CN111551383A - 一种基于异质多传感器的机械状态监测方法及系统 - Google Patents
一种基于异质多传感器的机械状态监测方法及系统 Download PDFInfo
- Publication number
- CN111551383A CN111551383A CN202010397708.0A CN202010397708A CN111551383A CN 111551383 A CN111551383 A CN 111551383A CN 202010397708 A CN202010397708 A CN 202010397708A CN 111551383 A CN111551383 A CN 111551383A
- Authority
- CN
- China
- Prior art keywords
- sensor
- heterogeneous multi
- mechanical
- sensors
- monitoring method
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 41
- 238000000034 method Methods 0.000 title claims abstract description 26
- 230000002159 abnormal effect Effects 0.000 claims abstract description 22
- 238000005516 engineering process Methods 0.000 claims abstract description 11
- 238000012360 testing method Methods 0.000 claims abstract description 9
- 238000009826 distribution Methods 0.000 claims abstract description 8
- 238000012314 multivariate regression analysis Methods 0.000 claims abstract description 5
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000002474 experimental method Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 4
- 230000000737 periodic effect Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 5
- 238000011002 quantification Methods 0.000 abstract description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000003321 amplification Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005461 lubrication Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G01M99/005—Testing of complete machines, e.g. washing-machines or mobile phones
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Computational Biology (AREA)
- Algebra (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种基于异质多传感器的机械状态监测方法及系统，其技术方案为：包括：获取多维异质传感器数据信息，建立预测模型并去除冗余信息；根据预测模型输出的预测值与传感器的监测值设计异常度指标；根据高斯分布及假设检验评估当前时刻机械状态是否异常。本发明利用多元回归分析对异质多传感信号进行数据建模，以及利用稀疏表示技术去除可能存在的信息冗余；设计相应的异常度量化和状态分析方法实现异质多传感器配置下的机械状态在线监测。
Description
技术领域
本发明涉及机械状态监测技术领域，尤其涉及一种基于异质多传感器的机械状态监测方法及系统。
背景技术
机械状态监测技术通过对传感器采集的信息进行处理分析从而对设备健康状态给出综合评估，利用该技术可以及时发现设备不被允许的状态偏离，并为运行参数优化、生产计划调整、停机维修等提供重要指导意义，因此具有重要的工程应用价值。
然而，随着机械设备日趋高精尖，单个传感器收集的信息可能存在信息遗漏从而无法对机器的运行状态做出可靠的决定，而传感技术、通信和人工智能等技术的发展使得利用异质多传感器进行数据采集成为可能，此时不仅能够获得更全面的信息，并且当其中某个传感器信息存在遗漏时可以由其他传感器的信息来弥补。
发明人发现，利用异质多传感器进行机械状态监测存在的主要问题是异质多传感器采集的数据具有高维性并且还可能存在信息冗余，这对后续的数据处理、建模分析带来很大的困难。由于目前存在的数据降维方法不适用于异质传感器数据，且特征层融合方法又依赖于特征提取技术，使得最终状态评估结果的有效性和实时性得不到保证。
发明内容
针对现有技术存在的不足，本发明的目的是提供一种基于异质多传感器的机械状态监测方法及系统，利用多元回归分析对异质多传感信号进行数据建模，以及利用稀疏表示技术去除可能存在的信息冗余；设计相应的异常度量化和状态分析方法实现异质多传感器配置下的机械状态在线监测。
为了实现上述目的，本发明是通过如下的技术方案来实现：
第一方面，本发明的实施例提供了一种基于异质多传感器的机械状态监测方法，包括：
获取多维异质传感器数据信息，建立预测模型并去除冗余信息；
根据预测模型输出的预测值与传感器的监测值设计异常度指标；
根据高斯分布及假设检验评估当前时刻机械状态是否异常。
作为进一步的限定，通过时间与相位之间的映射将采集的多维传感器数据表示为周期形式，利用多元回归分析建立预测模型。
作为进一步的限定，在模型系数求解过程中，采用稀疏表示技术去除多余变量。
作为进一步的限定，采用最小绝对收缩和选择算子进行模型求解，通过最小化损失函数估计模型系数。
作为进一步的限定，采用多元线性方程对当前被监测时刻的数据进行拟合以获得最终的预测模型。
作为进一步的限定，根据预测值与真实值的绝对累计残差对机械偏离上一时刻的程度进行量化。
作为进一步的限定，当前n个周期被监测为正常时可以得到异常分数序列，异常分数序列在设定范围内波动。
作为进一步的限定，根据3sigma控制限定义异常分数的波动区间，并结合假设检验对机械的运行状态异常与否给出最终评估。
第二方面，本发明的实施例还提供了一种基于异质多传感器的机械状态监测实验系统，包括机械设备和固定于机械设备上的若干传感器，所述传感器采集的信号采用所述的基于异质多传感器的机械状态监测方法进行处理。
作为进一步的限定，所述传感器采集的信号首先进行归一化处理。
上述本发明的实施例的有益效果如下：
(1)本发明的一个或多个实施方式利用多元回归分析对异质多传感器信号进行数据建模，并利用稀疏表示技术去除可能存在的信息冗余，解决了异质多传感器采集的数据存在信息冗余的问题；
(2)本发明的一个或多个实施方式设计相应的异常度量化和状态分析方法，实现异质多传感器配置下的机械状态在线监测；
(3)本发明的一个或多个实施方式设置了实验验证系统，通过设置不同的传感器，并对其检测信号进行处理，得到的监测结果与实际变化时间一致。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1是本发明根据一个或多个实施方式的流程图；
图2是本发明根据一个或多个实施方式实时采集的振动、声音、电流信号图；
图3是本发明根据一个或多个实施方式计算的异常分数及监测结果图。
具体实施方式
应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例一：
本实施例提供了一种基于异质多传感器的机械状态监测方法，包括：
获取多维异质传感器数据信息，建立预测模型并去除冗余信息；
根据预测模型输出的预测值与传感器的监测值设计异常度指标；
根据高斯分布及假设检验评估当前时刻机械状态是否异常。
如图1所示，具体步骤为：
(1)数据建模：
1)通过时间-相位之间的映射将采集的多维传感器数据表示为周期形式。
设到当前监测时间j时由多传感器采集的多维数据为
其中，i为传感器数量，
为第i个传感器采集的时间序列。
考虑到机械设备中存在大量的旋转零部件，比如齿轮、轴承等，基于其物理结构的对称性以及运动特点，对于单个传感器采集的数据，例如
其中，
为j时刻第i个传感器的具体观测值，[·]'为矩阵的转置操作，可以通过时间-相位映射关系j＝nT+v将其表示为周期的形式，即时间j对应于第n+1个周期的第v个相位，T为周期长度(周期内的样本点数)。
以此为基础将多维传感器数据表示为：
其中，xn,v是由不同传感器在第n+1个周期相位为v时采集的数据，即当共有i个传感器时，
2)考虑到多传感器信息之间存在互补性、合作/竞争性，利用多元回归分析进行数据建模。其中同一时刻不同传感器信息作为模型输入，不同传感器下一时刻信息分别作为模型输出。
建立预测模型xn,v＝f(xn-1,v)，使得可以根据历史周期数据xn-1,v预测当前被监测时刻的数据xn,v。考虑到机械信号的周期性，不同周期同一相位上的数据具有稳定的变化趋势，因此，采用多元线性方程对其进行拟合从而建立最终的预测模型：
其中，b＝[b1,b2,…bi]'为i×1的系数矩阵，并且不同维度互不相等，即b1≠b2…≠bi，E＝[ε1,ε2,…εi]'为i×1的随机误差矩阵并且通常假设服从均值为零的独立同分布。
3)由于多传感器信息中可能存在信息冗余，此时信号矩阵会呈现出多重共线性从而导致回归模型的回归系数无解，因此采用稀疏表示技术通过保留回归系数中的非0项达到保留有用信息以及去除冗余信息的目的。
为了估计模型系数以及去除可能存在的信息冗余，采用稀疏表示技术中常用的最小绝对收缩和选择算子(LASSO)进行模型求解，其本质是通过最小化损失函数来估计的系数：
其中，RSS(·)为残差平方和函数，λ为正则系数其最优值通过留一法交叉验证得到，成本函数中包含的正则项通过保留系数不为零的自变量达到去除冗余信息的目的。为了充分发挥LASSO的性能，在模型训练阶段通过一个滑动窗的形式选取监测时刻前固定数量的周期相位数据进行模型参数估计：
f(xn-w-1,v:xn-2,v)＝xn-w,v:xn-1,v (4)
其中，w为滑动窗的大小，其取值不大于传感器的数量i。
(2)异常度量化：
基于预测模型输出的预测值与传感器实时的监测值设计相应的异常度指标，完成对机械偏离正常状态程度的量化。
经过训练确认模型系数后，可以预测被监测周期内不同相位的值
进而基于预测值与真实值的绝对累计残差对机械偏离上一时刻的程度进行量化；同时为了消除周期长度的影响最终定义被监测的第n+1个周期异常程度为：
(3)状态评估：
基于高斯分布的概率密度函数和3sigma准则对当前时刻机械状态异常与否做出判断，并结合假设检验实现在线、无监督式的监测。
具体的，当前n个周期被监测为正常时，可以得到异常分数序列{Q1,Q2,…,Qn}，考虑到不可避免地环境因素干扰(时变载荷、温度、润滑等)以及异常分数的非负性，{Q1,Q2,…,Qn}将在从零开始的一个范围内波动。
由于在异常监测领域中通常假设残差数据符合高斯分布，因此采用3sigma控制限定义异常分数的波动区间，并结合假设检验对机械的运行状态异常与否给出最终评估：
其中，H0表示在第n+1个周期机械运行状态发生了不被允许的偏离，H1表示即使状态有波动但是仍处于稳定状态，
为历史异常分数序列{Q1,Q2,…,Qn}的样本均值，σ0为序列{Q1,Q2,…,Qn}的标准差。
本实施例利用多元回归分析对异质多传感信号进行数据建模，并利用稀疏表示技术去除可能存在的信息冗余。在此基础上，进一步设计相应的异常度量化和状态分析方法，实现异质多传感器配置下的机械状态在线监测。
本实施例设计了无量纲的机械异常程度量化指标，其不需要对机械设备结构/动力学方面知识有很深的了解，也不依赖于专业维修人员的经验；以此为基础，结合基于高斯分布的假设检验可以完成机械设备运行状态的无监督、连续、在线监测。
实施例二：
本实施例提供了一种基于异质多传感器的机械状态监测实验系统，用于验证实施例一所述的基于异质多传感器的机械状态监测方法，包括机械设备和固定于机械设备上的若干传感器。
本实施例中，机械设备包括电机、与电机相连的传动装置，所述传动装置可以为丝杠传动或其他传动方式。本实施例采用2个振动传感器(电压输出0-5v)、1个声音传感器(电压输出0-5v)和一个电流传感器(电压输出0-20v)。
可以理解的，在其他实施例中，可以采用其他机械设备，也可以采用其他类型、个数的传感器。
传感器的采样频率为1.25kHz，为了消除传感器放大倍数不同的影响，将信号进行归一化处理。实验时，首先初始化电机转速V0为700rpm/s，在第21个周期时将其转速提高到Vt为800rpm/s；如图2所示，实时采集的振动、声音、电流信号。
通过实施例一所述的方法计算的异常分数以及监测结果如图3所示，被监测出的转速变化时间为第21个周期且异常分数为0.2578，与实际变化时间一致。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
Claims (10)
1.一种基于异质多传感器的机械状态监测方法，其特征在于，包括：
获取多维异质传感器数据信息，建立预测模型并去除冗余信息；
根据预测模型输出的预测值与传感器的监测值设计异常度指标；
根据高斯分布及假设检验评估当前时刻机械状态是否异常。
2.根据权利要求1所述的一种基于异质多传感器的机械状态监测方法，其特征在于，通过时间与相位之间的映射将采集的多维传感器数据表示为周期形式，利用多元回归分析建立预测模型。
3.根据权利要求2所述的一种基于异质多传感器的机械状态监测方法，其特征在于，在模型系数求解过程中，采用稀疏表示技术去除多余变量。
4.根据权利要求3所述的一种基于异质多传感器的机械状态监测方法，其特征在于，采用最小绝对收缩和选择算子进行模型求解，通过最小化损失函数估计模型系数。
5.根据权利要求2所述的一种基于异质多传感器的机械状态监测方法，其特征在于，采用多元线性方程对当前被监测时刻的数据进行拟合以获得最终的预测模型。
6.根据权利要求1所述的一种基于异质多传感器的机械状态监测方法，其特征在于，根据预测值与真实值的绝对累计残差对机械偏离上一时刻的程度进行量化。
7.根据权利要求1所述的一种基于异质多传感器的机械状态监测方法，其特征在于，当前n个周期被监测为正常时可以得到异常分数序列，异常分数序列在设定范围内波动。
8.根据权利要求7所述的一种基于异质多传感器的机械状态监测方法，其特征在于，根据3sigma控制限定义异常分数的波动区间，并结合假设检验对机械的运行状态异常与否给出最终评估。
9.一种基于异质多传感器的机械状态监测实验系统，其特征在于，包括机械设备和固定于机械设备上的若干传感器，所述传感器采集的信号采用权利要求1-8任一所述的基于异质多传感器的机械状态监测方法进行处理。
10.根据权利要求9所述的一种基于异质多传感器的机械状态监测实验系统，其特征在于，所述传感器采集的信号首先进行归一化处理。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010397708.0A CN111551383A (zh) | 2020-05-12 | 2020-05-12 | 一种基于异质多传感器的机械状态监测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010397708.0A CN111551383A (zh) | 2020-05-12 | 2020-05-12 | 一种基于异质多传感器的机械状态监测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111551383A true CN111551383A (zh) | 2020-08-18 |
Family
ID=72008137
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010397708.0A Pending CN111551383A (zh) | 2020-05-12 | 2020-05-12 | 一种基于异质多传感器的机械状态监测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111551383A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112861728A (zh) * | 2021-02-07 | 2021-05-28 | 山东大学 | 一种多传感信号融合监测薄壁件铣削数据降维方法及系统 |
| CN113178257A (zh) * | 2021-05-31 | 2021-07-27 | 深圳市海普洛斯生物科技有限公司 | 肺结节的分类模型的训练方法 |
| CN113359623A (zh) * | 2021-05-08 | 2021-09-07 | 深圳有象智联科技有限公司 | 一种工作状态的监测方法、设备及计算机可读存储介质 |
| CN113486607A (zh) * | 2021-07-01 | 2021-10-08 | 天津大学 | 多传感器信息核规范变量分析的气液两相流状态监测方法 |
| CN118656759A (zh) * | 2024-08-16 | 2024-09-17 | 深圳安培龙科技股份有限公司 | 基于数据分析的六维力传感器稳定性测试方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102107591A (zh) * | 2010-12-17 | 2011-06-29 | 吉林大学 | 载货汽车轮胎压力异常状态辨识方法 |
| CN105740212A (zh) * | 2016-02-02 | 2016-07-06 | 天津大学 | 一种基于正则化向量自回归模型的传感器异常检测方法 |
| CN106682814A (zh) * | 2016-11-28 | 2017-05-17 | 华北电力大学 | 一种基于故障知识库的风电机组故障智能诊断方法 |
| CN107132064A (zh) * | 2017-05-17 | 2017-09-05 | 山东大学 | 基于多传感器的旋转机械系统运行状态监测方法及系统 |
| CN108710757A (zh) * | 2018-05-18 | 2018-10-26 | 山东大学 | 基于时变参数预测模型的机械运行状态监测方法及装置 |
-
2020
- 2020-05-12 CN CN202010397708.0A patent/CN111551383A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102107591A (zh) * | 2010-12-17 | 2011-06-29 | 吉林大学 | 载货汽车轮胎压力异常状态辨识方法 |
| CN105740212A (zh) * | 2016-02-02 | 2016-07-06 | 天津大学 | 一种基于正则化向量自回归模型的传感器异常检测方法 |
| CN106682814A (zh) * | 2016-11-28 | 2017-05-17 | 华北电力大学 | 一种基于故障知识库的风电机组故障智能诊断方法 |
| CN107132064A (zh) * | 2017-05-17 | 2017-09-05 | 山东大学 | 基于多传感器的旋转机械系统运行状态监测方法及系统 |
| CN108710757A (zh) * | 2018-05-18 | 2018-10-26 | 山东大学 | 基于时变参数预测模型的机械运行状态监测方法及装置 |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112861728A (zh) * | 2021-02-07 | 2021-05-28 | 山东大学 | 一种多传感信号融合监测薄壁件铣削数据降维方法及系统 |
| CN112861728B (zh) * | 2021-02-07 | 2022-04-22 | 山东大学 | 一种多传感信号融合监测薄壁件铣削数据降维方法及系统 |
| CN113359623A (zh) * | 2021-05-08 | 2021-09-07 | 深圳有象智联科技有限公司 | 一种工作状态的监测方法、设备及计算机可读存储介质 |
| CN113359623B (zh) * | 2021-05-08 | 2022-08-23 | 深圳有象智联科技有限公司 | 一种工作状态的监测方法、设备及计算机可读存储介质 |
| CN113178257A (zh) * | 2021-05-31 | 2021-07-27 | 深圳市海普洛斯生物科技有限公司 | 肺结节的分类模型的训练方法 |
| CN113486607A (zh) * | 2021-07-01 | 2021-10-08 | 天津大学 | 多传感器信息核规范变量分析的气液两相流状态监测方法 |
| CN118656759A (zh) * | 2024-08-16 | 2024-09-17 | 深圳安培龙科技股份有限公司 | 基于数据分析的六维力传感器稳定性测试方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111551383A (zh) | 一种基于异质多传感器的机械状态监测方法及系统 | |
| CN110298455B (zh) | 一种基于多变量估计预测的机械设备故障智能预警方法 | |
| CN111164526B (zh) | 异常判定系统、马达控制装置及异常判定方法 | |
| Camci et al. | Feature evaluation for effective bearing prognostics | |
| CN109840362B (zh) | 一种基于多目标优化的集成即时学习工业过程软测量建模方法 | |
| EP3171239B1 (en) | Predictive monitoring and diagnostics system and method | |
| CN106873571B (zh) | 一种基于数据和模型融合的预警方法 | |
| EP2732371B1 (en) | Valve actuator fault analysis system | |
| EP1982301B1 (en) | Method of condition monitoring | |
| JP7142257B2 (ja) | 劣化診断システム追加学習方法 | |
| CN108710757B (zh) | 基于时变参数预测模型的机械运行状态监测方法及装置 | |
| 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 | |
| Le et al. | Multi-branch Hidden semi-Markov modeling for RUL prognosis | |
| CN111767183B (zh) | 设备异常检测方法及装置、电子设备、存储介质 | |
| CN110276385A (zh) | 基于相似性的机械部件剩余使用寿命预测方法 | |
| CN112598144A (zh) | 基于相关性分析的cnn-lstm突发故障预警方法 | |
| CN116235148A (zh) | 干泵宕机的预警方法、装置、电子设备、存储介质及程序 | |
| Hu et al. | Anomaly detection and remaining useful lifetime estimation based on degradation state for bearings | |
| Maqbool et al. | An efficient fault-prediction mechanism for improving yield in industry 5.0 | |
| Smeraldo et al. | A data-driven approach to fault diagnostics for industrial process plants based on feature extraction and inferential statistics | |
| Eker et al. | State-based prognostics with state duration information of cracks in structures | |
| 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 | |
| Lapira et al. | A systematic approach to intelligent maintenance of production systems with a framework for embedded implementation | |
| CN113627088B (zh) | 基于基因编程和数据融合的机器性能退化评估方法及系统 | |
| 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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200818 |
|
| RJ01 | Rejection of invention patent application after publication |