CN116502141A - 一种基于数据驱动的电动螺旋压力机故障预测方法及*** - Google Patents
一种基于数据驱动的电动螺旋压力机故障预测方法及*** Download PDFInfo
- Publication number
- CN116502141A CN116502141A CN202310753501.6A CN202310753501A CN116502141A CN 116502141 A CN116502141 A CN 116502141A CN 202310753501 A CN202310753501 A CN 202310753501A CN 116502141 A CN116502141 A CN 116502141A
- Authority
- CN
- China
- Prior art keywords
- data
- fault
- screw press
- hours before
- electric screw
- 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 52
- 238000012549 training Methods 0.000 claims abstract description 47
- 239000008358 core component Substances 0.000 claims abstract description 25
- 238000013145 classification model Methods 0.000 claims abstract description 16
- 238000005070 sampling Methods 0.000 claims abstract description 15
- 230000001502 supplementing effect Effects 0.000 claims abstract description 13
- 238000012360 testing method Methods 0.000 claims description 29
- 210000002569 neuron Anatomy 0.000 claims description 15
- 230000005540 biological transmission Effects 0.000 claims description 13
- 238000002790 cross-validation Methods 0.000 claims description 9
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 7
- 238000003062 neural network model Methods 0.000 claims description 7
- 238000012795 verification Methods 0.000 claims description 6
- 230000036541 health Effects 0.000 abstract description 2
- 238000003860 storage Methods 0.000 description 27
- 230000006870 function Effects 0.000 description 15
- 238000004519 manufacturing process Methods 0.000 description 14
- 238000012545 processing Methods 0.000 description 12
- 239000000306 component Substances 0.000 description 9
- 230000008569 process Effects 0.000 description 7
- 238000004804 winding Methods 0.000 description 6
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 5
- 229910052802 copper Inorganic materials 0.000 description 5
- 239000010949 copper Substances 0.000 description 5
- 238000006073 displacement reaction Methods 0.000 description 5
- 238000005242 forging Methods 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- 238000001228 spectrum Methods 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000006378 damage Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000012800 visualization Methods 0.000 description 3
- 208000027418 Wounds and injury Diseases 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 208000014674 injury Diseases 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005461 lubrication Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002688 persistence Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000009469 supplementation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G01M99/00—Subject matter not provided for in other groups of this subclass
- G01M99/005—Testing of complete machines, e.g. washing-machines or mobile phones
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- 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)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于数据驱动的电动螺旋压力机故障预测方法及***,该方法包括:获取所述电动螺旋压力机核心部件的数据,所述数据包括:正常工作数据、故障数据和故障前n小时内数据;通过滑动取样方法对故障前n小时内数据进行补充,并分别提取正常工作数据、故障数据和故障前n小时内数据在打击周期内的特征;通过SOM网络算法构建故障分类模型,对故障数据的特征进行聚类,并对聚类后的故障数据的特征进行识别和取舍,生成故障数据的最终特征,根据故障数据的最终特征并通过TCN网络算法对各故障构建故障预测模型,根据正常工作数据的特征、故障前n小时内数据的特征对故障预测模型进行训练;通过故障预测模型预测各故障的发生概率。
Description
技术领域
本发明属于故障预测技术领域,更具体地,涉及一种基于数据驱动的电动螺旋压力机故障预测方法及***。
背景技术
电动螺旋压力机作为金属锻压件的重要制造装备,在工业生产中一直占据着无可替代的地位。其随着工业制造水平的发展,为了追求高效、高质、低成本的效益,电动螺旋压力机***日趋庞大,结构复杂性和***不稳定也随之提高。在设备长期运行的过程中,随着设备的磨损程度增加、润滑状况下降,设备会逐渐出现劣化,超过一定的范围,设备会出现无法正常工作的状态。若压力机产生故障,不仅可能对人员造成重大的伤害,还可能对本身或者生产模具造成重大甚至难以复原的伤害。压力机和模具都价格不菲,损坏的设备和模具难以恢复。如果模锻过程停止,无法提供锻件,影响后续生产的连续性,给企业造成难以估量的损失。
由于电动螺旋压力机的生产过程中各部件之间的关联性、生产过程的不确定性,使得设备的故障预测更加困难。由于锻压生产复杂、过程长、变量多、内在联系隐蔽、不易控制的特点,对于设备问题、锻件的质量不合格原因、生产过程中出现的故障停机,仍需通过行业专家来解决问题,即目前压力机设备的可靠性和可维修性的管理还依赖于人的主观性判断,且此时故障往往已经发生。因此,快速识别电动螺旋压力机的故障趋势并***,且给出可能的故障原因,对于设备的健康维护,减少设备损耗和停产造成的经济损失具有十分重要的意义。
发明内容
为解决以上技术问题,本发明提出一种基于数据驱动的电动螺旋压力机故障预测方法,包括:
S101,获取所述电动螺旋压力机核心部件的数据,所述数据包括:正常工作数据、故障数据和故障前n小时内数据;
S102,通过滑动取样方法对故障前n小时内数据进行补充,并分别提取正常工作数据、故障数据和故障前n小时内数据在打击周期内的特征;
S103,通过SOM网络算法构建故障分类模型,对故障数据的特征进行聚类,并对聚类后的故障数据的特征进行识别和取舍,生成故障数据的最终特征,根据故障数据的最终特征并通过TCN网络算法对各故障构建故障预测模型,根据正常工作数据的特征、故障前n小时内数据的特征对故障预测模型进行训练;
S104,通过故障预测模型预测各故障的发生概率。
进一步的,所述S101包括:
S1001:将电动螺旋压力机分为机械***和电控***;
S1002:机械***中的传动部分及电控***作为核心部件,对核心部件添加传感器,以便获取核心部件的数据。
进一步的,所述S102中通过滑动取样方法对故障前n小时内数据进行补充包括:
通过三个打击周期的滑动窗口,对故障前n小时内数据进行补充。
进一步的,通过SOM网络算法构建故障分类模型包括:
S3011:将故障数据的特征分为训练集、交叉验证集和测试集,其中,输入层节点数量为特征数量;
S3012:构建SOM网格,竞争层采用8×8的网络结构,随机初始化神经元权值向量,选择固定领域半径,输出层神经元数量代表故障类型数量;
S3013:对经过训练得到的SOM神经网络模型进行测试,对训练出的分类结果做故障类型定义。
进一步的,通过TCN网络算法对各故障构建故障预测模型包括:
S3021:将正常工作数据的特征、故障前n小时内数据的特征分为训练集,交叉验证集,测试集;
S3022:构建TCN网络模型,其中,使用具有2个卷积块的TCN网络模型,并将dropout率设置在0.2,交叉熵作为损失函数,选择Adam算法对TCN网络模型进行训练并迭代优化超参数;
S3023:对经过训练得到的TCN网络模型进行测试,使用F1-score指标评估TCN网络模型性能。
本发明还提出一种基于数据驱动的电动螺旋压力机故障预测***,包括:
获取数据模块,用于获取所述电动螺旋压力机核心部件的数据,所述数据包括:正常工作数据、故障数据和故障前n小时内数据;
获取特征模块,用于通过滑动取样方法对故障前n小时内数据进行补充,并分别提取正常工作数据、故障数据和故障前n小时内数据在打击周期内的特征;
训练模块,用于通过SOM网络算法构建故障分类模型,对故障数据的特征进行聚类,并对聚类后的故障数据的特征进行识别和取舍,生成故障数据的最终特征,根据故障数据的最终特征并通过TCN网络算法对各故障构建故障预测模型,根据正常工作数据的特征、故障前n小时内数据的特征对故障预测模型进行训练;
预测模块,用于通过故障预测模型预测各故障的发生概率。
进一步的,所述获取数据模块包括:
S1001:将电动螺旋压力机分为机械***和电控***;
S1002:机械***中的传动部分及电控***作为核心部件,对核心部件添加传感器,以便获取核心部件的数据。
进一步的,所述通过滑动取样方法对故障前n小时内数据进行补充包括:
通过三个打击周期的滑动窗口,对故障前n小时内数据进行补充。
进一步的,通过SOM网络算法构建故障分类模型包括:
S3011:将故障数据的特征分为训练集、交叉验证集和测试集,其中,输入层节点数量为特征数量;
S3012:构建SOM网格,竞争层采用8×8的网络结构,随机初始化神经元权值向量,选择固定领域半径,输出层神经元数量代表故障类型数量;
S3013:对经过训练得到的SOM神经网络模型进行测试,对训练出的分类结果做故障类型定义。
进一步的,通过TCN网络算法对各故障构建故障预测模型包括:
S3021:将正常工作数据的特征、故障前n小时内数据的特征分为训练集,交叉验证集,测试集;
S3022:构建TCN网络模型,其中,使用具有2个卷积块的TCN网络模型,并将dropout率设置在0.2,交叉熵作为损失函数,选择Adam算法对TCN网络模型进行训练并迭代优化超参数;
S3023:对经过训练得到的TCN网络模型进行测试,使用F1-score指标评估TCN网络模型性能。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,具有以下有益效果:
本发明能够解决设备健康状态监控、提高设备故障预测准确率。
附图说明
图1是本发明实施例1的方法的流程图;
图2是本发明实施例2的***的结构图;
图3是本发明实施例5的方法的流程图;
图4是本发明实施例5的研究对象电动螺旋压力机的***组成;
图5是本发明实施例5的***的结构图;
图6是本发明实施例5的对故障前数据样本补充的示意图;
图7是本发明实施例5的预测模型训练图;
图8是本发明实施例5的模型训练流程。
具体实施方式
为了更好的理解上述技术方案,下面将结合说明书附图以及具体的实施方式对上述技术方案做详细的说明。
本发明提供的方法可以在如下的终端环境中实施,所述终端可以包括一个或多个如下部件:处理器、存储介质和显示屏。其中,存储介质中存储有至少一条指令,所述指令由处理器加载并执行以实现下述实施例所述的方法。
处理器可以包括一个或者多个处理核心。处理器利用各种接口和线路连接整个终端内的各个部分,通过运行或执行存储在存储介质内的指令、程序、代码集或指令集,以及调用存储在存储介质内的数据,执行终端的各种功能和处理数据。
存储介质可以包括随机存储介质(Random Access Memory,RAM),也可以包括只读存储介质(Read-Only Memory,ROM)。存储介质可用于存储指令、程序、代码、代码集或指令。
显示屏用于显示各个应用程序的用户界面。
除此之外,本领域技术人员可以理解,上述终端的结构并不构成对终端的限定,终端可以包括更多或更少的部件,或者组合某些部件,或者不同的部件布置。比如,终端中还包括射频电路、输入单元、传感器、音频电路、电源等部件,在此不再赘述。
F1分数(F1 Score),是统计学中用来衡量二分类模型精确度的一种指标。它同时兼顾了分类模型的精确率和召回率。F1分数可以看作是模型精确率和召回率的一种调和平均,它的最大值是1,最小值是0。
自组织映射(Self-Organizing Maps, SOM)算法作为一种聚类和高维可视化的无监督学习算法, 是通过模拟人脑对信号处理的特点而发展起来的一种人工神经网络。
实施例1
如图1所示,本发明实施例提供一种基于数据驱动的电动螺旋压力机故障预测方法,包括:
S101,获取所述电动螺旋压力机核心部件的数据,所述数据包括:正常工作数据、故障数据和故障前n小时内数据;
S102,通过滑动取样方法对故障前n小时内数据进行补充,并分别提取正常工作数据、故障数据和故障前n小时内数据在打击周期内的特征;
S103,通过SOM网络算法构建故障分类模型,对故障数据的特征进行聚类,并对聚类后的故障数据的特征进行识别和取舍,生成故障数据的最终特征,根据故障数据的最终特征并通过TCN网络算法对各故障构建故障预测模型,根据正常工作数据的特征、故障前n小时内数据的特征对故障预测模型进行训练;
S104,通过故障预测模型预测各故障的发生概率。
具体的,所述S101包括:
S1001:将电动螺旋压力机分为机械***和电控***;
S1002:机械***中的传动部分及电控***作为核心部件,对核心部件添加传感器,以便获取核心部件的数据。
具体的,所述S102中通过滑动取样方法对故障前n小时内数据进行补充包括:
通过三个打击周期的滑动窗口,对故障前n小时内数据进行补充。
具体的,通过SOM网络算法构建故障分类模型包括:
S3011:将故障数据的特征分为训练集、交叉验证集和测试集,其中,输入层节点数量为特征数量;
S3012:构建SOM网格,竞争层采用8×8的网络结构,随机初始化神经元权值向量,选择固定领域半径,输出层神经元数量代表故障类型数量;
S3013:对经过训练得到的SOM神经网络模型进行测试,对训练出的分类结果做故障类型定义。
具体的,通过TCN网络算法对各故障构建故障预测模型包括:
S3021:将正常工作数据的特征、故障前n小时内数据的特征分为训练集,交叉验证集,测试集;
S3022:构建TCN网络模型,其中,使用具有2个卷积块的TCN网络模型,并将dropout率设置在0.2,交叉熵作为损失函数,选择Adam算法对TCN网络模型进行训练并迭代优化超参数;
S3023:对经过训练得到的TCN网络模型进行测试,使用F1-score指标评估TCN网络模型性能。
实施例2
如图2所示,本发明实施例还提供一种基于数据驱动的电动螺旋压力机故障预测***,包括:
获取数据模块,用于获取所述电动螺旋压力机核心部件的数据,所述数据包括:正常工作数据、故障数据和故障前n小时内数据;
获取特征模块,用于通过滑动取样方法对故障前n小时内数据进行补充,并分别提取正常工作数据、故障数据和故障前n小时内数据在打击周期内的特征;
训练模块,用于通过SOM网络算法构建故障分类模型,对故障数据的特征进行聚类,并对聚类后的故障数据的特征进行识别和取舍,生成故障数据的最终特征,根据故障数据的最终特征并通过TCN网络算法对各故障构建故障预测模型,根据正常工作数据的特征、故障前n小时内数据的特征对故障预测模型进行训练;
预测模块,用于通过故障预测模型预测各故障的发生概率。
具体的,所述获取数据模块包括:
S1001:将电动螺旋压力机分为机械***和电控***;
S1002:机械***中的传动部分及电控***作为核心部件,对核心部件添加传感器,以便获取核心部件的数据。
具体的,所述通过滑动取样方法对故障前n小时内数据进行补充包括:
通过三个打击周期的滑动窗口,对故障前n小时内数据进行补充。
具体的,通过SOM网络算法构建故障分类模型包括:
S3011:将故障数据的特征分为训练集、交叉验证集和测试集,其中,输入层节点数量为特征数量;
S3012:构建SOM网格,竞争层采用8×8的网络结构,随机初始化神经元权值向量,选择固定领域半径,输出层神经元数量代表故障类型数量;
S3013:对经过训练得到的SOM神经网络模型进行测试,对训练出的分类结果做故障类型定义。
具体的,通过TCN网络算法对各故障构建故障预测模型包括:
S3021:将正常工作数据的特征、故障前n小时内数据的特征分为训练集,交叉验证集,测试集;
S3022:构建TCN网络模型,其中,使用具有2个卷积块的TCN网络模型,并将dropout率设置在0.2,交叉熵作为损失函数,选择Adam算法对TCN网络模型进行训练并迭代优化超参数;
S3023:对经过训练得到的TCN网络模型进行测试,使用F1-score指标评估TCN网络模型性能。
实施例3
本发明实施例还提出一种存储介质,存储有多条指令,所述指令用于实现所述的一种基于数据驱动的电动螺旋压力机故障预测方法。
可选地,在本实施例中,上述存储介质可以位于计算机网络中计算机终端群中的任意一个计算机终端中,或者位于移动终端群中的任意一个移动终端中。
可选地,在本实施例中,存储介质被设置为存储用于执行一种基于数据驱动的电动螺旋压力机故障预测方法的程序代码。
实施例4
本发明实施例还提出一种电子设备,包括处理器和与所述处理器连接的存储介质,所述存储介质存储有多条指令,所述指令可被所述处理器加载并执行,以使所述处理器能够执行所述的一种基于数据驱动的电动螺旋压力机故障预测方法。
具体的,本实施例的电子设备可以是计算机终端,所述计算机终端可以包括:一个或多个处理器、以及存储介质。
其中,存储介质可用于存储软件程序以及模块,如本发明实施例中的一种基于数据驱动的电动螺旋压力机故障预测方法,对应的程序指令/模块,处理器通过运行存储在存储介质内的软件程序以及模块,从而执行各种功能应用以及数据处理,即实现上述的一种基于数据驱动的电动螺旋压力机故障预测方法。存储介质可包括高速随机存储介质,还可以包括非易失性存储介质,如一个或者多个磁性存储***、闪存、或者其他非易失性固态存储介质。在一些实例中,存储介质可进一步包括相对于处理器远程设置的存储介质,这些远程存储介质可以通过网络连接至终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
处理器可以通过传输***调用存储介质存储的信息及应用程序,以执行一种基于数据驱动的电动螺旋压力机故障预测方法。
实施例5
如图3所示,为本发明的一种基于数据驱动的电动螺旋压力机故障预测方法的流程图,选择的研究设备型号为J58ZK型,吨位有630T和1000T。研究包括如下步骤:
S1:基于动态规则策略进行数据采集。分析电动螺旋压力机的***结构和工作特点,结合专家经验选择高频故障、易造成重大损失的核心关键件作为研究对象,布置相关传感器,基于动态规则策略进行数据采集并上传数据;
S101:根据电动螺旋压力机特点,分析设备***,将电动螺旋压力机分为机械***和电控***。
S102:参考专家经验分类常见故障,机械***中传动部分、电控***故障发生率较高,且其故障易造成重大损失。其中传动***由飞轮、螺母、螺杆、滑块等组成,电控***主要由电机组成。设备结构组成如图4所示。分别对机械***和电控***中的关键零件添加传感器。
所述的典型故障有:滑块超程、滑块无法动作、滑块溜车、打击能量不稳定、编码器故障、电机绕组温度过高、电机主变频器故障、电源损坏等等。
由于故障隐蔽性、耦合性特点,最后选择在电机上布置测温传感器,参数包括电机绕组实时温度。滑块内铜螺母布置测温传感器,参数包括铜螺母实时温度。滑块侧面位置位移传感器,参数包括滑块的实时位移和实时速度。电机的定子外侧安装振动传感器,参数包括振动的幅度大小。
S103:将设备传感器接入SIMATIC S7-1200 PLC,以OPCUA协议的方式向采集器交换数据。PLC中提前预制程序:1)PLC报警:对报警机理清晰的故障,由PLC实时进行故障判断,将结果以Boolean值输出。2)批量采集函数:当PLC报警或接受到采集器信号通知时,对相关数据进行一分钟的密集型采集,并存储在数组中,完成后通知采集器。
所述PLC报警规则由设备厂家技术人员内置,主要用于处理原因清晰的报警事件;
所述批量采集函数是基于PLC高实时性特点,利用主函数将若干数据携带时间戳以数组存储在本地,完成后上报采集器通知其获取数据。该过程执行区间不允许执行相同的请求。
S104:数据采集模块中,采集器从***获取PLC连接信息并建立连接。获取数据项的基本信息:如命名空间、地址、采集方式、频率、阈值判断规则、复杂表达式规则。这些信息可由专家在***中灵活设置、调整。
所述从***中获取,指PLC、数据项的相关采集信息、策略都以记录的形式存储于数据库,采集时动态获取。***用户通过可视化界面可对策略进行修改,实现动态配置。
S105:为适应生产环境数据量限制、通讯延迟和设备故障的模糊和不确定性,本***提供了以下三种数据自动化采集方案:1)订阅监控:利用订阅机制实现数据监控,对采集到的数据做规则判断,触发规则的数据项根据配置设置的采集对象、间隔执行密集采集或批量采集;2)密集采集:对于缓慢变化的数据采用服务器定时读取方式,采集并存储数据;3)批量采集:对于快速变化的数据使用PLC批量采集存储后利用订阅机制异步通知采集器批量读取。
所述订阅模式中,采集器向PLC以200ms的订阅频率订阅数据,PLC内部以100ms扫描刷新OPCUA节点数据,数据采集模块获取实时信息后使用回调函数处理阈值判断和规则判断,并对部分敏感数据做持久化存储。采集器会主动定时调度任务,对数据项进行密集、批量采集,获取正常工作信息,且PLC或采集器发现数据异常后也会调度密集、批量采集;
所述的三种方式互为补充,订阅监控数据量规模;密集采集由采集器规则或定时驱动,具有高可配置性;批量读取由采集器通过写方式驱动PLC执行,弥补了采集器主动采集数据时间间隔过大的缺点。
S106:对设备的运行数据做间隔性采集,结合压力机周期性工作的特点,每间隔5分钟对设备进行1分钟密集批量采集。PLC报警或采集器报警后也进行密集批量采集。此时获取了定间隔的运行数据和异常时数据。
所述的间隔由采集器通过定时任务执行,PLC报警和采集器报警则基于订阅监控模式下对异常发现后调用执行。
S107:采集器定时向服务器上传采集信息,支持断点续传,生产者记录上传情况,保证与服务端数据一致性。
所述的服务器可部署与本地或云端,对于云端服务器使用MQTT协议进行数据上传,每条消息在本地数据库中以日志方式记录,通过全局id保证一致性。可分片进行断点续传,由服务端对数据进行拼接得到完整数据。
S2:基于***自动化标注采样数据,分正常工作数据、故障数据和故障前1小时内数据样本。基于滑动取样方法对故障前数据样本进行补充。提取不同数据类型打击周期内的特征值;
S201:设备平均工作节拍为7次/分钟,每分钟的数据中可提取出前若干个标准连续工作周期内的数据,数据包括电动螺旋压力机的实际打击能量、实际打击行程、电机温度、电机转速、电机输出转矩、输出电流、输出电压、滑块位移、滑块速度、铜螺母温度。
所述采集数据有若干周期,根据打击行程曲线,以第一个完整的周期曲线为第一个打击周期。
S202:数据标记,有可识别故障信号的故障类型由***自动生成故障记录,无故障信号的故障类型由现场人员在故障信息***中添加故障记录。***根据故障记录将其时间点附近数据标记为故障数据,将对其前1小时数据标记为故障前数据,其余数据视为正常数据。
所述故障数据来源于***检测到规则异常后自动标定,或故障事后由检修人员在***可视化平台中添加记录。***根据故障记录表标识出正常、故障、故障前1小时的数据。
S203:数据处理,提取一个工作周期内的打击行程、打击能量、电机绕组平均温度、滑块位移与速度经过滤波和傅里叶变化得到的频率分类和幅度谱。振动信息的时频域指标。
所述数据处理对于一个打击周期内的单点数据如实际打击能量、实际打击行程、直接做一个特征维度;对于在一个打击周期内变化有限的时序数据如电机绕组温度、铜螺母温度取均值作为特征;对于在一个打击周期内有固定变化规律的时序数据如滑块位置、速度应取完整曲线,由于现场环境的复杂,电机启动时电流较大等原因。采集到传感器信号存在一定的干扰,因此需要对数据先进行滤波处理以降低信号干扰带来导致的曲线异常波动,考虑使用低通巴特沃斯滤波器对信号进行处理,然后使用傅里叶变换处理得到频率分量、幅度谱作为特征。对于采集到的振动信息做小波包分解处理,结合其时频域指标有波形指标、峰值、脉冲指标和各频段能量谱作为特征;对处理后的信号中提取电机转速、输出转矩的极值等信息作为特征。
S204:样本选择,由于生产环境下随机因素较多,每次打击的效果和产生的数据受被打击件等因素影响,取一个采集周期内的前三个打击周期的特征作均值处理,针对异常敏感数据添加一个方差特征。将这些数据进行归一化后形成采集周期内的特征。如图6所示,故障前数据样本数量较少,扩充的方式为:对于故障前数据,使用三个打击周期的滑动窗口,使用[x,x+3T](x=1,2,3,4)扩充数据集数据。
所述样本扩充方法,对于某次故障前一小时内数据中,在采集周期内以3个周期为窗口进行滑动,各采集周期中相同偏移量区间组成的时序数据可作为补充数据集,需要注意由于设备的生产节拍不固定,尾部周期可能出现不完整现象,这些周期数据不能加入训练集。
S3:基于SOM网络算法构建故障分类模型,使用故障数据进行聚类分析,根据专家经验对分类出的数据进行识别、取舍。基于TCN网络算法对各故障构建预测模型,使用正常工作数据样本、故障前1小时内数据进行模型训练;模型结构如图7所示。
S301:SOM网络构建
S3011:输入数据集。使用故障时数据,将数据按6:2:2分为训练集,交叉验证集,测试集,将其特征作为SOM神经网络的输入参数。其中,输入层节点数量等于特征数量,包括实际打击能量、实际打击行程、电机绕组平均温度、铜螺母平均温度、电机转速的最大、最小值、输出转矩的最大值、滑块位移、速度的频率分量和幅度谱、机器振动的波形指标、峰值、脉冲指标和各频段能量谱作为特征。
S3012:构建SOM网格,竞争层采用8×8的网络结构,随机初始化神经元权值向量,选择固定领域半径,输出层神经元数量代表故障模式数量,则从1开始逐渐增加。
所述SOM网络在当前训练集下,故障模式达到了6种。
S3013:聚类结果分析。对经过训练得到的SOM神经网络模型进行测试,对数据归一化聚类后观察新数据的聚类情况,评价训练结果。结合专家经验和根据生产现场事后处理的情况,对训练出的分类结果做故障类型定义,并排除一些干扰数据。
经过专家判断定义,这些故障分类有:滑块超程、滑块打击无力、打击超载、编码器故障、电机绕组温度过高、电机主变频器故障。
S302:TCN网络构建
S3021:输入数据集。针对S301区分出的不同故障类型,分别获取其故障前1小时窗口数据和此前的正常的窗口数据,将故障前1小时内的窗口数据标记为即将发生故障数据,同样,将数据按6:2:2分为训练集,交叉验证集,测试集。
根据SOM网络识别出的故障类型,对标记后的故障记录的前1小时的数据标识为该故障前1小时的数据。
S3022:构建TCN网络模型,将经过补充的样本作为输入。初始参数设置滤波器大小20、步幅为10。为了避免过拟合,使用具有2个卷积块的模型,并将dropout率设置在0.2,使用交叉熵作为损失函数,选择Adam算法对模型进行训练并迭代优化超参数,图8展示了模型中残差块的结构。
为各故障建立TCN网络模型,将经过样本补充的故障前数据样本和正常运行数据样本作为时序数据输入,以1小时内是否会出现相应故障作为输出进行模型训练。
S3023:模型评估。对经过训练得到的TCN网络模型进行测试,使用F1-score指标评估模型性能,并进行进一步的优化和调整。
采用F1-score综合评价模型性能,对其参数做出调整,其同时考虑了准确率和召回率,尽可能减少故障的错报、漏报。
S4:基于故障预测模型,对新上传时序数据预测各故障发生概率。对预测结果做评价,该标记数据可作为数据样本进行对模型再训练,提高预测精度。
所述新时序数据指,模型训练完成后部署于服务器后,对于具体某个设备上传的时序数据由数据处理模块预处理,输入到各TCN网络模型,根据模型结果的置信度为此次故障诊断给出一个综合评价,具体为不同故障可能在1小时内发生的概率。将该结果通过生产现场大屏、小程序等方式推送给用户。
所述管理员指检修人员和设备厂家人员,并根据检查结果和经验在***中给出本次故障诊断结果的可靠度评价,评价等级分准确、误差、错误。该标记数据可作为补充数据集对具体的故障TCN网络模型进行再训练,迭代提高模型预测精度。
本发明所述一种基于数据驱动的电动螺旋压力机故障预测方法及***,对该故障预测方法进行***集成,该故障预测***可部署于局域网或云平台,结构上分为采集层、服务层、应用层,如图5所示。其中:
采集层:包括数据采集模块。采集器在设备端与PLC通过OPCUA协议进行数据采集,并将数据通过使用HTTP协议或MQTT协议通讯上传至服务器,支持断点续传。
所述采集器在云平台模式下与云平台通过MQTT协议通讯。开机时向云平台***获取数据采集的基本策略、故障规则、定时任务规则。将各采集周期内数据进行本地存储,并记录上传状态,实现失败重试和断点续传。
服务层:包括数据处理模块、故障预测模块、数据服务模块。数据处理模块用于标记上传数据并进行特征提取;故障预测模块用于根据新时序数据对设备进行故障预测;向应用层的各终端提供标准的数据接口服务。
所述服务层包含***主用服务功能,配置信息、采集数据、故障记录、预测结果等都将在服务层进行流转,实现自动化采集、监控和预测。
应用层:包括Web应用可视化模块、APP应用、小程序应用,以图表等方式向用户提供设备实时信息、故障预警和历史报警记录。管理员可对预测结果进行标记,用于迭代预测模型,提高精度。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本发明所提供的几个实施例中,应所述理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的***实施例仅仅是示意性的,例如所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者所述技术方案的全部或部分可以以软件产品的形式体现出来,所述计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储介质(ROM,Read-Only Memory)、随机存取存储介质(RAM,RandomAccess Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
显然,上述实施例仅仅是为清楚地说明所作的举例,而并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (10)
1.一种基于数据驱动的电动螺旋压力机故障预测方法,其特征在于,包括:
S101,获取所述电动螺旋压力机核心部件的数据,所述数据包括:正常工作数据、故障数据和故障前n小时内数据;
S102,通过滑动取样方法对故障前n小时内数据进行补充,并分别提取正常工作数据、故障数据和故障前n小时内数据在打击周期内的特征;
S103,通过SOM网络算法构建故障分类模型,对故障数据的特征进行聚类,并对聚类后的故障数据的特征进行识别和取舍,生成故障数据的最终特征,根据故障数据的最终特征并通过TCN网络算法对各故障构建故障预测模型,根据正常工作数据的特征、故障前n小时内数据的特征对故障预测模型进行训练;
S104,通过故障预测模型预测各故障的发生概率。
2.如权利要求1所述的一种基于数据驱动的电动螺旋压力机故障预测方法,其特征在于,所述S101包括:
S1001:将电动螺旋压力机分为机械***和电控***;
S1002:机械***中的传动部分及电控***作为核心部件,对核心部件添加传感器,以便获取核心部件的数据。
3.如权利要求1所述的一种基于数据驱动的电动螺旋压力机故障预测方法,其特征在于,所述S102中通过滑动取样方法对故障前n小时内数据进行补充包括:
通过三个打击周期的滑动窗口,对故障前n小时内数据进行补充。
4.如权利要求1所述的一种基于数据驱动的电动螺旋压力机故障预测方法,其特征在于,通过SOM网络算法构建故障分类模型包括:
S3011:将故障数据的特征分为训练集、交叉验证集和测试集,其中,输入层节点数量为特征数量;
S3012:构建SOM网格,竞争层采用8×8的网络结构,随机初始化神经元权值向量,选择固定领域半径,输出层神经元数量代表故障类型数量;
S3013:对经过训练得到的SOM神经网络模型进行测试,对训练出的分类结果做故障类型定义。
5.如权利要求1所述的一种基于数据驱动的电动螺旋压力机故障预测方法,其特征在于,通过TCN网络算法对各故障构建故障预测模型包括:
S3021:将正常工作数据的特征、故障前n小时内数据的特征分为训练集,交叉验证集,测试集;
S3022:构建TCN网络模型,其中,使用具有2个卷积块的TCN网络模型,并将dropout率设置在0.2,交叉熵作为损失函数,选择Adam算法对TCN网络模型进行训练并迭代优化超参数;
S3023:对经过训练得到的TCN网络模型进行测试,使用F1-score指标评估TCN网络模型性能。
6.一种基于数据驱动的电动螺旋压力机故障预测***,其特征在于,包括:
获取数据模块,用于获取所述电动螺旋压力机核心部件的数据,所述数据包括:正常工作数据、故障数据和故障前n小时内数据;
获取特征模块,用于通过滑动取样方法对故障前n小时内数据进行补充,并分别提取正常工作数据、故障数据和故障前n小时内数据在打击周期内的特征;
训练模块,用于通过SOM网络算法构建故障分类模型,对故障数据的特征进行聚类,并对聚类后的故障数据的特征进行识别和取舍,生成故障数据的最终特征,根据故障数据的最终特征并通过TCN网络算法对各故障构建故障预测模型,根据正常工作数据的特征、故障前n小时内数据的特征对故障预测模型进行训练;
预测模块,用于通过故障预测模型预测各故障的发生概率。
7.如权利要求6所述的一种基于数据驱动的电动螺旋压力机故障预测***,其特征在于,所述获取数据模块包括:
S1001:将电动螺旋压力机分为机械***和电控***;
S1002:机械***中的传动部分及电控***作为核心部件,对核心部件添加传感器,以便获取核心部件的数据。
8.如权利要求6所述的一种基于数据驱动的电动螺旋压力机故障预测***,其特征在于,所述通过滑动取样方法对故障前n小时内数据进行补充包括:
通过三个打击周期的滑动窗口,对故障前n小时内数据进行补充。
9.如权利要求6所述的一种基于数据驱动的电动螺旋压力机故障预测***,其特征在于,通过SOM网络算法构建故障分类模型包括:
S3011:将故障数据的特征分为训练集、交叉验证集和测试集,其中,输入层节点数量为特征数量;
S3012:构建SOM网格,竞争层采用8×8的网络结构,随机初始化神经元权值向量,选择固定领域半径,输出层神经元数量代表故障类型数量;
S3013:对经过训练得到的SOM神经网络模型进行测试,对训练出的分类结果做故障类型定义。
10.如权利要求6所述的一种基于数据驱动的电动螺旋压力机故障预测***,其特征在于,通过TCN网络算法对各故障构建故障预测模型包括:
S3021:将正常工作数据的特征、故障前n小时内数据的特征分为训练集,交叉验证集,测试集;
S3022:构建TCN网络模型,其中,使用具有2个卷积块的TCN网络模型,并将dropout率设置在0.2,交叉熵作为损失函数,选择Adam算法对TCN网络模型进行训练并迭代优化超参数;
S3023:对经过训练得到的TCN网络模型进行测试,使用F1-score指标评估TCN网络模型性能。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310753501.6A CN116502141A (zh) | 2023-06-26 | 2023-06-26 | 一种基于数据驱动的电动螺旋压力机故障预测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310753501.6A CN116502141A (zh) | 2023-06-26 | 2023-06-26 | 一种基于数据驱动的电动螺旋压力机故障预测方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116502141A true CN116502141A (zh) | 2023-07-28 |
Family
ID=87328653
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310753501.6A Pending CN116502141A (zh) | 2023-06-26 | 2023-06-26 | 一种基于数据驱动的电动螺旋压力机故障预测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116502141A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116520817A (zh) * | 2023-07-05 | 2023-08-01 | 贵州宏信达高新科技有限责任公司 | 基于高速公路的etc***运行状态实时监控***及方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111271183A (zh) * | 2020-02-26 | 2020-06-12 | 重庆红江机械有限责任公司 | 一种自适应在线预测柴油机状态方法及*** |
CN112016251A (zh) * | 2020-09-02 | 2020-12-01 | 哈尔滨工程大学 | 一种核动力装置故障的诊断方法及*** |
CN113642754A (zh) * | 2021-04-23 | 2021-11-12 | 北京工业大学 | 一种基于rf降噪自编码信息重构和时间卷积网络的复杂工业过程故障预测方法 |
CN113777496A (zh) * | 2021-09-06 | 2021-12-10 | 北京化工大学 | 基于时间卷积神经网络的锂离子电池剩余寿命预测方法 |
CN115270965A (zh) * | 2022-07-29 | 2022-11-01 | 国网浙江省电力有限公司经济技术研究院 | 一种配电网线路故障预测方法和装置 |
-
2023
- 2023-06-26 CN CN202310753501.6A patent/CN116502141A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111271183A (zh) * | 2020-02-26 | 2020-06-12 | 重庆红江机械有限责任公司 | 一种自适应在线预测柴油机状态方法及*** |
CN112016251A (zh) * | 2020-09-02 | 2020-12-01 | 哈尔滨工程大学 | 一种核动力装置故障的诊断方法及*** |
CN113642754A (zh) * | 2021-04-23 | 2021-11-12 | 北京工业大学 | 一种基于rf降噪自编码信息重构和时间卷积网络的复杂工业过程故障预测方法 |
CN113777496A (zh) * | 2021-09-06 | 2021-12-10 | 北京化工大学 | 基于时间卷积神经网络的锂离子电池剩余寿命预测方法 |
CN115270965A (zh) * | 2022-07-29 | 2022-11-01 | 国网浙江省电力有限公司经济技术研究院 | 一种配电网线路故障预测方法和装置 |
Non-Patent Citations (1)
Title |
---|
师丽,李晓媛: "《应用MATLAB实现神经网络》", 机械工业出版社, pages: 110 - 114 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116520817A (zh) * | 2023-07-05 | 2023-08-01 | 贵州宏信达高新科技有限责任公司 | 基于高速公路的etc***运行状态实时监控***及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Deep learning-based remaining useful life estimation of bearings using multi-scale feature extraction | |
CN111459700B (zh) | 设备故障的诊断方法、诊断装置、诊断设备及存储介质 | |
CN112763908B (zh) | 一种基于多故障特征联合的电机健康指数评价*** | |
CN108038553B (zh) | 轧机设备状态在线监测与诊断***及监测诊断方法 | |
US11467562B2 (en) | Online monitoring device and system for a 3D printing device | |
CN113128561A (zh) | 一种机床轴承故障诊断方法 | |
CN111241154A (zh) | 一种基于大数据的蓄电池故障预警方法及*** | |
CN112650200B (zh) | 一种厂站设备故障的诊断方法及诊断装置 | |
CN116502141A (zh) | 一种基于数据驱动的电动螺旋压力机故障预测方法及*** | |
CN115409131B (zh) | 基于spc过程管控***的生产线异常检测方法 | |
CN111896254A (zh) | 一种变速变载大型滚动轴承故障预测***及方法 | |
CN109213034B (zh) | 设备健康度监控方法、装置、计算机设备及可读存储介质 | |
CN116224137A (zh) | 一种ups设备故障预警方法及*** | |
CN107473036A (zh) | 电梯曳引机远程在线检测与诊断***及其检测诊断方法 | |
CN116415126A (zh) | 用于造纸机的刮刀的异常检测的方法、装置和计算设备 | |
CN110969185A (zh) | 基于数据重构的设备异常状态检测方法 | |
CN115437358A (zh) | 工业机器人智能状态监测与故障诊断***及故障诊断方法 | |
CN116880454A (zh) | 车辆故障智能诊断***与方法 | |
CN115901263A (zh) | 基于数字孪生的滚动轴承剩余寿命在线预测方法及*** | |
CN115358533A (zh) | 一种基于大数据的预测性维护管理*** | |
CN116538092B (zh) | 一种压缩机在线监测及诊断方法、装置、设备及存储介质 | |
CN116642696A (zh) | 铁路轴承健康监测方法、装置、***、终端及存储介质 | |
Tolas et al. | Periodicity detection algorithm and applications on IoT data | |
CN114492636B (zh) | 一种变压器绕组状态信号的采集*** | |
CN114266013B (zh) | 基于深度学习虚拟感知网络的传动***振动解耦方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20230728 |
|
RJ01 | Rejection of invention patent application after publication |