CN109086804B - 一种基于多源状态监测信息和可靠性特征融合的液压设备早期故障预测方法 - Google Patents
一种基于多源状态监测信息和可靠性特征融合的液压设备早期故障预测方法 Download PDFInfo
- Publication number
- CN109086804B CN109086804B CN201810762624.5A CN201810762624A CN109086804B CN 109086804 B CN109086804 B CN 109086804B CN 201810762624 A CN201810762624 A CN 201810762624A CN 109086804 B CN109086804 B CN 109086804B
- Authority
- CN
- China
- Prior art keywords
- state
- prediction
- value
- monitoring
- equipment
- 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.)
- Active
Links
Images
Classifications
-
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于多源状态监测信息和可靠性特征融合的液压设备早期故障预测方法,旨在提供一种能够识别早期故障信号,降低预警的误报和漏报,提高故障预测的准确率。其技术方案的要点是,挖掘液压设备的监测信息与状态评价之间的关联规则;构建基于多源传感器监测数据融合方法,实现监测数据降维;融合监测信息与可靠性寿命数据,构建参数化的失效率函数(proportional covariate model,简称PCM),预测设备的早期故障演变过程,为液压设备运行维护提供有力的预警信息。相对于传统的液压故障预测方法,该方法通过在液压设备状态监测信息中融合可靠性特征,能够有效提高预测精度和拓宽预测区间等优点。
Description
技术领域
本发明涉及液压设备故障预警领域,特别涉及一种基于多源状态监测信息和可靠性特征融合的液压设备早期故障预测方法。
背景技术
液压系统是机械装备中故障率较高的子系统。同时,由于液压系统维修策略较多采用预防性维修或故障后检修,容易产生明显的“欠修”或“过修”问题,导致维修费用昂贵,且维修时间过长,从而影响设备的可用度和产能。随着传感器技术的发展,在重要的领域基于状态的维护策略(condition-based maintenance,即CBM)得到了越来越多的发展与应用。其中,关于状态监测、健康状况评估和故障预测是状态维护策略框架的核心内容。在流体传动领域,状态维护策略也逐渐受到关注,因此,必须准确进行状态监测评估、提高健康状态评价和早期故障预测准确率,实现液压设备的智能运行与维护,从而降低非计划停运率并提高可用度。
随着传感器和物联网的发展,设备的监测大数据源呈现多元化趋势,不仅使单台设备的关键设备的传感器采集数据越来越丰富且异构;同时,对于工业应用的基础液压设备,同批次、同类型设备的大量远程监测数据的获得将成为可能,同时亦可获得对应寿命数据,这就为高可靠性液压设备的状态监测评估与健康状况评估预测拓宽了研究边界,提供了研究契机。在液压系统运行过程中,有很多因素可能影响设备状态,且这些因素值本身亦在频频变动。例如为满足工况的变化,导致对应的设备运行参数也需要反复调整;由于疲劳、老化等原因,设备自身强度、刚度、可靠度等性能会逐步衰减;由于工作环境和传感器灵敏度影响,监测所得到的信息可能失真甚至误诊。上述因素中存在的不确定性,导致设备状态变化的不确定,也影响到设备状态评估和故障预测的精度与有效性。
对于液压设备的在线监测,涉及到的监测信息较多,具有多时间离散度、多属性等特点,而且受到运行条件的影响明显,如油液污染度等。那么如何根据设备多源监测信息挖掘出适用的监测状态定量评价方法,对于设备运行维护具有重要意义。该问题属于多源数据融合技术,在机械设备故障领域使用广泛,而对于在线监测评估则研究有限,对液压设备的在线监测应用研究则更少。通过在线监测,可辨识出设备当前的监测状态,为CBM提供基础。但为实现设备基于状态的预知性维护(predictive maintenance),基于单时间剖面的监测状态评估是不够的,因此有必要研究设备劣化的演变规律。因此,设备健康预测或故障预测是实现智能CBM的核心。对于基础液压设备,随着物联网技术的发展,同类型、同批次的设备状态监测与运行状况数据将来可能实现共享,即液压基础设备的监测大数据或在将来成为趋势。那么对于基础设备,探索融合可靠性特征与在线监测状态的早期故障预测方法,对于健康状况评估和故障预测具有重要意义。
发明内容
面向在线监测的故障预测,即基于监测数据驱动的故障预测方法,主要适用于短期预测,但为了提高液压设备早期故障预警效率,有必要进一步提高故障预测的精度与有效区间。因此,需要研制融合设备可靠性特征的健康状态评价和早期故障预测机制。
针对基于监测数据驱动的故障预测方法在液压设备故障预测中的应用的局限性,本发明提出一种适用于液压设备早期故障预测的比例协变量模型PCM(proportionalcovariate model),此方法在分析监测数据的基础上,旨在解决设备可靠性特征融合于早期故障预测的问题。该方法主要分三步:第一步基于多源监测数据,进行信息融合,以获得状态综合特征值;第二步基于综合状态信息构建设备失效率函数PCM,并实现状态评价的实时更新;第三步基于综合状态劣化演变过程,进行早期故障状态预测,并进行预警阈值优化,实现早期故障智能预警。其具体实现步骤如下:
步骤1、基于多源监测信息,对多源监测信息特征量进行融合,以获得状态综合特征量;
步骤2、基于设备历史的状态综合特征值和故障事件信息,构建比例协变量模型,对设备进行状态评价的实时更新;
步骤3、建立设备状态演变预测模型,并进行预警阈值优化,实现早期故障的智能预警。
在上述的基于多源状态监测信息和可靠性特征融合的液压设备早期故障预测方法,在步骤1所述的基于多源监测数据,进行信息融合,以获得状态综合特征量包括如下步骤:
步骤1:以特征量的状态空间为纵向,以时间尺度为横向,对信号特征量进行定量表征;
步骤2:基于信号特征量,采用自组织映射神经网络对多源信号进行特征层的融合,以最小量化误差(MQE),即输入数据与正常状态数据的距离,作为设备的监测状态综合特征量,可用下式表示:
MQE(t)=||D(t)-mBMU|| (1)
其中,D(t)是t时刻的多源信号特征量矢量,且作为神经网络的输入;mBMU表示最佳匹配单元(BMU)的权重矢量;从而根据历史多源监测数据,得到每个监测时刻t对应的综合特征量MQE(t)。
在上述的基于多源状态监测信息和可靠性特征融合的液压设备早期故障预测方法,在步骤2所述的基于综合状态信息构建设备失效率函数包括如下步骤:
步骤1:根据设备的监测状态综合特征值MQE,构建比例协变量模型:
C(t)=MQE(t)/hin(t) (2)
其中,协变量只有MQE;hin(t)表示系统的初始失效率函数,采用两参数的威布尔分布函数表示:
hin(t)=βtβ-1/ηβ
其中,参数β和η分别为形状参数和尺度参数;基于故障事件数据,即故障间隔(tfn,n=1,2,...,Nf),采用极大似然估计方法对威布尔分布参数进行估计,方法如下:
服从威布尔分布的概率密度函数为:
建立概率密度函数的对数似然方程为:
分别对概率密度函数的对数似然方程求β,η偏导,联立求解方程组:
从而可以求出β,η的估计值;
在已知hin(t)函数的基础上,根据公式(1),对于各监测时刻的综合特征量MQE(ti),可得到各监测时刻的协变量基准函数值C(ti),即得到了协变量基准函数值的时间序列,从而可通过函数拟合,构建协变量基准函数C(t)=atb,其中a,b为对应参数;
步骤2:依据实时监测信号,进行状态评估更新
其中,h(t)表示实时的状态更新值。
在上述的基于多源状态监测信息和可靠性特征融合的液压设备早期故障预测方法,在步骤3所述的基于综合状态劣化演变过程,进行早期故障状态预测,并进行预警阈值优化,实现早期故障智能预警包括如下步骤:
步骤1:依据实时监测信号,预测状态演变趋势
为预测状态h(t)随着时间的演变趋势,首先是对状态综合特征量MQE(t)时间序列的演变趋势进行识别;采用通用的时间序列拟合与预测方法,获得MQE(t)的时间序列函数;再通过公式(3),获得状态h(t)的时间序列函数;
步骤2:预测性能评估
为了提高状态预测效果,可针对各种常见的时间序列预测方法进行预测性能评估,以选择预测性能较优的预测方法;对于有m组历史监测数据,可选取前75%为训练集,后25%为测试集;
预测性能的评估值E主要包括两部分,预测误差E1和预测的不确定性程度E2:
E=θ1E1+θ2E2 (4)
其中,θ1,θ2分别表示为预测误差、预测的不确定性程度的权重,且满足θ1+θ2=1;
预测误差E1,采用均方根误差(RMSE)表示:
其中,nt表示的是测试集的样本数,tj表示的测试集中第j个监测记录对应的监测时间,h(tj)表示测试集中第j个监测记录对应的状态实际值,h′(tj)表示测试集中第j个监测记录对应的状态预测值均值,由于状态预测值具有一定的随机分布特性,状态预测值均值采用Nsim次的状态预测值的平均值表示;其中,确定预测次数Nsim的原则是使得状态预测值的随机分布的参数趋于收敛;当状态预测值的随机分布确定以后,通过其概率密度函数,则可以确定状态预测值的区间上限hU和区间下限hL;
预测的不确定性程度E2,采用预测区间的上限hU、下限hL的差值的均值表示:
步骤3:状态劣化预警机制
当设备的状态h(t)劣化达到预警值d时,建议进行预防性维修或更换,以有效降低设备的非计划停机要求;根据维修费用最小化的目标函数,建立优化模型,可求解最优预警阈值:
式中,EC表示的是最小化的预防维护成本期望值;d为预警值,取值范围为[hmin,hmax],hmin,hmax分别表示预警值取值范围的下、上限值;hr表示第r个劣化演化预测序列;pr为第r个劣化演化预测序列对应的概率,在一般情况下,可以令pr=1/NS,其中,NS表示的是劣化演化预测序列的抽样总数,劣化序列的抽样可以通过蒙特卡洛模拟方法实现;Q(d,hr)表示的是当阈值为d,劣化演化预测序列为hr时的预防维修成本:
其中,cp表示的是单次预防维护的成本,I(t,hr)表示的是系统的劣化演化预测序列为hr的情况下,在t时刻是否发生进行预防维护的标记值,若进行预防维护,则I=1,否则I=0;
通过优化后的预警值d,可基于比例协变量模型,将预警值转化成动态的监测状态综合特征值的预警值,从而便于现场直观判断;当h值高于预警值d时候,要提示要进行预防性维护:
MQE(t)≥d·atb (7)
即当t时刻的监测状态综合特征值MQE(t)高于动态预警值d·atb时,则提示要进行预防性维护,便于现场直观判断,达到了故障早期预警的目的,同时优化了预防维修成本。
本发明与现有技术相比具有以下有益效果:1、本发明针对多源状态特征值,基于状态空间和时间尺度,采用基于在线监测的状态综合特征评估方法,有效降低特征维度,从而增强依据大规模异源监测信息构建实时状态特征的有效性。本发明挖掘实时状态特征与可靠性特征之间的耦合关联规则与融合机制,将传统的基于当前监测的故障预测理论拓展到全生命周期,提高关键液压元件/设备状态评价和故障预测的效率。2、本发明以深度融合的状态评价为核心,提出一种包括信息融合、状态评价和状态预警三个层次的液压设备早期故障预测方法,有效处理大规模多源监测信息,更清晰地揭示其状态演变趋势,提供有效预警,保证设备运行的可靠性。3、对于本发明为当前具有海量监测数据,但缺乏有效数据处理措施前提下的基础液压元件状态预测与维护,提供了一种切实可行的方法。且本方明进一步丰富和发展液压设备/元件的智能健康管理的应用范围,提高我国液压设备运行和维护水平。
附图说明
图1是基于多源状态监测信息和可靠性特征融合的液压设备早期故障预测方法流程图。
图2是早期故障预警示意图。
具体实施方式
1.识别信号特征量,方法如下:
以特征量的状态空间为纵向,以时间尺度为横向,对信号特征量进行定量表征;
2.基于多源监测信息融合进行状态综合特征值识别,方法如下:
采用自组织映射神经网络对多源信号进行特征层的融合,以最小量化误差(MQE),即输入数据与正常状态数据的距离,作为设备的监测状态综合特征量,可用下式表示:
MQE(t)=||D(t)-mBMU||
其中,D(t)是t时刻的多源信号特征量矢量,且作为神经网络的输入;mBMU表示最佳匹配单元(BMU)的权重矢量;从而根据历史多源监测数据,得到每个监测时刻t对应的综合特征量MQE(t)。
3.通过设备的寿命试验中多源监测信号数据,拟通过分类训练,识别出不同层级的监测状态,为状态评估奠定基础。
4.根据设备的监测状态综合特征值MQE,构建比例协变量模型:
C(t)=MQE(t)/hin(t)
其中,协变量只有MQE。hin(t)表示系统的初始失效率函数,采用两参数的威布尔分布函数表示:
hin(t)=βtβ-1/ηβ
其中,参数β和η分别为形状参数和尺度参数。基于故障事件数据,即故障间隔(tfn,n=1,2,...,Nf),采用极大似然估计方法对威布尔分布参数进行估计,方法如下:
服从威布尔分布的概率密度函数为:
建立概率密度函数的对数似然方程为:
分别对概率密度函数的对数似然方程求β,η偏导,联立求解方程组:
从而可以求出β,η的估计值。
5.依据离散状态监测值,构建协变量基准函数C(ti),(i=1,2,...,m);
在已知hin(t)函数的基础上,根据公式(1),对于各监测时刻的综合特征量MQE(ti),可得到各监测时刻的协变量基准函数值C(ti),即得到了协变量基准函数值的时间序列,从而可通过函数拟合,构建协变量基准函数C(t)=atb,其中a,b为对应参数。
6.依据实时监测信号,进行状态评估更新
其中,h(t)表示实时的状态更新值。
7.依据实时监测信号,识别状态演变趋势,方法如下:
为预测状态h(t)随着时间的演变趋势,首先是对状态综合特征量MQE(t)时间序列的演变趋势进行识别。可采用通用的时间序列拟合与预测方法,获得MQE(t)的时间序列函数。再通过公式(3),获得状态h(t)的时间序列函数。
8.进行预测性能评估,方法如下:
为了提高状态预测效果,可针对各种常见的时间序列预测方法进行预测性能评估,以选择预测性能较优的预测方法。对于有m组历史监测数据,可选取前75%为训练集,后25%为测试集。
预测性能的评估值E主要包括两部分,预测误差E1和预测的不确定性程度E2:
E=θ1E1+θ2E2
其中,θ1,θ2分别表示为预测误差、预测的不确定性程度的权重,且满足θ1+θ2=1。
预测误差E1,采用均方根误差(RMSE)表示:
其中,nt表示的是测试集的样本数,tj表示的测试集中第j个监测记录对应的监测时间,h(tj)表示测试集中第j个监测记录对应的状态实际值,h′(tj)表示测试集中第j个监测记录对应的状态预测值均值。由于状态预测值具有一定的随机分布特性,状态预测值均值采用Nsim次的状态预测值的平均值表示。其中,确定预测次数Nsim的原则是使得状态预测值的随机分布的参数趋于收敛。当状态预测值的随机分布确定以后,通过其概率密度函数,则可以确定状态预测值的区间上限hU和区间下限hL。
预测的不确定性程度E2,采用预测区间的上限hU、下限hL的差值的均值表示:
9.状态劣化预警,方法如下:
当设备的状态h(t)劣化达到预警值d时,建议进行预防性维修或更换,以有效降低设备的非计划停机要求。根据维修费用最小化的目标函数,建立优化模型,可求解最优预警阈值:
式中,EC表示的是最小化的预防维护成本期望值;d为预警值,取值范围为[hmin,hmax],hmin,hmax分别表示预警值取值范围的下、上限值;hr表示第r个劣化演化预测序列;pr为第r个劣化演化预测序列对应的概率,在一般情况下,可以令pr=1/NS,其中,NS表示的是劣化演化预测序列的抽样总数,劣化序列的抽样可以通过蒙特卡洛模拟方法实现;Q(d,hr)表示的是当阈值为d,劣化演化预测序列为hr时的预防维修成本:
其中,cp表示的是单次预防维护的成本,I(t,hr)表示的是系统的劣化演化预测序列为hr的情况下,在t时刻是否发生进行预防维护的标记值,若进行预防维护,则I=1,否则I=0。
通过优化后的预警值d,可基于比例协变量模型,将预警值转化成动态的监测状态综合特征值的预警值,从而便于现场直观判断。当h值高于预警值d时候,要提示要进行预防性维护:
MQE(t)≥d·atb
即当t时刻的监测状态综合特征值MQE(t)高于动态预警值d·atb时(如图2),则提示要进行预防性维护,便于现场直观判断,达到了故障早期预警的目的,同时优化了预防维修成本。
Claims (3)
1.一种基于多源状态监测信息和可靠性特征融合的液压设备早期故障预测方法,其特征在于,包括如下步骤:
步骤1、基于多源监测信息,对多源监测信息特征量进行融合,以获得状态综合特征量;
步骤2、基于设备历史的状态综合特征值和故障事件信息,构建比例协变量模型,对设备进行状态评价的实时更新;
步骤3、建立设备状态演变预测模型,并进行预警阈值优化,实现早期故障的智能预警;
在步骤3所述的基于综合状态劣化演变过程,进行早期故障状态预测,并进行预警阈值优化,实现早期故障智能预警包括如下步骤:
步骤3.1:依据实时监测信号,预测状态演变趋势
为预测状态h(t)随着时间的演变趋势,首先是对状态综合特征量MQE(t)时间序列的演变趋势进行识别;采用通用的时间序列拟合与预测方法,获得MQE(t)的时间序列函数;获得状态h(t)的时间序列函数;
步骤3.2:预测性能评估
为了提高状态预测效果,可针对各种常见的时间序列预测方法进行预测性能评估,以选择预测性能较优的预测方法;对于有m组历史监测数据,可选取前75%为训练集,后25%为测试集;
预测性能的评估值E主要包括两部分,预测误差E1和预测的不确定性程度E2:
E=θ1E1+θ2E2 (4)
其中,θ1,θ2分别表示为预测误差、预测的不确定性程度的权重,且满足θ1+θ2=1;
预测误差E1,采用均方根误差(RMSE)表示:
其中,nt表示的是测试集的样本数,tj表示的测试集中第j个监测记录对应的监测时间,h(tj)表示测试集中第j个监测记录对应的状态实际值,h′(tj)表示测试集中第j个监测记录对应的状态预测值均值,由于状态预测值具有一定的随机分布特性,状态预测值均值采用Nsim次的状态预测值的平均值表示;其中,确定预测次数Nsim的原则是使得状态预测值的随机分布的参数趋于收敛;当状态预测值的随机分布确定以后,通过其概率密度函数,则可以确定状态预测值的区间上限hU和区间下限hL;
预测的不确定性程度E2,采用预测区间的上限hU、下限hL的差值的均值表示:
步骤3.3:状态劣化预警机制
当设备的状态h(t)劣化达到预警值d时,建议进行预防性维修或更换,以有效降低设备的非计划停机要求;根据维修费用最小化的目标函数,建立优化模型,可求解最优预警阈值:
式中,EC表示的是最小化的预防维护成本期望值;d为预警值,取值范围为[hmin,hmax],hmin,hmax分别表示预警值取值范围的下、上限值;hr表示第r个劣化演化预测序列;pr为第r个劣化演化预测序列对应的概率,在一般情况下,可以令pr=1/NS,其中,NS表示的是劣化演化预测序列的抽样总数,劣化序列的抽样可以通过蒙特卡洛模拟方法实现;Q(d,hr)表示的是当阈值为d,劣化演化预测序列为hr时的预防维修成本:
其中,cp表示的是单次预防维护的成本,I(t,hr)表示的是系统的劣化演化预测序列为hr的情况下,在t时刻是否发生进行预防维护的标记值,若进行预防维护,则I=1,否则I=0;
通过优化后的预警值d,可基于比例协变量模型,将预警值转化成动态的监测状态综合特征值的预警值,从而便于现场直观判断;当h(t)值高于预警值d时候,要提示要进行预防性维护:
MQE(t)≥d·atb (9)
即当t时刻的监测状态综合特征值MQE(t)高于动态预警值d·atb时,则提示要进行预防性维护,便于现场直观判断,达到了故障早期预警的目的,同时优化了预防维修成本。
2.根据权利要求1所述的基于多源状态监测信息和可靠性特征融合的液压设备早期故障预测方法,其特征在于,在步骤1所述的基于多源监测数据,进行信息融合,以获得状态综合特征量包括如下步骤:
步骤1:以特征量的状态空间为纵向,以时间尺度为横向,对信号特征量进行定量表征;
步骤2:基于信号特征量,采用自组织映射神经网络对多源信号进行特征层的融合,以最小量化误差(MQE),即输入数据与正常状态数据的距离,作为设备的监测状态综合特征量,可用下式表示:
MQE(t)=||D(t)-mBMU|| (1)
其中,D(t)是t时刻的多源信号特征量矢量,且作为神经网络的输入;mBMU表示最佳匹配单元(BMU)的权重矢量;从而根据历史多源监测数据,得到每个监测时刻t对应的综合特征量MQE(t)。
3.根据权利要求1所述的基于多源状态监测信息和可靠性特征融合的液压设备早期故障预测方法,其特征在于,在步骤2所述的基于综合状态信息构建设备失效率函数包括如下步骤:
步骤1:根据设备的监测状态综合特征值MQE,构建比例协变量模型:
C(t)=MQE(t)/hin(t) (2)
其中,协变量只有MQE(t);hin(t)表示系统的初始失效率函数,采用两参数的威布尔分布函数表示:
hin(t)=βtβ-1/ηβ
其中,参数β和η分别为形状参数和尺度参数;基于故障事件数据,即故障间隔(tfn,n=1,2,...,Nf),采用极大似然估计方法对威布尔分布参数进行估计,方法如下:
服从威布尔分布的概率密度函数为:
建立概率密度函数的对数似然方程为:
其中,L表示为观测到样本的概率密度函数的似然方程,lnL表示为对该似然方程取对数,分别对概率密度函数的对数似然方程lnL求β,η偏导,联立求解方程组:
从而可以求出β,η的估计值;
在已知hin(t)函数的基础上,根据公式(1),对于各时刻设备的监测状态综合特征量MQE(t),再根据公式(2),可得到时刻t的协变量基准函数值C(t)的观测值即得到了协变量基准函数值的时间序列再通过函数拟合,得出协变量基准函数的显示表达式C(t)=atb,其中a,b为协变量基准函数对应参数;
步骤2:依据实时监测信号,进行状态评估更新
其中,h(t)表示实时的劣化状态更新值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810762624.5A CN109086804B (zh) | 2018-07-12 | 2018-07-12 | 一种基于多源状态监测信息和可靠性特征融合的液压设备早期故障预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810762624.5A CN109086804B (zh) | 2018-07-12 | 2018-07-12 | 一种基于多源状态监测信息和可靠性特征融合的液压设备早期故障预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109086804A CN109086804A (zh) | 2018-12-25 |
CN109086804B true CN109086804B (zh) | 2022-04-22 |
Family
ID=64837624
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810762624.5A Active CN109086804B (zh) | 2018-07-12 | 2018-07-12 | 一种基于多源状态监测信息和可靠性特征融合的液压设备早期故障预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109086804B (zh) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109902334B (zh) * | 2019-01-09 | 2023-04-11 | 中国电子产品可靠性与环境试验研究所((工业和信息化部电子第五研究所)(中国赛宝实验室)) | 机器人用精密减速器寿命预测方法及装置、计算机设备 |
CN110045691B (zh) * | 2019-03-13 | 2021-03-16 | 东北大学 | 一种多源异构大数据的多任务处理故障监测方法 |
CN110008565B (zh) * | 2019-03-28 | 2020-12-11 | 浙江大学 | 基于运行参数关联性分析的工业过程异常工况预测方法 |
CN110388315B (zh) * | 2019-07-05 | 2020-11-13 | 中国石油大学(北京) | 基于多源信息融合的输油泵故障识别方法、装置及系统 |
CN110701137B (zh) * | 2019-10-16 | 2020-10-13 | 无锡华瀚能源装备科技有限公司 | 一种掘进机液压系统智能在线检测诊断装置及方法 |
CN111310926B (zh) * | 2020-01-17 | 2022-10-11 | 中国人民解放军火箭军工程大学 | 一种融合多元信息的故障报警阈值确定方法 |
CN112528414A (zh) * | 2020-12-17 | 2021-03-19 | 震兑工业智能科技有限公司 | 一种基于som-mqe的飞机发动机故障预警方法 |
CN113033683B (zh) * | 2021-03-31 | 2022-05-06 | 中南大学 | 一种基于静态与动态联合分析的工业系统工况监测方法和系统 |
CN113128409B (zh) * | 2021-04-21 | 2022-08-30 | 合肥工业大学 | 一种基于多维关联规则模型的整车多源信号柔性测试方法 |
CN113569345B (zh) * | 2021-05-31 | 2024-03-12 | 北京航空航天大学 | 一种基于多源信息融合的数控系统可靠性建模方法与装置 |
CN113255795B (zh) * | 2021-06-02 | 2021-10-26 | 杭州安脉盛智能技术有限公司 | 一种基于多指标集群分析的设备状态监测方法 |
CN113449985B (zh) * | 2021-06-25 | 2023-04-07 | 上海电气风电集团股份有限公司 | 齿轮箱监测方法及其系统及计算机可读存储介质 |
CN117132025A (zh) * | 2023-10-26 | 2023-11-28 | 国网山东省电力公司泰安供电公司 | 一种基于多源数据融合的用电监测预警系统 |
CN117148784B (zh) * | 2023-10-27 | 2024-01-26 | 山东山森数控技术有限公司 | 一种多轴多通道数控系统运行故障分析方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1240009C (zh) * | 2003-06-19 | 2006-02-01 | 上海交通大学 | 基于网络的设备状态监控与性能退化预测方法 |
CN101950382A (zh) * | 2010-09-01 | 2011-01-19 | 燕山大学 | 一种带有风险控制的液压设备最优维修决策方法 |
CN104239694A (zh) * | 2014-08-28 | 2014-12-24 | 北京交通大学 | 一种城轨列车转向架的故障预测与视情维修方法 |
WO2016139544A1 (en) * | 2015-03-03 | 2016-09-09 | Abb Technology Ltd. | Method and system for fault prediction |
CN106555788A (zh) * | 2016-11-11 | 2017-04-05 | 河北工业大学 | 基于模糊处理的深度学习在液压装备故障诊断中的应用 |
-
2018
- 2018-07-12 CN CN201810762624.5A patent/CN109086804B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1240009C (zh) * | 2003-06-19 | 2006-02-01 | 上海交通大学 | 基于网络的设备状态监控与性能退化预测方法 |
CN101950382A (zh) * | 2010-09-01 | 2011-01-19 | 燕山大学 | 一种带有风险控制的液压设备最优维修决策方法 |
CN104239694A (zh) * | 2014-08-28 | 2014-12-24 | 北京交通大学 | 一种城轨列车转向架的故障预测与视情维修方法 |
WO2016139544A1 (en) * | 2015-03-03 | 2016-09-09 | Abb Technology Ltd. | Method and system for fault prediction |
CN106555788A (zh) * | 2016-11-11 | 2017-04-05 | 河北工业大学 | 基于模糊处理的深度学习在液压装备故障诊断中的应用 |
Non-Patent Citations (1)
Title |
---|
多源信息融合的航空部附件状态退化预测;李文峰等;《自动化仪表》;20160818;第37卷(第8期);第25-29页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109086804A (zh) | 2018-12-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109086804B (zh) | 一种基于多源状态监测信息和可靠性特征融合的液压设备早期故障预测方法 | |
CN111046564B (zh) | 两阶段退化产品的剩余寿命预测方法 | |
CN109389238B (zh) | 一种基于岭回归的短期负荷预测方法及装置 | |
CN109492790A (zh) | 基于神经网络与数据挖掘的风电机组健康管理方法 | |
CN112785091A (zh) | 一种对油田电潜泵进行故障预测与健康管理的方法 | |
CN110929359A (zh) | 基于pnn神经网络和swmm技术的管网淤积风险预测建模方法 | |
CN110276385B (zh) | 基于相似性的机械部件剩余使用寿命预测方法 | |
WO2024041233A1 (zh) | 桥梁结构多因素耦合作用疲劳损伤与寿命的评估方法 | |
CN111832703B (zh) | 一种流程制造工业不规则采样动态序列建模方法 | |
CN113252544A (zh) | 一种炼油装置腐蚀监测系统和方法 | |
CN116090821A (zh) | 一种考虑极端天气的配电网线路安全风险评估方法 | |
CN114925718A (zh) | 一种变压器铁芯接地电流在线预测方法、装置、存储介质及故障诊断方法 | |
CN115689114A (zh) | 一种基于组合神经网络的海底电缆运行状态预测方法 | |
CN115688581A (zh) | 油气集输站设备参数预警方法、系统、电子设备及介质 | |
CN109285331B (zh) | 一种基于数据分析和温度预测的电力电缆温度预警系统 | |
CN112734201B (zh) | 基于预期故障概率的多台设备整体质量评价方法 | |
CN114091320A (zh) | 一种天然气管道腐蚀失效时间预测方法及装置 | |
CN116341705A (zh) | 基于稀疏标签的长短期记忆网络水质参数预测方法 | |
CN114971164B (zh) | 一种基于人工智能的污泥处理设备异常检测方法及系统 | |
CN116049958A (zh) | 历史建筑结构监测数据异常诊断与修复系统 | |
CN112766657B (zh) | 基于故障概率和设备状态的单台设备质量评价方法 | |
CN106844861A (zh) | 正交异性钢桥面板焊接节点实测应力幅动态概率建模方法 | |
Zheng et al. | Research on Predicting Remaining Useful Life of Equipment Based on Health Index | |
CN109946069A (zh) | 一种基于载荷谱的数控装备拖链可靠性加速试验方法 | |
Lu et al. | Research on ZPW-2000R track circuit fault diagnosis based on neural network |
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 |