CN105005644A - 一种检测三相异步电动机故障的方法 - Google Patents
一种检测三相异步电动机故障的方法 Download PDFInfo
- Publication number
- CN105005644A CN105005644A CN201510369416.5A CN201510369416A CN105005644A CN 105005644 A CN105005644 A CN 105005644A CN 201510369416 A CN201510369416 A CN 201510369416A CN 105005644 A CN105005644 A CN 105005644A
- Authority
- CN
- China
- Prior art keywords
- fault
- matrix
- transition
- confidence
- degree
- 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.)
- Granted
Links
Landscapes
- Test And Diagnosis Of Digital Computers (AREA)
- Devices For Executing Special Programs (AREA)
Abstract
本发明公开了一种检测三相异步电动机故障的方法,步骤根据电机出现的故障事件,找出故障发生的直接或间接原因,建立故障事件的逻辑关系;根据Petri网的可达性结合1中的逻辑关系,构建电机的模糊故障Petri网的故障检测模型;综合模糊规则、专家知识、及历史数据,利用模糊统计法等方法,确定初始库所置信度、权值、变迁可信度和阈值;利用矩阵推理对电机进行故障检测和诊断。该方法能提高电机故障检测的有效性、准确性。
Description
技术领域
本发明属于检测技术领域,涉及一种检测三相异步电动机故障的方法。
背景技术
三相异步电动机(以下称电机)广泛应用于国民生产中的各个方面,生产过程中需要对电机运行状态等进行实时在线检测监控。当检测到电机运行状态异常时需及时判断电机异常原因和故障严重程度,防止事故发生。目前国内外有关电机运行状态检测监控的方法比较成熟,但大多集中在转子断条、偏心、定子短路等单一状态方面,难以满足电机整体故障诊断的需求。因此,寻求整体、合理的故障检测诊断方法,使其能够有效、清晰的进行故障评价和诊断意义重大。
Petri网方法是一种具有良好的并行计算和矩阵运算能力的可用图形化表示的方法,目前基于Petri网进行故障检测的方法主要有:基于Petri网解决知识表示问题,但故障诊断存在不确定性,使得故障信息的表达不充分;将模糊理论与Petri网相结合,提出模糊Petri网(Fuzzy Petri Net,FPN)建模方法,并指出FPN中库所的值表示命题的置信度,其值在0到1之间,可以解决确定性问题,但没有给出FPN的动态推理方法;根据模糊产生式规则,提出置信度矩阵推理算法,但故障传播的固有特性没有得到体现;提出故障Petri网的激发矩阵方法,解决故障建模中描述故障状态变化过程的问题;提出模糊故障Petri网(Fuzzy FaultPetri Net,FFPN)的概念,但没有具体的矩阵推理算法。上述各算法从不同层面建立了模型、进行了推理等,但均存在不足,同时均没有涉及对三相异步电机的故障进行检测。
发明内容
为了克服现有技术中存在的缺陷,本发明提出了一种检测三相异步电动机故障的方法,提高电机故障检测的有效性、准确性。
其技术方案如下:
一种检测三相异步电动机故障的方法,包括以下步骤:
步骤1、根据电机出现的故障事件,找出故障发生的直接或间接原因,建立故障事件的逻辑关系;
步骤2、根据Petri网的可达性结合1中的逻辑关系,构建电机的模糊故障Petri网的故障检测模型;
步骤3、综合模糊规则、专家知识、及历史数据,利用模糊统计法等方法,确定初始库所置信度、权值、变迁可信度和阈值;
步骤4、利用矩阵推理对电机进行故障检测和诊断。
进一步的,所述步骤2中的模糊故障Petri网定义为一个10元组:
SFFPN=(P,T,I,O,M,Ω,α,f,H,U)
(1)P={p1,p2,…,pn}为故障库所集合,代表电机所发生的故障,如“熔断器熔体故障”,“转子绕组短路”,“电机扫膛”,“轴承过度磨损”等。
(2)M=(m1,m2,…,mn)T为库所标识向量,mi代表其对应库所pi的托肯的数目(1或0),mi=1表示pi库所有token,即库所代表的故障事件发生。
(3)α=(α1,α2,…,αn)T为库所置信度n维向量,αi为库所pi的置信度,表示pi代表的故障事件发生的真实程度的置信度;
(4)Ω=(ω1,ω2,…,ωn)T为库所权值n维向量,表示输入库所pi对变迁规则t的影响程度,满足且
(5)f={f1,f2,…fn}为库所最小割集的故障率的集合,表示库所pi代表的故障事件发生的概率大小;
(6)H=(λ1,λ2,…λn)T为变迁阈值向量,λi表示变迁ti点火的阈值;
(7)U=diag(μ1,μ2,…μn)为变迁规则可信度矩阵,μi表示规则变迁ti的可信度。
进一步的,步骤2的(3)中底层库所置信度由专家知识、历史经验,辅助于置信度模糊统计法得到,而当变迁t预使能,如果预使能变迁t可以触发点火(点火矩阵在下文中讲述),在后继的库所pOj产生一个新的置信度α(pOj)
进一步的,步骤4中的故障检测与诊断为全矩阵模式的正反推理方式。正向推理是在电机无故障发生时,通过在线监测设备预测可能出现的故障,实现对***故障严重程度的评价和传播途径的描述。反向推理是当***发生故障时,根据所产生的故障现象,通过矩阵进行反向推理,追溯最可能的故障源(即底层库所),为设备的诊断维修提供依据,从而为提高设备***的可靠性提供有效的方法。为了更好的进行矩阵推理,定义如下算子:
(1)比较算子Θ:C=AΘB,A,B和C均为m×n矩阵,当aij>bij时,Cij=1;当aij<bij时,Cij=0,i=1,2,…,m;j=1,2,…,n。
(2)取小算子∧:C=A∧B,A,B和C均为m×n矩阵,cij=min(aij,bij),i=1,2,…,m;j=1,2,…,n。
(3)取大算子A,B和C均为m×n矩阵cij=max(aij,bij),i=1,2,…,m;j=1,2,…,n。
(4)乘法算子A,B和C分别为m×q,q×n,m×n矩阵,i=1,2,…,m;j=1,2,…,n。
(5)直乘算子Δ:C=AΔb,A和C分别为m×n,n×m矩阵,b为n维向量,则cij=aij·bi,i=1,2,…,m;j=1,2,…,n。
首先,正向推理矩阵包括库所置信度推理矩阵、变迁点火矩阵和故障状态标识推理矩阵,只有满足变迁点火条件,相关库所中的故障token才能传递到后置库所,而变迁的点火判断矩阵又需要前置库所置信度为依据。
库所置信度推理矩阵为
其中O为Petri网输出矩阵。
变迁点火矩阵为:
其中y=(y1,y2,…,yn)T为变迁预使能判别矩阵。如果变迁满足点火条件,则点火向量元素yi=1,否则yi=0;
G(x)=I←·α,G(x)=(g1,g2,…,gn)T,表示库所置信度与权值的等效和值n为列向量,
I←:I←={▽ij},▽ij∈[0,1],当有pi至tj的有向弧时,▽ij=ωi;当有tj至pi的有向弧时,▽ij=0,其中i=1,2,…m,j=1,2,…,m;
λ代表变迁阈值,b要足够大,使得x>λ时,x<λ时,
I为petri网输入矩阵;
为故障状态标识推理矩阵,Mk为故障状态标识向量,代表故障token在模型库所中的分布及传播途径。
反向推理为即为正向推理的逆,因此我们先定义逆向推理的输入、输出库所分别为正向输出、输入库所。即I-=O,O-=I,。如果故障源库所有多个,则根据最小割集故障发生率来确定优先诊断顺序。若最小割集G={p1,p2,…,pn},则最小割集故障发生率为
反向推理也包括反向变迁点火矩阵和库所置信度推理矩阵。反向变迁点火矩阵为
其中为第k次逆向点火时的逆网使能变迁序列;
lm=(1,1,…1)T为m维列向量。
库所反向置信度推理矩阵与正向相同。
本发明的有益效果为:本发明提出一种电机故障检测与诊断方法,该方法应用矩阵推理算法来推导故障token信息的正向或反向传递,同时该算法矩阵运行速度快、以Petri网图形方式显示直观、明了。其正向演绎算法使工作人员快速、有效的对预发故障进行评价与检测,逆向演绎基于最小割集有效避免故障诊断的盲目性。
附图说明
图1为本发明实施的电机故障推理的Petri网模型;
图2为本发明具体实施的电机故障推理部分Petri网模型;
图3为本发明具体实施的正向推理底层库所初始故障token的分布;
图4为本发明具体实施的正向推理故障token的传递方向;
图5为本发明具体实施的反向推理顶层库所初始故障token的分布;
图6为本发明具体实施的反向推理故障token的传递方向。
具体实施方式
下面结合附图和具体实施方式对本发明的技术方案作进一步详细地说明。
1、根据电机出现的故障事件,找出故障发生的直接或间接原因,建立故障事件的逻辑关系;
2、根据Petri网的可达性结合1中的逻辑关系,构建电机的模糊故障Petri网的故障检测模型;
3、综合模糊规则、专家知识、及历史数据,利用模糊统计法等方法,确定初始库所置信度、权值、变迁可信度和阈值;
4、利用矩阵推理对电机进行故障检测和诊断。
进一步的,所述步骤2中的模糊故障Petri网定义为一个10元组[6-11]:
SFFPN=(P,T,I,O,M,Ω,α,f,H,U)
(1)P={p1,p2,…,pn}为故障库所集合,代表电机所发生的故障,如“熔断器熔体故障”,“转子绕组短路”,“电机扫膛”,“轴承过度磨损”等。
(2)M=(m1,m2,…,mn)T为库所标识向量,mi代表其对应库所pi的托肯的数目(1或0),mi=1表示pi库所有token,即库所代表的故障事件发生。
(3)α=(α1,α2,…,αn)T为库所置信度n维向量,αi为库所pi的置信度,表示pi代表的故障事件发生的真实程度的置信度;
(4)Ω=(ω1,ω2,…,ωn)T为库所权值n维向量,表示输入库所pi对变迁规则t的影响程度,满足且
(5)f={f1,f2,…fn}为库所最小割集的故障率的集合,表示库所pi代表的故障事件发生的概率大小;
(6)H=(λ1,λ2,…λn)T为变迁阈值向量,λi表示变迁ti点火的阈值;
(7)U=diag(μ1,μ2,…μn)为变迁规则可信度矩阵,μi表示规则变迁ti的可信度。
进一步的,步骤2的(3)中底层库所置信度由专家知识、历史经验,辅助于置信度模糊统计法得到,而当变迁t预使能,如果预使能变迁t可以触发点火(点火矩阵在下文中讲述),在后继的库所pOj产生一个新的置信度α(pOj)。
进一步的,步骤4中的故障检测与诊断为全矩阵模式的正反推理方式。正向推理是在系电机无故障发生时,通过在线监测设备预测可能出现的故障,实现对***故障严重程度的评价和传播途径的描述。反向推理是当***发生故障时,根据所产生的故障现象,通过矩阵进行反向推理,追溯最可能的故障源(即底层库所),为设备的诊断维修提供依据,从而为提高设备***的可靠性提供有效的方法。为了更好的进行矩阵推理,定义如下算子:
(1)比较算子Θ:C=AΘB,A,B和C均为m×n矩阵,当aij>bij时,Cij=1;当aij<bij时,Cij=0,i=1,2,…,m;j=1,2,…,n。
(2)取小算子∧:C=A∧B,A,B和C均为m×n矩阵,cij=min(aij,bij),i=1,2,…,m;j=1,2,…,n。
(3)取大算子A,B和C均为m×n矩阵cij=max(aij,bij),i=1,2,…,m;j=1,2,…,n。
(4)乘法算子A,B和C分别为m×q,q×n,m×n矩阵,i=1,2,…,m;j=1,2,…,n。
(5)直乘算子Δ:C=AΔb,A和C分别为m×n,n×m矩阵,b为n维向量,则cij=aij·bi,i=1,2,…,m;j=1,2,…,n。
首先,正向推理矩阵包括库所置信度推理矩阵、变迁点火矩阵和故障状态标识推理矩阵,只有满足变迁点火条件,相关库所中的故障token才能传递到后置库所,而变迁的点火判断矩阵又需要前置库所置信度为依据。
库所置信度推理矩阵为
其中O为Petri网输出矩阵。
变迁点火矩阵为:
其中为变迁预使能判别矩阵。如果变迁满足点火条件,则点火向量元素yi=1,否则yi=0;
G(x)=I←·α,G(x)=(g1,g2,…,gn)T,表示库所置信度与权值的等效和值n为列向量,
I←:I←={▽ij},▽ij∈[0,1],当有pi至tj的有向弧时,▽ij=ωi;当有tj至pi的有向弧时,▽ij=0,其中i=1,2,…m,j=1,2,…,m;
λ代表变迁阈值,b要足够大,使得x>λ时,x<λ时,
I为petri网输入矩阵;
为故障状态标识推理矩阵,Mk为故障状态标识向量,代表故障token在模型库所中的分布及传播途径。
反向推理为即为正向推理的逆,因此我们先定义逆向推理的输入、输出库所分别为正向输出、输入库所。即I-=O,O-=I,。如果故障源库所有多个,则根据最小割集故障发生率来确定优先诊断顺序。若最小割集G={p1,p2,…,pn},则最小割集故障发生率为
反向推理也包括反向变迁点火矩阵和库所置信度推理矩阵。反向变迁点火矩阵为
其中为第k次逆向点火时的逆网使能变迁序列;
lm=(1,1,…1)T为m维列向量。
库所反向置信度推理矩阵与正向相同。
图1所对应的库所含义如下表格:
表1
为了能清晰说明本发明所用的方法,选取部分模型进行演绎推理,部分模型如图2所示。采用步骤3的方法,确定设定库所初始置信度、权值、变迁可信度和阈值:
库所初始置信度:α0=(0.8,0.76,0.9,0.92,0.87,0.7,0,0,0,0,0,0,0,0)T;
库所事件的权值:Ω=(1.0,1.0,1.0,0.6,0.4,1.0,1.0,1.0,1.0,1.0,1.0,1.0,1.0,1.0,1.0)T;
变迁阈值均设为0.5;
变迁规则可信度:
U=diag(0.8,0.76,0.9,0.92,0.87,0.8,0.7,0.729,0.711,0.8,0.82,0.87,0.9,0.8)。
将α0,O,U,I带入置信度推理矩阵求出,推理计算出:α1=(0.8,0.76,0.9,0.92,0.87,0.8,0.7,0.729,0.711,0.8,0.72,0,0,0.574,0)T;α2=(0.8,0.76,0.9,0.92,0.87,0.8,0.7,0.729,0.711,0.8,0.72,0.649,0.576,0.574,0.459)T;α3=(0.8,0.76,0.9,0.92,0.87,0.8,0.7,0.729,0.711,0.8,0.72,0.649,0.576,0.574,0.565)T;
α4=α3推理结束,获得各库所事件的置信度。以此作为正反推理的库所置信度数据。
电机运行时,若没有故障发生,但通过监测或监管人员预测到故障征兆,本文假设在线检测到如下故障征兆:“转子绕组断路”、“熔断器熔体故障”、“环境恶劣”时,其初始标识向M0=(0,0,1,0,0,1,1,0,0,0,0,0,0,0,0)T,如图3所示。
将α3带入变迁预使能判别矩阵得到变迁预使能向量y=(1,1,1,1,1,1,1,1,1,1,1,1,1,1)T。
将初始数据和y相应地带入变迁点火判别矩阵进行推理演绎,得到点火向量及每次点火后的库所标识向量:Y1=(0,0,1,1,0,1,0,0,0,0,1,0,0,0)T,M1=(0,0,1,0,0,1,1,1,1,0,1,0,0,1,0)T;Y2=(0,0,0,0,0,0,1,1,0,1,0,0,0,1)T,M2=(0,0,1,0,0,1,1,1,1,0,1,1,1,1,1)TY3=(1,1,1,1,1,1,1,1,1,1,1,1,1,1)T,M3=(0,0,1,0,0,1,1,1,1,0,1,1,1,1,1)T;Y4=(0,0,0,0,0,0,0,0,0,0,0,1,1,0)T。
Y4=Y3推理结束。模型库所最终标识向量为M3故障信息预测传播路径如图4所示。从图中可以清晰看出p8,p9,p11,p12,p13,p14,p15为故障征兆可能引发的故障,工作人员可以根据如图所示的故障预测信息和相应库所的置信度依次、有效的检查相应部件,进而提高电机运行的可靠性。
当发现有故障发生时,如“电机运行过热”,其初始标识向量 其故障token分布如图5所示。将α3带入变迁预使能判别矩阵得到逆向变迁预使能向量y—=(1,1,1,1,1,1,1,1,1,1,1,1,1,1)T。
将I—,O—,y—带入反向变迁点火矩阵中,演绎推理,依次得到逆向变迁点火向量和逆向点火后***token分布情况的标识向量:
推理结束,即有可能引发“电机运行过热”的原因如图6所示,引发p12故障最小割集为G1={p1},G2={p2},G3={p3},G4={p3·p4},G5={p5}。根据定义求得最小割集发生率f(G1)=0.8,f(G2)=0.76,f(G3)=0.9,f(G4)=0.91,f(G5)=0.87,据此可知G4的故障发生率最高,应先诊断G4故障源,如果G4未发生故障,则按照优先顺序依次诊断G3、G5、G1、G2。逆向推理可为故障诊断提供依据,改变传统故障诊断过程中的复杂性和不确定性,提高诊断的效率。
以上所述,仅为本发明较佳的具体实施方式,本发明的保护范围不限于此,任何熟悉本技术领域的技术人员在本发明披露的技术范围内,可显而易见地得到的技术方案的简单变化或等效替换均落入本发明的保护范围内。
Claims (4)
1.一种检测三相异步电动机故障的方法,其特征在于,包括以下步骤:
步骤1、根据电机出现的故障事件,找出故障发生的直接或间接原因,建立故障事件的逻辑关系;
步骤2、根据Petri网的可达性结合1中的逻辑关系,构建电机的模糊故障Petri网的故障检测模型;
步骤3、综合模糊规则、专家知识、及历史数据,利用模糊统计法的方法,确定初始库所置信度、权值、变迁可信度和阈值;
步骤4、利用矩阵推理对电机进行故障检测和诊断。
2.根据权利要求1所述的检测三相异步电动机故障的方法,其特征在于,所述步骤2中的模糊故障Petri网定义为一个10元组:
SFFPN=(P,T,I,O,M,Ω,α,f,H,U)
(1)P={p1,p2,…,pn}为故障库所集合,代表电机所发生的故障,如“熔断器熔体故障”,“转子绕组短路”,“电机扫膛”,“轴承过度磨损”;
(2)M=(m1,m2,…,mn)T为库所标识向量,mi代表其对应库所pi的托肯的数目(1或0),mi=1表示pi库所有token,即库所代表的故障事件发生;
(3)α=(α1,α2,…,αn)T为库所置信度n维向量,αi为库所pi的置信度,表示pi代表的故障事件发生的真实程度的置信度;
(4)Ω=(ω1,ω2,…,ωn)T为库所权值n维向量,表示输入库所pi对变迁规则t的影响程度,满足 且
(5)f={f1,f2,…fn}为库所最小割集的故障率的集合,表示库所pi代表的故障事件发生的概率大小;
(6)H=(λ1,λ2,…λn)T为变迁阈值向量,λi表示变迁ti点火的阈值;
(7)U=diag(μ1,μ2,…μn)为变迁规则可信度矩阵,μi表示规则变迁ti的可信度。
3.根据权利要求1所述的检测三相异步电动机故障的方法,其特征在于,步骤2的(3)中底层库所置信度由专家知识、历史经验,辅助于置信度模糊统计法得到,而当 变迁t预使能,如果预使能变迁t触发点火,在后继的库所pOj产生一个新的置信度α(pOj)。
4.根据权利要求1所述的检测三相异步电动机故障的方法,其特征在于,步骤4中的故障检测与诊断为全矩阵模式的正反推理方式;正向推理是在电机无故障发生时,通过在线监测设备预测可能出现的故障,实现对***故障严重程度的评价和传播途径的描述;反向推理是当***发生故障时,根据所产生的故障现象,通过矩阵进行反向推理,追溯最可能的故障源(即底层库所),为设备的诊断维修提供依据,从而为提高设备***的可靠性提供有效的方法;为了更好的进行矩阵推理,定义如下算子:
(1)比较算子Θ:C=AΘB,A,B和C均为m×n矩阵,当aij>bij时,Cij=1;当aij<bij时,Cij=0,i=1,2,…,m;j=1,2,…,n;
(2)取小算子∧:C=A∧B,A,B和C均为m×n矩阵,cij=min(aij,bij),i=1,2,…,m;j=1,2,…,n;
(3)取大算子 A,B和C均为m×n矩阵cij=max(aij,bij),i=1,2,…,m;j=1,2,…,n;
(4)乘法算子 A,B和C分别为m×q,q×n,m×n矩阵,i=1,2,…,m;j=1,2,…,n;
(5)直乘算子Δ:C=AΔb,A和C分别为m×n,n×m矩阵,b为n维向量,则cij=aij·bi,i=1,2,…,m;j=1,2,…,n;
首先,正向推理矩阵包括库所置信度推理矩阵、变迁点火矩阵和故障状态标识推理矩阵,只有满足变迁点火条件,相关库所中的故障token才能传递到后置库所,而变迁的点火判断矩阵又需要前置库所置信度为依据;
库所置信度推理矩阵为
其中O为Petri网输出矩阵;
变迁点火矩阵为:
其中y=(y1,y2,…,yn)T为变迁预使能判别矩阵;如果变迁满足点火条件,则点火向量元素yi=1,否则yi=0;
G(x)=I←·α,G(x)=(g1,g2,…,gn)T,表示库所置信度与权值的等效和值n为列向量,
I←:I←={▽ij},▽ij∈[0,1],当有pi至tj的有向弧时,▽ij=ωi;当有tj至pi的有向弧时,▽ij=0,其中i=1,2,…m,j=1,2,…,m;
λ代表变迁阈值,b要足够大,使得x>λ时,x<λ时,
I为petri网输入矩阵;
为故障状态标识推理矩阵,Mk为故障状态标识向量,代表故障token在模型库所中的分布及传播途径;
反向推理为即为正向推理的逆,因此我们先定义逆向推理的输入、输出库所分别为正向输出、输入库所;即I-=O,O-=I,;如果故障源库所有多个,则根据最小割集故障发生率来确定优先诊断顺序;若最小割集G={p1,p2,…,pn},则最小割集故障发生率为
反向推理也包括反向变迁点火矩阵和库所置信度推理矩阵;反向变迁点火矩阵为
其中为第k次逆向点火时的逆网使能变迁序列;
lm=(1,1,…1)T为m维列向量;
库所反向置信度推理矩阵与正向相同。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510369416.5A CN105005644B (zh) | 2015-06-29 | 2015-06-29 | 一种检测三相异步电动机故障的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510369416.5A CN105005644B (zh) | 2015-06-29 | 2015-06-29 | 一种检测三相异步电动机故障的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105005644A true CN105005644A (zh) | 2015-10-28 |
CN105005644B CN105005644B (zh) | 2019-03-01 |
Family
ID=54378320
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510369416.5A Active CN105005644B (zh) | 2015-06-29 | 2015-06-29 | 一种检测三相异步电动机故障的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105005644B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105548815A (zh) * | 2016-01-14 | 2016-05-04 | 山东科技大学 | 一种基于最大似然译码字的Petri网电网故障检测方法 |
CN109507876A (zh) * | 2019-01-25 | 2019-03-22 | 杭州电子科技大学 | 一种基于信度推理的电推船舶电机pid参数整定方法 |
CN110309612A (zh) * | 2019-07-08 | 2019-10-08 | 西安交通大学 | 基于模糊故障Petri网的动力***故障处理方法 |
CN112613613A (zh) * | 2020-12-01 | 2021-04-06 | 西华大学 | 一种基于脉冲神经膜***的三相感应电动机故障分析方法 |
CN113049249A (zh) * | 2020-12-31 | 2021-06-29 | 山东科技大学 | 一种电机轴承故障诊断方法及*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120303348A1 (en) * | 2011-05-23 | 2012-11-29 | Gm Global Technology Operation Llc | System and methods for fault-isolation and fault-mitigation based on network modeling |
CN103278328A (zh) * | 2013-05-16 | 2013-09-04 | 华北电力大学 | 基于模糊Petri网的风电机组液压变桨***故障诊断方法 |
CN103487723A (zh) * | 2013-08-30 | 2014-01-01 | 中国南方电网有限责任公司 | 电力***故障诊断方法及*** |
CN104571084A (zh) * | 2014-12-12 | 2015-04-29 | 中国石油大学(北京) | 主风机组故障根源深度诊断方法和装置 |
-
2015
- 2015-06-29 CN CN201510369416.5A patent/CN105005644B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120303348A1 (en) * | 2011-05-23 | 2012-11-29 | Gm Global Technology Operation Llc | System and methods for fault-isolation and fault-mitigation based on network modeling |
CN103278328A (zh) * | 2013-05-16 | 2013-09-04 | 华北电力大学 | 基于模糊Petri网的风电机组液压变桨***故障诊断方法 |
CN103487723A (zh) * | 2013-08-30 | 2014-01-01 | 中国南方电网有限责任公司 | 电力***故障诊断方法及*** |
CN104571084A (zh) * | 2014-12-12 | 2015-04-29 | 中国石油大学(北京) | 主风机组故障根源深度诊断方法和装置 |
Non-Patent Citations (3)
Title |
---|
JJ ZHANG 等: "Fault Detection Model Based on Petri Net and Petri Net Fault Process", 《JOURNAL OF CHINESE COMPUTER SYSTEMS》 * |
王建元 等: "模糊Petri网络知识表示方法及其在变压器故障诊断中的应用", 《中国电机工程学报》 * |
袁海斌 等: "层次故障诊断模型的模糊Petri网推理", 《仪器仪表学报》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105548815A (zh) * | 2016-01-14 | 2016-05-04 | 山东科技大学 | 一种基于最大似然译码字的Petri网电网故障检测方法 |
CN109507876A (zh) * | 2019-01-25 | 2019-03-22 | 杭州电子科技大学 | 一种基于信度推理的电推船舶电机pid参数整定方法 |
CN109507876B (zh) * | 2019-01-25 | 2021-12-28 | 杭州电子科技大学 | 一种基于信度推理的电推船舶电机pid参数整定方法 |
CN110309612A (zh) * | 2019-07-08 | 2019-10-08 | 西安交通大学 | 基于模糊故障Petri网的动力***故障处理方法 |
CN112613613A (zh) * | 2020-12-01 | 2021-04-06 | 西华大学 | 一种基于脉冲神经膜***的三相感应电动机故障分析方法 |
CN112613613B (zh) * | 2020-12-01 | 2024-03-05 | 深圳泓越企业管理咨询有限公司 | 一种基于脉冲神经膜***的三相感应电动机故障分析方法 |
CN113049249A (zh) * | 2020-12-31 | 2021-06-29 | 山东科技大学 | 一种电机轴承故障诊断方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN105005644B (zh) | 2019-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105005644A (zh) | 一种检测三相异步电动机故障的方法 | |
CN103487723B (zh) | 电力***故障诊断方法及*** | |
CN110988596B (zh) | 一种新型主动配电网故障区段定位方法 | |
CN107656176A (zh) | 一种基于改进贝叶斯Petri网的电网故障诊断方法 | |
CN106050580A (zh) | 一种风力发电机组传动链故障诊断方法及*** | |
CN107831415A (zh) | 一种变压器绝缘纸老化状态评估的区间值模糊集方法 | |
CN103308824A (zh) | 一种基于概率Petri网的电力***故障诊断方法 | |
CN103336222A (zh) | 基于模糊推理脉冲神经膜***的电力***故障诊断方法 | |
CN103197168B (zh) | 电力***中基于事件集因果链实现故障诊断控制的方法 | |
CN111413565B (zh) | 一种可识别量测篡改攻击的智能电网故障诊断方法 | |
CN105678337A (zh) | 一种智能变电站故障诊断中的信息融合方法 | |
CN103778467A (zh) | 一种选择电力***暂态稳定评估输入特征量的方法 | |
CN102156240B (zh) | 基于五层三区式因果规则网的区域电网故障诊断方法 | |
CN103995215A (zh) | 一种基于多层次反馈调整的智能电网故障诊断方法 | |
CN102570451B (zh) | 一种输电网静态可靠性评估方法 | |
CN106405319A (zh) | 一种基于启发式信息的粗糙集电力***故障诊断方法 | |
CN105183952A (zh) | 一种基于分层时间模糊Petri网的输电网故障诊断方法 | |
CN109061391B (zh) | 一种基于计算机视觉潮流图的电网故障诊断方法及*** | |
CN107450517A (zh) | 一种随机离散事件***安全可诊断性确定方法及*** | |
CN106933097A (zh) | 一种基于多层优化pcc‑sdg的化工过程故障诊断方法 | |
CN104267294A (zh) | 一种基于粗糙集理论和Petri网络的IGIS故障在线诊断方法 | |
CN114167217B (zh) | 一种铁路配电网的多重故障诊断方法 | |
CN104766246A (zh) | 一种基于时序模糊Petri网的电力***故障诊断 | |
CN102281103B (zh) | 基于模糊集合解算的光网络多故障恢复方法 | |
CN111062569A (zh) | 一种基于bp神经网络的小电流故障判别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |