CN108223782B - 一种行星齿轮箱故障检测方法 - Google Patents

一种行星齿轮箱故障检测方法 Download PDF

Info

Publication number
CN108223782B
CN108223782B CN201810034595.0A CN201810034595A CN108223782B CN 108223782 B CN108223782 B CN 108223782B CN 201810034595 A CN201810034595 A CN 201810034595A CN 108223782 B CN108223782 B CN 108223782B
Authority
CN
China
Prior art keywords
class
epicyclic gearbox
separating degree
primitive character
character parameter
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
Application number
CN201810034595.0A
Other languages
English (en)
Other versions
CN108223782A (zh
Inventor
周东华
刘洋
卢晓
钟麦英
王建东
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.)
Shandong University of Science and Technology
Original Assignee
Shandong University of Science and Technology
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 Shandong University of Science and Technology filed Critical Shandong University of Science and Technology
Priority to CN201810034595.0A priority Critical patent/CN108223782B/zh
Publication of CN108223782A publication Critical patent/CN108223782A/zh
Application granted granted Critical
Publication of CN108223782B publication Critical patent/CN108223782B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
    • F16H—GEARING
    • F16H61/00—Control functions within control units of change-speed- or reversing-gearings for conveying rotary motion ; Control of exclusively fluid gearing, friction gearing, gearings with endless flexible members or other particular types of gearing
    • F16H61/12—Detecting malfunction or potential malfunction, e.g. fail safe; Circumventing or fixing failures
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
    • F16H—GEARING
    • F16H61/00—Control functions within control units of change-speed- or reversing-gearings for conveying rotary motion ; Control of exclusively fluid gearing, friction gearing, gearings with endless flexible members or other particular types of gearing
    • F16H61/12—Detecting malfunction or potential malfunction, e.g. fail safe; Circumventing or fixing failures
    • F16H2061/1256—Detecting malfunction or potential malfunction, e.g. fail safe; Circumventing or fixing failures characterised by the parts or units where malfunctioning was assumed or detected

Landscapes

  • Engineering & Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明公开了一种行星齿轮箱故障检测方法，一包括如下步骤：步骤1：构建训练数据集；步骤2：计算各故障状态两两之间的高斯核函数；步骤3：计算余弦相似性度量矩阵；步骤4：计算类间分离度和类内分离度，并根据类间分离度和类内分离度计算类分离度；步骤5：降维计算；步骤6：通过步骤5选择的故障特征参数重复步骤1‑3，计算各故障状态两两之间的高斯核函数和Aij，并构建决策导向无环图支持向量机的结构；步骤7：使用决策导向无环图支持向量机的结构进行行星齿轮箱故障检测，本发明的一种行星齿轮箱故障检测方法，用于建立决策导向无环图支持向量机的结构，且使用该支持向量机的结构进行行星齿轮箱故障检测具有较高的准确率。

Description

一种行星齿轮箱故障检测方法
技术领域
本发明涉及故障诊断技术领域，具体涉及一种行星齿轮箱故障检测方法。
背景技术
由于行星齿轮箱具有在一个紧凑的空间结构中能够获得高扭矩比的特性，因此被广泛应用于各种机械系统传动装置中。在风力发电领域，行星齿轮箱通常需要面对诸如负载随风速变化大、工作时间长、粉尘沙粒等问题，因此其发生故障十分频繁，并且由其引起的停机维修时间是所有故障中最长的，且维修费用很高。因此，行星齿轮箱的故障诊断得到了广泛的关注。
对于行星齿轮箱的复杂系统而言，若使用模型方法进行故障诊断，存在难以准确建模的问题。数据驱动方法中的支持向量机被认为是一种潜力大且有效的故障诊断方法，该方法采用结构风险最小化原则，利用线性不可分的数据，首先将低维数据投影到高维空间，并在该空间求解最佳分类超平面，克服了维数灾难和局部最小问题，且对故障样本的需求量较小。
但支持向量机仅仅能完成二分类问题，为能完成多分类任务，有人提出多种扩展的策略。其中，决策导向无环图支持向量机(DAG-SVM)是目前较为先进的一种支持向量机多分类扩展策略，但其在决策时存在划分偏好问题，导致不同的决策导向无环图结构，有不同的分类准确率。例如，对一个五分类问题，就有120种不同的结构，往往为了得到一个准确率高的结构图，需要不断地重复计算。
鉴于此，特提出此方明。
发明内容
本发明的目的在于提供一种行星齿轮箱故障检测方法，用于建立决策导向无环图支持向量机的结构，且使用该支持向量机的结构进行行星齿轮箱故障检测具有较高的准确率。
本发明的技术方案是这样实现的：
一种行星齿轮箱故障检测方法，包括如下步骤：步骤1：模拟行星齿轮箱各种故障状态，分别采集故障数据，计算原始特征参数，构建训练数据集；步骤2：使用各故障状态的训练数据集计算各故障状态两两之间的高斯核函数；步骤3：通过步骤1计算的原始特征参数和步骤2计算得高斯核函数计算余弦相似性度量矩阵，余弦相似性度量矩阵的元素为矩阵块Aij，i和j表示故障的类数；步骤4：通过步骤3计算得矩阵块Aij分别计算类间分离度和类内分离度，并根据类间分离度和类内分离度计算类分离度；步骤5：通过步骤4计算的类分离度进行降维计算，选择故障特征参数；步骤6：通过步骤5选择的故障特征参数重复步骤1-3，计算各故障状态两两之间的高斯核函数和Aij，这里需要计算满足i＜j的Aij，然后按照Aij从小到大的顺序，从根节点开始逐层构建决策导向无环图支持向量机的结构；步骤7：使用步骤6构建的决策导向无环图支持向量机的结构进行行星齿轮箱故障检测，本发明的一种行星齿轮箱故障检测方法，用于建立决策导向无环图支持向量机的结构，且使用该支持向量机的结构进行行星齿轮箱故障检测具有较高的准确率。
进一步，步骤1中，原始特征参数包括反映时域信号的幅值和能量大小的参数、反映时域信号的时间序列分布情况的参数、反映频域能量的大小的参数、反映主频带位置的变化的参数和反映频谱的分散或者集中程度的的参数，各原始特征参数可从不同的角度识别行星齿轮箱发生的故障。
进一步，步骤3中，余弦相似性度量矩阵形式的计算公式如下：
公式中n表示行星齿轮箱故障总共的类数，其中，任意一个元素为Aij，Aij的计算公式如下：
公式中m表示训练数据的个数，其中，任意一个元素为cosθ(Φ(xi a),Φ(xj b))，表示第i类故障的第a个训练数据和第j类故障的第b个训练数据之间的余弦相似性度量，a,b＝1,2,3...,m。
进一步，步骤4中，类间分离度的计算公式如下：
类内分离度的计算公式如下：
类分离度的计算公式如下：
类间分离度、类内分离度和类分离度用于后续的降维计算和决策导向无环图支持向量机的结构的构建。
进一步，步骤5降维计算的具体过程如下，重复步骤1-4计算类分离度Jc，c＝1,2,...,p，P表示原始特征参数的个数，c表示第c个原始特征参数，Jc表示去掉第c个原始特征参数后重复步骤1-4计算的类分离度，然后分别计算特征因子，特征因子的计算公式如下：
λc＝J-Jc
然后计算特征因子的平均值，若某原始特征参数被去掉后计算的特征因子大于特征因子的平均值，则该原始特征参数被保留，作为故障特征参数，若某原始特征参数被去掉后计算的特征因子不大于特征因子的平均值，则该原始特征参数被移除，各原始特征参数可从不同的角度识别行星齿轮箱发生的故障，但是它们对于不同的故障具有不同的敏感程度，只有一部分原始特征参数是与故障紧密相关的，而另一部分原始特征参数与故障是无关的或者与其它原始特征参数相互冗余，这部分原始特征参数不仅对故障识别贡献不大，甚至还会降低故障识别正确率，因此，在构建决策导向无环图支持向量机的结构之前，进行降维计算，将与故障特征紧密相关的敏感原始特征参数选择出来，可以有效的避免维数灾害。
进一步，步骤6中，按照Aij从小到大的顺序，从根节点开始构建前d层决策导向无环图支持向量机的结构，d+1层开始任意排列即可，d的计算公式如下：
公式中n表示行星齿轮箱故障总共的类数，只对前d层决策导向无环图支持向量机的结构进行构建，可有效减少计算量，且不影响后续的故障检测准确率。
本发明的有益效果是：
(1)本发明的一种行星齿轮箱故障检测方法，用于建立决策导向无环图支持向量机的结构，且使用该支持向量机的结构进行行星齿轮箱故障检测具有较高的准确率。
(2)原始特征参数包括反映时域信号的幅值和能量大小的参数、反映时域信号的时间序列分布情况的参数、反映频域能量的大小的参数、反映主频带位置的变化的参数和反映频谱的分散或者集中程度的的参数，各原始特征参数可从不同的角度识别行星齿轮箱发生的故障。
(3)在构建决策导向无环图支持向量机的结构之前，进行降维计算，将与故障特征紧密相关的敏感原始特征参数选择出来，可以有效的避免维数灾害。
(4)只对前d层决策导向无环图支持向量机的结构进行构建，可有效减少计算量，且不影响后续的故障检测准确率。
附图说明
图1为一种行星齿轮箱故障检测方法实验装置的结构原理图；
图2为无故障状态的实验数据；
图3为缺齿故障状态的实验数据；
图4为根部断裂故障状态的实验数据；
图5为断齿故障状态的实验数据；
图6为表面磨损故障状态的实验数据；
图7为实施例一步骤6构建的决策导向无环图支持向量机的结构。
图中：1-驱动电机，2-平行齿轮箱，3-行星齿轮箱，4-制动单元。
具体实施方式
为了使本领域的人员更好地理解本发明的技术方案，下面结合本发明的附图，对本发明的技术方案进行清楚、完整的描述，基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的其它类同实施例，都应当属于本申请保护的范围。
实施例一：
如图1所示，行星齿轮箱故障实验装置包括顺序连接的驱动电机1、平行齿轮箱2、行星齿轮箱3和制动单元4，在平行齿轮箱2内设有扭力传感器、两个加速度传感器和压力传感器，两个加速度传感器分别设于平行齿轮箱2的输入端和输出端。该实验装置中行星齿轮箱故障总共为5类，分别是无故障(为特殊故障)、缺齿故障、根部断裂故障、断齿故障和表面磨损故障。
按照如下步骤进行行星齿轮箱的故障检测：
步骤1：分别模拟行星齿轮箱5种故障状态，并采集故障数据，图2为无故障状态的实验数据，图3为缺齿故障状态的实验数据，图4为根部断裂故障状态的实验数据，图5为断齿故障状态的实验数据，图6为表面磨损故障状态的实验数据，图2～图6均包括由扭力传感器、两个加速度传感器和压力传感器采集得到的时域序列x(分别对应A、B、C、D)以及四幅时域序列通过傅里叶变换得到的频域序列s，将图2～6中的数据平均分割为27段，其中前18段用于构建训练数据集，后9段用于构建测试数据集。
然后通过每段时域序列x(d)和频谱序列s(e)计算原始特征参数，构建训练数据集，原始特征参数计算公式如下：
原始特征参数F1 max(x(d))
原始特征参数F2 min(x(d))
原始特征参数F3
原始特征参数F4
原始特征参数F5
原始特征参数F6
原始特征参数F7
原始特征参数F8
原始特征参数F9
原始特征参数F10
原始特征参数F11
原始特征参数F12 F1/F10
原始特征参数F13 F1/F3
原始特征参数F14 F1/F4
原始特征参数F15 F9/F4
原始特征参数F16
原始特征参数F17
原始特征参数F18
原始特征参数F19
原始特征参数F20
原始特征参数F21
原始特征参数F22
原始特征参数F23
公式中，d＝1,2,...,P，P为每段时域序列的序列长度，e＝1,2,...,Q，Q为每段频域序列的序列长度，f(e)为第e个频域数据的幅值，F1～F7反映了时域信号的幅值和能量大小；F8～F15反映了时域信号的时间序列分布情况；频域特征参数F16反映了频域能量的大小；F17～F20反映了主频带位置的变化；F21～F23反映了频谱的分散或者集中程度。
根据一个传感器采集的时域数据可计算得到23个特征参数，根据四个传感器采集的时域数据共计算得到92个特征参数，该92个特征参数构成1个特征向量，即1个训练数据，前18段数据共克计算得到18个训练数据，构成训练数据集。
步骤2：使用各故障状态的原始特征参数计算各故障状态两两之间的高斯核函数。步骤3：通过步骤1计算的原始特征参数和步骤2计算得高斯核函数计算余弦相似性度量矩阵，余弦相似性度量矩阵的元素为矩阵块Aij，i和j表示故障的类数，其中，余弦相似性度量矩阵形式的计算公式如下：
公式中n表示行星齿轮箱故障总共的类数，本实施例中n＝5，其中，任意一个元素为Aij，Aij的计算公式如下：
公式中m表示训练数据的个数，本实施例中18，其中，任意一个元素为cosθ(Φ(xia),Φ(xj b))，表示第i类故障的第a个训练数据和第j类故障的第b个训练数据之间的余弦相似性度量，a,b＝1,2,3...,m。
步骤4：通过步骤3计算得矩阵块Aij分别计算类间分离度和类内分离度，并根据类间分离度和类内分离度计算类分离度，其中，类间分离度的计算公式如下：
类内分离度的计算公式如下：
类分离度的计算公式如下：
类间分离度、类内分离度和类分离度用于后续的降维计算和决策导向无环图支持向量机的结构的构建。
步骤5：通过步骤4计算的类分离度进行降维计算，选择故障特征参数，具体降维计算如下：重复步骤1-4计算类分离度Jc，c＝1,2,...,23，c表示第c个原始特征参数，Jc表示去掉第c个原始特征参数后重复步骤1-4计算的类分离度，然后分别计算特征因子，特征因子的计算公式如下：
λc＝J-Jc
然后计算特征因子的平均值，若某原始特征参数被去掉后计算的特征因子大于特征因子的平均值，则该原始特征参数被保留，作为故障特征参数，若某原始特征参数被去掉后计算的特征因子不大于特征因子的平均值，则该原始特征参数被移除，本实施例中，经降维计算，选择故障特征参数为F3、F7、F8、F10、F12和F17。
步骤6：通过步骤5选择的故障特征参数重复步骤1-3，计算各故障状态两两之间的高斯核函数和Aij，这里需要计算满足i＜j的Aij，然后按照Aij从小到大的顺序，从根节点开始构建前d层决策导向无环图支持向量机的结构，d+1层开始任意排列即可，d的计算公式如下：
公式中n表示行星齿轮箱故障总共的类数，本实施例中，n＝5，经计算d＝2，如图7所示为构建所得的决策导向无环图支持向量机的结构。
步骤7：使用步骤6构建的决策导向无环图支持向量机的结构进行行星齿轮箱故障检测，本实施例中按照步骤1的方法，使用故障特征参数F3、F7、F8、F10、F12和F17构建测试数据集，然后使用测试数据集对步骤6构建的决策导向无环图支持向量机的结构进行故障检测的测试，测试结果如表1所示，由测试结果可知本实施例的行星齿轮箱故障检测方法具有较高的检测准确率。
表1测试结果统计表
故障类型 测试正确率
无故障 100％
缺齿故障 100％
根部断裂故障 100％
断齿故障 89％
表面磨损故障 100％
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

Claims (6)

1.一种行星齿轮箱故障检测方法，其特征在于，包括如下步骤：步骤1：模拟行星齿轮箱各种故障状态，分别采集故障数据，计算原始特征参数，构建训练数据集；步骤2：计算各故障状态两两之间的高斯核函数；步骤3：计算余弦相似性度量矩阵，余弦相似性度量矩阵的元素为矩阵块Aij，i和j表示故障的类数；步骤4：计算类间分离度和类内分离度，并根据类间分离度和类内分离度计算类分离度；步骤5：降维计算，选择故障特征参数；步骤6：通过步骤5选择的故障特征参数重复步骤1-3，计算各故障状态两两之间的高斯核函数和Aij，这里需要计算满足i＜j的Aij，然后按照Aij从小到大的顺序，从根节点开始逐层构建决策导向无环图支持向量机的结构；步骤7：使用步骤6构建的决策导向无环图支持向量机的结构进行行星齿轮箱故障检测。
2.如权利要求1所述的一种行星齿轮箱故障检测方法，其特征在于，步骤1中，原始特征参数包括反映时域信号的幅值和能量大小的参数、反映时域信号的时间序列分布情况的参数、反映频域能量的大小的参数、反映主频带位置的变化的参数和反映频谱的分散或者集中程度的参数。
3.如权利要求1所述的一种行星齿轮箱故障检测方法，其特征在于，步骤3中，余弦相似性度量矩阵形式的计算公式如下：
公式中n表示行星齿轮箱故障总共的类数，其中，任意一个元素为Aij，Aij的计算公式如下：
公式中m表示训练数据的个数，其中，任意一个元素为cosθ(Φ(xia),Φ(xj b))，表示第i类故障的第a个训练数据和第j类故障的第b个训练数据之间的余弦相似性度量，a,b＝1,2,3...,m。
4.如权利要求3所述的一种行星齿轮箱故障检测方法，其特征在于，步骤4中，类间分离度的计算公式如下：
类内分离度的计算公式如下：
类分离度的计算公式如下：
5.如权利要求4所述的一种行星齿轮箱故障检测方法，其特征在于，步骤5降维计算的具体过程如下，重复步骤1-4计算类分离度Jc，c＝1,2,...,p，P表示原始特征参数的个数，c表示第c个原始特征参数，Jc表示去掉第c个原始特征参数后重复步骤1-4计算的类分离度，然后分别计算特征因子，特征因子的计算公式如下：
λc＝J-Jc
然后计算特征因子的平均值，若某原始特征参数被去掉后计算的特征因子大于特征因子的平均值，则该原始特征参数被保留，作为故障特征参数，若某原始特征参数被去掉后计算的特征因子不大于特征因子的平均值，则该原始特征参数被移除。
6.如权利要求1所述的一种行星齿轮箱故障检测方法，其特征在于，步骤6中，按照Aij从小到大的顺序，从根节点开始构建前d层决策导向无环图支持向量机的结构，d+1层开始任意排列即可，d的计算公式如下：
公式中n表示行星齿轮箱故障总共的类数。
CN201810034595.0A 2018-01-15 2018-01-15 一种行星齿轮箱故障检测方法 Active CN108223782B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810034595.0A CN108223782B (zh) 2018-01-15 2018-01-15 一种行星齿轮箱故障检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810034595.0A CN108223782B (zh) 2018-01-15 2018-01-15 一种行星齿轮箱故障检测方法

Publications (2)

Publication Number Publication Date
CN108223782A CN108223782A (zh) 2018-06-29
CN108223782B true CN108223782B (zh) 2019-07-12

Family

ID=62640918

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810034595.0A Active CN108223782B (zh) 2018-01-15 2018-01-15 一种行星齿轮箱故障检测方法

Country Status (1)

Country Link
CN (1) CN108223782B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101660969A (zh) * 2009-09-25 2010-03-03 北京工业大学 一种用于齿轮箱故障智能诊断的方法
CN103398843A (zh) * 2013-07-01 2013-11-20 西安交通大学 基于多分类相关向量机的行星齿轮箱太阳轮故障分类方法
CN104614179A (zh) * 2015-01-28 2015-05-13 中国大唐集团新能源股份有限公司 一种风电机组齿轮箱状态监测方法
CN106777606A (zh) * 2016-12-02 2017-05-31 上海电机学院 一种风电机组齿轮箱故障预测诊断算法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101660969A (zh) * 2009-09-25 2010-03-03 北京工业大学 一种用于齿轮箱故障智能诊断的方法
CN103398843A (zh) * 2013-07-01 2013-11-20 西安交通大学 基于多分类相关向量机的行星齿轮箱太阳轮故障分类方法
CN104614179A (zh) * 2015-01-28 2015-05-13 中国大唐集团新能源股份有限公司 一种风电机组齿轮箱状态监测方法
CN106777606A (zh) * 2016-12-02 2017-05-31 上海电机学院 一种风电机组齿轮箱故障预测诊断算法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
《基于数据驱动的行星齿轮箱故障诊断方法研究》;刘志亮;《中国博士学位论文全文数据库》;201406;第11-105页

Also Published As

Publication number Publication date
CN108223782A (zh) 2018-06-29

Similar Documents

Publication Publication Date Title
CN108593260B (zh) 光缆线路故障定位和检测方法及终端设备
Wu et al. Induction machine fault detection using SOM-based RBF neural networks
JP7232228B2 (ja) ソーラーパネルネットワークにおける故障の検出、診断及び位置確認のための方法及びシステム
CN104899327B (zh) 一种无类别标签的时间序列异常检测方法
CN109738776A (zh) 基于lstm的风机变流器开路故障识别方法
CN107505133A (zh) 基于自适应mrvm的滚动轴承故障概率性智能诊断方法
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
DE102016107064A1 (de) Systemebenenfehlerdiagnose für das Luftregelsystem eines Luftfahrzeugs
CN108154223B (zh) 基于网络拓扑及长时序信息的配电网工况录波分类方法
CN107526853A (zh) 基于层叠卷积网络的滚动轴承故障模式识别方法及装置
CN112765890B (zh) 基于动态域适应网络的多工况旋转机械剩余寿命预测方法
CN106017876A (zh) 基于等权局部特征稀疏滤波网络的轮对轴承故障诊断方法
CN110197208A (zh) 一种纺织品瑕疵智能检测分类方法及装置
CN107036808B (zh) 基于支持向量机概率估计的风电机组齿轮箱复合故障诊断方法
CN104090227B (zh) 一种模拟电路故障诊断中的测点选择方法
CN113505655A (zh) 面向数字孪生系统的轴承故障智能诊断方法
CN105606914A (zh) 一种基于iwo-elm的航空功率变换器故障诊断方法
CN105094118A (zh) 一种飞机发动机压气机失速故障检测方法
CN110308384A (zh) 基于圆模型和神经网络的模拟电路故障诊断方法
CN109085813A (zh) 故障的诊断方法和装置
CN108223782B (zh) 一种行星齿轮箱故障检测方法
CN112217668A (zh) 基于比较模型的自适应网络故障诊断方法
Xing et al. Detection of magnitude and position of rotor aerodynamic imbalance of wind turbines using Convolutional Neural Network
CN109409026A (zh) 电机效率优化方法、装置及电机设计参数确定方法
CN108759648A (zh) 基于机器学习的探地雷达检测方法

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
GR01 Patent grant
GR01 Patent grant