CN108803552A - 一种设备故障的监测系统及监测方法 - Google Patents
一种设备故障的监测系统及监测方法 Download PDFInfo
- Publication number
- CN108803552A CN108803552A CN201811013197.7A CN201811013197A CN108803552A CN 108803552 A CN108803552 A CN 108803552A CN 201811013197 A CN201811013197 A CN 201811013197A CN 108803552 A CN108803552 A CN 108803552A
- Authority
- CN
- China
- Prior art keywords
- data
- equipment
- time
- node
- processing server
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 52
- 238000000034 method Methods 0.000 title claims abstract description 18
- 238000012545 processing Methods 0.000 claims abstract description 112
- 238000013500 data storage Methods 0.000 claims abstract description 64
- 230000005540 biological transmission Effects 0.000 claims description 33
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 238000013135 deep learning Methods 0.000 claims description 5
- 230000004888 barrier function Effects 0.000 claims description 4
- 230000008439 repair process Effects 0.000 claims description 2
- 230000001360 synchronised effect Effects 0.000 claims 1
- 238000001514 detection method Methods 0.000 abstract description 11
- 238000003860 storage Methods 0.000 description 13
- 230000002159 abnormal effect Effects 0.000 description 12
- 238000012423 maintenance Methods 0.000 description 12
- 238000004891 communication Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 8
- 238000001228 spectrum Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000006243 chemical reaction Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 241001269238 Data Species 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 230000002776 aggregation Effects 0.000 description 4
- 238000004220 aggregation Methods 0.000 description 4
- 230000003862 health status Effects 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 230000005611 electricity Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000005307 ferromagnetism Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 1
- 208000032953 Device battery issue Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000002045 lasting effect Effects 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 238000003756 stirring Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 238000009966 trimming Methods 0.000 description 1
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
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/4185—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by the network communication
-
- 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
- G05B2219/31—From computer integrated manufacturing till monitoring
- G05B2219/31088—Network communication between supervisor and cell, machine group
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Computer And Data Communications (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种设备故障的监测系统及监测方法。该监测系统包括数据采集节点,用于采集工业设备的设备状态信息,通过预设的预测模型根据所述设备状态信息预测各个工业设备的故障发生概率以及故障发生时间,并将故障发生概率、故障发生时间及设备状态信息发送至数据存储及处理服务器;数据存储及处理服务器,用于对所述设备状态信息进行存储,并实时显示所述设备状态信息、故障发生概率以及故障发生时间,根据所述设备状态信息对所述预测模型进行修正,将修正后的预测模型发送至数据采集节点。通过采用上述技术方案,提供适用于各种类型的工业设备的故障检测的系统,扩展了故障检测方案地适用性、提高了准确性及实时性。
Description
技术领域
本发明实施例涉及智能检测技术,尤其涉及一种设备故障的监测系统及监测方法。
背景技术
在制造业生产线上,工业生产设备都会受到持续的振动和冲击,这导致设备材料和零件的磨损老化,从而导致工业设备容易产生故障,而当人们意识到故障时,可能已经产生了很多不良品,甚至整个工业设备已经崩溃停机,从而造成巨大的损失。
传统的检修往往是在设备出现故障停机之后才去检查损坏源,不仅效率低下而且会影响生产。工厂生产设备众多,环境复杂,更增加了检查的难度。例如,相关技术中的温度检测方式可以检测轴承损坏问题,但是,很多设备故障并没有伴随着温度的变化,所以温度检测方式的可靠性并不高。又如,相关技术中的振动诊断方式的振动正确性取决于诊断模型建立的正确性,而且检测设备有专一性,不能检测通用设备,因此,振动检测方式具有一定的局限性。
发明内容
本发明提供一种设备故障的监测系统及监测方法,可以优化相关技术中的工业设备故障监测方案,提供适用于各种类型的工业设备的故障检测的系统,扩展了故障检测方案地适用性、提高了准确性及实时性。
第一方面,本发明实施例提供了一种设备故障的监测系统,包括:
数据采集节点,用于采集工业设备的设备状态信息,通过预设的预测模型根据所述设备状态信息预测各个工业设备的故障发生概率以及故障发生时间,并将故障发生概率、故障发生时间及设备状态信息发送至数据存储及处理服务器;
数据存储及处理服务器,用于对所述设备状态信息进行存储,并实时显示所述设备状态信息、故障发生概率以及故障发生时间,根据所述设备状态信息对所述预测模型进行修正,将修正后的预测模型发送至数据采集节点。
第二方面,本发明实施例还提供了一种设备故障的监测方法,采用上述第一方面所述的设备故障的检测系统执行该方法,包括:
数据采集节点采集工业设备的设备状态信息,通过预设的预测模型根据所述设备状态信息预测各个工业设备的故障发生概率以及故障发生时间,并将故障发生概率、故障发生时间及设备状态信息发送至数据存储及处理服务器;
数据存储及处理服务器对所述设备状态信息进行存储,并实时显示所述设备状态信息、故障发生概率以及故障发生时间,根据所述设备状态信息对所述预测模型进行修正,将修正后的预测模型发送至数据采集节点。
本发明实施例提供一种设备故障的监测系统,包括数据采集节点,用于采集工业设备的设备状态信息,通过预设的预测模型根据所述设备状态信息预测各个工业设备的故障发生概率以及故障发生时间,并将故障发生概率、故障发生时间及设备状态信息发送至数据存储及处理服务器;数据存储及处理服务器,用于对所述设备状态信息进行存储,并实时显示所述设备状态信息、故障发生概率以及故障发生时间,根据所述设备状态信息对所述预测模型进行修正,将修正后的预测模型发送至数据采集节点。通过采用本发明的技术方案克服了传统检测方式的缺陷,通过预测模型在具有工业设备的现场即可预测出各个工业设备的故障发生概率和发生时间,避免出现检测结果受限于网络状态的问题。此外,将故障发生概率、故障发生时间及设备状态信息发送至云端服务器(如数据存储及处理服务器),可以为不在现场的用户提供查询工业设备状态的途径,为设备维护提供便利。此外,云端服务器还可以基于设备状态信息对预测模型进行修正,以提高预测结果的准确率。
附图说明
图1为本发明实施例一提供的一种设备故障的监测系统的框架图;
图2为本发明实施例二提供的一种设备故障的监测系统中数据采集节点的结构示意图;
图3为本发明实施例三提供的一种设备故障的监测系统中数据采集节点的逻辑框图;
图4为本发明实施例四提供的一种设备故障的监测系统中数据汇聚节点的逻辑框图;
图5为本申请实施例五提供的一种设备故障的监测方法的流程图;
图6为本申请实施例六提供的另一种设备故障的监测方法的流程图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
需要说明的是,本发明实施例中的设备故障的检测系统中数据采集节点与数据存储及处理服务器之间存在通信连接。例如数据采集节点可以通过无线路由器与数据存储与处理服务器建立通信连接。可以理解的是,无线路由器可以仅作为数据采集节点与数据存储与处理服务器之间连接的桥梁,无线路由器上还可以根据实际需求集成其它功能,以便于更好的将数据采集节点上的数据表发送至数据存储与处理服务器。
实施例一
图1为本发明实施例一提供的一种设备故障的监测系统的框架图,本实施例可适用于工业设备的健康状态检测的情况。可以理解的是,图1所示的设备故障的监测系统的框架图仅仅是监测系统的一个范例,并且监测系统可以具有比图中所示出的更多的或者更少的装置,可以组合两个或更多的装置,或者可以具有不同的装置构成。
如图1所示,该监测系统包括:数据采集节点101、数据汇聚节点102、数据存储及处理服务器103、可编程逻辑控制器PLC104、工业网105以及现场控制客户端106。
该数据采集节点101,用于采集工业设备的设备状态信息,通过预设的预测模型根据所述设备状态信息预测各个工业设备的故障发生概率以及故障发生时间,并将故障发生概率、故障发生时间及设备状态信息发送至数据存储及处理服务器103。示例性的,该数据采集节点101固定安装于工业设备的设备壁外侧、轴或其它易出现故障的位置。通过数据采集节点101可以采集设置位置的工业设备的温度、振动等设备数据。数据采集节点101内置基于深度学习算法的预测模型,可以基于温度及振动等设备状态信息判断工业设备当前是否存在故障。同时,数据采集节点101内置的处理器还可以分析所采集的振动信息得出振动频谱,将振动频谱及温度信息输入预测模型,得到工业设备的故障发生概率及故障发生时间。数据采集节点101可以通过数据汇聚节点102将设备状态信息、故障发生概率及故障发生时间发送至数据存储及处理服务器103。可选的,数据采集节点101还可以通过工业网105将设备状态信息、故障发生概率及故障发生时间发送给数据存储及处理服务器103。可以理解的是,上述列举的传输数据至数据存储及处理服务器103的方式可以单独使用也可以结合使用。例如,在数据采集节点101待发送的数据包占用网络资源较多时,可以为该一系列数据包打上由数据存储及处理服务器获取的时间标签。在数据汇聚节点102采集的数据量小于预设阈值时,通过数据汇聚节点102传输带有时间标签的数据包。在数据汇聚节点102采集的数据量超过预设阈值时,数据汇聚节点102发送消息至数据采集节点101,以提示数据采集节点101将超出预设阈值的带有时间标签的数据包发送至PLC104,以通过工业网105向数据存储及处理服务器103传输,可以减轻数据汇聚节点102的网络通信负载。若数据汇聚节点102中采集的数据量小于预设阈值,则向数据采集节点101发送采集请求,以指示数据采集节点101向数据汇聚节点102发送数据。
数据采集节点101与数据汇聚节点102通过无线方式进行通信,且该数据汇聚节点102与数据存储及处理服务器103通过有线方式进行通信。可选的,数据汇聚节点102通过以太网TCP/IP方式分别与所述数据采集节点101和所述数据存储及处理服务器103进行通信。例如,数据采集节点101通过WiFi无线通信协议与数据汇聚节点102建立通信连接,该数据汇聚节点102采用光缆连接数据存储及处理服务器103。数据汇聚节点102通电后,发送同步序列编号(Synchronize Sequence Numbers,简称为SYN)到数据存储及处理服务器103。数据汇聚节点102进入SYN_SEND状态,等待数据存储及处理服务器103确认。在接收到数据存储及处理服务器103的确认消息后,进行二次和三次握手,从而建立数据汇聚节点102与数据存储及处理服务器103的通信连接。可选的,采用数据汇聚节点102与PLC104进行数据分流,可以避免由数据汇聚节点102将数据发送至数据存储及处理服务器103所占用的网络资源过多,而可能造成的网络拥堵等现象。
数据采集节点101在预测到故障发生时,基于数据采集节点101与设备或设备部件的对应关系,将该数据采集节点101对应的设备的故障发生概率、故障发生时间以及采集到的设备状态信息发送至现场控制客户端106,以提醒维护人员进行对该设备或设备部件进行检修。其中,现场控制客户端106可以为现场基于WINCC(Windows Control Center,视窗控制中心)的人机交互控制端。
数据汇聚节点102向所述数据存储及处理服务器103发送时间同步请求,其中,所述时间同步请求用于指示所述数据存储及处理服务器103获取国家授时中心服务器的时间;获取所述数据存储及处理服务器103发送的所述时间,以所述时间为基准与所述数据采集节点101进行时间同步。示例性的,数据汇聚节点102向数据存储及处理服务器103发送时间同步请求,数据存储及处理服务器103基于该时间同步请求,由国家授时中心服务器获取时间,作为服务器时间。数据存储及处理服务器103将该服务器时间发送给数据汇聚节点102,以定时修正各个节点的服务器时间。数据汇聚节点102以收到的服务器时间为基准,与连接在网的数据采集节点101进行时间同步。这样设计保证了监控系统的时间同步,实现数据采集节点101为数据包打上的时间标签与数据汇聚节点102为数据包打上的时间标签以及数据存储及处理服务器103为数据包打上的时间标签是一致的。
可选的,数据汇聚节点102在完成时间同步后,按照预设周期向数据采集节点101发送数据采集指令。数据采集节点101基于该数据采集指令获取包含设备状态信息、故障发生概率及故障发生时间的数据包。将小于或等于预设阈值的部分数据包发送至数据汇聚节点102,并将大于预设阈值的剩余数据包发送至PLC104,以分别通过以太网TCP/IP方式和工业网方式向所述数据存储及处理服务器103发送数据包,可以减轻数据汇聚节点102的网络通信负载,避免出现网络拥堵现象。需要说明的是,数据汇聚节点102每个预设时间执行一次时间同步操作。可选的,数据汇聚节点102还可以在检测到节点时间与服务器时间不同时,执行时间同步操作。
由于数据采集节点101和数据汇聚节点102有可能失效或者发生故障,为了避免因该类故障发生而影响监测系统的监测准确度,数据存储及处理服务器103周期性发送在线巡查指令至数据汇聚节点102。各个数据汇聚节点102收集与其连接的数据采集节点101的能量状态、信号数据信息、信号状态等信息,并且上传至数据存储及处理服务器103。数据存储及处理服务器103基于能量状态、信号数据信息、信号状态等信息查询对比出没有上传或者上传数据偏离正常范围的数据采集节点101或数据汇聚节点102,记为故障数据采集节点101或者数据汇聚节点102。将故障数据采集节点101或者数据汇聚节点102发送至维修人员的客户端,以通知维修人员对故障数据采集节点101或数据汇聚节点102进行更换,从而,维护设备故障监测诊断预警平台系统的正常运行。
数据存储及处理服务器103在确定数据汇聚节点102未发生故障时,确定数据汇聚节点102可用,建立数据汇聚节点102与数据采集节点101的WiFi连接。数据采集节点101将采集到的设备状态信息传到数据汇聚节点102。
可选的,数据汇聚节点102获取网络状态信息,基于该网络状态信息判断当前网络是否处于波动状态。若是,则以第一数据传输速率向所述数据存储及处理服务器103发送设定数据包,以预设数据采集速率由所述数据采集节点101获取设定数据包,为未被发送的设定数据包添加时间标签,得到标记数据包,保存所述标记数据包,其中,第一数据传输速率小于预设数据采集速率,设定数据包包括故障发生概率、故障发生时间及设备状态信息;否则,以第二数据传输速率向所述数据存储及处理服务器103发送设定数据包及标记数据包,以预设数据采集速率由所述数据采集节点101获取设定数据包,其中,第二数据传输速率大于预设数据采集速率。需要说明的是,第一数据传输速率和第二数据传输速率均为数据汇聚节点102向数据存储及处理服务器103发送设定数据包的速率,预设数据采集速率是根据实际需要预先设定的由数据采集节点101获取数据包的速率。上述时间标签由数据存储及处理服务器103获取。数据汇聚节点102根据网络拨动状态调整向数据存储及处理服务器103发送数据包的传输速率,可以避免因网络拥堵导致的丢包或延迟等情况发生。例如,数据汇聚节点102在判定当前网络处于波动状态时,以小于数据采集速率的数据传输速率,向数据存储及处理服务器103传输数据包,其中,数据采集速率是数据汇聚节点102由数据采集节点101获取数据的速率。由于数据传输速率小于数据采集速率,导致单位时间内由数据采集节点101获取的数据包多于向数据存储及处理服务器103传输的数据包。为未被发送的设定数据包添加时间标签并保存与内部存储器。如,将由数据采集节点101获取的数据包按照采集时间存入队列中,根据数据传输速率由该队列中读取不等数据包并传输至数据存储及处理服务器103,并为剩余数据包打上时间标签存储到内部存储器。数据汇聚节点102在判定当前网络处于稳定状态时,加快数据传输速率,以将存储在内部存储器内的数据包传输至数据存储及处理服务器103。
数据存储及处理服务器103包括数据库,可以存储由数据汇聚节点102或数据采集节点101获取的数据包,其中,数据包包括设备状态信息、故障发生概率和故障发生时间。数据存储及处理服务器103还包括服务器端应用程序。数据存储及处理服务器103对所述设备状态信息进行存储,并实时显示所述设备状态信息、故障发生概率以及故障发生时间,根据所述设备状态信息对所述预测模型进行修正,将修正后的预测模型发送至数据采集节点101。可选的,数据存储及处理服务器103确定故障发生概率超过预设阈值的设备,提高所述设备的监控优先级,实现提示维护人员在故障发生前对该设备进行检修。示例性的,数据存储及处理服务器103将接收到的设备状态信息、故障发生概率和故障发生时间存储于数据库。维护人员通过浏览器登录web控制平台或者WINCC控制端,web控制平台利用CGI程序与数据存储及处理服务器103中的数据库进行数据交换、数据分析和数据处理。并且利用JavaScript的插件Highcharts实时显示设备的温度、振动的波形图,以及设备运行状态的趋势图、设备故障位置及原因,进行报警整修,提高了设备故障的提前发现概率,降低了因设备故障导致停机的概率。利用设备故障信号与数据采集节点101的相关性定位出故障源的位置,并且显示故障信号的时域图和/或频域图,作为维护人员进行故障分析的参考。信号数据可以保存,以实现故障信号的回放功能。数据存储及处理服务器103实时发送设备的健康状况的分析结果和故障源位置到WINCC人机交互客户端上。此外,数据存储及处理服务器103还具有参数设置、管理权限设置等功能,可以为不同的用户开放不同的管理权限。需要说明的是,监测系统的控制软件包括服务器端应用程序、深度学习算法、数据收发解析软件、PC机端的web控制平台软件以及基于WINCC的人机交互客户端软件等。控制软件建立在局域网上,通过防火墙和安全策略保证数据的安全性,用户可以通过浏览器查询存储在服务器中来自数据采集节点101采集的振动信息、温度信息以及设备故障信息等,并且服务器端应用程序根据所采集的数据综合预测出设备使用寿命及出现故障时间,还能够评测故障点处故障的严重程度。
数据存储及处理服务器103内置预设模型模板,该预设模型模板可以是BP神经网络模型,可以包括输入层、卷积层、池化层、下采样层及输出层等,根据需要还可以设置多个卷积层、池化层及下采样层构成的残差块,本申请实施例并不作具体限定。在模型更新事件被触发后,数据存储及处理服务器103由数据库读取包括温度信息、振动信息及设备故障信息等设备状态信息。基于深度学习算法,根据所述温度信息、振动信息及设备故障信息对预设模型模板进行训练,得到预测模型。将得到的预测模型下发至数据采集节点101,以对数据采集节点101中的预设模型进行修正,采用更新后的预测模型对工艺设备进行故障检测及预测等操作。
本发明实施例提供一种设备故障的监测系统,包括数据采集节点,用于采集工业设备的设备状态信息,通过预设的预测模型根据所述设备状态信息预测各个工业设备的故障发生概率以及故障发生时间,并将故障发生概率、故障发生时间及设备状态信息发送至数据存储及处理服务器;数据存储及处理服务器,用于对所述设备状态信息进行存储,并实时显示所述设备状态信息、故障发生概率以及故障发生时间,根据所述设备状态信息对所述预测模型进行修正,将修正后的预测模型发送至数据采集节点。通过采用本发明的技术方案克服了传统检测方式的缺陷,通过预测模型在具有工业设备的现场即可预测出各个工业设备的故障发生概率和发生时间,避免出现检测结果受限于网络状态的问题。此外,将故障发生概率、故障发生时间及设备状态信息发送至云端服务器(如数据存储及处理服务器),可以为不在现场的用户提供查询工业设备状态的途径,为设备维护提供便利。此外,云端服务器还可以基于设备状态信息对预测模型进行修正,以提高预测结果的准确率。
图2为本发明实施例二提供的一种设备故障的监测系统中数据采集节点的结构示意图。如图2所示,该数据采集节点包括:卡箍250、传感器240、壳体230、节点主板(未画出)、电源220及天线210。卡箍250与工业设备固定连接。如通过卡箍250将数据节点固定于工业设备的轴上,传感器240位于该卡箍250上,从而使卡箍250与工业设备的轴充分接触。节点主板位于壳体230内,该节点主板上可以集成有物联网芯片、天线电路和电源电路,天线电路与天线210电连接,电源电路与电源220电连接。其中,物联网芯片,用于对采集的设备状态信息进行数据处理及数据发送等操作。例如,物联网芯片可以是TI公司的CC3220芯片,该芯片是SimpleLinkTM 和物联网单片无线MCU平台。此外,通过天线210增强无线WiFi的信号强度及稳定性。需要说明的是,可以在每个工业设备的不同部位设置一个或至少两个上述数据采集节点,记录数据采集节点的节点标识与设备的不同部位的对应关系。这样设置的好处在于,数据采集节点根据采集到的设备状态信息可以检测出是否发生设备故障,以及设备的故障发生概率及故障发生时间,若出现设备故障或即将出现设备故障,则可以根据数据采集节点确定目标故障设备的位置或者即将出现设备故障的目标设备的位置,可以通知技术人员到指定区域维修更换设备以实现对设备实时健康监控的作用。
可替换的,对于某些不宜固定卡箍的设备,数据采集节点包括强磁性贴片,该强磁性贴片固定在工业设备的外壁,传感器位于强磁性贴片上,从而保证传感器与外壁充分接触。
需要说明的是,设备故障的监测系统中其它装置的功能与实施例一相同,此处不再赘述。
图3为本发明实施例三提供的一种设备故障的监测系统中数据采集节点的逻辑框图。如图3所示,该数据采集节点包括传感器单元、MCU处理单元、电源管理单元、模数转换芯片、外置存储模块、程控放大器、程控滤波器及WiFi发射模块。数据采集节点根据传感器单元的不同分为压力数据采集节点、流量数据采集节点、温度数据采集节点和故障数据采集节点。数据采集节点利用卡箍牢牢固定在设备上。在接收到采集工作指令后,在卡箍与设备外壁的接触面上的传感器采集设备的振动信息、温度信息以及设备故障信息(如故障信号数据)。传感器采集的信号经过程控放大器的放大处理后输入模数转换芯片。在程控放大器与模数转换芯片之间还设置程控滤波器以滤除其噪声干扰信号。其电源管理单元为MCU处理单元、模数转换芯片、外置存储模块、程控放大器和程控滤波器提供电源,并在数据传输量巨大,功耗较大的情况下切换成工业交流电供电方式,以增加数据传输的稳定性。其中,电源管理单元可以采用TPS69516芯片,其输入端为3.1V~5.2V之间,另外增加AC-DC开关电源模块,以减少电池故障导致数据采集节点停机的问题,电源可以为蓄电池或为工业交流电源;为了解决无线传感器网络的数据传输速率与数据采集的速率差造成的信号数据丢失的问题,将传感器采集到的数据直接储存在外置存储模块中,WiFi发射模块负责数据的上传。
需要说明的是,设备故障的监测系统中其它装置的功能与实施例一相同,此处不再赘述。
图4为本发明实施例四提供的一种设备故障的监测系统中数据汇聚节点的逻辑框图。如图4所示,该数据汇聚节点包括电源管理模块、MCU处理单元、宽带网络通信模块及WiFi接收模块。数据汇聚节点的MCU处理单元扫描RF内核的信道监听入网请求信标,回发携带分配给数据采集短地址的连接响应命令,得到应答反应之后,发送采集指令给数据采集节点。电源管理模块为MCU处理单元、宽带网络通信模块及WiFi接收模块提供电源。电源管理模块可以采用TPS69516芯片,电源采用工业交流电,通过AC-DC开关电源模块将其转变为直流电,输出直流电给MCU处理单元、宽带网络通信模块及WiFi接收模块,以提供稳定的电压和电流。WiFi接收模块接收来自数据采集节点的数据。宽带网络通信模块与数据存储及处理服务器的TCP服务端口连接,将由数据采集节点采集的数据上传至数据存储及处理服务器的数据库中。
需要说明的是,设备故障的监测系统中其它装置的功能与实施例一相同,此处不再赘述。
图5为本申请实施例五提供的一种设备故障的监测方法的流程图,该监测方法可由上述设备故障的检测装置执行,实现工业设备的故障检测及故障发生预测的功能。如图5所示,该监测方法包括:
步骤510、数据采集节点采集工业设备的设备状态信息,通过预设的预测模型根据所述设备状态信息预测各个工业设备的故障发生概率以及故障发生时间,并将故障发生概率、故障发生时间及设备状态信息发送至数据存储及处理服务器。
需要说明的是,设备状态信息包括温度信息、振动信息及设备故障信息等。数据采集节点内置有预测模型,该预测模型由数据存储及处理服务器采用深度学习算法并基于设备状态信息训练得到。
数据采集节点基于振动信息确定振动频谱图,将振动频谱图及温度信息输入预测模型,得出该数据采集节点对应的设备或设备部件发生故障的概率及故障发生时间。若该概率超过预设阈值,则确定发生故障。基于数据采集节点与设备或设备部件的对应关系,将该数据采集节点对应的设备的故障发生概率、故障发生时间以及采集到的设备状态信息发送至现场控制客户端。此外,还将故障发生概率、故障发生时间以及采集到的设备状态信息发送至数据存储及处理服务器。
示例性的,第一数据采集节点检测到第一设备的振动异常,基于所采集的振动信息得到振动频谱。结合所采集到的温度和振动频谱得出故障发生概率或者预测出故障发生概率及发生时间。将上述预测结果发送至现场控制客户端进行显示。此外,为设备状态异常数据分配高于正常数据(设备状态正常情况下数据采集节点采集的设备状态信息)的优先级,通过WiFi模块将该设备状态异常数据发送到数据汇聚节点。数据汇聚节点可以通过DMA通道利用光纤将设备状态异常数据发送到数据存储及处理服务器。需要说明的是,通过DMA通道传输的数据不需要进行数据“排队”,可以在其它正常数据之前发送至数据存储及处理服务器。
步骤520、数据存储及处理服务器对所述设备状态信息进行存储,并实时显示所述设备状态信息、故障发生概率以及故障发生时间,根据所述设备状态信息对所述预测模型进行修正,将修正后的预测模型发送至数据采集节点。
示例性的,数据存储及处理服务器解析接收到的设备状态信息、故障发生概率及故障发生时间,并将其存储于数据库中。维修人员可以通过浏览器访问数据存储及处理服务器,获得故障发生概率、故障发生时间及设备状态信息等数据,在web界面上进行显示。例如,将预测发生故障或者已经发生的过程及数据优先发送到web界面进行显示。
可选的,数据存储及处理服务器将故障发生概率与预设阈值进行比较。若该故障发生概率超过预设阈值,则基于数据采集节点确定故障发生概率超过预设阈值的设备,提高对该设备的监控优先级。提高监控优先级的方式可以包括缩短该设备上的数据采集节点的采样周期等。
数据存储及处理服务器基于设备状态信息对预测模型进行修正,并将修正后的预测模型及修正指令发送至数据汇聚节点,以通过数据汇聚节点发送修正后的预测模型及修正指令至数据采集节点。数据采集节点基于修正指令触发模型更新事件,以采用修正后的预测模型更新数据采集节点中的已有预测模型。通过沿着相对误差平方和下降方向连续调整网络的权值和阀值,从而使已有预测模型得到不断的修正和改善,在大数据不断修正的基础上,监测系统的预测成功率不断上升,预测提前时间不断增加。
可选的,为了减少数据传输量,数据采集节点可以发送设备状态信息至数据存储及处理服务器,由于数据存储及处理服务器中存储有预测模型,可以基于设备状态信息预测出各个数据采集节点对应的设备或设备部件的故障发生概率及故障发生时间。
可选的,若在训练预测模型的样本数据中标记故障严重程度,还可以基于预测模型预测出故障严重程度。
本发明实施例提供一种设备故障的监测方法,克服了传统检测方式的缺陷,通过预测模型在具有工业设备的现场即可预测出各个工业设备的故障发生概率和发生时间,避免出现检测结果受限于网络状态的问题。此外,将故障发生概率、故障发生时间及设备状态信息发送至云端服务器(如数据存储及处理服务器),可以为不在现场的用户提供查询工业设备状态的途径,为设备维护提供便利。此外,云端服务器还可以基于设备状态信息对预测模型进行修正,以提高预测结果的准确率。
图6为本申请实施例六提供的另一种设备故障的监测方法的流程图。如图6所示,该方法包括:
步骤601、所述数据汇聚节点,用于向所述数据存储及处理服务器发送时间同步请求。
其中,所述时间同步请求用于指示所述数据存储及处理服务器获取国家授时中心服务器的时间。
需要说明的是,监测系统内各个数据采集节点和数据汇聚节点按照设定周期进行自检。
步骤602、获取所述数据存储及处理服务器发送的所述时间,以所述时间为基准与所述数据采集节点进行时间同步。
示例性的,数据汇聚节点定时修正各个节点的服务器时间。此外,数据汇聚节点以收到的服务器时间为基准,与连接在网的数据采集节点进行时间同步。
步骤603、数据汇聚节点的MCU处理单元扫描RF内核的信道监听入网请求信标,回发携带分配给数据采集短地址的连接响应命令,得到应答反应之后,发送采集指令给数据采集节点。
步骤604、数据采集节点基于该数据采集指令采集工业设备的设备状态信息,通过预设的预测模型根据所述设备状态信息预测各个工业设备的故障发生概率以及故障发生时间。
其中,设备状态信息包括温度信息、振动信息及设备故障信息等。
需要说明的是,数据采集节点为采集到的设备状态信息打上时间标签。
步骤605、数据采集节点判断是否存在设备状态异常数据,若是,则执行步骤606,否则执行步骤613。
数据采集节点基于振动信息确定振动频谱图,将振动频谱图及温度信息输入预测模型,得出该数据采集节点对应的设备或设备部件发生故障的概率及故障发生时间。若该概率超过预设阈值,则确定存在设备状态异常数据。可选的,在数据采集节点所采集的设备故障信息为故障报警信号时,确定存在设备状态异常数据。
需要说明的是,预测模型基于数据存储及处理服务器发送的修正指令以及修正后的预测模型,对自身存储的预测模型进行修正,以提高检测及预测精度。
步骤606、数据采集节点将设备状态信息对应的数据包发送至数据汇聚节点。
可选的,还可以在存在设备状态异常数据时,将故障发生概率及故障发生时间发送至现场控制客户端,以提示现场工作人员进行设备检修。
此外,在存储设备状态异常数据时,为设备状态异常数据分配高于正常数据的优先级,通过WiFi模块将该设备状态异常数据发送到数据汇聚节点。数据汇聚节点可以通过DMA通道利用光纤将设备状态异常数据发送到数据存储及处理服务器。
步骤607、数据汇聚节点获取数据包,通过TCP/IP协议将数据包上传至数据存储及处理服务器。
步骤608、数据汇聚节点判断数据包的数量是否达到预设阈值,若是,则执行步骤609,否则返回执行步骤607。
步骤609、数据采集节点发送数据包至可编程逻辑控制器PLC,通过工业网传输至数据存储及处理服务器。
示例性的,在数据汇聚节点采集的数据超过预设阈值时,数据汇聚节点发送消息至数据采集节点,以提示数据采集节点将超出预设阈值的剩余数据发送至PLC。
步骤610、数据存储及处理服务器解析出所接收的数据包中的温度信息、振动信息及设备故障信息,分别将各参数存入数据库。
步骤611、数据存储及处理服务器通过预测模型分析设备健康状态。
数据存储及处理服务器基于预测模型,通过温度信息、振动信息及设备故障信息预测出故障发生概率及故障发生时间,从而得到每台设备的健康状态。还可以基于数据采集节点与设备的对应关系,定位出发生故障(或者即将发生故障)的设备或者设备部件的空间位置。
步骤612、数据存储及处理服务器在web界面实时显示设备温度、振动数据趋势图。
步骤613、丢弃数据,转至执行步骤604。
本发明实施例提供一种设备故障的监测方法,采用TCP/IP协议,以及工业网络两种方式进行数据传输,第一种是数据汇聚节点将从数据采集节点获取的具有时间标签的数据包以TCP/IP协议直接上传至数据存储及处理服务器的数据库;另一种方式数据采集节点将具有时间标签的数据包发送至PLC以通过工业网传输至数据存储及处理服务器的数据库,从而,可以根据实际情况进行数据分流,避免数据汇聚节点处待传输数据量较多而出现网络拥堵的现象。服务器端应用程序根据采集设备的温度、振动以及设备故障信息综合判断出设备的健康状态以及对设备非正常停止运行等异常状态发出警报以保障工厂设备安全。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种设备故障的监测系统,其特征在于,包括:
数据采集节点,用于采集工业设备的设备状态信息,通过预设的预测模型根据所述设备状态信息预测各个工业设备的故障发生概率以及故障发生时间,并将故障发生概率、故障发生时间及设备状态信息发送至数据存储及处理服务器;
数据存储及处理服务器,用于对所述设备状态信息进行存储,并实时显示所述设备状态信息、故障发生概率以及故障发生时间,根据所述设备状态信息对所述预测模型进行修正,将修正后的预测模型发送至数据采集节点。
2.根据权利要求1所述的系统,其特征在于,所述数据存储及处理服务器确定故障发生概率超过预设阈值的设备,提高所述设备的监控优先级。
3.根据权利要求1所述的系统,其特征在于,所述设备状态信息包括温度信息、振动信息及设备故障信息;
所述数据存储及处理服务器,用于基于深度学习算法,根据所述温度信息、振动信息及设备故障信息对预设模型模板进行训练,得到预测模型。
4.根据权利要求1所述的系统,其特征在于,还包括数据汇聚节点,所述数据汇聚节点通过无线方式与所述数据采集节点通信连接,并通过有线方式与所述数据存储及处理服务器通信连接;
所述数据汇聚节点,用于按照设定周期向所述数据存储及处理服务器发送时间同步请求,其中,所述时间同步请求用于指示所述数据存储及处理服务器获取国家授时中心服务器的时间;获取所述数据存储及处理服务器发送的所述时间,以所述时间为基准与所述数据采集节点进行时间同步。
5.根据权利要求4所述的系统,其特征在于,所述数据汇聚节点还用于:
获取网络状态信息,基于所述网络状态信息判断当前网络是否处于波动状态;
若是,则以第一数据传输速率向所述数据存储及处理服务器发送设定数据包,以预设数据采集速率由所述数据采集节点获取设定数据包,为未被发送的设定数据包添加时间标签,得到标记数据包,保存所述标记数据包,其中,第一数据传输速率小于预设数据采集速率,设定数据包包括故障发生概率、故障发生时间及设备状态信息;
否则,以第二数据传输速率向所述数据存储及处理服务器发送设定数据包及标记数据包,其中,第二数据传输速率大于预设数据采集速率,第一数据传输速率和第二数据传输速率均为数据汇聚节点向数据存储及处理服务器发送设定数据包的速率。
6.根据权利要求4所述的系统,其特征在于,所述数据汇聚节点通过以太网TCP/IP方式分别与所述数据采集节点和所述数据存储及处理服务器进行通信。
7.根据权利要求6所述的系统,其特征在于,还包括可编程逻辑控制器,所述可编程逻辑控制器通过工业网方式与所述数据采集节点和所述数据存储及处理服务器进行通信。
8.根据权利要求7所述的系统,其特征在于,所述数据汇聚节点,用于完成时间同步后,按照预设周期向所述数据采集节点发送数据采集指令;
所述数据采集节点,用于基于所述数据采集指令获取包含所述设备状态信息的数据包,将小于或等于预设阈值的部分数据包发送至所述数据汇聚节点,并将大于预设阈值的剩余数据包发送至所述可编程逻辑控制器,以分别通过以太网TCP/IP方式和工业网方式向所述数据存储及处理服务器发送数据包。
9.根据权利要求1-8中任一项所述的系统,其特征在于,还包括现场控制客户端;
所述数据采集节点在故障发生概率超过预设阈值时,确定发生故障;
将所述数据采集节点对应的设备的故障发生概率、故障发生时间及设备状态信息发送至所述现场控制客户端。
10.一种设备故障的监测方法,其特征在于,采用上述权利要求1至9中任一项所述的设备故障的检测系统执行,包括:
数据采集节点采集工业设备的设备状态信息,通过预设的预测模型根据所述设备状态信息预测各个工业设备的故障发生概率以及故障发生时间,并将故障发生概率、故障发生时间及设备状态信息发送至数据存储及处理服务器;
数据存储及处理服务器对所述设备状态信息进行存储,并实时显示所述设备状态信息、故障发生概率以及故障发生时间,根据所述设备状态信息对所述预测模型进行修正,将修正后的预测模型发送至数据采集节点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811013197.7A CN108803552B (zh) | 2018-08-31 | 2018-08-31 | 一种设备故障的监测系统及监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811013197.7A CN108803552B (zh) | 2018-08-31 | 2018-08-31 | 一种设备故障的监测系统及监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108803552A true CN108803552A (zh) | 2018-11-13 |
CN108803552B CN108803552B (zh) | 2021-08-03 |
Family
ID=64081687
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811013197.7A Active CN108803552B (zh) | 2018-08-31 | 2018-08-31 | 一种设备故障的监测系统及监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108803552B (zh) |
Cited By (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109828894A (zh) * | 2018-12-27 | 2019-05-31 | 东软集团股份有限公司 | 设备状态数据的采集方法、装置、存储介质和电子设备 |
CN109905278A (zh) * | 2019-02-28 | 2019-06-18 | 深圳力维智联技术有限公司 | 基于大数据的基站故障检测方法、装置和存储介质 |
CN110006422A (zh) * | 2019-03-28 | 2019-07-12 | 浙江吉利汽车研究院有限公司 | 一种设备安全运行参数的确定方法、装置、设备和存储介质 |
CN110288151A (zh) * | 2019-06-24 | 2019-09-27 | 重庆农村大数据投资股份有限公司 | 基于物联网的农机共享监控系统及方法 |
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 |
CN110430128A (zh) * | 2019-06-24 | 2019-11-08 | 上海展湾信息科技有限公司 | 边缘计算网关 |
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 |
CN110977614A (zh) * | 2019-12-18 | 2020-04-10 | 常州机电职业技术学院 | 一种数控机床健康诊断方法 |
CN111105026A (zh) * | 2019-12-25 | 2020-05-05 | 上海安路信息科技有限公司 | 数据读取方法及数据读取系统 |
CN111198775A (zh) * | 2019-12-19 | 2020-05-26 | 潍柴动力股份有限公司 | 修正eeprom存储状态异常的方法、系统和机动车 |
CN111208791A (zh) * | 2020-01-20 | 2020-05-29 | 桂林智工科技有限责任公司 | 一种稀土萃取传动装置故障监测系统 |
CN111262922A (zh) * | 2020-01-13 | 2020-06-09 | 安徽华创环保设备科技有限公司 | 一种基于大数据的可视化环保设备服务管理系统 |
CN111856287A (zh) * | 2020-07-17 | 2020-10-30 | 上海交通大学 | 基于堆叠残差因果卷积神经网络的锂电池健康状态检测方法 |
CN112067050A (zh) * | 2020-09-02 | 2020-12-11 | 深圳小马洛可科技有限公司 | 一种led显示屏故障预测方法及系统 |
CN112261138A (zh) * | 2020-10-22 | 2021-01-22 | 合肥高新云制造研究院 | 一种基于云制造模式的设备维修人员调度方法及物联网系统 |
CN112363476A (zh) * | 2020-11-16 | 2021-02-12 | 桂林理工大学 | 一种基于定位技术的地下排水监控系统及方法 |
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 |
CN112596469A (zh) * | 2020-12-02 | 2021-04-02 | 广东工业大学 | 一种应用于工业数控生产设备的监测控制系统 |
CN112699104A (zh) * | 2020-12-11 | 2021-04-23 | 国网宁夏电力有限公司吴忠供电公司 | 一种电力设备的智能传感器的数据处理方法及智能传感器 |
CN112782614A (zh) * | 2019-11-11 | 2021-05-11 | 株洲中车时代电气股份有限公司 | 一种基于多信息融合的变流器的故障预警方法及装置 |
CN113131619A (zh) * | 2021-05-18 | 2021-07-16 | 拉扎斯网络科技(上海)有限公司 | 智能柜的电源控制系统及方法 |
CN113741224A (zh) * | 2021-11-08 | 2021-12-03 | 南京铖联激光科技有限公司 | 一种基于上位机的监控系统和方法 |
CN114363157A (zh) * | 2021-12-17 | 2022-04-15 | 深圳鼎晶科技有限公司 | 一种基于设备云平台的设备管理方法、装置、设备及介质 |
CN114439405A (zh) * | 2022-01-22 | 2022-05-06 | 北京石油机械有限公司 | 一种防喷器控制装置故障监测方法、装置、设备及介质 |
CN114543863A (zh) * | 2022-02-10 | 2022-05-27 | 德闻仪器仪表(上海)有限公司 | 一种超声波换能器零点漂移的修正方法 |
CN115442209A (zh) * | 2022-06-22 | 2022-12-06 | 北京车网科技发展有限公司 | 一种故障检测方法、装置、电子设备及存储介质 |
CN115793588A (zh) * | 2022-12-21 | 2023-03-14 | 广州市智慧农业服务股份有限公司 | 一种基于工业物联网的数据采集方法及系统 |
CN116795066A (zh) * | 2023-08-16 | 2023-09-22 | 南京德克威尔自动化有限公司 | 远程io模块的通信数据处理方法、系统、服务器及介质 |
CN116827802A (zh) * | 2023-08-29 | 2023-09-29 | 青岛海瑞达网络科技有限公司 | 基于数据监控的工业物联网维护方法、监控系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1599453A (zh) * | 2003-09-17 | 2005-03-23 | 联想(北京)有限公司 | 动态调整视频传输的方法 |
CN102175269A (zh) * | 2011-01-24 | 2011-09-07 | 华东师范大学 | 一种可改变采样频率的传感器设备及其控制方法 |
CN102520697A (zh) * | 2011-12-16 | 2012-06-27 | 西安建筑科技大学 | 一种远程协同诊断的现场信息预处理方法 |
CN102705078A (zh) * | 2012-04-19 | 2012-10-03 | 哈尔滨工程大学 | 基于灰色模型的柴油机故障预测方法 |
CN103064340A (zh) * | 2011-10-21 | 2013-04-24 | 沈阳高精数控技术有限公司 | 一种面向数控机床的故障预测方法 |
CN103902437A (zh) * | 2014-03-11 | 2014-07-02 | 深圳市同洲电子股份有限公司 | 一种检测方法及服务器 |
CN105046370A (zh) * | 2015-08-18 | 2015-11-11 | 国电南瑞科技股份有限公司 | 四线一库备品备件库存量预测系统及其建立方法 |
CN106385374A (zh) * | 2016-08-17 | 2017-02-08 | 武汉精伦电气有限公司 | 一种局域网发送端的缓解网络拥塞的传输控制方法及系统 |
CN106567997A (zh) * | 2016-04-24 | 2017-04-19 | 内蒙古科技大学 | 基于物联网的油气管道远程实时健康监测系统 |
CN107797537A (zh) * | 2017-11-10 | 2018-03-13 | 上海第二工业大学 | 一种应用于自动化生产线的故障预测与健康管理方法 |
-
2018
- 2018-08-31 CN CN201811013197.7A patent/CN108803552B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1599453A (zh) * | 2003-09-17 | 2005-03-23 | 联想(北京)有限公司 | 动态调整视频传输的方法 |
CN102175269A (zh) * | 2011-01-24 | 2011-09-07 | 华东师范大学 | 一种可改变采样频率的传感器设备及其控制方法 |
CN103064340A (zh) * | 2011-10-21 | 2013-04-24 | 沈阳高精数控技术有限公司 | 一种面向数控机床的故障预测方法 |
CN102520697A (zh) * | 2011-12-16 | 2012-06-27 | 西安建筑科技大学 | 一种远程协同诊断的现场信息预处理方法 |
CN102705078A (zh) * | 2012-04-19 | 2012-10-03 | 哈尔滨工程大学 | 基于灰色模型的柴油机故障预测方法 |
CN103902437A (zh) * | 2014-03-11 | 2014-07-02 | 深圳市同洲电子股份有限公司 | 一种检测方法及服务器 |
CN105046370A (zh) * | 2015-08-18 | 2015-11-11 | 国电南瑞科技股份有限公司 | 四线一库备品备件库存量预测系统及其建立方法 |
CN106567997A (zh) * | 2016-04-24 | 2017-04-19 | 内蒙古科技大学 | 基于物联网的油气管道远程实时健康监测系统 |
CN106385374A (zh) * | 2016-08-17 | 2017-02-08 | 武汉精伦电气有限公司 | 一种局域网发送端的缓解网络拥塞的传输控制方法及系统 |
CN107797537A (zh) * | 2017-11-10 | 2018-03-13 | 上海第二工业大学 | 一种应用于自动化生产线的故障预测与健康管理方法 |
Cited By (42)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109828894A (zh) * | 2018-12-27 | 2019-05-31 | 东软集团股份有限公司 | 设备状态数据的采集方法、装置、存储介质和电子设备 |
CN109828894B (zh) * | 2018-12-27 | 2022-06-21 | 东软集团股份有限公司 | 设备状态数据的采集方法、装置、存储介质和电子设备 |
CN109905278A (zh) * | 2019-02-28 | 2019-06-18 | 深圳力维智联技术有限公司 | 基于大数据的基站故障检测方法、装置和存储介质 |
CN110006422A (zh) * | 2019-03-28 | 2019-07-12 | 浙江吉利汽车研究院有限公司 | 一种设备安全运行参数的确定方法、装置、设备和存储介质 |
CN110006422B (zh) * | 2019-03-28 | 2021-03-09 | 浙江吉利汽车研究院有限公司 | 一种设备安全运行参数的确定方法、装置、设备和存储介质 |
CN110288151A (zh) * | 2019-06-24 | 2019-09-27 | 重庆农村大数据投资股份有限公司 | 基于物联网的农机共享监控系统及方法 |
CN110430128B (zh) * | 2019-06-24 | 2021-08-27 | 上海展湾信息科技有限公司 | 边缘计算网关 |
CN110430128A (zh) * | 2019-06-24 | 2019-11-08 | 上海展湾信息科技有限公司 | 边缘计算网关 |
CN110288151B (zh) * | 2019-06-24 | 2023-08-08 | 重庆农村大数据投资股份有限公司 | 基于物联网的农机共享监控系统及方法 |
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 |
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 |
CN112782614A (zh) * | 2019-11-11 | 2021-05-11 | 株洲中车时代电气股份有限公司 | 一种基于多信息融合的变流器的故障预警方法及装置 |
CN110977614A (zh) * | 2019-12-18 | 2020-04-10 | 常州机电职业技术学院 | 一种数控机床健康诊断方法 |
CN111198775A (zh) * | 2019-12-19 | 2020-05-26 | 潍柴动力股份有限公司 | 修正eeprom存储状态异常的方法、系统和机动车 |
CN111198775B (zh) * | 2019-12-19 | 2023-07-18 | 潍柴动力股份有限公司 | 修正eeprom存储状态异常的方法、系统和机动车 |
CN111105026A (zh) * | 2019-12-25 | 2020-05-05 | 上海安路信息科技有限公司 | 数据读取方法及数据读取系统 |
CN111262922A (zh) * | 2020-01-13 | 2020-06-09 | 安徽华创环保设备科技有限公司 | 一种基于大数据的可视化环保设备服务管理系统 |
CN111208791A (zh) * | 2020-01-20 | 2020-05-29 | 桂林智工科技有限责任公司 | 一种稀土萃取传动装置故障监测系统 |
CN111856287A (zh) * | 2020-07-17 | 2020-10-30 | 上海交通大学 | 基于堆叠残差因果卷积神经网络的锂电池健康状态检测方法 |
CN112067050A (zh) * | 2020-09-02 | 2020-12-11 | 深圳小马洛可科技有限公司 | 一种led显示屏故障预测方法及系统 |
CN112261138A (zh) * | 2020-10-22 | 2021-01-22 | 合肥高新云制造研究院 | 一种基于云制造模式的设备维修人员调度方法及物联网系统 |
CN112363476A (zh) * | 2020-11-16 | 2021-02-12 | 桂林理工大学 | 一种基于定位技术的地下排水监控系统及方法 |
CN112596469A (zh) * | 2020-12-02 | 2021-04-02 | 广东工业大学 | 一种应用于工业数控生产设备的监测控制系统 |
CN112699104A (zh) * | 2020-12-11 | 2021-04-23 | 国网宁夏电力有限公司吴忠供电公司 | 一种电力设备的智能传感器的数据处理方法及智能传感器 |
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 |
CN112699104B (zh) * | 2020-12-11 | 2023-04-07 | 国网宁夏电力有限公司吴忠供电公司 | 一种电力设备的智能传感器的数据处理方法及智能传感器 |
CN113131619B (zh) * | 2021-05-18 | 2023-09-22 | 拉扎斯网络科技(上海)有限公司 | 智能柜的电源控制系统及方法 |
CN113131619A (zh) * | 2021-05-18 | 2021-07-16 | 拉扎斯网络科技(上海)有限公司 | 智能柜的电源控制系统及方法 |
CN113741224A (zh) * | 2021-11-08 | 2021-12-03 | 南京铖联激光科技有限公司 | 一种基于上位机的监控系统和方法 |
CN113741224B (zh) * | 2021-11-08 | 2022-02-08 | 南京铖联激光科技有限公司 | 一种基于上位机的监控系统和方法 |
CN114363157A (zh) * | 2021-12-17 | 2022-04-15 | 深圳鼎晶科技有限公司 | 一种基于设备云平台的设备管理方法、装置、设备及介质 |
CN114439405A (zh) * | 2022-01-22 | 2022-05-06 | 北京石油机械有限公司 | 一种防喷器控制装置故障监测方法、装置、设备及介质 |
CN114543863A (zh) * | 2022-02-10 | 2022-05-27 | 德闻仪器仪表(上海)有限公司 | 一种超声波换能器零点漂移的修正方法 |
CN115442209A (zh) * | 2022-06-22 | 2022-12-06 | 北京车网科技发展有限公司 | 一种故障检测方法、装置、电子设备及存储介质 |
CN115442209B (zh) * | 2022-06-22 | 2024-02-02 | 北京车网科技发展有限公司 | 一种故障检测方法、装置、电子设备及存储介质 |
CN115793588A (zh) * | 2022-12-21 | 2023-03-14 | 广州市智慧农业服务股份有限公司 | 一种基于工业物联网的数据采集方法及系统 |
CN115793588B (zh) * | 2022-12-21 | 2023-09-08 | 广东暨通信息发展有限公司 | 一种基于工业物联网的数据采集方法及系统 |
CN116795066A (zh) * | 2023-08-16 | 2023-09-22 | 南京德克威尔自动化有限公司 | 远程io模块的通信数据处理方法、系统、服务器及介质 |
CN116795066B (zh) * | 2023-08-16 | 2023-10-27 | 南京德克威尔自动化有限公司 | 远程io模块的通信数据处理方法、系统、服务器及介质 |
CN116827802A (zh) * | 2023-08-29 | 2023-09-29 | 青岛海瑞达网络科技有限公司 | 基于数据监控的工业物联网维护方法、监控系统 |
CN116827802B (zh) * | 2023-08-29 | 2023-11-24 | 青岛海瑞达网络科技有限公司 | 基于数据监控的工业物联网维护方法、监控系统 |
Also Published As
Publication number | Publication date |
---|---|
CN108803552B (zh) | 2021-08-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108803552A (zh) | 一种设备故障的监测系统及监测方法 | |
CN112788142B (zh) | 一种支持多传感器接入的智能边缘物联网关 | |
CN106655522B (zh) | 一种适用于电网二次设备运维管理的主站系统 | |
CN103033703B (zh) | 一种在线、离线一体式的智能变电站分析测试方法 | |
CN107390049A (zh) | 一种电力电缆故障监测方法及装置 | |
JP5249950B2 (ja) | ユーティリティ・ネットワーク機能停止検出のための方法とシステム | |
CN103245912B (zh) | 一种风电机组运行状态分析诊断方法和系统 | |
CN111736566A (zh) | 一种基于机器学习与边缘计算的远程设备健康预测方法 | |
CN103246265B (zh) | 机电设备检测维护方法 | |
CN108471168A (zh) | 一种变电站无线数据传输和检修管理系统及方法 | |
CN109413188A (zh) | 一种工业设备物联网管理系统及方法 | |
CN108961455A (zh) | 线路杆塔巡检方法、系统及终端设备 | |
WO2016004652A1 (zh) | 基于ami与j2ee的智能用电数据管理方法及系统 | |
CN109974780A (zh) | 一种基于物联网的电气设备状态监测系统 | |
CN110531656A (zh) | 一种水电机组性能的监测系统和方法 | |
CN112202597A (zh) | 一种低压台区通信网络节点重要度的评估方法 | |
CN112396292A (zh) | 一种基于物联网及边缘计算的变电站设备风险管控系统 | |
CN115452046A (zh) | 一种基于物联网的环保监测系统及方法 | |
CN108667652A (zh) | 一种远动机主备机安全切换模块及其切换方法 | |
CN112947364B (zh) | 一种基于大数据预警配电站设备故障的系统及方法 | |
CN110533300B (zh) | 基于博弈集对云的变压器智能决策系统 | |
CN104898522B (zh) | 一种数字焊接电源远程监控系统 | |
CN103997126A (zh) | 一种基于开关量状态的故障诊断分级方法及系统 | |
CN103578043B (zh) | 一种电网数据处理的装置、方法及系统 | |
CN112710918B (zh) | 基于边缘计算的无线数据采集方法及系统 |
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 |