-
公开(公告)号：CN118310748A
公开(公告)日：2024-07-09
申请号：CN202410435974.6
申请日：2024-04-11
申请人： 郑州恩普特科技股份有限公司
IPC分类号： G01M13/045 , G06F18/10 , G06F18/213 , G06F18/2433
摘要： 本发明属于轴承故障诊断技术领域，具体涉及一种滚动轴承欠润滑诊断方法、系统和存储介质。该方法首先采用最小熵反卷积法对旋转机械中滚动轴承运转时采集的原始振动信号进行滤波；然后分别计算滤波后的信号和原始振动信号的频谱质心，若两个频谱质心之间差异大于或等于设定差异阈值则判定滚动轴承出现欠润滑故障，提高了滚动轴承欠润滑故障诊断精度，解决滚动轴承欠润滑诊断效果较差的技术问题。
-
公开(公告)号：CN114252250B
公开(公告)日：2023-08-01
申请号：CN202111501141.8
申请日：2021-12-09
申请人： 郑州恩普特科技股份有限公司
摘要： 本发明涉及一种基于部件分解的机械故障诊断方法。方法包括：实时采集机械机组每个测点的振动数据；当机械机组的某个测点或者多个测点报警时，在机组模板上找出对应的报警测点；根据报警测点、以及各测点与被诊断对象之间的位置关系，确定所有被诊断对象；根据每个被诊断对象选出对应的诊断对象模板；依据每个诊断对象模板中与诊断对象关联的所有测点标识、以及第一对应关系，确定机组模板中与报警测点关联的其他测点；根据不同的诊断对象，结合各自的报警测点和与报警测点关联的其他测点的振动数据进行故障定位。本发明利用诊断对象模板进行故障的诊断提高了诊断效率，且通过与诊断对象关联的所有测点标识，提高了故障定位的准确性。
-
公开(公告)号：CN111426498B
公开(公告)日：2022-10-04
申请号：CN202010327817.5
申请日：2020-04-23
申请人： 郑州大学 , 郑州恩普特科技股份有限公司
摘要： 本发明属于设备状态监测与故障诊断技术领域，具体涉及一种监测设备运行状态的边缘处理方法。本发明首先每隔设定时间间隔，对动态信号进行一次采样，获取其动态波形，并提取所述动态波形的特征数据；然后在一个上送周期内，将特征数据与设定报警值进行比较：若所有特征数据均小于等于对应的设定报警值，将该上送周期内的所有特征数据和对应的采样时刻上送；否则，除特征数据和对应的采样时刻外，还上送周期内首次出现特征数据大于设定报警值的时刻对应的各动态信号的动态波形。本发明减轻了数据传输的压力，提高系统的监测扫描周期和实时性。且在发生报警时，同步采集各个信号的原始数据，用于交叉评价分析，提高故障分析诊断的可靠性。
-
公开(公告)号：CN115048960A
公开(公告)日：2022-09-13
申请号：CN202210666304.6
申请日：2022-06-13
申请人： 郑州恩普特科技股份有限公司
IPC分类号： G06K9/00 , G06K9/62 , G06N3/08 , G01M13/045
摘要： 本发明属于机械系统振动状态监测技术领域，具体涉及一种设备状态检测方法，本发明通过采集多工况的正常数据并通过正常数据的学习，通过构建仅使用正常的多工况振动数据训练样本进行对深度学习模型的学习、训练，以实现异常状态的实时在线识别。具体地，通过深度学习网络提取数据的本质特征，然后依据建立的异常监测阈值来实现对各类异常数据的判别。并且本发明方法充分利用了时域、频域、自相关信息，通过深度自编码器进行特征提取可以捕捉到多工况正常样本的本质特征，有效提升在多工况下的振动状态异常检测能力。由此，本发明解决了现有技术中异常检测准确度低的问题。
-
公开(公告)号：CN114112366A
公开(公告)日：2022-03-01
申请号：CN202111466164.X
申请日：2021-12-03
申请人： 郑州恩普特科技股份有限公司
摘要： 本发明提供了一种泵机运行状态监测方法，属于泵机设备监测技术领域。在不同工况下，针对振动通频值和反映离心泵常见故障形式的振动特征指标报警，实现分工况报警。在对泵机运行状态进行实时监测时，获取待测泵机的当前振动信号，从当前振动信号中计算出振动通频值和反映各种故障发生的振动征兆指标，振动通频值或振动征兆指标中若有超过对应报警值的情况，则提示通频报警或指标报警，认为待测泵机存在故障。采用本发明，可以在待测泵机处于不同工况时，采用与工况对应的故障报警标准对其运行状态进行判断，并通过阈值自学习的方法，完成对不同工况下故障报警标准的设定，提高对泵机运行状态监测的准确性，减少漏报、误报的发生。
-
公开(公告)号：CN113884300A
公开(公告)日：2022-01-04
申请号：CN202111123632.3
申请日：2021-09-24
申请人： 郑州恩普特科技股份有限公司 , 韩捷
IPC分类号： G01M13/045 , G06K9/62 , G06N3/04 , G06N3/08
摘要： 本发明涉及一种深度对抗迁移学习的滚动轴承故障诊断方法，属于机械系统智能诊断领域。本发明采用深度对抗迁移学习的网络模型对滚动轴承故障进行诊断，该模型包括特征提取层、故障分类层、全局域对抗层和局部域对抗层。模型采用分类损失、全局域对抗损失和局部故障类对抗损失之和作为损失函数进行训练，确保在训练过程中通过带故障标签的源域数据实现目标域故障的准确分类。本发明能够在有效构建故障分类器的同时，通过域对抗和类别对抗学习保证其源域故障和目标域故障的共有特征属性处于同一分布上，进而减少源域与目标域的特征分布差异，提高了对滚动轴承的故障分类的准确率。
-
公开(公告)号：CN110530507A
公开(公告)日：2019-12-03
申请号：CN201910810604.5
申请日：2019-08-29
申请人： 郑州大学 , 郑州恩普特科技股份有限公司 , 韩捷
IPC分类号： G01H17/00
摘要： 本发明涉及一种用于旋转设备监测的边缘计算方法、介质及系统，属于设备故障监测领域。方法包括以下步骤：1)利用边缘计算单元对采集的旋转设备的振动信号进行预处理；预处理过程包括：A、根据振动信号，计算振动信号的通频值；B、将振动信号进行频域转换，将转换后的频域振动信号划分为若干个窄带信号；C、将各窄带信号分别进行傅里叶反变换，得到各窄带的时域信号，并求得各窄带信号对应的振动幅值；D、判断通频值和各窄带的振动幅值是否超标，并根据判断结果生成设备状态信息；2)将特征数据传输至云服务器。本发明将采集的旋转设备的振动波形数据转换为特征数据传输至云服务器，减少了网络传输的成本，同时兼顾了传输信息的完整性。
-
公开(公告)号：CN110493744A
公开(公告)日：2019-11-22
申请号：CN201910769376.1
申请日：2019-08-20
申请人： 郑州大学 , 郑州恩普特科技股份有限公司 , 韩捷
摘要： 本发明涉及一种主从式无线传感器的数据同步采集方法与系统，属于设备故障状态监测领域，其中主传感器负责发送同步信号，从传感器的副处理器负责与主传感器和副传感器的主处理器进行通信，通过各从传感器的副处理器的物理层接收到同步信号时，物理层解析出同步信号的帧头，并根据该帧头向主处理器发送中断信号，各主处理器根据接收的中断信号开始同步采集。相对于现有技术，由主传感器发送至从传感器的同步信号，不必由物理层传输到应用层，而是直接在物理层进行处理后发出中断信号，使各主处理器开始同步采集，随机累计误差非常小，能够保证各主处理器开始采集数据的时刻同步，提高同步精度。
-
公开(公告)号：CN109784127B
公开(公告)日：2023-08-01
申请号：CN201711107379.6
申请日：2017-11-10
申请人： 郑州大学 , 郑州恩普特科技股份有限公司 , 韩捷
IPC分类号： G06F18/25 , G06F18/10 , G06F18/214 , G06F18/23
摘要： 本发明涉及一种设备健康状态预警方法及其系统，具体公开了一种基于高维(Hyper Dimension,HD)‑支持向量回归机(Support Vector Regression,SVR)技术的大数据设备预警方法。根据设备运行历史健康数据建立设备的健康集，采集设备当前状态的运行数据作为观测向量，并由健康集得到的对应状态的预测向量，通过残差向量即观测向量与预测向量之差来判定当前设备运行状态健康程度，以实现实时的高维数据监测、异常工况预警。同时利用支持向量回归机对设备进行故障预测。
-
公开(公告)号：CN115292325A
公开(公告)日：2022-11-04
申请号：CN202210962374.6
申请日：2022-08-11
申请人： 郑州恩普特科技股份有限公司
IPC分类号： G06F16/22 , G06F16/27 , G06F16/28 , G06F16/2458 , G06F16/172 , G06F16/182 , G06F11/14
摘要： 本发明涉及一种设备状态监测的时序数据处理系统，属于设备状态监测技术领域。本发明利用分而治之的设计思想，从源头对数据进行分流，结合时序数据的特点及存取要求，把处理过程逻辑上划分为访问控制单元和存取单元，并将访问控制单元和存取单元进行集群化部署，通过分流来保证时序数据处理的时效性；此外还通过对数据项进行分组，结合时间维度进行物理分区，解决了随着数据量增大带来的查询慢等性能下降问题，改善数据读取性能和可用性，有效抑制了数据膨胀问题，保证了设备状态监测数据的及时性和稳定性，为设备状态监测提供了稳定、高效、便捷的数据管理功能。
-
-
-
-
-
-
-
-
-
搜索结果
41 条记录 (耗时 0.072 秒)
