CN110836786B - 机械故障监测方法、装置、系统、介质和计算设备 - Google Patents
机械故障监测方法、装置、系统、介质和计算设备 Download PDFInfo
- Publication number
- CN110836786B CN110836786B CN201911137072.XA CN201911137072A CN110836786B CN 110836786 B CN110836786 B CN 110836786B CN 201911137072 A CN201911137072 A CN 201911137072A CN 110836786 B CN110836786 B CN 110836786B
- Authority
- CN
- China
- Prior art keywords
- data set
- classification
- data
- operation data
- mechanical
- 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
- G01M99/00—Subject matter not provided for in other groups of this subclass
- G01M99/002—Thermal testing
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M99/00—Subject matter not provided for in other groups of this subclass
- G01M99/004—Testing the effects of speed or acceleration
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明的实施方式提供了一种机械故障监测方法、装置、系统、介质和计算设备。该方法包括:获取机械设备的运转数据集,该运转数据集中的数据采集自该机械设备的多个运转阶段;判断该运转数据集中不同运转阶段的运转数据是否相似;若是,则确定该机械设备不存在故障;若否,则确定该机械设备存在故障。通过对机械设备的自动故障监测,有助于实现故障监测方式的标准化、自动化,也有助于提高机械故障的判断效率和判断准确率,降低设备维护成本。
Description
技术领域
本发明的实施方式涉及故障检测技术领域,更具体地,本发明的实施方式涉及一种机械故障监测方法、装置、系统、介质和计算设备。
背景技术
本部分旨在为权利要求书中陈述的本发明的实施方式提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
机械设备运转过程中难免会出现各种各样的故障,因此,对机械设备监测故障并提前采取相应的故障防护措施,是保障机械设备能够在工业生产中正常运行的关键之一。但由于机械设备故障的复杂性和故障形式的多样化,导致对机械设备进行准确的故障监测极其困难。
目前,对于机械设备的故障监测,尤其是针对旋转机械的故障检测,主要采用人工设置监测参数,然后结合技术专家意见或经验公式以监测参数为基础判断机械设备是否会发生故障。显然,现有故障监测方式依赖于主观经验,监测效率差。针对于相同监测参数,不同技术专家或由不同途径获取的经验公式得到的判断结果可能存在差异,这使得现有故障监测方式无法实现标准化,导致现有故障监测方式的自动化程度低,准确性难以保证。
因此,为了解决现有故障监测方式存在的判断效率差、自动化程度低、监测方式无法标准化、准确率难以保障的问题,亟待设计一种新的故障监测方案。
发明内容
由于故障监测方式存在的自动化程度低、判断效率差、监测方式无法标准化、准确率难以保障的问题,因此非常需要一种改进的用于监测机械故障的技术方案,以解决上述技术问题之一。
在本上下文中,本发明的实施方式期望提供一种机械故障监测方法、装置、系统、介质和计算设备。
在本发明实施方式的第一方面中,提供了一种机械故障监测方法,包括:获取机械设备的运转数据集,运转数据集中的数据采集自机械设备的多个运转阶段;判断运转数据集中不同运转阶段的运转数据是否相似;若是,则确定机械设备不存在故障;若否,则确定机械设备存在故障。
一个可能的实施例中,基于分类模型判断运转数据集中不同运转阶段的运转数据是否相似。
一个可能的实施例中,基于分类模型判断运转数据集中不同运转阶段的运转数据是否相似,包括:根据预设方式将运转数据集划分为训练数据集和测试数据集;采用训练数据集训练得到一分类模型;通过训练后的分类模型对测试数据集中不同运转阶段的运转数据进行分类;根据分类结果判断不同运转阶段的运转数据是否相似。
一个可能的实施例中,根据预设方式将运转数据集划分为训练数据集和测试数据集,包括:将运转数据集中同一运转阶段的运转数据按照预设比例分别划分至训练数据集和测试数据集。
一个可能的实施例中,训练数据集和测试数据集中同一运转阶段的运转数据,被标注对应的标签。
一个可能的实施例中,根据分类结果判断不同运转阶段的运转数据是否相似,包括:基于分类结果计算分类准确率;判断分类准确率是否小于第一预设门限;若是,则确定不同运转阶段的运转数据相似;若否,则确定不同运转阶段的运转数据不相似。
一个可能的实施例中,根据分类结果判断不同运转阶段的运转数据是否相似,包括:基于所述分类结果计算分类准确率;判断分类准确率是否小于第二预设门限;若是,则确定不同运转阶段的运转数据相似;若否,则判断分类准确率是否大于第三预设门限;若是,则确定不同运转阶段的运转数据不相似;其中,第二预设门限小于第三预设门限。
一个可能的实施例中,分类模型为多分类分类器。
一个可能的实施例中,机械设备为旋转机械,则运转数据集包括对应于多个运转阶段的多组运转数据。
一个可能的实施例中,多组运转数据包括旋转机械的至少一组径向振动信号和/或至少一组轴向振动信号。获取机械设备的运转数据集的方法,包括:通过第一传感器组采集至少一组径向振动信号,其中第一传感器组设置于旋转机械的转子末端轴承位;和/或,通过第二传感器组采集至少一组轴向振动信号,其中第二传感器组设置于旋转机械的轴端。
在本发明实施方式的第二方面中,提供了一种机械故障监测装置,应用于如第一方面中任一所述的机械故障监测方法,该监测装置与布置于机械设备上的传感器相连,该监测装置包括:
收发模块,被配置为获取机械设备的运转数据集,运转数据集中的数据采集自机械设备的多个运转阶段;
处理模块,被配置为判断运转数据集中不同运转阶段的运转数据是否相似;若是,则确定机械设备不存在故障;若否,则确定机械设备存在故障。
在一个可能的实施例中,处理模块具体被配置为,基于分类模型判断运转数据集中不同运转阶段的运转数据是否相似。
在一个可能的实施例中,处理模块在基于分类模型判断运转数据集中不同运转阶段的运转数据是否相似时,具体被配置为,根据预设方式将运转数据集划分为训练数据集和测试数据集;采用训练数据集训练得到一分类模型;通过训练后的分类模型对测试数据集中不同运转阶段的运转数据进行分类;根据分类结果判断不同运转阶段的运转数据是否相似。
在一个可能的实施例中,处理模块在根据预设方式将运转数据集划分为训练数据集和测试数据集时,具体被配置为,将运转数据集中同一运转阶段的运转数据按照预设比例分别划分至训练数据集和测试数据集。
在一个可能的实施例中,训练数据集和测试数据集中同一运转阶段的运转数据,被标注对应的标签。
在一个可能的实施例中,处理模块在根据分类结果判断不同运转阶段的运转数据是否相似时,具体被配置为基于分类结果计算分类准确率;判断分类准确率是否小于第一预设门限;若是,则确定不同运转阶段的运转数据相似;若否,则确定不同运转阶段的运转数据不相似。
一个可能的实施例中,处理模块在根据分类结果判断不同运转阶段的运转数据是否相似时,具体被配置为基于分类结果计算分类准确率;判断分类准确率是否小于第二预设门限;若是,则确定不同运转阶段的运转数据相似;若否,则判断分类准确率是否大于第三预设门限;若是,则确定不同运转阶段的运转数据不相似;其中,第二预设门限小于第三预设门限。
在一个可能的实施例中,分类模型为多分类分类器。
在一个可能的实施例中,机械设备为旋转机械,运转数据集包括对应于多个运转阶段的多组运转数据,传感器与旋转机械的转动组件相连。
在一个可能的实施例中,多组运转数据包括旋转机械的至少一组径向振动信号和/或至少一组轴向振动信号。收发模块具体被配置为,通过第一传感器组采集至少一组径向振动信号,其中第一传感器组旋转机械的转子末端轴承位;和/或,通过第二传感器组采集至少一组轴向振动信号,其中第二传感器组设置于旋转机械的轴端。
在本发明实施方式的第三方面中,提供了一种机械故障监测系统,应用于如第一方面中任一所述的机械故障监测方法,该监测系统包括布置于机械设备上的传感器以及机械故障监测装置,该机械故障监测装置实现为如第二方面中任一所述的机械故障监测装置。
在本发明实施方式的第四方面中,提供了一种介质,该介质存储有计算机可执行指令,计算机可执行指令用于使计算机执行第一方面中任一实施例的方法。
在本发明实施方式的第五方面中,提供了一种计算设备,包括处理单元、存储器以及输入/输出(In/Out,I/O)接口;存储器,用于存储处理单元执行的程序或指令;处理单元,用于根据存储器存储的程序或指令,执行第一方面中任一实施例的方法;I/O接口,用于在处理单元的控制下接收或发送数据。
本发明的实施方式提供的技术方案中,通过判断机械设备的运转数据中不同运转阶段的运转数据是否相似,以便根据判断结果确定机械设备是否存在机械故障,这样有助于通过对机械设备的自动故障监测,实现故障监测方式的标准化、自动化,提高机械故障的判断效率和判断准确率,降低设备维护成本。
附图说明
通过参考附图阅读下文的详细描述,本发明示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中,以示例性而非限制性的方式示出了本发明的若干实施方式,其中:
图1示意性地示出了根据本发明实施方式的一种机械故障监测方法的流程示意图;
图2a至图2c示意性地示出了根据本发明实施方式中的振动信号的示意图;
图3示意性地示出了根据本发明实施例的一种机械故障监测装置的结构示意图;
图4示意性地示出了根据本发明实施例的一种机械故障监测系统的结构示意图;
图5示意性地示出了根据本发明实施例的一种介质的结构示意图;
图6示意性地示出了根据本发明实施例的一种计算设备的结构示意图;
在附图中,相同或对应的标号表示相同或对应的部分。
具体实施方式
下面将参考若干示例性实施方式来描述本发明的原理和精神。应当理解,给出这些实施方式仅仅是为了使本领域技术人员能够更好地理解进而实现本发明,而并非以任何方式限制本发明的范围。相反,提供这些实施方式是为了使本公开更加透彻和完整,并且能够将本公开的范围完整地传达给本领域的技术人员。
本领域技术人员知道,本发明的实施方式可以实现为一种系统、装置、设备、方法或计算机程序产品。因此,本公开可以具体实现为以下形式,即:完全的硬件、完全的软件(包括固件、驻留软件、微代码等),或者硬件和软件结合的形式。
根据本发明的实施方式,提出了一种机械故障监测方法、装置、介质和计算设备。此外,附图中的任何元素数量均用于示例而非限制,以及任何命名都仅用于区分,而不具有任何限制含义。
下面参考本发明的若干代表性实施方式,详细阐释本发明的原理和精神。
本发明人发现,现有故障监测方式依赖于主观经验,造成监测效率差。针对于相同监测参数,不同技术专家或由不同途径获取的经验公式得到的判断结果可能存在差异,这使得现有故障监测方式无法实现标准化,导致现有故障监测方式存在自动化程度低、准确性难以保证的问题。
此外,现有故障监测方式主要采用的故障判断标准,缺乏对机械设备所处工况的针对性调整,使得大量机械设备即使未损坏仍会被维修,甚至于提前报废,造成资源浪费,机械设备的维护成本高。
为了克服现有技术存在的至少一个技术问题,本发明中提出了一种机械故障监测方法、装置、介质和计算设备。该机械故障监测方法至少包括:获取机械设备的运转数据集,该运转数据集中的数据采集自该机械设备的多个运转阶段;判断该运转数据集中不同运转阶段的运转数据是否相似;若是,则确定该机械设备不存在故障;若否,则确定该机械设备存在故障。
无故障的机械设备在运转过程中各个阶段的运转数据具有相似分布和相似模式,即从无故障的机械设备中获取的各个阶段运转数据在数据分布和数据模式上也应具有相似性;而对于存在故障的机械设备,由于故障的产生是一个循序渐进的过程,因此从此类机械设备中获取的各个阶段运转数据在数据分布和数据模式上存在差异。由此,无故障的机械设备在各个阶段运转数据之间的区分性较弱,而即将或已经发生故障的机械设备在各个阶段运转数据之间的区分性较强。
从这一原理中不难看出,上述机械故障监测方法中,由于机械设备无故障运转过程中不同运转阶段的运转数据之间具有相似分布和相似模式,因而,通过判断机械设备的运转数据集中不同运转阶段的运转数据是否相似,这样基于判断结果来确定机械设备是否存在机械故障,从而通过对机械设备的自动故障监测,实现了故障监测方式的标准化、自动化,提高了机械故障的判断效率和判断准确率,降低了设备维护成本。可以理解的是,装置、系统、介质和计算设备的原理与方法类似,此处不再赘述。
在介绍了本发明的基本原理之后,下面具体介绍本发明的各种非限制性实施方式。
本发明实施例可以应用于各种机械设备的故障监测场景,尤其是旋转机械的故障监测场景,比如用于大型透平旋转机组的故障监测系统。本发明实施例适用的场景可以是在线实时的故障监测场景,比如用于机械设备运转过程中的在线故障监测场景,也可以是离线故障监测场景,比如用于对流水线设备进行故障抽检的场景。可以理解的是,除了上述示例性场景外,本发明实施例适用的场景还可以是其他场景,此处并不限定。本发明实施例中也不限定机械设备的种类或规模,比如用于单台或单一类型的机械设备的故障监测场景,又比如用于多台机械设备构成的机组的故障监测场景,或者用于多类型机械设备构成的机组的故障监测场景。
下面结合应用场景,参考附图来描述根据本发明示例性实施方式的用于监测机械设备故障的装置。需要注意的是,上述应用场景仅是为了便于理解本发明的精神和原理而示出,本发明的实施方式在此方面不受任何限制。相反,本发明的实施方式可以应用于适用的任何场景。
本发明实施例提供了一种机械故障监测方法,如图1所示,该机械故障监测方法至少包括以下步骤:
S101、获取机械设备的运转数据集,该运转数据集中的数据采集自该机械设备的多个运转阶段;
S102、判断该运转数据集中不同运转阶段的运转数据是否相似;
S103、若是,则确定该机械设备不存在故障;
S104、若否,则确定该机械设备存在故障。
图1示出的机械故障监测方法中,通过判断机械设备的运转数据集中不同运转阶段的运转数据是否相似,这样基于判断结果来确定机械设备是否存在机械故障,从而通过对机械设备的自动故障监测,实现了故障监测方式的标准化、自动化,提高了机械故障的判断效率和判断准确率,降低了设备维护成本。
需要说明的是,图1示出的机械故障监测方法中,针对于S102得到的一个判断结果,仅执行S103或S104。下面将图1示出的故障监测方法分步骤进行详细说明:
本发明实施例涉及的机械设备包括但不限于旋转机械,比如,大型透平旋转机组。
本发明实施例涉及的运转数据集中的数据采集自该机械设备的多个运转阶段。可选的,运转数据集包括但不限于对应于多个运转阶段的多组运转数据,比如对应于不同时段的多组运转数据,或对应于不同生产流程的多组运转数据。S101之前,针对布置在机械设备上的传感器组,设置传感器组回传运转数据的超参数,以便获取传感器组回传的运转数据集。本发明实施例中的超参数包括但不限定于采样间隔、采样数目、分类器阈值。若机械设备为旋转机械,则多组运转数据包括但不限于该旋转机械的至少一组径向振动信号和/或至少一组轴向振动信号。一个示例中,传感器布置于大型透平旋转机组上,此情况下运转数据集中的数据可以是采集自大型透平旋转机组不同运转阶段中的多组信号。
S101中获取机械设备的运转数据集的实现方式包括多种。其中S101的一种实现方式为,通过第一传感器组采集至少一组径向振动信号,其中第一传感器组设置于旋转机械的转子末端轴承位,通过第二传感器组采集至少一组轴向振动信号,其中第二传感器组设置于旋转机械的轴端。第一传感器组和第二传感器组可以为同一类型的传感器,也可以为不同类型的传感器。进一步的,第一传感器组和第二传感器组为以电涡流位移传感器组成的传感器组。示例性的,图2a至图2c分别示出电涡流位移传感器采集机械设备运转过程中5个不同运转阶段的振动信号,其中横坐标表示振动信号的采集时间,纵坐标表示振动信号的振幅。
S102中判断运转数据集中不同运转阶段的运转数据是否相似的实现方式包括多种。其中S102的一种实现方式为,通过计算不同运转阶段的数据(信号)两两之间的相似度是否大于某一预设值来确定不同运转阶段的运转数据是否相似,具体的,在本实施方式的一个实施例中,可以设置一个预设值,例如70%,那么若采集自设备不同运转阶段的运转数据,两两之间的相似度都超过70%,则认为运转数据集中不同运转阶段的运转数据是相似的;另外,不同运转数据(信号)之间的相似度可以通过现有的相似度计算方法进行,例如欧氏距离,余弦相似度和KL散度等,具体采用何种方法,可以根据数据(信号)的具体特点进行选择,本实施方式对此不做限定。
在本实施方式的一个实施例中,步骤S102的另外一种实现方式为基于分类模型判断运转数据集中不同运转阶段的运转数据是否相似。这种实现方式具体包括如下步骤:
S1021、根据预设方式将运转数据集划分为训练数据集和测试数据集。
仍以图2a至图2c示出的振动信号为例,假设图2c示出的5组振动信号为不存在故障的旋转机械运转过程中不同运转阶段的振动信号,图2a至图2c所示的振动信号采集自同一类型的三个旋转机械;由于三个旋转机械的设备工况可能因运转条件、运转环境、设备维护等因素存在区别,因此,采用现有故障检测方式难以通过直接对比振动信号来判断图2a和图2b对应的旋转机械相对于图2c对应的旋转机械是否存在故障。不难看出,现有故障监测方式缺乏对机械设备所处工况的针对性调整,使得大量机械设备即使未损坏仍会被维修,甚至于提前报废,造成资源浪费,机械设备的维护成本高。
为解决这一技术问题,S1021中根据预设方式将运转数据集划分为训练数据集和测试数据集。
本发明实施例中,训练数据集即针对于分类模型的训练阶段,而测试数据集即针对于分类模型的测试阶段,这样,就可以保证以不同工况下采集的运转数据集作为后续步骤用来判断机械故障的依据,从而有助于实现对机械设备所处工况的针对性调整,也有助于避免资源浪费,降低机械设备的维护成本。
运转数据集包括多个运转阶段的运转数据。S1021中,将运转数据集中同一运转阶段的运转数据按照预设比例分别划分至训练数据集和测试数据集。可选的,训练数据集和测试数据集中同一运转阶段的运转数据,被标注对应的标签。一个实施例中,按照预设比例随机将机械设备同一运转阶段的信号中一部分信号划分至训练数据集,并为划分至训练数据集的信号添加对应标签,以这部分信号及对应标签作为训练数据集;将该同一运转阶段的信号中另一部分信号划分至测试数据集,并为划分至测试数据集的信号添加对应标签,以这部分信号及对应标签作为测试数据集;以此类推,通过多次划分过程将机械设备不同运转阶段的信号至训练数据集和测试数据集。示例性的,预设比例可设置为7:3或6:4,即训练数据集包含每个运转阶段70%(或60%)的信号以及对应标签,而测试数据集包含每个运转阶段余下30%(或40%)的信号以及对应标签。进一步的,标签用于指示运转数据集中的数据(如信号)所属的采集时间段。例如将运转数据集的采集时间分为5个时间段,采用a、b、c、d、e等标签来表示,其中标签a表示距离当前时刻最远的时间段,依次,标签e则表示距离当前时刻最近的时间段。
S1022、采用训练数据集训练得到一分类模型。
具体而言,将划分后的训练数据集中不同运转阶段的运转数据输入至预先选取的分类模型,并将这些运转数据与对应标签进行拟合,从而得到训练后的分类模型。可选的,分类模型为多分类分类器。进一步的,调整分类器结构或参数以降低分类器性能,以使预先选取的分类模型的分类性能降低。一种示例中,分类模型为基于树集成的分类器,则减少模拟树的数量,或减少树的深度,以便降低分类器的分类性能,从而提升机械故障监测的准确性。
S1023、通过训练后的分类模型对测试数据集中不同运转阶段的运转数据进行分类。
具体来说,以S1021中测试数据集包含不同运转阶段信号及对应标签为例,将测试数据集中不同运转阶段的运转信号输入至训练后的分类模型进行预测得到分类结果。
S1024、根据分类结果判断不同运转阶段的运转数据是否相似。
S1024的一种实现方式为,基于分类结果计算分类准确率;继续以S1021中测试数据集包含不同运转阶段信号及对应标签为例,S1024中,对比分类结果与对应标签是否一致,统计训练后的分类模型对这不同运转阶段信号的分类正确率。接着,在该实现方式中,判断分类准确率是否小于第一预设门限;若是,则确定不同运转阶段的运转数据相似;若否,则确定不同运转阶段的运转数据不相似。应理解的是,不同运转阶段的运转数据属于同一机械设备,因此不同运转阶段的运转数据越相似,说明该机械设备不同运转阶段的运转数据之间的可区分性越弱,该机械设备不同运转阶段的运转数据在数据分布和数据模式上越相似;此情况下,不同运转阶段的运转数据越相似,则训练后的分类模型在测试数据集上实现的分类效果越不好,分类准确率越低。因而,若分类准确率小于第一预设门限,则说明机械设备不同运转阶段的运转数据之间的可区分性较弱,不同运转阶段的运转数据相似;若分类准确率不小于第一预设门限,则说明机械设备不同运转阶段的运转数据之间的可区分性较强,不同运转阶段的运转数据不相似。
可选的,S1024之前设置至少两个预设门限。S1024的另一种实现方式为,基于分类结果计算分类准确率,判断分类准确率是否小于第二预设门限;需说明,此处计算分类准确率的方式参见上文所述S1024的一种实现方式中的相关描述,此处不再赘述。若是,即判定分类准确率小于第二预设门限,则说明不同运转阶段的运转数据在数据分布和数据模式上存在较大差异,此情况下可以判定不同运转阶段的运转数据不相似且差异较大。若否,即判定分类准确率不小于第二预设门限,则进一步判断分类准确率是否大于第三预设门限;若是,即判定分类准确率大于第三预设门限,则说明该机械设备不同运转阶段的运转数据在数据分布和数据模式上相似,此情况下可以确定不同运转阶段的运转数据相似。
其中,第二预设门限小于第三预设门限,比如第二预设门限设置为40%,第三预设门限设置为80%。一个示例中,若分类正确率小于40%,则说明该机械设备不同运转阶段的运转数据在数据分布和数据模式上存在较大差异,此情况下可以判定不同运转阶段的运转数据不相似且差异较大。若分类正确率不小于40%且小于80%,则说明该机械设备不同运转阶段的运转数据在数据分布和数据模式上存在较小差异,此情况下可以判定不同运转阶段的运转数据不相似但差异较小,由此可以给出设备可能存在故障的结果;可选的,此情况下还可以调整故障监控频率。若分类正确率不小于80%,则说明该机械设备不同运转阶段的运转数据在数据分布和数据模式上相似,此情况下可以判定不同运转阶段的运转数据相似。
另一个示例中,S1024之前设置三个预设门限,即40%、60%、80%;此情况下S1024的具体实现为,基于分类结果计算分类准确率,并将分类准确率与三个预设门限进行比较,比较结果如下表1:
表1分类正确率的比较结果
分类正确率 | 相似程度 |
小于40% | 最不相似 |
不小于40%且小于60% | 较不相似 |
不小于60%且小于80% | 较相似 |
不小于80% | 最相似 |
根据上表1,比较过程具体为:判断分类准确率是否小于40%;若判定分类准确率小于40%,即可认为此情况下不同运转阶段的运转数据最不相似。若判定分类准确率不小于40%,则进一步判断分类准确率是否小于60%;若判定分类准确率不小于40%且小于60%,即可认为不同运转阶段的运转数据较不相似且差异次于前述情况;若判定分类准确率不小于60%,则再进一步判断分类准确率是否小于80%,若判定分类准确率不小于60%且小于80%,即可认为不同运转阶段的运转数据较相似且差异次于前述两种情况;若判定分类准确率不小于80%,即可认为不同运转阶段的运转数据最相似且差异次于前述三种情况。
进一步的,预设门限的类型、数量以及对应数值(或数值范围)均基于实际应用情况进行反馈调整或动态矫正,从而使故障维修成本与故障造成的损失达到平衡。
通过S1021至S1024,无需基于不同领域知识或技术实践经验,即可自适应的实现分类模型的训练和测试,以便采用分类模型判断不同运转阶段的运转数据是否相似,从而有助于实现对机械设备的故障监测方式进行自适应调教,有助于满足多种故障、多种设备的故障监测需求。
S103中,如果运转数据集中不同运转阶段的运转数据相似,则说明该机械设备运转过程中采集自不同运转阶段的运转数据之间的可区分性较弱,因而,可以推出该机械设备不同运转阶段的运转数据在数据分布和数据模式上相似,即不同运转阶段的运转数据相似,此情况下可以判定该机械设备不存在机械故障。
另一情况下,S104中,如果运转数据集中不同运转阶段的运转数据不相似,则说明该机械设备运转过程中采集自不同运转阶段的运转数据之间的可区分性较强,因而,可以推出该机械设备不同运转阶段的运转数据在数据分布和数据模式存在差异,即不同运转阶段的运转数据不相似,此情况下可以判定该机械设备存在机械故障。
可以理解的是,对应于S1024中采用多个预设门限的判断方式,S103和S104中也可以实现为根据不同相似程度对机械设备可能存在的机械故障进行预警,这样有助于进一步节省故障维修成本,使故障维修成本与故障造成的损失达到平衡。仍以设置三个预设门限即40%、60%、80%为例,对应于这三个预设门限,设置四个预警等级,如下表2:
表2预警等级分类表
根据上表2,S103和S104可以具体实现为,根据相似程度判定采用机械设备的故障情况以及对应采用的预警等级。
图1示出的故障监测方法中,通过对机械设备的自动故障监测,有助于实现故障监测方式的标准化、自动化,提高机械故障的判断效率和判断准确率,降低设备维护成本。
在介绍了本发明示例性实施方式的用于机械故障监测方法之后,接下来,介绍本发明提供了示例性实施的装置。本发明提供的用于机械故障监测的装置可以适用于图1对应的实施例提供的任一项方法。参见图3,该机械故障监测装置与布置于机械设备上的传感器相连,该机械故障监测装置至少包括:
收发模块301,被配置为获取机械设备的运转数据集,该运转数据集中的数据采集自机械设备的多个运转阶段;
处理模块302,被配置为判断运转数据集中不同运转阶段的运转数据是否相似;若是,则确定机械设备不存在故障;若否,则确定机械设备存在故障。
可选的,处理模块302具体被配置为,基于分类模型判断运转数据集中不同运转阶段的运转数据是否相似。
可选的,处理模块302在基于分类模型判断运转数据集中不同运转阶段的运转数据是否相似时,具体被配置为根据预设方式将运转数据集划分为训练数据集和测试数据集;采用训练数据集训练得到一分类模型;通过训练后的分类模型对测试数据集中不同运转阶段的运转数据进行分类;根据分类结果判断不同运转阶段的运转数据是否相似。
可选的,处理模块302在根据预设方式将运转数据集划分为训练数据集和测试数据集时,具体被配置为将运转数据集中同一运转阶段的运转数据按照预设比例分别划分至训练数据集和测试数据集。
可选的,训练数据集和测试数据集中同一运转阶段的运转数据,被标注对应的标签。
可选的,处理模块302在根据分类结果判断不同运转阶段的运转数据是否相似时,具体被配置为基于分类结果计算分类准确率;判断分类准确率是否小于第一预设门限;若是,则确定不同运转阶段的运转数据相似;若否,则确定不同运转阶段的运转数据不相似。
可选的,处理模块302在根据分类结果判断不同运转阶段的运转数据是否相似时,具体被配置为基于分类结果计算分类准确率;判断分类准确率是否小于第二预设门限;若是,则确定不同运转阶段的运转数据相似;若否,则判断分类准确率是否大于第三预设门限;若是,则确定不同运转阶段的运转数据不相似。
可选的,分类模型为多分类分类器。
可选的,机械设备为旋转机械,运转数据集包括对应于多个运转阶段的多组运转数据,传感器与旋转机械的转动组件相连。
可选的,多组运转数据包括旋转机械的至少一组径向振动信号和/或至少一组轴向振动信号。收发模块302具体被配置为,通过第一传感器组采集至少一组径向振动信号,其中第一传感器组旋转机械的转子末端轴承位;和/或,通过第二传感器组采集至少一组轴向振动信号,其中第二传感器组设置于旋转机械的轴端。
在介绍了本发明示例性实施方式的用于机械故障监测方法和装置之后,介绍本发明提供了示例性实施的系统。本发明提供的用于机械故障监测系统可以适用于图1对应的实施例提供的任一项方法。参见图4,该机械故障监测系统包括布置于机械设备上的传感器以及机械故障监测装置,该机械故障监测装置可以实现为如图3对应实施例提供的任一项机械故障监测装置。此处传感器可以实现为第一传感器组4011和第二传感器组4012,而该机械故障监测装置包括收发单元4021和处理单元4022,其中
收发单元4021,被配置为获取机械设备的运转数据集,该运转数据集中的数据采集自机械设备的多个运转阶段;
处理单元4022,被配置为判断运转数据集中不同运转阶段的运转数据是否相似;若是,则确定机械设备不存在故障;若否,则确定机械设备存在故障。
可选的,处理单元4022具体被配置为,基于分类模型判断运转数据集中不同运转阶段的运转数据是否相似。
可选的,处理单元4022在基于分类模型判断运转数据集中不同运转阶段的运转数据是否相似时,具体被配置为根据预设方式将运转数据集划分为训练数据集和测试数据集;采用训练数据集训练得到一分类模型;通过训练后的分类模型对测试数据集中不同运转阶段的运转数据进行分类;根据分类结果判断不同运转阶段的运转数据是否相似。
可选的,处理单元4022在根据预设方式将运转数据集划分为训练数据集和测试数据集时,具体被配置为将运转数据集中同一运转阶段的运转数据按照预设比例分别划分至训练数据集和测试数据集。
可选的,训练数据集和测试数据集中同一运转阶段的运转数据,被标注对应的标签。
可选的,处理单元4022在根据分类结果判断不同运转阶段的运转数据是否相似时,具体被配置为基于分类结果计算分类准确率;判断分类准确率是否小于第一预设门限;若是,则确定不同运转阶段的运转数据相似;若否,则确定不同运转阶段的运转数据不相似。
可选的,处理单元4022在根据分类结果判断不同运转阶段的运转数据是否相似时,具体被配置为基于分类结果计算分类准确率;判断分类准确率是否小于第二预设门限;若是,则确定不同运转阶段的运转数据相似;若否,则判断分类准确率是否大于第三预设门限;若是,则确定不同运转阶段的运转数据不相似。
可选的,分类模型为多分类分类器。
可选的,机械设备为旋转机械,运转数据集包括对应于多个运转阶段的多组运转数据,传感器与旋转机械的转动组件相连。
可选的,多组运转数据包括旋转机械的至少一组径向振动信号和/或至少一组轴向振动信号。收发单元4022具体被配置为,通过第一传感器组4011采集至少一组径向振动信号,其中第一传感器组4011旋转机械的转子末端轴承位;和/或,通过第二传感器组4012采集至少一组轴向振动信号,其中第二传感器组4012设置于旋转机械的轴端。
在介绍了本发明示例性实施方式的用于机械故障监测方法、装置、系统之后,接下来,参考图5,本发明提供了一种示例性介质,该介质存储有计算机可执行指令,该计算机可执行指令可用于使所述计算机实现图1对应的本发明示例性实施方式中任一项用于机械故障监测方法。
在介绍了本发明示例性实施方式的用于机械故障监测方法、介质和装置之后,接下来,参考图6,介绍本发明提供的一种示例性计算设备60,该计算设备60包括处理单元601、存储器602、总线603、外部设备604、I/O接口605以及网络适配器606,该存储器602包括随机存取存储器(random access memory,RAM)6021、高速缓存存储器6022、只读存储器(Read-Only Memory,ROM)6023以及至少一片存储单元6024构成的存储单元阵列6025。其中该存储器602,用于存储处理单元601执行的程序或指令;该处理单元601,用于根据该存储器602存储的程序或指令,执行图1对应的本发明示例性实施方式中任一项所述的方法;该I/O接口605,用于在该处理单元601的控制下接收或发送数据。
应当注意,尽管在上文详细描述中提及了装置的若干单元/模块或子单元/模块,但是这种划分仅仅是示例性的并非强制性的。实际上,根据本发明的实施方式,上文描述的两个或更多单元/模块的特征和功能可以在一个单元/模块中具体化。反之,上文描述的一个单元/模块的特征和功能可以进一步划分为由多个单元/模块来具体化。
此外,尽管在附图中以特定顺序描述了本发明方法的操作,但是,这并非要求或者暗示必须按照该特定顺序来执行这些操作,或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地,可以省略某些步骤,将多个步骤合并为一个步骤执行,和/或将一个步骤分解为多个步骤执行。
虽然已经参考若干具体实施方式描述了本发明的精神和原理,但是应该理解,本发明并不限于所公开的具体实施方式,对各方面的划分也不意味着这些方面中的特征不能组合以进行受益,这种划分仅是为了表述的方便。本发明旨在涵盖所附权利要求的精神和范围内所包括的各种修改和等同布置。
综上,在根据本公开的实施例中,本公开提供了如下方案,但不限于此:
1.一种机械故障监测方法,其特征在于,包括:
获取机械设备的运转数据集,所述运转数据集中的数据采集自所述机械设备的多个运转阶段;
判断所述运转数据集中不同运转阶段的运转数据是否相似;
若是,则确定所述机械设备不存在故障;
若否,则确定所述机械设备存在故障。
2.如方案1所述的监测方法,其中,基于分类模型判断所述运转数据集中不同运转阶段的运转数据是否相似。
3.如方案2所述的监测方法,其中,基于分类模型判断所述运转数据集中不同运转阶段的运转数据是否相似,包括:
根据预设方式将所述运转数据集划分为训练数据集和测试数据集;
采用所述训练数据集训练得到一分类模型;
通过训练后的所述分类模型对所述测试数据集中不同运转阶段的运转数据进行分类;
根据分类结果判断不同运转阶段的运转数据是否相似。
4.如方案3所述的监测方法,其中,根据预设方式将所述运转数据集划分为训练数据集和测试数据集,包括:
将所述运转数据集中同一运转阶段的运转数据按照预设比例分别划分至训练数据集和测试数据集。
5.如方案4所述的监测方法,其中,所述训练数据集和测试数据集中同一运转阶段的运转数据,被标注对应的标签。
6.如方案5所述的监测方法,其中,根据分类结果判断不同运转阶段的运转数据是否相似,包括:
基于所述分类结果计算分类准确率;
判断所述分类准确率是否小于第一预设门限;
若是,则确定不同运转阶段的运转数据相似;
若否,则确定不同运转阶段的运转数据不相似。
7.如方案5所述的监测方法,其中,根据分类结果判断不同运转阶段的运转数据是否相似,包括:
基于所述分类结果计算分类准确率;
判断所述分类准确率是否小于第二预设门限;
若是,则确定不同运转阶段的运转数据相似;
若否,则判断所述分类准确率是否大于第三预设门限;
若是,则确定不同运转阶段的运转数据不相似。
8.如方案2至7任一所述的监测方法,其中,所述分类模型为多分类分类器。
9.如方案8所述的监测方法,其中,所述机械设备为旋转机械,则所述运转数据集包括对应于多个运转阶段的多组运转数据。
10.如方案9所述的监测方法,其中,所述多组运转数据包括所述旋转机械的至少一组径向振动信号和/或至少一组轴向振动信号;
获取机械设备的运转数据集的方法,包括:
通过第一传感器组采集所述至少一组径向振动信号,其中所述第一传感器组设置于所述旋转机械的转子末端轴承位;和/或
通过第二传感器组采集所述至少一组轴向振动信号,其中所述第二传感器组设置于所述旋转机械的轴端。
11.一种机械故障监测装置,其特征在于,用以实现如权1至10任一所述的机械故障监测方法,所述监测装置与布置于机械设备上的传感器相连,所述监测装置包括:
收发模块,被配置为获取所述机械设备的运转数据集,所述运转数据集中的数据采集自所述机械设备的多个运转阶段;
处理模块,被配置为判断所述运转数据集中不同运转阶段的运转数据是否相似;若是,则确定所述机械设备不存在故障;若否,则确定所述机械设备存在故障。
12.如方案11所述的监测装置,其中,所述处理模块具体被配置为,基于分类模型判断所述运转数据集中不同运转阶段的运转数据是否相似。
13.如方案12所述的监测装置,其中,所述处理模块在基于分类模型判断所述运转数据集中不同运转阶段的运转数据是否相似时,具体被配置为
根据预设方式将所述运转数据集划分为训练数据集和测试数据集;
采用所述训练数据集训练得到一分类模型;
通过训练后的所述分类模型对所述测试数据集中不同运转阶段的运转数据进行分类;
根据分类结果判断不同运转阶段的运转数据是否相似。
14.如方案13所述的监测装置,其中,所述处理模块在根据预设方式将所述运转数据集划分为训练数据集和测试数据集时,具体被配置为
将所述运转数据集中同一运转阶段的运转数据按照预设比例分别划分至训练数据集和测试数据集。
15.如方案14所述的监测装置,其中,所述训练数据集和测试数据集中同一运转阶段的运转数据,被标注对应的标签。
16.如方案15所述的监测装置,其中,所述处理模块在根据分类结果判断不同运转阶段的运转数据是否相似时,具体被配置为
基于所述分类结果计算分类准确率;
判断所述分类准确率是否小于第一预设门限;
若是,则确定不同运转阶段的运转数据相似;
若否,则确定不同运转阶段的运转数据不相似。
17.如方案15所述的监测装置,其中,所述处理模块在根据分类结果判断不同运转阶段的运转数据是否相似时,具体被配置为
基于所述分类结果计算分类准确率;
判断所述分类准确率是否小于第二预设门限;
若是,则确定不同运转阶段的运转数据相似;
若否,则判断所述分类准确率是否大于第三预设门限;
若是,则确定不同运转阶段的运转数据不相似。
18.如方案12至17任一所述的监测装置,其中,所述分类模型为多分类分类器。
19.如方案18所述的监测装置,其中,所述机械设备为旋转机械,所述运转数据集包括对应于多个运转阶段的多组运转数据,所述传感器与所述旋转机械的转动组件相连。
20.如方案19所述的监测装置,其中,所述多组运转数据包括所述旋转机械的至少一组径向振动信号和/或至少一组轴向振动信号;
所述收发模块,具体被配置为
通过第一传感器组采集所述至少一组径向振动信号,其中所述第一传感器组设置于所述旋转机械的转子末端轴承位;和/或
通过第二传感器组采集所述至少一组轴向振动信号,其中所述第二传感器组设置于所述旋转机械的轴端。
21.一种机械故障监测系统,其特征在于,用以实现如方案1至10任一所述的机械故障监测方法,所述监测系统包括布置于机械设备上的传感器以及机械故障监测装置,所述机械故障监测装置如方案11至20任一所述的机械故障监测装置。
22.一种介质,其特征在于,所述介质存储有计算机可执行指令,所述计算机可执行指令用于实现如方案1至10任一所述的机械故障监测方法。
23.一种计算设备,其特征在于,所述计算设备包括处理单元、存储器以及I/O接口;
所述存储器,用于存储所述处理单元执行的程序或指令;
所述处理单元,用于根据所述存储器存储的程序或指令,执行如方案1至10任一所述的机械故障监测方法;
所述I/O接口,用于在所述处理单元的控制下接收或发送数据。
Claims (21)
1.一种机械故障监测方法,其特征在于,包括:
获取机械设备的运转数据集,所述运转数据集中的数据采集自所述机械设备的多个运转阶段;
判断所述运转数据集中不同运转阶段的运转数据是否相似,具体包括:
根据预设方式将运转数据集划分为训练数据集和测试数据集;
采用训练数据集训练得到一分类模型,在训练时,调整分类模型结构或参数以使分类模型的分类性能降低;
通过训练后的分类模型对测试数据集中不同运转阶段的运转数据进行分类;
根据分类结果判断不同运转阶段的运转数据是否相似;
若是,则确定所述机械设备不存在故障;
若否,则确定所述机械设备存在故障。
2.如权利要求1所述的监测方法,其中,基于分类模型判断所述运转数据集中不同运转阶段的运转数据是否相似。
3.如权利要求1所述的监测方法,其中,根据预设方式将所述运转数据集划分为训练数据集和测试数据集,包括:
将所述运转数据集中同一运转阶段的运转数据按照预设比例分别划分至训练数据集和测试数据集。
4.如权利要求3所述的监测方法,其中,所述训练数据集和测试数据集中同一运转阶段的运转数据,被标注对应的标签。
5.如权利要求4所述的监测方法,其中,根据分类结果判断不同运转阶段的运转数据是否相似,包括:
基于所述分类结果计算分类准确率;
判断所述分类准确率是否小于第一预设门限;
若是,则确定不同运转阶段的运转数据相似;
若否,则确定不同运转阶段的运转数据不相似。
6.如权利要求4所述的监测方法,其中,根据分类结果判断不同运转阶段的运转数据是否相似,包括:
基于所述分类结果计算分类准确率;
判断所述分类准确率是否小于第二预设门限;
若是,则确定不同运转阶段的运转数据相似;
若否,则判断所述分类准确率是否大于第三预设门限;
若是,则确定不同运转阶段的运转数据不相似。
7.如权利要求2至6任一所述的监测方法,其中,所述分类模型为多分类分类器。
8.如权利要求7所述的监测方法,其中,所述机械设备为旋转机械,则所述运转数据集包括对应于多个运转阶段的多组运转数据。
9.如权利要求8所述的监测方法,其中,所述多组运转数据包括所述旋转机械的至少一组径向振动信号和/或至少一组轴向振动信号;
获取机械设备的运转数据集的方法,包括:
通过第一传感器组采集所述至少一组径向振动信号,其中所述第一传感器组设置于所述旋转机械的转子末端轴承位;和/或
通过第二传感器组采集所述至少一组轴向振动信号,其中所述第二传感器组设置于所述旋转机械的轴端。
10.一种机械故障监测装置,其特征在于,用以实现如权利要求1至9任一所述的机械故障监测方法,所述监测装置与布置于机械设备上的传感器相连,所述监测装置包括:
收发模块,被配置为获取所述机械设备的运转数据集,所述运转数据集中的数据采集自所述机械设备的多个运转阶段;
处理模块,被配置为判断所述运转数据集中不同运转阶段的运转数据是否相似,具体包括:
根据预设方式将运转数据集划分为训练数据集和测试数据集;
采用训练数据集训练得到一分类模型,在训练时,调整分类模型结构或参数以使分类模型的分类性能降低;
通过训练后的分类模型对测试数据集中不同运转阶段的运转数据进行分类;
根据分类结果判断不同运转阶段的运转数据是否相似;若是,则确定所述机械设备不存在故障;若否,则确定所述机械设备存在故障。
11.如权利要求10所述的监测装置,其中,所述处理模块具体被配置为,基于分类模型判断所述运转数据集中不同运转阶段的运转数据是否相似。
12.如权利要求10所述的监测装置,其中,所述处理模块在根据预设方式将所述运转数据集划分为训练数据集和测试数据集时,具体被配置为
将所述运转数据集中同一运转阶段的运转数据按照预设比例分别划分至训练数据集和测试数据集。
13.如权利要求12所述的监测装置,其中,所述训练数据集和测试数据集中同一运转阶段的运转数据,被标注对应的标签。
14.如权利要求13所述的监测装置,其中,所述处理模块在根据分类结果判断不同运转阶段的运转数据是否相似时,具体被配置为
基于所述分类结果计算分类准确率;
判断所述分类准确率是否小于第一预设门限;
若是,则确定不同运转阶段的运转数据相似;
若否,则确定不同运转阶段的运转数据不相似。
15.如权利要求13所述的监测装置,其中,所述处理模块在根据分类结果判断不同运转阶段的运转数据是否相似时,具体被配置为
基于所述分类结果计算分类准确率;
判断所述分类准确率是否小于第二预设门限;
若是,则确定不同运转阶段的运转数据相似;
若否,则判断所述分类准确率是否大于第三预设门限;
若是,则确定不同运转阶段的运转数据不相似。
16.如权利要求11至15任一所述的监测装置,其中,所述分类模型为多分类分类器。
17.如权利要求16所述的监测装置,其中,所述机械设备为旋转机械,所述运转数据集包括对应于多个运转阶段的多组运转数据,所述传感器与所述旋转机械的转动组件相连。
18.如权利要求17所述的监测装置,其中,所述多组运转数据包括所述旋转机械的至少一组径向振动信号和/或至少一组轴向振动信号;
所述收发模块,具体被配置为
通过第一传感器组采集所述至少一组径向振动信号,其中所述第一传感器组设置于所述旋转机械的转子末端轴承位;和/或
通过第二传感器组采集所述至少一组轴向振动信号,其中所述第二传感器组设置于所述旋转机械的轴端。
19.一种机械故障监测系统,其特征在于,用以实现如权利要求1至9任一所述的机械故障监测方法,所述监测系统包括布置于机械设备上的传感器以及机械故障监测装置,所述机械故障监测装置如权利要求10至18任一所述的机械故障监测装置。
20.一种介质,其特征在于,所述介质存储有计算机可执行指令,所述计算机可执行指令用于实现如权利要求1至9任一所述的机械故障监测方法。
21.一种计算设备,其特征在于,所述计算设备包括处理单元、存储器以及I/O接口;
所述存储器,用于存储所述处理单元执行的程序或指令;
所述处理单元,用于根据所述存储器存储的程序或指令,执行如权利要求1至9任一所述的机械故障监测方法;
所述I/O接口,用于在所述处理单元的控制下接收或发送数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911137072.XA CN110836786B (zh) | 2019-11-19 | 2019-11-19 | 机械故障监测方法、装置、系统、介质和计算设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911137072.XA CN110836786B (zh) | 2019-11-19 | 2019-11-19 | 机械故障监测方法、装置、系统、介质和计算设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110836786A CN110836786A (zh) | 2020-02-25 |
CN110836786B true CN110836786B (zh) | 2020-10-23 |
Family
ID=69576666
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911137072.XA Active CN110836786B (zh) | 2019-11-19 | 2019-11-19 | 机械故障监测方法、装置、系统、介质和计算设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110836786B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011027607A1 (ja) * | 2009-09-07 | 2011-03-10 | 株式会社日立製作所 | 異常検知・診断方法、異常検知・診断システム、及び異常検知・診断プログラム |
JP2011057073A (ja) * | 2009-09-09 | 2011-03-24 | Toyota Motor Corp | 動力出力装置およびハイブリッド車並びに下限蓄電割合更新方法 |
CN103217286A (zh) * | 2013-03-23 | 2013-07-24 | 中国水利电力物资有限公司 | 基于故障数据的风电机组传动系统故障识别方法和系统 |
CN104135074A (zh) * | 2014-07-31 | 2014-11-05 | 上海交通大学 | 基于离群点检测的超高压变电站设备温度监测告警方法 |
CN104897403A (zh) * | 2015-06-24 | 2015-09-09 | 北京航空航天大学 | 一种基于排列熵和流形改进动态时间规整的自适应故障诊断方法 |
CN105134619A (zh) * | 2015-09-28 | 2015-12-09 | 北京航空航天大学 | 一种基于小波能量、流形降维和动态时间规整的故障诊断与健康评估方法 |
CN106404441A (zh) * | 2016-09-22 | 2017-02-15 | 宁波大学 | 一种基于非线性相似度指标的故障分类诊断方法 |
CN106779200A (zh) * | 2016-12-07 | 2017-05-31 | 东北大学 | 基于在历史数据中进行相似搜索的风电机组状态预测方法 |
CN106886213A (zh) * | 2017-03-13 | 2017-06-23 | 北京化工大学 | 一种基于核相似度支持向量数据描述的间歇过程故障检测方法 |
CN108268351A (zh) * | 2016-12-30 | 2018-07-10 | 中国移动通信集团宁夏有限公司 | 一种进程运行状态精确监控方法及系统 |
CN110162746A (zh) * | 2018-03-12 | 2019-08-23 | 华北电力大学(保定) | 一种多参数融合相似度的健康预警及故障诊断方法 |
CN110333995A (zh) * | 2019-07-09 | 2019-10-15 | 英赛克科技(北京)有限公司 | 对工业设备运行状态进行监测的方法及装置 |
-
2019
- 2019-11-19 CN CN201911137072.XA patent/CN110836786B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011027607A1 (ja) * | 2009-09-07 | 2011-03-10 | 株式会社日立製作所 | 異常検知・診断方法、異常検知・診断システム、及び異常検知・診断プログラム |
JP2011057073A (ja) * | 2009-09-09 | 2011-03-24 | Toyota Motor Corp | 動力出力装置およびハイブリッド車並びに下限蓄電割合更新方法 |
CN103217286A (zh) * | 2013-03-23 | 2013-07-24 | 中国水利电力物资有限公司 | 基于故障数据的风电机组传动系统故障识别方法和系统 |
CN104135074A (zh) * | 2014-07-31 | 2014-11-05 | 上海交通大学 | 基于离群点检测的超高压变电站设备温度监测告警方法 |
CN104897403A (zh) * | 2015-06-24 | 2015-09-09 | 北京航空航天大学 | 一种基于排列熵和流形改进动态时间规整的自适应故障诊断方法 |
CN105134619A (zh) * | 2015-09-28 | 2015-12-09 | 北京航空航天大学 | 一种基于小波能量、流形降维和动态时间规整的故障诊断与健康评估方法 |
CN106404441A (zh) * | 2016-09-22 | 2017-02-15 | 宁波大学 | 一种基于非线性相似度指标的故障分类诊断方法 |
CN106779200A (zh) * | 2016-12-07 | 2017-05-31 | 东北大学 | 基于在历史数据中进行相似搜索的风电机组状态预测方法 |
CN108268351A (zh) * | 2016-12-30 | 2018-07-10 | 中国移动通信集团宁夏有限公司 | 一种进程运行状态精确监控方法及系统 |
CN106886213A (zh) * | 2017-03-13 | 2017-06-23 | 北京化工大学 | 一种基于核相似度支持向量数据描述的间歇过程故障检测方法 |
CN110162746A (zh) * | 2018-03-12 | 2019-08-23 | 华北电力大学(保定) | 一种多参数融合相似度的健康预警及故障诊断方法 |
CN110333995A (zh) * | 2019-07-09 | 2019-10-15 | 英赛克科技(北京)有限公司 | 对工业设备运行状态进行监测的方法及装置 |
Non-Patent Citations (1)
Title |
---|
基于SCADA运行数据的风电机组塔架振动建模与监测;郭鹏 等;《中国电机工程学报》;20130215;第33卷(第5期);第129页左栏最后1段-第133页左栏第6段 * |
Also Published As
Publication number | Publication date |
---|---|
CN110836786A (zh) | 2020-02-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3221579B1 (en) | Wind turbine condition monitoring method and system | |
JP6450858B2 (ja) | 設備管理装置および方法 | |
EP2644889B1 (en) | Detecting a wake situation in a wind farm | |
US10481046B2 (en) | Management system, management device, spindle failure detection method using management device, and non-transitory computer readable medium encoded with computer program | |
JP7249254B2 (ja) | 工場ロボットの状態ベースメンテナンスのための運動非感知性特徴 | |
EP2950177A1 (en) | Asset condition monitoring | |
CN108181105B (zh) | 基于逻辑回归和j散度的滚动轴承故障预诊方法及系统 | |
WO2016086360A1 (en) | Wind farm condition monitoring method and system | |
CN109655200B (zh) | 一种风力发电机组风轮不平衡的诊断方法及系统 | |
CN111191838B (zh) | 一种集成人工智能算法的工业设备状态管控方法和装置 | |
CN115935243B (zh) | 一种基于数据处理的故障分析方法 | |
CN109141625B (zh) | 一种滚珠丝杠副的在线状态监测方法 | |
CN115828170A (zh) | 一种基于掘进机电控数据的故障检测方法 | |
CN112711850A (zh) | 一种基于大数据的机组在线监测方法 | |
Hiruta et al. | Unsupervised learning based diagnosis model for anomaly detection of motor bearing with current data | |
KR20210006832A (ko) | 기계고장 진단 방법 및 장치 | |
CN110334562B (zh) | 轴承振动运行状态预测模型训练方法及预测方法、装置 | |
CN109990803B (zh) | 检测系统异常的方法、装置及传感器处理的方法、装置 | |
CN110836786B (zh) | 机械故障监测方法、装置、系统、介质和计算设备 | |
US20220187787A1 (en) | Method for determining a property of a machine, in particular a machine tool, without metrologically capturing the property | |
CN117113200A (zh) | 转子故障诊断方法、装置、电子设备及介质 | |
JP2020166407A (ja) | モデル生成装置、異常発生予測装置、異常発生予測モデルの生成方法及び異常発生予測方法 | |
US11168669B2 (en) | Method, apparatus and system for wind converter management | |
CN112621381B (zh) | 机床进给系统健康状态智能评估方法及装置 | |
Torikka et al. | Predictive Maintenance Service Powered by Machine Learning and Big Data |
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 |