CN109446671B - 一种水下推进器小波神经网络故障预测方法及装置 - Google Patents
一种水下推进器小波神经网络故障预测方法及装置 Download PDFInfo
- Publication number
- CN109446671B CN109446671B CN201811294657.8A CN201811294657A CN109446671B CN 109446671 B CN109446671 B CN 109446671B CN 201811294657 A CN201811294657 A CN 201811294657A CN 109446671 B CN109446671 B CN 109446671B
- Authority
- CN
- China
- Prior art keywords
- rotating speed
- speed signal
- underwater propeller
- neural network
- signal
- 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
Images
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明提供一种水下推进器小波神经网络故障预测装置,应用于水下推进器的故障预测技术领域,装置包括:转速信号采集单元采集水下推进器的转速信号对应的电流信号;转速信号采样调理单元,对接收到的电流信号进行放大﹑滤波预处理及A/D转换;故障预测单元,用于接收转速信号采样调理单元所发送的至少一个时间序列的电流信号,并得到水下推进器不同频段的能量函数值,利用神经网络预测不同频段的能量函数值,并根据反小波变换预测得到水下推进器转速数值。应用本发明实施例,用小波分析的方法对故障信号进行多尺度分解,从各尺度分解重构波形及其频谱图提取故障信号微细特征;寻找水下推进器转速信号的能量分布与其故障状态间存在映射关系。
Description
技术领域
本发明涉及水下推进器故障预测技术领域,特别是涉及一种水下推进器小波神经网络故障预测方法及装置。
背景技术
水下推进器是现代水下机器人的核心设备之一,而且直接裸露于深海水下环境,承载着高水压低温度的影响,极易产生系统故障。一旦出现故障,不仅影响正常水下作业,而且可能会危及水下机器人本体及人身安全,导致严重的安全事故。因此,开展深海水下推进器系统故障诊断及故障预测预报技术研究具有重要意义。
目前旋转推进系统的故障诊断已有结果报道,在沈阳工业大学CN1776390号公开的内容中,介绍了一种低速重载旋转机械故障诊断方法,用小波分析的方法对故障信号进行多尺度分解,从各尺度分解重构波形及其频谱图,提取故障信号微细特征,从而确定故障类型,但它无法进行旋转机械的故障预测,更无法应用到水下推进器之中;在上海交通大学CN2826392号公开的内容中,介绍了一种旋转机械故障诊断与分析试验装置,介绍了旋转机械各种故障类型的设置方法与设备,同样也无旋转机械的故障预测功能。以上应用均是有关旋转机械的故障诊断装置研究,而直接应用于水下机器人的故障预测方面是缺少的。
但是,水下机器人的故障预测对于实际的水下推进器应用意义重大,能够及时发现水下推进器的故障并进行提前检修和更换等作业,因此,进行水下机器人的故障预测是亟待解决的技术问题。
发明内容
鉴于以上所述现有技术的缺点,本发明的目的在于提供一种水下推进器小波神经网络故障预测方法及装置,用小波分析的方法对故障信号进行多尺度分解,从各尺度分解重构波形及其频谱图提取故障信号微细特征;寻找水下推进器转速信号的能量分布与其故障状态间存在映射关系。
为实现上述目的及其他相关目的,本发明提供一种水下推进器小波神经网络故障预测装置,所述装置包括:转速信号采集单元、转速信号采样调理单元、故障预测单元依次连接组成;
所述转速信号采集单元,用于采集水下推进器的转速信号,并将所述转速信号转化后输出与所述转速信号对应的电流信号;
转速信号采样调理单元,与所述转速信号采集单元相连,并对接收到的所述电流信号进行放大﹑滤波预处理及A/D转换,并送入所述故障预测单元中;
所述故障预测单元,用于接收所述转速信号采样调理单元所发送的至少一个时间序列的电流信号进行小波分析处理,得到水下推进器不同频段的能量函数值,利用神经网络预测不同频段的能量函数值,并根据反小波变换预测得到水下推进器转速数值;
其中,所述故障预测单元包括:DSP硬件电路接口模块﹑振动位移数值显示模块﹑第一232串行通信口﹑供电电源;
所述DSP硬件电路接口模块,包括DSP芯片,其中,所述DSP芯片采用TI公司的C54X系列TMS320VC5402数字信号处理器;
所述DSP硬件电路接口模块其输入端通过所述第一232串行通信口与所述转速信号采样调理单元连接,其输出端与所述振动位移数值显示模块连接;
所述供电电源用于为DSP硬件电路接口模块﹑振动位移数值显示模块﹑第一232串行通信模块供电。
本发明的一种实现方式中,所述转速信号采集单元为转速信号传感器。
本发明的一种实现方式中,所述转速信号采样调理单元包括:推进器转速数值显示模块﹑信号放大滤波模块、第二232串行通信口、A/D转换器;
所述信号放大滤波模块的输入端与所述转速信号采集单元的输出端相连,所述转速信号采集单元的输出端与所述A/D转换器相连,所述A/D转换器的输出端分别与所述推进器转速数值显示模块和所述第二232串行通信口的输入端相连,所述第二232串行通信口的输出端与所述故障预测单元的输入端相连。
本发明的一种实现方式中,所述转速信号采样调理单元还包括插值滤波器,所述插值滤波器连接于所述A/D转换器和所述信号放大滤波模块之间。
此外,本发明还公开了一种水下推进器小波神经网络故障预测方法,所述方法包括步骤:
获取水下推进器的转速信号,并将所述转速信号转化成对应的电流信号;
对所述电流信号进行放大﹑滤波预处理,获取不同时间序列的电流信号;
对所获取的不同时间序列的电流信号进行小波分析处理,得到水下推进器不同频段的能量函数值;
根据所述不同频段的能量函数值,利用预设神经网络模型预测不同频段的能量函数值;
根据所述预设神经网络模型所预测出来的不同频段的能量函数值,利用反小波变换预测水下推进器转速数值。
如上所述,本发明实施例提供的一种水下推进器小波神经网络故障预测方法及装置,用小波分析的方法对故障信号进行多尺度分解,从各尺度分解重构波形及其频谱图提取故障信号微细特征;寻找水下推进器转速信号的能量分布与其故障状态间存在映射关系;利用神经网络预测原理预测出能量特征向量及其变化趋势从而预测出故障发生的可能性及故障模式,提供一种实用的水下推进器故障预测方法与装置;本发明不仅可以预测水下推进器故障状况,而且可以预测正常工作状况的转速信号数值。
附图说明
图1本发明实施例的一种结构示意图。
图2本发明实施例的第二种结构示意图。
图3本发明实施例的第三种结构示意图。
图4本发明实施例的一种电路实现示意图。
图5本发明实施例的第二种电路实现示意图。
图6本发明实施例的第三种电路实现示意图。
图7本发明实施例的第四种电路实现示意图。
图8本发明实施例的第五种电路实现示意图。
图9本发明实施例的试验数据效果对比示意图。
图10是本发明实施例提供的一种流程示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。
请参阅图1-10。需要说明的是,本实施例中所提供的图示仅以示意方式说明本发明的基本构想,遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
如图1所示,本发明时候实施例提供一种水下推进器小波神经网络故障预测装置,由转速信号采集单元1、转速信号采样调理单元2、故障预测单元3连接而成。转速信号采集单元1用来获取水下推进器的转速信号,具体采用转速信号传感器获取水下推进器的转速信号,然后输出与水下推进器的转速信号对应的电流信号,并接入转速信号采样调理单元2。
如图2所示,一种实现方式中,故障预测单元3包括:DSP硬件电路接口模块31﹑振动位移数值显示模块32﹑第一232串行通信口33﹑供电电源34。供电电源34给整个装置供电,DSP硬件电路接口模块31的输入端通过第一232串行通信口33与转速信号采样调理单元2连接,输出端接振动位移数值显示模块32。它主要控制其与转速信号采样调理单元2的数据通信,实现小波分析﹑神经网络预测模型和深海推进器未来故障预测。
具体的,如图3所示,通过信号放大滤波模块22的输入端接收转速信号采集单元1所采集并转化得到的电流信号,然后采用信号放大滤波模块22对电流信号进行放大﹑滤波预处理,以及采用A/D转换器24进行AD转化,通过第二232串行接口23送入故障预测单元3,以及通过推进器转速数值显示模块21进行显示。
一种实现方式中,A/D转换器24采用TI公司生产的过采样∑-△技术的模拟接口芯片(TLC320AD50C),它集成了16位A/D和D/A转换通道,其内部ADC之后有一个抽取滤波器,DAC之前有一个插值滤波器,接收和发送可以同时进行。A/D转换接口电路图如图4所示。
在故障预测单元3中,对来自转速信号采样调理单元2的不同时间序列k(其中,k=1,2,3,…n)的电流信号小波包进行信号分解:
其中h(k),g(k)分别为低通和高通滤波器系数,Z为搜索空间,t为时间值,信号的小波变换为:
其中C为小波变换系数,W为变换函数名,j为分解尺度,i为分解频带,R为小波变换区间域,ψ为小波函数,分别提取个频带能量分量,构造每个时间段的能量特征向量T(1),T(2),…T(k),由此得到各频带能量分量的时间序列得到水下推进器不同频段的能量函数大小Ei=|Cj,i|2。对个频带序列做累加生成序列然后再利用灰色预测模型原理预测下一时间段的能量分量对每一频带采用相同策略,重构出k+1时刻的特征向量T(k+1),通过递推,以此可以预测出k+2,k+3,…时刻的特征向量,即能获取未来各个时刻的不同频段的能量函数大小,利用反小波变换得到未来各个时刻的水下推进器转速数值,从而准确预测水下推进器未来工作状况。
DSP硬件电路接口模块31,包括DSP系统电源电路﹑时钟与复位电路﹑液晶显示接口电路;DSP芯片采用TI公司的C54X系列TMS320VC5402数字信号处理器;振动位移数值显示模块采用ST7920控制器驱动的点阵液晶显示模块OCM4×8C,该模块可以显示字母、数字符号、中文字型及图形,具有绘图及文字画面混合显示功能。具体的,DSP系统电源电路如图5所示,电源芯片TPS73HD318为DSP提供1.8V和3.3V的工作电压,具体的,电源芯片TPS73HD318的输入电压为5V;时钟电路如图6所示,通过晶振与VC5402连接作为工作始终,另外,复位电路如图7所示,DSP型号为VC5402的复位引脚RS通过两个非门与开关SW连接,通过SW的状态可以为DSP 7VC5402的复位引脚RS通过不同的电平,从而进行重启。DSP硬件电路接口模块31与振动位移数值显示模块32的一种具体连接电路如图8所示,VC5402DSP的数据端口D0-D7通过SN74LVC4254与振动位移数值显示模块32的数据引脚DB0-DB7连接,进行数据的传输和控制引脚的连接。
本发明工作原理:转速信号采集单元1输出与转速信号对应的电流信号;转速信号采样调理单元2对电流信号进行放大﹑滤波预处理及A/D转换,并通过232串行接口与故障预测单元3进行串行数据通信;故障预测单元3分析数据和预测水下推进器未来故障。它由内置的控制驱动程序完成,该控制程序包括采样程序﹑通信程序﹑小波分析程序﹑神经网络预测模型和故障预测程序五部分,采样程序内置于转速信号采样调理单元2中,驱动采样装置完成采样任务;通信程序分别内置于位转速信号采样调理单元2和故障预测单元3中,控制两两之间的数据通信和数据保存;小波分析程序﹑神经网络预测模型和故障预测程序内置于故障预测单元3中,完成水下推进器的故障预测。
如图9所示,为反馈电流时域信号图,其中,正常测量值表示水下推进器正常运转过程中的反馈电流值,故障测试值表示故障出现时候所表现的反馈电流值,模型预测值表示为本发明实施例所预测出来的值,通过本发明实施例的模型预测值,更能够提前预测出整个装置的故障倾向,便于进行提早故障预防。
另外,如图10所示,本发明实施例提供了一种具体的,一种水下推进器小波神经网络故障预测方法,所述方法包括步骤:
S101,获取水下推进器的转速信号,并将所述转速信号转化成对应的电流信号;
S102,对所述电流信号进行放大﹑滤波预处理,获取不同时间序列的电流信号;
S103,对所获取的不同时间序列的电流信号进行小波分析处理,得到水下推进器不同频段的能量函数值;
S104,根据所述不同频段的能量函数值,利用预设神经网络模型预测不同频段的能量函数值;
S105,根据所述预设神经网络模型所预测出来的不同频段的能量函数值,利用反小波变换预测水下推进器转速数值。
具体的,对所获取的不同时间序列的电流信号进行小波包分解:
信号的小波变换为:
得到水下推进器不同频段的能量函数值;
Ei=|Cj,i|2
根据所述不同频段的能量函数值,利用预设灰色预测模型
预测不同频段的能量函数值。
上述实施例仅例示性说明本发明的原理及其功效,而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下,对上述实施例进行修饰或改变。因此,举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵盖。
Claims (5)
1.一种水下推进器小波神经网络故障预测装置,其特征在于,所述装置包括:转速信号采集单元(1)、转速信号采样调理单元(2)、故障预测单元(3)依次连接组成;
所述转速信号采集单元(1),用于采集水下推进器的转速信号,并将所述转速信号转化后输出与所述转速信号对应的电流信号;
所述转速信号采样调理单元(2),与所述转速信号采集单元(1)相连,并对接收到的所述电流信号进行放大﹑滤波预处理及A/D转换,并送入所述故障预测单元(3)中;
所述故障预测单元(3),用于接收所述转速信号采样调理单元(2)所发送的至少一个时间序列的电流信号进行小波分析处理,得到水下推进器不同频段的能量函数值,利用神经网络预测不同频段的能量函数值,并根据反小波变换预测得到水下推进器转速数值;
其中,所述故障预测单元(3)包括:DSP硬件电路接口模块(31)﹑振动位移数值显示模块(32)﹑第一232串行通信口(33)﹑供电电源(34);
所述DSP硬件电路接口模块(31),包括DSP芯片,其中,所述DSP芯片采用TI公司的C54X系列TMS320VC5402数字信号处理器;
所述DSP硬件电路接口模块(31),其输入端通过所述第一232串行通信口(33)与所述转速信号采样调理单元(2)连接,其输出端与所述振动位移数值显示模块(32)连接;
所述供电电源(34)用于为DSP硬件电路接口模块(31)﹑振动位移数值显示模块(32)﹑第一232串行通信模块(33)供电。
2.根据权利要求1所述的一种水下推进器小波神经网络故障预测装置,其特征在于,所述转速信号采集单元(1)为转速信号传感器。
3.根据权利要求1或2所述的一种水下推进器小波神经网络故障预测装置,其特征在于,所述转速信号采样调理单元(2)包括:推进器转速数值显示模块(21)﹑信号放大滤波模块(22)、第二232串行通信口(23)、A/D转换器(24);
所述信号放大滤波模块(22)的输入端与所述转速信号采集单元(1)的输出端相连,所述转速信号采集单元(1)的输出端与所述A/D转换器(24)相连,所述A/D转换器(24)的输出端分别与所述推进器转速数值显示模块(21)和所述第二232串行通信口(23)的输入端相连,所述第二232串行通信口(23)的输出端与所述故障预测单元(3)的输入端相连。
4.根据权利要求3所述的一种水下推进器小波神经网络故障预测装置,其特征在于,所述转速信号采样调理单元(2)还包括插值滤波器(25),所述插值滤波器(25)连接于所述A/D转换器(24)和所述信号放大滤波模块(22)之间。
5.一种水下推进器小波神经网络故障预测方法,其特征在于,所述方法包括步骤:
获取水下推进器的转速信号,并将所述转速信号转化成对应的电流信号;
对所述电流信号进行放大﹑滤波预处理,获取不同时间序列的电流信号;
对所获取的不同时间序列的电流信号进行小波分析处理,得到水下推进器不同频段的能量函数值;
根据所述不同频段的能量函数值,利用预设神经网络模型预测不同频段的能量函数值;
根据所述预设神经网络模型所预测出来的不同频段的能量函数值,利用反小波变换预测水下推进器转速数值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811294657.8A CN109446671B (zh) | 2018-11-01 | 2018-11-01 | 一种水下推进器小波神经网络故障预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811294657.8A CN109446671B (zh) | 2018-11-01 | 2018-11-01 | 一种水下推进器小波神经网络故障预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109446671A CN109446671A (zh) | 2019-03-08 |
CN109446671B true CN109446671B (zh) | 2022-09-16 |
Family
ID=65550055
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811294657.8A Active CN109446671B (zh) | 2018-11-01 | 2018-11-01 | 一种水下推进器小波神经网络故障预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109446671B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112910348B (zh) * | 2021-01-26 | 2022-06-07 | 西安交通大学 | 一种基于模型预测控制的平行结构频谱优化方法与系统 |
CN117647758A (zh) * | 2024-01-30 | 2024-03-05 | 青岛哈尔滨工程大学创新发展中心 | 一种基于预检测的auv推进器状态监测系统及方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101201295A (zh) * | 2006-12-13 | 2008-06-18 | 上海海事大学 | 旋转机械小波灰色故障预测方法及装置 |
WO2015162331A1 (es) * | 2014-04-24 | 2015-10-29 | Alstom Transport Technologies | Método y sistema para detectar automáticamente fallos en un eje rotatorio |
CN106153357A (zh) * | 2015-03-12 | 2016-11-23 | 常熟海量声学设备科技有限公司 | 螺旋桨小波灰色故障预测方法及装置 |
CN107202952A (zh) * | 2017-07-06 | 2017-09-26 | 北京信息科技大学 | 基于小波神经网络的回转窑故障诊断方法、故障诊断gui及系统 |
-
2018
- 2018-11-01 CN CN201811294657.8A patent/CN109446671B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101201295A (zh) * | 2006-12-13 | 2008-06-18 | 上海海事大学 | 旋转机械小波灰色故障预测方法及装置 |
WO2015162331A1 (es) * | 2014-04-24 | 2015-10-29 | Alstom Transport Technologies | Método y sistema para detectar automáticamente fallos en un eje rotatorio |
CN106153357A (zh) * | 2015-03-12 | 2016-11-23 | 常熟海量声学设备科技有限公司 | 螺旋桨小波灰色故障预测方法及装置 |
CN107202952A (zh) * | 2017-07-06 | 2017-09-26 | 北京信息科技大学 | 基于小波神经网络的回转窑故障诊断方法、故障诊断gui及系统 |
Non-Patent Citations (2)
Title |
---|
基于小波的灰色预测理论在水电机组故障预测中的应用;程宝清等;《电网技术》;20060105(第13期);全文 * |
基于小波神经网络的齿轮系统故障诊断;李永龙等;《航空动力学报》;20100115(第01期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109446671A (zh) | 2019-03-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110109015B (zh) | 一种基于深度学习的异步电动机故障监测与诊断方法 | |
CN109712119B (zh) | 一种磁共振成像及斑块识别方法和装置 | |
CN109446671B (zh) | 一种水下推进器小波神经网络故障预测方法及装置 | |
CN102374876B (zh) | 集成的振动测量和分析系统 | |
CN104483011B (zh) | 一种旋转机械多通道振动信号的在线检测与分析系统及方法 | |
CN103616635A (zh) | 一种高压断路器机械特性故障诊断装置及方法 | |
CN104330691A (zh) | 一种电力变压器绕组振动信号在线监测系统 | |
Jaber et al. | Real-time wavelet analysis of a vibration signal based on Arduino-UNO and LabVIEW | |
CN113156274B (zh) | 基于无人机的劣化绝缘子非接触式检测系统及方法 | |
CN102183951A (zh) | 基于虚拟仪器开发平台的回转支承状态监测与故障诊断装置 | |
CN103384152B (zh) | 模数转换器、模数转换方法及集成电路芯片 | |
CN104880330A (zh) | 一种机械故障监测系统及方法 | |
Purcaru et al. | Electrical Signal Data Acquisition and Recording Customized System, with High Sampling Rate, for Data Analysis Optimization of Three-Phase Power Supply Consumers | |
CN116465623B (zh) | 一种基于稀疏Transformer的齿轮箱寿命预测方法 | |
Kapisch et al. | An implementation of a power system smart waveform recorder using FPGA and ARM cores | |
CN112904200A (zh) | 一种基于电机电流诊断谐波减速器故障的信号采集装置 | |
JPWO2015105010A1 (ja) | 送信装置、受信装置、および送受信システム | |
CN101858953A (zh) | 基于arm核芯片的数模转换器自动测试系统及其方法 | |
Velásquez-Aguilar et al. | Multi-channel data acquisition and wireless communication FPGA-based system, to real-time remote monitoring | |
CN107194135B (zh) | 基于改进小波算法的反应堆中子噪声频谱计算方法 | |
CN114966118A (zh) | 一种xcp探头在旋转状态下电极通道噪声的测量装置 | |
CN204065345U (zh) | 一种高压断路器机械特性故障诊断装置 | |
CN109917772B (zh) | 一种远程在线评估设备状态的phm快速原型系统 | |
CN113776653A (zh) | 振动信号的采样重构系统及方法 | |
Rubini et al. | Design of high performance system-on-chips using Field Programmable Gate Arrays (FPGA) |
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 |