CN117759608B - 一种潜器液压故障监测方法及系统 - Google Patents
一种潜器液压故障监测方法及系统 Download PDFInfo
- Publication number
- CN117759608B CN117759608B CN202410194962.9A CN202410194962A CN117759608B CN 117759608 B CN117759608 B CN 117759608B CN 202410194962 A CN202410194962 A CN 202410194962A CN 117759608 B CN117759608 B CN 117759608B
- Authority
- CN
- China
- Prior art keywords
- fault
- hydraulic
- monitoring
- function
- maintenance
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 145
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000012423 maintenance Methods 0.000 claims abstract description 110
- 238000012545 processing Methods 0.000 claims abstract description 54
- 238000004891 communication Methods 0.000 claims abstract description 48
- 238000003745 diagnosis Methods 0.000 claims abstract description 46
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 18
- 238000000605 extraction Methods 0.000 claims abstract description 14
- 230000006870 function Effects 0.000 claims description 122
- 238000007726 management method Methods 0.000 claims description 50
- 238000013527 convolutional neural network Methods 0.000 claims description 31
- 239000007788 liquid Substances 0.000 claims description 27
- 230000000737 periodic effect Effects 0.000 claims description 22
- 239000010720 hydraulic oil Substances 0.000 claims description 16
- 230000015556 catabolic process Effects 0.000 claims description 12
- 238000006731 degradation reaction Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 12
- 238000012800 visualization Methods 0.000 claims description 10
- 239000003921 oil Substances 0.000 claims description 9
- 238000009826 distribution Methods 0.000 claims description 8
- 238000011176 pooling Methods 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 230000005856 abnormality Effects 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000013500 data storage Methods 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 230000036541 health Effects 0.000 claims description 4
- 238000010801 machine learning Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 108010076504 Protein Sorting Signals Proteins 0.000 claims description 3
- 230000003749 cleanliness Effects 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000009434 installation Methods 0.000 claims description 3
- 238000011056 performance test Methods 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 2
- 238000007689 inspection Methods 0.000 claims description 2
- 239000000284 extract Substances 0.000 abstract description 3
- 230000009286 beneficial effect Effects 0.000 description 6
- 230000004927 fusion Effects 0.000 description 5
- 238000004088 simulation Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000003449 preventive effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000009347 mechanical transmission Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种潜器液压故障监测方法及系统,属于智能运维技术领域,系统包括硬件系统,硬件系统包括传感器、液压系统、水声通讯系统、应急切断系统、浮标、舰载故障监测子系统、基站、岸端故障监测子系统和总控制器;监测方法通过使用双通道融合CNN,在液压和流量数据处理中实现了更丰富的特征提取,将小波包分解、双通道融合CNN和SVM结合运用,形成了一套完整的故障监测方法。不仅能够有效提取多层次的特征信息,还通过SVM分类器实现了可靠的故障诊断模型建立,使得在复杂工况下的液压系统故障监测更加准确和可靠。
Description
技术领域
本发明属于智能运维技术领域,具体涉及一种潜器液压故障监测方法及系统。
背景技术
在深海潜水器的作业中,使用液压系统作为操作的动力源,能够满足其性能要求,液压系统能够提供高功率密度,使潜水器在深海环境中保持足够的操作力,具备精密的控制能力,可以实现高度精准操作,适应各种复杂任务需求。并且液压传动系统相对传统的机械传动更为可靠,能够在深海高压、低温等恶劣条件下稳定运行。
但是液压系统的结构复杂度相对较高,并且系统可能会产生各种各样的故障形式,如液压泵内泄露、液压泵进出油口堵塞、液压阀泄漏、油滤堵塞、溢流阀弹簧失效等,这些故障涉及电气、机械、液压多个领域,会带来一系列严重的后果。液压系统泄漏可能导致液体浸入潜水器内部,影响设备正常运行,甚至造成环境污染。液压系统压力失控可能引发机械手突然运动,危及周围环境和设备安全。油液污染可能导致液压元件损坏,加速系统的老化,影响系统性能。此外,由于液压系统是通过液压油来进行能量传递的,其故障一般隐藏在液压元件的内部,很难从外界来进行观察。如果使用拆检的方法来进行故障的监测,会耗费大量的时间及人力,并且可能引发新的故障。一般的维修人员只能根据理论知识和实际经验来进行处理,并利用简单的仪器来获取部分元件的参数,而这种诊断方法效率低且实时性差。在液压系统工作的过程中,要求能够实时判断系统的运行状态,当产生故障的时候能够迅速并准确的找到发生故障的位置。所以,研究一种实时有效的故障监测方法及系统具有重要意义。及时监测液压系统故障可以有效防范事故发生,提高潜水器及其设备的安全性,帮助在故障初期发现问题,减少维修周期,降低维护成本。可靠的故障监测系统还可以确保液压系统在深海作业中保持高效稳定的运行,提高科研和工程作业效率。
发明内容
针对现有技术中存在的上述技术问题,本发明提供一种潜器液压故障监测方法及系统,设计合理,解决了现有技术的不足,具有良好的效果。
为了实现上述发明目的1,采用以下技术方案:
一种潜器液压故障监测方法,包括以下步骤:
S1、通过传感器采集液压和流量的原始信号;
S2、对步骤S1中获得的原始信号进行四层小波包分解,将信号分解成不同尺度和频率的小波包子信号,得到小波包熵;
S3、将小波包熵作为特征,输入到双通道CNN网络中,进行双通道特征提取,双通道CNN网络包括一维卷积神经网络1DCNN和二维卷积神经网络2DCNN;
S4、将1DCNN和2DCNN提取的特征信息结合,形成综合的特征表示;
S5、将综合特征信息输入到SVM分类器中,通过机器学习的方向进行故障分类;
S6、完成故障诊断模型的建立,实现对液压系统实时状态的监测和故障分类。
进一步地,步骤S2包括以下子步骤:
S21、将液压和流量信号分解成各个频率带上的信号分量,即小波包节点,其公式为:
;
其中,表示第分解层上的第个小波包节点,;为滤波器系数;是信号的离散时间点,,是个样本点能够进行小波包分解的最大层数,,是信号序列的长度;和分别是低通滤波器和高通滤波器;
S22、对分解后的各频率带上的信号分量进行处理,通过结合低频和高频分量来重构原始信号,其公式为:
;
S23、将四层小波包分解后的子带信号组合起来重构出完整的信号,选择db4和db6小波处理液压系统的流量和压力信号,分解后的流量和压力信号重构为:
;
其中,是分解前的信号,是第层第子带的重构信号,,;
S24、将重构信号的子带量化为每个小波子带的能量值,其公式为:
;
其中是对应的能量,是中第个信号点的幅值,是信号采集周期,是信号在第层第子带中的信号点的数量;
计算所有子带能量的总和,得到总小波包能量的量化值为:
;
将每个子带的能力与总能量进行归一化,得到一个反映各个子带能量分布的特征
向量:
;
S25、定义信号在各子带能量分布的能量熵为:
;
;
其中,是能量熵,为第个子带百分比,为第个子带能量。
进一步地,所述双通道CNN网络包括一维卷积神经网络1DCNN和二维卷积神经网络2DCNN,将小波包熵分别输入到1DCNN和2DCNN中,分别用于提取一维和二维特征,将1DCNN和2DCNN提取的特征信息结合,形成综合的特征表示;
1DCNN和2DCNN中的最大池化公式为:
;
其中,为第层第个特征面内第个神经元的输入值,为层的第个
特征面的第个神经元的输出值,为池化区域的宽度。
进一步地,步骤S5中,SVM分类器的超平面表达式为:
;
其中,w是法向量,x是输入特征向量,b是偏置项,影响决策边界的位置;
训练SVM的目标是最大化间隔,即样本点到决策边界的距离,通过解决以下优化问题来实现:
;
其中,是正则化项,用于控制模型复杂度,防止过拟合;
约束条件为:
;
;
其中,是第个数据点的特征向量,是样本的真实标签。
为了实现上述发明目的2,采用以下技术方案:
一种潜器液压故障监测系统,采用如上所述的一种潜器液压故障监测方法,包括硬件系统,所述硬件系统包括传感器、液压系统、水声通讯系统、应急切断系统、浮标、舰载故障监测子系统、基站、岸端故障监测子系统和总控制器;
液压系统,包括电动机、液压油箱、液压泵、液压阀、液压缸、和油液过滤器,所述电动机作为动力源,所述液压油箱用于储存液体,所述液压泵用于提供液体压力,所述液压阀用于控制液体流向,所述液压缸用于实现机械手的运动,所述油液过滤器用于维护系统清洁;
传感器,包括压力传感器、流量传感器和液位传感器,所述压力传感器用于监测液压系统压力,所述流量传感器用于监测液体流动情况,所述液位传感器用于监测液压油箱的液位,为后续数据处理提供准确的输入数据;
水声通信系统,用于将各传感器采集到的信息按照通信协议实时传输给最近的接收器;
应急切断系统,用于在紧急情况下迅速隔离故障;
浮标,用于接收接收器传输的各传感器采集的信息,通过卫星与舰载故障监测子系统保持通信,将实时的液压系统状态信息传递至岸端故障监测子系统;
基站,用于在舰载故障监测子系统和岸端故障监测子系统之间建立通信通道,实现对液压系统的远程监测和控制;
舰载故障监测子系统,包括舰载通信单元、远程监测和控制单元、数据处理单元、故障诊断单元和可视化单元;
岸端故障监测子系统,包括远程监测和控制中心、数据处理中心、可视化设备、实时报警中心、数据存储和分析中心;
总控制器,用于协调、监控和控制各个子系统。
进一步地,所述舰载通信单元,用于与岸端基站、水面浮标和水下潜器建立通信联系,接收潜器传输的信息或接收浮标传输的潜器运行状态信息,向潜器发送水下作业任务信息,并向岸端基站发送潜器运行状态信息、运维需求信息以及与人员之间建立联系;
远程监测和控制单元,用于监测潜器运行状态,实时获取关键参数和性能指标,同时对潜器远程控制,通过舰载通信系统向各个单元发送控制指令;
数据处理单元,用于接收和处理从舰载通信单元传输来的数据,将处理后的数据传输至岸端故障监测子系统;
故障诊断单元,采用算法和模型对潜器进行实时故障监测和诊断,通过分析传感器数据,监测设备状态,及时发现潜在的故障并提供诊断信息;
可视化单元,用于显示液压系统的运行状态、故障信息和诊断结果。
进一步地,所述远程监测和控制中心,用于远程监控潜器的运行状态,实时接收并处理从舰载故障监测子系统传输的潜器状态信息和运维需求信息;
数据处理中心,用于接收、整理、分析来自远程监测和控制中心的数据,通过数据处理算法,识别潜器系统中可能存在的故障迹象,并进行实时的故障诊断;
实时报警中心,用于发出警报并提醒运维人员液压系统可能发生的故障或异常;
数据存储和分析中心,用于存储潜器系统的历史数据,并通过对历史数据的分析,发现系统运行的规律。
进一步地,还包括软件系统,软件系统功能包括通信功能、基础信息管理、实时监控功能、智能预诊平台、故障管理功能和维护管理功能;
所述通信功能,用于建立起潜器、浮标、舰载故障监测子姿态、岸端故障监测子系统之间的通信链路,用于发送指令及传输数据;
所述基础信息管理功能,包括设备信息管理、故障信息管理、维护信息管理和用户管理功能;设备信息管理功能用于对潜器液压故障监测系统中的各个设备进行详细的信息记录和管理,包括设备的型号、生产厂家、安装时间、技术参数;故障信息管理功能,每当液压系统发生故障时,故障信息将被准确记录,包括故障发生的时间、地点、故障类型、故障现象;维护信息管理功能,记录液压系统的维护信息,包括维护的时间、内容、执行人员;用户管理功能,用于对系统的用户进行维护和控制,系统管理员能够添加、删除或修改用户的权限,确保每位用户在系统中的操作都符合安全和权限要求,此外还记录用户的操作日志,追踪用户的操作历史;
所述实时监控功能,包括传感器数据采集、实时数据显示、历史参数查询和故障警报功能;
所述智能预诊平台,包括信号处理、特征提取、性能退化估计、剩余寿命预测功能;
所述故障管理功能,包括故障知识库查询、故障发现报告、故障处理报告、故障报告列表功能;
所述维护管理功能,包括日常维护计划、日常维护报告、定期维护计划、定期维护报告功能。
进一步地,所述实时监控功能中,传感器数据采集功能,负责实时采集液压系统中各传感器的数据,通过与压力传感器、流量传感器、液位传感器的连接,获取液压系统关键参数的实时数据;
实时数据显示功能,将采集到的传感器数据以直观的图表或曲线进行实时显示;
历史参数查询功能,操作人员通过界面输入指定的时间范围,查询系统在过去某一段时间内的运行参数;
故障警报功能,根据传感器数据的实时变化情况,实时监测系统是否存在异常或故障,一旦检测到异常,实时监控模块会触发故障警报,通过声音、光标、文字提示及时通知操作人员;
所述智能预诊平台中,信号处理功能,采用信号处理算法对液压系统传感器数据进行滤波、降噪;
特征提取功能,通过特征提取技术,从传感器数据中提取出具有代表性的特征,包括频率、幅值、时域特性;
性能退化估计功能,通过对特征的监测和分析,实现对液压系统性能退化的估计,系统根据特征的变化趋势,评估液压系统各部件的健康状态,预测性能退化的可能性,提前发现潜在问题;
剩余寿命预测功能,利用模型对液压系统的剩余寿命进行预测,通过考虑系统的实际工作负荷、环境因素,对系统各部件的寿命进行动态估算。
进一步地,所述故障管理功能中,故障知识库查询功能,支持运维人员对液压系统可能出现的各类故障进行查询,通过输入关键字或故障代码,运维人员能够获取详细的故障信息、诊断方法和处理建议;
故障发现报告功能,当检测到液压系统存在异常情况或潜在故障时,系统会生成故障发现报告,该报告详细描述了发现的问题、可能的原因和建议的处理步骤;
故障处理报告功能,在运维人员对液压系统进行故障处理后,系统生成故障处理报告,该报告记录了实际采取的处理措施、维修过程中的关键步骤和涉及的部件更换信息;
故障报告列表功能,记录了系统历史上发生的各类故障情况;
所述维护管理功能中,日常维护计划功能,通过分析传感器数据和系统运行状态,自动制定合理的日常维护计划,包括对液压油清洁度的监测、液压管路的检查、传感器的校准;
日常维护报告功能,在完成日常维护任务后,生成相应的日常维护报告,该报告描述了进行的维护活动、发现的问题以及采取的措施;
定期维护计划功能,根据系统的使用情况和制造商的建议,规划定期的维护任务,包括更换液压油、检查液压元件的磨损情况、进行系统性能测试;
定期维护报告功能,在完成定期维护任务后,生成相应的定期维护报告,该报告包括对系统各部件的详细检查结果、更换的部件清单、液压系统性能评估。
本发明带来的有益技术效果:
本发明提供的一种潜器液压故障监测系统,通过传感器实时监测液压系统的压力、流量和液位等关键参数,能够及时发现异常并快速定位故障源,从而缩短故障诊断时间,提升故障处理效率,配备应急切断系统,能够在紧急情况下快速响应,立即隔离故障部分,保障作业人员和设备的安全,利用水声通信系统,确保了与海上舰载故障监测子系统还是岸端故障监测子系统快速高效的通信,保证了监测数据的时效性和准确性,实现了对潜器液压系统的远程实时监测和诊断,提高了作业灵活性和响应速度。
本发明使用小波包分解作为信号预处理方法,能有效地分离信号中的噪声和干扰成分,增加了系统的故障诊断准确性,提高了对早期微弱故障特征的检测能力,通过使用双通道融合CNN,在液压和流量数据处理中实现了更丰富的特征提取,相较于单个卷积神经网络,双通道结构有助于获取更多数据特征,从而提高了模型故障诊断的准确率,引入SVM作为分类器,相较于传统的SoftMax分类层,SVM更好地处理高维数据,且不受维数灾难的影响,在小样本数据上,SVM表现更为优秀,通过选择不同的核函数和参数,能够适应不同的数据分布,调整模型复杂度,实现更优异的泛化性能,本发明将小波包分解、双通道融合CNN和SVM结合运用,形成了一套完整的故障监测方法,该方法不仅能够有效提取多层次的特征信息,还通过SVM分类器实现了可靠的故障诊断模型建立,使得在复杂工况下的液压系统故障监测更加准确和可靠。
附图说明
图1为本发明中一种潜器液压故障监测方法仿真流程图。
图2为本发明中一种潜器液压故障监测硬件系统示意图。
图3为本发明中液压系统采集终端和数据处理终端的示意图。
图4为本发明中软件系统示意图。
具体实施方式
下面结合具体实施例对本发明的具体实施方式做进一步说明:
一种潜器液压故障监测方法,包括以下步骤:
S1、通过传感器采集液压和流量的原始信号;
S2、对步骤S1中获得的原始信号进行四层小波包分解,将信号分解成不同尺度和频率的小波包子信号,得到小波包熵;
步骤S2包括以下子步骤:
S21、小波包分解:每一层分解得到的小波包子信号代表不同尺度和频率的特征信息,此过程有助于提取原始数据中的局部特征和整体特征,使系统状态的变化更为明显。小波包熵反映了各层次特征的复杂性和信息量,有利于提取系统运行状态的关键特征;
为了将信号在不同频率带上的能量分解开来,得到更细致的频率分布信息,使用递归式来分解信号,将液压和流量信号分解成各个频率带上的信号分量,即小波包节点,其公式为:
;
其中,表示第分解层上的第个小波包节点,;为滤波器系数;是信号的离散时间点,,是个样本点能够进行小波包分解的最大层数,,是信号序列的长度;和分别是低通滤波器和高通滤波器;
S22、对分解后的各频率带上的信号分量进行处理,通过结合低频和高频分量来重构原始信号,其公式为:
;
S23、将四层小波包分解后的子带信号组合起来重构出完整的信号,选择db4和db6小波处理液压系统的流量和压力信号,分解后的流量和压力信号重构为:
;
其中,是分解前的信号,是第层第子带的重构信号,,;
S24、将重构信号的子带量化为每个小波子带的能量值,其公式为:
;
其中是对应的能量,是中第个信号点的幅值,是信号采集周
期,是信号在子带中的信号点的数量;
计算所有子带能量的总和,得到总小波包能量的量化值为:
;
将每个子带的能力与总能量进行归一化,得到一个反映各个子带能量分布的特征
向量:
;
S25、为了量化信号的不确定性或随机性,定义信号在各子带能量分布的能量熵为:
;
;
其中,是能量熵,为第个子带百分比,为第个子带能量。
S3、将小波包熵输入到双通道CNN网络中,进行双通道特征提取,双通道CNN网络包括一维卷积神经网络1DCNN和二维卷积神经网络2DCNN;
1DCNN和2DCNN分别用于提取一维和二维特征,以获取更全面的特征信息;1DCNN网络主要用于学习时间序列方向上的特征,而2DCNN网络则专注于学习多层次的时频域特征;
卷积神经网络(CNN)是目前应用广泛的成熟的深度学习算法,是一种前馈神经网络,它的核心思想是通过卷积操作捕捉局部特征,通过池化操作减少数据维度,从而有效提取输入数据的特征表示;
选取最大池化策略来提取数据特征,最大池化公式为:
;
其中,为第层第个特征面内第个神经元的输入值,为层的第个
特征面的第个神经元的输出值,为池化区域的宽度。
S4、将1DCNN和2DCNN提取的特征信息结合,形成综合的特征表示,有助于更准确地描述液压系统的状态;
相比于单个卷积神经网络,双通道CNN网络可以获取更丰富的数据特征,可以提高模型故障诊断的准确率。
S5、将综合特征信息输入到SVM分类器中,通过机器学习的方向进行故障分类;
SVM能够有效处理高维数据,提高模型的准确性和鲁棒性;SVM是一种用于分类、回归和异常检测等机器学习任务的监督学习算法,SVM的基本思想是找到一个能够将不同类别的数据分开的超平面(或超曲面),并使得该超平面到最近数据点的距离最大化;
SVM具有泛化能力强等特点,使用SVM分类器代替CNN中的SoftMax分类层,针对多分类问题,SVM比传统CNN中的SoftMax分类层有着更加优越的分类性能;
超平面表达式为:
;
其中,w是法向量(法向量的方向是超平面的方向,法向量的模长到超平面的距离有关),x是输入特征向量,b是偏置项,影响决策边界的位置;
训练SVM的目标是最大化间隔,即样本点到决策边界的距离,通过解决以下优化问题来实现:
;
其中,是正则化项,用于控制模型复杂度,防止过拟合;
约束条件为:
;
其中,是第个数据点的特征向量,是样本的真实标签。
S6、完成故障诊断模型的建立,实现对液压系统实时状态的监测和故障分类,为后续的维护和保养提供有效的支持。
如图1所示,为了验证上述方法的有效性,在液压驱动机械手实验台进行数据采集,采集流量传感器和压力传感器的流量数据和压力数据,并结合AMESim仿真模型建立液压系统仿真模型,进行液压系统故障仿真,将获取的流量和压力信号进行四层小波包分解,然后得到小波包熵,将小波包熵作为特征划分为训练集和测试集,利用训练集训练双通道融合CNN模型并建立参数设置,采用训练好的双通道融合CNN模型进行特征提取,对SVM分类器建立参数设置,将提取出来的特征输入到SVM分类器中进行特征信息分类,完成故障诊断模型的建立,利用测试集对故障诊断模型进行验证,完成双通道融合CNN-SVM故障诊断模型的建立。
一种潜器液压故障监测系统,包括硬件系统,如图2所示,硬件系统包括传感器、液压系统、水声通讯系统、应急切断系统、浮标、舰载故障监测子系统、基站、岸端故障监测子系统和总控制器;
液压系统,包括电动机、液压油箱、液压泵、液压阀、液压缸、和油液过滤器,电动机作为动力源,液压油箱用于储存液体,液压泵用于提供液体压力,液压阀用于控制液体流向,液压缸用于实现机械手的运动,油液过滤器用于维护系统清洁;
传感器,包括压力传感器、流量传感器和液位传感器,压力传感器用于监测液压系统压力,流量传感器用于监测液体流动情况,液位传感器用于监测液压油箱的液位,为后续数据处理提供准确的输入数据;
水声通信系统,用于将各传感器采集到的信息按照通信协议实时传输给最近的接收器;
应急切断系统,用于在紧急情况下迅速隔离故障;
浮标,用于接收接收器传输的各传感器采集的信息,通过卫星与舰载故障监测子系统保持通信,将实时的液压系统状态信息传递至岸端故障监测子系统,为远程故障监测和实时诊断提供必要的数据支持,以确保机械臂液压系统的安全、高效运行;
基站,用于在舰载故障监测子系统和岸端故障监测子系统之间建立稳定、高效的通信通道,实现对液压系统的远程监测和控制;
舰载故障监测子系统,包括舰载通信单元、远程监测和控制单元、数据处理单元、故障诊断单元和可视化设备;
舰载通信单元,作为整个子系统的核心,用于与岸端基站、水面浮标和水下潜器建立通信联系,接收潜器传输的信息或接收浮标传输的潜器运行状态信息,向潜器发送水下作业任务信息,并向岸端基站发送潜器运行状态信息、运维需求信息以及与人员之间建立联系;
远程监测和控制单元,用于监测潜器运行状态,实时获取关键参数和性能指标,同时对潜器远程控制,通过舰载通信系统向各个单元发送控制指令,实现对潜器的远程管理;
数据处理单元,用于接收和处理从舰载通信单元传输来的数据,将处理后的数据传输至岸端故障监测子系统,以供进一步的分析和存储;
故障诊断单元,采用算法和模型对潜器进行实时故障监测和诊断,通过分析传感器数据,监测设备状态,及时发现潜在的故障并提供诊断信息;
可视化单元,提供用户友好的图形用于显示液压系统的运行状态、故障信息和诊断结果,用户可以通过可视化设备直观地了解系统的工作情况,便于监控和决策。
岸端故障监测子系统,包括远程监测和控制中心、数据处理中心、可视化设备、实时报警中心、数据存储和分析中心;
远程监测和控制中心,用于远程监控潜器的运行状态,实时接收并处理从舰载故障监测子系统传输的潜器状态信息和运维需求信息,能够全面了解潜器的工作情况,及时发现异常并采取必要的控制措施;
数据处理中心,作为岸端故障监测子系统的核心,用于接收、整理、分析来自远程监测和控制中心的数据,通过数据处理算法,识别潜器系统中可能存在的故障迹象,并进行实时的故障诊断;
实时报警中心,基于数据处理中心的分析结果,发出警报并提醒运维人员液压系统可能发生的故障或异常,有助于及时采取措施,预防潜在的故障事故;
数据存储和分析中心,用于存储潜器系统的历史数据,并通过对历史数据的分析,发现系统运行的规律、提高预测准确性,并为未来的系统优化和改进提供参考。
总控制器,用于协调、监控和控制各个子系统。
如图3所示,该监测系统包括液压系统采集终端和数据处理终端,其中,液压系统包括液压系统、传感器模块、数据采集设备、控制模块和通信模块,采集终端负责实时监测潜器机械臂的液压状态,而数据处理终端则用于接收、存储、显示和报警处理液压系统采集的数据。数据采集设备负责采集传感器模块获取的液压数据,将其传递给控制模块进行处理,控制模块对采集到的数据进行初步处理和控制,确保液压系统的正常运行,通信模块用于将采集到的数据传输至数据处理终端,确保实时监测和数据传递。数据处理终端包括浮标、母船和岸端,浮标通过水声通讯系统接收来自液压系统采集终端的数据,作为信息中转站传递给母船和岸端,母船接收来自浮标传递的数据,进行初步存储和处理,同时传递给岸端,岸端接收来自母船的数据,进行存储、显示及报警处理,为远程故障监测和实时诊断提供必要的数据支持。
还包括软件系统,如图4所示,软件系统功能包括通信功能、基础信息管理、实时监控功能、智能预诊平台、故障管理功能和维护信息管理功能;
通信功能,用于建立起潜器、浮标、舰载故障监测子系统、岸端故障监测子系统之间的通信链路,用于发送指令及传输数据;
基础信息管理功能,包括设备信息管理、故障信息管理、维护信息管理和用户管理功能;
设备信息管理功能,用于对潜器液压故障监测系统中的各个设备进行详细的信息记录和管理,包括设备的型号、生产厂家、安装时间、技术参数,通过设备信息管理,系统用户可以追踪设备的运行状态和维护历史,有助于及时了解设备状况;
故障信息管理功能,每当液压系统发生故障时,故障信息将被准确记录,包括故障发生的时间、地点、故障类型、故障现象,通过对故障信息的管理,用户能够及时定位和解决问题,提高系统的稳定性和可靠性;
维护信息管理功能,记录液压系统的维护信息,包括维护的时间、内容、执行人员,维护信息的管理有助于制定合理的维护计划和预防性维护策略,提高系统的可维护性和服务寿命;
用户管理功能,用于对系统的用户进行维护和控制,系统管理员能够添加、删除或修改用户的权限,确保每位用户在系统中的操作都符合安全和权限要求,此外还记录用户的操作日志,追踪用户的操作历史,提高系统的安全性和可追溯性。
实时监控功能,包括传感器数据采集、实时数据显示、历史参数查询和故障警报功能;
传感器数据采集功能,负责实时采集液压系统中各传感器的数据,通过与压力传感器、流量传感器、液位传感器的连接,获取液压系统关键参数的实时数据,包括压力、流量、液位等,传感器数据采集是实时监控系统的基础,为后续的实时数据显示和故障警报提供准确的数据支持;
实时数据显示功能,将采集到的传感器数据以直观的图表或曲线进行实时显示,这使得操作人员可以随时监测潜器作业用机械臂液压系统的运行状态,了解系统各参数的变化趋势,实时数据显示有助于及时发现异常情况,提高对系统运行状态的实时感知能力;
历史参数查询功能,操作人员通过界面输入指定的时间范围,查询系统在过去某一段时间内的运行参数,这对于分析系统的长期运行趋势、寻找周期性故障模式以及进行维护计划的制定具有重要意义;
故障警报功能,根据传感器数据的实时变化情况,实时监测系统是否存在异常或故障,一旦检测到异常,实时监控模块会触发故障警报,通过声音、光标、文字提示及时通知操作人员,故障警报功能有助于及早发现问题,降低系统损坏的风险,并促使及时采取修复措施,提高系统的安全性和稳定性。
智能预诊平台,包括信号处理、特征提取、性能退化估计、剩余寿命预测功能;
信号处理功能,采用信号处理算法对液压系统传感器数据进行滤波、降噪;
特征提取功能,通过特征提取技术,从传感器数据中提取出具有代表性的特征,包括频率、幅值、时域特性,通过对这些特征的提取,实现对液压系统运行状态的有效表征;
性能退化估计功能,通过对特征的监测和分析,实现对液压系统性能退化的估计,系统根据特征的变化趋势,评估液压系统各部件的健康状态,预测性能退化的可能性,提前发现潜在问题;
剩余寿命预测功能,利用模型对液压系统的剩余寿命进行预测,通过考虑系统的实际工作负荷、环境因素,对系统各部件的寿命进行动态估算,提供关键的信息以指导维护决策,实现对液压系统的可靠性和可维护性的提升。
故障管理功能,包括故障知识库查询、故障发现报告、故障处理报告、故障报告列表功能;
故障知识库查询功能,支持运维人员对液压系统可能出现的各类故障进行查询,通过输入关键字或故障代码,运维人员能够获取详细的故障信息、诊断方法和处理建议,提高对液压系统故障的理解和应对能力;
故障发现报告功能,当检测到液压系统存在异常情况或潜在故障时,系统会生成故障发现报告,该报告详细描述了发现的问题、可能的原因和建议的处理步骤,为运维人员提供了及时的故障信息,以支持快速响应和处理;
故障处理报告功能,在运维人员对液压系统进行故障处理后,系统生成故障处理报告,该报告记录了实际采取的处理措施、维修过程中的关键步骤和涉及的部件更换信息,为日后的故障分析和系统维护提供了参考;
故障报告列表功能,记录了系统历史上发生的各类故障情况,运维人员可以通过该列表查看以往的故障记录,了解系统的故障历史,为今后的预防性维护和故障排查提供经验参考。
维护管理功能,包括日常维护计划、日常维护报告、定期维护计划、定期维护报告功能。
日常维护计划功能,通过分析传感器数据和系统运行状态,自动制定合理的日常维护计划,包括对液压油清洁度的监测、液压管路的检查、传感器的校准,这有助于确保系统在正常运行状态下,减少潜在故障的发生;
日常维护报告功能,在完成日常维护任务后,生成相应的日常维护报告,该报告描述了进行的维护活动、发现的问题以及采取的措施,日常维护报告为运维人员提供了对系统健康状况的实时反馈,有助于及时发现和解决潜在的问题;
定期维护计划功能,根据系统的使用情况和制造商的建议,规划定期的维护任务,包括更换液压油、检查液压元件的磨损情况、进行系统性能测试,这有助于延长系统的使用寿命,提高可靠性;
定期维护报告功能,在完成定期维护任务后,生成相应的定期维护报告,该报告包括对系统各部件的详细检查结果、更换的部件清单、液压系统性能评估,为系统维护记录提供了全面的信息,有助于形成系统的维护历史,支持未来的决策和改进。
当然,上述说明并非是对本发明的限制,本发明也并不仅限于上述举例,本技术领域的技术人员在本发明的实质范围内所做出的变化、改型、添加或替换,也应属于本发明的保护范围。
Claims (7)
1.一种潜器液压故障监测方法,其特征在于,包括以下步骤:
S1、通过传感器采集液压和流量的原始信号;
S2、对步骤S1中获得的原始信号进行四层小波包分解,将信号分解成不同尺度和频率的小波包子信号,得到小波包熵;
S3、将小波包熵作为特征,输入到双通道CNN网络中,进行双通道特征提取,双通道CNN网络包括一维卷积神经网络1DCNN和二维卷积神经网络2DCNN;
S4、将1DCNN和2DCNN提取的特征信息结合,形成综合的特征表示;
S5、将综合特征信息输入到SVM分类器中,通过机器学习的方向进行故障分类;
S6、完成故障诊断模型的建立,实现对液压系统实时状态的监测和故障分类;
步骤S2包括以下子步骤:
S21、将液压和流量信号分解成各个频率带上的信号分量,即小波包节点,其公式为:
其中,表示第j分解层上的第i个小波包节点,i=1,2,…,2j;k为滤波器系数;t是信号的离散时间点,t=1,2,…,2J-j,J是N个样本点能够进行小波包分解的最大层数,J=log2N,N是信号序列的长度;H(t)和G(t)分别是低通滤波器和高通滤波器;
S22、对分解后的各频率带上的信号分量进行处理,通过结合低频和高频分量来重构原始信号,其公式为:
S23、将四层小波包分解后的子带信号组合起来重构出完整的信号,选择db4和db6小波处理液压系统的流量和压力信号,分解后的流量和压力信号重构为:
S0,0=S4,0+S4,1+S4,2+S4,3+S4,4+…+S4,14+S4,15;
其中,S0,0是分解前的信号,Su,v是第u层第v子带的重构信号,u=4,v=0,1,2,…,2u-1;
S24、将重构信号的子带量化为每个小波子带的能量值,其公式为:
其中Eu,v是Su,v对应的能量,xv,z是Su,v中第z个信号点的幅值,T是信号采集周期,n是信号Su,v在第u层第v子带中的信号点的数量;
计算所有子带能量的总和,得到总小波包能量的量化值E为:
将每个子带的能量与总能量进行归一化,得到一个反映各个子带能量分布的特征向量M:
S25、定义信号在各子带能量分布的能量熵为:
其中,WE是能量熵,Pm为第m个子带百分比,Em为第m个子带能量;
所述双通道CNN网络包括一维卷积神经网络1DCNN和二维卷积神经网络2DCNN,将小波包熵分别输入到1DCNN和2DCNN中,分别用于提取一维和二维特征,将1DCNN和2DCNN提取的特征信息结合,形成综合的特征表示;1DCNN网络主要用于学习时间序列方向上的特征,而2DCNN网络则用于学习多层次的时频域特征;
1DCNN和2DCNN中的最大池化公式为:
其中,Pl(g,h)为第l层第g个特征面内第h个神经元的输入值,al(g,f)为l层的第g个特征面的第f个神经元的输出值,W为池化区域的宽度;
步骤S5中,SVM分类器的超平面表达式为:
f(x)=sign(w·x+b);
其中,w是法向量,x是输入特征向量,b是偏置项,影响决策边界的位置;
训练SVM的目标是最大化间隔,即样本点到决策边界的距离,通过解决以下优化问题来实现:
其中,‖w‖2是正则化项,用于控制模型复杂度,防止过拟合;
约束条件为:
yr(wxr+b)≥1;
其中,xr是第r个数据点的特征向量,yr是样本的真实标签。
2.一种潜器液压故障监测系统,其特征在于,采用如权利要求1所述的一种潜器液压故障监测方法,包括硬件系统,所述硬件系统包括传感器、液压系统、水声通信系统、应急切断系统、浮标、舰载故障监测子系统、基站、岸端故障监测子系统和总控制器;
液压系统,包括电动机、液压油箱、液压泵、液压阀、液压缸和油液过滤器,所述电动机作为动力源,所述液压油箱用于储存液体,所述液压泵用于提供液体压力,所述液压阀用于控制液体流向,所述液压缸用于实现机械手的运动,所述油液过滤器用于维护系统清洁;
传感器,包括压力传感器、流量传感器和液位传感器,所述压力传感器用于监测液压系统压力,所述流量传感器用于监测液体流动情况,所述液位传感器用于监测液压油箱的液位,为后续数据处理提供准确的输入数据;
水声通信系统,用于将各传感器采集到的信息按照通信协议实时传输给最近的接收器;
应急切断系统,用于在紧急情况下迅速隔离故障;
浮标,用于接收接收器传输的各传感器采集的信息,通过卫星与舰载故障监测子系统保持通信,将实时的液压系统状态信息传递至岸端故障监测子系统;
基站,用于在舰载故障监测子系统和岸端故障监测子系统之间建立通信通道,实现对液压系统的远程监测和控制;
舰载故障监测子系统,包括舰载通信单元、远程监测和控制单元、数据处理单元、故障诊断单元和可视化单元;
岸端故障监测子系统,包括远程监测和控制中心、数据处理中心、可视化设备、实时报警中心、数据存储和分析中心;
总控制器,用于协调、监控和控制各个子系统。
3.根据权利要求2所述的一种潜器液压故障监测系统,其特征在于,所述舰载通信单元,用于与岸端基站、水面浮标和水下潜器建立通信联系,接收潜器传输的信息或接收浮标传输的潜器运行状态信息,向潜器发送水下作业任务信息,并向岸端基站发送潜器运行状态信息、运维需求信息以及与人员之间建立联系;
远程监测和控制单元,用于监测潜器运行状态,实时获取关键参数和性能指标,同时对潜器远程控制,通过舰载通信系统向各个单元发送控制指令;
数据处理单元,用于接收和处理从舰载通信单元传输来的数据,将处理后的数据传输至岸端故障监测子系统;
故障诊断单元,采用算法和模型对潜器进行实时故障监测和诊断,通过分析传感器数据,监测液压系统状态,及时发现潜在的故障并提供诊断信息;
可视化单元,用于显示液压系统的运行状态、故障信息和诊断结果。
4.根据权利要求3所述的一种潜器液压故障监测系统,其特征在于,所述远程监测和控制中心,用于远程监控潜器的运行状态,实时接收并处理从舰载故障监测子系统传输的潜器状态信息和运维需求信息;
数据处理中心,用于接收、整理、分析来自远程监测和控制中心的数据,通过数据处理算法,识别潜器系统中可能存在的故障迹象,并进行实时的故障诊断;
实时报警中心,用于发出警报并提醒运维人员液压系统可能发生的故障或异常;
数据存储和分析中心,用于存储潜器系统的历史数据,并通过对历史数据的分析,发现系统运行的规律。
5.根据权利要求4所述的一种潜器液压故障监测系统,其特征在于,还包括软件系统,软件系统功能包括通信功能、基础信息管理、实时监控功能、智能预诊平台、故障管理功能和维护管理功能;
所述通信功能,用于建立起潜器、浮标、舰载故障监测子系统、岸端故障监测子系统之间的通信链路,用于发送指令及传输数据;
所述基础信息管理功能,包括设备信息管理、故障信息管理、维护信息管理和用户管理功能;设备信息管理功能用于对潜器液压故障监测系统中的各个设备进行详细的信息记录和管理,包括设备的型号、生产厂家、安装时间、技术参数;故障信息管理功能,每当液压系统发生故障时,故障信息将被准确记录,包括故障发生的时间、地点、故障类型、故障现象;维护信息管理功能,记录液压系统的维护信息,包括维护的时间、内容、执行人员;用户管理功能,用于对系统的用户进行维护和控制,系统管理员能够添加、删除或修改用户的权限,确保每位用户在系统中的操作都符合安全和权限要求,此外还记录用户的操作日志,追踪用户的操作历史;
所述实时监控功能,包括传感器数据采集、实时数据显示、历史参数查询和故障警报功能;
所述智能预诊平台,包括信号处理、特征提取、性能退化估计、剩余寿命预测功能;
所述故障管理功能,包括故障知识库查询、故障发现报告、故障处理报告、故障报告列表功能;
所述维护管理功能,包括日常维护计划、日常维护报告、定期维护计划、定期维护报告功能。
6.根据权利要求5所述的一种潜器液压故障监测系统,其特征在于,所述实时监控功能中,传感器数据采集功能,负责实时采集液压系统中各传感器的数据,通过与压力传感器、流量传感器、液位传感器的连接,获取液压系统关键参数的实时数据;
实时数据显示功能,将采集到的传感器数据以直观的图表或曲线进行实时显示;
历史参数查询功能,操作人员通过界面输入指定的时间范围,查询系统在过去某一段时间内的运行参数;
故障警报功能,根据传感器数据的实时变化情况,实时监测系统是否存在异常或故障,一旦检测到异常,实时监控模块会触发故障警报,通过声音、光标、文字提示及时通知操作人员;
所述智能预诊平台中,信号处理功能,采用信号处理算法对液压系统传感器数据进行滤波、降噪;
特征提取功能,通过特征提取技术,从传感器数据中提取出具有代表性的特征,包括频率、幅值、时域特性;
性能退化估计功能,通过对特征的监测和分析,实现对液压系统性能退化的估计,系统根据特征的变化趋势,评估液压系统各部件的健康状态,预测性能退化的可能性,提前发现潜在问题;
剩余寿命预测功能,利用模型对液压系统的剩余寿命进行预测,通过考虑系统的实际工作负荷、环境因素,对系统各部件的寿命进行动态估算。
7.根据权利要求6所述的一种潜器液压故障监测系统,其特征在于,所述故障管理功能中,故障知识库查询功能,支持运维人员对液压系统可能出现的各类故障进行查询,通过输入关键字或故障代码,运维人员能够获取详细的故障信息、诊断方法和处理建议;
故障发现报告功能,当检测到液压系统存在异常情况或潜在故障时,系统会生成故障发现报告,该报告详细描述了发现的问题、可能的原因和建议的处理步骤;
故障处理报告功能,在运维人员对液压系统进行故障处理后,系统生成故障处理报告,该报告记录了实际采取的处理措施、维修过程中的关键步骤和涉及的部件更换信息;
故障报告列表功能,记录了系统历史上发生的各类故障情况;
所述维护管理功能中,日常维护计划功能,通过分析传感器数据和系统运行状态,自动制定合理的日常维护计划,包括对液压油清洁度的监测、液压管路的检查、传感器的校准;
日常维护报告功能,在完成日常维护任务后,生成相应的日常维护报告,该报告描述了进行的维护活动、发现的问题以及采取的措施;
定期维护计划功能,根据系统的使用情况和制造商的建议,规划定期的维护任务,包括更换液压油、检查液压元件的磨损情况、进行系统性能测试;
定期维护报告功能,在完成定期维护任务后,生成相应的定期维护报告,该报告包括对系统各部件的详细检查结果、更换的部件清单、液压系统性能评估。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410194962.9A CN117759608B (zh) | 2024-02-22 | 2024-02-22 | 一种潜器液压故障监测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410194962.9A CN117759608B (zh) | 2024-02-22 | 2024-02-22 | 一种潜器液压故障监测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117759608A CN117759608A (zh) | 2024-03-26 |
CN117759608B true CN117759608B (zh) | 2024-05-17 |
Family
ID=90322316
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410194962.9A Active CN117759608B (zh) | 2024-02-22 | 2024-02-22 | 一种潜器液压故障监测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117759608B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101183899A (zh) * | 2007-12-19 | 2008-05-21 | 天津大学 | 基于bp网络用于光纤管道泄漏监测装置的管道安全识别方法 |
CN113124949A (zh) * | 2021-04-06 | 2021-07-16 | 深圳市联恒星科技有限公司 | 一种多相流流量检测方法及系统 |
CN113807277A (zh) * | 2021-09-18 | 2021-12-17 | 温州大学 | 基于特征加权融合多传感器信息的液压阀故障诊断方法 |
CN115182910A (zh) * | 2022-06-13 | 2022-10-14 | 中国地质大学(武汉) | 基于全卷积网络的液压系统多故障诊断方法及装置 |
CN115587329A (zh) * | 2022-09-28 | 2023-01-10 | 山东大学 | 基于卷积神经网络提取特征的配电网故障分类方法及系统 |
CN116502051A (zh) * | 2023-06-26 | 2023-07-28 | 广东电网有限责任公司珠海供电局 | 一种海底电缆局部缺陷识别方法及装置 |
CN117231590A (zh) * | 2023-10-30 | 2023-12-15 | 宁波赛德液压件有限公司 | 液压系统的故障预测系统及其方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11783851B2 (en) * | 2021-12-23 | 2023-10-10 | ACV Auctions Inc. | Multi-sensor devices and systems for evaluating vehicle conditions |
-
2024
- 2024-02-22 CN CN202410194962.9A patent/CN117759608B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101183899A (zh) * | 2007-12-19 | 2008-05-21 | 天津大学 | 基于bp网络用于光纤管道泄漏监测装置的管道安全识别方法 |
CN113124949A (zh) * | 2021-04-06 | 2021-07-16 | 深圳市联恒星科技有限公司 | 一种多相流流量检测方法及系统 |
CN113807277A (zh) * | 2021-09-18 | 2021-12-17 | 温州大学 | 基于特征加权融合多传感器信息的液压阀故障诊断方法 |
CN115182910A (zh) * | 2022-06-13 | 2022-10-14 | 中国地质大学(武汉) | 基于全卷积网络的液压系统多故障诊断方法及装置 |
CN115587329A (zh) * | 2022-09-28 | 2023-01-10 | 山东大学 | 基于卷积神经网络提取特征的配电网故障分类方法及系统 |
CN116502051A (zh) * | 2023-06-26 | 2023-07-28 | 广东电网有限责任公司珠海供电局 | 一种海底电缆局部缺陷识别方法及装置 |
CN117231590A (zh) * | 2023-10-30 | 2023-12-15 | 宁波赛德液压件有限公司 | 液压系统的故障预测系统及其方法 |
Non-Patent Citations (2)
Title |
---|
Yunsai Chen ; et al.Experimental Study on Coupled Motions of Mother Ship Launching and Recovering of Human-Occupied Vehicle in Regular Waves.Journal of Marine Science and Application.2020,第53-63页. * |
基于听觉特征的舰船辐射噪声分类研究;刘磊;段俊奇;刘轶铭;翁丽娜;中国电子科学研究院学报;20160831(第4期);第401-406页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117759608A (zh) | 2024-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108008332B (zh) | 一种基于数据挖掘的新能源远程测试设备故障诊断方法 | |
CN109240244B (zh) | 基于数据驱动的设备运行状态健康度分析方法及系统 | |
US8036999B2 (en) | Method for analyzing and classifying process data that operates a knowledge base in an open-book mode before defining any clusters | |
WO2021121182A1 (zh) | 一种数控机床健康诊断方法 | |
CN103115789A (zh) | 金属结构损伤剩余寿命的第二代小波支持向量机评估方法 | |
CN104615121B (zh) | 一种列车故障诊断方法及系统 | |
CN112880750A (zh) | 一种变压器多维度综合在线监测智能诊断系统 | |
KR101853480B1 (ko) | 해양플랜트 예지보전 시스템 | |
CN108880706A (zh) | 一种卫星信道链路故障的快速诊断方法 | |
CN111931849A (zh) | 一种水电机组运行数据趋势预警方法 | |
CN116596503A (zh) | 一种基于重要度的船舶装备智能健康监测系统及方法 | |
Wang | Key techniques in intelligent predictive maintenance (IPdM)–a framework of intelligent faults diagnosis and prognosis system (IFDaPS) | |
CN114648212A (zh) | 一种基于云计算的船舶设备性能智能管理系统及方法 | |
CN111695465A (zh) | 基于压力波模式识别的管网故障诊断与定位方法及系统 | |
CN115114856A (zh) | 一种基于数字孪生的智能制造产线运行系统 | |
CN117759608B (zh) | 一种潜器液压故障监测方法及系统 | |
CN117041312A (zh) | 基于物联网的企业级信息技术监控系统 | |
CN117217730A (zh) | 电力设备故障识别方法、装置、设备、介质和产品 | |
CN117074852A (zh) | 一种配电网电能监测预警管理方法及系统 | |
Logan | Prognostic software agents for machinery health monitoring | |
Tao et al. | A state and fault prediction method based on RBF neural networks | |
CN110780655B (zh) | 基于物联网的高压氧舱远程故障诊断与运维方法及系统 | |
Liu et al. | Machine health monitoring and prognostication via vibration information | |
CN112884170A (zh) | 一种综合管廊预测性智能运维系统及方法 | |
Sparling | Transformer monitoring-moving forward from monitoring to diagnostics |
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 |