CN117078232B - 一种基于大数据的加工设备故障预防系统及方法 - Google Patents
一种基于大数据的加工设备故障预防系统及方法 Download PDFInfo
- Publication number
- CN117078232B CN117078232B CN202311336653.2A CN202311336653A CN117078232B CN 117078232 B CN117078232 B CN 117078232B CN 202311336653 A CN202311336653 A CN 202311336653A CN 117078232 B CN117078232 B CN 117078232B
- Authority
- CN
- China
- Prior art keywords
- data
- fault
- equipment
- historical
- data set
- 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
- 238000012545 processing Methods 0.000 title claims abstract description 76
- 230000002265 prevention Effects 0.000 title claims abstract description 52
- 238000000034 method Methods 0.000 title claims abstract description 18
- 238000012423 maintenance Methods 0.000 claims abstract description 41
- 238000004519 manufacturing process Methods 0.000 claims abstract description 21
- 238000007405 data analysis Methods 0.000 claims abstract description 10
- 238000010801 machine learning Methods 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims description 10
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 230000007613 environmental effect Effects 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 6
- 239000012535 impurity Substances 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000003754 machining Methods 0.000 claims description 4
- 238000004088 simulation Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000010219 correlation analysis Methods 0.000 claims description 3
- 238000002790 cross-validation Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 2
- 230000000007 visual effect Effects 0.000 claims 2
- 238000009776 industrial production Methods 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
Classifications
-
- 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
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
- G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic data
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Marketing (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Business, Economics & Management (AREA)
- Computing Systems (AREA)
- Emergency Management (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Manufacturing & Machinery (AREA)
- Primary Health Care (AREA)
- Databases & Information Systems (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Multimedia (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及设备故障预防技术领域,尤其涉及一种基于大数据的加工设备故障预防系统及方法。本发明包括数据采集模块、数据处理模块、数据分析模块、故障预防平台以及预警模块。通过采集设备、人员和环境的历史数据和实时工作数据,再对数据处理、分析,建立基于大数据的特征数据集。在特征数据集的基础上,进一步建立故障预防模型和维修方案建立模型。通过机器学习技术,对未发生的故障的预测,并提出相应的解决方案。最终实现对加工设备的高效、精准、全面、自动的维护,利于智能化的工作生产。
Description
技术领域
本发明涉及设备故障预防技术领域,尤其涉及一种基于大数据的加工设备故障预防系统及方法。
背景技术
工业生产过程中需要用到大量的加工设备,建立生产线。而加工设备的日常维护包含大量的设备故障处理工作,主要依赖用户报送故障、技术人员巡检、监控报警平台等方式触发处理流程,各类技术人员现场处理。当设备数量大、种类差异大、人员配备不足、环境多样时,设备故障保障能力明显下降,用户体验差。
发明内容
针对背景技术中存在的问题,提出一种基于大数据的加工设备故障预防系统及方法。通过采集设备、人员和环境的历史数据和实时工作数据,再对数据处理、分析,建立基于大数据的特征数据集。在特征数据集的基础上,进一步建立故障预防模型和维修方案建立模型。通过机器学习技术,对未发生的故障的预测,并提出相应的解决方案。实现对加工设备的高效、精准、全面、自动的维护,利于智能化的工作生产。
本发明提出一种基于大数据的加工设备故障预防系统,包括数据采集模块、数据处理模块、数据分析模块、故障预防平台以及预警模块。
数据采集模块用于采集历史数据和实时工作数据。数据处理模块对历史数据和实时工作数据清洗、除杂、分类。数据分析模块用于提取数据特征,建立基于大数据的特征数据集。故障预防平台通过模拟加工设备故障进行训练、优化,建立故障预防模型和维修方案建立模型,通过输入特征数据集,对历史故障进行分析,对未发生的故障进行预测,并提出相应的解决方案。预警模块用于向维护人员发送预警信息。
优选的,历史数据为设备历史工作数据以及基本信息数据,包括设备型号、日志信息、设备硬件运行历史信息、设备软件运行历史信息、操作系统运行历史信息、工作环境历史信息、操作人员历史信息、故障历史信息和维护历史记录。
优选的,实时工作数据为设备实时工作数据以及基本信息数据,包括设备硬件实时运行信息、设备软件实时运行信息、操作系统实时运行信息、工作环境实时信息和操作人员实时信息。
优选的,数据处理模块包括缺失值处理单元、异常值处理单元、重复值处理单元、变量转换单元和格式统一单元,首先通过df.snull().mean()的方法计算数据中各字段缺失值占比,采用回归填补法补充缺失值后,删除处理异常值、重复值,最后按照时间线对变量数据进行重新排序,做格式统一化处理。
优选的,数据分析模块包括可视化处理单元、数据特征提取单元和特征数据集建立单元,首先将数据转化为可视化图像,将图像划分为多个16*16的小区域,即为cell;接着对每个cell中相邻的像素灰度值与阈值进行对比,若周围像素>中心像素,该cell位置被记为1,否则为0;将每个cell的统计直方图连接,构成特征向量;最后通过机器学习算法对特征向量除噪、分类,得到设备特征数据集(a1、a2......an)、环境特征数据集(b1、b2......bn)和人员特征数据集(c1、c2......cn)。
优选的,故障预防平台结合加工设备故障模拟场景,对特征数据集与故障关系进行相关性分析,并进行聚类、标签化处理;故障预防模型根据特征数据集的故障标签,对其加权,并依次代入历史故障描述公式,得到该设备的故障发生参数X;将所有的设备的故障发生参数代入故障预测公式,得到生产线的加工设备故障预测参数W。
优选的,历史故障描述公式为:;为n号设备T时长的维
修周期内历史故障发生参数;A为设备特征数据集加权值;B为环境特征数据集加权值;C为
人员特征数据集加权值。
优选的,故障预测公式为:;为T时长维修周期内生产线的
故障预测参数。
优选的,故障预防平台通过将历史数据集划分为训练数据集和测试数据集,并进行K次迭代交叉验证;将原始数据集随机分成K个子集,并且尽可能使得k个子集包含相同的样本数,采用其中一个子集用作测试集,而其余的K-1个子集作为训练集,对维修方案建立模型进行训练、测试。
本发明又提出一种包括上述的基于大数据的加工设备故障预防系统的加工设备故障预防方法,步骤如下:
S1、以生产线上的加工设备为单位,布置采集设备数据、人员数据和环境数据的数据采集端,并向系统导入设备历史数据、人员历史数据和环境历史数据;
S2、对采集的数据进行缺失值、异常值、重复值和变量值处理,并统一格式后,再对历史数据和实时工作数据进行提取数据特征,建立基于大数据的特征数据集;
S3、通过模拟加工设备故障进行训练、优化,建立故障预防模型和维修方案建立模型,通过输入历史特征数据集,对历史故障进行分析;
S4、故障预防模型根据特征数据集的故障标签,对其加权,并依次代入历史故障描述公式,得到该设备的故障发生参数X;
S5、将所有的设备的故障发生参数代入故障预测公式,得到生产线的加工设备故障预测参数W;
S6、当W大于设定阈值,系统判断生产线需要维护,且结合故障发生参数X,快速定位待维护的设备,并通过分析,查找预测故障的来源是人员/设备/环境;
S7、向维护人员发送预警信息和维修方案。
与现有技术相比,本发明具有如下有益的技术效果:本发明通过采集设备、人员和环境的历史数据和实时工作数据,再对数据处理、分析,建立基于大数据的特征数据集。在特征数据集的基础上,进一步建立故障预防模型和维修方案建立模型。通过机器学习技术,对未发生的故障的预测,并提出相应的解决方案。最终实现对加工设备的高效、精准、全面、自动的维护,利于智能化的工作生产。
附图说明
图1为本发明一种实施例中基于大数据的加工设备故障预防系统的结构图;
图2为本发明一种实施例中基于大数据的加工设备故障预防方法的流程图。
具体实施方式
实施例一,如图1所示,本发明提出的一种基于大数据的加工设备故障预防系统,包括数据采集模块、数据处理模块、数据分析模块、故障预防平台以及预警模块。数据采集模块用于采集历史数据和实时工作数据。数据处理模块对历史数据和实时工作数据清洗、除杂、分类。数据分析模块用于提取数据特征,建立基于大数据的特征数据集。故障预防平台通过模拟加工设备故障进行训练、优化,建立故障预防模型和维修方案建立模型,通过输入特征数据集,对历史故障进行分析,对未发生的故障进行预测,并提出相应的解决方案。预警模块用于向维护人员发送预警信息。
本实施例中的加工设备故障预防系统通过采集设备、人员和环境的历史数据和实时工作数据,再对数据处理、分析,建立基于大数据的特征数据集。在特征数据集的基础上,进一步建立故障预防模型和维修方案建立模型。通过机器学习技术,对未发生的故障的预测,并提出相应的解决方案。最终实现对加工设备的高效、精准、全面、智能的维护,利于工作生产。
实施例二,如图1所示,本发明提出的一种基于大数据的加工设备故障预防系统,包括数据采集模块、数据处理模块、数据分析模块、故障预防平台以及预警模块。数据采集模块用于采集历史数据和实时工作数据。数据处理模块对历史数据和实时工作数据清洗、除杂、分类。数据分析模块用于提取数据特征,建立基于大数据的特征数据集。故障预防平台通过模拟加工设备故障进行训练、优化,建立故障预防模型和维修方案建立模型,通过输入特征数据集,对历史故障进行分析,对未发生的故障进行预测,并提出相应的解决方案。预警模块用于向维护人员发送预警信息。
需要进一步说明的是,历史数据为设备历史工作数据以及基本信息数据,包括设备型号、日志信息、设备硬件运行历史信息、设备软件运行历史信息、操作系统运行历史信息、工作环境历史信息、操作人员历史信息、故障历史信息和维护历史记录。实时工作数据为设备实时工作数据以及基本信息数据,包括设备硬件实时运行信息、设备软件实时运行信息、操作系统实时运行信息、工作环境实时信息和操作人员实时信息。上述的数据构成了大数据库,为后续的模型建立、分析提供依据。
需要进一步说明的是,数据处理模块包括缺失值处理单元、异常值处理单元、重复值处理单元、变量转换单元和格式统一单元,首先通过df.snull().mean()的方法计算数据中各字段缺失值占比,采用回归填补法补充缺失值后,删除处理异常值、重复值,最后按照时间线对变量数据进行重新排序,做格式统一化处理。通过上述的数据处理流程,达到对大数据库清洗、除杂、分类的目的。
需要进一步说明的是,数据分析模块包括可视化处理单元、数据特征提取单元和特征数据集建立单元,首先将数据转化为可视化图像,将图像划分为多个16*16的小区域,即为cell;接着对每个cell中相邻的像素灰度值与阈值进行对比,若周围像素>中心像素,该cell位置被记为1,否则为0;将每个cell的统计直方图连接,构成特征向量;最后通过机器学习算法对特征向量除噪、分类,得到设备特征数据集(a1、a2......an)、环境特征数据集(b1、b2......bn)和人员特征数据集(c1、c2......cn)。
需要进一步说明的是,故障预防平台结合加工设备故障模拟场景,对特征数据集与故障关系进行相关性分析,并进行聚类、标签化处理;故障预防模型根据特征数据集的故障标签,对其加权,并依次代入历史故障描述公式,得到该设备的故障发生参数X;将所有的设备的故障发生参数代入故障预测公式,得到生产线的加工设备故障预测参数W。
需要进一步说明的是,历史故障描述公式为:;为n号
设备T时长的维修周期内历史故障发生参数;A为设备特征数据集加权值;B为环境特征数据
集加权值;C为人员特征数据集加权值。
需要进一步说明的是,故障预测公式为:;为T时长维修周
期内生产线的故障预测参数。
需要进一步说明的是,故障预防平台通过将历史数据集划分为训练数据集和测试数据集,并进行K次迭代交叉验证;将原始数据集随机分成K个子集,并且尽可能使得k个子集包含相同的样本数,采用其中一个子集用作测试集,而其余的K-1个子集作为训练集,对维修方案建立模型进行训练、测试。
实施例三,如图2所示,本发明又提出一种包括上述的基于大数据的加工设备故障预防系统的加工设备故障预防方法,步骤如下:
S1、以生产线上的加工设备为单位,布置采集设备数据、人员数据和环境数据的数据采集端,并向系统导入设备历史数据、人员历史数据和环境历史数据;
S2、对采集的数据进行缺失值、异常值、重复值和变量值处理,并统一格式后,再对历史数据和实时工作数据进行提取数据特征,建立基于大数据的特征数据集;
S3、通过模拟加工设备故障进行训练、优化,建立故障预防模型和维修方案建立模型,通过输入历史特征数据集,对历史故障进行分析;
S4、故障预防模型根据特征数据集的故障标签,对其加权,并依次代入历史故障描述公式,得到该设备的故障发生参数X;
S5、将所有的设备的故障发生参数代入故障预测公式,得到生产线的加工设备故障预测参数W;
S6、当W大于设定阈值,系统判断生产线需要维护,且结合故障发生参数X,快速定位待维护的设备,并通过分析,查找预测故障的来源是人员/设备/环境;
S7、向维护人员发送预警信息和维修方案。
本实施例中的加工设备故障预防方法通过采集历史数据和实时工作数据,建立基于大数据的特征数据集。通过机器学习技术,对未发生的故障的预测,并提出相应的解决方案。方法操作简单,预测精准,适合应用与加工设备种类多样的生产线上,实现工业生产的自动化、智能化。
上面结合附图对本发明的实施方式作了详细说明,但是本发明并不限于此,在所属技术领域的技术人员所具备的知识范围内,在不脱离本发明宗旨的前提下还可以作出各种变化。
Claims (4)
1.一种基于大数据的加工设备故障预防系统,其特征在于,包括:
数据采集模块,用于采集历史数据和实时工作数据;历史数据为设备历史工作数据以及基本信息数据,包括设备型号、日志信息、设备硬件运行历史信息、设备软件运行历史信息、操作系统运行历史信息、工作环境历史信息、操作人员历史信息、故障历史信息和维护历史记录;实时工作数据为设备实时工作数据以及基本信息数据,包括设备硬件实时运行信息、设备软件实时运行信息、操作系统实时运行信息、工作环境实时信息和操作人员实时信息;
数据处理模块,对历史数据和实时工作数据清洗、除杂、分类;
数据分析模块,用于提取数据特征,建立基于大数据的特征数据集,包括可视化处理单元、数据特征提取单元和特征数据集建立单元,首先将数据转化为可视化图像,将图像划分为多个16*16的小区域,即为cell;接着对每个cell中相邻的像素灰度值与阈值进行对比,若周围像素>中心像素,该cell位置被记为1,否则为0;将每个cell的统计直方图连接,构成特征向量;最后通过机器学习算法对特征向量除噪、分类,得到设备特征数据集(a1、a2......an)、环境特征数据集(b1、b2......bn)和人员特征数据集(c1、c2......cn);
故障预防平台,通过模拟加工设备故障进行训练、优化,建立故障预防模型和维修方案建立模型,通过输入特征数据集,对历史故障进行分析,对未发生的故障进行预测,并提出相应的解决方案,具体为结合加工设备故障模拟场景,对特征数据集与故障关系进行相关性分析,并进行聚类、标签化处理;故障预防模型根据特征数据集的故障标签,对其加权,并依次代入历史故障描述公式,得到该设备的故障发生参数X;将所有的设备的故障发生参数代入故障预测公式,得到生产线的加工设备故障预测参数W;历史故障描述公式为:;/>为n号设备T时长的维修周期内历史故障发生参数;A为设备特征数据集加权值;B为环境特征数据集加权值;C为人员特征数据集加权值;故障预测公式为:/>;/>为T时长维修周期内生产线的故障预测参数;
以及预警模块,用于向维护人员发送预警信息。
2.根据权利要求1所述的一种基于大数据的加工设备故障预防系统,其特征在于,数据处理模块包括缺失值处理单元、异常值处理单元、重复值处理单元、变量转换单元和格式统一单元,首先通过df.snull().mean()的方法计算数据中各字段缺失值占比,采用回归填补法补充缺失值后,删除处理异常值、重复值,最后按照时间线对变量数据进行重新排序,做格式统一化处理。
3.根据权利要求1所述的一种基于大数据的加工设备故障预防系统,其特征在于,故障预防平台通过将历史数据集划分为训练数据集和测试数据集,并进行K次迭代交叉验证;将原始数据集随机分成K个子集,并且尽可能使得K个子集包含相同的样本数,采用其中一个子集用作测试集,而其余的K-1个子集作为训练集,对维修方案建立模型进行训练、测试。
4.一种包括权利要求1-3任一项所述的基于大数据的加工设备故障预防系统的加工设备故障预防方法,其特征在于,步骤如下:
S1、以生产线上的加工设备为单位,布置采集设备数据、人员数据和环境数据的数据采集端,并向系统导入设备历史数据、人员历史数据和环境历史数据;
S2、对采集的数据进行缺失值、异常值、重复值和变量值处理,并统一格式后,再对历史数据和实时工作数据进行提取数据特征,建立基于大数据的特征数据集;
S3、通过模拟加工设备故障进行训练、优化,建立故障预防模型和维修方案建立模型,通过输入历史特征数据集,对历史故障进行分析;
S4、故障预防模型根据特征数据集的故障标签,对其加权,并依次代入历史故障描述公式,得到该设备的故障发生参数X;
S5、将所有的设备的故障发生参数代入故障预测公式,得到生产线的加工设备故障预测参数W;
S6、当W大于设定阈值,系统判断生产线需要维护,且结合故障发生参数X,快速定位待维护的设备,并通过分析,查找预测故障的来源是人员/设备/环境;
S7、向维护人员发送预警信息和维修方案。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311336653.2A CN117078232B (zh) | 2023-10-17 | 2023-10-17 | 一种基于大数据的加工设备故障预防系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311336653.2A CN117078232B (zh) | 2023-10-17 | 2023-10-17 | 一种基于大数据的加工设备故障预防系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117078232A CN117078232A (zh) | 2023-11-17 |
CN117078232B true CN117078232B (zh) | 2024-01-09 |
Family
ID=88715628
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311336653.2A Active CN117078232B (zh) | 2023-10-17 | 2023-10-17 | 一种基于大数据的加工设备故障预防系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117078232B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101987365B1 (ko) * | 2018-11-26 | 2019-06-10 | (주)위세아이텍 | 비정형 데이터를 활용한 인공지능 기반의 군 장비 고장 예측 시스템 및 방법 |
CN111624931A (zh) * | 2020-06-18 | 2020-09-04 | 山东山大世纪科技有限公司 | 工业园区用电互联网智能运维管控系统及其方法 |
CN111931819A (zh) * | 2020-07-13 | 2020-11-13 | 江苏大学 | 一种基于深度学习的机器故障的预测和分类方法 |
WO2020244262A1 (zh) * | 2019-06-05 | 2020-12-10 | 厦门邑通软件科技有限公司 | 一种基于事件图谱技术的设备故障智能监控方法 |
CN114282434A (zh) * | 2021-12-16 | 2022-04-05 | 成都航天科工大数据研究院有限公司 | 一种工业设备健康管理系统及方法 |
CN114764867A (zh) * | 2021-01-15 | 2022-07-19 | 深圳光耀智微科技有限公司 | 基于图像主特征提取的风机故障诊断系统、方法及应用 |
CN116597350A (zh) * | 2023-05-16 | 2023-08-15 | 福州大学 | 基于BiLSTM预测偏离度的浮选过程故障早期预警方法 |
CN116756909A (zh) * | 2023-04-18 | 2023-09-15 | 西安西热控制技术有限公司 | 一种基于数据模型及机理模型的火电厂预警诊断系统 |
-
2023
- 2023-10-17 CN CN202311336653.2A patent/CN117078232B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101987365B1 (ko) * | 2018-11-26 | 2019-06-10 | (주)위세아이텍 | 비정형 데이터를 활용한 인공지능 기반의 군 장비 고장 예측 시스템 및 방법 |
WO2020244262A1 (zh) * | 2019-06-05 | 2020-12-10 | 厦门邑通软件科技有限公司 | 一种基于事件图谱技术的设备故障智能监控方法 |
CN111624931A (zh) * | 2020-06-18 | 2020-09-04 | 山东山大世纪科技有限公司 | 工业园区用电互联网智能运维管控系统及其方法 |
CN111931819A (zh) * | 2020-07-13 | 2020-11-13 | 江苏大学 | 一种基于深度学习的机器故障的预测和分类方法 |
CN114764867A (zh) * | 2021-01-15 | 2022-07-19 | 深圳光耀智微科技有限公司 | 基于图像主特征提取的风机故障诊断系统、方法及应用 |
CN114282434A (zh) * | 2021-12-16 | 2022-04-05 | 成都航天科工大数据研究院有限公司 | 一种工业设备健康管理系统及方法 |
CN116756909A (zh) * | 2023-04-18 | 2023-09-15 | 西安西热控制技术有限公司 | 一种基于数据模型及机理模型的火电厂预警诊断系统 |
CN116597350A (zh) * | 2023-05-16 | 2023-08-15 | 福州大学 | 基于BiLSTM预测偏离度的浮选过程故障早期预警方法 |
Non-Patent Citations (2)
Title |
---|
工业大数据技术在石化设备预警预测中的研究与实践;贺宗江;;当代石油石化(06);39-44 * |
融合区块链的智慧电梯多源异构大数据分析平台;周前飞;丁树庆;冯月贵;庆光蔚;胡静波;王会方;;中国特种设备安全(05);5-10 * |
Also Published As
Publication number | Publication date |
---|---|
CN117078232A (zh) | 2023-11-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111459700B (zh) | 设备故障的诊断方法、诊断装置、诊断设备及存储介质 | |
CN111505424A (zh) | 一种基于深度卷积神经网络的大型实验装置电力设备故障诊断方法 | |
CN110008898A (zh) | 基于符号和卷积神经网络的工业设备数据边缘处理方法 | |
JP3718765B2 (ja) | プラント診断装置 | |
CN114897102A (zh) | 一种工业机器人故障诊断方法、系统、设备与存储介质 | |
CN114418042B (zh) | 一种基于聚类分析的工业机器人运行趋势诊断方法 | |
CN115311740A (zh) | 一种电网基建现场人体异常行为识别方法及系统 | |
CN117078232B (zh) | 一种基于大数据的加工设备故障预防系统及方法 | |
KR102366787B1 (ko) | 슬라이딩 윈도우 기법을 이용한 제조설비의 실시간 다변량 이상감지 시스템 | |
CN117435908A (zh) | 一种用于旋转机械的多种故障特征提取方法 | |
CN111737067A (zh) | 一种硬盘故障预测模型解释方法及装置 | |
CN115987692A (zh) | 一种基于流量回溯分析的安全防护系统及方法 | |
CN113468823B (zh) | 一种基于机器学习的光模块损坏检测方法及系统 | |
CN116308295A (zh) | 一种工业生产数据管理方法及系统 | |
CN110633569A (zh) | 基于隐马尔科夫模型的用户行为与实体行为分析方法 | |
CN110727669A (zh) | 一种电力系统传感器数据清理装置及清理方法 | |
CN114140731B (zh) | 一种牵引变电所异常检测方法 | |
CN115409367A (zh) | 基于物联网的智能电网健康状态评估方法及系统 | |
CN114233581A (zh) | 一种风机机舱智能巡视报警系统 | |
CN112883639A (zh) | 一种基于机器学习的gis设备寿命预测装置及方法 | |
CN112241707A (zh) | 一种风电场智能视频识别装置 | |
CN117493498B (zh) | 基于工业互联网的电力数据挖掘与分析系统 | |
CN117672255B (zh) | 基于人工智能和设备运行声音的异常设备识别方法及系统 | |
CN117522872B (zh) | 一种光伏电站的实时异常检测方法及装置 | |
CN116993734B (zh) | 基于视觉成像进行分析的电池隔热棉裁切质量预测系统 |
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 |