CN111398820A - 一种电机健康状态在线监测方法 - Google Patents
一种电机健康状态在线监测方法 Download PDFInfo
- Publication number
- CN111398820A CN111398820A CN202010378677.4A CN202010378677A CN111398820A CN 111398820 A CN111398820 A CN 111398820A CN 202010378677 A CN202010378677 A CN 202010378677A CN 111398820 A CN111398820 A CN 111398820A
- Authority
- CN
- China
- Prior art keywords
- frequency
- motor
- signal
- acceleration
- calculating
- 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.)
- Pending
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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/04—Bearings
- G01M13/045—Acoustic or vibration analysis
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明提供了一种电机健康状态在线监测方法,包括如下步骤:S1、实时获取电机驱动端和非驱动端的加速度信号、供电电路的电流信号和外壳的温度信号,且加速度信号的采样频率和电流信号的采样频率相同;S2、计算各个信号的特征值;S3、获取电机的健康特征向量和样本特征向量,计算每个样本特征向量和健康特征向量之间的欧式距离,并做统计分布,计算其标准差σ作为健康基准;S4、获取监测特征向量,计算监测特征向量和健康特征向量之间的欧式距离d,根据d和σ的关系判断电机健康状态。本发明综合考虑了加速度信号、电流信号、温度信号和电机健康状态之间的关系,成本低,监测结果准确。
Description
技术领域
本发明涉及故障监测领域,特别是涉及电机故障的在线监测。
背景技术
交流电机在工业领域中有着极为广泛的应用,其运行状态直接影响生产线的正常运转。因此,监测电机的运行状态和可能的故障至关重要。电机的故障主要包括电气故障、机械轴系故障和机械轴承故障等,其中,电气故障主要有缺相运行、绕组短路、绕组接地等,常用监测手段有电流、电流、电压、温度、振动等,机械轴系故障主要有不平衡、不对中、基础松动等,常用监测手段有振动,机械轴承故障主要有轴承内圈、外圈、保持架、滚动体损坏,轴承间隙过大等,常用监测手段有振动和温度。
随着自动化不断发展以及人力成本不断提高,制造企业越来越多的应用在线监测手段对设备故障征兆进行管理,包括从PLC/SCADA中获取数据,对电机的控制电流、电压进行趋势监测,主要用于发现电机的电气故障。另一方面,点巡检主要通过手持振动监测仪器,定期监测电机的轴系、轴承、以及附属装置的振动,建立设备运行状态历史趋势。同时,通过对振动原始数据的机理分析,诊断如不对中、基础松动、轴承损坏等故障。由于点巡检的振动测量数据量大,且和PLC/SCADA中获取的数据通常不属于同一个***,因此这两种监测手段通常独立存在。
电流电压的监测通常用于实时控制和启动故障诊断。比如,专利CN105186931A公开了一种异步电机启动过程故障电流的识别方法,对异步电机的电压和电流进行高速数字采样,通过等效BH曲线的变化识别启动电流和故障电流。专利CN102135600A提出了一种故障检测装置及方法,用于对电动机的初步故障进行检测,通过对电动机的电压和电流测量,并根据测量结果获得匝间短路故障、转子断条与轴承故障的故障指数,为分析异步电动机初期故障提供依据,为电机的维护维修提出建议。
目前,也出现了很多基于大数据方法的电机故障检测方法。例如,专利CN105137354B公开了一种基于神经网络的电机故障检测方法,包括收集电机运行参数的历史电流数据,整理电机运行参数历史数据并形成样本,根据样本设计神经网络的结构,训练和检测神经网络样本,并通过神经网络检测电机状态。专利CN102033200A公开了一种基于统计模型的交流电机在线检测和诊断方法,通过辨识一套与电机***电气和机械故障相关的电机的电压和电流信号状态特征量,用多变量统计的方法建立统计模型,用自学习的方式确定模型偏出正常时的报警限和各变量的贡献度,从而预警电机***的缺陷所在。
上述发明都是基于电流电压等过程信号进行的分析,用于诊断电机的电气故障。在现场,工程人员经常采用振动监测对电机的机械故障进行诊断。专利CN101710162A公开了基于定子铁心振动的电机转子绕组匝间短路故障诊断方法,利用数据采集仪在线采集振动传感器所输出的定子铁心振动信号,并对该信号进行快速傅立叶变换,得到定子铁心振动频谱图,最后根据定子铁心振动信号中所含故障特征信号的幅值变化量来判断是否存在转子绕组匝间短路故障。专利CN107561441A公开了一种基于振动信号的异步电机转子断条故障判断方法,利用加速度压电传感器通过磁座固定在异步电机的外壳位置上,进行振动信号的采集来检测转子断条故障,降低了误判率。
振动和电流信号的特征都是电机状态最有效的指标。但由于振动的数据量较大,每个测点每秒钟的采样次数可以高达几万次,因此即使使用在线监测方法,也无法将原始数据放入PLC/SCADA***中,与电流电压等信号进行综合分析。因此,常规的监测方法要么是通过在PLC/SCADA中对电流电压进行监测,诊断设备的电气故障,要么通过手持设备进行振动监测,判断设备的机械故障。
在实际生产实践中,设备运维人员往往管理着大量的电机,日常的点检工作繁重。相对于电机的具体故障类型和故障位置,设备运维人员首先更关注哪些设备处于亚健康状态,再有针对性的对亚健康状态电机进行重点检测和分析,这样不仅节约设备运维人员的时间,也可以提高维护效率,经济上更行之有效。因此,迫切需要一种更有效的监测方法,能够同步采集电流和振动信息,并对他们进行特征提取,通过对于电机状态密切相关的运行特征的关联分析,判断处于亚健康或异常状态的电机,并反馈给电机运维人员,以便有针对性的对相关电机进行进一步的诊断。
发明内容
有鉴于此,本发明提供的一种电机健康状态在线监测方法,至少能够部分的解决现有技术中存在的问题,为了达到上述目的,本发明采取的技术方案为:
一种电机健康状态在线监测方法,包括如下步骤:
S1、实时采集电机三个位置的加速度信号,该三个位置分别位于驱动端垂直于轴线的水平方向、驱动端上方垂直于轴线的竖直方向以及非驱动端上方垂直于轴线的竖直方向,并且实时采集电机供电电路中至少一路的电流信号以及电机外壳的温度信号,且加速度信号的采样频率和电流信号的采样频率相同;
S2、计算由步骤S1获取的各个信号的特征值;
S3、在设备正常运转情况下,计算120秒内步骤S2的所有特征值各自的平均值,作为电机的健康特征向量,计算24小时内每秒钟步骤S2的所有特征值并构成对应的样本特征向量,计算每个样本特征向量和健康特征向量之间的欧式距离,并做统计分布,计算其标准差σ作为健康基准;
S4、每隔2小时,采样时间为10秒,计算步骤S2中所有特征值各自的平均值,作为监测特征向量,并计算监测特征向量和健康特征向量之间的欧式距离d,若d<σ,则认为电机运转正常,若σ≤d≤2σ,则认为电机处于亚健康状态,若d>2σ,则认为电机状态异常并发出警报。
更进一步地,步骤S2获取的各个信号的特征值包括:每秒加速度时域信号的峰值、有效值以及加速度信号频谱的倍频幅值、2倍频幅值、3倍频幅值、4倍频幅值、5倍频幅值,每秒速度时域信号的峰值、有效值,每秒加速度包络信号的峰值、有效值以及包络信号频谱在故障频率下的幅值,每秒加速度信号频谱在低频段、中频段和高频段的能量;每秒电流时域信号的峰值、有效值以及电流信号频谱的倍频幅值、2倍频幅值、3倍频幅值、4倍频幅值、5倍频幅值;每秒温度信号的平均值。
更进一步地,获取信号的j倍频幅值(1≤j≤5)时首先需要计算的电机旋转频率f0由电流信号根据下列公式来确定:
更进一步地,速度时域信号的获取步骤是:
(1)去掉加速度时域信号中的直流信号;
(2)进行FFT变换得到加速度的DFT频谱;
(3)将加速度传感器有效频段范围以外的数据置零;
(4)进行频域积分得到速度的DFT频谱;
(5)进行IFFT变换得到速度的时域信号。
更进一步地,所述故障频率包括轴承外圈故障频率f1、内圈故障频率f2、滚动体单故障频率f3和保持架故障频率f4,其计算公式分别如下:
其中,f0为电机的旋转频率,n为滚珠的个数,d为滚动体的直径,D为轴承的节径,α为滚动体的接触角。
优选的,加速度信号和电流信号的采样频率为32KHz,温度信号的采样频率为1Hz,且所述加速度信号频谱的低频段区间为[1Hz,1KHz),中频段区间为[1KHz,5KHz],高频段区间为(5KHz,16KHz]。
本发明相比现有技术具有以下明显的优点:
1、综合考虑了加速度信号、电流信号、温度信号和电机健康状态之间的关系,对各个信号进行特征提取并通过统计学方法获得健康基准,成本低,监测结果准确;
2、提高手工巡检工作的针对性,降低电机运维人员手工巡检的强度。
附图说明
图1为本发明实施例传感器安装位置示意图;
图2为本发明实施例的在线监测流程图;
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,下文中将结合附图对本发明的实施例进行详细说明。需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互任意组合。
一种电机健康状态在线监测方法,具体包括如下步骤:
S1、如图1~图2所示,在电机1周围布置三个加速度传感器来采集轴承和轴系的加速度信号,其中加速度传感器2和加速度传感器3分别安装在垂直于电机1输出轴轴线的驱动端上方竖直方向和水平方向,加速度传感器4安装在垂直于电机1输出轴轴线的非驱动端上方竖直方向,加速度信号的采样频率为32KHz,在电机1的接线盒的外侧安装霍尔电流传感器6,采集电机供电电路中至少一路的电流信号,电流信号的采集频率与加速度信号相同,在电机1的外壳布置温度传感器5,监测电机绕组的温度,采集频率为1Hz。
S2、计算由加速度信号、电流信号和温度信号获取的特征值,加速度信号的特征值包括:每秒加速度时域信号的峰值、有效值以及加速度信号频谱的倍频幅值、2倍频幅值、3倍频幅值、4倍频幅值、5倍频幅值,每秒速度时域信号的峰值、有效值,每秒加速度包络信号的峰值、有效值以及包络信号频谱在故障频率下的幅值,每秒加速度信号频谱在低频段、中频段和高频段的能量;电流信号的特征值包括:每秒电流时域信号的峰值、有效值以及电流信号频谱的倍频幅值、2倍频幅值、3倍频幅值、4倍频幅值、5倍频幅值;温度信号的特征值为每秒温度信号值。
加速度信号特征值的计算过程如下:
首先,计算每秒加速度时域信号的峰值和有效值,并对该时域信号做FFT变换,得到加速度的频谱,分别计算其倍频幅值、2倍频幅值、3倍频幅值、4倍频幅值、5倍频幅值,所谓信号的倍频幅值是指该信号频谱图上对应于电机旋转频率的幅值,同理,信号的2倍频幅值是指该信号频谱图上对应于电机旋转频率2倍的幅值,以此类推;电机旋转频率f0由电流信号根据下列公式来确定:
其次,通过加速度时域信号求得速度时域信号,并分别计算每秒速度时域信号的峰值和有效值,所述速度时域信号的获取步骤是:
(1)去掉加速度时域信号中的直流信号;
(2)进行FFT变换得到加速度的DFT频谱;
(3)将加速度传感器有效频段范围以外的数据置零;
(4)进行频域积分得到速度的DFT频谱;
(5)进行IFFT变换得到速度的时域信号。
再次,对加速度时域信号进行包络分析得到包络信号,分别获取每秒包络信号的峰值和有效值,并对包络信号做FFT变换得到包络信号的频谱,分别计算其在故障频率下的幅值,故障频率包括轴承外圈故障频率f1、内圈故障频率f2、滚动体单故障频率f3和保持架故障频率f4,其计算公式分别如下:
其中,f0为电机的旋转频率,n为滚珠的个数,d为滚动体的直径,D为轴承的节径,α为滚动体的接触角。
最后,分别获取每秒加速度信号频谱在低频段、中频段和高频段的能量,其中,低频段区间为[1Hz,1KHz),中频段区间为[1KHz,5KHz],高频段区间为(5KHz,16KHz]。
电流信号特征值的计算过程如下:
计算每秒电流时域信号的峰值和有效值,并对该时域信号做FFT变换,得到电流信号的频谱,分别计算其倍频幅值、2倍频幅值、3倍频幅值、4倍频幅值、5倍频幅值。
温度信号的特征值为获取的每秒温度信号值。
S3、在设备正常运转情况下,计算120秒内步骤S2的所有特征值各自的平均值,作为电机的健康特征向量X,计算24小时(86400秒)内每秒钟步骤S2的所有特征值并构成对应的样本特征向量Y1,Y2,...,Yn,计算每个样本特征向量Yi(1≤i≤86400)和健康特征向量X之间的欧式距离,并做统计分布,计算其标准差σ作为健康基准。
S4、每隔2小时,采样时间为10秒,计算步骤S2的所有特征值各自的平均值,作为监测特征向量Zi,并计算监测特征向量Zi和健康特征向量X之间的欧式距离d,若该距离小于一个标准差,即d<σ,则认为电机运转正常,健康指示灯为绿色,若该距离介于一个标准差和两个标准差之间,即σ≤d≤2σ,则认为电机处于亚健康状态,健康指示灯为黄色,若该距离大于两个标准差,即d>2σ,则认为电机状态异常,健康指示灯为红色,并发出警报。
更进一步地,可以对各加速度特征值、电流特征值、温度特征值给予不同的加权系数,通过这种方法,可以对故障进行进一步细分,方便现场检修人员更有诊针对性的进行故障检修。
虽然本发明所揭露的实施方式如上,但其内容只是为了便于理解本发明而采用的实施方式,并非用以限定本发明。任何本发明所属技术领域内的技术人员,在不脱离本发明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,但本发明的专利保护范围,仍须以所附的权利要求书所界定的范围为准。
Claims (6)
1.一种电机健康状态在线监测方法,其特征在于,包括如下步骤:
S1、实时采集电机三个位置的加速度信号,该三个位置分别位于驱动端垂直于轴线的水平方向、驱动端上方垂直于轴线的竖直方向以及非驱动端上方垂直于轴线的竖直方向,并且实时采集电机供电电路中至少一路的电流信号以及电机外壳的温度信号,且加速度信号的采样频率和电流信号的采样频率相同;
S2、计算由步骤S1获取的各个信号的特征值;
S3、在设备正常运转情况下,计算120秒内步骤S2的所有特征值各自的平均值,作为电机的健康特征向量,计算24小时内每秒钟步骤S2的所有特征值并构成对应的样本特征向量,计算每个样本特征向量和健康特征向量之间的欧式距离,并做统计分布,计算其标准差σ作为健康基准;
S4、每隔2小时,采样时间为10秒,计算步骤S2中所有特征值各自的平均值,作为监测特征向量,并计算监测特征向量和健康特征向量之间的欧式距离d,若d<σ,则认为电机运转正常,若σ≤d≤2σ,则认为电机处于亚健康状态,若d>2σ,则认为电机状态异常并发出警报。
2.如权利要求1所述的一种电机健康状态在线监测方法,其特征在于,步骤S2获取的各个信号的特征值包括:每秒加速度时域信号的峰值、有效值以及加速度信号频谱的倍频幅值、2倍频幅值、3倍频幅值、4倍频幅值、5倍频幅值,每秒速度时域信号的峰值、有效值,每秒加速度包络信号的峰值、有效值以及包络信号频谱在故障频率下的幅值,每秒加速度信号频谱在低频段、中频段和高频段的能量;每秒电流时域信号的峰值、有效值以及电流信号频谱的倍频幅值、2倍频幅值、3倍频幅值、4倍频幅值、5倍频幅值;每秒温度信号的平均值。
4.如权利要求3所述的一种电机健康状态在线监测方法,其特征在于,所述速度时域信号的获取步骤是:
(1)去掉加速度时域信号中的直流信号;
(2)进行FFT变换得到加速度的DFT频谱;
(3)将加速度传感器有效频段范围以外的数据置零;
(4)进行频域积分得到速度的DFT频谱;
(5)进行IFFT变换得到速度的时域信号。
6.如权利要求2所述的一种电机健康状态在线监测方法,其特征在于,加速度信号和电流信号的采样频率为32KHz,温度信号的采样频率为1Hz,且所述加速度信号频谱的低频段区间为[1Hz,1KHz),中频段区间为[1KHz,5KHz],高频段区间为(5KHz,16KHz]。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010378677.4A CN111398820A (zh) | 2020-05-07 | 2020-05-07 | 一种电机健康状态在线监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010378677.4A CN111398820A (zh) | 2020-05-07 | 2020-05-07 | 一种电机健康状态在线监测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111398820A true CN111398820A (zh) | 2020-07-10 |
Family
ID=71433635
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010378677.4A Pending CN111398820A (zh) | 2020-05-07 | 2020-05-07 | 一种电机健康状态在线监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111398820A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112322829A (zh) * | 2020-10-12 | 2021-02-05 | 首钢京唐钢铁联合有限责任公司 | 一种用于检测炼钢转炉氧枪电机绕组接地的方法及*** |
CN112325932A (zh) * | 2020-10-28 | 2021-02-05 | 广东寰球智能科技有限公司 | 基于交流电机的监测方法及监测装置 |
CN112417622A (zh) * | 2020-12-04 | 2021-02-26 | 五凌电力有限公司 | 机组机械振动的评估方法、***、计算机设备和存储介质 |
CN112539827A (zh) * | 2020-12-04 | 2021-03-23 | 五凌电力有限公司 | 基于频率能量占比的机组机械振动评估方法和*** |
CN112729815A (zh) * | 2020-12-21 | 2021-04-30 | 云南迦南飞奇科技有限公司 | 基于无线网络的输送线健康状况在线故障大数据预警方法 |
CN113240000A (zh) * | 2021-05-10 | 2021-08-10 | 北京航空航天大学 | 机器状态监测方法、可读存储介质及电子设备 |
WO2022155791A1 (zh) * | 2021-01-19 | 2022-07-28 | 贵州电网有限责任公司 | 一种基于电气特征序列分析的电瓶车充电状态分析方法 |
CN115144182A (zh) * | 2022-09-01 | 2022-10-04 | 杭州景业智能科技股份有限公司 | 轴承健康状态监测方法、装置、计算机设备及存储介质 |
CN115293302A (zh) * | 2022-10-09 | 2022-11-04 | 华能信息技术有限公司 | 一种发电厂数据管理综合***及方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103995229A (zh) * | 2014-05-21 | 2014-08-20 | 浙江工业大学 | 一种基于特征选取和马氏距离的电机健康监测和异常诊断方法 |
CN107544025A (zh) * | 2017-08-30 | 2018-01-05 | 马鞍山马钢华阳设备诊断工程有限公司 | 一种综合电信号和振动信号的异步电机转子断条故障判断方法 |
CN109883702A (zh) * | 2019-03-05 | 2019-06-14 | 西安交通大学 | 一种基于时频域统计特征的电机轴承故障诊断方法 |
-
2020
- 2020-05-07 CN CN202010378677.4A patent/CN111398820A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103995229A (zh) * | 2014-05-21 | 2014-08-20 | 浙江工业大学 | 一种基于特征选取和马氏距离的电机健康监测和异常诊断方法 |
CN107544025A (zh) * | 2017-08-30 | 2018-01-05 | 马鞍山马钢华阳设备诊断工程有限公司 | 一种综合电信号和振动信号的异步电机转子断条故障判断方法 |
CN109883702A (zh) * | 2019-03-05 | 2019-06-14 | 西安交通大学 | 一种基于时频域统计特征的电机轴承故障诊断方法 |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112322829A (zh) * | 2020-10-12 | 2021-02-05 | 首钢京唐钢铁联合有限责任公司 | 一种用于检测炼钢转炉氧枪电机绕组接地的方法及*** |
CN112325932A (zh) * | 2020-10-28 | 2021-02-05 | 广东寰球智能科技有限公司 | 基于交流电机的监测方法及监测装置 |
CN112417622A (zh) * | 2020-12-04 | 2021-02-26 | 五凌电力有限公司 | 机组机械振动的评估方法、***、计算机设备和存储介质 |
CN112539827A (zh) * | 2020-12-04 | 2021-03-23 | 五凌电力有限公司 | 基于频率能量占比的机组机械振动评估方法和*** |
CN112729815A (zh) * | 2020-12-21 | 2021-04-30 | 云南迦南飞奇科技有限公司 | 基于无线网络的输送线健康状况在线故障大数据预警方法 |
WO2022155791A1 (zh) * | 2021-01-19 | 2022-07-28 | 贵州电网有限责任公司 | 一种基于电气特征序列分析的电瓶车充电状态分析方法 |
CN113240000A (zh) * | 2021-05-10 | 2021-08-10 | 北京航空航天大学 | 机器状态监测方法、可读存储介质及电子设备 |
CN113240000B (zh) * | 2021-05-10 | 2022-08-23 | 北京航空航天大学 | 机器状态监测方法、可读存储介质及电子设备 |
CN115144182A (zh) * | 2022-09-01 | 2022-10-04 | 杭州景业智能科技股份有限公司 | 轴承健康状态监测方法、装置、计算机设备及存储介质 |
CN115144182B (zh) * | 2022-09-01 | 2023-01-17 | 杭州景业智能科技股份有限公司 | 轴承健康状态监测方法、装置、计算机设备及存储介质 |
CN115293302A (zh) * | 2022-10-09 | 2022-11-04 | 华能信息技术有限公司 | 一种发电厂数据管理综合***及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111398820A (zh) | 一种电机健康状态在线监测方法 | |
Siddiqui et al. | Health monitoring and fault diagnosis in induction motor-a review | |
CN102033200B (zh) | 基于统计模型的交流电机在线监测和诊断方法 | |
Mehala | Condition monitoring and fault diagnosis of induction motor using motor current signature analysis | |
EP3462602B1 (en) | Method and apparatus for online condition monitoring of variable speed motor applications | |
US8536839B2 (en) | Device and method for monitoring and/or analyzing rotors of electric machines in operation | |
Zoubek et al. | Frequency response analysis for rolling-bearing damage diagnosis | |
KR101298973B1 (ko) | 고압 유도전동기 종합 온라인 상태 진단 장치 및 방법 | |
CN102262215B (zh) | 一种大型发电机定转子气隙偏心故障检测方法 | |
CN110940917B (zh) | 一种电动机故障预警方法及*** | |
EP2702374A1 (en) | Method for monitoring demagnetization | |
CN111122191B (zh) | 一种基于ewma控制的设备安康报警阈值设定方法 | |
US20240053225A1 (en) | Method and Apparatus for Identifying an Abnormality in Mechanical Apparatus or Mechanical Component | |
Tian et al. | A review of fault diagnosis for traction induction motor | |
CN108169559B (zh) | 一种电机定子电流谱分析设备异常的判断方法 | |
KR101267946B1 (ko) | 모터 수명예측방법 | |
CN117786385A (zh) | 基于孪生网络的三相异步电动机故障监测方法及*** | |
Ciszewski | Induction motor bearings diagnostic indicators based on MCSA and normalized triple covariance | |
CN112034344A (zh) | 水轮发电机转子绕组匝间短路故障实时在线诊断方法 | |
Bae et al. | Fault diagnostic of induction motors for equipment reliability and health maintenance based upon Fourier and wavelet analysis | |
Misra et al. | An experimental study of rotor fault detection using motor current signature analysis based on neural networks | |
Sułowicz et al. | Specialized diagnostic system for induction motors | |
CN113609964A (zh) | 一种电机异常振动预警方法及*** | |
Khang et al. | Bearing fault detection of gear-box drive train using active filters | |
Amirat et al. | Modal Decomposition for Bearing Fault Detection |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200710 |
|
WD01 | Invention patent application deemed withdrawn after publication |