CN110070205B - 船机泥泵的状态预测方法、装置、计算机设备及存储介质 - Google Patents
船机泥泵的状态预测方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN110070205B CN110070205B CN201910190166.7A CN201910190166A CN110070205B CN 110070205 B CN110070205 B CN 110070205B CN 201910190166 A CN201910190166 A CN 201910190166A CN 110070205 B CN110070205 B CN 110070205B
- Authority
- CN
- China
- Prior art keywords
- pump
- state
- data
- ship machine
- mud pump
- 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
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000012544 monitoring process Methods 0.000 claims abstract description 102
- 238000011156 evaluation Methods 0.000 claims abstract description 62
- 230000015556 catabolic process Effects 0.000 claims abstract description 57
- 238000006731 degradation reaction Methods 0.000 claims abstract description 57
- 239000010802 sludge Substances 0.000 claims abstract description 40
- 238000004590 computer program Methods 0.000 claims description 29
- 230000001133 acceleration Effects 0.000 claims description 18
- 238000012423 maintenance Methods 0.000 claims description 13
- 238000013507 mapping Methods 0.000 claims description 9
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 238000009499 grossing Methods 0.000 claims 2
- 230000008569 process Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000006073 displacement reaction Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000013049 sediment Substances 0.000 description 1
- 238000003756 stirring Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Control Of Positive-Displacement Pumps (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及船机泥泵的状态预测方法、装置、计算机设备及存储介质,属于船机监测技术领域。方法包括:获取泥泵监测数据;泥泵监测数据根据采集设备发送的船机泥泵的采集数据确定;获取船机泥泵的劣化速度和状态评价数据;劣化速度根据船机泥泵的历史监测数据确定;状态评价数据根据船机泥泵的故障特征确定;根据泥泵监测数据和劣化速度确定船机泥泵的泥泵预测数据;将泥泵预测数据与状态评价数据进行比对,根据比对结果确定船机泥泵的状态预测结果。上述技术方案,解决了船机泥泵状态预测准确性低的问题。能自动确定船机泥泵的状态预测结果,有效提高船机泥泵的状态预测准确率。
Description
技术领域
本发明涉及船机监测技术领域,特别是涉及船机泥泵的状态预测方法、装置、计算机设备及存储介质。
背景技术
工程船舶具有离岸作业、流动作业和可靠性要求高的特点。同时,相对一般船舶而言,工程船舶的动力机械还包括用于疏浚施工的挖泥机具设备,如船机泥泵等。工程船舶结构复杂,而且工况多样、工作环境比较恶劣,因此工程船舶的动力机械性能的要求比较高。基于此,积极开展工程船舶的状态监测并预测工程船舶的运行状态是确保工程船舶安全可靠运行的前提。在实现本发明过程中,发明人发现现有技术中至少存在如下问题:目前泥泵的状态预测主要通过工作人员定期检查和人工判断来实现。这样的船机泥泵的状态预测方法容易受外界环境和主观因素的影响,结果往往不够准确。
发明内容
基于此,本发明实施例提供了船机泥泵的状态预测方法、装置、计算机设备及存储介质,能自动对船机泥泵进行状态预测,有效提高船机泥泵的状态预测准确率。
本发明实施例的内容如下:
一种船机泥泵的状态预测方法,包括以下步骤:获取泥泵监测数据;所述泥泵监测数据根据采集设备发送的船机泥泵的采集数据确定;获取所述船机泥泵的劣化速度和状态评价数据;所述劣化速度根据所述船机泥泵的历史监测数据确定;所述状态评价数据根据所述船机泥泵的故障特征确定;根据所述泥泵监测数据和所述劣化速度确定所述船机泥泵的泥泵预测数据;将所述泥泵预测数据与所述状态评价数据进行比对,根据比对结果确定所述船机泥泵的状态预测结果。
在一个实施例中,所述获取所述船机泥泵的劣化速度的步骤,包括:获取所述船机泥泵在设定历史时间段的历史监测数据;对所述历史监测数据进行曲线拟合,得到所述船机泥泵的状态趋势曲线;根据所述状态趋势曲线确定所述劣化速度。
在一个实施例中,所述获取所述船机泥泵的状态评价数据的步骤,包括:获取所述船机泥泵的故障特征;根据所述故障特征和预先确定的对应关系,确定所述船机泥泵的故障状态临界数据,得到所述船机泥泵的状态评价数据;其中,所述对应关系包含有故障特征与故障状态临界数据的映射关系。
在一个实施例中,所述将所述泥泵预测数据与所述状态评价数据进行比对,根据比对结果确定所述船机泥泵的状态预测结果的步骤,包括:将所述泥泵预测数据与所述故障状态临界数据进行比对,得到比对结果;若所述比对结果满足预设的条件,确定所述船机泥泵的状态预测结果为泥泵故障。
在一个实施例中,所述确定所述船机泥泵的状态预测结果为泥泵故障的步骤之后,还包括:向报警终端输出故障信息;所述故障信息用于指导管理人员制定船机泥泵的维修计划。
在一个实施例中,所述采集数据包括振动信号;所述获取泥泵监测数据的步骤,包括:接收采集设备发送的振动信号,根据所述振动信号确定泥泵监测数据;其中,所述振动信号通过加速度传感器测量得到。
在一个实施例中,所述根据比对结果确定所述船机泥泵的状态预测结果的步骤之后,还包括:获取所述采集数据中的零部件状态信息,根据所述零部件状态信息确定所述船机泥泵中发生故障的零部件。
相应的,本发明实施例提供一种船机泥泵的状态预测装置,包括:监测数据获取模块,用于获取泥泵监测数据;所述泥泵监测数据根据采集设备发送的船机泥泵的采集数据确定;数据获取模块,用于获取所述船机泥泵的劣化速度和状态评价数据;所述劣化速度根据所述船机泥泵的历史监测数据确定;所述状态评价数据根据所述船机泥泵的故障特征确定;预测数据确定模块,用于根据所述泥泵监测数据和所述劣化速度确定所述船机泥泵的泥泵预测数据;以及,预测结果确定模块,用于将所述泥泵预测数据与所述状态评价数据进行比对,根据比对结果确定所述船机泥泵的状态预测结果。
上述船机泥泵的状态预测方法及装置,根据采集设备的采集数据确定泥泵监测数据,根据泥泵监测数据和船机泥泵的劣化速度确定泥泵预测数据,该泥泵预测数据能表征泥泵在未来一段时间内的运行状态,将泥泵预测数据与船机泥泵的状态评价数据进行比对,可以得到船机泥泵的状态预测结果。能自动确定船机泥泵的状态预测结果,有效提高船机泥泵的状态预测准确率。
一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现以下步骤:获取泥泵监测数据;所述泥泵监测数据根据采集设备发送的船机泥泵的采集数据确定;获取所述船机泥泵的劣化速度和状态评价数据;所述劣化速度根据所述船机泥泵的历史监测数据确定;所述状态评价数据根据所述船机泥泵的故障特征确定;根据所述泥泵监测数据和所述劣化速度确定所述船机泥泵的泥泵预测数据;将所述泥泵预测数据与所述状态评价数据进行比对,根据比对结果确定所述船机泥泵的状态预测结果。
上述计算机设备,能自动确定船机泥泵的状态预测结果,有效提高船机泥泵的状态预测准确率。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:获取泥泵监测数据;所述泥泵监测数据根据采集设备发送的船机泥泵的采集数据确定;获取所述船机泥泵的劣化速度和状态评价数据;所述劣化速度根据所述船机泥泵的历史监测数据确定;所述状态评价数据根据所述船机泥泵的故障特征确定;根据所述泥泵监测数据和所述劣化速度确定所述船机泥泵的泥泵预测数据;将所述泥泵预测数据与所述状态评价数据进行比对,根据比对结果确定所述船机泥泵的状态预测结果。
上述计算机可读存储介质,能自动确定船机泥泵的状态预测结果,有效提高船机泥泵的状态预测准确率。
附图说明
图1为一个实施例中船机泥泵的状态预测方法的应用环境图;
图2为一个实施例中船机泥泵的状态预测方法的流程示意图;
图3为另一个实施例中船机泥泵的状态预测方法的流程示意图;
图4为一个实施例中船机泥泵的状态预测装置的结构框图;
图5为一个实施例中计算机设备的内部结构。
具体实施方式
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。
本申请提供的船机泥泵的状态预测方法可以应用于如图1所示的应用环境中。该应用环境包括船机泥泵、采集设备和服务器;其中,船机泥泵、采集设备和服务器通过网络连接,能够进行网络通信。采集设备获取船机泥泵的采集数据并发送给服务器,服务器据此确定船机泥泵的状态预测结果。其中,船机泥泵可以是工程船舶上各种类型的泥泵;采集设备可以是各种具有信号采集功能的器件,例如:传感器等;服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现,当然,服务器也可以替换为其他具有数据处理功能的器件,例如:处理器、智能手机等,还可以是虚拟的设备,例如:云服务器等。
本发明实施例提供一种船机泥泵的状态预测方法、装置、计算机设备及存储介质。以下分别进行详细说明。
在一个实施例中,如图2所示,提供了一种船机泥泵的状态预测方法。以该方法应用于图1中的服务器端为例进行说明,包括以下步骤:
S201、获取泥泵监测数据;泥泵监测数据根据采集设备发送的船机泥泵的采集数据确定。
其中,船机泥泵(以下也简称为泥泵)指的是工程船舶上吸排泥浆的离心式泵。工程船舶指的是在港口、航道、船厂等水域从事工程作业的船舶,可以包括挖泥船、起重船、打桩船、水上平台、混凝土搅拌船以及附属作业的船舶等;具体的,可以为耙吸船和绞吸船。
船机泥泵的采集数据指的是通过采集设备获取的船机泥泵在工作过程中的运行状态数据,能够在很大程度上反映船机泥泵是处于正常状态还是故障状态。采集数据可以是船机泥泵的振动信号(频率、幅值等)、工作时长、运行温度、转速、位移量等数据。
采集设备可以是具有数据采集和整合功能的设备;该采集设备可以连接多种类型的传感器,由传感器来监测船机泥泵的数据。采集设备能获取传感器的监测数据并对监测数据进行整合,通过交换机将整合得到的采集数据发送给服务器。服务器根据采集设备的采集数据就能得到泥泵监测数据。其中,传感器可以为铠装工业型传感器。
S202、获取船机泥泵的劣化速度和状态评价数据;劣化速度根据船机泥泵的历史监测数据确定;状态评价数据根据船机泥泵的故障特征确定。
其中,劣化速度指的是船机泥泵的运行状态逐步恶化的速度,这个劣化速度能用于评价船机泥泵出现故障的概率以及使用寿命。具体的,以振动频率为例,劣化速度可以为:每月增加1Hz、5Hz、10Hz等。
状态评价数据指的是能对船机泥泵的运行状态进行评价的数据,可以是船机泥泵的不同运行状态对应的特征运行数据。状态评价数据可以根据故障特征确定,船机泥泵的故障特征指的是出现故障时船机泥泵表现出来的特征,例如:泥泵故障停机、吸排量减少等。当然,故障特征也可以包括工况信息,例如突发的故障、泥泵维护记录信息等。当采集数据为振动信号时,状态评价数据可以认为是振动限值,即当振动信号超过或低于该振动限值时(具体是超过还是低于可以根据实际情况确定),可以认为船机泥泵处于故障状态或者到达某一等级的故障状态。
当然,除了故障特征,还可以根据其他的信息来确定状态评价数据,例如:历史状态预测结果、历史故障次数、历史故障频率等。
S203、根据泥泵监测数据和劣化速度确定船机泥泵的泥泵预测数据。
在确定泥泵监测数据以及劣化速度之后,可以简便地确定出船机泥泵在未来一段时间内的运行状态,即泥泵预测数据。当然,在获取到新的泥泵监测数据之后,可以实时地对泥泵预测数据进行更新,以得到更准确的状态预测结果。
S204、将泥泵预测数据与状态评价数据进行比对,根据比对结果确定船机泥泵的状态预测结果。
状态评价数据能表征船机泥泵的不同运行状态,因此,将泥泵预测数据与状态评价数据进行比对,就能确定出船机泥泵在未来一段时间内的运行状态,得到状态预测结果。
进一步地,状态评价数据可以包括多种类型,将泥泵预测数据与多种状态评价数据进行比对时,若泥泵预测数据与其中一种状态评价数据相匹配,则可以针对性地确定状态预测结果。对应的,状态预测结果也可以包括多种类型,例如:运行正常、振动频率异常、转速异常、温度过高、异常零部件等信息。
更进一步地,对于某一种类的故障,也可以包括多个等级;例如,当状态预测结果与A故障的B等级所对应的状态评价数据相匹配时,确定船机泥泵的状态预测结果为B等级的A故障。
本实施例提供的船机泥泵的状态预测方法,能自动确定出船机泥泵的状态预测结果,有效提高船机泥泵的状态预测效率,而不需要人工定期检查船机泥泵的工作状态;另外,也不容易受到外界环境的影响,可以得出准确的状态预测结果。
在一个实施例中,获取船机泥泵的劣化速度的步骤,包括:获取船机泥泵在设定历史时间段的历史监测数据;对历史监测数据进行曲线拟合,得到船机泥泵的状态趋势曲线;根据状态趋势曲线确定劣化速度。
其中,设定历史时间段可以根据实际情况确定,可以是过去一周、一个月、一年、甚至多年。
进一步地,可以通过最小二乘法对历史监测数据进行拟合,得到状态趋势曲线;由于船机泥泵的运行状态随着时间变化往往会呈现一定的规律(例如,振动频率逐渐减小),状态趋势曲线就可以体现该规律,该规律包括劣化速度。因此根据状态趋势曲线就能确定出船机泥泵的劣化速度,例如,对状态趋势曲线进行平滑处理,确定该曲线在不同时间段内的斜率,该斜率就可以作为劣化速度。
进一步地,对历史监测数据进行曲线拟合,得到船机泥泵的状态趋势曲线的步骤之后,还包括:根据泥泵监测数据更新状态趋势曲线。根据当前状态的泥泵监测数据来更新状态趋势曲线,能使得所确定的状态趋势曲线整合更多的信息,使得状态趋势曲线能更准确地表征船机泥泵在未来一段时间的状态变化趋势。
本实施例,根据历史监测数据来确定对应的状态趋势曲线,根据状态趋势曲线确定船机泥泵的劣化速度,所确定的劣化速度能准确表征船机泥泵趋于损坏的速度。在获取到泥泵监测数据后,根据预先确定好的劣化速度就能自动确定出泥泵预测速度,使得船机泥泵的状态预测能自动进行,不需要人力的参与。
在一个实施例中,获取船机泥泵的状态评价数据的步骤,包括:获取船机泥泵的故障特征;根据故障特征和预先确定的对应关系,确定船机泥泵的状态评价数据;其中,对应关系包含有故障特征与故障状态临界数据的映射关系。
其中,故障状态临界数据可以指振动频率、振动幅值、工作时长、运行温度、转速、位移量等数据。在不同故障特征下,船机泥泵对应有不同的运行状态,即对应有不同的故障状态临界数据;例如:假设正常运行状态的振动频率为200-300Hz,泥泵故障停机对应的振动频率为0-5Hz,吸排量减少时对应的振动频率为100-150Hz;则可以将5Hz、100Hz以及150Hz确定为故障状态临界数据。进一步地,可以直接将故障状态临界数据确定为状态评价数据,也可以将故障状态临界数据构成的范围确定为状态评价数据;例如,直接将0-5Hz和100-150Hz确定为状态评价数据,当泥泵预测数据落入其中一个范围时,则将船机泥泵的状态预测结果确定为泥泵故障停机或吸排量减少。
继续上述例子,对应关系中包含的可以为如下映射表:1、泥泵故障停机←→故障状态临界数据为0Hz和5Hz;2、吸排量减少←→故障状态临界数据为100Hz和150Hz。在确定船机泥泵的故障特征时,通过查找对应关系中的映射表就能确定出对应的故障状态临界数据,进而得到状态评价数据。当然,这个映射表可以预先存储在数据库中;在确定船机泥泵的故障特征时,可以通过字符匹配等方式从数据库中查找对应的故障状态临界数据。
本实施例,根据故障特征以及预先确定的对应关系确定故障状态临界数据,确定过程可以自动进行,能有效提高状态预测结果的准确率和便捷性。
在一个实施例中,将泥泵预测数据与状态评价数据进行比对,根据比对结果确定船机泥泵的状态预测结果的步骤,包括:将泥泵预测数据与故障状态临界数据进行比对,得到比对结果;若比对结果满足预设的条件,确定船机泥泵的状态预测结果为泥泵故障。
其中,比对结果需要满足的预设条件可以根据实际情况确定。例如:当故障状态的故障振动频率比正常状态的振动频率低时,可以在泥泵的振动频率低于故障振动频率时,确定船机泥泵的状态预测结果为泥泵故障;当然,也可以如上一实施例所述,在泥泵预测数据落入故障状态临界数据对应的范围时,将船机泥泵的状态预测结果确定为泥泵故障。
本实施例提供的船机泥泵的状态预测方法,根据泥泵预测数据与故障状态临界数据的比对结果确定状态预测结果,所得到的结果能够准确反映船机泥泵的状态,也即可以得到准确的状态预测结果。
在一个实施例中,将状态预测结果确定为泥泵故障的步骤之后,还包括:向报警终端输出故障信息;故障信息用于指导管理人员制定船机泥泵的维修计划。
其中,报警终端可以是各种类型的终端,例如:手机、对讲机、集控室显示器等。管理人员在接收到故障信息后,可以对船机泥泵进行诊断和维修,能有效降低船机泥泵的维护成本。如图3所示,在确定状态预测结果之后,可以向报警终端输出故障信息,服务器还可以对故障信息进行数据分析并提供故障诊断建议。之后管理人员进行故障诊断,安排维修计划,并进行故障排除。
另外,故障信息可以指船机泥泵出现故障时的报警信息;也可以指故障预警信息,例如:在未来2小时内,泥泵将出现振动频率故障。管理人员可以指工程船舶的维修人员、集控室的监控人员等。
上述实施例将状态预测结果输出到报警终端,能使管理人员及时获取到船机泥泵的故障信息,确保船机泥泵的正常运作。
在一个实施例中,若确定船机泥泵的状态预测结果为正常,也可以实时地向报警终端输出船机泥泵的运行状态,使得管理人员能实时掌握船机泥泵的运行状态。
在一个实施例中,获取采集数据的传感器可以为加速度传感器,采集数据包括振动信号;获取泥泵监测数据的步骤,包括:接收采集设备发送的振动信号,根据振动信号确定泥泵监测数据;其中,振动信号通过加速度传感器测量得到。即振动信号根据加速度传感器在设定方向(这个方向可以根据实际情况确定)上的监测数据得到。
其中,加速度传感器可以实时采集泥泵的振动信号和相关工况信息。这些传感器可以24小时连续、定时、等间隔或触发采样,以实现对船机泥泵的监测。
加速度传感器(例如压电式加速度传感器)可以设置在船机泥泵的多个位置(可以设置在靠近船机泥泵的位置上,以获取到更为准确的振动信号)上;进一步地,可以设置在船机泥泵的某个零部件上;例如,叶轮相对其他的零部件的生命周期更短,更可以快速找到规律,因此可以将加速度传感器设置在泥泵叶轮上,将叶轮的振动信号作为船机泥泵的振动信号。另外,加速度传感器可以是多个仅能监测某一方向的加速度传感器,例如:分别监测垂直和水平方向的两个加速度传感器;当然,如果一个传感器能够同时测量多个方向的振动信号,也可以仅采用一个传感器来监测船机泥泵的振动信号。
当然,在一些实施例中,传感器还可以是其他类型,例如:转速传感器、位移传感器等。其中,转速传感器可以为磁电式转速传感器,位移传感器可以为电涡流传感器。
在一些实施例中,传感器与采集设备连接(传感器和采集设备所构成的框架可以称为采集系统),采集设备通过网线连接服务器。服务器再通过移动数据网络与陆岸监测中心进行数据传输,陆岸监测中心和服务器构成广域局域网,可以实现对多个工程船舶上的不同船机设备的同步监控。
不同工况下泥泵的负载不同,例如,泥泵的负载会因泥沙的密度、流量等因素变化而发生波动;而负载变化会引起振动信号的变化,通过研究振动信号与故障之间的关系即可通过振动信号判断故障情况。上述实施例,通过传感器获取船机泥泵的振动信号,能获取到船机泥泵最直接可靠的信息,因此根据振动信号确定的船机泥泵的状态预测结果具有较高的准确性。同时能全天候地对船机泥泵进行状态监测,能第一时间发现船机泥泵的故障,以便及时地进行处理。
在一个实施例中,根据比对结果确定船机泥泵的状态预测结果的步骤之后,还包括:获取采集数据中的零部件状态信息,根据零部件状态信息确定船机泥泵中发生故障的零部件。
其中,零部件状态信息指的是零部件的运行状态信息,可以指零部件对应的振动信号。由于不同零部件出现故障时,船机泥泵对应的振动信号会有不同,例如,振动频率的中心位置或者频率峰值等会发生变化。因此根据采集数据就能分析出其中的零部件状态信息,进而能分析出发生故障的零部件。
本实施例在确定船机泥泵的状态预测结果之后进一步确定发生故障的零部件,能使得船机泥泵的状态预测结果更为准确,使得管理人员有针对性地对船机泥泵进行维护。
在一个实施例中,根据比对结果确定船机泥泵的状态预测结果的步骤之后,还包括:根据状态预测结果预测船机泥泵的使用寿命。
在不同运行状态下,船机泥泵所剩余的使用寿命是不同的,因此,可以根据状态预测结果来确定船机泥泵的使用寿命。当然,也可以结合劣化速度来预测船机泥泵的使用寿命。对船机泥泵的使用寿命进行预测,能使得管理人员充分获知泥泵的运行状态与使用寿命,进而进行更好的控制和管理。
在一个实施例中,服务器还能实现以下功能:振动信号实时监测、振动信号超限报警、振动信号历史数据管理、振动信号趋势分析、船机故障诊断、转子/齿轮/轴承故障分析、轴承数据库管理、数据远程监测,并能生成船机监测报表、船机SCADA(SupervisoryControl And Data Acquisition,即数据采集与监视控制系统)数据&设备维护记录。
为了更好地理解上述方法,以下详细阐述一个本发明船机泥泵的状态预测方法的应用实例。
1、通过设置在泥泵叶轮上的加速度传感器长期获取泥泵的振动信号。将不断积累的振动信号进行处理,确定泥泵的历史监测数据。
2、对这些历史监测数据进行拟合得到状态趋势曲线,该曲线可反映泥泵运行状态的变化趋势,因此根据状态趋势曲线可确定泥泵的劣化速度。
3、根据泥泵的运行工况与故障特征确定对应的振动限值。
4、通过加速度传感器获取泥泵监测数据,并结合劣化速度预测在未来一周内的泥泵预测数据,并确定其振动信号是否会达到或者超过振动限值。
5、如果确定泥泵在这一周内会发生故障或损坏,则在泥泵达到故障状态之前输出故障预警信息,以提示管理人员采取适当的泥泵维修对策,实现泥泵的预测维修。
本实施例,能自动确定船机泥泵的状态预测结果,状态预测结果的确定不需要人力的参与,不容易受外界环境和主观因素的影响,能有效提高船机泥泵的状态预测准确率;同时能使管理人员及时获知船机的运行状态,第一时间对船机泥泵的故障进行处理。
需要说明的是,对于前述的各方法实施例,为了简便描述,将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序的限制,因为依据本发明,某些步骤可以采用其它顺序或者同时进行。
基于与上述实施例中的船机泥泵的状态预测方法相同的思想,本发明还提供船机泥泵的状态预测装置,该装置可用于执行上述船机泥泵的状态预测方法。为了便于说明,船机泥泵的状态预测装置实施例的结构示意图中,仅仅示出了与本发明实施例相关的部分,本领域技术人员可以理解,图示结构并不构成对装置的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图4,船机泥泵的状态预测装置包括监测数据获取模块401、数据获取模块402、预测数据确定模块403和预测结果确定模块404,详细说明如下:
监测数据获取模块401,用于获取泥泵监测数据;所述泥泵监测数据根据采集设备发送的船机泥泵的采集数据确定。
数据获取模块402,用于获取所述船机泥泵的劣化速度和状态评价数据;所述劣化速度根据所述船机泥泵的历史监测数据确定;所述状态评价数据根据所述船机泥泵的故障特征确定。
预测数据确定模块403,用于根据所述泥泵监测数据和所述劣化速度确定所述船机泥泵的泥泵预测数据。
以及,预测结果确定模块404,用于将所述泥泵预测数据与所述状态评价数据进行比对,根据比对结果确定所述船机泥泵的状态预测结果。
本实施例,能自动确定船机泥泵的状态预测结果,有效提高船机泥泵的状态预测准确率。
在一个实施例中,数据获取模块402,包括:历史数据获取子模块,用于获取船机泥泵在设定历史时间段的历史监测数据;曲线拟合子模块,用于对历史监测数据进行曲线拟合,得到船机泥泵的状态趋势曲线;劣化速度确定子模块,用于根据状态趋势曲线确定劣化速度。
在一个实施例中,数据获取模块402,还包括:曲线更新子模块,用于根据泥泵监测数据更新状态趋势曲线。
在一个实施例中,数据获取模块402,包括:故障特征获取子模块,用于获取船机泥泵的故障特征;评价数据获取子模块,用于根据故障特征和预先确定的对应关系,确定船机泥泵的状态评价数据;其中,对应关系包含有故障特征与故障状态临界数据的映射关系。
在一个实施例中,预测结果确定模块404,包括:比对结果获取子模块,用于将泥泵预测数据与故障状态临界数据进行比对,得到比对结果;预测结果确定子模块,用于若比对结果满足预设的条件,确定船机泥泵的状态预测结果为泥泵故障。
在一个实施例中,报警模块,用于向报警终端输出故障信息;故障信息用于指导管理人员制定船机泥泵的维修计划。
在一个实施例中,采集数据包括振动信号;监测数据获取模块401,还用于接收采集设备发送的振动信号,根据振动信号确定泥泵监测数据;其中,振动信号通过加速度传感器测量得到。
在一个实施例中,还包括:零部件确定模块,用于获取采集数据中的零部件状态信息,根据零部件状态信息确定船机泥泵中发生故障的零部件。
在一个实施例中,还包括:寿命预测模块,用于根据状态预测结果预测船机泥泵的使用寿命。
需要说明的是,本发明的船机泥泵的状态预测装置与本发明的船机泥泵的状态预测方法一一对应,在上述船机泥泵的状态预测方法的实施例阐述的技术特征及其有益效果均适用于船机泥泵的状态预测装置的实施例中,具体内容可参见本发明方法实施例中的叙述,此处不再赘述,特此声明。
此外,上述示例的船机泥泵的状态预测装置的实施方式中,各程序模块的逻辑划分仅是举例说明,实际应用中可以根据需要,例如出于相应硬件的配置要求或者软件的实现的便利考虑,将上述功能分配由不同的程序模块完成,即将船机泥泵的状态预测装置的内部结构划分成不同的程序模块,以完成以上描述的全部或者部分功能。
本申请提供的船机泥泵的状态预测方法可以应用于如图5所示的计算机设备中。该计算机设备可以是服务器,也可以是终端设备,其内部结构图可以如图5所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,处理器用于提供计算和控制能力;存储器包括非易失性存储介质、内存储器,该非易失性存储介质存储有操作系统、计算机程序(该计算机程序被处理器执行时实现一种船机泥泵的状态预测方法)和数据库,该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境;数据库用于存储船机泥泵的状态预测方法执行过程中所需的等数据;网络接口用于与外部的终端通过网络连接通信,例如与采集设备通信,以接收采集设备发送的采集数据。
本领域技术人员可以理解,图5中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现以下步骤:获取泥泵监测数据;泥泵监测数据根据采集设备发送的船机泥泵的采集数据确定;获取船机泥泵的劣化速度和状态评价数据;劣化速度根据船机泥泵的历史监测数据确定;状态评价数据根据船机泥泵的故障特征确定;根据泥泵监测数据和劣化速度确定船机泥泵的泥泵预测数据;将泥泵预测数据与状态评价数据进行比对,根据比对结果确定船机泥泵的状态预测结果。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:获取船机泥泵在设定历史时间段的历史监测数据;对历史监测数据进行曲线拟合,得到船机泥泵的状态趋势曲线;根据状态趋势曲线确定劣化速度。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:根据泥泵监测数据更新状态趋势曲线。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:获取船机泥泵的故障特征;根据故障特征和预先确定的对应关系,确定船机泥泵的状态评价数据;其中,对应关系包含有故障特征与故障状态临界数据的映射关系。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:将泥泵预测数据与故障状态临界数据进行比对,得到比对结果;若比对结果满足预设的条件,确定船机泥泵的状态预测结果为泥泵故障。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:向报警终端输出故障信息;故障信息用于指导管理人员制定船机泥泵的维修计划。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:接收采集设备发送的振动信号,根据振动信号确定泥泵监测数据;其中,振动信号通过加速度传感器测量得到。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:获取采集数据中的零部件状态信息,根据零部件状态信息确定船机泥泵中发生故障的零部件。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:还包括:根据状态预测结果预测船机泥泵的使用寿命。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:获取泥泵监测数据;泥泵监测数据根据采集设备发送的船机泥泵的采集数据确定;获取船机泥泵的劣化速度和状态评价数据;劣化速度根据船机泥泵的历史监测数据确定;状态评价数据根据船机泥泵的故障特征确定;根据泥泵监测数据和劣化速度确定船机泥泵的泥泵预测数据;将泥泵预测数据与状态评价数据进行比对,根据比对结果确定船机泥泵的状态预测结果。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:获取船机泥泵在设定历史时间段的历史监测数据;对历史监测数据进行曲线拟合,得到船机泥泵的状态趋势曲线;根据状态趋势曲线确定劣化速度。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:根据泥泵监测数据更新状态趋势曲线。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:获取船机泥泵的故障特征;根据故障特征和预先确定的对应关系,确定船机泥泵的状态评价数据;其中,对应关系包含有故障特征与故障状态临界数据的映射关系。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:将泥泵预测数据与故障状态临界数据进行比对,得到比对结果;若比对结果满足预设的条件,确定船机泥泵的状态预测结果为泥泵故障。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:向报警终端输出故障信息;故障信息用于指导管理人员制定船机泥泵的维修计划。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:接收采集设备发送的振动信号,根据振动信号确定泥泵监测数据;其中,振动信号通过加速度传感器测量得到。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:获取采集数据中的零部件状态信息,根据零部件状态信息确定船机泥泵中发生故障的零部件。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:根据状态预测结果预测船机泥泵的使用寿命。
本领域普通技术人员可以理解,实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,的程序可存储于一计算机可读取存储介质中,作为独立的产品销售或使用。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本发明实施例的术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或(模块)单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式,不能理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种船机泥泵的状态预测方法,其特征在于,包括以下步骤:
接收采集设备发送的振动信号,根据所述振动信号确定泥泵监测数据;其中,所述振动信号通过多个仅能监测某一方向的加速度传感器测量得到;
获取所述船机泥泵的劣化速度和状态评价数据;所述状态评价数据根据所述船机泥泵的故障特征确定;
根据所述泥泵监测数据和所述劣化速度确定所述船机泥泵的泥泵预测数据;所述泥泵预测数据为所述船机泥泵在未来的运行状态;
将所述泥泵预测数据与所述状态评价数据进行比对,根据比对结果确定所述船机泥泵的状态预测结果;
其中,在所述根据比对结果确定所述船机泥泵的状态预测结果的步骤之后,还包括以下步骤:
获取所述采集数据中的零部件状态信息,根据所述零部件状态信息确定所述船机泥泵中发生故障的零部件;所述零部件状态信息指所述零部件对应的振动信号;
其中,所述获取所述船机泥泵的劣化速度的步骤,包括:
获取所述船机泥泵在设定历史时间段的历史监测数据;对所述历史监测数据进行曲线拟合,得到所述船机泥泵的状态趋势曲线;对所述状态趋势曲线进行平滑处理,将平滑处理后的所述状态趋势曲线在不同时间段内的斜率作为所述劣化速度;
在所述对所述历史监测数据进行曲线拟合,得到所述船机泥泵的状态趋势曲线的步骤之后,还包括以下步骤:
根据所述泥泵监测数据更新所述状态趋势曲线。
2.根据权利要求1所述的船机泥泵的状态预测方法,其特征在于,所述船机泥泵的故障特征包括工况信息。
3.根据权利要求1所述的船机泥泵的状态预测方法,其特征在于,所述获取所述船机泥泵的状态评价数据的步骤,包括:
获取所述船机泥泵的故障特征;
根据所述故障特征和预先确定的对应关系,确定所述船机泥泵的故障状态临界数据,得到所述船机泥泵的状态评价数据;其中,所述对应关系包含有故障特征与故障状态临界数据的映射关系。
4.根据权利要求3所述的船机泥泵的状态预测方法,其特征在于,所述将所述泥泵预测数据与所述状态评价数据进行比对,根据比对结果确定所述船机泥泵的状态预测结果的步骤,包括:
将所述泥泵预测数据与所述故障状态临界数据进行比对,得到比对结果;
若所述比对结果满足预设的条件,确定所述船机泥泵的状态预测结果为泥泵故障。
5.根据权利要求4所述的船机泥泵的状态预测方法,其特征在于,所述确定所述船机泥泵的状态预测结果为泥泵故障的步骤之后,还包括:
向报警终端输出故障信息;所述故障信息用于指导管理人员制定船机泥泵的维修计划。
6.根据权利要求1所述的船机泥泵的状态预测方法,其特征在于,所述状态评价数据根据所述船机泥泵的故障特征确定,包括;
所述状态评价数据根据所述船机泥泵的故障特征、历史状态预测结果、历史故障次数以及历史故障频率确定。
7.根据权利要求1所述的船机泥泵的状态预测方法,其特征在于,所述状态预测结果包括运行正常、振动频率异常、转速异常、温度过高以及异常零部件。
8.一种船机泥泵的状态预测装置,其特征在于,包括:
监测数据获取模块,用于接收采集设备发送的振动信号,根据所述振动信号确定泥泵监测数据;其中,所述振动信号通过多个仅能监测某一方向的加速度传感器测量得到;
数据获取模块,用于获取所述船机泥泵的劣化速度和状态评价数据;所述状态评价数据根据所述船机泥泵的故障特征确定;
预测数据确定模块,用于根据所述泥泵监测数据和所述劣化速度确定所述船机泥泵的泥泵预测数据;所述泥泵预测数据为所述船机泥泵在未来的运行状态;
预测结果确定模块,用于将所述泥泵预测数据与所述状态评价数据进行比对,根据比对结果确定所述船机泥泵的状态预测结果;
以及,零部件确定模块,用于在所述根据比对结果确定所述船机泥泵的状态预测结果的步骤之后,获取所述采集数据中的零部件状态信息,根据所述零部件状态信息确定所述船机泥泵中发生故障的零部件;所述零部件状态信息指所述零部件对应的振动信号;
其中,在所述获取所述船机泥泵的劣化速度方面,所述数据获取模块具体用于:
获取所述船机泥泵在设定历史时间段的历史监测数据;对所述历史监测数据进行曲线拟合,得到所述船机泥泵的状态趋势曲线;对所述状态趋势曲线进行平滑处理,将平滑处理后的所述状态趋势曲线在不同时间段内的斜率作为所述劣化速度;
在所述对所述历史监测数据进行曲线拟合,得到所述船机泥泵的状态趋势曲线的步骤之后,所述数据获取模块还具体用于:
根据所述泥泵监测数据更新所述状态趋势曲线。
9.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7任一项所述的方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910190166.7A CN110070205B (zh) | 2019-03-13 | 2019-03-13 | 船机泥泵的状态预测方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910190166.7A CN110070205B (zh) | 2019-03-13 | 2019-03-13 | 船机泥泵的状态预测方法、装置、计算机设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110070205A CN110070205A (zh) | 2019-07-30 |
CN110070205B true CN110070205B (zh) | 2024-04-26 |
Family
ID=67366294
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910190166.7A Active CN110070205B (zh) | 2019-03-13 | 2019-03-13 | 船机泥泵的状态预测方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110070205B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111538723A (zh) * | 2020-04-29 | 2020-08-14 | 上海电器科学研究所(集团)有限公司 | 监测数据处理方法、装置及电子设备 |
CN113048073B (zh) * | 2021-03-25 | 2022-07-15 | 福州物联网开放实验室有限公司 | 一种潜污水泵设备的预测性维护方法和存储设备 |
CN115982265A (zh) * | 2021-10-13 | 2023-04-18 | 中兴通讯股份有限公司 | 数据趋势检测方法、电子设备和存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101858778A (zh) * | 2010-05-28 | 2010-10-13 | 浙江大学 | 基于振动监测的风力发电机组故障自动诊断方法 |
CN105203346A (zh) * | 2015-10-23 | 2015-12-30 | 珠海格力电器股份有限公司 | 基于emd降噪的吸油烟机故障诊断的方法及系统 |
CN106197996A (zh) * | 2016-06-24 | 2016-12-07 | 南京理工大学 | 基于多元数据的海上起重机齿轮箱故障诊断装置及方法 |
CN108593302A (zh) * | 2018-08-03 | 2018-09-28 | 中国船舶重工集团柴油机有限公司 | 一种低速柴油机故障诊断系统 |
-
2019
- 2019-03-13 CN CN201910190166.7A patent/CN110070205B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101858778A (zh) * | 2010-05-28 | 2010-10-13 | 浙江大学 | 基于振动监测的风力发电机组故障自动诊断方法 |
CN105203346A (zh) * | 2015-10-23 | 2015-12-30 | 珠海格力电器股份有限公司 | 基于emd降噪的吸油烟机故障诊断的方法及系统 |
CN106197996A (zh) * | 2016-06-24 | 2016-12-07 | 南京理工大学 | 基于多元数据的海上起重机齿轮箱故障诊断装置及方法 |
CN108593302A (zh) * | 2018-08-03 | 2018-09-28 | 中国船舶重工集团柴油机有限公司 | 一种低速柴油机故障诊断系统 |
Non-Patent Citations (2)
Title |
---|
陈哲人 ; .Labview在船用振动噪声故障监测系统中的应用研究.船舶.2016,(01),第45-52页. * |
陈新轩等.工程机械状态检测与故障诊断.人民交通出版社,2004,第21-22页. * |
Also Published As
Publication number | Publication date |
---|---|
CN110070205A (zh) | 2019-07-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110070205B (zh) | 船机泥泵的状态预测方法、装置、计算机设备及存储介质 | |
EP3638900B1 (en) | Independent monitoring system for a wind turbine | |
US10608564B1 (en) | Universal monitor and fault detector in fielded generators and method | |
Fischer et al. | Condition monitoring of wind turbines: State of the art, user experience and recommendations | |
US20190101103A1 (en) | Condition monitoring system and wind turbine generation apparatus | |
US10496466B2 (en) | Preprocessor of abnormality sign diagnosing device and processing method of the same | |
CA3162702A1 (en) | Method and apparatus for detecting fault, method and apparatus for training model, and device and storage medium | |
CN110032094A (zh) | 机舱设备的控制方法、装置、计算机设备及存储介质 | |
CN109934404B (zh) | 船机轴承箱的状态预测方法、装置及计算机设备 | |
KR102315492B1 (ko) | 모터 수명 예측 시스템 및 이의 실행 방법 | |
WO2014123443A1 (ru) | Способ вибрационной диагностики и прогнозирования внезапного отказа двигателя и устройство | |
EP3309682A1 (en) | Data collection system and method, and method for reducing the quantity of measurement data | |
US20210148336A1 (en) | A method for determining wind turbine blade edgewise load recurrence | |
CN110837045B (zh) | 一种诊断泵系统潜在故障的方法及检测系统 | |
CN116415185B (zh) | 一种基于工业互联网的滚动轴承监测方法、设备及介质 | |
CN110044631A (zh) | 船机柴油机的状态预测方法、装置及计算机设备 | |
CN114837902B (zh) | 一种风电机组健康度评估方法、系统、设备和介质 | |
CN116226719A (zh) | 基于多维稳态振动特征的轴承故障诊断方法及相关组件 | |
KR100567434B1 (ko) | 빗물펌프장용 온라인 감시시스템 | |
CN115898848A (zh) | 一种柱塞泵的监测方法及监测系统 | |
CN110082078A (zh) | 船机尾轴的状态预测方法、装置、计算机设备及存储介质 | |
CN105758640A (zh) | 旋转设备特征频率计算方法 | |
CN107436244B (zh) | 基于频率分段振动数据采集的设备故障报警方法 | |
CN113567096B (zh) | 换流变压器带线路空载加压工况运行状态评估方法和装置 | |
RU2816352C1 (ru) | Способ эксплуатации газотурбинной установки |
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 |