CN106650576A - 一种基于噪声特征统计量的矿山设备健康状态判决方法 - Google Patents
一种基于噪声特征统计量的矿山设备健康状态判决方法 Download PDFInfo
- Publication number
- CN106650576A CN106650576A CN201610841099.7A CN201610841099A CN106650576A CN 106650576 A CN106650576 A CN 106650576A CN 201610841099 A CN201610841099 A CN 201610841099A CN 106650576 A CN106650576 A CN 106650576A
- Authority
- CN
- China
- Prior art keywords
- characteristic
- statistic
- noise
- method based
- judgment
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000005065 mining Methods 0.000 title claims abstract description 23
- 239000013598 vector Substances 0.000 claims abstract description 21
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 14
- 238000009432 framing Methods 0.000 claims abstract description 12
- 230000003862 health status Effects 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 6
- 238000012360 testing method Methods 0.000 abstract description 15
- 238000004458 analytical method Methods 0.000 description 7
- 238000005259 measurement Methods 0.000 description 7
- 238000012544 monitoring process Methods 0.000 description 7
- 238000001228 spectrum Methods 0.000 description 6
- 238000003745 diagnosis Methods 0.000 description 5
- 238000003860 storage Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 230000000116 mitigating effect Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Mining & Mineral Resources (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Marine Sciences & Fisheries (AREA)
- Signal Processing (AREA)
- Animal Husbandry (AREA)
- Probability & Statistics with Applications (AREA)
- Agronomy & Crop Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开一种基于噪声特征统计量的矿山设备健康状态判决方法,a.采集矿山设备噪声信号;b.对采集的噪声信号进行加窗分帧;c.计算MFCC系数形成特征参数;d.计算特征参数的特征统计量并形成特征向量;e.利用改进的短时模糊C均值聚类算法形成分类结果输出。本发明通过计算的特征参数,计算出其均值和方差两个统计量,形成一维的特征统计向量,并利用改进的短时模糊C均值聚类算法实现测试样本状态的汇聚,从而实现设备健康状态的判决,由于仅存储特征统计量,大大降低存储样本维数,提高了判决速度,解决了矿山设备运行状态的实时判决方法,降低了判决运行时间。
Description
技术领域
本发明涉及一种基于噪声特征统计量的矿山设备健康状态判决方法,属于煤矿安全技术领域。
背景技术
矿山设备状态监测是按照预先设定的周期和方法,对矿山设备上的规定部位进行有无异常的预防性周密检查的过程,以使设备的隐患和缺陷能够得到早期发现、早期预防、早期处理,从而更好的监控工厂设备性能,缩短因不可预测的系统故障造成的高成本宕机时间。
研究表明,灾难性的设备故障可能给生产带来数十万元的损失。现代化工业生产对机器的依赖与日俱增,生产线上的大型机器一旦出现重大故障,不但会影响企业的日常生产,严重的甚至会引发安全事故。稳健可靠的机器状态监测和故障诊断可有效预防机器故障,帮助企业消除计划外的储运损耗、优化机器性能、缩短返修时间并降低综合维护成本。
机械故障诊断起源于20世纪60年代,尽管减轻系统故障的各种检测技术已经使用多年,但它们都没有实现尺寸、性能、成本与可靠性的完美结合,因此无法在工业应用中广泛地实现实时、持续不断的设备正常运转监控。
目前常用的故障诊断技术主要是基于振动信号测量与分析的振动诊断技术,为了准确获取监测设备的运行状态信息,需要布置振动传感器。对于某些设备,其振动信号的测量具有一定困难,使得振动诊断技术具有一定的局限性,因此,有必要研究一种有效的非接触型机械设备工作状态监测与分析方法。
噪声作为一种机械波,通过振动向周围媒介辐射能量,蕴含有丰富的机器状态信息,是一项与振动信号具有同等功能的衡量指标。利用噪声信号进行故障诊断成为近年来故障诊断领域新的发展方向。然而,随着机器的运行,监测数据的特征向量的维数急剧增加,影响了设备状态判决速度,对算法的实时性提出了挑战。
发明内容
针对上述现有技术存在的问题,本发明提供一种基于噪声特征统计量的矿山设备健康状态判决方法,大大降低存储样本维数,提高了判决速度。
为了实现上述目的,本发明采用的技术方案是:一种基于噪声特征统计量的矿山设备健康状态判决方法,a. 采集矿山设备噪声信号;b. 对采集的噪声信号进行加窗分帧;c. 计算MFCC系数形成特征参数;d. 计算特征参数的特征统计量并形成特征向量;e. 利用改进的短时模糊C均值聚类算法形成分类结果输出。
所述步骤d中计算特征参数的特征统计量为每一个MFCC系数的均值与方差,均值和方差组成一维的特征向量,其中均值在前,方差在后;所述步骤b中对噪声信号加窗分帧前先进行预加重处理;所述步骤b中加窗分帧中的帧长为256,前一帧和后一帧交叠部分为帧移,帧移长为80。
与现有技术相比本发明通过计算的特征参数,计算出其均值和方差两个统计量,形成一维的特征统计向量,并利用改进的短时模糊C均值聚类算法实现测试样本状态的汇聚,从而实现设备健康状态的判决,由于仅存储特征统计量,大大降低存储样本维数,提高了判决速度,解决了矿山设备运行状态的实时判决方法,降低了判决运行时间。
附图说明
图1为本发明判决方法流程图;
图2为某矿山设备运行声音测试信号及其分段图;
图3为测试序列的时域波形、频谱及分类结果图;
图4为测试序列的时域波形、频谱及分类结果图;
图5为测试序列的时域波形、频谱及分类结果图;
图6为测试序列的时域波形、频谱及分类结果图。
具体实施方式
下面结合附图对本发明作进一步说明。
如图1所示,a. 首先采集矿山设备噪声信号,机器运行声音信号是一种广义振动信号,基于网络拾音器的机器状态感知适用于不适于安装传统监测传感器的场合,通过布设的网络拾音器,实现机器运行状态的远程会诊,不仅成本较低,而且实现起来较为方便。因此,本发明中采用网络拾音器监测的机器运行声音信号代替振动传感器测量的振动信号进行机器运行状态的分析。
b. 对采集的噪声信号先进行预加重处理然后再进行加窗分帧;预加重的目的是为了滤除低频的干扰,提升高频频谱的比重,以便于后续的频谱分析,预加重通过传递函数为一阶的FIR高通数字滤波器来实现;机器噪声信号具有短时平稳性,因此提取特征向量时可以利用其短时平稳特性,将测试信号分为一些帧来处理。信号的分帧通过可移动的有限长度窗口函数加权的方法,为了减少分帧对前后端的影响,可以采用交叠分段的方法,这是为了使相邻的帧之间有个较为平滑的过渡,保持其连续性,有利于信号的处理和分析;前一帧和后一帧的交叠部分成为帧移,帧移长为80,窗分帧中的帧长256。
c. 计算MFCC系数形成特征参数;
由于声信号在矿井空气传播存在多干扰源现象,实际声场非常复杂,信噪比低,因此需要建立一种有效的声源识别和特征提取算法,从而提取出有效的声学特征。这里采用Mel频率倒谱系数(Mel-Frequency Cepstrum Coefficients,MFCC)作为矿山设备噪声特征参数。MFCC特征具有较好的鲁棒性和较高的正确分类率。由于Mel频率是基于人耳听觉特性提出来的,它与Hz频率的非线性对应关系使得MFCC随着频率的提高,其计算精度随之下降。因此,在应用中常常只使用低频MFCC,而丢弃中高频MFCC。
通过对监测数据加窗分帧,提取每一帧数据的MFCC系数,每帧计算一组MFCC数据,共24个,实现信号特征参数的提取。
d. 计算特征参数的特征统计量并形成特征向量;
由于在大样本下,每一个MFCC系数分布满足正态分布,并且正常与故障两种状态样本分布情况具有明显的异同,因此可以将其统计特性作为特征向量,作为下一步测试的基础。
为此,计算每一个MFCC系数的均值与方差,这样形成24个均值与24个方差,并将均值和方差组成一维的特征向量,其中均值在前,方差在后;
正常与故障各组成一个向量如下:
(故障向量)
(正常向量)
这样,模式库中存放的就是两个一维的特征向量(或数组),而不再是MFCC系数,尤其是模式库更新时,模式库的长度也不再变化,后续计算量将大大降低。实际判决时,利用测量数据构成的特征统计量与模式库中的特征统计量进行聚类分析,根据聚类结果即可判定设备运行状态为正常或故障。
e. 利用改进的短时模糊C均值聚类算法形成分类结果输出;
设备运行状态的聚类采用改进的短时模糊C均值聚类算法,短时模糊C均值聚类算法是在模糊C均值聚类算法上先对测量数据按帧分段,对每一分段信号选取特征参数进行空间映射,然后针对映射后的空间序列应用模糊C均值聚类算法进行模式分类。其指导思想是:假设测量数据全体样本可以分为C类,并选定C个初始聚类中心,根据时间序列相似性准则将每一个样本分配到某一类中,之后不断迭代计算各类聚类中心,并依据新的聚类中心重新调整聚类情况,直至迭代收敛或聚类中心不再发生变化。实际分析时可限定分析数据长度为30秒,以5秒为单位进行分割,计算出一个特征向量,并与样本库进行对比,并给出一个判据结果。
实施例:
限定分析数据长度为30秒,以5秒为单位进行分割,计算出一个特征向量,并与样本库进行对比,并给出一个判据结果定。
首先根据测量信号,选取两段典型信号,一段作为故障状态信号,一段作为正常状态信号,分别计算其特征参数MFCC系数的均值与方差,形成一维的特征向量X 1和X 2,并存储于模式库中。
根据测试信号,截取数据长度30秒,以5秒为单位进行分割,计算每一段测试信号的一个特征向量统计量,并利用短时模糊C均值聚类算法与模式库中存储的样本进行对比,并给出一个判据结果。设备最终运行状态根据6次判决结果通过投票决定最终判决结果。
如图1和图2所示为某矿山设备运行声音测试信号,根据矿山设备运行状态,将测试信号进行分段处理。整段信号共分割为6小段。在进行二元模式分类时,可以将、作为正常状态信号,作为故障状态信号。
选取与作为典型样本序列,其中为故障状态,为正常状态,计算其MFCC系数。
图3、图4、图5和图6分别显示了测试序列、、、的时域波形、频谱和分类结果。其中每个图第3个子图为分类结果。
由图可见,每一种测试序列都实现了正确分类,验证了本判决方法的有效性。
本发明给出了基于矿山设备噪声特征统计量的设备状态判决方法。通过计算的MFCC特征参数,计算出其均值和方差两个统计量,形成一维的特征向量,利用短时模糊C均值聚类算法实现测试样本状态的汇聚与判别。由于仅存储特征统计量,大大降低存储样本维数,提高了判决速度。
Claims (4)
1.一种基于噪声特征统计量的矿山设备健康状态判决方法,其特征在于:
a. 采集矿山设备噪声信号;
b. 对采集的噪声信号进行加窗分帧;
c. 计算MFCC系数形成特征参数;
d. 计算特征参数的特征统计量并形成特征向量;
e. 利用改进的短时模糊C均值聚类算法形成分类结果输出。
2.根据权利要求1所述的一种基于噪声特征统计量的矿山设备健康状态判决方法,其特征在于,所述步骤d中计算特征参数的特征统计量为每一个MFCC系数的均值与方差,均值和方差组成一维的特征向量,其中均值在前,方差在后。
3.根据权利要求1所述的一种基于噪声特征统计量的矿山设备健康状态判决方法,其特征在于,所述步骤b中对噪声信号加窗分帧前先进行预加重处理。
4.根据权利要求2所述的一种基于噪声特征统计量的矿山设备健康状态判决方法,其特征在于,所述步骤b中加窗分帧中的帧长为256,前一帧和后一帧交叠部分为帧移,帧移长为80。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610841099.7A CN106650576A (zh) | 2016-09-22 | 2016-09-22 | 一种基于噪声特征统计量的矿山设备健康状态判决方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610841099.7A CN106650576A (zh) | 2016-09-22 | 2016-09-22 | 一种基于噪声特征统计量的矿山设备健康状态判决方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106650576A true CN106650576A (zh) | 2017-05-10 |
Family
ID=58852564
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610841099.7A Pending CN106650576A (zh) | 2016-09-22 | 2016-09-22 | 一种基于噪声特征统计量的矿山设备健康状态判决方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106650576A (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108627242A (zh) * | 2018-05-31 | 2018-10-09 | 中冶华天南京工程技术有限公司 | 基于盲源分离单边检测法的环冷机漏风率检测方法 |
CN108710300A (zh) * | 2018-05-31 | 2018-10-26 | 中冶华天工程技术有限公司 | 烧结风量控制方法 |
CN108709426A (zh) * | 2018-05-31 | 2018-10-26 | 中冶华天工程技术有限公司 | 基于频谱特征双边检测法烧结机漏风故障在线诊断方法 |
CN108731484A (zh) * | 2018-05-31 | 2018-11-02 | 中冶华天南京工程技术有限公司 | 基于频率特征环冷机风量控制方法 |
CN108759479A (zh) * | 2018-05-31 | 2018-11-06 | 中冶华天工程技术有限公司 | 基于盲源分离单边检测法的烧结机漏风故障在线诊断方法 |
CN108804796A (zh) * | 2018-05-31 | 2018-11-13 | 中冶华天南京工程技术有限公司 | 基于频谱特征的环冷机漏风率检测方法 |
CN108895839A (zh) * | 2018-05-31 | 2018-11-27 | 中冶华天工程技术有限公司 | 烧结机漏风故障在线诊断方法 |
CN108956041A (zh) * | 2018-05-31 | 2018-12-07 | 中冶华天工程技术有限公司 | 基于频谱特征单边检测法的烧结机漏风故障在线诊断方法 |
CN108984824A (zh) * | 2018-05-31 | 2018-12-11 | 中冶华天南京工程技术有限公司 | 环冷机漏风率检测方法 |
CN109029697A (zh) * | 2018-05-31 | 2018-12-18 | 中冶华天工程技术有限公司 | 基于频谱特征单边检测法的环冷机漏风故障在线诊断方法 |
CN111524523A (zh) * | 2020-04-26 | 2020-08-11 | 中南民族大学 | 基于声纹识别技术的仪器设备状态检测系统及其方法 |
CN111814872A (zh) * | 2020-07-07 | 2020-10-23 | 长沙理工大学 | 基于时域、频域自相似性的电力设备环境噪音识别方法 |
CN113392874A (zh) * | 2021-05-13 | 2021-09-14 | 中车唐山机车车辆有限公司 | 轨道车辆异常状态诊断方法、装置及终端设备 |
CN116308303A (zh) * | 2023-05-22 | 2023-06-23 | 天宇正清科技有限公司 | 基于设备数据的检修计划生成方法、装置、设备和介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120330495A1 (en) * | 2011-06-23 | 2012-12-27 | United Technologies Corporation | Mfcc and celp to detect turbine engine faults |
CN104077598A (zh) * | 2014-06-27 | 2014-10-01 | 电子科技大学 | 一种基于语音模糊聚类的情感识别方法 |
CN105825871A (zh) * | 2016-03-16 | 2016-08-03 | 大连理工大学 | 一种无前导静音段语音的端点检测方法 |
-
2016
- 2016-09-22 CN CN201610841099.7A patent/CN106650576A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120330495A1 (en) * | 2011-06-23 | 2012-12-27 | United Technologies Corporation | Mfcc and celp to detect turbine engine faults |
CN104077598A (zh) * | 2014-06-27 | 2014-10-01 | 电子科技大学 | 一种基于语音模糊聚类的情感识别方法 |
CN105825871A (zh) * | 2016-03-16 | 2016-08-03 | 大连理工大学 | 一种无前导静音段语音的端点检测方法 |
Non-Patent Citations (3)
Title |
---|
DONG-CHUL PARK等: "Classification of Audio Signals Using Gradient-Based Fuzzy c-Means Algorithm with Divergence Measure", 《ADVANCE IN MULTIMEDIA INFORMATION PROCESSING-PCM2005》 * |
宋知用: "《MATLAB在语音信号分析与合成中的应用》", 30 November 2013, 北京航空航天大学出版社 * |
常飞等: "基于 MFCC 特征提取的故障预测与评价方法", 《计算机应用研究》 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108984824A (zh) * | 2018-05-31 | 2018-12-11 | 中冶华天南京工程技术有限公司 | 环冷机漏风率检测方法 |
CN108759479A (zh) * | 2018-05-31 | 2018-11-06 | 中冶华天工程技术有限公司 | 基于盲源分离单边检测法的烧结机漏风故障在线诊断方法 |
CN108627242A (zh) * | 2018-05-31 | 2018-10-09 | 中冶华天南京工程技术有限公司 | 基于盲源分离单边检测法的环冷机漏风率检测方法 |
CN108731484A (zh) * | 2018-05-31 | 2018-11-02 | 中冶华天南京工程技术有限公司 | 基于频率特征环冷机风量控制方法 |
CN109029697A (zh) * | 2018-05-31 | 2018-12-18 | 中冶华天工程技术有限公司 | 基于频谱特征单边检测法的环冷机漏风故障在线诊断方法 |
CN108804796A (zh) * | 2018-05-31 | 2018-11-13 | 中冶华天南京工程技术有限公司 | 基于频谱特征的环冷机漏风率检测方法 |
CN108895839A (zh) * | 2018-05-31 | 2018-11-27 | 中冶华天工程技术有限公司 | 烧结机漏风故障在线诊断方法 |
CN108804796B (zh) * | 2018-05-31 | 2020-02-21 | 中冶华天南京工程技术有限公司 | 基于频谱特征的环冷机漏风率检测方法 |
CN108709426A (zh) * | 2018-05-31 | 2018-10-26 | 中冶华天工程技术有限公司 | 基于频谱特征双边检测法烧结机漏风故障在线诊断方法 |
CN108710300A (zh) * | 2018-05-31 | 2018-10-26 | 中冶华天工程技术有限公司 | 烧结风量控制方法 |
CN108956041A (zh) * | 2018-05-31 | 2018-12-07 | 中冶华天工程技术有限公司 | 基于频谱特征单边检测法的烧结机漏风故障在线诊断方法 |
CN111524523A (zh) * | 2020-04-26 | 2020-08-11 | 中南民族大学 | 基于声纹识别技术的仪器设备状态检测系统及其方法 |
CN111814872A (zh) * | 2020-07-07 | 2020-10-23 | 长沙理工大学 | 基于时域、频域自相似性的电力设备环境噪音识别方法 |
CN111814872B (zh) * | 2020-07-07 | 2022-03-29 | 长沙理工大学 | 基于时域、频域自相似性的电力设备环境噪音识别方法 |
CN113392874A (zh) * | 2021-05-13 | 2021-09-14 | 中车唐山机车车辆有限公司 | 轨道车辆异常状态诊断方法、装置及终端设备 |
CN116308303A (zh) * | 2023-05-22 | 2023-06-23 | 天宇正清科技有限公司 | 基于设备数据的检修计划生成方法、装置、设备和介质 |
CN116308303B (zh) * | 2023-05-22 | 2023-08-29 | 天宇正清科技有限公司 | 基于设备数据的检修计划生成方法、装置、设备和介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106650576A (zh) | 一种基于噪声特征统计量的矿山设备健康状态判决方法 | |
CN110940539B (zh) | 一种基于人工经验及声音识别的机器设备故障诊断方法 | |
CN107657088B (zh) | 基于mckd算法与支持向量机的滚动轴承故障诊断方法 | |
CN113927371A (zh) | 一种基于多传感器特征融合的刀具磨损预测方法 | |
CN110570880A (zh) | 一种鼾声信号识别方法 | |
CN108444696A (zh) | 一种齿轮箱故障分析方法 | |
CN116304751B (zh) | 用于动车组部件检修的运行数据处理方法 | |
CN115424635A (zh) | 一种基于声音特征的水泥厂设备故障诊断方法 | |
TW201638932A (zh) | 聲頻訊號的訊號擷取方法與裝置 | |
CN117076955A (zh) | 一种高压变频器的故障检测方法及系统 | |
CN114492196B (zh) | 基于简正波能量比理论的故障快速检测方法及系统 | |
Pan et al. | Cognitive acoustic analytics service for Internet of Things | |
CN115876473A (zh) | 基于PWVD和DenseNet的轴承故障诊断方法 | |
CN116778956A (zh) | 一种变压器声学特征提取及故障识别方法 | |
CN113792657B (zh) | 提取声学信号识别与盲解卷积算法的齿轮箱故障的方法 | |
CN110988137A (zh) | 一种基于时频域特征的异音检测系统及方法 | |
CN112033656A (zh) | 一种基于宽带谱处理的机械系统故障检测方法 | |
Tse et al. | Enhanced eigenvector algorithm for recovering multiple sources of vibration signals in machine fault diagnosis | |
CN102759571B (zh) | 一种产品的质量检测方法和检测装置 | |
CN115064182A (zh) | 自适应梅尔滤波器在强噪声环境下风机故障特征识别方法 | |
Lee et al. | Octave-band filtering for convolutional neural network-based diagnostics for rotating machinery | |
CN113436645A (zh) | 复杂噪声环境下的机电系统故障在线监测声学处理方法 | |
CN113672859A (zh) | 一种道岔转辙机故障声学诊断系统 | |
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 | |
CN115114955B (zh) | 一种基于声音与振动信号的设备故障检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170510 |