CN114638280A - 基于本地设备网络的防爆电机轴承温度异常监测系统 - Google Patents

基于本地设备网络的防爆电机轴承温度异常监测系统 Download PDF

Info

Publication number
CN114638280A
CN114638280A CN202210114795.3A CN202210114795A CN114638280A CN 114638280 A CN114638280 A CN 114638280A CN 202210114795 A CN202210114795 A CN 202210114795A CN 114638280 A CN114638280 A CN 114638280A
Authority
CN
China
Prior art keywords
bearing
sample motor
sample
motor bearing
temperature
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
Application number
CN202210114795.3A
Other languages
English (en)
Other versions
CN114638280B (zh
Inventor
孙文斌
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu Dongjia Electrical Co ltd
Original Assignee
Jiangsu Dongjia Electrical Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jiangsu Dongjia Electrical Co ltd filed Critical Jiangsu Dongjia Electrical Co ltd
Priority to CN202210114795.3A priority Critical patent/CN114638280B/zh
Publication of CN114638280A publication Critical patent/CN114638280A/zh
Application granted granted Critical
Publication of CN114638280B publication Critical patent/CN114638280B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
    • G01K7/00—Measuring temperature based on the use of electric or magnetic elements directly sensitive to heat ; Power supply therefor, e.g. using thermoelectric elements
    • G01K7/16—Measuring temperature based on the use of electric or magnetic elements directly sensitive to heat ; Power supply therefor, e.g. using thermoelectric elements using resistive elements
    • G01K7/18—Measuring temperature based on the use of electric or magnetic elements directly sensitive to heat ; Power supply therefor, e.g. using thermoelectric elements using resistive elements the element being a linear resistance, e.g. platinum resistance thermometer
    • 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
    • G01M13/04—Bearings
    • G01M13/045—Acoustic or vibration analysis
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • 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
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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
    • G06N3/08—Learning methods
    • 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"
    • 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
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/18—Status alarms
    • G08B21/185—Electrical failure alarms

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Human Resources & Organizations (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Biology (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Operations Research (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Probability & Statistics with Applications (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Acoustics & Sound (AREA)
  • Emergency Management (AREA)
  • Development Economics (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明涉及电数字数据处理技术领域，具体涉及基于本地设备网络的防爆电机轴承温度异常监测系统，该系统的控制系统包括控制器，控制器获取在各样本电机轴承对应的工作特征序列，计算各样本电机轴承的工作状况评价指标；根据工作状况评价指标和工作特征序列，计算任意两样本电机轴承之间的工作状态趋近度，计算各样本电机轴承在预设时间段内各时刻的健康指标；利用各样本电机轴承的工作特征序列与健康指标对目标预测网络进行训练，得到训练好的目标预测网络，对各样本电机轴承的健康指标进行预测。该系统应用于下一代信息网络产业，本发明基于计算机数据处理与监控，实现当电机轴承出现异常而温度过高时及时的向实施者发出预警。

Description

基于本地设备网络的防爆电机轴承温度异常监测系统
技术领域
本发明涉及电数字数据处理技术领域，具体涉及基于本地设备网络的防爆电机轴承温度异常监测系统。
背景技术
随着电气自动化的发展，许许多多的行业需要电机来帮助其生产。在生产中各个行业往往是加班加点的运作，因而电机时常处于一种超负荷的状态下，导致电机出现异常。防爆电机是一种可以在易燃易爆场所使用的一种电机；在易燃易爆的工作场地中所使用的电机要有一定的防爆要求，电机工作过程中，如果轴承出现异常，轴承温度会迅速增高，进而出现温度超标的情况，增加了危险性。
若电机轴承已经出现异常导致温度升高的情况，则无法进行及时的预警；因此如何对电机轴承的健康状况进行预测，以实现及时预警是目前需要解决的问题。
发明内容
为了解决现有技术无法对电机轴承的健康状态进行预测的问题，本发明的目的在于提供一种基于本地设备网络的防爆电机轴承温度异常监测系统，所采用的技术方案具体如下：
本发明提供了一种基于本地设备网络的防爆电机轴承温度异常监测系统，其特征在于，所述防爆电机轴承温度异常监测系统包括防爆电机，以及本地设备网络，所述本地设备网络包括控制器，以及与控制器信号连接的铂热电阻传感器和惯性式振动传感器；铂热电阻传感器用于检测电机轴承的温度，惯性式振动传感器用于检测电机轴承的振动频率；
控制器获取在预设时间段内各样本电机轴承对应的工作特征序列，所述工作特征序列包括振动频率序列和温度变化序列，所述电机轴承包括第一轴承和第二轴承；
根据各样本电机中各轴承的工作特征序列，计算各样本电机轴承对应的工作状况评价指标；根据各样本电机轴承对应的工作状况评价指标和各样本电机轴承对应的工作特征序列，计算任意两样本电机轴承之间的工作状态趋近度；
根据任意两样本电机轴承之间的工作状态趋近度，计算各样本电机轴承在预设时间段内各时刻对应的健康指标；
利用各样本电机轴承对应的工作特征序列与预设时间段内各时刻对应的健康指标对目标预测网络进行训练，得到训练好的目标预测网络，所述训练好的目标预测网络用于对各样本电机轴承下一时刻的健康指标进行预测。
优选的，计算各样本电机轴承对应的工作状况评价指标的公式为：
Figure BDA0003495838880000021
其中，Wα为样本电机轴承α对应的工作状况评价指标，Tα为样本电机轴承α对应的温度变化序列，Sα为样本电机轴承α对应的振动频率序列，mean()为平均值，max()为最大值，min()为最小值。
优选的，计算任意两样本电机轴承之间的工作状态趋近度的公式为：
Figure BDA0003495838880000022
其中，Rα,β为样本电机轴承α和样本电机轴承β之间的工作状态趋近度，Sα,β为样本电机轴承α对应的振动频率序列和样本电机轴承β对应的振动频率序列之间的余弦相似度，Wα为样本电机轴承α对应的工作状况评价指标，Wβ为样本电机轴承β对应的工作状况评价指标，Tα为样本电机轴承α对应的温度变化序列，Tβ为样本电机轴承β对应的温度变化序列，e为自然常数，DTW()为动态时间规整函数。
优选的，所述根据任意两样本电机轴承之间的工作状态趋近度，计算各样本电机轴承在预设时间段内各时刻对应的健康指标，包括：
根据任意两样本电机轴承之间的工作状态趋近度，计算1与所述工作状态趋近度之间的差值，记为差异距离；
根据任意两样本电机轴承对应的差异距离，对各样本电机轴承标注对应的工作状态，得到不同工作状态对应的各样本电机轴承；
对于任一工作状态：根据该工作状态对应的各样本电机轴承在同一时刻下的温度和振动频率，计算得到该工作状态对应的各样本电机轴承的健康指标。
优选的，计算样本电机轴承的健康指标的公式为：
Figure BDA0003495838880000023
其中，
Figure BDA0003495838880000024
为第j个工作状态下的样本电机轴承α在第i个时刻的健康指标，
Figure BDA0003495838880000025
为第j个工作状态下的样本电机轴承α在第i个时刻的温度异常程度，
Figure BDA0003495838880000026
为第j个工作状态下的样本电机轴承α在第i个时刻的振动频率异常程度，a为第j个工作状态下的样本电机轴承α在第i各时刻对应的温度差异系数；
所述温度差异系数为对应的第一轴承在第i个时刻的温度与第二轴承在第i个时刻的温度差值的绝对值。
优选的，所述温度异常程度的计算公式为：
Figure BDA0003495838880000031
其中，
Figure BDA0003495838880000032
为第j个工作状态下的样本电机轴承α在第i个时刻的温度，Ti(j)为第j个工作状态下的各样本电机轴承在第i个时刻对应的温度，mean()为平均值，min()为最小值。
所述振动频率异常程度的计算公式为：
Figure BDA0003495838880000033
其中，
Figure BDA0003495838880000034
为第j个工作状态下的样本电机轴承α在第i个时刻的振动频率，Si(j)为第j个工作状态下的各样本电机轴承在第i个时刻对应的振动频率。
优选的，获取在预设时间段内各样本电机轴承对应的工作特征序列，包括：
对于任一样本电机：
获取该样本电机对应的第一轴承和第二轴承在预设时间段内每个时刻对应的温度；根据所述每个时刻对应的温度，得到该样本电机对应的第一轴承和第二轴承对应的温度变化序列；
计算该样本电机对应的第一轴承和第二轴承在同一时刻温度的均值，得到该样本电机轴承对应的温度变化序列；
获取该样本电机中连接第一轴承和第二轴承的部件在预设时间段内每个时刻对应的振动频率，得到该样本电机轴承对应的振动频率序列。
优选的，利用各样本电机轴承对应的工作特征序列与预设时间段内各时刻对应的健康指标对目标预测网络进行训练，得到训练好的目标预测网络，包括：
将任意样本电机轴承对应的工作特征序列与健康指标序列输入到目标预测网络中，对目标预测网络进行训练；所述健康指标序列由各时刻对应的健康指标构成；
对于获取任一样本电机轴承对应的工作特征序列与健康指标序列对目标预测网络进行训练的目标损失函数，包括：
根据该样本电机轴承对应的温度变化序列和振动频率序列，计算得到该样本电机轴承对应的各训练数据对应的权值，所述训练数据为样本电机轴承在某一时刻对应的数据；
将各训练数据对应的权重与对应的均方差损失函数相乘，并将各乘积相加，得到该样本电机轴承对应的各训练数据对目标预测网络训练时的目标损失函数。
本发明具有如下有益效果：
本发明根据各样本电机中各轴承的工作特征序列，计算各样本电机轴承对应的工作状况评价指标，然后根据各样本电机轴承对应的工作状况评价指标和各样本电机轴承对应的工作特征序列，计算任意两样本电机轴承之间的工作状态趋近度，进而计算得到各样本电机轴承在预设时间段内各时刻对应的健康指标，最后利用各样本电机轴承对应的工作特征序列与预设时间段内各时刻对应的健康指标对目标预测网络进行训练，得到训练好的目标预测网络；本发明将样本电机轴承在当前时刻之前的工作特征序列输入到训练好的目标预测网络中，以实现对样本电机轴承下一时刻的健康指标的预测，若检测电机轴承出现异常，可以及时的向实施者发出预警。该系统应用于下一代信息网络产业，本发明基于计算机数据处理与监控，通过构建本地设备网络对电机轴承的工作特征进行数据识别与监测，并对各电机轴承的工作特征进行处理，进而电机轴承的健康状况进行预测，以实现当电机轴承出现异常而温度过高时及时的向实施者发出预警。
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和优点，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的介绍，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它附图。
图1为本发明提供的基于本地设备网络的防爆电机轴承温度异常监测系统的控制原理图；
图2为本发明提供的基于本地设备网络的防爆电机轴承温度异常监测系统的流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的基于本地设备网络的防爆电机轴承温度异常监测系统，其具体实施方式、结构、特征及其功效，详细说明如下。此外，实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
如图1所示，基于本地设备网络的防爆电机轴承温度异常监测系统还包括控制系统，所述控制系统包括控制器，以及与控制器信号连接的铂热电阻传感器和惯性式振动传感器；铂热电阻传感器用于检测电机轴承的温度，惯性式振动传感器用于检测电机轴承的振动频率。
控制器可以为常规的控制芯片，比如单片机；控制器将接收到的各个数据信息传入到基于本地设备网络的防爆电机轴承温度异常监测系统中，执行如图2所示的具体步骤如下：
步骤S1，获取在预设时间段内各样本电机轴承对应的工作特征序列，所述工作特征序列包括振动频率序列和温度变化序列，所述电机轴承包括第一轴承和第二轴承。
考虑到在易燃易爆的工作场地中所使用的电机要有一定的防爆要求，若电机轴承温度过高，可能会更加容易引发燃烧或爆炸的情况；而电机轴承温度过高往往是由于电机在工作过程中轴承出现了异常，因此需要对电机轴承的温度进行检测；本实施例通过实时监测电机轴承的工作状况，对电机轴承的健康情况进行预测，一旦预测到电机轴承有异常则及时的发出预警，提升防爆预警能力。本实施例将被监测的电机轴承记为样本电机轴承。
为了对样本电机轴承的健康情况进行实时的监测，本实施例构建了一个本地设备网络，所述本地设备网络是由控制器，以及与控制器信号连接的铂热电阻传感器和惯性式振动传感器，用于读取各样本电机轴承的数据，并将数据传输到处理器上；处理器用于对各样本电机轴承的数据进行分析处理，以分析每一个样本电机轴承的健康情况。
本实施例通过目标预测网络对各样本电机轴承的数据进行分析，利用训练好的目标预测网络对样本电机轴承的健康情况进行预测，以实现当电机出现异常时，及时发出预警。接下来，本实施例对训练目标预测网络的训练样本的获取过程进行分析。
电机轴承的振动频率对轴承的损伤是相当敏感的，比如剥落，压痕，锈蚀，裂纹，磨损等都会在振动频率中反映出来。当电机轴承出现异常时，电机的振动频率会表现出较大的差异值；当轴承正常工作时，其轴承温度会维持在一定范围内；当轴承处于异常状态时，温度变化趋势异常，即轴承温度会变高。
考虑到当电机轴承出现异常时，电机轴承的振动频率和温度都会产生不同的变化，本实施例对多个样本电机轴承的工作特征序列进行获取，进而对目标预测网络进行训练，所述工作特征序列包括振动频率序列和温度变化序列；振动频率序列由一段时间内电机轴承在每一个时刻的振动频率组成；温度变化序列由一段时间内电机轴承在每一个时刻的温度组成。电机中的轴承通常是成对存在的，即在一个电机中有两个轴承，本实施例将电机中的一个轴承记为第一轴承，另一个轴承记为第二轴承。
本实施例中所述一段时间为3分钟，统计各样本电机轴承在3分钟内的工作特征序列，本实施例以获取一个样本电机轴承对应的工作特征为例，具体为：
第一，本实施例利用铂热电阻传感器测量样本电机轴承的温度，所述铂热电阻是专为测量轴承温度而设计的温度传感器，本实施例将传感器的感温元件(传感体)插入到电机中轴承的螺孔中，以实现对轴承温度的监控。
本实施例中，铂热电阻的轴承温度传感器的采集频率为1s采集一次；本实施例通过二次仪表对轴承温度进行显示，并且二次仪表可以记录一定时长内的温度变化的数据，便于后续对轴承的温度进行分析。
本实施例中对样本电机的轴承温度进行采集时，得到的是该样本电机中两个轴承在某一时刻下对应的温度；在某一时刻下样本电机轴承的温度取值是对应的第一轴承和第二轴承对应温度的平均值。由此可以得到3分钟内该电机轴承对应的温度变化序列、该样本电机对应的第一轴承对应的温度变化序列和该样本电机对应的第二轴承对应的温度变化序列。
本实施例中温度传感器的数据读取方式是现有技术，在此就不再赘述。
第二，本实施例利用惯性式振动传感器来采集该样本电机对应的第一轴承和第二轴承在某一时刻的振动频率信息。本实施例中振动频率数据的采集也是1s采集一次，其样本电机轴承在某一时刻对应的振动频率是通过检测连接第一轴承和第二轴承的部件在某一时刻下对应的振动频率得到的，即一对轴承共同的振动频率。由此可以得到3分钟内该电机轴承对应的振动频率序列。
本实施例中该样本电机轴承的工作特征序列中包含180组样本数据，即对应的温度变化序列中有180个元素，对应的振动频率序列也有180个元素，在同一时刻的温度和振动频率为对应时刻的一组样本数据。
步骤S2，根据各样本电机中各轴承的工作特征序列，计算各样本电机轴承对应的工作状况评价指标；根据各样本电机轴承对应的工作状况评价指标和各样本电机轴承对应的工作特征序列，计算任意两样本电机轴承之间的工作状态趋近度。
由于电机工作位置以及周围环境的差异会导致测得的数值也会有所差异，所以当电机轴承健康时，在不同的工作位置以及周围环境会得到不同的工作特征序列，进而导致在对其轴承健康情况进行评价时出现误差。本实施例基于各样本电机轴承对应的工作特征序列，得到各样本电机轴承对应的工作状况评价指标；然后根据各样本电机轴承对应的工作状况评价指标将工作状况评价指标相似的各电机作为一组，以避免对电机轴承进行健康情况评价时产生误差产生。
本实施例根据步骤S1得到了全部样本电机轴承对应的工作特征序列，接下来，本实施例对各样本电机轴承的工作状态进行分析，以得到各样本电机轴承的对应的工作状况评价指标。本实施例中计算样本电机轴承的对应的工作状况评价指标的公式为：
Figure BDA0003495838880000071
其中，Wα为样本电机轴承α对应的工作状况评价指标，Tα为样本电机轴承α对应的温度变化序列，Sα为样本电机轴承α对应的振动频率序列，mean()为平均值，max()为最大值，min()为最小值。
本实施例根据上式可以得到各样本电机轴承对应的工作状况评价指标；接下来，本实施例根据得到的各样本电机轴承对应的工作状况评价指标和各样本电机轴承对应的工作特征序列，来计算任意两个样本电机轴承之间的工作状态趋近度，所述任意两个样本电机轴承之间的工作状态趋近度反映的任意两个电机在设定的时间段内的工作情况的接近程度；当两个样本电机轴承之间的工作状态趋近度越小时，说明这两个样本电机轴承的工作状态越接近。本实施例中计算任意两个样本电机轴承之间的工作状态趋近度的公式为：
Figure BDA0003495838880000072
其中，Rα,β为样本电机轴承α和样本电机轴承β之间的工作状态趋近度；Sα,β为样本电机轴承α对应的振动频率序列和样本电机轴承β对应的振动频率序列之间的余弦相似度；Wα为样本电机轴承α对应的工作状况评价指标，Wβ为样本电机轴承β对应的工作状况评价指标；Tα为样本电机轴承α对应的温度变化序列，Tβ为样本电机轴承β对应的温度变化序列，e为自然常数。
DTW()为动态时间规整函数，用于表示两个变化序列的相似情况，当样本电机轴承α与样本电机轴承β对应的温度变换序列越接近时，DTW(Tα,Tβ)越小，进而使得Rα,β越大，说明样本电机轴承α与样本电机轴承β的工作状态越接近。工作状态趋近度的取值范围为(0,1)，工作状态趋近度值越大，说明工作状态越相近。
步骤S3，根据任意两样本电机轴承之间的工作状态趋近度，计算各样本电机轴承在预设时间段内各时刻对应的健康指标。
本实施例根据任意两样本电机轴承之间的工作状态趋近度，对各样本电机轴承标注对应的工作状态，每一个样本电机轴承都会对应一个工作状态，且不同的工作状态会对应多个样本电机轴承，即多个属于同一工作状态的样本电机轴承，具体为：
本实施例根据任意两个样本电机轴承之间的工作状态趋近度，计算1与所述工作状态趋近度之间的差值，将所述差值记为任意两个样本电机轴承之间的差异距离；本实施例根据任意两样本电机轴承对应的差异距离，对各样本电机轴承标注对应的工作状态，得到不同工作状态对应的各样本电机轴承。本实施例采用K-MEANS算法来对不同的样本电机轴承进行分组，以得到工作状态相近的样本轴承；作为其他实施方式还可以使用DBSCAN算法。
接下来，本实施例对不同工作状态下的样本电机轴承进行分析，以计算各样本电机轴承对应的健康指标，具体为：
本实施例以某一工作状态下的各样本电机轴承为例：
该工作状态下会对应多个电机轴承，并且每一个样本电机轴承都会对应温度变化序列和振动频率序列，本实施例基于每一个样本电机轴承对应温度变化序列和振动频率序列来计算3分钟内每一个时刻下样本电机轴承的健康指标，所述健康指标用于判断前时刻下样本电机轴承是否出现异常。
本实施例基于该工作状态下对应的各样本电机轴承在某一时刻的温度，获取该时刻下各样本电机轴承对应的温度的最小值，将最小温度作为该时刻下样本电机轴承的基准温度，用于计算该时刻下各样本电机轴承对应的健康指标；本实施例计算该时刻下各样本电机轴承对应的温度与该时刻对应的基准温度的差值，得到各样本电机轴承在该时刻对应的温度异常程度，以反映对应样本电机轴承在该时刻下温度是否出现异常，具体计算样本电机轴承在该时刻对应的温度异常程度的公式为：
Figure BDA0003495838880000081
其中，
Figure BDA0003495838880000082
为第j个工作状态下的样本电机轴承α在第i个时刻的温度异常程度，
Figure BDA0003495838880000083
为第j个工作状态下的样本电机轴承α在第i个时刻的温度，Ti(j)为第j个工作状态下的各样本电机轴承在第i个时刻对应的温度，min(Ti(j))为第j个工作状态下的各样本电机轴承在第i个时刻对应的温度的最小值，即第j个工作状态下第i个时刻对应的基准温度。
本实施例基于该工作状态下对应的各样本电机轴承在某一时刻的振动频率，获取该时刻下各样本电机轴承对应的振动频率的最小值，将最小振动频率作为该时刻下样本电机轴承的基准振动频率，用于计算该时刻下各样本电机轴承对应的健康指标；本实施例计算该时刻下各样本电机轴承对应的振动频率与该时刻对应的基准振动频率的差值，得到各样本电机轴承在该时刻对应的振动频率异常程度，以反映对应样本电机轴承在该时刻下振动频率是否出现异常，具体计算样本电机轴承在该时刻对应的振动频率异常程度的公式为：
Figure BDA0003495838880000091
其中，
Figure BDA0003495838880000092
为第j个工作状态下的样本电机轴承α在第i个时刻的振动频率异常程度，
Figure BDA0003495838880000093
为第j个工作状态下的样本电机轴承α在第i个时刻的振动频率，Si(j)为第j个工作状态下的各样本电机轴承在第i个时刻对应的振动频率，min(Si(j))为第j个工作状态下的各样本电机轴承在第i个时刻对应的振动频率的最小值，即第j个工作状态下第i个时刻对应的基准振动频率。
本实施例根据上述公式可以得到各样本电机轴承在每一时刻对应的温度异常程度和振动频率异常程度；本实施例根据各样本电机轴承在每一时刻对应的温度异常程度和振动频率异常程度，可以得到各样本电机轴承在每一时刻对应的健康指标，具体计算健康指标的公式为：
Figure BDA0003495838880000094
其中，
Figure BDA0003495838880000095
为第j个工作状态下的样本电机轴承α在第i个时刻的健康指标，a为第j个工作状态下的样本电机轴承α在第i各时刻对应的温度差异系数；
所述温度差异系数为样本电机轴承α对应的第一轴承在第i个时刻的温度与第二轴承在第i个时刻的温度差值的绝对值，反映的是样本电机轴承对应的两个轴承温度的一致性，若两个轴承的温度不一致，差异较大时，样本电机轴承的温度异常程度应越大，对应的健康指标应越小。
本实施例根据上述过程得到了各样本电机轴承在各时刻对应的健康指标，由各样本电机轴承在各时刻对应的健康指标，可以构成各电机轴承对应的健康指标序列，所述健康指标序列与工作特征序列长度相同。
步骤S4，利用各样本电机轴承对应的工作特征序列与预设时间段内各时刻对应的健康指标对目标预测网络进行训练，得到训练好的目标预测网络，所述训练好的目标预测网络用于对各样本电机轴承下一时刻的健康指标进行预测。
本实施例将各样本电机轴承作为训练样本，通过各样本电机轴承对应的工作特征序列和健康指标序列对目标预测网络进行训练，得到训练好的目标预测网络，具体训练过程为：本实施例将某一个样本电机轴承在3分钟内的温度变化序列、振动频率序列和健康指标序列输入到目标预测网络中，使得目标预测网络能够学习到各样本电机轴承在下一时刻的健康指标。本实施例中每一个样本电机轴承对应的工作特征序列和健康指标序列为一批训练集，一批训练集中每一个时刻对应的数据记为一个训练数据。
本实施例中训练目标预测网络的损失函数为均方差损失函数，然后确定每一批训练集中各训练数据对应的权重，将各训练数据对应的权重与对应的均方差损失函数相乘，并将各乘积相加，得到对应的目标损失函数。本实施例中一批训练集中的一个训练数据对应的是3分钟内的一个时刻。
所述权重的获取过程为：对于一个样本电机轴承，本实施例根据该样本电机轴承对应的温度变化序列和振动频率序列,获取每一个时刻下样本电机轴承的温度和振动频率的变化幅度的相关性，所述相关性用于表示对应时刻下训练数据的权重，具体公式为：
Figure BDA0003495838880000101
其中，Et为该样本电机轴承在第i个时刻对应的权重，Si-1为该样本电机轴承载在第i-1个时刻下对应的振动频率，Ti-1为该样本电机轴承在第i-1时刻下对应的温度。当温度变化幅度与振动频率变化幅度一致时，说明振动频率与温度具有相关性很强，即得到的数据更可信，所以占得权重应相对较大。
本实施例中参与训练的权重为归一化后的结果，且同一批数据对应的权重之和为1。本实施例中目标预测网络可采用TCN网络，所述TCN网络为现有技术，就不再赘述，作为其他实施方式本实施例还可以使用LSTM网络、RNN网络等。
最后本实施例分别将样本电机轴承将当前时刻之间的工作特征序列(记为历史工作特征序列)输入到训练好的目标预测网络中，进而预测各样本电机轴承在下一时刻的健康指标，实现对各样本电机轴承的异常监测。在本实施例中，当样本电机轴承的健康指标低于0.8时，可视作样本电机轴承工作状况异常，进而对实施者及时的发出预警信息。本实施例中健康指标可根据实际需要进行设置。
本实施例根据各样本电机中各轴承的工作特征序列，计算各样本电机轴承对应的工作状况评价指标，然后根据各样本电机轴承对应的工作状况评价指标和各样本电机轴承对应的工作特征序列，计算任意两样本电机轴承之间的工作状态趋近度，进而计算得到各样本电机轴承在预设时间段内各时刻对应的健康指标，最后利用各样本电机轴承对应的工作特征序列与预设时间段内各时刻对应的健康指标对目标预测网络进行训练，得到训练好的目标预测网络；本实施例将样本电机轴承在当前时刻之前的工作特征序列输入到训练好的目标预测网络中，以实现对样本电机轴承下一时刻的健康指标的预测，若检测电机轴承出现异常，可以及时的向实施者发出预警。该系统应用于下一代信息网络产业，本实施例基于计算机数据处理与监控，通过构建本地设备网络对电机轴承的工作特征进行数据识别与监测，并对各电机轴承的工作特征进行处理，进而电机轴承的健康状况进行预测，以实现当电机轴承出现异常而温度过高时及时的向实施者发出预警。
需要说明的是：以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于本地设备网络的防爆电机轴承温度异常监测系统，其特征在于，所述防爆电机轴承温度异常监测系统包括防爆电机，以及本地设备网络，所述本地设备网络包括控制器，以及与控制器信号连接的铂热电阻传感器和惯性式振动传感器；铂热电阻传感器用于检测电机轴承的温度，惯性式振动传感器用于检测电机轴承的振动频率；
控制器获取在预设时间段内各样本电机轴承对应的工作特征序列，所述工作特征序列包括振动频率序列和温度变化序列，所述电机轴承包括第一轴承和第二轴承；
根据各样本电机中各轴承的工作特征序列，计算各样本电机轴承对应的工作状况评价指标；根据各样本电机轴承对应的工作状况评价指标和各样本电机轴承对应的工作特征序列，计算任意两样本电机轴承之间的工作状态趋近度；
根据任意两样本电机轴承之间的工作状态趋近度，计算各样本电机轴承在预设时间段内各时刻对应的健康指标；
利用各样本电机轴承对应的工作特征序列与预设时间段内各时刻对应的健康指标对目标预测网络进行训练，得到训练好的目标预测网络，所述训练好的目标预测网络用于对各样本电机轴承下一时刻的健康指标进行预测。
2.根据权利要求1所述的一种基于本地设备网络的防爆电机轴承温度异常监测系统，其特征在于，计算各样本电机轴承对应的工作状况评价指标的公式为：
Figure FDA0003495838870000011
其中，Wα为样本电机轴承α对应的工作状况评价指标，Tα为样本电机轴承α对应的温度变化序列，Sα为样本电机轴承α对应的振动频率序列，mean()为平均值，max()为最大值，min()为最小值。
3.根据权利要求1所述的一种基于本地设备网络的防爆电机轴承温度异常监测系统，其特征在于，计算任意两样本电机轴承之间的工作状态趋近度的公式为：
Figure FDA0003495838870000012
其中，Rα,β为样本电机轴承α和样本电机轴承β之间的工作状态趋近度，Sα,β为样本电机轴承α对应的振动频率序列和样本电机轴承β对应的振动频率序列之间的余弦相似度，Wα为样本电机轴承α对应的工作状况评价指标，Wβ为样本电机轴承β对应的工作状况评价指标，Tα为样本电机轴承α对应的温度变化序列，Tβ为样本电机轴承β对应的温度变化序列，e为自然常数，DTW()为动态时间规整函数。
4.根据权利要求1所述的一种基于本地设备网络的防爆电机轴承温度异常监测系统，其特征在于，所述根据任意两样本电机轴承之间的工作状态趋近度，计算各样本电机轴承在预设时间段内各时刻对应的健康指标，包括：
根据任意两样本电机轴承之间的工作状态趋近度，计算1与所述工作状态趋近度之间的差值，记为差异距离；
根据任意两样本电机轴承对应的差异距离，对各样本电机轴承标注对应的工作状态，得到不同工作状态对应的各样本电机轴承；
对于任一工作状态：根据该工作状态对应的各样本电机轴承在同一时刻下的温度和振动频率，计算得到该工作状态对应的各样本电机轴承的健康指标。
5.根据权利要求4所述的一种基于本地设备网络的防爆电机轴承温度异常监测系统，其特征在于，计算样本电机轴承的健康指标的公式为：
Figure FDA0003495838870000021
其中，
Figure FDA0003495838870000022
为第j个工作状态下的样本电机轴承α在第i个时刻的健康指标，
Figure FDA0003495838870000023
为第j个工作状态下的样本电机轴承α在第i个时刻的温度异常程度，
Figure FDA0003495838870000024
为第j个工作状态下的样本电机轴承α在第i个时刻的振动频率异常程度，a为第j个工作状态下的样本电机轴承α在第i各时刻对应的温度差异系数；
所述温度差异系数为对应的第一轴承在第i个时刻的温度与第二轴承在第i个时刻的温度差值的绝对值。
6.根据权利要求5所述的一种基于本地设备网络的防爆电机轴承温度异常监测系统，其特征在于，所述温度异常程度的计算公式为：
Figure FDA0003495838870000025
其中，
Figure FDA0003495838870000026
为第j个工作状态下的样本电机轴承α在第i个时刻的温度，Ti(j)为第j个工作状态下的各样本电机轴承在第i个时刻对应的温度，mean()为平均值，min()为最小值。
所述振动频率异常程度的计算公式为：
Figure FDA0003495838870000027
其中，
Figure FDA0003495838870000028
为第j个工作状态下的样本电机轴承α在第i个时刻的振动频率，Si(j)为第j个工作状态下的各样本电机轴承在第i个时刻对应的振动频率。
7.根据权利要求1所述的一种基于本地设备网络的防爆电机轴承温度异常监测系统，其特征在于，获取在预设时间段内各样本电机轴承对应的工作特征序列，包括：
对于任一样本电机：
获取该样本电机对应的第一轴承和第二轴承在预设时间段内每个时刻对应的温度；根据所述每个时刻对应的温度，得到该样本电机对应的第一轴承和第二轴承对应的温度变化序列；
计算该样本电机对应的第一轴承和第二轴承在同一时刻温度的均值，得到该样本电机轴承对应的温度变化序列；
获取该样本电机中连接第一轴承和第二轴承的部件在预设时间段内每个时刻对应的振动频率，得到该样本电机轴承对应的振动频率序列。
8.根据权利要求1所述的一种基于本地设备网络的防爆电机轴承温度异常监测系统，其特征在于，利用各样本电机轴承对应的工作特征序列与预设时间段内各时刻对应的健康指标对目标预测网络进行训练，得到训练好的目标预测网络，包括：
将任意样本电机轴承对应的工作特征序列与健康指标序列输入到目标预测网络中，对目标预测网络进行训练；所述健康指标序列由各时刻对应的健康指标构成；
对于获取任一样本电机轴承对应的工作特征序列与健康指标序列对目标预测网络进行训练的目标损失函数，包括：
根据该样本电机轴承对应的温度变化序列和振动频率序列，计算得到该样本电机轴承对应的各训练数据对应的权值，所述训练数据为样本电机轴承在某一时刻对应的数据；
将各训练数据对应的权重与对应的均方差损失函数相乘，并将各乘积相加，得到该样本电机轴承对应的各训练数据对目标预测网络训练时的目标损失函数。
CN202210114795.3A 2022-01-30 2022-01-30 基于本地设备网络的防爆电机轴承温度异常监测系统 Active CN114638280B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210114795.3A CN114638280B (zh) 2022-01-30 2022-01-30 基于本地设备网络的防爆电机轴承温度异常监测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210114795.3A CN114638280B (zh) 2022-01-30 2022-01-30 基于本地设备网络的防爆电机轴承温度异常监测系统

Publications (2)

Publication Number Publication Date
CN114638280A true CN114638280A (zh) 2022-06-17
CN114638280B CN114638280B (zh) 2023-04-11

Family

ID=81946335

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210114795.3A Active CN114638280B (zh) 2022-01-30 2022-01-30 基于本地设备网络的防爆电机轴承温度异常监测系统

Country Status (1)

Country Link
CN (1) CN114638280B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114810513A (zh) * 2022-06-24 2022-07-29 江苏奥派电气科技有限公司 基于5g通信的风力发电机轴承振动故障智能监测系统
CN114995117A (zh) * 2022-07-18 2022-09-02 海门市重型矿山机械厂 基于神经网络的砂石分离机进料槽自适应控制方法及装置
CN114996859A (zh) * 2022-07-19 2022-09-02 山东贞元汽车车轮有限公司 用于车轮钢圈智能制造的智能设备控制系统
CN115055225A (zh) * 2022-08-18 2022-09-16 启东万惠机械制造有限公司 一种确定脱壳机最优工作状态的方法及系统
CN115081966A (zh) * 2022-08-22 2022-09-20 南通俊朗智能科技有限公司 异常状态监控方法及应用该方法的铝合金挤压工艺控制器
CN115238829A (zh) * 2022-09-21 2022-10-25 南通佳晟宏机械配件有限公司 一种热轧机的轧辊磨损程度分析方法
CN115293294A (zh) * 2022-09-26 2022-11-04 南通佳晟宏机械配件有限公司 一种用于热轧机轧辊轴承损耗的识别与预测方法
CN116579663A (zh) * 2023-07-05 2023-08-11 江苏慧远智能科技有限公司 一种粉罐车卸料过程中异常预警方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102768115A (zh) * 2012-06-27 2012-11-07 华北电力大学 一种风电机组齿轮箱健康状态实时动态监控方法
US20140201571A1 (en) * 2005-07-11 2014-07-17 Brooks Automation, Inc. Intelligent condition monitoring and fault diagnostic system for preventative maintenance
CN104374491A (zh) * 2014-11-28 2015-02-25 南阳防爆集团股份有限公司 一种防爆电机转子温度测量装置及方法
CN106323484A (zh) * 2015-06-23 2017-01-11 江苏东佳电气有限公司 一种新型矿用隔爆型温度传感器
CN109883702A (zh) * 2019-03-05 2019-06-14 西安交通大学 一种基于时频域统计特征的电机轴承故障诊断方法
CN110276416A (zh) * 2019-07-02 2019-09-24 广东省智能机器人研究院 一种滚动轴承故障预测方法
KR102077188B1 (ko) * 2018-10-17 2020-04-02 (주)명성에이앤티(A&T) 모터용 온도 및 진동 감지 센서장치
CN113449473A (zh) * 2021-06-29 2021-09-28 南京工业大学 一种基于DFCAE-BiLSTM的风电轴承退化趋势预测方法、系统及装置
WO2021213142A1 (zh) * 2020-04-23 2021-10-28 中车株洲电力机车研究所有限公司 一种牵引电机故障诊断方法及装置
CN113807431A (zh) * 2021-09-15 2021-12-17 西安理工大学 一种基于多源信息融合的智能主轴状态评估方法和系统

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140201571A1 (en) * 2005-07-11 2014-07-17 Brooks Automation, Inc. Intelligent condition monitoring and fault diagnostic system for preventative maintenance
CN102768115A (zh) * 2012-06-27 2012-11-07 华北电力大学 一种风电机组齿轮箱健康状态实时动态监控方法
CN104374491A (zh) * 2014-11-28 2015-02-25 南阳防爆集团股份有限公司 一种防爆电机转子温度测量装置及方法
CN106323484A (zh) * 2015-06-23 2017-01-11 江苏东佳电气有限公司 一种新型矿用隔爆型温度传感器
KR102077188B1 (ko) * 2018-10-17 2020-04-02 (주)명성에이앤티(A&T) 모터용 온도 및 진동 감지 센서장치
CN109883702A (zh) * 2019-03-05 2019-06-14 西安交通大学 一种基于时频域统计特征的电机轴承故障诊断方法
CN110276416A (zh) * 2019-07-02 2019-09-24 广东省智能机器人研究院 一种滚动轴承故障预测方法
WO2021213142A1 (zh) * 2020-04-23 2021-10-28 中车株洲电力机车研究所有限公司 一种牵引电机故障诊断方法及装置
CN113449473A (zh) * 2021-06-29 2021-09-28 南京工业大学 一种基于DFCAE-BiLSTM的风电轴承退化趋势预测方法、系统及装置
CN113807431A (zh) * 2021-09-15 2021-12-17 西安理工大学 一种基于多源信息融合的智能主轴状态评估方法和系统

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
JING TIAN, ET.AL: "Motor Bearing Fault Detection Using Spectral Kurtosis-Based Feature Extraction Coupled With K-Nearest Neighbor Distance Analysis", 《IEEE TRANSACTIONS ON INDUSTRIAL ELECTRONICS》 *
YURY AFANASYE, ET.AL: "Design preparation for the explosion-proof electric motors production. Modeling, calculation and testing methods", 《2020 INTERNATIONAL CONFERENCE ON ELECTROTECHNICAL COMPLEXES AND SYSTEMS (ICOECS)》 *
吴文明: "《传感器原理及检测技术（高职）》", 31 January 2015, 航空工业出版社 *
吴炳辉: "《防爆电气作业》", 30 June 2011, 东南大学出版社 *
朱赫: "基于振动和温度的潜油电机电泵装配质量评估研究", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅰ辑)》 *
李强: "基于多传感器数据融合的电主轴健康状态评估", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅰ辑)》 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114810513A (zh) * 2022-06-24 2022-07-29 江苏奥派电气科技有限公司 基于5g通信的风力发电机轴承振动故障智能监测系统
CN114995117A (zh) * 2022-07-18 2022-09-02 海门市重型矿山机械厂 基于神经网络的砂石分离机进料槽自适应控制方法及装置
CN114995117B (zh) * 2022-07-18 2023-12-26 海门市重型矿山机械厂 基于神经网络的砂石分离机进料槽自适应控制方法及装置
CN114996859A (zh) * 2022-07-19 2022-09-02 山东贞元汽车车轮有限公司 用于车轮钢圈智能制造的智能设备控制系统
CN114996859B (zh) * 2022-07-19 2022-10-25 山东贞元汽车车轮有限公司 用于车轮钢圈智能制造的智能设备控制系统
CN115055225A (zh) * 2022-08-18 2022-09-16 启东万惠机械制造有限公司 一种确定脱壳机最优工作状态的方法及系统
CN115081966A (zh) * 2022-08-22 2022-09-20 南通俊朗智能科技有限公司 异常状态监控方法及应用该方法的铝合金挤压工艺控制器
CN115238829A (zh) * 2022-09-21 2022-10-25 南通佳晟宏机械配件有限公司 一种热轧机的轧辊磨损程度分析方法
CN115238829B (zh) * 2022-09-21 2022-12-20 南通佳晟宏机械配件有限公司 一种热轧机的轧辊磨损程度分析方法
CN115293294A (zh) * 2022-09-26 2022-11-04 南通佳晟宏机械配件有限公司 一种用于热轧机轧辊轴承损耗的识别与预测方法
CN116579663A (zh) * 2023-07-05 2023-08-11 江苏慧远智能科技有限公司 一种粉罐车卸料过程中异常预警方法
CN116579663B (zh) * 2023-07-05 2023-10-20 江苏慧远智能科技有限公司 一种粉罐车卸料过程中异常预警方法

Also Published As

Publication number Publication date
CN114638280B (zh) 2023-04-11

Similar Documents

Publication Publication Date Title
CN114638280B (zh) 基于本地设备网络的防爆电机轴承温度异常监测系统
US6199018B1 (en) Distributed diagnostic system
Hashemian State-of-the-art predictive maintenance techniques
US20020169582A1 (en) Diagnostics for industrial process control and measurement systems
CN116879662A (zh) 基于数据分析的变压器故障检测方法
CN108956111B (zh) 一种机械部件的异常状态检测方法及检测系统
CN117407679B (zh) 智能末屏传感器的数据采集方法及系统
CN113359682B (zh) 设备故障预测方法、装置、设备故障预测平台及介质
CN108051364A (zh) 一种epr核能电缆剩余寿命评估方法与预测epr核能电缆剩余使用寿命方法
CN1161091A (zh) 分析测量值的方法以及实施此方法的测量值分析器
CN117270514B (zh) 基于工业物联网的生产过程全流程故障检测方法
CN101999101A (zh) 系统运行预测的确定方法
CN117134503B (zh) 一种大型电力供电装置的状态监测方法及系统
CN117171596B (zh) 一种压力变送器的在线监测方法及系统
JP3662981B2 (ja) 可搬型プラント巡視点検データ判定装置
CN111307480B (zh) 一种基于嵌入式热管传热管理系统、方法及存储介质
CN115638718A (zh) 一种基于大数据的位移检测装置运行环境检测系统
CN117725541B (zh) 退火炉运行状态智能监控与故障诊断系统
CN114812833A (zh) 一种配网开关温度在线监测与预测系统及方法
CN111562037B (zh) 一种温度表的故障检测方法及装置
CN113358236B (zh) 一种提高温度测量精度的方法及装置
KR20200103341A (ko) 기계 설비의 유지 보수 평가 방법
CN117309624B (zh) 一种感温电缆性能评价方法及系统
CN213397008U (zh) 一种索夹滑移自动化在线监测装置和系统
EP4394815A1 (en) Diagnostic system for transformer

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