CN110864776A - 称重设备预测性维护算法以及称重设备预测性维护方法 - Google Patents
称重设备预测性维护算法以及称重设备预测性维护方法 Download PDFInfo
- Publication number
- CN110864776A CN110864776A CN201911152021.4A CN201911152021A CN110864776A CN 110864776 A CN110864776 A CN 110864776A CN 201911152021 A CN201911152021 A CN 201911152021A CN 110864776 A CN110864776 A CN 110864776A
- Authority
- CN
- China
- Prior art keywords
- data
- predictive maintenance
- weighing
- equipment
- weighing apparatus
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01G—WEIGHING
- G01G11/00—Apparatus for weighing a continuous stream of material during flow; Conveyor belt weighers
-
- 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
- G01—MEASURING; TESTING
- G01G—WEIGHING
- G01G11/00—Apparatus for weighing a continuous stream of material during flow; Conveyor belt weighers
- G01G11/003—Details; specially adapted accessories
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于自动化设备预测维护技术领域,具体涉及一种称重设备预测性维护算法以及称重设备预测性维护方法,其中,称重设备预测性维护算法包括:获取数据;根据数据和历史数据建立相应向量;根据相应向量构建预测性维护模型,并获取预测性维护模型的解;以及根据预测性维护模型的解预测称重设备是否需要维护,实现了称重设备故障的监测与准确预警。
Description
技术领域
本发明属于自动化设备预测维护技术领域,具体涉及一种称重设备预测性维护算法以及称重设备预测性维护方法。
背景技术
自动化皮带秤称重设备是一种以皮带输送机为依托的计量设备,在不中断物料流动的情况下可测出皮带输送机上散状固体物料的瞬时流量和累积流量。其特点是称量过程是连续和自动进行的,通常不需要进行干预就可完成称重的操作。
目前针对皮带秤称重设备的信息管理系统很少,在皮带秤的使用过程中,人为确定故障的方式依旧是主流,存在着故障发现不及时,精度误差导致的贸易损失长期存在等问题。某些严重情况如果皮带秤称重设备发生较大故障不能工作,会影响生产及工作进度,甚至发生事故,直接威胁到人员和设备的安全。
因此基于上述技术问题,需要设计一种新的称重设备预测性维护算法以及称重设备预测性维护方法。
发明内容
本发明的目的是提供一种称重设备预测性维护算法以及称重设备预测性维护方法。
为了解决上述技术问题,本发明提供了一种称重设备预测性维护算法,包括:
获取数据;
根据数据和历史数据建立相应向量;
根据相应向量构建预测性维护模型,并获取预测性维护模型的解;以及
根据预测性维护模型的解预测称重设备是否需要维护。
进一步,所述获取数据的方法包括:获取张力、湿度、振动数据和设备累计使用时间,并且根据张力获取单位重量的张力变化,以及根据振动数据获取设定频率的振动强度;
所述数据包括:单位重量的张力变化、设定频率的振动强度、湿度和设备累计使用时间。
进一步,所述根据数据和历史数据建立相应向量的方法包括:建立数据向量和系数向量;
所述数据向量为:x=(x(1),x(2),x(3),x(4));
其中,x(1)为单位重量的张力变化;x(2)为设定频率的振动强度;x(3)为湿度;x(4)为设备累计使用时间;
所述历史数据包括:历史单位重量的张力变化、设定频率的振动强度、湿度和设备累计使用时间;
根据历史数据获取单位重量的张力变化系数、设定频率的振动强度系数、湿度系数和设备累计使用时间系数;
所述系数向量为:w=(w(1),w(2),w(3),w(4));
其中,w(1)为单位重量的张力变化系数;w(2)为设定频率的振动强度系数;w(3)为湿度系数;w(4)为设备累计使用时间系数。
进一步,所述根据相应向量构建预测性维护模型,并获取预测性维护模型的解的方法包括:
s.t.yi(w·xi+b)≥1-ξi;
ξi≥0 i=1,2,......,N;
其中,C为惩罚系数;xi为第i个训练数据的数据向量;yi为xi的类标记,当yi为-1时表示称重设备故障,当yi为1时表示称重设备正常;N为训练数据数目;ξ为松弛变量;ξi为第i个训练数据的松弛变量;b为偏置;
则预测性维护模型的解为:W*和b*;
α=(α1,α2,α3,......αN,)T;
其中,Tp为振动和湿度采样时信号采样的时间间隔;X0为出厂时的称重设备的数据向量;W*为系数向量的解;b*为偏置的解;Xc为当前称重设备的数据向量;α为拉格朗日乘子向量集合;α*为对偶问题的解的集合,αN *为对偶问题的解的第N个元素;αN为拉格朗日乘子向量的第N个元素;Tw为专家给出的标定数据点条件下,对振动数据采样的时间间隔;T为转置。
进一步,所述根据预测性维护模型的解预测称重设备是否需要维护的方法包括:
获取维护迫切度指数,即
其中,p为维护迫切度指数,并且p>0;
当p越大时,称重设备越需要维护。
进一步,所述根据预测性维护模型的解预测称重设备是否需要维护的方法还包括:
获取预警阈值,即
其中,S为预警阈值;γ为预警阈值系数。
进一步,所述根据预测性维护模型的解预测称重设备是否需要维护的方法还包括:
预测称重设备是否需要维护,即
当W*xc+b*<S时判断称重设备需要维护。
另一方面,本发明还提供一种自动化皮带秤称重设备预测性维护方法,包括:
采集数据并发送至服务器;
服务器根据数据预测称重设备是否需要维护,并发出预警;
当称重设备预警时,若称重设备继续运行,则称重设备日最大工作时间为:
其中,Tn为出厂时建议称重设备日最大工作时间。
进一步,所述服务器适于采用上述称重设备预测性维护算法实现预测称重设备是否需要维护。
进一步,所述采集数据并发送至服务器的方法包括:
通过张力传感器节点检测称重设备的张力并发送至服务器;
通过振动传感器节点检测称重设备的振动数据并发送至服务器;
通过湿度传感器节点检测称重设备的湿度并发送至服务器;以及
服务器通过维护和称重设备使用时的记录数据获取设备累计使用时间。
本发明的有益效果是,本发明通过获取数据;根据数据和历史数据建立相应向量;根据相应向量构建预测性维护模型,并获取预测性维护模型的解;以及根据预测性维护模型的解预测称重设备是否需要维护,实现了称重设备故障的监测与准确预警。
本发明的其他特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明所涉及的称重设备预测性维护算法的流程图;
图2是本发明所涉及的自动化皮带秤称重设备预测性维护方法的流程图;
图3是本发明服务器的原理框图;
图4是本发明中各节点与服务器的原理框图;
图5是本发明中张力传感器节点的原理框图;
图6是本发明中张力传感器节点中差分放大电路图;
图7是本发明中振动传感器节点的原理框图;
图8是本发明中振动传感器节点中滤波器电路图;
图9是本发明中振动传感器节点中AD转换模块电路图;
图10是本发明中湿度传感器节点的原理框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1
图1是本发明所涉及的称重设备预测性维护算法的流程图。
如图1所示,本实施例1提供了一种称重设备预测性维护算法,包括:获取数据;根据数据和历史数据建立相应向量;根据相应向量构建预测性维护模型,并获取预测性维护模型的解;以及根据预测性维护模型的解预测称重设备是否需要维护,解决了目前自动化皮带秤称重设备(即称重设备)故障不易监测、无法提前预警的问题,实现了对自动化皮带秤称重设备进行准确预测性维护,给出提前预警,避免了认为确定故障。
在本实施例中,所述获取数据的方法包括:获取张力、湿度、振动数据和设备累计使用时间,并且根据张力获取单位重量的张力变化,以及根据振动数据获取设定频率的振动强度;所述数据包括:单位重量的张力变化、设定频率的振动强度、湿度和设备累计使用时间;所述设备累计使用时间为自上次维护至目前设备(自动化皮带秤称重设备)的累积使用时间,由维护和设备使用时的记录数据可计算得到。
在本实施例中,所述根据数据和历史数据建立相应向量的方法包括:建立数据向量和系数向量;
所述数据向量为:x=(x(1),x(2),x(3),x(4));
其中,x(1)为单位重量的张力变化;x(2)为设定频率的振动强度;x(3)为湿度;x(4)为设备累计使用时间;
所述历史数据包括:历史单位重量的张力变化、设定频率的振动强度、湿度和设备累计使用时间;根据历史数据获取单位重量的张力变化系数、设定频率的振动强度系数、湿度系数和设备累计使用时间系数(根据单位重量的张力变化、设定频率的振动强度、湿度、设备累计使用时间的相应历史数据情况下,可得出关于单位重量的张力变化、设定频率的振动强度、湿度、设备累计使用时间与设备工作状态关系的回归系数,该回归系数即为单位重量的张力变化系数、设定频率的振动强度系数、湿度系数和设备累计使用时间系数);所述系数向量为:w=(w(1),w(2),w(3),w(4));其中,w(1)为单位重量的张力变化系数;w(2)为设定频率的振动强度系数;w(3)为湿度系数;w(4)为设备累计使用时间系数。
在本实施例中,所述根据相应向量构建预测性维护模型,并获取预测性维护模型的解的方法包括:
将求几何间隔最大的分类超平面问题可以表示为约束最优化问题;
s.t.yi(w·xi+b)≥1-ξi;
ξi≥0 i=1,2,......,N;
其中,C为惩罚系数(惩罚系数可以为0.6和0.45等,当惩罚系数为0.45时效果最好);xi为第i个训练数据的数据向量;yi为xi的类标记,当yi为-1时表示称重设备故障,当yi为1时表示称重设备正常;N为训练数据数目;ξ为松弛变量;ξi为第i个训练数据的松弛变量;b为偏置;
则预测性维护模型的解为:W*和b*;
将原始问题转化为对偶问题,求对偶问题的最优解可得:
α=(α1,α2,α3,......αN,)T;
其中,Tp为振动和湿度采样时信号采样的时间间隔;X0为出厂时的称重设备的数据向量;W*为系数向量的解;b*为偏置的解;Xc为当前称重设备的数据向量;α为拉格朗日乘子向量集合;α*为对偶问题的解的集合,αN *为对偶问题的解的第N个元素;αN为拉格朗日乘子向量的第N个元素;T为转置;Tw为专家给出的标定数据点条件下,对振动数据采样的时间间隔。
在本实施例中,所述根据预测性维护模型的解预测称重设备是否需要维护的方法包括:
获取维护迫切度指数,即
其中,p为维护迫切度指数,并且p>0,正常情况在1左右;
当p越大时,称重设备越需要维护;p越小,表示称重设备越健康。
在本实施例中,所述根据预测性维护模型的解预测称重设备是否需要维护的方法还包括:
获取预警阈值,即
其中,S为预警阈值;γ为预警阈值系数;当γ为0.25时有效地在避免虚报和避免漏报之间进行了折衷。
在本实施例中,所述根据预测性维护模型的解预测称重设备是否需要维护的方法包括:
预测称重设备是否需要维护,即
当W*xc+b*<S时判断称重设备需要维护,并发出预警,可以更加准确及时的对称重设备是否需要维护进行预测;
当称重设备预警时,若称重设备继续运行(如果因为称重任务紧急必须要进行称重),则称重设备的日最大工作时间为:
其中,e为自然常数;Tn为出厂时建议称重设备日最大工作时间;维护迫切度指数、预警阈值、日最大工作时间等参数都可以登录服务器进行查看或设置。
实施例2
图2是本发明所涉及的自动化皮带秤称重设备预测性维护方法的流程图。
如图2所示,在实施例1的基础上,本实施例2还提供一种自动化皮带秤称重设备预测性维护方法,包括:采集数据并发送至服务器;服务器根据数据预测称重设备(自动化皮带秤称重设备)是否需要维护,实现了对自动化皮带秤称重设备进行预测性维护,给出提前预警。
图3是本发明服务器的原理框图。
如图3所示,所述服务器包括存储器、处理器及通信模块。所述存储器、处理器以及通信模块各元件相互之间直接或间接地电性连接,以实现数据的传输或交互。例如,这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。
其中,存储器用于存储程序或者数据。所述存储器可以是,但不限于,随机存取存储器(Random Access Memory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(Programmable Read-Only Memory,PROM),可擦除只读存储器(ErasableProgrammable Read-Only Memory,EPROM),电可擦除只读存储器(Electric ErasableProgrammable Read-Only Memory,EEPROM)等。
处理器用于读/写存储器中存储的数据或程序,并执行相应地功能。
通信模块用于通过所述网络建立所述服务器与其它通信终端之间的通信连接,并用于通过所述网络收发数据。
应当理解的是,图3所示的结构仅为服务器的结构示意图,所述服务器还可包括比图3中所示更多或者更少的组件,或者具有与图3所示不同的配置。
图3中所示的各组件可以采用硬件、软件或其组合实现。
在本实施例中,所述服务器适于采用实施例1所述的称重设备预测性维护算法实现预测称重设备是否需要维护。
图4是本发明中各节点与服务器的原理框图;
图5是本发明中张力传感器节点的原理框图;
图6是本发明中张力传感器节点中差分放大电路图;
图7是本发明中振动传感器节点的原理框图;
图8是本发明中振动传感器节点中滤波器电路图;
图9是本发明中振动传感器节点中AD转换模块电路图;
图10是本发明中湿度传感器节点的原理框图。
如图4到图10所示,在本实施例中,所述采集数据并发送至服务器的方法包括:所述采集数据并发送至服务器的方法包括:
通过张力传感器节点检测称重设备的张力并发送至服务器,即所述张力传感器节点包括:张力传感器、差分放大电路、微处理器和通信单元;张力传感器检测的张力信号通过差分放大电路放大后输入微处理器,并且微处理器通过通信单元将张力信号发送至服务器;如图6所示,所述差分放大电路由三个运算放大器组成,J7、J8分别连接张力传感器的两个信号输出端,PF0端将放大后的信号输入微处理器,并且通过调节电位器R16可以改变放大倍率的大小;所述微处理器可以但不限于采用cc2530;所述差分放大电路的三个运算放大器可以采用OP496中的三个运算放大器;所述张力传感器可以但不限于采用张力测量传感器R253;所述通信单元可以但不限于采用Zigbee模块;服务器根据张力获取单位重量的张力变化;
通过振动传感器节点检测称重设备的振动数据并发送至服务器,即所述振动传感器节点包括:恒流源、振动传感器(可以但不限于采用ICP压力加速度传感器)、可编程增益放大器电路、滤波器电路(可以但不限于采用MAX274有源滤波器)、AD转换模块电路(振动信号数据采集需要选择采样速率相对比较高的AD来满足正常采集机械振动信号的需求,同时必须具有很高的分辨率来解决数据的精度问题,因此AD转换模块电路可以但不限于采用TI公司生产的高性能、低功耗的ADS8344)、第一微处理器(可以但不限于采用Cortex-M内核的ARM处理器STM32)、第二微处理器(可以但不限于采用TI公司的具有高性能低功耗芯片cc2530)、存储模块(可以但不限于采用SD卡)和通信单元(可以但不限于采用Zigbee模块);实现对机械振动信号的采集并将采集的信号通过通信单元传输给服务器分析处理,最终由服务器进行FFT处理得到设定频率的振动强度;振动信号在经过可编程增益放大器电路的放大后容易让数据产生混叠失真,因此要在可编程增益放大器电路的后面添加一个可以把数据里面的噪声进行适当消除的滤波器电路,防止数据传输到AD转换模块电路时产生失真;如图7所示,恒流源与ICP压力加速度传感器连接,ICP压力加速度传感器检测振动信号在经过可编程增益放大器电路(可编程增益放大器电路与第一微处理器连接,由第一微处理器连接进行调控)的放大后输入滤波器电路进行消除噪声,消除噪声的信号输入AD转换模块电路后输入第一微处理器,第一微处理器通过存储模块存储经过AD转换模块电路转换后的信号,并且第一微处理器将AD转换模块电路转换后的信号发送至第二微处理器,由第二微处理器通过通信单元发送至服务器;如图8和图9所示,可编程增益放大器电路输出的信号通过MAX274有源滤波器的2号端口输入,并通过24号端口输出至ADS8344的2号端口;
通过湿度传感器节点检测称重设备的湿度并发送至服务器,即所述湿度传感器节点包括:湿度传感器(可以但不限于采用HM1500传感器)、调理电路、微处理器(可以但不限于采用cc2530)和通信单元(可以但不限于采用Zigbee模块);如图10所示,自动化皮带秤称重设备工作环境湿度被湿度传感器转换成微弱的模拟电压信号,经调理电路处理后接到微处理器的ADC进行数字化处理,最后经通信单元发送到服务器;
服务器通过维护和称重设备使用时的记录数据获取设备累计使用时间。
在本实施例中,设备(自动化皮带秤称重设备)工作状态由对已知标准重量的物件称重比较得到,超出设定的误差范围为故障;设备累计使用时间为自上次维护至目前设备的累积使用时间;以上两类数据可以但不限于由工作人员手工录入到服务器。
在本实施例中,在各节点与服务器之间还可以设置一个网关,由网关接受各节点发送的张力、湿度和振动数据,再由网关发送至服务器;当各节点的通信模块采用Zigbee模块时,该网关可以采用Zigbee网关;通过网关可以使数据传输更加便捷。
综上所述,本发明通过获取数据;根据数据和历史数据建立相应向量;根据相应向量构建预测性维护模型,并获取预测性维护模型的解;以及根据预测性维护模型的解预测称重设备是否需要维护,实现了称重设备故障的监测与准确预警。
在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能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,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,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案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设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、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。
以上述依据本发明的理想实施例为启示,通过上述的说明内容,相关工作人员完全可以在不偏离本项发明技术思想的范围内,进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容,必须要根据权利要求范围来确定其技术性范围。
Claims (10)
1.一种称重设备预测性维护算法,其特征在于,包括:
获取数据;
根据数据和历史数据建立相应向量;
根据相应向量构建预测性维护模型,并获取预测性维护模型的解;以及
根据预测性维护模型的解预测称重设备是否需要维护。
2.如权利要求1所述的称重设备预测性维护算法,其特征在于,
所述获取数据的方法包括:获取张力、湿度、振动数据和设备累计使用时间,并且根据张力获取单位重量的张力变化,以及根据振动数据获取设定频率的振动强度;
所述数据包括:单位重量的张力变化、设定频率的振动强度、湿度和设备累计使用时间。
3.如权利要求2所述的称重设备预测性维护算法,其特征在于,
所述根据数据和历史数据建立相应向量的方法包括:建立数据向量和系数向量;
所述数据向量为:x=(x(1),x(2),x(3),x(4));
其中,x(1)为单位重量的张力变化;x(2)为设定频率的振动强度;x(3)为湿度;x(4)为设备累计使用时间;
所述历史数据包括:历史单位重量的张力变化、设定频率的振动强度、湿度和设备累计使用时间;
根据历史数据获取单位重量的张力变化系数、设定频率的振动强度系数、湿度系数和设备累计使用时间系数;
所述系数向量为:w=(w(1),w(2),w(3),w(4));
其中,w(1)为单位重量的张力变化系数;w(2)为设定频率的振动强度系数;w(3)为湿度系数;w(4)为设备累计使用时间系数。
4.如权利要求3所述的称重设备预测性维护算法,其特征在于,
所述根据相应向量构建预测性维护模型,并获取预测性维护模型的解的方法包括:
s.t.yi(w·xi+b)≥1-ξi;
ξi≥0 i=1,2,......,N;
其中,C为惩罚系数;xi为第i个训练数据的数据向量;yi为xi的类标记,当yi为-1时表示称重设备故障,当yi为1时表示称重设备正常;N为训练数据数目;ξ为松弛变量;ξi为第i个训练数据的松弛变量;b为偏置;
则预测性维护模型的解为:W*和b*;
α=(α1,α2,α3,......αN,)T;
其中,Tp为振动和湿度采样时信号采样的时间间隔;X0为出厂时的称重设备的数据向量;W*为系数向量的解;b*为偏置的解;Xc为当前称重设备的数据向量;α为拉格朗日乘子向量集合;α*为对偶问题的解的集合,αN *为对偶问题的解的第N个元素;αN为拉格朗日乘子向量的第N个元素;T为转置;Tw为专家给出的标定数据点条件下,对振动数据采样的时间间隔。
8.一种自动化皮带秤称重设备预测性维护方法,其特征在于,包括:
采集数据并发送至服务器;
服务器根据数据预测称重设备是否需要维护。
9.如权利要求8所述的自动化皮带秤称重设备预测性维护方法,其特征在于,
所述服务器适于采用权利要求1-7任一项所述的称重设备预测性维护算法实现预测称重设备是否需要维护。
10.如权利要求8所述的自动化皮带秤称重设备预测性维护方法,其特征在于,
所述采集数据并发送至服务器的方法包括:
通过张力传感器节点检测称重设备的张力并发送至服务器;
通过振动传感器节点检测称重设备的振动数据并发送至服务器;
通过湿度传感器节点检测称重设备的湿度并发送至服务器;以及
服务器通过维护和称重设备使用时的记录数据获取设备累计使用时间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911152021.4A CN110864776B (zh) | 2019-11-22 | 2019-11-22 | 称重设备预测性维护算法以及称重设备预测性维护方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911152021.4A CN110864776B (zh) | 2019-11-22 | 2019-11-22 | 称重设备预测性维护算法以及称重设备预测性维护方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110864776A true CN110864776A (zh) | 2020-03-06 |
CN110864776B CN110864776B (zh) | 2021-08-20 |
Family
ID=69655146
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911152021.4A Active CN110864776B (zh) | 2019-11-22 | 2019-11-22 | 称重设备预测性维护算法以及称重设备预测性维护方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110864776B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112763037A (zh) * | 2020-12-30 | 2021-05-07 | 北京万集科技股份有限公司 | 称重设备监测系统及其监测方法 |
CN113959549A (zh) * | 2021-09-16 | 2022-01-21 | 三一汽车制造有限公司 | 称重数据处理方法、装置及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050264410A1 (en) * | 2001-06-18 | 2005-12-01 | Kroll William P | Telemetry technology for measurement devices |
CN106241270A (zh) * | 2016-08-25 | 2016-12-21 | 太原理工大学 | 一种带式输送机监控及寿命管理系统 |
CN207351540U (zh) * | 2018-01-24 | 2018-05-11 | 淮北市思苑科技有限公司 | 皮带秤远程计量监控终端 |
CN109214544A (zh) * | 2018-06-28 | 2019-01-15 | 广东工业大学 | 寿命预测及维护决策方法和装置、以及存储介质、计算机 |
CN109255440A (zh) * | 2017-07-11 | 2019-01-22 | 上海有孚网络股份有限公司 | 基于递归神经网络(rnn)的对电力生产设备进行预测性维护的方法 |
CN110378045A (zh) * | 2019-07-24 | 2019-10-25 | 湘潭大学 | 一种基于深度学习的导轨精度预维护方法 |
-
2019
- 2019-11-22 CN CN201911152021.4A patent/CN110864776B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050264410A1 (en) * | 2001-06-18 | 2005-12-01 | Kroll William P | Telemetry technology for measurement devices |
CN106241270A (zh) * | 2016-08-25 | 2016-12-21 | 太原理工大学 | 一种带式输送机监控及寿命管理系统 |
CN109255440A (zh) * | 2017-07-11 | 2019-01-22 | 上海有孚网络股份有限公司 | 基于递归神经网络(rnn)的对电力生产设备进行预测性维护的方法 |
CN207351540U (zh) * | 2018-01-24 | 2018-05-11 | 淮北市思苑科技有限公司 | 皮带秤远程计量监控终端 |
CN109214544A (zh) * | 2018-06-28 | 2019-01-15 | 广东工业大学 | 寿命预测及维护决策方法和装置、以及存储介质、计算机 |
CN110378045A (zh) * | 2019-07-24 | 2019-10-25 | 湘潭大学 | 一种基于深度学习的导轨精度预维护方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112763037A (zh) * | 2020-12-30 | 2021-05-07 | 北京万集科技股份有限公司 | 称重设备监测系统及其监测方法 |
CN113959549A (zh) * | 2021-09-16 | 2022-01-21 | 三一汽车制造有限公司 | 称重数据处理方法、装置及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110864776B (zh) | 2021-08-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11846581B2 (en) | Instrument networking for optical particle counters | |
CN110864775B (zh) | 自动化皮带秤称重设备预测性维护系统 | |
CN112101662A (zh) | 设备健康状况和生命周期检测方法、存储介质及电子设备 | |
CN110864776B (zh) | 称重设备预测性维护算法以及称重设备预测性维护方法 | |
CN110864795B (zh) | 一种称重异常报警系统 | |
CN109916496A (zh) | 一种电子秤的监测方法及系统 | |
EP3309682B1 (en) | Data collection system and method, and method for reducing the quantity of measurement data | |
CN113687609A (zh) | 应用于异常环境下的物联网智能监测系统及监测方法 | |
CN112199410A (zh) | 一种基于物联网的桥梁健康监测系统 | |
EP1411326A1 (en) | Signal recorder with status recognizing function | |
US20180053400A1 (en) | Method and Apparatus For Determination Of Sensor Health | |
KR101876185B1 (ko) | 조기경보시스템에서 외부 영향을 고려한 최신 데이터 학습 방법 및 그 시스템 | |
US20200363245A1 (en) | Method of operating and of predictive monitoring of a field device | |
EP4068027A1 (en) | Health assessment of a mechanical system | |
KR101829137B1 (ko) | 기기 중요도와 경보 유효성 판단을 포함한 기기 이상징후 조기경보 방법 및 시스템 | |
US20210333146A1 (en) | Remote monitoring of vehicle scale for failure prediction | |
US20090107212A1 (en) | Process field instrument with integrated sensor unit and related system and method | |
KR20170034673A (ko) | 센서 데이터 기록·감시·경보 시스템 | |
EP3955707A1 (en) | Method and system for predicting a failure probability of a component of an x-ray system | |
CN117811940B (zh) | 一种基于数据分析的印控仪运行网络质量检测评估系统 | |
JPH102823A (ja) | 差圧測定装置 | |
CN117291316B (zh) | 基于激光扫描仪的卸船机用船舱定位系统 | |
CN110006514A (zh) | 一种皮带秤在线运行状态实时监测系统和方法 | |
CN116878728B (zh) | 一种压力传感器故障检测分析处理系统 | |
CN117516688B (zh) | 电子秤实时防作弊方法、装置、电子秤及存储介质 |
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 |