CN117145752B - 用于空压机的过滤故障识别方法及系统 - Google Patents
用于空压机的过滤故障识别方法及系统 Download PDFInfo
- Publication number
- CN117145752B CN117145752B CN202311399883.3A CN202311399883A CN117145752B CN 117145752 B CN117145752 B CN 117145752B CN 202311399883 A CN202311399883 A CN 202311399883A CN 117145752 B CN117145752 B CN 117145752B
- Authority
- CN
- China
- Prior art keywords
- fault
- airflow
- pressure
- deviation
- humidity
- 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
- 238000001914 filtration Methods 0.000 title claims abstract description 148
- 238000000034 method Methods 0.000 title claims abstract description 30
- 239000000428 dust Substances 0.000 claims abstract description 99
- 230000002159 abnormal effect Effects 0.000 claims abstract description 89
- 230000005856 abnormality Effects 0.000 claims abstract description 34
- 238000011156 evaluation Methods 0.000 claims abstract description 14
- 230000003213 activating effect Effects 0.000 claims abstract description 11
- 238000004458 analytical method Methods 0.000 claims abstract description 6
- 238000012544 monitoring process Methods 0.000 claims description 29
- 230000035945 sensitivity Effects 0.000 claims description 29
- 239000000835 fiber Substances 0.000 claims description 27
- 238000012512 characterization method Methods 0.000 claims description 5
- 238000010219 correlation analysis Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 4
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 4
- 238000012545 processing Methods 0.000 abstract description 4
- 238000013024 troubleshooting Methods 0.000 abstract 2
- 230000000903 blocking effect Effects 0.000 description 4
- 230000001976 improved effect Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 230000001939 inductive effect Effects 0.000 description 3
- 230000001960 triggered effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012098 association analyses Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
- F04B—POSITIVE-DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS
- F04B51/00—Testing machines, pumps, or pumping installations
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
- F04B—POSITIVE-DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS
- F04B39/00—Component parts, details, or accessories, of pumps or pumping systems specially adapted for elastic fluids, not otherwise provided for in, or of interest apart from, groups F04B25/00 - F04B37/00
- F04B39/16—Filtration; Moisture separation
-
- 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
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Mechanical Engineering (AREA)
- Probability & Statistics with Applications (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明提供了用于空压机的过滤故障识别方法及系统,涉及数据处理技术领域,方法包括:激活气压传感器、湿度传感器和浓度传感器,获取第一气流压力、第一气流湿度和第一粉尘浓度,当第一气流压力不满足期望气流压力,或/和第一气流湿度不满足期望气流湿度,或/和第一粉尘浓度不满足期望粉尘浓度,生成过滤异常信号和状态偏差特征,检索气体过滤器故障事务集进行关联性分析,生成关联故障类型进行触发概率评价,生成故障触发概率发送至用户端进行故障识别指导,解决现有技术中存在传统的空压机进行过滤故障识别时需要依次对全部的故障类型进行排查,导致检出效率较低的技术问题,实现根据故障概率对故障进行排查,提高过滤异常的排查效率。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及用于空压机的过滤故障识别方法及系统。
背景技术
随着科学技术的发展,特别是空气压缩机领域的发展,空压机用于提供气源动力,是气动系统的核心设备。目前,空压机已经普遍运用于各个行业,成为相关企业设备中的核心装置之一,当空压机存在过滤故障时会导致设备无法运行,给企业造成较大损失,而在现有技术中存在传统的空压机进行过滤故障识别时需要依次对全部的故障类型进行排查,导致检出效率较低的技术问题。
发明内容
本申请提供了用于空压机的过滤故障识别方法及系统,用于针对解决现有技术中存在的存在传统的空压机进行过滤故障识别时需要依次对全部的故障类型进行排查,导致检出效率较低的技术问题。
鉴于上述问题,本申请提供了用于空压机的过滤故障识别方法及系统。
第一方面,本申请提供了用于空压机的过滤故障识别方法,所述方法包括:当所述滤后气体监测空间的进气阀开启时,激活内嵌于滤后气体监测空间的气压传感器、湿度传感器和浓度传感器,获取第一气流压力、第一气流湿度和第一粉尘浓度;加载期望气流压力、期望气流湿度和期望粉尘浓度;当所述第一气流压力不满足所述期望气流压力,或/和所述第一气流湿度不满足所述期望气流湿度,或/和所述第一粉尘浓度不满足所述期望粉尘浓度,生成过滤异常信号和状态偏差特征;当服务端接收到所述过滤异常信号和所述状态偏差特征,检索气体过滤器故障事务集进行关联性分析,生成关联故障类型;遍历所述关联故障类型进行触发概率评价,生成故障触发概率;将所述关联故障类型和所述故障触发概率发送至用户端进行故障识别指导。
第二方面,本申请提供了用于空压机的过滤故障识别系统,所述系统包括:激活模块,所述激活模块用于当所述滤后气体监测空间的进气阀开启时,激活内嵌于滤后气体监测空间的气压传感器、湿度传感器和浓度传感器,获取第一气流压力、第一气流湿度和第一粉尘浓度;加载模块,所述加载模块用于加载期望气流压力、期望气流湿度和期望粉尘浓度;第一判断模块,所述第一判断模块用于当所述第一气流压力不满足所述期望气流压力,或/和所述第一气流湿度不满足所述期望气流湿度,或/和所述第一粉尘浓度不满足所述期望粉尘浓度,生成过滤异常信号和状态偏差特征;关联性分析模块,所述关联性分析模块用于当服务端接收到所述过滤异常信号和所述状态偏差特征,检索气体过滤器故障事务集进行关联性分析,生成关联故障类型;触发概率评价模块,所述触发概率评价模块用于遍历所述关联故障类型进行触发概率评价,生成故障触发概率;指导模块,所述指导模块用于将所述关联故障类型和所述故障触发概率发送至用户端进行故障识别指导。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
本申请提供的用于空压机的过滤故障识别方法及系统,涉及数据处理技术领域,解决了现有技术中存在传统的空压机进行过滤故障识别时需要依次对全部的故障类型进行排查,导致检出效率较低的技术问题,实现了根据故障概率对故障进行排查,提高过滤异常的排查效率。
附图说明
图1为本申请提供了用于空压机的过滤故障识别方法流程示意图;
图2为本申请提供了用于空压机的过滤故障识别方法中获取状态偏差特征流程示意图;
图3为本申请提供了用于空压机的过滤故障识别系统结构示意图。
附图标记说明:激活模块1,加载模块2,第一判断模块3,关联性分析模块4,触发概率评价模块5,指导模块6。
具体实施方式
本申请通过提供用于空压机的过滤故障识别方法及系统,用于解决现有技术中存在传统的空压机进行过滤故障识别时需要依次对全部的故障类型进行排查,导致检出效率较低的技术问题。
实施例一
如图1所示,本申请实施例提供了用于空压机的过滤故障识别方法,该方法应用于空压机的过滤故障识别系统,所述系统包括服务端和用户端,所述服务端和空压机通信连接,所述空压机包括气体过滤器和滤后气体监测空间,所述气体过滤器和所述滤后气体监测空间沿着气流方向依次分布,该方法包括:
步骤A100:当所述滤后气体监测空间的进气阀开启时,激活内嵌于滤后气体监测空间的气压传感器、湿度传感器和浓度传感器,获取第一气流压力、第一气流湿度和第一粉尘浓度;
在本申请中,本申请实施例提供的用于空压机的过滤故障识别方法应用于空压机的过滤故障识别系统,为了保证后期对空压机进行过滤故障识别的准确性,因此首先需要判断滤后气体监测空间的进气阀状态,滤后气体监测空间是指对通过空压机后的气体进行气体指标监测的区域,所监测的气体指标可以是气流压力指标、气流湿度指标、粉尘浓度指标,当滤后气体监测空间的进气阀为开启状态时,则视为需要开始监测空压机进行过滤后的气体,同时将内嵌于滤后气体监测空间中的气压传感器、湿度传感器、浓度传感器进行激活,所激活的气压传感器是用于对所监测的滤后气体进行气流单位面积上所承受的法向表面力数据的感应传输,记作第一气流压力,所激活的湿度传感器是用于对所监测的滤后气体进行气体中的含水蒸气的数据量的感应传输,记作第一气流湿度,所激活的浓度传感器是用于对所监测的滤后气体进行单位体积所含粉尘的数据量的感应传输,记作第一粉尘浓度,为后期实现对空气机进行过滤故障识别作为重要参考依据。
步骤A200:加载期望气流压力、期望气流湿度和期望粉尘浓度;
在本申请中,为了使得对空压机的过滤故障进行更为精准的识别,因此需要对滤后气体监测空间中气体的气体指标进行期望预设,首先在该空压机的过滤故障识别系统中分别包括服务端和用户端,同时服务端和空压机通信连接,空压机包括气体过滤器和滤后气体监测空间,所述气体过滤器和所述滤后气体监测空间沿着气流方向依次分布,该气体过滤器和滤后气体监测空间用于进行空压机气体参数的采集。
进一步的,提取空气机进行气体过滤后的历史气体过滤合格数据,在历史气体过滤合格数据中包含历史合格气流压力数据、历史合格气流湿度数据、历史合格粉尘浓度数据,并以历史合格气流压力数据、历史合格气流湿度数据、历史合格粉尘浓度数据作为参考下限数据,对通过空压机内嵌的滤后气体监测空间内的气体进行期望预设的数据加载,是指将从期望预设数据源中抽取所需的数据,经过数据清洗和转换后,最终按照预定义好的数据仓库模型,将数据加载到目标数据集中,从而获取期望气流压力、期望气流湿度和期望粉尘浓度,进而为实现对空气机进行过滤故障识别做保障。
步骤A300:当所述第一气流压力不满足所述期望气流压力,或/和所述第一气流湿度不满足所述期望气流湿度,或/和所述第一粉尘浓度不满足所述期望粉尘浓度,生成过滤异常信号和状态偏差特征;
进一步而言,如图2所示,本申请步骤A300还包括:
步骤A310:当所述第一气流压力不满足所述期望气流压力,激活部署于一级筒状网眼滤芯和二级纤维网滤芯之间的气压传感器,采集第二气流压力;
步骤A320:当所述第二气流压力不满足所述期望气流压力,且所述第一气流压力和所述第二气流压力的第一气流压力偏差小于或等于预设气流压差,对所述一级筒状网眼滤芯进行过滤异常标识,添加进所述过滤异常信号;计算所述第二气流压力和所述期望气流压力的第二气流压力偏差,添加进所述状态偏差特征;
步骤A330:当所述第二气流压力不满足所述期望气流压力,且所述第一气流压力和所述第二气流压力的第一气流压力偏差大于所述预设气流压差,对所述一级筒状网眼滤芯和所述二级纤维网滤芯进行过滤异常标识,添加进所述过滤异常信号;将所述第一气流压力偏差和所述第二气流压力偏差,添加进所述状态偏差特征;
步骤A340:当所述第二气流压力满足所述期望气流压力,对所述二级纤维网滤芯进行过滤异常标识,添加进所述过滤异常信号;计算所述第一气流压力和所述期望气流压力的第三气流压力偏差,添加进所述状态偏差特征。
进一步而言,本申请步骤A320包括:
步骤A321:所述期望气流湿度包括一级期望气流湿度和二级期望气流湿度,其中,所述一级期望气流湿度大于所述二级期望气流湿度;
步骤A322:所述期望粉尘浓度包括一级期望粉尘浓度和二级期望粉尘浓度,其中,所述一级期望粉尘浓度大于所述二级期望粉尘浓度;
步骤A323:构建一级筒状网眼滤芯异常概率函数:
;
其中,表征第一气流湿度或第一粉尘浓度,/>表征二级期望气流湿度或二级期望粉尘浓度,/>表征一级期望气流湿度或一级期望粉尘浓度,/>表征一级筒状网眼滤芯异常概率;
步骤A324:当一级筒状网眼滤芯异常概率大于或等于异常概率阈值,对所述一级筒状网眼滤芯和所述二级纤维网滤芯进行过滤异常标识,添加进所述过滤异常信号,并基于所述二级期望气流湿度或/和所述二级期望粉尘浓度计算所述状态偏差特征;
步骤A325:当一级筒状网眼滤芯异常概率小于异常概率阈值,对所述二级纤维网滤芯进行过滤异常标识,添加进所述过滤异常信号,并基于所述二级期望气流湿度或/和所述二级期望粉尘浓度计算所述状态偏差特征。
在本申请中,为使得在对空压机进行过滤的不同阶段中确定对应故障概率,则需要以此将第一气流压力、第一气流湿度和第一粉尘浓度与上述所确定的期望气流压力、期望气流湿度和期望粉尘浓度进行比较,当第一气流压力不满足期望气流压力时,则激活部署于一级筒状网眼滤芯和二级纤维网滤芯之间的气压传感器,并通过所激活的气压传感器对一级筒状网眼滤芯和二级纤维网滤芯之间的气流进行气流压力数据传感,将此时所获的气流压力记作第二气流压力,进一步的,再将第二气流压力与期望气流压力进行比较,当第二气流压力不满足期望气流压力,同时将第一气流压力和第二气流压力的第一气流压力偏差与预设气流压差进行比较,预设气流压差是根据空压机历史过滤气流压力的最大值与历史过滤气流压力的最小值作差所设定的,当第一气流压力和第二气流压力的第一气流压力偏差小于或等于预设气流压差时,对一级筒状网眼滤芯进行过滤异常标识,并将该过滤异常标识添加进过滤异常信号中,同时对第二气流压力和期望气流压力的第二气流压力偏差进行计算,是指将此时所获的第二气流压力值与期望气流压力值进行作差,将差值记作第二气流压力偏差并添加进状态偏差特征中。
进一步的,该状态偏差特征可以包括气流压力状态偏差特征、气流湿度状态偏差特征和粉尘浓度状态偏差特征,为了提升对空压机过滤过程中各个气体指标故障概率识别的精准度,因此在期望气流压力中分别包括一级期望气流压力和二级期望气流压力,其中,一级期望气流压力大于二级期望气流压力,期望气流湿度中分别包括一级期望气流湿度和二级期望气流湿度,其中,一级期望气流湿度大于二级期望气流湿度,期望粉尘浓度中分别包括一级期望粉尘浓度和二级期望粉尘浓度,其中,一级期望粉尘浓度大于二级期望粉尘浓度,在此基础上,对一级筒状网眼滤芯异常概率函数进行构建,进一步的,判断一级筒状网眼滤芯异常概率函数是否大于等于异常概率阈值,一级筒状网眼滤芯异常概率函数如下所示:
;
其中,表征第一气流湿度或第一粉尘浓度,/>表征二级期望气流湿度或二级期望粉尘浓度,/>表征一级期望气流湿度或一级期望粉尘浓度,/>表征一级筒状网眼滤芯异常概率;
异常概率阈值是根据一级筒状网眼滤芯历史过滤不合格参数进行划定,当一级筒状网眼滤芯异常概率大于或等于异常概率阈值,则视为此时一级筒状网眼滤芯的过滤状态为异常状态,同时对一级筒状网眼滤芯和二级纤维网滤芯进行过滤异常标识,并将一级筒状网眼滤芯和二级纤维网滤芯的过滤异常标识添加进过滤异常信号中,进一步的基于二级期望气流湿度或/和二级期望粉尘浓度分别计算状态偏差特征 ,是指将此时所获的二级期望气流湿度与期望气流湿度进行作差,将差值记作第二气流湿度偏差并添加进状态偏差特征中,再将此时所获的二级期望粉尘浓度与期望粉尘浓度进行作差,将差值记作第二粉尘浓度偏差并添加进状态偏差特征中。
进一步的,当一级筒状网眼滤芯异常概率小于异常概率阈值,则视为此时一级筒状网眼滤芯的过滤状态为正常状态,同时对二级纤维网滤芯进行过滤异常标识,将二级纤维网滤芯的过滤异常标识添加进过滤异常信号中,并基于二级期望气流湿度或/和二级期望粉尘浓度计算状态偏差特征,当仅二级纤维网滤芯为异常状态时此时的二级期望气流湿度或/和二级期望粉尘浓度的偏差小于一级筒状网眼滤芯和二级纤维网滤芯均为异常状态下的二级期望气流湿度或/和二级期望粉尘浓度。
进一步的,为保证空压机过滤故障的识别全面性,则还需要对第二气流压力进行判断,若第二气流压力不满足期望气流压力,同时对第一气流压力和第二气流压力的第一气流压力偏差与预设气流压差进行比较,其预设气流压差是根据空压机历史过滤气压的合格数值的均值进行设定,在第二气流压力不满足期望气流压力且第一气流压力和第二气流压力的第一气流压力偏差大于预设气流压差时,则视为一级筒状网眼滤芯和二级纤维网滤芯均存在异常情况,分别对一级筒状网眼滤芯和二级纤维网滤芯均进行过滤异常标识,同时将该过滤异常标识添加进过滤异常信号中,并将上述所获的第一气流压力偏差和第二气流压力偏差依次添加进状态偏差特征中,进一步的,当第二气流压力满足期望气流压力时,则视为一级筒状网眼滤芯为正常状态,而二级纤维网滤芯均存在异常情况,并对二级纤维网滤芯进行过滤异常标识后添加进过滤异常信号中,最终对第一气流压力和期望气流压力的第三气流压力偏差进行计算,是指将第一气流压力与期望气流压力进行作差所获的差值记作第三气流压力偏差同时添加进状态偏差特征中,为后续实现对空气机进行过滤故障识别夯实基础。
步骤A400:当服务端接收到所述过滤异常信号和所述状态偏差特征,检索气体过滤器故障事务集进行关联性分析,生成关联故障类型;
进一步而言,本申请步骤A400还包括:
步骤A410:根据所述气体过滤器故障事务集,提取故障类型记录数据和故障状态记录数据,其中,所述故障类型记录数据和所述故障状态记录数据一一对应;
步骤A420:基于所述过滤异常信号和所述状态偏差特征,对所述故障状态记录数据进行分选,匹配多组故障类型分选结果;
步骤A430:遍历所述多组故障类型分选结果,统计故障类型敏感度,其中,所述故障类型敏感度为组内触发频率比;
步骤A440:将所述故障类型敏感度大于或等于敏感度阈值的故障类型,添加进所述关联故障类型。
进一步而言,本申请步骤A420包括:
步骤A421:所述状态偏差特征包括气流压力偏差、气流湿度偏差和粉尘浓度偏差;
步骤A422:遍历所述气流压力偏差、所述气流湿度偏差和所述粉尘浓度偏差,结合所述过滤异常信号,对所述故障状态记录数据进行单因子分选,匹配三组单因子故障类型;
步骤A423:基于所述气流压力偏差、所述气流湿度偏差和所述粉尘浓度偏差,结合所述过滤异常信号,对所述故障状态记录数据进行联合因子分选,匹配四组联合因子故障类型;
步骤A424:将所述三组单因子故障类型和所述四组联合因子故障类型,添加进所述多组故障类型分选结果。
在本申请中,当空压机出现过滤故障后为了更好的确定其故障类型,则需要通过空压机的过滤故障识别系统中所包含的服务端对上述所生成的过滤异常信号与状态偏差特征进行接收,进一步的,检索空压机中所包含的气体过滤器的气体过滤器故障事务集进行关联分析,该气体过滤器故障事务集是指气体过滤器发生故障时的运行单元,同时根据气体过滤器故障事务集提取气体过滤器的故障类型记录数据和故障状态记录数据,故障类型记录数据可以包含气体过滤器的堵塞故障、气体过滤器的密封性故障、气体过滤器的滤芯破损故障等,且故障类型记录数据和故障状态记录数据一一对应,故障状态记录数据是用于记录气体过滤器的堵塞故障状态数据、气体过滤器的密封性故障状态数据、气体过滤器的滤芯破损故障状态数据。
进一步的,以过滤异常信号和状态偏差特征作为参照数据,对故障状态记录数据进行分选,是指对状态偏差特征小于或等于状态偏差一致性阈值的记录数据进行提取,状态偏差一致性阈值是根据空压机在异常状态时的各组偏差数据进行划定,且在状态偏差特征中分别包括气流压力偏差、气流湿度偏差和粉尘浓度偏差,其分选过程可以为:首先对气流压力偏差、气流湿度偏差和粉尘浓度偏差中的数据偏差节点进行依次访问遍历,并将所访问的数据与过滤异常信号进行对应结合,从而完成对故障状态记录数据的单因子分选,是指将故障状态记录数据分为的气流压力状态记录数据、气流湿度状态记录数据和粉尘浓度状态记录数据,每个状态记录数据均作为一个独立因子,从而完成对三组单因子故障类型的匹配。
以气流压力偏差、气流湿度偏差和粉尘浓度偏差作为基础数据,将其一同与过滤异常信号进行结合,是指气流压力偏差、气流湿度偏差和粉尘浓度偏差分别存在不同异常信号,在此基础上对过滤异常信号进行完善,使得过滤故障识别更为精准,进而对故障状态记录数据进行联合因子分选,是指对故障状态记录数据中的气流压力数据、气流湿度数据、粉尘浓度数据分别进行关联组合,其可以是气流压力数据和气流湿度数据;气流压力数据和粉尘浓度数据;气流压力数据、粉尘浓度数据和气流湿度数据;粉尘浓度数据和气流湿度数据;将以上所匹配的四个组合作为四组联合因子故障类型,进一步的,根据三组单因子故障类型和四组联合因子故障类型,确定多组故障类型分选结果。
进一步的,遍历多组故障类型分选结果,是指依次对多组故障类型分选结果中的因子进行访问,并同时统计每个单因子或联合因子在故障类型分选组内的故障触发次数,从而完成对故障类型敏感度的统计,其中,故障类型敏感度是通过组内触发频率比,即每个单因子或联合因子在故障类型分选组内的故障触发次数除以空压机的故障总触发次数的比值,进一步的,对所统计的故障类型敏感度与敏感度阈值进行比较,该敏感度阈值是通过空压机历史故障触发频率比值进行划定,当故障类型敏感度大于或等于敏感度阈值时,则将此时敏感度阈值内的故障类型添加进关联故障类型中进行类型扩充,实现对空气机进行过滤故障识别有着限定的作用。
步骤A500:遍历所述关联故障类型进行触发概率评价,生成故障触发概率;
进一步而言,本申请步骤A500还包括:
步骤A510:所述关联故障类型包括累积型故障和突发型故障;
步骤A520:当所述关联故障类型属于所述突发型故障时,计算所述故障类型敏感度的均值,设为所述故障触发概率;
步骤A530:当所述关联故障类型属于所述累积型故障时,基于空压机位号采集邻近作业记录数据,进行触发概率评价,生成所述故障触发概率。
进一步而言,本申请步骤A530包括:
步骤A531:当所述邻近作业记录数据的异常信号触发次数小于或等于预设触发次数,将所述关联故障类型的所述故障触发概率置为0;
步骤A532:当所述邻近作业记录数据的异常信号触发次数大于所述预设触发次数,计算所述故障类型敏感度的均值,设为所述故障触发概率。
在本申请中,为提升后期对空压机进行过滤时故障识别的精细化程度,因此首先需要以上述所生成的关联故障类型作为基础数据,对关联故障类型中的每个故障因子进行依次遍历访问,并同时对关联故障类型进行触发概率评价,是指对关联故障类型在空压机中出现故障的概率所进行的考察,提高数据可信度以及有效度,在关联故障类型中包括累积型故障和突发型故障,累积型故障是指由于在空压机中需要运作较长时间所导致的故障,例如空压机滤芯破损,突发型故障是指在空压机中未预料且短时间发生所导致的故障,例如空压机堵塞,因此在当关联故障类型属于突发型故障时,由于每个故障类型均具有多个故障类型敏感度,则首先需要对故障类型敏感度的均值进行计算,并将该故障类型敏感度的均值设为故障触发概率用于后期触发突发型故障时作为参照数据,当关联故障类型属于累积型故障时,则基于空压机位号对邻近作业记录数据进行采集,邻近作业记录数据是指在该空压机位号所对应的空压机在上一次滤芯维修之后的时刻到当前时刻的作业记录,并根据这段期间的作业记录对空压机故障进行触发概率评价,从而提取空压机的故障触发概率,当邻近作业记录数据的异常信号触发次数小于或等于预设触发次数时,则视为空压机的历史触发次数少,在空压机中的滤芯累积故障的可能性较小,此时将关联故障类型的故障触发概率置为0,进一步的,当邻近作业记录数据的异常信号触发次数大于预设触发次数,则视为空压机的历史触发次数多,在空压机中的滤芯累积故障的可能性较大,此时对故障类型敏感度的均值进行计算,并同时将其设为故障触发概率,以便为后期对空气机进行过滤故障识别时作为参照数据。
步骤A600:将所述关联故障类型和所述故障触发概率发送至用户端进行故障识别指导。
在本申请中,为更精准的提高空压机的过滤识别率,则可以根据故障概率大小进行故障的排查,首先以所生成的关联故障类型以及故障触发概率作为基础数据发送至空压机的过滤故障识别系统中的用户端对空压机进行故障识别指导,是指通过关联故障类型中所包含的空压机堵塞故障、空压机密封性故障、空压机滤芯破损故障与其在故障触发概率中所对应的数据,对故障概率进行降序的序列化处理,由第一位次的故障触发概率所对应的关联故障类型作为起始过滤故障识别点,对空压机依次进行过滤故障识别,从而达到提高了过滤异常的排查效率。
综上所述,本申请实施例提供的用于空压机的过滤故障识别方法,至少包括如下技术效果,实现根据故障概率对故障进行排查,提高过滤异常的排查效率。
实施例二
基于与前述实施例中用于空压机的过滤故障识别方法相同的发明构思,如图3所示,本申请提供了用于空压机的过滤故障识别系统,系统包括:
激活模块1,所述激活模块1用于当所述滤后气体监测空间的进气阀开启时,激活内嵌于滤后气体监测空间的气压传感器、湿度传感器和浓度传感器,获取第一气流压力、第一气流湿度和第一粉尘浓度;
加载模块2,所述加载模块2用于加载期望气流压力、期望气流湿度和期望粉尘浓度;
第一判断模块3,所述第一判断模块3用于当所述第一气流压力不满足所述期望气流压力,或/和所述第一气流湿度不满足所述期望气流湿度,或/和所述第一粉尘浓度不满足所述期望粉尘浓度,生成过滤异常信号和状态偏差特征;
关联性分析模块4,所述关联性分析模块4用于当服务端接收到所述过滤异常信号和所述状态偏差特征,检索气体过滤器故障事务集进行关联性分析,生成关联故障类型;
触发概率评价模块5,所述触发概率评价模块5用于遍历所述关联故障类型进行触发概率评价,生成故障触发概率;
指导模块6,所述指导模块6用于将所述关联故障类型和所述故障触发概率发送至用户端进行故障识别指导。
进一步而言,系统还包括:
气流压力采集模块,所述气流压力采集模块用于当所述第一气流压力不满足所述期望气流压力,激活部署于一级筒状网眼滤芯和二级纤维网滤芯之间的气压传感器,采集第二气流压力;
第一添加模块,所述第一添加模块用于当所述第二气流压力不满足所述期望气流压力,且所述第一气流压力和所述第二气流压力的第一气流压力偏差小于或等于预设气流压差,对所述一级筒状网眼滤芯进行过滤异常标识,添加进所述过滤异常信号;计算所述第二气流压力和所述期望气流压力的第二气流压力偏差,添加进所述状态偏差特征;
第二添加模块,所述第二添加模块用于当所述第二气流压力不满足所述期望气流压力,且所述第一气流压力和所述第二气流压力的第一气流压力偏差大于所述预设气流压差,对所述一级筒状网眼滤芯和所述二级纤维网滤芯进行过滤异常标识,添加进所述过滤异常信号;将所述第一气流压力偏差和所述第二气流压力偏差,添加进所述状态偏差特征;
第三添加模块,所述第三添加模块用于当所述第二气流压力满足所述期望气流压力,对所述二级纤维网滤芯进行过滤异常标识,添加进所述过滤异常信号;计算所述第一气流压力和所述期望气流压力的第三气流压力偏差,添加进所述状态偏差特征。
进一步而言,系统还包括:
第二判断模块,所述第二判断模块用于所述期望气流湿度包括一级期望气流湿度和二级期望气流湿度,其中,所述一级期望气流湿度大于所述二级期望气流湿度;
第三判断模块,所述第三判断模块用于所述期望粉尘浓度包括一级期望粉尘浓度和二级期望粉尘浓度,其中,所述一级期望粉尘浓度大于所述二级期望粉尘浓度;
函数构建模块,所述函数构建模块用于构建一级筒状网眼滤芯异常概率函数:
;
其中,表征第一气流湿度或第一粉尘浓度,/>表征二级期望气流湿度或二级期望粉尘浓度,/>表征一级期望气流湿度或一级期望粉尘浓度,/>表征一级筒状网眼滤芯异常概率;
第四判断模块,所述第四判断模块用于当一级筒状网眼滤芯异常概率大于或等于异常概率阈值,对所述一级筒状网眼滤芯和所述二级纤维网滤芯进行过滤异常标识,添加进所述过滤异常信号,并基于所述二级期望气流湿度或/和所述二级期望粉尘浓度计算所述状态偏差特征;
第五判断模块,所述第五判断模块用于当一级筒状网眼滤芯异常概率小于异常概率阈值,对所述二级纤维网滤芯进行过滤异常标识,添加进所述过滤异常信号,并基于所述二级期望气流湿度或/和所述二级期望粉尘浓度计算所述状态偏差特征。
进一步而言,系统还包括:
数据提取模块,所述数据提取模块用于根据所述气体过滤器故障事务集,提取故障类型记录数据和故障状态记录数据,其中,所述故障类型记录数据和所述故障状态记录数据一一对应;
数据分选模块,所述数据分选模块用于基于所述过滤异常信号和所述状态偏差特征,对所述故障状态记录数据进行分选,匹配多组故障类型分选结果;
第一遍历模块,所述第一遍历模块用于遍历所述多组故障类型分选结果,统计故障类型敏感度,其中,所述故障类型敏感度为组内触发频率比;
第四添加模块,所述第四添加模块用于将所述故障类型敏感度大于或等于敏感度阈值的故障类型,添加进所述关联故障类型。
进一步而言,系统还包括:
偏差特征模块,所述偏差特征模块用于所述状态偏差特征包括气流压力偏差、气流湿度偏差和粉尘浓度偏差;
第二遍历模块,所述第二遍历模块用于遍历所述气流压力偏差、所述气流湿度偏差和所述粉尘浓度偏差,结合所述过滤异常信号,对所述故障状态记录数据进行单因子分选,匹配三组单因子故障类型;
分选模块,所述分选模块用于基于所述气流压力偏差、所述气流湿度偏差和所述粉尘浓度偏差,结合所述过滤异常信号,对所述故障状态记录数据进行联合因子分选,匹配四组联合因子故障类型;
第五添加模块,所述第五添加模块用于将所述三组单因子故障类型和所述四组联合因子故障类型,添加进所述多组故障类型分选结果。
进一步而言,系统还包括:
故障类型模块,所述故障类型模块用于所述关联故障类型包括累积型故障和突发型故障;
第一均值计算模块,所述第一均值计算模块用于当所述关联故障类型属于所述突发型故障时,计算所述故障类型敏感度的均值,设为所述故障触发概率;
触发概率评价模块,所述触发概率评价模块用于当所述关联故障类型属于所述累积型故障时,基于空压机位号采集邻近作业记录数据,进行触发概率评价,生成所述故障触发概率。
进一步而言,系统还包括:
第六判断模块,所述第六判断模块用于当所述邻近作业记录数据的异常信号触发次数小于或等于预设触发次数,将所述关联故障类型的所述故障触发概率置为0;
第二均值计算模块,所述第二均值计算模块用于当所述邻近作业记录数据的异常信号触发次数大于所述预设触发次数,计算所述故障类型敏感度的均值,设为所述故障触发概率。
本说明书通过前述对用于空压机的过滤故障识别方法的详细描述,本领域技术人员可以清楚的知道本实施例中用于空压机的过滤故障识别系统,对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (7)
1.用于空压机的过滤故障识别方法,其特征在于,应用于空压机的过滤故障识别系统,所述系统包括服务端和用户端,所述服务端和空压机通信连接,所述空压机包括气体过滤器和滤后气体监测空间,所述气体过滤器和所述滤后气体监测空间沿着气流方向依次分布,包括:
当所述滤后气体监测空间的进气阀开启时,激活内嵌于滤后气体监测空间的气压传感器、湿度传感器和浓度传感器,获取第一气流压力、第一气流湿度和第一粉尘浓度;
加载期望气流压力、期望气流湿度和期望粉尘浓度;
当所述第一气流压力不满足所述期望气流压力,或/和所述第一气流湿度不满足所述期望气流湿度,或/和所述第一粉尘浓度不满足所述期望粉尘浓度,生成过滤异常信号和状态偏差特征;
当服务端接收到所述过滤异常信号和所述状态偏差特征,检索气体过滤器故障事务集进行关联性分析,生成关联故障类型;
遍历所述关联故障类型进行触发概率评价,生成故障触发概率;
将所述关联故障类型和所述故障触发概率发送至用户端进行故障识别指导;
所述气体过滤器包括一级筒状网眼滤芯和二级纤维网滤芯,所述一级筒状网眼滤芯和所述二级纤维网滤芯沿着气流方向依次分布,包括:
当所述第一气流压力不满足所述期望气流压力,激活部署于一级筒状网眼滤芯和二级纤维网滤芯之间的气压传感器,采集第二气流压力;
当所述第二气流压力不满足所述期望气流压力,且所述第一气流压力和所述第二气流压力的第一气流压力偏差小于或等于预设气流压差,对所述一级筒状网眼滤芯进行过滤异常标识,添加进所述过滤异常信号;计算所述第二气流压力和所述期望气流压力的第二气流压力偏差,添加进所述状态偏差特征;
当所述第二气流压力不满足所述期望气流压力,且所述第一气流压力和所述第二气流压力的第一气流压力偏差大于所述预设气流压差,对所述一级筒状网眼滤芯和所述二级纤维网滤芯进行过滤异常标识,添加进所述过滤异常信号;将所述第一气流压力偏差和所述第二气流压力偏差,添加进所述状态偏差特征;
当所述第二气流压力满足所述期望气流压力,对所述二级纤维网滤芯进行过滤异常标识,添加进所述过滤异常信号;计算所述第一气流压力和所述期望气流压力的第三气流压力偏差,添加进所述状态偏差特征。
2.如权利要求1所述的方法,其特征在于,还包括:
所述期望气流湿度包括一级期望气流湿度和二级期望气流湿度,其中,所述一级期望气流湿度大于所述二级期望气流湿度;
所述期望粉尘浓度包括一级期望粉尘浓度和二级期望粉尘浓度,其中,所述一级期望粉尘浓度大于所述二级期望粉尘浓度;
构建一级筒状网眼滤芯异常概率函数:
;
其中,表征第一气流湿度或第一粉尘浓度,/>表征二级期望气流湿度或二级期望粉尘浓度,/>表征一级期望气流湿度或一级期望粉尘浓度,/>表征一级筒状网眼滤芯异常概率;
当一级筒状网眼滤芯异常概率大于或等于异常概率阈值,对所述一级筒状网眼滤芯和所述二级纤维网滤芯进行过滤异常标识,添加进所述过滤异常信号,并基于所述二级期望气流湿度或/和所述二级期望粉尘浓度计算所述状态偏差特征;
当一级筒状网眼滤芯异常概率小于异常概率阈值,对所述二级纤维网滤芯进行过滤异常标识,添加进所述过滤异常信号,并基于所述二级期望气流湿度或/和所述二级期望粉尘浓度计算所述状态偏差特征。
3.如权利要求1所述的方法,其特征在于,当服务端接收到所述过滤异常信号和所述状态偏差特征,检索气体过滤器故障事务集进行关联性分析,生成关联故障类型,包括:
根据所述气体过滤器故障事务集,提取故障类型记录数据和故障状态记录数据,其中,所述故障类型记录数据和所述故障状态记录数据一一对应;
基于所述过滤异常信号和所述状态偏差特征,对所述故障状态记录数据进行分选,匹配多组故障类型分选结果;
遍历所述多组故障类型分选结果,统计故障类型敏感度,其中,所述故障类型敏感度为组内触发频率比;
将所述故障类型敏感度大于或等于敏感度阈值的故障类型,添加进所述关联故障类型。
4.如权利要求3所述的方法,其特征在于,基于所述过滤异常信号和所述状态偏差特征,对所述故障状态记录数据进行分选,匹配多组故障类型分选结果,包括:
所述状态偏差特征包括气流压力偏差、气流湿度偏差和粉尘浓度偏差;
遍历所述气流压力偏差、所述气流湿度偏差和所述粉尘浓度偏差,结合所述过滤异常信号,对所述故障状态记录数据进行单因子分选,匹配三组单因子故障类型;
基于所述气流压力偏差、所述气流湿度偏差和所述粉尘浓度偏差,结合所述过滤异常信号,对所述故障状态记录数据进行联合因子分选,匹配四组联合因子故障类型;
将所述三组单因子故障类型和所述四组联合因子故障类型,添加进所述多组故障类型分选结果。
5.如权利要求4所述的方法,其特征在于,遍历所述关联故障类型进行触发概率评价,生成故障触发概率,包括:
所述关联故障类型包括累积型故障和突发型故障;
当所述关联故障类型属于所述突发型故障时,计算所述故障类型敏感度的均值,设为所述故障触发概率;
当所述关联故障类型属于所述累积型故障时,基于空压机位号采集邻近作业记录数据,进行触发概率评价,生成所述故障触发概率。
6.如权利要求5所述的方法,其特征在于,当所述关联故障类型属于所述累积型故障时,基于空压机位号采集邻近作业记录数据,进行触发概率评价,生成所述故障触发概率,包括:
当所述邻近作业记录数据的异常信号触发次数小于或等于预设触发次数,将所述关联故障类型的所述故障触发概率置为0;
当所述邻近作业记录数据的异常信号触发次数大于所述预设触发次数,计算所述故障类型敏感度的均值,设为所述故障触发概率。
7.用于空压机的过滤故障识别系统,其特征在于,所述系统包括服务端和用户端,所述服务端和空压机通信连接,所述空压机包括气体过滤器和滤后气体监测空间,所述气体过滤器和所述滤后气体监测空间沿着气流方向依次分布,包括:
激活模块,所述激活模块用于当所述滤后气体监测空间的进气阀开启时,激活内嵌于滤后气体监测空间的气压传感器、湿度传感器和浓度传感器,获取第一气流压力、第一气流湿度和第一粉尘浓度;
加载模块,所述加载模块用于加载期望气流压力、期望气流湿度和期望粉尘浓度;
第一判断模块,所述第一判断模块用于当所述第一气流压力不满足所述期望气流压力,或/和所述第一气流湿度不满足所述期望气流湿度,或/和所述第一粉尘浓度不满足所述期望粉尘浓度,生成过滤异常信号和状态偏差特征;
关联性分析模块,所述关联性分析模块用于当服务端接收到所述过滤异常信号和所述状态偏差特征,检索气体过滤器故障事务集进行关联性分析,生成关联故障类型;
触发概率评价模块,所述触发概率评价模块用于遍历所述关联故障类型进行触发概率评价,生成故障触发概率;
指导模块,所述指导模块用于将所述关联故障类型和所述故障触发概率发送至用户端进行故障识别指导;
气流压力采集模块,所述气流压力采集模块用于当所述第一气流压力不满足所述期望气流压力,激活部署于一级筒状网眼滤芯和二级纤维网滤芯之间的气压传感器,采集第二气流压力;
第一添加模块,所述第一添加模块用于当所述第二气流压力不满足所述期望气流压力,且所述第一气流压力和所述第二气流压力的第一气流压力偏差小于或等于预设气流压差,对所述一级筒状网眼滤芯进行过滤异常标识,添加进所述过滤异常信号;计算所述第二气流压力和所述期望气流压力的第二气流压力偏差,添加进所述状态偏差特征;
第二添加模块,所述第二添加模块用于当所述第二气流压力不满足所述期望气流压力,且所述第一气流压力和所述第二气流压力的第一气流压力偏差大于所述预设气流压差,对所述一级筒状网眼滤芯和所述二级纤维网滤芯进行过滤异常标识,添加进所述过滤异常信号;将所述第一气流压力偏差和所述第二气流压力偏差,添加进所述状态偏差特征;
第三添加模块,所述第三添加模块用于当所述第二气流压力满足所述期望气流压力,对所述二级纤维网滤芯进行过滤异常标识,添加进所述过滤异常信号;计算所述第一气流压力和所述期望气流压力的第三气流压力偏差,添加进所述状态偏差特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311399883.3A CN117145752B (zh) | 2023-10-26 | 2023-10-26 | 用于空压机的过滤故障识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311399883.3A CN117145752B (zh) | 2023-10-26 | 2023-10-26 | 用于空压机的过滤故障识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117145752A CN117145752A (zh) | 2023-12-01 |
CN117145752B true CN117145752B (zh) | 2024-01-30 |
Family
ID=88910260
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311399883.3A Active CN117145752B (zh) | 2023-10-26 | 2023-10-26 | 用于空压机的过滤故障识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117145752B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108375729A (zh) * | 2018-02-02 | 2018-08-07 | 北京航空航天大学 | 基于Fisher判别的电机SOM聚类退化状态评估方法 |
CN108764497A (zh) * | 2018-05-24 | 2018-11-06 | 哈工大机器人(合肥)国际创新研究院 | 一种基于设备维修数据确定最佳保养时间的方法 |
WO2020164295A1 (zh) * | 2019-02-12 | 2020-08-20 | 杭州哲达科技股份有限公司 | 压缩空气系统绝对能效和相对能效的分析方法 |
CN212229063U (zh) * | 2020-04-03 | 2020-12-25 | 孙铭阳 | 一种变压器故障在线监测装置 |
CN113111591A (zh) * | 2021-04-29 | 2021-07-13 | 南方电网电力科技股份有限公司 | 基于模块化配电终端内部故障自动诊断方法、装置及设备 |
CN115191990A (zh) * | 2022-07-22 | 2022-10-18 | 上海楚动智能科技有限公司 | 一种基于穿戴式设备的咳嗽检测方法及系统 |
CN115268350A (zh) * | 2022-09-27 | 2022-11-01 | 江苏永鼎股份有限公司 | 一种稳压变压器的故障预警方法及系统 |
WO2022267879A1 (zh) * | 2021-06-25 | 2022-12-29 | 上海三一重机股份有限公司 | 一种工程机械故障预警方法、装置及工程机械 |
CN115596656A (zh) * | 2022-10-28 | 2023-01-13 | 中国航空工业集团公司金城南京机电液压工程研究中心(Cn) | 一种液压泵状态监测及分析方法 |
CN116089890A (zh) * | 2022-12-28 | 2023-05-09 | 大唐可再生能源试验研究院有限公司 | 一种智慧风电场的故障预警检测方法及系统 |
CN116204842A (zh) * | 2023-03-10 | 2023-06-02 | 广东省建设工程质量安全检测总站有限公司 | 一种电气设备的异常监测方法及系统 |
CN116256602A (zh) * | 2023-05-15 | 2023-06-13 | 广东电网有限责任公司中山供电局 | 一种低压配电网状态异常的识别方法和系统 |
CN116686535A (zh) * | 2023-06-30 | 2023-09-05 | 哈尔滨市大地勘察测绘有限公司 | 基于数据分析的无人驾驶收割机控制方法及系统 |
-
2023
- 2023-10-26 CN CN202311399883.3A patent/CN117145752B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108375729A (zh) * | 2018-02-02 | 2018-08-07 | 北京航空航天大学 | 基于Fisher判别的电机SOM聚类退化状态评估方法 |
CN108764497A (zh) * | 2018-05-24 | 2018-11-06 | 哈工大机器人(合肥)国际创新研究院 | 一种基于设备维修数据确定最佳保养时间的方法 |
WO2020164295A1 (zh) * | 2019-02-12 | 2020-08-20 | 杭州哲达科技股份有限公司 | 压缩空气系统绝对能效和相对能效的分析方法 |
CN212229063U (zh) * | 2020-04-03 | 2020-12-25 | 孙铭阳 | 一种变压器故障在线监测装置 |
CN113111591A (zh) * | 2021-04-29 | 2021-07-13 | 南方电网电力科技股份有限公司 | 基于模块化配电终端内部故障自动诊断方法、装置及设备 |
WO2022267879A1 (zh) * | 2021-06-25 | 2022-12-29 | 上海三一重机股份有限公司 | 一种工程机械故障预警方法、装置及工程机械 |
CN115191990A (zh) * | 2022-07-22 | 2022-10-18 | 上海楚动智能科技有限公司 | 一种基于穿戴式设备的咳嗽检测方法及系统 |
CN115268350A (zh) * | 2022-09-27 | 2022-11-01 | 江苏永鼎股份有限公司 | 一种稳压变压器的故障预警方法及系统 |
CN115596656A (zh) * | 2022-10-28 | 2023-01-13 | 中国航空工业集团公司金城南京机电液压工程研究中心(Cn) | 一种液压泵状态监测及分析方法 |
CN116089890A (zh) * | 2022-12-28 | 2023-05-09 | 大唐可再生能源试验研究院有限公司 | 一种智慧风电场的故障预警检测方法及系统 |
CN116204842A (zh) * | 2023-03-10 | 2023-06-02 | 广东省建设工程质量安全检测总站有限公司 | 一种电气设备的异常监测方法及系统 |
CN116256602A (zh) * | 2023-05-15 | 2023-06-13 | 广东电网有限责任公司中山供电局 | 一种低压配电网状态异常的识别方法和系统 |
CN116686535A (zh) * | 2023-06-30 | 2023-09-05 | 哈尔滨市大地勘察测绘有限公司 | 基于数据分析的无人驾驶收割机控制方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117145752A (zh) | 2023-12-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2023103268A1 (zh) | 泵阀故障检测方法 | |
CN110375983A (zh) | 基于时间序列分析的阀门故障实时诊断系统及诊断方法 | |
CN113091817A (zh) | 一种三甘醇脱水装置状态监测及故障诊断系统 | |
CN113011248B (zh) | 一种基于lstm的核动力装置故障诊断方法 | |
CN110580492A (zh) | 一种基于小幅波动检测的轨道电路故障前兆发现方法 | |
CN114111352B (zh) | 一种碳化炉抽真空系统异常检测方法及系统 | |
CN111505064A (zh) | 一种催化燃烧式甲烷传感器服役状态评价方法 | |
CN117145752B (zh) | 用于空压机的过滤故障识别方法及系统 | |
CN114519382A (zh) | 一种核动力装置关键运行参数提取与异常监测方法 | |
CN109739197A (zh) | 一种化工废料处理设备的多工况故障预测方法 | |
CN114738132A (zh) | 基于实船数据的增压器转速传感器故障诊断方法及系统 | |
CN206833239U (zh) | 一种基于数据驱动的火电厂控制系统故障检测系统 | |
CN102778632A (zh) | 对变压器绕组故障类型直接预报和识别的双规识别法 | |
CN116796261B (zh) | 一种基于人工智能的封闭开关设备机械特性预测方法 | |
CN113657747A (zh) | 一种企业安全生产标准化级别智能评定系统 | |
CN116610915A (zh) | 一种气力输灰异常状态诊断及故障预警方法 | |
CN115902476A (zh) | 一种多维度变压器故障诊断和状态评估系统和方法 | |
CN115034094A (zh) | 一种金属加工机床运行状态预测方法及系统 | |
CN114490829A (zh) | 一种故障识别方法、装置、设备及存储介质 | |
CN108345214A (zh) | 一种基于替代数据法的工业过程非线性检测方法 | |
CN113283375A (zh) | 一种矿山液压支架系统早期故障实时预警方法 | |
CN111157812A (zh) | 一种基于电磁感应的电力设备故障监测方法 | |
CN117433978B (zh) | 一种传输用除尘器的监测预警方法及系统 | |
CN117028298B (zh) | 一种速冻机的风机故障监测方法 | |
CN115854490B (zh) | 一种用于除湿机状态监控的分析方法与系统 |
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 |