CN111024569A - 一种磨粒检测传感器的标定方法及其存储介质 - Google Patents
一种磨粒检测传感器的标定方法及其存储介质 Download PDFInfo
- Publication number
- CN111024569A CN111024569A CN201910995128.9A CN201910995128A CN111024569A CN 111024569 A CN111024569 A CN 111024569A CN 201910995128 A CN201910995128 A CN 201910995128A CN 111024569 A CN111024569 A CN 111024569A
- Authority
- CN
- China
- Prior art keywords
- signal
- energy
- abrasive particle
- signals
- data
- 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.)
- Granted
Links
- 239000002245 particle Substances 0.000 title claims abstract description 64
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000001514 detection method Methods 0.000 title claims abstract description 25
- 239000006061 abrasive grain Substances 0.000 claims abstract description 25
- 238000005070 sampling Methods 0.000 claims abstract description 25
- 238000012216 screening Methods 0.000 claims abstract description 14
- 238000004364 calculation method Methods 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims abstract description 7
- 238000000605 extraction Methods 0.000 claims abstract description 6
- 230000008569 process Effects 0.000 claims description 7
- 230000001174 ascending effect Effects 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 2
- 239000003921 oil Substances 0.000 description 12
- 230000008859 change Effects 0.000 description 5
- 238000001914 filtration Methods 0.000 description 4
- 238000005299 abrasion Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000010687 lubricating oil Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000011430 maximum method Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 230000002572 peristaltic effect Effects 0.000 description 1
- 239000010913 used oil Substances 0.000 description 1
Images
Classifications
-
- 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
- G01N15/0656—Investigating concentration of particle suspensions using electric, e.g. electrostatic methods or magnetic methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Biochemistry (AREA)
- Algebra (AREA)
- Immunology (AREA)
- General Health & Medical Sciences (AREA)
- Analytical Chemistry (AREA)
- Operations Research (AREA)
- Life Sciences & Earth Sciences (AREA)
- Pathology (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Dispersion Chemistry (AREA)
- Investigating Or Analyzing Materials By The Use Of Magnetic Means (AREA)
Abstract
本发明公开了一种磨粒检测传感器的标定方法及其存储介质,涉及油液磨粒监测领域。包括以下步骤:首先对基于电磁式磨粒检测传感器采集到的电压信号X(n),进行去直流偏移和取模处理得到信号|X(n)|;接着使用极大值法计算信号|X(n)|的上包络,取包络线的中位数作为区分磨粒信号和背景噪声的阈值Ts。并将阈值Ts以下的信号全部置0,阈值Ts以上的值计算其平方。然后将计算所有数据之和,得到磨粒信号的能量P。在同一浓度多次采样信号并分别计算其能量,得到能量序列P(n)并对能量序列P(n)进行筛选并计算该筛选后的能量序列的调和平均数。最后通过最小二乘法拟合得到能量与浓度之间的关系,并通过线性度标定磨粒检测传感器的有效性。本方法标定方法计算简单,并提高了标定的效率。
Description
技术领域
本发明属于设备油液磨粒监测领域,具体涉及一种磨粒检测传感器的标定方法及其存储介质。
背景技术
近年来,随着机械自动化水平的不断提高,生产效率得到了极大的提升,但是,在满足高效率的机械生产的同时,又不得不考虑随之而产生的新的问题——机械磨损。由于机械设备的工作时间、工作强度以及自身材质等因素的不同,在机械设备运行过程中会产生不同程度上的磨损。这些不同程度上的磨损会带来不同程度的危害:轻则影响工作效率以及工作精度;重则会是机械报废甚至造成生产事故。由于磨损产生的磨粒携带着大量有关磨损程度的有效信息,因此,对油液信号中金属磨粒的参数的分析对于机械设备工作状态的评估以及寿命的预测有着重大的意义。
现今使用最广泛的油液信号分析方法—磨粒计数法,其基本思路为:对采样信号进行滤波处理以去除电压信号中的背景噪声,然后统计磨粒信号的个数以及幅值大小来确定磨粒的浓度。用磨粒计数法来标定电磁式磨粒检测传感器,由于滤波会将油液中的颗粒信号当作背景噪声去除掉,因此线性度不高。为此,提出了一个新的磨粒检测传感器标定方法。
发明内容
本发明旨在解决以上现有技术的问题。提出了一种用于简便,快速,直观地估算油液中的磨粒浓度的方法。本发明的技术方案如下:
一种磨粒检测传感器的标定方法,其包括以下步骤:
首先基于电磁式磨粒检测传感器采集电压信号X(n),并对采集到的电压信号 X(n)进行去直流偏移和取模处理得到信号|X(n)|;
接着使用极大值法计算信号|X(n)|的上包络,取包络线的中位数作为区分磨粒信号和背景噪声的阈值Ts,并将阈值Ts以下的信号全部置0,阈值Ts以上的值计算其平方为Xn;
然后将计算的阈值Ts以上的数据Xn求和,得到磨粒信号的能量P,为了排除磨粒随机通过传感器所引入的误差以及极值对结果的影响,在同一浓度多次采样信号并分别计算其能量,得到能量序列P(n),并对能量序列P(n)进行筛选并计算该筛选后的能量序列的调和平均数;
最后通过最小二乘法拟合得到能量与浓度之间的关系,并通过线性度标定磨粒检测传感器的有效性。
进一步的,所述基于电磁式磨粒检测传感器采集电压信号X(n)具体包括:
用电磁传感器采集油液中磨粒的电压信号,得到长度为n点的采样信号 X(n):
X(n)={X1,X2,...,X(n-1),X(n)}
其中n=fs×t;
式中:n表示信号的采样点数,fs表示信号的采样频率,t表示信号的采样时间。
进一步的,所述对采集到的电压信号X(n)进行去直流偏移和取模处理得到信号|X(n)|,取模处理使得在X轴下方的信号对称到X轴上方,具体包括:
计算采集到的电压信号的平均值,用每个采样点的值减去平均值得到一组零均值信号X0(n),对零均值信号的每个数据点求绝对值得到取模信号|X(n)|。
进一步的,所述使用极大值法计算信号|X(n)|的上包络,具体步骤为:
取点:在取模信号|X(n)|上,每隔2000个数据点取一个极大值点。
插值:在所取得极大值点之间使用三次样条插值法插值,使得插值所得的数据长度等于采样点数,从而得到包络线数组M{n}。
取包络线的中位数作为区分磨粒信号和背景噪声的阈值Ts:
Ts=Median(M{n})
并将阈值Ts以下的信号全部置0,阈值Ts以上的数据计算其平方Xn:
进一步的,所述将计算的阈值Ts以上的数据Xn求和,得到磨粒信号的能量P,具体包括:
根据求得的阈值Ts,将阈值Ts以下的背景噪声全部置0,将阈值Ts以上的磨粒信号计算其平方,然后求和记为能量P;
进一步的,所述在同一浓度多次采样信号并分别计算其能量,得到能量序列P(n),并对该序列进行筛选处理,具体步骤为:
(6-1)排序:对于同一浓度的多组数据进行能量计算所得的一组能量数据 P(n)={P1,P2,...,P(n-1),P(n)},将能量数据以降序或升序排列,得到能量序列 Q(n)={Q1,Q2,...,Q(n-1),Q(n)};
(6-2)化奇:判断数据个数的奇偶;若为奇,转到步骤(6-3);若为偶,则去掉距离能量序列的中位数最远的数据,再进行下一步操作;
(6-3)筛选:分别计算Q1,Q2,Q(n-1)和Q(n)到中位数的距离S1,S2,S(n-1)和S(n);将S1与S(n)以及S2与S(n-1)进行比较,去掉较大的两个值,重复此过程,直至剩余数据量为原始数据总量的百分之六十;
(6-4)计算筛选后的数据的调和平均数:
进一步的,所述利用最小二乘法对磨粒浓度与筛选后能量序列的调和平均数进行线性拟合,得到磨粒浓度与磨粒能量之间的线性度k:
式中:c表示磨粒浓度,q表示磨粒能量;
并通过线性度来标定磨粒传感器检测磨粒浓度的有效性,线性度越高磨粒传感器对磨粒浓度的检测就越有效。
一种存储介质,该存储介质内部存储计算机程序,其所述计算机程序被处理器读取时,执行上述任一项的方法。
本发明的优点及有益效果如下:
(1)对于不同时段地信号而言,其直流偏移量存在着细微的差别,而在进行能量计算时,这些差别会被放大,从而给计算结果引入误差;因此,在计算能量之前应先求采样信号的直流偏移量并减去。
(2)对去直流偏移的信号进行取模处理,使得在X轴下方的信号对称到X 轴上方,从而时候在求阈值时只需求取一个阈值。并且使得X轴上方的数据量增加,提升了所求阈值地可靠性,减少了因为阈值而引入的误差。
(3)极大值包络能反映数据幅值的变化情况。
(4)中位数具有较强的代表性,它不受该组数据的极值的影响,且部分数据的变动不会对其造成影响,故当一组数据中的个别数据变动较大时,常用它来描述这组数据的集中趋势。
(5)选用阈值作为标准来区分磨粒信号与背景噪声,避免了繁琐的滤波过程。
能量指标计算简便,能直观且更贴近实际的反映油液中磨粒浓度的变化。
附图说明
图1是本发明提供优选实施例是电磁式磨粒检测传感器标定方法流程图;
图2是电磁传感器采集到的电压信号图;
图3是去掉直流偏移并取模后的电压信号图;
图4是电压信号的包络和阈值的局部放大图;
图5是能量序列筛选算法流程图;
图6是能量与磨粒浓度之间线性拟合结果图。
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:
本发明的目的在于提出一种电磁式润滑油磨粒浓度指标及标定方法,用于简便,快速,直观地估算油液中的磨粒浓度。具体如下:
S1:采集信号:
用电磁传感器采集油液中磨粒的电压信号,得到长度为n点的采样信号 X(n):
X(n)={X1,X2,...,X(n-1),X(n)}
其中n=fs×t;
式中:n表示信号的采样点数,fs表示信号的采样频率,t表示信号的采样时间;
S2:去直流偏移并取模:
对步骤S1得到的采样信号X(n)进行去直流偏移以及取模处理,得到电压信号|X(n)|:
其优点在于:
(1)对于不同时段地信号而言,其直流偏移量存在着细微的差别,而在进行能量计算时,这些差别会被放大,从而给计算结果引入误差;因此,在计算能量之前应先求采样信号的直流偏移量并减去。
(2)对去直流偏移的信号进行取模处理,使得在X轴下方的信号对称到X 轴上方,从而时候在求阈值时只需求取一个阈值。并且使得X轴上方的数据量增加,提升了所求阈值地可靠性,减少了因为阈值而引入的误差。
S4:计算阈值:
根据步骤S3得到的电压信号|X(n)|,为了分离磨粒信号与背景噪声,利用极大值法|X(n)|找出的包络,取包络的中位数作为该组电压信号的阈值,以阈值作为区分磨粒信号与背景噪声的标准;
其优点在于:
(1)极大值包络能反映数据幅值的变化情况。
(2)中位数具有较强的代表性,它不受该组数据的极值的影响,且部分数据的变动不会对其造成影响,故当一组数据中的个别数据变动较大时,常用它来描述这组数据的集中趋势。
(3)选用阈值作为标准来区分磨粒信号与背景噪声,避免了繁琐的滤波过程。
S5:计算能量:
根据步骤S4所求得的阈值Ts,将阈值Ts以下的背景噪声全部置0,将阈值Ts 以上的磨粒信号计算其平方,然后求和记为能量P;
其优点在于:
能量指标计算简便,能直观且更贴近实际的反映油液中磨粒浓度的变化。
S6:数据筛选
为了排除磨粒随机通过传感器所引入的误差以及极值对结果的影响,在同一浓度多次采样信号并分别计算其能量,得到能量序列P(n),并对该序列进行筛选处理。其具体步骤为:
(6-1)排序:对于同一浓度的多组数据进行能量计算所得的一组能量数据 P(n)={P1,P2,...,P(n-1),P(n)},将其以降序(或升序)排列,得到能量序列 Q(n)={Q1,Q2,...,Q(n-1),Q(n)};
(6-2)化奇:判断数据个数的奇偶;若为奇,转到步骤(6-3);若为偶,则去掉距离能量序列的中位数最远的数据,再进行下一步操作;
(6-3)筛选:分别计算Q1,Q2,Q(n-1)和Q(n)到中位数的距离S1,S2,S(n-1)和 S(n);将S1与S(n)以及S2与S(n-1)进行比较,去掉较大的两个值,重复此过程。直至剩余数据量为原始数据总量的百分之六十。
(6-4)计算筛选后的数据的调和平均数
具体实施例如下:首先搭建了实验装置,并配置了磨粒浓度为0ppm、20ppm、30ppm、40ppm、50ppm、60ppm、70ppm、80ppm的油液。将激励电流大小设置为0.3A,蠕动泵的流量设置为150ml/min。此外,在不同油液浓度下,分别采集了25组数据。下面将结合附图对本发明的具体实施方式以及工作原理作进一步详细说明:
S1:采集信号:
信号的采样频率设置为fs=25000,每一组采样时间t=240s。因此,采集得到磨粒检测传感器的输出信号X(n)的长度为6000000点。
X(n)={X1,X2,…,X(n-1),X(n)}
S2:去直流偏移并取模:
计算出输出信号的平均值,并使该组信号的每一个值均减去该值,得到去除直流偏量的电压信号。接着,对所得的电压信号进行取模处理,得到电压信号|X(n);
S3:计算阈值:
根据步骤S2得到的电压信号|X(n)|,每隔2000个采样点取一个最大值,利用三次样条数据插值法作一条光滑的曲线,该曲线即为极大值包络线。将该包络线的中位数设定为阈值Ts。
S4:计算能量:
将步骤S2所得的电压信号与步骤S3所得的阈值Ts进行比较,将小于阈值Ts 的信号当作背景噪声,全部置0,大于阈值Ts的信号当作磨粒信号,全部平方,然后求得所有信号的和。
S5:数据筛选
为了排除磨粒随机通过传感器所引入的误差以及极值对结果的影响,在同一浓度多次采样信号并分别计算其能量,得到能量序列P(n)
P(n)={P1,P2,…,P(n-1),P(n)}
将该组数据降序(或升序)排列,得到能量序列Q(n)。首先,判断该能量数据的个数是否为奇数,若为奇数,则直接进行筛选步骤,若为偶数,则首先需要去掉距离中位数最远的实验数据。由于本实验数据量大小为25,因此直接进入筛选。分别计算Q1,P2,P(n-1)和P(n)到中位数的距离S1,S2,S(n-1)和S(n),将与S1, S(n)以及S2与S(n)进行比较,去掉较大的两个值,重复此过程,直至剩余数据量为百分之六十,及剩余数据量为15。
S6:线性拟合:
计算筛选后的数据的调和平均值,将其作为该浓度的能量。然后通过线性拟合得到不同浓度下磨粒信号的能量与浓度的线性度。实验结果表明,此次实验所用磨粒检测传感器的线性度为0.985,能够有效地、线性地反映油液中磨粒浓度的变化。
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 (8)
1.一种磨粒检测传感器的标定方法,其特征在于,包括以下步骤:
首先基于电磁式磨粒检测传感器采集电压信号X(n),并对采集到的电压信号X(n)进行去直流偏移和取模处理得到信号|X(n)|;
接着使用极大值法计算信号|X(n)|的上包络,取包络线的中位数作为区分磨粒信号和背景噪声的阈值Ts,并将阈值Ts以下的信号全部置0,阈值Ts以上的值计算其平方,得到新的数据序列w(n);
然后将计算得到的新序列w(n)求和,得到磨粒信号的能量P,为了排除磨粒随机通过传感器所引入的误差以及极值对结果的影响,在同一浓度多次采样信号并分别计算其能量,得到能量序列P(n),并对能量序列P(n)进行筛选并计算该筛选后的能量序列的调和平均数;
最后通过最小二乘法拟合得到能量与浓度之间的关系,并通过线性度标定磨粒检测传感器的有效性。
2.根据权利要求1所述的磨粒检测传感器的标定方法,其特征在于,所述基于电磁式磨粒检测传感器采集电压信号X(n)具体包括:
用电磁传感器采集油液中磨粒的电压信号,得到长度为n点的采样信号X(n):
X(n)={X1,X2,...,X(n-1),X(n)}
其中n=fs×t;
式中:n表示信号的采样点数,fs表示信号的采样频率,t表示信号的采样时间。
3.根据权利要求2所述的磨粒检测传感器的标定方法,其特征在于,所述对采集到的电压信号X(n)进行去直流偏移和取模处理得到信号|X(n)|,取模处理使得在X轴下方的信号对称到X轴上方,具体包括:
计算采集到的电压信号的平均值,用每个采样点的值减去平均值得到一组零均值信号X0(n),对零均值信号的每个数据点求绝对值得到取模信号|X(n)|。
6.根据权利要求5所述的磨粒检测传感器的标定方法,其特征在于,
所述在同一浓度多次采样信号并分别计算其能量,得到能量序列P(n),并对该序列进行筛选处理,具体步骤为:
(6-1)排序:对于同一浓度的多组数据进行能量计算所得的一组能量数据P(n)={P1,P2,...,P(n-1),P(n)},将能量数据以降序或升序排列,得到能量序列Q(n)={Q1,Q2,...,Q(n-1),Q(n)};
(6-2)化奇:判断数据个数的奇偶;若为奇,转到步骤(6-3);若为偶,则去掉距离能量序列的中位数最远的数据,再进行下一步操作;
(6-3)筛选:分别计算Q1,Q2,Q(n-1)和Q(n)到中位数的距离S1,S2,S(n-1)和S(n);将S1与S(n)以及S2与S(n-1)进行比较,去掉较大的两个值,重复此过程,直至剩余数据量为原始数据总量的百分之六十;
(6-4)计算筛选后的数据的调和平均数:
8.一种存储介质,该存储介质内部存储计算机程序,其特征在于,所述计算机程序被处理器读取时,执行上述权利要求1~7任一项的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910995128.9A CN111024569B (zh) | 2019-10-18 | 2019-10-18 | 一种磨粒检测传感器的标定方法及其存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910995128.9A CN111024569B (zh) | 2019-10-18 | 2019-10-18 | 一种磨粒检测传感器的标定方法及其存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111024569A true CN111024569A (zh) | 2020-04-17 |
CN111024569B CN111024569B (zh) | 2022-07-01 |
Family
ID=70201031
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910995128.9A Active CN111024569B (zh) | 2019-10-18 | 2019-10-18 | 一种磨粒检测传感器的标定方法及其存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111024569B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2003022141A1 (en) * | 2001-09-13 | 2003-03-20 | Imagyn Medical Technologies, Inc. | A signal processing method and device for signal-to-noise improvement |
CN1641504A (zh) * | 2004-01-13 | 2005-07-20 | C.R.F.阿西安尼顾问公司 | 用于控制工业过程特别是激光焊接过程的质量的方法 |
CN102620928A (zh) * | 2012-03-02 | 2012-08-01 | 燕山大学 | 基于小波半软阈值和emd的风电齿轮箱故障诊断方法 |
CN103380282A (zh) * | 2011-02-22 | 2013-10-30 | 德尔福技术控股有限公司 | 烟灰传感器功能能力监测 |
CN105474013A (zh) * | 2013-08-19 | 2016-04-06 | 西门子医学诊断产品有限责任公司 | 用于分类支持的分析方法 |
JP6260017B1 (ja) * | 2016-09-30 | 2018-01-17 | ピーエルケー テクノロジーズ カンパニー リミテッドPLK Technologies Co., Ltd. | 光学フロー分析を利用した車両衝突警報禁止方法 |
CN108169086A (zh) * | 2017-12-05 | 2018-06-15 | 西人马(厦门)科技有限公司 | 一种流体颗粒物浓度检测方法 |
EP3370311A1 (en) * | 2017-03-02 | 2018-09-05 | Koninklijke Philips N.V. | Method of determining operation conditions of a laser-based particle detector |
-
2019
- 2019-10-18 CN CN201910995128.9A patent/CN111024569B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2003022141A1 (en) * | 2001-09-13 | 2003-03-20 | Imagyn Medical Technologies, Inc. | A signal processing method and device for signal-to-noise improvement |
CN1641504A (zh) * | 2004-01-13 | 2005-07-20 | C.R.F.阿西安尼顾问公司 | 用于控制工业过程特别是激光焊接过程的质量的方法 |
CN103380282A (zh) * | 2011-02-22 | 2013-10-30 | 德尔福技术控股有限公司 | 烟灰传感器功能能力监测 |
CN102620928A (zh) * | 2012-03-02 | 2012-08-01 | 燕山大学 | 基于小波半软阈值和emd的风电齿轮箱故障诊断方法 |
CN105474013A (zh) * | 2013-08-19 | 2016-04-06 | 西门子医学诊断产品有限责任公司 | 用于分类支持的分析方法 |
JP6260017B1 (ja) * | 2016-09-30 | 2018-01-17 | ピーエルケー テクノロジーズ カンパニー リミテッドPLK Technologies Co., Ltd. | 光学フロー分析を利用した車両衝突警報禁止方法 |
EP3370311A1 (en) * | 2017-03-02 | 2018-09-05 | Koninklijke Philips N.V. | Method of determining operation conditions of a laser-based particle detector |
CN108169086A (zh) * | 2017-12-05 | 2018-06-15 | 西人马(厦门)科技有限公司 | 一种流体颗粒物浓度检测方法 |
Non-Patent Citations (3)
Title |
---|
YINGJUN YUAN等: "Specific emitter identification based on Hilbert-Huang transform-based time-frequency-energy distribution features", 《IET COMMUN》 * |
卞利等: "静电传感器在油液在线监测系统中的应用", 《润滑与密封》 * |
贾瑞生等: "低信噪比微震P波震相初至自动拾取方法", 《煤炭学报》 * |
Also Published As
Publication number | Publication date |
---|---|
CN111024569B (zh) | 2022-07-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108490880B (zh) | 一种数控机床切削刀具磨损状态实时监测方法 | |
CN103617256A (zh) | 待变异检测文件的处理方法及装置 | |
CN110058157B (zh) | 基于对称分量法和多维指标融合的电机监测方法及系统 | |
CN116738353B (zh) | 基于数据分析的制药车间空气滤芯性能检测方法 | |
CN111024569B (zh) | 一种磨粒检测传感器的标定方法及其存储介质 | |
CN107153728B (zh) | 一种基于双谱幅值分布熵的砂轮磨损状态特征提取方法 | |
CN112720071A (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 | |
CN114529226A (zh) | 基于工业物联网的地下水污染的监测方法与系统 | |
CN111069098A (zh) | 一种基于大数据的零件加工合格率检测方法 | |
CN108931463B (zh) | 基于鞘流阻抗原理的血细胞脉冲识别方法及识别装置 | |
CN114326593A (zh) | 一种刀具寿命预测系统及方法 | |
CN108182306B (zh) | 车辆动力传动装置磨粒特征参数退化失效阈值的确定方法 | |
CN111024566B (zh) | 一种基于频域分析的机械磨损程度标定方法及系统 | |
CN110705369B (zh) | 一种基于对数-峭度的磨粒信号特征提取方法及装置 | |
Sannakki et al. | Comparison of different leaf edge detection algorithms using fuzzy mathematical morphology | |
CN114819768A (zh) | 一种电容器引出线焊接控制系统 | |
CN100345210C (zh) | 可重写dvd的短脉冲串刻录区评估装置和评估方法 | |
KR102670697B1 (ko) | 먼지 센싱 방법 및 이를 수행하는 먼지 센싱 장치 | |
CN117271980B (zh) | 钻进数据处理方法、装置、电子设备及存储介质 | |
CN116626454B (zh) | 基于修正时频聚类的油纸绝缘uhf局放信号抗干扰识别及定位方法、装置 | |
CN110633310A (zh) | “直线逼近”异常下限确定方法 | |
CN114235572B (zh) | 一种基于信号相似度的结构损伤评价方法 | |
CN117405650B (zh) | 不可降解物质的检测方法、介质 | |
CN117740758B (zh) | 一种液体过滤过程中液体品质的探测方法及系统 | |
CN117439827B (zh) | 一种网络流量大数据分析方法 |
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 |