CN114936444A - 一种基于不同退化趋势的设备剩余使用寿命估计方法 - Google Patents
一种基于不同退化趋势的设备剩余使用寿命估计方法 Download PDFInfo
- Publication number
- CN114936444A CN114936444A CN202210178061.1A CN202210178061A CN114936444A CN 114936444 A CN114936444 A CN 114936444A CN 202210178061 A CN202210178061 A CN 202210178061A CN 114936444 A CN114936444 A CN 114936444A
- Authority
- CN
- China
- Prior art keywords
- degradation
- equipment
- service life
- model
- health
- 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.)
- Pending
Links
- 238000006731 degradation reaction Methods 0.000 title claims abstract description 98
- 230000015556 catabolic process Effects 0.000 title claims abstract description 92
- 238000000034 method Methods 0.000 title claims abstract description 43
- 230000036541 health Effects 0.000 claims abstract description 57
- 238000001914 filtration Methods 0.000 claims abstract description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 abstract description 6
- 238000012423 maintenance Methods 0.000 abstract description 2
- 238000003745 diagnosis Methods 0.000 abstract 1
- 230000006870 function Effects 0.000 description 10
- 230000008569 process Effects 0.000 description 7
- 238000006243 chemical reaction Methods 0.000 description 3
- 230000007423 decrease Effects 0.000 description 3
- 238000013178 mathematical model Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 230000005653 Brownian motion process Effects 0.000 description 2
- 238000013398 bayesian method Methods 0.000 description 2
- 238000005537 brownian motion Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000009131 signaling function Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007850 degeneration Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
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
-
- 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
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
-
- 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]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于不同退化趋势的设备剩余使用寿命估计方法,包括以下步骤:步骤S1:采集信号后进行滤波处理,随后进行信号包络调节,得到归一化的健康度;步骤S2:针对设备常见的退化形式建立设备退化模型;步骤S3:设定失效阈值,预测剩余使用寿命。本发明提供的基于不同退化趋势的设备剩余使用寿命估计方法实现系统和设备的实时在线监测、智能预警、智能诊断和寿命预测,提升设备可靠性分析和管理能力,从而辅助企业管理人员下达维修决策等。
Description
技术领域
本发明涉及设备可靠性管理技术领域,尤其涉及一种基于不同退化趋势的设备剩余使用寿命估计方法。
背景技术
在工业领域内,对设备进行在线监测与寿命估计已经成为提升设备可靠性的重要手段,通过采集与设备健康状态密切相关的重要参数与实时数据,并对数据进行加工和分析等得到对设备健康状态信息,有助于帮助企业针对设备指定更加科学合理的维修策略。
由于设备在使用过程中会产生损耗,损耗随运行时间、运行工况等的不同而呈现出不断累积的现象,这就导致设备的可使用寿命会逐渐降低。同时,随着我国信号处理技术的不断提高,设备信号中的信息被更大程度的利用,因此可以通过信号处理获取设备的健康信息。目前,对于振动信号的处理多种多样,因此需要根据应用场景和数据等的不同对数据进行不同的处理。
过去的十多年中,大量设备剩余寿命预测的工作被广泛研究并应用于各种机械,如旋转元件、涡轮齿轮箱、飞机发动机等,剩余寿命预测从原理上可分为基于模型、基于数据驱动和基于融合模型的退化建模及寿命预测方法。基于模型驱动的退化建模及寿命预测方法主要依靠对产品退化机理的了解,该方法通常会建立产品或系统退化的物理模型,进而通过物理模型反映出设备的健康状态;基于数据驱动预测方法是指对产品退化数据进行适当的处理,结合统计学及随机过程等数学方法对产品的退化过程进行建模和估计;基于融合模型的退化模型及寿命预测方法一般是指将寿命退化的机理模型与数据驱动的模型相结合,或是不同数据驱动模型之间的结合。由于构建设别的物理模型通常较为复杂,因此基于数据驱动的方法具有更广泛的应用。
发明内容
本发明的目的在于克服现有技术中所述的缺陷,从而提供一种基于不同退化趋势的设备剩余使用寿命估计方法,该基于不同退化趋势的设备剩余使用寿命估计方法实现系统和设备的实时在线监测、智能预警、智能诊断和寿命预测,提升设备可靠性分析和管理能力,从而辅助企业管理人员下达维修决策等。
为了实现上述目的,本发明提供如下技术方案:
一种基于不同退化趋势的设备剩余使用寿命估计方法,包括以下步骤:
步骤S1:采集信号后进行滤波处理,随后进行信号包络调节,得到归一化的健康度;
步骤S2:针对设备常见的退化形式建立设备退化模型;
步骤S3:设定失效阈值,预测剩余使用寿命。
可选的,所述步骤S1具体包括:
步骤S11:采集每一时刻的原始振动信号x[n];
步骤S12:在信号的敏感频率带[l,h]Hz滤波以增强退化信息;
步骤S13:通过希尔伯特变换包络解调振动信号,得到平方包络信号;
步骤S14:计算平方包络信号的均方根值,并根据初始均方根基线得到归一化的健康度。
可选的,健康度范围为0至1。
可选的,所述步骤S2具体包括:
步骤S21:使用数据拟合的方法确定初始参数;
步骤S22:根据贝叶斯算法得到参数后验的表达式,使得参数能够自适应更新。
可选的,所述设备退化模型为指数退化模型,所述指数退化模型为:
其中,X(t)表示获取的设备健康指标数据,t表示时间,θ表示指数退化趋势的幅值,γ表示设备由健康阶段转到退化阶段的时间点,α表示健康阶段设备健康度均值,β'表示指数退化趋势的斜率,I(·)为示信函数,σ1和σ2分别是健康阶段和退化阶段的噪声标准差。
可选的,根据所述指数退化模型得到剩余使用寿命为:
可选的,所述设备退化模型为线性退化模型,所述线性退化模型为
可选的,所述设备退化模型为多项式退化模型,所述多项式退化模型为: Xk=b0+Akb+ε(t),其中的误差项为ε(t)=σ2Ik,
其中,Xk表示获取的设备健康指标数据,b0表示多项式模型中的常数项,而b表示为时间项,Ak表示多项式模型时间项的系数,
可选的,根据所述多项式退化模型得到剩余使用寿命为:
可选的,失效阈值设定为70%。
与现有技术相比,本发明提供的基于不同退化趋势的设备剩余使用寿命估计方法具有以下有益效果:
本发明根据获取的振动信号,通过滤波处理以及信号包络调节,能够得到强化的退化信息和平方包络信号,并根据初始均方根值得到归一化的健康度。通过对得到的健康度进行数据预处理,可以有效去除停机、故障等不同工况下的异常数据,获得能够表征设备健康的数据供寿命预测使用。
根据上述信号处理得到的退化数据,通过建立不同退化趋势下的数学模型并带入数据求解,可以实现对设备剩余使用寿命估计。
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它的附图。
图1为本发明实施例所提供的健康度计算的技术路径图;
图2为本发明实施例所提供的实现步骤示意图。
具体实施方式
下面通过具体实施方式进一步详细说明。
本发明主要包括两部分内容,即构建设备健康指标、建立设备退化模型并估计剩余使用寿命。分析设备振动信号得到设备健康指标,振动信号蕴含了机械装备丰富的健康状态信息,本发明通过量化振动信号构建健康指标,以表征装备的健康状态退化趋势,并作为后续的剩余寿命预测算法的建模对象。建立设备退化模型并估计设备剩余可使用寿命,本发明基于提取的设备健康指标,并采用指数退化、线性退化、多项式退化等多种退化趋势对设备的退化过程进行建模,最终基于软阈值的概念实现对设备的剩余可使用寿命的估计。
(1)构建设备健康指标
构建健康指标的技术路径如图1所示。设采样频率Fs下采集到的一段振动信号为x=[x1…xN],其中N为信号长度。为有效估计健康度,若有对信号故障信号的频带先验知识,可以对信号进行频带为[l,h]的带通滤波后([l,h]∈[0,Fs]),得到滤波后信号xl,h。xl,h对应的平方包络信号可由希尔伯特变换计算得到: SEl,h=|xl,h+jH(xl,h)|2=[SE1…SEN],其中H(·)表示希尔伯特变换。进而可以得到方根均值估计为:为实现健康度的范围在区间[0,1]内,需对健康度进行归一化处理,做如下变换,并得到健康度HD=RMS0/RMS,其中RMS0为健康度为100%时的方根均值,RMS为当前监测时刻的方根均值。在程序运算过程中,一般可将最开始监测到的方根均值作为RMS0。
(2)建立设备退化模型并估计剩余使用寿命
本发明针对设备常见的退化形式进行建模,包括:指数退化、线性退化和多项式退化,同时基于软阈值的定义对设备的剩余使用寿命进行估计。
1)指数退化模型
该部分提出了一个基于布朗运动误差的指数退化模型。该模型适用于传感器读数连续误差波动相关的应用。本发明提出了一个贝叶斯更新过程,贝叶斯更新能在新的观测数据到来时对参数实现自动更新。在布朗误差过程假设的情况下,可以确定监测设备的剩余使用寿命分布。
1.1)指数退化建模
对于产品的退化过程,一般可以分为健康阶段以及退化阶段。健康阶段为设备的健康状态在一定范围内波动,并没有表现出设备退化现象;退化阶段为设备开始出现性能退化的现象。因此可以通过下式建立统一模型:
其中,X(t)表示获取的设备健康指标数据,t表示时间,θ表示指数退化趋势的幅值,γ表示设备由健康阶段转到退化阶段的时间点,α表示健康阶段设备健康度均值,β'表示指数退化趋势的斜率,I(·)为示信函数,σ1和σ2分别是健康阶段和退化阶段的噪声标准差。
其中,I(·)为示信函数,表示当括号内条件满足时,示信函数的值为1。那么针对第二阶段建模,X(t)表示健康度的连续退化过程,那么可以设其具有以下的函数形式:
W(t)是标准布朗运动误差项,它服从均值为0,方差为t的正态分布。θ、β和 W(t)是相互独立的。那么可以的得到上式的期望为:
用矩阵表达整个退化过程具有简便的形式,因此此处的数学模型可以表达为:
Yk=A′kb′+e′k
需要说明的是,采样间隔为Δ=t2-t1=t1。
此处采用贝叶斯方法进行参数的更新,贝叶斯参数的后验分布与先验分布和似然函数乘积成正比。由于共轭先验假设能够保证先验分布与后验分布具有相同的分布形式,因此假设b′的先验分布为均值为μb'、方差为Σb'的正态分布,即N(μb',Σb'),则Yk服从则后验分布为:
当I(Φ(Ψ1(tk))>Φ(3))=1时,
1.2)产品寿命预测
给定模型参数后可以得到参数的后验分布,即可确定产品的失效时间分布,即为产品健康度达到失效阈值的时间分布,在模型中用L来表示失效阈值。lnXk+l为观测点,在给定yk后的剩余使用寿命分布可用下式来表示:
此处,
按照此方法,可以当获得新的信号观测值时,此处所用方法将非常容易得到剩余寿命及寿命区间。
2)线性退化模型
3)多项式退化模型
提出一个基于高斯误差项的多项式退化模型,同时结合贝叶斯理论,使模型参数在新的观测数据到来时自动更新,同时根据失效阈值的概念,确定监测设备的剩余使用寿命分布。
3.1)多项式退化建模
如前所述,产品的退化过程一般可以分为健康阶段以及退化阶段,此处仅对失效部分进行多项式退化建模:
Xk=b0+Akb+ε(t),其中的误差项为ε(t)=σ2Ik。其中,Xk表示获取的设备健康指标数据,b0表示多项式模型中的常数项,而b表示为时间项,Ak表示多项式模型时间项的系数。
将以上模型中的矩阵展开可得:
此处采用贝叶斯方法进行参数的更新,贝叶斯参数的后验分布与先验分布和似然函数乘积成正比。由于共轭先验假设能够保证先验分布与后验分布具有相同的分布形式,因此假设b的先验分布为均值为μb、方差为Σb的正态分布,即 N(μb,Σb),则b后验分布为:
其中,p(Xk|b)为似然函数,
3.2)产品寿命预测
给定模型参数后可以得到参数的后验分布,即可确定产品的失效时间分布,即为产品健康度达到失效阈值的时间分布,在模型中用L来表示失效阈值。Xk+l为观测点,在给定Xk后的剩余使用寿命分布可用下式来表示:
本发明的实现步骤如图1和图2所示,本发明根据设备的振动数据构建表征设备退化过程的健康指标;本发明根据对振动信号中提取出的健康指标进行预处理,随后进行参数拟合并采用上述介绍的模型方法进行参数的自适应更新,最终实现寿命预测。具体如下:
(1)本发明首先建立衰退指标。首先对采集到的传感器信号进行滤波处理,将经过希尔伯特变化的信号进行包络调节,然后利用经典且较为成熟的RMS指标进行量化并通过RMS0进行归一化得到衰退指标,得到范围在0-1的健康度。
(2)数据预处理。由于设备存在停机/切换/降功率等复杂工况,因此存在得到的退化指标非常小几乎为0的情况,这类数据对后续计算有影响,因此需要对得到的退化信号进行预处理。
(3)确定初始参数。初始参数使用真实数据进行指数拟合的方法确定。
(4)参数的自适应更新。本发明的理论基础为贝叶斯理论,前述方法即为根据贝叶斯理论得到参数后验的表达式,使得参数能够自适应更新,即参数可以根据新观测信号计算得到的衰退指标数据进行更新。
(5)实现寿命预测。由于核电站设备的健康运转具有重要意义,因此此处将失效阈值设定为70%,剩余使用寿命为预测的路径退化至70%时为失效,对应的时刻与当前时刻的时间差即为剩余使用寿命。
本发明适用于已对关系到设备健康的关键零部件安装传感器并能够实现信号监测的系统中,健康指数的提取与剩余可使用寿命估计部分的算法可单独计算使用,也可以集成到现有的设备监测系统中。算法最终的到的剩余使用寿命估计值与估计区间,能够给工程师合理更换设备零部件等提供有效信息。
以上所述仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种基于不同退化趋势的设备剩余使用寿命估计方法,其特征在于,包括以下步骤:
步骤S1:采集信号后进行滤波处理,随后进行信号包络调节,得到归一化的健康度;
步骤S2:针对设备常见的退化形式建立设备退化模型;
步骤S3:设定失效阈值,预测剩余使用寿命。
2.根据权利要求1所述的基于不同退化趋势的设备剩余使用寿命估计方法,其特征在于,所述步骤S1具体包括:
步骤S11:采集每一时刻的原始振动信号x[n];
步骤S12:在信号的敏感频率带[l,h]Hz滤波以增强退化信息;
步骤S13:通过希尔伯特变换包络解调振动信号,得到平方包络信号;
步骤S14:计算平方包络信号的均方根值,并根据初始均方根基线得到归一化的健康度。
3.根据权利要求2所述的基于不同退化趋势的设备剩余使用寿命估计方法,其特征在于,健康度范围为0至1。
4.根据权利要求1所述的基于不同退化趋势的设备剩余使用寿命估计方法,其特征在于,所述步骤S2具体包括:
步骤S21:使用数据拟合的方法确定初始参数;
步骤S22:根据贝叶斯算法得到参数后验的表达式,使得参数能够自适应更新。
10.根据权利要求1所述的基于不同退化趋势的设备剩余使用寿命估计方法,其特征在于,失效阈值设定为70%。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210178061.1A CN114936444A (zh) | 2022-02-25 | 2022-02-25 | 一种基于不同退化趋势的设备剩余使用寿命估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210178061.1A CN114936444A (zh) | 2022-02-25 | 2022-02-25 | 一种基于不同退化趋势的设备剩余使用寿命估计方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114936444A true CN114936444A (zh) | 2022-08-23 |
Family
ID=82861984
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210178061.1A Pending CN114936444A (zh) | 2022-02-25 | 2022-02-25 | 一种基于不同退化趋势的设备剩余使用寿命估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114936444A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104729853A (zh) * | 2015-04-10 | 2015-06-24 | 华东交通大学 | 一种滚动轴承性能退化评估装置及方法 |
CN107480440A (zh) * | 2017-08-04 | 2017-12-15 | 山东科技大学 | 一种基于两阶段随机退化建模的剩余寿命预测方法 |
CN108844733A (zh) * | 2018-04-18 | 2018-11-20 | 苏州微著设备诊断技术有限公司 | 一种基于kl散度与均方根值的齿轮状态监测指标提取方法 |
CN110222371A (zh) * | 2019-05-05 | 2019-09-10 | 北京大学 | 基于贝叶斯和神经网络的发动机剩余寿命在线预测方法 |
KR20200049295A (ko) * | 2018-10-31 | 2020-05-08 | 한국전력공사 | 회전기기 고장 예지를 위한 건전성 지표 추이 및 잔존수명 예측 기법 |
CN112101220A (zh) * | 2020-09-15 | 2020-12-18 | 哈尔滨理工大学 | 一种无监督模型参数迁移的滚动轴承寿命预测方法 |
-
2022
- 2022-02-25 CN CN202210178061.1A patent/CN114936444A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104729853A (zh) * | 2015-04-10 | 2015-06-24 | 华东交通大学 | 一种滚动轴承性能退化评估装置及方法 |
CN107480440A (zh) * | 2017-08-04 | 2017-12-15 | 山东科技大学 | 一种基于两阶段随机退化建模的剩余寿命预测方法 |
CN108844733A (zh) * | 2018-04-18 | 2018-11-20 | 苏州微著设备诊断技术有限公司 | 一种基于kl散度与均方根值的齿轮状态监测指标提取方法 |
KR20200049295A (ko) * | 2018-10-31 | 2020-05-08 | 한국전력공사 | 회전기기 고장 예지를 위한 건전성 지표 추이 및 잔존수명 예측 기법 |
CN110222371A (zh) * | 2019-05-05 | 2019-09-10 | 北京大学 | 基于贝叶斯和神经网络的发动机剩余寿命在线预测方法 |
CN112101220A (zh) * | 2020-09-15 | 2020-12-18 | 哈尔滨理工大学 | 一种无监督模型参数迁移的滚动轴承寿命预测方法 |
Non-Patent Citations (3)
Title |
---|
YAGUO LEI: "Machinery health prognostics: A systematic review from data acquisition to RUL prediction", MECHANICAL SYSTEMS & SIGNAL PROCESSING, vol. 104, 1 December 2017 (2017-12-01), pages 799 - 801 * |
史华洁;薛颂东;: "退化数据驱动的设备剩余寿命在线预测", 计算机工程与应用, no. 23, 29 May 2015 (2015-05-29), pages 249 - 254 * |
马波;翟斌;彭琦;王应全;: "基于不同退化阶段状态空间模型及粒子滤波的滚动轴承寿命预测", 北京化工大学学报(自然科学版), no. 03, 20 May 2017 (2017-05-20), pages 81 - 86 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CA2450177A1 (en) | Automated analyzers for estimation systems | |
CN112529036B (zh) | 一种故障预警方法、装置、设备及存储介质 | |
WO2023065584A1 (zh) | 设备的剩余使用寿命的确定方法、装置和电子设备 | |
CN107656156B (zh) | 一种基于云平台的设备故障诊断及运行状态评估方法与系统 | |
US11644812B2 (en) | Machine tool management method, machine tool management system and medium | |
CN110990788A (zh) | 一种基于三元维纳过程的轴承剩余寿命预测方法 | |
CN111382494A (zh) | 用于检测工业机器的感知数据中的异常的系统及方法 | |
EP3388910A1 (en) | Method and apparatus for monitoring the condition of subsystems within a renewable generation plant or microgrid | |
CN114266197A (zh) | 一种水电站设备故障诊断方法 | |
CN112633614A (zh) | 一种基于特征提取的实时故障程度诊断系统及方法 | |
CN115081647A (zh) | 基于贝叶斯网络模型的工业智能仪表故障预诊断方法 | |
CN116415126A (zh) | 用于造纸机的刮刀的异常检测的方法、装置和计算设备 | |
CN113112038B (zh) | 智能监测与诊断分析系统、装置、电子设备及存储介质 | |
CN114297265A (zh) | 基于物联技术的智能运维方法 | |
CN113740063A (zh) | 列车轴承监控预警方法及系统 | |
CN114936444A (zh) | 一种基于不同退化趋势的设备剩余使用寿命估计方法 | |
CN117473436A (zh) | 一种针对即时数据流的预处理与告警方法及系统 | |
CN116992346A (zh) | 一种基于人工智能大数据分析的企业生产数据处理系统 | |
CN112214911A (zh) | 一种电源的健康状态预测方法 | |
CN111475966A (zh) | 一种基于数字孪生的电力电子电路故障诊断方法 | |
CN111988192A (zh) | 一种基于机器学习的列车通信网络故障诊断方法 | |
Tao et al. | A state and fault prediction method based on RBF neural networks | |
CN114201825A (zh) | 基于组合特征的设备性能退化状态的评估方法及系统 | |
CN111783856B (zh) | 一种面向制造业的设备故障辅助诊断方法及系统 | |
CN114971383A (zh) | 一种基于知识图谱的烟机设备故障诊断方法及系统 |
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 |