一种基于轴心轨迹的旋转机械二倍频故障检测方法及系统

    公开(公告)号:CN104374557A

    公开(公告)日:2015-02-25

    申请号:CN201410629011.6

    申请日:2014-11-10

    IPC分类号: G01M13/00 G01M7/02

    摘要: 本发明公开了一种基于轴心轨迹的旋转机械二倍频故障检测方法及系统,方法包括如下步骤:步骤1,使用两个相互垂直的探头检测旋转机械振动数据,如果任一探头检测的振动数据中二倍频成分≥10um,执行步骤2;步骤2,将两个探头检测得到的振动数据中的二倍频数据合成二倍频轴心轨迹,该轨迹呈椭圆形;计算二倍频轴心轨迹的离心率;根据离心率得到引起振动的原因。本方法直观、快速、准确地区分对中不良和测振带晃度过大问题,从而快速精确地判别具体的二倍频故障原因,并对这两种故障对振动所造成影响进行了量化分析,因此,本发明有效缩短了机组故障排查时间,避免工程人员盲目进行机组检修维修,提高了故障识别精度和故障处理效率。

    一种大型旋转机械运行状态故障诊断系统及方法

    公开(公告)号:CN110631850B

    公开(公告)日:2021-05-11

    申请号:CN201910783462.8

    申请日:2019-08-23

    IPC分类号: G01M99/00 G06K9/00

    摘要: 本发明属于大型旋转机械的故障智能诊断领域,公开了一种大型旋转机械运行状态故障诊断系统及方法,系统包括:数据采集模块用于获取大型旋转机械当前运行时间的振动数据;振动特征提取模块用于通过振动数据提取多种振动特征;振动特征分类模块用于将每种振动特征通过分类规则进行分类,得到对应的振动子特征;故障概率计算模块用于预设多种故障类型,根据所有振动子特征计算不同故障类型下的故障概率;故障诊断模块用于根据故障概率计算模块的计算结果进行判定,判定故障概率大于40%所对应的故障类型为大型旋转机械当前的运行故障。本发明能够根据大型旋转机械的振动数据特征进行智能分析,进而自动诊断出具体故障概率。

    一种基于轴心轨迹的旋转机械二倍频故障检测方法及系统

    公开(公告)号:CN104374557B

    公开(公告)日:2017-02-15

    申请号:CN201410629011.6

    申请日:2014-11-10

    IPC分类号: G01M13/00 G01M7/02

    摘要: 本发明公开了一种基于轴心轨迹的旋转机械二倍频故障检测方法及系统,方法包括如下步骤:步骤1,使用两个相互垂直的探头检测旋转机械振动数据,如果任一探头检测的振动数据中二倍频成分≥10um,执行步骤2;步骤2,将两个探头检测得到的振动数据中的二倍频数据合成二倍频轴心轨迹,该轨迹呈椭圆形;计算二倍频轴心轨迹的离心率;根据离心率得到引起振动的原因。本方法直观、快速、准确地区分对中不良和测振带晃度过大问题,从而快速精确地判别具体的二倍频故障原因,并对这两种故障对振动所造成影响进行了量化分析,因此,本发明有效缩短了机组故障排查时间,避免工程人员盲目进行机组检修维修,提高了故障识别精度和故障处理效率。

    一种基于多源数据模型的能效优化工况推荐方法

    公开(公告)号:CN115169698A

    公开(公告)日:2022-10-11

    申请号:CN202210802450.7

    申请日:2022-07-07

    IPC分类号: G06Q10/04 G06K9/62

    摘要: 本发明提供了一种基于多源数据模型的能效优化工况推荐方法,包括:步骤一,获取样本数据;步骤二,参数初始化;步骤三,数据预处理;步骤四,与分析数据合并;步骤五,历史预训练;步骤六,增量数据训练模式;步骤七,敏感特征确定;步骤八,机器学习分析;步骤九,结果输出。本发明建立起了基于多模态增量数据融合能效优化框架流程,避免了测点布置不全面,分析数据单一造成的分析结果背离实际的情形。本发明鉴于机组设备运行工况数据的不平衡性,通过敏感变量确定,借助于机器学习思想,预测了不同工况下的能效优化目标。本发明可以减低人为因素的干扰以及对专家知识的依赖。

    一种大型旋转机械运行状态故障诊断系统及方法

    公开(公告)号:CN110631850A

    公开(公告)日:2019-12-31

    申请号:CN201910783462.8

    申请日:2019-08-23

    IPC分类号: G01M99/00 G06K9/00

    摘要: 本发明属于大型旋转机械的故障智能诊断领域,公开了一种大型旋转机械运行状态故障诊断系统及方法,系统包括:数据采集模块用于获取大型旋转机械当前运行时间的振动数据;振动特征提取模块用于通过振动数据提取多种振动特征;振动特征分类模块用于将每种振动特征通过分类规则进行分类,得到对应的振动子特征;故障概率计算模块用于预设多种故障类型,根据所有振动子特征计算不同故障类型下的故障概率;故障诊断模块用于根据故障概率计算模块的计算结果进行判定,判定故障概率大于40%所对应的故障类型为大型旋转机械当前的运行故障。本发明能够根据大型旋转机械的振动数据特征进行智能分析,进而自动诊断出具体故障概率。