CN115898925A - 一种基于振动信号多阶矩的风机故障预警方法 - Google Patents
一种基于振动信号多阶矩的风机故障预警方法 Download PDFInfo
- Publication number
- CN115898925A CN115898925A CN202211325969.7A CN202211325969A CN115898925A CN 115898925 A CN115898925 A CN 115898925A CN 202211325969 A CN202211325969 A CN 202211325969A CN 115898925 A CN115898925 A CN 115898925A
- Authority
- CN
- China
- Prior art keywords
- vibration signal
- early warning
- method based
- theta
- warning method
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 239000013598 vector Substances 0.000 claims abstract description 30
- 239000011159 matrix material Substances 0.000 claims description 18
- 239000000203 mixture Substances 0.000 claims description 9
- 239000002994 raw material Substances 0.000 claims description 9
- 230000009466 transformation Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 3
- 101150071577 chi2 gene Proteins 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 239000000758 substrate Substances 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 7
- 238000004458 analytical method Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 2
- 230000007257 malfunction Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/70—Wind energy
- Y02E10/72—Wind turbines with rotation axis in wind direction
Landscapes
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种基于振动信号多阶矩的风机故障预警方法,包括:在现场布置振动测点,将设备特定位置的振动信号转化为数字信息,并将所述数字信号实时传输给云服务器;基于振动信号的均值、方差、斜度和峭度,构建参数模型;选择现场采集得到的任意一条数据,并将所述数据代入到所述参数模型计算得到参数向量,并判断设备是否故障。本发明通过提取振动信号的多阶矩,而不是仅仅有效值,有效地处理了振动信号的非平稳特征;通过多元决策分析,在理论和实践上解决了故障预警误报和漏报的矛盾。
Description
技术领域
本发明涉及故障预警技术领域,尤其涉及一种基于振动信号多阶矩的风机故障预警方法。
背景技术
华能上海石洞口第二发电厂重要辅机设备中的风机(一次风机、送风机、引风机)安装了振动信号探测装置,对振动信号进行实时采样,采样所得数据通过5G通信方式传输至数据服务器,作为预警设备故障的数据依据。
通过分析振动信号有效值的物理意义,它代表了振动能量的大小,直观现场感受是振动的大小,这在早期预警设备故障有着重要意义。因为当设备产生某个故障时,往往因为该故障产生额外的振动成份,进而导致振动能量增加。
在预警设备故障的过程中,对每一段振动信号实时计算有效值,按照国标的规定的有效值阈值进行三级预警,这种方式进行设备故障预警,能大致准确,但存在如下问题:
国标所规定的阈值针对所有机械转动设备,且对设备容量的划分比较粗糙,仅仅分为65千瓦以上和65千瓦以下两档,这导致对于给定设备的故障预警的精准程度有限。
设备从完全正常到存在一定问题但仍可以长时间运行到最终故障完全不可用,是一个缓慢的发展过程。对于不同的工艺线、不同的可靠性要求的设备,对“存在问题但仍可以使用”的容忍程度不一,需要有人工反馈来表达这一容忍,从而尽可能贴合“状态检修”的根本目的。
设备在运行过程中,往往受到偶然的的环境因素的影响导致振动幅值看似超标但实际设备正常。例如,工艺线出力在短时间内因生产需要急剧变化、设备所在位置受其它环境原因产生的振动导致振动超标;这需要有一个评价机制对偶发因素进行剔除。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊,而这种简化或省略不能用于限制本发明的范围。
鉴于上述现有存在的问题,提出了本发明。
因此,本发明解决的技术问题是:给定设备的故障预警的精准程度有限的问题。
为解决上述技术问题,本发明提供如下技术方案:在现场布置振动测点,将设备特定位置的振动信号转化为数字信息,并将所述数字信号实时传输给云服务器;基于振动信号的均值、方差、斜度和峭度,构建参数模型;选择现场采集得到的任意一条数据,并将所述数据代入到所述参数模型计算得到参数向量,并判断设备是否故障。
作为本发明所述的基于振动信号多阶矩的风机故障预警方法的一种优选方案,其中:所述参数模型的构建包括,
其中,x表示振动信号,θ1表示均值,θ2表示方差,θ3表示斜度,θ4表示峭度;
设定θ=(θ1,θ2,θ3,θ4)T,其中θ表示参数向量;
θ1、θ2、θ3、θ4作为参数向量θ的一次观测值,(θ1i,θ2i,θ3i,θ4i)T表示第i次参数向量θ的观测值,设定观测的次数为n,即建模数据条数,得到θ1、θ2、θ3、θ4的n次观测值。
作为本发明所述的基于振动信号多阶矩的风机故障预警方法的一种优选方案,其中:包括,
参数向量θ都是在设备正常状态下独立采集的,由中心极限定理可知,独立同分布随机变量的均值收敛于高斯分布,即
其中,μi表示θi的均值,σi 2表示θi的方差,θi表示振动信号的随机变量,i=1,2,3,4。
作为本发明所述的基于振动信号多阶矩的风机故障预警方法的一种优选方案,其中:包括,
利用协方差函数对随机变量θ1、θ2、θ3、θ4作去相关性标准化变换,
其中,∑θ表示协方差矩阵;
cov(θi,θj)=E((θi-E(θi))(θj-E(θj)))=E((θi-μi)(θj-μj)),i,j=1,2,3,4。
作为本发明所述的基于振动信号多阶矩的风机故障预警方法的一种优选方案,其中:还包括,
当协方差矩阵∑θ的非主对角线元素都是0时,θi,θj之间独立,作适当的线性变换至正交基下;
由线性代数理论,对于所述协方差矩阵∑θ,存在正交矩阵Q,使得:
Q-1∑θQ=QT∑θQ=Λ
其中,λ1、λ2、λ3、λ4表示协方差矩阵∑θ的特征值。
作为本发明所述的基于振动信号多阶矩的风机故障预警方法的一种优选方案,其中:包括,
对所述协方差矩阵∑θ进行特征值分解,得到∑θ=QΛQT;
对所述参数向量θ作线性变换得到向量α,
α=B-1θ
所述向量α各分量之间相互独立且服从标准高斯分布,即
作为本发明所述的基于振动信号多阶矩的风机故障预警方法的一种优选方案,其中:所述向量α的联合分布密度函数f(α)的计算包括,
设定d2=αTα,则
作为本发明所述的基于振动信号多阶矩的风机故障预警方法的一种优选方案,其中:设备故障的判断包括,
取一天为一个周期,一天能采集的数据条数是96条,对于这96条数据,判断d2≥λ是否成立;
记d2≥λ的数据条数为n1,d2<λ的数据条数为n2;
若n1≥n2,判断设备故障;
若n1<n2,判断设备正常;
其中,λ表示故障判断d2的阈值。
作为本发明所述的基于振动信号多阶矩的风机故障预警方法的一种优选方案,其中:包括,
设定测点数量500个,能容忍的最大最终故障误报是一个月一次,每天最终判断一次;
设定每次判断误报故障的概率p2,判断故障的次数为X,那么
X~B(96,p2)
作为本发明所述的基于振动信号多阶矩的风机故障预警方法的一种优选方案,其中:还包括,
调用python的scipy.stats.binom.cdf()函数迭代计算求得p2=0.31777;
调用python的scipy.stats.chi2.ppf(1-0.31777,df=4)得:λ=4.715。
本发明的有益效果:本发明通过提取振动信号的多阶矩,而不是仅仅有效值,有效地处理了振动信号的非平稳特征;通过多元决策分析,在理论和实践上解决了故障预警误报和漏报的矛盾。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例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一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。其中:
图1为本发明一个实施例提供的一种基于振动信号多阶矩的风机故障预警方法的基本流程示意图;
图2为本发明一个实施例提供的一种基于振动信号多阶矩的风机故障预警方法的辅机状态监测预警界面图;
图3为本发明一个实施例提供的一种基于振动信号多阶矩的风机故障预警方法的辅机状态监测预警报警信息界面图;
图4为本发明一个实施例提供的一种基于振动信号多阶矩的风机故障预警方法的无问题设备状况评分示意图;
图5为本发明一个实施例提供的一种基于振动信号多阶矩的风机故障预警方法的应立即停机检修的设备状况评分示意图;
图6为本发明一个实施例提供的一种基于振动信号多阶矩的风机故障预警方法的设备振动频谱图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合说明书附图对本发明的具体实施方式做详细的说明,显然所描述的实施例是本发明的一部分实施例,而不是全部实施例。基于本发明中的实施例,本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是本发明还可以采用其他不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施例的限制。
其次,此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例,也不是单独的或选择性的与其他实施例互相排斥的实施例。
本发明结合示意图进行详细描述,在详述本发明实施例时,为便于说明,表示器件结构的剖面图会不依一般比例作局部放大,而且所述示意图只是示例,其在此不应限制本发明保护的范围。此外,在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中,需要说明的是,术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一、第二或第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定,术语“安装、相连、连接”应做广义理解,例如:可以是固定连接、可拆卸连接或一体式连接;同样可以是机械连接、电连接或直接连接,也可以通过中间媒介间接相连,也可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
实施例1
参照图1,为本发明的一个实施例,提供了一种基于振动信号多阶矩的风机故障预警方法,包括:
S1:在现场布置振动测点,将设备特定位置的振动信号转化为数字信息,并将数字信号实时传输给云服务器。
S2:基于振动信号的均值、方差、斜度和峭度,构建参数模型。需要说明的是:
参数模型的构建包括,
其中,x表示振动信号,θ1表示均值,θ2表示方差,θ3表示斜度,θ4表示峭度;
设定θ=(θ1,θ2,θ3,θ4)T,其中θ表示参数向量;
θ1、θ2、θ3、θ4作为参数向量θ的一次观测值,(θ1i,θ2i,θ3i,θ4i)T表示第i次参数向量θ的观测值,设定观测的次数为n,即建模数据条数,得到θ1、θ2、θ3、θ4的n次观测值。
包括,
参数向量θ都是在设备正常状态下独立采集的,由中心极限定理可知,独立同分布随机变量的均值收敛于高斯分布,即
其中,μi表示θi的均值,σi 2表示θi的方差,θi表示振动信号的随机变量,i=1,2,3,4。
包括,
利用协方差函数对随机变量θ1、θ2、θ3、θ4作去相关性标准化变换,
其中,∑θ表示协方差矩阵;
cov(θi,θj)=E((θi-E(θi))(θj-E(θj)))=E((θi-μi)(θj-μj)),i,j=1,2,3,4。
还包括,
当协方差矩阵∑θ的非主对角线元素都是0时,θi,θj之间独立,作适当的线性变换至正交基下;
由线性代数理论,对于协方差矩阵∑θ,存在正交矩阵Q,使得:
其中,λ1、λ2、λ3、λ4表示协方差矩阵∑θ的特征值。
S3:选择现场采集得到的任意一条数据,并将数据代入到参数模型计算得到参数向量,并判断设备是否故障。需要说明的是:
包括,
对协方差矩阵∑θ进行特征值分解,得到∑θ=QΛQT;
对参数向量θ作线性变换得到向量α,
α=B-1θ
向量α各分量之间相互独立且服从标准高斯分布,即
∑α=E((α-E(α))(α-E(α))T)
=E((B-1θ-E(B-1θ))(B-1θ-E(B-1θ))T)
=B-1E((θ-E(θ))(θ-E(θ)))(B-1)T
=B-1∑θ(B-1)T
=B-1B∑θBT(B-1)T
=I。
向量α的联合分布密度函数f(α)的计算包括,
设定d2=αTα,则
设备故障的判断包括,
取一天为一个周期,一天能采集的数据条数是96条,对于这96条数据,判断d2≥λ是否成立;
记d2≥λ的数据条数为n1,d2<λ的数据条数为n2;
若n1≥n2,判断设备故障;
若n1<n2,判断设备正常;
其中,λ表示故障判断d2的阈值。
包括,
设定测点数量500个,能容忍的最大最终故障误报是一个月一次,每天最终判断一次;
设定每次判断误报故障的概率p2,判断故障的次数为X,那么
X~B(96,p2)
还包括,
调用python的scipy.stats.binom.cdf()函数迭代计算求得p2=0.31777;
调用python的scipy.stats.chi2.ppf(1-0.31777,df=4)得:λ=4.715。
本发明通过提取振动信号的多阶矩,而不是仅仅有效值,有效地处理了振动信号的非平稳特征;通过多元决策分析,在理论和实践上解决了故障预警误报和漏报的矛盾。
“设备正常”本身是一个主观判断,基于设备在***的地位和要求程度,通过数据库中认为正常时段的数据进行数据建模,很灵活地定义了“正常”,规避了设备轻微异常但尚可长期运行这种条件下的不必要报警。
实施例2
参照图2~6,为本发明的第二个实施例,该实施例不同于第一个实施例的是,提供了一种基于振动信号多阶矩的风机故障预警方法的验证测试,为对本方法中采用的技术效果加以验证说明,以验证本方法所具有的真实效果。
对于某一天采样得到的96条数据分别计算均值、方差、斜度、峭度,得到96个参数向量θ,对于每一个参数向量θ,分别利用建模算法得到的求对于每一个α,分别计算各个分量的平方和d2,统计d2≥4.715的数量,若d2≥4.715的数量大于48,则微信推送故障预警,反之不推送。需要说明的是48是检验总数(96)的一半,表示异常的数量超过一半即推送报警,可以理解为故障判断的简单多数准则,一个给定测点一天采样得到96条数据,其中一半以上距离分布中心超出阈值,即判断为故障进行推送,如图2、3所示。
利用物联网智慧平台实时检测设备状态评分,评分分值表征偏离正常的程度,越低表示偏差越大,80以上表示无问题,60到80表示有问题但还可以使用,60以下表示应立即停机检修,如图4、5所示。
正常情况下没有振动频率成份或者振动频率成分很小,在故障条件下,设备有多种振动频率的成份,表现为振动增大,图6是对数据进行了傅里叶分析的结果,表示设备存在问题。
应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (10)
1.一种基于振动信号多阶矩的风机故障预警方法,其特征在于,包括:
在现场布置振动测点,将设备特定位置的振动信号转化为数字信息,并将所述数字信号实时传输给云服务器;
基于振动信号的均值、方差、斜度和峭度,构建参数模型;
选择现场采集得到的任意一条数据,并将所述数据代入到所述参数模型计算得到参数向量,并判断设备是否故障。
8.如权利要求7所述的基于振动信号多阶矩的风机故障预警方法,其特征在于:设备故障的判断包括,
取一天为一个周期,一天能采集的数据条数是96条,对于这96条数据,判断d2≥λ是否成立;
记d2≥λ的数据条数为n1,d2<λ的数据条数为n2;
若n1≥n2,判断设备故障;
若n1<n2,判断设备正常;
其中,λ表示故障判断d2的阈值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211325969.7A CN115898925B (zh) | 2022-10-27 | 2022-10-27 | 一种基于振动信号多阶矩的风机故障预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211325969.7A CN115898925B (zh) | 2022-10-27 | 2022-10-27 | 一种基于振动信号多阶矩的风机故障预警方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115898925A true CN115898925A (zh) | 2023-04-04 |
CN115898925B CN115898925B (zh) | 2024-06-04 |
Family
ID=86495524
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211325969.7A Active CN115898925B (zh) | 2022-10-27 | 2022-10-27 | 一种基于振动信号多阶矩的风机故障预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115898925B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116717493A (zh) * | 2023-07-20 | 2023-09-08 | 东莞市绿雅家用电器有限公司 | 一种基于超声动态感知的便携风扇控制方法及*** |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103529825A (zh) * | 2013-10-23 | 2014-01-22 | 上海白丁电子科技有限公司 | 自动分析和诊断设备故障的方法及其装置 |
CN103671190A (zh) * | 2013-09-18 | 2014-03-26 | 北京工业大学 | 一种智能早期矿用通风机在线故障诊断*** |
CN103954450A (zh) * | 2014-05-19 | 2014-07-30 | 重庆交通大学 | 基于主成分分析的轴承寿命退化性能评估指标构建方法 |
CN105003453A (zh) * | 2014-07-18 | 2015-10-28 | 河北联合大学 | 一种矿井风机在线监测与故障诊断*** |
CN105716857A (zh) * | 2016-01-20 | 2016-06-29 | 中国人民解放军军械工程学院 | 一种行星齿轮箱健康状态评估方法 |
CN106769049A (zh) * | 2017-01-18 | 2017-05-31 | 北京工业大学 | 一种基于拉普拉斯分值和支持向量机的滚动轴承故障诊断方法 |
KR20170093613A (ko) * | 2016-02-05 | 2017-08-16 | 울산대학교 산학협력단 | 베어링 고장 진단 방법 |
CN110567720A (zh) * | 2019-08-07 | 2019-12-13 | 东北电力大学 | 非平衡小样本场景下风机轴承故障深度对抗诊断方法 |
US20210072272A1 (en) * | 2019-09-10 | 2021-03-11 | Schneider Electric It Corporation | Method and system for monitoring a fan |
CN112504436A (zh) * | 2020-11-24 | 2021-03-16 | 华能(上海)电力检修有限责任公司 | 一种基于bim的风机振动信息采集*** |
CN113834657A (zh) * | 2021-09-24 | 2021-12-24 | 北京航空航天大学 | 一种基于改进mset及频谱特征的轴承故障预警及诊断方法 |
CN114033736A (zh) * | 2021-12-23 | 2022-02-11 | 国家能源集团泰州发电有限公司 | 一种基于气压脉动信号风机故障监测*** |
CN115166032A (zh) * | 2022-05-23 | 2022-10-11 | 东南大学 | 一种风机叶片裂纹的检测装置及方法 |
-
2022
- 2022-10-27 CN CN202211325969.7A patent/CN115898925B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103671190A (zh) * | 2013-09-18 | 2014-03-26 | 北京工业大学 | 一种智能早期矿用通风机在线故障诊断*** |
CN103529825A (zh) * | 2013-10-23 | 2014-01-22 | 上海白丁电子科技有限公司 | 自动分析和诊断设备故障的方法及其装置 |
CN103954450A (zh) * | 2014-05-19 | 2014-07-30 | 重庆交通大学 | 基于主成分分析的轴承寿命退化性能评估指标构建方法 |
CN105003453A (zh) * | 2014-07-18 | 2015-10-28 | 河北联合大学 | 一种矿井风机在线监测与故障诊断*** |
CN105716857A (zh) * | 2016-01-20 | 2016-06-29 | 中国人民解放军军械工程学院 | 一种行星齿轮箱健康状态评估方法 |
KR20170093613A (ko) * | 2016-02-05 | 2017-08-16 | 울산대학교 산학협력단 | 베어링 고장 진단 방법 |
CN106769049A (zh) * | 2017-01-18 | 2017-05-31 | 北京工业大学 | 一种基于拉普拉斯分值和支持向量机的滚动轴承故障诊断方法 |
CN110567720A (zh) * | 2019-08-07 | 2019-12-13 | 东北电力大学 | 非平衡小样本场景下风机轴承故障深度对抗诊断方法 |
US20210072272A1 (en) * | 2019-09-10 | 2021-03-11 | Schneider Electric It Corporation | Method and system for monitoring a fan |
CN112504436A (zh) * | 2020-11-24 | 2021-03-16 | 华能(上海)电力检修有限责任公司 | 一种基于bim的风机振动信息采集*** |
CN113834657A (zh) * | 2021-09-24 | 2021-12-24 | 北京航空航天大学 | 一种基于改进mset及频谱特征的轴承故障预警及诊断方法 |
CN114033736A (zh) * | 2021-12-23 | 2022-02-11 | 国家能源集团泰州发电有限公司 | 一种基于气压脉动信号风机故障监测*** |
CN115166032A (zh) * | 2022-05-23 | 2022-10-11 | 东南大学 | 一种风机叶片裂纹的检测装置及方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116717493A (zh) * | 2023-07-20 | 2023-09-08 | 东莞市绿雅家用电器有限公司 | 一种基于超声动态感知的便携风扇控制方法及*** |
CN116717493B (zh) * | 2023-07-20 | 2024-03-15 | 东莞市绿雅家用电器有限公司 | 一种基于超声动态感知的便携风扇控制方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN115898925B (zh) | 2024-06-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113982850B (zh) | 融合高低频信号的风机综合健康分析方法及*** | |
CN111125895B (zh) | 一种风力发电机整机服役功率特性在线评估方法 | |
CN105303331A (zh) | 一种变压器维修风险决策方法 | |
CN115898925A (zh) | 一种基于振动信号多阶矩的风机故障预警方法 | |
CN116388402B (zh) | 一种应用于变电设备的异常报警分析方法 | |
CN116306139A (zh) | 一种风力机叶片寿命智能监测方法及*** | |
CN110398368A (zh) | 基于fbm的长相关模型的轴承内圈故障剩余寿命预测方法 | |
CN112001511A (zh) | 基于数据挖掘的设备可靠性及动态风险评价方法、***和设备 | |
Junior et al. | Unbalance evaluation of a scaled wind turbine under different rotational regimes via detrended fluctuation analysis of vibration signals combined with pattern recognition techniques | |
CN110348683A (zh) | 电能质量扰动事件主成因分析方法、装置设备及存储介质 | |
CN115455358A (zh) | 基于非线性回归模型的电气参数趋势预警及故障诊断方法 | |
CN110332080B (zh) | 一种基于共振响应的风机叶片健康实时监测方法 | |
CN113406524A (zh) | 一种动力电池***的不一致性故障诊断方法及*** | |
US8634965B1 (en) | Computer-based method for power system state estimation | |
CN113554229A (zh) | 三相电压不平衡异常检测方法及装置 | |
Yang et al. | Assessment of equipment operation state with improved random forest | |
CN109784777B (zh) | 基于时序信息片段云相似度度量的电网设备状态评估方法 | |
Jiang et al. | Synchrophasor measurement-based modal analysis in power grids | |
CN116151799A (zh) | 一种基于bp神经网络的配电线路多工况故障率快速评估方法 | |
CN110766248A (zh) | 基于shel和区间直觉模糊评价的车间人因可靠性评估方法 | |
CN115587331A (zh) | 电网设备运行状态诊断预测方法及*** | |
Martin et al. | Identification and prioritization of low performing wind turbines using a power curve health value approach | |
CN113431800A (zh) | 一种实时判别风机运行状态的方法 | |
CN113884969B (zh) | 利用分形维数检测电能质量监测装置的误差阈值确定方法 | |
CN104731955A (zh) | 风电机组油液监测诊断标准建立及智能诊断方法及*** |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |