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 PDF

Info

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
Application number
CN202210004729.0A
Other languages
English (en)
Inventor
吴宇
谢浪
李钊杰
饶云江
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.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
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 University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN202210004729.0A priority Critical patent/CN114486259A/zh
Publication of CN114486259A publication Critical patent/CN114486259A/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
    • 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

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
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
Figure BDA0003456146160000021
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：
Figure BDA0003456146160000022
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：
Figure BDA0003456146160000023
式中，λ(t)是严格约束条件；
步骤s25：利用交替方向乘子算法求解，通过交替更新
Figure BDA0003456146160000024
和λn+1来求解扩展Lagrange表达式的“鞍点”最小值，最优解为各本征模态分量(IMFs)及中心频率相应的变量，更新表达式分别为：
Figure BDA0003456146160000025
Figure BDA0003456146160000026
Figure BDA0003456146160000027
其中，∧表示傅里叶变换，n为迭代次数，τ为保真系数。
在迭代求解过程中各IMFs的频率及带宽不断更新，直至满足迭代停止条件
Figure BDA0003456146160000031
结束整个循环，最终根据实际信号的频域特征完成分割，并通过傅里叶逆变换将
Figure BDA0003456146160000032
转为时域IMFs。
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s22：通过Hilbert变换计算每个数组S(5120,i)的解析信号，解析信号分别与预估中心频率
Figure BDA0003456146160000041
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；
Figure BDA0003456146160000042
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：
Figure BDA0003456146160000043
式中λ(t)则是严格约束条件，λ为Lagrange算子；
步骤s25：利用交替方向乘子算法求解，通过交替更新
Figure BDA0003456146160000044
和λn+1来求解扩展Lagrange表达式的“鞍点”最小值，最优解为各IMFs及中心频率相应的变量，更新表达式如下：
Figure BDA0003456146160000045
Figure BDA0003456146160000046
Figure BDA0003456146160000047
其中，∧表示傅里叶变换，n为迭代次数，τ为保真系数。
在迭代求解过程中各IMFs的频率及带宽不断更新，直至满足迭代停止条件
Figure BDA0003456146160000048
结束整个循环，最终根据实际信号的频域特征完成自适应分割，并通过傅里叶逆变换将
Figure BDA0003456146160000049
转为时域IMFs。
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：
Figure FDA0003456146150000011
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：
Figure FDA0003456146150000012
式中，λ(t)是严格约束条件；
步骤s25、利用交替方向乘子算法求解，通过交替更新
Figure FDA0003456146150000013
和λn+1来求解扩展Lagrange表达式的鞍点最小值，最优解为各本征模态分量IMFs及中心频率相应的变量，更新表达式分别为：
Figure FDA0003456146150000021
Figure FDA0003456146150000022
Figure FDA0003456146150000023
其中，∧表示傅里叶变换，n为迭代次数，τ为保真系数；
在迭代求解过程中各IMFs的频率及带宽不断更新，直至满足迭代停止条件
Figure FDA0003456146150000024
结束整个循环，最终根据实际信号的频域特征完成分割，并通过傅里叶逆变换将
Figure FDA0003456146150000025
转为时域IMFs；
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。
CN202210004729.0A 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 Pending CN114486259A (zh)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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

Patent Citations (10)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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