CN113283157A - 智能冲压压力机部件生命周期预测系统、方法、终端、介质 - Google Patents

智能冲压压力机部件生命周期预测系统、方法、终端、介质 Download PDF

Info

Publication number
CN113283157A
CN113283157A CN202110360020.XA CN202110360020A CN113283157A CN 113283157 A CN113283157 A CN 113283157A CN 202110360020 A CN202110360020 A CN 202110360020A CN 113283157 A CN113283157 A CN 113283157A
Authority
CN
China
Prior art keywords
signal
bearing
frequency
sample data
level
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.)
Withdrawn
Application number
CN202110360020.XA
Other languages
English (en)
Inventor
殷强
谭军
连杰
曹志
孙浩
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.)
Individual
Original Assignee
Individual
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 Individual filed Critical Individual
Priority to CN202110360020.XA priority Critical patent/CN113283157A/zh
Publication of CN113283157A publication Critical patent/CN113283157A/zh
Withdrawn legal-status Critical Current

Links

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
    • 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
    • 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
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
    • 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
    • G06F2119/04—Ageing analysis or optimisation against ageing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明公开是关于智能冲压压力机部件生命周期预测系统、方法、终端、介质，涉及冲压线设备智能监测技术领域。基于MDDP系统的智能冲压压力机部件生命周期预测方法包括：通过关联备件入库、出库、安装和报废时间，记录轴承整个生命周期的数据；通过对设备内部轴承的震动频谱进行采集分析；结合多年轴承制造的数据，得出轴承的健康状态和缺陷位置以及缺陷程度，预测出轴承剩余寿命。本发明通过大数据应用预测备件寿命，精确指导采购计划，仅轴承一项累计节约30万元。通过积累数据，能够形成冲压车间设备特有的大数据框架，支撑设备自主决策，自主管理；网联化能够实现多终端设备管理和远程辅助。

Description

智能冲压压力机部件生命周期预测系统、方法、终端、介质
技术领域
本发明公开涉及冲压线设备智能监测技术领域，尤其涉及一种智能冲压压力机部件生命周期预测系统、方法、终端、介质。
背景技术
在冲压过程中由于无法实时掌握设备的运行状态，普遍存在设备维护不及时或过度维护的问题。维护不及时是指没有根据设备的特点和使用工况制定及时的维护计划，导致设备长期处于不健康的运行状态，极易出现重大异常停台。过度维护是指频繁的对设备进行保养，频繁拆装，导致设备原有配合关系和精度破坏，加快老化、失效进程。
冲压压力机作为汽车制造行业表面件加工的设备，具有多工况，变载荷、重载荷的特点，在零件加工过程中需要持续往复运行。随着设备的负荷不断增大使用年限地不断增长，一些大型的机械故障也因为磨损、疲劳以及维护保养不及时彻底等因素而开始出现，且出现频次逐渐增高。在既有的正常点巡检和例行检修保养的前提下，一些故障和问题仍无法及时发现或提前预判，从而造成了大量的非计划停机时间、人工成本、备件成本的投入。因此，需要实时掌控设备的运行状态，将其运行数据可视化、趋势化、预警化，这样就可以及时、准确的进行设备维护，将异常性停台转化为预防性维修。
而且现有技术中，没有对备件震动频谱进行采集分析，不能预测出轴承的健康状态和缺陷位置以及缺陷程度，不能够预测轴承剩余寿命，不能准确掌握机械设备运行中可能存在的风险。
发明内容
为克服相关技术中存在的问题，本发明公开实施例提供了一种智能冲压压力机部件生命周期预测系统、方法、终端、介质，具体涉及一种基于MDDP系统的智能冲压压力机部件生命周期预测系统、方法。所述技术方案如下：
根据本发明公开实施例的第一方面，提供一种基于MDDP系统的智能冲压压力机部件生命周期预测方法，包括：通过关联备件入库、出库、安装和报废时间，记录轴承整个生命周期的数据；
通过对设备内部轴承的震动频谱进行采集分析；结合多年轴承制造的数据，得出轴承的健康状态和缺陷位置以及缺陷程度，预测出轴承剩余寿命；
所述对设备内部轴承的震动频谱进行采集分析包括：
(1)获取震动频谱传感器采集的频率-电平样本数据；对样本数据进行降噪平滑处理和等长分段处理；首先对样本数据进行降噪平滑处理，如果样本数据点数较多或频率范围较大，则对样本数据进行等长分段，从而提高计算效率和准确度；
(2)对样本数据进行不等长分段与噪声门限电平估计；对样本数据进行不等长分段，通过粗略估计各段内信号的最大带宽，以最大带宽的2倍作为各段的分段长度，实现不等长分段；噪声门限电平估计是通过计算段内样本数据的电平期望，并剔除电平大于期望3dB的样本数据点，然后对剩余的样本数据重新计算电平期望，该电平期望值即为噪底电平；
噪声门限电平估计是以大于噪底电平3dB作为噪声门限阈值，信号提取是通过将样本数据的电平值与噪声门限阈值进行比较，对于大于门限阈值的样本点看作是信号，并且将连续大于门限阈值的样本点合为一个信号；
(3)信号提取：信号输入；对输入信号进行预处理/取帧；特征提取；频谱分析；BP神经网络训练；输出信号识别结果；所述频谱分析采用频谱自适应算法包括：令训练向量和测试向量分别是向量X(1)和X(2)，假设：
U＝AX(1),V＝BX(2) (1)
其中A和B是对应于X(1)和X(2)的变换矩阵，u和v是参考空间中公式(1)x和(2)x的映射；将均方误差最小化：
D＝E{(U-V)2}，其中U＝AX(1),V＝BX(2) (2)
带约束E{U2}＝E{V2}＝1；做U和V的最大相关，u和v在当时不为零；
Figure BDA0003005185350000031
假设信号倒谱的长期均值为零，令E{X}＝0，分别从训练向量和测试向量中减去信道特征；得到的E{X(1)}＝E{X(2)}＝0，
Figure BDA0003005185350000032
和
Figure BDA0003005185350000033
得到相关矩阵：
Figure BDA0003005185350000034
得到关系：
I＝E{U2}＝E{A′X(1)X(1)′A}＝A′∑11A (4)
I＝E{V2}＝E{B′X(2)X(2)′B}＝B′∑22B (5)
E{U}＝E{A′X(1)}＝A′E{X(1)}＝0 (6)
E{V}＝E{B′X(2)}＝B′E{X(2)}＝0 (7)
E{UV}＝E{A′X(1)X(2)B}＝A′∑12B (8)
问题改写为：
Figure BDA0003005185350000035
令
Figure BDA0003005185350000036
得到
Figure BDA0003005185350000037
满足
Figure BDA0003005185350000038
特征向量(a(1),b(1)),(a(2),b(2)),......(a(p),b(p))对应于λ1,λ2,...λp是转换矩阵A和B的行向量；通过计算将测试向量
Figure BDA0003005185350000039
映射到训练空间；
(4)对信号二次分析，进行信号的合并和虚假信号的消除；将两个间隔较小的信号合并为一个信号；对于信号电平小到一定程度，且存在多个极值或包含的样本点数较少，则将其视为虚假信号进行消除；
(5)估计信号频率上下限；通过将每个信号的最小样本点和最大样本点分别向外扩展3个点，并分别取三个点中电平值最小的点作为信号的频率下限和频率上限；
(6)对信号范围内任意两点进行线性插值，估计信号的相关参数；根据信号频率上下限以及其范围内的样本数据，按照1kHz的间隔进行任意两个样本点的线性插值，按照占总能量99％的频带范围计算占用带宽，以低于最大电平3dB和26dB的样本数据点分别计算信号的3dB带宽和26dB带宽；
在S变换的高斯窗上加入两个参数λ和p，使高斯窗随3dB带宽和26dB带宽不同带宽的频率成分变换而变化；信号x(t)的广义S变换为x(GST)，则有；
Figure BDA0003005185350000041
对高斯窗G(t)做Wigner-Ville分布：令x(GST)与G(t)褶积得到N1，x(GST)与N1的比值与G(t)相关得到N2，再将N2与G(t)褶积得到新的N1，然后反复迭代得到最佳的N2；
所述对高斯窗G(t)做Wigner-Ville分布：
Figure BDA0003005185350000042
令x(GST)与G(t)褶积得到N1，x(GST)与N1的比值与G(t)相关得到N2，再将N2与G(t)褶积得到新的N1，然后反复迭代得到最佳的N2。
在本发明一实施例中，所述步骤(3)的特征提取包括：
信号输入即把信号输入设备采集的信号进行原始输入，通过震动频谱分析仪将未知震动频谱转化为电信号输入识别系统，进行预处理；预处理包括采样信号信号、反混叠带通滤波、去除个体震动频谱差异和设备、环境引起的噪声影响，并且每隔一定时间间隔取出部分信号处理，确定帧的尺寸以及计算重叠率；根据取帧划分的信号的每帧中提取出韵律特征和质量特征，确定特征集中最佳分类的特征；在BP神经网络训练阶段，对特征进行分析并得到信号归属频谱，为每个频谱建立一个模型，保存为模板库；在识别阶段，使用所获得的特征集来执行频谱识别，信号经过相同的通道得到信号特征参数，生成测试模板，与参考模板进行匹配，生成识别结果。
在本发明一实施例中，所述得出轴承的健康状态和缺陷位置以及缺陷程度，预测出轴承剩余寿命包括：
计算整周期采样点数整数N1
Figure BDA0003005185350000051
若N1是偶数，令N＝N1；
若N1不是偶数，则按照下式取整
N＝(N1+1)/2ⅹ2；
利用DFT变换，计算采样周期离散序列(V1,V2,V3……V3N/2)轴承的健康状态R1、缺陷位置以及缺陷程度V1为
Figure BDA0003005185350000052
k＝0,1,2,3…N-1；
R1是计算出的轴承的健康状态；
V1是计算出的轴承的缺陷位置以及缺陷程度；
根据R1、V1计算出轴承第一剩余预测寿命Φ1；
利用DFT变换，计算采样周期离散序列(VN/2,V2,V3……V3N/2-1)轴承的健康状态R2、轴承的缺陷位置以及缺陷程度V2为
Figure BDA0003005185350000061
k＝0，1，2，3…N-1
根据R2、V2计算出轴承第二剩余预测寿命Φ2；
计算预测的寿命差(-π＜ΔΦ＜π)
ΔΦ＝Φ2-Φ1-π；
得到震动频率差df
Figure BDA0003005185350000062
计算震动频率fnew
Figure BDA0003005185350000063
计算整周期点数N2
f＝fnew；
Figure BDA0003005185350000064
如果N2≠N1，令N1＝N2；
否则计算终止，输出震动频率计算结果
f＝fnew；
得到轴承的健康状态。
在本发明一实施例中，所述预测出轴承剩余寿命包括：
调整神经网络模型BP隐含层与输出层之间的轴承剩余寿命权值wkj；
调整wkj的目的是希望输出节点j的新输出o* pj比当前输出opj更接近目标值tpj，定义：
Figure BDA0003005185350000071
其中α代表接近度，在每个训练周期保持不变，并随隐含层节点数H的调整而变小，不考虑阈值，则有：
Figure BDA0003005185350000072
其中wkj和w* kj分别为更新前后的权值，ypk为隐含层输出，△wkj为wkj的改变量；
得到△wkj的求解方程：
Figure BDA0003005185350000073
其中，
Figure BDA0003005185350000074
根据最小平方和误差原则求解方程，得到△wkj的近似解：
Figure BDA0003005185350000075
对每一个连接到输出节点j的隐含层节点k，计算k与j之间的权值变化△wkj，更新权值并计算平方和误差E，然后在k∈[1，H]区间选择一个最优的k，使得E最小。
根据本发明公开实施例的第二方面，提供一种基于MDDP系统的智能冲压压力机部件生命周期预测系统，所述基于MDDP系统的智能冲压压力机部件生命周期预测系统包括：
轴承生命周期数据存储模块，用于通过关联备件入库、出库、安装和报废时间，记录轴承整个生命周期的数据；
震动频谱采集分析模块，用于通过对设备内部轴承的震动频谱进行采集分析；
轴承剩余寿命预测模块，用于结合多年轴承制造的数据，得出轴承的健康状态和缺陷位置以及缺陷程度，预测出轴承剩余寿命；
在本发明一实施例中，所述震动频谱采集分析模块包括：
频率-电平样本数据获取模块，用于获取震动频谱传感器采集的频率-电平样本数据；
不等长分段与噪声门限电平估计模块，用于对样本数据进行不等长分段与噪声门限电平估计；
信号提取模块，用于对输入信号进行预处理/取帧、特征提取、频谱分析；
信号二次分析模块，用于进行信号的合并和虚假信号的消除；
估计信号频率上下限模块，用于通过将每个信号的最小样本点和最大样本点分别向外扩展3个点，并分别取三个点中电平值最小的点作为信号的频率下限和频率上限；
线性插值估计模块，对信号范围内任意两点进行线性插值，估计信号的相关参数。
所述频率-电平样本数据获取模块包括：
降噪平滑处理模块，用于对样本数据进行降噪平滑处理；
等长分段模块，如果样本数据点数较多或频率范围较大，则对样本数据进行等长分段。
所述轴承剩余寿命预测模块利用神经网络模型BP隐含层与输出层之间的轴承剩余寿命权值进行调整获取最优轴承剩余寿命预测值。
根据本发明公开实施例的第三方面，提供一种数据处理终端，所述数据处理终端包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行所述基于MDDP系统的智能冲压压力机部件生命周期预测方法。
根据本发明公开实施例的第四面，提供一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行所述基于MDDP系统的智能冲压压力机部件生命周期预测方法。
本发明公开的实施例提供的技术方案可以包括以下有益效果：
本发明针对重点设备、重点部位自主开发系统进行数据采集、数据分析、故障预警、方案决策、寿命预测，实现了以下目的：
合理制定维修计划：一方面可以随时了解设备的运行情况，从而解决了“是否需要维修的问题”；另一方面可以分析设备的故障原因，从而解决了“该如何维修的问题”。
减少备件库存：在线监测系统通过了解设备现状和故障原因可以很好的预测设备运行寿命，所以可以制定出合理的备件采购计划和备件库存数量。
避免突发事故造成的停机损失：不仅可以大大降低维护成本还可以减少设备停机维护时间，降低因设备长时间停机对生产造成的影响。
保障现场人员安全：减少现场工作人员进行巡检频次并可以及时发现故障，保障了现场工作人员的安全。
本发明预测主要针对备件寿命，通过关联备件入库、出库、安装和报废时间，记录整个生命周期的数据。通过对设备内部轴承的震动频谱进行采集分析，结合SKF 40年轴承制造的数据，能够准确的得出轴承的健康状态和缺陷位置以及缺陷程度，甚至能够预测轴承剩余寿命。
本发明能够针对不同频段对频谱监测数据进行统计分析，自适应估计噪声门限电平，并基于此进行信号提取与参数估计；
在噪声门限电平估计过程中，能够实时根据频段信息评估噪声电平，消除信号带外产生的噪声影响，具有自适应特性，能够在一定程度上降低信号提取过程中的漏检和虚检概率；
本发明有利于提高频谱监测的效率和准确性。
本发明可以根据实际处理需要来灵活选择参数，因此具有较高的时频分辨率和频率汇聚度，有利于提高预测准确性。本发明频谱自适应法不仅提高了识别率，而且在低信噪比情况下也提高了系统的鲁棒性，这说明频谱自适应法很好地补偿了训练集和测试集之间的不匹配，用频谱自适应法作为补偿比不用频谱自适应法更好。
当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
图1是本发明实施例提供的基于MDDP系统的智能冲压压力机部件生命周期预测方法流程图。
图2是本发明实施例提供的对设备内部轴承的震动频谱进行采集分析方法流程图。
图3是本发明实施例提供的特征提取流程图。
图4是本发明实施例提供的基于MDDP系统的智能冲压压力机部件生命周期预测系统示意图。
图中：1、轴承生命周期数据存储模块；2、震动频谱采集分析模块；3、轴承剩余寿命预测模块；
图5是本发明实施例提供的震动频谱采集分析模块示意图。
图中：2-1、频率-电平样本数据获取模块；2-2、不等长分段与噪声门限电平估计模块；2-3、信号提取模块；2-4、信号二次分析模块；2-5、估计信号频率上下限模块；2-6、线性插值估计模块。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似改进，因此本发明不受下面公开的具体实施的限制。
如图1所示，本发明提供一种基于MDDP系统的智能冲压压力机部件生命周期预测方法，包括：
S101,通过关联备件入库、出库、安装和报废时间，记录轴承整个生命周期的数据；
S102,通过对设备内部轴承的震动频谱进行采集分析；结合多年轴承制造的数据，得出轴承的健康状态和缺陷位置以及缺陷程度，预测出轴承剩余寿命。
如图2所示，对设备内部轴承的震动频谱进行采集分析包括：
S201，获取震动频谱传感器采集的频率-电平样本数据；对样本数据进行降噪平滑处理和等长分段处理；首先对样本数据进行降噪平滑处理，如果样本数据点数较多或频率范围较大，则对样本数据进行等长分段，从而提高计算效率和准确度；
S202，对样本数据进行不等长分段与噪声门限电平估计；对样本数据进行不等长分段，通过粗略估计各段内信号的最大带宽，以最大带宽的2倍作为各段的分段长度，实现不等长分段；噪声门限电平估计是通过计算段内样本数据的电平期望，并剔除电平大于期望3dB的样本数据点，然后对剩余的样本数据重新计算电平期望，该电平期望值即为噪底电平；
噪声门限电平估计是以大于噪底电平3dB作为噪声门限阈值，信号提取是通过将样本数据的电平值与噪声门限阈值进行比较，对于大于门限阈值的样本点看作是信号，并且将连续大于门限阈值的样本点合为一个信号；
S203，信号提取：信号输入；对输入信号进行预处理/取帧；特征提取；频谱分析；BP神经网络训练；输出信号识别结果；所述频谱分析采用频谱自适应算法包括：令训练向量和测试向量分别是向量X(1)和X(2)，假设：
U＝AX(1),V＝BX(2) (1)
其中A和B是对应于X(1)和X(2)的变换矩阵，u和v是参考空间中公式(1)x和(2)x的映射；将均方误差最小化：
D＝E{(U-V)2}，其中U＝AX(1),V＝BX(2) (2)
带约束E{U2}＝E{V2}＝1；做U和V的最大相关，u和v在当时不为零；
Figure BDA0003005185350000121
假设信号倒谱的长期均值为零，令E{X}＝0，分别从训练向量和测试向量中减去信道特征；得到的E{X(1)}＝E{X(2)}＝0，
Figure BDA0003005185350000122
和
Figure BDA0003005185350000123
得到相关矩阵：
Figure BDA0003005185350000124
得到关系：
I＝E{U2}＝E{A′X(1)X(1)′A}＝A′∑11A (4)
I＝E{V2}＝E{B′X(2)X(2)′B}＝B′∑22B (5)
E{U}＝E{A′X(1)}＝A′E{X(1)}＝0 (6)
E{V}＝E{B′X(2)}＝B′E{X(2)}＝0 (7)
E{UV}＝E{A′X(1)X(2)B}＝A′∑12B (8)
问题改写为：
Figure BDA0003005185350000125
令
Figure BDA0003005185350000126
得到
Figure BDA0003005185350000127
满足
Figure BDA0003005185350000128
特征向量(a(1),b(1)),(a(2),b(2)),......(a(p),b(p))对应于λ1,λ2,...λp是转换矩阵A和B的行向量；通过计算将测试向量
Figure BDA0003005185350000129
映射到训练空间；
S204，对信号二次分析，进行信号的合并和虚假信号的消除；将两个间隔较小的信号合并为一个信号；对于信号电平小到一定程度，且存在多个极值或包含的样本点数较少，则将其视为虚假信号进行消除；
S205，估计信号频率上下限；通过将每个信号的最小样本点和最大样本点分别向外扩展3个点，并分别取三个点中电平值最小的点作为信号的频率下限和频率上限；
S206，对信号范围内任意两点进行线性插值，估计信号的相关参数；根据信号频率上下限以及其范围内的样本数据，按照1kHz的间隔进行任意两个样本点的线性插值，按照占总能量99％的频带范围计算占用带宽，以低于最大电平3dB和26dB的样本数据点分别计算信号的3dB带宽和26dB带宽；
在S变换的高斯窗上加入两个参数λ和p，使高斯窗随3dB带宽和26dB带宽不同带宽的频率成分变换而变化；信号x(t)的广义S变换为x(GST)，则有；
Figure BDA0003005185350000131
对高斯窗G(t)做Wigner-Ville分布：令x(GST)与G(t)褶积得到N1，x(GST)与N1的比值与G(t)相关得到N2，再将N2与G(t)褶积得到新的N1，然后反复迭代得到最佳的N2；
所述对高斯窗G(t)做Wigner-Ville分布：
Figure BDA0003005185350000132
令x(GST)与G(t)褶积得到N1，x(GST)与N1的比值与G(t)相关得到N2，再将N2与G(t)褶积得到新的N1，然后反复迭代得到最佳的N2。
如图3所示，步骤S203的特征提取包括：
S301，信号输入即把信号输入设备采集的信号进行原始输入，通过震动频谱分析仪将未知震动频谱转化为电信号输入识别系统，进行预处理；预处理包括采样信号信号、反混叠带通滤波、去除个体震动频谱差异和设备、环境引起的噪声影响，并且每隔一定时间间隔取出部分信号处理，确定帧的尺寸以及计算重叠率；
S302，根据取帧划分的信号的每帧中提取出韵律特征和质量特征，确定特征集中最佳分类的特征；在BP神经网络训练阶段，对特征进行分析并得到信号归属频谱，为每个频谱建立一个模型，保存为模板库；在识别阶段，使用所获得的特征集来执行频谱识别，信号经过相同的通道得到信号特征参数，生成测试模板，与参考模板进行匹配，生成识别结果。
作为优选实施例，所述得出轴承的健康状态和缺陷位置以及缺陷程度，预测出轴承剩余寿命包括：
计算整周期采样点数整数N1
Figure BDA0003005185350000141
若N1是偶数，令N＝N1；
若N1不是偶数，则按照下式取整
N＝(N1+1)/2ⅹ2；
利用DFT变换，计算采样周期离散序列(V1,V2,V3……V3N/2)轴承的健康状态R1、缺陷位置以及缺陷程度V1为
Figure BDA0003005185350000142
k＝0,1,2,3…N-1；
R1是计算出的轴承的健康状态；
V1是计算出的轴承的缺陷位置以及缺陷程度；
根据R1、V1计算出轴承第一剩余预测寿命Φ1；
利用DFT变换，计算采样周期离散序列(VN/2,V2,V3……V3N/2-1)轴承的健康状态R2、轴承的缺陷位置以及缺陷程度V2为
Figure BDA0003005185350000151
k＝0，1，2，3…N-1
根据R2、V2计算出轴承第二剩余预测寿命Φ2；
计算预测的寿命差(-π＜ΔΦ＜π)
ΔΦ＝Φ2-Φ1-π；
得到震动频率差df
Figure BDA0003005185350000152
计算震动频率fnew
Figure BDA0003005185350000153
计算整周期点数N2
f＝fnew；
Figure BDA0003005185350000154
如果N2≠N1，令N1＝N2；
否则计算终止，输出震动频率计算结果
f＝fnew；
得到轴承的健康状态。
作为优选实施例，所述预测出轴承剩余寿命包括：
调整神经网络模型BP隐含层与输出层之间的轴承剩余寿命权值wkj；
调整wkj的目的是希望输出节点j的新输出o* pj比当前输出opj更接近目标值tpj，定义：
Figure BDA0003005185350000161
其中α代表接近度，在每个训练周期保持不变，并随隐含层节点数H的调整而变小，不考虑阈值，则有：
Figure BDA0003005185350000162
其中wkj和w* kj分别为更新前后的权值，ypk为隐含层输出，△wkj为wkj的改变量；
得到△wkj的求解方程：
Figure BDA0003005185350000163
其中，
Figure BDA0003005185350000164
根据最小平方和误差原则求解方程，得到△wkj的近似解：
Figure BDA0003005185350000165
对每一个连接到输出节点j的隐含层节点k，计算k与j之间的权值变化△wkj，更新权值并计算平方和误差E，然后在k∈[1，H]区间选择一个最优的k，使得E最小。
如图4，本发明提供一种基于MDDP系统的智能冲压压力机部件生命周期预测系统，包括：
轴承生命周期数据存储模块1，用于通过关联备件入库、出库、安装和报废时间，记录轴承整个生命周期的数据；
震动频谱采集分析模块2，用于通过对设备内部轴承的震动频谱进行采集分析；
轴承剩余寿命预测模块3，用于结合多年轴承制造的数据，得出轴承的健康状态和缺陷位置以及缺陷程度，预测出轴承剩余寿命；
如图5，所述震动频谱采集分析模块2包括：
频率-电平样本数据获取模块2-1，用于获取震动频谱传感器采集的频率-电平样本数据；
不等长分段与噪声门限电平估计模块2-2，用于对样本数据进行不等长分段与噪声门限电平估计；
信号提取模块2-3，用于对输入信号进行预处理/取帧、特征提取、频谱分析；
信号二次分析模块2-4，用于进行信号的合并和虚假信号的消除；
估计信号频率上下限模块2-5，用于通过将每个信号的最小样本点和最大样本点分别向外扩展3个点，并分别取三个点中电平值最小的点作为信号的频率下限和频率上限；
线性插值估计模块2-6，对信号范围内任意两点进行线性插值，估计信号的相关参数。
所述频率-电平样本数据获取模块2-1包括：
降噪平滑处理模块，用于对样本数据进行降噪平滑处理；
等长分段模块，如果样本数据点数较多或频率范围较大，则对样本数据进行等长分段。
所述轴承剩余寿命预测模块利用神经网络模型BP隐含层与输出层之间的轴承剩余寿命权值进行调整获取最优轴承剩余寿命预测值。
下面结合仿真效果对本发明的技术方案作进一步描述。
本发明提供的MDDP系统的作用以及效果主要包含：
优化备件费用：通过大数据应用预测备件寿命，精确指导采购计划，仅轴承一项累计节约30万元。通过积累数据，能够形成冲压车间设备特有的大数据框架，支撑设备自主决策，自主管理；网联化能够实现多终端设备管理和远程辅助。
需要说明的是，当元件被称为“固定于”另一个元件，它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件，它可以是直接连接到另一个元件或者可能同时存在居中元件。本发明所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述只是为了说明的目的，并不表示是唯一的实施方式。
除非另有定义，本发明所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本发明中在本发明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，不是旨在于限制本发明。本发明所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
本领域技术人员在考虑说明书及实践这里公开的公开后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由所附的权利要求指出。
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围应由所附的权利要求来限制。

Claims (10)

1.一种基于MDDP系统的智能冲压压力机部件生命周期预测方法，其特征在于，所述基于MDDP系统的智能冲压压力机部件生命周期预测方法包括：通过关联备件入库、出库、安装和报废时间，记录轴承整个生命周期的数据；
通过对设备内部轴承的震动频谱进行采集分析；结合多年轴承制造的数据，得出轴承的健康状态和缺陷位置以及缺陷程度，预测出轴承剩余寿命；
所述对设备内部轴承的震动频谱进行采集分析包括：
(1)获取震动频谱传感器采集的频率-电平样本数据；对样本数据进行降噪平滑处理和等长分段处理；首先对样本数据进行降噪平滑处理，如果样本数据点数较多或频率范围较大，则对样本数据进行等长分段，从而提高计算效率和准确度；
(2)对样本数据进行不等长分段与噪声门限电平估计；对样本数据进行不等长分段，通过粗略估计各段内信号的最大带宽，以最大带宽的2倍作为各段的分段长度，实现不等长分段；噪声门限电平估计是通过计算段内样本数据的电平期望，并剔除电平大于期望3dB的样本数据点，然后对剩余的样本数据重新计算电平期望，该电平期望值即为噪底电平；
噪声门限电平估计是以大于噪底电平3dB作为噪声门限阈值，信号提取是通过将样本数据的电平值与噪声门限阈值进行比较，对于大于门限阈值的样本点看作是信号，并且将连续大于门限阈值的样本点合为一个信号；
(3)信号提取：信号输入；对输入信号进行预处理/取帧；特征提取；频谱分析；BP神经网络训练；输出信号识别结果；所述频谱分析采用频谱自适应算法包括：令训练向量和测试向量分别是向量X(1)和X(2)，假设：
U＝AX(1),V＝BX(2) (1)
其中A和B是对应于X(1)和X(2)的变换矩阵，u和v是参考空间中公式(1)x和(2)x的映射；将均方误差最小化：
D＝E{(U-V)2}，其中U＝AX(1),V＝BX(2) (2)
带约束E{U2}＝E{V2}＝1；做U和V的最大相关，u和v在当时不为零；
Figure FDA0003005185340000021
假设信号倒谱的长期均值为零，令E{X}＝0，分别从训练向量和测试向量中减去信道特征；得到的E{X(1)}＝E{X(2)}＝0，
Figure FDA0003005185340000022
和
Figure FDA0003005185340000023
得到相关矩阵：
Figure FDA0003005185340000024
得到关系：
I＝E{U2}＝E{A′X(1)X(1)′A}＝A′∑11A (4)
I＝E{V2}＝E{B′X(2)X(2)′B}＝B′∑22B (5)
E{U}＝E{A′X(1)}＝A′E{X(1)}＝0 (6)
E{V}＝E{B′X(2)}＝B′E{X(2)}＝0 (7)
E{UV}＝E{A′X(1)X(2)B}＝A′∑12B (8)
问题改写为：
Figure FDA0003005185340000025
令
Figure FDA0003005185340000026
得到
Figure FDA0003005185340000027
满足
Figure FDA0003005185340000028
特征向量(a(1),b(1)),(a(2),b(2)),……(a(p),b(p))对应于λ1,λ2,…λp是转换矩阵A和B的行向量；通过计算将测试向量
Figure FDA0003005185340000029
映射到训练空间；
(4)对信号二次分析，进行信号的合并和虚假信号的消除；将两个间隔较小的信号合并为一个信号；对于信号电平小到一定程度，且存在多个极值或包含的样本点数较少，则将其视为虚假信号进行消除；
(5)估计信号频率上下限；通过将每个信号的最小样本点和最大样本点分别向外扩展3个点，并分别取三个点中电平值最小的点作为信号的频率下限和频率上限；
(6)对信号范围内任意两点进行线性插值，估计信号的相关参数；根据信号频率上下限以及其范围内的样本数据，按照1kHz的间隔进行任意两个样本点的线性插值，按照占总能量99％的频带范围计算占用带宽，以低于最大电平3dB和26dB的样本数据点分别计算信号的3dB带宽和26dB带宽；
在S变换的高斯窗上加入两个参数λ和p，使高斯窗随3dB带宽和26dB带宽不同带宽的频率成分变换而变化；信号x(t)的广义S变换为x(GST)，则有；
Figure FDA0003005185340000031
对高斯窗G(t)做Wigner-Ville分布：令x(GST)与G(t)褶积得到N1，x(GST)与N1的比值与G(t)相关得到N2，再将N2与G(t)褶积得到新的N1，然后反复迭代得到最佳的N2；
所述对高斯窗G(t)做Wigner-Ville分布：
Figure FDA0003005185340000032
令x(GST)与G(t)褶积得到N1，x(GST)与N1的比值与G(t)相关得到N2，再将N2与G(t)褶积得到新的N1，然后反复迭代得到最佳的N2。
2.根据权利要求1所述的基于MDDP系统的智能冲压压力机部件生命周期预测方法，其特征在于，所述步骤(3)的特征提取包括：
信号输入即把信号输入设备采集的信号进行原始输入，通过震动频谱分析仪将未知震动频谱转化为电信号输入识别系统，进行预处理；预处理包括采样信号信号、反混叠带通滤波、去除个体震动频谱差异和设备、环境引起的噪声影响，并且每隔一定时间间隔取出部分信号处理，确定帧的尺寸以及计算重叠率；根据取帧划分的信号的每帧中提取出韵律特征和质量特征，确定特征集中最佳分类的特征；在BP神经网络训练阶段，对特征进行分析并得到信号归属频谱，为每个频谱建立一个模型，保存为模板库；在识别阶段，使用所获得的特征集来执行频谱识别，信号经过相同的通道得到信号特征参数，生成测试模板，与参考模板进行匹配，生成识别结果。
3.根据权利要求1所述的基于MDDP系统的智能冲压压力机部件生命周期预测方法，其特征在于，所述得出轴承的健康状态和缺陷位置以及缺陷程度，预测出轴承剩余寿命包括：
计算整周期采样点数整数N1
Figure FDA0003005185340000041
若N1是偶数，令N＝N1；
若N1不是偶数，则按照下式取整
N＝(N1+1)/2ⅹ2；
利用DFT变换，计算采样周期离散序列(V1,V2,V3……V3N/2)轴承的健康状态R1、缺陷位置以及缺陷程度V1为
Figure FDA0003005185340000042
k＝0,1,2,3…N-1；
R1是计算出的轴承的健康状态；
V1是计算出的轴承的缺陷位置以及缺陷程度；
根据R1、V1计算出轴承第一剩余预测寿命Φ1；
利用DFT变换，计算采样周期离散序列(VN/2,V2,V3……V3N/2-1)轴承的健康状态R2、轴承的缺陷位置以及缺陷程度V2为
Figure FDA0003005185340000051
k＝0,1,2,3…N-1
根据R2、V2计算出轴承第二剩余预测寿命Φ2；
计算预测的寿命差(-π<ΔΦ<π)
ΔΦ＝Φ2-Φ1-π；
得到震动频率差df
Figure FDA0003005185340000052
计算震动频率fnew
Figure FDA0003005185340000053
计算整周期点数N2
f＝fnew；
Figure FDA0003005185340000054
如果N2≠N1,令N1＝N2；
否则计算终止，输出震动频率计算结果
f＝fnew；
得到轴承的健康状态。
4.根据权利要求3所述的基于MDDP系统的智能冲压压力机部件生命周期预测方法，其特征在于，所述预测出轴承剩余寿命包括：
调整神经网络模型BP隐含层与输出层之间的轴承剩余寿命权值wkj；
调整wkj的目的是希望输出节点j的新输出o* pj比当前输出opj更接近目标值tpj，定义：
Figure FDA0003005185340000061
其中α代表接近度，在每个训练周期保持不变，并随隐含层节点数H的调整而变小，不考虑阈值，则有：
Figure FDA0003005185340000062
其中wkj和w* kj分别为更新前后的权值，ypk为隐含层输出，△wkj为wkj的改变量；
得到△wkj的求解方程：
Figure FDA0003005185340000063
其中，
Figure FDA0003005185340000064
根据最小平方和误差原则求解方程，得到△wkj的近似解：
Figure FDA0003005185340000065
对每一个连接到输出节点j的隐含层节点k，计算k与j之间的权值变化△wkj，更新权值并计算平方和误差E，然后在k∈[1，H]区间选择一个最优的k，使得E最小。
5.一种实现权利要求1-4任意一项基于MDDP系统的智能冲压压力机部件生命周期预测方法的系统，其特征在于，所述基于MDDP系统的智能冲压压力机部件生命周期预测系统包括：
轴承生命周期数据存储模块，用于通过关联备件入库、出库、安装和报废时间，记录轴承整个生命周期的数据；
震动频谱采集分析模块，用于通过对设备内部轴承的震动频谱进行采集分析；
轴承剩余寿命预测模块，用于结合多年轴承制造的数据，得出轴承的健康状态和缺陷位置以及缺陷程度，预测出轴承剩余寿命。
6.根据权利要求5所述的基于MDDP系统的智能冲压压力机部件生命周期预测系统，其特征在于，所述震动频谱采集分析模块包括：
频率-电平样本数据获取模块，用于获取震动频谱传感器采集的频率-电平样本数据；
不等长分段与噪声门限电平估计模块，用于对样本数据进行不等长分段与噪声门限电平估计；
信号提取模块，用于对输入信号进行预处理/取帧、特征提取、频谱分析；
信号二次分析模块，用于进行信号的合并和虚假信号的消除；
估计信号频率上下限模块，用于通过将每个信号的最小样本点和最大样本点分别向外扩展3个点，并分别取三个点中电平值最小的点作为信号的频率下限和频率上限；
线性插值估计模块，对信号范围内任意两点进行线性插值，估计信号的相关参数。
7.根据权利要求6所述的基于MDDP系统的智能冲压压力机部件生命周期预测系统，其特征在于，所述频率-电平样本数据获取模块包括：
降噪平滑处理模块，用于对样本数据进行降噪平滑处理；
等长分段模块，如果样本数据点数较多或频率范围较大，则对样本数据进行等长分段。
8.根据权利要求5所述的基于MDDP系统的智能冲压压力机部件生命周期预测系统，其特征在于，所述轴承剩余寿命预测模块利用神经网络模型BP隐含层与输出层之间的轴承剩余寿命权值进行调整获取最优轴承剩余寿命预测值。
9.一种数据处理终端，其特征在于，所述数据处理终端包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行权利要求1-4任意一项所述基于MDDP系统的智能冲压压力机部件生命周期预测方法。
10.一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行权利要求1-4任意一项所述基于MDDP系统的智能冲压压力机部件生命周期预测方法。
CN202110360020.XA 2021-04-02 2021-04-02 智能冲压压力机部件生命周期预测系统、方法、终端、介质 Withdrawn CN113283157A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110360020.XA CN113283157A (zh) 2021-04-02 2021-04-02 智能冲压压力机部件生命周期预测系统、方法、终端、介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110360020.XA CN113283157A (zh) 2021-04-02 2021-04-02 智能冲压压力机部件生命周期预测系统、方法、终端、介质

Publications (1)

Publication Number Publication Date
CN113283157A true CN113283157A (zh) 2021-08-20

Family

ID=77276376

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110360020.XA Withdrawn CN113283157A (zh) 2021-04-02 2021-04-02 智能冲压压力机部件生命周期预测系统、方法、终端、介质

Country Status (1)

Country Link
CN (1) CN113283157A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113723016A (zh) * 2021-11-01 2021-11-30 深圳市信润富联数字科技有限公司 冲头剩余寿命预测方法、装置、系统与可读存储介质

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1909527A (zh) * 2006-08-18 2007-02-07 清华大学 带时域包络加权的正交频分复用系统的频域信道估计方法
CN102318004A (zh) * 2009-09-18 2012-01-11 杜比国际公司 改进的谐波转置
CN103812577A (zh) * 2012-11-06 2014-05-21 西南交通大学 非正常无线电信号的自动识别系统及其方法
CN204131534U (zh) * 2014-10-30 2015-01-28 成都新光微波工程有限责任公司 一种无线电频谱监测装置
CN105182070A (zh) * 2015-08-13 2015-12-23 西华大学 一种信号检测方法
CN107101828A (zh) * 2017-05-27 2017-08-29 辽宁大学 一种编码器健康度评价的轴承剩余寿命预测方法
CN109474355A (zh) * 2018-01-17 2019-03-15 国家无线电频谱管理研究所有限公司 基于频谱监测数据的自适应噪声门限估计与信号提取方法
CN109981186A (zh) * 2019-04-10 2019-07-05 成都华日通讯技术有限公司 超短波全频段信号分选方法
CN209085657U (zh) * 2017-08-02 2019-07-09 强力物联网投资组合2016有限公司 用于与化工生产工艺有关的或工业环境的数据收集系统
CN110108486A (zh) * 2018-01-31 2019-08-09 阿里巴巴集团控股有限公司 轴承故障预测方法、设备及系统
CN112347571A (zh) * 2020-09-18 2021-02-09 中国人民解放军海军工程大学 考虑模型和数据不确定性的滚动轴承剩余寿命预测方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1909527A (zh) * 2006-08-18 2007-02-07 清华大学 带时域包络加权的正交频分复用系统的频域信道估计方法
CN102318004A (zh) * 2009-09-18 2012-01-11 杜比国际公司 改进的谐波转置
CN103812577A (zh) * 2012-11-06 2014-05-21 西南交通大学 非正常无线电信号的自动识别系统及其方法
CN204131534U (zh) * 2014-10-30 2015-01-28 成都新光微波工程有限责任公司 一种无线电频谱监测装置
CN105182070A (zh) * 2015-08-13 2015-12-23 西华大学 一种信号检测方法
CN107101828A (zh) * 2017-05-27 2017-08-29 辽宁大学 一种编码器健康度评价的轴承剩余寿命预测方法
CN209085657U (zh) * 2017-08-02 2019-07-09 强力物联网投资组合2016有限公司 用于与化工生产工艺有关的或工业环境的数据收集系统
CN109474355A (zh) * 2018-01-17 2019-03-15 国家无线电频谱管理研究所有限公司 基于频谱监测数据的自适应噪声门限估计与信号提取方法
CN110108486A (zh) * 2018-01-31 2019-08-09 阿里巴巴集团控股有限公司 轴承故障预测方法、设备及系统
CN109981186A (zh) * 2019-04-10 2019-07-05 成都华日通讯技术有限公司 超短波全频段信号分选方法
CN112347571A (zh) * 2020-09-18 2021-02-09 中国人民解放军海军工程大学 考虑模型和数据不确定性的滚动轴承剩余寿命预测方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113723016A (zh) * 2021-11-01 2021-11-30 深圳市信润富联数字科技有限公司 冲头剩余寿命预测方法、装置、系统与可读存储介质

Similar Documents

Publication Publication Date Title
KR101936283B1 (ko) 기계적 결함에 대한 진단 및 예측 방법
CN111222290B (zh) 一种基于多参数特征融合的大型设备剩余使用寿命预测方法
US6088658A (en) Statistical pattern analysis methods of partial discharge measurements in high voltage insulation
Yan et al. Fisher’s discriminant ratio based health indicator for locating informative frequency bands for machine performance degradation assessment
CN105205288A (zh) 基于模式演化的卫星长期在轨运行状态的预测方法
Wang et al. A hybrid prognostics approach for estimating remaining useful life of wind turbine bearings
CN108168924B (zh) 一种基于vmd和mfss模型的往复压缩机寿命预测方法
CN112785091A (zh) 一种对油田电潜泵进行故障预测与健康管理的方法
CN107403279B (zh) 一种输油泵工况自适应状态预警系统及方法
CN109615126A (zh) 一种轴承剩余寿命预测方法
CN115828170B (zh) 一种基于掘进机电控数据的故障检测方法
CN106649755A (zh) 一种多维度实时变电设备数据的阈值自适应设置异常检测方法
CN113947017A (zh) 一种滚动轴承剩余使用寿命预测方法
CN116739829B (zh) 一种基于大数据的电力数据分析方法、系统及介质
CN114021448A (zh) 半导体设备的检测方法、处理器与半导体设备
CN117076955A (zh) 一种高压变频器的故障检测方法及系统
CN113283157A (zh) 智能冲压压力机部件生命周期预测系统、方法、终端、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
CN117435908A (zh) 一种用于旋转机械的多种故障特征提取方法
CN109840386B (zh) 基于因子分析的损伤识别方法
CN112016800A (zh) 一种基于有效性指标的特征选择方法与系统
CN114492636B (zh) 一种变压器绕组状态信号的采集系统
CN114112390B (zh) 一种非线性复杂系统早期故障诊断方法
CN115809805A (zh) 基于边缘计算的电网多源数据处理方法
CN115659271A (zh) 传感器异常检测方法、模型训练方法、系统、设备及介质

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
WW01 Invention patent application withdrawn after publication

Application publication date: 20210820

WW01 Invention patent application withdrawn after publication