CN115630284A - 一种考虑服役周期的空压机故障分析与寿命预测系统 - Google Patents

一种考虑服役周期的空压机故障分析与寿命预测系统 Download PDF

Info

Publication number
CN115630284A
CN115630284A CN202211281611.9A CN202211281611A CN115630284A CN 115630284 A CN115630284 A CN 115630284A CN 202211281611 A CN202211281611 A CN 202211281611A CN 115630284 A CN115630284 A CN 115630284A
Authority
CN
China
Prior art keywords
signal
self
air compressor
analysis
service
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
Application number
CN202211281611.9A
Other languages
English (en)
Inventor
田莹
顾颉颖
刘伟
张晋川
刘峻铭
刘思远
王海舰
张强
苏金鹏
冯龙
邱方旭
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.)
Shandong University of Science and Technology
Original Assignee
Shandong University of Science and Technology
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 Shandong University of Science and Technology filed Critical Shandong University of Science and Technology
Priority to CN202211281611.9A priority Critical patent/CN115630284A/zh
Publication of CN115630284A publication Critical patent/CN115630284A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • 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
    • 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
    • G06Q10/20—Administration of product repair or maintenance
    • 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
    • G06F2119/04—Ageing analysis or optimisation against ageing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Business, Economics & Management (AREA)
  • Artificial Intelligence (AREA)
  • Human Resources & Organizations (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computer Hardware Design (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Geometry (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本申请公开了一种考虑服役周期的空压机故障分析与寿命预测系统，包括：信息检测模块、数据处理模块、自训练模块和分析模块；信息检测模块与数据处理模块连接，用于检测并采集空压机内部的工作情况信号；数据处理模块还与自训练模块连接，用于接收所述工作情况信号，并基于工作情况信号分析得到信号特征值；自训练模块还与分析模块连接，用于基于所述信号特征值，利用神经网络构建自训练模型；分析模块用于融合工作情况信号，并基于自训练模型进行分析，得到故障分析结果、服役周期分析和寿命分析结果。本申请通过自训练模型的方式，完成不同服役周期下空压机故障监测与寿命预测工作，确保空压机出现故障能够及时检修。

Description

一种考虑服役周期的空压机故障分析与寿命预测系统
技术领域
本申请涉及煤矿装备领域，具体涉及一种考虑服役周期的空压机故障分析与寿命预测系统。
背景技术
目前，在煤矿生产工作中，空压机已经成为煤矿井下生产过程中不可或缺的设备之一，以往评估空压机寿命的方法多为根据空压机单个班次的工作时间，按照单个班次的工作时间，每隔一定的班次对空压机进行检修与维护，若空压机有出现故障的零部件或机械结构将对空压机的零部件与机械结构进行维修或更换，当空压机主要部件即空压机主体在检修过程中磨损较为严重，无法满足空压机正常工作需求时空压机将退出工作序列。这种方法虽然能够满足大多数情况空压机的工作需要，但是这种方法下空压机工作可靠性相对较低，空压机从投入生产到退出工作序列的周期过程中存在部分易损坏、易更换零件需要更换，以上零件由于空压机工作时的复杂工况，寿命周期存在差异，采用定期检修的方式会导致某些零件未到达更换周期就已经进行了更换，造成经济成本提高，还存在部分零件已经超过正常更换周期，存在超期服役现象，影响设备工作的可靠性，影响整体生产安全。
因此，有必要设计一种更好的检测技术，有效监测空压机的工作情况并预测空压机各处工作寿命，以解决上述问题。
发明内容
本申请提供了一种考虑服役周期的空压机故障分析与寿命预测系统，利用传感器实时检测空压机主体部件和易更换部件的使用情况，明确各零部件的服役周期，建立空压机故障分析与寿命预测系统。
为达到上述目的，本申请提供了以下方案：
一种考虑服役周期的空压机故障分析与寿命预测系统，其特征在于，包括：信息检测模块、数据处理模块、自训练模块和分析模块；
所述信息检测模块与所述数据处理模块连接，所述信息检测模块用于检测并采集所述空压机内部的工作情况信号；
所述数据处理模块还与所述自训练模块连接，所述数据处理模块用于接收所述工作情况信号，并基于所述工作情况信号分析得到信号特征值；
所述自训练模块还与所述分析模块连接，所述自训练模块用于基于所述信号特征值，利用神经网络构建自训练模型；
所述分析模块用于融合所述工作情况信号，并基于所述自训练模型进行分析，得到故障分析结果、服役周期分析结果和寿命分析结果。
优选的，所述信息检测模块包括：振动传感器、电流传感器、声发射传感器、压力传感器和温度传感器；
所述振动传感器和所述电流传感器安装在所述空压机的电机端；
所述声发射传感器和所述压力传感器安装在所述空压机的气缸处；
所述温度传感器安装在所述空压机的主排气口处。
优选的，所述工作情况信号包括：振动信号、电流信号、声发射信号、压力信号和温度信号。
优选的，所述信息检测模块的工作方法包括：
所述振动传感器用于检测所述电机端的所述振动信号；
所述电流传感器用于检测所述电机端的所述电流信号；
所述声发射传感器用于检测所述气缸处的所述声发射信号；
所述压力传感器用于检测所述气缸处的所述压力信号；
所述温度传感器用于检测所述主排气口处的所述温度信号。
优选的，所述数据处理模块包括：PLC处理器和特征数据库；
所述PLC处理器用于接收所述工作情况信号并进行特征提取，得到所述信号特征值；
所述特征数据库用于储存所述信号特征值。
优选的，所述数据处理模块的工作方法包括：
收集所述工作情况信号；
提取所述工作情况信号的所述信号特征值；
基于所述信号特征值搭建所述特征数据库。
优选的，所述自训练模块包括自训练模型。
优选的，所述自训练模块的工作方法包括：
获取不同服役周期的历史信号特征值；
基于神经网络中的D-S证据理论融合算法，融合所述历史信号特征值，得到特征值融合数据；
基于所述特征值融合数据，利用神经网络中的CNN算法，构建所述自训练模型。
优选的，所述分析模块包括：故障分析单元、服役周期分析单元和寿命分析单元；
所述故障分析单元用于基于所述自训练模型得到所述故障分析结果；
所述服役周期分析单元用于基于所述自训练模型得到所述服役周期分析结果；
所述寿命分析单元用于基于所述自训练模型得到所述寿命分析结果。
优选的，其特征在于，所述分析模块的工作方法包括：
获取所述工作情况信号；
将所述工作情况信号进行融合，得到信号融合数据；
将所述信号融合数据分别输入至所述故障分析单元、所述服役分析单元和所述寿命分析单元中进行分析，得到所述故障分析结果、所述服役周期分析结果和所述寿命分析结果。
本申请的有益效果为：
本申请采集不同服役周期下振动信号、电流信号、声发射信号、压力信号以及温度信号建立数据库，不同服役周期条件下的参数将利用不同数据库进行分析，通过自训练的方式得到神经网络模型，确定各设备在对应的服役周期下的使用寿命，并获取不同周期下设备信号特征，依据此建立评价体系，确定不同服役周期下空压机故障监测与寿命预测工作，确保空压机出现故障能够及时检修，有效避免空压机运行过程中缺乏监管带来安全隐患。
附图说明
为了更清楚地说明本申请的技术方案，下面对实施例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是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例一中的一种考虑服役周期的空压机故障分析与寿命预测系统的结构示意图；
图2为本申请实施例二中的一种考虑服役周期的空压机故障分析与寿命预测系统的结构示意图；
图3为本申请实施例二中数据处理模块的工作方法流程示意图；
图4为本申请实施例二中自训练模块的工作方法流程示意图；
图5为本申请实施例二中分析模块的工作方法流程示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
为使本申请的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本申请作进一步详细的说明。
实施例一
在本实施例一中，如图1所示，一种考虑服役周期的空压机故障分析与寿命预测系统，包括：信息检测模块、数据处理模块、自训练模块和分析模块。
信息检测模块与数据处理模块连接，用于检测并采集所述空压机内部的工作情况信号，其中，工作情况信号包括：振动信号、电流信号、声发射信号、压力信号和温度信号；信息检测模块包括：振动传感器、电流传感器、声发射传感器、压力传感器和温度传感器；振动传感器和电流传感器安装在空压机的电机端；声发射传感器和压力传感器安装在空压机的气缸处；温度传感器安装在空压机的主排气口处。
信息检测模块的工作方法包括：振动传感器用于检测电机端的振动信号；电流传感器用于检测电机端的电流信号；声发射传感器用于检测气缸处的声发射信号；压力传感器用于检测气缸处的压力信号；温度传感器用于检测主排气口处的所述温度信号；根据振动传感器、电流传感器、声发射传感器以及温度传感器检测出四种信号的变化情况，掌握当前空压机电机端、气缸部分以及主排气口处的运行情况。
数据处理模块还与自训练模块连接，用于接收工作情况信号，并基于工作情况信号分析得到信号特征值，其中，数据处理模块包括：PLC处理器和特征数据库；PLC处理器用于接收工作情况信号并进行特征提取，得到信号特征值；特征数据库用于储存信号特征值。
数据处理模块的工作方法包括：收集工作情况信号，即利用振动传感器、电流传感器、声发射传感器、压力传感器以及温度传感器采集不同服役周期下各零部件的振动信号、电流信号、声发射信号、压力信号以及温度信号，得到原始数据；结合小波分析方法处理原始数据，提取工作情况信号的信号特征值；基于信号特征值建立不同服役周期下的空压机系统振动信号特征数据库、电流信号特征数据库、声发射信号特征数据、压力信号特征数据库和温度信号特征数据库。
自训练模块还与分析模块连接，用于基于信号特征值，利用神经网络构建自训练模型，其中，自训练模块包括自训练模型。
自训练模块的工作方法包括：获取不同服役周期的历史信号特征值；基于神经网络中的D-S证据理论融合算法，融合历史信号特征值，得到特征值融合数据，在本实施例中，利用基于BP神经网络的D-S证据理论融合算法完成不同服役周期下电机部件的历史振动特征信号及历史电流特征信号的数据融合，同时也利用基于BP神经网络的D-S证据理论融合算法完成不同服役周期下空压机气缸的历史声发射特征信号及历史压力特征信号的数据融合，得到特征值融合数据；基于特征值融合数据，利用神经网络中的CNN算法完成不同服役周期下的振动信号、电流信号、声发射信号、压力信号以及温度信号的训练，采用神经网络中的CNN算法构建自训练模型。
分析模块用于融合工作情况信号，并基于自训练模型进行分析，得到故障分析结果、服役周期分析和寿命分析结果，分析模块包括：故障分析单元、服役周期分析单元和寿命分析单元；故障分析单元用于基于自训练模型得到故障分析结果；服役周期分析单元用于基于自训练模型得到服役周期分析结果；寿命分析单元用于基于自训练模型得到寿命分析结果。
分析模块的工作方法包括：获取工作情况信号，即获取实时的振动信号、电流信号、声发射信号、压力信号以及温度信号；将工作情况信号进行融合，得到信号融合数据，即将振动信号与电流信号进行融合得到第一信号融合数据，提高系统对电机部件的故障识别精度，再将声发射信号与压力信号进行融合，得到第二信号融合数据，提高系统对气缸主部件的故障识别精度，再将第一信号融合数据、第二信号融合数据与温度信号作为神经网络模型的输入信号；将输入信号分别输入至故障分析单元、服役分析单元和寿命分析单元中，通过模型预测当前各部件的服役周期，得到服役周期分析结果，确定各部件服役周期对空压机各项运行参数的影响，建立动态评价体系，明确空压机各易更换零部件服役周期以及主体部件服役周期不同匹配工况下，空压机运行信号与故障及寿命的匹配关系，得到故障分析结果和寿命分析结果。
实施例二
在本实施例二中，如图2-图5所示，利用传感器采集电机、气缸与主排气口的状态参数，利用PLC处理器分别独立采集电机的振动信号、电流信号，气缸的压力信号、声发射信号，主排气口的温度信号，PLC处理器采集信号后输入计算机，计算机建立以上信号的数据库，接着进行数据融合自训练，为提高电机部件故障识别精度融合振动信号与电流信号，为提高气缸主部件的故障识别精度，融合声发射信号和压力信号，结合主排气口处温度信号一并输入，为确保自训练模型的可靠性，将不同类型工况与服役周期下的参数进行输入，并不断调整参数，使输入信号量大且全面，保证构建自训练模型的可靠性；寿命预测分析过程中首先进行数据输入，为了确保数据的可靠性在输入过程中进行数据融合，将融合后的数据输入计算机，计算机根据数据特征判断工况与服役周期，根据工况与服役周期确定预测模型，当预测模型确定后根据参数判断当前空压机运行是否正常，若正常将根据当前参数特征预测空压机剩余寿命，若存在异常将报告当前空压机异常类型，并且根据其他参数判断空压机正常工作下参数特征，按照空压机正常工作条件预测当前空压机剩余寿命。
以上所述的实施例仅是对本申请优选方式进行的描述，并非对本申请的范围进行限定，在不脱离本申请设计精神的前提下，本领域普通技术人员对本申请的技术方案做出的各种变形和改进，均应落入本申请权利要求书确定的保护范围内。

Claims (10)

1.一种考虑服役周期的空压机故障分析与寿命预测系统，其特征在于，包括：信息检测模块、数据处理模块、自训练模块和分析模块；
所述信息检测模块与所述数据处理模块连接，所述信息检测模块用于检测并采集所述空压机内部的工作情况信号；
所述数据处理模块还与所述自训练模块连接，所述数据处理模块用于接收所述工作情况信号，并基于所述工作情况信号分析得到信号特征值；
所述自训练模块还与所述分析模块连接，所述自训练模块用于基于所述信号特征值，利用神经网络构建自训练模型；
所述分析模块用于融合所述工作情况信号，并基于所述自训练模型进行分析，得到故障分析结果、服役周期分析结果和寿命分析结果。
2.根据权利要求1所述一种考虑服役周期的空压机故障分析与寿命预测系统，其特征在于，所述信息检测模块包括：振动传感器、电流传感器、声发射传感器、压力传感器和温度传感器；
所述振动传感器和所述电流传感器安装在所述空压机的电机端；
所述声发射传感器和所述压力传感器安装在所述空压机的气缸处；
所述温度传感器安装在所述空压机的主排气口处。
3.根据权利要求2所述一种考虑服役周期的空压机故障分析与寿命预测系统，其特征在于，所述工作情况信号包括：振动信号、电流信号、声发射信号、压力信号和温度信号。
4.根据权利要求3所述一种考虑服役周期的空压机故障分析与寿命预测系统，其特征在于，所述信息检测模块的工作方法包括：
所述振动传感器用于检测所述电机端的所述振动信号；
所述电流传感器用于检测所述电机端的所述电流信号；
所述声发射传感器用于检测所述气缸处的所述声发射信号；
所述压力传感器用于检测所述气缸处的所述压力信号；
所述温度传感器用于检测所述主排气口处的所述温度信号。
5.根据权利要求1所述一种考虑服役周期的空压机故障分析与寿命预测系统，其特征在于，所述数据处理模块包括：PLC处理器和特征数据库；
所述PLC处理器用于接收所述工作情况信号并进行特征提取，得到所述信号特征值；
所述特征数据库用于储存所述信号特征值。
6.根据权利要求4所述一种考虑服役周期的空压机故障分析与寿命预测系统，其特征在于，所述数据处理模块的工作方法包括：
收集所述工作情况信号；
提取所述工作情况信号的所述信号特征值；
基于所述信号特征值搭建所述特征数据库。
7.根据权利要求1所述一种考虑服役周期的空压机故障分析与寿命预测系统，其特征在于，所述自训练模块包括自训练模型。
8.根据权利要求6所述一种考虑服役周期的空压机故障分析与寿命预测系统，其特征在于，所述自训练模块的工作方法包括：
获取不同服役周期的历史信号特征值；
基于神经网络中的D-S证据理论融合算法，融合所述历史信号特征值，得到特征值融合数据；
基于所述特征值融合数据，利用神经网络中的CNN算法，构建所述自训练模型。
9.根据权利要求1所述一种考虑服役周期的空压机故障分析与寿命预测系统，其特征在于，所述分析模块包括：故障分析单元、服役周期分析单元和寿命分析单元；
所述故障分析单元用于基于所述自训练模型得到所述故障分析结果；
所述服役周期分析单元用于基于所述自训练模型得到所述服役周期分析结果；
所述寿命分析单元用于基于所述自训练模型得到所述寿命分析结果。
10.根据权利要求9所述一种考虑服役周期的空压机故障分析与寿命预测系统，其特征在于，所述分析模块的工作方法包括：
获取所述工作情况信号；
将所述工作情况信号进行融合，得到信号融合数据；
将所述信号融合数据分别输入至所述故障分析单元、所述服役分析单元和所述寿命分析单元中进行分析，得到所述故障分析结果、所述服役周期分析结果和所述寿命分析结果。
CN202211281611.9A 2022-10-19 2022-10-19 一种考虑服役周期的空压机故障分析与寿命预测系统 Pending CN115630284A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211281611.9A CN115630284A (zh) 2022-10-19 2022-10-19 一种考虑服役周期的空压机故障分析与寿命预测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211281611.9A CN115630284A (zh) 2022-10-19 2022-10-19 一种考虑服役周期的空压机故障分析与寿命预测系统

Publications (1)

Publication Number Publication Date
CN115630284A true CN115630284A (zh) 2023-01-20

Family

ID=84907468

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211281611.9A Pending CN115630284A (zh) 2022-10-19 2022-10-19 一种考虑服役周期的空压机故障分析与寿命预测系统

Country Status (1)

Country Link
CN (1) CN115630284A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116825243A (zh) * 2023-05-09 2023-09-29 安徽工程大学 一种基于多源数据的热障涂层服役寿命预测方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116825243A (zh) * 2023-05-09 2023-09-29 安徽工程大学 一种基于多源数据的热障涂层服役寿命预测方法及系统
CN116825243B (zh) * 2023-05-09 2024-01-16 安徽工程大学 一种基于多源数据的热障涂层服役寿命预测方法及系统

Similar Documents

Publication Publication Date Title
CN110647133B (zh) 轨道交通设备状态检测维护方法及系统
KR102344852B1 (ko) 펌프 베어링 시스템의 디지털 트윈 기반 예측진단 장치
CN110701137B (zh) 一种掘进机液压系统智能在线检测诊断装置及方法
CN105041631A (zh) 一种气体压缩机的驱动轴振动信号的检测方法和系统
CN114487361A (zh) 一种油液在线监测系统
CN113562562A (zh) 一种电梯安全预警监测系统及其判断方法
CN113806969B (zh) 一种基于时域数据关联建模的压缩机组健康预测方法
CN115657541A (zh) 一种基于数字孪生精细化建模的空压机监管系统及方法
CN116292241A (zh) 一种输油泵机组的故障诊断预警方法及系统
CN115630284A (zh) 一种考虑服役周期的空压机故障分析与寿命预测系统
CN112363432A (zh) 一种水电站辅助设备的监测系统及监测方法
CN117221145A (zh) 基于物联网平台的设备故障预测性维护系统
CN110765633A (zh) 一种动力装置的智能管理方法和装置
CN107103425B (zh) 发电设备运行状态计算机智能量化评价系统
CN117930718A (zh) 基于大数据的设备运行状态监测预警方法及系统
RU2687848C1 (ru) Способ и система вибромониторинга промышленной безопасности динамического оборудования опасных производственных объектов
CN113418731A (zh) 一种卷烟机组的在线故障诊断方法
CN117435883A (zh) 一种基于数字孪生的设备故障预测的方法和系统
CN112016193B (zh) 一种盾构机系统的润滑失效在线预测方法及系统
CN116163943B (zh) 一种运行状态实时监测的压缩机
CN112486304A (zh) 一种变电部分二次设备实时状态监测及自动缺陷处理系统
CN116595657A (zh) 一种发动机质量预测系统
CN202091172U (zh) 气体压缩机状态监测和可靠性分析装置
CN116611953A (zh) 基于物联网的电能表生产制造实时数据管理方法和系统
CN115712835A (zh) 一种基于大数据的电力设备健康状态智能诊断告警方法

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