CN115901004A - 一种热镀锌生产线锌锅感应加热器健康监测***及方法 - Google Patents
一种热镀锌生产线锌锅感应加热器健康监测***及方法 Download PDFInfo
- Publication number
- CN115901004A CN115901004A CN202211225475.1A CN202211225475A CN115901004A CN 115901004 A CN115901004 A CN 115901004A CN 202211225475 A CN202211225475 A CN 202211225475A CN 115901004 A CN115901004 A CN 115901004A
- Authority
- CN
- China
- Prior art keywords
- data
- equipment
- health
- state
- chip
- 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
- 230000036541 health Effects 0.000 title claims abstract description 96
- 238000012544 monitoring process Methods 0.000 title claims abstract description 58
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 32
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000005246 galvanizing Methods 0.000 title claims abstract description 29
- HCHKCACWOHOZIP-UHFFFAOYSA-N Zinc Chemical compound [Zn] HCHKCACWOHOZIP-UHFFFAOYSA-N 0.000 title claims abstract description 26
- 239000011701 zinc Substances 0.000 title claims abstract description 26
- 229910052725 zinc Inorganic materials 0.000 title claims abstract description 26
- 230000006698 induction Effects 0.000 title claims abstract description 19
- 238000007726 management method Methods 0.000 claims abstract description 40
- 238000013523 data management Methods 0.000 claims abstract description 25
- 230000002159 abnormal effect Effects 0.000 claims description 26
- 238000007781 pre-processing Methods 0.000 claims description 14
- 238000009826 distribution Methods 0.000 claims description 12
- 230000035772 mutation Effects 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 7
- 230000003203 everyday effect Effects 0.000 claims description 6
- 229910000831 Steel Inorganic materials 0.000 claims description 5
- 230000007774 longterm Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000005096 rolling process Methods 0.000 claims description 5
- 239000010959 steel Substances 0.000 claims description 5
- 238000005315 distribution function Methods 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000007405 data analysis Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 abstract 1
- 238000004364 calculation method Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 230000007704 transition Effects 0.000 description 3
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 2
- 229910052802 copper Inorganic materials 0.000 description 2
- 239000010949 copper Substances 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000003862 health status Effects 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000005012 migration Effects 0.000 description 2
- 238000013508 migration Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 206010011878 Deafness Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000010370 hearing loss Effects 0.000 description 1
- 231100000888 hearing loss Toxicity 0.000 description 1
- 208000016354 hearing loss disease Diseases 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000007747 plating Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Images
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种热镀锌生产线锌锅感应加热器健康监测***及方法,包括:通过温度传感***实时获取设备运行情况实时数据,运用设备健康管理技术建立底层模型算法,并依据传感数据对设备的健康状态进行实时评估与监测;包括数据管理芯片采集原始数据并预处理后存储在数据库;状态监测芯片对需要监测的设备各部件温度、功率等数据进行监测;故障预测芯片采用基于时间序列的产线关键设备信号异常预测方法对设备健康状态进行预测;健康管理芯片对设备的健康状况进行评估和管理。根据本发明,可实现对热镀锌生产线锌锅感应加热器设备状态进行监测、预测与预警,有助于管理人员及时了解设备健康状态,实现更精细化的管理。
Description
技术领域
本发明涉及工业设备故障预警的技术领域,特别涉及一种热镀锌生产线锌锅感应加热器健康监测***及方法。
背景技术
随着制造业的高速发展,工业设备的种类越来越多,设备的复杂度也越来越高,工业企业对设备的可靠性要求也越来越高,致使设备管理的难度也越来越大。而工业生产中,一旦设备出现故障,将会对整个生产过程和生产计划产生影响,造成经济损失,严重时甚至会威胁到人员安全。
镀锌设备工作场景环境因素复杂:1.锌锅储存液态锌,导致设备周围作业环境温度异常,不适合作业人员长期滞留。2.镀锌工序常伴随高频振动,持续产生高频噪声,不适合作业人员长期滞留,否则会导致听力受损。考虑上述作业环境因素,想要实现镀锌设备锌锅的状态评估,人工巡检的方式存在许多困难。
发明内容
针对现有技术中存在的不足之处,本发明的目的是提供一种热镀锌生产线锌锅感应加热器健康监测***及方法,可实现对热镀锌生产线锌锅感应加热器设备状态进行监测、预测与预警,有助于管理人员及时了解设备健康状态,实现更精细化的管理。为了实现根据本发明的上述目的和其他优点,提供了一种热镀锌生产线锌锅感应加热器健康监测***,包括:
数据管理芯片及与所述数据管理芯片均信号连接的状态监测芯片、故障预测芯片及健康管理芯片;
其中,所述数据管理芯片用于通过温度传感***实时采集设备运行情况数据,并进行数据预处理后存储在数据库;
状态监测芯片用于对需要监测的设备各部件温度、功率需要监测的数据进行监测,且状态监测芯片通过数据管理芯片收集的实时数据,并以此原始实时数据作为数据基础进行状态监测;
故障预测芯片用于将数据管理芯片的历史数据作为输入,采用基于时间序列的产线关键设备信号异常预测方法对设备健康状态进行预测;
健康管理芯片用于对设备的健康状况进行评估和管理,并通过故障报警***进行接收状态监测芯片发送来的故障状态信息,并实时展示并推送给用户,为设备故障进行报警。
优选的,数据管理芯片包括数据采集单元、数据预处理单元、数据库管理单元及历史数据库;
其中数据采集单元用于采集轧钢镀锌设备上的温度传感***的实时数据并存入数据库;
数据预处理单元用于对原始数据进行标准化处理,生成原始特征;
数据库管理单元用于实时数据库与历史数据库间的数据传输;
历史数据库用于存储由实时数据库上传的设备数据,用于状态监测芯片、故障预测芯片的数据分析功能,同时为用户提供可视化的历史数据查询功能。
优选的,所述数据库管理单元中的实时数据库采用MySQL存储和管理实时数据,并于每日固定时段上传至历史数据库保存。
优选的,状态监测芯片包括阈值判断单元与分类识别单元,所述阈值判断单元用于根据历史数据库的统计结果,提取重要参数数据的上下限范围,若某一参数超出该范围,进行判定故障点;
分类识别单元用于运用某一时间段的温度信号拟合数据分布,并提取分布函数的各项特征值,随后对各特征值的数据分布进行聚类,实现模型对正常工况数据以及异常突变数据的识别。
优选的,健康管理芯片将设备的健康状态划分为多个级别,包括有正常、异常、故障,正常显示为绿色,异常显示为黄色,故障显示为红色,其中当设备正常运行,且未出现异常点的状态为正常状态;当状态监测芯片或故障预测芯片检测出设备状态出现异常点时,设备状态标记为异常;当状态监测芯片检测出状态出现故障时,设备状态标记为故障。
一种热镀锌生产线锌锅感应加热器健康监测方法,包括以下步骤:
S1、通过数据管理芯片通过将传感器采集的实时设备数据进行预处理,并储存于实时数据库中,每天定时将实时数据库中的设备数据和报警信息等通过数据管理模块转移到历史数据库进行长期保存;
S2、通过状态监测芯片从实时数据库请求设备数据,通过阈值判断单元设置的重要参数数据上下限范围进行异常判断,随后对各特征值的数据分布进行聚类,通过分类识别单元实现模型对正常工况数据以及异常突变数据的识别,将设备健康状态发送至健康管理芯片;
S3、通过故障预测芯片从历史数据库请求设备数据,通过运用设备健康度指标,通过基于时间序列的产线关键设备信号异常预测方法对未来指定时间内的设备健康状态进行预测,将预测得到的设备健康状态发送至健康管理芯片;
S4、通过健康管理芯片根据状态监测芯片和故障预测芯片发送的健康评估结果,对所有设备的健康状况进行监测管理,并通过故障报警***推送给设备管理人员。
本发明与现有技术相比,其有益效果是:
(1)本发明对汽车板轧钢镀锌设备运行的健康状态进行监测和管理,便于设备管理人员和企业管理者对所有设备的健康状况有更全面的了解,也便于进行更精细化的管理。具体的实施例中,例如联合状态监测、故障预测和故障报警三个模块,对工业设备的健康状况进行全面的监测和判定。
(2)将多种传感器参数融合为表征设备性能状态的健康度指标,并将得到的基于时间序列的健康度指标作为观测序列输入HMM模型,用于评估指数对应的健康状态,最后进行状态概率最优路径计算,找到最佳的状态概率序列,实现对设备健康指的拟合预测,进而通过公式计算得到设备健康状态的预测值。
(3)开发了镀锌设备的实时健康监测***,实现对轧钢产线镀锌工序锌液储存罐温度、设备关键部件振动等信息的实时采集与监测,对早期故障进行提前预警。
附图说明
图1为根据本发明的热镀锌生产线锌锅感应加热器健康监测***及方法的结构示意图;
图2为根据本发明的热镀锌生产线锌锅感应加热器健康监测***及方法的工作流程示意图;
图3为根据本发明的热镀锌生产线锌锅感应加热器健康监测***及方法的分类设备方法示意图。
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。
参照图1-3,一种热镀锌生产线锌锅感应加热器健康监测***,包括:数据管理芯片及与所述数据管理芯片均信号连接的状态监测芯片、故障预测芯片及健康管理芯片;
其中,所述数据管理芯片用于通过温度传感***实时采集设备运行情况数据,并进行数据预处理后存储在数据库;
状态监测芯片用于对需要监测的设备各部件温度、功率需要监测的数据进行监测,且状态监测芯片通过数据管理芯片收集的实时数据,并以此原始实时数据作为数据基础进行状态监测,其中,对于锌锅法兰面、铜套的温度数据以及故障信息可通过数字化设备直接传输;
故障预测芯片用于将数据管理芯片的历史数据作为输入,采用基于时间序列的产线关键设备信号异常预测方法对设备健康状态进行预测;
健康管理芯片用于对设备的健康状况进行评估和管理,并通过故障报警***进行接收状态监测芯片发送来的故障状态信息,并实时展示并推送给用户,为设备故障进行报警。
进一步的,数据管理芯片包括数据采集单元、数据预处理单元、数据库管理单元及历史数据库;
其中数据采集单元用于采集轧钢镀锌设备上的温度传感***的实时数据并存入数据库,实时数据有设备运行数据和物理数据两部分,运行数据包括运行时间、运行状态、工况信息,物理数据包括实时的设备温度、环境温度、加热功率等,数据采样频率根据设备管理要求进行调节。物理数据一部分依靠设备自身控制***进行采集,另一部分如锌锅法兰、铜套等关键部件,需要外加温度传感器等进行数据采集;
数据预处理单元用于对原始数据进行标准化处理,生成原始特征,首先对于采集到的原始数据进行清洗,删除重复值、异常值、缺失值,进行标准化处理生成原始特征;
数据库管理单元用于实时数据库与历史数据库间的数据传输;
历史数据库用于存储由实时数据库上传的设备数据,用于状态监测芯片、故障预测芯片的数据分析功能,同时为用户提供可视化的历史数据查询功能,所述数据库管理单元中的实时数据库采用MySQL存储和管理实时数据,并于每日固定时段上传至历史数据库保存,实时数据库若接收到来自历史数据库发送的数据迁移请求时,将根据请求信息编写SQL语句,从实时数据库获取相应的实时数据,发送给历史数据库并保存迁移记录以备查询。
实时数据库,主要存储以下几类表:
表1.设备信息表
故障预测芯片有设备健康度指标与基于时间序列的产线关键设备信号异常预测方法,通过融合多种特征参数形成设备健康度指标Hi,所述设备健康度指标Hi为性能指标,具体通过下式计算,
其中,pj为特征降维后的m个特征参数的权重,为进行归一化处理之后的参数值,之后可以得到一组时间序列,即长度为n的设备健康度指标的观测序列:H{H1,H2,H3,L,Hn},λ为特征值。
所述基于时间序列的产线关键设备信号异常预测方法采用隐马尔可夫模型(Hidden Markov Model,HMM)进行预测,具体包括,
通过迭代得到最优模型参数
计算得到设备健康度指标观测序列在时刻t时,处于状态θi的概率;
计算出t时刻在时间序列中设备处于不同健康状态的概率;
获取不同健康状态的概率中的最大概率对应的状态,作为t时刻设备运行的状态;
计算出t时刻指数值最接近的多个健康度指标之间的差值,对未来时刻的健康度指标进行预测,计算出未来设备状态的预测值。
构建模型包括有以下几个步骤:
首先对设备运行状态进行分级,将不同设备状态下降过程的运行状况统一划分为4个等级,分别为健康、正常、异常、故障。分别对应HMM模型的4种隐藏状态,通过后续步骤的预测模型的训练与状态进行评估。
根据上一节中数据预处理和特征融合后得到数据长度为n的设备健康的数据序列:H{H1,H2,H3,L,Hn},来寻找能使得数据序列对应的状态概率最大的HMM。此步骤通过寻找参数值的方式来实现。
具体为获取参数值λ*,使得概率P(O|λ)在处达到最大值,所述参数值λ*通过下式进行约束,
λ*=argmaxP(O|λ)=argmaxlogP(O|λ)
进行迭代计算直到logP(O|λ)的值不变时停止迭代;
通过迭代计算,得到新的模型参数,对应更新模型重新进行迭代计算直到获得最优模型并停止迭代。其中,δ为预先规定的收敛条件,在不满足收敛条件时会重复进行之前的训练步骤直至满足收敛,A和B分别为状态转移概率矩阵以及观测状态的状态转移矩阵。
根据预测模型进行设备健康状态的预测。对设备健康状态的预测具体包括有以下的步骤,
通过迭代计算,最终得到最优估计参数通过之前步骤中数据预处理和特征融合后生成的单一健康指数序列作为模型的观测序列,输入最终迭代后的最优模型参数
计算获取设备的健康指数观测序列在时刻t时,处于状态的概率,将最优模型参数代入到下式,
其中,首先定义代表前向概率变量,代表后向概率变量,代表概率变量,是给定模型参数在时刻t+1,且设备处于状态qi的概率;是给定模型参数λ在t时刻,且设备处于状态qj,输出观测值为Ot+1,Ot+2,Ot+3,L,OT的概率;为t时刻的状态为θi,t+1时刻状态为θj的概率;表示t到t+1时刻的HMM的状态转移概率;是给定模型参数λ在t时刻,且设备处于状态qj的概率;为t+1时刻观察状态在隐藏状态下生成的概率;是给定模型参数在t+1时刻,且设备处于状态qj,输出观测值为Ot+1,Ot+2,Ot+3,L,OT的概率。
给定观测序列具体表达式如下
其中;t=1,2,3,L,N,j=1,2,3,L,N;是给定模型参数λ在时刻t,且设备处于状态qj的概率;是给定模型在时刻t,设备处于状态qj,输出观测值为Ot+1,Ot+2,Ot+3,L,OT的概率;是给定模型λ在时刻t,设备处于状态qj下的概率。
上述公式中参数具体计算如下:
αt(j)=P(O1,ii=qj|λ)=πjbj(O1)
βT(j)=1
在整个观测序列和给定模型情况下,在时刻t处于状态qj,t+1时刻处于状态qk的概率为ξ(j,k)有
其中状态概率公式推导为:
P(it=qj,it+1=qj,O|λ)=ajkbkαt(j)βt+1(j)
最后计算得到的概率公式为:
进一步的,状态监测芯片包括阈值判断单元与分类识别单元,所述阈值判断单元用于根据历史数据库的统计结果,提取重要参数数据的上下限范围,若某一参数超出该范围,进行判定故障点;
分类识别单元用于运用某一时间段的温度信号拟合数据分布,并提取分布函数的各项特征值,随后对各特征值的数据分布进行聚类,实现模型对正常工况数据以及异常突变数据的识别。
针对本项目数据类型多为温度,少量为功率以及电流等电学信号,开发组设计并验证了一种基于信号数据分布的分类识别方法,运用某一时间段的温度信号拟合数据分布,并提取分布函数的各项特征值,随后对各特征值的数据分布进行聚类,实现模型对正常工况数据以及异常突变数据的识别,建模过程如下:
进一步的,健康管理芯片将设备的健康状态划分为多个级别,包括有正常、异常、故障,正常显示为绿色,异常显示为黄色,故障显示为红色,其中当设备正常运行,且未出现异常点的状态为正常状态;当状态监测芯片或故障预测芯片检测出设备状态出现异常点时,设备状态标记为异常;当状态监测芯片检测出状态出现故障时,设备状态标记为故障,健康管理芯片包括故障报警***,故障报警***用于接收健康管理模块发送来的不同健康状态的信息,并根据故障信息实时推送设备的健康状态,也可以通过手机app等进行多平台的报警。
一种热镀锌生产线锌锅感应加热器健康监测方法,包括以下步骤:
S1、通过数据管理芯片通过将传感器采集的实时设备数据进行预处理,并储存于实时数据库中,每天定时将实时数据库中的设备数据和报警信息等通过数据管理模块转移到历史数据库进行长期保存;
S2、通过状态监测芯片从实时数据库请求设备数据,通过阈值判断单元设置的重要参数数据上下限范围进行异常判断,随后对各特征值的数据分布进行聚类,通过分类识别单元实现模型对正常工况数据以及异常突变数据的识别,将设备健康状态发送至健康管理芯片;
S3、通过故障预测芯片从历史数据库请求设备数据,通过运用设备健康度指标,通过基于时间序列的产线关键设备信号异常预测方法对未来指定时间内的设备健康状态进行预测,将预测得到的设备健康状态发送至健康管理芯片;
S4、通过健康管理芯片根据状态监测芯片和故障预测芯片发送的健康评估结果,对所有设备的健康状况进行监测管理,并通过故障报警***推送给设备管理人员。
这里说明的设备数量和处理规模是用来简化本发明的说明的,对本发明的应用、修改和变化对本领域的技术人员来说是显而易见的。
尽管本发明的实施方案已公开如上,但其并不仅限于说明书和实施方式中所列运用,它完全可以被适用于各种适合本发明的领域,对于熟悉本领域的人员而言,可容易地实现另外的修改,因此在不背离权利要求及等同范围所限定的一般概念下,本发明并不限于特定的细节和这里示出与描述的图例。
Claims (6)
1.一种热镀锌生产线锌锅感应加热器健康监测***,其特征在于,包括:
数据管理芯片及与所述数据管理芯片均信号连接的状态监测芯片、故障预测芯片及健康管理芯片;
其中,所述数据管理芯片用于通过温度传感***实时采集设备运行情况数据,并进行数据预处理后存储在数据库;
状态监测芯片用于对需要监测的设备各部件温度、功率需要监测的数据进行监测,且状态监测芯片通过数据管理芯片收集的实时数据,并以此原始实时数据作为数据基础进行状态监测;
故障预测芯片用于将数据管理芯片的历史数据作为输入,采用基于时间序列的产线关键设备信号异常预测方法对设备健康状态进行预测;
健康管理芯片用于对设备的健康状况进行评估和管理,并通过故障报警***进行接收状态监测芯片发送来的故障状态信息,并实时展示并推送给用户,为设备故障进行报警。
2.如权利要求1所述的一种热镀锌生产线锌锅感应加热器健康监测***,其特征在于,数据管理芯片包括数据采集单元、数据预处理单元、数据库管理单元及历史数据库;
其中数据采集单元用于采集轧钢镀锌设备上的温度传感***的实时数据并存入数据库;
数据预处理单元用于对原始数据进行标准化处理,生成原始特征;
数据库管理单元用于实时数据库与历史数据库间的数据传输;
历史数据库用于存储由实时数据库上传的设备数据,用于状态监测芯片、故障预测芯片的数据分析功能,同时为用户提供可视化的历史数据查询功能。
3.如权利要求2所述的一种热镀锌生产线锌锅感应加热器健康监测***,其特征在于,所述数据库管理单元中的实时数据库采用MySQL存储和管理实时数据,并于每日固定时段上传至历史数据库保存。
4.如权利要求1所述的一种热镀锌生产线锌锅感应加热器健康监测***,其特征在于,状态监测芯片包括阈值判断单元与分类识别单元,所述阈值判断单元用于根据历史数据库的统计结果,提取重要参数数据的上下限范围,若某一参数超出该范围,进行判定故障点;
分类识别单元用于运用某一时间段的温度信号拟合数据分布,并提取分布函数的各项特征值,随后对各特征值的数据分布进行聚类,实现模型对正常工况数据以及异常突变数据的识别。
5.如权利要求1所述的一种热镀锌生产线锌锅感应加热器健康监测***,其特征在于,健康管理芯片将设备的健康状态划分为多个级别,包括有正常、异常、故障,正常显示为绿色,异常显示为黄色,故障显示为红色,其中当设备正常运行,且未出现异常点的状态为正常状态;当状态监测芯片或故障预测芯片检测出设备状态出现异常点时,设备状态标记为异常;当状态监测芯片检测出状态出现故障时,设备状态标记为故障。
6.如权利要求1-5所述的任一的一种热镀锌生产线锌锅感应加热器健康监测方法,其特征在于,包括以下步骤:
S1、通过数据管理芯片通过将传感器采集的实时设备数据进行预处理,并储存于实时数据库中,每天定时将实时数据库中的设备数据和报警信息等通过数据管理模块转移到历史数据库进行长期保存;
S2、通过状态监测芯片从实时数据库请求设备数据,通过阈值判断单元设置的重要参数数据上下限范围进行异常判断,随后对各特征值的数据分布进行聚类,通过分类识别单元实现模型对正常工况数据以及异常突变数据的识别,将设备健康状态发送至健康管理芯片;
S3、通过故障预测芯片从历史数据库请求设备数据,通过运用设备健康度指标,通过基于时间序列的产线关键设备信号异常预测方法对未来指定时间内的设备健康状态进行预测,将预测得到的设备健康状态发送至健康管理芯片;
S4、通过健康管理芯片根据状态监测芯片和故障预测芯片发送的健康评估结果,对所有设备的健康状况进行监测管理,并通过故障报警***推送给设备管理人员。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211225475.1A CN115901004A (zh) | 2022-10-09 | 2022-10-09 | 一种热镀锌生产线锌锅感应加热器健康监测***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211225475.1A CN115901004A (zh) | 2022-10-09 | 2022-10-09 | 一种热镀锌生产线锌锅感应加热器健康监测***及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115901004A true CN115901004A (zh) | 2023-04-04 |
Family
ID=86492652
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211225475.1A Pending CN115901004A (zh) | 2022-10-09 | 2022-10-09 | 一种热镀锌生产线锌锅感应加热器健康监测***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115901004A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117273471A (zh) * | 2023-11-22 | 2023-12-22 | 天津市德丰金属制品有限公司 | 一种钢丝生产制程监管方法及*** |
-
2022
- 2022-10-09 CN CN202211225475.1A patent/CN115901004A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117273471A (zh) * | 2023-11-22 | 2023-12-22 | 天津市德丰金属制品有限公司 | 一种钢丝生产制程监管方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113156917B (zh) | 基于人工智能的电网设备故障诊断方法及*** | |
CN108445410A (zh) | 一种监测蓄电池组运行状态的方法及装置 | |
CN112817280A (zh) | 一种用于火电厂智慧监盘报警***实现方法 | |
CN111412579B (zh) | 一种基于大数据的空调机组故障类型诊断方法和*** | |
CN108537394B (zh) | 一种智能电网实时安全预警方法和装置 | |
CN116823227A (zh) | 一种基于物联网的智能设备管理***及方法 | |
CN112990656A (zh) | 一种it设备监测数据的健康评价***及健康评价方法 | |
CN115358155A (zh) | 一种电力大数据异常预警方法、装置、设备及可读存储介质 | |
CN113036913A (zh) | 一种综合能源设备状态监测方法及装置 | |
CN115901004A (zh) | 一种热镀锌生产线锌锅感应加热器健康监测***及方法 | |
CN115864223A (zh) | 一种基于无人机巡视技术的电网全专业差异化运维方法 | |
CN118091401A (zh) | 基于多源传感器的断路器故障检测方法及*** | |
CN117277566B (zh) | 基于大数据的电网数据分析电力调度***及方法 | |
CN116862209B (zh) | 一种新能源汽车充电设施管理方法及*** | |
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*** | |
CN110837953A (zh) | 一种自动化异常实体定位分析方法 | |
CN118214168B (zh) | 一种配电电路的实时状态监测方法 | |
CN109257206A (zh) | 一种数据录入及评价诊断信息反馈的方法 | |
CN116502156B (zh) | 一种换流站光ct异常状态智能辨识方法及*** | |
CN117935519B (zh) | 一种燃气检测警报*** | |
CN117521084B (zh) | 一种复杂***的主动安全预警方法 | |
CN117560300B (zh) | 一种智能物联网流量预测与优化*** | |
CN113608074B (zh) | 一种多表位耐压试验装置自动化在线监测方法及*** | |
CN118214168A (zh) | 一种配电电路的实时状态监测方法 | |
Lu et al. | Research on Anomaly Detection Algorithm of Chemical Storage Tanks Based on FCM-LSTM |
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 |