CN113313146B - 一种设备异常运行状态智能监测的方法 - Google Patents
一种设备异常运行状态智能监测的方法 Download PDFInfo
- Publication number
- CN113313146B CN113313146B CN202110505909.2A CN202110505909A CN113313146B CN 113313146 B CN113313146 B CN 113313146B CN 202110505909 A CN202110505909 A CN 202110505909A CN 113313146 B CN113313146 B CN 113313146B
- Authority
- CN
- China
- Prior art keywords
- sound field
- equipment
- field image
- abnormal
- model
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 24
- 230000002159 abnormal effect Effects 0.000 title claims description 38
- 238000000034 method Methods 0.000 title claims description 29
- 238000013135 deep learning Methods 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 8
- 238000009434 installation Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 6
- 238000004519 manufacturing process Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 4
- 230000005855 radiation Effects 0.000 claims description 3
- 230000001105 regulatory effect Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 230000007547 defect Effects 0.000 abstract description 3
- 238000003745 diagnosis Methods 0.000 abstract description 3
- 238000012423 maintenance Methods 0.000 abstract description 3
- 230000008447 perception Effects 0.000 abstract description 2
- 238000005259 measurement Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 229920002430 Fibre-reinforced plastic Polymers 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000011151 fibre-reinforced plastic Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
- G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明的目的在于公开一种设备异常运行状态智能监测的方法,与现有技术相比,利用非接触式的方式来实现设备的全面感知,通过监测设备运行期间产生的声音获取设备状态信息,可以有效的弥补传统传感数据的不足,同时基于大数据和深度学习实现设备的故障监测诊断、预测性维护以及工业设备的全生命周期管理,实现本发明的目的。
Description
技术领域
本发明涉及一种设备智能监测的方法,特别涉及一种基于声音采集、声场处理和深度学习的设备异常运行状态智能监测的方法。
背景技术
当核电设备异常运行时,除了相关的运行参数会发生异常外,通常还会伴随有特定的可以辨识出来的声音,通过监测和分析此类声音往往可以有效的分析出设备的运行状态是否正常。当前的监测方法通常是基于有线或者无线的测量设备开展相应的设备监测和诊断,由于设备运行环境和设备本身的机构,在进行有线测量设备安装时受到很大的限制;无限测量针对的设备类型有限,覆盖设备范围较小,同时,也难以实现对复杂设备的测量和高频信号的传输,同时对电源的布置要求比较苛刻。当需要监听设备异常运行伴随的声音时,需要经验丰富的设备检修人员,通过现场人耳监听的方式来收集现场声音数据和辨识设备是否异常运行,此种方法需要工作人员非常熟悉设备的结构和机理,同时对设备检修环境的要求非常的高。随着声学相机和深度学习相关技术的发展和成熟应用,为核电设备的异常运行状态监测提供了全新的解决方法和思路。
声学相机技术,主要是指在小范围空间按照一定规则布置声学传感器阵列、通过测量一定空间内的声波到达各传声器的信号相位差异,依据相控阵原理确定声源的位置,测量声源的幅值。将声源位置与声源强弱以图像的方式显示声源在空间的分布,即取得空间声场分布云图。相关技术已经在交通等领域得到广泛应用。将声学相机技术应用在核电行业,重点考虑运行环境恶劣、空间狭小等传统测量手段不易实施的场景,利用能动设备发声的泛在特性,在一定距离的空间布置麦克风阵列,对一定空间范围内的设备发声状态进行声场测量,直观地认识声场、声波、声源,便捷地确定设备噪声部位。
基于GAN算法的深度学习模型是一种有效且新颖的异常监测方法,其模型由编码解码子网络、判别器子网络和编码子网络三部分组成,相比于传统模型而言,GAN不是比较图像分布,而是通过图像编码的潜在空间进行比对,当声场图像样本两次编码得到的潜在空间差距大于一定阈值的时候,就可以判定该声场图像样本为异常样。其最大的优势在于其训练样本均是设备正常运行的声场图像数据,大大降低了传统模型对异常样本的依赖性。
因此,特别需要一种设备异常运行状态智能监测的方法,以解决上述现有存在的问题。
发明内容
本发明的目的在于提供一种设备异常运行状态智能监测的方法,针对现有技术的不足,能够在无设备异常运行状态样本的情况下,针对正常样本进行深度学习训练,实现核电行业设备异常运行状态的智能识别预测,及时报警避免损失,具有覆盖方位较广、提升设备可用率、部署成本较低、智能水平高等特色。
本发明所解决的技术问题可以采用以下技术方案来实现:
一种设备异常运行状态智能监测的方法,其特征在于,包括如下步骤:
步骤S1、设备选型及现场部署;
步骤S2、声场数据采集与信号处理;
步骤S3、声场图像生成及叠加处理:在目标空间区域进行网格划分,不同网格点对应不同的时延矩阵,在网格区域进行搜索定位噪声源位置,并根据信号幅值计算相对声压,将声源位置与声源强弱以云图的方式在网格区域呈现;麦克风阵列应携带摄像头,实时拍摄背景图像,与声场云图进行透明叠加,形成可直观分析的被测物噪声声场图像;
步骤S4、图像样本数据预处理:预处理步骤3输出的声场图像数据集,剔除数据集中异常声场图像得到正常样本集,所述正常样本集是GANomaly网络训练的输入;
步骤S5、使用样本训练GANomaly模型:包含用于生成设备声场图像数据的编码解码子网络、用于判断生成的图像数据与输入的图像数据真实性的判别器子网络和用于提取生成声场图像数据瓶颈特征的编码子网络。将经预处理得到的正常声场图像集输入GANomaly网络,所述网络损失函数可以表示为:
其中衡量输入声场图像和生成声场图像特征表示之间的L2距离;/>衡量输入声场图像和生成声场图像之间的距离;/>衡量输入声场图像编码后与生成声场图像编码后之间的距离,ωadv,ωcon,ωenc是调节各损失的参数,深度学习网络经过设备正常声场图像集训练,得到可用GANomaly模型;
步骤S6、判断设备是否正常运行:将包含设备正常和异常声场图像组成的混合数据集输入训练好的深度学习GANomaly模型,识别预测设备运行状态;当模型接受到一个设备异常声场图像,此时模型的编码解码子网络将不适用于异常声场图像,异常声场图像经编码器得到的潜在变量GE(x)与编码子网络得到的潜在变量E(G(x))的差距很大;所述差距是一个分值即A(x)=||GE(x)-E(G(x))||1,通过设定阈值φ,若A(x)>φ,则模型就判定输入的声场图像x是异常数据,同时定义函数B(x)=φ-A(x),通过绘制B(x)的趋势图识别预测核电设备正常运行的状态趋势。
在本发明的一个实施例中,在步骤1中,根据被测核电设备和所在工业场景的特点,声学相机中的麦克风阵列需考虑数目、孔径大小、传感器阵元间距、空间分布形式等几何参数;麦克风传感器要求有一定的测量频率范围与波束成形范围,具有较高的信噪比、较高的采样频率、合适的测量距离;考虑传感器阵列在制造、安装、运输方面的便利性,以及麦克风传感器在核电特殊工业环境中的耐辐照特性。
在本发明的一个实施例中,在步骤2中,包括数据采集卡选型、现场采集、算法择优等几个过程,采集卡选型一般选择成熟商用产品,应具备高性能、多通道、大数据量动态采集要求;现场采集测试属于安装调试的一部分,目的在于给算法择优过程提供数据样本;算法择优阶段,应结合现场噪声特点、传感器阵列的几何尺寸与形状、安装位置等多变量,选择合适的信号处理算法。
在本发明的一个实施例中,在步骤3中,传感器阵元间距d、平行波束入射角θ、相邻阵元入射时延τ满足关系式τ=d.sinθ/c(c为声速),旋转麦克风阵列以获得不同的入射角θ,将所有传感器接收到的波形叠加,在某一入射角θ会使得叠加后的波形振幅最大;采用对传感器作时延处理,而不是旋转阵列,以达到调整入射角的效果,不同的时延矩阵,对应不同的入射角度,起到了空间滤波器的作用。
本发明的设备异常运行状态智能监测的方法,与现有技术相比,利用非接触式的方式来实现设备的全面感知,通过监测设备运行期间产生的声音获取设备状态信息,可以有效的弥补传统传感数据的不足,同时基于大数据和深度学习实现设备的故障监测诊断、预测性维护以及工业设备的全生命周期管理,实现本发明的目的。
本发明的特点可参阅本案图式及以下较好实施方式的详细说明而获得清楚地了解。
附图说明
图1为本发明的设备异常运行状态智能监测方法的流程图;
图2为本发明的声学相机采集设备运行噪音的原理图;
图3为本发明的设备运行状态异常检测深度学习模型的结构图。
具体实施方式
为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解,下面结合具体图示,进一步阐述本发明。
实施例
如图1所示,本发明的设备异常运行状态智能监测的方法,包括如下步骤:
步骤S1:设备选型及现场部署:根据被测核电设备和所在工业场景的特点,声学相机中的麦克风阵列需考虑数目、孔径大小、传感器阵元间距、空间分布形式等几何参数。麦克风传感器要求有一定的测量频率范围与波束成形范围,具有较高的信噪比、较高的采样频率、合适的测量距离。同时应考虑传感器阵列在制造、安装、运输方面的便利性,以及麦克风传感器在核电特殊工业环境中的耐辐照特性;
步骤S2:声场数据采集与信号处理,包括数据采集卡选型、现场采集、算法择优等几个过程。采集卡选型一般选择成熟商用产品,应具备高性能、多通道、大数据量动态采集要求;现场采集测试属于安装调试的一部分,目的在于给算法择优过程提供数据样本;算法择优阶段,应结合现场噪声特点、传感器阵列的几何尺寸与形状、安装位置等多变量,选择合适的信号处理算法;
步骤S3:声场图像生成及叠加处理:根据图1,传感器阵元间距d、平行波束入射角θ、相邻阵元入射时延τ满足关系式τ=d.sinθ/c(c为声速)。旋转麦克风阵列以获得不同的入射角θ,将所有传感器接收到的波形叠加,在某一入射角θ会使得叠加后的波形振幅最大。实际操作层面,采用对传感器作时延处理,而不是旋转阵列,以达到调整入射角的效果。不同的时延矩阵,对应不同的入射角度,起到了空间滤波器的作用。在目标空间区域进行网格划分,不同网格点对应不同的时延矩阵,在网格区域进行搜索定位噪声源位置,并根据信号幅值计算相对声压,将声源位置与声源强弱以云图的方式在网格区域呈现。技术上要求噪声源距离传感器阵列一定的距离,以满足远场声源、平行波束的假设;为直观显示噪声源与被测设备的相对位置,麦克风阵列应携带摄像头,实时拍摄背景图像,与声场云图进行透明叠加,形成可直观分析的被测物噪声声场图像;
步骤S4:图像样本数据预处理。核电设备声场图像数据集深度学习预处理,预处理步骤3输出的声场图像数据集,剔除数据集中异常声场图像得到正常样本集。所述正常样本集是GANomaly网络训练的输入,为了保证模型不出现欠拟合现象,其数量越大越好,并尽可能包含设备在所有转速和工况下的正常声场图像数据。核电设备工况复杂,声场图像分布有较大波动,靠人眼很难形成明确的判断规则,这也正是深度学习的价值所在。
步骤S5:使用样本训练GANomaly模型。所述GANomaly网络包含编码解码子网络、判别器子网络和编码子网络,如图3所示。编码解码子网络G(x)首先读取步骤4输出设备声场图像x,并将其前向传播给编码器GE(x)。使用带有Batch-Norm的卷积层和Leaky ReLU激活函数,通过压缩模型输入x为潜在向量z来实现下采样。解码器GD(z)采用DCGAN生成器的体系结构,利用卷积变换层,ReLU()激活函数和Batch-Norm及最后的tanh层,实现对潜在向量z进行上采样,将模型输入声场图像x重构为所述判别器子网络/>是DCGAN中标准判别器网络,分辨输入声场图像x和重构声场图像/>的真假。所述编码子网络/>与模型编码器GE(x)网络结构相同,用于实现压缩重构图像/>为了训练GANomaly模型,构造网络的目标函数如下:
ωadv,ωcon,ωenc是调节各损失的参数,深度学习网络经过上述训练,得到可用于设备异常运行状态智能监测的GANomaly模型。
步骤S6:判断设备是否正常运行。将包含设备正常和异常声场图像组成的混合数据集输入训练好的深度学习GANomaly模型,识别预测设备运行状态。所述GANomaly模型训练时只有正常声场图像参与,所以模型对设备正常声场图像可以做到较好的编码解码,当模型接受到一个设备异常声场图像,此时模型的编码解码子网络将不适用于异常声场图像,异常声场图像经编码器得到的潜在变量GE(x)与编码子网络得到的潜在变量E(G(x))的差距很大。所述差距是一个分值即A(x)=||GE(x)-E(G(x))||1,通过设定阈值φ,若A(x)>φ,则模型就判定输入的声场图像x是异常数据。同时定义函数B(x)=φ-A(x),通过绘制B(x)的趋势图识别预测核电设备正常运行的状态趋势。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内,本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (4)
1.一种设备异常运行状态智能监测的方法,其特征在于,包括如下步骤:
步骤S1、设备选型及现场部署;
步骤S2、声场数据采集与信号处理;
步骤S3、声场图像生成及叠加处理:在目标空间区域进行网格划分,不同网格点对应不同的时延矩阵,在网格区域进行搜索定位噪声源位置,并根据信号幅值计算相对声压,将声源位置与声源强弱以云图的方式在网格区域呈现;麦克风阵列应携带摄像头,实时拍摄背景图像,与声场云图进行透明叠加,形成可直观分析的被测物噪声声场图像;
步骤S4、图像样本数据预处理:预处理步骤S3输出的声场图像数据集,剔除数据集中异常声场图像得到正常样本集,所述正常样本集是GANomaly网络训练的输入;
步骤S5、使用样本训练GANomaly模型:包含用于生成设备声场图像数据的编码解码子网络、用于判断生成的图像数据与输入的图像数据真实性的判别器子网络和用于提取生成声场图像数据瓶颈特征的编码子网络,将经预处理得到的正常声场图像集输入GANomaly网络,所述网络损失函数可以表示为:
其中衡量输入声场图像和生成声场图像特征表示之间的L2距离;/>衡量输入声场图像和生成声场图像之间的距离;/>衡量输入声场图像编码后与生成声场图像编码后之间的距离,ωadv,ωcon,ωenc是调节各损失的参数,深度学习网络经过设备正常声场图像集训练,得到可用GANomaly模型;
步骤S6、判断设备是否正常运行:将包含设备正常和异常声场图像组成的混合数据集输入训练好的深度学习GANomaly模型,识别预测设备运行状态;当模型接受到一个设备异常声场图像,此时模型的编码解码子网络将不适用于异常声场图像,异常声场图像经编码器得到的潜在变量GE(x)与编码子网络得到的潜在变量E(G(x))的差距很大;所述差距是一个分值即A(x)=||GE(x)-E(G(x))||1,通过设定阈值φ,若A(x)>φ,则模型就判定输入的声场图像x是异常数据,同时定义函数B(x)=φ-A(x),通过绘制B(x)的趋势图识别预测核电设备正常运行的状态趋势。
2.如权利要求1所述的设备异常运行状态智能监测的方法,其特征在于,在步骤S1中,根据被测核电设备和所在工业场景的特点,声学相机中的麦克风阵列需考虑数目、孔径大小、传感器阵元间距、空间分布形式等几何参数;麦克风传感器要求有一定的测量频率范围与波束成形范围,具有较高的信噪比、较高的采样频率、合适的测量距离;考虑传感器阵列在制造、安装、运输方面的便利性,以及麦克风传感器在核电特殊工业环境中的耐辐照特性。
3.如权利要求1所述的设备异常运行状态智能监测的方法,其特征在于,在步骤S2中,包括数据采集卡选型、现场采集、算法择优等几个过程,采集卡选型一般选择成熟商用产品,应具备高性能、多通道、大数据量动态采集要求;现场采集测试属于安装调试的一部分,目的在于给算法择优过程提供数据样本;算法择优阶段,应结合现场噪声特点、传感器阵列的几何尺寸与形状、安装位置等多变量,选择合适的信号处理算法。
4.如权利要求1所述的设备异常运行状态智能监测的方法,其特征在于,在步骤S3中,传感器阵元间距d、平行波束入射角θ、相邻阵元入射时延τ满足关系式τ=d.sinθ/c(c为声速),旋转麦克风阵列以获得不同的入射角θ,将所有传感器接收到的波形叠加,在某一入射角θ会使得叠加后的波形振幅最大;采用对传感器作时延处理,而不是旋转阵列,以达到调整入射角的效果,不同的时延矩阵,对应不同的入射角度,起到了空间滤波器的作用。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110505909.2A CN113313146B (zh) | 2021-05-10 | 2021-05-10 | 一种设备异常运行状态智能监测的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110505909.2A CN113313146B (zh) | 2021-05-10 | 2021-05-10 | 一种设备异常运行状态智能监测的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113313146A CN113313146A (zh) | 2021-08-27 |
CN113313146B true CN113313146B (zh) | 2023-06-30 |
Family
ID=77372822
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110505909.2A Active CN113313146B (zh) | 2021-05-10 | 2021-05-10 | 一种设备异常运行状态智能监测的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113313146B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114154538B (zh) * | 2021-11-26 | 2022-09-02 | 哈尔滨工程大学 | 一种基于相位编码和设备信息的工业声音异常检测系统 |
CN114526812A (zh) * | 2022-01-05 | 2022-05-24 | 广西防城港核电有限公司 | 一种机械设备异音监测方法及系统 |
CN114781762B (zh) * | 2022-06-21 | 2022-09-23 | 四川观想科技股份有限公司 | 一种基于寿命消耗的装备故障预测方法 |
CN117217243B (zh) * | 2023-09-13 | 2024-02-09 | 广州莲雾科技有限公司 | 一种工器具自动借还管理系统 |
CN117031183B (zh) * | 2023-10-09 | 2024-01-09 | 北京谛声科技有限责任公司 | 一种智慧声纹终端设备及工业设备运行状态监测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109584221A (zh) * | 2018-11-16 | 2019-04-05 | 聚时科技(上海)有限公司 | 一种基于监督式生成对抗网络的异常图像检测方法 |
CN110766143A (zh) * | 2019-10-31 | 2020-02-07 | 上海埃威航空电子有限公司 | 基于人工神经网络的设备故障智能诊断方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190374205A1 (en) * | 2017-01-11 | 2019-12-12 | Institut National De La Recherche Medicale (Inserm) | Method and apparatus for imaging in real time the propagation of a mechanical wave in an acoustically propagative material |
-
2021
- 2021-05-10 CN CN202110505909.2A patent/CN113313146B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109584221A (zh) * | 2018-11-16 | 2019-04-05 | 聚时科技(上海)有限公司 | 一种基于监督式生成对抗网络的异常图像检测方法 |
CN110766143A (zh) * | 2019-10-31 | 2020-02-07 | 上海埃威航空电子有限公司 | 基于人工神经网络的设备故障智能诊断方法 |
Non-Patent Citations (1)
Title |
---|
一种硬盘故障预测的非监督对抗学习方法;姜少彬;杜春;陈浩;李军;伍江江;;西安电子科技大学学报(第02期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113313146A (zh) | 2021-08-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113313146B (zh) | 一种设备异常运行状态智能监测的方法 | |
Kim et al. | Sound-based remote real-time multi-device operational monitoring system using a convolutional neural network (CNN) | |
US20210096208A1 (en) | Apparatus, System and Method for Spatially Locating Sound Sources | |
WO2021036642A1 (zh) | 基于数字孪生模型的电子设备的智能健康预测方法及装置 | |
US11715190B2 (en) | Inspection system, image discrimination system, discrimination system, discriminator generation system, and learning data generation device | |
KR20200014129A (ko) | 딥러닝을 이용한 변압기 진단 방법 | |
CN104574390A (zh) | 基于视频监测技术的输电导线舞动幅值及频率的计算方法 | |
Flores-Fuentes et al. | Energy center detection in light scanning sensors for structural health monitoring accuracy enhancement | |
De Vita et al. | A novel data collection framework for telemetry and anomaly detection in industrial iot systems | |
CN112949402A (zh) | 极小故障样本量下行星齿轮箱故障诊断方法 | |
CN102081045A (zh) | 一种基于激光电视全息技术的结构损伤识别方法 | |
KR102509699B1 (ko) | 사운드 기반 다중 기기 운영 모니터링 방법과 이를 위한 시스템 | |
Meng et al. | Bearing fault diagnosis under multi-sensor fusion based on modal analysis and graph attention network | |
CN117116293A (zh) | 一种复杂声场环境中机器设备故障诊断系统 | |
CN109933933A (zh) | 一种噪声治理方法和设备 | |
CN117763494A (zh) | 基于多模态和多尺度融合网络的轴承诊断方法及系统 | |
KR102289212B1 (ko) | 인공지능 기반 고장 진단 장치 및 방법 | |
CN110675427B (zh) | 智能振动检测方法及相关产品 | |
CN116453277A (zh) | 周界安防入侵事件全覆盖式精准检测方法及系统 | |
US20230024104A1 (en) | Identification of false transformer humming using machine learning | |
CN114861726A (zh) | 一种风力发电机高速齿轮磨损故障趋势预测方法及系统 | |
CN109270492B (zh) | 一种用于大全息距离的正则化参数选取方法 | |
CN114113837A (zh) | 一种基于声学特征的变压器带电检测方法及系统 | |
Duan et al. | Video Motion Magnification and Subpixel Edge Detection‐Based Full‐Field Dynamic Displacement Measurement | |
Fuhrmann et al. | Cross Sensor Platform for Transformer Monitoring Applications |
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 | ||
CB02 | Change of applicant information |
Address after: No. 29 Hong Cao Road, Xuhui District, Shanghai Applicant after: Shanghai Nuclear Engineering Research and Design Institute Co.,Ltd. Address before: No. 29 Hong Cao Road, Xuhui District, Shanghai Applicant before: SHANGHAI NUCLEAR ENGINEERING RESEARCH & DESIGN INSTITUTE Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |