CN110705369B - 一种基于对数-峭度的磨粒信号特征提取方法及装置 - Google Patents
一种基于对数-峭度的磨粒信号特征提取方法及装置 Download PDFInfo
- Publication number
- CN110705369B CN110705369B CN201910846406.4A CN201910846406A CN110705369B CN 110705369 B CN110705369 B CN 110705369B CN 201910846406 A CN201910846406 A CN 201910846406A CN 110705369 B CN110705369 B CN 110705369B
- Authority
- CN
- China
- Prior art keywords
- kurtosis
- abrasive particle
- oil
- logarithm
- abrasive
- 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
- 239000002245 particle Substances 0.000 title claims abstract description 102
- 238000000605 extraction Methods 0.000 title description 7
- 238000000034 method Methods 0.000 claims abstract description 22
- 238000012545 processing Methods 0.000 claims abstract description 15
- 230000002159 abnormal effect Effects 0.000 claims abstract description 9
- 238000009826 distribution Methods 0.000 claims abstract description 6
- 238000001514 detection method Methods 0.000 claims description 8
- 238000012544 monitoring process Methods 0.000 claims description 6
- 239000006061 abrasive grain Substances 0.000 claims description 5
- 239000007788 liquid Substances 0.000 claims description 4
- 238000012806 monitoring device Methods 0.000 claims description 2
- 238000002474 experimental method Methods 0.000 abstract description 4
- 239000003921 oil Substances 0.000 description 32
- 238000005299 abrasion Methods 0.000 description 6
- 238000005070 sampling Methods 0.000 description 6
- 239000010687 lubricating oil Substances 0.000 description 3
- 241000269627 Amphiuma means Species 0.000 description 2
- 241000879217 Apocynum androsaemifolium Species 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 230000006698 induction Effects 0.000 description 2
- 238000005461 lubrication Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 239000000314 lubricant Substances 0.000 description 1
- 230000001050 lubricating effect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 230000002572 peristaltic effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
Images
Classifications
-
- 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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/06—Investigating concentration of particle suspensions
-
- 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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/06—Investigating concentration of particle suspensions
- G01N2015/0687—Investigating concentration of particle suspensions in solutions, e.g. non volatile residue
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Artificial Intelligence (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Pathology (AREA)
- Immunology (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Dispersion Chemistry (AREA)
- Signal Processing (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明请求保护一种基于对数‑峭度的磨粒信号特征提取方法及装置,方法主要分为三个部分:实验数据分段、计算并优化峭度值、峭度指标的线性化处理。首先,将实验数据根据采集时间切分为M段,各段实验数据等量;然后,计算M段实验数据的峭度值,再利用K‑means算法对峭度值进行分类处理,去除电磁干扰和磨粒分布不均匀导致的异常峭度值;最后,计算峭度数据的均值和均方差,并做对数处理,得到对数‑峭度参数指标。经过实验验证,该算法提取的对数‑峭度参数指标与油液中的实际磨粒浓度存在很高的线性度,达到0.99,能够有效度量油液中的磨粒浓度。
Description
技术领域
本发明属于磨粒监测技术领域,具体涉及一种在线油液磨粒信号的特征提取方法及装置。
背景技术
磨损是影响机械设备可靠性和使用寿命的主要因素之一。在机械设备运行过程中产生的金属磨粒会保留在润滑油液中并随着润滑油路循环。由于这些磨粒携带着机械设备磨损烈度和磨损模式的大量有效信息,因此通过提取磨粒的浓度、磨粒的材料、尺寸和形态等特征信息,能够间接检测机械设备的磨损形式以及磨损状态。机械装备故障的主要原因是零部件失效,而零部件的磨损实效是零部件最常见、最主要的形式。根据大量统计结果表明,近80%的机械故障都是机械设备磨损导致的。此外,磨损会降低机械设备的精度以及工作效率,并增加机械设备的能耗。
目前,对于绝大多数的机械设备,润滑系统已经成为必不可少的组成成分。在润滑系统中,流动的润滑剂除了具有润滑和冷却等功能外,同时还携带着机械设备磨损烈度和磨损模式的大量有效信息。对其进行监测可以直接了解摩擦副发生磨损的形式以及磨损的剧烈程度。因此通过分析设备润滑油中各种微粒,就能够有效了解机械设备的磨损状况,从而预测机械设备的故障和寿命,并确定故障的位置和类型。
磁感应式传感器中,其激励线圈通电后产生一个稳定的磁场,当油液中的磨粒在油管中通过磁场时,设置在油管外表面的感应线圈会产生电压信号,从而达到油液磨粒监测的目的。油液中磨粒的特征主要为速度估算、个数计算、尺寸分类。传统的磨粒信号处理主要有以下三部分组成:磨粒信号预处理、特征信号提取以及特征信息计算。传统的磨粒计数方法是历遍完所有的采样点,计数所有的磨粒信号,但是历遍算法要对每一个点都要进行比较,耗时较长。其次,真实的磨粒信号比较复杂,传统计数方法会引起误差。
申请人所提供的一种基于对数-峭度的磨粒信号特征提取算法,主要针对传统颗粒计数方法的不足,并借鉴轴承故障诊断中利用峭度检测冲击信号的方法,提出了对数-峭度新型参数指标。该指标不仅抗噪能力强,还能够有效的反映油液中磨粒浓度的变化,并且对数-峭度与浓度之间的线性度能够达到0.99。
发明内容
本发明旨在解决以上现有技术的问题。提出了一种基于对数-峭度的磨粒信号特征提取算法,能够准确反映油液中的磨粒浓度,并有效排除异常脉冲信号的干扰,减小因实际油液中磨粒分布不均导致的检测误差,提高在线油液磨粒监控的准确度的方法。本发明的技术方案如下:
一种基于对数-峭度的磨粒信号特征提取方法,其特征在于,包括以下步骤:
步骤1、首先,采用包含有磨粒检测传感器、采集卡的磨粒监测装置对含有磨粒的油液循环系统进行连续采集,获得待处理磨粒数据,将待处理磨粒数据根据采集时间切分为M段,各段磨粒数据等量;
步骤2、然后,计算M段实验数据的峭度值,再利用K-means算法对峭度值进行优化处理,去除电磁干扰和磨粒分布不均匀导致的异常峭度值;
步骤3、最后,计算峭度数据的均值和均方差,并做对数处理,得到对数-峭度参数指标,能够反映油液中的磨粒浓度,达到监测机械磨损程度的目的。
进一步的,所述步骤2中计算M段实验数据的峭度值具体包括:
对于离散序列的信号{xi}(i=1~N),其中N为数据点数,峭度值K的计算公式为
其中XRMS表示离散信号的均方根。
进一步的,所述利用K-means算法对峭度值进行优化处理,具体包括:利用K-means算法随机选取若干个对象作为初始的聚类中心,然后计算每个对象与各个种子聚类中心之间的距离,把每个对象分配给距离它最近的聚类中心,将计算好的峭度值分为三类,并排除掉其中最大值和最小值两组的数据;最大值通常是由于异常的脉冲干扰引起的,而最小值则是由于磨粒不均匀,一段时间内磨粒通过较少,不具代表性。
进一步的,所述步骤3计算峭度数据{Ki}(i=1~M)的均值和均方差
其中,Kavg和Krms分别表示M个峭度值的均值和均方差,然后对Kavg和KrmsKrms分别做对数处理,得到对数-峭度磨粒信号特征指标和通过最小二乘法和对数-峭度磨粒信号特征指标进行拟合,得到的拟合直线能够准确反映油液中的磨粒浓度。
一种基于对数-峭度的磨粒信号特征提取装置,其包括:
磨粒信号采集模块:用于采用包含有磨粒检测传感器、采集卡的油液采集系统对含有磨粒的油液进行连续采集,获得待处理磨粒数据,将待处理磨粒数据根据采集时间切分为M段,各段磨粒数据等量;分类优化模块:用于计算M段实验数据的峭度值,再利用K-means算法对峭度值进行优化处理,去除电磁干扰和磨粒分布不均匀导致的异常峭度值;线性化处理模块:用于计算峭度数据的均值和均方差,并做对数处理,得到对数-峭度参数指标和再通过最小二乘法得到一条拟合直线,能够准确反映油液中的磨粒浓度。
进一步的,所述分类优化模块中,利用K-means算法对峭度值进行优化处理,具体包括:利用K-means算法随机选取若干个对象作为初始的聚类中心,然后计算每个对象与各个种子聚类中心之间的距离,把每个对象分配给距离它最近的聚类中心,将计算好的峭度值分为三类,并排除掉其中最大值和最小值两组的数据;最大值通常是由于异常的脉冲干扰引起的,而最小值则是由于磨粒不均匀,一段时间内磨粒通过较少,不具代表性。
本发明的优点及有益效果如下:
本发明的算法具有快速、准确的优点,传统的磨粒计数方法,是历遍完所有的采样点,计数所有的磨粒信号。但这种方法存在弊端。首先,历遍算法要对每一个点都要进行比较,耗时较长。其次,真实的磨粒信号比较复杂,传统计数方法往往会将一个磨粒信号计数为多个磨粒信号,导致出现磨粒计数误差。本发明所提算法借鉴滚动轴承的故障诊断的指标,建立基于对数—峭度为磨粒信号的特征指标,能够迅速计数出信号中的磨粒个数,并能减小复杂磨粒信号带来的磨粒计数误差。
此外,本发明所提算法利用K-means算法,有效降低了电磁干扰和磨粒分布不均导致的误差,准确反映了油液中的磨粒浓度。同时,对本发明所提指标进行对数处理,提高对数-峭度参数指标的线性度,并通过最小二乘法得到拟合曲线,使得本发明所提指标能够准确的反应油液中的磨粒浓度。
附图说明
图1是本发明提供优选实施例所需要的油液实验装置,1-齿轮泵;2-前置放大器;3-磨粒检测传感器;4-NI采集卡;5-调速器;6-连接油管;
图2是本发明所计算的15组背景噪声峭度折线图
图3是本发明所得到的不同浓度磨粒下油液信号峭度箱型图;
图4是本发明所得到的最小二乘法拟合结果(a.均值;b.均方根);
图5是本发明所得到的原始实验数据与新实验数据对数峭度对比(a.均值;b.均方根);
图6是本发明提供优选实施例一种基于对数-峭度的磨粒信号特征提取方法流程图。
具体实施方式
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、详细地描述。所描述的实施例仅仅是本发明的一部分实施例。
本发明解决上述技术问题的技术方案是:
为实现以上目的,如图6所示,本发明所提供的一种基于对数-峭度的磨粒信号特征提取算法,其括以下步骤:
A.实验数据分段
为了排除实验环境中因电磁干扰引起的脉冲信号干扰,防止峭度的计算受到影响。对连续时间采集的实验数据做切分处理,将实验数据划分为等量M段。
B.磨粒信号特征提取
对于离散序列的信号{xi}(i=1~N),峭度值K的计算公式为
首先利用公式(1)对采集的若干组实验数据进行峭度计算,然后利用K-means算法优化筛选计算好的峭度值,最后计算有效峭度值的均值和均方根值。
C.峭度指标线性化处理
所提峭度指标与油液磨粒浓度之间存在一个近似指数的关系,一旦有磨粒的加入,信号的峭度增大非常显著,表明峭度这一指标对磨粒非常的敏感。对峭度的数值进行对数处理,使浓度与峭度之间关系呈线性,得到对数-峭度磨粒信号特征指标。
如图1所示,为了研究油液中的磨粒对于峭度的影响,搭建了油液实验台。对采集的15组真实油液背景信号计算其峭度,结果如图2所示。结果表明,背景噪声的峭度值较小且较为稳定,在区间[1.68-1.76]内波动,均值为1.719。
实验参数设置如下,磨粒浓度分别为0ppm,20ppm,40ppm,60ppm,80ppm,采样频率为fs=25000,每一组采样时间T=240s,激励电流大小为0.3A,蠕动泵的流量为150ml/min。同时,为了保证实验的准确性,在同一实验条件下,采集了15组数据。分别计算了这75组实验数据的峭度,结果如图3所示。发现所提峭度指标与油液磨粒浓度之间存在一个近似指数的关系,一旦有磨粒的加入,信号的峭度增大非常显著,这表明峭度这一指标对磨粒非常的敏感。同时计算不同浓度条件下峭度的均值以及均方根,结果表明随着油液中磨粒浓度不断增大,油液信号的峭度也不断增大,并且增大速率也在增大,这表明峭度能够有效的反应含有不同浓度磨粒的油液。此外均值与均方根值数值相近,表明不同浓度下的峭度比较稳定。
对峭度的数值进行对数处理,并利用最小二乘法进行拟合,得到了一次函数线性拟合结果,如图4所示。拟合结果表明,无论是均值还是均方根,峭度取对数后的值与浓度之间线性度都非常好。因此,将峭度做对数处理,即log(K),作为一个指标来度量油液中磨粒的浓度。
建立所述磨粒浓度与对数-峭度的数学模型之后,再一次做油液实验。实验参数设置如下,放大器倍数为500,驱动电流大小为0.3A,采样频率,采样时间T=1200s,同一浓度采集了6组数据。首先,为降低脉冲信号的随机干扰将1200s实验数据切分成20段,每一小段60s,并计算每一小段的峭度。然后利用K-means算法将计算好的峭度值分为三类,并排除掉其中最大值和最小值两组的数据。最大值通常是由于异常的脉冲干扰引起的,而最小值则是由于磨粒不均匀,一段时间内磨粒通过较少,不具有代表性。计算分类后的数据的均值和均方差,再将均值与均方根对数处理,结果如图5所示。从图5可得,30ppm,50ppm,70ppm浓度下对应的对数-峭度的数值均在拟合直线附近,这表明本发明提供的对数-峭度参数指标能够很好的表征油液中的磨粒浓度。
以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后,技术人员可以对本发明作各种改动或修改,这些等效变化和修饰同样落入本发明权利要求所限定的范围。
Claims (2)
1.一种基于对数-峭度的磨粒信号特征提取方法,其特征在于,包括以下步骤:
步骤1、首先,采用包含有磨粒检测传感器、采集卡的磨粒监测装置对含有磨粒的油液循环系统进行连续采集,获得待处理磨粒信号,将待处理磨粒信号根据采集时间切分为M段,各段磨粒信号等量;
步骤2、然后,计算M段实验数据的峭度值,再利用K-means算法对峭度值进行优化处理,去除电磁干扰和磨粒分布不均匀导致的异常峭度值;
步骤3、最后,计算峭度数据的均值和均方差,并做对数处理,得到对数-峭度参数指标,能够反映油液中的磨粒浓度,达到监测机械磨损程度的目的;
所述步骤2中计算M段实验数据的峭度值具体包括:
对于磨粒信号{xi}(i=1~N),其中N为数据点数,峭度值K的计算公式为
其中XRMS表示磨粒信号的均方根;
所述利用K-means算法对峭度值进行优化处理,具体包括:利用K-means算法随机选取若干个对象作为初始的聚类中心,然后计算每个对象与各个种子聚类中心之间的距离,把每个对象分配给距离它最近的聚类中心,将计算好的峭度值分为三类,并排除掉其中最大值和最小值两组的数据;最大值通常是由于异常的脉冲干扰引起的,而最小值则是由于磨粒不均匀,一段时间内磨粒通过较少,不具代表性;
所述步骤3计算峭度数据{Ki}(i=1~M)的均值和均方差
2.根据权利要求1所述的一种基于对数-峭度的磨粒信号特征提取方法,其特征在于,所述步骤1中,油液采集器包括齿轮泵(1)、前置放大器(2)、磨粒检测传感器(3)、NI采集卡(4)、调速器(5)及连接油管(6),所述齿轮泵(1)使油液在系统中循环流动,调速器(5)调节油液流量,连接油管(6)将油液引出油液循环系统,使油液流过磨粒检测传感器(3),油液中的磨粒通过磨粒检测传感器(3)时产生微弱的磨粒信号,信号经过前置放大器(2)放大被NI采集卡(4)采集并记录。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910846406.4A CN110705369B (zh) | 2019-09-09 | 2019-09-09 | 一种基于对数-峭度的磨粒信号特征提取方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910846406.4A CN110705369B (zh) | 2019-09-09 | 2019-09-09 | 一种基于对数-峭度的磨粒信号特征提取方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110705369A CN110705369A (zh) | 2020-01-17 |
CN110705369B true CN110705369B (zh) | 2022-07-01 |
Family
ID=69195142
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910846406.4A Active CN110705369B (zh) | 2019-09-09 | 2019-09-09 | 一种基于对数-峭度的磨粒信号特征提取方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110705369B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112632797A (zh) * | 2021-01-04 | 2021-04-09 | 中车青岛四方车辆研究所有限公司 | 用于监测接触器状态的方法、装置和存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102494899A (zh) * | 2011-11-25 | 2012-06-13 | 华南理工大学 | 柴油机复合故障诊断方法及诊断系统 |
CN103163050A (zh) * | 2012-12-26 | 2013-06-19 | 大连理工大学 | 一种基于电磁感应信号的润滑油系统金属磨粒检测方法 |
CN104880330A (zh) * | 2014-08-14 | 2015-09-02 | 深圳市亚泰光电技术有限公司 | 一种机械故障监测系统及方法 |
CN108896448A (zh) * | 2018-05-11 | 2018-11-27 | 重庆邮电大学 | 基于轴向高梯度磁场在线金属颗粒监测传感器及监测方法 |
CN110208124A (zh) * | 2019-05-30 | 2019-09-06 | 新疆大学 | 基于磨粒磨损机理的机械磨损系统的开发方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5171231B2 (ja) * | 2007-12-03 | 2013-03-27 | 豊田バンモップス株式会社 | 超砥粒のセッティング装置 |
-
2019
- 2019-09-09 CN CN201910846406.4A patent/CN110705369B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102494899A (zh) * | 2011-11-25 | 2012-06-13 | 华南理工大学 | 柴油机复合故障诊断方法及诊断系统 |
CN103163050A (zh) * | 2012-12-26 | 2013-06-19 | 大连理工大学 | 一种基于电磁感应信号的润滑油系统金属磨粒检测方法 |
CN104880330A (zh) * | 2014-08-14 | 2015-09-02 | 深圳市亚泰光电技术有限公司 | 一种机械故障监测系统及方法 |
CN108896448A (zh) * | 2018-05-11 | 2018-11-27 | 重庆邮电大学 | 基于轴向高梯度磁场在线金属颗粒监测传感器及监测方法 |
CN110208124A (zh) * | 2019-05-30 | 2019-09-06 | 新疆大学 | 基于磨粒磨损机理的机械磨损系统的开发方法 |
Non-Patent Citations (5)
Title |
---|
An Inductive Debris Sensor for a Large-Diameter Lubricating Oil Circuit Based on a High-Gradient Magnetic Field;Hong Xiao等;《Applied Sciences》;20190414;第9卷(第8期);1-13 * |
Enhancement of the Wear Particle Monitoring Capability of Oil Debris Sensors Using a Maximal Overlap Discrete Wavelet Transform with Optimal Decomposition Depth;Chuan Li等;《Sensors (Basel, Switzerland)》;20140430;第14卷(第4期);6207-6235 * |
基于小波包分解与主流形识别的非线性降噪;苏祖强 等;《仪器仪表学报》;20160930;第37卷(第9期);1954-1961 * |
磨粒表征研究进展及发展趋势;陈为平等;《中国工程机械学报》;20150815(第04期);5-10 * |
航空发动机滚动轴承故障诊断与预测关键技术研究;王洪伟;《中国博士学位论文全文数据库 (工程科技Ⅱ辑)》;20171215;C031-13 * |
Also Published As
Publication number | Publication date |
---|---|
CN110705369A (zh) | 2020-01-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108760327B (zh) | 一种航空发动机转子故障的诊断方法 | |
CN110533229B (zh) | 轨道维修时刻预测方法及装置 | |
US20170248572A1 (en) | Lubricant condition assessment system | |
CN113639999A (zh) | 变转速下滚动轴承的故障诊断方法、系统、介质及设备 | |
CN110705369B (zh) | 一种基于对数-峭度的磨粒信号特征提取方法及装置 | |
CN112525534A (zh) | 一种基于声发射技术的轴承和齿轮损伤定量化评估方法 | |
CN105184792B (zh) | 一种圆锯片磨损量在线测量方法 | |
CN115311629B (zh) | 一种折弯机的异常折弯精度监测系统 | |
CN115330799B (zh) | 一种仪表自动化故障诊断方法 | |
CN112393906A (zh) | 一种地铁车辆转向架轴承微弱信号故障诊断、分类和健康评估的方法 | |
CN114061957A (zh) | 一种柴油机主轴承的健康评估方法 | |
CN105823711A (zh) | 油液磨粒在线监测方法 | |
CN107766780A (zh) | 基于电功图的抽油系统运行时特征信息提取方法 | |
CN115393276A (zh) | 一种齿轮表面形态智能检测分析系统 | |
Jiang et al. | A novel antibody population optimization based artificial immune system for rotating equipment anomaly detection | |
CN112720071B (zh) | 多能域信号智能化融合的刀具实时状态监测指标构造方法 | |
US10345326B2 (en) | Automatic threshold detection for tachometer signals | |
CN117370879A (zh) | 一种风力机齿轮箱的实时在线故障诊断方法及系统 | |
CN115597871B (zh) | 一种军用涡扇发动机机械系统机载健康诊断装置 | |
CN115740089A (zh) | 一种实时监测模具磨损状态的装置及方法 | |
CN111024566B (zh) | 一种基于频域分析的机械磨损程度标定方法及系统 | |
CN111458147B (zh) | 一种基于加速度传感器的滚动轴承状态评估方法 | |
CN109839334B (zh) | 面向单线圈磁感应式磨粒探测传感器的信号识别方法 | |
CN110717274B (zh) | 一种基于分形布朗运动的噪声描述方法 | |
CN104637072B (zh) | 一种循环流化床锅炉气固流场颗粒运动检测方法 |
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 |