CN111056395B - 一种基于多点压力传感器的抱闸故障诊断方法 - Google Patents
一种基于多点压力传感器的抱闸故障诊断方法 Download PDFInfo
- Publication number
- CN111056395B CN111056395B CN201911353305.XA CN201911353305A CN111056395B CN 111056395 B CN111056395 B CN 111056395B CN 201911353305 A CN201911353305 A CN 201911353305A CN 111056395 B CN111056395 B CN 111056395B
- Authority
- CN
- China
- Prior art keywords
- layer
- signal
- pressure sensor
- band
- data
- 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
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B66—HOISTING; LIFTING; HAULING
- B66B—ELEVATORS; ESCALATORS OR MOVING WALKWAYS
- B66B5/00—Applications of checking, fault-correcting, or safety devices in elevators
- B66B5/0087—Devices facilitating maintenance, repair or inspection tasks
- B66B5/0093—Testing of safety devices
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B66—HOISTING; LIFTING; HAULING
- B66B—ELEVATORS; ESCALATORS OR MOVING WALKWAYS
- B66B5/00—Applications of checking, fault-correcting, or safety devices in elevators
- B66B5/0006—Monitoring devices or performance analysers
- B66B5/0018—Devices monitoring the operating condition of the elevator system
- B66B5/0031—Devices monitoring the operating condition of the elevator system for safety reasons
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B66—HOISTING; LIFTING; HAULING
- B66B—ELEVATORS; ESCALATORS OR MOVING WALKWAYS
- B66B5/00—Applications of checking, fault-correcting, or safety devices in elevators
- B66B5/0006—Monitoring devices or performance analysers
- B66B5/0037—Performance analysers
Landscapes
- Force Measurement Appropriate To Specific Purposes (AREA)
Abstract
本发明提供一种的基于多点压力传感器的抱闸故障诊断方法,属于封装外壳技术领域。该的基于多点压力传感器的抱闸故障诊断方法S1:获取第一信号数据;S2:对信号预测模型进行训练;S3:对第一信号数据进行分类。本发明对于给定任意一组待识别的闸瓦信号,输入到训练好的信号预测模型中,提取样本的深度学习特征,通过两次训练的方法来有效的判别该组信号属于正常状态或者故障状态,这样可以从分类的情况了解抱闸制动器压力的状态,可以实时直观展现抱闸闸瓦的受力分布情况,可实现抱闸装置运行状态的实时监测。
Description
技术领域
本发明属于抱闸故障诊断技术领域,涉及一种基于多点压力传感器的抱闸故障诊断方法。
背景技术
抱闸制动装置广泛应用于工业、民用曳引式电梯,由于抱闸装置故障导致的工业损失和人身安全问题的事故时有发生,制动器的整体性能随着工作次数的累加是不断变化的,国内制动器大都未对其动态特性和故障机理进行深入的研究,因而缺乏有效的抱闸装置故障诊断系统,仅仅依靠维保人员定期检查是无法从根本上保证其可靠运行的。这种常规的定期检查方式体现出以下不足之处:1)对维修工人要求高,需要进行长时间的培训和长期的经验积累;2)经济效益差,未能及时发现抱闸故障带来的工业损失是巨大的; 4)安全系数低,故障发生时容易造成人员伤亡。因此,根据制动器的动态特性和故障机理进行深入的研究,并在此基础上建立的抱闸故障诊断方法,对于提升曳引式电梯安全等级、缩短维修时间和减少维保投入具有重要的意义。
发明内容
本发明针对现有的技术存在的上述问题,提供一种基于多点压力传感器的抱闸故障诊断方法,本发明所要解决的技术问题是:如何提供一种基于多点压力传感器的抱闸故障诊断方法。
本发明的目的可通过下列技术方案来实现:
一种基于多点压力传感器的抱闸故障诊断方法,包括如下步骤:
S1:通过多点压力传感器检测抱闸制动器的压力以获取包括抱闸制动器压力值的第一信号数据;
S2:建立基于LeNet-5神经网络的信号预测模型并对信号预测模型进行训练;
S3:通过训练后的信号预测模型对第一信号数据进行分类。
优选的,步骤S1通过4*6的24点压力传感器收集第一信号数据,所述第一信号数据包括抱闸制动器左边闸瓦的左闸瓦传感器信号和抱闸制动器右边闸瓦的右闸瓦传感器信号,所述第一信号数据按照正常状态和故障状态进行分类。
优选的,步骤S1中包括对第一信号数据进行预处理,将多个4*6信号合并,通过用48组信号合成48*48的信号矩阵,其中一组信号包括左闸瓦传感器信号和右闸瓦传感器信号。
优选的,所述信号预测模型包括七层;第一层为输入层,第一层为原始的信号数据,第一层的图片大小为48*48*1、channel为1;第二层为卷积层,第二层的输入为输出层的输出,第二层的过滤器尺寸为5*5、深度为32,第二层使用全0填充,第二层的输出矩阵大小为48*48*32;第三层为池化层,第三层的输入为第二层输出的48*48*32的节点矩阵,第三层的过滤器尺寸大小为2*2、长和宽的步长均为2,第三层的输出矩阵大小为24*24*32;第四层为卷积层,第四层的输入为第三层的输出,第四层的过滤器尺寸为5*5、深度为64,第四层使用全0填充,第四层的输出矩阵大小为24*24*64;第五层为池化层,第五层的输入为第四层输出的24*24*64的节点矩阵,第五层的过滤器大小为2*2、长和宽的步长均为2,第五层的输出矩阵大小为12*12*64;第六层为全连接层,第六层的输入为第五层的输出,第六层输入节点个数为12*12*64,第六层输入节点个数为9216个,第六层输出节点个数为512个;第七层为全连接层,第七层输入节点个数为512个,第七层输出节点个数为4个。
优选的,所述信号预测模型的训练过程包括:输入训练样本集;提取信号特征进行分类训练;其中训练样本集和测试样本集的大小均为48*48像素。
优选的,所述压力传感器为柔性薄膜阵列压力传感器,步骤S1中柔性薄膜阵列压力传感器获取第一信号数据后将第一信号数据发送至传感器信号调理装置,所述传感器信号调理装置在柔性薄膜阵列压力传感器进行多路信号采集后将第一信号数据转换为第一转换数据,控制器将第一转换数据发送至内置有基于LeNet-5神经网络的信号预测模型的测量信号处理分析系统,测量信号处理分析系统通过预设数据对信号预测模型进行训练,测量信号处理分析系统通过训练后的信号预测模型对第一转换数据进行分类。
优选的,还包括用以检测抱闸制动器的第一测试数据的压力测试机,所述控制器将第一测试数据和第一信号数据进行比较以获取第一测试数据和第一信号数据之间的差值,如果差值大于预设值则控制器反馈“误差较大”信号,如果差值小于或者等于预设值则控制器反馈“合格”信号。
优选的,还包括用以通过单元力检测算法检测压力传感器的检测数据的检测电路,所述单元力检测算法包括:所述柔性薄膜压力传感器的AI量程设置为0~5VDC,还包括用以存储所述柔性薄膜压力传感器检测的第一信号数据的MODBUS寄存器,所述MODBUS寄存器读数为0~50000,所述柔性薄膜压力传感器检测的抱闸制动器单元压力为Fs,Fs=C/( RH*VI/( V+ - VI))-F0,其中VI=(AI/50000)•V+,RH为可变电阻值,C为电导-压力转换系数,量纲为kg •S,F0为初始压力,V+为5VDC。
优选的,所述测量信号处理分析系统通过MODBUS协议与控制器交互获取实时测量数据,所述测量信号处理分析系统的HMI显示信号预测模型对第一信号数据的分类结果。
优选的,所述抱闸制动器的总制动力为F1,F1=,其中为传感器单元受力之和,Ar 为承压比,抱闸制动器在机构停止运行时的制动力矩为F2,Tb=2F2Rμ,其中Tb为静态制动力矩,R 为抱闸制动器的制动轮半径,μ为摩擦系数。
本发明首先通过多点压力传感器检测抱闸制动器的压力以获取包括抱闸制动器压力值的第一信号数据,然后建立基于LeNet-5神经网络的信号预测模型并对信号预测模型进行训练,最后通过训练后的信号预测模型对第一信号数据进行分类,对于给定任意一组待识别的闸瓦信号,输入到训练好的信号预测模型中,提取样本的深度学习特征,通过两次训练的方法来有效的判别该组信号属于正常状态或者故障状态,这样可以从分类的情况了解抱闸制动器压力的状态,可以实时直观展现抱闸闸瓦的受力分布情况,可实现抱闸装置运行状态的实时监测。
附图说明
图1是本发明中根据制动器制动衬垫受力分布设计的4*6压力传感器阵列布局的结构示意图;
图2是本发明中的柔性薄膜阵列压力传感器检测数据并发送至传感器信号调整装置、多路信号采集后发送至测量信号处理分析系统时的示意图;
图3是本发明中的检测电路的结构示意图;
图4是本发明中的检测电路通过单元力检测算法检测压力传感器的检测数据时的全量程测试的曲线变化图;
图5是本发明中的测量信号处理分析系统在模拟制动器工作状态时的重复等压验证测试的曲线变化图。
具体实施方式
以下是本发明的具体实施例并结合附图,对本发明的技术方案作进一步的描述,但本发明并不限于这些实施例。
请参阅图1、图2、图3、图4、图5,本实施例中的基于多点压力传感器的抱闸故障诊断方法,包括如下步骤:
S1:通过多点压力传感器检测抱闸制动器的压力以获取包括抱闸制动器压力值的第一信号数据;
S2:建立基于LeNet-5神经网络的信号预测模型并对信号预测模型进行训练;
S3:通过训练后的信号预测模型对第一信号数据进行分类,对于给定任意一组待识别的闸瓦信号,输入到训练好的深度学习模型中,提取样本的深度学习特征,通过两次训练的方法来有效的判别该组信号属于正常状态或者故障状态。
此处,首先通过多点压力传感器检测抱闸制动器的压力以获取包括抱闸制动器压力值的第一信号数据,然后建立基于LeNet-5神经网络的信号预测模型并对信号预测模型进行训练,最后通过训练后的信号预测模型对第一信号数据进行分类,对于给定任意一组待识别的闸瓦信号,输入到训练好的信号预测模型中,提取样本的深度学习特征,通过两次训练的方法来有效的判别该组信号属于正常状态或者故障状态,这样可以从分类的情况了解抱闸制动器压力的状态,可以实时直观展现抱闸闸瓦的受力分布情况,可实现抱闸装置运行状态的实时监测。
步骤S1通过4*6的24点压力传感器收集第一信号数据,第一信号数据包括抱闸制动器左边闸瓦的左闸瓦传感器信号和抱闸制动器右边闸瓦的右闸瓦传感器信号,第一信号数据按照正常状态和故障状态进行分类。
步骤S1中可以包括对第一信号数据进行预处理,将多个4*6信号合并,通过用48组信号合成48*48的信号矩阵,其中一组信号包括左闸瓦传感器信号和右闸瓦传感器信号。
信号预测模型可以包括七层;第一层为输入层,第一层为原始的信号数据,第一层的图片大小为48*48*1、channel为1;第二层为卷积层,第二层的输入为输出层的输出,第二层的过滤器尺寸为5*5、深度为32,第二层使用全0填充,第二层的输出矩阵大小为48*48*32;第三层为池化层,第三层的输入为第二层输出的48*48*32的节点矩阵,第三层的过滤器尺寸大小为2*2、长和宽的步长均为2,第三层的输出矩阵大小为24*24*32;第四层为卷积层,第四层的输入为第三层的输出,第四层的过滤器尺寸为5*5、深度为64,第四层使用全0填充,第四层的输出矩阵大小为24*24*64;第五层为池化层,第五层的输入为第四层输出的24*24*64的节点矩阵,第五层的过滤器大小为2*2、长和宽的步长均为2,第五层的输出矩阵大小为12*12*64;第六层为全连接层,第六层的输入为第五层的输出,第六层输入节点个数为12*12*64,第六层输入节点个数为9216个,第六层输出节点个数为512个;第七层为全连接层,第七层输入节点个数为512个,第七层输出节点个数为4个。
信号预测模型的训练过程可以包括:输入训练样本集;提取信号特征进行分类训练;其中训练样本集和测试样本集的大小均为48*48像素。
请参阅图2,压力传感器可以为柔性薄膜阵列压力传感器,步骤S1中柔性薄膜阵列压力传感器获取第一信号数据后将第一信号数据发送至传感器信号调理装置,传感器信号调理装置在柔性薄膜阵列压力传感器进行多路信号采集后将第一信号数据转换为第一转换数据,控制器将第一转换数据发送至内置有基于LeNet-5神经网络的信号预测模型的测量信号处理分析系统,测量信号处理分析系统通过预设数据对信号预测模型进行训练,测量信号处理分析系统通过训练后的信号预测模型对第一转换数据进行分类。
柔性薄膜阵列压力传感器由多个电阻式薄膜压力传感器单元构成,可以静态和动态地测试2 个表面之间与传感器平面垂直方向的力,本申请中将传感器置于制动器摩擦衬垫与制动闸瓦之间,以检测制动面受力大小及力的分布。传感器是采用双面聚酯基材上分别印刷银电极、力敏、绝缘、胶水,然后将上下2 层基材面对面封装起来,引出的电极上压接FPC接口器件,柔性印刷电路板,选用1.0mm间距26针脚。每个传感器单元可视为一个电阻,在静态(不施力,不弯曲)条件下,传感器的电阻很大(>1MΩ)。在传感器的有效面积上施加力之后会带来传感器电阻的对应减小,施力越大,电阻变得越小。薄膜传感器与测力计、应变仪等不同,通常能获的力的测量精度范围大概在±5%到±25%,现有传感器制造技术尚不能保证阵列中各传感器的一致性。本申请中结合依赖于施力系统的一致性及测量校正方法改善阵列单元的一致性:前者通过施力结构优化帮助吸收由于力的分布引入的误差加以解决施力系统的一致性问题;后者采用阵列可变电阻测量校正方法,使得阵列中每个检测单元的分压比一致。柔性薄膜压力传感器在承压时,压力值与器件的电导率有良好的正相关性。
单元量程是柔性薄膜阵列压力传感器重要选型参数,按以下步骤和方法计算:总压力(Kg)={[制动力矩(NM)/力臂(M)]/9.8}/μ,其中制动力矩取标称最大值,μ为制动衬垫摩擦系数,一般取0.35,制动衬垫单位面积压力(kg/cm2)=总压力(Kg)/制动衬垫面积,传感器敏感区可能承受的最大压力=制动衬垫单位面积压力(kg/cm2)*传感器单元设计尺寸(cm2),根据计算结果取量程标称值(kg)作为选型参数。
作为本实施例中的基于多点压力传感器的抱闸故障诊断方法还可以包括用以检测抱闸制动器的第一测试数据的压力测试机,控制器将第一测试数据和第一信号数据进行比较以获取第一测试数据和第一信号数据之间的差值,如果差值大于预设值则控制器反馈“误差较大”信号,如果差值小于或者等于预设值则控制器反馈“合格”信号,可以实时获取合格数据和误差较大数据。压力测试机测试压力传感器的示数是否准确。
请参阅图3,作为本实施例中的基于多点压力传感器的抱闸故障诊断方法还可以包括用以通过单元力检测算法检测压力传感器的检测数据的检测电路,单元力检测算法可以包括:柔性薄膜压力传感器的AI量程设置可以为0~5VDC,还可以包括用以存储柔性薄膜压力传感器检测的第一信号数据的MODBUS寄存器,MODBUS寄存器读数为0~50000,柔性薄膜压力传感器检测的抱闸制动器单元压力为Fs,Fs=C/( RH*VI/( V+ - VI))-F0,其中VI=(AI/50000) • V+,RH为可变电阻值,C为电导-压力转换系数,量纲为kg • S,F0为初始压力,V+为5VDC。柔性薄膜压力传感器在承压时,压力值与器件的电导率有良好的正相关性。传感器作为可变电阻,可以简单的采用电阻分压的方式,通过测试电压来计算出电阻的大小,也可以通过运算放大器的运算电路来计算传感器的实时电阻。系统标定时根据F0=C/( RH*VI0/(V+ - VI0))计算获取,用于消除传感器阵列安装时的形变和装配过程产生的初始压力。请参阅图4,将Fs=C/( RH*VI/( V+ - VI))-F0作为单元力检测算法,测试时模拟施加了约2kg的初始压力,单元力在算法的全量程验证测试结果如图4所示的曲线变化,测试结果显示算法设计符合预期。
测量信号处理分析系统可以通过MODBUS协议与控制器交互获取实时测量数据,测量信号处理分析系统的HMI显示信号预测模型对第一信号数据的分类结果。请参阅图5,测试时模拟施加了约2kg的初始压力,模拟制动器工作状态的重复等压验证测试结果如图5所示的曲线变化,测试结果说明柔性薄膜压力传感器具有良好的重复性。
制动器闭合时制动轮表面所受压力为抱闸制动器的总制动力,抱闸制动器的总制动力可以为F1,F1= ,其中为传感器单元受力之和,Ar 为承压比即传感器受力面积总和/摩擦衬片受力面积,抱闸制动器在制动过程结束机构停止运行时的制动力矩为F2,Tb=2F2Rμ,其中Tb为静态制动力矩,R为抱闸制动器的制动轮半径,μ为摩擦系数。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (6)
1.一种基于多点压力传感器的抱闸故障诊断方法,其特征在于,包括如下步骤:
S1:通过多点压力传感器检测抱闸制动器的压力以获取包括抱闸制动器压力值的第一信号数据;
S2:建立基于LeNet-5神经网络的信号预测模型并对信号预测模型进行训练;
S3:通过训练后的信号预测模型对第一信号数据进行分类;
步骤S1通过4*6的24点压力传感器收集第一信号数据,所述第一信号数据包括抱闸制动器左边闸瓦的左闸瓦传感器信号和抱闸制动器右边闸瓦的右闸瓦传感器信号,所述第一信号数据按照正常状态和故障状态进行分类;
步骤S1中包括对第一信号数据进行预处理,将多个4*6信号合并,通过用48组信号合成48*48的信号矩阵,其中一组信号包括左闸瓦传感器信号和右闸瓦传感器信号;
所述信号预测模型包括七层;第一层为输入层,第一层为原始的信号数据,第一层的图片大小为48*48*1、channel为1;第二层为卷积层,第二层的输入为输出层的输出,第二层的过滤器尺寸为5*5、深度为32,第二层使用全0填充,第二层的输出矩阵大小为48*48*32;第三层为池化层,第三层的输入为第二层输出的48*48*32的节点矩阵,第三层的过滤器尺寸大小为2*2、长和宽的步长均为2,第三层的输出矩阵大小为24*24*32;第四层为卷积层,第四层的输入为第三层的输出,第四层的过滤器尺寸为5*5、深度为64,第四层使用全0填充,第四层的输出矩阵大小为24*24*64;第五层为池化层,第五层的输入为第四层输出的24*24*64的节点矩阵,第五层的过滤器大小为2*2、长和宽的步长均为2,第五层的输出矩阵大小为12*12*64;第六层为全连接层,第六层的输入为第五层的输出,第六层输入节点个数为12*12*64,第六层输入节点个数为9216个,第六层输出节点个数为512个;第七层为全连接层,第七层输入节点个数为512个,第七层输出节点个数为4个;
所述信号预测模型的训练过程包括:输入训练样本集;提取信号特征进行分类训练;其中训练样本集和测试样本集的大小均为48*48像素。
2.如权利要求1所述的一种基于多点压力传感器的抱闸故障诊断方法,其特征在于:所述压力传感器为柔性薄膜阵列压力传感器,步骤S1中柔性薄膜阵列压力传感器检测抱闸制动器的单元力以获取第一信号数据,所述柔性薄膜阵列压力传感器将第一信号数据发送至传感器信号调理装置,所述传感器信号调理装置在柔性薄膜阵列压力传感器进行多路信号采集后将第一信号数据转换为第一转换数据,控制器将第一转换数据发送至内置有基于LeNet-5神经网络的信号预测模型的测量信号处理分析系统,测量信号处理分析系统通过预设数据对信号预测模型进行训练,测量信号处理分析系统通过训练后的信号预测模型对第一转换数据进行分类。
3.如权利要求2所述的一种基于多点压力传感器的抱闸故障诊断方法,其特征在于:还包括用以检测抱闸制动器的第一测试数据的压力测试机,所述控制器将第一测试数据和第一信号数据进行比较以获取第一测试数据和第一信号数据之间的差值,如果差值大于预设值则控制器反馈“误差较大”信号,如果差值小于或者等于预设值则控制器反馈“合格”信号。
4.如权利要求3所述的一种基于多点压力传感器的抱闸故障诊断方法,其特征在于:还包括用以通过单元力检测算法检测压力传感器的检测数据的检测电路,所述单元力检测算法包括:所述柔性薄膜压力传感器的AI量程设置为0~5VDC,还包括用以存储所述柔性薄膜压力传感器检测的第一信号数据的MODBUS寄存器,所述MODBUS寄存器读数为0~50000,所述柔性薄膜压力传感器检测的抱闸制动器单元压力为Fs,Fs=C/( RH*VI/( V+ - VI))-F0,其中VI=(AI/50000) • V+,RH为可变电阻值,C为电导-压力转换系数,量纲为kg • S,F0为初始压力,V+为5VDC。
5.如权利要求4所述的一种基于多点压力传感器的抱闸故障诊断方法,其特征在于:将单元力所述测量信号处理分析系统通过MODBUS协议与控制器交互获取实时测量数据,所述测量信号处理分析系统的HMI显示信号预测模型对第一信号数据的分类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911353305.XA CN111056395B (zh) | 2019-12-25 | 2019-12-25 | 一种基于多点压力传感器的抱闸故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911353305.XA CN111056395B (zh) | 2019-12-25 | 2019-12-25 | 一种基于多点压力传感器的抱闸故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111056395A CN111056395A (zh) | 2020-04-24 |
CN111056395B true CN111056395B (zh) | 2021-09-03 |
Family
ID=70303731
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911353305.XA Active CN111056395B (zh) | 2019-12-25 | 2019-12-25 | 一种基于多点压力传感器的抱闸故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111056395B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112630654A (zh) * | 2020-12-11 | 2021-04-09 | 广东博智林机器人有限公司 | 抱闸检测系统及方法 |
CN114775457A (zh) * | 2022-03-16 | 2022-07-22 | 浙江广厦建设职业技术大学 | 一种古建桥梁修复用检测装置及其检测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108197014A (zh) * | 2017-12-29 | 2018-06-22 | 东软集团股份有限公司 | 故障诊断方法、装置及计算机设备 |
CN109406118A (zh) * | 2018-10-15 | 2019-03-01 | 华中科技大学 | 一种基于层次卷积神经网络的机械故障预测方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN205772570U (zh) * | 2016-06-02 | 2016-12-07 | 中钢集团武汉安全环保研究院有限公司 | 一种制动器运行状态检测和故障判断装置 |
US10671083B2 (en) * | 2017-09-13 | 2020-06-02 | Tusimple, Inc. | Neural network architecture system for deep odometry assisted by static scene optical flow |
US20190095762A1 (en) * | 2017-09-25 | 2019-03-28 | Gyrfalcon Technology Inc. | Communications Between Internet of Things Devices Using A Two-dimensional Symbol Containing Multiple Ideograms |
CN108178037A (zh) * | 2017-12-30 | 2018-06-19 | 武汉大学 | 一种基于卷积神经网络的电梯故障识别方法 |
CN109969895B (zh) * | 2019-04-15 | 2021-07-23 | 淄博东升电梯工程有限公司 | 一种基于电梯运行参数的故障预测方法,终端及可读存储介质 |
CN110006585B (zh) * | 2019-05-06 | 2023-10-24 | 上海掌门科技有限公司 | 一种压力传感器的数据采集装置及方法 |
-
2019
- 2019-12-25 CN CN201911353305.XA patent/CN111056395B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108197014A (zh) * | 2017-12-29 | 2018-06-22 | 东软集团股份有限公司 | 故障诊断方法、装置及计算机设备 |
CN109406118A (zh) * | 2018-10-15 | 2019-03-01 | 华中科技大学 | 一种基于层次卷积神经网络的机械故障预测方法 |
Non-Patent Citations (1)
Title |
---|
深度学习在设备故障预测与健康管理中的作用;陈志强等;《仪器仪表学报》;20190930;第206-223页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111056395A (zh) | 2020-04-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111056395B (zh) | 一种基于多点压力传感器的抱闸故障诊断方法 | |
CN109838696A (zh) | 基于卷积神经网络的管道故障诊断方法 | |
CN101504333B (zh) | 基于应变监测的索结构中索系统的递进式健康监测方法 | |
CN109710983B (zh) | 一种基于关键性能指标的柴油机气缸分层故障诊断方法 | |
CN109230952B (zh) | 电梯曳引钢带张力及性能退化监测方法及系统 | |
CN104880217B (zh) | 一种基于测量值关联度的故障传感器信息重构方法 | |
CN106546439B (zh) | 一种液压agc系统的复合故障诊断方法 | |
GB2593851A (en) | Bearing reaction influence line curvature-based continuous beam damage identification method | |
CN108204892B (zh) | 基于柔性阵列式压力传感器的辊轮组设备故障检测方法 | |
CN107843370B (zh) | 一种轨道列车运行阻力的测试装置及方法 | |
CN1120366C (zh) | 基于非线性频谱分析的故障检测与诊断方法 | |
US20190244467A1 (en) | Remote monitoring of a person and an automatic distribution of prescription drugs | |
US20210231231A1 (en) | Pinch valve monitoring | |
CN103235206A (zh) | 一种变压器的故障诊断方法 | |
CN112816122B (zh) | 基于深度学习和压电主动传感的螺栓松紧程度监测方法 | |
CN113109666B (zh) | 一种基于深度卷积神经网络的轨道电路故障诊断方法 | |
CN113405743B (zh) | 一种基于云计算的新能源电动汽车生产制造测试数据分析处理方法、系统及存储介质 | |
CN112660957B (zh) | 一种电梯运行风险的预警方法及预警系统 | |
CN111931407A (zh) | 一种基于长期监测数据的结构可靠度评估预测方法及系统 | |
CN113705721A (zh) | 梁桥支座群脱空病害的联合概率密度函数差诊断方法 | |
Li et al. | Sensor fault localization with accumulated residual contribution rate for bridge SHM | |
CN112109727B (zh) | 一种面向露天矿区无人驾驶车辆的制动力标定方法 | |
CN113570478B (zh) | 基于边缘计算的桥梁健康状态智能评估方法 | |
KR102573254B1 (ko) | 연합 학습을 이용한 기계설비 고장 예지 분석 시스템 | |
CN109472083B (zh) | 基于统计过程控制的土木工程结构损伤检测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |