CN106991502A - 一种设备故障预测系统和方法 - Google Patents
一种设备故障预测系统和方法 Download PDFInfo
- Publication number
- CN106991502A CN106991502A CN201710288855.2A CN201710288855A CN106991502A CN 106991502 A CN106991502 A CN 106991502A CN 201710288855 A CN201710288855 A CN 201710288855A CN 106991502 A CN106991502 A CN 106991502A
- Authority
- CN
- China
- Prior art keywords
- data
- equipment
- sampled
- failure
- sampled data
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
- G06F17/141—Discrete Fourier transforms
- G06F17/142—Fast Fourier transforms, e.g. using a Cooley-Tukey type algorithm
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Discrete Mathematics (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Algebra (AREA)
- Marketing (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Debugging And Monitoring (AREA)
Abstract
本发明提供一种设备故障预测系统和方法,系统包括:预测模块,对设备进行故障预测;呈现模块,对预测出的故障进行呈现;所述预测模块包括:采集单元,利用传感器实时采集所述设备的所述传感数据;分析单元,对所述传感数据进行分析、学习和处理;预测单元,根据所述分析、学习和处理预测出所述设备的故障类型。通过采集设备的数据并对实时采样数据连续处理和分析,让设备在运行过程中的故障模式被在线学习,且实现设备故障的在线实时追踪与预测,让用户可以及时对设备进行预防性的运维,防止非计划停机和事故。
Description
技术领域
本发明涉及物联网领域,具体涉及一种设备故障预测系统和方法。
背景技术
大数据一般定义为一种规模大到在获取、存储、管理、分析方面大大超出了传统数据库软件工具能力范围的数据集合,具有海量的数据规模、快速的数据流转、多样的数据类型和价值密度低等四大特征。
大数据技术的战略意义不在于掌握庞大的数据信息,而在于对这些含有意义的数据进行专业化处理。换而言之,如果把大数据比作一种产业,那么这种产业实现盈利的关键,在于提高对数据的“加工能力”,通过“加工”实现数据的“增值”和构建商业模式。
从技术上看,大数据与云计算的关系就像一枚硬币的正反面一样密不可分。大数据必然无法用单台的计算机进行处理,必须采用分布式架构。它的特色在于对海量数据进行分布式数据挖掘。但它必须依托云计算的分布式处理、分布式数据库和云存储、虚拟化技术。而实时计算或者说实时数据处理是大数据应用的一个基础环节和关键技术,是实现基于数据的快速响应、快速决策的关键。
转动设备的维护是非常昂贵且极消耗资源的,在连续性生产中,企业常常需要存储大量的备配件来保障快速修复他们的泵、风机等设备。但即使在准备充足的备配件的情况下,设备故障也会引起生产交付延迟、成本高昂的维修等问题。传统的对故障预防的方式是通过定期人员巡检,让技术专家每周或每月进行预防性的检修,而由人员实现的数据采集不足以用于发现所有问题,以实现计划性的维修。故障导致的非计划的停产将会产生紧急事故和生产效率的破坏。因为目前无法对潜在故障进行预测,则需付出昂贵的事故和维修成本,造成生产损失。
发明内容
本发明为了解决对潜在故障预测的问题,提供一种设备故障预测系统和方法。
为了解决上述问题,本发明采用的技术方案如下所述:
一种基于设备故障预测系统,包括:预测模块,对设备进行故障预测;
呈现模块,对预测出的故障进行呈现;所述预测模块包括:采集单元,利用传感器实时采集所述设备的所述传感数据;分析单元,对所述传感数据进行分析、学习和处理;预测单元,根据所述分析、学习和处理预测出所述设备的故障类型。
优选地,包括传感器、传感数据集线器、边缘网关和云端平台。
优选地,所述传感器包括加速度计和转速计。
本发明还包括一种设备故障预测系统预测故障的方法,包括如下步骤:
S1:对设备进行故障预测;
S2:对预测出的故障进行呈现;
所述对设备进行故障预测包括如下步骤:
S11:所述传感器实时采集设备的震动信息,并将采集的数据传输给所述传感数据集线器;所述传感数据集线器接收来自所述传感器的数据并将所述数据传输给所述边缘网关;
S12:所述边缘网关接收所述数据并对数据进行分析、学习和处理,形成动态的震动特征和不同类别的异常特征;
S13:所述边缘网关根据所述震动特征和异常特征对后续数据进行检测,对故障进行预测,并将异常数据和预测出的故障类型发送给云端平台;
所述对预测出的故障进行呈现包括:
S21:所述云端平台接收来自所述边缘网关的数据并存储,同时提供可视化展示。
优选地,所述步骤S12中包括如下步骤:
T1:将实时接收到的数据缓存,每秒钟接收到的10000-20000个采样值形成一个向量,并按秒将5-10分钟内的向量组成一个原始数据矩阵;
T2:将所述原始数据矩阵作快速傅立叶变换,变换为频域矩阵;
T3:对所述频域矩阵做连续的聚类学习,生成不同样本组成的点群,将所述点群中样本数最多的定义为主群,所述主群对应正常模式;
T4:基于所述点群,构建一个决策树模型。
优选地,根据所述决策树模型对实时传入的快速傅立叶变换的采样数据进行故障预测。
优选地,所述步骤S13中的故障预测包括如下步骤:
T51:所述实时传入的快速傅立叶变换的采样数据对应正常模式,则判断为正常,并将该采样值忽略,重复步骤T51,对后续采样数据进行判断;否则进入步骤T52;
T52:保留所述对应异常模式的采样数据,对下一个采样数据进行判断,
若为正常模式,则判断所述设备状态为正常,并将所述两个采样数据释放;
若连续T个采样数据为异常模式,则预测设备具有所述异常模式对应的故障,所述T为大于2的自然数,并将所述T+1个采样数据和所述预测传给云端平台;
若在连续出现X个采样数据为所述异常模式之后,第X+1个数据不属于所述异常模式,所述X为满足:1≤X<T的自然数,则进入步骤T53;
T53:保留所述X个采样数据,判断所述第X+1个采样数据:
若为正常模式,则预测设备为正常,并将所述X+1个采样数据释放;
若所述第X+1个采样数据为另外一种异常模式,且后面连续T个采样为所述另外一种异常模式,则预测设备同时具有所述X+1个采样数据对应的故障和所述T+1个采用数据所对应的故障,并将所述X+1个采样数据、所述T+1采样数据和所述预测传给云端平台;
若所述第X+1个采样数据为另外一种异常模式,且后面连续出现T-X次采样为所述X个采样数据对应的异常模式,则预测设备具有所述X个采样数据对应的故障,并将所述对应故障的T+1个采样数据、所述第X+1个采样数据和所述预测传给云端平台。
优选地,所述采样数据包括震动数据。
优选地,所述云端平台将所述故障信息发送到用户终端。
本发明还包括一种包含计算机程序的计算机可读存储介质,所述计算机程序可操作来使计算机执行如上任一所述的方法。
本发明的有益效果为:提供一种设备故障预测系统和方法,通过采集设备采集数据并对实时采样数据分析、学习和处理,让设备在运行过程中的故障模式被在线学习,且实现设备故障的在线实时追踪与预测,实现用户及时对设备进行预防性的运维,防止非计划停机和事故。
附图说明
图1是本发明实施例1的设备故障预测系统示意图。
图2是本发明实施例2的设备故障预测系统的预测故障的方法示意图。
图3是本发明实施例2的边缘网关接收所述数据并对数据进行分析和学习示意图。
图4是本发明实施例2的根据所述决策树模型对实时传入的快速傅立叶变换的采样数据进行故障预测示意图。
图5是本发明实施例2的在某个时间窗内的原始震动采样数据示意图。
图6是本发明实施例2的在某个时间窗内的震动采样数据通过FFT变换后的频域数据示意图。
图7是本发明实施例2的在某个时间窗内的震动采样数据通过FFT变换后的频域数据示意图。
图8是本发明实施例2的主群示意图。
其中,1-加速度计,2-转速计,3-轴承,4-伺服电机,5-传感器与传感数据集线器之间的数据接口,6-传感数据集线器与边缘网关之间的接口,7-边缘网关与云端平台之间的接口,8-传感数据集线器,9-边缘网关,10-云端平台,11-用户终端,12-主群。
具体实施方式
下面结合附图通过具体实施例对本发明进行详细的介绍,以使更好的理解本发明,但下述实施例并不限制本发明范围。另外,需要说明的是,下述实施例中所提供的图示仅以示意方式说明本发明的基本构思,附图中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的形状、数量及比例可为一种随意的改变,且其组件布局形态也可能更为复杂。
实施例1
如图1所示,一种设备故障预测系统包括驱动设备运作的伺服电机4、加速度计1、转速计2,加速度计1、转速计2合称为传感器并且都设置在轴承3上,速度计1、转速计2采集的数据通过传感器与传感数据集线器之间的数据接口5传输给传感数据集线器8;传感数据集线器8通过传感数据集线器与边缘网关之间的接口6传输给边缘网关9;边缘网关9通过边缘网关与云端平台之间的接口7传输给云端平台10,用户终端11通过网络访问云端平台10的信息。
传感器以每秒钟20000Hz的频率进行震动数据采样,采样的数据将通过BNC电缆或双绞线连接传感数据集线器8,然后将采样数据传输至边缘网关9,传感器采样数据在边缘网关9被进行时序处理和分析。边缘网关9选取5分钟的采样数据进行傅立叶变换,并通过机器学习算法对变换后的值进行分类学习,形成正常的震动特征和不同类别的异常特征。在进行分类学习的同时,边缘网关9持续接收来自传感器的震动采样数据,并基于已经学习的分类进行异常特征探测,如果传入的数据被判断为正常,则边缘网关进行记录,然后将采样数据丢弃;如果传入的数据被判断为异常,则边缘网关9通过以太网通知云端平台10产生告警,并将异常数据发送给云端平台10,云端平台10提供数据的存储、可视化展示和分析用户界面,而用户可以通过手机、电脑等用户终端11通过互联网访问云端平台10提供的用户界面,对所震动传感器所产生的异常数据进行进一步的分析。
在本实施例的变通实施例中,传感器以每秒钟10000Hz的频率进行震动数据采样,边缘网关9选取10分钟的采样数据进行傅立叶变换。
加速度计1、转速计2实时采集设备的传感数据;边缘网关9对所述传感数据进行分析和处理;同时可以预测设备的故障类型,并将异常数据和预测结果发送给云端平台10,远端平台10储存接收的信息,对接收的预测结果进行校正,同时将最终结果可视化的展示,并且把预警信息发送给用户终端11。展示内容包括但不限于:故障类型,发生故障的时间,发生故障的位置。用户终端11可以访问云端平台10获取详细的故障信息。
在本实施例的变通实施例中,一种设备故障预测系统包括预测模块,对设备进行故障预测;呈现模块,对识别出的故障进行呈现;所述预测模块包括:采集单元,利用传感器采集实时采集所述设备的所述传感数据;分析单元,采用预先训练的机器学习模型,对所述传感数据进行分析、学习和处理;预测单元,根据所述分析、学习和处理预测出所述设备的故障类型。只要能够实现相应功能的局部或者全部结构单元的改变和组合都应该视为本发明保护的范围。
实施例2
一种采用如上所述的设备故障预测系统的预测故障的方法,包括如下步骤:
S1:对设备进行故障预测;
S2:对预测出的故障进行呈现。
如图2所示,所述对设备进行故障预测包括如下步骤:
S11:所述传感器实时采集设备的震动信息,并将采集的数据传输给所述传感数据集线器;所述传感数据集线器接收来自所述传感器的数据并将所述数据传输给所述边缘网关;
S12:所述边缘网关接收所述数据并对数据进行分析、学习和处理,形成动态的震动特征和不同类别的异常特征;
S13:所述边缘网关根据所述震动特征和异常特征对后续数据进行检测,对故障进行预测,并将异常数据和预测出的故障类型发送给云端平台;
优选地,所述对预测出的故障进行呈现包括:
S21:所述云端平台接收来自所述边缘网关的数据并存储,同时提供可视化展示。
如图3所示,所述边缘网关接收所述数据并对数据进行分析和学习包括如下步骤:
T1:将实时接收到的数据缓存,每秒钟接收到的10000-20000个采样值形成一个向量,并按秒将5-10分钟内的向量组成一个原始数据矩阵;
T2:将所述原始数据矩阵作快速傅立叶变换,变换为频域矩阵;
T3:对所述频域矩阵做连续的聚类学习,生成不同样本组成的点群,将所述点群中样本数最多的定义为主群,所述主群对应正常模式;
T4:基于所述点群,构建一个决策树模型;
由上述方法可知,可以根据所述决策树模型对实时传入的快速傅立叶变换的采样数据进行故障预测。
如图4所示,所述故障预测包括如下步骤:
T51:所述实时传入的快速傅立叶变换的采样数据对应正常模式,则判断为正常,并将该采样值忽略,重复步骤T51,对后续采样数据进行判断;否则进入步骤T52;
T52:保留所述对应异常模式的采样数据,对下一个采样数据进行判断,
若为正常模式,则判断所述设备状态为正常,并将所述两个采样数据释放;
若连续T个采样数据为异常模式,则预测设备具有所述异常模式对应的故障,所述T为大于2的自然数,并将所述T+1个采样数据和所述预测传给云端平台;
若在连续出现X个采样数据为所述异常模式之后,第X+1个数据不属于所述异常模式,所述X为满足:1≤X<T的自然数,则进入步骤T53;
T53:保留所述X个采样数据,判断所述第X+1个采样数据:
若为正常模式,则预测设备为正常,并将所述X+1个采样数据释放;
若所述第X+1个采样数据为另外一种异常模式,且后面连续T个采样为所述另外一种异常模式,则预测设备同时具有所述X+1个采样数据对应的故障和所述T+1个采用数据所对应的故障,并将所述X+1个采样数据、所述T+1采样数据和所述预测传给云端平台;
若所述第X+1个采样数据为另外一种异常模式,且后面连续出现T-X次采样为所述X个采样数据的异常模式,则预测设备具有所述X个采样数据对应的故障,并将所述对应故障的T+1个采样数据、所述第X+1个采样数据和所述预测传给云端平台。
其中,其中T的值、X的值根据具体的设备类型和项目实现而定。
云端平台10汇集异常数据和所对应的故障信息,将实时将故障信息发送到用户终端,可以设置多次提醒。云端平台10也可以根据故障级别作出应急反应,比如为了避免更大的损失可以紧急停止设备。通过云端的部署,方便用户实现分布式的资产监控与管理,降低整体的IT成本和运营成本;同时通过边缘网关的计算,一方面提高了数据处理的实时性,另一方面减少了往云端传输的数据量,节约了带宽成本。
如图5所示,是某个时间窗内的原始震动采样数据示意图。示意了某个时间窗内的原始采样数据的可视化效果,其中每秒钟有20000个数据点,然后按秒将一个时间段(5-10分钟)的采样数据组合成一个数据矩阵。
如图6所示,是某个时间窗内的震动采样数据通过FFT变换后的频域数据示意图。示意了将原始采样数据通过FFT变换后的频域数据的一种情况,可能对应某种故障模式。
如图7所示,是某个时间窗内的震动采样数据通过FFT变换后的频域数据示意图。示意了将原始采样数据通过FFT变换后的频域数据的另一种情况,可能对应另外一种故障模式。
如图8所示,本发明所涉及的震动采样数据分析方法中的对频域数据进行聚类学习的结果示意,其中主群为样本量最多的集群类别,对应正常模式,聚类算法的收敛依据时当采样数据落入主群的概率变化小于某个阈值P,其中P值根据具体的设备类型和项目实现而定,比如为0.1%。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的技术人员来说,在不脱离本发明构思的前提下,还可以做出若干等同替代或明显变型,而且性能或用途相同,都应当视为属于本发明的保护范围。
Claims (10)
1.一种基于设备故障预测系统,其特征在于,包括:
预测模块,对设备进行故障预测;
呈现模块,对预测出的故障进行呈现;
所述预测模块包括:
采集单元,利用传感器实时采集所述设备的所述传感数据;
分析单元,对所述传感数据进行分析、学习和处理;
预测单元,根据所述分析、学习和处理预测出所述设备的故障类型。
2.如权利要求1所述的设备故障预测系统,其特征在于,包括传感器、传感数据集线器、边缘网关和云端平台。
3.如权利要求1所述的设备故障预测系统,其特征在于,所述传感器包括加速度计和转速计。
4.一种设备故障预测系统预测故障的方法,其特征在于,包括如下步骤:
S1:对设备进行故障预测;
S2:对预测出的故障进行呈现;
所述对设备进行故障预测包括如下步骤:
S11:所述传感器实时采集设备的震动信息,并将采集的数据传输给所述传感数据集线器;所述传感数据集线器接收来自所述传感器的数据并将所述数据传输给所述边缘网关;
S12:所述边缘网关接收所述数据并对数据进行分析、学习和处理,形成动态的震动特征和不同类别的异常特征;
S13:所述边缘网关根据所述震动特征和异常特征对后续数据进行检测,对故障进行预测,并将异常数据和预测出的故障类型发送给云端平台;
所述对预测出的故障进行呈现包括:
S21:所述云端平台接收来自所述边缘网关的数据并存储,同时提供可视化展示。
5.如权利要求4所述的设备故障预测系统的方法,其特征在于,所述步骤S12中包括如下步骤:
T1:将实时接收到的数据缓存,每秒钟接收到的10000-20000个采样值形成一个向量,并按秒将5-10分钟内的向量组成一个原始数据矩阵;
T2:将所述原始数据矩阵作快速傅立叶变换,变换为频域矩阵;
T3:对所述频域矩阵做连续的聚类学习,生成不同样本组成的点群,将所述点群中样本数最多的定义为主群,所述主群对应正常模式;
T4:基于所述点群,构建一个决策树模型。
6.如权利要求5所述的设备故障预测系统的方法,其特征在于,根据所述决策树模型对实时传入的快速傅立叶变换的采样数据进行故障预测。
7.如权利要求6所述的设备故障预测系统的方法,其特征在于,所述步骤S13中的故障预测包括如下步骤:
T51:所述实时传入的快速傅立叶变换的采样数据对应正常模式,则判断为正常,并将该采样值忽略,重复步骤T51,对后续采样数据进行判断;否则进入步骤T52;
T52:保留所述对应异常模式的采样数据,对下一个采样数据进行判断,
若为正常模式,则判断所述设备状态为正常,并将所述两个采样数据释放;
若连续T个采样数据为异常模式,则预测设备具有所述异常模式对应的故障,所述T为大于2的自然数,并将所述T+1个采样数据和所述预测传给云端平台;
若在连续出现X个采样数据为所述异常模式之后,第X+1个数据不属于所述异常模式,所述X为满足:1≤X<T的自然数,则进入步骤T53;
T53:保留所述X个采样数据,判断所述第X+1个采样数据:
若为正常模式,则预测设备为正常,并将所述X+1个采样数据释放;
若所述第X+1个采样数据为另外一种异常模式,且后面连续T个采样为所述另外一种异常模式,则预测设备同时具有所述X+1个采样数据对应的故障和所述T+1个采用数据所对应的故障,并将所述X+1个采样数据、所述T+1采样数据和所述预测传给云端平台;
若所述第X+1个采样数据为另外一种异常模式,且后面连续出现T-X次采样为所述X个采样数据对应的异常模式,则预测设备具有所述X个采样数据对应的故障,并将所述对应故障的T+1个采样数据、所述第X+1个采样数据和所述预测传给云端平台。
8.如权利要求4-7任一所述的设备故障预测系统的方法,其特征在于,所述采样数据包括震动数据。
9.如权利要求4-7任一所述的设备故障预测系统的方法,其特征在于,所述云端平台将所述故障信息发送到用户终端。
10.一种包含计算机程序的计算机可读存储介质,所述计算机程序可操作来使计算机执行如权利要求4-9任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710288855.2A CN106991502A (zh) | 2017-04-27 | 2017-04-27 | 一种设备故障预测系统和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710288855.2A CN106991502A (zh) | 2017-04-27 | 2017-04-27 | 一种设备故障预测系统和方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106991502A true CN106991502A (zh) | 2017-07-28 |
Family
ID=59417001
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710288855.2A Pending CN106991502A (zh) | 2017-04-27 | 2017-04-27 | 一种设备故障预测系统和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106991502A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108491305A (zh) * | 2018-03-09 | 2018-09-04 | 网宿科技股份有限公司 | 一种服务器故障的检测方法及系统 |
CN108681747A (zh) * | 2018-05-11 | 2018-10-19 | 武汉理工大学 | 基于深度学习的旋转机械故障诊断与状态监测系统及方法 |
CN108763002A (zh) * | 2018-05-25 | 2018-11-06 | 郑州云海信息技术有限公司 | 基于机器学习预测cpu故障的方法及系统 |
CN109787829A (zh) * | 2019-01-21 | 2019-05-21 | 北京百度网讯科技有限公司 | 用于生成信息的方法及装置 |
CN110597221A (zh) * | 2018-06-12 | 2019-12-20 | 中华电信股份有限公司 | 机台加工行为异常分析与预测保养系统及其方法 |
CN112235154A (zh) * | 2020-09-09 | 2021-01-15 | 广州安食通信息科技有限公司 | 基于物联网的数据处理方法、系统、装置及介质 |
CN112448861A (zh) * | 2019-08-30 | 2021-03-05 | 北京国双科技有限公司 | 边缘设备的处理方法及装置、存储介质和处理器 |
CN112487216A (zh) * | 2020-12-11 | 2021-03-12 | 苏州协同创新智能制造装备有限公司 | 模具故障预判系统 |
CN112486104A (zh) * | 2019-09-12 | 2021-03-12 | 北京国双科技有限公司 | 基于实时获取传感数据进行设备异常分析的方法及装置 |
CN114330489A (zh) * | 2021-11-24 | 2022-04-12 | 江苏方天电力技术有限公司 | 一种监测设备故障诊断方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103033362A (zh) * | 2012-12-31 | 2013-04-10 | 湖南大学 | 一种基于改进多变量预测模型的齿轮故障诊断方法 |
CN104791187A (zh) * | 2015-04-08 | 2015-07-22 | 武汉四创自动控制技术有限责任公司 | 能实现健康状态预测的水轮机调节系统及方法 |
US20160292578A1 (en) * | 2015-04-03 | 2016-10-06 | BigML, Inc. | Predictive modeling of data clusters |
-
2017
- 2017-04-27 CN CN201710288855.2A patent/CN106991502A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103033362A (zh) * | 2012-12-31 | 2013-04-10 | 湖南大学 | 一种基于改进多变量预测模型的齿轮故障诊断方法 |
US20160292578A1 (en) * | 2015-04-03 | 2016-10-06 | BigML, Inc. | Predictive modeling of data clusters |
CN104791187A (zh) * | 2015-04-08 | 2015-07-22 | 武汉四创自动控制技术有限责任公司 | 能实现健康状态预测的水轮机调节系统及方法 |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108491305A (zh) * | 2018-03-09 | 2018-09-04 | 网宿科技股份有限公司 | 一种服务器故障的检测方法及系统 |
CN108491305B (zh) * | 2018-03-09 | 2021-05-25 | 网宿科技股份有限公司 | 一种服务器故障的检测方法及系统 |
CN108681747B (zh) * | 2018-05-11 | 2021-05-04 | 武汉理工大学 | 基于深度学习的旋转机械故障诊断与状态监测系统及方法 |
CN108681747A (zh) * | 2018-05-11 | 2018-10-19 | 武汉理工大学 | 基于深度学习的旋转机械故障诊断与状态监测系统及方法 |
CN108763002A (zh) * | 2018-05-25 | 2018-11-06 | 郑州云海信息技术有限公司 | 基于机器学习预测cpu故障的方法及系统 |
CN110597221A (zh) * | 2018-06-12 | 2019-12-20 | 中华电信股份有限公司 | 机台加工行为异常分析与预测保养系统及其方法 |
CN110597221B (zh) * | 2018-06-12 | 2023-10-10 | 台湾中华电信股份有限公司 | 机台加工行为异常分析与预测保养系统及其方法 |
CN109787829A (zh) * | 2019-01-21 | 2019-05-21 | 北京百度网讯科技有限公司 | 用于生成信息的方法及装置 |
CN112448861A (zh) * | 2019-08-30 | 2021-03-05 | 北京国双科技有限公司 | 边缘设备的处理方法及装置、存储介质和处理器 |
CN112448861B (zh) * | 2019-08-30 | 2022-07-29 | 北京国双科技有限公司 | 边缘设备的处理方法及装置、存储介质和处理器 |
CN112486104A (zh) * | 2019-09-12 | 2021-03-12 | 北京国双科技有限公司 | 基于实时获取传感数据进行设备异常分析的方法及装置 |
CN112486104B (zh) * | 2019-09-12 | 2022-07-05 | 北京国双科技有限公司 | 基于实时获取传感数据进行设备异常分析的方法及装置 |
CN112235154A (zh) * | 2020-09-09 | 2021-01-15 | 广州安食通信息科技有限公司 | 基于物联网的数据处理方法、系统、装置及介质 |
CN112487216A (zh) * | 2020-12-11 | 2021-03-12 | 苏州协同创新智能制造装备有限公司 | 模具故障预判系统 |
CN114330489A (zh) * | 2021-11-24 | 2022-04-12 | 江苏方天电力技术有限公司 | 一种监测设备故障诊断方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106991502A (zh) | 一种设备故障预测系统和方法 | |
CN111131304B (zh) | 面向云平台大规模虚拟机细粒度异常行为检测方法和系统 | |
CN106371975B (zh) | 一种运维自动化预警方法和系统 | |
CN106611291A (zh) | 信息推送方法和装置 | |
CN107886243A (zh) | 风险识别模型构建和风险识别方法、装置及设备 | |
CN112491854B (zh) | 一种基于fcnn的多方位安全入侵检测方法及系统 | |
CN114519524A (zh) | 基于知识图谱的企业风险预警方法、装置及存储介质 | |
CN110162445A (zh) | 基于主机日志及性能指标的主机健康评价方法及装置 | |
CN108304567B (zh) | 高压变压器工况模式识别与数据分类方法及系统 | |
CN111754241A (zh) | 一种用户行为感知方法、装置、设备及介质 | |
CN110414152A (zh) | 民机试飞振动故障预测模型和预测系统 | |
CN113392760A (zh) | 一种基于视频的不停航施工不安全行为识别的系统及方法 | |
CN106991577A (zh) | 一种确定目标用户的方法及装置 | |
CN115296933B (zh) | 一种工业生产数据风险等级评估方法及系统 | |
CN111343143A (zh) | 数据识别方法、装置及存储介质 | |
CN110445939A (zh) | 容量资源的预测方法及装置 | |
CN110490486A (zh) | 一种企业大数据管理系统 | |
CN115952544A (zh) | 一种基于大数据的智能存储系统 | |
CN113706291A (zh) | 欺诈风险预测方法、装置、设备及存储介质 | |
CN115660262A (zh) | 一种基于数据库应用的工程智慧质检方法、系统及介质 | |
CN113282920B (zh) | 日志异常检测方法、装置、计算机设备和存储介质 | |
CN108248641A (zh) | 一种城市轨道交通数据处理方法及装置 | |
CN107886217A (zh) | 一种基于聚类算法的员工离职风险预测方法及装置 | |
CN116843395A (zh) | 一种业务系统的告警分级方法、装置、设备及存储介质 | |
CN107122464A (zh) | 一种辅助决策系统及方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170728 |
|
RJ01 | Rejection of invention patent application after publication |