CN112196784A - 一种基于elm的高压隔膜泵健康状态预估***及方法 - Google Patents
一种基于elm的高压隔膜泵健康状态预估***及方法 Download PDFInfo
- Publication number
- CN112196784A CN112196784A CN202010984240.5A CN202010984240A CN112196784A CN 112196784 A CN112196784 A CN 112196784A CN 202010984240 A CN202010984240 A CN 202010984240A CN 112196784 A CN112196784 A CN 112196784A
- Authority
- CN
- China
- Prior art keywords
- diaphragm pump
- pressure diaphragm
- sensor
- state
- elm
- 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
- 230000036541 health Effects 0.000 title claims abstract description 21
- 238000000034 method Methods 0.000 title claims abstract description 13
- 230000005540 biological transmission Effects 0.000 claims abstract description 18
- 238000004458 analytical method Methods 0.000 claims abstract description 13
- 230000004927 fusion Effects 0.000 claims abstract description 11
- 230000001133 acceleration Effects 0.000 claims abstract description 10
- 230000015556 catabolic process Effects 0.000 claims abstract description 8
- 238000006731 degradation reaction Methods 0.000 claims abstract description 7
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 6
- 238000012360 testing method Methods 0.000 claims description 10
- 238000007635 classification algorithm Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- 238000010521 absorption reaction Methods 0.000 claims 1
- 230000003862 health status Effects 0.000 claims 1
- 238000004949 mass spectrometry Methods 0.000 claims 1
- 230000008901 benefit Effects 0.000 abstract description 3
- 238000003745 diagnosis Methods 0.000 abstract description 2
- 238000005299 abrasion Methods 0.000 description 12
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000009776 industrial production Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006854 communication Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
- F04B—POSITIVE-DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS
- F04B51/00—Testing machines, pumps, or pumping installations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2132—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on discrimination criteria, e.g. discriminant analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/04—Ageing analysis or optimisation against ageing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Mechanical Engineering (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Measuring Fluid Pressure (AREA)
Abstract
本发明涉及一种基于ELM的高压隔膜泵健康状态预估***及方法，属于故障诊断技术领域。本发明首先通过信号采集模块将加速度传感器、温度传感器、声发射传感器、泄露流量传感器和压力传感器分别采集到的高压隔膜泵的振动信号、温度信号、声发射信号、泄露量信号和压力信号通过无线WIFI传输模块传至PC端分析模块上，采用加权融合算法进行数据融合，拟合出一个能全面反映高压隔膜泵故障信息的性能退化指标，并通过改进的ELM建立高压隔膜泵健康状况预估模型，以此来预估高压隔膜泵的运行状态。本发明具有安全、便捷、高效，准确率较高等优点，适合于多种设备的高压隔膜泵健康状态预估。
Description
技术领域
本发明涉及一种基于ELM的高压隔膜泵健康状态预估***及方法，属于故障诊断技术领域。
背景技术
高压隔膜泵在矿浆管道输送***中发挥着至关重要的作用，在为生产企业带来经济效益的同时能够显著提高运行效率，因此被广泛应用于各个领域中。在实际运行过程中，高压隔膜泵的运行健康状态是备受关注的问题。若按最小全周期更换阀体，导致大量可用的阀体得不到充分利用，不仅增加了生产成本，降低了经济效益，还缩短了高压隔膜泵的运行周期。仅靠人工巡视检查的成本较高，很难完全避免故障的发生，难以提前预报故障。
通过远程监控高压隔膜泵的运行状态并进行预估，可以有效地对高压隔膜泵的故障进行在线诊断，从而预防故障发生。
发明内容
本发明要解决的技术问题是提供一种基于ELM的高压隔膜泵健康状态预估***及方法，用于解决高压隔膜泵恶劣工作环境中造成的阀体磨损，导致阀室击穿等一系列生产安全事故的问题，实现了对高压隔膜泵运行状态的有效预测，具有较强的实用性和工程意义。
本发明的技术方案是：一种基于ELM的高压隔膜泵健康状态预估***，包括信号采集模块、无线WIFI传输模块和PC端分析模块。
信号采集模块由加速度传感器、温度传感器、声发射传感器、泄露流量传感器、压力传感器和STM32f103芯片组成。
无线WIFI传输模块由ESP8266和无线路由器组成。
信号采集模块将加速度传感器、温度传感器、声发射传感器、泄露流量传感器和压力传感器分别采集到的高压隔膜泵的振动信号、温度信号、声发射信号、泄露量信号和压力信号由单片机STM33f103芯片的串口与无线WIFI传输模块ESP8266的串口相连接，实现串口与WIFI之间的转换，从而实现数据的无线传输。再由无线路由器经Internet上传到云端，由云端通过Internet、路由器下传至PC端分析模块上，PC端分析模块将接收到的数据采用加权融合算法进行数据融合，拟合出一个能全面反映高压隔膜泵故障信息的性能退化指标，并通过改进的ELM建立高压隔膜泵健康状况预估模型，以此来预估高压隔膜泵的运行状态，从而判断高压隔膜泵属于正常状态、轻度故障状态、重度故障状态或是失效状态。
所述信号采集模块中的加速度传感器和温度传感器轴向安装在高压隔膜泵上，声发射传感器径向安装在高压隔膜泵上，泄露流量传感器和压力传感器垂直方向安装在高压隔膜泵上，采用三路采集通道并行采集数据。高压隔膜泵的泄漏流量是反映泵磨损状况的主要特征参数，与泵的输出压力、泵的实时排量、温度和转速有关，综合考虑这些因素的影响，选择5类传感器分别对高压隔膜泵的运行状态进行信号采集。
所述的高压隔膜泵的正常状态、轻度故障状态、重度故障状态或是失效状态，可以用隔膜泵的磨损程度来判断，定义当磨损程度为0.1-5mm时为轻度故障状态。当磨损程度为5mm-10mm时为重度故障状态。当磨损程度超过10mm时为失效状态。在线实时采集的数据进行分析时，当磨损程度超过5mm时，即判断为严重故障状态。再进一步分析是否属于失效状态。当故障属于重度故障状态或失效状态时，***界面会自动报警，***报警提醒现场工作人员及时排除故障，由此保证工业生产设备在最大利用率的情况下正常运行。
所述的基于ELM的高压隔膜泵健康状态预估***的使用方法，具体步骤为：
Step1：采集高压隔膜泵全周期寿命数据，并对原始数据进行多维特征参数提取，通过LDA降维后，得到初始数据样本，作为训练样本集。
Step2：利用改进的ELM分类算法对训练样本集进行聚类建模，通过训练得到各状态隐含层节点R(X,Cj)的聚类中心Cj，即正常状态、轻度故障状态、重度故障状态和失效状态的聚类中心，分别记为C0,C1,C2,C3。
计算各聚类中心的隶属度，分别记为U0,U1,U2,U3。
其中X＝[x1,x2,...,xn]T为输入的训练样本集，隐含层节点的激活函数选RBF函数，记为：
网络输出为：
式中，Y(X)表示输入为X时，网络的输出，ωj为隐含层第j个节点到输出层的权值，X＝[x1,x2,...,xn]T为网络的输入向量，Cj为ELM的第j个隐层节点的聚类中心，δj为RBF网络第j个隐层节点的拓展宽度。δj越小，径向基函数的拓展宽度越小，表明所属此类故障的可能性越小。图1为改进的ELM模型。
Step3：将现场多个传感器实时采集加权融合后的数据进行多维特征参数提取。通过LDA降维后得到的数据样本，作为测试样本集。
Step4：对测试样本集利用改进的ELM通过Step2中得到的聚类模型，计算各聚类中心的隶属度。
Step5：根据Step4计算的各聚类中心的隶属度值，来判断高压隔膜泵故障产生属于哪个阶段的故障类型，实现对高压隔膜泵的健康状态的预估。
本发明的有益效果是：
1、本发明提出用改进的ELM对训练样本集建立聚类模型，将在线采集的样本作为测试样本进行测试，根据训练模型的分类故障类型，实现测试集对高压隔膜泵的运行状态的预测。
2、本发明提出的信号采集模块，采用五种传感器对产生的五种信号通过无线WIFI传输模块实现数据的无线传输，将得到的数据进行加权数据融合，拟合出了一个能全面反映高压隔膜泵故障信息的性能退化指标，利用该指标可以有效地预估高压隔膜泵的寿命健康状态，进而提前发现故障，防止事故的发生。
附图说明
图1是本发明改进的ELM的结构图；
图2是本发明***的结构示意图；
图3是本发明方法的步骤流程图。
具体实施方式
下面结合附图和具体实施方式，对本发明作进一步说明。
如图2所示，一种基于ELM的高压隔膜泵健康状态预估***，包括信号采集模块、无线WIFI传输模块和PC端分析模块。
信号采集模块由加速度传感器、温度传感器、声发射传感器、泄露流量传感器、压力传感器和STM32f103芯片组成。
无线WIFI传输模块由ESP8266和无线路由器组成，用于对多传感器采集到的信号通过WIFI的方式传送至PC机端分析模块。
PC端分析模块，用于对多传感器采集到的数据进行数据加权融合，得到能全面反映高压隔膜泵故障信息的性能退化指标，最后利用该指标采用改进的ELM实现对高压隔膜泵的运行状态预估。
信号采集模块将加速度传感器、温度传感器、声发射传感器、泄露流量传感器和压力传感器分别采集到的高压隔膜泵的振动信号、温度信号、声发射信号、泄露量信号和压力信号由单片机STM33f103芯片的串口与无线WIFI传输模块ESP8266的串口相连接，实现串口与WIFI之间的转换，从而实现数据的无线传输。再由无线路由器经Internet上传到云端，由云端通过Internet、路由器下传至PC端分析模块上，PC端分析模块将接收到的数据采用加权融合算法进行数据融合，拟合出一个能全面反映高压隔膜泵故障信息的性能退化指标，并通过改进的ELM建立高压隔膜泵健康状况预估模型，以此来预估高压隔膜泵的运行状态，从而判断高压隔膜泵属于正常状态、轻度故障状态、重度故障状态或是失效状态。
所述信号采集模块中的加速度传感器和温度传感器轴向安装在高压隔膜泵上，声发射传感器径向安装在高压隔膜泵上，泄露流量传感器和压力传感器垂直方向安装在高压隔膜泵上，采用三路采集通道并行采集数据。高压隔膜泵的泄漏流量是反映泵磨损状况的主要特征参数，与泵的输出压力、泵的实时排量、温度和转速有关，综合考虑这些因素的影响，选择5类传感器分别对高压隔膜泵的运行状态进行信号采集。
所述的高压隔膜泵的正常状态、轻度故障状态、重度故障状态或是失效状态，可以用隔膜泵的磨损程度来判断，定义当磨损程度为0.1-5mm时为轻度故障状态。当磨损程度为5mm-10mm时为重度故障状态。当磨损程度超过10mm时为失效状态。在线实时采集的数据进行分析时，当磨损程度超过5mm时，即判断为严重故障状态。再进一步分析是否属于失效状态。当故障属于重度故障状态或失效状态时，***界面会自动报警，***报警提醒现场工作人员及时排除故障，由此保证工业生产设备在最大利用率的情况下正常运行。
本发明所述PC端分析模块为PC机。
本发明***信号通讯过程：首先将加速度传感器、温度传感器、声发射传感器、泄露流量传感器、压力传感器、STM32f103微控制器、无线WIFI传输模块ESP8266和PC机分别连接在对应的插口上，然后配置WIFI无线传输模块的网络模式及服务器IP地址与端口。STM32f103微控制器与无线WIFI传输模块采用TCP/IP方式连接，PC机开启无线热点，等待WIFI模块连接热点。***通过TCP/IP把数据发送到PC机上，接收采集到的振动信号、温度信号、声发射信号、泄露流量信号和压力信号数据。
本发明方法通过PC机执行，在进行数据分析时，将在线采集到的数据作为测试样本集，以此作为ELM的输入，通过训练好的模型，对高压隔膜泵的健康状态进行预测。当有故障发生时，选取对应组的数据计算其聚类中心，根据各聚类中心的值计算对应隶属度的值，根据隶属度判断故障所属的故障类型，当磨损程度超过5mm时，即判断为严重故障状态或失效状态，此时***会自动报警，***报警提醒现场工作人员及时排除故障，由此保证工业生产设备在最大利用率的情况下正常运行。
如图3所示，所述的基于ELM的高压隔膜泵健康状态预估***的使用方法，具体步骤为：
Step1：采集高压隔膜泵全周期寿命数据，并对原始数据进行多维特征参数提取，通过LDA降维后，得到初始数据样本，作为训练样本集。
Step2：利用改进的ELM分类算法对训练集样本进行聚类建模。改进的ELM隐含层节点的激活函数选为RBF函数，记为：
网络输出为：
式中，X＝[x1,x2,...,xn]T为输入的训练样本集，Y(X)表示输入为X时，网络的输出，ωj为第j个隐含层节点到输出层的权值，Cj为ELM的第j个隐层节点的聚类中心，δj为RBF网络第j个隐层节点的拓展宽度，δj越小，径向基函数的拓展宽度越小，表明所属此类故障的可能性越小。
图1为改进的ELM模型，改进的ELM分类算法如下：
Step2.1：确定RBF神经网络的隐层节点的数据中心Cj。用K-means聚类算法聚类训练样本，计算RBF神经网络当前的输入向量X与各神经元的欧氏距离dw：
Step2.2：将欧氏距离最小的神经元作为RBF神经网络各隐层节点的数据中心，记为Cj(j＝1，2,…,n)，n为高压隔膜泵的故障类别数。
Step2.3：计算RBF神经网络隐层节点的拓展宽度δj。计算每类中所有的样本点到每个故障类别聚类中心的欧氏距离，每个样本点欧氏距离的最小值作为此样本点到所属类别的最小距离，此最小距离即为此类中所有样本点到所属聚类中心的距离，将其距离的最大值作为所属故障类别样本的聚类中心的的半径，即为各自神经元RBF网络第j个隐层节点的拓展宽度δj(j＝1，2,…,n)，n为高压隔膜泵的故障类别数。
Step2.4：最后由K-means聚类算法确定的聚类类别数n作为RBF网络隐层节点的个数，即高压隔膜泵的故障类别数；将各神经元确定的聚类中心Cj作为RBF神经网络隐层节点的聚类中心；将聚类半径δj作为各神经元RBF网络第j个隐层节点的拓展宽度δj(j＝1，2,…,n)。
Step2.5：将获取的高压隔膜泵的训练样本X作为改进的ELM分类器的输入进行训练，获取训练模型。
Step3：将现场五种传感器实时采集的信号进行加权融合，拟合出一个能全面反映高压隔膜泵故障信息的性能退化指标数据集，将得到的数据集进行多维特征提取；通过LDA降维后得到的数据样本，作为测试样本集。
Step4：对测试样本集利用改进的ELM通过Step2中得到的聚类模型，对测试样本集进行训练，得到高压隔膜泵各运行状态的聚类中心，并计算各聚类中心的隶属度。
Step5：根据Step4计算出的高压隔膜泵各运行状态聚类中心的隶属度值来判断高压隔膜泵运行状态属于哪个阶段的故障类型，实现对高压隔膜泵的健康状态的预估。
以上结合附图对本发明的具体实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。
Claims (2)
1.一种基于ELM的高压隔膜泵健康状态预估***，其特征在于：包括信号采集模块、无线WIFI传输模块和PC端分析模块；
信号采集模块由加速度传感器、温度传感器、声发射传感器、泄露流量传感器、压力传感器和STM32f103芯片组成；
无线WIFI传输模块由ESP8266和无线路由器组成；
信号采集模块将加速度传感器、温度传感器、声发射传感器、泄露流量传感器和压力传感器分别采集到的高压隔膜泵的振动信号、温度信号、声发射信号、泄露量信号和压力信号由单片机STM33f103芯片的串口与无线WIFI传输模块ESP8266的串口相连接，再由无线路由器经Internet上传到云端，由云端通过Internet、路由器下传至PC端分析模块上，PC端分析模块将接收到的数据采用加权融合算法进行数据融合，拟合出一个能全面反映高压隔膜泵故障信息的性能退化指标，并通过改进的ELM建立高压隔膜泵健康状况预估模型，以此来预估高压隔膜泵的运行状态。
2.权利要求1所述的基于ELM的高压隔膜泵健康状态预估***的使用方法，其特征在于：
Step1：采集高压隔膜泵全周期寿命数据，并对原始数据进行多维特征参数提取，通过LDA降维后，得到初始数据样本，作为训练样本集；
Step2：利用改进的ELM分类算法对训练样本集进行聚类建模，通过训练得到各状态隐含层节点R(X,Cj)的聚类中心Cj，即正常状态、轻度故障状态、重度故障状态和失效状态的聚类中心，分别记为C0,C1,C2,C3；
计算各聚类中心的隶属度，分别记为U0,U1,U2,U3；
其中X＝[x1,x2,...,xn]T为输入的训练样本集，隐含层节点的激活函数选RBF函数，记为：
网络输出为：
式中，Y(X)表示输入为X时，网络的输出，ωj为隐含层第j个节点到输出层的权值，X＝[x1,x2,...,xn]T为网络的输入向量，Cj为ELM的第j个隐层节点的聚类中心，δj为RBF网络第j个隐层节点的拓展宽度；
Step3：将现场多个传感器实时采集加权融合后的数据进行多维特征参数提取；通过LDA降维后得到的数据样本，作为测试样本集；
Step4：对测试样本集利用改进的ELM通过Step2中得到的聚类模型，计算各聚类中心的隶属度；
Step5：根据Step4计算的各聚类中心的隶属度值，来判断高压隔膜泵故障产生属于哪个阶段的故障类型，实现对高压隔膜泵的健康状态的预估。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010984240.5A CN112196784B (zh) | 2020-09-18 | 2020-09-18 | 一种基于elm的高压隔膜泵健康状态预估***及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010984240.5A CN112196784B (zh) | 2020-09-18 | 2020-09-18 | 一种基于elm的高压隔膜泵健康状态预估***及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112196784A true CN112196784A (zh) | 2021-01-08 |
| CN112196784B CN112196784B (zh) | 2021-11-26 |
Family
ID=74015465
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010984240.5A Active CN112196784B (zh) | 2020-09-18 | 2020-09-18 | 一种基于elm的高压隔膜泵健康状态预估***及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112196784B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113074940A (zh) * | 2021-03-18 | 2021-07-06 | 昆明理工大学 | 一种基于os-elm的滚动轴承健康状态预估***及方法 |
| CN114882680A (zh) * | 2022-04-19 | 2022-08-09 | 深圳闪回科技有限公司 | 一种远程终端管理***及方法 |
| CN115095535A (zh) * | 2022-06-17 | 2022-09-23 | 长沙昌佳自动化设备有限公司 | 一种工业泵运行多参数检测仪 |
| CN116906306A (zh) * | 2023-07-05 | 2023-10-20 | 山东亿宁环保科技有限公司 | 一种基于卷积神经网络的真空泵集成控制*** |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150152861A1 (en) * | 2009-06-11 | 2015-06-04 | Eaton Corporation | Fault detection and mitigation in hybrid drive system |
| CN106989004A (zh) * | 2017-04-14 | 2017-07-28 | 北京理工大学 | 一种电子液压泵诊断***及方法 |
| CN107605721A (zh) * | 2017-07-24 | 2018-01-19 | 昆明理工大学 | 一种矿浆管道高压隔膜泵健康状态预估***及方法 |
| CN108393744A (zh) * | 2018-04-11 | 2018-08-14 | 温州大学 | 一种刀具状态多传感监测方法 |
| CN111220373A (zh) * | 2020-03-18 | 2020-06-02 | 北京工业大学 | 一种离心泵转子***故障诊断的方法 |
-
2020
- 2020-09-18 CN CN202010984240.5A patent/CN112196784B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150152861A1 (en) * | 2009-06-11 | 2015-06-04 | Eaton Corporation | Fault detection and mitigation in hybrid drive system |
| CN106989004A (zh) * | 2017-04-14 | 2017-07-28 | 北京理工大学 | 一种电子液压泵诊断***及方法 |
| CN107605721A (zh) * | 2017-07-24 | 2018-01-19 | 昆明理工大学 | 一种矿浆管道高压隔膜泵健康状态预估***及方法 |
| CN108393744A (zh) * | 2018-04-11 | 2018-08-14 | 温州大学 | 一种刀具状态多传感监测方法 |
| CN111220373A (zh) * | 2020-03-18 | 2020-06-02 | 北京工业大学 | 一种离心泵转子***故障诊断的方法 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113074940A (zh) * | 2021-03-18 | 2021-07-06 | 昆明理工大学 | 一种基于os-elm的滚动轴承健康状态预估***及方法 |
| CN114882680A (zh) * | 2022-04-19 | 2022-08-09 | 深圳闪回科技有限公司 | 一种远程终端管理***及方法 |
| CN115095535A (zh) * | 2022-06-17 | 2022-09-23 | 长沙昌佳自动化设备有限公司 | 一种工业泵运行多参数检测仪 |
| CN116906306A (zh) * | 2023-07-05 | 2023-10-20 | 山东亿宁环保科技有限公司 | 一种基于卷积神经网络的真空泵集成控制*** |
| CN116906306B (zh) * | 2023-07-05 | 2024-02-13 | 山东亿宁环保科技有限公司 | 一种基于卷积神经网络的真空泵集成控制*** |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112196784B (zh) | 2021-11-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112196784B (zh) | 一种基于elm的高压隔膜泵健康状态预估***及方法 | |
| CN111596604B (zh) | 一种基于数字孪生的工程装备故障智能诊断与自愈控制***及方法 | |
| CN109465676B (zh) | 一种刀具寿命预测方法 | |
| CN102520697B (zh) | 一种远程协同诊断的现场信息预处理方法 | |
| Fan et al. | A framework for knowledge discovery in massive building automation data and its application in building diagnostics | |
| CN110895526A (zh) | 一种大气监测***中数据异常的修正方法 | |
| CN107403279B (zh) | 一种输油泵工况自适应状态预警***及方法 | |
| CN113762329A (zh) | 一种大型轧机状态预测模型的构建方法及构建*** | |
| CN102175282A (zh) | 一种基于信息融合的离心式空气压缩机故障诊断方法 | |
| CN110942137A (zh) | 一种基于深度学习的电网信息运维监控方法 | |
| CN105574604B (zh) | 一种面向电网运行事件的监控预判分析*** | |
| CN106656669B (zh) | 一种基于阈值自适应设置的设备参数异常检测***及方法 | |
| CN109711664B (zh) | 一种基于大数据的输变电设备健康评估*** | |
| WO2023044770A1 (zh) | 干泵宕机的预警方法、装置、电子设备、存储介质及程序 | |
| CN112734977B (zh) | 一种基于物联网的设备风险预警***及算法 | |
| CN113761649A (zh) | 一种基于一维卷积神经网络的智能汽车轮胎偏磨预测方法 | |
| CN116684878B (zh) | 一种5g信息传输数据安全监测*** | |
| CN117156442B (zh) | 基于5g网络的云数据安全保护方法及*** | |
| WO2023231374A1 (zh) | 机械设备半监督故障检测分析方法、装置、终端及介质 | |
| CN116520806A (zh) | 一种工业***智能故障诊断***及其方法 | |
| CN115037559A (zh) | 一种基于流量的数据安全监测***、电子设备及存储介质 | |
| CN116538092B (zh) | 一种压缩机在线监测及诊断方法、装置、设备及存储介质 | |
| CN117471346A (zh) | 用于确定退役电池模组剩余寿命和健康状态的方法及*** | |
| CN117076869A (zh) | 旋转机械时频域融合故障诊断方法及*** | |
| CN117675230A (zh) | 基于知识图谱的油井数据完整性识别方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |