TW202416067A - 應用不同轉速振動閥值之設備異常監診方法 - Google Patents
應用不同轉速振動閥值之設備異常監診方法 Download PDFInfo
- Publication number
- TW202416067A TW202416067A TW111137172A TW111137172A TW202416067A TW 202416067 A TW202416067 A TW 202416067A TW 111137172 A TW111137172 A TW 111137172A TW 111137172 A TW111137172 A TW 111137172A TW 202416067 A TW202416067 A TW 202416067A
- Authority
- TW
- Taiwan
- Prior art keywords
- value
- values
- online
- historical
- model
- Prior art date
Links
- 230000005856 abnormality Effects 0.000 title claims abstract description 44
- 238000000034 method Methods 0.000 title claims abstract description 32
- 239000000203 mixture Substances 0.000 claims abstract description 20
- 230000002159 abnormal effect Effects 0.000 claims abstract description 18
- 238000012544 monitoring process Methods 0.000 claims description 27
- 238000012216 screening Methods 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000001133 acceleration Effects 0.000 description 4
- 238000001914 filtration Methods 0.000 description 3
- 101000827703 Homo sapiens Polyphosphoinositide phosphatase Proteins 0.000 description 2
- 102100023591 Polyphosphoinositide phosphatase Human genes 0.000 description 2
- 238000000540 analysis of variance Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000007664 blowing Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 239000000498 cooling water Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000005236 sound signal Effects 0.000 description 1
Images
Abstract
本發明提供一種應用不同轉速振動閥值之設備異常監診方法,其包含複數個模型建立階段和線上作業階段。在模型建立階段中,先收集變轉速設備之歷史運轉資料。然後根據歷史運轉資料來計算歷史運轉狀態特徵值,並根據歷史運轉狀態特徵值來計算高斯混合模型。再根據高斯混合模型來決定轉速區間之複數個固定閥值。最後根據固定閥值和歷史運轉狀態特徵值來建立正常區間模型。在線上作業階段中,先獲取變轉速設備於線上作業時之線上運轉資料並計算出線上運轉狀態特徵值。最後根據固定閥值或正常區間模型來判斷變轉速設備於線上作業時是否出現異常。
Description
本發明是有關於一種應用不同轉速振動閥值之設備異常監診方法。
為了對設備進行有效的維護與管理,通常會建置相關的監診系統來檢測設備是否發生異常。一般而言,監診系統會於設備進行線上作業時,對設備進行整體或局部的監測,以取得代表設備運轉狀態的訊號特徵指標,再對這些訊號特徵指標進行分析來判斷設備運轉是否異常。習知的異常監診方法對於定轉速設備而言,較能有效率地偵測出異常,並針對異常進行診斷。然而,針對變轉速設備而言,習知的異常監診方法則無法有效率地偵測出設備異常。
因此,需要一種應用不同轉速振動閥值之設備異常監診方法,以有效率地偵測變轉速設備的異常運轉。
根據本發明之一方面,本發明之實施例提供一種應用不同轉速振動閥值之設備異常監診方法。此應用不同轉速振動閥值之設備異常監診方法包含複數個模型建立階段以及線上作業階段。在此應用不同轉速振動閥值之設備異常監診方法中,首先進行複數個模型建立階段。在複數個模型建立階段中,首先獲取變轉速設備之複數筆歷史運轉資料,歷史運轉資料中的每一筆在單一之運轉狀態下皆包含歷史轉速值以及相應之歷史運轉狀態訊號。然後,根據歷史運轉資料來計算歷史運轉狀態特徵值。接著,根據歷史運轉狀態特徵值來計算出高斯混合模型。並且,根據此高斯混合模型來決定複數個轉速區間之複數個固定閥值,其中每一轉速區間均對應於一固定閥值。最後,根據轉速區間之相應的固定閥值以及歷史運轉狀態特徵值來建立正常區間模型。然後,進行線上作業階段。在線上作業階段中,首先獲取變轉速設備於線上作業時之線上運轉資料,其中線上運轉資料包含線上轉速值以及相應之線上運轉狀態訊號。接著,根據線上運轉資料來計算至少一個線上運轉狀態特徵值。然後,根據固定閥值和線上運轉狀態特徵值來判斷變轉速設備於線上作業時是否出現異常。最後,還可以根據正常區間模型和正規化過的線上運轉狀態特徵值來判斷變轉速設備於線上作業時是否出現異常。
在一些實施例中,歷史運轉狀態訊號以及線上運轉狀態特徵值為變轉速設備之振動訊號。
在一些實施例中,模型建立階段更包含第一正規化步驟,以對歷史運轉狀態特徵值進行正規化。
在一些實施例中,線上作業階段更包含第二正規化步驟,以對線上運轉狀態特徵值進行正規化。
在一些實施例中,歷史運轉資料皆對應至該轉速設備正常作業的情況。
在一些實施例中,模型建立階段更包含特徵篩選步驟,以從歷史運轉狀態特徵值中移除至少一個冗餘特徵值。
在一些實施例中,前述之特徵篩選步驟包含:選取目標特徵值,其中此目標特徵值為歷史運轉狀態特徵值之一者;計算目標特徵值之熵(entropy)值,並判斷此熵值是否小於預設熵閥值;以及當熵值小於預設熵閥值時,判定目標特徵值為至少一冗餘特徵值,以將目標特徵值移除。
在一些實施例中,前述之特徵篩選步驟更包含:選取第一目標特徵值以及第二目標特徵值,其中第一目標特徵值以及第二目標特徵值為歷史運轉狀態特徵值其中之二者;計算第一目標特徵值與第二目標特徵值間之平均相關係數(correlation coefficient);判斷平均相關係數是否大於預設係數閥值;當平均相關係數大於預設係數閥值時,判定第一目標特徵值和第二目標特徵值之一者為冗餘特徵值,以將其移除。
在一些實施例中,前述建立正常區間模型的步驟還包含:根據轉速區間之相應的固定閥值對複數個目標特徵值進行正規化,其中那些目標特徵值為篩選後的歷史運轉狀態特徵值;接著,利用正規化後之該些目標特徵值建立該正常區間模型。
在一些實施例中,前述根據固定閥值和線上運轉狀態特徵值來判斷變轉速設備於線上作業時是否出現異常之步驟包含:判斷線上運轉狀態特徵值是否超過固定閥值;當線上運轉狀態特徵值超過固定閥值時,判定變轉速設備出現異常。
在一些實施例中,根據正常區間模型和線上運轉狀態特徵值來判斷該變轉速設備於線上作業時是否出現異常之步驟包含:判斷線上運轉特徵值是否位於正常區間模型之正常區間;當線上運轉特徵值未位於正常區間模型之正常區間時,判定變轉速設備出現異常。
下文是以實施方式配合附圖作詳細說明,但所提供的實施方式並非用以限制本發明所涵蓋的範圍,而結構運作的描述非用以限制其執行的順序,任何由元件重新組合的結構,所產生具有均等功效的裝置,皆為本發明所涵蓋的範圍。此外,圖式僅以說明為目的,並未依照原尺寸作圖。
關於本文中所使用之『第一』、『第二』、…等,並非特別指次序或順位的意思,其僅為了區別以相同技術用語描述的元件或操作。
請參照圖1,其係繪示根據本發明實施例之應用不同轉速振動閥值之設備異常監診方法100的流程示意圖。應用不同轉速振動閥值之設備異常監診方法100係適用於轉速會發生變化的設備,例如冷卻水塔的冷卻風扇或是鼓風用的燃燒風扇。應用不同轉速振動閥值之設備異常監診方法100包含複數個模型建立階段110和線上作業階段120。複數個模型建立階段110可收集變轉速設備的歷史運轉資料,並利用這些歷史運轉資料來建立設備運轉的模型,其中複數個模型建立包含建立高斯混合模型113以及建立正常區間模型115。在線上作業階段120中,當設備上線進行作業時,可利用前述之模型來判斷設備是否發生異常。
在複數個模型建立階段110中,首先進行步驟111,以獲取變轉速設備之複數筆歷史運轉資料。每一歷史運轉資料包含歷史轉速值以及相應之歷史運轉狀態訊號。舉例而言,步驟111會紀錄變轉速設備在各個不同轉速下的運轉狀態訊號。運轉狀態訊號包含但不限定於振動訊號、聲音訊號或熱訊號等。本文以振動訊號為例來說明,步驟111會紀錄變轉速設備在每一轉速下,設備的振動加速度值對時間的關係(振動訊號)。在多個不同的設備轉速下,進行量測振動加速度值的量測,即可獲得前述的歷史運轉資料。
接著,進行步驟112,以根據歷史運轉資料來計算歷史運轉狀態特徵值。在本發明之一些實施例中,可根據預設之複數個頻寬範圍來計算歷史運轉狀態特徵值。請參照圖2,其係繪示根據本發明實施例之步驟112的流程示意圖。在步驟112中,首先進行步驟112a,以利用濾波器(例如帶通/帶拒濾波器)來根據前述預設頻寬範圍來將歷史運轉狀態訊號分頻。然後,進行步驟112b,以計算歷史運轉狀態訊號對應於每個頻寬範圍的歷史運轉狀態特徵值。在本發明之實施例中,歷史運轉狀態特徵值包含但不限定於均值、均方值、均方根值、偏度、峭度、峭度指標、偏態指標、亂度(Wiener entropy)。具體如下表一所示:
表一
在上表一中,
表示歷史運轉狀態訊號(時域),
表示第i個頻率對應的能量,β表示峭度,
表示偏度 。再者,假設訊號數量為N,且預設頻寬範圍為:0~1K赫茲、1K~2K赫茲、…、5K~6K赫茲,則可獲得如圖3所示之歷史運轉狀態特徵值,其中圖3所示之歷史運轉狀態特徵值已被正規化。正規化的方程式如下:
在上述正規化的方程式中,
表示第
筆資料的第J個特徵,
和
表示對應此特徵所算出的平均值與標準差,
表示正規化後的值。值得一提的是,在本發明之其他實施例中,亦可以不分頻段。換句話說,圖3可以只有一個頻段,即全頻段0~6K赫茲。
請回到圖1,在步驟112後,接著進行步驟113,以針對步驟112的頻寬範圍,根據歷史運轉狀態特徵值來計算出相應的高斯混合模型。為了使得高斯混合模型趨近於資料點的分佈狀況,需要先決定混合模型數量值M。決定混合模型數量值M的做法為不斷調整混合模型數量值M的大小,然後計算出高斯混合模型與其對應的赤井信息法則(Akaike Information Criterion;AIC)或貝氏信息準則(Bayesian information criterion;BIC)值。AIC和BIC的方程式如下:
在上述AIC值/BIC值的方程式中,
和N分別是單一高斯分佈的參數(Free parameters)數量與資料點數量,
,其係代表資料點,
代表轉速,
=1~N,
代表高斯分佈中心,Σ
m代表共變異數矩陣,
代表與
相關的係數。資料點與高斯分佈中心之間的馬氏距離係表示如下:
如圖4所示,在計算出AIC值/BIC值曲線後,接著在AIC值/BIC值曲線的頭尾間取一條直線,然後找出曲線上距離直線最遠的點(即曲線反折點),如此即可決定混合模型數量值M的值。在圖4的實施例中,混合模型數量值M決定為3,其所代表的意義為能夠最佳描述原資料分布狀況的最少高斯模型數量為3,亦代表須將資料分類在3個轉速區間中,其中轉速區間係根據高斯混合模型內之任單一高斯模型邊界所決定。
請回到圖1,在步驟113之後,進行步驟114。根據步驟113所決定的高斯混合模型數量得到相應數量的轉速區間後,求取每一轉速區間分別所對應的一固定閥值。其中每一轉速區間分別所對應的一固定閥值之計算方式為每一轉速區間之資料群Y軸之值的
,其中
代表所有資料群的Y軸之值的平均值,
代表所有資料群的Y軸之值的標準差值,
代表標準差個數。在一個實施例中,還可以採用每一轉速區間之資料群的最大的Y軸之值作為固定閥值。
在圖5所示之實施例中,以狀態特徵中的加速度均方根為例,其資料點依照高斯混合模型的數量(M=3)分類在3個轉速區間中,並採用
的計算方式而取得之3個轉速區間的固定閥值分別為1.9、3.6及2.0,其中
值係數為3,代表意義為以3個標準差作為自然公差界線(natural tolerance limit)。
回到圖1,在步驟114之後,可進行步驟115。其係為了避免當變轉速振動閥值設備發生異常時,每一單一指標(特徵值)可能會因不同敏感度而導致的異常顯示不一致之情形。步驟115可整合多個指標(特徵值)並建立正常區間模型來判斷變轉速振動閥值設備之作業是否出現異常。為整合多個指標(特徵值),須先對多個指標(特徵值)進行正規化,將特徵值除以其所對應之轉速區間的固定閥值所得,其方程式表示如下:
在上述的正規化方程式中,
為前述表一中任一狀態特徵,
為狀態特徵值,
為此狀態特徵在所對應之轉速區間的固定閥值,
為此狀態特徵正規化後的數值。多個狀態特徵值經由正規化運算後可獲得正規化狀態特徵值向量
,接著利用此正規化狀態特徵相量來建立正常區間模型。在一些實施例中,可不透過正規化運算來整合多個指標(特徵值),便可利用歷史運轉狀態特徵值與相應的多個轉速區間的多個閥值來建立正常區間模型。
在本發明之一些實施例中,步驟115所建立之正常區間模型可以採用但不限於高斯混合模型(Gaussian mixture model;GMM)、單類別支持向量機器(One-class SVM),或是自編碼器(Auto encoder)來建模。
另外,在本發明之一些實施例中,在步驟112和113之間可進行特徵篩選步驟,以將無用的冗餘特徵值移除。在本發明之一些實施例中,當前述歷史運轉資料皆為設備正常運轉的資料,則特徵篩選步驟可進行如下:首先從前述之歷史運轉狀態特徵值中選取一待處理的目標特徵值。然後,計算此目標特徵值之熵(entropy)值,並判斷此熵值是否小於預設的熵閥值。在本實施例中,預設熵閥值為0.5,但本發明之實施例並不受限於此。當熵值小於預設熵閥值時,判定目標特徵值為冗餘的特徵值,並將此目標特徵值移除。
在本發明之一些實施例中,可再透過平均相關係數(correlation coefficient)來確認任兩個特徵值之間的關係。具體而言,首先從歷史運轉狀態特徵值中任意選取出第一目標特徵值與第二目標特徵值間,並計算第一目標特徵值與第二目標特徵值間之平均相關係數。然後判斷此平均相關係數是否大於預設的係數閥值。當此平均相關係數大於預設係數閥值時,判定第一目標特徵值和第二目標特徵值之一者為冗餘特徵值,並將其移除。
在本發明之一些實施例中,當前述歷史運轉資料為包含設備正常運轉和異常運轉的資料,則特徵篩選步驟可使用變異數分析法(Analysis of variance;ANOVA)或相互資訊法(Mutual Information;MI)來決定具有鑑別力的特徵值,並移除其他沒有鑑別力的冗餘特徵值。
請回到圖1,在複數個模型建立階段110後,接著進行線上作業階段120。在線上作業階段120中,首先進行步驟121,以獲取變轉速設備於線上作業時之線上運轉資料。此線上運轉資料包含線上轉速值以及相應之線上運轉狀態訊號。然後,進行步驟122,以根據線上運轉資料來計算線上運轉狀態特徵值。由於步驟122與前述之步驟112類似,故不在此進行贅述。接著,進行步驟123,以根據固定閥值和線上運轉狀態特徵值來判斷變轉速設備於線上作業時是否出現異常。
請參照圖6,其係繪示根據本發明一實施例之步驟123的流程示意圖。在步驟123中,透過比較單一的線上運轉狀態特徵值與固定閥值來判斷變轉速設備於線上作業時是否出現異常。首先進行步驟123a,以判斷單一的線上運轉狀態特徵值在不同轉速區間下是否超過相應的固定閥值。若線上運轉狀態特徵值超過固定閥值,則進行步驟123c,以判定變轉速設備之作業出現異常。例如,當單一個線上運轉狀態特徵值超出其所對應之轉速區間的固定閥值時,即可判斷設備發生異常。反之,則進行步驟123d,判定設備之作業正常。
請參照圖7,其係繪示根據本發明另一實施例之步驟124的流程示意圖。在本實施例之步驟124中,透過將多個不同之線上運轉狀態特徵值代入正常區間模型來判斷變轉速設備於線上作業時是否出現異常。首先進行步驟124a,以判斷線上運轉狀態特徵值是否位於正常區間模型中的正常區間。若線上運轉狀態特徵值未位於此正常區間模型中的正常區間,則進行步驟124b,以判定變轉速設備之作業出現異常。例如,當單一個線上運轉狀態特徵值超出此正常區間模型中的正常區間範圍時,即可判斷設備發生異常。反之,則進行步驟124c,判定設備之作業正常。
由以上說明可知,本發明實施例之變轉速設備異常監診方法係利用固定閥值來判斷變轉速設備是否發生異常以及利用正常區間模型來判斷變轉速設備是否發生異常。針對不同的歷史運轉資料,本發明實施例提供了不同的特徵篩選步驟。例如,若歷史運轉資料只包含變轉速設備正常作業的資料,可利用熵值或平均相關係數來進行特徵的篩選。又例如,若歷史運轉資料包含變轉速設備正常和異常作業的資料,可利用變異數分析法或相互資訊法來進行特徵的篩選。另外,在本發明之一些實施例中,特徵篩選步驟不僅限於進行特徵的篩選,也可針對其他的描述子(例如,頻段)來進行篩選。
雖然本發明已以數個實施例揭露如上,然其並非用以限定本發明,在本發明所屬技術領域中任何具有通常知識者,在不脫離本發明之精神和範圍內,當可作各種之更動與潤飾,因此本發明之保護範圍當視後附之申請專利範圍所界定者為準。
100:應用不同轉速振動閥值之設備異常監診方法
110:複數個模型建立階段
111~115:步驟
112a~112b:步驟
120:線上作業階段
121~124:步驟
123a~123c:步驟
124a~124c:步驟
為讓本發明之上述和其他目的、特徵、優點與實施例能更明顯易懂,所附圖式之詳細說明如下:
圖1係繪示根據本發明實施例之應用不同轉速振動閥值之設備異常監診方法的流程示意圖。
圖2係繪示根據本發明實施例之計算歷史運轉狀態特徵值之步驟的流程示意圖。
圖3係繪示根據本發明實施例之歷史運轉狀態特徵值。
圖4係繪示根據本發明實施例之決定高斯混合模型數量值的示意圖。
圖5係繪示根據本發明實施例之加速度均方根在不同轉速區間之相應的固定閥值之示例圖。
圖6係繪示根據本發明實施例之根據固定閥值來判斷設備之作業是否異常之步驟的流程示意圖。
圖7係繪示根據本發明實施例之根據正常區間模型來判斷設備之作業是否異常之步驟的流程示意圖。
無
100:應用不同轉速振動閥值之設備異常監診方法
110:複數個模型建立階段
111~115:步驟
120:線上作業階段
121~124:步驟
Claims (10)
- 一種應用不同轉速振動閥值之設備異常監診方法,用以監測一變轉速設備,其中該應用不同轉速振動閥值之設備異常監診方法包含: 進行複數個模型建立階段,包含: 收集該變轉速設備之複數筆歷史運轉資料,該些歷史運轉資料中的每一筆在單一之運轉狀態下皆包含一歷史轉速值以及相應之一歷史運轉狀態訊號; 根據該些歷史運轉資料來計算複數個歷史運轉狀態特徵值; 根據該些歷史運轉狀態特徵值來計算出一高斯混合模型; 根據該高斯混合模型來決定複數個轉速區間之複數個固定閥值,其中每一轉速區間均對應於一固定閥值;以及 根據該些轉速區間之該些相應的固定閥值以及該些歷史運轉狀態特徵值來建立一正常區間之模型;以及 進行一線上作業階段,包含: 獲取該變轉速設備於線上運轉時之一線上運轉資料,其中該線上運轉資料包含一線上轉速值以及相應之一線上運轉狀態訊號; 根據該線上運轉資料來計算至少一線上運轉狀態特徵值; 根據固定閥值和該至少一線上運轉狀態特徵值來判斷該變轉速設備於線上作業時是否出現異常;以及 根據該正常區間模型和該至少一線上運轉狀態特徵值來判斷該變轉速設備於線上作業時是否出現異常。
- 如請求項1所述之應用不同轉速振動閥值之設備異常監診方法,其中該些模型建立階段更包含一第一正規化步驟,以對該些歷史運轉狀態特徵值進行正規化。
- 如請求項1所述之應用不同轉速振動閥值之設備異常監診方法,其中該線上作業階段更包含一第二正規化步驟,以對該至少一線上運轉狀態特徵值進行正規化。
- 如請求項1所述之應用不同轉速振動閥值之設備異常監診方法,其中該些歷史運轉資料為轉速設備在正常運轉下所收集之不同操作轉速的數據。
- 如請求項1所述之應用不同轉速振動閥值之設備異常監診方法,其中該些模型建立階段更包含一特徵篩選步驟,以從該歷史運轉狀態特徵值中移除至少一個冗餘特徵值。
- 如請求項5所述之應用不同轉速振動閥值之設備異常監診方法,其中該特徵篩選步驟包含: 選取一目標特徵值,其中該目標特徵值為該些歷史運轉狀態特徵值之一者; 計算該目標特徵值之一熵(entropy)值,並判斷該熵值是否小於一預設熵閥值;以及 當該熵值小於該預設熵閥值時,判定該目標特徵值為該至少一冗餘特徵值,以將該目標特徵值移除。
- 如請求項6所述之應用不同轉速振動閥值之設備異常監診方法,其中該特徵篩選步驟更包含: 選取一第一目標特徵值以及一第二目標特徵值,其中該第一目標特徵值以及該第二目標特徵值為該些歷史運轉狀態特徵值其中之二者; 計算該第一目標特徵值與該第二目標特徵值間之一平均相關係數(correlation coefficient); 判斷該平均相關係數是否大於一預設係數閥值;以及 當該平均相關係數大於該預設係數閥值時,判定該第一目標特徵值和該第二目標特徵值之一者為該至少一冗餘特徵值,以將該第一目標特徵值和該第二目標特徵值之該者移除。
- 如請求項1所述之應用不同轉速振動閥值之設備異常監診方法,其中建立該正常區間模型之步驟還包含: 根據該些轉速區間之該些相應的固定閥值對複數個目標特徵值進行正規化,其中該些目標特徵值為篩選後之該些歷史運轉狀態特徵值;以及 利用正規化後之該些目標特徵值建立該正常區間模型。
- 如請求項1所述之應用不同轉速振動閥值之設備異常監診方法,其中根據該高斯混合模型和該至少一線上運轉狀態特徵值來判斷該變轉速設備於線上作業時是否出現異常之步驟包含: 判斷該至少一線上運轉狀態特徵值是否超過該相應的固定閥值;以及 當該至少一線上運轉狀態特徵值超過該相應的固定閥值時,判定該變轉速設備出現異常。
- 如請求項1所述之應用不同轉速振動閥值之設備異常監診方法,其中根據該正常區間之模型和該至少一線上運轉狀態特徵值來判斷該變轉速設備於線上作業時是否出現異常之步驟包含: 判斷該至少一線上運轉特徵值是否位於該正常區間模型之正常區間;以及 當該至少一線上運轉特徵值未位於該正常區間模型之正常區間時,判定該變轉速設備出現異常。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW111137172A TWI819824B (zh) | 2022-09-30 | 2022-09-30 | 應用不同轉速振動閥值之設備異常監診方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW111137172A TWI819824B (zh) | 2022-09-30 | 2022-09-30 | 應用不同轉速振動閥值之設備異常監診方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
TWI819824B TWI819824B (zh) | 2023-10-21 |
TW202416067A true TW202416067A (zh) | 2024-04-16 |
Family
ID=89857642
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW111137172A TWI819824B (zh) | 2022-09-30 | 2022-09-30 | 應用不同轉速振動閥值之設備異常監診方法 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI819824B (zh) |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3527961A1 (en) * | 2011-07-14 | 2019-08-21 | S.P.M. Instrument AB | A condition monitoring system |
CN106779200A (zh) * | 2016-12-07 | 2017-05-31 | 东北大学 | 基于在历史数据中进行相似搜索的风电机组状态预测方法 |
CN107341349B (zh) * | 2017-06-30 | 2020-04-14 | 上海交通大学 | 风机健康评估的方法、系统、存储器及控制器 |
TWI749416B (zh) * | 2019-11-29 | 2021-12-11 | 中國鋼鐵股份有限公司 | 變轉速設備異常監診方法 |
-
2022
- 2022-09-30 TW TW111137172A patent/TWI819824B/zh active
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US7216063B2 (en) | Method and apparatus for comparing a data set to a baseline value | |
US9122273B2 (en) | Failure cause diagnosis system and method | |
JP6141235B2 (ja) | 時系列データにおける異常を検出する方法 | |
TWI333170B (en) | Complex event evaluation systems and methods, and machine readable medium thereof | |
CN109826816B (zh) | 一种风机失速智能预警系统与方法 | |
CN111125895B (zh) | 一种风力发电机整机服役功率特性在线评估方法 | |
CN113225209B (zh) | 一种基于时间序列相似检索的网络监控实时预警方法 | |
JP5651998B2 (ja) | パターンライブラリを用いた異常診断方法および異常診断システム | |
CN111580498A (zh) | 一种基于随机森林的飞机环控系统气冷设备鲁棒故障诊断方法 | |
JP2002372440A (ja) | 状態判定法並びに状態判定装置及び状態判定機能を備えた信号収録装置 | |
JPWO2004068078A1 (ja) | 状態判定方法と状態予測方法及び装置 | |
CN115220396A (zh) | 一种数控机床智能监控方法及系统 | |
TWI749416B (zh) | 變轉速設備異常監診方法 | |
Yang et al. | Application of bispectrum diagonal slice feature analysis to monitoring CNC tool wear states | |
TW202416067A (zh) | 應用不同轉速振動閥值之設備異常監診方法 | |
CN117807551A (zh) | 基于智能戒指的心率异常捕获方法及系统 | |
TWI819824B (zh) | 應用不同轉速振動閥值之設備異常監診方法 | |
CN114033736B (zh) | 一种基于气压脉动信号风机故障监测系统 | |
JP2002323371A (ja) | 音響診断装置及び音響診断方法 | |
CN112237433B (zh) | 一种脑电信号异常监测系统及方法 | |
JP2021076597A (ja) | 過渡速度動作中の振動傾向を決定することによるロータ異常の検出 | |
WO2004072858A1 (ja) | 状態識別方法及び状態識別システム | |
WO2022070822A1 (ja) | 状態監視システム及びデータ分析装置 | |
JP4049331B2 (ja) | 診断対象物の評価方法および評価装置 | |
CN117889945B (zh) | 一种公路桥梁施工振动测试方法 |