CN107132064A - 基于多传感器的旋转机械系统运行状态监测方法及系统 - Google Patents
基于多传感器的旋转机械系统运行状态监测方法及系统 Download PDFInfo
- Publication number
- CN107132064A CN107132064A CN201710348626.5A CN201710348626A CN107132064A CN 107132064 A CN107132064 A CN 107132064A CN 201710348626 A CN201710348626 A CN 201710348626A CN 107132064 A CN107132064 A CN 107132064A
- Authority
- CN
- China
- Prior art keywords
- mechanical system
- abnormality degree
- rotatory mechanical
- multidimensional
- dimensional
- 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.)
- Granted
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
- G01M99/00—Subject matter not provided for in other groups of this subclass
- G01M99/005—Testing of complete machines, e.g. washing-machines or mobile phones
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开基于多传感器的旋转机械系统运行状态监测方法及系统,其中该方法包括采用任意维传感器来监测旋转机械系统运行状态数据,形成多维原始信号;对各维传感器所监测的数据进行运行状态周期估算,从而得到旋转机械系统信号的运行周期;对各维传感器所监测的数据进行ARIMA模型建模并不断更新ARIMA模型参数;将各维传感器所监测的数据的实测值和ARIMA模型预测值差值的绝对值定义为残差,从而将多维原始信号转换为多维预测残差序列;在每个采样时刻,将多维残差序列分别在每一维上进行异常度计算;将每一维上计算的异常度进行融合得到一维综合异常度时间序列;在旋转机械系统运行过程中,利用长度固定的滑动窗对一维综合异常度时间序列进行变化点检测。
Description
技术领域
本发明属于机械系统运行状态监测领域,尤其涉及一种基于多传感器的旋转机械系统运行状态监测方法及系统。
背景技术
机械系统运行状态监测是确保机械系统正常运行,预防故障和实现机械系统自动化的关键技术。现有旋转机械系统监测方法,大多使用单一(或单一类型)传感器和相应的算法来实施旋转机械系统的运行状态监测。
而在实际应用中,随着旋转机械系统的复杂化、集成化和自动化水平的提高,依赖于单一(或单一类型)传感器的监测系统往往无法对监测对象进行全面有效的监测。
发明内容
为了解决现有技术的不足,本发明提供了一种基于多传感器的旋转机械系统运行状态监测方法,该方法通过对采集到的多维时序信号进行时域分析可以精确检测和识别机械系统状态发生变化的变化点位置。
本发明的一种基于多传感器的旋转机械系统运行状态监测方法,包括:
采用任意维传感器来监测旋转机械系统运行状态数据,形成多维原始信号;
对各维传感器所监测的数据进行运行状态周期估算,从而得到旋转机械系统信号的运行周期;
对各维传感器所监测的数据进行ARIMA模型建模并不断更新ARIMA模型参数;
将各维传感器所监测的数据的实测值和ARIMA模型预测值差值的绝对值定义为残差,从而将多维原始信号转换为多维预测残差序列;
在每个采样时刻,将多维残差序列分别在每一维上进行异常度计算;
将每一维上计算的异常度进行融合得到一维综合异常度时间序列;
在旋转机械系统运行过程中,利用一个长度固定的滑动窗对一维综合异常度时间序列进行变化点检测,进而判断出当前采样时刻是否为旋转机械系统的变化点。
进一步的,利用一个长度固定的滑动窗对一维综合异常度时间序列进行变化点检测的过程中,若当前滑动窗中第一个综合异常度大于设定的阈值,则当前滑动窗中第一个综合异常度所对对应的采样时刻为旋转机械系统的变化点。
进一步的,利用一个长度固定的滑动窗对一维综合异常度时间序列进行变化点检测的过程中,若当前滑动窗中第一个综合异常度不大于设定的阈值,则向后移动滑动窗,继续检测旋转机械系统的变化点。
进一步的,利用动态时间归整算法对各维传感器所监测的数据进行运行状态周期估算。
进一步的,在每个采样时刻,将多维残差序列分别在每一维上利用累积和算法进行异常度计算。
本发明还提供了一种基于多传感器的旋转机械系统运行状态监测系统。
本发明的一种基于多传感器的旋转机械系统运行状态监测系统,包括:
任意维传感器,其被配置为监测旋转机械系统运行状态数据,形成多维原始信号并传送至处理器;
处理器,其被配置为:
对各维传感器所监测的数据进行运行状态周期估算,从而得到旋转机械系统信号的运行周期;
对各维传感器所监测的数据进行ARIMA模型建模并不断更新ARIMA模型参数;
将各维传感器所监测的数据的实测值和ARIMA模型预测值差值的绝对值定义为残差,从而将多维原始信号转换为多维预测残差序列;
在每个采样时刻,将多维残差序列分别在每一维上进行异常度计算;
将每一维上计算的异常度进行融合得到一维综合异常度时间序列;
在旋转机械系统运行过程中,利用一个长度固定的滑动窗对一维综合异常度时间序列进行变化点检测,进而判断出当前采样时刻是否为旋转机械系统的变化点。
进一步的,所述处理器还被配置为:若当前滑动窗中第一个综合异常度大于设定的阈值,则当前滑动窗中第一个综合异常度所对对应的采样时刻为旋转机械系统的变化点。
进一步的,所述处理器还被配置为:若当前滑动窗中第一个综合异常度不大于设定的阈值,则向后移动滑动窗,继续检测旋转机械系统的变化点。
进一步的,所述处理器还被配置为:利用动态时间归整算法对各维传感器所监测的数据进行运行状态周期估算。
进一步的,所述处理器还被配置为:在每个采样时刻,将多维残差序列分别在每一维上利用累积和算法进行异常度计算。
与现有技术相比,本发明的有益效果是:
本发明在旋转机械系统运行过程中对多传感器采集数据进行变化点检测进而有效的监测其运行状态,无需先验知识,可进行在线实时无监督运行状态监测,同时适用于多种类型传感器(声音,电流,振动)的采集信息监测。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。
图1是本发明的基于多传感器的旋转机械系统运行状态监测方法应用实施例图;
图2是采集原始信号示意;
图3为本发明的基于多传感器的旋转机械系统运行状态监测方法的监测结果;
图4为本发明的基于多传感器的旋转机械系统运行状态监测方法的流程图。
具体实施方式
应该指出,以下详细说明都是例示性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
本发明的基于多传感器的旋转机械系统运行状态监测方法中的传感器包括:电流传感器、多个振动传感器和声音传感器。如图1所示,电流传感器、多个振动传感器和声音传感器分别与数据采集卡相连,所述数据采集卡与计算机相连。其中,电流传感器还与步进电机控制器相连,步进电机控制器还与脉冲控制器相连。
图4为本发明的基于多传感器的旋转机械系统运行状态监测方法的流程图。
如图4所示,本发明的基于多传感器的旋转机械系统运行状态监测方法,具体包含:
(1)多维信号预测残差计算,内容如下:
(1-1)对任意维传感器所监测的数据进行运行状态周期估算从而得到旋转机械系统信号的运行周期,如图2所示。
具体地,使用动态时间归整(Dynamic Time Warping,DTW)进行运行状态周期估算,具体过程为:
任取某一维传感器的一段数据使用动态时间归整(Dynamic Time Warping,DTW)算法进行运行状态周期估算得到旋转机械系统运行周期T,具体实施方法为:使用DTW算法将截取不同长度l∈[la,lb]([la,lb]为周期长度候选区间,一般设置为[fs/20,fs/2],fs为采样频率,也可以根据经验进行设置)的子序列yl与原始序列X进行重复无重叠的匹配。匹配相似度C最大时的子序列长度即为信号周期,即:
(1-2)在机械系统运行的前若干个周期分别对各维传感器信号进行ARIMA模型建模并在以后的运行过程中不断更新ARIMA模型参数。
具体地,在每一维信号上,将时刻t表示成t=nT+v,这里t为第n个周期的第v相,其中1≤v≤T,假定此刻采样值xnT+v,由模型xnT+v=μv+β(nT+v)+cnT+v,独立产生,其中εnT+v为误差且期望为0。我们遍历N个周期通过
可以求得模型中的系数μv和β。在旋转机械系统运行的前两个循环(N=2)根据上式求得系数后,在以后的监测过程中模型系数将根据上式不断更新。
(1-3)将各维传感器信号的实测值和ARIMA模型预测值差值的绝对值定义为残差,从而将多维原始信号转换为多维预测残差序列。
具体地,根据所建立的模型给出监测时间点的预测值并将监测时间点处的实测值和估计值得差值的绝对值定义为残差。对多维原始信号序列进行如上操作得到多维残差序列。
(2)多维信号变化点检测,步骤如下:
(2-1)在每个采样时刻,将上述得到的多维残差序列分别在每一维上进行异常度计算。
具体地,将上述得到的多维残差序列分别在每一维上利用累积和(cumulativesum,CUSUM)算法进行异常度计算。
其中,对于一维残差序列L维监测滑动窗长,ti为滑动窗内第一个采样时刻,pt为在t采样时刻对应的采样点。设c为此刻所监测的采样时刻,该采样时刻将一维残差序列分为两部分,记作:和{pc:c+L-1}。利用累积和(cumulative sum,CUSUM)算法计算两部分数据分布变化并定义为该点的异常度:
其中一维数据监测滑动窗窗长L通常设置为500个采样点,通过上式可以计算一维残差序列每一个采样时刻所对应的异常度其值越大就意味着该维时间序列在此刻为变化点的可能性越大。当考虑多维数据时,通过上式在每一个采样时刻同时计算各维的异常度得到向量其中D为原始多维数据维数或者说传感器个数。
(2-2)将每一维上计算的异常度进行融合得到一维综合异常度时间序列。
将各维异常度进行数据聚合,用表示c采样时刻各维异常度的平均值;表示c采样时刻各维异常度的最大值,即综合异常度的计算公式如下:
α为人工设置的参数,一般情况下设置为0.5,环境噪声较大时在[0,0.5)取值,环境噪声较小时在(0.5,1]之间取值,至此多维原始信号被变换为一维综合异常度时间序列{ζt}。
(2-3)通过使用一个长度固定的滑动窗(size-fixed sliding window)在机械系统运行过程中进行变化点检测,若融合后的异常度大于设定的阈值,则认为此刻机械系统运行状态发生了变化,认为这个采样时刻为机械系统变化点,如图3所示。
若当前滑动窗中第一个综合异常度大于设定的阈值,则当前滑动窗中第一个综合异常度所对对应的采样时刻为旋转机械系统的变化点。
利用一个长度固定的滑动窗对一维综合异常度时间序列进行变化点检测的过程中,若当前滑动窗中第一个综合异常度不大于设定的阈值,则向后移动滑动窗,继续检测旋转机械系统的变化点。
通过使用一个长度固定的滑动窗(size-fixed sliding window)[ti,ti+L](其中L为滑动窗窗长,应用中设为1000采样点,ti为滑动窗内第一个采样时刻)在机械系统运行过程中对融合后的综合异常度序列{ζt}进行变化点检测。在滑动窗内提出如下的假设检验:
Η0:max{ζt}≥λ,i.e.,
ΗA:max{ζt}<λ,i.e.,
no change occurs
即综合异常度ζ大于设定的阈值λ,则认为此刻(假定为tp)机械系统运行状态发生了变化并输出此时变化点位置tp同时更新滑动窗参数ti=tp继续滑动监测窗口;若在滑动窗内综合异常度ζ均小于阈值λ,则认为此时滑动窗内无变化点存在,并更新滑动窗参数ti=ti+1后继续滑动监测窗口。应用中阈值λ需要通过预实验来确定。
本发明还提供了一种基于多传感器的旋转机械系统运行状态监测系统。该系统包括:
(1)任意维传感器,其被配置为监测旋转机械系统运行状态数据,形成多维原始信号并传送至处理器;
(2)处理器,其被配置为:
对各维传感器所监测的数据进行运行状态周期估算,从而得到旋转机械系统信号的运行周期;
对各维传感器所监测的数据进行ARIMA模型建模并不断更新ARIMA模型参数;
将各维传感器所监测的数据的实测值和ARIMA模型预测值差值的绝对值定义为残差,从而将多维原始信号转换为多维预测残差序列;
在每个采样时刻,将多维残差序列分别在每一维上进行异常度计算;
将每一维上计算的异常度进行融合得到一维综合异常度时间序列;
在旋转机械系统运行过程中,利用一个长度固定的滑动窗对一维综合异常度时间序列进行变化点检测,进而判断出当前采样时刻是否为旋转机械系统的变化点。
其中,处理器还被配置为:若当前滑动窗中第一个综合异常度大于设定的阈值,则当前滑动窗中第一个综合异常度所对对应的采样时刻为旋转机械系统的变化点。
所述处理器还被配置为:若当前滑动窗中第一个综合异常度不大于设定的阈值,则向后移动滑动窗,继续检测旋转机械系统的变化点。
所述处理器还被配置为:利用动态时间归整算法对各维传感器所监测的数据进行运行状态周期估算。
所述处理器还被配置为:在每个采样时刻,将多维残差序列分别在每一维上利用累积和算法进行异常度计算。
本发明在旋转机械系统运行过程中对多传感器采集数据进行变化点检测进而有效的监测其运行状态,无需先验知识,可进行在线实时无监督运行状态监测,同时适用于多种类型传感器(声音,电流,振动)的采集信息监测。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (10)
1.一种基于多传感器的旋转机械系统运行状态监测方法,其特征在于,包括:
采用任意维传感器来监测旋转机械系统运行状态数据,形成多维原始信号;
对各维传感器所监测的数据进行运行状态周期估算,从而得到旋转机械系统信号的运行周期;
对各维传感器所监测的数据进行ARIMA模型建模并不断更新ARIMA模型参数;
将各维传感器所监测的数据的实测值和ARIMA模型预测值差值的绝对值定义为残差,从而将多维原始信号转换为多维预测残差序列;
在每个采样时刻,将多维残差序列分别在每一维上进行异常度计算;
将每一维上计算的异常度进行融合得到一维综合异常度时间序列;
在旋转机械系统运行过程中,利用一个长度固定的滑动窗对一维综合异常度时间序列进行变化点检测,进而判断出当前采样时刻是否为旋转机械系统的变化点。
2.如权利要求1所述的一种基于多传感器的旋转机械系统运行状态监测方法,其特征在于,利用一个长度固定的滑动窗对一维综合异常度时间序列进行变化点检测的过程中,若当前滑动窗中第一个综合异常度大于设定的阈值,则当前滑动窗中第一个综合异常度所对对应的采样时刻为旋转机械系统的变化点。
3.如权利要求2所述的一种基于多传感器的旋转机械系统运行状态监测方法,其特征在于,利用一个长度固定的滑动窗对一维综合异常度时间序列进行变化点检测的过程中,若当前滑动窗中第一个综合异常度不大于设定的阈值,则向后移动滑动窗,继续检测旋转机械系统的变化点。
4.如权利要求1所述的一种基于多传感器的旋转机械系统运行状态监测方法,其特征在于,利用动态时间归整算法对各维传感器所监测的数据进行运行状态周期估算。
5.如权利要求1所述的一种基于多传感器的旋转机械系统运行状态监测方法,其特征在于,在每个采样时刻,将多维残差序列分别在每一维上利用累积和算法进行异常度计算。
6.一种基于多传感器的旋转机械系统运行状态监测系统,其特征在于,包括:
任意维传感器,其被配置为监测旋转机械系统运行状态数据,形成多维原始信号并传送至处理器;
处理器,其被配置为:
对各维传感器所监测的数据进行运行状态周期估算,从而得到旋转机械系统信号的运行周期;
对各维传感器所监测的数据进行ARIMA模型建模并不断更新ARIMA模型参数;
将各维传感器所监测的数据的实测值和ARIMA模型预测值差值的绝对值定义为残差,从而将多维原始信号转换为多维预测残差序列;
在每个采样时刻,将多维残差序列分别在每一维上进行异常度计算;
将每一维上计算的异常度进行融合得到一维综合异常度时间序列;
在旋转机械系统运行过程中,利用一个长度固定的滑动窗对一维综合异常度时间序列进行变化点检测,进而判断出当前采样时刻是否为旋转机械系统的变化点。
7.如权利要求6所述的一种基于多传感器的旋转机械系统运行状态监测系统,其特征在于,所述处理器还被配置为:若当前滑动窗中第一个综合异常度大于设定的阈值,则当前滑动窗中第一个综合异常度所对对应的采样时刻为旋转机械系统的变化点。
8.如权利要求7所述的一种基于多传感器的旋转机械系统运行状态监测系统,其特征在于,所述处理器还被配置为:若当前滑动窗中第一个综合异常度不大于设定的阈值,则向后移动滑动窗,继续检测旋转机械系统的变化点。
9.如权利要求6所述的一种基于多传感器的旋转机械系统运行状态监测系统,其特征在于,所述处理器还被配置为:利用动态时间归整算法对各维传感器所监测的数据进行运行状态周期估算。
10.如权利要求6所述的一种基于多传感器的旋转机械系统运行状态监测系统,其特征在于,所述处理器还被配置为:在每个采样时刻,将多维残差序列分别在每一维上利用累积和算法进行异常度计算。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710348626.5A CN107132064B (zh) | 2017-05-17 | 2017-05-17 | 基于多传感器的旋转机械系统运行状态监测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710348626.5A CN107132064B (zh) | 2017-05-17 | 2017-05-17 | 基于多传感器的旋转机械系统运行状态监测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107132064A true CN107132064A (zh) | 2017-09-05 |
CN107132064B CN107132064B (zh) | 2019-02-26 |
Family
ID=59731757
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710348626.5A Expired - Fee Related CN107132064B (zh) | 2017-05-17 | 2017-05-17 | 基于多传感器的旋转机械系统运行状态监测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107132064B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108537174A (zh) * | 2018-04-09 | 2018-09-14 | 山东大学 | 时变工况条件下旋转机械运行状态在线监测方法及系统 |
CN108710757A (zh) * | 2018-05-18 | 2018-10-26 | 山东大学 | 基于时变参数预测模型的机械运行状态监测方法及装置 |
CN110795599A (zh) * | 2019-10-18 | 2020-02-14 | 山东师范大学 | 基于多尺度图的视频突发事件监测方法及系统 |
CN110912775A (zh) * | 2019-11-26 | 2020-03-24 | 中盈优创资讯科技有限公司 | 物联网企业网络故障的监控方法及装置 |
CN111551383A (zh) * | 2020-05-12 | 2020-08-18 | 山东大学 | 一种基于异质多传感器的机械状态监测方法及系统 |
CN111767930A (zh) * | 2019-04-01 | 2020-10-13 | 北京百度网讯科技有限公司 | 物联网时序数据异常检测方法及其相关设备 |
CN111819042A (zh) * | 2018-02-28 | 2020-10-23 | 日产自动车株式会社 | 异常检测装置及异常检测方法 |
CN112231341A (zh) * | 2020-09-03 | 2021-01-15 | 山东师范大学 | 基于多数据通道分析的云平台异常检测方法与系统 |
CN112286771A (zh) * | 2020-11-03 | 2021-01-29 | 中国电子科技集团公司第二十八研究所 | 一种针对全域资源监控的告警方法 |
CN113723486A (zh) * | 2021-08-23 | 2021-11-30 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种离心泵多模态监测数据清洗及建模方法 |
CN114353881A (zh) * | 2022-03-18 | 2022-04-15 | 广东银纳增材制造技术有限公司 | 一种基于复合传感器的设备异常监测方法及系统 |
CN116058298A (zh) * | 2023-03-06 | 2023-05-05 | 北京市农林科学院信息技术研究中心 | 家畜行为监测方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN2814373Y (zh) * | 2005-06-30 | 2006-09-06 | 上海汽轮机有限公司 | 高速旋转机械气流激振模拟与振动测试装置 |
US20150278284A1 (en) * | 2014-03-31 | 2015-10-01 | Emc Corporation | Heteroscedastic Data Compression Using Arima-Garch Model Estimation |
US20160379676A1 (en) * | 2015-06-25 | 2016-12-29 | HGST Netherlands B.V. | Hdd magnetic head degradation field-failure detection and prediction |
CN106529145A (zh) * | 2016-10-27 | 2017-03-22 | 浙江工业大学 | 一种基于arima‑bp神经网络的桥梁监测数据预测方法 |
-
2017
- 2017-05-17 CN CN201710348626.5A patent/CN107132064B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN2814373Y (zh) * | 2005-06-30 | 2006-09-06 | 上海汽轮机有限公司 | 高速旋转机械气流激振模拟与振动测试装置 |
US20150278284A1 (en) * | 2014-03-31 | 2015-10-01 | Emc Corporation | Heteroscedastic Data Compression Using Arima-Garch Model Estimation |
US20160379676A1 (en) * | 2015-06-25 | 2016-12-29 | HGST Netherlands B.V. | Hdd magnetic head degradation field-failure detection and prediction |
CN106529145A (zh) * | 2016-10-27 | 2017-03-22 | 浙江工业大学 | 一种基于arima‑bp神经网络的桥梁监测数据预测方法 |
Non-Patent Citations (1)
Title |
---|
胡莘 等: "一种基于ARIMA的无线传感器网络链路质量预测方法", 《计算机应用与软件》 * |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111819042A (zh) * | 2018-02-28 | 2020-10-23 | 日产自动车株式会社 | 异常检测装置及异常检测方法 |
CN111819042B (zh) * | 2018-02-28 | 2023-06-13 | 日产自动车株式会社 | 异常检测装置及异常检测方法 |
CN108537174B (zh) * | 2018-04-09 | 2020-05-08 | 山东大学 | 时变工况条件下旋转机械运行状态在线监测方法及系统 |
CN108537174A (zh) * | 2018-04-09 | 2018-09-14 | 山东大学 | 时变工况条件下旋转机械运行状态在线监测方法及系统 |
CN108710757A (zh) * | 2018-05-18 | 2018-10-26 | 山东大学 | 基于时变参数预测模型的机械运行状态监测方法及装置 |
CN108710757B (zh) * | 2018-05-18 | 2022-10-21 | 山东大学 | 基于时变参数预测模型的机械运行状态监测方法及装置 |
CN111767930A (zh) * | 2019-04-01 | 2020-10-13 | 北京百度网讯科技有限公司 | 物联网时序数据异常检测方法及其相关设备 |
CN110795599B (zh) * | 2019-10-18 | 2022-04-15 | 山东师范大学 | 基于多尺度图的视频突发事件监测方法及系统 |
CN110795599A (zh) * | 2019-10-18 | 2020-02-14 | 山东师范大学 | 基于多尺度图的视频突发事件监测方法及系统 |
CN110912775A (zh) * | 2019-11-26 | 2020-03-24 | 中盈优创资讯科技有限公司 | 物联网企业网络故障的监控方法及装置 |
CN111551383A (zh) * | 2020-05-12 | 2020-08-18 | 山东大学 | 一种基于异质多传感器的机械状态监测方法及系统 |
CN112231341A (zh) * | 2020-09-03 | 2021-01-15 | 山东师范大学 | 基于多数据通道分析的云平台异常检测方法与系统 |
CN112286771A (zh) * | 2020-11-03 | 2021-01-29 | 中国电子科技集团公司第二十八研究所 | 一种针对全域资源监控的告警方法 |
CN112286771B (zh) * | 2020-11-03 | 2024-02-09 | 中国电子科技集团公司第二十八研究所 | 一种针对全域资源监控的告警方法 |
CN113723486A (zh) * | 2021-08-23 | 2021-11-30 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种离心泵多模态监测数据清洗及建模方法 |
CN114353881A (zh) * | 2022-03-18 | 2022-04-15 | 广东银纳增材制造技术有限公司 | 一种基于复合传感器的设备异常监测方法及系统 |
CN116058298A (zh) * | 2023-03-06 | 2023-05-05 | 北京市农林科学院信息技术研究中心 | 家畜行为监测方法及装置 |
CN116058298B (zh) * | 2023-03-06 | 2023-09-12 | 北京市农林科学院信息技术研究中心 | 家畜行为监测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN107132064B (zh) | 2019-02-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107132064A (zh) | 基于多传感器的旋转机械系统运行状态监测方法及系统 | |
Zhou et al. | Tool wear condition monitoring in milling process based on current sensors | |
TWI481978B (zh) | 工具機之加工品質的預測方法 | |
Azamfar et al. | Deep learning-based domain adaptation method for fault diagnosis in semiconductor manufacturing | |
Geramifard et al. | A physically segmented hidden Markov model approach for continuous tool condition monitoring: Diagnostics and prognostics | |
CN107145645B (zh) | 带不确定冲击的非平稳退化过程剩余寿命预测方法 | |
WO2016155241A1 (zh) | 基于Kalman滤波器的容量预测方法、系统和计算机设备 | |
Huang et al. | A PNN self-learning tool breakage detection system in end milling operations | |
Aliustaoglu et al. | Tool wear condition monitoring using a sensor fusion model based on fuzzy inference system | |
JP2022037241A (ja) | 異常検出システム、異常検出方法、異常検出プログラム及び学習済モデル生成方法 | |
CN108959778B (zh) | 一种基于退化模式一致性的航空发动机剩余寿命预测方法 | |
CN111353482A (zh) | 一种基于lstm的疲劳因子隐性异常检测及故障诊断方法 | |
WO2019216941A1 (en) | Quality inference from living digital twins in iot-enabled manufacturing systems | |
JP2015230727A (ja) | 時系列データ内の異常を検出する方法 | |
CN109829136A (zh) | 一种带随机跳变的退化设备的剩余寿命预测方法及系统 | |
CN114619292B (zh) | 一种基于小波降噪和注意力机制融合gru网络的铣削加工刀具磨损监测方法 | |
CN108710757A (zh) | 基于时变参数预测模型的机械运行状态监测方法及装置 | |
CN110018322B (zh) | 一种基于深度学习的转速检测方法及系统 | |
CN111898443A (zh) | 一种fdm型3d打印机送丝机构流量监测方法 | |
CN110757510A (zh) | 一种机器人剩余寿命预测方法及系统 | |
CN117390591B (zh) | 基于电参量分析的输煤皮带采样机运行监测方法及系统 | |
Wang et al. | Life prediction for machinery components based on CNN-BiLSTM network and attention model | |
CN113703395A (zh) | 一种面向加工变形控制的变工况铣削加工夹紧力预测方法 | |
CN109597403A (zh) | 基于迭代学习滤波器的机电控制系统故障诊断方法 | |
Yang et al. | Crack detection in carbide anvil using acoustic signal and deep learning with particle swarm optimisation |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190226 Termination date: 20200517 |
|
CF01 | Termination of patent right due to non-payment of annual fee |