CN117851956B - 基于数据分析的机电设备故障诊断方法、***及终端 - Google Patents
基于数据分析的机电设备故障诊断方法、***及终端 Download PDFInfo
- Publication number
- CN117851956B CN117851956B CN202410256826.8A CN202410256826A CN117851956B CN 117851956 B CN117851956 B CN 117851956B CN 202410256826 A CN202410256826 A CN 202410256826A CN 117851956 B CN117851956 B CN 117851956B
- Authority
- CN
- China
- Prior art keywords
- time
- maintenance
- electromechanical
- vibration
- electromechanical equipment
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 24
- 238000007405 data analysis Methods 0.000 title claims abstract description 19
- 238000000034 method Methods 0.000 title claims abstract description 16
- 238000012423 maintenance Methods 0.000 claims abstract description 131
- 238000012545 processing Methods 0.000 claims abstract description 23
- 230000006378 damage Effects 0.000 claims description 17
- 238000010606 normalization Methods 0.000 claims description 15
- 238000004519 manufacturing process Methods 0.000 claims description 10
- 238000012790 confirmation Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 2
- 230000002159 abnormal effect Effects 0.000 abstract description 4
- 238000001514 detection method Methods 0.000 abstract description 3
- 238000004364 calculation method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了基于数据分析的机电设备故障诊断方法、***及终端,涉及机电设备故障诊断技术领域,包括如下步骤:依据设备维修记录获取机电设备每次维修时间,计算获得维修时间变化率Bwx,并进一步计算获得预估维修时间Gw;采集机电设备的振动信号,分析正常运作振动信号和待测振动信号获得振动异常系数Zy;获取各个部件的每次损坏使用时长、开始使用时间和实时时间Sj,计算获得各个零件的故障指数。在减少不必要的检测和数据处理的同时,可以在设备出现明显故障之前检测到异常情况,精准定位到异常零件,防止故障扩大或造成更严重的后果。
Description
技术领域
本发明涉及机电设备故障诊断技术领域,具体为基于数据分析的机电设备故障诊断方法、***及终端。
背景技术
随着工业技术的快速发展,机电设备在众多领域中扮演着越来越重要的角色。这些设备的稳定运行对于保证生产线的连续性和生产效率至关重要。然而,由于设备长时间运行、维护不当或环境因素等多种原因,机电设备可能会出现各种故障。因此,开发高效、准确的故障诊断方法对于减少设备停机时间、降低维修成本和提高生产效率具有重要意义。
在申请公布号为CN115840915A的中国发明申请中,公开了机电设备故障的自动识别方法、***、终端及存储介质,包括当机电设备发生故障时,获取机电设备的实际故障现象;获取预设的方案数据库,包括理论故障现象、故障元器件以及故障原因;获取预设的原因概率表,包括故障元器件,以及故障元器件对应的每个故障原因的发生概率值;将实际故障现象与理论故障现象进行匹配,并获得相应的故障元器件,作为预测故障元器件;获取预测故障元器件对应的故障原因,作为预测原因;基于原因概率表对预测原因进行排序,并获得排序原因。
在以上发明申请中,在设备发生故障时,能够及时对设备的故障进行检修和排除,尽可能保证设备能够及时进行正常工作,但是在设备故障后再去进行故障排除,依旧会导致设备停机,从而影响生产计划的执行,并且某些设备故障可能涉及安全风险,例如,机械故障可能导致操作员受伤,如果故障后不及时排除,会增加安全事故发生的概率。
为此,本发明提供了基于数据分析的机电设备故障诊断方法、***及终端。
发明内容
针对现有技术的不足,本发明提供了基于数据分析的机电设备故障诊断方法、***及终端,本发明通过层层分析,在减少不必要的检测和数据处理的同时,可以在设备出现明显故障之前检测到异常情况,精准定位到异常零件,防止故障扩大或造成更严重的后果。可以显著减少设备突然停机导致的生产中断,并避免紧急维修的需求,从而解决了背景技术中记载的技术问题。
为实现以上目的,本发明通过以下技术方案予以实现:基于数据分析的机电设备故障诊断方法,包括如下步骤:
依据设备维修记录获取机电设备每次维修时间,计算获得维修时间变化率Bwx,并进一步计算获得预估维修时间Gw,当预估维修时间Gw大于预设的第一阈值时,向外发出第一机电设备维修预警;
当接收到第一机电设备维修预警时,采集机电设备的振动信号,分析正常运作振动信号和待测振动信号获得振动异常系数Zy,当振动异常系数Zy大于1.2时,向外发出第二机电维修预警,/>表示所有振动异常系数Zy的平均值;
当接收到第二机电维修预警时,获取各个部件的每次损坏使用时长、开始使用时间/>和实时时间Sj,计算获得各个零件的故障指数/>,并向外发出与零件编号对应的零件故障警告。
进一步地,依据设备维修记录获取机电设备每次维修时间,进行线性归一化处理后,计算获得维修时间变化率Bwx:
;
其中,i表示每次维修时间的时间顺序编号,,当/>时,/>。
进一步地,依据设备使用记录获取机电设备生产出厂时间、开始使用时间/>、实际运行时长/>及实时时间Sj,分别分析其与维修时间变化率/>的相关系数,获得维修相关系数/>、/>及/>:
;
其中,j表示所有机电设备的顺序编号,,n为正整数;/>中c表示机电设备生产出厂时间,同理s表示开始使用时间/>,y表示实际运行时长;/>表示所有机电设备维修时间变化率/>的平均值。
进一步地,获取机电设备维修时间、实时时间/>、维修时间变化率Bwx和维修相关系数/>、/>及/>,进行线性归一化处理后,计算获得预估维修时间Gw:
;
当预估维修时间Gw>Sj-100时,向外发出第一机电设备维修预警。
进一步地,当接收到第一机电设备维修预警时,通过振动传感器采集机电设备的振动信号,获取机电设备正常运作振动信号和待测振动信号,使用傅里叶变换将时域信号转换为频域信号,将频率范围分成N个等份,每个等份的宽度为,获取每个频率等份内正常运作振动信号和待测振动信号在该频率下的幅值/>和/>,以及该频率等份内频率点的数量/>和/>。
进一步地,获取每个频率等份内正常运作振动信号和待测振动信号在该频率下的幅值和/>,以及该频率等份内频率点的数量/>和/>,进行线性归一化处理后,计算获得振动异常系数Zy:
;
其中,k表示每个频率等份对应的顺序编号, ,a为正整数;
进一步地,当振动异常系数Zy大于1.2时,向外发出第二机电维修预警,/>表示所有振动异常系数Zy的平均值。
进一步地,获取各个部件的每次损坏使用时长,进行线性归一化处理后,计算获得各个部件的损坏时间变化率/>:
;
其中,表示机电设备各个部件的顺序编号,x表示部件每次损坏使用时长的顺序编号,/>,当/>时,/>。
进一步地,获取当前机电设备各个部件的开始使用时间、实时时间Sj及各个部件的损坏时间变化率/>,进行线性归一化处理后,计算获得各个零件的故障指数/>:
;
当零件的故障指数大于0.8时,表示该零件故障的可能性高,向外发出与零件编号对应的零件故障警告。
基于数据分析的机电设备故障诊断***,包括:
初步维修预估模块,依据设备维修记录获取机电设备每次维修时间,计算获得维修时间变化率Bwx,并进一步计算获得预估维修时间Gw,当预估维修时间Gw大于预设的第一阈值时,向外发出第一机电设备维修预警;
维修确认模块,当接收到第一机电设备维修预警时,采集机电设备的振动信号,分析正常运作振动信号和待测振动信号获得振动异常系数Zy,当振动异常系数Zy大于1.2时,向外发出第二机电维修预警,/>表示所有振动异常系数Zy的平均值;
零件确认模块,当接收到第二机电维修预警时,获取各个部件的每次损坏使用时长、开始使用时间/>和实时时间Sj,计算获得各个零件的故障指数/>,并向外发出与零件编号对应的零件故障警告。
基于数据分析的机电设备故障诊断终端,至少包括收发单元、处理单元、存储单元及数据接口。
本发明提供了基于数据分析的机电设备故障诊断方法、***及终端,具备以下有益效果:
1、依据设备维修记录获取机电设备每次维修时间,计算获得维修时间变化率Bwx,并进一步计算获得预估维修时间Gw,当预估维修时间Gw大于预设的第一阈值时,向外发出第一机电设备维修预警,可以减少不必要的检测和数据处理,减少存储和处理数据所需的硬件和软件成本。
2、当接收到第一机电设备维修预警时,采集机电设备的振动信号,分析正常运作振动信号和待测振动信号获得振动异常系数Zy,当振动异常系数Zy大于1.2时,向外发出第二机电维修预警,通过及时检测和分析振动信号,可以在设备出现明显故障之前检测到异常情况,防止故障扩大或造成更严重的后果。
3、当接收到第二机电维修预警时,获取各个部件的每次损坏使用时长、开始使用时间/>和实时时间Sj,计算获得各个零件的故障指数/>,并向外发出与零件编号对应的零件故障警告,可以精准定位到具体的故障部件,这有助于快速准确地找到故障源,避免了对整个设备进行拆解和全面检查,提高了维修效率。
附图说明
图1为本发明基于数据分析的机电设备故障诊断方法的流程示意图;
图2为本发明基于数据分析的机电设备故障诊断***的结构示意图;
图3为本发明基于数据分析的机电设备故障诊断终端的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1,本发明提供基于数据分析的机电设备故障诊断方法,包括如下步骤:
技术问题:设备的材料可能因老化、腐蚀、疲劳等因素而失效,导致设备部件损坏,从而引发故障;
步骤一、依据设备维修记录获取机电设备每次维修时间,计算获得维修时间变化率Bwx,并进一步计算获得预估维修时间Gw,当预估维修时间Gw大于预设的第一阈值时,向外发出第一机电设备维修预警。
所述步骤一包括如下内容:
步骤101、依据设备维修记录获取机电设备每次维修时间,进行线性归一化处理后,计算获得维修时间变化率Bwx:
;
其中,i表示每次维修时间的时间顺序编号,,当/>时,/>。
步骤102、依据设备使用记录获取机电设备生产出厂时间、开始使用时间/>、实际运行时长/>及实时时间Sj,分别分析其与维修时间变化率/>的相关系数,获得维修相关系数/>、/>及/>:
;
其中,j表示所有机电设备的顺序编号,,n为正整数;/>中c表示机电设备生产出厂时间,同理s表示开始使用时间/>,y表示实际运行时长;/>表示所有机电设备维修时间变化率/>的平均值。
步骤103、获取机电设备维修时间、实时时间/>、维修时间变化率Bwx和维修相关系数/>、/>及/>,进行线性归一化处理后,计算获得预估维修时间Gw:
;
当预估维修时间(即第一阈值)时,向外发出第一机电设备维修预警,其中时间单位为小时。
使用时,结合步骤101至103中的内容:
依据设备维修记录获取机电设备每次维修时间,计算获得维修时间变化率Bwx,并进一步计算获得预估维修时间Gw,当预估维修时间Gw大于预设的第一阈值时,向外发出第一机电设备维修预警,可以减少不必要的检测和数据处理,减少存储和处理数据所需的硬件和软件成本。
步骤二、当接收到第一机电设备维修预警时,采集机电设备的振动信号,分析正常运作振动信号和待测振动信号获得振动异常系数Zy,当振动异常系数Zy大于1.2时,向外发出第二机电维修预警,/>表示所有振动异常系数Zy的平均值。
所述步骤二包括如下内容:
步骤201、当接收到第一机电设备维修预警时,通过振动传感器采集机电设备的振动信号,获取机电设备正常运作振动信号和待测振动信号,使用傅里叶变换将时域信号转换为频域信号,将频率范围分成N个等份,每个等份的宽度为,获取每个频率等份内正常运作振动信号和待测振动信号在该频率下的幅值/>和/>,以及该频率等份内频率点的数量和/>。
步骤202、获取每个频率等份内正常运作振动信号和待测振动信号在该频率下的幅值和/>,以及该频率等份内频率点的数量/>和/>,进行线性归一化处理后,计算获得振动异常系数Zy:
;
其中,k表示每个频率等份对应的顺序编号, ,a为正整数。
当振动异常系数Zy大于1.2时,向外发出第二机电维修预警,/>表示所有振动异常系数Zy的平均值。
使用时,结合步骤201及202中的内容:
当接收到第一机电设备维修预警时,采集机电设备的振动信号,分析正常运作振动信号和待测振动信号获得振动异常系数Zy,当振动异常系数Zy大于1.2时,向外发出第二机电维修预警,通过及时检测和分析振动信号,可以在设备出现明显故障之前检测到异常情况,防止故障扩大或造成更严重的后果。
步骤三、当接收到第二机电维修预警时,获取各个部件的每次损坏使用时长、开始使用时间/>和实时时间Sj,计算获得各个零件的故障指数/>,并向外发出与零件编号对应的零件故障警告。
所述步骤三包括如下内容:
步骤301、获取各个部件的每次损坏使用时长,进行线性归一化处理后,计算获得各个部件的损坏时间变化率/>:
;
其中,表示机电设备各个部件的顺序编号,x表示部件每次损坏使用时长的顺序编号,/>,当/>时,/>。
步骤302、获取当前机电设备各个部件的开始使用时间、实时时间Sj及各个部件的损坏时间变化率/>,进行线性归一化处理后,计算获得各个零件的故障指数/>:
;
当零件的故障指数大于0.8时,表示该零件故障的可能性高,向外发出与零件编号对应的零件故障警告。
使用时,结合步骤301及302中的内容:
当接收到第二机电维修预警时,获取各个部件的每次损坏使用时长、开始使用时间/>和实时时间Sj,计算获得各个零件的故障指数/>,并向外发出与零件编号对应的零件故障警告,可以精准定位到具体的故障部件,这有助于快速准确地找到故障源,避免了对整个设备进行拆解和全面检查,提高了维修效率。
请参阅图2,本发明提供基于数据分析的机电设备故障诊断***,包括:
初步维修预估模块,依据设备维修记录获取机电设备每次维修时间,计算获得维修时间变化率Bwx,并进一步计算获得预估维修时间Gw,当预估维修时间Gw大于预设的第一阈值时,向外发出第一机电设备维修预警。
维修确认模块,当接收到第一机电设备维修预警时,采集机电设备的振动信号,分析正常运作振动信号和待测振动信号获得振动异常系数Zy,当振动异常系数Zy大于1.2时,向外发出第二机电维修预警,/>表示所有振动异常系数Zy的平均值。
零件确认模块,当接收到第二机电维修预警时,获取各个部件的每次损坏使用时长、开始使用时间/>和实时时间Sj,计算获得各个零件的故障指数/>,并向外发出与零件编号对应的零件故障警告。
请参阅图3,本发明提供基于数据分析的机电设备故障诊断终端,至少包括收发单元、处理单元、存储单元及数据接口等。
上述实施例,可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时,上述实施例可以全部或部分地以计算机程序产品的形式实现。本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。
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。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。
Claims (3)
1.基于数据分析的机电设备故障诊断方法,其特征在于:包括如下步骤:
依据设备维修记录获取机电设备每次维修时间,计算获得维修时间变化率Bwx,并进一步计算获得预估维修时间Gw,当预估维修时间Gw大于预设的第一阈值时,向外发出第一机电设备维修预警;
依据设备维修记录获取机电设备每次维修时间,进行线性归一化处理后,计算获得维修时间变化率Bwx:
;
其中,i表示每次维修时间的时间顺序编号,,当/>时,/>;
依据设备使用记录获取机电设备生产出厂时间、设备开始使用时间/>、实际运行时长/>及实时时间Sj,分别分析其与各个机电设备维修时间变化率/>的相关系数,获得维修相关系数/>、/>及/>,方式如下:
;
其中,j表示所有机电设备的顺序编号,,n为正整数;/>中c表示机电设备生产出厂时间,/>中s表示设备开始使用时间/>,/>中y表示实际运行时长;/>表示所有机电设备维修时间变化率/>的平均值;
获取机电设备每次维修时间、实时时间/>、维修时间变化率Bwx和维修相关系数/>、/>及/>,进行线性归一化处理后,计算获得预估维修时间Gw:
;
当预估维修时间时,向外发出第一机电设备维修预警;
当接收到第一机电设备维修预警时,采集机电设备的振动信号,分析正常运作振动信号和待测振动信号获得振动异常系数Zy,当振动异常系数Zy大于1.2时,向外发出第二机电维修预警,/>表示所有振动异常系数Zy的平均值;
当接收到第一机电设备维修预警时,通过振动传感器采集机电设备的振动信号,获取机电设备正常运作振动信号和待测振动信号,使用傅里叶变换将时域信号转换为频域信号,将频率范围分成N个等份,每个等份的宽度为,获取每个频率等份内正常运作振动信号和待测振动信号在该频率下的幅值/>和/>,以及该频率等份内频率点的数量/>和/>;
获取每个频率等份内正常运作振动信号和待测振动信号在该频率下的幅值和/>,以及该频率等份内频率点的数量/>和/>,进行线性归一化处理后,计算获得振动异常系数Zy:
;
其中,k表示每个频率等份对应的顺序编号, ,a为正整数;
当接收到第二机电维修预警时,获取各个部件的每次损坏使用时长、部件开始使用时间/>和实时时间Sj,计算获得各个零件的故障指数/>,并向外发出与零件编号对应的零件故障警告;
获取各个部件的每次损坏使用时长,进行线性归一化处理后,计算获得各个部件的损坏时间变化率/>:
;
其中,表示机电设备各个部件的顺序编号,x表示部件每次损坏使用时长的顺序编号,,当/>时,/>;
获取当前机电设备各个部件的开始使用时间、实时时间Sj及各个部件的损坏时间变化率/>,进行线性归一化处理后,计算获得各个零件的故障指数/>:
;
当零件的故障指数大于0.8时,向外发出与零件编号对应的零件故障警告。
2.基于数据分析的机电设备故障诊断***,用于实现权利要求1中所述方法,其特征在于:包括:
初步维修预估模块,依据设备维修记录获取机电设备每次维修时间,计算获得维修时间变化率Bwx,并进一步计算获得预估维修时间Gw,当预估维修时间Gw大于预设的第一阈值时,向外发出第一机电设备维修预警;
维修确认模块,当接收到第一机电设备维修预警时,采集机电设备的振动信号,分析正常运作振动信号和待测振动信号获得振动异常系数Zy,当振动异常系数Zy大于1.2时,向外发出第二机电维修预警,/>表示所有振动异常系数Zy的平均值;
零件确认模块,当接收到第二机电维修预警时,获取各个部件的每次损坏使用时长、部件开始使用时间/>和实时时间Sj,计算获得各个零件的故障指数/>,并向外发出与零件编号对应的零件故障警告。
3.基于数据分析的机电设备故障诊断终端,用于执行权利要求1中所述方法,其特征在于:至少包括收发单元、处理单元、存储单元及数据接口。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410256826.8A CN117851956B (zh) | 2024-03-07 | 2024-03-07 | 基于数据分析的机电设备故障诊断方法、***及终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410256826.8A CN117851956B (zh) | 2024-03-07 | 2024-03-07 | 基于数据分析的机电设备故障诊断方法、***及终端 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117851956A CN117851956A (zh) | 2024-04-09 |
CN117851956B true CN117851956B (zh) | 2024-05-10 |
Family
ID=90536306
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410256826.8A Active CN117851956B (zh) | 2024-03-07 | 2024-03-07 | 基于数据分析的机电设备故障诊断方法、***及终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117851956B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112232569A (zh) * | 2020-10-19 | 2021-01-15 | 苏州容思恒辉智能科技有限公司 | 一种机械设备故障预警方法、***及可读存储介质 |
CN114687930A (zh) * | 2022-03-18 | 2022-07-01 | 明阳智慧能源集团股份公司 | 一种风电机组故障预警闭环管控***及方法 |
KR20220102364A (ko) * | 2021-01-13 | 2022-07-20 | 텔스타홈멜 주식회사 | 진동 센서를 통한 설비 예지 보전 시스템 |
CN115931409A (zh) * | 2022-12-05 | 2023-04-07 | 老肯医疗科技股份有限公司 | 一种加热***故障预警方法及*** |
KR20230099467A (ko) * | 2021-12-27 | 2023-07-04 | (주)이투지 | 인공지능을 활용한 태양광 모듈 고장 진단 및 예측 시스템 |
CN117113104A (zh) * | 2023-09-13 | 2023-11-24 | 哈尔滨茂森软件有限公司 | 一种应用数据分析技术的智能化管理***及方法 |
CN117217630A (zh) * | 2023-08-02 | 2023-12-12 | 中海石油气电集团有限责任公司 | 一种用于智能电厂的设备可靠性维护方法及*** |
CN117275512A (zh) * | 2023-11-17 | 2023-12-22 | 国网吉林省电力有限公司长春供电公司 | 一种基于声纹识别的开关柜状态在线监测方法及*** |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11898705B2 (en) * | 2018-10-18 | 2024-02-13 | Aquarius Spectrum Ltd. | System and method for mechanical failure classification, condition assessment and remediation recommendation |
-
2024
- 2024-03-07 CN CN202410256826.8A patent/CN117851956B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112232569A (zh) * | 2020-10-19 | 2021-01-15 | 苏州容思恒辉智能科技有限公司 | 一种机械设备故障预警方法、***及可读存储介质 |
KR20220102364A (ko) * | 2021-01-13 | 2022-07-20 | 텔스타홈멜 주식회사 | 진동 센서를 통한 설비 예지 보전 시스템 |
KR20230099467A (ko) * | 2021-12-27 | 2023-07-04 | (주)이투지 | 인공지능을 활용한 태양광 모듈 고장 진단 및 예측 시스템 |
CN114687930A (zh) * | 2022-03-18 | 2022-07-01 | 明阳智慧能源集团股份公司 | 一种风电机组故障预警闭环管控***及方法 |
CN115931409A (zh) * | 2022-12-05 | 2023-04-07 | 老肯医疗科技股份有限公司 | 一种加热***故障预警方法及*** |
CN117217630A (zh) * | 2023-08-02 | 2023-12-12 | 中海石油气电集团有限责任公司 | 一种用于智能电厂的设备可靠性维护方法及*** |
CN117113104A (zh) * | 2023-09-13 | 2023-11-24 | 哈尔滨茂森软件有限公司 | 一种应用数据分析技术的智能化管理***及方法 |
CN117275512A (zh) * | 2023-11-17 | 2023-12-22 | 国网吉林省电力有限公司长春供电公司 | 一种基于声纹识别的开关柜状态在线监测方法及*** |
Non-Patent Citations (2)
Title |
---|
大型动力煤选煤厂设备维修管理制度探讨;杨彦斌;;煤炭加工与综合利用;20170925(第S1期);全文 * |
大型风机的网络化在线监测与诊断;马庆涛;;冶金管理;20060925(第09期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117851956A (zh) | 2024-04-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210241544A1 (en) | Platform for analyzing health of heavy electric machine and analysis method using the same | |
CN107831422B (zh) | 一种gis设备局部放电诊断方法及*** | |
CN115425764B (zh) | 一种电力***智能网络风险实时监控方法、***及存储介质 | |
Judd et al. | Intelligent condition monitoring and asset management. Partial discharge monitoring for power transformers | |
US9443201B2 (en) | Systems and methods for learning of normal sensor signatures, condition monitoring and diagnosis | |
CN103792087B (zh) | 并联试车故障监测与诊断方法 | |
CN109469896B (zh) | 一种基于时间序列分析工业锅炉故障的诊断方法及*** | |
CN108154166A (zh) | 一种风机智能故障诊断***及方法 | |
WO2015121176A1 (en) | Method of identifying anomalies | |
CN112905371B (zh) | 基于异构多源数据异常检测的软件变更检查方法和装置 | |
CN109991956B (zh) | 一种液体火箭发动机稳态故障预测方法 | |
CN113723627A (zh) | 设备检修策略的确定方法、装置、设备以及存储介质 | |
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 | |
US11099219B2 (en) | Estimating the remaining useful life of a power transformer based on real-time sensor data and periodic dissolved gas analyses | |
JP4056032B2 (ja) | プラント機器管理装置 | |
CN112983570B (zh) | 基于相关性的汽轮机轴承温度高跳机征兆捕捉方法及装置 | |
CN117851956B (zh) | 基于数据分析的机电设备故障诊断方法、***及终端 | |
CN109541350A (zh) | 基于自适应多元累积和控制图的变压器状态评价方法 | |
CN117221145A (zh) | 基于物联网平台的设备故障预测性维护*** | |
CN117331790A (zh) | 一种用于数据中心的机房故障检测方法及装置 | |
CN116126574A (zh) | 一种***故障诊断方法、装置、设备及存储介质 | |
CN115468648A (zh) | 安装状态检测方法、装置及计算机可读存储介质 | |
CN114837902A (zh) | 一种风电机组健康度评估方法、***、设备和介质 | |
CN113037550B (zh) | 一种服务故障监控方法、***及计算机可读存储介质 | |
EP4187340A1 (en) | A method and system for monitoring a device |
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 |