CN109061474A - 一种电机轴承故障诊断装置 - Google Patents

一种电机轴承故障诊断装置 Download PDF

Info

Publication number
CN109061474A
CN109061474A CN201811197298.4A CN201811197298A CN109061474A CN 109061474 A CN109061474 A CN 109061474A CN 201811197298 A CN201811197298 A CN 201811197298A CN 109061474 A CN109061474 A CN 109061474A
Authority
CN
China
Prior art keywords
bearing
fault
signal
residual signals
frequency
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
CN201811197298.4A
Other languages
English (en)
Inventor
朱文龙
刘勇
戴计生
李宗帅
杨家伟
江平
詹彦豪
张中景
徐海龙
邓宏芳
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.)
Zhuzhou CRRC Times Electric Co Ltd
Original Assignee
Zhuzhou CRRC Times Electric 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 Zhuzhou CRRC Times Electric Co Ltd filed Critical Zhuzhou CRRC Times Electric Co Ltd
Priority to CN201811197298.4A priority Critical patent/CN109061474A/zh
Publication of CN109061474A publication Critical patent/CN109061474A/zh
Priority to US17/261,886 priority patent/US11898932B2/en
Priority to PCT/CN2019/104202 priority patent/WO2020078132A1/zh
Priority to EP19872841.2A priority patent/EP3816604B1/en
Pending legal-status Critical Current

Links

Classifications

    • 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
    • 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
    • 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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
    • G01R19/0092—Arrangements for measuring currents or voltages or for indicating presence or sign thereof measuring current only
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R23/00—Arrangements for measuring frequencies; Arrangements for analysing frequency spectra
    • G01R23/16—Spectrum analysis; Fourier analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Acoustics & Sound (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明公开了一种电机轴承故障诊断装置，当装置处于故障诊断状态时，电流信号获取单元获取电机电流实时信号。残差信号获取单元对电流信号获取单元获取的电机电流实时信号进行谐波信号提取，从原始的电机电流实时信号中消除基频和谐波信号，获得残差信号。故障特征提取单元对残差信号获取单元得到的残差信号进行时域和频域分析，提取轴承的故障特征指标。故障诊断模型单元利用训练好的轴承故障诊断模型对故障特征提取单元提取到的轴承的故障特征指标进行模式识别，诊断出该轴承的故障状态。本发明能够解决现有电机轴承故障诊断装置难以有效地从低信噪比的电流信号中提取出故障特征信号，从而导致误报或漏报的技术问题。

Description

一种电机轴承故障诊断装置
技术领域
本发明涉及故障检测技术领域，尤其是涉及一种采用电流信号进行牵引电机轴承故障诊断的装置。
背景技术
在电力铁路机车车辆中，牵引电机是实现电能和机械能转换的最核心部件，承担了机车车辆运行中动力输出的重任，对于铁路机车车辆的运行效率与安全性具有重要的影响。运行实践表明，电机轴承故障是牵引电机最常见和最危险的故障，这些故障的发生和发展，不仅导致电机损坏，而且可能引起其它设备损坏，从而造成很大的损失。如何对牵引电机轴承故障进行及时、有效的状态监测及故障诊断，以避免恶性事故和不必要的停机造成的经济损失是解决牵引电机状态维修的关键技术问题。
目前，基于振动信号分析法和定子电流信号分析法是牵引电机轴承故障诊断领域应用最为广泛的两种方法。采用振动信号分析法时，需要额外加装振动传感器等设备，这样不仅增加了成本，而且带来了新的安全隐患。而定子电流信号分析方法则是一种非侵入式故障诊断方法，即不需要额外增加传感器，具有低成低廉、易于实施等优点。然而，受到脉冲宽度调制(PWM)供电电源和工况复杂多变的影响，牵引电机电流信号中蕴含着丰富的电机运行状态信息，而轴承故障特征信号相对微弱，往往淹没在电流谐波等干扰信号中。传统的电机电流特征分析(MCSA)算法，如：傅里叶变换(FFT)、PARK矢量模分析等算法，均难以有效地从低信噪比的电流信号中提取出故障特征信号，从而导致误报或漏报情况的发生。
在现有技术中，主要有以下技术方案与本发明申请相关：
现有技术1为安徽大学于2016年12月23日申请，并于2017年05月31日公开，公开号为CN106769041A的中国发明申请《一种变转速工况下的永磁同步电机轴承在线故障诊断装置及方法》。该发明申请公开了一种变转速工况下的永磁同步电机轴承在线故障诊断装置及方法。模数转换器1连接电流探头，等时间间隔采集电流信号，微控制器1对电流信号进行低通滤波和极性转换。计算转换后的单极性电流信号角度并取整，角度每变化1度时，微控制器1产生一个触发信号。微控制器2接收微控制器1产生的触发信号，控制模数转换器2对麦克风进行触发采样，获得轴承声音信号。对角域的轴承信号进行包络解调，计算包络信号的阶次谱，根据故障特征阶次判断轴承故障类型，并在显示屏上显示。该发明通过对轴承声音信号进行分析处理，根据故障特征阶次判断轴承故障类型，需要额外增加传感器、模数转换器等部件，不利于成本的降低。同时，采用轴承声音信号判断轴承故障类型难以有效地从低信噪比的电流信号中提取出故障特征信号。
现有技术2为南京航空航天大学于2017年03月28日申请，并于2017年07月28日公开，公开号为CN106989923A的中国发明申请《基于定子电流小波包分析的永磁机轴承点蚀故障检测方法》。该发明申请公开了一种基于定子电流小波包分析的永磁机轴承点蚀故障检测方法。利用永磁机的定子电流进行故障诊断，通过小波包分析方法对定子电流进行信号分析，小波包分析是一种多分辨率分析法，可以按频段对信号进行剥离。当确定电机故障频率后，计算出相应的小波包节点，对小波包节点系数求均方根，根据均方根判断故障情况。该发明采用小波包分析方法对定子电流进行信号分析，根据小波包节点系数的均方根判断故障情况，也存在难以有效地从低信噪比的电流信号中提取出故障特征信号的技术问题。
现有技术3微浙江大学于2017年01月20日申请，并于2017年05月17日公开，公开号为CN106680716A的中国发明申请《一种基于无位置传感器的永磁电机轴承故障诊断的方法》。该发明申请公开了一种基于无位置传感器的永磁电机轴承故障诊断的方法。首先，从电机控制芯片中获得电压与电流，并利用无位置传感器算法获得电机的转子位置角与转速。然后，通过滑动平均滤波器提取出转速中的交流成分，并根据位置角度对其进行角域重采样。最后，对重采样速度信号进行频域分析，根据频域信息判断轴承故障是否发生。该发明需要根据电压与电流通过无位置传感器算法获得电机的转子位置角与转速，根据位置角度对其进行角域重采样，再根据位置角度对其进行角域重采样。不但算法复杂，而且也存在难以有效地从低信噪比的电流信号中提取出故障特征信号的技术问题。
发明内容
有鉴于此，本发明的目的在于提供一种电机轴承故障诊断装置，以解决现有电机轴承故障诊断装置难以有效地从低信噪比的电流信号中提取出故障特征信号，从而导致误报或漏报的技术问题。
为了实现上述发明目的，本发明具体提供了一种电机轴承故障诊断装置的技术实现方案，一种电机轴承故障诊断装置，包括：电流信号获取单元、残差信号获取单元、故障特征提取单元和故障诊断模型单元。当所述装置处于故障诊断状态时：
电流信号获取单元，获取电机电流实时信号；
残差信号获取单元，对所述电流信号获取单元获取的电机电流实时信号进行谐波信号提取，从原始的电机电流实时信号中消除基频和谐波信号，获得残差信号；
故障特征提取单元，对所述残差信号获取单元得到的残差信号进行时域和频域分析，提取轴承的故障特征指标；
故障诊断模型单元，利用训练好的轴承故障诊断模型对所述故障特征提取单元提取到的轴承的故障特征指标进行模式识别，诊断出该轴承的故障状态。
进一步的，当所述装置处于故障诊断状态时，所述故障特征提取单元首先计算轴承故障特征频率，再计算轴承故障特征频率序列。对残差信号进行FFT变换获得残差信号的频谱，再根据残差信号的频谱获得对应的轴承故障特征频率序列幅值。计算残差信号的最小值I_min和有效值I_rms，并根据轴承故障特征频率序列幅值I_f(n)，计算轴承故障特征频率序列幅值的最大值I_f_max、峰峰值I_f_peark和峰值系数I_f_crest。
进一步的，当所述装置处于故障模型训练状态时：
电流信号获取单元，获取在不同轴承故障状态下的多组电机电流历史信号，作为模型的训练样本数据集；
残差信号获取单元，对所述电流信号获取单元获取的训练样本数据集进行谐波信号提取，从原始的电机电流历史信号中消除基频和谐波信号，获得残差信号；
故障特征提取单元，对所述残差信号获取单元得到的残差信号进行时域和频域分析，提取轴承的故障特征指标；
故障诊断模型单元，基于所述故障特征提取单元提取到的轴承的故障特征指标并结合轴承故障类型进行训练，得到轴承故障诊断模型。
进一步的，当所述装置处于故障模型训练状态时，所述残差信号获取单元从原始的电机电流历史信号中获得电机电流历史信号的基频和谐波的幅值、初始相位和频率，进而获得基频和谐波信号，再从原始的电机电流历史信号中减去基频和谐波信号，从而获得残差信号。
进一步的，当所述装置处于故障诊断状态时，所述残差信号获取单元从待诊断的电机电流实时信号中获得电机电流实时信号的基频和谐波的幅值、初始相位和频率，进而获得基频和谐波信号，再从原始的电机电流实时信号中减去基频和谐波信号，从而获得残差信号。
进一步的，当所述装置处于故障模型训练状态时，所述故障特征提取单元首先计算轴承故障特征频率，再计算轴承故障特征频率序列。对残差信号进行FFT变换获得残差信号的频谱，再根据残差信号的频谱获得对应的轴承故障特征频率序列幅值。计算残差信号的最小值I_min和有效值I_rms，并根据轴承故障特征频率序列幅值I_f(n)，计算轴承故障特征频率序列幅值的最大值I_f_max、峰峰值I_f_peark和峰值系数I_f_crest。
进一步的，当所述装置处于故障模型训练状态时，所述残差信号获取单元采用全相位时移相位差校正法获得电机电流历史信号的基频和谐波的幅值、初始相位和频率，进而获得基频和谐波信号。当所述装置处于故障诊断状态时，所述残差信号获取单元采用全相位时移相位差校正法获得电机电流实时信号的基频和谐波的幅值、初始相位和频率，进而获得基频和谐波信号。
进一步的，当所述装置处于故障模型训练状态时，所述故障诊断模型单元利用梯度提升树分类器对提取到的轴承的故障特征指标及轴承故障类型进行训练，得到轴承故障诊断模型。当所述装置处于故障诊断状态时，所述故障诊断模型单元利用训练好的基于梯度提升树的轴承故障诊断模型对提取到的轴承的故障特征指标进行模式识别，诊断出轴承的故障状态。
进一步的，所述轴承故障特征频率序列f(k)为|fe±kfv|,k＝1,2,3，其中，fe为残差信号的电流基频频率，fv为轴承故障特征频率。
进一步的，所述故障特征提取单元根据以下公式计算所述残差信号的最小值I_min：
I_min＝min(I(t))
式中，I(t)为残差信号的时间序列，其中N为信号的采样点数。
根据以下公式计算所述残差信号的有效值I_rms：
根据以下公式计算所述轴承故障特征频率序列幅值的最大值：
I_f_max＝max(I_f(n))
式中，I_f(n)为轴承故障特征频率序列幅值。
根据以下公式计算所述轴承故障特征频率序列幅值的峰峰值：
I_f_peark＝I_f_max-I_min
根据以下公式计算所述轴承故障特征频率序列幅值的峰值系数：
I_f_crest＝I_f_max/I_rms。
进一步的，所述轴承的故障状态类型包括轴承保持架故障、轴承外圈故障、轴承内圈故障和轴承滚动体故障。
所述故障特征提取单元根据以下公式计算所述轴承保持架故障特征频率：
所述故障特征提取单元根据以下公式计算所述轴承外圈故障特征频率：
所述故障特征提取单元根据以下公式计算所述轴承内圈故障特征频率：
所述故障特征提取单元根据以下公式计算所述轴承滚动体故障特征频率：
其中，fr为电机旋转频率，DB为轴承中滚动体的直径，DP为轴承节的圆直径，NB为轴承中滚动体的个数，θ为接触角。
通过实施上述本发明提供的电机轴承故障诊断装置的技术方案，具有如下有益效果：
(1)本发明采用对电机电流信号进行谐波信号提取，从原始的电机电流历史信号中消除基频和谐波信号，获得残差信号，有效减少了由PWM(PulseWidth Modulation，脉宽调制的简称)供电引入的谐波信号对轴承故障特征信号的干扰，提高了电流信号的信噪比，进而提取的故障特征指标更加显著；
(2)本发明利用残差信号提取的轴承故障特征指标的变化来反映牵引电机轴承健康状态的变化，该故障特征指标能够准确地表征轴承故障状态，采用全相位时移相位差校正法提取并去除电流信号中的谐波信号，进一步提升了故障特征指标的显著性；
(3)本发明所建立的梯度提升树故障诊断模型可自动识别轴承故障状态，而不需要业务专家观察频谱图进行诊断，能够根据电机电流信号的自身特性自动地识别轴承故障与否，有效减少了人为主观因素的干扰，并提高了故障诊断的客观性和准确性。
附图说明
为了更清楚地说明本发明实施例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本发明的一些实施例，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，还可以根据这些附图获得其他的实施例。
图1是本发明电机轴承故障诊断装置一种具体实施例在故障诊断模式下的工作原理框图；
图2是本发明电机轴承故障诊断装置一种具体实施例在模型训练模式下的工作原理框图；
图3是基于本发明装置的电机轴承故障诊断方法的流程原理示意图；
图4是基于本发明装置的电机轴承故障诊断方法中模型训练阶段的程序流程图；
图5是基于本发明装置的电机轴承故障诊断方法中故障诊断阶段的程序流程图；
图中：1-电流信号获取单元，2-残差信号计算单元，3-故障特征提取单元，4-故障诊断模型单元。
具体实施方式
为了引用和清楚起见，将下文中使用的技术名词、简写或缩写记载如下：
全相位时移相位差校正法：是一种消除信号中的正弦信号干扰算法，用于计算基频和谐波信号的幅值、频率和初始相位。
梯度提升树：是一种机器学习算法，也是集成学习Boosting家族的成员，是利用前一轮迭代弱学习器的误差率来更新训练集的权重。
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述。显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，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它实施例，都属于本发明保护的范围。
如附图1至附图5所示，给出了本发明电机轴承故障诊断装置及基于该装置的电机轴承故障诊断方法的具体实施例，下面结合附图和具体实施例对本发明作进一步说明。
实施例1
如附图1所示，一种基于电流信号的轴承故障诊断装置的实施例，具体包括：电流信号获取单元1、残差信号获取单元2、故障特征提取单元3和故障诊断模型单元4。当装置处于故障诊断状态时：
电流信号获取单元1，获取电机电流实时信号；
残差信号获取单元2，对电流信号获取单元1获取的电机电流实时信号进行谐波信号提取，从原始的电机电流实时信号中消除基频和谐波信号，获得残差信号；
故障特征提取单元3，对残差信号获取单元2得到的残差信号进行时域和频域分析，提取轴承的故障特征指标；
故障诊断模型单元4，利用训练好的轴承故障诊断模型对故障特征提取单元3提取到的轴承的故障特征指标(向量)进行模式识别，诊断出该轴承的故障状态(即轴承故障类型)。
其中，作为本发明一种较佳的具体实施例，故障诊断模型单元4将提取到的轴承的故障特征指标(向量)输入至训练好的基于梯度提升树(该算法为现有技术中的已有算法，在此不再赘述)的轴承故障诊断模型中进行模式识别，诊断出轴承的故障状态。
当装置处于故障诊断状态时，残差信号获取单元2采用全相位时移相位差校正法(该算法为现有技术中的已有算法，在此不再赘述)从待诊断的电机电流实时信号中获得电机电流实时信号的基频fe和谐波n*fe，n＝2、3、4、...、50的幅值、初始相位和频率，进而获得基频和谐波信号，再从原始的电机电流实时信号中减去基频和谐波信号，从而获得残差信号。
如附图2所示，当装置处于故障诊断状态时，故障特征提取单元3首先计算轴承故障特征频率，再计算轴承故障特征频率序列。对残差信号进行FFT变换(Fast FourierTransformation，快速傅里叶变换的简称)获得残差信号的频谱，再根据残差信号的频谱获得对应的轴承故障特征频率序列幅值。计算残差信号的最小值I_min和有效值I_rms，并根据轴承故障特征频率序列幅值I_f(n)，计算轴承故障特征频率序列幅值的最大值I_f_max、峰峰值I_f_peark和峰值系数I_f_crest。
故障诊断模型单元4，利用训练好的轴承故障诊断模型对故障特征提取单元3提取到的包括轴承故障特征频率序列幅值I_f(n)、轴承故障特征频率序列幅值的最大值I_f_max、峰峰值I_f_peark和峰值系数I_f_crest，以及残差信号的最小值I_min和有效值I_rms在内的轴承的故障特征指标(向量)进行模式识别，诊断出该轴承的故障状态。
当装置处于故障模型训练状态时：
电流信号获取单元1，获取在不同轴承故障状态(对应于不同的轴承故障类型)下的多组电机电流历史信号，作为模型的训练样本数据集；
残差信号获取单元2，对电流信号获取单元1获取的训练样本数据集进行谐波信号提取，从原始的电机电流历史信号中消除基频和谐波信号，获得残差信号；
故障特征提取单元3，对残差信号获取单元2得到的残差信号进行时域和频域分析，提取轴承的故障特征指标；
故障诊断模型单元4，基于故障特征提取单元3提取到的轴承的故障特征指标(向量)并结合轴承故障类型进行训练，得到轴承故障诊断模型。
其中，作为本发明一种较佳的具体实施例，故障诊断模型单元4将提取到的轴承的故障特征指标(向量)及轴承故障类型输入至梯度提升树分类器(该算法为现有技术中的已有算法，在此不再赘述)中进行训练，得到轴承故障诊断模型。
当装置处于故障模型训练状态时，残差信号获取单元2采用全相位时移相位差校正法(该算法为现有技术中的已有算法，在此不再赘述)从原始的电机电流历史信号中获得电机电流历史信号的基频fe和谐波n*fe，n＝2、3、4、...、50的幅值、初始相位和频率，进而获得基频和谐波信号，再从原始的电机电流历史信号中减去基频和谐波信号，从而获得残差信号。
当装置处于故障模型训练状态时，故障特征提取单元3首先计算轴承故障特征频率，再计算轴承故障特征频率序列。轴承故障特征频率序列f(k)进一步为|fe±kfv|,k＝1,2,3,...,n，其中，n可取3～5次，fe为残差信号的电流基频频率，fv为轴承故障特征频率。对残差信号进行FFT变换获得残差信号的频谱，再根据残差信号的频谱获得对应的轴承故障特征频率序列幅值(即找到残差信号在各个频率点f(k)处的幅值，频率点f(k)与残差信号频谱中的某一频率相同)。计算残差信号的最小值I_min和有效值I_rms，并根据轴承故障特征频率序列幅值I_f(n)，计算轴承故障特征频率序列幅值的最大值I_f_max、峰峰值I_f_peark和峰值系数I_f_crest。
故障诊断模型单元4，基于故障特征提取单元3在不同轴承故障状态下提取到的包括轴承故障特征频率序列幅值I_f(n)、轴承故障特征频率序列幅值的最大值I_f_max、峰峰值I_f_peark和峰值系数I_f_crest，以及残差信号的最小值I_min和有效值I_rms在内的轴承的故障特征指标(向量)，并结合轴承故障类型进行训练，得到轴承故障诊断模型。
故障特征提取单元3进一步根据以下公式计算残差信号的最小值I_min：
I_min＝min(I(t))
式中，I(t)为残差信号的时间序列，其中N为信号的采样点数。
故障特征提取单元3进一步根据以下公式计算残差信号的有效值I_rms：
故障特征提取单元3进一步根据以下公式计算轴承故障特征频率序列幅值的最大值：
I_f_max＝max(I_f(n))
式中，I_f(n)为轴承故障特征频率序列幅值。
故障特征提取单元3进一步根据以下公式计算轴承故障特征频率序列幅值的峰峰值：
I_f_peark＝I_f_max-I_min
故障特征提取单元3进一步根据以下公式计算轴承故障特征频率序列幅值的峰值系数：
I_f_crest＝I_f_max/I_rms
轴承的故障状态类型进一步包括轴承保持架故障、轴承外圈故障、轴承内圈故障和轴承滚动体故障。
故障特征提取单元3进一步根据以下公式计算轴承保持架故障特征频率：
故障特征提取单元3进一步根据以下公式计算轴承外圈故障特征频率：
故障特征提取单元3进一步根据以下公式计算轴承内圈故障特征频率：
故障特征提取单元3进一步根据以下公式计算轴承滚动体故障特征频率：
其中，fr为电机旋转频率，DB为轴承中滚动体的直径，DP为轴承节的圆直径，NB为轴承中滚动体的个数，θ为接触角。
本发明实施例1描述的电机轴承故障诊断装置的技术方案中，故障诊断模型单元4采用梯度提升树智能算法进行轴承故障诊断模型训练和模式识别，也可以采用神经网络、随机森林和支持向量机等人工智能算法替代处理。实施例1描述的电机轴承故障诊断装置可很好地应用于机车牵引电机轴承故障的离线或在线健康监测与故障预警中。
实施例2
如附图3至附图5所示，一种基于实施例1所述装置的轴承故障诊断方法的实施例，具体包括以下步骤：
A)模型训练阶段
S101)获取在不同轴承故障状态下的多组电机电流历史信号，作为模型的训练样本数据集；
S102)对训练样本数据集进行谐波信号提取，从原始的电机电流历史信号中消除基频和谐波信号，获得残差信号；
S103)对步骤S102)得到的残差信号进行时域和频域分析，提取轴承的故障特征指标；
S104)基于步骤S103)提取到的轴承的故障特征指标(向量)并结合轴承故障类型进行训练，得到轴承故障诊断模型；
B)故障诊断阶段
S201)对待诊断的电机电流实时信号进行谐波信号提取，从原始的电机电流实时信号中消除基频和谐波信号，获得残差信号；
S202)对步骤S201)得到的残差信号进行时域和频域分析，提取轴承的故障特征指标；
S203)将步骤S202)提取到的轴承的故障特征指标(向量)输入至步骤S104)训练好的轴承故障诊断模型进行模式识别，诊断出该轴承的故障状态。
通过实施本发明具体实施例描述的电机轴承故障诊断装置的技术方案，能够产生如下技术效果：
(1)本发明具体实施例描述的电机轴承故障诊断装置，采用对电机电流信号进行谐波信号提取，从原始的电机电流历史信号中消除基频和谐波信号，获得残差信号，有效减少了由PWM供电引入的谐波信号对轴承故障特征信号的干扰，提高了电流信号的信噪比，进而提取的故障特征指标更加显著；
(2)本发明具体实施例描述的电机轴承故障诊断装置，利用残差信号提取的轴承故障特征指标的变化来反映牵引电机轴承健康状态的变化，该故障特征指标能够准确地表征轴承故障状态，采用全相位时移相位差校正法提取并去除电流信号中的谐波信号，进一步提升了故障特征指标的显著性；
(3)本发明具体实施例描述的电机轴承故障诊断装置，所建立的梯度提升树故障诊断模型可自动识别轴承故障状态，而不需要业务专家观察频谱图进行诊断，能够根据电机电流信号的自身特性自动地识别轴承故障与否，有效减少了人为主观因素的干扰，并提高了故障诊断的客观性和准确性。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制。虽然本发明已以较佳实施例揭示如上，然而并非用以限定本发明。任何熟悉本领域的技术人员，在不脱离本发明的精神实质和技术方案的情况下，都可利用上述揭示的方法和技术内容对本发明技术方案做出许多可能的变动和修饰，或修改为等同变化的等效实施例。因此，凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所做的任何简单修改、等同替换、等效变化及修饰，均仍属于本发明技术方案保护的范围。

Claims (10)

1.一种电机轴承故障诊断装置，其特征在于，包括：电流信号获取单元(1)、残差信号获取单元(2)、故障特征提取单元(3)和故障诊断模型单元(4)；当所述装置处于故障诊断状态时：
电流信号获取单元(1)，获取电机电流实时信号；
残差信号获取单元(2)，对所述电流信号获取单元(1)获取的电机电流实时信号进行谐波信号提取，从原始的电机电流实时信号中消除基频和谐波信号，获得残差信号；
故障特征提取单元(3)，对所述残差信号获取单元(2)得到的残差信号进行时域和频域分析，提取轴承的故障特征指标；
故障诊断模型单元(4)，利用训练好的轴承故障诊断模型对所述故障特征提取单元(3)提取到的轴承的故障特征指标进行模式识别，诊断出该轴承的故障状态。
2.根据权利要求1所述的电机轴承故障诊断装置，其特征在于：当所述装置处于故障诊断状态时，所述故障特征提取单元(3)首先计算轴承故障特征频率，再计算轴承故障特征频率序列；对残差信号进行FFT变换获得残差信号的频谱，再根据残差信号的频谱获得对应的轴承故障特征频率序列幅值；计算残差信号的最小值(I_min)和有效值(I_rms)，并根据轴承故障特征频率序列幅值(I_f(n))，计算轴承故障特征频率序列幅值的最大值(I_f_max)、峰峰值(I_f_peark)和峰值系数(I_f_crest)。
3.根据权利要求1或2所述的电机轴承故障诊断装置，其特征在于，当所述装置处于故障模型训练状态时：
电流信号获取单元(1)，获取在不同轴承故障状态下的多组电机电流历史信号，作为模型的训练样本数据集；
残差信号获取单元(2)，对所述电流信号获取单元(1)获取的训练样本数据集进行谐波信号提取，从原始的电机电流历史信号中消除基频和谐波信号，获得残差信号；
故障特征提取单元(3)，对所述残差信号获取单元(2)得到的残差信号进行时域和频域分析，提取轴承的故障特征指标；
故障诊断模型单元(4)，基于所述故障特征提取单元(3)提取到的轴承的故障特征指标并结合轴承故障类型进行训练，得到轴承故障诊断模型。
4.根据权利要求3所述的电机轴承故障诊断装置，其特征在于：
当所述装置处于故障模型训练状态时，所述残差信号获取单元(2)从原始的电机电流历史信号中获得电机电流历史信号的基频和谐波的幅值、初始相位和频率，进而获得基频和谐波信号，再从原始的电机电流历史信号中减去基频和谐波信号，从而获得残差信号；
当所述装置处于故障诊断状态时，所述残差信号获取单元(2)从待诊断的电机电流实时信号中获得电机电流实时信号的基频和谐波的幅值、初始相位和频率，进而获得基频和谐波信号，再从原始的电机电流实时信号中减去基频和谐波信号，从而获得残差信号。
5.根据权利要求4所述的电机轴承故障诊断装置，其特征在于：当所述装置处于故障模型训练状态时，所述故障特征提取单元(3)首先计算轴承故障特征频率，再计算轴承故障特征频率序列；对残差信号进行FFT变换获得残差信号的频谱，再根据残差信号的频谱获得对应的轴承故障特征频率序列幅值；计算残差信号的最小值(I_min)和有效值(I_rms)，并根据轴承故障特征频率序列幅值(I_f(n))，计算轴承故障特征频率序列幅值的最大值(I_f_max)、峰峰值(I_f_peark)和峰值系数(I_f_crest)。
6.根据权利要求4或5所述的电机轴承故障诊断装置，其特征在于：当所述装置处于故障模型训练状态时，所述残差信号获取单元(2)采用全相位时移相位差校正法获得电机电流历史信号的基频和谐波的幅值、初始相位和频率，进而获得基频和谐波信号；当所述装置处于故障诊断状态时，所述残差信号获取单元(2)采用全相位时移相位差校正法获得电机电流实时信号的基频和谐波的幅值、初始相位和频率，进而获得基频和谐波信号。
7.根据权利要求6所述的电机轴承故障诊断装置，其特征在于：当所述装置处于故障模型训练状态时，所述故障诊断模型单元(4)利用梯度提升树分类器对提取到的轴承的故障特征指标及轴承故障类型进行训练，得到轴承故障诊断模型；当所述装置处于故障诊断状态时，所述故障诊断模型单元(4)利用训练好的基于梯度提升树的轴承故障诊断模型对提取到的轴承的故障特征指标进行模式识别，诊断出轴承的故障状态。
8.根据权利要求1、2、4、5或7任一项所述的电机轴承故障诊断装置，其特征在于：所述轴承故障特征频率序列f(k)为|fe±kfv|,k＝1,2,3，其中，fe为残差信号的电流基频频率，fv为轴承故障特征频率。
9.根据权利要求8所述的电机轴承故障诊断装置，其特征在于，所述故障特征提取单元(3)根据以下公式计算所述残差信号的最小值(I_min)：
I_min＝min(I(t))
式中，I(t)为残差信号的时间序列，其中N为信号的采样点数；
根据以下公式计算所述残差信号的有效值(I_rms)：
根据以下公式计算所述轴承故障特征频率序列幅值的最大值：
I_f_max＝max(I_f(n))
式中，I_f(n)为轴承故障特征频率序列幅值；
根据以下公式计算所述轴承故障特征频率序列幅值的峰峰值：
I_f_peark＝I_f_max-I_min
根据以下公式计算所述轴承故障特征频率序列幅值的峰值系数：
I_f_crest＝I_f_max/I_rms。
10.根据权利要求1、2、4、5、7或9任一项所述的电机轴承故障诊断装置，其特征在于：所述轴承的故障状态类型包括轴承保持架故障、轴承外圈故障、轴承内圈故障和轴承滚动体故障；
所述故障特征提取单元(3)根据以下公式计算所述轴承保持架故障特征频率：
所述故障特征提取单元(3)根据以下公式计算所述轴承外圈故障特征频率：
所述故障特征提取单元(3)根据以下公式计算所述轴承内圈故障特征频率：
所述故障特征提取单元(3)根据以下公式计算所述轴承滚动体故障特征频率：
其中，fr为电机旋转频率，DB为轴承中滚动体的直径，DP为轴承节的圆直径，NB为轴承中滚动体的个数，θ为接触角。
CN201811197298.4A 2018-10-15 2018-10-15 一种电机轴承故障诊断装置 Pending CN109061474A (zh)

Priority Applications (4)

Application Number Priority Date Filing Date Title
CN201811197298.4A CN109061474A (zh) 2018-10-15 2018-10-15 一种电机轴承故障诊断装置
US17/261,886 US11898932B2 (en) 2018-10-15 2019-09-03 Motor bearing failure diagnosis device
PCT/CN2019/104202 WO2020078132A1 (zh) 2018-10-15 2019-09-03 一种电机轴承故障诊断装置
EP19872841.2A EP3816604B1 (en) 2018-10-15 2019-09-03 Motor bearing failure diagnosis device

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811197298.4A CN109061474A (zh) 2018-10-15 2018-10-15 一种电机轴承故障诊断装置

Publications (1)

Publication Number Publication Date
CN109061474A true CN109061474A (zh) 2018-12-21

Family

ID=64764815

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811197298.4A Pending CN109061474A (zh) 2018-10-15 2018-10-15 一种电机轴承故障诊断装置

Country Status (4)

Country Link
US (1) US11898932B2 (zh)
EP (1) EP3816604B1 (zh)
CN (1) CN109061474A (zh)
WO (1) WO2020078132A1 (zh)

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110823568A (zh) * 2019-09-29 2020-02-21 深圳精匠云创科技有限公司 轴承故障检测装置及检测方法
WO2020078132A1 (zh) * 2018-10-15 2020-04-23 株洲中车时代电气股份有限公司 一种电机轴承故障诊断装置
CN111208427A (zh) * 2020-04-23 2020-05-29 湖南中车时代通信信号有限公司 一种牵引电机故障诊断方法及装置
CN111220379A (zh) * 2020-04-23 2020-06-02 湖南中车时代通信信号有限公司 一种牵引电机传动***故障诊断方法及装置
CN111435105A (zh) * 2019-01-15 2020-07-21 计算***有限公司 基于振动频谱图的轴承和故障频率识别
CN111654141A (zh) * 2020-06-03 2020-09-11 宁波大学 一种电磁感应式轴承转速测量装置及测量方法
CN111680665A (zh) * 2020-06-28 2020-09-18 湖南大学 基于数据驱动的采用电流信号的电机机械故障诊断方法
CN112071210A (zh) * 2020-09-18 2020-12-11 广州花筑科技有限公司 一种地铁口信息提示牌
CN112320520A (zh) * 2020-11-09 2021-02-05 浙江新再灵科技股份有限公司 基于残差分析的电梯异常振动检测方法
CN112611563A (zh) * 2020-12-01 2021-04-06 上海明略人工智能(集团)有限公司 一种目标故障信息的确定方法和装置
CN113748326A (zh) * 2019-05-03 2021-12-03 三菱电机株式会社 用于对感应电动机估计轴承故障严重性的方法
CN114112396A (zh) * 2021-10-29 2022-03-01 江苏大学 一种采用电流信号分析的转速波动准平稳工况下轴承故障诊断方法
CN114152437A (zh) * 2020-08-17 2022-03-08 Abb瑞士股份有限公司 检测轴承故障的方法
CN115062678A (zh) * 2022-08-19 2022-09-16 山东能源数智云科技有限公司 设备故障检测模型的训练方法、故障检测方法及装置

Families Citing this family (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111650514B (zh) * 2020-06-15 2022-09-09 珠海万力达电气自动化有限公司 一种异步电动机典型故障的多参数联合诊断方法
CN112052796A (zh) * 2020-09-07 2020-12-08 电子科技大学 一种基于深度学习的永磁同步电机故障诊断方法
CN113075545B (zh) * 2021-03-22 2024-02-23 西安工业大学 一种电机故障诊断结果的表现方法
GB2607975A (en) * 2021-06-17 2022-12-21 Eaton Intelligent Power Ltd Method and apparatus for motor bearing fault detection using sensed current
WO2022263016A1 (en) * 2021-06-17 2022-12-22 Eaton Intelligent Power Limited Method and apparatus for motor bearing fault detection using sensed current
KR102601072B1 (ko) * 2021-10-21 2023-11-09 서울대학교산학협력단 모터 고장 진단을 위한 이미지 생성 방법 및 장치, 상기 이미지를 이용한 모터 고장 진단 방법 및 장치
CN114114008B (zh) * 2021-11-10 2024-01-05 江苏澳洋医药物流有限公司 一种智能医药货架的输送带电机故障诊断装置
CN114925735A (zh) * 2022-07-21 2022-08-19 深圳市世坤科技实业有限公司 新能源汽车电机的运行状态评估方法
CN115270896B (zh) * 2022-09-28 2023-04-07 西华大学 一种用于识别航空发动机主轴承松动故障的智能诊断方法
CN115616403B (zh) * 2022-12-13 2023-03-10 湖南大学 永磁同步电机轴承故障初期诊断方法、装置及存储介质
CN116304905B (zh) * 2023-02-03 2024-01-23 中国人民解放军92942部队 一种在多负载工况下的永磁同步电机退磁故障诊断方法
CN116106742A (zh) * 2023-04-07 2023-05-12 国家石油天然气管网集团有限公司 一种基于dq变换的电机轴承故障诊断方法及***
CN116520143B (zh) * 2023-07-03 2023-09-12 利维智能（深圳）有限公司 基于声纹数据的旋转设备监测方法、装置、设备及介质
CN116756675B (zh) * 2023-08-14 2023-11-07 湘江实验室 一种基于脉冲神经网络的轴承故障诊断分类方法
CN116990744B (zh) * 2023-09-25 2023-12-05 北京志翔科技股份有限公司 一种电能表检测方法、装置、设备及介质
CN118094368B (zh) * 2024-04-28 2024-07-02 湘江实验室 一种基于扩散模型和注意力机制的轴承故障诊断方法及装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101034038A (zh) * 2007-03-28 2007-09-12 华北电力大学 异步电动机轴承故障检测方法
CN103033745A (zh) * 2011-08-29 2013-04-10 通用电气公司 检测发电机的机械故障的方法和***
CN106769041A (zh) * 2016-12-23 2017-05-31 安徽大学 一种变转速工况下的永磁同步电机轴承在线故障诊断装置及方法

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6199023B1 (en) * 1998-11-16 2001-03-06 Geneal Electric Company System for removing spurious signatures in motor current signature analysis
US7117125B2 (en) 2003-06-18 2006-10-03 Eaton Corporation System and method for proactive motor wellness diagnosis based on potential mechanical faults
US7847580B2 (en) * 2007-06-04 2010-12-07 Eaton Corporation System and method for motor fault detection using stator current noise cancellation
JP2015129523A (ja) 2014-01-06 2015-07-16 日本精工株式会社 転がり軸受の使用方法
CN105929331A (zh) 2016-04-28 2016-09-07 上海电机学院 一种双馈风力发电机定转子故障分析诊断装置及方法
CN108303249A (zh) 2017-01-12 2018-07-20 天津工业大学 一种用于齿轮箱电信号残差信号的提取方法
CN106680716B (zh) 2017-01-20 2019-01-08 浙江大学 一种基于无位置传感器的永磁电机轴承故障诊断的方法
CN106989923A (zh) 2017-03-28 2017-07-28 南京航空航天大学 基于定子电流小波包分析的永磁机轴承点蚀故障检测方法
US11105712B2 (en) * 2018-04-06 2021-08-31 Raytheon Technologies Corporation Integrated vibe/ODM fusion and trending analysis for prognostic health management of engine bearing
CN109061474A (zh) * 2018-10-15 2018-12-21 株洲中车时代电气股份有限公司 一种电机轴承故障诊断装置
CN109238698A (zh) 2018-10-15 2019-01-18 株洲中车时代电气股份有限公司 一种基于电流信号的电机轴承故障诊断方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101034038A (zh) * 2007-03-28 2007-09-12 华北电力大学 异步电动机轴承故障检测方法
CN103033745A (zh) * 2011-08-29 2013-04-10 通用电气公司 检测发电机的机械故障的方法和***
CN106769041A (zh) * 2016-12-23 2017-05-31 安徽大学 一种变转速工况下的永磁同步电机轴承在线故障诊断装置及方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
张海刚: ""基于定子电流监控的轴承故障在线监测"", 《控制理论与应用》 *
李怀俊著: "《基于核主元模糊聚类的旋转机械故障诊断技术研究》", 31 July 2016 *

Cited By (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020078132A1 (zh) * 2018-10-15 2020-04-23 株洲中车时代电气股份有限公司 一种电机轴承故障诊断装置
US11898932B2 (en) 2018-10-15 2024-02-13 ZhuZhou CRRC Times Electric Co., Ltd. Motor bearing failure diagnosis device
CN111435105A (zh) * 2019-01-15 2020-07-21 计算***有限公司 基于振动频谱图的轴承和故障频率识别
CN111435105B (zh) * 2019-01-15 2022-03-22 计算***有限公司 基于振动频谱图的轴承和故障频率识别
CN113748326A (zh) * 2019-05-03 2021-12-03 三菱电机株式会社 用于对感应电动机估计轴承故障严重性的方法
CN113748326B (zh) * 2019-05-03 2023-05-16 三菱电机株式会社 用于对感应电动机估计轴承故障严重性的方法
CN110823568A (zh) * 2019-09-29 2020-02-21 深圳精匠云创科技有限公司 轴承故障检测装置及检测方法
CN111208427B (zh) * 2020-04-23 2020-07-24 湖南中车时代通信信号有限公司 一种牵引电机故障诊断方法及装置
CN111220379A (zh) * 2020-04-23 2020-06-02 湖南中车时代通信信号有限公司 一种牵引电机传动***故障诊断方法及装置
CN111208427A (zh) * 2020-04-23 2020-05-29 湖南中车时代通信信号有限公司 一种牵引电机故障诊断方法及装置
EP4113138A4 (en) * 2020-04-23 2023-08-30 CRRC Zhuzhou Electric Locomotive Research Institute Co., Ltd. METHOD AND DEVICE FOR DIAGNOSIS OF TRACTION MOTOR FAULTS
WO2021213142A1 (zh) * 2020-04-23 2021-10-28 中车株洲电力机车研究所有限公司 一种牵引电机故障诊断方法及装置
CN111654141A (zh) * 2020-06-03 2020-09-11 宁波大学 一种电磁感应式轴承转速测量装置及测量方法
CN111680665A (zh) * 2020-06-28 2020-09-18 湖南大学 基于数据驱动的采用电流信号的电机机械故障诊断方法
CN114152437A (zh) * 2020-08-17 2022-03-08 Abb瑞士股份有限公司 检测轴承故障的方法
CN112071210A (zh) * 2020-09-18 2020-12-11 广州花筑科技有限公司 一种地铁口信息提示牌
CN112320520A (zh) * 2020-11-09 2021-02-05 浙江新再灵科技股份有限公司 基于残差分析的电梯异常振动检测方法
CN112611563A (zh) * 2020-12-01 2021-04-06 上海明略人工智能(集团)有限公司 一种目标故障信息的确定方法和装置
CN114112396A (zh) * 2021-10-29 2022-03-01 江苏大学 一种采用电流信号分析的转速波动准平稳工况下轴承故障诊断方法
CN114112396B (zh) * 2021-10-29 2023-09-26 江苏大学 一种采用电流信号分析的转速波动准平稳工况下轴承故障诊断方法
CN115062678A (zh) * 2022-08-19 2022-09-16 山东能源数智云科技有限公司 设备故障检测模型的训练方法、故障检测方法及装置

Also Published As

Publication number Publication date
EP3816604B1 (en) 2024-05-01
US11898932B2 (en) 2024-02-13
US20210286995A1 (en) 2021-09-16
EP3816604A1 (en) 2021-05-05
WO2020078132A1 (zh) 2020-04-23
EP3816604A4 (en) 2022-04-06

Similar Documents

Publication Publication Date Title
CN109061474A (zh) 一种电机轴承故障诊断装置
CN109238698A (zh) 一种基于电流信号的电机轴承故障诊断方法
Cheng et al. Rotor-current-based fault diagnosis for DFIG wind turbine drivetrain gearboxes using frequency analysis and a deep classifier
Peeters et al. Vibration-based bearing fault detection for operations and maintenance cost reduction in wind energy
Yang et al. Cost-effective condition monitoring for wind turbines
Urbanek et al. A two-step procedure for estimation of instantaneous rotational speed with large fluctuations
Liang et al. Application of power spectrum, cepstrum, higher order spectrum and neural network analyses for induction motor fault diagnosis
Yang et al. Vibration condition monitoring system for wind turbine bearings based on noise suppression with multi-point data fusion
Zhang et al. A novel detection method of motor broken rotor bars based on wavelet ridge
Kia et al. A comparative study of acoustic, vibration and stator current signatures for gear tooth fault diagnosis
Guo et al. Envelope order tracking for fault detection in rolling element bearings
Guo et al. Envelope extraction based dimension reduction for independent component analysis in fault diagnosis of rolling element bearing
CN103698699A (zh) 一种基于模型的异步电动机故障监测诊断方法
Teng et al. Application of cyclic coherence function to bearing fault detection in a wind turbine generator under electromagnetic vibration
Wang et al. Bearing fault diagnosis of direct-drive wind turbines using multiscale filtering spectrum
Choi et al. Performance-oriented electric motors diagnostics in modern energy conversion systems
Ibrahim et al. Neural networks for wind turbine fault detection via current signature analysis
CN103234702B (zh) 一种叶片不平衡故障诊断方法
Li et al. Quantitative evaluation on the performance and feature enhancement of stochastic resonance for bearing fault diagnosis
Amirat et al. Condition monitoring of wind turbines based on amplitude demodulation
Liu et al. Fault diagnosis of wind turbines under nonstationary conditions based on a novel tacho-less generalized demodulation
Wang et al. Weak fault diagnosis of rolling bearing under variable speed condition using IEWT-based enhanced envelope order spectrum
Kumar et al. A combined approach for weak fault signature extraction of rolling element bearing using Hilbert envelop and zero frequency resonator
Abolghasemi et al. Recursive singular spectrum analysis for induction machines unbalanced rotor fault diagnosis
CN102495264B (zh) 基于信息熵的电压跌落持续时间检测方法

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20181221