CN117233603A - 真空环境下运行的永磁同步电机监测装置及故障诊断方法 - Google Patents
真空环境下运行的永磁同步电机监测装置及故障诊断方法 Download PDFInfo
- Publication number
- CN117233603A CN117233603A CN202311524154.6A CN202311524154A CN117233603A CN 117233603 A CN117233603 A CN 117233603A CN 202311524154 A CN202311524154 A CN 202311524154A CN 117233603 A CN117233603 A CN 117233603A
- Authority
- CN
- China
- Prior art keywords
- permanent magnet
- magnet synchronous
- synchronous motor
- data
- fault
- 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
- 230000001360 synchronised effect Effects 0.000 title claims abstract description 73
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000003745 diagnosis Methods 0.000 title claims abstract description 24
- 238000012806 monitoring device Methods 0.000 title claims abstract description 20
- 238000012706 support-vector machine Methods 0.000 claims abstract description 19
- 238000007789 sealing Methods 0.000 claims abstract description 11
- 230000005347 demagnetization Effects 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000002360 preparation method Methods 0.000 claims description 3
- 238000010183 spectrum analysis Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 8
- 230000002159 abnormal effect Effects 0.000 abstract description 3
- 230000005540 biological transmission Effects 0.000 abstract description 2
- 230000000694 effects Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 8
- 238000005259 measurement Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 238000005461 lubrication Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
Landscapes
- Control Of Electric Motors In General (AREA)
Abstract
本发明公开了真空环境下运行的永磁同步电机监测装置及故障诊断方法，属于真空环境下电机监测技术领域。解决了现有技术中传统的永磁同步电机监测装置不适用于真空环境的问题；本发明真空罐可以为永磁同步电机提供真空环境，且真空罐设置有配置密封装置的出线孔，在电力传输的基础上保障了密封效果，采用电信号采集装置采集永磁同步电机的运行数据，利用计算机结合多分类支持向量机算法对海量的电机运行数据进行挖掘和分析，结合提取的故障特征判断出永磁同步电机的故障类型和故障程度。本发明实现了对在真空环境下运行的永磁同步电机异常状态的监测和故障诊断，避免了对人工诊断故障的依赖，可以应用于监测真空环境下运行的永磁同步电机。
Description
技术领域
本发明涉及永磁同步电机在线监测装置及故障诊断方法，尤其涉及真空环境下运行的永磁同步电机监测装置及故障诊断方法，属于真空环境下电机监测技术领域。
背景技术
永磁同步电机（PMSM）是一种高效、可靠、低噪声、低维护的电机，具有广泛的应用前景。在真空环境下，永磁同步电机可以应用于航天器、卫星、空间站等设备的推进、姿态控制、能源转换等。然而，由于真空环境的特殊性，永磁同步电机在真空环境下运行容易出现散热、润滑、放电、振动和噪声等方面的故障问题，造成设备长时间停机，轻者严重影响生产效率，重则造成重大生命财产损失。
现有技术中，公开(公告)号为CN112285554A的专利文件中公开了电机故障诊断领域中的基于信息融合的永磁同步电机退磁故障诊断方法与装置，转矩传感器、N个加速度传感器采集实验电机在不同退磁程度下的转矩和振动信号并输入数据采集卡，数据采集卡将转矩信号和振动信号进行去燥处理并将模拟信号转换为数字信号后上传到上位机，上位机计算得到不同退磁程度情况下对应的转矩信号平均值和振动信号平均值，将转矩信号平均值、振动信号平均值作为BP神经网络的输入，将对应的退磁程度作为BP神经网络的输出，构建BP神经网络诊断模型；其利用径向电磁力产生的振动信号和切向电磁力产生的转矩信号具有互补特性，将转矩信号和振动信号的特征信息融合实现电机退磁故障诊断，提高了退磁故障诊断的精确度，但其并不适用于在真空环境的永磁同步电机故障监测。
因此，亟需一种永磁同步电机在真空环境下运行的异常状态的监测装置及诊断方法。
发明内容
在下文中给出了关于本发明的简要概述，以便提供关于本发明的某些方面的基本理解。应当理解，这个概述并不是关于本发明的穷举性概述。它并不是意图确定本发明的关键或重要部分，也不是意图限定本发明的范围。其目的仅仅是以简化的形式给出某些概念，以此作为稍后论述的更详细描述的前序。
鉴于此，为解决现有技术中传统的永磁同步电机监测装置不适用于真空环境的问题，本发明提供真空环境下运行的永磁同步电机监测装置及故障诊断方法。
技术方案一如下：真空环境下运行的永磁同步电机监测装置，包括真空罐、电信号采集装置、电机驱动装置、电源和计算机；
所述真空罐用于为永磁同步电机提供真空环境；
所述电信号采集装置与永磁同步电机连接，用于测量永磁同步电机的电信号，电信号采集装置与计算机连接，用于将测量的电信号数据上传至计算机，计算机具备数据处理功能；
所述电机驱动装置通过电信号采集装置与永磁同步电机连接，用于控制永磁同步电机的启停、转速和转矩；
所述电源与电机驱动装置连接，用于为在线监测装置供电。
进一步地，所述真空罐上设置有排气管道和密封盖板，真空罐上开设有出线孔，出线孔与真空罐进行密封处理。
技术方案二如下：真空环境下运行的永磁同步电机故障诊断方法，采用技术方案一所述的真空环境下运行的永磁同步电机监测装置采集数据，包括以下步骤：
S1.配置真空环境进行样本准备，根据故障诊断的目标通过电信号采集装置采集所需的数据，确定采集的时间间隔和持续时间，建立包括各种故障类型的电机运行数据的故障样本库；
具体的：采集的数据包括三相电压、三相电流、功率因数、有功功率、无功功率、视在功率、频率和谐波，每种故障类型的电机运行数据包含正常运行数据和对应故障的数据，故障类型包括电机匝间短路、电机退磁和三相不平衡；
S2.对电信号采集装置采集的数据进行预处理，减少噪声和冗余信息；
S3.对预处理后的数据进行特征提取，采用信号处理和频谱分析方法提取特征参数；
具体的：特征参数包括频率特征、谐波特征和能量特征；
S4.根据特征参数和故障样本建立故障模式库，采用多分类支持向量机算法对采集的实时数据进行故障识别和判断，通过求解超平面，得到故障识别结果，通过比较新数据的特征与故障模式库中数据的特征，判断出永磁同步电机故障类型和故障程度评估结果。
进一步地，所述S2中，将采集的所有维度的数据缩放到[0，1]范围，并对其进行标准化，使每个维度的数据均值为0，方差为1，对存在缺失值的数据进行删除或插值处理，对存在离群值的数据进行删除或修正处理。
进一步地，所述S4中，采用一对一转化方法将原始的多故障分类问题转化为若干个二分类问题，对每个二分类问题，使用多分类支持向量机算法通过优化目标函数求解出一个损失最小且复杂度最低的超平面，对于一个新的实时数据样本，将其输入到每个二分类问题的超平面中，得到多个预测结果，综合各个预测结果，得到最终的故障识别结果。
本发明的有益效果如下：本发明利用计算机结合多分类支持向量机算法对海量的电机运行数据进行挖掘和分析，结合提取的故障特征判断出永磁同步电机的故障类型和故障程度，从而实现故障的早期发现和预警，避免故障的恶化和扩大；本发明无需在被测电机上加装传感器，无需改变永磁同步电机结构，实现上较为简单便捷；本发明真空罐的密封盖板上开设有出线孔，出线孔与真空罐进行密封处理，在电力传输的基础上保障了真空罐密封效果；使用过程中电信号采集装置和计算机自动收集并处理永磁同步电机的运行数据，避免了对人工诊断故障的依赖，实现了对在真空环境下运行的永磁同步电机异常状态的监测和故障诊断，提高了故障诊断和预测的效率以及准确性。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为真空环境下运行的永磁同步电机监测装置示意图；
图2为真空环境下运行的永磁同步电机故障诊断方法流程示意图。
附图标记：1.真空罐；2.永磁同步电机；3.电信号采集装置；4.电机驱动装置；5.电源；6.计算机；7.动力电缆；8.信号缆线。
具体实施方式
为了使本发明实施例中的技术方案及优点更加清楚明白，以下结合附图对本发明的示例性实施例进行进一步详细的说明，显然，所描述的实施例仅是本发明的一部分实施例，而不是所有实施例的穷举。需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
实施例1：参考图1详细说明本实施例，真空环境下运行的永磁同步电机监测装置，包括真空罐1、电信号采集装置3、电机驱动装置4、电源5和计算机6；
所述真空罐1用于为永磁同步电机2提供真空环境；
所述电信号采集装置3与永磁同步电机2连接，用于测量永磁同步电机2的电信号，电信号采集装置3与计算机6连接，用于将测量的电信号数据上传至计算机6，计算机6具备数据处理功能；
所述电机驱动装置4通过电信号采集装置3与永磁同步电机连接，用于控制永磁同步电机的启停、转速和转矩；
所述电源5与电机驱动装置4连接，用于为在线监测装置供电。
进一步地，所述真空罐1上设置有排气管道和密封盖板，真空罐1上开设有出线孔，出线孔与真空罐1进行密封处理。
具体的，本实施例选用功率为3kw的永磁同步电机2置于真空罐1中，电机动力线选用2.5mm的动力电缆7，永磁同步电机2、电信号采集装置3、电机驱动装置4和电源5采用动力电缆7依次连接，电信号采集装置3通过信号缆线8与计算机6连接，电源5为在线监测装置提供380V的交流电，采用电机驱动装置4实现永磁同步电机2的平稳启动、制动和变速，同时可以监测永磁同步电机2的运行状态参数，如温度、电流、扭矩和功率，选用3电压3电流共6通道的电信号采集装置3，其电压测量范围为0V~1000V，电流测量范围为0A~50A，用于采集永磁同步电机2运行的电压信号，电信号采集装置3包括一些可调节的参数，如采样频率、平均次数和滤波器，上述参数会影响测量结果的准确性和稳定性，在测量永磁同步电机2时，根据永磁同步电机2的工作频率和转速选择合适的采样频率，本实施例中采样频率为500k，根据测量环境的干扰程度选择合适的平均次数，本实施例中平均次数设置为15次，根据采集的电信号的波形选择合适的滤波器，本实施例选用低通滤波器；
使用过程中，将待测试的永磁同步电机2置于真空罐1中，接好动力电缆7，出线孔通过密封橡胶圈与真空罐1进行密封处理，动力电缆7通过出线孔引出到真空罐1外，将真空罐1密封盖板封好，出线孔密封好，将动力电缆7接入到电信号采集装置3的测试接口，共接三路电压、三路电流，将动力电缆7从电信号采集装置3连接到电机驱动装置4的输出端，电机驱动装置4输入端连结到电源5，将计算机6通过信号缆线8连接到电信号采集装置3，将真空罐1通过排气管道排气直至满足测试所需的真空条件，对电机驱动装置4、电信号采集装置3上电，确认无异常后，操作电机驱动装置4以设定转速转动永磁同步电机2，操作电信号采集装置3，采集永磁同步电机2的三相电参数，使用计算机6查看数据波形并存储数据。
实施例2：参考图1和图2详细说明本实施例，真空环境下运行的永磁同步电机故障诊断方法，采用真空环境下运行的永磁同步电机监测装置采集数据，具体包括以下步骤：
S1.配置真空环境进行样本准备，根据故障诊断的目标通过电信号采集装置采集所需的数据，确定采集的时间间隔和持续时间，建立包括各种故障类型的电机运行数据的故障样本库；
具体的：采集的数据包括三相电压、三相电流、功率因数、有功功率、无功功率、视在功率、频率和谐波，每种故障类型的电机运行数据包含正常运行数据和对应故障的数据，故障类型包括电机匝间短路、电机退磁和三相不平衡；
S2.对电信号采集装置采集的数据进行预处理，减少噪声和冗余信息；
S3.对预处理后的数据进行特征提取，采用信号处理和频谱分析方法提取特征参数；
具体的：特征参数包括频率特征、谐波特征和能量特征；
S4.根据特征参数和故障样本建立故障模式库，采用多分类支持向量机算法对采集的实时数据进行故障识别和判断，通过求解最优超平面，得到故障识别结果，通过比较新数据的特征与故障模式库中数据的特征，判断出永磁同步电机故障类型和故障程度评估结果。
进一步地，所述S2中，将采集的所有维度的数据缩放到[0，1]范围，并对其进行标准化，使每个维度的数据均值为0，方差为1，对存在缺失值的数据进行删除或插值处理，对存在离群值的数据进行删除或修正处理。
进一步地，所述S4中，采用一对一转化方法将原始的多故障分类问题转化为若干个二分类问题，对每个二分类问题，使用多分类支持向量机算法求解出一个最优的超平面，通过优化目标函数，找到一个损失最小且复杂度最低的超平面，对于一个新的实时数据样本，将其输入到每个二分类问题的超平面中，得到多个预测结果，综合各个预测结果，得到最终的故障识别结果。
具体的，本实施例中，数据采集前使真空罐1达到被测电机运行的真空度，保持真空罐在电机测试过程中真空度不变，设定永磁同步电机2以1/2额定转速运行，开启电信号采集装置3，开始采集并存储永磁同步电机2运行数据，直到电机超温停车，停止数据采集，电机降温后，重复步骤2，测试期间注意通过排气保持真空罐真空度不变，永磁同步电机2故障无法运行后，取出电机并检测，确定电机故障类型及故障部位进行记录，测量数据存储到电信号采集装置3通过以太网接口与计算机6相连，存储到上位计算机6，在计算机6的监控软件上实时监控采集的电信号波形，查看历史数据趋势；数据采集的持续时间需要反映设备的稳态和动态特性，应该对数据进行完整和规范的记录和存储，包括数据的来源、时间、内容、单位、方法等信息，方便后续的查询和使用；数据预处理可以提高诊断的准确性和效率，将数据转换为统一的格式和度量，以便于后续的分析和处理；数据规范化可以消除数据的量纲和单位的影响，减少数据的偏差和方差，提高数据的可比性和可解释性；从永磁同步电机2运行数据中提取出能够反映永磁同步电机2状态和故障特征的信息，以便于后续的故障识别和分析；建立故障模式库基于储存的永磁同步电机2运行的历史数据，根据历史运行数据构建成为故障模式库，并对其故障类型进行分类，提取设备的故障模式及其相关信息，并结合建立的故障模式库采用多分类支持向量机算法（MSVM）对采集的实时数据进行故障识别和判断，通过比较新数据的特征值与故障模式库中的特征值，判断永磁同步电机2是否存在故障，并给出故障类型和程度的评估结果；在二分类问题中，支持向量机算法（SVM）可以将样本分为两个类别，并找出一个最优超平面，使得两个类别的间隔最大化，在多分类问题中，采用一对一转化方法（One-vs-One）配合支持向量机算法（SVM）构成多分类支持向量机算法（MSVM），对每个二分类问题，即第类数据和第/>类数据，训练一个二分类支持向量机，使第/>类数据和第/>类数据到超平面距离最小；
二分类支持向量机表示为：
；
；
；
；
第类数据和第/>类数据的超平面方程表示为：
；
其中，为/>的矩阵转置，/>为第/>类数据和第/>类数据的并集中样本的索引，为输入空间到特征空间的非线性映射，/>为惩罚参数，/>和/>为通过二分类支持向量机求解得到的超平面方程参数，/>为数据输入，/>为判断类型输出，/>为正则化系数；
采用多分类支持向量机算法（MSVM）构造决策超平面函数求解出一个最优的超平面，通过数据优化决策超平面函数可以找到一个损失最小且复杂度最低的超平面，即最优的超平面；
第类数据和第/>类数据之间二分类支持向量机的决策超平面函数/>表示为：
；
其中，为超平面系数，/>为新的实时数据样本，/>为高斯核函数，决策超平面函数/>用于判断新的实时数据样本属于第/>类数据还是第/>类数据；
对于一个新的实时数据样本，将其输入到每个二分类问题的超平面中，得到多个预测结果，综合各个预测结果，得到最终的故障识别结果。
尽管根据有限数量的实施例描述了本发明，但是受益于上面的描述，本技术领域内的技术人员明白，在由此描述的本发明的范围内，可以设想其它实施例。此外，应当注意，本说明书中使用的语言主要是为了可读性和教导的目的而选择的，而不是为了解释或者限定本发明的主题而选择的。因此，在不偏离所附权利要求书的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。对于本发明的范围，对本发明所做的公开是说明性的，而非限制性的，本发明的范围由所附权利要求书限定。
Claims (5)
1.真空环境下运行的永磁同步电机监测装置，其特征在于，包括真空罐（1）、电信号采集装置（3）、电机驱动装置（4）、电源（5）和计算机（6）；
所述真空罐（1）用于为永磁同步电机（2）提供真空环境；
所述电信号采集装置（3）与永磁同步电机（2）连接，用于测量永磁同步电机（2）的电信号，电信号采集装置（3）与计算机（6）连接，用于将测量的电信号数据上传至计算机（6），计算机（6）具备数据处理功能；
所述电机驱动装置（4）通过电信号采集装置（3）与永磁同步电机连接，用于控制永磁同步电机的启停、转速和转矩；
所述电源（5）与电机驱动装置（4）连接，用于为在线监测装置供电。
2.根据权利要求1所述的真空环境下运行的永磁同步电机监测装置，其特征在于，所述真空罐（1）设置有排气管道和密封盖板，真空罐（1）上开设有出线孔，出线孔与真空罐（1）进行密封处理。
3.真空环境下运行的永磁同步电机故障诊断方法，其特征在于，采用权利要求1所述的真空环境下运行的永磁同步电机监测装置采集数据，包括以下步骤：
S1.配置真空环境进行样本准备，根据故障诊断的目标通过电信号采集装置采集所需的数据，确定采集的时间间隔和持续时间，建立包括各种故障类型的电机运行数据的故障样本库；
具体的：采集的数据包括三相电压、三相电流、功率因数、有功功率、无功功率、视在功率、频率和谐波，每种故障类型的电机运行数据包含正常运行数据和对应故障的数据，故障类型包括电机匝间短路、电机退磁和三相不平衡；
S2.对电信号采集装置采集的数据进行预处理，减少噪声和冗余信息；
S3.对预处理后的数据进行特征提取，采用信号处理和频谱分析方法提取特征参数；
具体的：特征参数包括频率特征、谐波特征和能量特征；
S4.根据特征参数和故障样本建立故障模式库，采用多分类支持向量机算法对采集的实时数据进行故障识别和判断，通过求解超平面，得到故障识别结果，通过比较新数据的特征与故障模式库中数据的特征，判断出永磁同步电机故障类型和故障程度评估结果。
4.根据权利要求3所述的真空环境下运行的永磁同步电机故障诊断方法，其特征在于，所述S2中，将采集的所有维度的数据缩放到[0，1]范围，并对其进行标准化，使每个维度的数据均值为0，方差为1，对存在缺失值的数据进行删除或插值处理，对存在离群值的数据进行删除或修正处理。
5.根据权利要求4所述的真空环境下运行的永磁同步电机故障诊断方法，其特征在于，所述S4中，采用一对一转化方法将原始的多故障分类问题转化为若干个二分类问题，对每个二分类问题，使用多分类支持向量机算法通过优化目标函数求解出一个损失最小且复杂度最低的超平面，对于一个新的实时数据样本，将其输入到每个二分类问题的超平面中，得到多个预测结果，综合各个预测结果，得到最终的故障识别结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311524154.6A CN117233603A (zh) | 2023-11-16 | 2023-11-16 | 真空环境下运行的永磁同步电机监测装置及故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311524154.6A CN117233603A (zh) | 2023-11-16 | 2023-11-16 | 真空环境下运行的永磁同步电机监测装置及故障诊断方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117233603A true CN117233603A (zh) | 2023-12-15 |
Family
ID=89084814
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311524154.6A Pending CN117233603A (zh) | 2023-11-16 | 2023-11-16 | 真空环境下运行的永磁同步电机监测装置及故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117233603A (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN202916388U (zh) * | 2012-09-28 | 2013-05-01 | 西安华辰自动化设备有限公司 | 一种在真空状态下进行电机线圈脉冲冲击检测的装置 |
| CN104360267A (zh) * | 2014-10-17 | 2015-02-18 | 北京航天益森风洞工程技术有限公司 | 测试电机真空环境负载特性的装置 |
| CN111398811A (zh) * | 2020-03-20 | 2020-07-10 | 湖南科技大学 | 基于终端电流代价敏感学习的pmsm退磁故障诊断方法 |
| CN114019376A (zh) * | 2021-11-09 | 2022-02-08 | 西北工业大学太仓长三角研究院 | 一种真空环境下永磁同步电机的测试装置及测试方法 |
| CN115774195A (zh) * | 2022-11-21 | 2023-03-10 | 电子科技大学长三角研究院(湖州) | 一种结合稀疏表示和机器学习的永磁同步电机故障诊断方法 |
| CN115792605A (zh) * | 2022-11-04 | 2023-03-14 | 中国科学院合肥物质科学研究院 | 一种减少星载临边载荷视场切高误差的方法 |
| CN219245699U (zh) * | 2023-01-05 | 2023-06-23 | 青岛艾诺仪器有限公司 | 一种电机绕组绝缘破损检测系统 |
| CN116520140A (zh) * | 2022-12-07 | 2023-08-01 | 华润水泥投资有限公司 | 融合特征提取与小样本分类的永磁直驱电机故障检测方法 |
| CN116953514A (zh) * | 2023-08-01 | 2023-10-27 | 合力（天津）能源科技股份有限公司 | 一种数据驱动的永磁同步电机的机电故障诊断方法 |
-
2023
- 2023-11-16 CN CN202311524154.6A patent/CN117233603A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN202916388U (zh) * | 2012-09-28 | 2013-05-01 | 西安华辰自动化设备有限公司 | 一种在真空状态下进行电机线圈脉冲冲击检测的装置 |
| CN104360267A (zh) * | 2014-10-17 | 2015-02-18 | 北京航天益森风洞工程技术有限公司 | 测试电机真空环境负载特性的装置 |
| CN111398811A (zh) * | 2020-03-20 | 2020-07-10 | 湖南科技大学 | 基于终端电流代价敏感学习的pmsm退磁故障诊断方法 |
| CN114019376A (zh) * | 2021-11-09 | 2022-02-08 | 西北工业大学太仓长三角研究院 | 一种真空环境下永磁同步电机的测试装置及测试方法 |
| CN115792605A (zh) * | 2022-11-04 | 2023-03-14 | 中国科学院合肥物质科学研究院 | 一种减少星载临边载荷视场切高误差的方法 |
| CN115774195A (zh) * | 2022-11-21 | 2023-03-10 | 电子科技大学长三角研究院(湖州) | 一种结合稀疏表示和机器学习的永磁同步电机故障诊断方法 |
| CN116520140A (zh) * | 2022-12-07 | 2023-08-01 | 华润水泥投资有限公司 | 融合特征提取与小样本分类的永磁直驱电机故障检测方法 |
| CN219245699U (zh) * | 2023-01-05 | 2023-06-23 | 青岛艾诺仪器有限公司 | 一种电机绕组绝缘破损检测系统 |
| CN116953514A (zh) * | 2023-08-01 | 2023-10-27 | 合力（天津）能源科技股份有限公司 | 一种数据驱动的永磁同步电机的机电故障诊断方法 |
Non-Patent Citations (1)
| Title |
|---|
| 高玉章: "基于CNN-LSTM的永磁风力发电机匝间短路故障检测技术研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》, pages 51 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2021213142A1 (zh) | 一种牵引电机故障诊断方法及装置 | |
| Amanuel et al. | Comparative analysis of signal processing techniques for fault detection in three phase induction motor | |
| CN112285554B (zh) | 基于信息融合的永磁同步电机退磁故障诊断方法与装置 | |
| Arabaci et al. | A knowledge-based diagnosis algorithm for broken rotor bar fault classification using FFT, principal component analysis and support vector machines | |
| CN111653291B (zh) | 一种基于声纹的电力设备智能健康监测方法 | |
| KR20100112734A (ko) | 유도전동기의 온-사이트 복합 고장 진단 방법 | |
| CN113253705B (zh) | 一种鼓风机的故障诊断方法及装置 | |
| Tian et al. | A review of fault diagnosis for traction induction motor | |
| CN113030723A (zh) | 一种交流异步电机状态监测系统 | |
| CN115877205A (zh) | 一种伺服电机的故障智能诊断系统及其诊断方法 | |
| Wang et al. | Online fault detection of induction motors using frequency domain independent components analysis | |
| KR20210059551A (ko) | 고성능 컴퓨팅 자원을 활용한 딥러닝 기반 무인화 상점 시스템 관리 방법 | |
| CN117233603A (zh) | 真空环境下运行的永磁同步电机监测装置及故障诊断方法 | |
| CN113311332A (zh) | 高速永磁同步电机永磁体退磁故障诊断装置及方法 | |
| CN113311348A (zh) | 一种基于小波分解和包络谱分析的电池故障识别方法 | |
| CN111610038B (zh) | 一种故障诊断系统、方法、装置、设备及其存储介质 | |
| CN208420240U (zh) | 一种基于纯电动汽车的电机效率实时车载测量系统 | |
| CN112034782A (zh) | 一种空预器在线状态监测和故障预测方法 | |
| CN113098132A (zh) | 一种基于群智能优化的改进机器学习故障诊断系统 | |
| CN113740764A (zh) | 一种发电机转子绕组匝间短路缺陷在线检测方法和装置 | |
| Zheng et al. | Wavelet packet decomposition and neural network based fault diagnosis for elevator excessive vibration | |
| CN110848165A (zh) | 基于无传感器监测技术的离心泵机封故障诊断方法及装置 | |
| CN111398810A (zh) | 滑环电火花检测诊断系统及检测诊断方法 | |
| Arabacı et al. | Detection of induction motor broken rotor bar faults under no load condition by using support vector machines | |
| Kumar et al. | Load Fault Diagnosis in Induction Motor using Artificial Intelligence Algorithm |
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 |