CN109974985A - 一种单向阀性能退化评估装置及其诊断方法 - Google Patents
一种单向阀性能退化评估装置及其诊断方法 Download PDFInfo
- Publication number
- CN109974985A CN109974985A CN201910132854.8A CN201910132854A CN109974985A CN 109974985 A CN109974985 A CN 109974985A CN 201910132854 A CN201910132854 A CN 201910132854A CN 109974985 A CN109974985 A CN 109974985A
- Authority
- CN
- China
- Prior art keywords
- data
- degree
- check valve
- signal
- performance degradation
- 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
- 230000015556 catabolic process Effects 0.000 title claims abstract description 36
- 238000006731 degradation reaction Methods 0.000 title claims abstract description 36
- 238000002405 diagnostic procedure Methods 0.000 title claims abstract description 12
- 239000013598 vector Substances 0.000 claims abstract description 24
- 238000000605 extraction Methods 0.000 claims abstract description 21
- 238000006243 chemical reaction Methods 0.000 claims abstract description 19
- 230000001133 acceleration Effects 0.000 claims abstract description 14
- 238000011156 evaluation Methods 0.000 claims abstract description 13
- 238000000034 method Methods 0.000 claims abstract description 13
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims abstract description 8
- 238000012886 linear function Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 5
- 238000012512 characterization method Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims 1
- 238000004364 calculation method Methods 0.000 claims 1
- 230000007423 decrease Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 3
- 238000005260 corrosion Methods 0.000 description 3
- 230000007797 corrosion Effects 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000012545 processing Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 230000001351 cycling effect Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000011089 mechanical engineering Methods 0.000 description 1
- 238000005272 metallurgy Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 239000010865 sewage Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000009923 sugaring Methods 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及一种单向阀性能退化评估装置及其诊断方法。包括加速度传感器,用于采集待测单向阀的振动信号并将振动信号转化为模拟信号;数据预处理模块,用于将模拟信号进行放大、滤波降噪及A/D转换,得到预处理后的振动信号;特征参数提取模块,用于对预处理后的振动信号进行特征参数提取,模糊c‑均值聚类评估模块,用模糊聚类方法训练样本数据的特征矢量得到正常和失效状态的模糊聚类中心,并计算待测试数据相对于样本数据的隶属度,待测试数据偏离正常状态的程度表示单向阀性能退化的程度。本发明引入了隶属度进行评估,隶属度的大小可以用来评判单个样本偏离聚类中心的欧几里得距离程度,能够大大提高评估模型的准确性。
Description
技术领域
本发明涉及一种单向阀性能退化评估装置及其诊断方法,属于机械产品质量可靠性评估与故障诊断技术领域。
背景技术
大型隔膜泵属于往复泵的范畴,应用于输送高压、高温、高腐蚀等复杂工况的固液两相介质,在石油、化工、煤炭、冶金、制糖和污水处理等工业生产领域应用较广。单向阀作为泵的一个重要机械零部件,需具有良好的快开/快关、密封性及承压性,因而比泵的其他部件更容易出现故障,其性能状态的好坏直接影响整台设备的运行可靠性。一般来说,单向阀在使用过程中都会经历从正常到退化直至失效的过程,而这期间通常要经历一系列不同的性能退化状态。如果能够在单向阀性能退化的过程中监测到单向阀性能退化的程度,那么就可以有针对性地组织生产和制定合理的维护计划,防止设备异常失效的发生。
模糊c-均值聚类算法是从优化聚类分析的角度将输入值进行合理的模糊划分,从而得到若干个模糊的分类。目前模糊c-均值聚类算法已经成功地应用于包括特征分析、数据分析和分离器设计等诸多问题的解决中,并广泛的应用于机械工程、数据挖掘、图像分析、医学诊断以及目标识别等多种领域。模糊c-均值聚类算法仅对正常样本进行模型训练,这为故障诊断中的异常数据匮乏问题提供了解决途径。此外,该方法具有计算速度快、鲁棒性强、预设置参数少等特点。
发明内容
本发明提供了一种单向阀性能退化评估装置及其诊断方法,以用于解决目前单向阀性性能退化评估中缺乏对其稳健性评估的问题,进一步提升了评估精度及准确性。同时以便及时发现单向阀的早期故障时刻和失效时刻。
本发明的技术方案是:一种单向阀性能退化评估装置,包括
加速度传感器,用于采集待测单向阀的振动信号并将振动信号转化为模拟信号;
数据预处理模块,用于将模拟信号进行放大、滤波降噪及A/D转换,得到预处理后的振动信号,便于后续的特征参数提取;
特征参数提取模块,用于对预处理后的振动信号进行特征参数提取,并对提取的特征参数使用线性函数转换方法归一化处理得到特征参数向量,便于后续的聚类和隶属度计算;
模糊c-均值聚类评估模块,用于将单向阀性能正常时采集预处理的正常样本数据特征提取后得到的特征参数向量按正常使用期和快速失效期进行聚类,由此训练得到正常使用期聚类中心和快速失效期聚类中心,然后计算待测试样本数据相对于正常状态模糊聚类中心的隶属度,此隶属度作为性能退化指标DI来表征待测样本数据偏离正常状态的程度来表示单向阀性能退化的程度。
进一步地,所述加速度传感器采取了三个方向的安装方式,分别为轴向、径向和垂直方向,以保证信号的可比性。
进一步地,所述数据预处理模块包括NI SCXI加速度计输入模块、NI SCXI信号调理机箱、NI多功能数据采集卡;
所述NI SCXI加速度计输入模块:用于将加速度传感器输出的信号转换成便于传输、显示、记录和输出的信号;
所述NI SCXI信号调理机箱:用于对NI SCXI加速度计输入模块输入的信号进行放大、滤波降噪及A/D转换,通过信号调理机箱的背板总线和电缆适配器输入到数据采集卡;
所述NI多功能数据采集卡:用于将NI SCXI信号调理机箱输入的信号进行存储,通过计算机的USB总线传输给电脑以便后续的特征参数提取及模糊c-均值聚类评估模块。其中加速度计输入模块被封装在信号调理机箱内,数据采集卡可采用USB总线或PCI总线的NI数据采集卡,以适应不同的计算机需求。
进一步地,所述特征参数包括均方根值和峭度。
进一步地,所述NI SCXI加速度计输入模块采用SCXI-1531加速度计输入模块。
一种单向阀性能退化评估装置的诊断方法,所述诊断方法的具体步骤如下:
Step1、通过加速度传感器采集振动信号并转换为模拟信号,数据预处理模块对单向阀振动信号进行放大、滤波去噪和A/D转换预处理后得到正常样本数据和待测试样本数据,对正常样本数据和待测试样本数据提取特征参数均方根值和峭度,作为模糊c-均值聚类评估模块的输入特征矢量;
Step2、对正常样本数据的特征矢量使用线性函数转换方法线性归一化处理后组成向量作为输入量,设定聚类个数c和模糊系数m按正常使用期和快速失效期对输入量进行聚类,由此训练得到正常使用期聚类中心和快速失效期聚类中心;
Step3、对待测试样本数据的特征矢量使用线性函数转换方法线性归一化处理后计算相对于正常状态模糊聚类中心的隶属度情况,此隶属度作为性能退化指标DI并在PC机上显示结果,用DI表征待测试样本数据偏离正常状态的程度来表示单向阀性能退化的程度。
本发明的工作原理是:
所述模糊c-均值聚类评估模块的模糊c-均值聚类算法使用如下:
StepA、算法初始化:设置聚类个数c,其中2≤c≤n,n是指数据的个数,m为模糊系数;设置迭代终止阈值ε;设置初始化原始聚类矩阵V(0);设置迭代计数器b=0。
StepB、计算或者更新划分矩阵U(b):
对于如果则有:
如果使得则且对j≠r,
StepC、计算或者更新原型模式矩阵V(b+1):
StepD、循环迭代至算法停止,迭代结束条件。
从聚类中心的角度来考虑,则迭代终止条件为:
从隶属度的角度来考虑,则迭代终止条件为:
如果为停止,则令b=b+1,转向StepB,继续循环迭代。
模糊c-均值聚类算法通过最小化基于某种范数和聚类原型的目标函数,将原本没有标签分类的数据进行分类。最终找到若干个合理的聚类中心,从而使数据实现类内距离最小化,而类间距离最大化。模糊c-均值聚类算法的隶属度函数是一个在0和1之间连续变化的函数,隶属度函数值指示样本相对于某分类的隶属情况,从而实现了模糊划分。
本发明的有益效果是:
1、本发明采用特征参数均方根值和峭度归一化后为模糊c-均值聚类评估模型提供输入特征矢量,能够反映单向阀振动信号的非线性、非平稳特征;
2、本发明引入了隶属度进行评估,隶属度的大小可以用来评判单个样本偏离聚类中心的欧几里得距离程度,能够大大提高评估模型的准确性;
3、本发明提出的性能退化装置及诊断方法得到的评估指标能实时监测单向阀的性能退化趋势并且可以及时发现早期故障。
附图说明
图1是本发明的基本框架图;
图2是本发明的系统流程结构框图;
图3是本发明单向阀性能退化评估装置示意图;
图4是本实施例中模糊c-均值聚类评估流程图;
图5是本实施例中测试数据相对正常工作状态隶属度函数值图。
具体实施方式
实施例1:如图1-5所示,一种单向阀性能退化评估装置,包括
加速度传感器,用于采集待测单向阀的振动信号并将振动信号转化为模拟信号;
数据预处理模块,用于将模拟信号进行放大、滤波降噪及A/D转换,得到预处理后的振动信号,便于后续的特征参数提取;
特征参数提取模块,用于对预处理后的振动信号进行特征参数提取,并对提取的特征参数使用线性函数转换方法归一化处理得到特征参数向量,便于后续的聚类和隶属度计算;
模糊c-均值聚类评估模块,用于将单向阀性能正常时采集预处理的正常样本数据特征提取后得到的特征参数向量按正常使用期和快速失效期进行聚类,由此训练得到正常使用期聚类中心和快速失效期聚类中心,然后计算待测试样本数据相对于正常状态模糊聚类中心的隶属度,此隶属度作为性能退化指标DI来表征待测样本数据偏离正常状态的程度来表示单向阀性能退化的程度。
进一步地,所述加速度传感器采取了三个方向的安装方式,分别为轴向、径向和垂直方向,以保证信号的可比性。
进一步地,所述数据预处理模块包括NI SCXI加速度计输入模块、NI SCXI信号调理机箱、NI多功能数据采集卡;
所述NI SCXI加速度计输入模块:用于将加速度传感器输出的信号转换成便于传输、显示、记录和输出的信号;
所述NI SCXI信号调理机箱:用于对NI SCXI加速度计输入模块输入的信号进行放大、滤波降噪及A/D转换,通过信号调理机箱的背板总线和电缆适配器输入到数据采集卡;
所述NI多功能数据采集卡:用于将NI SCXI信号调理机箱输入的信号进行存储,通过计算机的USB总线传输给电脑以便后续的特征参数提取及模糊c-均值聚类评估模块。其中加速度计输入模块被封装在信号调理机箱内,数据采集卡可采用USB总线或PCI总线的NI数据采集卡,以适应不同的计算机需求。
进一步地,所述特征参数包括均方根值和峭度。
进一步地,所述NI SCXI加速度计输入模块采用SCXI-1531加速度计输入模块。
一种单向阀性能退化评估装置的诊断方法,所述诊断方法的具体步骤如下:
Step1、通过加速度传感器采集振动信号并转换为模拟信号,数据预处理模块对单向阀振动信号进行放大、滤波去噪和A/D转换预处理后得到正常样本数据和待测试样本数据,对正常样本数据和待测试样本数据提取特征参数均方根值和峭度,作为模糊c-均值聚类评估模块的输入特征矢量;
在本实例中选取原始数据中1组到2048组正常样本数据,并进行特征参数均方根值和峭度的提取,得到模糊c-均值聚类评估模块的输入特征矢量;
Step2、对正常样本数据的特征矢量使用线性函数转换方法线性归一化处理后组成向量作为输入量,设定聚类个数2和模糊系数2按正常使用期和快速失效期对输入量进行聚类,由此训练得到正常使用期聚类中心和快速失效期聚类中心;结果如表1所示:
表1模糊c-均值聚类中心
均方根值(RMS) | 峭度指标(KV) | |
失效状态聚类中心 | 0.7647 | 0.6301 |
正常状态聚类中心 | 0.1845 | 0.1777 |
Step3、对待测试样本数据的特征矢量使用线性函数转换方法线性归一化处理后计算相对于正常状态模糊聚类中心的隶属度情况,此隶属度作为性能退化指标DI并在PC机上显示结果,用DI表征待测试样本数据偏离正常状态的程度来表示单向阀性能退化的程度。
在图5中同样选取原始数据中1组到2048组数据作为测试样本数据,利用模糊c-均值聚类算法,计算待测样本数据相对于正常状态模糊聚类中心的隶属度情况,通过隶属度情况作为表征单向阀性能退化的指标DI;
在图5中约1650组数据处单向阀开始出现相对正常工作状态隶属度的下降,即单向阀开始出现早期故障,表明单向阀工作性能开始衰退,可能是由于出现新的较大点蚀而造成的振动加剧;后面出现一段相对的平稳,可能是由于出现新的较大点蚀又迅速被平滑的缘故。约1800组数据处再次出现隶属度下降的情况,此后单向阀隶属度变化较为剧烈,表明单向阀已发生严重故障及工作性能衰退加快。约1900组数据处出现隶属度快速下降的情况,认为单向阀进入快速失效期,直至2000组数据处单向阀工作性能完全失效,表明单向阀已损坏导致不能正常运行工作,需根据实际情况进行维修或更换。
上面结合附图对本发明的具体实施方式作了详细说明,但是本发明并不限于上述实施方式,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下作出各种变化。
Claims (6)
1.一种单向阀性能退化评估装置,其特征在于:包括
加速度传感器,用于采集待测单向阀的振动信号并将振动信号转化为模拟信号;
数据预处理模块,用于将模拟信号进行放大、滤波降噪及A/D转换,得到预处理后的振动信号,便于后续的特征参数提取;
特征参数提取模块,用于对预处理后的振动信号进行特征参数提取,并对提取的特征参数使用线性函数转换方法归一化处理得到特征参数向量,便于后续的聚类和隶属度计算;
模糊c-均值聚类评估模块,用于将单向阀性能正常时采集预处理的正常样本数据特征提取后得到的特征参数向量按正常使用期和快速失效期进行聚类,由此训练得到正常使用期聚类中心和快速失效期聚类中心,然后计算待测试样本数据相对于正常状态模糊聚类中心的隶属度,此隶属度作为性能退化指标DI来表征待测样本数据偏离正常状态的程度来表示单向阀性能退化的程度。
2.根据权利要求1所述的单向阀性能退化评估装置,其特征在于:所述加速度传感器采取了三个方向的安装方式,分别为轴向、径向和垂直方向。
3.根据权利要求1所述的单向阀性能退化评估装置,其特征在于:所述数据预处理模块包括NI SCXI加速度计输入模块、NI SCXI信号调理机箱、NI多功能数据采集卡;
所述NI SCXI加速度计输入模块:用于将加速度传感器输出的信号转换成便于传输、显示、记录和输出的信号;
所述NI SCXI信号调理机箱:用于对NI SCXI加速度计输入模块输入的信号进行放大、滤波降噪及A/D转换,通过信号调理机箱的背板总线和电缆适配器输入到数据采集卡;
所述NI多功能数据采集卡:用于将NI SCXI信号调理机箱输入的信号进行存储,通过计算机的USB总线传输给电脑以便后续的特征参数提取及模糊c-均值聚类评估模块。
4.根据权利要求1所述的单向阀性能退化评估装置,其特征在于:所述特征参数包括均方根值和峭度。
5.根据权利要求3所述的单向阀性能退化评估装置,其特征在于:所述NI SCXI加速度计输入模块采用SCXI-1531加速度计输入模块。
6.一种单向阀性能退化评估装置的诊断方法,其特征在于:所述诊断方法的具体步骤如下:
Step1、通过加速度传感器采集振动信号并转换为模拟信号,数据预处理模块对单向阀振动信号进行放大、滤波去噪和A/D转换预处理后得到正常样本数据和待测试样本数据,对正常样本数据和待测试样本数据提取特征参数均方根值和峭度,作为模糊c-均值聚类评估模块的输入特征矢量;
Step2、对正常样本数据的特征矢量使用线性函数转换方法线性归一化处理后组成向量作为输入量,设定聚类个数c和模糊系数m按正常使用期和快速失效期对输入量进行聚类,由此训练得到正常使用期聚类中心和快速失效期聚类中心;
Step3、对待测试样本数据的特征矢量使用线性函数转换方法线性归一化处理后计算相对于正常状态模糊聚类中心的隶属度情况,此隶属度作为性能退化指标DI并在PC机上显示结果,用DI表征待测试样本数据偏离正常状态的程度来表示单向阀性能退化的程度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910132854.8A CN109974985A (zh) | 2019-02-22 | 2019-02-22 | 一种单向阀性能退化评估装置及其诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910132854.8A CN109974985A (zh) | 2019-02-22 | 2019-02-22 | 一种单向阀性能退化评估装置及其诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109974985A true CN109974985A (zh) | 2019-07-05 |
Family
ID=67077208
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910132854.8A Pending CN109974985A (zh) | 2019-02-22 | 2019-02-22 | 一种单向阀性能退化评估装置及其诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109974985A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111243121A (zh) * | 2020-01-14 | 2020-06-05 | 广东寰球智能科技有限公司 | 金属盖的质量监控方法、装置及计算机可读存储介质 |
CN111650501A (zh) * | 2020-03-04 | 2020-09-11 | 苏州热工研究院有限公司 | 一种无损在线评估继电器老化状态的试验装置 |
CN117371875A (zh) * | 2023-12-07 | 2024-01-09 | 深圳市好兄弟电子有限公司 | 基于数据分析的音箱生产质量评价方法及系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104729853A (zh) * | 2015-04-10 | 2015-06-24 | 华东交通大学 | 一种滚动轴承性能退化评估装置及方法 |
-
2019
- 2019-02-22 CN CN201910132854.8A patent/CN109974985A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104729853A (zh) * | 2015-04-10 | 2015-06-24 | 华东交通大学 | 一种滚动轴承性能退化评估装置及方法 |
Non-Patent Citations (1)
Title |
---|
李媛媛 等: "基于模糊C均值的转盘轴承剩余寿命预测", 《轴承》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111243121A (zh) * | 2020-01-14 | 2020-06-05 | 广东寰球智能科技有限公司 | 金属盖的质量监控方法、装置及计算机可读存储介质 |
CN111650501A (zh) * | 2020-03-04 | 2020-09-11 | 苏州热工研究院有限公司 | 一种无损在线评估继电器老化状态的试验装置 |
CN111650501B (zh) * | 2020-03-04 | 2022-08-16 | 苏州热工研究院有限公司 | 一种无损在线评估继电器老化状态的试验装置 |
CN117371875A (zh) * | 2023-12-07 | 2024-01-09 | 深圳市好兄弟电子有限公司 | 基于数据分析的音箱生产质量评价方法及系统 |
CN117371875B (zh) * | 2023-12-07 | 2024-04-26 | 深圳市好兄弟电子有限公司 | 基于数据分析的音箱生产质量评价方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | The entropy algorithm and its variants in the fault diagnosis of rotating machinery: A review | |
CN109974985A (zh) | 一种单向阀性能退化评估装置及其诊断方法 | |
CN102182671B (zh) | 一种气体压缩机的状态分析监测方法 | |
Ahmed et al. | Fault detection and diagnosis using Principal Component Analysis of vibration data from a reciprocating compressor | |
CN110500217B (zh) | 基于可测数据特征的柴油机共轨系统油泵故障检测方法 | |
Pan et al. | A deep learning network via shunt-wound restricted Boltzmann machines using raw data for fault detection | |
CN110688617B (zh) | 风机振动异常检测方法及装置 | |
CN109469896B (zh) | 一种基于时间序列分析工业锅炉故障的诊断方法及系统 | |
WO2023103268A1 (zh) | 泵阀故障检测方法 | |
JP6849446B2 (ja) | 振動監視システム | |
CN116701984B (zh) | 基于机器学习的数控机床自动故障诊断系统 | |
CN110823576A (zh) | 基于生成对抗网络的机械异常检测方法 | |
CN108804740A (zh) | 基于集成改进ica-krr算法的长输管道压力监测方法 | |
WO2019043600A1 (en) | ESTIMATOR OF REMAINING USEFUL LIFE ESTIMATOR | |
CN115496644A (zh) | 基于数据识别的固体废弃物处理设备监测方法 | |
CN113757093B (zh) | 一种闪蒸汽压缩机组故障诊断方法 | |
CN111504647A (zh) | 基于ar-mset的滚动轴承的性能退化评估方法 | |
CN110375983A (zh) | 基于时间序列分析的阀门故障实时诊断系统及诊断方法 | |
CN109443766A (zh) | 一种重载车辆变速箱齿轮安全性分析方法 | |
CN105781958B (zh) | 一种隔膜泵单向阀故障自诊断装置及诊断方法 | |
CN114934898A (zh) | 基于多模态参数的液压泵故障诊断分析系统 | |
Wen et al. | A new method for identifying the ball screw degradation level based on the multiple classifier system | |
CN103821750B (zh) | 一种基于电流的通风机失速和喘振监测及诊断方法 | |
EP0907913A1 (en) | Automatic control loop monitoring and diagnostics | |
CN103821749A (zh) | 一种轴流式通风机失速和喘振的在线诊断方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190705 |
|
RJ01 | Rejection of invention patent application after publication |