CN114136600A - 一种设备故障监测方法、系统及存储介质 - Google Patents
一种设备故障监测方法、系统及存储介质 Download PDFInfo
- Publication number
- CN114136600A CN114136600A CN202111392056.2A CN202111392056A CN114136600A CN 114136600 A CN114136600 A CN 114136600A CN 202111392056 A CN202111392056 A CN 202111392056A CN 114136600 A CN114136600 A CN 114136600A
- Authority
- CN
- China
- Prior art keywords
- wavelet
- layer
- signal
- threshold
- denoised
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 238000012544 monitoring process Methods 0.000 title description 2
- 238000001514 detection method Methods 0.000 claims abstract description 60
- 238000009826 distribution Methods 0.000 claims description 39
- 230000006870 function Effects 0.000 claims description 30
- 238000012937 correction Methods 0.000 claims description 28
- 230000004048 modification Effects 0.000 claims description 9
- 238000012986 modification Methods 0.000 claims description 9
- 239000000126 substance Substances 0.000 claims description 3
- 239000003607 modifier Substances 0.000 claims 1
- 238000013024 troubleshooting Methods 0.000 abstract description 4
- 239000010410 layer Substances 0.000 description 98
- 238000000354 decomposition reaction Methods 0.000 description 17
- 238000012545 processing Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 14
- 238000004891 communication Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 5
- 230000007423 decrease Effects 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 208000032368 Device malfunction Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000002344 surface layer Substances 0.000 description 1
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
- G01M13/00—Testing of machine parts
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本申请公开了一种设备故障检测方法、系统及存储介质，用以提升设备故障检测的即时性，节省人力成本。所述方法包括：获取设备的振动信号波形；确定所述振动信号波形对应的小波系数；根据各层小波系数与同一层的去噪阈值的比较结果确定去噪后的小波系数，其中，所述去噪阈值根据所在层的小波系数对应的峰和比进行自适应调整；根据所述去噪后的小波系数对相应层数的小波进行信号重构，以得到去噪后的小波信号；根据去噪后的小波信号判断所述设备是否发生故障。采用本申请所提供的方案，实现了故障的自动检测，无需通过人工排查进行故障检测，提升了设备故障检测的即时性，节省了人力成本。
Description
技术领域
本申请涉及故障检测技术领域，特别涉及一种设备故障检测方法、系统及存储介质。
背景技术
有些设备运行过程中产生的振动信号有着非平稳、非线性的特征，例如脱介筛，其主要由筛面层传动达到脱介作业。
在对这类设备进行故障检测时，是依据人工排查，然而这样的方式在很大程度上依赖于技术人员的主观判断和个人经验，具有很大的不确定性，且费时费力，在出现故障时若没有巡检人员在附近，可能难以及时发现故障。
由此可见，现有的通过人工排查进行设备故障检测的方式不仅即时性差，还浪费人力成本，因此，提供一种设备故障检测方法，以提升设备故障检测的即时性，节省人力成本。
发明内容
本申请提供一种设备故障检测方法、系统及存储介质，用以提升设备故障检测的即时性，节省人力成本。
本申请提供一种设备故障检测方法，包括：
获取设备的振动信号波形；
确定所述振动信号波形对应的小波系数；
根据各层小波系数与同一层的去噪阈值的比较结果确定去噪后的小波系数，其中，所述去噪阈值根据所在层的小波系数对应的峰和比进行自适应调整；
根据所述去噪后的小波系数对相应层数的小波进行信号重构，以得到去噪后的小波信号；
根据去噪后的小波信号判断所述设备是否发生故障。
本申请的有益效果在于：能够对设备振动信号波形对应的信号进行去噪，并且基于去噪后的小波信号判断设备是否发生故障，实现了故障的自动检测，无需通过人工排查进行故障检测，提升了设备故障检测的即时性，节省了人力成本。
在一个实施例中，所述确定所述振动信号波形对应的小波系数，包括：
根据以下公式对各层小波进行离散小波变换，以得到各层小波对应的小波系数：
dj,k＝∫x(t)Ψj,k(t)dt；
其中，dj,k为第j层小波对应的小波系数；Ψj,k(t)为第j层的离散小波基函数。
在一个实施例中，所述根据各层小波系数与同一层的去噪阈值的比较结果确定去噪后的小波系数，包括：
确定各层中小于本层去噪阈值的小波系数为噪声对应的小波系数；
将噪声对应的小波系数置零，以得到去噪后的小波系数。
在一个实施例中，所述去噪阈值根据以下方式进行修正：
计算各层小波系数的峰和比；
根据各层小波系数的峰和比以及各层小波系数的长度确定阈值修正因子；
根据所述阈值修正因子对所述去噪阈值进行修正。
在一个实施例中，所述计算各层小波系数的峰和比，包括：
根据以下公式计算各层小波系数的峰和比：
其中，PSRj为第j层小波系数的峰和比；dj,k为第j层小波对应的小波系数。
在一个实施例中，所述根据各层小波系数的峰和比以及各层小波系数的长度确定阈值修正因子，包括：
根据以下公式确定阈值修正因子：
其中，Fj为阈值修正因子；Lj为第j层小波系数的长度；PSRj为第j层小波系数的峰和比。
在一个实施例中，所述根据所述阈值修正因子对所述去噪阈值进行修正，包括：
将所述阈值修正因子代入到以下公式以对所述去噪阈值进行修正：
其中，λj为第j层所对应的去噪阈值；σ为噪声标准差；Fj为阈值修正因子。
在一个实施例中，所述根据去噪后的小波信号判断所述设备是否发生故障，包括：
获取去噪后的小波信号所对应的能量；
根据所述能量确定小波信号所对应的子带能量分布；
将所述小波信号所对应的子带能量分布与预设子带能量分布情况进行比对；
当比对结果的差异值大于预设值时，确定所述设备发生故障。
本实施例的有益效果在于：通过获取去噪后的小波信号所对应的能量，确定小波信号所对应的子带能量分布，与预设的原始振动信号的子带能量分布进行对比，当比对结果的差异大于预设值时，确定设备发生故障。进而能够利用小波分解后不同子带能量不同的特点来诊断脱介筛是否发生故障。
本申请还提供一种设备故障检测系统，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行以实现上述任一实施例中所记载的设备故障检测方法。
本申请还提供一种计算机可读存储介质，当存储介质中的指令由设备故障检测系统对应的处理器执行时，使得设备故障检测系统能够实现上述任一实施例中所记载的设备故障检测方法。
本申请的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本申请而了解。本申请的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本申请的技术方案做进一步的详细描述。
附图说明
附图用来提供对本申请的进一步理解，并且构成说明书的一部分，与本申请的实施例一起用于解释本申请，并不构成对本申请的限制。在附图中：
图1为本申请一实施例中一种设备故障检测方法的流程图；
图2为本申请另一实施例中一种设备故障检测方法的流程图；
图3为本申请又一实施例中一种设备故障检测方法的流程图；
图4为正常情况下的小波信号所对应的子带能量分布示意图；
图5为故障情况下的小波信号所对应的子带能量分布示意图；
图6为本申请一种设备故障检测系统的硬件结构示意图。
具体实施方式
以下结合附图对本申请的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本申请，并不用于限定本申请。
图1为本申请一实施例中一种设备故障检测方法的流程图，如图1所示，该方法可被实施为以下步骤S11-S15：
在步骤S11中，获取设备的振动信号波形；
在步骤S12中，确定所述振动信号波形对应的小波系数；
在步骤S13中，根据各层小波系数与同一层的去噪阈值的比较结果确定去噪后的小波系数，其中，所述去噪阈值根据所在层的小波系数对应的峰和比进行自适应调整；
在步骤S14中，根据所述去噪后的小波系数对相应层数的小波进行信号重构，以得到去噪后的小波信号；
在步骤S15中，根据去噪后的小波信号判断所述设备是否发生故障。
本申请中，获取设备的振动信号波形；对于振动信号而言，噪声多以高斯白噪声的形式存在，在对其进行小波分解时，有用信号和噪声的小波系数在不同尺度上有着不同的特征表现，有用信号的能量会集中在较大的系数上，而噪声的能量分布在较小的系数上。依据这一特点，可以通过对小波系数进行量化处理来实现信号去噪。因此，确定所述振动信号波形对应的小波系数；具体的，在确定振动信号波形系数时，根据以下公式对各层小波进行离散小波变换，以得到各层小波对应的小波系数：dj,k＝∫x(t)Ψj,k(t)dt；其中，dj,k为第j层小波对应的小波系数；Ψj,k(t)为第j层的离散小波基函数。
根据各层小波系数与同一层的去噪阈值的比较结果确定去噪后的小波系数，其中，所述去噪阈值根据所在层的小波系数对应的峰和比进行自适应调整；具体的，确定各层中小于本层去噪阈值的小波系数为噪声对应的小波系数；将噪声对应的小波系数置零，以得到去噪后的小波系数。
根据所述去噪后的小波系数对相应层数的小波进行信号重构，以得到去噪后的小波信号；根据去噪后的小波系数与第j层近似系数进行信号重构。
根据去噪后的小波信号判断所述设备是否发生故障；具体的，获取去噪后的小波信号所对应的能量；根据所述能量确定小波信号所对应的子带能量分布；将所述小波信号所对应的子带能量分布与预设子带能量分布情况进行比对；当比对结果的差异值大于预设值时，确定所述设备发生故障，例如，图4为正常情况下的小波信号所对应的子带能量分布示意图，而图5为故障情况下的小波信号所对应的子带能量分布示意图。假设最终求得的子带能量分布与图4进行比对的比对结果差异值小于预设值，确定设备正常，而当比对结果的差异值大于预设值时，确定所述设备发生故障。
在修正去噪阈值时，计算各层小波系数的峰和比；根据各层小波系数的峰和比以及各层小波系数的长度确定阈值修正因子；根据所述阈值修正因子对所述去噪阈值进行修正。
其中，根据以下公式计算各层小波系数的峰和比：
其中，PSRj为第j层小波系数的峰和比；dj,k为第j层小波对应的小波系数。
根据各层小波系数的峰和比以及各层小波系数的长度确定阈值修正因子，包括：根据以下公式确定阈值修正因子：
其中，Fj为阈值修正因子；Lj为第j层小波系数的长度；PSRj为第j层小波系数的峰和比。
根据所述阈值修正因子对所述去噪阈值进行修正；其中，将所述阈值修正因子代入到以下公式以对所述去噪阈值进行修正：
其中，λj为第j层所对应的去噪阈值；σ为噪声标准差；Fj为阈值修正因子。
举例而言，以脱介筛为例，假设要研究脱介筛是否发生故障，具体地：假设设一维非平稳噪声信号模型为：
x(t)＝f(t)+ε(t) 公式(1)
其中，f(t)为有用信号；ε(t)为高斯白噪声；x(t)为含噪声信号。
对x(t)进行离散小波变换为：
∫x(t)Ψj,k(t)dt＝∫f(t)Ψj,k(t)+∫ε(t)Ψj,k(t)dt 公式(2)
其中，Ψj,k(t)为离散小波基函数。则上式可以表示为：
dj,k＝uj,k+ej,k 公式(3)
其中，dj,k为含噪信号x(t)小波变换后的各层小波系数；uj,k为有用信号f(t)的小波变换系数；ej,k为有用信号ε(t)的小波变换系数。
依据有用信号和噪声信号的统计特性，可以寻找一个合适的值λ作为阈值，当小波系数小于阈值时，认为这时的系数主要由噪声引起，将其置零；当小波系数大于阈值时，认为这时的系数主要由有用信号引起，保留此系数或归一标准化。
根据上述原则，小波阈值去噪可通过以下步骤实现：
1)含噪信号离散小波分解。根据含噪信号特征,选取合适的小波基和分解层数,对含噪信号进行离散小波变换,得到各层小波系数dj,k。
2)阈值量化处理。运用阈值λ和阈值函数对小波系数dj,k进行去噪,得到去噪后的各层小波系数d′j,k。
3)小波系数重构。将处理后的小波系数d′j,k与第j层近似系数进行重构,得到去噪后信号x′(t)。
本申请中，依据有用信号和噪声信号的统计特性，可以寻找一个合适的值λ作为阈值，当小波系数小于阈值时，认为这时的系数主要由噪声引起，将其置零；当小波系数大于阈值时，认为这时的系数主要由有用信号引起，保留此系数或归一标准化。
在上述步骤中,阈值和阈值函数的选取是小波阈值去噪的关键,如果阈值过大,会损失部分有用信号；阈值过小,则会保留较多噪声。而阈值函数会直接影响重构信号的平滑性及其高频信息。现有的通用阈值和软、硬阈值函数在工程中应用广泛,其中硬阈值函数为
软阈值函数为
其中，λ为通用阈值，
N为信号长度；σ为噪声标准差。
通过分析可知,传统小波阈值去噪方法中,恒定不变的阈值和阈值函数无法根据信号特点调节,自适应性较差。针对上述存在的问题,本申请采用改进后的小波阈值去噪算法。
具体的，阈值修正过程如下：阈值代表了小波细节系数中噪声与有用信号的分界,阈值的选取直接影响去噪效果。在传统的通用阈值
中，整体噪声信号标准差σ，使阈值固定不变，对每层小波分解的细节系数都做同样的处理。但噪声的分布具有一定的随机性，用固定的阈值处理会使得某些小波分解层噪声去除过多，而某些层噪声去除不足，不利于保留原信号的有用信息，且去噪效果不佳。有学者提出增加分解层数，认为随着分解层数的增加,各层小波细节系数中,噪声含量逐渐减小,有用信号成分逐渐增多，利用ln(j+1)对阈值进行调整。但此方法默认信号噪声随分解层数逐渐减小,但实际情况中,有些扰动信号的有用信息会出现在前几层,此时的阈值会去除掉过多的有用信息(尤其是高频信息)，故此方法不能对频率成分复杂或有变化的扰动信号有效精准的进行阈值调节。为使阈值选取更符合噪声分布规律,并能适应不同类型扰动信号的噪声在各层的分布情况,本文采用基于峰和比(Peak-to-Sum Ratio,PSR)的修正因子Fj,对通用阈值进行修正。
首先定义第j层细节系数的峰和比为：
PSRj可反映该层系数矩阵的稀疏性以及细节系数中有用信息与噪声信息的大概含量。因为在小波分解中,有用信号能量会集中在少数较大的系数上,而噪声成分会较均匀地分布在小波域。具体的，小波分解把信号按照频率范围分解为多层，底层的细节系数对应着信号中的高频部分，即噪声；而高层的细节系数对应的信号的低频部分，即真正的信号部分。在第j层里，由于信号划分比较细，除非两个有用信号的频率差距非常小，所以一般考虑有用信号的分布是稀疏的，一般来说一层中不会出现好几个有用信号，一层中一般是一个有用信号，剩下的系数都是噪声。所以一层中的系数(d)一般就一个较大，所以计算得到的PSRj在有有用信号时变大，在全是噪声时变小。基于上述特征可知，当计算出的PSRj值较大时,意味着该层存在少量数值较大的系数,说明该层所含有用信号较多；而PSRj值较小时,代表该层存在大量数值较小的系数,说明该层噪声含量较多。根据PSRj值随噪声含量减小而增大这一特点,提出阈值修正因子Fj为
其中，Lj为第j层细节系数的长度。经过修正得到的阈值为
其中，噪声标准差σ表示对信号整体进行噪声估计，即
由式(8)可知，2lg(j+1)随层数逐渐增大，使阈值逐渐减小,符合噪声随分解层数增大而减小的一般规律。修正因子Fj随噪声含量线性变化,用它对估计出的全局噪声进行修正,更符合实际中扰动信号的噪声分布。相比于传统阈值，此方法的修正阈值,可针对某些信号在前几层分解中出现有用信号成分这一情况进行有效调节,使阈值修正得更准确，更适用于不同类型的扰动信号,尤其是对谐波、振荡、脉冲等含有其他频率成分或频率有变化的信号,并能在去噪过程中较好保留有用信号和扰动特征。Median是中位数，0.6745是经验值。
其次，现有的硬阈值函数在阈值λ处连续性不好,软阈值函数会造成高频信息损失，针对此缺陷，上述步骤S13中根据各层小波系数与同一层的去噪阈值的比较结果确定去噪后的小波系数还可通过以下可变参数调节软硬特性的阈值函数确定：
其中，a为任意正常数。当a→0时，该阈值函数等效于硬阈值函数；当a→+∞时，可等效为软阈值函数；当a∈(0,∞)时，该阈值函数可同时具备硬、软阈值函数的特点,随着a值在区间内的变化,使函数在硬、软阈值函数间调节,从而增强去噪效果。
可见，本申请中，可以根据噪声分布特点修正阈值,通过可变参数调节阈值函数软硬,使其在实际分析中适用于更加多变的脱介筛振动信号。
需要说明的是，上述获取去噪后的小波信号所对应的能量；根据所述能量确定小波信号所对应的子带能量分布，具体可通过以下方式实现：
将小波分解结果按照能量表示，信号小波变换后的能量与有用信号的能量等价。脱介筛发生故障后，振动信号与有用信号在频段上会发生差异，对应的小波分解后的各频带内的能量也各不相同，根据各频段内的能量差异可以判断脱介筛是否发生故障。
选择一个小波分解基函数，对振动信号进行3层小波分解。分别提取第3层频率从低到高的8个频率信号特征，对每个频带内的信号进行重构。设X3j(j＝1,2,…，8)为对应每个频带内的重构信号，对应的能量为E3j(j＝1,2,…，8)，则有:
式中，xjk(j＝1,2,…，8,k＝1,2,…,n)表示重构信号X3j对应离散点的幅值大小。
构造归一化特征向量。令T＝[E31,E32,E33,E34,E35,E36,E37,E38]，
则归一化后的能量特征向量为:
T'＝[E31/E,E32/E,E33/E,E34/E,E35/E,E36/E,E37/E,E38/E]； 公式(12)
该归一化后的能量特征向量即为去噪后的小波信号所对应的能量，基于该去噪后的小波信号所对应的能量确定小波信号所对应的子带能量分布。
本申请的有益效果在于：能够对设备振动信号波形对应的信号进行去噪，并且基于去噪后的小波信号判断设备是否发生故障，实现了故障的自动检测，无需通过人工排查进行故障检测，提升了设备故障检测的即时性，节省了人力成本。
在一个实施例中，上述步骤S12可被实施为以下步骤：
根据以下公式对各层小波进行离散小波变换，以得到各层小波对应的小波系数：
dj,k＝∫x(t)Ψj,k(t)dt；
其中，dj,k为第j层小波对应的小波系数；Ψj,k(t)为第j层的离散小波基函数。
在一个实施例中，如图2所示，上述步骤S13可被实施为以下步骤S21-S22：
在步骤S21中，确定各层中小于本层去噪阈值的小波系数为噪声对应的小波系数；
在步骤S22中，将噪声对应的小波系数置零，以得到去噪后的小波系数。
在一个实施例中，所述去噪阈值根据以下步骤A1-A3进行修正：
在步骤A1中，计算各层小波系数的峰和比；
在步骤A2中，根据各层小波系数的峰和比以及各层小波系数的长度确定阈值修正因子；
在步骤A3中，根据所述阈值修正因子对所述去噪阈值进行修正。
在一个实施例中，上述步骤A1可被实施为以下步骤：
根据以下公式计算各层小波系数的峰和比：
其中，PSRj为第j层小波系数的峰和比；dj,k为第j层小波对应的小波系数。
在一个实施例中，上述步骤A2可被实施为以下步骤：
根据以下公式确定阈值修正因子：
其中，Fj为阈值修正因子；Lj为第j层小波系数的长度；PSRj为第j层小波系数的峰和比。
在一个实施例中，上述步骤A3可被实施为以下步骤：
将所述阈值修正因子代入到以下公式以对所述去噪阈值进行修正：
其中，λj为第j层所对应的去噪阈值；σ为噪声标准差；Fj为阈值修正因子。
在一个实施例中，如图3所示，上述步骤S15可被实施为以下步骤S31-S34：
在步骤S31中，获取去噪后的小波信号所对应的能量；
在步骤S32中，根据所述能量确定小波信号所对应的子带能量分布；
在步骤S33中，将所述小波信号所对应的子带能量分布与预设子带能量分布情况进行比对；
在步骤S34中，当比对结果的差异值大于预设值时，确定所述设备发生故障。
本实施例中，根据去噪后的小波信号判断所述设备是否发生故障；具体的，获取去噪后的小波信号所对应的能量；根据所述能量确定小波信号所对应的子带能量分布；将所述小波信号所对应的子带能量分布与预设子带能量分布情况进行比对；当比对结果的差异值大于预设值时，确定所述设备发生故障，例如，图4为正常情况下的小波信号所对应的子带能量分布，而图5为故障情况下的小波信号所对应的子带能量分布。假设最终求得的子带能量分布与图4进行比对的比对结果差异值小于预设值，确定设备正常，而当比对结果的差异值大于预设值时，确定所述设备发生故障。
本实施例的有益效果在于：通过获取去噪后的小波信号所对应的能量，确定小波信号所对应的子带能量分布，与预设的原始振动信号的子带能量分布进行对比，当比对结果的差异大于预设值时，确定设备发生故障。进而能够利用小波分解后不同子带能量不同的特点来诊断脱介筛是否发生故障。
图6为本申请一种设备故障检测系统的硬件结构示意图，如图6所示，包括：
至少一个处理器620；以及，
与所述至少一个处理器通信连接的存储器604；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行以实现上述任一实施例中所记载的设备故障检测方法。
参照图6，该设备故障检测系统600可以包括以下一个或多个组件：处理组件602，存储器604，电源组件606，多媒体组件608，音频组件610，输入/输出(I/O)的接口612，传感器组件614，以及通信组件616。
处理组件602通常控制设备故障检测系统600的整体操作。处理组件602可以包括一个或多个处理器620来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件602可以包括一个或多个模块，便于处理组件602和其他组件之间的交互。例如，处理组件602可以包括多媒体模块，以方便多媒体组件608和处理组件602之间的交互。
存储器604被配置为存储各种类型的数据以支持在设备故障检测系统600的操作。这些数据的示例包括用于在设备故障检测系统600上操作的任何应用程序或方法的指令，如文字，图片，视频等。存储器604可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
电源组件606为设备故障检测系统600的各种组件提供电源。电源组件606可以包括电源管理系统，一个或多个电源，及其他与为设备故障检测系统600生成、管理和分配电源相关联的组件。
多媒体组件608包括在设备故障检测系统600和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件608还可以包括一个前置摄像头和/或后置摄像头。当设备故障检测系统600处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件610被配置为输出和/或输入音频信号。例如，音频组件610包括一个麦克风(MIC)，当设备故障检测系统600处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器604或经由通信组件616发送。在一些实施例中，音频组件610还包括一个扬声器，用于输出音频信号。
I/O接口612为处理组件602和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件614包括一个或多个传感器，用于为设备故障检测系统600提供各个方面的状态评估。例如，传感器组件614可以包括声音传感器。另外，传感器组件614可以检测到设备故障检测系统600的打开/关闭状态，组件的相对定位，例如组件为设备故障检测系统600的显示器和小键盘，传感器组件614还可以检测设备故障检测系统600或设备故障检测系统600的一个组件的位置改变，用户与设备故障检测系统600接触的存在或不存在，设备故障检测系统600方位或加速/减速和设备故障检测系统600的温度变化。传感器组件614可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件614还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件614还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件616被配置为使设备故障检测系统600提供和其他设备以及云平台之间进行有线或无线方式的通信能力。设备故障检测系统600可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件616经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，通信组件616还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。
在示例性实施例中，设备故障检测系统600可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述设备故障检测方法。
本申请还提供一种计算机可读存储介质，当存储介质中的指令由设备故障检测系统对应的处理器执行时，使得设备故障检测系统能够实现上述任一实施例中所记载的设备故障检测方法。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。
Claims (10)
1.一种设备故障检测方法，其特征在于，包括：
获取设备的振动信号波形；
确定所述振动信号波形对应的小波系数；
根据各层小波系数与同一层的去噪阈值的比较结果确定去噪后的小波系数，其中，所述去噪阈值根据所在层的小波系数对应的峰和比进行自适应调整；
根据所述去噪后的小波系数对相应层数的小波进行信号重构，以得到去噪后的小波信号；
根据去噪后的小波信号判断所述设备是否发生故障。
2.如权利要求1所述的方法，其特征在于，所述确定所述振动信号波形对应的小波系数，包括：
根据以下公式对各层小波进行离散小波变换，以得到各层小波对应的小波系数：
dj，k＝∫x(t)Ψj，k(t)dt；
其中，dj，k为第j层小波对应的小波系数；Ψj，k(t)为第j层的离散小波基函数。
3.如权利要求1所述的方法，其特征在于，所述根据各层小波系数与同一层的去噪阈值的比较结果确定去噪后的小波系数，包括：
确定各层中小于本层去噪阈值的小波系数为噪声对应的小波系数；
将噪声对应的小波系数置零，以得到去噪后的小波系数。
4.如权利要求1所述的方法，其特征在于，所述去噪阈值根据以下方式进行修正：
计算各层小波系数的峰和比；
根据各层小波系数的峰和比以及各层小波系数的长度确定阈值修正因子；
根据所述阈值修正因子对所述去噪阈值进行修正。
5.如权利要求4所述的方法，其特征在于，所述计算各层小波系数的峰和比，包括：
根据以下公式计算各层小波系数的峰和比：
其中，PSRj为第j层小波系数的峰和比；dj,k为第j层小波对应的小波系数。
6.如权利要求4所述的方法，其特征在于，所述根据各层小波系数的峰和比以及各层小波系数的长度确定阈值修正因子，包括：
根据以下公式确定阈值修正因子：
其中，Fj为阈值修正因子；Lj为第j层小波系数的长度；PSRj为第j层小波系数的峰和比。
7.如权利要求4所述的方法，其特征在于，所述根据所述阈值修正因子对所述去噪阈值进行修正，包括：
将所述阈值修正因子代入到以下公式以对所述去噪阈值进行修正：
其中，λj为第j层所对应的去噪阈值；σ为噪声标准差；Fj为阈值修正因子。
8.如权利要求1所述的方法，其特征在于，所述根据去噪后的小波信号判断所述设备是否发生故障，包括：
获取去噪后的小波信号所对应的能量；
根据所述能量确定小波信号所对应的子带能量分布；
将所述小波信号所对应的子带能量分布与预设子带能量分布情况进行比对；
当比对结果的差异值大于预设值时，确定所述设备发生故障。
9.一种设备故障检测系统，其特征在于，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行以实现如权利要求1-8任一项所述的设备故障检测方法。
10.一种计算机可读存储介质，其特征在于，当存储介质中的指令由设备故障检测系统对应的处理器执行时，使得设备故障检测系统能够实现如权利要求1-8任一项所述的设备故障检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111392056.2A CN114136600A (zh) | 2021-11-19 | 2021-11-19 | 一种设备故障监测方法、系统及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111392056.2A CN114136600A (zh) | 2021-11-19 | 2021-11-19 | 一种设备故障监测方法、系统及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114136600A true CN114136600A (zh) | 2022-03-04 |
Family
ID=80390840
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111392056.2A Pending CN114136600A (zh) | 2021-11-19 | 2021-11-19 | 一种设备故障监测方法、系统及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114136600A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114722885A (zh) * | 2022-06-09 | 2022-07-08 | 山东山矿机械有限公司 | 托辊搬运小车运行异常智能检测方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2014206403A (ja) * | 2013-04-11 | 2014-10-30 | Ntn株式会社 | 転がり軸受の診断装置 |
| CN105651504A (zh) * | 2016-01-15 | 2016-06-08 | 北京工业大学 | 基于自适应小波能量的旋转机械故障特征提取方法 |
| WO2017197123A1 (en) * | 2016-05-11 | 2017-11-16 | Cornell University | Systems, methods and programs for denoising signals using wavelets |
| US20180017961A1 (en) * | 2015-01-30 | 2018-01-18 | Safran Aircraft Engines | Method, system and computer program for learning phase of an acoustic or vibratory analysis of a machine |
| CN110220708A (zh) * | 2019-04-24 | 2019-09-10 | 邯郸钢铁集团有限责任公司 | 一种基于改进小波算法的轴承信号降噪方法 |
| CN110717472A (zh) * | 2019-10-17 | 2020-01-21 | 齐鲁工业大学 | 基于改进的小波阈值去噪的故障诊断方法及系统 |
-
2021
- 2021-11-19 CN CN202111392056.2A patent/CN114136600A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2014206403A (ja) * | 2013-04-11 | 2014-10-30 | Ntn株式会社 | 転がり軸受の診断装置 |
| US20180017961A1 (en) * | 2015-01-30 | 2018-01-18 | Safran Aircraft Engines | Method, system and computer program for learning phase of an acoustic or vibratory analysis of a machine |
| CN105651504A (zh) * | 2016-01-15 | 2016-06-08 | 北京工业大学 | 基于自适应小波能量的旋转机械故障特征提取方法 |
| WO2017197123A1 (en) * | 2016-05-11 | 2017-11-16 | Cornell University | Systems, methods and programs for denoising signals using wavelets |
| CN110220708A (zh) * | 2019-04-24 | 2019-09-10 | 邯郸钢铁集团有限责任公司 | 一种基于改进小波算法的轴承信号降噪方法 |
| CN110717472A (zh) * | 2019-10-17 | 2020-01-21 | 齐鲁工业大学 | 基于改进的小波阈值去噪的故障诊断方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 王维博等: "基于改进阈值和阈值函数的电能质量小波去噪方法", 电工技术学报, no. 2, 31 January 2019 (2019-01-31), pages 409 - 418 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114722885A (zh) * | 2022-06-09 | 2022-07-08 | 山东山矿机械有限公司 | 托辊搬运小车运行异常智能检测方法及系统 |
| CN114722885B (zh) * | 2022-06-09 | 2022-08-16 | 山东山矿机械有限公司 | 托辊搬运小车运行异常智能检测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108229667B (zh) | 基于人工神经网络类别的修剪 | |
| KR20210116923A (ko) | 디노이징 네트워크의 학습 방법, 및 이미지 처리 방법 및 그 장치 방법 | |
| CN109165738B (zh) | 神经网络模型的优化方法及装置、电子设备和存储介质 | |
| CN105723445A (zh) | 显示装置及其控制方法 | |
| US11521131B2 (en) | Systems and methods for deep-learning based super-resolution using multiple degradations on-demand learning | |
| US10817991B2 (en) | Methods for deep-learning based super-resolution using high-frequency loss | |
| CN104021798A (zh) | 用于通过具有可变频谱增益和可动态调制的硬度的算法对音频信号隔音的方法 | |
| JP4866958B2 (ja) | コンソール上にファーフィールドマイクロフォンを有する電子装置におけるノイズ除去 | |
| CN112380396B (zh) | 视频处理方法及装置、计算机可读存储介质和电子设备 | |
| CN111883164B (zh) | 模型训练方法、装置、电子设备及存储介质 | |
| CN109756818B (zh) | 双麦克风降噪方法、装置、存储介质及电子设备 | |
| CN114136600A (zh) | 一种设备故障监测方法、系统及存储介质 | |
| WO2016050725A1 (en) | Method and apparatus for speech enhancement based on source separation | |
| US20240046947A1 (en) | Speech signal enhancement method and apparatus, and electronic device | |
| Sharan et al. | Pseudo-color cochleagram image feature and sequential feature selection for robust acoustic event recognition | |
| CN104639714A (zh) | 手机反应时间的测试方法 | |
| WO2022143522A1 (zh) | 音频信号处理方法、装置和电子设备 | |
| CN106296735B (zh) | 目标跟踪中的滤波器更新方法、装置和智能终端 | |
| CN117296061A (zh) | 具有改进准确度和减少的计算资源消耗的扩散模型 | |
| CN112289337B (zh) | 一种滤除机器学习语音增强后的残留噪声的方法及装置 | |
| WO2024041512A1 (zh) | 音频降噪方法、装置、电子设备及可读存储介质 | |
| CN108401209A (zh) | 实现语音播报校正的方法及装置、可读存储介质 | |
| CN111292761A (zh) | 语音增强方法及装置 | |
| CN115604627A (zh) | 音频信号处理方法、装置、电子设备及可读存储介质 | |
| Looney et al. | A machine learning enhanced empirical mode decomposition |
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 |