CN112926824A - 激光加工设备的故障诊断方法 - Google Patents
激光加工设备的故障诊断方法 Download PDFInfo
- Publication number
- CN112926824A CN112926824A CN202110078543.5A CN202110078543A CN112926824A CN 112926824 A CN112926824 A CN 112926824A CN 202110078543 A CN202110078543 A CN 202110078543A CN 112926824 A CN112926824 A CN 112926824A
- Authority
- CN
- China
- Prior art keywords
- screened
- determining
- component
- fault
- alarm information
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000012545 processing Methods 0.000 title claims abstract description 28
- 238000003745 diagnosis Methods 0.000 title claims abstract description 16
- 230000002159 abnormal effect Effects 0.000 claims abstract description 61
- 238000001514 detection method Methods 0.000 claims description 11
- 238000012216 screening Methods 0.000 claims description 10
- 230000005856 abnormality Effects 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 7
- 238000012502 risk assessment Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 230000007257 malfunction Effects 0.000 claims 1
- 238000004458 analytical method Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 230000007488 abnormal function Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000011058 failure modes and effects analysis Methods 0.000 description 2
- 238000013024 troubleshooting Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
-
- 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
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Laser Beam Processing (AREA)
Abstract
本发明提供一种激光加工设备的故障诊断方法，包括：获取设备当前的异常报警信息，并确定所述异常报警信息的报警分数；依据所述异常报警信息，确定多个对应所述异常报警信息的待筛查部件；依据所述待筛查部件，确定多个对应所述待筛查部件的待筛查故障；依据所述待筛查故障和所述报警分数，确定每个部件的影响因子；依据所述影响因子，确定引起所述异常报警信息的故障部件。本发明提供的技术方案能够准确定位设备异常，精确判断设备运行情况，定位引发设备异常的原因。
Description
技术领域
本发明涉及激光加工设备技术领域，尤其涉及一种激光加工设备的故障诊断方法。
背景技术
目前常用的激光加工设备的故障诊断方法，首先根据硬件架构设计，采集所有硬件IO信号和模拟量信号进行数据搜集，通过故障诊断系统进行监测数据分析是否异常，识别当前设备运行状况，对异常信息制定报警等级。在设备出现故障情况时，维护人员需要手动一一进行排查，并根据排查结果确定导致设备故障的原因。
在实际的工程问题上，特别是结构复杂、作业高效的激光加工设备，仅仅做单部件或单模块的运行参数诊断异常，这一层面完全不能达到准确定位异常原因并快速确定恢复手段的目的。当故障源没有电信号或当多部件关联故障发生时，将无法准确判断定位引发异常的原因。以至于无法采取正确的纠正措施，造成了产品在使用过程中故障反复出现，从而降低了产品的可靠性。
发明内容
本发明提供的激光加工设备的故障诊断方法，能够准确定位设备异常，精确判断设备运行情况，定位引发设备异常的原因。
本发明提供一种激光加工设备的故障诊断方法，包括：
获取设备当前的异常报警信息，并确定所述异常报警信息的报警分数；
依据所述异常报警信息，确定多个对应所述异常报警信息的待筛查部件；
依据所述待筛查部件，确定多个对应所述待筛查部件的待筛查故障；
依据所述待筛查故障和所述报警分数，确定每个部件的影响因子；
依据所述影响因子，确定引起所述异常报警信息的故障部件。
可选地，依据所述待筛查部件，确定多个对应所述待筛查部件的待筛查故障包括：
确定每个待筛查部件对应的多个可触发故障；
依据设备运行参数，确定多个可触发故障中的无效故障；
排除多个可触发故障中的无效故障，将剩余的可触发故障确定为待筛查故障。
可选地，依据所述待筛查故障和所述报警分数，确定每个部件的影响因子包括：
对每个待筛查部件的多个待筛查故障进行风险分析，以得到每个待筛查故障的第一风险参数；
依据所述风险参数和所述报警分数，确定所述待筛查故障的第二风险参数；
依据所述待筛查部件对应的多个第二风险参数，确定所述待筛查部件的影响因子。
可选地，对每个待筛查部件的多个待筛查故障进行风险分析包括：
获取所述待筛查故障的严重程度、故障频度以及探测度；
获取与所述严重程度、故障频度以及探测度对应的权重值；
对所述严重程度、故障频度以及探测度采用对应的权重值进行加权，以得到所述第一风险参数。
可选地，依据所述影响因子，确定引起所述异常报警信息的故障部件之后还包括：对所述故障部件的对应故障的频度参数进行更新并存储。
可选地，依据所述待筛查部件对应的多个第二风险参数，确定所述待筛查部件的影响因子包括：对所述待筛查部件对应的多个第二风险参数进行求和，并将求和结果作为所述待筛查部件的影响因子。
可选地，依据所述影响因子，确定引起所述异常报警信息的故障部件包括：
将多个待筛查部件按照影响因子由高到低的顺序进行排序；
依次筛查多个待筛查部件，并确定引起所述异常报警信息的故障部件。
可选地，将多个待筛查部件按照影响因子由高到低的顺序进行排序之前还包括：将多个待筛查部件的影响因子进行归一化处理。
可选地，获取设备当前的异常报警信息包括：
将所述激光加工设备按照功能划分为多级树状结构；
依据异常报警信息的上报路径，反向逐级确定发出异常报警信息的报警部件以及异常报警信息。
可选地，确定所述异常报警信息的报警分数包括：依据所述异常报警信息的目标结果，确定所述异常报警信息的报警分数。
在本发明提供的技术方案中，通过与异常报警信息对应的所有部件以及部件对应的所有故障进行分析，确定每个部件的影响因子，并依据该影响因子的对待筛查部件进行筛查后确定发生故障的部件。本发明提供的技术方案中，对异常报警信息相关的所有部件进行筛选和分析，并依据影响因子来缩短筛选和分析所消耗的资源，能够在快速且准确的定位设备发出异常报警信息的原因。
附图说明
图1为本发明一实施例激光加工设备的故障诊断方法的流程图；
图2为本发明另一实施例激光加工设备的故障诊断方法划分树状结构的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明实施例提供一种激光加工设备的故障诊断方法，如图1所示，包括：
步骤100，获取设备当前的异常报警信息，并确定所述异常报警信息的报警分数；
在一些实施例中，异常报警信息是指设备的功能异常是发出的报警信息。报警分数是用于表征功能异常状态下的紧急程度的参数，作为一种优选的实施方式，报警分数可以依据该功能异常所能导致的目标结果进行确定，例如，可以按照如下的表格进行确定：
| 报警等级 | 划分标准 | 分数 |
| L1 | 危及人身安全，设备立即断电 | 10 |
| L2 | 危及设备安全，设备立即停止运行 | 7～9 |
| L3 | 影响工艺效果，不可继续工艺 | 4～6 |
| L4 | 有影响工艺效果的趋势，可继续工艺 | 1～3 |
步骤200，依据所述异常报警信息，确定多个对应所述异常报警信息的待筛查部件；
在一些实施例中，对应异常报警信息的待筛查部件可以按照FMEA思想建立的故障风险数据信息库的方式进行映射。具体来说，将异常报警信息作为失效功能，并依据失效功能分析影响该功能的所有部件，例如可以按照如下的表的方式进行映射：
步骤300，依据所述待筛查部件，确定多个对应所述待筛查部件的待筛查故障；
在一些实施例中，每个待筛查部件都可能对应多个故障，因此，需要对每个待筛查的部件的多个待筛查故障进行分析，例如，对于待筛查部件FA_1的待筛查故障如下表进行表示：
步骤400，依据所述待筛查故障和所述报警分数，确定每个部件的影响因子；
在一些实施例中，影响因子是表示对应部件发生故障的风险程度的参数，影响因子越高，对应的部件发生故障的风险程度越高。通常情况下，影响因子受部件的每个待筛查故障的严重度、频度和探测度影响，还会与报警分数直接相关。
步骤500，依据所述影响因子，确定引起所述异常报警信息的故障部件。
在一些实施例中，由于影响因子直接表征了对应部件发生故障的风险程度，因此，可以依据影响因子由高到低的顺序对部件进行筛查，以快速筛查出实际发生故障的部件。
在本实施例提供的技术方案中，通过与异常报警信息对应的所有部件以及部件对应的所有故障进行分析，确定每个部件的影响因子，并依据该影响因子的对待筛查部件进行筛查后确定发生故障的部件。本实施例提供的技术方案中，对异常报警信息相关的所有部件进行筛选和分析，并依据影响因子来缩短筛选和分析所消耗的资源，能够在快速且准确的定位设备发出异常报警信息的原因。
作为一种可选的实施方式，步骤300包括：
步骤310，确定每个待筛查部件对应的多个可触发故障；
在一些实施例中，依据前述步骤200和300中的两个表格，当确定每个待筛查部件的对应的多个可触发故障时，可以表示为如下的表格形式：
在如上的表格中，0表示已确定该部件的该故障未发生，即无效故障，1表示该部件的该故障尚不确定是否发生，即有效故障。
步骤320，依据设备运行参数，确定多个可触发故障中的无效故障；
在一些实施例中，依据设备参数可以对故障是否有效进行判断，从而，缩小后续需要分析的数据范围，减少分析过程的工作量。例如，诊断设备电信号(数字量或模拟量)、程序逻辑条件等是否触发对应的异常信息报警，根据报警信息定位相关部件或操作逻辑，在故障矩阵中排除无效故障项。
步骤330，排除多个可触发故障中的无效故障，将剩余的可触发故障确定为待筛查故障。
在一些实施例中，在对故障的有效性进行判断的过程中，同步更新步骤310中的表格，在逐项排出完毕后，即可确定有效的待筛查故障。
作为一种可选的实施方式，步骤400包括：
步骤410，对每个待筛查部件的多个待筛查故障进行风险分析，以得到每个待筛查故障的第一风险参数；
在一些实施例中，对多个待筛查故障进行风险分析的过程是依据该故障的严重度、频度以及探测度进行加权计算的过程。由于前述三个参数对于故障的风险程度具有直接的影响，因此，依据该三个参数加权计算得到的第一风险参数也是直接表征故障风险程度的参数。
步骤420，依据所述风险参数和所述报警分数，确定所述待筛查故障的第二风险参数；
在一些实施例中，报警分数是表征当前功能失效的风险程度的参数，因此，依据风险参数和报警分数来计算得到的第二风险参数能够更加全面的对于当前异常报警信息对应的故障进行衡量。
步骤430，依据所述待筛查部件对应的多个第二风险参数，确定所述待筛查部件的影响因子。
在一些实施例中，如步骤420所述，第二参数能够全面的对于当前异常报警信息对应的故障进行衡量，对待筛查部件的多个第二风险参数进行计算得到影响因子能够全面的表征待筛查部件的故障风险程度。
作为一种可选的实施方式，步骤410包括：
步骤411，获取所述待筛查故障的严重程度、故障频度以及探测度；
在一些实施例中，严重程度、故障频度以及探测度是依据FMEA思想建立的故障风险数据信息库中的数据信息，其中，故障频度通常随着故障的发生进行更新。
步骤412，获取与所述严重程度、故障频度以及探测度对应的权重值；
在一些实施例中，权重值的确定通常会依据分析目的来确定，例如，为了人员以及设备的安全，需要将严重程度对应的权重值设置的较高，而如果为了提高分析效率，则可以将故障频度的权重值设置的较高。
步骤413，对所述严重程度、故障频度以及探测度采用对应的权重值进行加权，以得到所述第一风险参数。
在一些实施例中，可以采用如下的方式得到第一风险参数，RSN＝F(S,O,D)＝λ1S*λ2O*λ3D；其中S表示故障严重度，O表示故障频度，D表示故障探测度，λ1，λ2，λ3为权重系数；RSN为第一风险参数，RSN反应了发生故障的风险程度。
作为一种可选的实施方式，依据所述影响因子，确定引起所述异常报警信息的故障部件之后还包括：对所述故障部件的对应故障的频度参数进行更新并存储。由于频度信息会随着故障的发生不断的变化，因此，实时的更新频度信息才能够使得后续的计算和分析更加贴近真实情况，从而，更加准确的判断故障发生的位置。
作为一种可选的实施方式，依据所述待筛查部件对应的多个第二风险参数，确定所述待筛查部件的影响因子包括：对所述待筛查部件对应的多个第二风险参数进行求和，并将求和结果作为所述待筛查部件的影响因子。在一些实施例中，第二风险参数可以由待筛查故障的RNS与当前异常报警信息的报警分数进行乘积后得到。由于每个待筛查部件对应多个待筛查故障，因此，将多个第二风险参数进行求和，从而，通过多个带筛查故障的风险程度来全面的表征对应的待筛查部件的风险程度。
作为一种可选的实施方式，步骤500包括：
步骤510，将多个待筛查部件按照影响因子由高到低的顺序进行排序；
在一些实施例中，依据影响因子的计算方式可知，影响因子越高，对应的部件故障风险也越高，因此，需要优先筛查故障风险较高的部件，从而能够及时且准确的避免较高风险的故障发生。
步骤520，依次筛查多个待筛查部件，并确定引起所述异常报警信息的故障部件。
在一些实施例中，对多个待筛查部件筛查过程中，需要由人工进行筛查，但是，由于在此步骤之前已经能够筛除部分无效故障，因此，人工筛查的范围较小且较为精确，采用较少的人力筛查即可准确的确定故障位置。
在一些实施例中，将多个待筛查部件按照影响因子由高到低的顺序进行排序之前还包括：将多个待筛查部件的影响因子进行归一化处理。归一化处理能够减少后续处理过程中的计算量，同时，也能够更加明确的得到各个影响因子所占的比例。
作为一种可选的实施方式，步骤100包括：
步骤110，将所述激光加工设备按照功能划分为多级树状结构；
在一些实施例中，将激光设备按照功能进行划分，例如，可以划分为如图1所示多级树状结构。多级树状结构能够通过软件报警中异常标记向上传染的方式可快速定位引起报警的层级。
步骤120，依据异常报警信息的上报路径，反向逐级确定发出异常报警信息的报警部件以及异常报警信息。
在一些实施例中，异常报警信息逐级上报信息，在沿其路径反向确定时，每次只查找部分系统或部件，减小查找范围，从而提高查找速度。
作为一种可选的实施方式，确定所述异常报警信息的报警分数包括：依据所述异常报警信息的目标结果，确定所述异常报警信息的报警分数。在确定异常报警信息的报警分数时，依据其目标结果进行确定，即依据该报警信息发生后可能引发的危险进行确定，其危险性越高，需要将报警分数确定的越高，例如，按照步骤100中的表格进行分数确定。
本领域普通技术人员可以理解实现上述方法实施例中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random AccessMemory，RAM)等。
以上所述，仅为本发明的具体实施方式，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，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。
Claims (10)
1.一种激光加工设备的故障诊断方法，其特征在于，包括：
获取设备当前的异常报警信息，并确定所述异常报警信息的报警分数；
依据所述异常报警信息，确定多个对应所述异常报警信息的待筛查部件；
依据所述待筛查部件，确定多个对应所述待筛查部件的待筛查故障；
依据所述待筛查故障和所述报警分数，确定每个部件的影响因子；
依据所述影响因子，确定引起所述异常报警信息的故障部件。
2.根据权利要求1所述激光加工设备的故障诊断方法，其特征在于，依据所述待筛查部件，确定多个对应所述待筛查部件的待筛查故障包括：
确定每个待筛查部件对应的多个可触发故障；
依据设备运行参数，确定多个可触发故障中的无效故障；
排除多个可触发故障中的无效故障，将剩余的可触发故障确定为待筛查故障。
3.根据权利要求1所述激光加工设备的故障诊断方法，其特征在于，依据所述待筛查故障和所述报警分数，确定每个部件的影响因子包括：
对每个待筛查部件的多个待筛查故障进行风险分析，以得到每个待筛查故障的第一风险参数；
依据所述风险参数和所述报警分数，确定所述待筛查故障的第二风险参数；
依据所述待筛查部件对应的多个第二风险参数，确定所述待筛查部件的影响因子。
4.根据权利要求3所述激光加工设备的故障诊断方法，其特征在于，对每个待筛查部件的多个待筛查故障进行风险分析包括：
获取所述待筛查故障的严重程度、故障频度以及探测度；
获取与所述严重程度、故障频度以及探测度对应的权重值；
对所述严重程度、故障频度以及探测度采用对应的权重值进行加权，以得到所述第一风险参数。
5.根据权利要求4所述激光加工设备的故障诊断方法，其特征在于，依据所述影响因子，确定引起所述异常报警信息的故障部件之后还包括：对所述故障部件的对应故障的频度参数进行更新并存储。
6.根据权利要求3所述激光加工设备的故障诊断方法，其特征在于，依据所述待筛查部件对应的多个第二风险参数，确定所述待筛查部件的影响因子包括：对所述待筛查部件对应的多个第二风险参数进行求和，并将求和结果作为所述待筛查部件的影响因子。
7.根据权利要求1所述激光加工设备的故障诊断方法，其特征在于，依据所述影响因子，确定引起所述异常报警信息的故障部件包括：
将多个待筛查部件按照影响因子由高到低的顺序进行排序；
依次筛查多个待筛查部件，并确定引起所述异常报警信息的故障部件。
8.根据权利要求7所述激光加工设备的故障诊断方法，其特征在于，将多个待筛查部件按照影响因子由高到低的顺序进行排序之前还包括：将多个待筛查部件的影响因子进行归一化处理。
9.根据权利要求1所述激光加工设备的故障诊断方法，其特征在于，获取设备当前的异常报警信息包括：
将所述激光加工设备按照功能划分为多级树状结构；
依据异常报警信息的上报路径，反向逐级确定发出异常报警信息的报警部件以及异常报警信息。
10.根据权利要求1所述激光加工设备的故障诊断方法，其特征在于，确定所述异常报警信息的报警分数包括：依据所述异常报警信息的目标结果，确定所述异常报警信息的报警分数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110078543.5A CN112926824B (zh) | 2021-01-20 | 激光加工设备的故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110078543.5A CN112926824B (zh) | 2021-01-20 | 激光加工设备的故障诊断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112926824A true CN112926824A (zh) | 2021-06-08 |
| CN112926824B CN112926824B (zh) | 2024-10-29 |
Family
ID=
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101030812B1 (ko) * | 2009-12-24 | 2011-04-28 | 한국전력공사 | 설비 고장 진단 시스템 및 설비 고장 진단 방법 |
| CN109977146A (zh) * | 2019-05-07 | 2019-07-05 | 山东省科学院激光研究所 | 故障诊断方法、装置及电子设备 |
| CN110361687A (zh) * | 2019-07-05 | 2019-10-22 | 国网福建省电力有限公司电力科学研究院 | 一种电力计量系统故障测试方法 |
| CN111160579A (zh) * | 2019-12-30 | 2020-05-15 | 中国船舶重工集团公司第七一三研究所 | 一种基于权重的站台门故障诊断分析方法 |
| CN112084375A (zh) * | 2020-08-21 | 2020-12-15 | 华人运通(江苏)技术有限公司 | 一种车辆的故障诊断方法、装置、终端设备及存储介质 |
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101030812B1 (ko) * | 2009-12-24 | 2011-04-28 | 한국전력공사 | 설비 고장 진단 시스템 및 설비 고장 진단 방법 |
| CN109977146A (zh) * | 2019-05-07 | 2019-07-05 | 山东省科学院激光研究所 | 故障诊断方法、装置及电子设备 |
| CN110361687A (zh) * | 2019-07-05 | 2019-10-22 | 国网福建省电力有限公司电力科学研究院 | 一种电力计量系统故障测试方法 |
| CN111160579A (zh) * | 2019-12-30 | 2020-05-15 | 中国船舶重工集团公司第七一三研究所 | 一种基于权重的站台门故障诊断分析方法 |
| CN112084375A (zh) * | 2020-08-21 | 2020-12-15 | 华人运通(江苏)技术有限公司 | 一种车辆的故障诊断方法、装置、终端设备及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 张强等: "基于FMEA和FTA的电动调能机构的失效分析", 《舰船电子工程》, vol. 40, no. 06, 20 June 2020 (2020-06-20), pages 158 - 161 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3105644B1 (en) | Method of identifying anomalies | |
| CN111814999B (zh) | 一种故障工单生成方法、装置、设备 | |
| CN111722952A (zh) | 业务系统的故障分析方法、系统、设备和存储介质 | |
| CN113590429B (zh) | 一种服务器故障诊断方法、装置及电子设备 | |
| CN110727531A (zh) | 一种线上系统的故障预测及处理方法及系统 | |
| US6716652B1 (en) | Method and system for adaptive sampling testing of assemblies | |
| CN112668159A (zh) | 基于改进fmea系统日志文件的故障排查方法和装置 | |
| CN112926824A (zh) | 激光加工设备的故障诊断方法 | |
| CN112926824B (zh) | 激光加工设备的故障诊断方法 | |
| CN113467984B (zh) | 飞机系统故障诊断方法、装置、计算机设备及存储介质 | |
| CN113172764B (zh) | 搅拌站监控方法及系统 | |
| CN115190039A (zh) | 一种设备健康评测方法、系统、设备以及存储介质 | |
| CN113656287B (zh) | 软件实例故障的预测方法、装置、电子设备及存储介质 | |
| US7035770B2 (en) | Fuzzy reasoning model for semiconductor process fault detection using wafer acceptance test data | |
| JP7257928B2 (ja) | 試験装置 | |
| CN112162528A (zh) | 一种数控机床的故障诊断方法、装置、设备和存储介质 | |
| Ye et al. | Self-learning and adaptive board-level functional fault diagnosis | |
| CN113037550B (zh) | 一种服务故障监控方法、系统及计算机可读存储介质 | |
| ChuahM et al. | Failure diagnosis for cluster systems using partial correlations | |
| US11703846B2 (en) | Equipment failure diagnostics using Bayesian inference | |
| CN114443398B (zh) | 内存故障预测模型的生成方法、检测方法、装置及设备 | |
| CN115858403B (zh) | 一种电子系统的虚警率预计方法 | |
| CN117472629B (zh) | 一种电子信息系统多故障诊断方法及系统 | |
| CN112114242B (zh) | 一种自动化ic测试的在线监测和分析方法 | |
| CN111913953B (zh) | 一种诊断数据库生成方法及装置 |
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 | ||
| GR01 | Patent grant |