CN114062910A - 一种电机在线诊断***和方法 - Google Patents
一种电机在线诊断***和方法 Download PDFInfo
- Publication number
- CN114062910A CN114062910A CN202111232763.5A CN202111232763A CN114062910A CN 114062910 A CN114062910 A CN 114062910A CN 202111232763 A CN202111232763 A CN 202111232763A CN 114062910 A CN114062910 A CN 114062910A
- Authority
- CN
- China
- Prior art keywords
- motor
- fault
- frequency
- component
- signal
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 29
- 238000000034 method Methods 0.000 title claims description 12
- 238000011156 evaluation Methods 0.000 claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 22
- 238000004804 winding Methods 0.000 claims description 23
- 238000004458 analytical method Methods 0.000 claims description 14
- 239000002131 composite material Substances 0.000 claims description 10
- 238000005259 measurement Methods 0.000 claims description 7
- 230000003068 static effect Effects 0.000 claims description 5
- 238000013473 artificial intelligence Methods 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 238000010183 spectrum analysis Methods 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 230000026676 system process Effects 0.000 claims description 3
- 238000013329 compounding Methods 0.000 claims description 2
- 150000001875 compounds Chemical class 0.000 claims description 2
- 238000012423 maintenance Methods 0.000 description 15
- 230000000694 effects Effects 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 4
- 239000000523 sample Substances 0.000 description 4
- 238000004088 simulation Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 230000006698 induction Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000003449 preventive effect Effects 0.000 description 2
- 230000002441 reversible effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical group [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000002730 additional effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009529 body temperature measurement Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 230000002542 deteriorative effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000819 phase cycle Methods 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 238000004171 remote diagnosis Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
- G01R31/327—Testing of circuit interrupters, switches or circuit-breakers
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Tests Of Circuit Breakers, Generators, And Electric Motors (AREA)
Abstract
本发明具体涉及一种电机在线诊断***，包括信号采集***、信号处理***和状态评价***；所述信号采集***用于采集电机的工作电压和工作电流信号，并形成信号包文件发送信号处理***；所述信号处理***用于识别、读取和处理信号包文件中的故障特征信号文件，形成数据文件，建立数据库；所述状态评价***用于对数据库文件进行进一步分析计算，得到电机故障成份幅值、频率和相位，并将电机故障成份幅值、频率和相位与电机的历史故障成份对应值进行比较，判断电机的健康状态，得出评价结果。本发明提供的电机在线诊断***，能够精准、有效的预测电机将康状态。
Description
技术领域
本发明涉及电机运维技术领域，特别是涉及一种电机在线诊断***和方法。
背景技术
传统电机维修策略：基于继电保护为后盾，以预防性维修为主，缺陷性维修为辅。多年来，尽管按照相关标准严格执行预防性维修，但因电机的制造标准及运行环境的差异，还是导致电机故障不断。这种维修策略的典型不足：①以时间为依据：检查与维护时间与项目固定；②维修不足：超期维修增加了设备损坏的机率；③维修过度：维修活动带来风险和浪费；④计划性差；⑤故障损失大。
部分企业对于价值较大的电机开始考虑预测性维修方案。例如增加工程师的日常巡检任务或增加侵入式在线状态监测探头。这种安装大量的专用信号采集探头或变送器等侵入式监测方式，可以实现对设备及环境诸多状态的实时监测。这些探头需要安装在电机绕组、轴承或附件结构上，势必会对电机带来一些附加的影响。例如：一方面，容易影响电机紧凑的结构或刚性；另一方面，还可能因恶劣的环境影响采集信号的精度或采集装置的正常运行，从而影响对电机的监测效果。此外，这些信号采集装置必须安装在电机就地，对于不可达区域的电机，这些信号采集探头将因恶劣的环境无法把采集的信号准确可靠地传递到分析设备上。
发明内容
基于此，有必要针对现有在线电机在线维修不能实现精准、有效的预测电机健康状态的问题，提供一种电机在线诊断***和方法，该***和方法精准、有效的预测电机健康状态，提升电机的运维策略。
为了实现上述目的，本发明提供如下技术方案：
一种电机在线诊断***，包括信号采集***、信号处理***和状态评价***；
所述信号采集***用于采集电机的工作电压和工作电流信号，并形成信号包文件发送信号处理***；
所述信号处理***用于识别、读取和处理信号包文件中的故障特征信号文件，形成数据文件，建立数据库；
所述状态评价***用于对数据库文件进行进一步分析计算，得到电机故障波形成份幅值、频率和相位，并将电机故障波形成份幅值、频率和相位与电机的历史故障成份对应值进行比较，判断电机的健康状态，得出评价结果。
进一步地，所述信号采集***与电机传统继电保护回路电缆连接，采集电机的工作电压和工作电流信号。
进一步地，所述信号处理***处理信号包文件中的故障特征信号文件包括数字显示、波形显示、FFT分析、小波分析、基波频谱分析、分贝分析、存储、采样率调整。
进一步地，所述电机故障特征信号包括三相瞬时功率平均值p3(t)、电机转子故障的特征频率和电机定子绕组故障的负序分量。
进一步地，所述p3(t)根据如下公式计算得到：
式中，uAB、uBC、uCA为电机的线电压，根据电机的工作电压ua、ub、uc计算得到；iA、iB、iC为电机的线电流，根据电机的工作电流ia、ib、ic计算得到。
进一步地，电机转子故障的特征频率为基波频率f1±m*转子旋转频率fr，m为自然数。
进一步地，电机转子故障包括电机转子断条和气隙复合偏心故障；所述电机转子断条的特征频率为ksf1，ks为静态偏心程度，f1为基波频率；所述气隙复合偏心故障的特征旋转角频率为mωr＝m(1-s)ω1/p；ω1为定子旋转角频率，大小等于2πf1；ωr为转子旋转角频率，大小等于2πfr，fr为旋转频率。
进一步地，所述电子定子故障包括电机定子匝间短路绕组故障的负序分量。
进一步地，所述状态评价***根据如下公式计算电机故障成份幅值：
式中，p3(t)为三相瞬时功率平均值p3(t)，Up1为电机故障电压，
为基波分量，
为电机定子匝间短路时则叠加负序分量，
为电机转子断条的特征分量，其特征频率为ksf1，
为气隙复合偏心故障的特征分量，其特征旋转角频率为mωr＝m(1-s)ω1/p。
进一步地，对于有现成衡量标准的故障成份幅值，基于现成的评价标准；对于没有现成衡量标准的故障成份幅值，依据电机的历史故障成份幅值确定基准数据库，首次投运时需利用离线检测结果来整定基本的建议报警值和停运检修值，后续则可以运用人工智能深度学习来完善和改进建议报警值和停运检修值，从而对电机健康状态的评价更为精准、有效。
一种电机在线诊断方法，包括如下步骤：
1、采集电机的工作电压和工作电流信号并形成信号包文件；
2、识别、读取和处理信号包文件中的故障特征信号文件，形成数据文件，建立数据库；
3、对数据库文件进行进一步分析计算，得到电机故障成份幅值、频率和相位，并将电机故障成份幅值、频率和相位与电机的历史故障成份对应值进行比较，判断电的健康状态，得出评价结果。
本发明的有益技术效果：
本发明的电机在线诊断***和方法，以传统电机传统继电保护回路为基础，立足于不对现有***和设备的结构产生影响为出发点，实现电机健康状态的远程诊断和预测性维修的目标，确保电机的健康状态可知可控。
附图说明
图1为本发明的电机在线诊断***进行电机在线诊断的流程示意图；
图2为信号采集***结构示意图。
具体实施方式
下面结合附图和具体实施方式对本发明做进一步详细地描述。
电机正常设计和制造时，要求三相绕组理论对称。因此，正常稳定运行的电机在三相对称电源作用下，三相电流将对称。
三相合成的基波磁动势f1(θ，t)表达式为：
三相合成谐波磁动势fv(θ，t)表达式为：
式中，v为谐波次数，p为磁极数，N1为线组匝数，kw1为基波线组系数，kwv为谐波线组系数，k为自然数，
为三相电流，θ为三相电流对称角度。
对于对称的三相电流
可以证明得出如下结论：
当谐波次数v＝6k-3，谐波磁动势为0；
当谐波次数v＝6k-1，谐波磁动势与基波磁动势相反，称为反转磁动势；
当谐波次数v＝6k+1，谐波磁动势与基波磁动势相同，称为正转磁动势。
由于谐波磁动势的存在，在交流电机中将引起附加损耗、振动与噪声，对于感应电机还将产生有害的附加转矩，使其性能变坏。为此，实际设计时，采用分布和短矩绕组来削弱谐波磁动势的影响，使电机在正常对称电压下运行稳定，附加损耗、振动与噪声大大降低。反之，如果一旦这个平衡被打破，那些影响将重新放大。
电机转子故障时，如轴承结构和转子发生故障或者安装异常，均将引起气隙复合偏心，气隙复合偏心包括气隙动态和/或静态偏心，这样将打破电机理论设计时平衡、稳定的磁动势。这种失衡对基波磁动势影响很小，但会使谐波磁动势的平衡严重恶化。最直接的表现就是附加损耗、振动与噪声异常增加。测振、测温和测噪声等传统的故障诊断方法正是以此作为故障特征信号来判断的，这样测得的故障特征量并非最直接的信号源，而是经过能量转化之后的表征信号，特征信息容易丢失，同时还将受到测量仪器精度的限制及外部引入噪声的干扰。
假设复合偏心时的气隙长度δ(θ，t)为：
δ(θ，t)二δm[1-ks cosθ-kd cos(ωrt-θ)]
式中，δm为平均气隙长度，ks为静态偏心程度，kd为动态偏心程度，ωr＝(1-s)ω/p为转子旋转角频率，θ为三相电流对称角度，t为电机运行时间。
经过理论分析后可知，当存在气隙复合偏心时，会在定子绕组中感应出基波频率f1±转子旋转频率fr的特征频率成分。这些频率的电流进一步和气隙磁场作用，使电机转矩和转速产生波动，波动频率为基波频率f1±m转子旋转频率fr(m为自然数)，这就是偏心故障的特征频率，也是电机转子故障的特征频率。
将复合偏心时的气隙长度δ(θ，t)的倒数进行简化，经Fourier展开之后取低次项，可得：
式(4)中，δm为平均气隙长度，ks为静态偏心程度，kd为动态偏心程度，ωr＝(1-s)ω/p为转子旋转角频率，θ为三相电流对称角度，t为电机运行时间。
电机定子故障时，如线圈匝间、相间短路或断路故障，定子绕组的对称性遭到破坏。由定子绕组产生的气隙磁势变为椭圆型，该椭圆型磁势可以分解为正转分量
和反转分量
二者转速相同、转向相反。正转分量
在定子绕组中感应出频率为工频f1的交流电势，在转子绕组中感应出与转差率成倍数的频率为sf1的电势和电流。频率为sf1的转子电流产生的转子磁势记为
与
相对静止。反转分量
在定子绕组中同样感应出频率为f1的交流电势，但是相序相反，从而在定子三相电流中产生负序分量。因此，负序分量是定子绕组故障的故障特征。同理可得，当输入电机的三相电压不对称时，作用在绕组对称的电机上，一样会产生负序分量。
在故障轻微时，负序分量占比较小，对电机损伤不太严重，传统的继电保护在确保设备运行的稳定性和保护整定的可靠性基础上，允许电机在小故障下继续运行。对于较严重的短路故障或断路故障，继电保护的负序保护或零序保护将动作。故障继续恶化时至短路相故障电流将超出设备的裕量，绕组可能因发热而灼伤绕组或铁芯，这时要求短路保护或堵转保护(主保护)立即触发以切除故障，过流或过负荷保护(后备保护)因用于防止电机过热而延时触发。为了防止继电保护误动影响保护的可靠性，只好使电机受到轻微损伤才切除故障，这也是继电保护整定计算的宗旨。
结合前文理论分析结果，现对电机各种故障工况进一步数学分析，可以得出电机只含基波附近的低次谐波成份的某相电流ia的简化表达式：
式中，Ip1为电机定子绕组匝间、相间短路故障对应的正序分量幅值，In1为电机定子绕组匝间、相间短路故障对应的负序分量幅值，Ibp1为电机转子断条故障对应的正序分量的幅值，Ibn1为电机转子断条故障对应的负序分量的幅值，Iecp1为偏心故障对应的正序电流分量的幅值，Iecn1为偏心故障对应的负序电流分量的幅值；
为Ip1的初相位，
为In1的初相位，
为Ibp1的初相位，
为Ibn1的初相位，
为Iecp1的初相位，
为Iecn1的初相位；ω1为电机定子旋转角频率，大小等于2πf1；ωr为电机转子旋转角频率，大小等于2πfr；f1为基波频率，fr为旋转频率。
参见图1，本发明提供一种电机在线诊断***，包括信号采集***、信号处理***和状态评价***；
所述信号采集***用于采集电机的工作电压和工作电流信号，并形成信号包文件发送信号处理***；
所述信号处理***用于识别、读取和处理信号包文件中的故障特征信号文件，形成数据文件，建立数据库；
所述状态评价***用于对数据库文件进行分析计算，得到电机故障波形成份幅值、频率和相位，并将电机故障波形成份幅值、频率和相位与电机的历史故障成份对应值进行比较，判断电机的健康状态，得出评价结果。
进一步地，参见图2，所述信号采集***与电机传统继电保护回路电缆连接，采集电机的工作电压和工作电流信号。
进一步地，所述信号处理***处理信号包文件中的故障特征信号文件包括数字显示、波形显示、FFT分析、小波分析、基波频谱分析、分贝分析、存储、采样率调整。
进一步地，所述电机故障特征信号包括三相瞬时功率平均值p3(t)、电机转子故障的特征频率和电子定子绕组故障的负序分量。
进一步地，所述p3(t)根据如下公式计算得到：
式中，uAB、uBC、uCA为电机的线电压，根据电机的工作电压ua、ub、uc计算得到；iA、iB、iC为电机的线电流，根据电机的工作电流ia、ib、ic计算得到。
进一步地，电机转子故障的特征频率为基波频率f1±m*旋转频率fr，m为自然数。
进一步地，电机转子故障包括电机转子断条和气隙复合偏心故障；所述电机转子断条的特征频率为ksf1，ks为偏心程度，f1为基波频率；所述气隙复合偏心故障的特征旋转角频率为mωr＝m(1-s)ω1/p；ω1为定子旋转角频率，大小等于2πf1；ωr为转子旋转角频率，大小等于2πfr，fr为旋转频率。
进一步地，所述电子定子故障包括电机定子匝间短路绕组故障的负序分量。
进一步地，所述状态评价***根据如下公式计算电机故障成份幅值：
式中，p3(t)为三相瞬时功率平均值p3(t)，Up1为电机故障电压，
为基波分量，
为电机定子匝间短路时则叠加负序分量，
为电机转子断条的特征分量，其特征频率ksf1，
为气隙复合偏心故障的特征分量，其特征角频度为mωr＝m(1-s)ω1/p，Ip1为电机定子绕组匝间、相间短路故障对应的正序分量幅值，In1为电机定子绕组匝间、相间短路故障对应的负序分量幅值，Ibpk为电机转子断条故障对应的正序分量的幅值，Ibnk为电机转子断条故障对应的负序分量的幅值，Iecpm为偏心故障对应的正序电流分量的幅值，Iecnm为偏心故障对应的负序电流分量的幅值；
为Ip1的初相位，
为In1的初相位；ω1为定子旋转角度，大小等于2πf1；ωr为转子旋转角度，大小等于2πfr；f1为基波频率，fr为旋转频率；ks为偏心程度，t为电机运行时间；βbpk、βbnk、βecpm、βecnm分别为电流Ibpk、Ibnk、Iecpm、Iecnm的初相位。
进一步地，对于有现成衡量标准的故障成份幅值，基于现成的评价标准；对于没有现成衡量标准的故障成份幅值，依据电机的历史故障成份幅值确定基准数据库，首次投运时需利用离线检测结果来整定基本的建议报警值和停运检修值，后续则可以运用人工智能深度学习来完善和改进建议报警值和停运检修值，从而对电机健康状态的评价更为精准、有效。
本发明还提供一种电机在线诊断方法，包括如下步骤：
1、采集电机的工作电压和工作电流信号并形成信号包文件；
2、识别、读取和处理信号包文件中的故障特征信号文件，形成数据文件，建立数据库；
3、对数据库文件进行进一步分析计算，得到电机故障成份幅值、频率和相位，并将电机故障成份幅值、频率和相位与电机的历史故障成份对应值进行比较，判断电的健康状态，得出评价结果。
使用本发明的电机在线诊断***和方法对一台样机的以下故障工况进行仿真分析，并提取各种工况下三相瞬态平均功率各特征频率的成份的仿真试验。因电机定子匝间短路的试验，对样机会造成直接伤害，本次仿真中未作引入，只对转子导条正常+偏心、转子1根断条+偏心和转子2根断条+偏心这三种故障工况进行试验：
三相瞬时功率平均值p3(t)主要故障成份幅值统计如下表1。
表1 三相瞬时功率平均值p3(t)主要故障成份幅值统计
从样机试验的结果来看，对于转子正常未断条，仅存在偏心故障工况：作为k*fr＝k*(1-s)f1/p作为偏心故障的特征频率(k取自然数)，证明本发明的电机在线诊断***和方法准确、有效；
对于转子断条，叠加偏心故障工况：作为k*sf1作为断条故障的特征频率(k取自然偶数)，证明本发明的电机在线诊断***和方法准确、有效；
而处于特征频率或越近的频率，在频谱带上越明显，否则因功率较弱而被湮灭。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
Claims (11)
1.一种电机在线诊断***，其特征在于，包括信号采集***、信号处理***和状态评价***；
所述信号采集***用于采集电机的工作电压和工作电流信号，并形成信号包文件发送信号处理***；
所述信号处理***用于识别、读取和处理信号包文件中的故障特征信号文件，形成数据文件，建立数据库；
所述状态评价***用于对数据库文件进行分析计算，得到电机故障波形成份幅值、频率和相位，并将电机故障波形成份幅值、频率和相位与电机的历史故障成份对应值进行比较，判断电机的健康状态，得出评价结果。
2.根据权利要求1所述的电机在线诊断***，其特征在于，所述信号采集***与电机传统继电保护回路电缆连接，采集电机的工作电压和工作电流信号。
3.根据权利要求1所述的电机在线诊断***，其特征在于，所述信号处理***处理信号包文件中的故障特征信号文件包括数字显示、波形显示、FFT分析、小波分析、基波频谱分析、分贝分析、存储、采样率调整。
4.根据权利要求1所述的电机在线诊断***，其特征在于，所述电机故障特征信号包括三相瞬时功率平均值p3(t)、电机转子故障的特征频率和电机定子绕组故障的负序分量。
5.根据权利要求4所述的电机在线诊断***，其特征在于，所述p3(t)根据如下公式计算得到：
式中，uAB、uBC、uCA为电机的线电压，根据电机的工作电压ua、ub、uc计算得到；iA、iB、iC为电机的线电流，根据电机的工作电流ia、ib、ic计算得到。
6.根据权利要求4所述的电机在线诊断***，其特征在于，所述电机转子故障的特征频率为基波频率f1±m*转子旋转频率fr，m为自然数。
7.根据权利要求6所述的电机在线诊断***，其特征在于，所述电机转子故障包括电机转子断条和气隙复合偏心故障；所述电机转子断条的特征频率为ksf1，ks为静态偏心程度，f1为基波频率；所述气隙复合偏心故障的特征旋转角频率为mωr＝m(1-s)ω1/p；ω1为定子旋转角频率，大小等于2πf1；ωr为转子旋转角频率，大小等于2πfr，fr为旋转频率。
8.根据权利要求4所述的电机在线诊断***，其特征在于，所述电子定子故障包括电机定子匝间短路绕组故障的负序分量。
9.根据权利要求1所述的电机在线诊断***，其特征在于，所述状态评价***根据如下公式计算电机故障成份幅值：
式中，p3(t)为三相瞬时功率平均值p3(t)，Up1为电机故障电压，
为基波分量，
为电机定子匝间短路时则叠加负序分量，
为电机转子断条的特征分量，其特征频率为ksf1，
为气隙复合偏心故障的特征分量，其特征旋转角频率为mωr＝m(1-s)ω1/p。
10.根据权利要求1-9任意一项所述的电机在线诊断***，其特征在于，对于有现成衡量标准的故障成份幅值，基于现成的评价标准；对于没有现成衡量标准的故障成份幅值，依据电机的历史故障成份幅值确定基准数据库，首次投运时需利用离线检测结果来整定基本的建议报警值和停运检修值，后续则可以运用人工智能深度学习来完善和改进建议报警值和停运检修值。
11.一种电机在线诊断方法，其特征在于，包括如下步骤：
步骤1、采集电机的工作电压和工作电流信号并形成信号包文件；
步骤2、识别、读取和处理信号包文件中的故障特征信号文件，形成数据文件，建立数据库；
步骤3、对数据库文件进行进一步分析计算，得到电机故障成份幅值、频率和相位，并将电机故障成份幅值、频率和相位与电机的历史故障成份对应值进行比较，判断电的健康状态，得出评价结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111232763.5A CN114062910A (zh) | 2021-10-22 | 2021-10-22 | 一种电机在线诊断***和方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111232763.5A CN114062910A (zh) | 2021-10-22 | 2021-10-22 | 一种电机在线诊断***和方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114062910A true CN114062910A (zh) | 2022-02-18 |
Family
ID=80235364
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111232763.5A Pending CN114062910A (zh) | 2021-10-22 | 2021-10-22 | 一种电机在线诊断***和方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114062910A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117214589A (zh) * | 2023-11-08 | 2023-12-12 | 天津德科智控股份有限公司 | 一种eps***时域响应现场测试方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102135600A (zh) * | 2011-01-28 | 2011-07-27 | 中国人民解放军海军潜艇学院 | 异步电动机故障检测装置及方法 |
| CN104166095A (zh) * | 2014-08-29 | 2014-11-26 | 东南大学 | 一种基于双边型直线电机的故障信息融合诊断方法 |
| CN113514776A (zh) * | 2020-04-09 | 2021-10-19 | 中车株洲电力机车研究所有限公司 | 一种异步电机的匝间短路故障诊断方法、装置、设备 |
-
2021
- 2021-10-22 CN CN202111232763.5A patent/CN114062910A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102135600A (zh) * | 2011-01-28 | 2011-07-27 | 中国人民解放军海军潜艇学院 | 异步电动机故障检测装置及方法 |
| CN104166095A (zh) * | 2014-08-29 | 2014-11-26 | 东南大学 | 一种基于双边型直线电机的故障信息融合诊断方法 |
| CN113514776A (zh) * | 2020-04-09 | 2021-10-19 | 中车株洲电力机车研究所有限公司 | 一种异步电机的匝间短路故障诊断方法、装置、设备 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117214589A (zh) * | 2023-11-08 | 2023-12-12 | 天津德科智控股份有限公司 | 一种eps***时域响应现场测试方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Climente-Alarcon et al. | Vibration transient detection of broken rotor bars by PSH sidebands | |
| Artigao et al. | Current signature analysis to monitor DFIG wind turbine generators: A case study | |
| CN102707232B (zh) | 电动机设备状态在线监测装置及其监测方法 | |
| Garcia-Perez et al. | The application of high-resolution spectral analysis for identifying multiple combined faults in induction motors | |
| Benbouzid | A review of induction motors signature analysis as a medium for faults detection | |
| EP2565658B1 (en) | Fault detection based on current signature analysis for a generator | |
| Pezzani et al. | Detecting broken rotor bars with zero-setting protection | |
| US10088506B2 (en) | Method for detecting a fault condition in an electrical machine | |
| Fenger et al. | Development of a tool to detect faults in induction motors via current signature analysis | |
| Pons-Llinares et al. | Transient detection of close components through the chirplet transform: Rotor faults in inverter-fed induction motors | |
| Corne et al. | Comparing MCSA with vibration analysis in order to detect bearing faults—A case study | |
| CN101694508B (zh) | 一种基于低次谐波轴电压信号的电机转子典型故障诊断方法 | |
| CN109297716A (zh) | 一种双馈型风力发电机振动故障诊断方法 | |
| Sadeghi et al. | Online fault diagnosis of large electrical machines using vibration signal-a review | |
| Iorgulescu et al. | Vibration monitoring for diagnosis of electrical equipment's faults | |
| Deeb et al. | Three-phase induction motor short circuits fault diagnosis using MCSA and NSC | |
| CN114062910A (zh) | 一种电机在线诊断***和方法 | |
| Kucuker et al. | Detection of mechanical imbalances of induction motors with instantaneous power signature analysis | |
| Pilloni et al. | Fault detection in induction motors | |
| Bhattacharyya et al. | Induction motor fault diagnosis by motor current signature analysis and neural network techniques | |
| Kumar et al. | A new burg method based approach to mcsa for broken rotor bar detection | |
| Stankovic et al. | Enhanced algorithm for motor rotor broken bar detection | |
| Fišer et al. | Diagnostic system for on-line detection of rotor faults in induction motor drives | |
| Touil et al. | Analytical calculation of inductances under stator inter-turn short circuits fault condition in operating squirrel cage induction motors | |
| Singh | Condition Monitoring and Fault Diagnosis Techniques of Electric Machines |
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 |