CN115357864B - 旋转机械转子部件脱落故障识别方法及系统 - Google Patents
旋转机械转子部件脱落故障识别方法及系统 Download PDFInfo
- Publication number
- CN115357864B CN115357864B CN202211290003.4A CN202211290003A CN115357864B CN 115357864 B CN115357864 B CN 115357864B CN 202211290003 A CN202211290003 A CN 202211290003A CN 115357864 B CN115357864 B CN 115357864B
- Authority
- CN
- China
- Prior art keywords
- acquisition points
- acquisition
- sensor
- target equipment
- condition
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C3/00—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles
- G07C3/005—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles during manufacturing process
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Algebra (AREA)
- Evolutionary Biology (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Manufacturing & Machinery (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本申请公开了一种旋转机械转子部件脱落故障识别方法及系统。首先获取目标设备的运行数据;基于运行数据中的设备转速和传感器的工作状态进行数据条件判断得到目标设备的有效运行数据;通过预先建立的条件判断模型对目标设备中各个传感器所采集的1倍频幅值进行处理,得到各个传感器所对应的条件参数;通过各个传感器所对应的条件参数确定各个通道的故障权重,并基于各个通道的故障权重得到目标设备的故障概率。本申请能够实现流程工业大机组转子部件脱落故障的自动诊断,能够解决行业对诊断系统以及诊断准确率与诊断效率的需求。
Description
技术领域
本发明涉及状态监测及故障诊断技术领域,特别涉及一种旋转机械转子部件脱落故障识别方法及系统。
背景技术
转子部件脱落故障是大型旋转机械设备一类严重故障,如果不能及时发现可能会造成设备损坏影响生产。流程工业因其生产方式的特殊性,关键设备一旦发生故障会影响整个装置的生产,每天损失数以亿计,及时发现并诊断出故障尤为重要。
目前随着管理人员意识的提高,在原有控制系统的基础上设置有状态监测系统实时记录并保存机组的运行数据,但使用效果依托于诊断人员的业务能力和技术水平,难以保证较高的诊断准确率和诊断效率。而且人工诊断难以实现连续值守,设备出现故障也无法及时发现。
发明内容
基于此,本申请实施例提供了一种旋转机械转子部件脱落故障识别方法及系统,能够将故障机理模型与数据特征相结合,实现流程工业大机组转子部件脱落故障的自动诊断。
第一方面,提供了一种旋转机械转子部件脱落故障识别方法,该方法包括:
获取目标设备的运行数据;其中,所述运行数据通过目标设备上的多个传感器采集得到,所述运行数据具体包括各个传感器所采集到的设备转速、1倍频幅值、键相信号及各个传感器的工作状态;
基于所述键相信号确定设备转速以及1倍频幅值的准确性,基于所述运行数据中的设备转速和传感器的工作状态进行数据条件判断得到目标设备的有效运行数据;
通过预先建立的条件判断模型对目标设备中各个传感器所采集的1倍频幅值进行处理,得到各个传感器所对应的条件参数;
通过各个传感器所对应的条件参数确定各个通道的故障权重,并基于各个通道的故障权重得到目标设备的故障概率。
可选地,基于所述运行数据中的设备转速和传感器的工作状态进行数据条件判断得到目标设备的有效运行数据,包括:
当目标设备上的全部传感器信号正常且全部传感器所采集到的设备转速大于500rpm时,则确定目标设备在当前时刻所采集到的运行数据为有效运行数据。
可选地,通过预先建立的条件判断模型对目标设备中各个传感器所采集的1倍频幅值进行处理,得到各个传感器所对应的条件参数,具体包括:
建立当前传感器所采集的1倍频幅值及所采集的时间的对应关系;
基于所述对应关系确定多个采集点;其中,每个采集点包括当前传感器所采集的1倍频幅值及所采集的时间;
当所述多个采集点符合预设条件时,则将确定的多个采集点所对应的1倍频幅值作为当前传感器所对应的条件参数;
遍历目标设备所有有效的传感器,得到各个传感器所对应的条件参数。
可选地,基于所述对应关系确定4个采集点A、B、C、D,当所述多个采集点符合预设条件时,则将确定的多个采集点作为当前传感器所对应的条件参数,所述预设条件包括:
其中,EA、EB、EC、ED分别表示采集点A、B、C、D的1倍频幅值,TA、TB、TC、TD分别表示采集点A、B、C、D的采集时间,其中,采集点A、B、C、D的采集时间依次增加,&&表示和关系。
可选地,基于所述对应关系确定4个采集点A、B、C、D,当所述多个采集点符合预设条件时,则将确定的多个采集点作为当前传感器所对应的条件参数,所述预设条件包括:
其中,EA、EB、EC、ED分别表示采集点A、B、C、D的1倍频幅值,TA、TB、TC、TD分别表示采集点A、B、C、D的采集时间,其中,采集点A、B、C、D的采集时间依次增加,&&表示和关系。
可选地,基于所述对应关系确定3个采集点A、B、C,当所述多个采集点符合预设条件时,则将确定的多个采集点作为当前传感器所对应的条件参数,所述预设条件包括:
其中,EA、EB、EC分别表示采集点A、B、C的1倍频幅值,TA、TB、TC分别表示采集点A、B、C的采集时间,其中,采集点A、B、C的采集时间依次增加。
可选地,通过各个传感器所对应的条件参数确定各个通道的故障权重,包括:
通过公式
确定各个通道的故障权重,其中,EB、EC分别表示采集点B、C的1倍频幅值。
可选地,所述基于各个通道的故障权重得到目标设备的故障概率,包括:
通过公式
得到目标设备的故障概率PN,其中,n表示目标设备的通道数量,P表示目标设备各个通道的故障概率。
可选地,方法还包括:
当未得到符合条件的条件参数时,则退出当前故障概率计算流程。
第二方面,提供了一种旋转机械转子部件脱落故障识别系统,该系统包括:
获取模块,用于获取目标设备的运行数据;其中,所述运行数据通过目标设备上的多个传感器采集得到,所述运行数据具体包括各个传感器所采集到的设备转速、1倍频幅值、键相信号及各个传感器的工作状态;
数据判断模块,用于基于所述运行数据中的设备转速和传感器的工作状态进行数据条件判断得到目标设备的有效运行数据;
模型计算模块,用于通过预先建立的条件判断模型对目标设备中各个传感器所采集的1倍频幅值进行处理,得到各个传感器所对应的条件参数;
输出模块,用于通过各个传感器所对应的条件参数确定各个通道的故障权重,并基于各个通道的故障权重得到目标设备的故障概率。
本申请实施例提供的技术方案中首先获取目标设备的运行数据;基于所述运行数据中的设备转速和传感器的工作状态进行数据条件判断得到目标设备的有效运行数据;通过预先建立的条件判断模型对目标设备中各个传感器所采集的1倍频幅值进行处理,得到各个传感器所对应的条件参数;通过各个传感器所对应的条件参数确定各个通道的故障权重,并基于各个通道的故障权重得到目标设备的故障概率。可以看出,本申请的有益效果在于实现流程工业大机组转子部件脱落故障的自动诊断,能够解决行业对诊断系统以及诊断准确率与诊断效率的需求。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案,下面将对实施方式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示例性的,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,还可以根据提供的附图引申获得其它的实施附图。
图1为本申请实施例提供的一种旋转机械转子部件脱落故障识别步骤流程图;
图2为本申请实施例提供的一种旋转机械转子部件脱落故障识别过程中条件判断的示意图;
图3为本申请实施例提供的一种旋转机械转子部件脱落故障识别流程图;
图4为本申请实施例提供的一种旋转机械转子部件脱落故障识别系统框图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在本发明的描述中,术语“包括”、“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,包括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已明确列出的那些步骤或单元,而是还可包含虽然并未明确列出的但对于这些过程、方法、产品或设备固有的其它步骤或单元,或者基于本发明构思进一步的优化方案所增加的步骤或单元。
针对于现有技术所存在的问题,本发明基于SG8000系统采集到的数据,采用的技术方案是故障机理模型与数据特征相结合,实现流程工业大机组转子部件脱落故障的自动诊断,能够解决行业对诊断系统以及诊断准确率与诊断效率的需求。具体地,请参考图1,其示出了本申请实施例提供的一种旋转机械转子部件脱落故障识别方法的流程图,该方法可以包括以下步骤:
步骤101,获取目标设备的运行数据。
其中,运行数据通过目标设备上的多个传感器采集得到,运行数据具体包括各个传感器所采集到的设备转速、1倍频幅值、键相信号及各个传感器的工作状态。
步骤102,基于运行数据中的设备转速和传感器的工作状态进行数据条件判断得到目标设备的有效运行数据。
在本申请实施例中,基于所述键相信号确定设备转速以及1倍频幅值的准确性,并且当目标设备上的全部传感器信号正常且全部传感器所采集到的设备转速大于500rpm时,则确定目标设备在当前时刻所采集到的运行数据为有效运行数据。
步骤103,通过预先建立的条件判断模型对目标设备中各个传感器所采集的1倍频幅值进行处理,得到各个传感器所对应的条件参数。
具体地,建立当前传感器所采集的1倍频幅值及所采集的时间的对应关系;
基于对应关系确定多个采集点;其中,每个采集点包括当前传感器所采集的1倍频幅值及所采集的时间;当多个采集点符合预设条件时,则将确定的多个采集点所对应的1倍频幅值作为当前传感器所对应的条件参数;遍历目标设备所有有效的传感器,得到各个传感器所对应的条件参数。
在本申请实施例中,预先建立的条件判断模型可以包括以下四种情况。
情况1,断叶片后幅值上升且不联锁时。确定4个采集点A、B、C、D,具体的条件判断包括:
即满足上述5个条件时,则认为当前4个采集点A、B、C、D满足情况1,其中,EA、EB、EC、ED分别表示采集点A、B、C、D的1倍频幅值,TA、TB、TC、TD分别表示采集点A、B、C、D的采集时间,,其中,采集点A、B、C、D的采集时间依次增加,&&表示和关系。
情况2,断叶片后幅值下降且不联锁时。确定4个采集点A、B、C、D,具体的条件判断包括:
即满足上述5个条件时,则认为当前4个采集点A、B、C、D满足情况2,其中,EA、EB、EC、ED分别表示采集点A、B、C、D的1倍频幅值,TA、TB、TC、TD分别表示采集点A、B、C、D的采集时间,其中,采集点A、B、C、D的采集时间依次增加,&&表示和关系。
可选地,当设备下超过两个通道满足情况1或2的全部条件即判断成立。
情况3,断叶片后幅值上升后联锁时,确定3个采集点A、B、C,具体地判断条件包括:
即满足上述4个条件时,则认为当前3个采集点A、B、C满足情况3,其中,EA、EB、EC分别表示采集点A、B、C的1倍频幅值,TA、TB、TC分别表示采集点A、B、C的采集时间,其中,采集点A、B、C、D的采集时间依次增加。
情况4,即不属于上述情况1-3的其他数据。
当出现上述情况1-3时,则进行步骤104的计算,否则退出当前故障概率计算流程。如图2所示,给出了本申请中确定各个采集点的示意图,在本申请实施例中,可以根据时间-幅值对应关系中的拐点确认具体的采集点,进而确定所得到的各个拐点的时间、幅值是否满足上述情况,当满足时则根据具体采集点的赋值确定当前传感器通道的故障权重。
步骤104,通过各个传感器所对应的条件参数确定各个通道的故障权重,并基于各个通道的故障权重得到目标设备的故障概率。
根据步骤103中确定了满足情况1-3的A、B、C、(D)后
通过公式
确定各个通道的故障权重,其中,EB、EC分别表示采集点B、C的1倍频幅值。
通过公式
得到目标设备的故障概率PN,其中,n表示目标设备的通道数量,P表示目标设备各个通道的故障概率。
在本申请一个可选的实施例中,如图2,例如,得到当前A、B、C、D数据为
EA=14.62,TA=21:58:15
EB=14.64,TB=21:58:16
EC=37.44,TC=21:58:16
ED=38.99,TD=21:58:17
则进行情况1判断,即:
条件1,EC>EB、EC>EA、ED>EB、ED>EA;
EC=37.44>EB=14.64、EC=37.44>EA=14.62、ED=38.99>EB=14.64、ED=38.99>EA=14.62
条件2,(EC-EB)>3.5×|ED-EC|&&(EC-EB)>3.5×|EB-EA|&&(EC-EB)>2.1;
(37.44-14.64)>3.5*|38.99-37.44|&&(37.44-14.64)>3.5*|14.64-14.62|&&(37.44-14.64)>2.1
其中,“&&”表示“且”
条件3,时间上(TC-TB)<2s
(TC=21:58:16-TB=21:58:16)<2s
条件4*,时间上(TD-TA)<5s
(TD=21:58:16-TA=21:58:16)<5s
条件5*,TD~TA前6个存储点(共10个)转速变化小于3%(B点为基准)转速变化符合条件
B、A及A前4个存储点(共6个点)极差绝对值<0.4×|EC-EB|
极差点是A号点和D号点之差为1.06<9.12
即其符合情况1,在步骤104中该通道权重具体计算为:
如图3,给出了应用上述方法的旋转机械转子部件脱落故障识别流程图。
如图4,本申请实施例还提供的一种旋转机械转子部件脱落故障识别系统200。系统200包括:
获取模块201,用于获取目标设备的运行数据;其中,运行数据通过目标设备上的多个传感器采集得到,运行数据具体包括各个传感器所采集到的设备转速、1倍频幅值、键相信号及各个传感器的工作状态;
数据判断模块202,用于基于运行数据中的设备转速和传感器的工作状态进行数据条件判断得到目标设备的有效运行数据;
模型计算模块203,用于通过预先建立的条件判断模型对目标设备中各个传感器所采集的1倍频幅值进行处理,得到各个传感器所对应的条件参数;
输出模块204,用于通过各个传感器所对应的条件参数确定各个通道的故障权重,并基于各个通道的故障权重得到目标设备的故障概率。
本申请实施例提供的旋转机械转子部件脱落故障识别系统用于实现上述旋转机械转子部件脱落故障识别方法,关于旋转机械转子部件脱落故障识别系统的具体限定可以参见上文中对于旋转机械转子部件脱落故障识别方法的限定,在此不再赘述。上述旋转机械转子部件脱落故障识别系统中的各个部分可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于设备中的处理器中,也可以以软件形式存储于设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (8)
1.一种旋转机械转子部件脱落故障识别方法,其特征在于,所述方法包括:
获取目标设备的运行数据;其中,所述运行数据通过目标设备上的多个传感器采集得到,所述运行数据具体包括各个传感器所采集到的设备转速、1倍频幅值、键相信号及各个传感器的工作状态;
基于所述键相信号确定设备转速以及1倍频幅值的准确性,基于所述运行数据中的设备转速和传感器的工作状态进行数据条件判断得到目标设备的有效运行数据;
通过预先建立的条件判断模型对目标设备中各个传感器所采集的1倍频幅值进行处理,得到各个传感器所对应的条件参数;
通过各个传感器所对应的条件参数确定各个通道的故障权重,并基于各个通道的故障权重得到目标设备的故障概率;
通过预先建立的条件判断模型对目标设备中各个传感器所采集的1倍频幅值进行处理,得到各个传感器所对应的条件参数,具体包括:
建立当前传感器所采集的1倍频幅值及所采集的时间的对应关系;
基于所述对应关系确定多个采集点;其中,每个采集点包括当前传感器所采集的1倍频幅值及所采集的时间;
当所述多个采集点符合预设条件时,则将确定的多个采集点所对应的1倍频幅值作为当前传感器所对应的条件参数;
遍历目标设备所有有效的传感器,得到各个传感器所对应的条件参数;
其中,所述预先建立的条件判断模型包括基于对应关系确定4个采集点A、B、C、D,当所述多个采集点符合预设条件时,则将确定的多个采集点作为当前传感器所对应的条件参数,所述预设条件包括:
其中,EA、EB、EC、ED分别表示采集点A、B、C、D的1倍频幅值,TA、TB、TC、TD分别表示采集点A、B、C、D的采集时间,其中,采集点A、B、C、D的采集时间依次增加,&&表示和关系。
2.根据权利要求1所述的方法,其特征在于,所述基于所述运行数据中的设备转速和传感器的工作状态进行数据条件判断得到目标设备的有效运行数据,包括:
当目标设备上的全部传感器信号正常且全部传感器所采集到的设备转速大于500rpm时,则确定目标设备在当前时刻所采集到的运行数据为有效运行数据。
7.根据权利要求1所述的方法,其特征在于,所述方法还包括:
当未得到符合条件的条件参数时,则退出当前故障概率计算流程。
8.一种旋转机械转子部件脱落故障识别系统,其特征在于,所述系统包括:
获取模块,用于获取目标设备的运行数据;其中,所述运行数据通过目标设备上的多个传感器采集得到,所述运行数据具体包括各个传感器所采集到的设备转速、1倍频幅值、键相信号及各个传感器的工作状态;
数据判断模块,用于基于所述运行数据中的设备转速和传感器的工作状态进行数据条件判断得到目标设备的有效运行数据;
模型计算模块,用于通过预先建立的条件判断模型对目标设备中各个传感器所采集的1倍频幅值进行处理,得到各个传感器所对应的条件参数;
输出模块,用于通过各个传感器所对应的条件参数确定各个通道的故障权重,并基于各个通道的故障权重得到目标设备的故障概率;
所述模型计算模块,具体包括:
建立当前传感器所采集的1倍频幅值及所采集的时间的对应关系;
基于所述对应关系确定多个采集点;其中,每个采集点包括当前传感器所采集的1倍频幅值及所采集的时间;
当所述多个采集点符合预设条件时,则将确定的多个采集点所对应的1倍频幅值作为当前传感器所对应的条件参数;
遍历目标设备所有有效的传感器,得到各个传感器所对应的条件参数;
其中,所述预先建立的条件判断模型包括基于对应关系确定4个采集点A、B、C、D,当所述多个采集点符合预设条件时,则将确定的多个采集点作为当前传感器所对应的条件参数,所述预设条件包括:
其中,EA、EB、EC、ED分别表示采集点A、B、C、D的1倍频幅值,TA、TB、TC、TD分别表示采集点A、B、C、D的采集时间,其中,
采集点A、B、C、D的采集时间依次增加,&&表示和关系。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211290003.4A CN115357864B (zh) | 2022-10-21 | 2022-10-21 | 旋转机械转子部件脱落故障识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211290003.4A CN115357864B (zh) | 2022-10-21 | 2022-10-21 | 旋转机械转子部件脱落故障识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115357864A CN115357864A (zh) | 2022-11-18 |
CN115357864B true CN115357864B (zh) | 2023-03-31 |
Family
ID=84007843
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211290003.4A Active CN115357864B (zh) | 2022-10-21 | 2022-10-21 | 旋转机械转子部件脱落故障识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115357864B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103323274A (zh) * | 2013-05-24 | 2013-09-25 | 上海交通大学 | 旋转机械状态监测与故障诊断系统及方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102095561B (zh) * | 2010-12-01 | 2012-10-10 | 浙江省电力试验研究院 | 一种大型汽轮机转动部件脱落故障定位方法 |
CN103941722B (zh) * | 2014-03-26 | 2016-08-17 | 西安热工研究院有限公司 | 通过部件特征倍频幅值趋势监测和诊断设备故障的方法 |
US20200103887A1 (en) * | 2017-06-12 | 2020-04-02 | Tetra Laval Holdings & Finance S.A. | Method of fault prediction of a cyclically moving machine component |
EP4043699A1 (en) * | 2021-02-12 | 2022-08-17 | Accenture Global Solutions Limited | System and method for automated failure mode detection of rotating machinery |
CN113252347B (zh) * | 2021-06-25 | 2021-10-01 | 深圳沈鼓测控技术有限公司 | 一种旋转机械轴系不对中故障检测方法和系统 |
-
2022
- 2022-10-21 CN CN202211290003.4A patent/CN115357864B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103323274A (zh) * | 2013-05-24 | 2013-09-25 | 上海交通大学 | 旋转机械状态监测与故障诊断系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115357864A (zh) | 2022-11-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108496123B (zh) | 对机器进行振动诊断监测的方法以及装置 | |
Amihai et al. | An industrial case study using vibration data and machine learning to predict asset health | |
AU2020394302A1 (en) | Method and apparatus for detecting fault, method and apparatus for training model, and device and storage medium | |
CN112254972B (zh) | 挖掘机油温预警方法、装置、服务器及挖掘机 | |
CN103838181B (zh) | 机床状态判断方法以及系统 | |
CN109458305B (zh) | 风速仪容错控制方法、装置及风电场控制器 | |
CN105094698A (zh) | 一种基于历史监测数据的磁盘容量预测方法 | |
CN109887125A (zh) | 故障检测方法及装置 | |
CN109167681B (zh) | 状态监控方法及装置 | |
JP2008546084A (ja) | 生産機械のための評価装置の動作方法 | |
CN107450041B (zh) | 用于同步电机的电流传感器故障诊断方法、装置及变频器 | |
CN115357864B (zh) | 旋转机械转子部件脱落故障识别方法及系统 | |
CN111176226A (zh) | 一种基于运行工况的设备特征参数报警阈值自动分析方法 | |
CN110376977B (zh) | 一种循环周期的计算方法、系统、装置和存储介质 | |
CN110450189B (zh) | 用于机器人的异常处理方法及装置 | |
CN112383116A (zh) | 充电设备的状态确定方法、系统以及装置 | |
CN109209781B (zh) | 风力发电机组的故障定位方法及装置 | |
CN114840581A (zh) | 基于统计模型生成用于设备预警的动态阈值的方法及装置 | |
CN114662226A (zh) | 一种基于时变卡尔曼滤波的滚动轴承剩余使用寿命预测方法 | |
CN112214866A (zh) | 船用设备健康状况判定方法、装置和计算机设备 | |
CN113482769A (zh) | 基于物联网的发动机组远程控制系统 | |
CN112069168B (zh) | 一种设备运行数据云端存储方法 | |
CN110083804B (zh) | 基于条件分布回归的风电场scada数据缺失的智能修复方法 | |
CN114091238A (zh) | 设备寿命预测方法、装置、电子设备及存储介质 | |
CN108537174B (zh) | 时变工况条件下旋转机械运行状态在线监测方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |