CN117875191A - 一种基于大数据的齿轮箱寿命评估方法及系统、存储介质 - Google Patents
一种基于大数据的齿轮箱寿命评估方法及系统、存储介质 Download PDFInfo
- Publication number
- CN117875191A CN117875191A CN202410265710.0A CN202410265710A CN117875191A CN 117875191 A CN117875191 A CN 117875191A CN 202410265710 A CN202410265710 A CN 202410265710A CN 117875191 A CN117875191 A CN 117875191A
- Authority
- CN
- China
- Prior art keywords
- life
- gearbox
- gear box
- data
- intelligent control
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000003860 storage Methods 0.000 title claims abstract description 9
- 238000012360 testing method Methods 0.000 claims abstract description 100
- 230000001133 acceleration Effects 0.000 claims abstract description 67
- 238000004088 simulation Methods 0.000 claims abstract description 51
- 238000005299 abrasion Methods 0.000 claims abstract description 37
- 230000008569 process Effects 0.000 claims description 26
- 230000008859 change Effects 0.000 claims description 24
- 238000004519 manufacturing process Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 7
- 230000002452 interceptive effect Effects 0.000 claims description 6
- 238000012423 maintenance Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 238000005094 computer simulation Methods 0.000 claims description 5
- 238000012544 monitoring process Methods 0.000 claims description 5
- 238000003062 neural network model Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 238000007405 data analysis Methods 0.000 claims description 4
- 238000007619 statistical method Methods 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 abstract description 8
- 230000007774 longterm Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000010998 test method Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000004904 shortening Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000013031 physical testing Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000010561 standard procedure Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/02—Gearings; Transmission mechanisms
- G01M13/021—Gearings
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/04—Ageing analysis or optimisation against ageing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明属于计算机技术领域，公开了一种基于大数据的齿轮箱寿命评估方法及系统、存储介质，包括构建测试平台，并对测试平台设置对应的智能控制系统；查询获取齿轮箱的标准寿命参数，制定预设的加速磨损规则；智能控制系统根据加速磨损规则调节驱动电机的输出功率和负载模拟装置的负载质量，并通过传感模块检测齿轮箱的运行参数，从运行参数筛选获得磨损指标，构建加速预测模型；将实时获得的运行参数输入于加速预测模型中进行预测，获得动态寿命数据集合；综合测试平台获得的实际寿命数据和动态寿命数据集合，获得齿轮箱的预期寿命信息；以实时评估齿轮箱的磨损程度和寿命，实现了对于测试周期的显著缩短，提供了一种更高效、更全面的评估方法。
Description
技术领域
本发明涉及计算机技术领域，尤其涉及一种基于大数据的齿轮箱寿命评估方法及系统、存储介质。
背景技术
在现代机械和自动化领域，齿轮箱作为关键的传动组件，其可靠性和寿命对整个系统的稳定性和效率至关重要；齿轮箱广泛应用于多个行业，其中齿轮箱的设计和测试成为确保长期可靠运行的核心环节。随着技术的发展，对齿轮箱性能的要求越来越高，这就需要更先进、更高效的测试和评估方法来确保其性能和可靠性。
现有技术中的齿轮箱的寿命评估主要依靠传统的台架试验和计算机模拟方法，台架试验通过模拟实际工作条件来测试齿轮箱的性能，并且通过计算机模拟来对齿轮箱的磨损情况进行模拟和预测，虽然一定程度上加快了测试过程的数据处理情况，但是为了验证实际物理测试的直观性和可靠性，这种方法通常需要长时间的装置运行来达到实际磨损的情况，导致测试耗时长、成本高，且无法高效地模拟和评估齿轮箱在极端或非标准工况下的表现，从而无法全面反映其在实际应用中的寿命和可靠性。
鉴于此，需要对现有技术中的齿轮箱寿命检测方法加以改进，以解决测试效率较低、且测试不够全面的技术问题。
发明内容
本发明的目的在于提供一种基于大数据的齿轮箱寿命评估方法及系统、存储介质，解决以上的技术问题。
为达此目的，本发明采用以下技术方案：
一种基于大数据的齿轮箱寿命评估方法，包括：
构建测试平台，在所述测试平台上搭载传感模块、驱动电机和负载模拟装置，并对所述测试平台设置对应的智能控制系统；
查询获取齿轮箱的标准寿命参数，根据所述标准寿命参数制定预设的加速磨损规则；
所述智能控制系统根据所述加速磨损规则调节所述驱动电机的输出功率和所述负载模拟装置的负载质量，并通过所述传感模块检测所述齿轮箱的运行参数；
从所述运行参数筛选获得磨损指标，根据所述磨损指标构建加速预测模型；
将实时获得的运行参数输入于所述加速预测模型中，通过所述加速预测模型以对所述齿轮箱的寿命进行预测，获得动态寿命数据集合；
综合所述测试平台获得的实际寿命数据和所述动态寿命数据集合，获得齿轮箱的预期寿命信息。
可选的，构建测试平台，在所述测试平台上搭载传感模块、驱动电机和负载模拟装置，并对所述测试平台设置对应的智能控制系统；具体包括：
根据所需测试的齿轮箱类型和尺寸，在所述测试平台上设置预设尺寸的测试工位，并提供电接口和供应电源；
选择预设功率范围的驱动电机和可调节负载质量的负载模拟装置，并分别安装于所述测试工位的两侧；
在所述测试工位布置传感模块，所述传感模块包括振动传感器、温度传感器和负载传感器；
设计智能控制系统，所述智能控制系统具有交互界面和智能控制软件，所述传感模块、驱动电机和负载模拟装置分别通过所述电接口与所述智能控制软件连接；
启动所述智能控制系统，控制所述驱动电机和所述负载模拟装置运行，通过所述驱动电机和所述负载模拟装置的反馈数据，校验所述智能控制系统的控制精度。
可选的，所述查询获取齿轮箱的标准寿命参数，根据所述标准寿命参数制定预设的加速磨损规则；具体包括：
调用所述齿轮箱生产目录表，从所述生产目录表获取齿轮箱的标准寿命参数和性能参数；所述性能参数包括额定载荷、工作循环和转速范围；
根据所述标准寿命参数读取所述齿轮箱更换部件的时间表和故障原因，以确定正常磨损模式；
基于所述正常磨损模式，获取能够加速磨损进程的加速因子，将所述加速因子设置为所述加速磨损规则的磨损条件；
将所述磨损条件转换为对应于所述驱动电机的输出功率和所述负载模拟装置的负载质量的控制参数，并制定所述控制参数的变化规则，以获得加速磨损规则；
通过计算机模拟验证所述加速磨损规则是否能在预期的时间内模拟出标准寿命参数下的磨损状态，若是，则输出所述加速磨损规则；若否，则调节所述加速磨损规则。
可选的，所述智能控制系统根据所述加速磨损规则调节所述驱动电机的输出功率和所述负载模拟装置的负载质量，并通过所述传感模块检测所述齿轮箱的运行参数；
将加速磨损规则输入至所述智能控制系统中，将待测的齿轮箱装载到测试平台上，并与所述驱动电机和所述负载模拟装置连接，以进行齿轮箱的测试过程；
所述智能控制系统控制所述驱动电机运行，并根据所述加速磨损规则调节所述驱动电机的输出功率；调节过程中，通过所述驱动电机的反馈数据以监测所述驱动电机的运行状态；
所述加速磨损规则的时间节点，所述智能控制系统调节所述负载模拟装置的负载质量，以模拟不同的工况；
在所述测试过程中，所述传感模块实时采集所述齿轮箱的运行参数；所述运行参数包括振动、温度和输出扭矩。
可选的，从所述运行参数筛选获得磨损指标，根据所述磨损指标构建加速预测模型；具体包括：
通过分析所述运行参数的变化幅度和阈值范围，转化为与齿轮箱相关的磨损指标；
选择神经网络模型作为所述加速预测模型；
将所述运行参数和磨损指标分别输入于所述加速预测模型进行训练，以优化所述加速预测模型的预测性能；
确定所述加速预测模型使用的标准化流程，所述标准化流程包括数据输入、处理、输出和注释。
可选的，所述将实时获得的运行参数输入于所述加速预测模型中，通过所述加速预测模型以对所述齿轮箱的寿命进行预测，获得动态寿命数据集合；具体包括：
通过所述传感模块实时地收集齿轮箱的运行参数，并将所述运行参数输入于所述加速预测模型中；
所述加速预测模型对当前时刻输入的运行参数进行寿命预测，生成寿命预测信息；
对所述加速预测模型输入下一时刻的运行参数进行寿命预测，以对上一组所述寿命预测信息进行更新，
将每次的寿命预测信息记录下来，构建一个动态变化的动态齿轮箱寿命数据集合；
分析所述动态齿轮箱寿命数据集合的变化趋势，识别齿轮箱磨损和寿命的变化模式；
将所述变化模式输入于所述加速预测模型，以对所述加速预测模型的进行预测性能的优化。
可选的，所述综合所述测试平台获得的实际寿命数据和所述动态寿命数据集合，获得齿轮箱的预期寿命信息；具体包括：
在所述测试平台上测试齿轮箱至所述齿轮箱的运行参数超过预设损坏阈值时，计算当前时刻和初始时刻的差值，记录为实际寿命数据；
对比所述实际寿命数据和所述动态寿命预测数据，分析二者之间的相似性和差异性；
使用统计方法对所述相似性和差异性进行综合分析，将实际寿命数据和动态预测数据融合，基于融合后的数据，估算齿轮箱在实际使用条件下的预期寿命信息；
基于所述预期寿命信息和综合分析过程编制成详细报告，并制定对应的维护策略。
本发明还提供了一种齿轮箱寿命的智能评估系统，用于实现如上所述的基于大数据的齿轮箱寿命评估方法，所述智能评估系统具体包括：
测试平台，用于安装齿轮箱和提供测试工位；
传感模块，用于实时监测齿轮箱的运行参数；
驱动电机，用于驱动所述齿轮箱运行，并根据加速磨损规则调节输出功率；
负载模拟装置，用于仿真齿轮箱在实际使用中不同的工况；
智能控制系统用于根据所述加速磨损规则调节所述驱动电机的输出功率和所述负载模拟装置的负载质量；所述智能控制系统包括交互界面和智能控制软件；
加速预测模型，用于通过所述加速预测模型以对所述齿轮箱的寿命进行预测，获得动态寿命数据集合；
数据分析模块，用于综合所述测试平台获得的实际寿命数据和所述动态寿命数据集合，获得齿轮箱的预期寿命信息。
本发明还提供了一种存储介质，所述存储介质上存储有指令，所述指令用于实现如上所述的基于大数据的齿轮箱寿命评估方法。
与现有技术相比，本发明具有以下有益效果：工作时，首先构建一个集成传感模块、驱动电机和负载模拟装置的测试平台，并配置相应的智能控制系统；该系统根据查询获取的齿轮箱标准寿命参数，制定出适用的预设加速磨损规则，以加快测试过程；智能控制系统根据规则对驱动电机的输出功率和负载模拟装置的负载质量进行实时调整，同时传感模块监测齿轮箱的运行参数；经筛选出的磨损指标用以构建加速预测模型，该模型根据实时输入的运行参数预测齿轮箱寿命，生成动态寿命数据集合；最后，将这些数据与测试平台获得的实际寿命数据相结合，确定齿轮箱的预期寿命信息；本方案通过模拟齿轮箱在真实工作环境下加速磨损的条件，极大地提高了测试效率，同时适用于极端或非标准工况的评估；智能控制系统的精准调整和预设磨损规则的应用，使得测试过程更高效并降低了成本，同时利用构建的预测模型，可以实时评估齿轮箱的磨损程度和寿命，实现了对于测试周期的显著缩短，提供了一种更高效、更全面的评估方法。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。
本说明书附图所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容得能涵盖的范围内。
图1为本实施例一的基于大数据的齿轮箱寿命评估方法的流程示意图之一；
图2为本实施例一的基于大数据的齿轮箱寿命评估方法的流程示意图之二；
图3为本实施例一的基于大数据的齿轮箱寿命评估方法的流程示意图之三；
图4为本实施例一的基于大数据的齿轮箱寿命评估方法的流程示意图之四。
具体实施方式
为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
在本发明的描述中，需要理解的是，术语“上”、“下”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。需要说明的是，当一个组件被认为是“连接”另一个组件，它可以是直接连接到另一个组件或者可能同时存在居中设置的组件。
下面结合附图并通过具体实施方式来进一步说明本发明的技术方案。
实施例一：
结合图1至图4所示，本发明实施例提供了一种基于大数据的齿轮箱寿命评估方法，包括：
S1，构建测试平台，在测试平台上搭载传感模块、驱动电机和负载模拟装置，并对测试平台设置对应的智能控制系统；
设计并搭建一个能容纳齿轮箱的测试平台，安装传感模块以监测诸如温度、振动、扭矩的关键运行参数；设置驱动电机以模拟齿轮箱的操作条件；安装负载模拟装置以模仿实际工作中的负载变化；搭建智能控制系统以管理测试平台的运行，包括数据收集、处理和控制驱动电机与负载模拟装置的行为。目的在于构建一个用于评估齿轮箱寿命的实验环境。
S2，查询获取齿轮箱的标准寿命参数，根据标准寿命参数制定预设的加速磨损规则；
收集齿轮箱的设计寿命和其它相关性能参数，基于这些标准寿命参数，定义如何通过改变测试条件（如负载、速度、温度）来加速齿轮箱的磨损过程；从而创建一套规则，能够在短期内模拟齿轮箱经历的长期磨损过程。
S3，智能控制系统根据加速磨损规则调节驱动电机的输出功率和负载模拟装置的负载质量，并通过传感模块检测齿轮箱的运行参数；
智能控制系统根据事先制定的规则调整驱动电机的输出功率和负载模拟装置的负载，实时收集齿轮箱在测试过程中的运行数据。目的在于自动调节测试条件并监测齿轮箱反应。
S4，从运行参数筛选获得磨损指标，根据磨损指标构建加速预测模型；
从收集的数据中筛选出对磨损有显著影响的指标，即磨损指标，使用这些指标构建一个能够基于加速环境下的运行数据预测齿轮箱标准运行条件下寿命的模型；目的在于通过运行数据定义磨损指标并建立一个能预测齿轮箱寿命的数学模型。
S5，将实时获得的运行参数输入于加速预测模型中，通过加速预测模型以对齿轮箱的寿命进行预测，获得动态寿命数据集合；
将实时监测到的运行参数输入加速预测模型，加速预测模型处理输入数据并输出齿轮箱的预测寿命，形成动态更新的数据集，用于捕获齿轮箱寿命随时间的变化。目的在于使用实时数据进行齿轮箱寿命预测。
S6，综合测试平台获得的实际寿命数据和动态寿命数据集合，获得齿轮箱的预期寿命信息。
需要说明的是，由于测试平台获得的实际寿命数据是经过加速后的寿命数据，并不是正常模式的寿命数据，因此这里设置实际寿命数据的目的在于作为参照，以对动态寿命数据集合进行验证和补偿，最终获得正常模式（不加速）的齿轮箱的预期寿命数据。
结合从测试平台上获得的实际寿命数据和预测模型提供的动态寿命数据；对比分析实际数据和模型预测结果，验证预测模型的准确性；最终，确定齿轮箱在实际使用条件下的预期寿命信息。目的在于综合实际数据和理论分析数据得到一个全面的齿轮箱预期寿命估计。
本发明的工作原理为：工作时，首先构建一个集成传感模块、驱动电机和负载模拟装置的测试平台，并配置相应的智能控制系统；该系统根据查询获取的齿轮箱标准寿命参数，制定出适用的预设加速磨损规则，以加快测试过程；智能控制系统根据规则对驱动电机的输出功率和负载模拟装置的负载质量进行实时调整，同时传感模块监测齿轮箱的运行参数；经筛选出的磨损指标用以构建加速预测模型，该模型根据实时输入的运行参数预测齿轮箱寿命，生成动态寿命数据集合；最后，将这些数据与测试平台获得的实际寿命数据相结合，确定齿轮箱的预期寿命信息；相比现有的测试方法，本方案通过模拟齿轮箱在真实工作环境下加速磨损的条件，极大地提高了测试效率，同时适用于极端或非标准工况的评估；智能控制系统的精准调整和预设磨损规则的应用，使得测试过程更高效并降低了成本，同时利用构建的预测模型，可以实时评估齿轮箱的磨损程度和寿命，实现了对于测试周期的显著缩短，提供了一种更高效、更全面的评估方法。
在本实施例中，具体说明的是，结合图2所示，步骤S1具体包括：
S11，根据所需测试的齿轮箱类型和尺寸，在测试平台上设置预设尺寸的测试工位，并提供电接口和供应电源；
设计测试平台以适应不同尺寸的齿轮箱，提供必要的电接口和供应电源，确保电力需求得到满足；目的在于为不同类型和尺寸的齿轮箱提供合适的测试环境。
S12，选择预设功率范围的驱动电机和可调节负载质量的负载模拟装置，并分别安装于测试工位的两侧；
根据测试需求选择合适功率范围的驱动电机，安装可调节负载质量的负载模拟装置，以模拟不同的工作环境；确保这些装置能够安装在测试工位的两侧，便于操作和数据收集；模拟齿轮箱的实际工作条件。
S13，在测试工位布置传感模块，传感模块包括振动传感器、温度传感器和负载传感器；
安装振动传感器、温度传感器和负载传感器等，以全面监测齿轮箱的关键运行参数；且需要确保传感器的布置能够准确捕捉数据，避免干扰或误读。
S14，设计智能控制系统，智能控制系统具有交互界面和智能控制软件，传感模块、驱动电机和负载模拟装置分别通过电接口与智能控制软件连接；
设计具有用户友好交互界面的智能控制系统，确保智能控制软件可以有效连接和控制传感模块、驱动电机和负载模拟装置；智能控制软件具备数据处理和分析功能，以及必要的安全保护措施，实现测试过程的自动化和智能化。
S15，启动智能控制系统，控制驱动电机和负载模拟装置运行，通过驱动电机和负载模拟装置的反馈数据，校验智能控制系统的控制精度。
启动智能控制系统，运行驱动电机和负载模拟装置，通过收集的反馈数据，校验智能控制系统的控制精度和响应速度，进行必要的调整以确保测试精度和系统稳定性。
在本实施例中，具体说明的是，结合图3所示，步骤S2具体包括：
S21，调用齿轮箱生产目录表，从生产目录表获取齿轮箱的标准寿命参数和性能参数；性能参数包括额定载荷、工作循环和转速范围；
访问齿轮箱生产目录表以获取齿轮箱的基本信息；提取齿轮箱的标准寿命参数,包括额定载荷、工作循环和转速范围。收集必要的齿轮箱参数，为构建加速磨损规则提供基准数据。
S22，根据标准寿命参数读取齿轮箱更换部件的时间表和故障原因，以确定正常磨损模式；
从历史数据中读取齿轮箱部件的更换时间表和故障的原因；分析这些数据以确定齿轮箱在正常使用条件下的磨损模式。通过了解齿轮箱的正常更换和故障历史，确定其正常磨损模式。
S23，基于正常磨损模式，获取能够加速磨损进程的加速因子，将加速因子设置为加速磨损规则的磨损条件；
确定能够加速磨损进程的加速因子，加速因子包括负载、温度、振动；将这些加速因子整合为测试平台可用来加速磨损的条件。定义具体的条件或因子以在测试中模拟加速磨损过程。
S24，将磨损条件转换为对应于驱动电机的输出功率和负载模拟装置的负载质量的控制参数，并制定控制参数的变化规则，以获得加速磨损规则；
转换磨损条件为驱动电机输出功率和负载模拟装置负载质量的参数设置；制定参数的变化规则，这些规则将在智能控制系统中用于生成加速磨损规则，确保这些变化规则足够精确以确保测试的可重复性和一致性。
S25，通过计算机模拟验证加速磨损规则是否能在预期的时间内模拟出标准寿命参数下的磨损状态，若是，则输出加速磨损规则；若否，则调节加速磨损规则。
在本实施例中，具体说明的是，结合图4所示，步骤S3具体包括：
S31，将加速磨损规则输入至智能控制系统中，将待测的齿轮箱装载到测试平台上，并与驱动电机和负载模拟装置连接，以进行齿轮箱的测试过程。
S32，智能控制系统控制驱动电机运行，并根据加速磨损规则调节驱动电机的输出功率；调节过程中，通过驱动电机的反馈数据以监测驱动电机的运行状态；
智能控制系统控制驱动电机按照加速磨损规则运行；调节驱动电机的输出功率，同时监测其反馈数据以确保运行状态符合预设条件，模拟齿轮箱在不同操作条件下的行为。
S33，加速磨损规则的时间节点，智能控制系统调节负载模拟装置的负载质量，以模拟不同的工况；
根据加速磨损规则的时间节点，智能控制系统调节负载模拟装置的负载质量；这一步骤模拟了齿轮箱在不同的工作条件和负载下的磨损情况，在不同的时间节点模拟不同的工况。
S34，在测试过程中，传感模块实时采集齿轮箱的运行参数；运行参数包括振动、温度和输出扭矩；振动传感器、温度传感器和负载传感器分别实时采集齿轮箱的振动、温度和输出扭矩。
传感模块实时监测并采集齿轮箱的运行参数，包括振动、温度和输出扭矩。确保这些数据的准确性和连续性，为后续的数据分析和模型建立提供可靠的基础。
在本实施例中，具体说明的是，步骤S4具体包括：
S41，通过分析运行参数的变化幅度和阈值范围，转化为与齿轮箱相关的磨损指标；
分析运行参数（如振动、温度和扭矩）的变化幅度和趋势；并设置合适的阈值范围，以区分正常运行与异常磨损。将这些分析结果转化成具体的磨损指标，其能够反映出齿轮箱的健康状况。从运行参数中识别并提取与齿轮箱磨损直接相关的关键指标。
S42，选择神经网络模型作为加速预测模型；基于运行参数和磨损指标的性质，选择一个合适的神经网络模型结构；确定模型的输入层、隐藏层和输出层的设置，以及激活函数和其他超参数。
S43，将运行参数和磨损指标分别输入于加速预测模型进行训练，以优化加速预测模型的预测性能；
利用历史和实时采集的运行参数及对应的磨损指标对神经网络进行训练；调整超参数并使用验证数据集来避免过拟合，确保模型具有泛化能力；循环这一过程直到达到预设的性能指标，确保模型的准确性和可靠性。以优化神经网络模型，提升预测性能。
S44，确定加速预测模型使用的标准化流程，标准化流程包括数据输入、处理、输出和注释。
制定标准化的流程，详细描述从数据输入、处理到输出及其注释的每一步，确定数据预处理和归一化的标准方法，以便处理不同来源和格式的数据；设立清晰的模型输出格式，包括预测的寿命估计及其置信区间等。注释以便用户理解模型结构、训练过程以及输出结果。
在本实施例中，具体说明的是，步骤S5具体包括：
S51，通过传感模块实时地收集齿轮箱的运行参数，并将运行参数输入于加速预测模型中；
使用传感模块连续采集齿轮箱的运行参数，如振动、温度和输出扭矩，实时将这些运行参数传输至加速预测模型。
S52，加速预测模型对当前时刻输入的运行参数进行寿命预测，生成寿命预测信息；
利用加速预测模型分析当前的运行参数，基于这些参数生成关于齿轮箱寿命长度的预测信息。
S53，对加速预测模型输入下一时刻的运行参数进行寿命预测，以对上一组寿命预测信息进行更新，
对随时间变化且新收集到的运行参数再次进行预测，更新先前的寿命预测信息；由此维护一个随实时数据更新的齿轮箱寿命估计。不断更新寿命预测，以维持其时效性和准确性。
S54，将每次的寿命预测信息记录下来，构建一个动态变化的动态齿轮箱寿命数据集合；
不断记录下每一次寿命预测信息；将这些信息组织成动态数据集，用于捕捉和理解齿轮箱寿命的动态变化。记录预测历史，形成对齿轮箱寿命变化趋势的综合视图。
S55，分析动态齿轮箱寿命数据集合的变化趋势，识别齿轮箱磨损和寿命的变化模式；
定期分析动态数据集合，关注寿命预测数据的变化趋势，识别可能的异常磨损模式和寿命下降规律。从而识别齿轮箱磨损和寿命的变化模式。
S56，将变化模式输入于加速预测模型，以对加速预测模型的进行预测性能的优化。
反馈齿轮箱的使用寿命变化模式至加速预测模型，对模型进行调整或重新训练，以提升其预测性能。
在本实施例中，具体说明的是，步骤S6具体包括：
S61，在测试平台上测试齿轮箱至齿轮箱的运行参数超过预设损坏阈值时，计算当前时刻和初始时刻的差值，记录为实际寿命数据；
监测齿轮箱运行参数，直到其超过预设的损坏阈值；计算从测试开始到损坏阈值被超过的时间差，作为实际寿命数据。通过实验数据获取齿轮箱在加速条件下的实际寿命。
S62，对比实际寿命数据和动态寿命预测数据，分析二者之间的相似性和差异性；
对比实际寿命数据和由S5步骤中的加速预测模型生成的动态寿命预测数据；分析二者之间的相似性和差异性，识别可能的预测误差或模式偏差，以评估加速预测模型的准确性和实用性。
S63，使用统计方法对相似性和差异性进行综合分析，将实际寿命数据和动态预测数据融合，基于融合后的数据，估算齿轮箱在实际使用条件下的预期寿命信息；
使用统计方法对实际寿命数据和预测寿命数据的相似性和差异性进行深入分析；融合这两类数据，以便更准确地估算齿轮箱在实际工作条件下的预期寿命。
S64，基于预期寿命信息和综合分析过程编制成详细报告，并制定对应的维护策略。
基于所获得的预期寿命信息和分析结果，编制详尽的评估报告；根据报告中的发现，制定齿轮箱的维护和更换策略，以优化其运行性能和延长使用寿命。
实施例二：
本发明提供了一种齿轮箱寿命的智能评估系统，用于实现如实施例一的基于大数据的齿轮箱寿命评估方法，智能评估系统具体包括：
测试平台，用于安装齿轮箱和提供测试工位；构建测试平台，测试平台安装齿轮箱并提供测试工位，确保适应不同类型和尺寸的齿轮箱。
传感模块，用于实时监测齿轮箱的运行参数；传感模块在系统中起着至关重要的作用，实时监测齿轮箱的运行参数，如振动、温度和扭矩。
驱动电机，用于驱动齿轮箱运行，并根据加速磨损规则调节输出功率；
负载模拟装置，用于仿真齿轮箱在实际使用中不同的工况；驱动电机和负载模拟装置模拟齿轮箱在实际使用中的不同工况，根据设定的加速磨损规则调整输出功率和负载，从而在控制环境中模拟齿轮箱的长期磨损过程。
智能控制系统用于根据加速磨损规则调节驱动电机的输出功率和负载模拟装置的负载质量；智能控制系统包括交互界面和智能控制软件；
加速预测模型，用于通过加速预测模型以对齿轮箱的寿命进行预测，获得动态寿命数据集合；加速预测模型是系统的核心，它分析传感模块收集到的数据，预测齿轮箱寿命并生成动态寿命数据集合。
数据分析模块，用于综合测试平台获得的实际寿命数据和动态寿命数据集合，获得齿轮箱的预期寿命信息。
整个流程是一个闭环系统，不断通过实际测试数据优化和调整预测模型，以提高预测的准确性和可靠性。
本智能评估系统通过模拟实际工作条件下的磨损过程，系统能够在较短的时间内评估齿轮箱在长期运行中可能遇到的问题和寿命。这种方法显著减少了物理测试的时间和成本。此外，系统通过收集实时数据并不断调整预测模型，提高了预测的准确性。这不仅有助于预测维护和更换的最佳时间，从而减少了停机时间和维护成本，还可以为齿轮箱的设计和制造提供反馈，进而优化其性能和可靠性。最终，这种智能评估方法增强了整体设备管理效率，为企业带来经济效益和操作上的便利。
实施例三：
本发明还提供了一种存储介质，存储介质上存储有指令，指令用于实现如实施例一的基于大数据的齿轮箱寿命评估方法。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (9)
1.一种基于大数据的齿轮箱寿命评估方法，其特征在于，包括：
构建测试平台，在所述测试平台上搭载传感模块、驱动电机和负载模拟装置，并对所述测试平台设置对应的智能控制系统；
查询获取齿轮箱的标准寿命参数，根据所述标准寿命参数制定预设的加速磨损规则；
所述智能控制系统根据所述加速磨损规则调节所述驱动电机的输出功率和所述负载模拟装置的负载质量，并通过所述传感模块检测所述齿轮箱的运行参数；
从所述运行参数筛选获得磨损指标，根据所述磨损指标构建加速预测模型；
将实时获得的运行参数输入于所述加速预测模型中，通过所述加速预测模型以对所述齿轮箱的寿命进行预测，获得动态寿命数据集合；
综合所述测试平台获得的实际寿命数据和所述动态寿命数据集合，获得齿轮箱的预期寿命信息。
2.根据权利要求1所述的基于大数据的齿轮箱寿命评估方法，其特征在于，构建测试平台，在所述测试平台上搭载传感模块、驱动电机和负载模拟装置，并对所述测试平台设置对应的智能控制系统；具体包括：
根据所需测试的齿轮箱类型和尺寸，在所述测试平台上设置预设尺寸的测试工位，并提供电接口和供应电源；
选择预设功率范围的驱动电机和可调节负载质量的负载模拟装置，并分别安装于所述测试工位的两侧；
在所述测试工位布置传感模块，所述传感模块包括振动传感器、温度传感器和负载传感器；
设计智能控制系统，所述智能控制系统具有交互界面和智能控制软件，所述传感模块、驱动电机和负载模拟装置分别通过所述电接口与所述智能控制软件连接；
启动所述智能控制系统，控制所述驱动电机和所述负载模拟装置运行，通过所述驱动电机和所述负载模拟装置的反馈数据，校验所述智能控制系统的控制精度。
3.根据权利要求2所述的基于大数据的齿轮箱寿命评估方法，其特征在于，所述查询获取齿轮箱的标准寿命参数，根据所述标准寿命参数制定预设的加速磨损规则；具体包括：
调用所述齿轮箱生产目录表，从所述生产目录表获取齿轮箱的标准寿命参数和性能参数；所述性能参数包括额定载荷、工作循环和转速范围；
根据所述标准寿命参数读取所述齿轮箱更换部件的时间表和故障原因，以确定正常磨损模式；
基于所述正常磨损模式，获取能够加速磨损进程的加速因子，将所述加速因子设置为所述加速磨损规则的磨损条件；
将所述磨损条件转换为对应于所述驱动电机的输出功率和所述负载模拟装置的负载质量的控制参数，并制定所述控制参数的变化规则，以获得加速磨损规则；
通过计算机模拟验证所述加速磨损规则是否能在预期的时间内模拟出标准寿命参数下的磨损状态，若是，则输出所述加速磨损规则；若否，则调节所述加速磨损规则。
4.根据权利要求3所述的基于大数据的齿轮箱寿命评估方法，其特征在于，所述智能控制系统根据所述加速磨损规则调节所述驱动电机的输出功率和所述负载模拟装置的负载质量，并通过所述传感模块检测所述齿轮箱的运行参数；
将加速磨损规则输入至所述智能控制系统中，将待测的齿轮箱装载到测试平台上，并与所述驱动电机和所述负载模拟装置连接，以进行齿轮箱的测试过程；
所述智能控制系统控制所述驱动电机运行，并根据所述加速磨损规则调节所述驱动电机的输出功率；调节过程中，通过所述驱动电机的反馈数据以监测所述驱动电机的运行状态；
所述加速磨损规则的时间节点，所述智能控制系统调节所述负载模拟装置的负载质量，以模拟不同的工况；
在所述测试过程中，所述传感模块实时采集所述齿轮箱的运行参数；所述运行参数包括振动、温度和输出扭矩。
5.根据权利要求1所述的基于大数据的齿轮箱寿命评估方法，其特征在于，从所述运行参数筛选获得磨损指标，根据所述磨损指标构建加速预测模型；具体包括：
通过分析所述运行参数的变化幅度和阈值范围，转化为与齿轮箱相关的磨损指标；
选择神经网络模型作为所述加速预测模型；
将所述运行参数和磨损指标分别输入于所述加速预测模型进行训练，以优化所述加速预测模型的预测性能；
确定所述加速预测模型使用的标准化流程，所述标准化流程包括数据输入、处理、输出和注释。
6.根据权利要求1所述的基于大数据的齿轮箱寿命评估方法，其特征在于，所述将实时获得的运行参数输入于所述加速预测模型中，通过所述加速预测模型以对所述齿轮箱的寿命进行预测，获得动态寿命数据集合；具体包括：
通过所述传感模块实时地收集齿轮箱的运行参数，并将所述运行参数输入于所述加速预测模型中；
所述加速预测模型对当前时刻输入的运行参数进行寿命预测，生成寿命预测信息；
对所述加速预测模型输入下一时刻的运行参数进行寿命预测，以对上一组所述寿命预测信息进行更新，
将每次的寿命预测信息记录下来，构建一个动态变化的动态齿轮箱寿命数据集合；
分析所述动态齿轮箱寿命数据集合的变化趋势，识别齿轮箱磨损和寿命的变化模式；
将所述变化模式输入于所述加速预测模型，以对所述加速预测模型的进行预测性能的优化。
7.根据权利要求1所述的基于大数据的齿轮箱寿命评估方法，其特征在于，所述综合所述测试平台获得的实际寿命数据和所述动态寿命数据集合，获得齿轮箱的预期寿命信息；具体包括：
在所述测试平台上测试齿轮箱至所述齿轮箱的运行参数超过预设损坏阈值时，计算当前时刻和初始时刻的差值，记录为实际寿命数据；
对比所述实际寿命数据和所述动态寿命预测数据，分析二者之间的相似性和差异性；
使用统计方法对所述相似性和差异性进行综合分析，将实际寿命数据和动态预测数据融合，基于融合后的数据，估算齿轮箱在实际使用条件下的预期寿命信息；
基于所述预期寿命信息和综合分析过程编制成详细报告，并制定对应的维护策略。
8.一种齿轮箱寿命的智能评估系统，其特征在于，用于实现如权利要求1至7任一项所述的基于大数据的齿轮箱寿命评估方法，所述智能评估系统具体包括：
测试平台，用于安装齿轮箱和提供测试工位；
传感模块，用于实时监测齿轮箱的运行参数；
驱动电机，用于驱动所述齿轮箱运行，并根据加速磨损规则调节输出功率；
负载模拟装置，用于仿真齿轮箱在实际使用中不同的工况；
智能控制系统用于根据所述加速磨损规则调节所述驱动电机的输出功率和所述负载模拟装置的负载质量；所述智能控制系统包括交互界面和智能控制软件；
加速预测模型，用于通过所述加速预测模型以对所述齿轮箱的寿命进行预测，获得动态寿命数据集合；
数据分析模块，用于综合所述测试平台获得的实际寿命数据和所述动态寿命数据集合，获得齿轮箱的预期寿命信息。
9.一种存储介质，其特征在于，所述存储介质上存储有指令，所述指令用于实现如权利要求1至7中任一项所述的基于大数据的齿轮箱寿命评估方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410265710.0A CN117875191B (zh) | 2024-03-08 | 2024-03-08 | 一种基于大数据的齿轮箱寿命评估方法及系统、存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410265710.0A CN117875191B (zh) | 2024-03-08 | 2024-03-08 | 一种基于大数据的齿轮箱寿命评估方法及系统、存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117875191A true CN117875191A (zh) | 2024-04-12 |
| CN117875191B CN117875191B (zh) | 2024-05-28 |
Family
ID=90577650
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410265710.0A Active CN117875191B (zh) | 2024-03-08 | 2024-03-08 | 一种基于大数据的齿轮箱寿命评估方法及系统、存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117875191B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118130081A (zh) * | 2024-05-06 | 2024-06-04 | 摩多利智能传动(江苏)有限公司 | 行星齿轮减速装置测试方法及系统 |
| CN118190397A (zh) * | 2024-05-20 | 2024-06-14 | 无锡市明通动力工业有限公司 | 一种面向工业冷却风机的齿轮磨损快速测量方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2533321C1 (ru) * | 2013-06-28 | 2014-11-20 | Антон Андреевич Бекаревич | Способ адаптивного прогнозирования остаточного ресурса эксплуатации сложных объектов и устройство для его осуществления |
| CN109343505A (zh) * | 2018-09-19 | 2019-02-15 | 太原科技大学 | 基于长短期记忆网络的齿轮剩余寿命预测方法 |
| CN114705417A (zh) * | 2022-03-29 | 2022-07-05 | 江苏科技大学 | 一种用于海上风电齿轮箱剩余寿命预测的试验装置及方法 |
| CN114942139A (zh) * | 2022-03-23 | 2022-08-26 | 太原科技大学 | 齿轮箱中考虑轴承退化影响的齿轮剩余寿命预测方法 |
| CN115248994A (zh) * | 2021-12-15 | 2022-10-28 | 浙江理工大学 | 一种机电静压伺服机构故障预测及管理方法及系统 |
| US20230086049A1 (en) * | 2021-09-21 | 2023-03-23 | Abb Schweiz Ag | Systems and methods of predicting the remaining useful life of industrial mechanical power transmission equipment using a machine learning model |
| CN116484751A (zh) * | 2023-06-21 | 2023-07-25 | 北京尚文汇通能源科技有限公司 | 一种风电机组部件的疲劳寿命评估方法及装置 |
| CN117213841A (zh) * | 2023-09-18 | 2023-12-12 | 重庆凯测试验设备股份有限公司 | 一种交变载荷状态下的风电齿轮箱加载测试方法 |
| CN117634220A (zh) * | 2023-12-26 | 2024-03-01 | 西北工业大学 | 一种航空燃油齿轮泵等效加速寿命试验方法 |
-
2024
- 2024-03-08 CN CN202410265710.0A patent/CN117875191B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2533321C1 (ru) * | 2013-06-28 | 2014-11-20 | Антон Андреевич Бекаревич | Способ адаптивного прогнозирования остаточного ресурса эксплуатации сложных объектов и устройство для его осуществления |
| CN109343505A (zh) * | 2018-09-19 | 2019-02-15 | 太原科技大学 | 基于长短期记忆网络的齿轮剩余寿命预测方法 |
| US20230086049A1 (en) * | 2021-09-21 | 2023-03-23 | Abb Schweiz Ag | Systems and methods of predicting the remaining useful life of industrial mechanical power transmission equipment using a machine learning model |
| CN115248994A (zh) * | 2021-12-15 | 2022-10-28 | 浙江理工大学 | 一种机电静压伺服机构故障预测及管理方法及系统 |
| CN114942139A (zh) * | 2022-03-23 | 2022-08-26 | 太原科技大学 | 齿轮箱中考虑轴承退化影响的齿轮剩余寿命预测方法 |
| CN114705417A (zh) * | 2022-03-29 | 2022-07-05 | 江苏科技大学 | 一种用于海上风电齿轮箱剩余寿命预测的试验装置及方法 |
| CN116484751A (zh) * | 2023-06-21 | 2023-07-25 | 北京尚文汇通能源科技有限公司 | 一种风电机组部件的疲劳寿命评估方法及装置 |
| CN117213841A (zh) * | 2023-09-18 | 2023-12-12 | 重庆凯测试验设备股份有限公司 | 一种交变载荷状态下的风电齿轮箱加载测试方法 |
| CN117634220A (zh) * | 2023-12-26 | 2024-03-01 | 西北工业大学 | 一种航空燃油齿轮泵等效加速寿命试验方法 |
Non-Patent Citations (1)
| Title |
|---|
| 徐廷学;张众;: "一种基于轴承剩余寿命预测的状态维修优化决策方法", 火炮发射与控制学报, no. 02, 15 June 2017 (2017-06-15) * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118130081A (zh) * | 2024-05-06 | 2024-06-04 | 摩多利智能传动(江苏)有限公司 | 行星齿轮减速装置测试方法及系统 |
| CN118190397A (zh) * | 2024-05-20 | 2024-06-14 | 无锡市明通动力工业有限公司 | 一种面向工业冷却风机的齿轮磨损快速测量方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117875191B (zh) | 2024-05-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117875191B (zh) | 一种基于大数据的齿轮箱寿命评估方法及系统、存储介质 | |
| JP5297272B2 (ja) | 装置異常監視方法及びシステム | |
| RU2681989C2 (ru) | Прогнозирование работы задвижки на основании лабораторных испытаний | |
| CN116647819B (zh) | 基于传感器网络的仪器能耗监测方法及系统 | |
| CN118172040A (zh) | 一种数字孪生变电站智能运维系统及方法 | |
| US8639454B2 (en) | Method of efficacy anticipation and failure examination for an apparatus | |
| CN117128162B (zh) | 智慧能源空压站节能控制系统及控制方法 | |
| CN117196212A (zh) | 一种电缆生产加工车间的智能排产管理系统 | |
| CN118245917B (zh) | 一种伺服逆变器的故障检测方法及系统 | |
| CN117391391A (zh) | 一种基于碳排放双控的低碳用能优化系统及方法 | |
| CN115936676A (zh) | 一种基于数字孪生的设备健康管理方法及系统 | |
| CN118915566A (zh) | 一种基于物联网的暖通设备异常在线监控系统 | |
| CN118133017B (zh) | 一种工业生产过程能耗智能预测系统及其预测算法 | |
| CN117272844B (zh) | 配电盘工作寿命的预测方法及系统 | |
| CN118300066A (zh) | 一种基于数字孪生技术的能源管理方法及系统 | |
| CN119024705B (zh) | 基于模型预测和多时间尺度鲁棒的负荷控制方法 | |
| CN118898205B (zh) | 一种基于数字孪生的设备故障检测方法及系统 | |
| CN118378544B (zh) | 一种基于深度学习的智能电网线损预测方法 | |
| CN118431521B (zh) | 基于大数据分析的液流储能设备智能管控方法和系统 | |
| CN117589444B (zh) | 一种基于联邦学习的风力发电机齿轮箱故障诊断方法 | |
| CN118157325B (zh) | 一种用于新能源电力的实时监测方法及系统 | |
| CN119395988A (zh) | 一种基于ai的动态能效管控系统 | |
| CN119149960A (zh) | 一种基于规则推理的智能变电站操作票系统开票方法 | |
| CN119168106A (zh) | 基于全息感知的水电机组疲劳累积预测方法及系统 | |
| CN118898205A (zh) | 一种基于数字孪生的设备故障检测方法及系统 |
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 |