CN112906157A - 一种主轴轴承健康状态评估及剩余寿命预测方法及装置 - Google Patents
一种主轴轴承健康状态评估及剩余寿命预测方法及装置 Download PDFInfo
- Publication number
- CN112906157A CN112906157A CN202110192810.1A CN202110192810A CN112906157A CN 112906157 A CN112906157 A CN 112906157A CN 202110192810 A CN202110192810 A CN 202110192810A CN 112906157 A CN112906157 A CN 112906157A
- Authority
- CN
- China
- Prior art keywords
- bearing
- moment coefficient
- generalized
- order moment
- main shaft
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 230000036541 health Effects 0.000 title claims abstract description 26
- 238000006731 degradation reaction Methods 0.000 claims abstract description 39
- 230000015556 catabolic process Effects 0.000 claims abstract description 35
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 230000003862 health status Effects 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 7
- 230000014509 gene expression Effects 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 238000009826 distribution Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- 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
- G01M13/045—Acoustic or vibration analysis
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
Landscapes
- Physics & Mathematics (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computational Mathematics (AREA)
- Acoustics & Sound (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种主轴轴承健康状态评估及剩余寿命预测方法及装置,包括:S1:获取待预测主轴轴承的实时振动数据,并对轴承实时振动数据进行预处理,得到轴承实时振动数据对应的轴承包络信号;S2:基于所述轴承包络信号获取对应的高阶原点矩和广义幂均值,构造轴承包络信号的广义高阶矩系数;S3:采用移动平均法对不同参数组合下的广义高阶矩系数和对比指标进行拟合,获得用于描述轴承退化趋势的拟合曲线等步骤;本发明结合最优的广义高阶矩系数和改进的巴黎裂纹扩展理论构造的剩余寿命预测模型,不仅能够稳定的预测轴承的剩余寿命且具有更小的预测误差。
Description
技术领域
本发明涉及轴承寿命预测技术领域,更具体的说是涉及一种主轴轴承健康状态评估及剩余寿命预测方法及装置。
背景技术
目前,通常制造装备运行过程中产生的数据能够反映出对应时刻机床的健康状态,而轴承的损伤是导致制造装备故障的主要原因之一。因此,对制造装备主轴轴承进行实时的健康状态监控和性能退化评估是制造装备智能运维与健康管理的重要内容。进一步的,基于性能评价指标的轴承剩余寿命预测更具有极高的经济价值。
但是,现有技术中通常通过建立预测模型进而预测当前阶段轴承的剩余寿命,如中国发明专利(CN 105653851A)公开了一种基于分阶段物理模型及粒子滤波的滚动轴承剩余寿命预测方法,采用主成分分析法对包含时域和时频域特征的高维特征集进行降维,并根据迭代更新轴承性能变化状况预测剩余寿命分段物理预测模型,该方法虽然能够预测当前阶段轴承的剩余寿命,但该方法在轴承故障报警阈值的确定上依赖于经验确定且当轴承退化过程出现局部波动时将会影响模型参数更新,导致预测不够准确,难以保证预测结果的可靠性。
因此,如何提供一种能够解决上述问题的制造装备主轴轴承退化评价方法是本领域技术人员亟需解决的问题。
发明内容
有鉴于此,本发明提供了一种主轴轴承健康状态评估及剩余寿命预测方法及装置,基于广义幂均值和高阶原点矩构造的广义高阶矩系数不仅能够准确跟踪轴承的性能退化过程且具有更高的单调性、相关性和鲁棒性。此外,结合优选的广义高阶矩系数和改进的巴黎裂纹扩展理论构造的剩余寿命预测模型不仅能够稳定的预测轴承的剩余寿命且具有更小的预测误差。
为了实现上述目的,本发明采用如下技术方案:
一种主轴轴承健康状态评估及剩余寿命预测方法,包括:
S1:获取待预测主轴轴承的实时振动数据,并对轴承实时振动数据进行预处理,得到轴承实时振动数据对应的轴承包络信号;
S2:基于所述轴承包络信号获取对应的高阶原点矩和广义幂均值,构造轴承包络信号的广义高阶矩系数;
S3:采用移动平均法对不同参数组合下的广义高阶矩系数和对比指标进行拟合,获得用于描述轴承退化趋势的拟合曲线;
S4:获取在不同参数组合下的广义高阶矩系数的一致性、单调性及鲁棒性指标,对所述一致性、单调性及鲁棒性指标进行权重分配以确定最优的广义高阶矩系数及参数组合,通过最优的广义高阶矩系数来评估轴承的健康状态;
S5:基于改进巴黎裂纹扩展理论方法构造待预测主轴轴承的剩余有用寿命模型。
优选的,所述步骤S5中,剩余有用寿命模型具体表达式如式(1)所示:
式中,tini其中表示待预测主轴轴承产生初始故障的时刻,zth表示待预测主轴轴承最终失效的阈值,模型参数D1和D2由同工况条件下的轴承历史退化数据获得。
优选的,所述步骤S3中:广义幂均值和高阶原点矩分别如式(2)和式(3)所示:
式中,N表示表示包络信号的长度,a和b均表示阶次。
优选的,所述步骤S4中,广义高阶矩系数的一致性、单调性和鲁棒性的加权值,具体表达式如式(4)-(6)所示:
式中,W(ti)表示广义高阶矩系数,WT(ti)表示对应的拟合退化曲线,WR(ti)表示残差信号。
优选的,所述步骤S4还包括:基于最优的广义高阶矩系数得到对应的退化拟合曲线,并根据所述退化拟合曲线得到轴承发生初始故障的阈值。
优选的,所述步骤S4中,根据退化拟合曲线获取待预测主轴轴承初始故障的阈值,阈值的表达式如式(7)所示:
进一步,本发明提供一种主轴轴承健康状态评估及剩余寿命预测装置,包括:
信号采集及预处理模块,所述采集模块用于实时采集轴承的原始振动信号,并对原始振动信号进行预处理,得到预处理振动信号;
处理模块,所述处理模块用于根据所述预处理振动信号得到对应的广义高阶矩系数;
拟合模块,所述拟合模块用于根据所述广义高阶矩系数得到用于描述轴承退化趋势的拟合曲线;
评估模块,所述评估模块用于获取在不同参数组合下的广义高阶矩系数的一致性、单调性及鲁棒性指标以确定最优的广义高阶矩系数及参数组合,并对轴承的健康状态进行评估;
预测模块,所述预测模块基于改进巴黎裂纹扩展理论方法对待预测主轴轴承的剩余寿命进行预测。
经由上述的技术方案可知,与现有技术相比,本发明提供了一种主轴轴承健康状态评估及剩余寿命预测方法及装置,具有如下有益效果:
(1)本发明提出的广义高阶矩系数具有比现有常用统计指标更好的单调性、相关性和鲁棒性,因此能够更精准的跟踪轴承性能退化过程。
(2)本发明所提出的广义高阶矩系数是一种性能良好的普适性统计指标,不仅适用于制造装备主轴轴承的性能退化过程评估也同样适用于其他机械设备的状态健康监控,应用范围更广。
(3)本发明所提出的基于改进巴黎裂纹扩展理论的预测模型对表示轴承退化过程的特征指标的要求更低,只需要满足阈值β>1即可,能够匹配更多的轴承退化评估模型,具有更强的实用性。
(4)本发明提出所的将优选的广义高阶矩系数和改进巴黎裂纹理论组合的轴承性能退化评估与剩余寿命预测模型显著提高的轴承健康评估的可靠性的剩余寿命预测的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1附图为本发明提供的一种主轴轴承健康状态评估及剩余寿命预测方法的整体流程图;
图2附图为本发明实施例提供的最优的广义高阶矩系数描述轴承的性能退化评估曲线分段示意图;
图3附图为本发明提供的一种主轴轴承健康状态评估及剩余寿命预测装置的结构原理框图;
图4附图为本发明实施例提供的在改进巴黎裂纹扩展模型下,以GHOMC(2,3)为健康指标的剩余寿命曲线示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,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。
参见附图1所示,本发明实施例公开了一种主轴轴承健康状态评估及剩余寿命预测方法,包括:
S1:获取待预测主轴轴承的实时振动数据,并对轴承实时振动数据进行预处理,得到轴承实时振动数据对应的轴承包络信号;
其中,步骤S1可以采用小波分解对获取的轴承振动信号进行滤波处理,获得包含轴承健康状态信息的有用信号;
步骤S1可以基于希尔伯特变换对滤波后的振动信号解调,获得轴承的包络信号,解调函数表达式如式(a)所示:
所获得的包络信号如式(b)所示:
S2:基于轴承包络信号获取对应的高阶原点矩和广义幂均值,构造轴承包络信号的广义高阶矩系数;
S3:采用移动平均法对不同参数组合下的广义高阶矩系数和对比指标进行拟合,获得用于描述轴承退化趋势的拟合曲线;
其中,不同参数组合指轴承的健康指标族,其中对比指标可以包括:均方根值(RMS)、方差(VAR)、标准差(STD)中的任一种或任几种,拟合的目的则是为了得到更平滑的曲线。
S4:获取在不同参数组合下的广义高阶矩系数的一致性、单调性及鲁棒性指标,对一致性、单调性及鲁棒性指标进行权重分配以确定最优的广义高阶矩系数及参数组合,通过最优的广义高阶矩系数来评估轴承的健康状态;
S5:基于改进巴黎裂纹扩展理论方法构造待预测主轴轴承的剩余有用寿命模型。
在一个具体的实施例中,步骤S5中,剩余有用寿命模型具体表达式如式(c)所示:
式中,tini其中表示待预测主轴轴承产生初始故障的时刻,zth表示待预测主轴轴承最终失效的阈值,在此基础上计算出轴承由缓慢退化到快速退化转变的阈值βzini以及最终失效阈值2βzini,模型参数D1和D2由同工况条件下的轴承历史退化数据获得。当退化拟合曲线不超过的值βzini时,表示轴承处于缓慢退化阶段,则采用c-1式预测轴承的剩余寿命;拟合曲线的值首次超过2βzini时,表示轴承进入快速退化阶段,此时采用c-2式计算轴承的剩余寿命。
在一个具体的实施例中,步骤S4还包括:基于最优的广义高阶矩系数得到对应的退化拟合曲线,并根据退化拟合曲线得到轴承发生初始故障的阈值。
在一个具体的实施例中,步骤S4中,根据退化拟合曲线获取待预测主轴轴承初始故障的阈值,阈值的表达式如式(d)所示:
在一个具体的实施例中,步骤S3中:广义幂均值和高阶原点矩分别如式(e)和式(f)所示:
式中,N表示表示包络信号的长度,a和b均表示阶次,其中a可以取大于1的任意正整数,b可以取任意正整数。
在一个具体的实施例中,基于广义幂均值和高阶原点矩构造的广义高阶矩系数的表达式如式(g)-(h)所示:
式中,参数a和b可以选取任意值,从而构造出用于轴承性能退化评估的健康指标族。
在一个具体的实施例中,步骤S4中,广义高阶矩系数的一致性、单调性和鲁棒性的表达式及对应的加权值,具体表达式如式(i)-(l)所示:
J-value=ω1Corr(WT,t)+ω2Mon(WT)+ω3Rob(W,WR) (l)
式中,W(ti)表示广义高阶矩系数,WT(ti)表示对应的拟合退化曲线,WR(ti)表示残差信号;J-value表示计算的量化评价值,权重因子ω1、ω2及ω3可分别取0.3、0.4、0.3,最终计算结果越大表明评估性能越好。
采用上述方法对某一轴承主轴轴承的健康状态及剩余寿命进行评估及预测,具体结果如附图2所示;如附图4所示基于改进巴黎裂纹扩展模型下个表示参数组合a=2,b=3,即以GHOMC(2,3)为健康指标的轴承剩余寿命结果曲线示意图。
进一步的,参见附图3所示,本发明实施例还提供一种主轴轴承健康状态评估及剩余寿命预测装置,包括:
信号采集及预处理模块,采集模块用于实时采集轴承的原始振动信号,并对原始振动信号进行预处理,得到预处理振动信号;
处理模块,处理模块用于根据预处理振动信号得到对应的广义高阶矩系数;
拟合模块,拟合模块用于根据广义高阶矩系数得到用于描述轴承退化趋势的拟合曲线;
评估模块,评估模块用于获取在不同参数组合下的广义高阶矩系数的一致性、单调性及鲁棒性指标以确定最优的广义高阶矩系数及参数组合,并对轴承的健康状态进行评估;
预测模块,预测模块基于改进巴黎裂纹扩展理论方法对待预测主轴轴承的剩余寿命进行预测。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (7)
1.一种主轴轴承健康状态评估及剩余寿命预测方法,其特征在于,包括:
S1:获取待预测主轴轴承的实时振动数据,并对轴承实时振动数据进行预处理,得到轴承实时振动数据对应的轴承包络信号;
S2:基于所述轴承包络信号获取对应的高阶原点矩和广义幂均值,构造轴承包络信号的广义高阶矩系数;
S3:采用移动平均法对不同参数组合下的广义高阶矩系数和对比指标进行拟合,获得用于描述轴承退化趋势的拟合曲线;
S4:获取在不同参数组合下的广义高阶矩系数的一致性、单调性及鲁棒性指标,对所述一致性、单调性及鲁棒性指标进行权重分配以确定最优的广义高阶矩系数及参数组合,通过最优的广义高阶矩系数来评估轴承的健康状态;
S5:基于改进巴黎裂纹扩展理论方法构造待预测主轴轴承的剩余有用寿命模型。
5.根据权利要求1所述的一种主轴轴承健康状态评估及剩余寿命预测方法,其特征在于,所述步骤S4还包括:基于最优的广义高阶矩系数得到对应的退化拟合曲线,并根据所述退化拟合曲线得到轴承发生初始故障的阈值。
7.一种主轴轴承健康状态评估及剩余寿命预测装置,其特征在于,包括:
信号采集及预处理模块,所述采集模块用于实时采集轴承的原始振动信号,并对原始振动信号进行预处理,得到预处理振动信号;
处理模块,所述处理模块用于根据所述预处理振动信号得到对应的广义高阶矩系数;
拟合模块,所述拟合模块用于根据所述广义高阶矩系数得到用于描述轴承退化趋势的拟合曲线;
评估模块,所述评估模块用于获取在不同参数组合下的广义高阶矩系数的一致性、单调性及鲁棒性指标以确定最优的广义高阶矩系数及参数组合,并对轴承的健康状态进行评估;
预测模块,所述预测模块基于改进巴黎裂纹扩展理论方法对待预测主轴轴承的剩余寿命进行预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110192810.1A CN112906157A (zh) | 2021-02-20 | 2021-02-20 | 一种主轴轴承健康状态评估及剩余寿命预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110192810.1A CN112906157A (zh) | 2021-02-20 | 2021-02-20 | 一种主轴轴承健康状态评估及剩余寿命预测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112906157A true CN112906157A (zh) | 2021-06-04 |
Family
ID=76124053
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110192810.1A Pending CN112906157A (zh) | 2021-02-20 | 2021-02-20 | 一种主轴轴承健康状态评估及剩余寿命预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112906157A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113357138A (zh) * | 2021-07-21 | 2021-09-07 | 中国人民解放军陆军工程大学 | 液压泵剩余使用寿命预测方法、装置及终端设备 |
CN113656910A (zh) * | 2021-08-06 | 2021-11-16 | 电子科技大学 | 基于aff-aakr融合的滚动轴承健康指标曲线构建方法 |
CN114800036A (zh) * | 2022-06-24 | 2022-07-29 | 成都飞机工业(集团)有限责任公司 | 一种设备健康状态评估方法 |
CN116186459A (zh) * | 2022-12-26 | 2023-05-30 | 中国人民解放军95616部队保障部 | 基于组合权重和广义幂均值的设备健康度评估方法、***、介质、装置及层级化评估方法 |
CN116186459B (zh) * | 2022-12-26 | 2024-07-30 | 中国人民解放军95616部队保障部 | 基于组合权重和广义幂均值的设备健康度评估方法、***、介质、装置及层级化评估方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170018277A1 (en) * | 2014-04-08 | 2017-01-19 | Huawei Technologies Co.,Ltd. | Noise signal processing method, noise signal generation method, encoder, decoder, and encoding and decoding system |
CN108846241A (zh) * | 2018-07-04 | 2018-11-20 | 西安交通大学 | 基于弗雷歇距离动态数模联动的滚动轴承寿命预测方法 |
CN111159846A (zh) * | 2019-12-03 | 2020-05-15 | 上海工程技术大学 | 基于分数levy稳定运动的滚动轴承剩余有效寿命预测方法 |
-
2021
- 2021-02-20 CN CN202110192810.1A patent/CN112906157A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170018277A1 (en) * | 2014-04-08 | 2017-01-19 | Huawei Technologies Co.,Ltd. | Noise signal processing method, noise signal generation method, encoder, decoder, and encoding and decoding system |
CN108846241A (zh) * | 2018-07-04 | 2018-11-20 | 西安交通大学 | 基于弗雷歇距离动态数模联动的滚动轴承寿命预测方法 |
CN111159846A (zh) * | 2019-12-03 | 2020-05-15 | 上海工程技术大学 | 基于分数levy稳定运动的滚动轴承剩余有效寿命预测方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113357138A (zh) * | 2021-07-21 | 2021-09-07 | 中国人民解放军陆军工程大学 | 液压泵剩余使用寿命预测方法、装置及终端设备 |
CN113656910A (zh) * | 2021-08-06 | 2021-11-16 | 电子科技大学 | 基于aff-aakr融合的滚动轴承健康指标曲线构建方法 |
CN113656910B (zh) * | 2021-08-06 | 2023-04-07 | 电子科技大学 | 基于aff-aakr融合的滚动轴承健康指标曲线构建方法 |
CN114800036A (zh) * | 2022-06-24 | 2022-07-29 | 成都飞机工业(集团)有限责任公司 | 一种设备健康状态评估方法 |
CN116186459A (zh) * | 2022-12-26 | 2023-05-30 | 中国人民解放军95616部队保障部 | 基于组合权重和广义幂均值的设备健康度评估方法、***、介质、装置及层级化评估方法 |
CN116186459B (zh) * | 2022-12-26 | 2024-07-30 | 中国人民解放军95616部队保障部 | 基于组合权重和广义幂均值的设备健康度评估方法、***、介质、装置及层级化评估方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112906157A (zh) | 一种主轴轴承健康状态评估及剩余寿命预测方法及装置 | |
CN110796368B (zh) | 基于贝叶斯网络的社区配电网动态风险评估方法及装置 | |
CN111537219B (zh) | 一种基于温度参数的风机齿轮箱性能检测与健康评估方法 | |
EP2415209B1 (en) | Network analysis system | |
CN110942137A (zh) | 一种基于深度学习的电网信息运维监控方法 | |
CN112069666B (zh) | 一种基于概率潮流法的电网短期可靠性评估方法 | |
CN112379325A (zh) | 一种用于智能电表的故障诊断方法及*** | |
CN114978956A (zh) | 智慧城市网络设备性能异常突变点检测方法及装置 | |
CN111340367B (zh) | 基于多维度关联性数据分析的少油设备状态评估方法及*** | |
CN114202238A (zh) | 供电设备健康度评估方法、运维方法、装置及服务器 | |
CN115796708A (zh) | 一种工程建设用的大数据智能质检方法、***和介质 | |
CN117311295B (zh) | 基于无线网络设备的生产质量提升方法及*** | |
CN112016800B (zh) | 一种基于有效性指标的特征选择方法与*** | |
CN112597607A (zh) | 风力发电机高速轴承的预测性维修方法及*** | |
CN112241595A (zh) | 基于逻辑回归的机载电源可靠性增长性能退化分析方法 | |
CN116976191A (zh) | 一种水轮发电机组轴系稳定性劣化趋势预测方法 | |
CN108844662B (zh) | 一种数控机床电气柜状态评估方法 | |
CN116702597A (zh) | 一种机械设备运行寿命预测与健康管理方法、***及介质 | |
CN115294274A (zh) | 基于输变电工程三维设计模型的工程运维状态预测方法 | |
CN112685912B (zh) | 一种多元广义Wiener过程性能退化可靠性分析方法 | |
CN109739210B (zh) | 设备部件健康状态的评估方法及装置 | |
CN114298188A (zh) | 一种电力设备故障智能分析方法及*** | |
CN113642171A (zh) | 一种基于大数据的输变电设备健康状态评估***及方法 | |
Li et al. | Nonparametric kernel density estimation model of transformer health based on dissolved gases in oil | |
Li et al. | Multi-source heterogeneous log fusion technology of power information system based on big data and imprecise reasoning theory |
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 |