CN117494056B - 基于大数据技术的设备故障预警系统及方法 - Google Patents

基于大数据技术的设备故障预警系统及方法 Download PDF

Info

Publication number
CN117494056B
CN117494056B CN202311840126.5A CN202311840126A CN117494056B CN 117494056 B CN117494056 B CN 117494056B CN 202311840126 A CN202311840126 A CN 202311840126A CN 117494056 B CN117494056 B CN 117494056B
Authority
CN
China
Prior art keywords
vibration signal
feature
statistical
drilling equipment
semantic
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
Application number
CN202311840126.5A
Other languages
English (en)
Other versions
CN117494056A (zh
Inventor
张永贵
孙兴琳
王宪强
刘绪
李宪英
李欣峰
刘斌
初志刚
卜繁刚
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Changchun Gold Design Institute Co ltd
Original Assignee
Changchun Gold Design Institute Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Changchun Gold Design Institute Co ltd filed Critical Changchun Gold Design Institute Co ltd
Priority to CN202311840126.5A priority Critical patent/CN117494056B/zh
Publication of CN117494056A publication Critical patent/CN117494056A/zh
Application granted granted Critical
Publication of CN117494056B publication Critical patent/CN117494056B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/25Fusion techniques
    • G06F18/253Fusion techniques of extracted features
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/10Pre-processing; Data cleansing
    • G06F18/15Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/24Classification techniques
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • G06N3/0464Convolutional networks [CNN, ConvNet]
    • YGENERAL 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
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02PCLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本申请公开了一种基于大数据技术的设备故障预警系统及方法,涉及智能检测领域,其采用基于深度神经网络模型的人工智能技术,获取预定时间段钻探设备的振动信号并提取钻探设备振动信号的多个统计特征值,并进行波形特征分析和全局语义编码,从而确定钻探设备是否出现故障,基于结果生成预警指示。通过该方法可以实现对钻探设备的实时监测和故障预测,减少人为误判的可能性,并降低人力成本,提高设备的可靠性和生产效率,减少生产中断和停机时间。

Description

基于大数据技术的设备故障预警系统及方法
技术领域
本申请涉及智能检测领域,且更为具体地,涉及一种基于大数据技术的设备故障预警系统及方法。
背景技术
钻探设备是用于进行地质勘探和钻探作业的工具和设备。在黄金开采阶段,钻探设备用于钻孔爆破和提取矿石。钻机会钻孔到黄金矿脉中,然后通过爆破方式将岩石破碎,最后使用提矿设备将黄金矿石提取出来。
钻探设备的性能和运行状态对开采效率和生产成本具有重要影响。黄金开采作业通常在复杂的地质环境中进行,且是一个高投入、高风险和高成本的过程。如果钻探设备发生故障或操作不当,可能会导致事故发生,进而导致生产中断和工作效率降低。
但由于目前的设备故障大多是离线进行的,即需要停机或暂停设备运行来进行检测和诊断,导致故障检测结果的延迟,在需要实时故障检测和快速响应的场景下,传统方法无法满足,进而导致生产中断和停机时间增加,对生产效率造成影响。
因此,期待一种优化的基于大数据技术的设备故障预警方案。
发明内容
为了解决上述技术问题,提出了本申请。
根据本申请的一个方面,提供了一种基于大数据技术的设备故障预警系统,其包括:
钻探设备振动信号获取模块,用于获取预定时间段钻探设备的振动信号并提取钻探设备振动信号的多个统计特征值,所述统计特征值包括均值、方差、峰值、峭度、偏度;
钻探设备振动信号特征分析模块,用于将所述预定时间段钻探设备振动信号的波形图进行波形特征分析以得到振动信号特征矩阵;
振动信号统计特征分析模块,用于将所述钻探设备振动信号的多个统计特征值进行统计特征分析和多尺度提取以得到多尺度全局统计语义特征矩阵;
特征融合模块,用于融合所述振动信号特征矩阵和所述多尺度全局统计语义特征矩阵并进行特征处理以得到振动信号融合特征向量;
设备故障判断预警模块,用于基于所述振动信号融合特征向量,确定钻探设备是否出现故障,并基于结果生成预警指示;
其中,所述设备故障判断预警模块,包括:
振动特征优化单元,用于对所述振动信号融合特征向量进行节点间拓扑平滑运动交互以得到优化振动信号融合特征向量;
故障判断单元,用于将所述优化振动信号融合特征向量通过分类器得到分类结果,所述分类结果用于表示钻探设备是否出现故障,并基于所述分类结果生成预警指示;
所述振动特征优化单元,用于:以如下优化公式对所述振动信号融合特征向量进行节点间拓扑平滑运动交互以得到所述优化振动信号融合特征向量;
其中,所述优化公式为:
其中,表示所述振动信号融合特征向量的第/>个位置的特征值,/>表示所述振动信号融合特征向量的所有特征值的均值,/>表示所述振动信号融合特征向量的长度,/>表示点乘,/>表示所述优化振动信号融合特征向量的第/>个位置的特征值。
进一步地,所述钻探设备振动信号特征分析模块,包括:
振动信号降噪单元,用于将所述预定时间段钻探设备振动信号波形图通过降噪模块进行图形降噪以得到降噪后振动信号波形图;
振动信号特征提取单元,用于对所述降噪后振动信号波形图进行振动信号特征提取以得到所述振动信号特征矩阵。
进一步地,所述振动信号特征提取单元,用于:将所述降噪后振动信号波形图输入基于卷积神经网络模型的振动信号特征提取模块以得到所述振动信号特征矩阵。
进一步地,所述振动信号统计特征分析模块,包括:
统计特征语义编码单元,用于将所述钻探设备振动信号的多个统计特征值进行语义编码以得到多个统计语义特征向量;
统计特征排列单元,用于将所述多个统计语义特征向量进行二维排列以得到全局语义统计特征矩阵;
统计特征多尺度提取单元,用于将所述全局语义统计特征矩阵进行多尺度特征提取以得到所述多尺度全局统计语义特征矩阵。
进一步地,所述统计特征语义编码单元,用于:将所述钻探设备振动信号的多个统计特征值通过包含词嵌入层的语义编码模型以得到所述多个统计语义特征向量。
进一步地,所述统计特征多尺度提取单元,用于:将所述全局语义统计特征矩阵输入金字塔网络模型以得到所述多尺度全局统计语义特征矩阵。
进一步地,所述特征融合模块,包括:
统计特征融合单元,用于融合所述振动信号特征矩阵和所述多尺度全局统计语义特征矩阵以得到振动信号融合特征矩阵;
线性嵌入单元,用于使用线性嵌入层的可学习嵌入矩阵对所述振动信号融合特征矩阵进行线性嵌入编码以得到所述振动信号融合特征向量。
根据本申请的另一方面,提供了一种基于大数据技术的设备故障预警方法,其包括:
获取预定时间段钻探设备的振动信号并提取钻探设备振动信号的多个统计特征值,所述统计特征值包括均值、方差、峰值、峭度、偏度;
将所述预定时间段钻探设备振动信号的波形图进行波形特征分析以得到振动信号特征矩阵;
将所述钻探设备振动信号的多个统计特征值进行统计特征分析和多尺度提取以得到多尺度全局统计语义特征矩阵;
融合所述振动信号特征矩阵和所述多尺度全局统计语义特征矩阵并进行特征处理以得到振动信号融合特征向量;
基于所述振动信号融合特征向量,确定钻探设备是否出现故障,并基于结果生成预警指示;
其中,基于所述振动信号融合特征向量,确定钻探设备是否出现故障,并基于结果生成预警指示,包括:
对所述振动信号融合特征向量进行节点间拓扑平滑运动交互以得到优化振动信号融合特征向量;
将所述优化振动信号融合特征向量通过分类器得到分类结果,所述分类结果用于表示钻探设备是否出现故障,并基于所述分类结果生成预警指示;
其中,对所述振动信号融合特征向量进行节点间拓扑平滑运动交互以得到优化振动信号融合特征向量,包括:以如下优化公式对所述振动信号融合特征向量进行节点间拓扑平滑运动交互以得到所述优化振动信号融合特征向量;
其中,所述优化公式为:
其中,表示所述振动信号融合特征向量的第/>个位置的特征值,/>表示所述振动信号融合特征向量的所有特征值的均值,/>表示所述振动信号融合特征向量的长度,/>表示点乘,/>表示所述优化振动信号融合特征向量的第/>个位置的特征值。
进一步地,将所述预定时间段钻探设备振动信号波形图进行波形特征分析以得到振动信号特征矩阵,包括:
将所述预定时间段钻探设备振动信号波形图通过降噪模块进行图形降噪以得到降噪后振动信号波形图;
对所述降噪后振动信号波形图进行振动信号特征提取以得到所述振动信号特征矩阵。
与现有技术相比,本申请采用基于深度神经网络模型的人工智能技术,获取预定时间段钻探设备的振动信号并提取钻探设备振动信号的多个统计特征值并对其进行波形特征分析和全局语义编码,从而确定钻探设备是否出现故障,并基于结果生成预警指示。通过该方法可以实现对钻探设备的实时监测和故障预测,减少人为误判的可能性,并降低人力成本,提高设备的可靠性和生产效率,减少生产中断和停机时间。
附图说明
通过结合附图对本申请实施例进行更详细的描述,本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解,并且构成说明书的一部分,与本申请实施例一起用于解释本申请,并不构成对本申请的限制。在附图中,相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的基于大数据技术的设备故障预警系统的框图。
图2为根据本申请实施例的基于大数据技术的设备故障预警系统的架构示意图。
图3为根据本申请实施例的基于大数据技术的设备故障预警系统中钻探设备振动信号特征分析模块的框图。
图4为根据本申请实施例的基于大数据技术的设备故障预警系统中振动信号统计特征分析模块的框图。
图5为根据本申请实施例的基于大数据技术的设备故障预警方法的流程图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例,相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
应当理解,本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行,和/或并行执行。此外,方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
需要说明的是,本申请实施例所涉及的术语“第一\第二\第三”仅仅只是区别类似的对象,不代表针对对象的特定排序,可以理解地,“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二\第三”区分的对象在适当情况下可以互换,以使这里描述的本申请的实施例可以除了在这里图示或描述的那些以外的顺序实施。
如本公开和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其他的步骤或元素。
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
黄金是一种化学元素,化学符号为Au,原子序数为79。它是地球上最为珍贵和重要的贵金属之一。黄金具有独特的黄色光泽,良好的延展性和导电性,以及抗腐蚀性,在很多文化中被视为财富、权力和美德的象征。黄金在地球上存在的形式多种多样,包括金矿石、沉积物、河床沉积物和砂金等。黄金的形成通常与地壳中的热液活动、岩浆活动和沉积过程有关。因此黄金的产量较为稀少,具有很高的经济价值。黄金开采过程通常包括以下几个步骤:1.在确定黄金矿床的位置后,进行勘探工作以评估矿床的潜力,包括地质调查、地球物理勘探、岩心钻探和化验分析等,目的是确定矿床的黄金含量、品位、规模和经济可行性。2.在确定黄金矿床的价值后,进行地面准备工作。3.根据黄金矿床的特点和经济条件,选择合适的开采方法。如露天开采用于矿床浅埋、矿体规模较大的情况。通过爆破和挖掘,将覆盖在黄金矿石上方的表土和岩石移除,暴露出矿石。地下开采用于矿床深埋、矿体规模较小或矿床形态复杂的情况。地下开采通常包括巷道开挖、钻孔爆破、矿石提取和支护等工作。通过开挖巷道和钻孔,将矿石从地下开采工作面运出。4.采出的矿石需要进行处理以提取黄金。矿石处理的主要步骤包括破碎、磨矿、浮选、氰化浸出和金吸附等,目的是将黄金从矿石中分离出来,并将其转化为可供进一步提炼和加工的黄金产品。5.提取出的黄金通常包含杂质,需要进行精炼和加工以获得纯度较高的黄金产品。在精炼过程中,杂质被去除,黄金被纯化,最终得到可用于珠宝制作、投资和工业用途的黄金。
钻探设备用于钻孔爆破和提取黄金矿石,其性能和运行状态对黄金开采的效率和生产成本具有重要影响。黄金开采通常在复杂的地质环境中进行,这是一个高投入、高风险和高成本的过程。如果钻探设备发生故障或操作不当,可能导致事故发生,进而导致生产中断和工作效率降低。然而,传统的设备故障检测通常需要离线进行,即需要停机或暂停设备运行来进行检测和诊断。这导致了故障检测结果的延迟,无法满足需要实时故障检测和快速响应的场景要求。这种延迟可能导致生产中断和停机时间增加,对生产效率造成负面影响。因此,期望一种优化的基于大数据技术的设备故障预警方法来通过获取预定时间段钻探设备的振动信号并提取钻探设备振动信号的多个统计特征值并对其进行振动信号特征提取和统计语义编码来确定钻探设备是否出现故障,并基于结果生成预警指示。通过这样的方式,实现对钻探设备的实时监测和故障预测,无需人工干预,提高了设备的可靠性和生产效率,减少生产中断和停机时间。
图1为根据本申请实施例的基于大数据技术的设备故障预警系统的框图。图2为根据本申请实施例的基于大数据技术的设备故障预警系统的架构示意图。如图1和图2所示,根据本申请实施例的基于大数据技术的设备故障预警系统100,包括:钻探设备振动信号获取模块110,用于获取预定时间段钻探设备的振动信号并提取钻探设备振动信号的多个统计特征值,所述统计特征值包括均值、方差、峰值、峭度、偏度;钻探设备振动信号特征分析模块120,用于将所述预定时间段钻探设备振动信号的波形图进行波形特征分析以得到振动信号特征矩阵;振动信号统计特征分析模块130,用于将所述钻探设备振动信号的多个统计特征值进行统计特征分析和多尺度提取以得到多尺度全局统计语义特征矩阵;特征融合模块140,用于融合所述振动信号特征矩阵和所述多尺度全局统计语义特征矩阵并进行特征处理以得到振动信号融合特征向量;以及,设备故障判断预警模块150,用于基于所述振动信号融合特征向量,确定钻探设备是否出现故障,并基于结果生成预警指示。
在本申请实施例中,所述钻探设备振动信号获取模块110,用于获取预定时间段钻探设备的振动信号并提取钻探设备振动信号的多个统计特征值,所述统计特征值包括均值、方差、峰值、峭度、偏度。应可以理解,考虑到振动信号是钻探设备运行状态的重要指标之一。而振动信号的统计特征值可以提供有关钻探设备运行状态的信息,例如振动的幅度、频率和分布情况。基于此,在本申请的技术方案中,通过获取预定时间段钻探设备的振动信号并提取钻探设备振动信号的多个统计特征值,所述统计特征值包括均值、方差、峰值、峭度、偏度,来检测钻探设备是否存在异常情况,例如振动幅度的突变或频谱的异常变化,振动信号的形态、波动性和分布情况。通过提取振动信号的统计特征值可以了解振动信号的整体特征,可以识别出与正常运行状态不符的模式或特征,从而判断设备是否出现故障。相应地,在本申请的一个具体示例中,可通过安装振动传感器或加速度计等设备在钻探设备上,以便实时监测振动信号。使用数据采集系统或数据记录仪,将传感器获取的振动信号数据进行实时或定时采集,以便后续分析处理。
在本申请实施例中,所述钻探设备振动信号特征分析模块120,用于将所述预定时间段钻探设备振动信号的波形图进行波形特征分析以得到振动信号特征矩阵。相应地,考虑到振动信号的波形反映了钻探设备的振动行为和运行状态,包括了振动频率、振幅、周期性、相位等方面的信息。而这些信息对于了解设备的工作状态、故障模式和异常行为非常重要。因此,在本申请的技术方案中,进一步将所述预定时间段钻探设备振动信号的波形图进行波形特征分析以得到振动信号特征矩阵,可以从中提取振动信号的各种特征,如峰值、峭度、偏度、脉冲数量等。而这些特征能够更全面地描述振动信号的形状、幅度和分布情况,有助于识别出异常振动模式和故障特征,以此实现对钻探设备振动信号的更深入理解和综合评估,从而提高设备的可靠性和性能。
图3为根据本申请实施例的基于大数据技术的设备故障预警系统中钻探设备振动信号特征分析模块的框图。具体地,在本申请实施例中,如图3所示,包括:所述钻探设备振动信号特征分析模块120,包括:振动信号降噪单元121,用于将所述预定时间段钻探设备振动信号的波形图通过降噪模块进行图形降噪以得到降噪后振动信号波形图;以及,振动信号特征提取单元122,用于对所述降噪后振动信号波形图进行振动信号特征提取以得到所述振动信号特征矩阵。
具体地,所述振动信号降噪单元121,用于将所述预定时间段钻探设备振动信号的波形图通过降噪模块进行图形降噪以得到降噪后振动信号波形图。应可以理解,考虑到钻探设备的振动信号通常会受到环境噪声的干扰,例如机械震动、电磁干扰等。而这些噪声信号可能会掩盖或混淆真实的振动信号,导致对设备状态的误判。基于此,在本申请技术方案中,通过所述预定时间段钻探设备振动信号的波形图通过降噪模块进行图形降噪以得到降噪后振动信号波形图,可以有效去除这些噪声干扰,减少噪声对振动信号的影响,使得降噪后的振动信号波形更加清晰,更接近真实的振动情况,从而准确地捕捉振动信号的特征和模式,提高振动信号的可靠性和准确性,进而可以更准确地评估设备状态、预测故障。
值得一提的是,在本申请提供的一个可实现的实施例中,将所述预定时间段钻探设备振动信号的波形图通过降噪模块进行图形降噪以得到降噪后振动信号波形图可通过以下步骤实现。1.获取预定时间段钻探设备的振动信号波形图数据,并确定降噪模块的选择和准备,可以使用各种降噪算法和工具,如小波降噪、滤波器、信号平滑等。2.将预定时间段的振动信号波形图数据加载到计算机或相应的数据处理环境中。3.对振动信号波形图进行必要的预处理,例如去除无效数据、调整采样率等。4.根据选择的降噪方法,将振动信号波形图输入降噪模块,根据降噪模块的要求,设置相应的参数,如滤波器类型、截止频率等,执行降噪算法,对振动信号波形图进行降噪处理。5.对降噪后的振动信号波形图进行评估,判断降噪效果是否符合预期,可以使用可视化工具或绘图库来比较降噪前后的波形图,观察噪声的减少程度和信号的清晰度。6.将降噪后的振动信号波形图保存为新的文件或数据格式,以备后续分析和应用使用。通过上述步骤可以使用降噪后的振动信号波形图进行后续的特征提取、故障诊断、预测性维护等任务。
具体地,在本申请实施例中,所述振动信号特征提取单元122,用于对所述降噪后振动信号波形图进行振动信号特征提取以得到所述振动信号特征矩阵。相应地,考虑到振动信号波形通常包含大量的数据点,直接使用原始波形进行分析和处理可能会导致计算和存储的困难。另外,振动信号波形包含了振动信号的关键信息,如频率、振幅、周期性、能量分布等,这些特征可以更好的描述振动信号的特征信息。因此,在本申请的技术方案中,通过对所述降噪后振动信号波形图进行振动信号特征提取以得到所述振动信号特征矩阵,可以将复杂的波形数据转化为更简洁、更紧凑的表示形式,可以更好地描述振动信号的特性和模式,帮助理解信号的来源、性质和变化,揭示了信号中的重要特征和模式,如频率成分、谐波分析、脉冲信号等,可以识别出不同的振动模式和故障特征,帮助进行故障诊断和预测性维护。
更具体地,在本申请实施例中,所述振动信号特征提取单元,用于:将所述降噪后振动信号波形图输入基于卷积神经网络模型的振动信号特征提取模块以得到所述振动信号特征矩阵。应可以理解,考虑到振动信号波形通常具有时间和空间上的局部特征,例如瞬态振动、周期性振动等。而卷积神经网络在处理图像和信号数据时,能够有效地捕捉到局部特征,通过卷积操作和激活函数的组合,可以提取出不同尺度和不同复杂度的局部特征。具体来说,卷积神经网络具有自动学习特征表示的能力,可以通过训练过程自动学习振动信号中具有代表性的特征。相比手工设计的特征提取方法,基于卷积神经网络的特征提取模块可以更好地适应不同的振动信号特征和模式,提高特征提取的准确性。进一步地,在本申请的技术方案中,将所述降噪后振动信号波形图输入基于卷积神经网络模型的振动信号特征提取模块以得到所述振动信号特征矩阵。也就是说,基于卷积神经网络的振动信号特征提取模块可以提取高级别的抽象特征,这些特征具有更强的表达能力和区分性。通过层层堆叠的卷积和池化操作,网络可以逐渐提取出更高级别的特征,捕捉到振动信号中的复杂模式和结构。此外,基于卷积神经网络的特征提取模块可以实现端到端的处理,从原始振动信号波形直接提取特征。这样可以减少中间步骤和手工操作,简化流程,提高处理效率。同时,端到端的处理可以保持特征提取和后续任务(如故障诊断、预测性维护)的一致性,避免信息丢失和不一致导致的问题。
在本申请实施例中,所述振动信号统计特征分析模块130,用于将所述钻探设备振动信号的多个统计特征值进行统计特征分析和多尺度提取以得到多尺度全局统计语义特征矩阵。相应地,考虑到钻探设备振动信号的统计特征分析可以提取振动信号的关键信息,例如信号的中心趋势、离散程度和振动幅度等。而这些统计特征能够反映振动信号的整体特性和分布情况,有助于理解信号的模式、趋势和异常。其次,钻探设备振动信号通常具有多个时间尺度上的特征,例如短时振动、长时振动等。基于此,在本申请的技术方案中,将所述钻探设备振动信号的多个统计特征值进行统计特征分析和多尺度提取以得到多尺度全局统计语义特征矩阵。通过进行统计特征分析,可以将复杂的振动信号转化为更简洁、更紧凑的特征表示形式,例如振动信号的均值、方差、峰值、峭度、偏度等,以便可以降低数据的维度和复杂度,便于后续处理和分析。而通过进行多尺度提取,可以捕捉到不同时间尺度上的振动特征,并综合考虑不同尺度的信息,可以捕捉到振动信号的不同方面和特性,提供多样化的特征表示。这有助于全面理解振动信号的特性、模式和变化。此外,统计特征分析和多尺度提取可以提供全局的特征描述,反映振动信号的整体特性和分布情况。这有助于更全面地理解振动信号的特性和模式,为后续的数据分析和应用提供更准确和综合的特征信息。
图4为根据本申请实施例的基于大数据技术的设备故障预警系统中振动信号统计特征分析模块的框图。更具体地,在本申请实施例中,如图4所示,所述振动信号统计特征分析模块130,包括:统计特征语义编码单元131,用于将所述钻探设备振动信号的多个统计特征值进行语义编码以得到多个统计语义特征向量;统计特征排列单元132,用于将所述多个统计语义特征向量进行二维排列以得到全局语义统计特征矩阵;以及,统计特征多尺度提取单元133,用于将所述全局语义统计特征矩阵进行多尺度特征提取以得到所述多尺度全局统计语义特征矩阵。
具体地,在本申请实施例中,所述统计特征语义编码单元131,用于将所述钻探设备振动信号的多个统计特征值进行语义编码以得到多个统计语义特征向量。应可以理解,考虑到钻探设备振动信号通常包含多个统计特征值,例如均值、方差、峰值等,各个统计特征之间具有隐含的语义特征信息。基于此,在本申请的技术方案中,将所述钻探设备振动信号的多个统计特征值进行语义编码以得到多个统计语义特征向量,从而提取出各个统计特征的高维隐含特征以及各个统计特征之间的相关高维隐含特征以获得多个统计语义特征向量。因而,通过对这些特征值进行语义编码,可以将它们融合到一个统一的特征向量中语义编码,可以将统计特征值映射到一个更抽象和语义丰富的空间中,将统计特征值转化为语义丰富的特征向量,从而提高特征的表达能力,使得特征向量能够更好地描述振动信号的特性和模式,这样可以更好地描述和分析振动信号的特性、模式和状态,并为后续的数据分析和应用提供更准确和综合的特征信息。
更具体地,在本申请实施例中,所述统计特征语义编码单元,用于:将所述钻探设备振动信号的多个统计特征值通过包含词嵌入层的语义编码模型以得到所述多个统计语义特征向量。相应地,考虑到钻探设备振动信号的多个统计特征值之间可能存在一定的关联性和相互作用。因而通过将所述钻探设备振动信号的多个统计特征值通过包含词嵌入层的语义编码模型以得到所述多个统计语义特征向量,可以将特征值映射到一个连续的向量空间中,捕捉到特征之间的关联性,并在特征向量中体现出来,使得特征向量能够更好地表示振动信号的特性和模式。另外,包含词嵌入层的语义编码模型通常是在大规模语料库上进行训练的,具有较强的泛化能力。通过将统计特征值输入到已经训练好的语义编码模型中,可以利用模型在大规模数据上学到的语义信息,提取出具有语义一致性的特征向量。这有助于提高特征的泛化能力和表示能力。
具体地,在本申请实施例中,所述统计特征排列单元132,用于将所述多个统计语义特征向量进行二维排列以得到全局语义统计特征矩阵。进一步地,考虑到多个统计语义特征向量包含了振动信号的不同特性和模式。通过将所述多个统计语义特征向量进行二维排列以得到全局语义统计特征矩阵,可以将这些特征向量的信息整合到一个全局语义统计特征矩阵中。这样可以综合考虑不同特征之间的关联性和权重,具体来说,矩阵中的每个元素可以被视为一个特征的某种度量,通过综合考虑所有元素,可以得到对振动信号特性的全局描述。另外,通过二维排列,直观地展示特征之间的关联性和模式,可以更好地理解振动信号的特性和变化,以及特征之间的相互作用。这样可以更全面地描述和分析振动信号的特性、模式和状态,并为后续的数据分析和应用提供更准确和综合的特征信息。
具体地,在本申请实施例中,所述统计特征多尺度提取单元133,用于将所述全局语义统计特征矩阵进行多尺度特征提取以得到所述多尺度全局统计语义特征矩阵。应可以理解,考虑到振动信号的特性和模式通常在不同的尺度上都有所体现,不同尺度上的特征具有不同的表达能力和信息含量。基于此,在本申请的技术方案中,将所述全局语义统计特征矩阵进行多尺度特征提取以得到所述多尺度全局统计语义特征矩阵,可以从不同的尺度上捕捉振动信号的相关特征,获得多样性的特征表示,涵盖了不同尺度下的振动信号特征。这有助于更全面地理解振动信号的特征模式和变化趋势,这有助于深入理解振动信号的尺度相关特性,并为后续的数据分析和应用提供更详细和全面的特征信息。
更具体地,在本申请实施例中,所述统计特征多尺度提取单元,用于:将所述全局语义统计特征矩阵输入金字塔网络模型以得到所述多尺度全局统计语义特征矩阵。
在本申请实施例中,所述特征融合模块140,用于融合所述振动信号特征矩阵和所述多尺度全局统计语义特征矩阵并进行特征处理以得到振动信号融合特征向量。应可以理解,考虑到振动信号特征矩阵和多尺度全局统计语义特征矩阵通常包含了不同方面的信息。振动信号特征矩阵可能包含原始信号的时域或频域特征,而多尺度全局统计语义特征矩阵可能捕捉到了振动信号的更高级别的语义特征。基于此,在本申请的技术方案中,通过融合所述振动信号特征矩阵和所述多尺度全局统计语义特征矩阵并进行特征处理以得到振动信号融合特征向量,能够综合利用不同特征表示的信息,提供更全面和综合的特征表达,准确地描述振动信号的特性、模式和状态。
具体地,在本申请实施例中,所述特征融合模块,包括:统计特征融合单元,用于融合所述振动信号特征矩阵和所述多尺度全局统计语义特征矩阵以得到振动信号融合特征矩阵;以及,线性嵌入单元,用于使用线性嵌入层的可学习嵌入矩阵对所述振动信号融合特征矩阵进行线性嵌入编码以得到所述振动信号融合特征向量。
在本申请实施例中,所述设备故障判断预警模块150,用于基于所述振动信号融合特征向量,确定钻探设备是否出现故障,并基于结果生成预警指示。相应地,考虑到所述振动信号融合特征向量是通过所述振动信号特征矩阵和所述多尺度全局统计语义特征矩阵融合并进行线性嵌入得到的,包含了振动信号不同特征表示的信息,综合了不同方面的振动信号特性。故障通常会导致振动信号的某些特征发生变化,因此,在本申请的技术方案中,基于所述振动信号融合特征向量,可以更全面地捕捉到故障引起的信号变化,以此综合利用它们的互补信息,提高故障检测的准确性和可靠性。进而预测出不同类型的故障,并及早生成预警指示,以便采取相应的维修和维护措施。
具体地,在本申请实施例中,所述设备故障判断预警模块,包括:振动特征优化单元,用于对所述振动信号融合特征向量进行节点间拓扑平滑运动交互以得到优化振动信号融合特征向量;以及,故障判断单元,用于将所述优化振动信号融合特征向量通过分类器得到分类结果,所述分类结果用于表示钻探设备是否出现故障,并基于所述分类结果生成预警指示。
更具体地,在本申请实施例中,所述振动特征优化单元,用于对所述振动信号融合特征向量进行节点间拓扑平滑运动交互以得到优化振动信号融合特征向量。特别地,在本申请的技术方案中,考虑到振动信号通常受到环境噪声和其他干扰的影响。例如,来自设备运行、周围环境或其他源的振动可能会与目标振动信号重叠,导致噪声成分被引入到振动信号中。这些噪声和干扰可能导致振动信号融合特征向量中出现离群特征值。并且,在钻探设备运行过程中,可能会发生一些异常情况或故障。这些异常情况可能导致振动信号的特征发生变化,例如振动幅度、频率分布或波形形状的异常。这些异常情况可能导致振动信号融合特征向量中出现离群特征值。同时,在获取振动信号波形图的过程中,可能存在一定的数据采集误差。例如,传感器的精度限制、采样率不匹配或信号处理过程中的误差等。这些误差可能导致振动信号融合特征向量中出现离群特征值。这些离群特征值可能会对分类效果产生影响。由于离群特征值与正常特征值的分布模式不同,分类器可能会受到这些离群特征值的影响而产生错误的分类结果。离群特征值可能引入噪声或干扰到分类器的决策过程,从而降低分类的准确性。因此,为了提高分类效果,需要注意识别和处理离群特征值,在本申请的技术方案中,对所述振动信号融合特征向量进行节点间拓扑平滑运动交互以得到优化振动信号融合特征向量,以确保振动信号融合特征向量中的离群特征值不会对分类器的性能产生不良影响。
更具体地,在本申请实施例中,所述振动特征优化单元,用于:以如下优化公式对所述振动信号融合特征向量进行节点间拓扑平滑运动交互以得到所述优化振动信号融合特征向量;其中,所述优化公式为:
其中,表示所述振动信号融合特征向量的第/>个位置的特征值,/>表示所述振动信号融合特征向量的所有特征值的均值,/>表示所述振动信号融合特征向量的长度,/>表示点乘,/>表示所述优化振动信号融合特征向量的第/>个位置的特征值。
也就是,由于所述振动信号融合特征向量的特征值分布中会包含离群(out-lier)特征值,影响分类效果。因此,在本申请的技术方案中,对所述振动信号融合特征向量进行节点间拓扑平滑运动交互以得到优化振动信号融合特征向量。具体地,对所述振动信号融合特征向量进行节点间拓扑平滑运动交互,利用所述振动信号融合特征向量中所有特征值样本之间的数据拓扑结构,来对所述振动信号融合特征向量的各个特征值样本进行节点间平滑运动的交互,使得每个节点的特征值样本能够更加接近所述振动信号融合特征向量的全局特征分布模态,从而增强了所述特征向量的局部一致性和全局连通性,通过这样的方式,保证特征值样本中的离群实例(instance)对于整体的扰动的隐蔽性。
具体地,在本申请实施例中,所述故障判断单元,用于将所述优化振动信号融合特征向量通过分类器得到分类结果,所述分类结果用于表示钻探设备是否出现故障,并基于所述分类结果生成预警指示。也就是说,分类器可以学习和识别不同故障模式的特征模式。通过训练分类器,可以将振动信号的特征与已知的故障模式进行匹配,从而判断钻探设备是否出现了与故障模式相对应的特征。此外,通过分类器的分类结果,可以生成相应的预警指示。根据分类结果,可以判断钻探设备是否出现故障,并根据需要生成相应的预警信号或报警通知,以便及时采取维修和维护措施。这样可以帮助预防设备故障的进一步恶化,保障设备的正常运行和生产的连续性。
综上,基于本申请实施例的基于大数据技术的设备故障预警系统100被阐明,其采用基于深度神经网络模型的人工智能技术,获取预定时间段钻探设备的振动信号并提取钻探设备振动信号的多个统计特征值并对其进行波形特征分析和全局语义编码,从而确定钻探设备是否出现故障,并基于结果生成预警指示。通过该方法可以实现对钻探设备的实时监测和故障预测,减少人为误判的可能性,并降低人力成本,提高设备的可靠性和生产效率,减少生产中断和停机时间。
图5为根据本申请实施例的基于大数据技术的设备故障预警方法的流程图。如图5所示,根据本申请实施例的基于大数据技术的设备故障预警方法,包括:S110,获取预定时间段钻探设备的振动信号并提取钻探设备振动信号的多个统计特征值,所述统计特征值包括均值、方差、峰值、峭度、偏度;S120,将所述预定时间段钻探设备振动信号的波形图进行波形特征分析以得到振动信号特征矩阵;S130,将所述钻探设备振动信号的多个统计特征值进行统计特征分析和多尺度提取以得到多尺度全局统计语义特征矩阵;S140,融合所述振动信号特征矩阵和所述多尺度全局统计语义特征矩阵并进行特征处理以得到振动信号融合特征向量;以及,S150,基于所述振动信号融合特征向量,确定钻探设备是否出现故障,并基于结果生成预警指示。
这里,本领域技术人员可以理解,上述基于大数据技术的设备故障预警方法中的各个步骤的具体操作已经在上面参考图1到图4的基于大数据技术的设备故障预警系统的描述中得到了详细介绍,并因此,将省略其重复描述。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (6)

1.一种基于大数据技术的设备故障预警系统,其特征在于,包括:
钻探设备振动信号获取模块,用于获取预定时间段钻探设备的振动信号并提取钻探设备振动信号的多个统计特征值,所述统计特征值包括均值、方差、峰值、峭度、偏度;
钻探设备振动信号特征分析模块,用于将所述预定时间段钻探设备振动信号的波形图进行波形特征分析以得到振动信号特征矩阵;
振动信号统计特征分析模块,用于将所述钻探设备振动信号的多个统计特征值进行统计特征分析和多尺度提取以得到多尺度全局统计语义特征矩阵;
特征融合模块,用于融合所述振动信号特征矩阵和所述多尺度全局统计语义特征矩阵并进行特征处理以得到振动信号融合特征向量;
设备故障判断预警模块,用于基于所述振动信号融合特征向量,确定钻探设备是否出现故障,并基于结果生成预警指示;
其中,所述设备故障判断预警模块,包括:
振动特征优化单元,用于对所述振动信号融合特征向量进行节点间拓扑平滑运动交互以得到优化振动信号融合特征向量;
故障判断单元,用于将所述优化振动信号融合特征向量通过分类器得到分类结果,所述分类结果用于表示钻探设备是否出现故障,并基于所述分类结果生成预警指示;
其中,所述振动特征优化单元,用于:以如下优化公式对所述振动信号融合特征向量进行节点间拓扑平滑运动交互以得到所述优化振动信号融合特征向量;
其中,所述优化公式为:
其中,表示所述振动信号融合特征向量的第/>个位置的特征值,/>表示所述振动信号融合特征向量的所有特征值的均值,/>表示所述振动信号融合特征向量的长度,/>表示点乘,/>表示所述优化振动信号融合特征向量的第/>个位置的特征值;
其中,所述振动信号统计特征分析模块,包括:
统计特征语义编码单元,用于将所述钻探设备振动信号的多个统计特征值进行语义编码以得到多个统计语义特征向量;
统计特征排列单元,用于将所述多个统计语义特征向量进行二维排列以得到全局语义统计特征矩阵;
统计特征多尺度提取单元,用于将所述全局语义统计特征矩阵进行多尺度特征提取以得到所述多尺度全局统计语义特征矩阵;
其中,所述统计特征语义编码单元,用于:将所述钻探设备振动信号的多个统计特征值通过包含词嵌入层的语义编码模型以得到所述多个统计语义特征向量;
其中,所述统计特征多尺度提取单元,用于:将所述全局语义统计特征矩阵输入金字塔网络模型以得到所述多尺度全局统计语义特征矩阵。
2.根据权利要求1所述的基于大数据技术的设备故障预警系统,其特征在于,所述钻探设备振动信号特征分析模块,包括:
振动信号降噪单元,用于将所述预定时间段钻探设备振动信号的波形图通过降噪模块进行图形降噪以得到降噪后振动信号波形图;
振动信号特征提取单元,用于对所述降噪后振动信号波形图进行振动信号特征提取以得到所述振动信号特征矩阵。
3.根据权利要求2所述的基于大数据技术的设备故障预警系统,其特征在于,所述振动信号特征提取单元,用于:将所述降噪后振动信号波形图输入基于卷积神经网络模型的振动信号特征提取模块以得到所述振动信号特征矩阵。
4.根据权利要求3所述的基于大数据技术的设备故障预警系统,其特征在于,所述特征融合模块,包括:
统计特征融合单元,用于融合所述振动信号特征矩阵和所述多尺度全局统计语义特征矩阵以得到振动信号融合特征矩阵;
线性嵌入单元,用于使用线性嵌入层的可学习嵌入矩阵对所述振动信号融合特征矩阵进行线性嵌入编码以得到所述振动信号融合特征向量。
5.一种基于大数据技术的设备故障预警方法,其特征在于,包括:
获取预定时间段钻探设备的振动信号并提取钻探设备振动信号的多个统计特征值,所述统计特征值包括均值、方差、峰值、峭度、偏度;
将所述预定时间段钻探设备振动信号的波形图进行波形特征分析以得到振动信号特征矩阵;
将所述钻探设备振动信号的多个统计特征值进行统计特征分析和多尺度提取以得到多尺度全局统计语义特征矩阵;
融合所述振动信号特征矩阵和所述多尺度全局统计语义特征矩阵并进行特征处理以得到振动信号融合特征向量;
基于所述振动信号融合特征向量,确定钻探设备是否出现故障,并基于结果生成预警指示;
其中,基于所述振动信号融合特征向量,确定钻探设备是否出现故障,并基于结果生成预警指示,包括:
对所述振动信号融合特征向量进行节点间拓扑平滑运动交互以得到优化振动信号融合特征向量;
将所述优化振动信号融合特征向量通过分类器得到分类结果,所述分类结果用于表示钻探设备是否出现故障,并基于所述分类结果生成预警指示;
其中,对所述振动信号融合特征向量进行节点间拓扑平滑运动交互以得到优化振动信号融合特征向量,包括:以如下优化公式对所述振动信号融合特征向量进行节点间拓扑平滑运动交互以得到所述优化振动信号融合特征向量;
其中,所述优化公式为:
其中,表示所述振动信号融合特征向量的第/>个位置的特征值,/>表示所述振动信号融合特征向量的所有特征值的均值,/>表示所述振动信号融合特征向量的长度,/>表示点乘,/>表示所述优化振动信号融合特征向量的第/>个位置的特征值;
其中,将所述钻探设备振动信号的多个统计特征值进行统计特征分析和多尺度提取以得到多尺度全局统计语义特征矩阵,包括:
将所述钻探设备振动信号的多个统计特征值进行语义编码以得到多个统计语义特征向量;
将所述多个统计语义特征向量进行二维排列以得到全局语义统计特征矩阵;
将所述全局语义统计特征矩阵进行多尺度特征提取以得到所述多尺度全局统计语义特征矩阵;
其中,将所述钻探设备振动信号的多个统计特征值进行语义编码以得到多个统计语义特征向量,包括:将所述钻探设备振动信号的多个统计特征值通过包含词嵌入层的语义编码模型以得到所述多个统计语义特征向量;
其中,将所述全局语义统计特征矩阵进行多尺度特征提取以得到所述多尺度全局统计语义特征矩阵,包括:将所述全局语义统计特征矩阵输入金字塔网络模型以得到所述多尺度全局统计语义特征矩阵。
6.根据权利要求5所述的基于大数据技术的设备故障预警方法,其特征在于,将所述预定时间段钻探设备振动信号的波形图进行波形特征分析以得到振动信号特征矩阵,包括:
将所述预定时间段钻探设备振动信号的波形图通过降噪模块进行图形降噪以得到降噪后振动信号波形图;
对所述降噪后振动信号波形图进行振动信号特征提取以得到所述振动信号特征矩阵。
CN202311840126.5A 2023-12-29 2023-12-29 基于大数据技术的设备故障预警系统及方法 Active CN117494056B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311840126.5A CN117494056B (zh) 2023-12-29 2023-12-29 基于大数据技术的设备故障预警系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311840126.5A CN117494056B (zh) 2023-12-29 2023-12-29 基于大数据技术的设备故障预警系统及方法

Publications (2)

Publication Number Publication Date
CN117494056A CN117494056A (zh) 2024-02-02
CN117494056B true CN117494056B (zh) 2024-03-22

Family

ID=89685291

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311840126.5A Active CN117494056B (zh) 2023-12-29 2023-12-29 基于大数据技术的设备故障预警系统及方法

Country Status (1)

Country Link
CN (1) CN117494056B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112475319A (zh) * 2020-11-27 2021-03-12 华中科技大学 变形回复快速响应的镍钛合金构件的4d成形方法及产品
CN115577248A (zh) * 2022-08-27 2023-01-06 华能新能源股份有限公司 风力发电机组的故障诊断系统及其方法
CN115690908A (zh) * 2022-10-28 2023-02-03 中国科学院上海微系统与信息技术研究所 一种基于拓扑感知的三维手势姿态估计方法
CN115783923A (zh) * 2022-11-30 2023-03-14 沃克斯迅达电梯有限公司 基于大数据的电梯故障模式识别系统
CN116448019A (zh) * 2023-06-14 2023-07-18 山西首科工程质量检测有限公司 建筑节能工程质量平面度智能检测装置及方法
CN116627708A (zh) * 2023-07-24 2023-08-22 湖南惟储信息技术有限公司 存储故障分析系统及其方法
CN116934304A (zh) * 2023-08-03 2023-10-24 广东省俊耀控股有限公司 智能配电房设备运行维护管理系统及其方法
CN116992226A (zh) * 2023-06-16 2023-11-03 青岛西格流体技术有限公司 一种水泵电机故障检测方法、系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112131673B (zh) * 2020-09-30 2021-09-28 西南石油大学 基于融合神经网络模型的发动机喘振故障预测系统及方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112475319A (zh) * 2020-11-27 2021-03-12 华中科技大学 变形回复快速响应的镍钛合金构件的4d成形方法及产品
CN115577248A (zh) * 2022-08-27 2023-01-06 华能新能源股份有限公司 风力发电机组的故障诊断系统及其方法
CN115690908A (zh) * 2022-10-28 2023-02-03 中国科学院上海微系统与信息技术研究所 一种基于拓扑感知的三维手势姿态估计方法
CN115783923A (zh) * 2022-11-30 2023-03-14 沃克斯迅达电梯有限公司 基于大数据的电梯故障模式识别系统
CN116448019A (zh) * 2023-06-14 2023-07-18 山西首科工程质量检测有限公司 建筑节能工程质量平面度智能检测装置及方法
CN116992226A (zh) * 2023-06-16 2023-11-03 青岛西格流体技术有限公司 一种水泵电机故障检测方法、系统
CN116627708A (zh) * 2023-07-24 2023-08-22 湖南惟储信息技术有限公司 存储故障分析系统及其方法
CN116934304A (zh) * 2023-08-03 2023-10-24 广东省俊耀控股有限公司 智能配电房设备运行维护管理系统及其方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于应力波分析的状态监控与故障预测研究;吴天舒;陈蜀宇;吴朋;;仪器仪表学报;20171215(12);全文 *

Also Published As

Publication number Publication date
CN117494056A (zh) 2024-02-02

Similar Documents

Publication Publication Date Title
CN106888205B (zh) 一种非侵入式基于功耗分析的plc异常检测方法
US9483049B2 (en) Anomaly detection and diagnosis/prognosis method, anomaly detection and diagnosis/prognosis system, and anomaly detection and diagnosis/prognosis program
Liu et al. Sensor faults classification for SHM systems using deep learning-based method with Tsfresh features
Zheng et al. Sucker rod pumping diagnosis using valve working position and parameter optimal continuous hidden Markov model
JP2013218725A (ja) 異常検知方法及び異常検知システム
Zhou et al. Deep learning technologies for shield tunneling: Challenges and opportunities
CN111742462A (zh) 用于基于音频和振动的功率分配装备状况监测的系统和方法
CN110795888A (zh) 一种石油钻井风险预测方法
CN117494056B (zh) 基于大数据技术的设备故障预警系统及方法
CN116777085B (zh) 基于数据分析和机器学习技术的煤矿水害预测系统
Wang et al. Reducing NPT Using a Novel Approach to Real-Time Drilling Data Analysis
CN117258932A (zh) 智能砂磨机的温度监测系统及方法
Geekiyanage et al. Feature selection for kick detection with machine learning using laboratory data
Alatrach et al. Prediction of well production event using machine learning algorithms
CN104063622A (zh) 基于相似性度量的复杂系统监测数据的可视化方法
US11125043B2 (en) Model-based monitoring and useful life estimation for blowout preventer annulars
CN114819350A (zh) 基于多任务的传感器故障情况下的rul预测方法
CN115272798A (zh) 一种利用信息量扩充成矿预测训练正样本的方法及系统
Lastra et al. Computer Vision for Real-Time ESP Failure Detection and Diagnostics
Aranha et al. A System to Detect Oilwell Anomalies Using Deep Learning and Decision Diagram Dual Approach
Jourdan et al. Handling concept drift in deep learning applications for process monitoring
Xiu et al. Lifetime prognosis of blowout preventer valve for offshore platform based on Wiener process
Fernández Berrocal et al. Evaluation and Interpretation on Data Driven ROP Models From Engineering Perspectives
Karagiorgou et al. On making factories smarter through actionable predictions based on time-series data
CN117345344B (zh) 一种矿井声电信号智能预测方法与系统

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