CN110598680A - 一种机械设备健康状态评估方法、系统和可读存储介质 - Google Patents
一种机械设备健康状态评估方法、系统和可读存储介质 Download PDFInfo
- Publication number
- CN110598680A CN110598680A CN201911003091.3A CN201911003091A CN110598680A CN 110598680 A CN110598680 A CN 110598680A CN 201911003091 A CN201911003091 A CN 201911003091A CN 110598680 A CN110598680 A CN 110598680A
- Authority
- CN
- China
- Prior art keywords
- signal
- fault
- mechanical equipment
- sensor
- sensors
- 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.)
- Withdrawn
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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种机械设备健康状态评估方法、系统和可读存储介质,所述方法包括以下步骤:采用不同类型的传感器对机械设备进行测量,处理器基于机械设备的故障振动信号,分解出机械设备的振动加速信号和应力应变信号;处理器将所得的振动加速信号和应力应变信号通过数据网关传输给云平台,云平台进行分析处理,得到故障结果。本发明公开的一种机械设备健康状态评估方法、系统和可读存储介质,通过不同传感器采集机械设备状态数据,利用云平台进行分析判处理,生成各信号与机械设备故障的关系式,计算机械设备故障的最大可能性,提高机械设备故障预警诊断的准确率。
Description
技术领域
本发明涉及机械设备监测领域,更具体的,涉及一种机械设备健康状态评估方法、系统和可读存储介质。
背景技术
随着现代工业技术的不断发展,工业规模的不断增大,工业机械应用于各种工业场景成为行业普遍现场,例如在许多流程工业行业中,大机械设备被广泛引用以支持整个工艺流程的正常、高速运转。机械设备一旦发生故障,不仅带来经济损失,更可能危及人身安全,造成严重的危害和影响,因此,保证机械设备健康运转以及机械设备出现故障后,即使检测和修理都是重要的
随着计算机技术在实时监测和诊断领域应用的不断深化,将基于知识库的专家系统技术应用于诊断预警领域已成为诊断技术的一个重要方向,但是传统的预警诊断方法,效率低,精度差,无法给运维人员提供准确的参考。
发明内容
为了解决上述至少一个技术问题,本发明提出了一种机械设备健康状态评估方法、系统和可读存储介质。
为了解决上述的技术问题,本发明第一方面公开了一种机械设备健康状态评估方法,所述方法包括:
采用不同类型的传感器对机械设备进行测量,处理器基于机械设备的故障振动信号,分解出机械设备的振动加速信号和应力应变信号;
处理器将所得的振动加速信号和应力应变信号通过数据网关传输给云平台,云平台进行分析处理,得到故障结果。
本方案中,所述的采用不同类型的传感器对机械设备进行测量,处理器基于机械设备的故障振动信号,分解出机械设备的振动加速信号和应力应变信号的具体步骤包括:
选择首先选择传感器布置点,将测量不同的物理属性的传感器分别安装相应的传感器布置点,各传感器测量得到信号xi,其中i表示信号来自第i个传感器;
对于加速度信号,采用奇异值分解法去噪处理;对于应力信号,首先对其载波信号过滤,然后再进行奇异值分解去噪处理;得到去噪后的信号xi,通过数据网关传输给云平台。
本方案中,所述的传感器包括振动传感器与应变传感器。
本方案中,所述的云平台包括故障分析模型和故障诊断模型;所述的故障分析模型用于对传感器信号提取时域的敏感特征向量,构成敏感特征向量集并置于模型进行故障原因分析;故障诊断模型用于用于对故障分析的结果做出故障分类和最终诊断。
本方案中,所述分类故障模型基于卷积神经网络训练模型训练得到,其训练过程具体为:
所述的故障分析模型用于对传感器信号提取时域的敏感特征向量,构成敏感特征向量集并置于模型进行故障原因分析,具体步骤如下:
步骤1:根据所得的去噪信号,分别提取时域的敏感特征向量,构成敏感特征向量集;
步骤2:将各类传感器测量的信号敏感特征集作为神经网络的输入,构造神经网络,采用已知的样本对神经网络进行训练以建立故障分析模型;再利用不同故障的多组实验数据进行测试,得出每个传感器对每一类型故障的对应关系式;
步骤3:将各个关系式进行数据拟合合并成自变量为各传感器信号,因变量为机械设备故障率的关系式,求解机械设备故障的最大可能性。
本方案中,所述的提取信号的时域的敏感特征向量,构成敏感特征向量集,具体如下:
加速度信号采用p1,p2,p3作为敏感特征向量;应力信号采用p1,p2,p3,p4,p5,p6作为敏感特征向量,应变信号采用p1,p2,p3作为敏感特征向量;其中:p1=max(|xi|),
式中:为xi的平均值,xstd为xi的方差。
本方案中,所述的建立的神经网络模型中,包括每一传感器的信号对机械设备故障的属性值Gi=1or 0,1表示机械设备正常,0表示机械设备故障;求解出每类传感器对于每一种机械故障的诊断率wi,生成每个传感器对每一类型故障的对应关系式;将各个关系式进行数据拟合合并成自变量为各传感器信号,因变量为机械设备故障率的关系式,求解目前状态下机械设备的故障原因。
本发明第二方面公开了一种机械设备健康状态评估系统,包括存储器和处理器,所述存储器中包括机械设备健康状态评估方法程序,所述机械设备健康状态评估方法程序被所述处理器执行时实现如下步骤:
采用不同类型的传感器对机械设备进行测量,处理器基于机械设备的故障振动信号,分解出机械设备的振动加速信号和应力应变信号;
处理器将所得的振动加速信号和应力应变信号通过数据网关传输给云平台,云平台进行分析处理,得到故障结果。
本方案中,所述的采用不同类型的传感器对机械设备进行测量,处理器基于机械设备的故障振动信号,分解出机械设备的振动加速信号和应力应变信号的具体步骤包括:
选择首先选择传感器布置点,将测量不同的物理属性的传感器分别安装相应的传感器布置点,各传感器测量得到信号xi,其中i表示信号来自第i个传感器;
对于加速度信号,采用奇异值分解法去噪处理;对于应力信号,首先对其载波信号过滤,然后再进行奇异值分解去噪处理;得到去噪后的信号xi,通过数据网关传输给云平台。
本发明第三方面公开了一种计算机可读存储介质,所述计算机可读存储介质中包括机器的一种机械设备健康状态评估方法程序,所述一种机械设备健康状态评估方法程序被处理器执行时,实现如述任一项所述的一种机械设备健康状态评估方法的步骤。
本发明公开的一种机械设备健康状态评估方法、系统和可读存储介质,通过不同传感器采集机械设备状态数据,利用云平台进行分析判处理,生成各信号与机械设备故障的关系式,计算机械设备故障的最大可能性,提高机械设备故障预警诊断的准确率。
附图说明
图1示出了本发明一种机械设备健康状态评估流程图;
图2示出了本发明一种机械设备健康状态评估系统的框图。
具体实施方法
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
本发明的方法适用于那些机械设备,如工程机械设备、车间生产机械设备,包括但不限于各式齿轮箱、各式滚动轴承、电机、压缩机等,当然,本发明并不限制装置的种类,任何采用本发明的技术方案都将落入本发明保护范围内。
图1示出了本发明一种机械设备健康状态评估方法流程图。
如图1所示,本发明第一方面公开了一种机械设备健康状态评估方法,包括:
一种机械设备健康状态评估方法,所述方法包括:
S102:采用不同类型的传感器对机械设备进行测量,处理器基于机械设备的故障振动信号,分解出机械设备的振动加速信号和应力应变信号;
S104:处理器将所得的振动加速信号和应力应变信号通过数据网关传输给云平台,云平台进行分析处理,得到故障结果。
需要说明的,本发明中传感节点对应的传感器的类型可以为多种,如振动传感器、应变传感器、压力传感器、温度传感器等,所述状态数据可以是单一传感节点采集的数据,也可以是多种传感节点的组成的多维数据。
本发明中通传感节点采集的机械设备状态数据,通过数据网关的预判处理,可以避免非异常工况的状态数据上传占据传统带宽,带来时延和数据传输量大等问题,此外数据网关可以在在设定时间段内保存,在解析机械设备非工作时段或者空闲时段上传数据。
进一步需要说明的是,本发明中的分类故障模型,克服了传统单一故障模型综合判断的缺陷,可以针对异常捕获、故障分析、故障诊断分别做预警,使得预警更加合理科学。
本方案中,所述的采用不同类型的传感器对机械设备进行测量,处理器基于机械设备的故障振动信号,分解出机械设备的振动加速信号和应力应变信号的具体步骤包括:
S202:选择首先选择传感器布置点,将测量不同的物理属性的传感器分别安装相应的传感器布置点,各传感器测量得到信号xi,其中i表示信号来自第i个传感器;
S204:对于加速度信号,采用奇异值分解法去噪处理;对于应力信号,首先对其载波信号过滤,然后再进行奇异值分解去噪处理;得到去噪后的信号xi,通过数据网关传输给云平台。
本方案中,所述的云平台包括故障分析模型和故障诊断模型;所述的故障分析模型用于对传感器信号提取时域的敏感特征向量,构成敏感特征向量集并置于模型进行故障原因分析;故障诊断模型用于对故障分析的结果做出故障分类和最终诊断。
本方案中,所述的故障分析模型用于对传感器信号提取时域的敏感特征向量,构成敏感特征向量集并置于模型进行故障原因分析,具体步骤如下:
S206:根据所得的去噪信号,分别提取时域的敏感特征向量,构成敏感特征向量集;
S208:将各类传感器测量的信号敏感特征集作为神经网络的输入,构造神经网络,采用已知的样本对神经网络进行训练以建立故障分析模型;再利用不同故障的多组实验数据进行测试,得出每个传感器对每一类型故障的对应关系式;
S2010:将各个关系式进行数据拟合合并成自变量为各传感器信号,因变量为机械设备故障率的关系式,故障诊断模型求解机械设备故障的最大可能性。
在本方案中,所述的提取信号的时域的敏感特征向量,构成敏感特征向量集,具体如下:
加速度信号采用p1,p2,p3作为敏感特征向量;应力信号采用p1,p2,p3,p4,p5,p6作为敏感特征向量,应变信号采用p1,p2,p3作为敏感特征向量作为敏感特征向量,应变信号采用p1,p2,p3作为敏感特征向量;其中:p1=max(|xi|),
式中:为xi的平均值,xstd为xi的方差。
本方案中,所述的建立的神经网络模型中,包括每一传感器的信号对机械设备故障的属性值Gi=1or 0,1表示机械设备正常,0表示机械设备故障;求解出每类传感器对于每一种机械故障的诊断率wi,生成每个传感器对每一类型故障的对应关系式;将各个关系式进行数据拟合合并成自变量为各传感器信号,因变量为机械设备故障率的关系式,求解目前状态下机械设备的故障原因。
需要说明的是,分类故障模型可以采用不同的神经网络进行训练,已获得不同的预警判断精度。
图2示出了一种机械设备健康状态评估系统框图。
如图2所示,本发明第二方面公开了一种机械设备健康状态评估系统,包括存储器和处理器,所述存储器中包括机械设备健康状态评估方法程序,所述机械设备健康状态评估方法程序被所述处理器执行时实现如下步骤:
S102:采用不同类型的传感器对机械设备进行测量,处理器基于机械设备的故障振动信号,分解出机械设备的振动加速信号和应力应变信号;
S104:处理器将所得的振动加速信号和应力应变信号通过数据网关传输给云平台,云平台进行分析处理,得到故障结果。
本方案中,所述的采用不同类型的传感器对机械设备进行测量,处理器基于机械设备的故障振动信号,分解出机械设备的振动加速信号和应力应变信号的具体步骤包括:
S202:选择首先选择传感器布置点,将测量不同的物理属性的传感器分别安装相应的传感器布置点,各传感器测量得到信号xi,其中i表示信号来自第i个传感器;
S204:对于加速度信号,采用奇异值分解法去噪处理;对于应力信号,首先对其载波信号过滤,然后再进行奇异值分解去噪处理;得到去噪后的信号xi,通过数据网关传输给云平台。
需要说明的,本发明中传感节点对应的传感器的类型可以为多种,如振动传感器、应变传感器、压力传感器、温度传感器等,所述状态数据可以是单一传感节点采集的数据,也可以是多种传感节点的组成的多维数据。
本方案中,所述分类故障预警模型包括:异常捕获模型、故障分析模型、故障诊断模型;所述异常捕获模型用于对特征值数据分析后捕获异常从而进行状态预警;所述故障分析模型用于在异常捕获之后进行故障原因分析;所述诊断模型用于对故障分析的结果做出故障分类和最终诊断。
需要说明的是,分类故障模型克服了传统综合判断模型,不精确不准确的缺陷。
本方案中,所述的云平台包括故障分析模型和故障诊断模型;所述的故障分析模型用于对传感器信号提取时域的敏感特征向量,构成敏感特征向量集并置于模型进行故障原因分析;故障诊断模型用于对故障分析的结果做出故障分类和最终诊断。
本方案中,所述的故障分析模型用于对传感器信号提取时域的敏感特征向量,构成敏感特征向量集并置于模型进行故障原因分析,具体步骤如下:
S206:根据所得的去噪信号,分别提取时域的敏感特征向量,构成敏感特征向量集;
S208:将各类传感器测量的信号敏感特征集作为神经网络的输入,构造神经网络,采用已知的样本对神经网络进行训练以建立故障分析模型;再利用不同故障的多组实验数据进行测试,得出每个传感器对每一类型故障的对应关系式;
S2010:将各个关系式进行数据拟合合并成自变量为各传感器信号,因变量为机械设备故障率的关系式,故障诊断模型求解机械设备故障的最大可能性。
本方案中,所述的提取信号的时域的敏感特征向量,构成敏感特征向量集,具体如下:
加速度信号采用p1,p2,p3作为敏感特征向量;应力信号采用p1,p2,p3,p4,p5,p6作为敏感特征向量,应变信号采用p1,p2,p3作为敏感特征向量;其中:p1=max(|xi|),
式中:为xi的平均值,xstd为xi的方差。
本方案中,所述的建立的神经网络模型中,包括每一传感器的信号对机械设备故障的属性值Gi=1or 0,1表示机械设备正常,0表示机械设备故障;求解出每类传感器对于每一种机械故障的诊断率wi,生成每个传感器对每一类型故障的对应关系式;将各个关系式进行数据拟合合并成自变量为各传感器信号,因变量为机械设备故障率的关系式,求解目前状态下机械设备的故障原因。
需要说明的是,分类故障模型可以采用不同的神经网络进行训练,已获得不同的预警判断精度。
本发明第三方面公开了一种计算机可读存储介质,所述计算机可读存储介质中包括机器的一种机械设备健康状态评估方法程序,所述一种机械设备健康状态评估方法程序被处理器执行时,实现如述任一项所述的一种机械设备健康状态评估方法的步骤。
通过不同传感器采集机械设备状态数据,利用云平台进行分析判处理,生成各信号与机械设备故障的关系式,计算机械设备故障的最大可能性,提高机械设备故障预警诊断的准确率。
在本申请所提供的几个实施例中,应该理解到,所揭露的机械设备和方法,可以通过其它的方式实现。以上所描述的机械设备实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,如:多个单元或组件可以结合,或可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口,机械设备或单元的间接耦合或通信连接,可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的,作为单元显示的部件可以是、或也可以不是物理单元;既可以位于一个地方,也可以分布到多个网络单元上;可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外,在本发明各实施例中的各功能单元可以全部集成在一个处理单元中,也可以是各单元分别单独作为一个单元,也可以两个或两个以上单元集成在一个单元中;上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:移动存储机械设备、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
或者,本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机机械设备(可以是个人计算机、服务器、或者网络机械设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括:移动存储机械设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种机械设备健康状态评估方法,其特征在于,所述方法包括:
采用不同类型的传感器对机械设备进行测量,处理器基于机械设备的故障振动信号,分解出机械设备的振动加速信号和应力应变信号;
处理器将所得的振动加速信号和应力应变信号通过数据网关传输给云平台,云平台进行分析处理,得到故障结果。
2.根据权利要求1所述的一种机械设备健康状态评估方法,其特征在于,所述的采用不同类型的传感器对机械设备进行测量,处理器基于机械设备的故障振动信号,分解出机械设备的振动加速信号和应力应变信号的具体步骤包括:
选择首先选择传感器布置点,将测量不同的物理属性的传感器分别安装相应的传感器布置点,各传感器测量得到信号xi,其中i表示信号来自第i个传感器;
对于加速度信号,采用奇异值分解法去噪处理;对于应力信号,首先对其载波信号过滤,然后再进行奇异值分解去噪处理;得到去噪后的信号xi,通过数据网关传输给云平台。
3.根据权利要求1所述的一种机械设备健康状态评估方法,其特征在于,所述的传感器包括振动传感器与应变传感器。
4.根据权利要求3所述的一种机械设备健康状态评估方法,其特征在于,所述的云平台包括故障分析模型和故障诊断模型;所述的故障分析模型用于对传感器信号提取时域的敏感特征向量,构成敏感特征向量集并置于模型进行故障原因分析;故障诊断模型用于对故障分析的结果做出故障分类和最终诊断。
5.根据权利要求1所述的一种机械设备健康状态评估方法,其特征在于,所述的故障分析模型用于对传感器信号提取时域的敏感特征向量,构成敏感特征向量集并置于模型进行故障原因分析,具体步骤如下:
步骤1:根据所得的去噪信号,分别提取时域的敏感特征向量,构成敏感特征向量集;
步骤2:将各类传感器测量的信号敏感特征集作为神经网络的输入,构造神经网络,采用已知的样本对神经网络进行训练以建立故障分析模型;再利用不同故障的多组实验数据进行测试,得出每个传感器对每一类型故障的对应关系式;
步骤3:将各个关系式进行数据拟合合并成自变量为各传感器信号,因变量为机械设备故障率的关系式,故障诊断模型求解机械设备故障的最大可能性。
6.根据权利要求5所述的一种机械设备健康状态评估方法,其特征在于,所述的提取信号的时域的敏感特征向量,构成敏感特征向量集,具体如下:
加速度信号采用p1,p2,p3作为敏感特征向量;应力信号采用p1,p2,p3,p4,p5,p6作为敏感特征向量,应变信号采用p1,p2,p3作为敏感特征向量;其中:p1=max(|xi|),
式中:为xi的平均值,xstd为xi的方差。
7.根据权利要求6所述的一种机械设备健康状态评估方法,其特征在于,所述的建立的神经网络模型中,包括每一传感器的信号对机械设备故障的属性值Gi=1 or 0,1表示机械设备正常,0表示机械设备故障;求解出每类传感器对于每一种机械故障的诊断率wi,生成每个传感器对每一类型故障的对应关系式;将各个关系式进行数据拟合合并成自变量为各传感器信号,因变量为机械设备故障率的关系式,求解目前状态下机械设备的故障原因。
8.一种机械设备健康状态评估系统,其特征在于,包括存储器和处理器,所述存储器中包括机械设备健康状态评估方法程序,所述机械设备健康状态评估方法程序被所述处理器执行时实现如下步骤:
采用不同类型的传感器对机械设备进行测量,处理器基于机械设备的故障振动信号,分解出机械设备的振动加速信号和应力应变信号;
处理器将所得的振动加速信号和应力应变信号通过数据网关传输给云平台,云平台进行分析处理,得到故障结果。
9.根据权利要求8所述一种机械设备健康状态评估系统,其特征在于,所述的采用不同类型的传感器对机械设备进行测量,处理器基于机械设备的故障振动信号,分解出机械设备的振动加速信号和应力应变信号的具体步骤包括:
选择首先选择传感器布置点,将测量不同的物理属性的传感器分别安装相应的传感器布置点,各传感器测量得到信号xi,其中i表示信号来自第i个传感器;
对于加速度信号,采用奇异值分解法去噪处理;对于应力信号,首先对其载波信号过滤,然后再进行奇异值分解去噪处理;得到去噪后的信号xi,通过数据网关传输给云平台。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中包括机器的一种机械设备健康状态评估方法程序,所述一种机械设备健康状态评估方法程序被处理器执行时,实现如权利要求1至7中任一项所述的一种机械设备健康状态评估方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911003091.3A CN110598680A (zh) | 2019-10-22 | 2019-10-22 | 一种机械设备健康状态评估方法、系统和可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911003091.3A CN110598680A (zh) | 2019-10-22 | 2019-10-22 | 一种机械设备健康状态评估方法、系统和可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110598680A true CN110598680A (zh) | 2019-12-20 |
Family
ID=68849847
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911003091.3A Withdrawn CN110598680A (zh) | 2019-10-22 | 2019-10-22 | 一种机械设备健康状态评估方法、系统和可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110598680A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111025994A (zh) * | 2019-12-26 | 2020-04-17 | 玳能科技(杭州)有限公司 | 基于CNNs的设备监控系统及方法 |
CN113515061A (zh) * | 2020-04-09 | 2021-10-19 | 北京纳米能源与系统研究所 | 传感节点及方法、故障检测系统及方法、可读存储介质 |
-
2019
- 2019-10-22 CN CN201911003091.3A patent/CN110598680A/zh not_active Withdrawn
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111025994A (zh) * | 2019-12-26 | 2020-04-17 | 玳能科技(杭州)有限公司 | 基于CNNs的设备监控系统及方法 |
CN111025994B (zh) * | 2019-12-26 | 2021-12-14 | 玳能科技(杭州)有限公司 | 基于CNNs的设备监控系统及方法 |
CN113515061A (zh) * | 2020-04-09 | 2021-10-19 | 北京纳米能源与系统研究所 | 传感节点及方法、故障检测系统及方法、可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109858104B (zh) | 一种滚动轴承健康评估与故障诊断方法及监测系统 | |
CN103471841B (zh) | 一种旋转机械振动故障诊断方法 | |
CN109029589B (zh) | 一种桥梁结构安全状态监测系统 | |
CN108363952A (zh) | 诊断装置 | |
CN109613428A (zh) | 一种能像系统及其在电机设备故障检测方法中的应用 | |
CN111678699B (zh) | 一种面向滚动轴承早期故障监测与诊断方法及系统 | |
EP2853972A3 (en) | Device and method for detection and/or diagnosis of faults in a process, equipment and sensors | |
CN107851294A (zh) | 大型运行系统的基于状态的预防维护装置及方法 | |
CN110598680A (zh) | 一种机械设备健康状态评估方法、系统和可读存储介质 | |
CN109238727A (zh) | 一种发动机故障监测预警系统 | |
CN112766301B (zh) | 一种采油机示功图相似性判断方法 | |
KR20210006832A (ko) | 기계고장 진단 방법 및 장치 | |
CN111311872A (zh) | 一种船体结构应力长期监测报警系统 | |
CN117076935B (zh) | 数字孪生辅助的机械故障数据轻量级生成方法及系统 | |
CN110411730B (zh) | 一种旋转设备故障判断方法、系统和可读存储介质 | |
CN110336860A (zh) | 工业物联网中基于多维数据处理的关键节点数据保护方法 | |
CN109990803B (zh) | 检测系统异常的方法、装置及传感器处理的方法、装置 | |
CN111982256B (zh) | 一种基于多通道cnn模型的汽车衡压力传感器故障预警方法 | |
CN113485898A (zh) | 振动测点显示方法、装置、设备及存储介质 | |
CN113405590A (zh) | 轨道车辆关键部件状态测试装置、系统及方法 | |
CN105651537B (zh) | 一种高损伤敏感性的桁架结构损伤实时监测系统 | |
TW201633025A (zh) | 工具機主軸故障形式的診斷方法及其系統 | |
CN111259494B (zh) | 重机设备健康监测分析方法 | |
CN109894476B (zh) | 一种冷轧硅钢生产线液压设备故障诊断方法和装置 | |
JP2020067750A (ja) | 学習方法、装置及びプログラム、並びに設備の異常診断方法 |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20191220 |