CN116175281B - 一种加工中心主轴***振动异常检测方法 - Google Patents

一种加工中心主轴***振动异常检测方法 Download PDF

Info

Publication number
CN116175281B
CN116175281B CN202310456937.9A CN202310456937A CN116175281B CN 116175281 B CN116175281 B CN 116175281B CN 202310456937 A CN202310456937 A CN 202310456937A CN 116175281 B CN116175281 B CN 116175281B
Authority
CN
China
Prior art keywords
value
machining center
vibration
health evaluation
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.)
Active
Application number
CN202310456937.9A
Other languages
English (en)
Other versions
CN116175281A (zh
Inventor
赵明
赵琪
宋向阳
张华�
林良洪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chengdu Ruixue Fengtai Precision Electronics Co ltd
Original Assignee
Chengdu Ruixue Fengtai Precision Electronics Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chengdu Ruixue Fengtai Precision Electronics Co ltd filed Critical Chengdu Ruixue Fengtai Precision Electronics Co ltd
Priority to CN202310456937.9A priority Critical patent/CN116175281B/zh
Publication of CN116175281A publication Critical patent/CN116175281A/zh
Application granted granted Critical
Publication of CN116175281B publication Critical patent/CN116175281B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23Q—DETAILS, COMPONENTS, OR ACCESSORIES FOR MACHINE TOOLS, e.g. ARRANGEMENTS FOR COPYING OR CONTROLLING; MACHINE TOOLS IN GENERAL CHARACTERISED BY THE CONSTRUCTION OF PARTICULAR DETAILS OR COMPONENTS; COMBINATIONS OR ASSOCIATIONS OF METAL-WORKING MACHINES, NOT DIRECTED TO A PARTICULAR RESULT
    • B23Q17/00—Arrangements for observing, indicating or measuring on machine tools
    • B23Q17/12—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring vibration
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
    • G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computing Systems (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明涉及设备性能监控领域，公开了一种加工中心主轴***振动异常检测方法，包括利用加工中心主轴***的基础数据，构造随机矩阵；通过计算得到所述随机矩阵的特征值向量；对所述特征值向量所对应的所有特征值的绝对值进行排序，选择前段特征值；根据前段特征值，构建健康评估值；计算初始时刻和当前时刻的健康评估值误差百分比绝对值；将上述误差百分比绝对值与设定阈值比较，判断加工中心主轴***的振动在当前时刻是否异常；本发明计算量小、复杂度低，根据振动信号构建矩阵，并基于加权思想通过特征值及其贡献率构建健康评估指标，然后根据误差百分比绝对值构建判断规则，实现对加工中心主轴***振动的检测，能够及时的发现主轴是否故障。

Description

一种加工中心主轴***振动异常检测方法
技术领域
本发明涉及设备性能监控领域，具体讲是一种加工中心主轴***振动异常检测方法。
背景技术
主轴作为加工中心的核心部件，它的性能对机床整机的加工精度和生产率有决定性的影响。随着对主轴可靠性和寿命的要求日益苛刻，工况监控就显得非常重要，周期或连续地观察主轴的运行状态，可以预防非正常磨损、过热和意外损坏等异常情况的发生。
发明内容
因此，为了及时识别机床主轴的状态、发现故障早期征兆，本发明提供了一种加工中心主轴***振动异常检测方法，通过及时地发现主轴是否故障，方便工作人员及时地消除故障隐患，实现对设备的智能维护。
具体的，所述一种加工中心主轴***振动异常检测方法，包括
S100、利用加工中心主轴***的基础数据，构造随机矩阵；
S200、通过计算得到所述随机矩阵的特征值向量；该步骤能得到随机矩阵的特征值和特征向量。特征值向量是指所有特征值组成的向量。
S300、对所述特征值向量中所有特征值的绝对值进行排序后，根据特征值的累积贡献率和工程经验，选择前段特征值；
S400、基于加权思想，以贡献率作为权重，将前段特征值的倒数平方的加权和，作为健康评估值；
S500、分别将初始时刻和当前时刻主轴的振动数据作为上述基础数据，依次通过上述步骤S100至步骤S400，构建出初始时刻健康评估值和当前时刻健康评估值；
S600、计算初始时刻健康评估值和当前时刻健康评估值的误差百分比绝对值；
S700、将上述误差百分比绝对值与设定阈值比较，判断加工中心主轴***的振动在当前时刻是否异常。
本发明具有如下有益效果：
本发明计算量小、复杂度低，根据加工中心主轴***中主轴的振动信号构建矩阵，并基于加权思想通过特征值及其贡献率构建健康评估指标，然后根据误差百分比绝对值构建判断规则，实现对加工中心主轴***的振动情况进行判断，能够及时地发现加工中心主轴***的振动是否异常，方便工作人员及时的消除故障隐患，实现对设备的智能维护。
在上述方法中，构造随机矩阵是因为一个变量不可能是固定值，而是具有一定的随机性，例如在某个范围内波动，而通过这些变量的历史数据构造出的矩阵叫随机矩阵。
在上述方法中根据所述特征值向量中所有特征值的绝对值进行排序是因为特征值的绝对值越大，说明它对结果的影响较大。而选择前段特征值目的是选择对结果影响较大的特征值，删除对结果影响较小的特征值，减少计算量。
在上述方法中，根据前段特征值，为了加大贡献率大的特征值和弱化贡献率小的特征值对健康评估结果的影响，对特征值求倒，并基于加权思想，以贡献率作为权重，将特征值的倒数平方的加权和作为健康评估值。
在上述方法中选择误差百分比绝对值来与阈值比较是因为误差百分比相当于反映当前健康评估值偏离初始健康评估值的程度。误差百分比绝对值越大，说明当前健康评估值与初始健康评估值差距越大，***越不健康。误差百分比绝对值越小，说明当前健康评估值与初始健康评估值差距越小，***比较健康。
附图说明
图1是本发明所述一种加工中心主轴***振动异常检测方法的流程示意图。
具体实施方式
下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。
在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
下面参考附图1描述本申请实施例的，由于对加工中心的主轴可靠性和寿命的要求日益苛刻，工况监控就显得非常重要，需要周期或连续地观察主轴的运行状态，来预防非正常磨损、过热和意外损坏等异常情况的发生；本发明提供了一种加工中心主轴***振动异常检测方法，该方法包括如下步骤：
S100、利用加工中心主轴***的基础数据，构造随机矩阵；
S200、通过计算得到所述随机矩阵的特征值向量；
S300、对所述特征值向量中所有特征值的绝对值进行排序后，根据特征值的累积贡献率和工程经验，选择前段特征值；
S400、基于加权思想，以贡献率作为权重，将前段特征值的倒数平方的加权和，作为健康评估值；
S500、分别将初始时刻和当前时刻主轴的振动数据作为上述基础数据，依次通过上述步骤S100至步骤S400，构建出初始时刻健康评估值和当前时刻健康评估值；
S600、计算初始时刻健康评估值和当前时刻健康评估值的误差百分比绝对值；
S700、将上述误差百分比绝对值与设定阈值比较，判断加工中心主轴***的振动在当前时刻是否异常。
具体的，将加工中心主轴***初始时刻主轴的振动数据作为基础数据时，构建出初始时刻健康评估值的方法如下：
获取加工中心主轴***主轴历史数据中初始时刻的振动数据，初始时刻的主轴是属于正常的状态，该初始时刻的振动数据也是正常或标准的数据，再根据初始时刻的振动数据构造初始时刻的
Figure SMS_1
随机矩阵/>
Figure SMS_2
；
Figure SMS_3
，
上述公式中，
Figure SMS_4
为初始时刻/>
Figure SMS_5
主轴的振动信号。
通过如下公式计算得到初始时刻的随机矩阵
Figure SMS_6
的特征值向量
Figure SMS_7
；/>
Figure SMS_8
是随机矩阵/>
Figure SMS_9
中第/>
Figure SMS_10
个特征值，
Figure SMS_11
，
其中，
Figure SMS_12
为满足上述公式的/>
Figure SMS_13
维非0列向量。
根据所述特征值向量
Figure SMS_14
，对向量/>
Figure SMS_15
的所有特征值从大到小进行排序得到
Figure SMS_16
，并根据如下公式选择前/>
Figure SMS_17
个特征值/>
Figure SMS_18
，
Figure SMS_19
；
其中，
Figure SMS_20
为第/>
Figure SMS_21
个特征值的贡献率，/>
Figure SMS_22
可根据工程经验确定，/>
Figure SMS_23
是第/>
Figure SMS_24
个特征值。
通过如下公式构建初始时刻健康评估值
Figure SMS_25
，即基于加权思想，以贡献率作为权重，前段特征值的倒数平方的加权和，作为时刻健康评估值。
Figure SMS_26
。
具体的，将当前时刻主轴的振动数据作为基础数据时，构建出当前时刻健康评估值的方法如下：
获取加工中心主轴***主轴当前时刻的振动数据，并构造当前时刻的
Figure SMS_27
随机矩阵/>
Figure SMS_28
；
其中，
Figure SMS_29
，
上述公式中，
Figure SMS_30
为/>
Figure SMS_31
当前时刻主轴的振动信号。
通过如下公式计算得到当前时刻的随机矩阵
Figure SMS_32
的特征值向量/>
Figure SMS_33
；
Figure SMS_34
是随机矩阵/>
Figure SMS_35
中第/>
Figure SMS_36
个特征值，
Figure SMS_37
，
其中，
Figure SMS_38
为满足上述公式的/>
Figure SMS_39
维非0列向量。
根据所述特征值向量
Figure SMS_40
，对向量/>
Figure SMS_41
所有特征值从大到小进行排序得到
Figure SMS_42
，并根据如下公式选择前/>
Figure SMS_43
个特征值/>
Figure SMS_44
，
Figure SMS_45
；
其中，
Figure SMS_46
为第/>
Figure SMS_47
个特征值的贡献率，/>
Figure SMS_48
可根据工程经验确定，/>
Figure SMS_49
是第/>
Figure SMS_50
个特征值。
通过如下公式构建初始时刻健康评估值
Figure SMS_51
，即基于加权思想，以贡献率作为权重，前段特征值的倒数平方的加权和，作为当前时刻健康评估值；
Figure SMS_52
。
在得到初始时刻健康评估值
Figure SMS_53
和当前时刻健康评估值/>
Figure SMS_54
后，计算初始时刻健康评估值和当前时刻健康评估值的误差百分比绝对值/>
Figure SMS_55
；
Figure SMS_56
，
将上述误差百分比绝对值与设定阈值比较，判断加工中心主轴***的主轴在当前时刻是否异常，具体如下：
当
Figure SMS_57
时，主轴振动有异常，即加工中心主轴***的振动有异常；
当
Figure SMS_58
时，主轴振动无异常，即加工中心主轴***的振动无异常；
其中，
Figure SMS_59
是所述设定阈值，该阈值通过工程实际经验确定。
在上述方法中，根据前段特征值，为了加大贡献率大的特征值和弱化贡献率小的特征值对健康评估结果的影响，对特征值求倒，并基于加权思想，以贡献率作为权重，将特征值的倒数平方的加权和作为健康评估值。
本发明根据加工中心主轴***中主轴的振动信号构建矩阵，并基于加权思想通过特征值及其贡献率构建健康评估指标，然后根据误差百分比绝对值构建判断规则，实现对加工中心主轴***的振动情况进行判断，能够及时地发现加工中心主轴***的振动是否异常，计算量小、复杂度低，方便工作人员及时地消除故障隐患，实现对设备的智能维护。
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 (6)

1.一种加工中心主轴***振动异常检测方法，其特征在于，包括：
S100、利用加工中心主轴***的基础数据，构造随机矩阵；
S200、通过计算得到所述随机矩阵的特征值向量；
S300、对所述特征值向量中所有特征值的绝对值进行排序后，根据特征值的累积贡献率，选择前段特征值；
S400、基于加权思想，以贡献率作为权重，将前段特征值的倒数平方的加权和，作为健康评估值；
S500、分别将初始时刻和当前时刻主轴的振动数据作为上述基础数据，依次通过上述步骤S100至步骤S400，构建出初始时刻健康评估值和当前时刻健康评估值；
S600、计算初始时刻健康评估值和当前时刻健康评估值的误差百分比绝对值；
S700、将上述误差百分比绝对值与设定阈值比较，判断加工中心主轴***的振动在当前时刻是否异常。
2.根据权利要求1所述一种加工中心主轴***振动异常检测方法，其特征在于，所有特征值的绝对值进行排序的方法是：采用从大到小进行排序。
3.根据权利要求1所述一种加工中心主轴***振动异常检测方法，其特征在于，令
Figure QLYQS_1
是初始时刻健康评估值和当前时刻健康评估值的误差百分比绝对值，令/>
Figure QLYQS_2
是所述设定阈值，该阈值通过工程实际经验确定；
当
Figure QLYQS_3
时，当前时刻的加工中心主轴***振动有异常；
当
Figure QLYQS_4
时，当前时刻的加工中心主轴***振动无异常。
4.根据权利要求1所述一种加工中心主轴***振动异常检测方法，其特征在于，通过如下公式计算得到随机矩阵的特征值向量：
Figure QLYQS_5
，
其中，
Figure QLYQS_6
是/>
Figure QLYQS_7
时刻的随机矩阵，/>
Figure QLYQS_8
是随机矩阵的特征向量，/>
Figure QLYQS_9
是满足上述公式的/>
Figure QLYQS_10
维非0向量。
5.根据权利要求1所述一种加工中心主轴***振动异常检测方法，其特征在于，通过如下公式选择前段特征值：
Figure QLYQS_11
，
其中，
Figure QLYQS_13
为第/>
Figure QLYQS_15
个特征值的贡献率，/>
Figure QLYQS_19
是随机矩阵的维数，/>
Figure QLYQS_14
是时刻，/>
Figure QLYQS_17
是在/>
Figure QLYQS_20
特征向量中所有特征值进行排序后第/>
Figure QLYQS_21
个特征值；/>
Figure QLYQS_12
是/>
Figure QLYQS_16
特征向量的绝对值，/>
Figure QLYQS_18
是随机矩阵的特征向量；
Figure QLYQS_22
的取值根据工程经验确定，并且/>
Figure QLYQS_23
；
Figure QLYQS_24
是特征值的个数，以/>
Figure QLYQS_25
为分界区分是否是前段特征值，并且/>
Figure QLYQS_26
。
6.根据权利要求5所述一种加工中心主轴***振动异常检测方法，其特征在于，基于加权思想，以贡献率作为权重，将前段特征值的倒数平方的加权和作为健康评估值，该健康评估值采用如下公式进行构建：
Figure QLYQS_27
，
其中，
Figure QLYQS_28
是健康评估值。
CN202310456937.9A 2023-04-26 2023-04-26 一种加工中心主轴***振动异常检测方法 Active CN116175281B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310456937.9A CN116175281B (zh) 2023-04-26 2023-04-26 一种加工中心主轴***振动异常检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310456937.9A CN116175281B (zh) 2023-04-26 2023-04-26 一种加工中心主轴***振动异常检测方法

Publications (2)

Publication Number Publication Date
CN116175281A CN116175281A (zh) 2023-05-30
CN116175281B true CN116175281B (zh) 2023-06-23

Family

ID=86444679

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310456937.9A Active CN116175281B (zh) 2023-04-26 2023-04-26 一种加工中心主轴***振动异常检测方法

Country Status (1)

Country Link
CN (1) CN116175281B (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008132558A (ja) * 2006-11-28 2008-06-12 Kuramae Sangyo Kk 切削加工における異常検出方法及び加工異常検出装置
CN102284888A (zh) * 2011-02-25 2011-12-21 华中科技大学 一种数控机床车削稳定性在线监测方法
CN102944435A (zh) * 2012-10-25 2013-02-27 北京航空航天大学 一种基于费希尔判别分析与马氏距离的旋转机械健康评估与故障诊断方法
CN105108584A (zh) * 2015-07-21 2015-12-02 上海交通大学 一种车削颤振检测方法
CN105353256A (zh) * 2015-11-30 2016-02-24 上海交通大学 一种输变电设备状态异常检测方法
CN108956111A (zh) * 2018-06-11 2018-12-07 北京天泽智云科技有限公司 一种机械部件的异常状态检测方法及检测***
CN109359873A (zh) * 2018-10-24 2019-02-19 哈工大机器人（山东）智能装备研究院 一种基于pca-t2的滚珠丝杠副健康评估方法
CN111241632A (zh) * 2020-01-20 2020-06-05 中国人民解放军国防科技大学 基于随机矩阵理论和欧式距离的悬浮***故障预诊方法
US20200230769A1 (en) * 2018-09-13 2020-07-23 Dalian University Of Technology Cross-axis and cross-point modal testing and parameter identification method for predicting the cutting stability
CN114167838A (zh) * 2021-12-03 2022-03-11 西安电子科技大学 一种伺服***多尺度健康评估与故障预测方法
CN115200850A (zh) * 2022-07-19 2022-10-18 西安交通大学 多测点样本结构信息显式表征下的机械设备异常检测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102580409B1 (ko) * 2017-08-29 2023-09-21 현대위아 주식회사 진동 가속도 신호를 활용한 공구 파손감지 영역 자동설정 방법 및 진동 가속도 신호를 활용한 공구 파손감지장치

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008132558A (ja) * 2006-11-28 2008-06-12 Kuramae Sangyo Kk 切削加工における異常検出方法及び加工異常検出装置
CN102284888A (zh) * 2011-02-25 2011-12-21 华中科技大学 一种数控机床车削稳定性在线监测方法
CN102944435A (zh) * 2012-10-25 2013-02-27 北京航空航天大学 一种基于费希尔判别分析与马氏距离的旋转机械健康评估与故障诊断方法
CN105108584A (zh) * 2015-07-21 2015-12-02 上海交通大学 一种车削颤振检测方法
CN105353256A (zh) * 2015-11-30 2016-02-24 上海交通大学 一种输变电设备状态异常检测方法
CN108956111A (zh) * 2018-06-11 2018-12-07 北京天泽智云科技有限公司 一种机械部件的异常状态检测方法及检测***
US20200230769A1 (en) * 2018-09-13 2020-07-23 Dalian University Of Technology Cross-axis and cross-point modal testing and parameter identification method for predicting the cutting stability
CN109359873A (zh) * 2018-10-24 2019-02-19 哈工大机器人（山东）智能装备研究院 一种基于pca-t2的滚珠丝杠副健康评估方法
CN111241632A (zh) * 2020-01-20 2020-06-05 中国人民解放军国防科技大学 基于随机矩阵理论和欧式距离的悬浮***故障预诊方法
CN114167838A (zh) * 2021-12-03 2022-03-11 西安电子科技大学 一种伺服***多尺度健康评估与故障预测方法
CN115200850A (zh) * 2022-07-19 2022-10-18 西安交通大学 多测点样本结构信息显式表征下的机械设备异常检测方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
加工中心主轴振动特性及在线监测方法研究;付景文;《工程科技Ⅰ辑》;第B022-1277页 *
加工中心主轴***异常振动的监测方法和应用研究;许凯;《工程科技Ⅰ辑》;第B022-472页 *
周苏.《人工智能导论》.机械工业出版社,2020,第118-119页. *
巫世晶.《设备管理工程》.中国电力出版社,2005,第164-165页. *
泵空化状态的声振表征方法研究;伍柯霖;《工程科技Ⅱ辑》;第C029-65页 *

Also Published As

Publication number Publication date
CN116175281A (zh) 2023-05-30

Similar Documents

Publication Publication Date Title
CN108681633B (zh) 一种基于状态参数的凝结水泵故障预警方法
KR101316486B1 (ko) 이상 검지 방법 및 시스템
US6587737B2 (en) Method for the monitoring of a plant
CN112348237B (zh) 一种动态钻井数据异常趋势检测方法
CN109359873B (zh) 一种基于pca-t2的滚珠丝杠副健康评估方法
CN112629585A (zh) 基于多维参数估计的设备在线监测方法及装置
CN110428191B (zh) 配电网脆弱节点辨识的方法
US20150161573A1 (en) Device for searching and method for searching for similar breakdown cases
CN115187832A (zh) 一种基于深度学习与格拉姆角场图像的能源***故障诊断方法
CN105302123A (zh) 在线测量数据的监控方法
CN116175281B (zh) 一种加工中心主轴***振动异常检测方法
CN110266527B (zh) 基于空间相关性的传感器节点故障分类报警方法及装置
CN111855219A (zh) 一种基于灰色理论的柴油机润滑油进机安保参数预测方法
CN113505531B (zh) 基于结合传统诊断与机器学习方法且针对往复机械气门间隙异常故障的诊断模型构建方法
Sheu et al. Generally weighted moving average control chart for monitoring process variability
CN110506245A (zh) 诊断装置以及诊断方法
CN114611633B (zh) 一种电磁阀的健康监测方法
CN116846658A (zh) 一种基于服务质量跟踪的网络安全风险智能评估方法
CN116719831A (zh) 一种面向健康监测的标准数据库建立与更新方法
CN114943281B (zh) 一种热管冷却反应堆智能决策方法及***
CN113487141B (zh) 一种多源信息聚类融合的轴承状态评估方法
CN115070774A (zh) 一种基于中值神经网络的工业机器人故障模式识别方法
CN112988529A (zh) 一种基于机器学习进行数据库***性能预测的方法及***
CN113834536B (zh) 基于互联网的蒸汽管路状态实时监控传输***及方法
Liu et al. Feature Selection for Chiller Fault Detection and Diagnosis Based on Grey Similitude Degree of Incidence.

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