CN108106717A - 一种基于声音信号识别机组状态的方法 - Google Patents
一种基于声音信号识别机组状态的方法 Download PDFInfo
- Publication number
- CN108106717A CN108106717A CN201711261652.0A CN201711261652A CN108106717A CN 108106717 A CN108106717 A CN 108106717A CN 201711261652 A CN201711261652 A CN 201711261652A CN 108106717 A CN108106717 A CN 108106717A
- Authority
- CN
- China
- Prior art keywords
- storage unit
- pumped storage
- draft tube
- noise signals
- characteristic
- 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
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Control Of Non-Positive-Displacement Pumps (AREA)
Abstract
本发明涉及一种基于声音信号识别机组状态的方法,其特征在于包括以下步骤:1)基于预先获取的抽水蓄能机组在正常运行时不同运行工况对应的多组尾水管进人门噪声信号,构建抽水蓄能机组尾水管进人门噪声信号的标准特征值向量;2)对于抽水蓄能机组的某一运行工况,采集其尾水管进人门噪声信号作为待检测样本数据,并按照步骤1)的方法构建待检测样本的特征值向量H′。3)将步骤2)得到的待检测样本特征值向量与步骤1)中得到的正常运行时的标准特征值向量做差后取绝对值,并与预设阈值进行比较,得到抽水蓄能机组的运行状态。本发明具有高效、实时性强等优点,可以广泛应用于水电机组运行保障领域。
Description
技术领域
本发明涉及在线监测和状态识别技术领域,特别是关于一种基于声音信号识别机组状态的方法。
背景技术
旋转机械在运行时会产生振动信号,还会产生声音信号。当设备产生某种故障时,就会表现为一定的振动信号,同样也会在所对应的声音信号中有特定的表现,和振动信号相同,设备运行时发出的声音信号包含有丰富的信息,即设备本身的结构信息和运行状态信息。水电机组设备运行时发出的声音信号与其运行状态之间有内在的联系。因此,实时采集机组设备发出的声音信号,利用先进的信号处理方法定量地分析其变化规律和突变特征,便可以识别出机组设备的运行状态。如果机组状态出现异常,可及时报警,以避免设备状态进一步恶化。
由于声音的特征具有的精确性和稳定性,可以利用声音信号的强度、统计特性等变化定量分析水电机组设备状态,该研究尚未见文献报道。声音信号具有非接触测量、采集方便和处理速度快,而且声音信号的测量频带宽,可以有效避免饱和、失效现象,具有其特殊的优越性。
由于水力、电磁因素的影响,水电机组设备声音信号为非平稳信号,且易受环境干扰,信噪比低,构成复杂,因此必须通过有效的特征提取方法,将可能反映机组运行状态的特征参数提取出来,为状态识别提供丰富的特征信息。
常用的处理复杂非平稳信号的方法有小波变换、经验模态分解等。小波分析是基于可调窗口傅里叶变换,存在能量泄漏。经验模态分解存在模态混叠、端点效应等问题。
发明内容
针对上述问题,本发明的目的是提供一种基于声音信号识别机组状态的方法,采用该方法能够根据抽水蓄能机组尾水管进人门噪声信号的自身特性对机组运行状态进行有效识别。
为实现上述目的,本发明采取以下技术方案:一种基于声音信号识别机组状态的方法,其特征在于包括以下步骤:1)基于预先获取的抽水蓄能机组在正常运行时不同运行工况对应的多组尾水管进人门噪声信号,构建抽水蓄能机组尾水管进人门噪声信号的标准特征值向量;2)对于抽水蓄能机组的任一运行工况,采集其尾水管进人门噪声信号作为待检测样本数据,并按照步骤1)的方法构建待检测样本的特征值向量;3)将步骤2)得到的待检测样本特征值向量与步骤1)中得到的正常运行时的标准特征值向量做差后取绝对值,并与预设阈值进行比较,得到抽水蓄能机组的运行状态。
所述步骤1)中,标准特征值向量的构建方法,包括以下步骤:1.1)获取抽水蓄能机组在正常运行时,各种不同运行工况下分别对应的多组尾水管进人门噪声信号;1.2)采用变分模态方法对采集的每一运行工况下对应的多组尾水管进人门噪声信号进行分解,得到每一运行工况下每一组尾水管进人门噪声信号对应的若干个平稳分量;1.3)提取每一运行工况下每一组尾水管进人门噪声信号对应的若干平稳分量的特征参数,构建多组抽水蓄能机组在不同运行工况下尾水管进人门噪声信号对应的特征值向量;1.4)对得到的抽水蓄能机组在正常运行时的多组尾水管进人门噪声信号对应的特征参数求均值,得到尾水管进人门噪声信号的标准特征值向量,用于识别抽水蓄能机组状态。
所述步骤1.3)中,特征值向量的构建方法,包括以下步骤:
1.3.1)在抽水蓄能机组第k种运行工况下第p组尾水管进人门噪声信号对应的若干个平稳分量中,选取包含明显状态信息的前5个平稳分量ck,j(t);其中,k表示机组的不同运行工况,k=1,2,3,4,5;j表示包含明显状态信息的平稳分量的个数,j=1,2,3,4,5;p=1~N,N为每个典型运行工况对应特征值向量的个数;
1.3.2)对选取的5个平稳分量ck,j(t)进行核密度估计,得到各平稳分量的概率密度函数f(ck,j(t));
1.3.3)从得到的各平稳分量的概率密度函数中选择最大密度值max(f(ck,j(t))),作为抽水蓄能机组第k种运行工况下第p组尾水管进人门噪声信号的特征参数hk,j;
1.3.4)重复步骤1.3.1)~1.3.3),得到抽水蓄能机组在第k种运行工况下各组尾水管进人门噪声信号对应的特征参数;
1.3.5)重复步骤1.3.1)~1.3.4),得到抽水蓄能机组在正常运行时的多组尾水管进人门噪声信号对应的特征参数,并提取特征值向量Hk=[hk,1,hk,2,hk,3,hk,4,hk,5]。
所述步骤1.4)中,标准特征值向量中各特征参数的计算公式为:
式中:uk,j为抽水蓄能机组正常运行时第k个运行工况对应的第j个特征参数的均值;hk,j(p)为机组第k个运行工况对应的第j个特征参数的第p个值;其中k=1,2,3,4,5;j=1,2,3,4,5;p=1~N,N为每个典型运行工况对应特征值向量的个数。
所述步骤3)中,判别抽水蓄能机组是否出现异常的计算公式为:
vk,j(t)=|h′k,j(t)-uk,j|,
式中,h′k,j(t)表示在t时刻,运行工况为k时,待检测样本的第j个特征参数值,vk,j(t)表示在t时刻,运行工况为k时,待检测样本的第j个特征参数值与抽水蓄能机组运行正常时对应特征参数均值的差异。
本发明由于采取以上技术方案,其具有以下优点:1、本发明由于采用变分模态方法对抽水蓄能机组运行正常时5种状态下的尾水管进人门噪声信号进行分解,并通过对得到的噪声信号在5种状态下的平稳分量进行核密度估计,获得该分量的概率密度函数,找出该估计的最大密度值作为特征参数,完成对尾水管进人门噪声信号的特征的提取。因此本发明能够根据尾水管进人门噪声信号自身的频域特性对噪声信号特征进行提取,提高特征提取的准确性。2、本发明由于采用变分模态方法对抽水蓄能机组运行正常时5种状态下的尾水管进人门噪声信号进行分解,然后对获得的平稳分量进行统计特性分析,能充分反映非平稳噪声信号的多频域尺度的统计规律,具有很好的现场实用性。3、本发明利用尾水管进人门噪声信号平稳分量的最大概率密度值的变化来反映抽水蓄能机组的运行状态变化,能够识别机组不同的运行状态。因此,本发明可以广泛应用于水电机组运行保障领域。
附图说明
图1是本发明的流程图;
图2(a)是抽水蓄能机组在发电150MW时,尾水管进人门噪声信号现场试验数据示意图;
图2(b)是抽水蓄能机组在发电210MW时,尾水管进人门噪声信号现场试验数据示意图;
图2(c)是抽水蓄能机组在发电300MW时,尾水管进人门噪声信号现场试验数据示意图;
图2(d)是抽水蓄能机组为抽水工况时,尾水管进人门噪声信号现场试验数据示意图;
图2(e)是抽水蓄能机组为抽水调相时,尾水管进人门噪声信号现场试验数据示意图。
具体实施方式
下面结合附图和实施例对本发明进行详细的描述。
如图1所示,本发明提出的基于声音信号识别机组状态的方法,包括以下步骤:
1)获取抽水蓄能机组在正常运行时,各种不同运行工况下分别对应的多组尾水管进人门噪声信号。
对抽水蓄能机组进行现场试验,采集抽水蓄能机组正常运行时在各种典型运行工况下尾水管进人门噪声信号。本发明所采用的典型运行工况分别为发电150MW、发电210MW、发电300MW、抽水工况和抽水调相5种工况。
2)采用变分模态分解方法(VMD方法)对采集的每一运行工况下对应的多组尾水管进人门噪声信号进行分解,得到每一运行工况下每一组尾水管进人门噪声信号对应的若干个平稳分量。变分模态分解方法为已有技术,本发明在此不再赘述。
3)提取每一运行工况下每一组尾水管进人门噪声信号对应的若干平稳分量的特征参数,构建多组抽水蓄能机组在不同运行工况下尾水管进人门噪声信号对应的特征值向量。
根据尾水管进人门噪声信号对应的若干平稳分量提取特征参数的方法,包括以下步骤:
3.1)在抽水蓄能机组第k种运行工况下第p组尾水管进人门噪声信号对应的若干个平稳分量中,选取包含明显状态信息的前5个平稳分量ck,j(t),其中,k表示机组在发电150MW、发电210MW、发电300MW、抽水工况、抽水调相5种工况状态,k=1,2,3,4,5;j表示包含明显状态信息的平稳分量的个数,j=1,2,3,4,5;p=1~N,N为每个典型运行工况对应特征值向量的个数。
3.2)对选取的5个平稳分量ck,j(t)进行核密度估计,得到各平稳分量的概率密度函数f(ck,j(t))。
根据概率论理论可知,假设一组数据为xi0(i0=1,2,K,n),则可以得到任意一点x处的核密度估计为:
式中:n为数据的个数,K(·)为核函数,m为窗宽。满足以下条件:
可以看出核密度估计值由核函数和窗宽决定。本发明选择最常用的高斯核函数作为数据概率密度估计的核函数。高斯核函数表达式为:
式中,窗宽m为唯一的参数,决定核密度估计精度和密度图的平滑程度,所以确定适当的窗宽对于核密度估计结果有直接的影响。在实践中,样本越多,对窗宽的要求越小,即m是n的函数,且应满足:
3.3)从得到的各平稳分量的概率密度函数中选择最大密度值max(f(ck,j(t))),作为抽水蓄能机组第k种运行工况下第p组尾水管进人门噪声信号的特征参数hk,j,即hk,j=max(f(ck,j(t)))。
3.4)重复步骤3.1)~3.3),得到抽水蓄能机组在第k种运行工况下各组尾水管进人门噪声信号对应的特征参数;
3.5)重复步骤3.1)~3.4),得到抽水蓄能机组在正常运行时的多组尾水管进人门噪声信号对应的特征参数,并提取特征值向量Hk=[hk,1,hk,2,hk,3,hk,4,hk,5](k=1,2,3,4,5)。
4)对得到的抽水蓄能机组在正常运行时的多组尾水管进人门噪声信号对应的特征参数求均值,得到尾水管进人门噪声信号的标准特征值向量,用于识别抽水蓄能机组状态。标准特征值向量中各特征参数的计算公式为:
式中:uk,j为抽水蓄能机组正常运行时第k个运行工况对应的第j个特征参数的均值;hk,j(p)为机组第k个运行工况对应的第j个特征参数的第p个值;其中k=1,2,3,4,5;j=1,2,3,4,5;p=1~N,N为每个典型运行工况对应特征值向量的个数。
5)对于抽水蓄能机组的某一运行工况,采集其尾水管进人门噪声信号作为待检测样本数据,并按照步骤2)和步骤3)的方法构建待检测样本的特征值向量H′。
6)建立机组状态识别模型,将步骤5)得到的待检测样本特征值向量与步骤4)中得到的正常运行时的标准特征值向量做差后取绝对值,并与预设阈值进行比较,即可得到抽水蓄能机组的运行状态。
判别抽水蓄能机组是否出现异常的计算公式为:
vk,j(t)=|h′k,j(t)-uk,j|
式中,h′k,j(t)表示在t时刻,运行工况为k时,待检测样本的第j个特征参数值,vk,j(t)表示在t时刻,运行工况为k时,待检测样本的第j个特征参数值与抽水蓄能机组运行正常时对应特征参数均值的差异。当vk,j(t)>预设阈值时,进行预警。
下面结合具体实施例对本发明做进一步介绍,本实施例中采用的抽水蓄能电站机组水泵水轮机主要参数为:转轮直径为4.158m,额定水头为430m,额定出力为306.1MW,额定转速为428.6r/min,转轮叶片数为9;发电机/电动机额定容量为:333.3/325MVA/MW。以该电站4号机组现场试验数据为样本进行研究,验证本发明基于声音行的机组运行状态识别方法的有效性,其具体包括:
1)采集抽水蓄能机组正常运行时的不同运行工况对应的多组尾水管进人门噪声信号。
如图2(a)~图2(e)所示,抽水蓄能机组正常运行时,在距尾水管进人门1m处布置噪声传感器。在发电150MW、发电210MW、发电300MW、抽水工况、抽水调相等5种工况稳定后,分别对尾水管进人门噪声信号进行采集。采样率为1000Hz,采样点数为4096。从图中可以看出,由于水力因素、电磁激励等的影响,噪声信号非常复杂,难以直接从图中识别出它的状态。
2)采用VMD分解方法对5种不同状态下的尾水管进人门噪声信号进行分解,得到每一运行工况下每一组尾水管进人门噪声信号对应的若干平稳分量。
3)提取每一运行工况下每一组尾水管进人门噪声信号对应的若干平稳分量的特征参数,构建多组抽水蓄能机组在不同运行工况下尾水管进人门噪声信号对应的特征值向量。
计算机组在发电150MW、发电210MW、发电300MW、抽水工况、抽水调相等5种工况状态时,尾水管进人门噪声信号在不同尺度下的核密度估计的最大密度值。如表1所示,计算包含明显状态信息的前5个固有旋转分量的最大密度值,并将其作为噪声信号在机组不同运行工况时状态识别的特征向量。
表1基于VMD和概率密度估计的尾水管进人门噪声信号特征向量
从表1可以看出,抽水蓄能机组在发电150MW、发电210MW、发电300MW、抽水工况、抽水调相等5种工况状态时,尾水管进人门噪声信号不同尺度分量的核密度估计的最大密度值明显不同,说明采用VMD和概率密度估计方法具有很高的敏感性、稳定性和可靠性。
4)对得到的抽水蓄能机组在正常运行时的多组尾水管进人门噪声信号对应的特征参数求均值,得到尾水管进人门噪声信号的标准特征值向量,用于识别抽水蓄能机组状态。
5)对于某一运行工况,采集待检测信号,按照步骤2)和步骤3)的方法构建待检测样本特征值向量H′。
6)将步骤5)得到的待检测样本特征值向量与步骤4)中得到的特征向量做差后取绝对值,并与预设阈值进行比较,即可得到抽水蓄能机组的运行状态。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换,而这些修改或者替换,均不应排除在本发明的保护范围之外。
Claims (5)
1.一种基于声音信号识别机组状态的方法,其特征在于包括以下步骤:
1)基于预先获取的抽水蓄能机组在正常运行时不同运行工况对应的多组尾水管进人门噪声信号,构建抽水蓄能机组尾水管进人门噪声信号的标准特征值向量;
2)对于抽水蓄能机组的任一运行工况,采集其尾水管进人门噪声信号作为待检测样本数据,并按照步骤1)的方法构建待检测样本的特征值向量;
3)将步骤2)得到的待检测样本特征值向量与步骤1)中得到的正常运行时的标准特征值向量做差后取绝对值,并与预设阈值进行比较,得到抽水蓄能机组的运行状态。
2.如权利要求1所述的一种基于声音信号识别机组状态的方法,其特征在于:所述步骤1)中,标准特征值向量的构建方法,包括以下步骤:
1.1)获取抽水蓄能机组在正常运行时,各种不同运行工况下分别对应的多组尾水管进人门噪声信号;
1.2)采用变分模态方法对采集的每一运行工况下对应的多组尾水管进人门噪声信号进行分解,得到每一运行工况下每一组尾水管进人门噪声信号对应的若干个平稳分量;
1.3)提取每一运行工况下每一组尾水管进人门噪声信号对应的若干平稳分量的特征参数,构建多组抽水蓄能机组在不同运行工况下尾水管进人门噪声信号对应的特征值向量;
1.4)对得到的抽水蓄能机组在正常运行时的多组尾水管进人门噪声信号对应的特征参数求均值,得到尾水管进人门噪声信号的标准特征值向量,用于识别抽水蓄能机组状态。
3.如权利要求2所述的一种基于声音信号识别机组状态的方法,其特征在于:所述步骤1.3)中,特征值向量的构建方法,包括以下步骤:
1.3.1)在抽水蓄能机组第k种运行工况下第p组尾水管进人门噪声信号对应的若干个平稳分量中,选取包含明显状态信息的前5个平稳分量ck,j(t);其中,k表示机组的不同运行工况,k=1,2,3,4,5;j表示包含明显状态信息的平稳分量的个数,j=1,2,3,4,5;p=1~N,N为每个典型运行工况对应特征值向量的个数;
1.3.2)对选取的5个平稳分量ck,j(t)进行核密度估计,得到各平稳分量的概率密度函数f(ck,j(t));
1.3.3)从得到的各平稳分量的概率密度函数中选择最大密度值max(f(ck,j(t))),作为抽水蓄能机组第k种运行工况下第p组尾水管进人门噪声信号的特征参数hk,j;
1.3.4)重复步骤1.3.1)~1.3.3),得到抽水蓄能机组在第k种运行工况下各组尾水管进人门噪声信号对应的特征参数;
1.3.5)重复步骤1.3.1)~1.3.4),得到抽水蓄能机组在正常运行时的多组尾水管进人门噪声信号对应的特征参数,并提取特征值向量Hk=[hk,1,hk,2,hk,3,hk,4,hk,5]。
4.如权利要求2所述的一种基于声音信号识别机组状态的方法,其特征在于:所述步骤1.4)中,标准特征值向量中各特征参数的计算公式为:
<mrow>
<msub>
<mi>u</mi>
<mrow>
<mi>k</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>N</mi>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>p</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msub>
<mi>h</mi>
<mrow>
<mi>k</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>p</mi>
<mo>)</mo>
</mrow>
<mo>,</mo>
</mrow>
式中:uk,j为抽水蓄能机组正常运行时第k个运行工况对应的第j个特征参数的均值;hk,j(p)为机组第k个运行工况对应的第j个特征参数的第p个值;其中k=1,2,3,4,5;j=1,2,3,4,5;p=1~N,N为每个典型运行工况对应特征值向量的个数。
5.如权利要求1所述的一种基于声音信号识别机组状态的方法,其特征在于:所述步骤3)中,判别抽水蓄能机组是否出现异常的计算公式为:
vk,j(t)=|h′k,j(t)-uk,j|,
式中,h′k,j(t)表示在t时刻,运行工况为k时,待检测样本的第j个特征参数值,vk,j(t)表示在t时刻,运行工况为k时,待检测样本的第j个特征参数值与抽水蓄能机组运行正常时对应特征参数均值的差异。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711261652.0A CN108106717B (zh) | 2017-12-04 | 2017-12-04 | 一种基于声音信号识别机组状态的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711261652.0A CN108106717B (zh) | 2017-12-04 | 2017-12-04 | 一种基于声音信号识别机组状态的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108106717A true CN108106717A (zh) | 2018-06-01 |
CN108106717B CN108106717B (zh) | 2019-07-02 |
Family
ID=62208146
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711261652.0A Expired - Fee Related CN108106717B (zh) | 2017-12-04 | 2017-12-04 | 一种基于声音信号识别机组状态的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108106717B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110673674A (zh) * | 2019-10-22 | 2020-01-10 | 浙江浙能华光潭水力发电有限公司 | 一种小型水电站全感知交互系统及方法 |
CN114542445A (zh) * | 2022-02-15 | 2022-05-27 | 广州市百福电气设备有限公司 | 泵机运行状态诊断方法、系统、计算机设备和存储介质 |
CN114542445B (zh) * | 2022-02-15 | 2024-06-04 | 广州市百福电气设备有限公司 | 泵机运行状态诊断方法、系统、计算机设备和存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080156121A1 (en) * | 2006-12-27 | 2008-07-03 | Israel Radomsky | Device and system for monitoring valves |
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 |
CN106596116A (zh) * | 2016-11-29 | 2017-04-26 | 西安理工大学 | 一种风力发电机组振动故障诊断方法 |
CN107192554A (zh) * | 2017-05-19 | 2017-09-22 | 西安理工大学 | 一种风电机组滚动轴承的振动故障诊断方法 |
-
2017
- 2017-12-04 CN CN201711261652.0A patent/CN108106717B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080156121A1 (en) * | 2006-12-27 | 2008-07-03 | Israel Radomsky | Device and system for monitoring valves |
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 |
CN106596116A (zh) * | 2016-11-29 | 2017-04-26 | 西安理工大学 | 一种风力发电机组振动故障诊断方法 |
CN107192554A (zh) * | 2017-05-19 | 2017-09-22 | 西安理工大学 | 一种风电机组滚动轴承的振动故障诊断方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110673674A (zh) * | 2019-10-22 | 2020-01-10 | 浙江浙能华光潭水力发电有限公司 | 一种小型水电站全感知交互系统及方法 |
CN114542445A (zh) * | 2022-02-15 | 2022-05-27 | 广州市百福电气设备有限公司 | 泵机运行状态诊断方法、系统、计算机设备和存储介质 |
CN114542445B (zh) * | 2022-02-15 | 2024-06-04 | 广州市百福电气设备有限公司 | 泵机运行状态诊断方法、系统、计算机设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN108106717B (zh) | 2019-07-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107461342B (zh) | 一种离心泵故障在线诊断方法及系统 | |
CN112101174A (zh) | 一种基于LOF-Kurtogram的机械故障诊断方法 | |
CN109375060B (zh) | 一种配电网故障波形相似度计算方法 | |
CN104677623A (zh) | 一种风力发电机叶片故障在位声学诊断方法及监测系统 | |
CN111238843B (zh) | 一种基于快速谱峭度分析的风机健康评价方法 | |
CN110160765A (zh) | 一种基于声音或振动信号的冲击特征识别方法及系统 | |
CN113283292B (zh) | 一种水下微型推进器故障诊断的方法及装置 | |
CN117454283A (zh) | 一种用于风电机组运行检测数据的状态评估方法 | |
Yan et al. | A novel fault diagnosis method for marine blower with vibration signals | |
CN108106717A (zh) | 一种基于声音信号识别机组状态的方法 | |
Yan et al. | Degree of cyclic target protrusion defined on squared envelope spectrum for rotating machinery fault diagnosis | |
CN109580224A (zh) | 滚动轴承故障实时监测方法 | |
Zhou et al. | Sparse dictionary analysis via structure frequency response spectrum model for weak bearing fault diagnosis | |
CN117365869A (zh) | 一种风电机组桨叶扫塔故障的自适应预警策略设计方法 | |
CN117093938A (zh) | 一种基于深度学习的风机轴承的故障检测方法和系统 | |
CN107862175B (zh) | 一种厂房振动多尺度分析方法 | |
CN102680080B (zh) | 一种基于改进的自适应形态滤波的非稳态信号检测方法 | |
CN110657355B (zh) | 一种热力管线泄漏检测方法 | |
CN112782421A (zh) | 一种基于音频的转速识别方法 | |
CN114708885A (zh) | 一种基于声音信号的风机故障预警方法 | |
Liu et al. | Acoustic emission analysis for wind turbine blade bearing fault detection using sparse augmented Lagrangian algorithm | |
CN114383718A (zh) | 一种基于燃机外机匣振动信号的高频叶片通过频率提取方法 | |
Li et al. | AStrion strategy: from acquisition to diagnosis. Application to wind turbine monitoring | |
Chen et al. | Acoustic-based whistle detection of drain hole for wind turbine blade | |
CN112083077A (zh) | 周期运动叶片音频故障检测系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190702 Termination date: 20201204 |