CN115436800A - 一种基于多模块的电机远程状态监测方法 - Google Patents

一种基于多模块的电机远程状态监测方法 Download PDF

Info

Publication number
CN115436800A
CN115436800A CN202210899536.6A CN202210899536A CN115436800A CN 115436800 A CN115436800 A CN 115436800A CN 202210899536 A CN202210899536 A CN 202210899536A CN 115436800 A CN115436800 A CN 115436800A
Authority
CN
China
Prior art keywords
fault diagnosis
cloud
algorithm
ota
motor
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
CN202210899536.6A
Other languages
English (en)
Inventor
周玲霞
周必华
高虎
孙建松
王庆刚
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.)
Kunyue Internet Environmental Technology Jiangsu Co ltd
Original Assignee
Kunyue Internet Environmental Technology Jiangsu Co ltd
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 Kunyue Internet Environmental Technology Jiangsu Co ltd filed Critical Kunyue Internet Environmental Technology Jiangsu Co ltd
Priority to CN202210899536.6A priority Critical patent/CN115436800A/zh
Publication of CN115436800A publication Critical patent/CN115436800A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/34—Testing dynamo-electric machines
    • G01R31/343—Testing dynamo-electric machines in operation
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • 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
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
    • 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
    • G06F2119/04—Ageing analysis or optimisation against ageing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Theoretical Computer Science (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Acoustics & Sound (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明提供一种基于多模块的电机远程状态监测方法；通过边缘计算网关的数据采集模块来采集电机的振动、温度、电流、电压、转速等多类型数据，通过边缘计算模块来进行阈值报警、时域、时频域的特征值提取以及故障诊断；通过“边云协同”架构将故障诊断模型动态部署在云端和边缘端，并通过OTA升级边缘侧故障诊断的算法。本发明同时提出了一种基于上述方案的电机轴承磨损度故障诊断方法，利用神经网络建立轴承磨损状态的诊断模型。解决了因支持的传感器类型少导致的电机状态监测的数据类型单一的问题、因振动信号采集方案单一导致无法全面覆盖现场测点的问题以及因边缘侧故障诊断算法不支持动态升级导致算法的升级升本高，进化能力差的问题。

Description

一种基于多模块的电机远程状态监测方法
技术领域
本发明涉及状态监测领域，具体涉及一种基于多模块的电机远程状态监测方法。
背景技术
目前工业烟气环保岛生产现场的设备维护策略主要为事后维护与预防维护模式。事后维修模式是由于设备故障已经发生，再投入检修力量，修复故障，此种模式往往造成的损失和影响较大。对于价值低、对生产影响小、非关键的设备，采用故障后维修模式存在一定的合理性，但是对于价值大、对生产影响大的关键设备，采用被动的故障后维修模式，一旦出现故障，不仅维修成本高，对生产造成的损失巨大。
而预防维护一般采用巡检+点检+定期维护的方式，对生产设备定期维护，以此提高设备的寿命并尽量减少事故的发生。但是，巡检人员通过观察、听音、测振、测温等方式进行设备点巡检，工作量巨大，且生产过程兼具高温、高噪音、高粉尘等恶劣环境，作业人员往往难以忍受，恶劣的现场环境也很容易引发安全事故；另外，点巡检模式的效果主要是靠人员来保证，作业人员的技术水平及责任心等因素直接关系到点检的实际效果，谎检、漏检等现象时有发生，预防维护围绕设备养护需要投入大量的巡检作业人员和备品备件库，提前预置的人力物力造成了成本的极大浪费。
目前在电机状态监测方面，现有技术存在以下几个缺点：
(1)状态监测的数据类型单一，大多是振动、温度、电流、电压、转速的一种或几种，不支持扩展采集多类型数据；(2)现场环境复杂，对振动传感器的安装、网络环境要求各异，而当前的振动监测方案往往只支持有线、无线振动传感器的一种，无法全面覆盖现场测点；(3) 大多数振动监测方案不支持边缘侧故障诊断算法的动态升级；(4)故障诊断算法通常部署在边缘端或云端的一侧，无法同时发挥边缘侧故障诊断的实时性强和云服务器算力强的优点。
发明内容
本发明的目的是为了解决现有技术中存在的缺点，而提出的一种基于多模块的电机远程状态监测方法。
针对上述缺点，本发明提出的解决方案致力于解决以下问题：
(1)因支持的传感器类型少导致的电机状态监测的数据类型单一的问题；(2)因振动信号采集方案单一导致无法全面覆盖现场测点的问题；(3)因边缘侧故障诊断算法不支持动态升级导致算法的升级升本高，进化能力差的问题。
为实现上述目的，本发明采用了如下技术方案：一种基于多模块的电机远程状态监测方法，包括多传感器数据采集、边云协同故障诊断以及OTA算法升级；所述多传感器数据采集包括转速、振动、温度、电压以及电流。
较佳的，所述多传感器数据采集步骤如下：
S1：一种基于边缘计算网关进行多传感器数据采集；
S11：组装网关和配电箱；
S12：选择合适的点位安装传感器；
S13：根据云端通讯方式安装4G天线或网线；
S14：给网关上电；
S15：测试传感器数据能否正常采集并发送到云端。
较佳的，所述边云协同故障诊断步骤如下：
S2：一种基于边缘计算网关实现“边云协同”故障诊断；
S21：构造振动信号原始数据集；
S22：通过内嵌的数字信号处理算法模块从原始数据集中分别提取时域、时频域特征值；
S23：计算出的所有特征值组成一个原始数据特征向量集合并发送给云平台；
S24：逐项将每种类型特征值的实时值与设置的阈值比对，如果超出阈值范围则产生一条报警记录并发送对应的原始数据至云端做详细的故障诊断。
较佳的，所述OTA算法升级步骤如下：
S3：一种基于边缘计算网关对算法进行OTA升级；
S31：制作目标版本v2源版本v1的差分包update.zip；
设源版本为v1，目标版本为v2，其中目标版本v2包含待升级的故障诊断算法；
S32：该update.zip可以存放在云端FTP/HTTP服务器；
S33：网关接收到升级指令后，通过发送AT命令从云端自动获取指定url的差分包并自动重启后完成OTA升级；
S34：若OTA升级成功，会自动重启模块；
S35：若OTA升级失败，则会重试进行升级；当重试次数超过最大次数后仍然失败，会回滚到出厂版本。
较佳的，基于上述的一种基于多模块的电机远程状态监测方法，还涉及一种电机轴承磨损度故障诊断方法，具体的步骤如下：
S41：输入振动信号
S42：对振动信号进行处理；
S43：边缘计算；
S44：故障诊断；
S45：输出轴承磨损度状态
较佳的，一种电机轴承磨损度故障诊断方法中还包含一种利用神经网络建立轴承磨损状态的诊断模型的方法，具体步骤如下：
S51：设置前馈网络创建函数nevff；
S52：设置性能函数为误差平方和；
S53：设置训练次数以及收敛误差；
S54：设置显示周期以及附加动量因子；
S55：仿真训练神经网络。
与现有技术相比，本发明的有益效果为：(1)通过本发明中的一种基于边缘计算网关进行多传感器数据采集，有效解决状态监测的数据类型单一的问题；
(2)通过边缘计算网关集成符合Bluetooth低功耗(BLE)4.1规范的无线振动传感器和有线 IEPE振动传感器，可以覆盖现场95％以上的测点；
(3)通过边云协同架构+OTA算法升级技术，将故障诊断算法同时部署在边缘端和云端，既能同时发挥边缘侧故障诊断的实时性强和云服务器算力强的优点，又能解决边缘诊断的算法升级成本高，进化能力差的问题；算法简单易实现，可在市场上绝大多数传感器的硬件平台实现。
附图说明
图1为电机振动/温度/电流/电压信号采集的点位图；
图2为一种基于边缘计算网关的多传感器数据采集方法的实现方案图；
图3为一种基于边缘计算网关进行多传感器数据采集流程图；
图4为一种基于边缘计算网关实现“边云协同”故障诊断流程图；
图5为一种基于边缘计算网关对算法进行OTA升级流程图；
图6为一种电机轴承磨损度故障诊断方法流程图；
图7为一种利用神经网络建立轴承磨损状态的诊断模型的方法流程图。
具体实施方式
为使对本发明的目的、构造、特征、及其功能有进一步的了解，兹配合实施例详细说明如下。
请结合参照附图1到图6，本发明提供了一种基于多模块的电机远程状态监测方法，包括多传感器数据采集、边云协同故障诊断以及OTA算法升级；所述多传感器数据采集包括转速、振动、温度、电压以及电流。
具体实施一：
较佳的，所述多传感器数据采集步骤如下：
S1：一种基于边缘计算网关进行多传感器数据采集；
S11：组装网关和配电箱；
S12：选择合适的点位安装传感器；
S13：根据云端通讯方式安装4G天线或网线；
S14：给网关上电；
S15：测试传感器数据能否正常采集并发送到云端。
通过边缘计算网关进行多传感器数据采集，有效解决状态监测的数据类型单一的问题。
如图1所示的一种基于边缘计算网关的多传感器数据采集方法的实现方案，共有两总方案，分别是：
(1)网关集成RS485串口，通过Modbus RTU协议采集电流、压力、流量、转速等多类型传感器数据；
(2)网关集成IEPE电路+高速SPI总线+高性能ADC采集有线振动传感器数据。
为了支持基于振动信号的电机故障诊断，通常需要以>＝20KHz的高频采样振动信号的原始数据，因此本发明使用的边缘计算网关内置IEPE电路，支持采集IEPE接口的有线振动传感器数据。采集到的振动信号的原始信号通过网关内的信号处理电路做放大、滤波处理。
多类型数据采集的价值有如下几个方面：
1)替代手持振动数据采集仪，自动采集振动数据，降低巡检工作量，提升数据采集效率和准确性；同时对振动信号进行时域、频域、时频域分析可以有效提取对各故障类型“敏感”的特征值，从而实现故障诊断预警的目的；
2)替代手持温度采集仪，自动采集温度数据，降低巡检工作量，提升数据采集效率和准确性；同时可以设置阈值来监测设备的健康状态；
3)替代人工观察，自动采集现场流量计、压力表等仪器仪表的数据，提升数据采集效率和准确性；同时可以设置阈值来监测设备的健康状态；
4)采集到的转速可以作为机理模型的重要参数，协助监测设备的健康状态并对故障类型进行诊断。
具体实施二：
较佳的，所述边云协同故障诊断步骤如下：
S2：一种基于边缘计算网关实现“边云协同”故障诊断；
S21：构造振动信号原始数据集；
S22：通过内嵌的数字信号处理算法模块从原始数据集中分别提取时域、时频域特征值；
S23：计算出的所有特征值组成一个原始数据特征向量集合并发送给云平台；
S24：逐项将每种类型特征值的实时值与设置的阈值比对，如果超出阈值范围则产生一条报警记录并发送对应的原始数据至云端做详细的故障诊断。
边缘计算网关采用Cortex-A7+Cortex-M3双MCU架构硬件平台，性能强劲，可以满足阈值判断、时域、时频域等数字信号处理算法的算力需求。
实现上述边缘计算的硬件平台推荐如下，可视算力要求更换为更高性能的Arm处理器或集成DSP芯片；
Cortex-A7处理器参数描述如下：
CPU:Cortex-A7 1.2GHz,ARMv7.Total 192 MIPS；
Flash：Code Space:10M bytes for App image bin；
(File)Data Space:25M bytes；
RAM:50M bytes
支持无线升级(OTA)；
Cortex-M3处理器参数描述如下：
强大的
Figure RE-GDA0003817597460000051
-M3；高达48MHz的时钟速度；128KB系统内可编程闪存；8KB缓存静态RAM(SRAM)；20KB超低泄漏SRAM；支持无线升级(OTA)。
1)原始信号时域特征值
原始振动加速度时域信号x＝(x1,xi,...,xN)中提取的特征值可以显示电机轴承整体的运动水平，这里xi为振动信号时域采样点值,N为信号x的样本点数，时域同步平均信号特征值包括有效值、峰值指标、峭度、脉冲因数。
a.有效值
均方根值体现的是相对时间的平均，它对早期故障引起的冲击反应不明显，但对故障后期产生大面积损伤的情况比较适用，也比较适合像磨损之类的振幅值随时间变化缓慢的故障诊断。当轴承存在故障时，它的波动有效值比正常情况下大。
其计算公式为：
Figure RE-GDA0003817597460000061
b.峰值指标
该受轴承尺寸、转速及载荷因素的影响，它比较适合点蚀类故障的诊断，但对磨损几乎没有检测能力。通过对该值变化情况的监测，不仅能实现对滚动轴承早期故障的预报，还能反映出轴承故障的发展趋势。对于正常轴承，该通常为较小的稳定值(一般在5左右)；一旦轴承出现点蚀或疲劳剥落类损伤，则在损伤点必然会产生冲击，从而导致瞬时振动峰值迅速增大，但均方根值增加不明显，所以该值增大；当故障发展到一定程度时，峰值将达到其极限值，但均方根值将明显增大，所以该值又将逐渐减小至轴承正常时的大小。
其计算公式为：
Figure 1
c.峭度
对冲击信号特别敏感，特别适用于表面损伤类故障、尤其是早期故障的诊断。其计算公式为：
Figure RE-GDA0003817597460000063
这里为信号x的均值；
Figure RE-GDA0003817597460000064
d.脉冲因数
该值是滚动轴承简易诊断的有效指标之一。当W值过大时，表明轴承可能发生了点蚀类损伤，这是因为点蚀引起的冲击会使峰值明显增大而均值无明显变化；当W过小时，则有可能是出现了磨损，这是因为磨损对峰值没有太大的影响，但会导致均值的增大。
其计算公式为：
Figure RE-GDA0003817597460000071
2)原始信号时频域特征值
研究表明,轴承在处于正常和磨损状态下进行运动时，振动信号在不同频段所包含的功率有很大的差别。因此本方法选取各个频段的功率作为特征量。
本方法对振动加速度原始信号进行3层小波包分解，将原始信号分解成8个频段的信号，然后通过sum(abs(x).^2)函数计算每个频段的功率作为特征值，表示为[Pa1 Pd1Pa2 Pd2 Pa3 Pd3 Pa4 Pd4]。
本方法采用的原始特征向量集表示为：[SRMS Xkf KS If Pa1 Pd1 Pa2 Pd2 Pa3Pd3 Pa4 Pd4]。
较佳的，所述OTA算法升级步骤如下：
S3：一种基于边缘计算网关对算法进行OTA升级；
S31：制作目标版本v2源版本v1的差分包update.zip；
设源版本为v1，目标版本为v2，其中目标版本v2包含待升级的故障诊断算法；
S32：该update.zip可以存放在云端FTP/HTTP服务器；
S33：网关接收到升级指令后，通过发送AT命令从云端自动获取指定url的差分包并自动重启后完成OTA升级；
S34：若OTA升级成功，会自动重启模块；
S35：若OTA升级失败，则会重试进行升级；当重试次数超过最大次数后仍然失败，会回滚到出厂版本。
OTA内部已做了异常处理，如遇断电，重新上电后会自动继续升级流程。如果遇到写Flash等内部错误，会重试，重试N＝5次后仍然失败，会回滚到出厂版本(备份区中存储了出厂版本)。
较佳的，基于上述的一种基于多模块的电机远程状态监测方法，还涉及一种电机轴承磨损度故障诊断方法，具体的步骤如下：
S41：输入振动信号
S42：对振动信号进行处理；
S43：边缘计算；
S44：故障诊断；
S45：输出轴承磨损度状态。
通过时域、时频域等数字信号处理算法提取振动信号特征值，结合轴承磨损量来构造特征数据集，最后通过神经网络来训练出电机轴承故障诊断模型，诊断结果为：轴承正常，轴承磨损
算法部署采用“边云协同”架构，即根据算力、诊断实时性要求决定将故障诊断模型部署在云端或边缘计算网关，充分发挥边缘侧故障诊断的实时性强和云服务器算力强的优点。
较佳的，一种电机轴承磨损度故障诊断方法中还包含一种利用神经网络建立轴承磨损状态的诊断模型的方法，具体步骤如下：
S51：设置前馈网络创建函数nevff；
S52：设置性能函数为误差平方和；
S53：设置训练次数以及收敛误差；
S54：设置显示周期以及附加动量因子；
S55：仿真训练神经网络。
其中：训练次数设置为500次；收敛误差设置为0.05；显示周期设置为30次；附加动量因子设置为0.95。
本方法基于神经网络来建立故障诊断模型。研究证明，三层BP神经网络可以实现任意N。
维空间到M维空间的映射。本发明采用含有单隐层的3层BP网络来训练特征值数据，从而建立电机轴承的振动信号特征与实际磨损状态，从而作为电机轴承故障诊断模型建立的依据，本发明只关注两种轴承磨损状态，即正常和磨损。
本方法采用三层BP神经网络来设计故障诊断模型。输入层是特征值数据对应的向量，这里以12个特征值为例表示为X＝[x1,x2,x3,x4,x5,x6,x7,x8,x9,x10,x11,x12]，输入节点数为特征值个数12；隐含层节点数为设为10，输出层是电机轴承的理论磨损状态用向量Y＝[y1,y2]表示，输出节点为2，轴承正常为[1,0]，轴承磨损为[0,1]。
本发明使用Matlab训练神经网络，使用反馈前置网络创建函数newff，激活函数选择对数S形转移函数logsig，训练算法选择对数S形转移函数traingdx。
本发明已由上述相关实施例加以描述，然而上述实施例仅为实施本发明的范例。必需指出的是，已揭露的实施例并未限制本发明的范围。相反地，在不脱离本发明的精神和范围内所作的更动与润饰，均属本发明的专利保护范围。

Claims (6)

1.一种基于多模块的电机远程状态监测方法，其特征在于：包括多传感器数据采集、边云协同故障诊断以及OTA算法升级；所述多传感器数据采集包括转速、振动、温度、电压以及电流。
2.如权利要求1所述的一种基于多模块的电机远程状态监测方法，其特征在于：所述多传感器数据采集步骤如下：
S1：一种基于边缘计算网关进行多传感器数据采集；
S11：组装网关和配电箱；
S12：选择合适的点位安装传感器;
S13：根据云端通讯方式安装4G天线或网线；
S14：给网关上电；
S15：测试传感器数据能否正常采集并发送到云端。
3.如权利要求1所述的一种基于多模块的电机远程状态监测方法，其特征在于：所述边云协同故障诊断步骤如下：
S2：一种基于边缘计算网关实现“边云协同”故障诊断；
S21：构造振动信号原始数据集；
S22：通过内嵌的数字信号处理算法模块从原始数据集中分别提取时域、时频域特征值；
S23：计算出的所有特征值组成一个原始数据特征向量集合并发送给云平台；
S24：逐项将每种类型特征值的实时值与设置的阈值比对，如果超出阈值范围则产生一条报警记录并发送对应的原始数据至云端做详细的故障诊断。
4.如权利要求1所述的一种基于多模块的电机远程状态监测方法，其特征在于：所述OTA算法升级步骤如下：
S3：一种基于边缘计算网关对算法进行OTA升级；
S31：制作 v2 对 v1 的差分包 update.zip；
S32：该 update.zip 可以存放在云端FTP/HTTP 服务器；
S33：网关接收到升级指令后，通过发送 AT 命令从云端自动获取指定 url 的差分包并自动重启后完成 OTA 升级；
S34：若 OTA 升级成功，会自动重启模块；
S35：若 OTA 升级失败，则会重试进行升级；当重试次数超过最大次数后仍然失败，会回滚到出厂版本。
5.如权利要求1所述的一种基于多模块的电机远程状态监测方法，其特征在于：所述检测方法还涉及一种电机轴承磨损度故障诊断方法，具体的步骤如下：
S41：输入振动信号；
S42：对振动信号进行处理；
S43：边缘计算；
S44：故障诊断；
S45：输出轴承磨损度状态。
6.如权利要求5所述的一种基于多模块的电机远程状态监测方法，其特征在于：所述一种电机轴承磨损度故障诊断方法中还包含一种利用神经网络建立轴承磨损状态的诊断模型的方法，具体步骤如下：
S51：设置前馈网络创建函数nevff；
S52：设置性能函数为误差平方和；
S53：设置训练次数以及收敛误差；
S54：设置显示周期以及附加动量因子；
S55：仿真训练神经网络。
CN202210899536.6A 2022-07-28 2022-07-28 一种基于多模块的电机远程状态监测方法 Pending CN115436800A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210899536.6A CN115436800A (zh) 2022-07-28 2022-07-28 一种基于多模块的电机远程状态监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210899536.6A CN115436800A (zh) 2022-07-28 2022-07-28 一种基于多模块的电机远程状态监测方法

Publications (1)

Publication Number Publication Date
CN115436800A true CN115436800A (zh) 2022-12-06

Family

ID=84242165

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210899536.6A Pending CN115436800A (zh) 2022-07-28 2022-07-28 一种基于多模块的电机远程状态监测方法

Country Status (1)

Country Link
CN (1) CN115436800A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116106005A (zh) * 2023-04-12 2023-05-12 北京理工大学 一种基于端边云协同机器学习的旋转设备故障诊断方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116106005A (zh) * 2023-04-12 2023-05-12 北京理工大学 一种基于端边云协同机器学习的旋转设备故障诊断方法
CN116106005B (zh) * 2023-04-12 2023-06-06 北京理工大学 一种基于端边云协同机器学习的旋转设备故障诊断方法

Similar Documents

Publication Publication Date Title
Zhou et al. Recent developments on wireless sensor networks technology for bridge health monitoring
KR101942806B1 (ko) 현장 고장 진단이 가능한 이동형 태양광 발전설비 고장 진단시스템
CN101408487B (zh) 基于无线传感器网络的桥梁结构安全状态应急监测及预警方法与系统
CN102792240B (zh) 用于基于条件的维护的数据获取系统
CN109763944B (zh) 一种海上风机叶片故障非接触式监测系统及监测方法
EP2199606B1 (en) Method for determining a potential for icing on a wind turbine blade
US7708524B2 (en) Method and system for utilizing lateral tower acceleration to detect asymmetric icing
US20170160243A1 (en) Device and System for Structural Health Monitoring
CN103835882A (zh) 大型风力发电机组状态监测与故障诊断系统
CN104101652B (zh) 一种基于音频信号的风电叶片损伤监测方法及监测系统
DK1936186T3 (en) The wind turbine and method of detecting asymmetric icing on a wind turbine
CN203519144U (zh) 一种风力发电机叶片与塔筒状态监测系统
CN103472802A (zh) 风力发电机组智能状态监测终端及其数据处理方法
CN102331540A (zh) 一种特高压输电线路电晕放电在线监测装置及方法
CN115436800A (zh) 一种基于多模块的电机远程状态监测方法
JP5554136B2 (ja) 監視システム及び監視方法
CN106706241B (zh) 一种风力机叶片损伤主动自检装置及方法
CN110763270A (zh) 一种基于多种信息采集的输电线路塔杆工作状况监测系统
CN112067323B (zh) 自动检查系统
US20110318165A1 (en) Method and system for utilizing rotorspeed acceleration to detect asymmetric icing
CN101614581A (zh) 低频结构振动监测仪
CN207215279U (zh) 一种基于振动传感器的变压器在线监测装置
CN112464151B (zh) 一种基于声学诊断的风电机组偏航系统异音诊断方法
CN112483332B (zh) 风力发电机组塔架的安全监测方法、监测系统及处理终端
CN115497255B (zh) 一种地质灾害监测及预警系统

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
CB02 Change of applicant information

Address after: 224051 innovation center, 42 environmental protection Avenue, environmental protection science and Technology City, Tinghu District, Yancheng City, Jiangsu Province

Applicant after: Jiangsu Kunlun Internet Technology Co.,Ltd.

Address before: 224051 innovation center, 42 environmental protection Avenue, environmental protection science and Technology City, Tinghu District, Yancheng City, Jiangsu Province

Applicant before: Kunyue Internet Environmental Technology (Jiangsu) Co.,Ltd.

CB02 Change of applicant information