CN110555457A - 发动机润滑油磨损信号特征处理系统及方法 - Google Patents
发动机润滑油磨损信号特征处理系统及方法 Download PDFInfo
- Publication number
- CN110555457A CN110555457A CN201910670037.8A CN201910670037A CN110555457A CN 110555457 A CN110555457 A CN 110555457A CN 201910670037 A CN201910670037 A CN 201910670037A CN 110555457 A CN110555457 A CN 110555457A
- Authority
- CN
- China
- Prior art keywords
- module
- signal
- lubricating oil
- frequency
- classifier
- 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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
- G01N27/72—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables
- G01N27/82—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables for investigating the presence of flaws
- G01N27/90—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables for investigating the presence of flaws using eddy currents
-
- 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
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Chemical & Material Sciences (AREA)
- Artificial Intelligence (AREA)
- Electrochemistry (AREA)
- Health & Medical Sciences (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种发动机润滑油磨损信号特征处理系统及方法,包括依序连接的电涡流传感器(1)、存储介质(2)、信号去噪模块(3)和端点检测模块(4)、FFT变换预处理模块(5)和有效分量提取模块(6),有效分量提取模块(6)的输出端分两路分别连接频率特征提取模块(7)和时间特征提取模块(8);所述频率特征提取模块(7)、时间特征提取模块(8)的输出端再与特征向量拼合模块(9)、分类器(11)和分类结果显示模块(12)顺序连接,分类器训练模块(10)再连接至所述分类器(11)。本发明通过少量的数据训练实现很高的分类正确率;即使在减少特征数量的情况下,也能很好地表征鲸叫声脉冲时域和频域特征,实现很高的分类正确率。
Description
技术领域
本发明属于发动机润滑油检测领域,特别是一种发动机润滑油磨损信号特征提取和分类方法及装置。
背景技术
发动机润滑油中常常携带着大量发动机磨损信息,人们常通过诊断发动机内流动的润滑油来间接地提取发动机磨损信息,诊断发动机磨损故障,为预测磨损趋势以及识别磨损模式提供依据。发动机磨损信号主要包括润滑油内的金属颗粒(以下简称“滑油颗粒”)信号、发动机振动脉冲和油路内气泡信号。而发动机内润滑油的诊断,关键就是从磨损信号中识别出滑油颗粒信号,通过对滑油颗粒的统计分析可以获得发动机的磨损信息;然而,在实际应用的过程中,检测信号中常常伴有各种噪声和干扰,如发动机油管的震动和油液内的气泡;这些干扰和噪声将严重影响对发动机磨损状态的判断,因此发动机滑油颗粒信号的特征提取和分类方法对发动机磨损检测具有重大意义。
发明内容
为了克服现有技术对滑油颗粒信号和发动机振动脉冲识别正确率低、对油路内气泡几乎难以识别的缺点,本发明提出了一种发动机润滑油磨损信号特征处理系统及方法,能自动识别滑油颗粒信号、发动机振动脉冲和油路内气泡信号,并对滑油颗粒信号进行精确提取,最后通过分类器对滑油颗粒信号、发动机振动脉冲和油路内气泡信号实现精确分类的方法和装置。
本发明提出一种动机润滑油磨损信号特征处理系统,该系统从输入端到输出端包括依序连接的电涡流传感器1、存储介质2、信号去噪模块3和端点检测模块4、FFT变换预处理模块5和有效分量提取模块6,有效分量提取模块6的输出端分两路分别连接频率特征提取模块7和时间特征提取模块8;所述频率特征提取模块7、时间特征提取模块8的输出端再与特征向量拼合模块9、分类器11、分类结果显示模块12顺序连接,分类器训练模块10再连接至所述分类器11;
其中,信号去噪模块3和端点检测模块4构成发动机润滑油磨损信号预处理子系统13;FFT变换预处理模块5和有效分量提取模块6,频率特征提取模块7和时间特征提取模块8构成发动机润滑油磨损信号特征提取子系统14;特征向量拼合模块9、分类器训练模块10、分类器11和分类结果显示模块12构成发动机润滑油磨损信号特征分类子系统15;
其中:由所述电涡流传感器1采集、所述信号存储介质2存储的含有滑油磨损信号,首先经过所述信号去噪模块3得到去噪后的信号;再经过所述端点检测模块4提取含有润滑油颗粒信号、发动机振动脉冲和油路内气泡信号的发动机润滑油磨损信号特征帧;特征帧经过所述FFT变换预处理模块5得到FFT频谱系数;所述有效分量提取模块6从FFT频谱系数提取出前四个最大值,得到有效FFT频谱系数,有效频谱系数对应的频率值为有效频率值,有效频谱系数和有效频率值共同构成有效分量;经所述频率特征提取模块7和所述时间特征提取模块8基于有效分量的频率特征提取算法和时间特征提取算法,特征向量拼合模块9将时间特征和频率特征分别作为向量的不同元素,进而拼合为特征向量,特征向量拼合结果被送入先前已训练过的所述分类器训练模块10,所述分类器分类模块11对特征向量进行分类,所述分类结果显示模块12输出分类结果。
本发明还提出一种发动机润滑油磨损信号特征处理方法,该方法包括以下步骤:
利用涡流传感器1采集、信号存储介质2存储的含有滑油磨损信号,经过信号噪模块3得到去噪后的信号,传输至端点检测模块4;
从去噪后的滑油磨损信号中提取含有润滑油颗粒信号、发动机振动脉冲信号和油路内气泡信号的发动机润滑油磨损信号特征帧,传输至FFT变换预处理模块5;
将特征帧发动机润滑油磨损信号特征帧经过FFT变换得到FFT频谱系数,有效频谱系数中的前四个最大值为有效频率值,有效频谱系数和有效频率值共同构成有效分量,分两路传输至频率特征提取模块7和时间特征提取模块8;
得到有效分量的频率特征向量和有效分量的时间特征向量,传输至特征向量拼合模块9,
特征向量拼合模块9将时间特征和频率特征分别作为向量的不同元素,进而拼合为特征向量,送入先前已训练过的分类器训练模块10,得到特征向量训练结果传输至分类器11;分类器训练是将标准的、分类结果已知的滑油颗粒信号,经过同样的前述过程,进而得到标准的、分类结果已知的、用于训练的特征向量,基于这些用于训练的特征向量和已知的分类结果,分类器对自身进行训练;
对特征向量训练结果进行分类,输出分类结果。
与现有技术相比,本发明针对滑油颗粒信号、发动机振动脉冲和油路内气泡信号的特征,有效地克服了现有技术对滑油颗粒信号和发动机振动脉冲识别正确率低,对油路内气泡几乎难以识别的缺点;能够准确地提取滑油颗粒信号、发动机振动脉冲和油路内气泡信号的时域和频域特征;该时域特征和频域特征即使在训练数据量较少的情况下,通过少量的数据训练,也能实现很高的分类正确率;该时域特征和频域特征即使在减少特征数量的情况下,也能很好地表征鲸叫声脉冲时域和频域的特征,实现很高的分类正确率。
附图说明
图1为本发明的发动机润滑油磨损信号特征提取和分类系统结构框图;
图2为本发明中发动机润滑油磨损信号特征提取模型示意图;
图3本发明中发动机润滑油磨损信号征分类模型示意图。
附图标记:
图1中:电涡流传感器(磨损信号采集);2、信号存储介质(磨损信号存储);3、信号去噪模块;4、端点检测模块;5、FFT变换预处理模块;6、有效分量提取模块;7、频率特征提取模块;8、时间特征提取模块;9、特征向量拼合模块;10、分类器训练模块;11、分类器分类模块;12、分类结果显示模块;13、发动机润滑油磨损信号预处理子系统;14、发动机润滑油磨损信号特征提取子系统;15、发动机润滑油磨损信号特征分类子系统;
图2中:16、发动机润滑油磨损信号特征帧;17、FFT变换预处理模块;18、FFT计算结果;19、快速/堆栈排序模块;20、排序后的频谱系数和频率值;21、有效频谱系数Ti;22、有效频值fi;23、有效分量;24、有效频谱系数比值Ei;25、有效频率值比值Di;26、基波频率f1;27、频率特征Fi;28、时间特征td;29、特征向量;
图3中:30、分类器结构要求;31、分类器参数确定过程;32、分类器结构参数;33、用于训练的特征向量;34、分类器训练过程;35、训练过程对分类器参数的优化;36、BP神经网络分类器;37、待分类特征向量;38、分类器输出结果;39、分类决策模块;40、最终分类结果。
具体实施方式
下面将结合示例对本发明的技术方案作进一步的详细描述。
如图1所示,为本发明的发动机润滑油磨损信号特征提取和分类系统结构框图。该系统包括三个子系统即发动机润滑油磨损信号预处理子系统13、发动机润滑油磨损信号特征提取子系统14和发动机润滑油磨损信号特征分类子系统15。发动机润滑油磨损信号预处理子系统13包括电涡流传感器1、存储介质2、信号去噪模块3和端点检测模块4;发动机润滑油磨损信号特征提取子系统14包括FFT变换预处理模块5、有效分量提取模块6、频率特征提取模块7和时间特征提取模块8;发动机润滑油磨损信号特征分类子系统15包括特征向量拼合模块9、分类器训练模块10、分类器分类模块11和分类结果显示模块12;依托于DSP、FPGA、ARM等硬件平台实现。
由电涡流传感器1采集、信号存储介质2存储的含有滑油磨损信号,首先经过信号去噪模块3得到去噪后的信号;再经过端点检测模块4提取出含有滑油颗粒信号、发动机振动脉冲和油路内气泡信号的发动机润滑油磨损信号特征帧端点检测模块首先将滑油磨损信号S(t)划分为长度为L的信号帧fi(t),然后再基于短时能量谱法,计算各信号帧的短时能量Ei,计算过程如下:
Ei=∫f(t)dt
基于短时能量Ei,结合双门限监测方法,端点检测模块最终可以获得含有特征信号的发动机润滑油磨损信号特征帧。
滑油颗粒信号是一种单周期单频率的正弦信号;发动机震动脉冲是一种快速的宽频脉冲,其频谱分布明显不同于滑油颗粒信号;油路内气泡虽然也是一种单周期单频率正弦信号,但是润滑油流速一定的条件下,其时间周期远大于滑油颗粒信号,通过与一段时间内的其他颗粒信号对比可以识别出油路内气泡信号。特征帧经过FFT变换预处理模块5得到FFT频谱系数;有效分量提取模块6从FFT频谱系数提取出前四个最大值,得到有效FFT频谱系数,有效频谱系数对应的频率值为有效频率值,有效频谱系数和有效频率值共同构成有效分量;经频率特征提取模块7和时间特征提取模块8基于有效分量的频率特征提取算法和时间特征提取算法,得到特征向量,特征向量被送入先前已训练过的BP神经网络分类器后,分类器对特征向量进行分类,输出分类结果。
如图2所示,为本发明中发动机润滑油磨损信号特征提取模型示意图。经过发动机润滑油磨损信号预处理子系统13的发动机润滑油磨损信号特征帧16,首先通过FFT变换预处理模块17进行FFT变换。经过FFT变换后,将FFT计算结果通过快速排序/堆栈排序模块19重新排序,得到排序后的频谱系数和频率值20。
进一步地,重新排序后的结果不代表滑油磨损信号特征的系数。在特征提取过程之前,首要提取出有效分量23:(1)取频谱系数中的前四个最大值,作为有效频谱系数Ti21,并标记为Ti,i=1,2,3,4且T1>T2>T3>T4,(2)根据有效频谱系数,可以获得有效频谱系数对应的有效频率值fi 22,将其标记为fi,i=1,2,3,4;(3)所有有效频谱系数和有效频率值,共同构成了有效分量23,有效分量23保留了表征滑油颗粒信号、发动机振动脉冲和油路内气泡信号特征的系数,并丢弃了无用系数;
进一步地,基于有效分量23,将有效分量23中的有效频谱系数21依次相比求得有效频谱系数比值Ei 24:
进一步地,将有效分量23中有效频率值22依次相比求得有效频率比值Di25:
有效频谱系数比值Ei 24和有效频率比值Di 25共同构成频率特征Fi 27:
Fi=[Ei,Di]
进一步地,有效频率分量重最大值Ti 21对应的频率值f1即为信号的基波频率26,和信号的时长成反比关系,因此时间特征td 28通过下式计算:
式中,K为一恒定常数,其大小和系统采样率有关。
频率特征27和时间特征28构成特征向量29。
如图3所示,为本发明的一种发动机润滑油磨损信号示意图。使用BP神经网络作为发动机润滑油磨损信号特征分类器36,首先合理设定分类器参数31,包括网络层数、输入层、隐含层节点数、输出层神经元个数、传递函数、训练方法、神经网络的初始权值、误差容限、学习率、动量因子、最大迭代次数和第一代初始参数等。进一步地,经过发动机润滑油磨损信号特征提取子系统14得到的特征向量9,选择若干特征向量作为训练数据33,对神经网络进行训练。神经网络训练完成后,待分类信号37被送入分类器,根据分类器的输出结果进行分类决策,最后输出最终分类结果40。
Claims (2)
1.一种发动机润滑油磨损信号特征处理系统,其特征在于,该系统从输入端到输出端包括依序连接的电涡流传感器(1)、存储介质(2)、信号去噪模块(3)和端点检测模块(4)、FFT变换预处理模块(5)和有效分量提取模块(6),有效分量提取模块(6)的输出端分两路分别连接频率特征提取模块(7)和时间特征提取模块(8);所述频率特征提取模块(7)、时间特征提取模块(8)的输出端再与特征向量拼合模块(9)、分类器(11)和分类结果显示模块(12)顺序连接,分类器训练模块(10)再连接至所述分类器(11);
其中,信号去噪模块(3)和端点检测模块(4)构成发动机润滑油磨损信号预处理子系统(13);FFT变换预处理模块(5)和有效分量提取模块(6),频率特征提取模块7和时间特征提取模块(8)构成发动机润滑油磨损信号特征提取子系统(14);特征向量拼合模块(9)、分类器训练模块(10)、分类器(11)和分类结果显示模块(12)构成发动机润滑油磨损信号特征分类子系统(15);
其中:由所述电涡流传感器(1)采集、所述信号存储介质2存储的含有滑油磨损信号,首先经过所述信号去噪模块(3)得到去噪后的信号;再经过所述端点检测模块(4)提取含有润滑油颗粒信号、发动机振动脉冲和油路内气泡信号的发动机润滑油磨损信号特征帧;特征帧经过所述FFT变换预处理模块(5)得到FFT频谱系数;所述有效分量提取模块(6)从FFT频谱系数提取出前四个最大值,得到有效FFT频谱系数,有效频谱系数对应的频率值为有效频率值,有效频谱系数和有效频率值共同构成有效分量;经所述频率特征提取模块(7)和所述时间特征提取模块(8)基于有效分量的频率特征提取算法和时间特征提取算法,特征向量拼合模块(9)将时间特征和频率特征分别作为向量的不同元素,进而拼合为特征向量,特征向量拼合结果被送入先前已训练过的所述分类器训练模块(10),所述分类器分类模块(11)对特征向量进行分类,所述分类结果显示模块(12)输出分类结果。
2.一种发动机润滑油磨损信号特征处理方法,其特征在于,该方法包括以下步骤:
利用涡流传感器(1)采集、信号存储介质(2)存储的含有滑油磨损信号,经过信号噪模块(3)得到去噪后的信号,传输至端点检测模块(4);
从去噪后的滑油磨损信号中提取含有润滑油颗粒信号、发动机振动脉冲信号和油路内气泡信号的发动机润滑油磨损信号特征帧,传输至FFT变换预处理模块(5);
将特征帧发动机润滑油磨损信号特征帧经过FFT变换得到FFT频谱系数,传输至有效分量提取模块(6);
从FFT频谱系数提取出有效频谱系数中的前四个最大值为有效频率值,有效频谱系数和有效频率值共同构成有效分量,分两路传输至频率特征提取模块(7)和时间特征提取模块(8);
特征向量拼合模块(9)将时间特征和频率特征分别作为向量的不同元素,进而拼合为特征向量,送入先前已训练过的分类器训练模块(10),得到特征向量训练结果传输至分类器(11);分类器训练是将标准的、分类结果已知的滑油颗粒信号,经过同样的前述过程,进而得到标准的、分类结果已知的、用于训练的特征向量,基于这些用于训练的特征向量和已知的分类结果,分类器对自身进行训练;
对特征向量训练结果进行分类,输出分类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910670037.8A CN110555457A (zh) | 2019-07-24 | 2019-07-24 | 发动机润滑油磨损信号特征处理系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910670037.8A CN110555457A (zh) | 2019-07-24 | 2019-07-24 | 发动机润滑油磨损信号特征处理系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110555457A true CN110555457A (zh) | 2019-12-10 |
Family
ID=68735885
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910670037.8A Pending CN110555457A (zh) | 2019-07-24 | 2019-07-24 | 发动机润滑油磨损信号特征处理系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110555457A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022021527A1 (zh) * | 2020-07-29 | 2022-02-03 | 西人马联合测控(泉州)科技有限公司 | 监测传感器降噪方法、装置、设备及计算机存储介质 |
CN117470948A (zh) * | 2023-10-18 | 2024-01-30 | 苏州仁正智探科技有限公司 | 一种感应式油液屑末信号监测与识别系统及方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107169462A (zh) * | 2017-05-19 | 2017-09-15 | 山东建筑大学 | 一种基于层次分析的脑电信号特征分类的二分类方法 |
CN107731235A (zh) * | 2017-09-30 | 2018-02-23 | 天津大学 | 抹香鲸与长鳍领航鲸叫声脉冲特征提取和分类方法及装置 |
CN108680245A (zh) * | 2018-04-27 | 2018-10-19 | 天津大学 | 鲸豚类Click类叫声与传统声呐信号分类方法及装置 |
CN109408660A (zh) * | 2018-08-31 | 2019-03-01 | 安徽四创电子股份有限公司 | 一种基于音频特征的音乐自动分类的方法 |
-
2019
- 2019-07-24 CN CN201910670037.8A patent/CN110555457A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107169462A (zh) * | 2017-05-19 | 2017-09-15 | 山东建筑大学 | 一种基于层次分析的脑电信号特征分类的二分类方法 |
CN107731235A (zh) * | 2017-09-30 | 2018-02-23 | 天津大学 | 抹香鲸与长鳍领航鲸叫声脉冲特征提取和分类方法及装置 |
CN108680245A (zh) * | 2018-04-27 | 2018-10-19 | 天津大学 | 鲸豚类Click类叫声与传统声呐信号分类方法及装置 |
CN109408660A (zh) * | 2018-08-31 | 2019-03-01 | 安徽四创电子股份有限公司 | 一种基于音频特征的音乐自动分类的方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022021527A1 (zh) * | 2020-07-29 | 2022-02-03 | 西人马联合测控(泉州)科技有限公司 | 监测传感器降噪方法、装置、设备及计算机存储介质 |
CN117470948A (zh) * | 2023-10-18 | 2024-01-30 | 苏州仁正智探科技有限公司 | 一种感应式油液屑末信号监测与识别系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Fault diagnosis of a rolling bearing using wavelet packet denoising and random forests | |
CN108318249B (zh) | 一种旋转机械轴承的故障诊断方法 | |
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 | |
CN110879254B (zh) | 一种基于改进最小二乘生成式对抗网络的钢轨裂纹声发射信号检测方法 | |
CN110991295B (zh) | 一种基于一维卷积神经网络的自适应故障诊断方法 | |
CN112257530B (zh) | 基于盲信号分离和支持向量机的滚动轴承故障诊断方法 | |
CN111238843B (zh) | 一种基于快速谱峭度分析的风机健康评价方法 | |
CN107121285B (zh) | 一种滚动轴承振动信号故障特征提取方法 | |
Zhang et al. | Rolling bearing fault convolutional neural network diagnosis method based on casing signal | |
CN113901379B (zh) | 一种边缘端的实时数据动态在线快速处理方法 | |
CN110555457A (zh) | 发动机润滑油磨损信号特征处理系统及方法 | |
CN105626502A (zh) | 基于小波包和拉普拉斯特征映射的柱塞泵健康评估方法 | |
CN112364706A (zh) | 一种基于类不平衡的小样本轴承故障诊断方法 | |
Xie et al. | Feature extraction based on DWT and CNN for rotating machinery fault diagnosis | |
Liao et al. | Research on a rolling bearing fault detection method with wavelet convolution deep transfer learning | |
CN114997218A (zh) | 一种针对轨道车辆车轮多边形磨耗的识别检测方法 | |
CN116778964A (zh) | 一种基于声纹识别的变电设备故障监测系统及方法 | |
CN110458071B (zh) | 一种基于dwt-dfpa-gbdt的光纤振动信号特征提取与分类方法 | |
CN114346761A (zh) | 一种基于改进条件生成对抗网络的刀具磨损状况检测方法 | |
CN116776075A (zh) | 风机叶片健康监测系统及其监测方法 | |
CN105823634A (zh) | 基于时频关联向量卷积玻尔兹曼机的轴承损伤识别方法 | |
CN113962264A (zh) | 一种基于深度学习的航空发动机转子系统故障诊断算法 | |
CN113409213B (zh) | 柱塞泵故障信号时频图降噪增强方法和系统 | |
CN110160778A (zh) | 基于序贯假设检验的齿轮箱故障状态识别方法 | |
CN115758258A (zh) | 一种基于振动信号和领域知识的牵引变压器故障诊断方法 |
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: 20191210 |
|
WD01 | Invention patent application deemed withdrawn after publication |