CN107121268A - 智能设备检测方法 - Google Patents

智能设备检测方法 Download PDF

Info

Publication number
CN107121268A
CN107121268A CN201610100228.7A CN201610100228A CN107121268A CN 107121268 A CN107121268 A CN 107121268A CN 201610100228 A CN201610100228 A CN 201610100228A CN 107121268 A CN107121268 A CN 107121268A
Authority
CN
China
Prior art keywords
equipment
signal
value
detection method
smart machine
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
Application number
CN201610100228.7A
Other languages
English (en)
Inventor
王智中
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Individual
Original Assignee
Individual
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Individual filed Critical Individual
Priority to CN201610100228.7A priority Critical patent/CN107121268A/zh
Publication of CN107121268A publication Critical patent/CN107121268A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • G01M13/02—Gearings; Transmission mechanisms
    • G01M13/028—Acoustic or vibration analysis
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • G01M13/04—Bearings
    • G01M13/045—Acoustic or vibration analysis

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Acoustics & Sound (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明涉及一种智能设备检测方法，用以对一轴转设备的运转状况进行检测，所述的智能设备检测方法包含：侦测所述的轴转设备得出一运转动态信号，所述的运转动态信号包括一振动信号且选择性地包括一轴转速信号；对于所述的运转动态信号分频为预定的数个带宽范围从而计算出每个所述的带宽范围所个别对应的数个特征值，其中所述的数个特征值分别为一均方根值、一峰度系数及一调变值；以及就每个特征值将每个所述的带宽范围所分别对应的数个特征值分别与对应于每个所述的带宽范围的数个特征值的个别基线比对。

Description

智能设备检测方法
技术领域
本发明涉及一种设备检测方法，特别是涉及一种智能设备检测方法。
背景技术
设备检测技术是指利用仪器对于运转中的设备进行整体或部分监测，以取得代表设备运转状况的信号，并对信号作分析以判断设备运转是否异常，以及运转异常的种类，并进行维修方法的判断。设备检测技术可对设备零件的老化、损坏、歪斜情形有精确的把握，并且，在此前提下将设备的保养从定期维修改为预防维修，一方面减少对于设备零件状况不了解就进行拆卸所可能带来的对设备的损伤，一方面减少设备停机所带来的成本损失，进一步提升了设备管理以及维护的效率从而提升产业竞争力。
现有的设备检测技术存在以下问题。现有的设备检测技术须在设备为固定转速的运转模式的设备，始能有效对于从设备撷取的信号进行分析，故可应用的设备有限。并且，现有设备检测技术使用离散小波转换将获取的信号进行分频，从而使用离散小波转换无法将信号分频成任意带宽范围的信号，如此将降低对于设备细部零件状况的掌握。另外，现有的设备检测技术使用均方根值、波高率作为获取的信号的特征指针，其中均方根值代表设备零件的振动程度，峰度系数代表零件之间的敲击程度，然而设备运转的异常非全靠均方根植及波高率所能表现，故对于均方根植及波高率所无法表现的异常状况，现有的设备检测技术无法侦测所述的异常从而无法达到对设备损坏的预防。
鉴于上述，现有的设备检测方法只能被应用于定转速设备，且使用的分频方式未能精确掌握所有设备零件的状况，此外，现有的设备检测方法表现设备运转的异常的特征指针并不够充分，设备检测对于设备异常的辨识能力较低。
发明内容
因此，本发明的一目的即提供一种智能设备检测方法，其能够不受设备的转速类型限制，且提高设备检测的精确性与对设备异常的辨识能力。
本发明为解决现有技术的问题所采用的技术手段提供一种智能设备检测方法，用以对一轴转设备的运转状况进行检测，所述的智能设备检测方法包含下列步骤：(a)在所述的轴转设备处于一轴转状态下时侦测所述的轴转设备从而得出一运转动态信号，所述的运转动态信号包括一振动信号且选择性地包括一轴转速信号；(b)对于所述的运转动态信号分频为预定的数个带宽范围从而计算出每个所述的带宽范围所分别对应的数个特征值，其中所述的数个特征值分别为一均方根值、一峰度系数及一调变值；以及(c)将每个所述的带宽范围所分别对应的数个特征值分别与对应于每个所述的带宽范围的数个特征值的个别基线比对，从而判断所述的设备的运转状况，其中，当所述的设备为定转速时，所述的个别基线由对于所述的轴转设备处于一正常轴转状态下所预先取得的一正常运转振动信号的每个所述的带宽范围所分别对应的数个基准特征值利用统计分析的信赖区间定义计算所得，以及当所述的设备为变转速时，所述的个别基线利用回归分析建立所述的轴转设备处于正常轴转状态下所预先取得的一正常运转轴转速信号与所述的正常运转振动信号的每个所述的带宽范围所分别对应的数个基准特征值的回归模型，再利用统计分析的信赖区间定义计算所得。
在本发明的一实施例中提供一种智能设备检测方法，其中步骤(a)中，所述的振动信号为一振动加速度信号。
在本发明的一实施例中提供一种智能设备检测方法，其中步骤(b)中，所述的不同类别的特征值的计算包括下列步骤：(b1)利用积分方法将所述的振动加速度信号积分为一振动速度信号；(b2)对于所述的振动加速度信号及所述的振动速度信号进行谐波小波滤波，使所述的振动加速度信号及所述的振动速度信号根据所述的数个带宽范围被分频；以及(b3)计算出所述的振动加速度信号及所述的振动速度信号对应于每个所述的带宽范围的速度均方根值、速度峰度系数、速度调变值、加速度均方根值、加速度峰度系数及加速度调变值。
在本发明的一实施例中提供一种智能设备检测方法，其中步骤(c)中，所述的个别基线根据一标准偏差方法从所述的数个基准特征值所得到，所述的标准偏差方法包括下列步骤：计算各个基准特征值分布的标准偏差及平均值；以及以每个基准特征值的统计样本的平均值为一圆心坐标，以所述的基准特征值的统计样本的六个标准偏差为二弦，以所述的二弦的一斜边为半径画圆形成所述的基线。
在本发明的一实施例中提供一种智能设备检测方法，其中步骤(c)中，所述的特征值与个别基线的比对为判断所述的数个特征值相对于所述的个别基线的位置，当所述的数个特征值相对所述的圆心坐标的位置在所述的个别基线范围之内，判断所述的设备的运转状况为正常，当所述的数个特征值相对所述的圆心坐标的位置在所述的基线范围之外，判断所述的设备的运转状况为异常。
在本发明的一实施例中提供一种智能设备检测方法，其中在步骤(c)之后还包括一步骤(d)：对于所述的设备的运转状况为异常下的设备的异常模式建立对应的故障编码，记忆所述的设备的异常模式，以及步骤(c)中，还包括根据所述的故障编码判断所述的设备的异常模式。
在本发明的一实施例中提供一种智能设备检测方法，其中在步骤(d)中利用专家系统记忆所述的设备的异常模式，以及步骤(c)中系利用所述的专家系统判断所述的设备的异常模式。
通过本发明的智能设备检测方法所采用的技术手段，本发明的智能设备检测方法能应用在定转速设备及变转速设备，不受设备的转速类型，故能够广泛应用于各类型设备。此外，在对于获取的信号进行分析时，能任意设定获取信号的分频频宽，提高设备检测的精确性。最后，本发明提供的设备检测方法增加了能够显示设备零件之间交互关系的特征值，提高了对于设备异常的辨识能力。
附图说明
图1为显示根据本发明的第一实施例的智能设备检测方法应用于一定转速设备的流程图；
图2为显示根据本发明的第一实施例的智能设备检测方法应用于一变转速设备的流程图；
图3为显示根据本发明的实施例的智能设备检测方法对于一运转状态为正常的设备进行检测所得到的柱状图；
图4为显示根据本发明的实施例的智能设备检测方法对于一运转状态为异常的设备进行检测所得到的柱状图；
图5为显示根据本发明的实施例的智能设备检测方法对于一运转状态为异常的另一设备进行检测所得到的柱状图；
图6为显示根据本发明的实施例的智能设备检测方法对于一变转速设备进行检测时建立转速与振动信号的回归模型图。
【符号说明】
S110、S12、S121、S122、S123、
S130、S140、S141、S142、S140、
S210、S220、S221、S222、S223、
S230、S240、S241、S242 步骤
具体实施方式
以下根据图1至图6，说明本发明的实施方式。所述的说明并非为限制本发明的实施方式，而为本发明的实施例的一种。
图1为显示根据本发明的一实施例的智能设备检测方法应用于一定转速设备的流程图，包含下列步骤：在所述的轴转设备处于一轴转状态下时侦测所述的轴转设备从而得出一运转动态信号，所述的运转动态信号包括一振动信号(步骤S110)；对于所述的运转动态信号分频为预定的数个带宽范围从而计算出每个所述的带宽范围所分别对应的数个特征值，其中所述的数个特征值分别为一均方根值、一峰度系数及一调变值(步骤S120)；就每个特征值将每个所述的带宽范围所个别对应的数个特征值分别与对应于每个所述的带宽范围的数个特征值的个别基线比对(步骤S130)；对于比对结果进行故障编码并记忆所述的异常模式(步骤S140)。上述各步骤的详细说明如下。
详细而言，步骤S110中的所述的振动信号为一振动加速度信号。步骤S120具体包含下列步骤：利用积分方法将所述的振动加速度信号积分为一振动速度信号(步骤S121)；对于所述的振动加速度信号及所述的振动速度信号进行谐波小波滤波，使所述的振动加速度信号及所述的振动速度信号根据所述的数个带宽范围被分频(步骤S122)；以及计算出所述的振动加速度信号及所述的振动速度信号对应于每个所述的带宽范围的速度均方根值、速度峰度系数、速度调变值、加速度均方根值、加速度峰度系数及加速度调变值(步骤S123)。
当设备出现异常时，其征兆出现顺序为：振动、声音、热、冒烟等，因此本发明的智能检测方法选择撷取振动信号来分析设备运转状态，以在设备出现异常的初始阶段即能测得异常而进行及时维修，避免设备进一步损坏。振动信号加速度信号、速度信号以及位移信号呈现，其中加速度迅速主要呈现高频振动的设备异常，例如：轴承异常，但无法呈现对中频振动的设备异常，例如：齿轮啮合差，以及低频振动的设备异常，例如：轴偏心。速度信号则主要呈现中频振动的设备异常，位移信号，主要呈现低频振动的设备异常。本发明使用的振动传感器侦测加速度信号，再将加速度信号积分成速度信号，能全面检测各种故障现象。当然，本发明并不以此实施例为限，在其它实施例中，所述的振动信号可为振动速度信号，步骤S121中以微分方法将所述的速度信号积分成加速度信号。
设备转动时其零件损坏所呈现的振动信号分三类型：第一类型为弦波及宽带白噪音，其中弦波可表示例如齿轮偏心、啮合不良等征兆，宽带白噪音则可表现零件间润滑不良；第二类型为冲击波，可显示传动轴存在间隙、齿轮断齿等设备异常信息；第三类型为调变波，可表示齿轮偏斜、轴承损坏等现象。本发明分别使用均方根值来检视弦波、使用峰度系数检视冲击波、使用调变值检视调变波，可分别检测设备是否出现上述各类型的故障现象。
具体而言，步骤S123中的均方根值可视作振动程度的参考指标，可表示为下列数学式1：
【数学式1】
峰度系数(Kurtosis)则是作为零件间敲击状况的参考指针，正常信号多属于高斯分布，其峰度系数其值约为3，若发生冲击波时，表示传动轴存在间隙或齿轮断齿等设备异常，其峰度系数统计参数会大于3。调变值则作为零件间交互关系的参考指标，调变值的计算系先将信号经过Hilbert转换后，取绝对值的曲线，经统计判断别是否属于弦波，其中Hilbert转换可以下列数学式2表示：
【数学式2】
步骤S130中，所述的个别基线根据一标准偏差方法从所述的数个基准特征值所得到，所述的标准偏差方法包括下列步骤：计算各个基准特征值分布的标准偏差及平均值；以及以每个基准特征值的统计样本的平均值为一圆心坐标，以所述的基准特征值的统计样本的六个标准偏差为二弦，以所述的二弦的一斜边为半径画圆形成所述的基线。另外，所述的特征值与个别基线的比对为判断所述的数个特征值相对于所述的个别基线的位置，当所述的数个特征值相对所述的圆心坐标的位置在所述的个别基线范围之内，判断所述的设备的运转状况为正常，当所述的数个特征值相对所述的圆心坐标的位置在所述的基线范围之外，判断所述的设备的运转状况为异常。
步骤S140中，所述的故障编码利用对于所述的振动加速度信号及所述的振动速度信号对应于每个所述的带宽范围所计算出的所述的特征值相对于所述的个别基线的位置所得。
详细而言，步骤S140中利用专家系统记忆所述的设备的异常模式，以及步骤S130中系利用所述的专家系统判断所述的设备的异常模式，以供日后设备检测的判断。如此，本发明的智能设备检测方法可针对不同类型的设备的失效模式建立对应的检测标准，故可广泛应用于各种设备，提高了本发明的应用价值。
图2显示根据本发明的一实施例的智能设备检测方法应用于一变转速设备的流程图，包含下列步骤：在所述的轴转设备处于一轴转状态下时侦测所述的轴转设备从而得到一振动信号及一轴转速信号(步骤S210)；对于所述的运转动态信号分频为预定的数个带宽范围从而计算出每个所述的带宽范围所个别对应的数个特征值，其中所述的数个特征值分别为一均方根值、一峰度系数及一调变值(步骤S220)；建立转速与特征值的回归模型，再将各转速下的各特征值与对应转速的对应各特征值的个别基线比对(步骤S230)；对于所述的比对结果进行故障编码，并记忆所述的设备的异常模式(步骤S240)。
步骤S220可详细分为下列步骤：利用积分方法将所述的振动加速度信号积分为一振动速度信号，以及根据所述的轴转速信号计算转速(步骤S221)；对于所述的振动加速度信号及所述的振动速度信号进行谐波小波滤波，使所述的振动加速度信号及所述的振动速度信号根据所述的数个带宽范围被分频(步骤S222)；以及计算出所述的振动加速度信号及所述的振动速度信号对应于每个所述的带宽范围的速度均方根值、速度峰度系数、速度调变值、加速度均方根值、加速度峰度系数及加速度调变值(步骤S223)。
相较于对定转速设备的检测，本发明的智能设备检测方法对于变转速设备进行检测时增加了获取轴转速信号与计算转速的步骤，并，如图6所示，在各特征值与对应的个别基线进行比对的前建立一转速与特征值的回归模型，以取得各转速下对应的特征值。
图3至图5为本发明的智能设备检测方法对于一设备进行检测的示意图，分别将各频段的速度均方根值、速度调变值、速度峰度系数、加速度均方根值、加速度调变值以及加速度峰度系数以柱状图显示，其中浅色长条柱代表各个别基线，深色长条柱代表获取信号的对应速度与加速度的各频段的特征值。如图3所示，当设备运转正常，获取信号对应各频段的各特征值低于各对应的个别基线。如图4所示，当设备轴承损坏，零件之间出现撞击，代表振动情形的均方根值以及代表敲击状况的峰度系数均出现获取信号的特征值高于个别基线的情形。如图5所示，当对图4的情况施予维修，即更换轴承，但设备存在齿轮偏斜的情形，均方根值及峰度系数的柱状图中各频段特征值均下降，代表零件交互关系的调变值则出现异常。
以上的叙述以及说明仅为本发明的较佳实施例的说明，对于本领域技术人员当可依据以下所界定申请专利范围以及上述的说明作其他的修改，但这些修改仍应是为本发明的发明精神而在本发明的权利范围中。

Claims (7)

1.一种智能设备检测方法，用以对一轴转设备的运转状况进行检测，其特征在于，所述的智能设备检测方法包含下列步骤：
(a)在所述的轴转设备处于一轴转状态下时侦测所述的轴转设备从而得出一运转动态信号，所述的运转动态信号包括一振动信号且选择性地包括一轴转速信号；
(b)对于所述的运转动态信号分频为预定的数个带宽范围从而计算出每个所述的带宽范围所分别对应的数个特征值，其中所述的数个特征值分别为一均方根值、一峰度系数及一调变值；以及
(c)将每个所述的带宽范围所分别对应的数个特征值分别与对应于每个所述的带宽范围的数个特征值的个别基线比对，从而判断所述的设备的运转状况，
其中，当所述的设备为定转速时，所述的个别基线由对于所述的轴转设备在一正常轴转状态下所预先取得的一正常运转振动信号的每个所述的带宽范围所分别对应的数个基准特征值利用统计分析的信赖区间定义计算所得，以及
当所述的设备为变转速时，所述的个别基线利用回归分析建立所述的轴转设备在正常轴转状态下所预先取得的一正常运转轴转速信号与所述的正常运转振动信号的每个所述的带宽范围所分别对应的数个基准特征值的回归模型，再利用统计分析的信赖区间定义计算所得。
2.根据权利要求1所述的智能设备检测方法，其特征在于，步骤(a)中，所述的振动信号为一振动加速度信号。
3.根据权利要求2所述的智能设备检测方法，其特征在于，步骤(b)中，所述的不同类别的特征值的计算包括下列步骤：
(b1)利用积分方法将所述的振动加速度信号积分为一振动速度信号；
(b2)对于所述的振动加速度信号及所述的振动速度信号进行谐波小波滤波，使所述的振动加速度信号及所述的振动速度信号根据所述的数个带宽范围被分频；以及
(b3)计算出所述的振动加速度信号及所述的振动速度信号对应于每个所述的带宽范围的速度均方根值、速度峰度系数、速度调变值、加速度均方根值、加速度峰度系数及加速度调变值。
4.根据权利要求1所述的智能设备检测方法，其特征在于，步骤(c)中，所述的个别基线根据一标准偏差方法从所述的数个基准特征值所得到，所述的标准偏差方法包括下列步骤：
计算各个基准特征值分布的标准偏差及平均值；以及
以每个基准特征值的统计样本的平均值为一圆心坐标，以所述的基准特征值的统计样本的六个标准偏差为二弦，以所述的二弦的一斜边为半径画圆形成所述的基线。
5.根据权利要求4所述的智能设备检测方法，其特征在于，步骤(c)中，所述的特征值与个别基线的比对为判断所述的数个特征值相对于所述的个别基线的位置，当所述的数个特征值相对所述的圆心坐标的位置在所述的个别基线范围之内，判断所述的设备的运转状况为正常，当所述的数个特征值相对所述的圆心坐标的位置在所述的基线范围之外，判断所述的设备的运转状况为异常。
6.根据权利要求5所述的智能设备检测方法，其特征在于，在步骤(c)之后还包括一步骤(d)：对于所述的设备的运转状况为异常下的设备的异常模式建立对应的故障编码，且记忆所述的设备的异常模式，以及步骤(c)中，还包括根据所述的故障编码判断所述的设备的异常模式。
7.根据权利要求6所述的智能设备检测方法，其特征在于，在步骤(d)中利用专家系统记忆所述的设备的异常模式，以及步骤(c)中利用所述的专家系统判断所述的设备的异常模式。
CN201610100228.7A 2016-02-24 2016-02-24 智能设备检测方法 Pending CN107121268A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610100228.7A CN107121268A (zh) 2016-02-24 2016-02-24 智能设备检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610100228.7A CN107121268A (zh) 2016-02-24 2016-02-24 智能设备检测方法

Publications (1)

Publication Number Publication Date
CN107121268A true CN107121268A (zh) 2017-09-01

Family

ID=59716877

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610100228.7A Pending CN107121268A (zh) 2016-02-24 2016-02-24 智能设备检测方法

Country Status (1)

Country Link
CN (1) CN107121268A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112863543A (zh) * 2019-11-28 2021-05-28 睿捷国际股份有限公司 利用声音监控设备的方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101354312A (zh) * 2008-09-05 2009-01-28 重庆大学 轴承故障诊断系统
CN101504309A (zh) * 2009-02-09 2009-08-12 郭军君 往复机械振动信号的分析方法
CN101713395A (zh) * 2009-11-20 2010-05-26 西安交通大学 基于增量式非线性流形学习的喘振监测方法
CN102155988A (zh) * 2010-02-11 2011-08-17 中国钢铁股份有限公司 设备监诊方法
CN102466566A (zh) * 2010-11-03 2012-05-23 财团法人工业技术研究院 动力设备异常检测装置及其检测方法
CN103940611A (zh) * 2014-04-09 2014-07-23 中国水利水电科学研究院 一种风电机组变工况下滚动轴承自适应异常检测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101354312A (zh) * 2008-09-05 2009-01-28 重庆大学 轴承故障诊断系统
CN101504309A (zh) * 2009-02-09 2009-08-12 郭军君 往复机械振动信号的分析方法
CN101713395A (zh) * 2009-11-20 2010-05-26 西安交通大学 基于增量式非线性流形学习的喘振监测方法
CN102155988A (zh) * 2010-02-11 2011-08-17 中国钢铁股份有限公司 设备监诊方法
CN102466566A (zh) * 2010-11-03 2012-05-23 财团法人工业技术研究院 动力设备异常检测装置及其检测方法
CN103940611A (zh) * 2014-04-09 2014-07-23 中国水利水电科学研究院 一种风电机组变工况下滚动轴承自适应异常检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
段红 等: "《现代测试信号处理理论与实践》", 31 July 2005 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112863543A (zh) * 2019-11-28 2021-05-28 睿捷国际股份有限公司 利用声音监控设备的方法

Similar Documents

Publication Publication Date Title
Meng et al. Data segmentation and augmentation methods based on raw data using deep neural networks approach for rotating machinery fault diagnosis
TWI669617B (zh) 設備健康狀態監控方法及其系統
US10725439B2 (en) Apparatus and method for monitoring a device having a movable part
Yang et al. Bearing fault automatic classification based on deep learning
US10634621B2 (en) Information processing method, information processing apparatus, and program
CN110297479B (zh) 一种基于卷积神经网络信息融合的水电机组故障诊断方法
JP6849446B2 (ja) 振動監視システム
CN111122191B (zh) 一种基于ewma控制的设备安康报警阈值设定方法
CN108535012A (zh) 一种变速器啸叫nvh性能下线检测方法
CN116257747B (zh) 融合峭度和卷积自编码器的转子系统早期异常检测方法
CN114139297B (zh) 基于机泵设备状态监测和大数据分析的专家诊断系统
KR20210006832A (ko) 기계고장 진단 방법 및 장치
CN107121268A (zh) 智能设备检测方法
CN117786353A (zh) 一种制袋机嵌入高速实时视觉测量系统和方法
JPH11241945A (ja) 異音検査装置
US20220276126A1 (en) Anomaly detection system and anomaly detection method
CN116309493A (zh) 一种用于纺织产品疵点检测的方法及系统
Lin et al. Condition-based shaft fault diagnosis with the empirical mode decomposition method
CN115795325A (zh) 一种自动检验的输电塔模态参数识别方法及系统
KR102230463B1 (ko) 설비 부품의 결함 진단 시스템 및 이의 방법
WO2020245108A1 (en) A method for computer-implemented monitoring of a component of a wind turbine
CN114076680A (zh) 发动机装配检测方法、系统、存储介质以及电子设备
EP4321851A1 (en) Method for providing a physically explainable fault information of a bearing by a fault detection model
TWI712944B (zh) 利用聲音監控設備之方法
CN118568324B (zh) 基于人工智能的可视化大屏创建平台及方法

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20170901

WD01 Invention patent application deemed withdrawn after publication