CN110132358A - 一种基于云计算的污水处理设备故障监测系统 - Google Patents
一种基于云计算的污水处理设备故障监测系统 Download PDFInfo
- Publication number
- CN110132358A CN110132358A CN201910465176.7A CN201910465176A CN110132358A CN 110132358 A CN110132358 A CN 110132358A CN 201910465176 A CN201910465176 A CN 201910465176A CN 110132358 A CN110132358 A CN 110132358A
- Authority
- CN
- China
- Prior art keywords
- data
- running state
- state data
- moment
- hydraulic system
- 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
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- 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
- G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
- G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
- G05B19/0428—Safety, monitoring
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G05B2219/20—Pc systems
- G05B2219/26—Pc applications
- G05B2219/2612—Data acquisition interface
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明提供一种基于云计算的污水处理设备故障监测系统,其中该污水处理设备包括液压系统,包括:数据采集装置,设置在液压系统中,用于采集该液压系统的运行状态数据,并将运行状态数据发送到中间服务器;其中运行状态数据包括压力数据、流量数据和振动数据;中间服务器,用于接受数据采集装置发送的运行状态数据,将运行状态数据发送到云端服务器进行故障监测处理;云端服务器,用于对运行状态数据进行故障监测,当监测到运行状态数据存在异常时,进一步对运行状态数据进行分析处理,识别故障类型,并生成警报信息发送到管理终端;管理终端,用于接收和显示警报信息。本发明有助于运维人员实时、准确地对污水处理设备液压系统进行故障监测。
Description
技术领域
本发明涉及设备监测技术领域,特别是一种基于云计算的污水处理设备故障监测系统。
背景技术
目前,大型污水处理厂采用的污水处理设备中,液压系统为其中最关键的环节之一。现有技术中,对污水处理设备的故障检测大多采用人为巡检、或者在污水排放口中设置传感器进行末端监测,但是,上述故障监测方式并不能及时发现故障的发生,也不能有针对性地对其中的液压系统进行故障监测,不能满足大型污水处理厂稳定性的需求。
发明内容
针对上述问题,本发明旨在提供一种基于云计算的污水处理设备故障监测系统。
本发明的目的采用以下技术方案来实现:
一种基于云计算的污水处理设备故障监测系统,其中该污水处理设备包括液压系统,包括:数据采集装置,设置在液压系统中,用于采集该液压系统的运行状态数据,并将运行状态数据发送到中间服务器;其中运行状态数据包括压力数据、流量数据和振动数据;
中间服务器,用于接受数据采集装置发送的运行状态数据,将运行状态数据发送到云端服务器进行故障监测处理;
云端服务器,用于对运行状态数据进行故障监测,当监测到运行状态数据存在异常时,进一步对运行状态数据进行分析处理,识别故障类型,并生成警报信息发送到管理终端;
管理终端,用于接收和显示警报信息。
在一种实施方式中,管理终端还用于访问云端服务器,从云端服务器中下载液压系统的运行状态数据。
在一种实施方式中,数据采集装置包括:压力传感器,流量传感器,振动传感器,分别用于采集液压系统的压力信号、流量信号和振动信号。
在一种实施方式中,中间服务器中存储污水处理设备的基础参数信息,管理终端还用于访问中间服务器,从中间服务器中获取污水处理设备的基础参数信息。
本发明的有益效果为:本发明通过在污水处理设备中液压系统设置数据采集装置,能够实时采集液压系统的运行状态数据,并通过中间服务器对数据采集装置进行收集汇总,统一发送到云端服务器,由云端服务器进行故障监测处理,并通过管理终端获取监测结果。有助于运维人员实时、准确地对污水处理设备液压系统进行故障监测。
同时,本发明系统仅需在污水处理厂中设计额外的中间服务器,中间服务器集中收集污水处理厂中数据采集装置采集的数据,并统一上传到云端服务器进行处理,能够减少数据采集装置的数据发送能耗,同时架设方便,能够满足现代污水处理厂的需要。
最后,通过云端服务器对采集的设备的运行状态数据进行处理,能够进一步节省污水处理厂中的物理空间,架设简单方便,满足大型污水处理设备网络的监测需要。
附图说明
利用附图对本发明作进一步说明,但附图中的实施例不构成对本发明的任何限制,对于本领域的普通技术人员,在不付出创造性劳动的前提下,还可以根据以下附图获得其它的附图。
图1为本发明的框架结构图;
图2为本发明云端服务器的框架结构图。
附图标记:
液压系统100、数据采集装置11、中间服务器12、云端服务器13、管理终端14、数据接收模块131、预处理模块132、异常监测模块133、故障识别模块134、生成模块135、综合评价模块136
具体实施方式
结合以下应用场景对本发明作进一步描述。
参见图1,其示出一种基于云计算的污水处理设备故障监测系统,其中该污水处理设备包括液压系统100,包括:数据采集装置11,设置在液压系统100中,用于采集该液压系统100的运行状态数据,并将运行状态数据发送到中间服务器12;其中运行状态数据包括压力数据、流量数据和振动数据;
中间服务器12,用于接受数据采集装置11发送的运行状态数据,将运行状态数据发送到云端服务器13进行故障监测处理;
云端服务器13,用于对运行状态数据进行故障监测,当监测到运行状态数据存在异常时,进一步对运行状态数据进行分析处理,识别故障类型,并生成警报信息发送到管理终端14;
管理终端14,用于接收和显示警报信息。
在一种实施方式中,管理终端14还用于访问云端服务器13,从云端服务器13中下载液压系统100的运行状态数据。
在一种实施方式中,数据采集装置11包括:压力传感器,流量传感器,振动传感器,分别用于采集液压系统100的压力信号、流量信号和振动信号。
在一种实施方式中,中间服务器12中存储污水处理设备的基础参数信息,管理终端14还用于访问中间服务器12,从中间服务器12中获取污水处理设备的基础参数信息。
本发明上述实施方式,通过在污水处理设备中液压系统100设置数据采集装置11,能够实时采集液压系统100的运行状态数据,并通过中间服务器12对数据采集装置11进行收集汇总,统一发送到云端服务器13,由云端服务器13进行故障监测处理,并通过管理终端14获取监测结果。有助于运维人员实时、准确地对污水处理设备液压系统100进行故障监测。
同时,上述实施方式仅需在污水处理厂中设计额外的中间服务器12,中间服务器12集中收集污水处理厂中数据采集装置11采集的数据,并统一上传到云端服务器13进行处理,能够减少数据采集装置11的数据发送能耗,同时架设方便,能够满足现代污水处理厂的需要。
最后,通过云端服务器13对采集的设备的运行状态数据进行处理,能够进一步节省污水处理厂中的物理空间,架设简单方便,满足大型污水处理设备网络的监测需要。
在一种实施方式中,参见图2,云端服务器13包括:
数据接收模块131,用于接收中间服务器12发送的液压系统100的运行状态数据;
预处理模块132,用于对运行状态数据进行增强处理,输出增强后的运行状态数据;
异常监测模块133,对增强后的运行状态数据进行监测,判断该增强后的运行状态数据是否存在异常;
故障识别模块134,用于当运行状态数据存在异常时,进一步对该异常状态数据进行故障识别处理,具体包括:对一段时间内的运行状态数据进行特征向量提取,将提取的特征向量输入到训练好的故障识别模型,获取该故障识别模型输出的故障识别结果,其中,特征向量为多维特征向量,故障识别模型采用卷积神经网络模型,由训练样本中的运行状态数据的多维特征向量作为输入,其对应的故障类型作为输出训练所得,训练好的故障识别模型能够特征向量和故障类型之间的关系;
生成模块135,根据获取的故障识别结果,生成相应的警报信息并发送到管理终端14。
在一种实施方式中,该故障识别模型基于卷积神经网络搭建,将训练数据输入到模型中进行训练,其中训练数据包括多维特征向量以及对应的故障识别结果;同时,故障识别模块134中对运行状态数据提取的特征向量维数与故障识别模型训练时采用的训练样本中的特征向量维数相同。
在一种实施方式中,该故障识别模型还能通过SVM搭建。
除了对故障进行识别外,在一种实施方式中,云端服务器13还包括综合评价模块136:用于对液压系统100的运行状态数据进行状态评价,输出该液压系统100的综合状态评分,将综合状态评分发送到管理终端14;
管理终端14还用于显示液压系统100和对应的综合状态评分;
其中,对液压系统100的运行状态数据进行状态评价,输出该液压系统100的综合状态评分,具体包括:
从t时刻起,分别获取往前一段时间内的液压系统100的压力数据A、流量数据B和振动数据C;
采用下列综合状态评价函数对液压系统100的运行状态进行评价:
M(t)=ωAA(t)+ωBB(t)+ωCC(t)
其中,
C(t)=sm(EC(t),E′C)
式中,M(t)表示t时刻的综合状态评分,A(t)表示t时刻的压力数据评分,B(t)表示t时刻的流量数据评分,C(t)表示t时刻的振动数据评分,ωA,ωB和ωC分别表示设定的压力数据评分,流量数据评分,振动数据评分的权重因子,其中ωA+ωB+ωC=1,fA(t-i)表示t-i时刻的压力数据残差,由t-i时刻获取的压力数据与预测t-i时刻的压力数据的差所得,gB(t-i)表示从t-i时刻起往前一段时间内的压力数据残差均值,n表示设定的观测时长;fA(t-i)表示t-i时刻的流量数据残差,由t-i时刻获取的流量数据与预测t-i时刻的流量数据的差所得,gB(t-i)表示从t-i时刻起往前一段时间内的流量数据残差均值,EC(t)表示t时刻的振动信号特征参数,其中该特征参数由多个振动信号表征量组成,EC(t)={e1,e2,...em,...,eM},em表示t时刻的振动信号的第m个表征量,M表示表征量的总数,其中振动信号的表征量包括频率,振幅,有效值,平均值,标准差,偏斜度等;E′C表示设定的振动信号标准特征参数;sm(EC(t),E′C)表示t时刻获取的振动信号特征参数EC(t)与标准特征参数E′C的相似度,其中sm(EC(t),E′C)∈[0,1],其中相似度越小,表示该振动信号越容易存在异常状况;
输出液压系统100t时刻的综合状态评分。
在一种实施方式中,管理终端14接收所有液压系统100的综合状态评分,根据液压系统100在地图上的位置,将该液压系统100对应的综合状态评分标记在于该液压系统100相应的而为之,有助于管理人员直观的掌握污水处理设备以及液压系统100的运行状态。
在一种实施方式中,管理终端14还将该液压系统100综合状态评分和设定的阈值进行比较,当存在液压系统100综合状态评分高于设定的阈值时,显示相应的警报信息。
在一种实施方式中,管理终端14还根据液压系统100的综合状态评分获取相应的评定等级,并根据评定等级显示进行相应的显示,例如,当液压系统100综合状态评分越高时,采用灰度值越高的颜色进行显示。
本发明上述实施方式,通过上述自定义综合状态评价函数对污水处理设备中的液压系统100进行科学的评分,并根据获取的综合状态评分与对应的液压系统100进行显示,有助于运维人员直观地对污水处理设备中各液压系统100的运行状态及其变化趋势进行监控和评估,更直观地对污水处理设备进行监控。针对液压系统100故障尚未发生,但其运行状态已经产生的“亚健康”情况,通过综合状态评分能够直观地展示出液压系统100的运行状况,有助于运维人员提前安排保养和检修计划。
针对数据采集装置11在采集运行状态数据时容易受到采集现场其他干扰因素的影响,因此云端服务器13在接收到运行状态数据后首先对接受的运行状态数据进行预处理。
在一种实施方式中,云端服务器13中的预处理模块132,对运行状态数据进行增强处理,输出增强后的运行状态数据,具体包括:
分别对传感器采集的压力信号,流量信号,振动信号,进行提升小波分解,获取不同尺度下的高频小波系数和低频小波系数;
采用自定义阈值函数对获取的每个尺度的高频小波系数进行阈值处理,获取处理后的高频小波系数;
将每个尺度下的处理后的高频小波系数结合最高尺度下的低频小波系数进行小波重构,以及提升小波逆变换,获取预处理后的运行状态数据;
其中,采用的自定义阈值函数为:
其中,
式中,y(x)表示阈值处理后的高频小波系数,x表示阈值处理前的高频小波系数,D表示设定的阈值,σ表示设定的平滑因子,β表示设定的去噪调节因子。
本发明上述实施方式,采用上述方式对接收到的运行状态数据进行预处理,能够同时、分别对具体的压力信号,流量信号,振动信号等一维信号数据进行增强处理,鲁棒性强,仅需通过设定不同的参数,即可同时用于不同数据的增强,增强效果好,为后续的故障监测和故障识别奠定了基础。
最后应当说明的是,以上实施例仅用以说明本发明的技术方案,而非对本发明保护范围的限制,尽管参照较佳实施例对本发明作了详细地说明,本领域的普通技术人员应当分析,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的实质和范围。
Claims (6)
1.一种基于云计算的污水处理设备故障监测系统,其中所述污水处理设备包括液压系统,其特征在于,包括:
数据采集装置,设置在所述液压系统中,用于采集该液压系统的运行状态数据,并将所述运行状态数据发送到中间服务器;其中所述运行状态数据包括压力数据、流量数据和振动数据;
中间服务器,用于接受数据采集装置发送的运行状态数据,将所述运行状态数据发送到云端服务器进行故障监测处理;
云端服务器,用于对所述运行状态数据进行故障监测,当监测到运行状态数据存在异常时,进一步对所述运行状态数据进行分析处理,识别故障类型,并生成警报信息发送到管理终端;
管理终端,用于接收和显示所述警报信息。
2.根据权利要求1所述的一种基于云计算的污水处理设备故障监测系统,其特征在于,所述管理终端还用于访问所述云端服务器,从所述云端服务器中下载所述液压系统的运行状态数据。
3.根据权利要求1所述的一种基于云计算的污水处理设备故障监测系统,其特征在于,所述数据采集装置包括:压力传感器,流量传感器,振动传感器,分别用于采集所述液压系统的压力信号、流量信号和振动信号。
4.根据权利要求1所述的一种基于云计算的污水处理设备故障监测系统,其特征在于,所述中间服务器中存储所述污水处理设备的基础参数信息,所述管理终端还用于访问所述中间服务器,从所述中间服务器中获取所述污水处理设备的基础参数信息。
5.根据权利要求1所述的一种基于云计算的污水处理设备故障监测系统,其特征在于,所述云端服务器包括:
数据接收模块,用于接收所述中间服务器发送的液压系统的运行状态数据;
预处理模块,用于对所述运行状态数据进行增强处理,输出增强后的运行状态数据;
异常监测模块,对增强后的运行状态数据进行监测,判断该增强后的运行状态数据是否存在异常;
故障识别模块,用于当运行状态数据存在异常时,进一步对该异常状态数据进行故障识别处理,具体包括:对一段时间内的所述运行状态数据进行特征向量提取,将提取的所述特征向量输入到训练好的故障识别模型,获取该故障识别模型输出的故障识别结果,其中,所述特征向量为多维特征向量,所述故障识别模型采用卷积神经网络模型,由训练样本中的运行状态数据的多维特征向量作为输入,其对应的故障类型作为输出训练所得,训练好的故障识别模型能够特征向量和故障类型之间的关系;
生成模块,根据获取的故障识别结果,生成相应的警报信息并发送到所述管理终端。
6.根据权利要求5所述的一种基于云计算的污水处理设备故障监测系统,其特征在于,所述云端服务器还包括综合评价模块:用于对所述液压系统的运行状态数据进行状态评价,输出该液压系统的综合状态评分,将所述综合状态评分发送到所述管理终端;
所述管理终端还用于显示所述液压系统和对应的综合状态评分;
其中,对液压系统的运行状态数据进行状态评价,输出该液压系统的综合状态评分,具体包括:
从t时刻起,分别获取往前一段时间内的液压系统的压力数据A、流量数据B和振动数据C;
采用下列综合状态评价函数对液压系统的运行状态进行评价:
M(t)=ωAA(t)+ωBB(t)+ωCC(t)
其中,
C(t)=sm(EC(t),E′C)
式中,M(t)表示t时刻的综合状态评分,A(t)表示t时刻的压力数据评分,B(t)表示t时刻的流量数据评分,C(t)表示t时刻的振动数据评分,ωA,ωB和ωC分别表示设定的压力数据评分,流量数据评分,振动数据评分的权重因子,其中ωA+ωB+ωC=1,fA(t-i)表示t-i时刻的压力数据残差,由t-i时刻获取的压力数据与预测t-i时刻的压力数据的差所得,gB(t-i)表示从t-i时刻起往前一段时间内的压力数据残差均值,n表示设定的观测时长;fA(t-i)表示t-i时刻的流量数据残差,由t-i时刻获取的流量数据与预测t-i时刻的流量数据的差所得,gB(t-i)表示从t-i时刻起往前一段时间内的流量数据残差均值,EC(t)表示t时刻的振动信号特征参数,其中该特征参数由多个振动信号表征量组成,EC(t)={e1,e2,…em,…,eM},em表示t时刻的振动信号的第m个表征量,M表示表征量的总数,其中振动信号的表征量包括频率,振幅,有效值,平均值,标准差,偏斜度等;E′C表示设定的振动信号标准特征参数;sm(EC(t),E′C)表示t时刻获取的振动信号特征参数EC(t)与标准特征参数E′C的相似度,其中sm(EC(t),E′C)∈[0,1],其中相似度越小,表示该振动信号越容易存在异常状况;
输出液压系统t时刻的综合状态评分。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910465176.7A CN110132358B (zh) | 2019-05-30 | 2019-05-30 | 一种基于云计算的污水处理设备故障监测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910465176.7A CN110132358B (zh) | 2019-05-30 | 2019-05-30 | 一种基于云计算的污水处理设备故障监测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110132358A true CN110132358A (zh) | 2019-08-16 |
CN110132358B CN110132358B (zh) | 2020-03-27 |
Family
ID=67583072
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910465176.7A Active CN110132358B (zh) | 2019-05-30 | 2019-05-30 | 一种基于云计算的污水处理设备故障监测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110132358B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110837816A (zh) * | 2019-11-18 | 2020-02-25 | 中国银行股份有限公司 | 光学字符识别系统、边缘节点及系统 |
CN111432366A (zh) * | 2020-03-19 | 2020-07-17 | 浙江清环智慧科技有限公司 | 基于嵌入式单片机明文报表式流量数据的处理方法及装置 |
CN112350857A (zh) * | 2020-10-27 | 2021-02-09 | 广东凌康科技有限公司 | 一种基于云计算的工业物联网平台及其操作方法 |
CN113029227A (zh) * | 2021-02-02 | 2021-06-25 | 中船第九设计研究院工程有限公司 | 一种液压台车运移用状态监测系统 |
CN114710478A (zh) * | 2022-03-30 | 2022-07-05 | 爱动超越智能科技(青岛)有限责任公司 | 一种基于云平台的机械设备运行监测系统 |
CN116163943A (zh) * | 2023-03-27 | 2023-05-26 | 蚌埠市联合压缩机制造有限公司 | 一种运行状态实时监测的压缩机 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102591284A (zh) * | 2012-02-20 | 2012-07-18 | 哈尔滨工业大学 | 基于无线传感网络的污水处理工程监控系统 |
CN104061208A (zh) * | 2014-07-02 | 2014-09-24 | 北京机械设备研究所 | 一种液压系统在线故障诊断方法 |
CN107357243A (zh) * | 2017-06-26 | 2017-11-17 | 苏州健雄职业技术学院 | 基于云端数据监控的污水处理系统 |
CN107389323A (zh) * | 2017-06-29 | 2017-11-24 | 西安建筑科技大学 | 一种基于云计算的振动筛远程故障诊断与维护系统及方法 |
CN107490494A (zh) * | 2016-06-13 | 2017-12-19 | 许斌 | 一种设备故障监测系统 |
KR101935750B1 (ko) * | 2018-09-06 | 2019-01-04 | (주)이지팜 | 클라우드 컴퓨팅과 원격 센서를 이용한 스마트팜 제어기 |
CN109209922A (zh) * | 2018-09-25 | 2019-01-15 | 济宁安泰矿山设备制造有限公司 | 一种智能潜水电泵及其运行状态监控方法 |
-
2019
- 2019-05-30 CN CN201910465176.7A patent/CN110132358B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102591284A (zh) * | 2012-02-20 | 2012-07-18 | 哈尔滨工业大学 | 基于无线传感网络的污水处理工程监控系统 |
CN104061208A (zh) * | 2014-07-02 | 2014-09-24 | 北京机械设备研究所 | 一种液压系统在线故障诊断方法 |
CN107490494A (zh) * | 2016-06-13 | 2017-12-19 | 许斌 | 一种设备故障监测系统 |
CN107357243A (zh) * | 2017-06-26 | 2017-11-17 | 苏州健雄职业技术学院 | 基于云端数据监控的污水处理系统 |
CN107389323A (zh) * | 2017-06-29 | 2017-11-24 | 西安建筑科技大学 | 一种基于云计算的振动筛远程故障诊断与维护系统及方法 |
KR101935750B1 (ko) * | 2018-09-06 | 2019-01-04 | (주)이지팜 | 클라우드 컴퓨팅과 원격 센서를 이용한 스마트팜 제어기 |
CN109209922A (zh) * | 2018-09-25 | 2019-01-15 | 济宁安泰矿山设备制造有限公司 | 一种智能潜水电泵及其运行状态监控方法 |
Non-Patent Citations (1)
Title |
---|
王焘: "一种基于自适应监测的云计算系统故障检测方法", 《计算机学报》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110837816A (zh) * | 2019-11-18 | 2020-02-25 | 中国银行股份有限公司 | 光学字符识别系统、边缘节点及系统 |
CN111432366A (zh) * | 2020-03-19 | 2020-07-17 | 浙江清环智慧科技有限公司 | 基于嵌入式单片机明文报表式流量数据的处理方法及装置 |
CN112350857A (zh) * | 2020-10-27 | 2021-02-09 | 广东凌康科技有限公司 | 一种基于云计算的工业物联网平台及其操作方法 |
CN113029227A (zh) * | 2021-02-02 | 2021-06-25 | 中船第九设计研究院工程有限公司 | 一种液压台车运移用状态监测系统 |
CN114710478A (zh) * | 2022-03-30 | 2022-07-05 | 爱动超越智能科技(青岛)有限责任公司 | 一种基于云平台的机械设备运行监测系统 |
CN116163943A (zh) * | 2023-03-27 | 2023-05-26 | 蚌埠市联合压缩机制造有限公司 | 一种运行状态实时监测的压缩机 |
CN116163943B (zh) * | 2023-03-27 | 2023-09-08 | 蚌埠市联合压缩机制造有限公司 | 一种运行状态实时监测的压缩机 |
Also Published As
Publication number | Publication date |
---|---|
CN110132358B (zh) | 2020-03-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110132358A (zh) | 一种基于云计算的污水处理设备故障监测系统 | |
He et al. | Improved deep transfer auto-encoder for fault diagnosis of gearbox under variable working conditions with small training samples | |
Grezmak et al. | Interpretable convolutional neural network through layer-wise relevance propagation for machine fault diagnosis | |
Xiang et al. | Fault diagnosis of rolling bearing under fluctuating speed and variable load based on TCO spectrum and stacking auto-encoder | |
Hasan et al. | A fault diagnosis framework for centrifugal pumps by scalogram-based imaging and deep learning | |
Guh | Simultaneous process mean and variance monitoring using artificial neural networks | |
CN109063308A (zh) | 一种基于深度量子学习的健康评估方法 | |
CN106769051B (zh) | 一种基于mcea-kpca和组合svr的滚动轴承剩余使用寿命预测方法 | |
CN104537415A (zh) | 一种基于压缩感知和dros-elm的非线性过程工业故障预测及识别方法 | |
CN109506907A (zh) | 一种基于振动响应信息的螺栓连接结构松动状态识别方法 | |
CN102313577A (zh) | 基于多路传感信号的设备健康状态评估与衰退预测方法 | |
CN114004252A (zh) | 一种轴承故障诊断的方法、装置以及设备 | |
CN106656669B (zh) | 一种基于阈值自适应设置的设备参数异常检测系统及方法 | |
CN106153179A (zh) | 中速磨煤机振动故障诊断方法 | |
CN112288021A (zh) | 一种医疗废水监测数据质控方法、装置及系统 | |
CN109443766A (zh) | 一种重载车辆变速箱齿轮安全性分析方法 | |
Xiao et al. | On fault prediction for wind turbine pitch system using radar chart and support vector machine approach | |
CN110632484A (zh) | 一种基于elm的gis局部放电缺陷诊断分类系统及方法 | |
Simani et al. | Intelligent fault diagnosis techniques applied to an offshore wind turbine system | |
CN109341848A (zh) | 一种隧道运营阶段的安全监测系统 | |
CN110318731A (zh) | 一种基于gan的抽油井故障诊断方法 | |
Chu et al. | Fault diagnosis of a rotor and ball-bearing system using DWT integrated with SVM, GRNN, and visual dot patterns | |
Weller et al. | Reducing reliability uncertainties for marine renewable energy | |
Rahadian et al. | Image encoding selection based on Pearson correlation coefficient for time series anomaly detection | |
Simani et al. | Data–driven fault diagnosis of a wind farm benchmark 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 |