CN109029995A - 基于聚类和多层自编码网络的轴承设备状态监控方法 - Google Patents
基于聚类和多层自编码网络的轴承设备状态监控方法 Download PDFInfo
- Publication number
- CN109029995A CN109029995A CN201811001674.8A CN201811001674A CN109029995A CN 109029995 A CN109029995 A CN 109029995A CN 201811001674 A CN201811001674 A CN 201811001674A CN 109029995 A CN109029995 A CN 109029995A
- Authority
- CN
- China
- Prior art keywords
- data
- vibration
- cluster
- signal
- value
- 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
- 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)
- Acoustics & Sound (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明提出了一种基于聚类和多层自编码网络的轴承设备状态监控方法。该方法实现了滚动轴承的振动传感器数据的采集,利用物联网技术实现了振动数据上传至云端,并通过云计算技术对振动数据进行处理和分析,分析轴承设备的运行状态,实现对轴承的远程监控,不仅能有效的识别出异常状态,对轴承设备采取相应的措施避免更大的经济损失,而且能对故障状态进行诊断,便于发现故障点,进行快速维修,节约时间成本。
Description
技术领域:
本发明属于轴承设备监控技术领域,具体涉及到利用云计算技术,采用聚类和多层自编码网络建模方法对轴承设备状态进行远程监控及其相应的。
背景技术:
滚动轴承是旋转机械中核心部件之一,广泛地应用于工业领域,工作在高转速、高负荷,多噪声的环境中,其健康状态监控尤为重要。目前工业现场对于轴承状态监控仅是基于人工经验,并不能有效地对轴承运行设备状态进行监控,在故障早期不能发现故障,常常发现故障时已经造成不可挽回的经济损失,并需要专业人员进行故障排查、维修,大大降低了工作效率。通过云计算技术对数据进行处理和分析,实现对轴承的远程监控,不仅能有效的识别出异常状态,对设备采取相应的措施避免更大的经济损失,而且能对故障状态进行诊断,便于发现故障点,进行快速维修,节约时间成本。
发明内容:
本发明提出了一种基于聚类和多层自编码的轴承设备状态监控方法。
本设计充分考虑了聚类和多层自编码方法的优点。利用聚类和多层自编码网络方法对滚动轴承振动数据进行分析,通过对振动数据的采集、处理分析和可视化状态信息反馈,实现对轴承设备运行状态的监控。
实现本发明的技术方案是:基于聚类和多层自编码网络的轴承设备状态监控方法,包括数据信息获取和传输方法,云平台数据信息处理和分析方法,云平台监控和数据可视化显示方法,信息发布方法。
所述的数据信息获取方法主要包括:状态数据信息采集单元、无线通讯传输单元将振动传感器部署在滚动轴承相应的硬件上,采集各个点振动信息,将采集的轴承的振动状态信息存储到PLC设定的存储器中,PLC通过其工业以太网接口由无线模块以无线的方式将振动数据上传到上位机中的SCADA数据采集软件,数据采集到SCADA软件系统中经由云服务器上传到远程数据库中进行数据存储。云端服务层不仅仅包含云数据库,还包含数据分析模块和数据通信模块,利用数据分析模块对数据进行处理分析。
所述的数据信息处理和分析方法主要包括:利用云计算技术对数据对振动数据进行分析,由于云平台获取的振动数据为一维,利用聚类和多层自编码方法需要多维特征,其具体方法如下:(1)需要对振动信号进行小波变换,进行n层小波包分解和重构,根据物理机理模型确定n的值:
1.一维振动信号,将振动信号进行n层小波分解,小波基选择db5小波;
2.对分解后振动信号进行小波重构,重构后的振动信号进行FFT变换,分析重构信号频谱特征与机理模型频谱的
一致性,机理模型特征频谱其计算方式如下:
其中,f:滚轴正常状态;fo:外圈故障;fi:内圈故障;fr:滚子故障;r:转速(转/分钟);n:滚珠个数;d:滚动体直径;D:轴承节径;α:滚动体接触角;
3.若频谱信号一致则确定n的值,统计小波重构后信号的幅度、均值、标准差、峰度值、能量熵,其统计方式如下:
幅度:F1=max(|x(i)|)-min(|x(i)|)
均值:
标准差:
峰度值:
能量熵:
若频谱信号不一致,则重新假定n的值,重复步骤1,2,3;
(2)需要对一维振动信号进行Hilbert-Huang变换:首先将信号用EMD方法分解为若干个固有模态函数(IMF),然后对每个IMF分量进行Hilbert变换得到瞬时频率和瞬时幅值;
EMD将模态按照特征时间尺度由小到大的顺序分离出来,将复杂信号分解为相互独立的IMF分量;
其中,ci分解后第i个IMF分量,rn为残余函数,代表信号的平均趋势;
统计前6个IMF分量的幅度、均值、标准差、峰度值、能量熵。
(3)根据(1)和(2)统计的幅度、均值、标准差、峰度值、能量熵作为特征量,对不同的振动数据特征组进行K-Means聚类,算法过程:
1)从N个样本数据中随机选取4个对象作为初始的聚类中心;
2)分别计算每个样本到各个聚类中心的距离,将对象分配到距离最近的聚类中,距离计算公式为:
3)重新计算4个聚类中心,与前一次聚类中心进行比较,若聚类中心发生变化则重复步骤2),否则输出聚类结果;
(4)根据聚类结果,输入不同的自编码网络模型中计算状态重构误差为:不同的类别,状态重构误差具有不同的阈值,在阈值范围内,表示振动信号所处的状态属于相应的类别,进而判断出轴承的运行状态。
所述的数据监控和数据显示方法主要包括:1.原始数据显示模块,显示原始数据的频谱特性和统计特性。2.聚类分析模块:显示传感器输入数据所属类别。3.多层自编码网络模块:显示各个类别对应的重构误差曲线,对于异常误差值进行标注,并输入其他模块中异常值检验。4.显示设备运营状态曲线。
信息发布方法主要包括:将数据监控结果和设备状态运行曲线以及历史状态统计周期性发布到手机、平板等无线通讯设备和相关的网页。
附图说明:
图1基于聚类和多层自编码网络的轴承设备状态监控方法整体结构图
图2设备端信息采集方法图
图3云平台数据信息处理方法图
图4基于小波分解的信息处理和分析模块建模过程
图5云平台监控和数据显示方法
具体实施方式:
基于聚类和多层自编码网络的设备状态监控方法,其整体结构简图如图1所示。
基于聚类和多层自编码网络的设备状态监控方法主要分为数据信息获取和传输方法,云平台数据信息处理和分析方法,云平台监控和数据可视化显示方法,信息发布方法。其中数据信息获取和传输方法属于设备端数据获取方法,将振动加速度传感器部署在滚动轴承相应的位置,采集各个点振动信息,将采集的轴承振动状态数据信息存储到云平台,云平台数据信息处理和分析方法,监控和数据显示和信息发布方法属于远程数据处理、分析和可视化管理方法,通过云计算技术对数据处理、分析、建模,通过基于聚类和多层自编码网络的建模方法,根据所建立的模型对轴承设备进行监控和诊断,并通过无线通讯模块将设备状态周期性发送到手机等移动端。
(1)设备端信息采集方法
设备端信息采集模块如图2所示,采用速度传感器,速度传感器为两线制一体化振动变送器,内置压电加速度型振动速度传感器。经过精密高的集成内置电路,将速度峰值或者有效值转换为标准型的0~5V电压信号。将振动速度传感器贴附在电机壳体或电机支承底盘上,并对多个振动传感器进行设备编号。将采集到的各振动状态数据存储到PLC存储器中,PLC通过其工业以太网接口由无线模块以无线的方式将振动数据上传到上位机中的SCADA数据采集软件,数据采集到SCADA软件系统中经由云服务器上传到远程数据库中进行数据存储。云端服务层不仅仅包含云数据库,还包含数据分析模块和数据通信模块,可以通过云计算技术对数据进行分析处理。
(2)云平台数据信息处理和分析方法
云平台数据信息处理分析流程如图3所示,云平台获取的信号为一维振动信号,需要对振动信号进行变换,以获取多维的特征。对一维信号进行FFT变换获得信号的频域特征,统计幅度、均值、标准差作为3个特征,对信号进行n维小波包分解,并对小波包分解后信号进行重构,获得2n维重构后信号,统计幅度、均值、标准差、峰度值、能量熵作为5个特征量。对信号进行EMD分解,计算IMF的能量值,选取前m个IMF分量能量总和占总能量90%以上的IMF分量,并对选取的IMF分量进行Hilber变换,统计幅度、均值、标准差、峰度值、能量熵作为5个特征量。
通过云平台进行振动信号监控,需要先基于数据建立监控模型,选取50组振动数据(包含正常状态,滚子故障状态、内圈故障状态、外圈故障状态)进行数据建模。
建模过程如图4,其步骤如下:1)将选取数据分解后的统计量作为特征量作为K-Means聚类算法的输入,如选取小波包分解后的5×2n维特征,根据小波变换后的频率特征与相应的物理值进行对比,确定n的个数。
2)将5×2n维特征数据聚类为4类,即正常状态,滚子故障状态、内圈故障状态、外圈故障状态,并显示其聚类中心和聚类正确率。
3)由于将数据进行聚类为4类,是在已知样本数据情况下进行的处理结果,在实际状态监控平台中,可能出现其他状态结果,因此需要利用多层自编码网络,对不同状态下的样本分别进行建模,拟合其内部物理机理,利用正常样本建立正常自编码网络AE1,利用滚子故障样本建立滚子故障自编码网络AE2,利用内圈故障样本建立内圈故障自编码网络AE3,利用外圈故障样本建立外圈故障自编码网络AE4,
3)分别计算自编码网络的重构误差,R AE1,R AE2,R AE3,R AE4。
4)确定R AE1,R AE2,R AE3,R AE4的阈值范围,满足相应的阈值范围将此数据判断为相应的运行状态。
建模完成后,即可对数据进行监控,将云平台接收的数据进行相应的变换,得到所需的特征,得到的数据处理后数据输入模型,若数据被聚类模型分为第一类,则输入AE1,查看其R AE1误差曲线,若误差值在设定阈值内,则轴承的运行状态为正常,同理可知,若数据被聚类模型分为第二类且误差值在设定阈值内则判断为滚子故障。
(3)云平台监控和数据显示方法
云平台监控和数据显示如图5所示,主要为信息处理和分析结果的可视化,以简单、方便理解的方式显示出来,主要显示的内容有:1.原始数据显示方法,原始数据的经过变换后的频谱特性和统计特性可供有经验的工程师进行观察和判断。2.聚类分析显示方法:显示传感器输入数据所属类别。此模块主要显示“物以类聚”的结果图、表,方便观察聚类结果是否满足要求,查看是否由相应的异常值。3.多层自编码网络显示方法:多层自编码网络主要用于改善聚类结果存在的类别固定的不足,此模块主要显示各个类别对应的重构误差曲线,对于异常误差值进行标注,并通过将异常值输入其他模块进行检验。4.运行状态显示方法:主要显示设备运行状态曲线。
(4)信息发布方法
信息发布主要通过网页或者短信方式进行运营状态汇总,方便远程知晓设备运营状态。信息发布内容包括:1)设备运营状态阶段性报告。2)设备运行状态实时监控曲线。
Claims (1)
1.一种基于聚类和多层自编码网络的轴承设备状态监控方法,包括振动数据获取方法,云平台振动数据处理和分析方法,云平台振动数据监控和显示方法,振动分析结果发布方法,其特征在于以下步骤:
步骤一:获取振动数据
将振动传感器贴附在轴承设备电机机壳或底座,对多个振动传感器进行设备编号,将采集到振动数据通过工业以太网接口由无线模块以无线方式上传到上位机中SCADA数据采集系统中进行暂时存储,并由云服务器上传到远程数据库中进行云存储,利用云计算技术对振动数据进行运算和分析;
步骤二:对云平台振动数据进行处理和分析
利用云计算技术对数据对振动数据进行分析,云平台获取的振动数据为一维特征数据,利用聚类和多层自编码方法需要多维特征数据,其具体方法如下:(1)需要对振动信号进行小波变换,进行n层小波包分解和重构,根据物理机理模型确定小波分解层数n的值:
步骤1:一维振动信号通过小波包变换,将振动信号进行n层小波分解,小波基选择db5小波;
步骤2:对分解后振动信号进行小波重构,重构后的振动信号进行FFT变换,对比重构信号频谱特征和机理模型频谱是否一致,机理模型特征频谱其计算方式为:
其中,f:滚轴正常状态;fo:外圈故障;fi:内圈故障;fr:滚子故障;r:转速(转/分钟);n:滚珠个数;d:滚动体直径;D:轴承节径;α:滚动体接触角;
步骤3:若频谱信号一样则确定n的值,统计小波重构后信号的幅度、均值、标准差、峰度值、能量熵,,其统计方式如下:
幅度:F1=max(|x(i)|)-min(|x(i)|)
均值:
标准差:
峰度值:
能量熵:
若频谱信号不一致,则重新假定n的值,重复步骤1,2,3;
(2)需要对一维振动信号进行Hilbert-Huang变换:首先将信号用EMD方法分解成若干个固有模态函数,然后对每个IMF分量进行Hilbert变换得到瞬时频率和瞬时幅值;
EMD将模态按照特征时间尺度由小到大的顺序分离出来,将复杂信号分解为相互独立的IMF分量;
统计前6个IMF分量的幅度、均值、标准差、峰度值、能量熵;
(3)根据(1)和(2)统计的幅度、均值、标准差、峰度值、能量熵作为特征量,对不同的振动数据特征组进行K-Means聚类,将数据聚类为正常状态、滚子故障状态、外圈故障状态、内圈故障状态四种类别;
(4)根据聚类结果,不同的聚类状态输入不同的自编码网络模型中,计算状态重构误差为:其中x为输入特征数据,为状态重构特征数据,不同的轴承状态类别,状态重构误差设置不同的阈值,若重构误差在阈值设置范围内,振动信号所处的状态属于相应的类别。
步骤三:云平台监控和数据显示
将数据分析过程和结果用可视化的方式显示出来,主要显示内容包括:1.原始数据显示图,显示原始数据的频谱特性和统计特性;2.聚类分析图:显示传感器输入数据属于哪一种状态类型;3.多层自编码网络重构误差曲线:显示各个类别对应的重构误差曲线,对于异常误差值进行标注;4.显示轴承设备运营状态曲线,判断振动数据所属状态类型,进而判断轴承设备的运行诊断;
步骤四:信息发布;
信息发布主要是将设备运行状态曲线和历史运营记录通过无线通讯周期性发送到手机、平板等,并形成相关的网页报告。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811001674.8A CN109029995B (zh) | 2018-08-30 | 2018-08-30 | 基于聚类和多层自编码网络的轴承设备状态监控方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811001674.8A CN109029995B (zh) | 2018-08-30 | 2018-08-30 | 基于聚类和多层自编码网络的轴承设备状态监控方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109029995A true CN109029995A (zh) | 2018-12-18 |
CN109029995B CN109029995B (zh) | 2021-06-04 |
Family
ID=64625569
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811001674.8A Active CN109029995B (zh) | 2018-08-30 | 2018-08-30 | 基于聚类和多层自编码网络的轴承设备状态监控方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109029995B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109901552A (zh) * | 2019-03-12 | 2019-06-18 | 杭州哲达科技股份有限公司 | 一种面向机泵安康管控的振动多维感知与云计算方法 |
CN110647116A (zh) * | 2019-08-13 | 2020-01-03 | 宁波沙泰智能科技有限公司 | 一种基于机器运行值守的监管系统 |
CN110673042A (zh) * | 2019-10-31 | 2020-01-10 | 安徽优旦科技有限公司 | 一种基于数据的电池pack热场变化的评估方法 |
CN113052716A (zh) * | 2019-12-27 | 2021-06-29 | 新疆金风科技股份有限公司 | 风力发电机组主轴承的异常预警方法及装置 |
CN113281046A (zh) * | 2021-05-27 | 2021-08-20 | 陕西科技大学 | 一种基于大数据的纸机轴承监测装置及方法 |
CN114466049A (zh) * | 2022-03-11 | 2022-05-10 | 深圳高度创新技术有限公司 | 一种远程设备工作状态监控系统及方法 |
CN116827055A (zh) * | 2022-09-09 | 2023-09-29 | 东莞市智美生活电子科技有限公司 | 一种电机结构 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106323636A (zh) * | 2016-08-16 | 2017-01-11 | 重庆交通大学 | 栈式稀疏自动编码深度神经网络的机械故障程度特征自适应提取与诊断方法 |
US9652450B1 (en) * | 2016-07-06 | 2017-05-16 | International Business Machines Corporation | Rule-based syntactic approach to claim boundary detection in complex sentences |
CN106769052A (zh) * | 2017-03-21 | 2017-05-31 | 桂林电子科技大学 | 一种基于聚类分析的机械系统滚动轴承智能故障诊断方法 |
CN107702922A (zh) * | 2017-09-11 | 2018-02-16 | 南京信息工程大学 | 基于lcd与堆叠自动编码器的滚动轴承故障诊断方法 |
CN108267312A (zh) * | 2017-12-25 | 2018-07-10 | 北京建筑大学 | 一种基于快速搜索算法的地铁列车轴承智能诊断方法 |
-
2018
- 2018-08-30 CN CN201811001674.8A patent/CN109029995B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9652450B1 (en) * | 2016-07-06 | 2017-05-16 | International Business Machines Corporation | Rule-based syntactic approach to claim boundary detection in complex sentences |
CN106323636A (zh) * | 2016-08-16 | 2017-01-11 | 重庆交通大学 | 栈式稀疏自动编码深度神经网络的机械故障程度特征自适应提取与诊断方法 |
CN106769052A (zh) * | 2017-03-21 | 2017-05-31 | 桂林电子科技大学 | 一种基于聚类分析的机械系统滚动轴承智能故障诊断方法 |
CN107702922A (zh) * | 2017-09-11 | 2018-02-16 | 南京信息工程大学 | 基于lcd与堆叠自动编码器的滚动轴承故障诊断方法 |
CN108267312A (zh) * | 2017-12-25 | 2018-07-10 | 北京建筑大学 | 一种基于快速搜索算法的地铁列车轴承智能诊断方法 |
Non-Patent Citations (3)
Title |
---|
刘林凡: "深度学习在故障诊断中的研究综述", 《新型工业化》 * |
彭进: "基于云平台的风电机组轴承的故障诊断研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
李明轩: "基于Hadoop2.0云平台的风力发电机组故障诊断技术研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109901552A (zh) * | 2019-03-12 | 2019-06-18 | 杭州哲达科技股份有限公司 | 一种面向机泵安康管控的振动多维感知与云计算方法 |
CN109901552B (zh) * | 2019-03-12 | 2021-09-03 | 杭州哲达科技股份有限公司 | 一种面向机泵安康管控的振动多维感知与云计算方法 |
CN110647116A (zh) * | 2019-08-13 | 2020-01-03 | 宁波沙泰智能科技有限公司 | 一种基于机器运行值守的监管系统 |
CN110673042A (zh) * | 2019-10-31 | 2020-01-10 | 安徽优旦科技有限公司 | 一种基于数据的电池pack热场变化的评估方法 |
CN110673042B (zh) * | 2019-10-31 | 2021-07-20 | 安徽优旦科技有限公司 | 一种基于数据的电池pack热场变化的评估方法 |
CN113052716A (zh) * | 2019-12-27 | 2021-06-29 | 新疆金风科技股份有限公司 | 风力发电机组主轴承的异常预警方法及装置 |
CN113052716B (zh) * | 2019-12-27 | 2023-03-03 | 新疆金风科技股份有限公司 | 风力发电机组主轴承的异常预警方法及装置 |
CN113281046A (zh) * | 2021-05-27 | 2021-08-20 | 陕西科技大学 | 一种基于大数据的纸机轴承监测装置及方法 |
CN113281046B (zh) * | 2021-05-27 | 2024-01-09 | 陕西科技大学 | 一种基于大数据的纸机轴承监测装置及方法 |
CN114466049A (zh) * | 2022-03-11 | 2022-05-10 | 深圳高度创新技术有限公司 | 一种远程设备工作状态监控系统及方法 |
CN116827055A (zh) * | 2022-09-09 | 2023-09-29 | 东莞市智美生活电子科技有限公司 | 一种电机结构 |
CN116827055B (zh) * | 2022-09-09 | 2024-01-30 | 东莞市智美生活电子科技有限公司 | 一种电机结构 |
Also Published As
Publication number | Publication date |
---|---|
CN109029995B (zh) | 2021-06-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109029995A (zh) | 基于聚类和多层自编码网络的轴承设备状态监控方法 | |
KR101818394B1 (ko) | 설비 상태 진단 방법 및 장치 | |
JP6698715B2 (ja) | 設備状態監視装置および設備状態監視方法 | |
Meng et al. | Data segmentation and augmentation methods based on raw data using deep neural networks approach for rotating machinery fault diagnosis | |
CN108171263A (zh) | 基于改进变分模态分解和极限学习机的滚动轴承故障诊断方法 | |
CN106226074B (zh) | 基于卷积神经网络和小波灰度图的旋转机械故障诊断方法 | |
US9443201B2 (en) | Systems and methods for learning of normal sensor signatures, condition monitoring and diagnosis | |
CN102999038B (zh) | 发电设备的诊断装置、以及发电设备的诊断方法 | |
MX2014014577A (es) | Metodos y aparatos para el diagnostico de defectos en un sistema mecanico. | |
WO2023093177A1 (zh) | 设备故障诊断方法、装置、电子设备及存储介质 | |
WO2016176111A1 (en) | Fuel gauge visualization of iot based predictive maintenance system using multi-classification based machine learning | |
CN104697767B (zh) | 一种基于振动分析的转子系统故障诊断方法及装置 | |
CN110334764A (zh) | 基于集成深度自编码器的旋转机械智能故障诊断方法 | |
Gangsar et al. | Diagnostics of mechanical and electrical faults in induction motors using wavelet-based features of vibration and current through support vector machine algorithms for various operating conditions | |
CN109115491A (zh) | 一种电力推进船舶轴系推进系统机械故障诊断的证据融合方法 | |
JP2004523735A (ja) | 器械を取り付けられた機器およびプロセスのための推論信号生成装置 | |
KR102265298B1 (ko) | 머신러닝에 의해 생성된 가상 데이터를 이용한 고장 진단 방법 및 장치 | |
CN108062514A (zh) | 一种基于三维谱图分析的胶印机墨辊故障诊断方法 | |
CN110008350A (zh) | 一种基于贝叶斯推理的机泵安康知识库查找方法 | |
CN110579368A (zh) | 基于仿真计算的旋转机械振动故障智能诊断系统及方法 | |
US11740122B2 (en) | Autonomous discrimination of operation vibration signals | |
CN108872852A (zh) | 一种风力发电机故障诊断系统及方法 | |
Neupane et al. | Deep learning-based bearing fault detection using 2-D illustration of time sequence | |
Imani et al. | A scalable spark-based fault diagnosis platform for gearbox fault diagnosis in wind farms | |
Ribeiro et al. | Rotating machinery fault diagnosis using similarity-based models |
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 |