CN109238455B - 一种基于图论的旋转机械振动信号监测方法及系统 - Google Patents

一种基于图论的旋转机械振动信号监测方法及系统 Download PDF

Info

Publication number
CN109238455B
CN109238455B CN201811365464.7A CN201811365464A CN109238455B CN 109238455 B CN109238455 B CN 109238455B CN 201811365464 A CN201811365464 A CN 201811365464A CN 109238455 B CN109238455 B CN 109238455B
Authority
CN
China
Prior art keywords
vibration signal
weight
graph
graph structure
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.)
Active
Application number
CN201811365464.7A
Other languages
English (en)
Other versions
CN109238455A (zh
Inventor
卢国梁
王腾
闫鹏
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
Original Assignee
Shandong University
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 filed Critical Shandong University
Priority to CN201811365464.7A priority Critical patent/CN109238455B/zh
Publication of CN109238455A publication Critical patent/CN109238455A/zh
Application granted granted Critical
Publication of CN109238455B publication Critical patent/CN109238455B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本公开提供了一种基于图论的旋转机械振动信号监测方法及系统。其中，一种基于图论的旋转机械振动信号监测方法，包括：采集旋转机械系统运行过程中的振动信号；加窗处理所采集的振动信号；计算每个窗口内振动信号的功率谱；构建每个窗口内功率谱相对应的图结构；将当前时间窗口所对应的图结构与自定义中值图之间的权重距离，作为异常度指标；其中，权重距离为两个图结构所有相对应的加权边的权重差与相应加权边的权重最大值的比值的累加和；对异常度指标进行假设检验，判断机械系统运行过程是否出现异常。

Description

一种基于图论的旋转机械振动信号监测方法及系统
技术领域
本公开属于机械运行稳定性在线监测领域，尤其涉及一种基于图论的旋转机械振动信号监测方法及系统。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。
机械系统运行稳定性在线监测是确保机械系统正常运行，预防故障和实现机械系统自动化的关键技术。时频分析方法因其能同时获取监测信号的时域信号和频域信息而得到广泛应用，其中现有的方法大多通过提取时频谱特征(如谱峰值，谱峭度等)和训练分类器来实现机械系统的运行稳定性监测。
而在实际应用中，提取何种特征往往依赖于先验知识，同时需要事先收集大量训练样本来保证监测效果。
发明内容
根据本公开的一个或多个实施例的一个方面，提供一种基于图论的旋转机械振动信号监测方法，其无需先验知识、特征提取以及训练分类器，则可进行在线无监督的旋转机械系统运行状态监测。
本公开的一种基于图论的旋转机械振动信号监测方法，包括：
采集旋转机械系统运行过程中的振动信号；
加窗处理所采集的振动信号；
计算每个窗口内振动信号的功率谱；
构建每个窗口内功率谱相对应的图结构；
将当前时间窗口所对应的图结构与自定义中值图之间的权重距离，作为异常度指标；其中，权重距离为两个图结构所有相对应的加权边的权重差与相应加权边的权重最大值的比值的累加和；
对异常度指标进行假设检验，判断机械系统运行过程是否出现异常。
在一个或多个实施例中，构建每个窗口内功率谱相对应的图结构的具体步骤，包括：
将每个频率采样点作为图结构节点，所有频率采样点两两之间的连线作为图结构的加权边；
计算加权边两端节点之间的功率谱幅值差作为加权边的权重。
在一个或多个实施例中，计算机械正常运行时所对应的正常图结构集合中，每一个图结构元素与剩余所有图结构元素的权重距离并求和，并且将集合中与剩余所有图结构的权重距离之和最小的图结构元素定义为中值图。
在一个或多个实施例中，依据3σ原则对异常度指标进行假设检验。
在一个或多个实施例中，若机械系统运行发生异常则进行报警。
在一个或多个实施例中，若机械正常稳定运行，则更新正常图结构集合并进行下一次窗口内振动信号的监测。
根据本公开的一个或多个实施例的另一个方面，提供一种基于图论的旋转机械振动信号监测系统，其无需先验知识、特征提取以及训练分类器，则可进行在线无监督的旋转机械系统运行状态监测。
本公开的一种基于图论的旋转机械振动信号监测系统，包括：
加速度传感器，其被配置为采集旋转机械系统运行过程中的振动信号并传送至控制器；
控制器，所述控制器包括存储器和处理器，所述存储器存储有计算机程序，所述程序被处理器执行时能够实现以下步骤：
接收振动信号；
加窗处理振动信号；
计算每个窗口内振动信号的功率谱；
构建每个窗口内功率谱相对应的图结构；
将当前时间窗口所对应的图结构与自定义中值图之间的权重距离，作为异常度指标；其中，权重距离为两个图结构所有相对应的加权边的权重差与相应加权边的权重最大值的比值的累加和；
对异常度指标进行假设检验，判断机械系统运行过程是否出现异常。
在一个或多个实施例中，所述处理器，还被配置为：
将每个频率采样点作为图结构节点，所有频率采样点两两之间的连线作为图结构的加权边；
计算加权边两端节点之间的功率谱幅值差作为加权边的权重。
在一个或多个实施例中，所述处理器，还被配置为：
计算机械正常运行时所对应的正常图结构集合中，每一个图结构元素与剩余所有图结构元素的权重距离并求和，并且将集合中与剩余所有图结构的权重距离之和最小的图结构元素定义为中值图。
在一个或多个实施例中，所述处理器，还被配置为：
依据3σ原则对异常度指标进行假设检验。
在一个或多个实施例中，所述处理器，还被配置为：
若机械系统运行发生异常，则输出报警信号。
在一个或多个实施例中，所述处理器，还被配置为：
若机械正常稳定运行，则更新正常图结构集合并进行下一次窗口内振动信号的监测。
本公开的有益效果是：
(1)本公开通过当前时间窗口所对应的图结构与中值图之间的权重距离，作为异常度指标；对异常度指标进行假设检验，判断机械系统运行过程是否出现异常，通过对所监测振动信号进行在线分析，精确检测和识别机械系统状态发生异常的变化点位。
(2)本公开无需先验知识、无需进行特征提取、无需训练分类器，实现了在线无监督的旋转机械系统运行状态监测的目的。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。
图1是本公开的一种基于图论的旋转机械振动信号监测方法流程图。
图2(a)是振动信号的功率谱。
图2(b)是振动信号对应的图结构。
图2(c)是振动信号对应的图结构的邻接矩阵表示。
图3是原始振动信号。
图4是本公开的一种基于图论的旋转机械振动信号监测结果。
具体实施方式
应该指出，以下详细说明都是例示性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
图1是本公开的一种基于图论的旋转机械振动信号监测方法流程图。
如图1所示，本实施例的一种基于图论的旋转机械振动信号监测方法，包括：
(1)采集旋转机械系统运行过程中的振动信号。
具体地，可通过加速度传感器来采集旋转机械系统运行过程中的振动信号。
其中，旋转机械系统运行过程中的振动信号为正常振动信号或异常振动信号；
正常振动信号代表旋转机械系统运行正常；
异常振动信号代表旋转机械系统运行异常。
(2)加窗处理所采集的振动信号。
针对所采集的振动信号进行实时加窗处理，一般选用矩形窗或汉宁窗。
(3)计算每个窗口内振动信号的功率谱。
针对窗口内振动信号进行基于周期图谱的功率谱估计。
如图2(a)所示，将所提取的功率谱记为Pm，其中m为时间。
值得注意的是Pm包含n＝T*fs/2个频率成分，其中fs为采样频率，T为窗函数长度。
(4)构建每个窗口内功率谱相对应的图结构。
在具体实施中，构建每个窗口内功率谱相对应的图结构的具体步骤，包括：
(4.1)将每个频率采样点作为图结构节点，将所有频率采样点(共n个)两两之间进行连线，作为图结构的加权边；
(4.2)计算加权边两端节点之间的功率谱幅值差作为加权边的权重di,j，其中i,j为节点编号，如图2(b)所示。
将上述构造的图模型数学表达为邻接矩阵。具体地，将权重di,j放在矩阵中第i行，第j列，进而将一个图结构表达为一个邻接矩阵，如图2(c)所示。
(5)将当前时间窗口所对应的图结构与自定义中值图之间的权重距离，作为异常度指标；其中，权重距离为两个图结构所有相对应的加权边的权重差与相应加权边的权重最大值的比值的累加和。
其中，计算机械正常运行时所对应的正常图结构集合中，每一个图结构元素与剩余所有图结构元素的权重距离并求和，并且将集合中与剩余所有图结构的权重距离之和最小的图结构元素定义为中值图。
具体地，将当前监测时刻前的z个正常图结构看作正常图结构集合N＝[G1,G2,...,Gz],并计算该集合的中值图(例如：z取5)，用其表示机械系统正常运行状态，中值图计算公式为，
其中：M(G,Gk)为计算图G与图Gk间权重距离。
权重距离计算公式如下：
其中，
上式中di,j为图G中节点i与节点j之间加权边的权重，d'i,j为图Gk中节点i与节点j之间加权边的权重。
(6)将当前时间窗口所对应的图结构与中值图之间的权重距离，作为异常度指标。
将当前时刻所得图结构与中值图之间计算权重距离。
(7)对异常度指标进行假设检验，判断机械系统运行过程是否出现异常。
具体地，根据3σ准则对所得加权边距离D进行如下假设检验，
H0:无异常:D∈S,
HA:出现异常:
其中S＝[μ-3σ,μ+3σ]为置信区间，μ为前h个所测距离的均值，σ为前h个所测距离的方差，h值推荐取30。
原始振动信号，如图3所示；采用本实施例的基于图论的旋转机械振动信号监测的监测结果，如图4所示。若当前所测距离D不属于置信区间S则认为系统出现异常并进行报警，若当前所测距离D属于置信区间S则认为系统运行正常并更新正常图结构集合。
本实施例通过当前时间窗口所对应的图结构与中值图之间的权重距离，作为异常度指标；对异常度指标进行假设检验，判断机械系统运行过程是否出现异常，通过对所监测振动信号进行在线分析，精确检测和识别机械系统状态发生异常的变化点位。
本实施例无需先验知识、无需进行特征提取、无需训练分类器，实现了在线无监督的旋转机械系统运行状态监测的目的。
本公开还提供了一种基于图论的旋转机械振动信号监测系统，包括：
(1)加速度传感器，其被配置为采集旋转机械系统运行过程中的振动信号并传送至控制器。
(2)控制器，所述控制器包括存储器和处理器，所述存储器存储有计算机程序，所述程序被处理器执行时能够实现以下步骤：
(a)接收振动信号。
其中，旋转机械系统运行过程中的振动信号为正常振动信号或异常振动信号；
正常振动信号代表旋转机械系统运行正常；
异常振动信号代表旋转机械系统运行异常。
(b)加窗处理振动信号。
一般选用矩形窗或汉宁窗。
(c)计算每个窗口内振动信号的功率谱。
针对窗口内振动信号进行基于周期图谱的功率谱估计。
如图2(a)所示，将所提取的功率谱记为Pm，其中m为时间。
值得注意的是Pm包含n＝T*fs/2个频率成分，其中fs为采样频率，T为窗函数长度。
(d)构建每个窗口内功率谱相对应的图结构。
在具体实施中，构建每个窗口内功率谱相对应的图结构的具体步骤，包括：
(d1)将每个频率采样点作为图结构节点，将所有频率采样点(共n个)两两之间进行连线，作为图结构的加权边；
(d2)计算加权边两端节点之间的功率谱幅值差作为加权边的权重di,j，其中i,j为节点编号，如图2(b)所示。
将上述构造的图模型数学表达为邻接矩阵。具体地，将权重di,j放在矩阵中第i行，第j列，进而将一个图结构表达为一个邻接矩阵，如图2(c)所示。
(e)将当前时间窗口所对应的图结构与自定义中值图之间的权重距离，作为异常度指标；其中，权重距离为两个图结构所有相对应的加权边的权重差与相应加权边的权重最大值的比值的累加和。
其中，计算机械正常运行时所对应的正常图结构集合中，每一个图结构元素与剩余所有图结构元素的权重距离并求和，并且将集合中与剩余所有图结构的权重距离之和最小的图结构元素定义为中值图。
具体地，将当前监测时刻前的z个正常图结构看作正常图结构集合N＝[G1,G2,...,Gz],并计算该集合的中值图(例如：z取5)，用其表示机械系统正常运行状态，中值图计算公式为，
其中：M(G,Gk)为计算图G与图Gk间权重距离。
权重距离计算公式如下：
其中，
上式中di,j为图G中节点i与节点j之间加权边的权重，d'i,j为图Gk中节点i与节点j之间加权边的权重。
(f)将当前时间窗口所对应的图结构与中值图之间的权重距离，作为异常度指标。
将当前时刻所得图结构与中值图之间计算权重距离。
(g)对异常度指标进行假设检验，判断机械系统运行过程是否出现异常。
具体地，根据3σ准则对所得加权边距离D进行如下假设检验，
H0:无异常:D∈S,
HA:出现异常:
其中S＝[μ-3σ,μ+3σ]为置信区间，μ为前h个所测距离的均值，σ为前h个所测距离的方差，h值推荐取30。
原始振动信号，如图3所示；采用本实施例的基于图论的旋转机械振动信号监测的监测结果，如图4所示。
在一个或多个实施例中，所述处理器，还被配置为：
若机械系统运行发生异常，则输出报警信号。
在一个或多个实施例中，所述处理器，还被配置为：
若机械正常稳定运行，则更新正常图结构集合并进行下一次窗口内振动信号的监测。
本实施例通过当前时间窗口所对应的图结构与中值图之间的权重距离，作为异常度指标；对异常度指标进行假设检验，判断机械系统运行过程是否出现异常，通过对所监测振动信号进行在线分析，精确检测和识别机械系统状态发生异常的变化点位。
本实施例无需先验知识、无需进行特征提取、无需训练分类器，实现了在线无监督的旋转机械系统运行状态监测的目的。
本领域内的技术人员应明白，本公开的实施例可提供为方法、系统、或计算机程序产品。因此，本公开可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本公开是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(RandomAccessMemory，RAM)等。
上述虽然结合附图对本公开的具体实施方式进行了描述，但并非对本公开保护范围的限制，所属领域技术人员应该明白，在本公开的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。

Claims (8)

1.一种基于图论的旋转机械振动信号监测方法，其特征在于，包括：
采集旋转机械系统运行过程中的振动信号；
加窗处理所采集的振动信号；
计算每个窗口内振动信号的功率谱；
构建每个窗口内功率谱相对应的图结构；
将当前时间窗口所对应的图结构与自定义中值图之间的权重距离，作为异常度指标；其中，权重距离为两个图结构所有相对应的加权边的权重差与相应加权边的权重最大值的比值的累加和；
对异常度指标进行假设检验，判断机械系统运行过程是否出现异常；
计算机械正常运行时所对应的正常图结构集合中，每一个图结构元素与剩余所有图结构元素的权重距离并求和，并且将集合中与剩余所有图结构的权重距离之和最小的图结构元素定义为中值图。
2.如权利要求1所述的一种基于图论的旋转机械振动信号监测方法，其特征在于，构建每个窗口内功率谱相对应的图结构的具体步骤，包括：
将每个频率采样点作为图结构节点，所有频率采样点两两之间的连线作为图结构的加权边；
计算加权边两端节点之间的功率谱幅值差作为加权边的权重。
3.如权利要求1所述的一种基于图论的旋转机械振动信号监测方法，其特征在于，依据3σ原则对异常度指标进行假设检验；
若机械系统运行发生异常则进行报警。
4.如权利要求1所述的一种基于图论的旋转机械振动信号监测方法，其特征在于，若机械正常稳定运行，则更新正常图结构集合并进行下一次窗口内振动信号的监测。
5.一种基于图论的旋转机械振动信号监测系统，其特征在于，包括：
加速度传感器，其被配置为采集旋转机械系统运行过程中的振动信号并传送至控制器；
控制器，所述控制器包括存储器和处理器，所述存储器存储有计算机程序，所述程序被处理器执行时能够实现以下步骤：
接收振动信号；
加窗处理振动信号；
计算每个窗口内振动信号的功率谱；
构建每个窗口内功率谱相对应的图结构；
将当前时间窗口所对应的图结构与自定义中值图之间的权重距离，作为异常度指标；其中，权重距离为两个图结构所有相对应的加权边的权重差与相应加权边的权重最大值的比值的累加和；
对异常度指标进行假设检验，判断机械系统运行过程是否出现异常；
计算机械正常运行时所对应的正常图结构集合中，每一个图结构元素与剩余所有图结构元素的权重距离并求和，并且将集合中与剩余所有图结构的权重距离之和最小的图结构元素定义为中值图。
6.如权利要求5所述的一种基于图论的旋转机械振动信号监测系统，其特征在于，所述处理器，还被配置为：
将每个频率采样点作为图结构节点，所有频率采样点两两之间的连线作为图结构的加权边；
计算加权边两端节点之间的功率谱幅值差作为加权边的权重。
7.如权利要求5所述的一种基于图论的旋转机械振动信号监测系统，其特征在于，所述处理器，还被配置为：
依据3σ原则对异常度指标进行假设检验；
或所述处理器，还被配置为：
若机械系统运行发生异常，则输出报警信号。
8.如权利要求5所述的一种基于图论的旋转机械振动信号监测系统，其特征在于，所述处理器，还被配置为：
若机械正常稳定运行，则更新正常图结构集合并进行下一次窗口内振动信号的监测。
CN201811365464.7A 2018-11-16 2018-11-16 一种基于图论的旋转机械振动信号监测方法及系统 Active CN109238455B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811365464.7A CN109238455B (zh) 2018-11-16 2018-11-16 一种基于图论的旋转机械振动信号监测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811365464.7A CN109238455B (zh) 2018-11-16 2018-11-16 一种基于图论的旋转机械振动信号监测方法及系统

Publications (2)

Publication Number Publication Date
CN109238455A CN109238455A (zh) 2019-01-18
CN109238455B true CN109238455B (zh) 2019-12-03

Family

ID=65074918

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811365464.7A Active CN109238455B (zh) 2018-11-16 2018-11-16 一种基于图论的旋转机械振动信号监测方法及系统

Country Status (1)

Country Link
CN (1) CN109238455B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110057588B (zh) * 2019-05-09 2020-07-03 山东大学 基于奇异值与图论特征融合的轴承早期故障检测与诊断方法及系统
CN110146775B (zh) * 2019-06-25 2021-07-09 广东石油化工学院 基于功率比值的变压器运行状态振声检测方法和系统
CN111721534B (zh) * 2020-06-18 2021-09-24 山东大学 一种滚动轴承健康状态在线评估方法及系统
CN111743535A (zh) * 2020-06-28 2020-10-09 山东大学 一种基于图模型的脑电异常监测方法及系统
CN112097896A (zh) * 2020-09-22 2020-12-18 山东大学 一种旋转机械速度监测方法、装置、系统及存储介质
CN117093947B (zh) * 2023-10-20 2024-02-02 深圳特力自动化工程有限公司 一种发电柴油机运行异常监测方法及系统

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3652673B2 (ja) * 2002-08-06 2005-05-25 三菱電機株式会社 振動特性評価方法及びその装置
CN101846992B (zh) * 2010-05-07 2011-12-07 上海理工大学 基于数控机床故障案例的故障树构造方法
CN102288286B (zh) * 2011-06-16 2012-10-03 中国科学院沈阳自动化研究所 一种振动加速度传感器齿轮箱测点精度分析与评价方法
CN103821673B (zh) * 2013-11-25 2016-06-22 华北电力大学（保定） 一种基于结构分析的风机齿轮箱振动传感器配置方法
CN106053074B (zh) * 2016-08-02 2019-12-20 北京航空航天大学 一种基于stft和转动惯量熵的滚动轴承声音信号故障特征提取方法

Also Published As

Publication number Publication date
CN109238455A (zh) 2019-01-18

Similar Documents

Publication Publication Date Title
CN109238455B (zh) 一种基于图论的旋转机械振动信号监测方法及系统
Worden et al. Novelty detection in a changing environment: regression and interpolation approaches
Wilson et al. Deep learning-aided cyber-attack detection in power transmission systems
Amezquita-Sanchez et al. Signal processing techniques for vibration-based health monitoring of smart structures
Ahmad et al. Autoencoder-based condition monitoring and anomaly detection method for rotating machines
Xu et al. PHM-oriented integrated fusion prognostics for aircraft engines based on sensor data
Camci et al. Feature evaluation for effective bearing prognostics
US11080127B1 (en) Methods and apparatus for detection of process parameter anomalies
JP2019061565A (ja) 異常診断方法および異常診断装置
JP6374466B2 (ja) センサインタフェース装置、測定情報通信システム、測定情報通信方法、及び測定情報通信プログラム
KR102301201B1 (ko) IoT 센서 기반 회전 기기의 정밀 상태 진단 장치 및 방법
Quiñones-Grueiro et al. An unsupervised approach to leak detection and location in water distribution networks
WO2019239542A1 (ja) 異常検知装置、異常検知方法及び異常検知プログラム
CN106934126A (zh) 基于循环神经网络融合的机械零部件健康指标构造方法
CN107257351A (zh) 一种基于灰色lof流量异常检测系统及其检测方法
Yao et al. Damage and noise sensitivity evaluation of autoregressive features extracted from structure vibration
Patel et al. Doctor for machines: a failure pattern analysis solution for industry 4.0
Kizito et al. Long short-term memory networks for facility infrastructure failure and remaining useful life prediction
CN107147143B (zh) 一种风机连锁脱网故障早期预警模型建立方法
Popescu et al. Change detection in vibration analysis—A review of problems and solutions
Geramifard et al. Continuous health assessment using a single hidden Markov model
CN108829084A (zh) 一种基于粒子滤波的分布式智能故障诊断方法及其装置
Zhang et al. Detection capability for incipient faults in a noisy environment using PDF and CDF based techniques: a comparative study
Azhar et al. Transient Stability Detection Using CNN-LSTM Considering Time Frame of Observation
Lu et al. A Novel Bearing Fault Diagnosis Algorithm Based on Adaptive Weighted Multi-view Learning

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