AT525922A3 - Identifizierungsverfahren für Fehlerrisikomodus der Motorwelle basierend auf der Fusion des Intervallnachweises des normalen Cloud-Modells - Google Patents

Identifizierungsverfahren für Fehlerrisikomodus der Motorwelle basierend auf der Fusion des Intervallnachweises des normalen Cloud-Modells Download PDF

Info

Publication number
AT525922A3
AT525922A3 ATA8013/2022A AT80132022A AT525922A3 AT 525922 A3 AT525922 A3 AT 525922A3 AT 80132022 A AT80132022 A AT 80132022A AT 525922 A3 AT525922 A3 AT 525922A3
Authority
AT
Austria
Prior art keywords
cloud model
fault
fusion
interval
motor shaft
Prior art date
Application number
ATA8013/2022A
Other languages
English (en)
Other versions
AT525922A2 (de
Original Assignee
Univ Hangzhou Dianzi
M U T Maschinen Umwelttechnik Transp Gmbh
Inner Monglia Vocational and Technical School
Technische Univ Wien E302
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
Priority claimed from ATA50117/2022A external-priority patent/AT525949B1/de
Priority claimed from CN202210172214.1A external-priority patent/CN114528664B/zh
Application filed by Univ Hangzhou Dianzi, M U T Maschinen Umwelttechnik Transp Gmbh, Inner Monglia Vocational and Technical School, Technische Univ Wien E302 filed Critical Univ Hangzhou Dianzi
Publication of AT525922A2 publication Critical patent/AT525922A2/de
Publication of AT525922A3 publication Critical patent/AT525922A3/de

Links

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
    • G01M13/00—Testing of machine parts
    • G01M13/02—Gearings; Transmission mechanisms
    • G01M13/028—Acoustic or vibration analysis
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/251—Fusion techniques of input or preprocessed data
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/17—Mechanical parametric or variational design
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • G01M13/02—Gearings; Transmission mechanisms
    • G01M13/025—Test-benches with rotational drive means and loading means; Load or drive simulation
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/257—Belief theory, e.g. Dempster-Shafer
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Hardware Design (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Acoustics & Sound (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
  • Control Of Electric Motors In General (AREA)

Abstract

Die Erfindung betrifft ein Identifizierungsverfahren für den Fehlerrisikomodus der Motorwelle basierend auf der Fusion des Intervallnachweises des normalen Cloud-Modells. Basierend auf der Analyse typischer Fehlerdaten werden Cloud-Modelle verschiedener Fehlerschablonenmodi unter verschiedenen Fehlermerkmalen konstruiert. Gemäß den Daten der Online-Überwachung verschiedener Fehlermerkmale der Motorwelle wird das Testmodus-Cloud-Modell konstruiert. Das Testmodus-Cloud-Modell wird mit verschiedenen Fehlerschablonenmodus-Cloud-Modellen verglichen, wodurch die Übereinstimmungsgradintervalle des Testmodus mit verschiedenen Fehlerschablonenmodi erhalten werden. Der erhaltene Übereinstimmungsgradintervall wird normalisiert, um einen Intervallnachweis für die Fusion zu erhalten. Der Intervallnachweis wird nach den Nachweisschlussfolgerungsregeln fusioniert und der Fehlerrisikomodus wird gemäß bestimmten Identifizierungskriterien beurteilt. Die vorliegende Erfindung nutzt die Vorteile des normalen Cloud-Modells zum Beschreiben der Unschärfe und Zufälligkeit objektiver Objekte und erhält genauere Intervallnachweise durch Konstruieren des Testmodus-Cloud-Modells und des Fehlerschablonenmodus-Cloud-Modells, so dass das Ergebnis der Fehlerrisikoidentifikation basierend auf der Fusion des Intervallnachweises mehr der tatsächlichen Situation entspricht.
ATA8013/2022A 2022-02-22 2022-07-20 Identifizierungsverfahren für Fehlerrisikomodus der Motorwelle basierend auf der Fusion des Intervallnachweises des normalen Cloud-Modells AT525922A3 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
ATA50117/2022A AT525949B1 (de) 2022-02-22 2022-02-22 Verfahren zum Bestimmen einer Konzentration eines Gases in einem Gaspfad einer Brennkraftmaschine
CN202210172214.1A CN114528664B (zh) 2022-02-24 2022-02-24 基于正态云模型区间证据融合的电机轴系故障风险模式辨识方法

Publications (2)

Publication Number Publication Date
AT525922A2 AT525922A2 (de) 2023-09-15
AT525922A3 true AT525922A3 (de) 2024-07-15

Family

ID=87973365

Family Applications (1)

Application Number Title Priority Date Filing Date
ATA8013/2022A AT525922A3 (de) 2022-02-22 2022-07-20 Identifizierungsverfahren für Fehlerrisikomodus der Motorwelle basierend auf der Fusion des Intervallnachweises des normalen Cloud-Modells

Country Status (1)

Country Link
AT (1) AT525922A3 (de)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102033984A (zh) * 2010-11-12 2011-04-27 清华大学 一种基于区间型证据融合的旋转机械设备故障诊断方法
CN110057581A (zh) * 2019-04-29 2019-07-26 杭州电子科技大学 基于区间型信度规则推理的旋转机械故障诊断方法
CN111506994A (zh) * 2020-04-14 2020-08-07 西北工业大学 一种基于中智集的电机转子故障诊断方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102033984A (zh) * 2010-11-12 2011-04-27 清华大学 一种基于区间型证据融合的旋转机械设备故障诊断方法
CN110057581A (zh) * 2019-04-29 2019-07-26 杭州电子科技大学 基于区间型信度规则推理的旋转机械故障诊断方法
CN111506994A (zh) * 2020-04-14 2020-08-07 西北工业大学 一种基于中智集的电机转子故障诊断方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
LI X. et al. "A failure mode and risk assessment method based on cloud model" Journal of Intelligent Manufacturing [online]. 10. Dezember 2019 (10.12.2019). Bd. 31, Nr. 6, Seiten 1339–1352. XP037179237. <DOI: 10.1007/s10845-019-01513-9>. Ermittelt von <URL: https://www.researchgate.net/publication/337871915> *
MI J. et al. "Multi-Source Uncertain Information Fusion Method for Fault Diagnosis Based on Evidence Theory" In: 2019 Prognostics and System Health Management Conference (PHM-Qingdao) [online]. Qingdao, China: IEEE. 27. Dezember 2019 (27.12.2019). Seiten 1–6. ISBN 978-1-72810-861-2. XP033680006. <DOI: 10.1109/PHM-Qingdao46334.2019.8942946>. Ermittelt von <URL: https://ieeexplore.ieee.org/document/8942946/> *

Also Published As

Publication number Publication date
AT525922A2 (de) 2023-09-15

Similar Documents

Publication Publication Date Title
CN109858104B (zh) 一种滚动轴承健康评估与故障诊断方法及监测系统
CN110940539A (zh) 一种基于人工经验及声音识别的机器设备故障诊断方法
CN109324604A (zh) 一种基于多源信号的智能列车综合故障分析方法
CN113408068A (zh) 一种随机森林分类的机泵故障诊断方法及装置
CN116777395A (zh) 一种建筑工程用智能建筑监理验收系统
CN111439681B (zh) 一种基于塔式起重机的不安全作业智能辨识方法及系统
EP3513066A1 (de) Verfahren und vorrichtung zum überwachen eines zustands wenigstens einer windkraftanlage und computerprogrammprodukt
CN118067727B (zh) 一种转子焊接缺陷评定方法
CN114924543B (zh) 一种调节阀的故障诊断与预测方法及装置
CN110268350A (zh) 劣化诊断系统追加学习方法
CN112929613A (zh) 一种基于图像识别进行设备运维的巡检方法及系统
AT525922A3 (de) Identifizierungsverfahren für Fehlerrisikomodus der Motorwelle basierend auf der Fusion des Intervallnachweises des normalen Cloud-Modells
CN108398271A (zh) 一种基于振动和神经网络技术的发动机状态监测方法
CN111426459A (zh) 基于叶尖定时和朴素贝叶斯算法的叶片裂纹在线测量方法
CN115203905A (zh) 一种融合专家经验及智能算法的设备健康评估方法
CN109948890A (zh) 一种车间机台操作人员的行为评价方法及系统
RU2719507C1 (ru) Способ оценки технического состояния потребителя-регулятора на основе нейросетевого диагностирования
CN111456915A (zh) 风机机舱内部部件的故障诊断装置及方法
CN120761384A (zh) 一种显示工艺缺陷自动检测方法
WO2021209209A1 (de) Hybrides trainingsverfahren für selbstlernende algorithmen
CN110057588B (zh) 基于奇异值与图论特征融合的轴承早期故障检测与诊断方法及系统
CN119106804A (zh) 一种基于铝合金生产的生产质量监测系统
CN114572361B (zh) 船舶智能机舱运维系统验证平台
CN115587978A (zh) 一种基于深度学习的地板革贴合压纹在线检测系统
CN114528664B (zh) 基于正态云模型区间证据融合的电机轴系故障风险模式辨识方法