CN114274185B - 一种基于电流信号的工业机器人健康分数计算方法 - Google Patents
一种基于电流信号的工业机器人健康分数计算方法 Download PDFInfo
- Publication number
- CN114274185B CN114274185B CN202111595954.8A CN202111595954A CN114274185B CN 114274185 B CN114274185 B CN 114274185B CN 202111595954 A CN202111595954 A CN 202111595954A CN 114274185 B CN114274185 B CN 114274185B
- Authority
- CN
- China
- Prior art keywords
- current data
- threshold line
- health score
- degradation
- normal
- 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
- 230000036541 health Effects 0.000 title claims abstract description 44
- 238000004364 calculation method Methods 0.000 title claims abstract description 9
- 230000015556 catabolic process Effects 0.000 claims abstract description 35
- 238000006731 degradation reaction Methods 0.000 claims abstract description 35
- 238000001514 detection method Methods 0.000 claims abstract description 30
- 238000000034 method Methods 0.000 claims abstract description 19
- 238000012847 principal component analysis method Methods 0.000 claims abstract description 5
- 239000011159 matrix material Substances 0.000 claims description 36
- 238000009826 distribution Methods 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000006467 substitution reaction Methods 0.000 claims description 5
- 239000013598 vector Substances 0.000 claims description 5
- 230000009467 reduction Effects 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 230000003595 spectral effect Effects 0.000 claims description 3
- 230000000737 periodic effect Effects 0.000 claims 1
- 230000036962 time dependent Effects 0.000 claims 1
- 238000004519 manufacturing process Methods 0.000 abstract description 8
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000009776 industrial production Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000001010 compromised effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Landscapes
- Complex Calculations (AREA)
Abstract
本发明提供了一种基于电流信号的工业机器人健康分数计算方法,通过采集工业机器人的电流信号,提取特征,通过主成分分析方法选取有效特征的方法获取电流数据的特征值,得到模型参数,确定模型置信度,得到机器人退化阈值线和失效阈值线,计算样本的统计量T2,通过统计量T2初步确定故障检测结果,将结果标记为正常、退化、失效三种情况。再统计各个时间窗内检测结果,并采用所述的健康分值计算方法计算各个时间点的健康分值,构建健康分值曲线。本发明所采用的方法在构建模型时,不需要故障数据,是无监督的方法,对数据要求不高,适用于实际生产应用。
Description
技术领域
本发明涉及一种机器人拖动示教性能测试系统及测试方法,属于机器人检测技术领域。
背景技术
目前,随着工业生产技术的发展,工业机器人在生产中逐渐普及。在高度自动化的生产系统中,若有工业机器人发生故障,将导致经济损失,甚至危及人身安全。因此早期的故障预警可以排除隐患,避免发生重大安全事故。
由于高度集成的自动化生产系统十分复杂,难以建立高精度的复杂数学模型。现代传感技术快速发展,能够快速准确地获取生产过程中的大量运行数据,深度挖掘这些数据,可以获得设备的状态信息和故障特征。
工业机器人是工业生产中的核心部分,生产过程中需要快速准确地检测出机器人故障,对早期的故障做出预警。人工进行故障巡检需要专业技术人员对现场状况进行判断,作业时间长、效率低,不能实现有效的健康情况监测。通常工业机器人发生故障时,会产生振动和电流摆动的情况,因此振动和电流通知分析的工业机器人故障检测与预测方法在实际中较为常用。但是振动传感器的成本较高,并且振动传感器安装的位置更为考究,安装在不同位置的振动传感器反映故障特征能力不同;各个轴上的振动传感器是侵入式安装,并且引出信号线,可能会影响机器人的正常运行;振动传感器需要定期维护以保障精度;生产车间内复杂的工况会引起振动噪声。而电流传感器采用电流互感器,价格低廉,做到非侵入式安装,并且易于安装,对安装位置无特别要求,不易受到噪声干扰。相比之下,基于电流信号的故障检测和健康情况监测,传感器信号获取和经济成本更具优势。
发明内容
本发明的目的是:针对工业机器人的故障预测问题,可采用基于数据驱动的方法,根据电流信号包含的故障特征,进行工业机器人的健康情况监测,并通过健康值表征机器人部件的退化程度。
为了达到上述目的,本发明的技术方案是提供了一种基于电流信号的工业机器人健康分数计算方法,其特征在于,包括以下步骤:
S001:采用电流互感器检测工业机器人各个轴的原始电流数据,并对所述的原始电流数据进行预处理,原始电流数据包括多个正常周期的原始电流信号和多个故障周期的电流信号;
S002:对步骤S001所述的预处理后的部分正常电流数据进行特征值提取,构成特征值矩阵Xn×m,其中,n表示上述正常电流数据的样本个数,m表示从上述正常电流数据样本中提取到的特征变量的个数;
S003:采用主成分分析方法对步骤S002所获得的特征值矩阵Xn×m进行降维,选取故障特征贡献率最大的前k个主成分构成且前k个主成分的累积贡献率达到95%以上,具体包括以下步骤:
步骤301:基于步骤S002获得的特征值矩阵Xn×m计算得到协方差矩阵∑,∑=E(XT·X)=XT·X/(n-1),式中,E表示期望,X为步骤S002获得的特征值矩阵Xn×m,XT为X的转置矩阵;
步骤302:计算协方差矩阵∑的特征值和特征向量,并将所计算的特征值按从大到小顺序排列,即∧={λ1,λ2,......,λ13},λ1,λ2,......,λ13表示协方差矩阵∑的特征值,且有λ1>λ2>…>λ13,并将所计算的特征向量按照对应的特征值顺序进行重新排列,即∨={p1,p2,......,p13},p1,p2,......,p13为特征值λ1,λ2,......,λ13所对应的特征向量;
步骤302:在∧中取累积贡献率大于95%的前k个特征构成其中:
前k个特征的累积贡献率表示为Contk,则有:
获得降维后的k个主成分式中,/>X为步骤S002获得的特征值矩阵Xn×m,/>为由∨中前k列特征向量组成的矩阵;
S004:确定退化阈值线与失效阈值线;
S005:获得多个周期的新的电流数据样本,对每一个新的电流数据样本,采用步骤S001至步骤S003相同的步骤对电流数据样本进行特征提取后得到样本矩阵xnew;
S006:基于样本矩阵xnew计算霍特林统计量T2如下式所示:
依据电流数据样本的霍特林统计量T2随时间的变化获得统计量曲线;
S007:对于统计量曲线上超过失效阈值线的点,初步检测结果为失效;对于统计量曲线上超过退化阈值线但不超过失效阈值线的点,初步检测结果为退化;对于统计量曲线上不超过退化阈值线的点,初步检测结果为正常。
优选地,所述的预处理包括周期性截取、异常值剔除、缺失值填充。
优选地,步骤S002中,所提取的特征值包括均值、方差、标准差、均方根、峰值、峰峰值、时域积分、偏度、峭度、主频、频谱熵、小波能量、小波能量熵。
优选地,步骤S004中,依据下式确定退化阈值线与失效阈值线:
式中,n表示样本数量;k表示主成分个数;Fα(k,n-k)是服从第一自由度为k、第二自由度为n-k的F分布;
1-α是置信度,退化阈值线的置信度为0.80,查F分布表可得F0.2(k,n-k)代入从而计算得到的Tα为退化阈值线;失效阈值线的置信度为0.98,查F分布表可得F0.02(k,n-k)代入/>从而计算得到的Tα为失效阈值线。
优选地,通过步骤S007获得初步检测结果后,还计算健康分值,并基于健康分值构建健康分值曲线,该健康分值曲线是时间窗内电流数据样本算出的健康分值随时间变化的曲线。
优选地,设时间窗长度为t,则时间点i的健康分值Hi通过统计时间点i-t+1至时间点i内的电流数据样本的正常、退化、失效情况,即统计时间点i前时间窗内的电流数据样本的正常、退化、失效情况,如下式所示:
式中,sij表示时间点i所对应的时间窗内初步检测结果为状态j的电流数据样本的数量,状态j为正常、退化或失效;wj表示状态j的健康分值计算权重。
本发明通过采集工业机器人的电流信号,提取特征,通过主成分分析方法选取有效特征的方法获取电流数据的特征值,得到模型参数,确定模型置信度,得到机器人退化阈值线和失效阈值线,计算样本的统计量T2,通过统计量T2初步确定故障检测结果,将结果标记为正常、退化、失效三种情况。再统计各个时间窗内检测结果,并采用所述的健康分值计算方法计算各个时间点的健康分值,构建健康分值曲线。
采用本发明结合主成分分析的故障检测方法,可以有效地提取工业机器人电流数据的有效特征信息,防止作业环境噪声对采集数据的干扰,并将数据降维,防止数据维度过大,建立模型,将电流数据的特征通过统计量T2呈现,用于判断初步检测结果,并将结果分为正常、退化和失效三类。本发明为防止初步检测结果异常值的影响并将检测结果直观呈现,构建了健康分值计算方法,绘制健康分值曲线,通过三次样条插值拟合已有健康分值点,可以预测此后的机器人健康情况。本发明所采用的方法在构建模型时,不需要故障数据,是无监督的方法,对数据要求不高,适用于实际生产应用。
附图说明
图1是本发明所述的基于电流信号的工业机器人故障检测方法实施的流程图;
图2是采用本发明所述的实施方法的统计量曲线的效果图;
图3是采用本发明所述的实施方法的健康分值曲线的效果图。
具体实施方式
下面结合具体实施例,进一步阐述本发明。应理解,这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解,在阅读了本发明讲授的内容之后,本领域技术人员可以对本发明作各种改动或修改,这些等价形式同样落于本申请所附权利要求书所限定的范围。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
图1是本发明的实施例的基于电流信号的工业机器人故障检测方法的流程图,如图所示,本实施例所述的故障检测方法分为以下步骤:
S001:采用电流互感器检测工业机器人各个轴的原始电流数据,并对所述的原始电流数据进行预处理。
所述电流互感器安装在工业机器人控制柜和本体间的信号线上,本实施例中共采集428个正常周期的原始电流信号和63个故障周期的电流信号。
所述的预处理包括周期性截取、异常值剔除、缺失值填充。
S002:对步骤S001所述的预处理后的部分正常电流数据进行特征值提取,构成特征值矩阵Xn×m。特征值选取将影响故障检测方法的性能,其中,n表示上述正常电流数据的样本个数,m表示从上述正常电流数据样本中提取到的特征变量的个数,本实施例中,n为200,m为13。
步骤S002中,所提取的特征值包括均值、方差、标准差、均方根、峰值、峰峰值、时域积分、偏度、峭度、主频、频谱熵、小波能量、小波能量熵。
S003:采用主成分分析方法对步骤S002所获得的特征值矩阵X200×13进行降维,选取故障特征贡献率最大的前k个主成分构成且前k个主成分的累积贡献率达到95%以上,具体包括以下步骤:
步骤301:基于步骤S002获得的特征值矩阵X200×13计算得到协方差矩阵∑,∑=E(XT·X)=XT·X/(n-1),式中,E表示期望,X为步骤S002获得的特征值矩阵X200×13,XT为X的转置矩阵;
步骤302:计算协方差矩阵∑的特征值和特征向量,并将所计算的特征值按从大到小顺序排列,即∧={λ1,λ2,......,λ13},λ1,λ2,......,λ13表示协方差矩阵∑的特征值,且有λ1>λ2>…>λ13,并将所计算的特征向量按照对应的特征值顺序进行重新排列,即∨={p1,p2,......,p13},p1,p2,......,p13为特征值λ1,λ2,......,λ13所对应的特征向量;
步骤302:在∧中取累积贡献率大于95%的前k个特征构成其中:
前k个特征的累积贡献率表示为Contk,则有:
本实施例中,计算得到k=5,则获得降维后的5个主成分有:
式中,X为步骤S002获得的特征值矩阵X200×13,为由∨中前5列特征向量组成的矩阵。
S004:确定退化阈值线与失效阈值线,阈值线依据下式确定:
式中,n表示样本数量;k表示主成分个数;Fα(k,n-k)是服从第一自由度为k、第二自由度为n-k的F分布,1-α是置信度,退化阈值线的置信度为0.80,查F分布表可得F0.2(5,195)代入从而计算得到的Tα为退化阈值线,失效阈值线的置信度为0.98,查F分布表可得F0.02(5,195)代入/>从而计算得到的Tα为失效阈值线。
S005:对每一个新的电流数据样本,采用步骤S001至步骤S003相同的步骤对电流数据样本进行特征提取后得到样本矩阵xnew。
S006:基于样本矩阵xnew计算霍特林统计量T2如下式所示:
依据电流数据样本的霍特林统计量T2随时间的变化获得统计量曲线,T2同时服从多元正态F分布。
S007:对于统计量曲线上超过失效阈值线的点,初步检测结果为失效;对于统计量曲线上超过退化阈值线但不超过失效阈值线的点,初步检测结果为退化;对于统计量曲线上不超过退化阈值线的点,初步检测结果为正常。
基于上述步骤S005至步骤S007,本实施例对另外采集的228组工业机器人的电流数据计算霍特林统计量T2,如图2所示228组电流数据中前165组为正常数据,后63组为故障数据。
为避免异常值对故障检测的影响,并直观展示工业机器人的健康情况,本发明在通过步骤S007获得初步检测结果后,还计算健康分值,并基于健康分值构建健康分值曲线,该健康分值曲线是时间窗内电流数据样本算出的健康分值随时间变化的曲线。
设时间窗长度为t,则时间点i的健康分值Hi通过统计时间点i-t+1至时间点i内的电流数据样本的正常、退化、失效情况,即统计时间点i前时间窗内的电流数据样本的正常、退化、失效情况,如下式所示:
式中,sij表示时间点i所对应的时间窗内初步检测结果为状态j的电流数据样本的数量,状态j为正常、退化或失效;wj表示状态j的健康分值计算权重。
本实施例中,228组电流数据健康值计算如图3所示。
Claims (3)
1.一种基于电流信号的工业机器人健康分数计算方法,其特征在于,包括以下步骤:
S001:采用电流互感器检测工业机器人各个轴的原始电流数据,并对所述的原始电流数据进行预处理,原始电流数据包括多个正常周期的原始电流信号和多个故障周期的电流信号;
S002:对步骤S001所述的预处理后的部分正常电流数据进行特征值提取,构成特征值矩阵Xn×m,其中,n表示上述正常电流数据的样本个数,m表示从上述正常电流数据样本中提取到的特征变量的个数;
S003:采用主成分分析方法对步骤S002所获得的特征值矩阵Xn×m进行降维,选取故障特征贡献率最大的前k个主成分构成且前k个主成分的累积贡献率达到95%以上,具体包括以下步骤:
步骤301:基于步骤S002获得的特征值矩阵Xn×m计算得到协方差矩阵Σ,Σ=E(XT·X)=XT·X/(n-1),式中,E表示期望,X为步骤S002获得的特征值矩阵Xn×m,XT为X的转置矩阵;
步骤302:计算协方差矩阵Σ的特征值和特征向量,并将所计算的特征值按从大到小顺序排列,即∧={λ1,λ2,……,λ13},λ1,λ2,……,λ13表示协方差矩阵Σ的特征值,且有λ1>λ2>…>λ13,并将所计算的特征向量按照对应的特征值顺序进行重新排列,即∨={p1,p2,……,p13},p1,p2,……,p13为特征值λ1,λ2,……,λ13所对应的特征向量;
步骤302:在∧中取累积贡献率大于95%的前k个特征构成其中:
前k个特征的累积贡献率表示为Contk,则有:
获得降维后的k个主成分式中,/>X为步骤S002获得的特征值矩阵Xn×m,/>为由∨中前k列特征向量组成的矩阵;
S004:确定退化阈值线与失效阈值线,其中,依据下式确定退化阈值线与失效阈值线:
式中,n表示样本数量;k表示主成分个数;Fα(k,n-k)是服从第一自由度为k、第二自由度为n-k的F分布;
1-α是置信度,退化阈值线的置信度为0.80,查F分布表可得F0.2(k,n-k)代入从而计算得到的Tα为退化阈值线;失效阈值线的置信度为0.98,查F分布表可得F0.02(k,n-k)代入/>从而计算得到的Tα为失效阈值线;
S005:获得多个周期的新的电流数据样本,对每一个新的电流数据样本,采用步骤S001至步骤S003相同的步骤对电流数据样本进行特征提取后得到样本矩阵xnew;
S006:基于样本矩阵xnew计算霍特林统计量T2如下式所示:
依据电流数据样本的霍特林统计量T2随时间的变化获得统计量曲线;
S007:对于统计量曲线上超过失效阈值线的点,初步检测结果为失效;对于统计量曲线上超过退化阈值线但不超过失效阈值线的点,初步检测结果为退化;对于统计量曲线上不超过退化阈值线的点,初步检测结果为正常;
S008:计算健康分值,并基于健康分值构建健康分值曲线,该健康分值曲线是时间窗内电流数据样本算出的健康分值随时间变化的曲线,其中,设时间窗长度为t,则时间点i的健康分值Hi通过统计时间点i-t+1至时间点i内的电流数据样本的正常、退化、失效情况,即统计时间点i前时间窗内的电流数据样本的正常、退化、失效情况,如下式所示:
式中,sij表示时间点i所对应的时间窗内初步检测结果为状态j的电流数据样本的数量,状态j为正常、退化或失效;wj表示状态j的健康分值计算权重。
2.如权利要求1所述的一种基于电流信号的工业机器人健康分数计算方法,其特征在于,所述的预处理包括周期性截取、异常值剔除、缺失值填充。
3.如权利要求1所述的一种基于电流信号的工业机器人健康分数计算方法,其特征在于,步骤S002中,所提取的特征值包括均值、方差、标准差、均方根、峰值、峰峰值、时域积分、偏度、峭度、主频、频谱熵、小波能量、小波能量熵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111595954.8A CN114274185B (zh) | 2021-12-24 | 2021-12-24 | 一种基于电流信号的工业机器人健康分数计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111595954.8A CN114274185B (zh) | 2021-12-24 | 2021-12-24 | 一种基于电流信号的工业机器人健康分数计算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114274185A CN114274185A (zh) | 2022-04-05 |
CN114274185B true CN114274185B (zh) | 2024-04-12 |
Family
ID=80874680
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111595954.8A Active CN114274185B (zh) | 2021-12-24 | 2021-12-24 | 一种基于电流信号的工业机器人健康分数计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114274185B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004337556A (ja) * | 2003-05-13 | 2004-12-02 | Yasuo Fujii | 生体情報取得手段を具備し健康管理機能を備えたロボット |
DE202008012487U1 (de) * | 2008-09-19 | 2010-02-18 | Tabatabaei, Nejat Mahdavi, Dr.-Ing. | Inertiales Bahnvermessungsgerät zur Kalibrierung von Werkzeugmaschinen und Robotern |
CN109359873A (zh) * | 2018-10-24 | 2019-02-19 | 哈工大机器人(山东)智能装备研究院 | 一种基于pca-t2的滚珠丝杠副健康评估方法 |
CN109886430A (zh) * | 2019-01-24 | 2019-06-14 | 同济大学 | 一种基于工业大数据的设备健康状态评估与预测方法 |
-
2021
- 2021-12-24 CN CN202111595954.8A patent/CN114274185B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004337556A (ja) * | 2003-05-13 | 2004-12-02 | Yasuo Fujii | 生体情報取得手段を具備し健康管理機能を備えたロボット |
DE202008012487U1 (de) * | 2008-09-19 | 2010-02-18 | Tabatabaei, Nejat Mahdavi, Dr.-Ing. | Inertiales Bahnvermessungsgerät zur Kalibrierung von Werkzeugmaschinen und Robotern |
CN109359873A (zh) * | 2018-10-24 | 2019-02-19 | 哈工大机器人(山东)智能装备研究院 | 一种基于pca-t2的滚珠丝杠副健康评估方法 |
CN109886430A (zh) * | 2019-01-24 | 2019-06-14 | 同济大学 | 一种基于工业大数据的设备健康状态评估与预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114274185A (zh) | 2022-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3441947B1 (en) | System and method for remaining useful life determination | |
CN110414155B (zh) | 一种带有单测点的风机部件温度异常检测和报警方法 | |
Shi et al. | Rolling bearing initial fault detection using long short-term memory recurrent network | |
CA2868643C (en) | Wind turbine and method for evaluating the health state of the blades thereof | |
JP6141235B2 (ja) | 時系列データにおける異常を検出する方法 | |
US20130060524A1 (en) | Machine Anomaly Detection and Diagnosis Incorporating Operational Data | |
WO2011125130A1 (ja) | プラントの診断装置、診断方法、及び診断プログラム | |
CN110414154B (zh) | 一种带有双测点的风机部件温度异常检测和报警方法 | |
CN108956111B (zh) | 一种机械部件的异常状态检测方法及检测系统 | |
EP3480455B1 (en) | Wind turbine monitoring device, wind turbine monitoring method, wind turbine monitoring program, and storage medium | |
CN113657221A (zh) | 一种基于智能感知技术的电厂设备状态监测方法 | |
CN109255201B (zh) | 一种基于som-mqe的滚珠丝杠副健康评估方法 | |
Joung et al. | Development and application of a method for real time motor fault detection | |
CN103646013B (zh) | 一种基于协方差矩阵范数逼近的多重故障重构方法 | |
CN112598144A (zh) | 基于相关性分析的cnn-lstm突发故障预警方法 | |
CN110969185A (zh) | 基于数据重构的设备异常状态检测方法 | |
CN113029616A (zh) | 一种基于增强熵权的压缩机喘振早期故障特征提取方法 | |
CN115220396A (zh) | 一种数控机床智能监控方法及系统 | |
CN114274185B (zh) | 一种基于电流信号的工业机器人健康分数计算方法 | |
US20160275407A1 (en) | Diagnostic device, estimation method, non-transitory computer readable medium, and diagnostic system | |
CN117560300B (zh) | 一种智能物联网流量预测与优化系统 | |
KR20230125116A (ko) | 머신러닝 클러스터링 알고리즘과 통계적 기법을 이용해 고장 데이터가 부재한 시스템의 결함 탐지 및 고장 진단 예측 방법 | |
CN108508860A (zh) | 一种基于耦合关系的流程工业生产系统数据监测方法 | |
JP6685124B2 (ja) | 診断装置及び診断方法 | |
CN116383750A (zh) | 一种基于加窗差分健康指标的滚动轴承早期异常检测方法 |
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 |