CN111896244B - 一种综采设备phm系统 - Google Patents
一种综采设备phm系统 Download PDFInfo
- Publication number
- CN111896244B CN111896244B CN202010745490.3A CN202010745490A CN111896244B CN 111896244 B CN111896244 B CN 111896244B CN 202010745490 A CN202010745490 A CN 202010745490A CN 111896244 B CN111896244 B CN 111896244B
- Authority
- CN
- China
- Prior art keywords
- data
- phm
- verification
- fault
- simulation
- 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
Links
- 238000005065 mining Methods 0.000 title claims abstract description 106
- 238000012795 verification Methods 0.000 claims abstract description 153
- 238000004088 simulation Methods 0.000 claims abstract description 126
- 238000012423 maintenance Methods 0.000 claims abstract description 110
- 238000011156 evaluation Methods 0.000 claims abstract description 56
- 238000000034 method Methods 0.000 claims abstract description 38
- 238000003745 diagnosis Methods 0.000 claims abstract description 27
- 238000005516 engineering process Methods 0.000 claims abstract description 23
- 238000013210 evaluation model Methods 0.000 claims abstract description 16
- 238000010276 construction Methods 0.000 claims abstract description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 97
- 238000012544 monitoring process Methods 0.000 claims description 45
- 238000012545 processing Methods 0.000 claims description 32
- 239000003245 coal Substances 0.000 claims description 29
- 230000005540 biological transmission Effects 0.000 claims description 28
- 238000012937 correction Methods 0.000 claims description 20
- 238000003860 storage Methods 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 15
- 238000005461 lubrication Methods 0.000 claims description 15
- 238000001514 detection method Methods 0.000 claims description 14
- 230000015556 catabolic process Effects 0.000 claims description 13
- 238000006731 degradation reaction Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 13
- 238000004458 analytical method Methods 0.000 claims description 11
- 230000033228 biological regulation Effects 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 9
- 238000013461 design Methods 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 238000012806 monitoring device Methods 0.000 claims description 7
- 238000004891 communication Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 239000003638 chemical reducing agent Substances 0.000 claims description 5
- 230000001186 cumulative effect Effects 0.000 claims description 5
- 239000010687 lubricating oil Substances 0.000 claims description 5
- 230000007613 environmental effect Effects 0.000 claims description 4
- 238000002474 experimental method Methods 0.000 claims description 4
- 230000001050 lubricating effect Effects 0.000 claims description 4
- 239000000203 mixture Substances 0.000 claims description 4
- 239000003921 oil Substances 0.000 claims description 4
- 238000007728 cost analysis Methods 0.000 claims description 3
- 230000003993 interaction Effects 0.000 claims description 3
- 230000008093 supporting effect Effects 0.000 claims description 3
- 238000007726 management method Methods 0.000 abstract description 21
- 230000036541 health Effects 0.000 abstract description 16
- 230000001976 improved effect Effects 0.000 abstract description 10
- 238000004519 manufacturing process Methods 0.000 abstract description 9
- 230000000694 effects Effects 0.000 abstract description 8
- 230000009286 beneficial effect Effects 0.000 abstract description 7
- 239000000523 sample Substances 0.000 description 26
- 230000018109 developmental process Effects 0.000 description 18
- 238000011161 development Methods 0.000 description 17
- 238000011160 research Methods 0.000 description 15
- 239000000306 component Substances 0.000 description 13
- 238000012360 testing method Methods 0.000 description 11
- 238000000605 extraction Methods 0.000 description 6
- 239000002131 composite material Substances 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 3
- 238000002347 injection Methods 0.000 description 3
- 239000007924 injection Substances 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012827 research and development Methods 0.000 description 3
- 230000033772 system development Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 238000013439 planning Methods 0.000 description 2
- 230000008092 positive effect Effects 0.000 description 2
- 230000003449 preventive effect Effects 0.000 description 2
- 238000004393 prognosis Methods 0.000 description 2
- 239000013074 reference sample Substances 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 241000243684 Lumbricus Species 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000004171 remote diagnosis Methods 0.000 description 1
- 238000004379 similarity theory Methods 0.000 description 1
- 239000000243 solution Substances 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
- G01M13/00—Testing of machine parts
- G01M13/02—Gearings; Transmission mechanisms
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/02—Gearings; Transmission mechanisms
- G01M13/027—Test-benches with force-applying means, e.g. loading of drive shafts along several directions
-
- 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
- G01R31/34—Testing dynamo-electric machines
-
- 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
- G01R31/34—Testing dynamo-electric machines
- G01R31/343—Testing dynamo-electric machines in operation
-
- 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
- G01R31/34—Testing dynamo-electric machines
- G01R31/346—Testing of armature or field windings
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了综采设备PHM系统。性能评估模块：用于构建验证评估模型；模拟实验模块：用于搭建模拟实验验证平台；PHM云端共享验证模块，用于搭建PHM云端共享验证平台；模型构建模块：用于确定多类型精准寿命预测模型和维修决策模型；结果验证模块：用于输出验证结果。本发明的有益效果在于：本发明的系统通过故障预测与健康管理(PHM)系统涵盖了故障诊断全部内容，又增加了故障预测与维修决策技术，通过维护周期的延长和及时的维修活动，提高系统的可用性、开机率和生产效率；通过预测性维护和精准维修，故障停机时间和配件库存期，显著降低维修成本，提高生产效率；最终降低产品全寿命周期成本，减少维护工作量，减人提效。
Description
技术领域
本发明涉及煤炭设备技术领域，特别涉及一种综采设备PHM系统。
背景技术
目前，全生命周期成本(LCC)分析研究已成热门，相关行业学者都有对该技术的应用进行研究，并已在有关行业设备的采购决策和使用管理中得到应用；在煤机装备领域已有综采设备可靠性寿命、运维优化管理和检修周期优化等研究技术，但尚未看到煤机装备全生命周期成本(LCC)相关理论研究和应用决策研究的报道。
鉴于煤矿井下设备工况条件恶劣，噪声干扰较大，对特征量提取与故障诊断和预测算法性能有较大的影响，因此，需要建立适用于煤机装备故障预测和健康管理系统发展的综合性能度量指标体系，并开发成性能评价工具，搭建在云服务平台，为煤机装备故障预测和健康管理系统发展提供检测、评价与完善的手段，以不断满足PHM系统在煤矿的使用要求。
发明内容
本发明提供一种综采设备PHM系统，用以解决煤矿井下设备工况条件恶劣，噪声干扰较大，对特征量提取与故障诊断和预测算法性能有较大的影响的情况。
一种综采设备PHM系统，其特征在于，包括：
性能评估模块：用于获取综采设备故障数据和运维数据，并根据所述故障数据，确定性能指标，构建验证评估模型；
模拟实验模块：用于根据所述综采设备的工况信息，模拟所述综采设备的传动系统的机电故障，搭建模拟实验验证平台；
PHM云端共享验证模块，用于根据所述验证评估模型和模拟实验验证平台，在云服务器中搭建PHM云端共享验证平台；
模型构建模块：用于将不同类型的故障检测技术通过所述PHM 云端共享验证平台处理，确定多类型精准寿命预测模型和维修决策模型；
结果验证模块：用于根据所述多类型精准寿命预测模型和维修决策模型确定所述综采设备PHM算法，并通过PHM算法验证所述综采设备的预测寿命和维修策略，输出验证结果。
作为本发明的一种实施例，所述性能评估模块包括：
数据采集单元：用于确定数据源和验证源，并提取故障数据和运维数据；其中，
所述故障数据由模拟实验和所述综采设备上设置的监测设备实时采集；
所述运维数据由所述综采设备上的设置监测设备储存的历史运维数据中采集；
指标设置单元：用于根据所述故障数据和运维数据，搭建PHM 算法，并通过综采设备的工况性能，设置算法指标；其中，
所述工况性能包括：变载荷、变速、电压波动、电磁干扰、润滑和计算容量；
所述算法指标包括：PHM算法技术性能的鲁棒性指标、计算性能的复杂度指标以及经济性能的投资回报和全生命周期成本分析指标；
模型构建单元：用于根据所述PHM算法，确定计算流程，并通过所述计算流程中可选项与修正模式，构建验证评估模型；其中，
所述可选项包括：数据源、特征量、特征量阈值、算法、评价指标；
所述修正模式包括：数据源修正、特征量修正、特征量阈值修正、算法修正、评价指标修正。
作为本发明的一种实施例，所述模拟实验模块包括：
平台组成单元：用于获取所述综采设备的结构，确定所述模拟实验验证平台的组成结构；其中，
所述模拟实验验证平台的组成结构包括：变频调速背靠背加载系统、动力传动系统、供电系统、工况模拟系统、故障模拟元部件、传感系统、数据采集模块和分析模块；
工况单元：用于获取所述综采设备作业的环境数据，确定工况信息；其中，
所述工况条件包括：变载荷信息、变速信息、电压波动信息、电磁干扰信息、润滑故障信息和外部冲击信息；
变载荷模拟单元：根据所述变载荷信息，确定所述综采设备的驱动电机与发电机背靠背传动加载系统中所述驱动电机通过变频调速以及发电机通过四象限回馈变频器的加载电荷，并模拟所述模拟实验验证平台的变频调速背靠背加载系统；
变速模拟单元：根据所述变速信息，确定所述电机与发电机之间联轴器、支撑座、扭矩仪、减速机的变速数据，并模拟所述模拟实验验证平台的动力传动系统；
电压波动模拟单元：根据所述电压波动信息，确定所述综采设备的供电电源和电压调控的电压波动信息，并模拟所述模拟实验验证平台的供电系统。
电磁干扰模拟单元：根据所述电磁干扰信息，确定所述综采设备的振源和电磁干扰脉冲发生器施加的外部振动和电流谐波干扰，并模拟所述模拟实验验证平台的传感系统、数据采集模块和分析模块；
润滑故障模拟单元：根据所述润滑故障信息，确定所述综采设备的润滑油的油质信息，并模拟所述模拟实验验证平台的故障模拟元部件；
外部冲击模拟单元：根据所述外部冲击信息，确定所述综采设备的外部冲击信息，并模拟所述模拟实验验证平台的工况模拟系统；
搭建单元：用于根据所述变载荷模拟单元、变速模拟单元、电压波动模拟单元电磁干扰模拟单元润滑故障模拟单元和外部冲击模拟单元，组成模拟实验验证平台。
作为本发明的一种实施例，所述PHM云端共享验证模块包括：
数据获取单元：用于基于所述验证评估模型，确定所述故障数据和运维数据中的历史样本数据和处理数据；
算法企业顶单元：用于根据所述历史样本数据和处理数据，确定数据特征，并设计特征量算法；
数据库搭建模块：基于所述特征量算法、历史样本数据和处理数据在所述PHM云端网络中搭建云端数据库；
框架搭建模块：用于根据所述模拟实验验证平台，搭建云端模拟平台框架；
平台搭建模块：用于融合所述云端模拟平台框架和云端数据库，构建PHM云端共享验证平台。
作为本发明的一种实施例，所述PHM云端共享验证模块还包括：
验证功能搭建单元：用于搭建人机交互的界面平台，并于用户端的终端设备连接；其中，
所述用户端包括：设计用户端和煤机用户端；其中，
所述设计用户端的功能在于：算法加载，选择算法分类、调取历史数据样本、计算特征量、设定阈值、发布性能评估内容、启动性能评估工具和输出并存储评估结果；
所述煤机用户端的功能在于：择计划应用PHM系统的内容，选择配套的主机设备、运维经验数据录入，启动性能评估工具，输出并存储经济指标评价结果和所选PHM系统的性能评价结果。
作为本发明的一种实施例，所述模型构建模块包括：
故障检测技术确定单元：用于根据所述故障数据和运维数据，确定样本数据的数量，并基于所述样本数据的数量，确定多类型精准寿命预测模型；其中，
所述故障预测技术包括：基于小样本数据驱动的寿命预测模型、基于大量样本历史经验的寿命预测模型和基于物理模型的寿命预测模型；
相似性处理单元：用于根据所述样本数据，确定退化变量，并基于所述退化变量的近期表现与某一历史样本的退化变量在某一时间段的表现相似性，将所述样本数据通过所述PHM云端共享验证平台进行处理，确定验证数据；
相对类似疲劳累积损伤处理单元：用于根据所述样本数据，确定工况的疲劳累积损伤，确定损失数据；
策略单元：用于根据所述验证数据，确定故障类型，根据损失数据，确定维修方式，结合所述维修方式和故障类型，确定维修决策模型。
作为本发明的一种实施例，所述结果验证模块包括：
优化单元：用于获取所述综采设备的监测数据，并通过所述维修决策模型和多类型精准寿命预测模型处理，确定计算量；
储存单元：用于根据记录所述监测数据通过所述维修决策模型和多类型精准寿命预测模型的数据量，确定储存能力；
算法单元：根据所述计算量和储存能力，生成PHM算法；
验证单元：用于将所述监测数据发送至PHM云端共享验证平台，并通过PHM算法验证所述监测数据，确定可信度；
结果单元：用于根据所述可信度，输出验证结果。
作为本发明的一种实施例，所述结果验证模块还包括：
实验单元：用于在所述综采设备上配置监测设备，确定监测数据；
布设单元：用于确定所述综采设备的位置，并将所述综采设备 PHM系统配置在所述综采设备上并于所述监测设备连接，获取通信数据；
预测验证单元：用于将所述监测数据发送至PHM云端共享验证平台，并通过PHM算法处理，确定预测算法准确度、故障诊断算法准确度和漏判率，确定置信度。
本发明的有益效果在于：本发明的系统通过故障预测与健康管理(PHM)系统涵盖了故障诊断全部内容，又增加了故障预测与维修决策技术，以真正实现预测性维护，主要内容包括：数据采集、数据处理、特征提取、状态监测、故障诊断(状态识别)、剩余寿命预测与健康保障决策等部分，但其研究领域更关注于软件部分，通过智能算法、软件平台和工业领域经验知识，搭建PHM系统。其中，所谓故障预测，即预先诊断机电设备元部件完成其功能的状态，包括确定元部件的剩余使用寿命或正常工作的时间长度；所谓健康管理，是根据故障诊断与预测信息、可用资源和使用要求对维修活动与时间安排做出适当决策的能力。故障预测与健康管理(PHM)的核心之一是剩余寿命预测，剩余寿命预测可以直接作为制定维修决策的依据，实现在准确时间对准确部位进行准确维修的主动积极的活动，实现预测性维护。因此，PHM技术的实现将使原来的事后维护或定期维修被基于状态的维修(也称预测性维修)所取代，这种取代能够实现对装备保障带来显著的经济性提升：提供系统失效前的高级预警，有效避免突发故障带来的非计划停机，实现预测性维护；通过维护周期的延长和及时的维修活动，提高系统的可用性、开机率和生产效率；通过预测性维护和精准维修，缩减检查成本、故障停机时间和配件库存期，显著降低维修成本，提高生产效率；最终降低产品全寿命周期成本，减少维护工作量，减人提效。
本发明的其它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可通过在所写的说明书以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明实施例中一种综采设备PHM系统的系统组成示意图；
图2为本发明实施例中性能评估模块的组成示意图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
本发明为一种综采设备PHM系统，如附图1所示，本发明包括包括5个模块，分别为：
性能评估模块：用于获取综采设备故障数据和运维数据，并根据所述故障数据，确定性能指标，构建验证评估模型；
模拟实验模块：用于根据所述综采设备的工况信息，模拟所述综采设备的传动系统的机电故障，搭建模拟实验验证平台；
PHM云端共享验证模块，用于根据所述验证评估模型和模拟实验验证平台，在云服务器中搭建PHM云端共享验证平台；
模型构建模块：用于将不同类型的故障检测技术通过所述PHM 云端共享验证平台处理，确定多类型精准寿命预测模型和维修决策模型；
结果验证模块：用于根据所述多类型精准寿命预测模型和维修决策模型确定所述综采设备PHM算法，并通过PHM算法验证所述综采设备的预测寿命和维修策略，输出验证结果。
本发明的原理在于：通过本发明的系统，基于综采设备的故障数据和运维数据研究、开发与实施，完成综采设备传动系统故障预测与健康管理(PHM)验证评估指标体系与评价工具研发，并将验证评价工具和具备各种工况条件的历史数据样本架构到云服务平台，构成 PHM云端共享验证平台；完成模拟工况条件的传动系统机电故障模拟实验台研制并开展实验研究，确保有效验证、评价与改进故障诊断与预测算法，满足用户需求，为新的故障诊断与预测算法性能评价与改进提供手段，为机载PHM系统设计提供算法选型和计算系统设计的依据，为煤矿用户选用PHM系统的决策提供评价依据，提升PHM 系统应用的可信度和使用价值，推进PHM系统在煤矿的工程应用，加速产业发展。
本发明的有益效果在于：本发明的系统通过故障预测与健康管理 (PHM)系统涵盖了故障诊断全部内容，又增加了故障预测与维修决策技术，以真正实现预测性维护，主要内容包括：数据采集、数据处理、特征提取、状态监测、故障诊断(状态识别)、剩余寿命预测与健康保障决策等部分，但其研究领域更关注于软件部分，通过智能算法、软件平台和工业领域经验知识，搭建PHM系统。其中，所谓故障预测，即预先诊断机电设备元部件完成其功能的状态，包括确定元部件的剩余使用寿命或正常工作的时间长度；所谓健康管理，是根据故障诊断与预测信息、可用资源和使用要求对维修活动与时间安排做出适当决策的能力。故障预测与健康管理(PHM)的核心之一是剩余寿命预测，剩余寿命预测可以直接作为制定维修决策的依据，实现在准确时间对准确部位进行准确维修的主动积极的活动，实现预测性维护。因此，PHM技术的实现将使原来的事后维护或定期维修被基于状态的维修(也称预测性维修)所取代，这种取代能够实现对装备保障带来显著的经济性提升：提供系统失效前的高级预警，有效避免突发故障带来的非计划停机，实现预测性维护；通过维护周期的延长和及时的维修活动，提高系统的可用性、开机率和生产效率；通过预测性维护和精准维修，缩减检查成本、故障停机时间和配件库存期，显著降低维修成本，提高生产效率；最终降低产品全寿命周期成本，减少维护工作量，减人提效。
作为本发明的一种实施例，如附图2所示：所述性能评估模块包括：
数据采集单元：用于确定数据源和验证源，并提取故障数据和运维数据；其中，数据源为所述综采设备中运行系统、控制系统产生的运行数据和作业数据。其中运行数据包括故障数据、运维数据和正常运行数据，作业数据为综采设备作业流程数据以及管控规则、管控标准和产生的经济效益数据。
所述故障数据由模拟实验和所述综采设备上设置的监测设备实时采集；
所述运维数据由所述综采设备上的设置监测设备储存的历史运维数据中采集；
指标设置单元：用于根据所述故障数据和运维数据，搭建PHM 算法，并通过综采设备的工况性能，设置算法指标；其中，
所述工况性能包括：变载荷、变速、电压波动、电磁干扰、润滑和计算容量；
所述算法指标包括：PHM算法技术性能的鲁棒性指标、计算性能的复杂度指标以及经济性能的投资回报和全生命周期成本分析指标；
在故障诊断与预测算法中，常规的技术性能指标有漏判率、虚警率、准确度和精度等。针对综采设备运行在变载荷、变速、电压波动、电磁干扰、润滑条件较差以及计算容量有限等恶劣工况条件的特殊性，以及煤炭用户更关注新技术的价值取向，本发明需要研究专用指标，如在各种干扰条件下的鲁棒性指标、计算能力指标以及运维费效经济指标，这是PHM系统在煤炭行业工程应用的基础。因此，本发明结合综采设备工况条件，重点对PHM算法技术性能的鲁棒性指标(含故障诊断和预测)、计算性能的复杂度指标以及经济性能的投资回报 (ROI)和全生命周期成本(LCC)分析指标进行适应性分析研究，最终完成以上三类指标以及指标限定范围标准的确定。具体的指标总数不低于35个。
模型构建单元：用于根据所述PHM算法，确定计算流程，并通过所述计算流程中可选项与修正模式，构建验证评估模型；其中，
所述可选项包括：数据源、特征量、特征量阈值、算法、评价指标；
所述修正模式包括：数据源修正、特征量修正、特征量阈值修正、算法修正、评价指标修正。在验证评估模型的构建过程中，即验证评估指标体系工具化开发的过程中。依据数据源、特征量、特征量阈值、算法、评价指标等计算流程中的可选项与修正模式开展验证流程操作系统开发，同时完成数据库、任务管理系统、验证模型与算法、人机界面等软件模块开发，自主完成成套评价工具开发。
作为本发明的一种实施例，所述模拟实验模块包括：
平台组成单元：用于获取所述综采设备的结构，确定所述模拟实验验证平台的组成结构；其中，
所述模拟实验验证平台的组成结构包括：变频调速背靠背加载系统、动力传动系统、供电系统、工况模拟系统、故障模拟元部件、传感系统、数据采集模块和分析模块；
工况单元：用于获取所述综采设备作业的环境数据，确定工况信息；其中，
所述工况条件包括：变载荷信息、变速信息、电压波动信息、电磁干扰信息、润滑故障信息和外部冲击信息；工况条件也表示故障条件，具体包括：机械故障，例如：包括轴承外圈故障、轴承内圈故障、轴承保持架故障、轴承滚子故障、轴不对中故障、轴不平衡故障、基础松动故障、齿轮故障、齿轮箱润滑油故障。电气故障，例如：包括：电机匝间短路、转子偏心、电流不平衡故障、转子断条故障、转子弯曲故障、电机转子不平衡故障、电机转子不对中故障。
工况单元的工况模拟内容就是工况信息：包括载荷可按预设载荷谱加载模拟，速度可按预设速度曲线调速模拟，电压波动模拟，润滑油质变化模拟，外加振动和电磁谐波干扰模拟，各种工况复合施加模拟。具体如下：
变载荷模拟单元：根据所述变载荷信息，确定所述综采设备的驱动电机与发电机背靠背传动加载系统中所述驱动电机通过变频调速以及发电机通过四象限回馈变频器的加载电荷，并模拟所述模拟实验验证平台的变频调速背靠背加载系统；
变速模拟单元：根据所述变速信息，确定所述电机与发电机之间联轴器、支撑座、扭矩仪、减速机的变速数据，并模拟所述模拟实验验证平台的动力传动系统；
电压波动模拟单元：根据所述电压波动信息，确定所述综采设备的供电电源和电压调控的电压波动信息，并模拟所述模拟实验验证平台的供电系统。
电磁干扰模拟单元：根据所述电磁干扰信息，确定所述综采设备的振源和电磁干扰脉冲发生器施加的外部振动和电流谐波干扰，并模拟所述模拟实验验证平台的传感系统(系统配备：位移、振动、温度、油质、液位、电流、电压、转速等传感器)、数据采集模块和分析模块(配置高精度多通道数据采集、分析、存储模块，最大采样频率≥ 100kS/s，信号采集通道≥16增加同时采样通道数，用于多参数融合算法校验)；
润滑故障模拟单元：根据所述润滑故障信息，确定所述综采设备的润滑油的油质信息，并模拟所述模拟实验验证平台的故障模拟元部件；
外部冲击模拟单元：根据所述外部冲击信息，确定所述综采设备的外部冲击信息，并模拟所述模拟实验验证平台的工况模拟系统；
搭建单元：用于根据所述变载荷模拟单元、变速模拟单元、电压波动模拟单元电磁干扰模拟单元润滑故障模拟单元和外部冲击模拟单元，组成模拟实验验证平台。本发明的工况模拟可以单一工况模拟，也可以多种工况复合模拟。本发明重点获取不同工况条件下各种机电故障状态数据样本，包括正常状态、微弱故障状态和故障状态等三种状态的数据样本。通过工况和故障注入模拟实验，进行单一工况(额定条件正常运行以及变载荷、变速、电压波动、电磁干扰、润滑故障等单一工况模拟)及复合工况条件下多种机电故障状态模拟实验，获取每种工况条件下每一种机电故障样本数量不低于10个。
上述技术方案的原理在于：本发明通过研制模拟变载荷、变速、电压波动、电磁干扰、润滑故障等工况条件构建传动系统机电故障模拟实验验证平台。因为综采设备工作环境恶劣，空间狭小、电压波动、变载荷、变速度、冲击振动大、满载启动、潮湿粉尘大、电磁干扰严重，不仅对传动系统的可靠性与寿命影响较大，而且对振动、电流等信号的影响也较大。而故障诊断与剩余寿命预测不能因为上述干扰而影响准确度和精度，因此，需要通过模拟综采工作面工况条件，开展故障状态识别和加速全寿命实验，快速获得各种工况条件的故障样本数据作为验证数据源，以对PHM各类算法进行验证与改进，满足使用需求。
本发明的有益效果在于：本发明充分利用设备性能测试技术、加速寿命试验技术、模拟故障注入技术以及工况模拟，完成模拟工况的传动系统机电故障模拟实验台研制，实现综采设备动力传动系统典型工况和故障的再现和加速寿命试验，为故障预测与健康管理相关算法提供可靠的实验验证。
作为本发明的一种实施例，所述PHM云端共享验证模块包括：
数据获取单元：用于基于所述验证评估模型，确定所述故障数据和运维数据中的历史样本数据和处理数据；在一个实施列中，数据获取的方式为：
由故障注入和加速寿命试验获取所需要的传动系统故障状态数据和全生命周期样本数据。包括上述实验研究获得的6类工况条件(正常运行加5类工况模拟)16种机电故障状态样本，每种工况条件下每一种机电故障样本数量不低于10个；以及6种单一工况(正常运行加5类工况模拟)和复合工况条件下直齿传动轴承和齿轮以及行星传动轴承和齿轮4类全生命周期数据样本不低于28组。
在工业性试验点安装综采设备运行状态监测系统，实时在线监测综采设备运行数据。计划收集工作面刮板输送机驱动减速机振动、温度和驱动电机电流等全生命周期数据样本不少于6组。
结合经济性能指标内容，对煤炭生产企业综采设备管理进行广泛调研，收集典型综采设备减速器关键零部件定时维护全生命周期运维成本和全生命周期运行、检修情况等运维知识信息数据样本不少于 10组。
算法企业顶单元：用于根据所述历史样本数据和处理数据，确定数据特征，并设计特征量算法；
数据库搭建模块：基于所述特征量算法、历史样本数据和处理数据在所述PHM云端网络中搭建云端数据库；
框架搭建模块：用于根据所述模拟实验验证平台，搭建云端模拟平台框架；
平台搭建模块：用于融合所述云端模拟平台框架和云端数据库，构建PHM云端共享验证平台。
本发明的有益效果在于：本发明将性能验证评价工具、数据样本和相关基础数据处理与特征量算法等搭建到云服务平台上，结合操作系统、数据库、任务管理和人机接口，完成云端共享验证平台开发，实现各类算法各项指标的在线验证。
PHM云端共享验证平台还可以，以评价流程选项和图形化引导式操作支持，允许用户上传加载各类模型、算法，允许用户选择、组合执行被验证算法的前置数据源、特征量、阈值、数据修正、评价指标，并通过表格、图形、曲线等方式显示验证评估结果；支持对验证结果的报告导出功能，并为验证过程提供过程控制、配置管理和各阶段存储，方便用户评价过程管理以及查看历史验证结果。
作为本发明的一种实施例，所述PHM云端共享验证模块还包括：
验证功能搭建单元：用于搭建人机交互的界面平台，并于用户端的终端设备连接；其中，
所述用户端包括：设计用户端和煤机用户端；其中，
所述设计用户端的功能在于：算法加载，选择算法分类、调取历史数据样本、计算特征量、设定阈值、发布性能评估内容、启动性能评估工具和输出并存储评估结果；
所述煤机用户端的功能在于：择计划应用PHM系统的内容，选择配套的主机设备、运维经验数据录入，启动性能评估工具，输出并存储经济指标评价结果和所选PHM系统的性能评价结果。
上述技术方案的有益效果在于：云端网络便于和用户连接，通过云端网络构建设计用户端对系统进行管理，煤机用户端，相当于操作端实现主动操作，都能获取经济效果，排除不利影响。
作为本发明的一种实施例，所述模型构建模块包括：
故障检测技术确定单元：用于根据所述故障数据和运维数据，确定样本数据的数量，并基于所述样本数据的数量，确定多类型精准寿命预测模型；其中，综采设备具备的检测条件差异较大，因此，必须配备不同的算法。作为综合验证评价体系，需要开展不同类型预测算法的研发。在已有故障诊断算法和基于小样本数据驱动的预测算法基础上，本发明重点研发基于历史经验和基于物理模型的故障预测，以及维修决策模型和算法，并通过验证平台进行验证与改进，提高预测算法准确度。
所述故障预测技术包括：基于小样本数据驱动的寿命预测模型、基于大量样本历史经验的寿命预测模型和基于物理模型的寿命预测模型；
相似性处理单元：用于根据所述样本数据，确定退化变量，并基于所述退化变量的近期表现与某一历史样本的退化变量在某一时间段的表现相似性，将所述样本数据通过所述PHM云端共享验证平台进行处理，确定验证数据；工程应用中的综采设备，受多种干扰复合影响造成零部件性能的非线性衰退，这种情况很难建立退化模型，因此，提出了一种基于相似性的剩余寿命预测方法。其方法是：若服役样本，即样本数据退化变量的近期表现与某一历史参照样本在某一时间段的表现相似，则服役样本的剩余寿命与此参照样本在该时间段后的剩余寿命相似；考虑工况条件的变化，服役设备的剩余寿命可预测为各工况条件下运行的同类设备在某一时间段后的剩余寿命的“加权平均”，其中，权值根据服役设备与各历史参考设备之间的工况相似性计算，而相似性则需要进一步根据各设备在失效过程中的状态监测数据确定。
因此，本发明基于相似性的传动部件剩余寿命预测技术是基于被预测样本数据(可为零部件)退化参量的相似工况的大量历史经验开展故障预测，该方法具有较好的长程预测能力并能有效避免退化建模的负担；在历史样本足够的前提下，其性能远优于其他预测方法，尤其在较高噪声水平时具有较高的预测精度，是一种简单有效的剩余寿命预测方法，在工程应用中应用较多。此方法应用的基础是需要大量满足工况条件的历史数据样本，并在应用过程中通过机器学习不断丰富历史样本。
相对类似疲劳累积损伤处理单元：用于根据所述样本数据，确定工况的疲劳累积损伤，确定损失数据；本发明结合煤矿井下综采设备动力传动系统结构、特点、工况与环境条件，以及目前综采设备主要配备的检测系统仍以电流、温度为主，开展基于相对类似疲劳累积损伤理论的传动部件剩余寿命预测技术研发。有效结合基于物理模型的故障预测技术和基于历史经验的故障预测技术，通过疲劳累积损伤理论与相似性理论和实测电流谱的有机结合，有效克服疲劳累积损伤理论假设条件、检测参量、工况环境、效率的不确定性、润滑条件、材料与制造、安装条件等对寿命预测的影响，在现有煤机装备上可以方便的实现寿命预测，并通过经验的机器自学习提高寿命预测的准确性，确保故障预测技术在现有综采装备上的方便、经济与有效应用，实现齿轮与轴承等传动零部件的剩余寿命预测与预测性维护。
策略单元：用于根据所述验证数据，确定故障类型，根据损失数据，确定维修方式，结合所述维修方式和故障类型，确定维修决策模型。本发明基于历史寿命经验和基于剩余寿命预测的维修决策模型和算法。本发明以历史寿命经验和剩余寿命预测为依据，重点开展维修成本、资源消耗、生产效益综合经济目标的最优化研究，得到最佳维修时机，已达到减少损失，提高可用性的目的。根据研究成果，分别完成预防性维修模型和预测性维修模型开发，并依据模型完成算法开发，实现预防性维护决策和预测性维护决策。
作为本发明的一种实施例，所述结果验证模块包括：
优化单元：用于获取所述综采设备的监测数据，并通过所述维修决策模型和多类型精准寿命预测模型处理，确定计算量；
储存单元：用于根据记录所述监测数据通过所述维修决策模型和多类型精准寿命预测模型的数据量，确定储存能力；
算法单元：根据所述计算量和储存能力，生成PHM算法；
验证单元：用于将所述监测数据发送至PHM云端共享验证平台，并通过PHM算法验证所述监测数据，确定可信度；
结果单元：用于根据所述可信度，输出验证结果。
PHM系统由数据采集、数据处理、特征提取、状态预测、故障诊断、剩余寿命预测与健康保障决策等部分组成，其输入是检测对象的监测数据，输出是诊断与预测结果；其硬件为一套具有较高计算能力的计算机和较大存储能力的存储器；而核心部件是一套软件，包括数据采集软件、数据库软件、数据处理软件、特征量提取软件、故障诊断软件、寿命预测软件、维修决策软件以及设备与任务管理软件和人机界面软件，通过一个是实施例说明上述技术方案的原理：
依据PHM算法计算性能评价结果，优化监测参数，根据计算量和数据量，合理适配诊断与预测算法软件。
完成PHM系统软件开发，包括：数据采集模块、数据库模块(含实时数据库、历史数据库和算法库)、设备管理模块、任务管理模块和人机界面模块。具备数据采集、数据处理、特征提取、状态监测、故障诊断(状态识别)、剩余寿命预测与健康保障决策等7项功能。
高计算性能和存储能力的防爆计算机研制，包括根据综采设备各监测系统通讯方式与协议开展数据通讯接口设计(包括以太网和 232/485串口等)，以及数据存储系统设计、散热系统研制、监控保护系统开发、防爆外壳研制及防爆试验。可实现就地实时、短周期、轻量级数据分析和诊断及预测。主要技术指标：3GHz处理器，4GB 内存，2TB存储能力。
可将监测信息发送到云端，实现非实时、长周期、大数据分析与预测；与此同时，完成PHM算法性能评价，用真实数据验证PHM验证评价系统的可信度。
作为本发明的一种实施例，所述结果验证模块还包括：
实验单元：用于在所述综采设备上配置监测设备，确定监测数据；
布设单元：用于确定所述综采设备的位置，并将所述综采设备 PHM系统配置在所述综采设备上并于所述监测设备连接，获取通信数据；
预测验证单元：用于将所述监测数据发送至PHM云端共享验证平台，并通过PHM算法处理，确定预测算法准确度、故障诊断算法准确度和漏判率，确定置信度。
通过一个实施例说明上述技术方案原理和有益效果，现场工业性试验：
第一步，在工业试验点相关煤机设备上及时配套运行天地龙跃已有监测与诊断系统，跟踪设备运行监测，实现就地实时状态监测与诊断，并将监测数据采集发送云端，开展远程诊断与预测。用2年时间采集传动系统全生命周期样本数不少于6组。
第二步将新开发的综采设备PHM系统布置到井下综采工作面，并与已有监测与诊断系统进行数据通信，跟踪综采设备运行监测，实现就地实时、短周期、轻量级数据分析、诊断、寿命预测。工业性试验不少于3个月。
云端工业性试验跟踪与验证：
将工业性试验的综采设备运行监测信息发送到云端，实现非实时、长周期、大数据分析与预测。用现场实际运行监测数据验证故障诊断与寿命预测算法，寿命预测算法准确度大于80％、故障诊断算法准确度大于90％、漏判率小于5％。
(2)技术创新点
本发明结合煤矿工况条件，对适用综采设备的故障预测与健康管理(PHM)系统技术性能、计算性能和经济性能综合验证评估指标体系进行全面的分析研究，推出适用于煤机PHM系统的综合性能验证评估体系与评价工具，为PHM相关技术开发和推广应用提供决策依据。
本发明模拟综采设备工况条件的传动系统机电故障模拟实验验证平台开发，模拟井下工况，开展综采设备工况条件对PHM算法性能影响的研究，提升PHM系统在综采设备上应用的技术性能。
本发明将评价工具和历史数据样本架构到云服务平台，构成云端共享PHM验证平台，可通过云服务客户端进行PHM系统的加载与模拟应用，实现对任意PHM系统技术性能、计算性能和全生命周期经济性评价，意在为煤机厂设计机载PHM系统提供评价依据，为新的PHM算法提供校验与改进的手段，为用户选择PHM系统提供决策依据，提升PHM系统的使用价值，推进PHM系统在煤机领域的应用。
而本发明综采设备传动系统零部件剩余寿命预测技术开发与综采设备PHM系统研制。
本发明有利于加快PHM系统在综采设备中的推广应用，推进综采设备运维由事后维修和定时维修向预测性维修转变。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (3)
1.一种综采设备PHM系统，其特征在于，包括：
性能评估模块：用于获取综采设备故障数据和运维数据，并根据所述故障数据，确定性能指标，构建验证评估模型；
模拟实验模块：用于根据所述综采设备的工况信息，模拟所述综采设备的传动系统的机电故障，搭建模拟实验验证平台；
PHM云端共享验证模块，用于根据所述验证评估模型和模拟实验验证平台，在云服务器中搭建PHM云端共享验证平台；
模型构建模块：用于将不同类型的故障检测技术通过所述PHM云端共享验证平台处理，确定多类型精准寿命预测模型和维修决策模型；
结果验证模块：用于根据所述多类型精准寿命预测模型和维修决策模型确定所述综采设备PHM算法，并通过PHM算法验证所述综采设备的预测寿命和维修策略，输出验证结果；
所述模拟实验模块包括：
平台组成单元：用于获取所述综采设备的结构，确定所述模拟实验验证平台的组成结构；其中，
所述模拟实验验证平台的组成结构包括：变频调速背靠背加载系统、动力传动系统、供电系统、工况模拟系统、故障模拟元部件、传感系统、数据采集模块和分析模块；
工况单元：用于获取所述综采设备作业的环境数据，确定工况信息；其中，
工况条件包括：变载荷信息、变速信息、电压波动信息、电磁干扰信息、润滑故障信息和外部冲击信息；
变载荷模拟单元：根据所述变载荷信息，确定所述综采设备的驱动电机与发电机背靠背传动加载系统中所述驱动电机通过变频调速以及发电机通过四象限回馈变频器的加载电荷，并模拟所述模拟实验验证平台的变频调速背靠背加载系统；
变速模拟单元：根据所述变速信息，确定所述电机与发电机之间联轴器、支撑座、扭矩仪、减速机的变速数据，并模拟所述模拟实验验证平台的动力传动系统；
电压波动模拟单元：根据所述电压波动信息，确定所述综采设备的供电电源和电压调控的电压波动信息，并模拟所述模拟实验验证平台的供电系统；
电磁干扰模拟单元：根据所述电磁干扰信息，确定所述综采设备的振源和电磁干扰脉冲发生器施加的外部振动和电流谐波干扰，并模拟所述模拟实验验证平台的传感系统、数据采集模块和分析模块；
润滑故障模拟单元：根据所述润滑故障信息，确定所述综采设备的润滑油的油质信息，并模拟所述模拟实验验证平台的故障模拟元部件；
外部冲击模拟单元：根据所述外部冲击信息，确定所述综采设备的外部冲击信息，并模拟所述模拟实验验证平台的工况模拟系统；
搭建单元：用于根据所述变载荷模拟单元、变速模拟单元、电压波动模拟单元电磁干扰模拟单元润滑故障模拟单元和外部冲击模拟单元，组成模拟实验验证平台；
所述性能评估模块包括：
数据采集单元：用于确定数据源和验证源，并提取故障数据和运维数据；其中，
所述故障数据由模拟实验和所述综采设备上设置的监测设备实时采集；
所述运维数据由所述综采设备上的设置监测设备储存的历史运维数据中采集；
指标设置单元：用于根据所述故障数据和运维数据，搭建PHM算法，并通过综采设备的工况性能，设置算法指标；其中，
所述工况性能包括：变载荷、变速、电压波动、电磁干扰、润滑和计算容量；
所述算法指标包括：PHM算法技术性能的鲁棒性指标、计算性能的复杂度指标以及经济性能的投资回报和全生命周期成本分析指标；
模型构建单元：用于根据所述PHM算法，确定计算流程，并通过所述计算流程中可选项与修正模式，构建验证评估模型；其中，
所述可选项包括：数据源、特征量、特征量阈值、算法、评价指标；
所述修正模式包括：数据源修正、特征量修正、特征量阈值修正、算法修正、评价指标修正；
所述PHM云端共享验证模块包括：
数据获取单元：用于基于所述验证评估模型，确定所述故障数据和运维数据中的历史样本数据和处理数据；
算法企业顶单元：用于根据所述历史样本数据和处理数据，确定数据特征，并设计特征量算法；
数据库搭建模块：基于所述特征量算法、历史样本数据和处理数据在所述PHM云端网络中搭建云端数据库；
框架搭建模块：用于根据所述模拟实验验证平台，搭建云端模拟平台框架；
平台搭建模块：用于融合所述云端模拟平台框架和云端数据库，构建PHM云端共享验证平台；所述PHM云端共享验证模块还包括：
验证功能搭建单元：用于搭建人机交互的界面平台，并于用户端的终端设备连接；其中，
所述用户端包括：设计用户端和煤机用户端；其中，
所述设计用户端的功能在于：算法加载，选择算法分类、调取历史数据样本、计算特征量、设定阈值、发布性能评估内容、启动性能评估工具和输出并存储评估结果；
所述煤机用户端的功能在于：择计划应用PHM系统的内容，选择配套的主机设备、运维经验数据录入，启动性能评估工具，输出并存储经济指标评价结果和所选PHM系统的性能评价结果；所述模型构建模块包括：
故障检测技术确定单元：用于根据所述故障数据和运维数据，确定样本数据的数量，并基于所述样本数据的数量，确定多类型精准寿命预测模型；其中，
故障预测技术包括：基于小样本数据驱动的寿命预测模型、基于大量样本历史经验的寿命预测模型和基于物理模型的寿命预测模型；
相似性处理单元：用于根据所述样本数据，确定退化变量，并基于所述退化变量的近期表现与某一历史样本的退化变量在某一时间段的表现相似性，将所述样本数据通过所述PHM云端共享验证平台进行处理，确定验证数据；
相对类似疲劳累积损伤处理单元：用于根据所述样本数据，确定工况的疲劳累积损伤，确定损失数据；
策略单元：用于根据所述验证数据，确定故障类型，根据损失数据，确定维修方式，结合所述维修方式和故障类型，确定维修决策模型。
2.根据权利要求1所述的一种综采设备PHM系统，其特征在于，所述结果验证模块包括：
优化单元：用于获取所述综采设备的监测数据，并通过所述维修决策模型和多类型精准寿命预测模型处理，确定计算量；
储存单元：用于根据记录所述监测数据通过所述维修决策模型和多类型精准寿命预测模型的数据量，确定储存能力；
算法单元：根据所述计算量和储存能力，生成PHM算法；
验证单元：用于将所述监测数据发送至PHM云端共享验证平台，并通过PHM算法验证所述监测数据，确定可信度；
结果单元：用于根据所述可信度，输出验证结果。
3.根据权利要求1所述的一种综采设备PHM系统，其特征在于，所述结果验证模块还包括：
实验单元：用于在所述综采设备上配置监测设备，确定监测数据；
布设单元：用于确定所述综采设备的位置，并将所述综采设备PHM系统配置在所述综采设备上并于所述监测设备连接，获取通信数据；
预测验证单元：用于将所述监测数据发送至PHM云端共享验证平台，并通过PHM算法处理，确定预测算法准确度、故障诊断算法准确度和漏判率，确定置信度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010745490.3A CN111896244B (zh) | 2020-07-29 | 2020-07-29 | 一种综采设备phm系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010745490.3A CN111896244B (zh) | 2020-07-29 | 2020-07-29 | 一种综采设备phm系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111896244A CN111896244A (zh) | 2020-11-06 |
| CN111896244B true CN111896244B (zh) | 2023-04-07 |
Family
ID=73183658
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010745490.3A Active CN111896244B (zh) | 2020-07-29 | 2020-07-29 | 一种综采设备phm系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111896244B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113865907B (zh) * | 2021-09-30 | 2024-05-07 | 华晋焦煤有限责任公司 | 一种滚筒采煤机健康监测系统及方法 |
| CN113657693B (zh) * | 2021-10-20 | 2022-02-08 | 中国电子产品可靠性与环境试验研究所（（工业和信息化部电子第五研究所）（中国赛宝实验室）） | 一种智能制造装备的预测性维护系统和方法 |
| CN115599000B (zh) * | 2022-12-14 | 2023-04-07 | 中国航空工业集团公司西安飞机设计研究所 | 一种机载phm系统软硬件配置管理功能验证方法及装置 |
| CN115964214B (zh) * | 2022-12-30 | 2023-07-14 | 广州市华势信息科技有限公司 | 一种多终端零代码智能软件开发平台 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH07239928A (ja) * | 1994-02-25 | 1995-09-12 | Fujitsu Ltd | カード型記憶媒体およびカード型記憶媒体発行装置 |
| CN106353691A (zh) * | 2016-10-31 | 2017-01-25 | 首都师范大学 | 一种计及自愈影响的锂电池退化建模及寿命预测方法 |
| CN106372272A (zh) * | 2016-08-01 | 2017-02-01 | 北京航空航天大学 | 一种基于广义退化模型和多尺度分析的锂电池容量及寿命预测方法 |
| AU2015234400A1 (en) * | 2015-10-05 | 2017-04-20 | Fmc & Australia Pty Limited | Smart Health Management Service and System by Using Smart Index and Automation Platform Installed in Smart Phones |
| 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 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103927343B (zh) * | 2014-03-28 | 2017-04-05 | 北京航空航天大学 | 一种phm系统诊断与预测能力综合验证方法 |
| CN106295809B (zh) * | 2016-07-13 | 2018-12-14 | 北京航空航天大学 | 飞机嵌入式实时诊断推理算法试验系统 |
| CN108614539A (zh) * | 2016-12-12 | 2018-10-02 | 中国航空工业集团公司西安航空计算技术研究所 | 机载设备故障诊断与预测模型验证方法 |
| CN108492043A (zh) * | 2018-03-29 | 2018-09-04 | 南京财经大学 | 一种基于聚类算法的电力用户负荷测算方法 |
| CN109542045A (zh) * | 2018-12-21 | 2019-03-29 | 机械工业仪器仪表综合技术经济研究所 | 数控机床预测性维护标准测试床及操作方法 |
| CN111259515B (zh) * | 2020-01-07 | 2023-11-21 | 珠海欧比特宇航科技股份有限公司 | 一种飞行器健康管理方法及系统 |
-
2020
- 2020-07-29 CN CN202010745490.3A patent/CN111896244B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH07239928A (ja) * | 1994-02-25 | 1995-09-12 | Fujitsu Ltd | カード型記憶媒体およびカード型記憶媒体発行装置 |
| AU2015234400A1 (en) * | 2015-10-05 | 2017-04-20 | Fmc & Australia Pty Limited | Smart Health Management Service and System by Using Smart Index and Automation Platform Installed in Smart Phones |
| CN106372272A (zh) * | 2016-08-01 | 2017-02-01 | 北京航空航天大学 | 一种基于广义退化模型和多尺度分析的锂电池容量及寿命预测方法 |
| CN106353691A (zh) * | 2016-10-31 | 2017-01-25 | 首都师范大学 | 一种计及自愈影响的锂电池退化建模及寿命预测方法 |
| 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 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111896244A (zh) | 2020-11-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111896244B (zh) | 一种综采设备phm系统 | |
| Igba et al. | Performance assessment of wind turbine gearboxes using in-service data: Current approaches and future trends | |
| Hashemian | Wireless sensors for predictive maintenance of rotating equipment in research reactors | |
| CN106404403B (zh) | 用于涡轮机的分析的方法和系统 | |
| CN110320892A (zh) | 基于Lasso回归的污水处理设备故障诊断系统及方法 | |
| CN101408769B (zh) | 一种基于乘积arima模型的在线能源预测系统及方法 | |
| JP2019113883A (ja) | 稼働補助装置及び風力発電システム | |
| CN114911206A (zh) | 一种基于物联网的选煤厂智能化预测维护系统 | |
| Bangalore et al. | An approach for self evolving neural network based algorithm for fault prognosis in wind turbine | |
| CN111896254A (zh) | 一种变速变载大型滚动轴承故障预测系统及方法 | |
| Zhukovskiy et al. | The probability estimate of the defects of the asynchronous motors based on the complex method of diagnostics | |
| SikorA et al. | Monitoring and maintenance of a gantry based on a wireless system for measurement and analysis of the vibration level | |
| D’Urso et al. | Dynamic failure rate model of an electric motor comparing the Military Standard and Svenska Kullagerfabriken (SKF) methods | |
| US20180204095A1 (en) | Systems and methods to evaluate and reduce outages in power plants | |
| Puglia | Life cycle cost analysis on wind turbines | |
| Zhang et al. | Condition based maintenance and operation of wind turbines | |
| El Mahdi et al. | Real Time Assessment of Novel Predictive Maintenance System Based on Artificial Intelligence for Rotating Machines. | |
| CN104081298A (zh) | 用于自动化和/或电气工程项目中的工作流程的自动化操控的系统和方法 | |
| Baglee et al. | A proposed maintenance strategy for a wind turbine gearbox using condition monitoring techniques | |
| Singh et al. | Developing RCM strategy for wind turbines utilizing e-condition monitoring | |
| Gray et al. | A practical approach to the use of scada data for optimized wind turbine condition based maintenance | |
| Li et al. | A review of maintenance strategy optimization for wind energy | |
| Zhang | Comparison of data-driven and model-based methodologies of wind turbine fault detection with SCADA data | |
| Tiusanen et al. | System Approach to Reliability Engineering—Case: Wave Energy Converter | |
| Prendl et al. | Framework for Automated Data-Driven Model Adaption for the Application in Industrial Energy Systems |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20230324 Address after: 219 Huanghe West Road, Xinbei District, Changzhou City, Jiangsu Province Applicant after: TIANDI (CHANGZHOU) AUTOMATION Co.,Ltd. Address before: 104, 1st floor, building 25, No.5 Qingnian Gou Road, Heping Street, Chaoyang District, Beijing Applicant before: BEIJING TIANDI LONGYUE TECHNOLOGY CO.,LTD. |
|
| TA01 | Transfer of patent application right |