CN109657989A - 直升机高速重载输入级健康状态评估方法 - Google Patents
直升机高速重载输入级健康状态评估方法 Download PDFInfo
- Publication number
- CN109657989A CN109657989A CN201811577689.9A CN201811577689A CN109657989A CN 109657989 A CN109657989 A CN 109657989A CN 201811577689 A CN201811577689 A CN 201811577689A CN 109657989 A CN109657989 A CN 109657989A
- Authority
- CN
- China
- Prior art keywords
- input stage
- vibration signal
- feature vector
- speed
- neural network
- 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.)
- Pending
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 24
- 230000036541 health Effects 0.000 title claims abstract description 24
- 239000013598 vector Substances 0.000 claims abstract description 54
- 238000000034 method Methods 0.000 claims abstract description 21
- 238000012544 monitoring process Methods 0.000 claims abstract description 17
- 238000013507 mapping Methods 0.000 claims abstract description 6
- 238000010276 construction Methods 0.000 claims abstract 2
- 238000013528 artificial neural network Methods 0.000 claims description 24
- 230000003862 health status Effects 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 5
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- 238000001228 spectrum Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000011946 reduction process Methods 0.000 claims description 3
- 230000003595 spectral effect Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims 1
- 238000010183 spectrum analysis Methods 0.000 claims 1
- 238000000547 structure data Methods 0.000 claims 1
- 238000003062 neural network model Methods 0.000 abstract 2
- 230000005540 biological transmission Effects 0.000 description 6
- 239000000284 extract Substances 0.000 description 2
- 210000005036 nerve Anatomy 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 230000008569 process Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Educational Administration (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Development Economics (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Primary Health Care (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明提出直升机高速重载输入级健康状态评估方法,其具体步骤为:利用直升机高速重载输入级正常状态下运行监测的历史振动信号数据,提取输入级转速和多个特征参数,由特征参数构成特征向量。基于BP神经网络模型构建转速与特征向量之间的映射关系。在线监测输入级振动信号,采用相同的方法获取输入级转速和振动信号特征向量。将转速值输入到BP神经网络模型,得到正常状态输入级在当前转速下的特征向量。计算相同转速下的在线监测特征向量与正常状态特征向量之间的欧式距离,将此欧式距离与正常状态特征向量模值之比作为输入级健康状态评估指标。本发明针对变转速工况下直升机高速重载输入级健康状态评估难题,提供了一种问题解决的新方法。
Description
技术领域
本发明涉及旋转机械剩余寿命预测与健康管理技术领域,尤其涉及直升机传动系统高速重载输入级健康状态评估方法。
背景技术
直升机依靠旋翼飞行,其传动系统起着至关重要的作用,而直升机传动系统无法冗余备份。为了提高直升机飞行可靠性与安全性,降低直升机全寿命周期使用成本,直升机传动系统的状态监测、健康状态评估、故障诊断、故障预测与健康管理等手段逐渐得到重视。输入级装置是直升机传动系统的重要组成部分,其把发动机输出动力传递到直升机主减速器,常工作在时变高转速和重负载情况下,很容易发生各种故障,影响直升机传动系统安全性,甚至可能导致传动系统失效。因此,直升机高速重载输入级的实时健康状态评估尤为重要。
通过对直升机高速重载输入级进行健康状态评估,可以发现输入级是否出现异常,判断性能退化状况,进而实现输入级早期故障预警和剩余寿命预测。直升机高速重载输入级属于一种特殊旋转机械,主要采用振动信号对运行状态进行监测。对于旋转机械健康状态评估,主要提取的振动信号特征参数有:振动信号有效值、故障频率幅值和、信噪比等。但是,已有的健康状态评估指标一般是在固定转速与载荷不变条件下提取的振动信号特征参数,无法用于转速与载荷时变情况下的健康状态评估。
本发明将直升机高速重载输入级健康状态评估指标构建过程分为两个阶段。离线建模阶段:使用振动信号频谱分析方法提取直升机高速重载输入级正常状态历史数据中的转速值;运用EEMD方法对历史数据降噪重构,从重构数据中提取多种振动信号特征参数,构成振动信号特征向量;将输入级转速值作为BP神经网络输入,振动信号特征向量作为网络输出,训练 BP神经网络。在线监测阶段:采用离线建模阶段相同的方法提取实时采集的输入级振动信号数据中的振动信号特征向量和转速值;将输入级当前转速值输入到BP神经网络中得到正常状态在该转速下的特征向量;计算在当前转速下实时监测状态特征向量与正常状态特征向量的欧式距离,最后将此欧式距离与正常状态下特征向量的模的比值作为反应直升机高速重载输入级健康状态的指标。
发明内容
本发明的目的是提供直升机高速重载输入级健康状态评估方法,该方法能够解决直升机高速重载输入级在转速时变飞行过程中健康状态难以评估的问题。
本发明的目的是通过以下技术方案实现的:
直升机高速重载输入级健康状态评估方法,包括如下步骤:
步骤1、离线建模阶段,包括如下具体步骤:
步骤1.1、获取大量直升机高速重载输入级正常状态下运行监测历史振动信号数据,通过振动信号频谱分析获得输入级转速值,根据转速值对运行监测的振动信号数据进行转速标记;
步骤1.2、采用集合经验模态分解(EEMD)对步骤1.1中获取数据进行降噪处理,得到重构数据;
步骤1.3、从步骤1.2中获得的重构数据中提取振动数据的有效值(RMS)、峭度、经小波变换后的频带能量、经FFT变换的频谱均值和频谱样本熵,构成振动信号特征向量;
步骤1.4、以步骤1.1中的转速值作为BP神经网络的输入,以步骤1.3中的振动信号特征向量作为BP神经网络的输出,并使用反向传播算法训练BP神经网络,建立正常状态下的输入级转速和特征向量之间的映射关系;
步骤2、在线监测阶段,包括如下具体步骤:
步骤2.1、实时采集直升机高速重载输入级振动信号数据,利用振动信号频谱分析获得输入级转速值;
步骤2.2、使用步骤1.2中方法对振动信号去噪,利用步骤1.3中方法提取当前状态下输入级实时监测振动信号的特征向量;
步骤2.3、将步骤2.1中得到的当前输入级转速值输入到步骤1.4中得到的BP神经网络模型中,获得直升机高速重载输入级正常状态在当前转速下的振动信号特征向量;
步骤2.4、计算步骤2.2中当前状态特征向量与步骤2.3中正常状态特征向量的欧式距离;
步骤2.5、计算步骤2.4中的欧式距离与步骤2.3中正常状态特征向量模值的比值,并以此比值作为反应直升机高速重载输入级健康状态的评估指标;
附图说明
图1是本发明的流程框图。
具体实施方式
下面结合说明书附图对本发明的技术方案进行详细说明,但并不限于此,凡是对本发明技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,均应涵盖在本发明的保护范围中。
本发明提供了直升机高速重载输入级健康状态评估方法,该方法通过对直升机高速重载输入级历史信号进行分析,使用BP神经网络方法建立转速与特征向量的映射关系,在实际应用时可根据输入级当前转速、特征向量等信息得到当前状态与正常状态间的差异,从而消除或减少转速变化对直升机高速重载输入级健康状态评估的影响,具体实施步骤如下:
步骤1、离线建模阶段,包括如下具体步骤:
步骤1.1、获取大量直升机高速重载输入级正常状态下运行监测历史振动信号数据集V,通过振动信号频谱分析获得输入级转速值,并根据转速值R={a b … n}对数据集V进行整理分类,得到新数据集式中表示在转速i下的历史振动数据集,维数为m维;
步骤1.2、采用集合经验模态分解(EEMD)对步骤1获取数据集进行降噪处理,得到重构信号
步骤1.3、从步骤1.2获得的重构信号中提取振动信号的有效值、峭度、经小波变换后的频带能量、经FFT变换的频谱均值和频谱样本熵等,组成振动信号特征向量,具体步骤如下:
步骤1.3.1、计算振动信号有效值,具体公式如下:
式中,为重构信号中在转速i下的数据集中的第j点的幅值大小;m为重构信号集长度;
步骤1.3.2、计算振动信号峭度,具体公式如下:
式中,为重构信号中在转速i下的数据集中的第j点的幅值大小;为重构信号中在转速 i下的数据集m个数据点的平均值;σ为重构信号中在转速i下的数据集m个数据点的标准差;
步骤1.3.3、计算振动信号频带能量:选取三层小波包对振动信号进行小波分解,选取幅值较明显的第七频带能量,表示为
步骤1.3.4、计算振动信号频谱均值:对振动信号进行快速傅里叶变换,求取频谱均值,表示为
步骤1.3.5、计算振动信号频谱样本熵:对振动信号进行快速傅里叶变换,求取频谱样本熵,表示为
步骤1.3.6、选取步骤1.3.1-1.3.5中的五个特征,组成在转速i下的振动信号特征向量所以全转速振动信号特征向量集为
步骤1.4、反应输入级转速和振动信号特征向量之间映射关系的BP神经网络建模方法,包括如下具体步骤:
步骤1.4.1、BP神经网络输入与输出:以步骤1.1中的转速值作为BP神经网络的输入,以步骤1.3.6中的振动信号特征向量作为BP神经网络输出;
步骤1.4.2、BP神经网络损失函数:
式中,n代表特征向量集CH的长度;k为特征向量中特征的个数;为网络预测特征向量值;为真实值;
步骤1.4.3、BP神经网络训练方法:反向传播算法;
步骤2、在线监测阶段,包括如下具体步骤:
步骤2.1、实时采集直升机高速重载输入级振动信号,利用利用振动信号频谱分析方法获得输入级转速信息,假设转速为s;
步骤2.2、使用步骤1.2中方法对振动信号降噪重构,利用步骤1.3中方法提取当前状态下输入级实时监测振动信号的特征向量(转速为s);
步骤2.3、将步骤2.1中得到的当前输入级转速值输入到步骤1.4中得到的BP神经网络模型中,获得直升机高速重载输入级正常状态在当前转速下的振动信号特征向量
步骤2.4、计算步骤2.2中当前状态特征向量和步骤2.3中正常状态特征向量的欧式距离
步骤2.5、计算步骤2.4中欧式距离与步骤2.3中正常状态特征向量模的比值,即将该比值作为直升机高速重载输入级健康状态评估指标。
Claims (4)
1.直升机高速重载输入级健康状态评估方法,其特征在于所述方法如下特征:
步骤1、离线建模阶段,包括如下具体步骤:
步骤1.1、获取大量直升机高速重载输入级正常状态下运行监测历史振动信号数据,通过振动信号频谱分析获得输入级转速值,根据转速值对运行监测的振动信号数据进行转速标记;
步骤1.2、采用集合经验模态分解(EEMD)对步骤1.1中获取数据进行降噪处理,得到重构数据;
步骤1.3、从步骤1.2中获得的重构数据中提取振动数据的有效值(RMS)、峭度、经小波变换后的频带能量、经FFT变换的频谱均值和频谱样本熵,构成振动信号特征向量;
步骤1.4、以步骤1.1中的转速值作为BP神经网络的输入,以步骤1.3中的振动信号特征向量作为BP神经网络的输出,并使用反向传播算法训练BP神经网络,建立正常状态下的输入级转速和特征向量之间的映射关系;
步骤2、在线监测阶段,包括如下具体步骤:
步骤2.1、实时采集直升机高速重载输入级振动信号数据,利用振动信号频谱分析获得输入级转速值;
步骤2.2、使用步骤1.2中方法对振动信号去噪,利用步骤1.3中方法提取当前状态下输入级实时监测振动信号的特征向量;
步骤2.3、将步骤2.1中得到的当前输入级转速值输入到步骤1.4中得到的BP神经网络模型中,获得直升机高速重载输入级正常状态在当前转速下的振动信号特征向量;
步骤2.4、计算步骤2.2中当前状态特征向量与步骤2.3中正常状态特征向量的欧式距离;
步骤2.5、计算步骤2.4中的欧式距离与步骤2.3中正常状态特征向量模值的比值,并以此比值作为反应直升机高速重载输入级健康状态的评估指标。
2.根据权利要求1所述的直升机高速重载输入级健康状态评估方法,其特征在于步骤1.3中,状态监测振动信号特征向量的构建方法。
3.根据权利要求1所述的直升机高速重载输入级健康状态评估方法,其特征在于步骤1.4中,反应输入级转速和振动信号特征向量之间映射关系的BP神经网络建模方法如下:
3.1BP神经网络输入与输出:以步骤1.1中的转速值(设转速集为R={a b … n})作为BP神经网络的输入,以步骤1.3中的特征向量(设特征向量集为其中作为BP神经网络输出;
3.2BP神经网络损失函数:
式中,n代表特征向量集CH的长度;k为特征向量中特征的个数;为网络预测特征向量值;为真实值。
3.3BP神经网络训练方法:反向传播算法。
4.根据权利要求1所述的直升机高速重载输入级健康状态评估方法,其特征在于步骤2.4和步骤2.5中,直升机高速重载输入级健康状态评估指标的计算方法如下:
4.1计算步骤2.2中输入级当前状态特征向量(设向量为)与步骤2.3中输入级正常状态特征向量(设向量为)的欧式距离
4.2计算步骤2.4中的距离值与步骤2.3中输入级正常状态特征向量模值的比值,即并将该比值作为直升机高速重载输入级健康状态评估指标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811577689.9A CN109657989A (zh) | 2018-12-20 | 2018-12-20 | 直升机高速重载输入级健康状态评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811577689.9A CN109657989A (zh) | 2018-12-20 | 2018-12-20 | 直升机高速重载输入级健康状态评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109657989A true CN109657989A (zh) | 2019-04-19 |
Family
ID=66115921
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811577689.9A Pending CN109657989A (zh) | 2018-12-20 | 2018-12-20 | 直升机高速重载输入级健康状态评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109657989A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110844109A (zh) * | 2019-10-11 | 2020-02-28 | 中国直升机设计研究所 | 一种直升机健康与使用监测系统的功能配置方法 |
CN111639852A (zh) * | 2020-05-27 | 2020-09-08 | 国网新源控股有限公司技术中心 | 基于小波奇异值的水电机组振动状态实时评估方法及系统 |
CN112067289A (zh) * | 2020-08-21 | 2020-12-11 | 天津电气科学研究院有限公司 | 一种基于神经网络的电机轴及传动轴异常振动预警算法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR2611040A1 (fr) * | 1987-02-12 | 1988-08-19 | Sfim | Systeme autonome de mesure cinematique pour helicoptere |
US5751609A (en) * | 1996-10-24 | 1998-05-12 | The United States Of America As Represented By The Secretary Of The Navy | Neural network based method for estimating helicopter low airspeed |
CN101464211A (zh) * | 2007-12-18 | 2009-06-24 | 上海宝钢工业检测公司 | 利用振动监测低速重载设备状态的方法 |
CN101853531A (zh) * | 2010-05-25 | 2010-10-06 | 北京航空航天大学 | 基于预分类技术和rbf神经网络的直升机飞行状态识别方法 |
CN103625998A (zh) * | 2013-12-12 | 2014-03-12 | 四川建设机械(集团)股份有限公司 | 施工升降机轻载高速控制系统及控制方法 |
RU2562938C1 (ru) * | 2014-04-29 | 2015-09-10 | Акционерное общество "Московский вертолетный завод им. М.Л. Миля" | Одновинтовой вертолет и способ управления им |
CN107101827A (zh) * | 2017-06-19 | 2017-08-29 | 苏州微著设备诊断技术有限公司 | 一种低速重载齿轮裂纹故障在线检测方法 |
CN108680336A (zh) * | 2018-07-05 | 2018-10-19 | 空气动力学国家重点实验室 | 一种低速风洞试验中直升机旋翼振动位移测量方法 |
-
2018
- 2018-12-20 CN CN201811577689.9A patent/CN109657989A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR2611040A1 (fr) * | 1987-02-12 | 1988-08-19 | Sfim | Systeme autonome de mesure cinematique pour helicoptere |
US5751609A (en) * | 1996-10-24 | 1998-05-12 | The United States Of America As Represented By The Secretary Of The Navy | Neural network based method for estimating helicopter low airspeed |
CN101464211A (zh) * | 2007-12-18 | 2009-06-24 | 上海宝钢工业检测公司 | 利用振动监测低速重载设备状态的方法 |
CN101853531A (zh) * | 2010-05-25 | 2010-10-06 | 北京航空航天大学 | 基于预分类技术和rbf神经网络的直升机飞行状态识别方法 |
CN103625998A (zh) * | 2013-12-12 | 2014-03-12 | 四川建设机械(集团)股份有限公司 | 施工升降机轻载高速控制系统及控制方法 |
RU2562938C1 (ru) * | 2014-04-29 | 2015-09-10 | Акционерное общество "Московский вертолетный завод им. М.Л. Миля" | Одновинтовой вертолет и способ управления им |
CN107101827A (zh) * | 2017-06-19 | 2017-08-29 | 苏州微著设备诊断技术有限公司 | 一种低速重载齿轮裂纹故障在线检测方法 |
CN108680336A (zh) * | 2018-07-05 | 2018-10-19 | 空气动力学国家重点实验室 | 一种低速风洞试验中直升机旋翼振动位移测量方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110844109A (zh) * | 2019-10-11 | 2020-02-28 | 中国直升机设计研究所 | 一种直升机健康与使用监测系统的功能配置方法 |
CN111639852A (zh) * | 2020-05-27 | 2020-09-08 | 国网新源控股有限公司技术中心 | 基于小波奇异值的水电机组振动状态实时评估方法及系统 |
CN111639852B (zh) * | 2020-05-27 | 2023-11-03 | 国网新源控股有限公司技术中心 | 基于小波奇异值的水电机组振动状态实时评估方法及系统 |
CN112067289A (zh) * | 2020-08-21 | 2020-12-11 | 天津电气科学研究院有限公司 | 一种基于神经网络的电机轴及传动轴异常振动预警算法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11113905B2 (en) | Fault detection system and method for vehicle system prognosis | |
CN107003663B (zh) | 具有活动部分的装置的监视 | |
Zhang et al. | Fault diagnosis and prognosis using wavelet packet decomposition, Fourier transform and artificial neural network | |
Wu et al. | Induction machine fault detection using SOM-based RBF neural networks | |
CN109657989A (zh) | 直升机高速重载输入级健康状态评估方法 | |
CN110161343B (zh) | 一种智能列车外部受电装置的非侵入式实时动态监测方法 | |
CN110376522B (zh) | 一种数据融合的深度学习网络的电机故障诊断方法 | |
CN109213121B (zh) | 一种风机制动系统卡缸故障诊断方法 | |
CN109211548A (zh) | 一种机械故障诊断方法 | |
CN109583386A (zh) | 一种智能旋转机械故障深度网络特征辨识方法 | |
CN107329079A (zh) | 一种高压断路器在线监测及故障综合诊断系统 | |
CN106338406A (zh) | 列车牵引电传动系统的在线监测与故障预警系统及方法 | |
CN109613428A (zh) | 一种能像系统及其在电机设备故障检测方法中的应用 | |
MX2014014577A (es) | Metodos y aparatos para el diagnostico de defectos en un sistema mecanico. | |
CN103033359A (zh) | 一种多特征多级综合评判的风电机组主传动装置故障诊断方法 | |
CN204113701U (zh) | 一种矿井风机在线监测与故障诊断系统 | |
CN107909118A (zh) | 一种基于深度神经网络的配电网工况录波分类方法 | |
CN107003665A (zh) | 用于评估连接到电马达的旋转机械的状态的方法 | |
CN110163075A (zh) | 一种基于权值训练的多信息融合故障诊断方法 | |
CN104122086A (zh) | 基于Kriging模型的风力机齿轮箱故障诊断方法 | |
CN105571638A (zh) | 一种机械设备故障组合预测系统及方法 | |
CN102521604A (zh) | 一种基于巡检系统的设备性能退化评估装置及方法 | |
CN106768262A (zh) | 一种基于表面振动信号分析的变压器在线监测方法 | |
CN109630449B (zh) | 一种基于rbf算法的三防通风设备故障预测系统 | |
CN106594000A (zh) | 一种电液伺服阀故障诊断方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190419 |
|
WD01 | Invention patent application deemed withdrawn after publication |