CN108334033A - 基于物联网与机器学习的冲床组故障预测方法及其系统 - Google Patents
基于物联网与机器学习的冲床组故障预测方法及其系统 Download PDFInfo
- Publication number
- CN108334033A CN108334033A CN201810167351.XA CN201810167351A CN108334033A CN 108334033 A CN108334033 A CN 108334033A CN 201810167351 A CN201810167351 A CN 201810167351A CN 108334033 A CN108334033 A CN 108334033A
- Authority
- CN
- China
- Prior art keywords
- punching machine
- internet
- state parameter
- machine group
- failure prediction
- 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
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
- G05B19/406—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by monitoring or safety
- G05B19/4065—Monitoring tool breakage, life or condition
-
- 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
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/37—Measurements
- G05B2219/37616—Use same monitoring tools to monitor tool and workpiece
Landscapes
- Engineering & Computer Science (AREA)
- Human Computer Interaction (AREA)
- Manufacturing & Machinery (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于物联网与机器学习的冲床组故障预测系统及方法，其通过采集器实时采集冲床组中每一个冲床的运行状态参数，然后发送至物联网云端，然后根据预先构建的基于随机森林的机床故障预测模型对实时采集的数据进行预测，得到预测结果。本发明技术方案能够在故障发生前预测冲床某些隐性故障，以便及时检修和维护冲床，进而降低模具损耗率，提高冲床的无故障工作时间，保证产品质量的稳定性和可靠性；同时也可完成冲床组及其它类似多机床的远程监控、调度、管理等工作，为企业的生产调度、计划安排及产品质量的稳定提供技术保障，具有广泛的应用前景。
Description
技术领域
本发明涉及机械设备故障诊断技术领域，具有涉及一种基于物联网和机器学习得冲床组故障预测方法及其系统。
背景技术
冲床运行过程中，会出现连冲现象，该问题是冲床的常见故障。但造成的结果十分严重，轻者产品报废，重者损坏冲压模具。对于一个连续工作的冲床来讲，损坏模具会严重影响产品得生产进度。冲床长期运行在一种不正常的状态也会严重影响产品的质量。因此，能够越早预测冲床某些隐性故障，及时检修冲床，从而降低模具损耗率，对企业得生产运营具有极为重要得现实意义和紧迫性。
发明内容
针对上述存在的技术问题，本发明提供一种基于物联网和机器学习的冲床组故障预测方法及其系统，能够预测出冲床组的故障。
为了解决上述技术问题，本发明采用的技术方案为：一种冲床组的故障预测系统，包括：
多个运行状态采集装置，用于实时采集冲床组的运行状态参数，并发送至物联网云端；
物联网云端，用于存储所述运行状态采集装置发送来的运行状态参数；
监控中心，用于从所述物联网云端获取所述运行状态参数，并结合预先构建的基于随机森林的机床故障预测模型对冲床组中每个冲床进行故障预测，得到预测结果；
其中，所述监控中心包括：
服务器，用于存储从所述物联网云端获取的运行状态参数，以及存储预先已标记的历史运行状态参数；
模型构建模块，用于根据预先已标记的历史所述运行状态参数构建基于随机森林的机床故障预测模型，且在所述随机森林构建过程中，每一棵决策树的每个候选节点在进行节点分裂时，结合ReliefF算法进行特征抽取，得到特征子集，并根据所述特征子集构建目标函数，获取最优残差，并选择最优残差最小的特征值对作为最优切分点进行分裂；；
故障预测模块，用于根据所述模型构建模块预先构建的机床故障预测模型对所述服务器中存储的实时采集到的运行状态参数进行分析处理，得到预测结果。
其中，所述运行状态采集装置包括：
位移传感器，用于实时采集冲床每一次下冲行程过程中的冲头运行轨迹；
双通道振动采集器，用于实时采集冲床每个冲压过程中冲床的振动信号；
物联网模块，用于将所述位移传感器和所述双通道振动采集器所实时采集的数据发送至所述物联网云端。
其中，所述物联网模块包括：
微处理器，用于接收处理所述位移传感器和所述双通道震动采集器所实时采集的数据，得到冲头的最低点位置参数，并打包处理；
通信单元，用于将经过所述微处理器打包的数据发送至所述物联网云端。
电源单元，用于向所述微处理器和所述通信单元提供电能。
进一步地，多个所述通信单元采用串状结构。
进一步地，所述冲床故障预测系统还包括移动终端，则所述故障预测模块还用于当预测到所述冲床组中的至少一个冲床即将发生故障时，向所述移动终端发送报警信号。
本发明还提供了一种冲床组故障预测方法，其包括步骤：
实时获取冲床的运行状态参数，并发送至物联网云端；
根据所述物联网云端中的所述运行状态参数，结合预先构建的基于随机森林的机床故障预测模型对冲床组进行故障预测，得到预测结果；
其中，所述随机森林中每一颗决策树的每个候选节点在进行分裂时，先结合ReliefF算法进行特征抽取，得到特征子集，然后根据所述特征子集构建目标函数，获取最优残差，并将最优残差最小的特征值对作为最优切分点进行分裂。
其中，所述实时获取冲床的运行状态参数的步骤，具体包括步骤：
采用位移传感器实时采集冲床每一次下冲行程中的冲头运动轨迹；
采用双通道振动采集器实时采集冲床每个冲压过程中冲床的振动信号。
进一步地，将所述运行状态参数发送至物联网云端之前，还包括步骤：
对所述位移传感器和所述双通道振动采集器所实时采集的冲头运动轨迹和振动信号进行预处理，得到冲头的最低点位置参数。
本发明的有益之处在于：
本发明公开了一种基于物联网与机器学习的冲床组故障预测系统，其通过采集器实时采集冲床组中每一个冲床的运行状态参数，然后发送至云服务器终端，然后根据预先构建的故障预测模型对实时采集的数据进行预测，得到预测结果。本发明技术方案能够在故障发生前预测冲床某些隐性故障，以便及时检修和维护冲床，进而降低模具损耗率，提高冲床的无故障工作时间，保证产品质量的稳定性和可靠性；同时也可完成冲床组及其它类似多机床的远程监控、调度、管理等工作，为企业的生产调度、计划安排及产品质量的稳定提供技术保障，具有广泛的应用前景。
附图说明
图1为本发明的一种基于物联网的冲床组故障预测方法的一实施例的流程图；
图2为本发明的一种基于物联网的冲床组故障预测系统的一实施例的功能模块图；
图3为图2中采集器的一实施例的结构示意图；
图4为本发明的一种基于物联网的冲床组故障预测系统的一具体实例的示意图。
具体实施方式
下面结合附图，对本发明作详细的说明。
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
实施例一
参见图1，为本发明的一种冲床组故障预测方法的一实施例的流程图，具体地，本实施例中该故障预测方法包括步骤：
S101，实时获取冲床组的运行状态参数。
在一具体实施例中，由于冲床组包括多个冲床，因此，为了实时采集每个冲床的运行状态，为每个冲床配置一个运行状态采集装置来实时采集该冲床组中每一个冲床的运行状态，从而得到该冲床组的运行状态参数，具体地，可采用高精度的位移传感器实时采集冲床运行过程中的冲头运行轨迹，以及双通道振动采集器实时采集冲床运行过程中的振动信号，即本实施例中，该冲床组的运行状态参数包括该冲头运行轨迹和振动信号。
S103，对所获取的运行状态参数进行预处理，并发送至物联网云端。
在一具体实施例中，采用低功耗的STM32F103实时处理高精度位移传感器和双通道振动采集器所采集到数据，即冲头运动轨迹和振动信号，通过对这些实时数据的解析(例如对高精度位移传感器和双通道振动采集器的干扰、除杂、滤波等相关处理)，获得冲头的一个冲压行程的参数以及相应的振动参数，并且完成数据的打包工作，然后通过物联网模块将打包的数据发送至物联网云端。
S105，从该物联网云端获取的运行状态参数，并结合预先构建的基于随机森林的机床故障预测模型进行故障预测，得到预测结果。
本实施例中，预先构建故障预测模型的步骤具体包括步骤：
首先，预先从该物联网云端中获取大量历史运行状态参数据包(数据包的封装以冲床的一个运行行程为计量单位)，且这些历史运行状态参数数据包括预先已经标记类别的和未标记类别的，而这些未标记类别的历史数据则为测试集U。
然后，采用bootstrap法有回放的进行多次抽样，得到训练集L，而未被抽中的包外数据则分别划分为验证集V。在一具体实施例中，令历史运行状态参数集Θ＝{X1,X2,…,XN}，其中，N为样本总数，输入变量X＝(x1， x2，…，xa)，a为变量数(在一具体实施例中，该变量数对应于冲头运行轨迹和冲床的振动信号，即a＝2)；类标签变量Y＝(y1，y2，…yC)，C为类别数，y代表类(本实施例中，该C＝2，即y1为故障，y2为不故障，或 y1代表不故障，y2代表故障)，则一个样本为(Xi，yi)，然后采用bootstrap 法进行多次抽样，多次抽样得到的样本集即为训练集L，而多次抽样未抽取的样本集即为验证集V。
最后，设定决策树数目，并应用各个决策树对该训练集L进行分类训练，得到多个决策树，形成随机森林。
本实施例中，在构建决策树过程中，决策的每个候选节点进行分裂时，结合ReliefF算法计算每个抽取特征的权重，然后按特征权重随机抽取n 个特征(f1,f2,...,fn),得到特征子集，并根据该特征子集构建目标函数，并获取最优残差，然后选择最优残差，即平方误差最小的一个特征值对 (fmin,vmin)作为选取的最优切分点进行分裂，得到一颗决策树，然后重复该过过程即可生成M颗决策树，即该M颗决策树构成随机森林，然后分别采用M个决策树对未标记集U进行预测，得到预测结果，然后根据多数投票结果决定最终预测结果。
在一具体实施例中，结合ReliefF算法计算每个抽取特征的权重的步骤具体包括：
初始化每个特征的权重为0，然后迭代m次(m设置为样本数)，且每次迭代时随机抽取一个样本R，计算与该样本R相同类别的K个最近邻样本 H，以及与该样本R不同类别的K个最近邻样本M，则得到每个特征A的权重：W[A]＝W[A]-diff(A,R,H)/m+diff(A,R,M)/m；
其中，diff(A,R,M)为样本M和样本R在特征A处的距离函数；diff(A,R,H) 为样本H和样本R在特征A处的距离函数，且
在一具体实施例中，当计算得到各个特征权重值后，按特征权重随机抽取n个特征(f1,f2,...,fn)(其中，n＝log2N+1),获得特征子集，并根据该特征子集构建拉普拉斯矩阵S:S＝D-1/2WD-1/2，其中，然后根据该特征子集构建目标函数，并获取最优残差，取最优残差，即平方误差最小的一个特征值对(fmin,vmin)作为选取的最优切分点,继续分裂。
其中，minf{F(y,c1)＝kSF(y,c2)+(1-k)Y(v)}，k∈(0,1)，可自定义，y为目标变量c1为节点1上所有样本对应目标量的均值，c2为节点2所有样本对应目标量的均值，v为该节点所有样本叶子节点对应的一个预测值。
本实施例的冲床组故障预测方法，通过采集器实时采集冲床组中每一个冲床的运行状态参数，然后发送至云服务器终端，然后根据预先构建的故障预测模型对实时采集的数据进行预测，得到预测结果。本发明技术方案能够在故障发生前预测冲床某些隐性故障，以便及时检修和维护冲床，进而降低模具损耗率，提高冲床的无故障工作时间，保证产品质量的稳定性和可靠性；同时也可完成冲床组及其它类似多机床的远程监控、调度、管理等工作，为企业的生产调度、计划安排及产品质量的稳定提供技术保障，具有广泛的应用前景。
实施例二
对应于上述的冲床组故障预测方法，本发明还提供了一种冲床组故障预测系统，下面结合具体实施例和附图对其进行详细的说明。
参见图2，为本发明的一种冲床组故障预测系统的一实施例的结构示意图，具体地，本实施例中的该故障预测系统包括：
运行状态采集装置，用于实时采集冲床的运行状态参数，并将所采集的运行状态参数发送至物联网云端；具体地，参见图3，本实施例中该运行状态采集装置包括采集器和物联网模块，其中，该采集器包括高精度的位移传感器和双通道振动采集器，其中，该位移传感器用于采集冲床运行过程中冲头的运动轨迹，该双通道振动信号采集器用于采集冲床运行过程中的振动信号；其中，该物联网模块用于对该高精度位移传感器和双通道振动采集器所实时采集的运行状态参数进行解析处理，然后打包发送至物联网云端；具体地，参见图3，本实施例中该物联网模块包括微处理器，用于接收并分析处理上述采集器中位移传感器和双通道振动采集所实时采集到的运行状态参数；传输单元，用于将经过微处理器处理后的运行状态参数发送至物联网云端；电源单元，用于向该微处理器和传输单元供电；
物联网云端，用于存储上述运行状态采集装置发送来的冲床组的运行状态参数；
监控中心，用于从该物联网云端获取运行状态参数，并结合预先构建的故障预测模型进行故障预测，得到预测结果；具体地，该监控中心包括服务器，用于存储从该物联网云端获取的运行状态参数，以及存储预先已标记的历史运行状态参数；模型构建模块，用于根据该服务器中存储的预先已标记的历史运行状态参数构建基于随机森林的机床故障预测模型；故障预测模块，用于根据所构建的机床故障预测模型对服务器中存储的实时采集的运行状态参数进行分析处理，得到预测结果；在一具体实施例中，该模型构建模块和故障预测模块都可集成在一个上位机中。
在一具体实施例中，在构建随机森林过程中，每颗决策树的每个候选节点进行节点分裂时，该模型构建模块用于结合ReliefF算法进行特征抽取，得到特征子集，并根据所述特征子集构建目标函数，获取最优残差，并选择最优残差(即平方误差)最小的特征值对作为最优切分点进行分裂；具体地：
首先，该模型构建模块具体用于初始化每个特征的权重为0，然后迭代m次(m设置为样本数)，且每次迭代时随机抽取一个样本R，计算与该样本R相同类别的K个最近邻样本H，以及与该样本R不同类别的K个最近邻样本M，则得到每个特征A的权重：
W[A]＝W[A]-diff(A,R,H)/m+diff(A,R,M)/m；
其中，diff(A,R,M)为样本M和样本R在特征A处的距离函数；diff(A,R,H) 为样本H和样本R在特征A处的距离函数，且
其次，该模型构建模块具体用于当计算得到各个特征权重值后，按特征权重随机抽取n个特征(f1,f2,...,fn)，其中，n＝log2N+1,从而得到特征子集，并根据该特征子集构建拉普拉斯矩阵S:S＝D-1/2WD-1/2，其中，然后根据该特征子集构建目标函数，并获取最优残差，取平方误差最小的一个特征值对(fmin,vmin)作为选取的最优切分点,继续分裂；其中，minf{F(y,c1)＝kSF(y,c2)+(1-k)Y(v)}，k∈(0,1)，可自定义，y为目标变量c1为节点1上所有样本对应目标量的均值，c2为节点2所有样本对应目标量的均值，v为该节点所有样本叶子节点对应的一个预测值。
在另一具体实施例中，该故障预测模块还用于当预测到至少一个冲床即将发生故障时，向用户的移动终端(即用户端)发送预警信号，参见图4。
本实施例的冲床组故障预测系统，通过采集器实时采集冲床组中每一个冲床的运行状态参数，然后发送至云服务器终端，然后根据预先构建的故障预测模型对实时采集的数据进行预测，得到预测结果。本发明技术方案能够在故障发生前预测冲床某些隐性故障，以便及时检修和维护冲床，进而降低模具损耗率，提高冲床的无故障工作时间，保证产品质量的稳定性和可靠性；同时也可完成冲床组及其它类似多机床的远程监控、调度、管理等工作，为企业的生产调度、计划安排及产品质量的稳定提供技术保障，具有广泛的应用前景。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (9)
1.一种冲床组的故障预测系统，其特征在于，包括：
多个运行状态采集装置，用于实时采集冲床组的运行状态参数，并发送至物联网云端；
物联网云端，用于存储所述运行状态采集装置发送来的运行状态参数；
监控中心，用于从所述物联网云端获取所述运行状态参数，并结合预先构建的机床故障预测模型对冲床组中每个冲床进行故障监控预测；
其中，所述监控中心包括：
服务器，用于存储从所述物联网云端获取的运行状态参数，以及存储预先已标记的历史运行状态参数；
模型构建模块，用于根据所述服务器中存储的预先已标记的所述历史运行状态参数构建基于随机森林的机床故障预测模型，且在所述随机森林构建过程中，每一棵决策树的每个候选节点在进行节点分裂时，结合ReliefF算法进行特征抽取，得到特征子集，并根据所述特征子集构建目标函数，获取最优残差，并选择最优残差最小的特征值对作为最优切分点进行分裂；
故障预测模块，用于根据所述模型构建模块预先构建的机床故障预测模型对所述服务器中存储的实时采集到的运行状态参数进行分析处理，得到预测结果。
2.如权利要求1所述的冲床组故障预测系统，其特征在于，所述运行状态采集装置包括：
位移传感器，用于实时采集冲床每一次下冲行程过程中的冲头运行轨迹；
双通道振动采集器，用于实时采集冲床每个冲压过程中冲床的振动信号；
物联网模块，用于将所述位移传感器和所述双通道振动采集器所实时采集的数据发送至所述物联网云端。
3.如权利要求2所述的冲床组故障预测系统，其特征在于，所述物联网模块包括：
微处理器，用于接收处理所述位移传感器和所述双通道震动采集器所实时采集的数据，得到冲头的最低点位置参数，并打包处理；
通信单元，用于将经过所述微处理器打包的数据发送至所述物联网云端。
电源单元，用于向所述微处理器和所述通信单元提供电能。
4.如权利要求3所述的冲床故障预测系统，其特征在于，多个所述通信单元采用串状结构。
5.如权利要求3所述的冲床故障预测系统，其特征在于，还包括移动终端，则所述故障预测模块还用于当预测到所述冲床组中的至少一个冲床即将发生故障时，向所述移动终端发送报警信号；
所述移动终端用于接收所述故障预测模块发送来的报警信号。
6.一种冲床组故障预测方法，其特征在于，包括步骤：
实时获取冲床组的运行状态参数，并发送至物联网云端；
根据所述物联网云端中的所述运行状态参数，结合预先构建的基于随机森林的机床故障预测模型对冲床组进行故障预测，得到预测结果；
其中，所述随机森林中每一棵决策树的每个候选节点在进行分裂时，先结合ReliefF算法进行特征抽取，得到特征子集，然后根据所述特征子集构建目标函数，获取最优残差，并将最优残差最小的特征值对作为最优切分点进行分裂。
7.如权利要求6所述的冲床组故障预测方法，其特征在于，所述实时获取冲床的运行状态参数的步骤，具体包括步骤：
采用位移传感器实时采集冲床每一次下冲行程中的冲头运动轨迹；
采用双通道振动采集器实时采集冲床每个冲压过程中冲床的振动信号。
8.如权利要求7所述的冲床组故障预测方法，其特征在于，将所述运行状态参数发送至物联网云端之前，还包括步骤：
对所述位移传感器和所述双通道振动采集器所实时采集的冲头运动轨迹和振动信号进行预处理，得到冲头的最低点位置参数。
9.如权利要求7所述的冲床组故障预测方法，其特征在于，当预测到所述冲床组中至少一个冲床即将发生故障时，生产报警信号，并反馈至用户的移动终端。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810167351.XA CN108334033A (zh) | 2018-02-28 | 2018-02-28 | 基于物联网与机器学习的冲床组故障预测方法及其系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810167351.XA CN108334033A (zh) | 2018-02-28 | 2018-02-28 | 基于物联网与机器学习的冲床组故障预测方法及其系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108334033A true CN108334033A (zh) | 2018-07-27 |
Family
ID=62930209
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810167351.XA Pending CN108334033A (zh) | 2018-02-28 | 2018-02-28 | 基于物联网与机器学习的冲床组故障预测方法及其系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108334033A (zh) |
Cited By (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109300285A (zh) * | 2018-11-30 | 2019-02-01 | 联想(北京)有限公司 | 预警方法及装置 |
| CN109947079A (zh) * | 2019-03-20 | 2019-06-28 | 阿里巴巴集团控股有限公司 | 基于边缘计算的区域异常检测方法和边缘计算设备 |
| CN110290625A (zh) * | 2019-06-25 | 2019-09-27 | 中科卓天智慧城市科技有限公司 | 公共照明系统 |
| CN110297469A (zh) * | 2019-05-17 | 2019-10-01 | 同济大学 | 基于重采样的集成特征选择算法的生产线故障判断方法 |
| CN110362037A (zh) * | 2019-07-05 | 2019-10-22 | 南京简睿捷软件开发有限公司 | 一种用于数控机床的综合维护系统平台 |
| CN110456732A (zh) * | 2019-08-06 | 2019-11-15 | 武汉恒力华振科技有限公司 | 一种带有学习功能的冲床故障监测系统 |
| TWI684839B (zh) * | 2018-11-30 | 2020-02-11 | 財團法人金屬工業研究發展中心 | 扣件成型機之模具狀態診斷方法及其電腦程式產品 |
| 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 |
| CN110958054A (zh) * | 2019-12-05 | 2020-04-03 | 北京邮电大学 | 一种无线电发射机识别方法及装置 |
| TWI700566B (zh) * | 2019-11-29 | 2020-08-01 | 財團法人金屬工業研究發展中心 | 扣件成型機之模具異常診斷方法及其電腦程式產品 |
| CN111624906A (zh) * | 2020-05-11 | 2020-09-04 | 新智数字科技有限公司 | 设备运行状态确定方法、装置、可读介质及电子设备 |
| CN111966045A (zh) * | 2020-07-08 | 2020-11-20 | 航天科工深圳（集团）有限公司 | 机床撞机监控方法、装置、终端设备及存储介质 |
| CN112242936A (zh) * | 2019-07-19 | 2021-01-19 | 瞻博网络公司 | 用于回放和调试网络设备的实时状态的装置、系统和方法 |
| CN112348419A (zh) * | 2021-01-05 | 2021-02-09 | 光谷技术有限公司 | 一种物联网处理系统和方法 |
| CN113609187A (zh) * | 2021-07-23 | 2021-11-05 | 四川虹美智能科技有限公司 | 基于大数据的故障诊断方法及系统 |
| CN114253242A (zh) * | 2021-12-21 | 2022-03-29 | 上海纽酷信息科技有限公司 | 一种基于vpn的物联网云端设备数据采集系统 |
| CN114441028A (zh) * | 2020-10-30 | 2022-05-06 | 深圳富桂精密工业有限公司 | 超声波传感器 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP3100406B2 (ja) * | 1991-03-06 | 2000-10-16 | ジヤトコ・トランステクノロジー株式会社 | 工作機械の故障予知装置 |
| CN102736561A (zh) * | 2012-07-10 | 2012-10-17 | 北京信息科技大学 | 一种面向机电装备的远程动态自适应规则获取方法 |
| CN105785961A (zh) * | 2016-05-17 | 2016-07-20 | 中国科学技术大学 | 一种基于物联网技术的锻压机床运行工况信息采集与分析系统 |
| CN106682414A (zh) * | 2016-12-23 | 2017-05-17 | 中国科学院深圳先进技术研究院 | 一种建立时序预测模型的方法及装置 |
| CN107390636A (zh) * | 2017-08-28 | 2017-11-24 | 德阳杰创科技有限公司 | 一种数控设备运行监测方法和维护方法及系统 |
-
2018
- 2018-02-28 CN CN201810167351.XA patent/CN108334033A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP3100406B2 (ja) * | 1991-03-06 | 2000-10-16 | ジヤトコ・トランステクノロジー株式会社 | 工作機械の故障予知装置 |
| CN102736561A (zh) * | 2012-07-10 | 2012-10-17 | 北京信息科技大学 | 一种面向机电装备的远程动态自适应规则获取方法 |
| CN105785961A (zh) * | 2016-05-17 | 2016-07-20 | 中国科学技术大学 | 一种基于物联网技术的锻压机床运行工况信息采集与分析系统 |
| CN106682414A (zh) * | 2016-12-23 | 2017-05-17 | 中国科学院深圳先进技术研究院 | 一种建立时序预测模型的方法及装置 |
| CN107390636A (zh) * | 2017-08-28 | 2017-11-24 | 德阳杰创科技有限公司 | 一种数控设备运行监测方法和维护方法及系统 |
Cited By (27)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111260818A (zh) * | 2018-11-30 | 2020-06-09 | 财团法人金属工业研究发展中心 | 扣件成型机的模具状态诊断方法 |
| CN109300285A (zh) * | 2018-11-30 | 2019-02-01 | 联想(北京)有限公司 | 预警方法及装置 |
| CN109300285B (zh) * | 2018-11-30 | 2021-07-16 | 联想(北京)有限公司 | 预警方法及装置 |
| TWI684839B (zh) * | 2018-11-30 | 2020-02-11 | 財團法人金屬工業研究發展中心 | 扣件成型機之模具狀態診斷方法及其電腦程式產品 |
| CN109947079A (zh) * | 2019-03-20 | 2019-06-28 | 阿里巴巴集团控股有限公司 | 基于边缘计算的区域异常检测方法和边缘计算设备 |
| CN110297469B (zh) * | 2019-05-17 | 2022-02-18 | 同济大学 | 基于重采样的集成特征选择算法的生产线故障判断方法 |
| CN110297469A (zh) * | 2019-05-17 | 2019-10-01 | 同济大学 | 基于重采样的集成特征选择算法的生产线故障判断方法 |
| CN110290625B (zh) * | 2019-06-25 | 2021-08-31 | 中科卓天智慧城市科技有限公司 | 公共照明系统 |
| CN110290625A (zh) * | 2019-06-25 | 2019-09-27 | 中科卓天智慧城市科技有限公司 | 公共照明系统 |
| CN110362037A (zh) * | 2019-07-05 | 2019-10-22 | 南京简睿捷软件开发有限公司 | 一种用于数控机床的综合维护系统平台 |
| CN112242936A (zh) * | 2019-07-19 | 2021-01-19 | 瞻博网络公司 | 用于回放和调试网络设备的实时状态的装置、系统和方法 |
| CN112242936B (zh) * | 2019-07-19 | 2024-02-09 | 瞻博网络公司 | 用于回放和调试网络设备的实时状态的装置、系统和方法 |
| CN110456732B (zh) * | 2019-08-06 | 2021-09-28 | 武汉恒力华振科技有限公司 | 一种带有学习功能的冲床故障监测系统 |
| CN110456732A (zh) * | 2019-08-06 | 2019-11-15 | 武汉恒力华振科技有限公司 | 一种带有学习功能的冲床故障监测系统 |
| 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 |
| TWI700566B (zh) * | 2019-11-29 | 2020-08-01 | 財團法人金屬工業研究發展中心 | 扣件成型機之模具異常診斷方法及其電腦程式產品 |
| CN110958054A (zh) * | 2019-12-05 | 2020-04-03 | 北京邮电大学 | 一种无线电发射机识别方法及装置 |
| CN110958054B (zh) * | 2019-12-05 | 2021-04-09 | 北京邮电大学 | 一种无线电发射机识别方法及装置 |
| CN111624906A (zh) * | 2020-05-11 | 2020-09-04 | 新智数字科技有限公司 | 设备运行状态确定方法、装置、可读介质及电子设备 |
| CN111966045A (zh) * | 2020-07-08 | 2020-11-20 | 航天科工深圳（集团）有限公司 | 机床撞机监控方法、装置、终端设备及存储介质 |
| CN114441028A (zh) * | 2020-10-30 | 2022-05-06 | 深圳富桂精密工业有限公司 | 超声波传感器 |
| CN114441028B (zh) * | 2020-10-30 | 2024-04-23 | 深圳富桂精密工业有限公司 | 冲压异常检测系统 |
| CN112348419B (zh) * | 2021-01-05 | 2021-04-02 | 光谷技术有限公司 | 一种物联网处理系统和方法 |
| CN112348419A (zh) * | 2021-01-05 | 2021-02-09 | 光谷技术有限公司 | 一种物联网处理系统和方法 |
| CN113609187A (zh) * | 2021-07-23 | 2021-11-05 | 四川虹美智能科技有限公司 | 基于大数据的故障诊断方法及系统 |
| CN114253242A (zh) * | 2021-12-21 | 2022-03-29 | 上海纽酷信息科技有限公司 | 一种基于vpn的物联网云端设备数据采集系统 |
| CN114253242B (zh) * | 2021-12-21 | 2023-12-26 | 上海纽酷信息科技有限公司 | 一种基于vpn的物联网云端设备数据采集系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108334033A (zh) | 基于物联网与机器学习的冲床组故障预测方法及其系统 | |
| CN106778259B (zh) | 一种基于大数据机器学习的异常行为发现方法及系统 | |
| CN105577440B (zh) | 一种网络故障时间定位方法和分析设备 | |
| CN111639497A (zh) | 一种基于大数据机器学习的异常行为发现方法 | |
| US7716152B2 (en) | Use of sequential nearest neighbor clustering for instance selection in machine condition monitoring | |
| CN111104242A (zh) | 基于深度学习的操作系统的异常日志的处理方法及装置 | |
| CN110388315A (zh) | 基于多源信息融合的输油泵故障识别方法、装置及系统 | |
| CN112800115B (zh) | 数据处理方法及数据处理装置 | |
| CN111717753A (zh) | 基于多维故障特征的自适应电梯故障预警系统及方法 | |
| CN107111609A (zh) | 用于神经语言行为识别系统的词法分析器 | |
| CN110766100B (zh) | 轴承故障诊断模型构建方法、诊断方法及电子设备 | |
| CN115510950A (zh) | 基于时间卷积网络的飞行器遥测数据异常检测方法及系统 | |
| CN106846170B (zh) | 一种发电机组跳闸监测方法及其监测装置 | |
| CN111949646A (zh) | 基于大数据的设备运行状况分析方法、装置、设备及介质 | |
| CN117131425B (zh) | 一种基于反馈数据的数控机床加工状态监测方法及系统 | |
| CN112487406B (zh) | 一种基于机器学习的网络行为分析方法 | |
| CN106294873A (zh) | 一种机器数据的分析装置及分析方法 | |
| CN104954351B (zh) | 数据检测方法和装置 | |
| CN116485020B (zh) | 一种基于大数据的供应链风险识别预警方法、系统及介质 | |
| CN107454089A (zh) | 一种基于多节点关联性的网络安全态势诊断方法 | |
| Li et al. | Class imbalanced fault diagnosis via combining K-means clustering algorithm with generative adversarial networks | |
| CN116136897A (zh) | 信息处理方法以及装置 | |
| FI130045B (en) | Analyzing the measurement results of the communication network or other target system | |
| CN115460061A (zh) | 基于智能运维场景的健康度评价方法及装置 | |
| CN113722230A (zh) | 针对模糊测试工具漏洞挖掘能力的集成化评估方法及装置 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180727 |