-
公开(公告)号：CN117269828A
公开(公告)日：2023-12-22
申请号：CN202311008067.5
申请日：2023-08-10
Applicant: 华北电力大学(保定)
Abstract: 本申请是一种基于定子平均瞬时功率的双馈风力发电机定子绕组匝间短路的在线检测方法，能够实时监测双馈风力发电机状态，及时反应定子绕组匝间短路故障，属于检测技术领域。该检测方法建立了双馈风力发电机正常及故障状态下的数学模型，依据数学模型搭建了基于MATLAB/Simulink的计及定子绕组匝间短路的双馈风力发电机仿真模型，通过仿真分析和理论推导选取了定子平均瞬时功率信号频谱中的2倍基频分量作为故障特征频率并利用Goertzel算法完成了故障特征频率的提取，最后与设定的故障阈值进行比较，实时显示检测结果，该方法计算效率高且易于工程实现，对双馈风力发电机的故障诊断具有一定的参考价值。
-
公开(公告)号：CN117131358A
公开(公告)日：2023-11-28
申请号：CN202311007964.4
申请日：2023-08-10
Applicant: 华北电力大学(保定)
IPC: G06F18/213 , G06F18/2415 , G01R31/34
Abstract: 本申请是一种基于加权贝叶斯模型的双馈风机转子匝间短路故障程度的诊断方法，属于电力系统双馈风机故障程度检测的技术领域。由于根据单一的特征信号实现双馈风机转子匝间短路故障程度诊断在实际生产生活中误判概率大，本申请提出一种基于加权贝叶斯模型的双馈风机转子匝间短路故障程度的方法。该方法主要分为故障特征量数据处理和构建加权贝叶斯分类器两个部分，首先通过MATLAB/Simulink双馈风机转子短路故障模型对正常情况及发生转子间短路故障后的双馈风机进行分析；再将故障数据样本通过快速傅立叶变换进行处理；最后构建加权贝叶斯分类器；将加权贝叶斯分类器应用于双馈风力发电机转子匝间短路故障程度，输出故障程度判别结果。
-
公开(公告)号：CN109100608A
公开(公告)日：2018-12-28
申请号：CN201810802419.7
申请日：2018-07-23
Applicant: 华北电力大学(保定)
IPC: G01R31/06
Abstract: 本发明公开了一种基于D-S信息融合算法的双馈风机定子匝间短路故障的诊断方法，属于电力系统双馈风机故障检测的技术领域。该诊断方法在分析定子匝间短路故障的特征机理，建立了基于MATLAB/Simulink的双馈风机定子匝间短路故障模型，确定转子侧电流和转子瞬时功率谱的故障特征频率并利用Prony算法完成对两个故障特征频率的幅值估计，进一步进行D-S信息融合判定故障，有效提高了故障模式的识别能力，对大型风电场的故障研究具有一定参考价值。
-
公开(公告)号：CN113947099B
公开(公告)日：2024-12-31
申请号：CN202110759206.2
申请日：2021-07-05
Applicant: 华北电力大学(保定)
IPC: G06F18/2431 , G06F18/213 , G06F18/214 , G01R31/34
Abstract: 本发明是一种基于ESPRIT‑PSA与LGBM的五相异步电动机转子断条数目高精度诊断方法。它针对短时(仅2秒)采样的瞬时无功功率信号，使用ESPRIT(旋转不变信号参数估计技术)和PSA(模式搜索算法)得到其中的特征分量的准确幅值Aq；再得到对应的电压幅值、电流幅值、平均有功功率P和平均无功功率Q等31个特征；继而由LGBM(轻型梯度提升机)确定了Aq和上述31个特征中权重占比前5的特征——Aq、P、Q、第1相电压幅值Um、第1相电流幅值Im，从而形成数据集；然后以其训练、保存LGBM模型并对转子断条数目进行高精度诊断(训练、测试精度均为100％，5折交叉验证准确率为99.38％)。
-
公开(公告)号：CN113947125A
公开(公告)日：2022-01-18
申请号：CN202110759207.7
申请日：2021-07-05
Applicant: 华北电力大学(保定)
Abstract: 本发明是一种基于ESPRIT‑PSA与LGBM的十五相异步电动机转子断条数目高精度诊断方法。它针对短时(仅2秒)采样的瞬时无功功率信号，使用ESPRIT(旋转不变信号参数估计技术)和PSA(模式搜索算法)得到其中的特征分量的准确幅值Aq；再得到对应的电压幅值、电流幅值、平均有功功率P和平均无功功率Q等71个特征；继而由LGBM(轻型梯度提升机)确定了Aq和上述71个特征中权重占比前5的特征——Aq、P、Q、第1相电压幅值Um、第1相电流幅值Im，从而形成数据集；然后以其训练、保存LGBM模型并对转子断条数目进行高精度诊断(训练、测试精度均为100％，5折交叉验证准确率为99.38％)。
-
Patent Agency Ranking
公开(公告)号：CN102508158A
公开(公告)日：2012-06-20
申请号：CN201110350234.5
申请日：2011-11-08
Applicant: 华北电力大学(保定)
Abstract: 一种异步电动机集群初发故障检测系统，用于解决异步电动机集群初发故障检测的问题。其技术方案是：它由后台监控终端和多个现场检测单元组成，每个检测单元与一台异步电动机相对应，各检测单元通过网络与后台监控终端通讯。本发明利用多个现场检测单元检测各异步电动机定子绕组匝间短路、转子断条故障；由后台监控终端通过Ethernet网络监控各个现场检测单元、读取其数据并显示各台异步电动机的参数、状态，实现异步电动机集群初发、早期故障的在线、实时监测，确保电力、钢铁、石化、矿山、舰船等领域之传动流程的顺利进行。
-
公开(公告)号：CN102279341A
公开(公告)日：2011-12-14
申请号：CN201110207098.4
申请日：2011-07-23
Applicant: 华北电力大学(保定)
Abstract: 一种基于ESPRIT与PSA的笼型异步电动机转子断条故障检测方法，它首先对按一定频率采集的定子电流瞬时信号应用旋转不变技术，得到其基波分量与边频分量的准确的频率值以及粗糙的幅值、粗糙的初相角；再应用模式搜索算法估计定子电流瞬时信号基波分量与边频分量的准确的幅值、初相角；进而求得当前边频分量与基波分量幅值的比值并把它作为故障特征；然后求出该比值与检测阈值之比确定故障指数；最后依故障指数判断是否存在转子断条故障。本发明利用很少的定子电流信号采样点数即可高灵敏度、高可靠性地在线检测异步电动机转子断条故障，有效克服了负荷波动、噪声等不利因素的影响，非常适用于异步电动机低转差率运行情况。
-
公开(公告)号：CN117150263A
公开(公告)日：2023-12-01
申请号：CN202311006454.5
申请日：2023-08-10
Applicant: 华北电力大学(保定)
IPC: G06F18/213 , G06F18/2415 , G01R31/34
Abstract: 本申请是一种基于加权贝叶斯模型的双馈风机定子匝间短路故障程度的诊断方法，属于电力系统双馈风机故障程度检测的技术领域。由于根据单一的特征信号实现双馈风机定子匝间短路故障程度诊断在实际生产生活中误判概率大，本申请提出一种基于加权贝叶斯模型的双馈风机定子匝间短路故障程度的方法。该方法主要分为故障特征量数据处理和构建加权贝叶斯分类器两个部分，首先通过MATLAB/Simulink双馈风机定子短路故障模型对正常情况及发生定子间短路故障后的双馈风机进行分析；再将故障数据样本通过快速傅立叶变换进行处理；最后构建加权贝叶斯分类器；将加权贝叶斯分类器应用于双馈风力发电机定子匝间短路故障程度，输出故障程度判别结果。
-
公开(公告)号：CN113538353B
公开(公告)日：2023-09-01
申请号：CN202110759208.1
申请日：2021-07-05
Applicant: 华北电力大学(保定)
IPC: G06T7/00 , G06N3/0464 , G06N3/08 , G01M13/045
Abstract: 本发明是一种基于单通道图数据增强和迁移训练残差网络的五相异步电动机滚动轴承故障诊断方法，适用于非平衡小样本情况，属诊断技术领域。该方法将样本划分为训练集与测试集，使用GASF对训练集信号编码而得到单通道图；再将单通道图作为样本训练WGAN‑GP网络，得到样本对应的生成器网络；之后，根据迁移训练的原理，利用ImageNet预训练的残差网络卷积层作为特征提取层构造残差分类网络。进而，进行训练：使用生成器网络生成的样本对全连接层进行训练；使用实际样本作为训练集依次训练全连接层和特征提取层；对整个残差网络进行微调。将训练好的模型存储，调用即可完成诊断，准确率不低于99.4％。
-
公开(公告)号：CN113947099A
公开(公告)日：2022-01-18
申请号：CN202110759206.2
申请日：2021-07-05
Applicant: 华北电力大学(保定)
Abstract: 本发明是一种基于ESPRIT‑PSA与LGBM的五相异步电动机转子断条数目高精度诊断方法。它针对短时(仅2秒)采样的瞬时无功功率信号，使用ESPRIT(旋转不变信号参数估计技术)和PSA(模式搜索算法)得到其中的特征分量的准确幅值Aq；再得到对应的电压幅值、电流幅值、平均有功功率P和平均无功功率Q等31个特征；继而由LGBM(轻型梯度提升机)确定了Aq和上述31个特征中权重占比前5的特征——Aq、P、Q、第1相电压幅值Um、第1相电流幅值Im，从而形成数据集；然后以其训练、保存LGBM模型并对转子断条数目进行高精度诊断(训练、测试精度均为100％，5折交叉验证准确率为99.38％)。
-
-
-
-
-
-
-
-
-
Search Results
32
records
(took 0.026 seconds)
