CN111639621A - 一种传感器信号诊断故障的方法 - Google Patents
一种传感器信号诊断故障的方法 Download PDFInfo
- Publication number
- CN111639621A CN111639621A CN202010514122.8A CN202010514122A CN111639621A CN 111639621 A CN111639621 A CN 111639621A CN 202010514122 A CN202010514122 A CN 202010514122A CN 111639621 A CN111639621 A CN 111639621A
- Authority
- CN
- China
- Prior art keywords
- data
- diagnosing
- fault
- sample unit
- amplitude
- 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
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000003745 diagnosis Methods 0.000 claims abstract description 21
- 238000001228 spectrum Methods 0.000 claims abstract description 16
- 238000006243 chemical reaction Methods 0.000 claims abstract description 7
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000003595 spectral effect Effects 0.000 claims description 8
- 238000007405 data analysis Methods 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 241001391944 Commicarpus scandens Species 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 3
- 230000001174 ascending effect Effects 0.000 claims description 3
- 230000006698 induction Effects 0.000 claims description 3
- 230000007257 malfunction Effects 0.000 claims 4
- 238000012423 maintenance Methods 0.000 abstract description 3
- 230000011218 segmentation Effects 0.000 abstract 1
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
Images
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
- 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
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
-
- 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
- G06F17/17—Function evaluation by approximation methods, e.g. inter- or extrapolation, smoothing, least mean square method
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明涉及故障诊断技术领域,特别涉及一种传感器信号诊断故障的方法,用于对下位机设备进行故障诊断,包括如下步骤:步骤S3,采用可变分割原理对数据信息进行分割,对分割后的数据进行傅里叶变换,求得均值方差,保留比例大于10%的数据作为中心频点,然后对中心频点合并形成中心频点集合,步骤S4,经过多次数据采集提取多组频谱特征数据,从多组频谱特征数据中提取最真实特征数据。与现有技术相比,本发明的传感器信号诊断故障的方法减少了数据冗余,降低计算量,提高工作效率,能保证同段时间与频率分布下,特征是反应设备最真实的状态,对于故障诊断力度大,能提前故障诊断,对于故障点诊断精确,减少售后维护成本。
Description
【技术领域】
本发明涉及故障诊断技术领域,特别涉及一种传感器信号诊断故障的方法。
【背景技术】
在传感器信号诊断中,由于下位机工艺不同,传感器频响不同,因此采集的传感器信号的长度不一致,在处理计算数据也会不一样,计算长度与范围选取都会对诊断有不同的增减益效果。
现有的技术与行业习惯中,数据量越大是越有利于故障诊断,一来这样准确率提高了,二来可以区分与定位故障类型和故障点。现有技术中通常是将传感器采集到的数据整体进行计算,例如1秒钟采集到12万个数据,进行计算12万个数据的极差、标准差、方差、均方根、求导等。如此一来随着采集的时间增加,数据量计算非常庞大,造成计算机计算处理怠慢,诊断效率不高,故障不能及时被发现,影响实用性。
当然,为解决此问题,目前一般会选择将数据等比例拆分计算,求出比例因子或系数进行合计极差、标准差、方差、均方根、求导等。
这样的做法每进行一次拆分,若当前拆分比例存在瞬间环境或其他噪声,而下一次的拆分比例存在真实故障,这样再综合求出来的值就变得不准确。
综上,可知这样的处理信号诊断故障方式,存在的大量的冗余,准确性较差,故障诊断精准度不高,容易造成误诊,如果处理不当,对于计算机计算量庞大,影响性能与效益。
【发明内容】
为了克服上述问题,本发明提出一种可有效解决上述问题的传感器信号诊断故障的方法。
本发明解决上述技术问题提供的一种技术方案是:提供一种传感器信号诊断故障的方法,用于对下位机设备进行故障诊断,包括如下步骤:
步骤S1,将多个同一类型的传感器分布于设备容易出现故障的部位,用于采集设备不同部位的感应信息;
步骤S2,传感器采集的感应信息通过放大电路和模数转换电路转换成数据信息,上传至上位机电脑进行计算;
步骤S3,采用可变分割原理对数据信息进行分割,对分割后的数据进行傅里叶变换,求得均值方差,提取频谱特征数据;
步骤S4,经过多次数据采集提取多组频谱特征数据,从多组频谱特征数据中提取最真实特征数据;
步骤S5,根据最真实特征数据与正常无故障数据对比,诊断设备是否出现故障。
优选地,所述步骤S3中,包括如下步骤:
步骤S31,根据不同设备的故障诊断需求,设定数据分割份数x,对于总长度为n的数据,进行分割x份,每份数据为n/x作为一个步长;
步骤S32,将上位机每次分析数据的长度设为y,计为一帧,y=kn/x;
步骤S33,每一帧数据分析进行傅里叶变换计算幅值,然后计算均值方差,评估幅值的跳变程度;
步骤S34,依据均值方差进行升序或降序的排序,按照排好的顺序计算对应幅值相比最大幅值所占的比例,保留比例大于10%的数据作为中心频点,然后对中心频点合并形成中心频点集合;
步骤S35,对中心频点集合里的每一中心频点频率两两求差,提取差值小于频率分辨率的所有中心频点,计算加权频值和占总幅值的比例,最后将合并后的数据按照幅值比例排序得到最终的频谱特征数据。
优选地,所述步骤S4中,包括如下步骤:
步骤S41,每1000个频谱特征数据为一个样本单元,即每个样本单元最终都是以1000个频谱特征数据集合表示,上位机电脑先行保存第一个样本单元;
步骤S42,通过步骤S3不断提取频谱特征数据,集齐第二个样本单元,取第二个样本单元的前20个数据与上一个样本单元的前20个数据进行比较,若频率差值小于30,计数加1,同时计算前20个数据占总幅值的比例,比例累加后与计数的乘积作为得分;
步骤S43,重复步骤S42直至遍历每一样本单元,得出每一样本单元的总得分,提取总得分最好的样本单元里的数据为最真实数据。
优选地,所述步骤S5中,通过最真实特征数据与正常无故障数据特征值进行拆分对比,将每次对比的差值计算平均差,若平均差的方差大于或小于正常无故障数据特征值的均值方差区间,则判断此设备出现故障。
优选地,所述步骤S1中,同一类型的传感器可同时全部为震动传感器或者声音传感器。
优选地,所述k为不同设备故障诊断比例因素,k可取5的倍数。
优选地,所述步骤S33中,每一帧数据分析中如数据长度不足一帧,则向前补足一帧。
与现有技术相比,本发明的传感器信号诊断故障的方法具有以下有益效果:步骤S34中只提取了比例大于10%的数据作为中心频点,中心频点就是核心特征值,既能够直接反应故障的特征,又减少了数据冗余,降低计算量,提高工作效率;通过不同样本单元之间同比例逐层对比,再取新比例下最高得分样本单元,能保证同段时间与频率分布下,特征是反应设备最真实的状态,对于故障诊断力度大,能提前故障诊断,对于故障点诊断精确,减少售后维护成本。
【附图说明】
图1为本发明传感器信号诊断故障的方法的整体步骤流程图;
图2为本发明传感器信号诊断故障的方法的步骤S3流程图;
图3为本发明传感器信号诊断故障的方法的步骤S4流程图。
【具体实施方式】
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施实例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用于解释本发明,并不用于限定本发明。
需要说明,本发明实施例中所有方向性指示(诸如上、下、左、右、前、后……)仅限于指定视图上的相对位置,而非绝对位置。
另外,在本发明中如涉及“第一”、“第二”等的描述仅用于描述目的,而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
请参阅图1至图3,本发明的传感器信号诊断故障的方法,用于对下位机设备进行故障诊断,包括如下步骤:
步骤S1,将多个同一类型的传感器分布于设备容易出现故障的部位,用于采集设备不同部位的感应信息。
所述步骤S1中,同一类型的传感器可同时全部为震动传感器或者声音传感器。由于传感器因自身的频响、采样率、安装方式的不同,以及放大电路与模数转换能力的不同,都会导致采集到传感器的信号量不同,这样由上位机进行诊断故障时对数据的处理结果会有误差,影响故障诊断的准确性。采用同一类型的传感器可保证数据类型的一致,消除因传感器类型不一导致的数据误差,利于提高故障诊断的准确性。
步骤S2,传感器采集的感应信息通过放大电路和模数转换电路转换成数据信息,上传至上位机电脑进行计算。
步骤S3,采用可变分割原理对数据信息进行分割,对分割后的数据进行傅里叶变换,求得均值方差,提取频谱特征数据。
所述步骤S3中,包括如下步骤:
步骤S31,根据不同设备的故障诊断需求,设定数据分割份数x,对于总长度为n的数据,进行分割x份,每份数据为n/x作为一个步长;
步骤S32,将上位机每次分析数据的长度设为y,计为一帧,y=kn/x,其中k为不同设备故障诊断比例因素,k可取5、10、15、20等5的倍数;
步骤S33,每一帧数据分析进行傅里叶变换计算幅值,然后计算均值方差,评估幅值的跳变程度,每一帧数据分析中如数据长度不足一帧,则向前补足一帧;
步骤S34,依据均值方差进行升序或降序的排序,按照排好的顺序计算对应幅值相比最大幅值所占的比例,保留比例大于10%的数据作为中心频点,然后对中心频点合并形成中心频点集合;
步骤S35,对中心频点集合里的每一中心频点频率两两求差,提取差值小于频率分辨率的所有中心频点,计算加权频值和占总幅值的比例,最后将合并后的数据按照幅值比例排序得到最终的频谱特征数据,此处排序与步骤S34中的排序方式一致。
在本发明的一具体实施例中,对于长度n=10000的数据,进行分割x=1000份,每份数据的步长n/x=10,即每份数据中包含有10个数据。取k=10,则每一帧数据长度y=100,即每一帧数据分析中包含100个数据。根据梅尔倒频谱的算法原理,以步长30依次求各组数据的均值方差得到(n/100-30)=70组数据,对这些数据再次以步长15分组,计算sum(variance/mean),得到(n/100-45)=55个均值方差数据;依据均方差值进行排序,按照排好的顺序计算对应幅值相比最大幅值所占的比例,保留比例大于10%的数据作为中心频点,然后对中心频点合并;对中心频点集合里的每一中心频点频率两两求差,提取差值小于频率分辨率的所有中心频点,计算加权频值和占总幅值的比例,最后将合并后的数据按照幅值比例排序得到最终的频谱特征数据。
步骤S4,经过多次数据采集提取多组频谱特征数据,从多组频谱特征数据中提取最真实特征数据。
所述步骤S4中,包括如下步骤:
步骤S41,每1000个频谱特征数据为一个样本单元,即每个样本单元最终都是以1000个频谱特征数据集合表示,上位机电脑先行保存第一个样本单元;
步骤S42,通过步骤S3不断提取频谱特征数据,集齐第二个样本单元,取第二个样本单元的前20个数据与上一个样本单元的前20个数据进行比较,若频率差值小于30,计数加1,同时计算前20个数据占总幅值的比例,比例累加后与计数的乘积作为得分;
步骤S43,重复步骤S42直至遍历每一样本单元,得出每一样本单元的总得分,提取总得分最好的样本单元里的数据为最真实数据。
步骤S5,根据最真实特征数据与正常无故障数据对比,诊断设备是否出现故障。
所述步骤S5中,通过最真实特征数据与正常无故障数据特征值进行拆分对比,将每次对比的差值计算平均差,若平均差的方差大于或小于正常无故障数据特征值的均值方差区间,则判断此设备出现故障。
与现有技术相比,本发明的传感器信号诊断故障的方法具有以下有益效果:步骤S34中只提取了比例大于10%的数据作为中心频点,中心频点就是核心特征值,既能够直接反应故障的特征,又减少了数据冗余,降低计算量,提高工作效率;通过不同样本单元之间同比例逐层对比,再取新比例下最高得分样本单元,能保证同段时间与频率分布下,特征是反应设备最真实的状态,对于故障诊断力度大,能提前故障诊断,对于故障点诊断精确,减少售后维护成本。
以上所述仅为本发明的较佳实施例,并非因此限制本发明的专利范围,凡是在本发明的构思之内所作的任何修改,等同替换和改进等均应包含在本发明的专利保护范围内。
Claims (7)
1.一种传感器信号诊断故障的方法,用于对下位机设备进行故障诊断,其特征在于,包括如下步骤:
步骤S1,将多个同一类型的传感器分布于设备容易出现故障的部位,用于采集设备不同部位的感应信息;
步骤S2,传感器采集的感应信息通过放大电路和模数转换电路转换成数据信息,上传至上位机电脑进行计算;
步骤S3,采用可变分割原理对数据信息进行分割,对分割后的数据进行傅里叶变换,求得均值方差,提取频谱特征数据;
步骤S4,经过多次数据采集提取多组频谱特征数据,从多组频谱特征数据中提取最真实特征数据;
步骤S5,根据最真实特征数据与正常无故障数据对比,诊断设备是否出现故障。
2.如权利要求1所述的传感器信号诊断故障的方法,其特征在于,所述步骤S3中,包括如下步骤:
步骤S31,根据不同设备的故障诊断需求,设定数据分割份数x,对于总长度为n的数据,进行分割x份,每份数据为n/x作为一个步长;
步骤S32,将上位机每次分析数据的长度设为y,计为一帧,y=kn/x;
步骤S33,每一帧数据分析进行傅里叶变换计算幅值,然后计算均值方差,评估幅值的跳变程度;
步骤S34,依据均值方差进行升序或降序的排序,按照排好的顺序计算对应幅值相比最大幅值所占的比例,保留比例大于10%的数据作为中心频点,然后对中心频点合并形成中心频点集合;
步骤S35,对中心频点集合里的每一中心频点频率两两求差,提取差值小于频率分辨率的所有中心频点,计算加权频值和占总幅值的比例,最后将合并后的数据按照幅值比例排序得到最终的频谱特征数据。
3.如权利要求1所述的传感器信号诊断故障的方法,其特征在于,所述步骤S4中,包括如下步骤:
步骤S41,每1000个频谱特征数据为一个样本单元,即每个样本单元最终都是以1000个频谱特征数据集合表示,上位机电脑先行保存第一个样本单元;
步骤S42,通过步骤S3不断提取频谱特征数据,集齐第二个样本单元,取第二个样本单元的前20个数据与上一个样本单元的前20个数据进行比较,若频率差值小于30,计数加1,同时计算前20个数据占总幅值的比例,比例累加后与计数的乘积作为得分;
步骤S43,重复步骤S42直至遍历每一样本单元,得出每一样本单元的总得分,提取总得分最好的样本单元里的数据为最真实数据。
4.如权利要求1所述的传感器信号诊断故障的方法,其特征在于,所述步骤S5中,通过最真实特征数据与正常无故障数据特征值进行拆分对比,将每次对比的差值计算平均差,若平均差的方差大于或小于正常无故障数据特征值的均值方差区间,则判断此设备出现故障。
5.如权利要求1所述的传感器信号诊断故障的方法,其特征在于,所述步骤S1中,同一类型的传感器可同时全部为震动传感器或者声音传感器。
6.如权利要求2所述的传感器信号诊断故障的方法,其特征在于,所述k为不同设备故障诊断比例因素,k可取5的倍数。
7.如权利要求2所述的传感器信号诊断故障的方法,其特征在于,所述步骤S33中,每一帧数据分析中如数据长度不足一帧,则向前补足一帧。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010514122.8A CN111639621B (zh) | 2020-06-08 | 2020-06-08 | 一种传感器信号诊断故障的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010514122.8A CN111639621B (zh) | 2020-06-08 | 2020-06-08 | 一种传感器信号诊断故障的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111639621A true CN111639621A (zh) | 2020-09-08 |
CN111639621B CN111639621B (zh) | 2023-11-17 |
Family
ID=72332252
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010514122.8A Active CN111639621B (zh) | 2020-06-08 | 2020-06-08 | 一种传感器信号诊断故障的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111639621B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112633093A (zh) * | 2020-12-10 | 2021-04-09 | 中国人民解放军32181部队 | 一种装备状态检测方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102156043A (zh) * | 2010-12-31 | 2011-08-17 | 北京四方继保自动化股份有限公司 | 风力发电机组在线状态监测与故障诊断系统 |
CN105528583A (zh) * | 2015-12-17 | 2016-04-27 | 清华大学深圳研究生院 | 基于实数形式傅里叶变换的特征提取方法及故障诊断方法 |
CN110836770A (zh) * | 2019-11-21 | 2020-02-25 | 荆州市巨鲸传动机械有限公司 | 基于神经网络与特征频段的齿轮箱自动化故障诊断方法 |
US20210041863A1 (en) * | 2018-04-24 | 2021-02-11 | Hitachi, Ltd. | Fault Diagnosis Device, Fault Diagnosis Method and Machine to Which Fault Diagnosis Device Is Applied |
-
2020
- 2020-06-08 CN CN202010514122.8A patent/CN111639621B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102156043A (zh) * | 2010-12-31 | 2011-08-17 | 北京四方继保自动化股份有限公司 | 风力发电机组在线状态监测与故障诊断系统 |
CN105528583A (zh) * | 2015-12-17 | 2016-04-27 | 清华大学深圳研究生院 | 基于实数形式傅里叶变换的特征提取方法及故障诊断方法 |
US20210041863A1 (en) * | 2018-04-24 | 2021-02-11 | Hitachi, Ltd. | Fault Diagnosis Device, Fault Diagnosis Method and Machine to Which Fault Diagnosis Device Is Applied |
CN110836770A (zh) * | 2019-11-21 | 2020-02-25 | 荆州市巨鲸传动机械有限公司 | 基于神经网络与特征频段的齿轮箱自动化故障诊断方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112633093A (zh) * | 2020-12-10 | 2021-04-09 | 中国人民解放军32181部队 | 一种装备状态检测方法及系统 |
CN112633093B (zh) * | 2020-12-10 | 2024-04-16 | 中国人民解放军32181部队 | 一种装备状态检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111639621B (zh) | 2023-11-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103245907B (zh) | 一种模拟电路故障诊断方法 | |
CN110008253B (zh) | 一种工业数据关联规则挖掘及异常工况预测方法 | |
CN110018670A (zh) | 一种基于动态关联规则挖掘的工业过程异常工况预测方法 | |
CN112036042B (zh) | 一种基于变分模态分解的动力设备异常检测方法及系统 | |
CN115982602B (zh) | 一种光伏变压器电故障检测方法 | |
CN111122162B (zh) | 基于欧氏距离多尺度模糊样本熵的工业系统故障检测方法 | |
CN116380445B (zh) | 基于振动波形的设备状态诊断方法及相关装置 | |
CN113538353B (zh) | 基于单通道图数据增强和迁移训练残差网络的五相异步电动机滚动轴承故障诊断方法 | |
CN110991422A (zh) | 基于多元时移多尺度排列熵的滚动轴承故障诊断方法 | |
CN109190901A (zh) | 基于多指标度量的可靠性评估结果的可信评价方法 | |
CN111639621B (zh) | 一种传感器信号诊断故障的方法 | |
CN111046331A (zh) | 一种基于信号异常的健康监控方法 | |
Yang et al. | Change detection in rotational speed of industrial machinery using Bag-of-Words based feature extraction from vibration signals | |
CN108760268B (zh) | 一种基于信息熵的立磨运行数据阶跃故障诊断方法 | |
Song et al. | Research on rolling bearing fault diagnosis method based on improved LMD and CMWPE | |
CN111273126B (zh) | 一种配电网拓扑快速感知方法 | |
JP2020008337A (ja) | 設備の異常診断装置及び異常診断方法 | |
CN109000924B (zh) | 一种基于k均值的滚珠丝杠副状态监测方法 | |
CN113052256B (zh) | 一种风向聚类方法、装置及电子设备 | |
CN109389313A (zh) | 一种基于加权近邻决策的故障分类诊断方法 | |
CN113537010B (zh) | 基于单通道图数据增强和迁移训练残差网络的十五相异步电动机滚动轴承故障诊断方法 | |
CN114925731A (zh) | 检测柔性测斜仪监测数据异常值的方法 | |
CN114597886A (zh) | 基于区间二型模糊聚类分析的配电网运行状态评估方法 | |
CN112880726A (zh) | 基于变分模态分解样本熵的传感器故障诊断方法和装置 | |
Deng et al. | A fractional hilbert transform order optimization algorithm based DE for bearing health monitoring |
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 |