CN106006344B - 扶梯故障在线预警***及故障诊断方法 - Google Patents
扶梯故障在线预警***及故障诊断方法 Download PDFInfo
- Publication number
- CN106006344B CN106006344B CN201610542308.8A CN201610542308A CN106006344B CN 106006344 B CN106006344 B CN 106006344B CN 201610542308 A CN201610542308 A CN 201610542308A CN 106006344 B CN106006344 B CN 106006344B
- Authority
- CN
- China
- Prior art keywords
- temperature
- monitoring
- staircase
- vector
- vibration
- 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.)
- Active
Links
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B66—HOISTING; LIFTING; HAULING
- B66B—ELEVATORS; ESCALATORS OR MOVING WALKWAYS
- B66B29/00—Safety devices of escalators or moving walkways
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B66—HOISTING; LIFTING; HAULING
- B66B—ELEVATORS; ESCALATORS OR MOVING WALKWAYS
- B66B27/00—Indicating operating conditions of escalators or moving walkways
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明属于扶梯健康状况管理的技术,具体涉及一种基于振动和温度检测,可以实现实时在线监测的扶梯故障预警***及故障诊断方法。该***包括加速度传感器、温度传感器、采集器、上位机及连接电缆。采集器与传感器、上位机之间通过电缆连接。所述采集器用于处理振动、温度传感器输入的信号,并判定其是否异常,若异常则向上位机发送报警信息和故障数据。本发明通过综合运用多个时域参数所构成的、带权重比的特征向量来提高振动故障诊断的全面性和准确率。在智能判别算法上,利用***训练模式和工作模式下所得信息差异性来判定振动是否异常。通过消除环境温度对检测对象的影响,使温度监测更加合理、准确。上述诊断方法可靠、有效,应用效果良好。
Description
技术领域
本发明属于扶梯健康状况管理的技术领域,具体涉及一种基于振动和温度检测的,可以实现实时在线监测的扶梯故障预警***及故障诊断方法。
背景技术
随着经济发展、科技进步和人民生活水平的日益提高,扶梯的应用日渐广泛,在人流集中的地铁、轻轨、车站、机场、码头、商场以及大厦等公共场所均大量使用扶梯来输送人员。其结构主要由梯级、驱动电机、主驱动轮、梯级链涨紧轮、扶手带、梯级导轨、上下盖板、制动器及电气部分等部件组成。作为连续运行的公共设备,扶梯一旦在上述场所的运营时间段内出现故障,导致停梯,将会造成较大的不良影响和经济损失。因此,对扶梯故障的提前预警并告知故障发生部位,以便维修人员在适当的时间点进行维修,具有重要意义。
发明内容
本发明的目的是:提供一种实时在线检测的扶梯故障预警***和高准确率的故障诊断方法,以期能够及早发现扶梯的故障隐患,给维修留出充裕的时间,并提升维修效率,避免重大损失的发生。
本发明的技术方案:扶梯故障在线预警***,其包括加速度传感器、温度传感器、采集器、上位机及连接电缆,其中,加速度传感器、温度传感器分别与采集器连接,采集器通过连接电缆连接上位机,加速度传感器分别设置在扶梯主驱动轮左右轴承、梯级链涨紧轮左右轴承、电机轴承部位以及电机安装底座上,用于实现振动监测功能。温度传感器分别设置在扶梯扶手带、上下机房和抱闸上,用于实现温度监控功能。所述采集器内集成了振动和温度信号处理单元,用于处理振动、温度传感器输入的信号,并经处理后给出是否报警的结论,若报警则向上位机发送报警信息和故障数据。
所述的扶梯故障在线预警***,其扶梯主驱动轮左右轴承、梯级链涨紧轮左右轴承、电机轴承部位上的加速度传感器用于滚动轴承故障状态的监测,电机安装底座上的加速度传感器用于电机安装状态的监测。
所述的扶梯故障在线预警***,其用于扶梯扶手带温度检测的温度传感器为非接触式红外温度传感器。
所述的扶梯故障在线预警***,其用于抱闸表面温度检测的温度传感器为DS18B20数字式温度传感器,该温度传感器为表贴式,与抱闸表面紧贴后用导热胶固定。
一种基于所述扶梯故障在线预警***的故障诊断方法,其特征在于:分别对扶梯的振动信号和温度信号进行监测,在振动信号监测方面,对扶梯轴承、电机安装底座振动信号进行数字滤波、特征提取,以获得加速度、速度、位移的时域参数,并建立特征向量,实现对轴承故障状态、电机振动状态的表征,并依据各时域参数对故障的敏感程度在特征向量中引入权重比,从而提高振动故障诊断精度;在温度监测方面,将扶手带温度和抱闸温度与机房温度做差值处理来判定是否超温,从而排除环境温度对两者温度监测的影响,实现温度故障精确诊断。
所述的故障诊断方法,其特征在于,振动信号的时域参数包括加速度、速度、位移三者的有效值、峰值、峰值因子、绝对平均值、方根幅值、脉冲因子、裕度因子、波形因子。
所述的故障诊断方法,其特征在于,振动故障诊断方面构建了训练模式和工作模式,当***开启训练模式时,汇总学习周期内各种工况下的正常轴承/电机和各种故障模式下的故障轴承/电机的振动特征向量,并发送数据库保存;当***开启工作模式时,实时采集、提取被测扶梯轴承/电机的振动特征向量,结合训练模式下获取的数据,综合运算后与设置阈值进行比较来判断轴承是否故障以及电机安装是否到位。
所述的故障诊断方法,其振动故障诊断包括如下步骤:
S1:通过安装在轴承附近/电机底座的加速度传感器获取原始振动信号;
S2:利用小波变换算法、互相关函数对振动信号进行数字滤波、特征提取及运算,以获得加速度、速度、位移的时域参数:有效值XRMS、峰值XPEAK、峰值因子C、绝对平均值Xav、方根幅值Xrms、脉冲因子I、裕度因子L、波形因子S;
S3:将上述参数构建成监测向量,例如可得到加速度监测向量:XMA=[XRMS,XPEAK,C,Xav,Xrms,I,L,S],同理可得到速度监测向量XMV和位移监测向量XMD,加速度、速度、位移三者的监测向量构成表征整个***振动监测的复合特征向量:XM=[XMA,XMV,XMD];
S4:将实时监测复合特征向量XM与正常状态平均复合特征向量作差得到差向量后与权重向量Q进行数量积,即最后作取模运算得到反应总体振动状况的实时监测参数XMS;
S5:将实时监测参数XMS与报警阈值XMY进行对比,判定XMS是否超出报警阈值,若连续超标m次,则认定轴承故障/电机安装异常,向上位机发出报警信息和故障数据;
S6:发出报警后,***还将时间、通道标识、故障原始数据及计算后的实时监测复合特征向量XM和参数XMS进行存储。其中,进行标识的通道为检测到故障的加速度传感器通道。
所述的故障诊断方法,其步骤S4所述的正常状态平均复合特征向量权重向量Q及后续对比判定用的报警阈值XMY通过以下阶段得到:
S41:在训练模式下,通过N次训练,***汇总学***均得到和
S42:权重向量Q可由下式得到,式中C0为权重向量整体调整常数;C1~C24为加速度、速度、位移的某一时域参数的权重比例调整系数,式中代表个元素中的某一元素,即加速度、速度、位移的某一时域参数平均值,同理;
S43:报警阈值XMY由下式ΔXM取模得到,由此计算所得的报警阈值即为带权重运算后的报警阈值,为后续的实时故障诊断提供判断依据,报警阈值作为***出厂时设置的默认值;
所述的故障诊断方法,其特征在于,温度故障诊断包括以下步骤:
D1:通过安装在上、下机房,左、右扶手带,抱闸表面的温度传感器获取温度信号,分别记录为TS、TX、TZ、TY、TB;
D2:将左、右扶手带温度TZ、TY与下机房的温度TX作差值计算得到TZΔ、TYΔ;抱闸表面温度TB与上机房的温度TS作差值计算得到温度差值TBΔ,通过将以上TZΔ、TYΔ、TBΔ温度差值与相应的预设阈值对比,判定是否输出报警信号,预设阈值由左、右扶手带及抱闸的安全使用温度决定;
D3:若超标,将向上位机发送报警信息和故障数据,并将时间、通道标识、温度差值TZΔ、TYΔ、TBΔ进行存储,其中,进行标识的通道为检测到故障的温度传感器通道。
本发明的技术效果:扶梯故障在线预警***实时性强,对故障诊断准确、可靠,能够及早发现扶梯的故障隐患,给维修留出充裕的时间,并提升维修效率,避免重大损失的发生,具有良好的工程应用价值。该***在振动故障检测方面,通过综合运用多个时域参数所构成的、带权重比的特征向量来提升诊断的全面性,实现了诊断精度的突破。在智能判别算法上,利用***训练模式和工作模式下所得到的信息差异性来判定轴承/电机安装的状态属性,相比于目前大量使用BP神经网络分析,降低了算法复杂度,有利于编程实现。在温度检测方面,通过消除环境温度对扶手带、抱闸温度检测的影响,使监测更加合理、准确。
附图说明
图1是本发明扶梯故障在线预警***的结构示意图;
图2是本发明振动故障诊断逻辑示意图;
图3是本发明振动监测训练逻辑示意图;
图4是本发明温度故障诊断逻辑示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述。显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。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他实施例,都属于本发明保护的范围。
本发明实施例提供了一种扶梯故障预警装置,该装置由加速度传感器、红外温度传感器、DS18B20数字式温度传感器、采集器和连接电缆等组成,其***交联关系如图1所示,加速度传感器、温度传感器分别与采集器连接,采集器通过连接电缆连接上位机。所有振动、温度传感器采集的原始信号进入采集器进行处理分析后给出是否报警的结论。若报警,则采集器通过通讯接口和连接电缆直接向上位机发送报警信息和故障数据。
六支电压输出型压电式加速度传感器分别用于扶梯主驱动轮左右轴承、梯级链涨紧轮左右轴承、电机轴承部位的故障状态以及电机底座安装状态的监测。加速度传感器的灵敏度为100mV/g,测量频率范围为1Hz~10kHz。
由于左、右扶手带始终处于运动状态,因此采用非接触式红外温度传感器进行测量。考虑扶手带背面与摩擦轮接触摩擦后温度要高于正面,因此将红外温度传感器探头正对扶手带背面设置。上、下机房温度低于50℃,抱闸表面温度低于120℃,所以采用DS18B20数字式温度传感器进行监测。其中用于抱闸表面温度检测的温度传感器封装形式为表贴式,与抱闸表面紧贴后用导热胶固定,以提高温度传感器的敏感性和准确性。
采集器内部集成了振动和温度信号采集、处理单元,对信号的采集、处理、计算、存储能力强。其中对振动原始信号的采样频率高达40kHz,完全满足对振动信号进行时域处理时的采样要求;配置的32M闪存能够满足采集器在两年时间内对实时检测处理结果和故障原始数据的存储要求。
基于上述装置及设置,本发明所述的扶梯故障预警方法,包括振动故障诊断方法和温度故障诊断方法。
振动故障诊断方法包括以下步骤,其逻辑如图2所示:
S1:通过安装在轴承附近/电机底座的加速度传感器获取原始振动信号。
S2:采集器内振动信号处理单元利用小波变换算法、互相关函数对振动信号进行数字滤波、特征提取及运算,以获得加速度、速度、位移的时域参数:有效值XRMS、峰值XPEAK、峰值因子C、绝对平均值Xav、方根幅值Xrms、脉冲因子I、裕度因子L、波形因子S。
S3:将上述参数构建成监测向量,例如可得到加速度监测向量:XMA=[XRMS,XPEAK,C,Xav,Xrms,I,L,S],同理可得到速度监测向量XMV和位移监测向量XMD。加速度、速度、位移三者的监测向量又可构成表征整个***振动监测的复合特征向量:XM=[XMA,XMV,XMD],该向量为含有24个元素的一维向量。
复合特征向量包含的振动状态信息丰富,较为全面地刻画了振动信号的微弱变化在时域幅值上的差异。
若复合特征向量XM是在***开启工作模式下得到的,则为实时监测复合特征向量;若是在***开启训练模式,且训练对象为正常轴承/电机安装状态良好时得到的,则为正常状态复合特征向量XM好;若是在***开启训练模式,且训练对象为故障轴承/电机安装螺母松动时得到的,则为故障状态复合特征向量XM坏。
S4:将实时监测复合特征向量XM与正常状态平均复合特征向量作差得到差向量后与权重向量Q进行数量积,即最后作取模运算得到反应总体振动状况的实时监测参数XMS。
本步骤所述的正常状态平均复合特征向量权重向量Q及后续对比判定用的报警阈值XMY通过以下阶段得到:
S41:在训练模式下,通过N次训练,***可以汇总学***均得到和
通过训练模式得到上述和后,还可利用其进行进一步的分析计算以获取权重向量Q和报警阈值,整个训练逻辑如图3所示。权重向量Q主要用于体现时域特征参数对故障的敏感性,前述八个时域参数对故障的敏感程度各不相同。引入权重向量Q可以突出脉冲因子I、裕度因子L等主要敏感参数对***故障判断决策的贡献,同时避免次敏感因素如峰值等削弱复合特征向量对振动状态的表征性。报警阈值主要为后续的实时故障诊断提供判断依据,可作为***出厂时设置的默认值。当然后续用户也可自行对其设置,本***为用户提供了修改窗口。
S42:权重向量Q可由下式得到,式中C0为权重向量整体调整常数;C1~C24为加速度、速度、位移的某一时域参数的权重比例调整系数。以上常数可根据工程经验或参考相关的国内外设备振动状况评价标准进行微调,最终获得科学、合理的权重向量。式中代表个元素中的某一元素,即加速度、速度、位移的某一时域参数平均值,同理。两者的比值可以反应出某一时域参数对故障的敏感性,比值越大,敏感性越高。
S43:报警阈值XMY可由下式ΔXM取模得到,由此计算所得的报警阈值即为带权重运算后的报警阈值,可以为后续的实时故障诊断提供判断依据。
S5:将实时监测参数XMS与报警阈值XMY进行对比,判定XMS是否超出报警阈值,若连续超标m次,则可排除突发性的振动异常状况,从而认定轴承故障/电机安装异常,向上位机发出报警信息和故障数据,提高了诊断准确率,尽量避免***误报。
S6:发出报警后,***还将时间、通道标识(检测到故障的振动传感器通道)、故障原始数据及计算后的实时监测复合特征向量XM、实时监测参数XMS进行存储。
温度故障诊断方法包括以下步骤,其逻辑如图4所示:
D1:通过安装在上、下机房,左、右扶手带,抱闸表面的温度传感器获取温度信号,分别记录为TS、TX、TZ、TY、TB。
D2:将左、右扶手带温度TZ、TY与下机房的温度TX作差值计算得到TZΔ、TYΔ;抱闸表面温度TB与上机房的温度TS作差值计算得到温度差值TBΔ。通过将以上差值与相应的预设阈值对比,判定是否输出报警信号。预设阈值由左、右扶手带及抱闸的安全使用温度决定。
D3:若超标,将向上位机发送报警信息和故障数据,并将时间、通道标识(检测到故障的温度传感器通道)、温度差值TZΔ、TYΔ、TBΔ进行存储。
因此,在温度检测方面,不仅仅单纯地采集扶手带温度和抱闸温度,而是将两者的温度与机房温度做差值处理来判定是否超温,从而排除环境温度对两者温度监测的影响,提高了温度故障诊断的精度。
Claims (10)
1.扶梯故障在线预警***,其特征在于,包括加速度传感器、温度传感器、采集器、上位机及连接电缆,其中,加速度传感器、温度传感器分别与采集器连接,采集器通过连接电缆连接上位机,加速度传感器分别设置在扶梯主驱动轮左右轴承、梯级链涨紧轮左右轴承、电机轴承部位以及电机安装底座上,用于实现振动监测功能,并分别对扶梯的振动信号和温度信号进行监测,在振动信号监测方面,对扶梯轴承、电机安装底座振动信号进行数字滤波、特征提取,以获得加速度、速度、位移的时域参数,并建立特征向量,实现对轴承故障状态、电机振动状态的表征,并依据各时域参数对故障的敏感程度在特征向量中引入权重比,从而提高振动故障诊断精度,温度传感器分别设置在扶梯扶手带、上下机房和抱闸上,用于实现温度监控功能,所述采集器内集成了振动和温度信号处理单元,用于处理振动、温度传感器输入的信号,并经处理后给出是否报警的结论,若报警则向上位机发送报警信息和故障数据。
2.根据权利要求1所述的扶梯故障在线预警***,其特征在于,扶梯主驱动轮左右轴承、梯级链涨紧轮左右轴承、电机轴承部位上的加速度传感器用于滚动轴承故障状态的监测,电机安装底座上的加速度传感器用于电机安装状态的监测。
3.根据权利要求2所述的扶梯故障在线预警***,其特征在于,用于扶梯扶手带温度检测的传感器为非接触式红外温度传感器。
4.根据权利要求3所述的扶梯故障在线预警***,其特征在于,用于抱闸表面温度检测的温度传感器为DS18B20数字式温度传感器,该温度传感器为表贴式,与抱闸表面紧贴后用导热胶固定。
5.一种基于权利要求1所述扶梯故障在线预警***的故障诊断方法,其特征在于:分别对扶梯的振动信号和温度信号进行监测,在振动信号监测方面,对扶梯轴承、电机安装底座振动信号进行数字滤波、特征提取,以获得加速度、速度、位移的时域参数,并建立特征向量,实现对轴承故障状态、电机振动状态的表征,并依据各时域参数对故障的敏感程度在特征向量中引入权重比,从而提高振动故障诊断精度;在温度监测方面,将扶手带温度和抱闸温度与机房温度做差值处理来判定是否超温,从而排除环境温度对两者温度监测的影响,实现温度故障精确诊断。
6.权利要求5所述的故障诊断方法,其特征在于,振动信号的时域参数包括加速度、速度、位移三者的有效值、峰值、峰值因子、绝对平均值、方根幅值、脉冲因子、裕度因子、波形因子。
7.权利要求6所述的故障诊断方法,其特征在于,振动故障诊断方面构建了训练模式和工作模式,当***开启训练模式时,汇总学习周期内各种工况下的正常轴承/电机和各种故障模式下的故障轴承/电机的振动特征向量,并发送数据库保存;当***开启工作模式时,实时采集、提取被测扶梯轴承/电机的振动特征向量,结合训练模式下获取的数据,综合运算后与设置阈值进行比较来判断轴承是否故障以及电机安装是否到位。
8.如权利要求5所述的故障诊断方法,其特征在于,振动故障诊断包括如下步骤:
S1:通过安装在轴承附近/电机底座的加速度传感器获取原始振动信号;
S2:利用小波变换算法、互相关函数对振动信号进行数字滤波、特征提取及运算,以获得加速度、速度、位移的时域参数:有效值XRMS、峰值XPEAK、峰值因子C、绝对平均值Xav、方根幅值Xrms、脉冲因子I、裕度因子L、波形因子S;
S3:将上述参数构建成监测向量,得到加速度监测向量:XMA=[XRMS,XPEAK,C,Xav,Xrms,I,L,S],同理得到速度监测向量XMV和位移监测向量XMD,加速度、速度、位移三者的监测向量构成表征整个***振动监测的复合特征向量:XM=[XMA,XMV,XMD];
S4:将实时监测复合特征向量XM与正常状态平均复合特征向量作差得到差向量后与权重向量Q进行数量积,即最后作取模运算得到反应总体振动状况的实时监测参数XMS;
S5:将实时监测参数XMS与报警阈值XMY进行对比,判定XMS是否超出报警阈值,若连续超标m次,其中m为事先设定的次数,则认定轴承故障/电机安装异常,向上位机发出报警信息和故障数据;
S6:发出报警后,***还将时间、通道标识、故障原始数据及计算后的实时监测复合特征向量XM和参数XMS进行存储,其中,进行标识的通道为检测到故障的加速度传感器通道。
9.如权利要求8所述的故障诊断方法,其特征在于,步骤S4所述的正常状态平均复合特征向量权重向量Q及后续对比判定用的报警阈值XMY通过以下阶段得到:
S41:在训练模式下,通过N次训练,***汇总学***均得到和
S42:权重向量Q可由下式得到,式中C0为权重向量整体调整常数;C1~C24为加速度、速度、位移的某一时域参数的权重比例调整系数,式中代表个元素中的某一元素,即加速度、速度、位移的某一时域参数平均值,同理;
S43:报警阈值XMY由下式ΔXM取模得到,由此计算所得的报警阈值即为带权重运算后的报警阈值,为后续的实时故障诊断提供判断依据,报警阈值作为***出厂时设置的默认值;
10.如权利要求5所述的故障诊断方法,其特征在于,温度故障诊断包括以下步骤:
D1:通过安装在上、下机房,左、右扶手带,抱闸表面的温度传感器获取温度信号,分别记录为TS、TX、TZ、TY、TB;
D2:将左、右扶手带温度TZ、TY与下机房的温度TX作差值计算得到TZΔ、TYΔ;抱闸表面温度TB与上机房的温度TS作差值计算得到温度差值TBΔ,通过将以上TZΔ、TYΔ、TBΔ温度差值与相应的预设阈值对比,判定是否输出报警信号,预设阈值由左、右扶手带及抱闸的安全使用温度决定;
D3:若超标,将向上位机发送报警信息和故障数据,并将时间、通道标识、温度差值TZΔ、TYΔ、TBΔ进行存储,其中,进行标识的通道为检测到故障的温度传感器通道。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610542308.8A CN106006344B (zh) | 2016-07-12 | 2016-07-12 | 扶梯故障在线预警***及故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610542308.8A CN106006344B (zh) | 2016-07-12 | 2016-07-12 | 扶梯故障在线预警***及故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106006344A CN106006344A (zh) | 2016-10-12 |
CN106006344B true CN106006344B (zh) | 2018-11-16 |
Family
ID=57108519
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610542308.8A Active CN106006344B (zh) | 2016-07-12 | 2016-07-12 | 扶梯故障在线预警***及故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106006344B (zh) |
Families Citing this family (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107324196A (zh) * | 2017-07-24 | 2017-11-07 | 合肥星袖机械科技有限公司 | 一种自检测安全防护型手扶电梯装置 |
CN107651550B (zh) * | 2017-09-25 | 2019-11-08 | 清华大学 | 一种扶梯故障监测及预警装置 |
US11225399B2 (en) | 2017-12-29 | 2022-01-18 | Kone Corporation | Escalator monitoring system, method, sound data collection device and fixture therefor |
CN107986146A (zh) * | 2017-12-29 | 2018-05-04 | 通力电梯有限公司 | 在线监控设备、自动扶梯及在线监控自动扶梯的方法 |
CN107976252A (zh) * | 2017-12-29 | 2018-05-01 | 江南嘉捷电梯股份有限公司 | 自动扶梯驱动轮振动检测装置 |
JP6611902B1 (ja) * | 2018-12-14 | 2019-11-27 | 東芝エレベータ株式会社 | 乗客コンベア |
CN110451395B (zh) * | 2019-07-19 | 2021-01-05 | 广东寰球智能科技有限公司 | 一种扶梯故障监测方法 |
US11643301B2 (en) * | 2019-10-28 | 2023-05-09 | Otis Elevator Company | System and method for monitoring sheave bearing condition |
CN110937489B (zh) * | 2019-11-15 | 2021-07-13 | 广东寰球智能科技有限公司 | 自动扶梯的在线故障监控预警方法及*** |
CN111498667A (zh) * | 2020-06-01 | 2020-08-07 | 马文伯 | 一种结合5g及iot技术的扶梯用智能消毒装置 |
CN111830409A (zh) * | 2020-06-30 | 2020-10-27 | 佛山科学技术学院 | 一种基于深度神经网络的电机热故障诊断方法及装置 |
CN112379614B (zh) * | 2020-10-14 | 2022-04-01 | 北京市地铁运营有限公司地铁运营技术研发中心 | 一种地铁自动扶梯的电机基础监控方法及*** |
CN113299042B (zh) * | 2021-05-24 | 2022-11-01 | 淮北市华明工业变频设备有限公司 | 一种用于工业电器变频设备的安全预警*** |
CN113460843A (zh) * | 2021-07-05 | 2021-10-01 | 江苏普瑞尔特控制工程有限公司 | 自动扶梯智能预警*** |
CN113551927A (zh) * | 2021-07-07 | 2021-10-26 | 广州赛意信息科技股份有限公司 | 一种基于振动信号的机械设备故障预警方法和*** |
CN114057053B (zh) * | 2022-01-18 | 2022-04-26 | 杭州浅水数字技术有限公司 | 用于特种机械的部件疲劳程度监测方法 |
CN116067432B (zh) * | 2023-03-06 | 2023-06-09 | 南京市特种设备安全监督检验研究院 | 一种自动扶梯变工况故障诊断方法 |
CN117326435B (zh) * | 2023-11-30 | 2024-03-22 | 中国特种设备检测研究院 | 一种扶梯故障诊断方法及诊断*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN201406235Y (zh) * | 2009-03-27 | 2010-02-17 | 北京市朝阳区特种设备检测所 | 电梯动态智能监控装置 |
CN103130095A (zh) * | 2011-11-30 | 2013-06-05 | 深圳市一兆科技发展有限公司 | 一种电梯故障预警方法及相关服务器 |
CN203229283U (zh) * | 2013-03-27 | 2013-10-09 | 东华大学 | 一种电梯故障无线预警*** |
CN103359572A (zh) * | 2013-05-23 | 2013-10-23 | 中国矿业大学 | 一种提升机故障诊断方法及装置 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011051739A (ja) * | 2009-09-02 | 2011-03-17 | Toshiba Elevator Co Ltd | エレベータの制御装置 |
JP2012192995A (ja) * | 2011-03-15 | 2012-10-11 | Toshiba Elevator Co Ltd | 乗客コンベアの異常診断システム |
CN104326319B (zh) * | 2014-09-26 | 2017-12-29 | 江苏中矿科汇矿业科技有限公司 | 一种矿井提升机天轮监测*** |
-
2016
- 2016-07-12 CN CN201610542308.8A patent/CN106006344B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN201406235Y (zh) * | 2009-03-27 | 2010-02-17 | 北京市朝阳区特种设备检测所 | 电梯动态智能监控装置 |
CN103130095A (zh) * | 2011-11-30 | 2013-06-05 | 深圳市一兆科技发展有限公司 | 一种电梯故障预警方法及相关服务器 |
CN203229283U (zh) * | 2013-03-27 | 2013-10-09 | 东华大学 | 一种电梯故障无线预警*** |
CN103359572A (zh) * | 2013-05-23 | 2013-10-23 | 中国矿业大学 | 一种提升机故障诊断方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN106006344A (zh) | 2016-10-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106006344B (zh) | 扶梯故障在线预警***及故障诊断方法 | |
CN110647133B (zh) | 轨道交通设备状态检测维护方法及*** | |
CN106586796B (zh) | 一种自动扶梯状态监测***及方法 | |
CN104573850B (zh) | 一种火电厂设备状态评估方法 | |
Ghate et al. | Optimal MLP neural network classifier for fault detection of three phase induction motor | |
Su et al. | Induction machine condition monitoring using neural network modeling | |
CN106338406B (zh) | 列车牵引电传动***的在线监测与故障预警***及方法 | |
CN107003663B (zh) | 具有活动部分的装置的监视 | |
CN109613428A (zh) | 一种能像***及其在电机设备故障检测方法中的应用 | |
CN102053016B (zh) | 旋转机械滚动轴承的无线振动监测*** | |
Sanz et al. | Gear dynamics monitoring using discrete wavelet transformation and multi-layer perceptron neural networks | |
CN110977614B (zh) | 一种数控机床健康诊断方法 | |
CN107271170B (zh) | 一种机械设备故障类型的自动诊断方法及*** | |
CN106761668A (zh) | 油井故障智能化分析决策***及方法 | |
CN109655106A (zh) | 一种用于运转设备安康实时监测*** | |
CN107014668A (zh) | 一种基于压电和智能涂层传感器的疲劳裂纹综合监测方法 | |
CN107328582A (zh) | 柴油机故障检测装置 | |
CN106156336A (zh) | 一种斜拉桥结构状态评价***及评定方法 | |
CN109974782A (zh) | 基于大数据敏感特征优化选取的设备故障预警方法及*** | |
CN103678881B (zh) | 一种基于人工免疫与证据理论相结合的复合故障诊断方法 | |
CN107844067B (zh) | 一种水电站闸门在线状态监测控制方法及监测*** | |
CN107860425A (zh) | 一种桥梁结构健康监测与预警***及方法 | |
CN105626502B (zh) | 基于小波包和拉普拉斯特征映射的柱塞泵健康评估方法 | |
CN108981796A (zh) | 一种五位一体水力机械故障诊断方法 | |
CN109443766A (zh) | 一种重载车辆变速箱齿轮安全性分析方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |