CN113945401A - 一种基于非监督学习的转机设备振动检测系统 - Google Patents

一种基于非监督学习的转机设备振动检测系统 Download PDF

Info

Publication number
CN113945401A
CN113945401A CN202110995094.0A CN202110995094A CN113945401A CN 113945401 A CN113945401 A CN 113945401A CN 202110995094 A CN202110995094 A CN 202110995094A CN 113945401 A CN113945401 A CN 113945401A
Authority
CN
China
Prior art keywords
vibration
switching circuit
microprocessor
detection system
unsupervised learning
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.)
Pending
Application number
CN202110995094.0A
Other languages
English (en)
Inventor
钟秀敏
徐霆
王健
陈慕欧
陈建康
唐睿
杨春晖
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huaneng Shanghai Electric Power Maintenance Co ltd
Original Assignee
Huaneng Shanghai Electric Power Maintenance Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Huaneng Shanghai Electric Power Maintenance Co ltd filed Critical Huaneng Shanghai Electric Power Maintenance Co ltd
Priority to CN202110995094.0A priority Critical patent/CN113945401A/zh
Publication of CN113945401A publication Critical patent/CN113945401A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G01—MEASURING; TESTING
    • G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
    • G01H11/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves by detecting changes in electric or magnetic properties
    • G01H11/06—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves by detecting changes in electric or magnetic properties by electric means
    • 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
    • G06N3/08—Learning methods

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Arrangements For Transmission Of Measured Signals (AREA)

Abstract

本发明涉及一种基于非监督学习的转机设备振动检测系统，包括依次连接的振动传感器、量程切换电路、信号切换电路、模数转换电路、微处理器和监控终端，所述的微处理器与监控终端无线连接，所述的振动传感器采集转机设备的振动信号，所述的量程切换电路选择振动传感器的量程，所述的信号切换电路选择振动信号的类型，所述的类型包括加速度、速度和位移，所述的模数转换电路将振动信号转换为电压信号，并输入微处理器，所述的微处理器将电压信号无线传输至监控终端，所述的监控终端中存储有训练好的故障诊断模型，所述的故障诊断模型根据电压信号获取转机设备的故障诊断结果。与现有技术相比，本发明具有实现难度低、可靠性高等优点。

Description

一种基于非监督学习的转机设备振动检测系统
技术领域
本发明涉及一种转机设备振动监测技术，尤其是涉及一种基于非监督学习的转机设备振动检测系统。
背景技术
目前电厂日常运行过程中，转机设备是企业的重要设备，转机设备24小时连续运转，因此经常出现故障，若对转机设备检查不到位，容易造成事故而停机，进而导致企业停产，造成双重损失，因此对转机设备进行24小时在线监测、故障报警和故障诊断是企业急需解决的问题。
振动信号的参数识别是大型转机设备健康监测和结构损伤检测技术的核心，目前工程常用的环境激励下模态参数识别方法有时域法、频域法和时频分析法，这些方法均存在共同的问题：
目前工程中常用的环境激励下模态参数识别方法有时域法、频域法和时频分析法，这些分析方法需要手动提取特征，进行合理的模型定阶，这取决于先前的知识和诊断专业知识；
此外，实测信号中常常包含噪声，所识别的信号中除了系统有效信号外还包含各种各样的干扰源，噪声信号影响故障识别的准确性和灵敏度。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于非监督学习的转机设备振动检测系统，实现难度低，可靠性高。
本发明的目的可以通过以下技术方案来实现：
一种基于非监督学习的转机设备振动检测系统，包括依次连接的振动传感器、量程切换电路、信号切换电路、模数转换电路、微处理器和监控终端，所述的微处理器与监控终端无线连接，所述的振动传感器采集转机设备的振动信号，所述的量程切换电路选择振动传感器的量程，所述的信号切换电路选择振动信号的类型，所述的类型包括加速度、速度和位移，所述的模数转换电路将振动信号转换为电压信号，并输入微处理器，所述的微处理器将电压信号无线传输至监控终端，所述的监控终端中存储有训练好的故障诊断模型，所述的故障诊断模型根据电压信号获取转机设备的故障诊断结果；
使用的非监督学习的故障诊断模型，从原始数据中学习特征，能够准确获得转机设备的故障诊断结果，信号噪声对结果的影响小，同时故障诊断模型的构建和训练过程简单，实现难度低，结果可靠性高。
进一步地，所述的设备故障诊断模型为CNN模型，基于python的keras库构建。
进一步地，所述的故障诊断模型的训练过程包括：
通过振动传感器采集振动信号样本，构成训练集；
对训练集中的振动信号样本进行归一化处理；
利用训练集对故障诊断模型进行训练。
进一步地，所述的微处理器和振动传感器之间的数据传输过程采用NTP时间同步协议；
机械振动监测往往需要对转机设备进行多点同步测试，这就要考虑各个传感器节点所采集的振动数据的时间同步问题,如果没有时间同步机制的保障,则会导致振动数据在后期分析处理时误差过大或者结果完全错误，如在机械结构模态分析中，各个测点的振动传感器有独立的时钟系统，相互无法协调，长时间运行之后，时钟系统会有偏差，这样采集到的数据采集时间差会导致严重的相位误差，所述的微处理器和振动传感器之间的数据传输过程采用NTP时间同步协议，所述的振动传感器在发送数据报文中嵌入本地时间，所述的微处理器时间同步于世界标准时间UTC，所述的微处理器接收到振动传感器发送的数据报文中解析出嵌入在该报文中的时间，并与UTC作比较，如时间偏差超过规定限制，则回传报文包含UTC，对振动传感器时间进行设定。
进一步地，所述的微处理器和振动传感器之间的数据传输过程采用无损数据压缩算法；
所述的无损压缩是指使用压缩后的数据进行重构，重构后的数据与原来的数据完全相同，所述的振动传感器地高速采样会产生大量数据，这些数据如果直接传输，一方面会占用网络带宽资源，造成网络中数据的冲突，采用无损数据压缩算法，针对传统无线网络数据压缩算法不能兼顾压缩效率和所消耗资源的矛盾。
进一步地，所述的无损数据压缩算法为LZ77压缩算法，所述的LZ77压缩算法在Huffman算法基础上进行改进，放弃采用分组的编码表，简化了编码过程，更加适合微处理器。
进一步地，所述的微处理器连接有无线发射天线，所述的微处理器通过无线发射天线与监控终端无线连接；
传统无线振动信号采集装置所采用的无线电射频收发技术受环境的影响比较大，射频环境的复杂条件很容易导致数据包的丢失,而数据段的丢失会对后续分析处理造成较大的影响，采用无线发射天线，无需部署任何网络和网关路由，只需单一采集装置可实现低功耗长距离无线传输数据。
进一步地，还包括滤波器，所述的滤波器包括高通滤波器、低通滤波器和抗混叠滤波器，所述的振动传感器、量程切换电路、高通滤波器、低通滤波器、信号切换电路、抗混叠滤波器、模数转换电路和微处理器依次连接。
进一步地，所述的高通滤波器包括高通切换电路，以及与高通切换电路连接的多路截止频率不同的高通滤波电路。
进一步地，所述的低通滤波器包括低通切换电路，以及与低通切换电路连接的多路截止频率不同的低通滤波电路；
转机设备的机械振动测试所需要的采样频率通常在12.8KHz～102.4kHz范围内，所述的高通滤波器和低通滤波器的截止频率均可灵活调节，因此可灵活选择采样频率，适用范围广。
与现有技术相比，本发明具有以如下有益效果：
(1)本发明系统包括依次连接的振动传感器、量程切换电路、信号切换电路、模数转换电路、微处理器和监控终端，微处理器与监控终端无线连接，振动传感器采集转机设备的振动信号，量程切换电路选择振动传感器的量程，信号切换电路选择振动信号的类型，类型包括加速度、速度和位移，模数转换电路将振动信号转换为电压信号，并输入微处理器，微处理器将电压信号无线传输至监控终端，监控终端中存储有训练好的故障诊断模型，故障诊断模型根据电压信号获取转机设备的故障诊断结果，使用的非监督学习的故障诊断模型，从原始数据中学习特征，能够准确获得转机设备的故障诊断结果，信号噪声对结果的影响小，同时故障诊断模型的构建和训练过程简单，实现难度低，结果可靠性高；
(2)本发明微处理器和振动传感器之间的数据传输过程采用NTP时间同步协议，保证各个振动传感器时间同步，避免采集的振动信号出现严重的相位误差，提高检测的准确性；
(3)本发明微处理器和振动传感器之间的数据传输过程采用无损数据压缩算法，避免大量振动信号占用网络带宽资源，造成网络中数据的冲突；
(4)本发明无损数据压缩算法为LZ77压缩算法，LZ77压缩算法在Huffman算法基础上进行改进，放弃采用分组的编码表，简化了编码过程，更加适合微处理器；
(5)本发明微处理器连接有无线发射天线，微处理器通过无线发射天线与监控终端无线连接，无需部署任何网络和网关路由，只需单一采集装置可实现低功耗长距离无线传输数据；
(6)本发明高通滤波器和低通滤波器的截止频率均可灵活调节，因此可灵活选择采样频率，适用范围广。
附图说明
图1为本发明的系统结构示意图；
图2为LZ77算法原理图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
实施例1
一种基于非监督学习的转机设备振动检测系统，如图1，包括电源以及依次连接的振动传感器、量程切换电路、信号切换电路、模数转换电路、微处理器和监控终端，微处理器与监控终端无线连接，振动传感器采集转机设备的振动信号，量程切换电路选择振动传感器的量程，信号切换电路选择振动信号的类型，类型包括加速度、速度和位移，模数转换电路将振动信号转换为电压信号，并输入微处理器，微处理器将电压信号无线传输至监控终端，监控终端中存储有训练好的故障诊断模型，故障诊断模型根据电压信号获取转机设备的故障诊断结果；
电源为微处理器以及振动传感器供电。
故障诊断结果包括轴承有无故障以及故障的类型、部位和程度。
使用的非监督学习的故障诊断模型，从原始数据中学习特征，能够准确获得转机设备的故障诊断结果，信号噪声对结果的影响小，同时故障诊断模型的构建和训练过程简单，实现难度低，结果可靠性高。
设备故障诊断模型为CNN模型，基于python的keras库构建。
故障诊断模型的训练过程包括：
通过振动传感器在非故障转机设备上采集振动信号样本，构成训练集；
对训练集中的振动信号样本进行归一化处理；
利用训练集对故障诊断模型进行训练。
转机设备振动监测中，采用无线网络技术的设计要求相对其他的工程应用有所不同，转机振动测试中被测对象要求的测量点数通常在几十个节点到几百个节点之间，这与常规的无线传感器网络中以大量节点为基础的大规模组网概念有所不同,网络的覆盖范围相对于环境监测等传统应用要小得多，由于采集设备节点的带宽限制问题，故目前还难以实现长时间监测，尤其在对高频振动数据的获取和传输时,无线带宽的制约表现得更为突出，机械振动测试因为分析需要，所需要的采样频率通常在12.8KHz～102.4kHz范围内，高频采样将产生大量的振动数据，要将数据可靠、低延迟地传输到基站还非常困难，同时振动数据是否有较高的时间同步精度也是信号处理的关键。
微处理器和振动传感器之间的数据传输过程采用NTP时间同步协议；
机械振动监测往往需要对转机设备进行多点同步测试，这就要考虑各个传感器节点所采集的振动数据的时间同步问题,如果没有时间同步机制的保障,则会导致振动数据在后期分析处理时误差过大或者结果完全错误，如在机械结构模态分析中，各个测点的振动传感器有独立的时钟系统，相互无法协调，长时间运行之后，时钟系统会有偏差，这样采集到的数据采集时间差会导致严重的相位误差，微处理器和振动传感器之间的数据传输过程采用NTP时间同步协议，振动传感器在发送数据报文中嵌入本地时间，微处理器时间同步于世界标准时间UTC，微处理器接收到振动传感器发送的数据报文中解析出嵌入在该报文中的时间，并与UTC作比较，如时间偏差超过规定限制，则回传报文包含UTC，对振动传感器时间进行设定。
微处理器和振动传感器之间的数据传输过程采用无损数据压缩算法；
无损压缩是指使用压缩后的数据进行重构，重构后的数据与原来的数据完全相同，振动传感器地高速采样会产生大量数据，这些数据如果直接传输，一方面会占用网络带宽资源，造成网络中数据的冲突，采用无损数据压缩算法，针对传统无线网络数据压缩算法不能兼顾压缩效率和所消耗资源的矛盾。
无损数据压缩算法为LZ77压缩算法，LZ77压缩算法在Huffman算法基础上进行改进，放弃采用分组的编码表，简化了编码过程，更加适合微处理器。
LZ77算法是采用自适应的字典模型，也就是将已经编码的信息作为字典，如果要编码的字符曾经出现过，就输出该字符串的出现位置以及长度，否则输出新的字符串。它的核心思想是在前面已经出现过的数据中找重复出现的字符，根据局部性原理，入股一个字符串要重复，那么也实在附近重复，远的地方就不要找了，因此设置一个滑动窗口，每次都在这个窗口里面找重复出现的字符。关于这个滑动窗口的大小，理论上是窗口越大，重复的可能性越高，压缩效率越高。但是窗口太大的话，查找的效率也会降低。为配合在嵌入式系统中使用，将LZ77算法中设置滑动窗口的大小为4k。
如图2，LZ77算法的基本流程包括：
1)从当前压缩位置开始，考察未编码的数据，并试图在滑动窗口中找出最长的匹配字符串，如果找到，则进行步骤2)，否则进行步骤3)。
2)输出三元符号组(off,len,c)，其中off为窗口中匹配字符串相对窗口边界的偏移，len为可匹配的长度，c为下一个字符，然后将窗口向后滑动len+1个字符，执行步骤1)；
3)输出三元符号组(0,0,c)，其中c为下一个字符。然后将窗口向后滑动len+1个字符，执行步骤1)；
结合实例来说明，假设窗口的大小为10个字符，编码过的10个字符是：abcdbbccaa，即将编码的字符为：abaeaaabaee。可以和要编码字符匹配的最长串为ab(off＝0,len＝2)，ab的下一个字符为a，我们输出三元组：(0,2,a)，现在窗口向后滑动3个字符，窗口中的内容为：dbbccaaaba，下一个字符e在窗口中没有匹配，我们输出三元组：(0,0,e)窗口向后滑动1个字符，其中内容变为：bbccaaabae要编码的aaabae在窗口中存在(off＝4,len＝6)，其后的字符为e，可以输出：(4,6,e)，将可以匹配的字符串都变成了指向窗口内的指针，并由此完成了对上述数据的压缩。
微处理器连接有无线发射天线，微处理器通过无线发射天线与监控终端无线连接；
传统无线振动信号采集装置所采用的无线电射频收发技术受环境的影响比较大，射频环境的复杂条件很容易导致数据包的丢失,而数据段的丢失会对后续分析处理造成较大的影响，采用无线发射天线，无需部署任何网络和网关路由，只需单一采集装置可实现低功耗长距离无线传输数据。
实施例2
本实施例中，转机设备振动检测系统还包括滤波器，滤波器包括高通滤波器、低通滤波器和抗混叠滤波器，振动传感器、量程切换电路、高通滤波器、低通滤波器、信号切换电路、抗混叠滤波器、模数转换电路和微处理器依次连接。
高通滤波器包括高通切换电路，以及与高通切换电路连接的多路截止频率不同的高通滤波电路。
低通滤波器包括低通切换电路，以及与低通切换电路连接的多路截止频率不同的低通滤波电路；
转机设备的机械振动测试所需要的采样频率通常在12.8KHz～102.4kHz范围内，高通滤波器和低通滤波器的截止频率均可灵活调节，因此可灵活选择采样频率，适用范围广。
实施例1和实施例2提出了一种基于非监督学习的转机设备振动检测系统，使用的非监督学习的故障诊断模型，从原始数据中学习特征，能够准确获得转机设备的故障诊断结果，信号噪声对结果的影响小，同时故障诊断模型的构建和训练过程简单，实现难度低，结果可靠性高。
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

Claims (10)

1.一种基于非监督学习的转机设备振动检测系统，其特征在于，包括依次连接的振动传感器、量程切换电路、信号切换电路、模数转换电路、微处理器和监控终端，所述的微处理器与监控终端无线连接，所述的振动传感器采集转机设备的振动信号，所述的量程切换电路选择振动传感器的量程，所述的信号切换电路选择振动信号的类型，所述的类型包括加速度、速度和位移，所述的模数转换电路将振动信号转换为电压信号，并输入微处理器，所述的微处理器将电压信号无线传输至监控终端，所述的监控终端中存储有训练好的故障诊断模型，所述的故障诊断模型根据电压信号获取转机设备的故障诊断结果。
2.根据权利要求1所述的一种基于非监督学习的转机设备振动检测系统，其特征在于，所述的设备故障诊断模型为CNN模型，基于python的keras库构建。
3.根据权利要求2所述的一种基于非监督学习的转机设备振动检测系统，其特征在于，所述的故障诊断模型的训练过程包括：
通过振动传感器采集振动信号样本，构成训练集；
对训练集中的振动信号样本进行归一化处理；
利用训练集对故障诊断模型进行训练。
4.根据权利要求1所述的一种基于非监督学习的转机设备振动检测系统，其特征在于，所述的微处理器和振动传感器之间的数据传输过程采用NTP时间同步协议。
5.根据权利要求1所述的一种基于非监督学习的转机设备振动检测系统，其特征在于，所述的微处理器和振动传感器之间的数据传输过程采用无损数据压缩算法。
6.根据权利要求5所述的一种基于非监督学习的转机设备振动检测系统，其特征在于，所述的无损数据压缩算法为LZ77压缩算法。
7.根据权利要求1所述的一种基于非监督学习的转机设备振动检测系统，其特征在于，所述的微处理器连接有无线发射天线，所述的微处理器通过无线发射天线与监控终端无线连接。
8.根据权利要求1所述的一种基于非监督学习的转机设备振动检测系统，其特征在于，还包括滤波器，所述的滤波器包括高通滤波器、低通滤波器和抗混叠滤波器，所述的振动传感器、量程切换电路、高通滤波器、低通滤波器、信号切换电路、抗混叠滤波器、模数转换电路和微处理器依次连接。
9.根据权利要求8所述的一种基于非监督学习的转机设备振动检测系统，其特征在于，所述的高通滤波器包括高通切换电路，以及与高通切换电路连接的多路截止频率不同的高通滤波电路。
10.根据权利要求8所述的一种基于非监督学习的转机设备振动检测系统，其特征在于，所述的低通滤波器包括低通切换电路，以及与低通切换电路连接的多路截止频率不同的低通滤波电路。
CN202110995094.0A 2021-08-27 2021-08-27 一种基于非监督学习的转机设备振动检测系统 Pending CN113945401A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110995094.0A CN113945401A (zh) 2021-08-27 2021-08-27 一种基于非监督学习的转机设备振动检测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110995094.0A CN113945401A (zh) 2021-08-27 2021-08-27 一种基于非监督学习的转机设备振动检测系统

Publications (1)

Publication Number Publication Date
CN113945401A true CN113945401A (zh) 2022-01-18

Family

ID=79328211

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110995094.0A Pending CN113945401A (zh) 2021-08-27 2021-08-27 一种基于非监督学习的转机设备振动检测系统

Country Status (1)

Country Link
CN (1) CN113945401A (zh)

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20020051322A (ko) * 2000-12-22 2002-06-29 이구택 회전기의 다채널 진동감시장치
CN202693310U (zh) * 2012-04-25 2013-01-23 北京时代龙城科技有限责任公司 多通道机械设备故障诊断系统
CN105466466A (zh) * 2016-01-04 2016-04-06 中国兵器工业集团第二一四研究所苏州研发中心 一种自动量程的mems电容式传感器
CN106225917A (zh) * 2016-09-30 2016-12-14 上海华阳检测仪器有限公司 振动信号采集装置及信号处理方法
CN206020035U (zh) * 2016-08-30 2017-03-15 成都航利航空科技有限责任公司 一种发动机轴承检测仪
CN110263767A (zh) * 2019-07-12 2019-09-20 南京工业大学 结合压缩数据采集和深度学习的智能转轴故障诊断方法
CN110398648A (zh) * 2019-07-09 2019-11-01 成都府河电力自动化成套设备有限责任公司 一种变电站综合监测装置
CN110597240A (zh) * 2019-10-24 2019-12-20 福州大学 一种基于深度学习的水轮发电机组故障诊断方法
CN110954326A (zh) * 2019-12-17 2020-04-03 北京化工大学 一种自动学习特征表达的滚动轴承在线故障诊断方法
CN111693134A (zh) * 2020-06-19 2020-09-22 哈尔滨工业大学 量程可变的振动信号无线传感系统
CN111751133A (zh) * 2020-06-08 2020-10-09 南京航空航天大学 一种基于非局部均值嵌入的深度卷积神经网络模型的智能故障诊断方法
CN112533164A (zh) * 2020-10-26 2021-03-19 中国人民解放军92942部队 一种提高可靠性测试中振动数据传输带宽的方法

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20020051322A (ko) * 2000-12-22 2002-06-29 이구택 회전기의 다채널 진동감시장치
CN202693310U (zh) * 2012-04-25 2013-01-23 北京时代龙城科技有限责任公司 多通道机械设备故障诊断系统
CN105466466A (zh) * 2016-01-04 2016-04-06 中国兵器工业集团第二一四研究所苏州研发中心 一种自动量程的mems电容式传感器
CN206020035U (zh) * 2016-08-30 2017-03-15 成都航利航空科技有限责任公司 一种发动机轴承检测仪
CN106225917A (zh) * 2016-09-30 2016-12-14 上海华阳检测仪器有限公司 振动信号采集装置及信号处理方法
CN110398648A (zh) * 2019-07-09 2019-11-01 成都府河电力自动化成套设备有限责任公司 一种变电站综合监测装置
CN110263767A (zh) * 2019-07-12 2019-09-20 南京工业大学 结合压缩数据采集和深度学习的智能转轴故障诊断方法
CN110597240A (zh) * 2019-10-24 2019-12-20 福州大学 一种基于深度学习的水轮发电机组故障诊断方法
CN110954326A (zh) * 2019-12-17 2020-04-03 北京化工大学 一种自动学习特征表达的滚动轴承在线故障诊断方法
CN111751133A (zh) * 2020-06-08 2020-10-09 南京航空航天大学 一种基于非局部均值嵌入的深度卷积神经网络模型的智能故障诊断方法
CN111693134A (zh) * 2020-06-19 2020-09-22 哈尔滨工业大学 量程可变的振动信号无线传感系统
CN112533164A (zh) * 2020-10-26 2021-03-19 中国人民解放军92942部队 一种提高可靠性测试中振动数据传输带宽的方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
彭兵;程建;李友平;付海涛;司汉松;: "长江电力水力发电设备远程状态监测与故障诊断系统设计与应用", 水电厂自动化, vol. 34, no. 1, 28 February 2013 (2013-02-28), pages 33 - 36 *

Similar Documents

Publication Publication Date Title
JP6762408B2 (ja) ２ワイヤ・ループを伴うフィールドバス・ネットワーク
CN106301654B (zh) 一种时间触发以太网的时间信号采样方法
US20200112386A1 (en) Concept for the analysis of a radio communication system
CN113691322B (zh) 一种应用于低压漏电定位仪的通信系统及其通信方法
CN113660009B (zh) 配用电通信的测试系统及测试方法
CN104104559B (zh) 一种e1误码仪系统
CN103595588A (zh) 一种非同步以太网精确测量线路延时方法
CN113945401A (zh) 一种基于非监督学习的转机设备振动检测系统
CN103884964B (zh) 一种基于iec61850通信规约的行波测距方法
WO2019142273A1 (ja) 設備状態監視システム、分析装置、方法、プログラム
CN112291039B (zh) 一种基于信道信号周期的数据编码传输方法
CN109644041B (zh) 飞行器时间同步系统
CN113992282B (zh) 一种类无线类的频谱认知校验检测平台
RU2560530C2 (ru) Способ установления цикловой синхронизации
CN116319494A (zh) 一种速率自适应k口误码仪及k口速率自适应方法
CN109274607A (zh) 一种百/千兆自适应光以太网物理层实现电路
CN114204977A (zh) 基于上位机的卫星测控地检设备误码测试帧同步方法
CN109283457B (zh) 一种m-bus通信接口电气性能检测方法
CN110850235A (zh) 基于电缆拓扑及故障暂态行波的多端定位算法及定位系统
CN107885179A (zh) 一种电子式互感器异常甄别方法
JP2011188644A (ja) 保護リレー装置、その制御方法及び制御プログラム並びに保護リレーシステム
CN113866553B (zh) 不依赖同步时钟的分布式故障双端行波定位方法
CN105092968A (zh) 实现芯片频率测量的测试方法
CN106160994B (zh) 一种基于盲过采样的三维声波测井数据自同步传输装置
CN219085501U (zh) 一种雷电组网监测预警系统

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