RU2779795C1 - Method and apparatus for predictive diagnostics of the technical condition of industrial facilities - Google Patents
Method and apparatus for predictive diagnostics of the technical condition of industrial facilities Download PDFInfo
- Publication number
- RU2779795C1 RU2779795C1 RU2021118053A RU2021118053A RU2779795C1 RU 2779795 C1 RU2779795 C1 RU 2779795C1 RU 2021118053 A RU2021118053 A RU 2021118053A RU 2021118053 A RU2021118053 A RU 2021118053A RU 2779795 C1 RU2779795 C1 RU 2779795C1
- Authority
- RU
- Russia
- Prior art keywords
- industrial facility
- industrial
- technical condition
- state
- facility
- Prior art date
Links
- 238000007374 clinical diagnostic method Methods 0.000 title claims abstract description 8
- 230000001537 neural Effects 0.000 claims abstract description 15
- 230000003449 preventive Effects 0.000 claims abstract description 4
- 230000000306 recurrent Effects 0.000 claims description 7
- 230000006403 short-term memory Effects 0.000 claims description 7
- 238000003745 diagnosis Methods 0.000 claims description 6
- 230000000737 periodic Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract 1
- 239000000126 substance Substances 0.000 abstract 1
- 210000004027 cells Anatomy 0.000 description 5
- 210000004544 DC2 Anatomy 0.000 description 3
- 230000002530 ischemic preconditioning Effects 0.000 description 3
- 230000000875 corresponding Effects 0.000 description 2
- 238000000034 method Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Images
Abstract
Description
Изобретение относится к области мониторинга и диагностирования промышленных объектов и предназначено для диагностирования состояния промышленных объектов и прогнозирования его изменения с возможностью принятия решений о дате и объеме необходимых ремонтных работ.The invention relates to the field of monitoring and diagnosing industrial facilities and is intended for diagnosing the state of industrial facilities and predicting its changes with the possibility of making decisions on the date and amount of necessary repair work.
Известен способ диагностирования (RU, патент №2345492, МПК Н04В 17/00, опубл. 27.01.2009 г.) средств связи телекоммуникационных систем (СС ТКС), состоящий в том, что среди параметров сложного технического объекта выделяют отдельные параметры, которые являются признаками его технического состояния, сравнивают их с эталонными признаками исходного алфавита классов состояний и по результатам сравнения определяют группу классов возможного технического состояния диагностируемого объекта, причем, всю совокупность как внутренних параметров, так и выходных параметров, определяющих техническое состояние СС ТКС, сокращают за счет выявления сильной корреляционной зависимости отдельно между внутренними параметрами, отдельно между выходными и между входными параметрами СС ТКС, из сокращенного множества внутренних и выходных параметров СС ТКС определяют систему регрессионных уравнений, каждое уравнение системы регрессионных уравнений проверяют на адекватность, по заданной достоверности контроля технического состояния с учетом нормированных коэффициентов регрессии в системе регрессионных уравнений осуществляют контроль внутренних параметров СС ТКС с максимальными значениями нормированных коэффициентов регрессии, с учетом динамики изменений выделенных контролируемых параметров осуществляют прогнозирование времени наступления предотказового состояния СС ТКС.A known method for diagnosing (RU, patent No. 2345492, IPC H04V 17/00, publ. 27.01.2009) means of communication of telecommunication systems (SS TCS), consisting in the fact that among the parameters of a complex technical object, individual parameters are distinguished, which are signs its technical condition, compare them with the reference features of the initial alphabet of state classes and, based on the results of the comparison, determine a group of classes of the possible technical state of the diagnosed object, moreover, the entire set of both internal parameters and output parameters that determine the technical state of the TMS SS is reduced by identifying a strong correlation dependence separately between the internal parameters, separately between the output and between the input parameters of the SS TCS, from the reduced set of internal and output parameters of the SS TCS determine the system of regression equations, each equation of the system of regression equations is checked for adequacy, according to the specified reliability of the control of the technique of the critical state, taking into account the normalized regression coefficients in the system of regression equations, the internal parameters of the TCS SS are monitored with the maximum values of the normalized regression coefficients, taking into account the dynamics of changes in the selected controlled parameters, the time of onset of the pre-failure state of the TCS SS is predicted.
Недостатком способа является повышенная сложность определения зависимостей внутренних и выходных параметров от технического состояния объекта. Также серьезным недостатком способа является использование в качестве эталонных признаков постоянных нормативных значений контролируемых параметров, что существенно ограничивает область применения метода, в частности, исключает возможность его использования в системах рабочего диагностирования транспортных объектов, где эталонные значения большинства информативных параметров зависят от режима движения объекта, в связи с чем постоянные нормативные значения этих параметров в документации не приводятся.The disadvantage of this method is the increased complexity of determining the dependencies of internal and output parameters on the technical condition of the object. Also, a serious disadvantage of the method is the use of constant normative values of controlled parameters as reference signs, which significantly limits the scope of the method, in particular, excludes the possibility of its use in systems for operational diagnostics of transport objects, where the reference values of most informative parameters depend on the mode of movement of the object, in Therefore, the constant normative values of these parameters are not given in the documentation.
Известен способ диагностирования сложных технических объектов (RU, патент №2582876, МПК G06N 3/02, G06N 3/08, G05B 13/04, опубл. 27.04.2016 г.), заключающийся в том, что среди параметров сложного технического объекта выделяют отдельные параметры, которые являются признаками его технического состояния, сравнивают их с эталонными признаками исходного алфавита классов состояний и по результатам сравнения определяют группу классов возможного технического состояния диагностируемого объекта, в качестве признаков технического состояния объекта используют статистически обработанные характеристики разностей текущих и эталонных значений внутренних и выходных параметров объекта, в качестве эталонных признаков исходного алфавита классов используют статистические характеристики разностей текущих и эталонных значений внутренних и выходных параметров исправного объекта, при этом в качестве эталонных значений внутренних и выходных параметров исправного объекта используют их расчетные значения, вычисляемые для каждого режима работы объекта по измеренным текущим значениям входных параметров с помощью нейросетевых моделей.A known method for diagnosing complex technical objects (RU, patent No. 2582876, IPC G06N 3/02, G06N 3/08, G05B 13/04, publ. 04/27/2016), which consists in the fact that among the parameters of a complex technical object, individual parameters that are signs of its technical condition, compare them with the reference signs of the initial alphabet of state classes and, based on the results of the comparison, determine a group of classes of the possible technical state of the diagnosed object; statistically processed characteristics of the differences between the current and reference values of internal and output parameters are used as signs of the technical state of the object object, the statistical characteristics of the differences between the current and reference values of the internal and output parameters of a healthy object are used as reference signs of the initial alphabet of classes, while their calculated values are used as reference values of the internal and output parameters of a healthy object, calculating calculated for each operating mode of the object according to the measured current values of the input parameters using neural network models.
Недостатком указанного способа является то, что в данном способе отсутствует возможность прогнозирования технического состояния диагностируемого объекта.The disadvantage of this method is that in this method there is no possibility of predicting the technical condition of the diagnosed object.
Известно решение, выбранное в качестве прототипа (RU №2707423, МПК G06F 11/00, G05B 23/03, G05B 17/00, опубл. 28.10.2019 г.), где для диагностирования промышленного объекта используется блок сбора данных, выполненный с возможностью сбора данных с комплекта датчиков промышленного объекта, блок модели промышленного объекта, выполненный с возможностью моделировать промышленный объект, блок анализа, выполненный с возможностью анализировать состояние промышленного объекта на основании данных, полученных от блока сбора данных и модели промышленного объекта, причем блок анализа выполнен с возможностью делать заключение о нормальном или аномальном функционировании промышленного объекта на основании анализа, причем блок анализа выполнен с возможностью принимать данные об изменениях, внесенных в промышленный объект и командовать блоку модели изменить модель в соответствии с внесенными изменениями.The solution chosen as a prototype is known (RU No. 2707423, IPC G06F 11/00, G05B 23/03, G05B 17/00, publ. collection of data from a set of industrial object sensors, an industrial object model block configured to model an industrial object, an analysis block configured to analyze the state of an industrial object based on data received from a data acquisition block and an industrial object model, and the analysis block is configured to to judge normal or abnormal operation of the industrial object based on the analysis, wherein the analysis unit is configured to receive data on changes made to the industrial object and command the model unit to change the model in accordance with the changes made.
Недостатком указанного решения является отсутствие возможности определения количественной оценки фактического состояния диагностируемого объекта (загрязнение, износ, заряд, емкость и т.д.), а также необходимость в периодическом изменении модели промышленного объекта в случае изменения его состояния. Кроме того, в данном способе упомянута, но не раскрыта сущность процесса прогнозирования технического состояния диагностируемого промышленного объекта.The disadvantage of this solution is the inability to determine the quantitative assessment of the actual state of the diagnosed object (contamination, wear, charge, capacity, etc.), as well as the need to periodically change the model of the industrial object in case of a change in its state. In addition, this method mentions, but does not disclose the essence of the process of predicting the technical condition of the diagnosed industrial facility.
Техническим результатом реализации предлагаемого способа является:The technical result of the implementation of the proposed method is:
- возможность получения количественной оценки фактического технического состояния промышленного объекта посредством использования в качестве диагностической модели многослойной нейронной сети, обученной с использованием массива значений параметров, контролируемых комплектом датчиков на промышленном объекте, синтезированного при помощи аналитической модели промышленного объекта и выдающей результат диагностирования в виде количественного значения показателя, характеризующего техническое состояния промышленного объекта;- the possibility of obtaining a quantitative assessment of the actual technical condition of an industrial facility by using a multilayer neural network as a diagnostic model, trained using an array of parameter values controlled by a set of sensors at an industrial facility, synthesized using an analytical model of an industrial facility and providing a diagnostic result in the form of a quantitative value of the indicator characterizing the technical condition of the industrial facility;
- отсутствие необходимости периодического изменения диагностической модели промышленного объекта за счет применения аналитической модели промышленного объекта, построенной таким образом, что она отражает значения параметров, контролируемых комплектом датчиков на промышленном объекте, во всех классах состояния промышленного объекта, а массив данных, синтезированный с использованием аналитической модели и используемый для обучения диагностической модели, включает значения параметров, контролируемых комплектом датчиков на промышленном объекте, во всех классах технического состояния промышленного объекта;- no need to periodically change the diagnostic model of an industrial facility due to the use of an analytical model of an industrial facility, built in such a way that it reflects the values of the parameters controlled by a set of sensors at an industrial facility in all classes of the state of an industrial facility, and the data array synthesized using the analytical model and used for training the diagnostic model, includes the values of the parameters controlled by a set of sensors at the industrial facility, in all classes of the technical condition of the industrial facility;
- возможность корректировки объемов и сроков проведения необходимых профилактических и ремонтных работ по результатам прогнозирования изменения технического состояния промышленного объекта посредством применения прогнозной модели, построенной с использованием рекуррентной нейронной сети с ячейками долгой краткосрочной памяти и периодически обучаемой на результатах количественной оценки технического состояния промышленного объекта, полученных с использованием диагностической модели.- the possibility of adjusting the volume and timing of the necessary preventive and repair work based on the results of predicting changes in the technical condition of an industrial facility by using a predictive model built using a recurrent neural network with long short-term memory cells and periodically trained on the results of a quantitative assessment of the technical condition of an industrial facility obtained with using a diagnostic model.
Технический результат достигается тем, что в способе предиктивного диагностирования технического состояния промышленных объектов, заключающемся в том, что для диагностирования объекта осуществляют сбор данных с комплекта датчиков промышленного объекта, моделируют состояние промышленного объекта, анализируют состояние промышленного объекта на основании данных, полученных посредством комплекта датчиков и путем моделирования состояния промышленного объекта, по результатам анализа делают заключение о функционировании промышленного объекта, при анализе используют многослойную нейронную сеть, обученную с использованием данных, полученных при моделировании промышленного объекта и характеризующих все возможные классы его технического состояния в процессе эксплуатации, по результатам анализа делают количественную оценку технического состояния промышленного объекта, с помощью которой осуществляют периодический прогноз технического состояния промышленного объекта с помощью прогнозной модели, построенной с использованием рекуррентной нейронной сети с ячейками долгой краткосрочной памяти и периодически обучаемой на результатах анализа состояния промышленного объекта, полученный прогноз технического состояния промышленного объекта используют для оценки оставшегося времени до достижения спрогнозированным состоянием промышленного объекта предельных значений и принятия решения о сроках и объемах необходимых профилактических и ремонтных работ.The technical result is achieved by the fact that in the method of predictive diagnostics of the technical condition of industrial facilities, which consists in the fact that for diagnosing an object, data is collected from a set of sensors of an industrial facility, the state of an industrial facility is modeled, the state of an industrial facility is analyzed based on data obtained by means of a set of sensors and by modeling the state of an industrial facility, based on the results of the analysis, a conclusion is made about the functioning of the industrial facility; in the analysis, a multilayer neural network is used that is trained using the data obtained in the simulation of an industrial facility and characterizing all possible classes of its technical condition during operation; based on the results of the analysis, a quantitative assessment of the technical condition of an industrial facility, with the help of which a periodic forecast of the technical condition of an industrial facility is carried out using a predictive model, post built using a recurrent neural network with long short-term memory cells and periodically trained on the results of an analysis of the state of an industrial facility, the resulting forecast of the technical condition of an industrial facility is used to estimate the remaining time until the predicted state of an industrial facility reaches the limit values and decide on the timing and volume of necessary preventive and repair work.
Также технический результат достигается тем, что устройство для предиктивного диагностирования технического состояния промышленных объектов, состоящее из блока сбора данных с комплекта датчиков промышленного объекта, блока модели промышленного объекта, блока анализа состояния промышленного объекта на основании данных, полученных от блока сбора данных и блока модели промышленного объекта для составления заключения о функционировании промышленного объекта, дополнительно оснащено блоком прогноза, построенным с использованием рекуррентной нейронной сети с ячейками долгой краткосрочной памяти, периодически обучаемым на выходных данных блока анализа состояния промышленного объекта для осуществления прогноза технического состояния промышленного объекта, а также дополнительно оснащено блоком принятия решений для обработки данных с блока прогноза с целью оценки оставшегося времени до достижения спрогнозированным состоянием промышленного объекта предельных значений и принятия решения о сроках и объемах необходимых ремонтных работ, причем блок модели промышленного объекта выполнен с возможностью моделирования изменения технического состояния промышленного объекта в процессе его эксплуатации, а блок анализа выполнен с возможностью формирования количественной оценки технического состояния промышленного объекта на заданный интервал времени.Also, the technical result is achieved by the fact that a device for predictive diagnosis of the technical condition of industrial facilities, consisting of a data acquisition unit from a set of industrial facility sensors, an industrial facility model unit, an industrial facility state analysis unit based on data received from a data acquisition unit and an industrial facility model unit object for drawing up a conclusion on the functioning of an industrial facility, is additionally equipped with a prediction unit built using a recurrent neural network with long short-term memory cells, periodically trained on the output data of the industrial facility state analysis unit to predict the technical condition of an industrial facility, and is also additionally equipped with an acceptance unit solutions for processing data from the forecast block in order to estimate the remaining time until the predicted state of the industrial facility reaches the limit values and make a decision on the timing and volumes of necessary repair work, wherein the block of the model of the industrial facility is configured to simulate changes in the technical condition of the industrial facility during its operation, and the analysis unit is configured to form a quantitative assessment of the technical condition of the industrial facility for a given time interval.
Заявленный способ реализуется устройством для предиктивного диагностирования технического состояния промышленных объектов и поясняется чертежом.The claimed method is implemented by a device for predictive diagnosis of the technical condition of industrial facilities and is illustrated by the drawing.
На Фиг. изображена схема устройства для предиктивного диагностирования технического состояния промышленных объектов.On FIG. a diagram of a device for predictive diagnostics of the technical condition of industrial facilities is shown.
Устройство для предиктивного диагностирования технического состояния промышленных объектов состоит из блока 1 сбора данных с комплекта 2 датчиков промышленного объекта 3, блока 4 модели промышленного объекта, блока 5 анализа состояния промышленного объекта 3 на основании данных, полученных от блока 1 сбора данных и блока 4 модели промышленного объекта 3. Блок 5 анализа выполнен с возможностью формирования количественной оценки фактического состояния промышленного объекта 3, а блок 4 модели промышленного объекта выполнен с возможностью моделирования изменения технического состояния промышленного объекта 3 в процессе его эксплуатации. Блок 5 анализа выполнен в виде диагностической модели, построенной с использованием многослойной нейронной сети, обученной с использованием данных, полученных от блока 4 модели промышленного объекта 3 и характеризующих все возможные классы технического состояния промышленного объекта 3. Устройство для предиктивного диагностирования технического состояния промышленных объектов дополнительно оснащено блоком 6 прогноза, построенным с использованием рекуррентной нейронной сети с ячейками долгой краткосрочной памяти, периодически обучаемым на выходных данных блока 5 анализа промышленного объекта 3 и осуществляющим прогноз технического состояния промышленного объекта 3. Также устройство для предиктивного диагностирования технического состояния промышленных объектов дополнительно оснащено блоком 7 принятия решений, выполняющим, на основании данных, полученных с блока 6 прогноза, оценку оставшегося времени до достижения спрогнозированным состоянием промышленного объекта 3 предельных значений и принятия решения о дате и объеме необходимых ремонтных работ.A device for predictive diagnostics of the technical condition of industrial facilities consists of a
Устройство для осуществления способа предиктивного диагностирования технического состояния промышленных объектов работает следующим образом. Вначале разрабатывается модель промышленного объекта 3, подлежащего диагностированию. При разработке модели промышленного объекта 3 учитывается изменение его технического состояния в процессе эксплуатации. В блоке 4 модели промышленного объекта 3, с помощью аналитической модели промышленного объекта 3 синтезируется выборка векторов исходных данных, соответствующих различным классам технического состояния промышленного объекта 3. Блок 5 анализа представляет собой диагностическую модель, построенную с использованием искусственной многослойной нейронной сети. Производится обучение диагностической модели промышленного объекта 3 по методу обратного распространения ошибки с использованием синтезированной выборки векторов исходных данных, соответствующих различным классам состояния промышленного объекта. Блок 1 сбора данных осуществляет измерение и регистрацию выходных параметров комплекта 2 датчиков, установленных на промышленный объект 3. Зарегистрированные выходные параметры комплекта 2 датчиков поступают на вход блока 5 анализа и проходят через обученную нейронную сеть. На выходе блока 5 анализа формируется количественная оценка технического состояния диагностируемого промышленного объекта 3, которая накапливается в блоке 6 прогноза. Накопленные за время эксплуатации промышленного объекта 3 значения оценок его технического состояния представляют собой временной ряд, который используется для обучения блока 6 прогноза, выполненного с использованием рекуррентной нейронной сети с ячейками долгой краткосрочной памяти. Обученный блок 6 прогноза периодически осуществляет прогноз изменения технического состояния промышленного объекта 3 на заданный интервал времени. С выхода блока 6 прогноза полученный результат прогноза изменения технического состояния на заданный интервал времени поступает в блок 7 принятия решений, выполняющий оценку оставшегося времени до достижения спрогнозированным состоянием промышленного объекта предельных значений и принятия решения о сроках и объемах необходимых ремонтных работ.A device for implementing a method for predictive diagnosis of the technical condition of industrial facilities operates as follows. First, a model of
Claims (2)
Publications (1)
| Publication Number | Publication Date |
|---|---|
| RU2779795C1 true RU2779795C1 (en) | 2022-09-13 |
Family
ID=
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2563161C2 (en) * | 2013-07-18 | 2015-09-20 | Федеральное государственное бюджетное учреждение науки Институт конструкторско-технологической информатики Российской академии наук (ИКТИ РАН) | Method and device of technical diagnostics of complex process equipment on basis of neuron net |
| RU2582876C2 (en) * | 2014-09-18 | 2016-04-27 | Открытое акционерное общество Научно-исследовательский и конструкторско-технологический институт подвижного состава (ОАО "ВНИКТИ") | Method for diagnosis of complex technical objects |
| US20160160762A1 (en) * | 2014-12-08 | 2016-06-09 | General Electric Company | System and method for predicting and managing life consumption of gas turbine parts |
| RU2707423C2 (en) * | 2018-04-28 | 2019-11-26 | Общество С Ограниченной Ответственностью "Кловер Групп" | Method and system for diagnostics of industrial facility |
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2563161C2 (en) * | 2013-07-18 | 2015-09-20 | Федеральное государственное бюджетное учреждение науки Институт конструкторско-технологической информатики Российской академии наук (ИКТИ РАН) | Method and device of technical diagnostics of complex process equipment on basis of neuron net |
| RU2582876C2 (en) * | 2014-09-18 | 2016-04-27 | Открытое акционерное общество Научно-исследовательский и конструкторско-технологический институт подвижного состава (ОАО "ВНИКТИ") | Method for diagnosis of complex technical objects |
| US20160160762A1 (en) * | 2014-12-08 | 2016-06-09 | General Electric Company | System and method for predicting and managing life consumption of gas turbine parts |
| RU2707423C2 (en) * | 2018-04-28 | 2019-11-26 | Общество С Ограниченной Ответственностью "Кловер Групп" | Method and system for diagnostics of industrial facility |
Non-Patent Citations (2)
| Title |
|---|
| ГРАЧЕВ В.В., ФЕТОВОВ М.В., КИМ С.И. ПРИМЕНЕНИЕ НЕЙРОСЕТЕВЫХ МОДЕЛЕЙ ДЛЯ ДИАГНОСТИРОВАНИЯ ОБОРУДОВАНИЯ СОВРЕМЕННЫХ ЛОКОМОТИВОВ. ТЕХНИКА ЖЕЛЕЗНЫХ ДОРОГ, номер 3 (43), 2018, с.22-31. * |
| СОКОЛОВ Д.И., СОЛОВЬЕВ С.Ю. Контроль и мониторинг промышленного оборудования с использованием платформы MindSphere компании Siemens, "ИСУП", НОМЕР 4(76)_2018, с.17-22. ГОРЕВА Т.И., ПОРТНЯГИН Н.Н., ПЮККЕ Г.А. НЕЙРОСЕТЕВЫЕ МОДЕЛИ ДИАГНОСТИКИ ТЕХНИЧЕСКИХ СИСТЕМ. Вестник КРАУНЦ. Физ.-мат. науки, 2012, выпуск 1(4), с.31-43. * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110647133B (en) | Rail transit equipment state detection maintenance method and system | |
| CN108604360B (en) | Facility abnormity monitoring method and system | |
| US6834256B2 (en) | Method and system for determining motor reliability | |
| Yu | State-of-health monitoring and prediction of lithium-ion battery using probabilistic indication and state-space model | |
| US6694286B2 (en) | Method and system for monitoring the condition of an individual machine | |
| US7873581B2 (en) | Method and system for determining the reliability of a DC motor system | |
| RU2313815C2 (en) | Device and method for controlling technical plant, which contains a set of systems, in particular, electric power plant | |
| RU2014119873A (en) | METHOD FOR PREVENTIVE FAILURE DETECTION IN THE DEVICE, COMPUTER PROGRAM, SYSTEM AND MODULE FOR PREVENTIVE FAILURE DETECTION IN THE DEVICE | |
| CN116756909A (en) | Early warning diagnosis system of thermal power plant based on data model and mechanism model | |
| Lee et al. | An enhanced prediction model for the on-line monitoring of the sensors using the Gaussian process regression | |
| JP2544498B2 (en) | Remaining life diagnosis method, remaining life diagnosis device, remaining life information display method, display device and expert system | |
| RU2779795C1 (en) | Method and apparatus for predictive diagnostics of the technical condition of industrial facilities | |
| CN117471346A (en) | Method and system for determining remaining life and health status of retired battery module | |
| Le | Contribution to deterioration modeling and residual life estimation based on condition monitoring data | |
| Letot et al. | Dynamic reliability degradation based models and maintenance optimization | |
| CN117216647A (en) | Predictive maintenance and fault diagnosis method and system for vehicle body welding equipment | |
| RU2735296C1 (en) | Method for multi-parameter monitoring of complex electrotechnical objects state | |
| CN115828744A (en) | White light LED fault on-line diagnosis and service life prediction method | |
| Chiachío et al. | Integration of prognostics at a system level: A Petri net approach | |
| RU2648413C1 (en) | Method of the modes control based on the neural network diagnostics of faults and technical condition of the electric-drive gas-compressor unit | |
| RU2753855C1 (en) | Method and apparatus for registration of resource exhaustion of railroad automatic and telemetry equipment | |
| CN117827621B (en) | Automatic test platform system and method for embedded software | |
| CN117554218B (en) | Straight asphalt pouring type steel bridge surface composite beam test piece fatigue test device and method | |
| CN117272844B (en) | Method and system for predicting service life of distribution board | |
| Bender et al. | Hybrid Prediction Method for Remaining Useful Lifetime Estimation Considering Uncertainties |