CN110119789A - 一种旋转型机械设备启停判断方法及系统 - Google Patents
一种旋转型机械设备启停判断方法及系统 Download PDFInfo
- Publication number
- CN110119789A CN110119789A CN201910451466.6A CN201910451466A CN110119789A CN 110119789 A CN110119789 A CN 110119789A CN 201910451466 A CN201910451466 A CN 201910451466A CN 110119789 A CN110119789 A CN 110119789A
- Authority
- CN
- China
- Prior art keywords
- rotary
- mechanical equipment
- machine learning
- type mechanical
- several
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Medical Informatics (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明实施例提供一种旋转型机械设备启停判断方法及系统，其中，所提供的方法包括：获取旋转型机械设备的三轴振动信号数据，从三轴振动信号数据中提取三轴振动信号的特征数据；将所述特征数据输入到预设的若干个机器学习分类模型中，获取所述若干个机器学习分类模型的识别结果；根据所述若干个机器学习分类模型的识别结果，采用模型融合策略，获得所述旋转型机械设备当前启停状态。本发明实施例提供的方法及系统，利用机械自身的振动信号智能地识别工业设备当前的状态，提升了对旋转型机械设备启停状态判断的精准度，无需人工参与，提升了设备监控效率，降低了设备监控成本。
Description
技术领域
本发明涉及计算机技术领域，尤其涉及一种旋转型机械设备启停判断方法及系统。
背景技术
设备的启停判断是智能监测系统最基本的一环。能否准确识别设备的启动停止状态，可以减少关键设备突发性异常停机所带来的损失，也能预防工程人员玩忽职守，消极怠工的现象出现。但是目前大多数论文和专利，只监测了振动信号的数值，没有明确给出设备是处于运转状态还是停机状态，只能通过人工的方式根据振动信号数值的大小去判断设备是否处于运转状态下。
现有技术中，基于振动信号数值的启停判断方法中，由于某些设备振动幅度不大，启动和停止的振动数值差异不明显，无法人为去分辨，另外，人为判断会因业务个人经验去判断，没有一个统一的结果，容易出现分歧。且当设备周围有其他振动明显的设备时，人为判断更容易造成误判。
发明内容
为解决上述现有技术中存在的问题，本发明实施例提供一种旋转型机械设备启停判断方法及系统。
第一方面，本发明实施例提供一种旋转型机械设备启停判断方法，包括：
获取旋转型机械设备的三轴振动信号数据，从三轴振动信号数据中提取三轴振动信号的特征数据；
将所述特征数据输入到预设的若干个机器学习分类模型中，获取所述若干个机器学习分类模型的识别结果；
根据所述若干个机器学习分类模型的识别结果，采用模型融合策略，获得所述旋转型机械设备当前启停状态。
其中，所述从三轴振动信号数据中提取三轴振动信号的特征数据的步骤，具体包括：将所述三轴振动信号数据进行去直流分量和滤波操作，获取处理后的三轴振动信号数据，根据预设规则从处理后的三轴振动信号数据中提取三轴的特征数据。
其中，将所述特征数据输入到预设的若干个机器学习分类模型中，获取所述若干个机器学习分类模型的识别结果的步骤中，具体包括：将所述特征数据分别输入到预设的机器学习线性模型分类器、非线性模型分类器、树模型分类器和概率模型分类器中，获得线性模型分类器分类结果、非线性模型分类器分类结果，树模型分类器分类结果和概率模型分类器分类结果。
其中，所述根据所述若干个机器学习分类模型的识别结果，采用模型融合策略，获得所述旋转型机械设备当前启停状态的步骤，具体包括：根据所述线性模型分类器分类结果、非线性模型分类器分类结果，树模型分类器分类结果和概率模型分类器分类结果进行投票，选取得票最高的预测结果作为所述旋转型机械设备的最终识别结果
其中，获取若干组标注结果的旋转型机械设备的三轴振动信号数据，构建训练样本集；通过所述训练样本集，分别对若干个机器学习分类模型进行训练，获取训练好的所述若干个机器学习分类模型。
第二方面，本发明实施例提供一种旋转型机械设备启停判断系统，包括：
特征获取模块，用于获取旋转型机械设备的三轴振动信号数据，从三轴振动信号数据中提取三轴振动信号的特征数据；
识别模块，用于将所述特征数据输入到预设的若干个机器学习分类模型中，获取所述若干个机器学习分类模型的识别结果；
结果处理模块，用于根据所述若干个机器学习分类模型的识别结果，采用模型融合策略，获得所述旋转型机械设备当前启停状态。
其中，所述系统还包括：训练模块，用于获取若干组标注结果的旋转型机械设备的三轴振动信号数据，构建训练样本集；通过所述训练样本集，分别对若干个机器学习分类模型进行训练，获取训练好的所述若干个机器学习分类模型。
第三方面，本发明实施例提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述第一方面所提供的旋转型机械设备启停判断方法的步骤。
第四方面，本发明实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述第一方面所提供的旋转型机械设备启停判断方法的步骤。
本发明实施例提供的方法及系统，利用机械自身的振动信号智能地识别工业设备当前的状态，提升了对旋转型机械设备启停状态判断的精准度，无需人工参与，提升了设备监控效率，降低了设备监控成本。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一实施例提供的旋转型机械设备启停判断方法的流程示意图；
图2为本发明一实施例提供的旋转型机械设备启停判断系统的结构示意图；
图3为本发一实施例提供的电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
参考图1，图1为本发明一实施例提供的旋转型机械设备启停判断方法的流程示意图，所提供的方法包括：
S1，获取旋转型机械设备的三轴振动信号数据，从三轴振动信号数据中提取三轴振动信号的特征数据。
S2，将所述特征数据输入到预设的若干个机器学习分类模型中，获取所述若干个机器学习分类模型的识别结果。
S3，根据所述若干个机器学习分类模型的识别结果，采用模型融合策略，获得所述旋转型机械设备当前启停状态。
具体的，振动传感器有加速度计、速度计和位移计，按工作模式分，可以分为压电式、电容式和热感应，按轴数分类又可以分为单轴、双轴和三轴。工作原理相差无几。本实施例中，首选三轴振动传感器采集旋转型机械设备的三轴振动信号作为原始数据。三轴传感器在振动信号采集时能够同时测量三轴振动信号，也就是XYZ三轴方向，单轴则只能够测量单一方向轴向振动数据，双轴同一样的道理。
三轴振动传感器，在振动试验的信号数据采集上显得很重要，在工厂设备巡检上能够大大的提高工作人员的工作效率。工厂的设备巡检轴承都是需要检测三轴振动信号数据，如果是单轴就需要测量三次振动信号，降低了工厂设备巡检效率，设备越多越显得三轴的工作效率。
通过三轴振动传感器采集到原始数据后，对原始数据进行与分类模型相对于的数据预处理后，获得与分类模型相匹配的特征数据，其后将获得的特征数据输入到若干个不同种类的机器学习分类模型中。分别获得每一个机器学习分类模型中的识别结果，其后，通过模型融合，选择最优的分类结果，作为最终的预测结果。
通过此方法，利用机械自身的振动信号智能地识别工业设备当前的状态，提升了对旋转型机械设备启停状态判断的精准度，无需人工参与，提升了设备监控效率，降低了设备监控成本。
在上述实施例的基础上，所述从三轴振动信号数据中提取三轴振动信号的特征数据的步骤，具体包括：将所述三轴振动信号数据进行去直流分量和滤波操作，获取处理后的三轴振动信号数据，根据预设规则从处理后的三轴振动信号数据中提取三轴的特征数据。
将所述特征数据输入到预设的若干个机器学习分类模型中，获取所述若干个机器学习分类模型的识别结果的步骤中，具体包括：将所述特征数据分别输入到预设的机器学习线性模型分类器、非线性模型分类器、树模型分类器和概率模型分类器中，获得线性模型分类器分类结果、非线性模型分类器分类结果，树模型分类器分类结果和概率模型分类器分类结果。
所述根据所述若干个机器学习分类模型的识别结果，采用模型融合策略，获得所述旋转型机械设备当前启停状态的步骤，具体包括：根据所述线性模型分类器分类结果、非线性模型分类器分类结果，树模型分类器分类结果和概率模型分类器分类结果进行投票，选取得票最高的预测结果作为所述旋转型机械设备的最终识别结果。
具体的，在获取了三轴振动信号数据后，经过去直流分量，滤波等操作后，根据预设规则，可以从信号数据中提取出与预设的模型对应的特征数据，其中，预设规则可以是，根据相关的业务逻辑实现特征数据的提取，也可以是根据业务经验，信号处理经验，对信号数据进行特征提取，获得需要的特征数据。其后，将该特征数据输入到多个机器学习分类模型中，其中，机器学习分类模型包括但不限于线性模型分类器，非线性模型分类器，树模型分类器以及概率模型分类器，通过多种类型的机器学习分类模型，可以获得多种识别结果，最后再根据多种识别结果进行投票，选取得票最高的识别结果作为最终的旋转型机械设备启停状态识别结果。
在上述实施例的基础上，所述方法还包括：获取若干组标注结果的旋转型机械设备的三轴振动信号数据，构建训练样本集；通过所述训练样本集，分别对若干个机器学习分类模型进行训练，获取训练好的所述若干个机器学习分类模型。
具体的，在训练机器学习模型的过程中，首先采集大量的标注有结果的旋转型机械设备的三轴振动信号数据，构建训练样本集，再通过构建的训练样本集，分别对机器学习分类模型进行训练，获得训练好的线性模型分类器，非线性模型分类器，树模型分类器和概率模型分类器。
本发明实施例提供的方法，基于振动信号数据，采用线性模型、非线性模型、树模型、概率模型等机器学习算法，如逻辑回归、决策树、贝叶斯、支持向量机、多层感知机等，预测工业设备启停状态，具有快速、自适应等特点，能减少不必要的人力物力投入，同时训练的模型提取参数后可以下放至边缘端使用，降低设备能耗，减轻了云端压力，能更快地响应用户。
参考图2，图2为本发明另一实施例提供的旋转型机械设备启停判断系统的结构示意图，所提供的系统包括：特征获取模块21，识别模块22和结果处理模块23。
其中，特征获取模块21用于获取旋转型机械设备的三轴振动信号数据，从三轴振动信号数据中提取三轴振动信号的特征数据。
识别模块22用于将所述特征数据输入到预设的若干个机器学习分类模型中，获取所述若干个机器学习分类模型的识别结果。
结果处理模块23用于根据所述若干个机器学习分类模型的识别结果，采用模型融合策略，获得所述旋转型机械设备当前启停状态。
具体的，本实施例中，首选通过三轴振动传感器采集旋转型机械设备的三轴振动信号作为原始数据，通过三轴振动传感器采集到原始数据后，对原始数据进行与分类模型相对于的数据预处理后，获得与分类模型相匹配的特征数据，其后将获得的特征数据输入到若干个不同种类的机器学习分类模型中。分别获得每一个机器学习分类模型中的识别结果，其后，通过模型融合，选择最优的分类结果，作为最终的预测结果。
通过此系统，利用机械自身的振动信号智能地识别工业设备当前的状态，提升了对旋转型机械设备启停状态判断的精准度，无需人工参与，提升了设备监控效率，降低了设备监控成本。
在上述实施例的基础上，所述系统还包括：训练模块，用于获取若干组标注结果的旋转型机械设备的三轴振动信号数据，构建训练样本集；通过所述训练样本集，分别对若干个机器学习分类模型进行训练，获取训练好的所述若干个机器学习分类模型。
具体的，在训练机器学习模型的过程中，首先采集大量的标注有结果的旋转型机械设备的三轴振动信号数据，构建训练样本集，再通过构建的训练样本集，分别对机器学习分类模型进行训练，获得训练好的线性模型分类器，非线性模型分类器，树模型分类器和概率模型分类器。
图3示例了一种电子设备的结构示意图，如图3所示，该服务器可以包括：处理器(processor)310、通信接口(Communications Interface)320、存储器(memory)330和总线340，其中，处理器310，通信接口320，存储器330通过总线340完成相互间的通信。通信接口340可以用于服务器与智能电视之间的信息传输。处理器310可以调用存储器330中的逻辑指令，以执行如下方法：获取旋转型机械设备的三轴振动信号数据，从三轴振动信号数据中提取三轴振动信号的特征数据；将所述特征数据输入到预设的若干个机器学习分类模型中，获取所述若干个机器学习分类模型的识别结果；根据所述若干个机器学习分类模型的识别结果，采用模型融合策略，获得所述旋转型机械设备当前启停状态。
本实施例还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的方法，例如包括：获取旋转型机械设备的三轴振动信号数据，从三轴振动信号数据中提取三轴振动信号的特征数据；将所述特征数据输入到预设的若干个机器学习分类模型中，获取所述若干个机器学习分类模型的识别结果；根据所述若干个机器学习分类模型的识别结果，采用模型融合策略，获得所述旋转型机械设备当前启停状态。
本实施例提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行上述各方法实施例所提供的方法，例如包括：获取旋转型机械设备的三轴振动信号数据，从三轴振动信号数据中提取三轴振动信号的特征数据；将所述特征数据输入到预设的若干个机器学习分类模型中，获取所述若干个机器学习分类模型的识别结果；根据所述若干个机器学习分类模型的识别结果，采用模型融合策略，获得所述旋转型机械设备当前启停状态。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (9)
1.一种旋转型机械设备启停判断方法，其特征在于，包括：
获取旋转型机械设备的三轴振动信号数据，从三轴振动信号数据中提取三轴振动信号的特征数据；
将所述特征数据输入到预设的若干个机器学习分类模型中，获取所述若干个机器学习分类模型的识别结果；
根据所述若干个机器学习分类模型的识别结果，采用模型融合策略，获得所述旋转型机械设备当前启停状态。
2.根据权利要求1所述的旋转型机械设备启停判断方法，其特征在于，所述从三轴振动信号数据中提取三轴振动信号的特征数据的步骤，具体包括：
将所述三轴振动信号数据进行去直流分量和滤波操作，获取处理后的三轴振动信号数据，根据预设规则，从处理后的三轴振动信号数据中提取三轴的特征数据。
3.根据权利要求1所述的旋转型机械设备启停判断方法，其特征在于，所述将所述特征数据输入到预设的若干个机器学习分类模型中，获取所述若干个机器学习分类模型的识别结果的步骤中，具体包括：
将所述特征数据分别输入到预设的机器学习线性模型分类器、非线性模型分类器、树模型分类器和概率模型分类器中，获得线性模型分类器分类结果、非线性模型分类器分类结果，树模型分类器分类结果和概率模型分类器分类结果。
4.根据权利要求3所述的旋转型机械设备启停判断方法，其特征在于，所述根据所述若干个机器学习分类模型的识别结果，采用模型融合策略，获得所述旋转型机械设备当前启停状态的步骤，具体包括：
根据所述线性模型分类器分类结果、非线性模型分类器分类结果，树模型分类器分类结果和概率模型分类器分类结果进行投票，选取得票最高的预测结果作为所述旋转型机械设备的最终识别结果。
5.根据权利要求1所述的旋转型机械设备启停判断方法，其特征在于，所述方法还包括：
获取若干组标注结果的旋转型机械设备的三轴振动信号数据，构建训练样本集；
通过所述训练样本集，分别对若干个机器学习分类模型进行训练，获取训练好的所述若干个机器学习分类模型。
6.一种旋转型机械设备启停判断系统，其特征在于，包括：
特征获取模块，用于获取旋转型机械设备的三轴振动信号数据，从三轴振动信号数据中提取三轴振动信号的特征数据；
识别模块，用于将所述特征数据输入到预设的若干个机器学习分类模型中，获取所述若干个机器学习分类模型的识别结果；
结果处理模块，用于根据所述若干个机器学习分类模型的识别结果，采用模型融合策略，获得所述旋转型机械设备当前启停状态。
7.根据权利要求6所述的旋转型机械设备启停判断系统，其特征在于，所述系统还包括：训练模块，用于获取若干组标注结果的旋转型机械设备的三轴振动信号数据，构建训练样本集；
通过所述训练样本集，分别对若干个机器学习分类模型进行训练，获取训练好的所述若干个机器学习分类模型。
8.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至6任一项所述旋转型机械设备启停判断方法的步骤。
9.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至6任一项所述旋转型机械设备启停判断方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910451466.6A CN110119789A (zh) | 2019-05-28 | 2019-05-28 | 一种旋转型机械设备启停判断方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910451466.6A CN110119789A (zh) | 2019-05-28 | 2019-05-28 | 一种旋转型机械设备启停判断方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110119789A true CN110119789A (zh) | 2019-08-13 |
Family
ID=67523379
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910451466.6A Pending CN110119789A (zh) | 2019-05-28 | 2019-05-28 | 一种旋转型机械设备启停判断方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110119789A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110996289A (zh) * | 2019-12-11 | 2020-04-10 | 湃方科技(天津)有限责任公司 | 一种用于机器状态监测诊断仪的智能网关、方法及系统 |
| CN112146749A (zh) * | 2020-09-08 | 2020-12-29 | 成都安尔法智控科技有限公司 | 一种基于振动信号分析设备启停状态的方法和系统 |
| CN112801199A (zh) * | 2021-02-07 | 2021-05-14 | 三一重工股份有限公司 | 挖掘机动臂寿命预测方法、装置、电子设备及存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105004462A (zh) * | 2014-06-11 | 2015-10-28 | 南通大学 | 基于故障识别的风机能耗监测系统 |
| CN105067105A (zh) * | 2015-05-04 | 2015-11-18 | 西安交通大学 | 利用旋转机械启停车瞬态信号特征的动力学参数识别方法 |
| CN105806614A (zh) * | 2016-03-07 | 2016-07-27 | 大唐淮南洛河发电厂 | 基于嵌入式双服务器的火电厂旋转机械故障诊断方法及系统 |
| CN109102005A (zh) * | 2018-07-23 | 2018-12-28 | 杭州电子科技大学 | 基于浅层模型知识迁移的小样本深度学习方法 |
| CN109784284A (zh) * | 2019-01-22 | 2019-05-21 | 上海瀚挚电子科技有限公司 | 基于旋转机械的工作状态的自学习识别方法 |
| CN109800861A (zh) * | 2018-12-28 | 2019-05-24 | 上海联影智能医疗科技有限公司 | 一种设备故障识别方法、装置、设备及计算机系统 |
-
2019
- 2019-05-28 CN CN201910451466.6A patent/CN110119789A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105004462A (zh) * | 2014-06-11 | 2015-10-28 | 南通大学 | 基于故障识别的风机能耗监测系统 |
| CN105067105A (zh) * | 2015-05-04 | 2015-11-18 | 西安交通大学 | 利用旋转机械启停车瞬态信号特征的动力学参数识别方法 |
| CN105806614A (zh) * | 2016-03-07 | 2016-07-27 | 大唐淮南洛河发电厂 | 基于嵌入式双服务器的火电厂旋转机械故障诊断方法及系统 |
| CN109102005A (zh) * | 2018-07-23 | 2018-12-28 | 杭州电子科技大学 | 基于浅层模型知识迁移的小样本深度学习方法 |
| CN109800861A (zh) * | 2018-12-28 | 2019-05-24 | 上海联影智能医疗科技有限公司 | 一种设备故障识别方法、装置、设备及计算机系统 |
| CN109784284A (zh) * | 2019-01-22 | 2019-05-21 | 上海瀚挚电子科技有限公司 | 基于旋转机械的工作状态的自学习识别方法 |
Non-Patent Citations (3)
| Title |
|---|
| 何金辉 等: "基于角点光流与SVM的增氧机工作状态检测", 《计算机工程与科学》 * |
| 叶海波: "基于智能手机的室内标签定位技术研究", 《中国博士学位论文全文数据库 信息科技辑》 * |
| 吴德会: "一种基于支持向量机的齿轮箱故障诊断方法", 《振动、测试与诊断》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110996289A (zh) * | 2019-12-11 | 2020-04-10 | 湃方科技(天津)有限责任公司 | 一种用于机器状态监测诊断仪的智能网关、方法及系统 |
| CN112146749A (zh) * | 2020-09-08 | 2020-12-29 | 成都安尔法智控科技有限公司 | 一种基于振动信号分析设备启停状态的方法和系统 |
| CN112801199A (zh) * | 2021-02-07 | 2021-05-14 | 三一重工股份有限公司 | 挖掘机动臂寿命预测方法、装置、电子设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107584334B (zh) | 一种基于深度学习的复杂结构件数控加工刀具状态实时监测方法 | |
| CN109506963B (zh) | 一种智能列车牵引故障大数据异常检测辨识方法 | |
| CN110119789A (zh) | 一种旋转型机械设备启停判断方法及系统 | |
| CN108520080A (zh) | 船舶柴油发电机故障预测与健康状态在线评估系统及方法 | |
| CN105510038A (zh) | 风电机组故障监测方法和装置 | |
| CN108334033A (zh) | 基于物联网与机器学习的冲床组故障预测方法及其系统 | |
| CN110059775A (zh) | 旋转型机械设备异常检测方法及装置 | |
| CN109324604A (zh) | 一种基于多源信号的智能列车综合故障分析方法 | |
| CN111814775B (zh) | 目标对象异常行为识别方法、装置、终端及存储介质 | |
| CN202033643U (zh) | 产品质量信息实时监测、反馈、识别及一致性标识系统 | |
| CN111931389A (zh) | 一种旋转型设备运行正异常状态分析方法、装置 | |
| JP2017077055A (ja) | 状態診断装置及びプログラム | |
| CN109710682A (zh) | 一种诊断数据处理方法、装置、诊断设备和服务器 | |
| CN116593157A (zh) | 少样本下基于匹配元学习的复杂工况齿轮故障诊断方法 | |
| CN108932581A (zh) | 多物理域信息融合的自主感知方法及系统 | |
| CN107767056A (zh) | 一种用于电站磨煤机的状态监控与健康管理系统 | |
| CN113052062A (zh) | 基于一维卷积神经网络的轴承故障诊断方法 | |
| CN118183216A (zh) | 带式输送机的故障诊断方法以及系统 | |
| Łuczak | Machine Fault Diagnosis through Vibration Analysis: Time Series Conversion to Grayscale and RGB Images for Recognition via Convolutional Neural Networks | |
| Saha et al. | Enhancing bearing fault diagnosis using transfer learning and random forest classification: A comparative study on variable working conditions | |
| CN117629642A (zh) | 一种基于知识图谱的铁路机车柴油机故障诊断系统 | |
| CN112659651A (zh) | 一种食品包装袋生产用自动化控制系统 | |
| CN116541196A (zh) | 一种水电厂智能巡检诊断方法、系统、装置和介质 | |
| CN111598251B (zh) | 一种基于机器学习的cnc预测性维护系统及方法 | |
| CN116955071A (zh) | 故障分类方法、装置、设备及存储介质 |
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 | ||
| CB03 | Change of inventor or designer information |
Inventor after: Yang Chenwang Inventor after: Liu Tao Inventor after: Ma Jun Inventor after: Li Sujie Inventor after: Lin Siyu Inventor before: Yang Chenwang Inventor before: Liu Tao Inventor before: Ma Jun Inventor before: Li Sujie Inventor before: Lin Siyu Inventor before: Liu Yongpan |
|
| CB03 | Change of inventor or designer information | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190813 |
|
| RJ01 | Rejection of invention patent application after publication |