CN114740352A - 一种非接触电机故障检测方法和*** - Google Patents
一种非接触电机故障检测方法和*** Download PDFInfo
- Publication number
- CN114740352A CN114740352A CN202210645369.2A CN202210645369A CN114740352A CN 114740352 A CN114740352 A CN 114740352A CN 202210645369 A CN202210645369 A CN 202210645369A CN 114740352 A CN114740352 A CN 114740352A
- Authority
- CN
- China
- Prior art keywords
- motor
- characteristic value
- data
- abnormal
- contact
- 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
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/22—Indexing; Data structures therefor; Storage structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Probability & Statistics with Applications (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Control Of Electric Motors In General (AREA)
Abstract
本发明公开了一种非接触电机故障检测***,包括噪声传感器和数据处理模块,噪声传感器用于通过非接触方式感测被测电机的电机运行参数;数据处理模块用于根据特征值数据库,判断电机运行参数是否异常,并根据异常结果输出电机故障信息。本发明采用非接触方式获取电机运行参数,经过预处理后,通过基于大数据分析建立表征电机全运行周期数据的电机运行特征曲线;后续通过在线比对电机运行特征曲线与实时采集的电机运行参数偏差,辨识电机运行是否异常,达到预警性输出电机故障信息;相较于现有电机故障检测***,可以实现非接触信号获取、数据深度挖掘处理、在线故障检测;而且具有***设备少、实施简单、使用方便等优点。
Description
技术领域
本发明涉及故障检测技术领域,尤其涉及一种非接触电机故障检测方法和***。
背景技术
电机是一种将电能直接转换成机械能,而不需要任何中间转换机构的传动装置。正常电机在运转时,速度、电流、温度、振动都是在规定的范围之内。当电机出现异常时,或者负载变化较大时,会使电机堵塞或者失步。
现有对电机监测的自动化测量技术出现已久,并经历了快速的发展。针对电机的检测项目也很全面,如电机工作电流、XYZ方向振动、电机电流、电机温度、轴向位移、电机转速、加速度等。通过对电机相关参数的实时监测分析可以有效减少电机故障率同时保证电机的使用寿命。
但是,这些电机监测***的共同特点是:在电气层面上,采集来自电机或电机驱动设备(如电流)的信号;在物理层面上,采集传感器必需与电机或电机连接设备机械接触(如转速编码器、振动传感器)。因此,在电机的实际应用***(如地铁电梯、机场货检、组装线等)的电机参数检测中,将面临机械结构、电气线路的物理接触和信号传输、同时面临对原有控制***信息干扰的安全风险。
发明内容
本发明的主要目的在于:针对现有的电机监测***在电机的实际应用***的电机参数检测中将面临机械结构、电气线路的物理接触和信号传输、同时面临对原有控制***信息干扰的安全风险,提供一种非接触电机故障检测方法和***。
为实现上述目的,本发明提供一种非接触电机故障检测***,包括噪声传感器和通信连接于所述噪声传感器的数据处理模块,所述噪声传感器用于通过非接触方式感测被测电机的电机运行参数,所述电机运行参数包括电机运行状态信息和噪声信息;所述数据处理模块用于根据特征值数据库,判断所述电机运行参数是否异常,并根据异常结果输出电机故障信息。
在本发明提供的非接触电机故障检测***中,所述数据处理模块包括:
特征值数据库,用于存储表征电机正常运行的特征值;
数据预处理单元,用于对所述电机运行参数进行预处理,生成电机运行状态特征值;
数据比对单元,用于计算所述电机运行状态特征值与所述特征值数据库内对应的特征值之间的偏差值,若所述偏差值小于预设安全值,则判定电机运行状态正常,反之,则判定电机运行状态异常并输出异常结果;
中央处理单元,用于根据所述异常结果和电机异常数据库评估输出电机故障信息。
在本发明提供的非接触电机故障检测***中,还包括大数据分析单元,用于根据采集的电机全周期运行状态数据,通过数据挖掘建立表征电机正常运行的所述特征值数据库。
在本发明提供的非接触电机故障检测***中,所述数据预处理单元包括:
滤波子单元,用于提取所述电机运行参数中的所述电机运行状态信息;
快速傅里叶变换子单元,用于对所述电机运行状态信息进行傅里叶变换,产生频谱数据,并根据所述频谱数据生成所述电机运行状态特征值。
此外,为实现上述目的,本发明还提供一种非接触电机故障检测方法,包括:
通过非接触方式感测被测电机的电机运行参数,所述电机运行参数包括电机运行状态信息和噪声信息;以及
根据特征值数据库,判断所述电机运行参数是否异常,并根据异常结果输出电机故障信息。
在本发明提供的非接触电机故障检测方法中,根据特征值数据库,判断所述电机运行参数是否异常,并根据异常结果输出电机故障信息的步骤包括:
对所述电机运行参数进行预处理,生成电机运行状态特征值;
计算所述电机运行状态特征值与所述特征值数据库内对应的特征值之间的偏差值;
判断所述偏差值是否小于预设安全值,如果是,则判定电机运行状态正常,反之,则判定电机运行状态异常并输出异常结果;以及
根据所述异常结果和电机异常数据库评估输出电机故障信息。
在本发明提供的非接触电机故障检测方法中,还包括:
采集的电机全周期运行状态数据;
通过数据挖掘建立表征电机正常运行的所述特征值数据库。
在本发明提供的非接触电机故障检测方法中,对所述电机运行参数进行预处理,生成电机运行状态特征值的步骤包括:
提取所述电机运行参数中的所述电机运行状态信息;
对所述电机运行状态信息进行傅里叶变换,产生频谱数据;以及
根据所述频谱数据生成所述电机运行状态特征值。
本发明还提供一种计算机可读存储介质,计算机可读存储介质存储有计算机程序,计算机程序被处理器执行时实现如上所述的非接触电机故障检测方法的步骤。
本发明提供的非接触电机故障检测***和方法具有以下有益效果:本发明采用非接触方式获取电机运行参数,经过预处理后,通过基于大数据分析建立表征电机全运行周期数据的电机运行特征曲线;后续通过在线比对电机运行特征曲线与实时采集的电机运行参数偏差,辨识电机运行是否异常,达到预警性输出电机故障信息;因此,相较于现有电机故障检测***,可以实现非接触信号获取、数据深度挖掘处理、在线故障检测;而且具有***设备少、实施简单、使用方便等优点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图:
图1所示为本发明一实施例提供的非接触电机故障检测***的原理图;
图2是图1所示的数据处理模块的原理图。
具体实施方式
为了便于理解本发明,下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的典型实施例。但是,本发明可以以许多不同的形式来实现,并不限于本文所描述的实施例。相反地,提供这些实施例的目的是使对本发明的公开内容更加透彻全面。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本发明。
本发明总的思路是:针对现有的电机监测***在电机的实际应用***的电机参数检测中将面临机械结构、电气线路的物理接触和信号传输、同时面临对原有控制***信息干扰的安全风险,采用非接触方式获取电机运行参数,经过预处理后,通过基于大数据分析建立表征电机全运行周期数据的电机运行特征曲线;后续通过在线比对电机运行特征曲线与实时采集的电机运行参数偏差,辨识电机运行是否异常,达到预警性输出电机故障信息。因此,相较于现有电机故障检测***,可以实现非接触信号获取、数据深度挖掘处理、在线故障检测;而且具有***设备少、实施简单、使用方便等优点。
为了更好的理解上述技术方案,下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明,应当理解本发明实施例以及实施例中的具体特征是对本申请技术方案的详细的说明,而不是对本申请技术方案的限定,在不冲突的情况下,本发明实施例以及实施例中的技术特征可以相互组合。
参照图1,图1所示为本发明一实施例提供的非接触电机故障检测***的原理图。在本实施例中,该非接触电机故障检测***10用于监测被测电机20的运行状态,包括噪声传感器110和通信连接于所述噪声传感器100的数据处理模块120,其中,噪声传感器110与数据处理模块120之间通过有线或无线方式进行数据传输。
具体地,在本发明一实施例中,噪声传感器110用于通过非接触方式感测被测电机20的电机运行参数,所述电机运行参数包括电机运行状态信息和噪声信息。目前非接触检测方法包括磁感应检测和光感应检测。其中,磁感应检测具有激励端(如变压器初级线圈)与感应端(如变压器次级线圈)耦合作用的特点,而电机本身工作原理就是电磁感应-机械转动,为了屏蔽外界磁场对电机运行影响,电机在制造时加护磁屏蔽金属外壳,因此依靠磁感应检测表征电机状态是不现实和信息缺失的。而光感应检测通常需要向检测目标设备发射测量光束(如激光),采集测量光束经由目标设备反射的检测光束,从检测光束中提取振动信号。就电机检测而言:第一需要激励光束;第二、激励、检测光路应畅通无遮挡;第三、提取的振动信号能否表征电机运行特征。因此,这两种非接触检测方法都不适合于电机检测。因此,在本发明中,通过检测电机运行噪音,该噪音能够表征电机运行状态。与前述检测方式相比,噪声由电机运行产生,检测只需感应无需激励源;噪声传感器只是单向、感应接收,不影响电机运行;只要在噪声传感器检测灵敏度范围,对安装位置和距离无要求;噪声声波具有透射和绕射特性(处于频谱的低端),噪声传感器和电机之间无需考虑有无遮挡;噪声传感器性价比高,在设备构成、安装使用方面成本较低。因此,通过噪声传感器进行噪声检测来获取电机运行参数无需激励源、无惧遮挡、布置灵活方便。
具体地,在本发明一实施例中,所述数据处理模块120用于根据特征值数据库,判断所述电机运行参数是否异常,并根据异常结果输出电机故障信息。在通过对原有电机***不产生干扰风险的非接触方式采集到电机运行参数后,需要对获取的数据进行处理,再利用处理得到的特征数据进行比对判断,因此,如图2所示,数据处理模块120包括:数据预处理单元1201,用于对所述电机运行参数进行预处理,生成电机运行状态特征值;数据比对单元1202,用于计算所述电机运行状态特征值与所述特征值数据库内对应的特征值之间的偏差值,若所述偏差值小于预设安全值,则判定电机运行状态正常,反之,则判定电机运行状态异常并输出异常结果;特征值数据库1203,用于存储表征电机正常运行的特征值;中央处理单元1204,用于根据所述异常结果和电机异常数据库评估输出电机故障信息;大数据分析单元1205,用于根据采集的电机全周期运行状态数据,通过数据挖掘建立表征电机正常运行的所述特征值数据库。
进一步地,在本发明一实施例中,检测电机运行状态的噪声传感器采集的数据中不仅有表征电机运行状态的信息,还有持续周期作用的背景噪声,如环境、机械部件共振产生的噪声,因此,噪声传感器获取的电机运行参数包括了电机运行状态信息和噪声信息,因此,数据预处理单元1201包括:滤波子单元12011,用于提取所述电机运行参数中的所述电机运行状态信息;快速傅里叶变换子单元12012,用于对所述电机运行状态信息进行傅里叶变换,产生频谱数据,并根据所述频谱数据生成所述电机运行状态特征值。
进一步地,传统滤波器有高通、低通、带通(阻)滤波器,不能适用于背景噪声处理,因此,本发明选择卡尔曼滤波器来实现背景噪声纹理特征的实时识别,实现背景噪声频段分布和带宽的提取,达到实现信噪分离的目的。卡尔曼滤波基本思想是:采用信号与噪声的状态空间模型,利用前一时刻的估计值和现时刻的观测值来更新对状态变量的估计,求出现时刻的估计值。它适合于实时处理和计算机运算。卡尔曼滤波是最优化自回归数据处理算法,不要求信号和噪声都是平稳过程,对于每个时刻的***扰动和观测误差(即噪声),只要对它们的统计性质作某些适当的假定,通过对含有噪声的观测信号进行处理,就能在平均的意义上,求得误差为最小的真实信号的估计值。卡尔曼滤波是一种新的线性滤波和预测理论,它以“预测—实测—修正”的顺序递推,对有噪声的输入和观测信号进行处理,求取***真实信号。
进一步地,通过卡尔曼滤波获得的电机运行状态信号,本质还是时域信号,其信号幅值不足以或唯一表征当时电机运行状态。通过执行FFT以产生频谱数据,然后在频谱中智能地搜索峰值,通过跟踪频谱中关键分量的频率,获得表征与电机运行状态的最大关联关系的特征值(频谱频段)。
进一步地,在发明一实施例中,特征值数据库1202存储有电机运行的特征值数据,储存方式为数据库结构,接受数据比对单元查取。
进一步地,在发明一实施例中,数据比对单元1203实时接收电机运行状态特征值、并与特征数据库内对应的特征数据进行比较,若实时特征值的偏差值在预设的安全值范围之内,则认定为电机运行状态正常;反之,则认定为电机运行状态异常;标记异常信息,将异常结果输出传送至中央处理单元。
进一步地,在发明一实施例中,中央处理单元1204管理调用上述单元的执行和结果的后续处理。对数据比对单元标记的异常信息,采用数据统计、回归分析、方差分析、聚类分析等数据深度处理方法构建电机异常数据库,结合当前异常结果和历史数据评估输出电机故障信息。
进一步地,在发明一实施例中,大数据分析单元1205利用经过噪声传感器采集的电机全周期运行状态数据,并经过数据预处理单元分析获得表征与电机运行状态关联的特征值,通过基于各种算法的数据挖掘的大数据处理过程(比较典型算法有用于聚类的K-Means、用于统计学习的SVM和用于分类的Naive Bayes,主要使用的工具有Hadoop的Mahout等);通过偏最小二乘法等类似算法构造,建立表征电机运行的特征值数据库。
相应地,本发明还提供一种非接触电机故障检测方法,包括:
S1、通过非接触方式感测被测电机的电机运行参数,所述电机运行参数包括电机运行状态信息和噪声信息;以及
S2、根据特征值数据库,判断所述电机运行参数是否异常,并根据异常结果输出电机故障信息。
具体地,在本发明一实施例中,通过噪声传感器利用非接触方式感测被测电机的电机运行参数。通过噪声传感器进行噪声检测来获取电机运行参数无需激励源、无惧遮挡、布置灵活方便。
具体地,在本发明一实施例中,在通过对原有电机***不产生干扰风险的非接触方式采集到电机运行参数后,需要对获取的数据进行处理,再利用处理得到的特征数据进行比对判断。因此,步骤S2包括:
S21、对所述电机运行参数进行预处理,生成电机运行状态特征值;
S22、计算所述电机运行状态特征值与所述特征值数据库内对应的特征值之间的偏差值;
S23、判断所述偏差值是否小于预设安全值,如果是,则判定电机运行状态正常,反之,则判定电机运行状态异常并输出异常结果;以及
S24、根据所述异常结果和电机异常数据库评估输出电机故障信息。
进一步地,在本发明一实施例中,检测电机运行状态的噪声传感器采集的数据中不仅有表征电机运行状态的信息,还有持续周期作用的背景噪声,如环境、机械部件共振产生的噪声,因此,步骤S21包括:
S211、提取所述电机运行参数中的所述电机运行状态信息;
S212、对所述电机运行状态信息进行傅里叶变换,产生频谱数据;以及
S213、根据所述频谱数据生成所述电机运行状态特征值。
进一步地,传统滤波器有高通、低通、带通(阻)滤波器,不能适用于背景噪声处理,因此,本发明选择卡尔曼滤波器来实现背景噪声纹理特征的实时识别,实现背景噪声频段分布和带宽的提取,达到实现信噪分离的目的。
进一步地,通过卡尔曼滤波获得的电机运行状态信号,本质还是时域信号,其信号幅值不足以或唯一表征当时电机运行状态。通过执行FFT以产生频谱数据,然后在频谱中智能地搜索峰值,通过跟踪频谱中关键分量的频率,获得表征与电机运行状态的最大关联关系的特征值(频谱频段)。
进一步地,在本发明一实施例中,还需要利用经过噪声传感器采集的电机全周期运行状态数据,并经过预处理分析获得表征与电机运行状态关联的特征值,通过基于各种算法的数据挖掘的大数据处理过程(比较典型算法有用于聚类的K-Means、用于统计学习的SVM和用于分类的Naive Bayes,主要使用的工具有Hadoop的Mahout等);通过偏最小二乘法等类似算法构造,建立表征电机运行的特征值数据库。因此,还包括:采集的电机全周期运行状态数据;通过数据挖掘建立表征电机正常运行的所述特征值数据库。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本公开并帮助理解各个发明方面中的一个或多个,在上面对本发明的示例性实施例的描述中,本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如下面的权利要求书所反映的那样,发明方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外,本领域的技术人员能够理解,尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如,在下面的权利要求书中,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
Claims (9)
1.一种非接触电机故障检测***,其特征在于,包括噪声传感器和通信连接于所述噪声传感器的数据处理模块,所述噪声传感器用于通过非接触方式感测被测电机的电机运行参数,所述电机运行参数包括电机运行状态信息和噪声信息;所述数据处理模块用于根据特征值数据库,判断所述电机运行参数是否异常,并根据异常结果输出电机故障信息。
2.如权利要求1的非接触电机故障检测***,其特征在于,所述数据处理模块包括:
特征值数据库,用于存储表征电机正常运行的特征值;
数据预处理单元,用于对所述电机运行参数进行预处理,生成电机运行状态特征值;
数据比对单元,用于计算所述电机运行状态特征值与所述特征值数据库内对应的特征值之间的偏差值,若所述偏差值小于预设安全值,则判定电机运行状态正常,反之,则判定电机运行状态异常并输出异常结果;
中央处理单元,用于根据所述异常结果和电机异常数据库评估输出电机故障信息。
3.如权利要求2的非接触电机故障检测***,其特征在于,还包括大数据分析单元,用于根据采集的电机全周期运行状态数据,通过数据挖掘建立表征电机正常运行的所述特征值数据库。
4.如权利要求2的非接触电机故障检测***,其特征在于,所述数据预处理单元包括:
滤波子单元,用于提取所述电机运行参数中的所述电机运行状态信息;
快速傅里叶变换子单元,用于对所述电机运行状态信息进行傅里叶变换,产生频谱数据,并根据所述频谱数据生成所述电机运行状态特征值。
5.一种非接触电机故障检测方法,其特征在于,包括:
通过非接触方式感测被测电机的电机运行参数,所述电机运行参数包括电机运行状态信息和噪声信息;以及
根据特征值数据库,判断所述电机运行参数是否异常,并根据异常结果输出电机故障信息。
6.如权利要求5的非接触电机故障检测方法,其特征在于,根据特征值数据库,判断所述电机运行参数是否异常,并根据异常结果输出电机故障信息的步骤包括:
对所述电机运行参数进行预处理,生成电机运行状态特征值;
计算所述电机运行状态特征值与所述特征值数据库内对应的特征值之间的偏差值;
判断所述偏差值是否小于预设安全值,如果是,则判定电机运行状态正常,反之,则判定电机运行状态异常并输出异常结果;以及
根据所述异常结果和电机异常数据库评估输出电机故障信息。
7.如权利要求6的非接触电机故障检测方法,其特征在于,还包括:
采集的电机全周期运行状态数据;
通过数据挖掘建立表征电机正常运行的所述特征值数据库。
8.如权利要求6的非接触电机故障检测方法,其特征在于,对所述电机运行参数进行预处理,生成电机运行状态特征值的步骤包括:
提取所述电机运行参数中的所述电机运行状态信息;
对所述电机运行状态信息进行傅里叶变换,产生频谱数据;以及
根据所述频谱数据生成所述电机运行状态特征值。
9.一种计算机可读存储介质,其特征在于,计算机可读存储介质存储有计算机程序,计算机程序被处理器执行时实现如权利要求5至8中任一项的非接触电机故障检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210645369.2A CN114740352A (zh) | 2022-06-09 | 2022-06-09 | 一种非接触电机故障检测方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210645369.2A CN114740352A (zh) | 2022-06-09 | 2022-06-09 | 一种非接触电机故障检测方法和*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114740352A true CN114740352A (zh) | 2022-07-12 |
Family
ID=82286694
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210645369.2A Pending CN114740352A (zh) | 2022-06-09 | 2022-06-09 | 一种非接触电机故障检测方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114740352A (zh) |
Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1884990A (zh) * | 2006-07-04 | 2006-12-27 | 清华大学深圳研究生院 | 大型发电机定子槽楔松动振动检测方法及装置 |
CN202329691U (zh) * | 2011-12-05 | 2012-07-11 | 山东建筑大学 | 一种通信基站发电机远程监测*** |
CN103698699A (zh) * | 2013-12-06 | 2014-04-02 | 西安交通大学 | 一种基于模型的异步电动机故障监测诊断方法 |
CN103733080A (zh) * | 2011-08-01 | 2014-04-16 | 维也纳技术大学 | 用于检测运转的电机中的绝缘状态劣化的方法和装置 |
CN107609574A (zh) * | 2017-08-18 | 2018-01-19 | 上海电力学院 | 基于数据挖掘的风电机组故障预警方法 |
CN107797063A (zh) * | 2017-09-19 | 2018-03-13 | 北京瑞盈同创智能技术研究院有限公司 | 基于scada的风电机组运行状态评估及故障诊断方法 |
CN108152736A (zh) * | 2017-12-07 | 2018-06-12 | 上海大学 | 利用电机***参数监测负载变化与***异常的自主感知*** |
CN110492497A (zh) * | 2019-08-16 | 2019-11-22 | 国网河南省电力公司电力科学研究院 | 一种发电机组功率振荡综合诊断方法及*** |
CN110542858A (zh) * | 2019-09-24 | 2019-12-06 | 中国矿业大学 | 一种非侵入式异步电动机转子初发故障检测方法 |
CN210180536U (zh) * | 2019-08-07 | 2020-03-24 | 浙江德欧电气技术有限公司 | 一种双电机同轴联结交叉参考的稳态噪声检测装置 |
CN111695618A (zh) * | 2020-06-01 | 2020-09-22 | 清华大学深圳国际研究生院 | 一种基于obd数据的电动汽车电机故障检测方法 |
CN111693865A (zh) * | 2020-06-18 | 2020-09-22 | 上海电气集团上海电机厂有限公司 | 一种基于sdr技术的电机集群电磁波远程检测装置及远程检测方法 |
CN112052796A (zh) * | 2020-09-07 | 2020-12-08 | 电子科技大学 | 一种基于深度学习的永磁同步电机故障诊断方法 |
CN213149750U (zh) * | 2020-09-04 | 2021-05-07 | 内蒙古电力(集团)有限责任公司内蒙古电力科学研究院分公司 | 一种汽轮发电机组状态评价与故障预测*** |
CN112834224A (zh) * | 2021-01-05 | 2021-05-25 | 广东核电合营有限公司 | 一种核电汽轮发电机健康状态评估方法及*** |
CN114035047A (zh) * | 2021-11-22 | 2022-02-11 | 安徽理工大学 | 一种基于音频识别的矿井通风机电机故障预警装置 |
CN216144922U (zh) * | 2021-06-16 | 2022-03-29 | 苏州捷杰传感技术有限公司 | 一种电机状态监测传感器及*** |
CN114374347A (zh) * | 2022-01-17 | 2022-04-19 | 上海大学 | 一种双控制器的电机控制***监控软件部署方法及*** |
-
2022
- 2022-06-09 CN CN202210645369.2A patent/CN114740352A/zh active Pending
Patent Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1884990A (zh) * | 2006-07-04 | 2006-12-27 | 清华大学深圳研究生院 | 大型发电机定子槽楔松动振动检测方法及装置 |
CN103733080A (zh) * | 2011-08-01 | 2014-04-16 | 维也纳技术大学 | 用于检测运转的电机中的绝缘状态劣化的方法和装置 |
CN202329691U (zh) * | 2011-12-05 | 2012-07-11 | 山东建筑大学 | 一种通信基站发电机远程监测*** |
CN103698699A (zh) * | 2013-12-06 | 2014-04-02 | 西安交通大学 | 一种基于模型的异步电动机故障监测诊断方法 |
CN107609574A (zh) * | 2017-08-18 | 2018-01-19 | 上海电力学院 | 基于数据挖掘的风电机组故障预警方法 |
CN107797063A (zh) * | 2017-09-19 | 2018-03-13 | 北京瑞盈同创智能技术研究院有限公司 | 基于scada的风电机组运行状态评估及故障诊断方法 |
CN108152736A (zh) * | 2017-12-07 | 2018-06-12 | 上海大学 | 利用电机***参数监测负载变化与***异常的自主感知*** |
CN210180536U (zh) * | 2019-08-07 | 2020-03-24 | 浙江德欧电气技术有限公司 | 一种双电机同轴联结交叉参考的稳态噪声检测装置 |
CN110492497A (zh) * | 2019-08-16 | 2019-11-22 | 国网河南省电力公司电力科学研究院 | 一种发电机组功率振荡综合诊断方法及*** |
CN110542858A (zh) * | 2019-09-24 | 2019-12-06 | 中国矿业大学 | 一种非侵入式异步电动机转子初发故障检测方法 |
CN111695618A (zh) * | 2020-06-01 | 2020-09-22 | 清华大学深圳国际研究生院 | 一种基于obd数据的电动汽车电机故障检测方法 |
CN111693865A (zh) * | 2020-06-18 | 2020-09-22 | 上海电气集团上海电机厂有限公司 | 一种基于sdr技术的电机集群电磁波远程检测装置及远程检测方法 |
CN213149750U (zh) * | 2020-09-04 | 2021-05-07 | 内蒙古电力(集团)有限责任公司内蒙古电力科学研究院分公司 | 一种汽轮发电机组状态评价与故障预测*** |
CN112052796A (zh) * | 2020-09-07 | 2020-12-08 | 电子科技大学 | 一种基于深度学习的永磁同步电机故障诊断方法 |
CN112834224A (zh) * | 2021-01-05 | 2021-05-25 | 广东核电合营有限公司 | 一种核电汽轮发电机健康状态评估方法及*** |
CN216144922U (zh) * | 2021-06-16 | 2022-03-29 | 苏州捷杰传感技术有限公司 | 一种电机状态监测传感器及*** |
CN114035047A (zh) * | 2021-11-22 | 2022-02-11 | 安徽理工大学 | 一种基于音频识别的矿井通风机电机故障预警装置 |
CN114374347A (zh) * | 2022-01-17 | 2022-04-19 | 上海大学 | 一种双控制器的电机控制***监控软件部署方法及*** |
Non-Patent Citations (4)
Title |
---|
喻伟 等: "基于CEEMD和小波包变换的重力数据信噪分离方法", 《软件》 * |
喻伟 等: "基于瞬时混合模型的独立分量分析重力数据信噪分离方法", 《重力测量技术——2014年惯性技术发展动态发展方向研讨会文集》 * |
李岩松 等: "基于序贯卡尔曼滤波的OCT信号处理方法研究", 《电测与仪表》 * |
杨柏: "基于改进卷积神经网络永磁电机故障诊断方法研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wen et al. | Graph modeling of singular values for early fault detection and diagnosis of rolling element bearings | |
CN113748326B (zh) | 用于对感应电动机估计轴承故障严重性的方法 | |
US20150233792A1 (en) | Methods and Apparatuses for Defect Diagnosis in a Mechanical System | |
Chegini et al. | New fault diagnosis approaches for detecting the bearing slight degradation | |
KR102301201B1 (ko) | IoT 센서 기반 회전 기기의 정밀 상태 진단 장치 및 방법 | |
KR102374980B1 (ko) | 복합센서 기반의 인공지능형 결함 진단 시스템 | |
Li et al. | Optimal SES selection based on SVD and its application to incipient bearing fault diagnosis | |
CN107782551A (zh) | 一种机械部件损伤程度的评估方法 | |
CN110186384B (zh) | 船体结构应力监测***传感器偏差故障诊断方法 | |
Shi et al. | The VMD-scale space based hoyergram and its application in rolling bearing fault diagnosis | |
CN105445004A (zh) | 设备零部件的振动曲线归一化平均寿命预测办法 | |
CN117570039B (zh) | 矿用隔爆型潜水排沙电泵故障监测***及方法 | |
CN103999316A (zh) | 用于产生说明在供电网中的摆动的信号的方法 | |
CN117786461A (zh) | 水泵的故障诊断方法、控制设备及其存储介质 | |
CN114740352A (zh) | 一种非接触电机故障检测方法和*** | |
CN117630797A (zh) | 基于工作电流的电表健康状态检测方法、***及存储介质 | |
Yao et al. | A framework via impulses-oriented Gini index and extreme value distribution for rolling bearing dynamic fault alarm and identification | |
CN112380782A (zh) | 一种基于混合指标和神经网络的旋转设备故障预测方法 | |
CN117435908A (zh) | 一种用于旋转机械的多种故障特征提取方法 | |
US20230024104A1 (en) | Identification of false transformer humming using machine learning | |
Yaqub et al. | Machine fault severity estimation based on adaptive wavelet nodes selection and SVM | |
CN116434368A (zh) | 一种多功能手持巡检仪及巡检方法 | |
Talmoudi et al. | Tracking and Visualizing Signs of Degradation for Early Failure Prediction of Rolling Bearings | |
CN112001264A (zh) | 一种监测传感器降噪方法、装置、设备及计算机存储介质 | |
Zhao et al. | Incipient fault detection and condition assessment in DFIGs based on external leakage flux sensing and modified multiscale poincare plots analysis |
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: 20220712 |