CN117401578B - 一种起重量称量信号智能管理*** - Google Patents
一种起重量称量信号智能管理*** Download PDFInfo
- Publication number
- CN117401578B CN117401578B CN202311728153.3A CN202311728153A CN117401578B CN 117401578 B CN117401578 B CN 117401578B CN 202311728153 A CN202311728153 A CN 202311728153A CN 117401578 B CN117401578 B CN 117401578B
- Authority
- CN
- China
- Prior art keywords
- data
- signal
- fuzzy
- intelligent
- module
- 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
Links
- 238000005303 weighing Methods 0.000 title claims abstract description 31
- 238000007726 management method Methods 0.000 claims abstract description 68
- 238000001514 detection method Methods 0.000 claims abstract description 34
- 238000012545 processing Methods 0.000 claims abstract description 31
- 238000007418 data mining Methods 0.000 claims abstract description 29
- 238000012544 monitoring process Methods 0.000 claims abstract description 28
- 230000004044 response Effects 0.000 claims abstract description 24
- 238000004458 analytical method Methods 0.000 claims abstract description 23
- 238000007405 data analysis Methods 0.000 claims abstract description 20
- 238000004891 communication Methods 0.000 claims abstract description 18
- 238000012423 maintenance Methods 0.000 claims abstract description 13
- 230000005540 biological transmission Effects 0.000 claims abstract description 11
- 238000005065 mining Methods 0.000 claims abstract description 10
- 238000003860 storage Methods 0.000 claims abstract description 7
- 238000011897 real-time detection Methods 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 58
- 238000000034 method Methods 0.000 claims description 22
- 238000003066 decision tree Methods 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 16
- 230000010354 integration Effects 0.000 claims description 15
- 238000013500 data storage Methods 0.000 claims description 13
- 238000005457 optimization Methods 0.000 claims description 12
- 238000005314 correlation function Methods 0.000 claims description 9
- 238000013523 data management Methods 0.000 claims description 9
- 238000005516 engineering process Methods 0.000 claims description 8
- 230000009466 transformation Effects 0.000 claims description 8
- 108010076504 Protein Sorting Signals Proteins 0.000 claims description 7
- 230000007613 environmental effect Effects 0.000 claims description 7
- 230000003993 interaction Effects 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 5
- 238000013450 outlier detection Methods 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 230000005856 abnormality Effects 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000003745 diagnosis Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000005192 partition Methods 0.000 claims description 3
- 230000003449 preventive effect Effects 0.000 claims description 3
- 238000001228 spectrum Methods 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 238000003032 molecular docking Methods 0.000 claims description 2
- 238000011156 evaluation Methods 0.000 claims 1
- 238000007689 inspection Methods 0.000 claims 1
- 210000001503 joint Anatomy 0.000 abstract description 2
- 230000002776 aggregation Effects 0.000 description 5
- 238000004220 aggregation Methods 0.000 description 5
- 238000013178 mathematical model Methods 0.000 description 4
- 230000019771 cognition Effects 0.000 description 3
- 238000011217 control strategy Methods 0.000 description 3
- 230000008447 perception Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000010223 real-time analysis Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B66—HOISTING; LIFTING; HAULING
- B66C—CRANES; LOAD-ENGAGING ELEMENTS OR DEVICES FOR CRANES, CAPSTANS, WINCHES, OR TACKLES
- B66C13/00—Other constructional features or details
- B66C13/16—Applications of indicating, registering, or weighing devices
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B66—HOISTING; LIFTING; HAULING
- B66C—CRANES; LOAD-ENGAGING ELEMENTS OR DEVICES FOR CRANES, CAPSTANS, WINCHES, OR TACKLES
- B66C15/00—Safety gear
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B66—HOISTING; LIFTING; HAULING
- B66C—CRANES; LOAD-ENGAGING ELEMENTS OR DEVICES FOR CRANES, CAPSTANS, WINCHES, OR TACKLES
- B66C15/00—Safety gear
- B66C15/06—Arrangements or use of warning devices
- B66C15/065—Arrangements or use of warning devices electrical
-
- 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
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
一种起重量称量信号智能管理***，包括接口集成模块、载荷检测模块、智能信息管理模块、智能控制响应模块、安全管理模块、***通信模块，用户界面模块，接口集成模块用于与起重机械传输信号对接，载荷检测模块用于实时检测起重机械的载荷，智能信息管理模块用于实时处理、管理并储存采集信号，智能控制响应模块用于对起重机械智能控制与故障报警，安全管理模块用于***运行与维护管理，***通信模块用于远程监控和数据传输，用户界面模块用于提供实时数据显示。本发明提出基于数据挖掘的智能数据分析算法对采集数据进行挖掘分析，提出基于模糊规则的故障预测算法对起重机械故障实时预测与控制，为一种起重量称量信号智能管理***提供优秀的方案。
Description
技术领域
本发明创造涉及数据挖掘、模糊控制与故障预测领域，具体涉及一种起重量称量信号智能管理***。
背景技术
数据挖掘技术是一种从大量数据中发现未知模式、关联和趋势的方法，旨在通过分析数据来提取有价值的信息，为决策制定和***优化提供支持，通过实时数据处理算法，该技术能够从载荷传感器产生的变形量信号中提取有关载荷的实时信息，以识别数据中的潜在规律、趋势和异常模式，通过分析数据的使用频率、重要性的因素，***能够优化数据的存储结构，提高数据检索的效率，从而更有效地管理和存储大量的载荷检测数据，使得***能够更深入地理解载荷的变化模式，为设备的长期性能分析和预测提供支持，有助于确保***能够快速、精准地响应当前工作状态的变化。
模糊控制是一种针对复杂***、难以准确定义的问题的控制方法，旨在通过模糊推理使***能够根据当前的实时数据和规程匹配的结果，推导出适当的控制策略，在起重机械操作中，受到环境、物体特性因素的影响，***的控制条件可能是模糊的，难以用精确的规则描述，因此，模糊控制通过引入模糊集合和模糊规则，能够更好地适应这些不确定性和复杂性，提高***的自适应性和鲁棒性，同时通过集成故障预测技术，通过分析***的历史数据和实时数据，建立故障预测模型，识别不同工况下的故障特征，识别可能的故障模式和趋势，从而***设备可能发生的故障，采取相应的措施以提高***的可靠性和稳定性。
一种起重量称量信号智能管理***，提出了一种起重量称量信号智能管理***，包括接口集成模块、载荷检测模块、智能信息管理模块、智能控制响应模块、安全管理模块、***通信模块，用户界面模块，其中，智能信息管理模块提出了基于数据挖掘的智能数据分析算法，该算法能够充分挖掘和利用丰富的起重机械载荷信号数据，通过对采集到的直拉式传感器变形量信号进行实时处理和分析，在处理过程中，***利用数学模型和信号处理算法，对载荷信号进行滤波、去噪与频域分析，以获得高精度的实时载荷数据，实时处理保证了***对于载荷状况的及时响应和准确感知，通过构建决策树模型深入挖掘起重机械载荷信号中的隐含规律，使***能够从大量数据中发现有效模式和趋势，该算法通过分析数据的相互关系，找到数据中的关联性和潜在规律，从而提高***对不同工作条件下的载荷特征的理解能力，使得***具备了更为智能化的数据分析和学***；智能控制响应模块提出基于模糊规则的故障预测算法，该算法是一种通过模糊逻辑和预测模型相结合的智能控制技术，旨在通过实时载荷数据与综合历史操作状态数据，建立一个具有模糊规则的故障预测模型，该算法通过模糊规则的优化和参数调整，实现对起重机械的智能控制，在该算法中，模糊逻辑被用于构建模糊规则，建立输入与输出之间的关系，通过定义模糊集合和模糊关系，故障预测模型能够灵活地处理起重机械的各种操作状态和环境变化所产生的多维度数据，采用进化算法进行模糊规则的优化和参数调整，通过搜索最优模糊规则集以提高***的性能和适应性，通过模糊规则的优化设计，有助于***更好地适应不同操作条件和环境变化，提高***对于复杂工况的鲁棒性，使得***能够在复杂的控制环境中做出更智能的响应，根据具体情况调整控制策略，提高***的自适应性和智能化水平，通过基于数据驱动的预测模型，有助于***更准确地预测起重机械的运行状态和可能的故障情况，提前发现潜在问题，降低维护成本，提高整体***的可靠性和稳定性，基于模糊规则的故障预测算法在起重量称量信号智能管理***中的应用，使得***具备更高的智能性、鲁棒性和效率，为提高设备操作的安全性和生产效率提供了有益的效果；综合而言，本发明通过基于数据挖掘的智能数据分析算法和基于模糊规则的故障预测算法，为一种起重量称量信号智能管理***引入了高度智能化、可预测性与优化控制的特性，构建了一个高度智能化、适应性强的起重量称量信号智能管理***，为起重机械的操作提供了全面的监控、预测和控制功能，同时也为操作人员和管理人员提供了更为先进和可信赖的操作体验。
发明内容
针对上述问题，本发明旨在提供一种起重量称量信号智能管理***。
本发明创造的目的通过以下技术方案实现：
一种起重量称量信号智能管理***，其特征在于，包括接口集成模块、载荷检测模块、智能信息管理模块、智能控制响应模块、安全管理模块、***通信模块，用户界面模块，接口集成模块用于提供对外部机械设备的数据交互接口，实现信息的无缝传递；载荷检测模块用于实时检测起重机械的载荷信息，以获得准确的载荷数据；智能信息管理模块包括数据处理与分析单元和数据管理与存储单元，数据处理与分析单元提出基于数据挖掘的智能数据分析算法用于实时处理传感器采集的变形量信号，挖掘并分析数据中详细信息，数据管理与存储单元用于存储并管理实时载荷数据、故障信息、报警信息以及历史运行数据；智能控制响应模块提出基于模糊规则的故障预测算法对机械设备故障预测、智能控制以及故障报警；安全管理模块用于监测***运行状态、提醒维护任务、记录异常事件，实现***远程监测与维护；***通信模块用于蓝牙和WiFi通信功能，实现***远程监控和数据传输；用户界面模块用于提供实时检测数据与详尽的历史数据，方便用户追溯和查看设备的运行情况。
进一步的，接口集成模块通过提供与起重机械现有控制***的多种接口，实现无缝对接，确保***能够与不同类型的起重机械协同工作，促使设备之间的多种数据传输。
进一步的，载荷检测模块通过装备直拉式传感器，实时检测起重机械的载荷数据，确保***准确获取高精度和高灵敏度的数据。
进一步的，数据处理与分析单元提出基于数据挖掘的智能数据分析算法，对传感器采集的变形量信号进行实时处理和分析，获得更高精度的载荷数据，利用数据挖掘技术，发现数据间潜在的规律和趋势，为***提供更深层次的数据分析。
进一步的，基于数据挖掘的智能数据分析算法具体如下：首先对载荷检测模块采集到的有效信号进行信号预处理，将载荷检测模块采集到的机械信号中的有效信号定义为基频信号，表达式为，其中/>表示机械信号的振幅，/>表示机械信号的角频率；/>表示机械信号的相位角，/>表示机械信号的所处时刻，采用数值积分的方法，对基频信号进行积分操作，假定在/>到/>的时间间隔内，为获取机械信号的平均振幅信息/>，定义在/>到/>内对基频信号进行积分得/>，获取机械信号的平均相位信息/>，定义在/>到/>内对基频信号进行积分得，然后再将积分方程转化为离散形式进行计算，根据时刻，将两方程分别推导为/>，/>，通过对信号进行预处理操作获得准确的振幅/>和相位角/>的值，经过预处理后的连续信号转换为离散信号序列，假设获得长度为/>的离散信号序列/>，其中/>是非负整数，/>表示离散信号序列索引，将/>序列分为两个长度为/>的子序列，分别为/>和/>，计算旋转因子，其中/>，用于对子序列的快速傅里叶变换，对这两个子序列进行快速傅里叶变换以进行频域分析，采用递归算法对离散信号/>进行快速傅里叶变换，公式为/>；其次，根据快速傅里叶变换后的信号/>判断采集到的整体机械信号的频谱响应，建立偏微分方程去噪模型对信号进行降噪处理以获得更加准确的机械信号，热传导方程表示为，其中/>表示机械信号的函数，也表示为空间/>和时间/>的函数，/>表示为热传导系数，通过将/>替换为演变时间/>，将/>替换为/>，并令/>，推导出新的热传导方程为/>，在模型中设定高通滤波器函数方程为，其中/>表示为信号频率，滤波器的特性由两个变量/>和/>确定，当，滤波器的振幅频率特性变得平坦，当/>，滤波器是全通滤波器，引入滤波器的截止频率/>，滤波器能量的衰减用公式表示为/>，滤波器的能量随着截止频率/>的增加而衰减，而演化时间/>则随之减小，根据热传导方程与高通滤波器函数方程共同建立偏微分方程去噪模型为/>，其中/>表示偏微分方程去噪模型原始输入机械信号，/>表示实数集合，经过偏微分方程去噪模型后的输出信号表示为/>；然后，对去噪后的机械信号进行异常值检测处理，此时，载荷检测模块采集到的完整连续机械信号表示为/>，其中/>表示为非共频信号分量，公式为/>，其中/>表示为与角频率对应的非共频信号的振幅，/>表示为相应信号的相位，/>表示为非共频信号的个数，/>表示为非共频信号种类索引，/>示为噪声信号，基于交叉相关函数的性质，提取基频振动信号的幅度/>和相位/>分别为/>，/>，其中/>表示样本滞后的索引，/>表示基频信号/>为与其他频率成分的交叉相关函数，/>表示基频信号/>与噪声信号的交叉相关函数，进行基频振幅和相位的提取之后，对测量信号的离散时间序列/>进行异常值检测，其中/>表示为时间序列的个数，计算中位数/>，对每个测量值/>计算绝对偏差/>，然后计算绝对偏差的中位数/>，定义检测阈值为，将超过/>的测量值判定为异常值并去除；最后通过构建决策树模型进行数据挖掘分析，在决策树的构建过程中，选择每个节点上的属性时，使用信息增益作为划分属性的变量，信息增益的计算是通过对比划分前后的信息熵来衡量的，目标是通过划分使得样本的不确定性减小，对于经过异常检测处理后的样本集合/>，通过每个类别的概率/>计算，获得信息熵的计算公式为/>，其中/>表示为分类属性中不同值的数量，/>表示为分类属性的不同取值的索引，对于每个属性，计算划分前的信息熵，然后按照该属性的不同取值划分数据，计算划分后的信息期望，假设实时采集数据与历史数据属性为/>，/>有/>个不同的取值，将样本集/>按照属性/>划分为/>个子集，每个子集的信息期望通过对每个子集的信息熵进行加权平均得到，计算公式为/>，其中/>表示每个子集分类属性的不同取值的索引，/>表示子集中每个样本的索引，/>表示每个子集中样本总个数，信息增益等于划分前的信息熵减去划分后的信息期望，通过选择具有最大信息增益的属性来进行决策树节点的划分，以逐步降低数据的不确定性，直至生成完整的决策树，通过构建决策树模型深入挖掘起重机械载荷信号中的隐含规律，使***能够从大量数据中发现有效模式和趋势。
进一步的，数据管理与存储单元通过智能存储策略，优化数据存储结构，提高数据检索效率，确保对实时载荷检测数据、报警记录以及各种历史运行数据进行有效的管理和存储。
进一步的，智能控制响应模块提出基于模糊规则的故障预测算法，根据智能信息管理模块的输出数据，实现对起重机械的智能控制与故障报警决策，利用模糊规则，对复杂、模糊的控制条件进行预测和响应，提高***的自适应性。
进一步的，基于模糊规则的故障预测算法具体如下：首先构建基于模糊规则的***模型，假设多输入单输出的模糊***的规则库包括个/>规则，多输入变量包括起重量称量信号智能管理***用于实时监测和分析历史数据，其中规则的结论是单例类型，规则的形式为/>，其中/>表示第/>条规则，/>表示为输入变量，/>表示为输入变量数量的索引，表示属于输入变量/>的论域的模糊集合，/>表示为/>定义的模糊集的数目，/>表示为与第/>个规则相关联的输出变量，/>表示输出变量/>的论域上的模糊单例，规则库的大小取决于输入变量的数量/>定义的模糊集的数量/>，在模糊规则的前提中，定义了与梯形隶属函数相对应的模糊集，通过函数计算输入值/>到模糊集的隶属度，梯形隶属函数表达式为/>，其中/>表示梯形隶属函数的中心点，且有条件为/>，在这里使用了梯形隶属函数，比三角形隶属函数多了控制点，能够更灵活地适应不同形状的隶属度曲线，第/>个规则/>的激活度/>由规则前提中所有输入变量到模糊集的隶属度的乘积计算得到，模糊***的最终输出通过所有规则输出的加权平均计算得到，公式为/>；其次根据模糊***的最终输出/>构建故障预测模型，通过对即将发生的故障进行预测，并基于***操作和监测故障之间的操作状态演变而生成的基于故障间隔时间的预测模型来支持决策过程，根据构建的基于模糊规则的***模型，故障预测模型对于整个模糊规则集的输出为/>，其中/>表示***的预测故障时间间隔，/>与/>表示输入变量，/>与/>分别表示与输入变量/>与/>对应的模糊集合，/>与/>分别表示与输入变量/>与/>对应的模糊集的个数的索引，通过进化算法设计的故障预测模型的适应度函数/>由均方根相对误差函数与模型效率函数两部分组成，其中均方根相对误差函数/>用于衡量***实际历史故障数据和由基于模糊规则的故障预测模型所预测的故障间隔时间之间的拟合程度，公式表示为/>，其中/>表示输入变量数量减去输出变量后样本的数量，/>表示样本的索引，/>表示第/>个样本数据点的实际故障间隔时间，/>表示模型预测的故障间隔时间，模型效率函数/>用于评估故障预测模型的整体效率，通过模型规则数和模糊分区覆盖率进行评估，公式表示为，其中/>与/>分别表示与输入变量/>与/>对应的模糊集的个数，进化算法的目标是最小化个体的适应度，其中适应度由模型的准确性和效率共同决定；最后，根据适应度函数不断调整基于模糊规则的故障预测模型的参数，适应度函数的计算方式为/>，这个目标旨在寻找既准确又有效的故障预测模型，通过考虑拟合度和模型结构的复杂性来平衡这两个因素，在该算法中，模糊逻辑被用于构建模糊规则，建立输入与输出之间的关系，通过定义模糊集合和模糊关系，控制预测模型能够灵活地处理起重机械的各种操作状态和环境变化所产生的多维度数据，采用进化算法进行模糊规则的优化和参数调整，通过搜索最优模糊规则集以提高***的性能和适应性。
进一步的，安全管理模块通过实时监测***运行状况以及各模块的状态信息，确保***的正常运行，并通过实施维护策略，包括***自检、故障诊断和预防性维护，以提高***稳定性和可靠性。
进一步的，***通信模块通过蓝牙和WiFi通信功能，实现远程监控和数据传输，确保***能够与外部设备进行实时通信，使得管理人员能够远程实时监控设备状态和接收报警信息。
进一步的，用户界面模块通过现场显示装置和远程监控界面，使得操作人员和管理人员能够直观地了解设备运行状况，并通过用户智能交互界面实现对***的控制操作。
本发明创造的有益效果：本发明的创新点在于，提出了一种起重量称量信号智能管理***，包括接口集成模块、载荷检测模块、智能信息管理模块、智能控制响应模块、安全管理模块、***通信模块，用户界面模块，本发明的创新之处在于，智能信息管理模块提出了基于数据挖掘的智能数据分析算法，该算法能够充分挖掘和利用丰富的起重机械载荷信号数据，通过对采集到的直拉式传感器变形量信号进行实时处理和分析，在处理过程中，***利用数学模型和信号处理算法，对载荷信号进行滤波、去噪与频域分析，以获得高精度的实时载荷数据，实时处理保证了***对于载荷状况的及时响应和准确感知，通过构建决策树模型深入挖掘起重机械载荷信号中的隐含规律，使***能够从大量数据中发现有效模式和趋势，该算法通过分析数据的相互关系，找到数据中的关联性和潜在规律，从而提高***对不同工作条件下的载荷特征的理解能力，使得***具备了更为智能化的数据分析和学***；本发明的创新点在于，智能控制响应模块提出基于模糊规则的故障预测算法，该算法是一种通过模糊逻辑和预测模型相结合的智能控制技术，旨在通过实时载荷数据与综合历史操作状态数据，建立一个具有模糊规则的故障预测模型，该算法通过模糊规则的优化和参数调整，实现对起重机械的智能控制，在该算法中，模糊逻辑被用于构建模糊规则，建立输入与输出之间的关系，通过定义模糊集合和模糊关系，故障预测模型能够灵活地处理起重机械的各种操作状态和环境变化所产生的多维度数据，采用进化算法进行模糊规则的优化和参数调整，通过搜索最优模糊规则集以提高***的性能和适应性，通过模糊规则的优化设计，有助于***更好地适应不同操作条件和环境变化，提高***对于复杂工况的鲁棒性，使得***能够在复杂的控制环境中做出更智能的响应，根据具体情况调整控制策略，提高***的自适应性和智能化水平，通过基于数据驱动的预测模型，有助于***更准确地预测起重机械的运行状态和可能的故障情况，提前发现潜在问题，降低维护成本，提高整体***的可靠性和稳定性，基于模糊规则的故障预测算法在起重量称量信号智能管理***中的应用，使得***具备更高的智能性、鲁棒性和效率，为提高设备操作的安全性和生产效率提供了有益的效果；综合而言，本发明通过基于数据挖掘的智能数据分析算法和基于模糊规则的故障预测算法，为一种起重量称量信号智能管理***引入了高度智能化、可预测性与优化控制的特性，构建了一个高度智能化、适应性强的起重量称量信号智能管理***，为起重机械的操作提供了全面的监控、预测和控制功能，同时也为操作人员和管理人员提供了更为先进和可信赖的操作体验。
附图说明
利用附图对发明创造作进一步说明，但附图中的实施例不构成对本发明创造的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。
图1是本发明结构示意图。
具体实施方式
结合以下实施例对本发明作进一步描述。
一种起重量称量信号智能管理***，其特征在于，包括接口集成模块、载荷检测模块、智能信息管理模块、智能控制响应模块、安全管理模块、***通信模块，用户界面模块，接口集成模块用于提供对外部机械设备的数据交互接口，实现信息的无缝传递；载荷检测模块用于实时检测起重机械的载荷信息，以获得准确的载荷数据；智能信息管理模块包括数据处理与分析单元和数据管理与存储单元，数据处理与分析单元提出基于数据挖掘的智能数据分析算法用于实时处理传感器采集的变形量信号，挖掘并分析数据中详细信息，数据管理与存储单元用于存储并管理实时载荷数据、故障信息、报警信息以及历史运行数据；智能控制响应模块提出基于模糊规则的故障预测算法对机械设备故障预测、智能控制以及故障报警；安全管理模块用于监测***运行状态、提醒维护任务、记录异常事件，实现***远程监测与维护；***通信模块用于蓝牙和WiFi通信功能，实现***远程监控和数据传输；用户界面模块用于提供实时检测数据与详尽的历史数据，方便用户追溯和查看设备的运行情况。
优选的，接口集成模块通过提供与起重机械现有控制***的多种接口，实现无缝对接，确保***能够与不同类型的起重机械协同工作，促使设备之间的多种数据传输。
优选的，载荷检测模块通过装备直拉式传感器，实时检测起重机械的载荷数据，确保***准确获取高精度和高灵敏度的数据。
优选的，数据处理与分析单元提出基于数据挖掘的智能数据分析算法，对传感器采集的变形量信号进行实时处理和分析，获得更高精度的载荷数据，利用数据挖掘技术，发现数据间潜在的规律和趋势，为***提供更深层次的数据分析。
具体的，基于数据挖掘的智能数据分析算法具体如下：首先对载荷检测模块采集到的有效信号进行信号预处理，将载荷检测模块采集到的机械信号中的有效信号定义为基频信号，表达式为，其中/>表示机械信号的振幅，/>表示机械信号的角频率；/>表示机械信号的相位角，/>表示机械信号的所处时刻，采用数值积分的方法，对基频信号进行积分操作，假定在/>到/>的时间间隔内，为获取机械信号的平均振幅信息/>，定义在/>到/>内对基频信号进行积分得/>，为获取机械信号的平均相位信息/>，定义在/>到/>内对基频信号进行积分得，然后再将积分方程转化为离散形式进行计算，根据时刻，将两方程分别推导为/>，/>，通过对信号进行预处理操作获得准确的振幅/>和相位角/>的值，经过预处理后的连续信号转换为离散信号序列，假设获得长度为/>的离散信号序列/>，其中/>是非负整数，/>表示离散信号序列索引，将/>点序列分为两个长度为/>的子序列，分别为/>和/>，计算旋转因子/>，其中/>，用于对子序列的快速傅里叶变换，对这两个子序列进行快速傅里叶变换以进行频域分析，采用递归算法对离散信号/>进行快速傅里叶变换，公式为/>；其次，根据快速傅里叶变换后的信号/>判断采集到的整体机械信号的频谱响应，建立偏微分方程去噪模型对信号进行降噪处理以获得更加准确的机械信号，热传导方程表示为，其中/>表示机械信号的函数，也表示为空间/>和时间/>的函数，/>表示为热传导系数，通过将/>替换为演变时间/>，将/>替换为/>，并令/>，推导出新的热传导方程为/>，在模型中设定高通滤波器函数方程为，其中/>表示为信号频率，滤波器的特性由两个变量/>和/>确定，当时，滤波器的振幅频率特性变得平坦，当/>时，滤波器是全通滤波器，引入滤波器的截止频率/>，滤波器能量的衰减用公式表示为/>，滤波器的能量随着截止频率/>的增加而衰减，而演化时间/>则随之减小，根据热传导方程与高通滤波器函数方程共同建立偏微分方程去噪模型为/>，其中/>表示偏微分方程去噪模型原始输入机械信号，/>表示实数集合，经过偏微分方程去噪模型后的输出信号表示为/>；然后，对去噪后的机械信号进行异常值检测处理，此时，载荷检测模块采集到的完整连续机械信号表示为/>，其中/>表示为非共频信号分量，公式为/>，其中/>表示为与角频率/>对应的非共频信号的振幅，/>表示为相应信号的相位，/>表示为非共频信号的个数，/>表示为非共频信号种类索引，/>表示为噪声信号，基于交叉相关函数的性质，提取基频振动信号的幅度/>和相位/>分别为/>，/>，其中/>表示样本滞后的索引，/>表示基频信号/>为与其他频率成分的交叉相关函数，表示基频信号/>与噪声信号的交叉相关函数，进行基频振幅和相位的提取之后，对测量信号的离散时间序列/>进行异常值检测，其中/>表示为时间序列的个数，计算中位数/>，对每个测量值/>计算绝对偏差/>，然后计算绝对偏差的中位数/>，定义检测阈值为/>，将超过/>的测量值判定为异常值并去除；最后通过构建决策树模型进行数据挖掘分析，在决策树的构建过程中，选择每个节点上的属性时，使用信息增益作为划分属性的变量，信息增益的计算是通过对比划分前后的信息熵来衡量的，目标是通过划分使得样本的不确定性减小，对于经过异常检测处理后的样本集合/>，通过每个类别的概率/>计算，获得信息熵的计算公式为/>，其中/>表示为分类属性中不同值的数量，表示为分类属性的不同取值的索引，对于每个属性，计算划分前的信息熵，然后按照该属性的不同取值划分数据，计算划分后的信息期望，假设实时采集数据与历史数据属性为/>，有/>个不同的取值，将样本集/>按照属性/>划分为/>个子集/>，每个子集的信息期望通过对每个子集的信息熵进行加权平均得到，计算公式为，其中/>表示每个子集分类属性的不同取值的索引，/>表示子集中每个样本的索引，/>表示每个子集中样本总个数，信息增益等于划分前的信息熵减去划分后的信息期望，通过选择具有最大信息增益的属性来进行决策树节点的划分，以逐步降低数据的不确定性，直至生成完整的决策树，通过构建决策树模型深入挖掘起重机械载荷信号中的隐含规律，使***能够从大量数据中发现有效模式和趋势。
优选的，数据管理与存储单元通过智能存储策略，优化数据存储结构，提高数据检索效率，确保对实时载荷检测数据、报警记录以及各种历史运行数据进行有效的管理和存储。
优选的，智能控制响应模块提出基于模糊规则的故障预测算法，根据智能信息管理模块的输出数据，实现对起重机械的智能控制与故障报警决策，利用模糊规则，对复杂、模糊的控制条件进行预测和响应，提高***的自适应性。
具体的，基于模糊规则的故障预测算法具体如下：首先构建基于模糊规则的***模型，假设多输入单输出的模糊***的规则库包括个/>规则，多输入变量包括起重量称量信号智能管理***用于实时监测和分析历史数据，其中规则的结论是单例类型，规则的形式为/>，其中/>表示第/>条规则，/>表示为输入变量，/>表示为输入变量数量的索引，表示属于输入变量/>的论域的模糊集合，/>表示为/>定义的模糊集的数目，/>表示为与第/>个规则相关联的输出变量，/>表示输出变量/>的论域上的模糊单例，规则库的大小取决于输入变量的数量/>义的模糊集的数量/>，在模糊规则的前提中，定义了与梯形隶属函数相对应的模糊集，通过函数计算输入值/>到模糊集的隶属度，梯形隶属函数表达式为/>，其中/>表示梯形隶属函数的中心点，且有条件为/>，在这里使用了梯形隶属函数，比三角形隶属函数多了控制点，能够更灵活地适应不同形状的隶属度曲线，第/>个规则/>的激活度/>由规则前提中所有输入变量到模糊集的隶属度的乘积计算得到，模糊***的最终输出通过所有规则输出的加权平均计算得到，公式为/>；其次根据模糊***的最终输出构建故障预测模型，通过对即将发生的故障进行预测，并基于***操作和监测故障之间的操作状态演变而生成的基于故障间隔时间的预测模型来支持决策过程，根据构建的基于模糊规则的***模型，故障预测模型对于整个模糊规则集的输出为/>，其中/>表示***的预测故障时间间隔，/>与/>表示输入变量，/>与/>分别表示与输入变量/>与/>对应的模糊集合，/>与分别表示与输入变量/>与/>对应的模糊集的个数的索引，通过进化算法设计的故障预测模型的适应度函数/>均方根相对误差函数与模型效率函数两部分组成，其中均方根相对误差函数/>用于衡量***实际历史故障数据和由基于模糊规则的故障预测模型所预测的故障间隔时间之间的拟合程度，公式表示为/>，其中/>示输入变量数量减去输出变量后样本的数量，/>表示样本的索引，/>表示第/>个样本数据点的实际故障间隔时间，/>表示模型预测的故障间隔时间，模型效率函数/>用于评估故障预测模型的整体效率，通过模型规则数和模糊分区覆盖率进行评估，公式表示为/>，其中/>与/>分别表示与输入变量/>与/>对应的模糊集的个数，进化算法的目标是最小化个体的适应度，其中适应度由模型的准确性和效率共同决定；最后，根据适应度函数不断调整基于模糊规则的故障预测模型的参数，适应度函数的计算方式为/>，这个目标旨在寻找既准确又有效的故障预测模型，通过考虑拟合度和模型结构的复杂性来平衡这两个因素，在该算法中，模糊逻辑被用于构建模糊规则，建立输入与输出之间的关系，通过定义模糊集合和模糊关系，控制预测模型能够灵活地处理起重机械的各种操作状态和环境变化所产生的多维度数据，采用进化算法进行模糊规则的优化和参数调整，通过搜索最优模糊规则集以提高***的性能和适应性。
优选的，安全管理模块通过实时监测***运行状况以及各模块的状态信息，确保***的正常运行，并通过实施维护策略，包括***自检、故障诊断和预防性维护，以提高***稳定性和可靠性。
优选的，***通信模块通过蓝牙和WiFi通信功能，实现远程监控和数据传输，确保***能够与外部设备进行实时通信，使得管理人员能够远程实时监控设备状态和接收报警信息。
优选的，用户界面模块通过现场显示装置和远程监控界面，使得操作人员和管理人员能够直观地了解设备运行状况，并通过用户智能交互界面实现对***的控制操作。
一种起重量称量信号智能管理***，包括接口集成模块、载荷检测模块、智能信息管理模块、智能控制响应模块、安全管理模块、***通信模块，用户界面模块，本发明的创新之处在于，智能信息管理模块提出了基于数据挖掘的智能数据分析算法，该算法能够充分挖掘和利用丰富的起重机械载荷信号数据，通过对采集到的直拉式传感器变形量信号进行实时处理和分析，在处理过程中，***利用数学模型和信号处理算法，对载荷信号进行滤波、去噪与频域分析，以获得高精度的实时载荷数据，实时处理保证了***对于载荷状况的及时响应和准确感知，通过构建决策树模型深入挖掘起重机械载荷信号中的隐含规律，使***能够从大量数据中发现有效模式和趋势，该算法通过分析数据的相互关系，找到数据中的关联性和潜在规律，从而提高***对不同工作条件下的载荷特征的理解能力，使得***具备了更为智能化的数据分析和学***；本发明的创新点在于，智能控制响应模块提出基于模糊规则的故障预测算法，该算法是一种通过模糊逻辑和预测模型相结合的智能控制技术，旨在通过实时载荷数据与综合历史操作状态数据，建立一个具有模糊规则的故障预测模型，该算法通过模糊规则的优化和参数调整，实现对起重机械的智能控制，在该算法中，模糊逻辑被用于构建模糊规则，建立输入与输出之间的关系，通过定义模糊集合和模糊关系，故障预测模型能够灵活地处理起重机械的各种操作状态和环境变化所产生的多维度数据，采用进化算法进行模糊规则的优化和参数调整，通过搜索最优模糊规则集以提高***的性能和适应性，通过模糊规则的优化设计，有助于***更好地适应不同操作条件和环境变化，提高***对于复杂工况的鲁棒性，使得***能够在复杂的控制环境中做出更智能的响应，根据具体情况调整控制策略，提高***的自适应性和智能化水平，通过基于数据驱动的预测模型，有助于***更准确地预测起重机械的运行状态和可能的故障情况，提前发现潜在问题，降低维护成本，提高整体***的可靠性和稳定性，基于模糊规则的故障预测算法在起重量称量信号智能管理***中的应用，使得***具备更高的智能性、鲁棒性和效率，为提高设备操作的安全性和生产效率提供了有益的效果；综合而言，本发明通过基于数据挖掘的智能数据分析算法和基于模糊规则的故障预测算法，为一种起重量称量信号智能管理***引入了高度智能化、可预测性与优化控制的特性，构建了一个高度智能化、适应性强的起重量称量信号智能管理***，为起重机械的操作提供了全面的监控、预测和控制功能，同时也为操作人员和管理人员提供了更为先进和可信赖的操作体验。
最后应当说明的是，以上实施例仅用以说明本发明的技术方案，而非对本发明保护范围的限制，尽管参照较佳实施例对本发明作了详细地说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改，而不脱离本发明技术方案的实质和范围。
Claims (9)
1.一种起重量称量信号智能管理***，其特征在于，包括接口集成模块、载荷检测模块、智能信息管理模块、智能控制响应模块、安全管理模块、***通信模块，用户界面模块，接口集成模块用于提供对外部机械设备的数据交互接口，实现信息的无缝传递；载荷检测模块用于实时检测起重机械的载荷信息，以获得准确的载荷数据；智能信息管理模块包括数据处理与分析单元和数据管理与存储单元，数据处理与分析单元提出基于数据挖掘的智能数据分析算法用于实时处理传感器采集的变形量信号，挖掘并分析数据中详细信息，数据管理与存储单元用于存储并管理实时载荷数据、故障信息、报警信息以及历史运行数据；智能控制响应模块提出基于模糊规则的故障预测算法对机械设备故障预测、智能控制以及故障报警；安全管理模块用于监测***运行状态、提醒维护任务、记录异常事件，实现***远程监测与维护；***通信模块用于蓝牙和WiFi通信功能，实现***远程监控和数据传输；用户界面模块用于提供实时检测数据与详尽的历史数据，方便用户追溯和查看设备的运行情况；数据处理与分析单元提出基于数据挖掘的智能数据分析算法，对传感器采集的变形量信号进行实时处理和分析，获得更高精度的载荷数据，利用数据挖掘技术，发现数据间潜在的规律和趋势，为***提供更深层次的数据分析；基于数据挖掘的智能数据分析算法具体如下：首先对载荷检测模块采集到的有效信号进行信号预处理，将载荷检测模块采集到的机械信号中的有效信号定义为基频信号，表达式为y(t)＝Bsin(ωt+θ)，其中B表示机械信号的振幅，ω表示机械信号的角频率；θ表示机械信号的相位角，t表示机械信号的所处时刻，采用数值积分的方法，对基频信号进行积分操作，假定在0到t的时间间隔内，为获取机械信号的平均振幅信息定义在t/8到5t/8内对基频信号进行积分得为获取机械信号的平均相位信息/>定义在t/6到2t/3内对基频信号进行积分得/>然后再将积分方程转化为离散形式进行计算，根据时刻/>将两方程分别推导为/>通过对信号进行预处理操作获得准确的振幅B和相位角θ的值，经过预处理后的连续信号转换为离散信号序列，假设获得长度为L＝2n的离散信号序列{y(l)},其中n是非负整数，l表示离散信号序列索引，将L点序列分为两个长度为/>的子序列，分别为yeven(l)和yodd(l)，计算旋转因子其中/>用于对子序列的快速傅里叶变换，对这两个子序列进行快速傅里叶变换以进行频域分析，采用递归算法对离散信号y(l)进行快速傅里叶变换，公式为/> 其次，根据快速傅里叶变换后的信号Y(n)判断采集到的整体机械信号的频谱响应，建立偏微分方程去噪模型对信号进行降噪处理以获得更加准确的机械信号，热传导方程表示为/>其中k表示机械信号的函数，也表示为空间i和时间t的函数，μ表示为热传导系数，通过将t替换为演变时间λ，将i替换为t，并令F(i,t)＝0，推导出新的热传导方程为/>在模型中设定高通滤波器函数方程为/>其中f表示为信号频率，滤波器的特性由两个变量μ和λ确定，当μ<1时，滤波器的振幅频率特性变得平坦，当μ＝0时，滤波器是全通滤波器，引入滤波器的截止频率fm,滤波器能量的衰减用公式表示为/>滤波器的能量随着截止频率fm的增加而衰减，而演化时间λ则随之减小，根据热传导方程与高通滤波器函数方程共同建立偏微分方程去噪模型为/>其中o(t)表示偏微分方程去噪模型原始输入机械信号，/>表示实数集合，经过偏微分方程去噪模型后的输出信号表示为k(λ,t)；然后，对去噪后的机械信号进行异常值检测处理，此时，载荷检测模块采集到的完整连续机械信号表示为s(t)＝y(t)+x(t)+z(t)，其中x(t)表示为非共频信号分量，公式为/>其中Aj表示为与角频率/>对应的非共频信号的振幅，/>表示为相应信号的相位，J表示为非共频信号的个数，j表示为非共频信号种类索引，z(t)表示为噪声信号，基于交叉相关函数的性质，提取基频振动信号的幅度B和相位θ分别为/>其中r表示样本滞后的索引，Rxy(r)表示基频信号y(t)为与其他频率成分的交叉相关函数，Ryz(r)表示基频信号y(t)与噪声信号的交叉相关函数，进行基频振幅和相位的提取之后，对测量信号的离散时间序列yn进行异常值检测，其中n表示为时间序列的个数，计算中位数median(y)，对每个测量值yn计算绝对偏差|yn-median(y)|，然后计算绝对偏差的中位数MXD＝median(abs(yn-median(y)))，定义检测阈值为p＝3，将超过p×MXD的测量值判定为异常值并去除；最后通过构建决策树模型进行数据挖掘分析，在决策树的构建过程中，选择每个节点上的属性时，使用信息增益作为划分属性的变量，信息增益的计算是通过对比划分前后的信息熵来衡量的，目标是通过划分使得样本的不确定性减小，对于经过异常检测处理后的样本集合H，通过每个类别的概率Pv计算，获得信息熵的计算公式为/>其中V表示为分类属性中不同值的数量，v表示为分类属性的不同取值的索引，对于每个属性，计算划分前的信息熵，然后按照该属性的不同取值划分数据，计算划分后的信息期望，假设实时采集数据与历史数据属性为G，G有g个不同的取值，将样本集H按照属性G划分为g个子集{H1,H2,…Hg,}，每个子集的信息期望通过对每个子集的信息熵进行加权平均得到，计算公式为其中e表示每个子集分类属性的不同取值的索引，u表示子集中每个样本的索引，R表示每个子集中样本总个数，信息增益等于划分前的信息熵减去划分后的信息期望，通过选择具有最大信息增益的属性来进行决策树节点的划分，以逐步降低数据的不确定性，直至生成完整的决策树，通过构建决策树模型深入挖掘起重机械载荷信号中的隐含规律，使***能够从大量数据中发现有效模式和趋势。
2.根据权利要求1所述的一种起重量称量信号智能管理***，其特征在于，接口集成模块通过提供与起重机械现有控制***的多种接口，实现无缝对接，确保***能够与不同类型的起重机械协同工作，促使设备之间的多种数据传输。
3.根据权利要求1所述的一种起重量称量信号智能管理***，其特征在于，载荷检测模块通过装备直拉式传感器，实时检测起重机械的载荷数据，确保***准确获取高精度和高灵敏度的数据。
4.根据权利要求1所述的一种起重量称量信号智能管理***，其特征在于，数据管理与存储单元通过智能存储策略，优化数据存储结构，提高数据检索效率，确保对实时载荷检测数据、报警记录以及各种历史运行数据进行有效的管理和存储。
5.根据权利要求1所述的一种起重量称量信号智能管理***，其特征在于，智能控制响应模块提出基于模糊规则的故障预测算法，根据智能信息管理模块的输出数据，实现对起重机械的智能控制与故障报警决策，利用模糊规则，对复杂、模糊的控制条件进行预测和响应，提高***的自适应性。
6.根据权利要求5所述的一种起重量称量信号智能管理***，其特征在于，基于模糊规则的故障预测算法具体如下：首先构建基于模糊规则的***模型，假设多输入单输出的模糊***的规则库包括M个IF-THEN规则，多输入变量包括起重量称量信号智能管理***用于实时监测和分析历史数据，其中规则的结论是单例类型，规则的形式为Ri: 其中Ri表示第i条规则，{y1,y2,…yj}表示为输入变量，j表示为输入变量数量的索引，/>表示属于输入变量yj的论域的模糊集合，l表示为yj定义的模糊集的数目，xi表示为与第i个规则相关联的输出变量，γi表示输出变量xi的论域上的模糊单例，规则库的大小取决于输入变量的数量J定义的模糊集的数量/>在模糊规则的前提中，定义了与梯形隶属函数相对应的模糊集，通过函数计算输入值yj到模糊集的隶属度，梯形隶属函数表达式为其中/>表示梯形隶属函数的中心点，且有条件为/>在这里使用了梯形隶属函数，比三角形隶属函数多了控制点，能够更灵活地适应不同形状的隶属度曲线，第i个规则Ri的激活度wi由规则前提中所有输入变量到模糊集的隶属度的乘积计算得到/>模糊***的最终输出x通过所有规则输出的加权平均计算得到，公式为/>其次根据模糊***的最终输出x构建故障预测模型，通过对即将发生的故障进行预测，并基于***操作和监测故障之间的操作状态演变而生成的基于故障间隔时间的预测模型来支持决策过程，根据构建的基于模糊规则的***模型，故障预测模型对于整个模糊规则集的输出为/> 其中Ti表示***的预测故障时间间隔，/>与/>表示输入变量，/>与/>分别表示与输入变量/>与对应的模糊集合，/>与/>分别表示与输入变量/>与/>对应的模糊集的个数的索引，通过进化算法设计的故障预测模型的适应度函数A由均方根相对误差函数与模型效率函数两部分组成，其中均方根相对误差函数R用于衡量***实际历史故障数据和由基于模糊规则的故障预测模型所预测的故障间隔时间之间的拟合程度，公式表示为/>其中N表示输入变量数量减去输出变量后样本的数量，n表示样本的索引，Tn表示第n个样本数据点的实际故障间隔时间，T表示模型预测的故障间隔时间，模型效率函数E用于评估故障预测模型的整体效率，通过模型规则数和模糊分区覆盖率进行评估，公式表示为其中/>与/>分别表示与输入变量/>与/>对应的模糊集的个数，进化算法的目标是最小化个体的适应度，其中适应度由模型的准确性和效率共同决定；最后，根据适应度函数不断调整基于模糊规则的故障预测模型的参数，适应度函数的计算方式为A＝RE-1，这个目标旨在寻找既准确又有效的故障预测模型，通过考虑拟合度和模型结构的复杂性来平衡这两个因素，在该算法中，模糊逻辑被用于构建模糊规则，建立输入与输出之间的关系，通过定义模糊集合和模糊关系，控制预测模型能够灵活地处理起重机械的各种操作状态和环境变化所产生的多维度数据，采用进化算法进行模糊规则的优化和参数调整，通过搜索最优模糊规则集以提高***的性能和适应性。
7.根据权利要求1所述的一种起重量称量信号智能管理***，其特征在于，安全管理模块通过实时监测***运行状况以及各模块的状态信息，确保***的正常运行，并通过实施维护策略，包括***自检、故障诊断和预防性维护，以提高***稳定性和可靠性。
8.根据权利要求1所述的一种起重量称量信号智能管理***，其特征在于，***通信模块通过蓝牙和WiFi通信功能，实现远程监控和数据传输，确保***能够与外部设备进行实时通信，使得管理人员能够远程实时监控设备状态和接收报警信息。
9.根据权利要求1所述的一种起重量称量信号智能管理***，其特征在于，用户界面模块通过现场显示装置和远程监控界面，使得操作人员和管理人员能够直观地了解设备运行状况，并通过用户智能交互界面实现对***的控制操作。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311728153.3A CN117401578B (zh) | 2023-12-15 | 2023-12-15 | 一种起重量称量信号智能管理*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311728153.3A CN117401578B (zh) | 2023-12-15 | 2023-12-15 | 一种起重量称量信号智能管理*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117401578A CN117401578A (zh) | 2024-01-16 |
| CN117401578B true CN117401578B (zh) | 2024-04-19 |
Family
ID=89498434
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311728153.3A Active CN117401578B (zh) | 2023-12-15 | 2023-12-15 | 一种起重量称量信号智能管理*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117401578B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117933827A (zh) * | 2024-03-13 | 2024-04-26 | 深圳市吉方工控有限公司 | 计算机终端工控信息数据处理方法、电子设备及存储介质 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20020006194A (ko) * | 2000-07-11 | 2002-01-19 | 이구택 | 물류 크레인 입고 자동제어장치 |
| KR100622216B1 (ko) * | 2005-03-17 | 2006-09-14 | 김종선 | 타워크레인의 디지털 풍속표시 및 데이타 저장시스템 |
| KR20090076287A (ko) * | 2008-01-08 | 2009-07-13 | 김종건 | 크레인의 로울러형 하중검출시스템 |
| CN103449309A (zh) * | 2012-05-31 | 2013-12-18 | 宝山钢铁股份有限公司 | 一种卸船机抓斗负荷动态跟踪的传感方法 |
| CN110240066A (zh) * | 2019-06-26 | 2019-09-17 | 北京起重运输机械设计研究院有限公司 | 一种起重机械在线监控*** |
| CN110371856A (zh) * | 2019-07-11 | 2019-10-25 | 中色十二冶金建设有限公司 | 一种塔式起重机电气双重保护*** |
| CN110633855A (zh) * | 2019-09-17 | 2019-12-31 | 江南大学 | 一种桥梁健康状态检测与管养决策***及方法 |
| CN111401785A (zh) * | 2020-04-09 | 2020-07-10 | 国网山东省电力公司 | 一种基于模糊关联规则的电力***设备故障预警方法 |
| CN112357776A (zh) * | 2020-10-14 | 2021-02-12 | 宁波大榭招商国际码头有限公司 | 一种基于机器视觉技术的防钩箱监控方法 |
| CN115215215A (zh) * | 2022-06-21 | 2022-10-21 | 同济大学 | 一种大型门式造船起重机的智能预警与故障诊断方法 |
| CN116862442A (zh) * | 2023-07-21 | 2023-10-10 | 河南盘古科技发展有限公司 | 基于大数据分析的智能设备管理方法、*** |
| CN117196066A (zh) * | 2023-09-15 | 2023-12-08 | 北京红山信息科技研究院有限公司 | 智慧运维信息分析模型 |
Family Cites Families (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9053468B2 (en) * | 2011-04-07 | 2015-06-09 | General Electric Company | Methods and systems for monitoring operation of equipment |
| JP6216589B2 (ja) * | 2013-09-24 | 2017-10-18 | アズビル株式会社 | 不具合検知システムおよび不具合検知方法 |
| US20160069778A1 (en) * | 2014-09-10 | 2016-03-10 | Caterpillar Inc. | System and method for predicting associated failure of machine components |
| US20200348662A1 (en) * | 2016-05-09 | 2020-11-05 | Strong Force Iot Portfolio 2016, Llc | Platform for facilitating development of intelligence in an industrial internet of things system |
| US20230186201A1 (en) * | 2016-05-09 | 2023-06-15 | Strong Force Iot Portfolio 2016, Llc | Industrial digital twin systems providing neural net-based adjustment recommendation with data relevant to role taxonomy |
| US10866584B2 (en) * | 2016-05-09 | 2020-12-15 | Strong Force Iot Portfolio 2016, Llc | Methods and systems for data processing in an industrial internet of things data collection environment with large data sets |
| US20180262525A1 (en) * | 2017-03-09 | 2018-09-13 | General Electric Company | Multi-modal, multi-disciplinary feature discovery to detect cyber threats in electric power grid |
| WO2019022737A1 (en) * | 2017-07-26 | 2019-01-31 | Hitachi, Ltd. | MAINTENANCE RECOMMENDATION SYSTEM BASED ON FAILURE PREDICTION |
| KR20200037816A (ko) * | 2017-08-02 | 2020-04-09 | 스트롱 포스 아이오티 포트폴리오 2016, 엘엘씨 | 대규모 데이터 세트들을 갖는 산업 사물 인터넷 데이터 수집 환경에서의 검출을 위한 방법들 및 시스템들 |
| US10921801B2 (en) * | 2017-08-02 | 2021-02-16 | Strong Force loT Portfolio 2016, LLC | Data collection systems and methods for updating sensed parameter groups based on pattern recognition |
| CN112836404B (zh) * | 2021-01-07 | 2023-09-19 | 大连理工大学 | 智能挖掘机的结构性能数字孪生体构建方法 |
-
2023
- 2023-12-15 CN CN202311728153.3A patent/CN117401578B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20020006194A (ko) * | 2000-07-11 | 2002-01-19 | 이구택 | 물류 크레인 입고 자동제어장치 |
| KR100622216B1 (ko) * | 2005-03-17 | 2006-09-14 | 김종선 | 타워크레인의 디지털 풍속표시 및 데이타 저장시스템 |
| KR20090076287A (ko) * | 2008-01-08 | 2009-07-13 | 김종건 | 크레인의 로울러형 하중검출시스템 |
| CN103449309A (zh) * | 2012-05-31 | 2013-12-18 | 宝山钢铁股份有限公司 | 一种卸船机抓斗负荷动态跟踪的传感方法 |
| CN110240066A (zh) * | 2019-06-26 | 2019-09-17 | 北京起重运输机械设计研究院有限公司 | 一种起重机械在线监控*** |
| CN110371856A (zh) * | 2019-07-11 | 2019-10-25 | 中色十二冶金建设有限公司 | 一种塔式起重机电气双重保护*** |
| CN110633855A (zh) * | 2019-09-17 | 2019-12-31 | 江南大学 | 一种桥梁健康状态检测与管养决策***及方法 |
| CN111401785A (zh) * | 2020-04-09 | 2020-07-10 | 国网山东省电力公司 | 一种基于模糊关联规则的电力***设备故障预警方法 |
| CN112357776A (zh) * | 2020-10-14 | 2021-02-12 | 宁波大榭招商国际码头有限公司 | 一种基于机器视觉技术的防钩箱监控方法 |
| CN115215215A (zh) * | 2022-06-21 | 2022-10-21 | 同济大学 | 一种大型门式造船起重机的智能预警与故障诊断方法 |
| CN116862442A (zh) * | 2023-07-21 | 2023-10-10 | 河南盘古科技发展有限公司 | 基于大数据分析的智能设备管理方法、*** |
| CN117196066A (zh) * | 2023-09-15 | 2023-12-08 | 北京红山信息科技研究院有限公司 | 智慧运维信息分析模型 |
Non-Patent Citations (2)
| Title |
|---|
| 基于UWB技术的生产吊装作业安全监控及预警***;庞云玲;李湖生;王彦平;;起重运输机械;20170320(第03期);第88-92页 * |
| 起重机远程监控数据仓库***研究及实现;陈斌;李彦明;刘成良;吕会娟;;微计算机信息;20090925(第27期);第144-146页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117401578A (zh) | 2024-01-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117401578B (zh) | 一种起重量称量信号智能管理*** | |
| CN104932488B (zh) | 一种模型预测控制性能评估与诊断方法 | |
| CN109407654B (zh) | 一种基于稀疏深度神经网络的工业数据非线性因果分析方法 | |
| Lei et al. | An intelligent fault diagnosis method based on domain adaptation and its application for bearings under polytropic working conditions | |
| CN116665130B (zh) | 基于时空图的大坝安全监测多元时间序列异常检测方法 | |
| CN114021932A (zh) | 风电机组的能效评价与诊断方法、***及介质 | |
| CN102062832A (zh) | 基于微扰动信号低频振荡模式辨识的电力***在线预警方法 | |
| CN116380445B (zh) | 基于振动波形的设备状态诊断方法及相关装置 | |
| Hong et al. | Variable input observer for nonstationary high-rate dynamic systems | |
| CN111881594A (zh) | 一种核动力设备的非平稳信号状态监测方法及*** | |
| CN117609836A (zh) | 一种综合模块的电磁敏感预测与健康管理方法 | |
| CN112857658A (zh) | 一种基于云平台的压力检测*** | |
| CN115215215A (zh) | 一种大型门式造船起重机的智能预警与故障诊断方法 | |
| CN116109039A (zh) | 一种数据驱动异常检测与预警*** | |
| CN108825482B (zh) | 一种飞机轴向柱塞泵的故障检测方法及检测*** | |
| CN114444689A (zh) | 一种变压器温度检测分析方法 | |
| CN116259161B (zh) | 一种电力故障预警*** | |
| Xiang et al. | State-of-health prognosis for lithium-ion batteries considering the limitations in measurements via maximal information entropy and collective sparse variational gaussian process | |
| CN112801033A (zh) | 基于AlexNet网络的长输油气管线沿线施工扰动及泄漏识别方法 | |
| CN117473260A (zh) | 一种数模联动的航天轴承剩余寿命预测方法 | |
| CN114046816B (zh) | 基于轻量级梯度提升决策树的传感器信号故障诊断方法 | |
| CN107727392B (zh) | 基于信号检测和roc分析的状态指数评估和优化方法 | |
| CN116170200A (zh) | 电力监控***时间序列异常检测方法、***、设备及存储介质 | |
| Zhao et al. | Study on evaluation model of rate grade of soil corrosion for pipeline | |
| Chen et al. | Fault diagnosis of uninterruptible power system based on Gaussian mixed model and XGBoost |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20240315 Address after: 213000 Jinjin Lingyu 10-B-2704, Beigang Street, Zhonglou District, Changzhou City, Jiangsu Province Applicant after: Jiang Wentao Country or region after: China Applicant after: Liu Qingyuan Applicant after: Zhao Xiaoqi Applicant after: Ding Li Address before: 213000 new Dongfang village, Henglin Town, Wujin District, Changzhou City, Jiangsu Province Applicant before: Changzhou Oulai Machinery Manufacturing Co.,Ltd. Country or region before: China |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |