CN115081491B - 一种卫生巾生产设备运行状态故障诊断方法 - Google Patents

一种卫生巾生产设备运行状态故障诊断方法 Download PDF

Info

Publication number
CN115081491B
CN115081491B CN202210993352.6A CN202210993352A CN115081491B CN 115081491 B CN115081491 B CN 115081491B CN 202210993352 A CN202210993352 A CN 202210993352A CN 115081491 B CN115081491 B CN 115081491B
Authority
CN
China
Prior art keywords
signal
production equipment
module
vibration
vibration signal
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.)
Active
Application number
CN202210993352.6A
Other languages
English (en)
Other versions
CN115081491A (zh
Inventor
董秀娟
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.)
Shenzhen Lemin Technology Co ltd
Original Assignee
Shenzhen Lemin Technology Co ltd
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 Shenzhen Lemin Technology Co ltd filed Critical Shenzhen Lemin Technology Co ltd
Priority to CN202210993352.6A priority Critical patent/CN115081491B/zh
Publication of CN115081491A publication Critical patent/CN115081491A/zh
Application granted granted Critical
Publication of CN115081491B publication Critical patent/CN115081491B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
    • G01H11/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves by detecting changes in electric or magnetic properties
    • G01H11/02—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves by detecting changes in electric or magnetic properties by magnetic means, e.g. reluctance
    • H—ELECTRICITY
    • H03—ELECTRONIC CIRCUITRY
    • H03M—CODING; DECODING; CODE CONVERSION IN GENERAL
    • H03M1/00—Analogue/digital conversion; Digital/analogue conversion
    • H03M1/12—Analogue/digital converters
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明公开一种卫生巾生产设备运行状态故障诊断方法，涉及生产设备故障诊断领域，解决的技术问题是无法精确地诊断生产设备是否发生故障。采用的方法是：选取合适的卫生巾生产设备部位安装信号采集装置，通过信号采集装置采集卫生巾生产设备运行状态下的振动信号，信号采集装置对采集到的卫生巾生产设备运行状态下的振动信号进行滤波、放大和AD转换，再传输到计算机中进行分析诊断和存储；计算机采用扩展的动模式分解算法对经过滤波放大、转换后的卫生巾生产设备振动信号提取特征向量，通过改进的核主成分分析法对提取出的特征向量进行故障分类，实现对卫生巾生产设备运行状态的故障诊断目的。本发明提高了生产设备故障诊断的准确性。

Description

一种卫生巾生产设备运行状态故障诊断方法
技术领域
本发明涉及故障诊断技术领域，且更具体地涉及一种卫生巾生产设备运行状态故障诊断方法。
背景技术
卫生巾作为一种女性生活必需品，其发明生产经历了漫长的过程，到现在卫生巾的生产已经具备了一套完整成熟的流程，现在卫生巾的生产基本都是全自动机器设备流水线生产，生产过程更加规范安全，大大提高了生产效率，解放了人力。随之带来的也有卫生巾生产过程中的安全隐患，卫生巾生产机器设备高速高温连续运作，极易出现生产设备磨损和故障问题，一旦生产设备发生不可修复不可逆转的故障损坏后，会带来巨大的经济损失以及对生产人员人身安全造成严重影响，所以如何在卫生巾生产设备运行状态下及时准确的诊断故障问题急于解决。
传统的卫生巾生产设备故障诊断依靠人的经验，无法实时准确的诊断生产设备的运行状态，对人身安全方面也存在安全隐患；基于统计学的故障诊断方法根据历史数据的变化规律，寻找自变量和因变量之间的关系，确定模型参数，从而做出诊断，这种方法比较成熟，但是预测模型误差较大，外推特性差，需要有大量的样本并且具备较好的分布规律，否则很难准确的诊断生产设备运行中是否存在故障。
发明内容
针对上述技术的不足，本发明公开一种卫生巾生产设备运行状态故障诊断方法，能够进行卫生巾生产设备运行状态下的故障诊断。
为了实现上述技术效果，本发明采用以下技术方案：
一种卫生巾生产设备运行状态故障诊断方法，包括以下步骤：
步骤一：选取合适的卫生巾生产设备部位安装信号采集装置，通过信号采集装置采集卫生巾生产设备运行状态下的振动信号；
步骤二：信号采集装置对采集到的卫生巾生产设备运行状态下的振动信号进行滤波和放大，然后经过模数转换器（analog to digital，AD）将模拟振动信号转变为数字信号，再传输到计算机中进行下一步分析诊断和存储；
步骤三：采用扩展的动模式分解算法对经过滤波放大、转换后的卫生巾生产设备振动信号进行特征向量的提取分析；
所述扩展的动模式分解算法对卫生巾生产设备运行状态下的振动信号特征提取流程如下：首先定义传感器采集到的卫生巾生产设备运行状态下的连续振动信号集为u：
Figure 469509DEST_PATH_IMAGE001
（1）
在公式（1）中，
Figure 150764DEST_PATH_IMAGE002
为采集到的振动信号不同维度下的变量，其中
Figure 789556DEST_PATH_IMAGE003
；在时间维度上定义2个连续的振动信号数据矩阵如下：
Figure 450344DEST_PATH_IMAGE004
（2）
公式（2）中，
Figure DEST_PATH_IMAGE005
，
Figure 156394DEST_PATH_IMAGE006
表示振动信号在不同维度下的变量序列；
Figure 244436DEST_PATH_IMAGE007
表示 振动信号离散序列点；
Figure 573786DEST_PATH_IMAGE008
表示振动信号数据矩阵的
Figure 100583DEST_PATH_IMAGE009
阶矩阵； 通过公式（2）得到振动 信号的观测矩阵函数为：
Figure 35041DEST_PATH_IMAGE010
（3）
公式（3）中，
Figure 612694DEST_PATH_IMAGE011
，
Figure 694919DEST_PATH_IMAGE012
表示振动信号的观测矩阵离散序列点；
Figure 697510DEST_PATH_IMAGE013
表 示由
Figure 548792DEST_PATH_IMAGE014
个振动信号的离散序列点组成的振动信号数据矩阵；
Figure 40953DEST_PATH_IMAGE015
表示由
Figure 49623DEST_PATH_IMAGE012
个振动信号的离 散序列点组成的振动信号数据矩阵；
Figure 652642DEST_PATH_IMAGE016
表示振动信号数据矩阵的转置；
Figure 561692DEST_PATH_IMAGE017
表示在第
Figure 959176DEST_PATH_IMAGE012
个离散点的振动信号的观测矩阵函数；通过振动信号的观测矩阵函数清晰地认识到振动信 号的信号变化趋势，对振动信号的观测矩阵函数进行Koopman算子运算提取振动信号的特 征向量表达式如下：
Figure 15993DEST_PATH_IMAGE018
（4）
公式（4）中，
Figure 858922DEST_PATH_IMAGE019
表示振动信号中提取的特征向量；
Figure 419217DEST_PATH_IMAGE020
表示在第
Figure 518760DEST_PATH_IMAGE012
个离散点 的振动信号中提取的特征向量；
步骤四：通过改进的核主成分分析法对提取出的特征向量数据进行故障分类，实现对卫生巾生产设备运行状态的故障诊断目的；
所述改进的核主成分分析法对故障分类从而诊断卫生巾生产设备故障状态方法如下：
对提取出来的特征向量
Figure 734977DEST_PATH_IMAGE019
转化为核特征向量集，建立核特征向量集的协方差 矩阵表达式如下：
Figure 945379DEST_PATH_IMAGE021
（5）
公式（5）中，
Figure 64907DEST_PATH_IMAGE022
为核特征向量集的协方差矩阵，
Figure 69772DEST_PATH_IMAGE023
为特征向量的核特征向量 集，
Figure 835603DEST_PATH_IMAGE024
为所采集的振动信号样本数量；
Figure 521799DEST_PATH_IMAGE025
表示所采集到的振动信号在不同维度下的变量；
Figure 322265DEST_PATH_IMAGE026
表示所采集的振动信号样本的序号；为了测量故障情况下的振动信号样本和非故障情况 下的振动信号样本之间的间隔大小，定义同类样本的类内聚集程度表达式为：
Figure 996566DEST_PATH_IMAGE027
（6）
公式（6）中，
Figure 187376DEST_PATH_IMAGE028
表示同类样本内的聚集程度，
Figure 739580DEST_PATH_IMAGE029
为第
Figure 863394DEST_PATH_IMAGE030
类样本的数量，
Figure 413324DEST_PATH_IMAGE031
为第
Figure 655212DEST_PATH_IMAGE030
类样本里第
Figure 745528DEST_PATH_IMAGE032
维分量的标准差；
同时定义不同类样本间的离散程度表达式为；
Figure 989427DEST_PATH_IMAGE033
（7）
公式（7）中，
Figure 444679DEST_PATH_IMAGE034
表示不同类样本间的离散程度，
Figure 170933DEST_PATH_IMAGE029
为第
Figure 799361DEST_PATH_IMAGE030
类样本的数量，
Figure 366608DEST_PATH_IMAGE035
为第
Figure 55079DEST_PATH_IMAGE030
类样本里第
Figure 504515DEST_PATH_IMAGE036
个样本的第
Figure 906939DEST_PATH_IMAGE032
维特征分量，
Figure 63114DEST_PATH_IMAGE037
为第
Figure 188065DEST_PATH_IMAGE036
类样本里第
Figure 328059DEST_PATH_IMAGE038
个样本的第
Figure 767131DEST_PATH_IMAGE032
维特征 分量；
根据公式（6）和公式(7)得到样本类别的可分离程度表达式为：
Figure 308971DEST_PATH_IMAGE039
（8）
公式（8）中，
Figure 103358DEST_PATH_IMAGE040
表示样本类别的可分离程度，当
Figure 730648DEST_PATH_IMAGE040
值越小时，说明样本类别的可 分离程度越高，对采集到的振动信号样本进行更好的分类，得到的分类结果更准确；
采用峭度描述处理分析后的振动信号：
Figure 707832DEST_PATH_IMAGE041
（9）
公式（9）中，
Figure 104178DEST_PATH_IMAGE042
表示生产设备所采集振动信号的峭度，
Figure 570931DEST_PATH_IMAGE043
表示振动信号在时域波 形中离散序列点的振动幅值，
Figure 419939DEST_PATH_IMAGE044
表示振动信号在时域波形中离散序列点的数量，
Figure 200813DEST_PATH_IMAGE045
表示振 动信号在时域波形中离散序列的平均幅值；卫生巾生产设备正常工作运行状态下，振动信 号服从正态分布，所得峭度值为3，峭度值大于3时，诊断卫生巾生产设备运行中出现故障， 当峭度值大于8时，诊断卫生巾生产设备运行中出现重大故障。
在本发明的进一步技术方案中，所述信号采集装置主要包括电源模块、传感器模块、信号滤波模块、信号放大模块、AD转换模块和无线传输模块；电源模块分别与传感器模块、信号滤波模块、信号放大模块、AD转换模块和无线传输模块相连接，传感器模块输出端与滤波模块输入端相连接，信号滤波模块输出端与信号放大模块输入端相连接，信号放大模块输出端与AD转换模块输入端相连接，AD转换模块输出端与无线传输模块输入端相连接；
所述电源模块的主要功能是为传感器模块、信号滤波模块、信号放大模块、AD转换模块和无线传输模块提供充足的电源，保障信号采集装置的正常运行；所述传感器模块的作用是采集卫生巾生产设备的振动信号；所述信号滤波模块的作用是对采集到的生产设备振动信号进行滤波去噪，还原生产设备运行状态下真实的振动信号；所述信号放大模块用来放大采集到的生产设备振动信号，经过降噪后的振动信号依然微小，所以需要进行信号放大调理，便于振动信号的特征向量提取；所述AD转换模块用于将放大调理后的振动信号模数转换成数字信号；所述无线传输模块用于完成信号采集装置和计算机之间的通信。
在本发明的进一步技术方案中，所述传感器模块至少应该包括以下之一：霍尔传感器、磁阻传感器、磁通门传感器、罗氏线圈传感器。
在本发明的进一步技术方案中，所述信号滤波模块采用小波阈值算法进行滤波去噪，对采集的含噪振动信号进行小波分解后，噪声主要集中在高频的小波系数中，通过设置阈值将含噪部分去除，最后对信号重构，从而达到对采集到的振动信号滤波去噪的目的。
在本发明的进一步技术方案中，所述信号放大模块的放大比例与电阻阻值成正比电阻也会受到温度影响，所以信号放大模块增加电阻RE和电容CE共同抑制温度漂移带来的影响，在放大信号的同时抑制电路带来的噪声影响，提高了信号放大模块的稳定性。
在本发明的进一步技术方案中，所述AD转换模块采用4通道、12路AD转换器，将模拟信号转换成12路标准模拟数字信号输出，模拟数字信号输出精度优于0.2%，远程控制校准模块输出精度，编程设置模块地震、波特率等，支持Modbus通讯协议，自动识别协议，适用于各种多通道通信系统。
在本发明的进一步技术方案中，所述无线传输模块用于完成信号采集装置和计算机之间的通信，无线传输模块采用基于基于通用分组无线服务（General packet radioservice，GPRS）的ZWG-23A设备进行数据传输，ZWG-23A采用分组交换技术，ZWG-23A提供传输控制协议（Transmission Control Protocol，TCP）/网际互联协议（Internet Protocol，IP）连接和点对点技术（peer-to-peer，P2P）通信，采集的数据信息经过异步串口进入微处理器（Advanced RISC Machine，CPU），CPU通过分组交换的方式将数据发送到计算机。
在本发明的进一步技术方案中，所述噪声产生原因主要是在生产设备振动的过程中所带来的噪声，以及振动信号的采集过程中，采集装置带来的干扰噪声，只有降低去除噪声的影响，才能对生产设备的运行状态有更直观的了解。
在本发明的进一步技术方案中，所述计算机中的存储模块主要功能是对历史采集的卫生巾生产设备振动信号进行提取特征分类后进行存储，以便于后期更准确的诊断卫生巾生产设备运行状态是否发生故障。
在本发明的进一步技术方案中，信号采集装置所安装的位置应满足以下要求：尽可能靠近振源、振动信号比较集中的部位、适合安装传感器、符合安全操作要求。
在本发明的进一步技术方案中，卫生巾生产设备的振动信号的测定周期应根据不同的生产设备类型以及故障发展的速度来选取，对于磨损劣化类速度发展不同的生产设备，采用不同的周期进行监测，对于高速工作产生故障可能引发安全事故的应进行实时监测。
在本发明的进一步技术方案中，当发现采集数据出现变化时，应缩短测量周期，反之应延长测量周期；对于新安装和维修过的生产设备，则应频繁监测，直到运转正常。
本发明有益的积极效果在于：本发明能够解决振动信号提取过程中因分量时频特性差异带来的模式混淆的问题，提高了特征提取结果的准确性，通过改进的核主成分分析法对提取的特征向量进行降维分类，提高对生产设备运行状态故障诊断的正确率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图，其中：
图1为本发明中一种卫生巾生产设备运行状态故障诊断流程示意图；
图2为本发明中信号采集装置结构示意图；
图3为本发明中信号放大模块电路原理图；
图4为本发明中ZWG-23A的硬件结构框图；
图5为本发明小波阈值滤波去噪前振动信号时域波形图；
图6为本发明小波阈值滤波去噪后振动信号时域波形图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的实施例仅用于说明和解释本发明，并不用于限定本发明。
如图1所示，一种卫生巾生产设备运行状态故障诊断方法：
步骤一：选取合适的卫生巾生产设备部位安装信号采集装置，通过信号采集装置采集卫生巾生产设备运行状态下的振动信号；
在具体实施例中，卫生巾生产设备属于大型高温高速连续运作设备，所以需要在设备的不同关键振动明显部位安装信号采集装置，当设备出现故障时，设备的状态信号（如振动、温度和压力等）会发生变化，其中振动参数比其他状态参数能更直接地、快速准确地反映设备的运行状态，因此本发明以采集振动信号为手段来诊断设备运行故障情况。
步骤二：信号采集装置对采集到的卫生巾生产设备运行状态下的振动信号进行滤波和放大，然后经过AD转换器将模拟振动信号转变为数字信号，再传输到计算机中进行下一步分析诊断和存储；
在具体实施例中，一台运行中的输出设备，无论结果多灭检定，但从它每一个部位上所测得的振动信号都不是单纯的，往往是两个或两个以上信号组成的复杂信号，例如从电动机前后轴承处测得的振动信号，同时包含了叶轮、前后轴承、转子各支架等多个部位的振动信号，如果直接对整个复杂信号进行故障诊断，很难做出准确的判断，更难以确定故障出在什么部位，因此，在采集生产设备振动信号的过程中，要对振动信号进行滤波放大等处理，才能更好的提取特征量，便于后期的故障诊断。
步骤三：采用扩展的动模式分解算法对经过滤波放大、转换后的卫生巾生产设备振动信号进行特征向量的提取分析；
在具体实施例中，对振动信号的特征提取方法有多种，经验模式分解算法用于分析来自非线性系统的非平稳信号，但是对信号分解过程中容易出现模式分类混叠和端点效应等问题；集成经验模式分解算法通过随机在待分析信号中添加不同幅值的白噪声，改善模式混叠的问题，但是也会导致信号失真的情况；动模式分解算法结合了时刻降维和本征正交分解的优点，但对复杂含噪信号的分解能力有一定的欠缺，本文提出了一种扩展的动模式分解算法，利用Koopman算子特性，更为精确的提取出实时特征向量，更加容易集成到数据库中，便于下一步故障分类诊断。
所述扩展的动模式分解算法对卫生巾生产设备运行状态下的振动信号特征提取流程如下：首先定义传感器采集到的卫生巾生产设备运行状态下的连续振动信号集为u：
Figure 15447DEST_PATH_IMAGE046
（1）
在公式（1）中，
Figure 590785DEST_PATH_IMAGE047
为采集到的振动信号不同维度下的变量，其中
Figure 192668DEST_PATH_IMAGE003
；在时间维度上定义2个连续的振动信号数据矩阵如下：
Figure 573971DEST_PATH_IMAGE048
（2）
公式（2）中，
Figure 679330DEST_PATH_IMAGE049
，
Figure 986421DEST_PATH_IMAGE006
表示振动信号在不同维度下的变量序列；
Figure 544441DEST_PATH_IMAGE007
表示 振动信号离散序列点；
Figure 729435DEST_PATH_IMAGE008
表示振动信号数据矩阵的
Figure 954880DEST_PATH_IMAGE009
阶矩阵； 通过公式（2）得到振动 信号的观测矩阵函数为：
Figure 872020DEST_PATH_IMAGE050
（3）
公式（3）中，
Figure 245233DEST_PATH_IMAGE051
，
Figure 673065DEST_PATH_IMAGE012
表示振动信号的观测矩阵离散序列点；
Figure 487438DEST_PATH_IMAGE013
表示由
Figure 903376DEST_PATH_IMAGE014
个振动信号的离散序列点组成的振动信号数据矩阵;
Figure 701567DEST_PATH_IMAGE015
表示由
Figure 166047DEST_PATH_IMAGE012
个振动信号的 离散序列点组成的振动信号数据矩阵；
Figure 897242DEST_PATH_IMAGE016
表示振动信号数据矩阵的转置；
Figure 920300DEST_PATH_IMAGE052
表示在 第
Figure 205787DEST_PATH_IMAGE012
个离散点的振动信号的观测矩阵函数；通过振动信号的观测矩阵函数清晰地认识到振 动信号的信号变化趋势，对振动信号的观测矩阵函数进行Koopman算子运算提取振动信号 的特征向量表达式如下：
Figure 270695DEST_PATH_IMAGE018
（4）
公式（4）中，
Figure 59660DEST_PATH_IMAGE019
表示振动信号中提取的特征向量；
Figure 20663DEST_PATH_IMAGE020
表示在第
Figure 324605DEST_PATH_IMAGE012
个离散点 的振动信号中提取的特征向量；
在具体实施例中，通过扩展的动模式分解算法获得卫生巾生产设备实时运行状态的有效特征向量，这些特征向量主要有平均值、最大值、最小值、有效值、方根幅值、峭度、歪度、频率重心、频率方差、频率均方、频率均方根和频率标准差，这12个向量代表卫生巾生产设备运行状态下的不同情况，便于后续进行故障分类诊断。
步骤四：通过改进的核主成分分析法对提取出的特征向量数据进行故障分类，实现对卫生巾生产设备运行状态的故障诊断目的；
在具体实施例中，故障诊断方法除了单一参数、单一故障的技术诊断外，目前多变量、多故障的综合诊断依据兴起，模糊诊断、故障树分析、专家系统、人工神经网络等各种诊断技术不断出现，本发明对核主成成分分析算法进行改进，利用核函数的特点，克服了主成分分析算法在处理数据时特征信息容易丢失的问题，通过提取的数据特征样本类内聚集程度和类间离散程度来描述样本的类别信息，实现降维分类故障诊断的目的。
所述改进的核主成分分析法对故障分类从而诊断卫生巾生产设备故障状态方法如下：
对提取出来的特征向量
Figure 632352DEST_PATH_IMAGE019
转化为核特征向量集，建立核特征向量集的协方差 矩阵表达式如下：
Figure 806981DEST_PATH_IMAGE053
（5）
公式（5）中，
Figure 204465DEST_PATH_IMAGE022
为核特征向量集的协方差矩阵，
Figure 464545DEST_PATH_IMAGE023
为特征向量的核特征向量 集，
Figure 871255DEST_PATH_IMAGE024
为所采集的振动信号样本数量；
Figure 634812DEST_PATH_IMAGE025
表示所采集到的振动信号在不同维度下的变量；
Figure 701732DEST_PATH_IMAGE026
表示所采集的振动信号样本的序号；为了测量故障情况下的振动信号样本和非故障情况 下的振动信号样本之间的间隔大小，定义同类样本的类内聚集程度表达式为：
Figure 308162DEST_PATH_IMAGE054
（6）
公式（6）中，
Figure 252985DEST_PATH_IMAGE028
表示同类样本内的聚集程度，
Figure 372513DEST_PATH_IMAGE029
为第
Figure 642957DEST_PATH_IMAGE030
类样本的数量，
Figure 612050DEST_PATH_IMAGE031
为第
Figure 298246DEST_PATH_IMAGE030
类样本里第
Figure 98712DEST_PATH_IMAGE032
维分量的标准差；
同时定义不同类样本间的离散程度表达式为；
Figure 477741DEST_PATH_IMAGE033
（7）
公式（7）中，
Figure 987261DEST_PATH_IMAGE034
表示不同类样本间的离散程度，
Figure 477148DEST_PATH_IMAGE029
为第
Figure 335383DEST_PATH_IMAGE030
类样本的数量，
Figure 947630DEST_PATH_IMAGE055
为第
Figure 625736DEST_PATH_IMAGE030
类样本里第
Figure 217516DEST_PATH_IMAGE036
个样本的第
Figure 664678DEST_PATH_IMAGE032
维特征分量，
Figure 182247DEST_PATH_IMAGE037
为第
Figure 613228DEST_PATH_IMAGE036
类样本里第
Figure 710497DEST_PATH_IMAGE038
个样本的第
Figure 74483DEST_PATH_IMAGE032
维特征 分量；
根据公式（6）和公式(7)得到样本类别的可可分离程度表达式为：
Figure 464750DEST_PATH_IMAGE056
（8）
公式（8）中，
Figure 383028DEST_PATH_IMAGE040
表示样本类别的可可分离程度，当
Figure 18409DEST_PATH_IMAGE040
值越小时，说明样本类别的 可可分离程度越高，对采集到的振动信号样本进行更好的分类，得到的分类结果更准确；
在具体实施例中，所采集的振动信号数量巨大并且故障也有不同程度的变化，通过样本的类内聚集程度和类间离散程度更好的对振动信号进行分类，判别当前卫生巾生产设备处于何种运行状态以及所发生的故障程度。
采用峭度描述处理分析后的振动信号：
Figure 502479DEST_PATH_IMAGE057
（9）
公式（9）中，
Figure 830693DEST_PATH_IMAGE058
表示生产设备所采集振动信号的峭度，
Figure 705108DEST_PATH_IMAGE059
表示振动信号在时域波形 中离散序列点的振动幅值，
Figure 409759DEST_PATH_IMAGE060
表示振动信号在时域波形中离散序列点的数量，
Figure 249801DEST_PATH_IMAGE061
表示振动信 号在时域波形中离散序列的平均幅值；卫生巾生产设备正常工作运行状态下，振动信号服 从正态分布，所得峭度值为3，峭度值大于3时，诊断卫生巾生产设备运行中出现故障，当峭 度值大于8时，诊断卫生巾生产设备运行中出现重大故障。
在本发明的进一步技术方案中，如图2所示，所述信号采集装置主要包括电源模块、传感器模块、信号滤波模块、信号放大模块、AD转换模块和无线传输模块；电源模块分别与传感器模块、信号滤波模块、信号放大模块、AD转换模块和无线传输模块相连接，传感器模块输出端与滤波模块输入端相连接，信号滤波模块输出端与信号放大模块输入端相连接，信号放大模块输出端与AD转换模块输入端相连接，AD转换模块输出端与无线传输模块输入端相连接；
所述电源模块的主要功能是为传感器模块、信号滤波模块、信号放大模块、AD转换模块和无线传输模块提供充足的电源，保障信号采集装置的正常运行；所述传感器模块的作用是采集卫生巾生产设备的振动信号；所述信号滤波模块的作用是对采集到的生产设备振动信号进行滤波去噪，还原生产设备运行状态下真实的振动信号；所述信号放大模块用来放大采集到的生产设备振动信号，经过降噪后的振动信号依然微小，所以需要进行信号放大调理，便于振动信号的特征向量提取；所述AD转换模块用于将放大调理后的振动信号模数转换成数字信号；所述无线传输模块用于完成信号采集装置和计算机之间的通信。
在本发明的进一步技术方案中，所述传感器模块至少应该包括以下之一：霍尔传感器、磁阻传感器、磁通门传感器、罗氏线圈传感器。
在本发明的进一步技术方案中，所述信号滤波模块采用小波阈值算法进行滤波去噪，对采集的含噪振动信号进行小波分解后，噪声主要集中在高频的小波系数中，通过设置阈值将含噪部分去除，最后对信号重构，从而达到对采集到的振动信号滤波去噪的目的。
在具体实施例中，小波函数具有局部分析功能，能够非常好地逼近信号的细节特点，便于特征向量的提取，但是传统的小波软阈值、硬阈值函数存在固定偏差和不连续性的问题，因此提出了一种半软阈值函数，并在阈值处连续，解决了硬阈值函数带来的振荡偏差问题和软阈值函数带来的不连续性问题。
在本发明的进一步技术方案中，如图3所示，所述信号放大模块的放大比例与电阻阻值成正比电阻也会受到温度影响，所以信号放大模块增加电阻RE和电容CE共同抑制温度漂移带来的影响，在放大信号的同时抑制电路带来的噪声影响，提高了信号放大模块的稳定性。
在具体实施例中，C1是输入电容，C2是输出电容，三极管VT是进行信号放大作用的期间，RB1和RB2是基极偏置电阻，RC是集电极负载电阻，RE电阻具有直流负反馈的作用，CE是交流旁路电容，对交流电进行短路，1、3端是信号输入端，2端是信号输出端，当输入信号时，通过三极管对电压放大到十几甚至一百多倍，通过RB2和RE电阻，提高放大电路的稳定性，通过CE减少电路本身温度漂移带来的影响。
在本发明的进一步技术方案中，所述AD转换模块采用4通道、12路AD转换器，将模拟信号转换成12路标准模拟数字信号输出，模拟数字信号输出精度优于0.2%，远程控制校准模块输出精度，编程设置模块地震、波特率等，支持Modbus通讯协议，自动识别协议，适用于各种多通道通信系统。
在具体实施例中，AD转换模块以AD转换器为核心进行模数转换，因为采集到的振动信号属于模拟信号，不能直接用来分析，所以要进行模数转换转换成数字信号，便于传输到计算机进行下一步分析诊断。常见的AD转换器主要有以下几类：积分型、逐次逼近型、并行比较型和压频比较型，具体选择应根据所需要转换的数据大小和精度来决定。
在本发明的进一步技术方案中，如图4所示，所述无线传输模块用于完成主控单元和采集接口的之间的通信，多通道传输模块采用基于GPRS的ZWG-23A进行数据传输，ZWG-23A采用分组交换技术，ZWG-23A提供TCP/IP连接和P2P通信，采集的数据信息经过异步串口进入CPU，CPU通过分组交换的方式将数据发送到主控模块。
在具体实施例中，所述无线传输模块用于完成信号采集装置和计算机之间的通信，无线传输模块采用基于GPRS的ZWG-23A进行数据传输，ZWG-23A采用基于GPRS的无线分组交换技术，ZWG-23A提供TCP/IP通信协议连接和P2P通信，采集的数据信息经过异步串口进入CPU，CPU通过分组交换的方式将数据发送到计算机；GPRS是一种基于GSM的无线分组交换技术，让多个用户共享数据信息，提供端到端的、广域的无线IP连接，具有实时在线、高速传输、自由切换的优点，适用于简短的、突发性的、频繁的数据传输，GPRS支持点对多数据服务，数据传输速度是GSM的10倍，稳定地传送大容量的高质量音频和视频文件。
在本发明的进一步技术方案中，所述噪声产生原因主要是在生产设备振动的过程中所带来的噪声，以及振动信号的采集过程中，采集装置带来的干扰噪声，只有降低去除噪声的影响，才能对生产设备的运行状态有更直观的了解。
在具体实施例中，不同的生产环境也会带来不同的影响，可能干扰采集振动信号的因素也会存在很多种可能，这些干扰噪声都会影响对振动信号的分析，影响对生产设备运行状态的故障诊断的准确性。
在本发明的进一步技术方案中，所述计算机中的存储模块主要功能是对历史采集的卫生巾生产设备振动信号进行提取特征分类后进行存储，以便于后期更准确的诊断卫生巾生产设备运行状态是否发生故障。
在具体实施例中，将所采集的振动信号进行存储分类，作为生产设备故障诊断的训练模型，当其中包含了越来越多的振动信号时，对故障进行更为精准的分类，也可以在故障要发生前期诊断出来进行预选的处理，将故障扼杀在摇篮里。
在本发明的进一步技术方案中，信号采集装置所安装的位置应满足以下要求：尽可能靠近振源、振动信号比较集中的部位、适合安装传感器、符合安全操作要求。
在具体实施例中，信号采集装置所安装的位置就是机器被测量的位置，是获取故障诊断信息的窗口，被测部位选择的合理与否，关系到能否获得我们所需要的真实完整的状态信息，只有在对生产设备足够了解的基础上，才能恰当地选择安装位置。
在本发明的进一步技术方案中，卫生巾生产设备的振动信号的测定周期应根据不同的生产设备类型以及故障发展的速度来选取，对于磨损劣化类速度发展不同的生产设备，采用不同的周期进行监测，对于高速工作产生故障可能引发安全事故的应进行实时监测。
在具体实施例中，测定周期就是每次测量的间隔时间，测定周期的选取和设备的类型以及故障发展的速度有关，对于磨损劣化发展缓慢的部位，采用较长的测定周期，对于高速旋转发生异变后可能立即造成故障甚至引发安全事故的应当实时监测。
在本发明的进一步技术方案中，当发现采集数据出现变化时，应缩短测量周期，反之应延长测量周期；对于新安装和维修过的生产设备，则应频繁监测，直到运转正常。
在具体实施例中，生产设备正常运行状态下，所采集的振动信号基本平稳维持不变，当采集的振动信号开始变化，并且变化速度较快较明显时，说明设备出现了磨损或者更为严重的损坏及故障，此时应当对生产设备进行检修，并缩短测定周期持续进行监测直至运行正常振动信号平稳。
本研究对于卫生巾生产设备运行状态故障诊断的实验，通过在某卫生巾生产厂区的生产设备安装信号采集装置，并分别采用基于统计学的故障诊断方法（方案一）、主成分分析算法（方案二）和本方法对卫生巾生产设备进行故障，得到故障诊断准确率并汇总数据表，最终显示结果如表1所示：
表1卫生巾生产设备运行状态故障诊断能力测试表
Figure 748915DEST_PATH_IMAGE062
通过表1数据分析，方案一采集的卫生巾生产设备运行状态振动信号为100个，故障诊断的准确率为87.93%，诊断时间为56.31s；方案二采集的卫生巾生产设备运行状态振动信号为100个，故障诊断的准确率为91.16%，诊断时间为43.72s；本方法采集的卫生巾生产设备运行状态振动信号为100个，故障诊断的准确率为97.64%，诊断时间为28.95s；通过数据显示，表明本方法对卫生巾生产设备运行状态故障诊断准确率较高，速度较快。
通过滤波器显示小波阈值滤波去噪前后卫生巾生产设备运行状态下的振动信号波形图，对两种波形进行分析，进而验证本方法的有效性，两种波形对比如图5、图6所示：
图5为小波阈值滤波去噪前的波形，存在正负两个方向的波动，波动较快较大，表明噪声干扰极大。图6为小波阈值滤波去噪后的时域波形，明显看出噪声干扰得到抑制，整体趋于稳定状态。
综上所述，本发明方法对卫生巾生产设备运行状态故障诊断更准确，更加快速，更加稳定，性能明显优于另外两种方案，能够解决传统诊断方法不够准确的问题，证实了本发明方法的可行性。
虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这些具体实施方式仅是举例说明，本领域的技术人员在不脱离本发明的原理和实质的情况下，可以对上述方法和细节进行各种省略、替换和改变。例如，合并上述方法步骤，从而按照实质相同的方法执行实质相同的功能以实现实质相同的结果则属于本发明的范围。因此，本发明的范围仅由所附权利要求书限定。

Claims (8)

1.一种卫生巾生产设备运行状态故障诊断方法，其特征在于：包括以下步骤：
步骤一：选取卫生巾生产设备部位安装信号采集装置的位置，通过信号采集装置采集卫生巾生产设备运行状态下的振动信号；
步骤二：信号采集装置对采集到的卫生巾生产设备运行状态下的振动信号进行滤波和放大，然后经过AD转换器将模拟振动信号转变为数字信号，再传输到计算机中进行下一步分析诊断和存储；
步骤三：采用扩展的动模式分解算法对经过滤波放大、转换后的卫生巾生产设备振动信号进行特征向量的提取分析；
所述扩展的动模式分解算法对卫生巾生产设备运行状态下的振动信号特征提取流程如下：首先定义传感器采集到的卫生巾生产设备运行状态下的连续振动信号集为u：
Figure 419090DEST_PATH_IMAGE001
（1）
在公式（1）中，
Figure 854619DEST_PATH_IMAGE002
为采集到的振动信号不同维度下的变量，其中
Figure 548031DEST_PATH_IMAGE003
；在时间维度上定义2个连续的振动信号数据矩阵如下：
Figure 831245DEST_PATH_IMAGE004
（2）
公式（2）中，
Figure 981604DEST_PATH_IMAGE005
，
Figure 45374DEST_PATH_IMAGE006
表示振动信号在不同维度下的变量序列；
Figure 103329DEST_PATH_IMAGE007
表示振动 信号离散序列点；
Figure 70410DEST_PATH_IMAGE008
表示振动信号数据矩阵的
Figure 798195DEST_PATH_IMAGE009
阶矩阵； 通过公式（2）得到振动信号 的观测矩阵函数为：
Figure 349262DEST_PATH_IMAGE010
（3）
公式（3）中，
Figure 945328DEST_PATH_IMAGE011
，
Figure 265451DEST_PATH_IMAGE012
表示振动信号的观测矩阵离散序列点；
Figure 164137DEST_PATH_IMAGE013
表 示由
Figure 766282DEST_PATH_IMAGE014
个振动信号的离散序列点组成的振动信号数据矩阵;
Figure 838143DEST_PATH_IMAGE015
表示由
Figure 216035DEST_PATH_IMAGE012
个振动信号的离 散序列点组成的振动信号数据矩阵；
Figure 144677DEST_PATH_IMAGE016
表示振动信号数据矩阵的转置；
Figure 670336DEST_PATH_IMAGE017
表示在第
Figure 483571DEST_PATH_IMAGE012
个离散点的振动信号的观测矩阵函数；通过振动信号的观测矩阵函数清晰地认识到振动 信号的信号变化趋势，对振动信号的观测矩阵函数进行Koopman算子运算提取振动信号的 特征向量表达式如下：
Figure 291470DEST_PATH_IMAGE018
（4）
公式（4）中，
Figure 656592DEST_PATH_IMAGE019
表示振动信号中提取的特征向量；
Figure 341651DEST_PATH_IMAGE020
表示在第
Figure 817632DEST_PATH_IMAGE012
个离散点的振 动信号中提取的特征向量；
步骤四：通过改进的核主成分分析法对提取出的特征向量数据进行故障分类，实现对卫生巾生产设备运行状态的故障诊断目的；
改进的核主成分分析法对卫生巾生产设备运行设备数据进行故障分类，诊断卫生巾生产设备故障状态方法如下：
对提取出来的特征向量
Figure 966854DEST_PATH_IMAGE019
转化为核特征向量集，建立核特征向量集的协方差矩阵表 达式如下：
Figure 473184DEST_PATH_IMAGE021
（5）
公式（5）中，
Figure 645539DEST_PATH_IMAGE022
为核特征向量集的协方差矩阵，
Figure 862894DEST_PATH_IMAGE023
为特征向量的核特征向量集，
Figure 928939DEST_PATH_IMAGE024
为所采集的振动信号样本数量；
Figure 776809DEST_PATH_IMAGE025
表示所采集到的振动信号在不同维度下的变量；
Figure 295515DEST_PATH_IMAGE026
表 示所采集的振动信号样本的序号；为了测量故障情况下的振动信号样本和非故障情况下的 振动信号样本之间的间隔大小，定义同类样本的类内聚集程度表达式为：
Figure 818026DEST_PATH_IMAGE027
（6）
公式（6）中，
Figure 613943DEST_PATH_IMAGE028
表示同类样本内的聚集程度，
Figure 491769DEST_PATH_IMAGE029
为第
Figure 701034DEST_PATH_IMAGE030
类样本的数量，
Figure 197874DEST_PATH_IMAGE031
为第
Figure 441774DEST_PATH_IMAGE030
类样本 里第
Figure 991966DEST_PATH_IMAGE032
维分量的标准差；
同时定义不同类样本间的离散程度表达式为：
Figure 360631DEST_PATH_IMAGE033
（7）
公式（7）中，
Figure 723479DEST_PATH_IMAGE034
表示振动信号不同类样本间的离散程度，
Figure 884202DEST_PATH_IMAGE029
为第
Figure 41514DEST_PATH_IMAGE030
类样本的数量，
Figure 897474DEST_PATH_IMAGE035
为 第
Figure 831057DEST_PATH_IMAGE030
类样本里第
Figure 315128DEST_PATH_IMAGE036
个样本的第
Figure 846604DEST_PATH_IMAGE032
维特征分量，
Figure 252177DEST_PATH_IMAGE037
为第
Figure 284724DEST_PATH_IMAGE036
类样本里第
Figure 593608DEST_PATH_IMAGE038
个样本的第
Figure 295985DEST_PATH_IMAGE032
维 特征分量；
根据公式（6）和公式(7)得到样本类别的可分离程度表达式为：
Figure 188855DEST_PATH_IMAGE039
（8）
公式（8）中，
Figure 759513DEST_PATH_IMAGE040
表示样本类别的可分离程度，当
Figure 421439DEST_PATH_IMAGE040
值越小时，说明样本类别的可分离程 度越高，对采集到的振动信号样本进行更好的分类，得到的分类结果更准确；
采用峭度描述处理分析后的振动信号：
Figure 29137DEST_PATH_IMAGE041
（9）
公式（9）中，
Figure 176347DEST_PATH_IMAGE042
表示生产设备所采集振动信号的峭度，
Figure 285118DEST_PATH_IMAGE043
表示振动信号在时域波形中离 散序列点的振动幅值，
Figure 67129DEST_PATH_IMAGE044
表示振动信号在时域波形中离散序列点的数量，
Figure 845729DEST_PATH_IMAGE045
表示振动信号 在时域波形中离散序列的平均幅值；卫生巾生产设备正常工作运行状态下，振动信号服从 正态分布，所得峭度值为3，峭度值大于3时，诊断卫生巾生产设备运行中开始出现故障，当 峭度值大于8时，诊断卫生巾生产设备运行中出现重大故障信息。
2.根据权利要求1所述的一种卫生巾生产设备运行状态故障诊断方法，其特征在于：
所述信号采集装置包括电源模块、传感器模块、信号滤波模块、信号放大模块、AD转换模块和无线传输模块；电源模块分别与传感器模块、信号滤波模块、信号放大模块、AD转换模块和无线传输模块相连接，传感器模块输出端与滤波模块输入端相连接，信号滤波模块输出端与信号放大模块输入端相连接，信号放大模块输出端与AD转换模块输入端相连接，AD转换模块输出端与无线传输模块输入端相连接；
所述电源模块为传感器模块、信号滤波模块、信号放大模块、AD转换模块和无线传输模块提供充足的电源，保障信号采集装置的正常运行；所述传感器模块的作用是采集卫生巾生产设备的振动信号；所述信号滤波模块的作用是对采集到的生产设备振动信号进行滤波去噪，还原生产设备运行状态下真实的振动信号；所述信号放大模块用来放大采集到的生产设备振动信号，经过降噪后的振动信号依然微小，所以需要进行信号放大调理，便于振动信号的特征向量提取；所述AD转换模块用于将放大调理后的振动信号模数转换成数字信号；所述无线传输模块用于完成信号采集装置和计算机之间的通信。
3.根据权利要求2所述的一种卫生巾生产设备运行状态故障诊断方法，其特征在于：
所述传感器模块至少应该包括以下之一：霍尔传感器、磁阻传感器、磁通门传感器、罗氏线圈传感器。
4.根据权利要求2所述的一种卫生巾生产设备运行状态故障诊断方法，其特征在于：
所述信号滤波模块采用小波阈值算法进行滤波去噪，对采集的含噪振动信号进行小波分解后，通过设置阈值将含噪部分去除。
5.根据权利要求2所述的一种卫生巾生产设备运行状态故障诊断方法，其特征在于：
所述信号放大模块的放大比例与电阻阻值成正比。
6.根据权利要求2所述的一种卫生巾生产设备运行状态故障诊断方法，其特征在于：
所述AD转换器采用4通道、12路AD转换器，将模拟信号转换成12路标准模拟数字信号输出，模拟数字信号输出精度大于0.2%。
7.根据权利要求2所述的一种卫生巾生产设备运行状态故障诊断方法，其特征在于：
所述无线传输模块采用基于GPRS的ZWG-23A通信模块进行数据传输，ZWG-23A采用分组交换模块，ZWG-23A通信模块提供TCP/IP连接和P2P通信的数据协议，采集的数据信息经过异步串口进入CPU，CPU通过分组交换的方式将数据发送到计算机。
8.根据权利要求1所述的一种卫生巾生产设备运行状态故障诊断方法，其特征在于：
所述计算机中的存储模块设置为对历史采集的卫生巾生产设备振动信号进行提取特征分类后进行存储。
CN202210993352.6A 2022-08-18 2022-08-18 一种卫生巾生产设备运行状态故障诊断方法 Active CN115081491B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210993352.6A CN115081491B (zh) 2022-08-18 2022-08-18 一种卫生巾生产设备运行状态故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210993352.6A CN115081491B (zh) 2022-08-18 2022-08-18 一种卫生巾生产设备运行状态故障诊断方法

Publications (2)

Publication Number Publication Date
CN115081491A CN115081491A (zh) 2022-09-20
CN115081491B true CN115081491B (zh) 2022-11-08

Family

ID=83244347

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210993352.6A Active CN115081491B (zh) 2022-08-18 2022-08-18 一种卫生巾生产设备运行状态故障诊断方法

Country Status (1)

Country Link
CN (1) CN115081491B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115358350A (zh) * 2022-10-19 2022-11-18 深圳市乐闵科技有限公司 一种纸尿裤生产设备异常报警方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106017879A (zh) * 2016-05-18 2016-10-12 河北工业大学 基于振声信号特征融合的万能式断路器机械故障诊断方法
CN113532848A (zh) * 2021-06-24 2021-10-22 南京工业大学 一种行星齿轮箱故障诊断系统

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7756649B2 (en) * 2007-09-06 2010-07-13 Schenck Rotec Gmbh Method for fault detection and diagnosis of a rotary machine
FR2925182B1 (fr) * 2007-12-18 2021-07-02 Airbus France Procede et dispositif de detection de pannes oscillatoires dans une chaine d'asservissement en position d'une gouverne d'aeronef.
CN111094927A (zh) * 2017-09-26 2020-05-01 舍弗勒技术股份两合公司 轴承故障诊断方法及装置、可读存储介质及电子设备
US20230184624A1 (en) * 2020-04-27 2023-06-15 Siemens Aktiengesellschaft Fault Diagnosis Method and Apparatus Therefor
CN111693311B (zh) * 2020-05-30 2022-05-10 杭州哲达科技股份有限公司 基于独立分量分析与相关性准则的旋转机械故障诊断方法
CN114742093A (zh) * 2022-03-16 2022-07-12 昆明理工大学 基于时频曲线提取和分类的滚动轴承故障诊断方法及装置

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106017879A (zh) * 2016-05-18 2016-10-12 河北工业大学 基于振声信号特征融合的万能式断路器机械故障诊断方法
CN113532848A (zh) * 2021-06-24 2021-10-22 南京工业大学 一种行星齿轮箱故障诊断系统

Also Published As

Publication number Publication date
CN115081491A (zh) 2022-09-20

Similar Documents

Publication Publication Date Title
CN110160791B (zh) 基于小波-谱峭度的感应电机轴承故障诊断系统及诊断方法
CN115081491B (zh) 一种卫生巾生产设备运行状态故障诊断方法
CN110231529A (zh) 一种控制柜智能故障诊断系统及故障诊断方法
CN113253705B (zh) 一种鼓风机的故障诊断方法及装置
CN103983881B (zh) 核探测器的故障诊断方法及装置
CN111382789A (zh) 基于机器学习的电力负荷识别方法及系统
CN113532848A (zh) 一种行星齿轮箱故障诊断系统
CN102914432A (zh) 一种检测机械故障的振动和声发射信号调理仪
CN111190104A (zh) 电机在线故障监测系统及其分析方法
CN110553789A (zh) 一种压阻式压力传感器的状态检测方法、装置及制动系统
CN114325361A (zh) 基于振动原理的变压器分接开关状态在线监测方法
CN110056640A (zh) 基于加速度信号和边缘计算的减速机无线故障诊断方法
CN115437358A (zh) 工业机器人智能状态监测与故障诊断系统及故障诊断方法
CN112861328B (zh) 一种基于随机响应信号的发电机阻尼评估装置及方法
CN202693764U (zh) 一种基于断路器动特性测试仪的断路器故障诊断装置
CN117176199A (zh) 一种hplc通信单元故障诊断方法及装置
CN209783910U (zh) 一种核电用泵轴承智能故障诊断系统
CN107704712A (zh) 基于全矢谱特征提取的机械故障诊断方法和系统
CN113032915B (zh) 一种制造装备主轴轴承健康状态评估方法及装置
CN115267417B (zh) 输电线路故障的精确定位方法及输电线路行波测量装置
CN112345648B (zh) 一种高压断路器凸轮裂纹故障检测装置及方法
CN112036270B (zh) 一种滚动轴承早期损伤状态的振动监测方法
CN113049251A (zh) 一种基于噪声的轴承故障诊断方法
CN111896871A (zh) 电机运行故障分析系统
CN113311332A (zh) 高速永磁同步电机永磁体退磁故障诊断装置及方法

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