JP2024504289A - 機械装置又は機械部品における異常を同定するための方法及び装置 - Google Patents
機械装置又は機械部品における異常を同定するための方法及び装置 Download PDFInfo
- Publication number
- JP2024504289A JP2024504289A JP2023541057A JP2023541057A JP2024504289A JP 2024504289 A JP2024504289 A JP 2024504289A JP 2023541057 A JP2023541057 A JP 2023541057A JP 2023541057 A JP2023541057 A JP 2023541057A JP 2024504289 A JP2024504289 A JP 2024504289A
- Authority
- JP
- Japan
- Prior art keywords
- measurement data
- mechanical
- types
- undersampled
- frequency
- 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 36
- 230000005856 abnormality Effects 0.000 title description 4
- 238000005259 measurement Methods 0.000 claims abstract description 71
- 238000005070 sampling Methods 0.000 claims abstract description 52
- 238000001514 detection method Methods 0.000 claims abstract description 25
- 238000012549 training Methods 0.000 claims abstract description 15
- 238000003860 storage Methods 0.000 claims abstract description 11
- 238000010801 machine learning Methods 0.000 claims abstract description 9
- 238000004590 computer program Methods 0.000 claims abstract description 5
- 238000013135 deep learning Methods 0.000 claims description 8
- 230000004044 response Effects 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 7
- 230000001934 delay Effects 0.000 claims description 6
- 238000007635 classification algorithm Methods 0.000 claims description 5
- 238000013480 data collection Methods 0.000 claims 3
- 238000012423 maintenance Methods 0.000 abstract description 7
- 238000003745 diagnosis Methods 0.000 abstract description 6
- 230000002159 abnormal effect Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 5
- 239000006185 dispersion Substances 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 3
- 238000001994 activation Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000005096 rolling process Methods 0.000 description 3
- 230000002457 bidirectional effect Effects 0.000 description 2
- 230000001364 causal effect Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000006866 deterioration Effects 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005461 lubrication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
-
- 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
- G01M13/04—Bearings
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
- G05B23/0254—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, Neural Networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
-
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
- G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Human Resources & Organizations (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Primary Health Care (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Automation & Control Theory (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
Description
i)機械装置若しくは機械部品内又は上に収集した少なくとも2種類のアンダーサンプリングした測定データを獲得するステップであって、少なくとも2種類のアンダーサンプリングした測定データの全ては、以下の態様、即ち、トリガイベントの発生時間t0に対する遅延Δt、及び、サンプリング周波数fsの一方又は両方において相互に異なる、ステップと、
ii)獲得した少なくとも2種類のアンダーサンプリングした測定データに基づいて、機械装置又は機械部品における異常を同定するために、異常同定モデルを使用するステップであって、異常同定モデルは、機械学習に基づき、機械装置又は機械部品における異常を同定するために使用される、ステップと、
を少なくとも含む。
a)少なくとも2種類のアンダーサンプリングした測定データが別個に特徴抽出を受けることと、
b)機械装置又は機械部品に対する異常同定結果を入手するために、分類アルゴリズムに基づいてトレーニングした異常同定モデルに抽出した特徴を入力することと、
を含む。
機械装置又は機械部品に対する異常同定結果を入手するために、ディープラーニングに基づいてトレーニングした異常同定モデルに少なくとも2種類のアンダーサンプリングした測定データを入力することを含む。
i’)機械装置若しくは機械部品内又は上に収集した少なくとも2種類のアンダーサンプリングした測定データを獲得するステップであって、少なくとも2種類のアンダーサンプリングした測定データの全ては、以下の態様、即ち、トリガイベントの発生時間t0に対する遅延Δt、及び、サンプリング周波数fsの一方又は両方において相互に異なる、ステップと、
ii’)獲得した少なくとも2種類のアンダーサンプリングした測定データに基づいて、異常同定モデルをトレーニングするステップと、
を少なくとも含む。
本発明は、低いサンプリング周波数を有する1つ又は複数のセンサのみを使用し、低いサンプリング周波数を有するセンサは、既存の故障診断又は予測保守方法によって依拠される高いサンプリング周波数を有するセンサより非常に優れたコスト有意性を有する。
装置、例えばセンサは、低い性能及び少量のデータのみを有し、従って、複雑なコンピューティングモジュール、及び/又は、高エネルギー消費の電源を具備する必要がなく、これにより、これらの装置の複雑さ、体積及びエネルギー消費が低減する。
i.周波数領域振幅と、
ii.有意な振幅を有する周波数と、
iii.有意な振幅の大きさの次数と、
iv.時間領域の振幅の分散指数、その一次及び二次微分であって、以下の分散指数及び/又は一次若しくは二次微分、即ち、
1.最大値、平均値及び最小値と、
2.固定時間内の特定閾値より大きいピークの発生であって、特定閾値は分析モデル及び有限要素分析によって決定される、ピークの発生と、
3.分散及び標準偏差と、
4.ピーク対ピーク比及びピーク対平均比と、
5.統計的分布の尖度及び歪度と、を含む、時間領域の振幅の分散指数、その一次及び二次微分と、
v.ケプストラムにおける有意な時間周期であって、これはギアボックスの故障及び一部の軸受の故障に特に適する、ケプストラムにおける有意な時間周期と、
を含む。
Δt1 第1の遅延
Δt2 第2の遅延
t0 発生時間
fs アンダーサンプリング周波数
fs1 第1のアンダーサンプリング周波数
fs2 第2のアンダーサンプリング周波数
fsh サンプリング周波数
1 装置
2 時間領域グラフ
2a 時間領域グラフ
2b 時間領域グラフ
3 周波数領域グラフ
3a 周波数領域グラフ
3b 周波数領域グラフ
4 時間領域グラフ
4a 時間領域グラフ
4b 時間領域グラフ
5 周波数領域グラフ
5a 周波数領域グラフ
5b 周波数領域グラフ
10 プロセッサ
20 コンピュータ可読記憶媒体
100 方法
200 方法
S120 ステップ
S130 ステップ
S140 ステップ
S141 ステップ
S142 ステップ
S210 ステップ
S220 ステップ
S230 ステップ
S240 ステップ
S250 ステップ
Claims (11)
- 機械装置又は機械部品における異常を同定するための方法(200)であって、以下のステップ、即ち、
i)機械装置若しくは機械部品内又は上に収集した少なくとも2種類のアンダーサンプリングした測定データを獲得するステップであって、前記少なくとも2種類のアンダーサンプリングした測定データの全ては、以下の態様、即ち、トリガイベントの発生時間(t0)に対する遅延(Δt)、及び、サンプリング周波数(fs)の一方又は両方において相互に異なる、ステップと、
ii)獲得した前記少なくとも2種類のアンダーサンプリングした測定データに基づいて、前記機械装置又は機械部品における異常を同定するために、異常同定モデルを使用するステップであって、前記異常同定モデルは、機械学習に基づき、前記機械装置又は機械部品における異常を同定するために使用される、ステップと、
を少なくとも含む方法(200)。 - ステップii)は、
a)前記少なくとも2種類のアンダーサンプリングした測定データが別個に特徴抽出を受けることと、
b)前記機械装置又は機械部品に対する異常同定結果を入手するために、分類アルゴリズムに基づいてトレーニングした異常同定モデルに抽出した特徴を入力することと、
を含む、
ことを特徴とする、請求項1に記載の方法(200)。 - ステップii)は、
前記機械装置又は機械部品に対する異常同定結果を入手するために、ディープラーニングに基づいてトレーニングした異常同定モデルに前記少なくとも2種類のアンダーサンプリングした測定データを入力することを含む、
ことを特徴とする、請求項1に記載の方法(200)。 - 前記少なくとも2種類のアンダーサンプリングした測定データは、単一センサの支援により、即ち、前記単一センサに、トリガイベントに応答して可変遅延(Δt)でデータ収集を開始させることによって、及び/又は、前記単一センサに、可変アンダーサンプリング周波数(fs)でデータを収集させることによって、収集される、
ことを特徴とする、請求項1乃至3のいずれか一項に記載の方法(200)。 - 前記少なくとも2種類のアンダーサンプリングした測定データは、少なくとも2つのセンサの支援により、即ち、前記少なくとも2つのセンサに、トリガイベントに応答して異なる遅延(Δt)でデータ収集を開始させることによって、及び/又は、前記少なくとも2つのセンサに、異なるアンダーサンプリング周波数(fs)でデータを収集させることによって、収集される、
ことを特徴とする、請求項1乃至3のいずれか一項に記載の方法(200)。 - ステップii)の前に以下のこと、即ち、
獲得した前記少なくとも2種類のアンダーサンプリングした測定データを複数のサンプルに別個に分割することが行われ、時間内にそれぞれに隣接するサンプルの間に重複する時間があり、ステップii)においては、各サンプルは、別個に特徴抽出を受け、又は、各サンプルは、異常同定結果を入手するために、ディープラーニングに基づいて異常同定モデルに入力される、
ことを特徴とする、請求項1乃至5のいずれか一項に記載の方法(200)。 - 機械学習に基づいて異常同定モデルをトレーニングするための方法(100)であって、前記異常同定モデルは、機械装置又は機械部品における異常を同定するために使用される、方法において、以下のステップ、即ち、
i’)機械装置若しくは機械部品内又は上に収集した少なくとも2種類のアンダーサンプリングした測定データを獲得するステップであって、前記少なくとも2種類のアンダーサンプリングした測定データの全ては、以下の態様、即ち、トリガイベントの発生時間(t0)に対する遅延(Δt)、及び、サンプリング周波数(fs)の一方又は両方において相互に異なる、ステップと、
ii’)獲得した前記少なくとも2種類のアンダーサンプリングした測定データに基づいて、異常同定モデルをトレーニングするステップと、
を少なくとも含む方法(100)。 - プロセッサ(10)と、前記プロセッサ(10)に通信可能に接続されたコンピュータ可読記憶媒体(20)とを備えるコンピュータ装置であって、前記コンピュータ可読記憶媒体(20)は、当該コンピュータ可読記憶媒体(20)内に記憶されたコンピュータ命令を有し、前記コンピュータ命令が前記プロセッサ(10)によって実行されるときに、請求項1乃至7のいずれか一項に記載の方法(100、200)のステップが実現される、コンピュータ装置。
- コンピュータ命令を含むコンピュータプログラム製品であって、前記コンピュータ命令がプロセッサ(10)によって実行されるときに、請求項1乃至7のいずれか一項に記載の方法(100、200)のステップが実現される、コンピュータプログラム製品。
- アンダーサンプリング周波数で測定データを収集するように構成された検出装置であって、前記測定データは、機械装置又は機械部品の動作状態を示し、前記検出装置は、特に、請求項8に記載のコンピュータ装置に通信可能に接続されている、検出装置において、
前記検出装置は、単一センサを備え、前記センサは、トリガイベントに応答して可変遅延(Δt)でデータ収集を開始するように構成され、及び/又は、可変アンダーサンプリング周波数(fs)を有するように構成され、又は、
前記検出装置は、少なくとも2つのセンサを備え、前記少なくとも2つのセンサの第1のセンサは、トリガイベントに応答して第1の遅延(Δt1)でデータ収集を開始するように構成され、第2のセンサは、トリガイベントに応答して前記第1の遅延(Δt1)と異なる第2の遅延(Δt2)でデータ収集を開始するように構成され、及び/又は、前記第1のセンサは、第1のアンダーサンプリング周波数(fs1)を有するように構成され、前記第2のセンサは、前記第1のアンダーサンプリング周波数(fs1)と異なる第2のアンダーサンプリング周波数(fs2)を有するように構成される、
ことを特徴とする検出装置。 - 請求項10に記載の検出装置を備える機械装置又は機械部品。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/CN2021/070457 WO2022147684A1 (zh) | 2021-01-06 | 2021-01-06 | 用于识别机械装置或机械部件中的异常的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2024504289A true JP2024504289A (ja) | 2024-01-31 |
JP7558418B2 JP7558418B2 (ja) | 2024-09-30 |
Family
ID=82357031
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2023541057A Active JP7558418B2 (ja) | 2021-01-06 | 2021-01-06 | 機械装置又は機械部品における異常を同定するための方法及び装置 |
Country Status (6)
Country | Link |
---|---|
US (1) | US20240053225A1 (ja) |
JP (1) | JP7558418B2 (ja) |
KR (1) | KR20230127337A (ja) |
CN (1) | CN116685967A (ja) |
DE (1) | DE112021005667T5 (ja) |
WO (1) | WO2022147684A1 (ja) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115524002B (zh) * | 2022-09-19 | 2023-08-22 | 国家电投集团河南电力有限公司 | 一种电厂旋转设备的运行状态预警方法、系统及存储介质 |
WO2024114905A1 (de) * | 2022-11-30 | 2024-06-06 | Siemens Aktiengesellschaft | Bestimmung einer schwingungsfrequenz eines schwingungssystems |
CN116091445B (zh) * | 2023-01-05 | 2024-01-02 | 中国长江电力股份有限公司 | 基于深度学习的升船机齿轮及齿轮表面损伤识别方法 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102254177B (zh) | 2011-04-22 | 2013-06-05 | 哈尔滨工程大学 | 一种不均衡数据svm轴承故障检测方法 |
US10783900B2 (en) * | 2014-10-03 | 2020-09-22 | Google Llc | Convolutional, long short-term memory, fully connected deep neural networks |
CN106603293A (zh) * | 2016-12-20 | 2017-04-26 | 南京邮电大学 | 虚拟网络环境下一种基于深度学习的网络故障诊断方法 |
CN107643182B (zh) | 2017-09-08 | 2018-09-25 | 安徽大学 | 基于欠采样信号的轴承故障诊断方法及无线网络节点装置 |
CN109558979A (zh) * | 2018-11-29 | 2019-04-02 | 广东电网有限责任公司 | 电力设备缺陷预测方法及装置 |
CN109922038A (zh) * | 2018-12-29 | 2019-06-21 | 中国电力科学研究院有限公司 | 一种用于电力终端的异常数据的检测方法及装置 |
CN110334580A (zh) * | 2019-05-04 | 2019-10-15 | 天津开发区精诺瀚海数据科技有限公司 | 基于集成增量的动态权重组合的设备故障分类方法 |
CN111458146B (zh) | 2020-04-02 | 2022-02-11 | 兰州理工大学 | 一种滚动轴承多测量点振动信号压缩采样与同步重构方法 |
CN111695639A (zh) * | 2020-06-17 | 2020-09-22 | 浙江经贸职业技术学院 | 一种基于机器学习的电力用户用电异常检测方法 |
CN111898321B (zh) | 2020-08-07 | 2021-06-25 | 湖南工业大学 | 基于深度学习的叶片欠采样叶端定时信号压缩重构方法 |
CN112069998A (zh) | 2020-09-07 | 2020-12-11 | 中国人民解放军陆军工程大学 | 基于卷积神经网络的gbdt故障诊断集成方法 |
CN112101489A (zh) * | 2020-11-18 | 2020-12-18 | 天津开发区精诺瀚海数据科技有限公司 | 一种联邦学习与深度学习融合驱动的设备故障诊断方法 |
-
2021
- 2021-01-06 US US18/260,385 patent/US20240053225A1/en active Pending
- 2021-01-06 CN CN202180089505.8A patent/CN116685967A/zh active Pending
- 2021-01-06 DE DE112021005667.0T patent/DE112021005667T5/de active Pending
- 2021-01-06 WO PCT/CN2021/070457 patent/WO2022147684A1/zh active Application Filing
- 2021-01-06 KR KR1020237026408A patent/KR20230127337A/ko unknown
- 2021-01-06 JP JP2023541057A patent/JP7558418B2/ja active Active
Also Published As
Publication number | Publication date |
---|---|
WO2022147684A1 (zh) | 2022-07-14 |
US20240053225A1 (en) | 2024-02-15 |
DE112021005667T5 (de) | 2023-09-14 |
JP7558418B2 (ja) | 2024-09-30 |
KR20230127337A (ko) | 2023-08-31 |
CN116685967A (zh) | 2023-09-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7558418B2 (ja) | 機械装置又は機械部品における異常を同定するための方法及び装置 | |
CA2875071C (en) | Method and system for testing operational integrity of a drilling rig | |
US9721399B2 (en) | Vehicle diagnosing apparatus, vehicle diagnosing system, and diagnosing method | |
US20110106510A1 (en) | Methods, apparatus and computer readable storage mediums for model-based diagnosis | |
US20150233792A1 (en) | Methods and Apparatuses for Defect Diagnosis in a Mechanical System | |
CN111922095A (zh) | 一种冷轧机轧辊扭振故障异常的振动诊断方法 | |
KR102040179B1 (ko) | 제조 설비의 이상 감지 및 진단 방법 | |
EP2345894B1 (en) | Trending of vibration data taking into account torque effect | |
JP6714498B2 (ja) | 設備診断装置及び設備診断方法 | |
Alkhadafe et al. | Condition monitoring of helical gears using automated selection of features and sensors | |
JP2019067197A (ja) | 故障予兆検知手法 | |
Medjaher et al. | Feature extraction and evaluation for health assessment and failure prognostics | |
CN114689298A (zh) | 采煤机行走部的故障检测方法及装置 | |
JP3871054B2 (ja) | 機械設備の状態監視方法及び装置 | |
CN108398265A (zh) | 一种滚动轴承在线故障检测方法 | |
KR102545672B1 (ko) | 기계고장 진단 방법 및 장치 | |
CN113516023B (zh) | 设备振动异常诊断方法和系统 | |
JP7383367B1 (ja) | 回転機器の振動データ分析方法及び分析システム | |
CN116226719A (zh) | 基于多维稳态振动特征的轴承故障诊断方法及相关组件 | |
Pham et al. | Using Artificial Intelligence (AI) for Monitoring and Diagnosing Electric Motor Faults Based on Vibration Signals | |
CN115406662A (zh) | 航空发动机的故障诊断方法、装置、电子设备、存储介质 | |
Saputra et al. | On Automatic Fault Diagnosis in Wind Turbine Condition Monitoring | |
US20240255380A1 (en) | Methods for determining the cyclostationnarity of a vibration signal relating to a mechanical system, for arranging vibration sensors for monitoring such a system, and for monitoring it | |
Kumar et al. | A Review paper on Vibration-Based Fault Diagnosis of Rolling Element Bearings | |
Laleh et al. | Monitoring the Status of the Pride Gear Box Using the Beta-Kurtosis of Its Vibrating Signals |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230817 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20230728 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20240219 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20240515 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20240819 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20240917 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7558418 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |