CN117932289A - 一种人在回路下的虚拟动态阈值调整方法 - Google Patents
一种人在回路下的虚拟动态阈值调整方法 Download PDFInfo
- Publication number
- CN117932289A CN117932289A CN202311261403.7A CN202311261403A CN117932289A CN 117932289 A CN117932289 A CN 117932289A CN 202311261403 A CN202311261403 A CN 202311261403A CN 117932289 A CN117932289 A CN 117932289A
- Authority
- CN
- China
- Prior art keywords
- time
- virtual
- data
- degradation
- failure
- 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 59
- 230000036541 health Effects 0.000 claims abstract description 43
- 238000006731 degradation reaction Methods 0.000 claims abstract description 38
- 230000015556 catabolic process Effects 0.000 claims abstract description 29
- 238000004458 analytical method Methods 0.000 claims abstract description 27
- 238000012549 training Methods 0.000 claims abstract description 5
- 230000008569 process Effects 0.000 claims description 18
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 17
- 230000035945 sensitivity Effects 0.000 abstract description 3
- 230000003068 static effect Effects 0.000 description 8
- 238000009776 industrial production Methods 0.000 description 6
- 230000007613 environmental effect Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种人在回路下的虚拟动态阈值调整方法,将失效数据划分为固定时间窗口T的数据块集合;对每个数据块进行时间‑频率域特征分析,提取特征向量集合;计算得到数据块的健康指标;对特征集合进行编码器训练,得到编码后的特征集合;计算预期虚拟失效阈值;在实时收集到的振动数据上进行时间‑频率域特征分析,得到当前时刻估计的虚拟健康指标;估计未来时刻的虚拟健康指标;构建退化趋势分析函数,针对当前时刻及临近时刻健康指标的变化差异,获取退化趋势分析结果;衡量剩余寿命预测结果的可靠性程度;根据实际工程经验和人因设备状态反馈,调整动态失效阈值模型以适应当前受监测设备的情况。提高了生产安全性,剩余寿命预测灵敏性。
Description
技术领域
本发明属于设备维护方法领域,具体涉及一种人在回路下的虚拟动态阈值调整方法。
背景技术
在工业生产与研究中,传统的失效阈值方法作为故障检测及剩余寿命预测的关键工具已被广泛采用。该方法依赖于一个被预先设定的静态阈值,该值通常源于历史经验、深入的试验研究或者专家的专业洞察。在整个工业流程中,此阈值被视为一个固定的参考点。但是,从现代工业的复杂性和多变性出发,此种方法存在显著的局限性。
1.环境适应性缺失:现代工业生产环境极为动态,设备工作条件、物质负载及其环境参数经常发生变化。如此不断的波动使得单一静态阈值难以捕获各种潜在变数,进而可能导致对设备的真实状态和其预期寿命的判断存在偏差。
2.主观性与不确定性:静态阈值的确定,尽管深受历史数据和专家评估的支持,但仍然存在一定的主观性。这种设定方法中的不确定性和潜在的主观偏见可能会对故障检测和预测的准确性带来严重威胁。
3.忽视设备的固有差异性:每台设备,基于其结构、所用材料、制造工艺及其他因素,都可能存在固有的差异。这些差异导致每台设备的失效机制、运行特性和可能的故障表现都有所不同。然而,传统的失效阈值方法采取的是“一刀切”的策略,这显然无法全面评估各设备的真实风险。
4.随机退化形式的应对不足:随着技术进步和生产工艺的演变,新的、之前未被识别的退化形式可能随时出现。仅仅依赖那些基于旧的退化形式和历史数据设定的静态阈值是远远不够的。未能及时识别新的退化形式可能导致严重的生产损失,甚至在某些关键领域中引发重大安全风险。
为应对上述问题并更好地适应现代工业的复杂性,行业研究者和实践者亟需开发更为先进、灵活、具有自适应性的动态阈值调整方法,以确保生产的稳定性和安全性。
发明内容
本发明所要解决的技术问题是:提供一种人在回路下的虚拟动态阈值调整方法,解决了现有技术中工业生产传统静态动态阈值调整方法不够灵活的问题。
本发明为解决上述技术问题采用以下技术方案:
一种人在回路下的虚拟动态阈值调整方法,包括如下步骤:
步骤1、获取失效数据,将失效数据划分为固定时间窗口T的数据块集合;
步骤2、对每个数据块进行时间-频率域特征分析,提取特征向量集合;
步骤3、构建一维虚拟健康指标,并根据特征向量集合计算得到若干个数据块的健康指标;
步骤4、使用多层感知机网络模型对特征集合进行编码器训练,得到编码后的特征集合;
步骤5、利用预训练好的编码器计算预期虚拟失效阈值;
步骤6、在实时收集到的振动数据上进行时间-频率域特征分析,输入至编码器,得到当前时刻估计的虚拟健康指标;
步骤7、利用历史退化数据构建旋转机械的退化过程模型,进行多步预测过程,估计未来时刻的虚拟健康指标;
步骤8、构建退化趋势分析函数,针对当前时刻及临近时刻健康指标的变化差异,获取退化趋势分析结果;
步骤9、构建置信度矩阵和可靠性度量,衡量剩余寿命预测结果的可靠性程度;
步骤10、根据实际工程经验和人因设备状态反馈,调整动态失效阈值模型以适应当前受监测设备的情况。
所述步骤6的具体过程如下:
对于实时收集到的数据,按照相同的特征提取方式,将数据块对应得到的振动数据进行相同的时间-频率域特征分析,随后输入至编码器得到当前时刻估计得到的虚拟健康指标,设为VHIt。对于长度为tw的固定时间窗口,可得到虚拟健康指标序列:
不失一般性,旋转机械退化过程可根据历史退化数据进行建模,假设退化过程由非线性函数H(·)表示,未来时刻的虚拟健康指标可根据多步预测过程进行估计,设t+n时刻下的预测虚拟健康指标为其可被表示为:
若在有限步,即n<nmax内的结果超过当前失效阈值FTt,则认为n为旋转机械的实时剩余寿命,记为/>否则,则认为当前旋转机械尚未发生退化,记为/>
所述步骤8中退化趋势分析函数如下:
其中α,β,γ分别为工程师根据实际工作环境定义的超参数,η表示控制数值规模的比例系数,relu(·)为非线性映射函数,其定义如下所示:
relu(x)=max(0,x)
ΔVHIt为当前时刻t及临近时刻健康指标变化差异。
所述步骤9的具体过程如下:
构建置信度矩阵如下:
其中i,j∈{1,2,...,tw},置信度矩阵Ct为非负矩阵;针对时间窗内单个剩余寿命预测结果的可靠性程度为:
其中i∈{1,2,...,tw}.由此可得出全体时间窗内的整体剩余寿命估计结果为:
其中⊙表示逐元素乘法运算,令若θt在数值上大于固定阈值θ,则认为当前时刻下的剩余寿命预测结果不具备可靠性,否则认为当前时刻下的剩余寿命估计结果具有一定的可靠性,且发生了估计结果相较于过去邻近时刻出现了较大程度的变化。
步骤10的具体过程如下:
在实际操作过程中,若在t时刻初步判断出现退化且判定为不具备可靠性,则此时不作预警处理;而若在t时刻初步判断出现退化且判定为具备可靠性,现场工程师根据经验判断是否出现虚报;若现场工作环境被判定为失效状态虚报,则动态阈值根据如下公式进行调整:
其中g∈(0,∞)为比例系数,其控制人因反馈的影响程度;实时动态阈值的调整结果根据如下公式获取:
其中,FTmin为虚拟失效阈值下限;FTmax为预期虚拟失效阈值。
所述失效数据为轴承运动失效振动数据。
与现有技术相比,本发明具有以下有益效果:
1、本发明所提出方法通过动态调整虚拟健康指标下的失效阈值,能够有效地适应工业生产环境的多变性。
2、该方法有助于在不同工作条件、物质负载或环境参数下能够准确地判断评估旋转机械的剩余寿命,确保生产过程的稳定性。
3、所提出方法充分考虑了设备差异性,能够评估每台设备的固有差异,并基于这些差异动态调整阈值,从而更准确地捕捉设备的实际运行风险,及时适应随机退化形式。
4、结合人的经验和机器的数据处理能力,使得对剩余寿命预测的响应更加迅速和准确,从而提高了生产的安全性,进一步提升剩余寿命预测的灵敏性,降低实际工业过程中漏报所导致的生产损失,同时减少过度维护带来的资源浪费。
附图说明
图1为本发明人在回路下的虚拟动态阈值调整方法流程图。
图2为本发明方法对数据集的预测结果及实际振动信号示意图一。
图3为本发明方法对数据集的预测结果及实际振动信号示意图二。
具体实施方式
下面结合附图对本发明的结构及工作过程作进一步说明。
在工业生产与研究中,传统的失效阈值方法作为故障检测及剩余寿命预测的关键工具已被广泛采用。该方法依赖于一个被预先设定的静态阈值,该值通常源于历史经验、深入的试验研究或者专家的专业洞察。在整个工业流程中,此阈值被视为一个固定的参考点。但是,现代工业是复杂多变的,行业研究者和实践者亟需开发更为先进、灵活、具有自适应性的动态阈值调整方法,以确保生产的稳定性、安全性和可靠性。
一种人在回路下的虚拟动态阈值调整方法,包括如下步骤:
步骤1、获取失效数据,将失效数据划分为固定时间窗口T的数据块集合;
步骤2、对每个数据块进行时间-频率域特征分析,提取特征向量集合;
步骤3、构建一维虚拟健康指标,并根据特征向量集合计算得到若干个数据块的健康指标;
步骤4、使用多层感知机网络模型对特征集合进行编码器训练,得到编码后的特征集合;
步骤5、利用预训练好的编码器计算预期虚拟失效阈值;
步骤6、在实时收集到的振动数据上进行时间-频率域特征分析,输入至编码器,得到当前时刻估计的虚拟健康指标;
步骤7、利用历史退化数据构建旋转机械的退化过程模型,进行多步预测过程,估计未来时刻的虚拟健康指标;
步骤8、构建退化趋势分析函数,针对当前时刻及临近时刻健康指标的变化差异,获取退化趋势分析结果;
步骤9、构建置信度矩阵和可靠性度量,衡量剩余寿命预测结果的可靠性程度;
步骤10、根据实际工程经验和人因设备状态反馈,调整动态失效阈值模型以适应当前受监测设备的情况。
具体实施例,如图1至图3所示,
对于一个轴承运行失效振动数据D,首先使用固定的时间窗口T将这个数据集分块,得到数据块集合B={b1,b2,...,bm},其中对每个数据块进行时间-频率域特征分析,提取特征集合F={f1,f2,...,fm},其中fi是从数据块bi提取的特征向量。
根据专家经验设计对应的一维虚拟健康指标VHI。据此对于m个数据块,可获得相应地健康指标Y={Y1,Y2,...,Ym}。根据Y及失效振动信号数据D对应的特征F,设置损失函数为均方误差,可基于多层感知机等网络模型进行编码器训练。设特征F通过编码器E进行编码,得到编码后的特征集合{e1,e2,...,em},其中ei=E(fi)。根据故障失效形式数据监测数据,首先进行时频域特征分析,通过预训练好的编码器得到预期虚拟失效阈值FTmax.根据实际工作场景下的灵敏性需求,可得到全退化过程虚拟失效阈值下限FTmin。
对于实时(t时刻)收集到的数据,可按照相同的特征提取方式,将数据块对应得到的振动数据进行相同的时间-频率域特征分析,随后输入至编码器得到当前时刻估计得到的虚拟健康指标,设为VHIt。对于长度为tw的固定时间窗口,可得到虚拟健康指标序列:
不失一般性,旋转机械退化过程可根据历史退化数据进行建模。假设退化过程由非线性函数H(·)表示,未来时刻的虚拟健康指标可根据多步预测过程进行估计。设t+n时刻下的预测虚拟健康指标为其可被表示为:
若在有限步(即n<nmax)内的结果超过当前失效阈值FTt,则认为n为旋转机械的实时剩余寿命,记为/>否则,则认为当前旋转机械尚未发生退化,记为/>
据实际工程经验可得出,旋转机械的退化过程往往受到运行时间及退化模式的影响。由此可构建当前时刻t及临近时刻健康指标变化差异ΔVHIt=VHIt-VHIt-1。基于历史经验,可构建退化趋势分析函数,如下所示:
其中α,β,γ分别为工程师根据实际工作环境定义的超参数。η表示控制数值规模的比例系数,其定义应依据编码器设计时所构建离线虚拟健康指标的数值大小而定。relu(·)为非线性映射函数,其定义如下所示:
relu(x)=max(0,x)
考虑到退化过程是不可逆的,其作用为消除ΔVHIt在数值上为负时的消极影响。对于当前时刻t及临近时刻健康指标变化差异ΔVHIt,分别使用指数模型及逻辑斯特回归模型进行动态模型设计。由上式可知,调整量ΔFTt为恒为负的变量,其表示如果没有人为因素反馈,动态阈值在自然过程下是以一定趋势持续衰减的。
在运行时间t上,可记录过去tw个时刻内的旋转机械剩余寿命预测结果,令其为对于每一个时刻所收集到的/>可视为临近tw时间内不同监测测点的剩余寿命估计结果。若由/>可知当前可能处于退化阶段,为了更好地衡量当前得到的剩余寿命估计结果的可靠性,可构建置信度矩阵/>如下:
其中i,j∈{1,2,...,tw},置信度矩阵Ct为非负矩阵。由上述过程可知,剩余寿命预测结果应该被限制在一定的范围内。在此背景下,可得到针对时间窗内单个剩余寿命预测结果的可靠性程度为:
其中i∈{1,2,...,tw}.由此可得出全体时间窗内的整体剩余寿命估计结果为:
其中⊙表示逐元素乘法运算。由此可观察出与/>的相对差异,令/>若θt在数值上大于固定阈值θ,则认为当前时刻下的剩余寿命预测结果不具备可靠性,否则认为当前时刻下的剩余寿命估计结果具有一定的可靠性,且发生了估计结果相较于过去邻近时刻出现了较大程度的变化。
考虑到本发明中所涉及到的动态失效阈值的调整模型在自然过程下是以一定趋势持续衰减的,在实际工业环境中,针对虚报的人因设备状态反馈是必要的,其可进一步提升动态阈值调整模型对于当前受监测设备的适应性。因此,在实际操作过程中,若在t时刻初步判断出现退化且判定为不具备可靠性,则此时不作预警处理。而若在t时刻初步判断出现退化且判定为具备可靠性,现场工程师可根据经验判断是否出现虚报。若现场工作环境被判定为失效状态虚报,则动态阈值需要进一步调整,其定义为:
其中g∈(0,∞)为比例系数,其控制人因反馈的影响程度;实时动态阈值的调整结果根据如下公式获取:
其中,FTmin为虚拟失效阈值下限;FTmax为预期虚拟失效阈值。
举例说明,如图2、图3所示,该图描述了当静态阈值分别被设置为1.2和0.4的上下界时的系统剩余寿命估计情况,以及使用本专利所涉及到的动态阈值调整方法下的剩余寿命估计情况。具体而言,动态阈值的结果在系统运行过程中由于人在回路特性而不断调整,从而使得剩余实际剩余寿命预测结果维持在合理的置信范围。估计结果与图2与图3中所示的水平及竖直振动信号所示情况相近。
与传统的静态失效阈值设定方法相比,在复杂、多变的生产环境中存在明显的局限性。本发明所提出方法通过动态调整虚拟健康指标下的失效阈值,能够有效地适应工业生产环境的多变性。该方法有助于在不同工作条件、物质负载或环境参数下能够准确地判断评估旋转机械的剩余寿命,确保生产过程的稳定性。同时,所提出方法充分考虑了设备差异性,能够评估每台设备的固有差异,并基于这些差异动态调整阈值,从而更准确地捕捉设备的实际运行风险,及时适应随机退化形式。结合人的经验和机器的数据处理能力,使得对剩余寿命预测的响应更加迅速和准确,从而提高了生产的安全性,进一步提升剩余寿命预测的灵敏性,降低实际工业过程中漏报所导致的生产损失,同时减少过度维护带来的资源浪费。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本申请中,术语“上”、“下”、“左”、“右”、“前”、“后”、“顶”、“底”、“内”、“外”、“中”、“竖直”、“水平”、“横向”、“纵向”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。这些术语主要是为了更好地描述本申请及其实施例,并非用于限定所指示的装置、元件或组成部分必须具有特定方位,或以特定方位进行构造和操作。
并且,上述部分术语除了可以用于表示方位或位置关系以外,还可能用于表示其他含义,例如术语“上”在某些情况下也可能用于表示某种依附关系或连接关系。对于本领域普通技术人员而言,可以根据具体情况理解这些术语在本申请中的具体含义。
此外,术语“安装”、“设置”、“设有”、“连接”、“相连”、“套接”应做广义理解。例如,可以是固定连接,可拆卸连接,或整体式构造;可以是机械连接,或电连接;可以是直接相连,或者是通过中间媒介间接相连,又或者是两个装置、元件或组成部分之间内部的连通。对于本领域普通技术人员而言,可以根据具体情况理解上述术语在本申请中的具体含义。
Claims (5)
1.一种人在回路下的虚拟动态阈值调整方法,其特征在于:包括如下步骤:
步骤1、获取失效数据,将失效数据划分为固定时间窗口T的数据块集合;
步骤2、对每个数据块进行时间-频率域特征分析,提取特征向量集合;
步骤3、构建一维虚拟健康指标,并根据特征向量集合计算得到若干个数据块的健康指标;
步骤4、使用多层感知机网络模型对特征集合进行编码器训练,得到编码后的特征集合;
步骤5、利用预训练好的编码器计算预期虚拟失效阈值;
步骤6、在实时收集到的振动数据上进行时间-频率域特征分析,输入至编码器,得到当前时刻估计的虚拟健康指标;
步骤7、利用历史退化数据构建旋转机械的退化过程模型,进行多步预测过程,估计未来时刻的虚拟健康指标;
步骤8、构建退化趋势分析函数,针对当前时刻及临近时刻健康指标的变化差异,获取退化趋势分析结果;
步骤9、构建置信度矩阵和可靠性度量,衡量剩余寿命预测结果的可靠性程度;
步骤10、根据实际工程经验和人因设备状态反馈,调整动态失效阈值模型以适应当前受监测设备的情况。
2.根据权利要求1所述的人在回路下的虚拟动态阈值调整方法,其特征在于:所述步骤6的具体过程如下:
对于实时收集到的数据,按照相同的特征提取方式,将数据块对应得到的振动数据进行相同的时间-频率域特征分析,随后输入至编码器得到当前时刻估计得到的虚拟健康指标,设为VHIt。对于长度为tw的固定时间窗口,可得到虚拟健康指标序列:
不失一般性,旋转机械退化过程可根据历史退化数据进行建模,假设退化过程由非线性函数H(·)表示,未来时刻的虚拟健康指标可根据多步预测过程进行估计,设t+n时刻下的预测虚拟健康指标为其可被表示为:
若在有限步,即n<nmax内的结果超过当前失效阈值FTt,则认为n为旋转机械的实时剩余寿命,记为/>否则,则认为当前旋转机械尚未发生退化,记为/>
3.根据权利要求2所述的人在回路下的虚拟动态阈值调整方法,其特征在于:所述步骤8中退化趋势分析函数如下:
其中α,β,γ分别为工程师根据实际工作环境定义的超参数,η表示控制数值规模的比例系数,relu(·)为非线性映射函数,其定义如下所示:
relu(x)=max(0,x)
ΔVHIt为当前时刻t及临近时刻健康指标变化差异。
4.根据权利要求3所述的人在回路下的虚拟动态阈值调整方法,其特征在于:所述步骤9的具体过程如下:
构建置信度矩阵如下:
其中i,j∈{1,2,...,tw},置信度矩阵Ct为非负矩阵;针对时间窗内单个剩余寿命预测结果的可靠性程度为:
其中i∈{1,2,...,tw}.由此可得出全体时间窗内的整体剩余寿命估计结果为:
其中⊙表示逐元素乘法运算,令若θt在数值上大于固定阈值θ,则认为当前时刻下的剩余寿命预测结果不具备可靠性,否则认为当前时刻下的剩余寿命估计结果具有一定的可靠性,且发生了估计结果相较于过去邻近时刻出现了较大程度的变化。
5.根据权利要求4所述的人在回路下的虚拟动态阈值调整方法,其特征在于:步骤10的具体过程如下:
在实际操作过程中,若在t时刻初步判断出现退化且判定为不具备可靠性,则此时不作预警处理;而若在t时刻初步判断出现退化且判定为具备可靠性,现场工程师根据经验判断是否出现虚报;若现场工作环境被判定为失效状态虚报,则动态阈值根据如下公式进行调整:
其中g∈(0,∞)为比例系数,其控制人因反馈的影响程度;实时动态阈值的调整结果根据如下公式获取:
其中,FTmin为虚拟失效阈值下限;FTmax为预期虚拟失效阈值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311261403.7A CN117932289A (zh) | 2023-09-27 | 2023-09-27 | 一种人在回路下的虚拟动态阈值调整方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311261403.7A CN117932289A (zh) | 2023-09-27 | 2023-09-27 | 一种人在回路下的虚拟动态阈值调整方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117932289A true CN117932289A (zh) | 2024-04-26 |
Family
ID=90752427
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311261403.7A Pending CN117932289A (zh) | 2023-09-27 | 2023-09-27 | 一种人在回路下的虚拟动态阈值调整方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117932289A (zh) |
-
2023
- 2023-09-27 CN CN202311261403.7A patent/CN117932289A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112527788B (zh) | 变压器监测数据异常值检测与清洗的方法及装置 | |
CN110738360B (zh) | 一种设备剩余寿命预测方法及系统 | |
US5511004A (en) | Diagnostic method for an evolutionary process | |
CN111178553A (zh) | 一种基于arima和lstm算法的工业设备健康趋势分析方法及系统 | |
CN113305645B (zh) | 一种基于混合神经模型的数控机床刀具剩余寿命预测方法 | |
CN104615122B (zh) | 一种工控信号检测系统及检测方法 | |
CN111949700A (zh) | 用于石化装置的智能安全保障实时优化方法及系统 | |
BR112021013786A2 (pt) | Método e sistema para detectar anomalias ou indicações prematuras de falha de equipamento | |
WO2023065584A1 (zh) | 设备的剩余使用寿命的确定方法、装置和电子设备 | |
CN111867806A (zh) | 用于基于件的过程(批量制造)、特别是注射成型过程的自动的过程监控和过程诊断的方法和实施所述过程的机器或实施所述过程的机器总成 | |
CN110757510A (zh) | 一种机器人剩余寿命预测方法及系统 | |
Xu et al. | A lof-based method for abnormal segment detection in machinery condition monitoring | |
JP2019016039A (ja) | プロセスの異常状態診断方法および異常状態診断装置 | |
CN113574480A (zh) | 用于预测设备损坏的装置 | |
CN115496384A (zh) | 工业设备的监控管理方法、装置和计算机设备 | |
EP3674946B1 (en) | System and method for detecting anomalies in cyber-physical system with determined characteristics | |
Lee et al. | In-line predictive monitoring framework | |
CN113673600A (zh) | 一种工业信号异常预警方法、系统、存储介质及计算设备 | |
CN117455242A (zh) | 一种基于数字孪生的水利管理系统 | |
CN113158448A (zh) | 一种船舶系统设备阈值的自适应计算方法 | |
CN117932289A (zh) | 一种人在回路下的虚拟动态阈值调整方法 | |
CN112733446A (zh) | 一种数据驱动的自适应异常检测方法 | |
CN117454221A (zh) | 一种高铁牵引制动系统多传感器融合的异常识别方法 | |
Juuso et al. | Intelligent trend indices and recursive modelling in prognostics | |
CN114486262B (zh) | 一种基于cnn-at-lstm的轴承剩余使用寿命预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |