CN112766043B - 一种列车车轮多边形检测信号处理方法及其系统 - Google Patents
一种列车车轮多边形检测信号处理方法及其系统 Download PDFInfo
- Publication number
- CN112766043B CN112766043B CN202011568335.5A CN202011568335A CN112766043B CN 112766043 B CN112766043 B CN 112766043B CN 202011568335 A CN202011568335 A CN 202011568335A CN 112766043 B CN112766043 B CN 112766043B
- Authority
- CN
- China
- Prior art keywords
- waveform data
- data
- detection
- abnormality
- abnormal
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M17/00—Testing of vehicles
- G01M17/08—Railway vehicles
- G01M17/10—Suspensions, axles or wheels
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Signal Processing (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种列车车轮多边形检测信号处理方法及其系统,包括:采集列车车轮转动一周的检测波形数据;剔除检测波形数据中的异常数据点,并以异常数据点为分割点分割检测波形数据,生成异常前检测波形数据和异常后检测波形数据;以异常后检测波形数据在先、异常前检测波形数据在后,进行首尾拼接,生成真实检测波形数据;对真实检测波形数据进行傅里叶变换计算生成波形数据的频谱,并利用粗糙度水平计算方法生成车轮粗糙度数据。本发明通过改进检测波形的处理方法,利用车轮周向转动一圈所采集的检测波形数据的首尾所表征的车轮物理位置及波形特征均可相连的特性,解决了现有的列车车轮多边形检测信号处理方法存在的检测结果可靠性低的问题。
Description
技术领域
本发明涉及轨道车辆检测技术领域,具体涉及一种列车车轮多边形检测信号处理方法及其系统。
背景技术
列车在运行中由于轮轨摩擦、线路不够理想以及轮轨匹配等因素,易导致车轮周向发生周期性磨耗,即为车轮多边形;由于车轮多边形会造成车辆运行时产生固有的轮轨振动频率,对运行安全有极大影响;故目前多采用振动加速度传感器进行车载及轨边的多边形检测,也称为间接检测方式,也有使用激光等位移传感器进行库内静态或在线动态的多边形检测,也称为位移检测方式。
而无论是间接检测方式还是位移检测方式,其检测结果均受传感器的电信号干扰、检测系统存在的系统性误差等因素干扰,造成检测波形存在杂波的问题,例如:位移检测方式中若使用顶转轮机构让车轮与传感器进行相对旋转,除电干扰外检测信号中还有旋转的不平顺卡滞等抖动,驱动装置与车轮接触位置的不光滑等引入的位移检测干扰、车辆经过的不平稳冲击、检测装置卡滞等干扰。
传统的滤波去噪方法为使用小波包分解、EMD及其改进方法进行去噪,但由于车轮在运行过程中形成的多边形波往往不是最理想的波形模式,故上述方法滤波后无法还原真实的多边形波形,即使能一定程度优化漏检,得到的粗糙度值也不准确,甚至无法定量检测。同理,既有的机器学习神经网络等方法也只能定性识别多边形有无,无法还原真实的多边形波形。
综上所述,现有的列车车轮多边形检测信号处理方法由于均通过剔除异常数据并进行拟合插值的方法,进行检测波形的滤波去噪,不仅没有考虑实际运用中异常数据的产生原因,亦使用拟合插值进行剔除后的数据补充,无法还原真实的多边形波形,存在检测结果可靠性低的问题。
发明内容
有鉴于此,本发明提供一种列车车轮多边形检测信号处理方法及其系统,通过改进检测波形的处理方法,利用车轮周向转动一圈所采集的所述检测波形数据的首尾所表征的车轮物理位置及波形特征均可相连的特性,并通过判定异常数据点的异常类型,解决了现有的列车车轮多边形检测信号处理方法存在的检测结果可靠性低的问题。
为解决以上问题,本发明的技术方案为采用一种列车车轮多边形检测信号处理方法,包括:S1:采集列车车轮转动一周的检测波形数据;S2:剔除所述检测波形数据中的异常数据点,并以所述异常数据点为分割点分割所述检测波形数据,生成异常前检测波形数据和异常后检测波形数据;S3:以所述异常后检测波形数据在先、所述异常前检测波形数据在后,进行首尾拼接,生成真实检测波形数据;S4:对所述真实检测波形数据进行傅里叶变换计算生成波形数据的频谱,并利用粗糙度水平计算方法生成车轮粗糙度数据。
可选地,所述S2包括:基于所述检测波形数据的时域幅值特征提取异常数据点并判定异常数据点的异常类型,其中,异常类型包括点跳变和阶跃波。
可选地,在所述异常数据点的所述异常类型为点跳变的情况下,剔除所述检测波形数据的所述异常数据点,并以所述异常数据点为分割点分割所述检测波形数据,生成所述异常前检测波形数据和所述异常后检测波形数据。
可选地,在所述异常数据点的所述异常类型为阶跃波的情况下,剔除所述检测波形数据的所述异常数据点以及所述异常数据点前后时间段内属于阶跃波的数据点,并以属于阶跃波的数据点为分割点分割所述检测波形数据,生成所述异常前检测波形数据和所述异常后检测波形数据。
可选地,所述S3包括:利用车轮周向转动一圈所采集的所述检测波形数据的首尾所表征的车轮物理位置及波形特征均可相连的特性,以所述异常后检测波形数据在先、所述异常前检测波形数据在后,进行首尾拼接,生成未畸变的真实检测波形数据。
可选地,所述S4包括:对所述真实检测波形数据进行傅里叶变换计算生成所述波形数据的频谱;利用公式计算方法生成所述车轮粗糙度数据,其中,/>为所述车轮粗糙度数据,/>为所述波形数据的频谱在1/3倍频程k中进行量化的值,/>为车轮粗糙度的参考值。
相应地,本发明提供,一种列车车轮多边形检测信号处理系统,包括:采集单元,用于采集列车车轮转动一周的检测波形数据;数据处理单元,用于剔除所述检测波形数据中的异常数据点,以所述异常数据点为分割点分割所述检测波形数据,生成异常前检测波形数据和异常后检测波形数据,并以所述异常后检测波形数据在先、所述异常前检测波形数据在后,进行首尾拼接,生成真实检测波形数据,通过对所述真实检测波形数据进行傅里叶变换计算生成波形数据的频谱,并利用粗糙度水平计算方法生成车轮粗糙度数据。
可选地,所述数据处理单元通过所述检测波形数据的时域幅值特征提取异常数据点并判定异常数据点的异常类型,其中,异常类型包括点跳变和阶跃波。
可选地,所述数据处理单元利用车轮周向转动一圈所采集的所述检测波形数据的首尾所表征的车轮物理位置及波形特征均可相连的特性,以所述异常后检测波形数据在先、所述异常前检测波形数据在后,进行首尾拼接,生成未畸变的真实检测波形数据。
本发明的首要改进之处为提供的列车车轮多边形检测信号处理方法,通过检测波形数据中的异常数据点及其对应异常数据类型,通过异常数据点的准确剔除,保证了检测波形数据中剩余数据点的纯净可信,并通过将剩余的检测波形数据分割为异常前检测波形数据和异常后检测波形数据,利用车轮周向转动一圈所采集的所述检测波形数据的首尾所表征的车轮物理位置及波形特征均可相连的特性,以所述异常后检测波形数据在先、所述异常前检测波形数据在后,进行首尾拼接,生成未引入多余数据的真实检测波形数据,还原了车轮多边形波形真实起伏,提高多边形检出率及粗糙度检测准确性,解决了现有的列车车轮多边形检测信号处理方法存在的检测结果可靠性低的问题。
附图说明
图1是本发明的列车车轮多边形检测信号处理方法的简化流程图;
图2是本发明的检测波形数据的示例图;
图3是本发明的真实检测波形数据的示例图;
图4是本发明的列车车轮多边形检测信号处理系统的简化模块连接图。
具体实施方式
为了使本领域的技术人员更好地理解本发明的技术方案,下面结合附图和具体实施例对本发明作进一步的详细说明。
如图1所示,一种列车车轮多边形检测信号处理方法,包括:
S1:采集列车车轮转动一周的检测波形数据。其中,检测波形数据可以是以车轮踏面上的任意一点的转动里程、或车轮位移长度为自变量,振动量或压力改变量为因变量构建的检测波形数据,即,检测波形数据可以是使用间接检测方式获取的检测波形数据或位移检测方式获取的检测波形数据。由于本发明的车轮多边形检测信号处理方法适用于对现有的间接检测方式及位移检测方式等车轮多边形检测方法获取的多边形检测信号进行处理,因此,不对检测波形数据的具体类别进行进一步限定。
S2:剔除所述检测波形数据中的异常数据点,并以所述异常数据点为分割点分割所述检测波形数据,生成异常前检测波形数据和异常后检测波形数据。
进一步的,由于发明人观察到,除干扰电信号,例如干扰脉冲信号,造成的检测波形数据瞬间的跳变高幅值外,其他原因造成的检测波形数据异常,均会导致该异常数据点前后时间段内的抖动情况,因此,本发明通过基于所述检测波形数据的时域幅值特征提取异常数据点并判定异常数据点的异常类型,异常类型包括点跳变和阶跃波。
更进一步的,在所述异常数据点的所述异常类型为点跳变的情况下,剔除所述检测波形数据的所述异常数据点,并以所述异常数据点为分割点分割所述检测波形数据,生成所述异常前检测波形数据和所述异常后检测波形数据。
更进一步的,在所述异常数据点的所述异常类型为阶跃波的情况下,剔除所述检测波形数据的所述异常数据点以及所述异常数据点前后时间段内属于阶跃波的数据点,并以属于阶跃波的数据点为分割点分割所述检测波形数据,生成所述异常前检测波形数据和所述异常后检测波形数据。
S3:以所述异常后检测波形数据在先、所述异常前检测波形数据在后,进行首尾拼接,生成真实检测波形数据。
进一步的,为便于理解检测波形数据的分割重构方式,如图2所示,在检测波形数据的B段数据点为异常数据点时,剔除B段数据点,并以B段数据点为分割点分割所述检测波形数据,如图3所示,以A段数据点为所述异常前检测波形数据,C段数据点为所述异常后检测波形数据,进行首尾拼接,生成以C-A段数据点构成的所述真实波形数据。
更进一步的,由于实际应用中,检测波形数据可能出现多个异常点,以检测波形数据包括A、B、C、D、E段数据点为例,若B段及D段数据点为异常数据点,则基于本发明的多边形检测信号处理方法,通过剔除B段异常数据点,以C-D-E-A重构检测波形数据后,剔除D段异常数据点,以E-A-C构建所述真实波形数据,即可还原车轮多边形波形真实起伏。
S4:对所述真实检测波形数据进行傅里叶变换计算生成波形数据的频谱,并利用粗糙度水平计算方法生成车轮粗糙度数据。
进一步的,所述S4包括:对所述真实检测波形数据进行傅里叶变换计算生成所述波形数据的频谱;利用公式计算方法生成所述车轮粗糙度数据,其中,为所述车轮粗糙度数据,/>为所述波形数据的频谱在1/3倍频程k中进行量化的值,/>为车轮粗糙度的参考值。具体的,车轮粗糙度的参考值可以是1μm不圆度波形转频域后在1/3倍频程k中进行量化的值;在国际标准单位下频带中心波长为:λk=0.01×10k/10,其中,k=-10,-9,···,14,15;所述波形数据的频谱在1/3倍频程k中进行量化的具体方法可以是,在每个1/3倍频程中将所得的窄带频谱幅值的平方再求和,并除以计算数据点的数量即可获得/>
本发明通过检测波形数据中的异常数据点及其对应异常数据类型,通过异常数据点的准确剔除,保证了检测波形数据中剩余数据点的纯净可信,并通过将剩余的检测波形数据分割为异常前检测波形数据和异常后检测波形数据,利用车轮周向转动一圈所采集的所述检测波形数据的首尾所表征的车轮物理位置及波形特征均可相连的特性,以所述异常后检测波形数据在先、所述异常前检测波形数据在后,进行首尾拼接,生成未引入多余数据的真实检测波形数据,还原了车轮多边形波形真实起伏,提高多边形检出率及粗糙度检测准确性,解决了现有的列车车轮多边形检测信号处理方法存在的检测结果可靠性低的问题。
相应的,本发明提供,如图4所示,一种列车车轮多边形检测系统,包括:采集单元,用于采集列车车轮转动一周的检测波形数据;数据处理单元,用于剔除所述检测波形数据中的异常数据点,以所述异常数据点为分割点分割所述检测波形数据,生成异常前检测波形数据和异常后检测波形数据,并以所述异常后检测波形数据在先、所述异常前检测波形数据在后,进行首尾拼接,生成真实检测波形数据,通过对所述真实检测波形数据进行傅里叶变换计算生成波形数据的频谱,并利用粗糙度水平计算方法生成车轮粗糙度数据。其中,所述采集单元与所述数据处理单元建立电气连接。如上所述,由于本发明的车轮多边形检测信号处理方法适用于对现有的间接检测方式及位移检测方式等车轮多边形检测方法获取的多边形检测信号进行处理,因此,不对检测波形数据的具体类别进行进一步限定。即,本发明的采集单元可以是间接检测方式所使用的振动加速度传感、位移检测方式所使用的激光等位移传感器以及其他车轮多边形检测方法所使用的采集单元,本发明不对采集单元的具体种类进行进一步限定。
进一步的,所述数据处理单元通过所述检测波形数据的时域幅值特征提取异常数据点并判定异常数据点的异常类型,其中,异常类型包括点跳变和阶跃波。
更进一步的,所述数据处理单元利用车轮周向转动一圈所采集的所述检测波形数据的首尾所表征的车轮物理位置及波形特征均可相连的特性,以所述异常后检测波形数据在先、所述异常前检测波形数据在后,进行首尾拼接,生成未畸变的真实检测波形数据。
以上对本发明实施例所提供的列车车轮多边形检测信号处理方法及其系统进行了详细介绍。说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
Claims (7)
1.一种列车车轮多边形检测信号处理方法,其特征在于,包括:
S1:采集列车车轮转动一周的检测波形数据;
S2:剔除所述检测波形数据中的异常数据点,并以所述异常数据点为分割点分割所述检测波形数据,生成异常前检测波形数据和异常后检测波形数据;
S3:利用车轮周向转动一圈所采集的所述检测波形数据的首尾所表征的车轮物理位置及波形特征均可相连的特性,以所述异常后检测波形数据在先、所述异常前检测波形数据在后,进行首尾拼接,生成未畸变的真实检测波形数据;
S4:对所述真实检测波形数据进行傅里叶变换计算生成波形数据的频谱,并利用粗糙度水平计算方法生成车轮粗糙度数据。
2.根据权利要求1所述的车轮多边形检测信号处理方法,其特征在于,所述S2包括:
基于所述检测波形数据的时域幅值特征提取异常数据点并判定异常数据点的异常类型,其中,异常类型包括点跳变和阶跃波。
3.根据权利要求2所述的车轮多边形检测信号处理方法,其特征在于,在所述异常数据点的所述异常类型为点跳变的情况下,剔除所述检测波形数据的所述异常数据点,并以所述异常数据点为分割点分割所述检测波形数据,生成所述异常前检测波形数据和所述异常后检测波形数据。
4.根据权利要求2所述的车轮多边形检测信号处理方法,其特征在于,在所述异常数据点的所述异常类型为阶跃波的情况下,剔除所述检测波形数据的所述异常数据点以及所述异常数据点前后时间段内属于阶跃波的数据点,并以属于阶跃波的数据点为分割点分割所述检测波形数据,生成所述异常前检测波形数据和所述异常后检测波形数据。
5.根据权利要求1所述的车轮多边形检测信号处理方法,其特征在于,所述S4包括:
对所述真实检测波形数据进行傅里叶变换计算生成所述波形数据的频谱;
利用公式计算方法生成所述车轮粗糙度数据,其中,/>为所述车轮粗糙度数据,/>为所述波形数据的频谱在1/3倍频程k中进行量化的值,/>为车轮粗糙度的参考值。
6.一种列车车轮多边形检测信号处理系统,其特征在于,包括:
采集单元,用于采集列车车轮转动一周的检测波形数据;
数据处理单元,用于剔除所述检测波形数据中的异常数据点,以所述异常数据点为分割点分割所述检测波形数据,生成异常前检测波形数据和异常后检测波形数据,并利用车轮周向转动一圈所采集的所述检测波形数据的首尾所表征的车轮物理位置及波形特征均可相连的特性,以所述异常后检测波形数据在先、所述异常前检测波形数据在后,进行首尾拼接,生成未畸变的真实检测波形数据,通过对所述真实检测波形数据进行傅里叶变换计算生成波形数据的频谱,并利用粗糙度水平计算方法生成车轮粗糙度数据。
7.根据权利要求6所述的车轮多边形检测信号处理系统,其特征在于,所述数据处理单元通过所述检测波形数据的时域幅值特征提取异常数据点并判定异常数据点的异常类型,其中,异常类型包括点跳变和阶跃波。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011568335.5A CN112766043B (zh) | 2020-12-25 | 2020-12-25 | 一种列车车轮多边形检测信号处理方法及其系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011568335.5A CN112766043B (zh) | 2020-12-25 | 2020-12-25 | 一种列车车轮多边形检测信号处理方法及其系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112766043A CN112766043A (zh) | 2021-05-07 |
CN112766043B true CN112766043B (zh) | 2023-10-17 |
Family
ID=75694708
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011568335.5A Active CN112766043B (zh) | 2020-12-25 | 2020-12-25 | 一种列车车轮多边形检测信号处理方法及其系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112766043B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011242171A (ja) * | 2010-05-14 | 2011-12-01 | Fuji Heavy Ind Ltd | パルスレーダ装置 |
CN104063543A (zh) * | 2014-06-24 | 2014-09-24 | 同济大学 | 一种轨道交通轮轨组合粗糙度识别方法 |
CN108229253A (zh) * | 2016-12-15 | 2018-06-29 | 唐智科技湖南发展有限公司 | 一种轨道交通转轴碰磨故障的冲击诊断方法 |
CN108444653A (zh) * | 2018-03-09 | 2018-08-24 | 北京理工大学 | 一种面阵型超声波气体泄漏点定位检测装置及方法 |
CN108734060A (zh) * | 2017-04-18 | 2018-11-02 | 香港理工大学深圳研究院 | 一种高速动车组车轮多边形化的识别方法及装置 |
CN108731953A (zh) * | 2018-03-27 | 2018-11-02 | 常州路航轨道交通科技有限公司 | 一种列车轮对的多边形故障在线检测方法 |
CN208488073U (zh) * | 2018-06-05 | 2019-02-12 | 北京主导时代科技有限公司 | 一种列车轮对多边形检测装置 |
CN110584649A (zh) * | 2019-09-09 | 2019-12-20 | 武汉大学 | 一种动态单导心电图中异常心电信号识别方法及系统 |
CN110806324A (zh) * | 2019-11-11 | 2020-02-18 | 成都西交智众科技有限公司 | 基于轨道位移的车轮多边形磨耗检测方法及数据采集设备 |
CN211247409U (zh) * | 2019-08-23 | 2020-08-14 | 泉州华创智能科技有限公司 | 一种汽车皮带轮智能检测装置 |
CN111650345A (zh) * | 2020-07-14 | 2020-09-11 | 中科三清科技有限公司 | 大气环境污染检测数据的处理方法、装置、设备及介质 |
CN111669308A (zh) * | 2020-06-15 | 2020-09-15 | 上海豫源电力科技有限公司 | 基于轮询优化策略的Modbus通讯方法方法、装置、终端及介质 |
-
2020
- 2020-12-25 CN CN202011568335.5A patent/CN112766043B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011242171A (ja) * | 2010-05-14 | 2011-12-01 | Fuji Heavy Ind Ltd | パルスレーダ装置 |
CN104063543A (zh) * | 2014-06-24 | 2014-09-24 | 同济大学 | 一种轨道交通轮轨组合粗糙度识别方法 |
CN108229253A (zh) * | 2016-12-15 | 2018-06-29 | 唐智科技湖南发展有限公司 | 一种轨道交通转轴碰磨故障的冲击诊断方法 |
CN108734060A (zh) * | 2017-04-18 | 2018-11-02 | 香港理工大学深圳研究院 | 一种高速动车组车轮多边形化的识别方法及装置 |
CN108444653A (zh) * | 2018-03-09 | 2018-08-24 | 北京理工大学 | 一种面阵型超声波气体泄漏点定位检测装置及方法 |
CN108731953A (zh) * | 2018-03-27 | 2018-11-02 | 常州路航轨道交通科技有限公司 | 一种列车轮对的多边形故障在线检测方法 |
CN208488073U (zh) * | 2018-06-05 | 2019-02-12 | 北京主导时代科技有限公司 | 一种列车轮对多边形检测装置 |
CN211247409U (zh) * | 2019-08-23 | 2020-08-14 | 泉州华创智能科技有限公司 | 一种汽车皮带轮智能检测装置 |
CN110584649A (zh) * | 2019-09-09 | 2019-12-20 | 武汉大学 | 一种动态单导心电图中异常心电信号识别方法及系统 |
CN110806324A (zh) * | 2019-11-11 | 2020-02-18 | 成都西交智众科技有限公司 | 基于轨道位移的车轮多边形磨耗检测方法及数据采集设备 |
CN111669308A (zh) * | 2020-06-15 | 2020-09-15 | 上海豫源电力科技有限公司 | 基于轮询优化策略的Modbus通讯方法方法、装置、终端及介质 |
CN111650345A (zh) * | 2020-07-14 | 2020-09-11 | 中科三清科技有限公司 | 大气环境污染检测数据的处理方法、装置、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112766043A (zh) | 2021-05-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110307994B (zh) | 异声检测装置以及异声检测方法 | |
RU2470280C2 (ru) | Способ обнаружения и автоматической идентификации повреждения подшипников качения | |
CN102155988B (zh) | 设备监诊方法 | |
Kang et al. | Reliable fault diagnosis of multiple induction motor defects using a 2-D representation of Shannon wavelets | |
CA2874991A1 (en) | Methods and apparatuses for defect diagnosis in a mechanical system | |
CN109765055B (zh) | 基于ewt、谱有效值和knn的滚动轴承故障检测方法及系统 | |
CN109059839B (zh) | 一种车轮踏面失圆故障的诊断方法、装置及系统 | |
CN113375940A (zh) | 基于svd和ceemdan的故障轴承诊断方法 | |
CN104034412B (zh) | 一种基于分数阶全息原理的旋转机械故障特征提取方法 | |
Chen et al. | An ameliorated synchroextracting transform based on upgraded local instantaneous frequency approximation | |
CN110991564B (zh) | 基于多尺度分散熵偏均值与非线性模式分解的变工况轴承故障诊断方法 | |
CN110926594B (zh) | 一种旋转机械信号时变频率特征提取方法 | |
JP4777347B2 (ja) | 速度の空間高調波分析により走行状態を判定するための方法 | |
CN107689059A (zh) | 风力发电机组变桨异常的识别方法及装置 | |
CN112857804B (zh) | 一种滚动轴承故障诊断的方法、装置、介质及计算机设备 | |
CN112428753B (zh) | 一种车辆轮胎异常识别方法、装置、电子设备及存储介质 | |
CN112766043B (zh) | 一种列车车轮多边形检测信号处理方法及其系统 | |
CN113565584A (zh) | 一种叶端定时信号时频滤波方法 | |
CN109975025B (zh) | 基于自适应滤波解调的机车轮对轴承定量诊断方法 | |
CN114739671A (zh) | 一种基于改进广义s变换的轴承故障诊断方法 | |
CN112287775A (zh) | 一种电机故障诊断方法、装置及相关组件 | |
CN116337492A (zh) | 一种基于车载振动的车轮非圆化抗干扰检测方法 | |
CN115307939A (zh) | 轨道车辆的车轮圆周面检测方法、装置、设备及存储介质 | |
CN110866519B (zh) | 一种基于傅里叶分解与多尺度排列熵偏均值的滚动轴承故障诊断方法 | |
TWI398629B (zh) | Equipment supervision method |
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 |