CN113569820A - 汽轮机的故障诊断方法、装置、电子设备和可读介质 - Google Patents
汽轮机的故障诊断方法、装置、电子设备和可读介质 Download PDFInfo
- Publication number
- CN113569820A CN113569820A CN202111118007.XA CN202111118007A CN113569820A CN 113569820 A CN113569820 A CN 113569820A CN 202111118007 A CN202111118007 A CN 202111118007A CN 113569820 A CN113569820 A CN 113569820A
- Authority
- CN
- China
- Prior art keywords
- vibration signal
- signal
- fault
- generate
- target
- 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.)
- Granted
Links
Images
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
- G06F2218/04—Denoising
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M15/00—Testing of engines
- G01M15/14—Testing gas-turbine engines or jet-propulsion engines
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- General Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Control Of Turbines (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本公开的实施例公开了汽轮机的故障诊断方法、装置、电子设备和可读介质。该方法的一具体实施方式包括:获取实时采集的目标汽轮机的第一震动信号和第二震动信号,其中,第一震动信号由目标汽轮机上安装的目标数量个电涡流传感器采集得到;对第一震动信号进行降噪提纯处理,以生成第三震动信号;根据第三震动信号,生成转子运动轨迹;对第二震动信号进行信号分解处理,以生成第四震动信号集合;根据预先训练的目标故障识别模型和第四震动信号集合,生成候选故障类别;根据转子运动轨迹和候选故障类别,生成故障诊断结果。该实施方式提高了故障诊断的效率和准确率。
Description
技术领域
本公开的实施例涉及计算机技术领域,具体涉及汽轮机的故障诊断方法、装置、电子设备和可读介质。
背景技术
汽轮机是一种以蒸汽为动力,将热能转化为电能的装置。随着我国电力需求的不断增加,对于汽轮机的可靠性提出了更高的要求。目前,在对汽轮机的故障进行诊断时,通常采用的方式为:通过人工的方式对汽轮机进行故障诊断。
然而,当采用上述方式进行汽轮机的故障诊断时,经常会存在如下技术问题:
第一、通过人工进行故障诊断的方式,故障诊断效率低下;
第二、由于汽轮机机械结构复杂,通过人工进行故障诊断的方式,往往无法准确地从复杂的震动信号中,分析得到导致故障的真正原因,从而导致故障诊断的准确率低下。
发明内容
本公开的内容部分用于以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
本公开的一些实施例提出了汽轮机的故障诊断方法、装置、电子设备和可读介质,来解决以上背景技术部分提到的技术问题中的一项或多项。
第一方面,本公开的一些实施例提供了一种汽轮机的故障诊断方法,该方法包括:获取实时采集的目标汽轮机的第一震动信号和第二震动信号,其中,上述第一震动信号由上述目标汽轮机上安装的目标数量个电涡流传感器采集得到;对上述第一震动信号进行降噪提纯处理,以生成第三震动信号;根据上述第三震动信号,生成转子运动轨迹;对上述第二震动信号进行信号分解处理,以生成第四震动信号集合;根据预先训练的目标故障识别模型和上述第四震动信号集合,生成候选故障类别;根据上述转子运动轨迹和上述候选故障类别,生成故障诊断结果。
第二方面,本公开的一些实施例提供了一种汽轮机的故障诊断装置,装置包括:获取单元,被配置成获取实时采集的目标汽轮机的第一震动信号和第二震动信号,其中,上述第一震动信号由上述目标汽轮机上安装的目标数量个电涡流传感器采集得到;降噪提纯处理单元,被配置成对上述第一震动信号进行降噪提纯处理,以生成第三震动信号;第一生成单元,被配置成根据上述第三震动信号,生成转子运动轨迹;信号分解处理单元,被配置成对上述第二震动信号进行信号分解处理,以生成第四震动信号集合;第二生成单元,被配置成根据预先训练的目标故障识别模型和上述第四震动信号集合,生成候选故障类别;第三生成单元,被配置成根据上述转子运动轨迹和上述候选故障类别,生成故障诊断结果。
第三方面,本公开的一些实施例提供了一种电子设备,包括:一个或多个处理器;存储装置,其上存储有一个或多个程序,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现上述第一方面任一实现方式所描述的方法。
第四方面,本公开的一些实施例提供了一种计算机可读介质,其上存储有计算机程序,其中,程序被处理器执行时实现上述第一方面任一实现方式所描述的方法。
本公开的上述各个实施例具有如下有益效果:通过本公开的一些实施例的汽轮机的故障诊断方法,提高了汽轮机的故障诊断效率。具体来说,造成故障诊断效率低下的原因在于:人工诊断的方式较为依赖人的经验,且拥有丰富的汽轮机诊断经验的人才较为稀缺,从而导致汽轮机的故障诊断效率低下。基于此,本公开的一些实施例的汽轮机的故障诊断方法,首先,获取实时采集的目标汽轮机的第一震动信号和第二震动信号,其中,上述第一震动信号由上述目标汽轮机上安装的目标数量个电涡流传感器采集得到。实际情况中,当汽轮机发生故障时往往会发生震动,因此,通过获取第一震动信号和第二震动信号,可以对上述第一震动信号和上述第二震动信号进行信号分析,从而进行故障诊断。其次,对上述第一震动信号进行降噪提纯处理,以生成第三震动信号。实际情况中,当汽轮机某部件发生故障时,往往会带动汽轮机包含的其他部件进行震动,通过降噪提纯能够对震动信号进行过滤。然后,根据上述第三震动信号,生成转子运动轨迹。实际情况中,转子作为汽轮机中的重要部件,其它部件发生故障往往都会引起转子产生不同的异常。例如,当转子的运动轨迹为“正向涡旋”时,往往很有可能是转子弯曲刚度不对称造成的。因此,通过生成转子运动轨迹可以较好地刻画转子的实际运动状态,方便后续地故障诊断。进一步,对上述第二震动信号进行信号分解处理,以生成第四震动信号集合。实际情况中,当故障部件发生震动时,往往会带动其它部件发生震动,这就造成得到的震动信号往往是复合震动信号。因此,对于第二震动信号的信号分解,能够较好地提取出故障部件对应的震动信号。此外,根据预先训练的目标故障识别模型和上述第四震动信号集合,生成候选故障类别。通过目标故障识别模型进行故障识别,相比于人工的方式,诊断效率更高,此外,相比于人工识别的方式,可以将过目标故障识别模型部署在多台计算终端上,以实现并行地故障诊断。最后,根据上述转子运动轨迹和上述候选故障类别,生成故障诊断结果。由于部件发生故障往往都会引起转子产生不同的异常。因此根据转子运动轨迹和候选类别,能够更加高效和准确地生成故障诊断结果。
附图说明
结合附图并参考以下具体实施方式,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,元件和元素不一定按照比例绘制。
图1是本公开的一些实施例的汽轮机的故障诊断方法的一个应用场景的示意图;
图2是根据本公开的汽轮机的故障诊断方法的一些实施例的流程图;
图3是转子运动轨迹的示意图;
图4是根据本公开的汽轮机的故障诊断方法的另一些实施例的流程图;
图5是特征降噪网络的网络结构示意图;
图6是根据初始震动信号,确定上包络线和下包络线的示意图;
图7是波形对比分析图;
图8是根据本公开的汽轮机的故障诊断装置的一些实施例的结构示意图;
图9是适于用来实现本公开的一些实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例。相反,提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
图1是本公开的一些实施例的汽轮机的故障诊断方法的一个应用场景的示意图。
在图1的应用场景中,首先,计算设备101可以获取实时采集的目标汽轮机的第一震动信号102和第二震动信号103,其中,上述第一震动信号102由上述目标汽轮机上安装的目标数量个电涡流传感器采集得到;然后,计算设备101可以对上述第一震动信号102进行降噪提纯处理,以生成第三震动信号104;其次,计算设备101可以根据上述第三震动信号104,生成转子运动轨迹105;进一步,计算设备101可以对上述第二震动信号103进行信号分解处理,以生成第四震动信号集合106;此外,计算设备101可以根据预先训练的目标故障识别模型107和上述第四震动信号集合106,生成候选故障类别108;最后,计算设备101可以根据上述转子运动轨迹105和上述候选故障类别108,生成故障诊断结果109。
需要说明的是,上述计算设备101可以是硬件,也可以是软件。当计算设备为硬件时,可以实现成多个服务器或终端设备组成的分布式集群,也可以实现成单个服务器或单个终端设备。当计算设备体现为软件时,可以安装在上述所列举的硬件设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块,也可以实现成单个软件或软件模块。在此不做具体限定。
应该理解,图1中的计算设备的数目仅仅是示意性的。根据实现需要,可以具有任意数目的计算设备。
继续参考图2,示出了根据本公开的汽轮机的故障诊断方法的一些实施例的流程200。该汽轮机的故障诊断方法,包括以下步骤:
步骤201,获取实时采集的目标汽轮机的第一震动信号和第二震动信号。
在一些实施例中,汽轮机的故障诊断方法的执行主体(例如图1所示的计算设备101)可以通过有线连接的方式,获取实时采集的上述目标汽轮机的上述第一震动信号和上述第二震动信号。其中,上述目标汽轮机可以是需要进行故障诊断的汽轮机。上述第一震动信号可以由上述目标汽轮机上安装的目标数量个电涡流传感器采集得到。例如,上述目标数量可以是2。当上述目标数量为2时,2个电涡流传感器可以互相垂直设置,以使得电涡流传感器可以采集到的X轴方向的震动信号和Y轴方向的震动信号。实际情况中,汽轮机往往包含较多的部件,通过多个传感器对全部部件的状态进行检测,检测成本较高。因此,通过采集上述目标汽轮机的整体震动信号,以生成第二震动信号,能够大幅地缩减传感器数量。
步骤202,对第一震动信号进行降噪提纯处理,以生成第三震动信号。
在一些实施例中,上述执行主体可以对上述第一震动信号进行降噪提纯处理,以生成上述第三震动信号。
作为示例,上述执行主体可以通过对上述第一震动信号进行EMD(Empirical ModeDecomposition,经验模态分解处理)处理,以生成上述第三震动信号。
步骤203,根据第三震动信号,生成转子运动轨迹。
在一些实施例中,上述执行主体可以根据上述第三震动信号,生成上述转子运动轨迹。
作为示例,上述执行主体可以根据上述第三震动信号,刻画上述目标汽轮机包含的转子的运动轨迹,以生成上述转子运动轨迹。例如,如图3所示的上述转子运动轨迹301。
步骤204,对第二震动信号进行信号分解处理,以生成第四震动信号集合。
作为示例,上述执行主体可以通过对上述第一震动信号进行CEEMDAN(CompleteEnsemble Empirical Mode Decomposition with Adaptive Noise,自适应噪声完备集合经验模态分解)处理,以生成上述第四震动信号集合。
步骤205,根据预先训练的目标故障识别模型和第四震动信号集合,生成候选故障类别。
在一些实施例中,上述执行主体可以根据预先训练的上述目标故障识别模型和上述第四震动信号集合,生成上述候选故障类别。其中,上述目标故障识别模型可以是根据上述第四震动信号集合中的第四震动信号,生成上述候选故障类别的模型。例如,上述目标故障识别模型可以是SVM(Support Vector Machine,支持向量机)模型。上述故障类别可以是用于描述上述目标汽轮机的故障。例如,上述故障类别可以包括:震动类别和相位类别。其中,上述震动类别可以用于表征上述目标汽轮机中的转子的震动类型。上述相位类别可以用于表征上述目标汽轮机中的转子的相位特征。
作为示例,上述故障类别可以是:{震动类别:“不稳定”,相位类别:“不稳定”}。
步骤206,根据转子运动轨迹和候选故障类别,生成故障诊断结果。
在一些实施例中,上述执行主体可以根据上述转子运动轨迹和上述候选故障类别,生成故障诊断结果。其中,上述故障诊断结果可以用于表征当上述目标汽轮机发生故障时的故障类型。
作为示例,当上述候选故障类别为{震动类别:“不稳定”,相位类别:“不稳定”}。上述转子运动轨迹的轨迹类型可以是圆形。则上述故障诊断结果可以是“转子暂时性弯曲”。
作为又一示例,当上述候选故障类别为{震动类别:“不稳定”,相位类别:“较稳定”}。上述转子运动轨迹的轨迹类型可以是椭圆。则上述故障诊断结果可以是“转子偏心”。
本公开的上述各个实施例具有如下有益效果:通过本公开的一些实施例的汽轮机的故障诊断方法,提高了汽轮机的故障诊断效率。具体来说,造成故障诊断效率低下的原因在于:人工诊断的方式较为依赖人的经验,且拥有丰富的汽轮机诊断经验的人才较为稀缺,从而导致汽轮机的故障诊断效率低下。基于此,本公开的一些实施例的汽轮机的故障诊断方法,首先,获取实时采集的目标汽轮机的第一震动信号和第二震动信号,其中,上述第一震动信号由上述目标汽轮机上安装的目标数量个电涡流传感器采集得到。实际情况中,当汽轮机发生故障时往往会发生震动,因此,通过获取第一震动信号和第二震动信号,可以对上述第一震动信号和上述第二震动信号进行信号分析,从而进行故障诊断。其次,对上述第一震动信号进行降噪提纯处理,以生成第三震动信号。实际情况中,当汽轮机某部件发生故障时,往往会带动汽轮机包含的其他部件进行震动,通过降噪提纯能够对震动信号进行过滤。然后,根据上述第三震动信号,生成转子运动轨迹。实际情况中,转子作为汽轮机中的重要部件,其它部件发生故障往往都会引起转子产生不同的异常。例如,当转子的运动轨迹为“正向涡旋”时,往往很有可能是转子弯曲刚度不对称造成的。因此,通过生成转子运动轨迹可以较好地刻画转子的实际运动状态,方便后续地故障诊断。进一步,对上述第二震动信号进行信号分解处理,以生成第四震动信号集合。实际情况中,当故障部件发生震动时,往往会带动其它部件发生震动,这就造成得到的震动信号往往是复合震动信号。因此,对于第二震动信号的信号分解,能够较好地提取出故障部件对应的震动信号。此外,根据预先训练的目标故障识别模型和上述第四震动信号集合,生成候选故障类别。通过目标故障识别模型进行故障识别,相比于人工的方式,诊断效率更高,此外,相比于人工识别的方式,可以将过目标故障识别模型部署在多台计算终端上,以实现并行地故障诊断。最后,根据上述转子运动轨迹和上述候选故障类别,生成故障诊断结果。由于部件发生故障往往都会引起转子产生不同的异常。因此根据转子运动轨迹和候选类别,能够更加高效和准确地生成故障诊断结果。
进一步参考图4,其示出了汽轮机的故障诊断方法的另一些实施例的流程400。该汽轮机的故障诊断方法的流程400,包括以下步骤:
步骤401,获取实时采集的目标汽轮机的第一震动信号和第二震动信号。
在一些实施例中,步骤401的具体实现方式及所带来的技术效果可以参考图2对应的那些实施例中的步骤201,在此不再赘述。
步骤402,对第一震动信号进行模态分解处理,以生成第一震动信号分量,得到第一震动信号分量集合。
在一些实施例中,汽轮机的故障诊断方法的执行主体(例如图1所示的计算设备101)可以对上述第一震动信号进行模态分解处理,以生成上述第一震动信号分量,得到上述第一震动信号分量集合。
作为示例,上述执行主体可以通过EMD处理,实现对上述第一震动信号的模态分解处理,以生成上述第一震动信号分量,得到第一震动信号分量集合。
作为又一示例,上述执行主体可以通过CEEMDAN处理,实现对上述第一震动信号的模态分解处理,以生成上述第一震动信号分量,得到第一震动信号分量集合。
步骤403,将第一震动信号分量集合中的第一震动信号分量输入预先训练的特征降噪网络,以生成第三震动信号。
在一些实施例中,上述执行主体可以将上述第一震动信号分量集合中的第一震动信号分量输入预先训练的上述特征降噪网络,以生成上述第三震动信号。
作为示例,上述特征降噪网络可以包括:编码网络、解码网络、第一注意力模块、第二注意力模块、第三注意力模块、第四注意力模块、第五注意力模块和SoftMax层。其中,上述编码网络的网络结构和上述解码网络的网络结构对称,以使得得到的最终特征图与原始输入的尺寸一致。
例如,如图5所示的上述特征降噪网络的网络结构示意图。上述编码网络可以包括:第一特征提取网络、第二特征提取网络、第三特征提取网络、第四特征提取网络和第五特征提取网络。
上述第一特征提取网络可以包括:第一卷积层501、第二卷积层502和第一池化层503。
上述第二特征提取网络包括:第三卷积层504、第四卷积层505和第二池化层506。
上述第三特征提取网络包括:第五卷积层507、第六卷积层508和第三池化层509。
上述第四特征提取网络包括:第七卷积层510、第八卷积层511和第四池化层512。
上述第五特征提取网络包括:第九卷积层513、第十卷积层514和第五池化层515和第十一卷积层516。
其中,上述编码网络包括的各层卷积层均采用RELU(Rectified Linear Unit,线性整流函数)函数作为激活函数。通过上述编码网络包含的各个特征提取网络,实现对特征的下采样。上述编码网络的输出为原始输入尺寸的1/16。
上述解码网络包括:第一上采样网络、第二上采样网络、第三上采样网络、第四上采样网络和第五上采样网络。
上述第一上采样网络包括:第十二卷积层517、第一上采样层518、第十三卷积层519和第十四卷积层520。
上述第二上采样网络包括:第二上采样层521、第十五卷积层522和第十六卷积层523。
上述第三上采样网络包括:第三上采样层524、第十七卷积层525和第十八卷积层526。
上述第四上采样网络包括:第四上采样层527、第十九卷积层528和第二十卷积层529。
上述第五上采样网络包括:第五上采样层530、第二十一卷积层531和第二十二卷积层532。
上述第一注意力模块534用于将上述第二卷积层502输出的特征和上述第二十卷积层529输出的特征进行特征叠加,以及特征加权,并将加权处理后的特征为第五上采样层530的输入。
上述第二注意力模块535用于将上述第四卷积层505输出的特征和上述十八卷积层526输出的特征进行特征叠加,以及特征加权,并将加权处理后的特征为第四上采样层527的输入。
上述第三注意力模块536用于将上述第六卷积层508输出的特征和上述十五卷积层523输出的特征进行特征叠加,以及特征加权,并将加权处理后的特征为第三上采样层524的输入。
上述第四注意力模块537用于将上述第八卷积层511输出的特征和上述第十三卷积层520输出的特征进行特征叠加,以及特征加权,并将加权处理后的特征为第二上采样层521的输入。
上述第五注意力模块538用于将上述第十卷积层514输出的特征和上述第十二卷积层517输出的特征进行特征叠加,以及特征加权,并将加权处理后的特征为第一上采样层518的输入。
上述特征降噪网络作为本公开得一个发明点。通过注意力模块,实现了将浅层的特征与深层的特征的融合,从而有助于恢复深层的特征的信息缺失。其次,考虑到不同层级的特征之间的语义可能存在差距,可能会导致引入冗余信息或噪声。因此,通过特征加权处理,实现了对冗余信息或噪声的抑制。通过此种方式实现了对第一震动信号分量包含的冗余信息或噪声的准确剥离。
步骤404,根据第三震动信号,生成转子运动轨迹。
在一些实施例中,上述执行主体根据上述第三震动信号,生成上述转子运动轨迹,可以包括以下步骤:
第一步,对上述第三震动信号进行小波变换处理,以生成第五震动信号。
作为示例,上述执行主体可以对上述第三震动信号进行连续小波变换处理,以生成上述第五震动信号。
作为又一示例,上述执行主体可以对上述第三震动信号进行离散小波变换处理,以生成上述第五震动信号。
第二步,对上述第五震动信号进行谐小波变换处理,以生成第六震动信号。
其中,谐小波变换可以将信号分解到不同的频率范围,即将第五震动信号中包含的噪声进行分离。
第三步,根据上述第六震动信号,确定上述转子运动轨迹。
其中,上述执行主体可以根据上述第六震动信号包含的幅值,对上述目标汽轮机的转子的运动轨迹进行刻画,以生成上述转子运动轨迹。单纯采用谐小波变换处理,当原始信号和噪声均为高频信号时,无法较好的对原始信号进行降噪。基于此,本公开首先,对上述第三震动信号进行小波变换处理,消除部分高频噪声。然后,在通过谐小波变换处理,进行二次降噪,从而实现了对噪声的准确剥离。
步骤405,对第二震动信号进行信号分解处理,以生成第四震动信号集合。
在一些实施例中,上述执行主体可以对上述第二震动信号进行信号分解处理,以生成上述第四震动信号集合。
作为示例,上述执行主体上述对第二震动信号进行信号分解处理,以生成上述第四震动信号集合可以是:将上述第二震动信号作为初始震动信号,执行以下信号分解处理步骤:
第一步,对计数值进行加1操作。
其中,上述计数值初始为0。
第二步,根据初始震动信号的极值点,分别确定上包络曲线和下包络曲线。
例如,如图6所示的根据上述初始震动信号,确定上述上包络线和上述下包络线的示意图。其中,上述执行主体可以将上述初始震动信号对应的曲线601上的极大值点的连线,确定为上述上包络线602。上述执行主体可以将上述初始震动信号对应的曲线601上的极小值点的连线,确定为上述下包络线603。
第三步,根据上述上包络曲线和上述下包络曲线,确定均值包络曲线。
其中,上述执行主体可以将上述上包络线和上述下包络线上横坐标相同的值的均值构成的曲线,确定为上述均值包络曲线。
第四步,根据上述均值包络曲线和初始震动信号,确定中间信号。
其中,上述执行主体可以将上述初始震动信号和上述均值包络曲线上横坐标相同的值的差值构成的曲线,确定为中间信号。
第五步,响应于确定上述中间信号满足筛选条件,将上述中间信号确定为第四震动信号。
其中,上述筛选条件为:上述中间信号对应的曲线上的极值点的个数和过零点的个数的差值小于等于1,且上述中间信号对应的曲线,对应的上包络曲线和下包络曲线关于X轴对称。
第六步,响应于确定计数值等于预设分解次数,结束上述信号分解处理步骤。
其中,上述预设分解次数可以与上述第四震动信号集合中的第四震动信号的数量一致。
第七步,响应于确定上述中间信号不满足筛选条件,将上述中间信号确定为初始震动信号,并重新执行上述信号分解处理步骤。
步骤406,根据预先训练的目标故障识别模型和第四震动信号集合,生成候选故障类别。
在一些实施例中,步骤406的具体实现方式及所带来的技术效果可以参考图2对应的那些实施例中的步骤205,在此不再赘述。
步骤407,根据转子运动轨迹和候选故障类别,生成故障诊断结果。
在一些实施例中,上述执行主体根据上述转子运动轨迹和上述候选故障类别,生成上述故障诊断结果,可以包括以下步骤:
第一步,获取上述目标汽轮机的实时转速信息、实时负荷信息、实时油温信息和出口压力变化信息。
其中,上述执行主体可以通过有线连接或无线连接的方式,获取上述目标汽轮机的实时转速信息、实时负荷信息、实时油温信息和出口压力变化信息。上述实时转速信息可以表征上述目标汽轮机的转速。上述实时负荷信息可以表征上述目标汽轮机的负荷压力。上述实时油温信息可以表征上述汽轮机的内部温度。上述出口压力变化信息可以表征上述目标汽轮机的出口的压力变化。
第二步,根据上述实时转速信息、上述实时负荷信息、上述实时油温信息和、上述出口压力变化信息、上述转子运动轨迹的运动轨迹类型和上述候选故障类别,生成上述故障诊断结果。
作为示例,当上述实时转速信息表征上述目标汽轮机的转子随震动发生变化、上述实时负荷信息表征上述目标汽轮机的压力负荷发生变化、上述实时油温信息表征上述目标汽轮机的油温不发生变化、上述出口压力变化信息表征上述目标汽轮机的出口压力不发生变化、转子运动轨迹的运动轨迹类型为“椭圆形”或“8字形”,且上述候选故障类别表征上述目标汽轮机的转子震动稳定性为不稳定时,上述故障诊断结果可以是“转子出现裂纹”。
作为又一示例,当上述实时转速信息表征上述目标汽轮机的转子随震动发生不明显变化、上述实时负荷信息表征上述目标汽轮机的压力负荷发生变化、上述实时油温信息表征上述目标汽轮机的油温不发生变化、上述出口压力变化信息表征上述目标汽轮机的出口压力不发生变化、转子运动轨迹的运动轨迹类型为“椭圆形”,且上述候选故障类别表征上述目标汽轮机的转子震动稳定性为不稳定时,上述故障诊断结果可以是“转子支撑出现松动”。
步骤408,根据故障诊断结果,确定目标汽轮机的故障严重程度和故障诱发原因。
在一些实施例中,上述执行主体可以根据上述故障诊断结果,确定上述目标汽轮机的上述故障严重程度和上述故障诱发原因。其中,上述故障严重程度可以用数值表征。例如,上述故障严重程度可以是“1”。上述故障严重程度还可以是“2”。当上述故障严重程度为“1”时可以表征上述目标汽轮机的故障需优先处理。当上述故障严重程度为“2”时可以表征上述目标汽轮机的故障可滞后处理。
作为示例,上述执行主体可以根据故障诊断结果,查询目标数据库以确定上述目标汽轮机的上述故障严重程度和上述故障诱发原因。其中,上述目标数据库可以是用于存储故障诊断结果对应的故障严重程度和对应的故障诱发原因的数据库。
步骤409,根据第二震动信号和目标震动信号,确定波形对比分析图。
在一些实施例中,上述执行主体可以根据上述第二震动信号和上述目标震动信号,确定上述波形对比分析图。
作为示例,上述波形对比分析图可以如图7所示。其中,图7可以包括上述第二震动信号对应的曲线701和上述目标震动信号对应的曲线702。
步骤410,在目标界面展示实时转速信息、实时负荷信息、实时油温信息、出口压力变化信息、故障严重程度、故障诱发原因、波形对比分析图和转子运动轨迹。
在一些实施例中,上述执行主体可以在上述目标界面展示实时转速信息、实时负荷信息、实时油温信息、出口压力变化信息、故障严重程度、故障诱发原因、波形对比分析图和转子运动轨迹。其中,上述目标界面可以是用于进行实时信息展示的界面,以使得用户可以直观的查看上述目标汽轮机的状态。
与图2对应的一些实施例相比,本公开首先,通过特征降噪网络对第一震动信号分类进行降噪处理。相比于常规的方式,通过机器学习模型可以不断地进行学习和优化,从而不断地提高降噪的准确度。此外,特征降噪网络包括的注意力模块,实现了将浅层的特征与深层的特征的融合,从而有助于恢复深层的特征的信息缺失。其次,考虑到不同层级的特征之间的语义可能存在差距,可能会导致引入冗余信息或噪声。因此,通过特征加权处理,实现了对冗余信息或噪声的抑制。通过此种方式实现了对第一震动信号分量包含的冗余信息或噪声的准确剥离。然后,在根据上述第三震动信号,生成上述转子运动轨迹时,由于第三震动信号往往也包含噪声,因此,通过小波变换处理和谐小波变换处理,能够很好地消除噪声。并且,考虑到单纯采用谐小波变换处理,当原始信号和噪声均为高频信号时,无法较好的对原始信号进行降噪。因此,本公开在通过谐小波变换处理,进行二次降噪,从而实现了对噪声的准确剥离,大大提高了对第三震动信号的降噪效果。
进一步参考图8,作为对上述各图所示方法的实现,本公开提供了一种汽轮机的故障诊断装置的一些实施例,这些装置实施例与图2所示的那些方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图8所示,一些实施例的汽轮机的故障诊断装置800包括:获取单元801、降噪提纯处理单元802、第一生成单元803、信号分解处理单元804、第二生成单元805和第三生成单元806,其中,获取单元801,被配置成获取实时采集的目标汽轮机的第一震动信号和第二震动信号,其中,上述第一震动信号由上述目标汽轮机上安装的目标数量个电涡流传感器采集得到;降噪提纯处理单元802,被配置成对上述第一震动信号进行降噪提纯处理,以生成第三震动信号;第一生成单元803,被配置成根据上述第三震动信号,生成转子运动轨迹;信号分解处理单元804,被配置成对上述第二震动信号进行信号分解处理,以生成第四震动信号集合;第二生成单元805,被配置成根据预先训练的目标故障识别模型和上述第四震动信号集合,生成候选故障类别;第三生成单元806,被配置成根据上述转子运动轨迹和上述候选故障类别,生成故障诊断结果。
可以理解的是,该装置800中记载的诸单元与参考图2描述的方法中的各个步骤相对应。由此,上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置800及其中包含的单元,在此不再赘述。
下面参考图9,其示出了适于用来实现本公开的一些实施例的电子设备(如图1所示的计算设备101)900的结构示意图。图9示出的电子设备仅仅是一个示例,不应对本公开的实施例的功能和使用范围带来任何限制。
如图9所示,电子设备900可以包括处理装置(例如中央处理器、图形处理器等)901,其可以根据存储在只读存储器(ROM)902中的程序或者从存储装置908加载到随机访问存储器(RAM)903中的程序而执行各种适当的动作和处理。在RAM 903中,还存储有电子设备900操作所需的各种程序和数据。处理装置901、ROM 902以及RAM 903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。
通常,以下装置可以连接至I/O接口905:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置906;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置907;包括例如磁带、硬盘等的存储装置908;以及通信装置909。通信装置909可以允许电子设备900与其他设备进行无线或有线通信以交换数据。虽然图9示出了具有各种装置的电子设备900,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图9中示出的每个方框可以代表一个装置,也可以根据需要代表多个装置。
特别地,根据本公开的一些实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的一些实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中,该计算机程序可以通过通信装置909从网络上被下载和安装,或者从存储装置908被安装,或者从ROM 902被安装。在该计算机程序被处理装置901执行时,执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是,本公开的一些实施例中记载的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
在一些实施方式中,客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:获取实时采集的目标汽轮机的第一震动信号和第二震动信号,其中,上述第一震动信号由上述目标汽轮机上安装的目标数量个电涡流传感器采集得到;对上述第一震动信号进行降噪提纯处理,以生成第三震动信号;根据上述第三震动信号,生成转子运动轨迹;对上述第二震动信号进行信号分解处理,以生成第四震动信号集合;根据预先训练的目标故障识别模型和上述第四震动信号集合,生成候选故障类别;根据上述转子运动轨迹和上述候选故障类别,生成故障诊断结果。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开的一些实施例中的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括获取单元、降噪提纯处理单元、第一生成单元、信号分解处理单元、第二生成单元和第三生成单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,第一生成单元还可以被描述为“根据上述第三震动信号,生成转子运动轨迹的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开的实施例中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (10)
1.一种汽轮机的故障诊断方法,包括:
获取实时采集的目标汽轮机的第一震动信号和第二震动信号,其中,所述第一震动信号由所述目标汽轮机上安装的目标数量个电涡流传感器采集得到;
对所述第一震动信号进行降噪提纯处理,以生成第三震动信号;
根据所述第三震动信号,生成转子运动轨迹;
对所述第二震动信号进行信号分解处理,以生成第四震动信号集合;
根据预先训练的目标故障识别模型和所述第四震动信号集合,生成候选故障类别;
根据所述转子运动轨迹和所述候选故障类别,生成故障诊断结果。
2.根据权利要求1所述的方法,其中,所述对所述第一震动信号进行降噪提纯处理,以生成第三震动信号,包括:
对所述第一震动信号进行模态分解处理,以生成第一震动信号分量,得到第一震动信号分量集合;
将所述第一震动信号分量集合中的第一震动信号分量输入预先训练的特征降噪网络,以生成所述第三震动信号。
3.根据权利要求1所述的方法,其中,所述根据所述第三震动信号,生成转子运动轨迹,包括:
对所述第三震动信号进行小波变换处理,以生成第五震动信号;
对所述第五震动信号进行谐小波变换处理,以生成第六震动信号;
根据所述第六震动信号,确定所述转子运动轨迹。
4.根据权利要求1所述的方法,其中,所述对所述第二震动信号进行信号分解处理,以生成第四震动信号集合,包括:
将所述第二震动信号作为初始震动信号,执行以下信号分解处理步骤:
对计数值进行加1操作,其中,所述计数值初始为0;
根据初始震动信号的极值点,分别确定上包络曲线和下包络曲线;
根据所述上包络曲线和所述下包络曲线,确定均值包络曲线;
根据所述均值包络曲线和初始震动信号,确定中间信号;
响应于确定所述中间信号满足筛选条件,将所述中间信号确定为第四震动信号;
响应于确定计数值等于预设分解次数,结束所述信号分解处理步骤。
5.根据权利要求4所述的方法,其中,所述对所述第二震动信号进行信号分解处理,以生成第四震动信号集合,还包括:
响应于确定所述中间信号不满足筛选条件,将所述中间信号确定为初始震动信号,并重新执行所述信号分解处理步骤。
6.根据权利要求1所述的方法,其中,所述根据所述转子运动轨迹和所述候选故障类别,生成故障诊断结果,包括:
获取所述目标汽轮机的实时转速信息、实时负荷信息、实时油温信息和出口压力变化信息;
根据所述实时转速信息、所述实时负荷信息、所述实时油温信息和、所述出口压力变化信息、所述转子运动轨迹的运动轨迹类型和所述候选故障类别,生成所述故障诊断结果。
7.根据权利要求6所述的方法,其中,所述方法还包括:
根据所述故障诊断结果,确定所述目标汽轮机的故障严重程度和故障诱发原因;
根据所述第二震动信号和目标震动信号,确定波形对比分析图;
在目标界面展示所述实时转速信息、所述实时负荷信息、所述实时油温信息、所述出口压力变化信息、所述故障严重程度、所述故障诱发原因、所述波形对比分析图和所述转子运动轨迹。
8.一种汽轮机的故障诊断装置,包括:
获取单元,被配置成获取实时采集的目标汽轮机的第一震动信号和第二震动信号,其中,所述第一震动信号由所述目标汽轮机上安装的目标数量个电涡流传感器采集得到;
降噪提纯处理单元,被配置成对所述第一震动信号进行降噪提纯处理,以生成第三震动信号;
第一生成单元,被配置成根据所述第三震动信号,生成转子运动轨迹;
信号分解处理单元,被配置成对所述第二震动信号进行信号分解处理,以生成第四震动信号集合;
第二生成单元,被配置成根据预先训练的目标故障识别模型和所述第四震动信号集合,生成候选故障类别;
第三生成单元,被配置成根据所述转子运动轨迹和所述候选故障类别,生成故障诊断结果。
9.一种电子设备,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1至7中任一所述的方法。
10.一种计算机可读介质,其上存储有计算机程序,其中,所述程序被处理器执行时实现如权利要求1至7中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111118007.XA CN113569820B (zh) | 2021-09-24 | 2021-09-24 | 汽轮机的故障诊断方法、装置、电子设备和可读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111118007.XA CN113569820B (zh) | 2021-09-24 | 2021-09-24 | 汽轮机的故障诊断方法、装置、电子设备和可读介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113569820A true CN113569820A (zh) | 2021-10-29 |
CN113569820B CN113569820B (zh) | 2022-05-31 |
Family
ID=78174155
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111118007.XA Active CN113569820B (zh) | 2021-09-24 | 2021-09-24 | 汽轮机的故障诊断方法、装置、电子设备和可读介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113569820B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114104224A (zh) * | 2021-11-15 | 2022-03-01 | 中国船舶重工集团公司第七一一研究所 | 设备管理方法、装置、电子设备及计算机可读存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001324380A (ja) * | 2000-05-17 | 2001-11-22 | Toshiba Corp | 回転機械の軸振動異常診断装置 |
CN105909323A (zh) * | 2016-04-21 | 2016-08-31 | 西安交通大学 | 一种碰摩失稳转子/定子的快速分离方法 |
CN111022313A (zh) * | 2019-12-30 | 2020-04-17 | 哈尔滨工程大学 | 一种基于lstm的海洋平台空气压缩机故障诊断方法 |
CN111832353A (zh) * | 2019-04-19 | 2020-10-27 | 中国科学院沈阳自动化研究所 | 基于emd与ba优化svm的汽轮机转子故障诊断方法 |
CN111950200A (zh) * | 2020-08-11 | 2020-11-17 | 哈电发电设备国家工程研究中心有限公司 | 基于轴心轨迹融合的发电设备故障诊断方法 |
CN112761740A (zh) * | 2021-01-05 | 2021-05-07 | 西安交通大学 | 一种透平叶片故障测试系统及其智能故障诊断方法 |
-
2021
- 2021-09-24 CN CN202111118007.XA patent/CN113569820B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001324380A (ja) * | 2000-05-17 | 2001-11-22 | Toshiba Corp | 回転機械の軸振動異常診断装置 |
CN105909323A (zh) * | 2016-04-21 | 2016-08-31 | 西安交通大学 | 一种碰摩失稳转子/定子的快速分离方法 |
CN111832353A (zh) * | 2019-04-19 | 2020-10-27 | 中国科学院沈阳自动化研究所 | 基于emd与ba优化svm的汽轮机转子故障诊断方法 |
CN111022313A (zh) * | 2019-12-30 | 2020-04-17 | 哈尔滨工程大学 | 一种基于lstm的海洋平台空气压缩机故障诊断方法 |
CN111950200A (zh) * | 2020-08-11 | 2020-11-17 | 哈电发电设备国家工程研究中心有限公司 | 基于轴心轨迹融合的发电设备故障诊断方法 |
CN112761740A (zh) * | 2021-01-05 | 2021-05-07 | 西安交通大学 | 一种透平叶片故障测试系统及其智能故障诊断方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114104224A (zh) * | 2021-11-15 | 2022-03-01 | 中国船舶重工集团公司第七一一研究所 | 设备管理方法、装置、电子设备及计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113569820B (zh) | 2022-05-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lu et al. | Edge computing on IoT for machine signal processing and fault diagnosis: A review | |
Seshadrinath et al. | Investigation of vibration signatures for multiple fault diagnosis in variable frequency drives using complex wavelets | |
US10628747B2 (en) | Cognitive contextual diagnosis, knowledge creation and discovery | |
US20200410285A1 (en) | Anomaly Augmented Generative Adversarial Network | |
CN111949850B (zh) | 多源数据的采集方法、装置、设备及存储介质 | |
CN113569820B (zh) | 汽轮机的故障诊断方法、装置、电子设备和可读介质 | |
Song et al. | A simulation model based fault diagnosis method for bearings | |
Jin et al. | Bearing fault diagnosis based on VMD and improved CNN | |
CN110991504A (zh) | 基于motcn-ae的多维时间序列异常值检测方法及系统 | |
CN112037223A (zh) | 图像缺陷检测方法、装置及电子设备 | |
CN114913325B (zh) | 语义分割方法、装置及计算机程序产品 | |
Luo et al. | A fault diagnosis method for rotating machinery with variable speed based on multi-feature fusion and improved ShuffleNet V2 | |
Xu et al. | Multi-attention-based Feature Aggregation Convolutional Networks with Dual Focal Loss for Fault Diagnosis of Rotating Machinery Under Data Imbalance Conditions | |
Irgat et al. | An IoT-Based Monitoring System for Induction Motor Faults Utilizing Deep Learning Models | |
CN116628568A (zh) | 一种离心泵声辐射信号的故障诊断方法、系统及设备 | |
CN117213856A (zh) | 基于云边双数据源融合的轴承剩余寿命预测方法 | |
CN116843991A (zh) | 模型训练方法、信息生成方法、装置、设备和介质 | |
CN113610228B (zh) | 神经网络模型的构建方法及装置 | |
CN113780239A (zh) | 虹膜识别方法、装置、电子设备和计算机可读介质 | |
CN115034769B (zh) | 电力信息生成方法、装置、电子设备和计算机可读介质 | |
CN112734962A (zh) | 考勤信息生成方法、装置、设备和计算机可读介质 | |
CN118445734B (zh) | 托卡马克实验数据智能处理方法及系统 | |
Zeng et al. | Application of local histogram clipping equalization image enhancement in bearing fault diagnosis | |
Choudhury et al. | Order tracking using variational mode decomposition to detect gear faults under speed fluctuations | |
CN115373369B (zh) | 车辆故障诊断系统及方法 |
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 | ||
CP03 | Change of name, title or address | ||
CP03 | Change of name, title or address |
Address after: No.3-8-132, 1st floor, building 3, Fuqian street, Huairou District, Beijing Patentee after: Beijing Defeng Xinzheng Technology Co.,Ltd. Address before: Room 501, 5 / F, Hall B, building 8, yard 1, Jiuxianqiao East Road, Chaoyang District, Beijing 100015 Patentee before: Beijing Defeng new journey Technology Co.,Ltd. |