CN115401524A - 一种刀具振动信号监控方法、系统及介质 - Google Patents
一种刀具振动信号监控方法、系统及介质 Download PDFInfo
- Publication number
- CN115401524A CN115401524A CN202210999655.9A CN202210999655A CN115401524A CN 115401524 A CN115401524 A CN 115401524A CN 202210999655 A CN202210999655 A CN 202210999655A CN 115401524 A CN115401524 A CN 115401524A
- Authority
- CN
- China
- Prior art keywords
- vibration signal
- cutter
- tool
- signal monitoring
- tool vibration
- 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
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23Q—DETAILS, COMPONENTS, OR ACCESSORIES FOR MACHINE TOOLS, e.g. ARRANGEMENTS FOR COPYING OR CONTROLLING; MACHINE TOOLS IN GENERAL CHARACTERISED BY THE CONSTRUCTION OF PARTICULAR DETAILS OR COMPONENTS; COMBINATIONS OR ASSOCIATIONS OF METAL-WORKING MACHINES, NOT DIRECTED TO A PARTICULAR RESULT
- B23Q17/00—Arrangements for observing, indicating or measuring on machine tools
- B23Q17/09—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring cutting pressure or for determining cutting-tool condition, e.g. cutting ability, load on tool
- B23Q17/0952—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring cutting pressure or for determining cutting-tool condition, e.g. cutting ability, load on tool during machining
- B23Q17/0971—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring cutting pressure or for determining cutting-tool condition, e.g. cutting ability, load on tool during machining by measuring mechanical vibrations of parts of the machine
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Mechanical Engineering (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种刀具振动信号监控方法、系统及存储介质,所述方法包括以下步骤:获取刀具振动信号和刀具号;基于Tensorflow框架对所述刀具振动信号进行特征提取;根据预先构建的刀具振动信号监控模型判断当前刀具振动信号是否异常,刀具是否存在崩刃或黑痕现象。本发明可对刀具黑痕、崩刃情况实时监控,保证发动机缸体的加工质量,对后续刀具的寿命提升起到辅助作用。
Description
技术领域
本发明涉及刀具监控技术领域,特别涉及一种基于Python的刀具振动信号监控方法、系统及介质。
背景技术
加工中心凭借其高效率、高精度、高自动化程度以及高安全性等优点,已经成为目前应用最广泛的数控机床之一。根据工业数据统计,加工中心约有四分之一的停机时间是由刀具失效引发的,为了保证工件加工质量需要对刀具磨损情况进行精准监控。传统上刀具更换是依据经验周期换刀。
目前使用的刀具换刀策略存在以下缺陷:
1、不能充分发挥刀具全部寿命,导致刀具利用率不足,刀具成本上升。
2、可能存在超过刀具本身设计寿命的刀仍在加工,影响工件质量。
3、若加工过程中出现崩刃、黑痕或刀片掉落现象,经验周期性换刀无法及时确认,可能会导致批量质量问题。
4、若刀具需要进行寿命提升测试,该策略无法进行刀具剩余寿命预测。
发明内容
本发明的主要目的在于提出一种刀具振动信号监控方法、系统及介质,旨在实时监控刀具振动信号,提升刀具利用率和使用寿命。
为实现上述目的,本发明提供了一种刀具振动信号监控方法,所述方法包括以下步骤:
获取刀具振动信号和刀具号;
基于Tensorflow框架对所述刀具振动信号进行特征提取;
根据预先构建的刀具振动信号监控模型判断当前刀具振动信号是否异常,刀具是否存在崩刃或黑痕现象。
本发明进一步地技术方案是,所述预先构建的刀具振动信号监控模型判断当前刀具振动信号是否异常的步骤之后还包括:
若所述当前刀具振动信号异常,则报警或通过邮件发送报警信息。
本发明进一步地技术方案是,所述获取刀具振动信号和刀具号的步骤之前包括:
采用谷歌开源Tensorflow神经网络构建刀具振动信号监控模型。
本发明进一步地技术方案是,所述采用谷歌开源Tensorflow神经网络构建刀具振动信号监控模型的步骤包括:
先收集正常刀具加工数据和崩刃刀具加工数据组成振动信号样本库,再选择并标记需要监控刀具的信号段,将这些信号段划分为训练集和测试集,最后训练直至达到训练要求。
为实现上述目的,本发明还提出一种刀具振动信号监控系统,所述系统包括存储器、处理器以及存储在所述处理器上的刀具振动信号监控程序,所述刀具振动信号监控程序被所述处理器运行时执行以下步骤:
获取刀具振动信号和刀具号;
基于Tensorflow框架对所述刀具振动信号进行特征提取;
根据预先构建的刀具振动信号监控模型判断当前刀具振动信号是否异常,刀具是否存在崩刃或黑痕现象。
本发明进一步地技术方案是,所述刀具振动信号监控程序被所述处理器运行时还执行以下步骤:
若所述当前刀具振动信号异常,则报警或通过邮件发送报警信息。
本发明进一步地技术方案是,所述刀具振动信号监控程序被所述处理器运行时还执行以下步骤:
采用谷歌开源Tensorflow神经网络构建刀具振动信号监控模型。
本发明进一步地技术方案是,所述刀具振动信号监控程序被所述处理器运行时还执行以下步骤:
先收集正常刀具加工数据和崩刃刀具加工数据组成振动信号样本库,再选择并标记需要监控刀具的信号段,将这些信号段划分为训练集和测试集,最后训练直至达到训练要求。
为实现上述目的,本发明还提出一种计算机可读存储介质,所述计算机可读存储介质存储有刀具振动信号监控程序,所述刀具振动信号监控程序被处理器运行时执行如上所述的方法的步骤。
本发明刀具振动信号监控方法、系统及计算机可读存储介质的有益效果是:
本发明可对刀具黑痕、崩刃情况实时监控,保证发动机缸体的加工质量,对后续刀具的寿命提升起到辅助作用:
1、使用谷歌开源Tensorflow神经网络制作模型,实现了高准确率振动信号判断;
2、通过编程逻辑控制实现了极佳的人机交互体验,无需人员增加任何特殊操作,如遇特殊情况(如断电重启)程序会自动处理;
3、通过编写逻辑控制程序,实现了加工过程全程监控及报警;
4、程序采用模块化设计,维护简单,可移植高,可立背包即在各基地推广。
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示出的结构获得其他的附图。
图1是本发明刀具振动信号监控方法较佳实施例的流程示意图;
图2是本发明刀具振动信号监控方法训练流程和运行流程示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明提出一种刀具振动信号监控方法,本发明刀具振动信号监控方法所要解决的技术问题如下:
1、自主开发刀具振动信号监控系统,实时监控每一台发动机缸体刀具振动信号;
2、发现刀具振动信号异常,如发现存在超过刀具本身设计寿命的刀仍在加工,会立即报警、通过邮件发送报警信息,保证加工质量;
3、系统会自动收集、保存当日的刀具振动信号信息,进而可以不断优化模型的准确率。
4、进行刀具提寿测试时,可有效预测刀具剩余寿命可充分发挥刀具全部寿命,提升刀具利用率,降低刀具成本。
5、拥有对振动信号的储存功能,可查看过去的数据辅助质量进行问题解决。
请参照图1,本发明刀具振动信号监控方法较佳实施例包括以下步骤:
步骤S10,获取刀具振动信号和刀具号。
本实施例在数据获取过程中,在加工中心机床主轴处设置有振动信号传感器,利用采集卡、网口等硬件获取刀具振动数据、刀具号等数据。
步骤S20,基于Tensorflow框架对所述刀具振动信号进行特征提取。
步骤S30,根据预先构建的刀具振动信号监控模型判断当前刀具振动信号是否异常,刀具是否存在崩刃或黑痕现象。
本实施例在数据处理过程中,在获取到刀具振动信号和刀具号后,将获取到的数据基于Tensorflow框架进行刀具振动信号特征提取,并通过构建神经网络进行机器学习,使用Python语言,编写控制逻辑,实时判断刀具加工过程中是否有崩刃、黑痕现象。
本实施例通过编程逻辑控制实现了极佳的人机交互体验,无需人员增加任何特殊操作,如遇特殊情况(如断电重启)程序会自动处理;通过编写逻辑控制程序,实现了加工过程全程监控及报警。本实施例中,程序采用模块化设计,维护简单,可移植度高。
进一步地,本实施例中,所述预先构建的刀具振动信号监控模型判断当前刀具振动信号是否异常的步骤之后还包括:
若所述当前刀具振动信号异常,则报警或通过邮件发送报警信息。
本实施例在所述当前刀具振动信号异常时报警或通过邮件发送报警信息,方便用户实时了解刀具振动信号及使用寿命情况,便于对刀具进加工过程全程监控。
进一步地,本实施例中,所述获取刀具振动信号和刀具号的步骤之前包括:
采用谷歌开源Tensorflow神经网络构建刀具振动信号监控模型。
本实施例采用谷歌开源Tensorflow神经网络构建刀具振动信号监控模型,实现了高准确率振动信号判断。
进一步地,本实施例中,所述采用谷歌开源Tensorflow神经网络构建刀具振动信号监控模型的步骤包括:
先收集正常刀具加工数据和崩刃刀具加工数据组成振动信号样本库,再选择并标记需要监控刀具的信号段,将这些信号段划分为训练集和测试集,最后训练直至达到训练要求。
具体地,如图2所示,本实施例中,刀具振动信号监控方法较佳实施例包括训练流程和运行流程:
训练流程中,先收集正常刀具加工数据和崩刃刀片加工数据组成振动信号样本库,选择并标记需要监控刀具的信号段,将这些信号段划分为训练集和测试集,最后训练直至达到训练要求。
运行流程中,正常生产中由振动传感器采集信号,在一旁的工业电脑中进行信号处理和状态预测,振动信号正常则判断刀具状态正常,继续加工;振动信号异常则判断刀具状态异常,须由线旁人员检查刀具后才可决定后序是否生产。
本发明刀具振动信号监控方法的技术创新点如下:
1、本发明将谷歌开源tensorflow神经网络技术引入生产制造中;
2、本发明硬件性能稳定,软件为自主开发(零成本);
3、本发明整套硬件模块化,故障可直接更换模块,维护方便且成本低;
4、本发明通过编程逻辑控制实现了极佳的人机交互体验,人员无需增加任何特殊操作;
5、本发明实现了缸体加工过程对刀具全程实时监控,正常加工、刀具崩刃信息全程记录;
6、本发明可根据团队实际需要自主增加功能;
7、本发明适用于目前公司生产的所有机型;
8、本发明推广性好,可立即在各基地移植推广。
本发明刀具振动信号监控方法的有益效果是:
本发明可对刀具黑痕、崩刃情况实时监控,保证发动机缸体的加工质量,对后续刀具的寿命提升起到辅助作用:
1、使用谷歌开源Tensorflow神经网络制作模型,实现了高准确率振动信号判断;
2、通过编程逻辑控制实现了极佳的人机交互体验,无需人员增加任何特殊操作,如遇特殊情况(如断电重启)程序会自动处理;
3、通过编写逻辑控制程序,实现了加工过程全程监控及报警;
4、程序采用模块化设计,维护简单,可移植高,可立背包即在各基地推广。
为实现上述目的,本发明还提出一种刀具振动信号监控系统,所述系统包括存储器、处理器以及存储在所述处理器上的刀具振动信号监控程序,所述刀具振动信号监控程序被所述处理器运行时执行以下步骤:
获取刀具振动信号和刀具号;
基于Tensorflow框架对所述刀具振动信号进行特征提取;
根据预先构建的刀具振动信号监控模型判断当前刀具振动信号是否异常,刀具是否存在崩刃或黑痕现象。
进一步地,所述刀具振动信号监控程序被所述处理器运行时还执行以下步骤:
若所述当前刀具振动信号异常,则报警或通过邮件发送报警信息。
进一步地,所述刀具振动信号监控程序被所述处理器运行时还执行以下步骤:
采用谷歌开源Tensorflow神经网络构建刀具振动信号监控模型。
进一步地,所述刀具振动信号监控程序被所述处理器运行时还执行以下步骤:
先收集正常刀具加工数据和崩刃刀具加工数据组成振动信号样本库,再选择并标记需要监控刀具的信号段,将这些信号段划分为训练集和测试集,最后训练直至达到训练要求。
本发明刀具振动信号监控系统的有益效果是:
本发明可对刀具黑痕、崩刃情况实时监控,保证发动机缸体的加工质量,对后续刀具的寿命提升起到辅助作用:
1、使用谷歌开源Tensorflow神经网络制作模型,实现了高准确率振动信号判断;
2、通过编程逻辑控制实现了极佳的人机交互体验,无需人员增加任何特殊操作,如遇特殊情况(如断电重启)程序会自动处理;
3、通过编写逻辑控制程序,实现了加工过程全程监控及报警;
4、程序采用模块化设计,维护简单,可移植高,可立背包即在各基地推广。
为实现上述目的,本发明还提出一种计算机可读存储介质,所述计算机可读存储介质存储有刀具振动信号监控程序,所述刀具振动信号监控程序被处理器运行时执行如上实施例所述的方法的步骤,这里不再赘述。
以上所述仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是在本发明的构思下,利用本发明说明书及附图内容所作的等效结构变换,或直接/间接运用在其他相关的技术领域均包括在本发明的专利保护范围内。
Claims (9)
1.一种刀具振动信号监控方法,其特征在于,所述方法包括以下步骤:
获取刀具振动信号和刀具号;
基于Tensorflow框架对所述刀具振动信号进行特征提取;
根据预先构建的刀具振动信号监控模型判断当前刀具振动信号是否异常,刀具是否存在崩刃或黑痕现象。
2.根据权利要求1所述的刀具振动信号监控方法,其特征在于,所述预先构建的刀具振动信号监控模型判断当前刀具振动信号是否异常的步骤之后还包括:
若所述当前刀具振动信号异常,则报警或通过邮件发送报警信息。
3.根据权利要求1所述的刀具振动信号监控方法,其特征在于,所述获取刀具振动信号和刀具号的步骤之前包括:
采用谷歌开源Tensorflow神经网络构建刀具振动信号监控模型。
4.根据权利要求3所述的刀具振动信号监控方法,其特征在于,所述采用谷歌开源Tensorflow神经网络构建刀具振动信号监控模型的步骤包括:
先收集正常刀具加工数据和崩刃刀具加工数据组成振动信号样本库,再选择并标记需要监控刀具的信号段,将这些信号段划分为训练集和测试集,最后训练直至达到训练要求。
5.一种刀具振动信号监控系统,其特征在于,所述系统包括存储器、处理器以及存储在所述处理器上的刀具振动信号监控程序,所述刀具振动信号监控程序被所述处理器运行时执行以下步骤:
获取刀具振动信号和刀具号;
基于Tensorflow框架对所述刀具振动信号进行特征提取;
根据预先构建的刀具振动信号监控模型判断当前刀具振动信号是否异常,刀具是否存在崩刃或黑痕现象。
6.根据权利要求5所述的刀具振动信号监控系统,其特征在于,所述刀具振动信号监控程序被所述处理器运行时还执行以下步骤:
若所述当前刀具振动信号异常,则报警或通过邮件发送报警信息。
7.根据权利要求6所述的刀具振动信号监控系统,其特征在于,所述刀具振动信号监控程序被所述处理器运行时还执行以下步骤:
采用谷歌开源Tensorflow神经网络构建刀具振动信号监控模型。
8.根据权利要求7所述的刀具振动信号监控系统,其特征在于,所述刀具振动信号监控程序被所述处理器运行时还执行以下步骤:
先收集正常刀具加工数据和崩刃刀具加工数据组成振动信号样本库,再选择并标记需要监控刀具的信号段,将这些信号段划分为训练集和测试集,最后训练直至达到训练要求。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有刀具振动信号监控程序,所述刀具振动信号监控程序被处理器运行时执行如权利要求1至4任意一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210999655.9A CN115401524A (zh) | 2022-08-19 | 2022-08-19 | 一种刀具振动信号监控方法、系统及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210999655.9A CN115401524A (zh) | 2022-08-19 | 2022-08-19 | 一种刀具振动信号监控方法、系统及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115401524A true CN115401524A (zh) | 2022-11-29 |
Family
ID=84161783
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210999655.9A Pending CN115401524A (zh) | 2022-08-19 | 2022-08-19 | 一种刀具振动信号监控方法、系统及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115401524A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116061006A (zh) * | 2023-04-03 | 2023-05-05 | 成都飞机工业(集团)有限责任公司 | 一种刀具监控方法、装置、设备及介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104889870A (zh) * | 2014-03-07 | 2015-09-09 | 株式会社迪思科 | 切削装置 |
CN111782624A (zh) * | 2020-06-16 | 2020-10-16 | 中译语通科技(青岛)有限公司 | 基于人工智能和大数据的机床刀具振动监控和分析方法 |
CN112434613A (zh) * | 2020-11-25 | 2021-03-02 | 北京南洋思源智能科技有限公司 | 一种刀具状态监测方法及装置、设备、存储介质 |
CN112435363A (zh) * | 2019-08-26 | 2021-03-02 | 贵州大学 | 一种刀具磨损状态实时监测方法 |
CN112589535A (zh) * | 2020-11-25 | 2021-04-02 | 北京南洋思源智能科技有限公司 | 一种刀具状态监测方法及装置、设备、存储介质 |
CN113664612A (zh) * | 2021-08-24 | 2021-11-19 | 沈阳工业大学 | 一种基于深度卷积神经网络的数控机床铣削刀具磨损实时监测方法 |
CN114273977A (zh) * | 2021-12-15 | 2022-04-05 | 重庆文高科技有限公司 | 一种基于mes的刀具磨损检测方法及其系统 |
US20220187164A1 (en) * | 2020-12-15 | 2022-06-16 | University Of Cincinnati | Tool condition monitoring system |
CN114850968A (zh) * | 2022-05-31 | 2022-08-05 | 深圳华刃智造科技有限公司 | 基于振动模型的刀具磨损监测方法、装置、终端及介质 |
CN114871850A (zh) * | 2022-04-22 | 2022-08-09 | 浙江大学 | 一种基于振动信号和bp神经网络的刀具磨损状态评估方法 |
-
2022
- 2022-08-19 CN CN202210999655.9A patent/CN115401524A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104889870A (zh) * | 2014-03-07 | 2015-09-09 | 株式会社迪思科 | 切削装置 |
CN112435363A (zh) * | 2019-08-26 | 2021-03-02 | 贵州大学 | 一种刀具磨损状态实时监测方法 |
CN111782624A (zh) * | 2020-06-16 | 2020-10-16 | 中译语通科技(青岛)有限公司 | 基于人工智能和大数据的机床刀具振动监控和分析方法 |
CN112434613A (zh) * | 2020-11-25 | 2021-03-02 | 北京南洋思源智能科技有限公司 | 一种刀具状态监测方法及装置、设备、存储介质 |
CN112589535A (zh) * | 2020-11-25 | 2021-04-02 | 北京南洋思源智能科技有限公司 | 一种刀具状态监测方法及装置、设备、存储介质 |
US20220187164A1 (en) * | 2020-12-15 | 2022-06-16 | University Of Cincinnati | Tool condition monitoring system |
CN113664612A (zh) * | 2021-08-24 | 2021-11-19 | 沈阳工业大学 | 一种基于深度卷积神经网络的数控机床铣削刀具磨损实时监测方法 |
CN114273977A (zh) * | 2021-12-15 | 2022-04-05 | 重庆文高科技有限公司 | 一种基于mes的刀具磨损检测方法及其系统 |
CN114871850A (zh) * | 2022-04-22 | 2022-08-09 | 浙江大学 | 一种基于振动信号和bp神经网络的刀具磨损状态评估方法 |
CN114850968A (zh) * | 2022-05-31 | 2022-08-05 | 深圳华刃智造科技有限公司 | 基于振动模型的刀具磨损监测方法、装置、终端及介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116061006A (zh) * | 2023-04-03 | 2023-05-05 | 成都飞机工业(集团)有限责任公司 | 一种刀具监控方法、装置、设备及介质 |
CN116061006B (zh) * | 2023-04-03 | 2023-07-21 | 成都飞机工业(集团)有限责任公司 | 一种刀具监控方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109270899B (zh) | 一种基于数字孪生的船用柴油机关重件制造过程管控方法 | |
CN106020158A (zh) | 一种项目型产品加工工艺大数据支持系统 | |
CN111160804A (zh) | 一种基于物联网的矿用设备管理方法、装置及系统 | |
CN104781740A (zh) | 用于对从每个给定工件、工具和机床计算的加工生产线整体性能进行实时评估和监控的模块化系统 | |
CN105577440A (zh) | 一种网络故障时间定位方法和分析设备 | |
CN111340250A (zh) | 设备检修装置、方法及计算机可读存储介质 | |
CN109242104A (zh) | 一种利用数据分析实时发现设备故障异常的系统 | |
CN116316613B (zh) | 电力设备运行监测方法、系统、电子设备及存储介质 | |
CN108527005A (zh) | 一种cnc刀具状态检测方法和系统 | |
CN111159487A (zh) | 一种汽车发动机主轴预测性维护智能系统 | |
CN113177698A (zh) | 一种工业大数据分析辅助决策平台系统 | |
CN115401524A (zh) | 一种刀具振动信号监控方法、系统及介质 | |
CN116292241A (zh) | 一种输油泵机组的故障诊断预警方法及系统 | |
CN112561238A (zh) | 一种抽水蓄能电站辅机设备状态健康评价系统及方法 | |
CN115420233A (zh) | 采煤机位置传感器异常识别方法 | |
CN113361958A (zh) | 一种缺陷预警方法及系统 | |
CN107122907B (zh) | 一种机电产品符号化质量特性的分析与故障原因追溯方法 | |
CN117078227A (zh) | 一种基于标识解析的环境监测运维平台 | |
CN116859838B (zh) | 一种设备运行情况监测的预警系统 | |
CN116485020B (zh) | 一种基于大数据的供应链风险识别预警方法、系统及介质 | |
CN115524002B (zh) | 一种电厂旋转设备的运行状态预警方法、系统及存储介质 | |
CN112329953A (zh) | 一种工业炉全流程智能诊断和优化运行系统 | |
CN114670062B (zh) | 一种钻孔刀具磨损状态实时检测方法及系统 | |
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 | |
CN115788771A (zh) | 一种基于物联网技术的风力发电系统的智能运维管理系统 |
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 |