CN116484263B - 一种智能化自助机故障检测系统及方法 - Google Patents
一种智能化自助机故障检测系统及方法 Download PDFInfo
- Publication number
- CN116484263B CN116484263B CN202310518105.5A CN202310518105A CN116484263B CN 116484263 B CN116484263 B CN 116484263B CN 202310518105 A CN202310518105 A CN 202310518105A CN 116484263 B CN116484263 B CN 116484263B
- Authority
- CN
- China
- Prior art keywords
- fault
- self
- service machine
- point
- marking
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 90
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000001228 spectrum Methods 0.000 claims abstract description 72
- 230000004927 fusion Effects 0.000 claims abstract description 45
- 230000002159 abnormal effect Effects 0.000 claims abstract description 44
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 22
- 230000009467 reduction Effects 0.000 claims abstract description 22
- 238000001914 filtration Methods 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims description 65
- 230000006870 function Effects 0.000 claims description 36
- 230000005856 abnormality Effects 0.000 claims description 20
- 230000003595 spectral effect Effects 0.000 claims description 14
- 238000004458 analytical method Methods 0.000 claims description 12
- 238000012417 linear regression Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 10
- 230000007774 longterm Effects 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 6
- 230000010354 integration Effects 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 238000005065 mining Methods 0.000 abstract 1
- 238000012423 maintenance Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000005094 computer simulation Methods 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/04—Bearings
- G01M13/045—Acoustic or vibration analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06F2218/04—Denoising
- G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
-
- 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)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Acoustics & Sound (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明属于自助检测技术领域,本发明公开了一种智能化自助机故障检测系统及方法,包括以下步骤:实时检测智能化自助机在工作状态下的振动频率值并分析获得故障参考点;对时长性异常的所述故障参考点生成故障预警指令;对所述故障预警指令构建故障‑故障原因二分图,获得可能的故障原因;利用功率谱密度函数提取故障参数数据集的故障特征,将所述故障特征点结合最佳窄带滤波检测方法确定自助机的故障谱特征量;并采用小波降噪算法,得到自助机故障挖掘输出的融合特征解,所述融合特征解为自助机故障接近真实的故障原因;根据融合特征解,重新调二分图中的每条边权值,选取最大的权值对应的故障原因作为自助机故障的真实原因。
Description
技术领域
本发明涉及自助检测技术领域,更具体地说,本发明涉及一种智能化自助机故障检测系统及方法。
背景技术
自助机作为一种自助式的终端设备,如社保制卡机,可以提高服务效率,降低人工成本,方便用户进行自助操作,可以提供各种服务和功能,以便用户自行操作完成。随着自助机的广泛使用,当前自助机故障包括自助机缺纸、自助机卡纸、值机软件运行异常、设备断网、电脑死机等。自助机故障后将不能使用,值机软件为了避免操作人员在不知情的情况下继续使用机器而耽误时间,自带了故障诊断和提示功能。
系统各硬件部分采用各种传感器、数据采集器和信号处理技术,可以实时监测设备运行状态和性能参数,从而更加准确地诊断设备故障。例如,授权公告号:CN113834657B,专利名称:一种基于改进MSET及频谱特征的轴承故障预警及诊断方法种公开了在缺乏故障数据或在仅存在少量正常状态数据的条件下,完成对轴承的故障预警工作。建立正常运行状态空间,利用状态向量与估计向量、状态向量与正常空间矩阵所构成的相似度模型,并结合监测阈值完成预警决策。
当前一般都是通过采集自助机在工作状态下的振动频率值反馈分析自助机的状态,从而分析自助机的故障原因,而且大多都是在故障发生以后才能发现,不能实时有效的监测自助机的运行状态,自助机的在线检测智能化程度不高,无法及时监控障碍原因,预测能力不够准确;而且一旦自助机出现障碍造成停机,相应的给现场工作人员增加工作量,且给操作人员带来不便,而检修人员到达现场后,还是需要对故障原因进行分析,反复提取数据库中的检测参数,降低自助机系统安全性,甚至还需要搭建其他的连接方式,必须要暂停自助机的运行,增加了维护管理成本。
鉴于此,本申请发明人发明了一种智能化自助机故障检测系统及方法,可提高对自助机的故障检测精确度。
发明内容
为了克服现有技术的上述缺陷,本发明的实施例提供一种智能化自助机故障检测系统及方法。
为实现上述目的,本发明提供如下技术方案:一种智能化自助机故障检测方法,包括以下步骤:
S1:实时检测智能化自助机在工作状态下的振动频率值,将振动频率值和对应电机的频率阈值进行比较,判定是否将所述振动频率值对应的电机故障点标记为故障参考点,所述标记为故障参考点对应的标记时间为t时刻;
S2:获取t时刻后w个连续时段对应的故障参考点的数量,对所述故障参考点的数量进行分析,判断所述故障参考点为偶发性异常或时长性异常,将所述时长性异常对应的所述故障参考点标记为第一故障点,对所述第一故障点生成故障预警指令;
S3:根据所述故障预警指令对所述第一故障点进行故障-故障原因二分图的构建,根据故障-故障原因二分图获得所述第一故障点的可能故障原因;
S4:对所述第一故障点构建故障参数数据集,将所述故障参数数据集代入功率谱密度函数中,功率谱密度函数对所述故障参数的频率方向进行积分处理,根据频率方向积分处理结果对所述第一故障点提取所述故障参数数据集的故障特征点,将所述故障特征点结合最佳窄带滤波检测方法确定自助机的故障谱特征量;
S5:将所述自助机的故障谱特征量通过小波降噪算法计算得到自助机故障检测的扩频参数;通过自助机故障检测的扩频参数对自助机故障再次进行检测,根据再次进行检测后的检测结果确定自助机故障特征的分布情况,将所述自助机故障特征的分布情况通过线性回归得到自助机的融合特征解,所述融合特征解为自助机故障接近真实的故障原因;
S6:根据所述自助机的融合特征解,重新调整故障-故障原因二分图中的每条边权值lm,n,选取最大的权值lm,n,最大的权值lm,n对应的故障原因是自助机故障的真实原因。
优选地,判定是否将所述振动频率值对应的电机故障点标记为故障参考点包括:
若所述振动频率值大于频率阈值,则将所述振动频率值对应的电机故障点标记为故障参考点;
若所述振动频率值小于等于频率阈值,则不将所述振动频率值对应的电机故障点标记为故障参考点
优选地,判断所述故障参考点为偶发性异常或时长性异常的逻辑为:
获取t时刻后w个连续时段对应的故障参考点的数量,w为大于1的整数,连续时段的时长是相同的,将w个连续时段所有故障参考点的数量标记为i,i为大于1的整数,将w个连续时段对应的故障参考点的数量依次与预设的故障参考点数量阈值进行比对分析;
若任一时段对应的故障参考点数量小于故障参考点数量阈值,则将对应的时段标记为正常时段;若任一时段对应的故障参考点数量大于或等于故障参考点数量阈值,则将对应的时段标记为异常时段;
将标记为异常时段的故障参考点数量与i个故障参考点数量的比值标记为反常比,将w个连续时段对应的所有故障参考点的数量建立故障参考点数量的数据集,计算数据集的标准差,将反常比小于或等于预设异常阈值标记为A情况,将反常比大于预设异常阈值标记为B情况,将标准差小于或等于预设标准差阈值标记为C情况,将标准差大于预设标准差阈值标记为D情况;
将同时具有A情况与C情况的故障参考点标记为偶发性异常;
将除同时具有A情况与C情况的以外的任一情况的故障参考点标记为时长性异常。
优选地,步骤S3中对二分图建模的方法为:
二分图建模表示为G=(V,S,E),其中V表示自助机故障检测中请求接入所述第一故障点的故障集合,S表示故障相近的故障原因集合,共有m个故障和n个相近的故障原因,E表示故障和故障原因之间可选链路的集合,可选链路为二分图中的边e=(v,s),e∈E,v∈V,s∈S,每条边都有权值lm,n,边的权值lm,n为匹配度。
优选地,所述自助机的故障谱特征量的生成逻辑为:
S41:根据故障预警指令获取本次异常的所有第一故障点,所述第一故障点标记为k,k={1,2,2......m},m为大于等于1的整数,每个所述第一故障点对应的振动频率值标记为故障参数Ck,收集所有的故障参数Ck,并构建故障参数数据集,所述故障参数数据集为B=(C1,C2,C3,......Ck);
S42:将所述故障参数数据集代入功率谱密度函数中,功率谱密度函数对所述故障参数的频率方向进行积分处理,根据频率方向积分处理结果对所述第一故障点提取所述故障参数数据集的故障特征点;
S43:所述故障参数数据集的故障特征点结合最佳窄带滤波检测方法确定自助机的故障谱特征量具体公式为:
其中,bk表示一零均值复高斯随机过程;Ck表示自助机对应第一故障点k的故障参数;F(t)表示检测中故障动态变化模糊迭代函数。
优选地,对所述自助机的故障谱特征量的分析逻辑包括:
S51:所述自助机的故障谱特征量通过小波降噪算法计算得到自助机故障的扩频参数;具体公式为:
其中:U为扩频参数;Ck表示自助机对应第一故障点k的故障参数,ek为第一故障点k对应的权重,T为第一故障点k的运行时长,w(t)为第一故障点k的特征分布密度;特征分布密度由当前故障振动频率对应的故障特征的密度大小,由计算机计算获得;
S52:通过自助机故障检测的扩频参数对自助机故障再次进行检测,根据再次进行检测后的检测结果确定自助机故障特征的分布情况,将所述自助机故障特征的分布情况通过线性回归得到自助机的融合特征解。
优选地,对融合特征解的处理还包括以下步骤:
对融合特征解进行归一化处理;
利用小波降噪算法训练结果学习逼近,从而获取更新后的融合特征解;
根据更新后的融合特征解,设定故障-故障原因二分图的权值lm,n的偏差阈值;
对所述权值lm,n和其对应的偏差阈值进行对比分析;若权值lm,n大于偏差阈值,则进一步修正权值lm,n,直至权值lm,n小于或等于偏差阈值;若权值lm,n小于或等于偏差阈值,则输出权值lm,n。
一种智能化自助机故障检测系统,包括振动频率信号检测模块、第一处理模块、第二处理模块和第三处理模块;
振动频率信号检测模块,实时检测智能化自助机在工作状态下的振动频率值;并将振动频率值传送至第一处理模块进行分析处理;
第一处理模块,将振动频率值和对应电机的频率阈值进行比较,判定是否将所述振动频率值对应的电机故障点标记为故障参考点,所述标记为故障参考点对应的标记时间为t时刻;
获取t时刻后w个连续时段对应的故障参考点的数量,对所述故障参考点的数量进行分析,判断所述故障参考点为偶发性异常或时长性异常,将所述时长性异常对应的所述故障参考点标记为第一故障点,对所述第一故障点生成故障预警指令;将故障预警指令发送至第二处理模块和第三处理模块;
第二处理模块,接收故障预警指令,根据所述故障预警指令对所述第一故障点进行故障-故障原因二分图的构建,根据故障-故障原因二分图获得所述第一故障点的可能故障原因;将可能的故障原因发送至第三处理模块;
第三处理模块,接收故障预警指令、所述故障预警指令对应的第一故障点以及与所述第一故障点最大匹配度的故障原因;
根据所述第一故障点构建故障参数数据集;将所述故障参数数据集代入功率谱密度函数中,功率谱密度函数对所述故障参数的频率方向进行积分处理,根据频率方向积分处理结果对所述第一故障点提取所述故障参数数据集的故障特征点,将所述故障特征点结合最佳窄带滤波检测方法确定自助机的故障谱特征量;
将所述自助机的故障谱特征量通过小波降噪算法计算得到自助机故障检测的扩频参数;通过自助机故障检测的扩频参数对自助机故障再次进行检测,根据再次进行检测后的检测结果确定自助机故障特征的分布情况,将所述自助机故障特征的分布情况通过线性回归得到自助机的融合特征解,所述融合特征解为自助机故障接近真实的故障原因;
第三处理模块,根据自助机的融合特征解,重新调整故障-故障原因二分图中的每条边权值lm,n,选取最大的权值lm,n对应的故障原因为自助机故障的真实原因。
本发明一种智能化自助机故障检测系统及方法的技术效果和优点:
本发明通过对自助机运行设备的振动频率信号进行分析处理,能够安全、可靠地监测自助机的运行状态,适合自助机的在线检测,而且没有搭建其他的连接方式,对整个自助系统的正常运行无任何影响,具有较强的抗干扰能力和灵敏度,适宜对各种类型的自助机远程监控预测障碍检测。
附图说明
图1为本发明的自助机故障检测系统示意图;
图2为本发明的自助机故障检测方法流程图;
图3为本发明故障-故障原因二分图模型示意图;
图4为本发明的自助机故障工况频谱数据图;
图5为本发明的自助机故障特征提取示意图。
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一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动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。
一、关于造成自助机振动或异响的原因
自助机在运行的过程中,其导体和外壳都有自身的振动频率,在正常情况下,其自身的振动和声音都在正常的范围内,当自助机内部有缺陷时,就会导致异常振动或异音的出现,如果缺陷不消除,可能会导致自助机损坏隔离开关、断路器、互感器和电力变压器,影响电力设备和系统的正常安全运行并造成严重后果。
在对监测数据进行分析和处理的基础上,确定自助机的实际运行状态,便于合理安排维修周期,控制过剩维修而造成的费用增加的情况,防止不足维修而导致的故障发生,对防止预伏性故障和保证自助机系统的安全、经济与可靠运行,具有重要意义。
二、关于常见异常振动频率信号分析
自助机中中有断路器、隔离开关、互感器、母线等输电设备,其外壳的振动频率信号主要是由这些输电设备的振动传导过来的,因而在外壳上的振动频率信号就具有这些设备振动频率信号的振动特征。
三、振动频率信号的采集处理过程
振动频率信号经振动传感器安装在对应自助机硬件设备上,对振动频率信号进行采集,通过不同频带的滤波器,将频率较高的局部放电信号和频率较低的机械振动频率信号区分开,再结合小波降噪算法和改进后的希尔伯特-黄变换对振动频率信号处理,并对其进行频谱分析,进而及时发现故障隐患,从而降低自助机发生严重故障的概率。
实施例一
请参阅图1所示,本实施例所述一种智能化自助机故障检测系统,包括振动频率信号检测模块1、第一处理模块2、第二处理模块3和第三处理模块4;
振动频率信号检测模块1实时检测智能化自助机在工作状态下的振动频率值;如图4所示:并将振动频率值传送至第一处理模块2进行分析处理;
这里需要说明的是:现在一般的自助机都有以下功能,具体包括身份证阅读器用于身份信息快速录入、扫描仪用于读取认证信息、打印机用于录入信息的打印输出。自助机根据其功能的不同,选择对应功能的硬件设备,每个硬件设备上都安装有可运行该硬件设备的电机,以及获取该电机上对应的振动传感器,我们通过振动传感器输出对应的振动频率值。
第一处理模块2接收振动频率值,将振动频率值和对应电机的频率阈值进行比较,判定是否将所述振动频率值对应的电机故障点标记为故障参考点,所述标记为故障参考点对应的标记时间为t时刻;
判定是否将所述振动频率值对应的电机故障点标记为故障参考点包括:
若所述振动频率值大于频率阈值,则将所述振动频率值对应的电机故障点标记为故障参考点;
若所述振动频率值小于等于频率阈值,则不将所述振动频率值对应的电机故障点标记为故障参考点。
获取t时刻后w个连续时段对应的故障参考点的数量,对所述故障参考点的数量进行分析,判断所述故障参考点为偶发性异常或时长性异常,将所述时长性异常对应的所述故障参考点标记为第一故障点,对所述第一故障点生成故障预警指令;将所述故障预警指令传送至第二处理模块3和第三处理模块4;
判断所述故障参考点为偶发性异常或时长性异常的逻辑为:
获取t时刻后w个连续时段对应的故障参考点的数量,w为大于1的整数,连续时段的时长是相同的,将w个连续时段的所有故障参考点的数量标记为i个,i为大于1的整数,将w个连续时段对应的故障参考点的数量依次与预设的故障参考点数量阈值进行比对分析,生成正常时段或异常时段;
若任一时段对应的故障参考点数量小于故障参考点数量阈值,则将对应的时段标记为正常时段;若任一时段对应的故障参考点数量大于或等于故障参考点数量阈值,则将对应的时段标记为异常时段;
将标记为异常时段的故障参考点数量与i个故障参考点数量的比值标记为反常比,将w个连续时段对应的所有故障参考点的数量建立故障参考点数量的数据集,计算数据集的标准差,将反常比小于或等于预设异常阈值标记为A情况,将反常比大于预设异常阈值标记为B情况,将标准差小于或等于预设标准差阈值标记为C情况,将标准差大于预设标准差阈值标记为D情况;
将同时具有A情况与C情况的故障参考点标记为偶发性异常,
将除同时具有A情况与C情况的以外的任一情况的故障参考点标记为时长性异常,将所述时长性异常对应的所述故障参考点标记为第一故障点,对所述第一故障点生成故障预警指令。
这里需要说明的是:自助机应用中,会因为很多原因产生故障,有些故障是偶发的,是暂时的,可能是因为电压不稳等原因,当电压正常以后,自助机就能正常工作运营,因此,首先通过预设的故障参考点数量阈值分析当前时段是否为异常时段,如果是异常时段,对异常时段的故障参考点需要判断其是否可以自我修复,因此对异常时段的故障参考点进行反常比和标准差的分析,查看自助机故障参考点是不是时长性异常,如果是时长性异常就需要对对应的故障参考点进行详细的分析,得出具体故障的原因,因此将所述时长性异常对应的所述故障参考点标记为第一故障点,对第一故障点进行分析。
如图3所示:所述第二处理模块3接收故障预警指令,根据所述故障预警指令对所述第一故障点进行故障-故障原因二分图的构建,根据故障-故障原因二分图获得所述第一故障点的可能故障原因;并将故障原因发送至第三处理模块4;
二分图建模的方法为:
二分图建模表示为G=(V,S,E),其中V表示自助机故障检测中请求接入所述第一故障点的故障集合,S表示故障相近的故障原因集合,共有m个故障和n个相近的故障原因,E表示故障和故障原因之间可选链路的集合,可选链路为二分图中的边e=(v,s),e∈E,v∈V,s∈S,每条边都有权值lm,n,边的权值lm,n为匹配度。
这里需要说明的是:第一故障点与故障原因之间通过匹配度表示第一故障点与故障原因之间的关联性,通过二分图的分析,可以快速定位第一故障点的可能故障原因。最大匹配度表示的是第一故障点出现障碍的可能故障原因的可能性最大。
但是其还存在一个问题就是最大匹配度匹配的结果与实际情况不符,这就需要重新调整二分图模型或者增加新的原因节点,以提高匹配的准确性。
需要注意的是,二分图分析是一种快速定位故障原因的方法,但自助机故障的振动信号,由于信号的采样频率和时间通常是有限的,因此需要考虑信号失真和频率分辨率不足等问题。同时,由于故障引起的振动信号通常是复杂的非线性信号,因此需要结合其他的信号处理技术和故障诊断方法,以提高故障预测的准确性和可靠性。
第三处理模块4接收故障预警指令、所述故障预警指令对应的第一故障点以及与所述第一故障点最大匹配度的故障原因;根据故障预警指令获取第一故障点;
第三处理模块4,根据所述第一故障点构建故障参数数据集,将所述故障参数数据集代入功率谱密度函数中,功率谱密度函数对所述故障参数的频率方向进行积分处理,根据频率方向积分处理结果对所述第一故障点提取所述故障参数数据集的故障特征点,将所述故障特征点结合最佳窄带滤波检测方法确定自助机的故障谱特征量;
所述自助机的故障谱特征量的生成逻辑为:
S41:根据故障预警指令获取本次异常的所有第一故障点,所述第一故障点标记为k,k={1,2,2......m},m为大于等于1的整数,每个所述第一故障点对应的振动频率值标记为故障参数Ck,收集所有的故障参数Ck,并构建故障参数数据集,所述故障参数数据集为B=(C1,C2,C3,......Ck);
S42:将所述故障参数数据集代入功率谱密度函数中,功率谱密度函数对所述故障参数的频率方向进行积分处理,根据频率方向积分处理结果对所述第一故障点提取所述故障参数数据集的故障特征点;
这里需要说明的是:将所述故障参数数据集的频率信号通过功率谱密度函数转换为频域信号。然后通过对频域信号的功率谱密度进行分析,可以从频域信号中提取特征信息。
故障参数通常是指频域信号的第一个频率分量。对于代表故障参数的频域信号,通过对故障参数在频率方向上进行积分处理,可以将其转换为频率范围内的平均值。这样做的目的是为了降低噪声的影响,提高特征提取的准确性。
在完成对故障参数的积分处理后,可以从处理后的数据中提取故障特征点。故障特征点是指在数据集中具有特定意义的点或数值,通常用于识别和区分不同类型的故障。在这种情况下,故障特征点通常是指处理后的数据集中的极值点、拐点、峰值点等。
总的来说,通过将故障参数数据集代入功率谱密度函数中,对故障参数在频率方向上进行积分处理,并从处理后的数据中提取故障特征点,可以用于故障检测和故障诊断以及其他应用上,可以提高故障特征提取的准确性和可靠性。
S43:所述故障参数数据集的故障特征点结合最佳窄带滤波检测方法确定自助机的故障谱特征量具体公式为:
其中,bk表示一零均值复高斯随机过程;Ck表示自助机对应第一故障点k的故障参数;F(t)表示检测中故障动态变化模糊迭代函数。
其中,一零均值复高斯随机过程是指实部和虚部都是服从均值为零、方差为常数的高斯分布的复数随机过程。具体应用在功率谱密度函数中用于求取第一故障点k的功率谱密度,即
模糊迭代函数F(t)其广泛用于求解最优化问题、动态系统建模、图像处理等方面;是将故障状态作为输入,并根据系统的反馈信号输出一个关于故障的判断,具体是对当前故障问题不断优化的一个函数,通过调整模糊控制参数来逐步提高检测的准确性和稳定性。
需要说明的是:基于故障特征点,可确定最佳窄带滤波参数,以确保窄带滤波器只检测与故障相关的频率,将故障特征点对应的故障数据输入到窄带滤波器中,仅保留与故障相关的频率成分,并过滤掉其它频率。从窄带滤波后的数据中提取故障谱特征量,例如频率分布、峰值幅值等等。这些特征量可以用来描述自助机的故障特征,并帮助识别故障类型和程度。
需要注意的是,窄带滤波器的性能和参数设置会对最终的故障特征量产生影响,因此需要在实际应用中进行充分的验证和调整后,得到最佳窄带滤波检测方法,这里的最佳窄带滤波检测方法是本领域技术人员通过大量实验验证后得到的。
将所述自助机的故障谱特征量通过小波降噪算法计算得到自助机故障检测的扩频参数;通过自助机故障检测的扩频参数对自助机故障再次进行检测,根据再次检测后的检测结果确定自助机故障特征的分布情况,将所述自助机故障特征的分布情况通过线性回归得到自助机的融合特征解,所述融合特征解为自助机故障接近真实的故障原因;具体如图5所示;
对所述自助机的故障谱特征量的分析逻辑包括:
S51:所述自助机的故障谱特征量通过小波降噪算法计算得到自助机故障的扩频参数;具体公式为:
其中:U为扩频参数;Ck表示自助机对应第一故障点k的故障参数,ek为第一故障点k对应的权重,T为第一故障点k的运行时长,w(t)为第一故障点k的特征分布密度;特征分布密度由当前故障振动频率对应的故障特征的密度大小,由计算机计算获得;
这里需要说明的是:使用小波降噪算法对收集到的自助机故障参数数据进行降噪处理,尽可能保留信号特征的情况下,去除信号中的噪声;得到更加准确的故障特征点,这些特征点可以用于后续的扩频参数计算。
通过对降噪后的故障参数数据进行分析,计算出自助机故障检测的扩频参数。扩频参数可以反映出自助机故障信号的频率特征,帮助进一步确定故障类型和程度。
S52:通过自助机故障检测的扩频参数对自助机故障再次进行检测,根据再次检测后的检测结果确定自助机故障特征的分布情况,将所述自助机故障特征的分布情况通过线性回归得到自助机的融合特征解。
这里需要说明的是:通过扩频参数对自助机故障再次进行检测,确定故障特征的分布情况。这可以进一步提高故障检测的准确性和可靠性,确保能够正确识别和定位故障。
将所述自助机故障特征的分布情况通过线性回归得到自助机的融合特征解。线性回归可以通过拟合故障特征的分布情况,得到一组参数,从而用于计算融合特征解。这个融合特征解可以用于描述自助机故障的特征和程度,帮助确定故障的真实原因。
根据所得到的融合特征解,结合对自助机的实际情况进行分析,可以进一步确定自助机故障的真实原因。这可以帮助指导维修工作,并提高自助机的可靠性和稳定性。
第三处理模块4,根据自助机的融合特征解,重新调整故障-故障原因二分图中的每条边权值lm,n,选取最大的权值lm,n对应的故障原因为自助机故障的真实原因;
对融合特征解的处理还包括以下步骤:
对融合特征解进行归一化处理;
这里需要说明是:对融合特征解进行归一化处理,将其值范围映射到[0,1]区间内,以便于后续处理。
利用小波降噪算法训练结果学习逼近,从而获取更新后的融合特征解;
这里需要说明是:利用小波降噪算法对归一化后的融合特征解进行训练学习逼近。训练过程中,可以根据实际情况调整小波基函数和分解层数等参数,以获得更好的降噪效果,从而获取更新后的融合特征解。
对所述权值lm,n和其对应的偏差阈值进行对比分析;若权值lm,n大于偏差阈值,则进一步修正权值lm,n,直至权值lm,n小于或等于偏差阈值;若权值lm,n小于或等于偏差阈值,则输出权值lm,n。
这里需要说明是:将小波降噪算法中获取的最佳融合特征解代入第一故障点的故障-故障原因二分图中,从而更新第一故障点的故障-故障原因的关联性,设定故障-故障原因二分图的权值lm,n的偏差阈值,
将所述权值lm,n和其对应的偏差阈值进行对比分析。对所述权值lm,n和其对应的偏差阈值进行对比分析;若权值lm,n大于偏差阈值,则进一步修正权值lm,n,直至权值lm,n小于或等于偏差阈值;若权值lm,n小于或等于偏差阈值,则输出权值lm,n。这个权值可以用于描述故障-故障原因二分图中各节点之间的关联程度,帮助确定故障的真实原因。
需要注意的是,二分图可以快速定位故障原因的方法,而小波降噪算法可以精准获取故障原因;因此,将二分图和小波降噪算法结合,可以在确保准确度的基础上,更加快速的定位故障原因。
实施例二:
请参阅图2所示,本实施例未详细叙述部分见实施例一描述内容,本实施例提供一种智能化自助机故障检测方法,包括以下步骤:
S1:实时检测智能化自助机在工作状态下的振动频率值,将振动频率值和对应电机的频率阈值进行比较,判定是否将所述振动频率值对应的电机故障点标记为故障参考点,所述标记为故障参考点对应的标记时间为t时刻;
S2:获取t时刻后w个连续时段对应的故障参考点的数量,对所述故障参考点的数量进行分析,t+1时段为t时刻的下一时段,判断所述故障参考点为偶发性异常或时长性异常,将所述时长性异常对应的所述故障参考点标记为第一故障点,对所述第一故障点生成故障预警指令;
S3:根据所述故障预警指令对所述第一故障点进行故障-故障原因二分图的构建,并对所述第一故障点进行二分图建模;获得所述第一故障点的可能故障原因;
S4:对所述第一故障点构建故障参数数据集,将所述故障参数数据集代入功率谱密度函数中,功率谱密度函数对所述故障参数的频率方向进行积分处理,根据频率方向积分处理结果对所述第一故障点提取所述故障参数数据集的故障特征点,将所述故障特征点结合最佳窄带滤波检测方法确定自助机的故障谱特征量;
S5:将所述自助机的故障谱特征量通过小波降噪算法计算得到自助机故障检测的扩频参数;通过自助机故障检测的扩频参数对自助机故障再次进行检测,根据再次进行检测后的检测结果确定自助机故障特征的分布情况,将所述自助机故障特征的分布情况通过线性回归得到自助机的融合特征解,所述融合特征解为自助机故障接近真实的故障原因;
S6:根据所述自助机的融合特征解,重新调整故障-故障原因二分图中的每条边权值lm,n,选取最大的权值lm,n对应的故障原因为自助机故障的真实原因。
判定是否将所述振动频率值对应的电机故障点标记为故障参考点包括:
若所述振动频率值大于频率阈值,则将所述振动频率值对应的电机故障点标记为故障参考点;
若所述振动频率值小于等于频率阈值,则不将所述振动频率值对应的电机故障点标记为故障参考点。
判断所述故障参考点为偶发性异常或时长性异常的逻辑为:
获取t时刻后w个连续时段对应的故障参考点的数量,w为大于1的整数,连续时段的时长是相同的,将w个连续时段的所有故障参考点的数量标记为i个,i为大于1的整数,将w个连续时段对应的故障参考点的数量依次与预设的故障参考点数量阈值进行比对分析,生成正常时段或异常时段;
若任一时段对应的故障参考点数量小于故障参考点数量阈值,则将对应的时段标记为正常时段;若任一时段对应的故障参考点数量大于或等于故障参考点数量阈值,则将对应的时段标记为异常时段;
将标记为异常时段的故障参考点数量与i个故障参考点数量的比值标记为反常比,将w个连续时段对应的所有故障参考点的数量建立故障参考点数量的数据集,计算数据集的标准差,将反常比小于或等于预设异常阈值标记为A情况,将反常比大于预设异常阈值标记为B情况,将标准差小于或等于预设标准差阈值标记为C情况,将标准差大于预设标准差阈值标记为D情况;
将同时具有A情况与C情况的故障参考点标记为偶发性异常;
将除同时具有A情况与C情况的以外的任一情况的故障参考点标记为时长性异常,将所述时长性异常对应的所述故障参考点标记为第一故障点,对所述第一故障点生成故障预警指令。
步骤S3中对二分图建模的方法为:
二分图建模表示为G=(V,S,E),其中V表示自助机故障检测中请求接入所述第一故障点的故障集合,S表示故障相近的故障原因集合,共有m个故障和n个相近的故障原因,E表示故障和故障原因之间可选链路的集合,可选链路为二分图中的边e=(v,s),e∈E,v∈V,s∈S,每条边都有权值lm,n,边的权值lm,n为匹配度。
所述自助机的故障谱特征量的生成逻辑为:
S41:根据故障预警指令获取本次异常的所有第一故障点,所述第一故障点标记为k,k={1,2,2......m},m为大于等于1的整数,每个所述第一故障点对应的振动频率值标记为故障参数Ck,收集所有的故障参数Ck,并构建故障参数数据集,所述故障参数数据集为B=(C1,C2,C3,......Ck);
S42:将所述故障参数数据集代入功率谱密度函数中,功率谱密度函数对所述故障参数的频率方向进行积分处理,根据频率方向积分处理结果对所述第一故障点提取所述故障参数数据集的故障特征点;
S43:所述故障参数数据集的故障特征点结合最佳窄带滤波检测方法确定自助机的故障谱特征量具体公式为:
其中,bk表示一零均值复高斯随机过程;Ck表示自助机对应第一故障点k的故障参数;F(t)表示检测中故障动态变化模糊迭代函数。
对所述自助机的故障谱特征量的分析逻辑包括:
S51:所述自助机的故障谱特征量通过小波降噪算法计算得到自助机故障检测的扩频参数;具体公式为:
其中:U为扩频参数;Ck表示自助机对应第一故障点k的故障参数,ek为第一故障点k对应的权重,T为第一故障点k的运行时长,w(t)为第一故障点k的特征分布密度;特征分布密度由当前故障振动频率对应的故障特征的密度大小,由计算机计算获得;
S52:通过自助机故障检测的扩频参数对自助机故障再次进行检测,根据再次检测后得到的检测结果确定自助机故障特征的分布情况,将所述自助机故障特征的分布情况通过线性回归得到自助机的融合特征解。
对融合特征解的处理还包括以下步骤:
对融合特征解进行归一化处理;
利用小波降噪算法训练结果学习逼近,从而获取更新后的融合特征解;
根据更新后的融合特征解,可设定故障-故障原因二分图的权值lm,n的偏差阈值;
对所述权值lm,n和其对应的偏差阈值进行对比分析;若权值lm,n大于偏差阈值,则进一步修正权值lm,n,直至权值lm,n小于或等于偏差阈值;若权值lm,n小于或等于偏差阈值,则输出权值lm,n。
上述公式均是去量纲取其数值计算,公式是由采集大量数据进行软件模拟得到最近真实情况的一个公式,公式中的预设参数以及阈值选取由本领域的技术人员根据实际情况进行设置。
上述实施例,可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时,上述实施例可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行所述计算机指令或计算机程序时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以为通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线网络或无线网络方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质。半导体介质可以是固态硬盘。
本领域普通技术人员可以意识到,结合本发明中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本发明所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
最后:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (2)
1.一种智能化自助机故障检测方法,其特征在于,包括以下步骤:
S1:实时检测智能化自助机在工作状态下的振动频率值,将振动频率值和对应电机的频率阈值进行比较,判定是否将所述振动频率值对应的电机故障点标记为故障参考点,所述标记为故障参考点对应的标记时间为t时刻;
S2:获取t时刻后w个连续时段对应的故障参考点的数量,对所述故障参考点的数量进行分析,判断所述故障参考点为偶发性异常或时长性异常,将所述时长性异常对应的所述故障参考点标记为第一故障点,对所述第一故障点生成故障预警指令;
S3:根据所述故障预警指令对所述第一故障点进行故障-故障原因二分图的构建,根据故障-故障原因二分图获得所述第一故障点的可能故障原因;
S4:对所述第一故障点构建故障参数数据集,将所述故障参数数据集代入功率谱密度函数中,功率谱密度函数对所述故障参数的频率方向进行积分处理,根据频率方向积分处理结果对所述第一故障点提取所述故障参数数据集的故障特征点,将所述故障特征点结合最佳窄带滤波检测方法确定自助机的故障谱特征量;
S5:将所述自助机的故障谱特征量通过小波降噪算法计算得到自助机故障检测的扩频参数;通过自助机故障检测的扩频参数对自助机故障再次进行检测,根据再次进行检测后的检测结果确定自助机故障特征的分布情况,将所述自助机故障特征的分布情况通过线性回归得到自助机的融合特征解,所述融合特征解为自助机故障接近真实的故障原因;
S6:根据所述自助机的融合特征解,重新调整故障-故障原因二分图中的每条边权值lm,n,选取最大的权值lm,n,最大的权值lm,n对应的故障原因为自助机故障的真实原因;
判定是否将所述振动频率值对应的电机故障点标记为故障参考点包括:
若所述振动频率值大于频率阈值,则将所述振动频率值对应的电机故障点标记为故障参考点;
若所述振动频率值小于等于频率阈值,则不将所述振动频率值对应的电机故障点标记为故障参考点;
判断所述故障参考点为偶发性异常或时长性异常的逻辑为:
获取t时刻后w个连续时段对应的故障参考点的数量,w为大于1的整数,连续时段的时长是相同的,将w个连续时段所有故障参考点的数量标记为i,i为大于1的整数,将w个连续时段对应的故障参考点的数量依次与预设的故障参考点数量阈值进行比对分析;
若任一时段对应的故障参考点数量小于故障参考点数量阈值,则将对应的时段标记为正常时段;若任一时段对应的故障参考点数量大于或等于故障参考点数量阈值,则将对应的时段标记为异常时段;
将异常时段的故障参考点数量与i个故障参考点数量的比值标记为反常比,将w个连续时段对应的所有故障参考点的数量建立故障参考点数量的数据集,计算数据集的标准差,将反常比小于或等于预设异常阈值标记为A情况,将反常比大于预设异常阈值标记为B情况,将标准差小于或等于预设标准差阈值标记为C情况,将标准差大于预设标准差阈值标记为D情况;
将同时具有A情况与C情况的故障参考点标记为偶发性异常;
将除同时具有A情况与C情况的以外的任一情况的故障参考点标记为时长性异常;
步骤S3中对二分图建模的方法为:
二分图建模表示为G=(V,S,E),其中V表示自助机故障检测中请求接入所述第一故障点的故障集合,S表示故障相近的故障原因集合,共有m个故障和n个相近的故障原因,E表示故障和故障原因之间可选链路的集合,可选链路为二分图中的边e=(v,s),e∈E,v∈V,s∈S,每条边都有权值lm,n,边的权值lm,n为匹配度;
所述自助机的故障谱特征量的生成逻辑为:
S41:根据故障预警指令获取本次异常的所有第一故障点,所述第一故障点标记为k,k={1,2,2......m},m为大于等于1的整数,每个所述第一故障点对应的振动频率值标记为故障参数Ck,收集所有的故障参数Ck,并构建故障参数数据集,所述故障参数数据集为B=(C1,C2,C3,......Ck);
S42:将所述故障参数数据集代入功率谱密度函数中,功率谱密度函数对所述故障参数的频率方向进行积分处理,根据频率方向积分处理结果对所述第一故障点提取所述故障参数数据集的故障特征点;
S43:所述故障参数数据集的故障特征点结合最佳窄带滤波检测方法确定自助机的故障谱特征量具体公式为:
其中,bk表示一零均值复高斯随机过程;Ck表示自助机对应第一故障点k的故障参数;F(t)表示检测中故障动态变化模糊迭代函数;
对所述自助机的故障谱特征量的分析逻辑包括:
S51:所述自助机的故障谱特征量通过小波降噪算法计算得到自助机故障的扩频参数;具体公式为:
其中:U为扩频参数;Ck表示自助机对应第一故障点k的故障参数,ek为第一故障点k对应的权重,T为第一故障点k的运行时长,w(t)为第一故障点k的特征分布密度;特征分布密度由当前故障振动频率对应的故障特征的密度大小,由计算机计算获得;
S52:通过自助机故障检测的扩频参数对自助机故障再次进行检测,根据再次检测得到的检测结果确定自助机故障特征的分布情况,将所述自助机故障特征的分布情况通过线性回归得到自助机的融合特征解;
对融合特征解的处理还包括以下步骤:
对融合特征解进行归一化处理;
利用小波降噪算法训练结果学习逼近,从而获取更新后的融合特征解;
根据更新后的融合特征解,设定故障-故障原因二分图的权值lm,n的偏差阈值;
对所述权值lm,n和其对应的偏差阈值进行对比分析;若权值lm,n大于偏差阈值,则进一步修正权值lm,n,直至权值lm,n小于或等于偏差阈值;若权值lm,n小于或等于偏差阈值,则输出权值lm,n。
2.一种智能化自助机故障检测系统,其基于权利要求1所述的一种智能化自助机故障检测方法实现,其特征在于,包括:
振动频率信号检测模块(1),实时检测智能化自助机在工作状态下的振动频率值;并将振动频率值传送至第一处理模块(2)进行分析处理;
第一处理模块(2),将振动频率值和对应电机的频率阈值进行比较,判定是否将所述振动频率值对应的电机故障点标记为故障参考点,所述标记为故障参考点对应的标记时间为t时刻;
获取t时刻后w个连续时段对应的故障参考点的数量,对所述故障参考点的数量进行分析,判断所述故障参考点为偶发性异常或时长性异常,将所述时长性异常对应的所述故障参考点标记为第一故障点,对所述第一故障点生成故障预警指令;将故障预警指令发送至第二处理模块(3)和第三处理模块(4);
第二处理模块(3),接收故障预警指令,根据所述故障预警指令对所述第一故障点进行故障-故障原因二分图的构建,根据故障-故障原因二分图获得所述第一故障点的可能故障原因;将可能的故障原因发送至第三处理模块(4);
第三处理模块(4),接收故障预警指令、所述故障预警指令对应的第一故障点以及与所述第一故障点最大匹配度的故障原因;
根据所述第一故障点构建故障参数数据集;将所述故障参数数据集代入功率谱密度函数中,功率谱密度函数对所述故障参数的频率方向进行积分处理,根据频率方向积分处理结果对所述第一故障点提取所述故障参数数据集的故障特征点,将所述故障特征点结合最佳窄带滤波检测方法确定自助机的故障谱特征量;
将所述自助机的故障谱特征量通过小波降噪算法计算得到自助机故障检测的扩频参数;通过自助机故障检测的扩频参数对自助机故障再次进行检测,根据再次检测得到的检测结果确定自助机故障特征的分布情况,将所述自助机故障特征的分布情况通过线性回归得到自助机的融合特征解,所述融合特征解为自助机故障接近真实的故障原因;
第三处理模块(4),根据自助机的融合特征解,重新调整故障-故障原因二分图中的每条边权值lm,n,选取最大的权值lm,n对应的故障原因为自助机故障的真实原因。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310518105.5A CN116484263B (zh) | 2023-05-10 | 2023-05-10 | 一种智能化自助机故障检测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310518105.5A CN116484263B (zh) | 2023-05-10 | 2023-05-10 | 一种智能化自助机故障检测系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116484263A CN116484263A (zh) | 2023-07-25 |
CN116484263B true CN116484263B (zh) | 2024-01-05 |
Family
ID=87226809
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310518105.5A Active CN116484263B (zh) | 2023-05-10 | 2023-05-10 | 一种智能化自助机故障检测系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116484263B (zh) |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100812303B1 (ko) * | 2006-09-29 | 2008-03-13 | 부산대학교 산학협력단 | 웨이블릿 변환을 이용한 유도전동기의 고장 진단 장치 및방법 |
CN102496028A (zh) * | 2011-11-14 | 2012-06-13 | 华中科技大学 | 一种复杂装备的事后维修故障分析方法 |
CN105973621A (zh) * | 2016-05-02 | 2016-09-28 | 国家电网公司 | 一种基于异常振动分析的gis机械故障诊断方法和系统 |
CN107884190A (zh) * | 2017-11-01 | 2018-04-06 | 北京信息科技大学 | 基于变分模态分解和小波奇异分解的轴承故障诊断方法 |
KR20190072165A (ko) * | 2017-12-15 | 2019-06-25 | 주식회사 에이스이앤티 | 모터 고장 진단 시스템 |
US10692004B1 (en) * | 2015-11-15 | 2020-06-23 | ThetaRay Ltd. | System and method for anomaly detection in dynamically evolving data using random neural network decomposition |
CN112287889A (zh) * | 2020-11-22 | 2021-01-29 | 西北工业大学 | 一种基于压缩感知和相关向量机的轴承故障智能诊断方法 |
CN113435255A (zh) * | 2021-06-01 | 2021-09-24 | 西北工业大学 | 一种基于特征融合的发动机故障诊断方法 |
CN114297579A (zh) * | 2021-12-16 | 2022-04-08 | 北京交通大学 | 一种基于循环平稳测度的盲源分离方法 |
CN114970624A (zh) * | 2022-05-23 | 2022-08-30 | 湖南科技大学 | 双电机驱动棘轮棘爪减速机不同步故障诊断系统及方法 |
CN115034307A (zh) * | 2022-06-14 | 2022-09-09 | 湖南科技大学 | 多参量自适应融合的振动数据自确认方法、系统及终端 |
CN115268417A (zh) * | 2022-09-29 | 2022-11-01 | 南通艾美瑞智能制造有限公司 | 一种自适应ecu故障诊断控制方法 |
CN115618195A (zh) * | 2022-08-16 | 2023-01-17 | 中国电力科学研究院有限公司 | 传感器电路故障诊断方法、系统、介质及装置 |
JP2023028912A (ja) * | 2021-08-20 | 2023-03-03 | 日立グローバルライフソリューションズ株式会社 | 異常検知システム、異常検知システムの異常検知方法、及び異常検知システムの記録媒体 |
WO2023035869A1 (zh) * | 2022-03-15 | 2023-03-16 | 中国长江三峡集团有限公司 | 一种训练齿轮箱故障诊断模型方法、齿轮箱故障诊断方法 |
CN115935181A (zh) * | 2022-11-18 | 2023-04-07 | 阿里云计算有限公司 | 检测模型训练方法、异常检测方法及电子设备 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9191831B2 (en) * | 2012-05-21 | 2015-11-17 | Regents Of The University Of Minnesota | Non-parametric power spectral density (PSD) map construction |
US10867250B2 (en) * | 2018-12-27 | 2020-12-15 | Utopus Insights, Inc. | System and method for fault detection of components using information fusion technique |
US11715200B2 (en) * | 2020-01-31 | 2023-08-01 | Illumina, Inc. | Machine learning-based root cause analysis of process cycle images |
-
2023
- 2023-05-10 CN CN202310518105.5A patent/CN116484263B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100812303B1 (ko) * | 2006-09-29 | 2008-03-13 | 부산대학교 산학협력단 | 웨이블릿 변환을 이용한 유도전동기의 고장 진단 장치 및방법 |
CN102496028A (zh) * | 2011-11-14 | 2012-06-13 | 华中科技大学 | 一种复杂装备的事后维修故障分析方法 |
US10692004B1 (en) * | 2015-11-15 | 2020-06-23 | ThetaRay Ltd. | System and method for anomaly detection in dynamically evolving data using random neural network decomposition |
CN105973621A (zh) * | 2016-05-02 | 2016-09-28 | 国家电网公司 | 一种基于异常振动分析的gis机械故障诊断方法和系统 |
CN107884190A (zh) * | 2017-11-01 | 2018-04-06 | 北京信息科技大学 | 基于变分模态分解和小波奇异分解的轴承故障诊断方法 |
KR20190072165A (ko) * | 2017-12-15 | 2019-06-25 | 주식회사 에이스이앤티 | 모터 고장 진단 시스템 |
CN112287889A (zh) * | 2020-11-22 | 2021-01-29 | 西北工业大学 | 一种基于压缩感知和相关向量机的轴承故障智能诊断方法 |
CN113435255A (zh) * | 2021-06-01 | 2021-09-24 | 西北工业大学 | 一种基于特征融合的发动机故障诊断方法 |
JP2023028912A (ja) * | 2021-08-20 | 2023-03-03 | 日立グローバルライフソリューションズ株式会社 | 異常検知システム、異常検知システムの異常検知方法、及び異常検知システムの記録媒体 |
CN114297579A (zh) * | 2021-12-16 | 2022-04-08 | 北京交通大学 | 一种基于循环平稳测度的盲源分离方法 |
WO2023035869A1 (zh) * | 2022-03-15 | 2023-03-16 | 中国长江三峡集团有限公司 | 一种训练齿轮箱故障诊断模型方法、齿轮箱故障诊断方法 |
CN114970624A (zh) * | 2022-05-23 | 2022-08-30 | 湖南科技大学 | 双电机驱动棘轮棘爪减速机不同步故障诊断系统及方法 |
CN115034307A (zh) * | 2022-06-14 | 2022-09-09 | 湖南科技大学 | 多参量自适应融合的振动数据自确认方法、系统及终端 |
CN115618195A (zh) * | 2022-08-16 | 2023-01-17 | 中国电力科学研究院有限公司 | 传感器电路故障诊断方法、系统、介质及装置 |
CN115268417A (zh) * | 2022-09-29 | 2022-11-01 | 南通艾美瑞智能制造有限公司 | 一种自适应ecu故障诊断控制方法 |
CN115935181A (zh) * | 2022-11-18 | 2023-04-07 | 阿里云计算有限公司 | 检测模型训练方法、异常检测方法及电子设备 |
Non-Patent Citations (1)
Title |
---|
动态贝叶斯网络在电力通信网故障诊断中的应用;李梦;电力大数据;第25卷(第05期);10-18 * |
Also Published As
Publication number | Publication date |
---|---|
CN116484263A (zh) | 2023-07-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US6973396B1 (en) | Method for developing a unified quality assessment and providing an automated fault diagnostic tool for turbine machine systems and the like | |
Yan et al. | Fisher’s discriminant ratio based health indicator for locating informative frequency bands for machine performance degradation assessment | |
CN113982850B (zh) | 融合高低频信号的风机综合健康分析方法及系统 | |
KR102301201B1 (ko) | IoT 센서 기반 회전 기기의 정밀 상태 진단 장치 및 방법 | |
CN105626502B (zh) | 基于小波包和拉普拉斯特征映射的柱塞泵健康评估方法 | |
CN110133500A (zh) | 基于多层架构的电机在线监测与故障前兆诊断系统及方法 | |
CN113849774A (zh) | 基于寿命分析和健康监测的设备智能维护平台 | |
CN117319047A (zh) | 一种基于网络安全异常检测的网络路径分析方法及系统 | |
CN112711850A (zh) | 一种基于大数据的机组在线监测方法 | |
CN117289085A (zh) | 一种多线路故障分析诊断方法及系统 | |
CN116991947B (zh) | 一种自动化数据同步方法及系统 | |
CN116484263B (zh) | 一种智能化自助机故障检测系统及方法 | |
CN117435908A (zh) | 一种用于旋转机械的多种故障特征提取方法 | |
CN116699400A (zh) | 一种发电机转子短路故障监测系统、方法及可读存储介质 | |
CN116595353A (zh) | 一种调相机远程故障诊断及智能决策系统 | |
CN117074852A (zh) | 一种配电网电能监测预警管理方法及系统 | |
CN116884432A (zh) | 基于vmd-js散度的电力变压器故障声纹诊断方法 | |
FR3049713A1 (fr) | Systeme actif de mise a la terre d'un arbre avec analyse diagnostic d'une forme d'onde | |
KR20210156146A (ko) | 변압기 소음 측정 방법 및 장치 | |
CN117672255B (zh) | 基于人工智能和设备运行声音的异常设备识别方法及系统 | |
CN117290764B (zh) | 基于数据特征分析的治超系统故障智能识别及诊断的方法 | |
WO2022167853A1 (ru) | Способ и устройство для виброакустического анализа промышленного оборудования | |
Wang et al. | Intelligent diagnosis methods for plant machinery | |
CN117932358A (zh) | 一种智能远程电场故障诊断方法及系统 | |
CN117854245A (zh) | 一种基于设备运行音频的异常设备监控方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |