CN112465244B - 一种基于TensorFlow的工业设备预检预修模型的训练方法及装置 - Google Patents

一种基于TensorFlow的工业设备预检预修模型的训练方法及装置 Download PDF

Info

Publication number
CN112465244B
CN112465244B CN202011406939.XA CN202011406939A CN112465244B CN 112465244 B CN112465244 B CN 112465244B CN 202011406939 A CN202011406939 A CN 202011406939A CN 112465244 B CN112465244 B CN 112465244B
Authority
CN
China
Prior art keywords
equipment
historical
data
model
failure
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
CN202011406939.XA
Other languages
English (en)
Other versions
CN112465244A (zh
Inventor
卢仁谦
江虹峰
陈磊
刘媛媛
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.)
Chongqing Humi Network Technology Co Ltd
Original Assignee
Chongqing Humi Network 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 Chongqing Humi Network Technology Co Ltd filed Critical Chongqing Humi Network Technology Co Ltd
Priority to CN202011406939.XA priority Critical patent/CN112465244B/zh
Publication of CN112465244A publication Critical patent/CN112465244A/zh
Application granted granted Critical
Publication of CN112465244B publication Critical patent/CN112465244B/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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/067—Enterprise or organisation modelling
    • 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
    • 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
    • Y02P90/80—Management or planning

Landscapes

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

Abstract

本发明公开了一种基于TensorFlow的工业设备预检预修模型的训练方法，包括：获取历史数据集；建立设备故障前历史运行数据、设备历史故障记录及设备历史维修方案之间的关联关系；从设备历史故障记录及设备历史维修方案提取故障类型数据及维修方案数据；调用待训练模型，初始化待训练模型的参数；将故障类型数据及维修方案数据导入待训练模型进行训练；满足训练结束条件时，完成模型训练。与现有技术相比，本发明采用了设备故障前一段时间的运行数据进行模型训练，这样训练出的模型可对故障的发生进行预测，并得到设备故障预警及设备预修方案。便于实现在设备发生故障之前进行维修，避免了不可控的停工停产的发生，且避免了过度维护的情况的发生。

Description

一种基于TensorFlow的工业设备预检预修模型的训练方法及 装置
技术领域
本发明涉及工业设备维护、维修技术领域，具体涉及一种基于TensorFlow的工业设备预检预修模型的训练方法及装置。
背景技术
随着工业互联网的飞速发展，工业设备维修、检测越来越难度，配件以及流程等越来越复杂，预测性维护更难提高准确率。
在现有操作中，设备维护维修主要通过两种方式：（1）在设备发生故障后进行维修，由于故障发生的随机性，因此会随机的出现需要停工停产维修设备的情况，为企业生产经营增加了不可控的风险因素；（2）周期性对设备进行维护，更换易损零件，这种方式可以有效降低随机故障的发生，但是由于设备本身及运行情况的个体差异，无法避免的会出现过度维护的情况，增加了不必要的成本。
因此，如何在设备发生故障之前进行维修，避免不可控的停工停产的发生，又避免过度维护的情况的发生，成为了本领域技术人员急需解决的问题。
发明内容
针对上述现有技术的不足，本发明实际解决的问题包括：如何在设备发生故障之前进行维修，避免不可控的停工停产的发生，又避免过度维护的情况的发生。
本发明采用了如下的技术方案：
一种基于TensorFlow的工业设备预检预修模型的训练方法，采用TensorFlow进行模型的训练，所述训练方法包括如下步骤：
S1、获取历史数据集，历史数据集包括设备故障前历史运行数据、设备历史故障记录及设备历史维修方案，设备故障前历史运行数据是发生故障前预设时间的设备历史运行数据；
S2、建立设备故障前历史运行数据、设备历史故障记录及设备历史维修方案之间的关联关系；
S3、从设备历史故障记录及设备历史维修方案提取故障类型数据及维修方案数据；
S4、调用待训练模型，初始化待训练模型的参数；
S5、将故障类型数据及维修方案数据导入待训练模型进行训练；
S6、满足训练结束条件时，完成模型训练，模型的输入是设备故障前历史运行数据或设备运行数据，模型的输出是设备故障预警及设备预修方案。
优选地，设备故障前历史运行数据包括设备故障前历史运行参数及设备故障前历史环境参数，设备运行数据包括设备运行参数及设备环境参数。
优选地，所述训练方法还包括:
S100、对设备进行仿真，获取不同环境参数相对于标准环境参数对设备使用寿命的寿命时长影响比例；
S200、计算标准环境参数下设备故障前历史运行数据与设备初始运行数据之间的数值变化趋势；
S300、获取历史数据集包括设备故障前历史运行数据对应的历史环境参数；
S400、在模型训练过程中，在设备故障前历史运行数据输入模型前，利用寿命时长影响比例、数值变化趋势及历史环境参数对设备故障前历史运行数据进行修正。
优选地，所述历史数据集包括多个历史数据子集，所述工业设备预检预修模型包括多个子模型，各历史数据子集和各子模型之间一一对应，每组历史数据子集和子模型对应一种设备零件。
一种基于TensorFlow的工业设备预检预修模型的训练装置，包括数据采集模块、数据处理模块及模型训练模块，其中：
数据采集模块用于获取历史数据集，历史数据集包括设备故障前历史运行数据、设备历史故障记录及设备历史维修方案，设备故障前历史运行数据是发生故障前预设时间的设备历史运行数据；
数据处理模块用于建立设备故障前历史运行数据、设备历史故障记录及设备历史维修方案之间的关联关系；还用于从设备历史故障记录及设备历史维修方案提取故障类型数据及维修方案数据；
模型训练模块用于调用待训练模型，初始化待训练模型的参数；还用于将故障类型数据及维修方案数据导入待训练模型进行训练。
优选地，数据处理模块还用于对设备进行仿真，获取不同环境参数相对于标准环境参数对设备使用寿命的寿命时长影响比例；计算标准环境参数下设备故障前历史运行数据与设备初始运行数据之间的数值变化趋势；获取历史数据集包括设备故障前历史运行数据对应的历史环境参数；在模型训练过程中，在设备故障前历史运行数据输入模型前，利用寿命时长影响比例、数值变化趋势及历史环境参数对设备故障前历史运行数据进行修正。
综上所述，本发明公开了一种基于TensorFlow的工业设备预检预修模型的训练方法，采用TensorFlow进行模型的训练，所述训练方法包括如下步骤：S1、获取历史数据集，历史数据集包括设备故障前历史运行数据、设备历史故障记录及设备历史维修方案，设备故障前历史运行数据是发生故障前预设时间的设备历史运行数据；S2、建立设备故障前历史运行数据、设备历史故障记录及设备历史维修方案之间的关联关系；S3、从设备历史故障记录及设备历史维修方案提取故障类型数据及维修方案数据；S4、调用待训练模型，初始化待训练模型的参数；S5、将故障类型数据及维修方案数据导入待训练模型进行训练；S6、满足训练结束条件时，完成模型训练，模型的输入是设备故障前历史运行数据或设备运行数据，模型的输出是设备故障预警及设备预修方案。与现有技术相比，本发明并未采用设备故障时的运行数据进行训练，而是采用了设备故障前一段时间的运行数据进行模型训练，这样训练出的模型可根据设备还未故障时的数据对故障的发生进行预测，并得到设备故障预警及设备预修方案。便于实现在设备发生故障之前进行维修，避免了不可控的停工停产的发生，且避免了过度维护的情况的发生。
附图说明
为了使发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步的详细描述，其中：
图1是本发明公开的一种基于TensorFlow的工业设备预检预修模型的训练方法的一种具体实施方式的流程图；
图2是本发明公开的一种基于TensorFlow的工业设备预检预修模型的训练装置的结构示意图。
具体实施方式
下面结合附图对本发明作进一步的详细说明。
如图1所示，本发明公开了一种基于TensorFlow的工业设备预检预修模型的训练方法，采用TensorFlow进行模型的训练，所述训练方法包括如下步骤：
S1、获取历史数据集，历史数据集包括设备故障前历史运行数据、设备历史故障记录及设备历史维修方案，设备故障前历史运行数据是发生故障前预设时间的设备历史运行数据；
本发明中设备故障前历史运行数据可取设备发生故障之前一至两天的运行数据。在实际使用模型时，实时采集设备运行数据并输入模型，可在设备发生故障前一至两天进行预警并提供对应的维修方案。
S2、建立设备故障前历史运行数据、设备历史故障记录及设备历史维修方案之间的关联关系；
S3、从设备历史故障记录及设备历史维修方案提取故障类型数据及维修方案数据；
S4、调用待训练模型，初始化待训练模型的参数；
本发明中的模型种类和结构可根据实际情况选取，模型为现有模型，在此不再赘述。
S5、将故障类型数据及维修方案数据导入待训练模型进行训练；
S6、满足训练结束条件时，完成模型训练，模型的输入是设备故障前历史运行数据或设备运行数据，模型的输出是设备故障预警及设备预修方案。
本发明中，可使用设备故障前历史运行数据、设备历史故障记录及设备历史维修方案之间的关联关系验证输出结果是否正确。当所有用于训练的样本都输入模型进行训练后和/或输出的结果的正确率大于预设比例后，可视为满足训练结束条件。
本发明中，使用TensorFlow作为基础工具进行训练，TensorFlow是一个端到端开源机器学习平台。它拥有一个全面而灵活的生态系统，其中包含各种工具、库和社区资源，可助力研究人员推动先进机器学习技术的发展，并使开发者能够轻松地构建和部署由机器学习提供支持的应用；TensorFlow提供多个抽象级别，因此可以根据自己的需求选择合适的级别。也可以使用高阶KerasAPI构建和训练模型，该API能够轻松地开始使用TensorFlow和机器学习。
与现有技术相比，本发明并未采用设备故障时的运行数据进行训练，而是采用了设备故障前一段时间的运行数据进行模型训练，这样训练出的模型可根据设备还未故障时的数据对故障的发生进行预测，并得到设备故障预警及设备预修方案。便于实现在设备发生故障之前进行维修，避免了不可控的停工停产的发生，且避免了过度维护的情况的发生。
具体实施时，设备故障前历史运行数据包括设备故障前历史运行参数及设备故障前历史环境参数，设备运行数据包括设备运行参数及设备环境参数。
除了运行参数之外，设备运行时的环境参数，例如温度、湿度也会对设备的故障发生产生影响，因此，本发明中，训练时输入的数据包括了设备故障前历史运行参数及设备故障前历史环境参数，使用时输入的数据包括了设备运行数据包括设备运行参数及设备环境参数。
具体实施时，所述训练方法还包括:
S100、对设备进行仿真，获取不同环境参数相对于标准环境参数对设备使用寿命的寿命时长影响比例；
S200、计算标准环境参数下设备故障前历史运行数据与设备初始运行数据之间的数值变化趋势；
S300、获取历史数据集包括设备故障前历史运行数据对应的历史环境参数；
S400、在模型训练过程中，在设备故障前历史运行数据输入模型前，利用寿命时长影响比例、数值变化趋势及历史环境参数对设备故障前历史运行数据进行修正。
作为另一种实施方式，本发明中除了直接将环境参数作为输入数据进行训练以外，还可以对训练和实际使用时的数据进行预处理。在训练前，先分析运行环境对设备故障的影响。修正后的数值=实际数值+修正值，修正值的大小等于实际数值*寿命时长影响比例，影响比例和变化趋势同号，则修正值为负，否则修正值为正。
例如，设置标准环境参数为20℃，仿真实验得到30℃时，设备使用寿命与在20℃环境下运行减少了10%（-10%）；并且20℃时，设备故障前历史运行数据为噪声75分贝，设备初始运行时的噪声为50分贝，则数值变化趋势为正。那么若训练输入的设备故障前历史运行数据对应的历史环境参数也为30℃，则将设备故障前历史运行数据的值增加10%。采用这种方式，根据环境参数对设备的运行数据进行修正，与将环境参数作为运行参数直接进行训练相比，能够减少训练量，提高训练效率。
具体实施时，所述历史数据集包括多个历史数据子集，所述工业设备预检预修模型包括多个子模型，各历史数据子集和各子模型之间一一对应，每组历史数据子集和子模型对应一种设备零件。
现有模型，对设备类型敏感，往往只能针对同一种模型。本发明中的模型由多个子模型组成，且每个子模型对应的是一种设备零件，一个设备往往包括多种零件，而故常通常又能够具体到某一具体零件。因此本发明中，不按照设备种类或类型进行区分，而是按照零件的种类设置了多个子模型，可以有效提高模型的适应性，可实现对多种不同的设备进行检测。
如图2所示，本发明还公开了一种基于TensorFlow的工业设备预检预修模型的训练装置，包括数据采集模块、数据处理模块及模型训练模块，其中：
数据采集模块用于获取历史数据集，历史数据集包括设备故障前历史运行数据、设备历史故障记录及设备历史维修方案，设备故障前历史运行数据是发生故障前预设时间的设备历史运行数据；
数据处理模块用于建立设备故障前历史运行数据、设备历史故障记录及设备历史维修方案之间的关联关系；还用于从设备历史故障记录及设备历史维修方案提取故障类型数据及维修方案数据；
模型训练模块用于调用待训练模型，初始化待训练模型的参数；还用于将故障类型数据及维修方案数据导入待训练模型进行训练。
具体实施时，数据处理模块还用于对设备进行仿真，获取不同环境参数相对于标准环境参数对设备使用寿命的寿命时长影响比例；计算标准环境参数下设备故障前历史运行数据与设备初始运行数据之间的数值变化趋势；获取历史数据集包括设备故障前历史运行数据对应的历史环境参数；在模型训练过程中，在设备故障前历史运行数据输入模型前，利用寿命时长影响比例、数值变化趋势及历史环境参数对设备故障前历史运行数据进行修正。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管通过参照本发明的优选实施例已经对本发明进行了描述，但本领域的普通技术人员应当理解，可以在形式上和细节上对其作出各种各样的改变，而不偏离所附权利要求书所限定的本发明的精神和范围。

Claims (5)

1.一种基于TensorFlow的工业设备预检预修模型的训练方法，其特征在于，采用TensorFlow进行模型的训练，所述训练方法包括如下步骤：
S1、获取历史数据集，历史数据集包括设备故障前历史运行数据、设备历史故障记录及设备历史维修方案，设备故障前历史运行数据是发生故障前预设时间的设备历史运行数据；
S2、建立设备故障前历史运行数据、设备历史故障记录及设备历史维修方案之间的关联关系；
S3、从设备历史故障记录及设备历史维修方案提取故障类型数据及维修方案数据；
S4、调用待训练模型，初始化待训练模型的参数；
S5、将故障类型数据及维修方案数据导入待训练模型进行训练；
S6、满足训练结束条件时，完成模型训练，模型的输入是设备故障前历史运行数据或设备运行数据，模型的输出是设备故障预警及设备预修方案；
所述历史数据集包括多个历史数据子集，所述工业设备预检预修模型包括多个子模型，按照零件的种类设置多个子模型，各历史数据子集和各子模型之间一一对应，每组历史数据子集和子模型对应一种设备零件。
2.如权利要求1所述的基于TensorFlow的工业设备预检预修模型的训练方法，其特征在于，设备故障前历史运行数据包括设备故障前历史运行参数及设备故障前历史环境参数，设备运行数据包括设备运行参数及设备环境参数。
3.如权利要求1所述的基于TensorFlow的工业设备预检预修模型的训练方法，其特征在于，所述训练方法还包括:
S100、对设备进行仿真，获取不同环境参数相对于标准环境参数对设备使用寿命的寿命时长影响比例；
S200、计算标准环境参数下设备故障前历史运行数据与设备初始运行数据之间的数值变化趋势；
S300、获取历史数据集包括设备故障前历史运行数据对应的历史环境参数；
S400、在模型训练过程中，在设备故障前历史运行数据输入模型前，利用寿命时长影响比例、数值变化趋势及历史环境参数对设备故障前历史运行数据进行修正。
4.一种基于TensorFlow的工业设备预检预修模型的训练装置，其特征在于，包括数据采集模块、数据处理模块及模型训练模块，其中：
数据采集模块用于获取历史数据集，历史数据集包括设备故障前历史运行数据、设备历史故障记录及设备历史维修方案，设备故障前历史运行数据是发生故障前预设时间的设备历史运行数据；
数据处理模块用于建立设备故障前历史运行数据、设备历史故障记录及设备历史维修方案之间的关联关系；还用于从设备历史故障记录及设备历史维修方案提取故障类型数据及维修方案数据；
模型训练模块用于调用待训练模型，初始化待训练模型的参数；还用于将故障类型数据及维修方案数据导入待训练模型进行训练；
所述历史数据集包括多个历史数据子集，所述工业设备预检预修模型包括多个子模型，按照零件的种类设置多个子模型，各历史数据子集和各子模型之间一一对应，每组历史数据子集和子模型对应一种设备零件。
5.如权利要求4所述的基于TensorFlow的工业设备预检预修模型的训练装置，其特征在于，数据处理模块还用于对设备进行仿真，获取不同环境参数相对于标准环境参数对设备使用寿命的寿命时长影响比例；计算标准环境参数下设备故障前历史运行数据与设备初始运行数据之间的数值变化趋势；获取历史数据集包括设备故障前历史运行数据对应的历史环境参数；在模型训练过程中，在设备故障前历史运行数据输入模型前，利用寿命时长影响比例、数值变化趋势及历史环境参数对设备故障前历史运行数据进行修正。
CN202011406939.XA 2020-12-04 2020-12-04 一种基于TensorFlow的工业设备预检预修模型的训练方法及装置 Active CN112465244B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011406939.XA CN112465244B (zh) 2020-12-04 2020-12-04 一种基于TensorFlow的工业设备预检预修模型的训练方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011406939.XA CN112465244B (zh) 2020-12-04 2020-12-04 一种基于TensorFlow的工业设备预检预修模型的训练方法及装置

Publications (2)

Publication Number Publication Date
CN112465244A CN112465244A (zh) 2021-03-09
CN112465244B true CN112465244B (zh) 2021-07-27

Family

ID=74806622

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011406939.XA Active CN112465244B (zh) 2020-12-04 2020-12-04 一种基于TensorFlow的工业设备预检预修模型的训练方法及装置

Country Status (1)

Country Link
CN (1) CN112465244B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114047735A (zh) * 2022-01-12 2022-02-15 华北理工大学 一种多工业主机的故障检测方法、系统和服务系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110555115A (zh) * 2018-05-14 2019-12-10 上海汽车集团股份有限公司 一种确定车辆维修方案的方法及装置
CN111311133A (zh) * 2020-04-24 2020-06-19 广东卓维网络有限公司 一种应用于电网生产设备的监测系统

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10729382B2 (en) * 2016-12-19 2020-08-04 Mitsubishi Electric Research Laboratories, Inc. Methods and systems to predict a state of the machine using time series data of the machine
CN108304960A (zh) * 2017-12-29 2018-07-20 中车工业研究院有限公司 一种轨道交通设备故障诊断方法
CN108460144B (zh) * 2018-03-14 2021-11-12 西安华光信息技术有限责任公司 一种基于机器学习的煤炭设备故障预警系统及方法
CN110298497A (zh) * 2019-06-11 2019-10-01 武汉蓝智科技有限公司 基于大数据的工业预测维修系统及其使用方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110555115A (zh) * 2018-05-14 2019-12-10 上海汽车集团股份有限公司 一种确定车辆维修方案的方法及装置
CN111311133A (zh) * 2020-04-24 2020-06-19 广东卓维网络有限公司 一种应用于电网生产设备的监测系统

Also Published As

Publication number Publication date
CN112465244A (zh) 2021-03-09

Similar Documents

Publication Publication Date Title
CN111563606A (zh) 一种设备预测性维护方法及装置
WO2005111806A3 (en) Sensor fault diagnostics and prognostics using component model and time scale orthogonal expansions
CN103531046A (zh) 一种基于学习产品使用数据的学习监控方法和装置
CN112465244B (zh) 一种基于TensorFlow的工业设备预检预修模型的训练方法及装置
CN111340250A (zh) 设备检修装置、方法及计算机可读存储介质
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
CN110750455B (zh) 基于系统日志分析的智能在线自更新故障诊断方法和系统
US7698245B2 (en) Applying rules to validating data for a machine arrangement
CN110376977B (zh) 一种循环周期的计算方法、系统、装置和存储介质
CN112580169A (zh) 一种基于机器学习的谐波减速器健康评估方法
CN111737067A (zh) 一种硬盘故障预测模型解释方法及装置
CN110674923A (zh) 一种多神经网络框架间的快速模型验证方法
CN111474905B (zh) 一种机电产品制造过程参数漂移故障诊断方法
CN113348473B (zh) 管理人工智能模块的安装基础
CN114239938A (zh) 一种基于状态的能源数字孪生体的构建方法
CN109635880B (zh) 基于强鲁棒自适应算法的采煤机故障诊断系统
CN102033805A (zh) 用于模拟的装置和方法
CN111859543A (zh) 一种船舶工业智能工厂数字化设计信息模型
CN117387925B (zh) 一种阻尼器性能连续测试方法及系统
CN104035866A (zh) 基于系统调用分析的软件行为评估方法和装置
CN114138621B (zh) 一种考虑内部降级与外部冲击的系统故障行为双时钟仿真建模方法
CN117952564B (zh) 一种基于进度预测的排程模拟优化方法及系统
CN214670127U (zh) 燃料电池控制算法硬件在环测试平台
CN111506998B (zh) 一种构建机电产品制造过程参数漂移故障特征样本库的方法
CN109839917B (zh) 一种自适应校正的采煤机故障诊断系统

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