CN111222429B - 设备故障识别系统 - Google Patents
设备故障识别系统 Download PDFInfo
- Publication number
- CN111222429B CN111222429B CN201911377604.7A CN201911377604A CN111222429B CN 111222429 B CN111222429 B CN 111222429B CN 201911377604 A CN201911377604 A CN 201911377604A CN 111222429 B CN111222429 B CN 111222429B
- Authority
- CN
- China
- Prior art keywords
- data
- signal
- elevator
- frequency
- module
- 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
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
- 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
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Signal Processing (AREA)
- General Engineering & Computer Science (AREA)
- Complex Calculations (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明揭示了一种设备故障识别系统,所述设备故障识别系统包括加速度获取模块、数据提取模块、小波变换模块、细节因数重构模块、设备状态识别模块、设备故障分析模块、故障模型模块。加速度获取模块采集设备设定部件运行过程中设定方向的加速度数据;数据提取模块获取所述加速度获取模块获取的加速度数据;小波变换模块将设备运动一次的完整信号进行变换,得到信号的细节因数;细节因数重构模块对细节因数进行重构;设备状态识别模块根据重构后的加速度数据的特征识别设备的状态;设备故障分析模块用以根据设备状态识别模块反馈的设备状态判断设备是否存在故障。本发明可实时获取设备状态,并根据相关的特征确定设备的问题。
Description
技术领域
本发明属于设备故障检测技术领域,涉及一种设备故障识别系统。
背景技术
国家统计根据对传统地产,轨道交通,更新换代等领域需求的分析,预计2020年国内电梯销量将持续增加,仅2013年到2017年,国内电梯的保有量从300万猛增到近600万,同时国内房产竣工面积也在稳定上升。
在国内电梯数量和发展前景都在猛增的同时,电梯却缺乏有效的技术手段进行安全监管,仅仅是依靠维护人员定期检测和维护,2019年21期中国设备工程也有文章“电梯的维修保养现状及方向探讨”指出,目前市场上维保乱象较为严重,存在维修市场混乱,救援不及时,维保意识不足,专业技能匮乏四大现象。随着近年来电梯数量的急剧提升,维护人员维持不变甚至减少,想要保证及时的电梯保养和维护变得越来越难,而且电梯结构复杂,当出现问题时无法准确定位,排查会大量浪费时间,降低效率,同时也会影响维护人员后续的电梯保养维护工作。
现实中也常常出现由于乘客被困才发现电梯故障,导致发现不及时并且救援不及时产生的财产损失和人员伤亡,更有维保人员草草了事,没解决核心问题,甚至没发现潜在隐患,导致出现其他故障,有轻有重,因此开发一套对电梯故障能自主识别判断的系统也变得更加重要,通过机器识别后维保人员可以直接对症下药,同时也为维保人员积累维保经验,减少维保时间的消耗,消除潜在隐患,及时提升电梯的安全和用户的体验。
发明内容
本发明提供一种设备故障识别系统,可实时获取设备状态,并根据相关的特征确定设备的问题。
为解决上述技术问题,根据本发明的一个方面,采用如下技术方案:
一种设备故障识别系统,所述设备故障识别系统包括:
加速度获取模块,设置于设备的设定位置,用以采集设备设定部件运行过程中设定方向的加速度数据;
数据提取模块,用以获取所述加速度获取模块获取的加速度数据,抓取到设备运行一次的完整加速度数据信号;
小波变换模块,用以将所述数据提取模块得到的设备运动一次的完整加速度数据信号进行变换,得到加速度数据信号的细节因数;
细节因数重构模块,用以对所述小波变换模块获取的细节因数进行重构,得到有实际意义的加速度数据;以及
设备状态识别模块,用以根据所述细节因数重构模块重构后的加速度数据的特征识别设备的运行状态。
作为本发明的一种实施方式,所述系统还包括设备故障分析模块,用以将加速度数据的特征与故障对应的加速度数据特征进行一一对比,从而完成故障的判断。
作为本发明的一种实施方式,所述小波变换模块用以对原始加速度信号进行一阶离散小波变换,获得近似系数和细节系数;近似系数代表小波分解后的低频信息,细节系数代表小波分解后的高频信息;
所述小波变换模块包括信号分解单元,用以将原始信号分解为低频近似分量和高频细节分量,低频分量是由X轴方向的加速度方向信号与低通滤波器先卷积运算然后1/2抽偶样所得;高频分量是由X轴方向的加速度方向信号与高通滤波器先卷积运算然后1/2抽偶所得,离散变换的卷积公式如下:xn*hn=k=-∞∞xk·h[n-k];
其中,x[n]代表信号数据,h[n]代表小波在时间轴上移动的窗函数,x[k]则代表信号数据的序号;
所述细节因数重构模块用以将某一层次的低频分量和高频分量重新构造为上一层次的低频近似分量,分为低频近似分量重构和高频细节重构;低频近似分量先进行奇数序号插值,然后与低通重构滤波器进行卷积运算,得到低频分量重构部分;类似的,高频细节分量也先进性奇数序号插值,然后与高通重构滤波器进行卷积运算,得到高频分量重构部分,将两个卷积的结果进行相加,并取中间值即可得到重构信号,相关公式如下:
其中,k代表信号数据的序号,yhigh则代表高通滤波器,ylow则代表低通滤波器g[-n+2k]代表信号小波变换后的近似因数,h[-n+2k]代表信号通过小波变换后的细节因数。
作为本发明的一种实施方式,所述设备状态识别模块用以根据加速度数据分析出信号的运行数据量长度、加速期减速期波峰极值、数据的方差值,判断出设备运行的大概状况;加速度获取模块把加速度数据传输到系统中后,根据当前等级对加速度数据进行小波变换,并对变换后的细节因数进行重构,获得有意义的数据集,然后提取数据集的特征;
通过设备故障分析模块进行分析,分析的对象包括电梯的加速度时域数据,小波变换并重构后的时频域数据;所述设备故障分析模块识别是否存在故障中设定特征:突变;当设备存在突变时,则初步判断电梯出现故障,大概率是急停或带速停车,然后通过获得突变位置来确定电梯运行到哪一步产生了突变,然后整理好电梯的时频域特征,时频域特征来分析各类故障可能发生的概率;如果没有突变,则取收集好的电梯正常运行数据和此次电梯运行的数据进行对比,推测没有突变的情况下各类可能发生的故障的百分比概率;
当没有突变内容时,则判断是否存在不明显的突变,有时信号产生变化,但持续的时间相比突变较长,已不是突变,而是异常,异常也是电梯出现意料外状况的一种现象,而单阶小波变换把短时突变表现在重构后的信号里,但对于持续时间较长的异变无法则无法反应在信号数据上,此时提升小波变换分解的阶数,对信号进行多阶深入分析;小波变换对目前信号的分解最高阶数为4,意味着当阶数超过四级时,根据目前的电梯加速度数据长度,反馈的结果将无意义,当超过4次时仍然没有结果反馈,则认为信号无隐藏突变或长时突变,然后通过分析其他数据特征,确定有无故障,故障的发生百分比概率。
作为本发明的一种实施方式,所述设备状态识别模块用以根据重构后的加速度数据的均方根值或/和最大值或/和峭度指标识别设备的状态;
峭度指标公式如下:其中,峭度是把幅值进行四次方处理,一个脉冲信号按4次方关系变化后,高的幅值就会突显出来,低的幅值就会被抑制,这样就很容易从频率上识别故障;峭度指标则反映了振动信号的冲击特征;在小波重构信号的特征提取中,峭度指标越高,则代表信号中突变的幅度越大;
均方根值的公式如下:均方根值也称有效值,用来反应信号的能量大小,特别适用于具有随机振动性质的物体测量;在故障诊断中,均方根值用来反应各个运动体在运动时有欲精度和表面点蚀产生的不规则震动状况;而在小波重构后信号的提取中,当整个信号振幅越不平稳时,高低起伏差距越大,信号的均方根值则越高;
方差的公式为方差或标准差是测算一组数据离散趋势的一种指标;方差为变量值与其均值离差平方的平均数,标准差为方差的算术平方根。
作为本发明的一种实施方式,所述小波变换模块利用离散小波变换算法对信号进行分析;
整个离散小波的处理过程由信号通过一个冲激响应为h[n]的半带数字低通滤波器开始,对信号滤波的过程在数学上等效为信号与滤波器冲激响应的卷积,离散时间的卷积定义如下:
其中,h[n-k]代表小波在时间轴上移动的窗函数,x[k]则代表信号数据的序号;
半带低通滤波器滤除了信号中超过最高频率一半的所有频率分量,对离散信号来说,频率的单位常用弧度来表示;
信号通过半带低通滤波器之后,根据奈奎斯特采样定理,由于信号此时最高频率为pi/2弧度而不是pi弧度,所以需要扔掉一半的采样点;半带低通滤波器滤除了一般频率信息,丢弃了一半信息,因此滤波处理以后,分辨率也将为一半;需要说明的是,此举并不会对结果造成问题,因为从信号中滤除一般的频率分量使得信号中一般的采样点变为亢余数据,丢掉亢余数据不会丢失任何信息,以上流程用数学公式表达如下:
其中,y[n]为丢掉亢余数据的结果,h[k]代表小波在时间轴上移动的窗函数结果集的序号,x[2n-k]函数则代表滤波处理的过程,其中,n代表序号k在数据集中对应的数据;
离散小波变换通过在不同的频段利用不同的分辨率来讲信号分解为近似因数和细节因数;其中用到两组函数为尺度函数和小波函数,分别对应低通滤波器和高通滤波器;想分解到不同的频段可以再时域将信号数据不断地通过高通和低通滤波器来实现;原始信号x[n]首先通过一个半带高通滤波器g[n]和一个半带低通滤波器h[n];由于滤波后信号的频率变为pi/2,根据奈奎斯特采样定理,丢掉一半的采样点,于是向下进行2倍下采样处理,即每隔一个点扔掉一个点,这就是第一阶小波变换;其中yhigh[k]和ylow[k]分别经过2倍下采样处理后的高通和低通滤波器输出得到,具体数学公式如下:
yhigh[k]=∑nx[n]·g[2k-n];
ylow[k]=∑nx[n]·h[2k-n];
其中,yhigh为下采样处理后得到的高频结果,ylow则代表下采样处理过后的低频结果,x[n]代表待分解的原始信号,g[2k-n]代表高通滤波器得到的高频因数,即细节因数,h[2k-n]代表低通滤波器得到的低频因数,即近似因数;
通过小波变换分解信号后得到信号的近似因数和细节因数,此时近似因数和细节因数未经重构仍属于无量纲的系数,只有经过重构过后,才具有实际量纲意义的信号;高频乃是信号边缘或信号重变化剧烈的地方,低频则是整个信号的综合状况。
作为本发明的一种实施方式,所述系统包括至少一信号采集终端以及服务器,所述服务器分别连接各信号采集终端;
所述加速度获取模块设置于信号采集终端,数据提取模块、小波变换模块、细节因数重构模块以及设备状态识别模块设置于服务器;
所述信号采集终端包括三轴加速度传感器,用以同时采集电梯运行过程中X轴、Y轴及Z轴的三轴加速度数据;三轴加速度传感器的X轴采集电梯上下行加速度数据,三轴加速度传感器的Y轴采集开关门数据,三轴加速度传感器的Z轴采集电梯轿厢在与开关门垂直的水平方向上的数据;
所述信号采集终端还包括有效性判断模块,判断待发送至服务器数据的有效性,即判断数据是否载有电梯运动的信息,电梯保持静止时数据舍弃:每当采集到三轴加速度数据各若干个采样点后,将之作为一个包并分配一个包ID,每次包ID自增1,分别计算三轴加速度数据的均方差;若任意一轴数据均方差值超过设定阈值,则认为该数据有效需要保留并上传云端,记录每次满足条件上传的包ID为n,n值每次更新;若不满足条件,求得目前包ID与n的差,若小于m*n则上传,若大于则舍弃;用以在电梯停止运行设定时间后,停止上传数据,以减少单片机上传到云端的数据量以及云端所需的存储量。
作为本发明的一种实施方式,所述设备状态识别模块包括:
电梯五维数据获取单元,用以获取电梯运行数据的五维结构;所述五维数据包括加速期加速度数据、匀速期加速度数据、减速期加速度数据、爬升期加速度数据、平层期加速度数据;
电梯五维数据比对单元,用以将所述电梯五维数据获取单元实时获取的电梯五维数据与电梯在正常状态下运行的五维数据进行比对,判断是否有异常;
小波变换单元,用以将电梯加速度数据信号进行小波变换,得到加速度数据信号的时频域;
时频域特征检测单元,用以检测时频域中的设定特征,发现加速度数据信号中是否存在异常且剧烈的突变;
突变位置获取单元,用以获取加速度数据信号的突变位置;
电梯运行异常判断单元,用以根据所述突变位置获取单元获取的突变位置判断电梯运行的异常位置对应电梯运行的阶段。
作为本发明的一种实施方式,所述设备故障分析模块包括:
信号特征提取单元,用以提取电梯运行的相关数据,包括五维数据的特征,即极值、峭度指标、均方根值、方差、极值;
故障初步判断单元,用以将所述信号特征提取单元提取的电梯运行数据与电梯正常运行的五维数据进行比对,初步判断电梯运行是否正常;
所述设备状态识别模块进一步包括故障概率获取单元,用以根据所述信号特征提取单元提取的电梯运行数据,和故障模型模块中保存的故障模型进行对比分析,得出最终结果,并以此判断电梯处于各个故障的概率。
作为本发明的一种实施方式,所述故障模型模块收录多个故障的特征,用以根据设备状态识别系统得到结果后,通过和设备故障识别系统进行连接,根据其结果得到电梯的五维数据以及除五维数据外的其他设定特征,再和故障模型进行对比,从而判断多个故障的发生概率,推荐关注零部件,维修建议思路。
本发明的有益效果在于:本发明提出的设备故障识别系统,根据三轴传感器收集到轿厢的状态信息,传送到数据中心,数据中心根据收集到的数据进行实时算法分析判断,确认电梯的健康状况和运行状况,并根据相关的特征定位电梯的问题。维护人员可以直接定位电梯位置和具体原因,对维修和保养都具有针对性,可以更高效的解决问题。
本发明根据三轴传感器采集信号数据,以大量的电梯信号为基础,经过筛选后确定信号异常时,信号数据突变剧烈,通过小波变换对实时信号进行分析演算,可以准确得出信号的突变时间,将数据报备后第一时间交予当地维护维修人员。维护人员对电梯第一时间进行针对性维护处理,大大的减少电梯事故所带来的严重后果,消除不良影响,提高乘客的满意度和安全感。
在判断故障多了之后,故障的信号数据积累下来,通过模拟算法建立相关故障预测模型,并可以预测一段时间内的电梯故障,数据中心计算完毕后可以第一时间提示到相关电梯,显示故障提示,将事故扼杀在摇篮里
本发明利用的三轴传感器成本低,结构简单,同时安装配置方便,适配能力强,能在各种品牌的电梯上使用。
附图说明
图1为本发明一实施例中设备故障识别系统的组成示意图。
图2为本发明一实施例中加速度信号分段示意图。
图3为本发明一实施例中电梯运行五维示意图。
图4为本发明一实施例中电梯正常运行轨迹及故障运行轨迹的示意图。
图5为本发明一实施例中加速度信号经过小波变换后得到时频域的信号图。
图6为本发明一实施例中电梯运行数据的五维结构示意图。
具体实施方式
下面结合附图详细说明本发明的优选实施例。
为了进一步理解本发明,下面结合实施例对本发明优选实施方案进行描述,但是应当理解,这些描述只是为进一步说明本发明的特征和优点,而不是对本发明权利要求的限制。
该部分的描述只针对几个典型的实施例,本发明并不仅局限于实施例描述的范围。相同或相近的现有技术手段与实施例中的一些技术特征进行相互替换也在本发明描述和保护的范围内。
本发明揭示了一种设备故障识别系统,图1为本发明一实施例中设备故障识别系统的组成示意图;请参阅图1,在本发明的一实施例中,所述设备故障识别系统包括:加速度获取模块1、数据提取模块2、小波变换模块3、细节因数重构模块4、设备状态识别模块5。
加速度获取模块1设置于设备的设定位置,用以采集设备设定部件运行过程中设定方向的加速度数据;数据提取模块2用以获取所述加速度获取模块获取的加速度数据,抓取到设备运行一次的完整信号;小波变换模块3用以将所述数据提取模块得到的设备运动一次的完整加速度数据信号进行变换,得到加速度数据信号的细节因数;细节因数重构模块4用以对所述小波变换模块3获取的细节因数进行重构,得到有实际意义的加速度数据;设备状态识别模块5用以根据所述细节因数重构模块重构后的加速度数据的特征识别设备的运行状态。
请继续参阅图1,在本发明的一实施例中,所述系统还包括设备故障分析模块6,用以将加速度数据的特征与故障对应的加速度数据特征进行一一对比,从而完成故障的判断。
在本发明的一实施例中,所述小波变换模块用以对原始加速度信号进行一阶离散小波变换,获得近似系数和细节系数;近似系数代表小波分解后的低频信息,细节系数代表小波分解后的高频信息。
所述小波变换模块包括信号分解单元,用以将原始信号分解为低频近似分量和高频细节分量,低频分量是由X轴方向的加速度方向信号与低通滤波器先卷积运算然后1/2抽偶样所得;高频分量是由X轴方向的加速度方向信号与高通滤波器先卷积运算然后1/2抽偶所得,离散变换的卷积公式如下:xn*hn=k=-∞∞xk·h[n-k];其中,x[n]代表信号数据,h[n]代表小波在时间轴上移动的窗函数,x[k]则代表信号数据的序号。
所述细节因数重构模块用以将某一层次的低频分量和高频分量重新构造为上一层次的低频近似分量,分为低频近似分量重构和高频细节重构;低频近似分量先进行奇数序号插值,然后与低通重构滤波器进行卷积运算,得到低频分量重构部分;类似的,高频细节分量也先进性奇数序号插值,然后与高通重构滤波器进行卷积运算,得到高频分量重构部分,将两个卷积的结果进行相加,并取中间值即可得到重构信号,相关公式如下:
其中,k代表信号数据的序号,yhigh则代表高通滤波器,ylow则代表低通滤波器g[-n+2k]代表信号小波变换后的近似因数,h[-n+2k]代表信号通过小波变换后的细节因数。
在本发明的一实施例中,所述设备状态识别模块包括算法模块,分析出信号的运行数据量长度、加速期减速期波峰极值、数据的方差值等数据,判断出设备运行的大概状况;加速度获取模块把加速度数据传输到系统中后,根据当前等级对加速度数据进行小波变换,并对变换后的细节因数进行重构,获得有意义的数据集,然后提取数据集的特征。
通过设备故障分析模块进行分析,分析的对象包括电梯的加速度时域数据,小波变换并重构后的时频域数据;所述设备故障分析模块识别是否存在故障中设定特征:突变;当设备存在突变时,电梯加速度信号进行小波变换并重构后的时频域数据的峭度指标会远超出原先收集好的正常数据,同时其最大值也是远超正常范围值,此时则初步判断电梯出现故障,大概率是急停或带速停车所导致信号上产生突变,然后通过获得突变位置来确定电梯运行到哪一步产生了突变,通过状态识别模块获取到电梯的五维数据,然后把突变位置和五维中的位置所对应起来,根据时频域特征来分析各类故障可能发生的概率;如果没有突变,则取收集好的电梯正常运行数据和此次电梯运行的数据进行对比,推测没有突变的情况下各类可能发生的故障的百分比概率;
当没有突变内容时,则判断是否存在不明显的突变,有时信号产生变化,但持续的时间相比突变较长,已不是突变,而是异常,异常也是电梯出现意料外状况的一种现象,而单阶小波变换把短时突变表现在重构后的信号里,但对于持续时间较长的异变无法则无法反应在信号数据上,此时提升小波变换分解的阶数,对信号进行多阶深入分析。例如,一般一阶小波变换为2倍下采样,就是采样点为1/2,n倍下采样则是将采样点设为1/n。用2倍下采样打比方,根据奈奎斯特采样定理,由于现在信号采样点为‘信号量/2’,因此可以丢弃一半的采样点,只要每隔一个点扔掉一个点就可以实现对原信号的2倍下采样,这样信号长度变为原来的一半,更高阶的下采样以此类推。小波变换对目前信号的分解最高阶数为4,意味着当阶数超过四级时,根据目前的电梯加速度数据长度,反馈的结果将无意义,当超过4次时仍然没有结果反馈,则认为信号无隐藏突变或长时突变,然后通过分析其他数据特征,确定有无故障,故障的发生百分比概率。
在本发明的一实施例中,所述设备状态识别模块用以根据重构后的加速度数据的均方根值或/和最大值或/和峭度指标或/和方差或/和极值识别设备的状态。
峭度是把幅值进行四次方处理,一个脉冲信号按4次方关系变化后,高的幅值就会突显出来,低的幅值就会被抑制,这样就很容易从频率上识别故障;峭度指标则反映了振动信号的冲击特征;在小波重构信号的特征提取中,峭度指标越高,则代表信号中突变的幅度越大,峭度指标公式如下:
其中,/>
均方根值也称有效值,用来反应信号的能量大小,特别适用于具有随机振动性质的物体测量;在故障诊断中,均方根值用来反应各个运动体在运动时有欲精度和表面点蚀产生的不规则震动状况;而在小波重构后信号的提取中,当整个信号振幅越不平稳时,高低起伏差距越大,信号的均方根值则越高,均方根值的公式如下:
方差的公式为方差或标准差是测算一组数据离散趋势的一种最常见的指标,它是测算数值型数据离散程度中最重要的方法;方差为变量值与其均值离差平方的平均数,标准差为方差的算术平方根。
在本发明的一实施例中,所述小波变换模块利用离散小波变换算法对信号进行分析。整个离散小波的处理过程由信号通过一个冲激响应为h[n]的半带数字低通滤波器开始,对信号滤波的过程在数学上等效为信号与滤波器冲激响应的卷积,离散时间的卷积定义如下: 其中,h[n-k]代表小波在时间轴上移动的窗函数,x[k]则代表信号数据的序号。
半带低通滤波器滤除了信号中超过最高频率一半的所有频率分量,对离散信号来说,频率的单位常用弧度来表示。
信号通过半带低通滤波器之后,根据奈奎斯特采样定理,由于信号此时最高频率为pi/2弧度而不是pi弧度,所以需要扔掉一半的采样点;半带低通滤波器滤除了一般频率信息,丢弃了一半信息,因此滤波处理以后,分辨率也将为一半;需要说明的是,此举并不会对结果造成问题,因为从信号中滤除一般的频率分量使得信号中一般的采样点变为亢余数据,丢掉亢余数据不会丢失任何信息,以上流程用数学公式表达如下:
其中,y[n]为丢掉亢余数据的结果,h[k]代表小波在时间轴上移动的窗函数结果集的序号,x[2n-k]函数则代表滤波处理的过程,其中n代表序号k在数据集中对应的数据;
离散小波变换通过在不同的频段利用不同的分辨率来讲信号分解为近似因数和细节因数;其中用到两组函数为尺度函数和小波函数,分别对应低通滤波器和高通滤波器;想分解到不同的频段可以再时域将信号数据不断地通过高通和低通滤波器来实现;原始信号x[n]首先通过一个半带高通滤波器g[n]和一个半带低通滤波器h[n];由于滤波后信号的频率变为pi/2,根据奈奎斯特采样定理,丢掉一半的采样点,于是向下进行2倍下采样处理,即每隔一个点扔掉一个点,这就是第一阶小波变换;其中yhigh[k]和ylow[k]分别经过2倍下采样处理后的高通和低通滤波器输出得到,具体数学公式如下:
yhigh[k]=∑nx[n]·g[2k-n];
ylow[k]=∑nx[n]·h[2k-n];
其中,yhigh为下采样处理后得到的高频结果,ylow则代表下采样处理过后的低频结果,x[n]代表待分解的原始信号,g[2k-n]代表高通滤波器得到的高频因数,即细节因数,h[2k-n]代表低通滤波器得到的低频因数,即近似因数。
通过小波变换分解信号后得到信号的近似因数和细节因数,此时近似因数和细节因数未经重构仍属于无量纲的系数,只有经过重构过后,才具有实际量纲意义的信号;高频乃是信号边缘或信号重变化剧烈的地方,低频则是整个信号的综合状况。
在本发明的一实施例中,所述系统还包括设备故障分析模块,用以将加速度数据的特征与故障对应的加速度数据特征进行一一对比,从而完成故障的判断。
在本发明的一实施例中,所述系统包括至少一信号采集终端以及服务器,所述服务器分别连接各信号采集终端。所述加速度获取模块设置于信号采集终端,数据提取模块、小波变换模块、细节因数重构模块以及设备状态识别模块设置于服务器。
所述信号采集终端包括三轴加速度传感器,用以同时采集电梯运行过程中X轴、Y轴及Z轴的三轴加速度数据;三轴加速度传感器的X轴采集电梯上下行加速度数据,三轴加速度传感器的Y轴采集开关门数据,三轴加速度传感器的Z轴采集电梯轿厢在与开关门垂直的水平方向上的数据。
所述信号采集终端还包括有效性判断模块,判断待发送至服务器数据的有效性,即判断数据是否载有电梯运动的信息,电梯保持静止时数据舍弃:每当采集到三轴加速度数据各若干个采样点后,将之作为一个包并分配一个包ID,每次包ID自增1,分别计算三轴加速度数据的均方差;若任意一轴数据均方差值超过设定阈值,则认为该数据有效需要保留并上传云端,记录每次满足条件上传的包ID为n,n值每次更新;若不满足条件,求得目前包ID与n的差,若小于m*n则上传,若大于则舍弃;用以在电梯停止运行设定时间后,停止上传数据,以减少单片机上传到云端的数据量以及云端所需的存储量。
在一实施例中,所述信号采集终端还包括有效性判断模块,判断待发送至服务器数据的有效性,即判断数据是否载有电梯运动的信息,电梯保持静止时数据舍弃:图2为本发明一实施例中加速度信号分段示意图;请参阅图2,每当采集到三轴加速度数据各100个采样点后,将之作为一个包并分配一个包ID,每次包ID自增1,分别计算三轴加速度数据的均方差;若任意一轴数据均方差值超过设定阈值(100),则认为该数据有效需要保留并上传云端,记录每次满足条件上传的包ID为n,n值每次更新;若不满足条件,求得目前包ID与n的差,若小于18则上传,若大于则舍弃;用以在电梯停止运行54s后,停止上传数据,以减少单片机上传到云端的数据量以及云端所需的存储量。
在本发明的一实施例中,所述设备状态识别模块包括:电梯五维数据获取单元、电梯五维数据比对单元、小波变换单元、时频域特征检测单元、突变位置获取单元以及电梯运行异常判断单元。电梯五维数据获取单元用以获取电梯运行数据的五维结构;所述五维数据包括加速期加速度数据、匀速期加速度数据、减速期加速度数据、爬升期加速度数据、平层期加速度数据。电梯五维数据比对单元用以将所述电梯五维数据获取单元实时获取的电梯五维数据与电梯在正常状态下运行的五维数据进行比对,判断是否有异常。小波变换单元用以将电梯加速度数据信号进行小波变换,得到加速度数据信号的时频域。时频域特征检测单元用以检测时频域中的设定特征,发现加速度数据信号中是否存在异常且剧烈的突变。突变位置获取单元用以获取加速度数据信号的突变位置。电梯运行异常判断单元用以根据所述突变位置获取单元获取的突变位置判断电梯运行的异常位置对应电梯运行的阶段。
在一实施例中,所述设备故障分析模块可以包括:信号特征提取单元、故障初步判断单元,故障模型对比单元。信号特征提取单元用以提取电梯运行的相关数据,包括五维数据的特征,即极值、峭度指标、均方根值、方差;故障初步判断单元用以将所述信号特征提取单元提取的电梯运行数据与电梯正常运行的五维数据进行比对,初步判断电梯运行是否正常。在一实施例中,所述设备状态识别模块进一步包括故障概率获取单元,用以根据所述信号特征提取单元提取的电梯运行数据,和故障模型模块中保存的故障模型进行对比分析,得出最终结果,并以此判断电梯处于各个故障的概率。
在本发明的一实施例中,所述故障模型模块收录多个故障的特征,用以根据设备状态识别系统得到结果后,通过和设备故障识别系统进行连接,根据其结果得到电梯的五维数据以及除五维数据外的其他设定特征,再和故障模型进行对比,从而判断多个故障的发生概率,推荐关注零部件,维修建议思路。
在本发明的一实施例中,根据对故障的分析,整理出41个通过加速度传感器能识别的故障模型,这些故障模型中仅通过x轴便可以判断的故障有19个(运行类相关故障),仅通过y轴z轴便可判断的故障有5个(门机和轿厢相关故障),需要通过三个轴联合判断的故障有17个(综合性故障),以下简单拿出一个具有代表性的故障和其故障预估图简单介绍,可参阅图4。其中实线为电梯正常运行轨迹,虚线则是故障运行轨迹。首先通过小波变换,可以得到时频域的信号图(如图5所示),经过采样分析可知电梯运行数据的五维结构在运行层数相同的情况下,是非常稳定的(如图6所示),所以先取得电梯的五维进行标准对比,发现此次加速度信号结构异常或提取失败,则怀疑产生了故障导致结构变化,随后通过小波变换得到信号的时频域,通过检测时频域中得特征如峭度指标,发现信号中存在异常且剧烈的突变,而后获得突变的位置可知电梯在运行到哪一步时产生了突变,通过突变位置可以发现在大约是减速期和爬升期之间产生了突变,可以确认是停车时产生突变。而冲顶/蹲底的故障解析则是当电梯减速困难、失灵、安全钳磨损严重、无法正常减速导致减速期无限延长,最后通过井道内极限开关强行停车或极限开关也失灵撞上井道底部/顶部,强行停车与探底停车的一瞬间,由于轿厢带速停车,会产生一段短时且剧烈的振幅,最后经过故障模型单元的特征比对,可以推测电梯发生了蹲底/冲顶的情况比率较高。
根据上述判断过程,其中判断小波变换得到结果后,还有一个信号特征判断模块,用来提取信号的相关特征,其中对应多个故障模型,可以一一对比并推测电梯相应的状态。首先在正式开始判断前需要做一些准备工作,待安装完毕后先通过测试运行,在保证电梯无故障的情况下,获得电梯去到每一层的正常相关运行数据,多次测试后收集好相关数据如电梯运行数据量/时长等数据,小波变换后时频域得峭度指标,均方根值,极值作为正常数据的判断基准。提取完毕后就可以开始投入日常使用,每次电梯开始运行后,加速度传感器传回电梯的运行数据,通过小波变换得到变换结果后。结果进入信号特征判断模块,第一步获得电梯的五维(可参见图3,五维包括加速期,匀速期,减速期,爬升期,平层期),第二步获得信号整体的三个特征(极值,峭度指标,均方根值)和五维的三个特征(极值,峭度指标,均方根值),得到相关的数据后和准备工作中收集的基准值进行对比,初步判断电梯运行是否正常,通过第一步之后再根据相应的特征情况判断电梯属于故障集里的哪一种故障。经过信号特征判断模块后,电梯所处于的一个状态都已经有了,并推测出各种故障对应的概率,并给出故障的多个发生原因和判定理由供其参考,结合电梯的相关信息如所在小区,品牌,所在经纬度,服役年限等,这些信息会记录在云数据中心,当到日常维保时间时或电梯无法正常使用,维保人员前往维保,在使用故障电梯的乘客能正确的复述出电梯状况时,维保人员可以有一个大概的维修思路,但大部分情况乘客不清楚电梯发生了什么,仍属于周期维保时间人员来检测或电梯无法使用前来维修,不清楚之前的状况只能按部就班全部检查起来,而此系统避免了这些尴尬的情况,直接通过查询到对应电梯的相关信息和数据,如近期运行次数,热力图等,对于可能发生的故障推测百分比和相关原因,帮助维保人员提升经验,了解更深入的同时更好的维修保养电梯,消除潜在隐患。
综上所述,本发明提出的设备故障识别系统,根据三轴传感器收集到轿厢的状态信息,传送到数据中心,数据中心根据收集到的数据进行实时算法分析判断,确认电梯的健康状况和运行状况,并根据相关的特征定位电梯的问题。维护人员可以直接定位电梯位置和具体原因,对维修和保养都具有针对性,可以更高效的解决问题。
这里本发明的描述和应用是说明性的,并非想将本发明的范围限制在上述实施例中。这里所披露的实施例的变形和改变是可能的,对于那些本领域的普通技术人员来说实施例的替换和等效的各种部件是公知的。本领域技术人员应该清楚的是,在不脱离本发明的精神或本质特征的情况下,本发明可以以其它形式、结构、布置、比例,以及用其它组件、材料和部件来实现。在不脱离本发明范围和精神的情况下,可以对这里所披露的实施例进行其它变形和改变。
Claims (9)
1.一种设备故障识别系统,其特征在于,所述设备故障识别系统包括:
加速度获取模块,设置于设备的设定位置,用以采集设备设定部件运行过程中设定方向的加速度数据;
数据提取模块,用以获取所述加速度获取模块获取的加速度数据,抓取到设备运行一次的完整加速度数据信号;
小波变换模块,用以将所述数据提取模块得到的设备运动一次的完整加速度数据信号进行小波变换,得到加速度数据信号的细节因数;
细节因数重构模块,用以对所述小波变换模块获取的细节因数进行重构,得到有实际意义的加速度数据;以及
设备状态识别模块,用以根据所述细节因数重构模块重构后的加速度数据的特征识别设备的运行状态;
所述设备状态识别模块用以根据加速度数据分析出信号的运行数据量长度、加速期减速期波峰极值、数据的方差值,判断出设备运行的大概状况;加速度获取模块把加速度数据传输到系统中后,根据当前等级对加速度数据进行小波变换,并对变换后的细节因数进行重构,获得有意义的数据集,然后提取数据集的特征;
通过设备故障分析模块进行分析,分析的对象包括电梯的加速度时域数据,小波变换并重构后的时频域数据;所述设备故障分析模块识别是否存在故障中设定特征:突变;当设备存在突变时,电梯加速度信号进行小波变换并重构后的时频域数据的峭度指标会远超出原先收集好的正常数据,同时其最大值也是远超正常范围值,此时则初步判断电梯出现故障,大概率是急停或带速停车所导致信号上产生突变,然后通过获得突变位置来确定电梯运行到哪一步产生了突变,通过状态识别模块获取到电梯的五维数据,然后把突变位置和五维中的位置所对应起来,根据时频域特征来分析各类故障可能发生的概率;如果没有突变,则取收集好的电梯正常运行数据和此次电梯运行的数据进行对比,推测没有突变的情况下各类可能发生的故障的百分比概率;
当没有检测到突变内容时,则判断存在不明显的突变,有时信号产生变化,但持续的时间相比突变较长,已不是突变,而是异常,异常也是电梯出现意料外状况的一种现象,而单阶小波变换把短时突变表现在重构后的信号里,但对于持续时间较长的异变则无法反应在信号数据上,此时提升小波变换分解的阶数,对信号进行多阶深入分析;小波变换对目前信号的分解最高阶数为4,意味着当阶数超过四级时,根据目前的电梯加速度数据长度,反馈的结果将无意义,当超过4次时仍然没有结果反馈,则认为信号无隐藏突变或长时突变,然后通过分析其他数据特征,确定有无故障,故障的发生百分比概率。
2.根据权利要求1所述的设备故障识别系统,其特征在于:
所述系统还包括设备故障分析模块,用以将加速度数据的特征与故障对应的加速度数据特征进行一一对比,从而完成故障的判断。
3.根据权利要求1所述的设备故障识别系统,其特征在于:
所述小波变换模块用以对原始加速度信号进行一阶离散小波变换,获得近似系数和细节系数;近似系数代表小波分解后的低频信息,细节系数代表小波分解后的高频信息;
所述小波变换模块包括信号分解单元,用以将原始信号分解为低频近似分量和高频细节分量,低频分量是由X轴方向的加速度方向信号与低通滤波器先卷积运算然后1/2抽偶样所得;高频分量是由X轴方向的加速度方向信号与高通滤波器先卷积运算然后1/2抽偶所得,离散变换的卷积公式如下:xn*hn=k=-∞∞xk·h[n-k];
其中,x[n]代表信号数据,h[n]代表小波在时间轴上移动的窗函数,x[k]则代表信号数据的序号,h[n-k]代表小波在时间轴上移动的窗函数;
所述细节因数重构模块用以将某一层次的低频分量和高频分量重新构造为上一层次的低频近似分量,分为低频近似分量重构和高频细节重构;低频近似分量先进行奇数序号插值,然后与低通重构滤波器进行卷积运算,得到低频分量重构部分;类似的,高频细节分量也先进性奇数序号插值,然后与高通重构滤波器进行卷积运算,得到高频分量重构部分,将两个卷积的结果进行相加,并取中间值即可得到重构信号,相关公式如下:
其中,k代表信号数据的序号,yhigh则代表高通滤波器,ylow则代表低通滤波器g[-n+2k]代表信号小波变换后的近似因数,h[-n+2k]代表信号通过小波变换后的细节因数。
4.根据权利要求1所述的设备故障识别系统,其特征在于:
所述设备状态识别模块用以根据重构后的加速度数据的均方根值或/和最大值或/和峭度指标或/和极值识别设备的状态;
峭度指标公式如下:其中,/>
峭度是把幅值进行四次方处理,一个脉冲信号按4次方关系变化后,高的幅值就会突显出来,低的幅值就会被抑制,这样就很容易从频率上识别故障;峭度指标则反映了振动信号的冲击特征;在小波重构信号的特征提取中,峭度指标越高,则代表信号中突变的幅度越大;
均方根值的公式如下:均方根值也称有效值,用来反应信号的能量大小,特别适用于具有随机振动性质的物体测量;在故障诊断中,均方根值用来反应各个运动体在运动时有欲精度和表面点蚀产生的不规则震动状况;而在小波重构后信号的提取中,当整个信号振幅越不平稳时,高低起伏差距越大,信号的均方根值则越高;
方差的公式为方差或标准差是测算一组数据离散趋势的一种指标;方差为变量值与其均值离差平方的平均数,标准差为方差的算术平方根。
5.根据权利要求1所述的设备故障识别系统,其特征在于:
所述小波变换模块利用离散小波变换算法对信号进行分析;
整个离散小波的处理过程由信号通过一个冲激响应为h[n]的半带数字低通滤波器开始,对信号滤波的过程在数学上等效为信号与滤波器冲激响应的卷积,离散时间的卷积定义如下:
其中,x[n]代表信号数据,h[n]代表小波在时间轴上移动的窗函数,h[n-k]代表小波在时间轴上移动的窗函数,x[k]则代表信号数据的序号;
半带低通滤波器滤除了信号中超过最高频率一半的所有频率分量,对离散信号来说,频率的单位常用弧度来表示;
信号通过半带低通滤波器之后,根据奈奎斯特采样定理,由于信号此时最高频率为pi/2弧度而不是pi弧度,所以需要扔掉一半的采样点;半带低通滤波器滤除了一半频率信息,丢弃了一半信息,因此滤波处理以后,分辨率也将为一半;需要说明的是,此举并不会对结果造成问题,因为从信号中滤除一半的频率分量使得信号中一半的采样点变为亢余数据,丢掉亢余数据不会丢失任何信息,以上流程用数学公式表达如下:
其中,y[n]为丢掉亢余数据的结果,h[k]代表小波在时间轴上移动的窗函数结果集的序号,x[2n-k]函数则代表滤波处理的过程,n代表序号k在数据集中对应的数据;
离散小波变换通过在不同的频段利用不同的分辨率来讲信号分解为近似因数和细节因数;其中用到两组函数为尺度函数和小波函数,分别对应低通滤波器和高通滤波器;想分解到不同的频段可以再时域将信号数据不断地通过高通和低通滤波器来实现;原始信号x[n]首先通过一个半带高通滤波器g[n]和一个半带低通滤波器h[n];由于滤波后信号的频率变为pi/2,根据奈奎斯特采样定理,丢掉一半的采样点,于是向下进行2倍下采样处理,即每隔一个点扔掉一个点,这就是第一阶小波变换;其中yhigh[k]和ylow[k]分别经过2倍下采样处理后的高通和低通滤波器输出得到,具体数学公式如下:
yhigh[k]=∑nx[n]·g[2k-n];
ylow[k]=Σnx[n]·h[2k-n];
其中,yhigh为下采样处理后得到的高频结果,ylow则代表下采样处理过后的低频结果,x[n]代表待分解的原始信号,g[2k-n]代表高通滤波器得到的高频因数,即细节因数,h[2k-n]代表低通滤波器得到的低频因数,即近似因数;
通过小波变换分解信号后得到信号的近似因数和细节因数,此时近似因数和细节因数未经重构仍属于无量纲的系数,只有经过重构过后,才具有实际量纲意义的信号;高频乃是信号边缘或信号重变化剧烈的地方,低频则是整个信号的综合状况。
6.根据权利要求1所述的设备故障识别系统,其特征在于:
所述系统包括至少一信号采集终端以及服务器,所述服务器分别连接各信号采集终端;
所述加速度获取模块设置于信号采集终端,数据提取模块、小波变换模块、细节因数重构模块以及设备状态识别模块设置于服务器;
所述信号采集终端包括三轴加速度传感器,用以同时采集电梯运行过程中X轴、Y轴及Z轴的三轴加速度数据;三轴加速度传感器的X轴采集电梯上下行加速度数据,三轴加速度传感器的Y轴采集开关门数据,三轴加速度传感器的Z轴采集电梯轿厢在与开关门垂直的水平方向上的数据;
所述信号采集终端还包括有效性判断模块,判断待发送至服务器数据的有效性,即判断数据是否载有电梯运动的信息,电梯保持静止时数据舍弃:每当采集到三轴加速度数据各若干个采样点后,将之作为一个包并分配一个包ID,每次包ID自增1,分别计算三轴加速度数据的均方差;若任意一轴数据均方差值超过设定阈值,则认为该数据有效需要保留并上传云端,记录每次满足条件上传的包ID为n,n值每次更新;若不满足条件,求得目前包ID与n的差,若小于m*n则上传,若大于则舍弃;用以在电梯停止运行设定时间后,停止上传数据,以减少单片机上传到云端的数据量以及云端所需的存储量。
7.根据权利要求1所述的设备故障识别系统,其特征在于:
所述设备状态识别模块包括:
电梯五维数据获取单元,用以获取电梯运行数据的五维结构;所述五维数据包括加速期加速度数据、匀速期加速度数据、减速期加速度数据、爬升期加速度数据、平层期加速度数据;
电梯五维数据比对单元,用以将所述电梯五维数据获取单元实时获取的电梯五维数据与电梯在正常状态下运行的五维数据进行比对,判断是否有异常;
小波变换单元,用以将电梯加速度数据信号进行小波变换,得到加速度数据信号的时频域;
时频域特征检测单元,用以检测时频域中的设定特征,发现加速度数据信号中是否存在异常且剧烈的突变;
突变位置获取单元,用以获取加速度数据信号的突变位置;
电梯运行异常判断单元,用以根据所述突变位置获取单元获取的突变位置判断电梯运行的异常位置对应电梯运行的阶段。
8.根据权利要求7所述的设备故障识别系统,其特征在于:
所述设备故障分析模块包括:
信号特征提取单元,用以提取电梯运行的相关数据,包括五维数据的特征,即极值、峭度指标、均方根值、方差;
故障初步判断单元,用以将所述信号特征提取单元提取的电梯运行数据与电梯正常运行的五维数据进行比对,初步判断电梯运行是否正常;以及
故障概率获取单元,用以根据所述信号特征提取单元提取的电梯运行数据,和故障模型模块中保存的故障模型进行对比分析,得出最终结果,并以此判断电梯处于各个故障的概率。
9.根据权利要求8所述的设备故障识别系统,其特征在于:
所述故障模型模块收录多个故障的特征,用以根据设备状态识别系统得到结果后,通过和设备故障识别系统进行连接,根据其结果得到电梯的五维数据以及除五维数据外的其他设定特征,再和故障模型进行对比,从而判断多个故障的发生概率,推荐关注零部件,维修建议思路。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911377604.7A CN111222429B (zh) | 2019-12-27 | 2019-12-27 | 设备故障识别系统 |
PCT/CN2020/116370 WO2021128985A1 (zh) | 2019-12-27 | 2020-09-21 | 设备故障识别系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911377604.7A CN111222429B (zh) | 2019-12-27 | 2019-12-27 | 设备故障识别系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111222429A CN111222429A (zh) | 2020-06-02 |
CN111222429B true CN111222429B (zh) | 2023-08-29 |
Family
ID=70827851
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911377604.7A Active CN111222429B (zh) | 2019-12-27 | 2019-12-27 | 设备故障识别系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111222429B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021128985A1 (zh) * | 2019-12-27 | 2021-07-01 | 猫岐智能科技(上海)有限公司 | 设备故障识别系统及方法 |
CN114655807A (zh) * | 2021-01-29 | 2022-06-24 | 广东卓梅尼技术股份有限公司 | 一种电梯振动故障诊断设备 |
CN113432709B (zh) * | 2021-06-25 | 2023-08-08 | 湖南工业大学 | 一种基于图形学的可视化机械故障诊断方法 |
CN115192049B (zh) * | 2022-09-14 | 2022-12-09 | 深圳市心流科技有限公司 | 一种智能假肢的肌电采样频率调节方法 |
CN117290788B (zh) * | 2023-11-27 | 2024-02-02 | 南昌航空大学 | 一种基于改进小波变换算法的配电网故障辨识方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106405339A (zh) * | 2016-11-11 | 2017-02-15 | 中国南方电网有限责任公司 | 基于高低频小波特征关联的输电线路故障原因辨识方法 |
CN106771798A (zh) * | 2015-11-25 | 2017-05-31 | 山东建筑大学 | 一种基于小波系数均差值的故障电弧检测方法 |
CN108069308A (zh) * | 2017-12-05 | 2018-05-25 | 暨南大学 | 一种基于序贯概率的电扶梯故障诊断方法 |
CN108439111A (zh) * | 2018-02-28 | 2018-08-24 | 武汉大学 | 一种基于小波变换的电梯运动异常实时检测方法 |
CN110472563A (zh) * | 2019-08-13 | 2019-11-19 | 浙江大学 | 基于小波包分解和神经网络的直梯振动过大故障诊断方法 |
CN110562812A (zh) * | 2019-09-23 | 2019-12-13 | 猫岐智能科技(上海)有限公司 | 设备运行过程分段方法 |
CN110589650A (zh) * | 2019-09-23 | 2019-12-20 | 猫岐智能科技(上海)有限公司 | 设备运行异常判断系统 |
-
2019
- 2019-12-27 CN CN201911377604.7A patent/CN111222429B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106771798A (zh) * | 2015-11-25 | 2017-05-31 | 山东建筑大学 | 一种基于小波系数均差值的故障电弧检测方法 |
CN106405339A (zh) * | 2016-11-11 | 2017-02-15 | 中国南方电网有限责任公司 | 基于高低频小波特征关联的输电线路故障原因辨识方法 |
CN108069308A (zh) * | 2017-12-05 | 2018-05-25 | 暨南大学 | 一种基于序贯概率的电扶梯故障诊断方法 |
CN108439111A (zh) * | 2018-02-28 | 2018-08-24 | 武汉大学 | 一种基于小波变换的电梯运动异常实时检测方法 |
CN110472563A (zh) * | 2019-08-13 | 2019-11-19 | 浙江大学 | 基于小波包分解和神经网络的直梯振动过大故障诊断方法 |
CN110562812A (zh) * | 2019-09-23 | 2019-12-13 | 猫岐智能科技(上海)有限公司 | 设备运行过程分段方法 |
CN110589650A (zh) * | 2019-09-23 | 2019-12-20 | 猫岐智能科技(上海)有限公司 | 设备运行异常判断系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111222429A (zh) | 2020-06-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111222429B (zh) | 设备故障识别系统 | |
CN111170103B (zh) | 设备故障识别方法 | |
CN108069308B (zh) | 一种基于序贯概率的电扶梯故障诊断方法 | |
JP5847701B2 (ja) | ギアボックス健全性モニタリングのためのシステムおよび方法 | |
CN106441893B (zh) | 火车滚动轴承故障与杂质振动区分方法 | |
DE112017003313B4 (de) | Online-Fehlerdetektionsvorrichtung installiert in einem Schienenfahrzeug und verwendet für eine Hochgeschwindigkeitsbahn-Betriebskomponente | |
CN110940518B (zh) | 一种基于故障数据的航天传动机构分析方法 | |
CN110606105B (zh) | 一种无人驾驶地铁车辆走行部安全监测系统 | |
CN209055845U (zh) | 一种高速动车组行车故障监测与诊断系统 | |
CN110790101A (zh) | 基于大数据分析的电梯困人误报识别方法 | |
CN112378633B (zh) | 机械故障诊断方法 | |
CN114436087B (zh) | 基于深度学习的电梯乘客扒门检测方法及系统 | |
CN113988326A (zh) | 一种地铁设备维修优化方法及系统 | |
CN104720799A (zh) | 基于低频脑电信号的疲劳检测方法及系统 | |
CN113516159A (zh) | 轨道车辆走行部小齿轮轴裂纹故障诊断方法及系统 | |
WO2021128985A1 (zh) | 设备故障识别系统及方法 | |
CN116386291A (zh) | 一种过山车状态监测与预警系统以及方法 | |
CN106618362B (zh) | 一种智能擦窗系统 | |
CN115805971A (zh) | 一种在线监测列车车轮多边形故障的方法 | |
CN115758258A (zh) | 一种基于振动信号和领域知识的牵引变压器故障诊断方法 | |
CN115062867A (zh) | 基于Teager能量谱和改进型CNN模型的轴承故障预测方法 | |
CN110866655B (zh) | 一种基于功率数值分析的道岔卡阻故障智能预警方法 | |
CN112850408A (zh) | 一种基于多模型融合的电梯急停困人故障检测方法 | |
CN115235768A (zh) | 一种滚动轴承故障诊断方法及系统 | |
CN108408521A (zh) | 一种基于电梯乘客日常行为的大数据分析系统及方法 |
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 |