CN116698227A - 一种酸洗工艺段挤干辊轴承温度在线监测预警方法及*** - Google Patents
一种酸洗工艺段挤干辊轴承温度在线监测预警方法及*** Download PDFInfo
- Publication number
- CN116698227A CN116698227A CN202310862766.XA CN202310862766A CN116698227A CN 116698227 A CN116698227 A CN 116698227A CN 202310862766 A CN202310862766 A CN 202310862766A CN 116698227 A CN116698227 A CN 116698227A
- Authority
- CN
- China
- Prior art keywords
- temperature
- bearing
- early warning
- data
- training
- 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 56
- 238000012544 monitoring process Methods 0.000 title claims abstract description 43
- 230000008569 process Effects 0.000 title claims description 29
- 238000005554 pickling Methods 0.000 title claims description 26
- 238000001125 extrusion Methods 0.000 title description 2
- 238000012549 training Methods 0.000 claims abstract description 40
- 239000002253 acid Substances 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 9
- 238000012423 maintenance Methods 0.000 claims abstract description 8
- 238000005406 washing Methods 0.000 claims abstract description 8
- 229910000831 Steel Inorganic materials 0.000 claims description 17
- 239000010959 steel Substances 0.000 claims description 17
- 238000012795 verification Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 5
- 238000010200 validation analysis Methods 0.000 claims description 5
- 230000006855 networking Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 230000009471 action Effects 0.000 claims description 2
- 238000005097 cold rolling Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 7
- 238000003860 storage Methods 0.000 description 7
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 4
- 238000004140 cleaning Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012800 visualization Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 239000000853 adhesive Substances 0.000 description 2
- 230000001070 adhesive effect Effects 0.000 description 2
- 229910052742 iron Inorganic materials 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000003466 welding Methods 0.000 description 2
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000008237 rinsing water Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K13/00—Thermometers specially adapted for specific purposes
-
- 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
- G01M13/045—Acoustic or vibration analysis
-
- 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
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本公开属于冷轧处理线技术领域，具体提供了一种酸洗工艺段挤干辊轴承温度在线监测预警方法及***，其中方法包括：通过以太网从无线温振传感器获取轴承座温度及振动的综合数据；将综合数据进行处理形成样本数据并进行训练后得到轴承温度预测模型；将轴承座温度及振动的实时数据输入到所述轴承温度预测模型，输出未来一定时间窗口内的预测轴承温度；根据预警等级及所述预测轴承温度得到未来预警建议。通过无线智能网关与无线温振传感器进行通信，获取振动、温度数据，减少了布线的难度，易于改造实施；通过训练好的轴承温度预测模型预测未来一定时间窗口内的轴承温度，可提前预判，为挤干辊设备运维提供数据支持，避免事故发生。
Description
技术领域
本公开涉及冷轧处理线技术领域，特别涉及一种酸洗工艺段挤干辊轴承温度在线监测预警方法及***。
背景技术
酸洗工艺段主要包括酸洗槽和漂洗槽，酸洗槽内酸液与带钢表面氧化铁皮发生化学反应，去除氧化铁皮，漂洗槽清洗从酸洗槽出来的带钢表面残留的酸洗。
酸洗槽和漂洗槽材质一般为PPH或钢衬胶材质，易燃，在酸槽入口、出口和各酸槽之间设有挤干辊，使带钢带出的酸液量最小，在漂洗槽各段之间设置有挤干辊，使带钢带出的漂洗水量最小。
在酸洗工艺段运行过程中，由于挤干辊运行不正常，挤干辊轴承和轴承座温度持续升高，最终导致酸洗槽槽体和漂洗槽槽体着火，造成酸洗槽和漂洗槽严重损坏，机组停产，损失惨重。
发明内容
本公开旨在至少解决现有技术中存在的技术问题之一，提出了一种酸洗工艺段挤干辊轴承温度在线监测预警方法及***。
第一方面，本公开提供了一种酸洗工艺段挤干辊轴承温度在线监测预警方法，包括：
通过以太网从无线温振传感器获取轴承座温度及振动的综合数据；
将综合数据进行处理形成样本数据并进行训练后得到轴承温度预测模型；
将轴承座温度及振动的实时数据输入到所述轴承温度预测模型，输出未来一定时间窗口内的预测轴承温度；
根据预警等级及所述预测轴承温度得到未来预警建议。
优选地，所述将综合数据进行处理形成样本数据并进行训练后得到轴承温度预测模型，具体包括：
将轴承座温度及振动的综合数据进行处理，形成样本数据；
基于样本数据，选择DeepAR、Informer、LSTNet、MLP、NBEATS、NHiTS、RNN、SCINet、TCN、TFT或Transformer模型进行训练与验证，直至轴承温度预测模型预测偏差控制在允许的范围内。
优选地，所述轴承座温度为待预测目标，带钢牌号、带钢宽度、带钢厚度、带钢速度和轴承座振动为协变量，并将数据划分为训练数据、验证数据及测试数据集。
优选地，所述训练数据、验证数据及测试数据集的比例为7:2:1。
优选地，所述基于样本数据，选择LSTNet模型进行训练与验证，具体包括：
首先利用PaddleTS进行模型组网，预定义模型输入的时间序列长度、模型输出的时间序列长度、损失函数、优化算法、优化器参数和训练的最大轮数；
使用lstm.fit(train_dataset,val_dataset)对样本数据进行模型训练与验证，其中train_dataset是训练数据集，val_dataset是验证数据集；
训练过程中和训练完成后，均采用MAE(Mean Absolute Error)和MSE(MeanSquared Error)评估模型预测效果，效果达到预设值时便得到轴承温度预测模型。
优选地，所述训练过程完成后，使用lstm保存训练好的轴承温度预测模型。
优选地，所述通过以太网从无线温振传感器获取轴承座温度及振动的综合数据，具体包括：通过以太网从无线温振传感器持续采集轴承座温度及振动的综合数据；将样本数据存储到轴承温度监测预警服务器并在轴承温度监测预警服务器的显示器上可视化显示。
优选地，所述预警等级包括：建议关注运行、建议在合适时间进行必要检查、建议近期计划停机内检修、建议第一时间采取检修措施。
在第二方面，本公开提供了一种酸洗工艺段挤干辊轴承温度在线监测预警***，所述***可用于实现酸洗工艺段挤干辊轴承温度在线监测预警方法，所述***包括：
数据获取模块，配置为通过以太网从无线温振传感器获取轴承座温度及振动的综合数据；
模型训练模块，配置为将综合数据进行处理形成样本数据并进行训练后得到轴承温度预测模型；
预测模块，配置为将轴承座温度及振动的实时数据输入到所述轴承温度预测模型，输出未来一定时间窗口内的预测轴承温度；
预警模块，配置为根据预警等级及所述预测轴承温度得到未来预警建议。
在第三方面，本公开提供了一种电子设备，包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现酸洗工艺段挤干辊轴承温度在线监测预警方法。
附图说明
图1为本公开实施例提供的一种酸洗工艺段挤干辊轴承温度在线监测预警方法的流程图；
图2为本公开实施例提供的酸洗工艺段挤干辊轴承温度在线监测预警***组成图；
图3为本公开实施例提供的轴承温度预测模型训练流程图；
图4为本公开实施例提供的一种电子设备的结构框图。
具体实施方式
为使本领域技术人员更好地理解本公开的技术方案，下面结合附图和具体实施方式对本公开作进一步详细描述。
除非另外定义，本公开使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。本公开中使用的“第一”、“第二”以及类似的词语并不为任何顺序、数量或者重要性，而只是用来区分不同的组成部分。同样，“一个”、“一”或者“该”等类似词语也不为数量限制，而是为存在至少一个。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于为相对位置关系，当被描述目标的绝对位置改变后，则该相对位置关系也可能相应地改变。
在各个附图中，相同的元件采用类似的附图标记来为。为了清楚起见，附图中的各个部分并没有都按比例绘制。此外，在图中可能未示出某些公知的部分。
在下文中描述了本公开的许多特定的细节，例如部件的结构、材料、尺寸、处理工艺和技术，以便更清楚地理解本公开。但正如本领域的技术人员能够理解的那样，可以不按照这些特定的细节来实现本公开。
如图1至图3所示，本公开实施例提供了一种酸洗工艺段挤干辊轴承温度在线监测预警方法，包括以下步骤：
S1，通过以太网从无线温振传感器获取轴承座温度及振动的综合数据；
S2，将综合数据进行处理形成样本数据并进行训练后得到轴承温度预测模型；
S3，将轴承座温度及振动的实时数据输入到所述轴承温度预测模型，输出未来一定时间窗口内的预测轴承温度；
S4，根据预警等级及所述预测轴承温度得到未来预警建议。
需要指出的是，上述步骤的顺序可以任意打乱，不受本公开的限制。
搭在一个具体的实施场景中，实现上述方法时，需要搭建酸洗工艺段挤干辊轴承温度在线监测与预警***，包括挤干辊轴承座C1、无线温振传感器C2、无线智能网关C3、以太网C4、轴承温度监测预警服务器C5和温度监测预警模块C6组成。无线温振传感器C2通过胶粘/焊接底座或转接螺栓等连接方式，安装到挤干辊轴承座上，无线智能网关C3通过无线通信采集无线温振传感器C2温度和振动数据，通过以太网C4将数据传输到轴承温度监测预警服务器，温度监测预警模块C6监测挤干辊轴承温度并进行预警。
在生产过程中，运行温度监测预警模块C6，温度监测预警模块C6主要由数据采集可视化模块、轴承温度预测训练模块组成。数据采集可视化模块通过以太网C4从无线温振传感器C2持续采集轴承座温度及振动的综合数据。将样本数据存储到轴承温度监测预警服务器C5硬盘并在轴承温度监测预警服务器C5显示器上可视化显示，视化显示的信息包括：挤干辊轴承座编号、振动温度实时参数和运行统计信息。轴承温度预测训练模块流程如图3所示，将轴承座温度及振动的综合数据进行处理，形成样本数据，其中轴承座温度为待预测目标，带钢牌号、带钢宽度、带钢厚度、带钢速度和轴承座振动为协变量，并将数据划分为训练数据、验证数据及测试数据，基于样本数据，选择DeepAR、Informer、LSTNet、MLP、NBEATS、NHiTS、RNN、SCINet、TCN、TFT或Transformer模型进行训练与验证，直至轴承温度预测模型预测偏差控制在允许的范围内。
以LSTNet为例：
首先利用PaddleTS(基于百度深度学习框架PaddlePaddle的时序建模Python库)进行模型组网，主要是预定义in_chuck_len(模型输入的时间序列长度)、out_chunk_len(模型输出的时间序列长度)、loss_fn(损失函数)、optimizer_fn(优化算法)、optimizer_paras(优化器参数)和max_epochs(训练的最大轮数)等参数，模型的参数预定义好后，使用lstm.fit(train_dataset,val_dataset)利用数据集进行模型训练与验证，其中train_dataset是训练数据集，val_dataset是验证数据集，训练过程中和训练完成后，采用MAE(Mean Absolute Error)和MSE(Mean Squared Error)评估氢气浓度预测模型预测效果，MAE和MSE越小，训练效果越好。训练好后得到轴承温度预测模型，使用lstm(lstm.save)(”lstm”)保存训练好的模型，后续可供轴承温度在线预警模块调用，用于预测未来一定时间窗口内的轴承温度。
温度监测预警模块一方面采集实时轴承座振动、温度数据，当轴承座振动、温度数据超过阈值时，进行报警，另一方面调用训练好的轴承温度预测模型预测未来一定时间窗口内的轴承座温度，预警等级分为4个等级，包括：建议关注运行，建议在合适时间进行必要检查，建议近期计划停机内检修，建议第一时间采取检修措施。从而避免挤干辊轴承温度异常导致的槽体着火事故。
数据采集可视化模块持续进行数据采集，采集不同牌号、不同宽度、不同厚度、不同速度和不同时段的轴承座振动、温度数据，在轴承温度监测预警服务器C5显示器上可视化显示，显示信息包括：挤干辊轴承座编号、振动温度实时参数和运行统计信息。
在生产线全速运行的条件下持续监测挤干辊轴承温度并进行预警，避免挤干辊轴承温度异常导致的槽体着火事故。
本公开实施例还提供了一种酸洗工艺段挤干辊轴承温度在线监测预警***，所述***可用于实现酸洗工艺段挤干辊轴承温度在线监测预警方法，所述***包括：
数据获取模块，配置为通过以太网从无线温振传感器获取轴承座温度及振动的综合数据；
模型训练模块，配置为将综合数据进行处理形成样本数据并进行训练后得到轴承温度预测模型；
预测模块，配置为将轴承座温度及振动的实时数据输入到所述轴承温度预测模型，输出未来一定时间窗口内的预测轴承温度；
预警模块，配置为根据预警等级及所述预测轴承温度得到未来预警建议。
有益效果：
通过温振传感器采集轴承座振动、温度数据，温振传感器通过胶粘/焊接底座或转接螺栓等连接方式安装到挤干辊轴承座上，安装方便；
通过无线智能网关与无线温振传感器进行通信，获取振动、温度数据，减少了布线的难度，易于改造实施；
通过训练好的轴承温度预测模型预测未来一定时间窗口内的轴承温度，可提前预判，为挤干辊设备运维提供数据支持，避免事故发生。
请参阅图4为本发明实施例提供的电子设备的实施例示意图。如图4所示，本发明实施例提了一种电子设备1300，包括存储器1310、处理器1320及存储在存储器1310上并可在处理器1320上运行的计算机程序1311，处理器1320执行计算机程序1311时实现以下步骤：S1，通过以太网从无线温振传感器获取轴承座温度及振动的综合数据；
S2，将综合数据进行处理形成样本数据并进行训练后得到轴承温度预测模型；
S3，将轴承座温度及振动的实时数据输入到所述轴承温度预测模型，输出未来一定时间窗口内的预测轴承温度；
S4，根据预警等级及所述预测轴承温度得到未来预警建议。
需要说明的是，本公开所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
附图中的流程图和框图，图示了按照本公开各种实施例的***、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，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，前述模块、程序段、或代码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。也应当注意，在有些作为替换的实现中，方框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，两个接连地表示的方框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，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操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。
可以理解的是，以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式，然而本发明并不局限于此。对于本领域内的普通技术人员而言，在不脱离本发明的精神和实质的情况下，可以做出各种变型和改进，这些变型和改进也视为本发明的保护范围。
Claims (10)
1.一种酸洗工艺段挤干辊轴承温度在线监测预警方法，其特征在于，包括：
通过以太网从无线温振传感器获取轴承座温度及振动的综合数据；
将综合数据进行处理形成样本数据并进行训练后得到轴承温度预测模型；
将轴承座温度及振动的实时数据输入到所述轴承温度预测模型，输出未来一定时间窗口内的预测轴承温度；
根据预警等级及所述预测轴承温度得到未来预警建议。
2.根据权利要求1所述的酸洗工艺段挤干辊轴承温度在线监测预警方法，其特征在于，所述将综合数据进行处理形成样本数据并进行训练后得到轴承温度预测模型，具体包括：
将轴承座温度及振动的综合数据进行处理，形成样本数据；
基于样本数据，选择DeepAR、Informer、LSTNet、MLP、NBEATS、NHiTS、RNN、SCINet、TCN、TFT或Transformer模型进行训练与验证，直至轴承温度预测模型预测偏差控制在允许的范围内。
3.根据权利要求2所述的酸洗工艺段挤干辊轴承温度在线监测预警方法，其特征在于，所述轴承座温度为待预测目标，带钢牌号、带钢宽度、带钢厚度、带钢速度和轴承座振动为协变量，并将数据划分为训练数据、验证数据及测试数据集。
4.根据权利要求3所述的酸洗工艺段挤干辊轴承温度在线监测预警方法，其特征在于，所述训练数据、验证数据及测试数据集的比例为7:2:1。
5.根据权利要求2所述的酸洗工艺段挤干辊轴承温度在线监测预警方法，其特征在于，所述基于样本数据，选择LSTNet模型进行训练与验证，具体包括：
首先利用PaddleTS进行模型组网，预定义模型输入的时间序列长度、模型输出的时间序列长度、损失函数、优化算法、优化器参数和训练的最大轮数；
使用lstm.fit(train_dataset,val_dataset)对样本数据进行模型训练与验证，其中train_dataset是训练数据集，val_dataset是验证数据集；
训练过程中和训练完成后，均采用MAE(Mean Absolute Error)和MSE(Mean SquaredError)评估模型预测效果，效果达到预设值时便得到轴承温度预测模型。
6.根据权利要求5所述的酸洗工艺段挤干辊轴承温度在线监测预警方法，其特征在于，所述训练过程完成后，使用lstm保存训练好的轴承温度预测模型。
7.根据权利要求1所述的酸洗工艺段挤干辊轴承温度在线监测预警方法，其特征在于，所述通过以太网从无线温振传感器获取轴承座温度及振动的综合数据，具体包括：通过以太网从无线温振传感器持续采集轴承座温度及振动的综合数据；将样本数据存储到轴承温度监测预警服务器并在轴承温度监测预警服务器的显示器上可视化显示。
8.根据权利要求1所述的酸洗工艺段挤干辊轴承温度在线监测预警方法，其特征在于，所述预警等级包括：建议关注运行、建议在合适时间进行必要检查、建议近期计划停机内检修、建议第一时间采取检修措施。
9.一种酸洗工艺段挤干辊轴承温度在线监测预警***，其特征在于，所述***可用于实现上述权利要求1至8中任一所述酸洗工艺段挤干辊轴承温度在线监测预警方法，所述***包括：
数据获取模块，配置为通过以太网从无线温振传感器获取轴承座温度及振动的综合数据；
模型训练模块，配置为将综合数据进行处理形成样本数据并进行训练后得到轴承温度预测模型；
预测模块，配置为将轴承座温度及振动的实时数据输入到所述轴承温度预测模型，输出未来一定时间窗口内的预测轴承温度；
预警模块，配置为根据预警等级及所述预测轴承温度得到未来预警建议。
10.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1至8中任一所述酸洗工艺段挤干辊轴承温度在线监测预警方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310862766.XA CN116698227A (zh) | 2023-07-13 | 2023-07-13 | 一种酸洗工艺段挤干辊轴承温度在线监测预警方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310862766.XA CN116698227A (zh) | 2023-07-13 | 2023-07-13 | 一种酸洗工艺段挤干辊轴承温度在线监测预警方法及*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116698227A true CN116698227A (zh) | 2023-09-05 |
Family
ID=87825900
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310862766.XA Pending CN116698227A (zh) | 2023-07-13 | 2023-07-13 | 一种酸洗工艺段挤干辊轴承温度在线监测预警方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116698227A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117990221A (zh) * | 2024-04-07 | 2024-05-07 | 镇江西门子母线有限公司 | 一种基于rfid的母线测温自动巡检方法及*** |
-
2023
- 2023-07-13 CN CN202310862766.XA patent/CN116698227A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117990221A (zh) * | 2024-04-07 | 2024-05-07 | 镇江西门子母线有限公司 | 一种基于rfid的母线测温自动巡检方法及*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ahmad et al. | A reliable technique for remaining useful life estimation of rolling element bearings using dynamic regression models | |
| Wang et al. | Remaining useful life prediction and optimal maintenance time determination for a single unit using isotonic regression and gamma process model | |
| Saon et al. | Predicting remaining useful life of rotating machinery based artificial neural network | |
| CN116698227A (zh) | 一种酸洗工艺段挤干辊轴承温度在线监测预警方法及*** | |
| Di Maio et al. | Combining relevance vector machines and exponential regression for bearing residual life estimation | |
| US20170003667A1 (en) | Equipment maintenance management system and equipment maintenance management method | |
| Ahmad et al. | A review of condition-based maintenance decision-making | |
| CN113252544B (zh) | 一种炼油装置腐蚀监测***和方法 | |
| Li et al. | A novel diagnostic and prognostic framework for incipient fault detection and remaining service life prediction with application to industrial rotating machines | |
| CN116953164A (zh) | 一种酸洗工艺段氢气浓度在线监测预警方法及*** | |
| Wen et al. | Multiple-change-point modeling and exact Bayesian inference of degradation signal for prognostic improvement | |
| CN114298443B (zh) | 基于健康状态指数的工业设备预测性维护方法、装置和电子设备 | |
| CN109766593B (zh) | 一种带钢在炉内瓢曲风险的评估方法和装置 | |
| Ding et al. | Rolling bearing remaining useful life prediction based on dilated causal convolutional DenseNet and an exponential model | |
| Son et al. | Slag foaming estimation in the electric arc furnace using machine learning based long short-term memory networks | |
| CN114066274A (zh) | 一种设备性能预警的方法及装置 | |
| Yan et al. | Gamma process with recursive MLE for wear PDF prediction in precognitive maintenance under aperiodic monitoring | |
| Compare et al. | Industrial equipment reliability estimation: A Bayesian Weibull regression model with covariate selection | |
| CN210829975U (zh) | 一种基于边缘计算和机器学习的液压***状态监测*** | |
| Yang et al. | Process monitoring using causal graphical models, with application to clogging detection in steel continuous casting | |
| Sohlberg | Hybrid grey box modelling of a pickling process | |
| CN117538240A (zh) | 磁性材料设备管道腐蚀在线监测*** | |
| Dong et al. | Hierarchical causal graph-based fault root cause diagnosis and propagation path identification for complex industrial process monitoring | |
| Chang et al. | Real-time detection of wave profile changes | |
| CN114487848B (zh) | 一种蓄电池的状态计算方法和装置 |
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 |