-
公开(公告)号：CN110530507B
公开(公告)日：2021-10-15
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：CN109784127A
公开(公告)日：2019-05-21
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
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：CN110163190B
公开(公告)日：2022-05-06
申请号：CN201910522045.8
申请日：2019-06-17
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： G06K9/00 , G01M13/045
摘要： 本发明提供一种滚动轴承故障诊断方法及装置，属于故障诊断技术领域。该方法包括：利用加速度传感器获取待测滚动轴承的振动加速度信号的时域数据序列；利用所述时域数据序列计算峰值指标、峭度指标和波形指标；若其中某个指标的值大于该指标的正常值，则对所述时域数据序列作高通滤波处理和分段处理，得到新的时域数据序列；对所述新的时域数据序列重采样，利用重采样后的时域数据序列计算得到频谱；若频谱中的幅值最大值大于故障报警值，则判断待测滚动轴承故障。本发明依据有故障发生时待测滚动轴承频谱的故障特征频率处的幅值必定包含在频谱的前几个幅值最大值中，实现待测滚动轴承的故障诊断，诊断结果能客观反映待测滚动轴承的真实故障情况。
-
公开(公告)号：CN107701468B
公开(公告)日：2019-07-05
申请号：CN201710892944.8
申请日：2017-09-27
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： F04D15/00
摘要： 本发明涉及一种混流泵在线综合监测方法及装置，该方法包括：采集混流泵机组实时运行状态数据以及历史运行状态数据，制定不同类型的评价指标；根据历史运行状态数据，构建反映不同类评价指标对应的故障状态的状态识别模型；将实时运行状态数据组中代表各评价指标的实时运行状态数据输入到对应的状态识别模型，计算出相应的差别系数或残差；判断差别系数或残差是否高于设定的安全预警线，若高于安全预警线，则判定混流泵机组相应的评价指标处于故障状态，进行状态预警。本发明根据混流泵历史运行状态数据构建状态识别模型，将混流泵实时运行状态数据输入到该状态识别模型，以判断混流泵的安全状态，预测混流泵设备的潜在故障。
-
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：CN110163190A
公开(公告)日：2019-08-23
申请号：CN201910522045.8
申请日：2019-06-17
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： G06K9/00 , G01M13/045
摘要： 本发明提供一种滚动轴承故障诊断方法及装置，属于故障诊断技术领域。该方法包括：利用加速度传感器获取待测滚动轴承的振动加速度信号的时域数据序列；利用所述时域数据序列计算峰值指标、峭度指标和波形指标；若其中某个指标的值大于该指标的正常值，则对所述时域数据序列作高通滤波处理和分段处理，得到新的时域数据序列；对所述新的时域数据序列重采样，利用重采样后的时域数据序列计算得到频谱；若频谱中的幅值最大值大于故障报警值，则判断待测滚动轴承故障。本发明依据有故障发生时待测滚动轴承频谱的故障特征频率处的幅值必定包含在频谱的前几个幅值最大值中，实现待测滚动轴承的故障诊断，诊断结果能客观反映待测滚动轴承的真实故障情况。
-
公开(公告)号：CN107704712A
公开(公告)日：2018-02-16
申请号：CN201711047493.4
申请日：2017-10-31
申请人： 郑州恩普特科技股份有限公司 , 韩捷
CPC分类号： G06F17/5009 , G06F17/30424 , G06F17/30595 , G06K9/6288 , G06N5/022
摘要： 本发明涉及基于全矢谱特征提取的机械故障诊断方法和系统，首先，采集机组的振动类参量、工艺类参量和电气类参量；然后，将上述三类参量进行故障特征提取，分别得到振动特征量、工艺特征量和电气特征量；最后，将振动特征量、工艺特征量和电气特征量与振动特征量知识库、工艺特征量知识库和电气特征量知识库进行相应比对，根据比对结果进行故障诊断。在数据采集和提取过程中，除了获取振动类参量之外，还获取工艺类参量和电气类参量，结合这三种参量进行机械故障诊断。因此，该诊断方法更加全面，根据多方位的数据信息诊断机械的运行状态，大幅度提升诊断可靠性和准确性，避免传统机械智能诊断时特征量过于单一以致造成漏判或误判的弊端。
-
-
-
-
-
-
-
-
-
搜索结果
39 条记录 (耗时 0.039 秒)