CN116720112A - 一种基于机器学习的机泵故障诊断方法及系统 - Google Patents
一种基于机器学习的机泵故障诊断方法及系统 Download PDFInfo
- Publication number
- CN116720112A CN116720112A CN202310529086.6A CN202310529086A CN116720112A CN 116720112 A CN116720112 A CN 116720112A CN 202310529086 A CN202310529086 A CN 202310529086A CN 116720112 A CN116720112 A CN 116720112A
- Authority
- CN
- China
- Prior art keywords
- fault
- vibration data
- model
- frequency domain
- domain information
- 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 48
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000010801 machine learning Methods 0.000 title claims abstract description 8
- 238000012549 training Methods 0.000 claims abstract description 20
- 238000012545 processing Methods 0.000 claims abstract description 11
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 9
- 238000005461 lubrication Methods 0.000 claims description 11
- 238000004891 communication Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- QVFWZNCVPCJQOP-UHFFFAOYSA-N chloralodol Chemical compound CC(O)(C)CC(C)OC(O)C(Cl)(Cl)Cl QVFWZNCVPCJQOP-UHFFFAOYSA-N 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 abstract description 3
- 238000004458 analytical method Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
- F04B—POSITIVE-DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS
- F04B51/00—Testing machines, pumps, or pumping installations
-
- 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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mechanical Engineering (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Control Of Positive-Displacement Pumps (AREA)
Abstract
本发明公开了一种基于机器学习的机泵故障诊断方法及系统,包括:历史振动数据打标签处理步骤;对历史振动数据进行快速傅里叶变换处理,获取历史振动数据的频域信息,至少包括数据在频域的倍频幅值、高频能量幅值;将历史振动数据的频域信息通过反向传播算法分别训练各故障类型的模型;获取振动数据,将振动数据进行快速傅里叶变换处理,获取振动数据的频域信息;将振动数据的频域信息分别输入至各故障类型的模型,根据模型输出结果计算振动数据的故障等级以及故障占比。本机泵故障诊断方法,通过对已验的历史振动数据进行标记,标记内容至少包括故障等级、故障类型及故障占比,输入参数简单,输出的结果更加直观明确,降低处理人员的专业性要求。
Description
技术领域
本发明属于故障诊断技术领域,具体地说,涉及一种基于机器学习的机泵故障诊断方法及系统。
背景技术
振动分析技术是一种常用的机泵故障诊断技术,通过测量机泵的振动情况来诊断机泵的故障原因。振动分析技术通常使用振动传感器来测量机泵的振动情况,并使用专门的振动分析仪器或软件来分析测量的振动数据。通常,振动分析技术可以帮助发现机泵的轴承故障、叶轮故障、泵壳故障等问题。此外,振动分析技术还可以帮助诊断机泵的转速不均匀、流量不均匀等问题。
当前业界分析机泵故障依然以人工分析为主,通过振动监测设备比如点巡检仪采集振动数据之后由人工进行分析。这种方法人力成本高,仅适用于分析个别设备,早已不能满足大批量设备的自动诊断需求。
在智能诊断方面,业界已存在以深度神经网络与随机森林分类等机器学习模型为基础的诊断方法。深度神经网络算法通常使用较多的参数及层数,包含众多的隐藏层,由于参数过多,推理过程极其复杂,对调试人员的专业要求较高,推理过程只能由专业人员操作。此外,传统的智能诊断技术面临的另外一个问题是,当数据量不足的时候,难以对模型进行优化,故而难以提升准确度当推理结果出错时更是难以调试及修正。
本背景技术所公开的上述信息仅仅用于增加对本申请背景技术的理解,因此,其可能包括不构成本领域普通技术人员已知的现有技术。
发明内容
本发明针对现有对机泵故障智能诊断方法参数过多,推理过程极其复杂,对调试人员的专业要求较高的技术问题,提出了一种机泵故障诊断方法,可以解决上述问题。
为实现上述发明目的,本发明采用下述技术方案予以实现:
一种基于机器学习的机泵故障诊断方法,包括:
历史振动数据打标签处理步骤,将历史振动数据进行标记,标记内容至少包括故障等级、故障类型及故障占比,所述故障占比为所述故障类型的故障占机泵全部类型的故障的比重,所述故障类型至少包括不平衡故障、不对中故障以及欠润滑故障;
对历史振动数据进行快速傅里叶变换处理,获取历史振动数据的频域信息,至少包括数据在频域的倍频幅值、高频能量幅值;
将历史振动数据的频域信息通过反向传播算法分别训练各故障类型的模型;
获取振动数据,将振动数据进行快速傅里叶变换处理,获取振动数据的频域信息;
将振动数据的频域信息分别输入至各故障类型的模型,根据所述模型输出结果计算所述振动数据的故障等级以及故障占比。
在有的实施例中,所述频域信息还包括数据在频域的包络能量值。
在有的实施例中,训练各故障类型的模型时,还包括将ISO国际标准幅值作为输入值,输入至所述模型进行训练。
在有的实施例中,所述倍频幅值包括1~8倍频幅值。
在有的实施例中,所述模型包括不平衡故障模型f(x)、不对中故障模型h(x)以及欠润滑故障模型,其中:
训练各故障类型的模型步骤中,包括训练各模型的参数aji、bji以及cji,其中j=1,2,3,i=1,2,…10,x1~x8分别表示振动数据的1~8倍频幅值,x9表示振动数据的高频能量幅值,x10表示振动数据的包络能量值,x11表示ISO国际标准幅值。
在有的实施例中,所述的机泵故障诊断方法还包括建立故障程度值-故障等级对应表的步骤;
所述振动数据的故障等级的计算方法包括:
计算故障程度值=k1*f(x)+k2*h(x)+k3*g(x);
查找所述故障程度值-故障等级对应表,确定所述故障程度值所对应的故障等级;
其中,k1、k2、k3分别为f(x)、h(x)以及g(x)的权重系数。
在有的实施例中,所述振动数据的故障占比的计算方法包括:
故障占比=k1*f(x):k2*h(x):k3*g(x)。
在有的实施例中,还包括对模型的输出结果进行人工验证的步骤;
当模型输出的结果不正确时,分析误诊原因,修正输出结果,当模型输出的结果正确时,将验证所用的数据加入案例库,继续用于对模型进行训练。
本发明同时提出了一种机泵故障诊断系统,包括:
无线振动传感器,其设置在待检机泵上,用于采集机泵的振动数据;
无线网关,其与所述无线振动传感器无线连接;
云服务器,其通过无线网络与所述无线网关连接,所述无线网关将所述无线振动传感器发送的振动数据上传至所述云服务器;
所述云服务器配置为按照前面任一条所记载的机泵故障诊断方法进行故障诊断。
在有的实施例中,所述无线振动传感器通过Zigbee/Lora无线通信方式与所述无线网关通信,所述无线网关通过4G/5G无线通信方式与所述云服务器通信。
与现有技术相比,本发明的优点和积极效果是:
本发明的机泵故障诊断方法,通过对已验的历史振动数据进行标记,标记内容至少包括故障等级、故障类型及故障占比,并据此训练诊断模型,输入参数简单,输出的结果更加直观明确,降低处理人员的专业性要求。通过获取历史振动数据在频域的倍频幅值、高频能量幅值等信息,不同倍频的幅值能够分别反映不平衡故障、不对中故障、设备基础松动以及转轴松动等信息,高频能量幅值能够体现出机械设备的润滑与碰磨情况,因此,本方案的模型诊断结果的准确性更高。
结合附图阅读本发明的具体实施方式后,本发明的其他特点和优点将变得更加清楚。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图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是本发明提出的机泵故障诊断方法的一种实施例中模型训练步骤流程图;
图2是本发明提出的机泵故障诊断方法的一种实施例中故障诊断步骤流程图;
图3是本发明提出的机泵故障诊断方法的一种实施例中故障诊断模型示意图;
图4是本发明提出的机泵故障诊断方法的一种实施例中不对中故障的频谱图;
图5是本发明提出的机泵故障诊断系统的一种实施例的原理图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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。
需要说明的是,在本发明的描述中,术语“上”、“下”、“左”、“右”、“竖”、“横”、“内”、“外”等指示的方向或位置关系的术语是基于附图所示的方向或位置关系,这仅仅是为了便于描述,而不是指示或暗示所述装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性。在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
在本发明中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或成一体;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。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。
实施例一
本实施例提出了一种基于机器学习的机泵故障诊断方法,如图1、图2所示,包括:
历史振动数据打标签处理步骤,将历史振动数据进行标记,标记内容至少包括故障等级、故障类型及故障占比,故障占比为所述故障类型的故障占机泵全部类型的故障的比重,故障类型至少包括不平衡故障、不对中故障以及欠润滑故障;
对历史振动数据进行快速傅里叶变换处理,获取历史振动数据的频域信息,至少包括数据在频域的倍频幅值、高频能量幅值;
将历史振动数据的频域信息通过反向传播算法分别训练各故障类型的模型;
获取振动数据,将振动数据进行快速傅里叶变换处理,获取振动数据的频域信息;
将振动数据的频域信息分别输入至各故障类型的模型,根据所述模型输出结果计算所述振动数据的故障等级以及故障占比。
本实施例的机泵故障诊断方法,通过对已验的历史振动数据进行标记,标记内容至少包括故障等级、故障类型及故障占比,并据此训练诊断模型,输入参数简单,输出的结果更加直观明确,降低处理人员的专业性要求。通过获取历史振动数据在频域的倍频幅值、高频能量幅值等信息,不同倍频的幅值能够分别反映不平衡故障、不对中故障、设备基础松动以及转轴松动等信息,高频能量幅值能够体现出机械设备的润滑与碰磨情况,因此,本方案的模型诊断结果的准确性更高。
在工业振动分析领域,低倍频具有极强的诊断意义。比如1倍频偏高表示设备极有可能存在不平衡故障,2倍频偏高可能为不对中故障,3倍频与4倍频同时偏高可能为设备基础松动,5倍频与6倍频偏高可能为转轴松动。本系统计选取了分析价值较高的1~8倍频幅值进行分析。而高频能量幅值能够体现出机械设备的润滑与碰磨情况,故而也作为一个重要的计算参数,因此,在有的实施例中,倍频幅值包括1~8倍频幅值。如图4所示,为不对中故障的典型频谱图,可以看出不对中故障分别在1倍频2倍频、3倍频的幅值情况。
而上述参数很难单独用于分析,例如设备基础松动也可能导致1倍频偏高,所以1倍频偏高未必是不平衡故障。故而本方案基于人工智能模型对上述参数进行批量分析并得出结论,提升了准确性。
包络能量值对于部分故障比如滚动轴承故障、齿轮故障、润滑不良具有较为明确的指导意义,因此,在有的实施例中,频域信息还包括数据在频域的包络能量值。
在有的实施例中,训练各故障类型的模型时,还包括将ISO国际标准幅值作为输入值,输入至模型进行训练。ISO国际标准幅值用于为倍频幅值提供参考值。
在有的实施例中,模型包括不平衡故障模型f(x)、不对中故障模型h(x)以及欠润滑故障模型g(x),其中:
训练各故障类型的模型步骤中,包括训练各模型的参数aji、bji以及cji,其中j=1,2,3,i=1,2,…10,x1~x8分别表示振动数据的1~8倍频幅值,x9表示振动数据的高频能量幅值,x10表示振动数据的包络能量值,x11表示ISO国际标准幅值。
如图3所示,f(x)、h(x)、g(x)三个模型函数的输入为x1、x2、x3...x11,输出为单一的标量。o(x)的输入为f(x)、h(x)、g(x)的输出,输出为故障综合严重程度评分及各故障原因的比重。
本方案通过分别训练不平衡类型、不对中类型、欠润滑类型作为整个系统中的可见层。不仅要分析出设备运行状态及可能的故障原因,还要输出可以被人类思维理解的推导过程,便于设备维护工程师理解并调试。
在有的实施例中,机泵故障诊断方法还包括建立故障程度值-故障等级对应表的步骤;
振动数据的故障等级的计算方法包括:
计算故障程度值=k1*f(x)+k2*h(x)+k3*g(x);
查找故障程度值-故障等级对应表,确定故障程度值所对应的故障等级;
其中,k1、k2、k3分别为f(x)、h(x)以及g(x)的权重系数。
在有的实施例中,振动数据的故障占比的计算方法包括:
故障占比=k1*f(x):k2*h(x):k3*g(x)。
在有的实施例中,还包括对模型的输出结果进行人工验证的步骤;
当模型输出的结果不正确时,分析误诊原因,修正输出结果,当模型输出的结果正确时,将验证所用的数据加入案例库,继续用于对模型进行训练。可以进一步优化模型。
训练各故障类型的模型步骤中,通过反向传播算法计算不平衡模型、不对中模型以及欠润滑模型。反向传播算法基于已有数据集反向推导模型的算法。
本实施例使用已经进行人工验证的历史振动数据对模型进行训练求解。
以训练不平衡故障模型f(x)为例,数据集以x1~x11共计十一个输入参数为一组输入数据,以y1、y2、y3为f(x)、h(x)、g(x)的一组期望数据。共计使用m组数据,根据残差平方和算法计算f(x)的偏差J函数。x(i)表示第i组输入数据,y(i)表示f(x)函数与x(i)对应的第i组输出数据,则有:
已知偏差函数J的结果越小,模型准确度越高。基于梯度下降法对f(x)的各个参数进行求解,计算步骤为:
…
…
…
…
其中α为预设的学习率,例如可设置为0.01。
各参数的计算需要重复执行,指导偏差J函数的输出趋于稳定。
同理的,由上述步骤、计算不对中故障模型h(x)和欠润滑故障模型g(x)中的参数。
在对振动数据诊断步骤中,汇总模型o(f(x),h(x),g(x))以f(x),h(x),g(x)的输入作为输出,经过权重计算之后得出最终的结论。
实施例二
本实施例提出了一种机泵故障诊断系统,如图5所示,包括:
无线振动传感器,其设置在待检机泵上,用于采集机泵的振动数据;
无线网关,其与所述无线振动传感器无线连接;
云服务器,其通过无线网络与所述无线网关连接,所述无线网关将所述无线振动传感器发送的振动数据上传至所述云服务器;
所述云服务器配置为按照实施例一中所记载的机泵故障诊断方法进行故障诊断。
在有的实施例中,所述无线振动传感器通过Zigbee/Lora无线通信方式与所述无线网关通信,所述无线网关通过4G/5G无线通信方式与所述云服务器通信。
机泵故障诊断方法可以参见实施例一中记载,在此不做赘述。
以上实施例仅用以说明本发明的技术方案,而非对其进行限制;尽管参照前述实施例对本发明进行了详细的说明,对于本领域的普通技术人员来说,依然可以对前述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;而这些修改或替换,并不使相应技术方案的本质脱离本发明所要求保护的技术方案的精神和范围。
Claims (10)
1.一种基于机器学习的机泵故障诊断方法,其特征在于,包括:
历史振动数据打标签处理步骤,将历史振动数据进行标记,标记内容至少包括故障等级、故障类型及故障占比,所述故障占比为所述故障类型的故障占机泵全部类型的故障的比重,所述故障类型至少包括不平衡故障、不对中故障以及欠润滑故障;
对历史振动数据进行快速傅里叶变换处理,获取历史振动数据的频域信息,至少包括数据在频域的倍频幅值、高频能量幅值;
将历史振动数据的频域信息通过反向传播算法分别训练各故障类型的模型;
获取振动数据,将振动数据进行快速傅里叶变换处理,获取振动数据的频域信息;
将振动数据的频域信息分别输入至各故障类型的模型,根据所述模型输出结果计算所述振动数据的故障等级以及故障占比。
2.根据权利要求1所述的机泵故障诊断方法,其特征在于,所述频域信息还包括数据在频域的包络能量值。
3.根据权利要求2所述的机泵故障诊断方法,其特征在于,训练各故障类型的模型时,还包括将ISO国际标准幅值作为输入值,输入至所述模型进行训练。
4.根据权利要求3所述的机泵故障诊断方法,其特征在于,所述倍频幅值包括1~8倍频幅值。
5.根据权利要求4所述的机泵故障诊断方法,其特征在于,所述模型包括不平衡故障模型f(x)、不对中故障模型h(x)以及欠润滑故障模型,其中:
训练各故障类型的模型步骤中,包括训练各模型的参数aji、bji以及cji,其中j=1,2,3,i=1,2,…10,x1~x8分别表示振动数据的1~8倍频幅值,x9表示振动数据的高频能量幅值,x10表示振动数据的包络能量值,x11表示ISO国际标准幅值。
6.根据权利要求5所述的机泵故障诊断方法,其特征在于,所述的机泵故障诊断方法还包括建立故障程度值-故障等级对应表的步骤;
所述振动数据的故障等级的计算方法包括:
计算故障程度值=k1*f(x)+k2*h(x)+k3*g(x);
查找所述故障程度值-故障等级对应表,确定所述故障程度值所对应的故障等级;
其中,k1、k2、k3分别为f(x)、h(x)以及g(x)的权重系数。
7.根据权利要求6所述的机泵故障诊断方法,其特征在于,所述振动数据的故障占比的计算方法包括:
故障占比=k1*f(x):k2*h(x):k3*g(x)。
8.根据权利要求1-7任一项所述的机泵故障诊断方法,其特征在于,还包括对模型的输出结果进行人工验证的步骤;
当模型输出的结果不正确时,分析误诊原因,修正输出结果,当模型输出的结果正确时,将验证所用的数据加入案例库,继续用于对模型进行训练。
9.一种机泵故障诊断系统,其特征在于,包括:
无线振动传感器,其设置在待检机泵上,用于采集机泵的振动数据;
无线网关,其与所述无线振动传感器无线连接;
云服务器,其通过无线网络与所述无线网关连接,所述无线网关将所述无线振动传感器发送的振动数据上传至所述云服务器;
所述云服务器配置为按照权利要求1-8任一项所述的机泵故障诊断方法进行故障诊断。
10.根据权利要求9所述的机泵故障诊断系统,其特征在于,所述无线振动传感器通过Zigbee/Lora无线通信方式与所述无线网关通信,所述无线网关通过4G/5G无线通信方式与所述云服务器通信。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310529086.6A CN116720112A (zh) | 2023-05-11 | 2023-05-11 | 一种基于机器学习的机泵故障诊断方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310529086.6A CN116720112A (zh) | 2023-05-11 | 2023-05-11 | 一种基于机器学习的机泵故障诊断方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116720112A true CN116720112A (zh) | 2023-09-08 |
Family
ID=87865019
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310529086.6A Pending CN116720112A (zh) | 2023-05-11 | 2023-05-11 | 一种基于机器学习的机泵故障诊断方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116720112A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116933024A (zh) * | 2023-09-15 | 2023-10-24 | 青岛埃恩斯信息技术科技有限公司 | 旋转类设备运行状态监控方法及系统 |
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 |
CN117591831A (zh) * | 2024-01-16 | 2024-02-23 | 南京凯奥思数据技术有限公司 | 基于故障倍频特征和神经网络的故障诊断方法及系统 |
-
2023
- 2023-05-11 CN CN202310529086.6A patent/CN116720112A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116933024A (zh) * | 2023-09-15 | 2023-10-24 | 青岛埃恩斯信息技术科技有限公司 | 旋转类设备运行状态监控方法及系统 |
CN116933024B (zh) * | 2023-09-15 | 2023-11-21 | 青岛埃恩斯信息技术科技有限公司 | 旋转类设备运行状态监控方法及系统 |
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 |
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 |
CN117591831A (zh) * | 2024-01-16 | 2024-02-23 | 南京凯奥思数据技术有限公司 | 基于故障倍频特征和神经网络的故障诊断方法及系统 |
CN117591831B (zh) * | 2024-01-16 | 2024-03-22 | 南京凯奥思数据技术有限公司 | 基于故障倍频特征和神经网络的故障诊断方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116720112A (zh) | 一种基于机器学习的机泵故障诊断方法及系统 | |
CN106338406B (zh) | 列车牵引电传动系统的在线监测与故障预警系统及方法 | |
CN110766277B (zh) | 用于核工业现场的健康评估及诊断系统和移动终端 | |
CN109033930B (zh) | 基于故障机理和统计模型在线学习的设备故障诊断方法 | |
CN107003665B (zh) | 用于评估连接到马达的旋转机械的状态的方法 | |
CN111401584B (zh) | 一种设备故障自动诊断方法及系统 | |
CN109613428A (zh) | 一种能像系统及其在电机设备故障检测方法中的应用 | |
CN110008350A (zh) | 一种基于贝叶斯推理的机泵安康知识库查找方法 | |
CN111337237B (zh) | 一种设备故障的诊断方法及系统 | |
CN107271170A (zh) | 一种机械设备故障类型的自动诊断方法及系统 | |
CN113757093B (zh) | 一种闪蒸汽压缩机组故障诊断方法 | |
CN111428386B (zh) | 基于复杂网络的电梯曳引机转子故障诊断信息融合方法 | |
CN103616187A (zh) | 一种基于多维度信息融合的故障诊断方法 | |
CN113408068A (zh) | 一种随机森林分类的机泵故障诊断方法及装置 | |
CN109241838A (zh) | 基于心理声学客观参数的变速器质量评价方法 | |
CN109270458A (zh) | 智能故障诊断方法、系统、风电机组及存储介质 | |
CN115455358A (zh) | 基于非线性回归模型的电气参数趋势预警及故障诊断方法 | |
CN114154779A (zh) | 一种基于emd-som的健康评估与故障诊断方法及系统 | |
CN116956215A (zh) | 一种传动系统故障诊断方法及系统 | |
CN117272032B (zh) | 一种基于振动检测的空压机故障诊断方法与装置 | |
CN116907586B (zh) | 一种基于云计算的超声设备运行状态管理系统及方法 | |
CN117350377A (zh) | 一种基于知识图谱驱动的设备故障诊断方法及装置 | |
JP2020008337A (ja) | 設備の異常診断装置及び異常診断方法 | |
CN113159342A (zh) | 一种基于模糊综合评判的地铁信号系统维修方法 | |
CN112380782A (zh) | 一种基于混合指标和神经网络的旋转设备故障预测方法 |
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 |