CN112541430B - 一种温度信号与噪声信号融合的故障诊断方法 - Google Patents

一种温度信号与噪声信号融合的故障诊断方法 Download PDF

Info

Publication number
CN112541430B
CN112541430B CN202011452515.7A CN202011452515A CN112541430B CN 112541430 B CN112541430 B CN 112541430B CN 202011452515 A CN202011452515 A CN 202011452515A CN 112541430 B CN112541430 B CN 112541430B
Authority
CN
China
Prior art keywords
signal
temperature
noise
fault
time domain
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.)
Active
Application number
CN202011452515.7A
Other languages
English (en)
Other versions
CN112541430A (zh
Inventor
朱冬
朱丹
张琨
殷勤
史明红
邱绍峰
周明翔
刘辉
张俊岭
彭方进
游鹏辉
应颖
陈情
李晓聃
魏璇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Railway Siyuan Survey and Design Group Co Ltd
Original Assignee
China Railway Siyuan Survey and Design Group Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Railway Siyuan Survey and Design Group Co Ltd filed Critical China Railway Siyuan Survey and Design Group Co Ltd
Priority to CN202011452515.7A priority Critical patent/CN112541430B/zh
Publication of CN112541430A publication Critical patent/CN112541430A/zh
Application granted granted Critical
Publication of CN112541430B publication Critical patent/CN112541430B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F2218/12—Classification; Matching
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24137—Distances to cluster centroïds
    • G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • 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
    • Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
    • Y02B50/00—Energy efficient technologies in elevators, escalators and moving walkways, e.g. energy saving or recuperation technologies

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Signal Processing (AREA)
  • Escalators And Moving Walkways (AREA)
  • Investigating Or Analyzing Materials Using Thermal Means (AREA)

Abstract

本发明公开了一种温度信号与噪声信号融合的故障诊断方法，对获得的信号进行预处理，在时域范围内，拟合噪声信号与温度信号之间的非线性函数关系，在频域信号处理领域，将采集来温度信号与噪声信号分别进行小波包分解，通过阈值降噪，在对重构后的两个窄带信号进行EMD分解，计算每一个IMF分量的能量值，并进行归一化处理，组成特征向量，结合噪声温度曲线残差故障特征、噪声信号特征向量以及温度信号特征向量三个方面获得的故障特征，基于BP神经网络与遗传算法进行故障类型识别，按照本发明实现的方法，通过多个传感器监测建立自动扶梯的全寿命周期，高效精确的故障诊断，保障了自动扶梯安全可靠的运行，提高了维修效率，降低了自动扶梯维修成本。

Description

一种温度信号与噪声信号融合的故障诊断方法
技术领域
本发明属于信号处理领域，特别是涉及一种温度信号与噪声信号融合的故障诊断方法。
背景技术
目前，自动扶梯通常采用周期修或者故障修，而现有的电扶梯故障在线检测和诊断系统，通常只是单一维度诊断，设置固定阈值起到故障报警作用，不能准确定位故障类型与位置，从而造成不能及早排除自动扶梯故障，降低了自动扶梯的安全性和使用寿命。
例如现有技术专利CN201811587775公开了一种自动扶梯诊断装置以及自动扶梯诊断方法，其中公开了对来自在导轨的主面上检测在导轨产生的形变检测部的输出信号进行处理，当输出信号异常时判定为在梯级驱动部产生异常；及外部输出部，当在梯级驱动部产生异常时，将在梯级驱动部产生异常这一情况输出至外部，信号处理部将保养检修时的输出信号与基准值进行比较，当二者存在预先设定的阈值以上的偏离的情况下，判定为在车轮产生异常。
专利CN201320349378公开了一种自动扶梯和自动人行道故障诊断与报警装置，通过有线或者无线Wi-Fi的方式实时传输设备的上下行、停止、火警、故障和故障代码等信息到网络平台，CPU处理模块还设置有GSM手机SIM卡接口，通过短消息向预先设定的维保人员或单位的手机发送故障或火警信息。
专利CN201720945234公开了一种自诊断自动扶梯，本申请提供一种自诊断自动扶梯，包括传感器模块，传感器模块中的各传感器设置于所述自动扶梯的各安全部位，用于接收并记录所述自动扶梯的运行数据，根据所述运行数据，确定是否生成报警信号，并将所述报警信号发送至控制中心。
由以上现有技术公开的技术内容来看，针对自动扶梯的故障诊断方法，公开了采用传感器进行监测处理以及异常判断报警显示等的技术，但是上述技术中系统化及对自动扶梯的多维度化故障采集及诊断并未涉及，单一的形变指标、安全部位设置式的传感器检测方式并不能提供精准多维的运行及故障信息。
发明内容
针对现有技术的以上缺陷或改进需求，本发明提供了一种温度信号与噪声信号融合的故障诊断方法，可以通过在自动扶梯上安装多个传感器监测扶梯的运行状态建立起电梯的全寿命周期，高效精确的诊断自动扶梯故障，保障了自动扶梯安全可靠的运行，提高了维修效率，降低了自动扶梯维修成本。
为实现上述目的，按照本发明，提供一种温度信号与噪声信号融合方法，其特征在于，上述方法包括如下步骤：
获取至少一路噪声信号及至少一路温度信号，所述噪声信号及所述温度信号来自对同一对象的监测；
对所述温度信号进行处理，获得温度时域特征信号及温度频域特征信号；
对所述噪声信号进行处理，获得噪声时域特征信号及噪声频域特征信号；
基于所述温度时域特征信号及所述噪声时域特征信号获取拟合曲线；
分别基于所述温度频域特征信号及所述噪声频域特征信号生成温度信号特征向量及噪声信号特征向量；
基于所述温度信号特征向量、所述噪声信号特征向量及所述拟合曲线经过计算判断获知故障类型。
进一步地，所述拟合曲线的获取方法为：获取所述温度时域特征信号及所述噪声时域特征信号之间的函数关系，与正常工作状态下的标准拟合曲线进行比较，获取曲线之间的残差。
进一步地，所述温度信号特征向量及所述噪声信号特征向量的生成方法为：
基于所述温度时域特征信号及所述噪声时域特征信号分别进行小波包分解及阈值降噪，之后进行EMD分解，计算IMF分量分能量值，归一化处理后生成特征向量。
进一步地，求取所述拟合曲线与标准拟合曲线之间的拟合度指标。
进一步地，基于所述温度信号特征向量、所述噪声信号特征向量及所述拟合曲线、标准拟合曲线，拟合度指标生成故障数据库，并不断依据实时采集的数据自学习更新。
进一步地，基于所述故障数据库指标生成故障阈值走廊及预警阈值走廊，并依据阈值的分级生成预防性检修或维修策略。
进一步地，所述拟合度指标的计算方法为：
v＝∑(y-y*)
Figure BDA0002831930900000021
其中y*为历史正常工作状态下的标准拟合曲线函数；y为实际测得的所述温度时域特征信号及所述噪声时域特征信号之间的非线性函数。
进一步地，所述噪声信号为一路噪声信号，来自于对所述对象的自身振动信号监测；所述温度信号为两路信号，一路来自于对所述对象自身温度监测，一路来自于对所述对象的工作环境温度监测。
进一步地，所述温度信号与噪声信号融合方法应用于整体自动扶梯监测，在所述自动扶梯上建立划分信号监测区域并建立监测坐标系，一个监测区域设置所述一路噪声信号及所述两路温度信号的监测。
进一步地，基于所述信号监测区域生成所述整体自动扶梯的预防性检修或维修策略或故障定位及识别。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，具有以下有益效果：
通过在自动扶梯关键部件上安装噪声传感器与温度传感器采集噪声与温度信号，实时监测自动扶梯的运行状态，提取信号中的故障特征经遗传BP神经网络故障识别，根据不同监测区域所得到的故障信号可以准确定位故障位置，实现电扶梯重要部件的故障识别与定位。在信号未达到故障阈值时，设置故障阈值走廊，当信号达到阈值走廊内，提示相关责任人要对自动扶梯进行检修并给出相应的预警和预防性维修策略，其中阈值走廊分为故障阈值走廊和预警阈值走廊，两者为动态自学习调整，在故障阈值走廊范围内的预警指标和预警阈值走廊内的预警指标是不同的，通过多维信息的融合处理方便挖掘出更多故障特征及阈值分级的信息。通过在自动扶梯上安装多个传感器监测扶梯的运行状态建立起电梯的全寿命周期，高效精确的诊断扶梯故障，保障了自动扶梯安全可靠的运行，提高了维修效率，降低了自动扶梯维修成本。
附图说明
图1为按照本发明实现的基于温度信号和噪声信号融合进行自动扶梯故障诊断的流程示意图；
图2为按照本发明实现的温度信号与噪声信号的融合处理步骤示意图；
图3为按照本发明实现的故障识别处理的模块示意图；
图4为按照本发明实现的自动扶梯传感器布置的位置示意图。
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仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
本发明公开了一种温度信号与噪声信号融合的故障诊断方法，首先在自动扶梯上建立信号采集坐标系，划分监测区域，其中监测区域的划分可以是以组成关键构件及其某些关键位置和区域来进行划分，也可以是针对自动扶梯整体结构的空间划分，具体情况可依据实施情况来选定，基于以上监测区域，一个区域安装一组传感器，一组传感器分为2个温度传感器和一个噪声传感器，以上述组为单位多组传感器同时监测，覆盖整个自动扶梯，获得信号数据以及相应信号的坐标位置，或者对关键零部件进行单独信号监测也可，在各种传感器的设置中，通过定位模块的设置，或者是RFID等手段的标识，能够建立起反映传感器监测位置及相关坐标的详细信息，为后续的信息采集提供参考，作为一种实施例的优选方式，上述传感器的设置中，一组噪声信号安装于构件之上，对自身振动信号监测；两路温度信号的传感器一路设置于构件之上，对构件自身温度监测，一路设置于构件的环境温度上，来自于对构件的工作环境温度监测，如图4中的传感器布置位置示意图中所示。
目前自动扶梯的运行环境有室内和室外，外界环境对于构件温度的干扰很大，若只单独设置一个温度传感器监测构件温度时，外界环境温度的变化势必会影响传感器温度的检测值，导致温度信号与实际不符影响最终的故障判断；因此，基于实际应用中的监测需求，对温度信号的采集设置需要进行优化，但为系统的冗余性考虑，需要对温度采集的设置方式，以及故障信号来源的位置性等多维信息进行融合及关联处理，能够对故障类型和位置实现快速定位及识别。
本发明的主要手段为获取噪声信号及温度信号，对温度信号进行处理，获得温度时域特征信号及温度频域特征信号；对噪声信号进行处理，获得噪声时域特征信号及噪声频域特征信号；
基于温度时域特征信号及噪声时域特征信号获取拟合曲线；
分别基于温度频域特征信号及噪声频域特征信号生成温度信号特征向量及噪声信号特征向量；基于温度信号特征向量、噪声信号特征向量及拟合曲线经过算法获知当前监测对象的故障类型。基于上述方式，本发明率先提出一种温度和噪声信号对传感参数在进行故障诊断的处理方法，第一层面是检测方法和故障识别的融合，可以对每路的温度信号和噪声信号进行检测，当温度信号显示无故障时，进一步判断噪声信号，如若两者都无故障，则在时域情况下拟合温度和噪声的曲线故障比对，进一步挖掘多维信息提供预防性的诊断建议，第二层面，时域层面的温度信号为判断故障较为重要的指标数据，在多维信息处理和融合的角度下，增加信号处理的时序度和维度，能够显著提高故障识别定位的准确性和效率。
具体实施方式
本发明首先公开了一种基于自动扶梯故障诊断的温度信号与噪声信号融合方法，上述方法主要包括如下步骤，其中上述步骤的流程示意图如图1中所示，而在上述步骤过程中温度信号与噪声信号的融合处理步骤示意图如图2中所示：
STEP1：故障特征曲线拟合及特征向量生成；由所布置的温度传感器和加速度传感器采集温度与噪声信号，主要包括对监测得到的信号进行预处理，预处理过程主要包括如下步骤：
STEP1-1:经傅里叶变换把温度信号和噪声信号转换为时域信号和频域信号，在时域范围内，拟合噪声信号与温度信号之间的函数关系，并与历史正常工作状态下拟合的噪声与温度曲线进行曲线重合度评价，曲线之间残差作为故障特征；其中故障特征的类型包括有噪声温度曲线残差故障特征、噪声信号特征向量以及温度信号特征信号三种方式；
v＝∑(y-y*)
Figure BDA0002831930900000051
其中y*为历史正常工作状态下的曲线函数值；y为实际测得的噪声信号与温度信号之间的非线性函数值；v为两曲线之间残差值离散点的求和；FIT为两曲线之间拟合度指标，其中FIT计算中的西格玛求和为两个曲线函数离散值差平方和。
STEP1-2：将采集来温度信号与噪声信号分别进行小波包分解，通过阈值降噪，在对重构后的两个窄带信号进行EMD分解，两个窄带信号由高频至低频被分解为若干个频段，计算每一个IMF分量的能量值，并进行归一化处理，组成特征向量；
STEP2：结合得到的故障特征，基于BP神经网络与遗传算法进行故障类型识别，依据不同组传感器监测信号得到故障信号坐标位置，从而确定自动扶梯故障位置实现电扶梯的故障识别与定位，在其中的一些实施方式中，通过对上述自动扶梯的监测区域的立体化建模，可视化展示故障位置和类型，以及生成检修策略报告。
进一步地，每次得到新的故障特征时，动态更新自动扶梯故障数据库，与此同时故障数据存储系统根据已有故障数据进行自学习，不断完善故障数据存储系统，提高下一次的故障识别效率和准确性，在上述的故障数据库的积累中，除了对上述生成的温度信号特征向量、噪声信号特征向量及拟合曲线、标准拟合曲线，拟合度指标生成故障数据库，并且根据这些故障指标特征所指向的故障类型、位置特点、针对的构件型号、可能性维修策略，以及预防性的检修策略等进行累积和学习更新；
进一步地，为上述故障特征设置故障阈值，即在信号未达到故障阈值时，设置故障阈值走廊当信号达到故障阈值走廊内，提示相关责任人要对自动扶梯进行检修，提前做好维修策略，保障自动扶梯的安全运行，通过健康值历史数据与实际维修情况，基于故障数据中心BP神经网络自学习功能，设置相应的动态阈值走廊，分别为：相对安全状态阈值范围走廊，扶梯正常运行；存在维修隐患状态阈值范围走廊，列入重点监控组；存在维修故障状态阈值范围走廊，关键构件预防性维修；存在安全隐患阈值范围走廊，停止运行并进行全面维修。根据健康度模型计算得到健康值与健康值动态阈值走廊范围值比较，选择相对应的维修策略；
进一步地，对自动扶梯多个关键零部件进行故障诊断和监测，从而建立自动扶梯的全寿命周期。
进一步地，如图3中所示，为按照本发明实现地基于BP神经网络进行故障识别地示意图，输入层为振动、温度、拟合曲线差值的特征向量，输出层为识别出来的自动扶梯故障类型；其中，利用BP神经网络和遗传算法的途径来进行计算，主要是对含有故障特征向量的各类输入信息进行训练，有利于故障专家数据库的生成，进一步提高故障识别的精度。
本领域的技术人员容易理解，以上所述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 (6)

1.一种温度信号与噪声信号融合方法，其特征在于，上述方法包括如下步骤：
获取至少一路噪声信号及至少一路温度信号，所述噪声信号及所述温度信号来自对同一对象的监测；
对所述温度信号进行处理，获得温度时域特征信号及温度频域特征信号；
对所述噪声信号进行处理，获得噪声时域特征信号及噪声频域特征信号；
基于所述温度时域特征信号及所述噪声时域特征信号获取拟合曲线；
分别基于所述温度频域特征信号及所述噪声频域特征信号生成温度信号特征向量及噪声信号特征向量；
基于所述温度信号特征向量、所述噪声信号特征向量及所述拟合曲线计算判断获知故障类型，所述拟合曲线的获取方法为：获取所述温度时域特征信号及所述噪声时域特征信号之间的函数关系，与正常工作状态下的标准拟合曲线进行比较，获取曲线之间的残差，所述温度信号特征向量及所述噪声信号特征向量的生成方法为：
基于所述温度时域特征信号及所述噪声时域特征信号分别进行小波包分解及阈值降噪，之后进行EMD分解，计算IMF分量分能量值，归一化处理后生成特征向量，求取所述拟合曲线与标准拟合曲线之间的拟合度指标，基于所述温度信号特征向量、所述噪声信号特征向量及所述拟合曲线、标准拟合曲线，拟合度指标生成故障数据库，并不断依据实时采集的数据自学习更新。
2.如权利要求1中所述的温度信号与噪声信号融合方法，其特征在于，基于所述故障数据库指标生成故障阈值走廊及预警阈值走廊，并依据阈值的分级生成预防性检修或维修策略。
3.如权利要求2中所述的温度信号与噪声信号融合方法，其特征在于，所述拟合度指标的计算方法为：
v＝Σ(y-y*)
Figure FDA0003917543140000021
其中y＊为历史正常工作状态下的标准拟合曲线函数；y为实际测得的所述温度时域特征信号及所述噪声时域特征信号之间的非线性函数。
4.如权利要求1-3中任意一项中所述的温度信号与噪声信号融合方法，其特征在于，所述噪声信号为一路噪声信号，来自于对所述对象的自身振动信号监测；所述温度信号为两路信号，一路来自于对所述对象自身温度监测，一路来自于对所述对象的工作环境温度监测。
5.如权利要求4中所述的温度信号与噪声信号融合方法，其特征在于，所述温度信号与噪声信号融合方法应用于整体自动扶梯监测，在所述自动扶梯上建立划分信号监测区域并建立监测坐标系，一个监测区域设置所述一路噪声信号及所述两路温度信号的监测。
6.如权利要求5中所述的温度信号与噪声信号融合方法，其特征在于，基于所述信号监测区域生成所述整体自动扶梯的预防性检修或维修策略或故障定位及识别。
CN202011452515.7A 2020-12-12 2020-12-12 一种温度信号与噪声信号融合的故障诊断方法 Active CN112541430B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011452515.7A CN112541430B (zh) 2020-12-12 2020-12-12 一种温度信号与噪声信号融合的故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011452515.7A CN112541430B (zh) 2020-12-12 2020-12-12 一种温度信号与噪声信号融合的故障诊断方法

Publications (2)

Publication Number Publication Date
CN112541430A CN112541430A (zh) 2021-03-23
CN112541430B true CN112541430B (zh) 2023-02-28

Family

ID=75018388

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011452515.7A Active CN112541430B (zh) 2020-12-12 2020-12-12 一种温度信号与噪声信号融合的故障诊断方法

Country Status (1)

Country Link
CN (1) CN112541430B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113916281A (zh) * 2021-09-06 2022-01-11 广东电网有限责任公司广州供电局 配电室监测方法和系统
CN114238038B (zh) * 2022-03-01 2022-05-06 湖南云箭智能科技有限公司 一种板卡温度监控方法、装置、设备及可读存储介质
CN114735045B (zh) * 2022-06-14 2022-08-19 成都铁安科技有限责任公司 一种轮对检测设备的故障自诊断方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102183366A (zh) * 2011-03-08 2011-09-14 上海大学 滚动轴承振动测量和故障分析装置及方法
CN107273585A (zh) * 2017-05-25 2017-10-20 国网山东省电力公司青岛供电公司 一种有载分接开关故障检测方法及装置
CN107677472A (zh) * 2017-08-25 2018-02-09 中国矿业大学 面向网络变量筛选与特征熵融合的轴承状态噪声诊断算法
CN108318815A (zh) * 2018-01-17 2018-07-24 河海大学 一种双馈风力发电机在线监测及故障综合诊断方法
CN110937489A (zh) * 2019-11-15 2020-03-31 广东寰球智能科技有限公司 自动扶梯的在线故障监控预警方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102183366A (zh) * 2011-03-08 2011-09-14 上海大学 滚动轴承振动测量和故障分析装置及方法
CN107273585A (zh) * 2017-05-25 2017-10-20 国网山东省电力公司青岛供电公司 一种有载分接开关故障检测方法及装置
CN107677472A (zh) * 2017-08-25 2018-02-09 中国矿业大学 面向网络变量筛选与特征熵融合的轴承状态噪声诊断算法
CN108318815A (zh) * 2018-01-17 2018-07-24 河海大学 一种双馈风力发电机在线监测及故障综合诊断方法
CN110937489A (zh) * 2019-11-15 2020-03-31 广东寰球智能科技有限公司 自动扶梯的在线故障监控预警方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
基于多信息源的滚动轴承故障诊断方法与实验研究;温国强;《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》;20140715;第49-50页第6.1节，第51-56页第6.2.3节，第64页第6.5节 *
基于小波变换和曲线拟合法的柴油机故障诊断;周玉丰;《价值工程》;20110708(第19期);全文 *
曲线拟合法在工程机械发动机故障诊断中的应用;徐少丽;《内燃机与动力装置》;20070831;第7页摘要，第8页第2.1节 *

Also Published As

Publication number Publication date
CN112541430A (zh) 2021-03-23

Similar Documents

Publication Publication Date Title
CN112541430B (zh) 一种温度信号与噪声信号融合的故障诊断方法
CN112580153B (zh) 一种车辆走行部监测部件健康状态管理系统及方法
CN109001649B (zh) 一种电源智能诊断系统及保护方法
CN109186813B (zh) 一种温度传感器自检装置及方法
CN108460144B (zh) 一种基于机器学习的煤炭设备故障预警系统及方法
CN102633173B (zh) 一种电梯轿厢运行状态监测系统及方法
US20140365179A1 (en) Method and Apparatus for Detecting and Identifying Faults in a Process
CN108303264A (zh) 一种基于云的车辆故障诊断方法、装置及其系统
SA515360150B1 (ar) طريقة لتشخيص مكونات السكك الحديدية لشبكة سكة حديدية للنقل بالسكك الحديدية
RU2763414C1 (ru) Способ и устройство для диагностики и контроля транспортных средств, компонентов транспортных средств и путей движения
CN116105802B (zh) 一种基于物联网的地下设施安全监测预警方法
KR102102346B1 (ko) 함정설비의 상태기반 정비지원 시스템 및 방법
CN113177646B (zh) 一种基于自适应边缘代理的配电设备在线监测方法及系统
US20200156680A1 (en) Railway vehicle major component and system diagnosis apparatus
Krč et al. Neural network-based train identification in railway switches and crossings using accelerometer data
KR20220167008A (ko) 선박용 고장 예측진단 시스템 및 그 예측진단 방법
CN116380496B (zh) 一种汽车车门疲劳耐久测试方法、系统及介质
CN117423225A (zh) 一种基于高速铁路运行的灾害遥感预警系统
CN116562437A (zh) 轨道电路补偿电容故障预测方法和装置
CN115587978B (zh) 一种基于深度学习的地板革贴合压纹在线检测系统
RU2668487C2 (ru) Система информационной поддержки принятия управленческих решений для обслуживающего персонала судовой энергетической установки
CN214652927U (zh) 一种基于温度信号与噪声信号的监测系统
CN112918198A (zh) 一种tpms轮胎检测系统及方法
KR20230102431A (ko) 인공지능 기반의 오일가스 플랜트 설비 고장 예측 및 진단시스템
Asplund et al. Assessment of the data quality of wayside wheel profile measurements.

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