CN114048879A - 故障检测方法、装置、系统、计算机设备及可读存储介质 - Google Patents

故障检测方法、装置、系统、计算机设备及可读存储介质 Download PDF

Info

Publication number
CN114048879A
CN114048879A CN202111416128.2A CN202111416128A CN114048879A CN 114048879 A CN114048879 A CN 114048879A CN 202111416128 A CN202111416128 A CN 202111416128A CN 114048879 A CN114048879 A CN 114048879A
Authority
CN
China
Prior art keywords
data
sample data
full
detected
equipment
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
CN202111416128.2A
Other languages
English (en)
Inventor
顾凯
刘晓峰
高远
刘光明
张禹
张黎明
周粲
李恒
郭东辉
江辉
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.)
China Nuclear Power Engineering Co Ltd
Jiangsu Fangtian Power Technology Co Ltd
Shenzhen China Guangdong Nuclear Engineering Design Co Ltd
Original Assignee
China Nuclear Power Engineering Co Ltd
Jiangsu Fangtian Power Technology Co Ltd
Shenzhen China Guangdong Nuclear Engineering Design 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 China Nuclear Power Engineering Co Ltd, Jiangsu Fangtian Power Technology Co Ltd, Shenzhen China Guangdong Nuclear Engineering Design Co Ltd filed Critical China Nuclear Power Engineering Co Ltd
Priority to CN202111416128.2A priority Critical patent/CN114048879A/zh
Publication of CN114048879A publication Critical patent/CN114048879A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/20—Administration of product repair or maintenance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/10—File systems; File servers
    • G06F16/18—File system types
    • G06F16/182—Distributed file systems
    • G06F16/1824—Distributed file systems implemented using Network-attached Storage [NAS] architecture
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/906—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5061—Partitioning or combining of resources
    • G06F9/5072—Grid computing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Databases & Information Systems (AREA)
  • Economics (AREA)
  • Software Systems (AREA)
  • Human Resources & Organizations (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Pure & Applied Mathematics (AREA)
  • Marketing (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Algebra (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本申请涉及自动检测领域，特别是涉及一种故障检测方法、装置、系统、计算机设备及可读存储介质。所述方法包括：获取待检测设备的全量振动数据；对全量振动数据进行特征提取，生成对应待检测设备的特征数据；基于特征数据，对全量振动数据进行分类，得到对应的正样本数据以及负样本数据；确定对应正样本数据以及负样本数据的数据上传比例，并按照数据上传比例将正样本数据和/或负样本数据上传至云边检测系统的云服务器，使得云服务器可以基于上传的正样本数据和/或负样本数据对待检测设备进行故障检测。采用本方法能够减少上传资源耗费。

Description

故障检测方法、装置、系统、计算机设备及可读存储介质
技术领域
本申请涉及自动检测领域，特别是涉及一种故障检测方法、装置、系统、计算机设备及可读存储介质。
背景技术
随着工业4.0的发展，智慧核电厂生产设备普遍具有互连接性，并越来越多地使用工业物联网进行状态感知。尤其是5G技术的发展，为工业互联网提供了大带宽、高可靠、低时延的连接，使得数据高速发送到云计算数据中心将成为可能。对于类似核电厂等因机器设备故障而非计划停机将造成较大损失的行业，有迫切的技术需求和经济利益要求将传统方式中对设备进行计划检修或事后维修转而向预测性维修，即通过预测故障的方式进行预测维修。因此，越来越多的企业致力于从他们的设备中获取更多的数据来进行状态监测。连续的监测数据采集能够更全面深入的分析判断设备状态，从而为设计改进、运行优化、状态检修提供决策支持。为了从这些检测数据中提取有用的信息，需要充分有效的处理算法来执行状态评估和故障预测。
然而，对于具有庞杂设备群的电厂来说，由于有线或移动连接的带宽有限，连续、高频采样的数据流的数据量巨大，全部上传云计算中心(即云服务器)在造成巨大资源耗费，且影像数据上传的实效性。
发明内容
基于此，有必要针对上述技术问题，提供一种能够减少上传资源耗费的故障检测方法、装置、系统、计算机设备及可读存储介质。
一种故障检测方法，应用于云边检测系统的边缘计算设备中，所述方法包括：
获取待检测设备的全量振动数据；
对全量振动数据进行特征提取，生成对应待检测设备的特征数据；
基于特征数据，对全量振动数据进行分类，得到对应的正样本数据以及负样本数据；
确定对应正样本数据以及负样本数据的数据上传比例，并按照数据上传比例将正样本数据和/或负样本数据上传至云边检测系统的云服务器，使得云服务器可以基于上传的正样本数据和/或负样本数据对待检测设备进行故障检测。
在其中一个实施例中，对全量振动数据进行特征提取，生成对应待检测设备的特征数据，包括：
根据全量振动数据，得到对应的原始波形；
对原始波形进行滤波处理，得到滤波后的振动波形；
基于滤波后的振动波形进行特征提取，生成对应待检测设备的特征数据。
在其中一个实施例中，基于滤波后的振动波形进行特征提取，生成对应待检测设备的特征数据，包括：
对滤波后的振动波形进行频谱变换，生成对应的频谱图；
对频谱图进行特征提取，生成对应待检测设备的特征数据。
在其中一个实施例中，频谱图包括幅值频谱、功率频谱以及倒频谱中至少一个。
在其中一个实施例中，基于滤波后的振动波形进行特征提取，生成对应待检测设备的特征数据，包括：
对滤波后的振动波形进行特征计算，得到对应待检测设备的第一特征数据；
对滤波后的振动波形进行阶比分析，生成对应的阶比谱；
基于阶比谱，得到对应待检测设备的第二特征数据；
根据第一特征数据以及第二特征数据，得到待检测设备的特征数据。
在其中一个实施例中，对全量振动数据进行特征提取，生成对应待检测设备的特征数据，包括：
通过时域分析法、频域分析法以及包络解调分析法中任一种方法对全量振动数据进行特征提取，生成对应待检测设备的特征数据。
在其中一个实施例中，基于特征数据，对全量振动数据进行分类，得到对应的正样本数据以及负样本数据，包括：
基于特征数据，生成对应特征数据的特征矩阵；
根据特征矩阵，对全量振动数据进行异常检测，得到对应的检测结果；
基于检测结果，确定全量振动数据中的正样本数据以及负样本数据。
在其中一个实施例中，确定对应正样本数据以及负样本数据的数据上传比例，包括：
基于与云服务器进行数据传输的传输效率以及正样本数据以及负样本数据的数据量，确定对正样本数据以及负样本数据进行上传的数据上传比例。
一种云边检测系统，所述系统包括：至少一个边缘计算设备，以及与边缘计算设备进行通信的云服务器；
各边缘计算设备用于与待检测设备连接，各边缘计算设备用于执行上述任一实施例故障检测方法，得到对应的正样本数据以及负样本数据；
云服务器用于获取至少一个边缘计算设备上传的正样本数据和/或负样本数据，并基于正样本数据和/或负样本数据对对应的待检测设备进行故障检测。
在其中一个实施例中，边缘计算设备包括：第一处理器以及第二处理器；
第一处理器用于对获取的全量振动数据进行特征提取，生成对应的特征数据；
第二处理器用于基于特征数据进行异常检测，以确定对应全量振动数据的正样本数据以及负样本数据。
在其中一个实施例中，第一处理器为嵌入式极简指令集微处理器，第一处理器与至少一个待检测设备连接，第一处理器用于对连接的至少一个待检测设备的全量振动数据进行特征提取。
在其中一个实施例中，第二处理器为图像处理器，图形处理器用于并行对多个待检测设备的特征数据进行异常检测，以确定多个各待检测设备的全量振动数据的正样本数据以及负样本数据。
一种故障检测装置，所述装置包括：
获取模块，用于获取待检测设备的全量振动数据；
特征提取模块，用于对全量振动数据进行特征提取，生成对应待检测设备的特征数据；
分类模块，用于基于特征数据，对全量振动数据进行分类，得到对应的正样本数据以及负样本数据；
上传模块，用于确定对应正样本数据以及负样本数据的数据上传比例，并按照数据上传比例将正样本数据和/或负样本数据上传至云边检测系统的云服务器，使得云服务器可以基于上传的正样本数据和/或负样本数据对待检测设备进行故障检测。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述的方法的步骤。
上述故障检测方法、装置、系统、计算机设备及可读存储介质，通过获取待检测设备的全量振动数据，并对全量振动数据进行特征提取，生成对应待检测设备的特征数据，然后基于特征数据，对全量振动数据进行分类，得到对应的正样本数据以及负样本数据，进一步确定对应正样本数据以及负样本数据的数据上传比例，并按照数据上传比例将正样本数据和/或负样本数据上传至云边检测系统的云服务器，使得云服务器可以基于上传的正样本数据和/或负样本数据对所述待检测设备进行故障检测。从而，可以在虎丘到全量振动数据后，通过进行特征提取进行数据分类，然后再按照比例进行上传，可以减少上传至云服务器的数据量，减少资源耗费。并且，边缘计算设备可以按照自身要求设置上传比例，可以减少上传至云服务器数据量，进而可以使得上传至与服务器的数据更具时效性，提升后续故障检测的准确性。
附图说明
图1为一个实施例中故障检测方法的应用场景图；
图2为一个实施例中故障检测方法的流程示意图；
图3为另一个实施例中故障检测方法的示意图；
图4为一个实施例中云边检测系统的结构示意图；
图5为一个实施例中故障检测装置的结构框图；
图6为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的故障检测方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与边缘计算设备104进行通信。用户可以通过触发终端102生成故障检测指令，并发送至边缘计算设备104。边缘计算设备104可以基于检测指令获取待检测设备的全量振动数据，并对全量振动数据进行特征提取，生成对应待检测设备的特征数据。进一步，边缘计算设备104可以基于特征数据，对全量振动数据进行分类，得到对应的正样本数据以及负样本数据，并确定对应正样本数据以及负样本数据的数据上传比例，并按照数据上传比例将正样本数据和/或负样本数据上传至云边检测系统的云服务器，使得云服务器可以基于上传的正样本数据和/或负样本数据对待检测设备进行故障检测。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，边缘计算设备104可以采用微处理器或者是服务器等。
在一个实施例中，如图2所示，提供了一种故障检测方法，以该方法应用于图1中的边缘计算设备为例进行说明，包括以下步骤：
步骤S202，获取待检测设备的全量振动数据。
其中，待检测设备是指生产中的各中设备，例如，核电厂的中的各种机器设备等。
在实际应用中，各种机器设备在运作过程中，会持续性的产生各种数据，如运行、开停机、机械部件的旋转、水平移动、机械加工等各种不同状态所对应的数据。机器设备可以基于安装的各种传感器，对机器设备的各状态的数据进行采集，以获取到对应的数据。
在本实施例中，传感器可以基于预设的采集周期或者是采集频率进行数据的采集，例如1秒采集一个数据或者是1分钟采集开一个数据，在采集周期或者是采集频率范围内，采集是连续不断的，即传感器其可以连续性的进行采集，从而，使得边缘计算设备可以持续性的获取待检测设备的数据，即全量振动数据。
步骤S204，对全量振动数据进行特征提取，生成对应待检测设备的特征数据。
具体地，边缘计算设备在获取到全量振动数据后，可以对获取到全量数据进行特征提取，并进行后续的数据处理。
在本实施例中，边缘计算设备可以对全量振动数据进行特征计算，以生成对应的特征数据，例如，通过均方根、峰值因子、脉冲因子、裕度因子、峭度因子、波形因子和偏度计算等方式，确定对应待检测设备的特征数据。
步骤S206，基于特征数据，对全量振动数据进行分类，得到对应的正样本数据以及负样本数据。
在本实施例中，边缘计算设备可以基于的到的特征数据与标准特征数据进行比较，以对全量特征数据进行分类。
如前所述，全量振动数据包括的是连续采集的各种不同状态的数据。在本实施例中，边缘计算设备在得到对应全量振动数据的各特征数据后，可以对采集点所采集到的数据进行分类，或者这不通过状态的数据进行分类，以分为正样本数据和负样本数据。
在本实施例中，机器设备在运行过程中，难免冲击振动或者是其他原因，例如，机器设备中齿轮冲击振动等，此时计算得到特征数据与标准特征数据之间必然是存在较大偏差的，边缘计算设备可以基于该偏差值，将全量振动数据分为正样本数据以及负样本数据。
步骤S208，确定对应正样本数据以及负样本数据的数据上传比例，并按照数据上传比例将正样本数据和/或负样本数据上传至云边检测系统的云服务器，使得云服务器可以基于上传的正样本数据和/或负样本数据对待检测设备进行故障检测。
在本实施例中，边缘计算设备在对全量振动数据进行分类后，可以确定对应正样本数据以及负样本数据的数据上传比例，并将正样本数据和/或负样本数据上传至云服务器。
在本实施例中，由于正样本数据是指示机器设备正常运转的数据，而负样本数据是指示机器设备运行异常的数据，为了使得云服务器能够对机器设备的运转进行准确的预估检测，边缘计算设备可以确定对正样本数据进行上传的上传比例为部分上传，而负样本数据的上传比例为全部上传。或者，在一些实施例中，当负样本数据的数据量已经比较大时，例如，边缘计算设备在一定时间段内连续监测到负样本数据，则可以直接至上传负样本数据，而不上传正样本数据。同理，当不存在负样本数据时，则仅上传正样本数据。
在本实施例中，云服务器在获取到边缘计算设备上传的数据后，可以对获取到的数据进行进一步的数据分析，以对上传的正样本数据和/或负样本数据机型故障检测。
在本实施例中，云服务器进行故障检测可以是通过预先训练好的检测模型进行的，即云服务器可以通过历史数据对检测模型进行训练，并后续接收到从边缘计算设备上传的正样本数据和/或负样本数据后，可以通过训练完成的检测模型进行故障的进一步分析检测，例如，检测待检测设备是齿轮故障、主轴故障或者是其他故障等，以及具体的故障细节等信息。
在本实施例中，参考图3，云服务器进行故障检测模型进行故障的进一步分析检测可以是进行样本分类分析或者是样本聚类分析等，本申请对此不作限制。
上述故障检测方法中，通过获取待检测设备的全量振动数据，并对全量振动数据进行特征提取，生成对应待检测设备的特征数据，然后基于特征数据，对全量振动数据进行分类，得到对应的正样本数据以及负样本数据，进一步确定对应正样本数据以及负样本数据的数据上传比例，并按照数据上传比例将正样本数据和/或负样本数据上传至云边检测系统的云服务器，使得云服务器可以基于上传的正样本数据和/或负样本数据对所述待检测设备进行故障检测。从而，可以在虎丘到全量振动数据后，通过进行特征提取进行数据分类，然后再按照比例进行上传，可以减少上传至云服务器的数据量，减少资源耗费。并且，边缘计算设备可以按照自身要求设置上传比例，可以减少上传至云服务器数据量，进而可以使得上传至与服务器的数据更具时效性，提升后续故障检测的准确性。
在其中一个实施例中，对全量振动数据进行特征提取，生成对应待检测设备的特征数据，可以包括：根据全量振动数据，得到对应的原始波形；对原始波形进行滤波处理，得到滤波后的振动波形；基于滤波后的振动波形进行特征提取，生成对应待检测设备的特征数据。
在本实施例中，边缘计算设备在获取到待检测设备的全量振动数据后，可以基于获取到的全量振动数据，生成对应的原始波形，即得到对应全量振动数据的原始波形图。本领域技术人员可以理解的是，此处所述的原始波形，是指将采集到的全量振动数据，按照时间维度进行数据统计，以得到对应全量振动数据的波形图。
进一步，边缘计算设备可以对原始波形进行滤波处理，得到滤波后的振动波形。
具体地，滤波是指是去除全量振动数据中的干扰数据，以减少数据干扰。边缘计算设备可以基于应用场景的不同，确定不同的滤波方式进行滤波，以得到滤波后的振动波形。
在本实施例中，边缘计算设备还可以对滤波后的振动波形进行特征提取，以生成对应的特征数据。
在其中一个实施例中，基于滤波后的振动波形进行特征提取，生成对应待检测设备的特征数据，可以包括：对滤波后的振动波形进行特征计算，得到对应待检测设备的第一特征数据；对滤波后的振动波形进行阶比分析，生成对应的阶比谱；基于阶比谱，得到对应待检测设备的第二特征数据；根据第一特征数据以及第二特征数据，得到待检测设备的特征数据。
在本实施例中，参考图3，边缘计算设备可以采用时域分析法对振动波形进行第一特征计算，以得到对于的第一特征数据。
具体地，采用时域分析法进行特征数据的确定，即采用均值、均方根值、峭度值、峰值、脉冲因子、裕度系数等参数，通过检测振动波形中的各振动数据是否超过设定的阈值，来诊断待检测设备是否发生故障。在采用时域分析法进行特征数据确定的时候，确定参数一般分为有量纲和无量纲，其中，均值、均方根值等为有量纲的时域参数，无量纲的时域参数包含偏态系数、波形因子、峰态系数、脉冲因子、裕度系数。
在本实施例中，均值表达式为如下公式(1)，用于表征振动数据变化的中心波动。
Figure BDA0003375349050000091
其中，n为总的采集点数；xi表示振动数据的样本函数。
均方根值可以通过如下公式(2)确定，其是对数据先平方，再求取平均值后开方得到，对没有规律的信号有较强的识别性。
Figure BDA0003375349050000092
峭度可以通过如下公式(3)确定。峭度值可以直接体现概率密度，概率密度分布形态偏移越大，峭度值的绝对值就越大。
Figure BDA0003375349050000093
在本实施例中，参考图3，边缘计算设备在进行滤波后，可对滤波后的振动波形进行阶比分析，生成对应的阶比谱。例如，可以包括进行有键相阶比分析或无键相阶比分析等，得到阶比谱，然后基于阶比谱进行第二特征的提取。
在其中一个实施例中，边缘计算设备可以采用频域分析法进行特征数据的确定。在频域中，主要从幅值频谱、功率频谱、倒频谱3个基本的频谱进行分析。频谱的功能是用来分析振动数据中机器设备中的固有频率和故障频率等。例如，轴承内圈、外圈的固有频率和故障频率等，以及齿轮箱齿轮互相哨合产生的哨合频率。倒频谱用于获得频谱的边频带中的周期成分，并确定故障发生的位置。
其中，幅值频谱就是对传感器釆样所得的振动波形进行一次傅立叶变换(FourierTransform，FFT)，计算并画出该时域振动信号的频率图谱，傅立叶变化的表达式如下公式(4)所示：
Figure BDA0003375349050000094
一个周期信号对应的振动数据经过傅立叶变换后，得到的幅值谱是一个离散的信号，该频谱是由信号的基波和各次谐波组成的；非周期信号经过傅立叶变换后变成了一个连续的信号，信号连续地分布在一定的频率范围之内。幅值谱可以代表谐波频率时域信号的有效值，是时域信号各谐波的幅值随频率的一种线性分布。
功率谱是在频域中表现对信号功率的分布，即体现出振动信号能量的大小情况。功率谱包括互功率谱和自功率谱两种种频谱，它的频谱包含的信息和幅值谱是一样的，因为它是幅值的平方，所以比幅值谱的突出频率更加清晰。基于幅值谱的自功率谱的表达式如下公式(5)所示。
Figure BDA0003375349050000101
由上式可知，功率谱其实就是时域信号在谐波频率幅值的平方，这样得到的频谱是主要的频率显的更加突出。
倒频谱又可以称之为二次频谱。它可以有效地检测出复杂频谱中的周期成分。功率倒频谱可以定义为对功率谱作对数运算后，再进行对运算的结果进行反傅里叶变换而得的频谱，其表达式如下公式(6)所示。
Cx(τ)＝F-1[log s(f)] (6)
在其中一个实施例中，边缘计算设备可以采用包络解调分析法进行特征数据的确定。包络解调分析是指对振动数据进行解调后产生包络线，并对其进行傅里叶变换后作频谱分析。
在其中一个实施例中，基于特征数据，对全量振动数据进行分类，得到对应的正样本数据以及负样本数据，可以包括：基于特征数据，生成对应特征数据的特征矩阵；根据特征矩阵，对全量振动数据进行异常检测，得到对应的检测结果；基于检测结果，确定全量振动数据中的正样本数据以及负样本数据。
具体地，边缘计算设备可以通过线性回归方式或者矩阵乘法运算，对全量振动数据进行异常检测，以对全量振动数据进行分类，得到对应的正样本数据以及负样本数据。
在本实施例中，线性回归方式对是通过一个或多个自变量与因变量直接进行建模的回归分析。其中，多个自变量(x)与因变量y的多元回线性归模型如下公式(7)所示。
y＝β0+β1x1+β2x2+...+βnxn+ε＝βTx (7)
其中，β0，β1，β2x2，...，βn是参数值，ε是误差值。βTx为特征向量矩阵。
表示为如下公式(8)。
Figure BDA0003375349050000111
在本实施例中，边缘计算设备得到一组估计的
Figure BDA0003375349050000112
参数值，使得因变量y和预测值
Figure BDA0003375349050000113
的平方和最小，即
Figure BDA0003375349050000114
在本实施例中，边缘计算设备可以根据特征矩阵，通过如上方式对全量振动数据进行异常检测，得到对应的检测结果，例如，得到全量数据中各个振动数据的检测结果，然后基于检测结果，确定全量振动数据中的正样本数据以及负样本数据。
在其中一个实施例中，确定对应正样本数据以及负样本数据的数据上传比例，可以包括：基于与云服务器进行数据传输的传输效率以及正样本数据以及负样本数据的数据量，确定对正样本数据以及负样本数据进行上传的数据上传比例。
在本实施例中，边缘计算设备可以获取其与云服务器进行数据传输的传输效率，例如，传输速度或者是接口上传带宽等数据，并基于正样本数据以及负样本数据的数据量，确定对正样本数据以及负样本数据进行上传的数据上传比例。例如，在5G技术的支持下，可以满足大数据量的上传需求，可以设置较高的上传比例。
应该理解的是，虽然图2的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在实际应用中，为了能够保证连续的数据流分析处理，将所有数据传输到中央云处理平台(即中央服务器)受到网络带宽限制以及分析处理实时性的影响而无法实现，从而在本实施例中，在云服务器和设备的传感器之间通过设置边缘计算设备实现数据分析的平衡处理。
在一个实施例中，如图4所示，提供了一种云边检测系统，所述系统可以包括：至少一个边缘计算设备401，以及与边缘计算设备401进行通信的云服务器402。
在本实施例中，各边缘计算设备401用于与待检测设备403连接，各边缘计算设备401用于执行上述任一实施例故障检测方法，得到对应的正样本数据以及负样本数据。
在本实施例中，云服务器402用于获取至少一个边缘计算设备401上传的正样本数据和/或负样本数据，并基于正样本数据和/或负样本数据对对应的待检测设备进行故障检测。
在其中一个实施例中，继续参考图，边缘计算设备401可以包括：第一处理器以及第二处理器。
具体地，第一处理器用于对获取的全量振动数据进行特征提取，生成对应的特征数据，第二处理器用于基于特征数据进行异常检测，以确定对应全量振动数据的正样本数据以及负样本数据。
在其中一个实施例中，第一处理器可以为嵌入式极简指令集微处理器(Risc微处理器)，第一处理器与至少一个待检测设备403连接，第一处理器用于对连接的至少一个待检测设备403的全量振动数据进行特征提取。
在其中一个实施例中，第二处理器可以为图形处理器(graphics processingunit，GPU)，图形处理器用于并行对多个待检测设备403的特征数据进行异常检测，以确定多个各待检测设备403的全量振动数据的正样本数据以及负样本数据。
上述实施例中，通过采用边缘计算设备，才云边检测系统最接近传感器测量数据的位置进行最大化计算，边缘计算设备克服间歇性数据采集的限制，实现连续采集分析。整个云边检测系统分为三层，第一层为设备层，待监测设备的全量振动数据连续通过物联网(有线网络、无线、移动网络)传输至第二层，即边缘层，边缘计算设备的功能是计算分析振动特征值和异常数据检测。根据待监测设备的分部、测点数量以及计算分析的时效性，一个边缘计算设备可以对应一个或多个待监测设备。第三层为云平台，云端服务器接收边缘计算设备群上传的高质量数据，负责计算量大且复杂的模型样本训练，进行样本分类、聚类从而实现故障诊断。在上述实施例中，为了能够保证边缘计算设备连续的数据流分析，在云服务器和边缘计算设备之间实现计算平衡，不是将所有数据全部都传输到中央云处理平台(即与服务器)，仅将全部负样本数据和一定比例的正样本数据上传至中央云处理平台，可以减少上传的数据量，节约全量数据上传所带来的资源耗费。
在一个实施例中，如图5所示，提供了一种故障检测装置，包括：获取模块502、特征提取模块504、分类模块506以及上传模块508，其中：
获取模块502，用于获取待检测设备的全量振动数据。
特征提取模块504，用于对全量振动数据进行特征提取，生成对应待检测设备的特征数据。
分类模块506，用于基于特征数据，对全量振动数据进行分类，得到对应的正样本数据以及负样本数据。
上传模块508，用于确定对应正样本数据以及负样本数据的数据上传比例，并按照数据上传比例将正样本数据和/或负样本数据上传至云边检测系统的云服务器，使得云服务器可以基于上传的正样本数据和/或负样本数据对待检测设备进行故障检测。
在其中一个实施例中，特征提取模块504，可以包括：
频谱变换子模块，用于对滤波后的振动波形进行频谱变换，生成对应的频谱图。
特征提取子模块，用于对频谱图进行特征提取，生成对应待检测设备的特征数据。
在其中一个实施例中，频谱图可以包括幅值频谱、功率频谱以及倒频谱中至少一个。
在其中一个实施例中，特征提取模块504，可以包括：
原始波形确定子模块，用于根据全量振动数据，得到对应的原始波形。
滤波处理子模块，用于对原始波形进行滤波处理，得到滤波后的振动波形。
特征提取子模块，用于基于滤波后的振动波形进行特征提取，生成对应待检测设备的特征数据。
在其中一个实施例中，特征提取模块504用于通过时域分析法、频域分析法以及包络解调分析法中任一种方法对全量振动数据进行特征提取，生成对应待检测设备的特征数据。
在其中一个实施例中，特征提取子模块，可以包括：
第一特征数据确定单元，用于对滤波后的振动波形进行特征计算，得到对应待检测设备的第一特征数据。
阶比分析单元，用于对滤波后的振动波形进行阶比分析，生成对应的阶比谱。
第二特征数据确定单元，用于基于阶比谱，得到对应待检测设备的第二特征数据。
特征数据确定单元，用于根据第一特征数据以及第二特征数据，得到待检测设备的特征数据。
在其中一个实施例中，分类模块506，可以包括：
特征矩阵生成子模块，用于基于特征数据，生成对应特征数据的特征矩阵；
检测结果生成子模块，用于根据特征矩阵，对全量振动数据进行异常检测，得到对应的检测结果；
分类子模块，用于基于检测结果，确定全量振动数据中的正样本数据以及负样本数据。
在其中一个实施例中，上传模块508用于基于与云服务器进行数据传输的传输效率以及正样本数据以及负样本数据的数据量，确定对正样本数据以及负样本数据进行上传的数据上传比例。
关于故障检测装置的具体限定可以参见上文中对于故障检测方法的限定，在此不再赘述。上述故障检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储全量振动数据、特征数据、正样本数据以及负样本数据等数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种故障检测方法。
本领域技术人员可以理解，图6中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，该存储器存储有计算机程序，该处理器执行计算机程序时实现以下步骤：获取待检测设备的全量振动数据；对全量振动数据进行特征提取，生成对应待检测设备的特征数据；基于特征数据，对全量振动数据进行分类，得到对应的正样本数据以及负样本数据；确定对应正样本数据以及负样本数据的数据上传比例，并按照数据上传比例将正样本数据和/或负样本数据上传至云边检测系统的云服务器，使得云服务器可以基于上传的正样本数据和/或负样本数据对待检测设备进行故障检测。
在其中一个实施例中，处理器执行计算机程序时实现对全量振动数据进行特征提取，生成对应待检测设备的特征数据，可以包括：根据全量振动数据，得到对应的原始波形；对原始波形进行滤波处理，得到滤波后的振动波形；基于滤波后的振动波形进行特征提取，生成对应待检测设备的特征数据。
在其中一个实施例中，处理器执行计算机程序时实现基于滤波后的振动波形进行特征提取，生成对应待检测设备的特征数据，可以包括：对滤波后的振动波形进行频谱变换，生成对应的频谱图；对频谱图进行特征提取，生成对应待检测设备的特征数据。
在其中一个实施例中，频谱图可以包括幅值频谱、功率频谱以及倒频谱中至少一个。
在其中一个实施例中，处理器执行计算机程序时实现基于滤波后的振动波形进行特征提取，生成对应待检测设备的特征数据，可以包括：对滤波后的振动波形进行特征计算，得到对应待检测设备的第一特征数据；对滤波后的振动波形进行阶比分析，生成对应的阶比谱；基于阶比谱，得到对应待检测设备的第二特征数据；根据第一特征数据以及第二特征数据，得到待检测设备的特征数据。
在其中一个实施例中，处理器执行计算机程序时实现对全量振动数据进行特征提取，生成对应待检测设备的特征数据，可以包括：通过时域分析法、频域分析法以及包络解调分析法中任一种方法对全量振动数据进行特征提取，生成对应待检测设备的特征数据。
在其中一个实施例中，处理器执行计算机程序时实现基于特征数据，对全量振动数据进行分类，得到对应的正样本数据以及负样本数据，可以包括：基于特征数据，生成对应特征数据的特征矩阵；根据特征矩阵，对全量振动数据进行异常检测，得到对应的检测结果；基于检测结果，确定全量振动数据中的正样本数据以及负样本数据。
在其中一个实施例中，处理器执行计算机程序时实现确定对应正样本数据以及负样本数据的数据上传比例，可以包括：基于与云服务器进行数据传输的传输效率以及正样本数据以及负样本数据的数据量，确定对正样本数据以及负样本数据进行上传的数据上传比例。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：获取待检测设备的全量振动数据；对全量振动数据进行特征提取，生成对应待检测设备的特征数据；基于特征数据，对全量振动数据进行分类，得到对应的正样本数据以及负样本数据；确定对应正样本数据以及负样本数据的数据上传比例，并按照数据上传比例将正样本数据和/或负样本数据上传至云边检测系统的云服务器，使得云服务器可以基于上传的正样本数据和/或负样本数据对待检测设备进行故障检测。
在其中一个实施例中，计算机程序被处理器执行时实现对全量振动数据进行特征提取，生成对应待检测设备的特征数据，可以包括：根据全量振动数据，得到对应的原始波形；对原始波形进行滤波处理，得到滤波后的振动波形；基于滤波后的振动波形进行特征提取，生成对应待检测设备的特征数据。
在其中一个实施例中，计算机程序被处理器执行时实现基于滤波后的振动波形进行特征提取，生成对应待检测设备的特征数据，可以包括：对滤波后的振动波形进行频谱变换，生成对应的频谱图；对频谱图进行特征提取，生成对应待检测设备的特征数据。
在其中一个实施例中，频谱图可以包括幅值频谱、功率频谱以及倒频谱中至少一个。
在其中一个实施例中，计算机程序被处理器执行时实现基于滤波后的振动波形进行特征提取，生成对应待检测设备的特征数据，可以包括：对滤波后的振动波形进行特征计算，得到对应待检测设备的第一特征数据；对滤波后的振动波形进行阶比分析，生成对应的阶比谱；基于阶比谱，得到对应待检测设备的第二特征数据；根据第一特征数据以及第二特征数据，得到待检测设备的特征数据。
在其中一个实施例中，计算机程序被处理器执行时实现对全量振动数据进行特征提取，生成对应待检测设备的特征数据，可以包括：通过时域分析法、频域分析法以及包络解调分析法中任一种方法对全量振动数据进行特征提取，生成对应待检测设备的特征数据。
在其中一个实施例中，计算机程序被处理器执行时实现基于特征数据，对全量振动数据进行分类，得到对应的正样本数据以及负样本数据，可以包括：基于特征数据，生成对应特征数据的特征矩阵；根据特征矩阵，对全量振动数据进行异常检测，得到对应的检测结果；基于检测结果，确定全量振动数据中的正样本数据以及负样本数据。
在其中一个实施例中，计算机程序被处理器执行时实现确定对应正样本数据以及负样本数据的数据上传比例，可以包括：基于与云服务器进行数据传输的传输效率以及正样本数据以及负样本数据的数据量，确定对正样本数据以及负样本数据进行上传的数据上传比例。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (15)

1.一种故障检测方法，其特征在于，应用于云边检测系统的边缘计算设备中，所述方法包括：
获取待检测设备的全量振动数据；
对所述全量振动数据进行特征提取，生成对应所述待检测设备的特征数据；
基于所述特征数据，对所述全量振动数据进行分类，得到对应的正样本数据以及负样本数据；
确定对应所述正样本数据以及负样本数据的数据上传比例，并按照所述数据上传比例将所述正样本数据和/或所述负样本数据上传至所述云边检测系统的云服务器，使得所述云服务器可以基于上传的所述正样本数据和/或所述负样本数据对所述待检测设备进行故障检测。
2.根据权利要求1所述的方法，其特征在于，所述对所述全量振动数据进行特征提取，生成对应所述待检测设备的特征数据，包括：
根据所述全量振动数据，得到对应的原始波形；
对所述原始波形进行滤波处理，得到滤波后的振动波形；
基于所述滤波后的振动波形进行特征提取，生成对应所述待检测设备的特征数据。
3.根据权利要求2所述的方法，其特征在于，所述基于所述滤波后的振动波形进行特征提取，生成对应所述待检测设备的特征数据，包括：
对所述滤波后的振动波形进行频谱变换，生成对应的频谱图；
对所述频谱图进行特征提取，生成对应所述待检测设备的特征数据。
4.根据权利要求3所述的方法，其特征在于，所述频谱图包括幅值频谱、功率频谱以及倒频谱中至少一个。
5.根据权利要求2所述的方法，其特征在于，所述基于所述滤波后的振动波形进行特征提取，生成对应所述待检测设备的特征数据，包括：
对所述滤波后的振动波形进行特征计算，得到对应所述待检测设备的第一特征数据；
对所述滤波后的振动波形进行阶比分析，生成对应的阶比谱；
基于所述阶比谱，得到对应所述待检测设备的第二特征数据；
根据所述第一特征数据以及所述第二特征数据，得到所述待检测设备的特征数据。
6.根据权利要求1所述的方法，其特征在于，所述对所述全量振动数据进行特征提取，生成对应所述待检测设备的特征数据，包括：
通过时域分析法、频域分析法以及包络解调分析法中任一种方法对所述全量振动数据进行特征提取，生成对应所述待检测设备的特征数据。
7.根据权利要求1所述的方法，其特征在于，所述基于所述特征数据，对所述全量振动数据进行分类，得到对应的正样本数据以及负样本数据，包括：
基于所述特征数据，生成对应所述特征数据的特征矩阵；
根据所述特征矩阵，对所述全量振动数据进行异常检测，得到对应的检测结果；
基于所述检测结果，确定所述全量振动数据中的正样本数据以及负样本数据。
8.根据权利要求1所述的方法，其特征在于，所述确定对应所述正样本数据以及负样本数据的数据上传比例，包括：
基于与所述云服务器进行数据传输的传输效率以及所述正样本数据以及负样本数据的数据量，确定对所述正样本数据以及负样本数据进行上传的数据上传比例。
9.一种云边检测系统，其特征在于，所述系统包括：至少一个边缘计算设备，以及与所述边缘计算设备进行通信的云服务器；
各所述边缘计算设备用于与待检测设备连接，各所述边缘计算设备用于执行上述权利要求1至8中任一项所述故障检测方法，得到对应的正样本数据以及负样本数据；
所述云服务器用于获取所述至少一个边缘计算设备上传的正样本数据和/或负样本数据，并基于所述正样本数据和/或所述负样本数据对对应的待检测设备进行故障检测。
10.根据权利要求9所述的系统，其特征在于，所述边缘计算设备包括：第一处理器以及第二处理器；
所述第一处理器用于对获取的所述全量振动数据进行特征提取，生成对应的特征数据；
所述第二处理器用于基于所述特征数据进行异常检测，以确定对应所述全量振动数据的正样本数据以及负样本数据。
11.根据权利要求10所述的系统，其特征在于，所述第一处理器为嵌入式极简指令集微处理器，所述第一处理器与至少一个待检测设备连接，所述第一处理器用于对连接的所述至少一个待检测设备的全量振动数据进行特征提取。
12.根据权利要求10所述的系统，其特征在于，所述第二处理器为图像处理器，所述图形处理器用于并行对多个待检测设备的特征数据进行异常检测，以确定多个各待检测设备的全量振动数据的正样本数据以及负样本数据。
13.一种故障检测装置，其特征在于，所述装置包括：
获取模块，用于获取待检测设备的全量振动数据；
特征提取模块，用于对所述全量振动数据进行特征提取，生成对应所述待检测设备的特征数据；
分类模块，用于基于所述特征数据，对所述全量振动数据进行分类，得到对应的正样本数据以及负样本数据；
上传模块，用于确定对应所述正样本数据以及负样本数据的数据上传比例，并按照所述数据上传比例将所述正样本数据和/或所述负样本数据上传至所述云边检测系统的云服务器，使得所述云服务器可以基于上传的所述正样本数据和/或所述负样本数据对所述待检测设备进行故障检测。
14.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述方法的步骤。
15.一种计算机可读存储介质，其上存储有计算机程序，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8中任一项所述的方法的步骤。
CN202111416128.2A 2021-11-25 2021-11-25 故障检测方法、装置、系统、计算机设备及可读存储介质 Pending CN114048879A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111416128.2A CN114048879A (zh) 2021-11-25 2021-11-25 故障检测方法、装置、系统、计算机设备及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111416128.2A CN114048879A (zh) 2021-11-25 2021-11-25 故障检测方法、装置、系统、计算机设备及可读存储介质

Publications (1)

Publication Number Publication Date
CN114048879A true CN114048879A (zh) 2022-02-15

Family

ID=80211113

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111416128.2A Pending CN114048879A (zh) 2021-11-25 2021-11-25 故障检测方法、装置、系统、计算机设备及可读存储介质

Country Status (1)

Country Link
CN (1) CN114048879A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114683536A (zh) * 2022-03-21 2022-07-01 江苏科技大学 确定fdm型3d打印机最佳打印参数的方法
CN115159285A (zh) * 2022-07-01 2022-10-11 重庆大学 电梯状态监测方法及电梯状态监测装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170241422A1 (en) * 2014-10-15 2017-08-24 Grundfos Holding A/S Method and system for detection of faults in pump assembly via handheld communication device
CN107871011A (zh) * 2017-11-21 2018-04-03 广东欧珀移动通信有限公司 图像处理方法、装置、移动终端及计算机可读存储介质
CN111586150A (zh) * 2020-04-30 2020-08-25 上海华东汽车信息技术有限公司 车辆数据上传方法、装置、计算机设备和存储介质
CN113418685A (zh) * 2021-06-01 2021-09-21 中广核工程有限公司 振动监测装置以及基于振动监测的故障分析系统和方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170241422A1 (en) * 2014-10-15 2017-08-24 Grundfos Holding A/S Method and system for detection of faults in pump assembly via handheld communication device
CN107871011A (zh) * 2017-11-21 2018-04-03 广东欧珀移动通信有限公司 图像处理方法、装置、移动终端及计算机可读存储介质
CN111586150A (zh) * 2020-04-30 2020-08-25 上海华东汽车信息技术有限公司 车辆数据上传方法、装置、计算机设备和存储介质
CN113418685A (zh) * 2021-06-01 2021-09-21 中广核工程有限公司 振动监测装置以及基于振动监测的故障分析系统和方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114683536A (zh) * 2022-03-21 2022-07-01 江苏科技大学 确定fdm型3d打印机最佳打印参数的方法
CN115159285A (zh) * 2022-07-01 2022-10-11 重庆大学 电梯状态监测方法及电梯状态监测装置
CN115159285B (zh) * 2022-07-01 2023-11-03 重庆大学 电梯状态监测方法及电梯状态监测装置

Similar Documents

Publication Publication Date Title
Li et al. Application of bandwidth EMD and adaptive multiscale morphology analysis for incipient fault diagnosis of rolling bearings
Wen et al. Graph modeling of singular values for early fault detection and diagnosis of rolling element bearings
Yao et al. Fault diagnosis of planetary gearbox based on acoustic signals
CN114048879A (zh) 故障检测方法、装置、系统、计算机设备及可读存储介质
Yang et al. A fault diagnosis approach for roller bearing based on VPMCD under variable speed condition
US20150233792A1 (en) Methods and Apparatuses for Defect Diagnosis in a Mechanical System
Wang et al. A hybrid prognostics approach for estimating remaining useful life of wind turbine bearings
CN110688617B (zh) 风机振动异常检测方法及装置
CN102736546A (zh) 一种流程工业复杂机电系统的状态监测装置及方法
CN108520125A (zh) 一种预测刀具磨损状态的方法及系统
CN114330489A (zh) 一种监测设备故障诊断方法及系统
CN113742993A (zh) 干式变压器寿命损失预测方法、装置、设备及存储介质
CN117886241B (zh) 基于振动分析的塔式起重机自检系统
Yan et al. Advanced signal processing for structural health monitoring
CN113110961B (zh) 设备异常检测方法、装置、计算机设备及可读存储介质
Gildish et al. Vibration-Based Estimation of Gearbox Operating Conditions: Machine Learning Approach
Yao et al. A framework via impulses-oriented Gini index and extreme value distribution for rolling bearing dynamic fault alarm and identification
Yi et al. On a prediction method for remaining useful life of rolling Bearings via VMD-based dispersion entropy and GAN
CN117786461A (zh) 水泵的故障诊断方法、控制设备及其存储介质
CN116415185B (zh) 一种基于工业互联网的滚动轴承监测方法、设备及介质
CN116432527B (zh) 一种空化预测方法、装置、存储介质及电子设备
Li et al. Fault diagnosis for machinery based on feature extraction and general regression neural network
CN116610990A (zh) 一种基于特征空间差异化的断路器隐患识别方法及装置
US9829540B2 (en) Method and controller for determining an undesired condition in an electrical drive system
CN115600402A (zh) 压裂设备寿命与施工工艺参数关系模型的构建方法及系统

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