CN111060337A - 一种基于专家系统的运转设备实时故障诊断方法 - Google Patents
一种基于专家系统的运转设备实时故障诊断方法 Download PDFInfo
- Publication number
- CN111060337A CN111060337A CN201911240195.6A CN201911240195A CN111060337A CN 111060337 A CN111060337 A CN 111060337A CN 201911240195 A CN201911240195 A CN 201911240195A CN 111060337 A CN111060337 A CN 111060337A
- Authority
- CN
- China
- Prior art keywords
- data
- time
- equipment
- characteristic quantity
- real
- 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
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
- G01M99/00—Subject matter not provided for in other groups of this subclass
- G01M99/004—Testing the effects of speed or acceleration
-
- 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
- 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
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (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)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及智能控制领域,旨在提供一种基于专家系统的运转设备实时故障诊断方法。该方法是利用传感器实时采集运转设备的振动加速度的信号,通过无线网关上传至数据库服务器后,对采集数据进行特征矩阵的提取;进一步与专家故障知识库的特征矩阵提取结果进行比对,获得相应的故障类型诊断结果。本发明构建的实时故障诊断方法是基于主元变量比对的故障诊断,能够很好的对运转设备的运行状态进行远程实时监测和故障诊断,及时发现设备故障的早期征兆;能有效延长设备运行寿命,降低维修费用,同时提高设备可靠性,保证设备全生命周期的安全、高效。
Description
技术领域
本发明涉及智能控制领域,具体地说,涉及到一种基于专家系统的运转设备实时故障诊断方法。
背景技术
近年来,伴随着生产的发展和科技的改进,运转设备进入了机、电结合的新阶段,结构日趋复杂,自动化程度不断提高,对运转设备的运行状态实时监测和故障诊断也提出了更高要求。运转设备的可用性、安全性、可靠性和可维修性在不同程度上影响着企业的生产效率,因此,对运转设备运行状态进行有效识别和故障诊断是保证运转设备正常运行、提高企业生产效率的关键。
传统的故障诊断方法是通过人工经验或者仪器检查各种参数进行判断,但在使用这些方法时存在着一些问题:人工经验获得的信息有限,且目前无标准的故障诊断规则;由于运转设备从健康状态到故障发生是渐变过程,运转设备的运行状况是否发生故障没有清晰的界限造成不能及时发现潜在故障;现场数据庞大且复杂,难以得到及时和准确的处理。
本发明公开的一种基于专家系统的旋转机械实时故障诊断方法,具有适用范围广、易于管理和维护等特点,能够及时发现设备故障的早期征兆,有效延长设备运行寿命,降低维修费用,同时提高设备可靠性,保证设备全生命周期的安全、高效。
发明内容
本发明要解决的技术问题是,克服现有技术中的不足,提供一种基于专家系统的运转设备实时故障诊断方法。
为解决技术问题,本发明的解决方案是:
提供一种基于专家系统的运转设备实时故障诊断方法,是利用传感器实时采集运转设备的振动加速度的信号,通过无线网关上传至数据库服务器后,对采集数据进行特征矩阵的提取;进一步与专家故障知识库的特征矩阵提取结果进行比对,获得相应的故障类型诊断结果;
所述对采集数据和专家故障知识库的特征矩阵的提取,包括以下步骤:
(1)设定特征矩阵为包括时域特征量和频域特征量的二维特征矩阵;
其中,时域特征量包括有效值、平均值、峭度、歪度、峰值和裕度指标,分别以X1、X2、X3、X4、X5、X6表示;频域特征量包括0.5倍频、1倍频、1.5倍频、2倍频、2.5倍频、3倍频、4倍频和高倍频,分别以X7、X8、X9、X10、X11、X12、X13、X14表示;
(2)对专家故障知识库中的振动加速度数据进行主成分分析计算,得到各时域特征量;通过快速傅里叶变换,得到频域特征量;利用主成分分析算法将所提取的时域特征量和频域特征量所组成的二维特征矩阵进行降维,获得专家故障知识库主元变量;
(3)通过传感器采集1024个振动加速度原始数据,通过主成分分析计算得到各时域特征量;通过快速傅里叶变换,得到各频域特征量;利用主成分分析算法将所提取的时域特征量和频域特征量所组成的二维特征矩阵进行降维,获得实时采集数据主元变量;
(4)利用K-近邻算法对实时采集数据主元变量和专家故障知识库主元变量进行比对,根据预置规则获得与运转设备实时运行状态匹配的故障类型诊断结果。
本发明中,所述通过快速傅里叶变换得到频域特征量是指离散傅里叶变换的快速算法,按下述计算过程将振动加速度由时域转换为频域:
X(n)=X1(n)+X2(n) (10)
X1(n)、X2(n)分别为偶数序列和奇数序列,其长度均为N/2;
其中,X1(k)、X2(k)分别为X1(n)、X2(n)的N/2点DFT;
依此类推,得到每个采样点的频域幅值,进而得到振动加速度频谱图。
本发明中,所述运转设备包括水泵、风机、空压机、电机、电梯曳引机、电梯轿厢。
本发明中,该方法基于下述系统实现:包括数据采集模块、数据存储模块、数据处理模块和数据输出模块;其中,
数据采集模块用于实时采集设备的振动数据,将其存储在数据存储模块;
数据存储模块用于存储专家故障知识库,以及记载设备各种运行状态的历史数据库;
数据处理模块用于提取和处理数据存储模块中的数据,进行所述各项计算,并进行主元变量的比对;
数据输出模块用于显示数据处理结果,获取故障类型诊断结果。
本发明中,所述数据采集模块包括传感器和无线网关。
本发明中,所述数据输出模块是手机、电脑或智能显示屏中的任意一种。
与现有技术相比,本发明的有益效果是:
1、本发明构建的实时故障诊断方法是基于主元变量比对的故障诊断,能够很好的对运转设备的运行状态进行远程实时监测和故障诊断,及时发现设备故障的早期征兆;
2、本发明能有效延长设备运行寿命,降低维修费用,同时提高设备可靠性,保证设备全生命周期的安全、高效。
附图说明
图1是本发明整体设计图。
图2是本发明实时故障诊断系统运行状态流程图。
图3是数据库服务器结构示意图。
具体实施方式
首先需要说明的是,本发明的实现会涉及信号检测技术,系计算机技术在工业生产领域的应用。在本发明的具体应用过程中,可能涉及到软件功能模块的应用。申请人认为,如在仔细阅读申请文件、准确理解本发明的实现原理和发明目的以后,在结合现有公知技术的情况下,本领域技术人员完全可以运用其掌握的软件编程技能实现本发明。凡本发明申请文件提及的均属此范畴,申请人不再一一列举。
如图2所示,本发明所述基于专家系统的运转设备实时故障诊断方法,是利用传感器实时采集运转设备的振动加速度的信号,通过无线网关上传至数据库服务器后,对采集数据进行特征矩阵的提取;进一步与专家故障知识库的特征矩阵提取结果进行比对,获得相应的故障类型诊断结果;
对采集数据和专家故障知识库的特征矩阵的提取,包括以下步骤:
(1)设定特征矩阵为包括时域特征量和频域特征量的二维特征矩阵;
其中,时域特征量包括有效值、平均值、峭度、歪度、峰值和裕度指标,分别以X1、X2、X3、X4、X5、X6表示;频域特征量包括0.5倍频、1倍频、1.5倍频、2倍频、2.5倍频、3倍频、4倍频和高倍频,分别以X7、X8、X9、X10、X11、X12、X13、X14表示;
(2)对专家故障知识库中的振动加速度数据进行主成分分析计算,得到各时域特征量;通过快速傅里叶变换,得到频域特征量;利用主成分分析算法将所提取的时域特征量和频域特征量所组成的二维特征矩阵进行降维,获得专家故障知识库主元变量;
(3)通过传感器采集1024个振动加速度原始数据(分别为x1,x2,x3·······xi·······x1024),通过主成分分析计算得到各时域特征量;通过快速傅里叶变换,得到各频域特征量;利用主成分分析算法将所提取的时域特征量和频域特征量所组成的二维特征矩阵进行降维,获得实时采集数据主元变量;
(4)利用K-近邻算法对实时采集数据主元变量和专家故障知识库主元变量进行比对,根据预置规则获得与运转设备实时运行状态匹配的故障类型诊断结果(如图3所示)。
该方法基于下述系统实现(如图1所示):包括数据采集模块、数据存储模块、数据处理模块和数据输出模块;其中,数据采集模块用于实时采集设备的振动数据,将其存储在数据存储模块;数据采集模块包括传感器和无线网关;数据存储模块用于存储专家故障知识库,以及记载设备各种运行状态的历史数据库;数据处理模块用于提取和处理数据存储模块中的数据,进行所述各项计算,并进行主元变量的比对;数据输出模块用于显示数据处理结果,获取故障类型诊断结果。所述数据采集模块包括传感器和无线网关。所述数据输出模块是手机、电脑或智能显示屏中的任意一种。所述运转设备包括水泵、风机、空压机、电机、电梯曳引机、电梯轿厢。
专家故障知识库搜集有大量关于旋转机械故障案例、专家文献以及经验数据。通过对相关数据进行主成分分析,能得到不同设备的不同故障类型特征矩阵的主元。主成分分析算法,是指对所提取的时域和频域两种特征量组成的二维特征矩阵,寻找一组新变量来代替原特征,新变量是原变量的线性组合,最大限度地携带原特征的有用信息,且新变量之间互不相关。这些新变量称之为主元变量。
K-近邻算法,是指存在一个样本数据集合,也称为训练样本集,并且样本集中每个数据都存在标签,即已经知道样本集中每一数据与所属分类对应的关系。输入没有标签的数据后,将新数据中的每个特征与样本集中数据对应的特征进行比较,提取出样本集中特征最相似数据(最近邻)的分类标签。特征矩阵的主元比对,是通过K-近邻算法将特征矩阵的主元与故障数据库中特征矩阵的主元进行比对,得到故障类型。
在具体实施例中,为得到包括时域和频域的特征矩阵,涉及的公式如下:
其中,Xrms为振动加速度有效值,表示信号的强度;X(t)为t时刻的时域值,t为数据采集的时间,T为采样周期。
其中,Cf是峰值指标,为振动波形的单峰最大值,是用来检测信号中是否存在冲击的统计指标之一;Xmax为整个振动历程中的最大值。
其中,Kv为峭度指标,反映振动信号中的冲击特征,正常值在3左右,如果接近4或大于4,则说明机械的运动状况中存在冲击性振动。一般情况下是间隙过大、滑动副表面存在破碎等原因。
其中,CLf为裕度指标,用于检测机械设备的磨损情况,可由Xr和Xmax计算得到;Xr为方根幅值,可由公式(7)计算得到。
快速傅里叶变换(Fast Fourier Transform,FFT),是离散傅里叶变换(DiscreteFourier Transform,DFT)的快速算法,它是根据离散傅里叶变换的奇、偶、虚、实等特性,对离散傅里叶变换的算法进行改进获得的,可将振动加速度由时域转换为频域。FFT公式推算如下:
X(n)=X1(n)+X2(n) (10)
X1(n)、X2(n)分别为偶数序列和奇数序列,其长度均为N/2。
其中,X1(k)、X2(k)分别为X1(n)、X2(n)的N/2点DFT。
依此类推,得到每个采样点的频域幅值,进而得到振动加速度频谱图。
判断运转设备的故障运行状态是一个技术难点,本发明基于大量关于旋转机械故障案例、专家文献以及经验数据的收集构建了专家故障知识库服务器,为防止关键设备的异常提供预警,提高设备的可靠性,极大地提高了设备的工作效率。
上述内容虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,任何本领域技术人员,在不脱离本发明的精神和范围内所做出的应用或改动,均应属于本发明的保护范围。
Claims (6)
1.一种基于专家系统的运转设备实时故障诊断方法,其特征在于,是利用传感器实时采集运转设备的振动加速度的信号,通过无线网关上传至数据库服务器后,对采集数据进行特征矩阵的提取;进一步与专家故障知识库的特征矩阵提取结果进行比对,获得相应的故障类型诊断结果;
所述对采集数据和专家故障知识库的特征矩阵的提取,包括以下步骤:
(1)设定特征矩阵为包括时域特征量和频域特征量的二维特征矩阵;
其中,时域特征量包括有效值、平均值、峭度、歪度、峰值和裕度指标,分别以X1、X2、X3、X4、X5、X6表示;频域特征量包括0.5倍频、1倍频、1.5倍频、2倍频、2.5倍频、3倍频、4倍频和高倍频,分别以X7、X8、X9、X10、X11、X12、X13、X14表示;
(2)对专家故障知识库中的振动加速度数据进行主成分分析计算,得到各时域特征量;通过快速傅里叶变换,得到频域特征量;利用主成分分析算法将所提取的时域特征量和频域特征量所组成的二维特征矩阵进行降维,获得专家故障知识库主元变量;
(3)通过传感器采集1024个振动加速度原始数据,通过主成分分析计算得到各时域特征量;通过快速傅里叶变换,得到各频域特征量;利用主成分分析算法将所提取的时域特征量和频域特征量所组成的二维特征矩阵进行降维,获得实时采集数据主元变量;
(4)利用K-近邻算法对实时采集数据主元变量和专家故障知识库主元变量进行比对,根据预置规则获得与运转设备实时运行状态匹配的故障类型诊断结果。
2.根据权利要求1所述的方法,其特征在于,所述通过快速傅里叶变换得到频域特征量是指离散傅里叶变换的快速算法,按下述计算过程将振动加速度由时域转换为频域:
X(n)=X1(n)+X2(n) (10)
X1(n)、X2(n)分别为偶数序列和奇数序列,其长度均为N/2;
其中,X1(k)、X2(k)分别为X1(n)、X2(n)的N/2点DFT;
依此类推,得到每个采样点的频域幅值,进而得到振动加速度频谱图。
3.根据权利要求1所述的方法,其特征在于,所述运转设备包括水泵、风机、空压机、电机、电梯曳引机、电梯轿厢。
4.根据权利要求1所述的方法,其特征在于,该方法基于下述系统实现:包括数据采集模块、数据存储模块、数据处理模块和数据输出模块;其中,
数据采集模块用于实时采集设备的振动数据,将其存储在数据存储模块;
数据存储模块用于存储专家故障知识库,以及记载设备各种运行状态的历史数据库;
数据处理模块用于提取和处理数据存储模块中的数据,进行所述各项计算,并进行主元变量的比对;
数据输出模块用于显示数据处理结果,获取故障类型诊断结果。
5.根据权利要求4所述的方法,其特征在于,所述数据采集模块包括传感器和无线网关。
6.根据权利要求4所述的方法,其特征在于,所述数据输出模块是手机、电脑或智能显示屏中的任意一种。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911240195.6A CN111060337B (zh) | 2019-12-05 | 2019-12-05 | 一种基于专家系统的运转设备实时故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911240195.6A CN111060337B (zh) | 2019-12-05 | 2019-12-05 | 一种基于专家系统的运转设备实时故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111060337A true CN111060337A (zh) | 2020-04-24 |
CN111060337B CN111060337B (zh) | 2022-05-06 |
Family
ID=70299828
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911240195.6A Active CN111060337B (zh) | 2019-12-05 | 2019-12-05 | 一种基于专家系统的运转设备实时故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111060337B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111623906A (zh) * | 2020-04-30 | 2020-09-04 | 中国铁建电气化局集团有限公司 | 一种超大空间暖通设备健康监控方法、系统、存储介质和设备 |
CN111860599A (zh) * | 2020-06-19 | 2020-10-30 | 中海油能源发展装备技术有限公司 | 一种对机泵故障进行诊断方法 |
CN112650200A (zh) * | 2020-12-25 | 2021-04-13 | 中能融安(北京)科技有限公司 | 一种设备故障的诊断方法及诊断装置 |
CN113052499A (zh) * | 2021-04-23 | 2021-06-29 | 广东电网有限责任公司江门供电局 | 一种电力基础设施哑资源管理方法、装置、终端及介质 |
CN113623194A (zh) * | 2021-09-02 | 2021-11-09 | 安徽德通智联科技有限公司 | 一种机泵设备的快速故障诊断方法 |
CN113759876A (zh) * | 2021-09-14 | 2021-12-07 | 西安交通大学 | 基于案例推理的风电机组故障诊断方法及系统 |
CN114417941A (zh) * | 2022-03-28 | 2022-04-29 | 中电科创智联(武汉)有限责任公司 | 一种曲轴故障检测方法及系统 |
CN114754018A (zh) * | 2022-04-02 | 2022-07-15 | 北京一诺先科装备技术有限公司 | 一种大型透平压缩机故障诊断方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101571120A (zh) * | 2009-05-31 | 2009-11-04 | 北京航空航天大学 | 基于倍频相对能量和的分层聚类航空泵多故障诊断方法 |
CN103954450A (zh) * | 2014-05-19 | 2014-07-30 | 重庆交通大学 | 基于主成分分析的轴承寿命退化性能评估指标构建方法 |
CN105606363A (zh) * | 2016-01-29 | 2016-05-25 | 济南大学 | 一种基于域自适应的轴承故障诊断方法 |
EP3483584A1 (en) * | 2016-10-06 | 2019-05-15 | Kabushiki Kaisha Kobe Seiko Sho (Kobe Steel, Ltd.) | Rotating machine abnormality detection device and method, and rotating machine |
CN109902393A (zh) * | 2019-03-01 | 2019-06-18 | 哈尔滨理工大学 | 一种基于深层特征和迁移学习的变工况下滚动轴承故障诊断方法 |
CN110146279A (zh) * | 2019-05-21 | 2019-08-20 | 杭州电子科技大学 | 一种基于向量证据推理的船舶轴系不平衡故障诊断方法 |
CN110346142A (zh) * | 2019-07-25 | 2019-10-18 | 哈尔滨理工大学 | 基于无监督特征对齐的变负载下滚动轴承故障诊断方法 |
-
2019
- 2019-12-05 CN CN201911240195.6A patent/CN111060337B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101571120A (zh) * | 2009-05-31 | 2009-11-04 | 北京航空航天大学 | 基于倍频相对能量和的分层聚类航空泵多故障诊断方法 |
CN103954450A (zh) * | 2014-05-19 | 2014-07-30 | 重庆交通大学 | 基于主成分分析的轴承寿命退化性能评估指标构建方法 |
CN105606363A (zh) * | 2016-01-29 | 2016-05-25 | 济南大学 | 一种基于域自适应的轴承故障诊断方法 |
EP3483584A1 (en) * | 2016-10-06 | 2019-05-15 | Kabushiki Kaisha Kobe Seiko Sho (Kobe Steel, Ltd.) | Rotating machine abnormality detection device and method, and rotating machine |
CN109902393A (zh) * | 2019-03-01 | 2019-06-18 | 哈尔滨理工大学 | 一种基于深层特征和迁移学习的变工况下滚动轴承故障诊断方法 |
CN110146279A (zh) * | 2019-05-21 | 2019-08-20 | 杭州电子科技大学 | 一种基于向量证据推理的船舶轴系不平衡故障诊断方法 |
CN110346142A (zh) * | 2019-07-25 | 2019-10-18 | 哈尔滨理工大学 | 基于无监督特征对齐的变负载下滚动轴承故障诊断方法 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111623906A (zh) * | 2020-04-30 | 2020-09-04 | 中国铁建电气化局集团有限公司 | 一种超大空间暖通设备健康监控方法、系统、存储介质和设备 |
CN111860599A (zh) * | 2020-06-19 | 2020-10-30 | 中海油能源发展装备技术有限公司 | 一种对机泵故障进行诊断方法 |
CN112650200A (zh) * | 2020-12-25 | 2021-04-13 | 中能融安(北京)科技有限公司 | 一种设备故障的诊断方法及诊断装置 |
CN113052499A (zh) * | 2021-04-23 | 2021-06-29 | 广东电网有限责任公司江门供电局 | 一种电力基础设施哑资源管理方法、装置、终端及介质 |
CN113623194A (zh) * | 2021-09-02 | 2021-11-09 | 安徽德通智联科技有限公司 | 一种机泵设备的快速故障诊断方法 |
CN113759876A (zh) * | 2021-09-14 | 2021-12-07 | 西安交通大学 | 基于案例推理的风电机组故障诊断方法及系统 |
CN114417941A (zh) * | 2022-03-28 | 2022-04-29 | 中电科创智联(武汉)有限责任公司 | 一种曲轴故障检测方法及系统 |
CN114754018A (zh) * | 2022-04-02 | 2022-07-15 | 北京一诺先科装备技术有限公司 | 一种大型透平压缩机故障诊断方法及系统 |
CN114754018B (zh) * | 2022-04-02 | 2024-02-20 | 北京一诺先科装备技术有限公司 | 一种大型透平压缩机故障诊断方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111060337B (zh) | 2022-05-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111060337B (zh) | 一种基于专家系统的运转设备实时故障诊断方法 | |
US20150233792A1 (en) | Methods and Apparatuses for Defect Diagnosis in a Mechanical System | |
CN112179691B (zh) | 基于对抗学习策略的机械装备运行状态异常检测系统和方法 | |
CN113076834B (zh) | 旋转机械故障信息处理方法、处理系统、处理终端、介质 | |
CN110705456A (zh) | 一种基于迁移学习的微型电机异常检测方法 | |
CN113339204B (zh) | 一种基于混合神经网络的风力发电机故障识别方法 | |
CN111122191B (zh) | 一种基于ewma控制的设备安康报警阈值设定方法 | |
CN111881594B (zh) | 一种核动力设备的非平稳信号状态监测方法及系统 | |
CN110398362B (zh) | 一种机器人rv减速器故障诊断和定位方法 | |
CN113030723A (zh) | 一种交流异步电机状态监测系统 | |
CN111898644A (zh) | 一种无故障样本下航天液体发动机健康状态智能识别方法 | |
CN115437358A (zh) | 工业机器人智能状态监测与故障诊断系统及故障诊断方法 | |
CN115481657A (zh) | 一种基于电信号的风力发电机组通信滑环故障诊断方法 | |
Imani et al. | A scalable spark-based fault diagnosis platform for gearbox fault diagnosis in wind farms | |
CN111811819A (zh) | 一种基于机器学习的轴承故障诊断方法及装置 | |
Yang et al. | Change detection in rotational speed of industrial machinery using Bag-of-Words based feature extraction from vibration signals | |
CN102393303A (zh) | 一种燃气轮机的排序异常检测方法 | |
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 | |
CN109165396A (zh) | 一种故障演化趋势的设备剩余使用寿命预测方法 | |
CN110160781B (zh) | 一种旋转机械故障分类的测试集重构和预测方法 | |
CN116861320A (zh) | 基于短时傅里叶同步压缩变换的转子故障诊断方法 | |
CN114233581A (zh) | 一种风机机舱智能巡视报警系统 | |
Duan et al. | A hybrid approach of SAX and bitmap for machinery fault diagnosis | |
CN110905735A (zh) | 一种基于声音周期性的叶片故障诊断方法 | |
Duan et al. | A health indicator construction method of rolling bearing based on vibration image features and deep autoencoder network |
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 |