CN111239529A - 一种支持机电设备预测性维护的激励测试方法及系统 - Google Patents
一种支持机电设备预测性维护的激励测试方法及系统 Download PDFInfo
- Publication number
- CN111239529A CN111239529A CN202010145644.5A CN202010145644A CN111239529A CN 111239529 A CN111239529 A CN 111239529A CN 202010145644 A CN202010145644 A CN 202010145644A CN 111239529 A CN111239529 A CN 111239529A
- Authority
- CN
- China
- Prior art keywords
- test
- data
- excitation
- predictive maintenance
- electromechanical equipment
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
-
- 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
- G01M99/005—Testing of complete machines, e.g. washing-machines or mobile phones
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种支持机电设备预测性维护的激励测试方法及系统,包括以下步骤:步骤1:定义机电设备线上场景安全诱因,构建覆盖完整工况的激励数据集;步骤2:将步骤1中的激励数据集中的数据转译为物理量语言;步骤3:根据测试设施所投射的物理信号对机电设备进行加载;步骤4:根据步骤3中的测试得到测试结果,形成覆盖完整工况的安全基线数据库;步骤5:根据步骤4中的安全基线数据库即可完成机电设备的预测性维护;本发明克服机理解析和经验检测的困难,通过工况覆盖和表象诊断实现激励测试。
Description
技术领域
本发明涉及机电设备故障诊断与健康维护技术领域,具体涉及一种支持机电设备预测性维护的激励测试方法及系统。
背景技术
机电设备作为一个由复杂构件组成、在复杂环境中服役、完成具有时空分布特征的多功能服务整体,是一个复杂大系统,其安全行为的决定要素众多、耦合复杂、涌现丰富。因此,机电设备安全相关要素辨识、要素间关联影响机理、涌现规律、异常行为预测及基于预警的风险评估,已成为支持机电设备安全行为理解、安全运维保障的重大问题。
在机电设备全生命周期的故障诊断与健康维护中,主要面临着两个方面的挑战。一是机理解析难,相关设备设施多依赖于外部第三方制造,机理规律解析下的精细化测试力实在是不从心;二是经验检测难,小样本/零工况环境呈随机分布存在,经验故障模式下的被动性测试往往是束手无策。
因此,在克服机理解析和经验检测的两难困境下,探索支持工况覆盖和表象诊断的激励测试新方法新系统,是主动化安全、预测性维护的未来发展方向。工况覆盖,即将机电设备在线上应用场景中可能会经历的全部工况,事先在线下提前经历,形成对线上安全研判的基础依据;表象诊断,即忽略内部原理构造,将基于大数据分析的维护决策手段转化为基于测试功能是否实现的表象观测上。
发明内容
本发明针对现有技术存在的问题提供一种支持机电设备预测性维护的激励测试方法及系统。
本发明采用的技术方案是:
一种支持机电设备预测性维护的激励测试方法,包括以下步骤:
步骤1:定义机电设备线上场景安全诱因,构建覆盖完整工况的激励数据集;
步骤2:将步骤1中的激励数据集中的数据转译为物理量语言;
步骤3:根据测试设施所投射的物理信号对机电设备进行加载;
步骤4:根据步骤3中的测试得到测试结果,形成覆盖完整工况的安全基线数据库;
步骤5:根据步骤4中的安全基线数据库即可完成机电设备的预测性维护。
进一步的,所述步骤1中安全诱因分解为彼此互不相容的“元诱因”,安全诱因分解为“元诱因”方法为:抛开机电设备的外在属性,以自身服役安全保障的共性需求为标准,将设备拆分n类构件,选择可支持诊断构件相应问题的征兆参数作为“元诱因”。
进一步的,所述步骤2中转译方法是基于物理量数据字典工况激励数据映射为物理量语言;映射过程是利用搜索树算法在物理量数据字典中寻找匹配相应的健值记录。
进一步的,所述步骤3中加载过程是基于工况激励数据中蕴含的正序时间过程,调用物理量数据字典中的测试设施进行加载。
进一步的,所述步骤3中加载过程中通过等比例压缩时间序列的方法加速加载过程。
进一步的,所述步骤4中测试结果按照工况激励数据中的正序时间关系以“时点+时长”为主键,将此时间范围内所有的安全诱因作为预测性维护的条件字段;测试反应数据作为预测性维护的结果字段,进行数据的一一对偶标识,形成覆盖完整工况的安全基线数据库。
一种支持机电设备预测性维护的激励测试方法的激励测试系统,包括:
测试应用模块:用于安全诱因的定义、激励数据集的构建、通过指令解释模块实现数据的转译、调用测试封装模块启动对测试执行模块的控制、测试数据的存储;
指令解释模块:用于数据的转译;
测试封装模块:将指令解释模块传送的物理量生成激励测试系统能够执行的指令;
信号接口模块:将测试封装模块的数字信号传送到测试执行模块;
测试执行模块:执行测试的仪器设备;
监控反馈模块:收集执行情况数据,将数据反馈给测试应用模块。
本发明的有益效果是:
(1)本发明克服机理解析和经验检测的困难,无需解封产品原理和代码隐私,在面临未知故障下的小样本或零样本环境时,即可通过工况覆盖和表象实现诊断激励测试,确保实现对任意厂家和任意品牌的机电设备的未知故障发现;
(2)通过对特定应用场景下机电设备功能表象的正常基线建模,本发明可实现主动化安全和预测性维护。
附图说明
图1为本发明系统结构示意图。
具体实施方式
下面结合附图和具体实施例对本发明做进一步说明。
一种支持机电设备预测性维护的激励测试方法,包括以下步骤:
步骤1:定义机电设备线上场景安全诱因,构建覆盖完整工况的激励数据集;
任何机电设备的线上应用均为有限可数场景。在有限可数场景中,用户基于预测性维护要素定义的任何安全诱因集合。总可以分解成若干个彼此互不相容的“元诱因”,使得只需要按照正序时间流动关系加载相应的“元诱因”进行测试,即可完成机电设备全部工况的覆盖。附加了正序时间流动关系所形成的“元诱因”之并集,是一个工况激励数据的全序数学集合。
“元诱因”按照以下方法分解:抛开机电设备的外在属性,以自身服役安全保障的共性需求为标准,将设备拆分为物理材料、电子电气、逻辑计算等三类构件。其中,物理机械类构件重视维护保持几何尺寸,要求避免部件的松脱、变形、断裂、磨损等问题,应观测受力、摩擦、温度等参数。电子电气类构件重视保持运行环境,要求避免电路或器件的接触不良、短路、损坏等问题。应观测电磁、功率、电压等参数,计算传输类构件重视保持指令变量,要求避免逻辑功能的失效、错乱、缺陷、篡改等问题,应观测指令、代码、路由等参数。
步骤2:将步骤1中的激励数据集中的数据转译为物理量语言;
转译方法基于物理量数据字典将观测得到的工况激励数据映射为物理量语言。物理量数据字典的建立方法是,围绕受力、摩擦、温度、电磁、功率、电压、指令、代码、路由等影响机电设备几何尺寸、电子电气、逻辑功能安全的参数,在能够支持安全诊断的意义上予以物理量的细粒度标识。每个拥有明确标识的物理量均可视为数据字典中的一个记录,每个记录都关联着该物理量生成的具体测试设施及其实现方式。
物理量语言的映射过程是利用搜索树算法在物理量数据字典中寻找匹配相应的健值记录,以此完成工况激励数据到物理量语言的转译。
步骤3:根据测试设施所投射的物理信号对机电设备进行加载;
基于工况激励数据中蕴含的正序时间流动关系,自动加载调用物理量数据字典中的模块化测试设施,支持线上场景的高逼真复线。测试设施是实际生成某个物理量物化性质的仪器设备,比如振动冲击台、温湿度试验箱、电压负载设备、软件测试舱等测试信号生成仪器。正序时间流动关系是连续加载全部工况应用场景的客观依据,其定义了工况应用场景加载的时点和时长,以及不同工况间的间隔时间。
加载过程中控制测试反应时间,是针对机电设备服役周期过程而提出的具体要求。由于激励测试通常要求在较短时间范围内完成,然而机电设备的物化反应往往是不可催化的。所以,激励测试就是在不违背自然机理的前提下,将工况激励数据中不同工况的时间间隔压缩,加速工况应用场景的加载。此外,还可以通过加速测试设施生成所需物理信号的频度,以保证测试周期小于服役周期,并且整个测试作业都需要在隔离受控环境中完成,以防范安全事故发生。
步骤4:根据步骤3中的测试得到测试结果,形成覆盖完整工况的安全基线数据库;
收集激励反应数据,依照工况激励数据中的正序时间关系,以“时点+时长”为主键,将此时间范围内所有的“元诱因”作为预测性维护的条件字段,激励测试反应数据作为预测性维护的结果字段,进行数据的一一对偶标识,从而构件起类似于<时点+时长,U时点+时长元诱因,激励测试反应数据>的记录格式。当工况激励数据的全序数学集合全部注入测试后,覆盖整个工况场景下的安全基线数据库形成。
步骤5:根据步骤4中的安全基线数据库即可完成机电设备的预测性维护。
一种支持机电设备预测性维护的激励测试方法的激励测试系统,包括:
测试应用模块:用于安全诱因的定义、激励数据集的构建、通过指令解释模块实现数据的转译、调用测试封装模块启动对测试执行模块的控制、测试数据的存储;
一般测试应用模块为提供给测试用户GUI界面的主控程序。支持对机电设备测试任务的设计和相关安全诱因的定义,以及工况激励数据集的构件;可通过指令解释模块翻译物理量语言,调用测试封装模块启动对测试执行模块的控制,最终取回测试数据。
指令解释模块:用于数据的转译;将工况激励数据转译为面向机电设备沉浸式测试场景的物理量语言,即物理量的细化标识。
测试封装模块:将指令解释模块传送的物理量生成激励测试系统能够执行的指令;将指令解释模块传送的单个物理量的生成方法封装成本激励测试系统能够直接执行的指令,需要考虑每个物理量通过具体测试设施生成的实现方式。
信号接口模块:将测试封装模块的数字信号传送到测试执行模块;向物理或化学信号转化。
测试执行模块:执行测试的仪器设备;某个物理量实际生成物化性质的操作在这一层得以物理实现,以完成指令解释模块下达的任务。此层包含有实际生成物理量物化性质的仪器设备,比如振动冲击台、温湿度试验箱、电压负载设备、电流波形致动器、软件测试舱等测试信号生成仪器。
监控反馈模块:收集执行情况数据,将数据反馈给测试应用模块。由监控物化反应的传感器构成,物化反应过程的执行情况由监控反馈模块的这些传感器收集,以便反馈给测试应用模块。
下面结合具体的实施例进行说明,选择轨道交通中的重要设备道岔转辙机作为预测性维护的对象。道岔转辙机的维修工作量在整个线路中占有相当比例,预测性维护的目的即为明确其故障位置与故障性质。
步骤1:定义机电设备线上场景安全诱因,构建覆盖完整工况的激励数据集;
反映道岔转辙机应用质量的最重要指标是道岔动作电流,由于与道岔在启动、解锁、动作、锁闭等四个阶段的拉力作用紧密相关。因此根据每组道岔的动作电流,可以随时掌握道岔转辙机的故障特性,即使发现转换过程中出现的不良反应,做到标识故障和挖掘隐患。在确定的线上应用场景中按照时间序列取样排序现场道岔的电流数据,以每1ms为一采样点,取7天的采样电流数据作为样本长度,形成覆盖完整道岔工况的激励数据集,然后基于大带宽的毫米波无线通信回传至线下测试中心。
步骤2:将步骤1中的激励数据集中的数据转译为物理量语言;
由于道岔电流数据是影响道岔机械特性、电气特性和时间特性的安全参数,本测试即需要将数值型表达的道岔电流数据映射为复现真实电流动作工况的物理产生机制。电流生成的具体测试设施及其实现方式都记录在本测试的物理量数据字典中,可通过键值匹配记录的搜索方式完成转译,本实施例是通过电流波形致动器完成对电流的生成。
步骤3:根据测试设施所投射的物理信号对机电设备进行加载;
上述道岔电流样本数据属于广泛存在于现实系统的时间序列,是一种与时间直接或间接有关的高维数据类型。时间序列数据的高维特性给测试工作带来了极大的困难,若按照一比一的时间长度直接对电流时间序列进行测试加载,需要消耗较大时间和空间。为了得到较为科学合理的结果,可通过等比例压缩时间序列的方式加速道岔工况应用场景的加载,以保证测试周期小于7天的服役周期取样。等比例压缩的主要目的是利用尽可能少的测试周期充分反应原时间序列的主要信息。通常情况下,压缩只是将存在潜在冗余的时间间隔略去,而并非将物化反应的客观作用时间略去。
步骤4:步骤4:根据步骤3中的测试得到测试结果,形成覆盖完整工况的安全基线数据库;
取回道岔电流激励测试反应数据,并依照时间关系,以“时点+时长”为主键,将此时间范围内所有的道岔电流作为预测性维护的条件字段,激励测试反应数据作为预测性维护的结果字段,进行数据的一一对偶标识,从而构建起覆盖整个道岔工况场景下的安全基线数据库。
表1为某固定场景下的道岔运行安全基线数据库
本发明客户了机理解析和经验检测的两难困境,形成支持工况覆盖和表象诊断的激励测试方法,是主动化安全、预测性维护的未来发展方向。
Claims (7)
1.一种支持机电设备预测性维护的激励测试方法,其特征在于,包括以下步骤:
步骤1:定义机电设备线上场景安全诱因,构建覆盖完整工况的激励数据集;
步骤2:将步骤1中的激励数据集中的数据转译为物理量语言;
步骤3:根据测试设施所投射的物理信号对机电设备进行加载;
步骤4:根据步骤3中的测试得到测试结果,形成覆盖完整工况的安全基线数据库;
步骤5:根据步骤4中的安全基线数据库即可完成机电设备的预测性维护。
2.根据权利要求1所述的一种支持机电设备预测性维护的激励测试方法,其特征在于,所述步骤1中安全诱因分解为彼此互不相容的“元诱因”,安全诱因分解为“元诱因”方法为:抛开机电设备的外在属性,以自身服役安全保障的共性需求为标准,将设备拆分n类构件,选择可支持诊断构件相应问题的征兆参数作为“元诱因”。
3.根据权利要求1所述的一种支持机电设备预测性维护的激励测试方法,其特征在于,所述步骤2中转译方法是基于物理量数据字典工况激励数据映射为物理量语言;映射过程是利用搜索树算法在物理量数据字典中寻找匹配相应的健值记录。
4.根据权利要求3所述的一种支持机电设备预测性维护的激励测试方法,其特征在于,所述步骤3中加载过程是基于工况激励数据中蕴含的正序时间过程,调用物理量数据字典中的测试设施进行加载。
5.根据权利要求4所述的一种支持机电设备预测性维护的激励测试方法,其特征在于,所述步骤3中加载过程中通过等比例压缩时间序列的方法加速加载过程。
6.根据权利要求1所述的一种支持机电设备预测性维护的激励测试方法,其特征在于,所述步骤4中测试结果按照工况激励数据中的正序时间关系以“时点+时长”为主键,将此时间范围内所有的安全诱因作为预测性维护的条件字段;测试反应数据作为预测性维护的结果字段,进行数据的一一对偶标识,形成覆盖完整工况的安全基线数据库。
7.采用如权利要求1~6任一项一种支持机电设备预测性维护的激励测试方法的激励测试系统,其特征在于,包括:
测试应用模块:用于安全诱因的定义、激励数据集的构建、通过指令解释模块实现数据的转译、调用测试封装模块启动对测试执行模块的控制、测试数据的存储;
指令解释模块:用于数据的转译;
测试封装模块:将指令解释模块传送的物理量生成激励测试系统能够执行的指令;
信号接口模块:将测试封装模块的数字信号传送到测试执行模块;
测试执行模块:执行测试的仪器设备;
监控反馈模块:收集执行情况数据,将数据反馈给测试应用模块。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010145644.5A CN111239529A (zh) | 2020-03-05 | 2020-03-05 | 一种支持机电设备预测性维护的激励测试方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010145644.5A CN111239529A (zh) | 2020-03-05 | 2020-03-05 | 一种支持机电设备预测性维护的激励测试方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111239529A true CN111239529A (zh) | 2020-06-05 |
Family
ID=70880166
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010145644.5A Pending CN111239529A (zh) | 2020-03-05 | 2020-03-05 | 一种支持机电设备预测性维护的激励测试方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111239529A (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1589443A (zh) * | 2001-11-21 | 2005-03-02 | 康太克斯Dd有限责任公司 | 数据字典产生方法 |
CN103019726A (zh) * | 2012-12-19 | 2013-04-03 | 中国电子科技集团公司第十五研究所 | 软件系统业务规则的管理方法和装置 |
CN104246764A (zh) * | 2012-02-24 | 2014-12-24 | 森普利维蒂公司 | 利用非均匀散列函数在非均匀访问存储器中放置记录的方法和装置 |
CN104866603A (zh) * | 2015-06-01 | 2015-08-26 | 北京圆通慧达管理软件开发有限公司 | 元数据的调用方法和元数据管理系统 |
CN106202769A (zh) * | 2016-07-15 | 2016-12-07 | 深圳市永达电子信息股份有限公司 | 一种在线检测和仿真建模验证结合的工业系统检测方法 |
CN106503974A (zh) * | 2017-01-04 | 2017-03-15 | 泰康保险集团股份有限公司 | 交易数据处理方法及装置 |
CN106650942A (zh) * | 2015-11-02 | 2017-05-10 | 中国船舶工业系统工程研究院 | 基于电子装备测试性模型的故障诊断方法 |
CN106778210A (zh) * | 2016-12-16 | 2017-05-31 | 成都巧班科技有限公司 | 一种基于免疫学习的工业控制系统功能安全验证方法 |
CN107967204A (zh) * | 2017-11-21 | 2018-04-27 | 百度在线网络技术(北京)有限公司 | 线下压测的方法、系统及终端设备 |
CN108984499A (zh) * | 2018-06-01 | 2018-12-11 | 北京五八信息技术有限公司 | 报表数据处理方法和装置、电子设备和可读存储介质 |
CN109445406A (zh) * | 2018-10-18 | 2019-03-08 | 西南交通大学 | 基于场景测试与事务搜索的工业控制系统安全检测方法 |
CN110535828A (zh) * | 2019-07-19 | 2019-12-03 | 华瑞新智科技(北京)有限公司 | 工业物联网网关中的数据处理方法及工业物联网网关 |
CN110647133A (zh) * | 2019-09-09 | 2020-01-03 | 深圳市永达电子信息股份有限公司 | 轨道交通设备状态检测维护方法及系统 |
-
2020
- 2020-03-05 CN CN202010145644.5A patent/CN111239529A/zh active Pending
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1589443A (zh) * | 2001-11-21 | 2005-03-02 | 康太克斯Dd有限责任公司 | 数据字典产生方法 |
CN104246764A (zh) * | 2012-02-24 | 2014-12-24 | 森普利维蒂公司 | 利用非均匀散列函数在非均匀访问存储器中放置记录的方法和装置 |
CN103019726A (zh) * | 2012-12-19 | 2013-04-03 | 中国电子科技集团公司第十五研究所 | 软件系统业务规则的管理方法和装置 |
CN104866603A (zh) * | 2015-06-01 | 2015-08-26 | 北京圆通慧达管理软件开发有限公司 | 元数据的调用方法和元数据管理系统 |
CN106650942A (zh) * | 2015-11-02 | 2017-05-10 | 中国船舶工业系统工程研究院 | 基于电子装备测试性模型的故障诊断方法 |
CN106202769A (zh) * | 2016-07-15 | 2016-12-07 | 深圳市永达电子信息股份有限公司 | 一种在线检测和仿真建模验证结合的工业系统检测方法 |
CN106778210A (zh) * | 2016-12-16 | 2017-05-31 | 成都巧班科技有限公司 | 一种基于免疫学习的工业控制系统功能安全验证方法 |
CN106503974A (zh) * | 2017-01-04 | 2017-03-15 | 泰康保险集团股份有限公司 | 交易数据处理方法及装置 |
CN107967204A (zh) * | 2017-11-21 | 2018-04-27 | 百度在线网络技术(北京)有限公司 | 线下压测的方法、系统及终端设备 |
CN108984499A (zh) * | 2018-06-01 | 2018-12-11 | 北京五八信息技术有限公司 | 报表数据处理方法和装置、电子设备和可读存储介质 |
CN109445406A (zh) * | 2018-10-18 | 2019-03-08 | 西南交通大学 | 基于场景测试与事务搜索的工业控制系统安全检测方法 |
CN110535828A (zh) * | 2019-07-19 | 2019-12-03 | 华瑞新智科技(北京)有限公司 | 工业物联网网关中的数据处理方法及工业物联网网关 |
CN110647133A (zh) * | 2019-09-09 | 2020-01-03 | 深圳市永达电子信息股份有限公司 | 轨道交通设备状态检测维护方法及系统 |
Non-Patent Citations (2)
Title |
---|
李天瑞 等: "近似集动态更新方法的性能评测与规则获取", 《广西师范大学学报:自然科学版》 * |
陆化普 等: "《城市道路混合交通流分析模型与方法 第1版》", 31 December 2009, 中国铁道出版社 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Emmanouilidis et al. | Enabling the human in the loop: Linked data and knowledge in industrial cyber-physical systems | |
Moradi et al. | Modernizing risk assessment: A systematic integration of PRA and PHM techniques | |
Catarci et al. | A conceptual architecture and model for smart manufacturing relying on service-based digital twins | |
Guo et al. | Research and development of monitoring system and data monitoring system and data acquisition of CNC machine tool in intelligent manufacturing | |
CN104346277A (zh) | 计算机代码的基于隐喻的语言模糊测试 | |
CN113902242A (zh) | 一种基于数字孪生的电网设备的综合状态评价方法及系统 | |
Mehdi et al. | Semantic rule-based equipment diagnostics | |
Al-Gumaei et al. | Scalable analytics platform for machine learning in smart production systems | |
Austin et al. | Predictive maintenance: Distributed aircraft engine diagnostics | |
CN111239529A (zh) | 一种支持机电设备预测性维护的激励测试方法及系统 | |
CN110361609A (zh) | 特高压设备监测系统及方法 | |
Liu et al. | Defect prediction of radar system software based on bug repositories and behavior models | |
KR20230081841A (ko) | 메타버스를 이용한 고전압 전기설비 종합 정보 관리 시스템 및 그 방법 | |
Sousa et al. | Use of ontologies in embedded systems: A systematic mapping | |
Alzghoul | Monitoring Big Data Streams Using Data Stream Management Systems: Industrial Needs, Challenges, and Improvements | |
Wu et al. | Application of improved grey model residual modified fusion algorithm in dissolved gas forecasting | |
Winkel et al. | Run-to-failure relay dataset for predictive maintenance research with machine learning | |
Jin et al. | Semantic integrated condition monitoring and maintenance of complex system | |
Ghanavati et al. | Argumentation-based methodology for goal-oriented requirements language (GRL) | |
Fletcher et al. | The signal data explorer: A high performance grid based signal search tool for use in distributed diagnostic applications | |
Xuedong et al. | Strategy of diagnosis and test in ICCS of large-scale laser facility | |
Amdouni et al. | Grid2Onto: An Application Ontology for Knowledge Capitalisation to Assist Power Grid Operators. | |
Zhang et al. | PHM Architecture Design Of Flight Control System Based On MBSE | |
Göring et al. | Automation systems—formal modeling of temporal change of physical structure | |
CN117648891A (zh) | 一种基于统型基础库复用的机载电子产品失效分析方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200605 |