CN116500441B - 一种电机故障检测定位方法及*** - Google Patents
一种电机故障检测定位方法及*** Download PDFInfo
- Publication number
- CN116500441B CN116500441B CN202310785827.7A CN202310785827A CN116500441B CN 116500441 B CN116500441 B CN 116500441B CN 202310785827 A CN202310785827 A CN 202310785827A CN 116500441 B CN116500441 B CN 116500441B
- Authority
- CN
- China
- Prior art keywords
- motor
- fault
- information
- state
- motor assembly
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 73
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000012423 maintenance Methods 0.000 claims abstract description 51
- 238000012544 monitoring process Methods 0.000 claims abstract description 25
- 238000009826 distribution Methods 0.000 claims description 75
- 238000010276 construction Methods 0.000 claims description 6
- 238000012098 association analyses Methods 0.000 claims description 4
- 238000007621 cluster analysis Methods 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 2
- 230000004807 localization Effects 0.000 claims 2
- 230000000694 effects Effects 0.000 abstract description 4
- 238000009413 insulation Methods 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000005299 abrasion Methods 0.000 description 3
- 230000015556 catabolic process Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 230000008439 repair process Effects 0.000 description 3
- 230000032683 aging Effects 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000013179 statistical model Methods 0.000 description 2
- 238000004804 winding Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 239000012774 insulation material Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0499—Feedforward networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
- Y04S10/52—Outage or fault management, e.g. fault detection or location
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Control Of Electric Motors In General (AREA)
Abstract
本发明涉及电机故障检测技术领域，提供一种电机故障检测定位方法及***，方法包括：获取待检电机的任务特征信息、应用时长信息和维保记录信息，标定电机组件损耗特征；以电机组件损耗特征为约束条件，采集预设电机组件的电机运行状态样本集，并构建预设电机组件故障分析通道；采集状态监测信息，输入预设电机组件故障分析通道，获取故障决策因子；当故障决策因子满足决策因子阈值，对预设电机组件生成故障定位标识，解决传统的电机故障检测的准确性和效率有限技术问题，实现进行电机故障的快速检测和定位，减少了故障排查的时间和成本，同时，提高了故障定位的准确性，减少了误判和误修的情况，能够更准确地检测和定位电机故障技术效果。
Description
技术领域
本发明涉及电机故障检测相关技术领域，具体涉及一种电机故障检测定位方法及***。
背景技术
电机故障指的是电机在运行过程中发生的异常或损坏，导致其无法正常工作或性能下降的情况。常见的，电路问题、绝缘故障、机械问题、温度问题等多种原因均可能使得电机出现故障，电机故障的检测和诊断对于维护和修复电机设备至关重要，能够及时发现故障并采取适当的修复措施，以避免进一步的损坏或停机时间的增加。
传统的电机故障检测方式通常包括：视觉检查、温度检测、振动检测，传统的电机故障检测方式在一定程度上可以帮助发现电机的故障，但由于其依赖于人工的主观判断或只能提供有限的信息，准确性和效率有限。
综上所述，现有技术中存在传统的电机故障检测的准确性和效率有限的技术问题。
发明内容
本申请通过提供了一种电机故障检测定位方法及***，旨在解决现有技术中的传统的电机故障检测的准确性和效率有限的技术问题。
鉴于上述问题，本申请提供了一种电机故障检测定位方法及***。
本申请公开的第一个方面，提供了一种电机故障检测定位方法，其中，应用于电机故障检测定位***，所述方法包括：获取待检电机的任务特征信息、应用时长信息和维保记录信息；根据所述任务特征信息、所述应用时长信息和所述维保记录信息，标定电机组件损耗特征；以所述电机组件损耗特征为约束条件，采集预设电机组件的电机运行状态样本集，其中，所述电机运行状态样本集为正常运行的运行状态样本；根据所述电机运行状态样本集，构建预设电机组件故障分析通道内嵌于电机故障检测定位***；通过传感组件采集所述预设电机组件的状态监测信息，输入所述预设电机组件故障分析通道，获取故障决策因子；当所述故障决策因子满足决策因子阈值，对所述预设电机组件生成故障定位标识。
本申请公开的另一个方面，提供了一种电机故障检测定位***，其中，所述***包括：第一信息获取模块，用于获取待检电机的任务特征信息、应用时长信息和维保记录信息；损耗特征标定模块，用于根据所述任务特征信息、所述应用时长信息和所述维保记录信息，标定电机组件损耗特征；样本集采集模块，用于以所述电机组件损耗特征为约束条件，采集预设电机组件的电机运行状态样本集，其中，所述电机运行状态样本集为正常运行的运行状态样本；故障分析通道构建模块，用于根据所述电机运行状态样本集，构建预设电机组件故障分析通道内嵌于电机故障检测定位***；故障决策因子获取模块，用于通过传感组件采集所述预设电机组件的状态监测信息，输入所述预设电机组件故障分析通道，获取故障决策因子；故障定位标识生成模块，用于当所述故障决策因子满足决策因子阈值，对所述预设电机组件生成故障定位标识。
本申请中提供的一个或多个技术方案，至少具有如下技术效果或优点：
由于采用了取待检电机的任务特征信息、应用时长信息和维保记录信息，并标定电机组件损耗特征；以电机组件损耗特征为约束条件，采集预设电机组件的电机运行状态样本集，并构建预设电机组件故障分析通道；通过传感组件采集预设电机组件的状态监测信息，输入预设电机组件故障分析通道，获取故障决策因子；当故障决策因子满足决策因子阈值，对预设电机组件生成故障定位标识，实现了进行电机故障的快速检测和定位，减少了故障排查的时间和成本，同时，提高了故障定位的准确性，减少了误判和误修的情况，能够更准确地检测和定位电机故障的技术效果。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
图1为本申请实施例提供了一种电机故障检测定位方法可能的流程示意图；
图2为本申请实施例提供了一种电机故障检测定位方法中标定电机组件损耗特征可能的流程示意图；
图3为本申请实施例提供了一种电机故障检测定位方法中构建预设电机组件故障分析通道可能的流程示意图；
图4为本申请实施例提供了一种电机故障检测定位***可能的结构示意图。
附图标记说明：100、第一信息获取模块；200、损耗特征标定模块；300、样本集采集模块；400、故障分析通道构建模块；500、故障决策因子获取模块；600、故障定位标识生成模块。
具体实施方式
本申请实施例提供了一种电机故障检测定位方法及***，解决了传统的电机故障检测的准确性和效率有限的技术问题，实现了进行电机故障的快速检测和定位，减少了故障排查的时间和成本，同时，提高了故障定位的准确性，减少了误判和误修的情况，能够更准确地检测和定位电机故障的技术效果。
在介绍了本申请基本原理后，下面将结合说明书附图来具体介绍本申请的各种非限制性的实施方式。
实施例一
如图1所示，本申请实施例提供了一种电机故障检测定位方法，其中，应用于电机故障检测定位***，所述方法包括：
S10：获取待检电机的任务特征信息、应用时长信息和维保记录信息；
步骤S10包括步骤：
S11：获取所述待检电机的服役设备类型信息、所述应用时长信息和所述维保记录信息；
S12：调取所述服役设备类型信息的运行参数记录数据进行众数分析，获取运行参数众数值；
S13：将所述服役设备类型信息和所述运行参数众数值，添加进所述任务特征信息。
步骤S12包括步骤：
S121：获取所述运行参数记录数据的第i属性运行参数记录集；
S122：设定第i属性运行参数偏离阈值，对所述第i属性运行参数记录集进行聚类分析，获取第i属性运行参数聚类结果；
S123：对所述第i属性运行参数聚类结果的第一类内数量和所述第i属性运行参数记录集的参数总数求比，生成第一众数因子；
S124：将所述第一众数因子大于或等于众数因子均值的所述第i属性运行参数聚类结果提取，求取运行参数均值，设为第i属性运行参数众数值，添加进所述运行参数众数值。
具体而言，电机故障可能由多种原因引起，常见的，电路问题：电机的电路元件（如绕组、接线等）出现断路、短路或接触不良等问题，导致电流无法正常流动或分布不均；绝缘故障：电机的绝缘材料受损或老化，导致绝缘性能下降，可能导致电流泄漏、击穿或短路等问题；机械问题：电机的机械部件（如轴承、齿轮、传动带等）出现磨损、断裂、松动或不平衡等问题，影响电机的正常转动或导致振动异常；温度问题：电机过热可能是由于过载、环境温度过高、散热不良等原因引起，长期高温运行可能导致电机绝缘老化、绕组烧坏等故障；
所述任务特征信息是指与电机使用相关的任务或操作的特征信息，包括电机所用于的工作负载类型等方面的信息；所述应用时长信息是指待检电机的使用时长，可以提供电机的累计运行时间；所述维保记录信息是指对电机进行维护和保养的记录信息，包括维修、保养和更换零部件等方面的信息；基于电机故障检测定位***的数据存储单元，获取待检电机的任务特征信息、应用时长信息和维保记录信息；
进一步的，获取待检电机的任务特征信息、应用时长信息和维保记录信息，包括，所述服役设备类型信息是指所述待检电机所使用的设备类型，例如电机型号、规格等；所述应用时长信息用于判断电机的可能的磨损情况；所述维保记录信息记录了电机的维护历史、故障修复情况和维护频率等数据；基于电机故障检测定位***的数据存储单元，直接获取所述待检电机的服役设备类型信息、所述应用时长信息和所述维保记录信息；
所述运行参数记录数据是指记录所述待检电机运行期间所监测或记录的各种参数数据，例如温度、振动、电流等，用于分析电机的运行状态和性能；调取所述服役设备类型信息的运行参数记录数据按照运行参数预设偏差，对运行参数进行聚类分析，计算每个类内对应的属性运行参数众数值，从而得到运行参数众数值；
所述任务特征信息是指用于进行电机健康状况和故障风险评估的相关信息，包括服役设备类型信息、运行参数众数值等将所述服役设备类型信息和所述运行参数众数值，添加进所述任务特征信息，可以提供更全面的电机特征描述，以便进行更准确的健康状况评估和故障预测；
进一步的，调取所述服役设备类型信息的运行参数记录数据进行众数分析，获取运行参数众数值，包括，将运行参数按照属性进行分类，每个属性可能代表不同的参数，可以是电流属性、电压属性，基于此，获取所述运行参数记录数据的第i属性运行参数记录集，其中，i≥2且i为正整数；
设定用于判断第i属性运行参数是否偏离正常范围的阈值，若偏离正常范围可能会造成电流击穿或短路等问题，对所述第i属性运行参数记录集进行聚类分析，获取第i属性运行参数聚类结果，比如，将电流偏移量不超出预设电流限定的数据点分组成N个簇，预设电流限定可以是0.1mA，将聚合成N个簇的电流数据组作为第i属性运行参数聚类结果，其中，2≥i≥N，i、N均属于正整数；
所述第一众数因子用于表征对第i属性运行参数聚类结果中任意一簇的数据数量与第i属性运行参数记录集中参数总数的比值，对所述第i属性运行参数聚类结果的第一类内数量和所述第i属性运行参数记录集的参数总数求比，将求比所得结果作为第一众数因子；
所述众数因子均值为所有第一类内数量的加和再除以类别数量所得的结果，根据第i属性运行参数聚类结果中第一众数因子大于等于众数因子均值的条件，提出满足条件相应数据并求取运行参数均值，所述运行参数均值可以是簇内电流数据均值、簇内电压数据均值，将满足条件对应的运行参数均值设为第i属性运行参数众数值，添加进所述运行参数众数值，能够对各种不同的属性分别的运行参数记录数据进行统计分析，并从中提取出具有代表性的众数值，有助于理解属性的常见运行状态。
S20：根据所述任务特征信息、所述应用时长信息和所述维保记录信息，标定电机组件损耗特征；
如图2所示，步骤S20包括步骤：
S21：当具有所述维保记录信息时，获取第一时刻的电机组件损耗状态记录值，其中，所述第一时刻为最近维保时刻；
S22：当所述第一时刻与当前时刻的时长距离小于或等于时长距离阈值，将所述电机组件损耗状态记录值设为所述电机组件损耗特征；
S23：当所述第一时刻与当前时刻的所述时长距离大于所述时长距离阈值，或不具有所述维保记录信息时，根据所述任务特征信息和所述应用时长信息，确定电机组件剩余寿命值，设为所述电机组件损耗特征。
具体而言，所述电机组件损耗特征用于表征电机组件在使用过程中所经历的损耗情况，用来评估电机的寿命和健康状况，包括但不限于磨损、老化、腐蚀等，根据任务特征信息、应用时长信息和维保记录信息，标定电机组件损耗特征，对照所述待检电机运行情况和历史记录，确定电机组件的损耗情况，以便后续的故障分析和定位；
进一步的，根据所述任务特征信息、所述应用时长信息和所述维保记录信息，标定电机组件损耗特征，包括，所述第一时刻为最近维保时刻，即指最近一次进行维护保养的时间点，当具有所述维保记录信息时，获取第一时刻的电机组件损耗状态记录值，包括电机运行时的电流、电压、温度、振动以及维保时的检查结果和维修记录等信息，反映了电机组件在使用过程中的损耗程度；
所述时长距离阈值指一个用户预先设定的时间阈值，用于判断第一时刻与当前时刻之间的时长距离是否超过了该阈值，所述第一时刻与当前时刻的时长距离是指第一时刻与当前时刻之间的时间间隔，比较所述第一时刻与当前时刻的时长距离小于或等于时长距离阈值：当所述第一时刻与当前时刻的时长距离小于或等于时长距离阈值，即表明有最近的维保信息，将所述电机组件损耗状态记录值设为所述电机组件损耗特征；当所述第一时刻与当前时刻的所述时长距离大于所述时长距离阈值，或不具有所述维保记录信息时，即表明没有最近的维保信息，或者最近的维保信息间隔时间比较远，根据所述任务特征信息和所述应用时长信息，确定电机组件剩余寿命值，常见的，基于统计学模型，通过对电机组件历史状态记录进行分析和建模，来预测电机组件的剩余寿命，须知的，需要充分考虑电机组件的特性和使用环境等因素，同时结合实际情况进行调整和优化，以提高预测精度和可靠性；
基于统计学模型，通过对电机组件历史状态记录进行分析和建模，具体的，以所述bp网络模型为模型基础，采用所述任务特征信息作为构建数据，基于所述任务特征信息和所述应用时长信息构造新的组合特征，将电机组件剩余寿命值作为标识结果，传入bp网络模型中进行模型收敛学习，构建训练获得剩余寿命预估模型，将所述电机组件剩余寿命值设为所述电机组件损耗特征，能够更加全面地考虑电机组件的特性和使用环境等因素，提高预测精度和可靠性。
S30：以所述电机组件损耗特征为约束条件，采集预设电机组件的电机运行状态样本集，其中，所述电机运行状态样本集为正常运行的运行状态样本；
S40：根据所述电机运行状态样本集，构建预设电机组件故障分析通道内嵌于电机故障检测定位***；
如图3所示，步骤S40包括步骤：
S41：根据所述电机运行状态样本集，获取运行状态属性信息和运行状态属性期望特征值；
S42：获取预设电机组件故障事务集和所述运行状态属性期望特征值对所述运行状态属性信息进行关联性分析，获取关联状态属性；
S43：根据所述关联状态属性和所述电机运行状态样本集，构建所述预设电机组件故障分析通道内嵌于所述电机故障检测定位***。
步骤S43包括步骤：
S431：基于所述关联状态属性，构建虚拟分布坐标系，其中，所述关联状态属性和所述虚拟分布坐标系的坐标轴一一对应；
S432：基于所述关联状态属性，将所述电机运行状态样本集在所述虚拟分布坐标系进行分布，获取样本点分布结果；
S433：根据所述样本点分布结果，构建所述预设电机组件故障分析通道内嵌于所述电机故障检测定位***。
具体而言，所述电机运行状态样本集为正常运行的运行状态样本，是指通过采集相同损耗特征的电机运行状态监测数据而形成的数据集合，包括电机的转速或其他运行参数、工作条件、电流、电压、振动以及电机相关的维保记录和故障事件等，以所述电机组件损耗特征为约束条件，采集预设电机组件的电机运行状态样本集；
使用采集到的所述电机运行状态样本集作为输入，所述预设电机组件故障分析通道是指在电机故障检测定位***中嵌入的专门用于分析预设电机组件故障的通道，可以提高电机故障检测的准确性和效率，以便及时采取维修或更换措施；
进一步的，根据所述电机运行状态样本集，构建预设电机组件故障分析通道内嵌于电机故障检测定位***，包括，所述运行状态属性信息是指从电机运行状态样本集中提取的描述电机状态的属性，如电流波形、频谱信息等；所述运行状态属性期望特征值是指对于所述运行状态属性对应的预先设定的期望特征值，用于与实际运行状态属性进行比较和分析；
对所述电机运行状态样本集进行数据清洗、特征提取等操作，得到运行状态属性信息，同时，依照所述待检电机以及所述电机组件的使用说明书，得出运行状态属性期望特征值，采用数据清洗的方式筛除不可信的数据，参考使用说明书，以确保数据的准确可靠；
所述预设电机组件故障事务集是指使用说明书中预先定义的电机组件故障模式和对应的故障特征集合，所述预设电机组件故障事务集中的故障事务是指待检电机可能遇到的故障情况，可以是电路问题、绝缘故障、机械问题、温度问题；通过预设电机组件故障事务集和所述运行状态属性期望特征值对所述运行状态属性信息进行关联性分析，判断实际运行状态属性是否与某个预设的故障事务相匹配：在所述预设电机组件故障事务集中的每个事务的故障发生时，分析每个事务对应的各个状态的记录值与期望特征值的偏离度；重复上述步骤，得到多个事务的多个偏离度，统计多个事务的多个偏离度的均值，作为关联因子；当关联因子大于或等于关联因子阈值，则视为该状态为关联状态属性；当关联因子小于关联因子阈值，则视为该状态忽略；
所述关联状态属性是指经过关联性分析后确定的与预设故障事务集相关的实际运行状态属性，例如电流、转速、温度等方面的数据；所述预设电机组件故障分析通道是指利用关联状态属性和电机运行状态样本集进行故障分析和诊断的通道，嵌入于电机故障检测定位***中，用于检测和定位电机组件的故障；通过分析实际运行状态属性和预设的期望特征值之间的关联性，确定与故障相关的状态属性，利用关联状态属性和电机运行状态样本集，构建故障分析通道，仅分析关联状态属性，排除无关状态干扰，以提高电机故障检测的准确性和效率。
进一步的，根据所述关联状态属性和所述电机运行状态样本集，构建所述预设电机组件故障分析通道内嵌于所述电机故障检测定位***，包括，所述虚拟分布坐标系中的每个坐标轴与所述关联状态属性一一对应，所述虚拟分布坐标系表示所述关联状态属性作为电机运行状态样本集在多维空间中的分布，用于展示电机在不同运行状态下的性能表现和特征；
所述样本点分布结果表示电机运行状态样本集在虚拟分布坐标系中的分布情况，可以通过对样本点在坐标系中的位置进行分析，表达了电机运行状态的特征和故障模式之间的关系，参照所述虚拟分布坐标系中的每个坐标轴与所述关联状态属性一一对应关系，确定所述电机运行状态样本集中各个元素处于所述虚拟分布坐标系中的哪几个坐标轴，确定所述电机运行状态样本集在所述虚拟分布坐标系进行分布对应的坐标值，将所述电机运行状态样本集在所述虚拟分布坐标系进行分布对应的坐标值作为样本点分布结果；
所述预设电机组件故障分析通道是指在电机故障检测定位***中嵌入的故障分析通道，应用于对电机组件故障的检测和定位；将所述样本点分布结果作为所述预设电机组件故障分析通道的输出，将所述虚拟分布坐标作为所述预设电机组件故障分析通道的通道内核，构建所述预设电机组件故障分析通道，并将所述预设电机组件故障分析通道内嵌于所述电机故障检测定位***，将所述样本点分布结果，通过将样本集中每个电机的属性信息映射到虚拟分布坐标系上的相应位置，可以更直观地观察电机在不同状态下的分布情况，并进一步分析和处理这些数据，以获得有关电机故障信息。
S50：通过传感组件采集所述预设电机组件的状态监测信息，输入所述预设电机组件故障分析通道，获取故障决策因子；
S60：当所述故障决策因子满足决策因子阈值，对所述预设电机组件生成故障定位标识。
步骤S50包括步骤：
S51：将所述状态监测信息输入虚拟分布坐标系进行分布，获取待分析状态点分布结果；
S52：设定故障分析邻域点数；
S53：根据所述故障分析邻域点数对所述待分析状态点分布结果进行区域划分，获取待分析状态点邻域；
S54：根据所述故障分析邻域点数和所述待分析状态点分布结果对所述样本点分布结果进行区域划分，获取待分析状态点反向邻域；
S55：计算所述待分析状态点邻域和所述待分析状态点反向邻域中的样本点与所述待分析状态点分布结果的欧式距离均值的倒数，生成状态点分布因子；
S56：基于所述故障分析邻域点数，遍历所述样本点分布结果，获取样本点分布因子均值；
S57：对所述样本点分布因子均值和所述状态点分布因子求比，获取所述故障决策因子。
具体而言，所述故障决策因子是通过对预设电机组件的状态监测信息进行分析和处理得出的一个指标或数值，用于表示预设电机组件的故障程度或潜在故障风险的度量，可以判断预设电机组件是否存在故障以及故障的严重程度；将传感组件采集所述预设电机组件的状态监测信息，输入所述预设电机组件故障分析通道，获取故障决策因子，所述故障决策因子可以是一个表示振动幅值、温度超过阈值、电流异常等故障特征的综合指标；
所述决策因子阈值指的是预设电机组件的故障分析模型中设置的一个阈值，当故障决策因子达到或超过该阈值时，可以确定预设电机组件存在故障，可以根据生产厂家在使用说明书中的建议设置；比较所述故障决策因子、决策因子阈值：当故障决策因子未达到或低于决策因子阈值，视为正常；当故障决策因子达到或超过决策因子阈值，即所述故障决策因子满足决策因子阈值，则视为异常，对所述预设电机组件生成故障定位标识，所述故障定位标识是针对预设电机组件故障的一种标识符号，用于指示故障发生的位置或原因，可以是代码或文本信息等，故障定位标识可以帮助技术人员更快速地定位故障原因，以便进行修复或更换。
进一步的，通过传感组件采集所述预设电机组件的状态监测信息，输入所述预设电机组件故障分析通道，获取故障决策因子，包括，将所述状态监测信息输入所述预设电机组件故障分析通道的通道内核对应的虚拟分布坐标系中进行分布，获取待分析状态点分布结果，所述待分析状态点分布结果、所述样本点分布结果的数据类型一致，所述待分析状态点分布结果为所述电机当前的运行状态在所述虚拟分布坐标系进行分布对应的坐标值；设定故障分析邻域点数，确定在待分析状态点周围的邻域范围；
根据所述故障分析邻域点数对所述待分析状态点分布结果进行区域划分：以状态点为基准点，自近而远筛选满足故障分析邻域点数的圆形、方形或其他形状的区域，圈画出待分析状态点邻域，所述待分析状态点邻域的大小与故障分析邻域点数对应；根据所述故障分析邻域点数和所述待分析状态点分布结果对所述样本点分布结果进行区域划分：当某个样本点的领域包含状态点，则该样本点视为其反向邻域，获取待分析状态点反向邻域，所述待分析状态点反向邻域是指与待分析状态点相邻的区域，但不包括待分析状态点所在的区域；
计算所述待分析状态点邻域和所述待分析状态点反向邻域中的样本点与所述待分析状态点分布结果的欧式距离均值的倒数：计算邻域和反向邻域内每个样本点与状态点的距离，对于每个样本点，计算其与待分析状态点之间的欧式距离，假设待分析状态点的坐标为(x，y，z)，样本点的坐标为(xi，yi，zi)，则两点之间的欧式距离可以计算为：distance=sqrt((xi-x)2+(yi-y)2+(zi-z)2)，其中，distance表示为欧式距离；将所有样本点与待分析状态点之间的欧式距离进行求和；将求和结果除以样本点的总数，得到欧式距离均值；计算欧式距离均值的倒数，得到状态点分布因子；
基于所述故障分析邻域点数，遍历所述样本点分布结果：对于每个样本点的分布结果，计算每个样本点的分布因子；将所述样本点分布因子均值作为比较的分子，将所述状态点分布因子作为比较的分母，对所述样本点分布因子均值和所述状态点分布因子求比，将求比结果作为故障决策因子；同时，由于状态点分布因子用于表征***正常运行时状态点的分布情况，样本点分布因子均值是相对于正常状态的变化量，由此可知，如果样本点分布因子均值比状态点分布因子大，则可能存在故障，可以自动化地进行故障分析，减少了人工干预和误判的可能性，同时，考虑到待分析状态点邻域和反向邻域中样本点与待分析状态点的距离，提高了故障分析的准确性。
综上所述，本申请实施例所提供的一种电机故障检测定位方法及***具有如下技术效果：
1．由于采用了取待检电机的任务特征信息、应用时长信息和维保记录信息，并标定电机组件损耗特征；以电机组件损耗特征为约束条件，采集预设电机组件的电机运行状态样本集，并构建预设电机组件故障分析通道；通过传感组件采集预设电机组件的状态监测信息，输入预设电机组件故障分析通道，获取故障决策因子；当故障决策因子满足决策因子阈值，对预设电机组件生成故障定位标识，本申请通过提供了一种电机故障检测定位方法及***，实现了进行电机故障的快速检测和定位，减少了故障排查的时间和成本，同时，提高了故障定位的准确性，减少了误判和误修的情况，能够更准确地检测和定位电机故障的技术效果。
2．由于采用了当具有维保记录信息时，获取第一时刻的电机组件损耗状态记录值；当第一时刻与当前时刻的时长距离小于或等于时长距离阈值，将电机组件损耗状态记录值设为电机组件损耗特征；当第一时刻与当前时刻的时长距离大于时长距离阈值，或不具有维保记录信息时，根据任务特征信息和应用时长信息，确定电机组件剩余寿命值，设为电机组件损耗特征，能够更加全面地考虑电机组件的特性和使用环境等因素，提高预测精度和可靠性。
实施例二
基于与前述实施例中一种电机故障检测定位方法相同的发明构思，如图4所示，本申请实施例提供了一种电机故障检测定位***，其中，所述***包括：
第一信息获取模块100，用于获取待检电机的任务特征信息、应用时长信息和维保记录信息；
损耗特征标定模块200，用于根据所述任务特征信息、所述应用时长信息和所述维保记录信息，标定电机组件损耗特征；
样本集采集模块300，用于以所述电机组件损耗特征为约束条件，采集预设电机组件的电机运行状态样本集，其中，所述电机运行状态样本集为正常运行的运行状态样本；
故障分析通道构建模块400，用于根据所述电机运行状态样本集，构建预设电机组件故障分析通道内嵌于电机故障检测定位***；
故障决策因子获取模块500，用于通过传感组件采集所述预设电机组件的状态监测信息，输入所述预设电机组件故障分析通道，获取故障决策因子；
故障定位标识生成模块600，用于当所述故障决策因子满足决策因子阈值，对所述预设电机组件生成故障定位标识。
进一步的，所述***包括：
第二信息获取模块，用于获取所述待检电机的服役设备类型信息、所述应用时长信息和所述维保记录信息；
众数分析模块，用于调取所述服役设备类型信息的运行参数记录数据进行众数分析，获取运行参数众数值；
任务特征信息确定模块，用于将所述服役设备类型信息和所述运行参数众数值，添加进所述任务特征信息。
进一步的，所述***包括：
第i属性运行参数记录集获取模块，用于获取所述运行参数记录数据的第i属性运行参数记录集；
第i属性运行参数聚类结果获取模块，用于设定第i属性运行参数偏离阈值，对所述第i属性运行参数记录集进行聚类分析，获取第i属性运行参数聚类结果；
第一众数因子生成模块，用于对所述第i属性运行参数聚类结果的第一类内数量和所述第i属性运行参数记录集的参数总数求比，生成第一众数因子；
第i属性运行参数众数值确定模块，用于将所述第一众数因子大于或等于众数因子均值的所述第i属性运行参数聚类结果提取，求取运行参数均值，设为第i属性运行参数众数值，添加进所述运行参数众数值。
进一步的，所述***包括：
电机组件损耗状态记录值获取模块，用于当具有所述维保记录信息时，获取第一时刻的电机组件损耗状态记录值，其中，所述第一时刻为最近维保时刻；
电机组件损耗特征确定模块，用于当所述第一时刻与当前时刻的时长距离小于或等于时长距离阈值，将所述电机组件损耗状态记录值设为所述电机组件损耗特征；
电机组件剩余寿命值确定模块，用于当所述第一时刻与当前时刻的所述时长距离大于所述时长距离阈值，或不具有所述维保记录信息时，根据所述任务特征信息和所述应用时长信息，确定电机组件剩余寿命值，设为所述电机组件损耗特征。
进一步的，所述***包括：
运行状态属性指标获取模块，用于根据所述电机运行状态样本集，获取运行状态属性信息和运行状态属性期望特征值；
关联状态属性获取获取关联状态属性模块，用于获取预设电机组件故障事务集和所述运行状态属性期望特征值对所述运行状态属性信息进行关联性分析，获取关联状态属性；
构建预设电机组件故障分析通道模块，用于根据所述关联状态属性和所述电机运行状态样本集，构建所述预设电机组件故障分析通道内嵌于所述电机故障检测定位***。
进一步的，所述***包括：
构建虚拟分布坐标系模块，用于基于所述关联状态属性，构建虚拟分布坐标系，其中，所述关联状态属性和所述虚拟分布坐标系的坐标轴一一对应；
样本点分布结果获取模块，用于基于所述关联状态属性，将所述电机运行状态样本集在所述虚拟分布坐标系进行分布，获取样本点分布结果；
通道镶嵌模块，用于根据所述样本点分布结果，构建所述预设电机组件故障分析通道内嵌于所述电机故障检测定位***。
进一步的，所述***包括：
待分析状态点分布结果获取模块，用于将所述状态监测信息输入虚拟分布坐标系进行分布，获取待分析状态点分布结果；
故障分析邻域点数设定模块，用于设定故障分析邻域点数；
第一区域划分模块，用于根据所述故障分析邻域点数对所述待分析状态点分布结果进行区域划分，获取待分析状态点邻域；
第二区域划分模块，用于根据所述故障分析邻域点数和所述待分析状态点分布结果对所述样本点分布结果进行区域划分，获取待分析状态点反向邻域；
状态点分布因子生成模块，用于计算所述待分析状态点邻域和所述待分析状态点反向邻域中的样本点与所述待分析状态点分布结果的欧式距离均值的倒数，生成状态点分布因子；
样本点分布因子均值获取模块，用于基于所述故障分析邻域点数，遍历所述样本点分布结果，获取样本点分布因子均值；
求比模块，用于对所述样本点分布因子均值和所述状态点分布因子求比，获取所述故障决策因子。
综上所述的方法的任意步骤都可作为计算机指令或者程序存储在不设限制的计算机存储器中，并可以被不设限制的计算机处理器调用识别用以实现本申请实施例中的任一项方法，在此不做多余限制。
进一步的，综上所述的第一或第二可能不止代表次序关系，也可能代表某项特指概念，和/或指的是多个元素之间可单独或全部选择。显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样，倘若本申请的这些修改和变型属于本申请及其等同技术的范围之内，则本申请意图包括这些改动和变型在内。
Claims (5)
1.一种电机故障检测定位方法，其特征在于，应用于电机故障检测定位***，包括：
获取待检电机的任务特征信息、应用时长信息和维保记录信息；
根据所述任务特征信息、所述应用时长信息和所述维保记录信息，标定电机组件损耗特征；
以所述电机组件损耗特征为约束条件，采集预设电机组件的电机运行状态样本集，其中，所述电机运行状态样本集为正常运行的运行状态样本；
根据所述电机运行状态样本集，构建预设电机组件故障分析通道内嵌于电机故障检测定位***；
通过传感组件采集所述预设电机组件的状态监测信息，输入所述预设电机组件故障分析通道，获取故障决策因子；
当所述故障决策因子满足决策因子阈值，对所述预设电机组件生成故障定位标识；
根据所述电机运行状态样本集，构建预设电机组件故障分析通道内嵌于电机故障检测定位***，包括：
根据所述电机运行状态样本集，获取运行状态属性信息和运行状态属性期望特征值；
获取预设电机组件故障事务集和所述运行状态属性期望特征值对所述运行状态属性信息进行关联性分析，获取关联状态属性；
根据所述关联状态属性和所述电机运行状态样本集，构建所述预设电机组件故障分析通道内嵌于所述电机故障检测定位***；
根据所述关联状态属性和所述电机运行状态样本集，构建所述预设电机组件故障分析通道内嵌于所述电机故障检测定位***，包括：
基于所述关联状态属性，构建虚拟分布坐标系，其中，所述关联状态属性和所述虚拟分布坐标系的坐标轴一一对应；
基于所述关联状态属性，将所述电机运行状态样本集在所述虚拟分布坐标系进行分布，获取样本点分布结果；
根据所述样本点分布结果，构建所述预设电机组件故障分析通道内嵌于所述电机故障检测定位***；
通过传感组件采集所述预设电机组件的状态监测信息，输入所述预设电机组件故障分析通道，获取故障决策因子，包括：
将所述状态监测信息输入虚拟分布坐标系进行分布，获取待分析状态点分布结果；
设定故障分析邻域点数；
根据所述故障分析邻域点数对所述待分析状态点分布结果进行区域划分，获取待分析状态点邻域；
根据所述故障分析邻域点数和所述待分析状态点分布结果对所述样本点分布结果进行区域划分，获取待分析状态点反向邻域；
计算所述待分析状态点邻域和所述待分析状态点反向邻域中的样本点与所述待分析状态点分布结果的欧式距离均值的倒数，生成状态点分布因子；
基于所述故障分析邻域点数，遍历所述样本点分布结果，获取样本点分布因子均值；
对所述样本点分布因子均值和所述状态点分布因子求比，获取所述故障决策因子。
2.如权利要求1所述的方法，其特征在于，获取待检电机的任务特征信息、应用时长信息和维保记录信息，包括：
获取所述待检电机的服役设备类型信息、所述应用时长信息和所述维保记录信息；
调取所述服役设备类型信息的运行参数记录数据进行众数分析，获取运行参数众数值；
将所述服役设备类型信息和所述运行参数众数值，添加进所述任务特征信息。
3.如权利要求2所述的方法，调取所述服役设备类型信息的运行参数记录数据进行众数分析，获取运行参数众数值，包括：
获取所述运行参数记录数据的第i属性运行参数记录集；
设定第i属性运行参数偏离阈值，对所述第i属性运行参数记录集进行聚类分析，获取第i属性运行参数聚类结果；
对所述第i属性运行参数聚类结果的第一类内数量和所述第i属性运行参数记录集的参数总数求比，生成第一众数因子；
将所述第一众数因子大于或等于众数因子均值的所述第i属性运行参数聚类结果提取，求取运行参数均值，设为第i属性运行参数众数值，添加进所述运行参数众数值。
4.如权利要求1所述的方法，其特征在于，根据所述任务特征信息、所述应用时长信息和所述维保记录信息，标定电机组件损耗特征，包括：
当具有所述维保记录信息时，获取第一时刻的电机组件损耗状态记录值，其中，所述第一时刻为最近维保时刻；
当所述第一时刻与当前时刻的时长距离小于或等于时长距离阈值，将所述电机组件损耗状态记录值设为所述电机组件损耗特征；
当所述第一时刻与当前时刻的所述时长距离大于所述时长距离阈值，或不具有所述维保记录信息时，根据所述任务特征信息和所述应用时长信息，确定电机组件剩余寿命值，设为所述电机组件损耗特征。
5.一种电机故障检测定位***，其特征在于，用于实施权利要求1-4任意一项所述的一种电机故障检测定位方法，包括：
第一信息获取模块，用于获取待检电机的任务特征信息、应用时长信息和维保记录信息；
损耗特征标定模块，用于根据所述任务特征信息、所述应用时长信息和所述维保记录信息，标定电机组件损耗特征；
样本集采集模块，用于以所述电机组件损耗特征为约束条件，采集预设电机组件的电机运行状态样本集，其中，所述电机运行状态样本集为正常运行的运行状态样本；
故障分析通道构建模块，用于根据所述电机运行状态样本集，构建预设电机组件故障分析通道内嵌于电机故障检测定位***；
故障决策因子获取模块，用于通过传感组件采集所述预设电机组件的状态监测信息，输入所述预设电机组件故障分析通道，获取故障决策因子；
故障定位标识生成模块，用于当所述故障决策因子满足决策因子阈值，对所述预设电机组件生成故障定位标识。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310785827.7A CN116500441B (zh) | 2023-06-30 | 2023-06-30 | 一种电机故障检测定位方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310785827.7A CN116500441B (zh) | 2023-06-30 | 2023-06-30 | 一种电机故障检测定位方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116500441A CN116500441A (zh) | 2023-07-28 |
| CN116500441B true CN116500441B (zh) | 2023-08-29 |
Family
ID=87317043
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310785827.7A Active CN116500441B (zh) | 2023-06-30 | 2023-06-30 | 一种电机故障检测定位方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116500441B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117171709B (zh) * | 2023-11-01 | 2024-01-26 | 南通弘铭机械科技有限公司 | 一种永磁发电机故障检测方法及*** |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108107360A (zh) * | 2017-12-05 | 2018-06-01 | 中国电子产品可靠性与环境试验研究所 | 电机故障辨识方法与*** |
| CN108375729A (zh) * | 2018-02-02 | 2018-08-07 | 北京航空航天大学 | 基于Fisher判别的电机SOM聚类退化状态评估方法 |
| CN108664010A (zh) * | 2018-05-07 | 2018-10-16 | 广东省电信规划设计院有限公司 | 发电机组故障数据预测方法、装置和计算机设备 |
| CN114184955A (zh) * | 2021-11-22 | 2022-03-15 | 无锡新泰克电机有限公司 | 电机故障检测方法、***及存储介质 |
| CN114675180A (zh) * | 2022-03-24 | 2022-06-28 | 珠海格力电器股份有限公司 | 一种电机故障监测方法及电机故障监测*** |
| CN115268350A (zh) * | 2022-09-27 | 2022-11-01 | 江苏永鼎股份有限公司 | 一种稳压变压器的故障预警方法及*** |
| CN115877205A (zh) * | 2022-11-30 | 2023-03-31 | 常州富山智能科技有限公司 | 一种伺服电机的故障智能诊断***及其诊断方法 |
| CN116066343A (zh) * | 2023-03-14 | 2023-05-05 | 国家石油天然气管网集团有限公司 | 一种输油泵机组故障模型的智能预警方法及*** |
| CN116089890A (zh) * | 2022-12-28 | 2023-05-09 | 大唐可再生能源试验研究院有限公司 | 一种智慧风电场的故障预警检测方法及*** |
-
2023
- 2023-06-30 CN CN202310785827.7A patent/CN116500441B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108107360A (zh) * | 2017-12-05 | 2018-06-01 | 中国电子产品可靠性与环境试验研究所 | 电机故障辨识方法与*** |
| CN108375729A (zh) * | 2018-02-02 | 2018-08-07 | 北京航空航天大学 | 基于Fisher判别的电机SOM聚类退化状态评估方法 |
| CN108664010A (zh) * | 2018-05-07 | 2018-10-16 | 广东省电信规划设计院有限公司 | 发电机组故障数据预测方法、装置和计算机设备 |
| CN114184955A (zh) * | 2021-11-22 | 2022-03-15 | 无锡新泰克电机有限公司 | 电机故障检测方法、***及存储介质 |
| CN114675180A (zh) * | 2022-03-24 | 2022-06-28 | 珠海格力电器股份有限公司 | 一种电机故障监测方法及电机故障监测*** |
| CN115268350A (zh) * | 2022-09-27 | 2022-11-01 | 江苏永鼎股份有限公司 | 一种稳压变压器的故障预警方法及*** |
| CN115877205A (zh) * | 2022-11-30 | 2023-03-31 | 常州富山智能科技有限公司 | 一种伺服电机的故障智能诊断***及其诊断方法 |
| CN116089890A (zh) * | 2022-12-28 | 2023-05-09 | 大唐可再生能源试验研究院有限公司 | 一种智慧风电场的故障预警检测方法及*** |
| CN116066343A (zh) * | 2023-03-14 | 2023-05-05 | 国家石油天然气管网集团有限公司 | 一种输油泵机组故障模型的智能预警方法及*** |
Non-Patent Citations (1)
| Title |
|---|
| 智能电机故障诊断分析及预警***设计;周封;吕金贵;李隆;刘健;;信息与控制(第6期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116500441A (zh) | 2023-07-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110069051B (zh) | 家电故障处理方法和装置 | |
| CN116879662B (zh) | 基于数据分析的变压器故障检测方法 | |
| CN110046453B (zh) | 一种激光雷达的寿命预测方法 | |
| CN116500441B (zh) | 一种电机故障检测定位方法及*** | |
| GB2426090A (en) | Method and system for predicting remaining life for motors featuring on-line insulation condition monitor | |
| GB2476246A (en) | Diagnosing an operation mode of a machine | |
| US11726469B2 (en) | Error-based method for calculating a remaining useful life of an apparatus | |
| CN109725220B (zh) | 一种变压器油冷却回路的检测方法、***及装置 | |
| CN117270514B (zh) | 基于工业物联网的生产过程全流程故障检测方法 | |
| CN107710089A (zh) | 工厂设备诊断装置以及工厂设备诊断方法 | |
| JP2016128973A (ja) | 予兆診断システム及び予兆診断方法 | |
| US20220412845A1 (en) | Anomaly detection and failure prediction for predictive monitoring of industrial equipment and industrial measurement equipment | |
| CN117662510B (zh) | 一种风机故障诊断***及其方法 | |
| CN117808456B (zh) | 一种基于智慧运营管理的设备故障预警方法及装置 | |
| EP4174601A1 (en) | System, apparatus and method for monitoring condition of an asset in technical installation | |
| CN111830438B (zh) | 一种变压器故障检测方法及变压器 | |
| CN117435883A (zh) | 一种基于数字孪生的设备故障预测的方法和*** | |
| US11339763B2 (en) | Method for windmill farm monitoring | |
| CN113654651B (zh) | 一种强鲁棒的信号早期退化特征提取及设备运行状态监测方法 | |
| CN116259337B (zh) | 磁盘异常检测方法及模型训练方法、相关装置 | |
| CN118094107B (zh) | 异常数据检测方法及异常数据诊断器、射线测厚仪 | |
| KR20180093351A (ko) | 설비의 열효율 계측점의 계측불량 검출 장치 및 검출 방법 | |
| JPH07174617A (ja) | 回転機器健全性診断システム | |
| CN114562431A (zh) | 监测风力发电机组湿度的方法及装置 | |
| CN116027253A (zh) | 一种电能表故障自诊断方法 |
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 |