CN116773186A - 基于多模态数据的减速机运行检测方法及系统 - Google Patents
基于多模态数据的减速机运行检测方法及系统 Download PDFInfo
- Publication number
- CN116773186A CN116773186A CN202311054717.XA CN202311054717A CN116773186A CN 116773186 A CN116773186 A CN 116773186A CN 202311054717 A CN202311054717 A CN 202311054717A CN 116773186 A CN116773186 A CN 116773186A
- Authority
- CN
- China
- Prior art keywords
- data point
- parameter
- value
- parameter data
- taking
- 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
- 239000003638 chemical reducing agent Substances 0.000 title claims abstract description 64
- 238000001514 detection method Methods 0.000 title claims abstract description 19
- 238000000034 method Methods 0.000 claims abstract description 40
- 230000002159 abnormal effect Effects 0.000 claims abstract description 33
- 230000004927 fusion Effects 0.000 claims abstract description 17
- 230000006870 function Effects 0.000 claims description 18
- 238000010606 normalization Methods 0.000 claims description 12
- 230000035772 mutation Effects 0.000 claims description 11
- 238000005070 sampling Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 4
- 239000004973 liquid crystal related substance Substances 0.000 description 12
- 230000005856 abnormality Effects 0.000 description 10
- 230000000694 effects Effects 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- -1 temperature Substances 0.000 description 1
Landscapes
- Complex Calculations (AREA)
Abstract
本发明涉及数据处理领域,具体涉及一种基于多模态数据的减速机运行检测方法及系统。该方法包括:获取减速机运行时的振动数据点和不同运行参数的参数数据点,对运行参数进行子区间划分,在子区间内,根据振动数据点和参数数据点的异常程度获得参考价值;根据参数数据点的分布获得约束值,结合参考价值和约束值得到参数数据点的必要程度,根据必要程度对插值误差的计算进行优化,得到最优插值阶数,根据最优插值阶数对运行参数进行插值,获取多模态数据并进行特征融合,实现对减速机运行状态的检测,本发明提高了选取的插值阶数的准确性和插值结果的准确性,在利用多模态数据进行特征融合后,提高了对减速机运行状态检测的准确性。
Description
技术领域
本发明涉及数据处理领域,具体涉及一种基于多模态数据的减速机运行检测方法及系统。
背景技术
由于使用单一的振动数据对减速机进行检测时,并不能全面的检测减速机的运行状态,因此可通过多个传感器采集例如温度、油液状况等多个运行参数的数据,并通过多模态特征融合等算法实现当前运行状态的模型构建,从而对减速机运行进行全面检测,但由于不同运行参数受限于参数特性和传感器的差异,在进行数据采样时,采样频率互不相同,导致多模态数据进行融合后会对结果造成较大的干扰,因此通常采用样条插值算法对多模态数据进行插值,从而实现对不同采样频率的整合。
相关技术中,通过每次使用不同阶数的插值函数对数据进行插值,根据每次插值后的误差函数值的大小对插值阶数进行自适应选择。但对于多模态数据,不同参数数据点之间的意义存在差异,不同参数数据点对插值后产生的误差的要求不同,有些参数数据点在插值后允许存在较大误差,有些参数数据点在插值后不允许存在较大误差,如果在误差函数中对不同的参数数据点使用相同的权重,会降低自适应选取的插值阶数的准确性,导致最终的插值结果不佳,降低多模态数据融合后对减速机运行状态检测的准确性。
发明内容
为了解决现有的样条插值算法对自适应选取的插值阶数不准确,导致最终的插值结果不佳,降低使用多模态数据融合后对减速机运行状态检测的准确性的技术问题,本发明的目的在于提供一种基于多模态数据的减速机运行检测方法及系统,所采用的技术方案具体如下:
本发明提出了一种基于多模态数据的减速机运行检测方法,所述方法包括:
获取减速机运行时的振动数据点和模态数据点,所述模态数据点包括不同运行参数的参数数据点,其中,对每个所述运行参数的采样频率互不相同;根据每个所述振动数据点所在时刻下存在的参数数据点的数量,获得运行参数的子区间,将任意一个所述子区间作为目标子区间;
在所述目标子区间内,将时序上与所述参数数据点相距最近的振动数据点作为参数数据点的参考振动数据点,根据每个所述参数数据点与所述参考振动数据点之间的时间间隔以及所述参考振动数据点的幅值,获得每个参数数据点的基础参考价值;
根据所述目标子区间内所有运行参数中参数数据点的幅值,获得所述目标子区间的整体参考价值;根据所述基础参考价值和所述整体参考价值获得每个参数数据点的参考价值;
根据所述目标子区间内每个运行参数的所述参数数据点的分布,获得每个运行参数在目标子区间内的约束值;根据所述参考价值和所述约束值获得每个参数数据点的必要程度;
在所述目标子区间内对每个运行参数进行插值,根据所述必要程度和每个所述参数数据点插值前后幅值的差异获得每个运行参数的最优插值阶数;
根据所述最优插值阶数对减速机的运行状态进行检测。
进一步地,所述根据每个所述振动数据点所在时刻下存在的参数数据点的数量,获得运行参数的子区间包括:
将每个振动数据点所在时刻作为判定时刻,若所述判定时刻下存在的参数数据点的数量等于运行参数的总数量,则将该判定时刻作为所述子区间的端点;
选取任意两个相邻的所述端点和两个所述端点之间的区间作为运行参数的所述子区间。
进一步地,所述根据每个所述参数数据点与所述参考振动数据点之间的时间间隔以及所述参考振动数据点的幅值,获得每个参数数据点的基础参考价值包括:
在时序上分别将与所述参数数据点相距最近的两个参考振动数据点作为第一参考振动数据点和第二参考振动数据点,将所述参数数据点与第一参考振动数据点之间的时间间隔作为第一时间间隔;将所述参数数据点与第二参考振动数据点之间的时间间隔作为第二时间间隔;
将所述第一时间间隔进行归一化处理的结果作为第一参考振动数据点的权重,将所述第二时间间隔进行归一化处理的结果作为第二参考振动数据点的权重;
对第一参考振动数据点的幅值和第二参考振动数据点的幅值进行加权求和,获得每个参数数据点的基础参考价值。
进一步地,所述根据所述目标子区间内所有运行参数中参数数据点的幅值,获得所述目标子区间的整体参考价值包括:
在所述目标子区间内,将每个运行参数所有所述参数数据点的幅值的平均值作为整体幅值,将每个运行参数的每个参数数据点的幅值与所述整体幅值之间的差值的绝对值,作为参数数据点的异常值;
根据目标子区间内每个运行参数所有参数数据点的所述异常值的平均值作为每个运行参数的异常指标;
对每个运行参数的所述异常指标进行归一化处理获得每个运行参数的标准异常指标;
将目标子区间内所有运行参数的所述标准异常指标的平均值作为目标子区间的整体参考价值。
进一步地,所述根据所述基础参考价值和所述整体参考价值获得每个参数数据点的参考价值包括:
将预设第一常数作为所述基础参考价值的权重,将预设第二常数作为所述整体参考价值的权重;
对所述基础参考价值和所述整体参考价值进行加权求和,获得每个参数数据点的参考价值。
进一步地,所述根据所述目标子区间内每个运行参数的所述参数数据点的分布,获得每个运行参数在目标子区间内的约束值包括:
在每个运行参数的所述目标子区间内,将每个所述参数数据点分别与相邻的两个其他参数数据点之间的连线形成的夹角角度,作为每个所述参数数据点的参考角度,其中所述参考角度的取值范围为;
对所述参考角度进行负相关映射获得每个所述参数数据点的突变程度;
在每个运行参数的所述目标子区间内,计算所有所述参数数据点的幅值的平均值,获得幅值平均值;
将每个所述参数数据点的幅值与所述幅值平均值之间的差值,作为每个所述参数数据点的偏离程度;
将所述突变程度和所述偏离程度的乘积的平方值作为每个参数数据点的波动程度;
将所述目标子区间内每个运行参数的所有参数数据点的所述波动程度的平均值作为整体波动程度,对所述整体波动程度开平方获得每个运行参数在目标子区间内的约束值。
进一步地,所述根据所述参考价值和所述约束值获得每个参数数据点的必要程度包括:
将预设第三常数作为所述参考价值的权重,将预设第四常数作为所述约束值的权重;
对所述参考价值和所述约束值进行加权求和,获得每个参数数据点的必要程度。
进一步地,所述根据所述必要程度和每个所述参数数据点插值前后幅值的差异获得每个运行参数的最优插值阶数包括:
在所述目标子区间内,基于样条插值算法,分别使用每一阶的插值函数对每个运行参数进行插值,每次插值完成后,将每个所述参数数据点插值前后幅值的差值与所述必要程度的乘积值作为每个参数数据点的误差调整值;
将所述误差调整值的平方值作为每个参数数据点的优化误差值,将所有参数数据点的所述优化误差值的平均值作为所述目标子区间内每个运行参数的整体优化误差值;
将所述整体优化误差值的最小值对应的插值函数的阶数作为每个运行参数的最优插值阶数。
进一步地,所述根据所述最优插值阶数对减速机的运行状态进行检测包括:
基于样条插值算法,根据每个运行参数的所述最优插值阶数对每个运行参数进行插值,得到插值结果;
根据插值结果,获取不同运行参数在相同时刻下的数据作为多模态数据;
将多模态数据进行多模态特征融合,基于多模态特征融合结果对减速机的运行状态进行检测。
本发明还提出了一种基于多模态数据的减速机运行检测系统,所述系统包括:存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现任意一项所述方法的步骤。
本发明具有如下有益效果:
本发明考虑到在获取振动数据点和不同运行参数的参数数据点的过程中所使用的的采样频率不同,因此需要对每个运行参数进行子区间划分,使得每个运行参数的子区间的首尾两端的参数数据点在同一时刻,并选取任意一个子区间作为目标子区间,便于后续针对目标子区间内的每个运行参数进行样条插值处理;在对插值阶数自适应选取的过程中,不同的参数数据点对插值后所要求的误差程度不同,比较关键的数据点不允许插值后存在较大的误差,而在本发明中各参数数据点是用于辅助振动数据点对减速机的运行状态进行全面检测的,每个参数数据点的关键程度实际上是根据对应的振动数据点的异常程度所决定的,而振动数据点的幅值能够反映出该振动数据点的异常程度,所以可根据每个参数数据点与参考振动数据点之间的时间间隔以及参考振动数据点的幅值,获得每个参数数据点的基础参考价值,为后续获得每个参数数据点的参考价值提供数据支持;考虑到振动数据点表现出的异常程度较弱时,主要通过其余的运行参数发现异常,所以可根据目标子区间内所有运行参数中参数数据点的幅值获得整体参考价值,并结合基础参考价值和整体参考价值获得每个参数数据点的参考价值,便于后续根据参考价值获得参数数据点准确的必要程度,考虑到样条插值算法本身的局限性,如果每个运行参数在目标子区间内的参数数据点分布的比较混乱,则对运行参数进行样条插值处理后会产生较大的误差,所以本发明根据目标子区间内每个运行参数的参数数据点的分布,获得每个运行参数在目标子区间内的约束值,并结合每个运行参数的约束值和该运行参数中每个参数数据点的参考价值获得每个参数数据点的必要程度,必要程度能够反映出该参数数据点的重要性,在使用样条插值算法自适应选取插值阶数时,可根据必要程度和每个参数数据点插值前后幅值的差异获得每个运行参数的最优插值阶数,提高了样条插值算法自适应选取的插值阶数的准确性和插值结果的准确性,在后续中可根据最优插值阶数对减速机的运行状态进行检测,使得检测结果更加准确。本发明首先对所有运行参数进行子区间划分,选取出目标子区间,对目标子区间内各运行参数的参数数据点进行全面分析,最终获取目标子区间内每个运行参数中每个参数数据点的必要程度,并根据必要程度获得样条插值算法的最优插值阶数,通过最优插值阶数对减速机的运行状态进行检测,提高了自适应选取的插值阶数的准确性和插值结果的准确性,利用多模态数据进行特征融合后,提高了对减速机运行状态检测的准确性。
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和优点,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的介绍,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的前提下,还可以根据这些附图获得其它附图。
图1为本发明一个实施例所提供的一种基于多模态数据的减速机运行检测方法流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种基于多模态数据的减速机运行检测方法及系统,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种基于多模态数据的减速机运行检测方法及系统的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种基于多模态数据的减速机运行检测方法流程图,该方法包括:
步骤S1:获取减速机运行时的振动数据点和模态数据点,模态数据点包括不同运行参数的参数数据点,其中,对每个运行参数的采样频率互不相同;根据每个振动数据点所在时刻下存在的参数数据点的数量,获得运行参数的子区间,将任意一个子区间作为目标子区间。
在对减速机运行状态的检测中,主要通过采集减速机的振动数据检测减速机运行过程中的异常状况,但仅仅通过单一的振动数据并不能实现对减速机的全面检测,当振动数据中振动数据点表现出的异常程度较弱时,仅通过振动数据并不能发现减速机其他的异常情况,所以在本发明实施例中基于多模态特征融合的思想,通过获取减速机的多模态数据,并对获取的多模态数据进行特征融合,从而实现对减速机运行状态的全面检测。需要说明的是,多模态特征融合是本领域技术人员熟知的技术手段,在此不再赘述。
在本发明实施例中通过多个传感器同时采集减速机在不同时刻下的振动数据点和模态数据点,其中的模态数据点包括减速机不同运行参数的参数数据点,例如温度、油液状况和电流负载等,由于不同的传感器之间存在差异,在对振动数据和各运行参数数据进行采样时,各传感器的采样频率互不相同,导致每个振动数据点所在的时刻下可能并不同时存在所有运行参数的参数数据点,对后续进行多模态数据融合的结果造成较大的干扰,因此在本发明实施例中通过样条插值算法对各运行参数进行插值,使得在同一时刻下能够获得所有运行参数的参数数据点,常规的样条插算法是通过使用每一阶的插值函数对数据进行插值后,计算每次插值后对各数据点造成的误差,将误差最小值所对应的阶数作为样条插值最终所使用的阶数,从而实现插值阶数的自适应选取,但在本发明实施例的场景下,对于各运行参数不同的参数数据点对插值产生的误差的要求不同,有的参数数据点插值后允许存在误差,有的参数数据点插值后不允许存在较大的误差,即不同参数数据点的重要程度不同,因此在每次插值后计算误差的过程中,如果赋予不同的参数数据点相同的权重,将不同的参数数据点便会降低自适应选取的插值阶数的准确性,进行样条插值后将会导致比较关键的参数数据点的误差过大,降低最终插值结果的准确性。需要说明的是,样条插值算法是本领域技术人员熟知的技术手段,在此不再赘述。
由于在本发明实施例中使用样条插值算法对各运行参数进行插值,得到与振动数据点同时刻的各运行参数的参数数据点,从而消除减速机各运行参数的采样频率互不相同的问题,而样条插值算法是通过划分等长的子区间,并在子区间内进行插值操作,所以可根据每个振动数据点所在时刻下存在的参数数据点的数量,获得所有运行参数的子区间,为了在后续中针对单独的子区间进行分析,将获得的任意一个子区间作为目标子区间。
优选地,在本发明的一个实施例中所有运行参数的子区间的获取方法具体包括:
将每个振动数据点所在时刻作为判定时刻,若判定时刻下存在的参数数据点的数量等于运行参数的总数量,则将该判定时刻作为子区间的端点;选取任意两个相邻的端点和两个端点之间的区间作为运行参数的子区间。
需要说明的是,通过上述方式获取的子区间是一个关于时间间隔的区间,每个运行参数在子区间内都存在参数数据点,但由于每个运行参数的采样频率存在差异,导致不同运行参数在同一个子区间中存在的参数数据点的数量并不相同,并且通过上述方式获取的每一个子区间的长度都是相同的。
划分出子区间并选取目标子区间后,便可在后续中针对目标子区间中各运行参数的参数数据点进行分析。
步骤S2:在目标子区间内,将时序上与参数数据点相距最近的振动数据点作为参数数据点的参考振动数据点,根据每个参数数据点与参考振动数据点之间的时间间隔以及参考振动数据点的幅值,获得每个参数数据点的基础参考价值。
在多模态数据的场景下,减速机的振动数据点为重要数据,其他各运行参数的参数数据点用于辅助振动数据点实现对减速机运行状态的全面检测,因此某个运行参数的参数数据点的重要程度实际上是由位于该参数数据点时序附近的振动数据点所表现出的异常程度决定的,而振动数据点的幅值能够反映出自身的异常程度,振动数据点的幅值越大,说明该振动数据点越异常,进而说明对应的参数数据点越重要,所以可根据每个参数数据点与参考振动数据点之间的时间间隔以及参考振动数据点的幅值,获得每个参数数据点的基础参考价值,参数数据点的基础参考价值越大,说明该参数数据点越重要,进行样条插值后该参数数据点不允许存在较大误差。
优选地,在本发明的一个实施例中每个参数数据点的基础参考价值的获取方法具体包括:
在时序上分别将与参数数据点相距最近的两个参考振动数据点作为第一参考振动数据点和第二参考振动数据点,将参数数据点与第一参考振动数据点之间的时间间隔作为第一时间间隔;将参数数据点与第二参考振动数据点之间的时间间隔作为第二时间间隔;将第一时间间隔进行归一化处理的结果作为第一参考振动数据点的权重,将第二时间间隔进行归一化处理的结果作为第二参考振动数据点的权重;对第一参考振动数据点的幅值和第二参考振动数据点的幅值进行加权求和,获得每个参数数据点的基础参考价值。基础参考价值的表达式可以具体例如为:
其中,表示目标子区间内第/>个运行参数的第/>个参数数据点的基础参考价值;/>表示第一参考振动数据点的权重;/>表示第二参考振动数据点的权重;/>表示第一参考振动数据点的幅值,其中的幅值也可理解为数值;/>表示第二参考振动数据点的幅值;表示目标子区间内第/>个运行参数的第/>个参数数据点与第一参考振动数据点之间的时间间隔,即第一时间间隔;/>表示目标子区间内第/>个运行参数的第/>个参数数据点与第二参考振动数据点之间的时间间隔,即第二时间间隔;/>表示以自然常数/>为底的指数函数。
在每个参数数据点的基础参考价值的获取过程中,参数数据点的基础参考价值能够反映出该参数数据点的重要程度,基础参考价值越大,说明该参数数据点越重要,由于参数数据点的作用是通过辅助振动数据点来反映减速机的具体异常细节,每个参数数据点的重要程度由位于该参数数据点时序附近的振动数据点的幅值所决定,振动数据点的幅值越大,说明此时的异常程度越大,进而说明参数数据点越重要,则参数数据点的基础参考价值/>就越大,所以可结合第一参考振动数据点的幅值/>和第二参考振动数据点的幅值/>获得参数数据点的基础参考价值,考虑到参数数据点与两个参考振动数据点之间的时间间隔的不同,所以在本发明的一个实施例中将第一时间间隔/>和第二时间间隔/>分别进行归一化处理,将第一时间间隔/>进行归一化处理的结果作为第一参考振动数据点的权重/>,将第二时间间隔/>进行归一化处理的结果作为第二参考振动数据点的权重/>,并对第一参考振动数据点的幅值/>和第二参考振动数据点的幅值/>进行加权求和,获得参数数据点的基础参考价值/>。
需要说明的是,当参数数据点与振动数据点在时序上重合时,即参数数据点与某个振动数据点处于同一时刻,则该振动数据点既是该参数数据点的第一参考振动数据点,也是该参数数据点的第二参考振动数据点。
获取到参数数据点的基础参考价值后,可通过基础参考价值对目标子区间中每个运行参数的参数数据点的重要程度进行初步分析,便于后续根据基础参考价值获得参数数据点的参考价值。
步骤S3:根据目标子区间内所有运行参数中参数数据点的幅值,获得目标子区间的整体参考价值;根据基础参考价值和整体参考价值获得每个参数数据点的参考价值。
在本发明实施例中使用多模态数据的目的在于,当减速机运行时,根据振动数据点的异常进行判断时,只能暂停设备去人工查找原因,但通过多模态数据可以直接根据某一个运行参数找到减速机具体的故障原因。但在使用中,存在振动数据中的异常程度较弱,主要通过其余运行参数发现异常,所以还需要获取目标子区间内每个运行参数的异常指标,根据异常指标获得目标子区间的整体参考价值。
优选地,在本发明的一个实施例中目标子区间的整体参考价值的获取方法具体包括:
在所述目标子区间内,将每个运行参数所有所述参数数据点的幅值的平均值作为整体幅值,将每个运行参数的每个参数数据点的幅值与所述整体幅值之间的差值的绝对值,作为参数数据点的异常值;根据目标子区间内每个运行参数所有参数数据点的所述异常值的平均值作为每个运行参数的异常指标;对每个运行参数的异常指标进行归一化处理获得每个运行参数的标准异常指标;将目标子区间内所有运行参数的标准异常指标的平均值作为目标子区间的整体参考价值。整体参考价值的表达式可以具体例如为:
其中,表示目标子区间的整体参考价值;/>表示目标子区间内第/>个运行参数的异常指标;/>表示运行参数的数量;/>表示归一化函数;/>表示第/>个运行参数在目标子区间内的参数数据点的数量;/>表示目标子区间内第/>个运行参数的第/>个参数数据点的幅值;/>表示第/>个运行参数在目标子区间内所有参数数据点的幅值的平均值,即整体幅值。
在目标子区间的整体参考价值的获取过程中,为运行参数的异常指标,对每个运行参数的异常指标/>通过归一化处理,获得标准异常指标/>,避免了各运行参数的异常指标之间量级的不同,当每个运行参数的异常指标越大时,说明每个运行参数在目标子区间内的异常程度越高,说明在进行样条插值时目标子区间内各运行参数的参数数据点越重要,则目标子区间的整体参考价值/>越高,因此在本发明的一个实施例中将目标子区间内所有运行参数的标准异常指标的平均值/>作为目标子区间的整体参考价值/>。
通过上述分析获取到每个运行参数的参数数据点自身的基础参考价值和目标子区间的整体参考价值之后,便可结合参数数据点的基础参考价值和目标子区间的整体参考价值,获得每个参数数据点的参考价值。
优选地,在本发明的一个实施例中每个参数数据点的参考价值的获取方法具体包括:
将预设第一常数作为基础参考价值的权重,将预设第二常数作为整体参考价值的权重;对基础参考价值和整体参考价值进行加权求和,获得每个参数数据点的参考价值。参考价值的表达式具体可以例如为:
其中,表示目标子区间内第/>个运行参数的第/>个参数数据点的参考价值;表示目标子区间内第/>个运行参数的第/>个参数数据点的基础参考价值;/>表示目标子区间的整体参考价值;/>表示预设第一常数,/>表示预设第二常数,其中/>并且,在本发明的一个实施例中预设第一常数/>和预设第二常数/>都设置为0.5。
在每个参数数据点的参考价值的获取过程中,综合考虑了参数数据点自身的基础参考价值和目标子区间的整体参考价值,并对两者进行加权求和,获得了每个参数数据点的参考价值。
获取到每个参数数据点的参考价值后,可根据参考价值对每个运行参数的参数数据点在样条插值时的重要程度进行更加准确的分析,为后续获取参数数据点的必要程度提供数据支持。
步骤S4:根据目标子区间内每个运行参数的参数数据点的分布,获得每个运行参数在目标子区间内的约束值;根据参考价值和约束值获得每个参数数据点的必要程度。
由于样条插值算法本身存在的局限性,如果某个运行参数在目标子区间内的参数数据点分布较离散并且某些参数数据点突变程度较大的时候,即某个运行参数在目标子区间内的参数数据点的波动程度较大,则在对该运行参数进行样条插值的过程中,为了能够得到平滑的函数曲线,不可避免的会造成函数曲线无法经过部分波动程度较大参数数据点,使得部分参数数据点在插值后产生的误差较大,所以可根据目标子区间内每个运行参数的参数数据点的分布,获得每个运行参数在目标子区间内的约束值,利用每个运行参数的约束值对后续计算该运行参数的参数数据点的必要程度进行约束,避免某些关键的参数数据点在最终的插值后产生较大的误差。
优选地,在本发明的一个实施例中每个运行参数的约束值的获取方法具体包括:
在每个运行参数的目标子区间内,将每个参数数据点分别与相邻的两个其他参数数据点之间的连线形成的夹角角度,作为每个参数数据点的参考角度,其中参考角度的取值范围为;对参考角度进行负相关映射获得每个参数数据点的突变程度;在每个运行参数的目标子区间内,计算所有参数数据点的幅值的平均值,获得幅值平均值;将每个参数数据点的幅值与幅值平均值之间的差值,作为每个参数数据点的偏离程度;将突变程度和偏离程度的乘积的平方值作为每个参数数据点的波动程度;将目标子区间内每个运行参数的所有参数数据点的波动程度的平均值作为整体波动程度,对整体波动程度开平方获得每个运行参数在目标子区间内的约束值。约束值的表达式可以具体例如为:
其中,表示目标子区间内第/>个运行参数的约束值;/>表示目标子区间内第/>个运行参数的第/>个参数数据点的参考角度,单位为弧度并且/>;/>表示目标子区间内第/>个运行参数的第/>个参数数据点的幅值;/>表示第/>个运行参数在目标子区间内所有参数数据点的幅值的平均值,即幅值平均值;/>表示第/>个运行参数在目标子区间内的参数数据点的数量;/>为180度的角度转化为以弧度为单位的值。
在每个运行参数的约束值的获取过程中,表示参数数据点的参考角度,参数数据点的参考角度/>越小,说明该参数数据点的幅值相对于相邻的参数数据点的幅值的突变程度越大,说明该参数数据点在插值后将会产生较大的误差,则该参数数据点所属运行参数需要较大的约束值,因此在本发明的一个实施例中将参考角度/>进行负相关映射获得每个参数数据点的突变程度/>,其中/>的作用是对参考角度/>进行归一化处理;/>为每个参数数据点的偏离程度,参数数据点的偏离程度越大,说明该参数数据点的幅值分布的越离散,同样说明该参数数据点在插值后产生的误差较大,则该运行参数所需要的约束值就越大,因此本发明综合考虑参数数据点的突变程度和偏离程度,将参数数据点的突变程度和偏离程度的乘积的平方值/>作为每个参数数据点的波动程度,并将每个运行参数在目标子区间内所有参数数据点的波动程度的平均值开平方,获得每个运行参数的约束值/>。
获取每个运行参数的约束值后,便可结合每个运行参数的参数数据点的参考价值和该运行参数的约束值,获得该运行参数的每个参数数据点在样条插值时的必要程度,以必要程度来反映参数数据点的在辅助振动数据点对减速机进行全面检测时的重要程度,保证在插值完成后必要程度较大的参数数据点产生的误差较小。
优选地,在本发明的一个实施例中每个参数数据点的必要程度的获取方法具体包括:
将预设第三常数作为参考价值的权重,将预设第四常数作为约束值的权重;对参考价值和约束值进行加权求和,获得每个参数数据点的必要程度。必要程度的表达式可以具体例如为:
其中,表示目标子区间内第/>个运行参数的第/>个参数数据点的必要程度;表示目标子区间内第/>个运行参数的第/>个参数数据点的参考价值;/>表示目标子区间内第/>个运行参数的约束值;/>表示预设第三常数,/>表示预设第四常数,其中/>并且/>,在本发明的一个实施例中预设第三常数/>设置为0.6,预设第四常数/>设置为0.4。
在每个参数数据点的必要程度的获取过程中,结合每个参数数据点的参考价值和该参数数据点所属运行参数的约束值/>,对参考价值/>和约束值/>进行加权求和,获取该参数数据点的必要程度/>,参数数据点的必要程度越大,说明该参数数据点越重要,则在插值时该参数数据点不允许存在较大的误差,因此可通过参数数据点的必要程度对该参数数据点在后续的插值结果评估中进行准确分析,以保证最终插值结果的准确性。
步骤S5:在目标子区间内对每个运行参数进行插值,根据必要程度和每个参数数据点插值前后幅值的差异获得每个运行参数的最优插值阶数。
现有的样条插值算法在对插值函数的阶数进行自使用选取的过程中,是根据使用每一阶插值函数进行插值后分别对插值结果进行评估,计算每次插值后已知数据点产生的整体误差,将整体误差的最小值对应的插值函数的阶数作为样条插值使用的阶数。但在本发明实施例的场景下,由于每个运行参数中不同参数数据点的重要性不同,如果不考虑每个参数数据点的重要性,则会降低自适应选取的插值阶数的准确性,在目标子区间内对每个运行参数进行样条插值后,导致比较关键的数据点产生的误差较大,降低后续对减速机运行状态检测的准确性,而在上述过程中获取的每个参数数据点的必要程度能够反映出参数数据点的重要性,参数数据点的必要程度越大,说明该参数数据点越重要,所以可根据必要程度和每个参数数据点插值前后幅值的差异获得每个运行参数的最优插值阶数,以保证后续根据最优插值阶数进行样条插值后产生更好的效果。
优选地,在本发明的一个实施例中每个运行参数的最优插值阶数的获取方法具体包括:
在目标子区间内,基于样条插值算法,分别使用每一阶的插值函数对每个运行参数进行插值,每次插值完成后,将每个参数数据点插值前后幅值的差值与必要程度的乘积值作为每个参数数据点的误差调整值;将误差调整值的平方值作为每个参数数据点的优化误差值,将所有参数数据点的优化误差值的平均值作为目标子区间内每个运行参数的整体优化误差值;将整体优化误差值的最小值对应的插值函数的阶数作为每个运行参数的最优插值阶数。
优选地,在本发明的一个实施例中目标子区间内每个运行参数的整体优化误差值的表达式可以具体例如为:
其中,表示目标子区间内第/>个运行参数的整体优化误差值;/>表示目标子区间内第/>个运行参数的第/>个参数数据点的必要程度;/>表示插值前目标子区间内第个运行参数的第/>个参数数据点的幅值;/>表示插值后目标子区间内第/>个运行参数的第/>个参数数据点的幅值;/>表示第/>个运行参数在目标子区间内的参数数据点的数量。
在每个运行参数整体优化误差值的获取过程中,表示参数数据点的必要程度,必要程度/>越大,说明该参数数据点越重要,说明在插值后该参数数据点不允许存在较大的误差,因此将/>作为参数数据点插值前后幅值差值的权重,以必要程度/>调整该参数数据点在评估插值结果时的贡献度大小,其中/>为每个运行参数的每个参数数据点的优化误差值,并将目标子区间内该运行参数所有参数数据点的优化误差值的平均值作为该运行参数在目标子区间内的整体优化误差值/>,通过获取的参数数据点的必要程度,在样条插值算法进行自适应选取插值阶数的过程中,利用参数数据点的必要程度优化对插值结果的评估,使得自适应选取的插值阶数更加准确。
获取到每个参在目标子区间内的最优插值阶数以后,便可在后续中根据最优插值阶数对目标子区间内的每个运行参数进行样条插值处理,使得样条插值处理后每个运行参数中比较重要的参数数据点的误差较小,提高在目标子区间内对运行参数进行样条插值的准确性。
步骤S6:根据最优插值阶数对减速机的运行状态进行检测。
获取到每个运行参数在目标子区间内的最优插值阶数以后,便可根据该运行参数的最优插值阶数对该运行参数进行样条插值处理,并根据在目标子区间内对每个运行参数进行样条插值处理的结果对减速机的运行状态进行检测。
优选地,在本发明的一个实施例中对减速机的运行状态进行检测包括:
基于样条插值算法,根据每个运行参数的最优插值阶数对每个运行参数进行插值,得到插值结果;根据插值结果,获取不同运行参数在相同时刻下的数据作为多模态数据;将多模态数据进行多模态特征融合,基于多模态特征融合结果对减速机的运行状态进行检测。
需要说明的是,多模态特征融合是本领域技术人员熟知的技术手段,在此不再赘述。
本发明一个实施例还提供了一种基于多模态数据的减速机运行检测系统,该系统包括存储器、处理器和计算机程序,其中存储器用于存储相应的计算机程序,处理器用于运行相应的计算机程序,计算机程序在处理器中运行时能够实现步骤S1~S6所描述的方法。
综上所述,本发明实施例首先获取减速机运行时的振动数据点和不同运行参数的参数数据点,对各运行参数进行子区间划分并选取出目标子区间,在目标子区间内,根据每个参数数据点与参考振动数据点之间的时间间隔以及参考振动数据点的幅值,获得每个参数数据点的基础参考价值;根据目标子区间内所有运行参数中参数数据点的幅值获得目标子区间的整体参考价值,结合每个参数数据点的基础参考价值和目标子区间的整体参考价值获得每个参数数据点的参考价值;根据目标子区间内每个运行参数的参数数据点的分布,获得每个运行参数在目标子区间内的约束值,结合每个参数数据点的参考价值和目标子区间的约束值获得每个参数数据点的必要程度;在样条插值算法进行自适应选取插值阶数时,根据每个参数数据点的必要程度和每个参数数据点插值前后幅值的差异获得每个运行参数的最优插值阶数;并根据最优插值阶数对减速机的运行状态进行检测。本发明实施例提高了自适应选取的插值阶数的准确性和插值结果的准确性,使得在利用多模态数据进行特征融合后,提高了对减速机运行状态检测的准确性。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
Claims (10)
1.一种基于多模态数据的减速机运行检测方法,其特征在于,所述方法包括:
获取减速机运行时的振动数据点和模态数据点,所述模态数据点包括不同运行参数的参数数据点,其中,对每个所述运行参数的采样频率互不相同;根据每个所述振动数据点所在时刻下存在的参数数据点的数量,获得运行参数的子区间,将任意一个所述子区间作为目标子区间;
在所述目标子区间内,将时序上与所述参数数据点相距最近的振动数据点作为参数数据点的参考振动数据点,根据每个所述参数数据点与所述参考振动数据点之间的时间间隔以及所述参考振动数据点的幅值,获得每个参数数据点的基础参考价值;
根据所述目标子区间内所有运行参数中参数数据点的幅值,获得所述目标子区间的整体参考价值;根据所述基础参考价值和所述整体参考价值获得每个参数数据点的参考价值;
根据所述目标子区间内每个运行参数的所述参数数据点的分布,获得每个运行参数在目标子区间内的约束值;根据所述参考价值和所述约束值获得每个参数数据点的必要程度;
在所述目标子区间内对每个运行参数进行插值,根据所述必要程度和每个所述参数数据点插值前后幅值的差异获得每个运行参数的最优插值阶数;
根据所述最优插值阶数对减速机的运行状态进行检测。
2.根据权利要求1所述的一种基于多模态数据的减速机运行检测方法,其特征在于,所述根据每个所述振动数据点所在时刻下存在的参数数据点的数量,获得运行参数的子区间包括:
将每个振动数据点所在时刻作为判定时刻,若所述判定时刻下存在的参数数据点的数量等于运行参数的总数量,则将该判定时刻作为所述子区间的端点;
选取任意两个相邻的所述端点和两个所述端点之间的区间作为运行参数的所述子区间。
3.根据权利要求1所述的一种基于多模态数据的减速机运行检测方法,其特征在于,所述根据每个所述参数数据点与所述参考振动数据点之间的时间间隔以及所述参考振动数据点的幅值,获得每个参数数据点的基础参考价值包括:
在时序上分别将与所述参数数据点相距最近的两个参考振动数据点作为第一参考振动数据点和第二参考振动数据点,将所述参数数据点与第一参考振动数据点之间的时间间隔作为第一时间间隔;将所述参数数据点与第二参考振动数据点之间的时间间隔作为第二时间间隔;
将所述第一时间间隔进行归一化处理的结果作为第一参考振动数据点的权重,将所述第二时间间隔进行归一化处理的结果作为第二参考振动数据点的权重;
对第一参考振动数据点的幅值和第二参考振动数据点的幅值进行加权求和,获得每个参数数据点的基础参考价值。
4.根据权利要求1所述的一种基于多模态数据的减速机运行检测方法,其特征在于,所述根据所述目标子区间内所有运行参数中参数数据点的幅值,获得所述目标子区间的整体参考价值包括:
在所述目标子区间内,将每个运行参数所有所述参数数据点的幅值的平均值作为整体幅值,将每个运行参数的每个参数数据点的幅值与所述整体幅值之间的差值的绝对值,作为参数数据点的异常值;
根据目标子区间内每个运行参数所有参数数据点的所述异常值的平均值作为每个运行参数的异常指标;
对每个运行参数的所述异常指标进行归一化处理获得每个运行参数的标准异常指标;
将目标子区间内所有运行参数的所述标准异常指标的平均值作为目标子区间的整体参考价值。
5.根据权利要求1所述的一种基于多模态数据的减速机运行检测方法,其特征在于,所述根据所述基础参考价值和所述整体参考价值获得每个参数数据点的参考价值包括:
将预设第一常数作为所述基础参考价值的权重,将预设第二常数作为所述整体参考价值的权重;
对所述基础参考价值和所述整体参考价值进行加权求和,获得每个参数数据点的参考价值。
6.根据权利要求1所述的一种基于多模态数据的减速机运行检测方法,其特征在于,所述根据所述目标子区间内每个运行参数的所述参数数据点的分布,获得每个运行参数在目标子区间内的约束值包括:
在每个运行参数的所述目标子区间内,将每个所述参数数据点分别与相邻的两个其他参数数据点之间的连线形成的夹角角度,作为每个所述参数数据点的参考角度,其中所述参考角度的取值范围为;
对所述参考角度进行负相关映射获得每个所述参数数据点的突变程度;
在每个运行参数的所述目标子区间内,计算所有所述参数数据点的幅值的平均值,获得幅值平均值;
将每个所述参数数据点的幅值与所述幅值平均值之间的差值,作为每个所述参数数据点的偏离程度;
将所述突变程度和所述偏离程度的乘积的平方值作为每个参数数据点的波动程度;
将所述目标子区间内每个运行参数的所有参数数据点的所述波动程度的平均值作为整体波动程度,对所述整体波动程度开平方获得每个运行参数在目标子区间内的约束值。
7.根据权利要求1所述的一种基于多模态数据的减速机运行检测方法,其特征在于,所述根据所述参考价值和所述约束值获得每个参数数据点的必要程度包括:
将预设第三常数作为所述参考价值的权重,将预设第四常数作为所述约束值的权重;
对所述参考价值和所述约束值进行加权求和,获得每个参数数据点的必要程度。
8.根据权利要求1所述的一种基于多模态数据的减速机运行检测方法,其特征在于,所述根据所述必要程度和每个所述参数数据点插值前后幅值的差异获得每个运行参数的最优插值阶数包括:
在所述目标子区间内,基于样条插值算法,分别使用每一阶的插值函数对每个运行参数进行插值,每次插值完成后,将每个所述参数数据点插值前后幅值的差值与所述必要程度的乘积值作为每个参数数据点的误差调整值;
将所述误差调整值的平方值作为每个参数数据点的优化误差值,将所有参数数据点的所述优化误差值的平均值作为所述目标子区间内每个运行参数的整体优化误差值;
将所述整体优化误差值的最小值对应的插值函数的阶数作为每个运行参数的最优插值阶数。
9.根据权利要求1所述的一种基于多模态数据的减速机运行检测方法,其特征在于,所述根据所述最优插值阶数对减速机的运行状态进行检测包括:
基于样条插值算法,根据每个运行参数的所述最优插值阶数对每个运行参数进行插值,得到插值结果;
根据插值结果,获取不同运行参数在相同时刻下的数据作为多模态数据;
将多模态数据进行多模态特征融合,基于多模态特征融合结果对减速机的运行状态进行检测。
10.一种基于多模态数据的减速机运行检测系统,其特征在于,所述系统包括:存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1~9任意一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311054717.XA CN116773186B (zh) | 2023-08-22 | 2023-08-22 | 基于多模态数据的减速机运行检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311054717.XA CN116773186B (zh) | 2023-08-22 | 2023-08-22 | 基于多模态数据的减速机运行检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116773186A true CN116773186A (zh) | 2023-09-19 |
CN116773186B CN116773186B (zh) | 2023-11-07 |
Family
ID=87986258
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311054717.XA Active CN116773186B (zh) | 2023-08-22 | 2023-08-22 | 基于多模态数据的减速机运行检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116773186B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117196353A (zh) * | 2023-11-07 | 2023-12-08 | 山东省济宁生态环境监测中心(山东省南四湖东平湖流域生态环境监测中心) | 基于大数据的环境污染评估与监测方法及系统 |
CN117392396A (zh) * | 2023-12-08 | 2024-01-12 | 安徽蔚来智驾科技有限公司 | 跨模态目标状态的检测方法、设备、智能设备和介质 |
CN117556377A (zh) * | 2024-01-12 | 2024-02-13 | 山东德源电力科技股份有限公司 | 用于站所自动化终端的多源数据融合处理方法 |
CN117574305A (zh) * | 2024-01-17 | 2024-02-20 | 阿尔卑斯系统集成(大连)有限公司 | 一种设备运行状态实时监测方法及系统 |
CN117648590A (zh) * | 2024-01-30 | 2024-03-05 | 山东万洋石油科技有限公司 | 一种全方位伽马测井数据优化处理方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2255293A1 (en) * | 1997-12-08 | 1999-06-08 | Beissbarth Gmbh | A method and an apparatus for the examination of installed shock absorbers (ii) |
US20040071363A1 (en) * | 1998-03-13 | 2004-04-15 | Kouri Donald J. | Methods for performing DAF data filtering and padding |
CN101043621A (zh) * | 2006-06-05 | 2007-09-26 | 华为技术有限公司 | 一种自适应插值处理方法及编解码模块 |
CN104104081A (zh) * | 2014-07-30 | 2014-10-15 | 东南大学 | 一种基于优化方法的非迭代不确定潮流分析方法 |
CN109889185A (zh) * | 2019-02-28 | 2019-06-14 | 深圳信息职业技术学院 | 一种信号插值滤波方法及插值滤波器 |
CN110823575A (zh) * | 2019-11-09 | 2020-02-21 | 北京工业大学 | 一种基于性能退化字典构造与相似性的轴承寿命预测方法 |
CN112800603A (zh) * | 2021-01-26 | 2021-05-14 | 北京航空航天大学 | 一种基于集合最优插值算法的大气环境数据同化方法 |
CN115165343A (zh) * | 2022-06-20 | 2022-10-11 | 淮阴工学院 | 一种减速机齿轮故障振动检测系统及方法 |
CN116164837A (zh) * | 2023-03-28 | 2023-05-26 | 武汉市聚芯微电子有限责任公司 | 一种环境光检测方法、装置、设备及存储介质 |
CN116383754A (zh) * | 2023-06-05 | 2023-07-04 | 丹纳威奥贯通道系统(青岛)有限公司 | 一种机车车辆配件生产在线监测系统及方法 |
CN116592951A (zh) * | 2023-07-17 | 2023-08-15 | 陕西西特电缆有限公司 | 一种电缆数据智能采集方法及系统 |
-
2023
- 2023-08-22 CN CN202311054717.XA patent/CN116773186B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2255293A1 (en) * | 1997-12-08 | 1999-06-08 | Beissbarth Gmbh | A method and an apparatus for the examination of installed shock absorbers (ii) |
US20040071363A1 (en) * | 1998-03-13 | 2004-04-15 | Kouri Donald J. | Methods for performing DAF data filtering and padding |
CN101043621A (zh) * | 2006-06-05 | 2007-09-26 | 华为技术有限公司 | 一种自适应插值处理方法及编解码模块 |
CN104104081A (zh) * | 2014-07-30 | 2014-10-15 | 东南大学 | 一种基于优化方法的非迭代不确定潮流分析方法 |
CN109889185A (zh) * | 2019-02-28 | 2019-06-14 | 深圳信息职业技术学院 | 一种信号插值滤波方法及插值滤波器 |
CN110823575A (zh) * | 2019-11-09 | 2020-02-21 | 北京工业大学 | 一种基于性能退化字典构造与相似性的轴承寿命预测方法 |
CN112800603A (zh) * | 2021-01-26 | 2021-05-14 | 北京航空航天大学 | 一种基于集合最优插值算法的大气环境数据同化方法 |
CN115165343A (zh) * | 2022-06-20 | 2022-10-11 | 淮阴工学院 | 一种减速机齿轮故障振动检测系统及方法 |
CN116164837A (zh) * | 2023-03-28 | 2023-05-26 | 武汉市聚芯微电子有限责任公司 | 一种环境光检测方法、装置、设备及存储介质 |
CN116383754A (zh) * | 2023-06-05 | 2023-07-04 | 丹纳威奥贯通道系统(青岛)有限公司 | 一种机车车辆配件生产在线监测系统及方法 |
CN116592951A (zh) * | 2023-07-17 | 2023-08-15 | 陕西西特电缆有限公司 | 一种电缆数据智能采集方法及系统 |
Non-Patent Citations (1)
Title |
---|
郑宇;王会良;苏建新;: "RV减速器传动误差分析及ADAMS仿真", 机床与液压, no. 09 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117196353A (zh) * | 2023-11-07 | 2023-12-08 | 山东省济宁生态环境监测中心(山东省南四湖东平湖流域生态环境监测中心) | 基于大数据的环境污染评估与监测方法及系统 |
CN117196353B (zh) * | 2023-11-07 | 2024-02-27 | 山东省济宁生态环境监测中心(山东省南四湖东平湖流域生态环境监测中心) | 基于大数据的环境污染评估与监测方法及系统 |
CN117392396A (zh) * | 2023-12-08 | 2024-01-12 | 安徽蔚来智驾科技有限公司 | 跨模态目标状态的检测方法、设备、智能设备和介质 |
CN117392396B (zh) * | 2023-12-08 | 2024-03-05 | 安徽蔚来智驾科技有限公司 | 跨模态目标状态的检测方法、设备、智能设备和介质 |
CN117556377A (zh) * | 2024-01-12 | 2024-02-13 | 山东德源电力科技股份有限公司 | 用于站所自动化终端的多源数据融合处理方法 |
CN117556377B (zh) * | 2024-01-12 | 2024-03-22 | 山东德源电力科技股份有限公司 | 用于站所自动化终端的多源数据融合处理方法 |
CN117574305A (zh) * | 2024-01-17 | 2024-02-20 | 阿尔卑斯系统集成(大连)有限公司 | 一种设备运行状态实时监测方法及系统 |
CN117574305B (zh) * | 2024-01-17 | 2024-04-05 | 阿尔卑斯系统集成(大连)有限公司 | 一种设备运行状态实时监测方法及系统 |
CN117648590A (zh) * | 2024-01-30 | 2024-03-05 | 山东万洋石油科技有限公司 | 一种全方位伽马测井数据优化处理方法 |
CN117648590B (zh) * | 2024-01-30 | 2024-04-19 | 山东万洋石油科技有限公司 | 一种全方位伽马测井数据优化处理方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116773186B (zh) | 2023-11-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116773186B (zh) | 基于多模态数据的减速机运行检测方法及系统 | |
CN116592951B (zh) | 一种电缆数据智能采集方法及系统 | |
US20180075371A1 (en) | Method and system for training a machine learning algorithm | |
CN102048558A (zh) | 一种胎心率信号处理方法及其装置 | |
CN109389314B (zh) | 一种基于最优近邻成分分析的质量软测量与监测方法 | |
CN115657754B (zh) | 一种提高变频加热温度控制精度的方法及系统 | |
EP2544147A1 (en) | Biological information management device and method | |
US20050160211A1 (en) | Signal processor, signal processing method, signal processing program, recording medium with the signal processing program recorded therein and measuring instrument | |
JPH11338848A (ja) | データ異常検出装置 | |
WO2019244203A1 (ja) | 診断装置、診断方法及びプログラム | |
CN109677341A (zh) | 一种车辆信息融合决策方法及装置 | |
JP2017127398A (ja) | 情報処理装置、情報処理システム、情報処理方法及びプログラム | |
CN116237817A (zh) | 基于物联网的五轴联动数控机床智能监测系统 | |
CN111859743A (zh) | 基于加速度响应的结构动态位移估计方法及设备 | |
CN116871978A (zh) | 基于多传感器融合的钻削刀具状态监测方法 | |
CN117387884A (zh) | 一种基于多传感器数据融合的桥梁挠度测量方法 | |
CN113899444A (zh) | 一种基于汉宁双窗的振弦传感器共振频率测量方法 | |
WO2021215169A1 (ja) | データ処理装置、データ処理方法及びプログラム | |
CN111914479A (zh) | 一种用于大坝基岩的灌浆功率混合区间预测方法 | |
EP3272283B1 (en) | Measurement device, measurement method, and program | |
JP2014074659A (ja) | 異常検出前処理装置および方法ならびにプログラム、それを備えた異常検出装置 | |
JP6116398B2 (ja) | 波形推定装置及び波形推定方法 | |
JP6316063B2 (ja) | 情報処理装置、情報処理システム、情報処理方法、およびプログラム | |
CN113445992A (zh) | 抽油机运动位移的处理方法和装置 | |
JP5636922B2 (ja) | 性能予測装置、性能予測方法およびプログラム |
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 |