CN114707266A - 基于人工智能的工业离心泵运转稳定性预测系统 - Google Patents
基于人工智能的工业离心泵运转稳定性预测系统 Download PDFInfo
- Publication number
- CN114707266A CN114707266A CN202210334447.7A CN202210334447A CN114707266A CN 114707266 A CN114707266 A CN 114707266A CN 202210334447 A CN202210334447 A CN 202210334447A CN 114707266 A CN114707266 A CN 114707266A
- Authority
- CN
- China
- Prior art keywords
- flow
- rotor
- centrifugal pump
- abnormal
- degree
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Abstract
本发明涉及数据处理技术领域,具体涉及基于人工智能的工业离心泵运转稳定性预测系统,该系统在具体应用时,可以作为一种工业生产领域人工智能系统和人工智能优化操作系统,能够用于计算机视觉软件等应用软件开发,该系统利用电子设备进行数据识别,通过信息采集模块采集数据信息;通过转子异常程度评估模块评估转子的异常程度;通过流量异常程度评估模块根据液体质量和泵体质量的比值、出口流量的变化以及转子的异常程度获取流量异常指数;修正流量异常指数获取流量异常程度;通过稳定性预测模块预测未来流量异常程度,并判断离心泵是否运行稳定,能够应用电子设备识别离心泵的工作状态,对离心泵的稳定性进行预测,及时监测异常情况。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及基于人工智能的工业离心泵运转稳定性预测系统。
背景技术
离心泵是靠叶轮旋转时产生的离心力来输送液体的泵。对于工业上的离心泵而言,运转不稳定容易破坏离心泵的结构,使寿命降低或者损坏离心泵。若离心泵出现异常故障,可能会引发一系列的连锁效应,造成严重的后果,因此需要保证离心泵的运转稳定性与可靠性。
离心泵运转不稳定的原因是多样的,不同型号的离心泵工作差异也较大,目前对离心泵运转稳定性的检测依赖于通用性的标准规范,导致准确率不高,容易出现误判和漏判,带来不必要的人工成本并具有较高的应用风险。随着工业生产领域人工智能系统的发展,需要出现一种能够预测离心泵工作的可靠性的人工智能系统,保障生产的连续性和可靠性。
发明内容
为了解决上述技术问题,本发明的目的在于提供一种基于人工智能的工业离心泵运转稳定性预测系统,所采用的技术方案具体如下:
本发明一个实施例提供了一种基于人工智能的工业离心泵运转稳定性预测系统,该系统包括以下模块:
信息采集模块,用于实时采集转子的振动信息、转子的转速、离心泵出口的流速以及离心泵腔体内的液体质量,获取转子结构的支撑刚度、转子的固有频率和离心泵的泵体质量;
转子异常程度评估模块,用于根据支撑刚度、转速、转子的固有频率以及相邻时刻的振动信息差评估转子的异常程度;
流量异常程度评估模块,用于以离心泵出口的横截面积和流速的乘积作为出口流量,根据液体质量和泵体质量的比值、出口流量的变化以及转子的异常程度获取流量异常指数;获取不同转速下的标准流量异常指数,计算其对于对应转速的流量异常指数的修正系数,并利用修正系数对流量异常指数进行修正,获取流量异常程度;
稳定性预测模块,用于利用历史流量异常程度数据预测未来流量异常程度,根据未来流量异常程度判断离心泵是否运行稳定。
优选的,所述信息采集模块包括:
振动信息采集单元,用于实时采集转子水平方向的左右两个振动数据,和竖直方向的上下两个振动数据,进而获取水平方向的振动矢量和竖直方向的振动矢量,将两个振动矢量进行矢量叠加得到空间振动矢量,作为实时的振动信息。
优选的,所述信息采集模块还包括:
转速获取单元,用于通过光电传感器获取转子的转速,或者通过旋转编码器检测转子的转速。
优选的,所述转子异常程度评估模块包括:
转子异常程度计算单元,用于将转速换算为旋转频率,获取旋转频率和转子的固有频率的频率差异,以转速和频率差异的比值作为转速的指数得到共振程度;获取相邻时刻的振动信息的矢量差,计算共振程度和矢量差的比值与支撑刚度的乘积,即为所述转子异常程度。
优选的,所述转子异常程度评估模块还包括:
转子异常程度修正单元,用于获取叶轮半径作为修正系数对转子异常程度进行修正。
优选的,所述流量异常程度评估模块包括:
出口流量获取单元,用于采集当前时刻前预设时间的多个流速以及当前流速组成流速序列,对所述流速序列进行中值滤波,再获取滤波后的平均流速作为当前时刻的优化流速,以优化流速和所述横截面积的乘积作为所述出口流量。
优选的,所述流量异常程度评估模块还包括:
流量异常指数修正单元,用于对于每个转速下的标准异常指数,获取其与对应转速下平均异常指数的比值作为该转速下的修正系数,对不同转速下的修正系数进行函数拟合,利用函数拟合结果获取当前的流量异常指数对应的转速下的修正系数,以当前的流量异常指数与对应的修正系数的乘积作为当前的流量异常程度。
优选的,所述稳定性预测模块包括:
未来流量异常程度预测单元,用于将历史的流量异常程度输入预测神经网络,输出预测的未来流量异常程度。
优选的,所述稳定性预测模块还包括:
运行状态判断单元,用于获取相邻时刻的历史流量异常程度的差值,当差值大于第一阈值时,对应时刻下的离心泵运行状态不稳定;获取目标时刻的未来流量异常程度,以及目标时刻前预设时间的多个未来流量异常程度的平均异常程度,当目标时刻的未来流量异常程度大于第二阈值,且平均异常程度也大于第二阈值时,目标时刻下的离心泵运行状态不稳定。
本发明实施例至少具有如下有益效果:
通过流量异常程度评估模块根据液体质量和泵体质量的比值、出口流量的变化以及转子的异常程度获取流量异常指数;根据标准流量异常指数修正流量异常指数,得到流量异常程度;通过稳定性预测模块预测未来流量异常程度,并判断离心泵是否运行稳定。本发明实施例能够应用电子设备识别离心泵的工作状态,对离心泵的稳定性进行预测,及时监测异常情况,能够应用于人工智能优化操作系统。
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为本发明一个实施例提供的基于人工智能的工业离心泵运转稳定性预测系统的系统框图。
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人工智能的工业离心泵运转稳定性预测系统,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个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。
下面结合附图具体的说明本发明所提供的基于人工智能的工业离心泵运转稳定性预测系统的具体方案。
请参阅图1,其示出了本发明一个实施例提供的基于人工智能的工业离心泵运转稳定性预测系统的系统框图,该系统包括以下模块:
信息采集模块100、转子异常程度评估模块200、流量异常程度评估模块300以及稳定性预测模块400。
信息采集模块100用于实时采集转子的振动信息、转子的转速、离心泵出口的流速以及离心泵腔体内的液体质量,获取转子结构的支撑刚度、转子的固有频率和离心泵的泵体质量。
具体的,信息采集模块100包括振动信息采集单元110、转速获取单元120、流速采集单元130、质量采集单元140以及转子数据获取单元150。
振动信息采集单元110,用于实时采集转子水平方向的左右两个振动数据,和竖直方向的上下两个振动数据,进而获取水平方向的振动矢量和竖直方向的振动矢量,将两个振动矢量进行矢量叠加得到空间振动矢量,作为实时的振动信息。
振动传感器位于离心泵的外侧,在离心泵转子位置的外侧壳均匀分布,有着4个传感器共同采集信息。4个振动传感器分别位于筒状外壳的上下左右,构成空间向量。采集频率为20ms。上下左右的传感器的读数分别赋值给D1、D2、D3、D4。D1-D2作为垂直分量;D4-D3作为水平分量,将两个分量进行矢量叠加,得到最后的振动矢量D,将振动矢量D按照时间存储D={D1,D2…,Dt,…,DT},每20ms采集一次,共得到T个振动矢量,并对振动矢量组成的序列进行中值滤波处理。
转速获取单元120,用于通过光电传感器获取转子的转速,或者通过旋转编码器检测转子的转速。
流速采集单元130,用于通过流速传感器在出口进行流速采集,每50ms采集一次,得到多个流速V。
质量采集单元140,用于利用压力传感器以50ms间隔在液压泵底部采集重量信息W,由于离心泵的泵体质量W泵质量为已知的,所以可以得到当前腔体内的液体质量W液=W-W泵。正常工作的离心泵,在启动前,必须使泵壳和吸水管内充满液体,然后启动电机,使泵轴带动叶轮和液体做高速旋转运动,液体发生离心运动,被甩向叶轮外缘,经蜗形泵壳的流道流入离心泵的管路。那么离心泵输送的液体的密度越大,腔内液体的质量越重,给转子及其泵体带来的负载就越重,对支撑结构的压力也越大,更容易造成振动,破坏稳定性。
转子数据获取单元150,用于获取转子的支撑刚度和固有频率。
每个离心泵的支撑刚度都是固定值,是由固定转子结构所决定的,支撑刚度越大,稳定性越好,获取转子的支撑刚度Z。
离心泵转子的固有频率是由其机械结构和材质决定的,获取转子的固有频率D0。
转子异常程度评估模块200,用于根据支撑刚度、转速、转子的固有频率以及相邻时刻的振动信息差评估转子的异常程度。
具体的,转子异常程度评估模块200包括转子异常程度计算单元210和转子异常程度修正单元220。
转子异常程度计算单元210,用于将转速换算为旋转频率,获取旋转频率和转子的固有频率的频率差异,以转速和频率差异的比值作为转速的指数得到共振程度;获取相邻时刻的振动信息的矢量差,计算共振程度和矢量差的比值与支撑刚度的乘积,即为转子异常程度。
引起整体离心泵振动的主要原因是内部转子振动,若转子旋转导致的振动频率与其自然振动频率相近时,就会使共振程度加剧,破坏离心泵稳定性。
获取转子的共振程度:
计算转子异常程度:
其中,M表示转子异常程度,Z表示转子的支撑钢度,Dt表示第t个振动信息,Dt-1表示第t-1个振动信息,|Dt-Dt-1|表示第t个振动信息与前一个振动信息的矢量差的模长。
转子共振程度越大,越容易对离心泵造成破坏;相邻时刻的振动信息的差异越大,说明第t个振动信息对应的时刻下转子的振动情况越严重,转子越可能出现异常。
转子异常程度修正单元220,用于获取叶轮半径作为修正系数对转子异常程度进行修正。
获取离心泵的叶轮半径C,来修正不同型号的离心泵的转子异常程度,将其约束在一个正常的范围内,修正后的转子异常程度为U=C×M,每20ms计算得到一个转子异常程度U。
流量异常程度评估模块300,用于以离心泵出口的横截面积和流速的乘积作为出口流量,根据液体质量和泵体质量的比值、出口流量的变化以及转子的异常程度获取流量异常指数;获取不同转速下的标准流量异常指数,计算其对于对应转速的流量异常指数的修正系数,并利用修正系数对流量异常指数进行修正,获取流量异常程度。
具体的,流量异常程度评估模块300包括出口流量获取单元310、流量异常指数计算单元320以及流量异常指数修正单元330。
出口流量获取单元310,用于以以离心泵出口的横截面积和流速的乘积作为出口流量。
出口流量的计算方法为:Q=S×V,其中Q表示出口流量。
优选的,采集当前时刻前预设时间的多个流速以及当前流速组成流速序列,对流速序列进行中值滤波,再获取滤波后的平均流速作为当前时刻的优化流速,以优化流速和横截面积的乘积作为出口流量。
作为一个示例,在本发明实施例中预设时间为1秒。
流量异常指数计算单元320,根据液体质量和泵体质量的比值、出口流量的变化以及转子的异常程度获取流量异常指数。
首先获取出口流量的变化:每50ms采集一次流速,每秒采集20个流速,同时以出口流量获取单元310中的方法获取每个流速的优化流速,以5个优化流速为一组,计算该组的标准差STD(Q),每秒获取4个标准差反映出口流速的变化。
计算流量异常指数:
其中,P表示流量异常指数。
每秒获取4个标准差STD(Q),但是每20ms获取一个转子异常程度U,因此在计算流量异常指数P的时候,选取与标准差STD(Q)对应时刻更新的最新的转子异常程度U进行计算,每秒得到4个流量异常指数P。
流量异常指数修正单元330,用于对于每个转速下的标准异常指数,获取其与对应转速下平均异常指数的比值作为该转速下的修正系数,对不同转速下的修正系数进行函数拟合,利用函数拟合结果获取当前的流量异常指数对应的转速下的修正系数,以当前的流量异常指数与对应的修正系数的乘积作为当前的流量异常程度。
令离心泵在实验条件下分别以不同的转速长时间工作,作为一个示例,在本发明实施例中采样转速为2500r/min、3000r/min、3500r/min、4000r/min、4500r/min,每个转速下得到多个异常指数,以异常指数的平均值作为该转速下的标准异常指数,同时获取上述模块中计算得到的同一转速下的多个流量异常指数的平均值,将标准异常指数与对应转速下的平均值的比值作为该转速下的修正系数,获取多个转速下的修正系数,并对不同转速下的修正系数进行函数拟合,得到不同转速和流量异常指数之间的修正系数,利用修正系数与计算得到的流量异常指数进行相乘对流量异常指数进行修正,得到流量异常程度。
稳定性预测模块400,用于利用历史流量异常程度数据预测未来流量异常程度,根据未来流量异常程度判断离心泵是否运行稳定。
具体的,稳定性预测模块400包括未来流量异常程度预测单元410和运行状态判断单元420。
未来流量异常程度预测单元410,用于将历史的流量异常程度输入预测神经网络,输出预测的未来流量异常程度。
作为一个示例,本发明实施例中预测神经网络采用循环神经网络(RNN),在其他实施例中还可以采用时间卷积网络(TCN)、LSTM网络等其他能够达到相同效果的预测神经网络。
运行状态判断单元420,用于获取相邻时刻的历史流量异常程度的差值,当差值大于第一阈值时,对应时刻下的离心泵运行状态不稳定;获取目标时刻的未来流量异常程度,以及目标时刻前预设时间的多个未来流量异常程度的平均异常程度,当目标时刻的未来流量异常程度大于第二阈值,且平均异常程度也大于第二阈值时,目标时刻下的离心泵运行状态不稳定。
当已知的流量异常程度在相邻时刻下的差值|ΔP|大于第一阈值C1时,说明液压泵腔内液体不充裕,存有空气或者其他异物,对应时刻下的离心泵运行状态不稳定,需要进行异常预警。
当目标时刻的未来流量异常程度大于第二阈值C2时,获取目标时刻前预设时间的多个未来流量异常程度的平均异常程度,当平均异常程度同时也大于第二阈值C2时,目标时刻下的压力超过负载,长时间超负载运行可能会减少离心泵的使用寿命,需要通过降低转子的转速来对泵体进行保护。
作为一个示例,本发明实施例中第一阈值C1取值为60,第二阈值C2取值为40,预设时间同样为1秒。
降低转速的方法可以采用阶梯减速法,通过阶梯状降低5%的转速起到保护作用;也可以进行线性减速,利用上述转速与流量异常程度之间的关系,根据期望的P得出期望的转速以作为输入量输入PID调控闭环,来控制转速线性柔和的降低到满足稳定性P的标准。
综上所述,本发明实施例包括以下模块:
信息采集模块100、转子异常程度评估模块200、流量异常程度评估模块300以及稳定性预测模块400。
具体的,通过信息采集模块100实时采集转子的振动信息、转子的转速、离心泵出口的流速以及离心泵腔体内的液体质量,获取转子结构的支撑刚度、转子的固有频率和离心泵的泵体质量;通过转子异常程度评估模块200根据支撑刚度、转速、转子的固有频率以及相邻时刻的振动信息差评估转子的异常程度;通过流量异常程度评估模块300以离心泵出口的横截面积和流速的乘积作为出口流量,根据液体质量和泵体质量的比值、出口流量的变化以及转子的异常程度获取流量异常指数;获取不同转速下的标准流量异常指数,计算其对于对应转速的流量异常指数的修正系数,并利用修正系数对流量异常指数进行修正,获取流量异常程度;通过稳定性预测模块400利用历史流量异常程度数据预测未来流量异常程度,根据未来流量异常程度判断离心泵是否运行稳定。本发明实施例为工业生产领域人工智能系统,能够应用电子设备进行识别离心泵的工作状态,应用于人工智能优化操作系统,对离心泵的稳定性进行预测,能够及时监测到离心泵的异常情况,避免造成较大损失。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (9)
1.基于人工智能的工业离心泵运转稳定性预测系统,其特征在于,该系统包括以下模块:
信息采集模块,用于实时采集转子的振动信息、转子的转速、离心泵出口的流速以及离心泵腔体内的液体质量,获取转子结构的支撑刚度、转子的固有频率和离心泵的泵体质量;
转子异常程度评估模块,用于根据支撑刚度、转速、转子的固有频率以及相邻时刻的振动信息差评估转子的异常程度;
流量异常程度评估模块,用于以离心泵出口的横截面积和流速的乘积作为出口流量,根据液体质量和泵体质量的比值、出口流量的变化以及转子的异常程度获取流量异常指数;获取不同转速下的标准流量异常指数,计算其对于对应转速的流量异常指数的修正系数,并利用修正系数对流量异常指数进行修正,获取流量异常程度;
稳定性预测模块,用于利用历史流量异常程度数据预测未来流量异常程度,根据未来流量异常程度判断离心泵是否运行稳定。
2.根据权利要求1所述的基于人工智能的工业离心泵运转稳定性预测系统,其特征在于,所述信息采集模块包括:
振动信息采集单元,用于实时采集转子水平方向的左右两个振动数据,和竖直方向的上下两个振动数据,进而获取水平方向的振动矢量和竖直方向的振动矢量,将两个振动矢量进行矢量叠加得到空间振动矢量,作为实时的振动信息。
3.根据权利要求1所述的基于人工智能的工业离心泵运转稳定性预测系统,其特征在于,所述信息采集模块还包括:
转速获取单元,用于通过光电传感器获取转子的转速,或者通过旋转编码器检测转子的转速。
4.根据权利要求1所述的基于人工智能的工业离心泵运转稳定性预测系统,其特征在于,所述转子异常程度评估模块包括:
转子异常程度计算单元,用于将转速换算为旋转频率,获取旋转频率和转子的固有频率的频率差异,以转速和频率差异的比值作为转速的指数得到共振程度;获取相邻时刻的振动信息的矢量差,计算共振程度和矢量差的比值与支撑刚度的乘积,即为所述转子异常程度。
5.根据权利要求1所述的基于人工智能的工业离心泵运转稳定性预测系统,其特征在于,所述转子异常程度评估模块还包括:
转子异常程度修正单元,用于获取叶轮半径作为修正系数对转子异常程度进行修正。
6.根据权利要求1所述的基于人工智能的工业离心泵运转稳定性预测系统,其特征在于,所述流量异常程度评估模块包括:
出口流量获取单元,用于采集当前时刻前预设时间的多个流速以及当前流速组成流速序列,对所述流速序列进行中值滤波,再获取滤波后的平均流速作为当前时刻的优化流速,以优化流速和所述横截面积的乘积作为所述出口流量。
7.根据权利要求1所述的基于人工智能的工业离心泵运转稳定性预测系统,其特征在于,所述流量异常程度评估模块还包括:
流量异常指数修正单元,用于对于每个转速下的标准异常指数,获取其与对应转速下平均异常指数的比值作为该转速下的修正系数,对不同转速下的修正系数进行函数拟合,利用函数拟合结果获取当前的流量异常指数对应的转速下的修正系数,以当前的流量异常指数与对应的修正系数的乘积作为当前的流量异常程度。
8.根据权利要求1所述的基于人工智能的工业离心泵运转稳定性预测系统,其特征在于,所述稳定性预测模块包括:
未来流量异常程度预测单元,用于将历史的流量异常程度输入预测神经网络,输出预测的未来流量异常程度。
9.根据权利要求1所述的基于人工智能的工业离心泵运转稳定性预测系统,其特征在于,所述稳定性预测模块还包括:
运行状态判断单元,用于获取相邻时刻的历史流量异常程度的差值,当差值大于第一阈值时,对应时刻下的离心泵运行状态不稳定;获取目标时刻的未来流量异常程度,以及目标时刻前预设时间的多个未来流量异常程度的平均异常程度,当目标时刻的未来流量异常程度大于第二阈值,且平均异常程度也大于第二阈值时,目标时刻下的离心泵运行状态不稳定。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210334447.7A CN114707266B (zh) | 2022-03-31 | 2022-03-31 | 基于人工智能的工业离心泵运转稳定性预测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210334447.7A CN114707266B (zh) | 2022-03-31 | 2022-03-31 | 基于人工智能的工业离心泵运转稳定性预测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114707266A true CN114707266A (zh) | 2022-07-05 |
CN114707266B CN114707266B (zh) | 2023-04-21 |
Family
ID=82171248
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210334447.7A Active CN114707266B (zh) | 2022-03-31 | 2022-03-31 | 基于人工智能的工业离心泵运转稳定性预测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114707266B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114934898A (zh) * | 2022-07-25 | 2022-08-23 | 启东市申力高压油泵厂 | 基于多模态参数的液压泵故障诊断分析系统 |
CN115033042A (zh) * | 2022-08-10 | 2022-09-09 | 启东亦大通自动化设备有限公司 | 基于多模态物联网的食品脱水机智能控制系统 |
CN115090378A (zh) * | 2022-08-26 | 2022-09-23 | 启东市春晨机械有限公司 | 一种金属破碎机锤头转子的振动异常监控及预警方法 |
CN115144399A (zh) * | 2022-08-30 | 2022-10-04 | 吉林省信息技术研究所 | 一种基于机器视觉的装配质量检测方法及装置 |
CN117329135A (zh) * | 2023-10-13 | 2024-01-02 | 山东中探机械有限公司 | 基于数据分析的泥浆泵运行状态监测方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5914875A (en) * | 1996-01-11 | 1999-06-22 | Kabushiki Kaisha Toshiba | Method and apparatus for diagnosing plant anomaly |
JP3068091B1 (ja) * | 1999-06-02 | 2000-07-24 | 核燃料サイクル開発機構 | 異常診断装置 |
US20080294382A1 (en) * | 2007-05-21 | 2008-11-27 | Samsung Electronics Co., Ltd. | Method and apparatus for pump fault prediction |
CN104866704A (zh) * | 2015-03-21 | 2015-08-26 | 北京化工大学 | 一种基于模糊综合评判的离心泵状态评估方法 |
CN111259717A (zh) * | 2019-10-21 | 2020-06-09 | 杭州安脉盛智能技术有限公司 | 一种旋转设备状态异常判断方法及系统 |
CN111581889A (zh) * | 2020-05-26 | 2020-08-25 | 瑞纳智能设备股份有限公司 | 用于供热设备组件的故障预测方法、系统及设备 |
CN112329357A (zh) * | 2020-10-29 | 2021-02-05 | 湘潭大学 | 一种清水离心泵振动故障的简易诊断方法及诊断系统 |
CN112785091A (zh) * | 2021-03-04 | 2021-05-11 | 湖北工业大学 | 一种对油田电潜泵进行故障预测与健康管理的方法 |
CN113156917A (zh) * | 2021-04-10 | 2021-07-23 | 河南巨捷电子科技有限公司 | 基于人工智能的电网设备故障诊断方法及系统 |
-
2022
- 2022-03-31 CN CN202210334447.7A patent/CN114707266B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5914875A (en) * | 1996-01-11 | 1999-06-22 | Kabushiki Kaisha Toshiba | Method and apparatus for diagnosing plant anomaly |
JP3068091B1 (ja) * | 1999-06-02 | 2000-07-24 | 核燃料サイクル開発機構 | 異常診断装置 |
US20080294382A1 (en) * | 2007-05-21 | 2008-11-27 | Samsung Electronics Co., Ltd. | Method and apparatus for pump fault prediction |
CN104866704A (zh) * | 2015-03-21 | 2015-08-26 | 北京化工大学 | 一种基于模糊综合评判的离心泵状态评估方法 |
CN111259717A (zh) * | 2019-10-21 | 2020-06-09 | 杭州安脉盛智能技术有限公司 | 一种旋转设备状态异常判断方法及系统 |
CN111581889A (zh) * | 2020-05-26 | 2020-08-25 | 瑞纳智能设备股份有限公司 | 用于供热设备组件的故障预测方法、系统及设备 |
CN112329357A (zh) * | 2020-10-29 | 2021-02-05 | 湘潭大学 | 一种清水离心泵振动故障的简易诊断方法及诊断系统 |
CN112785091A (zh) * | 2021-03-04 | 2021-05-11 | 湖北工业大学 | 一种对油田电潜泵进行故障预测与健康管理的方法 |
CN113156917A (zh) * | 2021-04-10 | 2021-07-23 | 河南巨捷电子科技有限公司 | 基于人工智能的电网设备故障诊断方法及系统 |
Non-Patent Citations (6)
Title |
---|
CHANGTIAN YING等: "a time series data cleaning framework based on lstm prediction model for pumped storage", 《FOREST CHEMICALS》 * |
SUPRIYA GUPTA等: "Applying big data analytics to detect,diagnose,and prevent impending failures in electric submersible pumps", 《SPE ANNUAL TECHNICAL CONFERENCE AND EXHIBITION》 * |
何金焕: "基于概率神经网络的液压泵故障诊断", 《农家参谋》 * |
刘亚昆等: "火电厂给水泵振动原因分析及处理", 《沈阳工程学院学报(自然科学版)》 * |
孙毅等: "向家坝电站运行设备异常状态识别功能的设计与实现", 《西北水电》 * |
宋小伍等: "一种离心泵在小流量下振动异常的分析与处理", 《水泵技术》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114934898A (zh) * | 2022-07-25 | 2022-08-23 | 启东市申力高压油泵厂 | 基于多模态参数的液压泵故障诊断分析系统 |
CN114934898B (zh) * | 2022-07-25 | 2022-10-21 | 启东市申力高压油泵厂 | 基于多模态参数的液压泵故障诊断分析系统 |
CN115033042A (zh) * | 2022-08-10 | 2022-09-09 | 启东亦大通自动化设备有限公司 | 基于多模态物联网的食品脱水机智能控制系统 |
CN115033042B (zh) * | 2022-08-10 | 2023-10-20 | 微山县恒信食品有限公司 | 基于多模态物联网的食品脱水机智能控制系统 |
CN115090378A (zh) * | 2022-08-26 | 2022-09-23 | 启东市春晨机械有限公司 | 一种金属破碎机锤头转子的振动异常监控及预警方法 |
CN115144399A (zh) * | 2022-08-30 | 2022-10-04 | 吉林省信息技术研究所 | 一种基于机器视觉的装配质量检测方法及装置 |
CN115144399B (zh) * | 2022-08-30 | 2023-01-13 | 吉林省信息技术研究所 | 一种基于机器视觉的装配质量检测方法及装置 |
CN117329135A (zh) * | 2023-10-13 | 2024-01-02 | 山东中探机械有限公司 | 基于数据分析的泥浆泵运行状态监测方法 |
CN117329135B (zh) * | 2023-10-13 | 2024-04-05 | 山东中探机械有限公司 | 基于数据分析的泥浆泵运行状态监测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114707266B (zh) | 2023-04-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114707266A (zh) | 基于人工智能的工业离心泵运转稳定性预测系统 | |
US9324037B2 (en) | Method for monitoring of rotating machines | |
EP2609326B1 (en) | Method of operating a wind turbine and wind turbine | |
EP3088733B1 (en) | Method for operating a wind turbine based on degradation of wind turbine blade | |
US7389278B2 (en) | Detection of pump cavitation/blockage and seal failure via current signature analysis | |
CN110830943A (zh) | 一种基于边缘计算和大数据分析的设备状态监测系统 | |
EP2103915B1 (en) | Apparatus and method for determining a resonant frequency of a wind turbine tower | |
EP1298511A1 (en) | Motorized system integrated control and diagnostics using vibration, pressure, temperature, speed, and/or current analysis | |
US6587737B2 (en) | Method for the monitoring of a plant | |
EP1978223A2 (en) | Determining bleed valve failures in gas turbine engines | |
CN111811108B (zh) | 换热器脏堵检测方法及装置 | |
CN111272412B (zh) | 电控气动设备的故障检测方法、装置、设备和存储介质 | |
CN111400961B (zh) | 风力发电机组叶片故障判断方法及装置 | |
CN111191838B (zh) | 一种集成人工智能算法的工业设备状态管控方法和装置 | |
CN113657693B (zh) | 一种智能制造装备的预测性维护系统和方法 | |
CN106089754A (zh) | 基于“互联网+”的潜水泵实时故障诊断与维修方法 | |
CN112629905A (zh) | 基于深度学习的设备异常检测方法、系统及计算机介质 | |
CN112347634A (zh) | 基于scada系统的风力发电机组液压变桨系统故障预测方法 | |
CN115033042B (zh) | 基于多模态物联网的食品脱水机智能控制系统 | |
CN112328659A (zh) | 一种风力发电机组液压变桨系统故障诊断方法 | |
CN110874803B (zh) | 水务决策辅助分析系统 | |
CN109779938B (zh) | 一种离心压缩机组智能联锁保护方法 | |
CN112709690A (zh) | 电驱压气机系统的故障检测方法、装置、设备及介质 | |
CN109209781B (zh) | 风力发电机组的故障定位方法及装置 | |
CN114723187A (zh) | 一种智能塔机及智能塔机的故障预测方法、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 |