CN114154360B - 一种高压内啮合齿轮泵多物理场概率数字孪生建模方法 - Google Patents
一种高压内啮合齿轮泵多物理场概率数字孪生建模方法 Download PDFInfo
- Publication number
- CN114154360B CN114154360B CN202111215842.5A CN202111215842A CN114154360B CN 114154360 B CN114154360 B CN 114154360B CN 202111215842 A CN202111215842 A CN 202111215842A CN 114154360 B CN114154360 B CN 114154360B
- Authority
- CN
- China
- Prior art keywords
- digital twin
- gear pump
- internal gear
- information
- pressure internal
- 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
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000004088 simulation Methods 0.000 claims abstract description 43
- 238000005457 optimization Methods 0.000 claims abstract description 6
- 230000003993 interaction Effects 0.000 claims abstract description 5
- 230000015556 catabolic process Effects 0.000 claims description 9
- 238000006731 degradation reaction Methods 0.000 claims description 9
- 238000013461 design Methods 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 238000013076 uncertainty analysis Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 239000000463 material Substances 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 239000012530 fluid Substances 0.000 claims description 3
- 238000010438 heat treatment Methods 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 230000003746 surface roughness Effects 0.000 claims description 3
- 238000005299 abrasion Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000035882 stress Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000004643 material aging Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000010349 pulsation Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000010206 sensitivity analysis Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
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
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Control Of Positive-Displacement Pumps (AREA)
Abstract
本发明公开了一种高压内啮合齿轮泵多物理场概率数字孪生建模方法，包括步骤为：S1、采集泵的流场信息、结构场信息、温度场信息和运行状态信息；S2、构建仿真模型；S3、构建数字孪生模型；S4、构建概率数字孪生模型；S5、交互反馈实体、数字孪生模型、概率数字孪生模型和数据库之间信息，迭代优化，构建的概率数字孪生模型可以对泵进行预测、优化和决策；本方法利用构建的数字孪生模型结合流‑固‑热多场仿真方法，可以得到更加精确的仿真结果，捕捉不确定性对高压内啮合齿轮泵的影响，可以更好的帮助预测、优化和决策。
Description
技术领域
本发明涉及多物理场概率数字孪生建模方法领域，具体涉及一种高压内啮合齿轮泵多物理场概率数字孪生建模方法。
背景技术
高压内啮合齿轮泵具有结构简单紧凑，流量、压力脉动小等优点，广泛应用于机床、船舶、飞机、汽车等机械行业，具有良好的发展前景。然而，国产内啮合齿轮泵高压化后振动噪声大、可靠性低，与装备相配套的高压内啮合齿轮泵大多采用进口产品。
内啮合齿轮泵在高压和流-固-热多场作用下更易引起元件材料性能的退化，存在着与磨损、材料老化等紧密相关的多种性能退化机制，对高压内啮合齿轮泵的可靠运行产生巨大影响。如何实时监控、预测、优化和控制高压内啮合齿轮泵的运行状态是亟需解决的难题。
发明内容
针对上述存在的技术不足，本发明的目的是提供一种高压内啮合齿轮泵多物理场概率数字孪生建模方法，其通过概率数字孪生技术，在虚拟空间对高压内啮合齿轮泵的物理实体进行多物理场仿真和模拟、分析各物理场信息的不确定性，实现实时监控、预测、优化和决策的目的。
为解决上述技术问题，本发明采用如下技术方案：
本发明提供一种高压内啮合齿轮泵多物理场概率数字孪生建模方法，包括以下步骤：
S1、实时采集并保存高压内啮合齿轮泵的流场信息、结构场信息、温度场信息和运行状态信息；
S2、构建多物理场，包括结构场、流场以及温度场，根据步骤S1中采集的信息结合数据库中的历史信息构建仿真模型；
S3、采用流-固-热多场仿真方法，计算高压内啮合齿轮泵的运行状态，并将仿真结果与采集到的实际运行状态对比，不断修正仿真模型，结合实时采集的动态信息构建数字孪生模型；
S4、基于数字孪生模型，利用试验设计方法结合退化和故障的不确定性分析构建概率数字孪生模型；
S5、使实体、数字孪生模型、概率数字孪生模型、数据库之间信息交互反馈，实时更新，利用构建的概率数字孪生模型对高压内啮合齿轮泵进行预测、优化和决策。
优选地，步骤S1中的流场信息包括流体的粘度、速度分布、压强分布以及流经路线。
优选地，步骤S1中的结构场信息包括：高压内啮合齿轮泵的几何信息、装配关系、各零部件的尺寸公差、表面粗糙度、材料属性以及热处理工艺。
优选地，步骤S1中的温度场信息包括高压内啮合齿轮泵实体的温度分布、内部流场的温度分布、高压内啮合齿轮泵的入口温度以及出口温度。
优选地，步骤S1中的运行状态信息包括高压内啮合齿轮泵应力分布、磨损情况、疲劳损伤、振动以及噪音。
优选地，步骤S4中构建概率数字孪生模型的步骤为：
S41、利用试验设计方法，对高压内啮合齿轮泵的结构参数、工况参数进行抽样得到多组样本点；
S42、将每一个样本点输入构建的数字孪生仿真模型，计算得到流场、结构场、温度场的随机响应样本；
S43、根据所得的样本点构建流场、结构场、温度场的代理模型；
S44、基于所建立的代理模型，结合退化和故障的不确定性分析以及实时采集的动态信息，构建高压内啮合齿轮泵概率数字孪生模型。
优选地，步骤S5中信息交互反馈的方法为：
S51、将采集的流场信息、结构场信息、温度场信息以及数据库信息输入高压内啮合齿轮泵数字孪生模型；
S52、数字孪生模型反馈高压内啮合齿轮泵运行状态；
S53、将步骤S41中抽取的样本点输入数字孪生模型；
S54、数字孪生模型反馈各样本点对应的运行状态仿真结果；
S55、将采集的流场信息、结构场信息、温度场信息以及数据库信息输入高压内啮合齿轮泵概率数字孪生模型；
S56、反馈概率数字孪生模型分析结果，帮助对高压内啮合齿轮泵的预测、优化和决策；
S57、将采集到的实时信息以及构建的数字孪生模型、概率数字孪生模型保存到数据库
本发明的有益效果在于：
内啮合齿轮泵的运行状态是流场、结构场和温度场多场作用的结果，内啮合齿轮泵在高压工况下更易出现故障，本专利在构建多物理场数字孪生模型的基础上，考虑了多物理场的不确定性及其对齿轮泵运行状态的随机影响，构建了齿轮泵多物理场概率数字孪生模型，实现了不确定环境下多物理场及运行状态的实时分析，可为高压内啮合齿轮泵的性能预测、优化和决策提供基础。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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的附图。
图1为本发明实施例提供的一种高压内啮合齿轮泵多物理场概率数字孪生建模方法的框架图；
图2为本发明实施例提供的一种高压内啮合齿轮泵多物理场概率数字孪生建模方法的流程图；
图3为本发明实施例提供的高压内啮合齿轮泵磨损量实测值、普通仿真模型磨损量仿真结果和数字孪生模型磨损量仿真结果示意图。
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。
如图1至图3所示，一种高压内啮合齿轮泵多物理场概率数字孪生建模方法，包括以下步骤：
步骤(1)，通过无线传感网络进行采集，通过设置无线流量传感器、温度传感器、压力传感器等，实现流场信息、结构场信息、温度场信息和运行状态信息的实时采集；
流场信息采集主要包括：通过在线粘度计，实时测量流体的粘度；
通过压力传感器，实时测量高压内啮合齿轮泵入口和出口的压强；
通过PIV流场测量系统，实时测量流场的速度分布、流经路线等。
结构场信息采集主要包括：通过三维扫描仪，测量高压内啮合齿轮泵的几何信息；收集高压内啮合齿轮泵的装配关系、各零部件的尺寸公差、表面粗糙度、材料属性和热处理工艺等信息。
温度场信息采集主要包括：通过红外热像仪，实时采集高压内啮合齿轮泵实体的温度分布、内部流场的温度分布、高压内啮合齿轮泵的入口温度以及出口温度。
运行状态信息采集主要包括：通过动态应力应变测试系统，实时采集高压内啮合齿轮泵应力分布；
通过测长法，测量高压内啮合齿轮泵的磨损情况、疲劳裂纹；
通过振动监测技术，实时采集高压内啮合齿轮泵的振动；
通过噪声测量仪器，实时采集高压内啮合齿轮泵的噪音。
通过安装在高压内啮合齿轮泵结构表面和嵌入内部的传感器，获得上述多个物理场信息的变化情况，用以监测高压内啮合齿轮泵的运行状态。
步骤(2)，综合使用SolidWorks三维建模软件、ABAQUS有限元仿真软件，构建多物理场的仿真模型，所述多物理场包括：结构场、流场、温度场；
根据采集的高压内啮合齿轮泵流场信息、结构场信息、温度场信息和数据库构建高压内啮合齿轮泵仿真模型；
通过仿真模型结合流-固-热多场仿真方法，通过有限元仿真计算高压内啮合齿轮的运行状态；
将仿真结果与采集到的实际运行状态对比，如果两者之间的差值超出规定的误差范围，则修正仿真参数，不断修正仿真模型，直到仿真结果与采集到的实际运行状态之间的误差在合理的范围内(图3以一种运行状态信息--磨损量为例给出了示意图)，修正的仿真模型结合实时采集的动态信息构建数字孪生模型。
修正过程是通过对比运行状态的仿真值与实际值，对之前所构建的仿真模型参数进行调整。补充一个方法：
通过对仿真模型参数进行灵敏度分析，对影响齿轮泵运行状态的参数进行排序；设置仿真值与实际值之间偏差允许的阈值；当运行状态的仿真值与实际值之间偏差超过阈值时，对灵敏度高的参数进行调整，直至仿真值与实际值之间偏差满足要求；
构建数字孪生模型步骤是建立一个与实际齿轮泵完全一致的齿轮泵仿真模型，当仿真模型可替代实际齿轮泵时，即实现了数字孪生。之前的仿真模型构建、运行状态对比皆属于齿轮泵数字孪生模型的构建过程(先有齿轮泵数字孪生模型，再建立其概率数字孪生模型)。
步骤(3)，参照《试验设计方法》，包括拉丁超立方抽样设计、田口设计等方法，对高压内啮合齿轮泵的流场信息、结构场信息、温度场信息进行抽样得到多组样本点；
将每一个样本点输入步骤(2)构建的数字孪生模型，计算得到对应的运行状态仿真结果；
根据样本点和运行状态仿真结果构建代理模型；使用代理模型方法如Kriging，神经网络方法等；
对代理模型进行误差分析，判断代理模型是否合理，对不合理的代理模型重新进行试验设计，直到选择最合理的代理模型；
代理模型结合退化和故障的不确定性分析以及实时采集的动态信息，构建高压内啮合齿轮泵概率数字孪生模型。
概率数字孪生模型是在代理模型的基础上，进一步结合实时的退化和故障的不确定性，使得建立的代理模型能够准确描述实际的退化和故障状态，概率数字孪生模型是在齿轮泵数字孪生模型的基础上，考虑不确定性后，建立的随机响应模型，体现的是不确定环境对齿轮泵可靠性的影响，可用于齿轮泵的可靠性评估。
步骤(4)，将采集的流场信息、结构场信息、温度场信息以及数据库信息输入高压内啮合齿轮泵数字孪生模型；
数字孪生模型反馈高压内啮合齿轮泵运行状态；
将步骤3中抽取的样本点输入数字孪生模型；
数字孪生模型反馈各样本点对应的运行状态仿真结果；
将采集的流场信息、结构场信息、温度场信息以及数据库信息输入高压内啮合齿轮泵概率数字孪生模型；
反馈概率数字孪生模型分析结果，帮助对高压内啮合齿轮泵的预测、优化和决策；
将采集到的实时信息以及构建的数字孪生模型、概率数字孪生模型保存到数据库。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (5)
1.一种高压内啮合齿轮泵多物理场概率数字孪生建模方法，其特征在于，包括以下步骤：
S1、实时采集并保存高压内啮合齿轮泵的流场信息、结构场信息、温度场信息和运行状态信息；
S2、构建多物理场，包括结构场、流场以及温度场，根据步骤S1中采集的信息结合数据库中的历史信息构建仿真模型；
S3、采用流-固-热多场仿真方法，计算高压内啮合齿轮泵的运行状态，并将仿真结果与采集到的实际运行状态对比，不断修正仿真模型，结合实时采集的动态信息构建数字孪生模型；
S4、基于数字孪生模型，利用试验设计方法结合退化和故障的不确定性分析构建概率数字孪生模型；具体为：
S41、利用试验设计方法，对高压内啮合齿轮泵的结构参数、工况参数进行抽样得到多组样本点；
S42、将每一个样本点输入构建的数字孪生仿真模型，计算得到流场、结构场、温度场的随机响应样本；
S43、根据所得的样本点构建流场、结构场、温度场的代理模型；
S44、基于所建立的代理模型，结合退化和故障的不确定性分析以及实时采集的动态信息，构建高压内啮合齿轮泵概率数字孪生模型；
S5、使实体、数字孪生模型、概率数字孪生模型、数据库之间信息交互反馈，实时更新，利用构建的概率数字孪生模型对高压内啮合齿轮泵进行预测、优化和决策；具体为：
S51、将采集的流场信息、结构场信息、温度场信息以及数据库信息输入高压内啮合齿轮泵数字孪生模型；
S52、数字孪生模型反馈高压内啮合齿轮泵运行状态；
S53、将步骤S41中抽取的样本点输入数字孪生模型；
S54、数字孪生模型反馈各样本点对应的运行状态仿真结果；
S55、将采集的流场信息、结构场信息、温度场信息以及数据库信息输入高压内啮合齿轮泵概率数字孪生模型；
S56、反馈概率数字孪生模型分析结果，帮助对高压内啮合齿轮泵的预测、优化和决策；
S57、将采集到的实时信息以及构建的数字孪生模型、概率数字孪生模型保存到数据库。
2.如权利要求1所述的一种高压内啮合齿轮泵多物理场概率数字孪生建模方法，其特征在于，步骤S1中的流场信息包括流体的粘度、速度分布、压强分布以及流经路线。
3.如权利要求1所述的一种高压内啮合齿轮泵多物理场概率数字孪生建模方法，其特征在于，步骤S1中的结构场信息包括：高压内啮合齿轮泵的几何信息、装配关系、各零部件的尺寸公差、表面粗糙度、材料属性以及热处理工艺。
4.如权利要求1所述的一种高压内啮合齿轮泵多物理场概率数字孪生建模方法，其特征在于，步骤S1中的温度场信息包括高压内啮合齿轮泵实体的温度分布、内部流场的温度分布、高压内啮合齿轮泵的入口温度以及出口温度。
5.如权利要求1所述的一种高压内啮合齿轮泵多物理场概率数字孪生建模方法，其特征在于，步骤S1中的运行状态信息包括高压内啮合齿轮泵应力分布、磨损情况、疲劳损伤、振动以及噪音。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111215842.5A CN114154360B (zh) | 2021-10-19 | 2021-10-19 | 一种高压内啮合齿轮泵多物理场概率数字孪生建模方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111215842.5A CN114154360B (zh) | 2021-10-19 | 2021-10-19 | 一种高压内啮合齿轮泵多物理场概率数字孪生建模方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114154360A CN114154360A (zh) | 2022-03-08 |
| CN114154360B true CN114154360B (zh) | 2023-12-01 |
Family
ID=80462803
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111215842.5A Active CN114154360B (zh) | 2021-10-19 | 2021-10-19 | 一种高压内啮合齿轮泵多物理场概率数字孪生建模方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114154360B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115310227B (zh) * | 2022-08-09 | 2023-06-16 | 重庆大学 | 齿轮动力传播数字孪生模型构建方法 |
| CN115470682B (zh) * | 2022-10-20 | 2023-05-05 | 江苏大学 | 基于数字孪生的泵站机组水力部件磨损及寿命预测方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8991242B2 (en) * | 2009-06-05 | 2015-03-31 | Snecma | Device and method for detecting a fault in a low-pressure fuel pump of a turbojet and turbojet including one such device |
| WO2020056405A1 (en) * | 2018-09-14 | 2020-03-19 | Northwestern University | Data-driven representation and clustering discretization method and system for design optimization and/or performance prediction of material systems and applications of same |
| CN112115649A (zh) * | 2020-09-29 | 2020-12-22 | 郑州轻工业大学 | 基于数字孪生的立磨机多场耦合系统工艺参数优化方法 |
| CN112487584A (zh) * | 2020-12-03 | 2021-03-12 | 天津工业大学 | 一种基于动力学的滚动轴承数字孪生建模方法 |
| CN112765748A (zh) * | 2021-01-25 | 2021-05-07 | 长安大学 | 机理-数据异构信息融合的旋转机械数字孪生建模方法 |
| CN113221263A (zh) * | 2021-04-20 | 2021-08-06 | 浙江工业大学 | 一种考虑分布参数不确定性的机械产品结构失效优化方法 |
| CN113255220A (zh) * | 2021-05-31 | 2021-08-13 | 西安交通大学 | 一种基于数字孪生的齿轮泵维护方法 |
-
2021
- 2021-10-19 CN CN202111215842.5A patent/CN114154360B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8991242B2 (en) * | 2009-06-05 | 2015-03-31 | Snecma | Device and method for detecting a fault in a low-pressure fuel pump of a turbojet and turbojet including one such device |
| WO2020056405A1 (en) * | 2018-09-14 | 2020-03-19 | Northwestern University | Data-driven representation and clustering discretization method and system for design optimization and/or performance prediction of material systems and applications of same |
| CN112115649A (zh) * | 2020-09-29 | 2020-12-22 | 郑州轻工业大学 | 基于数字孪生的立磨机多场耦合系统工艺参数优化方法 |
| CN112487584A (zh) * | 2020-12-03 | 2021-03-12 | 天津工业大学 | 一种基于动力学的滚动轴承数字孪生建模方法 |
| CN112765748A (zh) * | 2021-01-25 | 2021-05-07 | 长安大学 | 机理-数据异构信息融合的旋转机械数字孪生建模方法 |
| CN113221263A (zh) * | 2021-04-20 | 2021-08-06 | 浙江工业大学 | 一种考虑分布参数不确定性的机械产品结构失效优化方法 |
| CN113255220A (zh) * | 2021-05-31 | 2021-08-13 | 西安交通大学 | 一种基于数字孪生的齿轮泵维护方法 |
Non-Patent Citations (6)
| Title |
|---|
| "Creation of a Digital Twin Model, Redesign of Plant Structure and New Fuzzy Logic Controller for the Cooling System of a Railway Locomotive";Poce, M 等;《Applications in Electronics Pervading Industry, Environment and Society. APPLEPIES 2020. Lecture Notes in Electrical Engineering》;全文 * |
| "Digital Twins in Extended Reality for Control System Applications";Stanislav Jeršov 等;《2020 43rd International Conference on Telecommunications and Signal Processing (TSP)》;第274-279页 * |
| "内啮合齿轮泵烧泵原因分析及改进措施";吴艳 等;《工程机械》;第51卷(第12期);第74-78页 * |
| "基于数字孪生的旋转设备故障诊断技术研究";叶伦宽;叶伦宽;第B016-184页 * |
| "基于数字孪生的配电开关柜温度传感器数据可靠性研究";王瑞果 等;《电力大数据;第24卷(第06期);第27-35页 * |
| "面向智能终端结构件加工的数字孪生车间关键技术研究及应用";关辉;《中国优秀硕士学位论文全文数据库（工程科技Ⅱ辑）》;第C029-275页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114154360A (zh) | 2022-03-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114154360B (zh) | 一种高压内啮合齿轮泵多物理场概率数字孪生建模方法 | |
| CN110069860B (zh) | 伸缩节可靠性疲劳寿命评估方法 | |
| CN108959778B (zh) | 一种基于退化模式一致性的航空发动机剩余寿命预测方法 | |
| CN111597708A (zh) | 压缩机质量预警服务的方法、系统、可读介质和电子设备 | |
| CN109670549B (zh) | 火电机组的数据筛选方法、装置以及计算机设备 | |
| CN112364567A (zh) | 一种基于退化轨迹相似度一致检验的剩余寿命预测方法 | |
| Qin et al. | Remaining useful life prediction for rotating machinery based on optimal degradation indicator | |
| CN118194026B (zh) | 一种燃气发电数据分析系统 | |
| CN114936520B (zh) | 基于改进mset的汽轮机故障预警分析方法 | |
| CN115327979A (zh) | 基于高斯建模及线性贝叶斯估计的状态监测方法及组件 | |
| CN114861349B (zh) | 一种基于模型迁移和维纳过程的滚动轴承rul预测方法 | |
| CN117115169A (zh) | 一种汽车配件压铸模具表面形变异常智能识别方法 | |
| CN114826543A (zh) | 一种基于ai0t的蒸汽引射泵参数传输系统及方法 | |
| CN117216647A (zh) | 车身焊接设备预测性维护及故障诊断方法和系统 | |
| CN113449465A (zh) | 一种用于滚动轴承的寿命预测方法 | |
| CN111859773A (zh) | 基于正则化粒子滤波的电动闸阀故障确定方法及系统 | |
| CN118362164B (zh) | 可扭转柳叶簧的生产质量分析方法及系统 | |
| CN110674461A (zh) | 基于多块投影非负矩阵分解的化工生产过程监控方法 | |
| CN118445625B (zh) | 一种建筑结构故障预测方法 | |
| CN117171665B (zh) | 基于机器学习的试井曲线流动阶段识别方法 | |
| CN117972365B (zh) | 一种隧底群桩压力承载监测系统和监测方法 | |
| CN118361650B (zh) | 一种基于大数据模型的智能疏水方法 | |
| CN117931897B (zh) | 一种加热装置温度数据运行监测方法 | |
| CN117557574B (zh) | 基于图像处理的材料参数检测方法及系统 | |
| CN117150973B (zh) | 一种轴流泵沟槽参数的确定方法及装置 |
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 |