CN115754010A - 机械密封环密封端面质量控制方法 - Google Patents
机械密封环密封端面质量控制方法 Download PDFInfo
- Publication number
- CN115754010A CN115754010A CN202211405694.8A CN202211405694A CN115754010A CN 115754010 A CN115754010 A CN 115754010A CN 202211405694 A CN202211405694 A CN 202211405694A CN 115754010 A CN115754010 A CN 115754010A
- Authority
- CN
- China
- Prior art keywords
- face
- sealing
- film thickness
- mechanical seal
- data
- 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
- 238000007789 sealing Methods 0.000 title claims abstract description 83
- 238000003908 quality control method Methods 0.000 title claims abstract description 17
- 238000000034 method Methods 0.000 claims abstract description 38
- 230000008569 process Effects 0.000 claims abstract description 21
- 238000012360 testing method Methods 0.000 claims abstract description 15
- 239000000523 sample Substances 0.000 claims description 23
- 230000000875 corresponding effect Effects 0.000 claims description 17
- 238000005070 sampling Methods 0.000 claims description 13
- 239000002184 metal Substances 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 12
- 239000013598 vector Substances 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 230000009467 reduction Effects 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000003909 pattern recognition Methods 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 6
- 230000001276 controlling effect Effects 0.000 claims description 5
- 230000001360 synchronised effect Effects 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 230000001143 conditioned effect Effects 0.000 claims description 3
- 239000004020 conductor Substances 0.000 claims description 3
- 230000002596 correlated effect Effects 0.000 claims description 3
- 238000005520 cutting process Methods 0.000 claims description 3
- 238000006073 displacement reaction Methods 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 230000006698 induction Effects 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000003825 pressing Methods 0.000 claims description 3
- 238000004080 punching Methods 0.000 claims description 3
- 238000013139 quantization Methods 0.000 claims description 3
- 238000001228 spectrum Methods 0.000 claims description 3
- 238000010183 spectrum analysis Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 14
- 238000012544 monitoring process Methods 0.000 abstract description 7
- 238000005299 abrasion Methods 0.000 abstract description 6
- 238000013528 artificial neural network Methods 0.000 abstract description 6
- 230000036541 health Effects 0.000 abstract description 6
- 239000012530 fluid Substances 0.000 abstract description 4
- 238000013210 evaluation model Methods 0.000 abstract description 3
- 238000011160 research Methods 0.000 abstract description 3
- 239000012528 membrane Substances 0.000 abstract description 2
- 230000009471 action Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011867 re-evaluation Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Landscapes
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
Abstract
本发明公开了机械密封环密封端面质量控制方法。本发明中，建了以电涡流、声发射和振动检测为主的机械密封信号监测系统；并根据技术路线，分别设计了针对密封开启过程、工作过程和磨损过程的数据采集试验。从而为进一步构建密封的端面健康评估模型提供数据支持，提高了对于该机械密封环密封端面质量检测时的数据精确性；随着密封端面的不断磨损，密封的开启转速和膜稳定参数将逐渐增加，利用以上信息来训练神经网络，则能有实现流体动压型机械密封的端面健康评估。试验中，两个密封环转速检测神经网络在总体上都表现出了较好的识别率，从而提高了对于密封端面质量控制检测时的全面性，同时也为后续的试验研究过程提供了良好的数据支撑。
Description
技术领域
本发明属于机械密封技术领域，具体为机械密封环密封端面质量控制方法。
背景技术
机械密封是指由至少一对垂直于旋转轴线端面在流体压力和补偿机构弹力(或磁力)的作用下以及辅助密封的配合下保持贴合且相对滑动所构成的防止流体泄漏的装置。机械密封的过程中需要用到机械密封环。
机械密封环在生产时需要对其进行端面质量控制检测，但是常见的检测方法精度不够高。
发明内容
本发明的目的在于：为了解决上述提出的问题，提供机械密封环密封端面质量控制方法。
本发明采用的技术方案如下：机械密封环密封端面质量控制方法，其特征在于：所述机械密封环密封端面质量控制方法包括以下步骤：
S1:先进行传感器的按，安装电涡流传感器是基于被测导体在磁场中切割磁感线所产生的漩涡状感应电流来测定密封环两个端面之间的距离；由于该传感器所检测的对象必须是金属，且测量时不能直接对密封环端面造成破坏
S2:进行声发射传感器的安装，将其中一个声发射传感器安装在密封腔前端，距离密封端面较近；而将另一个传感器安装在密封腔侧沿，距离密封端面较远；
S3:首先利用电涡流、声发射和振动传感器对机械密封进行多通道同步信息采集，接着再将各传感器所检测信号通过信号调理仪放大，最后再将调理后的信号通过不同频率的数据采集卡传入至工控机；
S4:进行信号的抽取；从三种膜厚状态的声发射信号组中，按照所给压力的不同合主轴转速的不断增加，均匀地抽取60个数据包，保证每个数据包都包括连续采样得到的30万个点；接下来平均把数据包分成三段(为减少庞大的计算量，在接下来DHMM中我们将把这三段作为DHMM的帧数，即60个样本，每组分成3帧；每种状态则有180个数据段，即180个初始样本，之后对数据进行先进行零均值化处理，又叫做中心化处理；
S5:进行频域分析特征提取；经过频谱分析，能直观看到信号在频谱图上的频率分布情况、各个谐波幅值大小、相位等其他基本参数，此后就可以通过一定的计算方法来得到如功率、能量等值来反映频谱结构的特征参数；
S6:对得到的特征参数向量进行降维优化处理，剔除特征向量参数中相互关联的子集，减少模式识别训练运算难度，提高膜厚状态识别精度；
S7:开始进行密封环转速检测，先进行信号的分帧处理；将采集的机械密封数据均匀划分为T段，每一段对应各时刻的观测值，这样O＝{D1，D2，03，...q)就成为一个观察序列；每个膜厚状态样本的300000个采样数据点分成3帧，则帧长为100000；这样就将每种膜厚状态对应的采样样本分成短序列，然后对每帧分别提取特征参数，就得到了每帧的特征值，假设第n帧信号的特征参数为On，再将各帧的特征值参数向量汇总为观察值序列D＝(q1，q2，q3)；
S8:到足够的观测值的样本的序列后，针对算法存在的下溢的问题，采用改进后的公式重估模型，得各状态的HMM模型对应的参数；然后(2)得到的得数据建立三种机械密封膜厚状态的HMM模型；
S9:运用Viterbi算法具有的概率推理的能力，把测试用的膜厚状态样本输入三种机械密封膜厚状态对应的DHMM模型，将概率取最大值对应的模型的状态作为识别的状态。
在一优选的实施方式中，所述步骤S1中，首先在密封副的内径各镶嵌一个金属环，并将金属环表面与密封端面一齐磨平；接着再在静环内嵌的金属环上打上通孔，并将电涡流传感器的探头从小孔处伸入；该传感器的型号为KD2306，量程为0.5mm，分辨率为0.1μm，非线性程度小于1％，频率响应为0～50kHz。
在一优选的实施方式中，所述步骤S2中传感器的型号为8152B12SP，响应频率为50～400kHz。
在一优选的实施方式中，所述步骤S3中，声发射信号选用高频数据采集卡，其采样频率设为1MHz；电涡流和振动信号选用低频数据采集卡。
在一优选的实施方式中，所述步骤S3中，进行信号的抽取的同时，在采用模式识别工具对不同机械密封膜厚状态进行识别时。
在一优选的实施方式中，所述步骤S6中，选取了样本中不相关子集来替代原数据样本，从而实现原数据样本降维。
在一优选的实施方式中，所述步骤S7中，需要进行特征矢量的标量量化，第一步是把信号幅值或信号特征值细分成1个区域，第二步把各个区域数值通过映射成为Ⅳ离散值，从而得到DHMM训练码本。
在一优选的实施方式中，所述步骤S8中，在机械密封膜厚状态识别模型建立的过程中，将不同的膜厚状态形成左右型的HMM结构。
在一优选的实施方式中，所述步骤S8中，对机械密封各膜厚状态进行重复样本数据采集，计算各帧信号特征值，然后KPCA降维。
在一优选的实施方式中，所述步骤S4中，需要对信号进行预处理，首先求取电涡流信号的有效上下界，接着再计算两条界线的平均值以作为该信号的有效输出；再将得到的估计值转化为位移，即可得到机械密封的真实膜厚曲线。
综上所述，由于采用了上述技术方案，本发明的有益效果是：
1、本发明中，以流体动压型机械密封中的液膜密封为监测对象，搭建了以电涡流、声发射和振动检测为主的机械密封信号监测系统；并根据技术路线，分别设计了针对密封开启过程、工作过程和磨损过程的数据采集试验。从而为进一步构建密封的端面健康评估模型提供数据支持，提高了对于该机械密封环密封端面质量检测时的数据精确性。
2、本发明中，电涡流和声发射组成的实验平台，由软硬件平台实现监测信号的采集、传输以及存储，按照一定范围的压强和转速启停设备，进行实验数据的采集。电涡流直接测量膜厚信息来指导声发射间接反映膜厚信息的信号，将声发射信号按照膜厚的不同分成三种状态。随着密封端面的不断磨损，密封的开启转速和膜稳定参数将逐渐增加，利用以上信息来训练神经网络，则能有实现流体动压型机械密封的端面健康评估。试验中，两个密封环转速检测神经网络在总体上都表现出了较好的识别率，从而提高了对于密封端面质量控制检测时的全面性，同时也为后续的试验研究过程提供了良好的数据支撑。
附图说明
图1为本发明的流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
参照图1，
机械密封环密封端面质量控制方法，所述机械密封环密封端面质量控制方法包括以下步骤：
S1:先进行传感器的按，安装电涡流传感器是基于被测导体在磁场中切割磁感线所产生的漩涡状感应电流来测定密封环两个端面之间的距离；由于该传感器所检测的对象必须是金属，且测量时不能直接对密封环端面造成破坏
S2:进行声发射传感器的安装，将其中一个声发射传感器安装在密封腔前端，距离密封端面较近；而将另一个传感器安装在密封腔侧沿，距离密封端面较远；
S3:首先利用电涡流、声发射和振动传感器对机械密封进行多通道同步信息采集，接着再将各传感器所检测信号通过信号调理仪放大，最后再将调理后的信号通过不同频率的数据采集卡传入至工控机；
S4:进行信号的抽取；从三种膜厚状态的声发射信号组中，按照所给压力的不同合主轴转速的不断增加，均匀地抽取60个数据包，保证每个数据包都包括连续采样得到的30万个点；接下来平均把数据包分成三段(为减少庞大的计算量，在接下来DHMM中我们将把这三段作为DHMM的帧数，即60个样本，每组分成3帧；每种状态则有180个数据段，即180个初始样本，之后对数据进行先进行零均值化处理，又叫做中心化处理；
S5:进行频域分析特征提取；经过频谱分析，能直观看到信号在频谱图上的频率分布情况、各个谐波幅值大小、相位等其他基本参数，此后就可以通过一定的计算方法来得到如功率、能量等值来反映频谱结构的特征参数；
S6:对得到的特征参数向量进行降维优化处理，剔除特征向量参数中相互关联的子集，减少模式识别训练运算难度，提高膜厚状态识别精度；
S7:开始进行密封环转速检测，先进行信号的分帧处理；将采集的机械密封数据均匀划分为T段，每一段对应各时刻的观测值，这样O＝{D1，D2，03，...q)就成为一个观察序列；每个膜厚状态样本的300000个采样数据点分成3帧，则帧长为100000；这样就将每种膜厚状态对应的采样样本分成短序列，然后对每帧分别提取特征参数，就得到了每帧的特征值，假设第n帧信号的特征参数为On，再将各帧的特征值参数向量汇总为观察值序列D＝(q1，q2，q3)；
S8:到足够的观测值的样本的序列后，针对算法存在的下溢的问题，采用改进后的公式重估模型，得各状态的HMM模型对应的参数；然后(2)得到的得数据建立三种机械密封膜厚状态的HMM模型；
S9:运用Viterbi算法具有的概率推理的能力，把测试用的膜厚状态样本输入三种机械密封膜厚状态对应的DHMM模型，将概率取最大值对应的模型的状态作为识别的状态。
所述步骤S1中，首先在密封副的内径各镶嵌一个金属环，并将金属环表面与密封端面一齐磨平；接着再在静环内嵌的金属环上打上通孔，并将电涡流传感器的探头从小孔处伸入；该传感器的型号为KD2306，量程为0.5mm，分辨率为0.1μm，非线性程度小于1％，频率响应为0～50kHz。
所述步骤S2中传感器的型号为8152B12SP，响应频率为50～400kHz。
所述步骤S3中，声发射信号选用高频数据采集卡，其采样频率设为1MHz；电涡流和振动信号选用低频数据采集卡，其采样频率设为10kHz；试验时，在工控机上通过Labview编程调用采集卡驱动，从而实现上述信号的同步采集。
所述步骤S3中，进行信号的抽取的同时，在采用模式识别工具对不同机械密封膜厚状态进行识别时，如果直接采用原始数据进行分类识别，具有输入数据量大，没有针对性，运算时间长等缺点，因此需要对原始数据进行时频域分析，得到反映原始数据信息的特征参数，实现了数据维度的减少，为后续模式识别提供便利。
所述步骤S6中，研究原始数据样本之间的相关性，通过二阶统计方法，以保留原来数据所体现的统计信息为前提，选取了样本中不相关子集来替代原数据样本，从而实现原数据样本降维。
所述步骤S7中，需要进行特征矢量的标量量化，第一步是把信号幅值或信号特征值细分成1个区域，第二步把各个区域数值通过映射成为Ⅳ离散值，从而得到DHMM训练码本。
所述步骤S8中，在机械密封膜厚状态识别模型建立的过程中，将不同的膜厚状态形成左右型的HMM结构；由于机械密封的膜厚状态随着时间变化而变化，但是左右型式的HMM模型不能只用单一观测样本的序列训练，模型的内部的状态只能用少许观测值来表示，因此所得观测样本的序列不是很完整，对参数的重新评估不利；为了确保DHMM模型鲁棒性，须有够多的各膜厚状态的数据，然后运用多观测值的序列，得到特征参数，再运用B.W算法重估对型，从而得到更好的模型的参数。
所述步骤S8中，对机械密封各膜厚状态进行重复样本数据采集，计算各帧信号特征值，然后KPCA降维；运用Viterbi算法具有的概率推理的能力，把测试用的膜厚状态样本输入三种机械密封膜厚状态对应的DHMM模型，将概率取最大值对应的模型的状态作为识别的状态。
所述步骤S4中，需要对信号进行预处理，首先求取电涡流信号的有效上下界，接着再计算两条界线的平均值以作为该信号的有效输出；再将得到的估计值转化为位移，即可得到机械密封的真实膜厚曲线；须要注意的是，实际处理所得到的膜厚曲线并不会平滑，这是由于在求取信号的有效界线时，通过极值法所得到的插值点未必都位于锯齿的波峰或者波谷。
本发明中，以流体动压型机械密封中的液膜密封为监测对象，搭建了以电涡流、声发射和振动检测为主的机械密封信号监测系统；并根据技术路线，分别设计了针对密封开启过程、工作过程和磨损过程的数据采集试验。从而为进一步构建密封的端面健康评估模型提供数据支持，提高了对于该机械密封环密封端面质量检测时的数据精确性。
本发明中，电涡流和声发射组成的实验平台，由软硬件平台实现监测信号的采集、传输以及存储，按照一定范围的压强和转速启停设备，进行实验数据的采集。电涡流直接测量膜厚信息来指导声发射间接反映膜厚信息的信号，将声发射信号按照膜厚的不同分成三种状态。随着密封端面的不断磨损，密封的开启转速和膜稳定参数将逐渐增加，利用以上信息来训练神经网络，则能有实现流体动压型机械密封的端面健康评估。试验中，两个密封环转速检测神经网络在总体上都表现出了较好的识别率，从而提高了对于密封端面质量控制检测时的全面性，同时也为后续的试验研究过程提供了良好的数据支撑。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.机械密封环密封端面质量控制方法，其特征在于：所述机械密封环密封端面质量控制方法包括以下步骤：
S1:先进行传感器的按，安装电涡流传感器是基于被测导体在磁场中切割磁感线所产生的漩涡状感应电流来测定密封环两个端面之间的距离；由于该传感器所检测的对象必须是金属，且测量时不能直接对密封环端面造成破坏
S2:进行声发射传感器的安装，将其中一个声发射传感器安装在密封腔前端，距离密封端面较近；而将另一个传感器安装在密封腔侧沿，距离密封端面较远；
S3:首先利用电涡流、声发射和振动传感器对机械密封进行多通道同步信息采集，接着再将各传感器所检测信号通过信号调理仪放大，最后再将调理后的信号通过不同频率的数据采集卡传入至工控机；
S4:进行信号的抽取；从三种膜厚状态的声发射信号组中，按照所给压力的不同合主轴转速的不断增加，均匀地抽取60个数据包，保证每个数据包都包括连续采样得到的30万个点；接下来平均把数据包分成三段(为减少庞大的计算量，在接下来DHMM中我们将把这三段作为DHMM的帧数，即60个样本，每组分成3帧；每种状态则有180个数据段，即180个初始样本，之后对数据进行先进行零均值化处理，又叫做中心化处理；
S5:进行频域分析特征提取；经过频谱分析，能直观看到信号在频谱图上的频率分布情况、各个谐波幅值大小、相位等其他基本参数，此后就可以通过一定的计算方法来得到如功率、能量等值来反映频谱结构的特征参数；
S6:对得到的特征参数向量进行降维优化处理，剔除特征向量参数中相互关联的子集，减少模式识别训练运算难度，提高膜厚状态识别精度；
S7:开始进行密封环转速检测，先进行信号的分帧处理；将采集的机械密封数据均匀划分为T段，每一段对应各时刻的观测值，这样O＝{D1，D2，03，...q)就成为一个观察序列；每个膜厚状态样本的300000个采样数据点分成3帧，则帧长为100000；这样就将每种膜厚状态对应的采样样本分成短序列，然后对每帧分别提取特征参数，就得到了每帧的特征值，假设第n帧信号的特征参数为On，再将各帧的特征值参数向量汇总为观察值序列D＝(q1，q2，q3)；
S8:到足够的观测值的样本的序列后，针对算法存在的下溢的问题，采用改进后的公式重估模型，得各状态的HMM模型对应的参数；然后(2)得到的得数据建立三种机械密封膜厚状态的HMM模型；
S9:运用Viterbi算法具有的概率推理的能力，把测试用的膜厚状态样本输入三种机械密封膜厚状态对应的DHMM模型，将概率取最大值对应的模型的状态作为识别的状态。
2.如权利要求1所述的机械密封环密封端面质量控制方法，其特征在于：所述步骤S1中，首先在密封副的内径各镶嵌一个金属环，并将金属环表面与密封端面一齐磨平；接着再在静环内嵌的金属环上打上通孔，并将电涡流传感器的探头从小孔处伸入；该传感器的型号为KD2306，量程为0.5mm，分辨率为0.1μm，非线性程度小于1％，频率响应为0～50kHz。
3.如权利要求1所述的机械密封环密封端面质量控制方法，其特征在于：所述步骤S2中传感器的型号为8152B12SP，响应频率为50～400kHz。
4.如权利要求1所述的机械密封环密封端面质量控制方法，其特征在于：所述步骤S3中，声发射信号选用高频数据采集卡，其采样频率设为1MHz；电涡流和振动信号选用低频数据采集卡。
5.如权利要求1所述的机械密封环密封端面质量控制方法，其特征在于：所述步骤S3中，进行信号的抽取的同时，采用模式识别工具对不同机械密封膜厚状态进行识别。
6.如权利要求1所述的机械密封环密封端面质量控制方法，其特征在于：所述步骤S6中，选取了样本中不相关子集来替代原数据样本，从而实现原数据样本降维。
7.如权利要求1所述的机械密封环密封端面质量控制方法，其特征在于：所述步骤S7中，需要进行特征矢量的标量量化，第一步是把信号幅值或信号特征值细分成1个区域，第二步把各个区域数值通过映射成为Ⅳ离散值，从而得到DHMM训练码本。
8.如权利要求1所述的机械密封环密封端面质量控制方法，其特征在于：所述步骤S8中，在机械密封膜厚状态识别模型建立的过程中，将不同的膜厚状态形成左右型的HMM结构。
9.如权利要求1所述的机械密封环密封端面质量控制方法，其特征在于：所述步骤S8中，对机械密封各膜厚状态进行重复样本数据采集，计算各帧信号特征值，然后KPCA降维；运用Viterbi算法具有的概率推理的能力，把测试用的膜厚状态样本输入三种机械密封膜厚状态对应的DHMM模型，将概率取最大值对应的模型的状态作为识别的状态。
10.如权利要求1所述的机械密封环密封端面质量控制方法，其特征在于：所述步骤S4中，需要对信号进行预处理，首先求取电涡流信号的有效上下界，接着再计算两条界线的平均值以作为该信号的有效输出；再将得到的估计值转化为位移，即可得到机械密封的真实膜厚曲线。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211405694.8A CN115754010B (zh) | 2022-11-10 | 2022-11-10 | 机械密封环密封端面质量控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211405694.8A CN115754010B (zh) | 2022-11-10 | 2022-11-10 | 机械密封环密封端面质量控制方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115754010A true CN115754010A (zh) | 2023-03-07 |
| CN115754010B CN115754010B (zh) | 2024-04-09 |
Family
ID=85369039
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211405694.8A Active CN115754010B (zh) | 2022-11-10 | 2022-11-10 | 机械密封环密封端面质量控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115754010B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116989937A (zh) * | 2023-09-25 | 2023-11-03 | 苏州俊煌机械科技有限公司 | 一种机械密封件的检测方法及装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108869750A (zh) * | 2018-08-16 | 2018-11-23 | 清华大学 | 可监测型机械密封装置 |
| CN109099964A (zh) * | 2018-07-11 | 2018-12-28 | 西南交通大学 | 机械密封端面状态监测方法 |
| CN109186975A (zh) * | 2018-08-22 | 2019-01-11 | 四川日机密封件股份有限公司 | 一种流体动压型密封端面开启转速检测方法 |
| CN111652461A (zh) * | 2020-04-13 | 2020-09-11 | 北京航空航天大学 | 基于sae-hmm的航空发动机连续健康状态评估方法 |
| WO2020220439A1 (zh) * | 2019-04-29 | 2020-11-05 | 东北大学 | 基于深度神经网络的高速公路交通流量状态识别方法 |
-
2022
- 2022-11-10 CN CN202211405694.8A patent/CN115754010B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109099964A (zh) * | 2018-07-11 | 2018-12-28 | 西南交通大学 | 机械密封端面状态监测方法 |
| CN108869750A (zh) * | 2018-08-16 | 2018-11-23 | 清华大学 | 可监测型机械密封装置 |
| CN109186975A (zh) * | 2018-08-22 | 2019-01-11 | 四川日机密封件股份有限公司 | 一种流体动压型密封端面开启转速检测方法 |
| WO2020220439A1 (zh) * | 2019-04-29 | 2020-11-05 | 东北大学 | 基于深度神经网络的高速公路交通流量状态识别方法 |
| CN111652461A (zh) * | 2020-04-13 | 2020-09-11 | 北京航空航天大学 | 基于sae-hmm的航空发动机连续健康状态评估方法 |
Non-Patent Citations (1)
| Title |
|---|
| 张菲;傅攀;樊巍;: "基于DHMM的机械密封端面膜厚识别技术的研究", 流体机械, no. 03, 31 March 2016 (2016-03-31) * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116989937A (zh) * | 2023-09-25 | 2023-11-03 | 苏州俊煌机械科技有限公司 | 一种机械密封件的检测方法及装置 |
| CN116989937B (zh) * | 2023-09-25 | 2023-12-22 | 苏州俊煌机械科技有限公司 | 一种机械密封件的检测方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115754010B (zh) | 2024-04-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109682561B (zh) | 一种自动检测高速铁路桥梁自由振动响应以识别模态的方法 | |
| TWI587294B (zh) | 設備異音的檢測方法及檢測裝置 | |
| KR20180125285A (ko) | 볼트 축력 측정방법 | |
| CN106247173B (zh) | 管道泄漏检测的方法及装置 | |
| CN109190272B (zh) | 基于弹性波和机器学习的混凝土结构缺陷检测方法 | |
| 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 | |
| CN113947017A (zh) | 一种滚动轴承剩余使用寿命预测方法 | |
| CN115754010A (zh) | 机械密封环密封端面质量控制方法 | |
| US20210208021A1 (en) | Multi-Scale Real-time Monitoring and Analysis Method for Mechanical Seal | |
| CN112157368B (zh) | 一种激光非熔透焊接焊缝熔深无损检测方法 | |
| CN108181059B (zh) | 基于小波信号的多相流管道泄漏声波信号识别方法 | |
| CN103203670B (zh) | 基于最大信息熵与方向散度的磨削颤振预测方法 | |
| Li et al. | Leakage detection of HVAC pipeline network based on pressure signal diagnosis | |
| CN117606577B (zh) | 一种再生水和自来水切换流量实时监测方法及系统 | |
| CN114414659B (zh) | 基于频率融合的非线性超声导波无参损伤识别方法及系统 | |
| CN103630604B (zh) | 离心式压缩机半开式叶轮裂纹故障识别方法 | |
| CN115144259B (zh) | 一种钢材抗形变性能检测方法及系统 | |
| JP2009041978A (ja) | 打音解析による健全性診断方法 | |
| CN108021725B (zh) | 确定电功图数据中抽油机换向点位置的方法 | |
| CN108646248A (zh) | 一种针对低速运动声源的被动声学测速测距方法 | |
| CN109855578B (zh) | 一种基于表面形貌粗糙度的工件内部缺陷检测方法 | |
| Harsch et al. | Estimation of Cavitation Erosion Damage with Anomaly Detection Neural Networks | |
| Liu et al. | Signal feature extraction and quantitative evaluation of metal magnetic memory testing for oil well casing based on data preprocessing technique | |
| Shi et al. | Wavelet De-Noising Method Analysis of Pipeline Magnetic Flux Leakage In-Line Inspection Based on Coefficient of Variation | |
| CN117074291B (zh) | 一种非接触式纹理摩擦预测方法 |
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 |