-
公开(公告)号：CN112946471A
公开(公告)日：2021-06-11
申请号：CN202110156901.X
申请日：2021-02-04
申请人： 郑州恩普特科技股份有限公司
IPC分类号： G01R31/34
摘要： 本发明涉及一种变频电机故障监测系统，属于故障诊断领域。该系统通过采集电机设备的动态电流信号、轴承振动信号、轴承温度信号，对应计算电机的电气故障特征指标、振动故障特征指标、温度故障特征指标；将振动故障特征指标、温度故障特征指标分别带入动态配置的报警阈值模型函数，求出振动报警阈值和温度报警阈值，电气报警阈值采用国标设定，用于进行预警判断。本发明利用变频电机的多种类型信号进行故障特征指标判别，对于其中的电气故障特征指标，采用国标阈值进行报警判断；对于其中的振动和温度故障特征指标，采用报警阈值模型函数计算的阈值进行报警判断，提高设备报警准确性，降低漏报、误报率。
-
公开(公告)号：CN111473975A
公开(公告)日：2020-07-31
申请号：CN202010286849.5
申请日：2020-04-13
申请人： 郑州恩普特科技股份有限公司
IPC分类号： G01M13/045 , G06K9/00
摘要： 本发明涉及一种基于特征向量基线法的二级齿轮箱故障智能诊断方法，属于齿轮箱故障诊断技术领域。本发明通过获取齿轮箱各设定测点正常工况的振动数据建立基线特征征兆库，基线特征征兆库中包括由正常工况振动数据提取得到的啮合信号，将实时采集的振动数据进行成分分析，提取出齿轮啮合信号作为实时特征，将实时特特征与基线特征征兆库中的特征数据进行比较，当某个特征的实时特征值超过对应基线特征值的设定比例，则认为此特征对应的齿轮发生了故障，以此实现对齿轮箱故障的诊断。本发明以正常工况的数据为基准，将实时振动数据与正常工况比较，提高了齿轮箱故障诊断的准确度。
-
公开(公告)号：CN118310748A
公开(公告)日：2024-07-09
申请号：CN202410435974.6
申请日：2024-04-11
申请人： 郑州恩普特科技股份有限公司
IPC分类号： G01M13/045 , G06F18/10 , G06F18/213 , G06F18/2433
摘要： 本发明属于轴承故障诊断技术领域，具体涉及一种滚动轴承欠润滑诊断方法、系统和存储介质。该方法首先采用最小熵反卷积法对旋转机械中滚动轴承运转时采集的原始振动信号进行滤波；然后分别计算滤波后的信号和原始振动信号的频谱质心，若两个频谱质心之间差异大于或等于设定差异阈值则判定滚动轴承出现欠润滑故障，提高了滚动轴承欠润滑故障诊断精度，解决滚动轴承欠润滑诊断效果较差的技术问题。
-
公开(公告)号：CN114252250B
公开(公告)日：2023-08-01
申请号：CN202111501141.8
申请日：2021-12-09
申请人： 郑州恩普特科技股份有限公司
摘要： 本发明涉及一种基于部件分解的机械故障诊断方法。方法包括：实时采集机械机组每个测点的振动数据；当机械机组的某个测点或者多个测点报警时，在机组模板上找出对应的报警测点；根据报警测点、以及各测点与被诊断对象之间的位置关系，确定所有被诊断对象；根据每个被诊断对象选出对应的诊断对象模板；依据每个诊断对象模板中与诊断对象关联的所有测点标识、以及第一对应关系，确定机组模板中与报警测点关联的其他测点；根据不同的诊断对象，结合各自的报警测点和与报警测点关联的其他测点的振动数据进行故障定位。本发明利用诊断对象模板进行故障的诊断提高了诊断效率，且通过与诊断对象关联的所有测点标识，提高了故障定位的准确性。
-
公开(公告)号：CN115048960A
公开(公告)日：2022-09-13
申请号：CN202210666304.6
申请日：2022-06-13
申请人： 郑州恩普特科技股份有限公司
IPC分类号： G06K9/00 , G06K9/62 , G06N3/08 , G01M13/045
摘要： 本发明属于机械系统振动状态监测技术领域，具体涉及一种设备状态检测方法，本发明通过采集多工况的正常数据并通过正常数据的学习，通过构建仅使用正常的多工况振动数据训练样本进行对深度学习模型的学习、训练，以实现异常状态的实时在线识别。具体地，通过深度学习网络提取数据的本质特征，然后依据建立的异常监测阈值来实现对各类异常数据的判别。并且本发明方法充分利用了时域、频域、自相关信息，通过深度自编码器进行特征提取可以捕捉到多工况正常样本的本质特征，有效提升在多工况下的振动状态异常检测能力。由此，本发明解决了现有技术中异常检测准确度低的问题。
-
公开(公告)号：CN114112366A
公开(公告)日：2022-03-01
申请号：CN202111466164.X
申请日：2021-12-03
申请人： 郑州恩普特科技股份有限公司
摘要： 本发明提供了一种泵机运行状态监测方法，属于泵机设备监测技术领域。在不同工况下，针对振动通频值和反映离心泵常见故障形式的振动特征指标报警，实现分工况报警。在对泵机运行状态进行实时监测时，获取待测泵机的当前振动信号，从当前振动信号中计算出振动通频值和反映各种故障发生的振动征兆指标，振动通频值或振动征兆指标中若有超过对应报警值的情况，则提示通频报警或指标报警，认为待测泵机存在故障。采用本发明，可以在待测泵机处于不同工况时，采用与工况对应的故障报警标准对其运行状态进行判断，并通过阈值自学习的方法，完成对不同工况下故障报警标准的设定，提高对泵机运行状态监测的准确性，减少漏报、误报的发生。
-
公开(公告)号：CN114166507B
公开(公告)日：2024-04-12
申请号：CN202111410485.8
申请日：2021-11-19
申请人： 郑州恩普特科技股份有限公司 , 淮南矿业(集团)有限责任公司朱集东煤矿
IPC分类号： G01M13/045
摘要： 本发明提出的一种基于快速谱峭度的谐波识别方法，属于设备状态监测和故障诊断领域。首先对采集的振动信号进行快速谱峭度计算，得到对应谱峭度较大的p个滤波器，并对振动信号进行滤波和降噪处理，得到对应包络谱序列；再对每个包络谱序列进行区间划分，确定各子区间的基础频率；然后根据谐波搜索区间计算各子区间的有效谐波个数和谐波强度；最后计算各子区间的谐波强度指数，输出谐波强度指数最大的前n个子区间所对应的频率。该方法通过自动识别设备振动信号中的谐波成分，可以准确识别出调制信号的有效频率成分，为智能诊断轴承或齿轮等设备提供重要的故障征兆参数，相比人工识别调制信号的有效频率成分，明显简化工作复杂度且能提高诊断效率。
-
公开(公告)号：CN112943639B
公开(公告)日：2022-08-02
申请号：CN202110426716.8
申请日：2021-04-20
申请人： 郑州恩普特科技股份有限公司
IPC分类号： F04D15/00
摘要： 本发明属于汽蚀故障检测技术领域，具体涉及一种机泵汽蚀故障检测方法。本发明首先利用机泵的振动频谱序列的面积来表征底部噪声，并将底部噪声作为汽蚀故障指标；然后一方面可对当前时刻是否发生汽蚀故障进行检测判断，以提高汽蚀故障检测判断的准确性；另一方面还可利用汽蚀故障指标预测模型对未来某时刻是否会发生汽蚀故障进行预测判断，预测机泵是否会发生汽蚀故障以及在预测到会发生汽蚀故障时其发生的时刻，从而可以提前预知机泵汽蚀故障的发生，减少非计划停机，降低维修成本，促进工业企业实现预测性维护。
-
公开(公告)号：CN111504450A
公开(公告)日：2020-08-07
申请号：CN202010351302.9
申请日：2020-04-28
申请人： 郑州恩普特科技股份有限公司
IPC分类号： G01H17/00 , G01M13/028 , G01M13/021 , G01M13/045 , G08B21/18
摘要： 本发明提供一种设备故障报警方法及装置，属于设备故障报警领域。该方法包括：采集待测设备的振动信号，计算所述振动信号的统计量；监测待测设备的运行工况，若运行工况未发生变化，则将所述振动信号的统计量与当前运行工况对应的报警阈值进行比较；若运行工况发生变化，则重新计算报警阈值，将振动信号的统计量与变化后的运行工况对应的报警阈值进行比较，根据比较结果确定是否生成报警信号；报警阈值与待测设备的运行工况相对应，在某个运行工况下，计算一个时间窗口内的待测设备振动信号的统计量，根据该时间窗口内的待测设备振动信号的统计量确定该运行工况的报警阈值。该方法能适应多种运行工况，提高工况复杂的设备的故障报警准确率。
-
公开(公告)号：CN115856621A
公开(公告)日：2023-03-28
申请号：CN202211552020.0
申请日：2022-12-05
申请人： 郑州恩普特科技股份有限公司
IPC分类号： G01R31/34 , G06F18/24 , G06F18/213
摘要： 本发明涉及一种异步电机转子断条故障诊断方法及系统。系统包括两部分：边缘侧设置在待检测异步电机处的振动传感器和采集器，以及远端的服务器。方法通过远边协同实现：边缘侧采集器定时获取电机的振动波形数据；根据振动波形、服务器端下发的电机电源频率和电机极对数，计算电机实际转速；根据电机实际转速、电机电源频率和极对数，计算出极通过频率；将速度频谱上电机转频的前十倍频进行分段，对每一段频谱进行包络解调处理，计算每一个包络谱的特征频率位置；将极通过频率与计算出的十个包络谱特征频率进行数值对比，判断电机是否有转子断条故障发生。本发明采集振动信号兼顾机械和电气两种故障类型的诊断，监测成本低，效率高。
-
-
-
-
-
-
-
-
-
搜索结果
30 条记录 (耗时 0.047 秒)
