CN112723076A - 一种电梯导靴故障诊断方法 - Google Patents

一种电梯导靴故障诊断方法 Download PDF

Info

Publication number
CN112723076A
CN112723076A CN202110016054.7A CN202110016054A CN112723076A CN 112723076 A CN112723076 A CN 112723076A CN 202110016054 A CN202110016054 A CN 202110016054A CN 112723076 A CN112723076 A CN 112723076A
Authority
CN
China
Prior art keywords
kernel function
support vector
filter
vector machine
guide shoe
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Withdrawn
Application number
CN202110016054.7A
Other languages
English (en)
Inventor
李琨
朱晓玲
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.)
Kunming University of Science and Technology
Original Assignee
Kunming University of Science and Technology
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 Kunming University of Science and Technology filed Critical Kunming University of Science and Technology
Priority to CN202110016054.7A priority Critical patent/CN112723076A/zh
Publication of CN112723076A publication Critical patent/CN112723076A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B66—HOISTING; LIFTING; HAULING
    • B66B—ELEVATORS; ESCALATORS OR MOVING WALKWAYS
    • B66B5/00—Applications of checking, fault-correcting, or safety devices in elevators
    • B66B5/0006—Monitoring devices or performance analysers
    • B66B5/0018—Devices monitoring the operating condition of the elevator system
    • B66B5/0031—Devices monitoring the operating condition of the elevator system for safety reasons
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B66—HOISTING; LIFTING; HAULING
    • B66B—ELEVATORS; ESCALATORS OR MOVING WALKWAYS
    • B66B7/00—Other common features of elevators
    • B66B7/02—Guideways; Guides
    • B66B7/04—Riding means, e.g. Shoes, Rollers, between car and guiding means, e.g. rails, ropes

Landscapes

  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明涉及一种电梯导靴故障诊断方法，属于特种设备故障诊断技术领域。为了对电梯导靴故障进行更加准确的综合诊断，提出了一种基于Gabor小波变换和多核支持向量机的诊断方法。首先，通过加速度传感器采集设备主体的振动信号，并利用经验模态分解得到固有模态函数分量。然后，采用Gabor滤波器对低频分量进行滤波去噪，实现低频率上提取数据的特征增强。最后，采用权重的方式将局部和全局的核函数进行线性相加，组成了多核支持向量机对数据进行分类。实验结果验证了提出方法的有效性。相比基于小波变换‑最小二乘支持向量机的故障诊断方法，提出方法的故障诊断准确率提高了约5％。

Description

一种电梯导靴故障诊断方法
技术领域
本发明涉及特种设备故障诊断技术领域，特别涉及一种电梯导靴故障诊断方法。
背景技术
电梯作为当今社会使用较为频繁的一种机械设备，具有各种复杂的型号和参数。但是随着乘客对其安全性能的要求不断提高，电梯制造企业已经把安全问题视为产品设计、制造和维护过程中的重点工作。电梯的主要部件集中在轿厢，而导靴为电梯轿厢重要的平衡性部件，如果发生故障会导致电梯发生不同程度的机械抖动，严重影响乘客的舒适感，长期的抖动还可能导致严重的磨损，产生电梯滑落导轨的风险。传统上，电梯导靴故障诊断由专业的工程师通过现场的人工检查或经验分析来完成。但是这种方法对工程师的经验和专业素养要求较高，导致工作效率较低，且准确率无法得到保证。最近，研究人员提出通过提取电梯导靴振动信号的故障特征分量来实现诊断。
发明内容
本发明要解决的技术问题是：提供了一种电梯导靴故障诊断方法，采用Gabor滤波器对低频分量进行滤波去噪，实现更易提取低频率上数据的特征提取特征增强；采用权重的方式将局部和全局的核函数进行线性相加，组成了多核支持向量机对数据进行分类，代替原有的最小二乘支持向量机，进一步提高了分类精度。
实验结果表明，本文提出的电梯导靴故障诊断方法的准确率有了一定的改善。
本发明采用的技术方案是：一种电梯导靴故障诊断方法，包括如下步骤：
S1、电梯导靴振动信号的采集与分析；
S2、构建Gabor小波滤波器，并对电梯导靴故障的特征信号处理；
S3、基于多核支持向量机的电梯导靴故障诊断。
本发明的进一步设置为：所述步骤S1包括如下步骤：
采用EMD对数据进行分解，具体过程如下：
1)假设观测信号为x(t)，找到信号x(t)所有的极值点；
2)拟合x(t)的上、下包络曲线xmax(t)和xmin(t)；
3)获取上、下包络线的均值曲线mi(t)；
Figure BDA0002886788070000021
4)得到剩余部分h1(t)；
hi(t)＝x(t)-mi(t) (2)
判定是否满足IMF的条件，是的话执行步骤5)；如果否，则hi(t)以x(t)代替，重复以上步骤直到hi(t)满足判据；
5)计算余量ri(t)；
ri(t)＝x(t)-ci(t), ci(t)＝hik(t) (3)
6)判定ri(t)是否为单一信号，是的话整个分解过程结束；否则的话，以ri(t)代替x(t)，重复以上步骤直到满足判据；
经过EMD方法分解就将原始信号分解为线性叠加:
Figure BDA0002886788070000031
其中，N表示IMF的总数，ci(t)表示第i个IMF分量，rn(t)表示多次迭代后的剩余分量；
所述步骤S2包括如下步骤：
Gabor小波是较为典型的分辨率分析方法，其函数能够同时在空域和频域中取得最优分辨率；Gabor小波核函数的定义如下：
Figure BDA0002886788070000032
其中，ku,v表示滤波器中心频率，u表示方向因子，σ表示与小波频率带宽有关的常数，v表示尺度因子，z为给定位置(x,y)的坐标；可以看出式(5)表示参数u和v变化的函数，σ为Gabor滤波器的带宽，决定了高斯窗宽与波长之比，其计算方式如下：
Figure BDA0002886788070000033
其中，
Figure BDA0002886788070000034
为倍频程表示的半峰带宽，σ一般设置为2π；
Gabor小波滤波器可以分为实部和虚部：
ψu,v(z)＝Re(ψu,v(z))+iIm(ψu,v(z)) (7)
其中实部为：
Figure BDA0002886788070000035
虚部为：
Figure BDA0002886788070000041
幅值为：
Figure BDA0002886788070000042
滤波器的中心频率ku,v控制振荡部分的波长、方向以及高斯窗口的宽度；
ku,v＝kv(cosθu,sinθu)T (11)
Figure BDA0002886788070000043
其中，kmax表示Gabor滤波器最大中心频率，一般取值为π/2；fv表示频域内该滤波器的空间因子；θu表示Gabor滤波器的方向选择性；
所述步骤S3包括如下步骤：
本文采用多核支持向量机对数据进行分类，从而对最小二乘支持向量机进行优化，进一步提高了诊断精度；
采用权重的方式将局部和全局的核函数进行线性相加，组成了多核支持向量机，其中组合核函数K(x,z)为：
Figure BDA0002886788070000044
Figure BDA0002886788070000045
其中，βj表示权重因子，kj(x,z)表示单核函数；相比单个核函数学习方法，组合方法可以获得更高的分类精度和样本泛化能力；
将核函数代入分类的决策函数，得到：
Figure BDA0002886788070000051
将式(13)代入式(14)，得到线性加权多核支持向量机方法的决策函数为：
Figure BDA0002886788070000052
本文选择了全局核函数POLY和局部性核函数RBF来构成组合核函数，从而兼顾了全局和局部样本特征；因此，组合核函数K(x,z)为：
K(x,z)＝βRBFkRBF(x,z)+βPOLYkPOLY(x,z) (16)
βRBF+βPOLY＝1 (17)
其中，βPOLY和βRBF分别表示全局核函数POLY和局部性核函数RBF的权重因子。
本发明的有益效果是：本发明提出了一种基于Gabor小波变换和多核支持向量机的电梯导靴故障诊断方法。采用Gabor滤波器对低频分量进行滤波去噪，实现低频率上对提取数据的特征增强，有效解决了现实情况中电梯导靴振动信号的原始微弱特征难以直接提取的问题。然后，采用多核支持向量机对数据进行分类，从而进一步提高了分类精度。通过实验分析得出如下结论：1)采用Gabor滤波器对低频分量进行滤波去噪，能够捕捉电梯导靴振动信号的边缘敏感局部结构信息，并且对不同尺度和方向的变化具有较好的鲁棒性；2)本发明EMD+Gabor+多核SVM方法具有很高的识别率，电梯导靴故障诊断准确率达到87.6％。
附图说明
图1为本发明整体的原理示意图；
图2为Gabor小波与EMD结合处理的IMF分量图；
图3为多核函数性能对比；
图4为不同方法的诊断性能比较；
图5为不同方法的诊断性能曲线比较。
具体实施方式
下面结合附图和具体实施例，对本发明作进一步描述。
实施例1：如图1-5所示，一种电梯导靴故障诊断方法，包括如下步骤：
S1、电梯导靴振动信号的采集与分析；
S2、构建Gabor小波滤波器，并对电梯导靴故障的特征信号处理；
S3、基于多核支持向量机的电梯导靴故障诊断。
具体实施过程如下：
电梯轿厢通过导靴固定在导轨上，导靴的振动可通过导轨传递到轿厢上，选择三维加速度传感器直接测量电梯轿厢在X轴、Y轴、Z轴上的振动情况便可反映导靴的振动情况。由于电梯导靴信号是非平稳信号，因此采用EMD对数据进行分解，然后利用Gabor滤波器对EMD处理过的信号进行优化，最后将经过Gabor小波与EMD结合处理的数据导入多核支持向量机进行训练，并对验证集进行分类验证。
进一步地，所述步骤S1包括如下步骤：
采用EMD对数据进行分解，具体过程如下：
1)假设观测信号为x(t)，找到信号x(t)所有的极值点；
2)拟合x(t)的上、下包络曲线xmax(t)和xmin(t)；
3)获取上、下包络线的均值曲线mi(t)。
Figure BDA0002886788070000071
4)得到剩余部分h1(t)。
hi(t)＝x(t)-mi(t) (2)
判定是否满足IMF的条件，是的话执行步骤5)。如果否，则hi(t)以x(t)代替，重复以上步骤直到hi(t)满足判据。
5)计算余量ri(t)。
ri(t)＝x(t)-ci(t), ci(t)＝hik(t) (3)
6)判定ri(t)是否为单一信号，是的话整个分解过程结束。否则的话，以ri(t)代替x(t)，重复以上步骤直到满足判据。
经过EMD方法分解就将原始信号分解为线性叠加:
Figure BDA0002886788070000072
其中，N表示IMF的总数，ci(t)表示第i个IMF分量，rn(t)表示多次迭代后的剩余分量。
所述步骤S2包括如下步骤：
Gabor小波是较为典型的分辨率分析方法，其函数能够同时在空域和频域中取得最优分辨率。Gabor小波核函数的定义如下：
Figure BDA0002886788070000081
其中，ku,v表示滤波器中心频率，u表示方向因子，σ表示与小波频率带宽有关的常数，v表示尺度因子，z为给定位置(x,y)的坐标。可以看出式(5)表示参数u和v变化的函数，σ为Gabor滤波器的带宽，决定了高斯窗宽与波长之比，其计算方式如下：
Figure BDA0002886788070000082
其中，
Figure BDA0002886788070000083
为倍频程表示的半峰带宽，σ一般设置为2π。
Gabor小波滤波器可以分为实部和虚部：
ψu,v(z)＝Re(ψu,v(z))+iIm(ψu,v(z)) (7)
其中实部为：
Figure BDA0002886788070000084
虚部为：
Figure BDA0002886788070000085
幅值为：
Figure BDA0002886788070000086
滤波器的中心频率ku,v控制振荡部分的波长、方向以及高斯窗口的宽度。
ku,v＝kv(cosθu,sinθu)T (11)
Figure BDA0002886788070000091
其中，kmax表示Gabor滤波器最大中心频率，一般取值为π/2；fv表示频域内该滤波器的空间因子；θu表示Gabor滤波器的方向选择性。
所述步骤S3包括如下步骤：
本文采用多核支持向量机对数据进行分类，从而对最小二乘支持向量机进行优化，进一步提高了诊断精度。
采用权重的方式将局部和全局的核函数进行线性相加，组成了多核支持向量机，其中组合核函数K(x,z)为：
Figure BDA0002886788070000092
Figure BDA0002886788070000093
其中，βj表示权重因子，kj(x,z)表示单核函数。相比单个核函数学习方法，组合方法可以获得更高的分类精度和样本泛化能力。
将核函数代入分类的决策函数，得到：
Figure BDA0002886788070000094
将式(13)代入式(14)，得到线性加权多核支持向量机方法的决策函数为：
Figure BDA0002886788070000095
本文选择了全局核函数POLY和局部性核函数RBF来构成组合核函数，从而兼顾了全局和局部样本特征。因此，组合核函数K(x,z)为：
K(x,z)＝βRBFkRBF(x,z)+βPOLYkPOLY(x,z) (16)
βRBF+βPOLY＝1 (17)
其中，βPOLY和βRBF分别表示全局核函数POLY和局部性核函数RBF的权重因子。
案例：
为进一步验证提出的Gabor滤波+多核函数支持向量机诊断方法的性能，将其与SVD+LMD+SVM[7]、SVD+EMD+SVM[8]、EMD+TQWT+LSSVM[9]进行了对比，进行了400次样本训练。不同方法的诊断性能比较结果如图4和图5所示，其中，核函数的参数取值为＝4.5，＝3。
从图4和图5可以看出，相比基于LMD的SVM诊断，基于EMD的SVM诊断方法具有更好的准确率，这是因为EMD表现出较为良好的鲁棒性。而且，在基于EMD的SVM诊断方法中，本文EMD+Gabor+多核SVM方法具有最高的识别率，电梯导靴故障诊断的准确率达到87.6％。这是因为本文采用基于Gabor小波提取特征的方法具有明显的频率特性和方向选择性，能够捕捉边缘敏感局部结构信息，并且对不同尺度和方向的变化具有较好的鲁棒性。
本发明提出了一种基于Gabor小波变换和多核支持向量机的电梯导靴故障诊断方法。采用Gabor滤波器对低频分量进行滤波去噪，实现低频率上对提取数据的特征增强，有效解决了现实情况中电梯导靴振动信号的原始微弱特征难以直接提取的问题。然后，采用多核支持向量机对数据进行分类，从而进一步提高了分类精度。通过实验分析得出如下结论：1)采用Gabor滤波器对低频分量进行滤波去噪，能够捕捉电梯导靴振动信号的边缘敏感局部结构信息，并且对不同尺度和方向的变化具有较好的鲁棒性；2)本文EMD+Gabor+多核SVM方法具有很高的识别率，电梯导靴故障诊断准确率达到87.6％。
以上结合附图对本发明的具体实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。

Claims (2)

1.一种电梯导靴故障诊断方法，其特征在于：包括如下步骤：
S1、电梯导靴振动信号的采集与分析；
S2、构建Gabor小波滤波器，并对电梯导靴故障的特征信号处理；
S3、基于多核支持向量机的电梯导靴故障诊断。
2.根据权利要求1所述的一种电梯导靴故障诊断方法，其特征在于：所述步骤S1包括如下步骤：
采用EMD对数据进行分解，具体过程如下：
1)假设观测信号为x(t)，找到信号x(t)所有的极值点；
2)拟合x(t)的上、下包络曲线xmax(t)和xmin(t)；
3)获取上、下包络线的均值曲线mi(t)；
Figure FDA0002886788060000011
4)得到剩余部分h1(t)；
hi(t)＝x(t)-mi(t) (2)
判定是否满足IMF的条件，是的话执行步骤5)；如果否，则hi(t)以x(t)代替，重复以上步骤直到hi(t)满足判据；
5)计算余量ri(t)；
ri(t)＝x(t)-ci(t),ci(t)＝hik(t) (3)
6)判定ri(t)是否为单一信号，是的话整个分解过程结束；否则的话，以ri(t)代替x(t)，重复以上步骤直到满足判据；
经过EMD方法分解就将原始信号分解为线性叠加:
Figure FDA0002886788060000012
其中，N表示IMF的总数，ci(t)表示第i个IMF分量，rn(t)表示多次迭代后的剩余分量；
所述步骤S2包括如下步骤：
Gabor小波是较为典型的分辨率分析方法，其函数能够同时在空域和频域中取得最优分辨率；Gabor小波核函数的定义如下：
Figure FDA0002886788060000021
其中，ku,v表示滤波器中心频率，u表示方向因子，σ表示与小波频率带宽有关的常数，v表示尺度因子，z为给定位置(x,y)的坐标；可以看出式(5)表示参数u和v变化的函数，σ为Gabor滤波器的带宽，决定了高斯窗宽与波长之比，其计算方式如下：
Figure FDA0002886788060000022
其中，
Figure FDA0002886788060000023
为倍频程表示的半峰带宽，σ一般设置为2π；
Gabor小波滤波器可以分为实部和虚部：
ψu,v(z)＝Re(ψu,v(z))+iIm(ψu,v(z)) (7)
其中实部为：
Figure FDA0002886788060000024
虚部为：
Figure FDA0002886788060000031
幅值为：
Figure FDA0002886788060000032
滤波器的中心频率ku,v控制振荡部分的波长、方向以及高斯窗口的宽度；
ku,v＝kv(cosθu,sinθu)T (11)
Figure FDA0002886788060000033
其中，kmax表示Gabor滤波器最大中心频率，一般取值为π/2；fv表示频域内该滤波器的空间因子；θu表示Gabor滤波器的方向选择性；
所述步骤S3包括如下步骤：
本文采用多核支持向量机对数据进行分类，从而对最小二乘支持向量机进行优化，进一步提高了诊断精度；
采用权重的方式将局部和全局的核函数进行线性相加，组成了多核支持向量机，其中组合核函数K(x,z)为：
Figure FDA0002886788060000034
Figure FDA0002886788060000035
其中，βj表示权重因子，kj(x,z)表示单核函数；相比单个核函数学习方法，组合方法可以获得更高的分类精度和样本泛化能力；
将核函数代入分类的决策函数，得到：
Figure FDA0002886788060000041
将式(13)代入式(14)，得到线性加权多核支持向量机方法的决策函数为：
Figure FDA0002886788060000042
Figure FDA0002886788060000043
本文选择了全局核函数POLY和局部性核函数RBF来构成组合核函数，从而兼顾了全局和局部样本特征；因此，组合核函数K(x,z)为：
K(x,z)＝βRBFkRBF(x,z)+βPOLYkPOLY(x,z) (16)
βRBF+βPOLY＝1 (17)
其中，βPOLY和βRBF分别表示全局核函数POLY和局部性核函数RBF的权重因子。
CN202110016054.7A 2021-01-07 2021-01-07 一种电梯导靴故障诊断方法 Withdrawn CN112723076A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110016054.7A CN112723076A (zh) 2021-01-07 2021-01-07 一种电梯导靴故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110016054.7A CN112723076A (zh) 2021-01-07 2021-01-07 一种电梯导靴故障诊断方法

Publications (1)

Publication Number Publication Date
CN112723076A true CN112723076A (zh) 2021-04-30

Family

ID=75590802

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110016054.7A Withdrawn CN112723076A (zh) 2021-01-07 2021-01-07 一种电梯导靴故障诊断方法

Country Status (1)

Country Link
CN (1) CN112723076A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115009950A (zh) * 2022-07-20 2022-09-06 江苏蒙哥马利电梯有限公司 超高速电梯振动及滚动导靴磨损耦合检测系统及方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101996328A (zh) * 2010-10-14 2011-03-30 浙江农林大学 一种木材识别方法
CN105548862A (zh) * 2016-01-25 2016-05-04 合肥工业大学 一种基于广义多核支持向量机的模拟电路故障诊断方法
CN106092574A (zh) * 2016-05-30 2016-11-09 西安工业大学 基于改进emd分解与敏感特征选择的轴承故障诊断方法
CN107688820A (zh) * 2017-07-11 2018-02-13 浙江新再灵科技股份有限公司 一种基于bcsa优化支持向量机的电梯故障诊断方法
CN110044623A (zh) * 2019-04-15 2019-07-23 中国人民解放军海军工程大学 经验模态分解剩余信号特征的滚动轴承故障智能识别方法
CN111003624A (zh) * 2019-11-07 2020-04-14 云南省特种设备安全检测研究院 一种电梯导靴故障诊断方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101996328A (zh) * 2010-10-14 2011-03-30 浙江农林大学 一种木材识别方法
CN105548862A (zh) * 2016-01-25 2016-05-04 合肥工业大学 一种基于广义多核支持向量机的模拟电路故障诊断方法
CN106092574A (zh) * 2016-05-30 2016-11-09 西安工业大学 基于改进emd分解与敏感特征选择的轴承故障诊断方法
CN107688820A (zh) * 2017-07-11 2018-02-13 浙江新再灵科技股份有限公司 一种基于bcsa优化支持向量机的电梯故障诊断方法
CN110044623A (zh) * 2019-04-15 2019-07-23 中国人民解放军海军工程大学 经验模态分解剩余信号特征的滚动轴承故障智能识别方法
CN111003624A (zh) * 2019-11-07 2020-04-14 云南省特种设备安全检测研究院 一种电梯导靴故障诊断方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
朱晓玲: "基于Gabor小波变换和多核支持向量机的电梯导靴故障诊断方法", 《计算机科学》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115009950A (zh) * 2022-07-20 2022-09-06 江苏蒙哥马利电梯有限公司 超高速电梯振动及滚动导靴磨损耦合检测系统及方法
CN115009950B (zh) * 2022-07-20 2023-08-22 江苏蒙哥马利电梯有限公司 超高速电梯振动及滚动导靴磨损耦合检测系统及方法

Similar Documents

Publication Publication Date Title
Yu et al. A bearing fault diagnosis technique based on singular values of EEMD spatial condition matrix and Gath-Geva clustering
CN107844755B (zh) 一种结合dae和cnn的脑电信号特征提取与分类方法
CN104887224A (zh) 面向癫痫脑电信号的特征提取与自动识别方法
CN108108766A (zh) 基于多传感器数据融合的驾驶行为识别方法及系统
CN105841961A (zh) 一种基于Morlet小波变换和卷积神经网络的轴承故障诊断方法
CN109620244B (zh) 基于条件生成对抗网络和svm的婴儿异常行为检测方法
CN105275833A (zh) 一种基于CEEMD-STFT时频信息熵和multi-SVM的离心泵故障诊断方法
CN113405825B (zh) 一种基于声音信号的带式输送机故障诊断方法
CN106653032A (zh) 低信噪比环境下基于多频带能量分布的动物声音检测方法
CA2435290A1 (en) Computer-aided image analysis
CN104795064A (zh) 低信噪比声场景下声音事件的识别方法
CN113639999A (zh) 变转速下滚动轴承的故障诊断方法、系统、介质及设备
CN107560850A (zh) 基于小波阈值降噪与AdaBoost的轴系故障识别方法
CN112723076A (zh) 一种电梯导靴故障诊断方法
CN115577237A (zh) 基于一维卷积神经网络和元学习的电梯故障诊断方法
CN110543831A (zh) 一种基于卷积神经网络的脑纹识别方法
Murugappan et al. Emotion classification in Parkinson's disease EEG using RQA and ELM
Wang et al. Revolutionizing flotation process working condition identification based on froth audio
CN111461183A (zh) 改进人工鱼群算法优化bp神经网络的平轮故障检测方法
CN113392874B (zh) 轨道车辆异常状态诊断方法、装置及终端设备
CN116482526A (zh) 一种用于非故障相阻抗继电器的分析系统
CN115563480A (zh) 基于峭度比系数筛选辛几何模态分解的齿轮故障辨识方法
CN110555457A (zh) 发动机润滑油磨损信号特征处理系统及方法
CN114201993A (zh) 一种检测超声缺陷的三分支注意力特征融合方法与系统
CN112560674B (zh) 一种声音信号质量的检测方法及系统

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: 20210430

WW01 Invention patent application withdrawn after publication