CN111797815A - 基于深度学习的复杂装备健康评估方法及系统 - Google Patents

基于深度学习的复杂装备健康评估方法及系统 Download PDF

Info

Publication number
CN111797815A
CN111797815A CN202010710508.6A CN202010710508A CN111797815A CN 111797815 A CN111797815 A CN 111797815A CN 202010710508 A CN202010710508 A CN 202010710508A CN 111797815 A CN111797815 A CN 111797815A
Authority
CN
China
Prior art keywords
health
equipment
health state
max
state
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
Application number
CN202010710508.6A
Other languages
English (en)
Inventor
李军
徐启胜
江水
张殷日
梁天
都竞
范文豪
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 Sanheyi Information Technology Co Ltd
Original Assignee
Anhui Sanheyi Information Technology 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 Sanheyi Information Technology Co Ltd filed Critical Anhui Sanheyi Information Technology Co Ltd
Priority to CN202010710508.6A priority Critical patent/CN111797815A/zh
Publication of CN111797815A publication Critical patent/CN111797815A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/04—Ageing analysis or optimisation against ageing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Human Resources & Organizations (AREA)
  • Game Theory and Decision Science (AREA)
  • Multimedia (AREA)
  • Tourism & Hospitality (AREA)
  • Operations Research (AREA)
  • Data Mining & Analysis (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Computing Systems (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Mathematical Physics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了基于深度学习的复杂装备健康评估方法及系统，属于机械设备健康评估方法领域，机械设备的运行状态是设备健康的直接反映，如果设备或者零件出现故障，那么设备的运行参数肯定会偏离正常值。为了实时的监控到设备的健康状态，必须获取能够反映设备状态的运行参数。基于以上原因，将机械设备划分为：动力系统，传动系统，控制系统，支撑系统等几个系统。先对每个子系统的健康状态进行评估，再综合每个子系统的健康状态，对整体设备的健康状态进行评估。

Description

基于深度学习的复杂装备健康评估方法及系统
技术领域
本发明涉及机械设备健康评估方法领域，尤其涉及基于深度学习的复杂装备健康评估方法及系统。
背景技术
机械设备在生产企业中起着至关重要的作用，通过对机械设备进行状态监测，可以提前发现机械设备潜在的安全隐患，为企业的设备维护提供决策信息，避免事故停机，保证人员安全，从而实现降本增效。传统的机械设备状态监测是依靠单一传感器的信号进行状态评估和预警，根据单一传感器采集的单一类型振动信号计算特征值，并设置报警阈值，当该特征值超过阈值的时候报警，特征值阈值一般根据经验设置。一般的机械设备包含有多个部件，不同的部件具有不同的重要程度，传统的状态评估方法不能反映设备整体的运行状态，也没有体现出设备局部状态和整体状态之间的关系，因此传统的设备运行状态评估方法具有一定的局限性。
现有机械设备的健康评估方法和系统无法有效的进行评估，主要因为在健康评估时，没有将性能参数进行分类，导致评估时各个参数占比权重无法进行有效分析，导致实际运行结果往往与现实差距较大。
发明内容
本发明为解决上述问题，而提出的基于深度学习的复杂装备健康评估方法及系统。
为了实现上述目的，本发明采用了如下技术方案：
基于深度学习的复杂装备健康评估方法及系统，包括以下步骤：
S1、综合采用多种传感器，获取目标设备的运行参数以及目标设备所处地点的环境参数，并且采用视频监控，获取目标设备关键部位的图像信息，并采用图像处理技术，计算设备的磨损情况；
S2、基于S1中采集的目标设备运行参数，以设备的健康周期为时间轴，统计分析设备的健康状态，训练设备健康状态模型，划分健康区间，将设备的健康退化过程划分为不同的退化过程，将退化过程中各个性能参数划定相应的范围，将大量的运行数据划分不同的健康状态，利用神经网络，通过监督学习的方法，将相应的设备健康状态的运行参数作为输入层，设备健康状态作为输出层，基于大量的数据，计算出设备不同健康状态对应的各个性能参数的相应范围；
S3、使用最小二乘向量机(LS-SVM)，对非线性时间序列的设备健康度进行预测；选用设备连续运行的L(L>30)个综合健康度作为样本，采样周期为24h，把时间序列健康度前三十个数据d1，d2，d3，……，dL分为25组，每组的前7个数据作为输入，后一个数据作为输出，然后用前24组训练模型，最后一组进行预测，得到下一时刻健康度。再将预测值代入模型进行迭代训练、测试、预测趋势，模型采用
Figure BDA0002596365550000021
为核函数，采用10折交叉验证法搜索参数C及σ。
优选地，所述S1中目标设备的运行参数包括：电压、电流、压力、流量、转速、振动和功率等运行参数，所述目标设备所处地点的环境参数包括：温度和湿度等环境参数。
优选地，所述S2中目标设备的健康状态区间为S＝{1，2，3，……，n+1}；
其中，若划分为两种状态则，1表示完全健康，n+1表示完全失效；若设置有三种状态则可划分为完全健康，亚健康和完全失效。
优选地，所述S2中健康状态模型中包含以下四条基本法则：设备的健康状态退化具有不可逆性；退化过程是非递减的；设备某时刻必定属于某健康状态；设备某时刻只能属于一种健康状态。
优选地，所述S2中假设目标设备的性能参数有m个，则性能参数的分布区间为[Xmin，Xmax]，第t个健康状态的性能参数集为Xt，Xmin＝(X1,min，X2,min，……，Xm,min)，Xmax＝(X1,max，X2,max，……，Xm,max)，则其对应设备的健康状态M的分布为：
健康状态1：(X1,min，X2,min，……，Xm,min)≦X(t)<(X1,1，X2,1，……，Xm,1)；
健康状态2：(X1,1，X2,1，……，Xm,1)≦X(t)<(X1,2，X2,1，……，Xm,1)；
……
健康状态M：(X1,M1-1，X2,M2-1，……，Xm,Mm-1)≦X(t)<(X1,max，X2,max，……，Xm,max)。
与现有技术相比，本发明提供了基于深度学习的复杂装备健康评估方法及系统，具备以下有益效果：
1.本发明的有益效果是：机械设备的运行状态是设备健康的直接反映，如果设备或者零件出现故障，那么设备的运行参数肯定会偏离正常值。为了实时的监控到设备的健康状态，必须获取能够反映设备状态的运行参数。基于以上原因，将机械设备划分为：动力系统，传动系统，控制系统，支撑系统等几个系统。先对每个子系统的健康状态进行评估，再综合每个子系统的健康状态，对整体设备的健康状态进行评估；该种评估方式不仅可以有效的监测机械设备的运行状态，并且还可以快速排查机械设备故障位置以及故障时间，从而有效的推测出故障原因，即可能造成故障的原因，从而便于工作人员进行有效的排查和检修。
附图说明
图1为本发明提出的基于深度学习的复杂装备健康评估方法及系统的一具体实施例的系统图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。
在本发明的描述中，需要理解的是，术语“上”、“下”、“前”、“后”、“左”、“右”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
实施例1：
参考图1，基于深度学习的复杂装备健康评估方法及系统，包括以下步骤：
S1、综合采用多种传感器，获取目标设备的运行参数以及目标设备所处地点的环境参数，并且采用视频监控，获取目标设备关键部位的图像信息，并采用图像处理技术，计算设备的磨损情况；
S2、基于S1中采集的目标设备运行参数，以设备的健康周期为时间轴，统计分析设备的健康状态，训练设备健康状态模型，划分健康区间，将设备的健康退化过程划分为不同的退化过程，将退化过程中各个性能参数划定相应的范围，将大量的运行数据划分不同的健康状态，利用神经网络，通过监督学习的方法，将相应的设备健康状态的运行参数作为输入层，设备健康状态作为输出层，基于大量的数据，计算出设备不同健康状态对应的各个性能参数的相应范围；
S3、使用最小二乘向量机(LS-SVM)，对非线性时间序列的设备健康度进行预测；选用设备连续运行的L(L>30)个综合健康度作为样本，采样周期为24h，把时间序列健康度前三十个数据d1，d2，d3，……，dL分为25组，每组的前7个数据作为输入，后一个数据作为输出，然后用前24组训练模型，最后一组进行预测，得到下一时刻健康度。再将预测值代入模型进行迭代训练、测试、预测趋势，模型采用
Figure BDA0002596365550000051
为核函数，采用10折交叉验证法搜索参数C及σ。
进一步，优选地，所述S1中目标设备的运行参数包括：电压、电流、压力、流量、转速、振动和功率等运行参数，所述目标设备所处地点的环境参数包括：温度和湿度等环境参数。
进一步，优选地，所述S2中目标设备的健康状态区间为S＝{1，2，3，……，n+1}；
其中，若划分为两种状态则，1表示完全健康，n+1表示完全失效；若设置有三种状态则可划分为完全健康，亚健康和完全失效。
进一步，优选地，所述S2中健康状态模型中包含以下四条基本法则：设备的健康状态退化具有不可逆性；退化过程是非递减的；设备某时刻必定属于某健康状态；设备某时刻只能属于一种健康状态。
进一步，优选地，所述S2中假设目标设备的性能参数有m个，则性能参数的分布区间为[Xmin，Xmax]，第t个健康状态的性能参数集为Xt，Xmin＝(X1,min，X2,min，……，Xm,min)，Xmax＝(X1,max，X2,max，……，Xm,max)，则其对应设备的健康状态M的分布为：
健康状态1：(X1,min，X2,min，……，Xm,min)≦X(t)<(X1,1，X2,1，……，Xm,1)；
健康状态2：(X1,1，X2,1，……，Xm,1)≦X(t)<(X1,2，X2,1，……，Xm,1)；
……
健康状态M：(X1,M1-1，X2,M2-1，……，Xm,Mm-1)≦X(t)<(X1,max，X2,max，……，Xm,max)。
本发明的技术方案如下：
机械设备的运行状态是设备健康的直接反映，如果设备或者零件出现故障，那么设备的运行参数肯定会偏离正常值。为了实时的监控到设备的健康状态，必须获取能够反映设备状态的运行参数。基于以上原因，将机械设备划分为：动力系统，传动系统，控制系统，支撑系统等几个系统。先对每个子系统的健康状态进行评估，再综合每个子系统的健康状态，对整体设备的健康状态进行评估。
本发明基于深度学习的复杂装备健康评估方法及系统的一种详细实施例如下所示：
步骤(1)：使用传感器(如压力传感器，速度传感器等)获取设备的电压，电流，压力，流量，转速，振动和功率等运行参数和温度，湿度等环境参数，采用视频拍摄等方法，获取设备设备关键部位的图像信息，并用图像处理技术，计算设备的磨损情况。
步骤(2)：基于采集的大量设备运行数据，以设备的健康周期为时间轴，统计分析设备的健康状态，训练设备健康状态模型。设备的健康状态区间为S＝{1，2，3，……，n+1}，1表示完全健康，n+1表示完全失效。(如三状态则可划分为完全健康，亚健康，完全失效)。在无人工干预和维修情况下，设备的健康状态有以下特点：1)设备的健康状态退化具有不可逆性；2)退化过程是非递减的；3)设备某时刻必定属于某健康状态；4)设备某时刻只能属于一种健康状态。
将设备的健康退化过程划分为不同的退化过程，将退化过程中各个性能参数划定相应的范围。将大量的运行数据划分不同的健康状态。利用神经网络，通过监督学习的方法，将相应的设备健康状态的运行参数作为输入层，设备健康状态作为输出层，基于大量的数据，计算出设备不同健康状态对应的各个性能参数的相应范围。假设设备的性能参数有m个，这些性能参数的分布区间为[Xmin，Xmax]，第t个健康状态的性能参数集为Xt，Xmin＝(X1,min，X2,min，……，Xm,min)，Xmax＝(X1,max，X2,max，……，Xm,max)，则其对应设备的健康状态M的分布为：
健康状态1：(X1,min，X2,min，……，Xm,min)≦X(t)<(X1,1，X2,1，……，Xm,1)；
健康状态2：(X1,1，X2,1，……，Xm,1)≦X(t)<(X1,2，X2,1，……，Xm,1)，
……
健康状态M：(X1,M1-1，X2,M2-1，……，Xm,Mm-1)≦X(t)<(X1,max，X2,max，……，Xm,max)
步骤(3)：使用最小二乘向量机(LS-SVM)，对非线性时间序列的设备健康度进行预测。选用设备连续运行的50个综合健康度作为样本，采样周期为24h。把时间序列健康度前三十个数据d1，d2，d3，……，d30分为25组，每组的前7个数据作为输入，后一个数据作为输出。然后用前24组训练模型，最后一组进行预测，得到下一时刻健康度。再将预测值代入模型进行迭代训练、测试、预测趋势，模型采用
Figure BDA0002596365550000081
为核函数，采用10折交叉验证法搜索参数C及σ。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (5)

1.基于深度学习的复杂装备健康评估方法及系统，其特征在于，包括以下步骤：
S1、综合采用多种传感器，获取目标设备的运行参数以及目标设备所处地点的环境参数，并且采用视频监控，获取目标设备关键部位的图像信息，并采用图像处理技术，计算设备的磨损情况；
S2、基于S1中采集的目标设备运行参数，以设备的健康周期为时间轴，统计分析设备的健康状态，训练设备健康状态模型，划分健康区间，将设备的健康退化过程划分为不同的退化过程，将退化过程中各个性能参数划定相应的范围，将大量的运行数据划分不同的健康状态，利用神经网络，通过监督学习的方法，将相应的设备健康状态的运行参数作为输入层，设备健康状态作为输出层，基于大量的数据，计算出设备不同健康状态对应的各个性能参数的相应范围；
S3、使用最小二乘向量机(LS-SVM)，对非线性时间序列的设备健康度进行预测；选用设备连续运行的L(L>30)个综合健康度作为样本，采样周期为24h，把时间序列健康度前三十个数据d1，d2，d3，……，dL分为25组，每组的前7个数据作为输入，后一个数据作为输出，然后用前24组训练模型，最后一组进行预测，得到下一时刻健康度。再将预测值代入模型进行迭代训练、测试、预测趋势，模型采用
Figure FDA0002596365540000011
为核函数，采用10折交叉验证法搜索参数C及σ。
2.根据权利要求1所述的基于深度学习的复杂装备健康评估方法及系统，其特征在于：所述S1中目标设备的运行参数包括：电压、电流、压力、流量、转速、振动和功率等运行参数，所述目标设备所处地点的环境参数包括：温度和湿度等环境参数。
3.根据权利要求1所述的基于深度学习的复杂装备健康评估方法及系统，其特征在于：所述S2中目标设备的健康状态区间为S＝{1，2，3，……，n+1}；
其中，若划分为两种状态则，1表示完全健康，n+1表示完全失效；若设置有三种状态则可划分为完全健康，亚健康和完全失效。
4.根据权利要求1所述的基于深度学习的复杂装备健康评估方法及系统，其特征在于：所述S2中健康状态模型中包含以下四条基本法则：设备的健康状态退化具有不可逆性；退化过程是非递减的；设备某时刻必定属于某健康状态；设备某时刻只能属于一种健康状态。
5.根据权利要求1所述的基于深度学习的复杂装备健康评估方法及系统，其特征在于：所述S2中假设目标设备的性能参数有m个，则性能参数的分布区间为[Xmin，Xmax]，第t个健康状态的性能参数集为Xt，Xmin＝(X1,min，X2,min，……，Xm,min)，Xmax＝(X1,max，X2,max，……，Xm,max)，则其对应设备的健康状态M的分布为：
健康状态1：(X1,min，X2,min，……，Xm,min)≦X(t)<(X1,1，X2,1，……，Xm,1)；
健康状态2：(X1,1，X2,1，……，Xm,1)≦X(t)<(X1,2，X2,1，……，Xm,1)；
……
健康状态M：(X1,M1-1，X2,M2-1，……，Xm,Mm-1)≦X(t)<(X1,max，X2,max，……，Xm,max)。
CN202010710508.6A 2020-07-22 2020-07-22 基于深度学习的复杂装备健康评估方法及系统 Pending CN111797815A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010710508.6A CN111797815A (zh) 2020-07-22 2020-07-22 基于深度学习的复杂装备健康评估方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010710508.6A CN111797815A (zh) 2020-07-22 2020-07-22 基于深度学习的复杂装备健康评估方法及系统

Publications (1)

Publication Number Publication Date
CN111797815A true CN111797815A (zh) 2020-10-20

Family

ID=72827408

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010710508.6A Pending CN111797815A (zh) 2020-07-22 2020-07-22 基于深度学习的复杂装备健康评估方法及系统

Country Status (1)

Country Link
CN (1) CN111797815A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112365186A (zh) * 2020-11-27 2021-02-12 中国电建集团海外投资有限公司 一种电力信息系统健康度评估方法及其评估系统
CN113052555A (zh) * 2021-03-26 2021-06-29 浙江三一装备有限公司 损耗零部件管理方法及系统
CN113450333A (zh) * 2021-06-30 2021-09-28 哈尔滨工业大学 基于机器学习的钢筋混凝土柱地震损伤程度评估方法
CN115186924A (zh) * 2022-07-28 2022-10-14 网思科技股份有限公司 基于人工智能的设备健康状态的评估方法和装置
CN117407829A (zh) * 2023-10-16 2024-01-16 创维互联（北京）新能源科技有限公司 基于深度学习的光伏组件健康度评估方法、系统和设备

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102663412A (zh) * 2012-02-27 2012-09-12 浙江大学 基于最小二乘支持向量机的电力设备载流故障趋势预测方法
CN102879728A (zh) * 2012-10-16 2013-01-16 南京航空航天大学 Dc-dc变换器健康评估指标与故障预测方法
CN102928791A (zh) * 2012-10-16 2013-02-13 南京航空航天大学 雷达发射机高压电源多参数融合实时健康预报方法
CN104156791A (zh) * 2014-08-29 2014-11-19 哈尔滨工业大学 基于ls-svm的概率集成学习锂离子电池剩余寿命预测方法
CN105528504A (zh) * 2016-03-01 2016-04-27 哈尔滨理工大学 基于cfoa-mkhsvm的滚动轴承健康状态评估方法
CN106407589A (zh) * 2016-09-29 2017-02-15 北京岳能科技股份有限公司 一种风机状态评估与预测方法及系统
CN106407998A (zh) * 2016-07-26 2017-02-15 北京工业大学 一种概率时变的海水液压泵故障预测方法
CN106444703A (zh) * 2016-09-20 2017-02-22 西南石油大学 基于故障模式发生概率的动设备运行状态模糊评价及预测方法
CN107621782A (zh) * 2017-05-08 2018-01-23 安徽理工大学 一种栅双极型晶体管(igbt)模块的故障诊断方法
CN109271741A (zh) * 2018-10-25 2019-01-25 北京航空航天大学 一种降压型dc-dc电源模块剩余使用寿命预测与健康评估方法
CN109886430A (zh) * 2019-01-24 2019-06-14 同济大学 一种基于工业大数据的设备健康状态评估与预测方法
US20200104200A1 (en) * 2018-09-27 2020-04-02 Oracle International Corporation Disk drive failure prediction with neural networks

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102663412A (zh) * 2012-02-27 2012-09-12 浙江大学 基于最小二乘支持向量机的电力设备载流故障趋势预测方法
CN102879728A (zh) * 2012-10-16 2013-01-16 南京航空航天大学 Dc-dc变换器健康评估指标与故障预测方法
CN102928791A (zh) * 2012-10-16 2013-02-13 南京航空航天大学 雷达发射机高压电源多参数融合实时健康预报方法
CN104156791A (zh) * 2014-08-29 2014-11-19 哈尔滨工业大学 基于ls-svm的概率集成学习锂离子电池剩余寿命预测方法
CN105528504A (zh) * 2016-03-01 2016-04-27 哈尔滨理工大学 基于cfoa-mkhsvm的滚动轴承健康状态评估方法
CN106407998A (zh) * 2016-07-26 2017-02-15 北京工业大学 一种概率时变的海水液压泵故障预测方法
CN106444703A (zh) * 2016-09-20 2017-02-22 西南石油大学 基于故障模式发生概率的动设备运行状态模糊评价及预测方法
CN106407589A (zh) * 2016-09-29 2017-02-15 北京岳能科技股份有限公司 一种风机状态评估与预测方法及系统
CN107621782A (zh) * 2017-05-08 2018-01-23 安徽理工大学 一种栅双极型晶体管(igbt)模块的故障诊断方法
US20200104200A1 (en) * 2018-09-27 2020-04-02 Oracle International Corporation Disk drive failure prediction with neural networks
CN109271741A (zh) * 2018-10-25 2019-01-25 北京航空航天大学 一种降压型dc-dc电源模块剩余使用寿命预测与健康评估方法
CN109886430A (zh) * 2019-01-24 2019-06-14 同济大学 一种基于工业大数据的设备健康状态评估与预测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
SOUALHIA 等: "Bearing Health Monitoring Based on Hilbert–Huang Transform, Support Vector Machine, and Regression", 《IEEE TRANSACTIONS ON INSTRUMENTATION AND MEASUREMENT》, vol. 64, no. 1, 1 July 2014 (2014-07-01), pages 52 - 62, XP011566420, DOI: 10.1109/TIM.2014.2330494 *
孟祥辉;朱遴;: "基于统计与模式识别的装备健康评估技术研究", 计算机测量与控制, no. 11, 25 November 2018 (2018-11-25), pages 281 - 284 *
张迎伟: "基于点检制的煤矿生产设备管理系统研究", 《煤矿机械》, vol. 34, no. 06, 15 June 2013 (2013-06-15), pages 288 - 290 *
王赟 等: "基于DSP+FPGA架构的DWT-SVM机载设备故障诊断方法研究", 《电光与控制》, vol. 27, no. 2020, 10 July 2020 (2020-07-10), pages 83 - 87 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112365186A (zh) * 2020-11-27 2021-02-12 中国电建集团海外投资有限公司 一种电力信息系统健康度评估方法及其评估系统
CN113052555A (zh) * 2021-03-26 2021-06-29 浙江三一装备有限公司 损耗零部件管理方法及系统
CN113450333A (zh) * 2021-06-30 2021-09-28 哈尔滨工业大学 基于机器学习的钢筋混凝土柱地震损伤程度评估方法
CN113450333B (zh) * 2021-06-30 2022-01-28 哈尔滨工业大学 基于机器学习的钢筋混凝土柱地震损伤程度评估方法
CN115186924A (zh) * 2022-07-28 2022-10-14 网思科技股份有限公司 基于人工智能的设备健康状态的评估方法和装置
CN117407829A (zh) * 2023-10-16 2024-01-16 创维互联（北京）新能源科技有限公司 基于深度学习的光伏组件健康度评估方法、系统和设备
CN117407829B (zh) * 2023-10-16 2024-04-19 创维互联（北京）新能源科技有限公司 基于深度学习的光伏组件健康度评估方法、系统和设备

Similar Documents

Publication Publication Date Title
CN111797815A (zh) 基于深度学习的复杂装备健康评估方法及系统
CN106951695B (zh) 多工况下的机械设备剩余使用寿命计算方法及系统
CN111539515B (zh) 一种基于故障预测的复杂装备维修决策方法
CN111274737A (zh) 一种机械设备剩余使用寿命预测方法及系统
CN110807257A (zh) 航空发动机剩余寿命预测方法
CN106020154A (zh) 一种用于乙烯生产的安全动态健康评估方法及评估系统
JP2009053938A (ja) 複数モデルに基づく設備診断システム及びその設備診断方法
CN113614359A (zh) 用于预测风力涡轮机齿轮箱组件中的可观察损坏的风险的方法和系统
US20220341996A1 (en) Method for predicting faults in power pack of complex equipment based on a hybrid prediction model
CN110737732A (zh) 一种机电设备故障预警方法
CN117196159A (zh) 基于互联网大数据分析的智慧水务分区计量系统
CN112785091A (zh) 一种对油田电潜泵进行故障预测与健康管理的方法
CN110703743A (zh) 设备故障预测与检测系统和方法
CN108921230A (zh) 基于类均值核主元分析和bp神经网络的故障诊断方法
CN116610998A (zh) 一种基于多模态数据融合的开关柜故障诊断方法和系统
JP2009086896A (ja) コンピュータの障害予測システムおよび障害予測方法
CN115438726A (zh) 一种基于数字孪生技术的设备寿命与故障类型预测方法及系统
CN115060312A (zh) 一种基于人工智能的建筑材料安全监测系统
CN113553765A (zh) 锅炉运行过程的动态仿真模拟方法、装置及系统
Lim et al. A novel time series-histogram of features (TS-HoF) method for prognostic applications
CN112906775A (zh) 一种设备故障预测方法及系统
CN117251695A (zh) 数据预测模型的训练方法、装置、设备及存储介质
CN117194163A (zh) 一种计算机设备、故障检测系统、方法及可读存储介质
CN117471346A (zh) 用于确定退役电池模组剩余寿命和健康状态的方法及系统
CN115145788A (zh) 一种针对智能运维系统的检测数据生成方法和装置

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