CN113269413B - 压合机故障预警方法、设备和存储介质 - Google Patents
压合机故障预警方法、设备和存储介质 Download PDFInfo
- Publication number
- CN113269413B CN113269413B CN202110500843.8A CN202110500843A CN113269413B CN 113269413 B CN113269413 B CN 113269413B CN 202110500843 A CN202110500843 A CN 202110500843A CN 113269413 B CN113269413 B CN 113269413B
- Authority
- CN
- China
- Prior art keywords
- fault
- subsystem
- machine
- judgment matrix
- pressing machine
- 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
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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- 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
- G06F17/148—Wavelet transforms
-
- 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
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
Abstract
本公开涉及一种压合机故障预警方法、设备和存储介质,方法包括:实时监测压合机运行状态,并采集压合机的特征参数;将所述特征参数输入构建的故障检测模型,得到所述压合机是否存在故障的输出结果,并在所述压合机存在故障时输出故障模式信息;将所述故障模式输入构建的故障模式影响评估模型,得到所述故障模式对压合机的影响度。本公开通过输出压合机的故障模式及其对压合机整机的影响度使得故障模式对压合机整机的影响度量化,提升了技术人员后续对压合机的维修维护决策能力,同时也为压合机后续预警模式提供了分级应对的基础,有助于进一步提高压合机故障预警的及时性、可记录性、决策参考性,降低产品的不良率,延长压合机的使用寿命。
Description
技术领域
本申请涉及生产加工设备智能诊断领域,特别是涉及一种压合机故障预警方法、设备和存储介质。
背景技术
压合机广泛应用于生产多层印刷电路板(PCB)、铜箔积层板、电木积层板等材料的成型过程中,压合作为生产金属基板重要环节,其运行状态直接影响压合材料质量。尤其是真空压合机,具有超高温加热、热度分布均匀、高真空度、体积小等特点,对工作环境有较高要求。由于真空压合机长期处于高真空度、高温、高压状态下,其关键部件极易发生故障。在压合机出现故障早期,由于真空压合机运行工况复杂,运行状态属性难以量化,设备维护人员处理能力有限,难以发现压合机的局部故障征兆,导致压合机在故障状态下工作,这不仅直接影响印制电路板质量,而且有重大安全隐患。随着故障的不断演变,最终导致设备停机,甚至会造成财产损失与人员伤亡。
然而目前对真空压合机故障预警往往依靠人工经验,大多数企业关注于产品数据,对真空压合机运行数据的采集与状态监控有限,难以充分挖掘故障数据以及深层剖析故障机理,难以精确排查故障、故障定位以及量化故障将要对整机产生的影响。因此,亟需研发面向真空压合机的故障预警方法,提高压合机故障识别准确度,从而降低压合机非计划故障停机时间,提高压合效率与质量。
发明内容
基于此,有必要针对上述技术问题,提供一种压合机故障预警方法、设备和存储介质。
一种压合机故障预警方法,包括:
实时监测压合机运行状态,并采集压合机的特征参数;
将所述特征参数输入构建的故障检测模型,得到所述压合机是否存在故障的输出结果,并在所述压合机存在故障时输出故障模式信息;
将所述故障模式输入构建的故障模式影响评估模型,得到所述故障模式对压合机的影响度。
在其中一个实施例中,还包括:根据所述故障模式对压合机的影响度触发相应级别的预警模式。
其带来的有益效果是通过将故障模式对压合机的影响度进行量化分级,与不同的预警模式相匹配,使得不同程度的影响度触发对应级别的预警模式,提高了预警效率。
在其中一个实施例中,所述故障模式影响评估模型的构建步骤包括:
针对压合机选定评价指标,采用层次分析法构建压合机评价体系,所述评价体系至少包括第一层次,所述第一层次针对所述压合机的子系统,用于评价压合机的子系统对压合机整机的第一重要度;
构建所述评价指标的第一判断矩阵,以及构建所述子系统分别在所述评价指标下的系统判断矩阵;
计算所述第一判断矩阵和系统判断矩阵的最大特征值及其对应的特征向量,并进行一致性检验,若所述第一判断矩阵和系统判断矩阵满足一致性检验要求,则根据所述第一判断矩阵获得所述评价指标的权重,根据所述系统判断矩阵获得所述子系统分别在所述评价指标下的权重;若所述第一判断矩阵或系统判断矩阵不满足一致性检验要求,则重新构建所述第一判断矩阵或系统判断矩阵,重复所述故障模式影响评估模型的构建步骤;
根据所述评价指标的权重以及所述子系统分别在所述评价指标下的权重计算获得所述子系统对压合机整机的第一重要度。
在其中一个实施例中,所述故障模式影响评估模型的构建步骤在获得子系统故障对压合机整机的第一重要度之后还包括:
分别梳理所述子系统的组件故障,在所述评价体系内构建第二层次,所述第二层次针对所述子系统的组件,用于评价所述子系统的组件对所述子系统的第二重要度;
分别构建各个子系统下的组件故障的第二判断矩阵;
计算所述第二判断矩阵的最大特征值及其对应的特征向量,并进行一致性检验,若所述第二判断矩阵满足一致性检验要求,则根据所述第二判断矩阵获得所述组件对所述子系统的第二重要度;若所述第二判断矩阵不满足一致性检验,则重新构建所述第二判断矩阵,重复所述故障模式影响评估模型在获得所述子系统对压合机整机的第一重要度之后的步骤;
根据所述第一重要度和所述第二重要度计算获得所述组件的故障模式对压合机整机的影响度。
在其中一个实施例中,所述故障检测模型的构建步骤包括:
获取所述子系统在单一故障模式和正常工况下的特征参数;
根据所述子系统在单一故障模式和正常工况下的特征参数,建立所述子系统的单一故障模式和正常工况下的包括故障特征向量的特征参量集;
选定所述特征参量集的部分数据作为训练集建立所述故障检测模型,使得所述故障检测模型的输入为所述故障特征向量,输出为所述故障特征向量对应的故障模式,并采用所述特征参量集的其余数据作为测试集优化所述故障检测模型;其中,所述故障检测模型基于变量预测模型的分类方法建立。
在其中一个实施例中,根据所述子系统在单一故障模式和正常工况下的特征参数,建立所述子系统的单一故障模式和正常工况下的包括故障特征向量的特征参量集包括:
将特征参数信号进行经验小波变换,获得特征参数的分量信号;
计算所述分量信号的均值、有效值和峰值因子,并生成所述故障特征向量和特征参量集。
在其中一个实施例中,将特征参数信号进行经验小波变换之前,还包括:
对采集到的特征参数初始信号进行归一化预处理。
在其中一个实施例中,将特征参数信号进行经验小波变换,获得特征参数分量信号包括:
对特征参数信号进行快速傅里叶变换,并规范化频率范围;
设定所述特征参数信号包含N个分量,并将规范化的傅里叶频谱划分为N个连续的区间;
确定频谱的分割区间,构造N个经验小波函数;
计算经验小波变换,获得特征参数的分量信号。
一种压合机故障预警设备,其特征在于,包括:
测量模块,用于获取检测元件检测的特征参数,所述检测元件设置在所述压合机表面或内部;
预警模块,用于根据接收到的控制指令触发相应级别的预警模式;
控制模块,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述压合机故障预警方法的步骤。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述压合机故障预警方法的步骤。
上述压合机故障预警方法、设备和和存储介质,有益效果是通过故障检测模型和故障模式影响评估模型联动,将故障检测模型的输出作为故障模式影响评估模型的输入,使得最终输出结果不仅包括故障模式,提高了压合机故障定位的准确性;输出结果还包括该故障模式对压合机整机的影响度,使得故障模式对压合机整机的影响度量化,提升了技术人员后续对压合机的维修维护决策能力,同时也为压合机后续预警模式提供了分级应对的基础,有助于进一步提高压合机故障预警的及时性、可记录性、决策参考性,降低产品的不良率,延长压合机的使用寿命。
附图说明
为了更清楚地说明本申请实施例或传统技术中的技术方案,下面将对实施例或传统技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为一实施例中提供的压合机故障预警方法的流程示意图;
图2为一实施例中提供的压合机故障预警方法的另一流程示意图;
图3为一实施例中故障模式影响评估模型的构建步骤的流程示意图;
图4为一实施例中故障检测模型的构建步骤的流程示意图;
图5为图4中步骤B22的流程示意图;
图6为一实施例中压合机故障预警方法的具体技术路线示意图;
图7为一实施例中冷压控制系统主要故障模式特征向量提取流程示意图;
图8为一实施例中冷压控制系统故障识别技术路线示意图。
具体实施方式
为了便于理解本申请,下面将参照相关附图对本申请进行更全面的描述。附图中给出了本申请的实施例。但是,本申请可以以许多不同的形式来实现,并不限于本文所描述的实施例。相反地,提供这些实施例的目的是使本申请的公开内容更加透彻全面。
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本申请。
应当明白,尽管可使用术语第一、第二、第三等描述各种元件、部件、区、层、掺杂类型和/或部分,这些元件、部件、区、层、掺杂类型和/或部分不应当被这些术语限制。这些术语仅仅用来区分一个元件、部件、区、层、掺杂类型或部分与另一个元件、部件、区、层、掺杂类型或部分。因此,在不脱离本发明教导之下,下面讨论的第一元件、部件、区、层、掺杂类型或部分可表示为第二元件、部件、区、层或部分;举例来说,可以将第一掺杂类型成为第二掺杂类型,且类似地,可以将第二掺杂类型成为第一掺杂类型;第一掺杂类型与第二掺杂类型为不同的掺杂类型,譬如,第一掺杂类型可以为P型且第二掺杂类型可以为N型,或第一掺杂类型可以为N型且第二掺杂类型可以为P型。
在此使用时,单数形式的“一”、“一个”和“所述/该”也可以包括复数形式,除非上下文清楚指出另外的方式。还应当理解的是,术语“包括/包含”或“具有”等指定所陈述的特征、整体、步骤、操作、组件、部分或它们的组合的存在,但是不排除存在或添加一个或更多个其他特征、整体、步骤、操作、组件、部分或它们的组合的可能性。同时,在本说明书中,术语“和/或”包括相关所列项目的任何及所有组合。
请参阅图1,本实施例提供一种压合机故障预警方法,包括如下步骤:
步骤S10,实时监测压合机运行状态,并采集压合机的特征参数。其中,特征参数可以理解为可以直接或间接描述压合机运行状态的参数,例如压合机的温度、压力、流量等。相应的,采集压合机特征参数时,可以根据具体的参数类型采用对应的检测元件,例如温度传感器、压力传感器、流量传感器等。
步骤S20,将特征参数输入构建的故障检测模型,得到压合机是否存在故障的输出结果,并在压合机存在故障时输出故障模式信息。此处,本实施例通过一个故障检测模型来判断压合机是否存在故障,该故障检测模型的输入是实时采集到的特征参数,输出的故障模式信息包括压合机是否存在故障,以及压合机存在故障时分析判断出的压合机的故障模式。
步骤S30,将故障模式输入构建的故障模式影响评估模型,得到故障模式对压合机的影响度。此处,本实施例通过一个故障模式影响评估模型来判断压合机的故障模式对压合机的影响度,该故障模式影响评估模型的输入是步骤S20中故障检测模型输出的故障模式,该故障模式影响评估模型的输出是故障模式对压合机的影响度。这里故障模式对压合机的影响度可以理解为用于衡量故障模式对压合机本身或压合机输出造成非正常运行或损害时,该故障模式对压合机产生的负面影响程度或者产生的负面影响趋势的程度。在影响度高时,压合机性能衰退过程更快,趋向于在较短的时间功能彻底失效,在影响度低时,压合机性能衰退过程更慢,趋向于在较长的时间功能彻底失效。
在本实施例中,本预警方法通过实时监测压合机运行状态,不仅可以在压合机故障早期及时判断出压合机是否故障,还可以通过故障检测模型和故障模式影响评估模型联动,获得具体的故障模式以及该故障模式对压合机的影响度,有助于后续对压合机故障精准维护,以及为维护人员根据不同影响度采取合理的维护工作提供了参考,例如对于影响度低的故障,维护人员可以在当前工况结束后或当天工作完成后停机维修,对于影响度高的故障,维护人员可以立刻停机维修。
如图2所述,在一实施例中,一种压合机故障预警方法,还包括以下步骤:
步骤S40,根据故障模式对压合机的影响度触发相应级别的预警模式。根据步骤S30获得的故障模式对压合机的影响度,触发相应级别的预警模式,预警模式包括发送报警文件、声音警示、灯光警示、强制停机中的一种或多种组合。例如,当步骤S30获得的故障模式对压合机的影响度低时,触发低级的预警模式,例如发送报警文件;当步骤S30获得的故障模式对压合机的影响度较高时,触发高级的预警模式,例如发送报警文件的同时,强制停机,并进行声音警示和灯光警示。
在本实施例中,压合机故障预警方法通过不同级别的预警模式匹配不同的故障模式对压合机的影响度,可以及时对维护人员进行提醒,且不同的预警模式对压合机预警做出相对应的应对方式,增加了预警信息传达内容,提高了预警效率。
如图3所示,在一个实施例中,故障模式影响评估模型的构建步骤包括:
步骤A10,针对压合机选定评价指标,采用层次分析法构建压合机的评价体系,所述评价体系至少包括第一层次。第一层次针对压合机的子系统,用于评价压合机的子系统对压合机整机的第一重要度。其中,将压合机看作包括多个子系统的集合。本实施例选定可靠性、安全性、经济性、维修性四大指标作为压合机的评价指标,将压合机看作包括第一子系统、第二子系统和第三子系统,其分别具体指代温控系统、真空系统、冷压控制系统。这里第一重要度将子系统对压合机整机的重要程度进行了量化。
层次分析法,是指将与决策总是有关的元素分解成目标、准则、方案等层次,在此基础之上进行定性和定量分析的决策方法。在本实施例中,采用层次分析法构建的评价体系至少包括一层,在实际应用中,可以包括两层或者更多层,层次越多,对压合机的故障模式剖析的越精确,计算成本也越高。
步骤A20,构建评价指标的第一判断矩阵,以及构建子系统分别在评价指标下的系统判断矩阵。
判断矩阵指的是对每一层次各因素的相对重要性给出的判断,这些判断用数值表示出来,写成矩阵形式的结果。判断矩阵中用重要性标度表示两个指标之间的重要性比较。判断矩阵的重要性标度含义参考下表1。
表1
构建第一判断矩阵表示为:
其中元素aij表示元素i与元素j的重要性之比,数字1、2、3、4分别指代可靠性、安全性、经济性、维修性,如a11表示可靠性与可靠性相比较,a12表示可靠性与安全性相比较,a13表示可靠性与经济性相比较,a14表示可靠性与维修性相比较,其余同理。
构建三个子系统在可靠性评价指标下的系统判断矩阵表示为:
其中元素bij表示元素i与元素j的重要性之比,数字1、2、3分别指代第一子系统、第二子系统和第三子系统,如b11表示只考虑可靠性时,第一子系统和第一子系统相比较,b12表示只考虑可靠性时,第一子系统和第二子系统相比较,b13表示只考虑可靠性时,第一子系统和第三子系统相比较,其余同理。
构建三个子系统在安全性评价指标下的系统判断矩阵表示为:
其中元素b'ij表示元素i与元素j的重要性之比,数字1、2、3分别指代第一子系统、第二子系统和第三子系统,如b'11表示只考虑安全性时,第一子系统和第一子系统相比较,b'12表示只考虑安全性时,第一子系统和第二子系统相比较,b'13表示只考虑安全性时,第一子系统和第三子系统相比较,其余同理。
构建三个子系统在经济性评价指标下的系统判断矩阵表示为:
其中元素b″ij表示元素i与元素j的重要性之比,数字1、2、3分别指代第一子系统、第二子系统和第三子系统,如b″11表示只考虑经济性时,第一子系统和第一子系统相比较,b″12表示只考虑经济性时,第一子系统和第二子系统相比较,b″13表示只考虑经济性时,第一子系统和第三子系统相比较,其余同理。
构建三个子系统在维修性评价指标下的系统判断矩阵表示为:
其中元素b″'ij表示元素i与元素j的重要性之比,数字1、2、3分别指代第一子系统、第二子系统和第三子系统,如b″'11表示只考虑维修性时,第一子系统和第一子系统相比较,b″'12表示只考虑维修性时,第一子系统和第二子系统相比较,b″'13表示只考虑维修性时,第一子系统和第三子系统相比较,其余同理。
步骤A30,计算第一判断矩阵和系统判断矩阵的最大特征值及其对应的特征向量,并进行一致性检验,若第一判断矩阵和系统判断矩阵满足一致性检验要求,则根据第一判断矩阵获得评价指标的权重,根据系统判断矩阵获得子系统分别在评价指标下的权重;若第一判断矩阵或系统判断矩阵不满足一致性检验要求,则重新构建第一判断矩阵或系统判断矩阵,重复故障模式影响评估模型的构建步骤。
计算上述每个判断矩阵(A、B1、B2、B3、B4)的最大特征值λk-max及其对应的特征向量WA、WB1、WB2、WB3、WB4,并进行一致性检验。一致性指标CR的计算方法如下:
其中RI取值见下表2,m为判断矩阵阶数。若CR≤0.1,则满足一致性,否则,不满足一致性要求,需要重新构建判断矩阵。
m | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 |
RI | 0 | 0 | 0.58 | 0.9 | 1.12 | 1.24 | 1.32 | 1.41 | 1.45 |
表2
在满足一致性的条件下,根据第一判断矩阵A的特征向量WA,可以得出四大指标的权重αk,(k=1,2,3,4分别代表可靠性、安全性、经济性、维修性)。根据特征向量B1、B2、B3、B4可以得出三个子系统的βkn(n=1,2,3分别代表温控系统、冷压控制系统、真空系统)在四大指标下的权重。
步骤A40,根据评价指标的权重以及子系统分别在评价指标下的权重计算获得子系统对压合机整机的第一重要度。
根据步骤A30中获得的αk和βkn,计算三个子系统分别在考虑可靠性、安全性、经济性、维修性的基础上的总权重(第一重要度),计算公式为:
其中n=1,2,3分别代表温控系统、真空系统、冷压控制系统,k=1,2,3,4分别代表可靠性、安全性、经济性、维修性。
在上述实施例中,故障模式影响评估模型的构建步骤在获得子系统对压合机整机的第一重要度之后还包括:
步骤A50,分别梳理子系统的组件故障,在评价体系内构建第二层次,第二层次针对子系统的组件,用于评价子系统的组件对子系统的第二重要度。这里第二重要度将组件对子系统的重要程度进行了量化。
对压合机的子系统级别故障模式进行梳理,剖析三个子系统的典型故障模式,构建第三故障层,下表3为梳理后的三个子系统中个子组件的故障模式。
表3
步骤A60,构建子系统下组件故障的第二判断矩阵。
构建温控系统下的组件故障的第二判断矩阵C1表示为:
其中元素cij表示元素i与元素j的重要性之比,数字1、2、3分别指代冷却组件故障、电加热组件故障、温控电路板故障,如c11表示冷却组件故障与冷却组件故障相比较,c12表示冷却组件故障与电加热组件故障相比较,c13表示冷却组件故障与温控电路板故障相比较,其余同理。
构建真空系统下的组件故障的第二判断矩阵C2表示为:
其中元素c'ij表示元素i与元素j的重要性之比,数字1、2分别指代连接线故障、气源口故障,如c'11表示连接线故障和连接线故障相比较,c'12表示连接线故障和气源口故障相比较,其余同理。
构建冷压控制系统下的组件故障的第二判断矩阵C3表示为:
其中元素c″ij表示元素i与元素j的重要性之比,数字1、2、3、4分别指代冷压板故障、操纵杆故障、液压管路故障和液压泵故障,如c″11表示冷压板故障和冷压板故障相比较,c″12表示冷压板故障和操纵杆故障相比较,c″13表示冷压板故障和液压管路故障相比较,c″14表示冷压板故障和液压泵故障相比较,其余同理。
步骤A70,计算步骤A60中第二判断矩阵的最大特征值及其对应的特征向量,并进行一致性检验,若第二判断矩阵满足一致性检验要求,根据第二判断矩阵获得组件对子系统的第二重要度;若第二判断矩阵不满足一致性检验要求,则重新构建第二判断矩阵,重复步骤A50。
计算上述三个第二判断矩阵(C1、C2、C3)的最大特征值及其对应的特征向量WC1、WC2、WC3,并进行一致性检验。一致性指标CR的计算方法同步骤A30中一致性指标CR的计算方法。
在满足一致性的条件下,根据第二判断矩阵(C1、C2、C3)的特征向量WC1、WC2、WC3,可以得出每个子系统下组件故障的权重(第二重要度)Wnj,表示为系统n的故障j对该系统的第二重要度,(n=1,2,3分别代表温控系统、真空系统、冷压控制系统;j=1,2,3,…分别代表对应子系统下的故障模式)。
步骤A80,根据第一重要度和第二重要度计算组件的故障模式对压合机整机的影响度。
根据从步骤A40中获得的第一重要度Cn以及步骤A70中获得的第二重要度Wnj,计算组件故障对压合机整机的影响度Qnj,计算公式为:Qnj=nwnj,其中n=1,2,3分别代表温控系统、真空系统、冷压控制系统,j=1,2,...分别某一系统下某一组件故障。
需要注意的是,评价体系可以根据实际需求选择范围更广或者范围更小的定义,本实施例中评价体系分为两层,分层结构为“压合机整体-子系统-组件”,第一层次针对所述压合机的子系统,第二层次针对子系统的组件。在实际操作中评价体系可以只建立一层,如“压合机整体-子系统”的分层结构,或者更多层如“压合机整体-子系统-组件-元件”的分层结构。
结合图4,在一个实施例中,故障检测模型的构建步骤包括:
步骤B10,获取子系统在单一故障模式和正常工况下的特征参数。
对于温控系统而言,系统故障征兆为降温、升温、温度控制异常,特征参数为温度,收集温控系统在各工况下温度特征数据,提取对应故障模式的温度特征。
对于真空系统而言,系统故障征兆为真空度不足、真空泵异常,特征参数为真空度,收集真空系统各工况下真空度特征数据,提取对应故障模式的真空度特征。
对于冷压控制系统而言,系统故障征兆为冷压板、液压回路异常,特征参数为压力、流量,收集冷压控制系统各工况下压力、流量特征数据,提取对应故障模式的压力与流量特征。
进行数据处理,建立子系统的单一故障模式和正常工况下的包括故障特征向量的特征参量集。
步骤B20,根据子系统在单一故障模式和正常工况下的特征参数,建立子系统的单一故障模式和正常工况下的包括故障特征向量的特征参量集。在获取到上述特征参数后,进行数据处理,得到故障特征向量和特征参量集。
步骤B30,选定特征参量集的部分数据作为训练集建立故障检测模型,使得故障检测模型的输入为故障特征向量,输出为故障特征向量对应的故障模式,并采用特征参量集的其余数据作为测试集优化故障检测模型。
在一个实施例中,步骤B20具体包括以下步骤:
步骤B22,将特征参数信号进行经验小波变换,获得特征参数的分量信号。
经验小波变换(Empirical Wavelet Transform,EWT)作为一种新的自适应分解方法,由Gilles于2013年提出,该方法主要用于非线性、非平稳信号的处理。经验小波变换在EMD方法的基础上,结合了小波变换的理论,对信号的傅里叶频谱自适应地进行划分,并通过小波滤波器组对划分的傅里叶频谱滤波,得到一组具有紧支撑傅里叶谱的经验小波函数分量(EWF)。本实施例采用经验小波变换对特征参数信号进行数据处理,将原始的模拟信号通过经验小波变换后进行特征提取,形成离散的分量信号。
步骤B24,计算分量信号的均值、有效值和峰值因子,并生成故障特征向量和特征参量集。从步骤B12中获得的分量信号x(t)为一组离散数据x1,x2,...,xN,则这些特征参数的均值、有效值和峰值因子计算式分别为:
在不同的分量信号下提取均值、有效值、峰值因子作为信号特征,组成故障特征向量,这里默认正常运行状态为一类特殊故障。
每一类状态运行信号经过经验小波分解后,得到n个分量,n个分量构成的故障特征向量为Tijk,其中i表示故障模式类别号,i=1,2,3,4,……,对应不通同的故障模式;j表示提取的特征值类型,j=1,2,3,……对应的特征值为均值、有效值、峰值因子;k表示经验小波分解后的第k个分量,Tijk表示第i类故障在第k个分量下的第j个特征值,Tijk组成特征向量集。例如T123表示冷压板故障在第二个经验小波分量下的有效值。具体得到的特征矩阵表如下表4所示。
表4
在上述实施例中,结合图5,步骤B22包括:
步骤B222,对特征参数信号进行快速傅里叶变换,并规范化频率范围,规范化频率范围为[0,π]。
步骤B224,设定特征参数信号包含N个分量,并将规范化的傅里叶频谱划分为N个连续的区间。找出频谱中的极大值,如果极大值个数大于N,将极大值按照从大到小的顺序排列,保留前N个极大值;如果极大值个数小于N,则说明信号分量个数少于假设的分量个数,此时保留所有极大值,并重置N。
步骤B226,确定频谱的分割区间,构造N个经验小波函数。将规范化的傅里叶频谱划分为N个连续的区间,则需要确定0和π之间的N-1条边界线,假设A、B、C为三个相邻的从小到大排列的极大值点,取A和B的中点,设为ωn,取B和C的中点,设为ωn+1,则分割的区间可表示为Λn=[ωn,ωn+1],n=1,2,…,N-1(ω0=0,ωN=π)。
步骤B228,计算经验小波变换,获得特征参数的分量信号。
在确定频谱的分割区间Λn后,构造N个经验小波函数对分割区间Λn加窗。定义经验尺度函数表达式如下:
其中,β(x)是一个任意函数,定义为:
本实施例取β(x)=x4(35-84x+70x2-20x3)。
其中,0<γ<1,这里取
经验小波函数表达式为:
经验小波变换的细节系数和近似相关系数/>的表达式如下:
/>
其中,ψn为特征参数的分量,<,>表示内积,为ψn的复共轭;/>和/>分别为f和ψn的傅里叶变换。
因此可以得到原信号分解得到的模态由下式给出:
其中,φ1为经验尺度函数;和/>分别为/>和/>的傅里叶变换。
对信号进行重建,得到特征参数的分量信号:
进一步的,在步骤B22之前,还包括对采集到的特征参数初始信号进行归一化预处理。由于特征参数初始信号的质量受到生产环境的干扰,需要对采集到的原始数据剔除异常值,并对数据归一化,提升数据的质量和分析效果。其中,归一化公式为:
其中,Xnorm表示归一化后的数据,X是压合机的原始数据,Xmax与Xmin分别表示原始数据的最大值与最小值。
在上述实施例中,步骤B30包括基于变量预测模型的分类方法建立故障检测模型。变量预测模型的分类(Variable Predictive Model Based Class Discriminate,VPMCD)是一种基于变量预测模型(Variable Predictive Model,VPM)的模式识别方法。VPMCD方法在分析同类故障内不同特征值之间的关联关系的基础上,能够有效识别小样本多种类的特征信息。通过这个模型对被测样本进行分类,同时避免了传统神经网络分类方法针对小样本数据的过拟合问题以及支持向量机核函数及其参数的选择问题,另外,模型的建立过程也不需要神经网络的网络迭代及支持向量机的参数寻优,使得运算量大幅度减少。
VPMCD算法有四种预测模型:
线性模型(L),表达式为:
线性交互模型(LI),表达式为:
/>
二次交互模型(QI),表达式为:
二次模型(Q),表达式为:
其中,r为模型阶数,k为每种故障模式的特征值个数,j代表故障模式的数目。r≤k-1,Xj(j≠i)为预测变量,Xi为被预测变量。b0、bj、bjj、bjk为模型参数。
选择四种模型里面的一种模型作为预测模型,表达式为:
Xi=f(Xj,b0,bj,bjj,bjk)+e
其中,e为预测误差。
假设有n个故障模式,对每种故障分别建立k个预测模型,一共有n*k个预测模型。
计算同一故障模式下k个特征值的预测误差平方和,预测误差平方和最小的模型所对应的故障类别就是最终测试的故障模式。VPMCD分类算法既可以适用于线性分类,也适用于非线性分类。
在一个实施例中,以某高密度印制线路板企业提供的高温真空合机为例,应用上述实施例公开的压合机故障预警方法,开展应用验证,结合图6,根据企业提供的信息具体实施步骤如下:
(1)建立故障模式影响评估模型
选定可靠性、安全性、经济性、维修性四大指标作为压合机的评价指标,第二故障层针对第一子系统、第二子系统和第三子系统,分别具体指代温控系统、真空系统、冷压控制系统。
构建第一判断矩阵,根据压合机的历史状态数据以及技术人员的经验知识,研究可靠性、安全性、经济性、维修性这四个指标对压合机的权重。根据层次分析法,得到第一判断矩阵为:
构建三个子系统在可靠性评价指标下的系统判断矩阵为:
构建三个子系统在安全性评价指标下的系统判断矩阵为:
构建三个子系统在经济性评价指标下的系统判断矩阵为:
计算第一判断矩阵A的特征向量最大特征值λA-max及其对应的特征向量WA。经计算一致性指标CR=0.0188<0.1,通过一致性检验。其中,
WA=[0.546 0.232 0.084 0.138]T
因此获得四大指标的权重:α1=0.546、α2=0.232、α3=0.084、α4=0.138。
计算可靠性评价指标下的系统判断矩阵B1的特征向量最大特征值λB1-max及其对应的特征向量WB1。经计算一致性指标CR=0.0155<0.1,通过一致性检验。其中,
WB1=[0.122 0.558 0.320]T
因此获得四大指标的权重:β11=0.122、β12=0.558、β13=0.320。
计算安全性评价指标下的系统判断矩阵B2的特征向量最大特征值λB2-max及其对应的特征向量WB2。经计算一致性指标CR=0.0029<0.1,通过一致性检验。其中,
WB2=[0.109 0.309 0.582]T
因此获得四大指标的权重:β21=0.109、β22=0.309、β23=0.582。
计算经济性评价指标下的系统判断矩阵B3的特征向量最大特征值λB3-max及其对应的特征向量WB3。经计算一致性指标CR=0.0125<0.1,通过一致性检验。其中,
WB3=[0.166 0.094 0.740]T
因此获得四大指标的权重:β31=0.166、β32=0.094、β33=0.740。
计算维修性评价指标下的系统判断矩阵B4的特征向量最大特征值λB4-max及其对应的特征向量WB4。经计算一致性指标CR=0.0926<0.1,通过一致性检验。其中,
WB4=[0.124 0.359 0.517]T
因此获得四大指标的权重:β41=0.124、β42=0.359、β43=0.517。
计算每个子系统对压合机整机的权重(第一重要度),计算得:
c1=0.123、c2=0.434、c3=0.443
下表5为各个子系统对四大指标和压合机整机的权重:
表5
分别梳理子系统的组件故障,构建第三故障层。由于冷压控制系统对整机的第一重要度占比较大,因此以压合机冷压控制系统为例,评价冷压控制系统四类故障对系统的影响度。梳理得出冷压控制系统主要包括冷压板故障、操纵杆故障、液压管路故障、液压泵故障。
构建冷压控制系统下组件故障的第二判断矩阵为:
计算第二判断矩阵的特征向量最大特征值及其对应的特征向量WC3。经计算一致性指标CR=0.0508<0.1,通过一致性检验。其中,
WC3=[0.082 0.212 0.048 0.658]T
因此获得冷压控制系统下组件故障的权重(第二重要度):w31=0.082、w32=0.212、w33=0.048、w34=0.658。
计算组件故障对压合机整机的影响度,以冷压控制系统为例,冷压控制系统下的组件故障对压合机整机的影响度,计算得:
Q31=0.0363、Q32=0.0939、Q33=0.0213、Q34=0.2915。
冷压控制系统下的组件故障对压合机整机的影响度和排序如下表6:
表6
(2)构建故障检测模型
以总权重最高的冷压控制系统为例,展开故障检测模型训练及实时检测。以压力作为原始输入信号,对单一工况下采集的信号进行经验小波变换,得到从高频到低频排列的一系列分量信号,提取分量信号的时域特征,选取可以反映信号的集中趋势的均值特征,可以反映信号的能量大小的有效值特征以及受工况影响较小的无量纲指标峰值因子作为信号的特征向量。
冷压控制系统主要故障模式分为冷压板故障、操纵杆故障、液压管路故障、液压泵故障和正常运行状态,将这五种工况下的压力信号共同组成五种不同运行模式的信号,针对每一类信号进行经验小波变换,得到从高频到低频排列的一系列分量信号,提取分量信号的时域特征,选取可以反映信号的集中趋势的均值特征、可以反映信号的能量大小的有效值特征以及受工况影响较小的无量纲指标峰值因子组成信号的故障特征向量(默认正常运行状态为一类特殊故障),故障特征提取技术路线如图7所示。
在得到故障特征向量的基础上,组成特征参量集。以特征参量集的百分之五十的数据作为训练集,以剩下的样本数据作为测试集,采用基于变量预测模型分类器进行故障识别,将每种故障模式的故障特征向量作为变量预测模型的输入,并将故障类别标签作为基于变量预测模型的输出。当识别出某一故障时,还输出该故障对整机影响度,根据影响度对压合机故障进行分级处理,以便后期采取及时有效的针对性的操作和维修建议,具体技术路线图如图8所示。
本实施例中,采用本方法最终构建的故障模式影响评估模型和故障检测模型在实际应用中,可以在早期对对压合机故障进行预警,并且输出的故障模式准确率高,有效了提高了压合机维修效率,减少了产品的不良率,延长了压合机的使用寿命。
应该理解的是,虽然图1的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图1中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,提供了一种压合机故障预警设备,包括:测量模块、预警模块和控制模块,其中:
测量模块,用于获取检测元件检测的特征参数,检测元件设置在压合机表面或内部。特征参数可以理解为可以直接或间接描述压合机运行状态的参数,例如压合机的温度、压力、流量等。检测元件可以根据具体的参数类型采用对应的检测元件,例如温度传感器、压力传感器、流量传感器等,将检测元件安装在压合机的对应工作位置。
预警模块,用于根据接收到的控制指令触发相应级别的预警模式。预警模式包括发送报警文件、声音警示、灯光警示、强制停机中的一种或多种组合。
控制模块,包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现上述实施例提供的一种压合机故障预警方法的步骤。控制模块根据测量模块检测的特征参数经过数据处理的分析判断,输出内容包括压合机是否故障以及具体的故障模式,还包括故障模式对压合机的影响度,控制模块根据故障模式对压合机的影响度控制预警模块执行不同级别的预警模式。
关于压合机故障预警设备的具体限定可以参见上文中对于压合机故障预警方法的限定,在此不再赘述。上述压合机故障预警设备的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。需要说明的是,本申请实施例中对模块的划分是示意性的,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述实施例提供的一种压合机故障预警方法的步骤。
本领域普通技术人员可以理解实现上述实施例方法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,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)等
上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (9)
1.一种压合机故障预警方法,其特征在于,包括:
实时监测压合机运行状态,并采集压合机的特征参数;
将所述特征参数输入构建的故障检测模型,得到所述压合机是否存在故障的输出结果,并在所述压合机存在故障时输出故障模式信息;
将所述故障模式输入构建的故障模式影响评估模型,得到所述故障模式对压合机的影响度;
所述故障模式影响评估模型的构建步骤包括:
针对压合机选定评价指标,采用层次分析法构建压合机评价体系,所述评价体系至少包括第一层次;所述第一层次针对所述压合机的子系统,用于评价压合机的子系统对压合机整机的第一重要度;
构建所述评价指标的第一判断矩阵,以及构建所述子系统分别在所述评价指标下的系统判断矩阵;
计算所述第一判断矩阵和系统判断矩阵的最大特征值及其对应的特征向量,并进行一致性检验,若所述第一判断矩阵和系统判断矩阵满足一致性检验要求,则根据所述第一判断矩阵获得所述评价指标的权重,根据所述系统判断矩阵获得所述子系统分别在所述评价指标下的权重;若所述第一判断矩阵或系统判断矩阵不满足一致性检验要求,则重新构建所述第一判断矩阵或系统判断矩阵,重复所述故障模式影响评估模型的构建步骤;
根据所述评价指标的权重以及所述子系统分别在所述评价指标下的权重计算获得所述子系统对压合机整机的第一重要度。
2.如权利要求1所述的方法,其特征在于,还包括:根据所述故障模式对压合机的影响度触发相应级别的预警模式。
3.如权利要求1所述的方法,其特征在于,所述故障模式影响评估模型的构建步骤在获得所述子系统对压合机整机的第一重要度之后还包括:
分别梳理所述子系统的组件故障,在所述评价体系内构建第二层次,所述第二层次针对所述子系统的组件,用于评价所述子系统的组件对所述子系统的第二重要度;
分别构建各个子系统下的组件故障的第二判断矩阵;
计算所述第二判断矩阵的最大特征值及其对应的特征向量,并进行一致性检验,若所述第二判断矩阵满足一致性检验要求,则根据所述第二判断矩阵获得所述组件对所述子系统的第二重要度;若所述第二判断矩阵不满足一致性检验要求,则重新构建所述第二判断矩阵,重复所述故障模式影响评估模型在获得所述子系统对压合机整机的第一重要度之后的步骤;
根据所述第一重要度和所述第二重要度计算获得所述组件的故障模式对压合机整机的影响度。
4.如权利要求1或3所述的方法,其特征在于,所述故障检测模型的构建步骤包括:
获取所述子系统在单一故障模式和正常工况下的特征参数;
根据所述子系统在单一故障模式和正常工况下的特征参数,建立所述子系统的单一故障模式和正常工况下的包括故障特征向量的特征参量集;
选定所述特征参量集的部分数据作为训练集建立所述故障检测模型,使得所述故障检测模型的输入为所述故障特征向量,输出为所述故障特征向量对应的故障模式,并采用所述特征参量集的其余数据作为测试集优化所述故障检测模型;其中,所述故障检测模型基于变量预测模型的分类方法建立。
5.如权利要求4所述的方法,其特征在于,根据所述子系统在单一故障模式和正常工况下的特征参数,建立所述子系统的单一故障模式和正常工况下的包括故障特征向量的特征参量集包括:
将特征参数信号进行经验小波变换,获得特征参数的分量信号;
计算所述分量信号的均值、有效值和峰值因子,并生成所述故障特征向量和特征参量集。
6.如权利要求5所述的方法,其特征在于,将特征参数信号进行经验小波变换之前,还包括:
对采集到的特征参数初始信号进行归一化预处理。
7.如权利要求5所述的方法,其特征在于,将特征参数信号进行经验小波变换,获得特征参数分量信号包括:
对特征参数信号进行快速傅里叶变换,并规范化频率范围;
设定所述特征参数信号包含N个分量,并将规范化的傅里叶频谱划分为N个连续的区间;
确定频谱的分割区间,构造N个经验小波函数;
计算经验小波变换,获得特征参数的分量信号。
8.一种压合机故障预警设备,其特征在于,包括:
测量模块,用于获取检测元件检测的特征参数,所述检测元件设置在所述压合机表面或内部;
预警模块,用于根据接收到的控制指令触发相应级别的预警模式;
控制模块,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现权利要求1-7中任一项所述的方法的步骤。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110500843.8A CN113269413B (zh) | 2021-05-08 | 2021-05-08 | 压合机故障预警方法、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110500843.8A CN113269413B (zh) | 2021-05-08 | 2021-05-08 | 压合机故障预警方法、设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113269413A CN113269413A (zh) | 2021-08-17 |
CN113269413B true CN113269413B (zh) | 2023-10-10 |
Family
ID=77230171
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110500843.8A Active CN113269413B (zh) | 2021-05-08 | 2021-05-08 | 压合机故障预警方法、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113269413B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102496069A (zh) * | 2011-12-07 | 2012-06-13 | 山东电力集团公司青岛供电公司 | 基于模糊层次分析法的电缆多状态安全运行评估方法 |
JP2018025928A (ja) * | 2016-08-09 | 2018-02-15 | 日立建機株式会社 | 作業機械の故障診断装置 |
CN108376293A (zh) * | 2017-12-29 | 2018-08-07 | 浙江中烟工业有限责任公司 | 一种基于模糊数学改进的层次分析法的zj17卷烟设备维修智能预测方法 |
CN108685158A (zh) * | 2018-05-28 | 2018-10-23 | 杭州安脉盛智能技术有限公司 | 基于自动光学检测技术的切丝机智能维护方法和系统 |
CN109685366A (zh) * | 2018-12-24 | 2019-04-26 | 中国人民解放军32181部队 | 基于异变数据的装备健康状态评估方法 |
CN109737045A (zh) * | 2019-01-11 | 2019-05-10 | 南方电网科学研究院有限责任公司 | 应用于芯片生产的空压机故障预警方法、系统及相关装置 |
CN110110905A (zh) * | 2019-04-17 | 2019-08-09 | 华电国际电力股份有限公司十里泉发电厂 | 一种基于cnn的电力设备故障判断预警方法,终端及可读存储介质 |
CN112232569A (zh) * | 2020-10-19 | 2021-01-15 | 苏州容思恒辉智能科技有限公司 | 一种机械设备故障预警方法、系统及可读存储介质 |
-
2021
- 2021-05-08 CN CN202110500843.8A patent/CN113269413B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102496069A (zh) * | 2011-12-07 | 2012-06-13 | 山东电力集团公司青岛供电公司 | 基于模糊层次分析法的电缆多状态安全运行评估方法 |
JP2018025928A (ja) * | 2016-08-09 | 2018-02-15 | 日立建機株式会社 | 作業機械の故障診断装置 |
CN108376293A (zh) * | 2017-12-29 | 2018-08-07 | 浙江中烟工业有限责任公司 | 一种基于模糊数学改进的层次分析法的zj17卷烟设备维修智能预测方法 |
CN108685158A (zh) * | 2018-05-28 | 2018-10-23 | 杭州安脉盛智能技术有限公司 | 基于自动光学检测技术的切丝机智能维护方法和系统 |
CN109685366A (zh) * | 2018-12-24 | 2019-04-26 | 中国人民解放军32181部队 | 基于异变数据的装备健康状态评估方法 |
CN109737045A (zh) * | 2019-01-11 | 2019-05-10 | 南方电网科学研究院有限责任公司 | 应用于芯片生产的空压机故障预警方法、系统及相关装置 |
CN110110905A (zh) * | 2019-04-17 | 2019-08-09 | 华电国际电力股份有限公司十里泉发电厂 | 一种基于cnn的电力设备故障判断预警方法,终端及可读存储介质 |
CN112232569A (zh) * | 2020-10-19 | 2021-01-15 | 苏州容思恒辉智能科技有限公司 | 一种机械设备故障预警方法、系统及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113269413A (zh) | 2021-08-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109026563B (zh) | 一种基于特征选择和XGBoost的风机叶片结冰预测方法 | |
DE102022201761A1 (de) | Verfahren, System und Speichermedium zur automatischen Diagnose vonVorrichtungen | |
Yan et al. | Fisher’s discriminant ratio based health indicator for locating informative frequency bands for machine performance degradation assessment | |
CN110555819A (zh) | 基于红外和可见光图像融合的设备监测方法、装置及设备 | |
US20230213895A1 (en) | Method for Predicting Benchmark Value of Unit Equipment Based on XGBoost Algorithm and System thereof | |
CN111367253B (zh) | 基于局部自适应标准化的化工系统多工况故障检测方法 | |
CN113869721A (zh) | 一种变电设备健康状态分类方法及装置 | |
Liu et al. | Complex engineered system health indexes extraction using low frequency raw time-series data based on deep learning methods | |
CN113342784A (zh) | 一种电网主变设备风险评估的数据库设计方法 | |
CN116596503A (zh) | 一种基于重要度的船舶装备智能健康监测系统及方法 | |
CN111271183A (zh) | 一种自适应在线预测柴油机状态方法及系统 | |
CN113269413B (zh) | 压合机故障预警方法、设备和存储介质 | |
CN116235148A (zh) | 干泵宕机的预警方法、装置、电子设备、存储介质及程序 | |
CN110930012B (zh) | 基于敏感性分析及改进阴性选择法的能耗异常定位方法 | |
CN117034169A (zh) | 基于时序因果关系网络的电网主变设备异常状态预测方法 | |
Lu et al. | Integration of wavelet decomposition and artificial neural network for failure prognosis of reciprocating compressors | |
CN116151312A (zh) | 基于Mann-Kendall算法和LSTM神经网络的热力透平机组预警方法及系统 | |
CN115688016A (zh) | 一种用于大型数据库智能运维的一体化方法 | |
CN114154567A (zh) | 一种基于机器学习的风电场站运行数据异常识别方法 | |
CN113705920A (zh) | 火电厂用水数据样本集的生成方法和终端设备 | |
Qu et al. | Degradation principle of machines influenced by maintenance | |
He et al. | Quality improvement using data mining in manufacturing processes | |
Seo et al. | Gearbox Condition Monitoring and Diagnosis of Unlabeled Vibration Signals Using a Supervised Learning Classifier | |
Finch | Novelty Detection for Predictive Maintenance | |
Anupong et al. | Monitoring and control of faults in the automation industry using soft sensors and ant colony optimization Fourier transform Perceptron with multiple layers |
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 |