CN110554316B - 一种电机故障诊断方法 - Google Patents

一种电机故障诊断方法 Download PDF

Info

Publication number
CN110554316B
CN110554316B CN201910870199.6A CN201910870199A CN110554316B CN 110554316 B CN110554316 B CN 110554316B CN 201910870199 A CN201910870199 A CN 201910870199A CN 110554316 B CN110554316 B CN 110554316B
Authority
CN
China
Prior art keywords
fault
motor
membership
mode
array
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
Application number
CN201910870199.6A
Other languages
English (en)
Other versions
CN110554316A (zh
Inventor
王建辉
姚丙雷
刘朋鹏
韦福东
向懿
王辉
徐茜
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.)
Shanghai Electrical Apparatus Research Institute Group Co Ltd
Shanghai Motor System Energy Saving Engineering Technology Research Center Co Ltd
Original Assignee
Shanghai Electrical Apparatus Research Institute Group Co Ltd
Shanghai Motor System Energy Saving Engineering Technology Research Center 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 Shanghai Electrical Apparatus Research Institute Group Co Ltd, Shanghai Motor System Energy Saving Engineering Technology Research Center Co Ltd filed Critical Shanghai Electrical Apparatus Research Institute Group Co Ltd
Priority to CN201910870199.6A priority Critical patent/CN110554316B/zh
Publication of CN110554316A publication Critical patent/CN110554316A/zh
Application granted granted Critical
Publication of CN110554316B publication Critical patent/CN110554316B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Tests Of Circuit Breakers, Generators, And Electric Motors (AREA)
  • Control Of Electric Motors In General (AREA)

Abstract

本发明涉及一种电机故障诊断方法。本发明根据电机故障机理，建立电机在线监测数据和故障模式之间的关系，采用模糊数学隶属度的方法从电机在线监测数据得到故障特征，再从故障特征综合得到每个故障模式的隶属度，得到电机处于各个故障模式的可能性。对比已有技术，本发明能够更及时地通过从在线监测得到故障特征隶属度函数，并能快速综合计算电机处于各个故障模式的可能性，便于把采用本发明的算法部署到边缘侧或云端，实现巨量电机集群的运行维护。

Description

一种电机故障诊断方法
技术领域
本发明涉及一种电机故障诊断方法，属于电机故障诊断技术领域和电机运行维护工业互联网技术领域。
背景技术
电机是制造业的“原动力”，广泛应用于冶金、石化、化工、煤炭、建筑、公用设施、家用电器等行业和诸多领域，是用电量最大的终端用能设备，是节能减排高度关注与重点研究的目标。电机消耗着巨大的能源，是工业设备的心脏，处于工业设备核心地位。电机是石油、煤炭、化工、冶金、纺织等行业设备的关键核心部件，尤其重要的是一旦出现严重故障和非计划停机，将导致非常重要的服务被中断。很多电机驱动的设备运行服务的场合要保证运行的连续性，故障停机时不能容忍的，电机的意外故障将导致巨额的维修费用和关联损失，甚至引起人员伤亡。
目前电机及驱动设备的运行维护还是被动式维修，主要是事后维修和预防性维修。事后维修无法预测事故停机，产生二次损坏，灾难性后果和高额维修费用，管理失控。预防性维修则使得状态良好的设备也被频繁检修，维修导致的损伤可能大于维修的好处，仍然会产生计划外的停机，没有针对不同设备进行优化和寿命分析。目前的运行维护方式降低了生产效率，提高了维保费用。
而目前基于工业互联网的运行维护优化基于对使用损耗特性参数进行电机的损坏预测，通过工业互联网技术对生产设备进行实时监测及响应，做出预测性的维护决策，提升了服务效率。其中一项重要的内容就是在线实时监测电机的运行参数，然后根据电机故障机理和大数据方法，确定电机是否健康，辨识出故障状态下电机可能的故障模式，为运行维护提供及时和准确的参考信息。
目前随着工业互联网的推进，数据驱动的电机故障诊断技术迅速发展，用来得到在线监测数据和各种故障模式之间的关系模型。当得到这些关系模型后，还需要把这些模型部署到边缘侧或云端，及时地把在线监测数据转化为电机处于各种故障模式的可能性。目前还存在缺乏在线监测数据和各种故障模式之间的关系模型，缺少基于在线监测数据的故障诊断方法等问题。
发明内容
本发明的目的是为了解决电机运维工业互联网的故障诊断问题，提出一种基于在线监测数据的电机故障诊断和显示的方法。
为了达到上述目的，本发明的具体技术方案是提供了一种电机故障诊断方法，其特征在于，包括以下步骤：
步骤1、确定电机的m个故障模式和n个故障特征；
步骤2、建立故障特征和故障模式之间存在充分条件的关系矩阵，首先赋初值如下：
CF(i,j)＝0，i＝1～m，j＝1～n；
遍历i＝1～m，j＝1～n：当满足第j个故障特征出现必然导致第i个故障模式出现时，则：
CF(i,j)＝1；
步骤3、建立故障特征和故障模式之间存在必要条件的关系矩阵，并赋初值如下：
BY(i,j)＝0，i＝1～m，j＝1～n；
遍历i＝1～m，j＝1～n：当满足第i个故障模式出现必然导致第j个故障特征出现时，则：
BY(i,j)＝1；
步骤4、经过对电机的监测得到信号，该信号与预先给定的特征要求和特征参数比对后，得到各个故障特征数组TZ(j)，j＝1～n，TZ(j)为0～1之间的实数或-1，0～1之间的实数表示第j个故障特征的隶属度，-1表示该故障特征未监测；
步骤5、计算得出已知所有故障特征条件下的充分条件关系矩阵CF1(i,j)：
遍历i＝1～m，j＝1～n：如果TZ(j)＝-1，则CF1(i,j)＝0，否则CF1(i,j)＝CF(i,j)·TZ(j)，；
步骤6、计算得出已知所有故障特征条件下的必要条件关系矩阵BY1(i,j)：
遍历i＝1～m，j＝1～n：如果TZ(j)＝-1，则BY1(i,j)＝1；否则：如果BY(i,j)＝1，则BY1(i,j)＝TZ(j)；如果BY(i,j)＝0，则BY1(i,j)＝1-TZ(j)；
步骤7、每个故障模式由充分条件综合而成的不发生该故障模式的隶属度数组为MS1(i)：
Figure BDA0002202553000000021
步骤8、每个故障模式由必要条件综合而成的不发生该模式的隶属度数组为MS2(i)：
Figure BDA0002202553000000031
步骤9、每个故障模式对应的故障特征综合的隶属度数组为MS(i)：
MS(i)＝1-MS1(i)·MS2(i)，i＝1～m；
步骤10、以故障模式编号为横坐标，以故障模式隶属度为纵坐标，作出MS(i)数组的柱状图。
优选地，步骤4中，所述故障特征隶属度数组TZ(j)的计算方法包括以下步骤：
步骤4.1、第j个故障特征对应的电机监测参数的时间序列为：D(j，k)，k＝1～k1，k1＝p·k2，p为正整数，监测的参数采样的时间间隔为t1；
再按照连续的每p个点形成一组数据进行统计分析，得到每组的平均值序列Dav(j，r)和标准差序列s(j，r)，r＝1～k2：
Figure BDA0002202553000000032
Figure BDA0002202553000000033
即为每p·t1时间内p个采样点的平均值和标准差；
步骤4.2、在电机正常运行时，按照步骤4.1的方法在k1·t1的监测时间内获取电机故障特征对应的每个监测参数的时间序列D(j，k)，并计算得到Dav(j，r)和s(j，r)，其中，k＝1～k1、r＝1～k2；
在Dav(j，r)序列中找到满足|s(j，r)/Dav(j，r)|＜e的最小值Dav(j，r1)和最大值Dav(j，r2)，其中e是给定的正数，例如取e＝1时，|s(j，r)/Dav(j，r)|＜e的Dav(j，r)序列的标准差小于其平均值的绝对值，满足|s(j，r)/Dav(j，r)|＜e的Dav(j，r)序列中不包含偏离平均值较多的序列；
记录下标r1和r2，并得到s(j，r1)和s(j，r2)；
令D1＝Dav(j，r1)、D2＝Dav(j，r2)、s1＝s(j，r1)、s2＝s(j，r2)、
Figure BDA0002202553000000034
Figure BDA0002202553000000035
步骤4.3.在电机正常或故障运行和被监测时，按照步骤4.1的方法获取电机故障特征对应的每个监测参数当前最近的p个的时间点的序列D(j，k)，k＝1～p，并计算得到Dav(j,1)和s(j,1)，令：
D＝Dav(j,1)
根据下式求得当前监测参数属于正常或故障状态的隶属度：
Figure BDA0002202553000000041
故障特征的隶属度TZ(j)根据监测时的不同情况采用以下4种不同的计算方法：
(1)监测时为正常运行状态，高于正常特征的隶属度：
Figure BDA0002202553000000042
(2)监测时为正常运行状态，低于正常特征的隶属度：
Figure BDA0002202553000000043
(3)监测时为正常运行状态，高于或低于正常特征的隶属度：
TZ(j)＝1-v(j)
(4)监测时为故障运行状态，属于该故障特征的隶属度：
TZ(j)＝v(j)步骤4.4.对没有进行监测的故障特征，令TZ(J)＝-1。
本发明根据电机故障机理，建立电机在线监测数据和故障模式之间的关系，采用模糊数学隶属度的方法从电机在线监测数据得到故障特征，再从故障特征综合得到每个故障模式的隶属度，得到电机处于各个故障模式的可能性。对比已有技术，本发明能够更及时地通过从在线监测得到故障特征隶属度函数，并能快速综合计算电机处于各个故障模式的可能性，便于把采用本发明的算法部署到边缘侧或云端，实现巨量电机集群的运行维护。
附图说明
图1为MS(i)数组的柱状图。
具体实施方式
本实施例公开了一种电机故障诊断和显示的方法，其步骤如下：
步骤1.根据电机故障机理，确定电机的故障模式和故障特征；例如有表1所示的故障模式的总数为m＝23；表2所示的故障特征的总数为n＝8。
表1
序号 故障模式
01 定转子铁心未对齐
02 定子接线头松动
03 定子底脚螺栓松动
04 定转子机械接触
05 静态气隙不均匀
06 动态气隙不均匀
07 轴向窜动
08 紧固件松脱
09 超速或速度过低
10 定子电流不平衡
11 定子电流过流
12 电源电压过压或欠压
13 电源电压频率偏差超限
14 电源电压三相不平衡
15 电源电压缺相
16 定子铁心绝缘破坏
17 定子绕组相间短路
18 定子绕组匝间短路
19 定子绕组接法错误
20 动平衡超限
21 转子断条
22 端环损伤
23 转子轴挠曲
表2
Figure BDA0002202553000000051
步骤2.建立故障特征和故障模式之间存在充分条件的关系矩阵，首先赋初值如下：
CF(i,j)＝0,i＝1～m,j＝1～n。
遍历i＝1～m，j＝1～n：当满足第j个故障特征出现必然导致第i个故障模式出现时，则
CF(i,j)＝1。
例如：
因为第2个故障特征“电压的不平衡度过高”必然导致第14个故障模式“电压三相不平衡”，所以有CF(14,2)＝1。
综合所有充分条件的关系，最后形成CF(i,j)数组的内容如下：
Figure BDA0002202553000000061
步骤3.建立故障特征和故障模式之间存在必要条件的关系矩阵，并赋初值如下：
BY(i,j)＝0,i＝1～m,j＝1～n。
遍历i＝1～m，j＝1～n：当满足第i个故障模式出现必然导致第j个故障特征出现时，则
BY(i,j)＝1。
例如：
因为第2个故障模式“接线头松动”必然会导致第5个故障特征“电流的不平衡度过高”、第7个故障特征“振动有效值过大”，所以有
BY(2,5)＝1；BY(2,7)＝1
综合所有必要条件的关系，最后形成BY(i,j)数组的内容如下：
Figure BDA0002202553000000071
步骤4.经过对电机的监测，可以得到一些信号，这些信号和预先给定的特征要求和特征参数比对后，可以得到各个故障特征数组TZ(j)，j＝1～n，TZ(j)为0～1之间的实数或-1，0～1之间的实数表示第j个故障特征的隶属度，-1表示该故障特征未监测。故障特征数组TZ(j)通过下列步骤方法得到：
步骤4.1.第j个故障特征对应的电机监测参数的时间序列为：D(j,k)，k＝1～k1，k1＝p·k2，p为正整数，监测的参数采样的时间间隔为t1。
例如取k1＝12000，k2＝1000，p＝12,t1＝10秒(s)
再按照连续的每p个点(120s)形成一组数据进行统计分析，得到每组的平均值序列Dav(j,r)和标准差序列s(j,r),r＝1～k2：
Figure BDA0002202553000000081
Figure BDA0002202553000000082
即为每120s内12个采样点的平均值和标准差。
步骤4.2.在电机正常或故障运行时，按照步骤4.1的方法在120000s，即2000min的监测时间内获取电机故障特征对应的每个监测参数的时间序列D(j,k)，并计算得到Dav(j,r)和s(j,r)。其中k＝1～12000，r＝1～1000。
在Dav(j,r)序列中找到满足|s(j,r)/Dav(j,r)|<e的最小值Dav(j,r1)和最大值Dav(j,r2)，其中e是给定的正数。例如取e＝1时，|s(j,r)/Dav(j,r)|<e的Dav(j,r)序列的标准差小于其平均值的绝对值，满足|s(j,r)/Dav(j,r)|<e的Dav(j,r)序列中不包含偏离平均值较多的序列。
记录下标r1和r2，并得到s(j,r1)和s(j,r2)。
令
D1＝Dav(j,r1)
D2＝Dav(j,r2)
s1＝s(j,r1)
s2＝s(j,r2)
Figure BDA0002202553000000083
Figure BDA0002202553000000091
步骤4.3.在电机正常或故障运行和被监测时，按照步骤4.1的方法获取电机故障特征对应的每个监测参数当前最近的p＝12个的时间点的序列D(j,k)，k＝1～12,并计算得到Dav(j,1)和s(j,1)。令：
D＝Dav(j,1)
根据下式求得当前监测参数属于正常状态的隶属度：
Figure BDA0002202553000000092
故障特征的隶属度TZ(j)根据故障的不同情况采用以下4种不同的计算方法：
(1)监测时为正常运行状态，高于正常特征的隶属度：
Figure BDA0002202553000000093
(2)监测时为正常运行状态，低于正常特征的隶属度：
Figure BDA0002202553000000094
(3)监测时为正常运行状态，高于或低于正常特征的隶属度：
TZ(j)＝1-v(j)
(4)监测时为故障运行状态，属于该故障特征的隶属度：
TZ(j)＝v(j)
步骤4.4.对没有进行监测的故障特征，令
TZ(j)＝-1
例如电机正处于“转子断条”故障，监测了故障特征2～8，经过计算得到TZ(j)如下表：
j 1 2 3 4 5 6 7 8
TZ(j) -1 0 0 1 0.5 0 0.98 0.95
步骤5.通过下面程序计算得出已知所有故障特征条件下的充分条件关系矩阵CF1(i,j)：
{
如果TZ(j)＝-1，则CF1(i,j)＝0；
否则CF1(i,j)＝CF(i,j)·TZ(j)。
},i＝1～m,j＝1～n
CF1(i,j)数组内容如下
Figure BDA0002202553000000101
步骤6.通过下面程序计算得出已知所有故障特征条件下的必要条件关系矩阵BY1(i,j)：
Figure BDA0002202553000000102
Figure BDA0002202553000000111
BY1(i,j)数组内容如下：
Figure BDA0002202553000000112
步骤7.每个故障模式由充分条件综合而成的不发生该故障模式的隶属度数组为MS1(i)，
Figure BDA0002202553000000113
步骤8.每个故障模式由必要条件综合而成的不发生该模式的隶属度数组为MS2(i)，
Figure BDA0002202553000000121
步骤9.每个故障模式对应的故障特征综合的隶属度数组为MS(i)，
MS(i)＝1-MS1(i)·MS2(i),i＝1～m
经过步骤7、步骤8、步骤9的计算得到下表结果：
i MS1(i) MS2(i) MS(i)
1 1 0.5345 0.4655
2 1 1 0
3 1 1 0
4 1 0.5345 0.4655
5 1 1 0
6 1 1 0
7 1 1 0
8 1 1 0
9 1 1 0
10 0.5 1 0.5
11 0 1 1
12 1 1 0
13 1 1 0
14 1 1 0
15 1 1 0
16 1 0.5345 0.4655
17 1 1 0
18 1 0.5345 0.4655
19 1 0.5345 0.4655
20 1 1 0
21 1 0.5345 0.4655
22 1 0.5345 0.4655
23 1 1 0
步骤10.以故障模式编号为横坐标，以故障模式隶属度为纵坐标，作出MS(i)数组的柱状图，例如图1。图中可以显示出隶属度数值较大的故障模式，以供运维人员参考。
本实施例“电流有效值过高”、“电流的不平衡度过高”“振动有效值过高”、和“温度过高”四个故障特征的隶属度分别为1、0.5、0.98和0.95时，综合得到隶属度大于0.4的故障模式有：“定转子铁心未对齐”、“定转子机械接触”、“定子电流不平衡”、“定子电流过流”、“定子铁心绝缘破坏”、“定子绕组匝间短路”、“定子绕组接法错误”、“转子断条”、“端环损伤”等9种模式，其中定子电流过流的隶属度达到1，原因是“电流有效值过高”直接说明了定子电流过流。

Claims (2)

1.一种电机故障诊断方法，其特征在于，包括以下步骤：
步骤1、确定电机的m个故障模式和n个故障特征；
步骤2、建立故障特征和故障模式之间存在充分条件的关系矩阵，首先赋初值如下：
CF(i，j)＝0，i＝1～m，j＝1～n；
遍历i＝1～m，j＝1～n：当满足第j个故障特征出现必然导致第i个故障模式出现时，则：
CF(i，j)＝1；
步骤3、建立故障特征和故障模式之间存在必要条件的关系矩阵，并赋初值如下：
BY(i，j)＝0，i＝1～m，j＝1～n；
遍历i＝1～m，j＝1～n：当满足第i个故障模式出现必然导致第j个故障特征出现时，则：
BY(i，j)＝1；
步骤4、经过对电机的监测得到信号，该信号与预先给定的故障特征要求和故障特征参数比对后，得到各个故障特征隶属度数组TZ(j)，j＝1～n，TZ(j)为0～1之间的实数或-1，0～1之间的实数表示第j个故障特征的隶属度，-1表示该故障特征未监测；
步骤5、计算得出已知所有故障特征条件下的充分条件关系矩阵CF1(i，j)：
遍历i＝1～m，j＝1～n：如果TZ(j)＝-1，则CF1(i，j)＝0，否则CF1(i，j)＝CF(i，j)·TZ(j)；
步骤6、计算得出已知所有故障特征条件下的必要条件关系矩阵BY1(i，j)：
遍历i＝1～m，j＝1～n：如果TZ(j)＝-1，则BY1(i，j)＝1；否则：如果BY(i，j)＝1，则BY1(i，j)＝TZ(j)；如果BY(i，j)＝0，则BY1(i，j)＝1-TZ(j)；
步骤7、每个故障模式由充分条件综合而成的不发生该故障模式的隶属度数组为MS1(i)：
Figure FDA0003013551890000011
步骤8、每个故障模式由必要条件综合而成的不发生该模式的隶属度数组为MS2(i)：
Figure FDA0003013551890000021
步骤9、每个故障模式对应的故障特征综合的隶属度数组为MS(i)：
MS(i)＝1-MS1(i)·MS2(i)，i＝1～m；
步骤10、以故障模式编号为横坐标，以故障模式隶属度为纵坐标，作出MS(i)数组的柱状图。
2.如权利要求1所述的一种电机故障诊断方法，其特征在于，步骤4中，所述故障特征隶属度数组TZ(j)的计算方法包括以下步骤：
步骤4.1、第j个故障特征对应的电机监测参数的时间序列为：D(j，k)，k＝1～k1，k1＝p·k2，p为正整数，监测的参数采样的时间间隔为t1；
再按照连续的每p个点形成一组数据进行统计分析，得到每组的平均值序列Dav(j，r)和标准差序列s(j，r)，r＝1～k2：
Figure FDA0003013551890000022
Figure FDA0003013551890000023
步骤4.2、在电机正常运行时，按照步骤4.1的方法在k1·t1的监测时间内获取电机故障特征对应的每个监测参数的时间序列D(j，k)，并计算得到Dav(j，r)和s(j，r)，其中，k＝1～k1、r＝1～k2；
在Dav(j，r)序列中找到满足|s(j，r)/Dav(j，r)|＜e的最小值Dav(j，r1)和最大值Dav(j，r2)，e是给定的正数，记录下标r1和r2，并得到s(j，r1)和s(j，r2)；
令D1＝Dav(j，r1)、D2＝Dav(j，r2)、s1＝s(j，r1)、s2＝s(j，r2)、
Figure FDA0003013551890000024
Figure FDA0003013551890000025
步骤4.3.在电机正常或故障运行和被监测时，按照步骤4.1的方法获取电机故障特征对应的每个监测参数当前最近的p个的时间点的序列D(j，k)，k＝1～p，并计算得到Dav(j，1)和s(j，1)，令：
D＝Dav(j，1)
根据下式求得当前监测参数属于正常或故障状态的隶属度：
Figure FDA0003013551890000026
故障特征的故障特征隶属度数组TZ(j)根据故障的不同情况采用以下3种不同的计算方法：
(1)高于正常特征的隶属度：
Figure FDA0003013551890000031
(2)低于正常特征的隶属度：
Figure FDA0003013551890000032
(3)属于故障特征的隶属度：
TZ(j)＝v(j)
步骤4.4.对没有进行监测的故障特征，令TZ(j)＝-1。
CN201910870199.6A 2019-09-16 2019-09-16 一种电机故障诊断方法 Active CN110554316B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910870199.6A CN110554316B (zh) 2019-09-16 2019-09-16 一种电机故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910870199.6A CN110554316B (zh) 2019-09-16 2019-09-16 一种电机故障诊断方法

Publications (2)

Publication Number Publication Date
CN110554316A CN110554316A (zh) 2019-12-10
CN110554316B true CN110554316B (zh) 2021-08-13

Family

ID=68740410

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910870199.6A Active CN110554316B (zh) 2019-09-16 2019-09-16 一种电机故障诊断方法

Country Status (1)

Country Link
CN (1) CN110554316B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112684235B (zh) * 2020-12-24 2024-02-23 浙江可胜技术股份有限公司 定日镜用减速机在线智能故障诊断方法及***
CN114301242B (zh) * 2021-12-17 2023-08-04 安徽皖南新维电机有限公司 适用于伸缩臂叉装车专用电机安装的安装方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2011073613A1 (en) * 2009-12-15 2011-06-23 University Of Portsmouth A method, apparatus and computer program for diagnosing a mode of operation of a machine
CN103308855A (zh) * 2013-05-29 2013-09-18 上海电机学院 基于灰色关联的风力发电机组故障诊断方法及装置
CN103994199A (zh) * 2014-05-27 2014-08-20 中能电力科技开发有限公司 基于状态监测的齿轮箱维护时间确定方法
CN106153340A (zh) * 2016-06-29 2016-11-23 北京工业大学 一种滚动轴承故障诊断方法
CN107490964A (zh) * 2017-08-17 2017-12-19 杭州电子科技大学 一种基于特征证据离散化的旋转机械故障特征约简方法
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***

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2011073613A1 (en) * 2009-12-15 2011-06-23 University Of Portsmouth A method, apparatus and computer program for diagnosing a mode of operation of a machine
CN103308855A (zh) * 2013-05-29 2013-09-18 上海电机学院 基于灰色关联的风力发电机组故障诊断方法及装置
CN103994199A (zh) * 2014-05-27 2014-08-20 中能电力科技开发有限公司 基于状态监测的齿轮箱维护时间确定方法
CN106153340A (zh) * 2016-06-29 2016-11-23 北京工业大学 一种滚动轴承故障诊断方法
CN107490964A (zh) * 2017-08-17 2017-12-19 杭州电子科技大学 一种基于特征证据离散化的旋转机械故障特征约简方法
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***

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Multi-sensor data fusion using support vector machine for motor fault detection;Banerjee, Tribeni Prasad;《Information Sciences》;20121231;第217卷;第96-107页 *
电机故障诊断的多传感器数据融合方法;陈理渊 等;《电力***及其自动化学报》;20050228;第17卷(第1期);第48-52页 *

Also Published As

Publication number Publication date
CN110554316A (zh) 2019-12-10

Similar Documents

Publication Publication Date Title
Jin et al. Anomaly detection of cooling fan and fault classification of induction motor using Mahalanobis–Taguchi system
Pandarakone et al. Deep neural network based bearing fault diagnosis of induction motor using fast Fourier transform analysis
CN109765484A (zh) 基于“正确树”模型的电机在线监测和故障诊断方法
CN110554316B (zh) 一种电机故障诊断方法
CN102033200A (zh) 基于统计模型的交流电机在线监测和诊断方法
He et al. Remote monitoring and diagnostics of pitch-bearing defects in an MW-scale wind turbine using pitch symmetrical-component analysis
CN112541160B (zh) 一种旋转机械振动故障诊断相关特征提取方法
CN111008485A (zh) 基于神经网络的三相交流异步电机多参数寿命预测方法
Dash et al. Condition monitoring of induction motors:—A review
Leonidovich et al. The development and use of diagnostic systems and estimation of residual life in industrial electrical equipment
CN108872853B (zh) 一种大型汽轮发电机转子振动高的故障诊断方法
CN112285562B (zh) 基于电磁场与热场多信号融合的异步电机故障检测方法
CN109214109B (zh) 一种石化装备旋转机械的剩余寿命预测验证方法
Chang et al. Fuzzy theory-based partial discharge technique for operating state diagnosis of high-voltage motor
He et al. Detection of single-axis pitch bearing defect in a wind turbine using electrical signature analysis
Refaat et al. Smart grid condition assessment: concepts, benefits, and developments
Liu et al. Application of Frequency Domain Analysis Method in Vibration Analysis and Fault Diagnosis of Oil Transfer Pump Unit
Rosli et al. Application of principal component analysis vs. Multiple linear regression in resolving influential factor subject to air booster compressor Motor failure
Szabo et al. Condition Monitoring for Detecting the Malfunction of Industrial Machines
Thakur et al. Health monitoring of rotating electrical machine using soft computing techniques: A Review
Al-Leythi et al. Motor Watch-Motor Fault Signature Analysis
Safonov et al. The predictive diagnosis method of electric drive state via an artificial neural network
Zhang et al. Research on thermo-electric degradation tests based on polyimide degradation data
Wang et al. Wind turbine spindle condition monitoring based on operational data
Jacobs et al. Self organizing maps for monitoring parameter deterioration of DC and AC motors

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