CN109211564B - 一种用于滚珠丝杠副健康评估的自适应阈值检测方法 - Google Patents
一种用于滚珠丝杠副健康评估的自适应阈值检测方法 Download PDFInfo
- Publication number
- CN109211564B CN109211564B CN201811243791.5A CN201811243791A CN109211564B CN 109211564 B CN109211564 B CN 109211564B CN 201811243791 A CN201811243791 A CN 201811243791A CN 109211564 B CN109211564 B CN 109211564B
- Authority
- CN
- China
- Prior art keywords
- health
- value
- confidence interval
- values
- sample
- 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
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/02—Gearings; Transmission mechanisms
- G01M13/028—Acoustic or vibration analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Acoustics & Sound (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种用于滚珠丝杠副健康评估的自适应阈值检测方法和系统。在得到滚珠丝杠副的振动信号之后,选择滚珠丝杠副系统上面每个部件的优选通道的信号进行特征提取,特征选择等操作,选择出有用的特征,将这些特征通过健康评估的算法映射成健康值。每得到一个新样本的健康值,更新一次置信区间,大大增加了算法的自适应能力,然后判断健康值是否在置信区间内,通过多个连续点是否位于置信区间外判断是否为临界点。根据3σ与6σ原则确定了一级临界点与二级临界点。当检测到临界点之后出发预警机制,发出报警信号,提醒用户进行部件的维修。
Description
技术领域
本发明涉及PHM系统健康评估领域,尤其涉及一种用于滚珠丝杠副健康评估的自适应阈值检测方法。
背景技术
随着装备智能化水平的不断提高,以及人工智能技术的飞速发展,设备的智能化维护逐渐成为研究热点。设备的有效维护能够保障其安全高效的运行。如何在设备运行时对于其健康状况进行监测与评估,如何确定其报警阈值都是设备智能维护的重要组成部分。目前可以用作健康评估的方法有马氏距离、逻辑回归、自组织映射-最小量化误差法(SOM-MQE)。它们都是通过把信号的特征值通过自身的算法映射成健康值,随着设备的不断运行,健康值是不断变化的。当设备由正常到退化再到失效阶段,健康值曲线的趋势是逐渐增大的,为了找到从正常到退化或者失效的分界点。在PHM系统中需要报警的分界点,当健康值超过报警阈值时,设备就会发出报警信号。
在各种健康评估方法(马氏距离、逻辑回归、SOM-MQE)一般都是根据经验值或者所建立的历史数据与现场数据的相关性进行设置。其具体的实现方法为建立设备运行的历史数据库并通过历史数据库中的数据求得正常状态的区间,当设备运行过程中数据首次超过区间的上限时,将该点定义为临界点,也即PHM系统的报警阈值。
发明内容
本发明的目的是提供了一种用于滚珠丝杠副健康评估的自适应阈值检测方法,根据在线数据的已有健康值,不断更新健康状态的置信区间,当有健康值超过置信区间时,触发异常值诊断机制,排除异常值的可能,最终选出最优的阈值线。本方法克服了原有阈值方法的数据依赖性,对于在线的数据,每加入一个新样本,都会产生新的新的置信区间,增强了自适应特性;另外,新改进的异常值诊断机制,有效地克服了异常值造成的预警错误,增强了阈值预警的准确性。
本发明采用如下方法来实现:一种用于滚珠丝杠副健康评估的自适应阈值检测方法,包括:
步骤1:利用振动传感器采集两端轴承支座以及丝母的振动信号,安装在轴承支座以及丝母的振动传感器均为三通道的振动传感器;
步骤2:在每个振动传感器上面选择一个通道的信号作为健康评估的原始信号;
步骤3:预选每个部件的通道信号,并进行预处理、特征提取与特征选择,获得特征值并同步映射为健康值;
步骤4:定义由设备运行所得到的健康值序列为{X1,X2,...Xk-1}新引入的健康值为Xk;
步骤5:每引入一个新的健康值更新置信区间,区间定义如下:
其中:μk-1为前k-1个样本健康值的均值,σk-1为前k-1个样本健康值的标准差;
步骤6:判断新引入的样本的健康值Xk是否在置信区间I内,所述判断方法具体为:
d=dist|Xk-μk-1|
判断d是否小于3σ,若是则判断新引入的样本的健康值在置信区间内,否则,增加的新样本分布在置信区间外;
步骤7:如果连续的n个样本的健康值位于置信区间之外,则将该样本的健康值定义为一级临界值;
步骤8:扩大置信区间的范围,将原来的3σ扩大至6σ,从而确定二级临界值;则置信区间区间更新为:
判断d是否小于6σ,若是则判断新引入的样本的健康值在置信区间内,否则,增加的新样本分布在置信区间外。
进一步地,所述特征值分别为均方根值、方差、标准差、最大值、最小值、平均幅值、峭度因子、波形系数、峰值、峰值因子、脉冲指标、方根幅值、裕度系数以及偏度。
进一步地,所述在每个振动传感器上面选择一个通道的信号作为健康评估的原始信号中的选择方法具体为:实时观测轴承三个通道中均方根值的衰退曲线并记录,当轴承出现故障时,选取三个通道中振动幅度变化最大的衰退曲线。
进一步地,所述观测方法具体为:使用光栅尺用来观察丝杠的精度变化。
本发明可以采用如下系统来实现:一种用于滚珠丝杠副健康评估的自适应阈值检测系统,包括:采集模块、选择模块、预处理模块、判断模块一、判断模块二以及扩大模块;
所述采集模块用于利用振动传感器采集两端轴承支座以及丝母的振动信号,安装在轴承支座以及丝母的振动传感器均为三通道的振动传感器;
所述选择模块用于在每个振动传感器上面选择一个通道的信号作为健康评估的原始信号;
所述预处理模块用于预选每个部件的通道信号,并进行预处理、特征提取与特征选择,获得特征值并同步映射为健康值;
所述判断模块一用于定义由设备运行所得到的健康值序列为{X1,X2,...Xk-1}新引入的健康值为Xk;每引入一个新的健康值更新置信区间,区间定义如下:
其中:μk-1为前k-1个样本健康值的均值,σk-1为前k-1个样本健康值的标准差;判断新引入的样本的健康值Xk是否在置信区间I内,所述判断方法具体为:
d=dist|Xk-μk-1|
判断d是否小于3σ,若是则判断新引入的样本的健康值在置信区间内,否则,增加的新样本分布在置信区间外;
所述判断模块二用于如果连续的n个样本的健康值位于置信区间之外,则将该样本的健康值定义为一级临界值;
所述扩大模块用于扩大置信区间的范围,将原来的3σ扩大至6σ,从而确定二级临界值;则置信区间区间更新为:
判断d是否小于6σ,若是则判断新引入的样本的健康值在置信区间内,否则,增加的新样本分布在置信区间外。
进一步地,所述特征值分别为均方根值、方差、标准差、最大值、最小值、平均幅值、峭度因子、波形系数、峰值、峰值因子、脉冲指标、方根幅值、裕度系数以及偏度。
进一步地,所述在每个振动传感器上面选择一个通道的信号作为健康评估的原始信号中的选择方法具体为:实时观测轴承三个通道中均方根值的衰退曲线并记录,当轴承出现故障时,选取三个通道中振动幅度变化最大的衰退曲线。
进一步地,所述观测方法具体为:使用光栅尺用来观察丝杠的精度变化。
综上所述,本发明提供了一种用于滚珠丝杠副健康评估的自适应阈值检测方法和系统。具体实现为采用3σ与6σ原则,在得到滚珠丝杠副的振动信号之后,选择滚珠丝杠副系统上面每个部件的优选通道的信号进行特征提取,特征选择等操作,选择出有用的特征,将这些特征通过健康评估的算法映射成健康值。每得到一个新样本的健康值,更新一次置信区间,大大增加了算法的自适应能力,然后判断健康值是否在置信区间内,通过多个连续点是否位于置信区间外判断是否为临界点。根据3σ与6σ原则确定了一级临界点与二级临界点。当检测到临界点之后出发预警机制,发出报警信号,提醒用户进行部件的维修。
有益效果为:采用本发明所述的用于滚珠丝杠副健康评估的自适应阈值检测方法和系统,可有效地应用在滚珠丝杠副的健康评估中,对于滚珠丝杠副出现的健康状态的改变,可以提前起到报警作用,提醒用户及时处理。该阈值方法从健康评估的初期就实时更新置信区间,每加入新的样本,都会利用新区间进行阈值判断,与传统的判别方法相比,极大地提高了算法的灵活性。另外,新加入了异常值的诊断,克服了异常值造成的提前报警的错误,从而提高了算法的精度。
附图说明
为了更清楚地说明本发明的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明提供的一种用于滚珠丝杠副健康评估的自适应阈值检测方法实施例流程图;
图2为本发明提供的用于滚珠丝杠副健康评估的自适应阈值检测系统实施例结构图;
图3为本发明提供的SOM-MQE健康评估曲线;
图4为本发明提供的马氏距离健康评估曲线。
具体实施方式
本发明给出了一种用于滚珠丝杠副健康评估的自适应阈值检测方法及系统实施例,为了使本技术领域的人员更好地理解本发明实施例中的技术方案,并使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图对本发明中技术方案作进一步详细的说明:
本发明首先提供了一种用于滚珠丝杠副健康评估的自适应阈值检测方法实施例,如图1所示,包括:
步骤一S101:利用振动传感器采集两端轴承支座以及丝母的振动信号,安装在轴承支座以及丝母的振动传感器均为三通道的振动传感器;
步骤二S102:在每个振动传感器上面选择一个通道的信号作为健康评估的原始信号;
步骤三S103:预选每个部件的通道信号,并进行预处理、特征提取与特征选择,获得特征值并同步映射为健康值;
其中,通过健康评估的算法将这些特征值映射为健康值。
步骤四S104:定义由设备运行所得到的健康值序列为{X1,X2,...Xk-1}新引入的健康值为Xk;
步骤五S105:每引入一个新的健康值更新置信区间,区间定义如下:
其中:μk-1为前k-1个样本健康值的均值,σk-1为前k-1个样本健康值的标准差;
步骤六S106:判断新引入的样本的健康值Xk是否在置信区间I内,所述判断方法具体为:
d=dist|Xk-μk-1|
判断d是否小于3σ,若是则判断新引入的样本的健康值在置信区间内,否则,增加的新样本分布在置信区间外;
步骤七S107:如果连续的n个样本的健康值位于置信区间之外,则将该样本的健康值定义为一级临界值;
其中,根据实际的经验值将n选择为3。连续的3个点是指Xk,Xk+1,Xk+2均位于置信区间之外,则将该点定义为一级临界点;
步骤八S108:扩大置信区间的范围,将原来的3σ扩大至6σ,从而确定二级临界值;则置信区间区间更新为:
判断d是否小于6σ,若是则判断新引入的样本的健康值在置信区间内,否则,增加的新样本分布在置信区间外。
其中,该置信区间的物理意义为,对于只含随机误差的健康值,落在区间I内的概率接近100%,落在区间外的概率几乎为0,如果连续3个点落在置信区间之外,可以认为丝杠的性能完全发生了变化,即丝杠出现了失效。
由以上步骤可以得出,步骤7确定了丝杠失效的一级临界点;步骤8确定了丝杠失效的二级临界点。
优选地,所述特征值分别为均方根值、方差、标准差、最大值、最小值、平均幅值、峭度因子、波形系数、峰值、峰值因子、脉冲指标、方根幅值、裕度系数以及偏度。
优选地,所述在每个振动传感器上面选择一个通道的信号作为健康评估的原始信号中的选择方法具体为:实时观测轴承三个通道中均方根值的衰退曲线并记录,当轴承出现故障时,选取三个通道中振动幅度变化最大的衰退曲线。
其中,选择原则为该通道的信号最能代表部件的退化趋势,在实验中安装了光栅尺用来观察丝杠的精度变化,在整个生命周期中绘出丝杠精度值的曲线,并观察丝杠的三个通道均方根值的衰退曲线,与精度值曲线变化较为吻合的一个通道定义为最能代表丝母退化趋势的通道。在实验中实时显示轴承三个通道中均方根值的衰退曲线,当轴承出现故障时,对比三个通道中的均方根值曲线,变化相对于正常时刻剧烈的一个通道定义为最能代表轴承退化趋势的通道。
优选地,所述观测方法具体为:使用光栅尺用来观察丝杠的精度变化。
在马氏距离健康评估中,通过3σ原则并根据步骤7确定一级的临界点,该点如图4中的实心方框;通过6σ原则并根据步骤8确定二级临界点,该点如图4中的实心圆点。
在SOM-MQE健康评估中,其一级临界点与二级临界点的确定与马氏距离健康评估的方法相同。一级临界点如图3中的实心方框所示;二级临界点如图3中的实心圆点所示。
在三种方法的具体实施中,严格按照控制变量法控制无关变量对本发明的影响,采用的数据为同一套全生命周期的滚珠丝杠副的振动信号,将所获得的振动信号进行相同预处理,并提取信号的特征值一共14个,分别为均方根值、方差、标准差、最大值、最小值、平均幅值、峭度因子、波形系数、峰值、峰值因子、脉冲指标、方根幅值、裕度系数以及偏度。利用Fisher准则选择的特征值均为均方根、方差、最大值、最小值。
本发明还提供了一种用于滚珠丝杠副健康评估的自适应阈值检测系统实施例,如图2所示,包括:
采集模块201、选择模块202、预处理模块203、判断模块一204、判断模块二205以及扩大模块206;
所述采集模块用于利用振动传感器采集两端轴承支座以及丝母的振动信号,安装在轴承支座以及丝母的振动传感器均为三通道的振动传感器;
所述选择模块用于在每个振动传感器上面选择一个通道的信号作为健康评估的原始信号;
所述预处理模块用于预选每个部件的通道信号,并进行预处理、特征提取与特征选择,获得特征值并同步映射为健康值;
所述判断模块一用于定义由设备运行所得到的健康值序列为{X1,X2,...Xk-1}新引入的健康值为Xk;每引入一个新的健康值更新置信区间,区间定义如下:
其中:μk-1为前k-1个样本健康值的均值,σk-1为前k-1个样本健康值的标准差;判断新引入的样本的健康值Xk是否在置信区间I内,所述判断方法具体为:
d=dist|Xk-μk-1|
判断d是否小于3σ,若是则判断新引入的样本的健康值在置信区间内,否则,增加的新样本分布在置信区间外;
所述判断模块二用于如果连续的n个样本的健康值位于置信区间之外,则将该样本的健康值定义为一级临界值;
所述扩大模块用于扩大置信区间的范围,将原来的3σ扩大至6σ,从而确定二级临界值;则置信区间区间更新为:
判断d是否小于6σ,若是则判断新引入的样本的健康值在置信区间内,否则,增加的新样本分布在置信区间外。
优选地,所述特征值分别为均方根值、方差、标准差、最大值、最小值、平均幅值、峭度因子、波形系数、峰值、峰值因子、脉冲指标、方根幅值、裕度系数以及偏度。
优选地,所述在每个振动传感器上面选择一个通道的信号作为健康评估的原始信号中的选择方法具体为:实时观测轴承三个通道中均方根值的衰退曲线并记录,当轴承出现故障时,选取三个通道中振动幅度变化最大的衰退曲线。
优选地,所述观测方法具体为:使用光栅尺用来观察丝杠的精度变化。
综上,本文提出的一种用于滚珠丝杠副健康评估的自适应阈值检测方法,通过采用系统的振动信号,通过一系列的特征提取方法提取有用特征,将提取到的特征通过健康评估算法映射成健康值,根据所开发的自适应阈值检测算法,自动检测滚珠丝杠退化的临界点。当达到临界点时,触发预警机制,发出预警信号,从而避免设备的故障停机,保证了设备的安全运行,提高设备的完好率以及任务的完成率,增加企业的经济效益。
以上实施例用以说明而非限制本发明的技术方案。不脱离本发明精神和范围的任何修改或局部替换,均应涵盖在本发明的权利要求范围当中。
Claims (7)
1.一种用于滚珠丝杠副健康评估的自适应阈值检测方法,其特征在于,包括:
步骤1:利用振动传感器采集两端轴承支座以及丝母的振动信号,安装在轴承支座以及丝母的振动传感器均为三通道的振动传感器;
步骤2:在每个振动传感器上面选择一个通道的信号作为健康评估的原始信号,具体为:实时观测轴承三个通道中均方根值的衰退曲线并记录,当轴承出现故障时,选取三个通道中振动幅度变化最大的衰退曲线;
步骤3:预选每个部件的通道信号,并进行预处理、特征提取与特征选择,获得特征值并同步映射为健康值;
步骤4:定义由设备运行所得到的健康值序列为{X1,X2,...Xk-1}新引入的健康值为Xk;
步骤5:每引入一个新的健康值更新置信区间,区间定义如下:
I=[μk-1-3σk-1,μk-1+3σk-1]
其中:μk-1为前k-1个样本健康值的均值,σk-1为前k-1个样本健康值的标准差;
步骤6:判断新引入的样本的健康值Xk是否在置信区间I内,所述判断方法具体为:
d=dist|Xk-μk-1|
判断d是否小于3σ,若是则判断新引入的样本的健康值在置信区间内,否则,增加的新样本分布在置信区间外;
步骤7:如果连续的n个样本的健康值位于置信区间之外,则将该样本的健康值定义为一级临界值;
步骤8:扩大置信区间的范围,将原来的3σ扩大至6σ,从而确定二级临界值;则置信区间区间更新为:
I=[μk-1-6σk-1,μk-1+6σk-1]
判断d是否小于6σ,若是则判断新引入的样本的健康值在置信区间内,否则,增加的新样本分布在置信区间外。
2.如权利要求1所述的一种用于滚珠丝杠副健康评估的自适应阈值检测方法,其特征在于,所述特征值分别为均方根值、方差、标准差、最大值、最小值、平均幅值、峭度因子、波形系数、峰值、峰值因子、脉冲指标、方根幅值、裕度系数以及偏度。
3.如权利要求2所述的一种用于滚珠丝杠副健康评估的自适应阈值检测方法,其特征在于,所述在每个振动传感器上面选择一个通道的信号作为健康评估的原始信号中的选择方法具体为:实时观测轴承三个通道中均方根值的衰退曲线并记录,当轴承出现故障时,选取三个通道中振动幅度变化最大的衰退曲线。
4.如权利要求3所述的一种用于滚珠丝杠副健康评估的自适应阈值检测方法,其特征在于,所述观测方法具体为:使用光栅尺用来观察丝杠的精度变化。
5.一种用于滚珠丝杠副健康评估的自适应阈值检测系统,其特征在于,包括:采集模块、选择模块、预处理模块、判断模块一、判断模块二以及扩大模块;
所述采集模块用于利用振动传感器采集两端轴承支座以及丝母的振动信号,安装在轴承支座以及丝母的振动传感器均为三通道的振动传感器;
所述选择模块用于在每个振动传感器上面选择一个通道的信号作为健康评估的原始信号,具体为:实时观测轴承三个通道中均方根值的衰退曲线并记录,当轴承出现故障时,选取三个通道中振动幅度变化最大的衰退曲线;
所述预处理模块用于预选每个部件的通道信号,并进行预处理、特征提取与特征选择,获得特征值并同步映射为健康值;
所述判断模块一用于定义由设备运行所得到的健康值序列为{X1,X2,...Xk-1}新引入的健康值为Xk;每引入一个新的健康值更新置信区间,区间定义如下:
I=[μk-1-3σk-1,μk-1+3σk-1]
其中:μk-1为前k-1个样本健康值的均值,σk-1为前k-1个样本健康值的标准差;判断新引入的样本的健康值Xk是否在置信区间I内,所述判断方法具体为:
d=dist|Xk-μk-1|
判断d是否小于3σ,若是则判断新引入的样本的健康值在置信区间内,否则,增加的新样本分布在置信区间外;
所述判断模块二用于如果连续的n个样本的健康值位于置信区间之外,则将该样本的健康值定义为一级临界值;
所述扩大模块用于扩大置信区间的范围,将原来的3σ扩大至6σ,从而确定二级临界值;则置信区间区间更新为:
I=[μk-1-6σk-1,μk-1+6σk-1]
判断d是否小于6σ,若是则判断新引入的样本的健康值在置信区间内,否则,增加的新样本分布在置信区间外。
6.如权利要求5所述的一种用于滚珠丝杠副健康评估的自适应阈值检测系统,其特征在于,所述特征值分别为均方根值、方差、标准差、最大值、最小值、平均幅值、峭度因子、波形系数、峰值、峰值因子、脉冲指标、方根幅值、裕度系数以及偏度。
7.如权利要求6所述的一种用于滚珠丝杠副健康评估的自适应阈值检测系统,其特征在于,所述观测方法具体为:使用光栅尺用来观察丝杠的精度变化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811243791.5A CN109211564B (zh) | 2018-10-24 | 2018-10-24 | 一种用于滚珠丝杠副健康评估的自适应阈值检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811243791.5A CN109211564B (zh) | 2018-10-24 | 2018-10-24 | 一种用于滚珠丝杠副健康评估的自适应阈值检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109211564A CN109211564A (zh) | 2019-01-15 |
CN109211564B true CN109211564B (zh) | 2020-05-01 |
Family
ID=64996883
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811243791.5A Active CN109211564B (zh) | 2018-10-24 | 2018-10-24 | 一种用于滚珠丝杠副健康评估的自适应阈值检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109211564B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111618655B (zh) * | 2019-11-29 | 2021-12-28 | 东莞先知大数据有限公司 | 一种数控机床滚珠丝杆健康程度量化评价方法 |
CN111324083A (zh) * | 2020-03-02 | 2020-06-23 | 西南交通大学 | 一种机械设备关键部件实时监测与预警方法及系统 |
CN115014759A (zh) * | 2022-04-29 | 2022-09-06 | 南通市恒瑞精密机械制造有限公司 | 一种滚珠丝杠副的实时健康状态检测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101870076A (zh) * | 2010-07-02 | 2010-10-27 | 西南交通大学 | 一种基于性能退化模型的数控机床导轨副寿命预测方法 |
CN103454113A (zh) * | 2013-09-16 | 2013-12-18 | 中国人民解放军国防科学技术大学 | 一种适用于工况变化情况下的旋转机械健康监测方法 |
CN106201829A (zh) * | 2016-07-18 | 2016-12-07 | 中国银联股份有限公司 | 监控阈值确定方法及装置、监控报警方法、装置及系统 |
CN106485528A (zh) * | 2015-09-01 | 2017-03-08 | 阿里巴巴集团控股有限公司 | 检测数据的方法和装置 |
CN107124314A (zh) * | 2017-05-12 | 2017-09-01 | 腾讯科技(深圳)有限公司 | 数据监控方法及装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010270684A (ja) * | 2009-05-21 | 2010-12-02 | Toyota Motor Corp | 内燃機関ノッキング制御装置 |
US20170261406A1 (en) * | 2016-03-10 | 2017-09-14 | Simmonds Precision Products, Inc. | Physical component fault diagnostics |
-
2018
- 2018-10-24 CN CN201811243791.5A patent/CN109211564B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101870076A (zh) * | 2010-07-02 | 2010-10-27 | 西南交通大学 | 一种基于性能退化模型的数控机床导轨副寿命预测方法 |
CN103454113A (zh) * | 2013-09-16 | 2013-12-18 | 中国人民解放军国防科学技术大学 | 一种适用于工况变化情况下的旋转机械健康监测方法 |
CN106485528A (zh) * | 2015-09-01 | 2017-03-08 | 阿里巴巴集团控股有限公司 | 检测数据的方法和装置 |
CN106201829A (zh) * | 2016-07-18 | 2016-12-07 | 中国银联股份有限公司 | 监控阈值确定方法及装置、监控报警方法、装置及系统 |
CN107124314A (zh) * | 2017-05-12 | 2017-09-01 | 腾讯科技(深圳)有限公司 | 数据监控方法及装置 |
Non-Patent Citations (1)
Title |
---|
面向飞行器健康管理的新异类检测方法研究;胡雷;《中国博士学位论文全文数据库 工程科技Ⅱ辑》;20110415(第4期);第55-57页及图4.1 * |
Also Published As
Publication number | Publication date |
---|---|
CN109211564A (zh) | 2019-01-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109211564B (zh) | 一种用于滚珠丝杠副健康评估的自适应阈值检测方法 | |
CN112188531B (zh) | 异常检测方法、装置、电子设备及计算机存储介质 | |
CN109359873B (zh) | 一种基于pca-t2的滚珠丝杠副健康评估方法 | |
CN103824130A (zh) | 一种基于svm的粮情预测预警方法及系统 | |
CN116400126B (zh) | 一种具有数据处理系统的低压电力箱 | |
CN109255201B (zh) | 一种基于som-mqe的滚珠丝杠副健康评估方法 | |
CN113610381B (zh) | 一种基于5g网络的水质远程实时监测系统 | |
CN112288597A (zh) | 一种基于层次聚类和直方图算法的能耗在线异常检测方法 | |
CN108830335A (zh) | 光伏电站故障预警方法及系统 | |
KR20190082715A (ko) | 상관도를 고려한 데이터 분류 방법 및 이 방법을 수행하기 위한 프로그램이 저장된 컴퓨터 판독가능한 저장매체 | |
CN113868953A (zh) | 工业系统中多机组运行优化方法、装置、系统及存储介质 | |
CN115307896A (zh) | 一种基于机器学习的设备健康状态检测方法 | |
CN116562623A (zh) | 一种适用于鹿茸菇种植的实时种植风险评估系统 | |
CN117394337A (zh) | 一种电网负荷预警方法及其系统 | |
CN113534727B (zh) | 基于人工智能平台的渔船用制冷设备的预警控制系统 | |
CN117289778B (zh) | 一种工控主机电源健康状态的实时监测方法 | |
KR101997580B1 (ko) | 상관도를 고려한 데이터 분류 방법 및 이 방법을 수행하기 위한 프로그램이 저장된 컴퓨터 판독가능한 저장매체 | |
CN117312879A (zh) | 一种注塑机生产数据监督预警方法、系统及介质 | |
CN110517731A (zh) | 基因检测质量监控数据处理方法和系统 | |
CN116363843A (zh) | 试验室设备预警系统 | |
EP3303835B1 (en) | Method for windmill farm monitoring | |
KR20220097252A (ko) | 스마트 플랜트에 관한 머신러닝 기반 설비 관리 방법 및 시스템 | |
CN109446046B (zh) | 一种基于极差的自适应阈值方法及系统 | |
CN117592870B (zh) | 基于水环境监测信息的综合分析系统 | |
CN116560219B (zh) | 基于输电杆塔风速联合分析的自适应监测控制方法及系统 |
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 |