CN117272030A - 一种动态信号分组采样与处理的方法 - Google Patents

一种动态信号分组采样与处理的方法 Download PDF

Info

Publication number
CN117272030A
CN117272030A CN202311544677.7A CN202311544677A CN117272030A CN 117272030 A CN117272030 A CN 117272030A CN 202311544677 A CN202311544677 A CN 202311544677A CN 117272030 A CN117272030 A CN 117272030A
Authority
CN
China
Prior art keywords
signal
sampling
signals
frequency
clock
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
Application number
CN202311544677.7A
Other languages
English (en)
Other versions
CN117272030B (zh
Inventor
丁斌
何飞飞
毛敏
祖洪飞
王欣峰
严萍
张伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nantong Metering Detecting Test
Original Assignee
Nantong Metering Detecting Test
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nantong Metering Detecting Test filed Critical Nantong Metering Detecting Test
Priority to CN202311544677.7A priority Critical patent/CN117272030B/zh
Publication of CN117272030A publication Critical patent/CN117272030A/zh
Application granted granted Critical
Publication of CN117272030B publication Critical patent/CN117272030B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明涉及一种动态信号分组采样与处理的方法，通过本发明的动态信号分组采样与处理方法技术，实现了利用两个时钟进行分组采样的方案，并通过动态调整时钟的最高频率来适应不同频率范围的信号采样需求。采用机器学习算法建立特征与采样信号频率的函数映射关系，实现了时钟自适应的最高频率分组采样过程，然后使用第二个时钟进行精准采样。这种方法可以提高信号采集的效率和准确性，适用于航空航天、轨道交通、大型电力装备、船舶工程等领域涉及大型设备的振动信号采集与处理。

Description

一种动态信号分组采样与处理的方法
技术领域
本发明涉及的一种采样与处理的方法，特别是涉及应用于信号采样技术领域的一种基于机器学习的动态信号分组采样与处理的方法。
背景技术
在航空航天、轨道交通、大型电力装备、船舶工程等领域，对于大型设备的振动、声音、转速、温度等动态信号的采集与处理至关重要。这些动态信号的频率特性各不相同，传统方法通常需要采用多组时钟和适当的采样率来对不同频率段的信号进行分时钟采样，这不仅会使采集成本大大增加，还会导致信号采样的准确率较低。
发明内容
针对上述现有技术，本发明要解决的技术问题是采用多组时钟对信号采样的方式采集成本大大增加，信号采样的准确率较低。
为解决上述问题，本发明提供了一种动态信号分组采样与处理的方法，包括以下步骤：
S1、***初始化：
在***中设置两个时钟，作为采样的时基；初始化机器学习模型，准备特征提取和特征预测所需的算法和参数；
S12、信号采集与分组：
通过***设置的第一个时钟对动态信号进行采集，信号包括振动信号、声音信号、转速信号、温度信号以及其他信号，利用分组采样的方式，将采集到的信号分成若干组；
S3、特征提取与处理：
对每组采样信号进行特征提取；计算每组信号的幅度特征、统计特征和时域特征；通过这些特征描述信号的振幅变化、统计分布和时间特性。
S4、特征与采样信号频率的函数映射：
利用机器学习算法建立特征与采样信号频率之间的函数映射关系，通过训练模型，学习特征与采样信号频率之间的关联规律，得到一个特征预测模型；
S5、动态调整时钟频率：
根据特征预测模型，对每组采样信号的特征进行预测；根据预测结果，判断信号所属的频率范围，并相应地调整第一个时钟的最高频率；
S6、采样与处理：
根据调整后的第一个时钟频率，对信号进行重新采样，使用动态调整后的时钟进行分组采样，确保能够捕捉到所有信号的动态特性；随后第二个时钟根据第一个时钟采集到的信号频率进行动态调整，随后对某些信号进行单独采样，第二个时钟采样到的信号相对于第一个时钟采样到的信号而言要更准确；对二次采集到的信号进一步进行处理、分析或传输，以满足特定应用需求。
在上述动态信号分组采样与处理的方法中，使用两个时钟，通过动态调整两个时钟的最高频率来实现对所有信号的采样；该方法只利用两个时钟进行分组采样，通过动态调整某一时钟的最高频率，可以捕捉到不同频率信号的幅度变化、统计特性和时域特性，再根据不同频率的信号调整另外一个时钟的频率针对不同信号进行独立采样，可有效提高信号采样的准确性。
作为本申请的进一步改进，所述步骤S5中以高频信号与低频信号为例；当预测结果表明信号属于低频信号，则降低时钟频率以适应低频信号的采样需求；如果预测结果表明信号属于高频信号，则增加时钟频率以满足高频信号的采样需求。
作为本申请的进一步改进，所述步骤S2中，通过第一个时钟进行分组采样，将不同频率范围内的信号分为若干组进行采样，其中为了实现动态信号的采样，选择一个合适的最高时钟频率，以覆盖所有信号的频率范围；根据信号的频率范围，将其分为不同组，例如，振动信号、声音信号、温度信号都可以分为低频组和高频组，每个组的采样周期根据该组信号的最高频率确定。
作为本申请的进一步改进，所述步骤S3中特征提取使用峰度特征，即信号分布的尖峰程度，衡量信号峰值的尖锐程度；峰度的计算用于帮助识别信号中的非线性特征，对于动态信号的分析和振动特性的评估具有重要意义。
作为本申请的进一步改进，所述步骤S5中，利用特征预测结果，进行频率范围的判断。根据实际应用需求和***设计，设定一个阈值；当特征预测结果小于等于阈值或属于低频率范围，则采样信号被判定为低频信号，当对高频信号进行采样时，降低时钟频率以适应低频信号的采样需求；可以通过降低时钟的最高频率来减少采样频率，确保能够充分捕捉低频信号的动态特性；当特征预测结果大于阈值或属于高频率范围，采样信号被判定为高频信号，当对高频信号进行采样时，增加时钟频率以满足高频信号的采样需求；可以通过增加时钟的最高频率来增加采样频率，确保能够充分捕捉高频信号的动态特性。
作为本申请的进一步改进，在所述步骤S6中，根据第二个时钟的精准采样，将信号按照更精确的时间间隔进行分组，每个组内的采样点数量取决于采样频率和采样时长，使自适应的组长度，自适应的组长度可以更好地适应信号的变化。对每个组内的采样数据进行处理后据需要进行存储或传输。存储可以使用合适的数据格式和存储介质，以便后续的分析和应用。
作为本申请的又一种改进，在步骤S6中信号采样后，添加对波形进行监测预警的步骤，所述波形的监测预警通过信号波形监测***施行；
所述波形监测***包括标准波形数据库、波形对比模块、图像处理模块以及告警模块，所述波形对比模块以及图像处理模块均与标准波形数据库信号连接，所述告警模块与波形对比模块信号连接。
作为本申请的又一种改进的补充，所述波形进行监测预警的具体步骤如下：
S61、首先将采样的信号转换成波段，获取对应的波形，将该波段对应到标准波形数据库上，并获取标准波形数据库上对应波段的形状；
S62、通过图像处理模块对比信号波段和标准波形相应波段的形状，通过二者之间的偏差判断目标信号波的振幅，当信号波段与标准波段之间存在较大偏差时，说明目标信号波存在振幅过大或过小的问题；
S63、当波形振幅存在问题时，告警模块对控制中心处的工作人员进行报警处理，工作人员可根据波形的偏差情况，实施不同的预案。
作为本申请的又一种改进的补充，所述标准波形数据库为目标信号在无异常情况下的波形，所述目标信号同样包括振动信号、声音信号、转速信号、温度信号以及其他信号。
作为本申请的又一种改进的补充，所述告警模块包括设置在塔台内的外联报警器以及安装在目标信号发出设备上的实地报警器。
综上所述，通过本发明的动态信号分组采样与处理方法技术，实现了利用两个时钟进行分组采样的方案，并通过动态调整时钟的最高频率来适应不同频率范围的信号采样需求。采用机器学习算法建立特征与采样信号频率的函数映射关系，实现了时钟自适应的最高频率分组采样过程，然后使用第二个时钟进行精准采样。并且减少了时钟的使用量，这种方法可以提高信号采集的效率和准确性，适用于航空航天、轨道交通、大型电力装备、船舶工程等领域涉及大型设备的振动信号采集与处理。
附图说明
图1为本申请第一种实施方式的主要流程图；
图2为本申请第二种实施方式中对波形进行监测预警的主要原理图；
图3为本申请第二种实施方式中信号波段和标准波形的对比图；
图4为本申请第二种实施方式中信号波段和标准波形对应的标准波段的对比图。
具体实施方式
下面结合附图对本申请的两种实施方式作详细说明。
第一种实施方式：
图1示出一种动态信号分组采样与处理的方法，包括以下步骤：
S1、***初始化：
在***中设置两个时钟，作为采样的时基；初始化机器学习模型，准备特征提取和特征预测所需的算法和参数；
S12、信号采集与分组：
通过***设置的第一个时钟对动态信号进行采集，信号包括振动信号、声音信号、转速信号、温度信号以及其他信号，利用分组采样的方式，将采集到的信号分成若干组；
S3、特征提取与处理：
对每组采样信号进行特征提取；计算每组信号的幅度特征、统计特征和时域特征；通过这些特征描述信号的振幅变化、统计分布和时间特性。
S4、特征与采样信号频率的函数映射：
利用机器学习算法建立特征与采样信号频率之间的函数映射关系，通过训练模型，学习特征与采样信号频率之间的关联规律，得到一个特征预测模型；
S5、动态调整时钟频率：
根据特征预测模型，对每组采样信号的特征进行预测；根据预测结果，判断信号所属的频率范围，并相应地调整第一个时钟的最高频率；
以高频信号与低频信号为例；当预测结果表明信号属于低频信号，则降低时钟频率以适应低频信号的采样需求；如果预测结果表明信号属于高频信号，则增加时钟频率以满足高频信号的采样需求。
S6、采样与处理：
根据调整后的第一个时钟频率，对信号进行重新采样，使用动态调整后的时钟进行分组采样，确保能够捕捉到所有信号的动态特性；随后第二个时钟根据第一个时钟采集到的信号频率进行动态调整，随后对某些信号进行单独采样，第二个时钟采样到的信号相对于第一个时钟采样到的信号而言要更准确；对二次采集到的信号进一步进行处理、分析或传输，以满足特定应用需求。
所述步骤S2中，通过第一个时钟进行分组采样，将不同频率范围内的信号分为若干组进行采样，其中为了实现动态信号的采样，选择一个合适的最高时钟频率，以覆盖所有信号的频率范围；假设选择的最高时钟频率为：
（1）
其中，f_max为动态调整后的时钟最高频率，f_base为基准时钟频率，α为频率调整系数。
采样周期：
（2）
根据信号的频率范围，将其分为不同组，例如，振动信号、声音信号、温度信号都可以分为低频组和高频组，每个组的采样周期根据该组信号的最高频率确定。
所述步骤S3中特征提取使用峰度特征，即信号分布的尖峰程度，衡量信号峰值的尖锐程度，衡量信号峰值的尖锐程度的方式如下：
（3）
其中，x表示采样信号在时间窗口内的数据序列，N表示信号样本数。Mean表示采样信号数据序列的平均值，StandardDeviation表示标准差。
峰度的计算用于帮助识别信号中的非线性特征，对于动态信号的分析和振动特性的评估具有重要意义。
在步骤S4中，我们利用机器学习算法建立特征与采样信号频率之间的函数映射关系。通过训练模型，学习特征与采样信号频率之间的关联规律，得到一个特征预测模型。
提取峰度特征，进行数据集准备。特征与采样信号频率的函数映射可以表示为以下公式：
（4）
其中，f_predicted表示特征预测模型输出的采样信号频率，Features是输入到特征预测模型的特征向量。
所述步骤S5中，利用特征预测结果，进行频率范围的判断。根据实际应用需求和***设计，设定一个阈值；
当特征预测f_predicted结果小于等于阈值或属于低频率范围，则采样信号被判定为低频信号，当对高频信号进行采样时，降低时钟频率以适应低频信号的采样需求；可以通过降低时钟的最高频率来减少采样频率，确保能够充分捕捉低频信号的动态特性；
当特征预测结果f_predicted大于阈值或属于高频率范围，采样信号被判定为高频信号，当对高频信号进行采样时，增加时钟频率以满足高频信号的采样需求，可以通过增加时钟的最高频率来增加采样频率，确保能够充分捕捉高频信号的动态特性。
通过动态调整第一个时钟频率，***能够根据实时的特征预测结果，自适应地适配不同频率信号的采样需求，随后第二个时钟根据第一个时钟所采样的信号进行频率调整，可更精确的对某些特定信号进行信号采集。这样可以最大限度地保证采样过程中的数据完整性和准确性，提高信号处理的效率和精度。同时，动态调整时钟频率的公式化表示如下：
（5）
其中，α_i是根据***设计和实际需求设定的调整系数，用于确定降低或增加时钟频率的比例因子。
根据特征预测结果和频率范围判断，***可以自动调整第一个时钟的最高频率，以适应不同频率信号的采样需求随后第二个时钟根据第一个时钟所采样的信号进行频率调整，可更精确的对某些特定信号进行信号采集。这样可以实现对动态信号的有效采集和处理，确保信号的准确性和完整性。
在所述步骤S6中，根据第二个时钟的精准采样，将信号按照更精确的时间间隔进行分组，每个组内的采样点数量取决于采样频率和采样时长，使自适应的组长度，自适应的组长度可以更好地适应信号的变化。对每个组内的采样数据进行处理后据需要进行存储或传输。存储可以使用合适的数据格式和存储介质，以便后续的分析和应用。
第二种实施方式：
在步骤S6中信号采样后，添加对波形进行监测预警的步骤，通过对波形的检测预警，进而可有效监测被采样的设备的运行稳定性的评估，当稳定性出现异常时，便于工作人员及时进行相应的应急措施，进而有效维持设备的运行稳定性。
所述波形的监测预警通过信号波形监测***施行，所述波形监测***包括标准波形数据库、波形对比模块、图像处理模块以及告警模块，所述波形对比模块以及图像处理模块均与标准波形数据库信号连接，所述告警模块与波形对比模块信号连接，所述告警模块包括设置在塔台内的外联报警器以及安装在目标信号发出设备上的实地报警器。
当本方法应用在航空航天领域时，塔台即地面的指挥控制中心，目标信号发出设备即飞机，当取样后监测到信号波形与标准波形数据库内对应波形存在偏差时，说明飞机上存在信号异常，一方面可对飞机上的实地报警器可实时报警，便于工作人员及时维修排障，有效保障飞机的正常运行，而地面的塔台在接收到外联报警器的报警信号后，一方面可联系目标飞机，对其进行异常告警，或者信息交互，当异常较大时，可及时作出营救措施，从而有效提高安全预警。
图2示出，所述波形进行监测预警的具体步骤如下：
S61、首先将采样的信号转换成波段，获取对应的波形，将该波段对应到标准波形数据库上，并获取标准波形数据库上对应波段的形状；
S62、如图3，通过图像处理模块对比信号波段和标准波形相应波段的形状，通过二者之间的偏差判断目标信号波的振幅，当信号波段与标准波段之间存在较大偏差时，说明目标信号波存在振幅过大或过小的问题；
S63、当波形振幅存在问题时，告警模块对控制中心处的工作人员进行报警处理，工作人员可根据波形的偏差情况，实施不同的预案。
所述标准波形数据库为目标信号在无异常情况下的波形，所述目标信号同样包括振动信号、声音信号、转速信号、温度信号以及其他信号。
本实施方式在第一种实施方式的基础上新增对波形监测的相关内容，其余部分具能与第一种实施方式保持一致。
具体的，在每次步骤S6在进行取样后，均对取样的波形与标准波形数据库内的波形进行比对，通过波形的而可初步判断目标信号的稳定与否，是否存在异常情况。
其中，对步骤S62中的偏差在X轴和Y轴分别设置允许浮动的阈值，记为Ax和By，如图4，图中仅以最低点为例，标注出了信号波段在最低点处于标准波段在X轴和Y轴的偏差，步骤S62中信号波段与标准波段之间的偏差计算方式如下：
Sa、获取对比点坐标：
将信号波段的最低点、最高点以及中点处的坐标分别记为（x1、y1）、（x2、y2）、（x3、y3），在X轴坐标相同的情况下，将标准波形的对应波段Y轴三点的坐标分别记为Y1、Y2和Y3，在Y轴坐标相同的情况下，将标准波形的对应波段X轴三点的坐标分别记为X1、X2和X3；
Sb、Y轴偏差计算：
在X轴坐标相同的情况下，两个波段对应三点之间的Y轴的偏差分别为±（y1-Y1）、±（y2-Y2）以及±（y3-Y3），将三个偏差值进行比较，选取最大的偏差值与对应阈值By进行比较，当最大的偏差值大于阈值By时，说明Y轴存在振幅异常的问题，其中信号波段对应点位于标准波段对应点上方时，说明信号波段存在振幅偏大的情况，反之振幅偏小；
Sc、X轴偏差计算：
在Y轴坐标相同的情况下，两个波段对应三点之间的X轴的偏差分别为±（x1-X1）、±（x2-X2）以及±（x3-X3），同样的将将三个偏差值进行比较，选取最大的偏差值与对应阈值Ax进行比较，当最大的偏差值大于阈值Ax时，说明X轴存在振幅异常的问题，其中信号波段对应点位于标准波段对应点左侧时，说明信号波段存在振幅偏大的情况，反之振幅偏小。
值得注意的是：其中“±”符号作为补偿，使计算后得到的X轴或Y轴的偏差值始终为正数，阈值Ax和By同样为正数。
结合当前实际需求，本申请采用的上述实施方式，保护范围并不局限于此，在本领域技术人员所具备的知识范围内，不脱离本申请构思作出的各种变化，仍落在本发明的保护范围。

Claims (10)

1.一种动态信号分组采样与处理的方法，其特征在于：包括以下步骤：
S1、***初始化：
在***中设置两个时钟，作为采样的时基；初始化机器学习模型，准备特征提取和特征预测所需的算法和参数；
S12、信号采集与分组：
通过***设置的第一个时钟对动态信号进行采集，信号包括振动信号、声音信号、转速信号、温度信号以及其他信号，利用分组采样的方式，将采集到的信号分成若干组；
S3、特征提取与处理：
对每组采样信号进行特征提取；计算每组信号的幅度特征、统计特征和时域特征；通过这些特征描述信号的振幅变化、统计分布和时间特性；
S4、特征与采样信号频率的函数映射：
利用机器学习算法建立特征与采样信号频率之间的函数映射关系，通过训练模型，学习特征与采样信号频率之间的关联规律，得到一个特征预测模型；
S5、动态调整时钟频率：
根据特征预测模型，对每组采样信号的特征进行预测；根据预测结果，判断信号所属的频率范围，并相应地调整第一个时钟的最高频率；
S6、采样与处理：
根据调整后的第一个时钟频率，对信号进行重新采样，使用动态调整后的时钟进行分组采样，确保能够捕捉到所有信号的动态特性；随后第二个时钟根据第一个时钟采集到的信号频率进行动态调整，随后对某些信号进行单独采样，第二个时钟采样到的信号相对于第一个时钟采样到的信号而言要更准确；对二次采集到的信号进一步进行处理、分析或传输，以满足特定应用需求。
2.根据权利要求1所述的一种动态信号分组采样与处理的方法，其特征在于：所述步骤S5中以高频信号与低频信号为例：
当预测结果表明信号属于低频信号，则降低时钟频率以适应低频信号的采样需求；如果预测结果表明信号属于高频信号，则增加时钟频率以满足高频信号的采样需求。
3.根据权利要求2所述的一种动态信号分组采样与处理的方法，其特征在于：所述步骤S2中，通过第一个时钟进行分组采样，将不同频率范围内的信号分为若干组进行采样，其中为了实现动态信号的采样，选择一个合适的最高时钟频率，以覆盖所有信号的频率范围；
根据信号的频率范围，将其分为低频组和高频组，每个组的采样周期根据该组信号的最高频率确定。
4.根据权利要求1所述的一种动态信号分组采样与处理的方法，其特征在于：所述步骤S3中特征提取使用峰度特征，即信号分布的尖峰程度，衡量信号峰值的尖锐程度。
5.根据权利要求1所述的一种动态信号分组采样与处理的方法，其特征在于：所述步骤S5中，利用特征预测结果，进行频率范围的判断，根据实际应用需求和***设计，设定一个阈值；
当特征预测结果小于等于阈值或属于低频率范围，则采样信号被判定为低频信号，当对高频信号进行采样时，降低时钟频率以适应低频信号的采样需求；
当特征预测结果大于阈值或属于高频率范围，采样信号被判定为高频信号，当对高频信号进行采样时，增加时钟频率以满足高频信号的采样需求。
6.根据权利要求1所述的一种动态信号分组采样与处理的方法，其特征在于：在所述步骤S6中，根据第二个时钟的精准采样，将信号按照更精确的时间间隔进行分组，每个组内的采样点数量取决于采样频率和采样时长，使自适应的组长度，自适应的组长度适应信号的变化。
7.根据权利要求1所述的一种动态信号分组采样与处理的方法，其特征在于：在步骤S6中信号采样后，添加对波形进行监测预警的步骤，所述波形的监测预警通过信号波形监测***施行；
所述波形监测***包括标准波形数据库、波形对比模块、图像处理模块以及告警模块，所述波形对比模块以及图像处理模块均与标准波形数据库信号连接，所述告警模块与波形对比模块信号连接。
8.根据权利要求7所述的一种动态信号分组采样与处理的方法，其特征在于：所述波形进行监测预警的具体步骤如下：
S61、首先将采样的信号转换成波段，获取对应的波形，将该波段对应到标准波形数据库上，并获取标准波形数据库上对应波段的形状；
S62、通过图像处理模块对比信号波段和标准波形相应波段的形状，通过二者之间的偏差判断目标信号波的振幅，当信号波段与标准波段之间存在较大偏差时，说明目标信号波存在振幅过大或过小的问题；
S63、当波形振幅存在问题时，告警模块对控制中心处的工作人员进行报警处理，工作人员可根据波形的偏差情况，实施不同的预案。
9.根据权利要求8所述的一种动态信号分组采样与处理的方法，其特征在于：所述标准波形数据库为目标信号在无异常情况下的波形，所述目标信号同样包括振动信号、声音信号、转速信号、温度信号以及其他信号。
10.根据权利要求8所述的一种动态信号分组采样与处理的方法，其特征在于：所述告警模块包括设置在塔台内的外联报警器以及安装在目标信号发出设备上的实地报警器。
CN202311544677.7A 2023-11-20 2023-11-20 一种动态信号分组采样与处理的方法 Active CN117272030B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311544677.7A CN117272030B (zh) 2023-11-20 2023-11-20 一种动态信号分组采样与处理的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311544677.7A CN117272030B (zh) 2023-11-20 2023-11-20 一种动态信号分组采样与处理的方法

Publications (2)

Publication Number Publication Date
CN117272030A true CN117272030A (zh) 2023-12-22
CN117272030B CN117272030B (zh) 2024-01-26

Family

ID=89201176

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311544677.7A Active CN117272030B (zh) 2023-11-20 2023-11-20 一种动态信号分组采样与处理的方法

Country Status (1)

Country Link
CN (1) CN117272030B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1396711A (zh) * 2002-07-31 2003-02-12 上海芯华微电子有限公司 具有很少系数的音频采样频率变换及时钟再同步装置
CN113377155A (zh) * 2021-06-08 2021-09-10 深圳市汇顶科技股份有限公司 时钟校准方法、装置和电子设备
WO2022062161A1 (zh) * 2020-09-28 2022-03-31 广东石油化工学院 基于波形和无量纲学习的大机组摩擦故障分析方法及***
CN116773961A (zh) * 2023-06-16 2023-09-19 广西电网有限责任公司电力科学研究院 基于振动信号高频特征分析的输电线路腐蚀检测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1396711A (zh) * 2002-07-31 2003-02-12 上海芯华微电子有限公司 具有很少系数的音频采样频率变换及时钟再同步装置
WO2022062161A1 (zh) * 2020-09-28 2022-03-31 广东石油化工学院 基于波形和无量纲学习的大机组摩擦故障分析方法及***
CN113377155A (zh) * 2021-06-08 2021-09-10 深圳市汇顶科技股份有限公司 时钟校准方法、装置和电子设备
CN116773961A (zh) * 2023-06-16 2023-09-19 广西电网有限责任公司电力科学研究院 基于振动信号高频特征分析的输电线路腐蚀检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
史彩君;王飞;: "基于软件同步的采样频率自适应算法及仿真", 内蒙古电力技术, no. 01, pages 17 - 20 *

Also Published As

Publication number Publication date
CN117272030B (zh) 2024-01-26

Similar Documents

Publication Publication Date Title
US11408797B2 (en) GIL fault on-line monitoring system based on vibration signals and support vector machine
CN116896481B (zh) 一种基于物联网的网络安全数据风险评估***
CN112486097A (zh) 一种基于模型算法的切割平台磨损状态监测方法、***及可读存储介质
CN116660672B (zh) 基于大数据的电网设备故障诊断方法及***
US12039045B2 (en) Event analysis in an electric power system
CN111504450A (zh) 一种设备故障报警方法及装置
CN117454114B (zh) 基于多点位分布的地铁隧道掘进***振动安全监测装置
CN115986918B (zh) 一种输电线智能监测***
CN116893643A (zh) 一种基于数据分析的智能机器人行驶轨迹安全管控***
CN117811940B (zh) 一种基于数据分析的印控仪运行网络质量检测评估***
CN117272030B (zh) 一种动态信号分组采样与处理的方法
CN116086537A (zh) 一种设备状态监测方法、装置、设备及存储介质
CN112114196A (zh) 一种电流谐波统计及告警方法及***
CN113534727B (zh) 基于人工智能平台的渔船用制冷设备的预警控制***
CN117291316B (zh) 基于激光扫描仪的卸船机用船舱定位***
CN106081958A (zh) 一种塔式起重机在线监测***
CN109635430A (zh) 电网输电线路暂态信号监测方法和***
CN117571354A (zh) 一种有机废气容量实时监控***
Zhong et al. Fault diagnosis of motor bearing using self-organizing maps
CN115643108A (zh) 面向工业互联网边缘计算平台安全评估方法、***及产品
CN114754860B (zh) 一种无线振动监测方法、电子设备及存储介质
CN117596535B (zh) 一种基于物联网的智能音箱运行检测***
CN118233945A (zh) 数据智能无线采集***
CN117196314B (zh) 一种基于物联网的建筑施工安全监测***及方法
CN116545115B (zh) 一种低压配电柜故障监测***及其方法

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