CN108537174A - 时变工况条件下旋转机械运行状态在线监测方法及系统 - Google Patents
时变工况条件下旋转机械运行状态在线监测方法及系统 Download PDFInfo
- Publication number
- CN108537174A CN108537174A CN201810312859.4A CN201810312859A CN108537174A CN 108537174 A CN108537174 A CN 108537174A CN 201810312859 A CN201810312859 A CN 201810312859A CN 108537174 A CN108537174 A CN 108537174A
- Authority
- CN
- China
- Prior art keywords
- data
- value
- period
- time
- working condition
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Signal Processing (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了时变工况条件下旋转机械运行状态在线监测方法及系统,包括:利用时间序列分析对旋转机械运行实时状态信号进行动态周期划分得到划分的实时周期信号;根据划分的实时周期信号,进行实时数据重组,得到重组后的实时数据;利用重组后的实时数据对one‑class SVM模型进行训练,得到训练好的one‑class SVM模型;对旋转机械运行待监测状态信号依次采用动态周期划分步骤和数据重组步骤进行处理,得到重组后的新数据,将重组后的新数据输入到训练好的one‑class SVM模型,one‑class SVM模型输出预测值,所述预测值包括正常值和疑似异常值;对疑似异常值进行判断,确定其是否为真实异常点。
Description
技术领域
本发明涉及时变工况条件下旋转机械运行状态在线监测方法及系统。
背景技术
在实际生产过程中,回转机械占据了绝大部分比例,由于回转过程中储存了较大的能量,因此,若是机器存在局部缺陷或者疲劳损伤会导致整个系统产生失稳,从而对生命财产造成危害。实际生产中,对于机器的状态多是凭借工人的经验去判断当前机器运行的状况,不仅准确率低,而且不可量化,不适合现代化工业生产模式,因此,对针对机械运行状态监测的研究就显得尤为重要。
对设备(或某关键部件)进行长期连续状态监测,可获得该设备(或部件)运行状态变化的趋势和规律,据此预测设备(或部件)的未来运行趋势,从而判断其剩余寿命。可以将机械运行状态监测与实时控制相结合,监测加工过程中的可能异常变化,进而采取合适措施对加工过程进行控制与优化,以达到优化生产加工工艺,提高生产质量的目的。对设备进行状态监测可以掌握设备的运行状态和发展趋势,进而查找产生异常的原因,识别、并判断故障的严重程度,为故障早期诊断、科学维护等提供技术依据。
现有的机械系统状态检测方法主要基于数据驱动,可以分为两类:基于模型的学习方法和统计学习方法。基于模型的学习方法严重依赖于使用分类技术利用历史数据训练模型,当历史数据不足时,该方法效果很差。统计学习方法使用预先定义的数学模型来表示正常的机器状态,以便计算出机械状态发生变化的可能性,然而,建立适合设备的精确的数学模型是一项艰巨的任务,模型中的参数有时难以估计。同时,旋转机械实际运行过程中,时变工况(如环境温度、润滑条件等)易造成转速不稳定等不稳定状况,也会对以上两种方法的效果造成较大影响。
发明内容
为了解决现有技术的不足,本发明提供了时变工况条件下旋转机械运行状态在线监测方法及系统;弥补基于模型的学习方法和统计学习方法的不足,同时针对非稳定旋转机械运行状态信号,利用数学时间序列分析和模式分类技术在非平稳状态下进行旋转机械状态监测的新方法。通过进行时间序列分析,将监测到的不稳定数据规整为具有固定周期模型的稳定数据,然后用已监测数据递归地训练one-class SVM来估计该模型中的参数。对于新观察到的数据,可以使用训练过的one-class SVM来检测变化。该方法融合了基于模型的学习方法和统计学习方法,在实际工程应用中具有很好的潜力。
本发明一方面提供了时变工况条件下旋转机械运行状态在线监测方法;
时变工况条件下旋转机械运行状态在线监测方法,包括:
动态周期划分步骤:利用时间序列分析对旋转机械运行实时状态信号进行动态周期划分得到划分的实时周期信号;
数据重组步骤:根据划分的实时周期信号,进行实时数据重组,得到重组后的实时数据;
模型训练步骤:利用重组后的实时数据对one-class SVM模型进行训练,得到训练好的one-class SVM模型;
预测值监测步骤:对旋转机械运行待监测状态信号依次采用动态周期划分步骤和数据重组步骤进行处理,得到重组后的新数据,将重组后的新数据输入到训练好的one-class SVM模型,one-class SVM模型输出预测值,所述预测值包括正常值和疑似异常值;
误判修正步骤:对疑似异常值进行判断,确定其是否为真实异常点。
进一步的,所述动态周期划分步骤,包括:
根据旋转机械的结构或者进行频域分析来确定旋转机械的理论周期,将理论周期的长度作为第一周期的长度,设第一周期的长度为L1,设备状态数据的第1~L1个数据为第一周期内的数据;设起始误差为e,则第二周期起点存在范围是L1+1-e~L1+1+e;设长度误差为t,则第二周期长度范围是L1-t~L1+t;
遍历第二周期起点的范围以及第二周期长度范围,从而得到起始误差和长度误差出现的范围内第二周期的所有可能情况;
将第一周期的所有数据与第二周期的所有数据利用动态时间规整算法计算匹配损耗,找到匹配损耗最小的情况;那么,匹配损耗最小的情况的第二周期所对应的起点及周期长度即为最合理的第二周期的起点和最合理的第二周期的长度;
同样的,每一周期的数据都与第一周期的数据进行匹配损耗计算,从而得到每一个周期最合理的起点和最合理的周期长度;计算所有最合理周期长度的平均值;
将所有周期的数据进行降采样或重采样,使每一周期的长度与所有周期长度的平均值相同,从而完成动态周期划分。
进一步的,所述动态时间规整算法:对于两段数据A={a1,a2,…,aN}和B={b1,b2,…,bM},其匹配损耗D(A,B)定义为:
D(A,B)=d(aN,bM),
其中d(·)可以通过下式计算
d(a1,b1)=|a1-b1|;
d(a1,b2)=|a1-b2|;
d(a2,b1)=|a2-b1|;
其中|ai,bj|为ai与bj的差值。
进一步的,根据旋转机械的结构或者进行频域分析来确定旋转机械的理论周期:
旋转机械在速度不变的情况下,每个旋转部件都有固定的转速,同时对应着固定的周期,根据机械结构(传动比、传动关系)判断其在某一转速下的理论周期。
当不清楚旋转机械的结构时,从旋转机械上采集数据信号,然后利用傅里叶变换将数据信号从时域转换到频域,根据主成分分析算法得到数据信号频域中的主要成分,从而判断旋转机械的主要部件数目以及各个部件的转速,从而确定旋转机械的理论周期。
进一步的,所述数据重组步骤,包括:
动态周期划分完成之后,得到规整之后的每个周期的数据;
将每个周期的数据中第一个点的数值,组成第一个列;
将每个周期的数据中第二个点的数值,组成第二个列;
以此类推,将每个周期数据中的第T个点的数值,组成第T个列。
进一步的,所述模型训练步骤,包括:利用数据重组得到的T个列的数据对oneclass SVM模型进行训练,得到训练好的one class SVM模型。
进一步的,所述预测值监测步骤,包括:
对旋转机械运行待监测状态信号依次采用动态周期划分步骤和数据重组步骤进行处理,得到重组后的新数据,将重组后的新数据输入到one-class SVM模型中,模型输出预测值,如果预测值为1,表示预测结果为正常值;如果预测值为-1,表示预测结果为疑似异常值。
进一步的,所述误判修正步骤,包括:
对疑似异常值进行判断,若疑似异常值满足高斯分布,则当前疑似异常值为正常值;
若疑似异常值不满足高斯分布,则当前疑似异常值为真实异常值。
进一步的,所述误判修正步骤,包括:
对分割好的预测值{CnT+v},计算数据{CjT+v},j=1,2,…,n-1,的平均值Ave与标准差Std,如果Ave-3*Std<CnT+v<Ave+3*Std,则可判断CnT+v为正常值,否则,将其看作异常值,第nT+v个点视为异常点。
本发明第二方面提供了:
时变工况条件下旋转机械运行状态在线监测系统,包括:存储器、处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成上述任一方法所述的步骤。
本发明第三方面提供了:
一种计算机可读存储介质,其上运行有计算机指令,所述计算机指令被处理器运行时,完成上述任一方法所述的步骤。
与现有技术相比,本发明的有益效果是:
本发明设计了时变工况条件下旋转机械运行状态在线监测方法及系统,本方法首先利用时序序列分析的方法对机械运行状态信号进行动态周期划分,然后根据划分的周期对信号进行规整重组,对每个周期中同一相位点进行分类,训练one-class SVM模型,利用该模型对判断新的数据异常状况。该方法融合了基于模型的学习方法和统计学习方法,在实际工程应用中具有很好的潜力。
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为本发明的方法流程图;
图2为本发明的性能指标对比示意图。
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。
本发明第一个实施例提供了时变工况条件下旋转机械运行状态在线监测方法;
如图1所示,时变工况条件下旋转机械运行状态在线监测方法,包括:
动态周期划分步骤:利用时间序列分析对旋转机械运行实时状态信号进行动态周期划分得到划分的实时周期信号;
数据重组步骤:根据划分的实时周期信号,进行实时数据重组,得到重组后的实时数据;
模型训练步骤:利用重组后的实时数据对one-class SVM模型进行训练,得到训练好的one-class SVM模型;
预测值监测步骤:对旋转机械运行待监测状态信号依次采用动态周期划分步骤和数据重组步骤进行处理,得到重组后的新数据,将重组后的新数据输入到训练好的one-class SVM模型,one-class SVM模型输出预测值,所述预测值包括正常值和疑似异常值;
误判修正步骤:对疑似异常值进行判断,确定其是否为真实异常点。
由于大部分旋转机械运行过程中并不是绝对稳定状态,因此旋转机械运行过程中产生的信号为准周期信号,为了使周期划分以后对每个周期特定相位进行对比时结果准确,必须检测每个周期的长度,准确将同相位的点对齐,为此,采用了算法对数据进行动态周期划分。
进一步的,所述动态周期划分步骤,包括:
根据旋转机械的结构或者进行频域分析来确定旋转机械的理论周期,将理论周期的长度作为第一周期的长度,设第一周期的长度为L1,设备状态数据的第1~L1个数据为第一周期内的数据;为了防止出现累积误差,不能直接将L1+1作为第二周期的起点,设起始误差为e,则第二周期起点存在范围是L1+1-e~L1+1+e;设长度误差为t,则第二周期长度范围是L1-t~L1+t;
遍历第二周期起点的范围以及第二周期长度范围,从而得到起始误差和长度误差出现的范围内第二周期的所有可能情况;
将第一周期的所有数据与第二周期的所有数据利用动态时间规整算法DTW(Dynamic Time Warping,动态时间规整)计算匹配损耗,找到匹配损耗最小的情况;那么,匹配损耗最小的情况的第二周期所对应的起点及周期长度即为最合理的第二周期的起点和最合理的第二周期的长度;
同样的,每一周期的数据都与第一周期的数据进行匹配损耗计算,从而得到每一个周期最合理的起点和最合理的周期长度;计算所有最合理周期长度的平均值;
将所有周期的数据进行降采样或重采样,使每一周期的长度与所有周期长度的平均值相同,从而完成动态周期划分。
进一步的,所述动态时间规整算法:对于两段数据A={a1,a2,…,aN}和B={b1,b2,…,bM},其匹配损耗D(A,B)定义为:
D(A,B)=d(aN,bM),
其中d(·)可以通过下式计算
d(a1,b1)=|a1-b1|;
d(a1,b2)=|a1-b2|;
d(a2,b1)=|a2-b1|;
其中|ai,bj|为ai与bj的差值。
进一步的,根据旋转机械的结构或者进行频域分析来确定旋转机械的理论周期:
旋转机械在速度不变的情况下,每个旋转部件都有固定的转速,同时对应着固定的周期,根据机械结构(传动比、传动关系)判断其在某一转速下的理论周期。
当不清楚旋转机械的结构时,从旋转机械上采集数据信号,然后利用傅里叶变换将数据信号从时域转换到频域,根据主成分分析算法得到数据信号频域中的主要成分,从而判断旋转机械的主要部件数目以及各个部件的转速,从而确定旋转机械的理论周期。
进一步的,所述数据重组步骤,包括:
动态周期划分完成之后,得到规整之后的每个周期的数据;
将每个周期的数据中第一个点的数值,组成第一个列;
将每个周期的数据中第二个点的数值,组成第二个列;
以此类推,将每个周期数据中的第T个点的数值,组成第T个列。
将数据按照周期进行重组,将一维数据转化为二维数据,将每个周期中第n个点看作一个数列,如果周期长度为T,则可以得到T段数据,这T段数据即为下一步要处理的数据。
进一步的,所述模型训练步骤,包括:利用数据重组得到的T个列的数据对oneclass SVM模型进行训练,得到训练好的one class SVM模型。
进一步的,所述预测值监测步骤,包括:
对旋转机械运行待监测状态信号依次采用动态周期划分步骤和数据重组步骤进行处理,得到重组后的新数据,将重组后的新数据输入到one-class SVM模型中,模型输出预测值,如果预测值为1,表示预测结果为正常值;如果预测值为-1,表示预测结果为疑似异常值。
进一步的,所述误判修正步骤,包括:
对疑似异常值进行判断,若疑似异常值满足高斯分布,则当前疑似异常值为正常值;
若疑似异常值不满足高斯分布,则当前疑似异常值为真实异常值。
若是正常值,则将其补充进训练样本重新训练模型计算预测值以便对下一点进行判断。
进一步的,所述误判修正步骤,包括:
对分割好的预测值{CnT+v},计算数据{CjT+v},j=1,2,…,n-1,的平均值Ave与标准差Std,如果Ave-3*Std<CnT+v<Ave+3*Std,则可判断CnT+v为正常值,否则,将其看作异常值,第nT+v个点视为异常点。
本发明第二个实施例提供了:
时变工况条件下旋转机械运行状态在线监测系统,包括:存储器、处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成上述任一方法所述的步骤。
本发明第三个实施例提供了:
一种计算机可读存储介质,其上运行有计算机指令,所述计算机指令被处理器运行时,完成上述任一方法所述的步骤。
方法效果验证:
利用63段数据进行统计,分别使用5种方法进行状态监测,统计查准率、查全率、综合指标,进行对比,如图2所示,这5种方法分别为:(1)线性数据+高斯判断;(2)线性数据+one-class SVM判断;(3)动态周期划分+高斯判断;(4)动态周期划分+one-class SVM判断;(5)ARIMA判断。由图2可知,本方法相对于其他方法有很大的优越性。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.时变工况条件下旋转机械运行状态在线监测方法,其特征是,包括:
动态周期划分步骤:利用时间序列分析对旋转机械运行实时状态信号进行动态周期划分得到划分的实时周期信号;
数据重组步骤:根据划分的实时周期信号,进行实时数据重组,得到重组后的实时数据;
模型训练步骤:利用重组后的实时数据对one-class SVM模型进行训练,得到训练好的one-class SVM模型;
预测值监测步骤:对旋转机械运行待监测状态信号依次采用动态周期划分步骤和数据重组步骤进行处理,得到重组后的新数据,将重组后的新数据输入到训练好的one-classSVM模型,one-class SVM模型输出预测值,所述预测值包括正常值和疑似异常值;
误判修正步骤:对疑似异常值进行判断,确定其是否为真实异常点。
2.如权利要求1所述的时变工况条件下旋转机械运行状态在线监测方法,其特征是,所述动态周期划分步骤,包括:
根据旋转机械的结构或者进行频域分析来确定旋转机械的理论周期,将理论周期的长度作为第一周期的长度,设第一周期的长度为L1,设备状态数据的第1~L1个数据为第一周期内的数据;设起始误差为e,则第二周期起点存在范围是L1+1-e~L1+1+e;设长度误差为t,则第二周期长度范围是L1-t~L1+t;
遍历第二周期起点的范围以及第二周期长度范围,从而得到起始误差和长度误差出现的范围内第二周期的所有可能情况;
将第一周期的所有数据与第二周期的所有数据利用动态时间规整算法计算匹配损耗,找到匹配损耗最小的情况;那么,匹配损耗最小的情况的第二周期所对应的起点及周期长度即为最合理的第二周期的起点和最合理的第二周期的长度;
同样的,每一周期的数据都与第一周期的数据进行匹配损耗计算,从而得到每一个周期最合理的起点和最合理的周期长度;计算所有最合理周期长度的平均值;
将所有周期的数据进行降采样或重采样,使每一周期的长度与所有周期长度的平均值相同,从而完成动态周期划分。
3.如权利要求2所述的时变工况条件下旋转机械运行状态在线监测方法,其特征是,,所述动态时间规整算法:对于两段数据A={a1,a2,…,aN}和B={b1,b2,…,bM},其匹配损耗D(A,B)定义为:
D(A,B)=d(aN,bM),
其中d(·)可以通过下式计算
d(a1,b1)=|a1-b1|;
d(a1,b2)=|a1-b2|;
d(a2,b1)=|a2-b1|;
其中|ai,bj|为ai与bj的差值。
4.如权利要求1所述的时变工况条件下旋转机械运行状态在线监测方法,其特征是,所述数据重组步骤,包括:
动态周期划分完成之后,得到规整之后的每个周期的数据;
将每个周期的数据中第一个点的数值,组成第一个列;
将每个周期的数据中第二个点的数值,组成第二个列;
以此类推,将每个周期数据中的第T个点的数值,组成第T个列。
5.如权利要求1所述的时变工况条件下旋转机械运行状态在线监测方法,其特征是,所述模型训练步骤,包括:利用数据重组得到的T个列的数据对one class SVM模型进行训练,得到训练好的one class SVM模型。
6.如权利要求1所述的时变工况条件下旋转机械运行状态在线监测方法,其特征是,所述预测值监测步骤,包括:
对旋转机械运行待监测状态信号依次采用动态周期划分步骤和数据重组步骤进行处理,得到重组后的新数据,将重组后的新数据输入到one-class SVM模型中,模型输出预测值,如果预测值为1,表示预测结果为正常值;如果预测值为-1,表示预测结果为疑似异常值。
7.如权利要求1所述的时变工况条件下旋转机械运行状态在线监测方法,其特征是,所述误判修正步骤,包括:
对疑似异常值进行判断,若疑似异常值满足高斯分布,则当前疑似异常值为正常值;
若疑似异常值不满足高斯分布,则当前疑似异常值为真实异常值。
8.如权利要求1所述的时变工况条件下旋转机械运行状态在线监测方法,其特征是,所述误判修正步骤,包括:
对分割好的预测值{CnT+v},计算数据{CjT+v},j=1,2,…,n-1,的平均值Ave与标准差Std,如果Ave-3*Std<CnT+v<Ave+3*Std,则可判断CnT+v为正常值,否则,将其看作异常值,第nT+v个点视为异常点。
9.时变工况条件下旋转机械运行状态在线监测系统,其特征是,包括:存储器、处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成上述权利要求1-8任一方法所述的步骤。
10.一种计算机可读存储介质,其特征是,其上运行有计算机指令,所述计算机指令被处理器运行时,完成上述权利要求1-8任一方法所述的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810312859.4A CN108537174B (zh) | 2018-04-09 | 2018-04-09 | 时变工况条件下旋转机械运行状态在线监测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810312859.4A CN108537174B (zh) | 2018-04-09 | 2018-04-09 | 时变工况条件下旋转机械运行状态在线监测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108537174A true CN108537174A (zh) | 2018-09-14 |
CN108537174B CN108537174B (zh) | 2020-05-08 |
Family
ID=63479504
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810312859.4A Active CN108537174B (zh) | 2018-04-09 | 2018-04-09 | 时变工况条件下旋转机械运行状态在线监测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108537174B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109190287A (zh) * | 2018-09-21 | 2019-01-11 | 山东大学 | 一种面向时变工况的旋转机械运行稳定性在线监测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101464216A (zh) * | 2007-12-19 | 2009-06-24 | Avl里斯脱有限公司 | 用于判断传感器单元的剩余寿命的方法和装置 |
CN104111887A (zh) * | 2014-07-01 | 2014-10-22 | 江苏科技大学 | 基于Logistic模型的软件故障预测系统及方法 |
CN106021410A (zh) * | 2016-05-12 | 2016-10-12 | 中国科学院软件研究所 | 一种基于机器学习的源代码注释质量评估方法 |
CN107132064A (zh) * | 2017-05-17 | 2017-09-05 | 山东大学 | 基于多传感器的旋转机械系统运行状态监测方法及系统 |
CN107168854A (zh) * | 2017-06-01 | 2017-09-15 | 北京京东尚科信息技术有限公司 | 互联网广告异常点击检测方法、装置、设备及可读存储介质 |
-
2018
- 2018-04-09 CN CN201810312859.4A patent/CN108537174B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101464216A (zh) * | 2007-12-19 | 2009-06-24 | Avl里斯脱有限公司 | 用于判断传感器单元的剩余寿命的方法和装置 |
CN104111887A (zh) * | 2014-07-01 | 2014-10-22 | 江苏科技大学 | 基于Logistic模型的软件故障预测系统及方法 |
CN106021410A (zh) * | 2016-05-12 | 2016-10-12 | 中国科学院软件研究所 | 一种基于机器学习的源代码注释质量评估方法 |
CN107132064A (zh) * | 2017-05-17 | 2017-09-05 | 山东大学 | 基于多传感器的旋转机械系统运行状态监测方法及系统 |
CN107168854A (zh) * | 2017-06-01 | 2017-09-15 | 北京京东尚科信息技术有限公司 | 互联网广告异常点击检测方法、装置、设备及可读存储介质 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109190287A (zh) * | 2018-09-21 | 2019-01-11 | 山东大学 | 一种面向时变工况的旋转机械运行稳定性在线监测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108537174B (zh) | 2020-05-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107247230B (zh) | 一种基于支持向量机和数据驱动的旋转电机状态监测方法 | |
CN104390657B (zh) | 一种发电机组运行参数测量传感器故障诊断方法及系统 | |
CN108897954A (zh) | 基于BootStrap置信度计算的风电机组温度预警方法及其系统 | |
CN102252843B (zh) | 一种滚动轴承性能变异的评估方法 | |
CN108508863A (zh) | 一种基于灰色模型的机电设备故障诊断方法 | |
CN107291991B (zh) | 一种基于动态网络标志的风电机组早期缺陷预警方法 | |
CN112799898B (zh) | 基于分布式故障检测的互联系统故障节点定位方法及系统 | |
CN103631681A (zh) | 一种在线修复风电场异常数据的方法 | |
CN112187528B (zh) | 基于sarima的工业控制系统通信流量在线监测方法 | |
CN106354125A (zh) | 一种利用分块pca检测化工过程故障的方法 | |
CN107103425B (zh) | 发电设备运行状态计算机智能量化评价系统 | |
CN110033181B (zh) | 一种基于自编码器的发电设备状态评估方法 | |
CN116957120A (zh) | 一种基于数据分析的设备状态历史趋势异常预测方法 | |
RU2687848C1 (ru) | Способ и система вибромониторинга промышленной безопасности динамического оборудования опасных производственных объектов | |
CN114741844A (zh) | 静设备腐蚀监控方法、装置、设备及存储介质 | |
CN108537174A (zh) | 时变工况条件下旋转机械运行状态在线监测方法及系统 | |
SikorA et al. | Monitoring and maintenance of a gantry based on a wireless system for measurement and analysis of the vibration level | |
CN108242411B (zh) | 用于管控线上缺陷的方法和系统 | |
CN103679547A (zh) | 一种针对继电保护消缺步骤的优化方法 | |
Chen et al. | Exploring equipment electrocardiogram mechanism for performance degradation monitoring in smart manufacturing | |
CN110968703A (zh) | 基于lstm端到端抽取算法的异常计量点知识库构建方法及系统 | |
CN114462636A (zh) | 一种工业时序数据通过数据处理进行在线异常监测方法 | |
CN104503441B (zh) | 一种基于改进动态可见图的过程故障监测方法 | |
CN114337469B (zh) | 一种层流辊道电机故障检测方法、系统、介质及电子终端 | |
Wu et al. | Health stages division and remaining useful life prediction of rolling element bearings based on hidden semi-Markov model |
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 |