-
公开(公告)号：CN113759876B
公开(公告)日：2023-05-19
申请号：CN202111075530.9
申请日：2021-09-14
Applicant: 西安交通大学
IPC: G05B23/02
Abstract: 本发明属于风力发电机故障诊断与监测技术领域，公开了一种基于案例推理的风电机组故障诊断方法及系统，通过获取待诊断故障的故障报警序列；根据待诊断故障的故障报警序列，获取故障报警序列与待诊断故障的故障报警序列的相似度高于预设值的案例，得到若干候选源案例；获取若干候选源案例的故障类型；当若干候选源案例的故障类型均相同时，将候选源案例的故障类型作为待诊断故障的故障类型；否则，获取待诊断故障的故障时刻运行状态数据，从若干候选源案例中，获取故障时刻运行状态数据与待诊断故障的故障时刻运行状态数据相似度最高的候选源案例，并将该候选源案例的故障类型作为待诊断故障的故障类型，实现故障类型及故障源的准确确定。
-
公开(公告)号：CN110533092B
公开(公告)日：2022-04-22
申请号：CN201910784635.8
申请日：2019-08-23
Applicant: 西安交通大学
Abstract: 本发明公开了一种基于运行工况的风力发电机组SCADA数据分类方法及应用，包括：将风力发电机组运行工况分为停机状态、启动状态、恒转速阶段一、最佳叶尖速比阶段、恒转速阶段二、恒功率阶段和限功率发电状态；在不同的运行工况下，风力发电机组各个部件的动作状态信息不相同，各个工况之间的转换规律也有区别，分析动作状态信息和转换规律，以此作为数据分类的依据；结合对风电机组运行状态机的分析，基于运行工况进行风电SCADA数据的分类，为SCADA数据添加不同的工况标签，完成风电SCADA数据分类。本发明为解决风电SCADA数据受到机组不同工况影响的问题，提出了基于运行工况的风电SCADA数据分类方法，并在此基础上进行了机组发电量损失计算的应用。
-
公开(公告)号：CN111879504B
公开(公告)日：2021-12-28
申请号：CN202010612801.9
申请日：2020-06-30
Applicant: 西安交通大学
Abstract: 本发明属于往复压缩机状态监测技术领域，公开了一种基于振动信号的活塞杆松动故障监测方法及系统，所述监测方法包括获取往复压缩机的飞轮键相信号，以及与飞轮键相信号同步采集的十字头加速度信号；根据飞轮键相信号，将十字头加速度信号按照往复压缩机的曲轴转角区间进行划分，并将时域信号转换为角域信号，得到十字头加速度角域信号；计算十字头速度换向冲击区间内十字头加速度角域信号的有效值，得到监测有效值；当监测有效值大于预设阈值时，确定活塞杆发生松动故障；否则，确定活塞杆为正常状态。解决了现有技术中活塞杆松动故障很难观测的缺点，有效的实现活塞杆松动故障监测。
-
公开(公告)号：CN113759876A
公开(公告)日：2021-12-07
申请号：CN202111075530.9
申请日：2021-09-14
Applicant: 西安交通大学
IPC: G05B23/02
Abstract: 本发明属于风力发电机故障诊断与监测技术领域，公开了一种基于案例推理的风电机组故障诊断方法及系统，通过获取待诊断故障的故障报警序列；根据待诊断故障的故障报警序列，获取故障报警序列与待诊断故障的故障报警序列的相似度高于预设值的案例，得到若干候选源案例；获取若干候选源案例的故障类型；当若干候选源案例的故障类型均相同时，将候选源案例的故障类型作为待诊断故障的故障类型；否则，获取待诊断故障的故障时刻运行状态数据，从若干候选源案例中，获取故障时刻运行状态数据与待诊断故障的故障时刻运行状态数据相似度最高的候选源案例，并将该候选源案例的故障类型作为待诊断故障的故障类型，实现故障类型及故障源的准确确定。
-
公开(公告)号：CN113739567A
公开(公告)日：2021-12-03
申请号：CN202110858368.1
申请日：2021-07-28
Applicant: 西安交通大学
IPC: F27B7/42
Abstract: 本发明属于回转窑领域，公开了一种回转窑窑体状态评估方法及系统，通过获取回转窑窑体的键相信号及同步的各托轮的径向位移振动信号；根据键相信号将各托轮的径向位移振动信号进行角域转换，得到各托轮的角域信号；将各托轮的角域信号进行阶次分析，得到各托轮的角域信号阶次谱，并提取第一阶次的幅值与相位；根据第一阶次的幅值与相位，得到各托轮在承载力方向的第一托轮振动信号；根据各托轮的安装角，将回转窑窑体各支撑档位两侧的托轮在承载力方向的第一托轮振动信号进行正交分解，得到并根据回转窑窑体在各支撑档位的第一水平振动信号与第一垂直振动信号，得到回转窑窑体第一状态评估结果。提升了回转窑窑体状态评估的速度、准确性与可靠性。
-
Patent Agency Ranking
公开(公告)号：CN111855098B
公开(公告)日：2021-10-08
申请号：CN202010612776.4
申请日：2020-06-30
Applicant: 西安交通大学
Abstract: 本发明属于往复压缩机状态监测技术领域，公开了一种基于振动信号的气阀泄漏状态评估方法及系统，所述评估方法包括以下步骤：获取往复压缩机气阀的振动加速度信号和与振动加速度信号同步采集的飞轮键相信号；根据飞轮键相信号将振动加速度信号按照往复压缩机的曲轴周期进行划分，并将振动加速度信号从时域转换为角域，得到若干曲轴周期信号；根据若干曲轴周期信号得到若干第一评估值；根据排气阀的实际打开相位与预设健康状态排气阀的打开相位，得到排气阀相位变化指标，得到若干第二评估值；通过若干第一评估值和若干第二评估值进行气阀泄漏状态评估。不需要侵入气缸内部，监测方法简单且没有安全风险，易于在工业现场推广应用。
-
公开(公告)号：CN111917634B
公开(公告)日：2021-07-13
申请号：CN202010627825.1
申请日：2020-07-02
Applicant: 西安交通大学
Abstract: 本发明基于PMML的工业网关机器学习模型容器式部署系统及方法，将云端训练的机器学习模型导出成PMML格式，并通过报文下发到工业网关，工业网关根据机器学习模型的用途和绑定的设备测点动态创建机器学习模型控制对象，控制机器学习模型的预测分析过程。工业网关的每一次设备数据采集触发相应用于预警的机器学习模型的预测分析，一旦推理出设备异常，则将预警信息推送到工业现场和云端，并触发同一测点下用于故障诊断的机器学习模型，然后将推理的故障诊断结果推送到工业现场和云端。相较于在云端进行数据预测分析的状态监测模式，实现在网关对数据进行预测分析，减少大量数据上传造成的带宽压力以及信息在云端和工业现场的传输延时，保证信息的实时性。
-
公开(公告)号：CN110531259B
公开(公告)日：2020-08-18
申请号：CN201910741540.8
申请日：2019-08-12
Applicant: 西安交通大学
IPC: G01R31/34
Abstract: 本发明公开了基于漏磁信号的感应电机电气故障诊断方法，采用漏磁传感器对感应电机的三轴漏磁信号进行采集，采用振动传感器对电机的机壳振动信号进行采集，然后将采集到的信号进行分析，以判断电机是否故障，并判断出电机的故障类型，漏磁信号间接的反应了气隙磁场的变化情况，对电气故障灵敏；相对于电流监测，漏磁监测方法还具有信号获取方便、获取成本低等优点，可以在不影响电机正常工作的情况下，采集机壳外部的漏磁信号识别电机的电气故障，具有信号获取方便、信号获取成本低等优点。
-
公开(公告)号：CN108869174B
公开(公告)日：2020-06-19
申请号：CN201810622308.8
申请日：2018-06-15
Applicant: 西安交通大学
IPC: F03D7/00
Abstract: 本发明公开了一种基于非线性建模的风电叶片固有频率工况补偿方法，包括：1)再根据风力发电机SCADA的功率P大小将历史运行数据集划分为若干建模数据子集，然后将各建模数据子集分别划分为建模训练数据集及模型测试数据集；2)对各建模数据子集中的元素进行归一化处理；3)根据归一化后的建模训练数据集构建对应的观测记忆矩阵D，然后根据构建的观测记忆矩阵D及其对应的模型测试数据集Xtest构建对应固有频率预测模型；4)将当前机组的工况参数代入对应的固有频率预测模型中，再将实测的当前固定频率与预测的当前固定频率作相减运算，最后利用固定频率偏差值进行叶片固有频率工况补偿。该方法能够准确实现风力发电机叶片固定频率的工况补偿。
-
公开(公告)号：CN110514438A
公开(公告)日：2019-11-29
申请号：CN201910785509.4
申请日：2019-08-23
Applicant: 西安交通大学
IPC: G01M13/021 , G01M13/028
Abstract: 本发明公开了一种基于参数寻优的行星轮啮合振动解耦方法，步骤1，使用Vold-Kalman阶次跟踪滤波器分离行星轮啮合振动，获得时域信号；步骤2，对步骤1获得的时域信号进行阶次重采样得到阶次波形；步骤3，确定不同行星轮的余弦升幂窗函数，并与步骤2得到的阶次波形相乘，计算得到行星轮原始振动信号 步骤4，求解 包络信号的峰值ki；min(ki)→0时，参数为最优解，求得去除路径调制的行星轮原始振动信号 实现啮合振动的彻底解耦；其中，i表示行星轮的序号。本发明的方法可实现啮合振动的彻底解耦。
-
-
-
-
-
-
-
-
-
Search Results
59
records
(took 0.024 seconds)
