的故障防爆电机对应的各个差异距离之间的离散均匀程度、N种故障类别的故障防爆电机在设定时间段内对应的各运行特征指标、正常防爆电机在设定时间段内的各运行特征指标以及待诊断的故障防爆电机在设定时间段内的各运行特征指标,确定待诊断的故障防爆电机的故障准确系数。
通过待诊断的故障防爆电机的故障准确系数,确定待诊断的故障防爆电机的故障类别为最大故障匹配值max(R)对应的故障类别的准确程度,确定待诊断的故障防爆电机的故障准确系数计算公式为:
其中,K为待诊断的故障防爆电机的故障准确系数,R为待诊断的故障防爆电机与N种故障类别的故障防爆电机对应的最大故障匹配值,L为待诊断的故障防爆电机的故障匹配隶属度,H正常防爆电机与N种故障类别的故障防爆电机对应的各个差异距离之间的离散均匀程度,DM1为正常防爆电机与待诊断的故障防爆电机的差异距离,DM2为正常防爆电机与最大故障匹配值对应的故障防爆电机的差异距离,tanh()为双曲线正切函数,abs()为返回绝对值函数。
其中,参考步骤(1-3-2)的正常防爆电机与N种故障类别的故障防爆电机对应的各个差异距离的计算公式,可得到故障准确系数计算公式中的DM1和DM2,其计算过程不再详细描述,另外,tanh()双曲线正切函数的值域范围为0-1。
需要说明的是,待诊断的故障防爆电机的故障准确系数K越大,待诊断的故障防爆电机的故障类别为最大故障匹配值max(R)对应的故障类别的准确程度越高,待诊断的故障防爆电机的故障准确系数K越小,待诊断的故障防爆电机的故障类别为最大故障匹配值max(R)对应的故障类别的准确程度越低。根据采集、分析以及计算各个故障类别的故障防爆电机的运行特征,得到每种故障类别的故障防爆电机对应的故障特征,进而根据待诊断的故障防爆电机与其同型号的N种故障类别的故障防爆电机的运行特征,可确定待诊断的故障防爆电机发生故障的原因。
(5)根据待诊断的故障防爆电机的故障准确系数和待诊断的故障防爆电机与N种故障类别的故障防爆电机对应的故障匹配值,确定待诊断的故障防爆电机对应的故障类别。
在本实施例中,根据步骤(4)确定的待诊断的故障防爆电机的故障准确系数,判断待诊断的故障防爆电机的故障类别是否为最大故障匹配值max(R)对应的故障防爆电机的故障类别,具体为:
若待诊断的故障防爆电机的故障准确系数K大于预设故障准确系数阈值,则说明待诊断的故障防爆电机的故障类别为最大故障匹配值max(R)对应的故障防爆电机的故障类别,根据待诊断的故障防爆电机的故障类别对待诊断的故障防爆电机进行故障修复,本实施例将故障准确系数阈值设置为0.6。
否则,则说明待诊断的故障防爆电机的故障类别不是最大故障匹配值max(R)对应的故障防爆电机的故障类别,也就是待诊断的故障防爆电机的故障类别不是目前所存在的故障防爆电机的N种故障类别中的任意一种,根据本实施例所获取的待诊断的故障防爆电机的各个故障信息、检修人员对待诊断的故障防爆电机的检查分析,重新确定其故障类别,并将该故障类别加入到现有的故障类别库中。
本发明通过对待诊断的故障防爆电机的运行特征数据进行识别和处理,得到了待诊断的故障防爆电机对应的故障类别,不但加快了确定防爆电机故障诊断的速度,更重要的是提高了防爆电机故障诊断的准确性。另外,本发明可适用于生产领域人工智能系统、人工智能优化操作系统以及计算机视听觉软件的应用软件开发等。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (7)
1.一种基于数据识别的防爆电机故障诊断方法,其特征在于,包括以下步骤:
获取待诊断的故障防爆电机在设定时间段内的各运行特征指标,并获取N种故障类别的故障防爆电机及其在设定时间段内对应的各运行特征指标、正常防爆电机在设定时间段内的各运行特征指标,根据N种故障类别的故障防爆电机在设定时间段内对应的各运行特征指标和正常防爆电机在设定时间段内的各运行特征指标,确定N种故障类别的故障防爆电机在设定时间段内对应的各运行特征指标的差异权重;
根据N种故障类别的故障防爆电机在设定时间段内对应的各运行特征指标、N种故障类别的故障防爆电机在设定时间段内对应的各运行特征指标的差异权重、正常防爆电机在设定时间段内的各运行特征指标,确定正常防爆电机与N种故障类别的故障防爆电机对应的各个差异距离,进而确定各个差异距离之间的离散均匀程度,所述离散均匀程度为正常防爆电机与N种故障类别的故障防爆电机对应的各个差异距离之间的稳定程度,所述离散均匀程度的计算公式为:
其中,H为正常防爆电机与N种故障类别的故障防爆电机对应的各个差异距离之间的离散均匀程度,N为故障防爆电机的故障类别的个数,为将各个差异距离按照从大到小顺序排序后的第i-1个差异距离,为将各个差异距离按照从大到小顺序排序后的第i个差异距离,为将各个差异距离按照从大到小顺序排序后的第i+1个差异距离;
所述各运行特征指标包括:预处理后的声音信号构成的序列、电磁波频率构成的序列和功率因数信号构成的序列;
根据待诊断的故障防爆电机在设定时间段内的各运行特征指标和N种故障类别的故障防爆电机在设定时间段内对应的各运行特征指标,确定待诊断的故障防爆电机与N种故障类别的故障防爆电机对应的故障匹配值;
根据待诊断的故障防爆电机与N种故障类别的故障防爆电机对应的故障匹配值,确定待诊断的故障防爆电机的故障匹配隶属度;
根据待诊断的故障防爆电机的故障匹配隶属度、待诊断的故障防爆电机与N种故障类别的故障防爆电机对应的故障匹配值、正常防爆电机与N种故障类别的故障防爆电机对应的各个差异距离之间的离散均匀程度、N种故障类别的故障防爆电机在设定时间段内对应的各运行特征指标、正常防爆电机在设定时间段内的各运行特征指标以及待诊断的故障防爆电机在设定时间段内的各运行特征指标,确定待诊断的故障防爆电机的故障准确系数,所述故障准确系数的计算公式为:
其中,K为待诊断的故障防爆电机的故障准确系数,R为待诊断的故障防爆电机与N种故障类别的故障防爆电机对应的最大故障匹配值,L为待诊断的故障防爆电机的故障匹配隶属度,H正常防爆电机与N种故障类别的故障防爆电机对应的各个差异距离之间的离散均匀程度,为正常防爆电机与待诊断的故障防爆电机的差异距离,为正常防爆电机与最大故障匹配值对应的故障防爆电机的差异距离,为双曲线正切函数,为返回绝对值函数;
根据待诊断的故障防爆电机的故障准确系数和待诊断的故障防爆电机与N种故障类别的故障防爆电机对应的故障匹配值,确定待诊断的故障防爆电机对应的故障类别。
2.根据权利要求1所述的一种基于数据识别的防爆电机故障诊断方法,其特征在于,确定N种故障类别的故障防爆电机在设定时间段内对应的各运行特征指标的差异权重的步骤包括:
根据N种故障类别的故障防爆电机在设定时间段内对应的各运行特征指标和正常防爆电机在设定时间段内的各运行特征指标,确定每种故障类别的防爆电机在设定时间段内的各运行特征指标的最大差异值;
根据N种故障类别的故障防爆电机在设定时间段内对应的各运行特征指标、正常防爆电机在设定时间段内的各运行特征指标、每种故障类别的防爆电机在设定时间段内的各运行特征指标的最大差异值,对每种故障类别的故障防爆电机在设定时间段内的各运行特征指标中的每个数值进行归一化处理;
根据每种故障类别的故障防爆电机在设定时间段内的归一化处理后的各运行特征指标中的每个数值,确定每种故障类别的故障防爆电机在设定时间段内的归一化处理后的各运行特征指标的数值平均值的比重;
根据每种故障类别的故障防爆电机在设定时间段内的归一化处理后的各运行特征指标的数值平均值的比重、故障防爆电机的故障类别的个数,确定N种故障类别的故障防爆电机在设定时间段内的各运行特征指标对应的信息熵;
根据N种故障类别的故障防爆电机在设定时间段内的各运行特征指标对应的信息熵,确定N种故障类别的故障防爆电机在设定时间段内对应的各运行特征指标的差异权重。
5.根据权利要求1所述的一种基于数据识别的防爆电机故障诊断方法,其特征在于,确定正常防爆电机与N种故障类别的故障防爆电机对应的各个差异距离的计算公式为:
其中,为正常防爆电机与第i种故障类别的故障防爆电机对应的差异距离,为正常防爆电机在设定时间段内的各运行特征指标中的预处理后的声音信号构成的序列,为第i种故障类别的故障防爆电机在设定时间段内的各运行特征指标中的预处理后的声音信号构成的序列,为N种故障类别的故障防爆电机在设定时间段内的各运行特征指标中的预处理后的声音信号构成的序列的差异权重,为正常防爆电机在设定时间段内的各运行特征指标中的电磁波频率构成的序列,为第i种故障类别的故障防爆电机在设定时间段内的各运行特征指标中的电磁波频率构成的序列,为N种故障类别的故障防爆电机在设定时间段内的各运行特征指标中的电磁波频率构成的序列的差异权重,为正常防爆电机在设定时间段内的各运行特征指标中的功率因数信号构成的序列,为第i种故障类别的故障防爆电机在设定时间段内的各运行特征指标中的功率因数信号构成的序列,为N种故障类别的故障防爆电机在设定时间段内的各运行特征指标中的功率因数信号构成的序列的差异权重,为求两个序列的余弦相似度函数。
6.根据权利要求1所述的一种基于数据识别的防爆电机故障诊断方法,其特征在于,确定待诊断的故障防爆电机与N种故障类别对应的故障匹配值的计算公式为:
其中,为待诊断的故障防爆电机与第i种故障类别的故障防爆电机对应的故障匹配值,为待诊断的故障防爆电机在设定时间段内的各个预处理后的声音信号的平均值,为第i种故障类别的故障防爆电机在设定时间段内的各个预处理后的声音信号的平均值,为待诊断的故障防爆电机在设定时间段内的各个功率因数信号的平均值,为第i种故障类别的故障防爆电机在设定时间段内的各个功率因数信号的平均值,为待诊断的故障防爆电机在设定时间段内的各个电磁波频率的平均值,为第i种故障类别的故障防爆电机在设定时间段内的各个电磁波频率的平均值,为待诊断的故障防爆电机在设定时间段内的各运行特征指标合并后的序列,为第i种故障类别的故障防爆电机在设定时间段内的各运行特征指标合并后的序列,为求两个序列的余弦相似度函数,为求最大值函数。
7.根据权利要求1所述的一种基于数据识别的防爆电机故障诊断方法,其特征在于,确定待诊断的故障防爆电机的故障匹配隶属度的步骤包括:
根据待诊断的故障防爆电机与N种故障类别的故障防爆电机对应的故障匹配值,确定待诊断的故障防爆电机与N种故障类别的故障防爆电机对应的故障匹配值中的前M个最大的故障匹配值;
根据待诊断的故障防爆电机与N种故障类别的故障防爆电机对应的故障匹配值中的前M个最大的故障匹配值,确定待诊断的故障防爆电机的故障匹配隶属度,其计算公式为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210308090.5A CN114722865B (zh) | 2022-03-27 | 2022-03-27 | 基于数据识别的防爆电机故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210308090.5A CN114722865B (zh) | 2022-03-27 | 2022-03-27 | 基于数据识别的防爆电机故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114722865A CN114722865A (zh) | 2022-07-08 |
CN114722865B true CN114722865B (zh) | 2022-12-02 |
Family
ID=82239832
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210308090.5A Active CN114722865B (zh) | 2022-03-27 | 2022-03-27 | 基于数据识别的防爆电机故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114722865B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104462762A (zh) * | 2014-11-04 | 2015-03-25 | 西南交通大学 | 一种输电线路的模糊故障分类方法 |
CN105956290A (zh) * | 2016-05-06 | 2016-09-21 | 国网江苏省电力公司检修分公司 | 一种基于多数据融合技术的高压断路器机械故障诊断方法 |
CN110927527A (zh) * | 2019-12-11 | 2020-03-27 | 国网河南省电力公司 | 基于暂态能量双通道及信息融合的瞬时性故障感知方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106444703B (zh) * | 2016-09-20 | 2018-12-07 | 西南石油大学 | 基于故障模式发生概率的动设备运行状态模糊评价及预测方法 |
CN109579220B (zh) * | 2018-10-15 | 2022-04-12 | 平安科技(深圳)有限公司 | 空调系统故障检测方法、装置、电子设备 |
CN110163075A (zh) * | 2019-03-01 | 2019-08-23 | 东南大学 | 一种基于权值训练的多信息融合故障诊断方法 |
CN109961239B (zh) * | 2019-04-03 | 2021-04-06 | 杭州安脉盛智能技术有限公司 | 变压器故障案例推理方法及系统 |
CN110426415A (zh) * | 2019-07-15 | 2019-11-08 | 武汉大学 | 基于深度卷积神经网络和图像分割的油浸式变压器内部热故障诊断方法 |
-
2022
- 2022-03-27 CN CN202210308090.5A patent/CN114722865B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104462762A (zh) * | 2014-11-04 | 2015-03-25 | 西南交通大学 | 一种输电线路的模糊故障分类方法 |
CN105956290A (zh) * | 2016-05-06 | 2016-09-21 | 国网江苏省电力公司检修分公司 | 一种基于多数据融合技术的高压断路器机械故障诊断方法 |
CN110927527A (zh) * | 2019-12-11 | 2020-03-27 | 国网河南省电力公司 | 基于暂态能量双通道及信息融合的瞬时性故障感知方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114722865A (zh) | 2022-07-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107505133B (zh) | 基于自适应mrvm的滚动轴承故障概率性智能诊断方法 | |
CN110376522B (zh) | 一种数据融合的深度学习网络的电机故障诊断方法 | |
Abid et al. | Distinct bearing faults detection in induction motor by a hybrid optimized SWPT and aiNet-DAG SVM | |
Sinitsin et al. | Intelligent bearing fault diagnosis method combining mixed input and hybrid CNN-MLP model | |
CN106323452B (zh) | 一种设备异音的检测方法及检测装置 | |
CN111562108A (zh) | 一种基于cnn和fcmc的滚动轴承智能故障诊断方法 | |
CN106841949B (zh) | 三相异步交流电机定子绝缘在线监测方法和装置 | |
CN111914883A (zh) | 一种基于深度融合网络的主轴轴承状态评估方法及装置 | |
CN111948487A (zh) | 一种基于人工智能的高压电力设备故障诊断方法及系统 | |
CN110231529A (zh) | 一种控制柜智能故障诊断系统及故障诊断方法 | |
CN113283310A (zh) | 一种基于声纹特征的电力设备健康状态检测系统和方法 | |
CN115238785A (zh) | 基于图像融合和集成网络的旋转机械故障诊断方法和系统 | |
CN112052712B (zh) | 一种电力设备状态监测与故障识别方法及系统 | |
CN112149569A (zh) | 变压器基于模糊c均值聚类算法的声纹故障诊断方法 | |
CN112285494A (zh) | 一种电力电缆局部放电模式识别分析系统 | |
CN111678699A (zh) | 一种面向滚动轴承早期故障监测与诊断方法及系统 | |
CN114722865B (zh) | 基于数据识别的防爆电机故障诊断方法 | |
CN117169639B (zh) | 一种电源适配器生产用产品检测方法及系统 | |
Martins et al. | Improved variational mode decomposition for combined imbalance-and-misalignment fault recognition and severity quantification | |
CN109034028B (zh) | 一种基于符号化与tf-idf的机械设备故障特征提取方法 | |
Huo et al. | Bearing fault diagnosis using multi-sensor fusion based on weighted DS evidence theory | |
CN116658433A (zh) | 一种耐颗粒型磁力泵智能检测方法及系统 | |
CN113514742B (zh) | 一种gis局部放电严重程度的评估方法、系统和介质 | |
CN113204894B (zh) | 一种电能计量异常诊断模型的构建方法及应用 | |
CN114118166A (zh) | 一种基于智能频谱监测的变压器故障诊断系统及方法 |
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 |