CN112686110A - 一种离心泵故障诊断方法、装置、设备及存储介质 - Google Patents
一种离心泵故障诊断方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN112686110A CN112686110A CN202011535575.5A CN202011535575A CN112686110A CN 112686110 A CN112686110 A CN 112686110A CN 202011535575 A CN202011535575 A CN 202011535575A CN 112686110 A CN112686110 A CN 112686110A
- Authority
- CN
- China
- Prior art keywords
- centrifugal pump
- fault
- sound signal
- sound signals
- sound
- 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
- 238000000034 method Methods 0.000 title claims abstract description 53
- 230000005236 sound signal Effects 0.000 claims abstract description 99
- 238000003745 diagnosis Methods 0.000 claims abstract description 34
- 238000013528 artificial neural network Methods 0.000 claims abstract description 18
- 238000007781 pre-processing Methods 0.000 claims abstract description 15
- 238000013135 deep learning Methods 0.000 claims abstract description 12
- 230000015654 memory Effects 0.000 claims description 15
- 238000013527 convolutional neural network Methods 0.000 claims description 12
- 102100032202 Cornulin Human genes 0.000 claims description 10
- 101000920981 Homo sapiens Cornulin Proteins 0.000 claims description 10
- 238000001514 detection method Methods 0.000 claims description 10
- 238000005070 sampling Methods 0.000 claims description 6
- 238000009432 framing Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 5
- 238000003672 processing method Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 4
- 238000012952 Resampling Methods 0.000 claims description 3
- 238000009434 installation Methods 0.000 claims description 2
- 230000037452 priming Effects 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 5
- 230000002457 bidirectional effect Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000037433 frameshift Effects 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Landscapes
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明涉及一种离心泵故障诊断方法、装置、设备及存储介质，方法包括：获取离心泵故障状态下和正常状态下的声音信号；对获取的声音信号进行预处理后，提取出所述声音信号的MFCC特征，将各个声音信号的MFCC特征作为训练集；采用深度学习的神经网络对所述训练集进行训练，得到故障识别模型；获取离心泵当前运行状态下的声音信号，将离心泵当前运行状态下的声音信号进行预处理后输入至所述故障识别模型中，判断出所述离心泵的当前故障类别。本发明解决了目前无法有效快速、低成本的进行离心泵的故障诊断的问题。
Description
技术领域
本发明涉及离心泵故障检测技术领域，尤其涉及一种离心泵故障诊断方法、装置、设备及存储介质。
背景技术
离心泵广泛应用于船舶、核电、水利机械中，在设备运行过程中，由于使用年限过长或操作不当，离心泵难免会发生故障，对整个系统造成很大的经济损失，甚至造成严重的安全隐患，这时对离心泵进行故障诊断就很有意义了。
当前，对离心泵运行过程中的故障诊断，通常采用以下两种方法：
方法1：基于振动信号的方法，一般采用接触式传感器采集离心泵运行时产生的振动信号作为分析依据，但是由于实际工况中，一方面泵组结构复杂，另一方面实际工况复杂，离心泵在系统中所处的位置附近机器繁多，空间狭小。无法使用振动传感器采集离心泵运行时的任意位置的振动信号。
方法2：基于模型的方法，对于大型旋转机械，通过监测包括温度、压力、电流、流量等物理量，将由系统的数学模型所得到的估计信息同实际监测得到的物理信息进行比较，通过分析残差进行故障诊断。但是基于模型的方法在旋转机械中应用较少，这主要因为对于复杂大型的旋转机械设备很难建立精准的数学模型。
此外上述两种方法实现起来比较复杂，需要很多传感器，成本较高，且不能实时快速的实现离心泵的故障诊断。
因此，如何实时、快速、方便、有效、成本低地对离心泵运行过程进行故障诊断是亟需解决的问题。
发明内容
有鉴于此，有必要提供一种离心泵故障诊断方法、装置、设备及存储介质，用以解决目前无法有效快速、低成本的进行离心泵的故障诊断的问题。
第一方面，本发明提供一种离心泵故障诊断方法，包括如下步骤：
获取离心泵故障状态下和正常状态下的声音信号；
对获取的声音信号进行预处理后，提取出所述声音信号的MFCC特征，将各个声音信号的MFCC特征作为训练集；
采用深度学习的神经网络对所述训练集进行训练，得到故障识别模型；
获取离心泵当前运行状态下的声音信号，将离心泵当前运行状态下的声音信号进行预处理后输入至所述故障识别模型中，判断出所述离心泵的当前故障类别。
优选的，所述的离心泵故障诊断方法中，所述离心泵的故障类别至少包括泵内或管路有杂物堵塞、转子与泵体摩擦、转子部分不平衡、地脚螺栓松动、泵抽空、叶轮中有异物、转子零件松动或破损、机械密封顺换或安装不当、轴承箱内油过少或太脏、吸入扬程过高或灌注高不够。
优选的，所述的离心泵故障诊断方法中，所述对获取的声音信号进行预处理后，提取出所述声音信号的MFCC特征，将各个声音信号的MFCC特征作为训练集的步骤具体包括：
按照预设的采样率对获取的声音信号进行重采样后，提取重采样的声音信号的MFCC特征，将特征提取后的声音信号作为训练集。
优选的，所述的离心泵故障诊断方法中，所述提取重采样的声音信号的MFCC特征的步骤具体包括：
采用预设的权重系数对重采样的声音信号进行预加重处理后，对预加重处理后的声音信号进行分帧处理；
采用窗函数对分帧处理后的声音信号进行加窗处理后，进行快速傅里叶变换；
采用梅尔滤波器组对傅里叶变换后的声音信号进行滤波，并经过离散余弦变换后，提取出MFCC特征。
优选的，所述的离心泵故障诊断方法中，所述深度学习的神经网络为CRNN神经网络，所述CRNN神经网络由CNN模块、RNN模块和FNN模块组成。
优选的，所述的离心泵故障诊断方法中，所述采用深度学习的神经网络对所述训练集进行训练，得到故障识别模型的步骤具体包括：
分别将所述训练集的各个声音信号的MFCC特征输入CNN模块中，以提取出高级特征后，将高级特征通过RNN模块进行编码后，输出至所述FNN模块中进行计算，以得到声音信号每一帧的检测结果，并将所述声音信号每一帧的检测结果与声音信号对应的故障类型对应，以得到故障识别模型。
优选的，所述的离心泵故障诊断方法还包括：
根据所述离心泵的当前故障类别给出对应的故障处理方法。
第二方面，本发明还提供一种离心泵故障诊断装置，包括：
信号获取模块，用于获取离心泵故障状态下和正常状态下的声音信号；
信号处理模块，用于对获取的声音信号进行预处理后，将预处理后的声音信号作为训练集；
模型建立模块，用于采用深度学习的神经网络对所述训练集进行训练，得到故障识别模型；
故障诊断模块，用于获取离心泵当前运行状态下的声音信号，将离心泵当前运行状态下的声音信号进行预处理后输入至所述故障识别模型中，判断出所述离心泵的当前故障类别。
第三方面，本发明还提供一种离心泵故障诊断设备，包括：处理器和存储器；
所述存储器上存储有可被所述处理器执行的计算机可读程序；
所述处理器执行所述计算机可读程序时实现如上所述的离心泵故障诊断方法中的步骤。
第四方面，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如上所述的离心泵故障诊断方法中的步骤。
相较于现有技术，本发明提供的离心泵故障诊断方法、装置、设备及存储介质，通过对各种故障类型产生时的声音信号进行训练学习，得出一个故障识别模型后，只需将声音信号输入故障识别模型中，即可快速得出离心泵的故障类型，简单方便，实时有效，而且成本较低。
附图说明
图1为本发明提供的离心泵故障诊断方法的一较佳实施例的流程图；
图2为CRNN识别检测声音的流程图；
图3为BILSTM结构示意图；
图4为本发明离心泵故障诊断程序的较佳实施例的运行环境示意图。
具体实施方式
下面结合附图来具体描述本发明的优选实施例，其中，附图构成本申请一部分，并与本发明的实施例一起用于阐释本发明的原理，并非用于限定本发明的范围。
请参阅图1，本发明实施例提供的离心泵故障诊断方法，包括如下步骤：
S100、获取离心泵故障状态下和正常状态下的声音信号。
本实施例中，所述离心泵的常见故障有很多，例如泵内或管路有杂物堵塞、转子与泵体摩擦、转子部分不平衡、地脚螺栓松动、泵抽空、叶轮中有异物、转子零件松动或破损、机械密封顺换或安装不当、轴承箱内油过少或太脏、吸入扬程过高或灌注高不够等等，由于每一种故障发生时，离心泵的运行声音都会有差异，故本发明通过识别声音信号来进行离心泵的故障诊断。其中，声音信号的采样精度为24Bit，信号的采样率为64KHz，声音的存储格式wav。每段音频长度为10s。
S200、对获取的声音信号进行预处理后，提取出所述声音信号的MFCC特征，将各个声音信号的MFCC特征作为训练集。
本实施例中，为了保证声音信号识别和训练的精度，在获取了声音信号后，还需要对声音信号进行预处理。具体的，所述步骤S200具体包括：
按照预设的采样率对获取的声音信号进行重采样后，提取重采样的声音信号的MFCC特征，将特征提取后的声音信号作为训练集。
本实施例中，预设的采样率为16000HZ，所述提取重采样的声音信号的MFCC特征的步骤具体包括：
采用预设的权重系数对重采样的声音信号进行预加重处理后，对预加重处理后的声音信号进行分帧处理；
采用窗函数对分帧处理后的声音信号进行加窗处理后，进行快速傅里叶变换；
采用梅尔滤波器组对傅里叶变换后的声音信号进行滤波，并经过离散余弦变换后，提取出MFCC特征。
具体实施时，获取了声音信号后，依次对声音信号进行预加重、分帧、加窗、快速傅里叶变换、梅尔滤波器组滤波、对数能量和离散余弦变换后，提取出MFCC特征，其中，预加重权重系数为0.97，分帧时帧长为0.064秒，帧移为0.0415秒，两帧之间重叠0.0225秒。窗函数为汉明窗，窗口长度为1024，FFT的点数为1024，梅尔滤波器组滤波器的个数为64，梅尔滤波器组的最低频率为0，最高频率为8000，DCT的阶数为64。
通过特征提取，一个时长为10秒的音频将分为240帧，并且每一帧提取到64维的MFCC特征。而对于时长不足10秒的音频，通过对特征填补0值的方式将该音频的特征补齐。
S300、采用深度学习的神经网络对所述训练集进行训练，得到故障识别模型。
所有声音信号经过特征提取后，得到的特征集用来训练故障识别模型，本发明中深度学习的神经网络为CRNN神经网络，CRNN神经网络包括CNN模块、RNN模块和FNN模块三个主要部分，故所述步骤S300具体包括：
分别将所述训练集的各个声音信号的MFCC特征输入CNN模块中，以提取出高级特征后，将高级特征通过RNN模块进行编码后，输出至所述FNN模块中进行计算，以得到声音信号每一帧的检测结果，并将所述声音信号每一帧的检测结果与声音信号对应的故障类型对应，以得到故障识别模型。
具体来说，请参阅图2，CRNN模型是一个端到端的神经网络模型，首先将音频的时频图特征输入进模型，通过CNN部分提取高级特征，将高级特征继续通过RNN部分，最终将RNN每一时刻的输出通过FNN得到音频每一帧的检测结果。根据检测结果计算音频的识别结果。具体计算流程为：
X＝CNN(I)，
其中I为时频图特征，X为时频图经过CNN后得到的高级特征。得到X后，将其输入进RNN部分，得到RNN的输出H：
H＝RNN(X)，
其中H＝[h1，h2，...，hT]，T为RNN序列长度，hi为RNN在第i个时刻的输出。最后将H通过FNN进行分类得到预测结果P：
P＝FNN(H)，
其中P＝[p1，p2，...，pT]，P中元素pi是hi通过FNN后的输出，pi是一个C维的向量，C为分类的类别总数。
CNN是CRNN模型的第一部分，也是整个模型中最重要的一部分，CNN的输出将会影响到后续的RNN和FNN，CNN部分的输入为音频的二维时频图特征，时频图特征包含T轴和F轴，T轴代表帧的维度，而F轴则是代表相应帧的能量特征。
CRNN模型的RNN部分主要作用是对声音进行检测，本发明使用的RNN是双向短时记忆(Bidirectional Long Short-Term Memory，BILSTM)网络，BILSTM网络是LSTM网络的改进版本，相比于LSTM网络多了一层反向传播的LSTM单元。BILSTM的结构图如图3所示。
声音信号在每一时刻都会与前后一段时间的声音有关系，LSTM网络在某一时刻只能考虑到当前时刻之前的信息，而不能充分考虑声音在该时刻的上下文信息，这种模型是有偏的。而BILSTM网络是双向传播的，数据在BILSTM网络中不仅可以从前往后传播，还可以从后往前传播，这样BILSTM网络每一时刻的数据均可与前后时刻的数据建立联系，能较好的解决LSTM网络的有偏性，从而更充分的利用特征。由于BILSTM网络比LSTM网络多了一层反向传播LSTM单元，所以BILSTM网络模型的参数比LSTM网络模型要多。
S400、获取离心泵当前运行状态下的声音信号，将离心泵当前运行状态下的声音信号进行预处理后输入至所述故障识别模型中，判断出所述离心泵的当前故障类别。
具体来说，在进行声音信号获取时，可将柔性可伸缩探头式麦克风放置到离心泵所在位置周围，收集正在运行中的离心泵发出的声音信号，收集的音频长度为10s。获取了声音信号后，再进行预处理提取出MFCC特征后，直接输入故障识别模型，即可直接判断出所述离心泵的当前故障类别。
优选的，所述步骤S400之后还包括：
根据所述离心泵的当前故障类别给出对应的故障处理方法。
具体的，如下表所示，不同的故障类别预先设置有不同的故障处理方法，工作人员可参考故障处理方法来进行故障处理，给工作人员提供便利。
基于上述离心泵故障诊断方法，本发明还相应的提供一种离心泵故障诊断装置，包括：
信号获取模块，用于获取离心泵故障状态下和正常状态下的声音信号；
信号处理模块，用于对获取的声音信号进行预处理后，将预处理后的声音信号作为训练集；
模型建立模块，用于采用深度学习的神经网络对所述训练集进行训练，得到故障识别模型；
故障诊断模块，用于获取离心泵当前运行状态下的声音信号，将离心泵当前运行状态下的声音信号进行预处理后输入至所述故障识别模型中，判断出所述离心泵的当前故障类别。
由于上文已对离心泵故障诊断方法进行详细描述，在此不再赘述。
如图4所示，基于上述离心泵故障诊断方法，本发明还相应提供了一种离心泵故障诊断设备，所述离心泵故障诊断设备可以是移动终端、桌上型计算机、笔记本、掌上电脑及服务器等计算设备。该离心泵故障诊断设备包括处理器10、存储器20及显示器30。图4仅示出了离心泵故障诊断设备的部分组件，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。
所述存储器20在一些实施例中可以是所述离心泵故障诊断设备的内部存储单元，例如离心泵故障诊断设备的硬盘或内存。所述存储器20在另一些实施例中也可以是所述离心泵故障诊断设备的外部存储设备，例如所述离心泵故障诊断设备上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(FlashCard)等。进一步地，所述存储器20还可以既包括离心泵故障诊断设备的内部存储单元也包括外部存储设备。所述存储器20用于存储安装于所述离心泵故障诊断设备的应用软件及各类数据，例如所述安装离心泵故障诊断设备的程序代码等。所述存储器20还可以用于暂时地存储已经输出或者将要输出的数据。在一实施例中，存储器20上存储有离心泵故障诊断程序40，该离心泵故障诊断程序40可被处理器10所执行，从而实现本申请各实施例的离心泵故障诊断方法。
所述处理器10在一些实施例中可以是一中央处理器(Central Processing Unit,CPU)，微处理器或其他数据处理芯片，用于运行所述存储器20中存储的程序代码或处理数据，例如执行所述离心泵故障诊断方法等。
所述显示器30在一些实施例中可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。所述显示器30用于显示在所述离心泵故障诊断设备的信息以及用于显示可视化的用户界面。所述离心泵故障诊断设备的部件10-30通过系统总线相互通信。
在一实施例中，当处理器10执行所述存储器20中离心泵故障诊断程序40时实现如上述实施例所述的离心泵故障诊断方法中的步骤，由于上文已对离心泵故障诊断方法进行详细描述，在此不再赘述。
综上所述，本发明提供的离心泵故障诊断方法、装置、设备及存储介质，通过对各种故障类型产生时的声音信号进行训练学习，得出一个故障识别模型后，只需将声音信号输入故障识别模型中，即可快速得出离心泵的故障类型，简单方便，实时有效，而且成本较低。
当然，本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关硬件(如处理器，控制器等)来完成，所述的程序可存储于一计算机可读取的存储介质中，该程序在执行时可包括如上述各方法实施例的流程。其中所述的存储介质可为存储器、磁碟、光盘等。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种离心泵故障诊断方法，其特征在于，包括如下步骤：
获取离心泵故障状态下和正常状态下的声音信号；
对获取的声音信号进行预处理后，提取出所述声音信号的MFCC特征，将各个声音信号的MFCC特征作为训练集；
采用深度学习的神经网络对所述训练集进行训练，得到故障识别模型；
获取离心泵当前运行状态下的声音信号，将离心泵当前运行状态下的声音信号进行预处理后输入至所述故障识别模型中，判断出所述离心泵的当前故障类别。
2.根据权利要求1所述的离心泵故障诊断方法，其特征在于，所述离心泵的故障类别至少包括泵内或管路有杂物堵塞、转子与泵体摩擦、转子部分不平衡、地脚螺栓松动、泵抽空、叶轮中有异物、转子零件松动或破损、机械密封顺换或安装不当、轴承箱内油过少或太脏、吸入扬程过高或灌注高不够。
3.根据权利要求1所述的离心泵故障诊断方法，其特征在于，所述对获取的声音信号进行预处理后，提取出所述声音信号的MFCC特征，将各个声音信号的MFCC特征作为训练集的步骤具体包括：
按照预设的采样率对获取的声音信号进行重采样后，提取重采样的声音信号的MFCC特征，将特征提取后的声音信号作为训练集。
4.根据权利要求3所述的离心泵故障诊断方法，其特征在于，所述提取重采样的声音信号的MFCC特征的步骤具体包括：
采用预设的权重系数对重采样的声音信号进行预加重处理后，对预加重处理后的声音信号进行分帧处理；
采用窗函数对分帧处理后的声音信号进行加窗处理后，进行快速傅里叶变换；
采用梅尔滤波器组对傅里叶变换后的声音信号进行滤波，并经过离散余弦变换后，提取出MFCC特征。
5.根据权利要求1所述的离心泵故障诊断方法，其特征在于，所述深度学习的神经网络为CRNN神经网络，所述CRNN神经网络由CNN模块、RNN模块和FNN模块组成。
6.根据权利要求4所述的离心泵故障诊断方法，其特征在于，所述采用深度学习的神经网络对所述训练集进行训练，得到故障识别模型的步骤具体包括：
分别将所述训练集的各个声音信号的MFCC特征输入CNN模块中，以提取出高级特征后，将高级特征通过RNN模块进行编码后，输出至所述FNN模块中进行计算，以得到声音信号每一帧的检测结果，并将所述声音信号每一帧的检测结果与声音信号对应的故障类型对应，以得到故障识别模型。
7.根据权利要求1所述的离心泵故障诊断方法，其特征在于，还包括：
根据所述离心泵的当前故障类别给出对应的故障处理方法。
8.一种离心泵故障诊断装置，其特征在于，包括：
信号获取模块，用于获取离心泵故障状态下和正常状态下的声音信号；
信号处理模块，用于对获取的声音信号进行预处理后，将预处理后的声音信号作为训练集；
模型建立模块，用于采用深度学习的神经网络对所述训练集进行训练，得到故障识别模型；
故障诊断模块，用于获取离心泵当前运行状态下的声音信号，将离心泵当前运行状态下的声音信号进行预处理后输入至所述故障识别模型中，判断出所述离心泵的当前故障类别。
9.一种离心泵故障诊断设备，其特征在于，包括：处理器和存储器；
所述存储器上存储有可被所述处理器执行的计算机可读程序；
所述处理器执行所述计算机可读程序时实现如权利要求1-7任意一项所述的离心泵故障诊断方法中的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如权利要求1-7任意一项所述的离心泵故障诊断方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011535575.5A CN112686110A (zh) | 2020-12-23 | 2020-12-23 | 一种离心泵故障诊断方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011535575.5A CN112686110A (zh) | 2020-12-23 | 2020-12-23 | 一种离心泵故障诊断方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112686110A true CN112686110A (zh) | 2021-04-20 |
Family
ID=75450989
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011535575.5A Pending CN112686110A (zh) | 2020-12-23 | 2020-12-23 | 一种离心泵故障诊断方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112686110A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113033490A (zh) * | 2021-04-23 | 2021-06-25 | 山东省计算中心（国家超级计算济南中心） | 基于声音信号的工业设备通用故障检测方法及系统 |
| CN113314144A (zh) * | 2021-05-19 | 2021-08-27 | 中国南方电网有限责任公司超高压输电公司广州局 | 声音识别及电力设备故障预警方法、系统、终端及介质 |
| CN113339280A (zh) * | 2021-06-10 | 2021-09-03 | 中国海洋石油集团有限公司 | 一种海上离心泵故障诊断方法及系统 |
| CN113485306A (zh) * | 2021-07-28 | 2021-10-08 | 成都斯普智和信息技术有限公司 | 一种轻量级的装备故障诊断移动终端及其诊断方法 |
| CN113624493A (zh) * | 2021-08-04 | 2021-11-09 | 蝴蝶供应链有限公司 | 一种液压系统异常监测方法、设备、系统及存储介质 |
| CN114483417A (zh) * | 2022-01-10 | 2022-05-13 | 中国长江三峡集团有限公司 | 一种基于声纹识别的水轮机导叶漏水缺陷快速识别方法 |
| CN115452392A (zh) * | 2021-11-30 | 2022-12-09 | 广州汽车集团股份有限公司 | 一种车辆发动机故障声学诊断方法及系统 |
| WO2023060542A1 (zh) * | 2021-10-15 | 2023-04-20 | 舍弗勒技术股份两合公司 | 轴承故障检测方法及存储介质 |
-
2020
- 2020-12-23 CN CN202011535575.5A patent/CN112686110A/zh active Pending
Non-Patent Citations (2)
| Title |
|---|
| ODYSSEY 2016: "《Deep Language：a comprehensive deep learning approach to end-to-end language recognition》", 《ODYSSEY 2016》 * |
| 杨毫鸽: "《飞机发动机异常声音识别方法研究》", 《中国优秀博硕士学位论文全文数据库（硕士） 工程科技Ⅱ辑》 * |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113033490A (zh) * | 2021-04-23 | 2021-06-25 | 山东省计算中心（国家超级计算济南中心） | 基于声音信号的工业设备通用故障检测方法及系统 |
| CN113033490B (zh) * | 2021-04-23 | 2023-09-19 | 山东省计算中心（国家超级计算济南中心） | 基于声音信号的工业设备通用故障检测方法及系统 |
| CN113314144A (zh) * | 2021-05-19 | 2021-08-27 | 中国南方电网有限责任公司超高压输电公司广州局 | 声音识别及电力设备故障预警方法、系统、终端及介质 |
| CN113339280A (zh) * | 2021-06-10 | 2021-09-03 | 中国海洋石油集团有限公司 | 一种海上离心泵故障诊断方法及系统 |
| CN113485306A (zh) * | 2021-07-28 | 2021-10-08 | 成都斯普智和信息技术有限公司 | 一种轻量级的装备故障诊断移动终端及其诊断方法 |
| CN113624493A (zh) * | 2021-08-04 | 2021-11-09 | 蝴蝶供应链有限公司 | 一种液压系统异常监测方法、设备、系统及存储介质 |
| WO2023060542A1 (zh) * | 2021-10-15 | 2023-04-20 | 舍弗勒技术股份两合公司 | 轴承故障检测方法及存储介质 |
| CN115452392A (zh) * | 2021-11-30 | 2022-12-09 | 广州汽车集团股份有限公司 | 一种车辆发动机故障声学诊断方法及系统 |
| CN115452392B (zh) * | 2021-11-30 | 2023-08-08 | 广州汽车集团股份有限公司 | 一种车辆发动机故障声学诊断方法及系统 |
| CN114483417A (zh) * | 2022-01-10 | 2022-05-13 | 中国长江三峡集团有限公司 | 一种基于声纹识别的水轮机导叶漏水缺陷快速识别方法 |
| CN114483417B (zh) * | 2022-01-10 | 2023-06-16 | 中国长江三峡集团有限公司 | 一种基于声纹识别的水轮机导叶漏水缺陷快速识别方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112686110A (zh) | 一种离心泵故障诊断方法、装置、设备及存储介质 | |
| Zhang et al. | Deep convolutional neural network using transfer learning for fault diagnosis | |
| CN111141517B (zh) | 风机故障诊断方法及系统 | |
| EP3759558B1 (en) | Intelligent audio analytic apparatus (iaaa) and method for space system | |
| CN112943595A (zh) | 液压泵故障预测方法、装置、电子设备及存储介质 | |
| CN113670434B (zh) | 变电站设备声音异常识别方法、装置和计算机设备 | |
| CN114738205B (zh) | 一种浮式风机基础的状态监测方法、装置、设备和介质 | |
| CN113742855B (zh) | 一种故障预测方法、系统、电子设备与可读存储介质 | |
| CN114216640A (zh) | 用于检测工业设备故障状态的方法、设备和介质 | |
| CN113125135A (zh) | 旋转机械的故障诊断方法、存储介质及电子设备 | |
| CN116257747B (zh) | 融合峭度和卷积自编码器的转子系统早期异常检测方法 | |
| CN116625683A (zh) | 一种风电机组轴承故障识别方法、系统、装置及电子设备 | |
| CN114354188A (zh) | 一种基于完全自适应噪声集合经验模态分解的旋转机械故障诊断方法 | |
| CN114048787B (zh) | 一种基于Attention CNN模型的轴承故障实时智能诊断方法与系统 | |
| CN113503289A (zh) | 一种液压马达故障检测方法、装置、系统及挖掘机 | |
| CN109165396A (zh) | 一种故障演化趋势的设备剩余使用寿命预测方法 | |
| JPH10281076A (ja) | ポンプ機場の故障診断方法及びポンプ機場の故障診断装置 | |
| CN116741200A (zh) | 一种机车风机故障检测方法及装置 | |
| CN115270875A (zh) | 一种基于深度学习的隔膜泵运行状态监测方法 | |
| EP1686443A1 (en) | Methods, systems, and computer program products for implementing condition monitoring activities | |
| CN202372811U (zh) | 基于数据挖掘算法的机电液混合设备实时故障诊断装置 | |
| Hoffmann et al. | Embedding anomaly detection autoencoders for wind turbines | |
| CN118499263A (zh) | 基于ResNet模型的渣浆泵健康状态检测方法及系统 | |
| CN116857172B (zh) | 一种基于大数据的水泵故障预测方法及系统 | |
| KR102688082B1 (ko) | 3상 모터 전력 데이터에 대한 펌프 설비의 이상 감지 시스템 및 이를 이용한 이상 감지 방법 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210420 |