CN117874713A - 一种机械设备故障预警系统及其使用方法 - Google Patents
一种机械设备故障预警系统及其使用方法 Download PDFInfo
- Publication number
- CN117874713A CN117874713A CN202410275828.1A CN202410275828A CN117874713A CN 117874713 A CN117874713 A CN 117874713A CN 202410275828 A CN202410275828 A CN 202410275828A CN 117874713 A CN117874713 A CN 117874713A
- Authority
- CN
- China
- Prior art keywords
- working
- data
- early warning
- attribute
- correlation
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 18
- 238000004458 analytical method Methods 0.000 claims abstract description 20
- 238000010219 correlation analysis Methods 0.000 claims abstract description 20
- 238000007621 cluster analysis Methods 0.000 claims abstract description 10
- 230000006698 induction Effects 0.000 claims description 8
- 239000000284 extract Substances 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000003750 conditioning effect Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 230000008054 signal transmission Effects 0.000 claims description 5
- 238000001228 spectrum Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 2
- 238000012360 testing method Methods 0.000 abstract description 12
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 238000001514 detection method Methods 0.000 description 6
- 238000012423 maintenance Methods 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 4
- 230000000875 corresponding effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 229910052755 nonmetal Inorganic materials 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
Classifications
-
- 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
- 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
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M99/00—Subject matter not provided for in other groups of this subclass
- G01M99/005—Testing of complete machines, e.g. washing-machines or mobile phones
-
- 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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及测试设备领域，尤其涉及一种机械设备故障预警系统及其使用方法。本发明在各工作节点布置感应单元，获取机械设备的温度、振动、声音、转速、压力和损耗这些能反应设备工作状态的属性数据。通过数据相关性分析模块中的多元回归模型分析各工作节点的属性数据变化趋势，判断各工作节点的属性相关性。通过预警分析模块中的预警模型提取相关联的工作节点的属性特征，结合各属性间的相关系数判断各工作节点的联系，对各工作节点的工作状态进行聚类分析，预测和诊断故障。系统故障预警基于多元回归模型和预警模型，对多个属性数据分析，得到相关联工作节点的故障趋势，使得故障预警具有预测性和准确性，参考价值大，利于机械设备的测试工作。
Description
技术领域
本发明涉及测试设备领域，尤其涉及一种机械设备故障预警系统及其使用方法。
背景技术
工厂常用的测试设备有很多，包括测量设备卡尺、天平、打点机等，另外还有质量测试分析仪器、材质测试仪、包装测试设备、金属测试设备、非金属测试设备以及无损测试设备等。
这些测试用的机械设备一旦出现故障必然会降低测试的准确性，因此需要对测试设备定期检修和维护。一部分工厂采用传统的人工手动检修的方式，检修费时费力，且检修结果依赖检修人员的经验和技术水平。另一部分工厂采用故障预警系统监测机械设备工作状态，但采集数据局限在设备的单个工作节点，采集项目一般也是单一的，未综合考虑机械设备各工作节点间的故障关联性，导致故障预测的范围小，精准性有限。
发明内容
针对背景技术中存在的问题，提出一种机械设备故障预警系统及其使用方法。
本发明提出一种机械设备故障预警系统，包括设备层、数据库层和控制层；设备层包括作用于机械设备的输入设备、输出设备，用于数据的输入/出；其中输入设备包括对机械设备各工作节点进行属性数据采集的感应单元、进行数据处理的信号调理单元以及进行信号传递的信号传输单元；输出设备包括系统工作数据显示单元和预警数据息显示单元；
数据库层包括用于存储系统历史工作数据的存储单元；
以及控制层包括控制器、数据相关性分析模块和预警分析模块；
数据相关性分析模块通过多元回归模型分析各工作节点的属性数据变化趋势，判断各工作节点的属性相关性；
预警分析模块通过预警模型提取相关联的工作节点的属性特征，结合各属性间的相关系数判断各工作节点的联系，对各工作节点的工作状态进行聚类分析，预测和诊断故障。
优选的，工作人员根据机械设备的运行过程设置工作节点。
优选的，工作人员针对工作节点属性布置多组感应单元；感应单元包括温度检测单元a、振动检测单元b、声音检测单元c、转速检测单元d、压力检测单元e和损耗检测单元f，上述各感应单元采集的数据记录为（x,y），其中x为a、b、c、d、e和f的感应数据，y为时间节点。
优选的，数据相关性分析模块通过傅里叶变化，将每个工作节点的属性的时域数据集（x,y）转化为频域数据集,并以该工作节点为单位，分类提取所有属性的特征数据部分，得到数据集Zi=｛Za、Zb、Zc、Zd、Ze、Zf｝；i=1、2、3……n，代表工作节点。
优选的，多元回归模型以数据集Z为样本，计算各工作节点间的相关性，计算公式如下：
；
。
优选的，预警分析模块获取相关性大于阈值的工作节点属性特征数据，分析上述属性特征数据的相关性变化参数，预警模型利用该变化参数分析故障变化趋势，判断各工作节点的工作状态。
优选的，预警模型将属性特征数据构建为包括相关参数变化曲线的希尔伯特包络谱。
优选的，预警模型利用n阶多项式对监测数据样本中数据进行拟合，得到去噪后的监测数据样本，n阶多项式的系数是由最小二乘法准则在拟合误差最小的条件下确定，其中，n为大于或等于1的整数。
本发明又提出一种基于上述机械设备故障预警系统的使用方法，步骤如下：
S1、工作人员根据机械设备的工作过程，判断工作节点，并布置对应的感应单元；
S2、感应单元采集各工作节点的属性数据；
S3、数据相关性分析模块通过多元回归模型分析各工作节点的属性数据变化趋势，判断各工作节点的属性相关性；
S4、预警分析模块通过预警模型提取相关联的工作节点的属性特征，结合各属性间的相关系数判断各工作节点的联系，对各工作节点的工作状态进行聚类分析，预测和诊断故障。
与现有技术相比，本发明具有如下有益的技术效果：通过在各工作节点布置感应单元，获取机械设备的温度、振动、声音、转速、压力和损耗这些能反应设备工作状态的属性数据。通过数据相关性分析模块中的多元回归模型分析各工作节点的属性数据变化趋势，判断各工作节点的属性相关性。通过预警分析模块中的预警模型提取相关联的工作节点的属性特征，结合各属性间的相关系数判断各工作节点的联系，对各工作节点的工作状态进行聚类分析，预测和诊断故障。相关性大，意味着对应工作节点间关联性强，因此可以在故障预测和诊断时提前预判关联工作节点的故障趋势，减小故障影响。系统故障预警基于多元回归模型和预警模型，对多个属性数据分析，得到相关联工作节点的故障趋势，使得故障预警具有预测性和准确性，参考价值大，利于机械设备的测试工作。
附图说明
图1为本发明中机械设备故障预警系统结构示意图；
图2为本发明中机械设备故障预警系统工作方法图。
具体实施方式
实施例一，如图1所示，本发明提出的一种机械设备故障预警系统，包括设备层、数据库层和控制层；设备层包括作用于机械设备的输入设备、输出设备，用于数据的输入/出；其中输入设备包括对机械设备各工作节点进行属性数据采集的感应单元、进行数据处理的信号调理单元以及进行信号传递的信号传输单元；输出设备包括系统工作数据显示单元和预警数据息显示单元。数据库层包括用于存储系统历史工作数据的存储单元。控制层包括控制器、数据相关性分析模块和预警分析模块。
数据相关性分析模块通过多元回归模型分析各工作节点的属性数据变化趋势，判断各工作节点的属性相关性。
预警分析模块通过预警模型提取相关联的工作节点的属性特征，结合各属性间的相关系数判断各工作节点的联系，对各工作节点的工作状态进行聚类分析，预测和诊断故障。
需要进一步说明的是，工作人员根据机械设备的运行过程，在工作端、驱动端、供能端等位置设置工作节点。工作人员针对工作节点属性布置多组感应单元；感应单元包括温度检测单元a、振动检测单元b、声音检测单元c、转速检测单元d、压力检测单元e和损耗检测单元f，上述各感应单元采集的数据记录为（x,y），其中x为a、b、c、d、e和f的感应数据，y为时间节点。
实施例二，如图1所示，本发明提出的一种机械设备故障预警系统，包括设备层、数据库层和控制层；设备层包括作用于机械设备的输入设备、输出设备，用于数据的输入/出；其中输入设备包括对机械设备各工作节点进行属性数据采集的感应单元、进行数据处理的信号调理单元以及进行信号传递的信号传输单元；输出设备包括系统工作数据显示单元和预警数据息显示单元。数据库层包括用于存储系统历史工作数据的存储单元。控制层包括控制器、数据相关性分析模块和预警分析模块。
数据相关性分析模块通过多元回归模型分析各工作节点的属性数据变化趋势，判断各工作节点的属性相关性。
预警分析模块通过预警模型提取相关联的工作节点的属性特征，结合各属性间的相关系数判断各工作节点的联系，对各工作节点的工作状态进行聚类分析，预测和诊断故障。
需要进一步说明的是，工作人员根据机械设备的运行过程，在工作端、驱动端、供能端等位置设置工作节点。工作人员针对工作节点属性布置多组感应单元；感应单元包括温度检测单元a、振动检测单元b、声音检测单元c、转速检测单元d、压力检测单元e和损耗检测单元f，上述各感应单元采集的数据记录为（x,y），其中x为a、b、c、d、e和f的感应数据，y为时间节点。
数据相关性分析模块通过傅里叶变化，将每个工作节点的属性的时域数据集（x,y）转化为频域数据集,并以该工作节点为单位，分类提取所有属性的特征数据部分，得到数据集Zi=｛Za、Zb、Zc、Zd、Ze、Zf｝；i=1、2、3……n，代表工作节点。
需要进一步说明的是，多元回归模型以数据集Z为样本，计算各工作节点间的相关性，计算公式如下：
；
。
实施例三，如图1所示，本发明提出的一种机械设备故障预警系统，包括设备层、数据库层和控制层；设备层包括作用于机械设备的输入设备、输出设备，用于数据的输入/出；其中输入设备包括对机械设备各工作节点进行属性数据采集的感应单元、进行数据处理的信号调理单元以及进行信号传递的信号传输单元；输出设备包括系统工作数据显示单元和预警数据息显示单元。数据库层包括用于存储系统历史工作数据的存储单元。控制层包括控制器、数据相关性分析模块和预警分析模块。
数据相关性分析模块通过多元回归模型分析各工作节点的属性数据变化趋势，判断各工作节点的属性相关性。
预警分析模块通过预警模型提取相关联的工作节点的属性特征，结合各属性间的相关系数判断各工作节点的联系，对各工作节点的工作状态进行聚类分析，预测和诊断故障。
需要进一步说明的是，工作人员根据机械设备的运行过程，在工作端、驱动端、供能端等位置设置工作节点。工作人员针对工作节点属性布置多组感应单元；感应单元包括温度检测单元a、振动检测单元b、声音检测单元c、转速检测单元d、压力检测单元e和损耗检测单元f，上述各感应单元采集的数据记录为（x,y），其中x为a、b、c、d、e和f的感应数据，y为时间节点。
数据相关性分析模块通过傅里叶变化，将每个工作节点的属性的时域数据集（x,y）转化为频域数据集,并以该工作节点为单位，分类提取所有属性的特征数据部分，得到数据集Zi=｛Za、Zb、Zc、Zd、Ze、Zf｝；i=1、2、3……n，代表工作节点。
需要进一步说明的是，多元回归模型以数据集Z为样本，计算各工作节点间的相关性，计算公式如下：
；
。
预警分析模块获取相关性大于阈值的工作节点属性特征数据，分析上述属性特征数据的相关性变化参数，预警模型利用该变化参数分析故障变化趋势，判断各工作节点的工作状态。预警模型将属性特征数据构建为包括相关参数变化曲线的希尔伯特包络谱。
需要进一步说明的是，预警模型利用n阶多项式对监测数据样本中数据进行拟合，得到去噪后的监测数据样本，n阶多项式的系数是由最小二乘法准则在拟合误差最小的条件下确定，其中，n为大于或等于1的整数。
实施例四，如图2所示，本发明又提出一种基于上述机械设备故障预警系统的使用方法，步骤如下：
S1、工作人员根据机械设备的工作过程，判断工作节点，并布置对应的感应单元：工作人员根据机械设备的运行过程，在工作端、驱动端、供能端等位置设置工作节点。工作人员针对工作节点属性布置多组感应单元；感应单元包括温度检测单元a、振动检测单元b、声音检测单元c、转速检测单元d、压力检测单元e和损耗检测单元f；
S2、感应单元采集各工作节点的属性数据；各感应单元采集的数据记录为（x,y），其中x为a、b、c、d、e和f的感应数据，y为时间节点；
S3、数据相关性分析模块通过多元回归模型分析各工作节点的属性数据变化趋势，判断各工作节点的属性相关性：数据相关性分析模块通过傅里叶变化，将每个工作节点的属性的时域数据集（x,y）转化为频域数据集,并以该工作节点为单位，分类提取所有属性的特征数据部分，得到数据集Zi=｛Za、Zb、Zc、Zd、Ze、Zf｝；i=1、2、3……n，代表工作节点。多元回归模型以数据集Z为样本，计算各工作节点间的相关性，计算公式如下：
；
；
S4、预警分析模块通过预警模型提取相关联的工作节点的属性特征，结合各属性间的相关系数判断各工作节点的联系，对各工作节点的工作状态进行聚类分析，预测和诊断故障：预警分析模块获取相关性大于阈值的工作节点属性特征数据，分析上述属性特征数据的相关性变化参数，预警模型利用该变化参数分析故障变化趋势，判断各工作节点的工作状态。预警模型将属性特征数据构建为包括相关参数变化曲线的希尔伯特包络谱。预警模型利用n阶多项式对监测数据样本中数据进行拟合，得到去噪后的监测数据样本，n阶多项式的系数是由最小二乘法准则在拟合误差最小的条件下确定，其中，n为大于或等于1的整数。
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 (9)
1.一种机械设备故障预警系统，包括设备层、数据库层和控制层；其特征在于，
设备层包括作用于机械设备的输入设备、输出设备，用于数据的输入/出；其中输入设备包括对机械设备各工作节点进行属性数据采集的感应单元、进行数据处理的信号调理单元以及进行信号传递的信号传输单元；输出设备包括系统工作数据显示单元和预警数据息显示单元；
数据库层包括用于存储系统历史工作数据的存储单元；
以及控制层包括控制器、数据相关性分析模块和预警分析模块；
数据相关性分析模块通过多元回归模型分析各工作节点的属性数据变化趋势，判断各工作节点的属性相关性；
预警分析模块通过预警模型提取相关联的工作节点的属性特征，结合各属性间的相关系数判断各工作节点的联系，对各工作节点的工作状态进行聚类分析，预测和诊断故障。
2.根据权利要求1所述的一种机械设备故障预警系统，其特征在于，工作人员根据机械设备的运行过程设置工作节点。
3.根据权利要求2所述的一种机械设备故障预警系统，其特征在于，工作人员针对工作节点属性布置多组感应单元；感应单元包括温度检测单元a、振动检测单元b、声音检测单元c、转速检测单元d、压力检测单元e和损耗检测单元f，上述各感应单元采集的数据记录为（x,y），其中x为a、b、c、d、e和f的感应数据，y为时间节点。
4.根据权利要求3所述的一种机械设备故障预警系统，其特征在于，数据相关性分析模块通过傅里叶变化，将每个工作节点的属性的时域数据集（x,y）转化为频域数据集,并以该工作节点为单位，分类提取所有属性的特征数据部分，得到数据集Zi=｛Za、Zb、Zc、Zd、Ze、Zf｝；i=1、2、3……n，代表工作节点。
5.根据权利要求4所述的一种机械设备故障预警系统，其特征在于，多元回归模型以数据集Z为样本，计算各工作节点间的相关性，计算公式如下：
；
。
6.根据权利要求1所述的一种机械设备故障预警系统，其特征在于，预警分析模块获取相关性大于阈值的工作节点属性特征数据，分析上述属性特征数据的相关性变化参数，预警模型利用该变化参数分析故障变化趋势，判断各工作节点的工作状态。
7.根据权利要求6所述的一种机械设备故障预警系统，其特征在于，预警模型将属性特征数据构建为包括相关参数变化曲线的希尔伯特包络谱。
8.根据权利要求7所述的一种机械设备故障预警系统，其特征在于，预警模型利用n阶多项式对监测数据样本中数据进行拟合，得到去噪后的监测数据样本，n阶多项式的系数是由最小二乘法准则在拟合误差最小的条件下确定，其中，n为大于或等于1的整数。
9.一种基于权利要求1-8任一项所述的机械设备故障预警系统的使用方法，其特征在于，步骤如下：
S1、工作人员根据机械设备的工作过程，判断工作节点，并布置对应的感应单元；
S2、感应单元采集各工作节点的属性数据；
S3、数据相关性分析模块通过多元回归模型分析各工作节点的属性数据变化趋势，判断各工作节点的属性相关性；
S4、预警分析模块通过预警模型提取相关联的工作节点的属性特征，结合各属性间的相关系数判断各工作节点的联系，对各工作节点的工作状态进行聚类分析，预测和诊断故障。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410275828.1A CN117874713A (zh) | 2024-03-12 | 2024-03-12 | 一种机械设备故障预警系统及其使用方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410275828.1A CN117874713A (zh) | 2024-03-12 | 2024-03-12 | 一种机械设备故障预警系统及其使用方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117874713A true CN117874713A (zh) | 2024-04-12 |
Family
ID=90597089
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410275828.1A Pending CN117874713A (zh) | 2024-03-12 | 2024-03-12 | 一种机械设备故障预警系统及其使用方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117874713A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108038271A (zh) * | 2017-11-22 | 2018-05-15 | 华中科技大学 | 一种铣刀的磨损预测方法及状态识别的方法 |
| CN112307619A (zh) * | 2020-10-29 | 2021-02-02 | 北京航天测控技术有限公司 | 预警模型的构建方法、装备故障预警方法及装置 |
| CN115313649A (zh) * | 2022-08-22 | 2022-11-08 | 国网安徽省电力有限公司宿州供电公司 | 一种智能变电站过程层网络断链故障解析装置 |
| RU2021119994A (ru) * | 2021-07-07 | 2023-01-09 | Кузнецов Яков Михайлович | Способ, комплекс обработки информации об отказах устройств беспроводных сенсорных сетей передачи данных и связанных сетей |
| JP2023138371A (ja) * | 2022-03-16 | 2023-10-02 | 広東石油化工学院 | 石油化学プロセスの異常変化予測及び故障早期警報方法 |
-
2024
- 2024-03-12 CN CN202410275828.1A patent/CN117874713A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108038271A (zh) * | 2017-11-22 | 2018-05-15 | 华中科技大学 | 一种铣刀的磨损预测方法及状态识别的方法 |
| CN112307619A (zh) * | 2020-10-29 | 2021-02-02 | 北京航天测控技术有限公司 | 预警模型的构建方法、装备故障预警方法及装置 |
| RU2021119994A (ru) * | 2021-07-07 | 2023-01-09 | Кузнецов Яков Михайлович | Способ, комплекс обработки информации об отказах устройств беспроводных сенсорных сетей передачи данных и связанных сетей |
| JP2023138371A (ja) * | 2022-03-16 | 2023-10-02 | 広東石油化工学院 | 石油化学プロセスの異常変化予測及び故障早期警報方法 |
| CN115313649A (zh) * | 2022-08-22 | 2022-11-08 | 国网安徽省电力有限公司宿州供电公司 | 一种智能变电站过程层网络断链故障解析装置 |
Non-Patent Citations (4)
| Title |
|---|
| QIAO TINGTING: "Application of artificial intelligence in fault detection of mechanical equipment", IEEE, 13 May 2021 (2021-05-13) * |
| 方涛;: "双盘机械悬臂转子轴承碰摩故障检测方法", 兰州工业学院学报, no. 03, 15 June 2019 (2019-06-15) * |
| 王斌会编著: "《计量经济学模型及R语言应用》", 31 May 2015, pages: 60 * |
| 许红艳;郭红;: "无线传感器网络节点故障诊断算法研究", 西南师范大学学报(自然科学版), no. 09, 20 September 2016 (2016-09-20) * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP3993825B2 (ja) | 器械を取り付けられた機器およびプロセスのための推論信号生成装置 | |
| US6694286B2 (en) | Method and system for monitoring the condition of an individual machine | |
| EP3413154B1 (en) | Equipment diagnostic device, equipment diagnostic method, and equipment diagnostic program | |
| CN102265227B (zh) | 用于在机器状况监视中创建状态估计模型的方法和设备 | |
| US20080109185A1 (en) | Precision Diagnostic Method For The Failure Protection And Predictive Maintenance Of A Vacuum Pump And A Precision Diagnostic System Therefor | |
| JP2006292734A (ja) | 検査装置用の判定モデル作成支援装置および検査装置ならびに耐久試験装置および耐久試験方法 | |
| CN111665066B (zh) | 基于卷积神经网络的设备故障自适应上下预警界生成方法 | |
| KR20060100248A (ko) | 검사 장치, 검사 장치용 판정 모델 생성 지원 장치, 내구성테스트 장치용 이상 검출 장치 및 내구성 테스트 방법 | |
| CN117889943B (zh) | 基于机器学习的气体超声波流量计检验方法及系统 | |
| KR20140072331A (ko) | 이상진단 사전감시 방법 | |
| CN112711850A (zh) | 一种基于大数据的机组在线监测方法 | |
| JP4056032B2 (ja) | プラント機器管理装置 | |
| KR100758152B1 (ko) | 진동신호 양자화에 의한 거동반응을 이용한 고장진단방법 | |
| KR20210006832A (ko) | 기계고장 진단 방법 및 장치 | |
| Dall’Ora et al. | Industrial-iot data analysis exploiting electronic design automation techniques | |
| CN117874713A (zh) | 一种机械设备故障预警系统及其使用方法 | |
| Samuel et al. | Survey of Gear Fault Diagnosis Using Various Statistical Signals Parameters | |
| CN116802471A (zh) | 综合诊断旋转机械的缺陷的方法及系统 | |
| Tastimur et al. | Defect diagnosis of rolling element bearing using deep learning | |
| Mustafa et al. | Experimental research on machinery fault simulator (MFS): A review | |
| Koshekov et al. | Modernization of vibration analyzers based on identification measurements | |
| KR20220096794A (ko) | 회전기계의 결함을 진단하는 방법 및 시스템 | |
| Jarrah et al. | Web-based monitoring and fault diagnostics of machinery | |
| CN117972989B (zh) | 一种煤机设备的寿命预测方法及系统 | |
| Wescoat et al. | A Proposed Method for Generating Lifetime Failure Data for Manufacturing Equipment: Validation With Bearings |
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 |