CN116910680B - 一种健身器材的远程故障检测方法及系统 - Google Patents
一种健身器材的远程故障检测方法及系统 Download PDFInfo
- Publication number
- CN116910680B CN116910680B CN202311163664.5A CN202311163664A CN116910680B CN 116910680 B CN116910680 B CN 116910680B CN 202311163664 A CN202311163664 A CN 202311163664A CN 116910680 B CN116910680 B CN 116910680B
- Authority
- CN
- China
- Prior art keywords
- fault
- parameters
- equipment
- fitness equipment
- data
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 56
- 238000012423 maintenance Methods 0.000 claims abstract description 96
- 238000004458 analytical method Methods 0.000 claims abstract description 55
- 238000000034 method Methods 0.000 claims abstract description 31
- 238000012544 monitoring process Methods 0.000 claims abstract description 23
- 238000012795 verification Methods 0.000 claims description 21
- 230000000694 effects Effects 0.000 claims description 20
- 238000004422 calculation algorithm Methods 0.000 claims description 17
- 238000012300 Sequence Analysis Methods 0.000 claims description 15
- 230000008859 change Effects 0.000 claims description 15
- 238000005311 autocorrelation function Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 12
- 238000007619 statistical method Methods 0.000 claims description 11
- 238000011156 evaluation Methods 0.000 claims description 10
- 238000010801 machine learning Methods 0.000 claims description 7
- 238000012706 support-vector machine Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 5
- 230000010354 integration Effects 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims 1
- 230000007774 longterm Effects 0.000 abstract description 4
- 230000008569 process Effects 0.000 abstract description 3
- 230000002159 abnormal effect Effects 0.000 description 6
- 238000013500 data storage Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000013075 data extraction Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 208000017667 Chronic Disease Diseases 0.000 description 1
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000000540 analysis of variance Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000017531 blood circulation Effects 0.000 description 1
- 230000002612 cardiopulmonary effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000000546 chi-square test Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000003631 expected effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000010223 real-time analysis Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000528 statistical test Methods 0.000 description 1
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
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/27—Regression, e.g. linear or logistic regression
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (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 And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种健身器材的远程故障检测方法及系统,涉及健身器材检测领域,该健身器材的远程故障检测方法包括以下步骤:S1、根据健身器材种类进行分类,并根据分类结果进行预设检测指令;S2、获取健身器材原始使用参数,并对原始使用参数进行验证;S3、根据验证后原始使用参数和预设检测指令进行匹配分析,并生成错误代码传输至控制台;S4、控制台对错误代码进行故障判断和故障分级,根据故障分级结果匹配预设故障调节措施,并生成维护人员实时监控系统状态页面。本发明通过实时监控健身器材的运行参数,可以及时发现和处理故障,从而避免因长期的小故障而导致的大规模损坏,延长健身器材的使用寿命。
Description
技术领域
本发明涉及健身器材检测领域,具体来说,涉及一种健身器材的远程故障检测方法及系统。
背景技术
随着社会的发展,缺乏运动已成为现代人的通病,研究指出运动具有增强人体心肺功能,促进血液循环、降低罹患慢性疾病的机会,以健身器材来进行运动可以不受天候的影响,已逐渐成为许多人的运动方式随着健身器材智能化和网络化的发展,远程监控和已经成为可能,现有的健身器材的远程故障检测方法及系统,再运用时健身中心的健身器材是由健身中心的管理人员来管理,仅能于在故障时显示对应的错误码,以提示发生故障大概位置,让管理人员或维修人员明确需要维修的健身器材,提高维修的效率。
然而,现有的健身器材的远程故障检测方法及系统在进行使用时,对健身器材的故障进行检测,并未考虑到健身器材长期使用后的安全性下降带来的影响,无法对健身器材使用时的安全性进行更新评估,使得健身器材在进行维修后的安全性无法进行有效的更新,导致对健身器材进行维修后的使用效率大大降低,且并未对健身器械的故障严重程度进行评估,导致现有健身器材在进行远程故障检测时,无法根据故障等级来采取相应的处理措施,使得现有的健身器材的远程故障检测方法及系统进行维修时极易出现故障判断失误,导致健身器材维修产生意外,影响健身器材维修的效果。
针对相关技术中的问题,目前尚未提出有效的解决方案。
发明内容
针对相关技术中的问题,本发明提出一种健身器材的远程故障检测方法及系统,以克服现有相关技术所存在的上述技术问题。
为此,本发明采用的具体技术方案如下:
根据本发明的一个方面,提供了一种健身器材的远程故障检测方法,该方法包括以下步骤:
S1、根据健身器材种类进行分类,并根据分类结果进行预设检测指令;
S2、获取健身器材原始使用参数,并对原始使用参数进行验证;
S3、根据验证后原始使用参数和预设检测指令进行匹配分析,并生成错误代码传输至控制台;
S4、控制台对错误代码进行故障判断和故障分级,根据故障分级结果匹配预设故障调节措施,并生成维护人员实时监控系统状态页面;
S5、根据故障分级结果对健身器材进行运行器材使用状态调整,并采用时序分析生成健身器材安全参数;
S6、根据健身器材维修方案对健身器材进行维修,并根据维修结果对健身器材安全参数更新;
S7、将原始使用参数与更新后的健身器材安全参数进行比对,根据比对结果进行维修效果评估,并根据评估后的维修效果和更新后的健身器材安全参数对故障分级参数进行调整,实时对健身器材进行故障检测。
作为优选方案,获取健身器材原始使用参数,并对原始使用参数进行验证包括以下步骤:
S21、将健身器材安装传感器,并通过传感器对健身器材进行运行状态参数采集;
S22、将采集的运行状态参数通过数据库进行汇总,形成健身器材原始使用参数;
S23、采用机器学习算法对原始使用参数进行验证,并根据验证结果进行参数调整。
作为优选方案,根据验证后原始使用参数和预设检测指令进行匹配分析,并生成错误代码传输至控制台包括以下步骤:
S31、根据健身器材的种类和型号,预设对应的检测指令和运行状态参数正常值范围;
S32、将参数调后的原始使用参数进行特征提取,获取特征参数,并采用支持向量机算法对特征参数和运行状态参数正常值范围进行比对;
S33、根据比对结果进行生成错误代码,并将错误代码进行健身器材映射,获取故障健身器材参数;
S34、将错误代码和故障健身器材参数传输至控制台。
作为优选方案,控制台对错误代码进行故障判断,并进行故障分级,根据故障分级结果匹配预设故障调节措施包括以下步骤:
S41、对接收的错误代码和故障健身器材进行解析,并判断故障种类获取故障参数;
S42、预设故障参数分级阈值,并根据阈值预设故障调节措施;
S43、将故障参数与预设故障参数分级阈值进行匹配,并根据匹配结果对健身器材进行预设故障调节措施分配。
作为优选方案,对接收的错误代码和故障健身器材进行解析,并判断故障种类获取故障参数包括以下步骤:
S411、预设错误代码数据库,并将接收的错误代码进行匹配;
S412、根据匹配结果进行错误代码解析,并进行设备故障分类;
S413、根据设备故障分类进行获取故障参数;
S414、预先配置设备的故障分类权重,并根据预先配置设备的故障分类权重对故障参数进行调整。
作为优选方案,根据故障分级结果对健身器材进行运行器材使用状态调整,并采用时序分析生成健身器材安全参数包括以下步骤:
S51、根据故障分级结果对健身器材进行是否停用判断,并根据判断结果间健身器材使用状态调整;
S52、获取健身器材故障前、故障期间和故障后的运行数据,并采用时间序列进行分析,根据分析的结果生成健身器材安全参数。
作为优选方案,获取健身器材故障前、故障期间和故障后的运行数据,并采用时间序列进行分析,根据分析的结果生成健身器材安全参数包括以下步骤:
S521、根据故障时间点提取故障前预设时间段的健身器材数据,得到故障前数据;
S522、根据故障时间点提取故障开始到故障结束时间段的健身器材数据,得到故障时数据;
S523、根据故障时间点提取故障后预设时间段的健身器材数据,得到故障后数据;
S524、对故障前数据、故障时数据及故障后数据进行数据预处理,形成整体故障数据,采用时序算法进行变化趋势识别,并根据变化趋势识别结果进行故障原因分析,将分析结果和整体故障数据采用自回归整合移动平均模型进行健身器材安全参数计算。
作为优选方案,对故障前数据、故障时数据及故障后数据进行数据预处理,采用时序算法进行变化趋势识别,并根据变化趋势识别结果进行故障原因分析,将分析结果和整体故障数据采用自回归整合移动平均模型进行健身器材安全参数计算包括以下步骤:
S5241、采用统计方法识别健身器材数据的变化趋势,并分析故障原因;
S5242、将分析结果与整体故障数据进行差分,并转换为平稳时间序列;
S5243、采用使用自相关函数和偏自相关函数构建自回归整合移动平均模型,并进行训练;
S5243、将整体故障数据带入训练后的自回归整合移动平均模型进计算健身器材安全参数,并进行验证调整。
作为优选方案,采用使用自相关函数和偏自相关函数构建自回归整合移动平均模型,并进行训练的计算公式为:
Ut=φ1Ut-1+φ2Ut-2+…+φpUt-p+εt-θ1εt-1-θ2εt-2-θwεt-w
其中,Ut为在时间点t的健身器材安全参数的观察值;
φ1为时间点t-1的自回归参数;
φ2为时间点t-2的自回归参数;
φp为时间点t-p的自回归参数;
εt为在时间电机t的误差项;
θ1为时间点t-1的移动平均参数;
θ2为时间点t-2的移动平均参数;
θw为时间点t-w的移动平均参数。
根据本发明的另一个方面,提供了一种健身器材的远程故障检测系统,该系统包括:
分类模块,用于根据健身器材种类进行分类,并根据分类结果进行预设检测指令;
参数验证模块,用于获取健身器材原始使用参数,并对原始使用参数进行验证;
故障匹配模块,用于根据验证后原始使用参数和预设检测指令进行匹配分析,并生成错误代码传输至控制台;
故障判断分级模块,用于控制台对错误代码进行故障判断和故障分级,根据故障分级结果匹配预设故障调节措施,并生成维护人员实时监控系统状态页面;
状态生成调整模块,用于根据故障分级结果对健身器材进行运行器材使用状态调整,并采用时序分析生成健身器材安全参数;
维修更新模块,用于根据健身器材维修方案对健身器材进行维修,并根据维修结果对健身器材安全参数更新;
维修评估调整模块,用于将原始使用参数与更新后的健身器材安全参数进行比对,根据比对结果进行维修效果评估,并根据评估后的维修效果和更新后的健身器材安全参数对故障分级参数进行调整,实时对健身器材进行故障检测;
分类模块、参数验证模块、故障匹配模块、故障判断分级模块、状态生成调整模块、维修更新模块及维修评估调整模块依次连接。
本发明的有益效果为:
1、本发明通过实时监控健身器材的运行参数,可以及时发现和处理故障,从而避免因长期的小故障而导致的大规模损坏,延长健身器材的使用寿命,同时通过对健身器材的实时监控和预设的故障调节措施,可以在发现任何潜在的安全问题时立即进行调整或停用,保证使用者的安全。
2、本发明通过对错误代码的实时分析和故障分级,可以根据故障的严重程度来分配维护资源,从而优化资源的使用,提高维护效率,且通过控制台生成的实时监控系统状态页面,维护人员可以随时了解到健身器材的运行状态,提高了维护人员的工作效率。
3、本发明采用机器学习算法和时序分析技术,可以更准确地分析和预测健身器材的运行状态和故障趋势,从而更准确地进行故障诊断和维护,并通过对健身器材的运行参数进行实时调整,可以保证健身器材在最佳的状态下运行,提高其运行效率。
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获得其他的附图。
图1是根据本发明实施例的一种健身器材的远程故障检测方法的方法流程图;
图2是根据本发明实施例的一种健身器材的远程故障检测系统的系统框图。
图中:
1、分类模块;2、参数验证模块;3、故障匹配模块;4、故障判断分级模块;5、状态生成调整模块;6、维修更新模块;7、维修评估调整模块。
具体实施方式
为进一步说明各实施例,本发明提供有附图,这些附图为本发明揭露内容的一部分,其主要用以说明实施例,并可配合说明书的相关描述来解释实施例的运作原理,配合参考这些内容,本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点,图中的组件并未按比例绘制,而类似的组件符号通常用来表示类似的组件。
根据本发明的实施例,提供了一种健身器材的远程故障检测方法及系统。
现结合附图和具体实施方式对本发明进一步说明,根据本发明的一个实施例,如图1所示,根据本发明实施例的健身器材的远程故障检测方法,该方法包括以下步骤:
S1、根据健身器材种类进行分类,并根据分类结果进行预设检测指令;
具体的,收集不同种类的健身器材的相关数据,包括器材的特征、参数、功能等信息。
从收集到的健身器材数据中提取特征,可以根据器材的外观、结构、用途等特点进行特征提取,以便进行分类,并根据收集到的数据和特征,对健身器材进行手动或自动的标注,将其分为不同的类别,并为每个类别分配相应的标签。
S2、获取健身器材原始使用参数,并对原始使用参数进行验证;
本申请实施例中,获取健身器材原始使用参数,并对原始使用参数进行验证包括以下步骤:
S21、将健身器材安装传感器,并通过传感器对健身器材进行运行状态参数采集;
具体的,根据需要监测的运行状态参数,选择合适的传感器类型。例如,可以使用加速度传感器、力传感器、压力传感器等,再根据健身器材的结构和运动特点,确定传感器的安装位置,且安装位置应能够准确捕捉到关键的运行状态参数,并保证传感器与器材之间的物理连接稳固;
将传感器与健身器材进行连接。根据传感器类型和接口要求,选择合适的连接方式和设备,如电缆、无线连接等,并通过传感器采集健身器材的运行状态参数数据,且通过传感器的接口和相关硬件设备进行实时采集,或者通过数据记录设备进行离线采集,再对采集到的传感器数据进行处理和分析,包括数据滤波、校准、特征提取、时序分析等方法,以获取有意义的运行状态参数。
S22、将采集的运行状态参数通过数据库进行汇总,形成健身器材原始使用参数;
具体的,设计适合存储健身器材运行状态参数的数据库结构,确定需要的表和字段,以便存储不同的运行状态参数数据,再建立与数据库的连接,可以使用适当的数据库管理系统和相应的编程语言或工具来实现;
根据数据库设计,创建相应的数据表来存储健身器材的运行状态参数,且每个表代表一个健身器材,表的字段对应不同的运行状态参数,并通过传感器采集到的运行状态参数数据,将其存储到数据库中,使用编程语言或工具编写数据采集程序,将采集到的数据插入到相应的数据表中,再根据需要,对采集到的运行状态参数数据进行汇总和处理,可以根据时间、器材类型等维度进行数据汇总和统计,以形成更全面的健身器材原始使用参数,最终通过数据库查询语言或编程语言的数据库操作接口,对存储的健身器材原始使用参数进行查询和分析,且可以根据需要提取特定时间段、特定器材类型等条件的参数数据,并进行进一步的分析和处理。
S23、采用机器学习算法对原始使用参数进行验证,并根据验证结果进行参数调整。
具体的,收集和整理健身器材的原始使用参数数据集,并将其分为训练集和测试集,并从原始使用参数数据集中选择适当的特征,这些特征应该能够反映健身器材的使用状态和性能,再根据实际需求,创建相应的标签,用于表示参数的正确与否,如可以将正常状态标记为1,异常状态标记为0,根据问题的需求,选择如逻辑回归、支持向量机、决策树等,并使用训练集对模型进行训练,再使用测试集对训练好的机器学习模型进行评估,以确定模型的准确性和性能;
使用训练好的模型对新的原始使用参数进行预测和验证,并根据模型的预测结果,判断参数是否属于正常或异常状态,且根据验证结果,对健身器材的相关参数进行调整,可以根据模型的预测结果,结合领域知识和经验,对参数进行相应的调整,以优化健身器材的使用效果和性能,最后根据需要,可以多次进行模型训练、评估和参数调整,以逐步改进机器学习模型的性能和参数调整的效果。
S3、根据验证后原始使用参数和预设检测指令进行匹配分析,并生成错误代码传输至控制台;
本申请实施例中,根据验证后原始使用参数和预设检测指令进行匹配分析,并生成错误代码传输至控制台包括以下步骤:
S31、根据健身器材的种类和型号,预设对应的检测指令和运行状态参数正常值范围;
具体的,了解不同种类和型号的健身器材的特点、功能和使用要求,通过参考器材的说明书、技术规格或与制造商进行沟通来获得相关信息;
根据健身器材的特点和使用要求,确定需要监测的关键运行状态参数,其中参数可以包括速度、负荷、心率、功率等,根据实际情况进行选择;
根据健身器材的种类和型号,以及相关文献或经验,了解每个运行状态参数的正常值范围,正常值范围可以根据健身器材的设计规范、用户需求和安全要求来确定;
根据了解的健身器材种类和型号以及监测的运行状态参数,为每个参数预设相应的检测指令,且指令可以是针对每个参数的特定范围、变化趋势、阈值等,以便后续的故障检测和维护操作;
根据实际测试和验证结果,对预设的检测指令和运行状态参数正常值范围进行验证,并根据验证结果进行调整,并多次实际测试和反馈,以确保预设的指令和范围与实际情况一致;
将预设的检测指令和运行状态参数正常值范围进行文档记录,并定期更新以反映新的器材种类和型号的要求。
S32、将参数调后的原始使用参数进行特征提取,获取特征参数,并采用支持向量机算法对特征参数和运行状态参数正常值范围进行比对;
具体的,对原始使用参数进行参数调整,确保其符合预设的正常值范围或调整后的要求,再从参数调整后的原始使用参数中提取特征,这些特征应能够反映健身器材的使用状态和性能,且特征提取可以采用统计方法、频域分析、时域分析等技术,以捕捉参数的关键特征;
根据特征提取的结果,获得特征参数,将参数调整后的原始使用参数转化为特征参数,准备运行状态参数的正常值范围,可以是根据健身器材种类和型号预设的,或者根据实际数据进行统计得到的,再将特征参数与运行状态参数的正常值范围进行比对,采用支持向量机算法进行比对和分类,且支持向量机算法,可以根据已有的训练数据,将特征参数作为输入,将其与正常值范围进行比对,并进行分类,最终根据支持向量机算法的输出结果,评估特征参数是否与运行状态参数正常值范围匹配。可以根据分类结果,判断特征参数是否属于正常或异常状态。
S33、根据比对结果进行生成错误代码,并将错误代码进行健身器材映射,获取故障健身器材参数;
具体的,据比对结果,判断特征参数与运行状态参数正常值范围的匹配情况,确定哪些特征参数超出了正常范围或与正常值不匹配,再根据比对结果,为每个故障情况生成相应的错误代码,错误代码可以是预先定义好的代码,也可以根据实际情况进行动态生成;
将错误代码与健身器材进行映射,建立错误代码与故障健身器材之间的对应关系,根据故障健身器材的映射关系,从相应的数据库或记录中获取与该器材相关的故障参数,这些参数可以包括器材的型号、序列号、故障描述、维修历史等。
S34、将错误代码和故障健身器材参数传输至控制台。
S4、控制台对错误代码进行故障判断和故障分级,根据故障分级结果匹配预设故障调节措施,并生成维护人员实时监控系统状态页面;
本申请实施例中,控制台对错误代码进行故障判断,并进行故障分级,根据故障分级结果匹配预设故障调节措施包括以下步骤:
S41、对接收的错误代码和故障健身器材进行解析,并判断故障种类获取故障参数;
本申请实施例中,对接收的错误代码和故障健身器材进行解析,并判断故障种类获取故障参数包括以下步骤:
S411、预设错误代码数据库,并将接收的错误代码进行匹配;
具体的,根据健身器材的故障类型和常见故障情况,定义错误代码的分类和对应的含义,且每个错误代码应该明确表示一种特定的故障情况,并设计一个数据库来存储预设的错误代码和对应的详细信息,同时数据库表可以包括错误代码、故障类型、故障描述、适用的健身器材等字段,将预设的错误代码和相关信息,如故障类型、故障描述等,录入错误代码数据库中,确保每个错误代码都有唯一的标识符,并与相应的故障情况相关联;
当接收到错误代码时,将其与预设的错误代码数据库进行匹配,可以使用数据库查询语言或编程语言的数据库操作接口,根据错误代码标识符进行匹配操作,根据匹配结果,获取匹配到的错误代码及其相关信息,如故障类型、故障描述等,快速识别故障类型,并提供相应的故障处理方案。
S412、根据匹配结果进行错误代码解析,并进行设备故障分类;
具体的,根据匹配到的错误代码及其相关信息,进行错误代码的解析,包括查找错误代码数据库中对应的故障描述、故障类型等信息,并将其解析为可理解的语言描述,根据错误代码解析的结果,将设备故障进行分类,并根据设备故障的性质、严重程度等因素,将其归类为不同的故障类型,如电气故障、机械故障、传感器故障等;
为每个设备故障类型分配一个独特的标识符或代码,以便后续的故障统计和处理,记录和跟踪设备故障情况,将错误代码解析的结果和设备故障分类记录下来,可以使用数据库或其他记录方式进行存储,为故障分析和维护提供数据支持。
S413、根据设备故障分类进行获取故障参数;
具体的,对于每个设备故障分类,了解该故障类型的常见特征和相关的故障参数,通过参考设备制造商提供的文档、技术规范和经验知识来获得,再根据设备故障分类的特征,提取与该故障相关的参数,可以是对设备状态、性能或特定部件进行测量或监测的指标,如温度、压力、电流、振动等;
针对提取的故障参数,通过相应的传感器或监测设备,进行数据采集,确保传感器与设备连接和配置正确,以获得准确的故障参数数据,将采集到的故障参数数据存储到数据库或其他记录方式中,确保数据的准确性和完整性,以便后续的故障分析和处理,对采集到的故障参数数据进行分析,以了解故障的具体情况和特征,使用统计分析、数据挖掘等方法,找出与设备故障相关的模式或异常,最终将故障参数与设备故障分类进行关联。根据故障参数的特征和故障分类的知识,将参数与相应的故障类型进行匹配,以确定故障的具体类型。
S414、预先配置设备的故障分类权重,并根据预先配置设备的故障分类权重对故障参数进行调整。
具体的,根据设备故障分类的重要程度和影响因素,为每个故障分类定义相应的权重,且权重可以根据经验、专家意见或数据分析等方式确定,再根据预设的设备故障分类权重,对故障参数进行调整,通过乘以相应的权重因子,对故障参数进行加权,以反映其对设备故障分类的重要性;
根据具体情况,确定故障参数的调整方法,采用线性加权、指数加权等方式,根据权重因子对故障参数进行相应的缩放或调整,将调整后的故障参数应用于后续的故障诊断、维修或性能评估等任务中,根据故障参数的调整,更准确地判断设备的故障类型、严重程度或性能状态,最终根据实际应用和反馈,对预设的设备故障分类权重进行调整和优化,且根据实际经验或数据分析,对权重进行更新。
S42、预设故障参数分级阈值,并根据阈值预设故障调节措施;
具体的,对故障参数进行分析,了解其对设备故障的影响和重要性,可以通过专家知识、相关文献、历史数据等途径进行,并根据故障参数的分析结果,设定不同级别的故障参数分级阈值,且阈值可以根据经验、实验结果或相关标准进行设定,以区分不同严重程度的故障情况,再根据阈值设定,建立故障分级标准,将故障参数按照阈值进行分类,划分为不同级别的故障,如高、中、低级别等;
根据故障分级标准,为每个故障级别预设相应的故障调节措施,再根据故障的严重程度和影响范围,确定适当的维修、保养或替代方案,同时根据故障分级的重要性和应急性,设定故障调节措施的优先级,确保高级别故障的优先处理,以减少对设备性能和安全的影响。
并定期监控故障参数的变化,根据实际情况对故障参数分级阈值和故障调节措施进行评估和反馈,根据监控结果,对预设的阈值和措施进行调整和优化。
S43、将故障参数与预设故障参数分级阈值进行匹配,并根据匹配结果对健身器材进行预设故障调节措施分配。
具体的,通过传感器或监测设备采集健身器材的故障参数数据,确保参数的准确性和完整性,将采集到的故障参数与预设的故障参数分级阈值进行匹配,比较每个故障参数与相应分级阈值的关系,判断其是否超过或处于阈值范围内,根据故障参数与阈值的匹配结果,将故障分为不同的级别,如高、中、低级别,根据预设的阈值和分级标准进行判断和分类,根据故障的级别,为每个级别分配相应的故障调节措施,根据故障的严重程度和影响范围,制定相应的维修、保养或替代方案,预设的故障调节措施分配,执行相应的维修、保养或替代方案。同时,定期监控调节措施的执行情况和效果,进行反馈和调整。
S5、根据故障分级结果对健身器材进行运行器材使用状态调整,并采用时序分析生成健身器材安全参数;
本申请实施例中,根据故障分级结果对健身器材进行运行器材使用状态调整,并采用时序分析生成健身器材安全参数包括以下步骤:
S51、根据故障分级结果对健身器材进行是否停用判断,并根据判断结果间健身器材使用状态调整;
具体的,获取每个故障的分级结果,如高、中、低级别等,制定停用判断标准,根据故障的严重程度和影响范围,确定是否需要停用健身器材,例如,对于高级别故障,可能需要立即停用器材,而对于低级别故障,可以继续使用,再根据故障分级结果和停用判断标准,判断每个健身器材是否需要停用,对于被判定为需要停用的器材,进行相应的停用操作;
根据停用判断结果,对健身器材的使用状态进行调整,对于停用的器材,进行标识或隔离,以防止用户继续使用,对于未停用的器材,可以进行适当的调整和维护,确保其继续安全运行,同时定期监控和反馈健身器材的使用状态和故障处理情况,及时跟踪停用器材的修复进度和恢复使用情况,以确保健身器材恢复到正常的使用状态。
S52、获取健身器材故障前、故障期间和故障后的运行数据,并采用时间序列进行分析,根据分析的结果生成健身器材安全参数。
本申请实施例中,获取健身器材故障前、故障期间和故障后的运行数据,并采用时间序列进行分析,根据分析的结果生成健身器材安全参数包括以下步骤:
S521、根据故障时间点提取故障前预设时间段的健身器材数据,得到故障前数据;
具体的,根据故障发生的时间点,确定故障发生的具体时刻,再根据需要,预设一个时间段来表示故障前的数据,例如,可以根据经验或需求,设置为故障时间点的前几分钟、前几小时或前一天等。使用传感器或监测设备,采集健身器材的数据,并将其存储到数据库或其他数据存储方式中,根据故障时间点和预设时间段,从数据存储中提取故障前的健身器材数据,可以使用数据库查询语言或编程语言的数据库操作接口,根据时间范围进行数据提取操作,再对提取的故障前数据进行分析和处理,进行统计分析、时序分析或其他相关分析方法,以了解故障前数据的特征和趋势。
S522、根据故障时间点提取故障开始到故障结束时间段的健身器材数据,得到故障时数据;
具体的,根据故障发生的时间点,确定故障的开始时间和结束时间,可以根据故障报告、记录或监测系统的数据来确定,使用传感器或监测设备,采集健身器材的数据,并将其存储到数据库或其他数据存储方式中,根据故障的开始时间和结束时间,从数据存储中提取故障时的健身器材数据,可以使用数据库查询语言或编程语言的数据库操作接口,根据时间范围进行数据提取操作,最终对提取的故障时数据进行分析和处理。可以进行统计分析、时序分析或其他相关分析方法,以了解故障时数据的特征和趋势
S523、根据故障时间点提取故障后预设时间段的健身器材数据,得到故障后数据;
具体的,根据故障发生的时间点,确定故障发生的具体时刻,并根据需要,预设一个时间段来表示故障后的数据,例如,可以根据经验或需求,设置为故障时间点的后几分钟、后几小时或后一天等,使用传感器或监测设备,采集健身器材的数据,并将其存储到数据库或其他数据存储方式中,再根据故障时间点和预设时间段,从数据存储中提取故障后的健身器材数据,可以使用数据库查询语言或编程语言的数据库操作接口,根据时间范围进行数据提取操作,再对提取的故障后数据进行分析和处理。可以进行统计分析、时序分析或其他相关分析方法,以了解故障后数据的特征和趋势。
S524、对故障前数据、故障时数据及故障后数据进行数据预处理,形成整体故障数据,采用时序算法进行变化趋势识别,并根据变化趋势识别结果进行故障原因分析,将分析结果和整体故障数据采用自回归整合移动平均模型进行健身器材安全参数计算。
本申请实施例中,对故障前数据、故障时数据及故障后数据进行数据预处理,采用时序算法进行变化趋势识别,并根据变化趋势识别结果进行故障原因分析,将分析结果和整体故障数据采用自回归整合移动平均模型进行健身器材安全参数计算包括以下步骤:
S5241、采用统计方法识别健身器材数据的变化趋势,并分析故障原因;
具体的,收集健身器材的相关数据,包括故障前后的数据、运行状态参数等,同时确保数据的准确性和完整性,对收集到的数据进行预处理,包括数据清洗、去除异常值、数据平滑等处理,以确保数据的可靠性和稳定性;
再采用统计方法,如时间序列分析、回归分析等,对健身器材数据的变化趋势进行分析,通过绘制图表、计算指标,观察数据的趋势和变化模式,且根据变化趋势分析的结果,结合相关领域的知识和经验,进行故障原因的分析,并考虑数据的异常点、突变、周期性变化等,找出与故障相关的因素。
最终采用合适的统计检验方法,如方差分析、卡方检验等,对故障原因进行验证和推断,通过对不同因素之间的关系进行统计分析,判断其是否与故障有关,根据统计分析的结果,对健身器材数据的变化趋势和故障原因进行解释和总结。提出可能的故障原因,并给出相应的建议和改进措施。
S5242、将分析结果与整体故障数据进行差分,并转换为平稳时间序列;
具体的,收集整体故障数据,包括健身器材的故障发生时间、故障类型、故障参数等,确保数据的完整性和准确性,将分析结果与整体故障数据进行差分,且对于分析结果中的指标或特征,与整体故障数据进行对比,计算它们之间的差异或变化,对差分后的数据进行平稳时间序列转换,且平稳时间序列是指均值、方差和自协方差不随时间变化的时间序列,可以采用一阶差分、对数差分、移动平均等方法进行转换,使数据平稳化,对平稳时间序列进行进一步分析,使用统计方法、时间序列分析或机器学习算法等,对平稳时间序列进行建模、预测或异常检测等分析,并根据平稳时间序列分析的结果,对差分后的数据进行解释和应用,且根据分析结果,理解数据的变化规律、故障趋势或异常情况,并提出相应的解决方案或预测模型。
S5243、采用使用自相关函数和偏自相关函数构建自回归整合移动平均模型,并进行训练;
本申请实施例中,采用使用自相关函数和偏自相关函数构建自回归整合移动平均模型,并进行训练的计算公式为:
Ut=φ1Ut-1+φ2Ut-2+…+φpUt-p+εt-θ1εt-1-θ2εt-2-θwεt-w
其中,Ut为在时间点t的健身器材安全参数的观察值;
φ1为时间点t-1的自回归参数;
φ2为时间点t-2的自回归参数;
φp为时间点t-p的自回归参数;
εt为在时间电机t的误差项;
θ1为时间点t-1的移动平均参数;
θ2为时间点t-2的移动平均参数;
θw为时间点t-w的移动平均参数。
S5243、将整体故障数据带入训练后的自回归整合移动平均模型进计算健身器材安全参数,并进行验证调整。
具体的,准备整体故障数据,包括健身器材的故障发生时间、故障类型、故障参数等,且确保数据的完整性和准确性,利用训练好的自回归整合移动平均模型,将整体故障数据带入模型,进行健身器材安全参数的计算,根据模型的预测结果,得到健身器材的安全参数值;
对计算得到的健身器材安全参数进行验证和调整,与实际的故障数据进行比对,评估预测的准确性和可靠性,并根据验证结果,对模型进行调整和优化,再将验证和调整后的健身器材安全参数应用于实际的健身器材运行和维护中,且根据安全参数的阈值和范围,进行设备的监测和预警,以及相应的安全措施和维护操作。
S6、根据健身器材维修方案对健身器材进行维修,并根据维修结果对健身器材安全参数更新;
具体的,根据健身器材的故障情况和维修要求,制定相应的维修方案,且维修方案应包括维修步骤、所需材料和工具,以及维修的时间和人员安排等,再根据维修方案,进行健身器材的维修操作,按照维修步骤进行操作,修复或更换故障部件,进行调试和测试,确保健身器材的正常运行,记录维修过程中的操作和发现,包括维修步骤、所用材料和工具、维修时间等,同时记录维修结果,包括故障修复情况、更换的部件、调整的参数等;
根据维修结果和调整的参数,更新健身器材的安全参数,且根据维修的效果和对健身器材的评估,更新安全参数的范围、阈值或其他相关信息,并对更新后的安全参数进行验证,通过实际运行、监测和测试,验证安全参数的准确性和可靠性。根据验证结果,进行必要的调整和优化,最终根据维修结果和验证反馈,进行维修方案的改进和优化,再根据经验和教训,调整维修方案,提高维修效率和质量
S7、将原始使用参数与更新后的健身器材安全参数进行比对,根据比对结果进行维修效果评估,并根据评估后的维修效果和更新后的健身器材安全参数对故障分级参数进行调整,实时对健身器材进行故障检测。
具体的,将原始使用参数与更新后的健身器材安全参数进行比对,比较参数值、范围或其他指标,判断更新后的参数是否符合预期或改善了故障情况,再根据比对结果,评估维修的效果及参数变化、故障情况改善程度、健身器材性能等方面,判断维修是否达到预期效果,根据维修效果评估和更新后的健身器材安全参数,对故障分级参数进行调整,且根据维修的效果和安全参数的更新,重新评估故障的严重程度和分级标准;
基于调整后的故障分级参数,对健身器材进行实时故障检测,通过传感器、监测设备或其他监测手段,实时获取健身器材的数据,并与故障分级参数进行比对和分析,判断器材的故障状态,最终根据故障检测的结果,对健身器材的故障进行处理,且根据故障的严重程度和影响范围,执行相应的维修、保养或替代措施。
根据本发明另一个实施例,如图2所示,提供了一种健身器材的远程故障检测系统,该系统包括:
分类模块1,用于根据健身器材种类进行分类,并根据分类结果进行预设检测指令;
参数验证模块2,用于获取健身器材原始使用参数,并对原始使用参数进行验证;
故障匹配模块3,用于根据验证后原始使用参数和预设检测指令进行匹配分析,并生成错误代码传输至控制台;
故障判断分级模块4,用于控制台对错误代码进行故障判断和故障分级,根据故障分级结果匹配预设故障调节措施,并生成维护人员实时监控系统状态页面;
状态生成调整模块5,用于根据故障分级结果对健身器材进行运行器材使用状态调整,并采用时序分析生成健身器材安全参数;
维修更新模块6,用于根据健身器材维修方案对健身器材进行维修,并根据维修结果对健身器材安全参数更新;
维修评估调整模块7,用于将原始使用参数与更新后的健身器材安全参数进行比对,根据比对结果进行维修效果评估,并根据评估后的维修效果和更新后的健身器材安全参数对故障分级参数进行调整,实时对健身器材进行故障检测;
分类模块1、参数验证模块2、故障匹配模块3、故障判断分级模块4、状态生成调整模块5、维修更新模块6及维修评估调整模块7依次连接。
综上所述,借助于本发明的上述技术方案,本发明通过实时监控健身器材的运行参数,可以及时发现和处理故障,从而避免因长期的小故障而导致的大规模损坏,延长健身器材的使用寿命,同时通过对健身器材的实时监控和预设的故障调节措施,可以在发现任何潜在的安全问题时立即进行调整或停用,保证使用者的安全。
此外,本发明通过对错误代码的实时分析和故障分级,可以根据故障的严重程度来分配维护资源,从而优化资源的使用,提高维护效率,且通过控制台生成的实时监控系统状态页面,维护人员可以随时了解到健身器材的运行状态,提高了维护人员的工作效率。
此外,本发明采用机器学习算法和时序分析技术,可以更准确地分析和预测健身器材的运行状态和故障趋势,从而更准确地进行故障诊断和维护,并通过对健身器材的运行参数进行实时调整,可以保证健身器材在最佳的状态下运行,提高其运行效率。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,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,均应包含在本发明的保护范围之内。
Claims (7)
1.一种健身器材的远程故障检测方法,其特征在于,该方法包括以下步骤:
S1、根据健身器材种类进行分类,并根据分类结果进行预设检测指令;
S2、获取健身器材原始使用参数,并对原始使用参数进行验证;
S3、根据验证后原始使用参数和预设检测指令进行匹配分析,并生成错误代码传输至控制台;
S4、控制台对错误代码进行故障判断和故障分级,根据故障分级结果匹配预设故障调节措施,并生成维护人员实时监控系统状态页面;
S5、根据故障分级结果对健身器材进行运行器材使用状态调整,并采用时序分析生成健身器材安全参数;
所述根据故障分级结果对健身器材进行运行器材使用状态调整,并采用时序分析生成健身器材安全参数包括以下步骤:
S51、根据故障分级结果对健身器材进行是否停用判断,并根据判断结果间健身器材使用状态调整;
S52、获取健身器材故障前、故障期间和故障后的运行数据,并采用时间序列进行分析,根据分析的结果生成健身器材安全参数;
所述获取健身器材故障前、故障期间和故障后的运行数据,并采用时间序列进行分析,根据分析的结果生成健身器材安全参数包括以下步骤:
S521、根据故障时间点提取故障前预设时间段的健身器材数据,得到故障前数据;
S522、根据故障时间点提取故障开始到故障结束时间段的健身器材数据,得到故障时数据;
S523、根据故障时间点提取故障后预设时间段的健身器材数据,得到故障后数据;
S524、对故障前数据、故障时数据及故障后数据进行数据预处理,形成整体故障数据,采用时序算法进行变化趋势识别,并根据变化趋势识别结果进行故障原因分析,将分析结果和整体故障数据采用自回归整合移动平均模型进行健身器材安全参数计算;
所述对故障前数据、故障时数据及故障后数据进行数据预处理,采用时序算法进行变化趋势识别,并根据变化趋势识别结果进行故障原因分析,将分析结果和整体故障数据采用自回归整合移动平均模型进行健身器材安全参数计算包括以下步骤:
S5241、采用统计方法识别健身器材数据的变化趋势,并分析故障原因;
S5242、将分析结果与整体故障数据进行差分,并转换为平稳时间序列;
S5243、采用使用自相关函数和偏自相关函数构建自回归整合移动平均模型,并进行训练;
S5243、将整体故障数据带入训练后的自回归整合移动平均模型进计算健身器材安全参数,并进行验证调整;S6、根据健身器材维修方案对健身器材进行维修,并根据维修结果对健身器材安全参数更新;
S7、将原始使用参数与更新后的健身器材安全参数进行比对,根据比对结果进行维修效果评估,并根据评估后的维修效果和更新后的健身器材安全参数对故障分级参数进行调整,实时对健身器材进行故障检测。
2.根据权利要求1所述的一种健身器材的远程故障检测方法,其特征在于,所述获取健身器材原始使用参数,并对原始使用参数进行验证包括以下步骤:
S21、将健身器材安装传感器,并通过传感器对健身器材进行运行状态参数采集;
S22、将采集的运行状态参数通过数据库进行汇总,形成健身器材原始使用参数;
S23、采用机器学习算法对原始使用参数进行验证,并根据验证结果进行参数调整。
3.根据权利要求1所述的一种健身器材的远程故障检测方法,其特征在于,所述根据验证后原始使用参数和预设检测指令进行匹配分析,并生成错误代码传输至控制台包括以下步骤:
S31、根据健身器材的种类和型号,预设对应的检测指令和运行状态参数正常值范围;
S32、将参数调后的原始使用参数进行特征提取,获取特征参数,并采用支持向量机算法对特征参数和运行状态参数正常值范围进行比对;
S33、根据比对结果进行生成错误代码,并将错误代码进行健身器材映射,获取故障健身器材参数;
S34、将错误代码和故障健身器材参数传输至控制台。
4.根据权利要求1所述的一种健身器材的远程故障检测方法,其特征在于,所述控制台对错误代码进行故障判断,并进行故障分级,根据故障分级结果匹配预设故障调节措施包括以下步骤:
S41、对接收的错误代码和故障健身器材进行解析,并判断故障种类获取故障参数;
S42、预设故障参数分级阈值,并根据阈值预设故障调节措施;
S43、将故障参数与预设故障参数分级阈值进行匹配,并根据匹配结果对健身器材进行预设故障调节措施分配。
5.根据权利要求4所述的一种健身器材的远程故障检测方法,其特征在于,所述对接收的错误代码和故障健身器材进行解析,并判断故障种类获取故障参数包括以下步骤:
S411、预设错误代码数据库,并将接收的错误代码进行匹配;
S412、根据匹配结果进行错误代码解析,并进行设备故障分类;
S413、根据设备故障分类进行获取故障参数;
S414、预先配置设备的故障分类权重,并根据预先配置设备的故障分类权重对故障参数进行调整。
6.根据权利要求1所述的一种健身器材的远程故障检测方法,其特征在于,所述采用使用自相关函数和偏自相关函数构建自回归整合移动平均模型,并进行训练的计算公式为:
Ut=φ1Ut-1+φ2Ut-2+…+φpUt-p+εt-θ1εt-1-θ2εt-2-θwεt-w
其中,Ut为在时间点t的健身器材安全参数的观察值;
φ1为时间点t-1的自回归参数;
φ2为时间点t-2的自回归参数;
φp为时间点t-p的自回归参数;
εt为在时间电机t的误差项;
θ1为时间点t-1的移动平均参数;
θ2为时间点t-2的移动平均参数;
θw为时间点t-w的移动平均参数。
7.一种健身器材的远程故障检测系统,用于实现权利要求1-6中任一项所述的健身器材的远程故障检测方法,其特征在于,该系统包括:
分类模块(1),用于根据健身器材种类进行分类,并根据分类结果进行预设检测指令;
参数验证模块(2),用于获取健身器材原始使用参数,并对原始使用参数进行验证;
故障匹配模块(3),用于根据验证后原始使用参数和预设检测指令进行匹配分析,并生成错误代码传输至控制台;
故障判断分级模块(4),用于控制台对错误代码进行故障判断和故障分级,根据故障分级结果匹配预设故障调节措施,并生成维护人员实时监控系统状态页面;
状态生成调整模块(5),用于根据故障分级结果对健身器材进行运行器材使用状态调整,并采用时序分析生成健身器材安全参数;
维修更新模块(6),用于根据健身器材维修方案对健身器材进行维修,并根据维修结果对健身器材安全参数更新;
维修评估调整模块(7),用于将原始使用参数与更新后的健身器材安全参数进行比对,根据比对结果进行维修效果评估,并根据评估后的维修效果和更新后的健身器材安全参数对故障分级参数进行调整,实时对健身器材进行故障检测;
所述分类模块(1)、所述参数验证模块(2)、所述故障匹配模块(3)、所述故障判断分级模块(4)、所述状态生成调整模块(5)、所述维修更新模块(6)及所述维修评估调整模块(7)依次连接。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311163664.5A CN116910680B (zh) | 2023-09-11 | 2023-09-11 | 一种健身器材的远程故障检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311163664.5A CN116910680B (zh) | 2023-09-11 | 2023-09-11 | 一种健身器材的远程故障检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116910680A CN116910680A (zh) | 2023-10-20 |
CN116910680B true CN116910680B (zh) | 2023-12-05 |
Family
ID=88353438
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311163664.5A Active CN116910680B (zh) | 2023-09-11 | 2023-09-11 | 一种健身器材的远程故障检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116910680B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117689219A (zh) * | 2024-02-04 | 2024-03-12 | 江西科技学院 | 一种基于机器学习的体育器材安全性评估系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106529686A (zh) * | 2016-11-11 | 2017-03-22 | 厦门钢宇工业有限公司 | 健身器材售后服务方法及系统 |
CN108667927A (zh) * | 2018-05-07 | 2018-10-16 | 山推工程机械股份有限公司 | 工程机械故障的远程管理方法、装置、系统及存储介质 |
CN108731923A (zh) * | 2018-03-28 | 2018-11-02 | 中控技术(西安)有限公司 | 一种旋转机械设备的故障检测方法及装置 |
CN115445158A (zh) * | 2022-10-14 | 2022-12-09 | 深圳市今视通数码科技有限公司 | 健身器材自检预警方法、系统、设备及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB201919198D0 (en) * | 2019-12-23 | 2020-02-05 | Univ Surrey | Sensor fault prediction method and apparatus |
-
2023
- 2023-09-11 CN CN202311163664.5A patent/CN116910680B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106529686A (zh) * | 2016-11-11 | 2017-03-22 | 厦门钢宇工业有限公司 | 健身器材售后服务方法及系统 |
CN108731923A (zh) * | 2018-03-28 | 2018-11-02 | 中控技术(西安)有限公司 | 一种旋转机械设备的故障检测方法及装置 |
CN108667927A (zh) * | 2018-05-07 | 2018-10-16 | 山推工程机械股份有限公司 | 工程机械故障的远程管理方法、装置、系统及存储介质 |
CN115445158A (zh) * | 2022-10-14 | 2022-12-09 | 深圳市今视通数码科技有限公司 | 健身器材自检预警方法、系统、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116910680A (zh) | 2023-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112731159B (zh) | 一种储能电站电池舱电池故障预判及定位的方法 | |
JP3553982B2 (ja) | 自動化された金属切削機械における切削工具の寿命を予測するシステム | |
CN116910680B (zh) | 一种健身器材的远程故障检测方法及系统 | |
CN106407589B (zh) | 一种风机状态评估与预测方法及系统 | |
CN111858231A (zh) | 一种基于运维监控的单指标异常检测方法 | |
CN110334728B (zh) | 一种面向工业互联网的故障预警方法及装置 | |
CN112052979A (zh) | 基于故障预测与健康管理的设备备件需求预测系统 | |
CN113190421A (zh) | 一种用于数据中心的设备健康状态的检测分析方法 | |
CN114861827B (zh) | 基于多源数据融合的采煤机预测诊断与健康管理方法 | |
CN116596322B (zh) | 一种基于大数据可视化的物业设备管理方法及系统 | |
CN115239135A (zh) | 一种施工风险识别管控系统及方法 | |
CN110865924A (zh) | 电力信息系统内部服务器健康度诊断方法与健康诊断框架 | |
CN112692646A (zh) | 一种刀具磨损状态智能评估方法及装置 | |
CN110991668A (zh) | 一种基于关联规则的电动汽车动力电池监控数据分析方法 | |
CN116226469B (zh) | 一种储能设备故障的智能诊断方法及系统 | |
CN112711850A (zh) | 一种基于大数据的机组在线监测方法 | |
CN116821107A (zh) | 一种用于智慧电厂的主数据智能化管理方法及系统 | |
US11339763B2 (en) | Method for windmill farm monitoring | |
CN111382946B (zh) | 设备健康状态的自主评估方法、系统及工业互联网设备 | |
CN115358533A (zh) | 一种基于大数据的预测性维护管理系统 | |
CN112836380A (zh) | 一种智能制造生产线故障预估与维修方法 | |
CN117034157B (zh) | 一种结合多模态运行数据的水电设备故障识别方法与系统 | |
CN117272844B (zh) | 配电盘工作寿命的预测方法及系统 | |
CN117111446B (zh) | 一种磁悬浮飞轮电机模糊pid控制优化方法 | |
CN117910999A (zh) | 一种智能电厂设备检修方法及系统 |
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 |