CN109612757B - 基于声音特征和温度特征进行设备诊断的方法 - Google Patents
基于声音特征和温度特征进行设备诊断的方法 Download PDFInfo
- Publication number
- CN109612757B CN109612757B CN201811524255.2A CN201811524255A CN109612757B CN 109612757 B CN109612757 B CN 109612757B CN 201811524255 A CN201811524255 A CN 201811524255A CN 109612757 B CN109612757 B CN 109612757B
- Authority
- CN
- China
- Prior art keywords
- sound
- fault
- characteristic
- temperature
- value
- 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
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
- G01M99/005—Testing of complete machines, e.g. washing-machines or mobile phones
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开一种基于声音特征和温度特征进行设备诊断的方法,该方法包括:声音与温度信号采集、信号处理、初步特征判断、声音频谱分析、深层特征判断、单点持续声音信号采集、故障设备的确定、以及结果输出与存储。本发明结合深层次声音频谱分析和温度特征判断进行设备的故障诊断,诊断过程简单,诊断效果精准,能够准确确定故障监测点;诊断***采用无线连接,单元模块化设计,软件具备较好的向上兼容和功能扩展功能,随着数据的积累,具备较好的智能分析和自我学习功能。
Description
技术领域
本发明涉及设备诊断技术领域,尤其涉及一种基于声音特征和温度特征进行设备诊断的方法。
背景技术
物流设备在正常运作过程中,各运行位置(如驱动电机、模组驱动带、输送皮带等)在正常运行过程中,温度范围、声强大小以及声音频率会保持在一定的范围内。当设备出现异常的时候,会出现温度值异常,及声音的强度和频率的改变。现有技术中有依据机械振动和温度进行无线采集处理,从而进行自动化设备异常诊断,但是依据机械振动特征判断设备状态的方式,需要紧贴振源,无法适应物流设备复杂的工作场景;现有技术中也有单纯基于噪声响度特征来进行自动化设备异常诊断的,但是由于现场环境复杂,无法区分复杂的声音特征干扰。
因此,现有技术存在缺陷,需要改进。
发明内容
本发明的目的是克服现有技术的不足,提供一种基于声音特征和温度特征进行设备诊断的方法。
本发明的技术方案如下:一种基于声音特征和温度特征进行设备诊断的方法,包括以下步骤:
S1、信号采集:分别采集不同监测点的声音特征信号和温度特征信号;
S2、信号处理:对采集到的声音特征信号和温度特征信号进行增益放大及AD数模转换;
S3、初步特征判断:对处理后的声音特征值和温度特征值进行初步特征判断,若采集的声音特征值及温度特征值超出数据库预先设定的声音特征阀值及温度特征阀值,则将其上传,并进行预警;
S4、声音频谱分析:对超出声音特征阀值的声音特征值进行基于声音频率和声强的频谱分析;
S5、深层特征判断:结合步骤S4得出的声音的频谱分析结果与步骤S3得到的温度特征判断结果与数据库中预先设定的频谱参数进行深层特征判断,确定嫌疑故障监测点;
S6、单点持续声音信号和温度信号的采集:对嫌疑故障监测点单点持续性采集声音特征和温度特征信号;
S7、故障设备的确定:对持续采集到的声音特征信号进行增益放大及AD数模转换,对声音特征值进行声音频谱分析,将该频谱分析结果与步骤S6得到的温度特征信号结合,与数据库的频谱参数进行对比,确定最终故障设备,并进行报警;
S8、结果输出与存储:将最终故障设备的特征信息输出同时存储最终判断结果。
步骤S1中通过若干声音采集单元采集不同设备监测点的声音强度信息,实现对设备运行状况声音特征的采集;通过若干温度采集单元作为采集端安装在设备的若干监测点,实现对设备运行状况温度特征的采集;
步骤S3中通过信号处理单元将采集到并进行转换后的声音特征值和温度特征值与预先设定的声音特征阀值及温度特征阀值进行比较,完成初步特征判断;
步骤S4至S7中通过特征分析判断单元进行声音频谱分析及深层特征判断,确定嫌疑故障监测点并下发指令至所述信号处理单元对嫌疑故障监测点进行单点持续采集声音特征和温度特征信号,并最终确定故障设备,通过报警单元进行报警;
步骤S8中所述特征分析判断单元将最终故障设备的特征信息上传移动终端,同时将判断结果上传至存储单元进行存储。
所述信号处理单元通过通信单元将数据发送至所述特征分析判断单元,所述通信单元的通信方式为WiFi、RS485和RS232中的一种或多种。
所述信号处理单元包括:信号增益放大器、AD数模转换器,所述信号增益放大器能够将接收到的信号进行增益放大,所述AD数模转换器能够将接收到的信号进行数模转换,将模拟信号转换为数字信号。
每个所述信号处理模单元能够连接多个所述声音采集单元和多个所述温度采集单元,每个所述特征分析判断单元能够连接多个所述信号处理单元。
所述声音频谱分析是通过傅里叶原理绘制出声音频率-强度谱图,并进一步做出声音频谱分析。
对超出声音特征阀值的声音特征值中各声音频率点峰值监测H1...H2...Hn,并从数据库中寻找各声音频率点故障值临界点h1...h2...hn,以及基于各个临界点判断故障精准度的累计概率P(h)1...P(h)2...P(h)n;
实现对频域特征频谱图n倍频扫描到的面积监测△S1...△S2...△Sn,通过数据库寻找各声音频率点故障的临界点△s1....△s2...△sn以及基于各个临界点判断故障的精准概率P(s)1...P(s)2...P(s)n;
实现对各声音频率点对应的温度值的监控T1,T2...Tn,通过数据库寻找各声音频率点故障的临界点t1,t2...tn,以及基于各个临界点判断故障的精准概率P(t)1...P(t)2...P(t)n;
最终故障情况的判断取该点判断特征概率的最大值P=MAX(P(h)n,P(s)n,P(t)n);
P值最终和P(预警)值进行对比:若P≥P(预警)值则进行故障性预警,若P<P(预警)值则正常。
所述数据库具有自我学习功能,其对已确认的故障的特征信息进行分析,以获得该故障对应的故障类别、声音信号和温度信号,自动更新各故障的累计概率信息。
所述数据库具有自我学习功能包括:提取所述故障特征向量,基于自组织映射神经网络算法对所述故障特征向量进行分析,以获得与所述故障特征向量对应的故障判断结果;基于所述故障判断结果对该故障的声音信号及温度信号进行分析,以获得所述故障对应的故障类别信息。
所述方法用于诊断物流设备。
采用上述方案,本发明结合深层次声音频谱分析和温度特征判断进行设备的故障诊断,诊断过程简单,诊断效果精准,能够准确确定故障监测点;诊断***采用无线连接,单元模块化设计,软件具备较好的向上兼容和功能扩展功能,随着数据的积累,具备较好的智能分析和自我学习功能。
附图说明
图1为本发明基于声音特征和温度特征进行设备诊断的方法的流程图。
具体实施方式
以下结合附图和具体实施例,对本发明进行详细说明。
请参阅图1,本发明提供一种基于声音特征和温度特征进行设备诊断的方法,应用于物流领域,包括以下步骤:
S1、信号采集:分别采集不同监测点的声音特征信号和温度特征信号。
通过若干声音采集单元采集不同设备监测点的声音强度信息,实现对物流设备运行状况声音特征的采集;通过若干温度采集单元作为采集端安装在物流设备的若干监测点,实现对物流设备运行状况温度特征的采集。具体的,声音采集单元与温度采集单元。每个所述信号处理模单元能够连接多个所述声音采集单元和多个所述温度采集单元。
S2、信号处理:对采集到的声音特征信号和温度特征信号进行增益放大及AD数模转换。
由于采集到的信号均是比较微弱的信号,需要采用信号处理单元将其放大进行处理。具体的,所述信号处理单元包括:信号增益放大器、AD数模转换器,所述信号增益放大器能够将接收到的信号进行增益放大,所述AD数模转换器能够将接收到的信号进行数模转换,将模拟信号转换为数字信号。
S3、初步特征判断:对处理后的声音特征值和温度特征值进行初步特征判断,若采集的声音特征值及温度特征值超出数据库预先设定的声音特征阀值及温度特征阀值,则将其上传,并进行预警。
通过信号处理单元将采集到并进行转换后的声音特征值和温度特征值与数据库预先设定的声音特征阀值及温度特征阀值进行比较,完成初步特征判断。数据库是依据现场故障状态模拟和历史故障数据汇总得出,将超出声音特征阀值和温度特征阀值的声音特征值和温度特征值作为初步特诊判断的判断结果。
在本步骤中,是对声音特征值的声音强度进行判断。
S4、声音频谱分析:对超出声音特征阀值的声音特征值进行基于声音频率和声强的频谱分析。
所述声音频谱分析是通过傅里叶原理绘制出声音频率-强度谱图,并通过特征分析判断单元进行进一步声音频谱分析。
为了进一步提升故障判断的准确度,可以结合历史各种故障的概率进行分析判断:
对超出声音特征阀值的声音特征值中各声音频率点峰值监测H1...H2...Hn,并从数据库在寻找各声音频率点故障值临界点h1...h2...hn,以及基于各个临界点判断故障精准度的累计概率P(h)1...P(h)2...P(h)n。
实现对频域特征频谱图n倍频扫描到的面积监测△S1...△S2...△Sn,通过数据库寻找各声音频率点故障的临界点△s1....△s2...△sn以及基于各个临界点判断故障的精准概率P(s)1...P(s)2...P(s)n。
实现对各声音频率点对应的温度值的监控T1,T2...Tn,通过数据库寻找各声音频率点故障的临界点t1,t2...tn,以及基于各个临界点判断故障的精准概率P(t)1...P(t)2...P(t)n。
最终故障情况的判断取该点判断特征概率的最大值P=MAX(P(h)n,P(s)n,P(t)n);
P值最终和P(预警)值进行对比:若P≥P(预警)值则进行故障性预警,若P<P(预警)值则正常。
每个所述特征分析判断单元能够连接多个所述信号处理单元。
S5、深层特征判断:结合步骤S4得出的声音的频谱分析结果与步骤S3得到的温度特征判断结果与数据库中预先设定的频谱参数进行深层特征判断,确定嫌疑故障监测点。
本发明先通过初步判断,确定嫌疑故障监测点,之后再针对该故障监测点进行单点持续监测,以确保准确度。
S6、单点持续声音信号和温度信号采集:对嫌疑故障监测点单点持续性采集声音特征和温度特征信号。
S7、故障设备的确定:对采集到的声音特征信号进行增益放大及AD数模转换,对声音特征值进行声音频谱分析,将该频谱分析结果与步骤S6得到的温度特征信号结合,与数据库的频谱参数进行对比,确定最终故障设备,并进行报警。
为了提高故障判断的准确度,对故障监测点的单点连续性采集到的声音特征信号,也结合历史各种故障的概率进行分析判断:
对超出声音特征阀值的声音特征值中各声音频率点峰值监测H1...H2...Hn,并从数据库在寻找各声音频率点故障值临界点h1...h2...hn,以及基于各个临界点判断故障精准度的累计概率P(h)1...P(h)2...P(hn。
实现对频域特征频谱图n倍频扫描到的面积监测△S1...△S2...△Sn,通过数据库寻找各声音频率点故障的临界点△s1....△s2...△sn以及基于各个临界点判断故障的精准概率P(s)1...P(s)2...P(s)n。
实现对各声音频率点对应的温度值的监控T1,T2...Tn,通过数据库寻找各声音频率点故障的临界点t1,t2...tn,以及基于各个临界点判断故障的精准概率P(t)1...P(t)2...P(t)n。
最终故障情况的判断取该点判断特征概率的最大值P=MAX(P(h)n,P(s)n,P(t)n);
P值最终和P(预警)值进行对比:若P≥P(预警)值则进行故障性预警,若P<P(预警)值则正常。
S8、结果输出与存储:将最终故障设备的特征信息输出同时存储最终判断结果。
所述特征分析判断单元将最终故障设备的特征信息上传移动终端,同时将判断结果上传至存储单元进行存储。所述移动终端为手机。步骤S3中的声音阀值和温度阀值可以通过移动终端进行设定。
所述数据库具有自我学习功能,其对已确认的故障的特征信息进行分析,以获得该故障对应的故障类别、声音信号和温度信号,自动更新各故障的累计概率信息。该自我学习功能包括:提取所述故障特征向量,基于自组织映射神经网络算法对所述故障特征向量进行分析,以获得与所述故障特征向量对应的故障判断结果;基于所述故障判断结果对该故障的声音信号及温度信号进行分析,以获得所述故障对应的故障类别信息。
通过自组织映射神经网络算法,完成对特征分析判断单元重要参数hn,P(h)n,△sn,P(s)n,tn,P(t)n的临界值的不断优化;提高p(预警)的准确度,完成预警等级划分,进而提高设备故障诊断准确度。因为不同声音频率特征的独特性;通过故障数据的判断,以及维养纪录的录入,具体的设备部件在频谱中所处的频域中的画谱位置,会随着数据的积累,逐步清晰;继而实现从设备的障碍结构诊断,提升至设备的故障零部件判断。
综上所述,本发明结合深层次声音频谱分析和温度特征判断进行设备的故障诊断,诊断过程简单,诊断效果精准,能够准确确定故障监测点;诊断***采用无线连接,单元模块化设计,软件具备较好的向上兼容和功能扩展功能,随着数据的积累,具备较好的智能分析和自我学习功能。
以上仅为本发明的较佳实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于声音特征和温度特征进行设备诊断的方法,其特征在于,包括以下步骤:
S1、信号采集:分别采集不同监测点的声音特征信号和温度特征信号;
S2、信号处理:对采集到的声音特征信号和温度特征信号进行增益放大及AD数模转换;
S3、初步特征判断:对处理后的声音特征值和温度特征值进行初步特征判断,若采集的声音特征值及温度特征值超出数据库预先设定的声音特征阀值及温度特征阀值,则将其上传,并进行预警;
S4、声音频谱分析:对超出声音特征阀值的声音特征值进行基于声音频率和声强的频谱分析;
S5、深层特征判断:结合步骤S4得出的声音的频谱分析结果与步骤S3得到的温度特征判断结果与数据库中预先设定的频谱参数进行深层特征判断,确定嫌疑故障监测点;
S6、单点持续声音信号和温度信号的采集:对嫌疑故障监测点单点持续性采集声音特征和温度特征信号;
S7、故障设备的确定:对持续采集到的声音特征信号进行增益放大及AD数模转换,对声音特征值进行声音频谱分析,将该频谱分析结果与步骤S6得到的温度特征信号结合,与数据库的频谱参数进行对比,确定最终故障设备,并进行报警;
S8、结果输出与存储:将最终故障设备的特征信息输出同时存储最终判断结果;
步骤S1中通过若干声音采集单元采集不同设备监测点的声音强度信息,实现对设备运行状况声音特征的采集;通过若干温度采集单元作为采集端安装在设备的若干监测点,实现对设备运行状况温度特征的采集;
步骤S3中通过信号处理单元将采集到并进行转换后的声音特征值和温度特征值与预先设定的声音特征阀值及温度特征阀值进行比较,完成初步特征判断;
步骤S4至S7中通过特征分析判断单元进行声音频谱分析及深层特征判断,确定嫌疑故障监测点并下发指令至所述信号处理单元对嫌疑故障监测点进行单点持续采集声音特征和温度特征信号,并最终确定故障设备,通过报警单元进行报警;
步骤S8中所述特征分析判断单元将最终故障设备的特征信息上传移动终端,同时将判断结果上传至存储单元进行存储;
所述声音频谱分析是通过傅里叶原理绘制出声音频率-强度谱图,并进一步做出声音频谱分析;对超出声音特征阀值的声音特征值中各声音频率点峰值监测H1...H2...Hn,并从数据库中寻找各声音频率点故障值临界点h1...h2...hn,以及基于各个临界点判断故障精准度的累计概率P(h)1...P(h)2...P(h)n;
实现对频域特征频谱图n倍频扫描到的面积监测△S1...△S2...△Sn,通过数据库寻找各声音频率点故障的临界点△s1....△s2...△sn以及基于各个临界点判断故障的精准概率P(s)1...P(s)2...P(s)n;
实现对各声音频率点对应的温度值的监控T1,T2...Tn,通过数据库寻找各声音频率点故障的临界点t1,t2...tn,以及基于各个临界点判断故障的精准概率P(t)1...P(t)2...P(t)n;
最终故障情况的判断取该点判断特征概率的最大值P=MAX(P(h)n,P(s)n,P(t)n);
P值最终和P(预警)值进行对比:若P≥P(预警)值则进行故障性预警,若P<P(预警)值则正常。
2.根据权利要求1所述的基于声音特征和温度特征进行设备诊断的方法,其特征在于,所述信号处理单元通过通信单元将数据发送至所述特征分析判断单元,所述通信单元的通信方式为WiFi、RS485和RS232中的一种或多种。
3.根据权利要求1所述的基于声音特征和温度特征进行设备诊断的方法,其特征在于,所述信号处理单元包括:信号增益放大器、AD数模转换器,所述信号增益放大器能够将接收到的信号进行增益放大,所述AD数模转换器能够将接收到的信号进行数模转换,将模拟信号转换为数字信号。
4.根据权利要求1所述的基于声音特征和温度特征进行设备诊断的方法,其特征在于,每个所述信号处理模单元能够连接多个所述声音采集单元和多个所述温度采集单元,每个所述特征分析判断单元能够连接多个所述信号处理单元。
5.根据权利要求1所述的基于声音特征和温度特征进行设备诊断的方法,其特征在于,所述数据库具有自我学习功能,其对已确认的故障的特征信息进行分析,以获得该故障对应的故障类别、声音信号和温度信号,自动更新各故障的累计概率信息。
6.根据权利要求5所述的基于声音特征和温度特征进行设备诊断的方法,其特征在于,所述数据库具有自我学习功能包括:提取所述故障特征向量,基于自组织映射神经网络算法对所述故障特征向量进行分析,以获得与所述故障特征向量对应的故障判断结果;基于所述故障判断结果对该故障的声音信号及温度信号进行分析,以获得所述故障对应的故障类别信息。
7.根据权利要求1-6任一项所述的基于声音特征和温度特征进行设备诊断的方法,其特征在于,所述方法用于诊断物流设备。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811524255.2A CN109612757B (zh) | 2018-12-13 | 2018-12-13 | 基于声音特征和温度特征进行设备诊断的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811524255.2A CN109612757B (zh) | 2018-12-13 | 2018-12-13 | 基于声音特征和温度特征进行设备诊断的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109612757A CN109612757A (zh) | 2019-04-12 |
CN109612757B true CN109612757B (zh) | 2020-07-17 |
Family
ID=66008266
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811524255.2A Active CN109612757B (zh) | 2018-12-13 | 2018-12-13 | 基于声音特征和温度特征进行设备诊断的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109612757B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110672313B (zh) * | 2019-10-22 | 2021-06-01 | 上海声茵科技有限公司 | 一种基于声音信号的故障诊断方法及其设备 |
CN112861741A (zh) * | 2021-02-18 | 2021-05-28 | 烟台杰瑞石油装备技术有限公司 | 井场设备监控***和井场设备监控方法 |
CN113092128A (zh) * | 2021-03-26 | 2021-07-09 | 一汽奔腾轿车有限公司 | 一种无人值守耐久试验报警*** |
CN114399130A (zh) * | 2021-11-05 | 2022-04-26 | 航天云网数据研究院(江苏)有限公司 | 一种具有自主学习的空间设备群运行状况监测*** |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0029736B1 (en) * | 1979-11-26 | 1984-04-04 | Hitachi, Ltd. | Method of diagnosis of operating conditions of bearing and apparatus therefor |
EP1602904A1 (en) * | 2004-06-01 | 2005-12-07 | General Electric Company | Process for estimating combustor flame temperature |
CN1906473A (zh) * | 2004-09-13 | 2007-01-31 | 日本精工株式会社 | 故障诊断装置和故障诊断方法 |
CN202735105U (zh) * | 2012-07-03 | 2013-02-13 | 上海电机学院 | 一种故障检测装置 |
CN203101070U (zh) * | 2012-12-01 | 2013-07-31 | 南车青岛四方机车车辆股份有限公司 | 基于物联网的高速列车走行部故障诊断与远程监测*** |
CN104122094A (zh) * | 2014-07-29 | 2014-10-29 | 南通理工学院 | 一种发动机异响故障诊断装置及方法 |
CN205388488U (zh) * | 2016-03-07 | 2016-07-20 | 大唐淮南洛河发电厂 | 基于嵌入式双服务器的火电厂旋转机械状态监测*** |
CN106289822A (zh) * | 2016-08-31 | 2017-01-04 | 成都铁安科技有限责任公司 | 一种列车故障检测***及方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106053074B (zh) * | 2016-08-02 | 2019-12-20 | 北京航空航天大学 | 一种基于stft和转动惯量熵的滚动轴承声音信号故障特征提取方法 |
-
2018
- 2018-12-13 CN CN201811524255.2A patent/CN109612757B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0029736B1 (en) * | 1979-11-26 | 1984-04-04 | Hitachi, Ltd. | Method of diagnosis of operating conditions of bearing and apparatus therefor |
EP1602904A1 (en) * | 2004-06-01 | 2005-12-07 | General Electric Company | Process for estimating combustor flame temperature |
CN1906473A (zh) * | 2004-09-13 | 2007-01-31 | 日本精工株式会社 | 故障诊断装置和故障诊断方法 |
CN202735105U (zh) * | 2012-07-03 | 2013-02-13 | 上海电机学院 | 一种故障检测装置 |
CN203101070U (zh) * | 2012-12-01 | 2013-07-31 | 南车青岛四方机车车辆股份有限公司 | 基于物联网的高速列车走行部故障诊断与远程监测*** |
CN104122094A (zh) * | 2014-07-29 | 2014-10-29 | 南通理工学院 | 一种发动机异响故障诊断装置及方法 |
CN205388488U (zh) * | 2016-03-07 | 2016-07-20 | 大唐淮南洛河发电厂 | 基于嵌入式双服务器的火电厂旋转机械状态监测*** |
CN106289822A (zh) * | 2016-08-31 | 2017-01-04 | 成都铁安科技有限责任公司 | 一种列车故障检测***及方法 |
Non-Patent Citations (1)
Title |
---|
基于假设检验和支持向量机的旋转机械故障诊断方法;赵宇;《中国机械工程》;20170405;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109612757A (zh) | 2019-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109612757B (zh) | 基于声音特征和温度特征进行设备诊断的方法 | |
CN109901537B (zh) | 用于边缘计算侧的机械设备运行状态监测方法和*** | |
CN111947928B (zh) | 一种多源信息融合的轴承故障预测***及方法 | |
CN108008287B (zh) | 基于移频信号的轨道电路故障监测平台及其监测方法 | |
US20120330499A1 (en) | Acoustic diagnostic of fielded turbine engines | |
JP2002022617A (ja) | 軸受診断装置 | |
CN110133500B (zh) | 基于多层架构的电机在线监测与故障前兆诊断***及方法 | |
CN111859732B (zh) | 船闸闸门及其支承运转件损伤程度自动监测***及监测方法 | |
JPH1183618A (ja) | 音響監視装置 | |
CN116383633A (zh) | 一种多因素综合分析的机制砂振动筛故障检测方法及*** | |
CN115437358A (zh) | 工业机器人智能状态监测与故障诊断***及故障诊断方法 | |
US20210149387A1 (en) | Facility failure prediction system and method for using acoustic signal of ultrasonic band | |
CN113567162A (zh) | 基于声传感器的风机故障智能诊断装置及方法 | |
KR102545672B1 (ko) | 기계고장 진단 방법 및 장치 | |
CN116717437A (zh) | 一种风电机组故障监测方法及*** | |
CN109934136B (zh) | 基于Duffing振子和本征模式分量的滚动轴承故障诊断方法 | |
CN109598309B (zh) | 一种金属包装冲压机的检测***及其监测方法 | |
KR101490471B1 (ko) | 신호 계측 및 진단 시스템과 그 방법 | |
CN113361324A (zh) | 一种基于lstm的电机电流异常检测方法 | |
CN108444592A (zh) | 无线振动监测与诊断*** | |
CN117435908A (zh) | 一种用于旋转机械的多种故障特征提取方法 | |
CN114034375B (zh) | 一种特高压输电线路噪声测量***及方法 | |
EP4254261A1 (en) | Blade fault diagnosis method, apparatus and system, and storage medium | |
CN111456915A (zh) | 风机机舱内部部件的故障诊断装置及方法 | |
US11761798B2 (en) | Information processing system, information processing method, recording medium, node device, gateway device, manufacturing system, method of manufacturing product |
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 |