CN114611548A - 一种基于振动分析的状态分类方法及系统 - Google Patents
一种基于振动分析的状态分类方法及系统 Download PDFInfo
- Publication number
- CN114611548A CN114611548A CN202210151688.8A CN202210151688A CN114611548A CN 114611548 A CN114611548 A CN 114611548A CN 202210151688 A CN202210151688 A CN 202210151688A CN 114611548 A CN114611548 A CN 114611548A
- Authority
- CN
- China
- Prior art keywords
- vibration
- time period
- maximum
- state
- analysis
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
- G06F2218/16—Classification; Matching by matching signal segments
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Probability & Statistics with Applications (AREA)
- Signal Processing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种基于振动分析的状态分类方法及系统,属于数据存储、智能检测分析应用领域。包括采集振动体的机械振动的至少一个方向上的振动量,按照需求筛选得到有效振动量,将有效振动量转化为数字量,输入数学函数,基于数学函数对数字量进行数学分析,得出机械振动的在所选方向上的时刻最大振幅值,引入数学模型分析预设时间段内的所有时刻最大振幅值,输出检测结果,检测输出结果至少包括:振动体的振动状态、静止状态。本发明是间接式的检测方法,避免了有接触非安全电压的风险,同时令采集点的选择更加灵活,通过采集振动体的振动信息,经过算法分析处理,检测振动体振动的状态。
Description
技术领域
本发明属于数据存储、智能检测分析应用领域,特别是涉及一种基于振动分析的状态分类方法及系统。
背景技术
在机械驱动系统中,根据机械振动波的特征,能够判断出设备的基本运行状态。
例如,对传统的风机启停检测方案是在风机电源线上检测是否接通电源判定风机状态,此技术方案存在缺点有:1、检测设备部署环境有限制:检测设备需要检测风机电源线,则需要尽可能地部署于接近风机电源处部分,对于风机电源处隐秘或者无法获知的环境下,对于工程人员安装设备十分不便;有些风机的电源接口甚至隐藏在风机外壳内,无法完成此类环境下的安装作业;2、需要根据现场已有的设备,需要了解其安装路线,重新进行设计,对应的进行线路改造:传统方案通过检测电机的电压或电流的方法判断风机的状态,电压检测方案,需要改造原有的电路接线环境,把电压的检测线链接至风机电源接口处,有可能需要破坏原有线路增加接线,如果工程人员处理不当甚至会对改造后的运行环境存在安全风险;电流检测方案,需要在电机的电源线路上增加互感器,电机电源线通常是一根多芯导线,安装时需要把最外层的保护层破开安装互感器,同样存在安全风险。
发明内容
本发明为解决背景技术中存在的技术问题,提供了一种基于振动分析的状态分类方法及系统。
本发明采用以下技术方案:一种基于振动分析的状态分类方法及系统,以下步骤:
采集振动体的机械振动的至少一个方向上的振动量;
按照需求筛选得到有效振动量,将有效振动量转化为数字量;
输入数学函数,基于所述数学函数对数字量进行数学分析,得出机械振动的在所选方向上的时刻最大振幅值;
引入数学模型,分析预设时间段内的所有时刻最大振幅值,输出检测结果,所述检测输出结果至少包括:振动体的振动状态、静止状态。
在进一步的实施例中,所述振动体的振动量被分解为多个方向上的分振动量,以固定采样频率采集多个方向上的所述分振动量,并测算所采集的所述分振动量的权值;
取最大所述权值所在方向上的分振动量为有效振动量。
通过上述技术方案,基于实际振动体的振动,分析其最大振幅向的数据,即可作出判断。
在进一步的实施例中,靠近所述振动体安装传感器,建立采集模块;
以MCU为核心建立主控模块,连接采集模块;所述主控模块输出控制信号;
所述采集模块接收控制信号,采集所述振动体的有效振动量,所述采集模块转换有效振动量为数字量,输入所述数字量至主控模块。
在进一步的实施例中,所述数学函数为快速傅里叶变换。
通过上述技术方案,利用傅里叶变换的方法处理振动采样值,能十分有效地分析物体的振动状态,本设计中使用快速傅里叶变换算法分析周期性采集的振动数据集合,得出当前采样时刻的振动特征。
在进一步的实施例中,所述数学函数持续计算,并输出时刻最大振动幅值。
通过上述技术方案,将振动体的振动转化为数字持续输出。
在进一步的实施例中,所述数学模型的分析步骤包括:
引入k均值聚类分析振动体的振动状态,设置k值;
提前设定预设时间段,并将所述预定时间段按照需求分割成若干个相同的子时间段,基于当前预设时间段获取每个子时间段内的最大振动幅值,并分入k个聚类中,产生k个域;取所述k个域的中间值为阈值;
以当前的阈值为环境阈值,采集下一个预设时间段获取每个子时间段内的最大振动幅值,并分别将最大振动幅值与所述环境阈值进行对比判断,依次输出关于每个子时间段的判断结果。
通过上述技术方案,设置数学模型对表示振动体振动特点的数字进行分类,从而判断振动体的振动状态。
在进一步的实施例中,每完成一次预设时间段内的判断后,执行下一个预设时间段内的判断之前,基于当前获取到的每个子时间段内的最大振动幅值,并分入k个聚类中,产生k个域;取所述k个域的中间值为阈值;所述阈值替换之前的环境阈值,作为下一个判断的判断阈值。
通过上述技术方案,记录前一个预设时间段的振动参数是为了动态矫正阈值,随着时间的推移,振动体的振动可能发生改变,在数学上会产生坐标轴的偏移,记录前一天的数据用作偏移矫正的依据,为了保证判断结果地准确性,实现设备的自适应参数,不断地根据现场情况来更新判断阈值。
在进一步的实施例中,所述MCU不断记录每个子时间段内的最大振动幅值,并持续输出判断结果。
在进一步的实施例中,用于实现如上方法的系统,包括:
第一模块,被设置为采集振动体的机械振动的至少一个方向上的振动量;
第二模块,被设置为按照需求筛选得到有效振动量,将有效振动量转化为数字量;
第三模块,被设置为输入数学函数,基于所述数学函数对数字量进行数学分析,得出机械振动的在所选方向上的时刻最大振幅值;
第四模块,被设置为引入数学模型,分析预设时间段内的所有时刻最大振幅值,输出检测结果,所述检测输出结果至少包括:振动体的振动状态、静止状态。
本发明的有益效果:间接式的检测方法,避免了有接触非安全电压的风险,同时令采集点的选择更加灵活,通过采集振动体的振动信息,经过算法分析处理,检测振动体振动的状态;对于现场技术人员的要求只需要把检测设备正确地固定才采样点上,系统将自动根据当前采样点采集得到的数据进行分析。
附图说明
图1为本发明的网络结构图结构示意图。
图2为振动体在30HZ和100HZ下的原始波形示意图。
图3为振动体在30HZ和100HZ下的傅里叶变化结果示意图。
图4本发明的工作流程图。
具体实施方式
基于上述背景技术中提出的问题,本发明忽略机械驱动系统的复杂安装环境,在不打破现有安装背景的前提下,布置好检测装置,其中选择检测设备安装的位置时,只需要选择尽量靠近振动源相连接的外壳或相连接的振动物体上,如风机机身外壳或靠近风机进出风口的风道上,即可快速完成部署,通过软件算法分析振动特征判断振动源的振动状态,算法设计中包含了自适应环境算法,可根据当前环境的振动特征自动调整参数,对现场设备无任何风险性的改造,整个设备部署安装过程基本上对工程人员没有任何技术要求。例如,在餐饮业的餐饮油烟监控系统中,油烟净化设施主要由三部分组成:风道、风机和净化器,风机抽取空气把油烟通过风道送进净化器内,净化器把油烟净化后排放到大气环境中,因此判断风机启动向大气排放油烟气体时,净化器设备是否打开,从而实时对餐饮业的油烟排放进一步加强监控。
本实施例为一种基于振动分析的状态分类方法及系统,检测流程为,一、采集振动体的机械振动的至少一个方向上的振动量;二、按照需求筛选得到有效振动量,将有效振动量转化为数字量;三、输入数学函数,基于数学函数对数字量进行数学分析,得出机械振动的在所选方向上的时刻最大振幅值;四、引入数学模型,分析预设时间段内的所有时刻最大振幅值,其中预设时间段代表持续检测的时间段,例如,取一分钟内的时刻最大振幅值,持续分析一小时内的60个时刻最大振幅值,最后输出检测结果,检测输出结果至少包括:振动体的振动状态、静止状态,其中采集模块为了快速采集振动数据,并将振动数据转化为数字量,采集模块优选传感器进行采集作业,为了提高装置的监测效率,将振动体的振动量分解为多个方向上的分振动量,例如,将振动量分解为空间正交坐标轴(X、Y、Z)上的震动分量,以固定采样频率采集多个方向上的分振动量,并测算所采集的分振动量的权值,取最大权值所在方向上的分振动量为有效振动量,使用传感器优先采集振动体的有效振动量,例如,使用传感器进行采集振动体三个方向上的分量,传感器输出的三轴信号采样值分别为X、Y、Z轴的实时加速度值,以固定采样频率获取三轴的加速度值集合,用于分析物体当前的振动运动状态。每个运动测量轴原则上输出的频谱特征是不相同的,但对于振动物体的运动规律而言,总能找到在某一轴上有更大的运动分量,即轴分量权值,权值越大的测量轴,将能更好地体现物体运动在空间上的运动状态,对于频谱分析而言,物体振动幅度越大,其权值越大的运动轴上所测量得到的频谱将会计算出更大的最大幅值。利用这一特性,选择拥有频谱中幅值最大的测量轴作为运动主轴,将能更好地提高结果的可靠性。
基于上述技术方案,为了将加速度这一物理参数量转换成易于计算的数字量,在进一步的实施例中,靠近振动体安装传感器,建立采集模块,传感器用于测量加速度的感应器,优选MEMS加速度计,测量振动体的振动量,输出为数字量,以MCU为核心建立主控模块,主控模块连接采集模块,如主控模块设置采样频次、采样段频率和采样数量,并输出控制信号,采集模块接收控制信号,测量振动体的有效振动量,转换有效振动量为数字量,并传输至主控模块,主控模块基于数学函数和数学模型,做进一步的分析,其中MCU嵌入数学分析和数学模型。
如,主控模块设置采样命令,设置时间段为24小时,设置采样频次为一分钟执行一次,采样段频率为200HZ,采样数量为256个,采样模块进行采样,使用快速傅里叶变换分析采集数据,持续计算256个采样,得到当前时刻最大振动幅值。
基于上述技术方案,需要持续采集振动体的加速度,并对加速度转后的数字量持续进行计算分析,在进一步的实施例中,对数字量进行数学分析的所述数学函数优选用快速傅里叶变换,即一个振动物体在空间上的质点运动轨迹,在某一轴上的投影可视作为连续时间周期信号,连续时间周期信号的傅里叶级数表示:
周期复指数信号:
这些信号中的每一个都有一个基波频率,它是的倍数。因此每个信号对周期来说都是周期的。于是,一个由成谐波关系的复指数信号线性组合形成的信号对周期来说也是周期的。这一项是个常数,和这两项都有基波频率等于,两者合在一起称之为基波分量或称一次谐波分量。和这两项也是周期的,其频率是基波频率的两倍,称为二次谐波分量。一般来说,和的分量称为第次谐波分量。
一个周期信号表示成上述公式的形式,就称为傅里叶级数表示。
利用欧拉公式可得
因此有
对于传感器采集的测量值而言,即可视作为某一个时刻下的加速度周期复指数值,MCU对传感器以固定频率获取的测量值集合是加速度的离散时间周期傅里叶级数值:
利用傅里叶变换的方法处理振动采样值,能十分有效地分析物体的振动状态,本发明中使用快速傅里叶变换算法分析周期性采集的振动数据集合,得出当前采样时刻的振动特征——分析公式,即振动波在采集频率的有效范围内的分布和强度。其中,采集频率的有效范围是有要求的,Nyquist 采样定理对于具有最大频率fMAX的有限带宽信号,等间隔采样频率fS必须大于两倍的最大频率fMAX,才能唯一地重建信号而不会有混叠现象,例如,测量物体振动频率的带宽为0~100Hz,那么传感器的采样频率至少需要达到200Hz以上才能不会出现混叠现象,考虑到实际应用场景的频率分布区间,其中普通电机旋转时带动物体振动的频率一般在50Hz左右,同时MCU的资源限制条件,传感器的采样频率为200Hz基本可以满足使用需求。
通过快速傅里叶算法分析后,能获得必要的振动体的相关参数包括时刻振幅值与物体振动频率的关系,即物体振动频谱,分析公式里面包含大量的信息,如振动体振动的振动、振动体的静止、振动异常状态等,如风机的启停、异常状态,又例如家庭中的电风扇,在不同的档位下,产生的振动频谱是不相同的,在频率和幅值中都会有所体现,较为明显的是,主要频率增大了,幅值也增大了,如图2所述,例如假设振动的检测点是由30Hz和100Hz两个振动源同时作用产生的,那么30Hz的振幅是5,100Hz的振幅是20,那么理论上除了30Hz和100Hz的横坐标以外,其他的频率幅值为0,并且100Hz下的纵坐标值要比30Hz的值要更大,因为该振动监测点受100Hz的振动源影响更大。
基于上述技术方案,通过数学函数进一步持续计算,得到采样段的最大振幅值,并对其进行分类,由于本发明是一个实时且持续的监测方法,还需要对其中的参数进行及时矫正,在进一步实施例中,引入数学模型做进一步分析,数学模型优选k均值聚类分析振动体的振动状态,k均值聚类是最著名的划分聚类算法,由于简洁和效率使得它成为所有聚类算法中最广泛使用的,即给定一个数据点集合和需要的聚类数目k,k由用户指定,k均值算法根据某个距离函数反复把数据分入k个聚类中,本实施例中引入k均值聚类分析振动体的振动状态,设置k值,提前设定预设时间段,并将预定时间段按照需求分割成若干个相同的子时间段,基于当前预设时间段获取每个子时间段内的最大振动幅值,并分入k个聚类中,产生k个域,取所述k个域的中间值为阈值,以当前的阈值为环境阈值,采集下一个预设时间段获取每个子时间段内的最大振动幅值,并分别将最大振动幅值与所述环境阈值进行对比判断,依次输出关于每个子时间段的判断结果,同时每完成一次预设时间段内的判断后,执行下一个预设时间段内的判断之前,基于当前获取到的每个子时间段内的最大振动幅值,并分入k个聚类中,产生k个域;取所述k个域的中间值为阈值;所述阈值替换之前的环境阈值,作为下一个判断的判断阈值,即在本发明中设置K值,预设时间段内的所有的时刻最大振动幅值分入k个聚类中,产生k个域,以域的中间值为阈值,其中以上一个记录的预设时间内的阈值为环境阈值,不断更新环境阈值,持续输入当前预设时间段内采集的时刻最大振动幅值,依据环境阈值进行判断,并持续输出判断结果,完成对当前预设时间段内的采集的所有的时刻最大振动幅值的判断后,更新当前记录的预设时间内的阈值为新的环境阈值,对比下一预设时间段内的所有时刻最大振动幅值,并持续输出判断结果,MCU不断保存判断结果,并持续输出检测结果,即通过时刻最大振动幅值与环境阈值比较,判断机械振动的时刻状态,通过更新环境阈值,记录前一个预设时间段的,所有的时刻最大振动幅值是为了动态矫正环境阈值,随着时间的推移,振动体的振动可能发生改变,在数学上会产生坐标轴的偏移,记录前一天的数据用作偏移矫正的依据,为了保证判断结果地准确性,实现设备的自适应参数,不断地根据现场情况来更新判断阈值,例如以风机为例,部分风机的状态只有两种——开和关,开关之间有一个阈值,计算的系统的阈值是该设计关键的一步,该阈值关系到判断结果的正确与否,应用环境复杂多变,因此会不同的环境有不同的阈值,为了解决该问题,阈值的计算选择使用k均值聚类算法,设置k=2,即风机的开和关;设置k=3,即风机的开、关和异常,用该聚类算法能有效地解决不同环境下测量值不同的问题,系统能通过检测运行环境的采样值来改变数学模型的参数,能有效地避免因天气原因和其他设备干扰等因素导致误判率的升高,增强系统的稳定性,根据实验数据结果得出,检测风机的启停状态最佳的判断依据是振动幅值的强弱,由于电机的转速较高且功率较大,一般电机运行时,会令风机外壳有比较明显的振动,由于MEMS加速度计的灵敏度比较高,因此该振动幅度对于加速度计来说是十分明显的,利用该振动特点,利用K均值聚类算法统计一个启动周期(包含关开关或开关开的时序)即可立即得出该环境下的判断阈值,如果系统当前的振动幅值明显增强并维持一段时间,则认为该风机已启动,实验同一个风机多点采样测试验证该方法为可行,且准确率高。
进一步的,本发明的具体时序流程为预设时间段,采样模块执行采样命令采样,利用傅里叶算法进一步分析采样时间段内采集的数据,得出采样时间段内的时刻最大振动幅值,对预设时间段内的,所有的时刻最大振动幅值持续进行数学模型分析,通过比较环境阈值进行判断,输出检测结果,检测完预设时间段内的时刻最大振动幅值,更新环境阈值为当前时间段的阈值。例如,主控模块设置采样命令,设置时间段为24小时,设置采样频次为一分钟执行一次,采样段频率为200HZ,采样数量为256个,采样模块进行采样,傅里叶算法分析采集数据,计算当前时刻最大振动幅值,记录并与环境阈值进行比较,输出检测结果,比较完24小时内的所有当前时刻最大振动幅值后,更新环境阈值,以本次24的阈值作为下一个24小时时段,检测用的环境阈值。以风机的启停为例,k=2,处理24小时的数据,24小时有1440分钟,根据这1440个测量结果,算出两个区间热点,两个热点中间值就是阈值,低于阈值的可判断风机未启动,高于阈值的判断风机启动。
进一步的,本发明可用于设备振动监测,测量设备运行异常状态时产生的异常振动,帮助定位和解决问题;用于设备水平倾角测量,放置在设备外壳上,通过监测的加速度测量值可计算得出设备当前的水平倾角姿态信息,常应用于无人机姿态监测,结合电子罗盘可定位航向;用于设备位移加速度测量,可用于测量设备的跌落、碰撞和推拉等可令设备处于非匀速运动状态的行为。
Claims (10)
1.一种基于振动分析的状态分类方法,其特征在于,包括以下步骤:
采集振动体的机械振动的至少一个方向上的振动量;
按照需求筛选得到有效振动量,将有效振动量转化为数字量;
输入数学函数,基于所述数学函数对数字量进行数学分析,得出机械振动的在所选方向上的时刻最大振幅值;
引入数学模型,分析预设时间段内的所有时刻最大振幅值,输出检测结果,所述检测输出结果至少包括:振动体的振动状态、静止状态。
2.根据权利要求1所述的一种基于振动分析的状态分类方法,其特征在于,所述有效振动量的筛选方法为:
所述振动体的振动量被分解为多个方向上的分振动量,以固定采样频率采集多个方向上的所述分振动量,并测算所采集的所述分振动量的权值;
取最大所述权值所在方向上的分振动量为有效振动量。
3.根据权利要求1所述的一种基于振动分析的状态分类方法,其特征在于,对所述振动量的采集流程为:
靠近所述振动体安装传感器,建立采集模块;
以MCU为核心建立主控模块,连接采集模块;所述主控模块输出控制信号;
所述采集模块接收控制信号,采集所述振动体的有效振动量,所述采集模块转换有效振动量为数字量,输入所述数字量至主控模块。
4.根据权利要求1所述的一种基于振动分析的状态分类方法,其特征在于,所述数学函数为快速傅里叶变换。
5.根据权利要求4所述的一种基于振动分析的状态分类方法,其特征在于,所述数学函数持续计算,并输出时刻最大振动幅值。
6.根据权利要求1所述的一种基于振动分析的状态分类方法,其特征在于,所述数学模型被嵌入至MCU中,判断预设时间段内的所有的时刻输出值的状态分布。
7.根据权利要求6所述的一种基于振动分析的状态分类方法,其特征在于,所述数学模型的分析步骤包括:
引入k均值聚类分析振动体的振动状态,设置k值;
提前设定预设时间段,并将所述预定时间段按照需求分割成若干个相同的子时间段,基于当前预设时间段获取每个子时间段内的最大振动幅值,并分入k个聚类中,产生k个域;取所述k个域的中间值为阈值;
以当前的阈值为环境阈值,采集下一个预设时间段获取每个子时间段内的最大振动幅值,并分别将最大振动幅值与所述环境阈值进行对比判断,依次输出关于每个子时间段的判断结果。
8.根据权利要求7所述的一种基于振动分析的状态分类方法,其特征在于,每完成一次预设时间段内的判断后,执行下一个预设时间段内的判断之前,基于当前获取到的每个子时间段内的最大振动幅值,并分入k个聚类中,产生k个域;取所述k个域的中间值为阈值;所述阈值替换之前的环境阈值,作为下一个判断的判断阈值。
9.根据权利要求8所述的一种基于振动分析的状态分类方法,其特征在于,所述MCU不断记录每个子时间段内的最大振动幅值,并持续输出判断结果。
10.用于实现如权利要求1至9中任意一项所述方法的基于振动分析的状态分类系统,其特征在于,包括:
第一模块,被设置为采集振动体的机械振动的至少一个方向上的振动量;
第二模块,被设置为按照需求筛选得到有效振动量,将有效振动量转化为数字量;
第三模块,被设置为输入数学函数,基于所述数学函数对数字量进行数学分析,得出机械振动的在所选方向上的时刻最大振幅值;
第四模块,被设置为引入数学模型,分析预设时间段内的所有时刻最大振幅值,输出检测结果,所述检测输出结果至少包括:振动体的振动状态、静止状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210151688.8A CN114611548A (zh) | 2022-02-18 | 2022-02-18 | 一种基于振动分析的状态分类方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210151688.8A CN114611548A (zh) | 2022-02-18 | 2022-02-18 | 一种基于振动分析的状态分类方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114611548A true CN114611548A (zh) | 2022-06-10 |
Family
ID=81859685
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210151688.8A Pending CN114611548A (zh) | 2022-02-18 | 2022-02-18 | 一种基于振动分析的状态分类方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114611548A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115420501A (zh) * | 2022-11-04 | 2022-12-02 | 山东驰勤机械有限公司 | 一种基于人工智能的变速箱体运行管控系统 |
CN116182086A (zh) * | 2023-04-28 | 2023-05-30 | 中特检管道工程(北京)有限公司 | 一种采用物联网技术的油气管道监测系统 |
-
2022
- 2022-02-18 CN CN202210151688.8A patent/CN114611548A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115420501A (zh) * | 2022-11-04 | 2022-12-02 | 山东驰勤机械有限公司 | 一种基于人工智能的变速箱体运行管控系统 |
CN115420501B (zh) * | 2022-11-04 | 2023-01-24 | 山东驰勤机械有限公司 | 一种基于人工智能的变速箱体运行管控系统 |
CN116182086A (zh) * | 2023-04-28 | 2023-05-30 | 中特检管道工程(北京)有限公司 | 一种采用物联网技术的油气管道监测系统 |
CN116182086B (zh) * | 2023-04-28 | 2023-06-23 | 中特检管道工程(北京)有限公司 | 一种采用物联网技术的油气管道监测系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114611548A (zh) | 一种基于振动分析的状态分类方法及系统 | |
Gaing | Wavelet-based neural network for power disturbance recognition and classification | |
JP3993825B2 (ja) | 器械を取り付けられた機器およびプロセスのための推論信号生成装置 | |
CN102317770B (zh) | 用于对发声过程进行分类的方法和装置 | |
CN102323480B (zh) | 一种基于Hilbert-Huang变换的电能质量分析方法 | |
CN102778358A (zh) | 故障预测模型建立方法及系统、风机监测预警系统及方法 | |
JP2012014698A (ja) | 相関計量に基づいて、シミュレーションモデルを物理的デバイスと相関させる方法および装置 | |
CN111428755A (zh) | 非侵入式负荷监测方法 | |
CN103827683A (zh) | 确定用于机电系统诊断的平稳信号的方法 | |
CN115954017A (zh) | 一种基于hht的发动机小样本声音异常故障识别方法及系统 | |
CN109580268A (zh) | 一种产品异响、异音智能检测方法 | |
Clifton et al. | Bayesian extreme value statistics for novelty detection in gas-turbine engines | |
CN109766912A (zh) | 一种基于卡尔曼滤波与支持向量机的输电线路覆冰评估方法和系统 | |
Duan et al. | A novel classification method for flutter signals based on the CNN and STFT | |
CN116628633A (zh) | 一种igbt实时监测与使用寿命预测评估方法 | |
CN115014617B (zh) | 一种基于地基雷达的斜拉桥拉索索力同步监测方法 | |
CN115293274A (zh) | 一种基于对抗交替型滑动窗口的时间序列突变点检测方法 | |
CN112952830A (zh) | 一种故障后电力系统暂态稳定预测方法 | |
CN105806637A (zh) | 一种轨道车辆通用的测试系统 | |
Liu et al. | An improved empirical mode decomposition method for vibration signal | |
CN105954695A (zh) | 一种基于同步的同质传感器突变参数识别方法与装置 | |
CN105867353B (zh) | 一种振荡监测方法及系统 | |
Vanfretti et al. | A PMU-based fast real-time sub-synchronous oscillation detection application | |
Qing-Fang et al. | Small-time scale network traffic prediction based on a local support vector machine regression model | |
JP3567073B2 (ja) | 時系列データ予測方法および装置 |
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 |