CN111456915A - 风机机舱内部部件的故障诊断装置及方法 - Google Patents
风机机舱内部部件的故障诊断装置及方法 Download PDFInfo
- Publication number
- CN111456915A CN111456915A CN202010234559.6A CN202010234559A CN111456915A CN 111456915 A CN111456915 A CN 111456915A CN 202010234559 A CN202010234559 A CN 202010234559A CN 111456915 A CN111456915 A CN 111456915A
- Authority
- CN
- China
- Prior art keywords
- component
- audio
- fault diagnosis
- fault
- original
- 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
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
- F03D—WIND MOTORS
- F03D17/00—Monitoring or testing of wind motors, e.g. diagnostics
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Wind Motors (AREA)
Abstract
本发明公开了一种风机机舱内部部件的故障诊断装置及方法。其中装置包括：至少一部件音频采集模块，分别对应风机机舱内部的一个部件，用于采集对应部件的原始运行音频；噪声音频采集模块，设置于机舱内部，用于采集所述风机机舱内部的环境噪声音频；故障诊断模块，用于分别计算每个部件的原始运行音频中所含的环境噪声分量，分别计算每个部件的实际运行音频，以及根据所述实际运行音频进行所述部件的故障诊断，所述实际运行音频等于所述原始运行音频与所含的环境噪声分量之差。本发明分别针对机舱部件本身的原始运行音频和外部的环境噪声进行采集，得到消除噪声的质量较高的部件的实际运行音频，从而进行部件的故障诊断，提高了诊断的准确性。
Description
技术领域
本发明属于故障诊断领域，尤其涉及一种风机机舱内部部件的故障诊断装置及方法。
背景技术
风机机舱内部的部件经常容易发生故障。目前故障诊断的方式主要包括以下几种：
(一)依靠工人巡检来识别部件故障，但人工巡检耗费人力，且不能实时反馈部件的健康状况；
(二)在风机机舱部件上安装振动传感器，传输出的振动信号，进行时频谱分析来识别故障，但振动传感器成本较高，且依赖专家经验来进行判别故障；
(三)在风机机舱内安装音频采集装置，利用捕获的声音信息来对风机机舱部件的状态进行判断，而风机机舱内部由于各种部件的运行，所产生的嘈杂噪声比较大，由此判断的故障结果存在着较大误差，准确性较低。
发明内容
本发明要解决的技术问题是为了克服现有技术通过风机机舱内捕获的声音判断部件故障而导致判断不准确的缺陷，提供一种风机机舱内部部件的故障诊断装置及方法。
本发明是通过以下技术方案解决上述技术问题的：
一种风机机舱内部部件的故障诊断装置，包括：
至少一部件音频采集模块，每个部件音频采集模块分别对应风机机舱内部的一个部件，所述部件音频采集模块设置于对应的部件上，用于采集对应的部件的原始运行音频；
噪声音频采集模块，设置于所述风机机舱内部，用于采集所述风机机舱内部的环境噪声音频；
故障诊断模块，用于根据所述环境噪声音频分别计算每个部件的原始运行音频中所含的环境噪声分量，分别计算每个部件的实际运行音频，以及根据所述实际运行音频进行所述部件的故障诊断，所述实际运行音频等于所述原始运行音频与所含的环境噪声分量之差。
较佳地，所述故障诊断装置还包括：
音频预处理模块，与每个部件音频采集模块连接，用于接收每个部件音频采集模块采集的原始运行音频形成混音音频，将所述混音音频拆分成每个部件单独的原始运行音频，将拆分后的原始运行音频传输至所述故障诊断模块。
较佳地，根据所述实际运行音频进行所述部件的故障诊断，具体包括：
从所述实际运行音频中提取频域特征、能量域特征和时域特征中的至少一种；
将所述频域特征、所述能量域特征和所述时域特征中的至少一种输入故障诊断模型，得到所述故障诊断模型输出的故障诊断结果，所述故障诊断模型包括用于判断所述部件是否故障的故障判断模型和/或用于识别所述部件的故障类型的故障分类模型。
较佳地，所述故障诊断装置还包括：
故障报警模块，用于在所述部件故障时发出报警信号。
较佳地，所述环境噪声分量＝[|部件的原始运行音频波形*环境噪声音频波形|/(|部件的原始运行音频波形|*|环境噪声音频波形|)]*环境噪声音频波形。
较佳地，所述部件为齿轮箱、主轴和发电机输入端之中的至少一种。
一种风机机舱内部部件的故障诊断方法，包括：
采集风机机舱内部至少一部件的原始运行音频及所述风机机舱内部的环境噪声音频；
根据所述环境噪声音频分别计算每个部件的原始运行音频中所含的环境噪声分量；
分别计算每个部件的实际运行音频，所述实际运行音频等于所述原始运行音频与所含的环境噪声分量之差；
根据所述实际运行音频进行所述部件的故障诊断。
较佳地，所述故障诊断方法还包括：
在所有部件的原始运行音频形成混音音频时，将所述混音音频拆分成每个部件单独的原始运行音频。
较佳地，根据所述实际运行音频进行所述部件的故障诊断的步骤具体包括：
从所述实际运行音频中提取频域特征、能量域特征和时域特征中的至少一种；
将所述频域特征、所述能量域特征和所述时域特征中的至少一种输入故障诊断模型，得到所述故障诊断模型输出的故障诊断结果，所述故障诊断模型包括用于判断所述部件是否故障的故障判断模型和/或用于识别所述部件的故障类型的故障分类模型。
较佳地，所述故障诊断方法还包括：
在所述部件故障时发出报警信号。
较佳地，所述环境噪声分量＝[|部件的原始运行音频波形*环境噪声音频波形|/(|部件的原始运行音频波形|*|环境噪声音频波形|)]*环境噪声音频波形。
较佳地，所述部件为齿轮箱、主轴和发电机输入端之中的至少一种。
在符合本领域常识的基础上，上述各优选条件，可任意组合，即得本发明各较佳实例。
本发明的积极进步效果在于：本发明的风机机舱内部部件的故障诊断装置及方法通过设置在部件上的部件音频采集模块和设置于风机机舱内部的噪声音频采集模块，分别针对机舱部件本身的原始运行音频和外部的环境噪声都进行采集，经处理后得到消除噪声的质量较高的部件的实际运行音频，从而进行部件的故障诊断，提高了诊断的准确性。
附图说明
图1为本发明实施例1的一种风机机舱内部部件的故障诊断装置的示意框图。
图2为本发明实施例2的一种风机机舱内部部件的故障诊断方法的流程图。
具体实施方式
下面通过实施例的方式进一步说明本发明，但并不因此将本发明限制在所述的实施例范围之中。
实施例1
图1示出了本实施例的一种风机机舱内部部件的故障诊断装置。所述故障诊断装置包括至少一部件音频采集模块101(图1中仅是示意性地示出了三个，但本发明并不局限于此)、噪声音频采集模块102和故障诊断模块103。
每个部件音频采集模块101分别对应风机机舱内部的一个部件，所述部件音频采集模块101设置于对应的部件上，用于采集对应的部件的原始运行音频。所述噪声音频采集模块102设置于所述风机机舱内部，用于采集所述风机机舱内部的环境噪声音频。所述故障诊断模块103用于根据所述环境噪声音频分别计算每个部件的原始运行音频中所含的环境噪声分量，分别计算每个部件的实际运行音频，以及根据所述实际运行音频进行所述部件的故障诊断，所述实际运行音频等于所述原始运行音频与所含的环境噪声分量之差。
其中，所述部件可以分别为齿轮箱、主轴和发电机输入端。所述故障诊断装置可以相应地包括设置于齿轮箱上的齿轮箱部件音频采集模块，设置于主轴上的主轴部件音频采集模块，以及设置于发电机输入端上的发电机输入端部件音频采集模块。所述噪声音频采集模块102可以设置于所述风机机舱内部、位于所述齿轮箱、所述主轴和发电机输入端之间的位置，例如机舱立柱上。所述部件音频采集模块101和所述噪声音频采集模块102可以包括麦克风阵列。
本实施例中，每个部件音频采集模块101可以将原始运行音频间接传输给所述故障诊断模块103。间接传输的方式可以是部件音频采集模块101通过数据线或有线、无线网络将原始运行音频传输给某个中间模块，再由中间模块通过数据线或有线、无线网络将原始运行音频传输给故障诊断模块103。所述中间模块可以是一个模块或多个模块，中间模块可以具有某种功能，如对原始运行音频进行预处理。所述中间模块可以是音频预处理模块104。所述音频预处理模块104与每个部件音频采集模块101连接，还与所述故障诊断模块103连接。所述音频预处理模块104用于接收每个部件音频采集模块101采集的原始运行音频形成混音音频，将所述混音音频拆分成每个部件单独的原始运行音频，将拆分后的原始运行音频传输至所述故障诊断模块103。
当然在其他实施例中，每个部件音频采集模块101可以将原始运行音频直接传输给所述故障诊断模块103。直接传输的方式可以是部件音频采集模块101通过数据线或有线、无线网络将原始运行音频传输给故障诊断模块103。
为了及时上报故障、使技术人员及时处理故障，本实施例中的故障诊断装置还可以包括故障报警模块105。所述故障报警模块105用于在所述部件故障时发出报警信号。其中，报警信号可以采用多种形式，例如提示音、提示灯。
本实施例中，所述环境噪声分量可以通过以下公式计算：
环境噪声分量＝[|部件的原始运行音频波形*环境噪声音频波形|/(|部件的原始运行音频波形|*|环境噪声音频波形|)]*环境噪声音频波形。
由此可以得到部件的实际运行音频的计算公式：
部件的实际运行音频＝部件的原始运行音频波形-[|部件的原始运行音频波形*环境噪声音频波形|/(|部件的原始运行音频波形|*|环境噪声音频波形|)]*环境噪声音频波形。
所述故障诊断模块103根据所述实际运行音频进行所述部件的故障诊断可以采用机器学习算法实现，具体包括：
从所述实际运行音频中提取频域特征、能量域特征和时域特征中的至少一种，其中，所述时域特征可以包括音量、音量变化和零点通过率中的至少一种；所述频域特征可以包括中心频率、带宽、阈值频率和频谱跃迁中的至少一种，所述能量域特征可以包括MFCC特征；；
将所述频域特征、所述能量域特征和所述时域特征中的至少一种输入故障诊断模型，得到所述故障诊断模型输出的故障诊断结果。
所述故障诊断模型可以是用于判断所述部件是否故障的故障判断模型。当所述频域特征、所述能量域特征和所述时域特征输入所述故障判断模型时，所述故障判断模型的输出为所述部件是否发生故障。
所述故障诊断模型还可以是用于识别所述部件的故障类型的故障分类模型。当所述频域特征、所述能量域特征和所述时域特征输入所述故障分类模型时，所述故障分类模型的输出为所述部件发生哪种类型的故障。
所述故障判断模型和所述故障分类模型可以基于聚类算法和分类算法构建，例如利用预先收集的大量部件故障数据，通过KNN(邻近算法)、GARCH(广义自回归条件异方差模型)等聚类算法+SOM(自组织(竞争型)神经网络)等离群点检测算法来检测异常情况；有准确的数据标签和规则空间时，还可以使用SVM(支持向量机)等分类算法来进行正常、异常数据的分类。所述故障分类模型可识别的故障类型可以包括齿轮箱的齿轮裂纹，轴承磨损，变桨的齿轮裂纹和轴承磨损，主轴裂纹等等。
本实施例利用机器学习算法训练模型进行故障诊断，可以准确分析故障时部件的音频特点，有利于提高故障诊断的准确性。
在实际应用时，可以先利用故障判断模型判断部件是否故障，在判断出故障后，由所述故障报警模块105报警，同时利用故障分类模型进一步判断部件的故障类型。
本实施例的风机机舱内部部件的故障诊断装置通过设置在部件上的部件音频采集模块101和设置于风机机舱内部的噪声音频采集模块，分别针对机舱部件本身的原始运行音频和外部的环境噪声都进行采集，经处理后得到消除噪声的质量较高的部件的实际运行音频，从而进行部件的故障诊断，提高了诊断的准确性。
实施例2
图2示出了本实施例的一种风机机舱内部部件的故障诊断方法。所述故障诊断方法包括以下步骤：
步骤201：采集风机机舱内部至少一部件的原始运行音频及所述风机机舱内部的环境噪声音频。
步骤202：根据所述环境噪声音频分别计算每个部件的原始运行音频中所含的环境噪声分量。
步骤203：分别计算每个部件的实际运行音频，所述实际运行音频等于所述原始运行音频与所含的环境噪声分量之差。
步骤204：根据所述实际运行音频进行所述部件的故障诊断。
其中，所述部件可以分别为齿轮箱、主轴和发电机输入端。所述故障诊断方法可以利用设置于齿轮箱上的齿轮箱部件音频采集模块采集齿轮箱的原始运行音频，利用设置于主轴上的主轴部件音频采集模块采集主轴的原始运行音频，以及利用设置于发电机输入端上的发电机输入端部件音频采集模块采集发电机输入端的原始运行音频。所述故障诊断方法还可以利用设置于所述风机机舱内部、位于所述齿轮箱、所述主轴和发电机输入端之间的位置(例如机舱立柱上)的噪声音频采集模块采集环境噪声音频。所上述的各部件音频采集模块和所述噪声音频采集模块可以包括麦克风阵列。
采集的所有部件的原始运行音频可能因为数据传输问题而混在一起，因此，为了分离各部件的原始运行音频，所述故障诊断方法还可以在所有部件的原始运行音频形成混音音频时，将所述混音音频拆分成每个部件单独的原始运行音频。
为了及时上报故障、使技术人员及时处理故障，本实施例中的故障诊断方法还可以包括：
步骤205：在所述部件故障时发出报警信号。其中，报警信号可以采用多种形式，例如提示音、提示灯。
本实施例中，步骤202中的所述环境噪声分量可以通过以下公式计算：
环境噪声分量＝[|部件的原始运行音频波形*环境噪声音频波形|/(|部件的原始运行音频波形|*|环境噪声音频波形|)]*环境噪声音频波形。
由此可以得到部件的实际运行音频的计算公式：
部件的实际运行音频＝部件的原始运行音频波形-[|部件的原始运行音频波形*环境噪声音频波形|/(|部件的原始运行音频波形|*|环境噪声音频波形|)]*环境噪声音频波形。
本实施例中步骤205可以具体包括：
从所述实际运行音频中提取频域特征、能量域特征和时域特征中的至少一种，其中，所述时域特征可以包括音量、音量变化和零点通过率中的至少一种；所述频域特征可以包括中心频率、带宽、阈值频率和频谱跃迁中的至少一种，所述能量域特征可以包括MFCC特征；；
将所述频域特征、所述能量域特征和所述时域特征中的至少一种输入故障诊断模型，得到所述故障诊断模型输出的故障诊断结果。
所述故障诊断模型可以是用于判断所述部件是否故障的故障判断模型。当所述频域特征、所述能量域特征和所述时域特征输入所述故障判断模型时，所述故障判断模型的输出为所述部件是否发生故障。
所述故障诊断模型还可以是用于识别所述部件的故障类型的故障分类模型。当所述频域特征、所述能量域特征和所述时域特征输入所述故障分类模型时，所述故障分类模型的输出为所述部件发生哪种类型的故障。
所述故障判断模型和所述故障分类模型可以基于聚类算法构建和分类算法构建，例如利用预先收集的大量部件故障数据，通过KNN(邻近算法)、GARCH(广义自回归条件异方差模型)等聚类算法+SOM(自组织(竞争型)神经网络)等离群点检测算法来检测异常情况；有准确的数据标签和规则空间时，还可以使用SVM(支持向量机)等分类算法来进行正常、异常数据的分类。所述故障分类模型可识别的故障类型可以包括齿轮箱的齿轮裂纹，轴承磨损，变桨的齿轮裂纹和轴承磨损，主轴裂纹等等。
本实施例利用机器学习算法训练模型进行故障诊断，可以准确分析故障时部件的音频特点，有利于提高故障诊断的准确性。
在实际应用时，可以先利用故障判断模型判断部件是否故障，在判断出故障后，由所述故障报警模块报警，同时利用故障分类模型进一步判断部件的故障类型。
本实施例的风机机舱内部部件的故障诊断方法分别针对机舱部件本身的原始运行音频和外部的环境噪声都进行采集，经处理后得到消除噪声的质量较高的部件的实际运行音频，从而进行部件的故障诊断，提高了诊断的准确性。
虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这些仅是举例说明，本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下，可以对这些实施方式做出多种变更或修改，但这些变更和修改均落入本发明的保护范围。
Claims (12)
1.一种风机机舱内部部件的故障诊断装置，其特征在于，包括：
至少一部件音频采集模块，每个部件音频采集模块分别对应风机机舱内部的一个部件，所述部件音频采集模块设置于对应的部件上，用于采集对应的部件的原始运行音频；
噪声音频采集模块，设置于所述风机机舱内部，用于采集所述风机机舱内部的环境噪声音频；
故障诊断模块，用于根据所述环境噪声音频分别计算每个部件的原始运行音频中所含的环境噪声分量，分别计算每个部件的实际运行音频，以及根据所述实际运行音频进行所述部件的故障诊断，所述实际运行音频等于所述原始运行音频与所含的环境噪声分量之差。
2.如权利要求1所述的故障诊断装置，其特征在于，所述故障诊断装置还包括：
音频预处理模块，与每个部件音频采集模块连接，用于接收每个部件音频采集模块采集的原始运行音频形成混音音频，将所述混音音频拆分成每个部件单独的原始运行音频，将拆分后的原始运行音频传输至所述故障诊断模块。
3.如权利要求1所述的故障诊断装置，其特征在于，根据所述实际运行音频进行所述部件的故障诊断，具体包括：
从所述实际运行音频中提取频域特征、能量域特征和时域特征中的至少一种；
将所述频域特征、所述能量域特征和所述时域特征中的至少一种输入故障诊断模型，得到所述故障诊断模型输出的故障诊断结果，所述故障诊断模型包括用于判断所述部件是否故障的故障判断模型和/或用于识别所述部件的故障类型的故障分类模型。
4.如权利要求1所述的故障诊断装置，其特征在于，所述故障诊断装置还包括：
故障报警模块，用于在所述部件故障时发出报警信号。
5.如权利要求1所述的故障诊断装置，其特征在于，所述环境噪声分量＝[|部件的原始运行音频波形*环境噪声音频波形|/(|部件的原始运行音频波形|*|环境噪声音频波形|)]*环境噪声音频波形。
6.如权利要求1所述的故障诊断装置，其特征在于，所述部件为齿轮箱、主轴和发电机输入端之中的至少一种。
7.一种风机机舱内部部件的故障诊断方法，其特征在于，包括：
采集风机机舱内部至少一部件的原始运行音频及所述风机机舱内部的环境噪声音频；
根据所述环境噪声音频分别计算每个部件的原始运行音频中所含的环境噪声分量；
分别计算每个部件的实际运行音频，所述实际运行音频等于所述原始运行音频与所含的环境噪声分量之差；
根据所述实际运行音频进行所述部件的故障诊断。
8.如权利要求7所述的故障诊断方法，其特征在于，所述故障诊断方法还包括：
在所有部件的原始运行音频形成混音音频时，将所述混音音频拆分成每个部件单独的原始运行音频。
9.如权利要求7所述的故障诊断方法，其特征在于，根据所述实际运行音频进行所述部件的故障诊断的步骤具体包括：
从所述实际运行音频中提取频域特征、能量域特征和时域特征中的至少一种；
将所述频域特征、所述能量域特征和所述时域特征中的至少一种输入故障诊断模型，得到所述故障诊断模型输出的故障诊断结果，所述故障诊断模型包括用于判断所述部件是否故障的故障判断模型和/或用于识别所述部件的故障类型的故障分类模型。
10.如权利要求7所述的故障诊断方法，其特征在于，所述故障诊断方法还包括：
在所述部件故障时发出报警信号。
11.如权利要求7所述的故障诊断方法，其特征在于，所述环境噪声分量＝[|部件的原始运行音频波形*环境噪声音频波形|/(|部件的原始运行音频波形|*|环境噪声音频波形|)]*环境噪声音频波形。
12.如权利要求7所述的故障诊断方法，其特征在于，所述部件为齿轮箱、主轴和发电机输入端之中的至少一种。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010234559.6A CN111456915A (zh) | 2020-03-30 | 2020-03-30 | 风机机舱内部部件的故障诊断装置及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010234559.6A CN111456915A (zh) | 2020-03-30 | 2020-03-30 | 风机机舱内部部件的故障诊断装置及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111456915A true CN111456915A (zh) | 2020-07-28 |
Family
ID=71679284
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010234559.6A Pending CN111456915A (zh) | 2020-03-30 | 2020-03-30 | 风机机舱内部部件的故障诊断装置及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111456915A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114708885A (zh) * | 2022-03-30 | 2022-07-05 | 西安交通大学 | 一种基于声音信号的风机故障预警方法 |
| CN118152864A (zh) * | 2024-05-11 | 2024-06-07 | 常州全一智能科技有限公司 | 一种基于多源数据融合的电机检测方法及检测*** |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2013023660A1 (en) * | 2011-08-16 | 2013-02-21 | Vestas Wind Systems A/S | Acoustic noise monitoring system for a wind turbine |
| US20130049733A1 (en) * | 2011-08-29 | 2013-02-28 | General Electric Company | Fault detection based on current signature analysis for a generator |
| CN105738806A (zh) * | 2016-02-03 | 2016-07-06 | 北京汉能华科技股份有限公司 | 一种风力发电机组故障诊断***和方法 |
| CN106593781A (zh) * | 2016-11-29 | 2017-04-26 | 上海电机学院 | 一种基于Android平台的风力发电机故障检测***及方法 |
| US20180012585A1 (en) * | 2016-07-11 | 2018-01-11 | Microsoft Technology Licensing, Llc | Microphone noise suppression for computing device |
| CN207600740U (zh) * | 2017-11-20 | 2018-07-10 | 深圳市卓尔思科技有限公司 | 一种用于风力发电机的监测*** |
-
2020
- 2020-03-30 CN CN202010234559.6A patent/CN111456915A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2013023660A1 (en) * | 2011-08-16 | 2013-02-21 | Vestas Wind Systems A/S | Acoustic noise monitoring system for a wind turbine |
| US20130049733A1 (en) * | 2011-08-29 | 2013-02-28 | General Electric Company | Fault detection based on current signature analysis for a generator |
| CN105738806A (zh) * | 2016-02-03 | 2016-07-06 | 北京汉能华科技股份有限公司 | 一种风力发电机组故障诊断***和方法 |
| US20180012585A1 (en) * | 2016-07-11 | 2018-01-11 | Microsoft Technology Licensing, Llc | Microphone noise suppression for computing device |
| CN106593781A (zh) * | 2016-11-29 | 2017-04-26 | 上海电机学院 | 一种基于Android平台的风力发电机故障检测***及方法 |
| CN207600740U (zh) * | 2017-11-20 | 2018-07-10 | 深圳市卓尔思科技有限公司 | 一种用于风力发电机的监测*** |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114708885A (zh) * | 2022-03-30 | 2022-07-05 | 西安交通大学 | 一种基于声音信号的风机故障预警方法 |
| CN118152864A (zh) * | 2024-05-11 | 2024-06-07 | 常州全一智能科技有限公司 | 一种基于多源数据融合的电机检测方法及检测*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10288043B2 (en) | Wind turbine condition monitoring method and system | |
| CN104564542B (zh) | 一种基于大数据技术的故障诊断***及其诊断方法 | |
| WO2023279382A1 (zh) | 一种电机轴承运行状态故障检测方法及*** | |
| CN110008350A (zh) | 一种基于贝叶斯推理的机泵安康知识库查找方法 | |
| CN113532848A (zh) | 一种行星齿轮箱故障诊断*** | |
| JP2019067197A (ja) | 故障予兆検知手法 | |
| CN111456915A (zh) | 风机机舱内部部件的故障诊断装置及方法 | |
| CN113298134A (zh) | 一种基于bpnn的风机叶片远程非接触健康监测***和方法 | |
| WO2022147684A1 (zh) | 用于识别机械装置或机械部件中的异常的方法及装置 | |
| CN113982850A (zh) | 融合高低频信号的风机综合健康分析方法及*** | |
| CN116383633A (zh) | 一种多因素综合分析的机制砂振动筛故障检测方法及*** | |
| KR102545672B1 (ko) | 기계고장 진단 방법 및 장치 | |
| CN115437358A (zh) | 工业机器人智能状态监测与故障诊断***及故障诊断方法 | |
| US20210149387A1 (en) | Facility failure prediction system and method for using acoustic signal of ultrasonic band | |
| CN115640503A (zh) | 风电机组叶片异常检测方法和装置 | |
| CN112711850A (zh) | 一种基于大数据的机组在线监测方法 | |
| CN111401661A (zh) | 一种机械设备的预测性维护方法和维护*** | |
| KR20210077496A (ko) | 초음파 대역의 음향 신호를 수신하는 다채널 감지 센서를 구비한 설비 고장 예측 시스템 | |
| CN117435908A (zh) | 一种用于旋转机械的多种故障特征提取方法 | |
| US20240052810A1 (en) | Blade fault diagnosis method, apparatus and system, and storage medium | |
| CN113672859B (zh) | 一种道岔转辙机故障声学诊断*** | |
| CN113516023B (zh) | 设备振动异常诊断方法和*** | |
| CN113658603A (zh) | 一种基于音频的皮带运输机托辊智能故障诊断方法 | |
| CN117672255B (zh) | 基于人工智能和设备运行声音的异常设备识别方法及*** | |
| CN118209830B (zh) | 一种电缆局放异常智能监测方法及*** |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200728 |