CN114636929A - 一种基于mfcc融合gru的音频特征分析电动单轨吊电机故障预测系统 - Google Patents
一种基于mfcc融合gru的音频特征分析电动单轨吊电机故障预测系统 Download PDFInfo
- Publication number
- CN114636929A CN114636929A CN202210320214.1A CN202210320214A CN114636929A CN 114636929 A CN114636929 A CN 114636929A CN 202210320214 A CN202210320214 A CN 202210320214A CN 114636929 A CN114636929 A CN 114636929A
- Authority
- CN
- China
- Prior art keywords
- module
- audio
- communication module
- gru
- mfcc
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 52
- 230000004927 fusion Effects 0.000 title claims abstract description 16
- 238000004891 communication Methods 0.000 claims abstract description 66
- 238000000605 extraction Methods 0.000 claims abstract description 35
- QVFWZNCVPCJQOP-UHFFFAOYSA-N chloralodol Chemical compound CC(O)(C)CC(C)OC(O)C(Cl)(Cl)Cl QVFWZNCVPCJQOP-UHFFFAOYSA-N 0.000 claims abstract description 26
- 238000003860 storage Methods 0.000 claims abstract description 13
- 238000005299 abrasion Methods 0.000 claims description 4
- 238000003745 diagnosis Methods 0.000 claims description 4
- 230000005389 magnetism Effects 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 230000000306 recurrent effect Effects 0.000 claims description 3
- 230000005236 sound signal Effects 0.000 abstract description 7
- 238000000034 method Methods 0.000 abstract description 4
- 238000007781 pre-processing Methods 0.000 abstract description 2
- 238000003062 neural network model Methods 0.000 abstract 1
- 238000005516 engineering process Methods 0.000 description 6
- 238000012423 maintenance Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 239000003245 coal Substances 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 1
- 229910052782 aluminium Inorganic materials 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000009432 framing Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000003137 locomotive effect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/34—Testing dynamo-electric machines
- G01R31/343—Testing dynamo-electric machines in operation
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B25/00—Alarm systems in which the location of the alarm condition is signalled to a central station, e.g. fire or police telegraphic systems
- G08B25/01—Alarm systems in which the location of the alarm condition is signalled to a central station, e.g. fire or police telegraphic systems characterised by the transmission medium
- G08B25/08—Alarm systems in which the location of the alarm condition is signalled to a central station, e.g. fire or police telegraphic systems characterised by the transmission medium using communication transmission lines
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/02—Feature extraction for speech recognition; Selection of recognition unit
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L12/00—Data switching networks
- H04L12/28—Data switching networks characterised by path configuration, e.g. LAN [Local Area Networks] or WAN [Wide Area Networks]
- H04L12/40—Bus networks
- H04L12/40006—Architecture of a communication node
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/80—Services using short range communication, e.g. near-field communication [NFC], radio-frequency identification [RFID] or low energy communication
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W84/00—Network topologies
- H04W84/02—Hierarchically pre-organised networks, e.g. paging networks, cellular networks, WLAN [Wireless Local Area Network] or WLL [Wireless Local Loop]
- H04W84/10—Small scale networks; Flat hierarchical networks
- H04W84/12—WLAN [Wireless Local Area Networks]
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- Signal Processing (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Acoustics & Sound (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Health & Medical Sciences (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及一种基于MFCC融合GRU的音频特征分析电动单轨吊电机故障预测系统,所述系统由处理器a、电源模块a、LoRa无线通信模块a、分布式音频采集模块、微处理器b、电源模块b、LoRa无线通信模块b、分布式文件存储模块、MFCC音频特征提取模块、GRU‑MLP音频深度时序特征分析模块、RS485通信模块、WiFi无线通信模块c、上位机监控中心以及移动终端组成。利用MFCC对音频数据进行预处理,并获取其13维特征;考虑到音频信号的时序性,通过GRU与MLP构建深度神经网络模型对音频特征进行处理和分类,实现电机的故障预测。
Description
技术领域
本发明设计故障预测技术领域,具体是一种基于MFCC融合GRU的音频特征分析电动单轨吊电机故障预测系统。
背景技术
当前,国内外煤矿井下实用辅助运输设备主要有无轨胶轮车、齿轨车、卡轨车和单轨吊等。单轨吊属悬吊式轨道运输方式,将机车悬吊于巷道顶部特质“工”字钢单轨上,用牵引设备驱动其沿轨道前行,不仅能运送生产材料、人员和设备,还可以完成井下设备的简单提升、吊装等工作。因此,优化矿井辅助运输装备及作业方式是保障煤矿安全生产、高产高效的重要途径,对其故障状态预测分析的研究具有显示意义。
当电机发生局部退(弱)磁、转子不平衡、轴承磨损、气隙不均等故障时,电动单轨吊仍然能够工作,但是随着故障的逐步恶化,电机损坏甚至安全事故发生的概率将大大增加。传统故障诊断方法大多是通过采集电机的电流数据或振动数据等接触式信号作为模型的输入,传感器安装复杂,且这种方法对于故障的千兆信息难以捕捉,难以实现预测功能。
考虑到电机运转时存在电磁振荡和机械摩擦,其发出的声音信号中蕴含着丰富的信息,而声音作为一种非接触式信号,采样方式简单,能够在一些无法使用传感器的场合使用。针对于上述背景,本发明提出了一种基于MFCC融合GRU的音频特征分析电动单轨吊电机故障预测系统。
发明内容
本发明为了解决单轨吊电机在故障预测时受到工作人员的经验以及知识储备的约束,无法在第一时间保证单轨吊电机安全、稳定运行的问题,提出了一种基于MFCC融合GRU的音频特征分析电动单轨吊电机故障预测系统。
为实现上述目的,本发明提供一种基于音频特征分析技术利用GRU-MLP算法预测单轨吊电机故障系统。所述预测系统具体是由音频采集节点、特征提取分析节点、上位机监控中心和移动终端组成。音频采集节点包括微处理器a、电源模块a、LoRa无线通信模块a、音频采集模块;音频特征提取分析节点包括微处理器b、电源模块b、LoRa无线通信模块b、分布式文件存储模块、MFCC音频特征提取模块、GRU-MLP音频深度时序特征分析模块、RS485通信模块、WiFi无线通信模块c。音频采集节点和特征提取分析节点之间的数据发送和接收通过互相链接的LoRa无线通信模块a以及LoRa无线通信模块b来完成,特征提取分析节点与上位机监控中心之间的通信通过RS485通信模块来完成,特征提取分析节点与移动终端之间的通信通过WiFi无线通信模块c来完成。
所述音频采集节点中,微处理器a控制分布式音频采集模块对单轨吊电机的音频数据进行实时采集,并通过LoRa无线通信模块a将实时采集的数据发送给特征提取分析节点。LoRa无线通信模块a和分布式音频采集模块通过导线与微处理器a的I/O口相连接,电源模块a通过导线为微处理器a、LoRa无线通信模块a和分布式音频采集模块提供所需电能。
所述特征提取分析节点中,微处理器b通过LoRa无线通信模块b接收音频采集节点中分布式音频财采集模块采集到的音频数据,微处理器b控制分布式文件存储模块、MFCC音频特征提取模块、GRU-MLP音频深度时序特征分析模块对音频数据进行特征提取、分析、算法处理,将处理完的数据分别通过RS485通信模块和WiFi无线通信模块c发送到上位机监控中心以及移动终端进行数据可视化显示。LoRa无线通信模块b、分布式文件存储模块、MFCC音频特征提取模块、GRU-MLP音频深度时序特征分析模块、RS485通信模块、WiFi无线通信模块c通过导线与微处理器b的I/O口相连接,电源模块b通过导线为微处理器b、LoRa无线通信模块b、分布式文件存储模块、MFCC音频特征提取模块、GRU-MLP音频深度时序特征分析模块、RS485通信模块、WiFi无线通信模块c提供所需电能。
所述上位机监控中心通过RS485总线与微处理器a上的RS485通信模块相连接,获取相关监测数据以及预测报警信号;移动终端通过WiFi无线通信网络接收特征提取分析节点发出的数据,获取相关监测数据以及预测报警信号。
进一步的,所述音频采集节点中,布式式音频采集模块由多感个指向性、铝带式拾音器组成。音频感知节点围绕着单轨吊电机成环形分布,拾音器指向单轨吊电机安全运行关键部位,实时采集单轨吊电机运行过程中的音频信号。
进一步地,所述特征提取分析节点中,MFCC特征提取具体步骤如下:
(1)快速傅里叶变换
考虑到音频信号的特性在时域中难以表现,因此,通过快速傅里叶变换将时域的音频信号转换为频域上的能量分布以便后续观察。设预处理后得到一帧音频信号时域将其表示为x(n),经快速傅里叶变换得到频域表达将其表示为x(k):
式中,N为采样点的个数。
(2)三角带通滤波器
由于分帧影响,频域中的音频信号存在共振峰不突出、谐波含量多、不平滑等问题,因此,利用三角带通滤波器实现频谱平滑化处理。
如下是三角带通滤波器的频率响应定义为:
式中:
Hm(k)——第m个滤波器传递函数;
f(m)——三角滤波器中心频率。
(3)作自然对数运算,得到每个三角滤波器组输出的能量:
(4)经离散余弦变换,得到MFCC系数:
式中:
M——三角带通滤波器个数;
L——MFCC系数的阶数,本文取L=12;
由此形成一帧信号的12维MFCC特征向量。
(5)动态差分参数提取
提取音频特征的差分参数,以获得语音信号的动态特征。一阶差分特征可表示为:
式中:
dt——第t个一阶差分;
Ct——第t个倒谱系数;
T——一阶差分时间差。
通过上述运算,得到音频数据13维特征,其中包括12维MFCC特征以及1维差分特征,
进一步的,所述特征分析提取节点中,GRU-MLP音频深度时序特征分析模块将GRU与MLP结合,成功构成特征提取-分类网络,实现电动单轨吊电机的故障诊断功能,由GRU模块构成的循环神经网络则用于提取输入的13维MFCC中的深层特征以及时序特征;全连接层用于对提取出的特征进行分类,最终输出5种状态预测信息,分别为局部弱磁、转子不平衡、轴承磨损、气隙不均以及正常。
本发明有益效果是:
1、监控中心根据分布式音频感知节点的部署位置,能够提供定位显示功能,实时显示电气设备与地理位置信息。当监测到设备出现故障时,该设备的位置信息标红,监控中心运维人员可点击查看具体信息;同时用不同颜色加以区分报警级别,供运维人员参考。
2、运维部门管理人员在“用户管理”界面中,设置接收短信报警的手机号码,将警报信息发送给指定工作人员,以便在第一时间获知电气设备异常情况并进行处理。
3、将终端节点的信息进行汇总处理并提取特征信息,在边缘端实现电动单轨吊数据的实时智能处理,从而判断设备的健康状况。同时,系统提供历史数据查询功能,运维人员可根据登录权限查看设备的历史报警记录、数据趋势等。
本发明与现有技术相比,结合音频识别技术,MFCC特征提取技术,采用LoRa无线通信、WiFi无线通信、RS485总线通信异构融合的网络设计,保证数据传输的实时性可靠性;运用GRU融合MLP算法实现对故障诊断预测功能;采用物联网技术,选用respberry4B嵌入式微处理器使整个系统集成性更高,成本更低,网络更加可靠。
附图说明
图1为本发明的一种基于MFCC融合GRU的音频特征分析电动单轨吊电机故障预测系统。
图2为本发明中音频采集节点结构图。
图3为本发明中特征提取分析节点结构体。
图4位本发明中GRU-MLP电机故障预测模型结构图。
图5为本发明中上位机监控中心界面。
图2中:101-微处理器a,201-电源模块a,301-LoRa无线通信模块,4-分布式音频采集模块;
图3中:102-微处理器b,202-电源模块b,302-LoRa无线通信模块b,5-分布式文件存储模块,6-MFCC音频特征提取模块,7-GRU-MLP音频深度时序特征分析模块,8-RS485通信模块,303-WiFi无线通信模块c。
具体实施方式
以下通过具体实例对本发明做进一步解释说明。
如图1所示,本发明的一种基于MFCC融合GRU的音频特征分析电动单轨吊电机故障预测系统的原理图,该系统具体是由音频采集节点、特征提取分析节点、上位机监控中心以及移动终端组成。整个系统的具体实施过程如下:
所述音频采集节点放置于单轨吊电机周边,音频采集节点中的电源模块a首先给微处理器a101、LoRa无线通信模块301、分布式音频采集模块4提供所需电能,使微处理器a101上电初始化。在单轨吊电机运行时,通过分布式音频采集模块4实时采集单轨吊电机的音频数据,微处理器a将音频滤波降噪,并将处理后的数据通过LoRa无线通信模块a301发送给特征提取分析节点。
所述特征提取分析节点放置于煤矿集控室内,特征提取分析节点中的电源模块b首先给微处理器b(102)、LoRa无线通信模块b(302)、分布式文件存储模块(5)、MFCC音频特征提取模块(6)、GRU-MLP音频深度时序特征分析模块(7)、RS485通信模块(8)、WiFi无线通信模块c(303)提供所需电能,使微处理器b102上电初始化。特征提取分析节点通过LoRa无线通信模块b302接收到音频采集节点发来的音频数据,进而控制MFCC音频特征提取模块利用一系列不同权重的带通滤波器组对频谱进行非线性化处理,降低干扰频段的比重,有效降低信号中的环境干扰噪声,并通过GRU模块构成的循环神经网络用于提取输入的13维MFCC中的深层特征以及时序特征;全连接层用于对提取出的特征进行分类,最终输出5种状态预测信息,分别为局部弱磁、转子不平衡、轴承磨损、气隙不均以及正常。预测完成后微处理器b控制RS485通信模块通过RS485总线的方式将数据发送给上位机监控中心并同时控制WiFi无线通信模块c303将数据发送给移动终端,并同时将数据存储至分布式存储模块方便上位机监控中心实时读取相关参数以及音频文件。
所述上位机监控中心在接收到单轨吊电机预测数据后,在健康端显示屏上进行实时显示,并在出现故障千兆信号时发出警报;同时在经过授权后,相关单轨吊工作人员可以通过手机端接收到相应的数据并进行查看。
本发明的一种基于MFCC融合GRU的音频特征分析电动单轨吊电机故障预测系统,基于物联网技术,采用LoRa无线通信、WiFi无线通信以及RS485总线异构融合的通信技术,使得整个系统能够很好适应井下环境,具有抗干扰能力强、功耗低、稳定性强以及传输效率高等特点,实现了基于音频特征分析技术对单轨吊电机的故障预测功能,有利于井下单轨吊电机的安全稳定运行,提高生产效率。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术策略方案的基础上,本领域技术人员不需要付出创造性的劳动即可做出各种修改或变形仍在本发明专利的保护范围之内。
Claims (6)
1.一种基于MFCC融合GRU的音频特征分析电动单轨吊电机故障预测系统,其特征在于:所述系统包括微处理器a、电源模块a、LoRa无线通信模块a、分布式音频采集模块、微处理器b、电源模块b、LoRa无线通信模块b、分布式文件存储模块、MFCC音频特征提取模块、GRU-MLP音频深度时序特征分析模块、RS485通信模块、WiFi无线通信模块c、上位机监控中心以及移动终端组成。
2.根据权利要求1所述的一种基于MFCC融合GRU的音频特征分析电动单轨吊电机故障预测系统,其特征在于:音频采集节点包括微处理器a(101)、电源模块a(201)、LoRa无线通信模块a(301)、分布式音频采集模块(4)。LoRa无线通信模块a(301)和分布式音频采集模块(4)通过导线与微处理器a(101)的I/O口相连接,电源模块a(201)通过导线为微处理器a(101)、LoRa无线通信模块a(301)和分布式音频采集模块(4)提供所需电能。
3.根据权利要求1所述的一种基于MFCC融合GRU的音频特征分析电动单轨吊电机故障预测系统,其特征在于:特征提取分析节点包括微处理器b(102)、电源模块b(202)、LoRa无线通信模块b(302)、分布式文件存储模块(5)、MFCC音频特征提取模块(6)、GRU-MLP音频深度时序特征分析模块(7)、RS485通信模块(8)、WiFi无线通信模块c(303)。LoRa无线通信模块b(302)、分布式文件存储模块(5)、MFCC音频特征提取模块(6)、GRU-MLP音频深度时序特征分析模块(7)、RS485通信模块(8)、WiFi无线通信模块c(303)通过导线与微处理器b(102)的I/O口相连接,电源模块b(202)通过导线为微处理器b(102)、LoRa无线通信模块b(302)、分布式文件存储模块(5)、MFCC音频特征提取模块(6)、GRU-MLP音频深度时序特征分析模块(7)、RS485通信模块(8)、WiFi无线通信模块c(303)提供所需电能。
4.根据权利要求3所述的一种基于MFCC融合GRU的音频特征分析电动单轨吊电机故障预测系统,其特征在于:GRU-MLP音频深度时序特征分析模块(7)将GRU与MLP结合,构成特征提取-分类网络,完成电动单轨吊电机的故障诊断,由GRU模块构成的循环神经网络用于提取输入的13维MFCC中的深层特征以及时序特征;全连接层用于对提取出的特征进行分类,最终输出5种状态预测信息,分别为局部弱磁、转子不平衡、轴承磨损、气隙不均以及正常。
5.根据权利要求1所述的一种基于MFCC融合GRU的音频特征分析电动单轨吊电机故障预测系统,其特征在于:所述上位机监控中心通过RS485总线直接与RS485通信模块(8)相连,接收特征提取分析节点上传的数据,移动终端通过WiFi无线通信模块c(303)接收特征提取分析节点上传的数据。
6.根据权利要求1所述的一种基于MFCC融合GRU的音频特征分析电动单轨吊电机故障预测系统,其特征在于:微处理器a和微处理器b均采用Raspberry4B系列嵌入式微处理器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210320214.1A CN114636929A (zh) | 2022-03-29 | 2022-03-29 | 一种基于mfcc融合gru的音频特征分析电动单轨吊电机故障预测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210320214.1A CN114636929A (zh) | 2022-03-29 | 2022-03-29 | 一种基于mfcc融合gru的音频特征分析电动单轨吊电机故障预测系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114636929A true CN114636929A (zh) | 2022-06-17 |
Family
ID=81951810
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210320214.1A Pending CN114636929A (zh) | 2022-03-29 | 2022-03-29 | 一种基于mfcc融合gru的音频特征分析电动单轨吊电机故障预测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114636929A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116520143A (zh) * | 2023-07-03 | 2023-08-01 | 利维智能(深圳)有限公司 | 基于声纹数据的旋转设备监测方法、装置、设备及介质 |
-
2022
- 2022-03-29 CN CN202210320214.1A patent/CN114636929A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116520143A (zh) * | 2023-07-03 | 2023-08-01 | 利维智能(深圳)有限公司 | 基于声纹数据的旋转设备监测方法、装置、设备及介质 |
CN116520143B (zh) * | 2023-07-03 | 2023-09-12 | 利维智能(深圳)有限公司 | 基于声纹数据的旋转设备监测方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2020134890A1 (zh) | 一种用于运转设备运行数据安康监测的振动温度传感器 | |
CN108008287B (zh) | 基于移频信号的轨道电路故障监测平台及其监测方法 | |
CN206336872U (zh) | 一种电梯物联网监测管理装置 | |
CN204873387U (zh) | 一种基于矿井提升系统的监测装置 | |
CN102053016A (zh) | 旋转机械滚动轴承的无线振动监测系统 | |
CN204458220U (zh) | 一种风力发电机组状态监测系统 | |
CN205328386U (zh) | 一种基于物联网的移动端电梯管理系统 | |
CN114636929A (zh) | 一种基于mfcc融合gru的音频特征分析电动单轨吊电机故障预测系统 | |
CN105094095B (zh) | 一种电动汽车远程监控方法 | |
CN111404274A (zh) | 一种输电系统位移在线监控及预警系统 | |
CN114217149A (zh) | 一种变压器声学指纹不停电检测及状态预警方法 | |
CN104326360B (zh) | 门座式起重机全息检测方法 | |
CN202563056U (zh) | 中高压电力电缆局部放电在线监测系统 | |
CN202003212U (zh) | 物联网技术智能井口监控装置 | |
CN106682742B (zh) | 一种基于物联网技术的实时数据采集分析方法 | |
CN111336066A (zh) | 一种用于产生能量的风力发电系统及控制方法 | |
CN103991768A (zh) | 电梯物联网语音安抚装置及其方法 | |
CN113404540A (zh) | 一种应用于煤矿场景的声纹综合监测系统 | |
CN211569932U (zh) | 一种使用5g技术的塔吊安全监控系统 | |
CN116177337B (zh) | 一种多点分布式乘客异常行为电梯监测系统及方法 | |
CN114759558A (zh) | 非侵入式电动自行车充电负荷在线快速检测方法 | |
CN207215277U (zh) | 一种输电塔实时在线振动监测采集系统 | |
CN202866883U (zh) | 一种多参数网络化矿井应急救援系统 | |
CN214359607U (zh) | 基于音频特征分析的提升机电机智能监测系统 | |
CN114372952A (zh) | 电缆隐蔽工程施工缺陷自动识别系统 |
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 |