CN106529581B - 一种基于贝叶斯网络的桥式起重机故障诊断方法 - Google Patents

一种基于贝叶斯网络的桥式起重机故障诊断方法 Download PDF

Info

Publication number
CN106529581B
CN106529581B CN201610925922.2A CN201610925922A CN106529581B CN 106529581 B CN106529581 B CN 106529581B CN 201610925922 A CN201610925922 A CN 201610925922A CN 106529581 B CN106529581 B CN 106529581B
Authority
CN
China
Prior art keywords
failure
bridge crane
node
layer
event
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
Application number
CN201610925922.2A
Other languages
English (en)
Other versions
CN106529581A (zh
Inventor
陈志平
陈强强
李哲威
何平
孟玲娇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Dianzi University
Original Assignee
Hangzhou Dianzi University
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
Application filed by Hangzhou Dianzi University filed Critical Hangzhou Dianzi University
Priority to CN201610925922.2A priority Critical patent/CN106529581B/zh
Publication of CN106529581A publication Critical patent/CN106529581A/zh
Application granted granted Critical
Publication of CN106529581B publication Critical patent/CN106529581B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/29—Graphical models, e.g. Bayesian networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明公开了基于贝叶斯网络的桥式起重机故障诊断方法。贝叶斯网络应用于起重机故障诊断的尚未发现。本发明首先将已发故障事件归类，得到故障树模型，建立故障事件贝叶斯网络结构；其次将贝叶斯网络结构中的节点进行分类，得到模块状态层、故障推理层和故障底事件层；再次采集模块状态层的输出信号，根据桥式起重机各模块是否正常运行选择故障诊断模式；接着根据获取的故障底事件实际状态性能参数，转化为当前故障概率，重置故障底事件层的先验概率，使诊断模型更符合实际情况；最后利用贝叶斯网络算法进行故障诊断实现故障表现预测或第一故障点定位。本发明对故障事件充分解耦，排查过程中不断更新故障底事件故障概率，直至故障定位。

Description

一种基于贝叶斯网络的桥式起重机故障诊断方法
技术领域
本发明属于故障诊断领域，具体涉及一种基于贝叶斯网络的桥式起重机故障诊断方法。
背景技术
大型桥式起重机是国家重点监管的特种设备之一，随着我国现代化建设事业发展和改革的深入，工业生产规模不断扩大，生产应用中对桥式起重机正常运行提出了更高的要求。据生产统计，因起重机发生故障导致生产中断的时间占总生产停止时间的15％，因此有必要建立一套行之有效的桥式起重机故障诊断系统，提高故障及时修复率，保证企业生产进度。
故障诊断系统的核心在于如何快速定位已发故障的第一故障点及根据诊断结果进行预防性维修。而贝叶斯网络是目前不确定性知识表达和推理领域最有效的理论模型之一，能够实现双向推理，综合先验信息和样本信息，因此非常适合在故障诊断领域中应用。近年来，有学者将贝叶斯网络应用到桥式起重机金属结构安全评估领域，取得了一定的成果。然而，在现有的研究中，对桥式起重机的故障事件解耦不够充分，没有搭建较为全面的桥式起重机故障诊断贝叶斯网络，故障诊断模型形式较为固定，没有结合故障底事件的实际状态，使得诊断模型存在适用性差、诊断结果不够准确等问题。发明一种基于健全贝叶斯故障诊断网络，结合桥式起重机的实际性能参数，能够实现快速、准确地对已发故障第一故障点定位及故障表现预测的桥式起重机故障诊断方法具有重要意义。目前，应用在电力线路、航天系统等故障诊断中成效良好。
将贝叶斯网络应用于起重机的尚未发现。经对现有技术的文献检索发现，公开文件“基于故障树和双向联想记忆神经网络的桥式起重机故障诊断方法”(自动化与信息工程，2014)针对桥式起重机的故障诊断系统,提出一种基于故障树(FTA)和双向联想记忆神经网络(BAM)相结合的故障诊断方法，其不足之处是：该方法对起重机故障树模型做了较大简化，双向神经网络模式在处理故障耦合级联时达到网络共振的耗时较长，诊断效率较低，且推理过程没有依据桥式起重机实际性能状态。
发明内容
本发明的目的在于针对现有技术的不足，提供一种基于贝叶斯网络的桥式起重机故障诊断方法，首先将桥式起重机故障模型进行分解，按照故障指标体系搭建故障树模型，然后结合贝叶斯拓扑网络和贝叶斯诊断算法提出一种故障诊断方法，最后将此故障诊断模型用实例验证检验效果。
本发明的目的通过以下技术方案实现：
本发明具体如下：
步骤一、将桥式起重机进行模块分解，将已发故障事件归类，按照独立层次主元法划分故障层次和故障主元，得到桥式起重机的故障树模型，建立桥式起重机故障事件贝叶斯网络拓扑结构；将存在因果关系的故障节点用有向线段相连，若某一故障节点是造成另一故障节点的原因，则称此故障节点是另一故障节点的父节点。在贝叶斯网络拓扑结构中，不存在父节点的故障节点称为根节点，其余节点称为叶节点。根节点的先验概率、叶节点的条件概率均用历史故障诊断样本的统计概率赋值；
步骤二、将贝叶斯网络拓扑结构中的节点划分为模块状态层、故障推理层和故障底事件层。
步骤三、采集模块状态层的输出信号，根据桥式起重机各模块是否正常运行选择故障诊断模式，具体是指利用传感器和PLC读取桥式起重机贝叶斯网络拓扑结构中模块状态层的状态信息，当模块状态层的信号显示正常时，代表桥式起重机仍可继续工作，此时故障诊断系统进入故障表现预测模式；当模块状态层某个模块传递的信号不正常时，则代表桥式起重机此模块运行故障，此时故障诊断系统进入已发故障的第一故障点定位模式。
步骤四、利用数据采集卡检测故障底事件的实际性能参数，用s表示检测得到的性能参数，s′表示发生故障的临界指标，归一化处理后得到故障底事件的当前先验故障概率ei；
步骤五、桥式起重机的贝叶斯算法诊断：故障诊断模式进入桥式起重机故障表现预测模式时，将故障底事件的故障概率ei作为贝叶斯网络的推理证据输入算法模型，利用公式(1)计算故障推理层各节点此刻性能状态为故障F时的概率，将得到的故障推理层各节点性能状态为故障F时的概率作为ei的输入，再次利用公式(1)便可对桥式起重机整机的性能状态作出诊断；
其中，Xij为故障底事件层节点、Xi为故障推理层节点，i、j均为大于1的整数；故障概率P最大的模块即为预测发生故障的模块；利用公式(2)可将桥式起重机整机的故障概率P转化为实际性能状态A：
其中，Nor代表正常，At代表注意，Da代表危险。
故障诊断模式进入桥式起重机已发故障的第一故障点定位模式时，利用贝叶斯后验概率算法，即公式(3)计算各故障底事件因发生故障的概率Pi：
将定位的故障底事件排查后作为证据，即故障概率ei＝0，输入继续推理，直到排查到故障点。
所述桥式起重机故障事件贝叶斯网络所有的根节点构成故障底事件层，包括制动瓦衬、主弹簧、行程制动电磁铁、液压推动器、电磁铁磁拉力、制动器杠杆传动系统、制动螺杆、制动瓦衬、电磁铁线圈、制动器电路、制动力矩、限位器、小车车轮、小车车架、小车同一位置主梁高度差、小车轨道焊缝处断裂、小车起动情况、小车轨道洁净度、小车车轮、小车主动轮轴磨损、主梁上拱度、主梁盘弯度、主梁腹板波浪变形度、端梁变形度、减速器底座螺栓松紧度、减速器传动轴与电机轴同心度、减速器构件刚度、减速器通气孔、减速器排气孔、固定螺栓松紧度、钢丝绳、制动器与垫片间隙、主弹簧弹性、制动带与制动轮表面洁净度、山形钩变形、液压推杆松闸器自由度、抱闸松紧度、极限开关、控制线路、大车齿轮箱漏油、电动机负载、电动机电压、机械传动系统、减速器传动轴与电机轴同心度、电动机轴承、电动机转子、控制器回转、控制器触头、交流接触器线圈、熔断器、过电流继电器和限位器。
所述桥式起重机故障事件贝叶斯网络的叶节点分为故障推理层和模块状态层，故障推理层包括制动器刹车、制动器开合、小车车轮平面、小车运行状态、减速器振动、减速器油封、吊钩、卷筒、电动机运转发热和电动机振动；模块状态层包括制动器、小车、金属结构、减速器、升吊设备、电气设备、电气线路、起重机状态、机械结构和电气系统。
与现有技术相比，本发明的有益效果在于：本发明在利用贝叶斯诊断算法前，对桥式起重机的故障事件充分解耦，搭建较全面的贝叶斯网络故障诊断模型，结合模块状态信号层的状态参数，判断故障发生模块，并利用诊断模型快速诊断第一故障点，在排查过程中不断更新故障底事件的故障概率，直至故障定位；此外，在实施故障状态预测前，通过数据采集卡采集故障底事件的性能参数，更新故障底事件层的先验概率，使诊断模型能够准确得诊断出故障表现预测，给出最可能发生故障的模块。因此，本发明实现了贝叶斯网络双向推理的功能在桥式起重机故障诊断中的应用，具有较强的现实指导意义。
附图说明
图1为本发明的故障诊断流程图；
图2为大型通用桥式起重机故障事件贝叶斯网络拓扑结构图。
具体实施方式
下面结合附图对本发明的实施例作详细说明：本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式，但本发明的保护范围不限于以下的实施例。
如图1所示，一种基于贝叶斯网络的桥式起重机故障诊断方法，首先将桥式起重机进行模块分解，将已发故障事件归类，按照独立层次主元法划分故障层次和故障主元，得到桥式起重机的故障树模型，建立桥式起重机故障事件贝叶斯网络结构；其次，将贝叶斯网络结构中的节点进行分类，得到模块状态层、故障推理层和故障底事件层；再次，采集模块状态层的输出信号，根据桥式起重机各模块是否正常运行选择故障诊断模式；接着，根据获取的故障底事件实际状态的性能参数，转化为当前故障概率，通过重置故障底事件层的先验概率，使诊断模型更符合实际情况；最后，利用贝叶斯网络算法进行故障诊断实现故障表现预测或第一故障点定位。具体如下：
1、桥式起重机基于贝叶斯网络的诊断模型建立。将桥式起重机进行模块分解，将已发故障事件归类，按照独立层次主元法划分故障层次和故障主元，得到桥式起重机的故障树模型，利用故障树转化法(FTC)得到贝叶斯网络拓扑结构，从而得到故障底事件层节点Xij、故障推理层节点Xi和模块状态层节点X，其中，i、j均为大于1的整数。进一步，节点的概率信息包括根节点的先验概率Px和叶节点的条件概率Pt，可由历史故障诊断样本计算：令W(Xij)表示桥式起重机故障样本中故障底事件层所有节点造成故障的总例数，Y(F,Xij)表示故障样本中故障底事件层节点Xij处于F状态的总例数；同时，令π(Y(F,Xij)，θ(F,Xi))表示故障样本中节点Xij状态为F且节点Xi状态为F的故障例数，θ(F,Xi)表示处于F状态的节点Xi的故障例数。则节点Xij的先验概率Px可由公式(1)计算得到，节点Xi的条件概率Pt可由公式(2)计算得到。
其中，T状态表示正常，F状态表示故障。
2、如图2所示，将贝叶斯网络拓扑结构中的节点进行分类，具体方法为：所有的根节点构成故障底事件层，包括制动瓦衬A11、主弹簧A12、行程制动电磁铁A13、液压推动器A14、电磁铁磁拉力A21、制动器杠杆传动系统A22、制动螺杆A23、制动瓦衬A24、电磁铁线圈A25、制动器电路A3、制动力矩A4、限位器A5、小车车轮B11、小车车架B12、小车同一位置主梁高度差B13、小车轨道焊缝处断裂B14、小车起动情况B2、小车轨道洁净度B31、小车车轮B32、小车主动轮轴磨损B33、主梁上拱度C1、主梁盘弯度C2、主梁腹板波浪变形度C3、端梁变形度C4、减速器底座螺栓松紧度D11、减速器传动轴与电机轴同心度D12、减速器构件刚度D13、减速器通气孔D21、减速器排气孔D22、固定螺栓松紧度D23、钢丝绳E1、制动器与垫片间隙E21、主弹簧弹性E22、制动带与制动轮表面洁净度E23、山形钩变形E24、液压推杆松闸器自由度E25、抱闸松紧度E31、极限开关E32、控制线路E33、大车齿轮箱漏油F、电动机负载G11、电动机电压G12、机械传动系统G13、减速器传动轴与电机轴同心度G21、电动机轴承G22、电动机转子G23、控制器回转G3、控制器触头G4、交流接触器线圈G5、熔断器H1、过电流继电器H2和限位器H3。
桥式起重机故障事件贝叶斯网络的叶节点可分为故障推理层和模块状态层，故障推理层包括制动器刹车A1、制动器开合A2、小车车轮平面B1、小车运行状态B3、减速器振动D1、减速器油封D2、吊钩E2、卷筒E3、电动机运转发热G1和电动机振动G2；模块状态层包括制动器A、小车B、金属结构C、减速器D、升吊设备E、电气设备G、电气线路H、起重机状态W、机械结构S和电气系统O。
3、采集模块状态层的输出信号，根据桥式起重机各模块是否正常运行选择故障诊断模式，具体是指利用传感器和PLC读取桥式起重机贝叶斯网络拓扑结构中模块状态层的状态信息，当模块状态层的信号显示正常时，代表桥式起重机仍可继续工作，此时故障诊断系统进入故障表现预测模式；当模块状态层某个模块传递的信号不正常时，则代表桥式起重机此模块运行故障，此时故障诊断系统进入已发故障的第一故障点定位模式。
4、桥式起重机实际工作状态信息获取：利用数据采集卡检测当前故障底事件层的实际性能参数，并将其转化为当前先验故障概率ei。用s表示检测得到的性能参数，s′表示发生故障的临界指标，利用公式(3)归一化处理后得到故障底事件的当前先验故障概率ei；
5、贝叶斯网络诊断模型自适应修正：当故障诊断模式为故障表现预测时，根据桥式起重机故障底事件的实际性能参数，将公式(3)处理得到的当前先验故障概率ei作为证据输入贝叶斯网络；当故障诊断模式为已发故障的第一故障点定位模式时，将排查到的故障底事件的故障概率进行二元取值，即当故障诊断模型推理出最可能的第一故障点经排查后为正常时，将其故障概率置0，故障模型会进行自适应修正，再次推理最可能的第一故障点，直到诊断出第一故障点。
6、桥式起重机的贝叶斯算法诊断：故障诊断模式进入桥式起重机故障表现预测模式时，将故障底事件的故障概率ei作为贝叶斯网络的推理证据输入算法模型，利用公式(4)计算故障推理层各节点此刻性能状态为F(故障)时的概率，将得到的故障推理层各节点性能状态为F(故障)时的概率作为ei的输入，再次利用公式(4)便可对桥式起重机整机的性能状态作出诊断；
其中故障概率P最大的模块即为预测发生故障的模块；利用公式(5)可将桥式起重机整机的故障概率P转化为实际性能状态A：
故障诊断模式进入桥式起重机已发故障的第一故障点定位模式时，利用贝叶斯后验概率算法，即公式(6)计算各故障底事件因发生故障的概率Pi：
将定位的故障底事件排查后作为证据，即故障概率ei＝0，输入继续推理，直到排查到故障点。

Claims (3)

1.一种基于贝叶斯网络的桥式起重机故障诊断方法，其特征在于：该方法具体如下：
步骤一、将桥式起重机进行模块分解，将已发故障事件归类，按照独立主元分析法划分故障层次和故障主元，得到桥式起重机的故障树模型，建立桥式起重机故障事件贝叶斯网络拓扑结构；将存在因果关系的故障节点用有向线段相连，若某一故障节点是造成另一故障节点的原因，则称此故障节点是另一故障节点的父节点；在贝叶斯网络拓扑结构中，不存在父节点的故障节点称为根节点，其余节点称为叶节点；根节点的先验概率、叶节点的条件概率均用历史故障诊断样本的统计概率赋值；
步骤二、将贝叶斯网络拓扑结构中的节点划分为模块状态层、故障推理层和故障底事件层；
步骤三、采集模块状态层的输出信号，根据桥式起重机各模块是否正常运行选择故障诊断模式，具体是指利用传感器和PLC读取桥式起重机贝叶斯网络拓扑结构中模块状态层的状态信息，当模块状态层的信号显示正常时，代表桥式起重机仍可继续工作，此时故障诊断系统进入故障表现预测模式；当模块状态层某个模块传递的信号不正常时，则代表桥式起重机此模块运行故障，此时故障诊断系统进入已发故障的第一故障点定位模式；
步骤四、利用数据采集卡检测故障底事件的实际性能参数，用s表示检测得到的性能参数，s′表示发生故障的临界指标，归一化处理后得到故障底事件的当前先验故障概率ei；
步骤五、桥式起重机的贝叶斯算法诊断：故障诊断模式进入桥式起重机故障表现预测模式时，将故障底事件的故障概率ei作为贝叶斯网络的推理证据输入算法模型，利用公式(1)计算故障推理层各节点此刻性能状态为故障F时的概率，将得到的故障推理层各节点性能状态为故障F时的概率作为ei的输入，再次利用公式(1)便可对桥式起重机整机的性能状态作出诊断；
其中，Xij为故障底事件层节点、Xi为故障推理层节点，i、j均为大于1的整数；故障概率P最大的模块即为预测发生故障的模块；利用公式(2)可将桥式起重机整机的故障概率P转化为实际性能状态A：
其中，Nor代表正常，At代表注意，Da代表危险；
故障诊断模式进入桥式起重机已发故障的第一故障点定位模式时，利用贝叶斯后验概率算法，即公式(3)计算各故障底事件因发生故障的概率Pi：
将定位的故障底事件排查后作为证据，即故障概率ei＝0，输入继续推理，直到排查到故障点。
2.根据权利要求1所述的一种基于贝叶斯网络的桥式起重机故障诊断方法，其特征在于：所述桥式起重机故障事件贝叶斯网络所有的根节点构成故障底事件层，包括制动瓦衬、主弹簧、行程制动电磁铁、液压推动器、电磁铁磁拉力、制动器杠杆传动系统、制动螺杆、制动瓦衬、电磁铁线圈、制动器电路、制动力矩、限位器、小车车轮、小车车架、小车同一位置主梁高度差、小车轨道焊缝处断裂、小车起动情况、小车轨道洁净度、小车车轮、小车主动轮轴磨损、主梁上拱度、主梁盘弯度、主梁腹板波浪变形度、端梁变形度、减速器底座螺栓松紧度、减速器传动轴与电机轴同心度、减速器构件刚度、减速器通气孔、减速器排气孔、固定螺栓松紧度、钢丝绳、制动器与垫片间隙、主弹簧弹性、制动带与制动轮表面洁净度、山形钩变形、液压推杆松闸器自由度、抱闸松紧度、极限开关、控制线路、大车齿轮箱漏油、电动机负载、电动机电压、机械传动系统、减速器传动轴与电机轴同心度、电动机轴承、电动机转子、控制器回转、控制器触头、交流接触器线圈、熔断器、过电流继电器和限位器。
3.根据权利要求1所述的一种基于贝叶斯网络的桥式起重机故障诊断方法，其特征在于：所述桥式起重机故障事件贝叶斯网络的叶节点分为故障推理层和模块状态层，故障推理层包括制动器刹车、制动器开合、小车车轮平面、小车运行状态、减速器振动、减速器油封、吊钩、卷筒、电动机运转发热和电动机振动；模块状态层包括制动器、小车、金属结构、减速器、升吊设备、电气设备、电气线路、起重机状态、机械结构和电气系统。
CN201610925922.2A 2016-10-24 2016-10-24 一种基于贝叶斯网络的桥式起重机故障诊断方法 Active CN106529581B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610925922.2A CN106529581B (zh) 2016-10-24 2016-10-24 一种基于贝叶斯网络的桥式起重机故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610925922.2A CN106529581B (zh) 2016-10-24 2016-10-24 一种基于贝叶斯网络的桥式起重机故障诊断方法

Publications (2)

Publication Number Publication Date
CN106529581A CN106529581A (zh) 2017-03-22
CN106529581B true CN106529581B (zh) 2019-08-20

Family

ID=58293037

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610925922.2A Active CN106529581B (zh) 2016-10-24 2016-10-24 一种基于贝叶斯网络的桥式起重机故障诊断方法

Country Status (1)

Country Link
CN (1) CN106529581B (zh)

Families Citing this family (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107464015B (zh) * 2017-07-21 2021-06-11 南京林洋电力科技有限公司 一种基于用电行为的具备熔断机制的短期负荷以及电量预测方法
CN107463146A (zh) * 2017-08-18 2017-12-12 大连美恒时代科技有限公司 一种通过mhcims诊断起重机故障的方法
CN109815441B (zh) * 2017-11-20 2023-06-02 洛阳中科晶上智能装备科技有限公司 一种采用贝叶斯网络模型诊断及预测发动机故障的方法
CN108537260A (zh) * 2018-03-29 2018-09-14 上海交通大学 一种起重机传动轴故障诊断方法和系统
CN108764644B (zh) * 2018-04-27 2022-04-01 杭州电子科技大学 一种桥式起重机风险源发生概率缺失的插补方法
CN109186971B (zh) * 2018-08-06 2020-05-05 江苏大学 基于动态贝叶斯网络的轮毂电机机械故障在线诊断方法
CN109934252B (zh) * 2019-01-02 2023-05-12 江苏大学 一种动态贝叶斯网络参数自更新的轮毂电机状态识别方法
CN109765450B (zh) * 2019-03-21 2020-08-28 中国矿业大学 基于贝叶斯网络的开关磁阻电机驱动系统可靠性评估方法
CN110135596A (zh) * 2019-04-18 2019-08-16 中国电力科学研究院有限公司 一种继电保护系统风险评估及故障定位方法及装置
CN110077234B (zh) * 2019-04-19 2020-06-02 深圳市德塔防爆电动汽车有限公司 一种电动车辆安全树更新方法和电动车辆
CN111144606B (zh) * 2019-05-17 2020-09-15 深圳市德塔防爆电动汽车有限公司 一种电动车辆的安全失效风险预测方法以及电动车辆
CN111143752B (zh) * 2019-05-17 2021-01-08 深圳市德塔防爆电动汽车有限公司 一种电动车辆的安全重要度的计算方法以及电动车辆
CN110610187A (zh) * 2019-05-27 2019-12-24 施甸县保施高速公路投资开发有限公司 一种基于贝叶斯网络的土质边坡坍塌事故诊断方法
CN111553590B (zh) * 2020-04-27 2021-09-24 中国电子科技集团公司第十四研究所 一种雷达嵌入式健康管理系统
CN113864208B (zh) * 2020-06-30 2023-11-17 宝武装备智能科技有限公司 脱硫浆液循环泵运行状态智能监测诊断方法
CN112115802A (zh) * 2020-08-26 2020-12-22 武汉理工大学 一种起重机回转机构齿轮故障诊断方法、系统及存储介质
CN112465784B (zh) * 2020-11-27 2024-02-02 广州运达智能科技有限公司 一种地铁夹钳外观异常检测的方法
CN112418458B (zh) * 2020-12-09 2021-05-18 广州瑞修得信息科技有限公司 基于贝叶斯网络的车辆故障智能推理方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101814114A (zh) * 2010-01-07 2010-08-25 北京航空航天大学 一种利用模型转换进行故障诊断的方法
CN102637019A (zh) * 2011-02-10 2012-08-15 武汉科技大学 一种工业生产过程智能集成故障诊断方法及装置
CN103527194A (zh) * 2013-10-15 2014-01-22 淮北矿业（集团）有限责任公司 一种电牵引采煤机健康度实时监测与智能评价系统及其方法
CN104063586A (zh) * 2014-06-11 2014-09-24 西北工业大学 基于多态故障树的贝叶斯网络故障预测方法
CN104376033A (zh) * 2014-08-01 2015-02-25 中国人民解放军装甲兵工程学院 一种基于故障树和数据库技术的故障诊断方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101814114A (zh) * 2010-01-07 2010-08-25 北京航空航天大学 一种利用模型转换进行故障诊断的方法
CN102637019A (zh) * 2011-02-10 2012-08-15 武汉科技大学 一种工业生产过程智能集成故障诊断方法及装置
CN103527194A (zh) * 2013-10-15 2014-01-22 淮北矿业（集团）有限责任公司 一种电牵引采煤机健康度实时监测与智能评价系统及其方法
CN104063586A (zh) * 2014-06-11 2014-09-24 西北工业大学 基于多态故障树的贝叶斯网络故障预测方法
CN104376033A (zh) * 2014-08-01 2015-02-25 中国人民解放军装甲兵工程学院 一种基于故障树和数据库技术的故障诊断方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
An intelligent chiller fault detection and diagnosis methodology using Bayesian belief network;Yang Zhao 等;《Energy and Buildings》;20130228;第57卷;278-288 *
二次设备量化评估中故障概率的计算方法;吴姜 等;《电力系统及其自动化学报》;20121215;第24卷(第6期);78-82 *
基于故障树的汽车起重机液压故障诊断专家系统;罗天洪 等;《机械科学与技术》;20130415;第32卷(第4期);538-544 *
基于贝叶斯网络的机械设备故障诊断方法研究;郭日红 等;《机械设计与制造工程》;20161015;第45卷(第10期);87-91 *

Also Published As

Publication number Publication date
CN106529581A (zh) 2017-03-22

Similar Documents

Publication Publication Date Title
CN106529581B (zh) 一种基于贝叶斯网络的桥式起重机故障诊断方法
US12086165B2 (en) Cloud-based vehicle fault diagnosis method, apparatus, and system
US11453421B2 (en) System and method for predicting failures of train components
US11472452B2 (en) Machine learning based train handling evaluation
CN102981497B (zh) 高速列车制动系统故障诊断设备及诊断方法
Liu et al. Industrial AI enabled prognostics for high-speed railway systems
AU2020364371B2 (en) Artificial intelligence based ramp rate control for a train
CN109238735B (zh) 港口货运电动agv的故障监测诊断系统
US11332173B2 (en) Train control with centralized and edge processing handovers
CN115013261A (zh) 一种用于海上风电场的状态监测方法及系统
CN111071291B (zh) 列车轮对监测系统及列车轮对监测方法
CN107327366A (zh) 一种抽水蓄能机组故障预测与健康管理系统和方法
US20240199101A1 (en) Real-time control of off-lining of locomotives for energy management
CN211075912U (zh) 列车走行部安全监测系统
WO2023096790A1 (en) System and method for coordination of acceleration values of locomotives in a train consist
Kou et al. Multistate reliability evaluation of bogie on high speed railway vehicle based on the network flow theory
CN111308350A (zh) 一种通过大数据进行轨交锂电池性能评估的整体模型框架
CN102476616A (zh) 一种车辆电气设备周期自检测方法
CN107463162A (zh) 节能环保电动物流车用故障诊断控制系统
CN205469066U (zh) 城市轨道交通列车走行部故障车载分布式诊断系统
Wang et al. A PHM architecture of maglev train based on the distributed hierarchical structure
CN114355184A (zh) 一种基于在线学习的高压断路器状态监测预警系统及方法
Long et al. Braking system multi-state analysis of maglev train based on Bayesian networks
US20240199099A1 (en) Hybrid consist tractive effort management
CN111143752B (zh) 一种电动车辆的安全重要度的计算方法以及电动车辆

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant