CN114135477A - 一种机泵设备状态监测动态阈值预警方法 - Google Patents
一种机泵设备状态监测动态阈值预警方法 Download PDFInfo
- Publication number
- CN114135477A CN114135477A CN202111183572.4A CN202111183572A CN114135477A CN 114135477 A CN114135477 A CN 114135477A CN 202111183572 A CN202111183572 A CN 202111183572A CN 114135477 A CN114135477 A CN 114135477A
- Authority
- CN
- China
- Prior art keywords
- fault
- early warning
- trend
- normal
- equipment
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000001914 filtration Methods 0.000 claims abstract description 24
- 238000005070 sampling Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 6
- 238000013459 approach Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 abstract description 2
- 238000007619 statistical method Methods 0.000 abstract description 2
- 230000008901 benefit Effects 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- QAOWNCQODCNURD-UHFFFAOYSA-N Sulfuric acid Chemical compound OS(O)(=O)=O QAOWNCQODCNURD-UHFFFAOYSA-N 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000004092 self-diagnosis Methods 0.000 description 1
- 239000002002 slurry Substances 0.000 description 1
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
- F04B—POSITIVE-DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS
- F04B51/00—Testing machines, pumps, or pumping installations
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
- F04B—POSITIVE-DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS
- F04B49/00—Control, e.g. of pump delivery, or pump pressure of, or safety measures for, machines, pumps, or pumping installations, not otherwise provided for, or of interest apart from, groups F04B1/00 - F04B47/00
- F04B49/10—Other safety measures
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明属于设备状态监测应用技术领域，涉及一种机泵设备状态监测动态阈值预警方法。本发明基于物联网在线监测系统，对机泵设备监测趋势数据进行统计分析，并提出一种趋势滤波与自学习预警阈值，曲线斜率变化的故障预警模型相结合的机械故障早期预警方法，通过对机泵实时振动信号得到的实时振动趋势曲线进行滤波处理，并分别与实验得出的设备运行振动趋势曲线阈值自学习预警区间和实时振动趋势曲线斜率进行对比，从而达到机泵设备早期故障预警的目的，降低故障误报警的频次，提高系统故障报警的准确度。
Description
技术领域
本发明属于设备状态监测应用技术领域，涉及一种机泵设备状态监测动态阈值预警方法。
背景技术
机泵设备广泛运用于流程工业中，其安全、稳定、长周期地运行能够为企业带来良好的经济效益和社会效益，因此，实现机泵设备早期故障预警至关重要。目前机泵设备的状态监测常规预警方式发出报警时，实际设备健康状况已经恶化到一定程度，本方法与常规报警方式相比，属于机械智能预警的范畴，可以在缓变故障发生的早期就发出预警，实现了机泵缓慢变化故障的早期预警，弥补常规报警方式在机泵缓变故障预警上的不足。
发明内容
本发明目的在于提供一种机泵设备状态监测动态阈值预警方法，基于物联网在线监测系统，对设备监测趋势数据进行统计分析，并提出一种趋势滤波与自学习预警阈值，曲线斜率变化的故障预警模型相结合的机械故障早期预警方法。
本发明采用如下技术方案：
一种机泵设备状态监测动态阈值预警方法，利用趋势滤波技术对实时采集到的机泵设备的振动特征信号进行滤波处理，根据滤波处理后的振动特征信号得到动态阈值报警区间及振动曲线斜率，当两者均分别超过自学习阈值范围和正常振动趋势斜率时，设备进行故障报警，具体步骤如下：
Step1：选取机泵设备平稳运行且正常状态下的正常趋势数据以及机泵设备振动特征信号实时趋势数据；
选取机泵设备正常工况状态的监测数据x(t)为参考数据，提取设备振动特征信号实时监测数据y(t)，并对两者进行计算分别得出设备平稳运行t秒的正常趋势数据X(N)和实时趋势数据Y(N)，X(N)＝{X1，X2，…，XN}，Y(N)＝{Y1，Y2，…，YN}，其中N＝fs·t，fs为采样频率，N为采样点数，XN为第N个采样点对应的正常监测数据，YN第N个采样点对应的实时监测数据。
Step2：对正常趋势数据进行滤波预处理，得到正常趋势数据的振动特征曲线并计算斜率，选取某点的斜率Kio作为参考斜率；
求取正常趋势数据的振动特征曲线上各点的导数值，并选取正常运行状态下的某一点io，使该点处的导数值Kio作为参考数值，作为斜率判断的参考标准。
Step3：对正常趋势数据进行归一化处理并计算监测参数趋势数据比值函数jhdiv，得到自学习预警阈值区间；
按照不同设备的不同运行工况，预先设定故障比值参数x，针对不同故障点将故障发生部件特征频率与设备实际运行振动速度有效值利用比值函数jhdiv进行比值计算，根据计算出的结果与故障报警裕度值x进行对比，当比值计算结果大于故障报警裕度值x且实时振动值超过标准即达到故障等级，则形成故障自学习阈值区间。x的取值根据以往设备的故障案例监测数据训练得出，不同故障机理等级、不同的监测参数所对应的故障比值参数x也不相同。故障等级为烈度级，分别为4.50、7.10、对应区间分别为2.8-4.5mm/s，4.5-7.1mm/s，7.1-1.12mm/s，1.12-1.8mm/s。故障自学习阈值区间分为正常阈值区间、轻微故障阈值区间、较严重故障阈值区间和严重故障阈值区间。
Step4：利用振动趋势滤波方法对实时趋势数据进行趋势滤波得到实时滤波趋势和实时趋势数据的振动特征曲线，同时取其振动特征曲线上任一点导数值Ki；
Step5：若实时滤波趋势不在自学习预警阈值区间内且以及Ki≥m.Kio，则设备发出故障报警，反之则不发出故障报警，其中，m为调整参数。参考点导数值Kio越趋近于0，调整参数m需要越大；参考点导数值越远离0，调整参数m需要越小。
有益效果：本发明通过对机泵实时振动信号得到的实时振动趋势曲线进行滤波处理，并分别与实验得出的设备运行振动趋势曲线阈值自学习预警区间和实时振动趋势曲线斜率进行对比，从而达到机泵设备早期故障预警的目的，降低故障误报警的频次，提高系统故障报警的准确度。
附图说明
图1：本发明方法原理图；
图2：本发明方法动态阈值预警流程图；
图3：本发明故障自学习流程图；
图4：实施例2中机泵设备状态监测动态阈值预警逻辑判断图。
具体实施方式
为使本发明目的、技术方案更清楚，下面结合附图和具体实施例对本发明做进一步的详细说明和解释。
实施例1：一种机泵设备状态监测动态阈值预警方法，如图1所示，主要利用趋势滤波技术对实时采集到的机泵设备的振动特征信号进行滤波处理，根据滤波处理后的振动特征信号得到动态阈值报警区间及振动曲线斜率，当两者均分别超过自学习阈值范围和正常振动趋势斜率时，设备进行故障报警，具体步骤如图2所示：
Step1：选取机泵设备平稳运行且正常状态下的正常趋势数据以及机泵设备振动特征信号实时趋势数据；
选取机泵设备正常工况状态的监测数据x(t)为参考数据，提取设备振动特征信号实时监测数据y(t)，并对两者进行计算分别得出设备平稳运行t秒的正常趋势数据X(N)和实时趋势数据Y(N)，X(N)＝{X1，X2，…，XN}，Y(N)＝{Y1，Y2，…，YN}，其中N＝fs·t，fs为采样频率，N为采样点数，XN为第N个采样点对应的正常监测数据，YN第N个采样点对应的实时监测数据。
Step2：对正常趋势数据进行滤波预处理，得到正常趋势数据的振动特征曲线并计算斜率，选取某点的斜率Kio作为参考斜率；
求取正常趋势数据的振动特征曲线上各点的导数值，并选取正常运行状态下的某一点io，使该点处的导数值Kio作为参考数值，作为斜率判断的参考标准。
Step3：对正常趋势数据进行归一化处理并计算监测参数趋势数据比值函数jhdiv，得到自学习预警阈值区间，如图3所示；
按照不同设备的不同运行工况，预先设定故障比值参数x，针对不同故障点将故障发生部件特征频率与设备实际运行振动速度有效值利用比值函数jhdiv进行比值计算，根据计算出的结果与故障报警裕度值x进行对比，当比值计算结果大于故障报警裕度值x且实时振动值超过标准即达到故障等级，则形成故障自学习阈值区间。x的取值根据以往设备的故障案例监测数据训练得出，不同故障机理等级、不同的监测参数所对应的故障比值参数x也不相同。故障等级为烈度级，分别为4.50、7.10、对应区间分别为2.8-4.5mm/s，4.5-7.1mm/s，7.1-1.12mm/s，1.12-1.8mm/s。故障自学习阈值区间分为正常阈值区间、轻微故障阈值区间、较严重故障阈值区间和严重故障阈值区间。
故障比值参数x、报警阈值区间可通过自诊断系统进行动态学习控制，实现阈值区间与斜率共同作用来对实时振动趋势曲线进行动态阈值自适应控制，不再单一的依靠人为设定的数值进行阈值判断，而是通过设备运行过程中的数据分析和故障发生频率不断地对系统进行规则自修正，自适应。
Step4：仅通过自学习阈值可能会遗漏故障暂未达到阈值，但振动特征值曲线故障趋势明显的情况。根据趋势滤波处理后的平滑机泵真实振动趋势曲线，按照振动趋势曲线求导公式求取曲线上各点的导数值，预先设定曲线斜率调整参数m，并选取正常工况运行下的某一点作为参考点进行实际曲线斜率的安全裕度计算。利用振动趋势滤波方法对实时趋势数据进行趋势滤波得到实时滤波趋势和实时趋势数据的振动特征曲线，同时取其振动特征曲线上任一点导数值Ki；
Step5：若实时滤波趋势不在自学习预警阈值区间内且以及Ki≥m.Kio，则设备发出故障报警，反之则不发出故障报警，其中，m为调整参数。参考点导数值Kio越趋近于0，调整参数m需要越大；参考点导数值越远离0，调整参数m需要越小。
实施例2：本实施例以某企业硫酸车间为例，车间内的浆液循环泵的常规报警烈度值为7.1mm/s、11.2mm/s，符合标准振动报警值，但实际设备由于弹性基础，导致设备本身整体振动偏大，但设备本身运行正常，因此将监测报警阈值做了适当的调整，将故障报警的阈值设定到11.2mm/s才进行报警。2018年三月底该设备某测点监测趋势出现缓慢爬升，在此之前振动烈度基本稳定在8.5mm/s附近，到四月中旬振动烈度值接近11.2mm/s，监测趋势中出现很明显的突增，但烈度值并未达到既定的设备严重故障的阈值区间，系统并未报警，导致故障已经恶化到一定程度。虽并未导致设备非计划停机检修，但增加了日常维修的成本。
本实施例中采用如图4所示的动态阈值预警方法，通过长时间的设备运行数据采集，大数据分析，动态自学习阈值预警方法会首先判断出设备正常运行状态下的趋势，并给出设备正常运行状态下的正常阈值区间。
根据自学习预警阈值算法结合故障出现的特征，当某一测点振动烈度超出正常阈值区间后开始分析其是否出现某一故障特有频率及其故障频率占比是否超过不同故障等级所对应的故障报警裕度值x，结合趋势曲线导数安全裕度计算，同时满足后计算出其自学习预警阈值区间，并将设备的故障等级进行划分(轻微故障：故障可不作处理/较严重故障：建议停机检修/严重故障：必须停机检修)。由于设备的实际运行情况较复杂，必须考虑到偶发性的振动大、斜率突发性超过正常趋势斜率、预警方法未能分析出的故障原因等因素导致的某一时刻点振动大的情况，将此类特殊情况列为待观察故障，后续设备运行过程中重复出现，提前进行故障报警，待人工排查故障原因。
常规的基于阈值的特征参数报警，无法精确判断设备的实际运行状况，所以当常规报警方式发生报警时，设备的实际情况已经恶化到一定程度。与常规的报警方式相比，此方法能够根据设备长时间的大数据分析，计算出与设备实际运行状况相匹配的故障自学习阈值区间，实现设备在缓慢变化故障的早期预警。
应该理解，上述实施例的描述只是示例性的，而并非要限制本发明的范围。在本领域普通技术人员所具备的知识范围内，在不脱离本发明宗旨的前提下作出各种变化均属于本发明的保护范围。
Claims (8)
1.一种机泵设备状态监测动态阈值预警方法，其特征在于：利用趋势滤波技术对实时采集到的机泵设备的振动特征信号进行滤波处理，根据滤波处理后的振动特征信号得到动态阈值报警区间及振动曲线斜率，当两者均分别超过自学习阈值范围和正常振动趋势斜率时，设备进行故障报警，具体步骤如下：
Step1：选取机泵设备平稳运行且正常状态下的正常趋势数据以及机泵设备振动特征信号实时趋势数据；
Step2：对正常趋势数据进行滤波预处理，得到正常趋势数据的振动特征曲线并计算斜率，选取某点的斜率Kio作为参考斜率；
Step3：对正常趋势数据进行归一化处理并计算监测参数趋势数据比值函数jhdiv，得到自学习预警阈值区间；
Step4：利用振动趋势滤波方法对实时趋势数据进行趋势滤波得到实时滤波趋势和实时趋势数据的振动特征曲线，同时取其振动特征曲线上任一点导数值Ki；
Step5：若实时滤波趋势不在自学习预警阈值区间内且以及Ki≥m.Kio，则设备发出故障报警，反之则不发出故障报警，其中，m为调整参数。
2.根据权利要求1所述的机泵设备状态监测动态阈值预警方法，其特征在于：所述Step1的具体过程为：选取机泵设备正常工况状态的监测数据x(t)为参考数据，提取设备振动特征信号实时监测数据y(t)，并对两者进行计算分别得出设备平稳运行t秒的正常趋势数据X(N)和实时趋势数据Y(N)，X(N)＝{X1，X2，…，XN}，Y(N)＝{Y1，Y2，…，YN}，其中N＝fs·t，fs为采样频率，N为采样点数，XN为第N个采样点对应的正常监测数据，YN第N个采样点对应的实时监测数据。
3.根据权利要求1所述的机泵设备状态监测动态阈值预警方法，其特征在于：所述Step2的具体过程为：求取正常趋势数据的振动特征曲线上各点的导数值，并选取正常运行状态下的某一点io，使该点处的导数值Kio作为参考数值，作为斜率判断的参考标准。
4.根据权利要求1所述的机泵设备状态监测动态阈值预警方法，其特征在于：所述Step3的具体过程为：按照不同设备的不同运行工况，预先设定故障比值参数x，针对不同故障点将故障发生部件特征频率与设备实际运行振动速度有效值利用比值函数jhdiv进行比值计算，根据计算出的结果与故障报警裕度值x进行对比，当比值计算结果大于故障报警裕度值x且实时振动值超过标准即达到故障等级，则形成故障自学习阈值区间。
5.根据权利要求4所述的机泵设备状态监测动态阈值预警方法，其特征在于：所述x的取值根据以往设备的故障案例监测数据训练得出，不同故障机理等级、不同的监测参数所对应的故障比值参数x也不相同。
6.根据权利要求4所述的机泵设备状态监测动态阈值预警方法，其特征在于：所述故障等级为烈度级，分别为4.50、7.10、对应区间分别为2.8-4.5mm/s，4.5-7.1mm/s，7.1-1.12mm/s，1.12-1.8mm/s。
7.根据权利要求4所述的机泵设备状态监测动态阈值预警方法，其特征在于：所述故障自学习阈值区间分为正常阈值区间、轻微故障阈值区间、较严重故障阈值区间和严重故障阈值区间。
8.根据权利要求1所述的机泵设备状态监测动态阈值预警方法，其特征在于：所述参考点导数值Kio越趋近于0，调整参数m需要越大；参考点导数值越远离0，调整参数m需要越小。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111183572.4A CN114135477B (zh) | 2021-10-11 | 2021-10-11 | 一种机泵设备状态监测动态阈值预警方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111183572.4A CN114135477B (zh) | 2021-10-11 | 2021-10-11 | 一种机泵设备状态监测动态阈值预警方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114135477A true CN114135477A (zh) | 2022-03-04 |
| CN114135477B CN114135477B (zh) | 2024-04-02 |
Family
ID=80394163
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111183572.4A Active CN114135477B (zh) | 2021-10-11 | 2021-10-11 | 一种机泵设备状态监测动态阈值预警方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114135477B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114962239A (zh) * | 2022-06-01 | 2022-08-30 | 黄河科技集团创新有限公司 | 一种基于智能物联网的设备故障检测方法 |
| CN115830830A (zh) * | 2022-11-21 | 2023-03-21 | 深圳市科皓信息技术有限公司 | 一种安全风险的主动预警方法 |
| CN116163943A (zh) * | 2023-03-27 | 2023-05-26 | 蚌埠市联合压缩机制造有限公司 | 一种运行状态实时监测的压缩机 |
| CN117150447A (zh) * | 2023-10-31 | 2023-12-01 | 长江水利委员会长江科学院 | 一种倾斜数据监测方法、系统、装置、设备及介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5950147A (en) * | 1997-06-05 | 1999-09-07 | Caterpillar Inc. | Method and apparatus for predicting a fault condition |
| CN1472674A (zh) * | 2003-08-04 | 2004-02-04 | 西安交通大学 | 基于概率模型的设备状态动态自适应报警方法 |
| CN109933905A (zh) * | 2019-03-13 | 2019-06-25 | 西安因联信息科技有限公司 | 一种基于多维预警分析的机械设备健康状态评估方法 |
| CN110208019A (zh) * | 2019-05-14 | 2019-09-06 | 北京博华信智科技股份有限公司 | 一种动设备状态监测动态阈值预警方法 |
| CN110925182A (zh) * | 2019-12-02 | 2020-03-27 | 上海宝钢工业技术服务有限公司 | 热轧产线除鳞泵振动劣化的预警方法 |
| CN111222247A (zh) * | 2020-01-13 | 2020-06-02 | 北京化工大学 | 一种旋转机械早期故障预警方法 |
| CN112395550A (zh) * | 2020-11-19 | 2021-02-23 | 中国船舶重工集团公司第七0四研究所 | 基于可视化特征参数矩阵的旋转机械故障预警方法 |
-
2021
- 2021-10-11 CN CN202111183572.4A patent/CN114135477B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5950147A (en) * | 1997-06-05 | 1999-09-07 | Caterpillar Inc. | Method and apparatus for predicting a fault condition |
| CN1472674A (zh) * | 2003-08-04 | 2004-02-04 | 西安交通大学 | 基于概率模型的设备状态动态自适应报警方法 |
| CN109933905A (zh) * | 2019-03-13 | 2019-06-25 | 西安因联信息科技有限公司 | 一种基于多维预警分析的机械设备健康状态评估方法 |
| CN110208019A (zh) * | 2019-05-14 | 2019-09-06 | 北京博华信智科技股份有限公司 | 一种动设备状态监测动态阈值预警方法 |
| CN110925182A (zh) * | 2019-12-02 | 2020-03-27 | 上海宝钢工业技术服务有限公司 | 热轧产线除鳞泵振动劣化的预警方法 |
| CN111222247A (zh) * | 2020-01-13 | 2020-06-02 | 北京化工大学 | 一种旋转机械早期故障预警方法 |
| CN112395550A (zh) * | 2020-11-19 | 2021-02-23 | 中国船舶重工集团公司第七0四研究所 | 基于可视化特征参数矩阵的旋转机械故障预警方法 |
Non-Patent Citations (1)
| Title |
|---|
| 张明;冯坤;江志农;: "基于动态自学习阈值和趋势滤波的机械故障智能预警方法", 振动与冲击, no. 24, pages 10 - 12 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114962239A (zh) * | 2022-06-01 | 2022-08-30 | 黄河科技集团创新有限公司 | 一种基于智能物联网的设备故障检测方法 |
| CN115830830A (zh) * | 2022-11-21 | 2023-03-21 | 深圳市科皓信息技术有限公司 | 一种安全风险的主动预警方法 |
| CN116163943A (zh) * | 2023-03-27 | 2023-05-26 | 蚌埠市联合压缩机制造有限公司 | 一种运行状态实时监测的压缩机 |
| CN116163943B (zh) * | 2023-03-27 | 2023-09-08 | 蚌埠市联合压缩机制造有限公司 | 一种运行状态实时监测的压缩机 |
| CN117150447A (zh) * | 2023-10-31 | 2023-12-01 | 长江水利委员会长江科学院 | 一种倾斜数据监测方法、系统、装置、设备及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114135477B (zh) | 2024-04-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114135477A (zh) | 一种机泵设备状态监测动态阈值预警方法 | |
| CN107247230B (zh) | 一种基于支持向量机和数据驱动的旋转电机状态监测方法 | |
| CN110208019B (zh) | 一种动设备状态监测动态阈值预警方法 | |
| CN113657221B (zh) | 一种基于智能感知技术的电厂设备状态监测方法 | |
| CN108181105B (zh) | 基于逻辑回归和j散度的滚动轴承故障预诊方法及系统 | |
| CN110648480B (zh) | 一种基于变化速率的单变量报警系统及方法 | |
| CN106649755B (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 | |
| CN116739384A (zh) | 基于5g无线通讯的矿用设备运行管理系统 | |
| CN105834835A (zh) | 一种基于多尺度主元分析的刀具磨损在线监测方法 | |
| CN106571016B (zh) | 一种基于报警次数跳变触发机制的机械早期故障判别方法 | |
| CN116044802B (zh) | 一种矿用通风机状态故障监测诊断系统 | |
| CN101870076A (zh) | 一种基于性能退化模型的数控机床导轨副寿命预测方法 | |
| CN110469496B (zh) | 一种水泵智能预警方法及系统 | |
| CN109141625B (zh) | 一种滚珠丝杠副的在线状态监测方法 | |
| CN116451044B (zh) | 基于数据分析的机加设备故障预警系统 | |
| CN110991074B (zh) | 一种位移传感器测量数据有效性的判定方法 | |
| CN107103425B (zh) | 发电设备运行状态计算机智能量化评价系统 | |
| CN117422310A (zh) | 一种全钢内衬层联动线群的电控决策优化方法 | |
| CN117028164A (zh) | 一种风电机组振动检测方法和设备 | |
| CN109240253B (zh) | 一种在线设备诊断及预防性维护方法及系统 | |
| CN117032102A (zh) | 一种基于大数据的设备故障预测方法和系统 | |
| CN116593829A (zh) | 基于数据分析的输电线路隐患在线监测系统 | |
| CN112525337B (zh) | 一种针对机械压力机振动监测数据预处理方法 | |
| CN118188558B (zh) | 基于数据分析的压缩机防喘振自动控制系统 | |
| CN113051814B (zh) | 一种转动设备性能劣化评估方法、装置及存储介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |