CN109214355A - 一种基于核估计lof的机械监测数据异常段检测方法 - Google Patents
一种基于核估计lof的机械监测数据异常段检测方法 Download PDFInfo
- Publication number
- CN109214355A CN109214355A CN201811144832.5A CN201811144832A CN109214355A CN 109214355 A CN109214355 A CN 109214355A CN 201811144832 A CN201811144832 A CN 201811144832A CN 109214355 A CN109214355 A CN 109214355A
- Authority
- CN
- China
- Prior art keywords
- value
- data segment
- data
- lof
- sequence
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
- G06F2218/16—Classification; Matching by matching signal segments
- G06F2218/20—Classification; Matching by matching signal segments by applying autoregressive analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
- G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
一种基于核估计LOF的机械监测数据异常段检测方法,首先利用固定长度的滑动时窗将一段机械监测信号分割为多个数据段;提取每个数据段的特征指标向量;设置LOF算法中参数k的初始值,并计算每个数据段的局部异常因子值,根据Nadaraya‑Watson核估计法,可得局部异常因子估计值序列;然后对k值进行迭代,设定阈值S以实现k值的自适应选择;对滑动时窗的长度进行迭代,当滑动时窗的长度迭代至预设值后,选取包含最大局部异常因子估计值的序列;最后计算阈值T,筛选出异常段,完成异常段的检测;本发明基于核估计对传统LOF算法进行了改进,实现了参数k与异常段长度的自适应选择,提高了算法对机械监测数据进行异常段检测的能力,对于机械监测数据的质量改善工作具有理想的效果。
Description
技术领域
本发明属机械监测数据质量改善技术领域,具体涉及一种基于核估计LOF的机械监测数据异常段检测方法。
背景技术
在机械故障诊断领域,由于机械装备分布面广、测点众多、数据采样频率高、服役历时长,积累了海量的监测数据。对海量监测数据进行分析处理,可以挖掘设备运行的各种信息,提前发现设备故障。而机械装备的工作环境常常十分恶劣,导致监测数据中混杂大量漂移、失真、残缺的脏数据,这些脏数据往往严重影响对监测数据的分析效果,导致机械健康状态的误判,进而制定出错误的运维策略。异常段数据是脏数据的一种,与机械自身健康状态无关,准确检测并剔除监测数据中的异常段可以有效提升监测数据的分析效果,从而更好的保障设备安全可靠的运行。目前尚无针对机械监测数据异常段检测的公开文献发表。
发明内容
为了克服上述现有技术的缺点,本发明的目的在于提供了一种基于核估计LOF(Local OutlierFactor)的机械监测数据异常段检测方法,能准确检测出机械监测数据的异常段。
为了达到上述目的,本发明采取的技术方案为:
一种基于核估计LOF的机械监测数据异常段检测方法,包括以下步骤:
1)利用长度为w1的滑动时窗将机械监测数据分割成N个数据段,并定义滑动时窗长度增量Δw,令相邻两窗重叠率为90%,得到数据段的一个集合D;
2)分别从时域、频域、时频域中提取每个数据段的特征指标,组成特征指标集合其中表示滑动时窗长度为w1时第i个数据段的特征指标向量,特征指标包括均值、最大值、最小值、峰峰值、方差、峭度、均方根、波形因子、峰值因子、脉冲因子、方根幅值、裕度因子、偏斜度、重心频率、均方频率、均方根频率、小波能量谱;
3)基于每个数据段与其对应的特征指标向量,将每个数据段视为一个多维度点,利用Nadaraya-Watson核估计法进行核回归LOF的构建与计算,包含以下步骤:
3.1)设置LOF算法中k的取值范围为[kmin,kmax],令k的初始值为kmin,并定义滑动时窗参数w2=l/kmin,其中l为机械监测数据的长度;
3.2)根据LOF算法,计算每一个数据段的局部异常因子值,得到序列其中Lofi k表示第i个数据段的局部异常因子值,具体计算过程如下:
3.2.1)从集合D中任取数据段i,计算数据段i的第k距离kd(i),并得到数据段i的k邻域Nk(i);
3.2.2)定义局部可达密度lrdk(·),数据段i的局部可达密度计算如下:
其中,数据段o为数据段i的邻域,kd(o)表示数据段o的第k距离,d(i,o)表示数据段o和数据段i两数据段在特征空间中的欧氏距离,max{·}表示取所有值中的最大值;
3.2.3)计算数据段i的局部异常因子值Lofi k,其计算公式如下:
其中,lrdk(o)为数据段o的局部可达密度;
3.2.4)重复3.2.1)到3.2.3)直至计算出所有数据段的局部异常因子值;
3.3)基于Nadaraya-Watson核估计法,进行异常局部因子值的核回归估计,核函数其中参数β的默认值为1,可得基于核估计的局部异常因子估计值序列其中表示第i个数据段的局部异常因子估计值,其计算公式如下所示:
其中,kd(j)表示数据段j的第k距离;γ为敏感因子,默认值为2;表示滑动时窗长度为w1时第j个数据段的特征指标向量;为数据段j的局部异常因子值;
3.4)定义迭代误差阈值其中std(·)表示计算标准差;
3.5)如果ε>S或者k≤kmax,则对k进行迭代,k的值增加1,重复3.2)至3.4);否则停止迭代,输出此时的
4)令w1的值增大Δw,如果w1<w2,重复步骤1)至步骤3);否则停止迭代;对w1的迭代结束后,每种滑动时窗长度都对应着一个基于核估计的局部异常因子估计值的序列从所有序列找到最大的输出该值所在的局部异常因子估计值序列该序列中的局部异常因子估计值代表不同程度的脏数据,其值越大,数据质量越低;
5)根据步骤4)中得到的确定阈值,将阈值设置为T=μ+λσ,其中μ表示序列的算术平均;λ为异常因子,λ越大表示异常度越大,根据3σ准则将λ设置为3;σ表示该序列的标准差;
6)根据阈值T检测异常数据段,从序列中选出大于T的所有根据窗宽w1与数据段序号i确定出原始机械监测数据中脏数据段的位置。
本发明的有益效果为:
本发明提取数据段的特征值,将异常段的检测问题转化为多维度异常点的检测问题;基于Nadaraya-Watson核估计法实现了LOF算法中k值的自适应选择,通过对滑动时窗的长度迭代,实现了异常段长度的自适应检测;根据设定的阈值,对基于核估计的局部异常因子估计值进行筛选,从而能够准确检测出机械监测数据中的异常段。
附图说明
图1为本发明的流程图。
图2为实施例齿轮箱监测数据的时域波形图。
图3为实施例最终的局部异常因子估计值序列图。
图4为实施例检测异常段的结果图。
具体实施方式
下面结合附图对本发明做进一步详细描述。
如图1所示,一种基于核估计LOF的机械监测数据异常段检测方法,包括以下步骤:
1)利用长度为w1的滑动时窗将机械监测数据分割成N个数据段,并定义滑动时窗长度增量Δw,令相邻两窗重叠率为90%,得到数据段的一个集合D;
2)分别从时域、频域、时频域中提取每个数据段的特征指标,组成特征指标集合其中表示滑动时窗长度为w1时第i个数据段的特征指标向量,特征指标包括均值、最大值、最小值、峰峰值、方差、峭度、均方根、波形因子、峰值因子、脉冲因子、方根幅值、裕度因子、偏斜度、重心频率、均方频率、均方根频率、小波能量谱;
3)基于每个数据段与其对应的特征指标向量,将每个数据段视为一个多维度点,利用Nadaraya-Watson核估计法进行核回归LOF的构建与计算,包含以下步骤:
3.1)设置LOF算法中k的取值范围为[kmin,kmax],令k的初始值为kmin,并定义滑动时窗参数w2=l/kmin,其中l为机械监测数据的长度;
3.2)根据LOF算法,计算每一个数据段的局部异常因子值,得到序列其中Lofi k表示第i个数据段的局部异常因子值,具体计算过程如下:
3.2.1)从集合D中任取数据段i,计算数据段i的第k距离kd(i),并得到数据段i的k邻域Nk(i);
3.2.2)定义局部可达密度lrdk(·),数据段i的局部可达密度计算如下:
其中,数据段o为数据段i的邻域,kd(o)表示数据段o的第k距离,d(i,o)表示两数据段(数据段o和数据段i)在特征空间中的欧氏距离,max{·}表示取所有值中的最大值;
3.2.3)计算数据段i的局部异常因子值Lofi k,其计算公式如下:
其中,lrdk(o)为数据段o的局部可达密度;
3.2.4)重复3.2.1)到3.2.3)直至计算出所有数据段的局部异常因子值;
3.3)基于Nadaraya-Watson核估计法,进行异常局部因子值的核回归估计,核函数其中参数β的默认值为1,可得基于核估计的局部异常因子估计值序列其中表示第i个数据段的局部异常因子估计值,其计算公式如下所示:
其中,kd(j)表示数据段j的第k距离;γ为敏感因子,默认值为2;表示滑动时窗长度为w1时第j个数据段的特征指标向量;为数据段j的局部异常因子值;
3.4)定义迭代误差阈值其中std(·)表示计算标准差;
3.5)如果ε>S或者k≤kmax,则对k进行迭代,k的值增加1,重复3.2)至3.4);否则停止迭代,输出此时的
4)令w1的值增大Δw,如果w1<w2,重复步骤1)至步骤3);否则停止迭代;对w1的迭代结束后,每种滑动时窗长度都对应着一个基于核估计的局部异常因子估计值的序列从所有序列找到最大的输出该值所在的局部异常因子估计值序列该序列中的局部异常因子估计值代表不同程度的脏数据,其值越大,数据质量越低;
5)根据步骤4)中得到的确定阈值,将阈值设置为T=μ+λσ,其中μ表示序列的算术平均;λ为异常因子,λ越大表示异常度越大,根据3σ准则将λ设置为3;σ表示该序列的标准差;
6)根据阈值T检测异常数据段,从序列中选出大于T的所有根据窗宽w1与数据段序号i确定出原始机械监测数据中脏数据段的位置。
下面结合实施例对本发明做详细描述,实施例采用齿轮箱实验监测数据对本发明进行验证。
本实施例是在某厂建立的混合动力驱动系统上进行的,实验工况较为恶劣。实验系统由两级定轴齿轮箱、一级行星齿轮箱和磁力制动器组成,磁力制动器施加可变负载,在第二级定轴变速箱的中间齿轮上有磨损故障,加速度计安装在电机驱动端中间轴的轴承座上。采样频率为12.8kHz,电机转频为40Hz。图2为采集数据的时域波形,即机械监测数据。从这些波形中,可以发现其中有一段发生数据漂移,为数据异常段。
使用本发明方法对异常段进行检测,机械监测数据原始长度为492700,首先选择滑动时窗的初始长度w1为500,增量Δw为500,LOF算法中的k设置为5,提取的机械监测数据特征指标向量包含均值、最大值、最小值、峰峰值、方差、峭度、均方根、波形因子、峰值因子、脉冲因子、方根幅值、裕度因子、偏斜度;然后将参数k的取值范围设置为[5,20],则滑动时窗的最大长度w2为98540;利用Nadaraya-Watson核估计法对参数k进行迭代,获得一个经过权重平均的局部异常因子估计值序列;再对w1进行迭代,则对应每个滑动时窗长度w1都有一个局部异常因子值序列;选取最大的局部异常因子估计值,绘制其所在的序列;计算该序列的均值与标准差,根据3σ准则可得阈值T为9.783,将阈值用虚线绘制于图3中;比较可得,第99至108个数据段的基于核估计的局部异常因子估计值大于阈值T,则对应机械监测数据中点划线方框部分异常段,如图4所示。
通过采用工厂中齿轮箱实验数据验证了本发明方法在机械监测数据异常段检测的优势。基于Nadaraya-Watson核估计法解决了传统LOF算法中需要依靠经验选择参数k的缺点,实现了参数k的自适应选择;同时,通过对滑动时窗的长度进行迭代,自适应地准确检测出异常段。因此,采用本发明方法的机械监测数据异常段检测的效果较为理想。另外应当指出,在不脱离本发明构想的前提下,所做的调整和变形也应视为本发明的保护范围。
Claims (1)
1.一种基于核估计LOF的机械监测数据异常段检测方法,其特征在于,包括以下步骤:
1)利用长度为w1的滑动时窗将机械监测数据分割成N个数据段,并定义滑动时窗长度增量Δw,令相邻两窗重叠率为90%,得到数据段的一个集合D;
2)分别从时域、频域、时频域中提取每个数据段的特征指标,组成特征指标集合其中表示滑动时窗长度为w1时第i个数据段的特征指标向量,特征指标包括均值、最大值、最小值、峰峰值、方差、峭度、均方根、波形因子、峰值因子、脉冲因子、方根幅值、裕度因子、偏斜度、重心频率、均方频率、均方根频率、小波能量谱;
3)基于每个数据段与其对应的特征指标向量,将每个数据段视为一个多维度点,利用Nadaraya-Watson核估计法进行核回归LOF的构建与计算,包含以下步骤:
3.1)设置LOF算法中k的取值范围为[kmin,kmax],令k的初始值为kmin,并定义滑动时窗参数w2=l/kmin,其中l为机械监测数据的长度;
3.2)根据LOF算法,计算每一个数据段的局部异常因子值,得到序列其中Lofi k表示第i个数据段的局部异常因子值,具体计算过程如下:
3.2.1)从集合D中任取数据段i,计算数据段i的第k距离kd(i),并得到数据段i的k邻域Nk(i);
3.2.2)定义局部可达密度lrdk(·),数据段i的局部可达密度计算如下:
其中,数据段o为数据段i的邻域,kd(o)表示数据段o的第k距离,d(i,o)表示数据段o和数据段i两数据段在特征空间中的欧氏距离,max{·}表示取所有值中的最大值;
3.2.3)计算数据段i的局部异常因子值Lofi k,其计算公式如下:
其中,lrdk(o)为数据段o的局部可达密度;
3.2.4)重复3.2.1)到3.2.3)直至计算出所有数据段的局部异常因子值;
3.3)基于Nadaraya-Watson核估计法,进行异常局部因子值的核回归估计,核函数其中参数β的默认值为1,可得基于核估计的局部异常因子估计值序列其中表示第i个数据段的局部异常因子估计值,其计算公式如下所示:
其中,kd(j)表示数据段j的第k距离;γ为敏感因子,默认值为2;表示滑动时窗长度为w1时第j个数据段的特征指标向量;为数据段j的局部异常因子值;
3.4)定义迭代误差阈值其中std(·)表示计算标准差;
3.5)如果ε>S或者k≤kmax,则对k进行迭代,k的值增加1,重复3.2)至3.4);否则停止迭代,输出此时的
4)令w1的值增大Δw,如果w1<w2,重复步骤1)至步骤3);否则停止迭代;对w1的迭代结束后,每种滑动时窗长度都对应着一个基于核估计的局部异常因子估计值的序列从所有序列找到最大的输出该值所在的局部异常因子估计值序列该序列中的局部异常因子估计值代表不同程度的脏数据,其值越大,数据质量越低;
5)根据步骤4)中得到的确定阈值,将阈值设置为T=μ+λσ,其中μ表示序列的算术平均;λ为异常因子,λ越大表示异常度越大,根据3σ准则将λ设置为3;σ表示该序列的标准差;
6)根据阈值T检测异常数据段,从序列中选出大于T的所有根据窗宽w1与数据段序号i确定出原始机械监测数据中脏数据段的位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811144832.5A CN109214355B (zh) | 2018-09-29 | 2018-09-29 | 一种基于核估计lof的机械监测数据异常段检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811144832.5A CN109214355B (zh) | 2018-09-29 | 2018-09-29 | 一种基于核估计lof的机械监测数据异常段检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109214355A true CN109214355A (zh) | 2019-01-15 |
CN109214355B CN109214355B (zh) | 2020-05-15 |
Family
ID=64982218
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811144832.5A Active CN109214355B (zh) | 2018-09-29 | 2018-09-29 | 一种基于核估计lof的机械监测数据异常段检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109214355B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109948724A (zh) * | 2019-03-28 | 2019-06-28 | 山东浪潮云信息技术有限公司 | 一种基于改进lof算法的电商刷单行为检测方法 |
CN110619345A (zh) * | 2019-07-22 | 2019-12-27 | 重庆交通大学 | 面向斜拉桥监测数据有效性的标签可信度综合验证方法 |
CN112101174A (zh) * | 2020-09-09 | 2020-12-18 | 洛阳师范学院 | 一种基于LOF-Kurtogram的机械故障诊断方法 |
CN113157674A (zh) * | 2021-02-27 | 2021-07-23 | 北京工业大学 | 一种基于动态插值的城市污水处理过程数据清洗方法 |
CN115238753A (zh) * | 2022-09-21 | 2022-10-25 | 西南交通大学 | 一种基于局部离群因子的自适应shm数据清洗方法 |
CN116660667A (zh) * | 2023-07-26 | 2023-08-29 | 山东金科电气股份有限公司 | 一种变压器异常监控方法及系统 |
CN116702082A (zh) * | 2023-08-09 | 2023-09-05 | 深圳市泽信智能装备有限公司 | 一种微米级粉料无尘装料系统的粉尘监测方法 |
CN117591986A (zh) * | 2024-01-18 | 2024-02-23 | 天津市职业大学 | 基于人工智能的汽车数据实时处理方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103986625A (zh) * | 2014-05-29 | 2014-08-13 | 中国科学院软件研究所 | 一种基于统计监测的云应用故障诊断系统 |
US20160048681A1 (en) * | 2013-06-21 | 2016-02-18 | Emc Corporation | Dynamic graph anomaly detection framework and scalable system architecture |
CN106338981A (zh) * | 2016-09-23 | 2017-01-18 | 沈阳化工大学 | 动态多向局部离群因子算法的间歇过程在线故障检测方法 |
CN107544477A (zh) * | 2017-10-23 | 2018-01-05 | 中国石油大学(华东) | 基于核主元分析的非线性工业过程故障检测方法 |
CN108038044A (zh) * | 2017-12-26 | 2018-05-15 | 北京航空航天大学 | 一种面向连续被监测对象的异常检测方法 |
CN108108253A (zh) * | 2017-12-26 | 2018-06-01 | 北京航空航天大学 | 一种面向多数据流的异常状态检测方法 |
US20180165142A1 (en) * | 2016-12-12 | 2018-06-14 | Vmware, Inc. | Methods and systems to identify anomalous behaving components of a distributed computing system |
CN108508860A (zh) * | 2018-05-10 | 2018-09-07 | 西安交通大学 | 一种基于耦合关系的流程工业生产系统数据监测方法 |
-
2018
- 2018-09-29 CN CN201811144832.5A patent/CN109214355B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160048681A1 (en) * | 2013-06-21 | 2016-02-18 | Emc Corporation | Dynamic graph anomaly detection framework and scalable system architecture |
CN103986625A (zh) * | 2014-05-29 | 2014-08-13 | 中国科学院软件研究所 | 一种基于统计监测的云应用故障诊断系统 |
CN106338981A (zh) * | 2016-09-23 | 2017-01-18 | 沈阳化工大学 | 动态多向局部离群因子算法的间歇过程在线故障检测方法 |
US20180165142A1 (en) * | 2016-12-12 | 2018-06-14 | Vmware, Inc. | Methods and systems to identify anomalous behaving components of a distributed computing system |
CN107544477A (zh) * | 2017-10-23 | 2018-01-05 | 中国石油大学(华东) | 基于核主元分析的非线性工业过程故障检测方法 |
CN108038044A (zh) * | 2017-12-26 | 2018-05-15 | 北京航空航天大学 | 一种面向连续被监测对象的异常检测方法 |
CN108108253A (zh) * | 2017-12-26 | 2018-06-01 | 北京航空航天大学 | 一种面向多数据流的异常状态检测方法 |
CN108508860A (zh) * | 2018-05-10 | 2018-09-07 | 西安交通大学 | 一种基于耦合关系的流程工业生产系统数据监测方法 |
Non-Patent Citations (6)
Title |
---|
JUN GAO等: ""Local outlier detection based on kernel regression"", 《2010 20TH INTERNATIONAL CONFERENCE ON PATTERN RECOGNITION》 * |
MIAO DANDAN等: ""Anomalous cell detection with kernel density-based local outlier factor"", 《CHINA COMMUNICATIONS》 * |
QINMU PENG等: ""Outlier Detection Based on Local Kernel Regression for Instance Selection"", 《INTERNATIONAL JOURNAL OF COMPUTATIONAL INTELLIGENCE SYSTEMS》 * |
孙毅等: ""基于高斯核函数改进的电力用户用电数据离群点检测方法"", 《电网技术》 * |
张蕾: ""一种基于核空间局部离群因子的离群点挖掘方法"", 《上海电机学院学报》 * |
李元等: ""基于动态多向局部离群因子的在线故障检测"", 《计算机应用研究》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109948724A (zh) * | 2019-03-28 | 2019-06-28 | 山东浪潮云信息技术有限公司 | 一种基于改进lof算法的电商刷单行为检测方法 |
CN110619345A (zh) * | 2019-07-22 | 2019-12-27 | 重庆交通大学 | 面向斜拉桥监测数据有效性的标签可信度综合验证方法 |
CN112101174A (zh) * | 2020-09-09 | 2020-12-18 | 洛阳师范学院 | 一种基于LOF-Kurtogram的机械故障诊断方法 |
CN113157674A (zh) * | 2021-02-27 | 2021-07-23 | 北京工业大学 | 一种基于动态插值的城市污水处理过程数据清洗方法 |
US11809517B1 (en) | 2022-09-21 | 2023-11-07 | Southwest Jiaotong University | Adaptive method of cleaning structural health monitoring data based on local outlier factor |
CN115238753A (zh) * | 2022-09-21 | 2022-10-25 | 西南交通大学 | 一种基于局部离群因子的自适应shm数据清洗方法 |
CN115238753B (zh) * | 2022-09-21 | 2022-12-06 | 西南交通大学 | 一种基于局部离群因子的自适应shm数据清洗方法 |
CN116660667A (zh) * | 2023-07-26 | 2023-08-29 | 山东金科电气股份有限公司 | 一种变压器异常监控方法及系统 |
CN116660667B (zh) * | 2023-07-26 | 2023-10-24 | 山东金科电气股份有限公司 | 一种变压器异常监控方法及系统 |
CN116702082B (zh) * | 2023-08-09 | 2023-10-27 | 深圳市泽信智能装备有限公司 | 一种微米级粉料无尘装料系统的粉尘监测方法 |
CN116702082A (zh) * | 2023-08-09 | 2023-09-05 | 深圳市泽信智能装备有限公司 | 一种微米级粉料无尘装料系统的粉尘监测方法 |
CN117591986A (zh) * | 2024-01-18 | 2024-02-23 | 天津市职业大学 | 基于人工智能的汽车数据实时处理方法 |
CN117591986B (zh) * | 2024-01-18 | 2024-04-05 | 天津市职业大学 | 基于人工智能的汽车数据实时处理方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109214355B (zh) | 2020-05-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109214355A (zh) | 一种基于核估计lof的机械监测数据异常段检测方法 | |
CN107505135B (zh) | 一种滚动轴承复合故障提取方法及系统 | |
CN109668733B (zh) | 变分非线性模式分解变转速轴承故障诊断方法 | |
CN104634571B (zh) | 一种基于lcd‑mf的滚动轴承故障诊断方法 | |
CN112101174A (zh) | 一种基于LOF-Kurtogram的机械故障诊断方法 | |
CN108763346B (zh) | 一种滑窗箱型图中值滤波的异常点处理方法 | |
CN103220241B (zh) | 一种低信噪比条件下信号盒维数特征提取方法 | |
CN107329049B (zh) | 一种基于卡尔曼滤波器的输电线路早期故障检测方法 | |
CN113569990B (zh) | 面向强噪声干扰环境的演艺装备故障诊断模型构建方法 | |
CN111504640B (zh) | 一种加权滑动窗二阶同步压缩s变换轴承故障诊断方法 | |
CN110824389A (zh) | 一种基于ifra的同步发电机绕组短路故障检测方法 | |
Kalaskar et al. | Motor current signature analysis to detect the fault in induction motor | |
CN108398260B (zh) | 基于混合概率方法的齿轮箱瞬时角速度的快速评估方法 | |
CN109596354B (zh) | 基于自适应共振频带识别的带通滤波方法 | |
CN109708877B (zh) | 基于小波模糊识别和图像分析理论的机械故障分析方法 | |
CN114739671A (zh) | 一种基于改进广义s变换的轴承故障诊断方法 | |
CN105954031A (zh) | 一种基于奇异谱分解滤波的包络分析方法 | |
CN110956112B (zh) | 一种新的高可靠性回转支承寿命评估方法 | |
CN112465068A (zh) | 一种基于多传感器数据融合的旋转设备故障特征提取方法 | |
CN105466670A (zh) | 基于叶片电机电流信号的多叶准直器的健康状态监控方法 | |
CN111999607A (zh) | 一种单通道信号下局部放电窄带干扰盲源分离方法及装置 | |
CN108021725B (zh) | 确定电功图数据中抽油机换向点位置的方法 | |
CN108008262B (zh) | 一种局部放电快速检测方法 | |
CN114460459B (zh) | 一种基于标准时频变换的信号捕获方法 | |
CN112700039B (zh) | 一种火电厂负荷运行数据的稳态检测与提取方法 |
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 |