CN111739557A - 设备故障定位方法、装置、设备及存储介质 - Google Patents
设备故障定位方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN111739557A CN111739557A CN202010565777.8A CN202010565777A CN111739557A CN 111739557 A CN111739557 A CN 111739557A CN 202010565777 A CN202010565777 A CN 202010565777A CN 111739557 A CN111739557 A CN 111739557A
- Authority
- CN
- China
- Prior art keywords
- fault
- model
- rendering
- sound data
- target equipment
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
- G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T15/00—3D [Three Dimensional] image rendering
- G06T15/005—General purpose rendering architectures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C3/00—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/27—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique
- G10L25/30—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Acoustics & Sound (AREA)
- Computational Linguistics (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Computer Graphics (AREA)
- Human Computer Interaction (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Locating Faults (AREA)
Abstract
本申请公开了一种设备故障定位方法、装置、设备及存储介质,通过对目标设备采集器运行时的声音数据,可以基于声音数据对目标设备进行诊断,确定目标设备是否出现故障,以及在出现故障时对应的故障位置,在此基础上,本申请还配置有目标设备的3D模型,3D模型中包含组成目标设备的各个结构部件,在确定了目标设备的故障位置时,可以对3D模型进行渲染,并且故障位置对应的结构部件的渲染方式可以不同于其它结构部件的渲染方式,基于此渲染后的目标设备3D模型能够突出显示故障位置对应的结构部件,将此渲染后的目标设备3D模型显示给用户后,可以便于用户快速定位出目标设备故障位置,减少异常持续时间造成的损失。
Description
技术领域
本申请涉及工业检测技术领域,更具体的说,是涉及一种设备故障定位方法、装置、设备及存储介质。
背景技术
设备故障定位主要是为了检测设备的运行状态,且在发现设备出现故障时对故障位置进行定位。以工业设备为例,若工业设备出现异常,需要及时进行决策和维护,从而提高工业企业的设备维护效率,减少生产线异常停工损失。
在现有技术中,一般由经验丰富的设备运维人员对工业设备进行巡检,以确定工业设备是否出现异常,以及确定异常出现的位置。但是,由于物联网中的工业设备众多,且不同工业设备的运行情况各种各样,人工巡检不仅效率低,还存在异常发现、定位不够及时的问题。
发明内容
鉴于上述问题,提出了本申请以便提供一种设备故障定位方法、装置、设备及存储介质,以解决现有人工巡检效率低、异常发现、定位不及时的问题。具体方案如下:
一种设备故障定位方法,包括:
获取对目标设备所采集的声音数据;
基于所述声音数据确定所述目标设备是否出现故障,以及在出现故障时对应的故障位置;
对配置的目标设备3D模型进行渲染,且所述目标设备3D模型中所述故障位置对应的结构部件的渲染方式不同于其它结构部件的渲染方式;
显示渲染后的目标设备3D模型。
优选地,所述对配置的目标设备3D模型进行渲染,包括:
按照故障渲染方式,对所述目标设备3D模型中所述故障位置对应的结构部件进行渲染;
按照非故障渲染方式,对所述目标设备3D模型中除所述故障位置对应结构部件外的其它结构部件进行渲染,所述故障渲染方式不同于所述非故障渲染方式;
以得到渲染后的目标设备3D模型。
优选地,所述故障渲染方式为,渲染为第一颜色,所述非故障渲染方式为,渲染为第二颜色,所述第一颜色不同于所述第二颜色。
优选地,确定的故障位置为一个以上,且每个故障位置均对应有故障概率;
所述按照故障渲染方式,对所述目标设备3D模型中所述故障位置对应的结构部件进行渲染,包括:
针对所述目标设备3D模型中每个故障位置对应的结构部件,采用与故障位置对应的故障概率相匹配的故障渲染子方式,进行渲染。
优选地,所述针对所述目标设备3D模型中每个故障位置对应的结构部件,采用与故障位置对应的故障概率相匹配的故障渲染子方式,进行渲染,包括:
针对所述目标设备3D模型中每个故障位置对应的结构部件,按照故障位置对应的故障概率值,采用与故障概率值相匹配的故障渲染子方式,进行渲染;
或,
针对所述目标设备3D模型中每个故障位置对应的结构部件,按照该故障位置对应的故障概率在各故障位置的故障概率大小排序中的排序顺序,采用与该排序顺序匹配的故障渲染子方式,进行渲染。
优选地,所述目标设备3D模型的建立过程,包括:
对所述目标设备的结构进行拆解,得到组成所述目标设备的各结构部件;
对每一所述结构部件分别建模,并基于建模后的各结构部件,以及各结构部件间的索引关系,生成目标设备3D模型。
优选地,所述基于所述声音数据确定所述目标设备是否出现故障,以及在出现故障时对应的故障位置,包括:
利用预置的故障诊断模型处理所述声音数据,并输出用于衡量所述声音数据偏离正常运行态程度的偏离误差;
基于所述偏离误差以及预置的偏离误差阈值,确定所述目标设备是否出现故障;
在确定所述目标设备出现故障时,基于所述声音数据确定故障类型,并基于故障类型确定故障位置。
优选地,所述利用预置的故障诊断模型处理所述声音数据,并输出用于衡量所述声音数据偏离正常运行态程度的偏离误差,包括:
利用故障诊断模型的输入层,接收所述声音数据的声学特征;
利用故障诊断模型的特征处理层,处理所述声学特征并生成隐层重建特征;
利用故障诊断模型的偏离误差计算层,计算所述声学特征与所述隐层重建特征间的偏离误差,所述偏离误差用于衡量所述声音数据偏离正常运行态的程度。
优选地,所述获取对目标设备所采集的声音数据,包括:
获取对目标设备采集的原始声音数据;
按照所述目标设备发出声音所处的特定频段,对所述原始声音数据进行滤波,得到所述特定频段的声音数据。
优选地,还包括:
将所述原始声音数据中除所述特定频段外的其它频段的声音数据,作为环境声音数据;
对所述环境声音数据进行声音类型识别,得到所述环境声音数据中所包含的目标类型环境声音。
一种设备故障定位装置,包括:
声音数据获取单元,用于获取对目标设备所采集的声音数据;
故障诊断单元,用于基于所述声音数据确定所述目标设备是否出现故障,以及在出现故障时对应的故障位置;
3D模型渲染单元,用于对配置的目标设备3D模型进行渲染,且所述目标设备3D模型中所述故障位置对应的结构部件的渲染方式不同于其它结构部件的渲染方式;
3D模型显示单元,用于显示渲染后的目标设备3D模型。
一种设备故障定位设备,包括:存储器和处理器;
所述存储器,用于存储程序;
所述处理器,用于执行所述程序,实现如上的设备故障定位方法的各个步骤。
一种存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时,实现如上的设备故障定位方法的各个步骤。
借由上述技术方案,本申请的设备故障定位方法,通过对目标设备采集器运行时的声音数据,进而可以基于声音数据对目标设备进行诊断,确定目标设备是否出现故障,以及在出现故障时对应的故障位置,在此基础上,本申请还配置有目标设备的3D模型,3D模型中包含组成目标设备的各个结构部件,在确定了目标设备的故障位置时,可以对3D模型进行渲染,并且故障位置对应的结构部件的渲染方式可以不同于其它结构部件的渲染方式,基于此渲染后的目标设备3D模型能够突出显示故障位置对应的结构部件,将此渲染后的目标设备3D模型显示给用户后,可以便于用户快速定位出目标设备故障位置,辅助用户快速判断设备异常原因,减少异常持续时间造成的损失。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本申请的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1为本申请实施例提供的设备故障定位方法的一流程示意图;
图2示例了一种变压器3D模型示意图;
图3示例了一种对变压器3D模型渲染后效果示意图;
图4示例了一种故障诊断模型的训练过程示意图;
图5为本申请实施例提供的一种设备故障定位装置结构示意图;
图6为本申请实施例提供的故障定位设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
本申请提供了一种设备故障定位方案,能够及时准确的检测出目标设备的运行状态,也即发现目标设备是否出现故障,以及出现故障时的故障位置。并且,通过对目标设备3D模型进行渲染,能够突出显示其中故障位置对应的结构部件,进而向用户进行展示,便于用户快速定位故障位置。
本申请方案可以基于具备数据处理能力的终端实现,或者是,基于终端、服务器、云平台等联合实现。
接下来,结合图1所述,本申请的设备故障定位方法可以包括如下步骤:
步骤S100、获取对目标设备所采集的声音数据。
具体的,为了实现对目标设备的检测,可以预先在目标设备处设置至少一个监控点,监控点设置传感器,用于对目标设备采集声音数据。
其中,监控点的个数,以及与目标设备的设置方位可以根据需要而设定,不同方位的监控点处的传感器,用于采集目标设备在对应方位所传出的声音数据。传感器可以采用麦克风,或麦克风矩阵等具备收音能力的传感器。
步骤S110、基于所述声音数据确定所述目标设备是否出现故障,以及在出现故障时对应的故障位置。
可以理解的是,设备运行过程一般都会产生声音,并且,设备正常运行和出现异常时所产出的声音一般都会不同,且设备不同异常时所产生的声音一般也会不同。
以目标设备为变压器为例进行说明,变压器正常运行以及出现不同故障时,发出声音如下:
1、变压器通电正常运行情况下,因电流流过线圈在铁芯产生交变的磁通,这时变压器内声音较为均匀发出“嗡嗡”的电磁声,声音的响度随着负荷电流增加而变强。
2、当过负荷时,线圈电流增大磁通密度也增大,导致铁芯的硅钢片振动变强烈“嗡、嗡……”且有沉闷感。
3、铁芯上有洒落的铁器零件或者用于固定夹紧铁芯的穿心螺杆有松动,螺杆在振动时发生移动等情况,可听到类似锤击声或强风吹的声音,如有“叮、叮、当、当”,“呼呼……”声。
4、变压器负载出现急剧变化的情况时,铁芯便会出现振荡,同时发出“咯、咯……咯、咯……”的间断性声音,还可观察到变压器的监视测量仪表上指针出现摆动。
5、当变压器的高压套管因出现污秽,表面的光面釉质材料发生脱落或出现裂痕,遇到雾、露等潮湿天气时发生表面发电或闪络,这是在变压器旁可听到“嘶、嘶……”的电晕声,夜晚还可发现有丝状的火花。变压器内部绕组间或线圈间发生短路故障时,箱体内会产生“噼噼啪啪……”的放电声响。放电时间过长,强度较大还会出现巨大的轰鸣声,甚至会出现冒烟着火的严重事故。
6、当变压器内部有部件接触不良、接头松动以及有部分绝缘部件击穿时,变压器内传出“吱、吱……”或者是“噼啪……”的放电声;变压器分接头开关出现接触不良,也会发出“吱、吱……”声。变压器内部严重的放电现象会产生气体导致瓦斯保护动作。
因此,通过对声音数据进行分析处理,可以确定目标设备是否出现故障,以及在出现故障时对应的故障位置。
步骤S120、基于故障位置,对配置的目标设备3D模型进行渲染。
具体的,本申请实施例中可以预先建立目标设备的3D模型,该3D模型包含有目标设备的不同结构部件。设备3D模型可以是对目标设备进行三维扫描所生成的模型,能够更加形象、真实的还原目标设备的具体构造。
在对目标设备3D模型进行渲染时,目标设备3D模型中故障位置对应的结构部件的渲染方式不同于其它结构部件的渲染方式。
通过采用不同渲染方式,对3D模型中故障位置及非故障位置对应的结构部件进行不同渲染,使得最终渲染后的3D模型中,故障位置对应的结构部件突出显示,更加便于用户定位故障位置。
步骤S130、显示渲染后的目标设备3D模型。
具体的,在终端的显示界面上对渲染后的目标设备3D模型进行显示,供用户观看及操作。
本申请实施例的设备故障定位方法,通过对目标设备采集器运行时的声音数据,进而可以基于声音数据对目标设备进行诊断,确定目标设备是否出现故障,以及在出现故障时对应的故障位置,在此基础上,本申请还配置有目标设备的3D模型,3D模型中包含组成目标设备的各个结构部件,在确定了目标设备的故障位置时,可以对3D模型进行渲染,并且故障位置对应的结构部件的渲染方式可以不同于其它结构部件的渲染方式,基于此渲染后的目标设备3D模型能够突出显示故障位置对应的结构部件,将此渲染后的目标设备3D模型显示给用户后,可以便于用户快速定位出目标设备故障位置,辅助用户快速判断设备异常原因,减少异常持续时间造成的损失。
可选的,本实施例中可以响应用户可以对显示的目标设备3D模型中,故障位置对应的结构部件进行触发的操作,进而可以播放故障位置对应的音频数据,便于用户通过音频数据来核实故障部件及故障类型。
上述已经说明,本申请可以预先在目标设备处不同方位设置监控点,监控点处设置传感器进行声音数据的采集。基于此,在确定了故障位置后,可以在各监控点中确定与该故障位置最近的监控点,将该监控点处传感器所采集的声音数据作为故障位置对应的音频数据进行播放。
在本申请的另一个实施例中,介绍目标设备3D模型的建立过程。
一种可选的方式下,目标设备3D模型的建立过程可以包括:
S1、对所述目标设备的结构进行拆解,得到组成所述目标设备的各结构部件。
S2、对每一所述结构部件分别建模,并基于建模后的各结构部件,以及各结构部件间的索引关系,生成目标设备3D模型。
具体的,在对一结构部件进行建模时,可以获取结构部件的二维图形数据,以及三维观测数据和三维矢量数据、高程属性。进一步可以基于三维观测数据和三维矢量数据、高程属性建立三维模型。进而利用二维图形数据对三维模型进行纹理粘贴,得到结构部件的3D模型。
参加图2,其示例了一种变压器的3D模型。
其中,变压器3D模型中包含的结构部件有:油枕1、高压套管2、低压套管3、绕组4、油箱5。
进一步的,若基于上一实施例的方法确定变压器出现故障,且故障位置为绕组时,可以对图2示例的变压器3D模型进行渲染显示,最终显示效果如图3所示。
由图3可见,对于变压器3D模型中,故障的绕组构件渲染颜色较深,其它无故障的构件渲染颜色较浅,从而能够更好的提示用户发生固定的部件位置。
在本申请的另一个实施例中,介绍了上述步骤S100,获取对目标设备所采集的声音数据的可选实施方式。
一种可选的方式下,可以获取对目标设备采集的原始声音数据,如获取设置于目标设备处的传感器所采集的原始声音数据,将该原始声音数据作为对目标设备所采集的声音数据进行后续处理。
另一种可选的方式下,本实施例中可以进一步对原始声音数据进行滤波处理,即:
考虑到传感器所采集的原始声音数据中,可能包含了复杂环境内的其它对象发出的声音,如雷雨、刮风声、人声、工地施工声、动物叫声、车辆通行声等等环境声音。这部分环境声音会对目标设备的故障定位监测起到干扰作用。
本实施例中,考虑到目标设备发出的声音可能和其它环境声音的频段不同,基于此,可以按照目标设备所发出声音所处的特定频段,对原始声音数据进行滤波处理,得到所述特定频段的声音数据。由此,可以滤除掉部分环境声音,提高了后续基于声音数据进行目标设备固定定位检测的准确率。
对于上述原始声音数据中除所述特定频段外的其它频段的声音数据,可以作为环境声音数据。
进一步的,对于环境声音数据可以进行声音类型的识别,得到所述环境声音数据中所包含的目标类型环境声音。
在此基础上,可以将得到的目标类型环境声音提示给用户,以便用户了解目标设备周围环境的状况,如便于用户了解目标设备周边是否有动物、是否有人进入等。
在本申请的另一个实施例中,对上述步骤S110,基于所述声音数据确定所述目标设备是否出现故障,以及在出现故障时对应的故障位置的过程进行介绍。
具体的,本申请实施例中可以预先训练故障诊断模型,该故障诊断模型能够对输入的声音数据进行处理,并输出偏离误差,偏离误差用于衡量输入的声音数据偏离目标设备正常运行态的程度。
基于此,上述步骤S110的一种可选实施方式可以包括如下步骤:
S1、利用故障诊断模型处理所述声音数据,并输出用于衡量所述声音数据偏离正常运行态程度的偏离误差。
可以理解的是,由于工业设备大部分时间内都是处于正常态运行的,只有极少量时间会发生故障,因此本申请故障诊断模型通过输出衡量声音数据偏离正常运行态程度的偏离误差,来确定目标设备是否发生故障,也即以设备正常运行态为参考,其更符合设备的实际运行状态规律。
S2、基于所述偏离误差以及预置的偏离误差阈值,确定所述目标设备是否出现故障。
具体的,本申请可以根据用户需要而预先配置好偏离误差阈值,则在上一步骤中确定了偏离误差后,可以比较该偏离误差与偏离误差阈值间的大小关系,若超出了偏离误差阈值,则说明声音数据偏离正常运行态的程度过于严重,也即表示目标设备出现故障,若未超出偏离误差阈值,则表示目标设备运行正常。
S3、在确定所述目标设备出现故障时,基于所述声音数据确定故障类型,并基于故障类型确定故障位置。
具体的,本申请中可以预先收集目标设备各类型故障时的声音数据,进而基于各类型故障的声音数据训练故障类型分类模型,得到训练后的故障类型分类模型。
在此基础上,可以将对目标设备采集的声音数据送入故障类型分类模型,得到模型输出的具体故障类型。
可以理解的是,随着时间的积累,本申请可以不断收集目标设备所可能出现的各种故障的类型,如对于未知的故障,可以由专家进行标定,进而利用专家标定的数据迭代训练故障类型分类模型,使得模型可以不断优化。
在确定了目标设备的故障类型后,可以进一步基于该故障类型确定对应的故障位置。例如,在确定目标设备的故障类型为绕组故障时,则对应的故障位置绕组构件。
可以理解的是,本步骤中基于所述声音数据所确定的故障类型可能是一个或多个,对于多个故障类型,分别对应有故障概率,表面对应故障类型的发生概率。则,基于每一故障类型所确定的故障位置,也对应有故障概率,表明对应位置发生故障的概率。
本申请的另一个实施例中,对故障诊断模型的训练过程进行介绍。
可以理解的是,由于工业设备大部分时间内都是处于正常态运行的,只有极少量时间会发生故障,因此,对于目标设备采集的声音数据,绝大部分都是目标设备正常运行时的声音数据,只有极其少量的故障状态时的声音数据。为了避免正负样本不均衡导致的模型训练效果不佳的问题,本实施例中创造性的提出了一种基于正常态声音数据训练故障诊断模型的方案,也即仅使用正例样本来训练故障诊断模型。接下来对故障诊断模型的训练过程进行介绍,其可以包括:
S1、获取所述目标设备处于正常运行态时的训练声音数据。
S2、利用故障诊断模型处理所述训练声音数据,以得到用于衡量所述训练声音数据偏离正常运行态程度的偏离误差。
具体的,故障诊断模型可以是深度神经网络模型,其能够处理输入的训练声音数据,并生成用于衡量训练声音数据偏离正常运行态程度的偏离误差。
S3、以所述偏离误差趋近于零为训练目标,训练所述故障诊断模型,得到训练后的故障诊断模型。
可以理解的是,对于正常态的训练声音数据,其偏离正常运行态的程度不可能太大,我们期望模型对此类训练声音数据所输出的偏离误差越小越好,也即可以以偏离误差趋近于零为训练目标,对故障诊断模型进行训练,最终得到训练后的故障诊断模型。
可选的,可以设定当故障诊断模型对连续N条训练声音数据输出的偏离误差趋近于平稳时,如对连续N条训练声音数据输出的偏离误差间的差值不超过设定差值阈值时,可以认为故障诊断模型可以结束训练。
其中,对于S2,利用故障诊断模型处理所述训练声音数据,以得到用于衡量所述训练声音数据偏离正常运行态程度的偏离误差的过程,可以采用如下方式来实现:
S21、提取所述训练声音数据的声学特征。
S22、利用故障诊断模型处理所述声学特征,以得到隐层重建特征,计算所述声学特征和所述隐层重建特征间的偏离误差,所述偏离误差用于衡量所述训练声音数据偏离正常运行态的程度。
具体的,故障诊断模型能够基于正常态的训练声音数据的声学特征,学习到正常态声音数据的一些关键性特征,并基于这些关键性特征进行特征重建,也即得到隐层重建特征,进而可以以隐层重建特征作为基准,计算所述声学特征和所述隐层重建特征间的偏离误差,该偏离误差衡量了训练声音数据偏离正常运行态的程度。
可选的,对于上述的偏离误差LOSS,其可以选取均方误差MSE,也即:
参照图4,其示例了一种故障诊断模型的训练过程示意图。
对于采集的声音数据,可以对其进行分段处理,得到若干音频段,针对每个音频段进行声学特征提取,并将提取的声学特征送入故障诊断模型的特征处理层,该特征处理层可以包括多个卷积编码层,对声学特征进行重建,最终得到重建后的隐层重建特征。最后,由故障诊断模型的偏离误差计算层,计算声学特征与隐层重建特征间的偏离误差。
进一步的,基于上述训练后的故障诊断模型,可以处理声音数据,并输出用于衡量所述声音数据偏离正常运行态程度的偏离误差,该过程具体可以包括:
利用故障诊断模型的输入层,接收所述声音数据的声学特征。
利用故障诊断模型的特征处理层,处理所述声学特征并生成隐层重建特征。
利用故障诊断模型的偏离误差计算层,计算所述声学特征与所述隐层重建特征间的偏离误差,所述偏离误差用于衡量所述声音数据偏离正常运行态的程度。
再进一步的,结合上述对故障诊断模型训练过程的介绍,对预置的偏离误差阈值的确定过程进行说明。
基于上述实施例介绍的故障诊断模型的训练过程,可以得到训练后的故障诊断模型。在此基础上,可以利用该故障诊断模型处理各条训练声音数据,进而得到每条训练声音数据对应的偏离误差。需要说明的是,这里所述的训练声音数据是采集的目标设备处于正常运行态时的声音。
进一步的,可以将各条训练声音数据的偏离误差按照大小进行升序或降序排列,得到偏离误差序列。
最后,按照用户设定的召回率或虚警率,在偏离误差序列中选定一个目标偏离误差作为偏离误差阈值。
具体的,召回率是用户设定的对于设备运行状态诊断正确的最低概率,虚警率是用户设定的,将正常态声音数据误诊为故障声音数据的最高概率。
以偏离误差序列为降序排序结果为例,对按照虚警率确定偏离误差阈值的过程进行说明:
表1
假设训练声音数据集合中共有1000条数据,表1示例了降序排列的前13条训练声音数据的偏离误差。
定义用户设定的虚警率为1%,由于当偏离误差超过偏离误差阈值时才会认定目标设备出现故障,即进行故障报警,则当虚警率为1%时,则训练声音数据集合中会出现1000*1%=10条训练声音数据,被故障诊断模型错误诊断为故障报警。
因此,可以选取降序排序中的第10个偏离误差,作为偏离误差阈值。对于偏离误差大于该偏离误差阈值的训练声音数据,模型会诊断为故障,对于偏离误差小于该偏离误差阈值的训练声音数据,模型会诊断为正常。
在本申请的另一个实施例中,对上述步骤S120,基于故障位置,对配置的目标设备3D模型进行渲染的过程进行介绍。
本实施例中,可以预先设置两种不同类型的渲染方式,分别定义为故障渲染方式和非故障渲染方式。基于此:
可以按照故障渲染方式,对所述目标设备3D模型中所述故障位置对应的结构部件进行渲染。
按照非故障渲染方式,对所述目标设备3D模型中除所述故障位置对应结构部件外的其它结构部件进行渲染,所述故障渲染方式不同于所述非故障渲染方式。
由此,可以得到渲染后的目标设备3D模型。
可选的,故障渲染方式可以是,渲染为第一颜色;非故障渲染方式可以是,渲染为第二颜色,第一颜色不同于第二颜色。
当然,除此之外,故障渲染方式还可以是采用第一纹理进行填充,对应的非故障渲染方式可以是采用第二纹理进行填充,第一纹理不同于第二纹理。等等,只要保证故障渲染方式不同于非故障渲染方式即可。
进一步的,前文已经说明了,确定的故障位置可以是一个或多个,当故障位置为多个时,每个故障位置均对应有故障概率,也即表示对应故障位置发生故障的概率。在此基础上,上述按照故障渲染方式,对所述目标设备3D模型中所述故障位置对应的结构部件进行渲染的过程,可以包括:
针对所述目标设备3D模型中每个故障位置对应的结构部件,采用与故障位置对应的故障概率相匹配的故障渲染子方式,进行渲染。
具体的,对于故障渲染方式其可以包括多种不同的故障渲染子方式,分别与不同的故障概率相匹配。基于此,对于每个故障位置对应的结构部件,可以按照故障概率相匹配的故障渲染子方式进行渲染。由此,对于不同故障概率的结构部件,最终渲染的效果可能不同,从而提示用户对应结构部件的故障概率,也即对应故障部件的故障严重程度。
一种示例的情况下,对于故障概率较大的结构部件,可以采用较深的颜色进行渲染,对于故障概率较低的结构部件,可以采用较浅的颜色进行渲染,从而显性的提示用户不同结构部件的故障严重程度。
本申请实施例中介绍了两种可选的渲染方式,分别如下:
第一种:
针对所述目标设备3D模型中每个故障位置对应的结构部件,按照故障位置对应的故障概率值,采用与故障概率值相匹配的故障渲染子方式,进行渲染。
具体的,本实施例中可以预先设置不同故障概率值对应的故障渲染子方式,如建立故障概率值区间与故障渲染子方式间的对应关系。基于此,针对每个故障位置对应的结构部件,可以查询对应关系,确定故障位置对应的故障概率值所对应的故障渲染子方式,进而按照该故障渲染子方式对结构部件进行渲染。
第二种:
针对所述目标设备3D模型中每个故障位置对应的结构部件,按照该故障位置对应的故障概率在各故障位置的故障概率大小排序中的排序顺序,采用与该排序顺序匹配的故障渲染子方式,进行渲染。
具体的,本申请实施例可以预先配置有多个不同的故障渲染子方式,对应不同故障概率。
针对各个故障位置的故障概率可以按照大小进行排序,得到故障概率排序结果。则对于目标设备3D模型中每个故障位置对应的结构部件,可以按照故障位置对应的故障概率在排序结果中的排序顺序,采用与该排序顺序匹配的故障渲染子方式,进行渲染。
示例如,预先配置了5个不同的故障渲染子方式:故障渲染方式1-5,该故障渲染方式1-5对应故障概率由大至小。
假设目标设备确定出现故障,且故障位置1对应故障概率为80%,故障位置2对应故障概率为15%,故障位置3对应故障概率为5%。则,故障位置1对应故障概率在故障概率降序排序顺序中位于第1位,因此可以选取故障渲染方式1;故障位置2对应故障概率在故障概率降序排序顺序中位于第2位,因此可以选取故障渲染方式2;故障位置3对应故障概率在故障概率降序排序顺序中位于第3位,因此可以选取故障渲染方式3。
下面对本申请实施例提供的设备故障定位装置进行描述,下文描述的设备故障定位装置与上文描述的设备故障定位方法可相互对应参照。
参见图5,图5为本申请实施例公开的一种设备故障定位装置结构示意图。
如图5所示,该装置可以包括:
声音数据获取单元11,用于获取对目标设备所采集的声音数据;
故障诊断单元12,用于基于所述声音数据确定所述目标设备是否出现故障,以及在出现故障时对应的故障位置;
3D模型渲染单元13,用于对配置的目标设备3D模型进行渲染,且所述目标设备3D模型中所述故障位置对应的结构部件的渲染方式不同于其它结构部件的渲染方式;
3D模型显示单元14,用于显示渲染后的目标设备3D模型。
本申请实施例提供的设备检测装置,通过对目标设备采集器运行时的声音数据,进而可以基于声音数据对目标设备进行诊断,确定目标设备是否出现故障,以及在出现故障时对应的故障位置,在此基础上,本申请还配置有目标设备的3D模型,3D模型中包含组成目标设备的各个结构部件,在确定了目标设备的故障位置时,可以对3D模型进行渲染,并且故障位置对应的结构部件的渲染方式可以不同于其它结构部件的渲染方式,基于此渲染后的目标设备3D模型能够突出显示故障位置对应的结构部件,将此渲染后的目标设备3D模型显示给用户后,可以便于用户快速定位出目标设备故障位置,辅助用户快速判断设备异常原因,减少异常持续时间造成的损失。
可选的,上述3D模型渲染单元对配置的目标设备3D模型进行渲染的过程,可以包括:
按照故障渲染方式,对所述目标设备3D模型中所述故障位置对应的结构部件进行渲染;
按照非故障渲染方式,对所述目标设备3D模型中除所述故障位置对应结构部件外的其它结构部件进行渲染,所述故障渲染方式不同于所述非故障渲染方式;
以得到渲染后的目标设备3D模型。
可选的,上述故障渲染方式可以是,渲染为第一颜色,非故障渲染方式可以是,渲染为第二颜色,所述第一颜色不同于所述第二颜色。
可选的,上述确定的故障位置可以是一个以上,且每个故障位置均对应有故障概率。在此基础上,上述3D模型渲染单元按照故障渲染方式,对所述目标设备3D模型中所述故障位置对应的结构部件进行渲染的过程,可以包括:
针对所述目标设备3D模型中每个故障位置对应的结构部件,采用与故障位置对应的故障概率相匹配的故障渲染子方式,进行渲染。
可选的,上述3D模型渲染单元针对所述目标设备3D模型中每个故障位置对应的结构部件,采用与故障位置对应的故障概率相匹配的故障渲染子方式,进行渲染的过程,可以包括两种不同的实现方式,分别如下:
第一种:针对所述目标设备3D模型中每个故障位置对应的结构部件,按照故障位置对应的故障概率值,采用与故障概率值相匹配的故障渲染子方式,进行渲染。
第二种:针对所述目标设备3D模型中每个故障位置对应的结构部件,按照该故障位置对应的故障概率在各故障位置的故障概率大小排序中的排序顺序,采用与该排序顺序匹配的故障渲染子方式,进行渲染。
可选的,本申请的装置还可以包括3D模型建立单元,用于建立所述目标设备的3D模型,该过程可以包括:
对所述目标设备的结构进行拆解,得到组成所述目标设备的各结构部件;
对每一所述结构部件分别建模,并基于建模后的各结构部件,以及各结构部件间的索引关系,生成目标设备3D模型。
可选的,上述故障诊断单元基于所述声音数据确定所述目标设备是否出现故障,以及在出现故障时对应的故障位置的过程,可以包括:
利用预置的故障诊断模型处理所述声音数据,并输出用于衡量所述声音数据偏离正常运行态程度的偏离误差;
基于所述偏离误差以及预置的偏离误差阈值,确定所述目标设备是否出现故障;
在确定所述目标设备出现故障时,基于所述声音数据确定故障类型,并基于故障类型确定故障位置。
可选的,上述故障诊断单元利用预置的故障诊断模型处理所述声音数据,并输出用于衡量所述声音数据偏离正常运行态程度的偏离误差的过程,可以包括:
利用故障诊断模型的输入层,接收所述声音数据的声学特征;
利用故障诊断模型的特征处理层,处理所述声学特征并生成隐层重建特征;
利用故障诊断模型的偏离误差计算层,计算所述声学特征与所述隐层重建特征间的偏离误差,所述偏离误差用于衡量所述声音数据偏离正常运行态的程度。
可选的,上述声音数据获取单元获取对目标设备所采集的声音数据的过程,可以包括:
获取对目标设备采集的原始声音数据;
按照所述目标设备发出声音所处的特定频段,对所述原始声音数据进行滤波,得到所述特定频段的声音数据。
可选的,本申请的装置还可以包括:环境声音类型确定单元,用于:
将所述原始声音数据中除所述特定频段外的其它频段的声音数据,作为环境声音数据;对所述环境声音数据进行声音类型识别,得到所述环境声音数据中所包含的目标类型环境声音。
本申请实施例提供的设备故障定位装置可应用于故障定位设备,如终端:手机、电脑等。可选的,图6示出了故障定位设备的硬件结构框图,参照图6,故障定位设备的硬件结构可以包括:至少一个处理器1,至少一个通信接口2,至少一个存储器3和至少一个通信总线4;
在本申请实施例中,处理器1、通信接口2、存储器3、通信总线4的数量为至少一个,且处理器1、通信接口2、存储器3通过通信总线4完成相互间的通信;
处理器1可能是一个中央处理器CPU,或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit),或者是被配置成实施本发明实施例的一个或多个集成电路等;
存储器3可能包含高速RAM存储器,也可能还包括非易失性存储器(non-volatilememory)等,例如至少一个磁盘存储器;
其中,存储器存储有程序,处理器可调用存储器存储的程序,所述程序用于:
获取对目标设备所采集的声音数据;
基于所述声音数据确定所述目标设备是否出现故障,以及在出现故障时对应的故障位置;
对配置的目标设备3D模型进行渲染,且所述目标设备3D模型中所述故障位置对应的结构部件的渲染方式不同于其它结构部件的渲染方式;
显示渲染后的目标设备3D模型。
可选的,所述程序的细化功能和扩展功能可参照上文描述。
本申请实施例还提供一存储介质,该存储介质可存储有适于处理器执行的程序,所述程序用于:
获取对目标设备所采集的声音数据;
基于所述声音数据确定所述目标设备是否出现故障,以及在出现故障时对应的故障位置;
对配置的目标设备3D模型进行渲染,且所述目标设备3D模型中所述故障位置对应的结构部件的渲染方式不同于其它结构部件的渲染方式;
显示渲染后的目标设备3D模型。
可选的,所述程序的细化功能和扩展功能可参照上文描述。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间可以根据需要进行组合,且相同相似部分互相参见即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (13)
1.一种设备故障定位方法,其特征在于,包括:
获取对目标设备所采集的声音数据;
基于所述声音数据确定所述目标设备是否出现故障,以及在出现故障时对应的故障位置;
对配置的目标设备3D模型进行渲染,且所述目标设备3D模型中所述故障位置对应的结构部件的渲染方式不同于其它结构部件的渲染方式;
显示渲染后的目标设备3D模型。
2.根据权利要求1所述的方法,其特征在于,所述对配置的目标设备3D模型进行渲染,包括:
按照故障渲染方式,对所述目标设备3D模型中所述故障位置对应的结构部件进行渲染;
按照非故障渲染方式,对所述目标设备3D模型中除所述故障位置对应结构部件外的其它结构部件进行渲染,所述故障渲染方式不同于所述非故障渲染方式;
以得到渲染后的目标设备3D模型。
3.根据权利要求2所述的方法,其特征在于,所述故障渲染方式为,渲染为第一颜色,所述非故障渲染方式为,渲染为第二颜色,所述第一颜色不同于所述第二颜色。
4.根据权利要求2所述的方法,其特征在于,确定的故障位置为一个以上,且每个故障位置均对应有故障概率;
所述按照故障渲染方式,对所述目标设备3D模型中所述故障位置对应的结构部件进行渲染,包括:
针对所述目标设备3D模型中每个故障位置对应的结构部件,采用与故障位置对应的故障概率相匹配的故障渲染子方式,进行渲染。
5.根据权利要求4所述的方法,其特征在于,所述针对所述目标设备3D模型中每个故障位置对应的结构部件,采用与故障位置对应的故障概率相匹配的故障渲染子方式,进行渲染,包括:
针对所述目标设备3D模型中每个故障位置对应的结构部件,按照故障位置对应的故障概率值,采用与故障概率值相匹配的故障渲染子方式,进行渲染;
或,
针对所述目标设备3D模型中每个故障位置对应的结构部件,按照该故障位置对应的故障概率在各故障位置的故障概率大小排序中的排序顺序,采用与该排序顺序匹配的故障渲染子方式,进行渲染。
6.根据权利要求1所述的方法,其特征在于,所述目标设备3D模型的建立过程,包括:
对所述目标设备的结构进行拆解,得到组成所述目标设备的各结构部件;
对每一所述结构部件分别建模,并基于建模后的各结构部件,以及各结构部件间的索引关系,生成目标设备3D模型。
7.根据权利要求1所述的方法,其特征在于,所述基于所述声音数据确定所述目标设备是否出现故障,以及在出现故障时对应的故障位置,包括:
利用预置的故障诊断模型处理所述声音数据,并输出用于衡量所述声音数据偏离正常运行态程度的偏离误差;
基于所述偏离误差以及预置的偏离误差阈值,确定所述目标设备是否出现故障;
在确定所述目标设备出现故障时,基于所述声音数据确定故障类型,并基于故障类型确定故障位置。
8.根据权利要求7所述的方法,其特征在于,所述利用预置的故障诊断模型处理所述声音数据,并输出用于衡量所述声音数据偏离正常运行态程度的偏离误差,包括:
利用故障诊断模型的输入层,接收所述声音数据的声学特征;
利用故障诊断模型的特征处理层,处理所述声学特征并生成隐层重建特征;
利用故障诊断模型的偏离误差计算层,计算所述声学特征与所述隐层重建特征间的偏离误差,所述偏离误差用于衡量所述声音数据偏离正常运行态的程度。
9.根据权利要求1所述的方法,其特征在于,所述获取对目标设备所采集的声音数据,包括:
获取对目标设备采集的原始声音数据;
按照所述目标设备发出声音所处的特定频段,对所述原始声音数据进行滤波,得到所述特定频段的声音数据。
10.根据权利要求9所述的方法,其特征在于,还包括:
将所述原始声音数据中除所述特定频段外的其它频段的声音数据,作为环境声音数据;
对所述环境声音数据进行声音类型识别,得到所述环境声音数据中所包含的目标类型环境声音。
11.一种设备故障定位装置,其特征在于,包括:
声音数据获取单元,用于获取对目标设备所采集的声音数据;
故障诊断单元,用于基于所述声音数据确定所述目标设备是否出现故障,以及在出现故障时对应的故障位置;
3D模型渲染单元,用于对配置的目标设备3D模型进行渲染,且所述目标设备3D模型中所述故障位置对应的结构部件的渲染方式不同于其它结构部件的渲染方式;
3D模型显示单元,用于显示渲染后的目标设备3D模型。
12.一种设备故障定位设备,其特征在于,包括:存储器和处理器;
所述存储器,用于存储程序;
所述处理器,用于执行所述程序,实现如权利要求1~10中任一项所述的设备故障定位方法的各个步骤。
13.一种存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时,实现如权利要求1~10中任一项所述的设备故障定位方法的各个步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010565777.8A CN111739557A (zh) | 2020-06-19 | 2020-06-19 | 设备故障定位方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010565777.8A CN111739557A (zh) | 2020-06-19 | 2020-06-19 | 设备故障定位方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111739557A true CN111739557A (zh) | 2020-10-02 |
Family
ID=72651732
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010565777.8A Pending CN111739557A (zh) | 2020-06-19 | 2020-06-19 | 设备故障定位方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111739557A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113759314A (zh) * | 2021-09-01 | 2021-12-07 | 浙江讯飞智能科技有限公司 | 一种声源可视化方法、装置、系统和计算机可读存储介质 |
CN114171058A (zh) * | 2021-12-03 | 2022-03-11 | 安徽继远软件有限公司 | 基于声纹的变压器运行状态监测方法及系统 |
CN117031154A (zh) * | 2023-08-07 | 2023-11-10 | 国网山西省电力公司超高压变电分公司 | 一种基于声纹识别的变压器故障分析方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102799619A (zh) * | 2012-06-19 | 2012-11-28 | 北京航空航天大学 | 一种基于产品三维模型的故障模式可视化方法 |
US20140372809A1 (en) * | 2013-06-12 | 2014-12-18 | Ge Medical Systems Global Technology Company Llc | Graphic self-diagnostic system and method |
CN106596123A (zh) * | 2016-11-22 | 2017-04-26 | 东软集团股份有限公司 | 设备故障诊断的方法、装置及系统 |
CN108764502A (zh) * | 2018-06-15 | 2018-11-06 | 北京明略软件系统有限公司 | 一种列车零部件故障定位方法和服务器 |
CN110365558A (zh) * | 2018-04-11 | 2019-10-22 | 佛山市顺德区美的电热电器制造有限公司 | 一种故障处理方法、装置及系统 |
CN110779745A (zh) * | 2019-10-12 | 2020-02-11 | 杭州安脉盛智能技术有限公司 | 一种基于bp神经网络的换热器早期故障诊断方法 |
-
2020
- 2020-06-19 CN CN202010565777.8A patent/CN111739557A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102799619A (zh) * | 2012-06-19 | 2012-11-28 | 北京航空航天大学 | 一种基于产品三维模型的故障模式可视化方法 |
US20140372809A1 (en) * | 2013-06-12 | 2014-12-18 | Ge Medical Systems Global Technology Company Llc | Graphic self-diagnostic system and method |
CN106596123A (zh) * | 2016-11-22 | 2017-04-26 | 东软集团股份有限公司 | 设备故障诊断的方法、装置及系统 |
CN110365558A (zh) * | 2018-04-11 | 2019-10-22 | 佛山市顺德区美的电热电器制造有限公司 | 一种故障处理方法、装置及系统 |
CN108764502A (zh) * | 2018-06-15 | 2018-11-06 | 北京明略软件系统有限公司 | 一种列车零部件故障定位方法和服务器 |
CN110779745A (zh) * | 2019-10-12 | 2020-02-11 | 杭州安脉盛智能技术有限公司 | 一种基于bp神经网络的换热器早期故障诊断方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113759314A (zh) * | 2021-09-01 | 2021-12-07 | 浙江讯飞智能科技有限公司 | 一种声源可视化方法、装置、系统和计算机可读存储介质 |
CN114171058A (zh) * | 2021-12-03 | 2022-03-11 | 安徽继远软件有限公司 | 基于声纹的变压器运行状态监测方法及系统 |
CN117031154A (zh) * | 2023-08-07 | 2023-11-10 | 国网山西省电力公司超高压变电分公司 | 一种基于声纹识别的变压器故障分析方法及系统 |
CN117031154B (zh) * | 2023-08-07 | 2024-03-22 | 国网山西省电力公司超高压变电分公司 | 一种基于声纹识别的变压器故障分析方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111739557A (zh) | 设备故障定位方法、装置、设备及存储介质 | |
TW202036353A (zh) | 錫膏印刷品質檢測方法、數據處理裝置及電腦存儲介質 | |
CN109143094B (zh) | 一种动力电池的异常数据检测方法和装置 | |
CN110728257B (zh) | 基于振动灰度图像的变压器绕组故障监测方法 | |
KR20200014129A (ko) | 딥러닝을 이용한 변압기 진단 방법 | |
CN113570085B (zh) | 一种基于大数据分析的电力运维配电房安全监测云系统 | |
CN116027161B (zh) | 电力设备局部放电脉冲信号监测方法、装置、设备及介质 | |
CN108306997B (zh) | 域名解析监控方法及装置 | |
CN110809280B (zh) | 一种铁路无线网络质量的检测预警方法及装置 | |
CN113746891A (zh) | 电力设备声纹监控系统 | |
CN113721086A (zh) | 用于监视mv或hv电气系统的装备件的电气绝缘状况的方法 | |
CN109781442B (zh) | 一种磁浮列车转向架裂缝故障的检测方法 | |
JP6044739B2 (ja) | 設備状態解析装置、設備状態解析方法、記憶媒体および設備管理システム | |
JP2022187011A (ja) | 状態解析プログラム、装置、及びシステム | |
CN113049914B (zh) | 一种输电线路故障诊断方法、系统、电子设备和存储介质 | |
CN116434368A (zh) | 一种多功能手持巡检仪及巡检方法 | |
CN113805105A (zh) | 三相变压器检测方法和系统 | |
CN114113900A (zh) | Gil检测系统及其使用方法 | |
JP2019095315A (ja) | 騒音評価装置、騒音評価方法および騒音評価プログラム | |
CN114338088A (zh) | 变电站电力监控系统网络安全等级的评估算法及评估系统 | |
CN111595433B (zh) | 航空发动机整机振动传感器的位置确定方法及系统 | |
CN109357751A (zh) | 一种电力变压器绕组松动缺陷检测系统 | |
CN116091501B (zh) | 高压电气设备局部放电类型识别方法、装置、设备及介质 | |
JP2002005898A (ja) | 渦電流探傷システム及び渦電流探傷方法 | |
WO2022059719A1 (ja) | 構造物診断システム、センサノード、構造物診断方法、および構造物診断プログラム |
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 |