TW202121093A - 變轉速設備異常監診方法 - Google Patents
變轉速設備異常監診方法 Download PDFInfo
- Publication number
- TW202121093A TW202121093A TW108143789A TW108143789A TW202121093A TW 202121093 A TW202121093 A TW 202121093A TW 108143789 A TW108143789 A TW 108143789A TW 108143789 A TW108143789 A TW 108143789A TW 202121093 A TW202121093 A TW 202121093A
- Authority
- TW
- Taiwan
- Prior art keywords
- characteristic value
- value
- online
- operating state
- speed equipment
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M99/00—Subject matter not provided for in other groups of this subclass
Abstract
本發明提供一種變轉速設備異常監診方法。此方法包含模型建立階段和線上作業階段。在模型建立階段中,首先,獲取變轉速設備之歷史運轉資料,每一歷史運轉資料包含歷史轉速值以及相應之歷史運轉狀態訊號。然後,根據歷史運轉資料來計算歷史運轉狀態特徵值。接著,根據歷史運轉狀態特徵值來計算出高斯混合模型。在線上作業階段中,首先獲取變轉速設備於線上作業時之線上轉速值以及相應之線上運轉狀態訊號,並據此來計算線上運轉狀態特徵值。接著,根據高斯混合模型和線上運轉狀態特徵值來判斷變轉速設備於線上作業時是否出現異常。
Description
本發明是有關於一種變轉速設備異常監診方法。
為了對設備進行有效的維護與管理,通常會建置相關的監診系統來檢測設備是否發生異常。一般而言,監診系統會於設備進行線上作業時,對設備進行整體或局部的監測,以取得代表設備運轉狀態的訊號,再對這些訊號進行分析來判斷設備運轉是否異常。習知的異常監診方法對於定轉速設備而言,較能有效率地偵測出異常,並針對異常進行診斷。然而,針對變轉速設備而言,習知的異常監診方法則無法有效率地偵測出設備異常。
因此,需要一種變轉速設備異常監診方法,以有效率地偵測變轉速設備的異常運轉。
根據本發明之一方面,本發明之實施例提供一
種變轉速設備異常監診方法。此變轉速設備異常監診方法包含模型建立階段以及線上作業階段。在此變轉速設備異常監診方法中,首先進行模型建立階段。在模型建立階段中,首先獲取變轉速設備之複數筆歷史運轉資料,每一歷史運轉資料包含歷史轉速值以及相應之歷史運轉狀態訊號。然後,根據歷史運轉資料來計算歷史運轉狀態特徵值。接著,根據歷史運轉狀態特徵值來計算出高斯混合模型。然後,進行線上作業階段。在線上作業階段中,首先獲取變轉速設備於線上作業時之線上運轉資料,其中線上運轉資料包含線上轉速值以及相應之線上運轉狀態訊號。接著,根據線上運轉資料來計算至少一個線上運轉狀態特徵值。然後,根據高斯混合模型和線上運轉狀態特徵值來判斷變轉速設備於線上作業時是否出現異常。
在一些實施例中,歷史運轉狀態訊號以及線上運轉狀態特徵值為變轉速設備之振動訊號。
在一些實施例中,模型建立階段更包含第一正規化步驟,以對歷史運轉狀態特徵值進行正規化。
在一些實施例中,線上作業階段更包含第二正規化步驟,以對線上運轉狀態特徵值進行正規化。
在一些實施例中,歷史運轉資料皆對應至該轉速設備正常作業的情況。
在一些實施例中,模型建立階段更包含特徵篩選步驟,以從歷史運轉狀態特徵值中移除至少一個冗餘特徵值。
在一些實施例中,前述之特徵篩選步驟包含:選取目標特徵值,其中此目標特徵值為歷史運轉狀態特徵值之一者;計算目標特徵值之熵(entropy)值,並判斷此熵值是否小於預設熵閥值;以及當熵值小於預設熵閥值時,判定目標特徵值為至少一冗餘特徵值,以將目標特徵值移除。
在一些實施例中,前述之特徵篩選步驟更包含:選取第一目標特徵值以及第二目標特徵值,其中第一目標特徵值以及第二目標特徵值為歷史運轉狀態特徵值其中之二者;計算第一目標特徵值與第二目標特徵值間之平均相關係數(correlation coefficient);判斷平均相關係數是否大於預設係數閥值;當平均相關係數大於預設係數閥值時,判定第一目標特徵值和第二目標特徵值之一者為冗餘特徵值,以將其移除。
在一些實施例中,前述根據高斯混合模型和線上運轉狀態特徵值來判斷變轉速設備於線上作業時是否出現異常之步驟包含:根據高斯混合模型之複數個邊界點來決定標準邊界線;判斷線上運轉狀態特徵值是否超過標準邊界線;當線上運轉狀態特徵值超過標準邊界線時,判定變轉速設備出現異常。
在一些實施例中,根據高斯混合模型和線上運轉狀態特徵值來判斷該變轉速設備於線上作業時是否出現異常之步驟包含:根據高斯混合模型和線上運轉狀態特徵值來計算加權機率;判斷加權機率是否小於預設機率閥值;當加權機率小於預設機率閥值時,判定變轉速設備出現異常。
100‧‧‧變轉速設備異常監診方法
110‧‧‧模型建立階段
111~113‧‧‧步驟
112a~112b‧‧‧步驟
120‧‧‧線上作業階段
121~123‧‧‧步驟
123a~123d‧‧‧步驟
123e~123h‧‧‧步驟
為讓本發明之上述和其他目的、特徵、優點與實施例能更明顯易懂,所附圖式之詳細說明如下:
[圖1]係繪示根據本發明實施例之變轉速設備異常監診方法的流程示意圖。
[圖2]係繪示根據本發明實施例之計算歷史運轉狀態特徵值之步驟的流程示意圖;
[圖3]係繪示根據本發明實施例之歷史運轉狀態特徵值;
[圖4]係繪示根據本發明實施例之決定混合模型數量值的示意圖;
[圖5]係繪示根據本發明實施例之根據高斯混合模型來判斷設備之作業是否異常之步驟的流程示意圖;
[圖6]係繪示根據本發明實施例之計算標準邊界線的示意圖;以及
[圖7]係繪示根據本發明實施例之根據高斯混合模型來判斷設備之作業是否異常之步驟的流程示意圖。
下文是以實施方式配合附圖作詳細說明,但所提供的實施方式並非用以限制本發明所涵蓋的範圍,而結構運作的描述非用以限制其執行的順序,任何由元件重新組合的結構,所產生具有均等功效的裝置,皆為本發明所涵蓋的
範圍。此外,圖式僅以說明為目的,並未依照原尺寸作圖。
關於本文中所使用之『第一』、『第二』、...等,並非特別指次序或順位的意思,其僅為了區別以相同技術用語描述的元件或操作。
請參照圖1,其係繪示根據本發明實施例之變轉速設備異常監診方法100的流程示意圖。變轉速設備異常監診方法100係適用於轉速會發生變化的設備,例如冷卻水塔的冷卻風扇或是鼓風用的燃燒風扇。變轉速設備異常監診方法100包含模型建立階段110和線上作業階段120。模型建立階段110可收集變轉速設備的歷史運轉資料,並利用這些歷史運轉資料來建立設備運轉的模型。在線上作業階段120中,當設備上線進行作業時,可利用前述之模型來判斷設備是否發生異常。
在模型建立階段110中,首先進行步驟111,以獲取變轉速設備之複數筆歷史運轉資料。每一歷史運轉資料包含歷史轉速值以及相應之歷史運轉狀態訊號。舉例而言,步驟111會紀錄變轉速設備在各個不同轉速下的運轉狀態訊號。運轉狀態訊號包含但不限定於振動訊號、聲音訊號或熱訊號等等。以振動訊號為例來說明,步驟111會紀錄變轉速設備在一轉速下,設備的振動加速度值對時間的關係(振動訊號)。在多個不同的設備轉速下,進行量測振動加速度值的量測,即可獲得前述的歷史運轉資料。
接著,進行步驟112,以根據歷史運轉資料來計算歷史運轉狀態特徵值。在本發明之一些實施例中,可根
據預設之複數個頻寬範圍來計算歷史運轉狀態特徵值。請參照圖2,其係繪示根據本發明實施例之步驟112的流程示意圖。在步驟112中,首先進行步驟112a,以利用濾波器(例如帶通/帶拒濾波器)來根據前述預設頻寬範圍來將歷史運轉狀態訊號分頻。然後,進行步驟112b,以計算歷史運轉狀態訊號對應於每個頻寬範圍的歷史運轉狀態特徵值。在本發明之實施例中,歷史運轉狀態特徵值包含但不限定於均值、均方值、均方根值、偏度、峭度、峭度指標、偏態指標、亂度(Wiener entropy)。具體如下表一所示:
在上表一中,x i 表示歷史運轉狀態訊號(時域),fi表示第i個頻率對應的能量,β表示峭度,fx表示偏度。再
者,假設訊號數量為N,且預設頻寬範圍為:0~1K赫茲、1K~2K赫茲、...、5K~6K赫茲,則可獲得如圖3所示之歷史運轉狀態特徵值,其中圖3所示之歷史運轉狀態特徵值已被正規化。正規化的方程式如下:
在上述正規化的方程式中,表示第i筆資料的第J個特徵,μJ和σJ表示對應此特徵所算出的平均值與標準差,表示正規化後的值。值得一提的是,在本發明之其他實施例中,亦可以不分頻段。換句話說,圖3可以只有一個頻段,即全頻段0~6K赫茲。
請回到圖1,在步驟112後,接著進行步驟113,以針對步驟112的頻寬範圍,根據歷史運轉狀態特徵值來計算出相應的高斯混合模型。為了使得高斯混合模型趨近於資料點的分佈狀況,需要先決定混合模型數量值M。決定混合模型數量值M的做法為不斷調整混合模型數量值M的大小,然後計算出高斯混合模型與其對應的赤井信息法則(Akaike Information Criterion)或貝氏信息準則(Bayesian information criterion;BIC)值。AIC和BIC的方程式如下:
在上述AIC值/BIC值的方程式中,Df和N分別是單一高斯分佈的參數(Free parameters)數量與資料點數量,,其係代表資料點,S i 代表轉速,i=1~N,μ m 代表高斯分佈中心,Σm代表共變異數矩陣,π m 代表與π相關的係數。資料點與高斯分佈中心之間的馬氏距離係表示如下:
如圖4所示,在計算出AIC值/BIC值曲線後,接著在AIC值/BIC值曲線的頭尾間取一條直線,然後找出曲線上距離直線最遠的點(即曲線反折點),如此即可決定混合模型數量值M的值。在圖4的實施例中,混合模型數量值M決定為6。
另外,在本發明之一些實施例中,在步驟112和113之間可進行特徵篩選步驟,以將無用的冗餘特徵值移除。在本發明之一些實施例中,當前述歷史運轉資料皆為設備正常運轉的資料,則特徵篩選步驟可進行如下:首先從前述之歷史運轉狀態特徵值中選取一待處理的目標特徵值。然後,計算此目標特徵值之熵(entropy)值,並判斷此熵值是
否小於預設的熵閥值。在本實施例中,預設熵閥值為0.5,但本發明之實施例並不受限於此。當熵值小於預設熵閥值時,判定目標特徵值為冗餘的特徵值,並將此目標特徵值移除。
在本發明之一些實施例中,可再透過平均相關係數(correlation coefficient)來確認任兩特徵值之間的關係。具體而言,首先從歷史運轉狀態特徵值中任意選取出第一目標特徵值與第二目標特徵值間,並計算第一目標特徵值與第二目標特徵值間之平均相關係數。然後判斷此平均相關係數是否大於預設的係數閥值。當此平均相關係數大於預設係數閥值時,判定第一目標特徵值和第二目標特徵值之一者為冗餘特徵值,並將其移除。
在本發明之一些實施例中,當前述歷史運轉資料為包含設備正常運轉和異常運轉的資料,則特徵篩選步驟可使用變異數分析法(Analysis of variance;ANOVA)或相互資訊法(Mutual Information;MI)來決定具有鑑別力的特徵值,並移除其他沒有鑑別力的冗餘特徵值。
請回到圖1,在模型建立階段110後,接著進行線上作業階段120。在線上作業階段120中,首先進行步驟121,以獲取變轉速設備於線上作業時之線上運轉資料。此線上運轉資料包含線上轉速值以及相應之線上運轉狀態訊號。然後,進行步驟122,以根據線上運轉資料來計算線上運轉狀態特徵值。由於步驟122與前述之步驟112類似,故不在此進行贅述。接著,進行步驟123,以根據高斯混合模
型和線上運轉狀態特徵值來判斷變轉速設備於線上作業時是否出現異常。
請參照圖5,其係繪示根據本發明一實施例之步驟123的流程示意圖。在步驟123中,首先進行步驟123a,以根據高斯混合模型之複數個邊界點來決定標準邊界線。在本實施例中,步驟123係訂定正常情況與異常情況的邊界線(即前述之標準邊界線)。例如,以馬氏距離為2的邊界的計算方法如圖6所示,將高斯模型邊界點連起來並保留最外圍的點,以得到正常上邊界。此正常上邊界即可作為標準邊界線。接著,進行步驟123b,以判斷線上運轉狀態特徵值是否超過標準邊界線。若線上運轉狀態特徵值超過標準邊界線,則進行步驟123c,以判定變轉速設備之作業出現異常。例如,當單一個線上運轉狀態特徵值超出此標準邊界線時,即可判斷設備發生異常。反之,則進行步驟123d,判定設備之作業正常。另外,考慮邊界點的數量可能會太多,可使用平滑曲線法(Spline)或多邊形化法(Polygonalization)來得到標準邊界線。
請參照圖7,其係繪示根據本發明另一實施例之步驟123的流程示意圖。在本實施例中,步驟123係使用加權機率來判斷設備是否發生異常。在本實施例之步驟123中,首先進行步驟123e,以根據高斯混合模型和線上運轉狀態特徵值來計算加權機率。加權機率P的計算方程式如下:
接著,進行步驟123f,以判斷加權機率是否小於預設機率閥值。在本實施例中,預設機率閥值為0.5,但本發明之實施例並不受限於此。當加權機率小於預設機率閥值時,進行步驟123g,以判定變轉速設備之作業出現異常。反之,則進行步驟123h,以判定變轉速設備之作業正常。
在一些實施例中,可利用加權機率來同時使用多個指標(特徵值)判斷變轉速設備之作業是否出現異常。以圖7所繪示之步驟123為例來說明,當圖7所繪示之步驟123同時採用多個指標來判斷變轉速設備之作業是否出現異常,則預設機率閥值可為0.01,而特徵值z i =[w * S i , , ,..., ] T ,其中w為轉速的權重,其值與建立高斯混合模型時一致。
由以上說明可知,本發明實施例之變轉速設備異常監診方法係利用高斯混合模型來判斷變轉速設備是否發生異常。針對不同的歷史運轉資料,本發明實施例提供了不同的特徵篩選步驟。例如,若歷史運轉資料只包含變轉速設備正常作業的資料,可利用熵值或平均相關係數來進行特徵的篩選。又例如,若歷史運轉資料包含變轉速設備正常和異常作業的資料,可利用變異數分析法或相互資訊法來進行特徵的篩選。另外,在本發明之一些實施例中,特徵篩選步驟不僅限於進行特徵的篩選,也可針對其他的描述子(例如,頻段)來進行篩選。
雖然本發明已以數個實施例揭露如上,然其並非用以限定本發明,在本發明所屬技術領域中任何具有通常知識者,在不脫離本發明之精神和範圍內,當可作各種之更動與潤飾,因此本發明之保護範圍當視後附之申請專利範圍所界定者為準。
100‧‧‧變轉速設備異常監診方法
110‧‧‧模型建立階段
111~113‧‧‧步驟
120‧‧‧線上作業階段
121~123‧‧‧步驟
Claims (10)
- 一種變轉速設備異常監診方法,用以監測一變轉速設備,其中該變轉速設備異常監診方法包含:進行一模型建立階段,包含:獲取該變轉速設備之複數筆歷史運轉資料,每一該些歷史運轉資料包含一歷史轉速值以及相應之一歷史運轉狀態訊號;根據該些歷史運轉資料來計算複數個歷史運轉狀態特徵值;以及根據該些歷史運轉狀態特徵值來計算出一高斯混合模型;以及進行一線上作業階段,包含:獲取該變轉速設備於線上作業時之一線上運轉資料,其中該線上運轉資料包含一線上轉速值以及相應之一線上運轉狀態訊號;根據該線上運轉資料來計算至少一線上運轉狀態特徵值;以及根據該高斯混合模型和該至少一線上運轉狀態特徵值來判斷該變轉速設備於線上作業時是否出現異常。
- 如申請專利範圍第1項所述之變轉速設備異常監診方法,其中該歷史運轉狀態訊號以及該線上運轉狀態特徵值為該變轉速設備之振動訊號。
- 如申請專利範圍第1項所述之變轉速設備異常監診方法,其中該模型建立階段更包含一第一正規化步驟,以對該些歷史運轉狀態特徵值進行正規化;以及該線上作業階段更包含一第二正規化步驟,以對該至少一線上運轉狀態特徵值進行正規化。
- 如申請專利範圍第3項所述之變轉速設備異常監診方法,其中該線上作業階段更包含一第二正規化步驟,以對該至少一線上運轉狀態特徵值進行正規化。
- 如申請專利範圍第1項所述之變轉速設備異常監診方法,其中該些歷史運轉資料皆對應至該轉速設備正常作業的情況
- 如申請專利範圍第1項所述之變轉速設備異常監診方法,其中該模型建立階段更包含一特徵篩選步驟,以從該歷史運轉狀態特徵值中移除至少一個冗餘特徵值。
- 如申請專利範圍第6項所述之變轉速設備異常監診方法,其中該特徵篩選步驟包含:選取一目標特徵值,其中該目標特徵值為該些歷史運轉狀態特徵值之一者:計算該目標特徵值之一熵(entropy)值,並判斷該熵值是否小於一預設熵閥值;以及當該熵值小於該預設熵閥值時,判定該目標特徵值為該至少一冗餘特徵值,以將該目標特徵值移除。
- 如申請專利範圍第7項所述之變轉速設備異常監診方法,其中該特徵篩選步驟更包含:選取一第一目標特徵值以及一第二目標特徵值,其中該第一目標特徵值以及該第二目標特徵值為該些歷史運轉狀態特徵值其中之二者;計算該第一目標特徵值與該第二目標特徵值間之一平均相關係數(correlation coefficient);判斷該平均相關係數是否大於一預設係數閥值;以及當該平均相關係數大於該預設係數閥值時,判定該第一目標特徵值和該第二目標特徵值之一者為該至少一冗餘特徵值,以將該第一目標特徵值和該第二目標特徵值之該者移除。
- 如申請專利範圍第1項所述之變轉速設備異常監診方法,其中根據該高斯混合模型和該至少一線上運轉狀態特徵值來判斷該變轉速設備於線上作業時是否出現異常之步驟包含:根據該高斯混合模型之複數個邊界點來決定一標準邊界線;判斷該至少一線上運轉狀態特徵值是否超過該標準邊界線;以及當該至少一線上運轉狀態特徵值超過該標準邊界線時, 判定該變轉速設備出現異常。
- 如申請專利範圍第1項所述之變轉速設備異常監診方法,其中根據該高斯混合模型和該至少一線上運轉狀態特徵值來判斷該變轉速設備於線上作業時是否出現異常之步驟包含:根據該高斯混合模型和該至少一線上運轉狀態特徵值來計算一加權機率;判斷該加權機率是否小於一預設機率閥值;以及當該加權機率小於該預設機率閥值時,判定該變轉速設備出現異常。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW108143789A TWI749416B (zh) | 2019-11-29 | 2019-11-29 | 變轉速設備異常監診方法 |
CN202010546081.0A CN112881044B (zh) | 2019-11-29 | 2020-06-16 | 变转速设备异常诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW108143789A TWI749416B (zh) | 2019-11-29 | 2019-11-29 | 變轉速設備異常監診方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW202121093A true TW202121093A (zh) | 2021-06-01 |
TWI749416B TWI749416B (zh) | 2021-12-11 |
Family
ID=76042882
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW108143789A TWI749416B (zh) | 2019-11-29 | 2019-11-29 | 變轉速設備異常監診方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN112881044B (zh) |
TW (1) | TWI749416B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI819824B (zh) * | 2022-09-30 | 2023-10-21 | 中國鋼鐵股份有限公司 | 應用不同轉速振動閥值之設備異常監診方法 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06307921A (ja) * | 1993-04-27 | 1994-11-04 | Toshiba Corp | 回転機械の監視診断装置 |
WO2008081419A2 (en) * | 2006-12-28 | 2008-07-10 | Optimaltest Ltd. | Systems and methods for test time outlier detection and correction in integrated circuit testing |
TW201231330A (en) * | 2011-01-19 | 2012-08-01 | rong-zhong Chen | Vehicle engine operation status monitoring and adjusting method |
CN102768115B (zh) * | 2012-06-27 | 2016-04-20 | 华北电力大学 | 一种风电机组齿轮箱健康状态实时动态监控方法 |
TWI579549B (zh) * | 2012-07-23 | 2017-04-21 | rong-zhong Chen | Monitoring the operation of the vehicle |
CN103758696B (zh) * | 2014-01-09 | 2016-05-25 | 华北电力大学 | 基于scada温度参数的风电机组安全状况评价方法 |
CN107341349B (zh) * | 2017-06-30 | 2020-04-14 | 上海交通大学 | 风机健康评估的方法、系统、存储器及控制器 |
CN107526667B (zh) * | 2017-07-28 | 2020-04-28 | 阿里巴巴集团控股有限公司 | 一种指标异常检测方法、装置以及电子设备 |
TWI669606B (zh) * | 2017-11-20 | 2019-08-21 | 財團法人資訊工業策進會 | 機台診斷方法及其系統 |
CN110110160B (zh) * | 2017-12-29 | 2020-04-14 | 阿里巴巴集团控股有限公司 | 确定数据异常的方法及装置 |
CN109909803B (zh) * | 2019-04-17 | 2020-05-12 | 北京天泽智云科技有限公司 | 一种机床主轴异常检测方法 |
CN110222980A (zh) * | 2019-06-05 | 2019-09-10 | 上海电气集团股份有限公司 | 轨道交通轴承的健康评估方法及系统 |
-
2019
- 2019-11-29 TW TW108143789A patent/TWI749416B/zh active
-
2020
- 2020-06-16 CN CN202010546081.0A patent/CN112881044B/zh active Active
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI819824B (zh) * | 2022-09-30 | 2023-10-21 | 中國鋼鐵股份有限公司 | 應用不同轉速振動閥值之設備異常監診方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112881044B (zh) | 2024-02-06 |
TWI749416B (zh) | 2021-12-11 |
CN112881044A (zh) | 2021-06-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111797567A (zh) | 一种基于深度学习网络的轴承故障分类方法及系统 | |
TWI333170B (en) | Complex event evaluation systems and methods, and machine readable medium thereof | |
TW202014914A (zh) | 設備健康狀態監控方法及其系統 | |
TWI749416B (zh) | 變轉速設備異常監診方法 | |
CN109714311B (zh) | 一种基于聚类算法的异常行为检测的方法 | |
CN115187832A (zh) | 一种基于深度学习与格拉姆角场图像的能源系统故障诊断方法 | |
Liu et al. | Monitoring and diagnosis of the tapping process for product quality and automated manufacturing | |
CN114118789A (zh) | 基于模糊综合评判和综合赋权的雷达发射机状态评估方法 | |
TWI653410B (zh) | 滾珠傳動組件預壓力診斷方法 | |
Qingjun et al. | Bearing performance degradation assessment based on information-theoretic metric learning and fuzzy c-means clustering | |
WO2023159336A1 (zh) | 一种深度自回归网络的轴流压气机失速喘振预测方法 | |
Wu et al. | Fault diagnosis of rotating machinery using Gaussian process and EEMD‐treelet | |
CN109441822B (zh) | 一种螺杆式压缩机故障诊断的多尺度自适应加权广义形态滤波方法 | |
TWI819824B (zh) | 應用不同轉速振動閥值之設備異常監診方法 | |
CN110597232A (zh) | 一种基于动态置信规则库的变频器冷却水泵故障报警方法 | |
TW202416067A (zh) | 應用不同轉速振動閥值之設備異常監診方法 | |
CN114548555B (zh) | 一种深度自回归网络的轴流压气机失速喘振预测方法 | |
JP2002323371A (ja) | 音響診断装置及び音響診断方法 | |
Song et al. | Fault feature recognition of centrifugal compressor with cracked blade based on SNR estimation and adaptive stochastic resonance | |
CN116429426A (zh) | 一种多域特征融合的轴承故障诊断方法、装置及介质 | |
CN114033736A (zh) | 一种基于气压脉动信号风机故障监测系统 | |
Gelman et al. | Novel decision-making technique for damage diagnosis | |
CN114861749A (zh) | 一种基于深度原型网络的少样本轴承故障诊断方法 | |
CN112237433A (zh) | 一种脑电信号异常监测系统及方法 | |
Yong | Bearings fault diagnosis based on HMM and fractal dimensions spectrum |