CN114486259A - 优化变分模态分解的分布式光纤声传感系统的信号处理方法 - Google Patents
优化变分模态分解的分布式光纤声传感系统的信号处理方法 Download PDFInfo
- Publication number
- CN114486259A CN114486259A CN202210004729.0A CN202210004729A CN114486259A CN 114486259 A CN114486259 A CN 114486259A CN 202210004729 A CN202210004729 A CN 202210004729A CN 114486259 A CN114486259 A CN 114486259A
- Authority
- CN
- China
- Prior art keywords
- optical fiber
- signal
- sensing system
- modal decomposition
- sections
- 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
- 239000013307 optical fiber Substances 0.000 title claims abstract description 46
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 33
- 238000003672 processing method Methods 0.000 title claims abstract description 10
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000000034 method Methods 0.000 claims abstract description 9
- 230000014509 gene expression Effects 0.000 claims description 12
- 238000001514 detection method Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 238000005315 distribution function Methods 0.000 claims description 3
- 238000011155 quantitative monitoring Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000001228 spectrum Methods 0.000 claims description 3
- 239000000835 fiber Substances 0.000 claims 1
- 238000012544 monitoring process Methods 0.000 abstract description 7
- 230000007613 environmental effect Effects 0.000 abstract description 4
- 230000010365 information processing Effects 0.000 abstract description 2
- 238000012360 testing method Methods 0.000 description 17
- 239000002994 raw material Substances 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 239000002390 adhesive tape Substances 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 206010033799 Paralysis Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000013590 bulk material Substances 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000000725 suspension 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
- G01M13/04—Bearings
- G01M13/045—Acoustic or vibration analysis
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H9/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves by using radiation-sensitive means, e.g. optical means
- G01H9/004—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves by using radiation-sensitive means, e.g. optical means using fibre optic sensors
-
- 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
Abstract
本发明涉及信号源监测领域,具体为一种优化变分模态分解的分布式光纤声传感系统的信号处理方法。本发明对采集的声振信号S(p,q)按照光纤沿线长度分段S(p,i)进行变分模态分解处理并记录存在故障的各段数,1≤i≤q;输出光纤长度存在故障报警段数。本发明旨在通过优化变分模态分解算法:在保证处理分布式光纤声传感系统采集的多通道声信息处理实时性的同时对环境噪声进行抑制和对目标信号进行识别,解决了现有基于分布式光纤声波传感系统中无法有效提取强背景噪声下皮带机轴承早期损伤振动信号中的故障特征频率,难以对胶带机轴承早期损伤状态进行及时诊断和实时定位问题。
Description
技术领域
本发明涉及信号源监测领域,具体为一种优化变分模态分解的分布式光纤声传感系统的信号处理方法。
背景技术
决定冶金和煤矿行业持续高效生产的关键技术是保障技术路线中各个环节尽可能的有效运行。原料输送胶带机以输送能力大、输送距离长、结构简单、维护方便、通用性强等优点,成为散装材料运输中的首选设备。但是原料输送胶带机操作、维护作业具有极大风险,且一个简单的故障或者某一小部分出现异常警报,都会引起后续工作暂停甚至瘫痪等问题。修复某些故障可能需要很长时间,需要工作人员在故障诊断、确保安全、首次操作决策、拆解、材料运输、维修和装配等领域进行大量参与。然而,胶带机托辊早期故障特征信号微弱、设备运行环境恶劣、背景噪声强等因素导致监测系统无法检测到这些故障。因此,强背景噪声条件下原料输送胶带机的托辊故障、胶带撕裂等诊断与运行趋势预测尤为必要。
原料输送胶带机的实时早期故障监测的传统手段是采用点式的电学加速度或振动传感器,但是由于原料输送胶带机传输距离长,现场工况环境恶劣,传统的点式电学传感器往往无法实现长距离连续监测和故障的精准定位。相比于传统点式电学传感器,基于相敏型光时域反射仪的分布式光纤声传感系统在原料输送胶带机的故障监测定位应用领域具有长距离分布式检测,环境适应性强等突出优势,但是由于监测现场背景噪声强等因素的影响,使得常规的信号时频分析方法无法实现对故障信息的有效检测和准确定位。
发明内容
针对上述胶带机轴承早期损伤状态进行及时诊断和实时定位难题,本发明提供了一种优化变分模态分解的分布式光纤声传感系统的信号处理方法。本发明从强背景噪声环境中采集声传感系统发射脉冲并获取光纤长度的声振信号,通过变分模态分解处理所获取的声振信号并对存在故障全部段数实时报警。本发明能够很好地解决强背景噪声环境中的微弱故障特征信号提取难题,能够在低信噪比的原始声振信号中检测出光纤沿线全部存在故障段数并实时定位报警,实现基于分布式光纤声传感对多点故障的实时判别和定位。
一种优化变分模态分解的分布式光纤声传感系统的信号处理方法,包括以下步骤:
步骤s1:分布式光纤声传感系统对传感光纤发射探测光脉冲,对传感光纤沿线的声振信息进行实时定量监测,并获取原始声振信号S(p,q),其中p为获取脉冲个数,q为光纤沿线声振信号获取段数。
步骤s2:对步骤s1获取的原始声振信号S(p,q)按照光纤沿线长度分段S(p,i)(1≤i≤q)进行优化变分模态分解处理,并记录存在故障全部段数;
步骤s21:通过对采集数据的变分模态分解分析,根据变分模态分解结果确定变分模态分解的最佳分解层数K与惩罚因子α,无需通过算法对每一分段数据分别优化分解参数,使用测试数据进行测试并成功提取故障信号,从而达到算法简化的目的;
步骤s23:计算步骤s22得到的各个模态解调信号的梯度的平方L2范数,根据约束变分模型估计出各个模态解调信号的带宽,受约束的变分模型表达式为:
其中,δ(t)表示狄利雷克分布函数,*表示卷积,{μk}={μ1,μ2,…,μk}表示K个模态解调信号,{ωk}={ω1,ω2,…,ωk}代表每个模态解调信号的中心频率,S为原始信号,t为时间;
步骤s24:引入α和拉格朗日(Lagrange)乘法算子λ,将约束性变分问题变为非约束性变分问题,α参数的作用是保证重构信号的精度,扩展的Lagrange表达式为:
式中,λ(t)是严格约束条件;
其中,∧表示傅里叶变换,n为迭代次数,τ为保真系数。
步骤s26:判断每个数组S(p,i)中是否存在故障并记录存在故障段数,循环直至判断全部光纤沿线段数q时结束。
步骤s3:输出步骤s2记录的存在故障全部段数,并实时判别和定位。
本发明旨在通过优化变分模态分解算法:在保证处理分布式光纤声传感系统采集的多通道声信息处理实时性的同时对环境噪声进行抑制和对目标信号进行识别,解决现有基于分布式光纤声波传感系统中无法有效提取强背景噪声下皮带机轴承早期损伤振动信号中的故障特征频率,难以对胶带机轴承早期损伤状态进行及时诊断和实时定位问题。
综上所述,本发明有效提高了处理后声振信号的信噪比,降低系统误报与漏报振动事件的发生,对光纤沿线实现基于分布式光纤声波传感系统在强背景噪声环境中多点故障特征信号的实时判别和精准定位。
附图说明
图1是本发明信号处理方法流程图;
图2是本发明数据变分模态分解处理示意图;
图3是安静环境中和强背景噪声环境中测试点A的模拟故障信号强度图;
图4是实施例强背景噪声环境中测试点A模拟故障特征频率为86Hz的处理结果示意图;
图5是强背景噪声环境中测试点A模拟故障特征频率为71Hz的处理结果示意图;
图6是强背景噪声环境中测试点A和测试点A、B的定位报警示意图。
具体实施方式
下面结合附图和实施例对本发明做进一步的详细说明。
如图1所示,一种优化变分模态分解的分布式光纤声传感系统的信号处理方法,具体实施步骤为:
步骤s1:分布式光纤声传感系器对传感光纤发射探测光脉冲,对传感光纤沿线的声振信息进行实时定量监测,并获取原始声振信号S(p,q),其中p=5120,q=800;
步骤s2:在本实施例中,对步骤s1获取的原始声振信号S(5120,800)按照光纤沿线长度分段S(5120,i)(1≤i≤800)进行优化变分模态分解处理,并记录存在故障全部段数,对原始信号进行优化变分模态分解处理如图2所示,具体包括以下步骤:
步骤s21:通过对采集数据的变分模态分解分析,确定变分模态分解的分解层数K=3与惩罚因子α=1000;
步骤s23:计算以上解调信号的梯度的平方L2范数,根据约束变分模型估计出各个模态解调信号的带宽,受约束的变分模型表达式如式(s23)所示;
其中,δ(t)表示狄利雷克分布函数,*表示卷积,{μk}={μ1,μ2,…,μk}表示K个模态解调信号,{ωk}={ω1,ω2,…,ωk}代表每个模态解调信号的中心频率,S为原始信号;
步骤s24:引入α和Lagrange乘法算子,将约束性变分问题变为非约束性变分问题,α参数的作用是保证重构信号的精度,扩展的Lagrange表达式如式(s24)所示:
式中λ(t)则是严格约束条件,λ为Lagrange算子;
其中,∧表示傅里叶变换,n为迭代次数,τ为保真系数。
步骤s26:判断每个数组S(5120,i)中是否存在故障并记录存在故障段数,循环直至判断全部光纤沿线段数q=800时结束。
步骤s3:输出步骤s2记录的存在故障全部段数(即各个故障段数对应的i),并实时判别和定位。
在本实施例中:
通过步骤s1采集数据得到安静环境下和强背景噪声条件下的测试点A(i=78)敲击模拟故障信号如图3所示,其中图3(a)和(b)分别为安静环境下和强背景噪声条件下的光纤沿线测试点A附近的敲击信号强度图,由图3(a)可知安静环境条件下是能够判断故障信号(如图中点划线框选所示)存在的,而由图3(b)可知强背景噪声下是无法判断是否存在故障信号的。
通过步骤s2中的变分模态分解降噪处理后得到测试点A强背景噪声环境中的模拟故障特征频率信号,模拟故障频率86Hz处理结果如图4所示,如图可见本发明方法成功提取了该测试点的故障特征频率。进一步在测试点A强背景噪声环境中的模拟故障频率71Hz,并经上述方法步骤s2中降噪处理后得到结果如图5所示,如图可见该方法成功提取了该测试点的故障特征频率。
通过上述方法采集和降噪处理后得到强背景噪声环境中在测试点A和同时在测试点A、B(i=228)的模拟故障信号定位报警结果分别如图6(a)和(b)所示,如图可见测试在测试点A和同时在测试点A、B分别发生报警。
通过以上实施例可见,本发明对采集的声振信号S(p,q)按照光纤沿线长度分段S(p,i)进行变分模态分解处理并记录存在故障的各段数,利用优化变分模态分解对强背景噪声环境中光纤沿线声振信号的合理分解,提高了声振信号的信噪比,降低系统误报与漏报振动事件的发生,对光纤沿线基于分布式光纤声波传感系统在强背景噪声环境中多点故障特征信号的实时判别和精准定位;并最终输出光纤长度存在故障报警段数。
本发明通过优化变分模态分解算法在保证处理分布式光纤声传感系统采集的多通道声信息处理实时性的同时对环境噪声进行抑制和对目标信号进行识别,解决了现有基于分布式光纤声波传感系统中无法有效提取强背景噪声下皮带机轴承早期损伤振动信号中的故障特征频率,难以对胶带机轴承早期损伤状态进行及时诊断和实时定位问题。
Claims (2)
1.一种优化变分模态分解的分布式光纤声传感系统的信号处理方法,其特征在于,包括以下步骤:
步骤s1、分布式光纤声传感系统对传感光纤发射探测光脉冲,对传感光纤沿线的声振信息进行实时定量监测,并获取原始声振信号S(p,q),其中p为获取脉冲个数,q为光纤沿线声振信号获取段数;
步骤s2、对步骤s1获取的原始声振信号S(p,q)按照光纤沿线长度分段S(p,i),1≤i≤q,进行优化变分模态分解处理,并记录存在故障全部段数;
步骤s3、输出步骤s2记录的存在故障全部段数,并实时判别和定位。
2.如权利要求1所述优化变分模态分解的分布式光纤声传感系统的信号处理方法,其特征在于:
所述步骤s2具体内容如下:
步骤s21、通过对步骤s1采集数据的变分模态分解分析,根据变分模态分解结果确定变分模态分解的最佳分解层数K与惩罚因子α;
步骤s22、通过希尔伯特Hilbert变换计算每个数组S(p,i)的解析信号,各解析信号分别与预估中心频率ejωkt相乘,将每个模态的频谱调制到相应的基频带得到的各个模态解调信号;
步骤s23、计算步骤s22得到的各个模态解调信号的梯度的平方L2范数,根据约束变分模型估计出各个模态解调信号的带宽,受约束的变分模型表达式为:
其中,δ(t)表示狄利雷克分布函数,*表示卷积,{μk}={μ1,μ2,…,μk}表示K个模态解调信号,{ωk}={ω1,ω2,…,ωk}代表每个模态解调信号的中心频率,S为原始信号,t为时间;
步骤s24、引入α和拉格朗日Lagrange乘法算子λ,将约束性变分问题变为非约束性变分问题,扩展的Lagrange表达式为:
式中,λ(t)是严格约束条件;
其中,∧表示傅里叶变换,n为迭代次数,τ为保真系数;
步骤s26、判断每个数组S(p,i)中是否存在故障并记录存在故障段数,循环直至判断全部光纤沿线段数q时结束。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210004729.0A CN114486259A (zh) | 2022-01-05 | 2022-01-05 | 优化变分模态分解的分布式光纤声传感系统的信号处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210004729.0A CN114486259A (zh) | 2022-01-05 | 2022-01-05 | 优化变分模态分解的分布式光纤声传感系统的信号处理方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114486259A true CN114486259A (zh) | 2022-05-13 |
Family
ID=81509696
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210004729.0A Pending CN114486259A (zh) | 2022-01-05 | 2022-01-05 | 优化变分模态分解的分布式光纤声传感系统的信号处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114486259A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114754857A (zh) * | 2022-06-14 | 2022-07-15 | 之江实验室 | 一种两段式光纤传感水声信号补偿方法和装置 |
CN114913868A (zh) * | 2022-05-17 | 2022-08-16 | 电子科技大学 | 一种基于fpga的声阵列定向拾音方法 |
CN117031531A (zh) * | 2023-08-04 | 2023-11-10 | 华东交通大学 | 一种声屏障防倒塌监测方法及其监测装置 |
CN117031531B (zh) * | 2023-08-04 | 2024-04-26 | 华东交通大学 | 一种声屏障防倒塌监测方法及其监测装置 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080219336A1 (en) * | 2007-03-05 | 2008-09-11 | General Electric Company | System and method for fault detection and localization in time series and spatial data |
CN105631596A (zh) * | 2015-12-29 | 2016-06-01 | 山东鲁能软件技术有限公司 | 一种基于多维分段拟合的设备故障诊断方法 |
CN107525579A (zh) * | 2017-07-21 | 2017-12-29 | 国网上海市电力公司 | 一种基于光纤双模式耦合的多防区振动探测装置 |
CN107884190A (zh) * | 2017-11-01 | 2018-04-06 | 北京信息科技大学 | 基于变分模态分解和小波奇异分解的轴承故障诊断方法 |
CN108053379A (zh) * | 2017-12-13 | 2018-05-18 | 天津大学 | 一种基于改进的变分模态分解的dspi相位提取方法 |
CN109347547A (zh) * | 2018-11-26 | 2019-02-15 | 北京航天易联科技发展有限公司 | 一种通讯光缆故障地理位置查询定位方法 |
CN109726642A (zh) * | 2018-12-13 | 2019-05-07 | 云南电网有限责任公司电力科学研究院 | 一种基于变分模态分解的分布式光纤振动信号的降噪方法 |
CN110702149A (zh) * | 2019-11-05 | 2020-01-17 | 南京申威光电技术研究院有限公司 | 光纤分布式扰动传感系统扰动信号的定位方法和系统 |
CN111917466A (zh) * | 2020-07-24 | 2020-11-10 | 中山水木光华电子信息科技有限公司 | 一种光纤故障点监控识别系统及方法 |
CN112781710A (zh) * | 2019-11-07 | 2021-05-11 | 无锡迈能科技有限公司 | 分布式检测皮带机托辊高频异音的方法 |
-
2022
- 2022-01-05 CN CN202210004729.0A patent/CN114486259A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080219336A1 (en) * | 2007-03-05 | 2008-09-11 | General Electric Company | System and method for fault detection and localization in time series and spatial data |
CN105631596A (zh) * | 2015-12-29 | 2016-06-01 | 山东鲁能软件技术有限公司 | 一种基于多维分段拟合的设备故障诊断方法 |
CN107525579A (zh) * | 2017-07-21 | 2017-12-29 | 国网上海市电力公司 | 一种基于光纤双模式耦合的多防区振动探测装置 |
CN107884190A (zh) * | 2017-11-01 | 2018-04-06 | 北京信息科技大学 | 基于变分模态分解和小波奇异分解的轴承故障诊断方法 |
CN108053379A (zh) * | 2017-12-13 | 2018-05-18 | 天津大学 | 一种基于改进的变分模态分解的dspi相位提取方法 |
CN109347547A (zh) * | 2018-11-26 | 2019-02-15 | 北京航天易联科技发展有限公司 | 一种通讯光缆故障地理位置查询定位方法 |
CN109726642A (zh) * | 2018-12-13 | 2019-05-07 | 云南电网有限责任公司电力科学研究院 | 一种基于变分模态分解的分布式光纤振动信号的降噪方法 |
CN110702149A (zh) * | 2019-11-05 | 2020-01-17 | 南京申威光电技术研究院有限公司 | 光纤分布式扰动传感系统扰动信号的定位方法和系统 |
CN112781710A (zh) * | 2019-11-07 | 2021-05-11 | 无锡迈能科技有限公司 | 分布式检测皮带机托辊高频异音的方法 |
CN111917466A (zh) * | 2020-07-24 | 2020-11-10 | 中山水木光华电子信息科技有限公司 | 一种光纤故障点监控识别系统及方法 |
Non-Patent Citations (2)
Title |
---|
吴慧娟,刘欣雨等: "《基于Φ -OTDR 的光纤分布式传感信号处理及应用》", 《激光与光电子学进展特》 * |
唐贵基,王晓龙: "《参数优化变分模态分解方法在滚动轴承早期故障诊断中的应用》", 《西安交通大学学报》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114913868A (zh) * | 2022-05-17 | 2022-08-16 | 电子科技大学 | 一种基于fpga的声阵列定向拾音方法 |
CN114754857A (zh) * | 2022-06-14 | 2022-07-15 | 之江实验室 | 一种两段式光纤传感水声信号补偿方法和装置 |
CN114754857B (zh) * | 2022-06-14 | 2022-08-23 | 之江实验室 | 一种两段式光纤传感水声信号补偿方法和装置 |
CN117031531A (zh) * | 2023-08-04 | 2023-11-10 | 华东交通大学 | 一种声屏障防倒塌监测方法及其监测装置 |
CN117031531B (zh) * | 2023-08-04 | 2024-04-26 | 华东交通大学 | 一种声屏障防倒塌监测方法及其监测装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Shi et al. | Rolling bearing initial fault detection using long short-term memory recurrent network | |
CN114486259A (zh) | 优化变分模态分解的分布式光纤声传感系统的信号处理方法 | |
CN109186813A (zh) | 一种温度传感器自检装置及方法 | |
CN109855874B (zh) | 一种声音辅助振动微弱信号增强检测的随机共振滤波器 | |
Sheng et al. | Applications in bearing fault diagnosis of an improved Kurtogram algorithm based on flexible frequency slice wavelet transform filter bank | |
KR20200002802A (ko) | 광학적 음향 감지 시스템 및 방법 | |
CN114857504A (zh) | 基于分布式光纤传感器和深度学习的管道安全监测方法 | |
WO2023279382A1 (zh) | 一种电机轴承运行状态故障检测方法及系统 | |
US20050102116A1 (en) | High-resolution intelligent rotor machine diagnostic system and method | |
CN107478729A (zh) | 流体机械叶片多裂纹的声发射检测方法 | |
CN114325361A (zh) | 基于振动原理的变压器分接开关状态在线监测方法 | |
Wang et al. | Information interval spectrum: A novel methodology for rolling-element bearing diagnosis | |
CN107977679A (zh) | 基于频响函数和运行响应特征诊断复杂装置早期故障的方法 | |
CN109934136B (zh) | 基于Duffing振子和本征模式分量的滚动轴承故障诊断方法 | |
CN112131781A (zh) | 基于全连接神经网络与传递率函数的钢结构损伤检测方法 | |
Cong et al. | Research on the order selection of the autoregressive modelling for rolling bearing diagnosis | |
CN115479219B (zh) | 智能管道状态监测方法、监测装置及智能管道系统 | |
US20230024104A1 (en) | Identification of false transformer humming using machine learning | |
Atamuradov et al. | Fault detection by segment evaluation based on inferential statistics for asset monitoring | |
CN112860658B (zh) | 基于数据挖掘的高速列车电磁发射预测方法 | |
CN112857798B (zh) | 一种基于频谱分析的多轴系机械传动系统质量评估方法及装置 | |
Deuschle et al. | Robust sensor spike detection method based on dynamic time warping | |
CN114459761A (zh) | 一种基于线性分段随机共振的光纤分布式胶带机故障信号提取方法 | |
KR102558020B1 (ko) | 인공지능 알고리즘 적용 방식의 진단 변수 결정 방법 및 이에 의한 철도 차량의 진단 방법 | |
Zare et al. | Real-time online drilling vibration analysis using data mining |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220513 |