CN111458116A - 一种汽车转向管柱装配质量检测方法 - Google Patents

一种汽车转向管柱装配质量检测方法 Download PDF

Info

Publication number
CN111458116A
CN111458116A CN202010161278.2A CN202010161278A CN111458116A CN 111458116 A CN111458116 A CN 111458116A CN 202010161278 A CN202010161278 A CN 202010161278A CN 111458116 A CN111458116 A CN 111458116A
Authority
CN
China
Prior art keywords
sample
steering column
sampling
sample data
automobile steering
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.)
Withdrawn
Application number
CN202010161278.2A
Other languages
English (en)
Inventor
李俏
程红梁
秦健
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.)
Bosch Huayu Steering Systems Co Ltd
Original Assignee
ZF Shanghai Steering Systems 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 ZF Shanghai Steering Systems Co Ltd filed Critical ZF Shanghai Steering Systems Co Ltd
Priority to CN202010161278.2A priority Critical patent/CN111458116A/zh
Publication of CN111458116A publication Critical patent/CN111458116A/zh
Withdrawn legal-status Critical Current

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
    • G01M13/00—Testing of machine parts
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M17/00—Testing of vehicles
    • G01M17/007—Wheeled or endless-tracked vehicles
    • G01M17/06—Steering behaviour; Rolling behaviour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • G06F2218/04—Denoising
    • 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)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (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)

Abstract

本发明涉及汽车转向管柱技术领域，具体的讲是一种汽车转向管柱装配质量检测方法，通过采集转向管柱模拟运行（转向）时产生的振动信号，对该时域信号进行快速傅里叶变换分析频域信号；剔除高频部分，保留其隐含大量装配质量信息的低频部分；计算低频部分振动加速度级；用最小二乘滤波器进行平滑处理；下采样对样本数据进行降维；用zscore算法进行标准化处理；训练SVM分类模型实现装配质量检测，本发明弥补了现有技术侧重于对每道工序的装配质量进行检测的不足，从系统的整体性考虑，通过分析转向管柱模拟运行时产生的振动信号对装配质量进行综合诊断，能够有效的识别异常装配产品，提高生产效率并且客观的实现汽车转向管柱整体装配质量检测。

Description

一种汽车转向管柱装配质量检测方法
技术领域
本发明涉及汽车转向管柱技术领域，具体的讲是一种汽车转向管柱装配质量检测方法。
背景技术
随着汽车行业的不断发展，汽车作为一种重要的交通工具已经进入千家万户，汽车的安全问题也引起了越来越多的关注，人们对汽车的安全问题也提出了更高的要求。EPSc汽车转向管柱作为现在主流的转向系统重要组成部分，是保证汽车安全的重要零部件，其质量问题关系着汽车的可靠性、耐久性、使用寿命，甚至人身安全。
装配过程是EPSc汽车转向管柱制造的最后一步，装配质量直接影响着最终的产品质量。装配过程是一个由人、机、料、法、环等多种因素综合影响的过程，这些因素的不可控性以及装配工艺的复杂性使得难以建立一套可靠的EPSc汽车转向管柱装配质量检测模型。而工业现场现有的技术方案大多忽略了系统的整体性，侧重于对每道工序的装配质量进行检测，对于系统整体的检测缺乏成熟和完善的方法。对现有的专利及文献进行检索后研究发现，公开号为CN110132628A的专利公开了“一种联合收割机装配质量检测装置及方法”，该发明采集待测部件的振动信号并提取其时域和频域信号的16种特征参数，通过预设特征参数的阈值来进行质量检测。缺点在于，该方法通过简单的设置阈值对装配质量进行判断，容易产生误判和漏判，忽略了装配系统的复杂性。
为此设计一种能够快速有效的识别异常装配产品、提高生产效率并且确保装配质量的基于SVM的EPSc汽车转向管柱装配质量检测方法是十分有必要的。
发明内容
本发明突破了现有技术的难题，设计了一种能够快速有效的识别异常装配产品、提高生产效率并且确保装配质量的基于SVM的EPSc汽车转向管柱装配质量检测方法。
为了达到上述目的，本发明通过对转向管柱模拟运行（转向）时产生的振动信号进行分析，设计了一种汽车转向管柱装配质量检测方法，其特征在于：按如下步骤进行：
步骤1：用加速度传感器采集正常装配转向管柱和异常装配转向管柱模拟运行时产生的振动信号，组成原始信号样本集Q；
步骤2：采用快速傅里叶变换将振动信号样本集Q转换为频域信号集P；
步骤3：剔除频域信号集P中的高频部分并计算幅值，组成新的样本集A；
步骤4：计算样本集A的振动加速度级LA；
步骤5：对振动加速度级LA进行低通滤波得到平滑处理后的
Figure 100002_DEST_PATH_IMAGE001
，对
Figure 605165DEST_PATH_IMAGE001
进行下采样，得到重构的样本集D；
步骤6：对重构的样本集D进行标准化处理，得到标准化样本集D*；
步骤7：将标准化样本集D*划分为训练数据集D*train和测试数据集D*text，把训练数据集D*train及其样本标签作为输入数据，建立SVM分类模型，将测试数据集D*text输入SVM分类模型，输出为装配质量正常和异常两种分类结果，完成质量检测。
所述步骤1中的原始信号样本集
Figure 409173DEST_PATH_IMAGE002
，其中
Figure 100002_DEST_PATH_IMAGE003
表示第i组原始信号样本，所述
Figure 934832DEST_PATH_IMAGE004
，其中
Figure 100002_DEST_PATH_IMAGE005
表示第j个采样点，N为采集的样本量，n为采样点数，采样间隔为T，采样频率为fs=
Figure 610051DEST_PATH_IMAGE006
，采样时间为t=nT。
所述步骤2中的频域信号集 P=
Figure 100002_DEST_PATH_IMAGE007
，其中Pi表示第i组快速傅里叶变换后的样本数据，所述
Figure 842450DEST_PATH_IMAGE008
=FFT（Qi），pj 表示快速傅里叶变换后的第j个采样点，N为采集的样本量，n为采样点数。
所述步骤3中样本集
Figure 100002_DEST_PATH_IMAGE009
，其中
Figure 207572DEST_PATH_IMAGE010
为第i组剔除高频部分并计算幅值得到的样本数据，
Figure 100002_DEST_PATH_IMAGE011
=
Figure 954948DEST_PATH_IMAGE012
=
Figure 100002_DEST_PATH_IMAGE013
，其中r与m均为正整数，ar 为第r个频域信号剔除高频部分并计算幅值的采样点，
Figure 306295DEST_PATH_IMAGE014
，m为频域信号剔除高频部分采样点数，m＜n。
所述步骤4中振动加速度级
Figure 100002_DEST_PATH_IMAGE015
，其中LAi为第i组振动加速度级的样本数据，LAi=[la1，la2，……lam]=20×
Figure 517833DEST_PATH_IMAGE016
，其中，a0为基准加速度，取值
Figure 100002_DEST_PATH_IMAGE017
。
所述步骤5中低通滤波具体为采用Savitzky-Golay滤波器，该滤波器是一种基于局域多项式最小二乘法拟合的滤波方法。低通滤波后的样本数据集为
Figure 725961DEST_PATH_IMAGE018
，
Figure 100002_DEST_PATH_IMAGE019
为一组滤波后的样本数据，
Figure 22950DEST_PATH_IMAGE020
。
进一步的，所述步骤（5）中下采样过程具体为：每隔H组数据等间隔的取样一次
Figure 443567DEST_PATH_IMAGE022
Figure 384978DEST_PATH_IMAGE024
Figure 498428DEST_PATH_IMAGE026
Figure 220396DEST_PATH_IMAGE028
Figure 444704DEST_PATH_IMAGE030
其中，
Figure 100002_DEST_PATH_IMAGE031
表示向下取整，取比
Figure 99676DEST_PATH_IMAGE032
小的最大整数，
Figure 100002_DEST_PATH_IMAGE033
为其中一组下采样重构后的样本数据，M为其采样点数，样本量N一直保持不变，降维后的样本数据集为
Figure 748193DEST_PATH_IMAGE034
。
所述步骤6中标准化处理的具体步骤如下：根据z-score算法对样本数据集D进行标准化处理，
Figure 100002_DEST_PATH_IMAGE035
，
Figure 754196DEST_PATH_IMAGE036
，
Figure 100002_DEST_PATH_IMAGE037
，其中
Figure 516615DEST_PATH_IMAGE038
为样本数据
Figure 100002_DEST_PATH_IMAGE039
的均值，
Figure 291673DEST_PATH_IMAGE040
为样本数据
Figure 481346DEST_PATH_IMAGE039
的标准差，
Figure 100002_DEST_PATH_IMAGE041
为样本数据
Figure 177907DEST_PATH_IMAGE039
标准化处理后的结果，标准化处理后的样本数据集为
Figure 212859DEST_PATH_IMAGE042
。
本发明与现有技术相比，本发明通过采集转向管柱模拟运行（转向）时产生的振动信号，对该时域信号进行快速傅里叶变换分析频域信号；剔除高频部分，保留其隐含大量装配质量信息的低频部分；计算低频部分振动加速度级；用最小二乘滤波器进行平滑处理；下采样对样本数据进行降维；用zscore算法进行标准化处理；最后，训练SVM分类模型实现装配质量检测。
本发明能够弥补现有工业现场侧重于对每道工序的装配质量进行检测的不足，从系统的整体性考虑，通过分析转向管柱模拟运行（转向）时产生的振动信号对装配质量进行综合诊断，能够有效的识别异常装配产品、提高生产效率并且客观的实现EPSc汽车转向管柱整体装配质量检测，减少质量问题。
附图说明
图1为本发明的流程图。
图2为本发明具体实施例中采集的振动信号。
图3为本发明具体实施例中具体实施例中0-5000HZ频域信号。
图4为本发明具体实施例中0-5000HZ振动加速度级。
图5为本发明具体实施例中低通滤波后的样本。
图6为本发明具体实施例中下采样后的样本。
图7为本发明具体实施例中标准化处理后的样本。
具体实施方式
结合附图对本发明作进一步描述。
实施例1：
步骤1：用加速度传感器采集250个正常装配转向管柱和250个异常装配转向管柱模拟工作时产生的振动信号
Figure DEST_PATH_IMAGE043
，组成原始信号样本集Q
Figure 373582DEST_PATH_IMAGE044
， n=1~500表示采集的总样本量。
如图2所示，为其中一组振动信号样本
Figure DEST_PATH_IMAGE045
，共进行132241次采样，采样间隔为T=0.00004s，采样频率为
Figure 202997DEST_PATH_IMAGE046
，采样时间为t=
Figure DEST_PATH_IMAGE047
。
步骤2：用快速傅里叶变换（FFT）将振动信号样本集
Figure 386854DEST_PATH_IMAGE048
转换成频域信号集P，具体转换如下：
Figure DEST_PATH_IMAGE049
，P=
Figure 615710DEST_PATH_IMAGE050
，
Figure DEST_PATH_IMAGE051
为其中一组振动信号样本
Figure 771885DEST_PATH_IMAGE052
快速傅里叶变换后的频域信号。
步骤3：观察频谱图并根据实际经验分析，频域信号的低频部分隐含了大量的EPSc转向管柱的装配质量特征，所以，剔除频域信号
Figure 568940DEST_PATH_IMAGE051
中的高频部分，保留0-5000HZ频域信号并计算幅值，组成新的样本集A，即
Figure DEST_PATH_IMAGE053
，
Figure 774180DEST_PATH_IMAGE054
，其中26448为0-5000HZ频域信号幅值采样点数，样本量500不变，如图3所示为一组0-5000HZ频域信号幅值
Figure DEST_PATH_IMAGE055
。
步骤4：计算样本集A的振动加速度级
Figure 682094DEST_PATH_IMAGE056
，
Figure DEST_PATH_IMAGE057
，其中，
Figure 286250DEST_PATH_IMAGE058
为基准加速度，根据《机械工业环境保护设计规范》规定
Figure 50944DEST_PATH_IMAGE058
取
Figure 147076DEST_PATH_IMAGE017
，如图4所示，其中一组样本数据的振动加速度级为
Figure DEST_PATH_IMAGE059
。
步骤5：重构振动加速度级样本集LA，对其进行下采样，每隔30组数据等间隔的取样一次，降低采样频率，减少数据采样点数，对数据进行降维。
为了防止采样而引发的频率混叠，需要先对样本集LA进行低通滤波。采用Savitzky-Golay滤波器，指定多项式阶数为3，数据框长度为199。附图5所示为一组低通滤波后的样本数据
Figure 327522DEST_PATH_IMAGE060
，低通滤波后的样本数据集为
Figure DEST_PATH_IMAGE061
。
然后每隔30组数据取样一次，对低通滤波后的样本数据集
Figure 51764DEST_PATH_IMAGE001
进行下采样得到重构的样本集
Figure 987359DEST_PATH_IMAGE062
，
Figure DEST_PATH_IMAGE063
Figure 39629DEST_PATH_IMAGE064
，
Figure DEST_PATH_IMAGE065
，
Figure DEST_PATH_IMAGE067
其中，882为降维后的单个样本数据采样点数。如附图6所示为一组降维后的样本数据
Figure 617240DEST_PATH_IMAGE039
。
步骤6：对降维后的样本数据集D进行标准化处理，得到样本集
Figure 602514DEST_PATH_IMAGE068
，根据z-score算法对样本数据集D进行标准化处理：
Figure 709010DEST_PATH_IMAGE070
Figure 779734DEST_PATH_IMAGE072
Figure 426616DEST_PATH_IMAGE074
Figure 266396DEST_PATH_IMAGE076
其中
Figure 481477DEST_PATH_IMAGE038
为单个样本数据
Figure 773918DEST_PATH_IMAGE039
的均值，
Figure 424824DEST_PATH_IMAGE040
为单个样本数据
Figure 712586DEST_PATH_IMAGE039
的标准差，如附图7所示为一组标准化处理后的样本数据
Figure 364147DEST_PATH_IMAGE041
。
步骤7：将标准化处理后的样本数据集
Figure 143884DEST_PATH_IMAGE068
划分为训练数据集
Figure DEST_PATH_IMAGE077
和测试数据集
Figure 132569DEST_PATH_IMAGE078
。把训练数据集
Figure 478099DEST_PATH_IMAGE077
及其样本标签作为输入，训练SVM分类模型。将测试数据集
Figure 566141DEST_PATH_IMAGE078
输入分类模型，输出为装配质量正常和异常两种分类结果。
经验证，本发明的测试数据集分类结果准确率达99.91%，所以本发明能够有效的识别异常装配产品、提高生产效率并且客观的实现EPSc汽车转向管柱整体装配质量检测。

Claims (9)

1.一种汽车转向管柱装配质量检测方法，其特征在于：按如下步骤进行：
步骤1：用加速度传感器采集正常装配转向管柱和异常装配转向管柱模拟运行时产生的振动信号，组成原始信号样本集Q；
步骤2：采用快速傅里叶变换将振动信号样本集Q转换为频域信号集P；
步骤3：剔除频域信号集P中的高频部分并计算幅值，组成新的样本集A；
步骤4：计算样本集A的振动加速度级LA；
步骤5：对振动加速度级LA进行低通滤波得到平滑处理后的
Figure DEST_PATH_IMAGE001
，对
Figure 320858DEST_PATH_IMAGE001
进行下采样，得到重构的样本集D；
步骤6：对重构的样本集D进行标准化处理，得到标准化样本集D*；
步骤7：将标准化样本集D*划分为训练数据集D*train和测试数据集D*text，把训练数据集D*train及其样本标签作为输入数据，建立SVM分类模型，将测试数据集D*text输入SVM分类模型，输出为装配质量正常和异常两种分类结果，完成质量检测。
2.根据权利要求1所述的一种汽车转向管柱装配质量检测方法，其特征在于：步骤1中的原始信号样本集
Figure 544029DEST_PATH_IMAGE002
，其中
Figure DEST_PATH_IMAGE003
表示第i组原始信号样本，所述
Figure 77779DEST_PATH_IMAGE004
，其中
Figure DEST_PATH_IMAGE005
表示第j个采样点，N为采集的样本量，n为采样点数，采样间隔为T，采样频率为fs=
Figure 929060DEST_PATH_IMAGE006
，采样时间为t=nT。
3.根据权利要求1所述的一种汽车转向管柱装配质量检测方法，其特征在于：步骤2中的频域信号集 P=
Figure DEST_PATH_IMAGE007
，其中Pi表示第i组快速傅里叶变换后的样本数据，所述
Figure 158572DEST_PATH_IMAGE008
=FFT（Qi），pj 表示快速傅里叶变换后的第j个采样点，N为采集的样本量，n为采样点数。
4.根据权利要求1所述的一种汽车转向管柱装配质量检测方法，其特征在于：步骤3中样本集
Figure DEST_PATH_IMAGE009
，其中
Figure 728093DEST_PATH_IMAGE010
为第i组剔除高频部分并计算幅值得到的样本数据，
Figure DEST_PATH_IMAGE011
=
Figure 3217DEST_PATH_IMAGE012
=
Figure DEST_PATH_IMAGE013
，其中r与m均为正整数，ar为第r个频域信号剔除高频部分并计算幅值的采样点，
Figure 240163DEST_PATH_IMAGE014
，m为频域信号剔除高频部分采样点数，m＜n。
5.所述步骤4中振动加速度级
Figure DEST_PATH_IMAGE015
，其中LAi为第i组振动加速度级的样本数据，LAi=[la1，la2，……lam]=20×
Figure 372067DEST_PATH_IMAGE016
，其中，a0为基准加速度，取值
Figure DEST_PATH_IMAGE017
。
6.根据权利要求1所述的一种汽车转向管柱装配质量检测方法，其特征在于：步骤5中低通滤波具体为采用Savitzky-Golay滤波器，该滤波器是一种基于局域多项式最小二乘法拟合的滤波方法。
7.低通滤波后的样本数据集为
Figure 428885DEST_PATH_IMAGE018
，
Figure DEST_PATH_IMAGE019
为一组滤波后的样本数据，
Figure 976541DEST_PATH_IMAGE020
。
8.进一步的，所述步骤（5）中下采样过程具体为：每隔H组数据等间隔的取样一次
Figure 474518DEST_PATH_IMAGE022
Figure 777324DEST_PATH_IMAGE024
Figure 993541DEST_PATH_IMAGE026
Figure 735101DEST_PATH_IMAGE028
Figure 556427DEST_PATH_IMAGE030
其中，
Figure DEST_PATH_IMAGE031
表示向下取整，取比m/20小的最大整数，
Figure 295713DEST_PATH_IMAGE032
为其中一组下采样重构后的样本数据，M为其采样点数，样本量N一直保持不变，降维后的样本数据集为
Figure DEST_PATH_IMAGE033
。
9.根据权利要求1所述的一种汽车转向管柱装配质量检测方法，其特征在于：步骤6中标准化处理的具体步骤如下：根据z-score算法对样本数据集D进行标准化处理，
Figure 347630DEST_PATH_IMAGE034
，
Figure DEST_PATH_IMAGE035
，
Figure 502668DEST_PATH_IMAGE036
，其中
Figure DEST_PATH_IMAGE037
为样本数据
Figure 568713DEST_PATH_IMAGE038
的均值，
Figure DEST_PATH_IMAGE039
为样本数据
Figure 213321DEST_PATH_IMAGE038
的标准差，
Figure 607393DEST_PATH_IMAGE040
为样本数据
Figure 690756DEST_PATH_IMAGE038
标准化处理后的结果，标准化处理后的样本数据集为
Figure DEST_PATH_IMAGE041
。
CN202010161278.2A 2020-03-10 2020-03-10 一种汽车转向管柱装配质量检测方法 Withdrawn CN111458116A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010161278.2A CN111458116A (zh) 2020-03-10 2020-03-10 一种汽车转向管柱装配质量检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010161278.2A CN111458116A (zh) 2020-03-10 2020-03-10 一种汽车转向管柱装配质量检测方法

Publications (1)

Publication Number Publication Date
CN111458116A true CN111458116A (zh) 2020-07-28

Family

ID=71684242

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010161278.2A Withdrawn CN111458116A (zh) 2020-03-10 2020-03-10 一种汽车转向管柱装配质量检测方法

Country Status (1)

Country Link
CN (1) CN111458116A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112504268A (zh) * 2020-09-22 2021-03-16 合肥赛为智能有限公司 一种无人机imu采集数据的预处理方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010129003A (ja) * 2008-11-29 2010-06-10 Yamaguchi Univ 防災総合計画支援システムとそのプログラム
CN106092578A (zh) * 2016-07-15 2016-11-09 西安交通大学 一种基于小波包和支持向量机的机床主轴轴承装配状态在线检测方法
CN107942940A (zh) * 2016-10-28 2018-04-20 华中科技大学 一种基于指令域分析的数控机床的进给轴装配故障的检测方法和装置
CN109443723A (zh) * 2018-11-23 2019-03-08 山东大学 一种装配质量在线检测方法、装置及系统
CN109557186A (zh) * 2018-12-24 2019-04-02 暨南大学 一种机械装配动态质量检测方法
CN110132628A (zh) * 2019-05-31 2019-08-16 河南科技大学 一种联合收割机装配质量检测装置及方法
CN110307174A (zh) * 2019-06-28 2019-10-08 江苏大学 一种清选风机制造装配质量检测装置及方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010129003A (ja) * 2008-11-29 2010-06-10 Yamaguchi Univ 防災総合計画支援システムとそのプログラム
CN106092578A (zh) * 2016-07-15 2016-11-09 西安交通大学 一种基于小波包和支持向量机的机床主轴轴承装配状态在线检测方法
CN107942940A (zh) * 2016-10-28 2018-04-20 华中科技大学 一种基于指令域分析的数控机床的进给轴装配故障的检测方法和装置
CN109443723A (zh) * 2018-11-23 2019-03-08 山东大学 一种装配质量在线检测方法、装置及系统
CN109557186A (zh) * 2018-12-24 2019-04-02 暨南大学 一种机械装配动态质量检测方法
CN110132628A (zh) * 2019-05-31 2019-08-16 河南科技大学 一种联合收割机装配质量检测装置及方法
CN110307174A (zh) * 2019-06-28 2019-10-08 江苏大学 一种清选风机制造装配质量检测装置及方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112504268A (zh) * 2020-09-22 2021-03-16 合肥赛为智能有限公司 一种无人机imu采集数据的预处理方法

Similar Documents

Publication Publication Date Title
US11467562B2 (en) Online monitoring device and system for a 3D printing device
CN103868690B (zh) 基于多种特征提取和选择的滚动轴承状态自动预警方法
CN102721545B (zh) 一种基于多特征参量的滚动轴承故障诊断方法
EP3764184B1 (en) Abnormality determination assistance device
CN110333077B (zh) 一种基于近似支持向量的滚动轴承故障诊断方法
CN111354366B (zh) 一种异常声音检测方法及异常声音检测装置
CN102628917B (zh) 局部放电识别方法和系统
CN105834835A (zh) 一种基于多尺度主元分析的刀具磨损在线监测方法
CN115409131B (zh) 基于spc过程管控系统的生产线异常检测方法
CN111678699B (zh) 一种面向滚动轴承早期故障监测与诊断方法及系统
CN107095669A (zh) 一种癫痫患者脑电信号的处理方法及系统
CN107506710A (zh) 一种滚动轴承复合故障提取方法
CN102824172A (zh) 一种脑电特征提取方法
DE102018206435A1 (de) Vorrichtung zum Bestimmen einer Drehgeschwindigkeit und einer Schwingung eines Radkopfs eines Fahrzeugs
CN105022912A (zh) 基于小波主成分分析的滚动轴承故障预测方法
CN117191305B (zh) 一种公路桥梁的状态评估方法及系统
CN113532848A (zh) 一种行星齿轮箱故障诊断系统
Xiao et al. A multichannel fusion approach based on coupled hidden Markov models for rolling element bearing fault diagnosis
CN109406147A (zh) 一种变速工况下的列车轴承轨边声学诊断方法
CN111811819A (zh) 一种基于机器学习的轴承故障诊断方法及装置
CN111707472B (zh) 基于fft和全连接层-svm的滚动轴承故障诊断方法
CN112529177A (zh) 一种车辆碰撞检测方法及装置
CN111458116A (zh) 一种汽车转向管柱装配质量检测方法
Patel et al. Fault diagnostics of rolling bearing based on improve time and frequency domain features using artificial neural networks
CN116778956A (zh) 一种变压器声学特征提取及故障识别方法

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
WW01 Invention patent application withdrawn after publication

Application publication date: 20200728

WW01 Invention patent application withdrawn after publication