CN113469256A - 一种齿轮类零件机械损伤节点预测方法 - Google Patents
一种齿轮类零件机械损伤节点预测方法 Download PDFInfo
- Publication number
- CN113469256A CN113469256A CN202110760139.6A CN202110760139A CN113469256A CN 113469256 A CN113469256 A CN 113469256A CN 202110760139 A CN202110760139 A CN 202110760139A CN 113469256 A CN113469256 A CN 113469256A
- Authority
- CN
- China
- Prior art keywords
- data
- fracture
- state
- gear
- mechanical damage
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/02—Gearings; Transmission mechanisms
- G01M13/021—Gearings
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明属于智能制造领域,具体的说是一种基于数字孪生技术的齿轮类零件机械损伤节点预测方法。包括:步骤一、构建特征数据库,获取标准状态节点;步骤二、对特征数据库中的特征数据进行处理;步骤三、KNN模型训练;步骤四、状态数据匹配与溯源;本发明采用数字孪生技术构建虚拟模型及数字化平台,针对疲劳断裂、过负荷断裂、磨损、点蚀四种故障模式进行状态判定,通过虚实结合、抽样检测的方法,对工艺生产和质量管控进行信息化管理以及预防性指导和优化,减少材料浪费,降低生产成本,提高大批量生产过程中的产品质量。
Description
技术领域
本发明属于智能制造领域,具体的说是一种齿轮类零件机械损伤节点预测方法。
背景技术
在齿轮状态判断方面,传统上采用频域分析法,如细化谱分析法等,该类方法常用与科研领域,有成本高周期长的特点,且不易数据化,系统化,指导快节奏的制造业生产有较高的难度。数字孪生技术由数字孪生模型、数据纽带、后台管理系统三部分构成,作为IOT技术的一个重要分支技术,结合机器学习算法,能够在准确识别的基础上,完成数据的实时同步及数据趋势预测,从而快速反馈到生产现场,更具有工程意义。
发明内容
本发明提供了一种齿轮类零件机械损伤节点预测方法,该方法采用数字孪生技术构建虚拟模型及数字化平台,针对疲劳断裂、过负荷断裂、磨损、点蚀四种故障模式进行状态判定,通过虚实结合、抽样检测的方法,对工艺生产和质量管控进行信息化管理以及预防性指导和优化,减少材料浪费,降低生产成本,提高大批量生产过程中的产品质量。
本发明技术方案结合附图说明如下:
一种齿轮类零件机械损伤节点预测方法,包括以下步骤:
步骤一、构建特征数据库,获取初始状态节点;
步骤二、对特征数据库中的特征数据进行处理;
步骤三、通过KNN模型进行训练;
步骤四、状态数据匹配与溯源;
参阅图2,所述步骤一的具体方法如下:
11)产品样本抽样,对各型号齿轮进行加载实验,获取生成状态数据集合;
选取目标型号的齿轮,在试制批次的标准件中以系统随机抽样的方式抽取样本,样本数量由该批次总量决定,小于3件,不超过当前批次总量的5%;在不同数值组合的环境变量下,采用材料性能测试仪分别测试零件综合性能,获取正常、故障、报废三种全生命周期状态节点数据集合,该集合包括环境变量及机械损伤形式标签,并将打标签后的数据集合录入数据库中;
12)状态节点分类;齿轮故障分为疲劳断裂、过负荷断裂、磨损、点蚀四种故障模式;其中,磨损、点蚀为故障状态;疲劳断裂、过负荷断裂统称为断裂,为报废状态;疲劳断裂、过负荷断裂、磨损、点蚀四种故障模式均通过视觉传感器获取尺寸指标,获取齿轮加载过程中的特征位置尺寸和图像,疲劳断裂、过负荷断裂、磨损、点蚀作为特有故障特征;故障特征由CNN视觉算法识别或人为识别后,依照特征数据集的时间节点对特征向量打标签,将整理完成打标签处理后的不同时间节点的实验数据,得到判定集。
所述磨损的判断规则如下:
当出现以下三种情况中的一种即判断当前状态视为磨损:
①齿面厚度测量值处于零件标准参数的80%以下且噪音变大;
②处于零件标准参数的80%~95%区间且有>1cm的连续划痕;
③零件标准参数的80%~95%区间且存在直径>0.5cm的几何形状畸变;
所述点蚀的判断规则如下:
当出现以下两种情况中的一种即判断当前状态为点蚀;
①锈斑、腐蚀斑点中直径超过0.5cm或20%齿轮厚度的数量大于1;
②齿轮变色总面积超过齿顶线、齿根线围成矩形面积的50%;
所述断裂的判断规则如下:
当出现一下三种情况中的一种即判断当前状态为断裂;
①存在齿根部断口;
②存在长度超过50%齿厚的轮齿节圆裂纹;
③存在轮齿节圆片状剥落。
所述步骤二的具体方法如下:
21)数据归一化;
22)数据降维;
23)数据清洗归类;
剔除步骤22)中的异常值,将处理后的数据对应源数据序列。
所述步骤三的具体方法如下:
将判定集经过数据处理后的数据集拆分为训练集和测试集,得到模型K值,确定KNN模型。
所述K值得确定方法如下:
所述步骤四的具体方法如下:
根据步骤三中得到的识别结果,依照测试节点的t字段,链接到该字段分类范围内的状态序列,查看最近链路的对应的测试件下个节点状态及其边界时间值t,上传至数据平台辅助决策。
本发明的有益效果为:
1)本发明采用数字孪生技术,能够结合生产订单,高保真仿真实际的应用情景,从生命周期管理角度提高产品的可靠性;
2)本发明对工艺生产和质量管控进行信息化管理以及预防性指导和优化,减少材料浪费,降低生产成本,提高大批量生产过程中的产品质量。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为本发明的流程结构框图;
图2为本发明的数据流示意图;
图3为本发明的KNN算法原理示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术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,都属于本发明保护的范围。
本发明目的在于构建齿轮损伤特征判断体系,并提供一种基于数字孪生技术的齿轮类零件机械损伤节点预测方法。旨在通过对产品样本的测试和数字化仿真,实现生产数据收集和判别模型训练,完成数据处理并建立KNN算法模型判断当前零件运行状态所处类别,输出结果并预测相应事件(正常、故障、报废)的判定边界,整体流程如图1所示。具体步骤如下:
步骤一、构建特征数据库,获取初始状态节点;
11)产品样本抽样,对各型号齿轮进行加载实验,包括但不限于温度,湿度,转速,摩擦系数,压力,酸碱性等环境信息,获取生成状态数据集合即正常、故障、报废三种全生命周期状态节点数据的集合;选取目标型号的齿轮,在试制批次的标准件中以系统随机抽样的方式抽取样本,样本数量由该批次总量决定,小于3件,不超过当前批次总量的5%;在不同数值组合的环境变量下,采用材料性能测试仪分别测试零件综合性能,环境变量从温度、湿度、振动、转速、气压等因素中选取。获取正常、故障、报废三种全生命周期状态节点数据集合,该集合包括环境变量及机械损伤形式标签,并将打标签后的数据集合录入数据库中;
12)状态节点分类;齿轮故障分为疲劳断裂、过负荷断裂、磨损、点蚀四种故障模式;其中,磨损、点蚀为故障状态;疲劳断裂、过负荷断裂统称为断裂,为报废状态;疲劳断裂、过负荷断裂、磨损、点蚀四种故障模式均通过视觉传感器获取尺寸指标,获取齿轮加载过程中的特征位置尺寸和图像,包括但不限于轮齿节圆凹坑、轮齿节圆裂纹、轮齿节圆片状剥落、齿轮变色、齿根部断口,齿顶畸变,噪音变大等;疲劳断裂、过负荷断裂、磨损、点蚀作为特有故障特征;故障特征由CNN视觉算法识别或人为识别后,依照特征数据集的时间节点对特征向量打标签,将整理完成打标签处理后的不同时间节点的实验数据,得到判定集。
所述磨损的判断规则如下:
当出现以下三种情况中的一种即判断当前状态视为磨损:
①齿面厚度测量值处于零件标准参数的80%以下且噪音变大;
②处于零件标准参数的80%~95%区间且有>1cm的连续划痕;
③零件标准参数的80%~95%区间且存在直径>0.5cm的几何形状畸变;
所述点蚀的判断规则如下:
当出现以下两种情况中的一种即判断当前状态为点蚀;
①锈斑、腐蚀斑点中直径超过0.5cm或20%齿轮厚度的数量大于1;
②齿轮变色总面积超过齿顶线、齿根线围成矩形面积的50%;
所述断裂的判断规则如下:
当出现一下三种情况中的一种即判断当前状态为断裂;
①存在齿根部断口;
②存在长度超过50%齿厚的轮齿节圆裂纹;
③存在轮齿节圆片状剥落。
如产品型号A_001的齿轮产品需要接入数字化系统并开通状态节点监测功能,从试制品中以系统随机抽样的方式抽取样品15件,采用材料性能测试仪对15件该型号产品施加不同数值的外部因素变量,该示例选取温度、湿度、振动、运转转速四项环境指标,累积运转时间t为时间指标,共m行,该范例中m为15。取其中一组数据,如:<40,20,0.1,750,200>,其中<40,20,0.1,750>为特征向量,代表温度40℃,湿度为20%RH,振动位移0.1mm,转速为750rpm。此外,当转速大于1000rpm时,认为该零件为高速运转零件,此时振动特征量可以用振动速度表示,单位为mm/s。200为t值,单位为min,单位越小,所需运算资源越多。识别到当前零件在200min时齿面产生畸变,齿面厚度低于初始参数的80%,噪音变大,判定状态为故障,并对当前特征向量打标,并记录时间值。
步骤二、对特征数据库中的特征数据进行处理;
所述特征数据包括环境变量:温度,湿度,转速,摩擦系数,压力,酸碱性;时间变量;状态标签:正常、故障、报废。
步骤二对环境变量和时间变量两类数据进行处理。
21)数据归一化;
22)数据降维;对归一化后的特征向量进行数据预处理,提高运算速率的同时方便可视化。本发明将特征向量降至二维,记为(q1,q2),其中以便算法可视化。其中,xb1为归一化后的温度;xb2为归一化后的湿度;xb3为归一化后的振动;xb4为归一化后的运转转速;t为归一化后的时间变量;
也可采用PCA、LDA等数据降维方法进行降维,可根据实际工程状况进行选择。
23)数据清洗归类;
剔除步骤22)中的异常值,将处理后的数据对应源数据序列。
例如:向量<40,20,0.1,750,200>,归一化后为<0.05,0.025,0,1,0.25>,降维后为<0.055,1.031>。
步骤三、通过KNN模型训练;
根据实际应用场景中算力的不同,按照实际工程条件,将现有数据集按一定比例拆分为训练集和测试集。
例如按照2:1的比例,本发明示例中的15组特征量分为训练集10行、测试集5行,实际工程中样本量应远大于示例,保证准确性。或采用交叉验证的方式训练得到模型K值,确定KNN模型。
图3所示的三角形和圆形点是由步骤一中采集信息构成的特征数据库中的数据组成。
引入主观变量K,作为优化方法实现模型的个性化,K为奇数个,具体数值由实验经验和样本数量决定,如图3所示。
所述K值得确定方法如下:
图3表示K=5的KNN模型,即圆框部分包含5个模型点,其中四个为圆形(假设表示正常状态),一个为三角(假设表示故障状态),则“?”状态的点应当归类为圆形,判定为正常状态。
步骤四、状态数据匹配与溯源;
根据步骤23)中得到的识别结果,依照测试节点的t字段,链接到该字段分类范围内的状态序列,查看最近链路的对应的测试件下个节点状态及其边界时间值t,上传至数据平台辅助决策。
例如图3表示K=5的KNN模型,即圆框部分包含5个模型点,其中四个为圆形(假设表示正常状态),一个为三角(假设表示故障状态),则“?”状态的点应当归类为圆形,判定为正常状态。得到识别结果:正常状态。找到“?”状态未处理过的特征向量,即算例中<40,20,0.1,750,150>这组数据,其中t=150,找到数据集中所有圆形(表示正常状态的节点)的未经处理的特征向量,筛选出t值最接近150的一条或若干条数据,根据他们状态变为故障的时间给出参考值。如t值最接近150的一条向量变为故障状态时的数据为<40,20,0.1,750,200>,则200为故障状态参考值。
综上,识别结果为,正常状态,下一状态故障发生节点约为200。
本发明适用于任何齿轮零件产线的损伤预测,指导优化产品生命周期,辅助用户使用,降低产品次品率。
Claims (7)
1.一种齿轮类零件机械损伤节点预测方法,其特征在于,包括以下步骤:
步骤一、构建特征数据库,获取初始状态节点;
步骤二、对特征数据库中的特征数据进行处理;
步骤三、通过KNN模型进行训练;
步骤四、状态数据匹配与溯源。
2.根据权利要求1所述的一种齿轮类零件机械损伤节点预测方法,其特征在于,所述步骤一的具体方法如下:
11)产品样本抽样,对各型号齿轮进行加载实验,获取生成状态数据集合;
选取目标型号的齿轮,在试制批次的标准件中以系统随机抽样的方式抽取样本,样本数量由该批次总量决定,小于3件,不超过当前批次总量的5%;在不同数值组合的环境变量下,采用材料性能测试仪分别测试零件综合性能,获取正常、故障、报废三种全生命周期状态节点数据集合,该集合包括环境变量及机械损伤形式标签,并将打标签后的数据集合录入数据库中;
12)状态节点分类;齿轮故障分为疲劳断裂、过负荷断裂、磨损、点蚀四种故障模式;其中,磨损、点蚀为故障状态;疲劳断裂、过负荷断裂统称为断裂,为报废状态;疲劳断裂、过负荷断裂、磨损、点蚀四种故障模式均通过视觉传感器获取尺寸指标,获取齿轮加载过程中的特征位置尺寸和图像,疲劳断裂、过负荷断裂、磨损、点蚀作为特有故障特征;故障特征由CNN视觉算法识别或人为识别后,依照特征数据集的时间节点对特征向量打标签,将整理完成打标签处理后的不同时间节点的实验数据,得到判定集。
3.根据权利要求2所述的一种齿轮类零件机械损伤节点预测方法,其特征在于,所述磨损的判断规则如下:
当出现以下三种情况中的一种即判断当前状态视为磨损:
①齿面厚度测量值处于零件标准参数的80%以下且噪音变大;
②处于零件标准参数的80%~95%区间且有>1cm的连续划痕;
③零件标准参数的80%~95%区间且存在直径>0.5cm的几何形状畸变;
所述点蚀的判断规则如下:
当出现以下两种情况中的一种即判断当前状态为点蚀;
①锈斑、腐蚀斑点中直径超过0.5cm或20%齿轮厚度的数量大于1;
②齿轮变色总面积超过齿顶线、齿根线围成矩形面积的50%;
所述断裂的判断规则如下:
当出现一下三种情况中的一种即判断当前状态为断裂;
①存在齿根部断口;
②存在长度超过50%齿厚的轮齿节圆裂纹;
③存在轮齿节圆片状剥落。
5.根据权利要求1所述的一种齿轮类零件机械损伤节点预测方法,其特征在于,所述步骤三的具体方法如下:
将判定集经过数据处理后的数据集拆分为训练集和测试集,得到模型K值,确定KNN模型。
7.根据权利要求4所述的一种齿轮类零件机械损伤节点预测方法,其特征在于,所述步骤四的具体方法如下:
根据步骤三中得到的识别结果,依照测试节点的t字段,链接到该字段分类范围内的状态序列,查看最近链路的对应的测试件下个节点状态及其边界时间值t,上传至数据平台辅助决策。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110760139.6A CN113469256B (zh) | 2021-07-06 | 2021-07-06 | 一种齿轮类零件机械损伤节点预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110760139.6A CN113469256B (zh) | 2021-07-06 | 2021-07-06 | 一种齿轮类零件机械损伤节点预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113469256A true CN113469256A (zh) | 2021-10-01 |
CN113469256B CN113469256B (zh) | 2022-09-30 |
Family
ID=77878294
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110760139.6A Active CN113469256B (zh) | 2021-07-06 | 2021-07-06 | 一种齿轮类零件机械损伤节点预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113469256B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105181019A (zh) * | 2015-09-15 | 2015-12-23 | 安徽精科检测技术有限公司 | 用于旋转类机械早期故障预警分析的计算机程序产品 |
CN105740625A (zh) * | 2016-01-31 | 2016-07-06 | 太原科技大学 | 一种齿轮的实时剩余寿命预测方法 |
CN107831438A (zh) * | 2017-10-25 | 2018-03-23 | 上海交通大学 | 一种电机故障的预测方法及预测系统 |
US20180320483A1 (en) * | 2017-05-02 | 2018-11-08 | Caterpillar Inc. | Multi-rig hydraulic fracturing system and method for optimizing operation thereof |
CN109827769A (zh) * | 2018-12-27 | 2019-05-31 | 武汉理工大学 | 新能源汽车电驱动桥齿轮故障的预测诊断方法 |
CN111368890A (zh) * | 2020-02-26 | 2020-07-03 | 珠海格力电器股份有限公司 | 故障检测方法及装置、信息物理融合系统 |
CN111444940A (zh) * | 2020-02-28 | 2020-07-24 | 山东大学 | 风机关键部位故障诊断方法 |
CN112508053A (zh) * | 2020-11-10 | 2021-03-16 | 泽恩科技有限公司 | 基于集成学习框架的智能诊断方法、装置、设备及介质 |
CN112541233A (zh) * | 2019-09-20 | 2021-03-23 | 宫文峰 | 基于改进卷积神经网络的旋转机械故障诊断方法 |
CN112697424A (zh) * | 2020-12-08 | 2021-04-23 | 广东工业大学 | 一种基于改进决策树的风机齿轮润滑系统故障诊断方法 |
CN112949402A (zh) * | 2021-02-01 | 2021-06-11 | 南京航空航天大学 | 极小故障样本量下行星齿轮箱故障诊断方法 |
US20210182749A1 (en) * | 2014-03-12 | 2021-06-17 | Dt360 Inc. | Method of predicting component failure in drive train assembly of wind turbines |
-
2021
- 2021-07-06 CN CN202110760139.6A patent/CN113469256B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210182749A1 (en) * | 2014-03-12 | 2021-06-17 | Dt360 Inc. | Method of predicting component failure in drive train assembly of wind turbines |
CN105181019A (zh) * | 2015-09-15 | 2015-12-23 | 安徽精科检测技术有限公司 | 用于旋转类机械早期故障预警分析的计算机程序产品 |
CN105740625A (zh) * | 2016-01-31 | 2016-07-06 | 太原科技大学 | 一种齿轮的实时剩余寿命预测方法 |
US20180320483A1 (en) * | 2017-05-02 | 2018-11-08 | Caterpillar Inc. | Multi-rig hydraulic fracturing system and method for optimizing operation thereof |
CN107831438A (zh) * | 2017-10-25 | 2018-03-23 | 上海交通大学 | 一种电机故障的预测方法及预测系统 |
CN109827769A (zh) * | 2018-12-27 | 2019-05-31 | 武汉理工大学 | 新能源汽车电驱动桥齿轮故障的预测诊断方法 |
CN112541233A (zh) * | 2019-09-20 | 2021-03-23 | 宫文峰 | 基于改进卷积神经网络的旋转机械故障诊断方法 |
CN111368890A (zh) * | 2020-02-26 | 2020-07-03 | 珠海格力电器股份有限公司 | 故障检测方法及装置、信息物理融合系统 |
CN111444940A (zh) * | 2020-02-28 | 2020-07-24 | 山东大学 | 风机关键部位故障诊断方法 |
CN112508053A (zh) * | 2020-11-10 | 2021-03-16 | 泽恩科技有限公司 | 基于集成学习框架的智能诊断方法、装置、设备及介质 |
CN112697424A (zh) * | 2020-12-08 | 2021-04-23 | 广东工业大学 | 一种基于改进决策树的风机齿轮润滑系统故障诊断方法 |
CN112949402A (zh) * | 2021-02-01 | 2021-06-11 | 南京航空航天大学 | 极小故障样本量下行星齿轮箱故障诊断方法 |
Non-Patent Citations (2)
Title |
---|
WALID TOUTI等: "Spur gearbox mixed fault detection using vibration envelope and motor stator current signatures analysis", 《2016 17TH INTERNATIONAL CONFERENCE ON SCIENCES AND TECHNIQUES OF AUTOMATIC CONTROL AND COMPUTER ENGINEERING (STA)》 * |
刘长良等: "基于改进 KNN 回归算法的风电机组齿轮箱状态监测", 《中国测试》 * |
Also Published As
Publication number | Publication date |
---|---|
CN113469256B (zh) | 2022-09-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111444940A (zh) | 风机关键部位故障诊断方法 | |
CN112179691B (zh) | 基于对抗学习策略的机械装备运行状态异常检测系统和方法 | |
CN113838054B (zh) | 基于人工智能的机械零件表面损伤检测方法 | |
CN113076834B (zh) | 旋转机械故障信息处理方法、处理系统、处理终端、介质 | |
CN108685158B (zh) | 基于自动光学检测技术的切丝机智能维护方法和系统 | |
CN111337244B (zh) | 一种风机齿轮箱输入轴故障监测和诊断的方法及装置 | |
CN115187832A (zh) | 一种基于深度学习与格拉姆角场图像的能源系统故障诊断方法 | |
CN113096088A (zh) | 一种基于深度学习的混凝土结构检测方法 | |
CN112633781B (zh) | 一种基于车联网大数据的车辆能耗评价方法 | |
CN111931334A (zh) | 一种用于评估电缆设备运行可靠性的方法及系统 | |
CN115576284A (zh) | 一种服装车间智能化管理方法及系统 | |
CN115409131A (zh) | 基于spc过程管控系统的生产线异常检测方法 | |
CN114004059B (zh) | 一种水轮发电机组健康画像方法 | |
CN115018790A (zh) | 一种基于异常检测的工件表面缺陷检测方法 | |
CN117495867B (zh) | 小模数齿轮精度的视觉检测方法及系统 | |
CN114722641A (zh) | 一种检测实验室的润滑油状态信息集成评估方法及系统 | |
CN113469256B (zh) | 一种齿轮类零件机械损伤节点预测方法 | |
CN116501001B (zh) | 一种柔性铝合金电缆生产工艺优化控制方法及系统 | |
CN116956132A (zh) | 一种确定风力涡轮机积冰情况的方法 | |
CN115146675B (zh) | 一种深度多特征动态对抗的变工况下旋转机械迁移诊断方法 | |
Yuan et al. | Deep learning approach to multiple features sequence analysis in predictive maintenance | |
CN115114968A (zh) | 基于随机森林的铸坯裂纹智能预测方法 | |
CN114024820B (zh) | 一种设备健康画像方法 | |
CN113392575B (zh) | 基于滑窗特征的风机主轴故障预测方法 | |
CN117557574B (zh) | 基于图像处理的材料参数检测方法及系统 |
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 |