CN111076809A - 基于卷积神经网络的设备异常声音识别方法及系统 - Google Patents

基于卷积神经网络的设备异常声音识别方法及系统 Download PDF

Info

Publication number
CN111076809A
CN111076809A CN201911414286.7A CN201911414286A CN111076809A CN 111076809 A CN111076809 A CN 111076809A CN 201911414286 A CN201911414286 A CN 201911414286A CN 111076809 A CN111076809 A CN 111076809A
Authority
CN
China
Prior art keywords
equipment
sound
abnormal
neural network
convolutional neural
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
Application number
CN201911414286.7A
Other languages
English (en)
Other versions
CN111076809B (zh
Inventor
伍强
展华益
刘杨
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sichuan Changhong Electric Co Ltd
Original Assignee
Sichuan Changhong Electric Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Sichuan Changhong Electric Co Ltd filed Critical Sichuan Changhong Electric Co Ltd
Priority to CN201911414286.7A priority Critical patent/CN111076809B/zh
Publication of CN111076809A publication Critical patent/CN111076809A/zh
Application granted granted Critical
Publication of CN111076809B publication Critical patent/CN111076809B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明提出一种基于卷积神经网络的设备异常声音识别方法及系统，属于机器学习领域。为了解决人工听音结果非一致性和降低人员成本的问题，本发明包括：分别采集相应数量的正常设备和异常设备在运行过程中的声音信号；分别提取正常设备和异常设备声音信号的有效区间特征；设计卷积神经网络模型，并训练正常设备和异常设备声音信号的有效区间特征，获得声音识别模型；在对设备声音进行识别时，提取设备声音的有效区间特征，并将该有效区间特征输入到声音识别模型中；通过所述声音识别模型判断设备的声音是否异常，并输出识别结果。本发明解决了人工听音结果非一致性问题，同时减少了听音人员的成本。

Description

基于卷积神经网络的设备异常声音识别方法及系统
技术领域
本发明涉及机器学习技术，特别涉及一种基于卷积神经网络的设备异常声音识别方法及系统。
背景技术
在无损条件下，如何判断设备是否出现异常转动，行业内的通常做法是通过专业人员听设备的震动声音。采用人工听音的方式需要培训专业的听音人员，同时人工听音有一定主观性，听音人员的判断能力会受到自身的情绪和身体状况等因素的影响。
发明内容
本发明的目的是提供一种基于卷积神经网络的设备异常声音识别方法及系统，解决人工听音结果非一致性和降低人员成本的问题。
本发明解决其技术问题，采用的技术方案是：基于卷积神经网络的设备异常声音识别方法，包括以下步骤：
步骤1、分别采集相应数量的正常设备和异常设备在运行过程中的声音信号；
步骤2、分别提取正常设备和异常设备声音信号的有效区间特征；
步骤3、设计卷积神经网络模型，并训练正常设备和异常设备声音信号的有效区间特征，获得声音识别模型；
步骤4、在对设备声音进行识别时，提取设备声音的有效区间特征，并将该有效区间特征输入到声音识别模型中；
步骤5、通过所述声音识别模型判断设备的声音是否异常，并输出识别结果。
进一步的是，步骤1中，所述声音信号的来源为发动机。
进一步的是，步骤2中，提取声音信号的有效区间特征包括以下步骤：
步骤201、对声音信号进行短时傅里叶变换，然后求绝对值，最后取对数，得到声音信号的声学特征；
步骤202、将正常设备声音信号的短时傅里叶变换结果和异常设备声音信号的短时傅里叶变换结果相减得到差异性特征X；
步骤203、设置一个阈值T，在X中查询大于T的区间[F0,F1]；
步骤204、采用[F0,F1]区间对声学特征中的频率轴进行截断，获得有效区间特征。
进一步的是，步骤3中，所述设计的卷积神经网络模型中，网络结构为N个卷积层，且卷积层之后都有激活函数和池化层，当图像经过卷积、激活和池化后的结果称为特征图，用C表示，M个全链接层，卷积层的卷积核大小为Kn、步长为Sn、卷积核的个数为Xn，其中1≤n≤N，最后一个全连接层的神经元的个数为2，其他的全连接层的神经元的个数为Cm，其中1≤m≤M，每层卷积之后的激活函数为Max-Feature-Map，格式如下：
Figure BDA0002350781820000021
其中，C∈Rh×w×2n，C的数量是2n，n为预先设定的值；
则f的导数为：
Figure BDA0002350781820000022
其中，w为特征图的宽，h为特征图的高,i为特征图的第i列，0≤i＜w，j为特征图的第j行，0≤j＜h,1≤k≤n，R为实数空间。
进一步的是，步骤3中，将正常设备声音信号的有效区间特征和异常设备声音信号的有效区间特征输入到卷积神经网络模型中，训练模型直到收敛，获得设备声音识别模型。
基于卷积神经网络的设备异常声音识别系统，应用于所述的基于卷积神经网络的设备异常声音识别方法，包括：
设备声音信号采集模块，用于采集待测试设备的声音信号；
设备声音信号特征提取模块，用于提取声音信号的有效区间特征；
正常设备数据准备模块，用于准备训练设备声音识别模型所需要的正常设备数据集；
异常设备数据准备模块，用于准备训练设备声音识别模型所需要的异常设备数据集；
设备声音识别模型训练模块，用于设计和训练设备声音识别模型；
设备声音识别模块，用于识别设备声音是否异常。
进一步的是，所述声音信号的来源为发动机。
进一步的是，所述设备声音信号特征提取模块在提取声音信号的有效区间特征时，包括以下步骤：
步骤201、对声音信号进行短时傅里叶变换，然后求绝对值，最后取对数，得到声音信号的声学特征；
步骤202、将正常设备声音信号的短时傅里叶变换结果和异常设备声音信号的短时傅里叶变换结果相减得到差异性特征X；
步骤203、设置一个阈值T，在X中查询大于T的区间[F0,F1]；
步骤204、采用[F0,F1]区间对声学特征中的频率轴进行截断，获得有效区间特征。
进一步的是，在训练设备声音识别模型时，首先设计卷积神经网络模型，然后训练正常设备和异常设备声音信号的有效区间特征，最后获得声音识别模型。
进一步的是，将正常设备声音信号的有效区间特征和异常设备声音信号的有效区间特征输入到卷积神经网络模型中，训练模型直到收敛，获得设备声音识别模型。
本发明的有益效果是，通过上述基于卷积神经网络的设备异常声音识别方法及系统，首先收集设备运行的声音信号，包括正常设备的声音和异常设备的声音，然后通过卷积神经网络训练设备声音识别模型，最后通过设备声音识别模型对设备的声音进行分类，识别出正常设备和异常设备，解决了人工听音结果非一致性问题，同时减少了听音人员的成本。
附图说明
图1为本发明基于卷积神经网络的设备异常声音识别方法的流程图。
具体实施方式
下面结合附图，详细描述本发明的技术方案。
本发明所述基于卷积神经网络的设备异常声音识别方法，其流程图参见图1，其中，该方法包括以下步骤：
步骤1、分别采集相应数量的正常设备和异常设备在运行过程中的声音信号。
其中，声音信号的来源可以为发动机，也可以为设备的其他组件，通过这些组件均能实现声音信号的采集。
步骤2、分别提取正常设备和异常设备声音信号的有效区间特征。
其中，提取声音信号的有效区间特征可以包括以下步骤：
步骤201、对声音信号进行短时傅里叶变换，然后求绝对值，最后取对数，得到声音信号的声学特征；
步骤202、将正常设备声音信号的短时傅里叶变换结果和异常设备声音信号的短时傅里叶变换结果相减得到差异性特征X；
步骤203、设置一个阈值T，在X中查询大于T的区间[F0,F1]；
步骤204、采用[F0,F1]区间对声学特征中的频率轴进行截断，获得有效区间特征。
步骤3、设计卷积神经网络模型，并训练正常设备和异常设备声音信号的有效区间特征，获得声音识别模型。
其中，设计的卷积神经网络模型中，网络结构为N个卷积层，且卷积层之后都有激活函数和池化层，当图像经过卷积、激活和池化后的结果称为特征图，用C表示，M个全链接层，卷积层的卷积核大小为Kn、步长为Sn、卷积核的个数为Xn，其中1≤n≤N，最后一个全连接层的神经元的个数为2，其他的全连接层的神经元的个数为Cm，其中1≤m≤M，每层卷积之后的激活函数为Max-Feature-Map，格式如下：
Figure BDA0002350781820000041
其中，C∈Rh×w×2n，C的数量是2n，n为预先设定的值；
则f的导数为：
Figure BDA0002350781820000042
其中，w为特征图的宽，h为特征图的高,i为特征图的第i列，0≤i＜w，j为特征图的第j行，0≤j＜h,1≤k≤n，R为实数空间。
实际应用时，可以将正常设备声音信号的有效区间特征和异常设备声音信号的有效区间特征输入到卷积神经网络模型中，训练模型直到收敛，获得设备声音识别模型。
步骤4、在对设备声音进行识别时，提取设备声音的有效区间特征，并将该有效区间特征输入到声音识别模型中。
步骤5、通过所述声音识别模型判断设备的声音是否异常，并输出识别结果。
另外，本发明还提供一种基于卷积神经网络的设备异常声音识别系统，应用于所述的基于卷积神经网络的设备异常声音识别方法，包括：
设备声音信号采集模块，用于采集待测试设备的声音信号；
设备声音信号特征提取模块，用于提取声音信号的有效区间特征；
正常设备数据准备模块，用于准备训练设备声音识别模型所需要的正常设备数据集；
异常设备数据准备模块，用于准备训练设备声音识别模型所需要的异常设备数据集；
设备声音识别模型训练模块，用于设计和训练设备声音识别模型；
设备声音识别模块，用于识别设备声音是否异常。
上述系统中，声音信号的来源优选为发动机。
作为优选，设备声音信号特征提取模块在提取声音信号的有效区间特征时，可以包括以下步骤：
步骤201、对声音信号进行短时傅里叶变换，然后求绝对值，最后取对数，得到声音信号的声学特征；
步骤202、将正常设备声音信号的短时傅里叶变换结果和异常设备声音信号的短时傅里叶变换结果相减得到差异性特征X；
步骤203、设置一个阈值T，在X中查询大于T的区间[F0,F1]；
步骤204、采用[F0,F1]区间对声学特征中的频率轴进行截断，获得有效区间特征。
并且，在训练设备声音识别模型时，首先设计卷积神经网络模型，然后训练正常设备和异常设备声音信号的有效区间特征，最后获得声音识别模型。
并且，可以将正常设备声音信号的有效区间特征和异常设备声音信号的有效区间特征输入到卷积神经网络模型中，训练模型直到收敛，获得设备声音识别模型。
因此，本申请解决了人工听音结果非一致性问题，同时减少了听音人员的成本。

Claims (10)

1.基于卷积神经网络的设备异常声音识别方法，其特征在于，包括以下步骤：
步骤1、分别采集相应数量的正常设备和异常设备在运行过程中的声音信号；
步骤2、分别提取正常设备和异常设备声音信号的有效区间特征；
步骤3、设计卷积神经网络模型，并训练正常设备和异常设备声音信号的有效区间特征，获得声音识别模型；
步骤4、在对设备声音进行识别时，提取设备声音的有效区间特征，并将该有效区间特征输入到声音识别模型中；
步骤5、通过所述声音识别模型判断设备的声音是否异常，并输出识别结果。
2.根据权利要求1所述的基于卷积神经网络的设备异常声音识别方法，其特征在于，步骤1中，所述声音信号的来源为发动机。
3.根据权利要求1所述的基于卷积神经网络的设备异常声音识别方法，其特征在于，步骤2中，提取声音信号的有效区间特征包括以下步骤：
步骤201、对声音信号进行短时傅里叶变换，然后求绝对值，最后取对数，得到声音信号的声学特征；
步骤202、将正常设备声音信号的短时傅里叶变换结果和异常设备声音信号的短时傅里叶变换结果相减得到差异性特征X；
步骤203、设置一个阈值T，在X中查询大于T的区间[F0,F1]；
步骤204、采用[F0,F1]区间对声学特征中的频率轴进行截断，获得有效区间特征。
4.根据权利要求1所述的基于卷积神经网络的设备异常声音识别方法，其特征在于，步骤3中，所述设计的卷积神经网络模型中，网络结构为N个卷积层，且卷积层之后都有激活函数和池化层，当图像经过卷积、激活和池化后的结果称为特征图，用C表示，M个全链接层，卷积层的卷积核大小为Kn、步长为Sn、卷积核的个数为Xn，其中1≤n≤N，最后一个全连接层的神经元的个数为2，其他的全连接层的神经元的个数为Cm，其中1≤m≤M，每层卷积之后的激活函数为Max-Feature-Map，格式如下：
Figure FDA0002350781810000011
其中，C∈Rh×w×2n，C的数量是2n，n为预先设定的值；
则f的导数为：
Figure FDA0002350781810000012
其中，w为特征图的宽，h为特征图的高,i为特征图的第i列，0≤i＜w，j为特征图的第j行，0≤j＜h,1≤k≤n，R为实数空间。
5.根据权利要求4所述的基于卷积神经网络的设备异常声音识别方法，其特征在于，步骤3中，将正常设备声音信号的有效区间特征和异常设备声音信号的有效区间特征输入到卷积神经网络模型中，训练模型直到收敛，获得设备声音识别模型。
6.基于卷积神经网络的设备异常声音识别系统，应用于权利要求1-5任意一项所述的基于卷积神经网络的设备异常声音识别方法，其特征在于，包括：
设备声音信号采集模块，用于采集待测试设备的声音信号；
设备声音信号特征提取模块，用于提取声音信号的有效区间特征；
正常设备数据准备模块，用于准备训练设备声音识别模型所需要的正常设备数据集；
异常设备数据准备模块，用于准备训练设备声音识别模型所需要的异常设备数据集；
设备声音识别模型训练模块，用于设计和训练设备声音识别模型；
设备声音识别模块，用于识别设备声音是否异常。
7.根据权利要求6所述的基于卷积神经网络的设备异常声音识别系统，其特征在于，所述声音信号的来源为发动机。
8.根据权利要求6所述的基于卷积神经网络的设备异常声音识别系统，其特征在于，所述设备声音信号特征提取模块在提取声音信号的有效区间特征时，包括以下步骤：
步骤201、对声音信号进行短时傅里叶变换，然后求绝对值，最后取对数，得到声音信号的声学特征；
步骤202、将正常设备声音信号的短时傅里叶变换结果和异常设备声音信号的短时傅里叶变换结果相减得到差异性特征X；
步骤203、设置一个阈值T，在X中查询大于T的区间[F0,F1]；
步骤204、采用[F0,F1]区间对声学特征中的频率轴进行截断，获得有效区间特征。
9.根据权利要求6所述的基于卷积神经网络的设备异常声音识别系统，其特征在于，在训练设备声音识别模型时，首先设计卷积神经网络模型，然后训练正常设备和异常设备声音信号的有效区间特征，最后获得声音识别模型。
10.根据权利要求9所述的基于卷积神经网络的设备异常声音识别系统，其特征在于，将正常设备声音信号的有效区间特征和异常设备声音信号的有效区间特征输入到卷积神经网络模型中，训练模型直到收敛，获得设备声音识别模型。
CN201911414286.7A 2019-12-31 2019-12-31 基于卷积神经网络的设备异常声音识别方法及系统 Active CN111076809B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911414286.7A CN111076809B (zh) 2019-12-31 2019-12-31 基于卷积神经网络的设备异常声音识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911414286.7A CN111076809B (zh) 2019-12-31 2019-12-31 基于卷积神经网络的设备异常声音识别方法及系统

Publications (2)

Publication Number Publication Date
CN111076809A true CN111076809A (zh) 2020-04-28
CN111076809B CN111076809B (zh) 2021-08-31

Family

ID=70320744

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911414286.7A Active CN111076809B (zh) 2019-12-31 2019-12-31 基于卷积神经网络的设备异常声音识别方法及系统

Country Status (1)

Country Link
CN (1) CN111076809B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112382311A (zh) * 2020-11-16 2021-02-19 谭昊玥 基于混合神经网络的婴儿啼哭声意图识别方法及装置
CN113252790A (zh) * 2021-06-21 2021-08-13 四川轻化工大学 基于宽卷积与循环神经网络的磁瓦内部缺陷检测方法
CN113571092A (zh) * 2021-07-14 2021-10-29 东软集团股份有限公司 一种发动机异响识别方法及其相关设备
CN113775942A (zh) * 2021-08-28 2021-12-10 特斯联科技集团有限公司 用于管道状态监控的人工智能数据采集系统
CN115083395A (zh) * 2022-08-23 2022-09-20 聊城大学 基于卷积神经网络与支持向量机的发动机声音检测系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0552645A (ja) * 1991-08-21 1993-03-02 Haruo Hamada 消音・制振効果の測定方法並びに測定装置及び信号源探 査装置
CN106599892A (zh) * 2016-12-14 2017-04-26 四川长虹电器股份有限公司 基于深度学习的电视台标识别系统
CN108681747A (zh) * 2018-05-11 2018-10-19 武汉理工大学 基于深度学习的旋转机械故障诊断与状态监测系统及方法
CN109580268A (zh) * 2018-12-22 2019-04-05 西安瑞联工业智能技术有限公司 一种产品异响、异音智能检测方法
CN109599126A (zh) * 2018-12-29 2019-04-09 广州丰石科技有限公司 一种基于mel能量谱和卷积神经网络的声音故障识别方法
CN110031088A (zh) * 2019-04-17 2019-07-19 珠海格力电器股份有限公司 电子设备故障检测方法、装置、设备和吸油烟机

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0552645A (ja) * 1991-08-21 1993-03-02 Haruo Hamada 消音・制振効果の測定方法並びに測定装置及び信号源探 査装置
CN106599892A (zh) * 2016-12-14 2017-04-26 四川长虹电器股份有限公司 基于深度学习的电视台标识别系统
CN108681747A (zh) * 2018-05-11 2018-10-19 武汉理工大学 基于深度学习的旋转机械故障诊断与状态监测系统及方法
CN109580268A (zh) * 2018-12-22 2019-04-05 西安瑞联工业智能技术有限公司 一种产品异响、异音智能检测方法
CN109599126A (zh) * 2018-12-29 2019-04-09 广州丰石科技有限公司 一种基于mel能量谱和卷积神经网络的声音故障识别方法
CN110031088A (zh) * 2019-04-17 2019-07-19 珠海格力电器股份有限公司 电子设备故障检测方法、装置、设备和吸油烟机

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
YAO YONG 等: "End-To-End Convolutional Neural Network Model for Gear Fault Diagnosis Based on Sound Signals", 《APPLIED SCIENCES》 *
胡涛 等: "卷积神经网络在异常声音识别中的研究", 《信号处理》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112382311A (zh) * 2020-11-16 2021-02-19 谭昊玥 基于混合神经网络的婴儿啼哭声意图识别方法及装置
CN112382311B (zh) * 2020-11-16 2022-08-19 谭昊玥 基于混合神经网络的婴儿啼哭声意图识别方法及装置
CN113252790A (zh) * 2021-06-21 2021-08-13 四川轻化工大学 基于宽卷积与循环神经网络的磁瓦内部缺陷检测方法
CN113571092A (zh) * 2021-07-14 2021-10-29 东软集团股份有限公司 一种发动机异响识别方法及其相关设备
CN113571092B (zh) * 2021-07-14 2024-05-17 东软集团股份有限公司 一种发动机异响识别方法及其相关设备
CN113775942A (zh) * 2021-08-28 2021-12-10 特斯联科技集团有限公司 用于管道状态监控的人工智能数据采集系统
CN115083395A (zh) * 2022-08-23 2022-09-20 聊城大学 基于卷积神经网络与支持向量机的发动机声音检测系统

Also Published As

Publication number Publication date
CN111076809B (zh) 2021-08-31

Similar Documents

Publication Publication Date Title
CN111076809B (zh) 基于卷积神经网络的设备异常声音识别方法及系统
CN105841961A (zh) 一种基于Morlet小波变换和卷积神经网络的轴承故障诊断方法
Gao et al. A fault diagnosis method of rolling bearing based on complex morlet CWT and CNN
DE102021210349A1 (de) Verfahren und System zum Durchführen einer Fehlerdiagnose durch Lagergeräuschdetektion
CN110033756B (zh) 语种识别方法、装置、电子设备及存储介质
CN112885372B (zh) 电力设备故障声音智能诊断方法、系统、终端及介质
CN106650071A (zh) 用于滚动轴承智能故障诊断的方法
CN110398647B (zh) 变压器状态监测方法
CN110827793A (zh) 一种语种识别方法
CN105096955A (zh) 一种基于模型生长聚类的说话人快速识别方法及系统
DE102019113830A1 (de) Informationsverarbeitungsverfahren, Informationsverarbeitungsgerät und Programm
CN113129927B (zh) 语音情绪识别方法、装置、设备及存储介质
CN112820275A (zh) 一种基于声音信号分析哺乳仔猪异常的自动监测方法
CN112418175A (zh) 基于域迁移的滚动轴承故障诊断方法、系统及存储介质
CN113257249A (zh) 一种基于声纹识别的电力设备故障诊断方法、装置和设备
CN115081473A (zh) 一种多特征融合的制动噪声分类识别方法
CN112529177A (zh) 一种车辆碰撞检测方法及装置
CN113740635A (zh) 电气设备故障诊断方法、终端和多探头传感装置
CN112233695A (zh) 基于人工智能和大数据的加油机异音分析及故障预警系统
CN116935892A (zh) 一种基于音频关键特征动态聚合的工业阀门异常检测方法
CN114330430A (zh) 一种基于大数据特征分析的电梯故障判断方法及系统
CN112052712A (zh) 一种电力设备状态监测与故障识别方法及系统
CN112418334B (zh) 一种铁路动车裙板格栅变形故障识别方法
CN114004996A (zh) 异音检测方法、装置、电子设备及介质
CN113270110A (zh) 一种zpw-2000a轨道电路发送器、接收器故障诊断方法

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
GR01 Patent grant
GR01 Patent grant