CN103149046B - 一种基于专家思维的多维度故障诊断方法 - Google Patents
一种基于专家思维的多维度故障诊断方法 Download PDFInfo
- Publication number
- CN103149046B CN103149046B CN201310071480.6A CN201310071480A CN103149046B CN 103149046 B CN103149046 B CN 103149046B CN 201310071480 A CN201310071480 A CN 201310071480A CN 103149046 B CN103149046 B CN 103149046B
- Authority
- CN
- China
- Prior art keywords
- fault
- matrix
- ffault
- measuring point
- ffault matrix
- 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.)
- Active
Links
Abstract
本发明公开了一种基于专家思维的多维度故障诊断方法,通过实时在线监测各测点运行状态信息,根据采集到的报警测点基本数据及故障机理,判定设备可能存在的故障类型,从而建立对应的故障矩阵;根据采集到的各测点数据及故障机理,对应故障矩阵,建立权重矩阵;将故障矩阵与权重矩阵相乘,求解诊断结果给出最终诊断结论,确定设备是否存在某一故障。本发明的诊断方法可排除单测点单时间点信号异常故障,可尽可能排除设备误报故障,同时有助于区分征兆较相似故障类型以给出最符合实际的故障诊断结果,解决基于不同测点、不同时间点诊断结论存在冲突的问题,对现场设备管理及监测人员具有积极的工程指导作用。<b />
Description
技术领域
本发明属于设备故障诊断技术领域,涉及一种基于专家思维的多维度信息设备故障诊断方法。
背景技术
设备或者说机器是当代工业体系中不可或缺的组成部分。大型的、高效的、高自动化的设备给人类创造了巨大经济财富,为国民经济的迅速发展起到重大作用。设备在高速长周期的运转过程中,不可避免的会出现零部件老化、性能下降及损坏故障。一旦设备,尤其是在流程工业中占主要地位或者起关键作用的设备发生故障,必将给整个企业带来不可避免的经济损失,更有甚者,造成不必要的人员伤亡并给环境造成不可逆转的破坏。因此研究设备故障机理、提高设备故障诊断准确率,对保障设备安全可靠运行,从而减少因故障停机带来的直接和间接经济损失具有重要意义。
早在半个世纪以前,人们就开始对这些重要的设备进行故障诊断。原始的故障诊断主要靠“眼看、手摸、耳听”,由于原始手段自身的局限性和所获得信息的不完备性,导致不能非常及时、准确地诊断故障。随着传感器技术和信号处理技术的发展,上世纪80年代出现了依靠不同信号及仪器进行的故障诊断技术。其中由于振动信号能够准确、及时的反映设备的运行状态,并且其时域、频域和幅值均可以作为故障征兆。基于振动信号的故障诊断技术应用较广,且一直延续到现在。随着计算机技术、智能化技术及信息融合技术的发展,越来越多的专家系统和融合技术也应用在了设备故障诊断上。
专家在进行故障诊断时,总是先充分分析所获得的设备运行状态信息。这些信息包括报警测点不同时刻的各项特征参数、同时也包括相邻或者相关其他测点的各项参数。通过分析这些参数,结合故障机理给出最终结论。因为现场诊断专家考虑信息比较全面,诊断准确率相对较高。目前,大多数设备均已安装了实时在线监测系统,且具备一定的智能诊断功能。
现有的智能诊断专家系统虽然在一定程度上能诊断出某些故障,但由于往往只考虑单一测点特征值变化或者只考虑单一时刻的各特征值变化。从而出现基于不同时刻或者不同测点进行诊断时,诊断结论不同的现象,同时也不能很好的排除由于单一信号异常而非设备故障造成的系统报警问题。
发明内容
为充分利用所采集的信息,提高诊断准确率,并使设备尽可能的减少误报,本发明提出了一种基于专家思维的多维度故障诊断方法,包括如下步骤:
1)通过实时在线监测系统按一定采样频率采集设备各测点运行状态信息,将采集到的数据转化为可读特征参数,当特征参数中有超过报警值的数据时,即启动故障诊断;
2)根据采集到的报警测点基本数据及故障机理,判定设备可能存在的故障类型,从而建立对应的故障矩阵;
3)根据采集到的各测点数据及故障机理,迭代求解故障矩阵中各元素具体数值,各元素数值为0或1,从而使故障矩阵变为一个由0和1具体数值组成的矩阵;
4)对应故障矩阵,建立权重矩阵;
5)将故障矩阵与权重矩阵相乘,求解诊断结果R,当R≥0.6时,则说明该设备确实存在故障矩阵所代表的故障,否则说明设备不存在故障矩阵所代表的故障;
6)给出最终诊断结论,即设备是否存在某一故障。
进一步,步骤2)中建立的故障矩阵为:
上式中各参数意义:
F:故障矩阵所代表的故障类型,故障不同,故障矩阵也不同,一个故障矩阵只代表一种故障;
:第j个测点P;
:第i个时间点;
Ftipj:故障矩阵中第ti行第Pj列的元素,即依据测点Pj在时刻ti时的数据及故障机理进行一般诊断,将得出的故障类型与故障矩阵代表的故障进行比较,相同数值则为1,否则为0,其具体数值只能为0或1;
m×n:故障矩阵的维数,其中m为故障矩阵的行数,即选取的时间点的个数,n为故障矩阵的列数,即选取的相关测点的个数。
进一步,步骤3)中故障矩阵中各元素具体数值的求解方法为:
上式中各参数意义:
:采集到的测点Pj在时刻ti时的第i个特征值。
进一步,步骤4)中建立的权重矩阵为:
上式中各参数意义:
W:权重矩阵;
:在最终结果判定中所占的比例系数,即该元素对最终结果的影响因子。
进一步,步骤5)中求解诊断结果R的方法为权重加和法:
进一步,对于离心设备,将采集到的数据转化为通频、主导频率、幅值、相位、轴心轨迹;对于往复设备,将采集到的数据转化为温度、活塞杆沉降、缸体振动、曲轴箱振动。
进一步,对于发展较慢、趋势缓变的故障,选择间隔较长的少量时间点;对于发展较快、特征值变化剧烈的故障,选择间隔较短的多个时间点。
本发明提供的故障矩阵诊断方法充分考虑了某一故障对设备相邻和相关测点的影响,将相邻和相关测点的信息与报警测点信息充分融合,从多维角度进行诊断,符合专家分析、诊断思路。利用实时在线监测系统采集的各测点各时间点信息融合得到的故障矩阵进行诊断,可排除单测点单时间点信号异常故障,可尽可能排除设备误报故障,同时有助于区分征兆较相似故障类型以给出最符合实际的故障诊断结果,同时解决基于不同测点、不同时间点诊断结论存在冲突的问题,对现场设备管理及监测人员具有积极的工程指导作用。
附图说明
图1是本发明的流程图;
图2是本发明的故障矩阵各元素具体数值求解过程示意图;
图3是本发明的故障矩阵权重加权法求解过程示意图;
图4是对应故障矩阵的权重矩阵示意图;
图5某石化102设备概貌和传感器布置图;
图6某石化102设备1V测点频谱比较图;
图7某石化102设备1H测点频谱比较图;
图8某石化102设备2V测点频谱比较图;
图9某石化102设备2H测点频谱比较图;
图10某石化102设备1H-1V测点轴心轨迹图(椭圆);
图11某石化102设备1H-1V测点轴心轨迹图(8字型);
图12某石化102设备2H-2V测点轴心轨迹图(椭圆);
图13某石化102设备2H-2V测点轴心轨迹图(8字型)。
具体实施方式
下面结合附图对本发明进行具体说明。
结合图1-4,本发明的多维度故障诊断方法包括以下步骤:
1)通过实时在线监测系统按一定采样频率采集设备各测点运行状态信息,并通过一定的数据处理手段,将采集到的数据转变为可读特征参数,对于离心设备,通常转化为通频、幅值、相位、轴心轨迹等特征参数,对于往复设备则可转化为温度、活塞杆沉降、缸体振动等特征参数。当特征参数中有超过报警值的数据时,即启动故障诊断;
2)根据采集到的报警测点基本数据及故障机理,判定设备可能存在的故障类型,从而建立合适的故障矩阵;
具体判断过程如图2所示,由于故障发生的部位不同、或是故障类型不同,导致设备表现特征不同,即设备特征参数变化不同,各诊断专家已给出故障类型与设备特征参数间对应关系,据此可大致判断设备可能存在的故障类型。如对于离心设备不平衡故障主要表现在1倍频(1X)主导,离心设备油膜涡动类故障表现特征为分频变化较大,等等。但由于故障的复杂性,不同故障间表现特征关联性,根据单一测点信息无法给出准确结论。根据设备可能存在的故障,建立合适故障矩阵。
该步骤中建立的故障矩阵为:
上式中各参数意义:
F:故障矩阵所代表的故障类型,故障不同,故障矩阵也不同,一个故障矩阵只代表一种故障;
:第j个测点P;
:第i个时间点;
Ftipj:故障矩阵中第ti行第Pj列的元素,即依据测点Pj在时刻ti时的数据及故障机理进行一般诊断,将得出的故障类型与故障矩阵代表的故障进行比较,相同数值则为1,否则为0,其具体数值只能为0或1;
m×n:故障矩阵的维数,其中m为故障矩阵的行数,即选取的时间点的个数,n为故障矩阵的列数,即选取的相关测点的个数。
故障不同,所建立的故障矩阵不同,则维数m×n也不同,譬如:对于发展较慢、趋势缓变的故障,可选择少量、间隔较长的时间点,即故障矩阵的行数m较小,且包含时间范围较宽;对于发展较快、特征值变化剧烈的故障,则尽量选择间隔较短的多个时间点,即m值较大,但包含时间可能较短。
一种故障对应一个故障矩阵和一个权重矩阵,故障矩阵和对应的权重矩阵维数m×n相同。故障矩阵是由数值0和1组成的矩阵,其行数m与选取的时间点数相同,其列数n与相关测点数相同。权重矩阵是由加和结果为1的m×n个实数值组成的矩阵,各元素数值大小是根据故障机理和故障劣化规律得出的,代表了故障矩阵中对应元素对诊断结果的影响系数。
3)根据采集到的各测点数据及故障机理,迭代求解故障矩阵中各元素具体数值,各元素数值为0或1,从而使故障矩阵变为一个由0和1具体数值组成的矩阵;
该步骤中提出的故障矩阵中各元素求解方法为:
上式中各参数意义:
:采集到的测点Pj在时刻ti时的第i个特征值。
4)对应故障矩阵,建立合适的权重矩阵,即故障矩阵中每一个元素具体数值对最终结果的判定产生的影响系数;
该步骤中建立的权重矩阵:
上式中各参数意义:
W:权重矩阵;
:在最终结果判定中所占的比例系数,即该元素对最终结果的影响因子。
5)将故障矩阵与权重矩阵相乘,求解诊断结果R,当R≧0.6时,则说明该设备确实存在故障矩阵所代表的故障,否则说明设备不存在故障矩阵所代表的故障;和
该步骤中求解诊断结果的方法为权重加和法:
上式中各参数意义:
:故障矩阵;
:权重矩阵;
:诊断结果。
诊断矩阵中的各元素,数值不同,最终的结果也会不同。每一个元素对最终结果的影响因子不同,即权重大小不同,对诊断结果也有一定的影响。将每一个元素与其对应权重数值相乘,再将相乘所得结果相加,即可求得诊断结果R,若R≧0.6时,说明该设备确实存在故障矩阵所代表的故障;否则说明设备不存在故障矩阵所代表的故障。
6)给出最终诊断结论,即设备是否存在某一故障。
实施例
下面选择某石化企业化肥厂102设备为对象对该方法进行检验。如图5所示,102设备为透平+低压缸+高压缸三轴连接式设备,每一轴都由两个滑动轴承支撑,轴与轴之间用刚性联轴节连接。该设备1V、2V测点在2012年12月23日超过危险值,现针对这两个测点及其相邻和相关测点特征值信息进行诊断。其中1V、1H测点为透平自由端两夹角为90度径向测点,2V、2H测点为透平非自由端两夹角为90度径向测点,这四个测点用于测量透平转轴振动特征。
具体实施措施如下:
1、采用现有在线监测系统,实时采集该设备所有测点的相应信息。该设备用12个电涡流传感器测各轴承径向测点,透平、低压缸、高压缸三轴,在每轴两端的轴承处分别安置两个夹角为90度的传感器,从透平自由端到高压缸自由端,编号依次为1H/1V、2H/2V…6H/6V;并用5个电涡流传感器测轴向测点,其中透平自由端轴向安置两个传感器,为1A1/1A2,低压缸与高压缸联接处轴向安置两个传感器,为4A1/4A2,高压缸自由端安置一个传感器,为6A。设备概貌及传感器具体安置方位可查看附图5。采集到的径向测点特征参数有:工作转速、通频值、1倍频(1X)、2倍频(2X)、1/2倍频(1/2X)、1倍频波形、1倍频相位、频谱图、轴心轨迹等。轴向测点主要特征参数有直流量和振动幅值等。
结合图6-13,该设备1V、2V测点处于报警状态,启动故障诊断,在2012年12月23日凌晨左右振值出现较大变化,现选择2012年12月22号0:0:00到2012年12月24号0:0:00两天48小时内等时间间隔的7组数据对该设备进行诊断。
用在线监测系统采集到的该设备相应数据见下表:
2、1V测点在t1时刻,通频值较大,各项特征值较明显,选择此时刻1V测点数据进行初步判断。1V测点t1时刻的主要特征参数有:1倍频(1X)主导,相位不稳定,常伴频率为55Hz,即1/3倍频频率,约占到1倍频幅值的1/2,变化较大的频率成分为55Hz频率成分,趋势不稳定,波形为8字型。
根据以上特征信息,判定设备可能存在油膜涡动故障,选择油膜涡动故障矩阵。
该故障矩阵代表着油膜涡动故障,若该矩阵计算结果R>0.6,则说明设备存在油膜涡动故障,否则就说明设备不存在油膜涡动故障。
3、根据采集到的各测点数据及故障机理,迭代求解故障矩阵中各元素具体数值。
依据1V测点23日0时刻数据结合故障机理诊断出的结论为油膜涡动,将该结果与故障矩阵所代表的故障-油膜涡动进行比较,两者相同,则rt1p1V=1,依次依据其它测点其它时刻数据,进行求解,结果为:
则该设备油膜涡动故障矩阵为:
4、对应故障矩阵,选择合适的权重矩阵。
故障矩阵中每一个元素对最终结果的计算影响不同,即故障矩阵中每一个元素在结果计算过程中所占权重不同,权重矩阵是基于故障机理及故障劣化规律的考虑所给出的能反映各元素所占结果影响因子的矩阵。一般来说,越靠近报警测点报警时刻的元素所占权重越大。考虑油膜涡动故障机理和油膜涡动故障劣化规律,给出本例的权重矩阵为:
5、将故障矩阵与权重矩阵结合,求解故障矩阵最终结果R,若R≧0.6,则说明该设备确实存在故障矩阵所代表的故障,相反则说明设备不存在故障矩阵所代表的故障;
6、经以上分析,该设备透平端确实存在油膜涡动故障;
7、在发现设备报警后,用故障矩阵方法对设备异常进行故障诊断,诊断出设备透平端存在油膜涡动故障。经与现场人员核实,该设备透平端确实存在油膜涡动故障。证明了故障矩阵诊断方法的准确性和有效性。
Claims (6)
1.一种基于专家思维的多维度故障诊断方法,其特征在于包括如下步骤:
1)通过实时在线监测系统按一定采样频率采集设备各测点运行状态信息,将采集到的数据转化为可读特征参数,当特征参数中有超过报警值的数据时,即启动故障诊断;
2)根据采集到的报警测点基本数据及故障机理,判定设备可能存在的故障类型,从而建立对应的故障矩阵,
上式中各参数意义:
F:故障矩阵所代表的故障类型,故障不同,故障矩阵也不同,一个故障矩阵只代表一种故障;
:第j个测点P;
:第i个时间点;
Ftipj:故障矩阵中第ti行第Pj列的元素,即依据测点Pj在时刻ti时的数据及故障机理进行一般诊断,将得出的故障类型与故障矩阵代表的故障进行比较,相同数值则为1,否则为0,其具体数值只能为0或1;
m×n:故障矩阵的维数,其中m为故障矩阵的行数,即选取的时间点的个数,n为故障矩阵的列数,即选取的相关测点的个数;
3)根据采集到的各测点数据及故障机理,迭代求解故障矩阵中各元素具体数值,各元素数值为0或1,从而使故障矩阵变为一个由0和1具体数值组成的矩阵;
4)对应故障矩阵,建立权重矩阵;
5)将故障矩阵与权重矩阵相乘,求解诊断结果R,当R≥0.6时,则说明该设备确实存在故障矩阵所代表的故障,否则说明设备不存在故障矩阵所代表的故障;
6)给出最终诊断结论,即设备是否存在某一故障。
2.根据权利要求1所述的基于专家思维的多维度故障诊断方法,其特征在于,步骤3)中故障矩阵中各元素具体数值的求解方法为:
上式中各参数意义:
:采集到的测点Pj在时刻ti时的第i个特征值。
3.根据权利要求2所述的基于专家思维的多维度故障诊断方法,其特征在于,步骤4)中建立的权重矩阵为:
上式中各参数意义:
W:权重矩阵;;
:在最终结果判定中所占的比例系数,即该元素对最终结果的影响因子。
4.根据权利要求3所述的基于专家思维的多维度故障诊断方法,其特征在于,步骤5)中求解诊断结果R的方法为权重加和法:
。
5.根据权利要求1-4任一项所述的基于专家思维的多维度故障诊断方法,其特征在于,对于离心设备,将采集到的数据转化为通频、主导频率、幅值、相位、轴心轨迹;对于往复设备,将采集到的数据转化为温度、活塞杆沉降、缸体振动、曲轴箱振动。
6.根据权利要求2-4任一项所述的基于专家思维的多维度故障诊断方法,其特征在于,对于发展较慢、趋势缓变的故障,选择间隔较长的少量时间点;对于发展较快、特征值变化剧烈的故障,选择间隔较短的多个时间点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310071480.6A CN103149046B (zh) | 2013-03-07 | 2013-03-07 | 一种基于专家思维的多维度故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310071480.6A CN103149046B (zh) | 2013-03-07 | 2013-03-07 | 一种基于专家思维的多维度故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103149046A CN103149046A (zh) | 2013-06-12 |
CN103149046B true CN103149046B (zh) | 2016-01-06 |
Family
ID=48547251
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310071480.6A Active CN103149046B (zh) | 2013-03-07 | 2013-03-07 | 一种基于专家思维的多维度故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103149046B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103616187B (zh) * | 2013-10-15 | 2016-06-01 | 北京化工大学 | 一种基于多维度信息融合的故障诊断方法 |
CN103941722B (zh) * | 2014-03-26 | 2016-08-17 | 西安热工研究院有限公司 | 通过部件特征倍频幅值趋势监测和诊断设备故障的方法 |
CN104456092A (zh) * | 2014-12-02 | 2015-03-25 | 中国石油大学(华东) | 一种石油天然气管道报警优先级多维评定方法 |
CN107132831B (zh) * | 2016-02-26 | 2019-09-27 | 同济大学 | 一种磁浮列车控制器板卡故障检测数据权重设置方法 |
CN106899436A (zh) * | 2017-02-22 | 2017-06-27 | 郑州云海信息技术有限公司 | 一种云平台故障预测诊断系统 |
CN108241894A (zh) * | 2018-01-10 | 2018-07-03 | 湖南大唐先科技有限公司 | 故障定位方法、设备及存储介质 |
CN109630450B (zh) * | 2018-12-03 | 2022-04-12 | 中石化重庆天然气管道有限责任公司 | 一种天然气长输管道离心压缩机组停机保护方法 |
CN109707653B (zh) * | 2018-12-03 | 2021-03-19 | 中石化重庆天然气管道有限责任公司 | 一种天然气长输管道离心压缩机组智能监控系统 |
CN109751513B (zh) * | 2018-12-03 | 2022-05-10 | 国家管网集团重庆天然气管道有限责任公司 | 一种天然气长输管道离心压缩机组智能保护系统 |
CN110850844B (zh) * | 2019-11-11 | 2020-09-22 | 清华大学深圳国际研究生院 | 一种多维执行器广义最小可检测故障的计算方法 |
CN113219273A (zh) * | 2021-04-07 | 2021-08-06 | 一汽奔腾轿车有限公司 | 一种基于故障矩阵的电动车电磁干扰定位方法 |
CN113189415A (zh) * | 2021-04-07 | 2021-07-30 | 一汽奔腾轿车有限公司 | 一种基于故障矩阵的燃油车电磁干扰定位方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1514209A (zh) * | 2003-08-01 | 2004-07-21 | 重庆大学 | 旋转机械故障智能诊断方法与装置 |
CN101798957A (zh) * | 2010-01-27 | 2010-08-11 | 北京信息科技大学 | 一种动力设备故障诊断方法 |
CN102074091A (zh) * | 2011-01-26 | 2011-05-25 | 南京大学 | 隧道火灾分布式光纤温度传感小波分析报警方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7539597B2 (en) * | 2001-04-10 | 2009-05-26 | Smartsignal Corporation | Diagnostic systems and methods for predictive condition monitoring |
-
2013
- 2013-03-07 CN CN201310071480.6A patent/CN103149046B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1514209A (zh) * | 2003-08-01 | 2004-07-21 | 重庆大学 | 旋转机械故障智能诊断方法与装置 |
CN101798957A (zh) * | 2010-01-27 | 2010-08-11 | 北京信息科技大学 | 一种动力设备故障诊断方法 |
CN102074091A (zh) * | 2011-01-26 | 2011-05-25 | 南京大学 | 隧道火灾分布式光纤温度传感小波分析报警方法及系统 |
Non-Patent Citations (1)
Title |
---|
汽车液压制动系的计算机诊断系统;眭召令等;《南京林业大学学报》;20000731;第24卷(第4期);第33页,第5段,表1、2 * |
Also Published As
Publication number | Publication date |
---|---|
CN103149046A (zh) | 2013-06-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103149046B (zh) | 一种基于专家思维的多维度故障诊断方法 | |
CN103471841B (zh) | 一种旋转机械振动故障诊断方法 | |
CN104535323B (zh) | 一种基于角域‑时域‑频域的机车轮对轴承故障诊断方法 | |
CN101799359B (zh) | 一种动力设备故障监测预报方法及其系统 | |
CN101798957B (zh) | 一种动力设备故障诊断方法 | |
CN103616187B (zh) | 一种基于多维度信息融合的故障诊断方法 | |
CN101660969B (zh) | 一种用于齿轮箱故障智能诊断的方法 | |
CN104331595B (zh) | 桥梁损伤预警的移动主成分相关系数法 | |
CN111639467A (zh) | 一种基于长短期记忆网络的航空发动机寿命预测方法 | |
CN111946559B (zh) | 一种风机基础和塔架结构检测方法 | |
CN102789676B (zh) | 一种基于报警证据融合的工业报警器设计方法 | |
CN103541948B (zh) | 液压元件试验台分布式状态监测网络系统 | |
CN104408322B (zh) | 综合多源故障概率似然信度的旋转机械设备故障诊断方法 | |
CN202748362U (zh) | 一种在用汽轮机油油液状态在线自动监测系统 | |
CN108872852A (zh) | 一种风力发电机故障诊断系统及方法 | |
CN108089126A (zh) | 调相机故障诊断方法、装置和设备 | |
CN106769053A (zh) | 一种基于声发射信号的水轮机故障诊断系统及方法 | |
CN103091108A (zh) | 一种用于航空发动机的振动检测系统 | |
CN107607342A (zh) | 空调机房设备群的健康能效检测方法 | |
CN114755017A (zh) | 一种跨域数据驱动无监督领域共享网络的变转速轴承故障诊断方法 | |
CN107704712A (zh) | 基于全矢谱特征提取的机械故障诊断方法和系统 | |
CN104765024A (zh) | 一种机载雷达干扰自动检测系统 | |
CN115270896B (zh) | 一种用于识别航空发动机主轴承松动故障的智能诊断方法 | |
CN110411730A (zh) | 一种旋转设备故障判断方法、系统和可读存储介质 | |
CN107727392B (zh) | 基于信号检测和roc分析的状态指数评估和优化方法 |
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 |