CN116484268B - 基于机器学习的智能化工业设备故障诊断系统 - Google Patents
基于机器学习的智能化工业设备故障诊断系统 Download PDFInfo
- Publication number
- CN116484268B CN116484268B CN202310740742.7A CN202310740742A CN116484268B CN 116484268 B CN116484268 B CN 116484268B CN 202310740742 A CN202310740742 A CN 202310740742A CN 116484268 B CN116484268 B CN 116484268B
- Authority
- CN
- China
- Prior art keywords
- mechanical arm
- fault diagnosis
- data
- clamping mechanism
- loosening
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 161
- 238000010801 machine learning Methods 0.000 title claims abstract description 63
- 230000007246 mechanism Effects 0.000 claims abstract description 84
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 59
- 238000007405 data analysis Methods 0.000 claims abstract description 26
- 238000012545 processing Methods 0.000 claims abstract description 21
- 230000013016 learning Effects 0.000 claims description 89
- 239000010720 hydraulic oil Substances 0.000 claims description 32
- 238000004458 analytical method Methods 0.000 claims description 16
- 238000004891 communication Methods 0.000 claims description 14
- 239000003921 oil Substances 0.000 claims description 9
- 239000007788 liquid Substances 0.000 claims description 5
- 238000000034 method Methods 0.000 description 26
- 238000010586 diagram Methods 0.000 description 13
- 230000008569 process Effects 0.000 description 12
- 238000012423 maintenance Methods 0.000 description 10
- 238000007726 management method Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000004088 simulation Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004883 computer application Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 230000000452 restraining effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
-
- 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
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及一种基于机器学习的智能化工业设备故障诊断系统,涉及电数字数据处理领域,所述系统包括:数据分析器件,采用智能诊断模型基于机械臂自动夹紧机构的各项固定信息以及机械臂自动夹紧机构即将执行松开操作时刻之前的各份历史捕获数据经过数据分析处理,获取对应的故障诊断标识;标识鉴定器件,用于在接收到的故障诊断标识为松开成功/失败操作对应的标识数据时,鉴定即将执行的松开操作为松开成功/失败操作。通过本发明,针对具体工业设备故障难以提前预判的技术问题,能够采用完成机器学习后的卷积神经网络作为智能诊断模型,执行定制数据分析模式以实现对工业设备机械臂自动夹紧是否失败的针对性故障诊断。
Description
技术领域
本发明涉及电数字数据处理领域,尤其涉及一种基于机器学习的智能化工业设备故障诊断系统。
背景技术
电数字数据处理,指的是对数据(包括数值的和非数值的)进行分析和加工的技术过程,包括对各种原始数据的分析、整理、计算、编辑等的加工和处理。与数据分析相比,含义更广。
随着计算机的日益普及,在计算机应用领域中,数值计算所占比重很小,通过计算机执行电数字数据处理进行信息管理已成为主要的应用,如测绘制图管理、仓库管理、财会管理、交通运输管理,技术情报管理、办公室自动化等。在地理数据方面既有大量自然环境数据,也有大量社会经济数据,常要求进行综合性的电数字数据处理。由此可见,电数字数据处理具有相关广泛的应用领域,例如,经常需要将电数字数据处理应用于包括数字机场的各类工业设备的故障分析,从而替换人工进行工业设备拆卸完成故障排查的过程,实现电子化且无需拆卸工业设备的自动故障分析。
示例地,中国发明专利公开文本CN106598791A提出的一种基于机器学习的工业设备故障预防性识别方法,所述方法采用机器学习的人工智能算法,不断学习更新状态预测模型,可实时监控预测工业设备的工作状态,在第一时间发现工业设备的异常苗头,及时报警,杜绝事故的发生;本发明不仅采用工业设备全生命周期的典型故障案例作为学习对象,更是结合了工业设备的档案数据、使用区域环境条件,尤其是关键元器件的可靠性数据作为学习对象,从多角度评估工业设备的可靠性,使预测结果更加准确。
示例地,中国发明专利公开文本CN115858825A提出的一种基于机器学习的设备故障诊断知识图谱构建方法和装置,涉及工业设备故障领域技术领域,该方法包括:获取工业设备数据,并对工业设备数据进行预处理;将预处理后的工业设备数据输入至预先构建的实体关系抽取模型进行实体关系抽取,并基于预先构建的实体识别模型进行实体识别;其中,预先构建的实体关系抽取模型至少包括:注意力增强层、弱分类器层和强分类器层;预先构建的实体识别模型的输出层之前设置有条件随机场层,条件随机场层用于约束标签顺序;构建针对工业设备故障诊断的目标知识图谱。本申请提升了实体关系抽取和实体识别的准确性。
然而,上述现有技术提出的各项工业设备的故障诊断的技术方案都仅局限于简单的数据分析,且数据分析的层面都体现在宏观数据层上,给出的都是一般数据规律,存在无法针对具体的工业设备的具体故障诊断的技术问题,例如,无法针对作为一种具体工业设备进行具体的机械臂自动夹紧是否失败的针对性故障诊断,导致工业设备的维护人员无法预判机械臂自动夹紧故障的发生时机,只能在机械臂自动夹紧失败后才能进行工业设备的检查和维护,极大地消耗了工业设备维护的经济成本和时间成本。
发明内容
为了解决现有技术中的技术问题,本发明提供了一种基于机器学习的智能化工业设备故障诊断系统,通过采用完成机器学习后的卷积神经网络作为智能诊断模型,运行所述智能诊断模型以执行定制的数据分析模式对作为一种具体工业设备进行机械臂自动夹紧是否失败的针对性故障诊断,从而实现对工业设备具体故障的可靠预判,缩减了工业设备的各项维护成本。
根据本发明的第一方面,提供了一种基于机器学习的智能化工业设备故障诊断系统,所述方法包括:
内容捕获器件,用于获取工业设备的主轴内部的机械臂结构每一次被机械臂自动夹紧机构松开成功/失败时,该次松开成功/失败操作完成时刻之前均匀间隔的各个时刻分别对应的各份捕获数据;
信息解析器件,用于获取所述机械臂自动夹紧机构的液压油缸的各项固定信息,所述液压油缸的各项固定信息包括所述液压油缸的活塞行程、缸筒内径、缸筒外径、活塞直径、活塞杆直径以及缸盖盖体面积;
机器学习器件,用于对卷积神经网络执行第一设定数目的多次正向学习以及第二设定数目的多次负向学习以获得用于执行设定时刻机械臂自动夹紧机构松开故障诊断的智能诊断模型;
数据分析器件,分别与所述机器学习器件、所述内容捕获器件以及所述信息解析器件连接,用于采用智能诊断模型基于所述液压油缸的各项固定信息以及机械臂自动夹紧机构即将执行松开操作时刻之前均匀间隔的各个时刻分别对应的各份捕获数据分析获取对应的故障诊断标识;
标识鉴定器件,与所述数据分析器件连接,用于在接收到的故障诊断标识为松开成功/失败操作对应的标识数据时,鉴定机械臂自动夹紧机构即将执行的松开操作为松开成功/失败操作。
根据本发明的第二方面,提供了一种基于机器学习的智能化工业设备故障诊断系统,所述系统包括存储器以及一个或多个处理器,所述存储器存储有计算机程序,所述计算机程序被配置成由所述一个或多个处理器执行以完成以下步骤:
获取工业设备的主轴内部的机械臂结构每一次被机械臂自动夹紧机构松开成功/失败时,该次松开成功/失败操作完成时刻之前均匀间隔的各个时刻分别对应的各份捕获数据;
获取所述机械臂自动夹紧机构的液压油缸的各项固定信息,所述液压油缸的各项固定信息包括所述液压油缸的活塞行程、缸筒内径、缸筒外径、活塞直径、活塞杆直径以及缸盖盖体面积;
对卷积神经网络执行第一设定数目的多次正向学习以及第二设定数目的多次负向学习以获得用于执行设定时刻机械臂自动夹紧机构松开故障诊断的智能诊断模型;
采用智能诊断模型基于所述液压油缸的各项固定信息以及机械臂自动夹紧机构即将执行松开操作时刻之前均匀间隔的各个时刻分别对应的各份捕获数据分析获取对应的故障诊断标识;
在接收到的故障诊断标识为松开成功/失败操作对应的标识数据时,鉴定机械臂自动夹紧机构即将执行的松开操作为松开成功/失败操作;
其中,对卷积神经网络执行第一设定数目的多次正向学习以及第二设定数目的多次负向学习以获得用于执行设定时刻机械臂自动夹紧机构松开故障诊断的智能诊断模型包括:采用第一设定数目的过往多次松开成功操作的各份捕获数据完成对卷积神经网络执行的第一设定数目的多次正向学习,其中,采用过往某一次松开成功操作对应的各份捕获数据完成对卷积神经网络执行的一次正向学习;
其中,对卷积神经网络执行第一设定数目的多次正向学习以及第二设定数目的多次负向学习以获得用于执行设定时刻机械臂自动夹紧机构松开故障诊断的智能诊断模型还包括:采用第二设定数目的过往多次松开失败操作的各份捕获数据完成对卷积神经网络执行的第二设定数目的多次负向学习,其中,采用过往某一次松开失败操作对应的各份捕获数据完成对卷积神经网络执行的一次负向学习;
其中,对卷积神经网络执行第一设定数目的多次正向学习以及第二设定数目的多次负向学习以获得用于执行设定时刻机械臂自动夹紧机构松开故障诊断的智能诊断模型包括:第二设定数目是第一设定数目的倍数,以及所述液压油缸的活塞行程越长,所述第一设定数目的取值越大。
相比较于现有技术,本发明至少具备以下四处主要的发明点:
第一处:针对工业设备中容易出现故障的机械臂自动夹紧机构,基于机械臂自动夹紧机构的液压油缸的各项固定信息以及机械臂自动夹紧机构即将执行松开操作时刻之前均匀间隔的各个时刻分别对应的各份捕获数据,采用完成机器学习后的卷积神经网络即智能诊断模型执行定制数据处理,以获得判断即将执行松开操作为松开成功/失败操作的诊断数据,从而实现对工业设备的智能化的故障诊断;
第二处:为保证智能诊断数据的可靠性和稳定性,对卷积神经网络执行多次正向学习以及多次负向学习的机器学习,负向学习的次数是正向学习的次数的倍数,以及液压油缸的活塞行程越长,正向学习的次数的取值越大,从而模拟人类的学习行为,减少获取的智能诊断模型的诊断误判率;
第三处:具体的机器学习中,在执行每一次正向/负向学习时,将液压油缸的各项固定信息以及历史上某一次松开成功/失败操作的各份捕获数据作为卷积神经网络的逐项输入数据,将表示为松开成功/失败操作对应的标识数据的故障诊断标识作为所述卷积神经网络的单项输出数据,完成该次正向/负向学习;
第四处:在定制数据处理后获得的故障诊断标识为松开成功/失败操作对应的标识数据时,鉴定机械臂自动夹紧机构即将执行的松开操作为松开成功/失败操作,并在接收到的故障诊断标识为松开失败操作对应的标识数据时,对工业设备执行紧急停机操作,以实现对即将发生的工业设备故障的有效规避,从而缩减了工业设备维护的经济成本和时间成本。
附图说明
以下将结合附图对本发明的实施例进行描述,其中:
图1为根据本发明的基于机器学习的智能化工业设备故障诊断系统的技术流程图;
图2为根据本发明的实施例1示出的基于机器学习的智能化工业设备故障诊断系统的内部示意图;
图3为根据本发明的实施例2示出的基于机器学习的智能化工业设备故障诊断系统的内部示意图;
图4为根据本发明的实施例3示出的基于机器学习的智能化工业设备故障诊断系统的内部示意图;
图5为根据本发明的实施例4示出的基于机器学习的智能化工业设备故障诊断系统的内部示意图;
图6为根据本发明的实施例5示出的基于机器学习的智能化工业设备故障诊断系统的内部示意图;
图7为根据本发明的实施例6示出的基于机器学习的智能化工业设备故障诊断系统的内部示意图。
具体实施方式
如图1所示,给出了根据本发明示出的基于机器学习的智能化工业设备故障诊断系统的技术流程图。
如图1所示,本发明的具体的技术流程如下:
技术流程A:针对工业设备的机械臂自动夹紧机构设计执行后续时刻故障诊断的智能诊断模型,所述智能诊断模型为执行完多次正向学习以及多次负向学习的机器学习的卷积神经网络;
具体地,通过以下几个设计模式保证所述智能诊断模型的故障诊断结果的可靠性和稳定性:
第一、负向学习的次数是正向学习的次数的倍数,以尽可能保证故障场景诊断的有效性;
第二、液压油缸的活塞行程越长,正向学习的次数的取值越大,相应地,负向学习的次数的取值也越大,从而保证所述智能诊断模型的设计灵活性,能够用于各种类型的工业设备的机械臂自动夹紧机构;
第三、在执行的具体的机器学习中,在执行每一次正向/负向学习时,将液压油缸的各项固定信息以及历史上某一次松开成功/失败操作的各份捕获数据作为卷积神经网络的逐项输入数据,将表示为松开成功/失败操作对应的标识数据的故障诊断标识作为所述卷积神经网络的单项输出数据,完成该次正向/负向学习,以保证每一次学习的学习效果;
技术流程B:在机械臂自动夹紧机构即将执行松开时,将当前时刻之前均匀间隔的各个时刻分别对应的各份捕获数据输入到所述智能诊断模型,同时将机械臂自动夹紧机构的液压油缸的各项固定信息输入到所述智能诊断模型,并运行所述智能诊断模型以诊断机械臂自动夹紧机构即将执行的松开操作是否会发生松开失败的故障场景;
具体地,每一时刻对应的单份捕获数据包括液压油缸在所述时刻的压力数据、流量数据、活塞运动速度以及活塞承受推拉力;
以及具体地,机械臂自动夹紧机构的液压油缸的各项固定信息包括所述液压油缸的活塞行程、缸筒内径、缸筒外径、活塞直径、活塞杆直径以及缸盖盖体面积;
技术流程C:在技术流程B中诊断机械臂自动夹紧机构下一次即将执行的松开操作为会发生松开失败的故障场景时,对工业设备执行紧急停机处理,在技术流程B中诊断机械臂自动夹紧机构下一次即将执行的松开操作并不会发生松开失败的故障场景时,保持工业设备的正常运行;
通过上述针对诊断故障的应对处理操作,能够避免后续故障发生对工件和机器造成各种损伤,同时在故障未发生之前进行维修,提升了维修的速度和效率。
本发明的关键点在于:智能诊断模型的针对性机器学习的数据处理过程、基于智能诊断模型的工业设备故障智能诊断的数据处理过程以及智能诊断模型的各项基础数据的选择和使用。
下面,将对本发明的基于机器学习的智能化工业设备故障诊断系统以实施例的方式进行具体说明。
实施例1
图2为根据本发明的实施例1示出的基于机器学习的智能化工业设备故障诊断系统的内部示意图。
如图2所示,所述基于机器学习的智能化工业设备故障诊断系统包括以下部件:
内容捕获器件,用于获取工业设备的主轴内部的机械臂结构每一次被机械臂自动夹紧机构松开成功/失败时,该次松开成功/失败操作完成时刻之前均匀间隔的各个时刻分别对应的各份捕获数据;
示例地,每一份捕获数据包括对应时刻的液压油缸的压力数据、流量数据、活塞运动速度以及活塞承受推拉力;
因此,所述内容捕获器件可以包括多个数据捕获单元,用于在某一时刻到达时,分别捕获所述某一时刻对应的压力数据、流量数据、活塞运动速度以及活塞承受推拉力;
信息解析器件,用于获取所述机械臂自动夹紧机构的液压油缸的各项固定信息,所述液压油缸的各项固定信息包括所述液压油缸的活塞行程、缸筒内径、缸筒外径、活塞直径、活塞杆直径以及缸盖盖体面积;
例如,所述信息解析器件获取的所述液压油缸的活塞行程、缸筒内径、缸筒外径、活塞直径、活塞杆直径以及缸盖盖体面积均为二进制数值的表示数据;
机器学习器件,用于对卷积神经网络执行第一设定数目的多次正向学习以及第二设定数目的多次负向学习以获得用于执行设定时刻机械臂自动夹紧机构松开故障诊断的智能诊断模型;
示例地,可以选择采用数值仿真模式实现对卷积神经网络执行第一设定数目的多次正向学习以及第二设定数目的多次负向学习,以获得用于执行设定时刻机械臂自动夹紧机构松开故障诊断的智能诊断模型的机器学习过程;
数据分析器件,分别与所述机器学习器件、所述内容捕获器件以及所述信息解析器件连接,基于所述液压油缸的各项固定信息以及机械臂自动夹紧机构即将执行松开操作时刻之前均匀间隔的各个时刻分别对应的各份捕获数据分析,获取对应的故障诊断标识;
示例地,采用智能诊断模型基于所述液压油缸的各项固定信息以及机械臂自动夹紧机构即将执行松开操作时刻之前均匀间隔的各个时刻分别对应的各份捕获数据分析,获取对应的故障诊断标识包括:使用MATLAB工具箱实现对智能诊断模型的仿真和测试操作;
标识鉴定器件,与所述数据分析器件连接,用于在接收到的故障诊断标识为松开成功/失败操作对应的标识数据时,鉴定机械臂自动夹紧机构即将执行的松开操作为松开成功/失败操作;
其中,对卷积神经网络执行第一设定数目的多次正向学习以及第二设定数目的多次负向学习,以获得用于执行设定时刻机械臂自动夹紧机构松开故障诊断的智能诊断模型,具体包括:采用第一设定数目的过往多次松开成功操作的各份捕获数据完成对卷积神经网络执行的第一设定数目的多次正向学习;采用过往某一次松开成功操作对应的各份捕获数据完成对卷积神经网络执行的一次正向学习;
其中,对卷积神经网络执行第一设定数目的多次正向学习以及第二设定数目的多次负向学习,以获得用于执行设定时刻机械臂自动夹紧机构松开故障诊断的智能诊断模型还包括:采用第二设定数目的过往多次松开失败操作的各份捕获数据完成对卷积神经网络执行的第二设定数目的多次负向学习;采用过往某一次松开失败操作对应的各份捕获数据完成对卷积神经网络执行的一次负向学习;
其中,对卷积神经网络执行第一设定数目的多次正向学习以及第二设定数目的多次负向学习,以获得用于执行设定时刻机械臂自动夹紧机构松开故障诊断的智能诊断模型还包括:第二设定数目是第一设定数目的倍数,以及所述液压油缸的活塞行程越长,所述第一设定数目的取值越大;
具体地,所述液压油缸的活塞行程越长,所述第一设定数目的取值越大的设定保证获取的智能诊断模型能够普遍应用各种工业设备的各类液压油缸;
这里,将执行负向学习的次数多于执行正向学习的次数,目的在于尽可能引入故障数据对卷积神经网络进行学习,以保证后续验出故障的准确性和稳定性;
其中,采用第一设定数目的过往多次松开成功操作的各份捕获数据完成对卷积神经网络执行的第一设定数目的多次正向学习包括:在执行每一次正向学习时,将所述液压油缸的各项固定信息以及过往某一次松开成功操作对应的各份捕获数据作为所述卷积神经网络的逐项输入数据,将表示为松开成功操作对应的标识数据的故障诊断标识作为所述卷积神经网络的单项输出数据,完成该次正向学习;
以及其中,采用第二设定数目的过往多次松开失败操作的各份捕获数据完成对卷积神经网络执行的第二设定数目的多次负向学习包括:在执行每一次负向学习时,将所述液压油缸的各项固定信息以及过往某一次松开失败操作对应的各份捕获数据作为所述卷积神经网络的逐项输入数据,将表示为松开失败操作对应的标识数据的故障诊断标识作为所述卷积神经网络的单项输出数据,完成该次负向学习。
实施例2
图3为根据本发明的实施例2示出的基于机器学习的智能化工业设备故障诊断系统的内部示意图。
如图3所示,与图2中的实施例不同,所述基于机器学习的智能化工业设备故障诊断系统还包括以下组件:
应对处理器件,与所述标识鉴定器件连接,用于在接收到的故障诊断标识为松开失败操作对应的标识数据时,对所述工业设备执行紧急停机操作;
通过应对处理器件的上述处理,能够保证在预见到工业设备即将发生故障之前,对工业设备执行紧急停机操作以避免后续故障发生对工件和机器造成各种损伤,同时在故障未发生之前进行维修,提升了维修的速度和效率;
其中,所述应对处理器件还用于在接收到的故障诊断标识为松开成功操作对应的标识数据时,维持所述工业设备的运行操作。
实施例3
图4为根据本发明的实施例3示出的基于机器学习的智能化工业设备故障诊断系统的内部示意图。
如图4所示,与图3中的实施例不同,所述基于机器学习的智能化工业设备故障诊断系统还包括以下组件:
实时显示器件,与所述标识鉴定器件连接,用于在接收到的故障诊断标识为松开成功/失败操作对应的标识数据时,执行对松开成功/失败操作对应的提醒信息的实时显示操作;
示例地,所述实时显示器件的选型可以为液晶显示阵列、LED显示阵列或者LCD显示阵列。
实施例4
图5为根据本发明的实施例4示出的基于机器学习的智能化工业设备故障诊断系统的内部示意图。
如图5所示,与图2中的实施例不同,所述基于机器学习的智能化工业设备故障诊断系统还包括以下组件:
无线通信器件,与所述标识鉴定器件连接,用于在接收到的故障诊断标识为松开成功/失败操作对应的标识数据时,将松开成功/失败操作对应的标识数据通过无线通信网络发送给附近工作人员的便携式通信终端;
示例地,所述无线通信器件可以为5G通信器件或者4G通信器件;
以及具体地,在接收到的故障诊断标识为松开成功/失败操作对应的标识数据时,将松开成功/失败操作对应的标识数据通过无线通信网络发送给附近工作人员的便携式通信终端包括:在接收到的故障诊断标识为松开成功/失败操作对应的标识数据时,将松开成功/失败操作对应的标识数据通过5G通信网络或者4G通信网络发送给附近工作人员的便携式通信终端。
实施例5
图6为根据本发明的实施例5示出的基于机器学习的智能化工业设备故障诊断系统的内部示意图。
如图6所示,与图2中的实施例不同,所述基于机器学习的智能化工业设备故障诊断系统还包括以下组件:
串行配置器件,分别与所述数据分析器件、所述机器学习器件、所述内容捕获器件以及所述信息解析器件连接,用于采用不同的串行配置地址分别对所述数据分析器件、所述机器学习器件、所述内容捕获器件以及所述信息解析器件执行各种工作参数的配置操作;
示例地,所述串行配置器件为IIC配置器件,用于内置IIC配置接口采用不同的串行配置地址分别对所述数据分析器件、所述机器学习器件、所述内容捕获器件以及所述信息解析器件执行各种工作参数的配置操作。
接着,继续对本发明的各个实施例进行详细的描述。
在根据本发明的任一实施例的基于机器学习的智能化工业设备故障诊断系统中:
采用智能诊断模型基于所述液压油缸的各项固定信息以及机械臂自动夹紧机构即将执行松开操作时刻之前均匀间隔的各个时刻分别对应的各份捕获数据分析,获取对应的故障诊断标识包括:将所述液压油缸的各项固定信息以及机械臂自动夹紧机构即将执行松开操作时刻之前均匀间隔的各个时刻分别对应的各份捕获数据作为所述智能诊断模型的逐项输入数据,并运行所述智能诊断模型以获得所述智能诊断模型输出的对应的故障诊断标识;
示例地,在时间轴上,即将执行松开操作时刻与其之前均匀间隔的各个时刻组成一个完整的时间区间,且即将执行松开操作时刻与其之前均匀间隔的各个时刻作为多个时刻也是两两间隔相等的;
其中,在接收到的故障诊断标识为松开成功/失败操作对应的标识数据时,鉴定机械臂自动夹紧机构即将执行的松开操作为松开成功/失败操作包括:松开成功操作对应的标识数据为0B01,松开失败操作对应的标识数据为0B11。
以及在根据本发明的任一实施例的基于机器学习的智能化工业设备故障诊断系统中:
每一个时刻对应的单份捕获数据为在该时刻机械臂自动夹紧机构的液压油缸的压力数据、流量数据、活塞运动速度以及活塞承受推拉力;
其中,每一个时刻对应的单份捕获数据为在该时刻机械臂自动夹紧机构的液压油缸的压力数据、流量数据、活塞运动速度以及活塞承受推拉力包括:在该时刻机械臂自动夹紧机构的液压油缸的压力数据为在该时刻机械臂自动夹紧机构的液压油缸内油液作用在活塞上的单位面积的压强;
其中,每一个时刻对应的单份捕获数据为在该时刻机械臂自动夹紧机构的液压油缸的压力数据、流量数据、活塞运动速度以及活塞承受推拉力还包括:在该时刻机械臂自动夹紧机构的液压油缸的流量数据为在该时刻机械臂自动夹紧机构的液压油缸内单位时间油液通过缸筒有效截面积的体积;
其中,每一个时刻对应的单份捕获数据为在该时刻机械臂自动夹紧机构的液压油缸的压力数据、流量数据、活塞运动速度以及活塞承受推拉力还包括:在该时刻机械臂自动夹紧机构的液压油缸的活塞运动速度为在该时刻机械臂自动夹紧机构的液压油缸内单位时间油液推动活塞移动的距离;
其中,在该时刻机械臂自动夹紧机构的液压油缸的压力数据为在该时刻机械臂自动夹紧机构的液压油缸内油液作用在活塞上的单位面积的压强包括:在该时刻机械臂自动夹紧机构的液压油缸内油液作用在活塞上的单位面积的压强为在该时刻机械臂自动夹紧机构的液压油缸内作用在活塞上的载荷除以活塞的有效工作面积;
其中,所述液压油缸的各项固定信息包括所述液压油缸的活塞行程、缸筒内径、缸筒外径、活塞直径、活塞杆直径以及缸盖盖体面积包括:所述液压油缸的活塞行程为所述液压油缸的活塞往复运动时在两极之间走过的距离。
实施例6
图7为根据本发明的实施例6示出的基于机器学习的智能化工业设备故障诊断系统的结构方框图。
如图7所示,所述基于机器学习的智能化工业设备故障诊断系统包括存储器以及一个或多个处理器,所述存储器存储有计算机程序,所述计算机程序被配置成由所述一个或多个处理器执行以完成以下步骤:
获取工业设备的主轴内部的机械臂结构每一次被机械臂自动夹紧机构松开成功/失败时,该次松开成功/失败操作完成时刻之前均匀间隔的各个时刻分别对应的各份捕获数据;
示例地,每一份捕获数据包括对应时刻的液压油缸的压力数据、流量数据、活塞运动速度以及活塞承受推拉力;
因此,可以采用多个数据捕获单元,用于在某一时刻到达时,分别捕获所述某一时刻对应的压力数据、流量数据、活塞运动速度以及活塞承受推拉力;
获取所述机械臂自动夹紧机构的液压油缸的各项固定信息,所述液压油缸的各项固定信息包括所述液压油缸的活塞行程、缸筒内径、缸筒外径、活塞直径、活塞杆直径以及缸盖盖体面积;
例如,获取的所述液压油缸的活塞行程、缸筒内径、缸筒外径、活塞直径、活塞杆直径以及缸盖盖体面积均为二进制数值的表示数据;
对卷积神经网络执行第一设定数目的多次正向学习以及第二设定数目的多次负向学习以获得用于执行设定时刻机械臂自动夹紧机构松开故障诊断的智能诊断模型;
示例地,可以选择采用数值仿真模式实现对卷积神经网络执行第一设定数目的多次正向学习以及第二设定数目的多次负向学习以获得用于执行设定时刻机械臂自动夹紧机构松开故障诊断的智能诊断模型的机器学习过程;
采用智能诊断模型基于所述液压油缸的各项固定信息以及机械臂自动夹紧机构即将执行松开操作时刻之前均匀间隔的各个时刻分别对应的各份捕获数据分析,获取对应的故障诊断标识;
示例地,采用智能诊断模型基于所述液压油缸的各项固定信息以及机械臂自动夹紧机构即将执行松开操作时刻之前均匀间隔的各个时刻分别对应的各份捕获数据分析获取对应的故障诊断标识包括:使用MATLAB工具箱实现对智能诊断模型的仿真和测试操作;
在接收到的故障诊断标识为松开成功/失败操作对应的标识数据时,鉴定机械臂自动夹紧机构即将执行的松开操作为松开成功/失败操作;
其中,对卷积神经网络执行第一设定数目的多次正向学习以及第二设定数目的多次负向学习,以获得用于执行设定时刻机械臂自动夹紧机构松开故障诊断的智能诊断模型,具体包括:采用第一设定数目的过往多次松开成功操作的各份捕获数据完成对卷积神经网络执行的第一设定数目的多次正向学习;采用过往某一次松开成功操作对应的各份捕获数据完成对卷积神经网络执行的一次正向学习;
其中,对卷积神经网络执行第一设定数目的多次正向学习以及第二设定数目的多次负向学习,以获得用于执行设定时刻机械臂自动夹紧机构松开故障诊断的智能诊断模型还包括:采用第二设定数目的过往多次松开失败操作的各份捕获数据完成对卷积神经网络执行的第二设定数目的多次负向学习;采用过往某一次松开失败操作对应的各份捕获数据完成对卷积神经网络执行的一次负向学习;
其中,对卷积神经网络执行第一设定数目的多次正向学习以及第二设定数目的多次负向学习,以获得用于执行设定时刻机械臂自动夹紧机构松开故障诊断的智能诊断模型包括:第二设定数目是第一设定数目的倍数,以及所述液压油缸的活塞行程越长,所述第一设定数目的取值越大;
具体地,所述液压油缸的活塞行程越长,所述第一设定数目的取值越大的设定保证获取的智能诊断模型能够普遍应用各种工业设备的各类液压油缸;
这里,将执行负向学习的次数多于执行正向学习的次数,目的在于尽可能引入故障数据对卷积神经网络进行学习,以保证后续验出故障的准确性和稳定性;
其中,采用历史上第一设定数目的多次松开成功操作的各份捕获数据完成对卷积神经网络执行的第一设定数目的多次正向学习包括:在执行每一次正向学习时,将所述液压油缸的各项固定信息以及历史上某一次松开成功操作的各份捕获数据作为所述卷积神经网络的逐项输入数据,将表示为松开成功操作对应的标识数据的故障诊断标识作为所述卷积神经网络的单项输出数据,完成该次正向学习;
以及其中,采用历史上第二设定数目的多次松开失败操作的各份捕获数据完成对卷积神经网络执行的第二设定数目的多次负向学习包括:在执行每一次负向学习时,将所述液压油缸的各项固定信息以及历史上某一次松开失败操作的各份捕获数据作为所述卷积神经网络的逐项输入数据,将表示为松开失败操作对应的标识数据的故障诊断标识作为所述卷积神经网络的单项输出数据,完成该次负向学习;
如图7所示,示例性地,给出了N个处理器,其中,N为大于等于1的自然数。
另外,本发明还可以引用以下具体技术内容以突出本发明的突出性的实质性特点以及显著性的技术进步:
其中,所述基于机器学习的智能化工业设备故障诊断系统还可以包括数据存储器件,与所述数据分析器件连接,用于存储所述智能诊断模型的各项模型数据;
其中,工业设备的机械臂自动夹紧机构位于所述工业设备的主轴箱内,用于执行对所述主轴箱内的主轴内部的机械臂结构的夹紧操作或者放松操作,所述机械臂自动夹紧机构包括夹持执行单元、液压油缸和行程开关,所述夹持执行单元用于夹紧所述机械臂结构且与所述液压油缸连接,所述行程开关与所述液压油缸连接,用于向所述液压油缸发出夹紧信号或者放松信号以驱动所述液压油缸改变所述夹持执行单元对所述机械臂结构的夹持力以执行对所述机械臂结构的夹紧操作或者放松操作;
其中,所述机械臂自动夹紧机构包括夹持执行单元、液压油缸和行程开关,所述夹持执行单元用于夹紧所述机械臂结构且与所述液压油缸连接,所述行程开关与所述液压油缸连接,用于向所述液压油缸发出夹紧信号或者放松信号以驱动所述液压油缸改变所述夹持执行单元对所述机械臂结构的夹持力以执行对所述机械臂结构的夹紧操作或者放松操作包括:所述夹持执行单元为弹簧结构,所述弹簧结构用于夹紧所述机械臂结构且与所述液压油缸连接,所述行程开关与所述液压油缸连接,用于向所述液压油缸发出夹紧信号或者放松信号以驱动所述液压油缸改变所述弹簧结构对所述机械臂结构的夹持力以执行对所述机械臂结构的夹紧操作或者放松操作;
以及其中,所述夹持执行单元为弹簧结构,所述弹簧结构用于夹紧所述机械臂结构且与所述液压油缸连接,所述行程开关与所述液压油缸连接,用于向所述液压油缸发出夹紧信号或者放松信号以驱动所述液压油缸改变所述弹簧结构对所述机械臂结构的夹持力以执行对所述机械臂结构的夹紧操作或者放松操作:所述夹持执行单元为蝶形弹簧结构,所述蝶形弹簧结构用于夹紧所述机械臂结构且与所述液压油缸连接,所述行程开关与所述液压油缸连接,用于向所述液压油缸发出夹紧信号或者放松信号以驱动所述液压油缸改变所述蝶形弹簧结构对所述机械臂结构的夹持力以执行对所述机械臂结构的夹紧操作或者放松操作。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述,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。
以上所述仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等,均包含在本发明的保护范围内。
Claims (7)
1.一种基于机器学习的智能化工业设备故障诊断系统,其特征在于,所述系统包括:
内容捕获器件,用于获取工业设备的主轴内部的机械臂结构每一次机械臂自动夹紧机构松开成功/失败时,该次松开成功/失败操作完成时刻之前均匀间隔的各个时刻分别对应的各份捕获数据;
信息解析器件,用于获取所述机械臂自动夹紧机构的液压油缸的各项固定信息,所述液压油缸的各项固定信息包括所述液压油缸的活塞行程、缸筒内径、缸筒外径、活塞直径、活塞杆直径以及缸盖盖体面积;
机器学习器件,用于对卷积神经网络执行第一设定数目的多次正向学习以及第二设定数目的多次负向学习以获得用于执行设定时刻机械臂自动夹紧机构松开故障诊断的智能诊断模型;
数据分析器件,分别与所述机器学习器件、所述内容捕获器件以及所述信息解析器件连接,智能诊断模型基于所述液压油缸的各项固定信息以及机械臂自动夹紧机构即将执行松开操作时刻之前均匀间隔的各个时刻分别对应的各份捕获数据分析,获取对应的故障诊断标识;
标识鉴定器件,与所述数据分析器件连接,用于在接收到的故障诊断标识为松开成功/失败操作对应的标识数据时,鉴定机械臂自动夹紧机构即将执行的松开操作为松开成功/失败操作;
对卷积神经网络执行第一设定数目的多次正向学习以及第二设定数目的多次负向学习,以获得用于执行设定时刻机械臂自动夹紧机构松开故障诊断的智能诊断模型,具体包括:采用第一设定数目的过往多次松开成功操作的各份捕获数据完成对卷积神经网络执行的第一设定数目的多次正向学习;采用第二设定数目的过往多次松开失败操作的各份捕获数据完成对卷积神经网络执行的第二设定数目的多次负向学习;第二设定数目是第一设定数目的倍数;所述液压油缸的活塞行程越长,所述第一设定数目的取值越大;
每一个时刻对应的单份捕获数据为在该时刻机械臂自动夹紧机构的液压油缸的压力数据、流量数据、活塞运动速度以及活塞承受推拉力;
所述的每一个时刻对应的单份捕获数据为在该时刻机械臂自动夹紧机构的液压油缸的压力数据、流量数据、活塞运动速度以及活塞承受推拉力包括:在该时刻机械臂自动夹紧机构的液压油缸的压力数据为在该时刻机械臂自动夹紧机构的液压油缸内油液作用在活塞上的单位面积的压强;在该时刻机械臂自动夹紧机构的液压油缸的流量数据为在该时刻机械臂自动夹紧机构的液压油缸内单位时间油液通过缸筒有效截面积的体积;在该时刻机械臂自动夹紧机构的液压油缸的活塞运动速度为在该时刻机械臂自动夹紧机构的液压油缸内单位时间油液推动活塞移动的距离;在该时刻机械臂自动夹紧机构的液压油缸内油液作用在活塞上的单位面积的压强为在该时刻机械臂自动夹紧机构的液压油缸内作用在活塞上的载荷除以活塞的有效工作面积。
2.如权利要求1所述的基于机器学习的智能化工业设备故障诊断系统, 其特征在于,采用第一设定数目的过往多次松开成功操作的各份捕获数据完成对卷积神经网络执行的第一设定数目的多次正向学习包括:在执行每一次正向学习时,将所述液压油缸的各项固定信息以及过往某一次松开成功操作对应的各份捕获数据作为所述卷积神经网络的逐项输入数据,将表示为松开成功操作对应的标识数据的故障诊断标识作为所述卷积神经网络的单项输出数据,完成该次正向学习;
采用第二设定数目的过往多次松开失败操作的各份捕获数据完成对卷积神经网络执行的第二设定数目的多次负向学习包括:在执行每一次负向学习时,将所述液压油缸的各项固定信息以及过往某一次松开失败操作对应的各份捕获数据作为所述卷积神经网络的逐项输入数据,将表示为松开失败操作对应的标识数据的故障诊断标识作为所述卷积神经网络的单项输出数据,完成该次负向学习。
3.如权利要求2所述的基于机器学习的智能化工业设备故障诊断系统,其特征在于,所述系统还包括:应对处理器件,与所述标识鉴定器件连接,用于在接收到的故障诊断标识为松开失败操作对应的标识数据时,对所述工业设备执行紧急停机操作;
所述应对处理器件还用于在接收到的故障诊断标识为松开成功操作对应的标识数据时,维持所述工业设备的运行操作。
4.如权利要求3所述的基于机器学习的智能化工业设备故障诊断系统,其特征在于,所述系统还包括:实时显示器件,与所述标识鉴定器件连接,用于在接收到的故障诊断标识为松开成功/失败操作对应的标识数据时,执行对松开成功/失败操作对应的提醒信息的实时显示操作。
5.如权利要求4所述的基于机器学习的智能化工业设备故障诊断系统,其特征在于,所述系统还包括:
无线通信器件,与所述标识鉴定器件连接,用于在接收到的故障诊断标识为松开成功/失败操作对应的标识数据时,将松开成功/失败操作对应的标识数据通过无线通信网络发送给附近工作人员的便携式通信终端。
6.如权利要求5所述的基于机器学习的智能化工业设备故障诊断系统,其特征在于,所述系统还包括:
串行配置器件,分别与所述数据分析器件、所述机器学习器件、所述内容捕获器件以及所述信息解析器件连接,用于采用不同的串行配置地址分别对所述数据分析器件、所述机器学习器件、所述内容捕获器件以及所述信息解析器件执行各种工作参数的配置操作。
7.如权利要求3-6任一所述的基于机器学习的智能化工业设备故障诊断系统,其特征在于,采用智能诊断模型基于所述液压油缸的各项固定信息以及机械臂自动夹紧机构即将执行松开操作时刻之前均匀间隔的各个时刻分别对应的各份捕获数据分析,获取对应的故障诊断标识包括:将所述液压油缸的各项固定信息以及机械臂自动夹紧机构即将执行松开操作时刻之前均匀间隔的各个时刻分别对应的各份捕获数据作为所述智能诊断模型的逐项输入数据,并运行所述智能诊断模型以获得所述智能诊断模型输出的对应的故障诊断标识。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310740742.7A CN116484268B (zh) | 2023-06-21 | 2023-06-21 | 基于机器学习的智能化工业设备故障诊断系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310740742.7A CN116484268B (zh) | 2023-06-21 | 2023-06-21 | 基于机器学习的智能化工业设备故障诊断系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116484268A CN116484268A (zh) | 2023-07-25 |
CN116484268B true CN116484268B (zh) | 2023-09-05 |
Family
ID=87212283
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310740742.7A Active CN116484268B (zh) | 2023-06-21 | 2023-06-21 | 基于机器学习的智能化工业设备故障诊断系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116484268B (zh) |
Citations (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8015455B1 (en) * | 2009-04-30 | 2011-09-06 | Bank Of America Corporation | Self-service terminal for making deposits and for permitting withdrawals |
US8543861B1 (en) * | 2010-04-02 | 2013-09-24 | Symantec Corporation | Systems and methods for diagnosing a network configuration of a computing device |
CN106598791A (zh) * | 2016-09-12 | 2017-04-26 | 湖南微软创新中心有限公司 | 一种基于机器学习的工业设备故障预防性识别方法 |
CN110781914A (zh) * | 2019-09-12 | 2020-02-11 | 腾讯科技(深圳)有限公司 | 一种设备故障的监控处理方法、装置、设备和存储介质 |
CN111209131A (zh) * | 2019-12-30 | 2020-05-29 | 航天信息股份有限公司广州航天软件分公司 | 一种基于机器学习确定异构系统的故障的方法和系统 |
US10766136B1 (en) * | 2017-11-03 | 2020-09-08 | Amazon Technologies, Inc. | Artificial intelligence system for modeling and evaluating robotic success at task performance |
KR20200139346A (ko) * | 2019-06-04 | 2020-12-14 | 배재대학교 산학협력단 | 머신 러닝을 이용한 고장 진단 관리 시스템 및 방법 |
JP2021039686A (ja) * | 2019-09-05 | 2021-03-11 | 株式会社野村総合研究所 | インシデント診断対応支援装置 |
CN112703457A (zh) * | 2018-05-07 | 2021-04-23 | 强力物联网投资组合2016有限公司 | 用于使用工业物联网进行数据收集、学习和机器信号流传输实现分析和维护的方法和系统 |
CN112989712A (zh) * | 2021-04-27 | 2021-06-18 | 浙大城市学院 | 一种基于5g边缘计算和深度学习的航空发动机故障诊断方法 |
CN114065613A (zh) * | 2021-10-27 | 2022-02-18 | 中国华能集团清洁能源技术研究院有限公司 | 基于深度迁移学习的多工况流程工业故障检测诊断方法 |
WO2022142223A1 (zh) * | 2020-12-31 | 2022-07-07 | 三一汽车制造有限公司 | 作业机械的故障处理方法、系统和电子设备 |
CN114970605A (zh) * | 2022-05-06 | 2022-08-30 | 大连理工大学 | 一种多模态特征融合神经网络的制冷设备故障诊断方法 |
CN115096627A (zh) * | 2022-06-16 | 2022-09-23 | 中南大学 | 一种液压成形智能装备制造过程故障诊断与运维方法及系统 |
CN115630281A (zh) * | 2022-11-15 | 2023-01-20 | 中国电子科技集团公司第三十八研究所 | 一种浮空器囊体表面损伤识别方法 |
CN115665787A (zh) * | 2022-08-24 | 2023-01-31 | 华东师范大学 | 一种基于机器学习的低开销amf网络智能故障诊断方法 |
CN115687973A (zh) * | 2022-10-24 | 2023-02-03 | 江苏科技大学 | 一种基于多信号融合的机械设备故障诊断方法 |
CN115718802A (zh) * | 2022-11-14 | 2023-02-28 | 长城汽车股份有限公司 | 一种故障诊断方法、系统、设备及存储介质 |
CN115860259A (zh) * | 2022-12-27 | 2023-03-28 | 中科云谷科技有限公司 | 故障处理方法、装置及计算机可读存储介质 |
CN115858825A (zh) * | 2023-03-02 | 2023-03-28 | 山东能源数智云科技有限公司 | 基于机器学习的设备故障诊断知识图谱构建方法和装置 |
CN116107282A (zh) * | 2023-04-13 | 2023-05-12 | 北京奔驰汽车有限公司 | 一种基于企业应用集成的工业机器人预测性维护系统 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10732621B2 (en) * | 2016-05-09 | 2020-08-04 | Strong Force Iot Portfolio 2016, Llc | Methods and systems for process adaptation in an internet of things downstream oil and gas environment |
US11801098B2 (en) * | 2017-10-30 | 2023-10-31 | Cilag Gmbh International | Method of hub communication with surgical instrument systems |
CN113779857A (zh) * | 2020-06-09 | 2021-12-10 | 戴尔产品有限公司 | 用于被测老化装置的智能故障诊断中心的方法和系统 |
-
2023
- 2023-06-21 CN CN202310740742.7A patent/CN116484268B/zh active Active
Patent Citations (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8015455B1 (en) * | 2009-04-30 | 2011-09-06 | Bank Of America Corporation | Self-service terminal for making deposits and for permitting withdrawals |
US8543861B1 (en) * | 2010-04-02 | 2013-09-24 | Symantec Corporation | Systems and methods for diagnosing a network configuration of a computing device |
CN106598791A (zh) * | 2016-09-12 | 2017-04-26 | 湖南微软创新中心有限公司 | 一种基于机器学习的工业设备故障预防性识别方法 |
US10766136B1 (en) * | 2017-11-03 | 2020-09-08 | Amazon Technologies, Inc. | Artificial intelligence system for modeling and evaluating robotic success at task performance |
CN112703457A (zh) * | 2018-05-07 | 2021-04-23 | 强力物联网投资组合2016有限公司 | 用于使用工业物联网进行数据收集、学习和机器信号流传输实现分析和维护的方法和系统 |
KR20200139346A (ko) * | 2019-06-04 | 2020-12-14 | 배재대학교 산학협력단 | 머신 러닝을 이용한 고장 진단 관리 시스템 및 방법 |
JP2021039686A (ja) * | 2019-09-05 | 2021-03-11 | 株式会社野村総合研究所 | インシデント診断対応支援装置 |
CN110781914A (zh) * | 2019-09-12 | 2020-02-11 | 腾讯科技(深圳)有限公司 | 一种设备故障的监控处理方法、装置、设备和存储介质 |
CN111209131A (zh) * | 2019-12-30 | 2020-05-29 | 航天信息股份有限公司广州航天软件分公司 | 一种基于机器学习确定异构系统的故障的方法和系统 |
WO2022142223A1 (zh) * | 2020-12-31 | 2022-07-07 | 三一汽车制造有限公司 | 作业机械的故障处理方法、系统和电子设备 |
CN112989712A (zh) * | 2021-04-27 | 2021-06-18 | 浙大城市学院 | 一种基于5g边缘计算和深度学习的航空发动机故障诊断方法 |
CN114065613A (zh) * | 2021-10-27 | 2022-02-18 | 中国华能集团清洁能源技术研究院有限公司 | 基于深度迁移学习的多工况流程工业故障检测诊断方法 |
CN114970605A (zh) * | 2022-05-06 | 2022-08-30 | 大连理工大学 | 一种多模态特征融合神经网络的制冷设备故障诊断方法 |
CN115096627A (zh) * | 2022-06-16 | 2022-09-23 | 中南大学 | 一种液压成形智能装备制造过程故障诊断与运维方法及系统 |
CN115665787A (zh) * | 2022-08-24 | 2023-01-31 | 华东师范大学 | 一种基于机器学习的低开销amf网络智能故障诊断方法 |
CN115687973A (zh) * | 2022-10-24 | 2023-02-03 | 江苏科技大学 | 一种基于多信号融合的机械设备故障诊断方法 |
CN115718802A (zh) * | 2022-11-14 | 2023-02-28 | 长城汽车股份有限公司 | 一种故障诊断方法、系统、设备及存储介质 |
CN115630281A (zh) * | 2022-11-15 | 2023-01-20 | 中国电子科技集团公司第三十八研究所 | 一种浮空器囊体表面损伤识别方法 |
CN115860259A (zh) * | 2022-12-27 | 2023-03-28 | 中科云谷科技有限公司 | 故障处理方法、装置及计算机可读存储介质 |
CN115858825A (zh) * | 2023-03-02 | 2023-03-28 | 山东能源数智云科技有限公司 | 基于机器学习的设备故障诊断知识图谱构建方法和装置 |
CN116107282A (zh) * | 2023-04-13 | 2023-05-12 | 北京奔驰汽车有限公司 | 一种基于企业应用集成的工业机器人预测性维护系统 |
Non-Patent Citations (1)
Title |
---|
陈长征,张省,虞和济.基于神经网络的旋转机械故障诊断研究.机械强度.2000,(第02期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN116484268A (zh) | 2023-07-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106598791B (zh) | 一种基于机器学习的工业设备故障预防性识别方法 | |
CN111507147A (zh) | 智能巡检方法、装置、计算机设备和存储介质 | |
CN111080775A (zh) | 一种基于人工智能的服务器巡检方法及系统 | |
CN107576435B (zh) | 基于过程数据分析的拧紧工艺在线故障检测仪及其方法 | |
CN110837718B (zh) | 道岔故障检测方法、装置、电子设备及存储介质 | |
US11714403B2 (en) | Method for learning and detecting abnormal part of device through artificial intelligence | |
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 | |
CN110852154A (zh) | 一种基于深度学习和声音波形图像的滚动轴承故障诊断方法、装置和可读存储介质 | |
CN115293057A (zh) | 一种基于多源异构数据的风力发电机故障预测方法 | |
CN113282000A (zh) | 数据中心的故障诊断方法、装置及动环监控系统 | |
CN114640177B (zh) | 一种基于电力能效监测装置的电力能效监测方法 | |
CN116205623A (zh) | 设备维护方法、装置、系统、电子设备及存储介质 | |
CN116625683A (zh) | 一种风电机组轴承故障识别方法、系统、装置及电子设备 | |
CN116484268B (zh) | 基于机器学习的智能化工业设备故障诊断系统 | |
CN116893924B (zh) | 设备故障处理方法、装置、电子设备和存储介质 | |
CN111531580B (zh) | 一种基于视觉的多工业机器人故障检测方法及系统 | |
US20230022100A1 (en) | Prognostic and health management system for system management and method thereof | |
CN114280383B (zh) | 一种大型地面站天线的健康检测装置及健康检测方法 | |
CN112400194A (zh) | 用于触发训练事件的系统和方法 | |
CN111531581B (zh) | 一种基于视觉的工业机器人故障动作检测方法及系统 | |
CN113111815B (zh) | 一种变电站图模校验方法、装置及设备 | |
CN116381419B (zh) | 输电线路故障处理方法、装置、计算机设备和存储介质 | |
CN112288116A (zh) | 一种生产制造流程优化管理的工业大数据系统及方法 | |
CN117892114B (zh) | 基于物联网的起重机故障预测方法及系统 | |
CN113110401B (zh) | 一种智能生成机器人故障解决方案的方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |