CN109447187B - 电机故障诊断方法及*** - Google Patents
电机故障诊断方法及*** Download PDFInfo
- Publication number
- CN109447187B CN109447187B CN201811590223.2A CN201811590223A CN109447187B CN 109447187 B CN109447187 B CN 109447187B CN 201811590223 A CN201811590223 A CN 201811590223A CN 109447187 B CN109447187 B CN 109447187B
- Authority
- CN
- China
- Prior art keywords
- fault
- data set
- probability density
- calculating
- density function
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Tests Of Circuit Breakers, Generators, And Electric Motors (AREA)
Abstract
本发明涉及电机故障诊断领域,公开了一种电机故障诊断方法及***,以及时发现电机运行的异常情况并进行故障诊断,使用方便,易于实施;本发明的方法包括:选取正常训练数据集,计算第一检测统计量,并计算检测阈值;选取不同类型的故障数据作为故障训练数据集,计算第二检测统计量,采用核密度估计法计算第二检测统计量的故障概率密度函数,并构建所有类型故障样本的概率密度函数集;选取测试数据集,根据测试数据集计算第三检测统计量,将第三检测统计量与检测阈值进行比较,判断电机是否发生故障;若发生故障,采用核密度估计法计算第三检测统计量的故障密度函数,并构建测试数据集的概率密度函数集,从而诊断故障类型。
Description
技术领域
本发明涉及电机故障诊断领域,尤其涉及一种电机故障诊断方法及***。
背景技术
电机是一种在各行业中都使用广泛的电气设备,如高速列车牵引传动***、风电发电机、新能源汽车驱动电机、轨道牵引电机、船舶用电机等。在实际的应用中,由于电机受到频繁的启动、负载波动、工作环境恶劣等因素的影响,电机运行状态出现异常进而不可避免的产生故障。这些故障若得不到及时的诊断和发现,就会不断恶化最终导致整个***失效,给工业生产带来巨大的损失。
电机在实际运行中,诸如在启动加速、恒速、制动减速等状态之间的切换中,不同工况下表现出来的动态特性不一,***参数和测量数据的变化复杂。例如,当电机运行在启动加速的工况下输出转矩大,对应的启动电流较大,电机电压增大;在恒速的工况下,若低速运行,电机绕组电流和磁动势较大;若高于额定转速运行,电机还需要进行弱磁控制,电机的磁动势出现明显变化;制动工况下,以电制动为例,电机工作在发电机模式中,输出转矩反向,机械能转换为电能重新反馈给电网或者通过制动电阻消耗掉,电机定子电流、磁动势、转速等会有较大变化。由此可见,电机运行的动态变化复杂且参数众多,导致电机发生故障的因素众多。
因此,如何能及时发现电机运行的异常情况并进行故障诊断成为一个急需解决的问题。
发明内容
本发明目的在于提供一种电机故障诊断方法及***,以能及时发现电机运行的异常情况并进行故障诊断,使用方便,易于实施。
为实现上述目的,本发明提供了一种电机故障诊断方法,包括以下步骤:
S1:选取待测电机的正常运行数据作为正常训练数据集,根据所述正常训练数据集计算第一检测统计量,并根据所述第一检测统计量计算检测阈值;
S2:从历史故障运行数据中选取不同类型的故障数据作为故障训练数据集,根据所述故障训练数据集计算第二检测统计量,采用核密度估计法计算所述第二检测统计量的故障概率密度函数,并构建所有类型故障样本的概率密度函数集;
S3:选取待测电机的实时运行数据作为测试数据集,根据所述测试数据集计算第三检测统计量,将所述第三检测统计量与所述检测阈值进行比较,若所述第三检测统计量的值大于所述检测阈值,则判定发生故障,进入S4;反之,重新选取测试数据集,直至检测到电机发生故障;
S4:采用核密度估计法计算所述第三检测统计量的概率密度函数,并构建测试数据集的概率密度函数集,根据所述测试数据集的概率密度函数集和所述S2中所述所有类型故障样本的概率密度函数集的距离诊断故障类型。
优选地,所述S1具体包括以下步骤:
S11:将正常训练数据集X表示为:
采用滑窗法计算第一检测统计量,计算公式为:
式中,l(k)为第k个正常训练样本集的第一检测统计量,为第k个正常训练样本集的均值矩阵,为第k个正常训练样本集的协方差矩阵,S-1为正常训练数据集的协方差矩阵的逆矩阵,||为二范数,tr()为矩阵的迹;
经过h次滑窗后,得到正常训练数据集的h个第一检测统计量为:l(1),…,l(h);
S13:从正常训练数据集的h个第一检测统计量中随机抽取B个统计量,构成集合{l1,…,lB},其中B<h,对B个抽样样本按从小到大顺序重新排序为:l(1)<l(2)<…<l(w),令其中第w个最大的统计量值w=λ×α,其中α为允许的误报警率,λ为随机抽样次数,重复λ次抽样结束后,得到:计算检测阈值Jth,计算公式为:
优选地,所述S2具体包括以下步骤:
S21:从历史故障运行数据中选取n类故障数据样本,其中第f类故障样本构成故障训练数据集Xf为:
式中,f=1,…,n;
式中,f=1,…,n;
经过t次滑窗后,得到第f类故障训练样本集的t个第二检测统计量为:lf(1),…,lf(t);
对应第f类故障的t个第二检测统计量的概率密度函数为Pf(1),…,Pf(t);
采用滑窗法从t个概率密度函数Pf(1),…,Pf(t)中顺序提取g个数据,构成对应第f类故障的第r个概率密度函数集为:
式中,r=1,…,rl。
优选地,所述S3中根据所述故障训练数据集计算第二检测统计量具体包括以下步骤:
S31:选取待测电机的实时运行数据作为测试数据集Y为:
采用滑窗法计算第q个测试样本集Yqd的第三检测统计量ly(q),计算公式为:
经过t次滑窗后,得到测试样本集的t个第三检测统计量为:ly(1),…,ly(t)。
优选地,所述正常数据包括:电机的运行电压、电流、功率、以及转速。
优选地,所述S4具体包括以下步骤:
S41:采用核密度估计法计算第q个测试样本集Yqd的第三检测统计量ly(q)的概率密度函数Py(q),计算公式为:
式中,q=1,…,t;
对应测试样本集的t个第三检测统计量ly(q)的概率密度函数为Py(1),…,Py(t);
采用滑窗法从t个概率密度函数Py(1),…,Py(t)中顺序提取g个数据,构成第r个测试样本概率密度函数集为:
式中,r=1,…,rl;
计算第r个测试样本概率密度函数集与第f类故障样本概率密度函数集之间的距离,计算公式为:
用公式(20)的计算值画出所有Df,f=1,…,n的箱型图;分别计算对应所有Df箱型图的面积Sf:
Sf=IQRf×W;(23)
式中,W为底边宽;
S42:判断所有Df箱型图中面积最小的箱型图,并将该箱型图对应的故障类型判定为待测电机所发生故障类型。
优选地,所述第一检测统计量、所述第二检测统计量、以及所述第三检测统计量的类型都为KL检测统计量。
优选地,所述S41中,第r个测试样本概率密度函数集与n类故障样本概率密度函数集间的距离为第r个测试样本概率密度函数集与n类故障样本概率密度函数集间的KL散度。
作为一个总的发明构思,本发明还提供一种电机故障诊断***,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述方法的步骤。
本发明具有以下有益效果:
本发明提供一种电机故障诊断方法及***,采用核密度估计法计算故障概率密度函数,通过比较实时运行数据的概率密度函数与所有类型故障的故障概率密度函数以诊断故障类型,可以及时发现电机运行的异常情况并进行故障诊断,适用性广、准确度高且使用方便,易于实施;便于开展及时安排检修的工作,对提高电机的安全运行具有重要意义。
下面将参照附图,对本发明作进一步详细的说明。
附图说明
构成本申请的一部分的附图用来提供对本发明的进一步理解,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是本发明优选实施例的电极故障诊断方法流程图;
图2是本发明优选实施例的断条故障故障检测结果波形图;
图3是本发明优选实施例的断条故障诊断结果箱型图;
图4是本发明优选实施例的气隙轴承故障检测结果波形图;
图5是本发明优选实施例的气隙轴承故障诊断结果箱型图;
图6是本发明优选实施例的匝间短路故障检测结果波形图;
图7是本发明优选实施例的匝间短路故障诊断结果箱型图;
图8是本发明优选实施例的气隙偏心故障检测结果波形图;
图9是本发明优选实施例的气隙偏心故障诊断结果箱型图。
具体实施方式
以下结合附图对本发明的实施例进行详细说明,但是本发明可以由权利要求限定和覆盖的多种不同方式实施。
除非另有定义,下文中所使用的所有专业术语与本领域技术人员通常理解的含义相同。本发明专利申请说明书以及权利要求书中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性,而仅仅是为了便于对相应零部件进行区别。同样,“一个”或者“一”等类似词语不表示数量限制,而是表示存在至少一个。
实施例1
参见图1,本实施例提供一种电机故障诊断方法,包括以下步骤:
S1:选取待测电机的正常运行数据作为正常训练数据集,根据正常训练数据集计算第一检测统计量,并根据第一检测统计量计算检测阈值;
S2:从历史故障运行数据中选取不同类型的故障数据作为故障训练数据集,根据故障训练数据集计算第二检测统计量,采用核密度估计法计算第二检测统计量的故障概率密度函数,并构建所有类型故障样本的概率密度函数集;
S3:选取待测电机的实时运行数据作为测试数据集,根据测试数据集计算第三检测统计量,将第三检测统计量与检测阈值进行比较,若第三检测统计量的值大于检测阈值,则判定发生故障,进入S4;反之,重新选取测试数据集,直至检测到电机发生故障;
S4:采用核密度估计法计算第三检测统计量的故障密度函数,并构建测试数据集的概率密度函数集,根据测试数据集的概率密度函数集和S2中所有类型故障样本的概率密度函数集的距离诊断故障类型。
上述的电机故障诊断方法,可以及时发现电机运行的异常情况并进行故障诊断,适用性广、准确度高且使用方便,易于实施;便于开展及时安排检修的工作,对提高电机的安全运行具有重要意义。
具体地,以轨道交通牵引传动控制***中电机故障为例进行说明。
本实施例中,电机三相电流来源于转子的a相、b相、c相;采样时间为60000ms,对应60000个样本;从正常运行数据中选取样本构成正常训练数据集,计算其KL检测统计量(Kullback–Leibler divergence),需要说明的是,正常运行数据包括电机的运行电压、电流、功率、转速等参数。本实施例中,正常训练数据集的KL检测统计量为第一检测统计量,采用自助法得到检测阈值;从故障运行数据中选取不同类型故障样本构成故障训练数据集,计算其KL检测统计量,采用核密度估计法计算不同类型故障的概率密度函数;从现场运行数据中选取样本构成测试数据集,计算其KL检测统计量,与检测阈值比较判断电机是否发生故障;若发生故障,则计算测试样本概率密度函数集与所有类故障样本概率密度函数集间的KL散度(距离),以及所有类故障的箱型图面积;判断其中面积最小的即为当前所发生故障的类型。
优选地,以结合牵引传动控制***故障注入基准软件(TDCS-FIB V2.0)平台中电机气隙偏心故障来对本发明的实施步骤进行详细的阐述:
首先,从电机未发生气隙偏心故障的正常运行数据中选取样本,构成正常训练数据集:
式中,k=1,…,h,本实施例中,每次滑窗移动的步长定为1,共提取h=N-z+1个正常训练样本集;然后计算正常训练样本集的均值矩阵和协方差矩阵计算第k个正常训练样本集的KL检测统计量l(k),公式为:
得到正常训练数据集的h个KL检测统计量为:l(1),…,l(59801)。
需要说明的是,正常训练样本集为单次滑窗以后采集到的数据集,其计算方法具体为:采用滑窗法从数据集中提取z个样本,构成第k个样本集k=1,…,h;本实施例中,每次滑窗移动的步长定为1,共提取h=N-z+1个正常训练样本集。
进一步地,计算检测阈值Jth。
采集已知气隙偏心故障数据,构成故障训练数据集;基于牵引传动控制***故障注入气隙偏心故障信息,其中,该故障信息包括故障类型为气隙偏心故障,故障程度为0.3,故障时间为40000ms,具体如下表1所示:
表1 TDCS-FIB V2.0平台电机故障
本实施例中,气隙偏心故障数据样本为:
本实施例中,f=1;
预处理得到故障数据样本为:
优选地,每次滑窗移动的步长定为1,进一步的,对数据集进行t=N-d+1次滑窗法采集,每次取d=200个故障样本,则:
式中,q=1,…,t;
经过t次滑窗后,得到气隙偏心故障训练样本集的t个KL检测统计量为:l1(1),…,l1(59801);
气隙偏心的故障概率密度函数为P1(1),…,P1(59801)。同理,从平台上采集电机另外3种故障数据:断条故障、轴承故障、匝间短路故障。并分别计算3种故障数据的故障概率密度函数Pf(q),f=2,…,4;
采用滑窗法从59801个概率密度函数Pf(1),…,Pf(t),f=1,…,4中顺序提取g=100个数据,构成对应第f类故障的第r个概率密度函数集每次滑窗移动的步长为1,共提取rl=t-g+1个第f类故障样本概率密度函数集;
进一步地,从牵引传动控制***故障注入基准软件(TDCS-FIB V2.0)平台的实时运行数据中采集已注入气隙偏心故障的电机运行数据,构成测试数据集:
采用滑窗法对测试数据集进行t=N-d+1次采集,每次取d=200个样本为:
则测试样本集的t个KL检测统计量为:ly(1),…,ly(59801)。
然后判断测试数据故障情况。具体地,计算测试样本集的t个KL检测统计量的平均值,与检测阈值Jth比较;若测试样本集的检测统计量平均值大于阈值Jth,则判断电机运行状态为故障;
检测到有故障发生后,采用核密度估计法计算第q个测试样本集Yqd的KL检测统计量ly(q)的概率密度函数Py(q),公式为:
则对应测试样本集的t个KL检测统计量ly(q)的概率密度函数为Py(1),…,Py(59801)。
采用滑窗法从59801个概率密度函数Py(1),…,Py(59801)中顺序提取g=100个数据,构成第r个测试样本概率密度函数集本实施例中,每次滑窗移动的步长为1,共提取rl=t-g+1个概率密度函数集。
本实施例中,第r个测试样本概率密度函数集与4类故障样本概率密度函数集间的KL散度(距离)为:第f类故障下的rl个KL散度(距离)值为:将其构成距离集则rl个测试样本概率密度函数集与n类故障样本概率密度函数集间的KL散度(距离)集分别为:
进一步地,基于箱型图面积的故障类型判断。将KL散度(距离)集Df中的数据从小到大顺序重新排列为计算每一个距离数据的下四分位数中位数上四分位数上限Umax和下限Umin,用公式16计算值画出所有Df,f=1,…,n的箱型图;分别计算对应所有Df箱型图的面积Sf:
Sf=IQRf×W;(13)
式中,W为底边宽,本实施例中,取值为1。具体地,当发生断条故障时,箱型图的面积计算值如下表2所示,其故障检测结果波形图如图2所示,故障诊断结果箱型图如图3所示;当发生轴承故障时,箱型图的面积计算值如下表3所示,其故障检测结果波形图如图4所示,故障诊断结果箱型图如图5所示;当发生匝间短路故障时,箱型图的面积计算值如下表4所示,其故障检测结果波形图如图6所示,故障诊断结果箱型图如图7所示;
表2 发生断条故障时的箱型图的面积计算值
表3 发生轴承故障时的箱型图的面积计算值
表4 发生匝间短路故障时的箱型图的面积计算值
判断其中面积最小的即为所发生故障类型:
min(Sf)→f;
式中min(Sf)→f表示取Sf中面积最小值对应所发生的故障,本实施例中,所发生的故障为电机气隙偏心故障,其故障检测结果波形图如图8所示,其诊断结果如图箱型图如图9所示。图9中,电机气隙偏心故障对应的箱型面积最小。
实施例2
与上述方法实施例相对应地,本实施例提供一种电机故障诊断***,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现上述方法的步骤。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种电机故障诊断方法,其特征在于,包括以下步骤:
S1:选取待测电机的正常运行数据作为正常训练数据集,根据所述正常训练数据集计算第一检测统计量,并根据所述第一检测统计量计算检测阈值;
S2:从历史故障运行数据中选取不同类型的故障数据作为故障训练数据集,根据所述故障训练数据集计算第二检测统计量,采用核密度估计法计算所述第二检测统计量的故障概率密度函数,并构建所有类型故障样本的概率密度函数集;
S3:选取待测电机的实时运行数据作为测试数据集,根据所述测试数据集计算第三检测统计量,将所述第三检测统计量与所述检测阈值进行比较,若所述第三检测统计量的值大于所述检测阈值,则判定发生故障,进入S4;反之,重新选取测试数据集,直至检测到电机发生故障;
S4:采用核密度估计法计算所述第三检测统计量的概率密度函数,并构建测试数据集的概率密度函数集,根据所述测试数据集的概率密度函数集和所述S2中所述所有类型故障样本的概率密度函数集的距离诊断故障类型。
2.根据权利要求1所述的电机故障诊断方法,其特征在于,所述S1具体包括以下步骤:
S11:将正常训练数据集X表示为:
采用滑窗法计算第一检测统计量,计算公式为:
式中,l(k)为第k个正常训练样本集的第一检测统计量,为第k个正常训练样本集的均值矩阵,z为第k个正常训练样本集的样本个数,为第k个正常训练样本集的协方差矩阵,S-1为正常训练数据集的协方差矩阵的逆矩阵,||为二范数,tr()为矩阵的迹;
经过h次滑窗后,得到正常训练数据集的h个第一检测统计量为:l(1),…,l(h);
S13:从正常训练数据集的h个第一检测统计量中随机抽取B个统计量,构成集合{l1,…,lB},其中B<h,对B个抽样样本按从小到大顺序重新排序为:l(1)<l(2)<…<l(w),令其中第w个最大的统计量值l(w)=λ×α,其中α为允许的误报警率,λ为随机抽样次数,重复λ次抽样结束后,得到:计算检测阈值Jth,计算公式为:
3.根据权利要求2所述的电机故障诊断方法,其特征在于,所述S2具体包括以下步骤:
S21:从历史故障运行数据中选取n类故障数据样本,其中第f类故障样本构成故障训练数据集Xf为:
式中,f=1,…,n;
式中,f=1,…,n;
经过t次滑窗后,得到第f类故障训练样本集的t个第二检测统计量为:lf(1),…,lf(t);
对应第f类故障的t个第二检测统计量的概率密度函数为Pf(1),…,Pf(t);
采用滑窗法从t个概率密度函数Pf(1),…,Pf(t)中顺序提取g个数据,构成对应第f类故障的第r个概率密度函数集为:
式中,r=1,…,rl,rl为第f类故障样本概率密度函数集的个数。
5.根据权利要求1所述的电机故障诊断方法,其特征在于,所述S1中,所述正常运行数据包括:电机的运行电压、电流、功率以及转速。
6.根据权利要求4所述的电机故障诊断方法,其特征在于,所述S4具体包括以下步骤:
S41:采用核密度估计法计算第q个测试样本集Yqd的第三检测统计量ly(q)的概率密度函数Py(q),计算公式为:
式中,q=1,…,t;
对应测试样本集的t个第三检测统计量ly(q)的概率密度函数为Py(1),…,Py(t);
采用滑窗法从t个概率密度函数Py(1),…,Py(t)中顺序提取g个数据,构成第r个测试样本概率密度函数集为:
式中,r=1,…,rl;
计算第r个测试样本概率密度函数集与第f类故障样本概率密度函数集之间的距离,计算公式为:
用公式(20)计算值画出所有Df,f=1,…,n的箱型图;分别计算对应所有Df箱型图的面积Sf:
Sf=IQRf×W; (23)
式中,W为底边宽;
S42:判断所有Df箱型图中面积最小的箱型图,并将该箱型图对应的故障类型判定为待测电机所发生故障类型。
7.根据权利要求4所述的电机故障诊断方法,其特征在于,所述第一检测统计量、所述第二检测统计量以及所述第三检测统计量的类型都为KL检测统计量。
8.根据权利要求6所述的电机故障诊断方法,其特征在于,所述S41中,第r个测试样本概率密度函数集与n类故障样本概率密度函数集间的距离为第r个测试样本概率密度函数集与n类故障样本概率密度函数集间的KL散度。
9.一种电机故障诊断***,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现上述权利要求1至8任一所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811590223.2A CN109447187B (zh) | 2018-12-25 | 2018-12-25 | 电机故障诊断方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811590223.2A CN109447187B (zh) | 2018-12-25 | 2018-12-25 | 电机故障诊断方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109447187A CN109447187A (zh) | 2019-03-08 |
CN109447187B true CN109447187B (zh) | 2021-06-15 |
Family
ID=65535562
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811590223.2A Active CN109447187B (zh) | 2018-12-25 | 2018-12-25 | 电机故障诊断方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109447187B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110222765B (zh) * | 2019-06-06 | 2022-12-27 | 中车株洲电力机车研究所有限公司 | 一种永磁同步电机健康状态监测方法及*** |
CN110428004B (zh) * | 2019-07-31 | 2021-02-05 | 中南大学 | 数据失衡下基于深度学习的机械零部件故障诊断方法 |
CN110399854B (zh) * | 2019-07-31 | 2020-10-23 | 中南大学 | 基于混合特征提取的滚动轴承故障分类方法 |
CN110729054B (zh) * | 2019-10-14 | 2023-04-11 | 深圳平安医疗健康科技服务有限公司 | 异常就诊行为检测方法、装置、计算机设备及存储介质 |
CN110806733B (zh) * | 2019-10-30 | 2021-09-21 | 中国神华能源股份有限公司国华电力分公司 | 火电厂设备监测方法、装置及电子设备 |
CN111160776A (zh) * | 2019-12-30 | 2020-05-15 | 华东理工大学 | 利用分块主成分分析的污水处理过程异常工况检测方法 |
CN112098850B (zh) * | 2020-09-21 | 2024-03-08 | 山东工商学院 | 基于sdo算法的锂离子电池电压故障诊断方法及*** |
CN112668867A (zh) * | 2020-12-24 | 2021-04-16 | 中国电力科学研究院有限公司 | 一种基于现场数据量的设备故障率评估方法及*** |
CN113051092B (zh) * | 2021-02-04 | 2022-05-17 | 中国人民解放军国防科技大学 | 一种基于优化核密度估计和js散度的故障诊断方法 |
CN113123932B (zh) * | 2021-02-23 | 2023-01-13 | 北京华能新锐控制技术有限公司 | 一种面向风电机组的实时动态故障诊断方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4261206A (en) * | 1978-08-18 | 1981-04-14 | Mitsubishi Denki Kabushiki Kaisha | Fault diagnostic device for winding of electric machinery and apparatus |
CN103868692A (zh) * | 2014-03-18 | 2014-06-18 | 电子科技大学 | 基于核密度估计和k-l散度的旋转机械故障诊断方法 |
CN104392082A (zh) * | 2014-07-10 | 2015-03-04 | 中山火炬职业技术学院 | 一种基于振动监测的风力发电机组齿轮箱早期故障诊断方法 |
CN106710653A (zh) * | 2016-12-05 | 2017-05-24 | 浙江大学 | 一种用于核电机组运行监控的实时数据异常诊断方法 |
CN108107360A (zh) * | 2017-12-05 | 2018-06-01 | 中国电子产品可靠性与环境试验研究所 | 电机故障辨识方法与*** |
CN108830006A (zh) * | 2018-06-27 | 2018-11-16 | 中国石油大学(华东) | 基于线性评价因子的线性-非线性工业过程故障检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8040139B2 (en) * | 2009-02-16 | 2011-10-18 | Maxim Integrated Products, Inc. | Fault detection method for detecting leakage paths between power sources and chassis |
-
2018
- 2018-12-25 CN CN201811590223.2A patent/CN109447187B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4261206A (en) * | 1978-08-18 | 1981-04-14 | Mitsubishi Denki Kabushiki Kaisha | Fault diagnostic device for winding of electric machinery and apparatus |
CN103868692A (zh) * | 2014-03-18 | 2014-06-18 | 电子科技大学 | 基于核密度估计和k-l散度的旋转机械故障诊断方法 |
CN104392082A (zh) * | 2014-07-10 | 2015-03-04 | 中山火炬职业技术学院 | 一种基于振动监测的风力发电机组齿轮箱早期故障诊断方法 |
CN106710653A (zh) * | 2016-12-05 | 2017-05-24 | 浙江大学 | 一种用于核电机组运行监控的实时数据异常诊断方法 |
CN108107360A (zh) * | 2017-12-05 | 2018-06-01 | 中国电子产品可靠性与环境试验研究所 | 电机故障辨识方法与*** |
CN108830006A (zh) * | 2018-06-27 | 2018-11-16 | 中国石油大学(华东) | 基于线性评价因子的线性-非线性工业过程故障检测方法 |
Non-Patent Citations (2)
Title |
---|
Electric motor defects diagnosis based on kernel density estimation and Kullback–Leibler divergence in quality control scenario;Francesco Ferracuti 等;《Engineering ApplicationsofArtificial Intelligence》;20150505;第44卷;第25-32页 * |
Minor fault diagnosis based on fractional-order model of permanent magnet synchronous motor;Wei Yu 等;《IECON 2017-43rd Annual Conference of the IEEE Industrial Electronics Society》;20171218;第8082-8086页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109447187A (zh) | 2019-03-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109447187B (zh) | 电机故障诊断方法及*** | |
CN103926533B (zh) | 永磁同步电机失磁故障在线诊断方法及*** | |
Sin et al. | Induction machine on-line condition monitoring and fault diagnosis-a survey | |
Xu et al. | Data-driven inter-turn short circuit fault detection in induction machines | |
Almounajjed et al. | Diagnosis of stator fault severity in induction motor based on discrete wavelet analysis | |
CN103926506A (zh) | 基于构建函数的汽轮发电机转子绕组短路故障诊断方法 | |
CN113748326A (zh) | 用于对感应电动机估计轴承故障严重性的方法 | |
EP3702238A1 (en) | Diagnostic system and a method of diagnosing faults | |
CN110222765B (zh) | 一种永磁同步电机健康状态监测方法及*** | |
CN103792463B (zh) | 基于虚功率原理的汽轮发电机转子绕组短路故障诊断方法 | |
RU2431152C2 (ru) | Способ диагностики механизмов и систем с электрическим приводом | |
CN103983452A (zh) | 利用混合域特征向量和灰色关联分析对行星齿轮箱进行故障模式识别的方法 | |
CN113325314A (zh) | 一种电机故障诊断方法 | |
Park et al. | Fault detection of PMSM under non-stationary conditions based on wavelet transformation combined with distance approach | |
Alsalaet et al. | Bearing fault diagnosis using normalized diagnostic feature-gram and convolutional neural network | |
CN106093626B (zh) | 一种用于诊断crh5型高铁逆变器的微小故障的方法 | |
Saidi et al. | Stator current bi-spectrum patterns for induction machines multiple-faults detection | |
Zhou et al. | A summary of health prognostics methods for industrial robots | |
Ciszewski | Induction motor bearings diagnostic indicators based on MCSA and normalized triple covariance | |
Dias et al. | An experimental approach for diagnosis of adjacent and nonadjacent broken bars in induction motors at very low slip | |
Narayan et al. | Detection of Stator Fault in Synchronous Reluctance Machines Using Shallow Neural Networks | |
Navarro et al. | Condition monitoring system for characterization of electric motor ball bearings with distributed fault using fuzzy inference tools | |
Mbo'o et al. | Bearing damage diagnosis by means of the linear discriminant analysis of stator current feature | |
CN114112390B (zh) | 一种非线性复杂***早期故障诊断方法 | |
Vinayak et al. | Inter phase fault detection in inverter fed induction motor using wavelet transform |
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 |