CN104793605B - 一种利用正态分布判定设备故障的方法 - Google Patents
一种利用正态分布判定设备故障的方法 Download PDFInfo
- Publication number
- CN104793605B CN104793605B CN201510167393.XA CN201510167393A CN104793605B CN 104793605 B CN104793605 B CN 104793605B CN 201510167393 A CN201510167393 A CN 201510167393A CN 104793605 B CN104793605 B CN 104793605B
- Authority
- CN
- China
- Prior art keywords
- equipment
- data
- normal distribution
- run
- interval
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
- G05B23/0254—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, Neural Networks
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及设备故障检测领域,尤其涉及一种利用正态分布判定设备故障的方法,包括:在设备正常运行时,于设定的第一时间间隔内采集多个设备运行第一数据,并建立多个设备运行第一数据随时间变化的曲线;计算在设定的第一时间间隔内同一个设备运行第一数据的第一展现次数,并建立正态分布关系曲线,得到95%可信区间;在该设备需要检测时,计算该设备在设定的时间间隔内同一个设备运行第二数据的第二展现次数,标注在正态分布关系曲线中,并判断其在95%可信区间内的分布概率,若该分布概率在预定的异常范围内,则判定该设备出现故障,并发出预警。本发明提供了一种运行简单、无需新增仪器,即可实现连续监测、及时预警的判定设备故障的方法。
Description
技术领域
本发明涉及设备故障检测领域,尤其涉及一种利用正态分布判定设备故障的方法。
背景技术
企业各设备在日常工作中,由于外部负荷、内部应力、磨损、腐蚀和自然侵蚀等因素的影响,使其整体或部分结构发生改变,性能下降,甚至报废,这是所有设备都避免不了的客观规律。为了使设备保持正常性能,延长其使用周期,必须对设备进行检修和日常维护保养工作。设备维护体制有五种形式:1)事后修理,在设备发生故障后再进行修理,设备停歇时间较长、可能打乱生产计划;2)预防维护,加强日常检查和定期检查,会使维护工作量增多、过分保养;3)生产维护,重点设备预防维修、一般设备事后维修;4)维护预防,在设备设计、制造阶段提高设备可靠性、易修性,对设备后期运行中的故障检测作用不大;5)设备综合管理,主要有基于状态维护和智能维护,成本高,在工程应用中不完善。目前,多数企业、厂家对设备的检修都是定期进行的,基本采用预防维护或生产维护方式,无法及时发现设备异常。
发明内容
针对上述技术问题,本发明设计开发了一种利用正态分布判定设备故障的方法,目的在于提供一种运行简单、无需新增仪器,即可实现连续监测、及时预警的判定设备故障的方法,从而实现在设备的维护工作中,及时发现设备故障,提高设备维护工作效率。
本发明提供的技术方案为:一种利用正态分布判定设备故障的方法,
包括以下步骤:步骤一、在设备正常运行时,于设定的第一时间间隔内采集多个设备运行第一数据,并建立多个设备运行第一数据随时间变化的曲线;
步骤二、计算在所述设定的第一时间间隔内同一个设备运行第一数据的第一展现次数,并建立多个设备运行第一数据与其第一展现次数的正态分布关系曲线,得到该正态分布关系曲线的95%可信区间;
步骤三、在该设备需要检测时,计算该设备在设定的时间间隔内同一个设备运行第二数据的第二展现次数,标注在步骤二中所述的正态分布关系曲线中,并判断多个设备运行第二数据在步骤二中所述的95%可信区间内的分布概率,若该分布概率在预定的异常范围内,则判定该设备出现故障,并发出预警。
利用设备运行时的数据符合正态分布的特点进行设备故障的判断,能够方便地长期监控设备的准确性,给出辅助判定依据,及时发现设备故障,实现连续监测,及时预警。
优选的是,所述的利用正态分布判定设备故障的方法中,还包括:步
骤四、以设定的第二时间间隔为单位,计算该设备在所述设定的第一时间间隔和第二时间间隔之和内同一个设备运行第三数据的第三展现次数,并建立多个设备运行第三数据与其第三展现次数的正态分布关系曲线,更新正态分布关系曲线,并得到新的95%可信区间,以新的95%可信区间为标准进行分布概率的判断,从而及时更新判断标准,提高判断的准确性。
优选的是,所述的利用正态分布判定设备故障的方法中,还包括:步
骤五、每间隔设定的第二时间间隔,重新计算该设备在开始检测至该第二时间时间间隔结束的时间段内的同一个设备运行第n数据的第n展现次数,更新正态分布关系曲线,并得到最新的95%可信区间,以最新的95%可信区间为标准进行分布概率的判断,其中,n为大于3的正整数。一些设备部件、结构的缓慢变化,在短期或实时预警中无法及时发现,可以通过设备性能长期监控进行补充,对设备故障进行预警。
优选的是,所述的利用正态分布判定设备故障的方法中,所述步骤二中根据正态分布关系曲线计算得到其概率密度函数,进而得到该正态分布关系曲线的95%可信区间,利用统计学的概率分布进行设备故障的判断,方法简单,可信度高。
优选的是,所述的利用正态分布判定设备故障的方法中,所述预定的异常范围为0~60%,缩小了设备异常监测范围,使异常点的监测更准确。优
选的是,所述的利用正态分布判定设备故障的方法中,所述步骤一中还包括:将采集到的多个设备运行第一数据进行滤波,去除异常点,并标记,以免对效果量的分析产生干扰,避免故障漏检情况的发生。
优选的是,所述的利用正态分布判定设备故障的方法中,所述步骤一中的多个设备运行第一数据为不小于1000个,提高故障判断的准确度。
优选的是,所述的利用正态分布判定设备故障的方法中,所述设备为仪器仪表或电机,对仪器仪表的监测反应其运行状态,对电机的监测反应电机运行的状况。
优选的是,所述的利用正态分布判定设备故障的方法中,所述设备运行第一数据为仪器仪表的监测数据或电机的运行电流。该方法具有一定的通用性,不仅可以应用于环保行业,在其他各行业的设备运行状况的检测、预警中均可应用。
本发明所述的利用正态分布判定设备故障的方法中,针对仪器仪表类和电机类两大类设备,通过设备正常运行时,分析设备所监测数据(仪器仪表类)或通过检测设备运行电流(电机类)的数据变化情况,建立正态分布关系曲线,并将该正态分布关系曲线作为判断标准进行数据分布规律分析,快速发现设备异常变化并对故障点进行预判,保障设备及时检修,提高设备使用寿命。此外,本发明还可以进一步扩展,对设备长期运行性能进行监控,甚至可以监控厂区各工艺单元运行性能。
附图说明
图1是设备正常运行时的正态分布关系曲线;
图2是设备出现故障时的正态分布关系曲线;
图3是实施例1中多个设备运行第一数据随时间变化的曲线;
图4是实施例1中多个设备运行第一数据与其第一展现次数的正态分布关系曲线。
具体实施方式
下面结合附图对本发明做进一步的详细说明,以令本领域技术人员参照说明书文字能够据以实施。
如图1-2所示,本发明提供一种利用正态分布判定设备故障的方法,包括以下步骤:
步骤一、在设备正常运行时,通过软件技术,从工艺过程中于设定的第一时间间隔内采集多个设备运行第一数据,并存入数据库,数据的小数位精确到十分位,并且监测的数据量(也称为监测数据次数)超过一定数值,通常要达到1000以上,即超过1000个设备运行第一数据。
将采集到的多个设备运行第一数据进行滤波,去除异常点,并标记,并建立多个设备运行第一数据随时间变化的曲线。滤波是抑制和防止干扰的一项重要措施,监测数据中一些异常数据需要先通过滤波的方法进行去除,以免对效果量的分析产生干扰。本发明采用机械滤波的方法,去除数据中的异常点,如COD值出现负值,这显然不合实际,为异常点,应去除。对于异常点,在滤波去除的同时,也应作出标记,给出提示,避免故障漏检情况。
步骤二、计算在所述设定的第一时间间隔内同一个设备运行第一数据的第一展现次数,并建立多个设备运行第一数据与其第一展现次数的正态分布关系曲线,该正态分布关系曲线的纵轴为设备运行第一数据,即仪器仪表监测数据或电机运行电流,横轴为对应的第一展现次数,得到该正态分布关系曲线的95%可信区间。
正态分布是一个在数学、物理及工程等领域都非常重要的概率分布,在统计学的许多方面有着重大的影响力。
在正态分布中,若随机变量X服从一个位置参数为μ,尺度参数为σ的概率分布,记为:
X~N(μ,σ2)
则其概率密度函数为:
正态分布的数学期望值或期望值等于位置参数,决定了分布的位置;其方差的开平方或标准差等于尺度参数,决定了分布的幅度。正态分布的概率密度函数曲线呈钟形,因此人们又经常称之为钟形曲线。正常运行条件下,由前面建立的曲线应符合正态分布曲线特点,95%数据量分布在(μ-1.96σ,μ+1.96σ)之间。
步骤三、在该设备需要检测时,计算该设备在设定的时间间隔内同一个设备运行第二数据的第二展现次数,标注在步骤二中所述的正态分布关系曲线中,并判断多个设备运行第二数据在步骤二中所述的95%可信区间内的分布概率,若该分布概率在预定的异常范围0~60%内,则判定该设备出现故障,并发出预警。
在(t1,t2)时间段内的仪器仪表监测数据或电机运行电流数据90%以上分布在(μ-1.96σ,μ+1.96σ)内,如图1所示,则设备运行正常。若仪器仪表监测数据或电机运行电流数据分布于“95%可信区间”的量持续减少,则可能是设备故障发生点。为了缩小设备异常检修范围,使异常点的监测更准确,我们定义电流数据分布于“95%可信区间”的量在(0,60%)范围内为异常范围,如图2所示,此时发出预警。企业对数据变化原因进行分析,进而判断设备是否出现故障,可大大提高设备检修高效性,提升设备维护及时性。
步骤四、以设定的第二时间间隔为单位,计算该设备在所述设定的第一时间间隔和第二时间间隔之和内同一个设备运行第三数据的第三展现次数,并建立多个设备运行第三数据与其第三展现次数的正态分布关系曲线,更新正态分布关系曲线,并得到新的95%可信区间,以新的95%可信区间为标准进行分布概率的判断。
步骤五、每间隔设定的第二时间间隔,重新计算该设备在开始检测至该第二时间时间间隔结束的时间段内的同一个设备运行第n数据的第n展现次数,更新正态分布关系曲线,并得到最新的95%可信区间,以最新的95%可信区间为标准进行分布概率的判断,其中,n为大于3的正整数。
以月为单位,计算设备运行或工艺单元运行时每月的位置参数μ、尺度参数σ,进行位置参数间、尺度参数间的比较,判断设备或工艺单元运行性能变化情况,进而实现设备、工艺单元运行性能的长期监控。
所述的利用正态分布判定设备故障的方法中,所述步骤二中根据正态分布关系曲线计算得到其概率密度函数,进而得到该正态分布关系曲线的95%可信区间。
所述的利用正态分布判定设备故障的方法中,所述设备为仪器仪表或电机。所述设备运行第一数据为仪器仪表的监测数据或电机的运行电流。
在一个设备正常运行的条件下,该设备所监测数据(仪器仪表类)或设备运行电流(电机类)数据都符合数据的正态分布特点,并且由于工艺及设备的特点不会出现超低值。
各种仪器仪表类设备运行时监测数据或电机类设备运行电流数据都符合数据的正态分布特点,其位置参数为μ、尺度参数为σ,轴与正态曲线之间的面积恒等于1。正态分布曲线下,横轴区间(μ-1.96σ,μ+1.96σ)内的面积为95.00%,记为“95%可信区间”,设备监测数据或运行电流数据存在一定的波动性,但波动范围具有一定的规律性。例如电机类设备定期更新、检修后其运行电流相对稳定、波动较小,数据分布于“95%可信区间”,长期运行一定时间后,设备有所磨损,电流稳定性降低、波动变大,部分数据超出“95%可信区间”,对于仪表类设备运行检测数据同样如此。
根据监测数据或电流数据分布特点,我们考虑,可以通过一种技术手段,形成监测数据或电流数据分布曲线,即数据分布模型,进而反应设备运行状况。基于此,我们提出对单数据集(某一监测数据、电流数据在时间序列的波动率)进行建模分析,通过分析监测数据、电流数据分布情况,用数据分布在“95%可信区间”的概率来描述设备的异常程度。例如对正常运行水泵电流数据进行数据建模,得到数据分布图,分析数据“95%可信区间”为(μ-1.96σ,μ+1.96σ),在(t1,t2)时间段内的电流数据90%分布在(μ-1.96σ,μ+1.96σ)内则设备运行正常,若电流数据分布于“95%可信区间”的量持续减少,则可能是设备故障发生点。为了缩小设备异常检修范围,使异常点的监测更准确,我们定义电流数据分布于“95%可信区间”的量在(0,60%)范围内为异常范围,发出预警,企业此时再对数据变化原因进行分析,进而判断设备是否出现故障,可大大提高设备检修高效性,提升设备维护及时性。另外,我们可以根据仪器仪表监测数据的分布情况辅助判定检测仪表的准确性,如某段时间内仪器仪表监测数据90%以上分布在“95%可信区间”时,我们认为仪器仪表准确性为“优”;若监测数据80%~90%分布于“95%可信区间”时,我们认为准确性为“良”;当监测数据70%~80%分散于“95%可信区间”,则仪器仪表准确性为“正常”;当分布于“95%可信区间”的数据量低于70%时,我们认为该仪器仪表准确性为“待校准”。
本发明可以在一定程度上代替设备预防维护的定期检修,通过数据本身的规律辅助判定设备的运行性能,对设备故障点进行判定。在仪器仪表方面,我们对pH、溶解氧浓度、污泥浓度、流量、液位、氧化还原电位、COD、氨氮、总磷、总氮、二氧化硫、一氧化碳、PM2.5等指标检测仪器仪表进行监测数据波动率分析,反应这些仪器仪表设备运行状态;在设备方面,可以对水泵、风机等电机电流波动性进行检测、分析,反应电机运行状况。该方法具有一定的通用性,不仅可以应用于环保行业,在其他各行业的设备运行状况的检测、预警中均可应用。同样,对于辅助判定仪器仪表准确性在其他各行各业也均可应用,能够方便的长期监控仪器仪表的准确性,给出辅助判定依据,上述比例可根据仪器仪表实际情况进行调整。
实施例1
如图3-4所示,图3纵坐标为监测的数据值,即设备运行第一数据,横坐标为时间,图4中纵坐标为监测的数据值,即设备运行第一数据,横坐标为数据展现次数,即第一展现次数。根据图4并结合概率密度函数得到(μ-1.96σ,μ+1.96σ)区间,即95%可信区间范围(为描述方便,简记为(a,b))。曲线定期更新拟合一次,同时更新95%可信区间范围,本实施例定为15天更新一次。
①根据1月份30天数据得到(a1,b1);
②1月31天和2月份1~14天内每天数据判断,均依据(a1,b1)为标准进行判定;
③15天后对拟合曲线进行更新,依据1月份31天和2月份14天,共45天的数据,得到正态分布图,进行曲线拟合,得到新的95%可信区间范围(a2,b2);
④2月份15~28天和3月份1天数据,依据(a2,b2)为标准进行判定;
⑤再次以1月、2月和3月1天共60天数据进行曲线拟合,更新95%可信区间(a3,b3);
⑥3月2~16天依据(a3,b3)判定;再次以1月、2月和3月1~16天数据进行曲线拟合,更新95%可信区间(a4,b4);3月16~31天依据(a4,b4)判断;再次以1月、2月和3月共90天数据更新95%可信区间(a5,b5);
⑦4月1~15天数据依据(a5,b5)判断;
⑧再次以1月16~31天、2月、3月和4月1~15天数据更新95%可信区间(a6,b6);
⑨4月16~30天数据依据(a6,b6)判定;
⑩再次以1月31天、2月、3月和4月数据更新95%可信区间,,,,
此处仅为流程说明,①~⑦初始阶段,拟合所用数据量小于3个月;⑧之后,数据量大于3个月后,以最近3个月的数据更新95%可信区间;3个月的设定可以调节,可以4个月或5个月等等。
本发明针对工业领域工艺运行指标,反应相应设备运行状态,对设备运行状况进行预警。本发明具有一定的通用性,不仅可以应用于环保行业,在各行各业设备检修、维护工作中发挥积极效应。本发明的实现能够在设备的维护工作中,及时发现设备故障,提高设备维护工作效率。
尽管本发明的实施方案已公开如上,但其并不仅仅限于说明书和实施方式中所列运用,它完全可以被适用于各种适合本发明的领域,对于熟悉本领域的人员而言,可容易地实现另外的修改,因此在不背离权利要求及等同范围所限定的一般概念下,本发明并不限于特定的细节和这里示出与描述的图例。
Claims (9)
1.一种利用正态分布判定设备故障的方法,其特征在于,包括以下步骤:
步骤一、在设备正常运行时,于设定的第一时间间隔内采集多个设备运行第一数据,并建立多个设备运行第一数据随时间变化的曲线;
步骤二、计算在所述设定的第一时间间隔内同一个设备运行第一数据的第一展现次数,并建立多个设备运行第一数据与其第一展现次数的正态分布关系曲线,得到该正态分布关系曲线的95%可信区间;
步骤三、在该设备需要检测时,计算该设备在设定的时间间隔内同一个设备运行第二数据的第二展现次数,标注在步骤二中所述的正态分布关系曲线中,并判断多个设备运行第二数据在步骤二中所述的95%可信区间内的分布概率,若该分布概率在预定的异常范围内,则判定该设备出现故障,并发出预警。
2.如权利要求1所述的利用正态分布判定设备故障的方法,其特征在于,还包括:
步骤四、以设定的第二时间间隔为单位,计算该设备在所述设定的第一时间间隔和第二时间间隔之和内同一个设备运行第三数据的第三展现次数,并建立多个设备运行第三数据与其第三展现次数的正态分布关系曲线,更新正态分布关系曲线,并得到新的95%可信区间,以新的95%可信区间为标准进行分布概率的判断。
3.如权利要求2所述的利用正态分布判定设备故障的方法,其特征在于,还包括:
步骤五、每间隔设定的第二时间间隔,重新计算该设备在开始检测至该第二时间时间间隔结束的时间段内的同一个设备运行第n数据的第n展现次数,更新正态分布关系曲线,并得到最新的95%可信区间,以最新的95%可信区间为标准进行分布概率的判断,其中,n为大于3的正整数。
4.如权利要求1所述的利用正态分布判定设备故障的方法,其特征在于,所述步骤二中根据正态分布关系曲线计算得到其概率密度函数,进而得到该正态分布关系曲线的95%可信区间。
5.如权利要求1所述的利用正态分布判定设备故障的方法,其特征在于,所述预定的异常范围为0~60%。
6.如权利要求1所述的利用正态分布判定设备故障的方法,其特征在于,所述步骤一中还包括:将采集到的多个设备运行第一数据进行滤波,去除异常点,并标记。
7.如权利要求6所述的利用正态分布判定设备故障的方法,其特征在于,所述步骤一中的多个设备运行第一数据为不小于1000个。
8.如权利要求1所述的利用正态分布判定设备故障的方法,其特征在于,所述设备为仪器仪表或电机。
9.如权利要求8所述的利用正态分布判定设备故障的方法,其特征在于,所述设备运行第一数据为仪器仪表的监测数据或电机的运行电流。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510167393.XA CN104793605B (zh) | 2015-04-10 | 2015-04-10 | 一种利用正态分布判定设备故障的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510167393.XA CN104793605B (zh) | 2015-04-10 | 2015-04-10 | 一种利用正态分布判定设备故障的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104793605A CN104793605A (zh) | 2015-07-22 |
CN104793605B true CN104793605B (zh) | 2017-06-20 |
Family
ID=53558491
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510167393.XA Active CN104793605B (zh) | 2015-04-10 | 2015-04-10 | 一种利用正态分布判定设备故障的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104793605B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107038669A (zh) * | 2015-07-28 | 2017-08-11 | 平安科技(深圳)有限公司 | 异常结算数据预警提示系统及方法 |
CN105468910A (zh) * | 2015-11-25 | 2016-04-06 | 中国船舶工业系统工程研究院 | 一种机电设备性能退化预测方法 |
CN106651035A (zh) * | 2016-12-25 | 2017-05-10 | 杭州博烁晟斐智能科技有限公司 | 一种强风天气造成铁塔垂直度故障的概率预测方法及系统 |
CN108733812B (zh) * | 2018-05-21 | 2021-09-14 | 华东师范大学 | 基于全局信息的时间序列数据中异常数据点的识别方法 |
CN110032557B (zh) * | 2019-04-12 | 2024-04-26 | 国网安徽省电力有限公司阜阳供电公司 | 一种基于大数据的电网设备状态异常监测方法及系统 |
CN110379143B (zh) * | 2019-07-12 | 2021-10-26 | 中铁工程机械研究设计院有限公司 | 一种用于机械设备的报警系统阈值确定方法 |
CN114019940A (zh) * | 2020-03-02 | 2022-02-08 | 阿波罗智联(北京)科技有限公司 | 用于检测异常的方法和装置 |
CN111879522B (zh) * | 2020-07-24 | 2021-11-05 | 山东大学 | 基于时序概率的汽轮机运行监测和故障判别方法及系统 |
CN112201260B (zh) * | 2020-09-07 | 2021-10-12 | 北京科技大学 | 一种基于声纹识别的变压器运行状态在线检测方法 |
CN112131210A (zh) * | 2020-09-16 | 2020-12-25 | 珠海格力电器股份有限公司 | 一种数据识别方法、装置、服务器及存储介质 |
CN113674447A (zh) * | 2021-07-09 | 2021-11-19 | 深圳市慧友安电子技术有限公司 | 一种工业设备声纹故障检测系统及方法 |
CN113587387A (zh) * | 2021-07-19 | 2021-11-02 | 上海佐竹冷热控制技术有限公司 | 空气调节设备预警方法和系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08167060A (ja) * | 1994-12-14 | 1996-06-25 | Omron Corp | 搬送処理装置 |
CN102854461A (zh) * | 2012-08-24 | 2013-01-02 | 中国电力科学研究院 | 一种开关设备发生故障的概率预测方法及其系统 |
CN103455026A (zh) * | 2013-08-23 | 2013-12-18 | 王绍兰 | 一种车辆故障诊断和预警方法及装置 |
CN103559555A (zh) * | 2013-10-29 | 2014-02-05 | 中航沈飞民用飞机有限责任公司 | 一种用于民用客机制造商优化其产品计划维修间隔的方法 |
CN104458297A (zh) * | 2014-11-12 | 2015-03-25 | 南京航空航天大学 | 基于非线性随机模型的列车悬架系统传感器故障检测方法 |
-
2015
- 2015-04-10 CN CN201510167393.XA patent/CN104793605B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08167060A (ja) * | 1994-12-14 | 1996-06-25 | Omron Corp | 搬送処理装置 |
CN102854461A (zh) * | 2012-08-24 | 2013-01-02 | 中国电力科学研究院 | 一种开关设备发生故障的概率预测方法及其系统 |
CN103455026A (zh) * | 2013-08-23 | 2013-12-18 | 王绍兰 | 一种车辆故障诊断和预警方法及装置 |
CN103559555A (zh) * | 2013-10-29 | 2014-02-05 | 中航沈飞民用飞机有限责任公司 | 一种用于民用客机制造商优化其产品计划维修间隔的方法 |
CN104458297A (zh) * | 2014-11-12 | 2015-03-25 | 南京航空航天大学 | 基于非线性随机模型的列车悬架系统传感器故障检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104793605A (zh) | 2015-07-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104793605B (zh) | 一种利用正态分布判定设备故障的方法 | |
CN104848885B (zh) | 一种对设备未来故障时间点进行预测的方法 | |
JP5996384B2 (ja) | プロセス監視診断装置、プロセス監視診断プログラム | |
US10088839B2 (en) | Method and system for real-time performance degradation advisory for centrifugal compressors | |
CN101268429B (zh) | 监控衰退系统 | |
CN107766299A (zh) | 数据指标异常的监控方法及其系统、存储介质、电子设备 | |
JP2009076056A (ja) | 異常集約方法 | |
CN103025592A (zh) | 用于油田设备预测和健康管理的系统、方法和装置 | |
JP2009075081A (ja) | 一過性の異常の検出方法 | |
CN107677903B (zh) | 一种变压器状态监测数据的聚类分析方法 | |
CN103810533A (zh) | 一种基于云模型的配电网故障风险识别方法 | |
CN116345700B (zh) | 一种用于储能电站的能耗监测方法及监测系统 | |
CN110426996B (zh) | 基于大数据及人工智能的环境污染监测方法 | |
JP2022543923A (ja) | 分布図を通じた機器の予知保全方法 | |
CN111160598A (zh) | 一种基于动态能耗基准的能源预测与能耗管控方法及系统 | |
CN117648543A (zh) | 一种自演化的变电站设备学习方法 | |
CN104750144B (zh) | 对设备运行状况进行预警的方法 | |
CN112101596A (zh) | 设备运维方法、装置、电子设备和计算机可读存储介质 | |
CN110458713B (zh) | 模型监控方法、装置、计算机设备及存储介质 | |
JP2020046783A (ja) | プロセス監視支援装置、プロセス監視支援システム、プロセス監視支援方法、プロセス監視支援プログラム及び端末装置 | |
US11880268B2 (en) | Soft error aggregation method for detection and reporting of risks in a safety instrumented system | |
JP7153542B2 (ja) | 機器保全支援システム | |
US20240035445A1 (en) | Systems and methods for estimating future risk of failure of a wind turbine component using machine learning | |
Janada et al. | Angular Control Charts: A new perspective for monitoring reliability of multi-state systems | |
Modiba | An automated method to determine dynamic pump efficiencies in deep-level mines |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
EXSB | Decision made by sipo to initiate substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 100048 room C03, room 7, building 91, No. three West Third Ring Road, Beijing, Haidian District Applicant after: BEIJING JINKONG DATA TECHNOLOGY CO., LTD. Address before: 100048 room C03, room 7, building 91, No. three West Third Ring Road, Beijing, Haidian District Applicant before: Beijing Jinkong Automatic Technology Co., Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |