CN114462820A - 一种轴承状态监测与健康管理***性能测试及优化方法和*** - Google Patents
一种轴承状态监测与健康管理***性能测试及优化方法和*** Download PDFInfo
- Publication number
- CN114462820A CN114462820A CN202210043375.0A CN202210043375A CN114462820A CN 114462820 A CN114462820 A CN 114462820A CN 202210043375 A CN202210043375 A CN 202210043375A CN 114462820 A CN114462820 A CN 114462820A
- Authority
- CN
- China
- Prior art keywords
- bearing
- monitoring
- state
- data
- health management
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种轴承状态监测与健康管理***性能测试及优化方法和***,方法具体为:首先给出轴承状态监测与健康管***性能的准确性指标和鲁棒性指标作为评价指标,再基于轴承故障数据作为输入及添加了随机干扰数据的故障数据,对轴承状态监测与健康管理***的性能进行测试及验证;在边缘监控***,轴承实际故障状态与边缘监控***的监测结果比较,如果准确性达标,使用阈值调整策略;如果准确性未达标,用参数调整策略;在远程云平台***,根据轴承实际健康状态与模型预测健康状态比较,如果不一致采用模型的参数调整策略,本发明能得到更加准确的***性能描述,同时通过优化反馈机制,分别进行边缘监测***优化和云平台远程***优化。
Description
技术领域
本发明属于机械诊断智能化与数字化技术领域,具体涉及一种轴承状态监测与健康管理***性能测试及优化方法和***。
背景技术
轴承是旋转机械设备中最常见的传动部件之一,并且轴承在航空航天方面、工业生产方面以及交通方面等都有着十分广泛的应用。轴承能够正常安全的运行,对整个旋转机械***的平稳工作都有着重要的作用。但由于工作运行环境恶劣,运行过程中受到高温高压的影响,轴承也是旋转机械中最容易受损的传动部件。一旦轴承产生了故障,造成经济损失,甚至可能会威胁人身安全。由此可见,对轴承进行状态监测和健康管理十分有必要。
目前市场上出现了一大批关于轴承状态监测与健康管理的***,这些***达不达标,够不够好,如何来判定。目前并没有一个明确的关于这些***性能好坏的测试方法。随着数据的增加与工况的变化,轴承状态监测与健康管理的***内嵌的诊断算法和模型一直不随之改变,会出现***得到的结果越来越不可靠。目前并没有一个关于***性能如何优化的方法。此外,***异常时正在运行的数据和***维修时产生的经济效益都没有记录,使得日后***升级优化无据可依。
发明内容
为了解决上述背景技术提出的技术问题,本发明旨在提供一种轴承状态监测与健康管理***性能测试及优化方法,为现有市面上的***性能好坏提供测试方法,同时也提供了根据实际数据优化***的方法,使得***所得结果更加准确。
为了实现上述技术目的,本发明的技术方案为:一种轴承状态监测与健康管理***性能测试及优化方法,包括以下步骤:
确定轴承状态监测与健康管理***性能的评价指标:准确性指标和鲁棒性指标;
随机选取轴承故障数据并向其添加随机干扰数据,得到添加干扰的轴承故障数据中,基于随机选取的轴承故障数据和添加干扰的轴承故障数据对轴承状态监测与健康管理***的性能进行测试及验证;
根据轴承故障数据反映的轴承实际故障状态与边缘监控***监测的故障状态比较结果对边缘监测***参数进行优化;
采集服役状态实际工况中轴承监测数据,将所述轴承监测数据输入远程监测、诊断与寿命预测模型,预测模型输出的轴承健康状态与轴承在实际工况中运行的健康状态进行比较,基于比较结果,采取相应的健康管理策略或更新预测模型。
随机选取轴承故障数据并向其添加未知干扰数据,得到添加干扰的轴承故障数据中,基于随机选取的轴承故障数据和添加干扰的轴承故障数据对轴承状态监测与健康管理***的性能进行测试及验证时,用领域知识驱动的工况自适应故障预警模型、跨工况领域自适应轴承深度迁移智能诊断模型以及数字孪生驱动轴承寿命预测模型,分析边缘计算在线监测***和云平台远程监测诊断与健康管理***的信号需求,提出试验数据采集要求;根据采集要求然后通过实验平台测得多组满足采集要求的带有明确结果的试验数据。
所述准确性指标是对比***输出结果与实际结果是否一致,目的是验证***算法是否正确;
所述鲁棒性指标是人为添加随机噪声数据,来监测结果是否能够保持准确,目的是验证***算法是否符合要求。
对轴承状态监测与健康管理***的性能进行测试及验证具体如下:
利用轴承故障试验平台生成轴承各类故障的试验数据作为样本;
采用完全随机化的方式从所述样本中选择轴承故障试验数据输入轴承状态监测与健康管理***中,通过准确性指标对***性能进行测试及验证;
在轴承各类故障的试验数据中添加不同幅值的随机干扰,通过鲁棒性指标来对***性能进行测试及验证。
根据轴承故障数据反映的轴承实际故障状态与边缘监控***的监测结果比较来对边缘监测***参数进行优化时,边缘监测***监测结果与实际轴承故障状态比较,如果准确性达标,通过阈值调整策略来优化边缘监测***;如果准确性未达标,则将准确性未达标对应的轴承故障数据发给算法专家,专家对算法进行参数调整策略来优化边缘监测***。
预测模型输出的轴承健康状态与轴承在实际工况中运行的健康状态进行比较后,如果云平台远程***中模型预测的轴承健康状态与在实际工况中运行轴承的健康状态不一致,请对应领域专家,分析实际情况下模型的准确性及影响因素,获得不同应用场景人工智能模型超参数与数字孪生模型参数优化方法实时更新云平台远程***中的模型;如果云平台远程***中模型预测的轴承健康状态与在实际工况中运行轴承的健康状态一致,则输出相应的健康管理策略。
远程记录轴承***异常时实际轴承***运行数据,为优化云平台远程***更加长久的运行提供数据;记录每次维修策略带来的经济进出,为优化云平台远程***的经济效益提供数据。
另一方面,本发明还提供一种轴承状态监测与健康管理***性能测试及优化***,包括评价指标选取模块、轴承故障数据获取模块、边缘监测***优化模块以及预测模型优化模块;
评价指标选取模块用于确定轴承状态监测与健康管理***性能的评价指标:准确性指标和鲁棒性指标;
轴承故障数据获取模块用于随机选取轴承故障数据并向其添加随机干扰数据,得到添加干扰的轴承故障数据中,基于随机选取的轴承故障数据和添加干扰的轴承故障数据对轴承状态监测与健康管理***的性能进行测试及验证;
边缘监测***优化模块用于上根据轴承实际故障状态与边缘监控***监测的状态比较结果对边缘监测***参数进行优化;
预测模型优化模块用于采集服役状态实际工况中轴承监测数据,将所述轴承监测数据输入远程监测、诊断与寿命预测模型,预测模型输出的轴承健康状态与轴承在实际工况中运行的健康状态进行比较,基于比较结果,采取相应的健康管理策略或更新预测模型。
同时提供一种计算机设备,包括处理器以及存储器,存储器用于存储计算机可执行程序,处理器从存储器中读取所述计算机可执行程序并执行,处理器执行计算可执行程序时能实现本发明所述轴承状态监测与健康管理***性能测试及优化方法。
还提供一种计算机可读存储介质,计算机可读存储介质中存储有计算机程序,所述计算机程序被处理器执行时,能实现本发明所述的轴承状态监测与健康管理***性能测试及优化方法。
与现有技术相比,本发明至少具有以下有益效果:多维度评价***,可得到更加准确的***性能描述,同时通过优化反馈机制,利用轴承实际状态与***得到的结果实时对比,分别进行边缘监测***优化和云平台远程***优化;
研究轴承故障监测、诊断、预测模型准确性、鲁棒性指标,综合评价***的准确性和鲁棒性;利用领域知识驱动的工况自适应故障预警模型、跨工况领域自适应轴承深度迁移智能诊断模型以及数字孪生驱动轴承寿命预测模型,分析边缘计算在线监测***和云平台远程监测诊断与健康管理***的信号需求,提出试验数据采集要求;搭建变工况下状态监测与健康管理***试验验证平合,设计试验方法和试验样本,能够开展轴承典型故障模拟试验与寿命试验,测试验证轴承状态监测与健康管理***性能;
将监测准确性和鲁棒性指标作为边缘计算在线监测***优化的反馈参数,研究在线预警***优化反馈机制;分析***监测准确性和鲁棒性影响参数,研究***实际运行过程中出现误诊率过高或漏诊率过高时***参数的调整策略;结合实际运行中产生的新数据,通过风电/高速列车应用场景下***参数的多次反馈优化,实现边缘计算在线监测***在复杂多变工况下准确、鲁棒的故障预警;
采集服役状态轴承监测数据(如高速列车/风电轴承),输入远程监测、诊断与寿命预测模型,分析实际情況下模型的准确性及影响因素,获得特定应用场景人工智能模型超参数与数字孪生模型参数优化方法;分析极端天气、断网、***宕机等极端情况下***应对策略,以及情况恢复正常后如何恢复***正常功能;评估预知维护与备件管理方法带来经济效益,反馈优化维修策略与库存管理方法,减少非计划停机时间与设备全寿命周期费用。
附图说明
图1是***性能测试及验证示意图。
图2是轴承故障模拟试验台示意图。
图3是边缘监测***优化示意图。
图4为云平台远程***优化示意图。
图5为本发明一种可实施的方法示意框图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步说明。在此需要说明的是,对于这些实施方式的说明用于帮助理解本发明,但并不构成对本发明的限定。此外,下面所描述的本发明各个实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互组合。
对轴承进行状态监测与健康管理已经成为智能维护的一种重要分支和研究热点。市面上越来越多的轴承状态监测与健康管理***出现为轴承智能维护提供可行方案。然而,由于轴承状态与健康管理***为黑盒子,无法直接查看里面代码是否可靠最优,就算可以查看,也必须请对应领域专家逐条查看,费时费钱。
因此本发明采用试验数据测试和实时状态反馈优化的思想,提出一种轴承状态监测与健康管理***性能测试及优化方法。
参考图5,本实施例以旋转机械中常用的轴承为例,说明本发明设计的***性能测试及优化方法,步骤如下:
步骤一、给出轴承故障监测、诊断、预测模型准确性指标和鲁棒性指标来综合评价***,参考图1;准确性指标是通过***输出的监测结果、诊断结果以及预测模型输出结果与轴承当前运行状态的比较得到的。关于轴承状态监测和故障诊断的结果来说只有准确与不准确,而关于剩余轴承寿命预测则需要定量结果即预测准确度达到多少。准确性指标指的是通过多组故障数据得到的状态检测和故障诊断的准确率以及各组轴承剩余寿命预测准度的平均值。鲁棒性是通过将不同幅值的随机干扰加入到***性能测试数据中得到的,通过加入不同幅值的干扰观察***得到的结果是否正确,加到保证结果正确的干扰最大幅值即为***的鲁棒性性能。
步骤二、利用领域知识驱动的工况自适应故障预警模型、跨工况领域自适应轴承深度迁移智能诊断模型以及数字孪生驱动轴承寿命预测模型,分析边缘计算在线监测***和云平台远程监测诊断与健康管理***的信号需求,提出试验数据采集要求;根据采集要求设计试验方法,然后通过实验平台测得多组满足采集要求的带有明确结果的试验数据,参考图2。随机抽取带有明确结果的试验数据输入轴承状态监测与健康管理***中,***输出与标准结果比较引入步骤一提出的准确性指标测试***的准确性性能。
步骤三、根据不同工况,每个工况分为不同等级的随机干扰幅值,在实验台测得的多组带有明确结果的实验数据中从小到大输入不同幅值的随机干扰,记录随机干扰使得***输出结果错误或预测结果低于阈值的最大幅值。记录的最大幅值通过引入步骤1的鲁棒性指标,来测试***的鲁棒性性能。
步骤四、在边缘监控***中,参考图3,如果***没有故障预警,则定期巡检检查轴承实际运行状态是否与边缘监控***显示的结果一致。如果***有预警,则需要立刻去检查轴承故障是否与边缘监控***得到的结果一致。
步骤五、如果***将轴承实际故障状态与边缘监控***的检测结果比较准确性达标时,将监控准确性和鲁棒性指标作为边缘计算在线监控***优化的反馈参数,采用在线阈值调整策略优化***,使其可以监测更加早期的故障。
步骤六、如果***将轴承故障数据反映的轴承实际故障状态与边缘监控***的检测结果比较准确性未达标时,分析得到边缘监控***准确性和鲁棒性影响参数,采用***实际运行过程中出现误诊率过高或漏诊率过高时***参数的调整策略;结合实际运行中产生的新数据,通过实际应用场景下***参数的多次反馈优化,实现边缘计算在线监控***在复杂多变工况下准确、鲁棒的故障预警。
步骤七、在云平台远程***中,参考图4,采集服役状态实际工况中轴承监测数据,将所述轴承监测数据输入远程监测、诊断与寿命预测模型。预测模型输出的轴承健康状态与轴承在实际工况中运行的健康状态进行比较;如果云平台远程***中模型预测的轴承健康状态与在实际工况中运行轴承的健康状态不一致,请对应领域专家,分析实际情况下模型的准确性及影响因素,获得不同应用场景人工智能模型超参数与数字孪生模型参数优化方法实时更新云平台远程***中的模型。
步骤八、云平台远程***还具有分析极端天气、断网、***宕机等极端情况下***对应策略,以及情况恢复正常后如何恢复***正常功能;评估预知维护与备件管理方法带来经济效益,反馈优化维修策略与库存管理方法,减少非计划停机时间与设备全寿命周期费用。
本发明还提供一种轴承状态监测与健康管理***性能测试及优化***,包括评价指标选取模块、轴承故障数据获取模块、边缘监测***优化模块以及预测模型优化模块;
评价指标选取模块用于确定轴承状态监测与健康管理***性能的评价指标:准确性指标和鲁棒性指标;
轴承故障数据获取模块用于随机选取轴承故障数据并向其添加随机干扰数据,得到添加干扰的轴承故障数据中,基于随机选取的轴承故障数据和添加干扰的轴承故障数据对轴承状态监测与健康管理***的性能进行测试及验证;
边缘监测***优化模块用于上根据轴承实际故障状态与边缘监控***监测的状态比较结果对边缘监测***参数进行优化;
预测模型优化模块用于采集服役状态实际工况中轴承监测数据,将所述轴承监测数据输入远程监测、诊断与寿命预测模型,预测模型输出的轴承健康状态与轴承在实际工况中运行的健康状态进行比较,基于比较结果,采取相应的健康管理策略或更新预测模型。
另外,本发明还可以提供一种计算机设备,包括处理器以及存储器,存储器用于存储计算机可执行程序,处理器从存储器中读取部分或全部所述计算机可执行程序并执行,处理器执行部分或全部计算可执行程序时能实现本发明所述轴承状态监测与健康管理***性能测试及优化方法。
另一方面,本发明提供一种计算机可读存储介质,计算机可读存储介质中存储有计算机程序,所述计算机程序被处理器执行时,能实现本发明所述的轴承状态监测与健康管理***性能测试及优化方法。
所述计算机设备可以采用笔记本电脑、桌面型计算机或工作站。
处理器可以是图形处理器(GPU)、中央处理器(CPU)、数字信号处理器(DSP)、专用集成电路(ASIC)或现成可编程门阵列(FPGA)。
对于本发明所述存储器,可以是笔记本电脑、桌面型计算机或工作站的内部存储单元,如内存、硬盘;也可以采用外部存储单元,如移动硬盘、闪存卡。
计算机可读存储介质可以包括计算机存储介质和通信介质。计算机存储介质包括以用于存储诸如计算机可读指令、数据结构、程序模块或其他数据等信息的任何方法或技术实现的易失性和非易失性、可移动和不可移动介质。计算机可读存储介质可以包括:只读存储器 (ROM,Read Only Memory)、随机存取记忆体(RAM,Random Access Memory)、固态硬盘 (SSD,Solid State Drives)或光盘等。其中,随机存取记忆体可以包括电阻式随机存取记忆体 (ReRAM,Resistance Random Access Memory)和动态随机存取存储器(DRAM,Dynamic Random Access Memory)。
Claims (10)
1.一种轴承状态监测与健康管理***性能测试及优化方法,其特征在于,包括以下步骤:
确定轴承状态监测与健康管理***性能的评价指标:准确性指标和鲁棒性指标;
随机选取轴承故障数据并向其添加随机干扰数据,得到添加干扰的轴承故障数据中,基于随机选取的轴承故障数据和添加干扰的轴承故障数据对轴承状态监测与健康管理***的性能进行测试及验证;
根据轴承故障数据反映的轴承实际故障状态与边缘监控***监测的故障状态比较结果对边缘监测***参数进行优化;
采集服役状态实际工况中轴承监测数据,将所述轴承监测数据输入远程监测、诊断与寿命预测模型,预测模型输出的轴承健康状态与轴承在实际工况中运行的健康状态进行比较,基于比较结果,采取相应的健康管理策略或更新预测模型。
2.根据权利要求1所述的轴承状态监测与健康管理***性能测试及优化方法,其特征在于,随机选取轴承故障数据并向其添加未知干扰数据,得到添加干扰的轴承故障数据中,基于随机选取的轴承故障数据和添加干扰的轴承故障数据对轴承状态监测与健康管理***的性能进行测试及验证时,用领域知识驱动的工况自适应故障预警模型、跨工况领域自适应轴承深度迁移智能诊断模型以及数字孪生驱动轴承寿命预测模型,分析边缘计算在线监测***和云平台远程监测诊断与健康管理***的信号需求,提出试验数据采集要求;根据采集要求然后通过实验平台测得多组满足采集要求的带有明确结果的试验数据。
3.根据权利要求1所述的轴承状态监测与健康管理***性能测试及优化方法,其特征在于,
所述准确性指标是对比***输出结果与实际结果是否一致,目的是验证***算法是否正确;
所述鲁棒性指标是人为添加随机噪声数据,来监测结果是否能够保持准确,目的是验证***算法是否符合要求。
4.根据权利要求1所述的轴承状态监测与健康管理***性能测试及优化方法,其特征在于,
对轴承状态监测与健康管理***的性能进行测试及验证具体如下:
利用轴承故障试验平台生成轴承各类故障的试验数据作为样本;
采用完全随机化的方式从所述样本中选择轴承故障试验数据输入轴承状态监测与健康管理***中,通过准确性指标对***性能进行测试及验证;
在轴承各类故障的试验数据中添加不同幅值的随机干扰,通过鲁棒性指标来对***性能进行测试及验证。
5.根据权利要求1所述的轴承状态监测与健康管理***性能测试及优化方法,其特征在于,
根据轴承故障数据反映的轴承实际故障状态与边缘监控***的监测结果比较来对边缘监测***参数进行优化时,边缘监测***监测结果与实际轴承故障状态比较,如果准确性达标,通过阈值调整策略来优化边缘监测***;如果准确性未达标,则将准确性未达标对应的轴承故障数据发给算法专家,专家对算法进行参数调整策略来优化边缘监测***。
6.根据权利要求1所述的轴承状态监测与健康管理***性能测试及优化方法,其特征在于,
预测模型输出的轴承健康状态与轴承在实际工况中运行的健康状态进行比较后,如果云平台远程***中模型预测的轴承健康状态与在实际工况中运行轴承的健康状态不一致,请对应领域专家,分析实际情况下模型的准确性及影响因素,获得不同应用场景人工智能模型超参数与数字孪生模型参数优化方法实时更新云平台远程***中的模型;如果云平台远程***中模型预测的轴承健康状态与在实际工况中运行轴承的健康状态一致,则输出相应的健康管理策略。
7.根据权利要求1所述的轴承状态监测与健康管理***性能测试及优化方法,其特征在于,远程记录轴承***异常时实际轴承***运行数据,为优化云平台远程***更加长久的运行提供数据;记录每次维修策略带来的经济进出,为优化云平台远程***的经济效益提供数据。
8.一种轴承状态监测与健康管理***性能测试及优化***,其特征在于,包括评价指标选取模块、轴承故障数据获取模块、边缘监测***优化模块以及预测模型优化模块;
评价指标选取模块用于确定轴承状态监测与健康管理***性能的评价指标:准确性指标和鲁棒性指标;
轴承故障数据获取模块用于随机选取轴承故障数据并向其添加随机干扰数据,得到添加干扰的轴承故障数据中,基于随机选取的轴承故障数据和添加干扰的轴承故障数据对轴承状态监测与健康管理***的性能进行测试及验证;
边缘监测***优化模块用于上根据轴承实际故障状态与边缘监控***监测的状态比较结果对边缘监测***参数进行优化;
预测模型优化模块用于采集服役状态实际工况中轴承监测数据,将所述轴承监测数据输入远程监测、诊断与寿命预测模型,预测模型输出的轴承健康状态与轴承在实际工况中运行的健康状态进行比较,基于比较结果,采取相应的健康管理策略或更新预测模型。
9.一种计算机设备,其特征在于,包括处理器以及存储器,存储器用于存储计算机可执行程序,处理器从存储器中读取所述计算机可执行程序并执行,处理器执行计算可执行程序时能实现权利要求1~7中任一项所述轴承状态监测与健康管理***性能测试及优化方法。
10.一种计算机可读存储介质,其特征在于,计算机可读存储介质中存储有计算机程序,所述计算机程序被处理器执行时,能实现如权利要求1~7中任一项所述的轴承状态监测与健康管理***性能测试及优化方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210043375.0A CN114462820A (zh) | 2022-01-14 | 2022-01-14 | 一种轴承状态监测与健康管理***性能测试及优化方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210043375.0A CN114462820A (zh) | 2022-01-14 | 2022-01-14 | 一种轴承状态监测与健康管理***性能测试及优化方法和*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114462820A true CN114462820A (zh) | 2022-05-10 |
Family
ID=81408889
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210043375.0A Pending CN114462820A (zh) | 2022-01-14 | 2022-01-14 | 一种轴承状态监测与健康管理***性能测试及优化方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114462820A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115808309A (zh) * | 2023-02-09 | 2023-03-17 | 哈尔滨科锐同创机模制造有限公司 | 一种应用于轴承试验的轴承监控方法和*** |
CN116628633A (zh) * | 2023-07-26 | 2023-08-22 | 青岛中微创芯电子有限公司 | 一种igbt实时监测与使用寿命预测评估方法 |
-
2022
- 2022-01-14 CN CN202210043375.0A patent/CN114462820A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115808309A (zh) * | 2023-02-09 | 2023-03-17 | 哈尔滨科锐同创机模制造有限公司 | 一种应用于轴承试验的轴承监控方法和*** |
CN115808309B (zh) * | 2023-02-09 | 2023-05-30 | 哈尔滨科锐同创机模制造有限公司 | 一种应用于轴承试验的轴承监控方法和*** |
CN116628633A (zh) * | 2023-07-26 | 2023-08-22 | 青岛中微创芯电子有限公司 | 一种igbt实时监测与使用寿命预测评估方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10466138B2 (en) | Determining remaining useful life of rotating machinery including drive trains, gearboxes, and generators | |
CN114462820A (zh) | 一种轴承状态监测与健康管理***性能测试及优化方法和*** | |
CN112487356B (zh) | 一种结构健康监测数据增强方法 | |
KR102321607B1 (ko) | 기계의 결함 검출 장치 및 방법 | |
CN109492790A (zh) | 基于神经网络与数据挖掘的风电机组健康管理方法 | |
CN115238753B (zh) | 一种基于局部离群因子的自适应shm数据清洗方法 | |
CN111337244A (zh) | 一种风机齿轮箱输入轴故障监测和诊断的方法及装置 | |
CN114323671A (zh) | 借助人工智能方法基于对电驱动***的组件的预测诊断来确定剩余使用寿命的方法和设备 | |
CN112580858A (zh) | 设备参数预测分析方法及*** | |
CN117590159A (zh) | 一种基于深度学习的隧道电缆供电状态监测方法及*** | |
KR102306244B1 (ko) | 디바이스의 결함 검출 모델 생성 방법 및 장치 | |
CN117435883A (zh) | 一种基于数字孪生的设备故障预测的方法和*** | |
CN112257224B (zh) | 汽轮发电机状态检修方法、***以及终端 | |
CN114577470A (zh) | 用于风机主轴承的故障诊断方法及*** | |
CN117232809A (zh) | 基于dematel-anp-critic组合赋权的风机主轴故障预诊断方法 | |
Wang | Modelling the probability assessment of system state prognosis using available condition monitoring information | |
US11339763B2 (en) | Method for windmill farm monitoring | |
Xin et al. | Dynamic probabilistic model checking for sensor validation in Industry 4.0 applications | |
Lu et al. | Integration of wavelet decomposition and artificial neural network for failure prognosis of reciprocating compressors | |
Zhang | Comparison of data-driven and model-based methodologies of wind turbine fault detection with SCADA data | |
Nielsen et al. | Quantifying the value of SHM for wind turbine blades | |
CN117272844B (zh) | 配电盘工作寿命的预测方法及*** | |
Verbeke et al. | Fleet-Based Remaining Useful Life Prediction of Safety-critical Electronic Devices | |
KR102321602B1 (ko) | 기계의 결함 검출 장치 및 방법 | |
CN116773238B (zh) | 一种基于工业数据的故障监测方法及*** |
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 |