CN116541800A - 基于振动和声音数据的融合诊断方法、系统、设备及介质 - Google Patents
基于振动和声音数据的融合诊断方法、系统、设备及介质 Download PDFInfo
- Publication number
- CN116541800A CN116541800A CN202310821548.1A CN202310821548A CN116541800A CN 116541800 A CN116541800 A CN 116541800A CN 202310821548 A CN202310821548 A CN 202310821548A CN 116541800 A CN116541800 A CN 116541800A
- Authority
- CN
- China
- Prior art keywords
- vibration
- equipment
- fault
- signal
- sound
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 199
- 230000004927 fusion Effects 0.000 title claims abstract description 81
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000012544 monitoring process Methods 0.000 claims abstract description 126
- 238000012545 processing Methods 0.000 claims abstract description 75
- 238000012549 training Methods 0.000 claims abstract description 26
- 230000011664 signaling Effects 0.000 claims abstract description 8
- 230000005236 sound signal Effects 0.000 claims description 47
- 238000002405 diagnostic procedure Methods 0.000 claims description 24
- 238000001914 filtration Methods 0.000 claims description 18
- 238000007781 pre-processing Methods 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 14
- 238000003708 edge detection Methods 0.000 claims description 6
- 238000012423 maintenance Methods 0.000 abstract description 8
- 230000009467 reduction Effects 0.000 description 10
- 238000004891 communication Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 238000001514 detection method Methods 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 5
- 230000008439 repair process Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M99/00—Subject matter not provided for in other groups of this subclass
- G01M99/005—Testing of complete machines, e.g. washing-machines or mobile phones
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种基于振动和声音数据的融合诊断方法、系统、设备及介质，应用于设备故障诊断技术领域，该方法包括：根据待诊断设备的设备性质在待诊断设备上确定各个监测点，并分别在各监测点设置振动声音采集模块，振动声音采集模块包括振动传感器和声音传感器；获取预设时间段内待诊断设备正常运行时各振动声音采集模块各自采集的历史信号，和，获取各振动声音采集模块各自采集的实时信号；根据各历史信号训练预设的各故障诊断模型，并控制各训练完成的故障诊断模型对各实时信号进行故障诊断处理得到各个监测点的故障诊断结果。本发明技术方案能够确定待诊断设备故障的位置，以提高维修效率。
Description
技术领域
本发明涉及设备故障检测技术领域，尤其涉及一种基于振动和声音数据的融合诊断方法、系统、设备及介质。
背景技术
现如今，科技水平的提升促使越来越多的机器设备出现在人们的视野并代替人们的工作。而随着设备使用时间的增长，其发生故障的风险也相应会越来越高。
相关技术对于设备进行故障检测时，需要技术人员先通过传感器采集设备运行时产生的振动信号，然后再将振动信号传递至监测中心进行分析处理，从而通过异常的振动信号来判断设备的故障状态。
然而，传统的故障检测方法仅靠振动信号来检测，只能在振动信号异常时才可识别出设备发生了故障，并且无法给出设备具体的故障位置，以致设备维护人员需耗费大量时间维修设备。
发明内容
本发明的主要目的在于提供一种基于振动和声音数据的融合诊断方法、系统、设备及介质，旨在解决传统设备检测方法无法识别设备具体故障位置的技术问题。
为实现上述目的，本发明提出一种基于振动和声音数据的融合诊断方法，所述基于振动和声音数据的融合诊断方法包括：
根据待诊断设备的设备性质在所述待诊断设备上确定各个监测点，并分别在各所述监测点设置振动声音采集模块，所述振动声音采集模块包括振动传感器和声音传感器；
获取预设时间段内所述待诊断设备正常运行时各所述振动声音采集模块各自采集的历史信号，和，获取各所述振动声音采集模块各自采集的实时信号；
根据各所述历史信号训练预设的各故障诊断模型，并控制各训练完成的故障诊断模型对各所述实时信号进行故障诊断处理得到各所述监测点的故障诊断结果。
可选地，所述设备性质包括：设备零件位置信息和设备零件连接信息，所述根据待诊断设备的设备性质在所述待诊断设备上确定各个监测点的步骤，包括:
根据待诊断设备的设备零件位置信息在所述待诊断设备上确定各个监测点;
和/或者，
根据待诊断设备的设备零件连接信息在所述待诊断设备上确定各个监测点。
可选地，所述获取预设时间段内所述待诊断设备正常运行时各所述振动声音采集模块各自采集的历史信号的步骤，包括：
获取预设时间段内所述待诊断设备正常运行时各所述振动传感器各自采集的历史振动信号；
获取预设时间段内所述待诊断设备正常运行时各所述声音传感器各自采集的历史声音信号；
对各所述历史振动信号和各所述历史声音信号进行信号预处理得到各历史信号。
可选地，所述信号预处理包括：滤波降噪处理和信号叠加处理，所述对各所述历史振动信号和各所述历史声音信号进行信号预处理得到各历史信号的步骤包括：
对各所述历史振动信号进行滤波降噪处理得到各历史振动有效信号；
对各所述历史声音信号进行滤波降噪处理得到各历史声音有效信号；
根据各所述历史振动有效信号和各所述历史声音有效信号进行信号叠加处理得到各历史信号。
可选地，所述故障诊断结果包括：故障位置和故障位置权重，在所述控制各训练完成的故障诊断模型对各所述实时信号进行故障诊断处理得到各所述监测点的故障诊断结果的步骤之后，所述基于振动和声音数据的融合诊断方法还包括：
根据所述故障诊断结果对所述待诊断设备进行故障预警处理；
所述根据所述故障诊断结果对所述待诊断设备进行故障预警处理的步骤，包括：
根据所述故障位置和所述故障位置权重进行设备故障预测得到设备故障程度；
根据所述设备故障程度对所述待诊断设备进行故障预警处理。
可选地，所述故障预警处理包括故障语音提示和故障信息推送，所述根据所述设备故障程度对所述待诊断设备进行故障预警处理的步骤，包括：
根据所述设备故障程度对所述待诊断设备进行故障语音提示；
和/或者，
根据所述设备故障程度对所述待诊断设备进行故障信息推送。
可选地，在所述根据各所述历史信号训练预设的各故障诊断模型的步骤之前，所述融合诊断方法还包括：
对各所述历史信号进行故障边缘检测处理得到各临界历史信号；
所述根据各所述历史信号训练预设的各故障诊断模型的步骤，包括：
根据各所述临界历史信号训练预设的各故障诊断模型。
此外，为实现上述目的，本发明还提供一种基于振动和声音数据的融合诊断系统，所述基于振动和声音数据的融合诊断系统包括：
监测点确定模块，用于根据待诊断设备的设备性质在所述待诊断设备上确定各个监测点，并分别在各所述监测点设置振动声音采集模块，所述振动声音采集模块包括振动传感器和声音传感器；
信号获取模块，用于获取预设时间段内所述待诊断设备正常运行时各所述振动声音采集模块各自采集的历史信号，和，获取各所述振动声音采集模块各自采集的实时信号；
故障诊断模块，用于根据各所述历史信号训练预设的各故障诊断模型，并控制各训练完成的故障诊断模型对各所述实时信号进行故障诊断处理得到各所述监测点的故障诊断结果。
此外，为实现上述目的，本发明还提供一种故障诊断设备，所述故障诊断设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于振动和声音数据的融合诊断程序，所述基于振动和声音数据的融合诊断程序被所述处理器执行时实现如上所述的基于振动和声音数据的融合诊断方法的步骤。
此外，为实现上述目的，本发明还提供一种存储介质，所述存储介质上存储有基于振动和声音数据的融合诊断程序，所述基于振动和声音数据的融合诊断程序被处理器执行时实现如上所述的基于振动和声音数据的融合诊断方法的步骤。
本发明提供了一种基于振动和声音数据的融合诊断方法、系统、设备及介质，所述基于振动和声音数据的融合诊断方法包括：根据待诊断设备的设备性质在所述待诊断设备上确定各个监测点，并分别在各所述监测点设置振动声音采集模块，所述振动声音采集模块包括振动传感器和声音传感器；获取预设时间段内所述待诊断设备正常运行时各所述振动声音采集模块各自采集的历史信号，和，获取各所述振动声音采集模块各自采集的实时信号；根据各所述历史信号训练预设的各故障诊断模型，并控制各训练完成的故障诊断模型对各所述实时信号进行故障诊断处理得到各所述监测点的故障诊断结果。
本发明提出一种基于振动和声音数据的融合诊断方法、系统、设备及介质，其中，基于振动和声音数据的融合诊断方法包括：根据待诊断设备的设备性质在待诊断设备上确定各个监测点，并分别在各个监测点处设置振动声音采集模块，即，在每个监测点均设置振动传感器和声音传感器，然后在待诊断设备处于正常运行状态时，获取预设时间段内振动传感器和声音传感器采集的各个监测点对应的历史信号，和，获取各个监测点的实时信号，并根据各个历史信号训练预设的各个故障诊断模型，并将各个实时信号输入训练完成的故障诊断模型进行故障诊断处理得到各个监测点的故障诊断结果。
相比传统通过振动信号进行设备故障检测的方式来说，本发明通过在设备中确定各个监测点，并在设备正常运行时采集各个监测点的声音信号和振动信号，进而将各个监测点的声音信号和振动信号用于训练各个故障诊断模型，并通过各训练完成的故障诊断模型对各监测点实时采集的声音信号和振动信号进行故障诊断得到各个监测点故障诊断结果的方式，能够实现确定设备中发生故障的具体位置，从而便于维护人员维修的效果。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
为了更清楚地说明本申请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，对于本领域普通技术人员而言，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。
图1是本发明实施例方案涉及的终端设备硬件运行环境的设备结构示意图；
图2为本发明基于振动和声音数据的融合诊断方法第一实施例的流程示意图；
图3为本发明基于振动和声音数据的融合诊断方法一实施例的信号采集处理流程示意图；
图4为本发明基于振动和声音数据的融合诊断方法一实施例的信号处理流程示意图；
图5为本发明基于振动和声音数据的融合诊断系统一实施例的功能模块图。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
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。基于本发明中的实施例，本领域普通技术人员在没有作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。
需要说明，本发明实施例中所有方向性指示(诸如上、下、左、右、前、后……)仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。
在本发明中，除非另有明确的规定和限定，术语“连接”、“固定”等应做广义理解，例如，“固定”可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；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或两个元件的相互作用关系，除非另有明确的限定。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
另外，在本发明中如涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。
如图1所示，图1是本发明实施例方案涉及的终端设备硬件运行环境的设备结构示意图。
需要说明的是，本发明实施例涉及的终端设备可以是执行本申请基于振动和声音数据的融合诊断方法的故障诊断设备，该终端设备也可以是其它执行本申请基于振动和声音数据的融合诊断方法的数据存储控制终端、PC或者便携计算机等终端。
如图1所示，在终端设备的硬件运行环境中，该终端设备可以包括：处理器1001，例如CPU，网络接口1004，用户接口1003，存储器1005，通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏（Display）、输入单元比如键盘（Keyboard），可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口（如WI-FI接口）。存储器1005可以是高速RAM存储器，也可以是稳定的存储器（non-volatile memory），例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图1中示出的终端设备结构并不构成对故障诊断设备的限定，故障诊断设备可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及基于振动和声音数据的融合诊断程序。
在图1所示的设备中，网络接口1004主要用于连接后台服务器，与后台服务器进行数据通信；用户接口1003主要用于连接客户端（用户端），与客户端进行数据通信；而处理器1001可以用于调用存储器1005中存储的基于振动和声音数据的融合诊断程序，并执行以下操作：
根据待诊断设备的设备性质在所述待诊断设备上确定各个监测点，并分别在各所述监测点设置振动声音采集模块，所述振动声音采集模块包括振动传感器和声音传感器；
获取预设时间段内所述待诊断设备正常运行时各所述振动声音采集模块各自采集的历史信号，和，获取各所述振动声音采集模块各自采集的实时信号；
根据各所述历史信号训练预设的各故障诊断模型，并控制各训练完成的故障诊断模型对各所述实时信号进行故障诊断处理得到各所述监测点的故障诊断结果。
可选地，所述设备性质包括：设备零件位置信息和设备零件连接信息，处理器1001可以用于调用存储器1005中存储的基于振动和声音数据的融合诊断程序，并执行以下操作：
根据待诊断设备的设备零件位置信息在所述待诊断设备上确定各个监测点;
和/或者，
根据待诊断设备的设备零件连接信息在所述待诊断设备上确定各个监测点。
可选地，处理器1001可以用于调用存储器1005中存储的基于振动和声音数据的融合诊断程序，并执行以下操作：
获取预设时间段内所述待诊断设备正常运行时各所述振动传感器各自采集的历史振动信号；
获取预设时间段内所述待诊断设备正常运行时各所述声音传感器各自采集的历史声音信号；
对各所述历史振动信号和各所述历史声音信号进行信号预处理得到各历史信号。
可选地，所述信号预处理包括：滤波降噪处理和信号叠加处理，处理器1001可以用于调用存储器1005中存储的基于振动和声音数据的融合诊断程序，并执行以下操作：
对各所述历史振动信号进行滤波降噪处理得到各历史振动有效信号；
对各所述历史声音信号进行滤波降噪处理得到各历史声音有效信号；
根据各所述历史振动有效信号和各所述历史声音有效信号进行信号叠加处理得到各历史信号。
可选地，所述故障诊断结果包括：故障位置和故障位置权重，处理器1001可以用于调用存储器1005中存储的基于振动和声音数据的融合诊断程序，并执行以下操作：
根据所述故障诊断结果对所述待诊断设备进行故障预警处理；
所述根据所述故障诊断结果对所述待诊断设备进行故障预警处理的步骤，包括：
根据所述故障位置和所述故障位置权重进行设备故障预测得到设备故障程度；
根据所述设备故障程度对所述待诊断设备进行故障预警处理。
可选地，所述故障预警处理包括故障语音提示和故障信息推送，处理器1001可以用于调用存储器1005中存储的基于振动和声音数据的融合诊断程序，并执行以下操作：
根据所述设备故障程度对所述待诊断设备进行故障语音提示；
和/或者，
根据所述设备故障程度对所述待诊断设备进行故障信息推送。
可选地，处理器1001可以用于调用存储器1005中存储的基于振动和声音数据的融合诊断程序，并执行以下操作：
对各所述历史信号进行故障边缘检测处理得到各临界历史信号；
所述根据各所述历史信号训练预设的各故障诊断模型的步骤，包括：
根据各所述临界历史信号训练预设的各故障诊断模型。
基于上述的硬件结构，提出本发明基于振动和声音数据的融合诊断方法各个实施例的整体构思。
在本发明实施例中，科技水平的提升促使越来越多的机器设备出现在人们的视野并代替人们的工作。而随着设备使用时间的增长，其发生故障的风险也相应会越来越高。
相关技术对于设备进行故障检测时，需要技术人员先通过传感器采集设备运行时产生的振动信号，然后再将振动信号传递至监测中心进行分析处理，从而通过异常的振动信号来判断设备的故障状态。
然而，传统的故障检测方法仅靠振动信号来检测，只能在振动信号异常时才可识别出设备发生了故障，并且无法给出设备具体的故障位置，以致设备维护人员需耗费大量时间维修设备。
针对上述问题，本发明实施例提出一种基于振动和声音数据的融合诊断方法、系统、设备及介质，其中，基于振动和声音数据的融合诊断方法包括：根据待诊断设备的设备性质在待诊断设备上确定各个监测点，并分别在各个监测点处设置振动声音采集模块，即，在每个监测点均设置振动传感器和声音传感器，然后在待诊断设备处于正常运行状态时，获取预设时间段内振动传感器和声音传感器采集的各个监测点对应的历史信号，和，获取各个监测点的实时信号，并根据各个历史信号训练预设的各个故障诊断模型，并将各个实时信号输入训练完成的故障诊断模型进行故障诊断处理得到各个监测点的故障诊断结果。
相比传统通过振动信号进行设备故障检测的方式来说，本发明通过在设备中确定各个监测点，并在设备正常运行时采集各个监测点的声音信号和振动信号，进而将各个监测点的声音信号和振动信号用于训练各个故障诊断模型，并通过各训练完成的故障诊断模型对各监测点实时采集的声音信号和振动信号进行故障诊断得到各个监测点故障诊断结果的方式，能够实现确定设备中发生故障的具体位置，从而便于维护人员维修的效果。
基于上述本发明基于振动和声音数据的融合诊断方法的总体构思，提出本发明基于振动和声音数据的融合诊断方法的各个实施例。
请参照图2，图2为本发明基于振动和声音数据的融合诊断方法第一实施例的流程示意图。需要说明的是，虽然在流程图中示出了逻辑顺序，但是在某些情况下，当然可以以不同于此处的顺序执行本发明基于振动和声音数据的融合诊断方法的各个步骤。
需要说明的是，在一种可行的实施例中，本发明基于振动和声音数据的融合诊断方法的执行主体为故障诊断设备。
在本实施例中，本发明基于振动和声音数据的融合诊断方法包括：
步骤S10：根据待诊断设备的设备性质在所述待诊断设备上确定各个监测点，并分别在各所述监测点设置振动声音采集模块，所述振动声音采集模块包括振动传感器和声音传感器；
在本实施例中，故障诊断设备首先根据待诊断设备的设备性质在待诊断设备上确定各个监测点，并分别在各个监测点设置用于采集振动信号的振动传感器和用于采集声音信号的声音传感器。
步骤S20：获取预设时间段内所述待诊断设备正常运行时各所述振动声音采集模块各自采集的历史信号，和，获取各所述振动声音采集模块各自采集的实时信号；
在本实施例中，故障诊断设备将在预设时间段内该待诊断设备正常运行时，获取设置在各个监测点的振动声音采集模块各自采集的历史信号，以及，获取各个振动声音采集模块各自采集的实时信号。
步骤S30：根据各所述历史信号训练预设的各故障诊断模型，并控制各训练完成的故障诊断模型对各所述实时信号进行故障诊断处理得到各所述监测点的故障诊断结果；
在本实施例中，故障诊断设备根据各个监测点采集的各个历史信号训练预设的各个故障诊断模型，并控制各个训练完成的故障诊断模型对各个监测点采集的实时信号进行故障诊断处理得到各个监测点的故障诊断结果。
需要说明的是，预设的故障诊断模型为深度残差收缩网络模型，包含输入层、卷积层、一系列的基本模块以及全局均值池化和全连接输出层，其中，基本模块是通过一个小型子网络。
示例性地，假设待诊断设备为电变压器，故障诊断设备根据电变压器的设备性质在电变压器上设置8个监测点，并在每个监测点设置振动传感器和声音传感器，然后获取预设时间段内电变压器正常运行时，每个监测点采集的振动信号和声音信号，例如，在电变压器正常运行时，获取预设时间段为24小时的每个监测点的声音传感器和振动传感器采集的振动信号和声音信号，则故障诊断设备获取8段历史信号，并且，故障诊断设备还将获取振动传感器和声音传感器采集的8段实时信号，然后，故障诊断设备将8段电变压器正常运行的历史信号分别输入8个深度残差收缩网络模型中，使得历史信号在卷积层、基本模块、全局均值池化的处理下收敛，以完成深度残差收缩网络模型的训练，进而控制训练完成的8个深度残差收缩网络模型分别对8个实时信号进行故障诊断处理得到8个监测点的故障诊断结果。例如，电变压器外壳上设置有一个监测点，则对该监测点设置一个残差收缩网络模型，并通过该监测点的历史信号完成模型训练，进而通过训练完成的模型对该监测点的实时信号进行故障诊断处理得到该监测点的故障预测结果。
在本实施例中，本发明通过利用待诊断设备正常运行时的各个监测点的历史信号对各个故障诊断模型进行训练，并通过训练完成的各个故障诊断模型对各自对应的实时信号进行故障诊断处理得到各个监测点的故障预测结果的方式，能够实现确定设备故障位置的效果。
进一步地，基于上述本发明基于振动和声音数据的融合诊断方法的第一实施例，提出本发明基于振动和声音数据的融合诊断方法的第二实施例。
在本实施例中，所述设备性质包括：设备零件位置信息和设备零件连接信息，上述步骤S10：根据待诊断设备的设备性质在所述待诊断设备上确定各个监测点，包括：
步骤S101：根据待诊断设备的设备零件位置信息在所述待诊断设备上确定各个监测点;
在本实施例中，故障诊断设备根据待诊断设备的设备零件位置信息在待诊断设备的各个零件上确定各个监测点。
步骤S102：根据待诊断设备的设备零件连接信息在所述待诊断设备上确定各个监测点。
在本实施例中，故障诊断设备还根据待诊断设备的设备零件连接信息在待诊断设备上确定各个监测点。
示例性地，假设待诊断设备为电变压器，则故障诊断设备可以根据设备零件位置信息对电变压器中较易异常、脱落、移位的零件信息确定各个监测点，故障诊断设备还可以根据设备零件连接信息在待诊断设备上，各个零件的连接位置处设置各个监测点；故障诊断设备还可以根据设备零件连接信息和设备零件位置信息在待诊断设备上，确定各个监测点。
可选地，上述步骤S20：获取预设时间段内所述待诊断设备正常运行时各所述振动声音采集模块各自采集的历史信号，包括：
步骤S201：获取预设时间段内所述待诊断设备正常运行时各所述振动传感器各自采集的历史振动信号；
在本实施例中，故障诊断设备将通过设置在各个监测点的振动传感器各自采集预设时间段内待诊断设备正常运行时产生的历史振动信号。
步骤S202：获取预设时间段内所述待诊断设备正常运行时各所述声音传感器各自采集的历史声音信号；
在本实施例中，故障诊断设备将通过设置在各个监测点的声音传感器各自采集预设时间段内待诊断设备正常运行时产生的历史声音信号。
步骤S203：对各所述历史振动信号和各所述历史声音信号进行信号预处理得到各历史信号。
在本实施例中，故障诊断设备在得到各个监测点的历史振动信号和各个监测点的历史声音信号后，对各个监测点采集的历史振动信号和历史声音信号进行信号预处理得到各个历史信号。
示例性地，假设待诊断设备中设有8个监测点，每个监测点均设有振动传感器和声音传感器，假设在预设时间段内，待诊断设备正常运行，8组振动传感器采集8组历史振动信号，8组声音传感器采集8组历史声音信号，然后故障诊断设备对每个监测点采集的历史振动信号和历史声音信号进行信号预处理得到历史信号，由于该待诊断设备中设有8个监测点，故得到8组历史信号，图3为本发明基于振动和声音数据的融合诊断方法一实施例的信号采集处理流程示意图，其中，故障诊断设备通过各个监测点的振动传感器采集历史振动信号，通过各个监测点的声音传感器采集历史声音信号，并对各个历史振动信号和各个历史声音信号进行预处理得到各个历史信号。
可选地，所述信号预处理包括：滤波降噪处理和信号叠加处理，上述步骤S203：对各所述历史振动信号和各所述历史声音信号进行预处理得到各历史信号，包括：
步骤S2031：对各所述历史振动信号进行滤波降噪处理得到各历史振动有效信号；
在本实施例中，故障诊断设备在得到各个历史振动信号后，还将对各个历史振动信号进行滤波降噪处理以去除历史振动信号中的噪声并得到各个历史振动有效信号。
步骤S2032：对各所述历史声音信号进行滤波降噪处理得到各历史声音有效信号；
在本实施例中，故障诊断设备在得到各个历史声音信号后，还将对各个历史声音信号进行滤波降噪处理以去除历史声音信号中的噪声并得到各个历史声音有效信号。
步骤S2033：根据各所述历史振动有效信号和各所述历史声音有效信号进行信号叠加处理得到各历史信号。
需要说明的是，叠加处理指的是，将声音信号和振动信号整合成信号数据对。
在本实施例中，故障诊断设备在对历史振动信号和历史声音信号进行滤波降噪处理分别得到历史振动有效信号和历史声音有效信号后，再根据各个历史振动有效信号和各个历史声音有效信号的采集时间，对各个历史振动有效信号和各个历史声音有效信号进行叠加处理得到历史信号数据对，并将历史信号数据对作为历史信号。
在本实施例中，假设待诊断设备上设有8组监测点，并且故障诊断设备获取8组历史振动信号及8组历史声音信号，故障诊断设备将对8组历史振动信号进行滤波降噪处理，去除历史振动信号中的振动噪声，对8组历史声音信号进行滤波降噪处理，去除历史声音信号中的声音噪声，以得到8组历史声音有效信号和8组历史振动有效信号，然后故障诊断设备将以采集时间为依据，将历史振动有效信号与对应采集时间的历史声音有效信号进行叠加处理得到历史信号数据对，并将历史信号数据对作为历史信号。例如，故障诊断设备将12:00-13:00采集的历史振动有效信号和历史声音有效信号作为历史信号数据对，并将该历史信号数据对作为历史信号，需要说明的是，实时信号也需进行与得到历史信号相同的处理流程。图4为本发明基于振动和声音数据的融合诊断方法一实施例的信号处理流程示意图，其中，故障诊断设备对历史振动信号和历史声音信号均进行滤波降噪处理，并将进行滤波降噪处理后的历史振动有效信号和历史声音有效信号进行信号叠加以得到历史信号。
可选地，所述故障诊断结果包括：故障位置和故障位置权重，在上述步骤S30：控制各训练完成的故障诊断模型对各所述实时信号进行故障诊断处理得到各所述监测点的故障诊断结果之后，所述基于振动和声音数据的融合诊断方法还包括：
步骤S40：根据所述故障诊断结果对所述待诊断设备进行故障预警处理。
在本实施例中，故障诊断设备在通过故障诊断模型得到各个监测点的故障预测结果后，再根据故障诊断结果对待诊断设备的工作状态进行故障预警处理。
示例性地，假设一待诊断设备上设有5个监测点，故障诊断设备得到的5个故障预测结果分别为“正常”，“正常”，“正常”，“一般故障”，“正常”，故障诊断设备再根据上述5个故障预测结果对待诊断设备的工作状态进行故障预警处理。
基于此，上述步骤S40：根据所述故障诊断结果对所述待诊断设备进行故障预警处理，包括：
步骤S401：根据所述故障位置和所述故障位置权重进行设备故障预测得到设备故障程度；
需要说明的是，故障位置权重可以是技术人员根据监测点位置重要程度指定的，也可以是故障诊断设备根据该待诊断设备的历史数据得到的，需要说明的是，通过故障诊断结果得到设备故障程度的方式，还可以是采用模型预测。
在本实施例中，故障诊断结果包括故障位置和故障位置权重，故障诊断设备将根据监测点的故障位置以及与故障位置对应的故障位置权重通过模型进行设备故障预测得到设备故障程度。
步骤S402：根据所述设备故障程度对所述待诊断设备进行故障预警处理。
在本实施例中，故障诊断设备得到设备故障程度后，将根据设备故障程度对待诊断设备进行故障预警处理。
示例性地，假设待诊断设备中设置5个监测点，故障诊断设备根据5个故障诊断模型得到的故障诊断结果分别为“未发生故障，权重5%”，“未发生故障，权重20%”，“一般故障，5%”，“未发生故障，30%”，“一般故障，5%”，则故障诊断设备对上述故障诊断结果通过模型分析进行设备故障预测处理得到设备故障程度为“较轻程度故障，监测点3和监测点5发生轻微故障”，故障诊断设备根据该设备故障程度对该待诊断设备进行故障预警处理。
可选的，所述故障预警处理包括故障语音提示和故障信息推送，上述步骤S402：根据所述设备故障程度对所述待诊断设备进行故障预警处理的步骤，包括：
步骤S4021：根据所述设备故障程度对所述待诊断设备进行故障语音提示；
在本实施例中，故障诊断设备在得到待诊断设备的设备故障程度后，可以根据设备故障程度对该待诊断设备进行故障语音提示，以提醒技术人员及时维修该设备。
步骤S4022：根据所述设备故障程度对所述待诊断设备进行故障信息推送。
在本实施例中，故障诊断设备在得到待诊断设备的设备故障程度后，可以根据设备故障程度对该待诊断设备进行故障信息推送，向技术人员的终端设备推送设备故障位置以及维修紧急程度。
需要说明的是，故障诊断设备中还可以设置紧急关停故障设备的功能，以提高故障设备的安全性。
示例性地，假设待诊断设备的编号为X，设备故障程度为“较轻程度故障，监测点3和监测点5发生轻微故障”，并且设备发生故障的位置对于设备正常运行的影响较小，则故障诊断设备可以发出“X设备的监测点3和监测点5发生轻微故障，请及时维修”的语音提示，假设设备故障程度为“严重程度故障，监测点3和监测点5发生严重故障”，则故障诊断设备可以将“X设备的监测点3和监测点5发生严重故障，请及时维修”的信息推送到技术人员的终端设备，并自动关停X设备。
在本实施例中，本发明通过待诊断设备的设备性质确定各个监测点的方式，和，通过对振动传感器和声音传感器进行滤波降噪处理以及将声音信号和振动信号整合成信号数据对的方式，能够利用振动信号和声音信号的关联特征，使得设备故障的诊断信息准确性更高。此外，本发明还通过根据故障位置和故障位置权重进行语音或者消息推送的方式，提高了设备运行的安全性。
进一步地，基于上述本发明基于振动和声音数据的融合诊断方法的第一实施例和第二实施例，提出本发明基于振动和声音数据的融合诊断方法的第三实施例。
在本实施例中，在上述步骤S30：根据各所述历史信号训练预设的各故障诊断模型之前，所述融合诊断方法还包括：
步骤S50：对各所述历史信号进行故障边缘检测处理得到各临界历史信号；
需要说明的是，故障边缘检测处理指的是，将信号中接近设备故障状态的信号筛选出来。
在本实施例中，故障诊断设备在将各个监测点采集的历史信号输入各故障诊断模型以训练模型之前，故障诊断设备还将对各个历史信号中接近设备故障状态的信号进行筛选以得到各临界历史信号。
示例性地，在不影响待诊断设备正常运行的前提下，技术人员可以对监测点位置的设备零件位置进行调整以接近故障状态，而设置在各个监测点的传感器将采集到接近故障状态的历史信号，在将各个历史信号输入各个故障诊断模型前，故障诊断设备将接近故障状态的历史信号筛选出来得到临界历史信号，以便故障诊断模型根据临界历史信号判断设备临近故障的状态。
基于此，上述步骤S30：根据各所述历史信号训练预设的各故障诊断模型，包括：
步骤S301：根据各所述临界历史信号训练预设的各故障诊断模型。
在本实施例中，故障诊断设备可以根据各个监测点的各个临界历史信号训练预设的故障诊断模型。
示例性的，假设根据待诊断设备的历史数据得到：待诊断设备中X零件易发生移位现象，并且将该零件位置设置为第5个监测点，则技术人员可以对该零件位置进行调整使得待诊断设备接近故障状态，并将历史信号中接近该故障状态的历史信号筛选出来得到临界历史信号，并通过得到的临界历史信号训练与第5个监测点对应的故障诊断模型。
在本实施例中，本发明通过获取待诊断设备处于故障临界状态的历史信号以训练故障诊断模型的方式，能够提高故障诊断模型的故障识别能力。
另外，本发明实施例还提出一种基于振动和声音数据的融合诊断系统。
请参照图5，本发明所述基于振动和声音数据的融合诊断系统包括：
监测点确定模块10，用于根据待诊断设备的设备性质在所述待诊断设备上确定各个监测点，并分别在各所述监测点设置振动声音采集模块，所述振动声音采集模块包括振动传感器和声音传感器；
信号获取模块20，用于获取预设时间段内所述待诊断设备正常运行时各所述振动声音采集模块各自采集的历史信号，和，获取各所述振动声音采集模块各自采集的实时信号；
故障诊断模块30，用于根据各所述历史信号训练预设的各故障诊断模型，并控制各训练完成的故障诊断模型对各所述实时信号进行故障诊断处理得到各所述监测点的故障诊断结果；
可选地，所述设备性质包括：设备零件位置信息和设备零件连接信息，监测点确定模块10，包括：
第一监测点设定单元，用于根据待诊断设备的设备零件位置信息在所述待诊断设备上确定各个监测点;
第二监测点设定单元，用于根据待诊断设备的设备零件连接信息在所述待诊断设备上确定各个监测点。
可选地，信号获取模块20，包括：
振动信号获取单元，用于获取预设时间段内所述待诊断设备正常运行时各所述振动传感器各自采集的历史振动信号；
声音信号获取单元，用于获取预设时间段内所述待诊断设备正常运行时各所述声音传感器各自采集的历史声音信号；
信号处理单元，用于对各所述历史振动信号和各所述历史声音信号进行信号预处理得到各历史信号。
可选地，所述信号预处理包括：滤波降噪处理和信号叠加处理，上述信号处理单元，包括：
振动信号处理子单元，用于对各所述历史振动信号进行滤波降噪处理得到各历史振动有效信号；
声音信号处理子单元，用于对各所述历史声音信号进行滤波降噪处理得到各历史声音有效信号；
信号叠加处理子单元，用于根据各所述历史振动有效信号和各所述历史声音有效信号进行信号叠加处理得到各历史信号。
可选地，所述故障诊断结果包括：故障位置和故障位置权重，所述基于振动和声音数据的融合诊断系统，还包括：
故障预警模块，用于根据所述故障诊断结果对所述待诊断设备进行故障预警处理。
上述故障预警模块，包括：
设备故障预测单元，用于根据所述故障位置和所述故障位置权重进行设备故障预测得到设备故障程度；
设备故障预警单元，用于根据所述设备故障程度对所述待诊断设备进行故障预警处理。
可选地，所述故障预警处理包括故障语音提示和故障信息推送，上述设备故障预警单元，包括：
语音提示子单元，用于根据所述设备故障程度对所述待诊断设备进行故障语音提示；
信息推送子单元，用于根据所述设备故障程度对所述待诊断设备进行故障信息推送。
可选地，所述基于振动和声音数据的融合诊断系统还包括：
信号临界模块，用于对各所述历史信号进行故障边缘检测处理得到各临界历史信号；
基于此，上述故障诊断模块30，还用于根据各所述临界历史信号训练预设的各故障诊断模型。
其中，上述基于振动和声音数据的融合诊断系统中各个模块的功能实现与上述基于振动和声音数据的融合诊断方法实施例中各步骤相对应，其功能和实现过程在此处不再一一赘述。
此外，本发明还提出一种故障诊断设备，该故障诊断设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于振动和声音数据的融合诊断程序，所述基于振动和声音数据的融合诊断程序被所述处理器执行时实现如上所述本发明基于振动和声音数据的融合诊断方法的步骤。
本发明故障诊断设备的具体实施例与上述基于振动和声音数据的融合诊断方法各实施例基本相同，在此不作赘述。
此外，本发明还提出一种存储介质，该存储介质上存储有基于振动和声音数据的融合诊断程序，该基于振动和声音数据的融合诊断程序被处理器执行时实现如上所述本发明基于振动和声音数据的融合诊断方法的步骤。
本发明存储介质的具体实施例与上述基于振动和声音数据的融合诊断方法各实施例基本相同，在此不作赘述。
需要说明的是，在本文中，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、物品或者装置不仅包括那些要素，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、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质（如ROM/RAM、磁碟、光盘）中，包括若干指令用以使得一台终端设备（可以是车载电脑，智能手机，计算机，或者服务器等）执行本申请各个实施例所述的方法。
以上仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。
Claims (10)
1.一种基于振动和声音数据的融合诊断方法，其特征在于，所述基于振动和声音数据的融合诊断方法包括：
根据待诊断设备的设备性质在所述待诊断设备上确定各个监测点，并分别在各所述监测点设置振动声音采集模块，所述振动声音采集模块包括振动传感器和声音传感器；
获取预设时间段内所述待诊断设备正常运行时各所述振动声音采集模块各自采集的历史信号，和，获取各所述振动声音采集模块各自采集的实时信号；
根据各所述历史信号训练预设的各故障诊断模型，并控制各训练完成的故障诊断模型对各所述实时信号进行故障诊断处理得到各所述监测点的故障诊断结果。
2.如权利要求1所述的基于振动和声音数据的融合诊断方法，其特征在于，所述设备性质包括：设备零件位置信息和设备零件连接信息，所述根据待诊断设备的设备性质在所述待诊断设备上确定各个监测点的步骤，包括:
根据待诊断设备的设备零件位置信息在所述待诊断设备上确定各个监测点;
和/或者，
根据待诊断设备的设备零件连接信息在所述待诊断设备上确定各个监测点。
3.如权利要求1所述的基于振动和声音数据的融合诊断方法，其特征在于，所述获取预设时间段内所述待诊断设备正常运行时各所述振动声音采集模块各自采集的历史信号的步骤，包括：
获取预设时间段内所述待诊断设备正常运行时各所述振动传感器各自采集的历史振动信号；
获取预设时间段内所述待诊断设备正常运行时各所述声音传感器各自采集的历史声音信号；
对各所述历史振动信号和各所述历史声音信号进行信号预处理得到各历史信号。
4.如权利要求3所述的基于振动和声音数据的融合诊断方法，其特征在于，所述信号预处理包括：滤波降噪处理和信号叠加处理，所述对各所述历史振动信号和各所述历史声音信号进行信号预处理得到各历史信号的步骤，包括：
对各所述历史振动信号进行滤波降噪处理得到各历史振动有效信号；
对各所述历史声音信号进行滤波降噪处理得到各历史声音有效信号；
根据各所述历史振动有效信号和各所述历史声音有效信号进行信号叠加处理得到各历史信号。
5.如权利要求1所述的基于振动和声音数据的融合诊断方法，其特征在于，所述故障诊断结果包括：故障位置和故障位置权重，在所述控制各训练完成的故障诊断模型对各所述实时信号进行故障诊断处理得到各所述监测点的故障诊断结果的步骤之后，所述基于振动和声音数据的融合诊断方法还包括：
根据所述故障诊断结果对所述待诊断设备进行故障预警处理；
所述根据所述故障诊断结果对所述待诊断设备进行故障预警处理的步骤，包括：
根据所述故障位置和所述故障位置权重进行设备故障预测得到设备故障程度；
根据所述设备故障程度对所述待诊断设备进行故障预警处理。
6.如权利要求5所述的基于振动和声音数据的融合诊断方法，其特征在于，所述故障预警处理包括故障语音提示和故障信息推送，所述根据所述设备故障程度对所述待诊断设备进行故障预警处理的步骤，包括：
根据所述设备故障程度对所述待诊断设备进行故障语音提示；
和/或者，
根据所述设备故障程度对所述待诊断设备进行故障信息推送。
7.如权利要求1至6任一项所述的基于振动和声音数据的融合诊断方法，其特征在于，在所述根据各所述历史信号训练预设的各故障诊断模型的步骤之前，所述融合诊断方法还包括：
对各所述历史信号进行故障边缘检测处理得到各临界历史信号；
所述根据各所述历史信号训练预设的各故障诊断模型的步骤，包括：
根据各所述临界历史信号训练预设的各故障诊断模型。
8.一种基于振动和声音数据的融合诊断系统，其特征在于，所述基于振动和声音数据的融合诊断系统包括：
监测点确定模块，用于根据待诊断设备的设备性质在所述待诊断设备上确定各个监测点，并分别在各所述监测点设置振动声音采集模块，所述振动声音采集模块包括振动传感器和声音传感器；
信号获取模块，用于获取预设时间段内所述待诊断设备正常运行时各所述振动声音采集模块各自采集的历史信号，和，获取各所述振动声音采集模块各自采集的实时信号；
故障诊断模块，用于根据各所述历史信号训练预设的各故障诊断模型，并控制各训练完成的故障诊断模型对各所述实时信号进行故障诊断处理得到各所述监测点的故障诊断结果。
9.一种故障诊断设备，其特征在于，所述故障诊断设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于振动和声音数据的融合诊断程序，所述基于振动和声音数据的融合诊断程序被所述处理器执行时实现如权利要求1至7中任一项所述的基于振动和声音数据的融合诊断方法的步骤。
10.一种存储介质，其特征在于，所述存储介质上存储有基于振动和声音数据的融合诊断程序，所述基于振动和声音数据的融合诊断程序被处理器执行时实现如权利要求1至7中任一项所述的基于振动和声音数据的融合诊断方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310821548.1A CN116541800A (zh) | 2023-07-06 | 2023-07-06 | 基于振动和声音数据的融合诊断方法、系统、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310821548.1A CN116541800A (zh) | 2023-07-06 | 2023-07-06 | 基于振动和声音数据的融合诊断方法、系统、设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116541800A true CN116541800A (zh) | 2023-08-04 |
Family
ID=87447508
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310821548.1A Pending CN116541800A (zh) | 2023-07-06 | 2023-07-06 | 基于振动和声音数据的融合诊断方法、系统、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116541800A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116735199A (zh) * | 2023-08-11 | 2023-09-12 | 苏州迈卡格自动化设备有限公司 | 一种基于数字孪生的堆垛机传动系统故障诊断方法及装置 |
| CN117302236A (zh) * | 2023-09-27 | 2023-12-29 | 湖北天凯风林电子有限公司 | 一种基于深度学习的车辆状态监测方法及系统 |
| CN117570013A (zh) * | 2024-01-11 | 2024-02-20 | 浙江大学高端装备研究院 | 一种轴向柱塞泵故障诊断监测方法、装置和系统 |
| CN117870766A (zh) * | 2023-12-28 | 2024-04-12 | 圣名科技(广州)有限责任公司 | 一种冶金生产线数据采集网络构建方法及采集系统 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107421763A (zh) * | 2017-08-01 | 2017-12-01 | 上海庆科信息技术有限公司 | 一种设备故障检测方法及装置 |
| US20210365342A1 (en) * | 2020-05-25 | 2021-11-25 | Wuhan University | Method and system for power equipment diagnosis based on windowed feature and hilbert visualization |
| CN114152825A (zh) * | 2021-11-16 | 2022-03-08 | 国网北京市电力公司 | 变压器的故障诊断方法、装置和变压器的故障诊断系统 |
| CN114397521A (zh) * | 2021-12-24 | 2022-04-26 | 中国人民解放军海军航空大学 | 一种针对电子设备的故障诊断方法及系统 |
| KR102393095B1 (ko) * | 2021-10-06 | 2022-05-02 | 가온플랫폼 주식회사 | 진동, 음향, 이미지 데이터를 활용한 인공지능 기반의 회전설비 고장예지진단시스템 |
| CN114492642A (zh) * | 2022-01-27 | 2022-05-13 | 洛阳中重自动化工程有限责任公司 | 一种多尺度元深度残差收缩网络的机械故障在线诊断方法 |
| CN115790823A (zh) * | 2022-11-15 | 2023-03-14 | 广东工业大学 | Gis刀闸开关的故障诊断方法及多监测点声音振动采集设备 |
| CN115901242A (zh) * | 2022-12-22 | 2023-04-04 | 国能神东煤炭集团有限责任公司 | 机械臂故障的确定方法、确定装置和机械臂健康管理平台 |
| CN116070103A (zh) * | 2023-03-07 | 2023-05-05 | 天津汉云工业互联网有限公司 | 基于多测点多指标的旋转设备健康识别方法和设备 |
-
2023
- 2023-07-06 CN CN202310821548.1A patent/CN116541800A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107421763A (zh) * | 2017-08-01 | 2017-12-01 | 上海庆科信息技术有限公司 | 一种设备故障检测方法及装置 |
| US20210365342A1 (en) * | 2020-05-25 | 2021-11-25 | Wuhan University | Method and system for power equipment diagnosis based on windowed feature and hilbert visualization |
| KR102393095B1 (ko) * | 2021-10-06 | 2022-05-02 | 가온플랫폼 주식회사 | 진동, 음향, 이미지 데이터를 활용한 인공지능 기반의 회전설비 고장예지진단시스템 |
| CN114152825A (zh) * | 2021-11-16 | 2022-03-08 | 国网北京市电力公司 | 变压器的故障诊断方法、装置和变压器的故障诊断系统 |
| CN114397521A (zh) * | 2021-12-24 | 2022-04-26 | 中国人民解放军海军航空大学 | 一种针对电子设备的故障诊断方法及系统 |
| CN114492642A (zh) * | 2022-01-27 | 2022-05-13 | 洛阳中重自动化工程有限责任公司 | 一种多尺度元深度残差收缩网络的机械故障在线诊断方法 |
| CN115790823A (zh) * | 2022-11-15 | 2023-03-14 | 广东工业大学 | Gis刀闸开关的故障诊断方法及多监测点声音振动采集设备 |
| CN115901242A (zh) * | 2022-12-22 | 2023-04-04 | 国能神东煤炭集团有限责任公司 | 机械臂故障的确定方法、确定装置和机械臂健康管理平台 |
| CN116070103A (zh) * | 2023-03-07 | 2023-05-05 | 天津汉云工业互联网有限公司 | 基于多测点多指标的旋转设备健康识别方法和设备 |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116735199A (zh) * | 2023-08-11 | 2023-09-12 | 苏州迈卡格自动化设备有限公司 | 一种基于数字孪生的堆垛机传动系统故障诊断方法及装置 |
| CN117302236A (zh) * | 2023-09-27 | 2023-12-29 | 湖北天凯风林电子有限公司 | 一种基于深度学习的车辆状态监测方法及系统 |
| CN117302236B (zh) * | 2023-09-27 | 2024-03-26 | 湖北天凯风林电子有限公司 | 一种基于深度学习的车辆状态监测方法及系统 |
| CN117870766A (zh) * | 2023-12-28 | 2024-04-12 | 圣名科技(广州)有限责任公司 | 一种冶金生产线数据采集网络构建方法及采集系统 |
| CN117570013A (zh) * | 2024-01-11 | 2024-02-20 | 浙江大学高端装备研究院 | 一种轴向柱塞泵故障诊断监测方法、装置和系统 |
| CN117570013B (zh) * | 2024-01-11 | 2024-04-05 | 浙江大学高端装备研究院 | 一种轴向柱塞泵故障诊断监测方法、装置和系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116541800A (zh) | 基于振动和声音数据的融合诊断方法、系统、设备及介质 | |
| CN109001649B (zh) | 一种电源智能诊断系统及保护方法 | |
| CN108700875A (zh) | 车辆诊断方法、系统、设备及计算机可读存储介质 | |
| EP4116787B1 (en) | Remote vehicle diagnostic and detection method based on instant messaging communication, electronic device, and storage medium | |
| JP4661381B2 (ja) | 故障診断装置、故障診断システム、故障診断方法、及び車載装置 | |
| CN110296842A (zh) | 发动机的诊断方法及装置 | |
| CN113670434B (zh) | 变电站设备声音异常识别方法、装置和计算机设备 | |
| CN112025703B (zh) | 机器人自诊断的方法、装置及系统 | |
| CN202975791U (zh) | 远程车辆诊断系统 | |
| CN110809280B (zh) | 一种铁路无线网络质量的检测预警方法及装置 | |
| CN115027271A (zh) | 混合动力车辆的故障提示方法和车辆 | |
| CN109211327A (zh) | 非接触式车辆状态感知设备及其方法 | |
| CN116522283A (zh) | 基于振动和视频数据的融合诊断方法、装置、设备及介质 | |
| JP2003029818A (ja) | 故障診断システム及び故障診断プログラム | |
| KR20210058713A (ko) | 차량정보와 모바일 플랫폼을 이용한 차량 예측 유지보수 시스템 | |
| CN111220379B (zh) | 一种牵引电机传动系统故障诊断方法及装置 | |
| JP2007293553A (ja) | フィールド機器診断システムおよびフィールド機器診断方法 | |
| JP2018081425A (ja) | 車両の問診システム | |
| CN115031994B (zh) | 一种车辆耐久试验方法和系统 | |
| CN111382937A (zh) | 一种基于fsae赛车的安全状态评估处理方法 | |
| CN116592994A (zh) | 一种变压器运行监测方法、装置和电子设备 | |
| CN110456769A (zh) | 车辆故障诊断方法及系统 | |
| CN108298394A (zh) | 一种加速度传感器构成的电梯运行状态感知器 | |
| CN109857082B (zh) | 自动变速器诊断方法及装置 | |
| CN109597756A (zh) | 一种信息修改方法及设备 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20230804 |