CN111832910A - 一种多指标异响判定阈值确定方法、系统和计算机设备 - Google Patents
一种多指标异响判定阈值确定方法、系统和计算机设备 Download PDFInfo
- Publication number
- CN111832910A CN111832910A CN202010586689.6A CN202010586689A CN111832910A CN 111832910 A CN111832910 A CN 111832910A CN 202010586689 A CN202010586689 A CN 202010586689A CN 111832910 A CN111832910 A CN 111832910A
- Authority
- CN
- China
- Prior art keywords
- index
- vector
- threshold
- judgment
- determining
- 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
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 68
- 238000000034 method Methods 0.000 title claims abstract description 46
- 239000013598 vector Substances 0.000 claims abstract description 85
- 238000005457 optimization Methods 0.000 claims abstract description 26
- 239000002245 particle Substances 0.000 claims abstract description 19
- 230000005540 biological transmission Effects 0.000 claims abstract description 9
- 230000006870 function Effects 0.000 claims description 26
- 239000011159 matrix material Substances 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 12
- 230000001133 acceleration Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 abstract description 7
- 238000013178 mathematical model Methods 0.000 abstract description 5
- 238000010276 construction Methods 0.000 abstract description 2
- 238000003860 storage Methods 0.000 description 9
- 239000003638 chemical reducing agent Substances 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000009323 psychological health Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Optimization (AREA)
- Development Economics (AREA)
- Software Systems (AREA)
- Educational Administration (AREA)
- Strategic Management (AREA)
- Pure & Applied Mathematics (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Computational Mathematics (AREA)
- Computing Systems (AREA)
- Mathematical Analysis (AREA)
- Algebra (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Databases & Information Systems (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开的一种多指标异响判定阈值确定方法、系统及计算机设备,将齿轮传动机械异响判定阈值确定问题转变为数学模型,通过粒子群优化算法快速实现判定指标阈值确定,其中将有无异响逻辑表达转变为0和1的数学问题,以方便数学模型的构建,通过构建阈值向量与权重向量将异响逻辑判断转变为数学表达,进而与人工标定结果对比获得具有漏判与误判特性的优化目标函数,通过粒子群优化算法可快速进行目标函数的优化工作,再此过程中得到最佳阈值向量与权重向量,与人工统计指标阈值方法相比,该方法可自动优化得到各指标的阈值,并且所需时间大大减少,由于引入各指标的影响权重,故判断准确率显著提高。
Description
技术领域
本发明涉及传动齿轮检测技术领域,具体为一种多指标异响判定阈值确定方法、系统和计算机设备。
背景技术
减速机、变速器等是用来改变来自发动机转速及转矩的机构,能够实现不同转速的输出,具有效率高、构造简单、使用方便的优点,广泛应用于船舶、车辆等领域中。减变速机的齿轮系统一般是由常啮合齿轮对、挡位啮合齿轮对及惰轮啮合齿轮对组成,齿轮在生产过程中,由于加工设备精度不足、装配操作不合理,齿轮齿面出现微观形貌不平整及局部缺陷等问题,进而导致齿轮对在啮合过程中出现令人不适的异响噪声。
目前,现场检修工人通常根据经验来判断产品是否有异响,并进行检修操作,该方法效率低下,且长时间处于噪声环境不利于人的身心健康。通过计算一系列客观指标并根据统计阈值来判断异响是一种有效手段,但是人为统计判断阈值工作量大,准确度较低,因此有必要一种多指标异响阈值自动确定方法,减少工作量,提高判定准确度。
发明内容
针对现有技术中存在的问题,本发明提供一种多指标异响判定阈值确定方法、系统和计算机设备,根据振动信号和异响标签,确定判断异响的多个指标的阈值。
本发明是通过以下技术方案来实现:
一种多指标异响判定阈值确定方法,包括以下步骤:
步骤1、获取N个齿轮传动机械的振动信号,以及振动造成异响的判定结果,形成TN×1标签向量;
步骤2、计算N个样本振动信号的M个客观指标,形成IN×M指标矩阵;
步骤3、根据指标矩阵构造M个客观指标权重向量和阈值向量;
步骤4、根据权重向量和和阈值向量确定每个指标判定结果,对每个指标判定结果进行求和,得到样本的预测判定结果;
步骤5、将预测判定结果与标签向量比较确定统计指标,根据统计指标确定误判个数和漏判个数,并构造目标函数;
步骤6、根据粒子群优化算法,优化目标函数得到最优的权重向量和阈值向量,根据最优的权重向量和阈值向量确定样本的判定结果。
优选的,步骤1中采用振动加速度传感器采集齿轮传动机械的振动信号。
优选的,步骤3中所述权重向量的表达式为:{WM×1|Wi∈(0,1)};
所述阈值向量的表达式为:{BM×1|Bi∈(min(IN×i),max(IN×i)}。
优选的,步骤4中指标判定结果的方法如下:
优选的,步骤4中样本的预测判定结果的表达式如下:
优选的,步骤5中统计指标的表达式如下:
SVN×1=TN×1-PN×1
统计指标SVN×1中等于-1的个数,表示为误判个数WP,以及SVN×1中等于1的个数,表示为漏判个数LP。
优选的,步骤5中目标函数的表达式如下:
f=a·WP+b·LP
式中,a为误判权重,b为漏判权重。
优选的,步骤6中设置粒子群优化算法的优化参数为WM×1和BM×1,共2M个参数,粒子群规模为K,最大迭代次数为L,优化目标函数得到最佳权重向量和阈值向量。
一种多指标异响判定阈值确定方法的系统,包括,
振动信号采集模块,用于根据振动信号和振动造成异响判断结果,建立标签向量;
客观指标模块,用于确定样本振动信号的个客观指标,并建立指标矩阵输送至向量模块;
向量模块,用于根据指标矩阵构造客观指标权重向量和和阈值向量;
预测模块,用于根据权重向量和和阈值向量,输出样本的预测判定结果;
目标函数模块,用于将预测判定结果与标签向量比较,确定误判个数和漏判个数,并构造目标函数;
判定模块,用于采用粒子群优化算法对目标函数进行优化,输出最优的权重向量和阈值向量。
一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如所述多指标异响判定阈值确定方法的步骤。
与现有技术相比,本发明具有以下有益的技术效果:
本发明一种多指标异响判定阈值确定方法,将齿轮传动机械异响判定阈值确定问题转变为数学模型,采用粒子群优化算法快速实现判定指标阈值确定,其中通过构建阈值向量与权重向量将异响逻辑判断转变为数学表达,进而与人工标定结果对比获得具有漏判与误判特性的优化目标函数,通过粒子群优化算法可快速进行目标函数的优化工作,再此过程中得到最佳阈值向量与权重向量,与人工统计指标阈值方法相比,该方法可自动优化得到各指标的阈值,并且所需时间大大减少,由于引入各指标的影响权重,故判断准确率显著提高。
附图说明
图1为本发明多指标异响判定阈值确定方法的流程图。
具体实施方式
下面结合附图对本发明做进一步的详细说明,所述是对本发明的解释而不是限定。
参阅图1,一种多指标异响判定阈值确定方法,包括以下步骤:
步骤1、使用振动加速度传感器采样减变速机振动信号并收集现场检测人员对异响的判定结果,存在异响标记为1,不存在异响标记为0,一共收集N个减变速机的样本数据,形成TN×1标签向量;
步骤2:计算N个样本振动信号的M个客观指标,形成IN×M指标矩阵;
步骤3:构造各指标的需要优化的权重向量{WM×1|Wi∈(0,1)}和阈值向量{BM×1|Bi∈(min(IN×i),max(IN×i)};
步骤4:根据权重向量和和阈值向量确定每个指标判定结果,对每个指标判定结果进行求和,得到样本的预测判定结果;
指标判定结果的表达式如下:
当指标乘以权重后小于阈值,则判断为0,表示该指标未指示出异响,当指标乘以权重后大于阈值,则判断为1,表示该指标指示出异响。
对每个指标判定结果进行求和,得到样本的预测判定结果;表达式如下:
当所有指标中存在至少一个指示出异响时,则判断该样本存在异响,当所有指标均未指示出异响时,则该样本不存在异响。
步骤5:将预测判定结果与标签向量比较,确定误判个数和漏判个数,并构造目标函数。
具体如下,令SVN×1=TN×1-PN×1,确定统计指标SVN×1中等于-1的个数,表示为误判个数WP,以及SVN×1中等于1的个数,表示为漏判个数LP。
当SVN×1=0时,则与人工标签判断结果一致;SVN×1<0时,表示为误判,即实际没有异响,却判断为异响;SVN×1>0时,表示漏判,即实际存在异响,却判断为没有异响。
根据误判个数WP和漏判个数LP构造目标函数,表达式如下:
f=a·WP+b·LP
式中,a为误判权重,b为漏判权重。
本发明一种多指标异响判定阈值确定方法,将齿轮传动机械异响判定阈值确定问题转变为数学模型,通过粒子群优化算法快速实现判定指标阈值确定。其中将有无异响逻辑表达转变为0和1的数学问题,以方便数学模型的构建,通过构建阈值向量与权重向量将异响逻辑判断转变为数学表达,进而与人工标定结果对比获得具有漏判与误判特性的优化目标函数,通过粒子群优化算法可快速进行目标函数的优化工作,再此过程中得到最佳阈值向量与权重向量,与人工统计指标阈值方法相比,该方法可自动优化得到各指标的阈值,并且所需时间大大减少,由于引入各指标的影响权重,故判断准确率显著提高。
一种多指标异响判定阈值确定系统,包括,
振动信号采集模块,用于根据振动信号和振动造成异响判断结果,建立标签向量。
客观指标模块,用于确定样本振动信号的个客观指标,并建立指标矩阵输送至向量模块。
向量模块,用于根据指标矩阵构造客观指标权重向量和和阈值向量。
预测模块,用于根据权重向量和和阈值向量,输出样本的预测判定结果。
目标函数模块,用于将预测判定结果与标签向量比较,确定误判个数和漏判个数,并构造目标函数。
判定模块,用于采用粒子群优化算法对目标函数进行优化,输出最优的权重向量和阈值向量。
实施例1
一种减变速机多指标异响判定阈值确定方法,包括以下步骤:
步骤1:通过振动加速度传感器采样减变速机振动信号,根据检测人员统计数据得到异响标签TN×1,本例中N=724;异响标签部分数据入表1所示;
表1异响标签
步骤2:计算振动信号的判断指标(峭度指标,均方根值等),得到指标矩阵IN×M,本例中M=18,本分样本指标如表2所示:
表2样本指标表
步骤3:构造权值向量WM×1和阈值向量BM×1,初始化为随机数,WM×1中元素的取值范围为[0,1];统计表2中每个指标的最大值和最小值,得到BM×1中对应元素的取值范围,如表3所示:
表3阈值向量取值范围
当所有指标中存在至少一个指示出异响时,则判断该样本存在异响,当所有指标均未指示出异响时,则该样本不存在异响。
步骤5:令SVN×1=TN×1-PN×1,统计指标WP为SVN×1中等于-1的个数,代表误判个数,LP为SVN×1中等于1的个数,代表漏判个数,
则SVN×1=0时程序和人工标签判断结果一致;SVN×1<0时,表示为误判,即实际没有异响,却判断为异响;SVN×1>0时,表示为漏判,即实际存在异响,却判断为没有异响。
根据误判个数WP和漏判个数LP构造目标函数:
f=a·WP+b·LP
式中,a为误判权重,本例取10,b为漏判权重,本例取100。
步骤6:设置粒子群(PSO)优化参数:优化参数为WM×1和BM×1,一共有2M个参数;粒子群规模为K,本例取120;最大迭代次数为L,本例取200;优化目标函数得到最佳权重向量和阈值向量:和如表4所示。
表4最佳优化权重向量和阈值向量
步骤1-步骤6的异响判定阈值的确定方法,可自动确定指标判定阈值;经验证,在724个样本中,异响判断的误判率为6.08%,漏判率为0.69%,整体判断错误率为6.77%,整个优化过程耗时5s左右;而人工统计确定阈值的话误判率为9.35%,漏判率为1.23%,整个统计优化过程需要至少2天时间;故本方法可极大提高异响指标阈值确定效率和判定准确度。
本发明多指标异响判定阈值确定方法可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。本发明多指标异响判定阈值确定方法如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。
基于这样的理解,在示例性实施例中,还提供了一种计算机可读存储介质,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于该计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读存储介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。其中,所述计算机存储介质可以是计算机能够存取的任何可用介质或数据存储设备,包括但不限于磁性存储器(例如软盘、硬盘、磁带、磁光盘(MO)等)、光学存储器(例如CD、DVD、BD、HVD等)、以及半导体存储器(例如ROM、EPROM、EEPROM、非易失性存储器(NANDFLASH)、固态硬盘(SSD))等。
在示例性实施例中,还提供计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现所述多指标异响判定阈值确定方法的步骤。处理器可能是中央处理单元(CentralProcessingUnit,CPU),还可以是其他通用处理器、数字信号处理器(DigitalSignalProcessor、DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit,ASIC)、现成可编程门阵列(Field-ProgrammableGateArray,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。
以上内容仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发明权利要求书的保护范围之内。
Claims (10)
1.一种多指标异响判定阈值确定方法,其特征在于,包括以下步骤:
步骤1、获取N个齿轮传动机械的振动信号,以及振动造成异响的判定结果,形成TN×1标签向量;
步骤2、计算N个样本振动信号的M个客观指标,形成IN×M指标矩阵;
步骤3、根据指标矩阵构造M个客观指标权重向量和阈值向量;
步骤4、根据权重向量和和阈值向量确定每个指标判定结果,对每个指标判定结果进行求和,得到样本的预测判定结果;
步骤5、将预测判定结果与标签向量比较确定统计指标,根据统计指标确定误判个数和漏判个数,并构造目标函数;
步骤6、根据粒子群优化算法,优化目标函数得到最优的权重向量和阈值向量,根据最优的权重向量和阈值向量确定样本的判定结果。
2.根据权利要求1所述的一种多指标异响判定阈值确定方法,其特征在于,步骤1中采用振动加速度传感器采集齿轮传动机械的振动信号。
3.根据权利要求1所述的一种多指标异响判定阈值确定方法,其特征在于,步骤3中所述权重向量的表达式为:{WM×1|Wi∈(0,1)};
所述阈值向量的表达式为:{BM×1|Bi∈(min(IN×i),max(IN×i)}。
6.根据权利要求4所述的一种多指标异响判定阈值确定方法,其特征在于,步骤5中统计指标的表达式如下:
SVN×1=TN×1-PN×1
统计指标SVN×1中等于-1的个数,表示为误判个数WP,以及SVN×1中等于1的个数,表示为漏判个数LP。
7.根据权利要求6所述的一种多指标异响判定阈值确定方法,其特征在于,步骤5中目标函数的表达式如下:
f=a·WP+b·LP
式中,a为误判权重,b为漏判权重。
8.根据权利要求6所述的一种多指标异响判定阈值确定方法,其特征在于,步骤6中设置粒子群优化算法的优化参数为WM×1和BM×1,共2M个参数,粒子群规模为K,最大迭代次数为L,优化目标函数得到最佳权重向量和阈值向量。
9.一种实现权利要求1-8任一项所述多指标异响判定阈值确定方法的系统,其特征在于,包括,
振动信号采集模块,用于根据振动信号和振动造成异响判断结果,建立标签向量;
客观指标模块,用于确定样本振动信号的个客观指标,并建立指标矩阵输送至向量模块;
向量模块,用于根据指标矩阵构造客观指标权重向量和和阈值向量;
预测模块,用于根据权重向量和和阈值向量,输出样本的预测判定结果;
目标函数模块,用于将预测判定结果与标签向量比较,确定误判个数和漏判个数,并构造目标函数;
判定模块,用于采用粒子群优化算法对目标函数进行优化,输出最优的权重向量和阈值向量。
10.一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至8任一项所述多指标异响判定阈值确定方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010586689.6A CN111832910B (zh) | 2020-06-24 | 2020-06-24 | 一种多指标异响判定阈值确定方法、系统和计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010586689.6A CN111832910B (zh) | 2020-06-24 | 2020-06-24 | 一种多指标异响判定阈值确定方法、系统和计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111832910A true CN111832910A (zh) | 2020-10-27 |
CN111832910B CN111832910B (zh) | 2024-03-12 |
Family
ID=72899415
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010586689.6A Active CN111832910B (zh) | 2020-06-24 | 2020-06-24 | 一种多指标异响判定阈值确定方法、系统和计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111832910B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113591352A (zh) * | 2021-07-30 | 2021-11-02 | 中国汽车工程研究院股份有限公司 | 基于时域分析的车辆撞击异响风险位置预测系统及方法 |
Citations (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0583859U (ja) * | 1992-04-09 | 1993-11-12 | 三菱電機株式会社 | 画像目標検出装置 |
US5994790A (en) * | 1997-04-04 | 1999-11-30 | Yazaki Corporation | Method of detecting abnormal electric current in vehicle apparatus for detecting abnormal electric current in vehicle and power supply apparatus for vehicle |
US6216118B1 (en) * | 1996-10-31 | 2001-04-10 | Kabushiki Kaisha Meidensha | Apparatus and method for discriminating a time series data |
JP2004054348A (ja) * | 2002-07-16 | 2004-02-19 | Tsukishima Techno Mente Service Kk | 設備保全管理装置及びその点検入力情報機器、並びに設備保全管理方法、設備保全管理プログラム、記録媒体 |
JP2008267871A (ja) * | 2007-04-17 | 2008-11-06 | Kurashiki Kako Co Ltd | 車載用防振装置の異音検査方法 |
JP5956624B1 (ja) * | 2015-02-02 | 2016-07-27 | 西日本高速道路エンジニアリング四国株式会社 | 異常音の検出方法及びその検出値を用いた構造物の異常判定方法、並びに、振動波の類似度検出方法及びその検出値を用いた音声認識方法 |
JP2017024430A (ja) * | 2015-07-15 | 2017-02-02 | 株式会社ジェイテクト | 車両用制御装置およびモータコントロールユニット |
EP3276551A1 (en) * | 2016-07-25 | 2018-01-31 | Fujitsu Limited | A method, computer program and system for detecting a discrepancy arising from a mismatch between incoming and outgoing flows of resource |
JP2018022014A (ja) * | 2016-08-03 | 2018-02-08 | 日本電信電話株式会社 | 特徴量抽出装置、特徴量抽出関数情報生成装置、これらの方法及びプログラム |
CN107730395A (zh) * | 2017-09-13 | 2018-02-23 | 国网天津市电力公司电力科学研究院 | 一种针对低压用户的基于用电量偏差率的用电异常检测方法 |
CN108830281A (zh) * | 2018-05-29 | 2018-11-16 | 南京邮电大学 | 一种基于局部变化检测和空间加权的重复图像匹配方法 |
US20180336353A1 (en) * | 2017-05-16 | 2018-11-22 | Entit Software Llc | Risk scores for entities |
CN109284553A (zh) * | 2018-09-20 | 2019-01-29 | 重庆长安汽车股份有限公司 | 基于cae分析的集雨罩与前挡风玻璃摩擦异响风险评估方法 |
US20190033862A1 (en) * | 2017-07-27 | 2019-01-31 | SkyRyse, Inc. | System and method for situational awareness, vehicle control, and/or contingency planning |
WO2019049688A1 (ja) * | 2017-09-06 | 2019-03-14 | 日本電信電話株式会社 | 異常音検知装置、異常モデル学習装置、異常検知装置、異常音検知方法、異常音生成装置、異常データ生成装置、異常音生成方法、およびプログラム |
US10382461B1 (en) * | 2016-05-26 | 2019-08-13 | Amazon Technologies, Inc. | System for determining anomalies associated with a request |
CN110686767A (zh) * | 2019-09-20 | 2020-01-14 | 国家电网有限公司 | 一种基于时频法与数据序列法的gis振动异响联合特征提取方法 |
US20200099707A1 (en) * | 2018-09-21 | 2020-03-26 | General Electric Company | Hybrid feature-driven learning system for abnormality detection and localization |
JP2020060458A (ja) * | 2018-10-11 | 2020-04-16 | 株式会社Taiyo | 異常判定装置 |
CN111105147A (zh) * | 2019-12-02 | 2020-05-05 | 北京交通大学 | 一种基于动态时间规整的道岔健康状态评估方法 |
CN111222798A (zh) * | 2020-01-13 | 2020-06-02 | 湖南师范大学 | 一种复杂工业过程关键性指标软测量方法 |
CN111289243A (zh) * | 2020-03-03 | 2020-06-16 | 南京高精齿轮集团有限公司 | 一种判定齿轮箱异响的方法、系统及存储介质 |
-
2020
- 2020-06-24 CN CN202010586689.6A patent/CN111832910B/zh active Active
Patent Citations (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0583859U (ja) * | 1992-04-09 | 1993-11-12 | 三菱電機株式会社 | 画像目標検出装置 |
US6216118B1 (en) * | 1996-10-31 | 2001-04-10 | Kabushiki Kaisha Meidensha | Apparatus and method for discriminating a time series data |
US5994790A (en) * | 1997-04-04 | 1999-11-30 | Yazaki Corporation | Method of detecting abnormal electric current in vehicle apparatus for detecting abnormal electric current in vehicle and power supply apparatus for vehicle |
JP2004054348A (ja) * | 2002-07-16 | 2004-02-19 | Tsukishima Techno Mente Service Kk | 設備保全管理装置及びその点検入力情報機器、並びに設備保全管理方法、設備保全管理プログラム、記録媒体 |
JP2008267871A (ja) * | 2007-04-17 | 2008-11-06 | Kurashiki Kako Co Ltd | 車載用防振装置の異音検査方法 |
JP5956624B1 (ja) * | 2015-02-02 | 2016-07-27 | 西日本高速道路エンジニアリング四国株式会社 | 異常音の検出方法及びその検出値を用いた構造物の異常判定方法、並びに、振動波の類似度検出方法及びその検出値を用いた音声認識方法 |
JP2017024430A (ja) * | 2015-07-15 | 2017-02-02 | 株式会社ジェイテクト | 車両用制御装置およびモータコントロールユニット |
US10382461B1 (en) * | 2016-05-26 | 2019-08-13 | Amazon Technologies, Inc. | System for determining anomalies associated with a request |
EP3276551A1 (en) * | 2016-07-25 | 2018-01-31 | Fujitsu Limited | A method, computer program and system for detecting a discrepancy arising from a mismatch between incoming and outgoing flows of resource |
JP2018022014A (ja) * | 2016-08-03 | 2018-02-08 | 日本電信電話株式会社 | 特徴量抽出装置、特徴量抽出関数情報生成装置、これらの方法及びプログラム |
US20180336353A1 (en) * | 2017-05-16 | 2018-11-22 | Entit Software Llc | Risk scores for entities |
US20190033862A1 (en) * | 2017-07-27 | 2019-01-31 | SkyRyse, Inc. | System and method for situational awareness, vehicle control, and/or contingency planning |
WO2019049688A1 (ja) * | 2017-09-06 | 2019-03-14 | 日本電信電話株式会社 | 異常音検知装置、異常モデル学習装置、異常検知装置、異常音検知方法、異常音生成装置、異常データ生成装置、異常音生成方法、およびプログラム |
CN111108362A (zh) * | 2017-09-06 | 2020-05-05 | 日本电信电话株式会社 | 异常声音探测装置、异常模型学习装置、异常探测装置、异常声音探测方法、异常声音生成装置、异常数据生成装置、异常声音生成方法以及程序 |
CN107730395A (zh) * | 2017-09-13 | 2018-02-23 | 国网天津市电力公司电力科学研究院 | 一种针对低压用户的基于用电量偏差率的用电异常检测方法 |
CN108830281A (zh) * | 2018-05-29 | 2018-11-16 | 南京邮电大学 | 一种基于局部变化检测和空间加权的重复图像匹配方法 |
CN109284553A (zh) * | 2018-09-20 | 2019-01-29 | 重庆长安汽车股份有限公司 | 基于cae分析的集雨罩与前挡风玻璃摩擦异响风险评估方法 |
US20200099707A1 (en) * | 2018-09-21 | 2020-03-26 | General Electric Company | Hybrid feature-driven learning system for abnormality detection and localization |
JP2020060458A (ja) * | 2018-10-11 | 2020-04-16 | 株式会社Taiyo | 異常判定装置 |
CN110686767A (zh) * | 2019-09-20 | 2020-01-14 | 国家电网有限公司 | 一种基于时频法与数据序列法的gis振动异响联合特征提取方法 |
CN111105147A (zh) * | 2019-12-02 | 2020-05-05 | 北京交通大学 | 一种基于动态时间规整的道岔健康状态评估方法 |
CN111222798A (zh) * | 2020-01-13 | 2020-06-02 | 湖南师范大学 | 一种复杂工业过程关键性指标软测量方法 |
CN111289243A (zh) * | 2020-03-03 | 2020-06-16 | 南京高精齿轮集团有限公司 | 一种判定齿轮箱异响的方法、系统及存储介质 |
Non-Patent Citations (2)
Title |
---|
邹鹏飞: "《齿轮齿条转向器异响的模式识别》", 《工程科技Ⅱ辑》 * |
齐伟: "《基于声信号的汽车发动机机械异响故障诊断方法研究》", 《工程科技Ⅱ辑》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113591352A (zh) * | 2021-07-30 | 2021-11-02 | 中国汽车工程研究院股份有限公司 | 基于时域分析的车辆撞击异响风险位置预测系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111832910B (zh) | 2024-03-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9122273B2 (en) | Failure cause diagnosis system and method | |
Shi et al. | A two-stage sound-vibration signal fusion method for weak fault detection in rolling bearing systems | |
CN110398370B (zh) | 一种基于hts-cnn模型的轴承故障诊断方法 | |
CN109450405B (zh) | 一种应用于ad采集中的复合式软件滤波方法及系统 | |
CN111626360B (zh) | 用于检测锅炉故障类型的方法、装置、设备和存储介质 | |
CN116738868B (zh) | 一种滚动轴承剩余寿命预测方法 | |
CN111637045A (zh) | 一种海洋平台空气压缩机故障诊断方法 | |
CN111832910A (zh) | 一种多指标异响判定阈值确定方法、系统和计算机设备 | |
CN114184367A (zh) | 旋转机械设备故障诊断方法、装置、设备及可读存储介质 | |
CN113487223B (zh) | 一种基于信息融合的风险评估方法和评估系统 | |
CN113237619B (zh) | 变转速旋转机械振动的故障预警方法、装置、设备以及存储介质 | |
CN113627268A (zh) | 模型训练方法、矿井提升机用减速器故障检测方法和装置 | |
CN116070669A (zh) | 一种基于改进深度置信网络的车间能耗预测方法与管理系统 | |
CN115408860A (zh) | 一种风电场风速-功率数据的异常值监测及修正方法 | |
CN114417514A (zh) | 一种风电机组齿轮箱故障诊断系统、方法、计算机设备、存储介质 | |
CN114118720A (zh) | 一种核电厂循环水泵运行状态综合评价方法、装置及电子设备和存储介质 | |
CN112879216B (zh) | 风电场的风速修正方法和装置 | |
CN112380782A (zh) | 一种基于混合指标和神经网络的旋转设备故障预测方法 | |
Zhou et al. | Probabilistic gear fault diagnosis using Bayesian convolutional neural network | |
CN116123042B (zh) | 一种风力发电机组的智能监测预警方法及系统 | |
Zhao et al. | Health indicator selection and health assessment of rolling element bearing | |
CN117798744B (zh) | 一种数控机床运行状态监测方法 | |
CN113792610B (zh) | 一种谐波减速器健康评估方法及装置 | |
CN111980900B (zh) | 一种基于多源数据融合分析的水泵故障诊断方法 | |
Zhao et al. | Combine Assembly Fault Diagnosis Based on Optimized Multi-scale Reverse Discrete Entropy |
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 |