CN110222765A - 一种永磁同步电机健康状态监测方法及*** - Google Patents
一种永磁同步电机健康状态监测方法及*** Download PDFInfo
- Publication number
- CN110222765A CN110222765A CN201910491425.XA CN201910491425A CN110222765A CN 110222765 A CN110222765 A CN 110222765A CN 201910491425 A CN201910491425 A CN 201910491425A CN 110222765 A CN110222765 A CN 110222765A
- Authority
- CN
- China
- Prior art keywords
- variable
- data
- follows
- permanent magnet
- magnet synchronous
- 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
Classifications
-
- 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
- G01R31/343—Testing dynamo-electric machines in operation
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Probability & Statistics with Applications (AREA)
- Control Of Electric Motors In General (AREA)
Abstract
本发明涉及工业设备故障诊断和预测性维护领域,公开了一种永磁同步电机健康状态监测方法及***,以实现准确对永磁电机健康状态的检测;本发明的方法包括获取待分析永磁同步电机的历史正常运行数据作为原始数据集并分成K个子集;采集待分析永磁同步电机当前运行数据,从K个子集中找到与当前运行数据相近的p个子集构成训练数据集;从训练数据集中选取与当前运行数据相近的k个数据,构建训练数据矩阵,根据训练数据矩阵构建协方差矩阵和互协方差矩阵;根据协方差矩阵和互协方差矩阵建立相关关系模型;生成残差信号,计算统计量和相应阈值,将统计量与阈值进行比较,若统计量不超过阈值,则认为待分析永磁电机处于健康状态,反之则处于异常状态。
Description
技术领域
本发明涉及工业设备故障诊断和预测性维护领域,尤其涉及一种永磁同步电机健康状态监测方法及***。
背景技术
目前,永磁同步电机因其体积小、功率密度大等优点,在一些关键装备领域的应用日益增加,以永磁同步电机为核心的牵引***是轨道交通未来的发展方向。在永磁电机实际运行中,现场应用环境恶劣,且运行工况多变等因素,常会引发故障,给***运行带来安全性隐患。永磁电机的供电电压、电流和转速等是电机的重要测量量,能够反映电机运行状态,对这些参数进行实时监测,能够有效了解电机的运行状态。目前,对永磁电机各种运行参数检测及状态监测多关注单个或少数几个测量量,并没有考虑多个测量量之间的相关性。并且现有的监测方法,大多假设电机运行在某一稳定状态,难以实现全工况下的状态监测,限制了应用范围。
因此,如何有效得监测永磁同步电机的健康状态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永磁同步电机健康状态监测方法及***,以实现准确对永磁电机健康状态的检测。
为实现上述目的,本发明提供了一种永磁同步电机健康状态监测方法,包括以下步骤:
S1:获取待分析永磁同步电机的历史正常运行数据作为原始数据集,采用K-means聚类算法将所述原始数据集分成K个子集;
S2:采集待分析永磁同步电机当前运行数据,采用距离判定算法从所述K个子集中找到与当前运行数据相近的p个子集,构成训练数据集;
S3:从所述训练数据集中选取与当前运行数据相近的k个数据,根据该k个数据构建训练数据矩阵,并根据所述训练数据矩阵构建协方差矩阵和互协方差矩阵;
S4:通过典型相关分析技术根据所述协方差矩阵和互协方差矩阵建立相关关系模型;
S5:根据所述相关关系模型生成残差信号,并根据所述残差信号计算统计量和相应阈值,将所述统计量与阈值进行比较,若所述统计量不超过所述阈值,则认为待分析永磁电机处于健康状态,反之则处于异常状态。
优选地,所述S1具体包括以下步骤:
S11:获取待分析永磁同步电机的历史正常运行数据作为原始数据集,分别用表示过程的两个变量数据集,
式中,l为向量u中测量变量数,m为向量y中测量变量数,N为独立采样点数,u(i)表示向量u中l个变量在第i个采样时刻的测量值,u(i),i=1,…,N,y(i)表示向量y中m个变量在第i个采样时刻的测量值,y(i),i=1,…,N,为实数域;
S12:采用K-means聚类算法,分别按变量u和变量y进行聚类,将原始数据集U和Y分别划分为K个子集,分别得到按变量u聚类的K个聚类中心μu1,…,μuK和按变量y聚类的K个聚类中心μy1,…,μyK,计算公式为:
按变量u聚类时为:Uu=Uu1∪Uu2…∪UuK、Yu=Yu1∪Uu2…∪YuK;
按变量y聚类时为:Yy=Yy1∪Yy2…∪YyK、Uy=Uy1∪Uy2…∪UyK。
优选地,所述S2具体包括以下步骤:
S21:将第q个时刻记为当前时刻,变量u的当前测量值记为u(q),计算u(q)与相应K个聚类中心的距离,计算公式为:
d(u(q),μui)=||u(q)-μui||2;
式中,d(u(q),μui)表示变量u(q)与按变量u聚类的第i个聚类中心μui之间的距离,i=1,…,K,||·||2表示欧式距离算子;
将计算的K个距离值按从小到大顺序排序,选取对应前pu个距离值的聚类中心所对应的原始数据子集作为近邻子集构建按变量u聚类的训练数据集和用于构建相关关系模型,pu为设计参数,且pu<K;
将变量y的当前测量值表示为y(q),按变量y寻找近邻子集,计算y(q)与相应K个聚类中心的距离,公式为:
d(y(q),μyi)=||y(q)-μyi||2;
式中,d(y(q),μyi)表示变量y(q)与按变量y聚类的第i个聚类中心μyi之间的距离,i=1,…,K;
将计算的K个距离值按从小到大顺序排序,选取对应前py个距离值的聚类中心所对应的原始数据子集,构成按变量y聚类的训练数据集和所述训练数据集用于构建相关关系模型,其中py为设计参数,且py<K;
S22:计算当前测量值u(q)与按变量u聚类的训练数据集中各数据之间的距离,计算公式为:
从训练数据集中选取距离值较小的前k个距离值所对应的k个近邻数据和j=1,...,k,将k个近邻数据构建为训练数据矩阵,表示为:
计算当前测量值y(q)与按变量y聚类的训练数据集中各数据之间的距离,计算公式为:
从训练数据集中选取距离值较小的前k个距离值所对应的k个近邻数据和j=1,...,k;将该k个近邻数据构建为训练数据矩阵,表示为:
优选地,所述S3具体包括以下步骤:
分别对训练数据矩阵和进行去均值处理,得到去均值后的数据集为:
构建协方差矩阵为:
式中,表示变量u的协方差矩阵,表示变量y的协方差矩阵,x=u或y;
构建互协方差矩阵为:
式中,表示变量u与变量y的互协方差矩阵。
优选地,所述S4具体包括以下步骤:
S41:采用典型相关分析技术构建相关关系模型Υx为:
S42:对相关关系模型Υx进行奇异值分解为:
Υx=ΓxΣxRx T;
式中,矩阵Γx为计算参数Jx的中间变量,Rx为计算参数Lx的中间变量;
其中,参数Jx和Lx的计算公式为:
优选地,所述S5具体包括以下步骤:
产生残差信号rx,公式为:
S33:计算统计量和确定阈值;
根据得到的残差信号,建立相应的统计量如下:
式中,为相应残差信号的协方差矩阵的逆矩阵,阈值Jth,x的计算公式为:
式中,α为故障误报率,由用户给定;lx为残差信号rx的维数;
若统计量不大于Jth,u且统计量不大于Jth,y,则判定当前电机状态处于健康状态;
统计量大于Jth,u或统计量大于Jth,y,则判定当前电机状态处于异常状态。
作为一个总的发明构思,本发明还提供一种永磁同步电机健康状态监测***,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:
本发明提供一种永磁同步电机健康状态监测方法及***,通过分析永磁同步电机的运行数据之间的相关性实现对永磁同步电机的健康状态的检测,能及时检测出电机异常,且本方法基于在线测量数据,不依赖于精确的过程模型,方便实用。
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永磁同步电机健康状态监测方法流程图;
图2是本发明优选实施例的永磁同步电机正常运行时A相电流数据波形图;
图3是本发明优选实施例的永磁同步电机健康状态监测结果图。
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。
实施例1
如图1所示,本实施例提供一种永磁同步电机健康状态监测方法,其特征在于,包括以下步骤:
S1:获取待分析永磁同步电机的历史正常运行数据作为原始数据集,采用K-means聚类算法将原始数据集分成K个子集;
S2:采集待分析永磁同步电机当前运行数据,采用距离判定算法从K个子集中找到与当前运行数据相近的p个子集,构成训练数据集;
S3:从训练数据集中选取与当前运行数据相近的k个数据,根据该k个数据构建训练数据矩阵,并根据训练数据矩阵构建协方差矩阵和互协方差矩阵;需要说明的是,S2中已经选取了p个子集,此处选择的k个类是从p个子集构成的训练数据集中,根据距离判定准则选取,不固定是从每个类中选取一个数据,也有可能都是从一个类中选取,取决于距离的判定。
S4:通过典型相关分析技术根据协方差矩阵和互协方差矩阵建立相关关系模型;
S5:根据相关关系模型生成残差信号,并根据残差信号计算统计量和相应阈值,将统计量与阈值进行比较,若统计量不超过阈值,则认为待分析永磁电机处于健康状态,反之则处于异常状态。
上述的永磁同步电机健康状态监测方法,通过分析永磁同步电机的运行数据之间的相关性实现对永磁同步电机的健康状态的检测,能及时检测出电机异常,且本方法基于在线测量数据,不依赖于精确的过程模型,方便实用。
具体地,本实施例以某永磁同步电机为例进行说明。设采样频率为2kHz,通过测量其运行时的三相电流,得到1组运行在3个工况(分别为工况1、工况2、以及工况3)下的正常数据用作训练集,共290000个样本。并相隔一定时间后,选取1组运行在工况3时健康状态异常的测量数据用作测试集,共200个样本。图2为该永磁同步电机正常运行时A相电流数据波形图。
需要说明的是,由于在该监测方法中变量u和变量y以数据对(u,y)形式使用,按不同的变量聚类,会自动生成数据对中另外的数据。即,按变量u聚类,原始数据集U被分成K个子集(同一类数据对应多个子集),对应的数据集Y也自动划分为K个子集,即Uu=Uu1∪Uu2…∪UuK,Yu=Yu1∪Uu2…∪YuK。按变量y聚类,原始数据集Y被分成K个子集,对应的数据集U也自动划分为K个子集,即Yy=Yy1∪Uy2…∪YyK,Uy=Uy1∪Uy2…∪UyK。
在后续的步骤中,分别按变量u聚类和按变量y聚类。本实施例中,利用两个变量数据集(该两个变量数据集可以为***的输入和输出,也可以为电机运行中的电流和电压。)之间的相关性进行分析,可以充分考虑电机运行数据之间的关联关系,更有效地实现对永磁同步电机的健康状态的检测。
首先,将前两相电流量作为变量u,剩余一相电流作为变量y。根据工程师经验,选取K-means聚类算法中的K=4,按变量u聚类,得到4个数据子集,并得到4个聚类中心点,为μ1,μ2,μ3和μ4。
作为可变换的实施方式,还可以将前一相电流量作为变量u,剩余两相电流作为变量y,本实施例中,以前两相电流量作为变量u,剩余一相电流作为变量y为例进行说明。
进一步地,选取前2个聚类构成的子集为新的训练集,即p=2。从上述训练集中选取距离值较小的k个数据构建训练矩阵,从该训练矩阵中选取k=1000个近邻值,用于训练典型相关模型。
分别对数据集进行去均值处理,得到新的数据集为:
对数据集进归一化处理后,估计所需的协方差矩阵Σu,Σy和Σuy;
进一步产生残差信号rx,计算公式为:
式中,x=u或y。
给定α=0.05,确定相应阈值Jth根据得到的残差信号,建立相应的统计量T2如下:
其中,为相应残差信号的协方差矩阵的逆矩阵。
比较统计量T2(t)与阈值Jth,若统计量不超过(小于或者等于)该阈值,则当前电机状态为正常;否则电机处于异常状态,依次检测余下样本。
工况3下匝间短路情况的检测结果如图3所示。从图3可知,当故障发生时(如图3中点划线所示)本发明方法能够及时且准确的监测到电机异常状态的发生,实用性好。
实施例2
与上述方法实施例相对应地,本实施例提供一种永磁同步电机健康状态监测***,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 (7)
1.一种永磁同步电机健康状态监测方法,其特征在于,包括以下步骤:
S1:获取待分析永磁同步电机的历史正常运行数据作为原始数据集,采用K-means聚类算法将所述原始数据集分成K个子集;
S2:采集待分析永磁同步电机当前运行数据,采用距离判定算法从所述K个子集中找到与当前运行数据相近的p个子集,构成训练数据集;
S3:从所述训练数据集中选取与当前运行数据相近的k个数据,根据该k个数据构建训练数据矩阵,并根据所述训练数据矩阵构建协方差矩阵和互协方差矩阵;
S4:通过典型相关分析技术根据所述协方差矩阵和互协方差矩阵建立相关关系模型;
S5:根据所述相关关系模型生成残差信号,并根据所述残差信号计算统计量和相应阈值,将所述统计量与阈值进行比较,若所述统计量不超过所述阈值,则认为待分析永磁电机处于健康状态,反之则处于异常状态。
2.根据权利要求1所述的永磁同步电机健康状态监测方法,其特征在于,所述S1具体包括以下步骤:
S11:获取待分析永磁同步电机的历史正常运行数据作为原始数据集,分别用表示过程的两个变量数据集,
式中,l为向量u中测量变量数,m为向量y中测量变量数,N为独立采样点数,u(i)表示向量u中l个变量在第i个采样时刻的测量值,u(i),i=1,…,N,y(i)表示向量y中m个变量在第i个采样时刻的测量值,y(i),i=1,…,N,为实数域;
S12:采用K-means聚类算法,分别按变量u和变量y进行聚类,将原始数据集U和Y分别划分为K个子集,分别得到按变量u聚类的K个聚类中心μu1,…,μuK和按变量y聚类的K个聚类中心μy1,…,μyK,计算公式为:
按变量u聚类时为:Uu=Uu1∪Uu2…∪UuK、Yu=Yu1∪Uu2…∪YuK;
按变量y聚类时为:Yy=Yy1∪Yy2…∪YyK、Uy=Uy1∪Uy2…∪UyK。
3.根据权利要求2所述的永磁同步电机健康状态监测方法,其特征在于,所述S2具体包括以下步骤:
S21:将第q个时刻记为当前时刻,变量u的当前测量值记为u(q),计算u(q)与相应K个聚类中心的距离,计算公式为:
d(u(q),μui)=||u(q)-μui||2;
式中,d(u(q),μui)表示变量u(q)与按变量u聚类的第i个聚类中心μui之间的距离,i=1,…,K,||·||2表示欧式距离算子;
将计算的K个距离值按从小到大顺序排序,选取对应前pu个距离值的聚类中心所对应的原始数据子集作为近邻子集构建按变量u聚类的训练数据集和用于构建相关关系模型,pu为设计参数,且pu<K;
将变量y的当前测量值表示为y(q),按变量y寻找近邻子集,计算y(q)与相应K个聚类中心的距离,公式为:
d(y(q),μyi)=||y(q)-μyi||2;
式中,d(y(q),μyi)表示变量y(q)与按变量y聚类的第i个聚类中心μyi之间的距离,i=1,…,K;
将计算的K个距离值按从小到大顺序排序,选取对应前py个距离值的聚类中心所对应的原始数据子集,构成按变量y聚类的训练数据集和所述训练数据集用于构建相关关系模型,其中py为设计参数,且py<K;
S22:计算当前测量值u(q)与按变量u聚类的训练数据集中各数据之间的距离,计算公式为:
从训练数据集中选取距离值较小的前k个距离值所对应的k个近邻数据和j=1,...,k,将k个近邻数据构建为训练数据矩阵,表示为:
计算当前测量值y(q)与按变量y聚类的训练数据集中各数据之间的距离,计算公式为:
从训练数据集中选取距离值较小的前k个距离值所对应的k个近邻数据和j=1,...,k;将该k个近邻数据构建为训练数据矩阵,表示为:
4.根据权利要求1所述的永磁同步电机健康状态监测方法,其特征在于,所述S3具体包括以下步骤:
分别对训练数据矩阵和进行去均值处理,得到去均值后的数据集为:
构建协方差矩阵为:
式中,表示变量u的协方差矩阵,表示变量y的协方差矩阵,x=u或y;
构建互协方差矩阵为:
式中,表示变量u与变量y的互协方差矩阵。
5.根据权利要求1所述的永磁同步电机健康状态监测方法,其特征在于,所述S4具体包括以下步骤:
S41:采用典型相关分析技术构建相关关系模型Υx为:
S42:对相关关系模型Υx进行奇异值分解为:
Υx=ΓxΣxRx T;
式中,矩阵Γx为计算参数Jx的中间变量,Rx为计算参数Lx的中间变量;
其中,参数Jx和Lx的计算公式为:
6.根据权利要求1所述的永磁同步电机健康状态监测方法,其特征在于,所述S5具体包括以下步骤:
产生残差信号rx,公式为:
S33:计算统计量和确定阈值;
根据得到的残差信号,建立相应的统计量如下:
式中,为相应残差信号的协方差矩阵的逆矩阵,阈值Jth,x的计算公式为:
式中,α为故障误报率,由用户给定;lx为残差信号rx的维数;
若统计量不大于Jth,u且统计量不大于Jth,y,则判定当前电机状态处于健康状态;
统计量大于Jth,u或统计量大于Jth,y,则判定当前电机状态处于异常状态。
7.一种永磁同步电机健康状态监测***,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6任一所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910491425.XA CN110222765B (zh) | 2019-06-06 | 2019-06-06 | 一种永磁同步电机健康状态监测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910491425.XA CN110222765B (zh) | 2019-06-06 | 2019-06-06 | 一种永磁同步电机健康状态监测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110222765A true CN110222765A (zh) | 2019-09-10 |
CN110222765B CN110222765B (zh) | 2022-12-27 |
Family
ID=67815924
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910491425.XA Active CN110222765B (zh) | 2019-06-06 | 2019-06-06 | 一种永磁同步电机健康状态监测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110222765B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110988674A (zh) * | 2019-11-19 | 2020-04-10 | 中南大学 | 永磁同步电机的健康状态监测方法、***及移动终端 |
CN112668105A (zh) * | 2021-01-14 | 2021-04-16 | 北京航空航天大学 | 一种基于sae与马氏距离的直升机传动轴异常判定方法 |
CN113485287A (zh) * | 2021-06-23 | 2021-10-08 | 佛山科学技术学院 | 一种多粒度度量的动态***故障诊断方法及*** |
CN114528914A (zh) * | 2022-01-10 | 2022-05-24 | 鹏城实验室 | 一种人在回路的冷水主机状态监测方法、终端及存储介质 |
CN114553681A (zh) * | 2022-03-08 | 2022-05-27 | 中国人民解放军国防科技大学 | 设备状态异常检测方法、装置和计算机设备 |
CN116226239A (zh) * | 2023-05-06 | 2023-06-06 | 成都瑞雪丰泰精密电子股份有限公司 | 一种基于数据驱动的加工中心主轴***状态监测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2004053659A2 (en) * | 2002-12-10 | 2004-06-24 | Stone Investments, Inc | Method and system for analyzing data and creating predictive models |
CN105134510A (zh) * | 2015-09-18 | 2015-12-09 | 北京中恒博瑞数字电力科技有限公司 | 一种风力发电机组变桨***的状态监测和故障诊断方法 |
CN109447187A (zh) * | 2018-12-25 | 2019-03-08 | 中南大学 | 电机故障诊断方法及*** |
-
2019
- 2019-06-06 CN CN201910491425.XA patent/CN110222765B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2004053659A2 (en) * | 2002-12-10 | 2004-06-24 | Stone Investments, Inc | Method and system for analyzing data and creating predictive models |
CN105134510A (zh) * | 2015-09-18 | 2015-12-09 | 北京中恒博瑞数字电力科技有限公司 | 一种风力发电机组变桨***的状态监测和故障诊断方法 |
CN109447187A (zh) * | 2018-12-25 | 2019-03-08 | 中南大学 | 电机故障诊断方法及*** |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110988674A (zh) * | 2019-11-19 | 2020-04-10 | 中南大学 | 永磁同步电机的健康状态监测方法、***及移动终端 |
CN112668105A (zh) * | 2021-01-14 | 2021-04-16 | 北京航空航天大学 | 一种基于sae与马氏距离的直升机传动轴异常判定方法 |
CN112668105B (zh) * | 2021-01-14 | 2022-05-03 | 北京航空航天大学 | 一种基于sae与马氏距离的直升机传动轴异常判定方法 |
CN113485287A (zh) * | 2021-06-23 | 2021-10-08 | 佛山科学技术学院 | 一种多粒度度量的动态***故障诊断方法及*** |
CN113485287B (zh) * | 2021-06-23 | 2024-03-26 | 佛山科学技术学院 | 一种多粒度度量的动态***故障诊断方法及*** |
CN114528914A (zh) * | 2022-01-10 | 2022-05-24 | 鹏城实验室 | 一种人在回路的冷水主机状态监测方法、终端及存储介质 |
CN114528914B (zh) * | 2022-01-10 | 2024-05-14 | 鹏城实验室 | 一种人在回路的冷水主机状态监测方法、终端及存储介质 |
CN114553681A (zh) * | 2022-03-08 | 2022-05-27 | 中国人民解放军国防科技大学 | 设备状态异常检测方法、装置和计算机设备 |
CN114553681B (zh) * | 2022-03-08 | 2024-02-02 | 中国人民解放军国防科技大学 | 设备状态异常检测方法、装置和计算机设备 |
CN116226239A (zh) * | 2023-05-06 | 2023-06-06 | 成都瑞雪丰泰精密电子股份有限公司 | 一种基于数据驱动的加工中心主轴***状态监测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110222765B (zh) | 2022-12-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110222765A (zh) | 一种永磁同步电机健康状态监测方法及*** | |
Biswas et al. | Electricity theft pinpointing through correlation analysis of master and individual meter readings | |
US8868985B2 (en) | Supervised fault learning using rule-generated samples for machine condition monitoring | |
Yang et al. | Bad data detection algorithm for PMU based on spectral clustering | |
Jiang et al. | Spatial-temporal synchrophasor data characterization and analytics in smart grid fault detection, identification, and impact causal analysis | |
CN109856299A (zh) | 一种变压器在线监测差异化阈值动态设置方法、*** | |
WO2020124010A1 (en) | Condition monitoring via energy consumption audit in electrical devices and electrical waveform audit in power networks | |
CN109886475B (zh) | 基于ai的计量自动化***的信息安全态势感知*** | |
CN109766334A (zh) | 用于电力设备在线监测异常数据的处理方法及*** | |
CN109239599B (zh) | 一种永磁同步电机退磁故障诊断方法 | |
GB2476246A (en) | Diagnosing an operation mode of a machine | |
CN108169639A (zh) | 基于并行长短时记忆神经网络的识别开关柜故障的方法 | |
CN109447187A (zh) | 电机故障诊断方法及*** | |
CN113344134A (zh) | 一种低压配电监控终端数据采集异常检测方法及*** | |
CN110347717A (zh) | 一种基于城市电力设备监测的大数据存储方法 | |
CN108287327A (zh) | 基于贝叶斯分类的计量自动化终端故障诊断方法 | |
CN108415810A (zh) | 一种硬盘状态监控方法和装置 | |
CN108470570B (zh) | 电机异音检测方法 | |
CN112149569A (zh) | 变压器基于模糊c均值聚类算法的声纹故障诊断方法 | |
CN117368616B (zh) | 一种智能化的配电网接地故障监测方法及*** | |
Sajan et al. | Realistic synchrophasor data generation for anomaly detection and event classification | |
CN116699254B (zh) | 一种用于机房设备的防电磁干扰方法及设备 | |
CN116796261A (zh) | 一种基于人工智能的封闭开关设备机械特性预测方法 | |
CN115343579B (zh) | 一种电网故障分析方法、装置及电子设备 | |
CN106646106A (zh) | 基于变点探测技术的电网故障检测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |