CN116861313A - 基于振动能量趋势的卡尔曼滤波工况识别方法、系统 - Google Patents
基于振动能量趋势的卡尔曼滤波工况识别方法、系统 Download PDFInfo
- Publication number
- CN116861313A CN116861313A CN202310832464.8A CN202310832464A CN116861313A CN 116861313 A CN116861313 A CN 116861313A CN 202310832464 A CN202310832464 A CN 202310832464A CN 116861313 A CN116861313 A CN 116861313A
- Authority
- CN
- China
- Prior art keywords
- vibration
- trend
- kalman filtering
- energy trend
- working condition
- 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
- 238000001914 filtration Methods 0.000 title claims abstract description 79
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000005457 optimization Methods 0.000 claims abstract description 19
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 15
- 238000005070 sampling Methods 0.000 claims description 12
- 230000001133 acceleration Effects 0.000 claims description 10
- 230000003068 static effect Effects 0.000 claims description 10
- 230000009467 reduction Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 3
- 238000012360 testing method Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
-
- 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
Abstract
本发明公开了一种基于振动能量趋势的卡尔曼滤波工况识别方法、系统，方法包括：采集待识别旋转机械设备的振动信号；对振动信号取绝对值，获得信号的振动趋势；预设窗宽Ⅰ、滑移步长Ⅰ，使用加窗滑移的方式计算窗口内信号振动趋势的均方根值，获得信号的振动能量趋势；利用卡尔曼滤波算法对振动能量趋势进行滤波，获得卡尔曼滤波优化能量趋势；预设窗宽Ⅱ、滑移步长Ⅱ，对卡尔曼滤波优化能量趋势在当前预设窗口内的能量幅值均值大小进行判别，确定工况类型。本发明具有信号处理精度高、实时性好、适应性强等优点，可以有效地识别机械设备的运行工况。
Description
技术领域
本发明涉及一种基于振动能量趋势的卡尔曼滤波工况识别方法、系统，属于机械设备工况识别领域。
背景技术
随着机械智能化的发展，各种机械设备的加工工况日益复杂。在连续采集的信号中包含着各种运行状态的数据，其中包括了用于后续分析的稳态数据以及大量的冗余数据，但是只有稳态数据对故障的分析和预测有意义，因此，识别设备的运行工况并提取稳态数据具有重要研究意义。
传统的机械设备工况识别方法通常依赖于测量温度、压力等物理量或者通过辅助信号(如电流信号、转速转矩信号等)进行分析识别。然而，这些方法存在一些缺点，如受环境干扰影响较大、信号噪声干扰较多并且占用硬件资源大等。
发明内容
本发明提供了一种基于振动能量趋势的卡尔曼滤波工况识别方法、系统，以用于实现旋转机械设备工况识别，并进一步将其用于滚珠丝杠副模拟试验台的工况识别。
本发明的技术方案是：
根据本发明的一方面，提供了一种基于振动能量趋势的卡尔曼滤波工况识别方法，包括：
采集待识别旋转机械设备的振动信号；
对振动信号取绝对值，获得信号的振动趋势；
预设窗宽Ⅰ、滑移步长Ⅰ，使用加窗滑移的方式计算窗口内信号振动趋势的均方根值，获得信号的振动能量趋势；
利用卡尔曼滤波算法对振动能量趋势进行滤波，获得卡尔曼滤波优化能量趋势；
预设窗宽Ⅱ、滑移步长Ⅱ，对卡尔曼滤波优化能量趋势在当前预设窗口内的能量幅值均值大小进行判别，确定工况类型。
采集待识别旋转机械设备的振动信号的方式为连续采集，机械设备的运行状态工况包括加速、匀速、减速和静止状态工况。
使用加窗滑移的方式计算窗口内信号振动趋势的均方根值时，设置滑移步长Ⅰ为一个窗宽Ⅰ；其中，采集待识别旋转机械设备的振动信号的采样频率为窗宽Ⅰ的整数倍且窗宽Ⅰ为正整数。
所述窗宽Ⅰ为采样频率值的一百分之一。
所述利用卡尔曼滤波算法对振动能量趋势进行滤波，获得卡尔曼滤波优化能量趋势，具体为：将振动能量趋势在不同时刻上的均方根值作为观测量，利用卡尔曼滤波算法对振动信号的能量趋势进行滤波，获得卡尔曼滤波优化能量趋势。
所述预设窗宽Ⅱ、滑移步长Ⅱ，对卡尔曼滤波优化能量趋势在当前预设窗口内的能量幅值均值大小进行判别，确定工况类型，包括：预设窗宽Ⅱ为正整数，滑移步长Ⅱ设置为1；对卡尔曼滤波优化能量趋势在当前预设窗口内的能量幅值均值大小进行判别：如果小于预设阈值，则判定为静止状态工况；否则，采用最小二乘法对卡尔曼滤波优化能量趋势窗口内能量点进行拟合直线，并获得直线的斜率；依据直线斜率区间，确定非静止工况类型。
所述依据直线斜率区间，确定非静止工况类型，具体为：
如果直线斜率区间为(-∞,-0.0025)，则确定为减速状态工况；
如果直线斜率区间为[-0.0025,+0.0025]，则确定为匀速状态工况；
如果直线斜率区间为(+0.0025,+∞)，则确定为加速状态工况。
根据本发明的一方面，提供了一种基于振动能量趋势的卡尔曼滤波工况识别系统，包括：
采集模块，用于采集待识别旋转机械设备的振动信号；
第一获得模块，用于对振动信号取绝对值，获得信号的振动趋势；
第二获得模块，用于预设窗宽Ⅰ、滑移步长Ⅰ，使用加窗滑移的方式计算窗口内信号振动趋势的均方根值，获得信号的振动能量趋势；
第三获得模块，用于利用卡尔曼滤波算法对振动能量趋势进行滤波，获得卡尔曼滤波优化能量趋势；
确定模块，用于预设窗宽Ⅱ、滑移步长Ⅱ，对卡尔曼滤波优化能量趋势在当前预设窗口内的能量幅值均值大小进行判别，确定工况类型。
根据本发明的一方面，提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行上述中任意一项所述的基于振动能量趋势的卡尔曼滤波工况识别方法。
根据本发明的一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的程序，其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行上述中任意一项所述的基于振动能量趋势的卡尔曼滤波工况识别方法。
本发明的有益效果是：本发明通过加窗计算振动能量趋势并采用卡尔曼滤波算法对其进行滤波处理，能够有效地去除噪声干扰并优化了能量趋势，突出振动信号能量的波动趋势；同时，通过加窗滑移并采用最小二乘法拟合趋势与预设的工况趋势特征进行比对，通过设置斜率区间判定位置所属的工况，能够实现对待识别机械设备所处工况的准确识别，降低了对辅助信号的依赖，提高了工况识别的准确性和可靠性。该方法具有信号处理精度高、实时性好、适应性强等优点，可以有效地识别机械设备的运行工况。
附图说明
图1为本发明的整体流程图；
图2为工况判别流程图；
图3为本发明可选实施例的试验方法示意图；
图4为设备运行某周期的识别效果图。
具体实施方式
下面结合附图和实施例，对发明作进一步的说明，但本发明的内容并不限于所述范围。
实施例1：如图1-4所示，根据本发明实施例的一方面，提供了一种基于振动能量趋势的卡尔曼滤波工况识别方法，包括：采集待识别旋转机械设备的振动信号；对振动信号取绝对值，获得信号的振动趋势；通过对振动信号取绝对值使信号的幅值均为正值，以便于观察振动趋势；预设窗宽Ⅰ、滑移步长Ⅰ，使用加窗滑移的方式计算窗口内信号振动趋势的均方根值，获得信号的振动能量趋势；利用卡尔曼滤波算法对振动能量趋势进行滤波，获得卡尔曼滤波优化能量趋势；预设窗宽Ⅱ、滑移步长Ⅱ，对卡尔曼滤波优化能量趋势在当前预设窗口内的能量幅值均值大小进行判别，确定工况类型。
进一步地，所述采集待识别旋转机械设备的振动信号的方式为连续采集，机械设备的运行状态包括加速、匀速、减速和静止等复杂工况。
进一步地，使用加窗滑移的方式计算窗口内信号振动趋势的均方根值时，设置滑移步长Ⅰ为一个窗宽Ⅰ；其中，采集待识别旋转机械设备的振动信号的采样频率为窗宽Ⅰ的整数倍。如待识别旋转机械设备为待识别旋转机械设备时，可以选用12.8kHz、25.6kHz等采样频率的采集装置进行振动信号的采集。
进一步地，所述窗宽Ⅰ为采样频率值的一百分之一。具体计算时，采样频率取单位为Hz下的取值，如25.6kHz采样频率下，窗宽Ⅰ为25600的一百分之一；通过将窗宽Ⅰ取采样频率的一百分之一，可以避免超过该取值时造成精度不足的问题，还可避免小于该取值时导致识别不出的不足。
具体而言，对每个窗宽Ⅰ内的信号进行滑移，计算每个滑移窗口内的均方根值(RMS)，均方根值可以反映信号的能量水平，其计算公式为：
其中，N表示信号的点数，xi表示振动信号在第i个采样点的幅值。
所述利用卡尔曼滤波算法对振动能量趋势进行滤波，获得卡尔曼滤波优化能量趋势，具体为：将振动能量趋势在不同时刻上的均方根值作为观测量，利用卡尔曼滤波算法对振动信号的能量趋势进行滤波，获得卡尔曼滤波优化能量趋势。
具体而言，在对振动能量趋势进行卡尔曼滤波优化时，将振动能量趋势在不同时刻上的均方根值作为观测量；然后，通过卡尔曼滤波器的预测、更新和协方差更新等步骤，对能量趋势曲线进行优化，提高数据的精度和可靠性。卡尔曼滤波器包括状态更新方程和观测更新方程，状态更新方程为：
Pk＝FkPk-1Fk T+Qk
式中，为状态量估计值，Fk表示状态转移矩阵，Bk表示状态的控制矩阵，uk为修正向量，Pk为协方差矩阵，Qk为过程噪声。
观测更新方程为：
Pk′＝Pk-KHkPk
K＝PkHk T(HkPkHk T+Rk)-1
其中，为经过量测方程修正的状态量估计值，K为卡尔曼增益，Hk为测量矩阵，zk为观测量，Rk为测量噪声阵。
经试验，如果直接对原始振动信号进行卡尔曼滤波将导致无法进行工况判别。而本发明通过对原始信号进行加窗滑移计算获得振动能量趋势后再经过卡尔曼滤波算法的降噪和优化，更能突显能量的变化趋势，降低对噪声信号和异常值的敏感性，有利于对设备的复杂工况进行准确识别。
进一步地，所述预设窗宽Ⅱ、滑移步长Ⅱ，对卡尔曼滤波优化能量趋势在当前预设窗口内的能量幅值均值大小进行判别，确定工况类型，包括：预设窗宽Ⅱ为正整数，滑移步长Ⅱ设置为1；对卡尔曼滤波优化能量趋势在当前预设窗口内的能量幅值均值大小进行判别：如果小于预设阈值，则判定为静止状态工况；否则，采用最小二乘法对卡尔曼滤波优化能量趋势窗口内能量点进行拟合直线，并获得直线的斜率；依据直线斜率区间，确定非静止工况类型。在本发明的实施例中，如果当前预设窗口内的能量幅值均值小于0.1，则可判定当前窗口内的第一个滑移步长Ⅱ内的数据为静止状态工况，无需再计算斜率。
进一步地，所述依据直线斜率区间，确定非静止工况类型，如下给出优选地工况斜率区间为：①减速状态：(-∞～-0.0025)；②匀速状态：[-0.0025～+0.0025]；③加速状态：(+0.0025～+∞)。
具体而言，设置窗宽Ⅱ和步长Ⅱ后，采用最小二乘法对窗内能量点进行拟合：
f(x)＝a1ψ1(x)+a2ψ2(x)+…+amψm(x)
式中ψ1(x)为预先选定的一组线性无关函数，ak为待定系数(k＝1,2,……,m，m<n)，拟合的准则是使得yi(y＝1，2，……，n)与f(x)的距离平方和最小。在本发明的实施例中的，窗宽Ⅱm取20。
为了获得能量趋势的特征斜率，本发明采用一阶拟合。为了提高拟合效果，再次采用加窗滑移的方法对信号进行处理，同时采用合适的窗口大小和滑移步长。在每个窗口内，采用最小二乘法进行直线拟合，得到拟合直线的斜率，作为该窗口内的工况特征参数。
根据每次拟合直线的斜率大小和正负来判断滚珠丝杠副的运行状态。斜率为正且较大表示为加速状态；斜率为负且较小表示为减速状态；斜率非常接近于0且位于设定区间表示为匀速状态；振动能量幅值极小即可直接判定为静止状态。
进一步地，所述待识别旋转机械设备可以为滚珠丝杠，还可以用在数控机床运行工况监测，或者变工况旋转机械运行的状态监测，比如轴承，齿轮等旋转机械设备。
根据本发明实施例的一方面，提供了一种基于振动能量趋势的卡尔曼滤波工况识别系统，包括：采集模块，用于采集待识别旋转机械设备的振动信号；第一获得模块，用于对振动信号取绝对值，获得信号的振动趋势；第二获得模块，用于预设窗宽Ⅰ、滑移步长Ⅰ，使用加窗滑移的方式计算窗口内信号振动趋势的均方根值，获得信号的振动能量趋势；第三获得模块，用于利用卡尔曼滤波算法对振动能量趋势进行滤波，获得卡尔曼滤波优化能量趋势；确定模块，用于预设窗宽Ⅱ、滑移步长Ⅱ，对卡尔曼滤波优化能量趋势在当前预设窗口内的能量幅值均值大小进行判别，确定工况类型。
根据本发明的一方面，提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行上述中任意一项所述的基于振动能量趋势的卡尔曼滤波工况识别方法。
根据本发明实施例的一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的程序，其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行上述中任意一项所述的基于振动能量趋势的卡尔曼滤波工况识别方法。
再进一步地，将基于振动能量趋势的卡尔曼滤波工况识别方法用于滚珠丝杠副模拟试验台的工况识别，结合附图3、4，对本发明可选地实施过程进行如下说明：
(1)使用滚珠丝杠副模拟试验台的振动信号数据进行试验。滚珠丝杠副模拟实验台的运动形式为往复直线运动，其中包含了加速、匀速、减速和静止四种工况，并且均为四种工况循环进行。将加速度传感器安装在滚珠丝杠副螺母座测点，实时连续采集机械设备的振动信号。表1为相关设备的名称和参数规格等。
表1相关设备和参数规格
(2)获得原始信号的数据和波形，对原始信号取绝对值，获得原始信号的振动趋势。对原始信号的振动趋势加窗滑移计算出信号的振动能量趋势，设置的窗宽度为采样频率的一百分之一，则窗宽度为256，滑移步长为一个窗宽，即振动趋势的每256个数据点计算为1个能量点，通过滑移计算即可获取振动信号的能量趋势，并将能量趋势作为原始信号的匹配模板。
(3)对设备振动信号的能量趋势进行卡尔曼滤波优化，消除噪声和误差，更能突显出能量变化波动的趋势，获得的能量趋势曲线更加接近工况变化趋势。
(4)对滤波后的振动能量趋势使用最小二乘法计算并加窗滑移拟合窗内能量点。设置的拟合阶次为一阶拟合，窗大小设置为20。设定的工况斜率区间为：①减速状态②匀速状态/>③加速状态/>④能量幅值均值小于0.1的窗口内第1个能量点即可判定为静止状态，无需再计算斜率。
下表为滚珠丝杠副试验台某个运行周期的拟合和识别结果。
表2设备运行某周期的拟合和识别结果
从试验结果可知，在一个完整的运行周期内，基于振动能量趋势的卡尔曼滤波工况识别方法能够准确地识别出机械设备的运行工况，识别准确率达到了97.14％，说明了本发明方法的有效性。
应用上述技术方案可知，本发明具备如下优点：①卡尔曼滤波优化可以消除噪声和误差，提高振动信号能量趋势的精度和可靠性；②基于振动能量趋势的判别方式能够快速响应工况变化，实时更新模型参数和状态估计，具有较好的实时性；③基于振动能量趋势的卡尔曼滤波工况识别方法可以对不同类型的设备进行识别，具有较强的可扩展性；④基于振动能量趋势的卡尔曼滤波工况识别方法只需要少量的振动信号数据即可进行工况识别，数据需求较低。
上面结合附图对本发明的具体实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。
Claims (10)
1.一种基于振动能量趋势的卡尔曼滤波工况识别方法，其特征在于，包括：
采集待识别旋转机械设备的振动信号；
对振动信号取绝对值，获得信号的振动趋势；
预设窗宽Ⅰ、滑移步长Ⅰ，使用加窗滑移的方式计算窗口内信号振动趋势的均方根值，获得信号的振动能量趋势；
利用卡尔曼滤波算法对振动能量趋势进行滤波，获得卡尔曼滤波优化能量趋势；
预设窗宽Ⅱ、滑移步长Ⅱ，对卡尔曼滤波优化能量趋势在当前预设窗口内的能量幅值均值大小进行判别，确定工况类型。
2.根据权利要求1所述的基于振动能量趋势的卡尔曼滤波工况识别方法，其特征在于，采集待识别旋转机械设备的振动信号的方式为连续采集，机械设备的运行状态工况包括加速、匀速、减速和静止状态工况。
3.根据权利要求1所述的基于振动能量趋势的卡尔曼滤波工况识别方法，其特征在于，使用加窗滑移的方式计算窗口内信号振动趋势的均方根值时，设置滑移步长Ⅰ为一个窗宽Ⅰ；其中，采集待识别旋转机械设备的振动信号的采样频率为窗宽Ⅰ的整数倍且窗宽Ⅰ为正整数。
4.根据权利要求1所述的基于振动能量趋势的卡尔曼滤波工况识别方法，其特征在于，所述窗宽Ⅰ为采样频率值的一百分之一。
5.根据权利要求1所述的基于振动能量趋势的卡尔曼滤波工况识别方法，其特征在于，所述利用卡尔曼滤波算法对振动能量趋势进行滤波，获得卡尔曼滤波优化能量趋势，具体为：将振动能量趋势在不同时刻上的均方根值作为观测量，利用卡尔曼滤波算法对振动信号的能量趋势进行滤波，获得卡尔曼滤波优化能量趋势。
6.根据权利要求1所述的基于振动能量趋势的卡尔曼滤波工况识别方法，其特征在于，所述预设窗宽Ⅱ、滑移步长Ⅱ，对卡尔曼滤波优化能量趋势在当前预设窗口内的能量幅值均值大小进行判别，确定工况类型，包括：
预设窗宽Ⅱ为正整数，滑移步长Ⅱ设置为1；
对卡尔曼滤波优化能量趋势在当前预设窗口内的能量幅值均值大小进行判别：如果小于预设阈值，则判定为静止状态工况；否则，采用最小二乘法对卡尔曼滤波优化能量趋势窗口内能量点进行拟合直线，并获得直线的斜率；依据直线斜率区间，确定非静止工况类型。
7.根据权利要求6所述的基于振动能量趋势的卡尔曼滤波工况识别方法，其特征在于，所述依据直线斜率区间，确定非静止工况类型，具体为：
如果直线斜率区间为(-∞,-0.0025)，则确定为减速状态工况；
如果直线斜率区间为[-0.0025,+0.0025]，则确定为匀速状态工况；
如果直线斜率区间为(+0.0025,+∞)，则确定为加速状态工况。
8.一种基于振动能量趋势的卡尔曼滤波工况识别系统，其特征在于，包括：
采集模块，用于采集待识别旋转机械设备的振动信号；
第一获得模块，用于对振动信号取绝对值，获得信号的振动趋势；
第二获得模块，用于预设窗宽Ⅰ、滑移步长Ⅰ，使用加窗滑移的方式计算窗口内信号振动趋势的均方根值，获得信号的振动能量趋势；
第三获得模块，用于利用卡尔曼滤波算法对振动能量趋势进行滤波，获得卡尔曼滤波优化能量趋势；
确定模块，用于预设窗宽Ⅱ、滑移步长Ⅱ，对卡尔曼滤波优化能量趋势在当前预设窗口内的能量幅值均值大小进行判别，确定工况类型。
9.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1-7中任意一项所述的基于振动能量趋势的卡尔曼滤波工况识别方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的程序，其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行权利要求1-7中任意一项所述的基于振动能量趋势的卡尔曼滤波工况识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310832464.8A CN116861313B (zh) | 2023-07-07 | 2023-07-07 | 基于振动能量趋势的卡尔曼滤波工况识别方法、系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310832464.8A CN116861313B (zh) | 2023-07-07 | 2023-07-07 | 基于振动能量趋势的卡尔曼滤波工况识别方法、系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116861313A true CN116861313A (zh) | 2023-10-10 |
| CN116861313B CN116861313B (zh) | 2024-03-01 |
Family
ID=88229915
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310832464.8A Active CN116861313B (zh) | 2023-07-07 | 2023-07-07 | 基于振动能量趋势的卡尔曼滤波工况识别方法、系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116861313B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117633554A (zh) * | 2023-12-14 | 2024-03-01 | 艾信智慧医疗科技发展（苏州）有限公司 | 医用箱式物流传输监测及预警系统 |
| CN117798744A (zh) * | 2024-02-29 | 2024-04-02 | 茌平县汇通机械制造有限公司 | 一种数控机床运行状态监测方法 |
| CN117798744B (zh) * | 2024-02-29 | 2024-05-10 | 茌平县汇通机械制造有限公司 | 一种数控机床运行状态监测方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103226737A (zh) * | 2013-04-15 | 2013-07-31 | 清华大学 | 基于卡尔曼滤波与灰色预测的化工异常工况趋势预测方法 |
| CN107633325A (zh) * | 2017-09-11 | 2018-01-26 | 中国石油大学(北京) | 一种页岩气压裂井下事故早期诊断报警方法及装置 |
| EP3586746A1 (en) * | 2018-06-29 | 2020-01-01 | Tata Consultancy Services Limited | Heart rate driven unsupervised techniques for continuous monitoring of arousal trend of users |
| CN114117682A (zh) * | 2021-12-03 | 2022-03-01 | 湖南师范大学 | 齿轮箱的故障识别方法、装置、设备及存储介质 |
| CN114201831A (zh) * | 2021-12-13 | 2022-03-18 | 大连理工大学 | 一种基于振动信号实时采集的滚动轴承工况量化分析方法 |
-
2023
- 2023-07-07 CN CN202310832464.8A patent/CN116861313B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103226737A (zh) * | 2013-04-15 | 2013-07-31 | 清华大学 | 基于卡尔曼滤波与灰色预测的化工异常工况趋势预测方法 |
| CN107633325A (zh) * | 2017-09-11 | 2018-01-26 | 中国石油大学(北京) | 一种页岩气压裂井下事故早期诊断报警方法及装置 |
| EP3586746A1 (en) * | 2018-06-29 | 2020-01-01 | Tata Consultancy Services Limited | Heart rate driven unsupervised techniques for continuous monitoring of arousal trend of users |
| CN114117682A (zh) * | 2021-12-03 | 2022-03-01 | 湖南师范大学 | 齿轮箱的故障识别方法、装置、设备及存储介质 |
| CN114201831A (zh) * | 2021-12-13 | 2022-03-18 | 大连理工大学 | 一种基于振动信号实时采集的滚动轴承工况量化分析方法 |
Non-Patent Citations (3)
| Title |
|---|
| MENGLIANG LIAO ET AL: "Research on a Rolling Bearing Fault Detection Method With Wavelet Convolution Deep Transfer Learning", 《IEEE ACCESS》, no. 9, pages 45175 - 45188, XP011846502, DOI: 10.1109/ACCESS.2021.3067152 * |
| 解晓婷 等: "基于 FFT 与 CS-SVM 的滚动轴承故障诊断", 《组合机床与自动化加工技术》, vol. 2019, no. 4, pages 90 - 94 * |
| 陆付民 等: "基于指数趋势模型的卡尔曼滤波法在危岩体变形分析中的应用", 《岩土力学》, vol. 29, no. 06, pages 1716 - 1718 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117633554A (zh) * | 2023-12-14 | 2024-03-01 | 艾信智慧医疗科技发展（苏州）有限公司 | 医用箱式物流传输监测及预警系统 |
| CN117633554B (zh) * | 2023-12-14 | 2024-05-14 | 艾信智慧医疗科技发展（苏州）有限公司 | 医用箱式物流传输监测及预警系统 |
| CN117798744A (zh) * | 2024-02-29 | 2024-04-02 | 茌平县汇通机械制造有限公司 | 一种数控机床运行状态监测方法 |
| CN117798744B (zh) * | 2024-02-29 | 2024-05-10 | 茌平县汇通机械制造有限公司 | 一种数控机床运行状态监测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116861313B (zh) | 2024-03-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Luo et al. | On-line vibration analysis with fast continuous wavelet algorithm for condition monitoring of bearing | |
| CN105718876B (zh) | 一种滚珠丝杠健康状态的评估方法 | |
| Dambros et al. | Oscillation detection in process industries–Part I: Review of the detection methods | |
| Srinivasan et al. | A modified empirical mode decomposition (EMD) process for oscillation characterization in control loops | |
| CN115169409B (zh) | 基于滑窗的桥梁结构自振频率识别、预警方法及设备 | |
| CN111665066B (zh) | 基于卷积神经网络的设备故障自适应上下预警界生成方法 | |
| CN110346130B (zh) | 一种基于经验模态分解和时频多特征的镗削颤振检测方法 | |
| CN112781820B (zh) | 一种滚刀性能退化趋势评估方法 | |
| CN109139390B (zh) | 一种基于声信号特征库的风机桨叶故障识别方法 | |
| CN111538309B (zh) | 一种基于多变量非线性调频模态分解的工业过程厂级振荡检测方法 | |
| CN108629864A (zh) | 一种基于振动的电主轴径向精度表征方法及其系统 | |
| CN116432071A (zh) | 一种滚动轴承剩余寿命预测方法 | |
| CN116861313B (zh) | 基于振动能量趋势的卡尔曼滤波工况识别方法、系统 | |
| TW201633025A (zh) | 工具機主軸故障形式的診斷方法及其系統 | |
| CN113326774A (zh) | 一种基于AlexNet网络的机床能耗状态识别方法及系统 | |
| CN116307938B (zh) | 一种加工中心进给系统健康状态评估方法 | |
| CN113361324A (zh) | 一种基于lstm的电机电流异常检测方法 | |
| CN116213095B (zh) | 一种基于重介质分选的精煤产品灰分智能调节方法及系统 | |
| CN114355846B (zh) | 一种基于sbr仿真模型的造纸污水处理过程故障诊断方法 | |
| CN111251187A (zh) | 一种叶片磨削烧伤信息融合与特征提取方法及装置 | |
| CN116738187A (zh) | 基于人工智能的船舶燃气功率动态预测方法及系统 | |
| CN114112390B (zh) | 一种非线性复杂系统早期故障诊断方法 | |
| Zhao et al. | Incipient chatter fast and reliable detection method in high-speed milling process based on cumulative strategy | |
| Chen et al. | Performance degradation assessment of rotary machinery based on a multiscale Tsallis permutation entropy method | |
| CN115292776A (zh) | 一种基于索力监测数据的斜拉桥车致索力实时在线提取方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |