CN112233695A - 基于人工智能和大数据的加油机异音分析及故障预警系统 - Google Patents
基于人工智能和大数据的加油机异音分析及故障预警系统 Download PDFInfo
- Publication number
- CN112233695A CN112233695A CN202011092677.4A CN202011092677A CN112233695A CN 112233695 A CN112233695 A CN 112233695A CN 202011092677 A CN202011092677 A CN 202011092677A CN 112233695 A CN112233695 A CN 112233695A
- Authority
- CN
- China
- Prior art keywords
- sound
- spectrogram
- pipeline
- oiling machine
- period
- 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- Withdrawn
Links
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 42
- 238000004458 analytical method Methods 0.000 title abstract description 11
- 238000013473 artificial intelligence Methods 0.000 title abstract description 7
- 230000005236 sound signal Effects 0.000 claims abstract description 28
- 238000012545 processing Methods 0.000 claims abstract description 18
- 238000001514 detection method Methods 0.000 claims abstract description 16
- 238000012937 correction Methods 0.000 claims description 29
- 239000013598 vector Substances 0.000 claims description 26
- 238000000605 extraction Methods 0.000 claims description 15
- 238000001228 spectrum Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 5
- 230000000903 blocking effect Effects 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 description 8
- 238000000034 method Methods 0.000 description 7
- 230000007613 environmental effect Effects 0.000 description 4
- 238000007689 inspection Methods 0.000 description 4
- 239000000446 fuel Substances 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 229910021529 ammonia Inorganic materials 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; 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
- 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
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; 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
- G10L25/03—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; 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
- G10L25/03—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters
- G10L25/18—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters the extracted parameters being spectral information of each sub-band
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Signal Processing (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Spectroscopy & Molecular Physics (AREA)
- General Physics & Mathematics (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种基于人工智能和大数据的加油机异音分析及故障预警系统。包括云端与本地端，还包括声谱图处理模块，用于将实时输入的加油机音频信号进行处理得到线性声谱图；异音检测模块，用于对输入的单个周期的线性声谱图进行分析，输出是否有异常情况的判断结果；故障预警模块，用于根据加油机内部振动传感器数据以及异音检测模块的结果进行故障判断。利用本发明，可以实现加油机故障预警。
Description
技术领域
本发明涉及人工智能技术领域，具体涉及一种基于人工智能和大数据的加油机异音分析及故障预警系统。
背景技术
目前加油机异常检测一般通过人工巡检的方式进行故障的排查，但由于加油机故障通常发生在加油机内部，人工检查的方法难度较高，不适合日常巡检。公开号为CN110493566A的文献公开了一种基于视频分析加油站安全识别系统，通过环境感知传感器和视频监控来进行故障预警的方法。所采用传感器监测信息为温湿度、氨气含量、烟雾等。该方法存在的问题在于，仅能对加油站环境进行安全监督，而且所采集的信息均为故障已经发生后才会出现明显改变，对于故障处理无法起到预警效果，处理时间存在滞后性。
发明内容
本发明的目的在于针对上述现有技术存在的缺陷，提出一种基于人工智能和大数据的加油机异音分析及故障预警系统。
一种基于人工智能和大数据的加油机异音分析及故障预警系统，包括云端与本地端，所述云端，存储不同位置的各类型号加油机内部音频的线性声谱图、声音特征向量及向量所属类别，所述本地端，存储与本地加油机型号相同的不同位置的加油机内部音频的线性声谱图、声音特征向量及向量所属类别；还包括以下模块：
声谱图处理模块，用于将实时输入的加油机音频信号进行处理得到线性声谱图，包括：
频域变换子模块，用于将实时输入的加油机音频信号变换至频域；
周期估计子模块，用于对去噪处理后的声音频谱进行周期估计；
声谱图获取子模块，用于对单个周期的音频信号采用单帧加窗的方式进行快速傅里叶变换得到线性声谱图；
周期修正子模块，用于根据加油机管线长度、弯角个数、各弯角角度、管道宽度、通用标准管线长度、通用标准弯角个数、通用标准弯角角度、通标标准管道宽度建立修正模型，将待检测加油机管线长度、弯角个数、各弯角角度带入修正模型，得到修正系数，利用修正系数对估计的周期进行修正；
异音检测模块，用于对输入的单个周期的线性声谱图进行分析，输出是否有异常情况的判断结果，包括：
声音特征提取子模块，用于对输入的单个周期的线性声谱图进行特征提取，得到声音特征向量；
异音判断子模块，用于将声音特征向量与本地数据库中存储的其他位置的同型号加油机工作状态下的声音特征向量进行相似度计算，若相似度小于阈值，则判断为有异常情况；
故障预警模块，用于根据加油机内部振动传感器数据以及异音检测模块的结果进行故障判断。
进一步地，所述进行故障判断包括：
根据振动传感器数据判断是否存在共振现象，若存在共振现象，停止声谱图处理模块、异音检测模块，并发出故障预警；
同时，对声音频谱图进行分析，判断是否为叶片或弹簧破碎卡死；若否则进一步判断是否是管线过脏；若不是管线过脏，则进一步判断是否出现溢流阀卡住情况。
进一步地，判断是否为叶片或弹簧破碎卡死包括：
对本地存储的频谱图进行分析，若频率大于第一阈值，则为叶片或弹簧破碎卡死。
进一步地，判断是否为管线过脏包括：
计算
其中，T′为等分段数，A表示音频信号幅值，若Dirty大于第二阈值，则为管线过脏。
进一步地，所述判断是否出现溢流阀卡住包括：
设置幅值阈值，计算大于幅值阈值的低频率范围与低频率范围的比值，若所述比值大于第三阈值，则出现溢流阀卡住情况。
进一步地，所述修正模型为：
其中，s为加油机管线的长度、N为加油机弯角个数、θn为加油机各弯角角度，w为加油机管线长度，s′为标准管线长度，θ′n为标准弯角角度，w′为标准管道宽度，N′为标准弯角个数。
进一步地，所述利用修正系数对周期进行修正为：
TMF＝T*MF
其中，MF为修正系数，T为估计的周期，TMF为修正后的周期。
进一步地，声谱图处理模块还包括：去噪子模块，用于将工作时的声音频谱中减去不工作时的声音频谱。
进一步地，所述声音特征提取子模块采用声音特征提取网络进行特征提取，声音特征提取网络包括：声音特征提取编码器、全连接层。
进一步地，所述声音特征提取网络采用孪生网络结构。
本发明与现有技术相比，具有以下有益效果：
对加油机运作时的音频进行分析，对加油机进行故障预警，在故障较小时就能实现预警，大大提高了加油机和加油站的安全。结合大数据技术获得分布各地的数据，对加油机数据进行分析，提高了故障预警的准确率。利用修正函数对周期进行修正，提高了获取的周期音频的准确度，进而提高了故障预警的准确度。
附图说明
图1为本发明框架图。
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，以下结合附图以及实施例，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以解释本发明，并不用于限定本发明。
本发明提供一种基于人工智能和大数据的加油机异音分析及故障预警系统。适用于加油机内部故障的异音分析和故障预警，加油机外部破损、过热等安全隐患目前可以通过视频监控进行监测，内部故障仅能通过人工巡检，本发明可实现加油机器内部故障的分析，包括管线过脏、溢流阀芯堵塞、叶片或弹簧破碎卡死、机器内部共振四类情况。图1为本发明框架图。下面通过具体实施例来进行说明。
实施例1：
基于人工智能和大数据的加油机异音分析及故障预警系统，包括云端与本地端，所述云端，存储不同位置的各类型号加油机内部音频的线性声谱图、声音特征向量及向量所属类别，所述本地端，存储与本地加油机型号相同的不同位置的加油机内部音频的线性声谱图、声音特征向量及向量所属类别。
本发明需要搭建大数据平台，平台有云端和本地端两类形式。云端负责存储不同位置的各类型号加油机内部音频的线性声谱图、特征向量和所属类别。本地端仅存储与本地加油机型号相同的不同位置加油机内部音频的线性声谱图、特征向量和所属类别。在非工作时段，本地从云端下载数据存储至本地。需要说明的是，所述类别仅指有异常声音和无异常声音两个类别。该大数据平台应用于全国各地多个加油站，各加油站加油机内部音频信号经处理后均上传至该大数据平台。
加油机异音分析及故障预警子系统分为三个模块。声谱图处理模块，异音检测模块和故障预警模块。子系统输入为本地加油机内部的音频信号和传感器信息，在本地加油机出现故障隐患时输出故障预警。
声谱图处理模块，用于将实时输入的加油机音频信号进行处理得到线性声谱图，包括：频域变换子模块，用于将实时输入的加油机音频信号变换至频域；周期估计子模块，用于去噪处理后的声音频谱进行周期估计；声谱图获取子模块，用于对单个周期的音频信号采用单帧加窗的方式进行快速傅里叶变换得到线性声谱图；周期修正子模块，用于根据加油机管线长度、弯角个数、各弯角角度、通用标准管线长度、通用标准弯角个数、通用标准弯角角度、通标标准管道宽度建立修正模型，将待检测加油机管线长度、弯角个数、各弯角角度带入修正模型，得到修正系数，利用修正系数对估计的周期进行修正。
声谱图处理模块，该模块的输入为实时的本地音频信号，即音频采集设备所采集信息实时传输至本地服务器端进行处理。
由于采集音频设备部署于加油机内部，由于该环境的特殊性，即加油机存在工作和不工作两种状态，且工作时油泵为周期运动，因此，可通过其工作状态对工作时的音频信号进行环境噪声去除。利用频域变换子模块将加油机存在工作和不工作两种状态时所采集的音频信号进行傅里叶变换转换至频域，利用去噪子模块将不工作状态时的声音频谱图均作为环境噪声，在工作状态时的声音频谱图中将环境噪声分量去除，实现去噪目的。
周期估计子模块根据去噪后的声音频谱图进行分析，通过相邻且相同幅值的频率之间的相位差判断其周期。所估计出的周期设为T。根据T确定单帧所对应的时间段长度，得到单个周期的音频信号，对原音频信号进行单周期信号的提取，由于加油机工作时油泵运动为周期运动，且每次工作的时间较短，为了方便本地处理，对加油机该次工作的音频信号仅截取一个周期。
声谱图获取子模块，对单个周期的音频信号，采用单帧加窗的方式进行FFT(快速傅里叶变换)，整合后得到对应的线性声谱图X[m]＝H[m]E[m]，式中，m为频率，H[m]为包络的频谱，E[m]为细节的频谱，X[m]为频谱。
进一步地，考虑到加油机管线的长度和弯角会对影响加油机工作时油泵的音频信号，为增强鲁棒性，提出一种修正函数，利用周期修正子模块实现。管线的长度s、弯角个数N、各弯角角度θn数据本地应当均有保存。在此默认管线部署时已考虑到不会引起加油机故障，即管线长度合适且弯角个数合适。设置数据平台通用的标准管线长度s′，标准弯角个数N′，标准弯角角度θ′n，标准管道宽度为w′，修正函数为：
该修正系数仅适用于管线长度较标准长度大的情况，当管线长度较标准长度小时，对音频信号影响小，无需修正，可直接视作标准长度。
管线过长对音频信号的周期起扩大效果，且管线中的弯角部分弧边长度和大于标准弯角部分弧边长度和时，会造成周期扩大；管线中的弯角部分弧边长度和大于标准弯角部分弧边长度和时，会造成周期缩小。如上式所示。该修正函数对周期的修正，TMF＝T*MF。需要说明的是，修正后的单周期信号在互相对比时可能存在周期不一致的情况，因此建议采用DTW方法将信号采样点一一对应后计算欧式距离。
异音检测模块，用于对输入的单个周期的线性声谱图进行分析，输出是否有异常情况的判断结果：声音特征提取子模块，用于对输入的单个周期的线性声谱图进行特征提取，得到声音特征向量；异音判断子模块，用于将声音特征向量与本地数据库中存储的其他位置的同型号加油机工作状态下的声音特征向量进行相似度计算，若相似度小于阈值，则判断为有异常情况。
声音特征提取子模块利用神经网络实现。具体地，通过异音检测编码器Encoder提取特征，输出Feature map；Feature map经Flatten操作后送入全连接层，输出一维特征向量。该模块网络的训练可通过孪生网络进行训练，克服样本数量较少的问题。训练集选择同一型号多个加油机内部的多个单周期音频声谱图作为训练集，为了使网络更加鲁棒，可以采用联邦学习的方式训练网络；标注为类别，类别索引对应声音是否异常；损失函数采用对比损失函数。需要说明的是，应根据型号构建对应的孪生网络进行音频信号线性声谱图的分类。
异音判断子模块将网络输出的本地当前工作状态下音频信号的特征向量与本地数据库中存储的其他位置同型号加油机工作状态下音频信号的特征向量进行欧式距离计算，得到相似度si1。设置一个经验阈值th1，当si1<th1时，判断为有异常情况。
故障预警模块，用于根据加油机内部振动传感器数据以及异音检测模块的结果进行故障判断。根据振动传感器数据判断是否存在共振现象，若存在共振现象，停止声谱图处理模块、异音检测模块，并发出故障预警；同时，对声音频谱图进行分析，判断是否为叶片或弹簧破碎卡死；若否则进一步判断是否是管线过脏；若不是管线过脏，则进一步判断是否出现溢流阀卡住情况。
具体地，故障预警模块，该模块输入为加油机内部振动传感器数据和异常声音检测模块输出的存在异常声音判断结果。通过振动传感器数据Vi判断是否存在机器内部共振现象，具体方法为设置一个经验阈值th2，当Vi≥th2时，判断为存在机器内部共振现象，向加油机运维管理人员发送故障预警；且当出现机器内部共振现象后，声谱图处理模块和异音检测模块停止运作，以避免无效计算。
当存在异常声音的判断结果传输至故障预警模块后，调取本地存储的声音频谱图进行分析，判断具体的故障异常类别。具体判断方法为：首先判断是否为叶片或弹簧破碎卡死情况，该情况油泵工作时，会出现较为尖锐的声响，因此通过频谱图进行分析，设置频率阈值th3，信号频率f,f>th3时判断为工作时有高频噪声，为叶片或弹簧破碎卡死情况；然后，当不属于叶片或弹簧破碎卡死情况时，进行下一步判断，设置阈值th4，式：
当Di>th4时，判断为管线过脏。式中，Di为管道脏污程度，At为音频信号幅值，T为单个周期信号的周期，t为将T等分为后每部分的序号，T′为等分段数。该式通过相邻两部分差值之比，判断信号的波动是否过大，当管线过脏时，会导致声音起伏波动较大；最后，当不属于管线过脏情况时，进行下一步判断，设置幅值阈值th5，幅值谱中，统计幅度大于th5的频率范围，设置比例阈值th6，当
其中低频范围由经验设置。由于当出现溢流阀卡住时会出现滤油器堵塞情况，产生低频噪声，当低频噪声幅值较大时，说明出现溢流阀卡住情况。当上述三种方法无法判断故障属于何种异常情况时，故障预警时标注为未知异常，该类故障可能不属于常见故障，需要运维人员实地检查。
以上实施例仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则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保护范围之内。
Claims (10)
1.一种基于人工智能和大数据的加油机异音分析及故障预警系统，其特征在于，包括云端与本地端，所述云端，存储不同位置的各类型号加油机内部音频的线性声谱图、声音特征向量及向量所属类别，所述本地端，存储与本地加油机型号相同的不同位置的加油机内部音频的线性声谱图、声音特征向量及向量所属类别；还包括以下模块：
声谱图处理模块，用于将实时输入的加油机音频信号进行处理得到线性声谱图，包括：
频域变换子模块，用于将实时输入的加油机音频信号变换至频域；
周期估计子模块，用于对去噪处理后的声音频谱进行周期估计；
声谱图获取子模块，用于对单个周期的音频信号采用单帧加窗的方式进行快速傅里叶变换得到线性声谱图；
周期修正子模块，用于根据加油机管线长度、弯角个数、各弯角角度、管道宽度、通用标准管线长度、通用标准弯角个数、通用标准弯角角度、通用标准管道宽度建立修正模型，将待检测加油机管线长度、弯角个数、各弯角角度带入修正模型，得到修正系数，利用修正系数对估计的周期进行修正；
异音检测模块，用于对输入的单个周期的线性声谱图进行分析，输出是否有异常情况的判断结果，包括：
声音特征提取子模块，用于对输入的单个周期的线性声谱图进行特征提取，得到声音特征向量；
异音判断子模块，用于将声音特征向量与本地数据库中存储的其他位置的同型号加油机工作状态下的声音特征向量进行相似度计算，若相似度小于阈值，则判断为有异常情况；
故障预警模块，用于根据加油机内部振动传感器数据以及异音检测模块的结果进行故障判断。
2.如权利要求1所述的系统，其特征在于，所述进行故障判断包括：
根据振动传感器数据判断是否存在共振现象，若存在共振现象，停止声谱图处理模块、异音检测模块，并发出故障预警；
同时，对声音频谱图进行分析，判断是否为叶片或弹簧破碎卡死；若否则进一步判断是否是管线过脏；若不是管线过脏，则进一步判断是否出现溢流阀卡住情况。
3.如权利要求1所述的系统，其特征在于，判断是否为叶片或弹簧破碎卡死包括：
对本地存储的频谱图进行分析，若频率大于第一阈值，则为叶片或弹簧破碎卡死。
4.如权利要求2所述的系统，其特征在于，判断是否为管线过脏包括：
计算
其中，T′为等分段数，A表示音频信号幅值，若Dirty大于第二阈值，则为管线过脏。
5.如权利要求2所述的系统，其特征在于，所述判断是否出现溢流阀卡住包括：
设置幅值阈值，计算大于幅值阈值的低频率范围与低频率范围的比值，若所述比值大于第三阈值，则出现溢流阀卡住情况。
6.如权利要求1所述的系统，其特征在于，所述修正模型为：
其中，s为加油机管线的长度、N为加油机弯角个数、θn为加油机各弯角角度，w为加油机管线长度，s′为标准管线长度，θ′n为标准弯角角度，w′为标准管道宽度，N′为标准弯角个数。
7.如权利要求1所述的系统，其特征在于，所述利用修正系数对周期进行修正为：
TMF＝T*MF
其中，MF为修正系数，T为估计的周期，TMF为修正后的周期。
8.如权利要求1所述的系统，其特征在于，声谱图处理模块还包括：去噪子模块，用于将工作时的声音频谱中减去不工作时的声音频谱。
9.如权利要求1所述的系统，其特征在于，所述声音特征提取子模块采用声音特征提取网络进行特征提取，声音特征提取网络包括：声音特征提取编码器、全连接层。
10.如权利要求1所述的系统，其特征在于，所述声音特征提取网络采用孪生网络结构。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011092677.4A CN112233695A (zh) | 2020-10-13 | 2020-10-13 | 基于人工智能和大数据的加油机异音分析及故障预警系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011092677.4A CN112233695A (zh) | 2020-10-13 | 2020-10-13 | 基于人工智能和大数据的加油机异音分析及故障预警系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112233695A true CN112233695A (zh) | 2021-01-15 |
Family
ID=74113440
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011092677.4A Withdrawn CN112233695A (zh) | 2020-10-13 | 2020-10-13 | 基于人工智能和大数据的加油机异音分析及故障预警系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112233695A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113361648A (zh) * | 2021-07-07 | 2021-09-07 | 浙江大学 | 一种用于安全的工业大数据分析的信息指纹提取方法 |
| CN113409818A (zh) * | 2021-08-18 | 2021-09-17 | 宁波帅特龙集团有限公司 | 一种基于声音传感器的生产设备预测性维修方法与系统 |
| CN113657221A (zh) * | 2021-08-04 | 2021-11-16 | 浙江浙能台州第二发电有限责任公司 | 一种基于智能感知技术的电厂设备状态监测方法 |
| CN113933049A (zh) * | 2021-11-25 | 2022-01-14 | 西安热工研究院有限公司 | 风电机组齿轮箱故障预警及诊断系统 |
-
2020
- 2020-10-13 CN CN202011092677.4A patent/CN112233695A/zh not_active Withdrawn
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113361648A (zh) * | 2021-07-07 | 2021-09-07 | 浙江大学 | 一种用于安全的工业大数据分析的信息指纹提取方法 |
| CN113361648B (zh) * | 2021-07-07 | 2022-07-05 | 浙江大学 | 一种用于安全的工业大数据分析的信息指纹提取方法 |
| CN113657221A (zh) * | 2021-08-04 | 2021-11-16 | 浙江浙能台州第二发电有限责任公司 | 一种基于智能感知技术的电厂设备状态监测方法 |
| CN113657221B (zh) * | 2021-08-04 | 2024-08-23 | 浙江浙能台州第二发电有限责任公司 | 一种基于智能感知技术的电厂设备状态监测方法 |
| CN113409818A (zh) * | 2021-08-18 | 2021-09-17 | 宁波帅特龙集团有限公司 | 一种基于声音传感器的生产设备预测性维修方法与系统 |
| CN113933049A (zh) * | 2021-11-25 | 2022-01-14 | 西安热工研究院有限公司 | 风电机组齿轮箱故障预警及诊断系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112233695A (zh) | 基于人工智能和大数据的加油机异音分析及故障预警系统 | |
| CA2401685C (en) | Complex signal decomposition and modeling | |
| CN110501631B (zh) | 一种在线间歇故障检测与诊断方法 | |
| CN106247173B (zh) | 管道泄漏检测的方法及装置 | |
| CN113657221B (zh) | 一种基于智能感知技术的电厂设备状态监测方法 | |
| CN110261116A (zh) | 一种轴承故障检测方法及装置 | |
| CN102680233A (zh) | 电动机故障诊断设备及方法 | |
| CN102840907A (zh) | 早期故障状态下滚动轴承振动信号特征提取和分析方法 | |
| CN118209830B (zh) | 一种电缆局放异常智能监测方法及系统 | |
| CN112069962B (zh) | 一种基于图像识别强噪声背景下振动频谱的方法 | |
| CN208207843U (zh) | 一种泥浆泵故障诊断装置 | |
| CN115078912A (zh) | 车顶高压电缆接头异常实时检测方法、系统及列车 | |
| Aburakhia et al. | Similarity-based predictive maintenance framework for rotating machinery | |
| CN117572152A (zh) | 一种配电网接地故障测距信息获取方法及装置 | |
| CN113436645A (zh) | 复杂噪声环境下的机电系统故障在线监测声学处理方法 | |
| CN113822565B (zh) | 一种风机监测数据时频特征分级细化分析的方法 | |
| CN112233696A (zh) | 基于人工智能和大数据的油田抽油机异音检测及上报系统 | |
| CN116593829A (zh) | 基于数据分析的输电线路隐患在线监测系统 | |
| CN116242478A (zh) | 一种基于旋转类设备振动信号的转速实时识别方法 | |
| CN116314965A (zh) | 一种燃料电池的氢泄漏监测方法、监测装置及监测系统 | |
| DE202015005578U1 (de) | Vorrichtung zur Detektion ungewöhnlichen Geräusches für eine Hochdruck-Brennstoffpumpe eines Fahrzeugmotors | |
| CN113805105A (zh) | 三相变压器检测方法和系统 | |
| CN106649204B (zh) | 一种变压器油中溶解气体异常识别方法 | |
| CN114004996A (zh) | 异音检测方法、装置、电子设备及介质 | |
| CN112417966A (zh) | 一种基于音频信号特征和ai算法的多维度机器故障检测方法 |
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: 20210115 |
|
| WW01 | Invention patent application withdrawn after publication |