CN113378887B - 一种乳化液泵故障分级诊断方法 - Google Patents
一种乳化液泵故障分级诊断方法 Download PDFInfo
- Publication number
- CN113378887B CN113378887B CN202110529358.3A CN202110529358A CN113378887B CN 113378887 B CN113378887 B CN 113378887B CN 202110529358 A CN202110529358 A CN 202110529358A CN 113378887 B CN113378887 B CN 113378887B
- Authority
- CN
- China
- Prior art keywords
- fault
- emulsion pump
- emulsion
- parameters
- coding network
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/29—Graphical models, e.g. Bayesian networks
Abstract
本发明公开了一种乳化液泵故障分级诊断方法,通过将多个自动编码器和Softmax分类器堆栈搭建深度自编码网络(DAE),以乳化液泵的多源监测参数作为输入,自适应特征学习,识别乳化液泵的故障形式,开发故障定位专家系统,融合已识别的故障形式与必要故障信息,分析产生原因。所采用的故障分级诊断方法,第一级为基于深度自编码网络的在线故障识别,客观准确地反映了乳化液泵的故障形式,一旦确认故障,则立即告警并触发离线故障定位专家系统;第二级为基于专家系统的故障定位,能精确定位故障,同时节约成本。该方法充分利用深度自编码网络强大的自适应特征提取能力和专家系统处理难以求解的数学问题的优越性,为乳化液泵故障诊断提供新思路。
Description
技术领域
本发明涉及乳化液泵故障诊断技术领域,尤其涉及一种乳化液泵故障分级诊断方法。
背景技术
煤炭是我国主要的消耗能源,是国民经济的动力支撑,随着煤基清洁利用技术的发展,煤炭将在今后的国民经济发展中依然扮演重要的角色。长期以来,煤炭的安全开采问题一直吸引着煤矿企业的重视。煤炭开采设备的正常运行是煤矿安全生产的基本保障,但由于煤机装备的结构复杂、工况多变、工作环境恶劣,导致煤机装备故障率居高不下,严重影响到了煤矿的安全生产。
乳化液泵作为液压支架“动力源”,是液压支架供液系统的关键设备,其主要功能是向综采工作面的液压支架供给高压乳化液,进而实现液压支架动作。由于乳化液泵结构精密,集机械、电气和液压于一身,其日常维护耗时耗力,且对一线设备工作人员有很高技术要求。当发生故障时,无法做到快速准确故障诊断,难以故障定位,极大延长了维修时间,拖慢综采工作面复工时间,加剧煤矿经济损失。目前对于乳化液泵故障诊断方法的研究还比较少,大多通过PLC等对乳化液泵参数在线监测,无法做到准确地预防、诊断。乳化液泵故障机理复杂,包括,故障现象多样、故障耦合、产生原因不一、故障定位难等,传统的故障诊断方法无法胜任乳化液泵故障诊断任务。
发明内容
本发明为了解决上述提到的问题,提供了一种乳化液泵故障分级诊断方法,通过对乳化液泵的运行数据在线监测诊断,对乳化液泵的运行状态分析判断,为乳化液泵的日常维护提供参考,在故障发生时,实现乳化液泵快速、准确地故障诊断并分析产生原因。
本发明解决其技术问题所采用的技术方案是:构造一种乳化液泵故障分级诊断方法,包括:
获取数据库中存储的乳化液泵及其液压支架供液系统的监测参数,对监测参数进行故障类型标注预处理后划分为训练集和测试集;
构建深度自编码网络模型,将作为训练集的监测参数输入深度自编码网络模型进行训练,调节网络参数与函数,至输出的结果为准确故障类型为止,训练完成后将作为测试集的监测参数输入深度自编码网络模型,验证深度自编码网络模型识别故障类型的准确性;
获取乳化液泵及其液压支架供液系统在运行过程中产生的实时监测参数,输入至训练好的深度自编码网络模型中,输出结果即为故障类型;
在根据实时监测参数,判定乳化液泵及其液压支架供液系统发生故障时,将实时的监测参数和必要故障信息输入离线故障定位专家系统中;
离线故障定位专家系统融合已识别故障形式和包含必要故障信息的实时监测参数,分析产生原因,实现故障定位。
其中,液压支架供液系统包括,清水过滤站、水箱、乳化油箱、自动配比、乳化液箱、乳化液泵、高压反冲洗、支架系统、回液过滤站和相关输送管路。
其中,监测参数分为易监测参数和难监测参数,所述易监测参数包括,乳化液泵的系统压力、乳化液流量、乳化液浓度、乳化液温度,电动机电流、电动机转矩、电动机转速、润滑压力、润滑油温、绕组温度、乳化油位、乳化液位;难监测参数包括,支架动作状态、泵噪声、阀尖叫声、异味、设备上的冲刷痕迹、连接件的松紧程度;易监测参数通过传感器监测,作为深度自编码网络输入,难监测参数作为必要故障信息输入至专家系统。
其中,乳化液泵的故障类型包括,液位太低,造成吸空、启动后无压力、压力不达标、压力过高、机油温度过高、轴承温度过高、绕组温度过高、电流过载、浓度不达标、乳化液温度过高、强迫润滑压力异常、模块温度过高及正常状态。
其中,深度自编码的训练及验证过程为:
利用堆栈自动编码器搭建深度自编码网络,前一个自动编码器输出作为后一个自动编码器输入,表示为:
h=f(Wx+b)
其中,x为第l层输入,h为第l层输出,W为神经元的权重矩阵,b为偏置向量;
收集不同状态下的监测参数,按照8:2的比例划分训练集和测试集;
随机初始化深度自编码网络权重矩阵和偏置向量,将训练集作为深度自编码网络输入,以无监督方式采用梯度下降法预训练自动编码器,预训练选择均方误差损失函数,均方误差损失函数表示为:
其中,m为参加训练的数据量,xi为第i个输入的数据,zi为第i个重构的数据;
添加Softmax分类器,利用训练集采用梯度下降法有监督微调深度自编码网络并训练分类器,选择交叉熵损失函数,交叉熵损失函数表示为:
其中,m为参加训练的数据量,x为输入的样本,pi(x)为样本属于某故障形式的实际概率,qi(x)为模型输出概率;
利用测试集验证训练完成的深度自编码网络的故障识别能力;
利用经过验证的深度自编码网路对乳化液泵监测参数进行实时监测并识别故障。
其中,离线故障定位专家系统包括人机交互界面、知识库、知识获取、推理机、解释器、故障记录和历史故障查询。
区别于现有技术,本发明的乳化液泵故障分级诊断方法,通过深度自编码网络实现乳化液泵故障的第一级诊断,以乳化液泵的实时运行数据作为输入,自适应特征学习,诊断出乳化液泵的故障形式;通过专家系统实现乳化液泵故障的第二级诊断,将已识别的故障形式和必要故障信息作为专家系统输入,推理出产生原因,完成故障定位。该故障分级诊断方法充分利用深度自编码网络的大数据挖掘能力和离线故障定位专家系统处理难以求解的数学问题的优越性,快速准确地诊断故障并定位。
附图说明
下面将结合附图及实施例对本发明作进一步说明,附图中:
图1是本发明提供的一种乳化液泵故障分级诊断方法的流程示意图。
图2是本发明提供的一种乳化液泵故障分级诊断方法中深度自编码网络的训练流程示意图。
图3是本发明提供的一种乳化液泵故障分级诊断方法中不同模型的故障诊断结果对比示意图。
图4是本发明提供的一种乳化液泵故障分级诊断方法中离线故障定位专家系统的界面示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明做进一步的详细说明。应当理解,此外所描述的具体实施例仅用以解释本发明,但并不用于限定本发明。基于本发明中的实施例,本领域普通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,都将属于本发明保护的范围。
参照附图1,本发明提供一种乳化液泵故障分级诊断方法,包括:
获取数据库中存储的乳化液泵及其液压支架供液系统的监测参数,对监测参数进行故障类型标注预处理后划分为训练集和测试集
液压支架供液系统包括,清水过滤站、水箱、乳化油箱、自动配比、乳化液箱、乳化液泵、高压反冲洗、支架系统、回液过滤站和相关输送管路等。
监测参数分为易监测参数和难监测参数,易监测参数包括,乳化液泵的系统压力、乳化液流量、乳化液浓度、乳化液温度,电动机电流、电动机转矩、电动机转速、润滑压力、润滑油温、绕组温度、乳化油位、乳化液位等;难监测参数包括,支架动作状态、泵噪声、阀尖叫声、异味、设备上的冲刷痕迹、连接件的松紧程度等难以监测但人工易观察的一些信息;易监测参数通过传感器监测,作为深度自编码网络输入,难监测参数作为必要故障信息输入至专家系统。
构建深度自编码网络模型,将作为训练集的监测参数输入深度自编码网络模型进行训练,调节网络参数与函数,至输出的结果为准确故障类型为止,训练完成后将作为测试集的监测参数输入深度自编码网络模型,验证深度自编码网络模型识别故障类型的准确性。
获取乳化液泵及其液压支架供液系统在运行过程中产生的实时监测参数,输入至训练好的深度自编码网络模型中,输出结果即为故障类型。调用经过训练和验证的深度自编码网络监测参数,若发生故障,进入后续步骤,否则,持续监测。
深度自编码的训练及验证过程如图2所示,具体包括:
1)堆栈自动编码器搭建深度自编码网络,前一个自动编码器输出作为后一个自动编码器输入,表示为:
h=f(Wx+b)
式中:x为第l层输入,h为第l层输出,W为神经元的权重矩阵,b为偏置向量。;
2)收集不同状态下步骤S1中监测的多源参数,按照8:2划分训练集和测试集;
3)随机初始化深度自编码网络权重矩阵和偏置向量,将训练集作为深度自编码网络输入,以无监督方式采用梯度下降法预训练自动编码器,预训练选择均方误差损失函数,均方误差损失函数可表示为:
式中:m为参加训练的数据量,xi为第i个输入的数据,zi为第i个重构的数据;
4)添加Softmax分类器,利用训练集采用梯度下降法有监督微调深度自编码网络并训练分类器,选择交叉熵损失函数,交叉熵损失函数可表示为:
式中:m为参加训练的数据量,x为输入的样本,pi(x)为样本属于某故障形式的实际概率,qi(x)为模型输出概率;
5)利用测试集验证深度自编码网络的故障识别能力;
6)利用经过验证的深度自编码网路对乳化液泵多源参数实时监测并识别故障。
在根据实时监测参数,判定乳化液泵及其液压支架供液系统发生故障时,将实时的检测参数输入离线故障定位专家系统中。
离线故障定位专家系统融合已识别故障形式和包含必要故障信息的实时监测参数,分析产生原因,实现故障定位。
深度自编码网络输出故障形式,通过煤矿综采工作面智慧云平台向一线设备维修人员并告警并触发故障定位专家系统,专家系统界面如图3所示。离线故障定位专家系统包括以下几个功能:人机交互界面、知识库、知识获取、推理机、解释器、故障记录和历史故障查询。
案例说明
第一级诊断实验
实验数据取自某煤矿综采工作面智慧云平台,诊断对象为浙江中煤科技有限公司生产的BRW500/31.5型乳化液泵。通过对该煤矿乳化液泵实际监测,收集到乳化液泵在多种状态下14种参数的数据,样本具体组成信息见表1。
表1样本组成信息表
为验证深度自编码网络的诊断能力,选择深度神经网络(DNN)和卷积神经网络(CNN)对比。深度自编码网络5个隐含层神经元数量分别是500、200、100、200、500,输入层为输入的14个参数数据,输出层为14个参数数据的重构。输入层、隐含层1、隐含层2和隐含层3构成编码网络,隐含层3、隐含层4、隐含层5和输出层构成解码网络。添加Softmax分类器实现分类任务,输出层13个神经元对应13种故障形式。预训练过程的学习率设置为0.01,100个epochs,微调过程学习率设置为0.001,100个spochs后下降为0.0001,200个epochs。深度神经网络包含三个隐含层,神经元数量分别为500、200和100。卷积神经网络包含三个卷积层和三个池化层,第一层卷积核大小为1×8,移动步长为1×1,数量为16,其余卷积核大小均为1×3,移动步长均为1×1,数量分别为32和64,最大池化层移动步长均为2。所有模型的输出层均为含13个神经元的全连接层,采用Softmax分类器。深度神经网络和卷积神经网络的学习率均为0.001,100个epochs后下降为0.0001,训练200个epochs。
重复5次试验,不同模型的分类结果对比如图4所示。深度神经网络结构简单,特征提取能力有限,分类精度较差,平均准确率只有84.492%。卷积神经网络通过局部连接和权值共享保留了重要的参数,使其特征提取能力增强,平均准确率达到88.188%。深度自编码网络5次试验的故障诊断准确率都在98%以上,平均准确率98.712%,优于相比较的其他方法,很好地完成了故障形式的诊断。其中,深度神经网络与深度自编码网络相比,仅缺少100个epochs的预训练过程,可准确率却低14.22%,证明预训练过程对准确率提升的重要性。
第二级诊断实验
通过深度自编码网络实时监测现场设备数据,当深度自编码网络判断出发生故障,则云平台会告警故障形式,同时触发专家系统。
乳化液泵故障诊断知识涉及多个领域,其产生原因与故障形式之间的关系常表现为因果关系,因此可用产生式规则表示。由产生式规则建立的知识表见表2。故障形式为1表示标签为1的故障形式“液位太低,造成吸空”。推理机采用正向推理策略。
表2故障规则知识表
乳化液泵第二级诊断专家系统包含3个功能:一是知识库管理,领域专家可访问知识库并做出修改或新知识补充;二是故障诊断,一线设备维修人员可输入故障信息,并得到专家系统推理出的产生原因;三是故障记录,记录已发生故障时间、信息和原因,便于煤矿领导决策。
上面结合附图对本发明的实施例进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可做出很多形式,这些均属于本发明的保护之内。
Claims (4)
1.一种乳化液泵故障分级诊断方法,其特征在于,包括:
获取数据库中存储的乳化液泵及其液压支架供液系统的监测参数,对监测参数进行故障类型标注预处理后划分为训练集和测试集;
构建深度自编码网络模型,将作为训练集的监测参数输入深度自编码网络模型进行训练,调节网络参数与函数,至输出的结果为准确故障类型为止,训练完成后将作为测试集的监测参数输入深度自编码网络模型,验证深度自编码网络模型识别故障类型的准确性;
获取乳化液泵及其液压支架供液系统在运行过程中产生的实时监测参数,输入至训练好的深度自编码网络模型中,输出结果即为故障类型;
在根据实时监测参数,判定乳化液泵及其液压支架供液系统发生故障时,将实时的监测参数和必要故障信息输入离线故障定位专家系统中;
离线故障定位专家系统融合已识别故障形式和包含必要故障信息的实时监测参数,分析产生原因,实现故障定位;
所述监测参数分为易监测参数和难监测参数,所述易监测参数包括,乳化液泵的系统压力、乳化液流量、乳化液浓度、乳化液温度,电动机电流、电动机转矩、电动机转速、润滑压力、润滑油温、绕组温度、乳化油位、乳化液位;难监测参数包括,支架动作状态、泵噪声、阀尖叫声、异味、设备上的冲刷痕迹、连接件的松紧程度;易监测参数通过传感器监测,作为深度自编码网络输入,难监测参数作为必要故障信息输入至专家系统;
深度自编码的训练及验证过程为:
利用堆栈自动编码器搭建深度自编码网络,前一个自动编码器输出作为后一个自动编码器输入,表示为:
h=f(Wx+b)
其中,x为第l层输入,h为第l层输出,W为神经元的权重矩阵,b为偏置向量;
收集不同状态下的监测参数,按照8:2的比例划分训练集和测试集;
随机初始化深度自编码网络权重矩阵和偏置向量,将训练集作为深度自编码网络输入,以无监督方式采用梯度下降法预训练自动编码器,预训练选择均方误差损失函数,均方误差损失函数表示为:
其中,m为参加训练的数据量,xi为第i个输入的数据,zi为第i个重构的数据;
添加Softmax分类器,利用训练集采用梯度下降法有监督微调深度自编码网络并训练分类器,选择交叉熵损失函数,交叉熵损失函数表示为:
其中,m为参加训练的数据量,x为输入的样本,pi(x)为样本属于某故障形式的实际概率,qi(x)为模型输出概率;
利用测试集验证训练完成的深度自编码网络的故障识别能力;
利用经过验证的深度自编码网络对乳化液泵监测参数进行实时监测并识别故障。
2.根据权利要求1所述的乳化液泵故障分级诊断方法,其特征在于,所述液压支架供液系统包括,清水过滤站、水箱、乳化油箱、自动配比、乳化液箱、乳化液泵、高压反冲洗、支架系统、回液过滤站和相关输送管路。
3.根据权利要求1所述的乳化液泵故障分级诊断方法,其特征在于,乳化液泵的故障类型包括,液位太低,造成吸空、启动后无压力、压力不达标、压力过高、机油温度过高、轴承温度过高、绕组温度过高、电流过载、浓度不达标、乳化液温度过高、强迫润滑压力异常、模块温度过高及正常状态。
4.根据权利要求1所述的乳化液泵故障分级诊断方法,其特征在于,离线故障定位专家系统包括人机交互界面、知识库、知识获取、推理机、解释器、故障记录和历史故障查询。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110529358.3A CN113378887B (zh) | 2021-05-14 | 2021-05-14 | 一种乳化液泵故障分级诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110529358.3A CN113378887B (zh) | 2021-05-14 | 2021-05-14 | 一种乳化液泵故障分级诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113378887A CN113378887A (zh) | 2021-09-10 |
CN113378887B true CN113378887B (zh) | 2022-07-05 |
Family
ID=77570960
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110529358.3A Active CN113378887B (zh) | 2021-05-14 | 2021-05-14 | 一种乳化液泵故障分级诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113378887B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113857269B (zh) * | 2021-11-03 | 2023-06-09 | 南京邮电大学 | 一种冷轧机乳化液喷射装置故障检测方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101063643A (zh) * | 2007-02-02 | 2007-10-31 | 北京航空航天大学 | 飞机故障智能诊断方法及系统 |
CN108062572A (zh) * | 2017-12-28 | 2018-05-22 | 华中科技大学 | 一种基于DdAE深度学习模型的水电机组故障诊断方法与系统 |
CN109145886A (zh) * | 2018-10-12 | 2019-01-04 | 西安交通大学 | 一种多源信息融合的异步电机故障诊断方法 |
CN110705525A (zh) * | 2019-10-24 | 2020-01-17 | 北京建筑大学 | 一种诊断滚动轴承故障的方法及装置 |
CN111175054A (zh) * | 2020-01-08 | 2020-05-19 | 沈阳航空航天大学 | 一种基于数据驱动的航空发动机故障诊断方法 |
CN111222133A (zh) * | 2019-11-14 | 2020-06-02 | 辽宁工程技术大学 | 一种工控网络入侵检测的多级自适应耦合方法 |
CN112393934A (zh) * | 2020-11-20 | 2021-02-23 | 湖南工业大学 | 基于稀疏自编码与极限学习机的风电机组故障诊断方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11544422B2 (en) * | 2019-09-16 | 2023-01-03 | Palo Alto Research Center Incorporated | Machine learning based systems and methods for real time, model based diagnosis |
-
2021
- 2021-05-14 CN CN202110529358.3A patent/CN113378887B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101063643A (zh) * | 2007-02-02 | 2007-10-31 | 北京航空航天大学 | 飞机故障智能诊断方法及系统 |
CN108062572A (zh) * | 2017-12-28 | 2018-05-22 | 华中科技大学 | 一种基于DdAE深度学习模型的水电机组故障诊断方法与系统 |
CN109145886A (zh) * | 2018-10-12 | 2019-01-04 | 西安交通大学 | 一种多源信息融合的异步电机故障诊断方法 |
CN110705525A (zh) * | 2019-10-24 | 2020-01-17 | 北京建筑大学 | 一种诊断滚动轴承故障的方法及装置 |
CN111222133A (zh) * | 2019-11-14 | 2020-06-02 | 辽宁工程技术大学 | 一种工控网络入侵检测的多级自适应耦合方法 |
CN111175054A (zh) * | 2020-01-08 | 2020-05-19 | 沈阳航空航天大学 | 一种基于数据驱动的航空发动机故障诊断方法 |
CN112393934A (zh) * | 2020-11-20 | 2021-02-23 | 湖南工业大学 | 基于稀疏自编码与极限学习机的风电机组故障诊断方法 |
Non-Patent Citations (4)
Title |
---|
A New Deep Transfer Learning Based on Sparse Auto-Encoder for Fault Diagnosis;Long Wen et al.;《IEEE TRANSACTIONS ON SYSTEMS, MAN, AND CYBERNETICS: SYSTEMS》;20171004;第49卷(第1期);136-144 * |
A new subset based deep feature learning method for intelligent fault diagnosis of bearing;Yuyan Zhang et al.;《Expert Systems With Applications》;20180602;第110卷;125-142 * |
一种乳化液泵分级故障诊断方法;牛锐祥 等;《液压与气动》;20211115;第45卷(第11期);47-53 * |
基于深度学习理论的电机故障诊断方法研究;贺珂珂;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20190915(第9期);C042-111 * |
Also Published As
Publication number | Publication date |
---|---|
CN113378887A (zh) | 2021-09-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108460144B (zh) | 一种基于机器学习的煤炭设备故障预警系统及方法 | |
CN107436597B (zh) | 一种基于稀疏过滤和逻辑回归的化工过程故障检测方法 | |
CN110320892A (zh) | 基于Lasso回归的污水处理设备故障诊断系统及方法 | |
CN111985561A (zh) | 一种智能电表的故障诊断方法、系统及电子装置 | |
CN111412579B (zh) | 一种基于大数据的空调机组故障类型诊断方法和系统 | |
CN113339204B (zh) | 一种基于混合神经网络的风力发电机故障识别方法 | |
CN112834211A (zh) | 一种风电机组传动系统故障预警方法 | |
CN114239377A (zh) | 一种城轨机电设备健康状态评估方法、系统及存储介质 | |
CN111931849A (zh) | 一种水电机组运行数据趋势预警方法 | |
CN107291991A (zh) | 一种基于动态网络标志的风电机组早期缺陷预警方法 | |
CN115614292B (zh) | 一种立式水泵机组振动监测装置及其方法 | |
CN109271705A (zh) | 一种基于深度学习的机器预测性维护方法 | |
CN113378887B (zh) | 一种乳化液泵故障分级诊断方法 | |
CN114519923A (zh) | 一种电厂智能诊断预警方法和系统 | |
CN115750228A (zh) | 一种风电机组变桨系统故障预警方法 | |
CN112124229A (zh) | 一种应急抢险泵车远程实时故障诊断方法 | |
WO2024027487A1 (zh) | 基于智能运维场景的健康度评价方法及装置 | |
Yang et al. | A fault identification method for electric submersible pumps based on dae-svm | |
CN111842759A (zh) | 基于工业互联网平台的重型锻造装备远程运维系统架构 | |
CN114320773B (zh) | 一种基于功率曲线分析与神经网络的风电机组故障预警方法 | |
CN113807027B (zh) | 一种风电机组健康状态评估模型、方法及系统 | |
CN115374961A (zh) | 一种船舶动力运维系统及运维方法 | |
Peng et al. | A temporal convolutional network based method for fault diagnosis of DEH system | |
Song et al. | Anomaly detection of wind turbine generator based on temporal information | |
Li et al. | Research on digital twin and collaborative cloud and edge computing applied in operations and maintenance in wind turbines of wind power farm |
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 |