CN108984824B - 环冷机漏风率检测方法 - Google Patents
环冷机漏风率检测方法 Download PDFInfo
- Publication number
- CN108984824B CN108984824B CN201810553055.3A CN201810553055A CN108984824B CN 108984824 B CN108984824 B CN 108984824B CN 201810553055 A CN201810553055 A CN 201810553055A CN 108984824 B CN108984824 B CN 108984824B
- Authority
- CN
- China
- Prior art keywords
- sound
- sample
- air leakage
- leakage fault
- sound source
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Examining Or Testing Airtightness (AREA)
Abstract
本发明公开一种环冷机漏风率检测方法。所述的方法包括建立基于音源特征的环冷机漏风故障的离线诊断模型;基于离线诊断模型进行环冷机漏风故障在线诊断。由于环冷机外环附近一般会有配套的若干台环冷风机,该风机工作时,会产生较大的噪声,会影响对环冷机漏风故障的判断,但是环冷风机产生的噪音不是随机干扰,其声音信号也具有自身的特征可供判断,所以本发明提出的方法通过检测信号和干扰信号对比的方式,将环冷机台车声音信号和风机声音信号进行对比,剔除风机声音信号的影响,从而得到表征环冷机生产的声音信号,从而实现环冷机漏风故障的综合在线检测和故障诊断。
Description
技术领域:
本发明涉及一种环冷机漏风率检测方法
背景技术:
环冷机是一种用于物料冷却的大型设备,其主要工作原理是通过台车装载高温物料,在环形轨道上行驶,台车下部有风箱,对台车内部鼓风,通过空气将高温物料冷却。围绕着环冷机的圆环外侧,会按照风量需求,设置数台鼓风机,为冷却过程提供风源。
待冷却的小颗粒状物料在环冷机上是以厚料层形式均匀分布的,为保证物料的充分冷却,环冷机会在台车下方设置风箱并连接鼓风机,通过鼓风机将外部空气带入到高温物料层中。由于环冷机的密封结构和长期使用的保养问题,冷却生产过程中会产生漏风现象,导致冷却不充分和鼓风机能源的浪费,严重漏风的情况下,甚至会产生环冷机卸料温度过高灼伤运输皮带的生产事故。环冷机及其附属的风箱、风管、阀门等,由于结构复杂,且工作在高温状态,使漏风率的检测一直缺少行之有效的手段。
发明内容:
本发明目的在于提出一种环冷机漏风故障在线诊断方法,通过对环冷生产现场声音信号的在线采集和分析,实现对环冷机各种漏风状况的综合监控。
为达到上述目的,本发明的环冷机漏风率诊断法,包括下述步骤:
建立基于音源特征的环冷机漏风故障的离线诊断模型;
基于离线诊断模型进行环冷机漏风故障在线诊断。
其中,基于音源特征的环冷机漏风故障离线建模阶段的步骤包括:
21)采集正常生产状况下和各种不同漏风情况下的台车声音数据和风机声音数据,通过采样和去噪,制备成离线建模样本,按照漏风故障情况,将样本集划分为正常数据集Xnormal和漏风故障数据集Xfault,数据集中的台车声音样本和风机声音样本成对出现,并按照采集时间一一对应;
22)将正常数据集Xnormal和漏风故障数据集Xfault按数量均匀混合在一起,得到类别均衡的历史样本集;
23)将类别均衡的历史样本集中,按采集时间对应的台车声音样本和风机声音样本叠加为混合样本,得到均衡混合历史样本集,
24)对均衡混合历史样本集进行独立成分分析,得到环冷机声音信号的信源重构模型,
25)利用得到的信源重构模型,对正常数据集Xnormal和漏风故障数据集Xfault分别进行信源重构,得到正常工作音源样本集和漏风故障音源样本集;
26)在正常工作音源样本集和漏风故障音源样本集中,从台车声音音源样本中滤除风机声音强度的影响,得到滤除风机干扰的正常工作音源样本集和漏风故障音源样本集;
27)对比滤除风机干扰的漏风故障音源样本集与正常音源样本集在不同声音来源上的强度差异,按照降序选出强度差异最大的k个独立声音源,作为漏风故障特征音源集,记为F={f1,…,fk},其中,fi为第i个特征音源;
28)分析滤除风机干扰的正常工作音源样本在特征音源中强度分布,得到特征音源对应的强度阈值集,记为TH={th1,…,thk};
29)定义各特征音源对漏风故障的贡献率,记为Ω={ω1,…,ωk},将特征音源fi处的漏风故障贡献指标定义为表达式ci=G(si,thi,ωi),定义环冷机漏风故障判据为其中si为当前样本在特征音源fi处的声音强度。
其中,还包括步骤:291)
设定根据训练数据集,通过遗传算法或人工神经网络,优化和计算各特征音源对漏风故障的贡献率Ω={ω1,…,ωk},从而确定环冷机漏风故障判据C的最优参数;
其中,基于音源特征的环冷机漏风故障在线诊断步骤包括:
41)在环冷车间实时采集声音数据,通过采样和去噪,制备成成对的台车声音样本和风机声音样本;
42)对在线样本实时进行信源重构,得到故障特征音源对应的台车声音强度集为S1j={s1j1,…,s1jk}和风机声音强度集为S2j={s2j1,…,s2jk};
其中,j为当前样本的序号,i为特征音源序号,s1ji为当前样本第i个特征对应的台车声音强度,s2ji为当前样本第i个特征对应的台车声音强度;
43)对当前样本,从台车声音音源样本中滤除风机声音强度的影响;
44)计算当前样本在特征音源fi处的漏风故障贡献指标cji=G(sji,thi,ωi),将每个特征音源对应的漏风故障贡献指标累加,得到第j个在线样本的环冷机漏风故障判据
45)利用环冷机漏风故障判据Cj对环冷机在第j个时刻是否发生漏风故障进行诊断。
其中,还包括:采用的阈值判定或者模糊决策的方式作为环冷机漏风故障诊断的决策手段。
其中,所述的步骤24)对均衡混合历史样本集进行独立成分分析,得到环冷机声音信号的信源重构模型是按下述方法:
61)方法依据现场采集的声音数据,设观测数量(采集点数量)为m,按时序共采集到n组,对原始数据进行滤波和去噪处理,则构成声音样本Xn×m,每个采样点为x={x1,x2,…xm};
62)将样本数据零均值化和和白化处理,得到白化后的样本Z;
63根据对现场声音信号来源数量的估计,初始化向量W={w1,w2,…wk},其中,k为估计的信号源数量,wi为初始值
64)用下式更新wi
其中g(x)是负熵;
65)用下式正交化W
W←(WWT)-0.5W;
从64)步开始迭代计算,到收敛或最大迭代次数终止;通过迭代计算得到的W={w1,w2,…wk},就是基于历史样本库下的盲源分离矩阵,此盲源分离矩阵为关于历史数据库的信源重构模型。
其中,所述的步骤42)对在线样本实时进行信源重构的步骤是:
71)对采集的样本,进行滤波、去噪,并按模型参数进行零均值化和和白化处理,记为z;
72)利用信源重构模型的分离矩阵W,计算按信号源重构后的样本s=W·z。
本发明包括以下优点:
1.由于环冷机漏风故障的故障点多,故障发生的诱因复杂,所以很难通过传统的监控方法实现有效的在线自动故障诊断,而本发明提出的环冷机漏风故障在线诊断方法,通过对易获得的声音信号进行采集和分析,为环冷机这种的整体大型设备的漏风故障监测提供了方便易行的方法。
2.本发明利用盲源分离技术,构造的特征表示方法,为环冷机漏风故障提供了可监测的依据;
3.本发明在已知环冷风机为主要干扰源的情况下,通过采集目标信号和主要干扰信号的方式,从检测信号中滤除主要干扰,获得了可靠的检测信号;
4.本发明通过计算特征音源上的强度阈值,定义了可供数值计算的环冷机漏风故障判据,为环冷机漏风故障自动判断提供了可计算的指标;
5.本发明通过决策机制对环冷机漏风故障判据进行诊断的方式,为环冷机漏风故障的智能化诊断的提供了有效手段;
6.本发明提出的环冷机漏风故障在线诊断方法,通过声音音源和强度相结合的方式,构成环冷机漏风检测的新型判据,该判据通过历史数据的参数优化和统计检验,提高了可靠性。
7.本发明提出的环冷机漏风故障在线诊断方法,其在线诊断过程只需要简单的解析式计算,其计算复杂度低,实时性能好,对硬件系统的计算资源和内存资源占用都很低,实施成本低。
8.通过本发明提出的环冷机漏风故障在线诊断方法,可以及时有效的对环冷机漏风故障进行无人值守式的在线诊断,有利于提高冷却过程的稳定性,降低故障率。
9.通过本发明提出的环冷机漏风故障在线诊断方法,可以及时发现环冷生产中的漏风现象,为降低环冷主抽风机节能降耗和设备检修维护提供关键的检测判别手段。
附图说明
图1本发明的检测和硬件系统示意图(环冷机展开视图)。
图2本发明的总工作流程图。
图3本发明的基于音源特征的环冷机漏风故障离线建模流程图。
图4本发明的基于音源特征的环冷机漏风故障在线诊断流程图。
具体实施方式
由于环冷机外环附近一般会有配套的若干台环冷风机,该风机工作时,会产生较大的噪声,会影响对环冷机漏风故障的判断,但是环冷风机产生的噪音不是随机干扰,其声音信号也具有自身的特征可供判断,所以本发明提出的方法通过检测信号和干扰信号对比的方式,将环冷机台车声音信号和风机声音信号进行对比,剔除风机声音信号的影响,从而得到表征环冷机生产的声音信号,从而实现环冷机漏风故障的综合在线检测和故障诊断。下面以国内典型的环冷机为例,对本发明进行说明:
本发明的检测和硬件系统见图1(环冷机展开视图)。环冷移动台车里是正在冷却的块状物料,台车下部是提供冷却空气的鼓风系统,主要包括环冷风箱和环冷风机等。由于台车是若干移动式的独立小车拼接而成,所以台车与台车间、风箱和台车间存在间隙和活动连接,这就导致容易在各种不同部位产生漏风现象,且难以通过有效手段进行密封性检测。本发明提出的环冷机漏风故障在线诊断方法,针对漏风现象难以检测的问题,提出了通过台车声音采集和风机声音采集并对比的方式,为漏风故障提供判断依据。如图所示,在环冷机台车处安装若干声音信号采集器,作为现场传感器为在线故障诊断提供检测信号源;在环冷风机处安装若干声音信号采集器,作为主要干扰源对照信号。通过离线故障建模服务器对台车声音信号和风机声音信号的历史数据进行分析,构建环冷机漏风故障的诊断模型并进行参数优化。通过在线监控服务器,利用优化的漏风故障模型,对环冷生产实时数据进行分析和故障诊断。
本发明的工作流程见图2。该方法主要分为离线故障建模和在线故障诊断两个相关联的部分。本发明离线故障建模阶段的实施方法如下:首先,对各工况下环冷生产的台车声音信号和风机声音信号进行收集和整理,得到环冷声音历史样本库;然后对环冷声音历史样本库进行分析和建模,得到环冷漏风故障模型。本发明在线故障诊断阶段的实施方法如下:首先,对实时采集环冷生产声音数据进行采样和分析,得到在线生产样本;然后通过环冷漏风故障模型对在线生产样本进行监控和计算;最后,通过故障决策机制,对故障模型的结论进行最终判断,给出在线故障诊断结论。
基于音源特征的环冷机漏风故障离线建模阶段的流程图见图3:
第一步:采集正常生产状况下和各种不同漏风情况下的台车声音数据和风机声音数据,通过采样和去噪,制备成离线建模样本,按照漏风故障情况,将样本集划分为正常数据集Xnormal和漏风故障数据集Xfault,数据集中的台车声音样本和风机声音样本成对出现,并按照采集时间一一对应;
第二步:将正常数据集Xnormal和漏风故障数据集Xfault按数量均匀混合在一起,得到类别均衡的历史样本集;
第三步:将类别均衡的历史样本集中,按采集时间对应的台车声音样本和风机声音样本叠加为混合样本,得到均衡混合历史样本集,这个样本集中只有叠加后的混合声音样本,没有成对的台车声音样本和风机声音样本;
第四步:对均衡混合历史样本集进行独立成分分析,得到环冷机声音信号的信源重构模型,该模型可以按照声音来源将环冷机声音划分为各独立的成分;
其是按以下方式实现的:
将现场采集的声音数据,设观测数量(采集点数量)为m,按时序共采集到n组,对原始数据进行滤波和去噪处理,则构成声音样本Xn×m,每个采样点为x={x1,x2,…xm}.
1)将样本数据零均值化和和白化处理,得到白化后的样本Z
2)根据对现场声音信号来源数量的估计,初始化向量W={w1,w2,…wk},其中,k为估计的信号源数量,wi为初始值
3)用下式更新wi
其中g(x)是负熵。
4)用下式正交化W
W←(WWT)-0.5W,
5)从第4步开始迭代计算,到收敛或最大迭代次数终止
6)通过迭代计算得到的W={w1,w2,…wk},就是基于历史样本库下的盲源分离矩阵,这样就建立了关于历史数据库的信源重构模型.
第五步:利用第四步得到的信源重构模型,对正常数据集Xnormal和漏风故障数据集Xfault分别进行信源重构,得到正常工作音源样本集和漏风故障音源样本集;
第六步:在正常工作音源样本集和漏风故障音源样本集中,从台车声音音源样本中滤除风机声音强度的影响,实施例可按照以下公式计算:sij=s1ij-α·s2ij,其中i是信源代号,j是样本序号,sij是第j个样本消除风机干扰后的i音源强度,s1ij是第j个样本i音源的台车声音强度,s2ij是第j个样本i音源的风机声音强度,α是干扰系数。通过对每个样本进行计算,可以得到滤除风机干扰的正常工作音源样本集和漏风故障音源样本集;
第七步:对比滤除风机干扰的漏风故障音源样本集与正常音源样本集在不同声音来源上的强度差异,按照降序选出强度差异最大的k个独立声音源,作为漏风故障特征音源集,记为F={f1,…,fk},其中,fi为第i个特征音源;
第八步:分析滤除风机干扰的正常工作音源样本在特征音源中强度分布,采用统计参数估计的方法,按照人工设定的显著度α计算正常样本在特定音源fi的强度分布置信上限UCLi,将UCLi作为该特征音源对应的强度阈值,从而得到特征音源对应的强度阈值集,记为TH={th1,…,thk};
第九步:定义各特征音源对漏风故障的贡献率,记为Ω={ω1,…,ωk},将特征音源fi处的漏风故障贡献指标定义为表达式ci=G(si,thi,ωi),定义环冷机漏风故障判据为其中si为当前样本在特征音源fi处的声音强度。设定根据训练数据集,通过遗传算法、人工神经网络等方法,优化和计算各特征音源对漏风故障的贡献率Ω={ω1,…,ωk},从而确定环冷机漏风故障判据C的最优参数;
其中,作为一个实施例:
通过以上9个步骤,就建立了基于音源特征的环冷机漏风故障的离线诊断模型。
基于音源特征的环冷机漏风故障在线诊断阶段的流程图见图4:
第一步:在环冷车间实时采集声音数据,通过采样和去噪,制备成成对的台车声音样本和风机声音样本;
第二步:对在线样本实时进行信源重构,即对采集的样本,进行滤波、去噪,并按模型参数进行零均值化和和白化处理,记为z;利用信源重构模型的分离矩阵W,计算按信号源重构后的样本s=W·z;
得到故障特征音源对应的台车声音强度集为S1j={s1j1,…,s1jk}和风机声音强度集为S2j={s2j1,…,s2jk},其中,j为当前样本的序号,i为特征音源序号,s1ji为当前样本第i个特征对应的台车声音强度,s2ji为当前样本第i个特征对应的台车声音强度;
第三步:对当前样本,从台车声音音源样本中滤除风机声音强度的影响,实施例可按照以下公式计算:sij=s1ij-α·s2ij,其中i是音源代号,j是当前样本序号,sij是当前样本消除风机干扰后的i音源的声音强度,s1ij是当前样本i音源的台车声音强度,s2ij是当前样本i音源的风机声音强度,α是干扰系数;
第四步:计算当前样本在特征音源fi处的漏风故障贡献指标cji=G(sji,thi,ωi),将每个特征音源对应的漏风故障贡献指标累加,得到第j个在线样本的环冷机漏风故障判据具体的实施例中
第五步:利用环冷机漏风故障判据Cj对环冷机在第j个时刻是否发生漏风故障进行诊断,可以采用的阈值判定或者模糊决策等多种方式作为环冷机漏风故障诊断的决策手段。
Claims (3)
1.一种环冷机漏风率检测方法,其特征在于:所述的方法包括下述步骤:
建立基于音源特征的环冷机漏风故障的离线诊断模型;
基于离线诊断模型进行环冷机漏风故障在线诊断;
(1)所述的基于音源特征的环冷机漏风故障离线建模阶段的步骤包括:
11)采集正常生产状况下和各种不同漏风情况下的台车声音数据和风机声音数据,通过采样和去噪,制备成离线建模样本,按照漏风故障情况,将样本集划分为正常数据集Xnormal和漏风故障数据集Xfault,数据集中的台车声音样本和风机声音样本成对出现,并按照采集时间一一对应;
12)将正常数据集Xnormal和漏风故障数据集Xfault按数量均匀混合在一起,得到类别均衡的历史样本集;
13)将类别均衡的历史样本集中,按采集时间对应的台车声音样本和风机声音样本叠加为混合样本,得到均衡混合历史样本集;
14)对均衡混合历史样本集进行独立成分分析,得到环冷机声音信号的信源重构模型,
15)利用得到的信源重构模型,对正常数据集Xnormal和漏风故障数据集Xfault分别进行信源重构,得到正常工作音源样本集和漏风故障音源样本集;
16)在正常工作音源样本集和漏风故障音源样本集中,从台车声音音源样本中滤除风机声音强度的影响,得到滤除风机干扰的正常工作音源样本集和漏风故障音源样本集;
17)对比滤除风机干扰的漏风故障音源样本集与正常音源样本集在不同声音来源上的强度差异,按照降序选出强度差异最大的k个独立声音源,作为漏风故障特征音源集,记为F={f1,…,fk},其中,fi为第i个特征音源;
18)分析滤除风机干扰的正常工作音源样本在特征音源中强度分布,得到特征音源对应的强度阈值集,记为TH={th1,…,thk};
19)定义各特征音源对漏风故障的贡献率,记为Ω={ω1,…,ωk},将特征音源fi处的漏风故障贡献指标定义为表达式ci=G(si,thi,ωi),定义环冷机漏风故障判据为其中si为当前样本在特征音源fi处的声音强度。
还包括步骤:291)设定根据训练数据集,通过遗传算法或人工神经网络,优化和计算各特征音源对漏风故障的贡献率Ω={ω1,…,ωk},从而确定环冷机漏风故障判据C的最优参数;
(2)所述的基于音源特征的环冷机漏风故障在线诊断步骤包括:
21)在环冷车间实时采集声音数据,通过采样和去噪,制备成成对的台车声音样本和风机声音样本;
22)对在线样本实时进行信源重构,得到故障特征音源对应的台车声音强度集为S1j={s1j1,…,s1jk}和风机声音强度集为S2j={s2j1,…,s2jk};
其中,j为当前样本的序号,i为特征音源序号,s1ji为当前样本第i个特征对应的台车声音强度,s2ji为当前样本第i个特征对应的台车声音强度;
23)对当前样本,从台车声音音源样本中滤除风机声音强度的影响;
24)计算当前样本在特征音源fi处的漏风故障贡献指标cji=G(sji,thi,ωi),将每个特征音源对应的漏风故障贡献指标累加,得到第j个在线样本的环冷机漏风故障判据
25)利用环冷机漏风故障判据Cj对环冷机在第j个时刻是否发生漏风故障进行诊断;
还包括:采用的阈值判定或者模糊决策的方式作为环冷机漏风故障诊断的决策手段。
2.如权利要求1所述的环冷机漏风率检测方法,其特征在于,所述的步骤14)对均衡混合历史样本集进行独立成分分析,得到环冷机声音信号的信源重构模型是按下述步骤完成的:
(1)依据现场采集的声音数据,设采集点数量为m,按时序共采集到n组,对原始数据进行滤波和去噪处理,则构成声音样本Xn×m,每个采样点为x={x1,x2,…xm};
(2)将样本数据零均值化和和白化处理,得到白化后的样本Z;
(3)根据对现场声音信号来源数量的估计,初始化向量W={w1,w2,…wk},其中,k为估计的信号源数量,wi为初始值
(4)用下式更新wi
其中g(x)是负熵;
(5)用下式正交化W
W←(WWT)-0.5W;
从(4)步开始迭代计算,到收敛或最大迭代次数终止;通过迭代计算得到的W={w1,w2,…wk},就是基于历史样本库下的盲源分离矩阵,此盲源分离矩阵为关于历史数据库的信源重构模型。
3.如权利要求1所述的环冷机漏风率检测方法,其特征在于,所述的步骤22)对在线样本实时进行信源重构的步骤是:
(1)对采集的样本,进行滤波、去噪,并按模型参数进行零均值化和和白化处理,记为z;
(2)利用信源重构模型的分离矩阵W,计算按信号源重构后的样本s=W·z。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810553055.3A CN108984824B (zh) | 2018-05-31 | 2018-05-31 | 环冷机漏风率检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810553055.3A CN108984824B (zh) | 2018-05-31 | 2018-05-31 | 环冷机漏风率检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108984824A CN108984824A (zh) | 2018-12-11 |
CN108984824B true CN108984824B (zh) | 2019-12-13 |
Family
ID=64540298
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810553055.3A Active CN108984824B (zh) | 2018-05-31 | 2018-05-31 | 环冷机漏风率检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108984824B (zh) |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE3201897A1 (de) * | 1982-01-22 | 1983-08-18 | Daimler-Benz Ag, 7000 Stuttgart | Verfahren zur fehlerdiagnose an kraftfahrzeugen und einrichtung zur durchfuehrung des verfahrens |
CN103558029B (zh) * | 2013-10-22 | 2016-06-22 | 重庆建设机电有限责任公司 | 一种发动机异响故障在线诊断系统和诊断方法 |
CN105424395B (zh) * | 2015-12-15 | 2018-05-18 | 珠海格力电器股份有限公司 | 设备故障的确定方法和装置 |
CN106442720B (zh) * | 2016-08-29 | 2019-11-08 | 重庆交通大学 | 一种声振式轨道桥梁健康监测装置、系统及方法 |
CN106650576A (zh) * | 2016-09-22 | 2017-05-10 | 中国矿业大学 | 一种基于噪声特征统计量的矿山设备健康状态判决方法 |
CN107796611B (zh) * | 2017-10-20 | 2020-05-15 | 烟台清能风力发电有限公司 | 一种用于检测风力发电机异常工作的报警系统 |
-
2018
- 2018-05-31 CN CN201810553055.3A patent/CN108984824B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN108984824A (zh) | 2018-12-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
He et al. | Fault diagnosis of flywheel bearing based on parameter optimization variational mode decomposition energy entropy and deep learning | |
CN109446187B (zh) | 基于注意力机制与神经网络的复杂装备健康状态监测方法 | |
CN108931387B (zh) | 提供准确诊断决策的基于多传感器信号分析的故障诊断方法 | |
CN111539553B (zh) | 基于svr算法和偏峰度的风电机组发电机故障预警方法 | |
CN107657250B (zh) | 轴承故障检测及定位方法及检测定位模型实现系统和方法 | |
WO2019080367A1 (zh) | 一种机械设备健康状态评估方法 | |
CN109829236A (zh) | 一种基于XGBoost特征提取的压缩机故障诊断方法 | |
CN110570013B (zh) | 一种单站位在线波周期数据的预测诊断方法 | |
CN112966400B (zh) | 一种基于多源信息融合的离心风机故障趋势预测方法 | |
CN112199890A (zh) | 一种综合式核动力装置系统级故障诊断方法 | |
CN114429152A (zh) | 基于动态指数对抗性自适应的滚动轴承故障诊断方法 | |
CN116089813A (zh) | 一种基于机器学习的风电机组传动链故障诊断方法 | |
CN108804796B (zh) | 基于频谱特征的环冷机漏风率检测方法 | |
CN115587290A (zh) | 基于变分自编码生成对抗网络的航空发动机故障诊断方法 | |
Chen et al. | Kernel extreme learning machine based hierarchical machine learning for multi-type and concurrent fault diagnosis | |
CN108895839B (zh) | 烧结机漏风故障在线诊断方法 | |
CN109029697B (zh) | 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 | |
CN108984824B (zh) | 环冷机漏风率检测方法 | |
CN108759479B (zh) | 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 | |
Xu et al. | Fault diagnosis of subway traction motor bearing based on information fusion under variable working conditions | |
CN108627242B (zh) | 基于盲源分离单边检测法的环冷机漏风率检测方法 | |
CN108709426B (zh) | 基于频谱特征双边检测法烧结机漏风故障在线诊断方法 | |
CN110850717A (zh) | 利用风机电流的神经网络热泵除霜控制装置及控制方法 | |
CN115184734A (zh) | 一种电网线路故障检测方法和系统 | |
CN109946096B (zh) | 基于模型空间的高速列车风管故障诊断方法 |
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 |