CN117786373B - 一种基于大数据的瓦楞纸加工的设备运行诊断*** - Google Patents
一种基于大数据的瓦楞纸加工的设备运行诊断*** Download PDFInfo
- Publication number
- CN117786373B CN117786373B CN202410218965.1A CN202410218965A CN117786373B CN 117786373 B CN117786373 B CN 117786373B CN 202410218965 A CN202410218965 A CN 202410218965A CN 117786373 B CN117786373 B CN 117786373B
- Authority
- CN
- China
- Prior art keywords
- data
- equipment
- node
- network
- speed
- 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
- 238000012545 processing Methods 0.000 title claims abstract description 73
- 238000003745 diagnosis Methods 0.000 title claims abstract description 57
- 238000012423 maintenance Methods 0.000 claims abstract description 35
- 230000003993 interaction Effects 0.000 claims abstract description 30
- 238000005516 engineering process Methods 0.000 claims abstract description 23
- 230000015556 catabolic process Effects 0.000 claims abstract description 18
- 238000006731 degradation reaction Methods 0.000 claims abstract description 18
- 230000002159 abnormal effect Effects 0.000 claims abstract description 15
- 238000004458 analytical method Methods 0.000 claims abstract description 15
- 238000007405 data analysis Methods 0.000 claims abstract description 14
- 238000005457 optimization Methods 0.000 claims abstract description 8
- 238000000034 method Methods 0.000 claims description 36
- 239000013598 vector Substances 0.000 claims description 36
- 230000006870 function Effects 0.000 claims description 22
- 230000004927 fusion Effects 0.000 claims description 20
- 230000005856 abnormality Effects 0.000 claims description 18
- 238000004422 calculation algorithm Methods 0.000 claims description 18
- 238000001514 detection method Methods 0.000 claims description 17
- 238000012544 monitoring process Methods 0.000 claims description 16
- 238000012706 support-vector machine Methods 0.000 claims description 16
- 238000003012 network analysis Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000013136 deep learning model Methods 0.000 claims description 12
- 238000005520 cutting process Methods 0.000 claims description 11
- 238000013507 mapping Methods 0.000 claims description 11
- 230000004913 activation Effects 0.000 claims description 9
- 238000001035 drying Methods 0.000 claims description 9
- 230000007774 longterm Effects 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 230000007613 environmental effect Effects 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 238000010438 heat treatment Methods 0.000 claims description 6
- 230000015654 memory Effects 0.000 claims description 6
- 238000003825 pressing Methods 0.000 claims description 6
- 230000006399 behavior Effects 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 230000008447 perception Effects 0.000 claims description 4
- 239000002994 raw material Substances 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 230000006835 compression Effects 0.000 claims description 3
- 238000007906 compression Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 238000007500 overflow downdraw method Methods 0.000 claims description 3
- 238000003909 pattern recognition Methods 0.000 claims description 3
- 230000035945 sensitivity Effects 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 description 6
- 230000006872 improvement Effects 0.000 description 3
- 230000001413 cellular effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 206010027175 memory impairment Diseases 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000013021 overheating Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 239000010687 lubricating oil Substances 0.000 description 1
- 238000005461 lubrication Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Classifications
-
- 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
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及设备诊断技术领域,具体涉及一种基于大数据的瓦楞纸加工的设备运行诊断***,包括:数据采集模块:实时收集瓦楞纸加工设备的运行数据,包括温度、速度、压力;数据处理模块:对采集到的数据进行处理和分析,分析设备运行状态;故障诊断模块:基于数据处理模块提供的分析结果,结合大数据分析技术,识别设备潜在的故障和性能下降的原因;维护建议模块:根据故障诊断结果,提供针对性的维护和优化建议;用户交互界面:展示设备运行状态、故障诊断结果和维护建议。本发明,不仅能够实时捕获设备运行的复杂模式和依赖关系,还能及时识别出异常状态和潜在故障,大大提高了故障诊断的精度和效率。
Description
技术领域
本发明涉及设备诊断技术领域,尤其涉及一种基于大数据的瓦楞纸加工的设备运行诊断***。
背景技术
在瓦楞纸加工行业,设备的高效稳定运行是保证生产效率和产品质量的关键。传统的设备维护方法主要依赖定期检查和操作人员的经验判断,这种方法不仅耗时耗力,而且往往难以准确预测和及时发现设备潜在的故障,导致设备意外停机和生产效率下降。此外,随着瓦楞纸需求的增加和生产工艺的复杂化,设备运行数据的量级和复杂度也大幅增加,传统方法更加力不从心。
尽管近年来信息技术和自动化技术的发展为设备监测和故障诊断提供了新的手段,如通过安装各种传感器实时收集设备运行数据,利用计算机***进行数据监控和分析,但这些技术往往侧重于收集和监测数据,而在如何从大量复杂数据中提取有价值信息、准确快速诊断设备故障方面仍存在不足。特别是缺乏有效的数据处理和分析模型,难以应对设备运行数据的高维度和时间序列特性,导致故障诊断的准确性和及时性不足。
此外,现有技术在故障诊断后的维护建议方面通常较为笼统,缺乏针对性和个性化,使得维护措施可能不够精准或有效,从而影响设备维护的效率和质量。
发明内容
基于上述目的,本发明提供了一种基于大数据的瓦楞纸加工的设备运行诊断***。
一种基于大数据的瓦楞纸加工的设备运行诊断***,包括:
数据采集模块:实时收集瓦楞纸加工设备的运行数据,包括温度、速度、压力;
数据处理模块:对采集到的数据进行处理和分析,分析设备运行状态;
故障诊断模块:基于数据处理模块提供的分析结果,结合大数据分析技术,识别设备潜在的故障和性能下降的原因;
维护建议模块:根据故障诊断结果,提供针对性的维护和优化建议;
用户交互界面:展示设备运行状态、故障诊断结果和维护建议。
进一步的,所述数据采集模块具体包括:
温度传感器:部署于瓦楞纸加工设备的热点区域,热点区域包括烘干段、加热辊,用于实时监测热点区域的温度条件;
速度传感器:安装在瓦楞纸加工线的输送带和辊轮上,用于测量纸张和设备部件的运动速度;
压力传感器:布置在对瓦楞纸加工过程中施加压力组件上,压力组件包括压辊和成型区,压力传感器设计用于实时监控加工过程中的压力水平,以确保瓦楞纸的成型质量和加工精度。
进一步的,所述数据处理模块具体包括:
数据融合技术:使用数据融合技术整合来自不同传感器的数据,以构建设备运行的全景视图,通过考虑温度、速度、压力参数之间的相互作用,揭示隐藏在表面数据背后的复杂关系;
网络分析方法:利用图论和网络分析方法,将设备的运行状态映射为一个动态的网络,其中,节点代表设备的关键组件,边代表关键组件间的相互作用或数据流,通过分析网络的结构和动态变化,识别设备中的影响因素和潜在故障点,关键组件包括热辊、瓦楞辊、压合辊、切割机、干燥段以及涂胶机;
深度学习模型:采用深度学习模型,直接从原始数据中学习复杂的表示,用于处理时间序列数据和高维数据,从数据中学习深层次的模式和依赖关系;
异常检测算法:结合异常检测算法,实时识别设备运行数据中的异常模式。
进一步的,所述数据融合技术具体包括:
对来自不同传感器的数据进行标准化处理,以消除量纲和数量级的差异,使得数据能在同一尺度上进行比较和融合,标准化的公式为:,其中,/>是原始数据,/>是原始数据的平均值,/>是原始数据的标准差,/>是标准化后的数据;
加权融合:考虑不同参数(温度、速度、压力)对设备运行状态的影响程度不同,采用加权融合的方法来整合不同参数,加权融合的公式为:
,其中,/>是融合后的特征值,/>、/>、/>分别是温度、速度和压力参数的标准化值,/>、/>、/>是相应参数的权重系数,反映各参数对设备运行状态的影响程度;
相互作用项的考虑:为了揭示参数之间的相互作用关系,引入相互作用项,融合模型更新为: ,其中,/>、/>和/>是相互作用项的权重系数,反映不同参数之间相互作用的程度;
将融合后的特征值用于设备运行状态的监测、故障诊断和性能评估。
进一步的,所述网络分析方法具体包括:
动态网络构建:确定设备的关键组件,每个组件作为网络的一个节点,边代表节点间的相互作用或数据流;
网络分析:利用图论的原理,通过分析网络的结构和动态变化来识别设备中的关键影响因素和潜在故障点,包括度中心性、介数中心性,所述度中心性用于度中心性衡量一个节点与其他节点的连接数,对于设备网络,高度中心性的节点(组件)是关键组件,度中心性的计算公式为:
,其中,/>是节点/>的度中心性,/>是节点/>的度数(即直接连接到/>的节点数),/>是网络中的节点总数;
所述介数中心性用于衡量一个节点在网络中所有最短路径上出现的频率,对于设备网络,高介数中心性的节点是故障传播的关键路径,介数中心性的计算公式为:,其中,/>是节点/>的介数中心性,/>是节点/>到节点/>之间最短路径的总数,/>是路径通过节点/>的数量。
进一步的,所述深度学习模型采用改进的长短期记忆网络LSTM模型,引入环境感知门,增强模型对外部环境变化和设备操作条件变化的敏感度,所述改进的长短期记忆网络LSTM模型具体包括:
遗忘门:,控制上一状态信息/>的遗忘程度;
输入门:,控制当前输入/>的接收程度;
候选细胞状态:,生成候选的细胞状态,包含新信息;
环境感知门:,根据环境和操作条件/>调整信息的流动;
细胞状态更新:,更新当前细胞状态,整合遗忘门、输入门和环境感知门的影响;
输出门:,控制从细胞状态/>到最终输出/>的信息流动;
最终输出:,根据输出门和当前细胞状态决定此时的输出;
其中;
:在时间/>输入数据向量;
:上一时间步的输出向量,代表上一状态的信息;
:上一时间步的细胞状态向量,储存长期信息;
:在时间/>的外部环境和操作条件向量;
:遗忘门、输入门、环境感知门和输出门在时间/>的激活值;
:时间/>的候选细胞状态;
:时间暏细胞状态向量,更新后的长期信息存储;
:时间/>的输出向量,代表当前状态的信息;
:分别为遗忘门、输入门、候选细胞状态、环境感知门和输出门的权重矩阵;
:分别为遗忘门、输入门、候选细胞状态、环境感知门和输出门的偏置向量;
:Sigmoid函数,用于门控制器的激活,将输入映射到0和1之间;
tanh:双曲正切函数,用于激活和输出,将输入映射到1和1之间。
进一步的,所述异常检测算法采用孤立森林算法进行异常检测,实时识别设备运行数据中的异常模式,具体包括:
构建孤立树:对于数据集中的每个样本,随机选择一个特征,然后在该特征的最大值和最小值之间随机选择一个切分点,递归地重复,直到每个样本被孤立,形成一棵孤立树,重复构建多棵孤立树,形成孤立森林;
计算异常得分:样本在孤立树中的路径长度用于计算异常得分,路径越短,样本越接近异常值;
异常判定:根据计算出的异常得分,若样本的得分超过预定阈值,则被判定为异常。
进一步的,所述异常得分的计算公式为:
,其中,/>是样本/>的异常得分,/>是样本/>在所有孤立树上的平均路径长度,/>是样本数量,/>是数据集中样本数量为/>时的平均未成功孤立的路径长度。
进一步的,所述故障诊断模块具体包括:
接收数据处理模块的输出:故障诊断模块接收来自数据处理模块的分析结果,包括网络分析方法、异常检测以及深度学习模型的输出,反映设备各关键组件的运行状态和行为模式,将不同来源的分析结果融合为一个综合特征集;
应用大数据分析技术:利用大数据分析技术对融合后的综合特征集进行分析,以识别和分类设备的正常运行状态、潜在故障模式和性能下降的迹象;
故障模式识别:基于历史故障数据和案例库,故障诊断模块将当前的异常模式与已知的故障模式进行匹配,以确定潜在的故障类型和原因;
性能下降分析:对于非突发性的性能下降问题,故障诊断模块将分析长期趋势和模式变化,以识别导致性能下降的潜在因素;
输出诊断结果:故障诊断模块提供诊断报告。
进一步的,所述大数据分析技术基于支持向量机SVM,支持向量机SVM具体包括:
将综合特征集融合成一个综合特征向量,对综合特征向量进行标准化或归一化处理,确保所有特征具有相似的尺度;
SVM模型训练:核函数选择RBF核,表示为:,其中,/>和/>是两个特征向量,/>是RBF核的参数,控制映射后的特征空间的分布,设SVM的目标为找到超平面,最大化不同类别数据之间的间隔,基于二分类问题,计算公式为:
;
;
其中,是超平面的法向量,/>是偏置项,/>是正则化参数,/>是松弛变量,是将输入向量映射到高维空间的函数;
故障模式识别与分类:使用训练好的SVM模型对新的综合特征集进行分类,以识别设备的运行状态,SVM模型的决策函数用于分类决策,表达为:,其中,/>是拉格朗日乘子,/>是训练样本的类别标签,/>是核函数计算的结果,/>是符号函数,用于输出分类结果。
本发明的有益效果:
本发明,数据处理模块采用改进的长短期记忆网络(LSTM)和孤立森林算法等先进技术,能够有效处理和分析来自瓦楞纸加工设备的大量运行数据,通过这些技术,模块不仅能够实时捕获设备运行的复杂模式和依赖关系,还能及时识别出异常状态和潜在故障,大大提高了故障诊断的精度和效率。
本发明,故障诊断模块结合大数据分析技术,能够基于数据处理模块提供的深入分析结果,精准识别设备潜在的故障及性能下降原因。这种深入的故障诊断能力使得维护团队能够针对性地制定维护和优化策略,避免了无效维护和过度维护,提高了维护工作的针对性和效果。
本发明,通过实时、准确的故障诊断和针对性的维护建议,本发明能够帮助瓦楞纸加工企业及时解决设备问题,减少设备意外停机时间,从而延长设备的使用寿命,提升整体生产效率和产品质量。此外,***的预测性维护功能还能够帮助企业优化资源分配和维护计划,进一步降低运营成本。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例的***功能模块示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,以下结合具体实施例,对本发明进一步详细说明。
需要说明的是,除非另外定义,本发明使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。本发明中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性,而只是用来区分不同的组成部分。“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”等仅用于表示相对位置关系,当被描述对象的绝对位置改变后,则该相对位置关系也可能相应地改变。
如图1所示,一种基于大数据的瓦楞纸加工的设备运行诊断***,包括:
数据采集模块:实时收集瓦楞纸加工设备的运行数据,包括温度、速度、压力;
数据处理模块:对采集到的数据进行处理和分析,分析设备运行状态;
故障诊断模块:基于数据处理模块提供的分析结果,结合大数据分析技术,识别设备潜在的故障和性能下降的原因;
维护建议模块:根据故障诊断结果,提供针对性的维护和优化建议;
用户交互界面:展示设备运行状态、故障诊断结果和维护建议。
数据采集模块具体包括:
温度传感器:部署于瓦楞纸加工设备的热点区域,热点区域包括烘干段、加热辊,用于实时监测热点区域的温度条件;
速度传感器:安装在瓦楞纸加工线的输送带和辊轮上,用于测量纸张和设备部件的运动速度;
压力传感器:布置在对瓦楞纸加工过程中施加压力组件上,压力组件包括压辊和成型区,压力传感器设计用于实时监控加工过程中的压力水平,以确保瓦楞纸的成型质量和加工精度。
数据采集模块还包括一个数据汇总单元,该单元负责收集各传感器的数据,并将其以标准化的格式传输至数据处理模块。数据汇总单元采用高速数据通信技术,确保从各传感器收集的数据能够无延迟地传输和处理,从而实现对瓦楞纸加工设备运行状态的实时监控。
数据处理模块具体包括:
数据融合技术:使用数据融合技术整合来自不同传感器的数据,以构建设备运行的全景视图,通过考虑温度、速度、压力参数之间的相互作用,揭示隐藏在表面数据背后的复杂关系;
网络分析方法:利用图论和网络分析方法,将设备的运行状态映射为一个动态的网络,其中,节点代表设备的关键组件,边代表关键组件间的相互作用或数据流,通过分析网络的结构和动态变化,识别设备中的影响因素和潜在故障点,关键组件包括热辊、瓦楞辊、压合辊、切割机、干燥段以及涂胶机;
深度学习模型:采用深度学习模型,直接从原始数据中学习复杂的表示,用于处理时间序列数据和高维数据,从数据中学习深层次的模式和依赖关系;
异常检测算法:结合异常检测算法,实时识别设备运行数据中的异常模式。
数据融合技术具体包括:
对来自不同传感器的数据进行标准化处理,以消除量纲和数量级的差异,使得数据能在同一尺度上进行比较和融合,标准化的公式为:,其中,/>是原始数据,/>是原始数据的平均值,/>是原始数据的标准差,/>是标准化后的数据;
加权融合:考虑不同参数(温度、速度、压力)对设备运行状态的影响程度不同,采用加权融合的方法来整合不同参数,加权融合的公式为:
,其中,/>是融合后的特征值,/>、/>、/>分别是温度、速度和压力参数的标准化值,/>、/>、/>是相应参数的权重系数,反映各参数对设备运行状态的影响程度;
相互作用项的考虑:为了揭示参数之间的相互作用关系,引入相互作用项,融合模型更新为: ,其中,/>、/>和/>是相互作用项的权重系数,反映不同参数之间相互作用的程度;
将融合后的特征值用于设备运行状态的监测、故障诊断和性能评估。
权重系数、/>、/>、/>、/>以及/>通过历史数据进行训练和优化,以确保融合后的特征值/>最大程度地反映设备的实际运行状态。
网络分析方法具体包括:
动态网络构建:确定设备的关键组件,每个组件作为网络的一个节点,例如,节点A代表热辊,节点B代表切割机;边代表节点间的相互作用或数据流,如果组件A的输出是组件B的输入,那么从节点A到节点B就有一条边。边可以是有向的(表示数据或物理流动的方向)或无向的(表示双向交互);
网络分析:利用图论的原理,通过分析网络的结构和动态变化来识别设备中的关键影响因素和潜在故障点,包括度中心性、介数中心性,度中心性用于度中心性衡量一个节点与其他节点的连接数,对于设备网络,高度中心性的节点(组件)是关键组件,因为它们与许多其他组件有交互,度中心性的计算公式为:
,其中,/>是节点/>的度中心性,/>是节点/>的度数(即直接连接到/>的节点数),/>是网络中的节点总数;
介数中心性用于衡量一个节点在网络中所有最短路径上出现的频率,对于设备网络,高介数中心性的节点是故障传播的关键路径,介数中心性的计算公式为:,其中,/>是节点/>的介数中心性,/>是节点/>到节点/>之间最短路径的总数,/>是路径通过节点/>的数量。
深度学习模型采用改进的长短期记忆网络LSTM模型,引入环境感知门,增强模型对外部环境变化和设备操作条件变化的敏感度,改进的长短期记忆网络LSTM模型具体包括:
遗忘门:,控制上一状态信息/>的遗忘程度;
输入门:,控制当前输入/>的接收程度;
候选细胞状态:,生成候选的细胞状态,包含新信息;
环境感知门:,根据环境和操作条件/>调整信息的流动;
细胞状态更新:,更新当前细胞状态,整合遗忘门、输入门和环境感知门的影响;
输出门:,控制从细胞状态/>到最终输出/>的信息流动;
最终输出:,根据输出门和当前细胞状态决定此时的输出;
其中;
:在时间/>输入数据向量,包括温度、速度、压力等设备运行参数;
:上一时间步的输出向量,代表上一状态的信息;
:上一时间步的细胞状态向量,储存长期信息;
:在时间/>的外部环境和操作条件向量,如原材料属性、环境温湿度等;
:遗忘门、输入门、环境感知门和输出门在时间/>的激活值;
:时间/>的候选细胞状态;
:时间暏细胞状态向量,更新后的长期信息存储;
:时间/>的输出向量,代表当前状态的信息;
:分别为遗忘门、输入门、候选细胞状态、环境感知门和输出门的权重矩阵;
:分别为遗忘门、输入门、候选细胞状态、环境感知门和输出门的偏置向量;
:Sigmoid函数,用于门控制器的激活,将输入映射到0和1之间;
tanh:双曲正切函数,用于激活和输出,将输入映射到1和1之间。
通过环境感知门的引入使LSTM模型能够根据当前的环境条件和操作参数动态调整信息的流动,增强了模型对于环境变化的适应性,例如,在瓦楞纸加工过程中,原材料的湿度、温度条件或机器操作速度的变化都会影响产品质量和设备运行状态,EAG能够捕捉这些变化并相应调整模型的行为。
细胞状态更新改进:通过将环境感知门的输出加入到细胞状态的更新中,模型能够在每个时间步考虑外部环境和操作条件的具体影响,使得状态更新更加精确和有针对性。这种机制特别适合处理瓦楞纸加工设备运行中的复杂情况,如原材料批次之间的差异、季节变化导致的环境波动等。
通过这种改进,LSTM网络能够更准确地捕捉和预测瓦楞纸加工设备在不同环境和操作条件下的运行状态,为设备故障预测、维护计划制定和生产优化提供支持。这种创新的LSTM模型不仅能够处理时间序列数据和高维数据,还能够适应复杂的生产环境,提高设备管理和运行效率。
异常检测算法采用孤立森林算法进行异常检测,实时识别设备运行数据中的异常模式,孤立森林算法通过随机选择一个特征和该特征的随机切分值来孤立数据点,其思想是异常点容易被孤立,因此路径较短,具体包括:
构建孤立树:对于数据集中的每个样本,随机选择一个特征,然后在该特征的最大值和最小值之间随机选择一个切分点,递归地重复,直到每个样本被孤立,形成一棵孤立树,重复构建多棵孤立树,形成孤立森林;
计算异常得分:样本在孤立树中的路径长度用于计算异常得分,路径越短,样本越接近异常值;
异常判定:根据计算出的异常得分,若样本的得分超过预定阈值,则被判定为异常。
在瓦楞纸加工设备的运行数据中应用孤立森林算法时,实时监测和识别设备状态数据中的异常模式,从瓦楞纸加工设备的运行数据集中随机选择一个子样本,并在这个子样本上构建一棵孤立树:
数据预处理:从瓦楞纸加工设备中收集的原始数据(温度、速度、压力等)首先进行预处理,包括清洗、标准化,以适应孤立森林算法的输入要求。
动态子样本选择:为了适应设备运行数据的实时性和动态性,可以定期或基于特定事件从最新的运行数据中随机选择子样本,构建孤立森林。
实时异常检测:通过对设备的实时数据计算异常得分,可以快速识别设备运行状态中的异常模式,当异常得分超过预定的阈值时,触发报警,提示维护人员进行检查和干预。
持续学习和适应:随着时间的推移,孤立森林模型可以根据新收集的数据不断更新,提高对新出现异常模式的检测能力。
异常得分的计算公式为:
,其中,/>是样本/>的异常得分,/>是样本/>在所有孤立树上的平均路径长度,/>是样本数量,/>是数据集中样本数量为/>时的平均未成功孤立的路径长度。
故障诊断模块具体包括:
接收数据处理模块的输出:故障诊断模块接收来自数据处理模块的分析结果,包括网络分析方法、异常检测以及深度学习模型的输出,反映设备各关键组件的运行状态和行为模式,将不同来源的分析结果融合为一个综合特征集;
应用大数据分析技术:利用大数据分析技术对融合后的综合特征集进行分析,以识别和分类设备的正常运行状态、潜在故障模式和性能下降的迹象;
故障模式识别:基于历史故障数据和案例库,故障诊断模块将当前的异常模式与已知的故障模式进行匹配,以确定潜在的故障类型和原因;
性能下降分析:对于非突发性的性能下降问题,故障诊断模块将分析长期趋势和模式变化,以识别导致性能下降的潜在因素;
输出诊断结果:故障诊断模块提供诊断报告。
假设数据处理模块通过孤立森林算法识别了一个异常模式,该模式表明瓦楞纸加工设备的压力辊部分出现了不寻常的压力波动,故障诊断模块将接收到这一异常检测结果,并结合压力辊的历史运行数据、维护记录和相似故障案例进行分析。通过应用分类算法,故障诊断模块可能识别出这种压力波动与过去某些故障事件(如辊面磨损、轴承损坏等)有相似的模式。
进一步,故障诊断模块将分析相关组件的运行数据,如温度、速度和与压力辊相互作用的其他组件的状态,以确定故障的具体原因,例如,如果同时发现温度异常升高,可能表明轴承过热导致的压力辊故障。
最终,故障诊断模块将输出一个诊断报告,指明压力辊的异常压力波动可能是由轴承过热引起的,建议进行轴承检查和必要的维护措施。
大数据分析技术基于支持向量机SVM,支持向量机SVM具体包括:
将综合特征集融合成一个综合特征向量,对综合特征向量进行标准化或归一化处理,确保所有特征具有相似的尺度;
SVM模型训练:核函数选择RBF核,表示为:,其中,/>和/>是两个特征向量,/>是RBF核的参数,控制映射后的特征空间的分布,设SVM的目标为找到超平面,最大化不同类别数据之间的间隔,基于二分类问题,计算公式为:
;
;/>
其中,是超平面的法向量,/>是偏置项,/>是正则化参数,/>是松弛变量,是将输入向量映射到高维空间的函数;
故障模式识别与分类:使用训练好的SVM模型对新的综合特征集进行分类,以识别设备的运行状态,SVM模型的决策函数用于分类决策,表达为:,其中,/>是拉格朗日乘子,/>是训练样本的类别标签,/>是核函数计算的结果,/>是符号函数,用于输出分类结果。
在瓦楞纸加工设备故障诊断的上下文中,SVM模型可以根据融合后的特征集将设备的运行状态分类为“正常”、“潜在故障”或“性能下降”。例如,如果SVM模型识别出一个特征向量对应的状态为“潜在故障”,则可以进一步分析该特征向量中的异常特征,结合设备的运行数据和维护记录,确定故障的具体类型和可能的原因。这种方法不仅提高了故障诊断的准确性,而且能够在故障发生之前预警,为设备维护和性能优化提供了有力的支持。
故障诊断结果包括:
压力辊异常:如果诊断结果表明压力辊存在异常压力波动,可能指示轴承损耗或轴承故障。
温度波动:如果诊断结果显示加热段的温度存在不稳定波动,可能是加热***故障或温度控制***失效。
速度不一致:如果诊断结果指出瓦楞机的运行速度不一致,可能是传动***问题或电机故障。
切割精度下降:如果诊断结果显示切割机的精度下降,可能是刀具磨损或切割机校准问题。
维护建议模块针对性的维护和优化建议包括:
针对压力辊异常:
建议:检查和更换受损的轴承,定期进行轴承润滑以减少磨损。
优化:安装更高性能的轴承,或使用更适合高负荷工作条件的润滑油。
针对温度波动:
建议:检查加热***的电气连接和元件,确保温度传感器正确校准。
优化:升级温度控制***,引入更先进的PID控制器或自适应控制算法。
针对速度不一致:
建议:检查传动带或链条的张紧度和磨损情况,更换受损的传动组件。
优化:安装速度监测***,实时调整电机输出,保持稳定的运行速度。
针对切割精度下降:
建议:更换磨损的刀具,定期校准切割机以确保精度。
优化:引入自动刀具磨损监测和校准***,减少人为干预。
维护建议模块应该包含一个知识库,其中包含各种故障模式及其相应的维护措施和优化建议,当故障诊断模块识别出特定的故障模式时,维护建议模块将从知识库中检索相关的建议并提供给操作人员或维护团队。
所属领域的普通技术人员应当理解:以上任何实施例的讨论仅为示例性的,并非旨在暗示本发明的范围被限于这些例子;在本发明的思路下,以上实施例或者不同实施例中的技术特征之间也可以进行组合,步骤可以以任意顺序实现,并存在如上所述的本发明的不同方面的许多其它变化,为了简明它们没有在细节中提供。
本发明旨在涵盖落入权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此,凡在本发明的精神和原则之内,所做的任何省略、修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于大数据的瓦楞纸加工的设备运行诊断***,其特征在于,包括:
数据采集模块:实时收集瓦楞纸加工设备的运行数据,包括温度、速度、压力;
数据处理模块:对采集到的数据进行处理和分析,分析设备运行状态,所述数据处理模块具体包括:
数据融合技术:使用数据融合技术整合来自不同传感器的数据,以构建设备运行的全景视图,通过考虑温度、速度、压力参数之间的相互作用,揭示隐藏在表面数据背后的复杂关系,所述数据融合技术具体包括:
对来自不同传感器的数据进行标准化处理,以消除量纲和数量级的差异,使得数据能在同一尺度上进行比较和融合,标准化的公式为:其中,x是原始数据,μ是原始数据的平均值,σ是原始数据的标准差,z是标准化后的数据;
加权融合:考虑不同参数对设备运行状态的影响程度不同,采用加权融合的方法来整合不同参数,加权融合的公式为:
F=w1·Z温度+w2·Z速度+w3·Z压力,其中,F是融合后的特征值,Z温度、Z速度、Z压力分别是温度、速度和压力参数的标准化值,w1、w2、w3是相应参数的权重系数,反映各参数对设备运行状态的影响程度;
相互作用项的考虑:为了揭示参数之间的相互作用关系,引入相互作用项,融合模型更新为:
F=w1·Z温度+w2·Z速度+w3·Z压力+w4·Z温度·Z速度+w5·Z温度·Z压力+w6·Z速度·Z压力,其中,w4、w5和w6是相互作用项的权重系数,反映不同参数之间相互作用的程度;
将融合后的特征值F用于设备运行状态的监测、故障诊断和性能评估;
网络分析方法:利用图论和网络分析方法,将设备的运行状态映射为一个动态的网络,其中,节点代表设备的关键组件,边代表关键组件间的相互作用或数据流,通过分析网络的结构和动态变化,识别设备中的影响因素和潜在故障点,关键组件包括热辊、瓦楞辊、压合辊、切割机、干燥段以及涂胶机,所述网络分析方法具体包括:
动态网络构建:确定设备的关键组件为热辊、瓦楞辊、压合辊、切割机、干燥段以及涂胶机,热辊、瓦楞辊、压合辊、切割机、干燥段以及涂胶机分别作为网络的一个节点,边代表节点间的相互作用或数据流;
网络分析:利用图论的原理,通过分析网络的结构和动态变化来识别设备中的关键影响因素和潜在故障点,包括度中心性、介数中心性,所述度中心性用于衡量一个节点与其他节点的连接数,对于设备网络,高度中心性的节点是关键组件,度中心性的计算公式为:
其中,CD(v)是节点v的度中心性,deg(v)是节点v的度数,即直接连接到v的节点数量,节点v包括热辊、瓦楞辊、压合辊、切割机、干燥段以及涂胶机,n是网络中的节点总数,即n=6,度中心性通过输入deg(v)以及n,以输出CD(v),即节点v的度数与网络中最大度数(n-1)的比值,反映节点v在网络中的连接程度;
所述介数中心性用于衡量一个节点在网络中所有最短路径上出现的频率,对于设备网络,高介数中心性的节点是故障传播的关键路径,介数中心性的计算公式为:其中,CB(v)是节点v的介数中心性,σst是起始节点s到目标节点t之间最短路径的总数,σst(v)是起始节点s到目标节点t之间最短路径中通过节点v的路径数量,介数中心性通过输入σst(v),以输出CB(v)的值,值越高,表示节点v在网络中的影响力越大,因为更多的最短路径依赖于该节点;
深度学习模型:采用深度学习模型,直接从原始数据中学习复杂的表示,用于处理时间序列数据和高维数据,从数据中学习深层次的模式和依赖关系;
异常检测算法:结合异常检测算法,实时识别设备运行数据中的异常模式;
故障诊断模块:基于数据处理模块提供的分析结果,结合大数据分析技术,识别设备潜在的故障和性能下降的原因,所述故障诊断模块具体包括:
接收数据处理模块的输出:故障诊断模块接收来自数据处理模块的分析结果,包括网络分析方法、异常检测以及深度学习模型的输出,反映设备各关键组件的运行状态和行为模式,将不同来源的分析结果融合为一个综合特征集;
应用大数据分析技术:利用大数据分析技术对融合后的综合特征集进行分析,以识别和分类设备的正常运行状态、潜在故障模式和性能下降的迹象;
故障模式识别:基于历史故障数据和案例库,故障诊断模块将当前的异常模式与已知的故障模式进行匹配,以确定潜在的故障类型和原因;
性能下降分析:对于非突发性的性能下降问题,故障诊断模块将分析长期趋势和模式变化,以识别导致性能下降的潜在因素;
输出诊断结果:故障诊断模块提供诊断报告;
维护建议模块:根据故障诊断结果,提供针对性的维护和优化建议;
用户交互界面:展示设备运行状态、故障诊断结果和维护建议。
2.根据权利要求1所述的一种基于大数据的瓦楞纸加工的设备运行诊断***,其特征在于,所述数据采集模块具体包括:
温度传感器:部署于瓦楞纸加工设备的热点区域,热点区域包括烘干段、加热辊,用于实时监测热点区域的温度条件;
速度传感器:安装在瓦楞纸加工线的输送带和辊轮上,用于测量纸张和设备部件的运动速度;
压力传感器:布置在对瓦楞纸加工过程中施加压力组件上,压力组件包括压辊和成型区,压力传感器设计用于实时监控加工过程中的压力水平,以确保瓦楞纸的成型质量和加工精度。
3.根据权利要求2所述的一种基于大数据的瓦楞纸加工的设备运行诊断***,其特征在于,所述深度学习模型采用改进的长短期记忆网络LSTM模型,引入环境感知门,增强模型对外部环境变化和设备操作条件变化的敏感度,所述改进的长短期记忆网络LSTM模型具体包括:
遗忘门:ft=σ(Wf·[ht-1,xt]+bf),控制上一状态信息Ct-1的遗忘程度;
输入门:it=σ(Wi·[ht-1,xt]+bi),控制当前输入的接收程度;
候选细胞状态:生成候选的细胞状态,包含新信息;
环境感知门:gt=σ(Wg·[ht-1,xt,et]+bg),根据环境和操作条件et调整信息的流动;
细胞状态更新:更新当前细胞状态,整合遗忘门、输入门和环境感知门的影响;
输出门:ot=σ(Wo·[ht-1,xt]+bo),控制从细胞状态Ct到最终输出ht的信息流动;
最终输出:ht=ot*tanh(Ct),根据输出门和当前细胞状态决定此时的输出;
其中;
xt:在时间t输入数据向量,即温度、速度、压力参数;
ht-1:上一时间步的输出向量,代表上一状态的信息;
Ct-1:上一时间步的细胞状态向量,储存长期信息;
et:在时间t的外部环境和操作条件向量,包括原材料属性以及环境温湿度;
ft,it,gt,ot:遗忘门、输入门、环境感知门和输出门在时间t的激活值;
时间t的候选细胞状态;
Ct:时间睹细胞状态向量,更新后的长期信息存储;
ht:时间t的输出向量,代表当前状态的信息,用于评估设备的当前运行状态,判断是否正常运行或存在性能偏差;
Wf,Wi,WC,Wg,Wo:分别为遗忘门、输入门、候选细胞状态、环境感知门和输出门的权重矩阵;
bf,bi,bC,bg,bo:分别为遗忘门、输入门、候选细胞状态、环境感知门和输出门的偏置向量;
σ:Sigmoid函数,用于门控制器的激活,将输入映射到0和1之间;
tanh:双曲正切函数,用于激活和输出,将输入映射到1和1之间。
4.根据权利要求3所述的一种基于大数据的瓦楞纸加工的设备运行诊断***,其特征在于,所述异常检测算法采用孤立森林算法进行异常检测,实时识别设备运行数据中的异常模式,具体包括:
构建孤立树:对于包含温度、速度以及压力特征的数据集中的每个样本,随机选择输入一个特征,然后在该特征的最大值和最小值之间随机选择一个切分点,递归地重复,直到每个样本被孤立,形成一棵孤立树,重复构建多棵孤立树,形成孤立森林;
计算异常得分:样本在孤立树中的路径长度用于计算异常得分,路径越短,样本越接近异常值;
异常判定:根据输出的异常得分,若样本的得分超过预定阈值,则被判定为异常。
5.根据权利要求4所述的一种基于大数据的瓦楞纸加工的设备运行诊断***,其特征在于,所述异常得分的计算公式为:
其中,s(x,n)是样本x的异常得分,E(h(x))是样本x在所有孤立树上的平均路径长度,n是样本数量,c(n)是数据集中样本数量为n时的平均未成功孤立的路径长度。
6.根据权利要求5所述的一种基于大数据的瓦楞纸加工的设备运行诊断***,其特征在于,所述大数据分析技术基于支持向量机SVM,支持向量机SVM具体包括:
将综合特征集融合成一个综合特征向量,对综合特征向量进行标准化或归一化处理,确保所有特征具有相似的尺度;
SVM模型训练:核函数选择RBF核,表示为:K(xi,xj)=exp(-γ||xi-xj||2),其中,xi和xj是两个特征向量,γ是RBF核的参数,控制映射后的特征空间的分布,设SVM的目标为找到超平面,最大化不同类别数据之间的间隔,基于二分类问题,计算公式为:
其中,w是超平面的法向量,b是偏置项,C是正则化参数,ξi是松弛变量,是将输入向量映射到高维空间的函数;
故障模式识别与分类:使用训练好的SVM模型对新的综合特征集进行分类,以识别设备的运行状态,SVM模型的决策函数用于分类决策,表达为:其中,αi是拉格朗日乘子,yi是训练样本的类别标签,K(xi,x)是核函数计算的结果,sgn(·)是符号函数,用于输出分类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410218965.1A CN117786373B (zh) | 2024-02-28 | 2024-02-28 | 一种基于大数据的瓦楞纸加工的设备运行诊断*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410218965.1A CN117786373B (zh) | 2024-02-28 | 2024-02-28 | 一种基于大数据的瓦楞纸加工的设备运行诊断*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117786373A CN117786373A (zh) | 2024-03-29 |
CN117786373B true CN117786373B (zh) | 2024-05-03 |
Family
ID=90385702
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410218965.1A Active CN117786373B (zh) | 2024-02-28 | 2024-02-28 | 一种基于大数据的瓦楞纸加工的设备运行诊断*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117786373B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118094107B (zh) * | 2024-04-08 | 2024-06-21 | 北京华力兴科技发展有限责任公司 | 异常数据检测方法及异常数据诊断器、射线测厚仪 |
CN118037280B (zh) * | 2024-04-12 | 2024-06-11 | 山东鑫林纸制品有限公司 | 一种瓦楞纸生产线维护与故障诊断*** |
CN118154174A (zh) * | 2024-05-11 | 2024-06-07 | 青岛研博数据信息技术有限公司 | 一种工业设备智慧运维云平台 |
CN118194150A (zh) * | 2024-05-13 | 2024-06-14 | 无锡冠亚恒温制冷技术有限公司 | 冷水机远程监控与故障预测*** |
CN118209830B (zh) * | 2024-05-14 | 2024-07-23 | 山东博通节能科技有限公司 | 一种电缆局放异常智能监测方法及*** |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111025149A (zh) * | 2019-12-13 | 2020-04-17 | 株洲三新包装技术有限公司 | 瓦楞纸印刷机故障自动诊断的***及方法 |
CN111201494A (zh) * | 2017-09-07 | 2020-05-26 | 弗斯伯股份公司 | 用于瓦楞板生产工厂的预测诊断方法 |
CN114880575A (zh) * | 2022-05-27 | 2022-08-09 | 清华大学深圳国际研究生院 | 用户行为预测方法、装置、设备、介质及产品 |
CN116717437A (zh) * | 2023-07-19 | 2023-09-08 | 西安热工研究院有限公司 | 一种风电机组故障监测方法及*** |
CN116861343A (zh) * | 2023-07-10 | 2023-10-10 | 广东德尔智慧科技股份有限公司 | 一种轴承故障诊断方法 |
CN117032165A (zh) * | 2023-08-08 | 2023-11-10 | 贵州理工学院 | 一种工业设备故障诊断方法 |
KR102618023B1 (ko) * | 2022-12-23 | 2023-12-27 | 앤츠이엔씨 주식회사 | 고장유형에 따른 패턴 분석을 통한 고장 예지 진단시스템 및 방법 |
CN117422935A (zh) * | 2023-12-13 | 2024-01-19 | 深圳市鑫思诚科技有限公司 | 摩托车故障非接触式诊断方法及*** |
CN117436004A (zh) * | 2023-12-20 | 2024-01-23 | 深圳市鸿明机电有限公司 | 电机性能实时监测***及方法 |
CN117457192A (zh) * | 2023-12-22 | 2024-01-26 | 深圳市健怡康医疗器械科技有限公司 | 智能远程诊断方法及*** |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20230214693A1 (en) * | 2021-12-31 | 2023-07-06 | Bmc Software, Inc. | Sequence prediction explanation using causal chain extraction based on neural network attributions |
-
2024
- 2024-02-28 CN CN202410218965.1A patent/CN117786373B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111201494A (zh) * | 2017-09-07 | 2020-05-26 | 弗斯伯股份公司 | 用于瓦楞板生产工厂的预测诊断方法 |
CN111025149A (zh) * | 2019-12-13 | 2020-04-17 | 株洲三新包装技术有限公司 | 瓦楞纸印刷机故障自动诊断的***及方法 |
CN114880575A (zh) * | 2022-05-27 | 2022-08-09 | 清华大学深圳国际研究生院 | 用户行为预测方法、装置、设备、介质及产品 |
KR102618023B1 (ko) * | 2022-12-23 | 2023-12-27 | 앤츠이엔씨 주식회사 | 고장유형에 따른 패턴 분석을 통한 고장 예지 진단시스템 및 방법 |
CN116861343A (zh) * | 2023-07-10 | 2023-10-10 | 广东德尔智慧科技股份有限公司 | 一种轴承故障诊断方法 |
CN116717437A (zh) * | 2023-07-19 | 2023-09-08 | 西安热工研究院有限公司 | 一种风电机组故障监测方法及*** |
CN117032165A (zh) * | 2023-08-08 | 2023-11-10 | 贵州理工学院 | 一种工业设备故障诊断方法 |
CN117422935A (zh) * | 2023-12-13 | 2024-01-19 | 深圳市鑫思诚科技有限公司 | 摩托车故障非接触式诊断方法及*** |
CN117436004A (zh) * | 2023-12-20 | 2024-01-23 | 深圳市鸿明机电有限公司 | 电机性能实时监测***及方法 |
CN117457192A (zh) * | 2023-12-22 | 2024-01-26 | 深圳市健怡康医疗器械科技有限公司 | 智能远程诊断方法及*** |
Non-Patent Citations (7)
Title |
---|
Multi-Variate, Recurrent Neural Network in a Short-Term Time-Series Substation Demand Forecasting;Ariel B. Suan等;2022 Saudi Arabia Smart Grid (SASG);20230810;全文 * |
从信息学的角度分析复杂网络链路预测;王慧;乐孜纯;龚轩;武玉坤;左浩;;小型微型计算机***;20200215(02);全文 * |
基于RNN-LSTM的磨矿***故障诊断技术;曲星宇;曾鹏;李俊鹏;;信息与控制;20190415(02);全文 * |
基于局部密度的加权一类支持向量机算法及其在涡轴发动机故障检测中的应用;黄功;赵永平;谢云龙;;计算机应用;20200331(03);全文 * |
基于注意力机制BiLSTM的设备智能故障诊断方法;王太勇;王廷虎;王鹏;乔卉卉;徐明达;;天津大学学报(自然科学与工程技术版);20200427(06);全文 * |
基于知识的单面瓦楞纸板机生产故障诊断***的研究;陈兴国;包装工程;19950815(04);全文 * |
数据融合算法在畜禽舍环境监测***中的应用;邵林;刘淑霞;霍晓静;赵晓顺;王辉;;农机化研究;20130801(08);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117786373A (zh) | 2024-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117786373B (zh) | 一种基于大数据的瓦楞纸加工的设备运行诊断*** | |
Kang et al. | Machine learning applications in production lines: A systematic literature review | |
Arena et al. | A novel decision support system for managing predictive maintenance strategies based on machine learning approaches | |
Ouadah et al. | Selecting an appropriate supervised machine learning algorithm for predictive maintenance | |
Kundu et al. | Multiple failure behaviors identification and remaining useful life prediction of ball bearings | |
US8732100B2 (en) | Method and apparatus for event detection permitting per event adjustment of false alarm rate | |
KR102618023B1 (ko) | 고장유형에 따른 패턴 분석을 통한 고장 예지 진단시스템 및 방법 | |
WO2002031613A2 (en) | System and method for monitoring process quality control | |
KR20190062739A (ko) | 복수의 센서를 활용하여 제조 공정상의 장비 고장을 예지하는 데이터 분석 방법, 알고리즘 및 장치 | |
EP3296822B1 (en) | Model-plant mismatch detection using model parameter data clustering for paper machines or other systems | |
Chen et al. | Predicting air compressor failures using long short term memory networks | |
US12007745B2 (en) | Apparatus for predicting equipment damage | |
Riazi et al. | Detecting the onset of machine failure using anomaly detection methods | |
da Silva Arantes et al. | A novel unsupervised method for anomaly detection in time series based on statistical features for industrial predictive maintenance | |
KR20220062547A (ko) | 센서 애그나스틱 기계적 기계 결함 식별 | |
EP4033321B1 (en) | System and method for performance and health monitoring to optimize operation of a pulverizer mill | |
Becherer et al. | Intelligent choice of machine learning methods for predictive maintenance of intelligent machines | |
CN116705272A (zh) | 基于多维诊断的设备健康状态综合评价方法 | |
Selvaraj et al. | Real-time fault identification system for a retrofitted ultra-precision CNC machine from equipment's power consumption data: a case study of an implementation | |
Lee et al. | Intelligent factory agents with predictive analytics for asset management | |
Efeoğlu et al. | Machine learning for predictive maintenance: support vector machines and different kernel functions | |
US20240126244A1 (en) | Information Processing Method, Information Processing Apparatus, Molding Machine System and Non-Transitory Computer Readable Recording Medium | |
Jang et al. | Anomaly detection of 2.4 l diesel engine using one-class svm with variational autoencoder | |
KR102334590B1 (ko) | 인공신경망을 이용한 제조기계 고장판별예측 시스템 | |
Husain et al. | Predictive maintenance of single phase ac motor using iot sensor data and machine learning (simple linear regression and multiple linear regression algorithms) |
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 |