CN113852661A - 一种基于声波分析的流程供应链运载设备托辊故障监测系统及方法 - Google Patents
一种基于声波分析的流程供应链运载设备托辊故障监测系统及方法 Download PDFInfo
- Publication number
- CN113852661A CN113852661A CN202110879179.2A CN202110879179A CN113852661A CN 113852661 A CN113852661 A CN 113852661A CN 202110879179 A CN202110879179 A CN 202110879179A CN 113852661 A CN113852661 A CN 113852661A
- Authority
- CN
- China
- Prior art keywords
- subsystem
- data
- carrier roller
- monitoring
- sound
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 89
- 238000004458 analytical method Methods 0.000 title claims abstract description 53
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000004891 communication Methods 0.000 claims abstract description 60
- 238000003745 diagnosis Methods 0.000 claims abstract description 39
- 230000002159 abnormal effect Effects 0.000 claims abstract description 33
- 238000010801 machine learning Methods 0.000 claims abstract description 20
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 6
- 239000013307 optical fiber Substances 0.000 claims description 34
- 230000005236 sound signal Effects 0.000 claims description 32
- 230000008569 process Effects 0.000 claims description 17
- 238000009434 installation Methods 0.000 claims description 16
- 238000005070 sampling Methods 0.000 claims description 12
- 238000000354 decomposition reaction Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 9
- 238000005259 measurement Methods 0.000 claims description 9
- 238000012423 maintenance Methods 0.000 claims description 7
- 230000009286 beneficial effect Effects 0.000 claims description 6
- 238000007405 data analysis Methods 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 6
- 230000002688 persistence Effects 0.000 claims description 6
- 238000007689 inspection Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 239000003086 colorant Substances 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 230000010355 oscillation Effects 0.000 claims description 3
- 238000004806 packaging method and process Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 238000013480 data collection Methods 0.000 claims 1
- 238000009776 industrial production Methods 0.000 abstract description 9
- 238000012806 monitoring device Methods 0.000 abstract 1
- 238000004519 manufacturing process Methods 0.000 description 18
- 238000001514 detection method Methods 0.000 description 9
- 230000007246 mechanism Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 239000003245 coal Substances 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000009628 steelmaking Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M99/00—Subject matter not provided for in other groups of this subclass
- G01M99/005—Testing of complete machines, e.g. washing-machines or mobile phones
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/242—Query formulation
- G06F16/2433—Query languages
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/26—Visual data mining; Browsing structured data
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明提出一种基于声波分析的流程供应链运载设备托辊故障监测系统及方法。主要用于解决大型运载设备托辊运行状态监测问题。本发明系统主要包括声音数据采集子系统、分站通信子系统、分站直流供电子系统、交流供电子系统、集中通信总站、远程控制子系统、计算机子系统与移动监测子系统。本发明所述方法对基于声音数据采集子系统采集到的声波数据进行数据处理，针对托辊常见异常状态进行数据分类，基于机器学习算法建立故障诊断模型，基于实时数据优化故障诊断模型，如果托辊发生异常状态则发出报警提示。本发明实现了工业生产流程供应链运载设备托辊运行状态实时监测以及故障状态监测报警，能够满足目前工业生产需要。
Description
技术领域
本发明涉及工业流程供应链自动化生产环节大型运载设备故障诊断领域，具体是一种基于声波分析的流程供应链运载设备托辊故障监测系统及方法。
背景技术
安全生产作为工业生产运行与发展的基本原则，其企业生产系统自动化和智能化建设已逐步成为国内外智能装备制造领域的研究热点。随着人工智能与工业生产流程供应链的深入融合，企业越来越关注工业生产流程信息化应用，以实现生产流程供应链与上下游生产环节的协同与优化。
工业生产流程供应链环节的运载设备是保证生产连续与高效运行的重要因素，因而工业领域对运载设备可靠性要求日益严格，尽量避免因运载设备停车而造成炼钢流程的生产停顿与严重的经济损失。近年来，随着工业技术的不断发展以及人工智能的广泛应用，除了对动力设备进行运行故障的识别外，目前对运载设备运行状态进行在线实时准确识别、故障定位和自动检测，已逐渐成为保障工业企业进行安全、连续、高效生产的关键问题之一。
皮带运输机是典型的运载设备，以皮带运输机为例说明托辊故障智能监测的重要性。托辊作为皮带输送机的重要组成部件，起着支撑输送带和物料重量的作用，托辊转动的灵活可靠对于减小输送带同托辊的摩擦力，延长输送带的寿命起着关键作用。若托辊发生故障，容易导致运输煤炭掉落、皮带断裂等情况，如果未能及时发现处理，则可能造成更严重的生产事故。当前，对于该类故障的检测主要通过人工观察，巡检人员每天定期巡视皮带运输机，通过听声和目测判断皮带机是否发生托辊卡住、托辊断裂等情况，此方法虽然能够在巡检过程中及时判断出故障，并根据停机时间进行检修，但存在许多局限性，如：
1)巡检人员不能保证每时每刻检测每个运输环节的故障；
2)工厂中的其他噪音会一定程度上影响巡检人员的判断；
3)煤炭工厂生产环境较为恶劣，长期在此工况下工作的工作人员，容易对身体健康造成损害等。当托辊磨损严重后，往往出现轴承处高温、堵转、卡阻、表皮开裂与轴承断裂等情况，在输送带运行过程中容易划伤输送带。
运载设备是链接各个工艺环节之间的重要桥梁。尤其是大型运载设备距离较长，基于安全考虑，单纯依靠人工监护，已无法满足安全生产需求。大型运载设备作为工业生产系统中的关键设备，其运行状态影响着整个生产系统的安全可靠运行以及整个企业生产流程的连续性以及生产效率。第一时间识别运载设备出现的问题，然后根据特定状况对机组各设备作状态检修与相应的维护保养，进而构建预测性维修系统等，这些均可使运载设备与厂矿生产的运行状况更为安全、稳定、可靠与高效，从而极大地提升相应的经济性。
综上所述，实现对工业流程供应链运载设备托辊磨损程度的智能监测至关重要。针对目前托辊故障检测的滞后性、非实时性与非智能化等问题，结合复杂的工业现场环境，设计一套运载设备托辊智能检测系统尤为重要。该系统在智能感知运载设备运行工况，智慧诊断故障报警，针对托辊监测方面的实际应用中取得了良好成效。该系统的应用可以改变现有运载设备定岗定员的人力资源配置模式，很好地保证运载设备的安全可靠，提高生产效率，降低维护成本、极大推动企业智能化水平的和管理模式的创新，为全厂运载设备智能化综合监测奠定了坚实基础。
发明内容：
本发明旨在提供一种基于声波分析的流程供应链运载设备托辊故障监测系统及方法，以解决现有技术中存在的检测滞后性强、人工依赖性大、智能化程度低与实时性低等问题。
本发明所述的一种基于声波分析的流程供应链运载设备托辊故障监测系统是采用以下技术方案实现的：一种基于声波分析的流程供应链运载设备托辊故障监测系统，其主要包括N*n个数量声音数据采集子系统、N个分站子系统、交流供电子系统、通信总站子系统、远程控制子系统、计算机子系统与移动监测子系统。
本发明中所述声音数据采集子系统包括声音模拟量传感模块、模拟量数据采集模块、通信传输模块与复位模块；分站子系统包括交换机模块、光纤收发模块、直流供电模块与交流供电接入模块；通信总站子系统包括交换机模块与光纤收发模块；交流供电子系统包括配电房供电柜、分站供电模块、总站供电模块、远程控制供电模块、计算机系统供电模块；远程控制子系统包括电源控制模块与复位控制模块；计算机子系统包括声波采集软件、声波分析及监测软件、数据库、服务器与显示模块；移动监测子系统包括移动终端监测软件与手持移动终端。
本发明中所述的交流供电子系统将取自配电房供电柜的220V交流电通过不同电缆分别供至N个分站子系统、通信总站子系统、远程控制子系统与计算机子系统；一个分站向n个声音数据采集子系统供电，同时与n个声音数据采集子系统进行通信，并将n个声音数据采集子系统的声音数据通过子系统内部交换机传输至光纤收发模块，光纤收发模块通过光纤将分站数据传输至通信总站子系统；通信总站子系统与所有分站进行通信，并将所有数据经光纤传输至计算机子系统并存储；远程控制子系统控制交流供电子系统的工作状态，实现；计算机；计算机子系统通过声波采集软件将声音数据采集子系统的声音数据存储在数据库，声波分析及监测软件对声音数据进行分析并判断出托辊状态，将所有的数据存入数据库；移动监测子系统通过无线通信方式与服务器进行通信，读取数据库存储的托辊状态信息，在手持移动终端进行显示。
本发明中所述的供电子系统与分站、集中通信总站、计算机子系统、远程控制子系统之间采用四芯供电电缆连接，并提供220V交流电，通过远程控制子系统控制供电子系统的工作状态；声音数据采集子系统n个为一组，与同一个就近分站进行连接，每个声音数据采集子系统和就近分站之间使用一根6芯电缆与一根八芯网线连接，分站中的两类直流供电模块将交流电分别转换为两种电压等级的直流电，并为传感器提供12V直流电、5V复位直流电与通信功能，分站内部的交换机模块和光纤收发模块采用网线进行通信；分站与通信总站之间采用光纤连接；集中通信总站和计算机子系统之间使用光纤连接；计算机子系统通过无线网络与移动监测子系统进行通信；远程控制子系统的电源控制模块与复位控制模块受计算机子系统的声波分析及监测软件控制，采用TCP/IP通信协议传递数据。
本系统所述的计算机子系统中的声波采集软件包括设备控制界面、参数配置界面、采样数据监测界面。设备控制界面主要负责建立软件与设备连接以及选择何种数据采集方式；参数配置界面主要设置允许接入的传感器，数据的采样频率、数据的采样精度与采样的周期等；声波采集软件采样监测界面主要负责实时显示每个传感器的工作状态、传感器采集到的声波波形图、正在采集数据的传感器编号等，并且将数据保存在数据库中便于后序声波分析及监测软件使用。计算机子系统中的声波分析及监测软件初始化时会和网络通信模块建立连接，并发送开关信号控制电源控制模块的状态，然后从数据库中读取由声波采集软件采集到的数据，随后通过已经搭建好的故障诊断模型对数据进行分析，并将分析好的数据以可视化的形式展示在监测软件的上位机界面上，同时分析结果存储至数据库。故障诊断模型会对当前采集到的数据进行分类，判断当前托辊是否有托辊发生故障并判断出故障类型，如轴承断裂、托辊滚筒断裂、盖板脱落、盖板松动与托辊振荡等故障，如果监测到有故障发生及时发出报警，并在监测界面显示发生故障的托辊在皮带运输机的具体位置，在监测界面上托辊监测点用不同颜色表示托辊处于不同运行状态。同时监测软件也支持向数据库系统中发送查询指令，用于统计每周每月每年皮带运输机中托辊发生的故障次数以及故障类型。
本系统所述的计算机子系统中的数据库包括数据通信模块、数据持久化模块和数据机器学习模块。计算机子系统中的数据库的数据通信模块负责和计算机子系统中的声波采集软件建立稳定连接，由声波采集软件将托辊运行声波数据通过通信模块发送到上位机。计算机子系统中的数据库的数据持久化模块主要负责创建每个声音数据采集子系统的数据库；实时在数据库中创建托辊运行状态监测表；存储计算机子系统中的声波采集软件发来的数据；执行计算机子系统中的声波分析及监测软件发来的SQL语句；在数据库查找到相应数据进行分析并将结果返回到监测软件。计算机子系统中的数据库的数据机器学习模块主要负责执行脚本程序；将采集到的最新托辊数据利用机器学习算法对数据库中的托辊运行数据进行特征提取、逐步完善故障诊断模型；同时对当前数据进行数据分类、判断当前振动筛运行状态；当程序监测到数据分析的某些托辊运行状态结果是异常状态时，或者预测到可能会发生异常状态时，会向声波分析及监测软件发送相关信息并通过界面进行显示和预警，指导工作人员做出相应的检查维修操作。移动监测子系统读取数据库中的托辊运行状态信息，在手持移动终端进行显示，在手持移动终端处可以查询托辊故障发生位置、发生故障的次数与历史数据。
本发明所述的一种基于声波分析的流程供应链运载设备托辊故障监测方法是采用如下的方法所实现的：一种基于声波分析的流程供应链运载设备托辊故障监测方法，包括以下步骤：
步骤1、根据不同运载设备的实际情况，确定如权利1～4所述的系统的安装位置。
步骤2、对运载设备的托辊进行各种运行状态下的数据采集，当达到足够的样本量时为不同工况下的托辊运行状态建立相应的故障诊断模型，有利于提高故障诊断的精确度。
步骤3、对基于声音数据采集子系统采集到的声波数据进行数据预处理，过滤掉不符合实际的测量数据及环境噪声。
步骤4、将处理后的数据放入数据库中存储，提升机器学习的样本量，便于优化故障诊断模型，同时通过诊断模型分析数据。针对托辊常见异常状态进行数据分类，当托辊处于正常运行状态时记录运行数据，如果发生异常状态则发出报警提示。
所述步骤1具体包括以下步骤：
步骤1.1、根据运载设备托辊运行原理，以及工业现场复杂工作的工作环境，确定声音数据采集子系统安装方式和封装方式。
步骤1.2、安装声音数据采集子系统，根据精度要求，每隔一定范围(比如10米)安装一个声音数据采集子系统，安装在运载设备托辊支架附近，采用紧密贴紧安装，有利于托辊运行的声波数据采集，并采用便捷拆卸安装方式，有利于针对不同测量要求及时调整测量位置，根据现场施工要求，确定合理的走线方式。
步骤1.3、根据声音数据采集子系统的安装布局密度，确定分站子系统的合理安装位置，安装分站子系统的交换机模块、光纤收发模块、直流供电模块与交流供电接入模块。
步骤1.4、根据工业现场的功能区域划分，确定交流供电子系统、通信总站子系统的合理安装位置，安装分站子系统的交换机模块、光纤收发模块、直流供电模块与交流供电接入模块。
步骤1.5、在监控室安装远程控制子系统、计算机子系统，并建立计算机子系统与移动监测子系统的通信。
所述步骤2具体包括以下步骤：
步骤2.1、采集托辊在不同工况下以及不同运行状态下的实时声波数据，收集足够的样本数据。
步骤2.2、基于托辊正常与异常的声波数据样本，搭建托辊故障诊断模型，并建立异常状态数据库。
所述步骤3具体包括以下步骤：
步骤3.1、通过EEMD算法对采集到的声波信号进行处理，将声波信号中存在的不同尺度的波动分解出来，从而形成一系列具有不同特征尺度数据序列的本征模态函数IMF。对于信号x(t)，EEMD过程如下步骤3.2-3.6所示。
步骤3.2、在信号x(t)中加入一组均值为零、方差相等的随机白噪声序列，信号x(t)加入噪声后成为由m个信号组成的一组信号{x1(t),x2(t),…,xm(t)}。如果设白噪声序列信号为{n1(t),n2(t),…,nm(t)}，则信号加入白噪声后变为
步骤3.3、将加噪后的信号组{n1(t),n2(t),…,nm(t)}中的每一个信号xi(t)(i＝1,2,…,m)进行EMD分解，具体过程如下：
1)确定信号xi(t)的所有局部极大值点和局部极小值点，将所有局部极大值点和极小值点用三次样条插值方法连接起来形成信号的上、下包络线yup(t)、ylow(t)。
2)计算xi(t)(i＝1,2,…,m)上包络线和下包络线的平均值曲线，即
3)信号xi(t)减去平均值mi1(t)后得到一个去掉低频成分的新序列hi1(t)，即
hi1(t)＝xi(t)-mi1(t)
如果hi1(t)满足IMF条件，则hi1(t)就是第一个xi(t)的第一个IMF分量。
4)如果hi1(t)不满足IMF条件，则将hi1(t)作为原始信号，重复步骤1)～3)，得到上、下包络线的平均值m11(t)，再判断
h11(t)＝hi1(t)-m11(t)
反复循环k次，得
h1k(t)＝h1(k-1)(t)-m1k(t)
记ci1(t)＝h1k(t)，则ci1(t)为信号xi(t)第一个IMF分量，它代表xi(t)原数据中的高频部分。
5)将ci1(t)从xi(t)中分离出来，得到一个去掉高频分量的剩余信号：
Resi1(t)＝xi(t)-ci1(t)
步骤3.4、将Resi1(t)作为原始信号，重复步骤3.3中1)～5)，得到xi(t)的第二个IMF分量c2(t)和剩余信号Resi2(t)。如此重复循环n次，得到信号xi(t)的n个IMF分量，得
当满足拟定的循环次数时，循环结束。信号xi(t)可以表示为
式中：Resi2(t)为信号xi(t)的残余函数，EMD将信号xi(t)分解成频率从高到低的n个基本模态分量ci1(t)，ci2(t)，…，cin(t)和一个表示信号中心趋势的残量Resin(t)之和。
步骤3.5、对每个带有白噪声的信号xi(t)重复以上步骤，分别进行EMD分解，得到m组IMF分量{[c11,c12,…,c1n],[c21,c22,…,c2n],…,[cm1,cm2,…,cmn]}(记为C)，和m组余量[Res1n,Res2n,…,Resmn]T，记为Res。
步骤3.6、求出m组余量IMF分量相应的均值{C1,C2,…,Cm}和m组余量的均值Res。
则信号x(t)可表示为
所述步骤4具体包括以下步骤：
步骤4.1、读取数据库中历史数据，放入机器学习算法进行训练，逐步优化故障诊断模型。
步骤4.2、将声音数据采集子系统采集到并已经处理好的声波数据放入故障诊断模型中进行数据分析。
步骤4.3、将不同工况下的托辊运行声波诊断结果进行分别显示，在监测软件中分别显示正常运行的托辊和异常的托辊，针对异常状态的托辊标注所属异常类型的判断，并向工作人员发出报警信息。
步骤4.4、将托辊运行状态的判断结果同步在移动监测子系统上显示。
本发明与现有技术相比较，具有如下显而易见的突出实质性特点和显著的优点：
1.本发明所述的智能检测系统解决了现有人工检测方案精度低、实时性差、成本高的问题，实现对运载设备托辊运行状态实时监测，并且基于机器学习算法对声波信号样本进行模型参数学习，对托辊可能出现的故障机理问题做出预测，及时提醒工作人员检查维护，能够有效提高运载设备运行寿命；
2.本发明方案不仅可以用于运载设备运行状态，对工业领域其他设备例如发动机监测都具有很好的应用范围。
附图说明
图1为本发明所述的一种基于声波分析的流程供应链运载设备托辊故障监测系统的结构示意图。
具体实施方式
下面结合附图对本发明的优选实施例中的技术方案进行清楚、完整地描述。
实施例一：
参见图1，一种基于声波分析的流程供应链运载设备托辊故障监测系统，包括N*n个数量声音数据采集子系统2、N个分站子系统3、交流供电子系统1、通信总站子系统5、远程控制子系统4、计算机子系统7、移动监测子系统6和手持移动终端，所述交流供电子系统1将取自配电房供电柜的220V交流电通过不同电缆分别供至N个分站子系统3、通信总站子系统5、远程控制子系统4与计算机子系统6；每一个分站子系统3向n个声音数据采集子系统2供电，同时与n个声音数据采集子系统2进行通信，并将n个声音数据采集子系统2的声音数据通过子系统内部交换机传输至一个光纤收发模块，光纤收发模块通过光纤将分站数据传输至通信总站子系统；通信总站子系统5与所有分站进行通信，并将所有数据经光纤传输至计算机子系统7并存储；远程控制子系统4控制交流供电子系统1的工作状态，实现；计算机；计算机子系统7通过声音信号采集软件将声音数据采集子系统2的声音数据存储在数据库，设有声音信号分析及监测软件对声音数据进行分析并判断出托辊状态，将所有的数据存入数据库；移动监测子系统6通过无线通信方式与服务器进行通信，读取数据库存储的托辊状态信息，在手持移动终端进行显示。
本实施例系统能实现对运载设备托辊运行状态实时监测，并且基于机器学习算法对声波信号样本进行模型参数学习，对托辊可能出现的故障机理问题做出预测，及时提醒工作人员检查维护。
实施例二：
本实施例与实施例一基本相同，特别之处如下：
在本实施例中，所述交流供电子系统1与分站子系统3、通信总站子系统5、计算机子系统7、远程控制子系统4之间采用四芯供电电缆连接，并提供220V交流电，通过远程控制子系统4控制交流供电子系统1的工作状态；声音数据采集子系统2为n个为一组，与同一个就近分站进行连接，每个声音数据采集子系统2和就近分站之间使用一根6芯电缆与一根八芯网线连接，分站中的两类直流供电模块将交流电分别转换为两种电压等级的直流电，并为一个传感器提供12V直流电、5V复位直流电与通信功能，分站内部的交换机模块和光纤收发模块采用网线进行通信；分站与通信总站之间采用光纤连接；集中通信总站和计算机子系统7之间使用光纤连接；计算机子系统7通过无线网络与移动监测子系统6进行通信；远程控制子系统4的电源控制模块与复位控制模块受计算机子系统7的声音信号分析及监测软件控制，采用TCP/IP通信协议传递数据。
所述计算机子系统7中的声音信号采集软件包括设备控制界面、参数配置界面、采样数据监测界面；设备控制界面主要负责建立软件与设备连接以及选择何种数据采集方式；参数配置界面主要设置允许接入的传感器，数据的采样频率、数据的采样精度与采样的周期；声音信号采集软件采样监测界面主要负责实时显示每个传感器的工作状态、传感器采集到的声音信号波形图、正在采集数据的传感器编号，并且将数据保存在数据库中便于后序声音信号分析及监测软件使用。计算机子系统中的声音信号分析及监测软件初始化时会和网络通信模块建立连接，并发送开关信号控制电源控制模块的状态，然后从数据库中读取由声音信号采集软件采集到的数据，随后通过已经搭建好的故障诊断模型对数据进行分析，并将分析好的数据以可视化的形式展示在监测软件的上位机界面上，同时分析结果存储至数据库；故障诊断模型会对当前采集到的数据进行分类，判断当前托辊是否有托辊发生故障并判断出故障类型——轴承断裂、托辊滚筒断裂、盖板脱落、盖板松动与托辊振荡故障，如果监测到有故障发生及时发出报警，并在监测界面显示发生故障的托辊在皮带运输机的具体位置，在监测界面上托辊监测点用不同颜色表示托辊处于不同运行状态；同时监测软件也支持向数据库系统中发送查询指令，用于统计每周每月每年皮带运输机中托辊发生的故障次数以及故障类型。
所述计算机子系统7中的数据库包括数据通信模块、数据持久化模块和数据机器学习模块；计算机子系统中的数据库的数据通信模块负责和计算机子系统中的声音信号采集软件建立稳定连接，由声音信号采集软件将托辊运行声音信号数据通过通信模块发送到上位机；计算机子系统中的数据库的数据持久化模块主要负责创建每个声音数据采集子系统的数据库；实时在数据库中创建托辊运行状态监测表；存储计算机子系统中的声音信号采集软件发来的数据；执行计算机子系统中的声音信号分析及监测软件发来的SQL语句；在数据库查找到相应数据进行分析并将结果返回到监测软件；计算机子系统中的数据库的数据机器学习模块主要负责执行脚本程序，将采集到的最新托辊数据利用机器学习算法对数据库中的托辊运行数据进行特征提取、逐步完善故障诊断模型；同时对当前数据进行数据分类、判断当前振动筛运行状态；当程序监测到数据分析的某些托辊运行状态结果是异常状态时，或者预测到可能会发生异常状态时，会向声音信号分析及监测软件发送相关信息并通过界面进行显示和预警，指导工作人员做出相应的检查维修操作；移动监测子系统6读取数据库中的托辊运行状态信息，在手持移动终端进行显示，在手持移动终端处可以查询托辊故障发生位置、发生故障的次数与历史数据。
本实施例系统主要用于解决大型运载设备托辊运行状态监测问题。本实施例系统主要包括声音数据采集子系统、分站通信子系统、分站直流供电子系统、交流供电子系统、集中通信总站、远程控制子系统、计算机子系统与移动监测子系统。分站子系统包括交换机模块、光纤收发模块、直流供电模块与交流供电接入模块；通信总站子系统包括交换机模块与光纤收发模块；交流供电子系统包括配电房供电柜、分站供电模块、总站供电模块、远程控制供电模块、计算机系统供电模块；远程控制子系统包括电源控制模块与复位控制模块；计算机子系统包括声波采集软件、声波分析及监测软件、数据库、服务器与显示模块；移动监测子系统包括移动终端监测软件与手持移动终端。本发明所述方法对基于声音数据采集子系统采集到的声波数据进行数据处理，针对托辊常见异常状态进行数据分类，基于机器学习算法建立故障诊断模型，基于实时数据优化故障诊断模型，如果托辊发生异常状态则发出报警提示。本实施例系统实现了工业生产流程供应链运载设备托辊运行状态实时监测以及故障状态监测报警，能够满足目前工业生产需要。
实施例三：
一种基于声波分析的流程供应链运载设备托辊故障监测系统结构图如图1所示。主要包括N*n个数量声音数据采集子系统、N个分站子系统、交流供电子系统、通信总站子系统、远程控制子系统、计算机子系统与移动监测子系统。交流供电子系统将取自配电房供电柜的220V交流电通过不同电缆分别供至N个分站子系统、通信总站子系统、远程控制子系统与计算机子系统；一个分站向n个声音数据采集子系统供电，同时与n个声音数据采集子系统进行通信，并将n个声音数据采集子系统的声音数据通过子系统内部交换机传输至光纤收发模块，光纤收发模块通过光纤将分站数据传输至通信总站子系统；通信总站子系统与所有分站进行通信，并将所有数据经光纤传输至计算机子系统并存储；远程控制子系统控制交流供电子系统的工作状态，实现；计算机；计算机子系统通过声音信号采集软件将声音数据采集子系统的声音数据存储在数据库，声音信号分析及监测软件对声音数据进行分析并判断出托辊状态，将所有的数据存入数据库；移动监测子系统通过无线通信方式与服务器进行通信，读取数据库存储的托辊状态信息，在手持移动终端进行显示。
采用上述系统进行操作，本基于声波分析的流程供应链运载设备托辊故障监测方法的操作步骤如下：
步骤1、根据不同运载设备的实际情况，确定如权利1～4所述的系统的安装位置。
步骤1.1、根据运载设备托辊运行原理，以及工业现场复杂工作的工作环境，确定声音数据采集子系统安装方式和封装方式。
步骤1.2、安装声音数据采集子系统，根据精度要求，每隔一定范围安装一个声音数据采集子系统，本实施例每隔10米安装一个声音数据采集子系统，安装在运载设备托辊支架附近，采用紧密贴紧安装，有利于托辊运行的声波数据采集，并采用便捷拆卸安装方式，有利于针对不同测量要求及时调整测量位置，根据现场施工要求，确定合理的走线方式。
步骤1.3、根据声音数据采集子系统的安装布局密度，确定分站子系统的合理安装位置，安装分站子系统的交换机模块、光纤收发模块、直流供电模块与交流供电接入模块。
步骤1.4、根据工业现场的功能区域划分，确定交流供电子系统、通信总站子系统的合理安装位置，安装分站子系统的交换机模块、光纤收发模块、直流供电模块与交流供电接入模块。
步骤1.5、在监控室安装远程控制子系统、计算机子系统，并建立计算机子系统与移动监测子系统的通信。
步骤2、对运载设备的托辊进行各种运行状态下的数据采集，当达到足够的样本量时为不同工况下的托辊运行状态建立相应的故障诊断模型，有利于提高故障诊断的精确度。
步骤2.1、采集托辊在不同工况下以及不同运行状态下的实时声波数据，收集充足的托辊运行状态声波样本数据。
步骤2.2、基于托辊正常与异常的声波数据样本，搭建托辊故障诊断算法模型，并建立正常与不同异常状态的托辊声波数据库。
步骤3、对基于声音数据采集子系统采集到的声波数据进行数据预处理，过滤掉不符合实际的测量数据及环境噪声。
步骤3.1、通过EEMD算法对采集到的声波信号进行处理，将声波信号中存在的不同尺度的波动分解出来，从而形成一系列具有不同特征尺度数据序列的本征模态函数IMF。对于信号x(t)，EEMD过程如下步骤3.2-3.6所示。
步骤3.2、在声波信号x(t)中加入一组均值为零、方差相等的随机白噪声序列(一组随机白噪声序列个数为m个)，信号x(t)加入随机白噪声序列后成为由m个新信号组成的一组信号{x1(t)，x2(t)，…，xm(t)}。如果设白噪声序列信号为{n1(t)，n2(t)，…，nm(t)}，则信号加入白噪声后变为
步骤3.3、将加噪后的信号组{n1(t)，n2(t)，…，nm(t)}中的每一个信号xi(t)(i＝1，2，…，m)进行EMD分解，具体过程如下：
1)确定信号xi(t)的所有局部极大值点和局部极小值点，将所有局部极大值点和极小值点用三次样条插值方法连接起来形成信号的上、下包络线yup(t)、ylow(t)；
2)计算xi(t)(i＝1，2，…，m)上包络线和下包络线的平均值曲线，即
3)信号xi(t)减去平均值mi1(t)后得到一个去掉低频成分的新序列hi1(t)，即
hi1(t)＝xi(t)-mi1(t)
如果hi1(t)满足IMF条件，则hi1(t)就是第一个xi(t)的第一个IMF分量；
4)如果hi1(t)不满足IMF条件，则将hi1(t)作为原始信号，重复步骤1)～3)，得到上、下包络线的平均值m11(t)，再判断
h11(t)＝hi1(t)-m11(t)
反复循环k次，得
h1k(t)＝h1(k-1)(t)-m1k(t)
记ci1(t)＝h1k(t)，则ci1(t)为信号xi(t)第一个IMF分量，它代表xi(t)原数据中的高频部分；
5)将ci1(t)从xi(t)中分离出来，得到一个去掉高频分量的剩余信号：
Resi1(t)＝xi(t)-ci1(t)
步骤3.4、将Resi1(t)作为原始信号，重复步骤3.3中1)～5)，得到xi(t)的第二个IMF分量c2(t)和剩余信号Resi2(t)。如此重复循环n次，得到信号xi(t)的n个IMF分量，得
当满足拟定的循环次数时，循环结束。信号xi(t)可以表示为
式中：Resi2(t)为信号xi(t)的残余函数，EMD将信号xi(t)分解成频率从高到低的n个基本模态分量ci1(t)，ci2(t)，…，cin(t)和一个表示信号中心趋势的残量Resin(t)之和。
步骤3.5、对每个带有白噪声的信号xi(t)重复以上步骤，分别进行EMD分解，得到m组IMF分量{[c11,c12,…,c1n],[c21,c22,…,c2n],…,[cm1,cm2,…,cmn]}(记为C)，和m组余量[Res1n,Res2n,…,Resmn]T(记为Res)。
步骤3.6、求出m组余量IMF分量相应的均值{C1,C2,…,Cm}和m组余量的均值Res。
则信号x(t)可表示为
步骤4、将处理后的数据放入数据库中存储，提升机器学习的样本量，便于优化故障诊断模型，同时通过诊断模型分析数据。针对托辊常见异常状态进行数据分类，当托辊处于正常运行状态时记录运行数据，如果发生异常状态则发出报警提示。
步骤4.1、读取数据库中历史数据，放入机器学习算法进行训练，逐步优化故障诊断模型；
步骤4.2、将声音数据采集子系统采集到并已经处理好的声波数据放入故障诊断模型中进行数据分析；
步骤4.3、将不同工况下的托辊运行声波诊断结果进行分别显示，在监测软件中分别显示正常运行的托辊和异常的托辊，针对异常状态的托辊标注所属异常类型的判断，并向工作人员发出报警信息；
步骤4.4、将托辊运行状态的判断结果同步在移动监测子系统上显示。
综上所述步骤1到步骤4完成了对托辊运行状态的监测与分析。
本实施例所述的智能检测系统解决了现有人工检测方案精度低、实时性差、成本高的问题，实现对运载设备托辊运行状态实时监测，并且基于机器学习算法对声波信号样本进行模型参数学习，对托辊可能出现的故障机理问题做出预测，及时提醒工作人员检查维护，能够有效提高运载设备运行寿命；本实施例不仅可以用于运载设备运行状态，对工业领域其他设备例如发动机监测都具有很好的应用范围。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (9)
1.一种基于声波分析的流程供应链运载设备托辊故障监测系统，包括N*n个数量声音数据采集子系统(2)、N个分站子系统(3)、交流供电子系统(1)、通信总站子系统(5)、远程控制子系统(4)、计算机子系统(7)、移动监测子系统(6)和手持移动终端，其特征在于：
所述交流供电子系统(1)将取自配电房供电柜的220V交流电通过不同电缆分别供至N个分站子系统(3)、通信总站子系统(5)、远程控制子系统(4)与计算机子系统(6)；每一个分站子系统(3)向n个声音数据采集子系统(2)供电，同时与n个声音数据采集子系统(2)进行通信，并将n个声音数据采集子系统(2)的声音数据通过子系统内部交换机传输至一个光纤收发模块，光纤收发模块通过光纤将分站数据传输至通信总站子系统；通信总站子系统(5)与所有分站进行通信，并将所有数据经光纤传输至计算机子系统(7)并存储；远程控制子系统(4)控制交流供电子系统(1)的工作状态；计算机子系统(7)通过声音信号采集软件将声音数据采集子系统(2)的声音数据存储在数据库，设有声音信号分析及监测软件对声音数据进行分析并判断出托辊状态，将所有的数据存入数据库；移动监测子系统(6)通过无线通信方式与服务器进行通信，读取数据库存储的托辊状态信息，在手持移动终端进行显示。
2.根据权利要求1所述基于声波分析的流程供应链运载设备托辊故障监测系统，其特征在于：所述交流供电子系统(1)与分站子系统(3)、通信总站子系统(5)、计算机子系统(7)、远程控制子系统(4)之间采用四芯供电电缆连接，并提供220V交流电，通过远程控制子系统(4)控制交流供电子系统(1)的工作状态；声音数据采集子系统(2)n个为一组，与同一个就近分站进行连接，每个声音数据采集子系统(2)和就近分站之间使用一根6芯电缆与一根八芯网线连接，分站中的两类直流供电模块将交流电分别转换为两种电压等级的直流电，并为一个传感器提供12V直流电、5V复位直流电与通信功能，分站内部的交换机模块和光纤收发模块采用网线进行通信；分站与通信总站之间采用光纤连接；集中通信总站和计算机子系统(7)之间使用光纤连接；计算机子系统(7)通过无线网络与移动监测子系统(6)进行通信；远程控制子系统(4)的电源控制模块与复位控制模块受计算机子系统(7)的声音信号分析及监测软件控制，采用TCP/IP通信协议传递数据。
3.根据权利要求1所述基于声波分析的流程供应链运载设备托辊故障监测系统，其特征在于：所述计算机子系统(7)中的声音信号采集软件包括设备控制界面、参数配置界面、采样数据监测界面；设备控制界面主要负责建立软件与设备连接以及选择何种数据采集方式；参数配置界面主要设置允许接入的传感器，数据的采样频率、数据的采样精度与采样的周期；声音信号采集软件采样监测界面主要负责实时显示每个传感器的工作状态、传感器采集到的声音信号波形图、正在采集数据的传感器编号，并且将数据保存在数据库中便于后序声音信号分析及监测软件使用；计算机子系统中的声音信号分析及监测软件初始化时会和网络通信模块建立连接，并发送开关信号控制电源控制模块的状态，然后从数据库中读取由声音信号采集软件采集到的数据，随后通过已经搭建好的故障诊断模型对数据进行分析，并将分析好的数据以可视化的形式展示在监测软件的上位机界面上，同时分析结果存储至数据库；故障诊断模型会对当前采集到的数据进行分类，判断当前托辊是否有托辊发生故障并判断出故障类型——轴承断裂、托辊滚筒断裂、盖板脱落、盖板松动与托辊振荡故障，如果监测到有故障发生及时发出报警，并在监测界面显示发生故障的托辊在皮带运输机的具体位置，在监测界面上托辊监测点用不同颜色表示托辊处于不同运行状态；同时监测软件也支持向数据库系统中发送查询指令，用于统计每周每月每年皮带运输机中托辊发生的故障次数以及故障类型。
4.根据权利要求1所述基于声波分析的流程供应链运载设备托辊故障监测系统，其特征在于：所述计算机子系统(7)中的数据库包括数据通信模块、数据持久化模块和数据机器学习模块；计算机子系统中的数据库的数据通信模块负责和计算机子系统中的声音信号采集软件建立稳定连接，由声音信号采集软件将托辊运行声音信号数据通过通信模块发送到上位机；计算机子系统中的数据库的数据持久化模块主要负责创建每个声音数据采集子系统的数据库；实时在数据库中创建托辊运行状态监测表；存储计算机子系统中的声音信号采集软件发来的数据；执行计算机子系统中的声音信号分析及监测软件发来的SQL语句；在数据库查找到相应数据进行分析并将结果返回到监测软件；计算机子系统中的数据库的数据机器学习模块主要负责执行脚本程序，将采集到的最新托辊数据利用机器学习算法对数据库中的托辊运行数据进行特征提取、逐步完善故障诊断模型；同时对当前数据进行数据分类、判断当前振动筛运行状态；当程序监测到数据分析的某些托辊运行状态结果是异常状态时，或者预测到可能会发生异常状态时，会向声音信号分析及监测软件发送相关信息并通过界面进行显示和预警，指导工作人员做出相应的检查维修操作；移动监测子系统(6)读取数据库中的托辊运行状态信息，在手持移动终端进行显示，在手持移动终端处可以查询托辊故障发生位置、发生故障的次数与历史数据。
5.一种基于声波分析的流程供应链运载设备托辊故障监测方法，采用权利1～4中任一项所述基于声波分析的流程供应链运载设备托辊故障监测系统来实现，用于采集运载设备中托辊的声波信号数据，并通过故障诊断模型对当前数据进行分析及分类，当出现异常状态或者预测到可能会发生异常状态时发出报警信号，其特征在于，操作步骤如下：
步骤1、根据不同运载设备的实际情况，确定如权利1～4所述的基于声波分析的流程供应链运载设备托辊故障监测系统的安装位置；
步骤2、对运载设备的托辊进行各种运行状态下的数据采集，当达到足够的样本量时为不同工况下的托辊运行状态建立相应的故障诊断模型，有利于提高故障诊断的精确度；
步骤3、对基于声音数据采集子系统采集到的声波数据进行数据预处理，过滤掉不符合实际的测量数据及环境噪声；
步骤4、将处理后的数据放入数据库中存储，提升机器学习的样本量，便于优化故障诊断模型，同时通过诊断模型分析数据；针对托辊常见异常状态进行数据分类，当托辊处于正常运行状态时记录运行数据，如果发生异常状态则发出报警提示。
6.根据权利要求5所述基于声波分析的流程供应链运载设备托辊故障监测方法，其特征在于，所述步骤1具体包含以下步骤：
步骤1.1、根据运载设备托辊运行原理，以及工业现场复杂工作的工作环境，确定声音数据采集子系统安装方式和封装方式；
步骤1.2、安装声音数据采集子系统，根据精度要求，每隔一设定范围安装一个声音数据采集子系统，安装在运载设备托辊支架附近，采用紧密贴紧安装，有利于托辊运行的声波数据采集，并采用便捷拆卸安装方式，有利于针对不同测量要求及时调整测量位置，根据现场施工要求，确定合理的走线方式；
步骤1.3、根据声音数据采集子系统的安装布局密度，确定分站子系统的合理安装位置，安装分站子系统的交换机模块、光纤收发模块、直流供电模块与交流供电接入模块；
步骤1.4、根据工业现场的功能区域划分，确定交流供电子系统、通信总站子系统的合理安装位置，安装分站子系统的交换机模块、光纤收发模块、直流供电模块与交流供电接入模块；
步骤1.5、在监控室安装远程控制子系统、计算机子系统，并建立计算机子系统与移动监测子系统的通信。
7.根据权利要求5所述基于声波分析的流程供应链运载设备托辊故障监测方法，其特征在于，所述步骤2具体包含以下步骤：
步骤2.1、采集托辊在不同工况下以及不同运行状态下的实时声波数据，收集足够的样本数据；
步骤2.2、基于托辊正常与异常的声波数据样本，搭建托辊故障诊断模型，并建立异常状态数据库。
8.根据权利要求5所述基于声波分析的流程供应链运载设备托辊故障监测方法，其特征在于，所述步骤3具体包含以下步骤：
步骤3.1、通过EEMD算法对采集到的声波信号进行处理，将声波信号中存在的不同尺度的波动分解出来，从而形成一系列具有不同特征尺度数据序列的本征模态函致IMF；对于信号x(t)，EEMD过程如下步骤3.2-3.6所示；
步骤3.2、在声波信号x(t)中加入一组均值为零、方差相等的随机白噪声序列(一组随机白噪声序列个数为m个)，信号x(t)加入随机白噪声序列后成为由m个新信号组成的一组信号{x1(t)，x2(t)，…，xm(t)}；如果设白噪声序列信号为{n1(t)，n2(t)，…，nm(t)}，则信号加入白噪声后变为
步骤3.3、将加噪后的信号组{n1(t)，n2(t)，…，nm(t)}中的每一个信号xi(t)(i＝1，2，…，m)进行EMD分解，具体过程如下：
1)确定信号xi(t)的所有局部极大值点和局部极小值点，将所有局部极大值点和极小值点用三次样条插值方法连接起来形成信号的上、下包络线yup(t)、ylow(t)；
2)计算xi(t)(i＝1，2，…，m)上包络线和下包络线的平均值曲线，即
3)信号xi(t)减去平均值mi1(t)后得到一个去掉低频成分的新序列hi1(t)，即
hi1(t)＝xi(t)-mi1(t)
如果hi1(t)满足IMF条件，则hi1(t)就是第一个xi(t)的第一个IMF分量；
4)如果hi1(t)不满足IMF条件，则将hi1(t)作为原始信号，重复步骤1)～3)，得到上、下包络线的平均值m11(t)，再判断
h11(t)＝hi1(t)-m11(t)
反复循环k次，得
h1k(t)＝h1(k-1)(t)-m1k(t)
记ci1(t)＝h1k(t)，则ci1(t)为信号xi(t)第一个IMF分量，它代表xi(t)原数据中的高频部分；
5)将ci1(t)从xi(t)中分离出来，得到一个去掉高频分量的剩余信号：
Resi1(t)＝xi(t)-ci1(t)
步骤3.4、将Resi1(t)作为原始信号，重复步骤3.3中1)～5)，得到xi(t)的第二个IMF分量c2(t)和剩余信号Resi2(t)；如此重复循环n次，得到信号xi(t)的n个IMF分量，得
当满足拟定的循环次数时，循环结束；信号xi(t)可以表示为
式中：Resi2(t)为信号xi(t)的残余函数，EMD将信号xi(t)分解成频率从高到低的n个基本模态分量ci1(t)，ci2(t)，...，cin(t)和一个表示信号中心趋势的残量Resin(t)之和；
步骤3.5、对每个带有白噪声的信号xi(t)重复以上步骤，分别进行EMD分解，得到m组IMF分量{[c11，c12，…，c1n]，[c21，c22，…，c2n]，…，[cm1，cm2，…，cmn]}(记为C)，和m组余量[Res1n，Res2n，…，Resmn]T，记为Res；
步骤3.6、求出m组余量IMF分量相应的均值{C1，C2，…，Cm}和m组余量的均值Res；
则信号x(t)可表示为
9.根据权利要求5所述基于声波分析的流程供应链运载设备托辊故障监测方法，其特征在于，所述步骤4具体包含以下步骤：
步骤4.1、读取数据库中历史数据，放入机器学习算法进行训练，逐步优化故障诊断模型；
步骤4.2、将声音数据采集子系统采集到并已经处理好的声波数据放入故障诊断模型中进行数据分析；
步骤4.3、将不同工况下的托辊运行声波诊断结果进行分别显示，在监测软件中分别显示正常运行的托辊和异常的托辊，针对异常状态的托辊标注所属异常类型的判断，并向工作人员发出报警信息；
步骤4.4、将托辊运行状态的判断结果同步在移动监测子系统上显示。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110879179.2A CN113852661B (zh) | 2021-08-02 | 2021-08-02 | 一种基于声波分析的流程供应链运载设备托辊故障监测系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110879179.2A CN113852661B (zh) | 2021-08-02 | 2021-08-02 | 一种基于声波分析的流程供应链运载设备托辊故障监测系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113852661A true CN113852661A (zh) | 2021-12-28 |
| CN113852661B CN113852661B (zh) | 2024-02-02 |
Family
ID=78975406
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110879179.2A Active CN113852661B (zh) | 2021-08-02 | 2021-08-02 | 一种基于声波分析的流程供应链运载设备托辊故障监测系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113852661B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115268418A (zh) * | 2022-10-01 | 2022-11-01 | 深圳市世坤科技实业有限公司 | 一种电器控制设备故障报警系统及方法 |
| CN117313021A (zh) * | 2023-11-30 | 2023-12-29 | 国网山东省电力公司东营供电公司 | 一种电力设备异常检测分析方法、系统、终端及介质 |
| CN117422888A (zh) * | 2023-09-13 | 2024-01-19 | 长龙(杭州)航空维修工程有限公司 | 一种飞机性能评估方法及系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN201951977U (zh) * | 2010-10-20 | 2011-08-31 | 浙江大学 | 一种带式输送机托辊故障监测系统 |
| CN202735788U (zh) * | 2012-03-31 | 2013-02-13 | 广东电网公司电力科学研究院 | 风力发电机组运行状态远程监测及故障诊断系统 |
| WO2019233047A1 (zh) * | 2018-06-07 | 2019-12-12 | 国电南瑞科技股份有限公司 | 基于电网调度的运维方法 |
-
2021
- 2021-08-02 CN CN202110879179.2A patent/CN113852661B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN201951977U (zh) * | 2010-10-20 | 2011-08-31 | 浙江大学 | 一种带式输送机托辊故障监测系统 |
| CN202735788U (zh) * | 2012-03-31 | 2013-02-13 | 广东电网公司电力科学研究院 | 风力发电机组运行状态远程监测及故障诊断系统 |
| WO2019233047A1 (zh) * | 2018-06-07 | 2019-12-12 | 国电南瑞科技股份有限公司 | 基于电网调度的运维方法 |
Non-Patent Citations (2)
| Title |
|---|
| 杨林顺、杨明锦: "基于音频的皮带机托辊故障诊断系统设计", 《仪表技术》, no. 07, pages 18 - 21 * |
| 赵仁渔: "智能带式输送机巡检机器人的研究与应用", 《中国煤炭》, pages 40 - 43 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115268418A (zh) * | 2022-10-01 | 2022-11-01 | 深圳市世坤科技实业有限公司 | 一种电器控制设备故障报警系统及方法 |
| CN117422888A (zh) * | 2023-09-13 | 2024-01-19 | 长龙(杭州)航空维修工程有限公司 | 一种飞机性能评估方法及系统 |
| CN117422888B (zh) * | 2023-09-13 | 2024-05-10 | 长龙(杭州)航空维修工程有限公司 | 一种飞机性能评估方法及系统 |
| CN117313021A (zh) * | 2023-11-30 | 2023-12-29 | 国网山东省电力公司东营供电公司 | 一种电力设备异常检测分析方法、系统、终端及介质 |
| CN117313021B (zh) * | 2023-11-30 | 2024-02-02 | 国网山东省电力公司东营供电公司 | 一种电力设备异常检测分析方法、系统、终端及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113852661B (zh) | 2024-02-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113852661A (zh) | 一种基于声波分析的流程供应链运载设备托辊故障监测系统及方法 | |
| CN108684010B (zh) | 基于物联网的电缆井运行状态在线监测装置及监测方法 | |
| CN106655522A (zh) | 一种适用于电网二次设备运维管理的主站系统 | |
| CN104386449B (zh) | 用于矿用皮带运输机头尾轮在线检测智能保护装置 | |
| CN111591778A (zh) | 基于互联网技术的堆取料机远程监控管理系统及方法 | |
| CN107069960B (zh) | 一种二次运维管理系统的在线缺陷诊断方法 | |
| CN113112635B (zh) | 一种智能设备用常规巡检系统 | |
| CN110806734A (zh) | 一种工业设备实时智能巡检系统 | |
| CN104502753A (zh) | 电力故障录波装置联网在线实时分析系统及其应用 | |
| CN110988559A (zh) | 基于物联网的变电站直流系统全生命周期的在线监测方法 | |
| CN102545382A (zh) | 一种智能变电站变电设备在线监测系统 | |
| CN112987696A (zh) | 一种区域配电网设备管理平台及其运行方法 | |
| CN208588936U (zh) | 一种废水处理监控系统 | |
| CN113280909A (zh) | 一种基于振动信号分析的选煤厂振动筛智能检测系统及方法 | |
| CN117078227A (zh) | 一种基于标识解析的环境监测运维平台 | |
| CN113093634A (zh) | 一种光纤通信管道的故障报警监控系统 | |
| CN202503364U (zh) | 一种变电站设备温度监测预警系统 | |
| CN210721134U (zh) | 一种数控机床远程监控系统 | |
| CN112629580A (zh) | 桥梁监测方法、装置及系统 | |
| CN116823220A (zh) | 一种电缆运行状态监测平台及设备 | |
| CN115912105A (zh) | 一种可无人值守智能环网柜系统 | |
| CN205720421U (zh) | 远程电能计量监测系统 | |
| CN114819214A (zh) | 一种高速公路机电设备智慧管养平台及方法 | |
| CN113642478A (zh) | 一种智能运维平台 | |
| CN112731857A (zh) | 一种环保设备运行状态在线监管系统及监管方法 |
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 |