CN113051814A - 一种转动设备性能劣化评估方法、装置及存储介质 - Google Patents
一种转动设备性能劣化评估方法、装置及存储介质 Download PDFInfo
- Publication number
- CN113051814A CN113051814A CN202110290018.XA CN202110290018A CN113051814A CN 113051814 A CN113051814 A CN 113051814A CN 202110290018 A CN202110290018 A CN 202110290018A CN 113051814 A CN113051814 A CN 113051814A
- Authority
- CN
- China
- Prior art keywords
- data
- evaluation
- evaluation score
- rotating equipment
- score
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 100
- 230000015556 catabolic process Effects 0.000 title claims abstract description 33
- 238000006731 degradation reaction Methods 0.000 title claims abstract description 33
- 230000006866 deterioration Effects 0.000 claims abstract description 37
- 238000000034 method Methods 0.000 claims abstract description 30
- 238000012935 Averaging Methods 0.000 claims abstract description 4
- 238000001228 spectrum Methods 0.000 claims description 34
- 230000002159 abnormal effect Effects 0.000 claims description 25
- 238000004422 calculation algorithm Methods 0.000 claims description 21
- 238000001514 detection method Methods 0.000 claims description 20
- 238000004458 analytical method Methods 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 13
- 238000013507 mapping Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000012706 support-vector machine Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 abstract description 7
- 238000012423 maintenance Methods 0.000 description 8
- 239000002002 slurry Substances 0.000 description 7
- 230000001133 acceleration Effects 0.000 description 4
- 230000006378 damage Effects 0.000 description 4
- 230000001105 regulatory effect Effects 0.000 description 4
- 238000005299 abrasion Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 230000008439 repair process Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013211 curve analysis Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
Images
Classifications
-
- 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
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M99/00—Subject matter not provided for in other groups of this subclass
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
-
- 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
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及一种转动设备性能劣化评估方法、装置及存储介质,该方法具体为:通过振动评估步骤获得第一评估得分,通过工况评估步骤获得第二评估得分;根据第一评估得分和第二评估得分,通过加权平均获得设备状态评估得分;根据设备状态评估得分判断转动设备的劣化趋势和劣化程度。与现有技术相比,本发明具有直观性强、鲁棒性好、可靠性高、模型建立难度低和计算简便等优点。
Description
技术领域
本发明涉及一种转动设备状态评估技术,尤其是涉及一种转动设备性能劣化评估方法、装置及存储介质。
背景技术
随着工业4.0、工业互联网及智慧工厂概念在我国的启动及推进,转动装备的状态检修需求再次受到了关注,机械设备在使用过程中会因磨损等诸多原因而逐渐老化,直至无法使用,通过保养及维修可以延长设备的使用寿命,然而设备的劣化问题仍然如墨菲定律般无法彻底避免,设备劣化是指设备降低或丧失了规定的功能,包括设备工作异常、性能降低、突发故障、设备损坏和经济价值降低等状态表现得总称。
为了应对设备劣化问题,提高设备可靠性,延长设备使用寿命,从预防劣化、测定劣化及修复劣化三个方面开展工作,影响设备劣化的主要因素包括设备本身质量、运行条件、供油情况以及循环条件,需要保证设备的正常运行和日常维修,但劣化仍不可避免,当劣化发展到某种程度时,需要及时发现并预测和判断劣化的趋势,通过测定劣化确定劣化程度,开展针对性地修理,使其性恢复性能,然而经过修理后的设备与新设备的性能相比,总是在向劣化发展,直至突发损坏,乃至报废,这就是绝对劣化,劣化评估与预测要做得就是在设备发生绝对劣化之前,便能够在早期发现劣化的趋势,提供防止绝对劣化发生的手段及策略,减少或延缓绝对劣化的发生,从而避免由于绝对劣化对设备乃至系统造成的经济及安全上的损坏。
传统的解决方式是基于计划检修的,分别是通过定期维护、点检检查及计划修理等方式来进行预防、测定和修复劣化,但该方式无法实时掌握设备劣化状态、分析手段单一,对人员的工作量和分析能力要求较高。
因此,基于状态检修的设备劣化分析方法被提了出来。通过采集设备的实时状态数据,对其进行分析从而判断设备的状态,而其主流方法主要分两类:一是通过分析机理模型,利用各种曲线分析、参数设置、阈值设置、专家系统和机理系统等手段,从设备及其系统机理上判断其状态,该类方法往往需要分析人员具备丰富的经验,且往往属于事后分析,预测准确率较低;二是基于大数据、机器学习、深度学习等新兴技术,挖掘和设备运行状况相关的数据,构建模型。以上两种方法的目的都是提前发现设备故障,预防由于劣化引起的设备故障,但是普遍存在的以下几个问题:
1)对样本数据要求较高,泛化能力及鲁棒性较差;
2)模型并非自适应的,需要借助经验进行人为设置参数或者是阈值,一旦设备工况发生变化,需要人为进行参数调整,甚至重新筛选数据和架构模型,误报率高;
3)模型基于有监督的学习,需要大量的负样本数据,而往往这是目前实际生产不具备的。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种转动设备性能劣化评估方法、装置及存储介质,直观性强,鲁棒性好,可靠性高,模型建立难度低,计算简便。
本发明的目的可以通过以下技术方案来实现:
一种转动设备性能劣化评估方法,具体为:
通过振动评估步骤获得第一评估得分,通过工况评估步骤获得第二评估得分;
根据第一评估得分和第二评估得分,通过加权平均获得设备状态评估得分;
根据设备状态评估得分的实际值、日平均值和月平均值判断转动设备的劣化趋势和劣化程度;
进一步地,所述的振动评估步骤具体为:
获取转动设备的若干个设定部位的第三评估得分,根据各个设定部位的第三评估得分,通过加权平均获得第一评估得分。
进一步地,所述的设定部位的第三评估得分的获取过程具体为:
通过振动传感器获取设定部位的振动数据;
对振动数据依次进行预处理,并采用若干种时频分析算法对振动数据进行时频分析,对应获得若干种频谱数据;
通过局部异常因子算法去除若干组历史频谱数据中的异常数据,并获取各组历史频谱数据的各个频率下所对应幅值的最大值,对应获得若干组第一偏差检测模型;
通过第一偏差检测模型计算各组频谱数据的实际数据的偏差程度,通过偏差程度计算出对应的决定系数,将该决定系数归一化,并映射至0~100分,对应获得各组频谱数据的实际得分;
取若干组频谱数据的实际得分中的最小值作为设定部位的第三评估得分。
进一步地,所述的时频分析算法包括傅里叶变换、包络解调、小波分析和希尔伯特黄变换。
进一步地,将实际得分小于设定分值的频谱数据判定为异常频谱数据,记录并显示该异常频谱数据。
进一步地,所述的工况评估步骤具体为:
采集转动设备的若干种工况特征变量的历史时序数据集;
利用局部异常因子算法去除历史时序数据集中的异常数据,得到训练集;
根据训练集,通过支持向量机算法建模,得到第二偏差检测模型;
通过第二偏差检测模型计算若干种工况特征变量的实际数据的偏差程度,该偏差程度为实际数据到模型边界的距离,将该偏差程度映射到0~100分,获得第二评估得分。
一种转动设备性能劣化评估装置,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器调用所述程序指令能够执行任一所述的转动设备性能劣化评估方法。
一种计算机可读存储介质,包括计算机程序,所述计算机程序能够被处理器执行以实现任一所述的转动设备性能劣化评估方法。
与现有技术相比,本发明具有以如下有益效果:
(1)本发明通过振动传感器获取转动设备的设定部位的振动数据,并通过多种时频分析算法对振动数据进行时频分析,对应获得多种频谱数据,以多种频谱数据的历史数据作为训练集,建立若干组第一偏差检测模型,通过第一偏差检测模型计算多种频谱数据的实际数据的偏差程度,将该程度归一化并映射至0~100分,对应获得多种频谱数据的实际得分,取多个实际得分中的最小值作为设定部位的第三评估得分,根据各设定部位的第三评估得分,通过加权平均获得第一评估得分,可靠性高;
(2)本发明采集转动设备的若干种工况特征变量的历史时序数据集,利用局部异常因子算法去除历史时序数据集中的异常数据,得到训练集,根据训练集,通过支持向量机算法建模,得到第二偏差检测模型,通过第二偏差检测模型计算若干种工况特征变量的实际数据的偏差程度,并将该偏差程度映射到0~100分,获得第二评估得分,基于转动设备的各个工况特征变量进行评估,可靠性高;
(3)本发明融合基于对振动数据获取的第一评估得分以及基于若干种工况特征变量获取的第二评估得分,获得根据设备状态评估得分,根据设备状态评估得分的实际值、日平均值和月平均值判断转动设备的劣化趋势和劣化程度,直观性好,鲁棒性和可靠性强,可将转动设备本身的历史数据作为样本,模型建立难度低,计算简便。
附图说明
图1为本发明的结构示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
实施例1
一种转动设备性能劣化评估方法,如图1,具体为:
1)通过振动评估步骤获得第一评估得分,通过工况评估步骤获得第二评估得分;
2)根据第一评估得分和第二评估得分,通过加权平均获得设备状态评估得分;
3)根据设备状态评估得分判断转动设备的劣化趋势和劣化程度。
振动评估步骤具体为:
获取转动设备的若干个设定部位的第三评估得分,根据各个设定部位的第三评估得分,通过加权平均获得第一评估得分。
第三评估得分的获取过程具体为:
通过振动传感器获取设定部位的振动数据,采样频率为fs,线数为N,振动数据为基于时间的有限序列长度为N的离散时域数据;
对振动数据进行预处理,该预处理包括加窗滤波,然后对预处理后的振动数据分别进行傅里叶变换、包络解调、小波分析及希尔伯特黄变换,对应获得F(fs)、B(fs)、W(fs)和H(fs)四组基于频率和幅值的频谱数据;
以F(fs)、B(fs)、W(fs)和H(fs)的历史数据作为训练样本,通过局部异常因子算法建立模型,对应获得MF(fs)、MB(fs)、MW(fs)和MH(fs)四个第一偏差检测模型;
计算四组实际频谱数据AF(fs)、AB(fs)、AW(fs)和AH(fs)分别与MF(fs)、MB(fs)、MW(fs)和MH(fs)的偏差程度,对应获得αF(fs)、αB(fs)、αW(fs)和αH(fs),将αF(fs)、αB(fs)、αW(fs)和αH(fs)归一化,并映射至0~100分,对应得到四组频谱数据的实际得分SF(fs)、SB(fs)、SW(fs)和SH(fs),取四组实际得分中的最小值作为设定部位的第三评估得分ST(fs),即:
ST(fs)=min(SF(fs),SB(fs),SW(fs),SH(fs))
第一评估得分SV(fs)的计算公式为:
其中,n为设定部位的总数,βi为第i个设定部位的权重,STi(fs)为第i个设定部位的第一评估得分。
将SF(fs)、SB(fs)、SW(fs)和SH(fs)中小于设定分值的偏差程度所对应的频谱数据判定为异常频谱数据,记录并显示该异常频谱数据。
设定部位包括电机驱动端X/Y向、电机自由端X/Y/Z向、本体驱动端X/Y向、本体自由端X/Y/Z向以及齿轮箱输出X/Y向。
工况评估步骤具体为:
采集转动设备的多种工况特征变量的历史时序数据集,进行多元融合,工况特征变量包括电流、温度、调门开度和压力,历史时序数据集记为x=(x1,x2,x3,x4),其中x1、x2、x3和x4分别为转动设备的电流、温度、调门开度和压力的历史时序数据;
利用局部异常因子算法去除历史时序数据集x中的异常数据,得到训练集Sx;
根据训练集Sx,通过支持向量机算法建模,得到第二偏差检测模型Mx;
采集转动设备的工况特征变量的实际数据,构成实际数据集y,y=(y1,y2,y3,y4),其中,y1、y2、y3和y4分别为电流、温度、调门开度和压力的实际数据;
将实际数据集y输入第二偏差检测模型Mx,通过第二偏差检测模型Mx计算实际数据集y中各工况特征变量的实际数据的偏差程度γ,该偏差程度为实际数据到模型边界的距离D,将偏差程度γ映射到0~100分,获得第二评估得分SE,第二评估得分SE的计算公式为:
SE=1-γ
根据第一评估得分SV(fs)和第二评估得分SE计算设备状态评估得分SH,计算公式为:
SH=aSV(fs)+bSE
其中,a和b为设定权重。
根据设备状态评估得分的实际值、日平均值和月平均值,直观地发现转动设备劣化程度和劣化趋势。
设备劣化的过程其实就是设备的磨损过程,设备的磨损使配合间隙增大,引发振动与冲击,使一些强度低的零件损坏,也就是说振动与冲击是设备劣化的直接表现方式,从能量平衡的角度解释,电能等于做功和劣化消耗的能量之和,而劣化消耗的能量中大部分的能量是以振动和冲击的形式表现出来的,而冲击也可以通过振动来获得,所以振动数据是能很好地反映设备劣化情况的参数,利用多种时频分析算法对振动数据进行分析,通过支持向量机算法,基于多种工况特征变量进行多维横向建模,综合振动数据和多种工况特征变量的偏差程度,能提前并直观、准确地发现转动设备的劣化趋势和劣化程度。
以某600MW火力发电厂浆液循环泵为例,该泵安装电机驱动端X向和Y向安装加速度振动传感器,加速度振动传感器采集的振动数据为加速度时域信号,对浆液循环泵的性能劣化进行评估,具体为:
采样频率fs=10000Hz,线数N=12800,对采集的电机驱动端X向的加速度时域信号进行信号时频分析,获得F1(fs)、B2(fs)、W1(fs)和H1(fs)四组频谱数据,将该浆液循环泵的电机驱动端X前半年的频谱数据F(fs)、B(fs)、W(fs)和H(fs)作为训练样本,通过局部异常因子算法建立模型,对应获得MF1(fs)、MB1(fs)、MW1(fs)和MH1(fs)四个第一偏差检测模型;
计算电机驱动端X向的实际频谱数据AF(fs)、AB(fs)、AW(fs)和AH(fs)分别与模型MF1(fs)、MB1(fs)、MW1(fs)和MH1(fs)的偏差程度,得到αF1(fs)、αB1(fs)、αW1(fs)和αH1(fs),将αF1(fs)、αB1(fs)、αW1(fs)和αH1(fs)归一化,并映射至0~100分,对应得到四组频谱数据的实际得分SF1(fs)、SB1(fs)、SW1(fs)和SH1(fs),对于实际得分小于设定分值的频谱数据判定为异常,同时显示并记录发生异常的频谱数据,取四组实际得分中的最小值作为浆液循环泵的电机驱动端X向的第三评估得分ST1(fs),即:
ST1(fs)=min(SF1(fs),SB1(fs),SW1(fs),SH1(fs))
同理获得浆液循环泵的电机驱动端Y向的第三评估得分ST2(fs);
浆液循环泵的第一评估得分SV(fs)的计算公式为:
SV(fs)=0.5ST1(fs)+0.5ST2(fs)
工况评估步骤具体为:
采集浆液循环泵的电流、轴承前部温度、轴承后部温度的前一年的历史时序数据集,利用局部异常因子算法去除历史时序数据集中的异常数据,得到训练集Sx;
根据训练集Sx,通过支持向量机算法建模,得到第二偏差检测模型Mx;
采集转动设备的工况特征变量的实际数据,构成实际数据集y,y=(y1,y2,y3,y4),其中,y1、y2、y3和y4分别为电流、温度、调门开度和压力的实际数据;
将实际数据集y输入第二偏差检测模型Mx,通过第二偏差检测模型Mx计算实际数据集y中各工况特征变量的实际数据的偏差程度γ,该偏差程度为实际数据到模型边界的距离D,将偏差程度γ映射到0~100分,获得第二评估得分SE,第二评估得分SE的计算公式为:
SE=1-γ
根据第一评估得分SV(fs)和第二评估得分SE计算设备状态评估得分SH,计算公式为:
SH=0.5SV(fs)+0.5SE
根据设备状态评估得分SH的实际值、日平均值和月平均值,直观地发现转动设备劣化程度和劣化趋势。
实施例2
一种转动设备性能劣化评估装置,包括存储器和处理器,存储器存储有计算机程序,处理器调用程序指令能够执行如实施例1所述的转动设备性能劣化评估方法。
实施例3
一种计算机可读存储介质,包括计算机程序,计算机程序能够被处理器执行以实现如实施例1所述的转动设备性能劣化评估方法。
实施例1、实施例2和实施例3提出了一种转动设备性能劣化评估方法、装置及存储介质,本发明融合基于对振动数据获取的第一评估得分以及基于若干种工况特征变量获取的第二评估得分,获得根据设备状态评估得分,根据设备状态评估得分的实际值、日平均值和月平均值判断转动设备的劣化趋势和劣化程度,直观性好,鲁棒性和可靠性强,可将转动设备本身的历史数据作为样本,模型建立难度低,计算简便,能够改变固有巡检模式,及早发现设备问题,做好针对性检修措施,是提高设备运行可靠度,降低运维成本,确保转动设备安全生产。
以上详细描述了本发明的较佳具体实施例。应当理解,本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此,凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案,皆应在由权利要求书所确定的保护范围内。
Claims (10)
1.一种转动设备性能劣化评估方法,其特征在于,具体为:
通过振动评估步骤获得第一评估得分,通过工况评估步骤获得第二评估得分;
根据第一评估得分和第二评估得分,通过加权平均获得设备状态评估得分;
根据设备状态评估得分判断转动设备的劣化趋势和劣化程度。
2.根据权利要求1所述的一种转动设备性能劣化评估方法,其特征在于,所述的振动评估步骤具体为:
获取转动设备的若干个设定部位的第三评估得分,根据各个设定部位的第三评估得分,通过加权平均获得第一评估得分。
3.根据权利要求2所述的一种转动设备性能劣化评估方法,其特征在于,所述的设定部位的第三评估得分的获取过程具体为:
通过振动传感器获取设定部位的振动数据;
对振动数据依次进行预处理,并采用若干种时频分析算法对振动数据进行时频分析,对应获得若干种频谱数据;
通过局部异常因子算法去除若干组历史频谱数据中的异常数据,并获取各组历史频谱数据的各个频率下所对应幅值的最大值,对应获得若干组第一偏差检测模型;
通过第一偏差检测模型计算各组频谱数据的实际数据的偏差程度,通过偏差程度计算出对应的决定系数,将该决定系数归一化,并映射至0~100分,对应获得各组频谱数据的实际得分;
取若干组频谱数据的实际得分中的最小值作为设定部位的第三评估得分。
4.根据权利要求3所述的一种转动设备性能劣化评估方法,其特征在于,所述的预处理包括加窗滤波。
5.根据权利要求3所述的一种转动设备性能劣化评估方法,其特征在于,所述的时频分析算法包括傅里叶变换、包络解调、小波分析和希尔伯特黄变换。
6.根据权利要求3所述的一种转动设备性能劣化评估方法,其特征在于,将实际得分小于设定分值的频谱数据判定为异常频谱数据,记录并显示该异常频谱数据。
7.根据权利要求1所述的一种转动设备性能劣化评估方法,其特征在于,所述的工况评估步骤具体为:
采集转动设备的若干种工况特征变量的历史时序数据集;
利用局部异常因子算法去除历史时序数据集中的异常数据,得到训练集;
根据训练集,通过支持向量机算法建模,得到第二偏差检测模型;
通过第二偏差检测模型计算若干种工况特征变量的实际数据的偏差程度,该偏差程度为实际数据到模型边界的距离,将该偏差程度映射到0~100分,获得第二评估得分。
8.根据权利要求1所述的一种转动设备性能劣化评估方法,其特征在于,根据设备状态评估得分的实际值、日平均值和月平均值判断转动设备的劣化趋势和劣化程度。
9.一种转动设备性能劣化评估装置,其特征在于,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器调用所述程序指令能够执行如权利要求1至8任一所述的转动设备性能劣化评估方法。
10.一种计算机可读存储介质,其特征在于,包括计算机程序,所述计算机程序能够被处理器执行以实现如权利要求1-8任一所述的转动设备性能劣化评估方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110290018.XA CN113051814B (zh) | 2021-03-18 | 2021-03-18 | 一种转动设备性能劣化评估方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110290018.XA CN113051814B (zh) | 2021-03-18 | 2021-03-18 | 一种转动设备性能劣化评估方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113051814A true CN113051814A (zh) | 2021-06-29 |
CN113051814B CN113051814B (zh) | 2023-11-24 |
Family
ID=76513812
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110290018.XA Active CN113051814B (zh) | 2021-03-18 | 2021-03-18 | 一种转动设备性能劣化评估方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113051814B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102768115A (zh) * | 2012-06-27 | 2012-11-07 | 华北电力大学 | 一种风电机组齿轮箱健康状态实时动态监控方法 |
CN105160489A (zh) * | 2015-09-28 | 2015-12-16 | 国家电网公司 | 一种水电机组变权劣化评估系统及评估方法 |
US20180329406A1 (en) * | 2017-05-09 | 2018-11-15 | International Business Machines Corporation | Electrical device degradation determination |
CN112034789A (zh) * | 2020-08-25 | 2020-12-04 | 国家机床质量监督检验中心 | 一种数控机床关键部件及整机的健康评估方法,系统及评估终端机 |
-
2021
- 2021-03-18 CN CN202110290018.XA patent/CN113051814B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102768115A (zh) * | 2012-06-27 | 2012-11-07 | 华北电力大学 | 一种风电机组齿轮箱健康状态实时动态监控方法 |
CN105160489A (zh) * | 2015-09-28 | 2015-12-16 | 国家电网公司 | 一种水电机组变权劣化评估系统及评估方法 |
US20180329406A1 (en) * | 2017-05-09 | 2018-11-15 | International Business Machines Corporation | Electrical device degradation determination |
CN112034789A (zh) * | 2020-08-25 | 2020-12-04 | 国家机床质量监督检验中心 | 一种数控机床关键部件及整机的健康评估方法,系统及评估终端机 |
Also Published As
Publication number | Publication date |
---|---|
CN113051814B (zh) | 2023-11-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111275288B (zh) | 基于XGBoost的多维数据异常检测方法与装置 | |
CN110208019B (zh) | 一种动设备状态监测动态阈值预警方法 | |
CN110687896A (zh) | 故障诊断方法、装置、设备及可读介质 | |
WO2022134495A1 (zh) | 基于深度学习的设备异常检测方法、系统及计算机介质 | |
CN114135477B (zh) | 一种机泵设备状态监测动态阈值预警方法 | |
CN114962239B (zh) | 一种基于智能物联网的设备故障检测方法 | |
CN116308300B (zh) | 一种电力设备状态监测评价与指挥方法及系统 | |
CN114066274A (zh) | 一种设备性能预警的方法及装置 | |
CN116871978A (zh) | 基于多传感器融合的钻削刀具状态监测方法 | |
CN116625683A (zh) | 一种风电机组轴承故障识别方法、系统、装置及电子设备 | |
CN115358533A (zh) | 一种基于大数据的预测性维护管理系统 | |
CN113051814A (zh) | 一种转动设备性能劣化评估方法、装置及存储介质 | |
CN117350377A (zh) | 一种基于知识图谱驱动的设备故障诊断方法及装置 | |
Yang et al. | Anomaly detection of automobile welding workstation based on stacked autoencoders and long short-term memory network | |
CN116363843A (zh) | 试验室设备预警系统 | |
CN112525337B (zh) | 一种针对机械压力机振动监测数据预处理方法 | |
CN115456041A (zh) | 设备故障预警方法及装置、计算设备和存储介质 | |
CN117662491A (zh) | 基于主成分和深度学习算法的主泵故障诊断方法及系统 | |
CN113982600B (zh) | 一种基于怠速扭矩的异常工况预警方法 | |
CN118090078B (zh) | 一种闭式循环水冷系统渗漏在线监测方法 | |
CN117622809B (zh) | 一种斗轮机运行ai监护方法和服务器 | |
Wang et al. | A Degradation Condition Assessment Technique Based on online ISSE Degradation Feature and Logistic Regression Model | |
CN115342036A (zh) | 一种风力发电组机变桨电机异常预警方法及系统 | |
EP4336295A1 (en) | System and method for intelligently monitoring machine equipment | |
CN108009048B (zh) | 一种工业能耗监控平台数据的修补方法 |
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 |