CN110296802B - 基于振动速度传感器波形采集的杆塔螺栓松动判别方法 - Google Patents
基于振动速度传感器波形采集的杆塔螺栓松动判别方法 Download PDFInfo
- Publication number
- CN110296802B CN110296802B CN201910558201.6A CN201910558201A CN110296802B CN 110296802 B CN110296802 B CN 110296802B CN 201910558201 A CN201910558201 A CN 201910558201A CN 110296802 B CN110296802 B CN 110296802B
- Authority
- CN
- China
- Prior art keywords
- vibration
- training
- speed sensor
- bolt
- weight
- 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
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000012549 training Methods 0.000 claims abstract description 48
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 12
- 238000001914 filtration Methods 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims abstract description 8
- 238000003062 neural network model Methods 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 10
- 238000005070 sampling Methods 0.000 claims description 10
- 108010076504 Protein Sorting Signals Proteins 0.000 claims description 6
- 230000007613 environmental effect Effects 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 3
- 238000009795 derivation Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 8
- 239000002699 waste material Substances 0.000 abstract description 3
- 230000005540 biological transmission Effects 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
Images
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
-
- 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
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M7/00—Vibration-testing of structures; Shock-testing of structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
-
- 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
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明的一种基于振动速度传感器波形采集的杆塔螺栓松动判别方法,包括如下步骤:步骤1:通过振动速度传感器预先采集多组螺栓松动振动信号和螺栓紧固振动信号作为训练集;步骤2:将训练集中的振动信号去除奇异值并进行RLS滤波处理;步骤3:建立一维卷积神经网络模型,通过训练集对卷积神经网络模型进行训练;步骤4:通过训练好的神经网络模型判断螺栓松动情况。该方法可有效地解决通过人工检测杆塔螺栓松动情况费时、费力的问题。
Description
技术领域
本发明属于故障诊断技术领域,涉及基于振动速度传感器波形采集的杆塔螺栓松动判别方法。
背景技术
杆塔螺栓在紧固后,由于外界环境因素的影响,杆塔本身会发生自振,当横向力超过预紧力并产生摩擦抵抗力,紧固螺纹配件之间发生相对运动,将会导致紧固件松动。然而,杆塔螺栓松动将带来高额的财产损失以及严重行人安全问题。目前,杆塔螺栓松动的检修方式主要为人工检修,工人通过锤子敲击杆塔,当螺栓松动时能够听到明显拖尾颤音,这是由于螺栓松动处两连接部位发生碰撞产生的。这个额外的碰撞以振动信号采集的方式更为明显,同时,振动信号沿杆塔金属架构传播时的衰减更小,受到外界声音、温度、天气情况的影响更小。人工检测费时费力,工作人员需要定时巡检所有杆塔。
发明内容
针对现有人工检测方法的不足,本发明提供一种基于振动速度传感器波形采集的杆塔螺栓松动判别方法,以有效地解决通过人工检测杆塔螺栓松动情况费时、费力的问题。
本发明提供一种基于振动速度传感器波形采集的杆塔螺栓松动判别方法,包括如下步骤:
步骤1:通过振动速度传感器预先采集多组螺栓松动振动信号和螺栓紧固振动信号作为训练集;
步骤2:将训练集中的振动信号去除奇异值并进行滤波处理;
步骤3:建立一维卷积神经网络模型,通过训练集对一维卷积神经网络模型进行训练;
步骤4:通过训练好的一维卷积神经网络模型判断螺栓松动情况。
在本发明的基于振动速度传感器波形采集的杆塔螺栓松动判别方法中,所述步骤1具体为;
步骤1.1:将振动速度传感器通过磁座吸附到杆塔上,并依次连接振动速度传感器、AD7606模块、FPGA模块、GPRS模块,远程配置好上位机;
步骤1.2:通过电磁敲击锤敲击杆塔一侧,并采集多组螺栓松动振动信号和螺栓紧固振动信号传输给上位机,以构成训练集。
在本发明的基于振动速度传感器波形采集的杆塔螺栓松动判别方法中,所述步骤2具体为;
步骤2.1:通过循环剔除电压范围不在1-5V之间的数字电压信号;
步骤2.2:通过RLS算法对干扰信号滤波,选取滤波器输出作为期望响应,滤波器的代价函数如下:
J(n)=∑λn-1|d(i)-wH(n)u(i)|2
其中,λ为遗忘因子,λ值越小时历史数据的权重越小;d(i)为期望信号序列;u(i)为输入信号序列;wH(n)是抽头增益向量初始化为0,通过迭代调节wH(n)使迭代函数达到最小;
步骤2.3,为使误差达到最小,对权向量求偏导:
步骤2.4,选取P(n)=R-1(n),基于步骤2.3推导出RLS滤波解集为:
步骤2.5,通过上述滤波器权向量解,带入得到估计误差,通过更新权向量得到新的估计误差,直至迭代误差收敛不变时,得到RLS的最小二乘解,RLS滤波器生成,对干扰信号滤波。
在本发明的基于振动速度传感器波形采集的杆塔螺栓松动判别方法中,所述步骤3具体为;
步骤3.1,将采样到的1000个螺栓松动振动信号与1000个螺栓紧固振动信号作为训练集;
步骤3.2,将训练集中的振动信号归一化:
其中,u为振动电压数据中的一个电压值,umax、umin分别为单次采样振动电压数据的最小值与最大值;
步骤3.3,将各权值、阈值,置成小的接近于0的随机值,并初始化精度控制参数和学习率;
步骤3.4从训练集中选取输入振动信号加到网络,并给出它的目标输出向量;
输入振动信号首先被分为n段,对于其中的一段信号Si,经过第一层卷积核,得到第一层卷积核的输出:
Xi=bi+conv1D(Si,Wi)
其中,conv1D(Si,Wi)为传递函数,b是特征偏置;
步骤3.5对第一层卷积核的输出Xi进行激活函数处理:
Vi=sigmoid(Xi)
其中,sigmoid()是S型函数,用来增加模型非线性特性,同时将变量Xi映射至0到1之间,通过该函数可以将环境干扰造成的一些微弱特征影响滤去,对特征降维;
步骤3.6第二层卷积核结构与第一层卷积核结构相同,通过该次训练计算中间层输出向量,计算网络的实际输出向量;
步骤3.7将实际输出向量中的元素与目标输出向量的元素进行比较,计算输出误差,对中间层的隐单元计算输出误差;
步骤3.8通过反向传播过程,依次计算各权值的调整量和阈值的调整量;
步骤3.9调整权值和调整阈值;
步骤3.10一组训练数据迭代完成后,判断指标是否满足故障判断的精度要求,如果不满足,则返回步骤3.4继续迭代,如果满足就进入下一步;
步骤3.11训练结束,将权值和阈值保存在文件中。这时可以认为各个权值已经达到稳定,分类器已经形成,再一次进行训练,直接从文件中导出权值和阈值进行训练。
在本发明的基于振动速度传感器波形采集的杆塔螺栓松动判别方法中,所述步骤3.10中根据下式判断指标是否满足故障判断的精度要求:
其中,∑q是测试集中判断准确的样本个数,∑q+∑p是测试集总数。
本发明的基于振动速度传感器波形采集的杆塔螺栓松动判别方法与现有杆塔螺栓松动检测方法相比,具有如下优点:
第一,信号采集可靠性强:传统的螺栓松动判别方法一般通过声音判别,受到环境及外界噪声严重。振动信号在收集传输过程中干扰更小。
第二,螺栓松动识别准确性高:振动速度传感器信号经一维卷积神经网络训练后,对松动信号的识别准确度超过90%。
第三,能够取代人工检测:装置通过无线传输将振动波形传输至上位机,操作人员可能通过上位机直接识别故障,进行检修。
附图说明
图1为信号采集传输模块;
图2为环境中杆塔振动干扰波形;
图3为本发明的一维卷积神经网络结构图;
图4为网络训练过程。
具体实施方式
本发明提供一种基于振动速度传感器波形采集的杆塔螺栓松动判别方法,包括如下步骤:
步骤1:通过振动速度传感器预先采集多组螺栓松动振动信号和螺栓紧固振动信号作为训练集,所述步骤1具体为;
步骤1.1:将振动速度传感器通过磁座吸附到杆塔上,并依次连接振动速度传感器、AD7606模块、FPGA模块、GPRS模块,远程配置好上位机;
具体实施时,搭建图1所示的信号采集传输模块,具体包括:振动速度传感器、AD7606模块、FPGA模块、GPRS模块和上位机。将振动速度传感器通过磁座吸附到杆塔一侧距离底端一米左右位置,AD7606模块、FPGA模块、GPRS模块放入装置箱中并固定在塔杆上。
其中,振动速度传感器由软弹簧、测量线圈、电磁铁、外壳和输出引线端等部分组成。振动速度传感器在工作时,内部电磁铁产生恒定磁场,当振动发生,测量线圈将会与电磁铁之间发生相对振动,产生相应的感应电动势。为了能够充分体现出杆塔振动特征,本发明选取测量的振动频率范围为10-1000Hz,选取振动速度传感器灵敏度为20mv/mm/s,为了匹配A/D采样模块的电压输入需求,定制振动速度传感器的电压输出范围1-5V。A/D采样模块选取AD7606采集芯片,能够同时采集八路模拟信号并转化为十六路数字信号。根据香农采样定理,A/D的采样频率应高于二倍振动信号频率,AD7606芯片的采样频率设置为25kHz,能够保证得到完整的振动波形。FPGA模块将整合的振动信号数据通过GPRS模块传输至上位机。
步骤1.2:通过电磁敲击锤敲击杆塔一侧,并采集多组螺栓松动振动信号和螺栓紧固振动信号传输给上位机,以构成训练集。
具体实施时,通过振动速度传感器将振动信号转化为1-5V模拟电压信号,通过AD7606模块将模拟电压信号转化为16位数字电压信号,采样时间设置为8秒。通过定时模式或外部信号触发给与FPGA模块的使能信号端,之后FPGA模块通过数据总线采集AD7606模块的信号;AD7606模块通过逐次逼近法采集电压,通过串口传输至FPGA模块的SDRAM中;AD信号采集完成后,给与FPGA结束信号;FPGA通过RST信号复位AD7606模块,采集电压完成。通过GPRS模块向上位机传输数据。首先将GPRS模块的串口与I/O口初始化,给出传输的波特率为115200,串口位数为8位;通过AT指令直接将信号通过无线串口传输至上位机中。
步骤2:环境干扰振动信号如图2所示,将训练集中的振动信号去除奇异值并进行滤波处理,所述步骤2具体为;
步骤2.1:通过循环剔除电压范围不在1-5V之间的数字电压信号;
步骤2.2:通过RLS算法对干扰信号滤波,选取滤波器输出作为期望响应,滤波器的代价函数如下:
J(n)=∑λn-1|d(i)-wH(n)u(i)|2
其中,λ为遗忘因子,λ值越小时历史数据的权重越小;d(i)为期望信号序列;u(i)为输入信号序列;wH(n)是抽头增益向量初始化为0,通过迭代调节wH(n)使迭代函数达到最小;
步骤2.3,为使误差达到最小,对权向量求偏导:
步骤2.4,选取P(n)=R-1(n),基于步骤2.3推导出RLS滤波解集为:
步骤2.5,通过上述滤波器权向量解,带入得到估计误差,通过更新权向量得到新的估计误差,直至迭代误差收敛不变时,得到RLS的最小二乘解,RLS滤波器生成,对电压信号的干扰信号滤波。
步骤3:建立一维卷积神经网络模型,通过训练集对一维卷积神经网络模型进行训练,所述步骤3具体为;
步骤3.1,将采样到的1000个螺栓松动振动信号与1000个螺栓紧固振动信号作为训练集;
步骤3.2,将训练集中的振动信号归一化:
其中,u为振动电压数据中的一个电压值,umax、umin分别为单次采样振动电压数据的最小值与最大值;
对于振动波形信号,由于每次敲击不能保证完全一致,首先对信号进行归一化。对归一化后的数据进行一维卷积神经网络训练,一维卷积神经网络的网络结构图如图3所示,对采样结果的训练过程主要包含二个阶段。第一个部分时前向传播阶段,从样本集中取一个样本,输入网络计算相应的实际输出;在此阶段信息从输入层经过逐级变换,传送到输出层,这个过程也是网络在完成训练之后正常执行时执行的过程。第二个部分是后向传播阶段,计算实际输出与相应的理想输出的差值,按照极小化误差的方法调整权值矩阵。网络训练的过程如图4所示。
步骤3.3,将各权值、阈值,置成小的接近于0的随机值,并初始化精度控制参数和学习率;
步骤3.4从训练集中选取输入振动信号加到网络,并给出它的目标输出向量;
输入振动信号首先被分为n段,对于其中的一段信号Si,经过第一层卷积核,得到第一层卷积核的输出:
Xi=bi+conv1D(Si,Wi)
其中,conv1D(Si,Wi)为传递函数,b是特征偏置;
步骤3.5对第一层卷积核的输出Xi进行激活函数处理:
Vi=sigmoid(Xi)
其中,sigmoid()是S型函数,用来增加模型非线性特性,同时将变量Xi映射至0到1之间,通过该函数可以将环境干扰造成的一些微弱特征影响滤去,对特征降维;
步骤3.6第二层卷积核结构与第一层卷积核结构相同,通过该次训练计算中间层输出向量,计算网络的实际输出向量;
步骤3.7将实际输出向量中的元素与目标输出向量的元素进行比较,计算输出误差,对中间层的隐单元计算输出误差;
步骤3.8通过反向传播过程,依次计算各权值的调整量和阈值的调整量;
步骤3.9调整权值和调整阈值;
步骤3.10每一组训练数据迭代完成后,判断指标是否满足故障判断的精度要求,如果不满足,则返回步骤3.4继续迭代,如果满足就进入下一步;
根据下式判断指标是否满足故障判断的精度要求:
其中,∑q是测试集中判断准确的个数,∑q+∑p是测试集总数。
步骤3.11训练结束,将权值和阈值保存在文件中。这时可以认为各个权值已经达到稳定,分类器已经形成,再一次进行训练,直接从文件中导出权值和阈值进行训练。
步骤4:通过训练好的一维卷积神经网络模型判断螺栓松动情况。
将振动电压波形导入1D-CNN中,进行杆塔螺栓松动判别。装置定期采集敲击振动波形进行采集上传,通过上位机进行处理分析,螺栓松动识别准确度超过90%。
本发明通过在杆塔上安装一套螺栓松动检测装置,就可以定期检测整个杆塔所有螺栓的松紧状态。将杆塔振动信号通过无线传输至上位机,上位机在判断出杆塔故障后便提示工作人员区现场检修。通过这种方法可以有效地减少杆塔螺栓松动检测需要的时间和人力。
以上所述仅为本发明的较佳实施例,并不用以限制本发明的思想,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (3)
1.基于振动速度传感器波形采集的杆塔螺栓松动判别方法,其特征在于,包括如下步骤:
步骤1:通过振动速度传感器预先采集多组螺栓松动振动信号和螺栓紧固振动信号作为训练集;
步骤1.1:将振动速度传感器通过磁座吸附到杆塔上,并依次连接振动速度传感器、AD7606模块、FPGA模块、GPRS模块,远程配置好上位机;
步骤1.2:通过电磁敲击锤敲击杆塔一侧,并采集多组螺栓松动振动信号和螺栓紧固振动信号传输给上位机,以构成训练集;
步骤2:将训练集中的振动信号去除奇异值并进行滤波处理;
步骤2.1:通过循环剔除电压范围不在1-5V之间的数字电压信号;
步骤2.2:通过RLS算法对干扰信号滤波,选取滤波器输出作为期望响应,滤波器的代价函数如下:
J(n)=∑λn-1|d(i)-wH(n)u(i)|2
其中,λ为遗忘因子,λ值越小时历史数据的权重越小;d(i)为期望信号序列;u(i)为输入信号序列;wH(n)是抽头增益向量,初始化为0,通过迭代调节wH(n)使迭代函数达到最小;
步骤2.3,为使误差达到最小,对权向量求偏导:
步骤2.4,选取P(n)=R-1(n),基于步骤2.3推导出RLS滤波解集为:
步骤2.5,通过上述滤波器权向量解,带入得到估计误差,通过更新权向量得到新的估计误差,直至迭代误差收敛不变时,得到RLS的最小二乘解,RLS滤波器生成,对干扰信号滤波;
步骤3:建立一维卷积神经网络模型,通过训练集对一维卷积神经网络模型进行训练;
步骤4:通过训练好的一维卷积神经网络模型判断螺栓松动情况。
2.如权利要求1所述的基于振动速度传感器波形采集的杆塔螺栓松动判别方法,其特征在于,所述步骤3具体为;
步骤3.1,将采样到的1000个螺栓松动振动信号与1000个螺栓紧固振动信号作为训练集;
步骤3.2,将训练集中的振动信号归一化:
其中,u为振动电压数据中的一个电压值,umax、umin分别为单次采样振动电压数据的最小值与最大值;
步骤3.3,将各权值、阈值,置成小的接近于0的随机值,并初始化精度控制参数和学习率;
步骤3.4从训练集中选取输入振动信号加到网络,并给出它的目标输出向量;
输入振动信号首先被分为n段,对于其中的一段信号Si,经过第一层卷积核,得到第一层卷积核的输出:
Xi=bi+conv1D(Si,Wi)
其中,conv1D(Si,Wi)为传递函数,b是特征偏置;
步骤3.5对第一层卷积核的输出Xi进行激活函数处理:
Vi=sigmoid(Xi)
其中,sigmoid()是S型函数,用来增加模型非线性特性,同时将变量Xi映射至0到1之间,通过该函数将环境干扰造成的一些微弱特征影响滤去,对特征降维;
步骤3.6第二层卷积核结构与第一层卷积核结构相同,通过该次训练计算中间层输出向量,计算网络的实际输出向量;
步骤3.7将实际输出向量中的元素与目标输出向量的元素进行比较,计算输出误差,对中间层的隐单元计算输出误差;
步骤3.8通过反向传播过程,依次计算各权值的调整量和阈值的调整量;
步骤3.9调整权值和调整阈值;
步骤3.10一组训练数据迭代完成后,判断指标是否满足故障判断的精度要求,如果不满足,则返回步骤3.4继续迭代,如果满足就进入下一步;
步骤3.11训练结束,将权值和阈值保存在文件中,这时认为各个权值已经达到稳定,分类器已经形成,再一次进行训练,直接从文件中导出权值和阈值进行训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910558201.6A CN110296802B (zh) | 2019-06-26 | 2019-06-26 | 基于振动速度传感器波形采集的杆塔螺栓松动判别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910558201.6A CN110296802B (zh) | 2019-06-26 | 2019-06-26 | 基于振动速度传感器波形采集的杆塔螺栓松动判别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110296802A CN110296802A (zh) | 2019-10-01 |
CN110296802B true CN110296802B (zh) | 2021-05-14 |
Family
ID=68028875
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910558201.6A Active CN110296802B (zh) | 2019-06-26 | 2019-06-26 | 基于振动速度传感器波形采集的杆塔螺栓松动判别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110296802B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110866556A (zh) * | 2019-11-12 | 2020-03-06 | 东北大学 | 基于堆栈式支持向量机的杆塔螺栓状态监测方法及装置 |
CN111175378A (zh) * | 2020-01-21 | 2020-05-19 | 河海大学 | 一种螺栓拉力快速检测方法 |
CN111413075A (zh) * | 2020-04-02 | 2020-07-14 | 重庆交通大学 | 多尺度一维卷积神经网络的风机基座螺栓松动诊断方法 |
CN111637964B (zh) * | 2020-05-12 | 2021-10-26 | 西南交通大学 | 钢轨波磨识别方法 |
CN112507915B (zh) * | 2020-12-15 | 2023-06-20 | 西安交通大学 | 一种基于振动响应信息的螺栓连接结构松动状态识别方法 |
CN112816122B (zh) * | 2020-12-31 | 2023-04-07 | 武汉地震工程研究院有限公司 | 基于深度学习和压电主动传感的螺栓松紧程度监测方法 |
CN113804767B (zh) * | 2021-08-16 | 2022-11-04 | 东南大学 | 一种螺栓失效检测方法 |
CN114526898B (zh) * | 2022-01-25 | 2023-11-07 | 广东省特种设备检测研究院珠海检测院 | 机械部件螺栓松动检测方法及检测系统 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102706568A (zh) * | 2012-05-22 | 2012-10-03 | 西南交通大学 | 便携式列车振动测试仪 |
CN103091122A (zh) * | 2013-01-08 | 2013-05-08 | 北京工业大学 | 一种空间网格结构节点螺栓松动损伤的诊断方法 |
CN103852255B (zh) * | 2013-11-15 | 2017-06-06 | 北京能高自动化技术股份有限公司 | 基于神经网络风力发电机组典型传动故障智能诊断方法 |
CN106092544B (zh) * | 2016-07-04 | 2019-04-09 | 国网江苏省电力公司南京供电公司 | 一种gis的盆式绝缘子松动监测方法 |
CN106291351B (zh) * | 2016-09-20 | 2019-01-18 | 西安工程大学 | 基于卷积神经网络算法的高压断路器故障检测方法 |
CN109635677B (zh) * | 2018-11-23 | 2022-12-16 | 华南理工大学 | 基于多标签分类卷积神经网络的复合故障诊断方法及装置 |
CN109507542A (zh) * | 2018-12-27 | 2019-03-22 | 国网北京市电力公司 | 一种单相电压暂降快速检测方法 |
CN109765053B (zh) * | 2019-01-22 | 2022-04-29 | 中国人民解放军海军工程大学 | 利用卷积神经网络和峭度指标的滚动轴承故障诊断方法 |
-
2019
- 2019-06-26 CN CN201910558201.6A patent/CN110296802B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110296802A (zh) | 2019-10-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110296802B (zh) | 基于振动速度传感器波形采集的杆塔螺栓松动判别方法 | |
CN109856969B (zh) | 一种基于bp神经网络模型的故障预测方法及预测系统 | |
CN109917205B (zh) | 一种基于特征提取和多层感知机的电磁阀故障诊断装置及方法 | |
CN109341848B (zh) | 一种隧道运营阶段的安全监测系统 | |
CN110618353A (zh) | 一种基于小波变换+cnn的直流电弧故障检测方法 | |
CN113970420A (zh) | 一种基于深度学习的激波风洞测力信号频域分析方法 | |
CN112147474A (zh) | Xlpe电力电缆典型缺陷局部放电类型识别系统及方法 | |
CN110879927A (zh) | 一种用于海目标检测的海杂波幅度统计分布现场建模方法 | |
CN111007390B (zh) | 基于代数方法的模拟电路故障诊断模型 | |
CN111460737A (zh) | 泥水气压平衡盾构的智能沉降预测方法及系统 | |
CN115184768A (zh) | 一种输配电智能终端故障诊断与可靠性评估方法 | |
CN117169639B (zh) | 一种电源适配器生产用产品检测方法及系统 | |
CN113884818A (zh) | 一种基于lstm的配电网故障行波到达时间精确估算方法 | |
CN113514743A (zh) | 一种基于多维特征的gis局部放电模式识别系统构建方法 | |
CN106706285B (zh) | 一种制动盘固有频率在线检测方法 | |
CN114778141B (zh) | 汽车电驱动总成台架耐久试验制定方法、装置及设备 | |
CN109670143B (zh) | 一种环境激励下土木工程结构振动频域响应信号统计规律检测方法 | |
CN116771601A (zh) | 基于温度感知的风电机组优化控制方法及系统 | |
CN112073035A (zh) | 一种psd信号的自适应滤波方法 | |
CN113108949B (zh) | 一种基于模型融合的探空仪温度传感器误差预测方法 | |
CN113657149A (zh) | 一种基于深度学习的电能质量分析与识别方法 | |
CN110702972B (zh) | 一种模拟信号自适应采样方法及装置 | |
CN109946096B (zh) | 基于模型空间的高速列车风管故障诊断方法 | |
CN112528566A (zh) | 基于AdaBoost训练模型的空气质量数据实时校准方法及系统 | |
CN111753460A (zh) | 估算螺栓的夹紧力的方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |