CN110647122B - 一种基于多传感器的自动化生产线故障预测方法及装置 - Google Patents
一种基于多传感器的自动化生产线故障预测方法及装置 Download PDFInfo
- Publication number
- CN110647122B CN110647122B CN201910938206.1A CN201910938206A CN110647122B CN 110647122 B CN110647122 B CN 110647122B CN 201910938206 A CN201910938206 A CN 201910938206A CN 110647122 B CN110647122 B CN 110647122B
- Authority
- CN
- China
- Prior art keywords
- production line
- automatic production
- data
- sample
- sample data
- 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
- 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
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS], computer integrated manufacturing [CIM]
- G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS], computer integrated manufacturing [CIM] characterised by quality surveillance of production
-
- 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
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32252—Scheduling production, machining, job shop
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Abstract
本发明涉及智能故障预测技术领域,具体涉及一种基于多传感器的自动化生产线故障方法及装置,首先获取自动化生产线监测点的样本数据,对所述样本数据进行归一化处理,得到训练样本;进而将多个所述训练样本进行切分,生成多个切片后的分布模型;最后实时获取工作状态下自动化生产线的监测数据,将所述监测数据和多个切片后的分布模型进行拟合,生成自动化生产线的故障预测结果,本发明可以快速预测自动化生产线的故障。
Description
技术领域
本发明涉及智能故障预测技术领域,具体涉及一种基于多传感器的自动化生产线故障预测方法及装置。
背景技术
随着科技的发展,现代自动化生产线设备的集成度和复杂度日益增加,随之带来的维护成本和难度也剧烈上升;效率低下且成本昂贵的传统的人工检修维护的方法在面对大量复杂的现在自动化生产线设备时已不再适用。
目前针对自动化生产线中的轴承设备的故障诊断技术主要建立在物理模型之上,通过观测到的磨损、老化等现象对自动化生产线中的轴承设备进行分析,找出其中的故障点,再利用物理模型分析磨损、老化等现象出现的原因。这种方法目前主要用于研究自动化生产线中的轴承设备的故障机理,而以减少人工维护为目的的故障诊断和预测方面还鲜有出现。
基于数据分析的故障预测是通过采集被测设备的状态数据,排除物理知识对其进行数据分析,利用数学建模来获得故障模型用以判断设备的健康状态,其不需要获取被测设备的物理模型,并且建模时间短,这能进一步的减少成本开销,并且具有广泛的通用性。
而如何利用数学建模来获得故障模型用以判断设备的健康状态,快速预测自动化生产线的故障成为值得研究的问题。
发明内容
为解决上述问题,本发明提供一种基于多传感器的自动化生产线故障预测方法及装置,可以对工件进行准确的识别与定位。
为了实现上述目的,本发明提供以下技术方案:
一种基于多传感器的自动化生产线故障预测方法,包括:
获取自动化生产线监测点的样本数据,对所述样本数据进行归一化处理,得到训练样本;
将多个所述训练样本进行切分,生成多个切片后的分布模型;
实时获取工作状态下自动化生产线的监测数据,将所述监测数据和多个切片后的分布模型进行拟合,生成自动化生产线的故障预测结果。
进一步,所述样本数据由多个设置于所述自动化生产线监测点的传感器采集,所述样本数据用于表征所述自动化生产线监测点的工作时长、温度值、振动幅度、噪声信号强度。
进一步,所述获取自动化生产线监测点的样本数据,对所述样本数据进行归一化处理,得到训练样本,具体为:
获取多个所述传感器采集的样本数据,求得所述样本数据的波动方差,并将所述样本数据中波动方差小于10-5的数据进行剔除,剔除后剩余的样本数据按比例形成取值范围在0~1之间的归一化数据,将多个归一化数据的集合作为训练样本。
进一步,所述将多个所述训练样本进行切分,生成多个切片后的分布模型,具体为:
根据所述训练样本的工作时长,判断所述训练样本所对应的工作时长范围;
将多个所述训练样本按工作时长范围进行切分,生成多个切片后的训练样本;
采用多元回归分析将切片后的训练样本生成对应的分布模型。
进一步,所述实时获取工作状态下自动化生产线的监测数据,将所述监测数据和多个切片后的分布模型进行拟合,生成自动化生产线的故障预测结果,具体为:
判断所述监测数据所处的工作时长范围,选取所述工作时长范围对应的分布模型;
计算所述监测数据和所述分布模型的余弦相似度;
当所述余弦相似度低于0.3时,判断自动化生产线为故障;
当所述余弦相似度高于0.8时,判断自动化生产线为正常。
一种基于多传感器的自动化生产线故障预测装置,所述装置包括:存储器、处理器以及存储在所述存储器中并可在所述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运行在以下装置的模块中:
训练样本生成模块,用于获取自动化生产线监测点的样本数据,对所述样本数据进行归一化处理,得到训练样本;
分布模型生成模块,用于将多个所述训练样本进行切分,生成多个切片后的分布模型;
故障预测模块,用于实时获取工作状态下自动化生产线的监测数据,将所述监测数据和多个切片后的分布模型进行拟合,生成自动化生产线的故障预测结果。
进一步,所述训练样本生成模块中的样本数据由多个设置于所述自动化生产线监测点的传感器采集,所述样本数据用于表征所述自动化生产线监测点的工作时长、温度值、振动幅度、噪声信号强度。
进一步,所述训练样本生成模块具体用于:
获取多个所述传感器采集的样本数据,求得所述样本数据的波动方差,并将所述样本数据中波动方差小于10-5的数据进行剔除,剔除后剩余的样本数据按比例形成取值范围在0~1之间的归一化数据,将多个归一化数据的集合作为训练样本。
进一步,所述分布模型生成模块具体用于:
根据所述训练样本的工作时长,判断所述训练样本所对应的工作时长范围;
将多个所述训练样本按工作时长范围进行切分,生成多个切片后的训练样本;
采用多元回归分析将切片后的训练样本生成对应的分布模型。
进一步,所述故障预测模块具体用于:
实时获取工作状态下自动化生产线的监测数据;
判断所述监测数据所处的工作时长范围,选取所述工作时长范围对应的分布模型;
计算所述监测数据和所述分布模型的余弦相似度;
当所述余弦相似度低于0.3时,判断自动化生产线为故障;
当所述余弦相似度高于0.8时,判断自动化生产线为正常。
本发明的有益效果是:本发明公开一种基于多传感器的自动化生产线故障预测方法及装置,首先获取自动化生产线监测点的样本数据,对所述样本数据进行归一化处理,得到训练样本;进而将多个所述训练样本进行切分,生成多个切片后的分布模型;最后实时获取工作状态下自动化生产线的监测数据,将所述监测数据和多个切片后的分布模型进行拟合,生成自动化生产线的故障预测结果。本发明可以快速预测自动化生产线的故障。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,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性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例一种基于多传感器的自动化生产线故障预测方法的流程示意图;
图2是本发明实施例步骤S200的流程示意图;
图3是本发明实施例一种基于多传感器的自动化生产线故障预测装置的结构示意图;
图4是本发明实施例分布模型生成模块的结构示意图。
具体实施方式
以下将结合实施例和附图对本公开的构思、具体结构及产生的技术效果进行清楚、完整的描述,以充分地理解本公开的目的、方案和效果。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
如图1所示为一种基于多传感器的自动化生产线故障预测方法,包括以下步骤:
步骤S100、获取自动化生产线监测点的样本数据,对所述样本数据进行归一化处理,得到训练样本;
步骤S200、将多个所述训练样本进行切分,生成多个切片后的分布模型;
步骤S300、实时获取工作状态下自动化生产线的监测数据,将所述监测数据和多个切片后的分布模型进行拟合,生成自动化生产线的故障预测结果。
本实施例首先获取自动化生产线监测点的样本数据,对所述样本数据进行归一化处理,得到训练样本,初步确定训练样本,并采用归一化处理的方式,便于后期做数据训练,进而将多个所述训练样本进行切分,生成多个切片后的分布模型,从而进一步根据数据特征进行细分,便于进行合理的特征匹配,保障了后期故障预测的准确度;接下来进行实时故障预测,通过实时获取工作状态下自动化生产线的监测数据,从而根据训练得到的分布模型进行实时故障预测,快速预测出自动化生产线的故障。
在一个具体的实施例中,所述步骤S100中,所述样本数据由多个设置于所述自动化生产线监测点的传感器采集,所述样本数据用于表征所述自动化生产线监测点的工作时长、温度值、振动幅度、噪声信号强度。
其中,温度值、振动幅度、噪声信号强度按照工作时长进行归类,温度值、振动幅度、噪声信号强度这些物理参数作为自动化生产线工作时的外部特征,反映了自动化生产线的工作状态,本实施例将这些物理参数作为自动化生产线的故障预测依据,这些物理参数便于获取,也能可靠的反映自动化生产线的工作状态,适合方便快速的进行故障预测。
在一个优选的实施例中,所述步骤S100包括:
获取多个所述传感器采集的样本数据,求得所述样本数据的波动方差,并将所述样本数据中波动方差小于10-5的数据进行剔除,剔除后剩余的样本数据按比例形成取值范围在0~1之间的归一化数据,将多个归一化数据的集合作为训练样本。
本实施例将波动方差过小的样本数据作为重复数据,进一步的设置一个波动方差阈值10-5,根据这个阈值对样本数据进行去重,减少了重复数据,便于提高训练效率。
参考图2,在一个优选的实施例中,所述步骤S200包括:
步骤S210、根据所述训练样本的工作时长,判断所述训练样本所对应的工作时长范围;
步骤S220、将多个所述训练样本按工作时长范围进行切分,生成多个切片后的训练样本;
步骤S230、采用多元回归分析将切片后的训练样本生成对应的分布模型;
本实施例中,采用多元回归分析,综合考虑在多个物理参数的共同作用下,可以准确预测自动化生产线的故障,本领域技术人员可以通过拟合各个物理参数的回归方程,最终根据各个物理参数的权重进行结合,形成多元回归分析方程,例如,y=w1×f1(x)+w2×f2(x)+w3×f3(x),其中,w1、w2、w3为各个物理参数对应的权重,f1(x)、f2(x)、f3(x)均为线性回归得到的一元一次方程,作为各个物理参数的拟合函数,本领域技术人员可以根据现有技术,借助SPSS等数据分析软件,将训练样本输入数据分析软件中,在无需付出创造性劳动的情况下得出,在此不再赘述。
在一个优选的实施例中,所述步骤S300包括:
判断所述监测数据所处的工作时长范围,选取所述工作时长范围对应的分布模型;
计算所述监测数据和所述分布模型的余弦相似度;
当所述余弦相似度低于0.3时,判断自动化生产线为故障;
当所述余弦相似度高于0.8时,判断自动化生产线为正常。
在一个实施例中,当所述余弦相似度在0.3~0.8之间时,则判断自动化生产线为故障预警;
本实施例根据归一化训练样本的相似度来评估风机日工作是否正常。该相似度作为CV(Confidence Value)值,是评估自动化生产线工作状态的重要标准。CV值的范围在[0,1]之间,越趋向于1表示相似度越高,越接近与0则越趋向无关。本实施例设定相应的阈值作为故障预测的判断依据,便于快速预测。
参考图3,本发明实施例还提供一种基于多传感器的自动化生产线故障预测装置,所述装置包括:存储器、处理器以及存储在所述存储器中并可在所述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运行在以下装置的模块中:
训练样本生成模块100,用于获取自动化生产线监测点的样本数据,对所述样本数据进行归一化处理,得到训练样本;
分布模型生成模块200,用于将多个所述训练样本进行切分,生成多个切片后的分布模型;
故障预测模块300,用于实时获取工作状态下自动化生产线的监测数据,将所述监测数据和多个切片后的分布模型进行拟合,生成自动化生产线的故障预测结果。
在一个优选的实施例中,所述训练样本生成模块100中的样本数据由多个设置于所述自动化生产线监测点的传感器采集,所述样本数据用于表征所述自动化生产线监测点的工作时长、温度值、振动幅度、噪声信号强度。
在一个优选的实施例中,所述训练样本生成模块100具体用于:
获取多个所述传感器采集的样本数据,求得所述样本数据的波动方差,并将所述样本数据中波动方差小于10-5的数据进行剔除,剔除后剩余的样本数据按比例形成取值范围在0~1之间的归一化数据,将多个归一化数据的集合作为训练样本。
参考图4,在一个优选的实施例中,所述分布模型生成模块200具体用于:
工作时长范围判断模块210,用于根据所述训练样本的工作时长,判断所述训练样本所对应的工作时长范围;
训练样本生成模块220,用于将多个所述训练样本按工作时长范围进行切分,生成多个切片后的训练样本;
多元回归分析模块230,用于采用多元回归分析将切片后的训练样本生成对应的分布模型。
在一个优选的实施例中,所述故障预测模块300具体用于:
实时获取工作状态下自动化生产线的监测数据;
判断所述监测数据所处的工作时长范围,选取所述工作时长范围对应的分布模型;
计算所述监测数据和所述分布模型的余弦相似度;
当所述余弦相似度低于0.3时,判断自动化生产线为故障;
当所述余弦相似度高于0.8时,判断自动化生产线为正常。
所述一种基于多传感器的自动化生产线故障预测装置可以运行于桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备中。所述一种基于多传感器的自动化生产线故障预测装置,可运行的装置可包括,但不仅限于,处理器、存储器。本领域技术人员可以理解,所述例子仅仅是一种基于多传感器的自动化生产线故障预测装置的示例,并不构成对一种基于多传感器的自动化生产线故障预测装置的限定,可以包括比例子更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述一种基于多传感器的自动化生产线故障预测装置还可以包括输入输出设备、网络接入设备、总线等。
所称处理器可以是中央处理单元(Central-Processing-Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital-Signal-Processor,DSP)、专用集成电路(Application-Specific-Integrated-Circuit,ASIC)、现场可编程门阵列(Field-Programmable-Gate-Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,所述处理器是所述一种基于多传感器的自动化生产线故障预测装置运行装置的控制中心,利用各种接口和线路连接整个一种基于多传感器的自动化生产线故障预测装置可运行装置的各个部分。
所述存储器可用于存储所述计算机程序和/或模块,所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现所述一种基于多传感器的自动化生产线故障预测装置的各种功能。所述存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart-Media-Card,SMC),安全数字(Secure-Digital,SD)卡,闪存卡(Flash-Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
尽管本公开的描述已经相当详尽且特别对几个所述实施例进行了描述,但其并非旨在局限于任何这些细节或实施例或任何特殊实施例,而是应当将其视作是通过参考所附权利要求,考虑到现有技术为这些权利要求提供广义的可能性解释,从而有效地涵盖本公开的预定范围。此外,上文以发明人可预见的实施例对本公开进行描述,其目的是为了提供有用的描述,而那些目前尚未预见的对本公开的非实质性改动仍可代表本公开的等效改动。
Claims (6)
1.一种基于多传感器的自动化生产线故障预测方法,其特征在于,包括:
获取自动化生产线监测点的样本数据,对所述样本数据进行归一化处理,得到训练样本;
将多个所述训练样本进行切分,生成多个切片后的分布模型;
实时获取工作状态下自动化生产线的监测数据,将所述监测数据和多个切片后的分布模型进行拟合,生成自动化生产线的故障预测结果;
其中,所述样本数据由多个设置于所述自动化生产线监测点的传感器采集,所述样本数据用于表征所述自动化生产线监测点的工作时长、温度值、振动幅度、噪声信号强度;
所述将多个所述训练样本进行切分,生成多个切片后的分布模型,具体为:
根据所述训练样本的工作时长,判断所述训练样本所对应的工作时长范围;
将多个所述训练样本按工作时长范围进行切分,生成多个切片后的训练样本;
采用多元回归分析将切片后的训练样本生成对应的分布模型。
2.根据权利要求1所述的一种基于多传感器的自动化生产线故障预测方法,其特征在于,所述获取自动化生产线监测点的样本数据,对所述样本数据进行归一化处理,得到训练样本,具体为:
获取多个所述传感器采集的样本数据,求得所述样本数据的波动方差,并将所述样本数据中波动方差小于10-5的数据进行剔除,剔除后剩余的样本数据按比例形成取值范围在0~1之间的归一化数据,将多个归一化数据的集合作为训练样本。
3.根据权利要求2所述的一种基于多传感器的自动化生产线故障预测方法,其特征在于,所述实时获取工作状态下自动化生产线的监测数据,将所述监测数据和多个切片后的分布模型进行拟合,生成自动化生产线的故障预测结果,具体为:
判断所述监测数据所处的工作时长范围,选取所述工作时长范围对应的分布模型;
计算所述监测数据和所述分布模型的余弦相似度;
当所述余弦相似度低于0.3时,判断自动化生产线为故障;
当所述余弦相似度高于0.8时,判断自动化生产线为正常。
4.一种基于多传感器的自动化生产线故障预测装置,其特征在于,所述装置包括:存储器、处理器以及存储在所述存储器中并可在所述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运行在以下装置的模块中:
训练样本生成模块,用于获取自动化生产线监测点的样本数据,对所述样本数据进行归一化处理,得到训练样本;
分布模型生成模块,用于将多个所述训练样本进行切分,生成多个切片后的分布模型;
故障预测模块,用于实时获取工作状态下自动化生产线的监测数据,将所述监测数据和多个切片后的分布模型进行拟合,生成自动化生产线的故障预测结果;
其中,所述训练样本生成模块中的样本数据由多个设置于所述自动化生产线监测点的传感器采集,所述样本数据用于表征所述自动化生产线监测点的工作时长、温度值、振动幅度、噪声信号强度;
所述分布模型生成模块具体用于:
根据所述训练样本的工作时长,判断所述训练样本所对应的工作时长范围;
将多个所述训练样本按工作时长范围进行切分,生成多个切片后的训练样本;
采用多元回归分析将切片后的训练样本生成对应的分布模型。
5.根据权利要求4所述的一种基于多传感器的自动化生产线故障预测装置,其特征在于,所述训练样本生成模块具体用于:
获取多个所述传感器采集的样本数据,求得所述样本数据的波动方差,并将所述样本数据中波动方差小于10-5的数据进行剔除,剔除后剩余的样本数据按比例形成取值范围在0~1之间的归一化数据,将多个归一化数据的集合作为训练样本。
6.根据权利要求5所述的一种基于多传感器的自动化生产线故障预测装置,其特征在于,所述故障预测模块具体用于:
实时获取工作状态下自动化生产线的监测数据;
判断所述监测数据所处的工作时长范围,选取所述工作时长范围对应的分布模型;
计算所述监测数据和所述分布模型的余弦相似度;
当所述余弦相似度低于0.3时,判断自动化生产线为故障;
当所述余弦相似度高于0.8时,判断自动化生产线为正常。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910938206.1A CN110647122B (zh) | 2019-09-30 | 2019-09-30 | 一种基于多传感器的自动化生产线故障预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910938206.1A CN110647122B (zh) | 2019-09-30 | 2019-09-30 | 一种基于多传感器的自动化生产线故障预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110647122A CN110647122A (zh) | 2020-01-03 |
CN110647122B true CN110647122B (zh) | 2021-11-09 |
Family
ID=68993287
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910938206.1A Active CN110647122B (zh) | 2019-09-30 | 2019-09-30 | 一种基于多传感器的自动化生产线故障预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110647122B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107358347A (zh) * | 2017-07-05 | 2017-11-17 | 西安电子科技大学 | 基于工业大数据的装备集群健康状态评估方法 |
CN109446187A (zh) * | 2018-10-16 | 2019-03-08 | 浙江大学 | 基于注意力机制与神经网络的复杂装备健康状态监测方法 |
CN109946544A (zh) * | 2019-03-29 | 2019-06-28 | 广东美的制冷设备有限公司 | 家电故障检测方法和装置 |
CN110262417A (zh) * | 2019-06-10 | 2019-09-20 | 中云开源数据技术(上海)有限公司 | 一种生产设备故障预测诊断方法 |
-
2019
- 2019-09-30 CN CN201910938206.1A patent/CN110647122B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107358347A (zh) * | 2017-07-05 | 2017-11-17 | 西安电子科技大学 | 基于工业大数据的装备集群健康状态评估方法 |
CN109446187A (zh) * | 2018-10-16 | 2019-03-08 | 浙江大学 | 基于注意力机制与神经网络的复杂装备健康状态监测方法 |
CN109946544A (zh) * | 2019-03-29 | 2019-06-28 | 广东美的制冷设备有限公司 | 家电故障检测方法和装置 |
CN110262417A (zh) * | 2019-06-10 | 2019-09-20 | 中云开源数据技术(上海)有限公司 | 一种生产设备故障预测诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110647122A (zh) | 2020-01-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111459700B (zh) | 设备故障的诊断方法、诊断装置、诊断设备及存储介质 | |
CN107516279B (zh) | 一种网络舆情自动预警的方法 | |
CN111881023B (zh) | 一种基于多模型对比的软件老化预测方法及装置 | |
CN108491931B (zh) | 一种基于机器学习提高无损检测精度的方法 | |
CN114757517A (zh) | 一种设备零部件的生产智能管理方法及系统 | |
CN113838480B (zh) | 一种洗衣机异音检测方法、装置及电子设备 | |
CN107942956A (zh) | 信息处理装置、信息处理方法、信息处理程序及记录介质 | |
CN115239070A (zh) | 一种流域水环境有机污染物监测全过程质控指标评价系统 | |
CN116955092B (zh) | 基于数据分析的多媒体系统监控方法及系统 | |
CN116089870A (zh) | 基于元学习的小样本条件下工业设备故障预测方法及装置 | |
CN105488599B (zh) | 预测文章热度的方法和装置 | |
CN116523181A (zh) | 一种基于大数据的智慧绿色能源监测分析方法及系统 | |
CN116625683A (zh) | 一种风电机组轴承故障识别方法、系统、装置及电子设备 | |
CN111475925A (zh) | 一种电力设备的状态评估方法、装置及存储介质 | |
CN110909005A (zh) | 一种模型特征分析方法、装置、设备及介质 | |
CN110647122B (zh) | 一种基于多传感器的自动化生产线故障预测方法及装置 | |
CN113033639A (zh) | 一种异常数据检测模型的训练方法、电子设备及存储介质 | |
CN115994742B (zh) | 湿拌砂浆塑化剂的全生命周期管理方法及装置 | |
CN111340079A (zh) | 机械终端状态检测方法、装置及电子设备 | |
CN115834195A (zh) | 一种日志异常检测方法、装置、系统及介质 | |
Papacharalampopoulos et al. | Experimental Investigation of rubber extrusion process through vibrational testing | |
CN111272457A (zh) | 基于温度数据的机械状态检测方法和电子设备 | |
JP2020086786A (ja) | 検出装置及び機械学習方法 | |
CN113361811A (zh) | 运行状态预测方法、系统、设备及计算机可读存储介质 | |
CN111307207A (zh) | 基于电压数据的机械状态检测方法和及电子设备 |
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 |