CN117786385B - 基于孪生网络的三相异步电动机故障监测方法及系统 - Google Patents
基于孪生网络的三相异步电动机故障监测方法及系统 Download PDFInfo
- Publication number
- CN117786385B CN117786385B CN202311801520.8A CN202311801520A CN117786385B CN 117786385 B CN117786385 B CN 117786385B CN 202311801520 A CN202311801520 A CN 202311801520A CN 117786385 B CN117786385 B CN 117786385B
- Authority
- CN
- China
- Prior art keywords
- fault
- motor
- phase asynchronous
- monitoring
- asynchronous 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.)
- Active
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 82
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000012423 maintenance Methods 0.000 claims abstract description 158
- 230000006378 damage Effects 0.000 claims abstract description 51
- 230000036541 health Effects 0.000 claims abstract description 13
- 238000005065 mining Methods 0.000 claims description 50
- 230000002159 abnormal effect Effects 0.000 claims description 31
- 230000005856 abnormality Effects 0.000 claims description 26
- 238000004804 winding Methods 0.000 claims description 22
- 230000009467 reduction Effects 0.000 claims description 21
- 238000004364 calculation method Methods 0.000 claims description 18
- 238000011156 evaluation Methods 0.000 claims description 18
- 230000003068 static effect Effects 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 16
- 238000007418 data mining Methods 0.000 claims description 14
- 238000009412 basement excavation Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 8
- 239000013598 vector Substances 0.000 claims description 8
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical group [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 claims description 6
- 230000000295 complement effect Effects 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000001914 filtration Methods 0.000 description 3
- 230000008439 repair process Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000009413 insulation Methods 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005272 metallurgy Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000009528 severe injury Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Landscapes
- Control Of Electric Motors In General (AREA)
Abstract
本申请提供了基于孪生网络的三相异步电动机故障监测方法及系统,涉及故障监测技术领域,所述方法包括:采集电动机实时的运行参数,下载三相异步电动机的历史工作数据,然后构建三相异步电动机的孪生模型,进行故障比对,得到故障比对结果,对故障维护记录进行划分,然后进行特征提取并进行电动机健康状况评估,得到故障损伤程度评分,最后最结果进行调准,输出故障监测结果。本申请主要解决了传统方式具有局限性,自动化和智能化程度低,故障监测的准确率和效率较低。基于孪生网络的三相异步电动机故障监测方法可以实现自动化和智能化监测,提高了故障监测的准确性和效率。
Description
技术领域
本申请涉及故障监测技术领域,具体涉及基于孪生网络的三相异步电动机故障监测方法及系统。
背景技术
三相异步电动机在工业领域中广泛应用,如电力、冶金、化工、机械等领域。由于长期运行、环境因素、维护不当等原因,电动机可能会出现各种故障,如绕组短路、断路、绝缘损坏等。这些故障不仅会影响电动机的正常运行,还可能引发安全事故。因此,对三相异步电动机进行故障监测具有重要意义。传统故障监测方法的局限性:传统的故障监测方法通常基于电动机的电气参数、振动、声音等信号进行监测。然而,这些方法在某些情况下可能存在局限性,如信号干扰、噪声干扰、传感器失效等问题。此外,传统方法通常需要人工操作和经验判断,难以实现自动化和智能化。
但在实现本申请实施例中发明技术方案的过程中,发现上述技术至少存在如下技术问题:
传统方式具有局限性,自动化和智能化程度低,故障监测的准确率和效率较低。
发明内容
本申请主要解决了传统方式具有局限性,自动化和智能化程度低,故障监测的准确率和效率较低。
鉴于上述问题,本申请提供了基于孪生网络的三相异步电动机故障监测方法及系统,第一方面,本申请提供了基于孪生网络的三相异步电动机故障监测方法,所述方法包括:采集电动机的实时运行参数,所述实时运行参数包括电流参数、电压参数、温度参数;下载三相异步电动机的历史工作数据,所述历史工作数据中包括故障维护记录、转速数据和转矩数据;基于所述历史工作数据、所述实时运行参数,构建三相异步电动机的孪生网络模型,所述三相异步电动机包括静止构件机群、旋转构件机群以及静止构件与旋转构件对应的连接构件,其中,所述静止构件机群对应的结构包括定子铁心、定子绕组、机座,所述旋转构件机群对应的结构包括转子、转子绕组,所述连接构件包括轴承;基于所述孪生网络模型,通过所述实时运行参数以及所述历史工作数据进行故障比对,得到故障比对结果;从机械控制角度,对所述故障维护记录进行划分,得到正转故障维护记录、反转故障维护记录;从电气性能角度,对所述故障维护记录进行划分,得到电流异常维护记录、电压异常维护记录、温度异常维护记录、负载异常维护记录;通过所述正转故障维护记录、反转故障维护记录以及所述电流异常维护记录、电压异常维护记录、温度异常维护记录、负载异常维护记录进行特征提取,并进行电动机健康状况评估,得到故障损伤程度评分;通过所述故障损伤程度评分,对所述故障比对结果进行调准,输出故障监测结果。
第二方面,本申请提供了基于孪生网络的三相异步电动机故障监测系统,所述系统包括:实时运行参数采集模块,所述实时运行参数采集模块用于采集电动机的实时运行参数,所述实时运行参数包括电流参数、电压参数、温度参数;历史工作数据下载模块,所述历史工作数据下载模块用于下载三相异步电动机的历史工作数据,所述历史工作数据中包括故障维护记录、转速数据和转矩数据;孪生网络模型构建模块,所述孪生网络模型构建模块是基于所述历史工作数据、所述实时运行参数,构建三相异步电动机的孪生网络模型,所述三相异步电动机包括静止构件机群、旋转构件机群以及静止构件与旋转构件对应的连接构件,其中,所述静止构件机群对应的结构包括定子铁心、定子绕组、机座,所述旋转构件机群对应的结构包括转子、转子绕组,所述连接构件包括轴承;故障对比结果获取模块,所述故障对比结果获取模块是基于所述孪生网络模型,通过所述实时运行参数以及所述历史工作数据进行故障比对,得到故障比对结果;维护记录获取模块,所述维护记录获取模块用于从机械控制角度,对所述故障维护记录进行划分,得到正转故障维护记录、反转故障维护记录;从电气性能角度,对所述故障维护记录进行划分,得到电流异常维护记录、电压异常维护记录、温度异常维护记录、负载异常维护记录;故障损伤程度评分获取模块,所述故障损伤程度评分获取模块用于通过所述正转故障维护记录、反转故障维护记录以及所述电流异常维护记录、电压异常维护记录、温度异常维护记录、负载异常维护记录进行特征提取,并进行电动机健康状况评估,得到故障损伤程度评分;故障监测结果输出模块,所述故障监测结果输出模块用于通过所述故障损伤程度评分,对所述故障比对结果进行调准,输出故障监测结果。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
本申请提供了基于孪生网络的三相异步电动机故障监测方法及系统,涉及故障监测技术领域,所述方法包括:采集电动机实时的运行参数,下载三相异步电动机的历史工作数据,然后构建三相异步电动机的孪生模型,进行故障比对,得到故障比对结果,对故障维护记录进行划分,然后进行特征提取并进行电动机健康状况评估,得到故障损伤程度评分,最后最结果进行调准,输出故障监测结果。
本申请主要解决了传统方式具有局限性,自动化和智能化程度低,故障监测的准确率和效率较低。基于孪生网络的三相异步电动机故障监测方法可以实现自动化和智能化监测,提高了故障监测的准确性和效率。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其他目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
为了更清楚地说明本申请或现有技术中的技术方案,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示例性的,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,还可以根据提供的附图获得其他的附图。
图1为本申请实施例提供了基于孪生网络的三相异步电动机故障监测方法流程示意图;
图2为本申请实施例提供了基于孪生网络的三相异步电动机故障监测方法中进行宽容挖掘配置优化的方法流程示意图;
图3为本申请实施例提供了基于孪生网络的三相异步电动机故障监测方法中进行故障实时定位的方法流程示意图;
图4为本申请实施例提供了基于孪生网络的三相异步电动机故障监测系统的结构示意图。
附图标记说明:实时运行参数采集模块10,历史工作数据下载模块20,孪生网络模型构建模块30,故障对比结果获取模块40,维护记录获取模块50,故障损伤程度评分获取模块60,故障监测结果输出模块70。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
本申请主要解决了传统方式具有局限性,自动化和智能化程度低,故障监测的准确率和效率较低。基于孪生网络的三相异步电动机故障监测方法可以实现自动化和智能化监测,提高了故障监测的准确性和效率。
为了更好地理解上述技术方案,下面将结合说明书附图以及具体的实施方式对上述方案进行详细介绍:
实施例一
如图1所示基于孪生网络的三相异步电动机故障监测方法,所述方法包括:
采集电动机的实时运行参数,所述实时运行参数包括电流参数、电压参数、温度参数;
具体而言,电流参数是电动机运行中的关键参数之一。通过监测电动机的电流,可以了解电动机的负载情况、运行状态以及是否存在故障。电流参数的变化可以反映电动机的绕组短路、断路、绝缘损坏等故障。电压参数:电压参数是电动机运行中的另一个重要参数。通过监测电动机的电压,可以了解电源电压的波动情况以及电动机的电压降。电压参数的变化可以反映电动机的电源故障、过载运行等异常情况。温度参数:温度参数是电动机运行中的另一个关键参数。通过监测电动机的温度,可以了解电动机的运行状态以及是否存在过热故障。温度参数的变化可以反映电动机的绕组过热、轴承磨损等故障。在采集实时运行参数时,通常需要使用传感器和测量设备。例如,可以使用电流互感器、电压互感器等设备来测量电动机的电流和电压,使用温度传感器来测量电动机的温度。这些传感器和测量设备可以将实时运行参数转换为电信号或数字信号,然后通过数据采集系统进行采集和处理。
下载三相异步电动机的历史工作数据,所述历史工作数据中包括故障维护记录、转速数据和转矩数据;
具体而言,故障维护记录通常包括电动机的故障类型、故障时间、故障位置、维护措施等信息。通过对这些记录进行分析,可以了解电动机的故障历史和维修情况,为故障监测和诊断提供参考。转速数据:通过监测电动机的转速,可以了解电动机的运行状态和负载情况。转速数据的变化可以反映电动机的故障情况,如轴承磨损、齿轮故障等。转矩数据:通过监测电动机的转矩,可以了解电动机的负载情况和运行效率。转矩数据的变化可以反映电动机的故障情况,如绕组短路、断路等。在下载三相异步电动机的历史工作数据时,通常需要使用数据采集系统和存储设备。这些系统可以将电动机的历史工作数据采集并存储在数据库中,方便后续的分析和处理。
基于所述历史工作数据、所述实时运行参数,构建三相异步电动机的孪生网络模型,所述三相异步电动机包括静止构件机群、旋转构件机群以及静止构件与旋转构件对应的连接构件,其中,所述静止构件机群对应的结构包括定子铁心、定子绕组、机座,所述旋转构件机群对应的结构包括转子、转子绕组,所述连接构件包括轴承;
具体而言,首先,收集电动机的历史工作数据和实时运行参数。这些数据可能包括电流、电压、温度、转速、转矩等参数。对于历史数据,需要进行预处理和清洗,以消除异常值和噪声。对于实时数据,需要实时采集并处理。从收集到的数据中提取有用的特征。这些特征可能包括电流波形、电压波形、温度变化趋势、转速变化趋势等。构建孪生网络模型:使用深度学习技术构建孪生网络模型。孪生网络是一种特殊的神经网络结构,它由两个或多个相同的网络结构组成,每个网络结构都学习一个不同的输入样本。在电动机故障监测中,可以使用一个孪生网络模型来学习正常状态和故障状态下的电动机特征。训练孪生网络模型:使用历史工作数据和实时运行参数对孪生网络模型进行训练。在训练过程中,模型会不断调整权重和偏置,以最小化预测误差。训练完成后,模型可以用于预测电动机的故障状态。静止构件机群:定子铁心:定子铁心是电动机的固定部分,负责提供磁通。定子绕组:定子绕组是电动机的电流路径,负责产生旋转磁场。机座:机座是电动机的支撑结构,负责固定和保护电动机的其他部分。旋转构件机群:转子:转子是电动机的旋转部分,负责将电能转换为机械能。转子绕组:转子绕组是电动机的电流路径,负责在旋转过程中产生感应电流。连接构件:轴承:轴承是连接静止构件和旋转构件的关键部件,负责支撑和保护电动机的旋转部分。在孪生网络模型中,静止构件机群、旋转构件机群以及连接构件之间通过特定的连接方式相互连接。这种连接方式可以反映电动机的结构和运行特性,为故障监测和诊断提供重要的信息。通过构建孪生网络模型,可以利用历史工作数据和实时运行参数对电动机的运行状态进行监测和诊断。例如,可以利用历史工作数据中的故障维护记录、转速数据和转矩数据来训练孪生网络模型,使其能够识别和分类电动机的故障类型。同时,可以利用实时运行参数来实时监测电动机的运行状态,及时发现和排除故障。
基于所述孪生网络模型,通过所述实时运行参数以及所述历史工作数据进行故障比对,得到故障比对结果;
具体而言,采集实时运行参数:通过传感器和测量设备采集电动机的实时运行参数,如电流、电压、温度等。提取特征:将采集到的实时运行参数进行特征提取,提取出与故障相关的特征。输入孪生网络模型:将提取出的特征输入到训练好的孪生网络模型中。进行故障比对:在孪生网络模型中进行故障比对,将实时运行参数与历史工作数据进行比较。输出故障比对结果:根据比对结果,输出故障比对结果,包括故障类型、故障位置等信息。
从机械控制角度,对所述故障维护记录进行划分,得到正转故障维护记录、反转故障维护记录;从电气性能角度,对所述故障维护记录进行划分,得到电流异常维护记录、电压异常维护记录、温度异常维护记录、负载异常维护记录;
具体而言,从机械控制角度,可以将所述故障维护记录划分为正转故障维护记录和反转故障维护记录。正转故障维护记录:轴承故障:正转时,轴承是主要的支撑部件,如果轴承出现磨损、损坏等问题,会导致电动机运转不平稳,产生异常振动和噪声。机械松动:正转时,电动机的部件可能因松动而发生位置偏移,导致运行不稳定,甚至引发故障。反转故障维护记录:电磁铁故障:反转时,电磁铁的作用是改变电流的方向,如果电磁铁出现故障,会导致电流方向无法正确改变,影响电动机的正常运行。换向器故障:换向器是电动机中的重要部件,负责将电流从定子绕组传递到转子绕组。如果换向器出现故障,会导致电流无法正常传递,影响电动机的反转功能。从电气性能角度,可以将所述故障维护记录划分为电流异常维护记录、电压异常维护记录、温度异常维护记录和负载异常维护记录。电流异常维护记录:电流过大:当电动机的电流超过额定值时,会导致电动机过热,甚至烧毁。电流过小:当电动机的电流过小时,电动机可能无法正常运行。电压异常维护记录:电压过高:当电源电压过高时,会导致电动机过热,甚至烧毁。电压过低:当电源电压过低时,电动机可能无法正常运行。温度异常维护记录:温度过高:当电动机的温度过高时,会导致电动机过热,甚至烧毁。温度过低:当电动机的温度过低时,可能影响电动机的正常运行。负载异常维护记录:负载过大:当电动机的负载超过其额定值时,会导致电动机过热,甚至烧毁。负载过小:当电动机的负载过小时,可能影响电动机的正常运行。
通过所述正转故障维护记录、反转故障维护记录以及所述电流异常维护记录、电压异常维护记录、温度异常维护记录、负载异常维护记录进行特征提取,并进行电动机健康状况评估,得到故障损伤程度评分;
具体而言,通过正转故障维护记录、反转故障维护记录以及电流异常维护记录、电压异常维护记录、温度异常维护记录、负载异常维护记录进行特征提取,并进行电动机健康状况评估,可以得到故障损伤程度评分。特征提取:从正转故障维护记录中提取与正转相关的特征,如轴承磨损程度、机械松动程度等。从反转故障维护记录中提取与反转相关的特征,如电磁铁故障类型、换向器磨损程度等。从电流异常维护记录中提取电流异常的特征,如电流过大或过小的持续时间、频率等。从电压异常维护记录中提取电压异常的特征,如电压过高或过低的持续时间、频率等。从温度异常维护记录中提取温度异常的特征,如温度过高或过低的持续时间、频率等。从负载异常维护记录中提取负载异常的特征,如负载过大或过小的持续时间、频率等。电动机健康状况评估:根据提取的特征,评估电动机的健康状况。例如,如果电流异常持续时间长且频率高,则电动机可能存在严重的电气故障。根据正转和反转故障的维护记录,评估电动机的机械性能。例如,如果轴承磨损严重,则电动机的机械性能会受到影响。故障损伤程度评分:根据电动机的健康状况评估结果,为电动机的故障损伤程度打分。例如,可以根据故障的严重程度、影响范围以及修复难度等因素,将故障损伤程度分为1-10分,其中1分表示轻微损伤,10分表示严重损伤。
通过所述故障损伤程度评分,对所述故障比对结果进行调准,输出故障监测结果。
具体而言,通过所述故障损伤程度评分,可以对所述故障比对结果进行调准,并输出故障监测结果。获取故障损伤程度评分:根据电动机的健康状况评估结果,获得故障损伤程度评分。调准故障比对结果:将故障损伤程度评分与故障比对结果进行对比,对故障比对结果进行调准。例如,如果故障损伤程度评分较高,说明电动机存在较严重的故障,需要对故障比对结果进行修正。输出故障监测结果:根据调准后的故障比对结果,输出故障监测结果。例如,可以输出故障类型、故障位置、故障程度等信息,为电动机的维修和保养提供参考。
进一步而言,本申请方法还包括:
将所述实时运行参数输入到孪生网络模型中,得到电动机的运行状态预测结果;
对所述运行状态预测结果与所述历史工作数据对应的历史运行状态进行比对,计算相似度得分;
通过所述相似度得分,进行故障等级评估,并进行故障监测预警。
具体而言,将所述实时运行参数输入到孪生网络模型中,可以得到电动机的运行状态预测结果。实时运行参数采集:通过传感器和测量设备采集电动机的实时运行参数,如电流、电压、温度等。运行状态预测:将采集到的实时运行参数输入到训练好的孪生网络模型中,得到电动机的运行状态预测结果。接下来,可以对运行状态预测结果与历史工作数据对应的历史运行状态进行比对,计算相似度得分。历史运行状态提取:从历史工作数据中提取与当前实时运行参数相似的历史运行状态。相似度计算:将运行状态预测结果与历史运行状态进行比对,计算相似度得分。相似度得分可以反映电动机当前运行状态与历史运行状态的相似程度。通过所述相似度得分,可以进行故障等级评估,并进行故障监测预警。故障等级评估:根据相似度得分,评估电动机的故障等级。如果相似度得分较低,说明电动机的运行状态与历史运行状态差异较大,可能存在故障。故障监测预警:根据故障等级评估结果,进行故障监测预警。如果故障等级较高,可以发出预警信号,提醒维修人员进行检修和维护。
进一步而言,本申请方法还包括:
基于所述运行状态预测结果,在所述故障维护记录中进行数据挖掘,得到故障关联特征;
通过所述故障关联特征,进行电动机运行的影响性评价,获取故障影响评分;
将所述故障影响评分作为所述故障损伤程度评分的补充信息。
具体而言,基于所述运行状态预测结果,可以在所述故障维护记录中进行数据挖掘,得到故障关联特征。数据挖掘:通过对故障维护记录进行数据挖掘,提取与电动机运行状态相关的故障关联特征。这些特征可能包括故障类型、故障位置、故障发生时间、故障持续时间等。故障关联特征提取:通过分析故障维护记录中的数据,提取与电动机运行状态密切相关的故障关联特征。这些特征可能包括电流异常、电压异常、温度异常、负载异常等。接下来,通过所述故障关联特征,进行电动机运行的影响性评价,获取故障影响评分。影响性评价:根据提取的故障关联特征,对电动机运行的影响性进行评价。例如,如果电流异常持续时间长且频率高,则电动机可能受到较大的影响。故障影响评分:根据影响性评价结果,为电动机的故障影响程度打分。例如,可以根据故障的影响范围、修复难度以及潜在风险等因素,将故障影响程度分为1-10分,其中1分表示轻微影响,10分表示严重影响。最后,将所述故障影响评分作为所述故障损伤程度评分的补充信息。综合评估:将故障损伤程度评分与故障影响评分进行综合评估,得到电动机的综合评估结果。例如,如果故障损伤程度评分较高且故障影响评分也较高,则电动机可能存在严重的故障和较大的影响。补充信息:将故障影响评分作为故障损伤程度评分的补充信息,为电动机的维修和保养提供更全面的参考。例如,在评估电动机的故障等级时,除了考虑故障损伤程度评分外,还可以考虑故障影响评分。
进一步而言,本申请方法,基于所述运行状态预测结果,在所述故障维护记录中进行数据挖掘,得到故障关联特征,所述方法包括:
通过预设标准信息建立标定算力约束;
基于所述故障维护记录的数据流特征,提取故障关键指标;
根据所述故障关键指标,使用所述标定算力约束在所述故障维护记录中进行宽容挖掘配置。
具体而言,通过预设标准信息建立标定算力约束,可以确保故障维护记录的准确性和可靠性。预设标准信息:根据电动机系统的特点和实际需求,预设与故障维护记录相关的标准信息。这些标准信息可能包括正常的运行参数范围、故障类型和故障等级等。建立标定算力约束:根据预设的标准信息,建立标定算力约束。这个约束可以是数学模型、算法或规则等,用于对故障维护记录进行筛选、分类和标定。验证和调整:在实际应用中,需要对标定算力约束进行验证和调整。通过与实际故障维护记录进行比较和分析,可以发现并修正标定算力约束中的错误和不足之处。基于所述故障维护记录的数据流特征,提取故障关键指标。数据流特征提取:从故障维护记录中提取与数据流相关的特征,如数据的变化趋势、波动范围、异常值等。这些特征可以反映电动机系统的运行状态和故障情况。故障关键指标提取:通过对数据流特征进行分析和处理,提取与故障相关的关键指标。这些指标可以是与电流、电压、温度等参数相关的统计量,如平均值、方差、最大值等。根据所述故障关键指标,使用所述标定算力约束在所述故障维护记录中进行宽容挖掘配置。宽容挖掘配置:使用标定算力约束和故障关键指标,对故障维护记录进行宽容挖掘配置。这个过程可以包括筛选、分类、聚类等操作,以发现隐藏在数据中的有价值的信息。综合分析:通过宽容挖掘配置,可以得到与电动机系统相关的有价值的信息。例如,可以发现潜在的故障模式、预测未来的故障趋势等。综合分析这些信息,可以为电动机系统的维护和保养提供参考和支持。
进一步而言,如图2所示,本申请方法还包括:
将所述标定算力约束作为第一平衡约束指标,将所述故障影响评分作为第二平衡约束指标;
通过所述第一平衡约束指标、所述第二平衡约束指标,进行挖掘忽略判定,得到初始挖掘结果;
通过所述故障关键指标,对所述初始挖掘结果进行评价,得到忽略约束评分,并通过预设评分阈值,进行宽容挖掘配置优化。
具体而言,将所述标定算力约束作为第一平衡约束指标,将所述故障影响评分作为第二平衡约束指标,可以通过这两个指标进行挖掘忽略判定,得到初始挖掘结果。确定第一平衡约束指标:将标定算力约束作为第一平衡约束指标。这个指标可以反映故障维护记录的准确性和可靠性,确保挖掘结果的准确性和可信度。确定第二平衡约束指标:将故障影响评分作为第二平衡约束指标。这个指标可以反映故障对电动机系统的影响程度,帮助确定挖掘结果的优先级和重要性。进行挖掘忽略判定:根据第一平衡约束指标和第二平衡约束指标,对故障维护记录进行挖掘忽略判定。这个过程可以包括筛选、分类、聚类等操作,以发现隐藏在数据中的有价值的信息。得到初始挖掘结果:通过挖掘忽略判定,可以得到与电动机系统相关的初始挖掘结果。这些结果可能包括潜在的故障模式、预测未来的故障趋势等。接下来,通过所述故障关键指标,对所述初始挖掘结果进行评价,得到忽略约束评分。提取故障关键指标:从初始挖掘结果中提取与故障相关的关键指标。这些指标可以是与电流、电压、温度等参数相关的统计量,如平均值、方差、最大值等。评价初始挖掘结果:根据提取的故障关键指标,对初始挖掘结果进行评价。这个过程可以包括对比分析、趋势分析等操作,以确定挖掘结果的准确性和可靠性。得到忽略约束评分:根据评价结果,可以得到忽略约束评分。这个评分可以反映挖掘结果与实际故障情况的符合程度,帮助确定挖掘结果的可靠性和可信度。最后,通过预设评分阈值,进行宽容挖掘配置优化。预设评分阈值:根据实际需求和经验,预设合适的评分阈值。这个阈值可以用于判断挖掘结果的可靠性和可信度,帮助确定是否需要进行进一步的优化配置。进行宽容挖掘配置优化:根据预设的评分阈值,对挖掘结果进行优化配置。这个过程可以包括调整算法参数、改进挖掘方法等操作,以提高挖掘结果的准确性和效率。
进一步而言,本申请方法还包括:
若所述忽略约束评分满足所述预设评分阈值,则使用所述初始挖掘结果替换上一监测时间点的数据挖掘结果;
若所述忽略约束评分不满足所述预设评分阈值,通过所述初始挖掘结果进行特征向量的降维,获取降维处理指标;
通过所述降维处理指标,对所述初始挖掘结果进行更新。
具体而言,若所述忽略约束评分满足所述预设评分阈值,则使用所述初始挖掘结果替换上一监测时间点的数据挖掘结果。判断忽略约束评分:根据预设的评分阈值,判断忽略约束评分是否满足要求。如果满足要求,则进入下一步;如果不满足要求,则进行降维处理。替换数据挖掘结果:将初始挖掘结果替换上一监测时间点的数据挖掘结果。这个过程可以包括更新数据库、更新可视化界面等操作,以反映最新的挖掘结果。若所述忽略约束评分不满足所述预设评分阈值,通过所述初始挖掘结果进行特征向量的降维,获取降维处理指标。特征向量降维:对初始挖掘结果中的特征向量进行降维处理。这个过程可以包括主成分分析、决策树降维等操作,以减少特征向量的维度和计算复杂度。获取降维处理指标:通过降维处理,获取降维处理指标。这些指标可以反映降维后的特征向量的重要性和代表性,帮助确定降维处理的效果和可靠性。通过所述降维处理指标,对所述初始挖掘结果进行更新。更新初始挖掘结果:根据降维处理指标,对初始挖掘结果进行更新。这个过程可以包括筛选、分类、聚类等操作,以发现隐藏在数据中的有价值的信息。
进一步而言,如图3所示,本申请方法还包括:
通过所述故障关联特征,设置故障损伤标记;
通过所述孪生网络模型,得到故障定位坐标,所述故障定位坐标包括故障构件空间坐标、故障构件时间坐标、故障类型坐标以及故障等级坐标;
通过所述故障损伤标记与所述故障定位坐标,进行故障实时定位。
具体而言,通过所述故障关联特征,可以设置故障损伤标记。提取故障关联特征:从故障维护记录中提取与故障相关的关联特征。这些特征可能包括电流异常、电压异常、温度异常、负载异常等。设置故障损伤标记:根据提取的故障关联特征,为每个故障设置相应的损伤标记。这个标记可以用于后续的故障定位和识别。接下来,通过所述孪生网络模型,可以得到故障定位坐标。输入实时运行参数:将实时采集的电动机运行参数输入到孪生网络模型中。计算相似度得分:根据输入的运行参数,计算与历史运行状态之间的相似度得分。得到故障定位坐标:根据相似度得分和历史运行状态,通过孪生网络模型得到故障定位坐标。这个坐标可以包括故障构件空间坐标、故障构件时间坐标、故障类型坐标以及故障等级坐标。最后,通过所述故障损伤标记与所述故障定位坐标,进行故障实时定位。关联故障损伤标记和故障定位坐标:将设置的故障损伤标记与得到的故障定位坐标进行关联。实时定位故障:根据关联的结果,进行故障的实时定位。这个过程可以包括可视化展示、告警提示等操作,以提供实时的故障信息。
实施例二
基于与前述实施例基于孪生网络的三相异步电动机故障监测方法相同的发明构思,如图4所示,本申请提供了基于孪生网络的三相异步电动机故障监测系统,所述系统包括:
实时运行参数采集模块10,所述实时运行参数采集模块10用于采集电动机的实时运行参数,所述实时运行参数包括电流参数、电压参数、温度参数;
历史工作数据下载模块20,所述历史工作数据下载模块20用于下载三相异步电动机的历史工作数据,所述历史工作数据中包括故障维护记录、转速数据和转矩数据;
孪生网络模型构建模块30,所述孪生网络模型构建模块30是基于所述历史工作数据、所述实时运行参数,构建三相异步电动机的孪生网络模型,所述三相异步电动机包括静止构件机群、旋转构件机群以及静止构件与旋转构件对应的连接构件,其中,所述静止构件机群对应的结构包括定子铁心、定子绕组、机座,所述旋转构件机群对应的结构包括转子、转子绕组,所述连接构件包括轴承;
故障对比结果获取模块40,所述故障对比结果获取模块40是基于所述孪生网络模型,通过所述实时运行参数以及所述历史工作数据进行故障比对,得到故障比对结果;
维护记录获取模块50,所述维护记录获取模块50用于从机械控制角度,对所述故障维护记录进行划分,得到正转故障维护记录、反转故障维护记录;从电气性能角度,对所述故障维护记录进行划分,得到电流异常维护记录、电压异常维护记录、温度异常维护记录、负载异常维护记录;
故障损伤程度评分获取模块60,所述故障损伤程度评分获取模块60用于通过所述正转故障维护记录、反转故障维护记录以及所述电流异常维护记录、电压异常维护记录、温度异常维护记录、负载异常维护记录进行特征提取,并进行电动机健康状况评估,得到故障损伤程度评分;
故障监测结果输出模块70,所述故障监测结果输出模块70用于通过所述故障损伤程度评分,对所述故障比对结果进行调准,输出故障监测结果。
进一步地,该系统还包括:
故障监测预警模块,用于将所述实时运行参数输入到孪生网络模型中,得到电动机的运行状态预测结果;对所述运行状态预测结果与所述历史工作数据对应的历史运行状态进行比对,计算相似度得分;通过所述相似度得分,进行故障等级评估,并进行故障监测预警。
进一步地,该系统还包括:
故障影响评分获取模块,是基于所述运行状态预测结果,在所述故障维护记录中进行数据挖掘,得到故障关联特征;通过所述故障关联特征,进行电动机运行的影响性评价,获取故障影响评分;将所述故障影响评分作为所述故障损伤程度评分的补充信息。
进一步地,该系统还包括:
挖掘配置模块,用于通过预设标准信息建立标定算力约束;基于所述故障维护记录的数据流特征,提取故障关键指标;根据所述故障关键指标,使用所述标定算力约束在所述故障维护记录中进行宽容挖掘配置。
进一步地,该系统还包括:
配置优化模块,用于将所述标定算力约束作为第一平衡约束指标,将所述故障影响评分作为第二平衡约束指标;通过所述第一平衡约束指标、所述第二平衡约束指标,进行挖掘忽略判定,得到初始挖掘结果;通过所述故障关键指标,对所述初始挖掘结果进行评价,得到忽略约束评分,并通过预设评分阈值,进行宽容挖掘配置优化。
进一步地,该系统还包括:
结果更新模块,若所述忽略约束评分满足所述预设评分阈值,则使用所述初始挖掘结果替换上一监测时间点的数据挖掘结果;若所述忽略约束评分不满足所述预设评分阈值,通过所述初始挖掘结果进行特征向量的降维,获取降维处理指标;通过所述降维处理指标,对所述初始挖掘结果进行更新。
进一步地,该系统还包括:
故障实时定位模块,用于通过所述故障关联特征,设置故障损伤标记;通过所述孪生网络模型,得到故障定位坐标,所述故障定位坐标包括故障构件空间坐标、故障构件时间坐标、故障类型坐标以及故障等级坐标;通过所述故障损伤标记与所述故障定位坐标,进行故障实时定位。
说明书通过前述基于孪生网络的三相异步电动机故障监测方法的详细描述,本领域技术人员可以清楚地知识本实施例中基于孪生网络的三相异步电动机故障监测系统,对于实施例公开的系统而言,由于其与实施例公开装置相对应,所以描述得比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其他实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (8)
1.基于孪生网络的三相异步电动机故障监测方法,其特征在于,所述方法包括:
采集电动机的实时运行参数,所述实时运行参数包括电流参数、电压参数、温度参数;
下载三相异步电动机的历史工作数据,所述历史工作数据中包括故障维护记录、转速数据和转矩数据;
基于所述历史工作数据、所述实时运行参数,构建三相异步电动机的孪生网络模型,所述三相异步电动机包括静止构件机群、旋转构件机群以及静止构件与旋转构件对应的连接构件,其中,所述静止构件机群对应的结构包括定子铁心、定子绕组、机座,所述旋转构件机群对应的结构包括转子、转子绕组,所述连接构件包括轴承;
基于所述孪生网络模型,通过所述实时运行参数以及所述历史工作数据进行故障比对,得到故障比对结果;
从机械控制角度,对所述故障维护记录进行划分,得到正转故障维护记录、反转故障维护记录;从电气性能角度,对所述故障维护记录进行划分,得到电流异常维护记录、电压异常维护记录、温度异常维护记录、负载异常维护记录;
通过所述正转故障维护记录、反转故障维护记录以及所述电流异常维护记录、电压异常维护记录、温度异常维护记录、负载异常维护记录进行特征提取,并进行电动机健康状况评估,得到故障损伤程度评分;
通过所述故障损伤程度评分,对所述故障比对结果进行调准,输出故障监测结果。
2.如权利要求1所述的基于孪生网络的三相异步电动机故障监测方法,其特征在于,所述方法包括:
将所述实时运行参数输入到孪生网络模型中,得到电动机的运行状态预测结果;
对所述运行状态预测结果与所述历史工作数据对应的历史运行状态进行比对,计算相似度得分;
通过所述相似度得分,进行故障等级评估,并进行故障监测预警。
3.如权利要求2所述的基于孪生网络的三相异步电动机故障监测方法,其特征在于,所述方法包括:
基于所述运行状态预测结果,在所述故障维护记录中进行数据挖掘,得到故障关联特征;
通过所述故障关联特征,进行电动机运行的影响性评价,获取故障影响评分;
将所述故障影响评分作为所述故障损伤程度评分的补充信息。
4.如权利要求3所述的基于孪生网络的三相异步电动机故障监测方法,其特征在于,基于所述运行状态预测结果,在所述故障维护记录中进行数据挖掘,得到故障关联特征,所述方法包括:
通过预设标准信息建立标定算力约束;
基于所述故障维护记录的数据流特征,提取故障关键指标;
根据所述故障关键指标,使用所述标定算力约束在所述故障维护记录中进行宽容挖掘配置。
5.如权利要求4所述的基于孪生网络的三相异步电动机故障监测方法,其特征在于,所述方法还包括:
将所述标定算力约束作为第一平衡约束指标,将所述故障影响评分作为第二平衡约束指标;
通过所述第一平衡约束指标、所述第二平衡约束指标,进行挖掘忽略判定,得到初始挖掘结果;
通过所述故障关键指标,对所述初始挖掘结果进行评价,得到忽略约束评分,并通过预设评分阈值,进行宽容挖掘配置优化。
6.如权利要求5所述的基于孪生网络的三相异步电动机故障监测方法,其特征在于,所述方法还包括:
若所述忽略约束评分满足所述预设评分阈值,则使用所述初始挖掘结果替换上一监测时间点的数据挖掘结果;
若所述忽略约束评分不满足所述预设评分阈值,通过所述初始挖掘结果进行特征向量的降维,获取降维处理指标;
通过所述降维处理指标,对所述初始挖掘结果进行更新。
7.如权利要求3所述的基于孪生网络的三相异步电动机故障监测方法,其特征在于,所述方法还包括:
通过所述故障关联特征,设置故障损伤标记;
通过所述孪生网络模型,得到故障定位坐标,所述故障定位坐标包括故障构件空间坐标、故障构件时间坐标、故障类型坐标以及故障等级坐标;
通过所述故障损伤标记与所述故障定位坐标,进行故障实时定位。
8.基于孪生网络的三相异步电动机故障监测系统,其特征在于,所述系统包括:
实时运行参数采集模块,所述实时运行参数采集模块用于采集电动机的实时运行参数,所述实时运行参数包括电流参数、电压参数、温度参数;
历史工作数据下载模块,所述历史工作数据下载模块用于下载三相异步电动机的历史工作数据,所述历史工作数据中包括故障维护记录、转速数据和转矩数据;
孪生网络模型构建模块,所述孪生网络模型构建模块是基于所述历史工作数据、所述实时运行参数,构建三相异步电动机的孪生网络模型,所述三相异步电动机包括静止构件机群、旋转构件机群以及静止构件与旋转构件对应的连接构件,其中,所述静止构件机群对应的结构包括定子铁心、定子绕组、机座,所述旋转构件机群对应的结构包括转子、转子绕组,所述连接构件包括轴承;
故障对比结果获取模块,所述故障对比结果获取模块是基于所述孪生网络模型,通过所述实时运行参数以及所述历史工作数据进行故障比对,得到故障比对结果;
维护记录获取模块,所述维护记录获取模块用于从机械控制角度,对所述故障维护记录进行划分,得到正转故障维护记录、反转故障维护记录;从电气性能角度,对所述故障维护记录进行划分,得到电流异常维护记录、电压异常维护记录、温度异常维护记录、负载异常维护记录;
故障损伤程度评分获取模块,所述故障损伤程度评分获取模块用于通过所述正转故障维护记录、反转故障维护记录以及所述电流异常维护记录、电压异常维护记录、温度异常维护记录、负载异常维护记录进行特征提取,并进行电动机健康状况评估,得到故障损伤程度评分;
故障监测结果输出模块,所述故障监测结果输出模块用于通过所述故障损伤程度评分,对所述故障比对结果进行调准,输出故障监测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311801520.8A CN117786385B (zh) | 2023-12-26 | 2023-12-26 | 基于孪生网络的三相异步电动机故障监测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311801520.8A CN117786385B (zh) | 2023-12-26 | 2023-12-26 | 基于孪生网络的三相异步电动机故障监测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117786385A CN117786385A (zh) | 2024-03-29 |
CN117786385B true CN117786385B (zh) | 2024-05-17 |
Family
ID=90390298
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311801520.8A Active CN117786385B (zh) | 2023-12-26 | 2023-12-26 | 基于孪生网络的三相异步电动机故障监测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117786385B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113410813A (zh) * | 2021-05-31 | 2021-09-17 | 广西电网有限责任公司电力科学研究院 | 一种基于数字孪生配网故障的诊断方法及相关装置 |
CN115526095A (zh) * | 2022-07-11 | 2022-12-27 | 苏州帅牛自动化科技有限公司 | 柔性无刷电机生产线数字孪生系统 |
WO2022267879A1 (zh) * | 2021-06-25 | 2022-12-29 | 上海三一重机股份有限公司 | 一种工程机械故障预警方法、装置及工程机械 |
CN115758208A (zh) * | 2022-11-09 | 2023-03-07 | 中国电子产品可靠性与环境试验研究所((工业和信息化部电子第五研究所)(中国赛宝实验室)) | 牵引变流器故障诊断方法、装置、计算机设备和存储介质 |
CN115857447A (zh) * | 2022-11-28 | 2023-03-28 | 安徽宝信信息科技有限公司 | 基于数字孪生的复杂工业系统运行监测方法及系统 |
CN115993531A (zh) * | 2023-01-29 | 2023-04-21 | 北京航空航天大学 | 一种永磁同步电机双闭环故障预测与健康管理方法及装置 |
CN116050240A (zh) * | 2022-11-09 | 2023-05-02 | 安徽工业大学 | 基于数字孪生及bp神经网络的磨煤机诊断方法及系统 |
CN116231973A (zh) * | 2023-03-31 | 2023-06-06 | 嘉兴欣晟电机股份有限公司 | 一种电机内部温度过热自动监测装置 |
CN116933619A (zh) * | 2023-06-09 | 2023-10-24 | 南京南瑞信息通信科技有限公司 | 基于强化学习的数字孪生配网故障场景生成方法及系统 |
CN117148805A (zh) * | 2023-10-30 | 2023-12-01 | 国网江苏省电力有限公司南通供电分公司 | 一种多场景适应的电厂设备预警方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6859044B2 (en) * | 2001-06-20 | 2005-02-22 | Arris International, Inc. | Method and architecture for fault protection on a broadband communications network power passing tap |
-
2023
- 2023-12-26 CN CN202311801520.8A patent/CN117786385B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113410813A (zh) * | 2021-05-31 | 2021-09-17 | 广西电网有限责任公司电力科学研究院 | 一种基于数字孪生配网故障的诊断方法及相关装置 |
WO2022267879A1 (zh) * | 2021-06-25 | 2022-12-29 | 上海三一重机股份有限公司 | 一种工程机械故障预警方法、装置及工程机械 |
CN115526095A (zh) * | 2022-07-11 | 2022-12-27 | 苏州帅牛自动化科技有限公司 | 柔性无刷电机生产线数字孪生系统 |
CN115758208A (zh) * | 2022-11-09 | 2023-03-07 | 中国电子产品可靠性与环境试验研究所((工业和信息化部电子第五研究所)(中国赛宝实验室)) | 牵引变流器故障诊断方法、装置、计算机设备和存储介质 |
CN116050240A (zh) * | 2022-11-09 | 2023-05-02 | 安徽工业大学 | 基于数字孪生及bp神经网络的磨煤机诊断方法及系统 |
CN115857447A (zh) * | 2022-11-28 | 2023-03-28 | 安徽宝信信息科技有限公司 | 基于数字孪生的复杂工业系统运行监测方法及系统 |
CN115993531A (zh) * | 2023-01-29 | 2023-04-21 | 北京航空航天大学 | 一种永磁同步电机双闭环故障预测与健康管理方法及装置 |
CN116231973A (zh) * | 2023-03-31 | 2023-06-06 | 嘉兴欣晟电机股份有限公司 | 一种电机内部温度过热自动监测装置 |
CN116933619A (zh) * | 2023-06-09 | 2023-10-24 | 南京南瑞信息通信科技有限公司 | 基于强化学习的数字孪生配网故障场景生成方法及系统 |
CN117148805A (zh) * | 2023-10-30 | 2023-12-01 | 国网江苏省电力有限公司南通供电分公司 | 一种多场景适应的电厂设备预警方法及系统 |
Non-Patent Citations (2)
Title |
---|
VMD-PE协同SNN的输电线路故障辨识方法;付华等;《电子测量与仪器学报》;20200615(第06期);91-97 * |
基于数字孪生的矿山散料堆场堆取料机智能监测系统;刘燕燕等;《金属矿山》;20231124(第01期);132-138 * |
Also Published As
Publication number | Publication date |
---|---|
CN117786385A (zh) | 2024-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108638128B (zh) | 一种工业机器人的实时异常监测方法及其系统 | |
CN102033200B (zh) | 基于统计模型的交流电机在线监测和诊断方法 | |
US6587737B2 (en) | Method for the monitoring of a plant | |
JP5875734B2 (ja) | 電動機の診断装置および開閉装置 | |
CN110298455A (zh) | 一种基于多变量估计预测的机械设备故障智能预警方法 | |
EP3797304B1 (en) | System and method for monitoring an operating condition of an electrical device when in operation | |
Amanuel et al. | Design of Vibration Frequency Method with Fine-Tuned Factor for Fault Detection of Three Phase Induction Motor | |
CN116593811B (zh) | 一种集成型变频器运行状态监测系统及监测方法 | |
CN107247230A (zh) | 一种基于支持向量机和数据驱动的旋转电机状态监测方法 | |
CN110954354B (zh) | 设备故障诊断方法及装置 | |
CN114576152B (zh) | 水泵状态监测系统、监测方法、装置、电子设备和介质 | |
KR20200053579A (ko) | 이상 진단 장치, 이상 진단 방법 및 이상 진단 시스템 | |
Leonidovich et al. | The development and use of diagnostic systems and estimation of residual life in industrial electrical equipment | |
Dash et al. | Condition monitoring of induction motors:—A review | |
Djagarov et al. | Overview of diagnostic methods for rotating electrical machines | |
CN110749810A (zh) | 一种调相机绝缘故障预测方法及系统 | |
CN117786385B (zh) | 基于孪生网络的三相异步电动机故障监测方法及系统 | |
CN112556755A (zh) | 一种根据电机温度判断故障的方法及装置 | |
JP7268722B2 (ja) | 異常検知装置、及び異常検知方法 | |
US11339763B2 (en) | Method for windmill farm monitoring | |
CN114019298B (zh) | 一种基于pcc-svm的发电机转子匝间短路在线监测方法 | |
CN114323664A (zh) | 一种燃气轮机燃气振动异常的检测方法 | |
Safonov et al. | The predictive diagnosis method of electric drive state via an artificial neural network | |
Jose et al. | Induction motor fault diagnosis methods: A comparative study | |
CN117477499B (zh) | 智能电机控制保护系统及其方法 |
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 |