CN110363339B - 一种基于电机参数进行预测性维护的方法与*** - Google Patents
一种基于电机参数进行预测性维护的方法与*** Download PDFInfo
- Publication number
- CN110363339B CN110363339B CN201910602734.XA CN201910602734A CN110363339B CN 110363339 B CN110363339 B CN 110363339B CN 201910602734 A CN201910602734 A CN 201910602734A CN 110363339 B CN110363339 B CN 110363339B
- Authority
- CN
- China
- Prior art keywords
- motor
- temperature
- vibration
- abnormal
- 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.)
- Active
Links
- 238000012423 maintenance Methods 0.000 title claims abstract description 29
- 238000000034 method Methods 0.000 title claims abstract description 24
- 230000036541 health Effects 0.000 claims abstract description 48
- 230000002159 abnormal effect Effects 0.000 claims abstract description 41
- 239000013598 vector Substances 0.000 claims abstract description 30
- 239000011159 matrix material Substances 0.000 claims abstract description 27
- 238000004364 calculation method Methods 0.000 claims abstract description 22
- 230000009466 transformation Effects 0.000 claims description 10
- 238000004804 winding Methods 0.000 claims description 5
- 238000002372 labelling Methods 0.000 claims 2
- 238000003745 diagnosis Methods 0.000 abstract description 14
- 230000008859 change Effects 0.000 abstract description 5
- 230000002427 irreversible effect Effects 0.000 abstract description 4
- 238000001514 detection method Methods 0.000 abstract description 3
- 238000004422 calculation algorithm Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000013459 approach Methods 0.000 description 4
- 230000003247 decreasing effect Effects 0.000 description 3
- 230000001154 acute effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Images
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
- G01M99/00—Subject matter not provided for in other groups of this subclass
-
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Control Of Electric Motors In General (AREA)
Abstract
本发明公开了一种基于电机参数进行预测性维护的方法与***,本发明从电机的局部运行状况出发,采集电机的温度和振动两种无直接联系的非电气采集参数进行交叉计算,采用矩阵特征值向量对电机实时工作状态进行映射,可以实现温度、振动与电机健康度的函数关系,可得出电机局部和综合健康度的线性变化关系,通过判断健康度在一段时间内的变化趋势实现预测性维护,将传统电机故障诊断的诊断时间提前,可以很好的预防电机出现不可逆的损伤。本发明能够更加准确地得出电机的非正常工作状态,将统计计算流独立于实时计算流,降低了采集设备的边缘计算压力,避免了不必要的硬件成本;并且能将预测性维护定位至电机局部,降低了人工检测成本。
Description
技术领域
本发明涉及一种基于电机参数进行预测性维护的方法与***,属于信息领域,适用于工业现场、工科教学设备和带有电机装置的设备维护。
背景技术
在电机的预测性维护方面,国内依然处于试探性的阶段,没有一种脱颖而出的方案可以实现多种类型、多种行业的电机进行统一化的预测性维护平台。为了实现预测性平台的搭建,首先要确定电机的日常运行健康度,这需要统计电机的日常运行参数,并对其进行分析。当前的电机维护多基于故障诊断算法,由电机运行时的相关电气参数可进行数学推导,判断其运行状况的优劣。这种算法,第一,实时性要求高,需要即时采集,即时计算,在采集设备中就需要进行大量的数学计算,这里的计算不光包括由采集得到的数据计算得出算法的输入数据,也包括算法本身的计算,为了更好的维护效果,这种计算对采集设备的硬件要求高,若是大量的设备需要采集则需要成倍地提高成本;第二,这类算法往往在电机***产生急性突变故障时才能进行故障诊断,如果将电机的健康度看作0-100间的一个值,应用传统的故障诊断算法时,电机健康度的变化往往是一个离散值的骤减,使得从设备诊断出故障到设备产生不可逆的损伤的时间过短,不利于对电机的容错;第三,传统故障诊断方法往往只针对一种参数进行阈值判断,其准确率不高,且鲁棒性较差。
发明内容
发明目的:针对现有技术的不足,本发明目的在于提供一种基于电机参数进行预测性维护的方法与***,基于电机局部诊断判断整体电机的健康度,将传统电机故障诊断的诊断时间提前,预防电机出现不可逆的损伤,并且降低采集设备的硬件要求。
技术方案:为实现上述发明目的,本发明所述的一种基于电机参数进行预测性维护的方法,包括如下步骤:
(1)在电机的各重要部位装载温度传感器和振动传感器,所述各重要部位至少包括轴承和绕组;
(2)将温度传感器与振动传感器从1~n进行编号,同编号的两类传感器布置在同一位置,位置也用1~n进行编号;采集并存储正常工作时,以及位置i(0<i<n+1)非正常工作时共n+1种类型的数据,每组数据分别由n行1列的温度矩阵和1行n列的振动矩阵组成:和[V1 V2 … Vn];其中T1~Tn为温度传感器1~n输出的测量值,V1~Vn为振动传感器1~n输出的测量值;
(4)将每组的温度矩阵乘以振动矩阵可以得到n+1个n阶方阵,计算每一组n阶方阵的特征值和特征向量,将n阶方阵的特征值组成的向量作为对应电机工作状态类型的标准特征值向量ai;
(5)将实时采集数据计算得出的特征值向量b分别与n+1种标准特征值向量进行比对,求出Δi=|b-ai|,i∈[0,n]∩Z,并计算实际工况和正常状态的接近程度与非正常状态的接近程度的比值并将该比值对数变换和三角函数变换可得到局部健康度ri;
作为优选,所述步骤(2)中分别获取不同日期或气温下的正常和非正常工作的温度和振动数据,所述步骤(5)中选择与当前日期或气温对应的标准特征值进行比对。
作为优选,所述方法还包括将实际工况和正常状态的接近程度与非正常状态的接近程度的比值,标注在n边形图上,得到n边形工况比对图,直观展示出电机当前工作状态的趋向。
作为优选,步骤(2)中通过电机零件替换采集非正常运行参数或构造噪声信号增加到正常运行参数上模拟非正常运行参数。
本发明所述的一种基于电机参数进行预测性维护的***,包括:
各工况标准特征采集模块,用于将温度传感器与振动传感器从1~n进行编号,同编号的两类传感器布置在电机的同一位置,所布置的位置至少包括轴承和绕组,位置也用1~n进行编号;采集并存储正常工作时,以及位置i(0<i<n+1)非正常工作时共n+1种类型的数据,每组数据分别由n行1列的温度矩阵和1行n列的振动矩阵组成:和[V1 V2 … Vn];其中T1~Tn为温度传感器1~n输出的测量值,V1~Vn为振动传感器1~n输出的测量值;
并且,将每组的温度矩阵乘以振动矩阵可以得到n+1个n阶方阵,计算每一组n阶方阵的特征值和特征向量,将n阶方阵的特征值组成的向量作为对应电机工作状态类型的标准特征值向量ai;
实时局部健康度计算模块,用于将实时采集数据计算得出的特征值向量b分别与n+1种标准特征值向量进行比对,求出Δi=|b-ai|,i∈[0,n]∩Z,并计算实际工况和正常状态的接近程度与非正常状态的接近程度的比值并将该比值对数变换和三角函数变换可得到局部健康度ri;
以及,非正常预测模块,用于通过局部健康度计算出综合健康度当实时综合健康度持续降低或小于设定的阈值,则判定电机处于非健康状态,并定位出局部健康度ri持续降低或小于设定的阈值的位置为非正常位置,实现预测性维护。
作为优选,所述***还包括工况对比图绘制模块,用于将实际工况和正常状态的接近程度与非正常状态的接近程度的比值,标注在n边形图上,得到n边形工况比对图,直观展示出电机当前工作状态的趋向。
有益效果:与现有技术相比,本发明具有如下优点:
1.本发明采集了电机的温度和振动两个参数进行交叉计算,能够更加准确地得出电机的非正常工作状态,并且可避免采集电气类参数,如电流电压,此类参数在采集时需安装相关变送器,而这类在成品电机上难以安装;
2.电机故障多发生于硬件老化或故障,环境变化等直接变化量,而传统故障诊断多采集电流电压等电气参数,此参数为硬件老化或故障带来的间接变化量,本发明直接采集温度和振动等直接变化量,在统计计算的基础上将季节等环境变化因素也包含在内,边缘采集设备可通过获得当地时间的时间戳,通过月、日、时的时间参数来判断天气与气温,或直接通过联网获取当天的气温,统计并计算后将各类季节、各类天气下的特征值区分开来,使得预测性维护***的鲁棒性大幅增加;
3.采用实时计算与统计计算两个流进行算法计算,将统计计算流独立于实时计算流,降低了边缘采集设备的计算成本,降低了硬件成本;
4.本发明将预测性维护定位至电机局部,不同于传统的整体故障诊断方法,提升了这一预测性维护方法的鲁棒性,并且降低了人工检测成本;
5.本发明在预测电机对象变化时有很好的适应性;
6.本发明可生成n边形工况对比图,使人直观了解到电机各部位的健康状态。
附图说明
图1是本发明实施例的方法流程图。
图2是本发明实施例中的n边形工况比对图。
具体实施方式
下面结合具体实施例,进一步阐明本发明,应理解这些实施例仅用于说明本发明而不用于限制本发明的范围,在阅读了本发明之后,本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
如图1所示,本发明实施例公开的一种基于电机参数进行预测性维护的方法,主要包括如下步骤:
(1)在电机的各重要部位装载温度传感器和振动传感器以接收数据,电机的关键采集点为轴承和绕组,可在这些部位分别布置n个温度传感器和n个振动传感器;
(2)将温度传感器与振动传感器可从1~n进行编号,同编号的两类传感器应布置在同一位置,位置也用1~n进行编号;
(3)采集一段时间内的数据并进行存储;数据采集分为两个部分,第一层为传感器部分,可以将温度信号和振动信号转化为采集设备可以接收的信号类型,如4-20mA直流标准工业信号,0-5V的电压信号等等,再通过一系列协议,如i2c协议,单总线协议等等将数据传递给边缘采集设备进行计算,并将计算结果通过互联网传送至云端服务器。
(4)统计并分组n+1种类型的数据,分别为正常工作(温度T与振动V的数值均在正常范围内)时,和位置i(0<i<n+1)非正常工作(温度Ti或Vi数值不在正常范围内)时的数据,每组数据分别由n行1列的温度矩阵和1行n列的振动矩阵组成:
这两个矩阵的值应在同一时刻取得。非正常工作场景的参数可由两种方式构造,第一种可用已损坏的电机零件去替代完好的电机零件,进行运行实验并采集运行参数,此方案成本较高,数据可信度很高;第二种可用MATLAB构造噪声信号增加到正常工作的运行参数中进行非正常工作参数模拟,此方案成本较低,但数据的可信度略低。对不同日期下的正常与非正常工作场景的参数可由MATLAB模拟取得,由于同一地点在同一日期的天气应当相同或相似,所以可以通过MATLAB将一年中的每一天的气温进行数组化处理,根据每一天的气温数组可以对温度矩阵进行修正,如当天气温数组对应的温度相比前一天升高或降低了x℃,则当天的温度矩阵各元素也应当升高或降低x℃,当天时间戳可从互联网获得。
(5)将每组的温度矩阵乘以振动矩阵可以得到n+1个n阶方阵:
n阶方阵代表了在同一时刻,所有n个部位的温度与振动的相关关系,其中主对称轴为同一部位的温度与振动的相关关系;
(6)计算每一组n阶方阵的特征值和特征向量,可在复数域中计算得到n个特征值和特征向量,这n个特征值组成的向量可表示为当前电机工作状态类型(部位i非正常工作或所有部位正常工作,正常工作时设i=0)的标准特征值向量ai=[λ1 λ2 … λn],代表了这一组数据表示的电机状态,若是工作在相同或相似状态下,计算得出的特征值向量应与这一工作状态类型的标准特征值向量相同或相近(通过阈值比对);
(7)将t时刻的实际采集数据计算得出的特征值向量b分别与n+1种标准特征值向量进行比对,求出Δi=|b-ai|,i∈[0,n]∩Z,Δi是用于表示当前工作状态与部位i处于非正常工作状态的接近程度的量,Δi的值越小,证明当前工作状态越趋向于部位i的非正常状态;
(8)计算值通过计算实际工况和正常状态的接近程度与非正常状态的接近程度的比值,可得到一个范围为(0,+∞)的值σ,将其标注在n边形上,如图2所示。多边形的轴可根据各轴上的σ的大小调整轴类型以供显示,σ差距大时,可用对数轴表示,当差距小时,可用线性轴表示。
(9)可从n边形图中直观地看出电机当前工作状态的趋向,电机可以处于一种或多种的不正常工作状态,由程序可定位电机具体的不正常工作状态的部位。
(10)由于向量间夹角可能会接近180°,其模值会相当大,因此把计算得出的σ进行对数变换和三角函数变换可得到局部健康度评分:
(12)计算实时综合健康度的导数,当R′长期持续处于小于零的状态或R值过低,则可判定电机处于非健康状态,根据程序进行定位维护检修。如果局部健康度ri在程序中判断为持续降低或过低,则认为这个部位i非正常。
本发明公开的一种基于电机参数进行预测性维护的***,包括:各工况标准特征采集模块,用于采集并存储正常工作时,以及位置i非正常工作时共n+1种类型的数据,并将每组的温度矩阵乘以振动矩阵可以得到n+1个n阶方阵,计算每一组n阶方阵的特征值和特征向量,将n阶方阵的特征值组成的向量作为对应电机工作状态类型的标准特征值向量ai;实时局部健康度计算模块,用于将实时采集数据计算得出的特征值向量b分别与n+1种标准特征值向量进行比对,计算实际工况和正常状态的接近程度与非正常状态的接近程度的比值,从而得到局部健康度ri;工况对比图绘制模块,用于根据实际工况和正常状态的接近程度与非正常状态的接近程度的比值绘制n边形工况比对图,直观展示出电机当前工作状态的趋向;以及,非正常预测模块,用于通过局部健康度计算出综合健康度,根据综合健康度判定电机是否处于非健康状态,实现预测性维护。具体实施细节见上述方法实施例,此处不再赘述。
本发明将统计电机参数并进行算法分析的工作提前完成,而不进行实时的计算,从而降低了采集设备的工作量,避免了不必要的硬件成本;本发明实时生成电机的健康度,将电机健康度与直观的硬件采集参数(非电气参数)形成映射关系,可以从振动和温度两方面影响,进行电机健康度的判定,此时电机的健康度是一个在时域内连续变化的量,通过判断它在一段时间内的变化趋势即可实现预测性维护,将传统电机故障诊断的诊断时间提前,可以很好的预防电机出现不可逆的损伤,有利于电机的容错;本发明从电机的局部出发,通过两种无直接联系的非电气采集参数进行交叉计算,改进了算法的准确性,在变换一种电机时,通过局部的诊断检测依然可以判断整体电机的健康度,增加了***的鲁棒性。
Claims (7)
1.一种基于电机参数进行预测性维护的方法,其特征在于,包括如下步骤:
(1)在电机的各重要部位装载温度传感器和振动传感器,所述各重要部位包括轴承和绕组;
(2)将温度传感器与振动传感器从1~n进行编号,同编号的两类传感器布置在同一位置,位置也用1~n进行编号;采集并存储正常工作时的温度和振动数据,以及位置i非正常工作时的温度和振动数据,共n+1种类型的数据,每组数据分别由n行1列的温度矩阵和1行n列的振动矩阵组成:和[V1 V2...Vn];其中T1~Tn为温度传感器1~n输出的测量值,V1~Vn为振动传感器1~n输出的测量值;正常工作时设i=0,非正常工作时,i对应1~n的整数;
(3)将每组的温度矩阵乘以振动矩阵可以得到n+1个n阶方阵,计算每一组n阶方阵的特征值和特征向量,将n阶方阵的特征值组成的向量作为对应电机工作状态类型的基准特征值向量ai;
(4)将实时采集数据计算得出的实时特征值向量b分别与n+1种基准特征值向量ai进行比对,求出Δi=|b-ai|,i∈[0,n]∩Z,并计算实际工况和正常状态的接近程度Δ0与实际工况和非正常状态的接近程度Δi的比值并将该比值对数变换和三角函数变换可得到局部健康度ri;
2.根据权利要求1所述的一种基于电机参数进行预测性维护的方法,其特征在于,所述步骤(2)中分别获取不同日期或气温下的正常和非正常工作的温度和振动数据,所述步骤(4)中选择与当前日期或气温对应的基准特征值向量ai进行比对。
4.根据权利要求1所述的一种基于电机参数进行预测性维护的方法,其特征在于,还包括将实际工况和正常状态的接近程度与实际工况和非正常状态的接近程度的比值,标注在n边形图上,得到n边形工况比对图,直观展示出电机当前工作状态的趋向。
5.根据权利要求1所述的一种基于电机参数进行预测性维护的方法,其特征在于,步骤(2)中通过电机零件替换采集非正常运行参数或构造噪声信号增加到正常运行参数上模拟非正常运行参数。
6.一种基于电机参数进行预测性维护的***,其特征在于,包括:
各工况标准特征采集模块,用于将温度传感器与振动传感器从1~n进行编号,同编号的两类传感器布置在电机的同一位置,所布置的位置至少包括轴承和绕组,位置也用1~n进行编号;采集并存储正常工作时,以及位置i非正常工作时共n+1种类型的数据,每组数据分别由n行1列的温度矩阵和1行n列的振动矩阵组成:和[V1 V2...Vn];其中T1~Tn为温度传感器1~n输出的测量值,V1~Vn为振动传感器1~n输出的测量值;正常工作时设i=0,非正常工作时,i对应1~n的整数;
并且,将每组的温度矩阵乘以振动矩阵可以得到n+1个n阶方阵,计算每一组n阶方阵的特征值和特征向量,将n阶方阵的特征值组成的向量作为对应电机工作状态类型的基准特征值向量ai;
实时局部健康度计算模块,用于将实时采集数据计算得出的实时特征值向量b分别与n+1种基准特征值向量ai进行比对,求出Δi=|b-ai|,i∈[0,n]∩Z,并计算实际工况和正常状态的接近程度Δ0与实际工况和非正常状态的接近程度Δi的比值并将该比值对数变换和三角函数变换可得到局部健康度ri;
7.根据权利要求6所述的一种基于电机参数进行预测性维护的***,其特征在于,还包括工况对比图绘制模块,用于将实际工况和正常状态的接近程度与实际工况和非正常状态的接近程度的比值,标注在n边形图上,得到n边形工况比对图,直观展示出电机当前工作状态的趋向。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910602734.XA CN110363339B (zh) | 2019-07-05 | 2019-07-05 | 一种基于电机参数进行预测性维护的方法与*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910602734.XA CN110363339B (zh) | 2019-07-05 | 2019-07-05 | 一种基于电机参数进行预测性维护的方法与*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110363339A CN110363339A (zh) | 2019-10-22 |
CN110363339B true CN110363339B (zh) | 2022-03-08 |
Family
ID=68218172
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910602734.XA Active CN110363339B (zh) | 2019-07-05 | 2019-07-05 | 一种基于电机参数进行预测性维护的方法与*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110363339B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111639842B (zh) * | 2020-05-20 | 2023-06-20 | 湖北博华自动化***工程有限公司 | 一种设备健康评估方法、评估***以及设备健康预测方法 |
CN112731159B (zh) * | 2020-12-23 | 2023-09-22 | 江苏省电力试验研究院有限公司 | 一种储能电站电池舱电池故障预判及定位的方法 |
CN113064075B (zh) * | 2021-03-16 | 2023-05-05 | 电子科技大学成都学院 | 一种基于边缘计算及深度学习的电机寿命预估方法 |
CN114167282B (zh) * | 2021-12-03 | 2022-08-12 | 深圳市双合电气股份有限公司 | 一种电动机故障诊断及劣化趋势预测*** |
CN115963798B (zh) * | 2023-02-23 | 2023-05-26 | 深圳市玄羽科技有限公司 | 工业互联网中的设备运控方法、***及电子设备 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103471841A (zh) * | 2013-09-30 | 2013-12-25 | 国家电网公司 | 一种旋转机械振动故障诊断方法 |
CN103743563A (zh) * | 2013-08-13 | 2014-04-23 | 华北电力大学(保定) | 一种基于温度数据的风机齿轮箱子空间故障预测方法 |
KR101432786B1 (ko) * | 2013-11-14 | 2014-09-23 | 엠앤디테크놀로지 주식회사 | 모터의 고장진단방법 및 그 시스템 |
CN106066621A (zh) * | 2016-07-27 | 2016-11-02 | 霍州煤电集团有限责任公司 | 一种煤矿中央泵房水泵的预判维护及远程控制方法 |
CN106600095A (zh) * | 2016-07-27 | 2017-04-26 | 中国特种设备检测研究院 | 一种基于可靠性的维修评估方法 |
CN106640548A (zh) * | 2016-12-19 | 2017-05-10 | 北京金风科创风电设备有限公司 | 用于风力发电机组的状态监测方法和装置 |
CN106895906A (zh) * | 2017-03-23 | 2017-06-27 | 西安理工大学 | 一种水轮发电机组振动故障的特征提取方法 |
CN107247230A (zh) * | 2017-07-03 | 2017-10-13 | 浙江大学 | 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 |
CN108645451A (zh) * | 2018-07-12 | 2018-10-12 | 中铁磁浮科技(成都)有限公司 | 中速磁浮列车在线状态监测*** |
CN109564426A (zh) * | 2016-11-11 | 2019-04-02 | 申克普若赛斯欧洲有限公司 | 振动机的状态监测***的操作方法及状态监测*** |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10638295B2 (en) * | 2015-01-17 | 2020-04-28 | Machinesense, Llc | System and method for turbomachinery preventive maintenance and root cause failure determination |
-
2019
- 2019-07-05 CN CN201910602734.XA patent/CN110363339B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103743563A (zh) * | 2013-08-13 | 2014-04-23 | 华北电力大学(保定) | 一种基于温度数据的风机齿轮箱子空间故障预测方法 |
CN103471841A (zh) * | 2013-09-30 | 2013-12-25 | 国家电网公司 | 一种旋转机械振动故障诊断方法 |
KR101432786B1 (ko) * | 2013-11-14 | 2014-09-23 | 엠앤디테크놀로지 주식회사 | 모터의 고장진단방법 및 그 시스템 |
CN106066621A (zh) * | 2016-07-27 | 2016-11-02 | 霍州煤电集团有限责任公司 | 一种煤矿中央泵房水泵的预判维护及远程控制方法 |
CN106600095A (zh) * | 2016-07-27 | 2017-04-26 | 中国特种设备检测研究院 | 一种基于可靠性的维修评估方法 |
CN109564426A (zh) * | 2016-11-11 | 2019-04-02 | 申克普若赛斯欧洲有限公司 | 振动机的状态监测***的操作方法及状态监测*** |
CN106640548A (zh) * | 2016-12-19 | 2017-05-10 | 北京金风科创风电设备有限公司 | 用于风力发电机组的状态监测方法和装置 |
CN106895906A (zh) * | 2017-03-23 | 2017-06-27 | 西安理工大学 | 一种水轮发电机组振动故障的特征提取方法 |
CN107247230A (zh) * | 2017-07-03 | 2017-10-13 | 浙江大学 | 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 |
CN108645451A (zh) * | 2018-07-12 | 2018-10-12 | 中铁磁浮科技(成都)有限公司 | 中速磁浮列车在线状态监测*** |
Non-Patent Citations (3)
Title |
---|
基于健康评估和劣化趋势预测的水电机组故障诊断***研究;潘罗平;《中国博士学位论文全文数据库 (工程科技Ⅱ辑)》;20140215(第2期);全文 * |
基于动态特性分析的机床主轴箱装配故障诊断研究;李凯旋;《中国优秀硕士学位论文全文数据库 (工程科技Ⅰ辑)》;20160715(第7期);全文 * |
基于子空间方法的风机齿轮箱故障预测算法;赵洪山,郭伟,邵玲,张兴科;《电力自动化设备》;20150216;第35卷(第3期);第27-35页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110363339A (zh) | 2019-10-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110363339B (zh) | 一种基于电机参数进行预测性维护的方法与*** | |
US11624731B2 (en) | Method for predicting remaining life of numerical control machine tool | |
CN110889091B (zh) | 基于温度敏感区间分段的机床热误差预测方法与*** | |
CN116111727B (zh) | 基于动态温度阈值的综合配电箱异常监测方法 | |
CN112284440B (zh) | 一种传感器数据偏差自适应修正方法 | |
CN110716500B (zh) | 用于确定温度敏感区间分段建模点的方法与*** | |
CN111368428B (zh) | 一种基于监控二阶统计量的传感器精度下降故障检测方法 | |
CN115982602B (zh) | 一种光伏变压器电故障检测方法 | |
CN108090515B (zh) | 一种基于数据融合的环境等级评估方法 | |
CN111678699B (zh) | 一种面向滚动轴承早期故障监测与诊断方法及*** | |
CN111414571A (zh) | 一种大气污染物监测方法 | |
CN114490156A (zh) | 一种时间序列数据异常标记方法 | |
CN115664038B (zh) | 一种用于电气安全管理的智能配电运维监控*** | |
CN116861313B (zh) | 基于振动能量趋势的卡尔曼滤波工况识别方法、*** | |
JP3718765B2 (ja) | プラント診断装置 | |
KR101998972B1 (ko) | 변수 구간별 불량 발생 지수를 도출하여 공정 불량 원인을 파악하고 시각화하는 방법 | |
US7937197B2 (en) | Apparatus and methods for evaluating a dynamic system | |
CN117592656A (zh) | 基于碳数据核算的碳足迹监控方法及*** | |
CN117406027A (zh) | 一种配电网故障测距方法及其*** | |
CN116627116A (zh) | 一种流程工业故障定位方法、***及电子设备 | |
CN116522096A (zh) | 基于动作捕捉的三维数字孪生内容智能制作方法 | |
CN111507374A (zh) | 一种基于随机矩阵理论的电网海量数据异常检测方法 | |
CN115659271A (zh) | 传感器异常检测方法、模型训练方法、***、设备及介质 | |
CN115841478A (zh) | 应用于车载空调软管生产管控的质量检测*** | |
CN112621381B (zh) | 机床进给***健康状态智能评估方法及装置 |
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 |