CN117705448B - 基于滑动平均与3σ准则相融合的轴承故障劣化趋势阈值预警方法及系统 - Google Patents
基于滑动平均与3σ准则相融合的轴承故障劣化趋势阈值预警方法及系统 Download PDFInfo
- Publication number
- CN117705448B CN117705448B CN202410163571.0A CN202410163571A CN117705448B CN 117705448 B CN117705448 B CN 117705448B CN 202410163571 A CN202410163571 A CN 202410163571A CN 117705448 B CN117705448 B CN 117705448B
- Authority
- CN
- China
- Prior art keywords
- bearing
- threshold
- early warning
- trend
- moving average
- 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.)
- Active
Links
- 230000015556 catabolic process Effects 0.000 title claims abstract description 38
- 238000006731 degradation reaction Methods 0.000 title claims abstract description 38
- 238000000034 method Methods 0.000 title claims abstract description 25
- 230000004927 fusion Effects 0.000 title claims abstract description 12
- 238000001914 filtration Methods 0.000 claims description 8
- 230000001133 acceleration Effects 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims description 2
- 238000004422 calculation algorithm Methods 0.000 abstract description 7
- 230000008859 change Effects 0.000 abstract description 6
- 238000012544 monitoring process Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 238000011161 development Methods 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明提供了基于滑动平均与3σ准则相融合的轴承故障劣化趋势阈值预警方法及系统,从轴承振动信号特征指标的变化趋势出发,基于滑动平均值算法与3σ准则相融合,使预警阈值线随着特征信号趋势的变化发生相应变化,当特征值超过预警阈值时则判断出轴承的劣化程度,实现了预警轴承故障劣化趋势的功能。本发明提出了趋势阈值预警算法,根据信号的实时变化来实现轴承劣化程度预警,解决了实际工程中在轴承劣化程度较大时,无法达到预设固定阈值而无法做出判断的问题,有效的实现了对轴承劣化趋势的预警。本发明对轴承故障劣化趋势采用基于滑动平均值算法并融合3σ准则,取代了常规固定阈值的判断方法,大大提高了轴承劣化预警效率。
Description
技术领域
本发明属于轴承故障状态监测技术领域,具体涉及基于滑动平均与3σ准则相融合的轴承故障劣化趋势阈值预警方法及系统。
背景技术
在新一轮信息技术与制造业融合的趋势下,新时代的“工业革命”正席卷全球。在大数据、人工智能、工业互联网等新兴技术快速发展的背景下,工业数字化是未来发展的必然方向。
近年来,为响应国家的号召,越来越多的工厂、企业实现信息化、智能化、数字化。设备状态监测与故障诊断技术在工业领域得到普遍重视和广泛应用,取得了大量成果。在深化日常设备点检管理和改进维修方式方面发挥了重要作用,为企业带来了巨大的经济效益。同时,它也推动了设备状态监测诊断仪器和系统的发展。随着信息技术的迅猛发展,设备状态监测和故障诊断技术在企业应用中呈现出的优势越来越明显,诸多企业也充分认识到这将会为自身减少很多不必要的经济损失。因此,加快设备状态监测和故障诊断技术的信息化是非常有意义的。
当前在对轴承的运行状态进行监测时,常常选取固定阈值的方法来判断轴承的运行状态是否出现问题。然而,这种方法比较固化,无法适应于实际的工况需求。
发明内容
本发明要解决的技术问题是:提供基于滑动平均与3σ准则相融合的轴承故障劣化趋势阈值预警方法及系统,用于预警轴承故障劣化趋势。
本发明为解决上述技术问题所采取的技术方案为:基于滑动平均与3σ准则相融合的轴承故障劣化趋势阈值预警方法,包括以下步骤:
S1:获取轴承振动的原始加速度信号;
S2:计算轴承振动信号的特征指标,得到相应的信号特征的趋势;
S3:剔除信号中的异常点,计算特征指标的滑动平均值;
S4:根据预警需求的程度设置阈值系数,与滑动平均值配置成相应的预警阈值;
S5:比较滑动平均后的特征指标的趋势与预警阈值,根据比较结果判断轴承的劣化状况。
按上述方案,所述的步骤S1中,设n为采集序号,每隔预设时间段采集一次原始的每秒加速度信号x,x包含n个点,则。
进一步的,所述的步骤S2中,轴承振动信号的特征指标包括有效值特征指标RMS和振动冲击值特征指标Impulse。
进一步的,所述的步骤S2中,设n=1,2,…,N,有效值特征指标RMS为:
。
进一步的,所述的步骤S2中,计算振动冲击值特征指标Impulse的具体步骤为:
S21:对原始的每秒加速度信号x进行带通滤波,滤波范围为[1k,10k]Hz,得到滤波后的信号x 1;
S22:对滤波后的信号x 1进行Hilbert包络变换,得到包络信号x 2;
S23:对包络信号x 2再进行带通滤波,滤波范围为[5,1000] Hz,得到再次滤波后的信号x 3,x 3(n)为包含n个点的再次滤波后的信号;
S24:计算振动冲击值特征指标Impulse:
。
按上述方案,所述的步骤S3中,具体步骤为:
S31:设置滑动平均长度为ΔL,根据滑动平均长度ΔL在特征指标中选取相应的数据;
S32:对每次滑动平均的数据中第ΔL+1个点之前的ΔL个点进行排序;
S33:采用3σ准则剔除排序后的点中的异常点,得到新数据xL;
S34:计算新数据xL的滑动平均值mean。
按上述方案,所述的步骤S4中,预警阈值包括注意阈值和警告阈值;设阈值系数为k,则注意阈值为k*mean;设警告系数为m,则警告阈值为m*mean;k<m。
按上述方案,所述的步骤S5中,具体步骤为:
S51:若滑动平均后的特征指标值大于等于警告阈值,判断轴承已经出现高度劣化,需要及时检修;
S52:若滑动平均后的特征指标特征值小于警告阈值且大于等于注意阈值,判断轴承出现中度劣化,仍可持续工作;
S53:若滑动平均后的特征指标值小于注意阈值,判断轴承是轻度劣化,可长周期运行。
一种计算机存储器,其内存储有可被计算机处理器执行的计算机程序,该计算机程序执行基于滑动平均与3σ准则相融合的轴承故障劣化趋势阈值预警方法。
基于滑动平均与3σ准则相融合的轴承故障劣化趋势阈值预警系统,该系统包括处理器和存储器,所述存储器中存储有计算机指令,所述处理器用于执行所述存储器中存储的计算机指令,当所述计算机指令被处理器执行时该系统实现基于滑动平均与3σ准则相融合的轴承故障劣化趋势阈值预警方法的步骤。
本发明的有益效果为:
1.本发明的基于滑动平均与3σ准则相融合的轴承故障劣化趋势阈值预警方法及系统,从轴承振动信号特征指标的变化趋势出发,基于滑动平均值算法与3σ准则相融合,使预警阈值线随着特征信号趋势的变化发生相应变化,当特征值超过预警阈值时则判断出轴承的劣化程度,实现了预警轴承故障劣化趋势的功能。
2.本发明提出了趋势阈值预警算法,根据信号的实时变化来实现轴承劣化程度预警,解决了实际工程中在轴承劣化程度较大时,无法达到预设固定阈值而无法做出判断的问题,有效的实现了对轴承劣化趋势的预警。
3.本发明对轴承故障劣化趋势采用基于滑动平均值算法并融合3σ准则,取代了常规固定阈值的判断方法,大大提高了轴承劣化预警效率。
附图说明
图1是本发明实施例的流程图。
图2是本发明实施例的轴承信号有效值RMS特征趋势预警图。
图3是本发明实施例的轴承信号振动冲击值Impulse特征趋势预警图。
具体实施方式
下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1
参见图1为算法流程图,本发明的实施例包括以下步骤:
获取轴承的全寿命周期信号,每隔10min采集一次1s的数据,一共采集984次。
计算每次采集1s数据的有效值特征指标和振动冲击值特征指标,如下表1所示。
表11s数据的特征指标表
设置对数据进行滑动平均的长度ΔL=100,并对ΔL范围内数据进行从大到小排序,然后使用3σ准则剔除异常点,即选择10%-90%的数据,剔除其他数据。最后计算信号的滑动平均值mean。根据上述选取的数据,首先选取第100个点到第1个点执行S3,然后再选取第101个点到第2个点执行S3,往后依次类推,从而实现滑动平均计算。
由实际经验与需求配置注意阈值为1.5倍的滑动平均值,配置警告阈值为2.0倍的滑动平均值。
将信号特征指标的趋势与注意阈值预警线和警告阈值预警线作比较,分别如图2、图3所示。
实施例2
观察特征指标的趋势预警图,可以发现该轴承信号的特征趋势在第500个点到第700个点之间,呈现出缓慢的上升趋势,但从第700个点之后趋势开始大幅度上升。通过观察注意阈值预警线与警告阈值预警线趋势,均可以看出其随振动趋势变化的而变化。在第700个点之后,特征指标趋势已经超过了注意阈值预警线,但尚未超过警告阈值预警线,说明此时轴承已经出现中度劣化,需要加以注意,但轴承仍可以继续运行。在特征趋势后期阶段,可以看到已经超过警告阈值预警线,说明此时轴承已经处于高度劣化阶段,需要及时检修。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
以上实施例仅用于说明本发明的设计思想和特点,其目的在于使本领域内的技术人员能够了解本发明的内容并据以实施,本发明的保护范围不限于上述实施例。所以,凡依据本发明所揭示的原理、设计思路所作的等同变化或修饰,均在本发明的保护范围之内。
Claims (5)
1.基于滑动平均与3σ准则相融合的轴承故障劣化趋势阈值预警方法,其特征在于:包括以下步骤:
S1:获取轴承振动的原始加速度信号;设n为采集序号,每隔预设时间段采集一次原始的每秒加速度信号x,x包含n个点,则;
S2:计算轴承振动信号的特征指标,得到相应的信号特征的趋势;轴承振动信号的特征指标包括有效值特征指标RMS和振动冲击值特征指标Impulse;设n=1,2,…,N,有效值特征指标RMS为:
;
计算振动冲击值特征指标Impulse的具体步骤为:
S21:对原始的每秒加速度信号x进行带通滤波,滤波范围为[1k,10k]Hz,得到滤波后的信号x 1;
S22:对滤波后的信号x 1进行Hilbert包络变换,得到包络信号x 2;
S23:对包络信号x 2再次进行带通滤波,滤波范围为[5,1000] Hz,得到再次滤波后的信号x 3,x 3(n)为包含n个点的再次滤波后的信号;
S24:计算振动冲击值特征指标Impulse:
;
S3:剔除信号中的异常点,计算特征指标的滑动平均值;具体步骤为:
S31:设置滑动平均长度为ΔL,根据滑动平均长度ΔL在特征指标中选取相应的数据;
S32:对每次滑动平均的数据中第ΔL+1个点之前的ΔL个点进行排序;
S33:采用3σ准则剔除排序后的点中的异常点,得到新数据xL;
S34:计算新数据xL的滑动平均值mean;
S4:根据预警需求的程度设置阈值系数,与滑动平均值配置成相应的预警阈值;
S5:比较滑动平均后的特征指标的趋势与预警阈值,根据比较结果判断轴承的劣化状况。
2.根据权利要求1所述的基于滑动平均与3σ准则相融合的轴承故障劣化趋势阈值预警方法,其特征在于:所述的步骤S4中,预警阈值包括注意阈值和警告阈值;设阈值系数为k,则注意阈值为k*mean;设警告系数为m,则警告阈值为m*mean;k<m。
3.根据权利要求2所述的基于滑动平均与3σ准则相融合的轴承故障劣化趋势阈值预警方法,其特征在于:所述的步骤S5中,具体步骤为:
S51:若滑动平均后的特征指标值大于等于警告阈值,判断轴承已经出现高度劣化,需要及时检修;
S52:若滑动平均后的特征指标特征值小于警告阈值且大于等于注意阈值,判断轴承出现中度劣化,仍可持续工作;
S53:若滑动平均后的特征指标值小于注意阈值,判断轴承是轻度劣化,可长周期运行。
4.一种计算机存储器,其特征在于:其内存储有可被计算机处理器执行的计算机程序,该计算机程序执行如权利要求1至权利要求3中任意一项所述的基于滑动平均与3σ准则相融合的轴承故障劣化趋势阈值预警方法。
5.基于滑动平均与3σ准则相融合的轴承故障劣化趋势阈值预警系统,该系统包括处理器和存储器,其特征在于:所述存储器中存储有计算机指令,所述处理器用于执行所述存储器中存储的计算机指令,当所述计算机指令被处理器执行时该系统实现如权利要求1至权利要求3中任意一项所述的基于滑动平均与3σ准则相融合的轴承故障劣化趋势阈值预警方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410163571.0A CN117705448B (zh) | 2024-02-05 | 2024-02-05 | 基于滑动平均与3σ准则相融合的轴承故障劣化趋势阈值预警方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410163571.0A CN117705448B (zh) | 2024-02-05 | 2024-02-05 | 基于滑动平均与3σ准则相融合的轴承故障劣化趋势阈值预警方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117705448A CN117705448A (zh) | 2024-03-15 |
CN117705448B true CN117705448B (zh) | 2024-05-07 |
Family
ID=90148258
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410163571.0A Active CN117705448B (zh) | 2024-02-05 | 2024-02-05 | 基于滑动平均与3σ准则相融合的轴承故障劣化趋势阈值预警方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117705448B (zh) |
Citations (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006322947A (ja) * | 2000-12-06 | 2006-11-30 | Nsk Ltd | 機械設備の振動ピーク値抽出方法およびピーク値抽出装置 |
WO2007130380A2 (en) * | 2006-05-01 | 2007-11-15 | Judd John E | Rotating bearing analysis and monitoring system |
CN105241666A (zh) * | 2015-09-21 | 2016-01-13 | 华南理工大学 | 一种基于信号稀疏表示理论的滚动轴承故障特征提取方法 |
CN109711440A (zh) * | 2018-12-13 | 2019-05-03 | 新奥数能科技有限公司 | 一种数据异常检测方法和装置 |
CN110208019A (zh) * | 2019-05-14 | 2019-09-06 | 北京博华信智科技股份有限公司 | 一种动设备状态监测动态阈值预警方法 |
EP3550278A1 (en) * | 2018-04-06 | 2019-10-09 | United Technologies Corporation | Integrated vibe/odm fusion and trending analysis for prognostic health management of engine bearing |
CN110749442A (zh) * | 2019-01-29 | 2020-02-04 | 石家庄铁道大学 | Laplace小波自适应稀疏表示的滚动轴承故障特征提取方法 |
CN111046790A (zh) * | 2019-12-11 | 2020-04-21 | 江苏大学镇江流体工程装备技术研究院 | 一种泵轴承故障诊断方法 |
CN111307460A (zh) * | 2020-03-14 | 2020-06-19 | 中国石化销售股份有限公司华南分公司 | 基于计算阶次跟踪与谱峭度的滚动轴承故障诊断方法 |
CN111521155A (zh) * | 2020-06-29 | 2020-08-11 | 宁波中车时代传感技术有限公司 | 一种获取小型智能化倾角传感器倾角的方法 |
CN112304613A (zh) * | 2020-10-30 | 2021-02-02 | 浙江运达风电股份有限公司 | 一种基于特征融合的风电机组发电机轴承预警方法 |
CN112507769A (zh) * | 2020-08-10 | 2021-03-16 | 北京化工大学 | 一种基于仿真传感器谐振增强特征的轴承故障诊断方法 |
CN112597958A (zh) * | 2020-12-29 | 2021-04-02 | 哈工大机器人(合肥)国际创新研究院 | 一种滚动轴承故障自动识别方法及系统 |
CN113551927A (zh) * | 2021-07-07 | 2021-10-26 | 广州赛意信息科技股份有限公司 | 一种基于振动信号的机械设备故障预警方法和系统 |
CN114060227A (zh) * | 2020-07-29 | 2022-02-18 | 新疆金风科技股份有限公司 | 风电机组的异常振动工况识别方法和装置 |
CN114563182A (zh) * | 2022-02-25 | 2022-05-31 | 明阳智慧能源集团股份公司 | 一种风电机组主轴轴承碰磨故障识别方法、系统、介质及设备 |
CN114778116A (zh) * | 2022-04-28 | 2022-07-22 | 西安热工研究院有限公司 | 一种风力发电机组变桨轴承故障预警方法及系统 |
CN114964779A (zh) * | 2022-05-23 | 2022-08-30 | 北京唐智科技发展有限公司 | 一种轴承故障检测方法、系统及装置 |
CN115452420A (zh) * | 2022-09-16 | 2022-12-09 | 北京唐智科技发展有限公司 | 一种抱死故障检测方法、装置、设备及存储介质 |
CN115586023A (zh) * | 2022-09-30 | 2023-01-10 | 中车青岛四方机车车辆股份有限公司 | 一种轨道车辆传动系统故障诊断方法及系统 |
CN115683687A (zh) * | 2023-01-03 | 2023-02-03 | 成都大汇物联科技有限公司 | 一种水电机械设备动静碰磨故障诊断方法 |
CN115758083A (zh) * | 2022-11-10 | 2023-03-07 | 华能南京金陵发电有限公司 | 一种基于时域和时频域融合的电机轴承故障诊断方法 |
CN115929566A (zh) * | 2022-12-12 | 2023-04-07 | 东北电力大学 | 风电机组变桨减速器在线状态监测与预警系统及方法 |
CN116893036A (zh) * | 2023-04-03 | 2023-10-17 | 中国石油天然气股份有限公司长庆油田分公司第三采油厂 | 一种加速度信号序列时窗特征平滑的柱塞泵泄露诊断方法 |
CN117288470A (zh) * | 2023-09-27 | 2023-12-26 | 中车青岛四方车辆研究所有限公司 | 一种旋转类轴承检测系统 |
CN117332252A (zh) * | 2023-09-22 | 2024-01-02 | 重庆忽米网络科技有限公司 | 一种基于振动增长速度的旋转动设备趋势预警方法 |
CN117493815A (zh) * | 2023-12-28 | 2024-02-02 | 安徽华之语建筑工程有限公司 | 一种基于bim的深基坑监测方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10695907B2 (en) * | 2017-09-29 | 2020-06-30 | Intel Corporation | Methods and apparatus for monitoring robot health in manufacturing environments |
-
2024
- 2024-02-05 CN CN202410163571.0A patent/CN117705448B/zh active Active
Patent Citations (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006322947A (ja) * | 2000-12-06 | 2006-11-30 | Nsk Ltd | 機械設備の振動ピーク値抽出方法およびピーク値抽出装置 |
WO2007130380A2 (en) * | 2006-05-01 | 2007-11-15 | Judd John E | Rotating bearing analysis and monitoring system |
CN105241666A (zh) * | 2015-09-21 | 2016-01-13 | 华南理工大学 | 一种基于信号稀疏表示理论的滚动轴承故障特征提取方法 |
EP3550278A1 (en) * | 2018-04-06 | 2019-10-09 | United Technologies Corporation | Integrated vibe/odm fusion and trending analysis for prognostic health management of engine bearing |
CN109711440A (zh) * | 2018-12-13 | 2019-05-03 | 新奥数能科技有限公司 | 一种数据异常检测方法和装置 |
CN110749442A (zh) * | 2019-01-29 | 2020-02-04 | 石家庄铁道大学 | Laplace小波自适应稀疏表示的滚动轴承故障特征提取方法 |
CN110208019A (zh) * | 2019-05-14 | 2019-09-06 | 北京博华信智科技股份有限公司 | 一种动设备状态监测动态阈值预警方法 |
CN111046790A (zh) * | 2019-12-11 | 2020-04-21 | 江苏大学镇江流体工程装备技术研究院 | 一种泵轴承故障诊断方法 |
CN111307460A (zh) * | 2020-03-14 | 2020-06-19 | 中国石化销售股份有限公司华南分公司 | 基于计算阶次跟踪与谱峭度的滚动轴承故障诊断方法 |
CN111521155A (zh) * | 2020-06-29 | 2020-08-11 | 宁波中车时代传感技术有限公司 | 一种获取小型智能化倾角传感器倾角的方法 |
CN114060227A (zh) * | 2020-07-29 | 2022-02-18 | 新疆金风科技股份有限公司 | 风电机组的异常振动工况识别方法和装置 |
CN112507769A (zh) * | 2020-08-10 | 2021-03-16 | 北京化工大学 | 一种基于仿真传感器谐振增强特征的轴承故障诊断方法 |
CN112304613A (zh) * | 2020-10-30 | 2021-02-02 | 浙江运达风电股份有限公司 | 一种基于特征融合的风电机组发电机轴承预警方法 |
CN112597958A (zh) * | 2020-12-29 | 2021-04-02 | 哈工大机器人(合肥)国际创新研究院 | 一种滚动轴承故障自动识别方法及系统 |
CN113551927A (zh) * | 2021-07-07 | 2021-10-26 | 广州赛意信息科技股份有限公司 | 一种基于振动信号的机械设备故障预警方法和系统 |
CN114563182A (zh) * | 2022-02-25 | 2022-05-31 | 明阳智慧能源集团股份公司 | 一种风电机组主轴轴承碰磨故障识别方法、系统、介质及设备 |
CN114778116A (zh) * | 2022-04-28 | 2022-07-22 | 西安热工研究院有限公司 | 一种风力发电机组变桨轴承故障预警方法及系统 |
CN114964779A (zh) * | 2022-05-23 | 2022-08-30 | 北京唐智科技发展有限公司 | 一种轴承故障检测方法、系统及装置 |
CN115452420A (zh) * | 2022-09-16 | 2022-12-09 | 北京唐智科技发展有限公司 | 一种抱死故障检测方法、装置、设备及存储介质 |
CN115586023A (zh) * | 2022-09-30 | 2023-01-10 | 中车青岛四方机车车辆股份有限公司 | 一种轨道车辆传动系统故障诊断方法及系统 |
CN115758083A (zh) * | 2022-11-10 | 2023-03-07 | 华能南京金陵发电有限公司 | 一种基于时域和时频域融合的电机轴承故障诊断方法 |
CN115929566A (zh) * | 2022-12-12 | 2023-04-07 | 东北电力大学 | 风电机组变桨减速器在线状态监测与预警系统及方法 |
CN115683687A (zh) * | 2023-01-03 | 2023-02-03 | 成都大汇物联科技有限公司 | 一种水电机械设备动静碰磨故障诊断方法 |
CN116893036A (zh) * | 2023-04-03 | 2023-10-17 | 中国石油天然气股份有限公司长庆油田分公司第三采油厂 | 一种加速度信号序列时窗特征平滑的柱塞泵泄露诊断方法 |
CN117332252A (zh) * | 2023-09-22 | 2024-01-02 | 重庆忽米网络科技有限公司 | 一种基于振动增长速度的旋转动设备趋势预警方法 |
CN117288470A (zh) * | 2023-09-27 | 2023-12-26 | 中车青岛四方车辆研究所有限公司 | 一种旋转类轴承检测系统 |
CN117493815A (zh) * | 2023-12-28 | 2024-02-02 | 安徽华之语建筑工程有限公司 | 一种基于bim的深基坑监测方法及系统 |
Non-Patent Citations (2)
Title |
---|
变转速下对数平方包络谱在滚动轴承故障诊断中的应用;赵克钦等;噪声与振动控制;20230413;第43卷(第2期);132-138 * |
基于动态自学习阈值和趋势滤波的机械故障智能预警方法;张明;冯坤;江志农;;振动与冲击;20141228(第24期);13-19 * |
Also Published As
Publication number | Publication date |
---|---|
CN117705448A (zh) | 2024-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111680879B (zh) | 一种考虑敏感负荷失效的配电网运行韧性评估方法及装置 | |
CN117235557B (zh) | 基于大数据分析的电气设备故障快速诊断方法 | |
CN115453356B (zh) | 一种动力设备运行状态监测分析方法、系统、终端及介质 | |
CN114215705A (zh) | 风电机组故障预警方法和系统 | |
CN117705448B (zh) | 基于滑动平均与3σ准则相融合的轴承故障劣化趋势阈值预警方法及系统 | |
CN109829245B (zh) | 轴承故障预警方法和装置 | |
CN113836756A (zh) | 一种立体卷铁心变压器的退火工艺智能监测方法及系统 | |
CN117744859A (zh) | 基于自适应双控制策略的风电机组发电机故障预警方法 | |
Wang et al. | An adaptive condition monitoring method of wind turbines based on multivariate state estimation technique and continual learning | |
CN116565354A (zh) | 一种电化学储能系统故障分级诊断预警方法、系统及设备 | |
CN116520084A (zh) | 一种含源配电网故障定位方法、装置及存储介质 | |
CN103645060A (zh) | 基于状态监控系统的风力发电机组突发故障识别诊断方法 | |
CN112052296B (zh) | 一种风电故障诊断知识库构建方法 | |
CN115345370A (zh) | 一种基于Vine Copula模型的风电机组运行联动性分析方法 | |
CN115248292A (zh) | 一种变压器故障分析诊断方法及系统 | |
CN113746103A (zh) | 基于等效体积的电压暂降治理效益量化评价方法 | |
CN112381352A (zh) | 一种基于多源异构监测的风电机组运行状态评估方法 | |
CN112378605A (zh) | 一种基于emd分解自学习的风电机组叶片故障识别方法 | |
CN110598976A (zh) | 一种风电机组产品一致性评估方法及系统 | |
CN113687621B (zh) | 基于时序告警信息的告警抑制方法和系统、设备及存储介质 | |
Zhao et al. | Health indicator selection and health assessment of rolling element bearing | |
CN111966648B (zh) | 一种工业数据的处理方法和电子设备 | |
CN116861296A (zh) | 一种风电齿轮箱传动故障监测方法 | |
CN117239925A (zh) | 电力设备管理方法及装置 | |
CN117439181A (zh) | 一种清洁能源互联网源网荷储协调管控方法及系统 |
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 |