CN114781467A - 一种基于振动相似度的故障检测方法及装置 - Google Patents
一种基于振动相似度的故障检测方法及装置 Download PDFInfo
- Publication number
- CN114781467A CN114781467A CN202210707712.1A CN202210707712A CN114781467A CN 114781467 A CN114781467 A CN 114781467A CN 202210707712 A CN202210707712 A CN 202210707712A CN 114781467 A CN114781467 A CN 114781467A
- Authority
- CN
- China
- Prior art keywords
- similarity
- data
- waveform
- cluster
- value
- 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.)
- Granted
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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Signal Processing (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明涉及振动测量技术领域,特别涉及一种基于振动相似度的故障检测方法及装置,装置包括数据获取模块、数据清洗模块、聚类建模模块、异常检测模块和相似度计算模块,检测方法为:S1,通过加速度传感器采集波形数据;S2,数据清洗;S3,对通过S2清洗后的数据进行聚类建模;S4,对聚类建模后的数据进行异常检测;S5,若S4中检测为非异常,进行相似度计算判定待测设备的故障劣化趋势。本发明通过自适应确定最优工况数,并根据波形特征自动确定类别归属,从而进行异常检测和相似度的计算。避免了正常波形参照基准选择困难的问题,同时异常检测利用概率统计方法自动确定检测阈值,提高了阈值设置的可靠性。
Description
技术领域
本发明涉及振动测量技术领域,特别涉及一种基于振动相似度的故障检测方法及装置。
背景技术
机械设备运行工况复杂,对设备进行故障诊断需要专业的诊断分析人员对采集的信号波形、频谱进行分析,通过对设备故障特征的了解,通过波形特征比对,确定设备可能存在的故障。
但在对设备结构信息不了解、故障特征库不完备情况下,如何利用正常数据及时发现异常情况,并触发预警检修成为避免设备进一步劣化的关键。并且机械设备采集的数据可能受到传感器、设备运行工况变化导致的数据异常情况,可能会造成较多的误报警。
现有技术大多基于时频域特征计算相似度值,并未考虑数据异常和设备运行工况变化可能对相似度计算造成的影响,如专利CN 112836574、CN 107024361,均为与预设特征量阈值进行比较,但实际上预设阈值的设定比较困难,且实际旋转机械设备的振动受到环境噪声和工况变化的影响,正常基准振动数据的选取比较困难。
为此,本申请设计了一种基于振动相似度的故障检测方法及装置,以解决上述问题。
发明内容
本发明为了弥补现有技术中机械设备运行环境复杂、技术人员对设备故障特征不了解的不足,提供了一种基于振动相似度的故障检测方法及装置,通过数据清洗自动过滤无效数据对检测可能造成的影响,利用聚类算法,自动确定所属工况,并基于特征值实现振动的异常检测和相似度的计算。
一种基于振动相似度的故障检测装置,其特征在于:包括数据获取模块、数据清洗模块、聚类建模模块、异常检测模块和相似度计算模块,所述数据获取模块为模拟压电加速度传感器或数字式加速度传感器,数据获取模块设置在待测设备的传递轴或齿轮箱位置。
基于上述的基于振动相似度的故障检测装置,其检测方法为:
S1,通过加速度传感器采集波形数据,采集波形的采样频率表示为fs,采样点数表示为N;
S2,数据清洗,对S1中采集到的波形数据进行计算,判定数据是否存在异常;
S3,对通过S2清洗后的数据进行聚类建模;
S4,对聚类建模后的数据进行异常检测;
S5,若S4中检测为非异常,进行相似度计算判定待测设备的故障劣化趋势。
进一步地,为了更好的实现本发明,所述S2具体为,
S21,计算波形的过零率指标,过零率为波形序列中任意两相邻点异号,并且其绝对值差值大于一设定值thr,所述thr大于待测设备静止状态时信号噪声的幅度;
S22,计算S21中信号通过零点的次数,每通过一次,计数一次,总计count次,则过零率pass_zeros_per=count/N;
S23,记录S21过程中过零点的所有位置到一记录数组location_i[], 并取出数组中第一个元素的位置pass_zeros_first_index;
S24,对记录数组location[]求取其前向差分数组的最大值,记录为pass_zeros_maxdiff;
S25,给定过零率阈值thr2、起始过零率阈值thr3、过零的最大差分值thr4,Ifpass_zeros_per < thr2 || pass_zeros_first_index >th3 || pass_zeros_maxdiff >th4, 则判定数据为异常无效。
进一步地,为了更好的实现本发明,所述S3具体为,
S31,获取待测设备在不同运行工况下,在相同采样频率、采样点数采集的振动波形数据若干条;
S32,对采集的任一波形数据进行傅里叶变换,可得到信号的频域幅值表示Y;
S33,根据采集数据的频率分辨率,对频域幅值序列Y进行平均分段累加处理,得到信号频域在不同频段的幅值和数组, 并对幅值和数组进行归一化处理,得到特征数组z[];根据信号的最大分析频率、分辨率确定最适宜分段数=10~20;
S34,预设聚类个数2~10, 利用kmeans算法对特征数组z[]进行聚类操作,并记录每一聚类个数对应的轮廓系数;所述轮廓系数计算为:计算任一个波形特征值数组z[]与同类的其他样本特征值数组的平均距离a; 同时计算其与不同类的所有样本特征值数组的平均距离的最小值b;则此样本对应的轮廓系数:,计算所有波形特征值数组对应的轮廓系数的平均值,得到全局轮廓系数S;
S35,找到轮廓系数最大值对应的聚类个数,为最优聚类类别个数m,并保存最优聚类类别数为m的每一类所对应的聚类中心和聚类方差。
进一步地,为了更好的实现本发明,所述S4具体为,
S41,对实时新采集到的波形,计算其对应的特征数组z1[],并利用S35建模得到的聚类中心,计算z1[]到 m 个聚类中心的距离,并将其归属到距离最小的簇类中心所对应的类别m1中;所述距离的定义为欧式距离:为与对应聚类中心特征值差的平方开根号;
S42,取出m1类别建模对应的聚类中心mean_cluster_center、聚类方差std_cluster_center,确定异常检测的阈值为:thres_category_max=mean_cluster_center+3*std_cluster_center;
S43,求取z1[] 特征数组超出thres_category_max对应特征阈值的个数,为防止误报警,设置超出个数如大于3,则判定为异常,机械设备存在故障隐患。
进一步地,为了更好的实现本发明,所述S5具体为,
若S4检测为非异常,则对特征数组z1[]对应的波形A 和m1类别中一组波形B,求取波形A和波形B对应的fft幅值序列:A_fft, B_fft 和fft对应频率序列F;
相似度定义为:
Corr {A,B}= abs( (F*A_fft) - F*B_fft ) / (F * B_fft);
为了避免由于频谱噪声导致累加干扰主频的统计,对相似计算的A_fft和B_fft进行如下预处理,以A_fft为例:首先,求取A_fft序列的均值和标准差,得到过滤阈值threshold1 = 均值+3倍标准差;然后,对A_fft序列中小于threshold1的幅值执行置0操作;最后,对处理后的A_fft幅值序列进行上述相似度计算;
定义相似度检测阈值,对波形A和波形B计算得到的结果进行判定,若相似度计算值大于检测阈值,则判定设备振动正常,波形频谱结构相似度较高,未发生明显的特征改变;若相似度计算值小于检测阈值,证明波形频谱结构相似度较差,机械设备振动的特征发生改变,存在故障劣化的趋势。
进一步地,为了更好的实现本发明,所述S34中的kmeans算法可替换为密度聚类DBSCAN或层次聚类。
进一步地,为了更好的实现本发明,
所述S3中的聚类建模可采用相似度先行计算得到相应类别的参照,具体如下:
Sa,首先利用振动加速度传感器,采集获取机械振动设备月或季度的历史数据若干;
Sb,然后随机从历史数据中选择一条数据, 对剩余所有数据依次利用相似度计算模块,计算得到对应的相似度数组corr_list1[];
Sc,再通过预定义的相似度阈值,找出相似度数组corr_list[]中大于相似度阈值的对应的波形记录,并把对应的数据归属于一个类别A1;
Sd,从所述历史数据中减去类别A中的数据得到新的历史数据列表,重复S322和S333,得到另一类别A2;
Se,重复执行上述步骤,直到所有数据都被归属为一个类别,最终得到类别[A1,A2,...An];然后从类别中获取得到对应特征的聚类中心和方差,进行异常检测,提取对应类别中的一种波形进行相似度的判定。
本发明的有益效果是:
本发明通过自适应确定最优工况数,并根据波形特征自动确定类别归属,从而进行异常检测和相似度的计算。避免了正常波形参照基准选择困难的问题,同时异常检测利用概率统计方法自动确定检测阈值,提高了阈值设置的可靠性。
附图说明
图1为本发明的基于振动相似度的故障检测方法的流程图;
图2为本发明的第二种实施例的流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述。显然,所描述的实施例仅仅是本发明的一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“设置”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接。可以是机械连接,也可以是电性连接。可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
图1为本发明的第一种具体实施例,该实施例为一种基于振动相似度的故障检测方法,具体如下:
1. 数据获取:此装置包括模拟压电加速度传感器或数字式加速度传感器,通过在待检测设备的传递轴或齿轮箱位置布置单轴或三轴加速度传感器, 注:采集波形的采样频率表示为fs,采样点数表示为N。
2. 数据清洗:通过数据获取模块采集的波形数据进行计算,判定数据是否存在异常现象,具体判定逻辑如下:
2.1 计算波形的过零率指标,过零率为波形序列中任意两相邻点异号,并且其绝对值差值大于一设定值thr,如thr = 0.01, 注:thr 一般要大于设备静止状态时信号噪声的幅度。
2.2 计算2.1中信号通过零点的次数,每通过一次,计数一次,总计count次,则过零率pass_zeros_per = count / N;
2.3 记录2.1过程中过零点的所有位置到一记录数组location_i[], 并取出数组中第一个元素的位置pass_zeros_first_index;
2.4 对记录数组location[] 求取其前向差分数组的最大值,记录为pass_zeros_maxdiff;
2.5 给定过零率阈值thr2、起始过零率阈值thr3、过零的最大差分值thr4,
If pass_zeros_per < thr2 || pass_zeros_first_index >th3 || pass_zeros_maxdiff > th4, 则判定数据为异常无效。
3. 聚类建模
3.1获取某机械设备在不同运行工况下,在相同采样频率、采样点数采集的振动波形数据若干条;
3.2 对采集的任一波形数据进行傅里叶变换,可得到信号的频域幅值表示Y;
3.3 根据采集数据的频率分辨率,对频域幅值序列Y进行平均分段累加处理,得到信号频域在不同频段的幅值和数组, 并对幅值和数组进行归一化处理,得到特征数组z[];一般的可根据信号的最大分析频率、分辨率确定最适宜分段数=10~20。
3.4 预设聚类个数2~10, 利用kmeans算法对特征数组z[]进行聚类操作,并记录每一聚类个数对应的轮廓系数;
所述轮廓系数计算为:计算任一个波形特征值数组z[]与同类的其他样本特征值数组的平均距离a; 同时计算其与不同类的所有样本特征值数组的平均距离的最小值b;则此样本对应的轮廓系数:
3.5 找到轮廓系数最大值对应的聚类个数,为最优聚类类别个数m,并保存最优聚类类别数为m的每一类所对应的聚类均值(聚类中心) 和聚类方差。
4.异常检测:
4.1对实时新采集到的波形,计算其对应的特征数组z1[],并利用3.5建模得到的聚类中心,计算z1[]到 m 个聚类中心的距离,并将其归属到距离最小的簇类中心所对应的类别m1中。
所述距离的定义为欧式距离:为与对应聚类中心特征值差的平方开根号。
4.2 取出m1类别建模对应的聚类中心mean_cluster_center、聚类方差std_cluster_center,确定异常检测的阈值为:
thres_category_max=mean_cluster_center+3*std_cluster_center;
4.3 求取z1[] 特征数组超出thres_category_max对应特征阈值的个数,为防止误报警,可设置超出个数如大于3,则判定为异常,机械设备存在故障隐患。
5.相似度计算:
若步骤4检测为非异常,则对特征数组z1[]对应的波形A 和m1类别中一组波形B,
求取波形A和波形B对应的fft幅值序列:A_fft, B_fft 和fft对应频率序列F;
相似度定义为:
Corr {A,B}= abs( (F*A_fft) - F*B_fft ) / (F * B_fft);
其中,为了避免由于频谱噪声导致累加干扰主频的统计,对相似计算的A_fft和B_fft 进行如下预处理:以A_fft为例说明:
求取A_fft序列的均值和标准差,得到过滤阈值threshold1 = 均值+3倍标准差;
对A_fft序列中小于threshold1的幅值执行置0操作;
对处理后的A_fft幅值序列进行上述相似度计算;
定义相似度检测阈值(如0.8),对波形A和波形B计算得到的结果进行判定,若相似度计算值大于检测阈值,则判定设备振动正常,波形频谱结构相似度较高,未发生明显的特征改变。
若相似度计算值小于检测阈值,证明波形频谱结构相似度较差,机械设备振动的特征发生改变,存在故障劣化的趋势。
图2为本发明的第二种具体实施例,对于实施例1中的聚类也可采用相似度先行计算得到相应类别的参照,具体如下:
(1)首先利用振动加速度传感器,采集获取机械振动设备月或季度的历史数据若干;
(2)然后随机从历史数据中选择一条数据, 对剩余所有数据依次利用相似度计算模块,计算得到对应的相似度数组corr_list1[];
(3)通过预定义的相似度阈值(如0.8),找出相似度数组corr_list[]中大于相似度阈值的对应的波形记录,并把对应的数据归属于一个类别A1;
(4)从所述历史数据中减去类别A中的数据得到新的历史数据列表,重复步骤2、3,得到另一类别A2;
(5)重复执行上述步骤,直到所有数据都被归属为一个类别,最终得到类别[A1,A2,...An];
然后从类别中获取得到对应特征的聚类中心和方差,进行异常检测,提取对应类别中的一种波形进行相似度的判定。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,本领域普通技术人员对本发明的技术方案所做的其他修改或者等同替换,只要不脱离本发明技术方案的精神和范围,均应涵盖在本发明的权利要求范围当中。
Claims (8)
1.一种基于振动相似度的故障检测装置,其特征在于:包括数据获取模块、数据清洗模块、聚类建模模块、异常检测模块和相似度计算模块,所述数据获取模块为模拟压电加速度传感器或数字式加速度传感器,数据获取模块设置在待测设备的传递轴或齿轮箱位置。
2.一种基于权利要求1所述的基于振动相似度的故障检测装置的检测方法,其特征在于,包括以下步骤:
S1,通过加速度传感器采集波形数据,采集波形的采样频率表示为fs,采样点数表示为N;
S2,数据清洗,对S1中采集到的波形数据进行计算,判定数据是否存在异常;
S3,对通过S2清洗后的数据进行聚类建模;
S4,对聚类建模后的数据进行异常检测;
S5,若S4中检测为非异常,进行相似度计算判定待测设备的故障劣化趋势。
3.根据权利要求2所述的基于振动相似度的故障检测方法,其特征在于:
所述S2具体为,
S21,计算波形的过零率指标,过零率为波形序列中任意两相邻点异号,并且其绝对值差值大于一设定值thr,所述thr大于待测设备静止状态时信号噪声的幅度;
S22,计算S21中信号通过零点的次数,每通过一次,计数一次,总计count次,则过零率pass_zeros_per=count/N;
S23,记录S21过程中过零点的所有位置到一记录数组location_i[], 并取出数组中第一个元素的位置pass_zeros_first_index;
S24,对记录数组location[]求取其前向差分数组的最大值,记录为pass_zeros_maxdiff;
S25,给定过零率阈值thr2、起始过零率阈值thr3、过零的最大差分值thr4,If pass_zeros_per < thr2 || pass_zeros_first_index >th3 || pass_zeros_maxdiff > th4,则判定数据为异常无效。
4.根据权利要求2所述的基于振动相似度的故障检测方法,其特征在于:
所述S3具体为,
S31,获取待测设备在不同运行工况下,在相同采样频率、采样点数采集的振动波形数据若干条;
S32,对采集的任一波形数据进行傅里叶变换,可得到信号的频域幅值表示Y;
S33,根据采集数据的频率分辨率,对频域幅值序列Y进行平均分段累加处理,得到信号频域在不同频段的幅值和数组, 并对幅值和数组进行归一化处理,得到特征数组z[];根据信号的最大分析频率、分辨率确定最适宜分段数=10~20;
S34,预设聚类个数2~10, 利用kmeans算法对特征数组z[]进行聚类操作,并记录每一聚类个数对应的轮廓系数;所述轮廓系数计算为:计算任一个波形特征值数组z[]与同类的其他样本特征值数组的平均距离a; 同时计算其与不同类的所有样本特征值数组的平均距离的最小值b;则此样本对应的轮廓系数:,计算所有波形特征值数组对应的轮廓系数的平均值,得到全局轮廓系数S;
S35,找到轮廓系数最大值对应的聚类个数,为最优聚类类别个数m,并保存最优聚类类别数为m的每一类所对应的聚类中心和聚类方差。
5.根据权利要求2所述的基于振动相似度的故障检测方法,其特征在于:
所述S4具体为,
S41,对实时新采集到的波形,计算其对应的特征数组z1[],并利用S35建模得到的聚类中心,计算z1[]到 m 个聚类中心的距离,并将其归属到距离最小的簇类中心所对应的类别m1中;所述距离的定义为欧式距离:为与对应聚类中心特征值差的平方开根号;
S42,取出m1类别建模对应的聚类中心mean_cluster_center、聚类方差std_cluster_center,确定异常检测的阈值为:thres_category_max=mean_cluster_center+3* std_cluster_center;
S43,求取z1[] 特征数组超出thres_category_max对应特征阈值的个数,为防止误报警,设置超出个数如大于3,则判定为异常,机械设备存在故障隐患。
6.根据权利要求2所述的基于振动相似度的故障检测方法,其特征在于:
所述S5具体为,
若S4检测为非异常,则对特征数组z1[]对应的波形A 和m1类别中一组波形B,求取波形A和波形B对应的fft幅值序列:A_fft, B_fft 和fft对应频率序列F;
相似度定义为:
Corr {A,B}= abs( (F*A_fft) - F*B_fft )/(F * B_fft);
为了避免由于频谱噪声导致累加干扰主频的统计,对相似计算的A_fft和B_fft 进行如下预处理,以A_fft为例:
首先,求取A_fft序列的均值和标准差,得到过滤阈值threshold1 = 均值+3倍标准差;
然后,对A_fft序列中小于threshold1的幅值执行置0操作;最后,对处理后的A_fft幅值序列进行上述相似度计算;
定义相似度检测阈值,对波形A和波形B计算得到的结果进行判定,若相似度计算值大于检测阈值,则判定设备振动正常,波形频谱结构相似度较高,未发生明显的特征改变;若相似度计算值小于检测阈值,证明波形频谱结构相似度较差,机械设备振动的特征发生改变,存在故障劣化的趋势。
7.根据权利要求4所述的基于振动相似度的故障检测方法,其特征在于:
所述S34中的kmeans算法可替换为密度聚类DBSCAN或层次聚类。
8.根据权利要求2所述的基于振动相似度的故障检测方法,其特征在于:
所述S3中的聚类建模可采用相似度先行计算得到相应类别的参照,具体如下:
Sa,首先利用振动加速度传感器,采集获取机械振动设备月或季度的历史数据若干;
Sb,然后随机从历史数据中选择一条数据, 对剩余所有数据依次利用相似度计算模块,计算得到对应的相似度数组corr_list1[];
Sc,再通过预定义的相似度阈值,找出相似度数组corr_list[]中大于相似度阈值的对应的波形记录,并把对应的数据归属于一个类别A1;
Sd,从所述历史数据中减去类别A中的数据得到新的历史数据列表,重复Sb和Sc,得到另一类别A2;
Se,重复执行上述步骤,直到所有数据都被归属为一个类别,最终得到类别[A1,A2,...An];然后从类别中获取得到对应特征的聚类中心和方差,进行异常检测,提取对应类别中的一种波形进行相似度的判定。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210707712.1A CN114781467B (zh) | 2022-06-22 | 2022-06-22 | 一种基于振动相似度的故障检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210707712.1A CN114781467B (zh) | 2022-06-22 | 2022-06-22 | 一种基于振动相似度的故障检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114781467A true CN114781467A (zh) | 2022-07-22 |
CN114781467B CN114781467B (zh) | 2022-09-06 |
Family
ID=82422010
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210707712.1A Active CN114781467B (zh) | 2022-06-22 | 2022-06-22 | 一种基于振动相似度的故障检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114781467B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115795316A (zh) * | 2022-11-17 | 2023-03-14 | 国网江苏省电力有限公司电力科学研究院 | 一二次融合设备的波形相似度判定方法、装置及存储介质 |
CN115839846A (zh) * | 2023-02-27 | 2023-03-24 | 济南嘉宏科技有限责任公司 | 一种基于无线传感器的设备故障预警诊断方法 |
CN116243675A (zh) * | 2023-05-08 | 2023-06-09 | 北京众驰伟业科技发展有限公司 | 一种血凝仪清洗液生产异常监控方法 |
CN116484308A (zh) * | 2023-06-25 | 2023-07-25 | 火眼科技(天津)有限公司 | 一种基于边缘自适用计算的数据采集方法 |
CN117032054A (zh) * | 2023-10-09 | 2023-11-10 | 北京惠朗时代科技有限公司 | 基于人工智能的工业设备控制方法 |
CN117874544A (zh) * | 2024-03-12 | 2024-04-12 | 徐州阿卡控制阀门有限公司 | 基于时序分析的阀门故障智能诊断方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120185418A1 (en) * | 2009-04-24 | 2012-07-19 | Thales | System and method for detecting abnormal audio events |
CN102834701A (zh) * | 2010-03-03 | 2012-12-19 | 旭化成工程株式会社 | 滑动轴承的诊断方法和诊断装置 |
CN107024361A (zh) * | 2016-02-02 | 2017-08-08 | 株式会社神户制钢所 | 旋转机械的异常检测装置以及旋转机械的异常检测系统 |
CN110751108A (zh) * | 2019-10-23 | 2020-02-04 | 武汉理工大学 | 一种地铁分布式振动信号相似度确定方法 |
CN113392874A (zh) * | 2021-05-13 | 2021-09-14 | 中车唐山机车车辆有限公司 | 轨道车辆异常状态诊断方法、装置及终端设备 |
WO2022062161A1 (zh) * | 2020-09-28 | 2022-03-31 | 广东石油化工学院 | 基于波形和无量纲学习的大机组摩擦故障分析方法及系统 |
-
2022
- 2022-06-22 CN CN202210707712.1A patent/CN114781467B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120185418A1 (en) * | 2009-04-24 | 2012-07-19 | Thales | System and method for detecting abnormal audio events |
CN102834701A (zh) * | 2010-03-03 | 2012-12-19 | 旭化成工程株式会社 | 滑动轴承的诊断方法和诊断装置 |
CN107024361A (zh) * | 2016-02-02 | 2017-08-08 | 株式会社神户制钢所 | 旋转机械的异常检测装置以及旋转机械的异常检测系统 |
CN110751108A (zh) * | 2019-10-23 | 2020-02-04 | 武汉理工大学 | 一种地铁分布式振动信号相似度确定方法 |
WO2022062161A1 (zh) * | 2020-09-28 | 2022-03-31 | 广东石油化工学院 | 基于波形和无量纲学习的大机组摩擦故障分析方法及系统 |
CN113392874A (zh) * | 2021-05-13 | 2021-09-14 | 中车唐山机车车辆有限公司 | 轨道车辆异常状态诊断方法、装置及终端设备 |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115795316A (zh) * | 2022-11-17 | 2023-03-14 | 国网江苏省电力有限公司电力科学研究院 | 一二次融合设备的波形相似度判定方法、装置及存储介质 |
CN115795316B (zh) * | 2022-11-17 | 2024-03-08 | 国网江苏省电力有限公司电力科学研究院 | 一二次融合设备的波形相似度判定方法、装置及存储介质 |
CN115839846A (zh) * | 2023-02-27 | 2023-03-24 | 济南嘉宏科技有限责任公司 | 一种基于无线传感器的设备故障预警诊断方法 |
CN115839846B (zh) * | 2023-02-27 | 2023-06-20 | 济南嘉宏科技有限责任公司 | 一种基于无线传感器的设备故障预警诊断方法 |
CN116243675A (zh) * | 2023-05-08 | 2023-06-09 | 北京众驰伟业科技发展有限公司 | 一种血凝仪清洗液生产异常监控方法 |
CN116484308A (zh) * | 2023-06-25 | 2023-07-25 | 火眼科技(天津)有限公司 | 一种基于边缘自适用计算的数据采集方法 |
CN116484308B (zh) * | 2023-06-25 | 2023-09-29 | 火眼科技(天津)有限公司 | 一种基于边缘自适用计算的数据采集方法 |
CN117032054A (zh) * | 2023-10-09 | 2023-11-10 | 北京惠朗时代科技有限公司 | 基于人工智能的工业设备控制方法 |
CN117032054B (zh) * | 2023-10-09 | 2023-12-26 | 北京惠朗时代科技有限公司 | 基于人工智能的工业设备控制方法 |
CN117874544A (zh) * | 2024-03-12 | 2024-04-12 | 徐州阿卡控制阀门有限公司 | 基于时序分析的阀门故障智能诊断方法 |
CN117874544B (zh) * | 2024-03-12 | 2024-05-31 | 徐州阿卡控制阀门有限公司 | 基于时序分析的阀门故障智能诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114781467B (zh) | 2022-09-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114781467B (zh) | 一种基于振动相似度的故障检测方法 | |
Shi et al. | Rolling bearing initial fault detection using long short-term memory recurrent network | |
EP1579288B1 (en) | System state monitoring using recurrent local learning machine | |
CA2401685C (en) | Complex signal decomposition and modeling | |
US20150219530A1 (en) | Systems and methods for event detection and diagnosis | |
EP2269080B1 (en) | Method and apparatus for analyzing waveform signals of a power system | |
CN110738255A (zh) | 一种基于聚类算法的设备状态监测方法 | |
CN111538311B (zh) | 一种基于数据挖掘的机械设备柔性多状态自适应预警方法及装置 | |
JP2008014679A (ja) | 設備診断方法、設備診断システム及びコンピュータプログラム | |
CN111881594B (zh) | 一种核动力设备的非平稳信号状态监测方法及系统 | |
CN104380063B (zh) | 异常音检测系统 | |
CN111161756A (zh) | 风机叶片扫风声音信号中异常哨声轮廓的提取及识别方法 | |
CN117093947B (zh) | 一种发电柴油机运行异常监测方法及系统 | |
Wang et al. | Rotating machine fault detection based on HOS and artificial neural networks | |
CN117454283A (zh) | 一种用于风电机组运行检测数据的状态评估方法 | |
CN116075733A (zh) | 用于对电池模块进行分类的电池管理系统 | |
KR20210006832A (ko) | 기계고장 진단 방법 및 장치 | |
CN114414037A (zh) | 一种风力发电机组叶片健康监测装置及监测方法 | |
CN109299201A (zh) | 基于两阶段聚类的电厂生产子系统异常监测方法及装置 | |
CN112104340B (zh) | 一种基于HMM模型和Kalman滤波技术的开关量输入模块BIT降虚警方法 | |
CN113672658A (zh) | 基于复相关系数的电力设备在线监测错误数据识别方法 | |
KR102504421B1 (ko) | 진동 측정 오류 판단 방법 및 이를 이용하는 진동 오류 판별 시스템 | |
CN113029242B (zh) | 结构健康监测系统中光纤光栅传感器异常诊断方法 | |
CN108647604A (zh) | 基于频域直方图特征提取的对象物状态识别方法 | |
CN115511106B (zh) | 基于时序数据生成训练数据的方法、设备和可读存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CP02 | Change in the address of a patent holder | ||
CP02 | Change in the address of a patent holder |
Address after: 206, Comprehensive Service Building, Jinan (Mingshui) Automobile Manufacturing Industrial Park, Zaoyuan Street, Zhangqiu District, Jinan City, Shandong Province, 250200 Patentee after: JINAN JIAHONG TECHNOLOGY Co.,Ltd. Address before: 250100 room 1408, building 1, Rongji building, 168 Huayuan Road, Licheng District, Jinan City, Shandong Province Patentee before: JINAN JIAHONG TECHNOLOGY Co.,Ltd. |