CN112839349B - 基于5g技术的角域平稳信号消噪方法、装置和网络服务端 - Google Patents
基于5g技术的角域平稳信号消噪方法、装置和网络服务端 Download PDFInfo
- Publication number
- CN112839349B CN112839349B CN202011564196.9A CN202011564196A CN112839349B CN 112839349 B CN112839349 B CN 112839349B CN 202011564196 A CN202011564196 A CN 202011564196A CN 112839349 B CN112839349 B CN 112839349B
- Authority
- CN
- China
- Prior art keywords
- signal
- angular domain
- network
- domain stationary
- dimensional array
- 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
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W84/00—Network topologies
- H04W84/18—Self-organising networks, e.g. ad-hoc networks or sensor networks
Abstract
本发明属于旋转机械故障诊断技术领域,针对非稳态下实时的角度重采样与消噪上手段落后、准确率低、灵活性的问题,提出了基于5G技术的角域平稳信号消噪方法、装置和网络服务端,该方法包括:将振动传感器接入5G网络,获取将原始的高频振动信号发送至服务器;确定采样点数和采样周期,根据采样点数和采样周期采集非稳态下高频振动信号,计算所述高频振动信号对应的角域平稳信号,形成训练数据集;由训练数据集构建DCGAN生成对抗网络;将采样所得的一维信号转化为二维数组;将二维数组输入到对抗网络中获得重构后的二维数组;将重构后的二维数组重新还原成一维信号,删除补零元素,得到消噪后的角域平稳信号,并输出。
Description
技术领域
本发明属于旋转机械故障诊断技术领域,具体涉及基于5G技术的角域平稳信号消噪方法、装置和网络服务端。
背景技术
旋转机械设备的振动信号中提供了该设备运转过程中的高信息内容,可以通过振动信号,分析出设备存在的不平衡、不对中、弯曲轴、滚动轴承故障、偏心等等问题。然而该方法存在如下问题,使得实际在进行振动分析时,高振动分析的准确性下降,适用范围缩小:
1、采集频率高导致实时的数据传输困难;
2、各振动传感器耦合性高、易出现真实信号与噪声信号叠加,影响后续振动分析;
3、旋转设备转速随时间变化时,采用短时傅里叶等分析方法会存在很多问题,影响判断。
针对上述问题,目前通常采用以下三种方式来进行高振动分析:(a)采用有线连接至采集器。该方法一定程度上解决了缓解振动数据传输难的问题,但是存在成本高、灵活性低。(b)采取硬件方法或峰值搜索法。该方法实现在非稳态时振动信号的等角度重采样,然而在实施时,需采购特定的硬件,且计算效率低下。(c)利用小波分析、EMD-DFA等算法。该方法通过振动信号实现分析,然而存在着灵活性和鲁棒性低的问题。
因此,如何提供基于5G技术的角域平稳信号消噪方法,用来解决现有技术中在非稳态下实时的等角度重采样与消噪上手段落后、准确率低、灵活性差等问题,显得很有必要。
发明内容
本发明为了解决现有技术在非稳态下实时的等角度重采样与消噪上手段落后、准确率低、灵活性差等问题,提出了基于5G技术的角域平稳信号消噪方法、装置和网络服务端。
本发明的基础方案为:基于5G技术的角域平稳信号消噪方法,包括以下步骤:
S10:将振动传感器接入5G网络,以获取将原始的高频振动信号发送至服务器;
S20:确定采样点数和采样周期,根据采样点数和采样周期采集非稳态下高频振动信号,计算所述高频振动信号对应的角域平稳信号,形成训练数据集;
S30:利用训练数据集,构建DCGAN生成对抗网络;
S40:根据采样点数,将采样所得的一维信号转化为二维数组;
S50:将二维数组输入到对抗网络中,以获得重构后的二维数组;
S60:将重构后的二维数组重新还原成一维信号,删除补零元素,得到消噪后的角域平稳信号;
S70:输出消噪后的角域平稳信号。
进一步,所述步骤S20,具体包括:
S21:确定每个采样周期的采样点数T;
S22:根据T值,对原始非稳态高频振动信号进行插值,求出其对应的幅值实现重采样,并生成原始高频振动信号的同步采样信号,即角域平稳信号;
S23:对大量历史已有的非稳态振动信号,均计算对应的角域平稳信号,形成训练数据集。
进一步,所述步骤S40,具体包括:
S41:根据采样点数T,确定最小的N,使得N2≥T;
S42:将一维信号进行分组,每组N个元素,按顺序组成二维数组;
S43:最后不足N的元素,通过补零得到N*N的二维数组。
进一步,所述步骤S30,具体包括:
S31:确定生成网络G中的编码网络E解码网络D与判别网络的相关参数,包括学习率、各层激活函数、优化器、迭代次数、批处理大小;
S32:根据采样点数T,采用T/2作为生成网络中编码器与解码器中间隐层的全连接神经元个数;
S33:利用训练集,交替固定与训练生成网络G与判别网络,完成DCGAN生成对抗网络训练。
进一步,所述步骤S10,具体包括:
S11:将无线振动传感器接入CPE生成的5G-WIFI信号中;
S12:无线振动传感器实时将原始的高频振动信号通过5G网络发送至服务器。
有益效果:与现有的技术相比,本发明提出的基于5G技术的角域平稳信号消噪方法,采用5G技术进行振动信号传输,可支撑更高量级的数据传输,降低传输的延时。采用软件方法实现非稳态下角域平稳信号计算,相比于硬件方法、峰值搜索方法,计算效率更高。同时采用DCGAN生成对抗网络,利用了大量历史数据学习,对比与小波分析、EMD-DFA等方法,计算效率高、鲁棒性强。同时本发明提出的方法实现简单、可快速移植至各类类似场景。
附图说明
一个或多个实施例通过与之对应的附图中的图片进行示例性说明,这些示例性说明并不构成对实施例的限定。
图1为本发明第一实施方式提供的基于5G技术的角域平稳信号消噪方法的流程图;
图2为本发明第一实施方式中涉及的提升机电机驱动端轴承垂直高频振动信号数据的相关表格示意图;
图3为本发明第一实施方式中涉及的 DCGAN生成网络G中解码网络结构的示意图;
图4为本发明第一实施方式中涉及的采用本方案、小波分析法和EMD-DFA法对非稳态下实时角域平稳信号进行消噪的效果对比表格的示意图;
图5为本发明第二实施方式提供的基于5G技术的角域平稳信号消噪装置的模块示意图。
具体实施方式
下面通过具体实施方式进一步详细的说明:
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合附图对本发明的各实施方式进行详细的阐述。然而,本领域的普通技术人员可以理解,在本发明各实施方式中,为了使读者更好地理解本申请而提出了许多技术细节。但是,即使没有这些技术细节和基于以下各实施方式的种种变化和修改,也可以实现本申请所要求保护的技术方案。
第一实施方式:
本发明的第一实施方式涉及基于5G技术的角域平稳信号消噪方法,非稳态是指振动转速处于随时间变化时的工作状况。
在本实施方式中,如图1所示,包括以下步骤:S10:将振动传感器接入5G网络,以获取将原始的高频振动信号发送至服务器;S20:确定采样点数和采样周期,根据采样点数和采样周期采集非稳态下高频振动信号,计算所述高频振动信号对应的角域平稳信号,形成训练数据集;S30:利用训练数据集,构建DCGAN生成对抗网络;S40:根据采样点数,将采样所得的一维信号转化为二维数组;S50:将二维数组输入到对抗网络中,以获得重构后的二维数组;S60:将重构后的二维数组重新还原成一维信号,删除补零元素,得到消噪后的角域平稳信号;S70:输出消噪后的角域平稳信号。
本发明提出的基于5G技术的角域平稳信号消噪方法,采用5G技术进行振动信号传输,可支撑更高量级的数据传输,降低传输的延时。采用软件方法实现非稳态下角域平稳信号计算,相比于硬件方法、峰值搜索方法,计算效率更高。同时采用DCGAN生成对抗网络,利用了大量历史数据学习,对比与小波分析、EMD-DFA等方法,计算效率高、鲁棒性强。同时本发明提出的方法实现简单、可快速移植至各类类似场景。
下面对本实施方式的基于5G技术的角域平稳信号消噪方法的实现细节进行具体的说明,以下内容仅为方便理解提供的实现细节,并非实施本方案的必须,本实施方式的具体流程如图1所示,本实施方式应用于网络侧的服务端。
S10:将振动传感器接入5G网络,以获取将原始的高频振动信号发送至服务器。
具体而言,该步骤S10,包括:S11:将无线振动传感器接入CPE生成的5G-WIFI信号中;S12:无线振动传感器实时将原始的高频振动信号通过5G网络发送至DCGAN网络模型预测MEC服务器。本方案中的服务器优选为DCGAN网络模型预测MEC服务器。
以提升机电机驱动端轴承垂直振动为例,采集电机处于减速、加速过程中的高频振动数据,如图2所示,图2中展示了提升机电机驱动端轴承垂直高频振动信号数据。
S20:确定采样点数和采样周期,根据采样点数和采样周期采集非稳态下高频振动信号,计算所述高频振动信号对应的角域平稳信号,形成训练数据集。
具体而言,该步骤S20,包括:S21:确定每个采样周期的采样点数T;S22:根据T值,对原始非稳态高频振动信号进行插值,求出其对应的幅值实现重采样,并生成原始高频振动信号的同步采样信号,即角域平稳信号;S23:对大量历史已有的非稳态振动信号,均计算对应的角域平稳信号,形成训练数据集。这里,非稳态是指旋转转速处于与时间相关的时刻。
上述案例中,确定每个采样周期的采样点数T=1000;根据T=1000,对原始非稳态高频振动信号进行拉格朗日插值法,求出其对应的幅值实现重采样,并生成原始高频振动信号的同步采样信号,即角域平稳信号;随后对大量历史已有的非稳态振动信号,均计算对应的角域平稳信号,形成训练数据集。
S30:利用训练数据集,构建DCGAN生成对抗网络。
具体而言,包括以下内容:S31:确定生成网络G中的编码网络E解码网络D与判别网络的相关参数,包括学习率、各层激活函数、优化器、迭代次数、批处理大小;S32:根据采样点数T,采用T/2作为生成网络中编码器与解码器中间隐层的全连接神经元个数;S33:利用训练集,交替固定与训练生成网络G与判别网络,完成DCGAN生成对抗网络训练。
上述案例中,确定生成网络G中的编码网络E解码网络D与判别网络的相关参数,包括学习率为0.001、各层激活函数为relu、优化器为Adam、迭代次数为100、批处理大小为64;根据采样点数T=1000,采用500作为生成网络中编码器与解码器中间隐层的全连接神经元个数;利用训练集,交替固定与训练生成网络G与判别网络,完成DCGAN生成对抗网络训练,图3展示了DCGAN生成网络G中解码网络的结构示意图。
S40:根据采样点数,将采样所得的一维信号转化为二维数组。
具体而言,S41:根据采样点数T,确定最小的N,使得N2≥T;S42:将一维信号进行分组,每组N个元素,按顺序组成二维数组;S43:最后不足N的元素,通过补零得到N*N的二维数组。
上述案例中,根据采样点数T=1000,找出最小的N=32,使得N2≥T;将一维信号进行分组,每组N(32)个元素,按顺序组成二维数组;最后不足N(32)的元素,通过补零得到N*N(32*32)的二维数组。
S50:将二维数组输入到对抗网络中,以获得重构后的二维数组。
具体而言,将二维数组输入给已训练好的生成网络中的编码网络E得到中间变量z,将z输入给训练好的解码网络D,得到重构后的二维数组。
S60:将重构后的二维数组重新还原成一维信号,删除补零元素,得到消噪后的角域平稳信号。
具体而言,将所述重构后的二维数组重新按顺序还原成一维信号,并删除补零的元素,得到消噪后的角域平稳振动数据,这里的顺序是指信号接收的先后顺序。
S70:输出消噪后的角域平稳信号。
具体而言,由服务器的输出模块基于5G网络,将消噪后的角域平稳信号转发给后续程序。
此外,本实施方式,还在相同的情况下,以相同采样频率和次数采用了小波分析法和EMD-DFA方法对非稳态下实时角域平稳信号;本方案的第一实施方式与小波分析法和EMD-DFA的消噪效果对比见图4所示,由此可知,本方案的第一实施方式对比其他两类消噪方法在MSE(均方误差,越小消噪效果越好)和SNR(信噪比,越大消噪效果越好)均有更好的消噪效果。
上面各种方法的步骤划分,只是为了描述清楚,实现时可以合并为一个步骤或者对某些步骤进行拆分,分解为多个步骤,只要包括相同的逻辑关系,都在本专利的保护范围内;对算法中或者流程中添加无关紧要的修改或者引入无关紧要的设计,但不改变其算法和流程的核心设计都在该专利的保护范围内。
第二实施方式:
本发明第二实施方式涉及基于5G技术的角域平稳信号消噪装置。如图5所示,包括振动传感器1和服务器2,所述振动传感器1与服务器2之间通过5G网络通信连接;所述服务器2包括数据处理模块21、数据存储模块22、数据重构模块23、模型建立模块24、消噪模块25和输出模块26。
具体而言,振动传感器1,用于根据预设采样点数和采样周期,采集非稳态下高频振动信号;数据处理模块21,用于计算所述高频振动信号对应的角域平稳信号;数据存储模块22,用于将所述角域平稳信号形成训练数据集,并存储;模型建立模块23,用于所述数据存储模块中的训练数据集,构建DCGAN生成对抗网络;数据重构模块24,用于根据采样点数,将数据存储模块中由振动传感器采样、数据处理模块进行处理后的角域平稳信号作为一维信号,将所述一维信号转化为二维数组;消噪模块25,用于将所述二维数组输入到所述对抗网络中,获得重构后的二维数组;并将重构后的二维数组重新还原成一维信号,删除补零元素,得到消噪后的角域平稳信号;输出模块26,用于输出所述消噪后的角域平稳信号。
不难发现,本实施方式为与第一实施方式相对应的系统实施例,本实施方式可与第一实施方式互相配合实施。第一实施方式中提到的相关技术细节在本实施方式中依然有效,为了减少重复,这里不再赘述。相应地,本实施方式中提到的相关技术细节也可应用在第一实施方式中。
与现有的技术相比,本发明提出的基于5G技术的角域平稳信号消噪装置,采用5G技术进行振动信号传输,可支撑更高量级的数据传输,降低传输的延时。同时采用DCGAN生成对抗网络,利用了大量历史数据学习,对比与小波分析、EMD-DFA等方法,计算效率高、鲁棒性强。同时本发明提出的方法实现简单、可快速移植至各类类似场景。
第三实施方式:
本发明第三实施方式涉及一种网络服务端,包括至少一个处理器;以及,与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行上述的基于5G技术的角域平稳信号消噪方法。
其中,存储器和处理器采用总线方式连接,总线可以包括任意数量的互联的总线和桥,总线将一个或多个处理器和存储器的各种电路连接在一起。总线还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路连接在一起,这些都是本领域所公知的,因此,本文不再对其进行进一步描述。总线接口在总线和收发机之间提供接口。收发机可以是一个元件,也可以是多个元件,比如多个接收器和发送器,提供用于在传输介质上与各种其他装置通信的单元。经处理器处理的数据通过天线在无线介质上进行传输,进一步,天线还接收数据并将数据传送给处理器。
处理器负责管理总线和通常的处理,还可以提供各种功能,包括定时,外围接口,电压调节、电源管理以及其他控制功能。而存储器可以被用于存储处理器在执行操作时所使用的数据。
第四实施方式:
本发明第四实施方式涉及一种计算机可读存储介质,存储有计算机程序。计算机程序被处理器执行时实现第一实施方式中的基于5G技术的角域平稳信号消噪方法。
即,本领域技术人员可以理解,实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序存储在一个存储介质中,包括若干指令用以使得一个设备(可以是单片机,芯片等)或处理器(processor)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述的仅是本发明的实施例,方案中公知的具体结构及特性等常识在此未作过多描述,所属领域普通技术人员知晓申请日或者优先权日之前发明所属技术领域所有的普通技术知识,能够获知该领域中所有的现有技术,并且具有应用该日期之前常规实验手段的能力,所属领域普通技术人员可以在本申请给出的启示下,结合自身能力完善并实施本方案,一些典型的公知结构或者公知方法不应当成为所属领域普通技术人员实施本申请的障碍。应当指出,对于本领域的技术人员来说,在不脱离本发明结构的前提下,还可以作出若干变形和改进,这些也应该视为本发明的保护范围,这些都不会影响本发明实施的效果和专利的实用性。本申请要求的保护范围应当以其权利要求的内容为准,说明书中的具体实施方式等记载可以用于解释权利要求的内容。
Claims (7)
1.基于5G技术的角域平稳信号消噪方法,其特征在于:包括以下步骤:
S10:将振动传感器接入5G网络,以获取将原始的高频振动信号发送至服务器;
S20:确定采样点数和采样周期;根据采样点数和采样周期采集非稳态下高频振动信号,计算所述高频振动信号对应的角域平稳信号,形成训练数据集,具体包括:S21,确定每个采样周期的采样点数T;S22,根据T值,对原始非稳态高频振动信号进行插值,求出其对应的幅值实现重采样,并生成原始高频振动信号的同步采样信号,即角域平稳信号;S23,对大量历史已有的非稳态振动信号,均计算对应的角域平稳信号,形成训练数据集;
S30:利用训练数据集,构建DCGAN生成对抗网络;
S40:根据采样点数,将采样所得的一维信号转化为二维数组,具体包括:S41,根据采样点数T,确定最小的N,使得N2≥T;S42,将一维信号进行分组,每组N个元素,按顺序组成二维数组;S43,最后不足N的元素,通过补零得到N*N的二维数组;
S50:将二维数组输入到对抗网络中,以获得重构后的二维数组;
S60:将重构后的二维数组重新还原成一维信号,删除补零元素,得到消噪后的角域平稳信号;
S70:输出消噪后的角域平稳信号。
2.根据权利要求1所述的基于5G技术的角域平稳信号消噪方法,其特征在于:所述步骤S30,具体包括:
S31:确定生成网络G中的编码网络E解码网络D与判别网络的相关参数,包括学习率、各层激活函数、优化器、迭代次数、批处理大小;
S32:根据采样点数T,采用T/2作为生成网络中编码器与解码器中间隐层的全连接神经元个数;
S33:利用训练集,交替固定与训练生成网络G与判别网络,完成DCGAN生成对抗网络训练。
3.根据权利要求1所述的基于5G技术的角域平稳信号消噪方法,其特征在于:步骤S10,具体包括:
S11:将无线振动传感器接入CPE生成的5G-WIFI信号中;
S12:无线振动传感器实时将原始的高频振动信号通过5G网络发送至服务器。
4.根据权利要求1所述的基于5G技术的角域平稳信号消噪方法,其特征在于:所述非稳态是指振动转速处于随时间变化时的工作状况。
5.基于5G技术的角域平稳信号消噪装置,其特征在于,包括振动传感器和服务器,所述振动传感器与服务器之间通过5G网络通信连接;所述服务器包括数据处理模块、数据存储模块、数据重构模块、模型建立模块、消噪模块和输出模块;
所述振动传感器,用于根据预设采样点数和采样周期,采集非稳态下高频振动信号,包括,确定每个采样周期的采样点数T;
所述数据处理模块,用于计算所述高频振动信号对应的角域平稳信号,包括,根据T值,对原始非稳态高频振动信号进行插值,求出其对应的幅值实现重采样,并生成原始高频振动信号的同步采样信号,即角域平稳信号;
所述数据存储模块,用于将所述角域平稳信号形成训练数据集,并存储,包括,对大量历史已有的非稳态振动信号,均计算对应的角域平稳信号,形成训练数据集;
所述模型建立模块,用于所述数据存储模块中的训练数据集,构建DCGAN生成对抗网络;
所述数据重构模块,用于根据采样点数,将数据存储模块中由振动传感器采样、数据处理模块进行处理后的角域平稳信号作为一维信号,将所述一维信号转化为二维数组,包括:根据采样点数T,确定最小的N,使得N2≥T,将一维信号进行分组,每组N个元素,按顺序组成二维数组,最后不足N的元素,通过补零得到N*N的二维数组;
所述消噪模块,用于将所述二维数组输入到所述对抗网络中,获得重构后的二维数组;并将重构后的二维数组重新还原成一维信号,删除补零元素,得到消噪后的角域平稳信号;
所述输出模块,用于输出所述消噪后的角域平稳信号。
6.一种网络服务端,其特征在于,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1至4中任一项所述的基于5G技术的角域平稳信号消噪方法。
7.一种计算机可读存储介质,存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至4中任一项所述的基于5G技术的角域平稳信号消噪方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011564196.9A CN112839349B (zh) | 2020-12-25 | 2020-12-25 | 基于5g技术的角域平稳信号消噪方法、装置和网络服务端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011564196.9A CN112839349B (zh) | 2020-12-25 | 2020-12-25 | 基于5g技术的角域平稳信号消噪方法、装置和网络服务端 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112839349A CN112839349A (zh) | 2021-05-25 |
CN112839349B true CN112839349B (zh) | 2022-10-25 |
Family
ID=75924930
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011564196.9A Active CN112839349B (zh) | 2020-12-25 | 2020-12-25 | 基于5g技术的角域平稳信号消噪方法、装置和网络服务端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112839349B (zh) |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107560724B (zh) * | 2017-09-27 | 2020-02-14 | 朗坤智慧科技股份有限公司 | 一种振动信号分析方法 |
CN109682597A (zh) * | 2019-02-01 | 2019-04-26 | 朗坤智慧科技股份有限公司 | 一种齿轮箱振动信号处理和分析方法 |
CN110376522B (zh) * | 2019-09-03 | 2021-07-16 | 宁夏西北骏马电机制造股份有限公司 | 一种数据融合的深度学习网络的电机故障诊断方法 |
CN110647867B (zh) * | 2019-10-09 | 2022-05-13 | 中国科学技术大学 | 基于自适应抗噪声神经网络的轴承故障诊断方法及系统 |
CN110795843B (zh) * | 2019-10-24 | 2024-03-29 | 北京建筑大学 | 一种识别滚动轴承故障的方法及装置 |
CN111597948A (zh) * | 2020-05-11 | 2020-08-28 | 苏州求臻智能科技有限公司 | 一种轴承振动信号的故障检测和分类方法 |
CN111797567B (zh) * | 2020-06-09 | 2024-02-13 | 合肥工业大学 | 一种基于深度学习网络的轴承故障分类方法及系统 |
CN112069930A (zh) * | 2020-08-20 | 2020-12-11 | 国网山西省电力公司电力科学研究院 | 提升gis设备故障诊断准确率的振动信号处理方法及装置 |
CN112115802A (zh) * | 2020-08-26 | 2020-12-22 | 武汉理工大学 | 一种起重机回转机构齿轮故障诊断方法、系统及存储介质 |
-
2020
- 2020-12-25 CN CN202011564196.9A patent/CN112839349B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112839349A (zh) | 2021-05-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113935460B (zh) | 类不平衡数据集下的机械故障智能诊断方法 | |
CN107394784B (zh) | 一种陷波滤波器在线谐振抑制参数优化方法 | |
CN108830129A (zh) | 一种机械设备故障信号特征提取方法 | |
CN114549925A (zh) | 一种基于深度学习的海浪有效波高时间序列预测方法 | |
CN104050147A (zh) | 将时域信号转换成频域信号的方法与系统 | |
CN112362343A (zh) | 基于调频字典的齿轮箱变转速下分布型故障特征提取方法 | |
CN113723171A (zh) | 基于残差生成对抗网络的脑电信号去噪方法 | |
CN112839349B (zh) | 基于5g技术的角域平稳信号消噪方法、装置和网络服务端 | |
CN117318671B (zh) | 一种基于快速傅里叶变换的自适应滤波方法 | |
CN106603036A (zh) | 一种基于低阶内插滤波器的自适应时延估计方法 | |
CN112240956B (zh) | 一种电子通信网络弱信号捕获系统及方法 | |
CN109033025A (zh) | 基于状态空间模型的浮式结构时域响应分析方法 | |
CN102104560B (zh) | 信道估计方法及装置 | |
CN112488931A (zh) | 一种卫星遥感影像中输电线路的超分辨率增强方法及系统 | |
CN116563110A (zh) | 基于Bicubic下采样图像空间对齐的盲图像超分辨率重建方法 | |
KR101646626B1 (ko) | 후치 기반 위상 회전을 수행하는 빔 집속기 및 빔 집속 방법 | |
CN110808929A (zh) | 相减策略的实复转换式信噪比估计算法 | |
CN110261912A (zh) | 一种地震数据的插值和去噪方法及系统 | |
US20020190886A1 (en) | New method and a system of acquiring local signal behavior parameters for representing and processing a signal | |
CN115565542A (zh) | 一种基于纯时域信息的实时语音去噪方法和装置以及设备 | |
CN115808312A (zh) | 基于可变形卷积和Transformer的滚动轴承故障诊断方法 | |
CN103809516A (zh) | 基于主从平台通信的伺服系统振动抑制装置及其抑制方法 | |
WO2020080143A1 (ja) | 計算機、センシングシステム、及びデータ通信方法 | |
CN106788449A (zh) | 一种实时电能质量数据参数化压缩方法 | |
CN102130874B (zh) | 一种信道估计方法和装置 |
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 | ||
CB02 | Change of applicant information |
Address after: 210000 floor 31, Asia Pacific business building, No. 2 Hanzhong Road, Gulou District, Nanjing, Jiangsu Province Applicant after: LUCULENT SMART TECHNOLOGIES CO.,LTD. Address before: Room a808, World Trade Center building, 67 Shanxi Road, Gulou District, Nanjing, Jiangsu 210000 Applicant before: LUCULENT SMART TECHNOLOGIES CO.,LTD. |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |