CN113705840A - 一种设备预测性维护方法、装置、计算机设备及存储介质 - Google Patents
一种设备预测性维护方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN113705840A CN113705840A CN202111114382.7A CN202111114382A CN113705840A CN 113705840 A CN113705840 A CN 113705840A CN 202111114382 A CN202111114382 A CN 202111114382A CN 113705840 A CN113705840 A CN 113705840A
- Authority
- CN
- China
- Prior art keywords
- equipment
- data
- prediction model
- fault
- prediction
- 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.)
- Pending
Links
- 238000012423 maintenance Methods 0.000 title claims abstract description 53
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000012935 Averaging Methods 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 12
- 230000010354 integration Effects 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 5
- 230000003449 preventive effect Effects 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000000246 remedial effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
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
- G06Q10/20—Administration of product repair or maintenance
-
- 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
-
- 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
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Mathematical Physics (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- General Engineering & Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Algebra (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Game Theory and Decision Science (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种设备预测性维护方法、装置、计算机设备及存储介质,其中,方法通过传感器获取设备数据,并对获取的设备数据进行预处理,得到目标设备数据;根据目标设备数据,提取设备的状态信息;并基于状态信息,根据二次平均法建立预测模型,同时部署预测模型到对应的设备,显示预测模型对设备的故障预测;并根据所述故障预测,对各设备进行事前防护维护。从而实现预估设备将在何时发生故障,通过此方式,企业可提前制定维护计划、更好地管理备件库存、消除计划外停机,并最大限度延长设备寿命。
Description
技术领域
本发明涉及工业互联网技术领域,尤其涉及一种设备预测性维护方法、装置、计算机设备及存储介质。
背景技术
面对国家正在大力推进的工业互联网、智能制造,制造强国战略,工厂现场各种生产设备作为主要的生产工具,对现场设备运行的可靠性提出了更高的要求,一般都要求仪表设备能满足7*24的连续可靠工作,突发的故障停机会造成极大的损失。因此,也对设备的维护提出了较高的要求,以最大程度的避免生产的损失和材料的浪费。
传统设备维护分为三种:
(1)事后维护:事后维护,也有人称之为“补救性维护”,也就是在设备出现故障后才进行维修。如果您要维修一个便宜的设备,这是种“不出故障就不维修”的维护方式,也是目前在国内被用户采用最多的维护手段,但这会造成高库存备件成本、机器停机时间长、生产产能下降等问题。
(2)预防性维护:预防性维护就是通过对设备进行定期检查,以尽量防止故障的发生。预防性维护的一个重大挑战是确定维护时间,由于您不知道何时可能发生故障,因此在制定计划时必须留有余地,在操作安全关键型设备时尤其如此。但是,太早安排维护会浪费仍然可用的设备的寿命,进而增加您的成本。
(3)预测性维护:预测性维护通过预估机器发生故障的时间,帮助企业确定安排设备维护的最佳时间。
设备预测性维护是最近的维护方法,但当前很多企业内部设备新老不一,设备品牌众多,数据接口不统一,很难对工厂内设备进行统一的预测性维护。
发明内容
基于此,有必要针对上述技术问题,提供一种设备预测性维护方法、装置、计算机设备及存储介质。
一种设备预测性维护方法,所述方法包括:通过传感器获取设备数据,所述设备数据分为设备正常数据和设备故障数据;对获取的设备数据进行预处理,得到目标设备数据;根据所述目标设备数据,提取设备的状态信息;基于所述状态信息,根据二次平均法建立预测模型,所述预测模型用于预测设备的故障发生时间;部署所述预测模型到对应的设备,显示所述预测模型对设备的故障预测;根据所述故障预测,对各设备进行事前防护维护。
在其中一个实施例中,所述设备数据至少包括电流数据、电压数据和温度数据。
在其中一个实施例中,所述预处理至少包括对所述设备数据进行去噪处理、剔除异常处理和删除缺失值处理。
在其中一个实施例中,所述预处理还包括通过傅里叶变换将所述设备数据转换为频域信号。
在其中一个实施例中,所述根据所述目标设备数据,提取设备的状态信息步骤,具体为:根据所述目标设备数据,判断所述目标设备数据的特征变化;基于所述目标设备数据的特征变化,提取设备的状态信息。
一种设备预测性维护装置,包括数据采集模块、数据预处理模块、状态提取模块、模型训练模块和部署集成模块,其中:所述数据采集模块用于,通过传感器获取设备数据,所述设备数据分为设备正常数据和设备故障数据;所述数据预处理模块用于,对获取的设备数据进行预处理,得到目标设备数据;所述状态提取模块用于,根据所述目标设备数据,提取设备的状态信息;所述模型训练模块用于,基于所述状态信息,根据二次平均法建立预测模型,所述预测模型用于预测设备的故障发生时间;所述部署集成模块用于,部署所述预测模型到对应的设备,显示所述预测模型对设备的故障预测;所述部署集成模块还用于,根据所述故障预测,对各设备进行事前防护维护。
一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述各个实施例中所述的一种设备预测性维护方法的步骤。
一种存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述各个实施例中所述的一种设备预测性维护方法的步骤。
上述一种设备预测性维护方法、装置、计算机设备及存储介质,通过传感器获取设备数据,并对获取的设备数据进行预处理,得到目标设备数据;根据目标设备数据,提取设备的状态信息;并基于状态信息,根据二次平均法建立预测模型,同时部署预测模型到对应的设备,显示预测模型对设备的故障预测;并根据所述故障预测,对各设备进行事前防护维护。从而实现预估设备将在何时发生故障,通过此方式,企业可提前制定维护计划、更好地管理备件库存、消除计划外停机,并最大限度延长设备寿命。
附图说明
图1为一个实施例中一种设备预测性维护方法的应用场景图;
图2为一个实施例中一种设备预测性维护方法的流程示意图;
图3为一个实施例中一种设备预测性维护装置的结构框图;
图4是一个实施例中计算机设备的内部结构图。
附图中,云端1、移动端2、服务器3、传感器4、设备5。
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,下面通过具体实施方式结合附图对本发明做进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本申请提供的一种设备预测性维护方法,可以应用于如图1所示的应用环境中。其中,预测模型设置在云端1上,而工作人员能够通过移动端2接收云端1上传输的预测结果,同时预测结果还可以通过网络连接在服务器3(即web端)进行显示,传感器4对设备5进行实时的设备数据检测和采集,并将采集到的设备数据发送到云端2的预测模型中进行预测。其中,每个工作人员人员都有一个移动端2,移动端2可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备,服务器3可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种设备预测性维护方法,包括以下步骤:
S110通过传感器获取设备数据,所述设备数据分为设备正常数据和设备故障数据。
在一个实施例中,步骤S110中设备数据至少包括电流数据、电压数据和温度数据。
具体地,第一步就是通过传感器,采集代表正常和故障运行的大量传感器数据(如:电流(I)、电压(V)、温度(℃)等)。但在某些情况下,工厂可能没有足够多的表示设备正常运行或故障运行的数据。作为一种替代选择,可以通过Matlab软件构建设备的数学模型,并通过传感器数据预估其参数。然后使用不同操作条件下的故障状态对此模型进行仿真,以生成故障数据,后续结合使用这种合成的数据和传感器数据来开发预测性维护算法。
S120对获取的设备数据进行预处理,得到目标设备数据。
在一个实施例中,步骤S120中预处理至少包括对所述设备数据进行去噪处理、剔除异常处理和删除缺失值处理。
在一个实施例中,步骤S120中预处理还包括通过傅里叶变换将所述设备数据转换为频域信号。
具体地,获得数据后,下一步是预处理数据,以将其转换为可轻松提取状态的形式。预处理包括诸如去噪、剔除异常值和删除缺失值等。还包括通过傅里叶变换将设备采集的电流时域信号转换为频域信号。
S130根据目标设备数据,提取设备的状态信息。
在一个实施例中,步骤S130具体为:根据目标设备数据,判断目标设备数据的特征变化;基于目标设备数据的特征变化,提取设备的状态信息。
具体地,数据处理完后,下一步进行状态提取。随着设备系统性能的下降,上面采集的设备运行状态数据(如:电流频率、温度等)特征会发生变化。这些特征变化就可用于区分正常运行和故障运行。例如,随着泵的性能下降,频率数据的峰值向左移动。因此峰值频率可作为表示设备健康情况的一个指示状态。其它特征状态值提取,采用类似的方法进行。
S140基于状态信息,根据二次平均法建立预测模型,预测模型用于预测设备的故障发生时间。
具体地,过上面一步提取的一些特征状态,可以借助这些特征来理解设备的正常运行和故障运行。但并不清楚发生故障前,还能运行多长时间,所以需要通过模型训练来预测设备可能发生故障的时间。
下面通过二次移动平均法对设备可能故障时间进行预测:
公式如下:
yt+T=at+btT
其中,Yt为时间序列中观察值;第t期的一次移动平均值;第t期的二次移动平均值;N为计算移动平均值的跨越期;at为截距,即第t期现象的基础水平。bt为斜率,即第t期现象的单位时间变化量;T为预测的周期数;
下面通过设备电流值(I)进行预测,预测下一周期的数据,取N=5进行计算:
预测2021-09-13的电流特征值为:
预测2021-09-14的电流特征值为:
下次故障时间:
根据预测的电流值和设定的阀值进行比较,当预测值大于等于阀值时,预测电流值的所处周期数(t),就是下次故障的时间。
S150部署预测模型到对应的设备,显示预测模型对设备的故障预测。
具体地,算法模型开发完后,将算法部署到云端或边缘设备上来启动和运行它,并把预测的时间,在相应的应用终端进行显示。
S160根据故障预测,对各设备进行事前防护维护。
具体地,让现场工作人员实时了解设备可能的故障时间,并进行有针对性的事前预防维护。
上述实施例中,通过传感器获取设备数据,并对获取的设备数据进行预处理,得到目标设备数据;根据目标设备数据,提取设备的状态信息;并基于状态信息,根据二次平均法建立预测模型,同时部署预测模型到对应的设备,显示预测模型对设备的故障预测;并根据所述故障预测,对各设备进行事前防护维护。从而实现预估设备将在何时发生故障,通过此方式,企业可提前制定维护计划、更好地管理备件库存、消除计划外停机,并最大限度延长设备寿命。且状态监测主要对设备状态参数(振动、湿度、压力、温度等)进行监测,即采用传感器获取设备数据,再基于设备数据提取状态信息,并通过算法模型,识别出预示故障发展的差异。状态监测具有独特的优势,它可以发现通常会缩短正常寿命的状况,能够在这些状况发展成重大故障之前解决它们。状态监测技术通常用于旋转设备、辅助系统和其他机械(压缩机、泵、电动机、内燃机、压机等)。
在一个实施例中,如图3所示,提供了一种设备预测性维护装置200,该装置包括数据采集模块210、数据预处理模块220、状态提取模块230、模型训练模块240和部署集成模块250,其中:
数据采集模块210用于,通过传感器获取设备数据,设备数据分为设备正常数据和设备故障数据;
数据预处理模块220用于,对获取的设备数据进行预处理,得到目标设备数据;
状态提取模块230用于,根据目标设备数据,提取设备的状态信息;
模型训练模块240用于,基于状态信息,根据二次平均法建立预测模型,预测模型用于预测设备的故障发生时间;
部署集成模块250用于,部署预测模型到对应的设备,显示预测模型对设备的故障预测;
部署集成模块250还用于,根据故障预测,对各设备进行事前防护维护。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图4所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储配置模板,还可用于存储目标网页数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种设备预测性维护方法。
本领域技术人员可以理解,图4中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,还提供一种存储介质,所述存储介质存储有计算机程序,所述计算机程序包括程序指令,所述程序指令当被计算机执行时使所述计算机执行如前述实施例所述的方法,所述计算机可以为上述提到的一种设备预测性维护装置的一部分。
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,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random AccessMemory,RAM)等。
显然,本领域的技术人员应该明白,上述本发明的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在计算机存储介质(ROM/RAM、磁碟、光盘)中由计算装置来执行,并且在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。所以,本发明不限制于任何特定的硬件和软件结合。
以上内容是结合具体的实施方式对本发明所做的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替换,都应当视为属于本发明的保护范围。
Claims (8)
1.一种设备预测性维护方法,其特征在于,包括:
通过传感器获取设备数据,所述设备数据分为设备正常数据和设备故障数据;
对获取的设备数据进行预处理,得到目标设备数据;
根据所述目标设备数据,提取设备的状态信息;
基于所述状态信息,根据二次平均法建立预测模型,所述预测模型用于预测设备的故障发生时间;
部署所述预测模型到对应的设备,显示所述预测模型对设备的故障预测;
根据所述故障预测,对各设备进行事前防护维护。
2.如权利要求1所述的方法,其特征在于,所述设备数据至少包括电流数据、电压数据和温度数据。
3.如权利要求1所述的方法,其特征在于,所述预处理至少包括对所述设备数据进行去噪处理、剔除异常处理和删除缺失值处理。
4.如权利要求1所述的方法,其特征在于,所述预处理还包括通过傅里叶变换将所述设备数据转换为频域信号。
5.如权利要求1所述的方法,其特征在于,所述根据所述目标设备数据,提取设备的状态信息步骤,具体为:
根据所述目标设备数据,判断所述目标设备数据的特征变化;
基于所述目标设备数据的特征变化,提取设备的状态信息。
6.一种设备预测性维护装置,其特征在于,包括数据采集模块、数据预处理模块、状态提取模块、模型训练模块和部署集成模块,其中:
所述数据采集模块用于,通过传感器获取设备数据,所述设备数据分为设备正常数据和设备故障数据;
所述数据预处理模块用于,对获取的设备数据进行预处理,得到目标设备数据;
所述状态提取模块用于,根据所述目标设备数据,提取设备的状态信息;
所述模型训练模块用于,基于所述状态信息,根据二次平均法建立预测模型,所述预测模型用于预测设备的故障发生时间;
所述部署集成模块用于,部署所述预测模型到对应的设备,显示所述预测模型对设备的故障预测;
所述部署集成模块还用于,根据所述故障预测,对各设备进行事前防护维护。
7.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述方法的步骤。
8.一种存储介质,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5中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111114382.7A CN113705840A (zh) | 2021-09-23 | 2021-09-23 | 一种设备预测性维护方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111114382.7A CN113705840A (zh) | 2021-09-23 | 2021-09-23 | 一种设备预测性维护方法、装置、计算机设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113705840A true CN113705840A (zh) | 2021-11-26 |
Family
ID=78661736
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111114382.7A Pending CN113705840A (zh) | 2021-09-23 | 2021-09-23 | 一种设备预测性维护方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113705840A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114442568A (zh) * | 2021-12-21 | 2022-05-06 | 机械工业仪器仪表综合技术经济研究所 | 一种便携式工业智能与预测性维护装置及操作方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5168136A (en) * | 1991-10-15 | 1992-12-01 | Otis Elevator Company | Learning methodology for improving traffic prediction accuracy of elevator systems using "artificial intelligence" |
WO2015116047A1 (en) * | 2014-01-29 | 2015-08-06 | Hewlett-Packard Development Company, L.P. | Predictive analytics utilizing real time events |
CN106933649A (zh) * | 2016-12-21 | 2017-07-07 | 华南师范大学 | 基于移动平均和神经网络的虚拟机负载预测方法及系统 |
CN107679648A (zh) * | 2017-09-08 | 2018-02-09 | 上海电力学院 | 布谷鸟搜索优化二次移动平均法的月度用电量预测方法 |
CN108583569A (zh) * | 2018-03-26 | 2018-09-28 | 刘福珍 | 一种基于二重移动平均算法的碰撞预警装置 |
US20190235484A1 (en) * | 2018-01-31 | 2019-08-01 | Hitachi, Ltd. | Deep learning architecture for maintenance predictions with multiple modes |
CN110109441A (zh) * | 2019-04-15 | 2019-08-09 | 北京航天自动控制研究所 | 一种激光惯组故障预测方法和系统 |
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 |
CN111413937A (zh) * | 2020-04-07 | 2020-07-14 | 浙江工业大学 | 一种拉削装备远程监控与预测性维护系统及故障预测方法 |
CN111612648A (zh) * | 2020-05-19 | 2020-09-01 | 广东电网有限责任公司电力调度控制中心 | 光伏发电预测模型的训练方法、装置和计算机设备 |
CN112578891A (zh) * | 2020-12-01 | 2021-03-30 | 深圳前海有电物联科技有限公司 | 不间断电源预测性维护方法、装置及存储介质 |
-
2021
- 2021-09-23 CN CN202111114382.7A patent/CN113705840A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5168136A (en) * | 1991-10-15 | 1992-12-01 | Otis Elevator Company | Learning methodology for improving traffic prediction accuracy of elevator systems using "artificial intelligence" |
WO2015116047A1 (en) * | 2014-01-29 | 2015-08-06 | Hewlett-Packard Development Company, L.P. | Predictive analytics utilizing real time events |
CN106933649A (zh) * | 2016-12-21 | 2017-07-07 | 华南师范大学 | 基于移动平均和神经网络的虚拟机负载预测方法及系统 |
CN107679648A (zh) * | 2017-09-08 | 2018-02-09 | 上海电力学院 | 布谷鸟搜索优化二次移动平均法的月度用电量预测方法 |
US20190235484A1 (en) * | 2018-01-31 | 2019-08-01 | Hitachi, Ltd. | Deep learning architecture for maintenance predictions with multiple modes |
CN108583569A (zh) * | 2018-03-26 | 2018-09-28 | 刘福珍 | 一种基于二重移动平均算法的碰撞预警装置 |
CN110109441A (zh) * | 2019-04-15 | 2019-08-09 | 北京航天自动控制研究所 | 一种激光惯组故障预测方法和系统 |
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 |
CN111413937A (zh) * | 2020-04-07 | 2020-07-14 | 浙江工业大学 | 一种拉削装备远程监控与预测性维护系统及故障预测方法 |
CN111612648A (zh) * | 2020-05-19 | 2020-09-01 | 广东电网有限责任公司电力调度控制中心 | 光伏发电预测模型的训练方法、装置和计算机设备 |
CN112578891A (zh) * | 2020-12-01 | 2021-03-30 | 深圳前海有电物联科技有限公司 | 不间断电源预测性维护方法、装置及存储介质 |
Non-Patent Citations (3)
Title |
---|
刁俊武;李文星;阮航;: "大数据在设备预测性维修中的应用研究", 当代化工研究 * |
孙春林;林兆福;: "航空发动机状态监控和故障诊断系统", 中国民航大学学报 * |
王晓云;: "矿山设备预测性维修大数据分析系统的建设", 科技创新导报 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114442568A (zh) * | 2021-12-21 | 2022-05-06 | 机械工业仪器仪表综合技术经济研究所 | 一种便携式工业智能与预测性维护装置及操作方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR101903283B1 (ko) | 발전 설비의 자동 진단 시스템 및 자동 진단 방법 | |
Yang | An intelligent condition-based maintenance platform for rotating machinery | |
US10496466B2 (en) | Preprocessor of abnormality sign diagnosing device and processing method of the same | |
CN102141808B (zh) | 汽轮发电机组嵌入式故障预诊断系统及方法 | |
CN113708493B (zh) | 基于云边协同的配电终端运维方法、装置和计算机设备 | |
CN110119128B (zh) | 一种用于实验室用电设备的监控管理系统 | |
CN111579243A (zh) | 一种基于深度迁移学习的滚动轴承智能诊断系统 | |
CN111353911A (zh) | 电力设备运维方法、系统、设备和存储介质 | |
CN113436194B (zh) | 一种风电机组的异常检测方法、装置及设备 | |
US20190265088A1 (en) | System analysis method, system analysis apparatus, and program | |
CN113705840A (zh) | 一种设备预测性维护方法、装置、计算机设备及存储介质 | |
CN108805427B (zh) | 一种基于大数据的配电网运行状态风险预警系统 | |
Liao et al. | Data-driven Machinery Prognostics Approach using in a Predictive Maintenance Model. | |
Bette et al. | Nonstationarity in correlation matrices for wind turbine SCADA‐data | |
US20180330255A1 (en) | Fault signal recovery system and method | |
CN110838940B (zh) | 地下电缆巡检任务配置方法和装置 | |
CN111177488B (zh) | 计量设备检修处理方法、装置、计算机设备和存储介质 | |
CN117092918A (zh) | 一种基于云边协同的燃气传感智能控制方法 | |
CN116221037A (zh) | 一种风电机组监测方法和装置 | |
US11339763B2 (en) | Method for windmill farm monitoring | |
CN114837902A (zh) | 一种风电机组健康度评估方法、系统、设备和介质 | |
CN113689042A (zh) | 监测节点的故障源预测方法 | |
Srilakshmi et al. | A Review on Fault Detection Diagnosis and Prognosis in Vibration Measurement through Wavelets on Machine Elements | |
CN114626400A (zh) | 设备故障诊断装置、设备故障诊断方法、智能工厂系统和应用代理 | |
Roberts et al. | An Investigation on the Usability of High-Frequency Wind Tur-bine Controller Data for Predictive Maintenance |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20230606 Address after: Room 1-1-18, Unit 1, Building 4, No. 1580 Zhiyun Avenue, Yudong Street, Banan District, Chongqing, 401320 Applicant after: Chongqing Yunfeng Technology Co.,Ltd. Address before: 408300 building a, 59 Chaoyang Road, Dianjiang Industrial Park, Chongqing Applicant before: Chongqing Yuncheng Internet Technology Co.,Ltd. |
|
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20211126 |