CN117421587A - 基于典型相关系数的旋转类设备健康状态在线评估方法 - Google Patents
基于典型相关系数的旋转类设备健康状态在线评估方法 Download PDFInfo
- Publication number
- CN117421587A CN117421587A CN202311232758.3A CN202311232758A CN117421587A CN 117421587 A CN117421587 A CN 117421587A CN 202311232758 A CN202311232758 A CN 202311232758A CN 117421587 A CN117421587 A CN 117421587A
- Authority
- CN
- China
- Prior art keywords
- typical correlation
- vibration data
- matrix
- historical
- correlation coefficient
- 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
- 230000036541 health Effects 0.000 title claims abstract description 39
- 238000011156 evaluation Methods 0.000 title claims abstract description 33
- 239000011159 matrix material Substances 0.000 claims abstract description 74
- 238000012545 processing Methods 0.000 claims abstract description 24
- 238000000034 method Methods 0.000 claims abstract description 15
- 230000009467 reduction Effects 0.000 claims abstract description 13
- 239000013598 vector Substances 0.000 claims abstract description 13
- 238000012795 verification Methods 0.000 claims abstract description 13
- 238000010219 correlation analysis Methods 0.000 claims abstract description 9
- 238000000513 principal component analysis Methods 0.000 claims abstract description 8
- 230000003595 spectral effect Effects 0.000 claims description 18
- 230000003862 health status Effects 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000009825 accumulation Methods 0.000 claims description 3
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 15
- 230000035945 sensitivity Effects 0.000 abstract description 5
- 238000000605 extraction Methods 0.000 abstract description 3
- 238000012544 monitoring process Methods 0.000 abstract description 2
- 238000012423 maintenance Methods 0.000 description 7
- 238000005070 sampling Methods 0.000 description 6
- 238000003745 diagnosis Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Mathematical Physics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Computing Systems (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及设备健康监测技术领域,具体涉及基于典型相关系数的旋转类设备健康状态在线评估方法。本发明引入了典型相关系数来进行在线检测,在得到历史振动数据并进行预处理及特征提取,得到振动矩阵并进行主成分分析后;本方法还会对降维后的特征矩阵进行拆分,得到标准矩阵与验证矩阵;并对验证矩阵中的每一行向量与标准矩阵进行典型相关分析处理,得到典型相关系数。典型相关系数可表征变量之间相关关系程度,通过对变量进行综合,得出综合指标之间的直线相关系数。通过典型相关系数,可以融合这些特征/特征矩阵的优点,从而同时兼具较好的单调性与敏感性。基于这个典型相关系数进行在线检测,能够尽可能的避免出现误报、漏报的情况。
Description
技术领域
本发明属于设备健康监测技术领域,尤其涉及基于典型相关系数的旋转类设备健康状态在线评估方法。
背景技术
为了减少旋转类设备计划外的停机和保证其安全性,旋转类设备的健康状态在线评估受到越来越多关注。
通过健康状态在线评估,可以在旋转类设备出现异常时及时了解情况,进行相应处理。目前,在对旋转类设备的健康状态进行在线评估时,通常是采集其运行数据(如振动数据)后进行特征分析,如:有效值、峭度、L2/L1范数等,再使用这些特征/特诊矩阵对设备进行在线诊断。与人工诊断相比,虽然目前的线上诊断方法已经能够保证诊断的及时性和一定的准确性。但是,这些在线诊断的方法要么无法满足良好的单调性,要么没有良好的敏感性,进而容易导致误报、漏报情况发生,会给企业带来很大的干扰,不利于预测性维护领域的发展。
因此,怎样才能保证旋转类设备在线检测的稳定性和及时性,尽可能规避误报、漏报的情况,使企业能够准确的对旋转类设备进行预测性维护,成为目前亟待解决的问题。
发明内容
针对上述现有技术的不足,本发明提供了一种基于典型相关系数的旋转类设备健康状态在线评估方法,可以保证旋转类设备在线检测的稳定性和及时性,尽可能规避误报、漏报的情况,使企业能够准确的对旋转类设备进行预测性维护。
为了解决上述技术问题,本发明采用了如下的技术方案:
基于典型相关系数的旋转类设备健康状态在线评估方法,包括以下步骤:
S1、获取旋转类设备的历史健康样本振动信号,作为历史振动数据;
S2、对历史振动数据进行预处理;并对预处理后的历史振动数据进行特征提取及筛选,得到历史振动数据的特征矩阵;
S3、对历史振动数据的特征矩阵进行主成分分析降维;
S4、对降维后的特征矩阵进行拆分,得到标准矩阵与验证矩阵;
S5、对验证矩阵中的每一行向量与标准矩阵进行典型相关分析处理,得到典型相关系数;
S6、对典型相关系数进行处理,得到健康评估参数;
S7、实时采集的振动数据并进行处理得到实时典型相关系数后,结合健康评估参数对旋转类设备当前的健康状态进行评估。
本发明方案原理及有益效果:
1、发明人对现有技术进行深入研究分析后,发现无论怎样增加对运行数据的分析维度(即处理得到的特征或特征矩阵的数量/维度),都难以在满足良好单调性的同时兼具良好的敏感性。
因此,发明人没有再沿着本领域技术人员的技术思路进行改进,即增加或优化特征及特征矩阵的数量、维度及搭配,而是创造性的引入了典型相关系数来进行在线检测。具体地,本发明在得到历史振动数据并进行预处理及特征提取,得到振动矩阵并进行主成分分析后;本方法还会对降维后的特征矩阵进行拆分,得到标准矩阵与验证矩阵;并对验证矩阵中的每一行向量与标准矩阵进行典型相关分析处理,得到典型相关系数。典型相关系数可表征变量之间相关关系程度,通过对变量进行综合,得出综合指标之间的直线相关系数。换个说法,通过典型相关系数,可以融合这些特征/特征矩阵的优点,从而同时兼具较好的单调性与敏感性。之后,基于这个典型相关系数进行在线检测,自然能够尽可能的避免出现误报、漏报的情况。
综上,本发明通过创造性的引入典型相关系数进行旋转类设备的在线检测,可以保证检测的稳定性和及时性,尽可能规避误报、漏报的情况,使企业能够准确的对旋转类设备进行预测性维护。
2、本发明无需人为设定阈值,所用数据均来自同一设备,可实现“一机一模型”,适用于所有设备。
优选地,S6中,对典型相关系数进行的处理包括,计算典型相关系数的均值与标准差;并将均值、标准差以及S4得到的标准矩阵作为健康评估参数。
这样,通过对典型相关系数进行该处理,可以快速直观的对实时参数进行相应的分析,保证在线分析的及时性和直观性。
优选地,S7包括:
S701、对实时的振动数据进行S2的处理后进行主成分分析降维处理,得到降维后的实时特征向量;
S702、将实时特征向量与健康评估参数中的标准矩阵进行典型相关分析,得到实时典型相关系数;
S703、计算实时典型相关系数与健康评估参数中的均值间的差值绝对值;
S704、将S703得到的差值绝对值与健康评估参数中的标准差进行比较,得到旋转类设备当前的健康状态。
这样,在客观、准确的得到旋转类设备当前的健康状态的同时,还可以保证在线检测的效率性。
优选地,S704中,若差值小于等于则设备处于健康状态;若差值大于小于等于,则设备处理预警状态;若差值大于,则设备处于高危状态。
这样,可以让工作人员及时了解设备的准确状态,便于根据异常程度进行对应的处理(如检修、更换等)。
优选地,S3包括:
S301、对历史振动数据的特征矩阵进行主成分分析;
S302、保留特征矩阵的前m阶主成分。
这样,可以对历史振动数据进行全面的利用,保证后续分析的有效性和准确性。
优选地,S2中,对历史振动数据进行预处理包括:
S211、提取历史振动数据的包络信号;
S212、计算历史振动数据的3阶累积量;
S2中,得到历史振动数据的特征矩阵的过程包括:
S221、提取未经预处理的历史样本振动数据的以下特征:有效值、峭度、峰峰值、峰值因子、功率谱熵、谱能量;
S222、提取历史样本振动数据包络信号的以下特征:有效值、峭度、峰峰值、峰值因子、功率谱熵、谱能量;
S223、提取历史样本振动数据3阶累积量的以下特征:有效值、峭度、峰峰值、峰值因子、功率谱熵、谱能量;
S224、将S221-S223提取的所有特征组成历史样本振动数据的特征矩阵,特征矩阵维度为L×(30n),其中,L为历史样本振动数据组数,n为传感器数量;
S225、对特征矩阵进行归一化处理,得到归一化的特征矩阵。
这样,通过上述处理,得到的特征矩阵综合了时域、频域、时频域的特征,并且还进行了归一化处理,保证了后续使用的特征举证的有效性和使用便捷性。
附图说明
为了使发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步的详细描述,其中:
图1为本发明的流程图;
图2为实施例的实例说明中振动原始数据峭度特征示意图;
图3为实施例的实例说明中振动原始数据归一化峭度特征示意图;
图4为实施例的实例说明中振动原始数据典型相关系数特征示意图。
具体实施方式
下面通过具体实施方式进一步详细的说明:
实施例
发明人对现有技术进行深入研究分析后,发现无论怎样增加对运行数据的分析维度(即处理得到的特征或特征矩阵的数量/维度),都难以在满足良好单调性的同时兼具良好的敏感性。因此,发明人没有再沿着本领域技术人员的技术思路进行改进,即增加或优化特征及特征矩阵的数量、维度及搭配,而是创造性的引入了典型相关系数来进行在线检测。具体技术方案如下。
如图1所示,本实施例中公开了一种基于典型相关系数的旋转类设备健康状态在线评估方法,包括以下步骤:
S1、获取旋转类设备的历史健康样本振动信号,作为历史振动数据。
具体实施时,S1包括:
S101、确定振动传感器的采样信息,所述采样信息包括测点位置、采样频率、采样长度。
S102、根据采样信息安装好振动传感器后,通过振动传感器采集旋转类设备的振动信号。需要说明的是,为保证数据有效性,此步骤中,应保证采样时长尽可能长。
S103、对采集到的振动信号进行初步检查,剔除偏差大于预设偏差的数据。确保历史样本数据均的稳定性。得到历史振动数据。
S2、对历史振动数据进行预处理;并对预处理后的历史振动数据进行特征提取及筛选,得到历史振动数据的特征矩阵。
具体实施时,对历史振动数据进行预处理包括:
S211、提取历史振动数据的包络信号;
S212、计算历史振动数据的3阶累积量;
得到历史振动数据的特征矩阵的过程包括:
S221、提取未经预处理的历史样本振动数据的以下特征:有效值、峭度、峰峰值、峰值因子、功率谱熵、谱能量;
S222、提取历史样本振动数据包络信号的以下特征:有效值、峭度、峰峰值、峰值因子、功率谱熵、谱能量;
S223、提取历史样本振动数据3阶累积量的以下特征:有效值、峭度、峰峰值、峰值因子、功率谱熵、谱能量;
S224、将S221-S223提取的所有特征组成历史样本振动数据的特征矩阵,特征矩阵维度为L×(30n),其中,L为历史样本振动数据组数,n为传感器数量;
S225、对特征矩阵进行归一化处理,得到归一化的特征矩阵。
S3、对历史振动数据的特征矩阵进行主成分分析降维。
具体实施时,S3包括:
S301、对历史振动数据的特征矩阵进行主成分分析;
S302、保留特征矩阵的前m阶主成分。即特征矩阵降维后的矩阵维度为,。
S4、对降维后的特征矩阵进行拆分,得到标准矩阵与验证矩阵。
其中,标准矩阵的维度为,验证矩阵的维度为。
S5、对验证矩阵中的每一行向量与标准矩阵进行典型相关分析处理,得到典型相关系数。
S6、对典型相关系数进行处理,得到健康评估参数。
具体实施时,对典型相关系数进行的处理包括,计算典型相关系数的均值与标准差;并将均值、标准差以及S4得到的标准矩阵作为健康评估参数。通过对典型相关系数进行该处理,可以快速直观的对实时参数进行相应的分析,保证在线分析的及时性和直观性。
S7、实时采集的振动数据并进行处理得到实时典型相关系数后,结合健康评估参数对旋转类设备当前的健康状态进行评估。
具体实施时,S7包括:
S701、对实时的振动数据进行S2的处理后进行主成分分析降维处理,得到降维后的实时特征向量;本实施例中,实时特征向量的维度为。
S702、将实时特征向量与健康评估参数中的标准矩阵进行典型相关分析,得到实时典型相关系数;
S703、计算实时典型相关系数与健康评估参数中的均值间的差值绝对值;
S704、将S703得到的差值绝对值与健康评估参数中的标准差进行比较,得到旋转类设备当前的健康状态。其中,若差值小于等于则设备处于健康状态;若差值大于小于等于,则设备处理预警状态;若差值大于,则设备处于高危状态。
本发明在得到历史振动数据并进行预处理及特征提取,得到振动矩阵并进行主成分分析后;本方法还会对降维后的特征矩阵进行拆分,得到标准矩阵与验证矩阵;并对验证矩阵中的每一行向量与标准矩阵进行典型相关分析处理,得到典型相关系数。典型相关系数可表征变量之间相关关系程度,通过对变量进行综合,得出综合指标之间的直线相关系数。换个说法,通过典型相关系数,可以融合这些特征/特征矩阵的优点,从而同时兼具较好的单调性与敏感性。之后,基于这个典型相关系数进行在线检测,自然能够尽可能的避免出现误报、漏报的情况。本发明通过创造性的引入典型相关系数进行旋转类设备的在线检测,可以保证检测的稳定性和及时性,尽可能规避误报、漏报的情况,使企业能够准确的对旋转类设备进行预测性维护。除此,本发明无需人为设定阈值,所用数据均来自同一设备,可实现“一机一模型”,适用于所有设备。
为了更好的说明本发明选择的典型相关系数的效果,特进行以下说明。
下面结合实例与附图对本发明做详细阐述。
实例采集了600组正常电机的振动数据和600组转子不平衡故障电机的振动数据作为对比,每组信号均包含时长为1s、5000个离散点的时域波形数据。对各组振动数据进行S2所述预处理及特征提取操作。以振动原始数据的峭度特征为例进行展示说明。图2为振动原始数据峭度特征示意图,图3为振动原始数据归一化峭度特征示意图,可以看到,无论是正常电机还是转子不平衡电机,其峭度值均分布在3左右,归一化后的峭度均分布在1左右,差异并不明显,无法有效区分正常电机与故障电机。图4为本发明所提典型相关系数方法的结果。可以看到,基于正常电机数据得到的典型相关系数稳定分布在1附近,而基于转子不平衡电机得到的典型相关系数则稳定分布在0.4附近,差异十分明显,能够有效区分正常电机与故障电机。
从上可知,本发明典型相关系数同时兼具较好的单调性与敏感性,基于这个典型相关系数进行在线检测,能够尽可能的避免出现误报、漏报的情况,保证检测的稳定性和及时性,使企业能够准确的对旋转类设备进行预测性维护。
最后需要说明的是,以上实施例仅用以说明本发明的技术方案而非限制技术方案,本领域的普通技术人员应当理解,那些对本发明的技术方案进行修改或者等同替换,而不脱离本技术方案的宗旨和范围,均应涵盖在本发明的权利要求范围当中。
Claims (6)
1.基于典型相关系数的旋转类设备健康状态在线评估方法,其特征在于,包括以下步骤:
S1、获取旋转类设备的历史健康样本振动信号,作为历史振动数据;
S2、对历史振动数据进行预处理;并对预处理后的历史振动数据进行特征提取及筛选,得到历史振动数据的特征矩阵;
S3、对历史振动数据的特征矩阵进行主成分分析降维;
S4、对降维后的特征矩阵进行拆分,得到标准矩阵与验证矩阵;
S5、对验证矩阵中的每一行向量与标准矩阵进行典型相关分析处理,得到典型相关系数;
S6、对典型相关系数进行处理,得到健康评估参数;
S7、实时采集的振动数据并进行处理得到实时典型相关系数后,结合健康评估参数对旋转类设备当前的健康状态进行评估。
2.如权利要求1所述的基于典型相关系数的旋转类设备健康状态在线评估方法,其特征在于:S6中,对典型相关系数进行的处理包括,计算典型相关系数的均值与标准差;并将均值、标准差以及S4得到的标准矩阵作为健康评估参数。
3.如权利要求2所述的基于典型相关系数的旋转类设备健康状态在线评估方法,其特征在于:S7包括:
S701、对实时的振动数据进行S2的处理后进行主成分分析降维处理,得到降维后的实时特征向量;
S702、将实时特征向量与健康评估参数中的标准矩阵进行典型相关分析,得到实时典型相关系数;
S703、计算实时典型相关系数与健康评估参数中的均值间的差值绝对值;
S704、将S703得到的差值绝对值与健康评估参数中的标准差进行比较,得到旋转类设备当前的健康状态。
4.如权利要求3所述的基于典型相关系数的旋转类设备健康状态在线评估方法,其特征在于:S704中,若差值小于等于则设备处于健康状态;若差值大于小于等于,则设备处理预警状态;若差值大于,则设备处于高危状态。
5.如权利要求1所述的基于典型相关系数的旋转类设备健康状态在线评估方法,其特征在于:S3包括:
S301、对历史振动数据的特征矩阵进行主成分分析;
S302、保留特征矩阵的前m阶主成分。
6.如权利要求1所述的基于典型相关系数的旋转类设备健康状态在线评估方法,其特征在于:S2中,对历史振动数据进行预处理包括:
S211、提取历史振动数据的包络信号;
S212、计算历史振动数据的3阶累积量;
S2中,得到历史振动数据的特征矩阵的过程包括:
S221、提取未经预处理的历史样本振动数据的以下特征:有效值、峭度、峰峰值、峰值因子、功率谱熵、谱能量;
S222、提取历史样本振动数据包络信号的以下特征:有效值、峭度、峰峰值、峰值因子、功率谱熵、谱能量;
S223、提取历史样本振动数据3阶累积量的以下特征:有效值、峭度、峰峰值、峰值因子、功率谱熵、谱能量;
S224、将S221-S223提取的所有特征组成历史样本振动数据的特征矩阵,特征矩阵维度为L×(30n),其中,L为历史样本振动数据组数,n为传感器数量;
S225、对特征矩阵进行归一化处理,得到归一化的特征矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311232758.3A CN117421587A (zh) | 2023-09-22 | 2023-09-22 | 基于典型相关系数的旋转类设备健康状态在线评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311232758.3A CN117421587A (zh) | 2023-09-22 | 2023-09-22 | 基于典型相关系数的旋转类设备健康状态在线评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117421587A true CN117421587A (zh) | 2024-01-19 |
Family
ID=89521896
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311232758.3A Pending CN117421587A (zh) | 2023-09-22 | 2023-09-22 | 基于典型相关系数的旋转类设备健康状态在线评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117421587A (zh) |
-
2023
- 2023-09-22 CN CN202311232758.3A patent/CN117421587A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | A novel statistical time-frequency analysis for rotating machine condition monitoring | |
TWI587294B (zh) | 設備異音的檢測方法及檢測裝置 | |
CA2875071C (en) | Method and system for testing operational integrity of a drilling rig | |
CN117407679B (zh) | 智能末屏传感器的数据采集方法及系统 | |
WO1998047009A2 (en) | Statistical pattern analysis methods of partial discharge measurments in high voltage insulation | |
CN106022366B (zh) | 一种基于近邻证据融合的旋转机械设备故障诊断方法 | |
CN102706560B (zh) | 一种风力发电机组的状态监测方法和装置 | |
CN110160765A (zh) | 一种基于声音或振动信号的冲击特征识别方法及系统 | |
CN114004306A (zh) | 一种基于物联网多维度数据的设备故障评估系统及其方法 | |
CN111504647A (zh) | 基于ar-mset的滚动轴承的性能退化评估方法 | |
CN111678699B (zh) | 一种面向滚动轴承早期故障监测与诊断方法及系统 | |
CN110553789A (zh) | 一种压阻式压力传感器的状态检测方法、装置及制动系统 | |
CN117093945A (zh) | 一种旋转机械状态在线监测与故障分析系统 | |
CN116415126A (zh) | 用于造纸机的刮刀的异常检测的方法、装置和计算设备 | |
CN112666430B (zh) | 变压器声纹智能故障检测方法及系统 | |
CN109165396A (zh) | 一种故障演化趋势的设备剩余使用寿命预测方法 | |
CN117434396A (zh) | 一种变压器套管末屏在线监测系统及其方法 | |
CN117421587A (zh) | 基于典型相关系数的旋转类设备健康状态在线评估方法 | |
CN115034094B (zh) | 一种金属加工机床运行状态预测方法及系统 | |
Ferracuti et al. | Multi-Scale PCA based fault diagnosis for rotating electrical machines | |
He et al. | Signal nonstationary degree evaluation method based on moving statistics theory | |
Zuev et al. | Diagnosis methods for mechanisms and machines based on empirical mode decomposition of a vibrosignal and the wilcoxon test | |
Thapliyal et al. | Application of DWT and PDD for bearing fault diagnosis using vibration signal | |
CN112001326B (zh) | 基于振动指纹的高压开关装备故障诊断与预测方法和系统 | |
CN115758277A (zh) | 一种旋转类设备健康状态在线评估方法 |
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 |