CN112990542A - 一种用于空压机的寿命预测方法 - Google Patents

一种用于空压机的寿命预测方法 Download PDF

Info

Publication number
CN112990542A
CN112990542A CN202110163543.5A CN202110163543A CN112990542A CN 112990542 A CN112990542 A CN 112990542A CN 202110163543 A CN202110163543 A CN 202110163543A CN 112990542 A CN112990542 A CN 112990542A
Authority
CN
China
Prior art keywords
data
vibration
air compressor
current
algorithm
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
Application number
CN202110163543.5A
Other languages
English (en)
Other versions
CN112990542B (zh
Inventor
叶隆盛
刘鑫鹏
刘轲
陈彦彰
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.)
Shenzhen Pulian Intelligent Technology Co Ltd
Original Assignee
Shenzhen Pulian Intelligent 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 Shenzhen Pulian Intelligent Technology Co Ltd filed Critical Shenzhen Pulian Intelligent Technology Co Ltd
Priority to CN202110163543.5A priority Critical patent/CN112990542B/zh
Publication of CN112990542A publication Critical patent/CN112990542A/zh
Application granted granted Critical
Publication of CN112990542B publication Critical patent/CN112990542B/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"
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
    • F04B—POSITIVE-DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS
    • F04B51/00—Testing machines, pumps, or pumping installations
    • 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
    • G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
    • G06F17/141—Discrete Fourier transforms
    • G06F17/142—Fast Fourier transforms, e.g. using a Cooley-Tukey type algorithm
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/54—Interprogram communication
    • G06F9/547—Remote procedure calls [RPC]; Web services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Mechanical Engineering (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Discrete Mathematics (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)

Abstract

本发明提供了一种用于空压机的寿命预测方法，包括：S1、收集空压机的振动数据和电流数据，振动数据为总能量值OA，OA即总能量值Overal l Value，电流数据包括单位时间内的电流最大值、最小值和平均值；S2、对振动数据和电流数据进行处理；S3、对经过处理的振动数据和电流数据进行特征工程，生成训练数据；S4、对训练数据进行卷积神经网络算法CNN和长短期记忆人工神经网络算法LSTM的训练；S5、将训练好的寿命预测模型保存到H5文件，H5文件即层次数据格式的第5代版本；S6、使用Python的Flask框架将寿命预测模型打包成Web服务，供其他相关应用程序调用。

Description

一种用于空压机的寿命预测方法
技术领域
本发明涉及空压机控制技术领域，具体的，本发明涉及一种用于空压机的寿命预测方法。
背景技术
在诸多被使用的能源中，压缩空气是仅次于电力的普及能源之一。工业、矿业、工程业、医疗业和农业都有日趋广泛的用途，尤其在工业的使用量极其可观。鉴于空压机已被各行各业广泛采用，在工厂大型化及自动化的前提下，对空压机故障的诊断也相应发展起来。
传统空压机故障的诊断方式有传统人工检验方法、定期维保和专家诊断系统。传统人工检验没有预测性，只能做事后处理；专家诊断系统是使用知识库和推理机完成故障定位和诊断，但知识库更新缓慢，系统缺乏泛化性；智能算法系统能提前预测故障原因，具有适应能力，但需要大量的试验样本数据，而且无法预知还有多久会出故障。
如何对空压机寿命做出高精度的预测，成为非常重要的课题。
发明内容
为了克服现有技术的不足，本发明提供了一种用于空压机的寿命预测方法，以解决上述的技术问题。
本发明解决其技术问题所采用的技术方法是：一种用于空压机的寿命预测方法，其改进之处在于：包括S1、收集空压机的振动数据和电流数据，振动数据为总能量值OA，OA即总能量值Overall Value，电流数据包括单位时间内的电流最大值、最小值和平均值；S2、对振动数据和电流数据进行处理，通过时间字段将振动数据和电流数据连接起来，根据日期和24小时段对振动数据和电流数据进行分组，生成12行连续时间点的振动数据和电流数据；S3、对经过处理的振动数据和电流数据进行特征工程，生成训练数据；S4、对训练数据进行卷积神经网络算法CNN和长短期记忆人工神经网络算法LSTM的训练；S5、将训练好的寿命预测模型保存到H5文件，H5文件即层次数据格式的第5代版本；S6、使用Python的Flask框架将寿命预测模型打包成Web服务。
在上述方法中，步骤S1中，收集空压机的振动数据，包括以下的步骤：
S101、通过机械设备状态监测边缘计算平台接入振动传感器，采集模拟量生成的时域数据；
S102、通过傅里叶变换将时域数据转化为FFT频谱数据，FFT即快速傅立叶变换；
S103、通过FFT频谱数据计算出振动数据的总能量值OA，OA即总能量值OverallValue。
在上述方法中，步骤S103中，总能量值OA的计算公式如下：
Figure BDA0002936538720000021
FFT频谱数据即Ai,Ai为频谱解析线上的振幅值,n为频谱解析条数，NBF为加权视窗因数，Haning视窗为1.5。
在上述方法中，步骤S1中，收集空压机的电流数据，包括以下的步骤：
S1001、通过机械设备状态监测边缘计算平台接入电流传感器；
S1002、获取单位时间内的电流最大值、最小值和平均值。
在上述方法中，步骤S2中，当前小时段的振动数据和电流数据不够12行连续时间点时，以小时为单位，按时间倒序，加上历史数据，直至生成12行连续时间点的振动数据和电流数据。
在上述方法中，步骤S3，包括以下的步骤：
S31、计算12行连续时间点的振动数据和电流数据的拟合的斜率和极差，获得6个特征，该6个特征为：自由端振动、承载端振动、电流、自由端振动斜率、电流的极差和自由端振动极差；
S32、对自由端振动斜率、电流的极差和自由端振动极差这三个特征乘以自然常数e，自然常数e等于2.718，并对结果取绝对值，生成数据字段；
S33、对数据字段归一化，生成特征数据；
S34、从特征数据中获取空压机出现故障的时间点；
S35、判断特征数据在故障时间点之前是否有异常数据波动，当有异常时，则将异常小时段的寿命标注为故障时间和异常时间的小时差，将该小时差作为异常小时段的寿命标签；当没有异常时，则将该时间段的寿命标注为设备总寿命减去运行时间得到的小时差，将该小时差作为寿命标签；
S36、将寿命标签按时间拼接到特征数据中，生成带寿命标签的训练数据。
在上述方法中，步骤S35中，判断特征数据在故障时间点之前有异常数据波动，应当同时满足以下3个标准，包括：
自由端振动斜率大于所有小时段历史数据的斜率均值；
电流的极差大于所有小时段历史数据的电流极差均值；
自由端振动的极差大于所有小时段历史数据的自由端振动极差均值。
在上述方法中，步骤S4，包括以下的步骤：
S41、将带寿命标签的训练数据划分为算法训练数据和算法验证数据；
S42、使用多通道的卷积神经网络算法CNN、长短期记忆人工神经网络算法LSTM和全连接层DENSE组合成的复杂网络对算法训练数据进行训练，输出空压机寿命的预测结果；
S43、使用算法验证数据对预测结果进行验证，以均方误差作为评估算法准确性的标准，均方误差即反映预测结果与真实结果之间差异程度的一种度量，当均方误差还在减小时，继续算法训练；当均方误差不再减小时，则停止算法训练。
在上述方法中，步骤S41中，将带寿命标签的训练数据按照8:2的比例划分为算法训练数据和算法验证数据。
在上述方法中，步骤S42，包括以下的步骤：
S421、将算法训练数据复制为多份，每份算法训练数据作为相应的一个通道的输入数据，每个通道均采用卷积神经网络算法CNN和长短期记忆人工神经网络算法LSTM对算法训练数据进行训练，分别获取相应的多份不同的高维特征；
S422、将多份不同的高维特征接入全连接层DENSE，输出空压机寿命的预测结果。
本发明的有益效果是：解决了现有空压机故障预警的训练数据样本获取效率低、成本高的问题；提供了高精度的空压机寿命预测方法，能够提前预测出空压机的寿命，以通知维修人员进行保养；具有泛化性，适用于所有型号的空压机。
附图说明
附图1为本发明的一种用于空压机的寿命预测方法的流程图。
附图2为图1中的步骤S3的具体流程示意图。
具体实施方式
下面结合附图和实施例对本发明进一步说明。
以下将结合实施例和附图对本发明的构思、具体结构及产生的技术效果进行清楚、完整地描述，以充分地理解本发明的目的、特征和效果。显然，所描述的实施例只是本发明的一部分实施例，而不是全部实施例，基于本发明的实施例，本领域的技术人员在不付出创造性劳动的前提下所获得的其他实施例，均属于本发明保护的范围。另外，专利中涉及到的所有联接/连接关系，并非单指构件直接相接，而是指可根据具体实施情况，通过添加或减少联接辅件，来组成更优的联接结构。本发明创造中的各个技术特征，在不互相矛盾冲突的前提下可以交互组合。
参照图1所示，本发明的一种用于空压机的寿命预测方法，包括以下的步骤：
S1、收集空压机的振动数据和电流数据，用总能量值OA表示空压机的振动数据，OA即总能量值Overall Value，单位是加速度g，
电流数据包括单位时间内的电流最大值、最小值和平均值，单位为安培，
具体的，收集空压机的振动数据，通过以下步骤实现：
S101、通过机械设备状态监测边缘计算平台MCM100接入振动传感器，将振动传感器接口端接入到机械设备状态监测边缘计算平台MCM100中接收信号的通道，传感端安装到空压机上，采集模拟量生成的时域数据，振动数据的采集主要位置是空压机的自由端和承载端；
S102、通过傅里叶变换将时域数据转化为FFT频谱数据，FFT即快速傅立叶变换；
S103、通过FFT频谱数据计算出振动数据的总能量值OA，OA即总能量值OverallValue。
具体的，总能量值OA的计算公式如下：
Figure BDA0002936538720000041
FFT频谱数据即Ai,Ai为频谱解析线上的振幅值,n为频谱解析条数，NBF为加权视窗因数，Haning视窗为1.5；
收集空压机的电流数据，通过以下步骤实现：
S1001、通过机械设备状态监测边缘计算平台接入电流传感器；
S1002、获取单位时间内的电流最大值、最小值和平均值。
S2、对振动数据和电流数据进行处理，通过时间字段将振动数据和电流数据连接起来，根据日期和24小时段对振动数据和电流数据进行分组，生成12行连续时间点的振动数据和电流数据；当当前小时段的振动数据和电流数据不够12行连续时间点时，以小时为单位，按时间倒序加上历史数据，直至生成12行连续时间点的振动数据和电流数据。
S3、对经过处理的振动数据和电流数据进行特征工程，生成训练数据，解决了现有空压机故障预警的训练数据样本获取效率低、成本高的难点；
具体的，参照图2所示，步骤S3包括如下的步骤：
S31、计算12行连续时间点的振动数据和电流数据的拟合的斜率和极差，获得6个特征，该6个特征为：自由端振动、承载端振动、电流、自由端振动斜率、电流的极差和自由端振动极差；
S32、对自由端振动斜率、电流的极差和自由端振动极差这三个特征乘以自然常数e，自然常数e等于2.718，并对结果取绝对值，生成数据字段；
S33、对数据字段归一化，生成特征数据，归一化有利于算法识别，提高算法训练的速度，提升准确率；
S34、从特征数据中获取空压机出现故障的时间点；
S35、判断特征数据在故障时间点之前是否有异常数据波动，当有异常时，则将异常小时段的寿命标注为故障时间和异常时间的小时差，将该小时差作为异常小时段的寿命标签；当没有异常时，则将该时间段的寿命标注为设备总寿命减去运行时间得到的小时差，将该小时差作为寿命标签；
判断特征数据在故障时间点之前有异常数据波动，应当同时满足以下3个标准，包括：
自由端振动斜率大于所有小时段历史数据的斜率均值；
电流的极差大于所有小时段历史数据的电流极差均值；
自由端振动的极差大于所有小时段历史数据的自由端振动极差均值
S36、将寿命标签按时间拼接到特征数据中，生成带寿命标签的训练数据。
S4、对训练数据进行卷积神经网络算法CNN和长短期记忆人工神经网络算法LSTM的训练；
具体的，步骤S4包括如下步骤：
S41、将带寿命标签的训练数据按照8:2的比例划分为算法训练数据和算法验证数据；
S42、使用多通道的卷积神经网络算法CNN、长短期记忆人工神经网络算法LSTM和全连接层DENSE组合成的复杂网络对算法训练数据进行训练，输出空压机寿命的预测结果，预测结果精度高，时效好；
具体的，步骤S42，通过以下步骤实现：
S421、将算法训练数据复制为多份，每份算法训练数据作为相应的一个通道的输入数据，每个通道均采用卷积神经网络算法CNN和长短期记忆人工神经网络算法LSTM对算法训练数据进行训练，分别获取相应的多份不同的高维特征；
S422、将多份不同的高维特征接入全连接层DENSE，输出空压机寿命的预测结果。
S43、使用算法验证数据对预测结果进行验证，以均方误差作为评估算法准确性的标准，均方误差即反映预测结果与真实结果之间差异程度的一种度量，均方误差越小说明算法准确性越高，当均方误差还在减小时，继续算法训练；当均方误差不再减小时，则停止算法训练。
S5、将训练好的寿命预测模型保存到H5文件，H5文件即层次数据格式的第5代版本。
S6、使用Python的Flask框架将寿命预测模型打包成Web服务，供其他相关应用程序调用，使本方法可适用于所有型号的空压机。
本发明有效的解决了现有空压机故障预警的训练数据样本获取效率低、成本高的问题；提供了高精度的空压机寿命预测方法，能够提前预测出空压机的寿命，以通知维修人员进行保养；具有泛化性，适用于所有型号的空压机。
以上是对本发明的较佳实施进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。

Claims (10)

1.一种用于空压机的寿命预测方法，其特征在于：包括以下的步骤：
S1、收集空压机的振动数据和电流数据，振动数据为总能量值OA，OA即总能量值Overall Value，电流数据包括单位时间内的电流最大值、最小值和平均值；
S2、对振动数据和电流数据进行处理，通过时间字段将振动数据和电流数据连接起来，根据日期和24小时段对振动数据和电流数据进行分组，生成12行连续时间点的振动数据和电流数据；
S3、对经过处理的振动数据和电流数据进行特征工程，生成训练数据；
S4、对训练数据进行卷积神经网络算法CNN和长短期记忆人工神经网络算法LSTM的训练；
S5、将训练好的寿命预测模型保存到H5文件，H5文件即层次数据格式的第5代版本；
S6、使用Python的Flask框架将寿命预测模型打包成Web服务。
2.如权利要求1所述的一种用于空压机的寿命预测方法，其特征在于：所述步骤S1中，收集空压机的振动数据，包括以下的步骤：
S101、通过机械设备状态监测边缘计算平台接入振动传感器，采集模拟量生成的时域数据；
S102、通过傅里叶变换将时域数据转化为FFT频谱数据，FFT即快速傅立叶变换；
S103、通过FFT频谱数据计算出振动数据的总能量值OA，OA即OverallValue。
3.如权利要求2所述的一种用于空压机的寿命预测方法，其特征在于：所述步骤S103中，总能量值OA的计算公式如下：
Figure FDA0002936538710000011
FFT频谱数据即Ai,Ai为频谱解析线上的振幅值,n为频谱解析条数，NBF为加权视窗因数，Haning视窗为1.5。
4.如权利要求1所述的一种用于空压机的寿命预测方法，其特征在于：所述步骤S1中，收集空压机的电流数据，包括以下的步骤：
S1001、通过机械设备状态监测边缘计算平台接入电流传感器；
S1002、获取单位时间内的电流最大值、最小值和平均值。
5.如权利要求1所述的一种用于空压机的寿命预测方法，其特征在于：所述步骤S2中，当前小时段的振动数据和电流数据不够12行连续时间点时，以小时为单位，按时间倒序加上历史数据，直至生成12行连续时间点的振动数据和电流数据。
6.如权利要求1所述的一种用于空压机的寿命预测方法，其特征在于：所述步骤S3，包括以下的步骤：
S31、计算12行连续时间点的振动数据和电流数据的拟合的斜率和极差，获得6个特征，该6个特征为：自由端振动、承载端振动、电流、自由端振动斜率、电流的极差和自由端振动极差；
S32、对自由端振动斜率、电流的极差和自由端振动极差这三个特征乘以自然常数e，自然常数e等于2.718，并对结果取绝对值，生成数据字段；
S33、对数据字段归一化，生成特征数据；
S34、从特征数据中获取空压机出现故障的时间点；
S35、判断特征数据在故障时间点之前是否有异常数据波动，当有异常时，则将异常小时段的寿命标注为故障时间和异常时间的小时差，将该小时差作为异常小时段的寿命标签；当没有异常时，则将该时间段的寿命标注为设备总寿命减去运行时间得到的小时差，将该小时差作为寿命标签；
S36、将寿命标签按时间拼接到特征数据中，生成带寿命标签的训练数据。
7.如权利要求6所述的一种用于空压机的寿命预测方法，其特征在于：所述步骤S35中，判断特征数据在故障时间点之前有异常数据波动，应当同时满足以下3个标准，包括：
自由端振动斜率大于所有小时段历史数据的斜率均值；
电流的极差大于所有小时段历史数据的电流极差均值；
自由端振动的极差大于所有小时段历史数据的自由端振动极差均值。
8.如权利要求1所述的一种用于空压机的寿命预测方法，其特征在于：所述步骤S4，包括以下的步骤：
S41、将带寿命标签的训练数据划分为算法训练数据和算法验证数据；
S42、使用多通道的卷积神经网络算法CNN、长短期记忆人工神经网络算法LSTM和全连接层DENSE组合成的复杂网络对算法训练数据进行训练，输出空压机寿命的预测结果；
S43、使用算法验证数据对预测结果进行验证，以均方误差作为评估算法准确性的标准，均方误差即反映预测结果与真实结果之间差异程度的一种度量，当均方误差还在减小时，继续算法训练；当均方误差不再减小时，则停止算法训练。
9.如权利要求8所述的一种用于空压机的寿命预测方法，其特征在于：所述步骤S41中，将带寿命标签的训练数据按照8:2的比例划分为算法训练数据和算法验证数据。
10.如权利要求8所述的一种用于空压机的寿命预测方法，其特征在于：所述步骤S42，包括以下的步骤：
S421、将算法训练数据复制为多份，每份算法训练数据作为相应的一个通道的输入数据，每个通道均采用卷积神经网络算法CNN和长短期记忆人工神经网络算法LSTM对算法训练数据进行训练，分别获取相应的多份不同的高维特征；
S422、将多份不同的高维特征接入全连接层DENSE，输出空压机寿命的预测结果。
CN202110163543.5A 2021-02-05 2021-02-05 一种用于空压机的寿命预测方法 Active CN112990542B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110163543.5A CN112990542B (zh) 2021-02-05 2021-02-05 一种用于空压机的寿命预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110163543.5A CN112990542B (zh) 2021-02-05 2021-02-05 一种用于空压机的寿命预测方法

Publications (2)

Publication Number Publication Date
CN112990542A true CN112990542A (zh) 2021-06-18
CN112990542B CN112990542B (zh) 2021-11-19

Family

ID=76348285

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110163543.5A Active CN112990542B (zh) 2021-02-05 2021-02-05 一种用于空压机的寿命预测方法

Country Status (1)

Country Link
CN (1) CN112990542B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11859626B2 (en) 2022-01-24 2024-01-02 Hamilton Sundstrand Corporation Incipient compressor surge detection using artificial intelligence

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN204142417U (zh) * 2014-08-13 2015-02-04 江汉大学 一种汽车压力传感器寿命测试装置
US20160099010A1 (en) * 2014-10-03 2016-04-07 Google Inc. Convolutional, long short-term memory, fully connected deep neural networks
CN207396030U (zh) * 2017-11-08 2018-05-22 青岛伟隆阀门股份有限公司 一种压力开关寿命试验测试装置
KR20190111230A (ko) * 2018-03-22 2019-10-02 경원기계공업(주) 에어컴프레셔에 대한 잔존 가동 수명 예측 장치
CN110909458A (zh) * 2019-11-08 2020-03-24 东风汽车集团有限公司 空压机的综合性能评价方法
CN111274737A (zh) * 2020-02-25 2020-06-12 山东大学 一种机械设备剩余使用寿命预测方法及系统
CN111443294A (zh) * 2020-04-10 2020-07-24 华东理工大学 一种锂离子电池剩余寿命间接预测方法及装置
CN111639467A (zh) * 2020-06-08 2020-09-08 长安大学 一种基于长短期记忆网络的航空发动机寿命预测方法
CN111980898A (zh) * 2020-08-21 2020-11-24 桂林电子科技大学 一种空压机性能识别与组群偏好联控系统及方法
CN112032031A (zh) * 2019-06-03 2020-12-04 东泽节能技术（苏州）有限公司 一种空压机的云数据分析方法、装置及系统

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN204142417U (zh) * 2014-08-13 2015-02-04 江汉大学 一种汽车压力传感器寿命测试装置
US20160099010A1 (en) * 2014-10-03 2016-04-07 Google Inc. Convolutional, long short-term memory, fully connected deep neural networks
CN207396030U (zh) * 2017-11-08 2018-05-22 青岛伟隆阀门股份有限公司 一种压力开关寿命试验测试装置
KR20190111230A (ko) * 2018-03-22 2019-10-02 경원기계공업(주) 에어컴프레셔에 대한 잔존 가동 수명 예측 장치
CN112032031A (zh) * 2019-06-03 2020-12-04 东泽节能技术（苏州）有限公司 一种空压机的云数据分析方法、装置及系统
CN110909458A (zh) * 2019-11-08 2020-03-24 东风汽车集团有限公司 空压机的综合性能评价方法
CN111274737A (zh) * 2020-02-25 2020-06-12 山东大学 一种机械设备剩余使用寿命预测方法及系统
CN111443294A (zh) * 2020-04-10 2020-07-24 华东理工大学 一种锂离子电池剩余寿命间接预测方法及装置
CN111639467A (zh) * 2020-06-08 2020-09-08 长安大学 一种基于长短期记忆网络的航空发动机寿命预测方法
CN111980898A (zh) * 2020-08-21 2020-11-24 桂林电子科技大学 一种空压机性能识别与组群偏好联控系统及方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
LIAN YONGQING等: "Life Prediction of the Oil-free Piston Rings in the Air-Powered Swashplate Engine", 《ADVANCED MATERIALS RESEARCH》 *
宁永杰: "基于机器学习的滚动轴承状态评估与剩余寿命预测", 《中国优秀硕士学位论文全文数据库（工程科技Ⅱ辑）》 *
张炎亮等: "基于改进诊断算法的空压机维护策略研究", 《工业工程与管理》 *
武林: "基于长短时记忆网络的空压机故障诊断系统研究", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 *

Also Published As

Publication number Publication date
CN112990542B (zh) 2021-11-19

Similar Documents

Publication Publication Date Title
ES2688196T3 (es) Procedimiento de monitorización de condición
CN107742053B (zh) 风电机组异常识别方法及装置
CN113032454A (zh) 基于云计算的交互式用户用电异常监测预警管理云平台
CN115469176A (zh) 一种基于数据模型的数字孪生电网用风险评估系统
CN115389854B (zh) 一种直流电源供电系统的安全监测系统及方法
Perez-Sanjines et al. Fleet-based early fault detection of wind turbine gearboxes using physics-informed deep learning based on cyclic spectral coherence
CN111582298A (zh) 一种基于人工智能的传感异常数据实时检测方法
CN112990542B (zh) 一种用于空压机的寿命预测方法
CN109670652A (zh) 一种光伏组件的故障预测方法
CN111275295A (zh) 一种基于反距离权重插值的分布式光伏故障诊断方法
CN115222141A (zh) 一种多变量时序异常检测方法、系统、介质、设备及终端
CN111768022A (zh) 煤机生产设备的设备检测方法及装置
CN117932501B (zh) 一种电能表运行状态管理方法和系统
CN111612019A (zh) 一种基于大数据模型对智能电表故障异常辨识分析的方法
CN114705965A (zh) 基于大数据的第三代半导体可靠性数据分析系统
CN104317778A (zh) 基于海量监测数据的变电设备故障诊断方法
CN117639228A (zh) 基于数字孪生的配电网运行状态预测方法及系统
CN113589172A (zh) 一种电网元器件的寿命预估方法
CN116756505B (zh) 一种基于大数据的光伏设备智能管理系统及方法
CN111025093B (zh) 一种基于双端平衡因子的xlpe电缆绝缘寿命估算方法
CN113672658B (zh) 基于复相关系数的电力设备在线监测错误数据识别方法
CN113642248B (zh) 定位设备剩余使用时间的评估方法及装置
CN113591396B (zh) 一种基于朴素贝叶斯网络的电网元器件故障诊断方法
CN115081741A (zh) 一种基于神经网络的天然气计量检定智能预测的方法
CN113036917A (zh) 一种基于机器学习的配电网监控信息监视系统和方法

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