CN111160652B - 一种基于知识感知的设备异常状态综合判断及运维方法 - Google Patents

一种基于知识感知的设备异常状态综合判断及运维方法 Download PDF

Info

Publication number
CN111160652B
CN111160652B CN201911405494.0A CN201911405494A CN111160652B CN 111160652 B CN111160652 B CN 111160652B CN 201911405494 A CN201911405494 A CN 201911405494A CN 111160652 B CN111160652 B CN 111160652B
Authority
CN
China
Prior art keywords
equipment
data
state
time sequence
sequence characteristic
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
Application number
CN201911405494.0A
Other languages
English (en)
Other versions
CN111160652A (zh
Inventor
赵波
潘伟
李晓乐
俞康
方平
陈博
杨雨亮
钱自根
胡小东
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Anhui Conch Information Technology Engineering Co Ltd
Original Assignee
Anhui Conch Information Technology Engineering Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Anhui Conch Information Technology Engineering Co Ltd filed Critical Anhui Conch Information Technology Engineering Co Ltd
Priority to CN201911405494.0A priority Critical patent/CN111160652B/zh
Publication of CN111160652A publication Critical patent/CN111160652A/zh
Application granted granted Critical
Publication of CN111160652B publication Critical patent/CN111160652B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/20—Administration of product repair or maintenance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C3/00—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles
    • G07C3/005—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles during manufacturing process
    • 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
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Manufacturing & Machinery (AREA)
  • Evolutionary Biology (AREA)
  • Operations Research (AREA)
  • Computational Linguistics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Quality & Reliability (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Development Economics (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Game Theory and Decision Science (AREA)
  • Primary Health Care (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明公开了一种基于知识感知的设备异常状态综合判断及运维方法，包括S1、采集动态设备的负荷和能耗数据训练后得到第一模型，所述第一模型根据负荷和能耗数据判断设备的运行状态；S2、在生产过程中采集动态设备的各种参数数据并输入相应的运行状态，所述参数数据包括负荷、能耗、检测参数和噪声的数据；S3、对参数数据进行分析后将分析结果与故障类别和运行状态相互关联建立设备的运维知识库；S4、采集参数数据通过第一模型分析设备运行状态后，对参数数据处理为时序特征数据后与运维知识库中的数据进行匹配分析实现故障预测和诊断。本发明能提高非稳态运行状态下动态设备的故障预测和诊断的准确性和可靠性。

Description

一种基于知识感知的设备异常状态综合判断及运维方法
技术领域
本发明涉及一种基于知识感知的设备异常状态综合判断及运维方法。
背景技术
工厂运行效率高低和设备运转效率有很大的关系，设备故障会造成维护成本的提高并打断生产过程，有时生产线停产还会造成产品批量报废，因此能对设备状态实时监测并预测设备是否会发生异常故障，并诊断故障种类对于保障生产连续性，提高设备维护效率，减少设备故障造成的损失等方面具有重要意义。现在虽然已经出现通过在线检测设备各项参数，再通过卷积神经网络训练生成模型，以实现通过参数和模型预测设备设备预测诊断的方法，但是对于动态设备而言，由于在开机启动、生产和设备停止等多个状态下设备的运行情况会导致检测的参数数据不同，因此现有预测诊断方式的可靠性不足，在非稳态运行过程中出现的故障常常无法准确预测和诊断，导致设备在此过程中故障易发，且无法及时处理，造成生产损失。
发明内容
本发明的目的在于提供一种基于知识感知的设备异常状态综合判断及运维方法，以解决现有技术无法对动态设备在非稳态运行过程中产生的故障或故障预兆及时预测诊断的问题。
所述的基于知识感知的设备异常状态综合判断及运维方法，包括下列步骤：
S1、采集动态设备的负荷和能耗数据形成训练数据集，通过基于卷积神经网络的训练得到第一模型，所述第一模型根据输入的负荷和能耗数据输出所述动态设备的运行状态；
S2、在生产过程中采集动态设备的各种参数数据并输入相应的运行状态，所述参数数据包括负荷、能耗、检测参数和噪声的数据；
S3、对参数数据进行分析后将分析结果与故障类别和运行状态相互关联建立设备的运维知识库；
S4、采集参数数据通过第一模型分析设备运行状态后，对参数数据处理为时序特征数据后与运维知识库中的数据进行匹配分析实现故障预测和诊断。
优选的，所述分析方式包括：
S3.1、通过特征提取算法从参数数据中提取出对应的时序特征数据，将时序特征数据关联到运行状态；
S3.2、在采集到设备多次故障下的时序特征数据后，根据运行状态对时序特征数据进行分类，并对相同运行状态下时序特征数据进行聚类分析，将同类故障下相似度较高的时序特征数据划分为相应的类簇；
S3.3、对类簇中的多种时序特征数据进行动态因子分析以得到其中各个时序特征数据及各种时序特征数据变化趋势与故障发生之间的关联性。
优选的，根据周期内动态设备在不同运行状态下负荷和能耗变化的差异划分运行状态，并通过采集的数据判断各个运行状态之间转换的临界时间点，采集到的负荷数据为瞬时负荷值g，采集到的能耗数据为瞬时能耗值q，将负荷和能耗数据结合相应周期的时间时序化后作为输入值训练卷积神经网络，卷积神经网络的输出值为临界时间点的时间，并由此得到动态设备的所处的运行状态。
优选的，设备运行一周期内能耗情况分为4种运行状态，分别为：设备由停机后开始启动到正常运行之间的启动状态，其时间区间定义为[tai,tbi)；设备稳态运行的时间区间定义为[tbi,tci)；设备由稳态结束到停机状态之间的时间区间定义为[tci,tdi)；设备从停止到启动之间的时间区间定义为[tdi,tai)，其中i表示运行的周期数，ai,bi,ci,di代表上述4种状态切换的临界时间点，i代表该状态在统计周期内出现的次数。
优选的，还包括对静态设备进行异常状态判断的方法，通过采集静态设备的参数数据输入卷积神经网络进行训练，从而构建对静态设备进行故障预测和诊断的第二模型，将静态设备的参数数据输入第二模型就能判断相应静态设备的异常状态。
优选的，同一个设备上采集各个参数数据的传感器通过无线网络连接到对应该设备的工控机，所述工控机用于将参数数据提取为时序化特征数据再发送到控制中心，控制中心根据时序化特征数据及其对应的设备进行分析，判断该设备处于的运行状态并与运维知识库的数据进行匹配，从而实现对该设备的故障预测与诊断。
优选的，采用无线振动温度一体式传感器采集设备的振动速度和温度，所述无线振动温度一体式传感器内部设有剪切式压电陶瓷片作为感应端。
本发明具有如下优点：本发明利用不同运行状态下设备的负荷与能耗之间存在差异，从而通过检测相关数据结合神经网络学习技术以实现对设备运行状态的判定，并对参数数据通过时序特征提取以方便分析参数依据时间的变化趋势，再配合聚类分析、动态因子分析得到不同时序特征数据及数据变化趋势与各类故障之间的关联性，建立相应分析结果与故障、运行状态和设备的运维知识库。由此在生产过程中，能通过相应的神经网络模型判定运行状态，再通过对参数数据处理，将生成的时序特征数据与运维知识库中的数据进行匹配分析得到相应的故障预测，由于该方法在建立运维数据库时已经将分析结果与运行状态关联，实际数据采集和判断过程中也通过预先建立的识别模型对设备进行运行状态识别，因此提高了对非稳态运行情况下设备故障进行预测和诊断的可靠性。
附图说明
图1为本发明的流程图。
图2为采用本发明的监测系统的结构图。
具体实施方式
下面对照附图，通过对实施例的描述，对本发明具体实施方式作进一步详细的说明，以帮助本领域的技术人员对本发明的发明构思、技术方案有更完整、准确和深入的理解。
如图1-2所示，本发明提供了一种基于知识感知的设备异常状态综合判断及运维方法，具体包括下列步骤：
S1、采集动态设备的负荷和能耗数据形成训练数据集，通过基于卷积神经网络的训练得到第一模型，所述第一模型根据输入的负荷和能耗数据输出所述动态设备的运行状态。
一般设备运行一周期内能耗情况分为4种运行状态，分别为：设备由停机后开始启动到正常运行之间的启动状态，其时间区间定义为[tai,tbi)；设备稳态运行的时间区间定义为[tbi,tci)；设备由稳态结束到停机状态之间的时间区间定义为[tci,tdi)；设备从停止到启动之间的时间区间定义为[tdi,tai)，其中i表示运行的周期数，ai,bi,ci,di代表上述4种状态切换的临界时间点，i代表该状态在统计周期内出现的次数。
采集到的负荷数据为瞬时负荷值g，采集到的能耗数据为瞬时能耗值q，将负荷和能耗数据结合相应周期的时间时序化后作为输入值训练卷积神经网络，根据周期内动态设备在不同运行状态下负荷和能耗变化的差异划分运行状态，并通过采集的数据判断各个运行状态之间转换的临界时间点，卷积神经网络的输出值为临界时间点ai,bi,ci,di的时间t，并由此得到动态设备的所处的运行状态。
S2、在生产过程中采集动态设备的各种参数数据并输入相应的运行状态，所述参数数据包括负荷、能耗、检测参数和噪声的数据。由于动态设备的故障预测受到时间上数据变化的影响，并且非稳态运行状态下与稳态运行状态下参数的变化趋势也有差异，因此需要将采集的参数数据时序化。
S3、对参数数据进行分析后将分析结果与故障类别和运行状态相互关联建立设备的运维知识库。
本步骤所用的分析方式包括下列步骤：
S3.1、通过特征提取算法从参数数据中提取出对应的时序特征数据，将时序特征数据关联到运行状态；
S3.2、在采集到设备多次故障下的时序特征数据后，根据运行状态对时序特征数据进行分类，并对相同运行状态下时序特征数据进行聚类分析，将同类故障下相似度较高的时序特征数据划分为相应的类簇；
S3.3、对类簇中的多种时序特征数据进行动态因子分析以得到其中各个时序特征数据及各种时序特征数据变化趋势与故障发生之间的关联性。
S4、采集参数数据通过第一模型分析设备运行状态后，对参数数据处理为时序特征数据后与运维知识库中的数据进行匹配分析实现故障预测和诊断。参数数据处理即提取时序化的特征数据以方便对数据按时间发生的变化趋势进行分析，以实现对设备运行状态判断和与运维数据库中的数据进行匹配分析。
为了对完整的生产线各设备进行故障预测和诊断，本方法还包括对静态设备的进行异常状态判断的方法，通过采集静态设备的参数数据输入卷积神经网络进行训练，从而构建对静态设备进行故障预测和诊断的第二模型，将静态设备的参数数据输入第二模型就能判断相应静态设备的异常状态。
采集参数数据的感应器采集噪声、负荷、能耗及其他各种检测参数，其中采用无线振动温度一体式传感器采集设备的振动速度和温度，所述无线振动温度一体式传感器内部设有剪切式压电陶瓷片作为感应端。
而同一个设备上采集各个参数数据的传感器通过无线网络连接到对应该设备的工控机，所述工控机用于将参数数据提取为时序化特征数据再发送到控制中心，控制中心根据时序化特征数据及其对应的设备进行分析，判断该设备处于的运行状态并与运维知识库的数据进行匹配，从而实现对该设备的故障预测与诊断。控制中心的功能包括训练神经网络建构第一模型和第二模型分别进行动态设备运行状态和静态设备故障情况的分析判断，还包括对时序特征数据的处理分析，建立运维知识库和动态设备的故障预测与分析。
上面结合附图对本发明进行了示例性描述，显然本发明具体实现并不受上述方式的限制，只要采用了本发明的发明构思和技术方案进行的各种非实质性的改进，或未经改进将本发明构思和技术方案直接应用于其它场合的，均在本发明保护范围之内。

Claims (6)

1.一种基于知识感知的设备异常状态综合判断及运维方法，其特征在于：包括下列步骤：
S1、采集动态设备的负荷和能耗数据形成训练数据集，通过基于卷积神经网络的训练得到第一模型，所述第一模型根据输入的负荷和能耗数据输出所述动态设备的运行状态；
S2、在生产过程中采集动态设备的各种参数数据并输入相应的运行状态，所述参数数据包括负荷、能耗、检测参数和噪声的数据；
S3、对参数数据进行分析后将分析结果与故障类别和运行状态相互关联建立设备的运维知识库；
所述分析方式包括：
S3.1、通过特征提取算法从参数数据中提取出对应的时序特征数据，将时序特征数据关联到运行状态；
S3.2、在采集到设备多次故障下的时序特征数据后，根据运行状态对时序特征数据进行分类，并对相同运行状态下时序特征数据进行聚类分析，将同类故障下相似度较高的时序特征数据划分为相应的类簇；
S3.3、对类簇中的多种时序特征数据进行动态因子分析以得到其中各个时序特征数据及各种时序特征数据变化趋势与故障发生之间的关联性；
S4、采集参数数据通过第一模型分析设备运行状态后，对参数数据处理为时序特征数据后与运维知识库中的数据进行匹配分析实现故障预测和诊断。
2.根据权利要求1所述的一种基于知识感知的设备异常状态综合判断及运维方法，其特征在于：根据周期内动态设备在不同运行状态下负荷和能耗变化的差异划分运行状态，并通过采集的数据判断各个运行状态之间转换的临界时间点，采集到的负荷数据为瞬时负荷值g，采集到的能耗数据为瞬时能耗值q，将负荷和能耗数据结合相应周期的时间时序化后作为输入值训练卷积神经网络，卷积神经网络的输出值为临界时间点的时间，并由此得到动态设备的所处的运行状态。
3.根据权利要求2所述的一种基于知识感知的设备异常状态综合判断及运维方法，其特征在于：设备运行一周期内能耗情况分为4种运行状态，分别为：设备由停机后开始启动到正常运行之间的启动状态，其时间区间定义为[tai，tbi)；设备稳态运行的时间区间定义为[tbi，tci)；设备由稳态结束到停机状态之间的时间区间定义为[tci，tdi)；设备从停止到启动之间的时间区间定义为[tdi，tai)，其中i表示运行的周期数，ai，bi，ci，di代表上述4种状态切换的临界时间点，i代表该状态在统计周期内出现的次数。
4.根据权利要求1-3中任一所述的一种基于知识感知的设备异常状态综合判断及运维方法，其特征在于：还包括对静态设备进行异常状态判断的方法，通过采集静态设备的参数数据输入卷积神经网络进行训练，从而构建对静态设备进行故障预测和诊断的第二模型，将静态设备的参数数据输入第二模型就能判断相应静态设备的异常状态。
5.根据权利要求4所述的一种基于知识感知的设备异常状态综合判断及运维方法，其特征在于：同一个设备上采集各个参数数据的传感器通过无线网络连接到对应该设备的工控机，所述工控机用于将参数数据提取为时序化特征数据再发送到控制中心，控制中心根据时序化特征数据及其对应的设备进行分析，判断该设备处于的运行状态并与运维知识库的数据进行匹配，从而实现对该设备的故障预测与诊断。
6.根据权利要求5所述的一种基于知识感知的设备异常状态综合判断及运维方法，其特征在于：采用无线振动温度一体式传感器采集设备的振动速度和温度，所述无线振动温度一体式传感器内部设有剪切式压电陶瓷片作为感应端。
CN201911405494.0A 2019-12-31 2019-12-31 一种基于知识感知的设备异常状态综合判断及运维方法 Active CN111160652B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911405494.0A CN111160652B (zh) 2019-12-31 2019-12-31 一种基于知识感知的设备异常状态综合判断及运维方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911405494.0A CN111160652B (zh) 2019-12-31 2019-12-31 一种基于知识感知的设备异常状态综合判断及运维方法

Publications (2)

Publication Number Publication Date
CN111160652A CN111160652A (zh) 2020-05-15
CN111160652B true CN111160652B (zh) 2023-04-18

Family

ID=70559738

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911405494.0A Active CN111160652B (zh) 2019-12-31 2019-12-31 一种基于知识感知的设备异常状态综合判断及运维方法

Country Status (1)

Country Link
CN (1) CN111160652B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112734692B (zh) * 2020-12-17 2023-12-22 国网信息通信产业集团有限公司 一种变电设备缺陷识别方法及装置
CN113255783B (zh) * 2021-05-31 2021-09-14 湖南安存科技有限公司 基于无监督学习的传感器故障检测方法和装置
CN116258484B (zh) * 2023-05-16 2023-08-18 青岛创新奇智科技集团股份有限公司 设备的预测性运维方案生成方法、装置、终端设备和介质
CN116913541A (zh) * 2023-09-12 2023-10-20 万链指数(青岛)信息科技有限公司 基于物联网的健康数据共享方法及系统

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3307095B2 (ja) * 1994-08-23 2002-07-24 株式会社日立製作所 制御システムの診断・解析装置および方法
JPH10124134A (ja) * 1996-10-21 1998-05-15 Osaka Gas Co Ltd 診断システム
US9110452B2 (en) * 2011-09-19 2015-08-18 Fisher-Rosemount Systems, Inc. Inferential process modeling, quality prediction and fault detection using multi-stage data segregation
CN102496028B (zh) * 2011-11-14 2013-03-20 华中科技大学 一种复杂装备的事后维修故障分析方法
US10083255B2 (en) * 2012-12-14 2018-09-25 Honeywell International Inc. Equipment fault detection, diagnostics and disaggregation system
CN105045256B (zh) * 2015-07-08 2018-11-20 北京泰乐德信息技术有限公司 基于数据对比分析的轨道交通实时故障诊断方法和系统
CN105930629B (zh) * 2016-07-13 2017-09-05 大唐南京环保科技有限责任公司 一种基于海量运行数据的在线故障诊断方法
CN106546065B (zh) * 2016-11-22 2019-04-30 美的集团股份有限公司 控制方法和控制装置
CN107194053B (zh) * 2017-05-16 2020-10-20 歌拉瑞电梯股份有限公司 一种智能化电梯控制系统运行故障预测方法
CN107316130A (zh) * 2017-06-09 2017-11-03 国网天津市电力公司电力科学研究院 一种基于聚类分析的计量采集终端故障诊断和可视化定位方法
CN108154166A (zh) * 2017-11-30 2018-06-12 辽宁科技大学 一种风机智能故障诊断系统及方法
CN108398265A (zh) * 2018-01-15 2018-08-14 上海电力学院 一种滚动轴承在线故障检测方法
CN108444708B (zh) * 2018-04-16 2021-02-12 长安大学 基于卷积神经网络的滚动轴承智能诊断模型的建立方法
CN110470951B (zh) * 2019-08-18 2022-04-05 天津大学 基于PMU信息和Petri网的有源配电网故障诊断方法

Also Published As

Publication number Publication date
CN111160652A (zh) 2020-05-15

Similar Documents

Publication Publication Date Title
CN111160652B (zh) 一种基于知识感知的设备异常状态综合判断及运维方法
CN110647133B (zh) 轨道交通设备状态检测维护方法及系统
Soylemezoglu et al. Mahalanobis-Taguchi system as a multi-sensor based decision making prognostics tool for centrifugal pump failures
CN100447940C (zh) 根据有关装置的信号诊断其装置故障的装置
CN111353482A (zh) 一种基于lstm的疲劳因子隐性异常检测及故障诊断方法
CN112727965B (zh) 采煤机制动器的故障监测方法及装置
WO2011027607A1 (ja) 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
CN109857079B (zh) 加工中心主轴系统工作状态异常的智能诊断方法及装置
TWI662424B (zh) 領先輔助參數的選擇方法以及結合關鍵參數及領先輔助參數進行設備維護預診斷的方法
CN101509839A (zh) 基于离群点挖掘的集群工业机器人故障诊断方法
KR20190013017A (ko) 센서 군집화 기반의 설비 건강 모니터링 방법 및 장치
CN110469461B (zh) 一种风机齿带的断裂预估方法、其装置及可读存储介质
Bejaoui et al. A data-driven prognostics technique and rul prediction of rotating machines using an exponential degradation model
Kannan et al. Nominal features-based class specific learning model for fault diagnosis in industrial applications
CN115034094B (zh) 一种金属加工机床运行状态预测方法及系统
US10656637B2 (en) Monitoring system and monitoring method
CN103278714B (zh) 一种混合制程的虚拟测量方法与系统
Fumagalli et al. Agile diagnostic tool based on electrical signature analysis
Sharma et al. Evaluation of arduino based das for condition monitoring of induction motor
CN108537174B (zh) 时变工况条件下旋转机械运行状态在线监测方法及系统
Waters et al. Vibration Anomaly Detection using Deep Autoencoders for Smart Factory
Mosallam et al. Unsupervised trend extraction for prognostics and condition assessment
Suzuki et al. An anomaly detection system for advanced maintenance services
CN117672255B (zh) 基于人工智能和设备运行声音的异常设备识别方法及系统
Bejaoui et al. Remaining Useful Life Prediction based on Degradation Model: Application to a Scale Replica Assembly Plant

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