CN112528753A - 一种针对轧机轧钢过程冲击振动信号的预处理方法 - Google Patents
一种针对轧机轧钢过程冲击振动信号的预处理方法 Download PDFInfo
- Publication number
- CN112528753A CN112528753A CN202011297664.0A CN202011297664A CN112528753A CN 112528753 A CN112528753 A CN 112528753A CN 202011297664 A CN202011297664 A CN 202011297664A CN 112528753 A CN112528753 A CN 112528753A
- Authority
- CN
- China
- Prior art keywords
- vibration
- data
- impact
- rolling mill
- rolling
- 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
- 238000005096 rolling process Methods 0.000 title claims abstract description 74
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000007781 pre-processing Methods 0.000 title claims abstract description 22
- 230000002159 abnormal effect Effects 0.000 claims abstract description 50
- 229910000831 Steel Inorganic materials 0.000 claims abstract description 20
- 239000010959 steel Substances 0.000 claims abstract description 20
- 238000001914 filtration Methods 0.000 claims abstract description 7
- 238000004364 calculation method Methods 0.000 claims description 24
- 238000010606 normalization Methods 0.000 claims description 9
- 230000001133 acceleration Effects 0.000 claims description 3
- 230000035939 shock Effects 0.000 abstract description 9
- 239000000284 extract Substances 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 6
- 230000005856 abnormality Effects 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000009865 steel metallurgy Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000000737 periodic effect Effects 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
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- 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
-
- 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
- G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Signal Processing (AREA)
- Manufacturing & Machinery (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
一种针对轧机轧钢过程冲击振动信号的预处理方法,包括以下步骤:步骤1,采集轧机设备零部件上的振动数据,从振动数据中提取振动异常因子特征;步骤2,判断振动异常因子是否大于等于限定阈值,若满足大于等于条件,则该组振动波形数据受轧机轧钢冲击影响,需将数据过滤删除;反之,则该组振动波形数据正常,无需过滤,需保留。本发明实现了轧钢过程冲击振动信号的过滤预处理。本发明通过从振动信号中提取异常因子特征,用以表征信号中包含的冲击波数量,进而通过冲击波数量甄别轧钢冲击与设备真实异常故障,以此将轧钢冲击的振动信号过滤预处理。
Description
技术领域
本发明属于机械设备状态监测与预测性维护领域,具体涉及一种针对轧机轧钢过程冲击振动信号的预处理方法。
背景技术
目前钢铁冶金行业在制造领域占有越来越重要的地位,而轧钢机械设备在钢铁冶金行业是常见的主机设备。轧机一般由驱动电机、齿轮机座、齿轮箱、主联轴器等组成,轧机工作环境复杂多变,一般具有变速、变载、变工况的工作特点,导致轧机设备较易出现各类机械故障,最终影响整条产线正常运行导致严重的经济损失。因此轧机的运行状态监测主要手段为振动监测,轧机天然工作特性使其在轧钢过程中出现冲击,振动传感器将会拾取到轧钢冲击,轧钢冲击的存在导致该组振动信号提取的信号特征难以表征设备真实运行状态,振动信号频谱也难以区分设备中的真实周期性成分和故障频谱成分。
发明内容
本发明的目的在于提供一种针对轧机轧钢过程冲击振动信号的预处理方法,以解决上述问题。
为实现上述目的,本发明采用以下技术方案:
一种针对轧机轧钢过程冲击振动信号的预处理方法,包括以下步骤:
步骤1,采集轧机设备零部件上的振动数据,从振动数据中提取振动异常因子特征;
步骤2,判断振动异常因子是否大于等于限定阈值,若满足大于等于条件,则该组振动波形数据受轧机轧钢冲击影响,需将数据过滤删除;反之,则该组振动波形数据正常,无需过滤,需保留。
进一步的,步骤1中,需检测的振动数据来源于轧机设备关键零部件上安装的振动传感器所采集的振动信号;其中轧机设备关键零部件主要有轴承、减速箱齿轮;采集的振动信号包括:速度信号、加速度信号,采集到的振动信号记为vib。
进一步的,提取振动数据对应的振动异常因子特征步骤如下:
1)初始化振动异常因子anmfactor为0;
2)对振动数据所有元素取绝对值,通过取绝对值,将振动波形向上翻折至非负方向,将有利于处理振动数据正负方向不完全对称的数据,同时为计算异常因子做好预处理工作;
3)将振动数据vib规范化处理至0-10区间;规范化处理至0-10区间是后续向上取整数的预处理步骤;
4)将振动波形数据均分为K份,计算每一份数据的最大值,最终将所有计算得到的最大值组成峰值序列pkarr;
5)对pkarr所有元素向上取整得到整数峰值序列intpkarr;其中向上取整是针对包含小数的数值而言,具体为取大于该值最小的整数;
6)计算intpkarr数组的众数pkmode和最大值pkmax;
7)判断pkmax除以pkmode的结果是否大于异常阈值;若满足,则继续后续计算步骤;反之,则直接输出振动异常因子结果;异常阈值取值大于等于2,即表示振动信号中的最大值与信号的众数差异较大,倍数大于等于2;
8)获取intpkarr中所有大于pkmode的元素对应下标pkidxarr;
9)判断pkidxarr数组长度是否大于1,若大于1,则继续进入后续计算流程;反之,则将leaveonenum置0,并且直接进入步骤11计算异常因子;
10)计算pkidxarr差分序列中大于1的总数量leaveonenum,通过差分后计算大于1的数量可以分析pkidxarr中元素的连续程度;
11)计算异常因子并输出结果,计算公式如下:
进一步的,规范化处理至0-10区间计算方法为:
i=0,1,2,3,…n,i为vib数组的下标。
进一步的,其中K的取值限定范围为大于8。
进一步的,步骤2中限定阈值设定为1,即振动波形中存在单个冲击表示振动数据受到轧钢冲击影响。
与现有技术相比,本发明有以下技术效果:
本发明实现了轧钢过程冲击振动信号的过滤预处理。本发明通过从振动信号中提取异常因子特征,用以表征信号中包含的冲击波数量,进而通过冲击波数量甄别轧钢冲击与设备真实异常故障,以此将轧钢冲击的振动信号过滤预处理。本发明设计的异常因子指标准确有效的表征了信号中的冲击波数量,通过准确限定阈值可以有效的避免错误的预处理。本发明仅依赖采集的振动数据实现振动数据的预处理,无需依赖外部轧钢工艺参数,实现过程简单方便,同时具有通用性,可为振动后续的准确分析提供有效的预处理手段。
附图说明
图1一种针对轧机轧钢过程冲击振动信号的预处理方法整体流程图;
图2振动异常因子计算流程图;
图3某轧机采集振动信号异常因子计算过程及结果说明;
图4某轧机采集振动信号异常因子计算过程及结果说明;
图5某轧机采集振动信号异常因子计算过程及结果说明;
具体实施方式
以下结合附图对本发明进一步说明:
一种针对轧机轧钢过程冲击振动信号的预处理方法,包括以下步骤:
步骤一:从需预处理的振动波形数据中提取振动异常因子特征。
需检测的振动数据来源于轧机设备关键零部件上安装的振动传感器所采集的振动信号。其中轧机设备关键零部件主要有轴承、减速箱齿轮等;采集的振动信号包括:速度信号、加速度信号,采集到的振动信号记为vib。
提取振动数据对应的振动异常因子特征步骤如下:
1)初始化振动异常因子anmfactor为0。
2)对振动数据所有元素取绝对值,通过取绝对值,将振动波形向上翻折至非负方向,将有利于处理振动数据正负方向不完全对称的数据,同时为计算异常因子做好预处理工作。
3)将振动数据vib规范化处理至0-10区间。规范化处理至0-10区间是后续向上取整数的预处理步骤,可有效的将不同范围数据规范化,使本发明在不同量纲的数据下都具备通用性。
规范化处理至0-10区间计算方法为:
(i=0,1,2,3,…n,i为vib数组的下标)
4)将振动波形数据均分为K份,计算每一份数据的最大值,最终将所有计算得到的最大值组成峰值序列pkarr。
5)对pkarr所有元素向上取整得到整数峰值序列intpkarr。其中向上取整是针对包含小数的数值而言,具体为取大于该值最小的整数,如1.2向上取整为2、3.6向上取整为4。
6)计算intpkarr数组的众数pkmode和最大值pkmax。
7)判断pkmax除以pkmode的结果是否大于异常阈值。若满足,则继续后续计算步骤;反之,则直接输出振动异常因子结果。异常阈值取值一般大于等于2,即表示振动信号中的最大值与信号的众数差异较大,倍数大于等于2。
8)获取intpkarr中所有大于pkmode的元素对应下标pkidxarr。
9)判断pkidxarr数组长度是否大于1,若大于1,则继续进入后续计算流程;反之,则将leaveonenum置0,并且直接进入步骤11计算异常因子。
10)计算pkidxarr差分序列中大于1的总数量leaveonenum,通过差分后计算大于1的数量可以分析pkidxarr中元素的连续程度。
11)计算异常因子并输出结果,计算公式如下:
步骤二:判断振动异常因子是否大于等于限定阈值。若满足大于等于条件,则该组振动波形数据受轧机轧钢冲击影响,需将数据过滤删除;反之,则该组振动波形数据正常,无需过滤,需保留。
其中限定阈值设定为1,即振动波形中存在单个冲击表示振动数据受到轧钢冲击影响,这符合现场轧钢冲击的出现频率。限定阈值为1,可以有效避免因设备故障引发多个冲击导致错误的数据预处理。
参阅附图1。图1为一种针对轧机轧钢过程冲击振动信号的预处理方法整体流程。从振动波形数据中提取振动异常因子特征,判断异常因子是否超过限定阈值,若超过限定阈值,则表示该振动信号受轧钢冲击影响,需要过滤预处理;反之,则表示该振动信号不受轧钢冲击影响,无需过滤。
参阅附图2。图2为振动异常因子计算流程。具体计算步骤如下:
1)初始化振动异常因子anmfactor为0。
2)对振动数据所有元素取绝对值,通过取绝对值,将振动波形向上翻折至非负方向,将有利于处理振动数据正负方向不完全对称的数据。
3)将振动数据vib规范化处理至0-10区间。规范化处理至0-10区间是后续向上取整数的预处理步骤,可有效的将不同范围数据规范化,使本发明在不同量纲的数据下都具备通用性。
4)将振动波形数据均分为K份,计算每一份数据的最大值,最终将所有计算得到的最大值组成峰值序列pkarr。
5)对pkarr所有元素向上取整得到整数峰值序列intpkarr。
6)计算intpkarr数组的众数pkmode和最大值pkmax。
7)判断pkmax除以pkmode的结果是否大于异常阈值。若满足,则继续后续计算步骤;反之,则直接输出振动异常因子结果anmfactor。
8)获取intpkarr中所有大于pkmode的元素对应下标pkidxarr。
9)判断pkidxarr数组长度是否大于1,若大于1,则继续进入后续计算流程;反之,则将leaveonenum置0,并且直接进入步骤11计算异常因子。
10)计算pkidxarr差分序列中大于1的总数量leaveonenum,通过差分后计算大于1的数量可以分析pkidxarr中元素的连续程度。
11)计算异常因子anmfactor并输出结果。
参阅附图3。图3为某轧机采集振动信号异常因子计算过程及结果说明。图中左侧为振动原始波形数据,右侧为取绝对值后、并进行规范化处理的振动数据。该振动信号均分为10份,每一份向上取整结果在图中以带点横线显示,图中可看到整数峰值序列的众数为9。由于最大值10与9的比值不超过2,所以计算的振动异常因子结果为0,同时该组振动波形数据无需被过滤,由振动波形图可知预处理结果准确。
参阅附图4。图4为某轧机采集振动信号异常因子计算过程及结果说明。图中左侧为振动原始波形数据,右侧为取绝对值后、并进行规范化处理的振动数据。该振动信号均分为10份,每一份向上取整结果在图中以带点横线显示,图中可看到整数峰值序列的众数为2。最大值10与2的比值超过2,所以计算超过2的整数峰值对应的下标得到【3,9】,该数组有两个元素,同时该数组差分值为6,满足大于1,因此leaveonenum为1,最终计算的异常因子结果为:1/(1+1)=0.5。异常因子结果小于1,该组振动波形数据无需被过滤,由振动波形图可知预处理结果准确,原因在于该组振动数据对应的两个冲击波并非因轧钢导致的冲击。
参阅附图5。图5为某轧机采集振动信号异常因子计算过程及结果说明。图中左侧为振动原始波形数据,右侧为取绝对值后、并进行规范化处理的振动数据。该振动信号均分为10份,每一份向上取整结果在图中以带点横线显示,图中可看到整数峰值序列的众数为1。最大值10与1的比值超过2,所以计算超过1的整数峰值对应的下标得到【0】,该数组只有一个元素因此leaveonenum为0,最终计算的异常因子结果为:1/(0+1)=1。异常因子结果等于1,该组振动波形数据需过滤,由振动波形图可知预处理结果准确,该组振动数据对应轧钢冲击数据。
Claims (6)
1.一种针对轧机轧钢过程冲击振动信号的预处理方法,其特征在于,包括以下步骤:
步骤1,采集轧机设备零部件上的振动数据,从振动数据中提取振动异常因子特征;
步骤2,判断振动异常因子是否大于等于限定阈值,若满足大于等于条件,则该组振动波形数据受轧机轧钢冲击影响,需将数据过滤删除;反之,则该组振动波形数据正常,无需过滤,需保留。
2.根据权利要求1所述的一种针对轧机轧钢过程冲击振动信号的预处理方法,其特征在于,步骤1中,需检测的振动数据来源于轧机设备关键零部件上安装的振动传感器所采集的振动信号;其中轧机设备关键零部件主要有轴承、减速箱齿轮;采集的振动信号包括:速度信号、加速度信号,采集到的振动信号记为vib。
3.根据权利要求1所述的一种针对轧机轧钢过程冲击振动信号的预处理方法,其特征在于,提取振动数据对应的振动异常因子特征步骤如下:
1)初始化振动异常因子anmfactor为0;
2)对振动数据所有元素取绝对值,通过取绝对值,将振动波形向上翻折至非负方向,将有利于处理振动数据正负方向不完全对称的数据,同时为计算异常因子做好预处理工作;
3)将振动数据vib规范化处理至0-10区间;规范化处理至0-10区间是后续向上取整数的预处理步骤;
4)将振动波形数据均分为K份,计算每一份数据的最大值,最终将所有计算得到的最大值组成峰值序列pkarr;
5)对pkarr所有元素向上取整得到整数峰值序列intpkarr;其中向上取整是针对包含小数的数值而言,具体为取大于该值最小的整数;
6)计算intpkarr数组的众数pkmode和最大值pkmax;
7)判断pkmax除以pkmode的结果是否大于异常阈值;若满足,则继续后续计算步骤;反之,则直接输出振动异常因子结果;异常阈值取值大于等于2,即表示振动信号中的最大值与信号的众数差异较大,倍数大于等于2;
8)获取intpkarr中所有大于pkmode的元素对应下标pkidxarr;
9)判断pkidxarr数组长度是否大于1,若大于1,则继续进入后续计算流程;反之,则将leaveonenum置0,并且直接进入步骤11计算异常因子;
10)计算pkidxarr差分序列中大于1的总数量leaveonenum,通过差分后计算大于1的数量可以分析pkidxarr中元素的连续程度;
11)计算异常因子并输出结果,计算公式如下:
5.根据权利要求3所述的一种针对轧机轧钢过程冲击振动信号的预处理方法,其特征在于,其中K的取值限定范围为大于8。
6.根据权利要求1所述的一种针对轧机轧钢过程冲击振动信号的预处理方法,其特征在于,步骤2中限定阈值设定为1,即振动波形中存在单个冲击表示振动数据受到轧钢冲击影响。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011297664.0A CN112528753A (zh) | 2020-11-18 | 2020-11-18 | 一种针对轧机轧钢过程冲击振动信号的预处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011297664.0A CN112528753A (zh) | 2020-11-18 | 2020-11-18 | 一种针对轧机轧钢过程冲击振动信号的预处理方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112528753A true CN112528753A (zh) | 2021-03-19 |
Family
ID=74981236
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011297664.0A Pending CN112528753A (zh) | 2020-11-18 | 2020-11-18 | 一种针对轧机轧钢过程冲击振动信号的预处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112528753A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113804388A (zh) * | 2021-09-15 | 2021-12-17 | 西安因联信息科技有限公司 | 基于时域分析的机械设备旋转冲击故障检测方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101947642A (zh) * | 2010-09-14 | 2011-01-19 | 浙江工业大学 | 一种面向振动式钢包下渣检测的嵌入式数据采集系统 |
CN102798798A (zh) * | 2012-08-07 | 2012-11-28 | 浙江大学 | 一种基于振动分析的电力变压器绕组变形检测方法 |
CN103424183A (zh) * | 2013-08-06 | 2013-12-04 | 常州大学 | 机械振动信号检测异常干扰消除方法 |
CN105738136A (zh) * | 2016-01-27 | 2016-07-06 | 安徽容知日新信息技术有限公司 | 一种设备异常检测方法和装置 |
CN105865617A (zh) * | 2016-03-31 | 2016-08-17 | 浙江工业大学 | 一种自由汇流旋涡冲击监测系统 |
JP2017090452A (ja) * | 2016-11-02 | 2017-05-25 | 株式会社アミテック | 振動特性判別器 |
CN111318576A (zh) * | 2020-03-04 | 2020-06-23 | 西安因联信息科技有限公司 | 一种基于工况信号触发的咬钢冲击数据滤除方法 |
-
2020
- 2020-11-18 CN CN202011297664.0A patent/CN112528753A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101947642A (zh) * | 2010-09-14 | 2011-01-19 | 浙江工业大学 | 一种面向振动式钢包下渣检测的嵌入式数据采集系统 |
CN102798798A (zh) * | 2012-08-07 | 2012-11-28 | 浙江大学 | 一种基于振动分析的电力变压器绕组变形检测方法 |
CN103424183A (zh) * | 2013-08-06 | 2013-12-04 | 常州大学 | 机械振动信号检测异常干扰消除方法 |
CN105738136A (zh) * | 2016-01-27 | 2016-07-06 | 安徽容知日新信息技术有限公司 | 一种设备异常检测方法和装置 |
CN105865617A (zh) * | 2016-03-31 | 2016-08-17 | 浙江工业大学 | 一种自由汇流旋涡冲击监测系统 |
JP2017090452A (ja) * | 2016-11-02 | 2017-05-25 | 株式会社アミテック | 振動特性判別器 |
CN111318576A (zh) * | 2020-03-04 | 2020-06-23 | 西安因联信息科技有限公司 | 一种基于工况信号触发的咬钢冲击数据滤除方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113804388A (zh) * | 2021-09-15 | 2021-12-17 | 西安因联信息科技有限公司 | 基于时域分析的机械设备旋转冲击故障检测方法及系统 |
CN113804388B (zh) * | 2021-09-15 | 2024-04-02 | 西安因联信息科技有限公司 | 基于时域分析的机械设备旋转冲击故障检测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111947928B (zh) | 一种多源信息融合的轴承故障预测系统及方法 | |
CN110108431B (zh) | 一种基于机器学习分类算法的机械设备故障诊断方法 | |
CN102765010B (zh) | 刀具破磨损状态检测方法及其检测系统 | |
CN111209934B (zh) | 风机故障预报警方法及系统 | |
CN111678699B (zh) | 一种面向滚动轴承早期故障监测与诊断方法及系统 | |
CN109405889B (zh) | 用于掘进机工作臂减速器故障预测的系统与方法 | |
CN113532848A (zh) | 一种行星齿轮箱故障诊断系统 | |
CN112633781B (zh) | 一种基于车联网大数据的车辆能耗评价方法 | |
CN107229269A (zh) | 一种深度信念网络的风力发电机齿轮箱故障诊断方法 | |
CN113391207A (zh) | 一种电机故障的检测方法、介质及系统 | |
CN116685967A (zh) | 用于识别机械装置或机械部件中的异常的方法及装置 | |
CN112528753A (zh) | 一种针对轧机轧钢过程冲击振动信号的预处理方法 | |
CN112720071B (zh) | 多能域信号智能化融合的刀具实时状态监测指标构造方法 | |
CN113283028A (zh) | 一种齿轮箱齿轮故障诊断方法 | |
CN112177865A (zh) | 一种用于解决风机故障检测中标记噪音和标记不足的方法 | |
CN116773234A (zh) | 一种磨煤机故障监测系统 | |
CN116380468A (zh) | 一种智慧码头用故障检测系统及搭建方法 | |
CN112525337B (zh) | 一种针对机械压力机振动监测数据预处理方法 | |
CN115310497A (zh) | 用于数控机床轴承的异常识别方法 | |
CN115186707A (zh) | 一种简易齿轮箱故障检测方法 | |
CN114742093A (zh) | 基于时频曲线提取和分类的滚动轴承故障诊断方法及装置 | |
CN114184375A (zh) | 齿轮箱常见故障智能诊断方法 | |
Zhao et al. | Health indicator selection and health assessment of rolling element bearing | |
CN116056443B (zh) | 一种基于5g通信的smt贴片故障诊断系统 | |
CN112364762B (zh) | 一种基于阶梯误差频谱特征的机械传动故障检测方法 |
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 |