CN102033108A - 金属拉深件的状态判别特征参数提取方法 - Google Patents
金属拉深件的状态判别特征参数提取方法 Download PDFInfo
- Publication number
- CN102033108A CN102033108A CN 201010538838 CN201010538838A CN102033108A CN 102033108 A CN102033108 A CN 102033108A CN 201010538838 CN201010538838 CN 201010538838 CN 201010538838 A CN201010538838 A CN 201010538838A CN 102033108 A CN102033108 A CN 102033108A
- Authority
- CN
- China
- Prior art keywords
- signal
- acoustic emission
- frequency
- metal
- decomposition
- 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.)
- Granted
Links
- 239000002184 metal Substances 0.000 title claims abstract description 36
- 238000000034 method Methods 0.000 title abstract description 17
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 33
- 238000001228 spectrum Methods 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 9
- 238000005070 sampling Methods 0.000 claims abstract description 9
- 239000000284 extract Substances 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 8
- 230000003595 spectral effect Effects 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 230000003321 amplification Effects 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000012821 model calculation Methods 0.000 claims description 3
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 2
- 238000010606 normalization Methods 0.000 abstract 2
- 208000037656 Respiratory Sounds Diseases 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 239000007769 metal material Substances 0.000 description 5
- 239000000463 material Substances 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000010183 spectrum analysis Methods 0.000 description 2
- 206010011376 Crepitations Diseases 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000001050 lubricating effect Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000012882 sequential analysis Methods 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- 230000003319 supportive effect Effects 0.000 description 1
- 230000037303 wrinkles Effects 0.000 description 1
Images
Abstract
本发明公开一种金属拉深件的状态判别特征参数提取方法，先在金属制件边缘处和凸模边缘处设置声发射传感器采集不同部位的声发射信号送入计算机，在计算机中对信号进行归一化处理；再对归一化处理后的信号进行小波包分解，分频段对信号进行重构，得到只包含金属裂纹声发射信号频率成分的信号；最后建立金属裂纹声发射信号频带的自回归模型，根据自回归模型参数计算自回归谱，由公式提取声发射信号频带的准确能量值，将该能量值作为反映金属裂纹特征的特征参数。本发明提高了对金属拉深状态辨别的识别参数与状态预测的准确性，大大减少采样数目，适合于短时脉冲信号等在线监测的高要求场合。
Description
技术领域
本发明涉及一种基于声发射技术的金属件状态检测及故障诊断方法，特别涉及用于在拉深状态下对金属制件的状态判别特征参数的提取方法。
背景技术
拉深是利用专用模具将平板毛坯支撑开口空心零件的一种冲压工艺方法，用拉深方法来制造薄壁空心件，生产效率高，省材料，零件的强度和刚度好，精度较高，拉深可加工范围非常广泛，直径从几毫米的小零件直至2~3m的大型零件，因此，拉深在汽车、航空航天、国防、电器和电子等工业部门以及日用品生产中占据相当重要的地位。
在拉深件的加工检测中，应用最为普遍的是目测，但利用目测只能判断拉深件产品显而易见的质量问题，如圆角拉裂、凸缘起皱等变形严重的问题。而金属材料在拉深成形过程中，其不同区域的变形程度、受力情况以及摩擦与润滑等情况千差万别，拉深件在成形过程中产生裂纹在所难免，由于这些裂纹是在制件材料内部产生，所以肉眼难以察觉，一旦制件材料内部产生裂纹，如果不及时察觉，会导致大量次品的出现。
金属拉深件的状态识别最关键问题是在金属材料受力情况、模具及金属之间的摩擦与润滑状态千差万别的工况下，在采集到精准的反映制件状态的信号同时，应用适时的信号处理技术对该短时序信号进行实时的处理，得出准确反映制件状态的特征参数。目前，对金属材料在拉深模具作用下的状态辨别特征参数的提取方法有以下两种：
1、采集金属件在拉深过程中产生的声发射信号，对信号进行基本的除噪、滤波后，根据声发射信号的13个基本特征参数，利用神经网络等迭代算法提取对裂纹信号较为敏感的声发射特征参数。该方法的缺陷是：需要采集大量的数据，难以实现现场实时在线检测；并且在金属板料拉深成型过程中由于金属塑性变形产生的摩擦声发射信号与工件塑性变形产生的声发射信号混合在一起，而且工件与模具摩擦产生的声发射信号和工件早期微裂纹产生的声发射信号非常相似，其生成机理也相同，都是源于位错滑移、裂纹生成和断裂，非常难以区别。
2、利用局域波的方法提取反映金属裂纹声发射信号的能量值，采用遗传算法对特征参数进行重组，根据正态分布的普遍性，假定特征参数服从正态分布，并建立适应度函数终止遗传算法的迭代运算，得到反映裂纹特征的特征向量值。该方法的缺陷是：假定特征参数服从正态分布缺乏一定的准确性，会给后续的识别带来误差。并且金属材料在拉深过程中产生的声发射信号属于短时脉冲信号，在测得的波形数据中会缺少一部分峰值，或者在局部信号中存在微小的异常分量时，判定难以实现。
因此，以上两种方法对拉伸件处于何种状态无法做出精确地说明。
发明内容
本发明的目的是为了克服现有技术难以实现对处于拉深状态下的金属板料状态辨别的难题，提供一种区分金属板料在拉深状态下的金属塑性变形声发射信号、金属件与金属件以及金属件与拉深模具的摩擦声发射信号、金属拉深件早期裂纹声发射信号的状态判别特征参数提取方法，实现从短时脉冲信号中提取到反映金属裂纹信号的特征参数以用于模糊识别。
本发明采用的技术方案是依次采用如下步骤：A、在金属制件边缘处和凸模边缘处设置声发射传感器，声发射传感器将采集的不同部位的声发射信号分别输入前置放大器，对信号进行前置放大、A/D转换后输入数据处理模块，预处理后输入计算机中，在计算机中对信号进行归一化处理；B、对归一化处理后的信号进行小波包分解，再分频段对信号进行重构，得到只包含金属裂纹声发射信号频率成分的信号；C、先建立金属裂纹声发射信号频带的自回归模型，再根据自回归模型参数计算自回归谱，最后由公式提取声发射信号频带的准确能量值，将该能量值作为反映金属裂纹特征的特征参数。
本发明的有益效果是：
1、对小波包分解的状态信号建立自回归模型，因为金属拉深中的摩擦、塑性变形、断裂状态都蕴藏在模型参数的大小及次序中，所以将自回归模型参数作为识别参数，提高了对金属拉深状态辨别的识别参数与状态预测的准确性。
2、采用自回归谱分析建立动态自回归模型，对动态数据具有外延特性，对周期性较强的序列不要求严格按周期采样，在保证获得足够信息的前提下，可以大大减少采样数目，适合于短时脉冲信号等在线监测的高要求场合。
附图说明
下面结合附图和具体实施方式对本发明作进一步详细说明。
图1是本发明声发射采集原理图。
具体实施方式
如图1，金属制件5加工时位于凸模1和凹模4之间，由于在金属制件5的拉深过程中凸模1的主要作用是控制金属材料的流动，而凹模4的作用是固定金属制件5；所以为尽量采集到全部的声发射信号，将第一谐振式声发射传感器2布置在凸模1边缘处，将第二谐振式声发射传感器3布置在金属制件5边缘处，第一谐振式声发射传感器2和第二谐振式声发射传感器3分别连接前置放大器6，前置放大器6通过数据处理模块7连接计算机8。由于金属制件5在拉深过程中的塑性变形产生的声发射信号、金属制件5与凸模1和凹模4摩擦产生的声发射信号和金属制件5微裂纹产生的声发射信号混合在一起，非常相似，其生成机理也相同，要对这些信号进行特征参数的提取必须要建立在准确的提取信号的基础上，所以本发明分别在金属制件5边缘处和凸模1边缘处设置了声发射传感器，以采集不同部位的声发射信号。在润滑充分的情况下，由于金属塑性变形声发射信号和摩擦声发射信号相对微弱，频率范围在4~9.5KHz之间，故置于凸模1边缘处上的第一谐振式声发射传感器2主要采集金属制件5裂纹声发射信号与金属制件5塑性变形声发射信号；置于金属制件5边缘处的第二谐振式声发射传感器3主要采集凸模1和凹模4与金属制件5的摩擦声发射信号以及金属制件5塑性变形声发射信号。
第一谐振式声发射传感器2和第二谐振式声发射传感器3将采集的声发射信号分别输入前置放大器6，前置放大器6对信号进行前置放大、A/D转换后输入数据处理模块7对数据进行预处理，预处理之后输入计算机8中。在计算机8中应用矩阵实验室环境下的信号分析软件对信号数据进行归一化处理，归一化处理时采用常规的归一化处理公式。
由于金属制件5产生裂纹的声发射信号的频段范围明显比塑性变形与摩擦声发射信号的频率范围要高得多，所以归一化处理后再采用小波包技术将声发射信号进行分解，将包含金属裂纹声发射信号的频带信号分解出，剔除环境的噪声信号、凸模1和凹模4与金属制件5的摩擦磨损信号以及金属塑性变形声发射信号。
对信号进行小波包分解时，应用北京鹏翔科技有限公司PXAES型号声发射系统软件，在计算机中采用基于矩阵实验室环境下的信号分析软件进行数据的小波包分解，选择小波基函数、分解次数。由于状态检测过程数据采集量大、高频声发射信号具有短时脉冲性质，故选用多贝西（Daubechies）系列小波基，多贝西（Daubechies）系列小波基是典型的紧支撑性正交小波基，这样可以有效地提取金属拉深件裂纹声发射信号的特征。根据金属拉深件裂纹声发射信号频率范围特点，将小波包分解次数定为4次。
小波包分解后分频段对信号进行重构，得到只包含金属裂纹声发射信号频率成分的信号，再对该频带的信号进行自回归谱分析，提取到反应裂纹状态的能量特征参数。由于金属制件5拉深裂纹声发射信号具有短时脉冲性，信号时域时间很短，采集所得的数据量很少的特点，故对重构信号建立金属裂纹声发射信号频带的自回归模型，然后根据自回归模型参数计算各状态的自回归谱。由于小波包分解的频带首尾相接，因此在计算分解频率时对这些分解频带进行移频，提取到分解频带的准确能量值，将该能量值作为反映裂纹特征的特征参数。具体方法如下：
（1）分辨率j是用来调整子波覆盖的频率范围的，在分辨率j水平下的小波包信号分解中，位于小波子空间的离散数据可表示为 
，其n阶自回归谱模型为：
式中
，
，…，
表示信号幅值，
，
，…，
表示自回归模型参数，
表示白噪声，
表示
的方差。
（2）通过FPE（最小最终预报误差准则）准则确定模型阶数，FPE准则是由样本对模型定阶，是以模型输出的一步预报误差方差来判定模型阶次：一步预报误差方差阵的行列式越小，就认为模型拟合得越理想，这时的模型阶次认为是最佳的阶次，根据模型的预报误差来判明自回归模型的阶数是否合适，最终预报误差定义为:
N是观测数据长度，n为自回归模型的阶数。当n增大时，模型方差
下降，但(N+n) / (N-n)值增大，因此，取使FPE (n)最小的n值作为模型的最佳阶数。FPE准则只适用于判断模型的阶次。
（3）移频提取能量值
由于分解信号的自回归谱不同于一般的自回归谱，小波包分解的频带首尾相接，每个频带数据的采样时间间隔为
，根据采样定理可得，分析频率的上限为
。这一频率上限仅满足第一分解频带，其他频带均不满足。因此必须对这些频带在计算频率时进行移频。当位于 (m为偶数)频带的分解信号是由低通滤波后得到的相对低频信号，而位于
(m为奇数)频带的分解信号是由高通滤波后得到的带通信号。故小波分解
次后的第m频带(m为偶数)分解信号的n阶自回归谱的表达式如下：
式中，
是
次小波包分解的第m频带分解信号的频率下限， 
（
…；
），j是虚数，
，
是正常的小波包分解频率，
=1,2,…..，n；
是正常的小波包分解频率，即函数g(x)中的x为自变量。
而小波分解次后的第m频带(m为奇数)分解信号的n阶自回归谱的表达式如下：
这里
是
次小波包分解的第m频带分解信号的频率上限，有：
其中：
为采样时间，
为采样间隔。
由于自回归谱也是功率谱密度，从中提取能量由下式实现：
式中：N为自回归谱图上特定分析频带内谱线的数目；
为对应于第
条谱线的功率谱密度函数值；
为频率分辨率。
本发明中，为尽量提取到声发射信号，设定信号采样频率为2MHz，频带范围是20KHz~1MHz；根据奈奎斯特采样定理，为避免混叠现象，奈奎斯特频率1MHz。小波包分解次数为4次，共得到16个分解信号频带，每个分解信号带宽为62.5KHz。若对分解信号进行编号，编号原则是按照分解频带从小到大排序，若设定第
个频带的信号能量值为
，则取第2分解频段到第8分解频段做小波包时序谱分析，提取其能量值，得到识别所需特征向量：
，为后续模式识别打下基础。
Claims (1)
1.一种金属拉深件的状态判别特征参数提取方法，其特征是依次采用如下步骤：
A、在金属制件边缘处和凸模边缘处设置声发射传感器，声发射传感器将采集的不同部位的声发射信号分别输入前置放大器，对信号进行前置放大、A/D转换后输入数据处理模块，预处理后输入计算机中，在计算机中对信号进行归一化处理；
B、对归一化处理后的信号进行小波包分解，再分频段对信号进行重构，得到只包含金属裂纹声发射信号频率成分的信号；
C、先建立金属裂纹声发射信号频带的自回归模型是：
再根据自回归模型参数计算自回归谱，位于频带的分解信号是相对低频信号，位于频带的分解信号是带通信号，相对低频信号第m频带分解信号的n阶自回归谱是：
带通信号第m频带分解信号的n阶自回归谱是：
最后，由公式
提取声发射信号频带的准确能量值，将该能量值作为反映金属裂纹特征的特征参数； N为自回归谱图上特定分析频带内谱线的数目，
为对应于第
条谱线的功率谱密度函数值；
为频率分辨率。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN2010105388388A CN102033108B (zh) | 2010-11-11 | 2010-11-11 | 金属拉伸件的状态判别特征参数提取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN2010105388388A CN102033108B (zh) | 2010-11-11 | 2010-11-11 | 金属拉伸件的状态判别特征参数提取方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN102033108A true CN102033108A (zh) | 2011-04-27 |
| CN102033108B CN102033108B (zh) | 2012-05-23 |
Family
ID=43886280
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN2010105388388A Active CN102033108B (zh) | 2010-11-11 | 2010-11-11 | 金属拉伸件的状态判别特征参数提取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN102033108B (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102854252A (zh) * | 2012-09-10 | 2013-01-02 | 北京理工大学 | 一种检测金属材料疲劳状态的方法和系统 |
| CN103743821A (zh) * | 2013-12-20 | 2014-04-23 | 江苏大学 | 超薄板微成形模具的ae信号检测系统装置及方法 |
| CN104297061A (zh) * | 2014-10-15 | 2015-01-21 | 上海工程技术大学 | 一种测定与识别纺织材料拉伸破坏模式的装置 |
| CN105203632A (zh) * | 2015-10-12 | 2015-12-30 | 江苏大学 | 一种基于超声导波的管道缺陷类型判别方法 |
| CN105659080A (zh) * | 2013-06-27 | 2016-06-08 | 德莱赛公司 | 用于从来自阀的声能中过滤噪声的系统和方法 |
| CN105738481A (zh) * | 2016-02-29 | 2016-07-06 | 上海交通大学 | 一种碳纤维增强复合材料切削加工缺陷的预测方法 |
| CN103852525B (zh) * | 2012-11-29 | 2016-09-21 | 沈阳工业大学 | 基于ar-hmm的声发射信号识别方法 |
| CN111024820A (zh) * | 2019-12-19 | 2020-04-17 | 南通大学 | 一种海上风电叶片健康监测系统及其数据处理方法 |
| CN111812211A (zh) * | 2020-07-09 | 2020-10-23 | 武汉理工大学 | 一种基于声发射参数的ra–af–e岩石类材料脆性破坏裂纹分类方法 |
| TWI714097B (zh) * | 2019-05-24 | 2020-12-21 | 國立臺北科技大學 | 沖壓模具壽命管理系統 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2009041978A (ja) * | 2007-08-07 | 2009-02-26 | Applied Research Kk | 打音解析による健全性診断方法 |
| CN101566541A (zh) * | 2009-05-04 | 2009-10-28 | 北京航空航天大学 | 采用突变模型对在役16Mn钢承力件进行拉伸损伤的评估系统 |
| CN101566601A (zh) * | 2009-05-04 | 2009-10-28 | 北京航空航天大学 | 采用神经网络和耦合迭代对16Mn钢承力件进行拉伸损伤状态的识别系统 |
-
2010
- 2010-11-11 CN CN2010105388388A patent/CN102033108B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2009041978A (ja) * | 2007-08-07 | 2009-02-26 | Applied Research Kk | 打音解析による健全性診断方法 |
| CN101566541A (zh) * | 2009-05-04 | 2009-10-28 | 北京航空航天大学 | 采用突变模型对在役16Mn钢承力件进行拉伸损伤的评估系统 |
| CN101566601A (zh) * | 2009-05-04 | 2009-10-28 | 北京航空航天大学 | 采用神经网络和耦合迭代对16Mn钢承力件进行拉伸损伤状态的识别系统 |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102854252A (zh) * | 2012-09-10 | 2013-01-02 | 北京理工大学 | 一种检测金属材料疲劳状态的方法和系统 |
| CN103852525B (zh) * | 2012-11-29 | 2016-09-21 | 沈阳工业大学 | 基于ar-hmm的声发射信号识别方法 |
| CN105659080A (zh) * | 2013-06-27 | 2016-06-08 | 德莱赛公司 | 用于从来自阀的声能中过滤噪声的系统和方法 |
| CN105659080B (zh) * | 2013-06-27 | 2018-11-09 | 德莱赛公司 | 用于从来自阀的声能中过滤噪声的系统和方法 |
| CN103743821A (zh) * | 2013-12-20 | 2014-04-23 | 江苏大学 | 超薄板微成形模具的ae信号检测系统装置及方法 |
| CN103743821B (zh) * | 2013-12-20 | 2016-09-14 | 江苏大学 | 超薄板微成形模具的ae信号检测系统装置及方法 |
| CN104297061B (zh) * | 2014-10-15 | 2017-01-25 | 上海工程技术大学 | 一种测定与识别纺织材料拉伸破坏模式的装置 |
| CN104297061A (zh) * | 2014-10-15 | 2015-01-21 | 上海工程技术大学 | 一种测定与识别纺织材料拉伸破坏模式的装置 |
| CN105203632A (zh) * | 2015-10-12 | 2015-12-30 | 江苏大学 | 一种基于超声导波的管道缺陷类型判别方法 |
| CN105203632B (zh) * | 2015-10-12 | 2017-12-22 | 江苏大学 | 一种基于超声导波的管道缺陷类型判别方法 |
| CN105738481A (zh) * | 2016-02-29 | 2016-07-06 | 上海交通大学 | 一种碳纤维增强复合材料切削加工缺陷的预测方法 |
| TWI714097B (zh) * | 2019-05-24 | 2020-12-21 | 國立臺北科技大學 | 沖壓模具壽命管理系統 |
| CN111024820A (zh) * | 2019-12-19 | 2020-04-17 | 南通大学 | 一种海上风电叶片健康监测系统及其数据处理方法 |
| CN111024820B (zh) * | 2019-12-19 | 2023-01-31 | 南通大学 | 一种海上风电叶片健康监测系统及其数据处理方法 |
| CN111812211A (zh) * | 2020-07-09 | 2020-10-23 | 武汉理工大学 | 一种基于声发射参数的ra–af–e岩石类材料脆性破坏裂纹分类方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN102033108B (zh) | 2012-05-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN102033108B (zh) | 金属拉伸件的状态判别特征参数提取方法 | |
| Tran et al. | Drill fault diagnosis based on the scalogram and mel spectrogram of sound signals using artificial intelligence | |
| CN101949895B (zh) | 一种金属拉深件微小裂纹冲击性信号的识别方法 | |
| CN110307994B (zh) | 异声检测装置以及异声检测方法 | |
| CN109946055B (zh) | 一种汽车座椅滑轨异响检测方法及系统 | |
| CN100485342C (zh) | 机械故障的集成支持向量机混合智能诊断方法 | |
| CN103499437B (zh) | 可调品质因子双树复小波变换的旋转机械故障检测方法 | |
| CN102840907B (zh) | 早期故障状态下滚动轴承振动信号特征提取和分析方法 | |
| CN101995437B (zh) | 一种拉深件裂纹声发射信号的特征提取方法 | |
| CN109605128B (zh) | 一种基于功率谱熵差的铣削颤振在线检测方法 | |
| CN104819846A (zh) | 一种基于短时傅里叶变换和稀疏层叠自动编码器的滚动轴承声音信号故障诊断方法 | |
| CN1834607A (zh) | 检查装置及检查方法 | |
| CN1641504A (zh) | 用于控制工业过程特别是激光焊接过程的质量的方法 | |
| CN102539150A (zh) | 基于连续小波变换的旋转机械部件的自适应故障诊断方法 | |
| WO2016004749A1 (zh) | 一种大型数控铣床刀具磨损程度识别方法 | |
| CN1200783C (zh) | 冷轧机的抖动检测方法及装置 | |
| CN1847820A (zh) | 检查仪及其辅助设备、异常检测设备和耐久性测试方法 | |
| CN102323779B (zh) | 一种重型数控装备测控传感网 | |
| TW201204960A (en) | Diagnosis method of ball screw preload loss via Hilbert-Huang Transform and apparatus therefor | |
| CN116304751B (zh) | 用于动车组部件检修的运行数据处理方法 | |
| CN104490373A (zh) | 脉搏信号的判断方法、判断装置以及生理参数测量设备 | |
| CN113919389A (zh) | 一种基于声纹成像的gis故障诊断方法及系统 | |
| CN115410599A (zh) | 一种基于声纹感知的变压器运行状态识别的方法及系统 | |
| CN101996316A (zh) | 一种用于辨别拉深件裂纹的模糊识别方法 | |
| CN113343887A (zh) | 基于边缘计算与机器学习的多传感器混合故障信号盲分离方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C14 | Grant of patent or utility model | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20170323 Address after: 212300 Zhenjiang city of Jiangsu province Danyang City Yanling Town East Village Patentee after: Jiangsu Tong Tong Machinery Manufacturing Co., Ltd. Address before: Zhenjiang City, Jiangsu Province, 212013 Jingkou District Road No. 301 Patentee before: Jiangsu University |
|
| TR01 | Transfer of patent right |
Effective date of registration: 20180207 Address after: 212017 Jiangsu province Zhenjiang Private Development Zone in the middle part of the run road Patentee after: Zhenjiang Seiko welding equipment Co., Ltd. Address before: 212300 Zhenjiang city of Jiangsu province Danyang City Yanling Town East Village Patentee before: Jiangsu Tong Tong Machinery Manufacturing Co., Ltd. |
|
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20180926 Address after: 212004 No. 98 Zong Ze Road, Jingkou District, Zhenjiang, Jiangsu Patentee after: Zhenjiang Jiangke Electromechanical Engineering Co., Ltd. Address before: 212017 middle section of run Xing Road, Private Development Zone, Zhenjiang, Jiangsu Patentee before: Zhenjiang Seiko welding equipment Co., Ltd. |
|
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20190130 Address after: 211300 No. 79 Fengshan Road, Gaochun Economic Development Zone, Nanjing, Jiangsu Province Patentee after: JIANGSU ZHANTUO FIRE-FIGHTING EQUIPMENT CO., LTD. Address before: 212004 No. 98 Zong Ze Road, Jingkou District, Zhenjiang, Jiangsu Patentee before: Zhenjiang Jiangke Electromechanical Engineering Co., Ltd. |
|
| TR01 | Transfer of patent right |