CN110793622B - 一种振动数据电磁干扰的异常检测方法 - Google Patents
一种振动数据电磁干扰的异常检测方法 Download PDFInfo
- Publication number
- CN110793622B CN110793622B CN201911120553.XA CN201911120553A CN110793622B CN 110793622 B CN110793622 B CN 110793622B CN 201911120553 A CN201911120553 A CN 201911120553A CN 110793622 B CN110793622 B CN 110793622B
- Authority
- CN
- China
- Prior art keywords
- frequency
- vibration data
- electromagnetic interference
- max
- value
- 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
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
-
- 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
- G01R31/001—Measuring interference from external sources to, or emission from, the device under test, e.g. EMC, EMI, EMP or ESD testing
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本申请涉及一种振动数据电磁干扰的异常检测方法,包括振动数据低频段受电源频率及其谐波干扰的异常检测和振动数据高频段受电磁干扰的异常检测,还可以包括因电磁干扰导致的振动数据超传感器量程的异常检测和高于振动传感器频响上限频段受电磁干扰的异常检测。本发明所提供的振动数据异常检测方法可识别振动数据电磁干扰的绝大多数状况,覆盖范围广、实用性强。
Description
技术领域
本申请涉及一种振动数据电磁干扰的异常检测方法,适用于工业设备状态监测的技术领域。
背景技术
在工业设备状态监测领域,振动监测是设备状态监测的一种主要手段,通过对设备不同部位的机械振动进行监测并对振动数据进行分析处理可实现设备故障诊断和故障预警。实际中,设备振动数据质量的好坏直接关系到监测的结果是否可靠。利用异常的振动数据或转速数据对机组状态进行评估,不仅不能识别设备健康状态,甚至有时会导致监测***误报故障,严重影响了振动监测***在工业设备预防性维护中的应用体验,对运维人员带来了很大困扰。在影响振动数据质量的众多原因中,电磁干扰是其中一个常见因素。振动状态监测***往往由于传感器线缆屏蔽差、数采设备接地不良、外界电磁环境复杂、电源质量差等原因导致振动数据中存在异常电磁干扰。异常电磁干扰的存在会直接影响设备的振动状态评估结果。例如,在风电机组振动状态监测中,由于因传感器线缆屏蔽问题以及数采设备接地问题导致的振动数据受异常电磁干扰现象时有发生。致使风电机组振动等级评估结果错误,给用户带来了不良体验。
目前针对振动数据电磁干扰异常检测,多通过人为经验判断,通过判断振动数据和频谱中是否存在异常电磁频率成分来判断是否存在电磁干扰,尚未实现自动检测。针对振动数据电磁干扰异常检测方法目前多处在研究阶段,相关成果较少,并且电磁干扰异常检测方法可靠性和准确性均偏低。如在针对航空发动机电磁干扰异常检测中,有的采用经验模态分解的方法分离出电源50Hz干扰频率成分。该方法可识别振动数据中电源频率干扰,但对电源频率的高次谐波干扰、振动数据高频段电磁干扰并未进行检测。此外,单纯检测异常频率而对异常频率成分幅值未进行判断也不够合理。实际中,即便存在异常电磁干扰,如果干扰频率成分幅值很低,对振动数据影响极小,可忽略不计。此外,针对振动数据的异常电磁干扰,现有技术中主要研究如何消除异常电磁干扰,如通过改变振动测量机理、改变振动传感器设计工艺的方式消除异常振动电磁干扰,通过对振动信号进行形态学滤波或匹配追踪分别等方式消除异常电磁脉冲干扰。上述方法将研究重点放在了电磁异常干扰的消除方面,并未实现振动数据电磁干扰的异常检测。此外,振动数据中的未超出传感器量程的脉冲成分不一定就是由电磁干扰引起,单纯将脉冲干扰视为电磁干扰不够准确。同时,目前市场上一些主流的振动状态监测厂商尚未开发针对振动数据电磁干扰异常检测方面的相关功能,在振动数据电磁干扰异常检测方面存在不足。由此可见,在振动数据电磁干扰异常检测方面目前尚无成熟可靠的方法。
发明内容
本发明的目的是提供一种振动数据电磁干扰的异常检测方法,可实现振动数据电磁干扰异常的自动检测。
本申请涉及一种振动数据电磁干扰的异常检测方法,包括振动数据低频段受电源频率及其谐波干扰的异常检测和振动数据高频段受电磁干扰的异常检测;
其中,振动数据低频段受电源频率及其谐波干扰的异常检测包括以下步骤:
(1.1)计算原始振动数据的FFT频谱;
(1.2)判断FFT频谱中在电源频率的前n次谐波对应的频率点处是否存在明显的谱线;
其中,振动数据高频段受电磁干扰的异常检测包括以下步骤:
(2.1)设定带通滤波器滤波带宽B,对原始振动数据进行滑动带通滤波,滑动步长为s(0<s≤B),滤波后各段振动数据分别为Y1,Y2,…,Yn,其中n为带通滤波器滑动次数;
(2.2)计算Y1,Y2,…,Yn的包络谱,分别为E1,E2,…,En;
(2.3)若任一包络谱Ei(i=1,2,…,n)在电源频率的前n次谐波对应的频率点处存在明显的谱线,则判断振动数据异常。
优选地,在步骤(1.2)中,判断是否存在明显谱线的方法如下:
(1a)在电源频率的前n次谐波对应的频率点处附近分别设定一个频率搜索区间;
(1b)计算各频率区间内频谱的最大值和均值;各频率区间的最大值分别为max_s1、max_s2…max_sn,各频率区间的均值分别为mean_s1、mean_s2…mean_sn;
优选地,在步骤(2.3)中,明显谱线的具体识别方法如下:
(2a)在电源频率的前n次谐波对应的频率点处分别设定一个频率搜索区间;
(2b)计算各频率区间内包络谱Ei的最大值和均值;包络谱的最大值分别为max_e1、max_e2…max_en,包络谱的均值分别为mean_e1、mean_e2…mean_en;
优选地,所述异常检测方法还包括高于振动传感器频响上限频段受电磁干扰的异常检测,具体步骤如下:
(1)计算原始振动数据的FFT频谱;
(2)在高于振动传感器频响上限频段内计算FFT频谱的最大值max_s;
(3)若max_s>电磁干扰频率幅值阈值,则说明高于振动传感器频响上限频段内出现了明显的频率成分,判断振动数据异常。
优选地,所述异常检测方法还包括因电磁干扰导致的振动数据超传感器量程的异常检测,具体步骤如下:
(1)计算边缘数据采集设备每次上传振动数据的最大值和最小值;
(2)比较最大值和传感器量程上限以及最小值和传感器量程下限的大小,如果最大值大于传感器量程的上限或者最小值小于传感器量程的下限,判断振动数据超出传感器量程。
优选地,前n次谐波中的n取值介于2-8之间;th1取值介于3-15之间,th2的取值介于传感器量程范围的0.001%-0.1%之间;th1′取值介于3-15之间,th2′的取值介于传感器量程范围的0.001%-0.1%之间;电磁干扰频率幅值阈值介于传感器量程范围的0.001%-0.1%之间。
本发明所提供的方法不仅可实现振动数据因电磁干扰超出传感器量程的异常检测,还可实现振动数据低频段电源频率及其谐波干扰的异常检测、振动数据高频段电磁干扰的异常检测,因电磁干扰导致的振动数据夹杂超出传感器频响范围频率成分的异常检测。本发明所提供的振动数据异常检测方法可识别振动数据电磁干扰的绝大多数状况,覆盖范围广、实用性强。
附图说明
图1显示振动数据低频段出现电源频率及其谐波的示意图。
图2显示振动数据高频段出现突出异常频率成分的示意图。
图3显示振动数据的频谱中在高于传感器频响上限频段存在明显频率成分的示意图。
图4显示本申请的振动数据电磁干扰的异常检测方法的流程图。
图5显示本申请的实施例中的振动波形图。
图6显示本申请的实施例中的振动波形对应的频谱图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚明白,下文中将结合附图对本申请的实施例进行详细说明。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互任意组合。
通过在工业设备上加装振动检测设备,例如振动传感器等来对各部件进行实时监测以获取振动数据,通过对振动数据分析可识别部件的健康状况,并可根据大部件的健康状态合理安排运维计划。当振动传感器、线缆或数据采集设备受到电磁干扰时,振动数据会出现因电磁干扰导致的异常现象。常见的受电磁干扰的振动数据分为以下四类情形:
1)振动数据超出传感器量程;
2)振动数据低频段出现电源频率(50Hz)及其谐波,如图1所示。
3)振动数据高频段出现突出异常频率成分,并在其两侧存在以电源频率(50Hz)或电源频率倍频为间隔的边频,如图2所示。
4)振动数据的频谱中在高于传感器频响上限频段存在明显的频率成分,如图3所示,其中振动传感器的频响范围为0.1-6kHz。
假定振动数据序列X=[x1,x2,x3,…,xn],其中xi(i=1…n)为振动序列中的数据点,n为数据长度。
因电磁干扰导致的振动数据超传感器量程的异常检测步骤如下:
(1)计算边缘数据采集设备每次上传振动数据的最大值max_a,最小值min_a;
(2)比较max_a和传感器量程上限的大小,比较min_a和传感器量程下限的大小,若max_a>传感器量程上限或min_a<传感器量程下限,判断振动数据超出传感器量程。
振动数据低频段受电源频率(50Hz)及其谐波干扰的异常检测步骤如下:
(1)计算原始振动数据X的FFT(快速傅里叶变换)频谱S;
(2)判断FFT频谱中在电源频率的前n次谐波对应的频率点处是否存在明显的谱线,其中n优选地可介于2-8之间。具体地可以取例如50Hz、100Hz、150Hz、200Hz四个频率点处是否存在明显的谱线,具体方法如下:
(a)在50Hz、100Hz、150Hz、200Hz附近分别设定一个频率搜索区间。如,50Hz频率搜索区间[49.5,50.5],100Hz频率搜索区间:[99.5,100.5],150Hz频率搜索区间:[149.5,150.5],200Hz频率搜索区间[199.5Hz,200.5Hz];
(b)计算各频率区间内频谱S的最大值,分别为max_s1、max_s2、max_s3、max_s4;计算各频率区间内频谱S的均值,分别为mean_s1、mean_s2、mean_s3、mean_s4;
(c)若在任一频率区间且max_st>th2,则判断振动数据异常。其中,th1为信噪比阈值,th1取值可介于3-15之间,th1取值越大,所限定的信噪比越高;th2为电磁干扰频率幅值阈值,取值可介于传感器量程范围(即,传感器量程上限-传感器量程下限)的0.001%-0.1%之间,th2取值越小电磁干扰异常检测越严格。
振动数据高频段受电磁干扰异常检测的步骤如下:
(1)设定带通滤波器滤波带宽B,B取值可介于600Hz-1000Hz之间。在高频段(1000Hz以上)以B为固定滤波带宽,对原始振动数据X进行滑动带通滤波,滑动步长为s(0<s≤B),滤波后各段振动数据分别为Y1,Y2,…,Yn,其中n为带通滤波器滑动次数;
(2)计算Y1,Y2,…,Yn的包络谱,分别为E1,E2,…,En;
(3)若任一包络谱Ei(i=1,2,…,n)在电源频率的前n次谐波对应的频率点处存在明显的谱线,其中n优选地可介于2-8之间。具体可以取例如50Hz、100Hz、150Hz、200Hz中的一个或多个频率点处如果出现明显的谱线,则判断振动数据异常。明显谱线的具体识别方法如下:
(a)在50Hz、100Hz、150Hz、200Hz附近分别设定一个频率搜索区间。如,50Hz频率搜索区间[49.5,50.5],100Hz频率搜索区间:[99.5,100.5],150Hz频率搜索区间:[149.5,150.5],200Hz频率搜索区间[199.5Hz,200.5Hz];
(b)计算各频率区间内包络谱Ei的最大值,分别为max_e1、max_e2、max_e3、max_e4;计算各频率区间内频谱Ei的均值,分别为mean_e1、mean_e2、mean_e3、mean_e4;
(c)若在任一频率区间且max_et>th2′,判断振动数据异常。其中,th1′为信噪比阈值,th1′取值可介于3-15之间,th1′取值越大,所限定的信噪比越高;th2′为电磁干扰频率幅值阈值,取值可介于传感器量程范围的0.001%-0.1%之间,th2′取值越小电磁干扰异常检测越严格。
高于振动传感器频响上限频段受电磁干扰异常检测具体步骤如下:
(1)计算原始振动数据X的FFT(快速傅里叶变换)频谱S;
(2)在高于振动传感器频响上限频段内计算S的最大值max_s=max(S);
(3)若max_s>th,则说明高于振动传感器频响上限频段内出现了明显的频率成分,判断振动数据异常。其中,th为电磁干扰频率幅值阈值,取值可介于传感器量程范围的0.001%-0.1%之间,th取值越小电磁干扰异常检测越严格。
实施例
下面采用仿真数据对本发明中所涉及到的振动数据电磁干扰异常检测实施方式进行介绍。以采样频率fs=12800Hz,生成一组20s的电磁干扰振动数据,其振动波形如图5所示,对应频谱如图6所示。
利用本发明所述方法计算频谱中低频部分50Hz、100Hz、150Hz、200Hz对应的幅值分别为0.598m/s2、0.806m/s2、0.997m/s2、0m/s2。
采用带宽为800Hz的带通滤波器对高频部分(1000Hz-4500Hz)进行滑动带通滤波,滑动步长为400Hz,对滤波后的振动数据进行包络谱分析,并按本发明所述方法计算包络谱在50Hz、100Hz、150Hz、200Hz处的幅值E50,E100,E150,E200,计算结果如表1所示。
表1滑动滤波后包络谱中电磁干扰频率成分计算结果
滤波带宽 | E<sub>50</sub>(m/s<sup>2</sup>) | E<sub>100</sub>(m/s<sup>2</sup>) | E<sub>150</sub>(m/s<sup>2</sup>) | E<sub>200</sub>(m/s<sup>2</sup>) |
1000Hz-1800Hz | 0 | 0 | 0 | 0 |
1400Hz-2200Hz | 0 | 0 | 0 | 0 |
1800Hz-2600Hz | 0 | 0 | 0 | 0 |
2200Hz-3000Hz | 0 | 0 | 0 | 0 |
2600Hz-3400Hz | 0 | 0 | 0 | 0 |
3000Hz-3800Hz | 0 | 0 | 0 | 0 |
3400Hz-4200Hz | 0 | 1.195 | 0 | 0 |
3800Hz-4600Hz | 0 | 1.195 | 0 | 0 |
4200Hz-5000Hz | 0 | 0 | 0 | 0 |
假定传感器量程范围为1000m/s2,低频段电磁干扰阈值和高频段电磁干扰频率取值均取传感器量程范围的0.02%,为0.2m/s2。FFT频谱在低频段在50Hz、100Hz、150Hz处对应的幅值均大于0.2m/s2,可判断振动数据存在电磁干扰。同时,在3400Hz-4200Hz频段以及3800Hz-4600Hz频段在100Hz处均出现了高于0.2m/s2的频率成分,也可判断振动数据存在电磁干扰。
虽然本申请所揭露的实施方式如上,但所述的内容只是为了便于理解本申请而采用的实施方式,并非用以限定本申请。任何本申请所属技术领域内的技术人员,在不脱离本申请所揭露的精神和范围的前提下,可以在实施的形式上及细节上作任何的修改与变化,但本申请的专利保护范围,仍须以所附的权利要求书所界定的范围为准。
Claims (8)
1.一种振动数据电磁干扰的异常检测方法,其特征在于,包括振动数据低频段受电源频率及其谐波干扰的异常检测和振动数据高频段受电磁干扰的异常检测;
其中,振动数据低频段受电源频率及其谐波干扰的异常检测包括以下步骤:
(1.1)计算原始振动数据的FFT频谱;
(1.2)判断FFT频谱中在电源频率的前n次谐波对应的频率点处是否存在明显的谱线;
其中,振动数据高频段受电磁干扰的异常检测包括以下步骤:
(2.1)设定带通滤波器滤波带宽B,对原始振动数据进行滑动带通滤波,滑动步长为s,0<s≤B,滤波后各段振动数据分别为Y1,Y2,…,Yn,其中n为带通滤波器滑动次数;
(2.2)计算Y1,Y2,…,Yn的包络谱,分别为E1,E2,…,En;
(2.3)若任一包络谱Ei在电源频率的前n次谐波对应的频率点处存在明显的谱线,则判断振动数据异常,其中i=1,2,…,n;
其中,在步骤(1.2)中,判断是否存在明显谱线的方法如下:
(1a)在电源频率的前n次谐波对应的频率点处附近分别设定一个频率搜索区间;
(1b)计算各频率区间内频谱的最大值和均值;各频率区间的最大值分别为max_s1、max_s2…max_sn,各频率区间的均值分别为mean_s1、mean_s2…mean_sn;
3.根据权利要求2所述的异常检测方法,其特征在于,所述异常检测方法还包括高于振动传感器频响上限频段受电磁干扰的异常检测,具体步骤如下:
(1)计算原始振动数据的FFT频谱;
(2)在高于振动传感器频响上限频段内计算FFT频谱的最大值max_s;
(3)若max_s>电磁干扰频率幅值阈值,则说明高于振动传感器频响上限频段内出现了明显的频率成分,判断振动数据异常。
4.根据权利要求3所述的异常检测方法,其特征在于,所述异常检测方法还包括因电磁干扰导致的振动数据超传感器量程的异常检测,具体步骤如下:
(1)计算边缘数据采集设备每次上传振动数据的最大值和最小值;
(2)比较最大值和传感器量程上限以及最小值和传感器量程下限的大小,如果最大值大于传感器量程的上限或者最小值小于传感器量程的下限,判断振动数据超出传感器量程。
5.根据权利要求1-4中任一项所述的异常检测方法,其特征在于,前n次谐波中的n取值介于2-8之间。
6.根据权利要求1所述的异常检测方法,其特征在于,th1取值介于3-15之间,th2的取值介于传感器量程范围的0.001%-0.1%之间。
7.根据权利要求2所述的异常检测方法,其特征在于,th1′取值介于3-15之间,th2′的取值介于传感器量程范围的0.001%-0.1%之间。
8.根据权利要求3所述的异常检测方法,其特征在于,电磁干扰频率幅值阈值介于传感器量程范围的0.001%-0.1%之间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911120553.XA CN110793622B (zh) | 2019-11-15 | 2019-11-15 | 一种振动数据电磁干扰的异常检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911120553.XA CN110793622B (zh) | 2019-11-15 | 2019-11-15 | 一种振动数据电磁干扰的异常检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110793622A CN110793622A (zh) | 2020-02-14 |
CN110793622B true CN110793622B (zh) | 2021-10-15 |
Family
ID=69444978
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911120553.XA Active CN110793622B (zh) | 2019-11-15 | 2019-11-15 | 一种振动数据电磁干扰的异常检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110793622B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111257676B (zh) * | 2020-02-24 | 2021-04-13 | 西安电子科技大学 | 一种电磁脉冲干扰测试*** |
CN112415168B (zh) * | 2020-12-31 | 2021-06-15 | 西藏江硕环保科技有限公司 | 一种基于互联网的水质监测管理*** |
CN112858960B (zh) * | 2021-02-28 | 2022-07-22 | 哈尔滨工业大学 | 一种飞机尾杆振动引起的磁干扰的补偿方法及装置 |
CN116448236B (zh) * | 2023-06-20 | 2023-09-12 | 安徽容知日新科技股份有限公司 | 边缘端振动监测***及方法、计算机可读存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104359674A (zh) * | 2014-10-20 | 2015-02-18 | 广东电网有限责任公司电力科学研究院 | 基于时域与频域状态监测的高速滚动轴承故障诊断方法 |
CN104408288A (zh) * | 2014-10-28 | 2015-03-11 | 燕山大学 | 基于小波和参数补偿的多稳态随机共振微弱信号检测方法 |
CN104596756A (zh) * | 2015-02-02 | 2015-05-06 | 华北电力大学 | 用于旋转机械故障诊断的多频带包络谱阵 |
CN104819766A (zh) * | 2015-05-13 | 2015-08-05 | 西安交通大学 | 基于谐噪比的包络解调频带确定方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018020618A1 (ja) * | 2016-07-27 | 2018-02-01 | 富士通株式会社 | 異常検出プログラム、異常検出装置、及び異常検出方法 |
-
2019
- 2019-11-15 CN CN201911120553.XA patent/CN110793622B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104359674A (zh) * | 2014-10-20 | 2015-02-18 | 广东电网有限责任公司电力科学研究院 | 基于时域与频域状态监测的高速滚动轴承故障诊断方法 |
CN104408288A (zh) * | 2014-10-28 | 2015-03-11 | 燕山大学 | 基于小波和参数补偿的多稳态随机共振微弱信号检测方法 |
CN104596756A (zh) * | 2015-02-02 | 2015-05-06 | 华北电力大学 | 用于旋转机械故障诊断的多频带包络谱阵 |
CN104819766A (zh) * | 2015-05-13 | 2015-08-05 | 西安交通大学 | 基于谐噪比的包络解调频带确定方法 |
Non-Patent Citations (2)
Title |
---|
基于振动信号的多线切割机轴承箱故障诊断的研究;宛沪生;《中国优秀硕士学位论文全文数据库 信息科技辑》;20180615;第4,13,27页 * |
油膜支承可倾瓦轴承振动信号处理方法研究;张晓涛;《中国博士学位论文全文数据库 工程科技Ⅱ辑》;20181215(第12期);第22-26页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110793622A (zh) | 2020-02-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110793622B (zh) | 一种振动数据电磁干扰的异常检测方法 | |
CN109883702B (zh) | 一种基于时频域统计特征的电机轴承故障诊断方法 | |
CN110160791B (zh) | 基于小波-谱峭度的感应电机轴承故障诊断***及诊断方法 | |
US8924184B2 (en) | Pitot tube diagnostic systems and methods | |
KR101482509B1 (ko) | 베어링 결함 진단 시스템 및 그 진단 방법 | |
CA2749089A1 (en) | System and method for motor fault detection using stator current noise cancellation | |
CN111983400A (zh) | 主动式光伏组串直流电弧故障检测和故障定位***及方法 | |
CN113109051B (zh) | 基于振动数据极差序列的故障预警方法和*** | |
Kim et al. | Motor-current-based electromagnetic interference de-noising method for rolling element bearing diagnosis using acoustic emission sensors | |
CN107478729A (zh) | 流体机械叶片多裂纹的声发射检测方法 | |
CN112233695A (zh) | 基于人工智能和大数据的加油机异音分析及故障预警*** | |
CN110987433B (zh) | 一种基于高频信号特征幅值的轴承故障预警方法 | |
US10928436B2 (en) | Evaluation of phase-resolved partial discharge | |
CN112505501B (zh) | 一种基于电声联合的局部放电严重等级判别及预警方法 | |
CN103821750B (zh) | 一种基于电流的通风机失速和喘振监测及诊断方法 | |
Lin et al. | Measurement and analysis of current signals for gearbox fault recognition of wind turbine | |
CN108519526B (zh) | 一种判断变压器谐波负载运行状态的方法及*** | |
CN107505337A (zh) | 一种复合绝缘子缺陷检测用微波反射信号特征数据库 | |
CN210465590U (zh) | 一种变电站高压室设备状态在线监测*** | |
CN116593842A (zh) | 一种宽频带、带滤波功能的电缆局部放电检测***及方法 | |
KR20180032962A (ko) | 부분방전 진단 장치 및 방법 | |
CN110703080B (zh) | 一种gis尖刺放电诊断方法、放电程度识别方法及装置 | |
CN109034084A (zh) | 一种基于快速kurtogram算法的高压断路器振动信号降噪方法 | |
CN114044431B (zh) | 乘客输送装置的梯级滚轮异常监测方法、装置及乘客输送装置 | |
Thirumala et al. | A generalized empirical wavelet transform for classification of power quality disturbances |
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 |