CN116557328B - 一种具有健康监测及故障诊断的水泵机组智能控制系统 - Google Patents
一种具有健康监测及故障诊断的水泵机组智能控制系统 Download PDFInfo
- Publication number
- CN116557328B CN116557328B CN202310578835.4A CN202310578835A CN116557328B CN 116557328 B CN116557328 B CN 116557328B CN 202310578835 A CN202310578835 A CN 202310578835A CN 116557328 B CN116557328 B CN 116557328B
- Authority
- CN
- China
- Prior art keywords
- monitoring
- curve
- data
- water pump
- pump unit
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 151
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 61
- 238000003745 diagnosis Methods 0.000 title claims abstract description 14
- 230000036541 health Effects 0.000 title claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 54
- 238000001514 detection method Methods 0.000 claims abstract description 22
- 230000002159 abnormal effect Effects 0.000 claims abstract description 13
- 238000012423 maintenance Methods 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 10
- 238000013473 artificial intelligence Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 3
- 230000000737 periodic effect Effects 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 2
- 238000000034 method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012631 diagnostic technique Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
- F04D—NON-POSITIVE-DISPLACEMENT PUMPS
- F04D27/00—Control, e.g. regulation, of pumps, pumping installations or pumping systems specially adapted for elastic fluids
- F04D27/001—Testing thereof; Determination or simulation of flow characteristics; Stall or surge detection, e.g. condition monitoring
-
- 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)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种具有健康监测及故障诊断的水泵机组智能控制系统，涉及水泵机组智能控制技术领域；通过数据采集模块采集监测数据；数据处理模块根据监测数据计算获取监测指数；以接收监测数据的采集时刻作为基准时刻，获取基准时刻前M个监测指数；根据M个监测指数和对应的采集时间生成监测曲线；数据处理模块计算监测曲线与标准监测曲线标准曲线的曲线相似度；设定曲线相似度阈值，将曲线相似度与曲线相似度阈值进行比较；当曲线相似度小于曲线相似度阈值时，判断水泵机组处于非正常工作状态；数据处理模块根据监测曲线和故障检测模块判断水泵机组的故障类型；智能控制模块控制水泵机组的启停；有助于快速恢复生产。
Description
技术领域
本发明属于机械应用领域，涉及水泵机组智能控制技术，具体是一种具有健康监测及故障诊断的水泵机组智能控制系统。
背景技术
水泵机组在线监测与故障诊断技术迅速发展的必然性基于以下2个方面：一方面，随着大、中型泵站的计算机监控系统完善，为实现自动化运行提出了更高的要求。另一方面，以预知维修为代表的维修体制改变所带来的管理现代化，以及所获得的巨大的经济效益和社会效益逐步被人们认识和接受，而设备状态监测与诊断是预知维修的基础。目前泵站行业运行设备的诊断技术的研究和应用在最近几年虽然取得了较大的发展，但是实用的设备状态监测与诊断系统仍处在空白状态。为实现状态检修，应大力发展状态监测技术，广泛实行状态监测。
为此，提出一种具有健康监测及故障诊断的水泵机组智能控制系统。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出一种具有健康监测及故障诊断的水泵机组智能控制系统，该一种具有健康监测及故障诊断的水泵机组智能控制系统解决了水泵机组健康监测及故障诊断的问题。
为实现上述目的，根据本发明的第一方面的实施例提出一种具有健康监测及故障诊断的水泵机组智能控制系统，包括数据采集模块、数据处理模块以及智能控制模块；
所述数据采集模块用于采集监测数据；其中，所述监测数据包括振动值、噪声值以及温度值；
并将所述监测数据发送至所述数据处理模块；
所述数据处理模块用于根据所述监测数据计算获取监测指数；
以接收所述监测数据的采集时刻作为基准时刻，获取基准时刻前M个监测指数；其中，M为小于或等于N的正整数；
根据M个监测指数和对应的采集时间生成监测曲线；
所述数据处理模块获取标准监测曲线，并计算所述监测曲线与所述标准监测曲线标准曲线的曲线相似度；
所述数据处理模块设定曲线相似度阈值，并将曲线相似度与曲线相似度阈值进行比较；
当曲线相似度小于曲线相似度阈值时，判断水泵机组处于非正常工作状态；
当水泵机组处于非正常工作状态时，所述数据处理模块根据所述监测曲线和故障检测模块判断水泵机组的故障类型；其中，所述故障检测模块基于人工智能模型建立；
所述智能控制模块用于根据接收的信号，控制水泵机组的启停。
优选的，所述数据采集模块通过周期性采集的方式获取监测数据；
将监测数据的采集周期标记为T，单位为min；其中，T为大于0的整数；
将采集周期的编号标记为n，n的取值为1,2,3……N，N为监测数据的总采集次数。
优选的，所述数据处理模块根据所述监测数据计算获取监测指数；
所述数据处理模块接收所述监测数据，并将所述振动值、所述噪声值以及所述温度值分别标记为Zn、Sn以及Tn；
将所述监测数据带入至计算公式内，获取监测指数，将所述监测指数标记为JCn；
所述监测指数的计算公式为：
其中，α、β以及γ分别为Zn、Sn以及Tn的修正系数。
优选的，所述数据处理模块根据所述监测曲线判断水泵机组的故障类型，包括以下步骤：
从所述数据处理模块获取故障检测模型；
将所述监测曲线输入至所述故障检测模型内，获取故障类型。
优选的，所述故障检测模型基于人工智能模型建立，包括以下步骤：
从数据处理模块获取标准训练数据；
通过标准训练数据对人工智能模型进行训练，将训练完成的人工智能模型标记为故障检测模型。
优选的，所述数据处理模块将所述故障类型和对应的监测数据发送至技术员的智能终端，同时发送故障信号至智能控制模块；
所述智能控制模块接收所述故障信号后，控制水泵机组停止工作；
技术员接收所述故障类型和对应的监测数据对水泵机组进行对应的故障维修，并在完成维修后，发送维修完毕信号至所述智能控制模块；
所述智能控制模块接收所述维修完毕信号后，控制水泵机组开始工作。
与现有技术相比，本发明的有益效果是：
本发明通过数据采集模块采集监测数据；并将监测数据发送至数据处理模块；数据处理模块根据监测数据计算获取监测指数；以接收监测数据的采集时刻作为基准时刻，获取基准时刻前M个监测指数；根据M个监测指数和对应的采集时间生成监测曲线；数据处理模块获取标准监测曲线，并计算监测曲线与标准监测曲线标准曲线的曲线相似度；数据处理模块设定曲线相似度阈值，并将曲线相似度与曲线相似度阈值进行比较；当曲线相似度小于曲线相似度阈值时，判断水泵机组处于非正常工作状态；当水泵机组处于非正常工作状态时，数据处理模块根据监测曲线和故障检测模块判断水泵机组的故障类型；智能控制模块根据接收的信号，控制水泵机组的启停；对水泵机组进行健康监测，当水泵机组出现异常时，提供了快速、准确的故障诊断，在最短时间内诊断出故障类型，有助于快速恢复生产。
附图说明
图1为本发明的原理图；
图2为本发明的流程图。
具体实施方式
下面将结合实施例对本发明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它实施例，都属于本发明保护的范围。
如图1-2所示，一种具有健康监测及故障诊断的水泵机组智能控制系统，包括数据采集模块、数据处理模块以及智能控制模块；各个模块之间基于数字信号进行信息交互；
所述数据采集模块用于采集监测数据；其中，所述监测数据包括振动值、噪声值以及温度值；
所述数据采集模块将所述监测数据发送至所述数据处理模块；
具体地，所述数据采集模块通过周期性采集的方式获取监测数据；
将监测数据的采集周期标记为T，单位为min；其中，T为大于0的整数；
将采集周期的编号标记为n，n的取值为1,2,3……N，N为监测数据的总采集次数；
具体地，所述数据采集模块获取监测数据均为水泵机组工作状态时采集的数据；
所述振动值通过振动采集装置获取，所述振动采集装置包括振动传感器；
所述噪声值通过噪声采集装置获取，所述噪声采集装置包括声音传感器；
所述温度值通过温度采集装置获取，所述温度采集装置包括温度传感器。
所述数据处理模块用于接收所述监测数据，并对所述监测数据进行处理；
本实施例中，所述数据处理模块接收所述监测数据，并对所述监测数据进行处理，包括以下步骤：
所述数据处理模块接收所述监测数据，并将所述振动值、所述噪声值以及所述温度值分别标记为Zn、Sn以及Tn；
将所述监测数据带入至计算公式内，获取监测指数，将所述监测指数标记为JCn；
所述监测指数的计算公式为：
其中，α、β以及γ分别为Zn、Sn以及Tn的修正系数；
以接收所述监测数据的采集时刻作为基准时刻，获取基准时刻前M个监测指数；经过验证，M的取值为15时，获得曲线较为准确；
其中，M为小于或等于N的正整数；
举例说明：
本次接收的监测数据的采集周期编号为25，以本次监测数据的采集时刻作为基准时刻，获取前15个监测指数，即编号为11的监测指数为第一项，编号为12的监测指数为第二项，直至编号为25的监测指数为最后一项；
根据M个监测指数和对应的采集时间生成监测曲线；
所述数据处理模块获取标准监测曲线，并计算所述监测曲线与所述标准监测曲线标准曲线的曲线相似度，将所述曲线相似度标记为EDn；需要进一步说明的是，标准监测曲线即为水泵机组正常工作状态下，获取的监测指数生成的监测曲线；
具体地，通过曼哈顿距离或欧几里得距离计算曲线相似度；需要进一步说明的是，曼哈顿距离和欧几里得距离均为现有技术；
所述数据处理模块设定曲线相似度阈值，并将曲线相似度与曲线相似度阈值进行比较；
当曲线相似度大于或等于曲线相似度阈值时，水泵机组处于正常工作状态，不作其他处理；需要进一步说明的是，当曲线相似度大于或等于曲线相似度阈值时，即说明当前的监测曲线与标准监测曲线极大地相似，即水泵机组处于健康状况，未出现异常，无需对其进行干涉；
当曲线相似度小于曲线相似度阈值时，水泵机组处于非正常工作状态；需要进一步说明的是，当曲线相似度小于曲线相似度阈值时，即说明当前的监测曲线与标准监测曲线有所偏离，即水泵机组处于非健康状况，导致出现工作异常，因此，需要进行故障检测；
当水泵机组处于非正常工作状态时，所述数据处理模块根据所述监测曲线判断水泵机组的故障类型；
本实施例中，所述数据处理模块根据所述监测曲线判断水泵机组的故障类型，包括以下步骤：
从所述数据处理模块获取故障检测模型；其中，所述故障检测模型基于人工智能模型建立；
将所述监测曲线输入至所述故障检测模型内，获取故障类型；
本实施例中，所述故障检测模型基于人工智能模型建立，包括以下步骤：
从数据处理模块获取标准训练数据；
通过标准训练数据对人工智能模型进行训练，将训练完成的人工智能模型标记为故障检测模型；
本实施例中，标准训练数据包括若干组输入曲线以及对应的故障类型，且输入曲线和监测曲线内容属性一致；
本实施例中，人工智能模型包括深度卷积神经网络模型或者RBF神经网络模型等具有强大非线性拟合能力的模型。
所述数据处理模块将所述故障类型和对应的监测数据发送至技术员的智能终端，同时发送故障信号至智能控制模块；
所述智能控制模块接收所述故障信号后，控制水泵机组停止工作；
技术员接收所述故障类型和对应的监测数据对水泵机组进行对应的故障维修，并在完成维修后，发送维修完毕信号至所述智能控制模块；
所述智能控制模块接收所述维修完毕信号后，控制水泵机组开始工作；
具体地，所述智能终端包括智能手机和电脑等智能设备。
所述智能控制模块用于根据接收的信号，控制水泵机组的启停；
本实施例中，所述智能控制模块根据接收的信号，控制水泵机组的启停，包括以下步骤：
所述智能控制模块接收所述故障信号后，控制水泵机组停止工作；
所述智能控制模块接收所述维修完毕信号后，控制水泵机组开始工作。
本实施例中，所述数据采集模块与所述数据处理模块通信和/或电气连接；
所述数据处理模块与所述智能控制模块通信和/或电气连接。
上述公式均是去除量纲取其数值计算，公式是由采集大量数据进行软件模拟得到最接近真实情况的一个公式，公式中的预设参数和预设阈值由本领域的技术人员根据实际情况设定或者大量数据模拟获得。
本发明的工作原理：
数据采集模块采集监测数据；
数据采集模块将监测数据发送至数据处理模块；
数据处理模块接收监测数据，并将监测数据带入至计算公式内，获取监测指数；
以接收监测数据的采集时刻作为基准时刻，获取基准时刻前M个监测指数；根据M个监测指数和对应的采集时间生成监测曲线；
数据处理模块获取标准监测曲线，并计算监测曲线与标准监测曲线标准曲线的曲线相似度；
数据处理模块设定曲线相似度阈值，并将曲线相似度与曲线相似度阈值进行比较；
当曲线相似度大于或等于曲线相似度阈值时，水泵机组处于正常工作状态，不作其他处理；
当曲线相似度小于曲线相似度阈值时，水泵机组处于非正常工作状态；
当水泵机组处于非正常工作状态时，从数据处理模块获取故障检测模型；将监测曲线输入至故障检测模型内，获取故障类型；
数据处理模块将故障类型和对应的监测数据发送至技术员的智能终端，同时发送故障信号至智能控制模块；
智能控制模块接收故障信号后，控制水泵机组停止工作；
技术员接收故障类型和对应的监测数据对水泵机组进行对应的故障维修，并在完成维修后，发送维修完毕信号至智能控制模块；
智能控制模块接收维修完毕信号后，控制水泵机组开始工作。
以上实施例仅用以说明本发明的技术方法而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方法进行修改或等同替换，而不脱离本发明技术方法的精神和范围。
Claims (1)
1.一种具有健康监测及故障诊断的水泵机组智能控制系统，其特征在于，包括数据采集模块、数据处理模块以及智能控制模块；
所述数据采集模块用于采集监测数据；其中，所述监测数据包括振动值、噪声值以及温度值；
并将所述监测数据发送至所述数据处理模块；
所述数据处理模块用于根据所述监测数据计算获取监测指数；
以接收所述监测数据的采集时刻作为基准时刻，获取基准时刻前 M 个监测指数；其中，M 为小于或等于 N 的正整数；
根据 M 个监测指数和对应的采集时间生成监测曲线；
所述数据处理模块获取标准监测曲线，并计算所述监测曲线与所述标准监测曲线标准曲线的曲线相似度；
所述数据处理模块设定曲线相似度阈值，并将曲线相似度与曲线相似度阈值进行比较；
当曲线相似度小于曲线相似度阈值时，判断水泵机组处于非正常工作状态；
当水泵机组处于非正常工作状态时，所述数据处理模块根据所述监测曲线和故障检测模块判断水泵机组的故障类型；其中，所述故障检测模块基于人工智能模型建立；
所述智能控制模块用于根据接收的信号，控制水泵机组的启停；
所述数据采集模块通过周期性采集的方式获取监测数据；
将监测数据的采集周期标记为 T，单位为 min；其中，T 为大于 0 的整数；
将采集周期的编号标记为 n，n 的取值为 1,2,3……N，N 为监测数据的总采集次数；
所述数据处理模块根据所述监测数据计算获取监测指数；
所述数据处理模块接收所述监测数据，并将所述振动值、所述噪声值以及所述温度值分别标记为 Zn、Sn 以及 Tn；
将所述监测数据带入至计算公式内，获取监测指数，将所述监测指数标记为 JCn；
所述监测指数的计算公式为：
；
其中，α、β以及γ分别为 Zn、Sn 以及 Tn 的修正系数；
所述数据处理模块根据所述监测曲线判断水泵机组的故障类型，包括以下步骤：
从所述数据处理模块获取故障检测模型；
将所述监测曲线输入至所述故障检测模型内，获取故障类型；
所述故障检测模型基于人工智能模型建立，包括以下步骤：
从数据处理模块获取标准训练数据；
通过标准训练数据对人工智能模型进行训练，将训练完成的人工智能模型标记为故障检测模型；
所述数据处理模块将所述故障类型和对应的监测数据发送至技术员的智能终端，同时发送故障信号至智能控制模块；
所述智能控制模块接收所述故障信号后，控制水泵机组停止工作；
技术员接收所述故障类型和对应的监测数据对水泵机组进行对应的故障维修，并在完成维修后，发送维修完毕信号至所述智能控制模块；
所述智能控制模块接收所述维修完毕信号后，控制水泵机组开始工作。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310578835.4A CN116557328B (zh) | 2023-05-22 | 2023-05-22 | 一种具有健康监测及故障诊断的水泵机组智能控制系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310578835.4A CN116557328B (zh) | 2023-05-22 | 2023-05-22 | 一种具有健康监测及故障诊断的水泵机组智能控制系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116557328A CN116557328A (zh) | 2023-08-08 |
| CN116557328B true CN116557328B (zh) | 2024-04-16 |
Family
ID=87487800
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310578835.4A Active CN116557328B (zh) | 2023-05-22 | 2023-05-22 | 一种具有健康监测及故障诊断的水泵机组智能控制系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116557328B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016089237A1 (en) * | 2014-12-02 | 2016-06-09 | Siemens Aktiengesellschaft | Monitoring of a pump |
| CN107013473A (zh) * | 2017-04-19 | 2017-08-04 | 武汉惜源科技有限公司 | 一种泵站实时在线监测与能效管理方法及系统 |
| CN108757502A (zh) * | 2018-05-15 | 2018-11-06 | 江苏大学 | 一种基于物联网的水泵机组典型健康状态监测装置及方法 |
| CN112983844A (zh) * | 2021-03-01 | 2021-06-18 | 合肥恒大江海泵业股份有限公司 | 一种潜水电泵监测控制系统 |
| CN112983843A (zh) * | 2021-03-01 | 2021-06-18 | 合肥恒大江海泵业股份有限公司 | 一种潜水电泵的智能化控制系统及其控制方法 |
| KR102510060B1 (ko) * | 2022-07-28 | 2023-03-14 | 주식회사 어니언소프트웨어 | 딥러닝 펌프 시뮬레이션을 통한 이상 데이터 확보 방법과 오토인코더 기반의 이상 감지 모델 수립 방법과 시스템 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9777748B2 (en) * | 2010-04-05 | 2017-10-03 | Eaton Corporation | System and method of detecting cavitation in pumps |
| US10113552B2 (en) * | 2016-10-13 | 2018-10-30 | Caterpillar Inc. | System, method, and apparatus to monitor compressor health |
-
2023
- 2023-05-22 CN CN202310578835.4A patent/CN116557328B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016089237A1 (en) * | 2014-12-02 | 2016-06-09 | Siemens Aktiengesellschaft | Monitoring of a pump |
| CN107013473A (zh) * | 2017-04-19 | 2017-08-04 | 武汉惜源科技有限公司 | 一种泵站实时在线监测与能效管理方法及系统 |
| CN108757502A (zh) * | 2018-05-15 | 2018-11-06 | 江苏大学 | 一种基于物联网的水泵机组典型健康状态监测装置及方法 |
| WO2019218408A1 (zh) * | 2018-05-15 | 2019-11-21 | 江苏大学 | 一种基于物联网的水泵机组典型健康状态监测装置及方法 |
| CN112983844A (zh) * | 2021-03-01 | 2021-06-18 | 合肥恒大江海泵业股份有限公司 | 一种潜水电泵监测控制系统 |
| CN112983843A (zh) * | 2021-03-01 | 2021-06-18 | 合肥恒大江海泵业股份有限公司 | 一种潜水电泵的智能化控制系统及其控制方法 |
| KR102510060B1 (ko) * | 2022-07-28 | 2023-03-14 | 주식회사 어니언소프트웨어 | 딥러닝 펌프 시뮬레이션을 통한 이상 데이터 확보 방법과 오토인코더 기반의 이상 감지 모델 수립 방법과 시스템 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116557328A (zh) | 2023-08-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108446864B (zh) | 基于大数据分析的轨道交通设备的故障预警系统及方法 | |
| US20190285517A1 (en) | Method for evaluating health status of mechanical equipment | |
| CN112232366B (zh) | 一种基于rfid监测的电气设备故障预警方法及系统 | |
| CN114137916B (zh) | 基于数据分析的电路板生产用监督管控系统 | |
| CN112629905A (zh) | 基于深度学习的设备异常检测方法、系统及计算机介质 | |
| CN116557328B (zh) | 一种具有健康监测及故障诊断的水泵机组智能控制系统 | |
| CN105654134B (zh) | 一种基于有监督自反馈的情景感知系统及其工作方法与应用 | |
| CN115758083A (zh) | 一种基于时域和时频域融合的电机轴承故障诊断方法 | |
| CN116339253A (zh) | 一种基于物联网的智能化机械生产监测管控系统 | |
| CN114861774A (zh) | 一种电网中虚假数据识别方法及系统 | |
| CN114266286A (zh) | 一种焊接过程信息的在线检测方法及装置 | |
| CN110727669B (zh) | 一种电力系统传感器数据清理装置及清理方法 | |
| CN115816164B (zh) | 一种管件装配机的管件定长裁切系统 | |
| CN115470831B (zh) | 一种基于频繁项集推理的水电信号异常判断方法 | |
| CN116560946A (zh) | 一种基于云计算的土壤污染数据推送系统 | |
| CN111380687A (zh) | 基于多局部模型决策融合的工业电机轴承故障诊断方法 | |
| CN115994692A (zh) | 基于5g和大数据的智慧河湖管理平台 | |
| CN114819261A (zh) | 一种基于设备实时运行状态的故障预测方法及系统 | |
| CN112949204B (zh) | 一种数据与模型自适应匹配的滚动轴承剩余寿命预测方法 | |
| CN114417704A (zh) | 一种基于改进栈式自编码的风电机组发电机健康评估方法 | |
| CN114065651A (zh) | 一种用于旋转类设备的故障时间预测方法 | |
| CN116776086B (zh) | 基于自注意力机制自编码器的信号故障判别方法及装置 | |
| CN113791186B (zh) | 一种选择水质异常报警监测因子的方法及其系统 | |
| CN117150417B (zh) | 一种离线式检测系统 | |
| CN113780091B (zh) | 一种基于身体姿势变化表示的视频情感识别方法 |
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 |