CN113075546A - 电机振动信号的特征提取方法及系统 - Google Patents
电机振动信号的特征提取方法及系统 Download PDFInfo
- Publication number
- CN113075546A CN113075546A CN202110315560.6A CN202110315560A CN113075546A CN 113075546 A CN113075546 A CN 113075546A CN 202110315560 A CN202110315560 A CN 202110315560A CN 113075546 A CN113075546 A CN 113075546A
- Authority
- CN
- China
- Prior art keywords
- signal
- vibration
- motor
- motor vibration
- characteristic
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 41
- 238000000034 method Methods 0.000 claims abstract description 40
- 238000007781 pre-processing Methods 0.000 claims abstract description 28
- 230000002159 abnormal effect Effects 0.000 claims abstract description 10
- 238000005070 sampling Methods 0.000 claims description 25
- 238000001228 spectrum Methods 0.000 claims description 10
- 230000001133 acceleration Effects 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000012544 monitoring process Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/34—Testing dynamo-electric machines
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M7/00—Vibration-testing of structures; Shock-testing of structures
- G01M7/02—Vibration-testing by means of a shake table
- G01M7/025—Measuring arrangements
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Control Of Electric Motors In General (AREA)
Abstract
本发明公开了一种电机振动信号的特征提取方法及系统，所述方法包括：至少接收电机振动原始信号；对电机振动原始信号进行预处理操作，获得预处理信号，其中，所述预处理操作用于去除电机振动原始信号中的异常信号；基于预处理信号和预先构建的特征提取模型，得到电机振动原始信号对应的振动特征信号。本发明的电机振动信号的特征提取方法，基于预处理信号和预先构建的特征提取模型，得到对应的振动特征信号，利用特征提取模型可以对电机振动原始信号进行分析，自动直接获得振动特征信号，解决了现有技术中难以准确地提取振动特征的弊端，提高了提取振动特征的效率和准确性，有利于对振动原始信号进行全面分析，进而监测电机状态，并诊断电机故障。
Description
技术领域
本发明涉及电机诊断技术领域，尤其涉及一种电机振动信号的特征提取方法及系统。
背景技术
电机状态监测和故障诊断技术是一种了解和掌握电机在使用过程中的状态，确定其整体或局部正常或异常，发现故障及其原因的技术。现有技术方案一般是基于电气特征分析技术的状态监测诊断装置，通过测量电机负载运行时的电流、电压信号，分析频谱、谐波、电气参数等特征，进一步探测到源于轴承故障、不对中故障、负载故障、机械松动、绝缘和一系列电气和机械故障的状态变化，进而判断整个传动系统的故障所在。
但是，传统技术方案是以设备当下状态为研究重点，无法对设备的未来发展趋势进行预测，更无法对设备健康状态进行系统地管理。如何实现振动信号的特征提取，以便于对振动信号进行全面分析，是基于电机数据监测电机状态以及诊断电机故障所要解决的一个重要问题。
因此，亟需一种电机振动信号的特征提取方法及系统。
发明内容
本发明的目的是提供一种电机振动信号的特征提取方法及系统，以解决上述现有技术中的问题，能够提取振动原始信号中的振动特征，有利于对振动原始信号进行全面分析。
本发明提供了一种电机振动信号的特征提取方法，其中，包括：
至少接收电机振动原始信号；
对所述电机振动原始信号进行预处理操作，获得预处理信号，其中，所述预处理操作用于去除所述电机振动原始信号中的异常信号；
基于所述预处理信号和预先构建的特征提取模型，得到所述电机振动原始信号对应的振动特征信号。
如上所述的电机振动信号的特征提取方法，其中，优选的是，所述至少接收电机振动原始信号，具体包括：
接收振动原始信号和采样信号。
如上所述的电机振动信号的特征提取方法，其中，优选的是，所述振动原始信号包括振动加速度数据，所述采样信号包括采样频率、采样时长和采样温度。
如上所述的电机振动信号的特征提取方法，其中，优选的是，所述对所述电机振动原始信号进行预处理操作，获得预处理信号，具体包括：
剔除所述振动原始信号中的空值和异常值，以得到有效振动原始信号；
将所述有效振动原始信号进行数据对齐，以得到所述预处理信号。
如上所述的电机振动信号的特征提取方法，其中，优选的是，所述基于所述预处理信号和预先构建的特征提取模型，得到所述电机振动原始信号对应的振动特征信号，具体包括：
将所述预处理信号和所述采样信号输入预先构建的特征提取模型，得到所述电机振动原始信号对应的振动特征信号。
如上所述的电机振动信号的特征提取方法，其中，优选的是，所述特征提取模型的构建方式包括：利用大量无监督的电机振动原始信号、采样信号和对应的振动特征信号进行训练。
如上所述的电机振动信号的特征提取方法，其中，优选的是，所述振动特征信号包括：时间戳、温度、振动时域特征指标和振动频域特征指标。
如上所述的电机振动信号的特征提取方法，其中，优选的是，所述特征提取模型输出的所述振动时域特征指标包括有效值、歪度、歪度指标、方差、裕度因子、波峰因子、峭度、峭度指标和脉冲因子，
所述特征提取模型输出的所述振动频域特征指标包括谱方差、谱均值和谱有效值。
如上所述的电机振动信号的特征提取方法，其中，优选的是，所述电机振动信号的特征提取方法还包括：
对所述特征提取模型输出的各振动特征信号分别经由各自的通道输出。
本发明还提供一种采用上述方法的电机振动信号的特征提取系统，包括：
数据获取模块，用于获取电机振动原始信号和采样信号；
数据预处理模块，用于对所述电机振动原始信号进行预处理操作，获得预处理信号，其中，所述预处理操作用于去除所述电机振动原始信号中的异常信号；
特征提取模块，用于将所述预处理信号和所述采样信号输入预先构建的特征提取模型，得到所述电机振动原始信号对应的振动特征信号。
本发明提供一种电机振动信号的特征提取方法及系统，对电机振动原始信号进行预处理操作，获得预处理信号，并基于预处理信号和预先构建的特征提取模型，得到对应的振动特征信号，利用特征提取模型可以对电机振动原始信号进行分析，自动直接获得振动特征信号，解决了现有技术中难以准确地提取振动特征的弊端，提高了提取振动特征的效率和准确性，有利于对振动原始信号进行全面分析，进而监测电机状态，并诊断电机故障。
附图说明
为使本发明的目的、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描述，其中：
图1为本发明提供的电机振动信号的特征提取方法的实施例的流程图；
图2为本发明提供的电机振动信号的特征提取系统的实施例的结构框图。
具体实施方式
现在将参照附图来详细描述本公开的各种示例性实施例。对示例性实施例的描述仅仅是说明性的，决不作为对本公开及其应用或使用的任何限制。本公开可以以许多不同的形式实现，不限于这里所述的实施例。提供这些实施例是为了使本公开透彻且完整，并且向本领域技术人员充分表达本公开的范围。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、材料的组分、数字表达式和数值应被解释为仅仅是示例性的，而不是作为限制。
本公开中使用的“第一”、“第二”：以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的部分。“包括”或者“包含”等类似的词语意指在该词前的要素涵盖在该词后列举的要素，并不排除也涵盖其他要素的可能。“上”、“下”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。
在本公开中，当描述到特定部件位于第一部件和第二部件之间时，在该特定部件与第一部件或第二部件之间可以存在居间部件，也可以不存在居间部件。当描述到特定部件连接其它部件时，该特定部件可以与所述其它部件直接连接而不具有居间部件，也可以不与所述其它部件直接连接而具有居间部件。
本公开使用的所有术语(包括技术术语或者科学术语)与本公开所属领域的普通技术人员理解的含义相同，除非另外特别定义。还应当理解，在诸如通用字典中定义的术语应当被解释为具有与它们在相关技术的上下文中的含义相一致的含义，而不应用理想化或极度形式化的意义来解释，除非这里明确地这样定义。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，技术、方法和设备应当被视为说明书的一部分。
由于机械设备存在多个振动源，当这些多个振动源混杂在一起被传感器转换成波形曲线时，呈现的是一种杂乱的形态。对振动信号的分析，根本途径就是通过各种方法进行特征提取。平稳运行中的旋转设备，无论有多少个振动源，其产生的振动信号都是与转速相关的强迫振动信号，也是周期性信号。有鉴于此，本发明基于电机振动原始信号来得到对应的振动特征信号。
如图1所示，本实施例提供的电机振动信号的特征提取方法在实际执行过程中，具体包括如下步骤：
步骤S1、至少接收电机振动原始信号。
在本发明的电机振动信号的特征提取方法的一种实施方式中，所述步骤S1具体可以包括：接收振动原始信号和采样信号。其中，所述振动原始信号包括振动加速度数据，所述采样信号包括采样频率、采样时长和采样温度。
步骤S2、对所述电机振动原始信号进行预处理操作，获得预处理信号，其中，所述预处理操作用于去除所述电机振动原始信号中的异常信号。
电机振动原始信号经过预处理操作后，便于对其进行后续处理，提高最终得到的振动特征信号的可靠性。在本发明的电机振动信号的特征提取方法的一种实施方式中，所述步骤S2具体可以包括：
步骤S21、剔除所述振动原始信号中的空值和异常值，以得到有效振动原始信号。
步骤S22、将所述有效振动原始信号进行数据对齐，以得到所述预处理信号。
步骤S3、基于所述预处理信号和预先构建的特征提取模型，得到所述电机振动原始信号对应的振动特征信号。
其中，所述特征提取模型的构建方式包括：利用大量无监督的电机振动原始信号、采样信号和对应的振动特征信号进行训练。在具体实现中，可以将所述预处理信号和所述采样信号输入预先构建的特征提取模型，得到所述电机振动原始信号对应的振动特征信号。
进一步地，所述振动特征信号包括：时间戳、温度、振动时域特征指标和振动频域特征指标。其中，振动时域特征指标通常用来反映设备状态，用于故障监测、趋势预报；振动频域特征指标通常用于诊断故障类型、原因与部位。具体而言，所述特征提取模型输出的所述振动时域特征指标包括有效值、歪度、歪度指标、方差、裕度因子、波峰因子、峭度、峭度指标和脉冲因子。所述特征提取模型输出的所述振动频域特征指标包括谱方差、谱均值和谱有效值。
进一步地，所述电机振动信号的特征提取方法还包括：
步骤S4、对所述特征提取模型输出的各振动特征信号分别经由各自的通道输出。
本发明实施例提供的电机振动信号的特征提取方法，对电机振动原始信号进行预处理操作，获得预处理信号，并基于预处理信号和预先构建的特征提取模型，得到对应的振动特征信号，利用特征提取模型可以对电机振动原始信号进行分析，自动直接获得振动特征信号，解决了现有技术中难以准确地提取振动特征的弊端，提高了提取振动特征的效率和准确性，有利于对振动原始信号进行全面分析，进而监测电机状态，并诊断电机故障。
相应地，如图2所示，本发明还提供一种电机振动信号的特征提取系统，包括：
数据获取模块1，用于获取电机振动原始信号和采样信号；
数据预处理模块2，用于对所述电机振动原始信号进行预处理操作，获得预处理信号，其中，所述预处理操作用于去除所述电机振动原始信号中的异常信号；
特征提取模块3，用于将所述预处理信号和所述采样信号输入预先构建的特征提取模型，得到所述电机振动原始信号对应的振动特征信号。
本发明实施例提供的电机振动信号的特征提取系统，利用数据预处理模块对电机振动原始信号进行预处理操作，获得预处理信号，并利用特征提取模块基于预处理信号和预先构建的特征提取模型，得到对应的振动特征信号，利用特征提取模型可以对电机振动原始信号进行分析，自动直接获得振动特征信号，解决了现有技术中难以准确地提取振动特征的弊端，提高了提取振动特征的效率和准确性，有利于对振动原始信号进行全面分析，进而监测电机状态，并诊断电机故障。
应理解以上图2所示的电机振动信号的特征提取系统的各个部件的划分仅仅是一种逻辑功能的划分，实际实现时可以全部或部分集成到一个物理实体上，也可以物理上分开。且这些部件可以全部以软件通过处理元件调用的形式实现；也可以全部以硬件的形式实现；还可以部分部件以软件通过处理元件调用的形式实现，部分部件通过硬件的形式实现。例如，某个上述模块可以为单独设立的处理元件，也可以集成在电子设备的某一个芯片中实现。其它部件的实现与之类似。此外这些部件全部或部分可以集成在一起，也可以独立实现。在实现过程中，上述方法的各步骤或以上各个部件可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。
至此，已经详细描述了本公开的各实施例。为了避免遮蔽本公开的构思，没有描述本领域所公知的一些细节。本领域技术人员根据上面的描述，完全可以明白如何实施这里公开的技术方案。
虽然已经通过示例对本公开的一些特定实施例进行了详细说明，但是本领域的技术人员应该理解，以上示例仅是为了进行说明，而不是为了限制本公开的范围。本领域的技术人员应该理解，可在不脱离本公开的范围和精神的情况下，对以上实施例进行修改或者对部分技术特征进行等同替换。本公开的范围由所附权利要求来限定。
Claims (10)
1.一种电机振动信号的特征提取方法，其特征在于，包括：
至少接收电机振动原始信号；
对所述电机振动原始信号进行预处理操作，获得预处理信号，其中，所述预处理操作用于去除所述电机振动原始信号中的异常信号；
基于所述预处理信号和预先构建的特征提取模型，得到所述电机振动原始信号对应的振动特征信号。
2.根据权利要求1所述的电机振动信号的特征提取方法，其特征在于，所述至少接收电机振动原始信号，具体包括：
接收振动原始信号和采样信号。
3.根据权利要求2所述的电机振动信号的特征提取方法，其特征在于，所述振动原始信号包括振动加速度数据，所述采样信号包括采样频率、采样时长和采样温度。
4.根据权利要求2所述的电机振动信号的特征提取方法，其特征在于，所述对所述电机振动原始信号进行预处理操作，获得预处理信号，具体包括：
剔除所述振动原始信号中的空值和异常值，以得到有效振动原始信号；
将所述有效振动原始信号进行数据对齐，以得到所述预处理信号。
5.根据权利要求2所述的电机振动信号的特征提取方法，其特征在于，所述基于所述预处理信号和预先构建的特征提取模型，得到所述电机振动原始信号对应的振动特征信号，具体包括：
将所述预处理信号和所述采样信号输入预先构建的特征提取模型，得到所述电机振动原始信号对应的振动特征信号。
6.根据权利要求5所述的电机振动信号的特征提取方法，其特征在于，所述特征提取模型的构建方式包括：利用大量无监督的电机振动原始信号、采样信号和对应的振动特征信号进行训练。
7.根据权利要求5所述的电机振动信号的特征提取方法，其特征在于，所述振动特征信号包括：时间戳、温度、振动时域特征指标和振动频域特征指标。
8.根据权利要求7所述的电机振动信号的特征提取方法，其特征在于，所述特征提取模型输出的所述振动时域特征指标包括有效值、歪度、歪度指标、方差、裕度因子、波峰因子、峭度、峭度指标和脉冲因子，
所述特征提取模型输出的所述振动频域特征指标包括谱方差、谱均值和谱有效值。
9.根据权利要求7所述的电机振动信号的特征提取方法，其特征在于，所述电机振动信号的特征提取方法还包括：
对所述特征提取模型输出的各振动特征信号分别经由各自的通道输出。
10.一种采用权利要求1-9中任一项所述方法的电机振动信号的特征提取系统，其特征在于，包括：
数据获取模块，用于获取电机振动原始信号和采样信号；
数据预处理模块，用于对所述电机振动原始信号进行预处理操作，获得预处理信号，其中，所述预处理操作用于去除所述电机振动原始信号中的异常信号；
特征提取模块，用于将所述预处理信号和所述采样信号输入预先构建的特征提取模型，得到所述电机振动原始信号对应的振动特征信号。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110315560.6A CN113075546A (zh) | 2021-03-24 | 2021-03-24 | 电机振动信号的特征提取方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110315560.6A CN113075546A (zh) | 2021-03-24 | 2021-03-24 | 电机振动信号的特征提取方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113075546A true CN113075546A (zh) | 2021-07-06 |
Family
ID=76610685
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110315560.6A Pending CN113075546A (zh) | 2021-03-24 | 2021-03-24 | 电机振动信号的特征提取方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113075546A (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104200065A (zh) * | 2014-08-11 | 2014-12-10 | 中国人民解放军空军工程大学 | 基于随机共振与核主元分析相结合的机械振动信号特征提取方法 |
| CN108062572A (zh) * | 2017-12-28 | 2018-05-22 | 华中科技大学 | 一种基于DdAE深度学习模型的水电机组故障诊断方法与系统 |
| CN108844735A (zh) * | 2018-06-22 | 2018-11-20 | 上海电力学院 | 基于卷积编码器和闵式距离的行星齿轮箱故障检测方法 |
| CN109946055A (zh) * | 2019-03-22 | 2019-06-28 | 武汉源海博创科技有限公司 | 一种汽车座椅滑轨异响检测方法及系统 |
| CN110231404A (zh) * | 2019-06-17 | 2019-09-13 | 江南大学 | 一种基于振动信号的倒装焊焊点缺失缺陷智能检测方法 |
| CN110647830A (zh) * | 2019-09-12 | 2020-01-03 | 华中科技大学 | 基于卷积神经网络和高斯混合模型的轴承故障诊断方法 |
| CN110954326A (zh) * | 2019-12-17 | 2020-04-03 | 北京化工大学 | 一种自动学习特征表达的滚动轴承在线故障诊断方法 |
| CN111089720A (zh) * | 2020-01-16 | 2020-05-01 | 山东科技大学 | 一种适用于变转速下齿轮故障诊断的正则化稀疏滤波方法 |
| CN111476212A (zh) * | 2020-05-18 | 2020-07-31 | 哈尔滨理工大学 | 一种基于长短时记忆法的电机故障检测系统 |
| CN111950442A (zh) * | 2020-08-10 | 2020-11-17 | 江苏聚力智能机械股份有限公司 | 一种使用dbn多域特征提取的立体车库电机故障诊断方法 |
| CN112036547A (zh) * | 2020-08-28 | 2020-12-04 | 江苏徐工信息技术股份有限公司 | 自动特征提取结合lstm的滚动轴承剩余寿命预测方法 |
-
2021
- 2021-03-24 CN CN202110315560.6A patent/CN113075546A/zh active Pending
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104200065A (zh) * | 2014-08-11 | 2014-12-10 | 中国人民解放军空军工程大学 | 基于随机共振与核主元分析相结合的机械振动信号特征提取方法 |
| CN108062572A (zh) * | 2017-12-28 | 2018-05-22 | 华中科技大学 | 一种基于DdAE深度学习模型的水电机组故障诊断方法与系统 |
| CN108844735A (zh) * | 2018-06-22 | 2018-11-20 | 上海电力学院 | 基于卷积编码器和闵式距离的行星齿轮箱故障检测方法 |
| CN109946055A (zh) * | 2019-03-22 | 2019-06-28 | 武汉源海博创科技有限公司 | 一种汽车座椅滑轨异响检测方法及系统 |
| CN110231404A (zh) * | 2019-06-17 | 2019-09-13 | 江南大学 | 一种基于振动信号的倒装焊焊点缺失缺陷智能检测方法 |
| CN110647830A (zh) * | 2019-09-12 | 2020-01-03 | 华中科技大学 | 基于卷积神经网络和高斯混合模型的轴承故障诊断方法 |
| CN110954326A (zh) * | 2019-12-17 | 2020-04-03 | 北京化工大学 | 一种自动学习特征表达的滚动轴承在线故障诊断方法 |
| CN111089720A (zh) * | 2020-01-16 | 2020-05-01 | 山东科技大学 | 一种适用于变转速下齿轮故障诊断的正则化稀疏滤波方法 |
| CN111476212A (zh) * | 2020-05-18 | 2020-07-31 | 哈尔滨理工大学 | 一种基于长短时记忆法的电机故障检测系统 |
| CN111950442A (zh) * | 2020-08-10 | 2020-11-17 | 江苏聚力智能机械股份有限公司 | 一种使用dbn多域特征提取的立体车库电机故障诊断方法 |
| CN112036547A (zh) * | 2020-08-28 | 2020-12-04 | 江苏徐工信息技术股份有限公司 | 自动特征提取结合lstm的滚动轴承剩余寿命预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Bengtsson | Condition based maintenance system technology–Where is development heading | |
| Amanuel et al. | Comparative analysis of signal processing techniques for fault detection in three phase induction motor | |
| CN115280123A (zh) | 一种故障诊断方法及其装置 | |
| CN108985279A (zh) | 多功能车辆总线mvb波形的故障诊断方法及装置 | |
| CN103558955B (zh) | 基于多对象多状态显示器的多对象状态监测方法及系统 | |
| CN112098128A (zh) | 基于噪声和振动的动力机械设备故障和能耗分析方法 | |
| CN113359682A (zh) | 设备故障预测方法、装置、设备故障预测平台及介质 | |
| WO2019043994A1 (ja) | 故障診断システム | |
| CN115437358A (zh) | 工业机器人智能状态监测与故障诊断系统及故障诊断方法 | |
| CN107450510A (zh) | 一种利用诊断信号快速定位can信号的信号解析方法 | |
| 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 | |
| CN116008701B (zh) | 用于智能高压开关柜的电动机构运行诊断系统及方法 | |
| CN117972600A (zh) | 一种基于多维故障特征学习的风电机组关键部件异常探测方法 | |
| CN113075546A (zh) | 电机振动信号的特征提取方法及系统 | |
| EP4002021A1 (en) | System for monitoring a circuit breaker | |
| CN113075547A (zh) | 电机数据的采集方法及系统 | |
| CN117786461A (zh) | 水泵的故障诊断方法、控制设备及其存储介质 | |
| CN113009341B (zh) | 电机异常状态的监测方法及系统 | |
| CN116642696A (zh) | 铁路轴承健康监测方法、装置、系统、终端及存储介质 | |
| Kruglova et al. | Intelligent Sensorless Fault Diagnosis of Mechatronics Module | |
| CN109592525A (zh) | 电梯变频器故障诊断系统及方法 | |
| CN113009341A (zh) | 电机异常状态的监测方法及系统 | |
| CN113033673A (zh) | 电机工况异常检测模型的训练方法及系统 | |
| CA2793952A1 (en) | Extracting data related to clinical diagnostic instruments | |
| CN113030725A (zh) | 电机工况的匹配方法及系统 |
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 |