CN115236507A - 一种基于神经网络的航空发电机电气故障诊断方法及装置 - Google Patents
一种基于神经网络的航空发电机电气故障诊断方法及装置 Download PDFInfo
- Publication number
- CN115236507A CN115236507A CN202210745146.3A CN202210745146A CN115236507A CN 115236507 A CN115236507 A CN 115236507A CN 202210745146 A CN202210745146 A CN 202210745146A CN 115236507 A CN115236507 A CN 115236507A
- Authority
- CN
- China
- Prior art keywords
- neural network
- fault
- generator
- main generator
- output
- 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
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 30
- 238000003745 diagnosis Methods 0.000 title claims abstract description 24
- 239000013598 vector Substances 0.000 claims abstract description 46
- 238000003062 neural network model Methods 0.000 claims abstract description 31
- 238000012549 training Methods 0.000 claims abstract description 24
- 238000012545 processing Methods 0.000 claims abstract description 10
- 238000004804 winding Methods 0.000 claims description 69
- 230000005284 excitation Effects 0.000 claims description 8
- 238000009499 grossing Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 230000004913 activation Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000008570 general process Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 102220098950 rs150951102 Human genes 0.000 description 1
- 102220328617 rs1555694660 Human genes 0.000 description 1
- 102220107837 rs2268147 Human genes 0.000 description 1
- 102220169910 rs886047979 Human genes 0.000 description 1
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
- G01R31/343—Testing dynamo-electric machines in operation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Tests Of Circuit Breakers, Generators, And Electric Motors (AREA)
Abstract
本申请属于航空发电机故障处理技术领域，具体涉及一种基于神经网络的航空发电机电气故障诊断方法及装置。该方法包括步骤S1、采集航空电源系统的励磁电流、主发转子电流、主发输入电压、主发输出电压以及负载电压，形成特征向量；步骤S2、对特征向量进行归一化；步骤S3、基于预先构建并训练完成的故障识别神经网络模型，将归一化后的特征向量作为模型输入，获得模型输出，故障识别神经网络模型进行训练包括：以特征向量包含的5类数据作为输入，以故障类型构建的目标向量作为实际输出，以实际输出与训练样本对应的标准输出之间的误差降到设定值以下为目标；步骤S4、基于模型输出，确定航空电源系统的故障结果。本申请提高了电气故障识别的准确度。
Description
技术领域
本申请属于航空发电机故障处理技术领域，具体涉及一种基于神经网络的航空发电机电气故障诊断方法及装置。
背景技术
飞机发电机是由多个部分组成的复杂结构，每个部分出现故障都有可能导致最终输出故障，加上其工作环境恶劣，也会导致其频繁出现故障。无刷发电机电气故障中的定子绕组、转子绕组以及旋转整流器故障是发电机众多故障类型的难点和重点。根据电源系统故障复杂成因背景，发电机故障时的输出波形和现象无法直接定位故障原因，多数是依据故障部位的失效率，进行经验总结来具体定位故障发生的近似部位或原因，上述定位故障的方式依赖维修人员的经验，定位结果存在较大误差。
发明内容
为了解决上述问题，本申请提供了一种基于神经网络的航空发电机电气故障诊断方法及装置，利用BP神经网络对发电机状态参数监测和分析，判断设备异常或故障及故障的部位和原因。
本申请第一方面提供了一种基于神经网络的航空发电机电气故障诊断方法，主要包括：
步骤S1、采集航空电源系统的励磁电流、主发转子电流、主发输入电压、主发输出电压以及负载电压，形成特征向量；
步骤S2、对所述特征向量进行归一化；
步骤S3、基于预先构建并训练完成的故障识别神经网络模型，将归一化后的特征向量作为模型输入，获得模型输出，所述故障识别神经网络模型进行训练包括：以所述特征向量包含的5类数据作为输入，以故障类型构建的目标向量作为实际输出，以所述实际输出与训练样本对应的标准输出之间的误差降到设定值以下为目标，训练所述故障识别神经网络模型；
步骤S4、基于模型输出，确定航空电源系统的故障结果。
优选的是，步骤S1之后，进一步包括对采集的航空电源系统的励磁电流、主发转子电流、主发输入电压、主发输出电压以及负载电压进行数据平滑处理及散点去除处理。
优选的是，所述目标向量包括13种，分别表示航空发电机正常、主发转子绕组短路、主发转子绕组断路、主发定子绕组短路、主发定子绕组断路、旋转整流二极管短路、旋转整流二极管断路、主励磁机定子绕组短路、主励磁机定子绕组断路、主励磁机转子绕组短路、主励磁机转子绕组断路、副励磁机定子绕组短路、副励磁机定子绕组断路。
优选的是，所述故障识别神经网络模型在进行训练时隐含层的节点数量为12。
本申请第二方面提供了一种基于神经网络的航空发电机电气故障诊断装置，主要包括：
数据采集模块，用于采集航空电源系统的励磁电流、主发转子电流、主发输入电压、主发输出电压以及负载电压，形成特征向量；
归一化模块，用于对所述特征向量进行归一化；
神经网络模型输出模块，用于基于预先构建并训练完成的故障识别神经网络模型，将归一化后的特征向量作为模型输入，获得模型输出，所述故障识别神经网络模型进行训练包括：以所述特征向量包含的5类数据作为输入，以故障类型构建的目标向量作为实际输出，以所述实际输出与训练样本对应的标准输出之间的误差降到设定值以下为目标，训练所述故障识别神经网络模型；
输出识别模块，用于基于模型输出，确定航空电源系统的故障结果。
优选的是，所述基于神经网络的航空发电机电气故障诊断装置还包括噪音处理模块，用于对采集的航空电源系统的励磁电流、主发转子电流、主发输入电压、主发输出电压以及负载电压进行数据平滑处理及散点去除处理。
优选的是，所述目标向量包括13种，分别表示航空发电机正常、主发转子绕组短路、主发转子绕组断路、主发定子绕组短路、主发定子绕组断路、旋转整流二极管短路、旋转整流二极管断路、主励磁机定子绕组短路、主励磁机定子绕组断路、主励磁机转子绕组短路、主励磁机转子绕组断路、副励磁机定子绕组短路、副励磁机定子绕组断路。
优选的是，所述故障识别神经网络模型在进行训练时隐含层的节点数量为12。
本申请通过提取电气故障特征参数，经由BP神经网络对参数进行训练，可以得出诊断结果，确定故障发生位置。本申请提高了电气故障识别的准确度。
附图说明
图1是本申请基于神经网络的航空发电机电气故障诊断方法的一优选实施例的流程图。
具体实施方式
为使本申请实施的目的、技术方案和优点更加清楚，下面将结合本申请实施方式中的附图，对本申请实施方式中的技术方案进行更加详细的描述。在附图中，自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。所描述的实施方式是本申请一部分实施方式，而不是全部的实施方式。下面通过参考附图描述的实施方式是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。基于本申请中的实施方式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都属于本申请保护的范围。下面结合附图对本申请的实施方式进行详细说明。
本申请第一方面提供了一种基于神经网络的航空发电机电气故障诊断方法，如图1所示，主要包括：
步骤S1、采集航空电源系统的励磁电流、主发转子电流、主发输入电压、主发输出电压以及负载电压，形成特征向量。
发电机电气故障通常包括定子绕组电气故障、转子绕组以及旋转整流器故障。通过对发动机电气故障机理进行分析，并对比发电机故障前后参数变化，最终将表1信号作为判断电气故障的特征参数。
表1电气故障特征参数
在一些可选实施方式中，步骤S1之后，进一步包括对采集的航空电源系统的励磁电流、主发转子电流、主发输入电压、主发输出电压以及负载电压进行数据平滑处理及散点去除处理。
上述实施例主要是为了在进行BP神经网络训练过程中，使得训练样本数据可靠。可以理解的是，航空电源系统工作运行过程中，由于各种干扰、噪声、误差的存在，使得系统采集到的数据偏离其真实值，因此需要将采集到的数据进行处理。本申请用到的数据处理方法为平滑处理法和散点去除法。平滑处理可以消除干扰信号的影响及信号的不规则趋势项，提高曲线光滑度。散点去除处理的目的是去除信号中不规则出现的散点干扰。
步骤S2、对所述特征向量进行归一化。即将数据映射到更小的区间内，比如[0,1]或[-1,1]。
步骤S3、基于预先构建并训练完成的故障识别神经网络模型，将归一化后的特征向量作为模型输入，获得模型输出，所述故障识别神经网络模型进行训练包括：以所述特征向量包含的5类数据作为输入，以故障类型构建的目标向量作为实际输出，以所述实际输出与训练样本对应的标准输出之间的误差降到设定值以下为目标，训练所述故障识别神经网络模型。
参考图1，本申请从故障数据中选取900个样本，其中的800个样本作为训练数据，100个样本作为检验数据。然后将归一化后的航空发电机特征向量作为模型输入，反映了航空发电机的不同故障状态信息。将航空发电机不同故障状态作为网络的输出，目标向量表示为Y1，Y2，Y3，Y4，Y5，Y6，Y7，Y8，Y9，Y10，Y11，Y12，Y13分别代表正常状态、主发电机转子绕组短路故障、主发电机转子绕组开路故障、主发电机定子绕组短路故障、主发电机定子绕组开路故障、发电机旋转整流模块二极管短路故障、发电机旋转整流模块二极管开路故障、主励磁机转子绕组短路故障、主励磁机转子绕组开路故障、主励磁机定子绕组短路故障、主励磁机定子绕组开路故障、副励磁机定子绕组短路故障、副励磁机定子绕组开路故障这13种故障模式，具体见表2。
本申请采用三层的BP网络分类器进行建模，包括输入层、输出层及隐含层。隐含层单元数选择要做到选尽量少的隐含层单元数实现尽量好的泛化能力。隐含层层数可以根据模型精度的要求自行选择。隐含层的节点数s一般满足如下公式：
其中，s为隐含层节点数，r为输入层节点数，c为输出层节点数，β为调节常数，在一些可选实施方式中，所述故障识别神经网络模型在进行训练时隐含层的节点数量为12，此时能够获得的诊断效果最佳。
因此，本设计采用三层的BP网络分类器进行建模，在网络设计中，构建三层BP网络，设定输入节点为5个，输出层节点为13个，隐层节点数为12，即采取4×12×13的网络结构。至此，发电机电气故障模式识别的网络结构已经设计好。
表2目标向量表示的故障状态
| 目标向量表示 | 故障状态 |
| Y1＝(1,0,0,0,0,0,0,0,0,0,0,0,0) | 正常 |
| Y2＝(0,1,0,0,0,0,0,0,0,0,0,0,0) | 主发转子绕组短路 |
| Y3＝(0,0,1,0,0,0,0,0,0,0,0,0,0) | 主发转子绕组断路 |
| Y4＝(0,0,0,1,0,0,0,0,0,0,0,0,0) | 主发定子绕组短路 |
| Y5＝(0,0,0,0,1,0,0,0,0,0,0,0,0) | 主发定子绕组断路 |
| Y6＝(0,0,0,0,0,1,0,0,0,0,0,0,0) | 旋转整流二极管短路 |
| Y7＝(0,0,0,0,0,0,1,0,0,0,0,0,0) | 旋转整流二极管断路 |
| Y8＝(0,0,0,0,0,0,0,1,0,0,0,0,0) | 主励磁机定子绕组短路 |
| Y9＝(0,0,0,0,0,0,0,0,1,0,0,0,0) | 主励磁机定子绕组断路 |
| Y10＝(0,0,0,0,0,0,0,0,0,1,0,0,0) | 主励磁机转子绕组短路 |
| Y11＝(0,0,0,0,0,0,0,0,0,0,1,0,0) | 主励磁机转子绕组断路 |
| Y12＝(0,0,0,0,0,0,0,0,0,0,0,1,0) | 副励磁机定子绕组短路 |
| Y13＝(0,0,0,0,0,0,0,0,0,0,0,0,1) | 副励磁机定子绕组断路 |
本申请构建了一个最为简单的BP神经网络，其可调节的参数主要包括由输入层到隐含层的4个第一权值，由隐含层到输出层的12个第二权值，隐含层的12个第一阀值，输出层的13个第二阀值。BP神经网络训练的大概流程包括：
通过第一权值、第一阀值及5个输入值，经过激活函数计算得到12个隐含层节点的结果，再基于第二权值及第二阀值，经过激活函数计算得到13个输出节点的结果，即模型的实际输出，通过该实际输出与训练样本对应的标准输出之间的误差，来修正上述给定的各权值及阀值，使得这个误差越来越低，直到网络计算输出与标准输出之间的误差E在允许的误差范围内，网络训练完毕。
上述激活函数采用S型函数或者线性函数均可，修正上述给定的各权值及阀值即为模型的反向传递过程，该反向传递过程可以采用Widrow-Hoff学习规则，通过沿着相对误差平方和的最速下降方向来修正权值及阀值，以提高模型训练速度。
另外需要说明的是，由于BP神经网络中极小值比较多，所以很容易陷入局部极小值，因此，本申请通过多次随机来实现对初始权值和阀值的设定。
步骤S4、基于模型输出，确定航空电源系统的故障结果。
根据表2，在对BP模型使用时，对于模型输出，通过查找表2来确定具体的故障结果。利用训练好的网络对100个测试样本进行故障诊断，结果如表3所示。诊断结果表明，BP神经网络技术能够较准确地对航空发电机几种典型电气故障模式进行识别。
表3航空发电机电气故障诊断结果
本申请第二方面提供了一种与上述方法对应的基于神经网络的航空发电机电气故障诊断装置，主要包括：
数据采集模块，用于采集航空电源系统的励磁电流、主发转子电流、主发输入电压、主发输出电压以及负载电压，形成特征向量；
归一化模块，用于对所述特征向量进行归一化；
神经网络模型输出模块，用于基于预先构建并训练完成的故障识别神经网络模型，将归一化后的特征向量作为模型输入，获得模型输出，所述故障识别神经网络模型进行训练包括：以所述特征向量包含的5类数据作为输入，以故障类型构建的目标向量作为实际输出，以所述实际输出与训练样本对应的标准输出之间的误差降到设定值以下为目标，训练所述故障识别神经网络模型；
输出识别模块，用于基于模型输出，确定航空电源系统的故障结果。
在一些可选实施方式中，所述基于神经网络的航空发电机电气故障诊断装置还包括噪音处理模块，用于对采集的航空电源系统的励磁电流、主发转子电流、主发输入电压、主发输出电压以及负载电压进行数据平滑处理及散点去除处理。
在一些可选实施方式中，所述目标向量包括13种，分别表示航空发电机正常、主发转子绕组短路、主发转子绕组断路、主发定子绕组短路、主发定子绕组断路、旋转整流二极管短路、旋转整流二极管断路、主励磁机定子绕组短路、主励磁机定子绕组断路、主励磁机转子绕组短路、主励磁机转子绕组断路、副励磁机定子绕组短路、副励磁机定子绕组断路。
在一些可选实施方式中，所述故障识别神经网络模型在进行训练时隐含层的节点数量为12。
本申请通过提取电气故障特征参数，经由BP神经网络对参数进行训练，可以得出诊断结果，确定故障发生位置。本申请提高了电气故障识别的准确度。
虽然，上文中已经用一般性说明及具体实施方案对本申请作了详尽的描述，但在本申请基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本申请精神的基础上所做的这些修改或改进，均属于本申请要求保护的范围。
Claims (8)
1.一种基于神经网络的航空发电机电气故障诊断方法，其特征在于，包括：
步骤S1、采集航空电源系统的励磁电流、主发转子电流、主发输入电压、主发输出电压以及负载电压，形成特征向量；
步骤S2、对所述特征向量进行归一化；
步骤S3、基于预先构建并训练完成的故障识别神经网络模型，将归一化后的特征向量作为模型输入，获得模型输出，所述故障识别神经网络模型进行训练包括：以所述特征向量包含的5类数据作为输入，以故障类型构建的目标向量作为实际输出，以所述实际输出与训练样本对应的标准输出之间的误差降到设定值以下为目标，训练所述故障识别神经网络模型；
步骤S4、基于模型输出，确定航空电源系统的故障结果。
2.如权利要求1所述的基于神经网络的航空发电机电气故障诊断方法，其特征在于，步骤S1之后，进一步包括对采集的航空电源系统的励磁电流、主发转子电流、主发输入电压、主发输出电压以及负载电压进行数据平滑处理及散点去除处理。
3.如权利要求1所述的基于神经网络的航空发电机电气故障诊断方法，其特征在于，所述目标向量包括13种，分别表示航空发电机正常、主发转子绕组短路、主发转子绕组断路、主发定子绕组短路、主发定子绕组断路、旋转整流二极管短路、旋转整流二极管断路、主励磁机定子绕组短路、主励磁机定子绕组断路、主励磁机转子绕组短路、主励磁机转子绕组断路、副励磁机定子绕组短路、副励磁机定子绕组断路。
4.如权利要求1所述的基于神经网络的航空发电机电气故障诊断方法，其特征在于，所述故障识别神经网络模型在进行训练时隐含层的节点数量为12。
5.一种基于神经网络的航空发电机电气故障诊断装置，其特征在于，包括：
数据采集模块，用于采集航空电源系统的励磁电流、主发转子电流、主发输入电压、主发输出电压以及负载电压，形成特征向量；
归一化模块，用于对所述特征向量进行归一化；
神经网络模型输出模块，用于基于预先构建并训练完成的故障识别神经网络模型，将归一化后的特征向量作为模型输入，获得模型输出，所述故障识别神经网络模型进行训练包括：以所述特征向量包含的5类数据作为输入，以故障类型构建的目标向量作为实际输出，以所述实际输出与训练样本对应的标准输出之间的误差降到设定值以下为目标，训练所述故障识别神经网络模型；
输出识别模块，用于基于模型输出，确定航空电源系统的故障结果。
6.如权利要求5所述的基于神经网络的航空发电机电气故障诊断装置，其特征在于，所述基于神经网络的航空发电机电气故障诊断装置还包括噪音处理模块，用于对采集的航空电源系统的励磁电流、主发转子电流、主发输入电压、主发输出电压以及负载电压进行数据平滑处理及散点去除处理。
7.如权利要求5所述的基于神经网络的航空发电机电气故障诊断装置，其特征在于，所述目标向量包括13种，分别表示航空发电机正常、主发转子绕组短路、主发转子绕组断路、主发定子绕组短路、主发定子绕组断路、旋转整流二极管短路、旋转整流二极管断路、主励磁机定子绕组短路、主励磁机定子绕组断路、主励磁机转子绕组短路、主励磁机转子绕组断路、副励磁机定子绕组短路、副励磁机定子绕组断路。
8.如权利要求1所述的基于神经网络的航空发电机电气故障诊断装置，其特征在于，所述故障识别神经网络模型在进行训练时隐含层的节点数量为12。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210745146.3A CN115236507A (zh) | 2022-06-27 | 2022-06-27 | 一种基于神经网络的航空发电机电气故障诊断方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210745146.3A CN115236507A (zh) | 2022-06-27 | 2022-06-27 | 一种基于神经网络的航空发电机电气故障诊断方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115236507A true CN115236507A (zh) | 2022-10-25 |
Family
ID=83671665
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210745146.3A Pending CN115236507A (zh) | 2022-06-27 | 2022-06-27 | 一种基于神经网络的航空发电机电气故障诊断方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115236507A (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102636751A (zh) * | 2012-04-26 | 2012-08-15 | 中国人民解放军海军工程大学 | 基于励磁机励磁电流的交流无刷发电机故障检测方法 |
| CN105242205A (zh) * | 2015-09-06 | 2016-01-13 | 南京航空航天大学 | 一种航空三级式交流发电机旋转整流器在线故障诊断方法 |
| CN105548764A (zh) * | 2015-12-29 | 2016-05-04 | 山东鲁能软件技术有限公司 | 一种电力设备故障诊断方法 |
| US20170160330A1 (en) * | 2015-12-04 | 2017-06-08 | Rolls-Royce Plc | Electrical machine component failure detection apparatus and method |
| CN107247231A (zh) * | 2017-07-28 | 2017-10-13 | 南京航空航天大学 | 一种基于oblgwo‑dbn模型的航空发电机故障特征提取方法 |
| CN108241298A (zh) * | 2018-01-09 | 2018-07-03 | 南京航空航天大学 | 一种基于fwa-rnn模型的航空发电机故障诊断方法 |
| CN110261773A (zh) * | 2019-07-01 | 2019-09-20 | 南京航空航天大学 | 一种航空发电机故障征兆提取方法及系统 |
| CN111983449A (zh) * | 2020-07-22 | 2020-11-24 | 西北工业大学 | 三级式起动/发电机发电阶段旋转整流器故障检测和定位方法 |
| CN113092119A (zh) * | 2021-03-16 | 2021-07-09 | 中国人民解放军海军工程大学 | 一种整流发电机组故障模拟装置 |
| CN113625164A (zh) * | 2021-08-02 | 2021-11-09 | 南京航空航天大学 | 航空发电机故障特征提取方法、系统、介质及计算设备 |
-
2022
- 2022-06-27 CN CN202210745146.3A patent/CN115236507A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102636751A (zh) * | 2012-04-26 | 2012-08-15 | 中国人民解放军海军工程大学 | 基于励磁机励磁电流的交流无刷发电机故障检测方法 |
| CN105242205A (zh) * | 2015-09-06 | 2016-01-13 | 南京航空航天大学 | 一种航空三级式交流发电机旋转整流器在线故障诊断方法 |
| US20170160330A1 (en) * | 2015-12-04 | 2017-06-08 | Rolls-Royce Plc | Electrical machine component failure detection apparatus and method |
| CN105548764A (zh) * | 2015-12-29 | 2016-05-04 | 山东鲁能软件技术有限公司 | 一种电力设备故障诊断方法 |
| CN107247231A (zh) * | 2017-07-28 | 2017-10-13 | 南京航空航天大学 | 一种基于oblgwo‑dbn模型的航空发电机故障特征提取方法 |
| CN108241298A (zh) * | 2018-01-09 | 2018-07-03 | 南京航空航天大学 | 一种基于fwa-rnn模型的航空发电机故障诊断方法 |
| CN110261773A (zh) * | 2019-07-01 | 2019-09-20 | 南京航空航天大学 | 一种航空发电机故障征兆提取方法及系统 |
| CN111983449A (zh) * | 2020-07-22 | 2020-11-24 | 西北工业大学 | 三级式起动/发电机发电阶段旋转整流器故障检测和定位方法 |
| CN113092119A (zh) * | 2021-03-16 | 2021-07-09 | 中国人民解放军海军工程大学 | 一种整流发电机组故障模拟装置 |
| CN113625164A (zh) * | 2021-08-02 | 2021-11-09 | 南京航空航天大学 | 航空发电机故障特征提取方法、系统、介质及计算设备 |
Non-Patent Citations (2)
| Title |
|---|
| 刘海港: "航空发电机综合故障诊断技术研究", 电子测量技术, vol. 37, no. 3, 31 March 2014 (2014-03-31), pages 125 - 127 * |
| 胡天翔: "某型航空发电机滚动轴承故障诊断系统的研究与实现", 中国优秀硕士学位论文全文数据库工程科技Ⅱ辑, 15 March 2022 (2022-03-15), pages 031 - 339 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108069308B (zh) | 一种基于序贯概率的电扶梯故障诊断方法 | |
| Henao et al. | Trends in fault diagnosis for electrical machines: A review of diagnostic techniques | |
| Seera et al. | Fault detection and diagnosis of induction motors using motor current signature analysis and a hybrid FMM–CART model | |
| Ghate et al. | Cascade neural-network-based fault classifier for three-phase induction motor | |
| Nyanteh et al. | Application of artificial intelligence to real-time fault detection in permanent-magnet synchronous machines | |
| CN110376522B (zh) | 一种数据融合的深度学习网络的电机故障诊断方法 | |
| US5742522A (en) | Adaptive, on line, statistical method and apparatus for detection of broken bars in motors by passive motor current monitoring and digital torque estimation | |
| Devi et al. | Diagnosis and classification of stator winding insulation faults on a three-phase induction motor using wavelet and MNN | |
| EP2950177A1 (en) | Asset condition monitoring | |
| Palácios et al. | Diagnosis of stator faults severity in induction motors using two intelligent approaches | |
| CN111044902B (zh) | 一种基于电流和电压信号的电机故障诊断方法 | |
| AU2020102137A4 (en) | Fault diagnosis method for steam turbine generator (stg) | |
| WO2014067742A1 (en) | A method for detecting a fault condition in an electrical machine | |
| Rahnama et al. | Machine‐learning approach for fault detection in brushless synchronous generator using vibration signals | |
| Tian et al. | A review of fault diagnosis for traction induction motor | |
| CN112149569B (zh) | 变压器基于模糊c均值聚类算法的声纹故障诊断方法 | |
| Sá et al. | A multilayer perceptron-based approach for stator fault detection in permanent magnet wind generators | |
| CN116308300B (zh) | 一种电力设备状态监测评价与指挥方法及系统 | |
| CN113358993A (zh) | 一种多电平变换器igbt的在线故障诊断方法及系统 | |
| CN109828168A (zh) | 基于核密度估计的变换器故障诊断方法 | |
| Wang et al. | Rotating machine fault detection based on HOS and artificial neural networks | |
| CN111060844A (zh) | 一种用于高速列车牵引传动系统的匝间短路故障诊断方法及装置 | |
| Yan et al. | A novel fault diagnosis method for marine blower with vibration signals | |
| CN115236507A (zh) | 一种基于神经网络的航空发电机电气故障诊断方法及装置 | |
| Harmouche et al. | Linear discriminant analysis for the discrimination of faults in bearing balls by using spectral features |
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 |