CN114216640A - 用于检测工业设备故障状态的方法、设备和介质 - Google Patents
用于检测工业设备故障状态的方法、设备和介质 Download PDFInfo
- Publication number
- CN114216640A CN114216640A CN202210155355.2A CN202210155355A CN114216640A CN 114216640 A CN114216640 A CN 114216640A CN 202210155355 A CN202210155355 A CN 202210155355A CN 114216640 A CN114216640 A CN 114216640A
- Authority
- CN
- China
- Prior art keywords
- detection data
- fault
- vibration detection
- amplitude
- industrial equipment
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M7/00—Vibration-testing of structures; Shock-testing of structures
- G01M7/02—Vibration-testing by means of a shake table
- G01M7/022—Vibration control arrangements, e.g. for generating random vibrations
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M7/00—Vibration-testing of structures; Shock-testing of structures
- G01M7/02—Vibration-testing by means of a shake table
- G01M7/025—Measuring arrangements
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本公开涉及一种用于检测工业设备故障状态的方法、计算设备和计算机存储介质。该方法包括:在边缘设备处,获取关于待测工业设备的多个方向上的多个振动检测数据;过滤掉满足预定数据异常条件的当前振动检测数据;基于所保留的振动检测数据,确定是否满足预定故障条件;响应于确定满足预定故障条件,将所保留的振动检测数据发送至云服务器,以便拼接所述每个方向上的所保留的振动检测数据,从而生成用于输入预测模型的输入特征;以及基于输入数据,经由经训练的预测模型,预测关于待测工业设备的故障类型。本公开不仅能够有效地提高适用通用性,而且能够针对待测工业设备进行准确与及时的故障状态及其故障类型的诊断。
Description
技术领域
本公开总体上涉及工业设备的健康状态检测,并且具体地,涉及用于检测工业设备故障状态的方法、计算设备和计算机存储介质。
背景技术
传统的用于检测工业设备故障状态的方案例如包括:根据待测工业设备的工作机理及其特定的工业应用场景确定传感器检测信号的故障状态指标,当确定传感器检测信号达到故障状态指标时,则给出故障状态报警。
在上述传统的用于检测工业设备故障状态的方案中,故障状态指标通常依赖于特定待测工业设备的工作机理及其特定的工业应用场景,并且受到传感器安装位置及工业设备的型号等因素影响较大,因为缺乏通用性。
另外,在传统的用于检测工业设备故障状态的方案中,传感器所检测的信号通常为时域信号,仅通过时域信号难以准确判断出故障状态的根因或类型,不利于工业设备的针对性维护。
综上,传统用于检测工业设备故障状态的方案的不足之处在于:受到传感器安装位置及工业设备的型号等因素影响较大,缺乏适用通用性,并且难于准确地检测工业设备的故障根因或类型。
发明内容
本公开提供一种用于检测工业设备故障状态的方法、计算设备和计算机存储介质,不仅能够有效地提高适用通用性,而且能够针对待测工业设备进行准确与及时的故障状态及其故障类型的诊断。
根据本公开的第一方面,提供了一种用于检测工业设备故障状态的方法。在边缘设备处,获取关于待测工业设备的多个方向上的多个振动检测数据;响应于确定当前振动检测数据满足预定数据异常条件,过滤掉当前振动检测数据;基于所保留的振动检测数据,确定是否满足预定故障条件;响应于确定满足预定故障条件,将所保留的振动检测数据发送至云服务器,以便云服务器针对多个方向中的每个方向,拼接每个方向上的所保留的振动检测数据,从而生成用于输入预测模型的输入特征;以及基于输入数据,经由多样本训练的预测模型,预测关于待测工业设备的故障类型。
根据本发明的第二方面,还提供了一种计算设备,该设备包括:至少一个处理单元;至少一个存储器,至少一个存储器被耦合到至少一个处理单元并且存储用于由至少一个处理单元执行的指令,指令当由至少一个处理单元执行时,使得计算设备执行本公开的第一方面的方法。
根据本公开的第三方面,还提供了一种计算机可读存储介质。该计算机可读存储介质上存储有计算机程序,计算机程序被机器执行时执行本公开的第一方面的方法。
在一些实施例中,其中生成用于输入预测模型的输入特征包括:在云服务器处,针对X轴方向、Y轴方向和Z轴方向中的每个方向,拼接每个方向上的所保留的振动检测数据,以便生成用于输入预测模型的输入特征。
在一些实施例中,用于检测工业设备故障状态的方法还包括:在边缘设备处,响应于确定满足预定故障条件,确定待测工业设备中发生故障的目标部件。
在一些实施例中,用于检测工业设备故障状态的方法还包括:在边缘设备处,获取在云服务器处所预测的关于待测工业设备的故障类型;以及呈现故障信息,故障信息至少指示发生故障的目标部件和所预测的关于待测工业设备的故障类型。
在一些实施例中,确定待测工业设备中发生故障的目标部件包括:响应于确定满足预定故障条件,针对与待测工业设备的转动部件相关联的振动检测数据进行快速傅里叶转换,以便生成与转动部件相关联的频域振动特征;基于与转动部件相关联的频域振动特征,计算与转动部件相关联的特定频谱幅值特征、多倍频幅值特征和/或阶比谱特征;以及基于与转动部件相关联的特定频谱幅值特征、多倍频幅值特征和/或阶比谱特征,在待测工业设备的转动部件中确定待测工业设备中发生故障的目标部件。
在一些实施例中,确定是否满足预定故障条件包括:基于预定时间周期的、对应频率带下的所保留的振动检测数据,确定稳态时域振动信号;计算稳态时域振动信号的平均幅值和最大幅值;以及基于所计算的平均幅值和最大幅值、幅值均值阈值和幅值极值阈值,确定是否满足预定故障条件,幅值极值阈值和幅值均值阈值是基于健康状态下的待测工业设备的稳态时域振动信号而确定的。
在一些实施例中,确定稳态时域振动信号包括:基于健康状态下的待测工业设备的、全量时间周期的、对应频率带下的振动检测数据的幅值均值和标准差,计算全量幅值阈值;
确定预定时间周期的、对应频率带下的所保留的振动检测数据的幅值是否小于所计算的全量幅值阈值;以及响应于确定预定时间周期的、对应频率带下的所保留的振动检测数据的幅值小于所计算的全量幅值阈值,确定预定时间周期的、对应频率带的所保留的振动检测数据为稳态时域振动信号。
在一些实施例中,待测工业设备包括电机、减速机、增速机、泵机和齿轮箱中至少一个,待测工业设备包括转动部件,转动部件包括转子、轴承、齿轮和联轴器中的至少一个。
在一些实施例中,经由多样本训练的预测模型包括:三层卷积层、两层池化层、一层随机失活层和全连接层。
在一些实施例中,预定数据异常条件包括以下至少一项条件:待测工业设备当前工况为非稳态工况;与当前振动检测数据相关联的传感器发生异常;以及当前振动检测数据发生数据漂移。
在一些实施例中,用于检测工业设备故障状态的方法还包括:确定第一预定时间间隔是否达到;响应于确定第一预定时间间隔达到,边缘设备将第一预定时间间隔内所获取的待测工业设备的多个方向上的多个振动检测数据发送至云服务器;在云服务器处,确定第二预定时间间隔是否达到;响应于确定第二预定时间间隔达到,获取第二预定时间间隔内、健康状态下的待测工业设备的振动检测数据;基于第二预定时间间隔内、健康状态下的待测工业设备的振动检测数据,确定时域故障阈值和频域故障阈值;将所确定的时域故障阈值和频域故障阈值幅值发送至边缘设备。
在一些实施例中,时域故障阈值至少包括:全量幅值阈值、幅值极值阈值和幅值均值阈值,频域故障阈值包括:与特定频谱幅值特征相关联的特定频谱幅值阈值,特定频谱幅值特征是基于与待测工业设备的转动部件相关联的频域振动特征而计算的。
提供发明内容部分是为了以简化的形式来介绍对概念的选择,它们在下文的具体实施方式中将被进一步描述。发明内容部分无意标识本公开的关键特征或主要特征,也无意限制本公开的范围。
附图说明
图1示出了根据本公开的实施例的用于实施用于检测工业设备故障状态的方法的***的示意图。
图2示出了根据本公开的实施例的用于检测工业设备故障状态的方法的流程图。
图3示出了根据本公开的实施例的预测模型的结构示意图。
图4示出了根据本公开的实施例的用于呈现故障信息的方法的流程图。
图5示出了根据本公开的实施例的用于确定待测工业设备中发生故障的目标部件的方法的流程图。
图6示出了根据本公开的实施例的用于确定故障阈值的方法的流程图。
图7示意性示出了适于用来实现本公开实施例的计算设备的框图。
在各个附图中,相同或对应的标号表示相同或对应的部分。
具体实施方式
下面将参照附图更详细地描述本公开的优选实施例。虽然附图中显示了本公开的优选实施例,然而应该理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了使本公开更加透彻和完整,并且能够将本公开的范围完整地传达给本领域的技术人员。
在本文中使用的术语“包括”及其变形表示开放性包括,即“包括但不限于”。除非特别申明,术语“或”表示“和/或”。术语“基于”表示“至少部分地基于”。术语“一个示例实施例”和“一个实施例”表示“至少一个示例实施例”。术语“另一实施例”表示“至少一个另外的实施例”。术语“第一”、“第二”等等可以指代不同的或相同的对象。
如前文所描述,传统用于检测工业设备故障状态的方案的不足之处在于:受到传感器安装位置及工业设备的型号等因素影响较大,缺乏适用通用性,并且难于准确地检测工业设备的故障根因或类型。
为了至少部分地解决上述问题以及其他潜在问题中的一个或者多个,本公开的示例实施例提出了一种用于检测工业设备故障状态的方案。该方案通过边缘设备在所获取的待测工业设备的多个方向上的多个振动检测数据中过滤掉满足预定数据异常条件的振动检测数据,以及基于所保留的振动检测数据确定是否满足预定故障条件,本公开可以避免因数据异常而带来的故障检测的误判断。另外,通过在边缘设备处确定是否发生故障,以及在边缘设备确定发生故障时,才将相关振动检测数据发送至云服务器,以用于云服务器基于经由拼接相关振动检测数据而生成的输入特征,利用经由多样本训练的预测模型来预测工业设备的故障类型,本公开不仅能够保证待测工业设备本地侧的快速故障报警与反馈,而且能够在故障发生时快速预测相关故障的类型或根因,进而为发生故障的工业设备的后续维修提供指导。另外,本公开还能够极大地节省边缘端计算成本,充分利用云端计算能力学习振动检测数据与故障类型之间的潜在关联,进而提高故障检测的准确度。再者,无论是关于是否满足预定故障条件的判断,还是基于预测模型的故障类型预测均可以与振动传感器的安装位置与设备类型解耦,因此本公开故障检测方法具有较好的泛化与通用性。因而,本公开不仅能够有效地提高适用通用性,而且能够针对待测工业设备进行准确与及时的故障状态及其故障类型的诊断。
图1示出了根据本公开的实施例的用于实施用于检测工业设备故障状态的方法的***100的示意图。如图1所示,***100包括:边缘设备110、一个或多个待测工业设备120、多个数据采集装置130(其至少包括振动传感器和速度传感器,图1中未具体示出)、云服务器140、网络150。在一些实施例中,计算设备110例如包括边缘服务器和云服务器160。边缘设备110和云服务器140通过网络150进行数据交互。
关于待测工业设备120,其例如包括电机、减速机、增速机、泵机和齿轮箱中至少一个,待测工业设备包括转动部件,转动部件包括转子、轴承、齿轮和联轴器中的至少一个。
关于数据采集装置130,其例如至少包括振动传感器和速度传感器。例如,待测工业设备120的振动检测数据通过振动传感器采集,接着振动检测数据通过Lora实时上传到边缘设备110。
关于边缘设备110,其为计算设备,用于获取关于待测工业设备的多个方向上的多个振动检测数据;确定当前振动检测数据是否满足预定数据异常条件;以及如果确定当前振动检测数据满足预定数据异常条件,过滤掉当前振动检测数据。边缘设备110还用于基于所保留的振动检测数据确定是否满足预定故障条件;以及如果确定满足预定故障条件,将所保留的振动检测数据发送至云服务器。例如,边缘设备110会对所获取的振动检测数据进行清洗和预处理,然后确定是否满足预定故障条件,如果超过云服务器140下发的故障阈值就会报警,同时将相关振动检测数据通过4G上传到云服务器140。
在一些实施例中,边缘设备110还用于如果确定满足预定故障条件,确定待测工业设备中发生故障的目标部件;以及获取在云服务器处所预测的关于待测工业设备的故障类型;以及呈现故障信息。在一些实施例中,在确定第一预定时间间隔达到时,将第一预定时间间隔内所获取的待测工业设备的多个方向上的多个振动检测数据发送至云服务器140。
关于云服务器140,其为计算设备,例如负责故障阈值的确定以及预测模型的训练和预测。具体而言,云服务器140用于在接收到边缘设备110所发送的所保留的振动检测数据之后,针对多个方向中的每个方向,拼接每个方向上的所保留的振动检测数据,从而生成用于输入预测模型的输入特征;以及基于输入数据,经由经训练的预测模型,预测关于待测工业设备的故障类型。例如,云服务器140在接收到上传的振动检测数据之后,会用预测模型对数据进行智能预测,进而诊断出故障根因。通过本公开上述流程既能保证发生故障的工业设备能及时得到更换和故障状态反馈,云端的根因分析结果也能为后续工业设备的维修提供指导。同时该套架构能极大的节省边缘端计算成本,充分利用云端计算能力。
在一些实施例中,云服务器140还用于在确定第二预定时间间隔达到时,获取第二预定时间间隔内、健康状态下的待测工业设备的振动检测数据;基于第二预定时间间隔内、健康状态下的待测工业设备的振动检测数据,确定时域故障阈值和频域故障阈值;以及将所确定的时域故障阈值和频域故障阈值幅值发送至边缘设备110。
以下将结合图2描述根据本公开的实施例的用于检测工业设备故障状态的方法200。图2示出了根据本公开的实施例的用于检测工业设备故障状态的方法200的流程图。应当理解,方法200例如可以在计算设备图7所描述的计算设备700处执行。也可以在图1所描述的边缘设备110处和云服务器处执行。应当理解,方法200还可以包括未示出的附加动作和/或可以省略所示出的动作,本公开的范围在此方面不受限制。
在步骤202处,在边缘设备110处,获取关于待测工业设备的多个方向上的多个振动检测数据。例如,边缘设备获取待测工业设备所配置的振动传感器的三个方向上的多个采样周期的时域振动检测数据。
关于待测工业设备,其例如包括:电机、减速机、增速机、泵机和齿轮箱中至少一个,待测工业设备包括转动部件,转动部件包括转子、轴承、齿轮和联轴器中的至少一个。在一些实施例中,待测工业设备例如为应用于钢厂的轧机,吐丝机,传送辊等。
关于多个方向上的多个振动检测数据,其例如是多轴振动传感器在多个方向上的时域振动检测数据。多轴振动传感器例如主要用于从多个方向(例如,三个方向上:空间X轴方向、Y轴方向、Z轴方向)上检测振动位移、振动速度和/或振动加速度等振动检测数据。
在步骤204处,边缘设备110确定当前振动检测数据是否满足预定数据异常条件。
关于预定数据异常条件,其包括以下至少一项:待测工业设备当前工况为非稳态工况;与当前振动检测数据相关联的传感器发生异常;以及当前振动检测数据发生数据漂移。
关于确定工业设备当前工况为非稳态工况的方法,其例如包括:边缘设备110基于待测工业设备的振动检测数据的幅值的变化率,确定待测工业设备当前工况是否属于开机、关机、加载、卸载中的一种;如果确定待测工业设备当前工况属于开机、关机、加载、卸载中的一种,则确定待测工业设备当前工况为非稳态工况;如果确定待测工业设备当前工况不属于开机、关机、加载、卸载中的任何一种,则确定待测工业设备当前工况为稳态工况。例如,边缘设备110确定待测工业设备的振动检测数据的幅值的变化率大于或者等于第一预定阈值,可确定待测工业设备当前工况为开机或关机,进而确定工业设备当前工况为非稳态工况。通过采用上述手段,可以使得用于故障检测的振动检测数据为待测工业设备平稳运行下的检测信号,进而提升故障状态预测的准确性。
关于确定当前振动检测数据相关联的传感器发生异常的方法,其例如包括:边缘设备110确认待测工业设备处于稳态工况下,并且满足以下任一条件,则确定当前振动检测数据相关联的传感器发生异常:未检测到振动检测数据;或者振动检测数据存在冲动。
关于确定当前振动检测数据发生数据漂移的方法,其例如包括:边缘设备110计算预定时间周期内的多个振动检测数据的平均值;确认平均值与预定值的差值是否超出预定范围;如果确认平均值与预定值的差值超出预定范围,则确定当前振动检测数据发生数据漂移。通过采用上述手段,本公开可以进一步避免异常检测数据对于故障状态预测的准确性带来的影响。
在步骤206处,如果边缘设备110确定当前振动检测数据满足预定数据异常条件,过滤掉当前振动检测数据。如果计算设备110确定当前振动检测数据不满足预定数据异常条件,跳转至步骤208处,保留当前振动检测数据。
在步骤210处,边缘设备110基于所保留的振动检测数据,确定是否满足预定故障条件。
关于确定是否满足预定故障条件的方法,其例如包括:基于预定时间周期的、对应频率带的所保留的振动检测数据,确定稳态时域振动信号;计算稳态时域振动信号的平均幅值和最大幅值;以及至少基于所计算的平均幅值和最大幅值、幅值均值阈值和幅值极值阈值,确定是否满足预定故障条件,幅值极值阈值和幅值均值阈值是基于健康状态下的待测工业设备的稳态时域振动信号而确定的。例如,如果稳态时域振动信号的平均幅值大于或者等于幅值均值阈值,或者稳态时域振动信号的最大幅值大于或者等于幅值极值阈值,则确定满足预定故障条件。关于确定稳态时域振动信号的方法,其例如包括:基于健康状态下的待测工业设备的、全量时间周期的、对应频率带下的振动检测数据的幅值均值和标准差,计算全量幅值阈值;确定预定时间周期的、对应频率带下的所保留的振动检测数据的幅值是否小于所计算的全量幅值阈值;以及响应于确定预定时间周期的、对应频率带下的所保留的振动检测数据的幅值小于所计算的全量幅值阈值,确定预定时间周期的、对应频率带的所保留的振动检测数据为稳态时域振动信号。
以下结合公式(1)说明用于计算健康状态下的待测工业设备的、预定时间周期的、特定频率带下的振动检测数据的幅值均值的算法;以及结合公式(2)说明用于计算健康状态下的待测工业设备的、预定时间周期的、特定频率带下的振动检测数据的标准差的算法:
以下结合公式(3)说明用于计算健康状态下的待测工业设备的全量幅值阈值的算法:
在步骤212处,如果边缘设备110确定满足预定故障条件,将所保留的振动检测数据发送至云服务器,以便云服务器针对多个方向中的每个方向,拼接每个方向上的所保留的振动检测数据,从而生成用于输入预测模型的输入特征。
关于生成输入特征的方法,其例如包括:在云服务器120处,针对X轴方向、Y轴方向和Z轴方向中的每个方向,拼接每个方向上的所保留的振动检测数据,以便生成用于输入预测模型的输入特征。
例如,所保留的振动检测数据例如是1000个采样点的三方向的振动检测数据。则边缘设备110将上述振动检测数据拼接为1000* 3的输入特征。
在步骤214处,云服务器140基于输入数据,经由经训练的预测模型,预测关于待测工业设备的故障类型。
关于用于训练预测模型的样本,其例如是关联有不同故障属性标签的多个样本。故障属性标签是经由针对故障类型进行独热编码(One-Hot Encoding)而形成的。该独热编码使用N位状态位对N个故障类型进行编码,每个故障类型都对应于一个二元状态位,并且在任意时候,其中只有一个状态位有效。独热编码例如可以指示关于轴承的轴承磨损故障、轴承破裂故障、轴承点蚀故障、关于齿轮的齿轮损伤故障、齿轮断齿故障、齿轮胶合故障、关于联轴器的联轴器断齿故障、联轴器齿面磨损故障、联轴器螺栓断裂故障、或者地脚松动等设备平衡性故障。例如,独热编码0000010000指示齿轮胶合故障。本公开通过将将故障类型进行独热编码,解决了分类器难以处理的故障属性数据的问题。
关于预测模型,其例如是基于深度学***均稀疏网络的预测的效果,进而可以显著减少神经网络过拟合问题,提高预测模型的性能。
如图3所示,经由步骤212处所生成输入特征形成的输入矩阵314与卷积核310进行卷积运算(进行对应元素相乘并求和),一次卷积运算的结果的输出是一个数316,对整个输入矩阵进行遍历312,最终得到一个结果矩阵以用于输入下一网络层。然后经由连续的卷积及池化操作320,最终由输出层输出所预测的故障类型。卷积核实际上为权值(weights)矩阵。应当理解,在卷积神经网络中,卷积核越大,感受野(receptive field)越大。本公开的卷积核的宽度例如与输入矩阵的宽度相同,例如为3,卷积核的长度例如可以指定。在一些实施例中,本公开可以确定不同尺度的卷积核,以便提取更多不同尺度的输入特征信息,进而提高预测模型的敏感性。在一些实施例中,本公开可以使得卷积核的尺寸大于预定值,以便提高所提取特征信息的全局性。
在上述方案中,通过边缘设备在所获取的待测工业设备的多个方向上的多个振动检测数据中过滤掉满足预定数据异常条件的振动检测数据,以及基于所保留的振动检测数据确定是否满足预定故障条件,本公开可以避免因数据异常而带来的故障检测的误判断。另外,通过在边缘设备处确定是否发生故障,以及在边缘设备确定发生故障时,才将相关振动检测数据发送至云服务器,以用于云服务器基于经由拼接相关振动检测数据而生成的输入特征,利用经由多样本训练的预测模型来预测工业设备的故障类型,本公开不仅能够保证待测工业设备本地侧的快速故障报警与反馈,而且能够在故障发生时快速预测相关故障的类型或根因,进而为发生故障的工业设备的后续维修提供指导。另外,本公开还能够极大地节省边缘端计算成本,充分利用云端计算能力学习振动检测数据与故障类型之间的潜在关联,进而提高故障检测的准确度。再者,无论是关于是否满足预定故障条件的判断,还是基于预测模型的故障类型预测均可以与振动传感器的安装位置与设备类型解耦,因此本公开故障检测方法具有较好的泛化与通用性。因而,本公开不仅能够有效地提高适用通用性,而且能够针对待测工业设备进行准确与及时的故障状态及其故障类型的诊断。
以下将结合图4描述根据本公开的实施例的用于呈现故障信息的方法400。图4示出了根据本公开的实施例的用于呈现故障信息的方法400的流程图。应当理解,方法400例如可以在计算设备图7所描述的计算设备700处执行。也可以在图1所描述的边缘设备110处执行。应当理解,方法400还可以包括未示出的附加动作和/或可以省略所示出的动作,本公开的范围在此方面不受限制。
在步骤402处,如果边缘设备110确定满足预定故障条件,确定待测工业设备中发生故障的目标部件。
关于确定待测工业设备中发生故障的目标部件的方法,其例如包括:如果确定满足预定故障条件,针对与待测工业设备的转动部件相关联的振动检测数据进行快速傅里叶转换,以便生成与转动部件相关联的频域振动特征;基于与转动部件相关联的频域振动特征,计算与转动部件相关联的特定频谱幅值特征、多倍频幅值特征和/或阶比谱特征;以及基于与转动部件相关联的特定频谱幅值特征、多倍频幅值特征和/或阶比谱特征,在待测工业设备的转动部件中确定待测工业设备中发生故障的目标部件。下文将结合图5说明用于确定待测工业设备中发生故障的目标部件的方法500,在此,不再赘述。
在步骤404处,边缘设备110获取在云服务器处所预测的关于待测工业设备的故障类型。
在步骤406处,边缘设备110呈现故障信息,故障信息至少指示发生故障的目标部件和所预测的关于待测工业设备的故障类型。
通过采用上述手段,本公开可以及时在边缘侧指示故障状态及根因,便于现场对故障设备的及时维护与替换。
以下将结合图5描述根据本公开的实施例的用于确定待测工业设备中发生故障的目标部件的方法500。图5示出了根据本公开的实施例的用于确定待测工业设备中发生故障的目标部件的方法500的流程图。应当理解,方法500例如可以在计算设备图7所描述的计算设备700处执行。也可以在图1所描述的边缘设备110处执行。应当理解,方法500还可以包括未示出的附加动作和/或可以省略所示出的动作,本公开的范围在此方面不受限制。
在步骤502处,如果边缘设备110确定满足预定故障条件,针对与待测工业设备的转动部件相关联的振动检测数据进行快速傅里叶转换,以便生成与转动部件相关联的频域振动特征。
在步骤504处,边缘设备110基于与转动部件相关联的频域振动特征,计算与转动部件相关联的特定频谱幅值特征、多倍频幅值特征和/或阶比谱特征。
关于生成特定频谱幅值特征的方式,其例如包括:边缘设备110基于与转动部件相关联的频域振动特征,获取特定频率所对应的幅值,以便生成特定频谱幅值特征。频域振动特征指示频率与振幅的对应关系。在一些实施例中,特定频率例如大于或者等于20000赫兹。应当理解,由于某些机器故障仅仅在某些特定的频率下才产生振动,因此,本公开利用特定频谱幅值特征有助于区别各种不同种类的机器故障。
关于生成多倍频幅值特征的方法,其例如包括:边缘设备110基于与转动部件相关联的频域振动特征和转动部件的转速数据(例如,计算频域振动特征中的频率相对于转速频率的倍数,即倍频,例如一倍频、二倍频等等),生成多倍频幅值特征,多倍频幅值特征指示倍频与振幅的对应关系。应当理解,多倍频幅值特征能够反映一定故障根因,例如,工业设备的轴系不对中可以在二倍频幅值特征上体现出来。其机理体现为:轴系偏心对轴系支撑产生脉冲激振力,当转轴旋转1周时,产生2次脉冲激振力,表现为振幅明显增大。因此,本公开利用多倍频幅值特征有利于有效识别故障根因。
关于生成阶比谱特征的方法,其例如包括:边缘设备110获取与转动部件相关联的等采样频率的振动检测数据、转速数据,以便计算角度域重采样时刻点;基于所计算的重采样时刻点针对等采样频率的振动检测数据、转速数据进行插值处理,以便获得等角度重采样序列;以及针对等角度重采样序列进行FFT变换,以便等生成阶比谱进特征。应当理解,在工业设备使用过程中,转速有可能处于时刻变化的动态状态,例如,电机升降速或者调速过程的动态状态。当转速变化时,转动频率也会随之发生变化,同时工业设备的故障特征频率也会随之发生相应变化,此时在FFT频谱图中会出现难以有效识别故障特征的情形。本公开通过上述阶比谱特征分析法能够有效识别变转速旋转机械故障。
在步骤506处,边缘设备110基于与转动部件相关联的特定频谱幅值特征、多倍频幅值特征和/或阶比谱特征,在待测工业设备的转动部件中确定待测工业设备中发生故障的目标部件。
通过采用上述手段,本公开能够有效识别与频率相关的特定种类的机械故障、变转速旋转机械故障以及轴系偏心故障等传统检测方法不易识别的特殊故障根因。
以下将结合图6描述根据本公开的实施例的用于确定故障阈值的方法600。图6示出了根据本公开的实施例的用于确定故障阈值的方法600的流程图。应当理解,方法600例如可以在计算设备图7所描述的计算设备700处执行。也可以在图1所描述的边缘设备110和云服务器140处执行。应当理解,方法600还可以包括未示出的附加动作和/或可以省略所示出的动作,本公开的范围在此方面不受限制。
在步骤602处,边缘设备110确定第一预定时间间隔是否达到。
在步骤604处,如果边缘设备110确定第一预定时间间隔达到,边缘设备将第一预定时间间隔内所获取的待测工业设备的多个方向上的多个振动检测数据发送至云服务器。如果边缘设备110确定第一预定时间间隔尚未达到,在步骤602处继续等待。例如,边缘设备110会将每天的全量数据打包上传上云服务器。在步骤606处,在云服务器140处,确定第二预定时间间隔是否达到。
在步骤608处,如果云服务器确定第二预定时间间隔达到,获取第二预定时间间隔内、健康状态下的待测工业设备的振动检测数据。如果云服务器确定第二预定时间间隔尚未达到,在步骤606处继续等待。第二预定时间间隔例如而不限于是两周。
在步骤610处,云服务器基于第二预定时间间隔内、健康状态下的待测工业设备的振动检测数据,确定时域故障阈值和频域故障阈值。例如,时域故障阈值和频域故障阈值需要基于两周的健康状态下的待测工业设备的振动检测数据而确定。例如,新的工业产线在***采集两周数据后即可确定时域故障阈值和频域故障阈值。如果工业设备故障检修后两周时间,也可重新确定时域故障阈值和频域故障阈值。在步骤612处,云服务器将所确定的时域故障阈值和频域故障阈值幅值发送至边缘设备。其中时域故障阈值例如至少包括:全量幅值阈值、幅值极值阈值和幅值均值阈值,频域故障阈值包括:与特定频谱幅值特征相关联的特定频谱幅值阈值,特定频谱幅值特征是基于与待测工业设备的转动部件相关联的频域振动特征而计算的。在一些实施例中,云服务器例如每季度更新一次预测模型,以及每个月会将反馈根因后的数据加入到故障知识库中,每季度会用故障知识库的全量数据更新故障根因分析模型。
通过采用上述手段,重新确定时域故障阈值和频域故障阈值能够及时下发到边缘端,边缘端报警时也会及时将报警数据和全量数据上传到云端。
图7示意性示出了适于用来实现本公开实施例的计算设备(或者电子设备)700的框图。设备700可以是用于实现执行图2、图4至图6所示的方法200、400至600的设备。如图7所示,设备700包括中央处理单元(CPU)701,其可以根据存储在只读存储器(ROM)702中的计算机程序指令或者从存储单元708加载到随机存取存储器(RAM)703中的计算机程序指令,来执行各种适当的动作和处理。在RAM中,还可存储设备700操作所需的各种程序和数据。CPU、ROM以及RAM通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
设备700中的多个部件连接至输入/输出(I/O)705,包括:输入单元706、输出单元707、存储单元708,中央处理单元701执行上文所描述的各个方法和处理,例如执行方法200至700例如,在一些实施例中,方法200、400至600可被实现为计算机软件程序,其被存储于机器可读介质,例如存储单元708。在一些实施例中,计算机程序的部分或者全部可以经由ROM和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到RAM并由CPU执行时,可以执行上文描述的方法200、400至600的一个或多个操作。备选地,在其他实施例中,CPU可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行方法200、400至600的一个或多个动作。
需要进一步说明的是,本公开可以是方法、装置、***和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于执行本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是但不限于电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,该编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如C语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、设备(***)、和计算机程序产品的流程图和/或步骤图描述了本公开的各个方面。应当理解,流程图和/或步骤图的每个方步骤以及流程图和/或步骤图中各方步骤的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给语音交互装置中的处理器、通用计算机、专用计算机或其它可编程数据处理装置的处理单元,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理单元执行时,产生了实现流程图和/或步骤图中的一个或多个方步骤中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或步骤图中的一个或多个方步骤中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或步骤图中的一个或多个方步骤中规定的功能/动作。
附图中的流程图和步骤图显示了根据本公开的多个实施例的设备、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或步骤图中的每个方步骤可以代表一个模块、程序段或指令的一部分,该模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方步骤中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方步骤实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,步骤图和/或流程图中的每个方步骤、以及步骤图和/或流程图中的方步骤的组合,可以用执行规定的功能或动作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
以上仅为本公开的可选实施例,并不用于限制本公开,对于本领域的技术人员来说,本公开可以有各种更改和变化。凡在本公开的精神和原则之内,所作的任何修改、等效替换、改进等,均应包含在本公开的保护范围之内。
Claims (14)
1.一种用于检测工业设备故障的方法,所述方法包括:
在边缘设备处,获取关于待测工业设备的多个方向上的多个振动检测数据;
响应于确定当前振动检测数据满足预定数据异常条件,过滤掉当前振动检测数据;
基于所保留的振动检测数据,确定是否满足预定故障条件;
响应于确定满足预定故障条件,将所保留的振动检测数据发送至云服务器,以便云服务器针对多个方向中的每个方向,拼接所述每个方向上的所保留的振动检测数据,从而生成用于输入预测模型的输入特征;以及
基于输入数据,经由经训练的预测模型,预测关于待测工业设备的故障类型。
2.根据权利要求1所述的方法,其中生成用于输入预测模型的输入特征包括:
在云服务器处,针对X轴方向、Y轴方向和Z轴方向中的每个方向,拼接所述每个方向上的所保留的振动检测数据,以便生成用于输入预测模型的输入特征。
3.根据权利要求1所述的方法,还包括:
在边缘设备处,响应于确定满足预定故障条件,确定待测工业设备中发生故障的目标部件。
4.根据权利要求3所述的方法,还包括:
在边缘设备处,获取在云服务器处所预测的关于待测工业设备的故障类型;以及
呈现故障信息,所述故障信息至少指示发生故障的目标部件和所预测的关于待测工业设备的故障类型。
5.根据权利要求3所述的方法,其中确定待测工业设备中发生故障的目标部件包括:
响应于确定满足预定故障条件,针对与待测工业设备的转动部件相关联的振动检测数据进行快速傅里叶转换,以便生成与转动部件相关联的频域振动特征;
基于与转动部件相关联的频域振动特征,计算与转动部件相关联的特定频谱幅值特征、多倍频幅值特征和/或阶比谱特征;以及
基于与转动部件相关联的特定频谱幅值特征、多倍频幅值特征和/或阶比谱特征,在待测工业设备的转动部件中确定待测工业设备中发生故障的目标部件。
6.根据权利要求1所述的方法,其中确定是否满足预定故障条件包括:
基于预定时间周期的、对应频率带下的所保留的振动检测数据,确定稳态时域振动信号;
计算稳态时域振动信号的平均幅值和最大幅值;以及
基于所计算的平均幅值和最大幅值、幅值均值阈值和幅值极值阈值,确定是否满足预定故障条件,幅值极值阈值和幅值均值阈值是基于健康状态下的待测工业设备的稳态时域振动信号而确定的。
7.根据权利要求6所述的方法,其中确定稳态时域振动信号包括:
基于健康状态下的待测工业设备的、全量时间周期的、对应频率带下的振动检测数据的幅值均值和标准差,计算全量幅值阈值;
确定预定时间周期的、对应频率带下的所保留的振动检测数据的幅值是否小于所计算的全量幅值阈值;以及
响应于确定预定时间周期的、对应频率带下的所保留的振动检测数据的幅值小于所计算的全量幅值阈值,确定预定时间周期的、对应频率带的所保留的振动检测数据为稳态时域振动信号。
8.根据权利要求1所述的方法,其中待测工业设备包括电机、减速机、增速机、泵机和齿轮箱中至少一个,所述待测工业设备包括转动部件,转动部件包括转子、轴承、齿轮和联轴器中的至少一个。
9.根据权利要求1所述的方法,其中经训练的预测模型包括:三层卷积层、两层池化层、一层随机失活层和全连接层。
10.根据权利要求1所述的方法,其中预定数据异常条件包括以下至少一项条件:
所述待测工业设备当前工况为非稳态工况;
与当前振动检测数据相关联的传感器发生异常;以及
当前振动检测数据发生数据漂移。
11.根据权利要求1所述的方法,还包括:
确定第一预定时间间隔是否达到;
响应于确定第一预定时间间隔达到,边缘设备将第一预定时间间隔内所获取的待测工业设备的多个方向上的多个振动检测数据发送至云服务器;
在云服务器处,确定第二预定时间间隔是否达到;
响应于确定第二预定时间间隔达到,获取第二预定时间间隔内、健康状态下的待测工业设备的振动检测数据;
基于第二预定时间间隔内、健康状态下的待测工业设备的振动检测数据,确定时域故障阈值和频域故障阈值;以及
将所确定的时域故障阈值和频域故障阈值幅值发送至边缘设备。
12.根据权利要求11所述的方法,其中所述时域故障阈值至少包括:全量幅值阈值、幅值极值阈值和幅值均值阈值,所述频域故障阈值包括:与特定频谱幅值特征相关联的特定频谱幅值阈值,特定频谱幅值特征是基于与待测工业设备的转动部件相关联的频域振动特征而计算的。
13.一种计算设备,包括:
至少一个处理单元;
至少一个存储器,所述至少一个存储器被耦合到所述至少一个处理单元并且存储用于由所述至少一个处理单元执行的指令,所述指令当由所述至少一个处理单元执行时,使得所述计算设备执行权利要求1至12任一项所述的方法。
14.一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被机器执行时实现权利要求1至12中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210155355.2A CN114216640A (zh) | 2022-02-21 | 2022-02-21 | 用于检测工业设备故障状态的方法、设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210155355.2A CN114216640A (zh) | 2022-02-21 | 2022-02-21 | 用于检测工业设备故障状态的方法、设备和介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114216640A true CN114216640A (zh) | 2022-03-22 |
Family
ID=80709028
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210155355.2A Pending CN114216640A (zh) | 2022-02-21 | 2022-02-21 | 用于检测工业设备故障状态的方法、设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114216640A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114646342A (zh) * | 2022-05-19 | 2022-06-21 | 蘑菇物联技术(深圳)有限公司 | 用于定位异常传感器的方法、设备和介质 |
CN116664096A (zh) * | 2022-08-23 | 2023-08-29 | 国家电投集团科学技术研究院有限公司 | 基于联邦学习的风电螺栓数据处理方法和装置 |
CN117092933A (zh) * | 2023-07-26 | 2023-11-21 | 天津通信广播集团有限公司 | 转动机械设备控制方法、装置、设备和计算机可读介质 |
CN117391550A (zh) * | 2023-12-12 | 2024-01-12 | 上海凯士比泵有限公司 | 一种用于预测转动设备的健康状态的方法、设备和介质 |
WO2024114512A1 (zh) * | 2022-11-29 | 2024-06-06 | 蔚来动力科技(合肥)有限公司 | 检测电驱动***故障的方法和装置、车辆、存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109973325A (zh) * | 2017-12-20 | 2019-07-05 | 北京金风科创风电设备有限公司 | 识别异常振动的方法和设备 |
CN110113827A (zh) * | 2019-04-14 | 2019-08-09 | 蘑菇物联技术(深圳)有限公司 | 基于无线通讯和边缘计算技术的机电设备联控方法 |
CN113158364A (zh) * | 2021-04-02 | 2021-07-23 | 中国农业大学 | 循环泵轴承故障检测方法及*** |
CN113720605A (zh) * | 2021-07-26 | 2021-11-30 | 中国中材国际工程股份有限公司 | 一种基于机器学习的水泥生产旋转设备故障诊断方法 |
CN113742855A (zh) * | 2021-07-27 | 2021-12-03 | 清华大学 | 一种故障预测方法、***、电子设备与可读存储介质 |
CN114061957A (zh) * | 2021-11-18 | 2022-02-18 | 江苏科技大学 | 一种柴油机主轴承的健康评估方法 |
-
2022
- 2022-02-21 CN CN202210155355.2A patent/CN114216640A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109973325A (zh) * | 2017-12-20 | 2019-07-05 | 北京金风科创风电设备有限公司 | 识别异常振动的方法和设备 |
CN110113827A (zh) * | 2019-04-14 | 2019-08-09 | 蘑菇物联技术(深圳)有限公司 | 基于无线通讯和边缘计算技术的机电设备联控方法 |
CN113158364A (zh) * | 2021-04-02 | 2021-07-23 | 中国农业大学 | 循环泵轴承故障检测方法及*** |
CN113720605A (zh) * | 2021-07-26 | 2021-11-30 | 中国中材国际工程股份有限公司 | 一种基于机器学习的水泥生产旋转设备故障诊断方法 |
CN113742855A (zh) * | 2021-07-27 | 2021-12-03 | 清华大学 | 一种故障预测方法、***、电子设备与可读存储介质 |
CN114061957A (zh) * | 2021-11-18 | 2022-02-18 | 江苏科技大学 | 一种柴油机主轴承的健康评估方法 |
Non-Patent Citations (3)
Title |
---|
任海军 门清毅 李妙玲主编: "《建材机械安装与维修》", 30 September 2013, 武汉理工大学出版社, pages: 102 * |
姚德臣编著: "《轨道交通轴承故障诊断技术》", 31 March 2017, 中国铁道出版社, pages: 38 - 39 * |
萧汉梁主编: "《机械工况监测与故障诊断》", 30 November 1994, 人民交通出版社, pages: 30 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114646342A (zh) * | 2022-05-19 | 2022-06-21 | 蘑菇物联技术(深圳)有限公司 | 用于定位异常传感器的方法、设备和介质 |
CN114646342B (zh) * | 2022-05-19 | 2022-08-02 | 蘑菇物联技术(深圳)有限公司 | 用于定位异常传感器的方法、设备和介质 |
CN116664096A (zh) * | 2022-08-23 | 2023-08-29 | 国家电投集团科学技术研究院有限公司 | 基于联邦学习的风电螺栓数据处理方法和装置 |
CN116664096B (zh) * | 2022-08-23 | 2024-02-13 | 国家电投集团科学技术研究院有限公司 | 基于联邦学习的风电螺栓数据处理方法和装置 |
WO2024114512A1 (zh) * | 2022-11-29 | 2024-06-06 | 蔚来动力科技(合肥)有限公司 | 检测电驱动***故障的方法和装置、车辆、存储介质 |
CN117092933A (zh) * | 2023-07-26 | 2023-11-21 | 天津通信广播集团有限公司 | 转动机械设备控制方法、装置、设备和计算机可读介质 |
CN117092933B (zh) * | 2023-07-26 | 2024-04-16 | 天津通信广播集团有限公司 | 转动机械设备控制方法、装置、设备和计算机可读介质 |
CN117391550A (zh) * | 2023-12-12 | 2024-01-12 | 上海凯士比泵有限公司 | 一种用于预测转动设备的健康状态的方法、设备和介质 |
CN117391550B (zh) * | 2023-12-12 | 2024-03-08 | 上海凯士比泵有限公司 | 一种用于预测转动设备的健康状态的方法、设备和介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114216640A (zh) | 用于检测工业设备故障状态的方法、设备和介质 | |
KR101748559B1 (ko) | 회전체 진단 장치 및 방법 | |
Feng et al. | A novel order spectrum-based Vold-Kalman filter bandwidth selection scheme for fault diagnosis of gearbox in offshore wind turbines | |
CN114165474B (zh) | 用于检测空压机故障状态的方法、设备和计算机存储介质 | |
CA2874991A1 (en) | Methods and apparatuses for defect diagnosis in a mechanical system | |
US10895873B2 (en) | Machine health monitoring of rotating machinery | |
CN116593811B (zh) | 一种集成型变频器运行状态监测***及监测方法 | |
CN113632026A (zh) | 旋转机械设备故障诊断方法、***及存储介质 | |
CN110704964A (zh) | 汽轮机运行状态诊断方法、装置及电子设备、存储介质 | |
CN113227926A (zh) | 用于监测电机的状况监测装置和方法 | |
US20220260985A1 (en) | System and method for automated failure mode detection of rotating machinery | |
Zhao et al. | From polynomial fitting to kernel ridge regression: a generalized difference filter for encoder signal analysis | |
JP2015518104A (ja) | 過渡状態期間における発電装置の不具合の分類および検出 | |
Hamadache et al. | Improving signal-to-noise ratio (SNR) for inchoate fault detection based on principal component analysis (PCA) | |
Popescu et al. | Change detection in vibration analysis—A review of problems and solutions | |
JP2015031626A (ja) | 転がり軸受の状態監視装置 | |
Hammami et al. | Maintenance 4.0 of Wind Turbine | |
EP3600799B1 (en) | Method, apparatus and system for monitoring industrial robot | |
JP7517810B2 (ja) | 診断装置、診断方法及び診断プログラム | |
Prosvirin et al. | Fault prediction of rolling element bearings using one class least squares SVM | |
EP4266139A1 (en) | Monitoring machines | |
JP2021082025A (ja) | 診断装置、診断方法及び診断プログラム | |
Peeters et al. | Advanced Vibration Signal Processing Using Edge Computing to Monitor Wind Turbine Drivetrains | |
Hedin et al. | Condition monitoring of rotating machinery: A statistical approach | |
WO2024057864A1 (ja) | 閾値設定装置、異常判定装置、閾値設定方法、及び、異常判定方法 |
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 |