CN110702408A - 一种轴承状态变化事件监测方法及装置 - Google Patents
一种轴承状态变化事件监测方法及装置 Download PDFInfo
- Publication number
- CN110702408A CN110702408A CN201910938395.2A CN201910938395A CN110702408A CN 110702408 A CN110702408 A CN 110702408A CN 201910938395 A CN201910938395 A CN 201910938395A CN 110702408 A CN110702408 A CN 110702408A
- Authority
- CN
- China
- Prior art keywords
- bearing
- detection data
- monitoring
- event
- expected value
- 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
Images
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
- G01M13/04—Bearings
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (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)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及自动化监测技术领域,具体涉及一种轴承状态变化事件监测方法及装置,首先获取轴承监测点的历史检测数据,计算所述历史检测数据的变化率;进而根据所述变化率对所述历史检测数据进行阈值处理,生成分类簇,并提取所述分类簇各自对应的历史检测数据,形成多组聚类样本数据,提取所述聚类样本数据各自对应的期望值和事件,形成期望值和事件的对应关系;通过获取轴承监测点实时采集的当前检测数据,根据所述当前检测数据与所述期望值监测出轴承当前对应的事件,本发明可以提高对检测数据的处理效率,实现更快速地监测轴承状态变化。
Description
技术领域
本发明涉及自动化监测技术领域,具体涉及一种轴承状态变化事件监测方法及装置。
背景技术
在自动化监测领域中,通常认为自动化设备是一种可以实现自我状态评估的机械控制系统,其能实现准确自我分析,并将其工况快速反馈给操作员以便让问题尽快得到解决。
所有机械部件都易发生故障,但是通过采用传感器对轴承状态进行监测,通过智能程序来预估潜在的问题,并及时反馈事件评估报告。对轴承状态变化事件进行监测时,需要实时监测出轴承状态,对检测数据的处理效率要求高。
因此,如何解决对轴承状态变化事件进行监测时,对检测数据的处理效率低下的问题,实现更快速地监测轴承状态变化。成为值得研究的问题。
发明内容
为解决上述问题,本发明提供一种轴承状态变化事件监测方法及装置,可以提高对检测数据的处理效率,实现更快速地监测轴承状态变化。
为了实现上述目的,本发明提供以下技术方案:
一种轴承状态变化事件监测方法,包括:
获取轴承监测点的历史检测数据,计算所述历史检测数据的变化率;
根据所述变化率对所述历史检测数据进行阈值处理,生成分类簇;
提取所述分类簇各自对应的历史检测数据,形成多组聚类样本数据;
提取所述聚类样本数据各自对应的期望值和事件,形成期望值和事件的对应关系;
获取轴承监测点实时采集的当前检测数据,根据所述当前检测数据与所述期望值监测出轴承当前对应的事件。
进一步,所述轴承监测点包括:轴箱、齿轮箱、电机定子、电机传动端轴承。
进一步,所述检测数据包括:电压值、转速值、温度值和载荷值,所述事件包括:磨损、锈蚀、断裂、疲劳剥落和正常运行。
进一步,所述根据所述变化率对所述历史检测数据进行阈值处理,生成分类簇,具体为:
对所述变化率进行归一化处理,生成取值范围在[0,1]的归一化数据集合;
采用DBSCAN聚类算法对所述归一化数据集合进行训练,输出分类簇、分类簇的数量。
进一步,所述根据所述当前检测数据与所述期望值监测出轴承当前对应的事件,具体为:
计算所述当前检测数据与各个的期望值的欧式距离,获取欧式距离最短的期望值,将所述期望值对应的事件作为轴承当前对应的事件。
一种轴承状态变化事件监测装置,所述装置包括:存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序运行在以下装置的模块中:
变化率获取模块,用于获取轴承监测点的历史检测数据,计算所述历史检测数据的变化率;
分类簇生成模块,用于根据所述变化率对所述历史检测数据进行阈值处理,生成分类簇;
聚类样本数据形成模块,用于提取所述分类簇各自对应的历史检测数据,形成多组聚类样本数据;
对应关系形成模块,用于提取所述聚类样本数据各自对应的期望值和事件,形成期望值和事件的对应关系;
事件监测模块,用于获取轴承监测点实时采集的当前检测数据,根据所述当前检测数据与所述期望值监测出轴承当前对应的事件。
进一步,所述变化率获取模块中的轴承监测点包括:轴箱、齿轮箱、电机定子、电机传动端轴承。
进一步,所述变化率获取模块中的检测数据包括:电压值、转速值、温度值和载荷值,所述事件包括:磨损、锈蚀、断裂、疲劳剥落和正常运行。
进一步,所述分类簇生成模块具体用于:
对所述变化率进行归一化处理,生成取值范围在[0,1]的归一化数据集合;
采用DBSCAN聚类算法对所述归一化数据集合进行训练,输出分类簇、分类簇的数量。
进一步,所述事件监测模块中,根据所述当前检测数据与所述期望值监测出轴承当前对应的事件,具体为:
计算所述当前检测数据与各个的期望值的欧式距离,获取欧式距离最短的期望值,将所述期望值对应的事件作为轴承当前对应的事件。
本发明的有益效果是:本发明公开一种轴承状态变化事件监测方法及装置,首先获取轴承监测点的历史检测数据,计算所述历史检测数据的变化率;进而根据所述变化率对所述历史检测数据进行阈值处理,生成分类簇,并提取所述分类簇各自对应的历史检测数据,形成多组聚类样本数据,提取所述聚类样本数据各自对应的期望值和事件,形成期望值和事件的对应关系;通过获取轴承监测点实时采集的当前检测数据,根据所述当前检测数据与所述期望值监测出轴承当前对应的事件。本发明可以提高对检测数据的处理效率,实现更快速地监测轴承状态变化。
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,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅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性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例一种轴承状态变化事件监测方法的流程示意图;
图2是本发明实施例一种轴承状态变化事件监测装置的结构示意图。
具体实施方式
以下将结合实施例和附图对本公开的构思、具体结构及产生的技术效果进行清楚、完整的描述,以充分地理解本公开的目的、方案和效果。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
参考图1,如图1所示为一种轴承状态变化事件监测方法,包括以下步骤:
步骤S100、获取轴承监测点的历史检测数据,计算所述历史检测数据的变化率;
步骤S200、根据所述变化率对所述历史检测数据进行阈值处理,生成分类簇;
步骤S300、提取所述分类簇各自对应的历史检测数据,形成多组聚类样本数据;
步骤S400、提取所述聚类样本数据各自对应的期望值和事件,形成期望值和事件的对应关系;
步骤S500、获取轴承监测点实时采集的当前检测数据,根据所述当前检测数据与所述期望值监测出轴承当前对应的事件。
本实施例首先获取生产线监测点上过往多个时刻记录的检测数据,显然的,所述检测数据为一组与过往时刻对应的数据集合,本实施例中,过往多个时刻为一段时间内的连续采样时刻点,为保证采样数据的可靠性和全面性,应保证所述时间足够长,具体的,可将所述连续采样时刻点的数量设定为105,两个所述连续采样时刻点的时间间隔应该足够短,具体地,所述连续采样时刻点不超过生产线监测点运行周期的一半。
本实施例首先获取历史检测数据的变化率,通过变化率可以直观的反映轴承工作状态,进而根据所述变化率对所述历史检测数据进行阈值处理,生成分类簇,这一步骤是为了区分不同变化率,变化率大小所对应的轴承工作状态自然不同,因此根据变化率生成分类簇,可以更加准确的区分出不同的轴承工作状态,接着提取所述分类簇各自对应的历史检测数据,形成多组聚类样本数据,从而通过分类形成的分类簇将原始的历史检测数据进行了分类,这种分类方式更加有效的利用了历史检测数据的数据特征,相比直接对历史检测数据进行聚类,可以更加准确的将历史检测数据与轴承工作状态进行对应。通过提取所述聚类样本数据各自对应的期望值和事件,形成期望值和事件的对应关系,可以更加简要的体现历史检测数据与轴承工作状态的对应关系;最后,通过获取轴承监测点实时采集的当前检测数据,根据所述当前检测数据与所述期望值监测出轴承当前对应的事件。本公开提供的实施例解决了对轴承状态变化事件进行监测时,对检测数据的处理效率低下,复杂度高的问题,通过建立历史检测数据与轴承工作状态的简要对应关系,实现了更快速地监测轴承状态变化。
在一个具体的实施例中,所述轴承监测点包括:轴箱、齿轮箱、电机定子、电机传动端轴承。
在一个具体的实施例中,所述检测数据包括:电压值、转速值、温度值和载荷值,所述事件包括:磨损、锈蚀、断裂、疲劳剥落和正常运行。在一个实施例中,所述传感器包括但不限于应变片、振动传感器、加速度传感器、温度传感器。
在一个实施例中,所述根据所述变化率对所述历史检测数据进行阈值处理,生成分类簇,具体为:
对所述变化率进行归一化处理,生成取值范围在[0,1]的归一化数据集合;
采用DBSCAN聚类算法对所述归一化数据集合进行训练,输出分类簇、分类簇的数量。
本实施例所述的DBSCAN聚类算法(Density-Based Spatial Clustering ofApplicati ons with Noise,DBSCAN)是一个比较有代表性的基于密度的聚类算法。与划分和层次聚类方法不同,它将簇定义为密度相连的点的最大集合,能够把具有足够高密度的区域划分为簇,并可在噪声的空间数据中发现任意形状的聚类。采用DBSCAN聚类算法输出的分类簇可以按密度的区域对变化率进行划分,更加合理的对变化率进行分类,便于后期将历史检测数据与轴承工作状态形成更加准确的对应关系。
在一个实施例中,所述根据所述当前检测数据与所述期望值监测出轴承当前对应的事件,具体为:
计算所述当前检测数据与各个期望值的欧式距离,获取欧式距离最短的期望值,将所述期望值对应的事件作为轴承当前对应的事件。
本实施例通过当前检测数据与各个期望值的欧式距离判定当前检测数据与轴承工作状态的接近程度,可以快速准确监测出轴承当前对应的事件。
参考图2,本公开提供的实施例还包括一种轴承状态变化事件监测装置,所述装置包括:存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序运行在以下装置的模块中:
变化率获取模块100,用于获取轴承监测点的历史检测数据,计算所述历史检测数据的变化率;
分类簇生成模块200,用于根据所述变化率对所述历史检测数据进行阈值处理,生成分类簇;
聚类样本数据形成模块300,用于提取所述分类簇各自对应的历史检测数据,形成多组聚类样本数据;
对应关系形成模块400,用于提取所述聚类样本数据各自对应的期望值和事件,形成期望值和事件的对应关系;
事件监测模块500,用于获取轴承监测点实时采集的当前检测数据,根据所述当前检测数据与所述期望值监测出轴承当前对应的事件。
在一个实施例中,所述变化率获取模块中的轴承监测点包括:轴箱、齿轮箱、电机定子、电机传动端轴承。
在一个实施例中,所述变化率获取模块中的检测数据包括:电压值、转速值、温度值和载荷值,所述事件包括:磨损、锈蚀、断裂、疲劳剥落和正常运行。
在一个实施例中,所述分类簇生成模块具体用于:
对所述变化率进行归一化处理,生成取值范围在[0,1]的归一化数据集合;
采用DBSCAN聚类算法对所述归一化数据集合进行训练,输出分类簇、分类簇的数量。
在一个改进的实施例中,所述事件监测模块中,根据所述当前检测数据与所述期望值监测出轴承当前对应的事件,具体为:
计算所述当前检测数据与各个的期望值的欧式距离,获取欧式距离最短的期望值,将所述期望值对应的事件作为轴承当前对应的事件。
所述一种轴承状态变化事件监测装置可以运行于桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备中。所述一种轴承状态变化事件监测装置,可运行的装置可包括,但不仅限于,处理器、存储器。本领域技术人员可以理解,所述例子仅仅是一种轴承状态变化事件监测装置的示例,并不构成对一种轴承状态变化事件监测装置的限定,可以包括比例子更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述一种轴承状态变化事件监测装置还可以包括输入输出设备、网络接入设备、总线等。
所称处理器可以是中央处理单元(Central-Processing-Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital-Signal-Processor,DSP)、专用集成电路(Application-Specific-Integrated-Circuit,ASIC)、现场可编程门阵列(Field-Programmable-Gate-Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,所述处理器是所述一种轴承状态变化事件监测装置运行装置的控制中心,利用各种接口和线路连接整个一种轴承状态变化事件监测装置可运行装置的各个部分。
所述存储器可用于存储所述计算机程序和/或模块,所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现所述一种轴承状态变化事件监测装置的各种功能。所述存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart-Media-Card,SMC),安全数字(Secure-Digital,SD)卡,闪存卡(Flash-Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
尽管本公开的描述已经相当详尽且特别对几个所述实施例进行了描述,但其并非旨在局限于任何这些细节或实施例或任何特殊实施例,而是应当将其视作是通过参考所附权利要求,考虑到现有技术为这些权利要求提供广义的可能性解释,从而有效地涵盖本公开的预定范围。此外,上文以发明人可预见的实施例对本公开进行描述,其目的是为了提供有用的描述,而那些目前尚未预见的对本公开的非实质性改动仍可代表本公开的等效改动。
Claims (10)
1.一种轴承状态变化事件监测方法,其特征在于,包括:
获取轴承监测点的历史检测数据,计算所述历史检测数据的变化率;
根据所述变化率对所述历史检测数据进行阈值处理,生成分类簇;
提取所述分类簇各自对应的历史检测数据,形成多组聚类样本数据;
提取所述聚类样本数据各自对应的期望值和事件,形成期望值和事件的对应关系;
获取轴承监测点实时采集的当前检测数据,根据所述当前检测数据与所述期望值监测出轴承当前对应的事件。
2.根据权利要求1所述的轴承状态变化事件监测方法,其特征在于,所述轴承监测点包括:轴箱、齿轮箱、电机定子、电机传动端轴承。
3.根据权利要求2所述的轴承状态变化事件监测方法,其特征在于,所述检测数据包括:电压值、转速值、温度值和载荷值,所述事件包括:磨损、锈蚀、断裂、疲劳剥落和正常运行。
4.根据权利要求3所述的轴承状态变化事件监测方法,其特征在于,所述根据所述变化率对所述历史检测数据进行阈值处理,生成分类簇,具体为:
对所述变化率进行归一化处理,生成取值范围在[0,1]的归一化数据集合;
采用DBSCAN聚类算法对所述归一化数据集合进行训练,输出分类簇、分类簇的数量。
5.根据权利要求4所述的轴承状态变化事件监测方法,其特征在于,所述根据所述当前检测数据与所述期望值监测出轴承当前对应的事件,具体为:
计算所述当前检测数据与各个的期望值的欧式距离,获取欧式距离最短的期望值,将所述期望值对应的事件作为轴承当前对应的事件。
6.一种轴承状态变化事件监测装置,其特征在于,所述装置包括:存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序运行在以下装置的模块中:
变化率获取模块,用于获取轴承监测点的历史检测数据,计算所述历史检测数据的变化率;
分类簇生成模块,用于根据所述变化率对所述历史检测数据进行阈值处理,生成分类簇;
聚类样本数据形成模块,用于提取所述分类簇各自对应的历史检测数据,形成多组聚类样本数据;
对应关系形成模块,用于提取所述聚类样本数据各自对应的期望值和事件,形成期望值和事件的对应关系;
事件监测模块,用于获取轴承监测点实时采集的当前检测数据,根据所述当前检测数据与所述期望值监测出轴承当前对应的事件。
7.根据权利要求6所述的轴承状态变化事件监测装置,其特征在于,所述变化率获取模块中的轴承监测点包括:轴箱、齿轮箱、电机定子、电机传动端轴承。
8.根据权利要求7所述的轴承状态变化事件监测装置,其特征在于,所述变化率获取模块中的检测数据包括:电压值、转速值、温度值和载荷值,所述事件包括:磨损、锈蚀、断裂、疲劳剥落和正常运行。
9.根据权利要求8所述的轴承状态变化事件监测装置,其特征在于,所述分类簇生成模块具体用于:
对所述变化率进行归一化处理,生成取值范围在[0,1]的归一化数据集合;
采用DBSCAN聚类算法对所述归一化数据集合进行训练,输出分类簇、分类簇的数量。
10.根据权利要求9所述的轴承状态变化事件监测装置,其特征在于,所述事件监测模块中,根据所述当前检测数据与所述期望值监测出轴承当前对应的事件,具体为:
计算所述当前检测数据与各个的期望值的欧式距离,获取欧式距离最短的期望值,将所述期望值对应的事件作为轴承当前对应的事件。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910938395.2A CN110702408A (zh) | 2019-09-30 | 2019-09-30 | 一种轴承状态变化事件监测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910938395.2A CN110702408A (zh) | 2019-09-30 | 2019-09-30 | 一种轴承状态变化事件监测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110702408A true CN110702408A (zh) | 2020-01-17 |
Family
ID=69196828
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910938395.2A Pending CN110702408A (zh) | 2019-09-30 | 2019-09-30 | 一种轴承状态变化事件监测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110702408A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103671190A (zh) * | 2013-09-18 | 2014-03-26 | 北京工业大学 | 一种智能早期矿用通风机在线故障诊断系统 |
CN105973593A (zh) * | 2016-04-22 | 2016-09-28 | 北京航空航天大学 | 一种基于局部特征尺度分解-近似熵和流形距离的滚动轴承健康评估方法 |
CN108388860A (zh) * | 2018-02-12 | 2018-08-10 | 大连理工大学 | 一种基于功率熵谱-随机森林的航空发动机滚动轴承故障诊断方法 |
CN108414228A (zh) * | 2018-03-20 | 2018-08-17 | 哈尔滨理工大学 | 基于平均多粒度决策粗糙集和nnbc轴承故障诊断方法 |
CN109034076A (zh) * | 2018-08-01 | 2018-12-18 | 天津工业大学 | 一种机械故障信号的自动聚类方法及自动聚类系统 |
CN109460419A (zh) * | 2018-09-19 | 2019-03-12 | 广东卓维网络有限公司 | 一种设备状态变化事件监测方法 |
CN109916627A (zh) * | 2019-03-27 | 2019-06-21 | 西南石油大学 | 基于主动学习的轴承故障检测与诊断 |
-
2019
- 2019-09-30 CN CN201910938395.2A patent/CN110702408A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103671190A (zh) * | 2013-09-18 | 2014-03-26 | 北京工业大学 | 一种智能早期矿用通风机在线故障诊断系统 |
CN105973593A (zh) * | 2016-04-22 | 2016-09-28 | 北京航空航天大学 | 一种基于局部特征尺度分解-近似熵和流形距离的滚动轴承健康评估方法 |
CN108388860A (zh) * | 2018-02-12 | 2018-08-10 | 大连理工大学 | 一种基于功率熵谱-随机森林的航空发动机滚动轴承故障诊断方法 |
CN108414228A (zh) * | 2018-03-20 | 2018-08-17 | 哈尔滨理工大学 | 基于平均多粒度决策粗糙集和nnbc轴承故障诊断方法 |
CN109034076A (zh) * | 2018-08-01 | 2018-12-18 | 天津工业大学 | 一种机械故障信号的自动聚类方法及自动聚类系统 |
CN109460419A (zh) * | 2018-09-19 | 2019-03-12 | 广东卓维网络有限公司 | 一种设备状态变化事件监测方法 |
CN109916627A (zh) * | 2019-03-27 | 2019-06-21 | 西南石油大学 | 基于主动学习的轴承故障检测与诊断 |
Non-Patent Citations (1)
Title |
---|
张宏军: "《作战仿真数据工程》", 30 December 2014 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kaplan et al. | An improved feature extraction method using texture analysis with LBP for bearing fault diagnosis | |
AU2018203321B2 (en) | Anomaly detection system and method | |
CN114353881A (zh) | 一种基于复合传感器的设备异常监测方法及系统 | |
Weber et al. | Embedded hybrid anomaly detection for automotive CAN communication | |
CN111562108A (zh) | 一种基于cnn和fcmc的滚动轴承智能故障诊断方法 | |
Khan et al. | Automated bearing fault diagnosis using 2D analysis of vibration acceleration signals under variable speed conditions | |
CN110672325A (zh) | 一种基于概率分布的轴承工况稳定性评估方法及装置 | |
CN104136896B (zh) | 用于获取旋转马达的振动信号的系统 | |
US20070021890A1 (en) | Malfunction condition judgment apparatus, control method, automobile and program method | |
CN102466566A (zh) | 动力设备异常检测装置及其检测方法 | |
CN111126822A (zh) | 一种工业机器人健康评估方法、装置及存储介质 | |
CN111289265A (zh) | 具有分立工作状态的机械的状态检测方法和电子设备 | |
Imani et al. | A scalable spark-based fault diagnosis platform for gearbox fault diagnosis in wind farms | |
CN102393666A (zh) | 一种探测器嵌入式自主故障监测与异常数据记录装置 | |
CN110702408A (zh) | 一种轴承状态变化事件监测方法及装置 | |
CN117207778B (zh) | 一种车辆部件无损检测方法及系统 | |
CN116538092B (zh) | 一种压缩机在线监测及诊断方法、装置、设备及存储介质 | |
CN111039118A (zh) | 基于uwb的电梯运行监控方法、介质、终端和装置 | |
CN113933055B (zh) | 滚动轴承滚道缺陷尺寸量化方法、装置及系统 | |
CN111076927A (zh) | 基于深度神经网络的齿轮故障诊断方法、装置及系统 | |
CN115834195A (zh) | 一种日志异常检测方法、装置、系统及介质 | |
Patel et al. | ANN based performance evaluation of BDI for condition monitoring of induction motor bearings | |
CN113945199A (zh) | 一种基于姿态检测的危险品运输车辆液压检测方法及系统 | |
Ziying et al. | A New Bearing Fault Diagnosis Method Based on Refined Composite Multiscale Global Fuzzy Entropy and Self‐Organizing Fuzzy Logic Classifier | |
Zabin et al. | Industrial Fault Diagnosis using Hilbert Transform and Texture Features |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200117 |