【www.zhangdahai.com--其他范文】
杜 刚，顾 军，刘海峰，李苏南，荣华超，刘 华，吴文超
（1.大峘集团有限公司，江苏 南京 211112；
2.南京朗驰集团机电有限公司，江苏 南京 210006；
3.西门子（中国）有限公司，上海 200433）
钢铁企业规模不断扩大和产业集中度不断提升，装备大型化、智能化业已成为一种趋势。矿渣立磨是用于处理钢铁厂内固体废弃物制备超细粉的核心关键装备。十多年来发展，其大型化在占地、投资、成本和能耗等方面均占有显著优势，已成为钢铁企业节能减排、绿色发展必备的装备之一。目前单线200万吨以上级的高炉矿渣超细粉大型立式磨机技术，已达到国内、外领先水平。随之而来的大型立式磨机装备数字化、智能化，实现系统的自主运行和预测性维护，掌握设备的运行工况，正确估计可能发生的故障和趋势，避免灾难性毁坏，将是立式磨机技术的进一步发展方向。针对一钢铁厂矿渣微粉生产线立式磨机，预测性运行维护系统的功能、配置、调试、工程服务等有关技术问题进行了深入探讨和研究。在西门子SiePA基础上，用信息传感技术、信号处理及无线传输技术、现代测控技术［1］，建立一套完整的矿渣立磨预测性运行维护系统。
当前矿渣微粉立式磨机设备的运维方式主要包括以下三种：
（a）在中控室对DCS相关状态参数进行观察，发现问题直接联系现场工程师进行设备查看和维修。
（b）通过点巡检的方式对设备进行健康检查，且巡检频率很高，现场的问题发现主要凭借师傅/专家的经验。
（c）通过第三方（基于领域模型以及特定故障模式分析）每周/每月给出一份相关设备的评估报告，但并不针对整体立式磨机设备，而只针对其中某一部分的设备。
当前的运维方式面临着巨大的挑战：
（a）无法对立式磨机设备做到早期故障征兆的提前预测与预警，目前是局部设备发生故障后才进行维修，尚未建立对立式磨机整体进行多纬度数据关联分析的系统。分析相对比较单一，不具备深入数据分析能力。
（b）多次出现非计划性停车情况，绝大多数是由于微小故障无法在早期被有效的识别出来，进而导致后续演变成严重故障。当故障发生后才进行检修则严重影响立磨设备的生产效率，并由此造成巨大的经济损失。
（c）设备故障诊断没有形成标准体系，完全依赖老师傅/人工的经验。
随着自动化、数字化与智能化的不断进步，目前对于大型设备，均已经具备数据采集的能力，并积累了一定量的历史数据，基于工业大数据分析以及人工智能技术的设备预测性维护已成为企业重点需求。
希望能够通过对设备已有数据进行深入的数据分析与挖掘，构建设备健康状态预测模型，通过接入的实时数据与预测模型进行比对来对立式磨机整体潜在故障风险进行预测与预警。从复杂信号中提取微弱特征，抓取隐藏的异常信息［2］。
模型预警以后，系统支持利用自然语言处理技术匹配相似的诊断报告，为现场运维保驾护航，从而降低非计划性停车风险，实现软硬件一体的高质量服务。
矿渣微粉立式磨机运行状态所需传感器相关信息包括：
环境参数：温度、湿度；
生产过程参数：温度、压力、流量、料位等；
设备状态参数：电流、电压、振动（频谱）、轴温等。
不同预测性模型依赖的测点会有所不同，根据条件布置需求测点：
对于减速机等配套设备部件的原厂内置测点，将数据收集至自有数据平台，SiePA将从数据平台读取和使用测点的数据；
对于特定SiePA模型监控场景下立式磨机设备尚不具备而需要加装测点的情况，增加测点及相关硬件，并将测点数据采集至其自有数据平台供SiePA模型监控场景之用；
自有数据平台数据统一向SiePA开放，其主要针对的是OPC-UA协议接口采集的时序数据和针对FTP协议接口采集的振动原始采样数据。涉及其他类型的数据协议接口，需要定制开发处理；
建立现场对外数据传输网络；
采集半年以上历史数据；
重要设备的历史故障分析报告用于构建知识库，导入总数不超过100份的故障报告，其余报告可通过SiePA系统的报告输入界面录入系统。
SiePA所支持的数据接口信息如下：
2.1 参数状态数据接口
接口编号：1；
接口名称：参数实时数据接口；
接口说明：从实时数据收集/输出系统（如 实时数据库）中获取目标参数的实时运行数据，在SiePA系统中进行分析，实现健康状态预警；
接口形式：OPC UA；
服务提供方：实时数据收集/输出系统（如实时数据库）；
服务消费方：SiePA预测性维护系统；
输入参数：测点传感器位号；
输出参数：参数运行数据（时间戳、位号、监测数值）；
调用方式：OPC UA。
2.2 控制系统事件数据接口
接口编号：2；
接口名称：控制系统事件数据接口；
接口说明：从实时数据收集/输出系统（如实时数据库）中获取目标参数的实时运行数据，在SiePA系统中进行分析，实现健康状态预警；
接口形式：OPC UA A&E；
服务提供方：实时数据收集/输出系统（如实时数据库）；
服务消费方：SiePA预测性维护系统；
输入参数：传感器位号；
输出参数：目标参数事件数据（时间戳、事件类型Type、事件来源Resource、事件状态Status、优先级Priority等）；
调用方式：OPC UA A&E。
2.3 智能诊断报告生成与输出
智能预警子模块在调用诊断模块得到相应的解决方案之后，相应的解决方案数据（问题的描述，问题发生的具体的设备信息，问题的解决方案和解决方案对应的原始票据以及票据对应的设备信息，用户对解决方案的评论和反馈）可以提供给报表模块生成诊断报告。
3.1 技术思路与功能架构
SiePA系统支持用户开展基于大数据分析的运行状态预警与智能故障诊断，其主要技术路线/功能架构如图1所示。
图1 SiePA系统功能架构图
首先，SiePA系统对多源数据进行整合集成，支持设备监测历史数据导入、实时数据接入、故障类型诊断与分析数据上传，并结合工况设计相关数据，为后续诊断分析提供坚实基础。
在运行状态预测预警模块中，SiePA预测预警模块运用机器学习的算法，通过学习不同工况下健康状态的机器设备的运行信息，同时可以进一步结合已有的技术标准，构建设备健康状态的模型，并通过智能对比分析，实现对机器设备的监控与预警。
基于预警信息，SiePA系统通过专家故障诊断规则数据库和历史故障信息库，高效、便捷地对当前预警信息进行综合故障诊断分析；
协助用户实现基于客观数据的、可靠的、全面的风险评估与决策。
同时，SiePA系统支持用户进一步基于以往故障分析报告与经验所构建的诊断知识库，结合自然语言处理等人工智能技术，在智能排查诊断模块中进行相关健康分析诊断查询，推荐相关运维措施，指导运维人员开展相关工作。
3.2 关键技术与主要功能描述
3.2.1 运行状态预测预警模块
SiePA运行状态预测预警模块利用设备运行过程中产生的多源数据对设备的健康状况进行分析，包括：基于实际情况的设备健康评估与预测预警；
机械振动结合工艺参数的设备运行状态建模分析；
基于工艺时序数据的运行状态建模分析等，为设备管理决策提供辅助支撑及可靠依据。
分析和监控的结果以交互式可视化分析平台的形式反馈给管理决策人员以及设备操作人员。管理决策人员和设备操作人员结合设备运行状况和经验完成设备操作。对以上三方面主要功能与技术描述：
（1）基于实际情况的设备健康评估与预测预警
系统的模组构建模块可以帮助用户构建起从产线→设备→监控模型的三级设备状态监控管理模式，如图2所示。
图2 模组构建模块
基于构建的模组，并将其激活进行监控，在监控可视化仪表盘上（如图3所示），系统将从工厂维度展示预警的整体统计信息，从时间维度展示24 h内的实时预警状态，从管理维度提供独立的预警信息列表，帮助用户全方位了解工厂运行状况。
图3 监控可视化仪表盘
对于产生的预警信息，系统支持进一步的预警分析，系统将展示预警前后模型中对应的主测点以及关联测点的数据趋势，以及模型分析结果中的测点数据偏离度信息，同时支持用户对于历史数据的查询进行综合的分析。对于机械振动数据，系统将根据设备配置的相关信息，同时会基于内置的故障诊断模型，推荐该预警潜在的常见机械故障类型。相关系统功能图如图4，5所示。基于对报警信息的分析，用户可以填写报警的描述，推送至知识库模块进行解决方案的自动检索与报告生成。
图4 机械振动预警分析
图5 工艺时序预警分析
（2）机械振动结合工艺参数的设备运行状态建模分析
SiePA振动建模是基于用户选择的历史原始信号数据，经过信号预处理，得到相应的谱图，便于提取、分析振动信号在频域上的特征。通过融合在正常工况下所提取的时序上的非振动信号（温度、压强等）与振动信号在频域上的特征，形成相应的时频分析的特征向量，采用机器学习算法训练和自适应调整来改进其性能［3］，并建立关于正常工况的多维度相关性模型，该模型可被用于检测实际工况相对正常（模型）工况的偏离程度，从而实现设备的在线健康监测功能。SiePA预测预警模块在模型训练结束时，支持用户重新选择一段已知设备运行状态的历史数据进行训练模型验证，以保证模型的在监控时的可靠性。这种人机交互式的验证方式，极大程度上丰富了用户的体验、照顾了用户的使用感受，同时最大程度上保证了模型用于监控设备健康运行的可靠性。在此基础上，通过结合非振动信息（温度、压强信息）使得监测过程更加符合实际机器设备运行情况，加强模型的鲁棒性，实现全生命周期、全工况的设备健康状态预警。
相较于传统的振动预警监控，SiePA振动预警模型的可靠性更高，在设备健康状态监控阶段，由于结合了非振动（时序）数据，使得模型对设备实现了更全面的定义与监控，增加了模型的可靠性；
SiePA振动预警模型的数据深度及智能创造价值更高，通过实时采集的数据通过分析与正常运行状态模型的对比，帮助及时发现异常趋势，从而提示相关人员及时采取相关措施，尽可能避免或减少拆机的故障维修和停机检修的发生。
在具体的建模过程中，SiePA系统会从振动信号中提取重要的特征，同时进一步提取温度、电流、电压等非振动时序数据，结合振动数据的采样时间间隔、采样频率提取时域、频域特征因素，组成特征向量，作为模型的输入。通过提取相应的建模特征，将相关因素进行建模分析，得到符合当前机器状况的健康预警模型。将建好的模型用于检测测试数据，模型可正确的区分正常样本和异常样本，以达到预警维护的目的。
系统中具体功能描述如下：
对于振动原始信号数据，系统支持时-频域的综合分析，首先通过系统的设备配置模块（如图6所示），用户可以定义具体的设备实例，将数据测点与设备的部件进行关联，同时对设备所涉及到的机械工艺参数（如轴承四件套等）等进行输入。该部分信息将支持预警模型的建立，以及常见机械故障的诊断。
图6 设备配置模块
当利用机械振动数据进行预警模型建立时，系统将自动根据设备配置信息，结合各测点在设备上的位置以及工艺参数，进行建模测点的推荐，用户也可以根据设备经验进行测点的更改与选择，如图7所示。
图7 选择振动测点结合工艺时序建模
基于选择的测点，系统提供交互式的可视化数据分析图表，展示历史的振动数据统计值趋势，以及相关的关联测点的数据趋势，基于配置的静态报警阈值，用户可以进行正常工况下数据时间段的刷选，如图8所示。系统将根据刷选的训练集，进行建模数据的质量检测，系统将根据计算结果，返回数据集中筛选出的特征数据点以及数据中潜在的边界数据点，用户需要在系统上对特征数据点以及边界数据点进行标注反馈，如图9所示。最终，系统将根据反馈的结果进行模型的构建，如图10所示。
图8 基于历史数据的训练集刷选
图9 训练集质量检测和用户反馈收集
图10 模型训练
（3）基于时序数据的运行状态建模分析
SiePA打破了传统的以设备部件为最小的建模分析单元的建模方式，基于系统集成的多源数据，采用测点作为最小的建模单元进行建模分析，这种建模方法为下一步故障诊断的精确定位和分析排查设备故障打下良好的基础。整个预警阶段建模主要分为三个部分：第一部分是建模数据筛选；
第二个部分是运行状态模型训练；
第三个部分是利用建好的模型进行设备运行状态监控。
在运行状态模型训练阶段，SiePA支持基于历史数据训练和模型导入两种方式用于设备预警状态的监测的预警机器学习模型。模型导入是基于西门子模型算法库中已训练好的机器学习模型，可直接用于监控机器设备，而根据历史数据的模型训练则是基于用户选择的历史数据，通过提取特征（即：影响设备运行状态的因素），形成相应的特征向量，作为改进的多维度相关性建模算法的输入，通过该算法训练出适应当前工厂的符合当前工况的设备健康监测模型。SiePA预测预警模块在模型训练结束时，支持用户重新选择一段已知设备运行状态的历史数据进行训练模型验证，以保证模型的在监控时的可靠性。这种人机交互式的验证方式，极大程度上丰富了用户的体验、照顾了用户的使用感受，同时最大程度上保证了模型用于监控设备健康运行的可靠性。在此基础上，通过结合相关测点信息使得监测过程更加符合实际机器设备运行情况，加强模型的鲁棒性，实现全生命周期、全工况的设备健康状态预警。
系统中具体功能描述如下：
（1）多维度数据的关联分析
基于系统的工程模块将工厂数据进行整合后，系统将进行数据维度的相关性分析。相关性分析的结果可以从数据层面为用户推荐需要重点关注的主测点以及主测点相关性高的关联测点，系统也支持用户根据行业经验进行测点的选择。
图11为系统的功能界面示图。
用户通过该功能模块，可以融合数据驱动以及经验驱动的方式，交互式的选择与产线/设备健康管理密切相关的指标（测点），从而定义“产线/设备状态DNA”，使得模型能够提取更具针对性的数据特征，同时可进一步提升模型的可解释性。
（2）模型训练
结合历史数据中的实际生产运行工况与故障情况，系统支持用户交互式选取某段或某几段历史数据，进行工况的标注，用于模型的训练。同时对于训练好的模型，可以选取一段历史数据进行模型效果的检验。系统功能图如图12所示。
3.2.2 智能健康诊断模块
SiePA智能健康诊断模块以历史故障记录为数据基础，以自然语言处理模型为分析工具，为用户提供疑难故障的建议解决方案，并通过不断更新知识库来进行自身完善。诊断模块的工作流程可概括为以下几个方面：
(1)预警诊断流程
SiePA运行状态预测预警模块会在监控设备运行的过程中产生报警，并将其推送至诊断模块。诊断模块根据报警信息的自然语言描述，自动进行初步诊断，并将报警和初步诊断的结果保留在诊断队列中。
(2)用户手工查询流程
用户可以通过在SiePA智能设备健康诊断模块的查询界面直接输入故障相关信息的方法直接调用诊断流程。用户需要提供的信息包括故障设备、故障概要、故障具体描述等，提供的信息越具体详细，查询的结果也就越准确。诊断模块会调用后台的NLP模型进行检索，最终返回若干条与待解决故障最相似的历史记录。用户可以查看这些记录，并评价其是否对解决当前故障有所帮助。
(3)知识库管理
SiePA运行状态预测预警模块会在运行过程中不断获取新的知识，以完善知识库，提高诊断的准确率。在使用诊断模块成功解决用户输入的故障查询后，该案例会作为新的知识加入到诊断模块的知识库中。用户在使用诊断模块的过程中，可以对诊断模块返回的解决方案进行评价，评价结果也会加入知识库，以使未来的诊断结果更加准确。
系统中具体功能简要描述如下：
当设备状态发生预警时，基于所输入的潜在故障现象描述，高效匹配相似的历史故障诊断记录，实现运维措施的推荐。该模块用于工厂的设备数字化管理的同时，帮助用户挖掘数字的价值来满足智能工厂的运行需要。
SiePA智能诊断分析模块以历史故障记录、检维修报告为数据基础，以自然语言处理模型为分析工具，为用户提供疑难故障的建议解决方案，并通过不断更新知识库来进行自身完善。诊断模块的工作流程可概括为以下几个方面：
预警诊断流程：SiePA运行状态预警模块会在监控设备运行的过程中产生报警，并将其推送至知识库模块。知识库模块根据报警信息的自然语言描述，由图13基于自然语言描述的推荐方案界面图表示，自动进行语义分析，基于构建的知识库，匹配相关历史相似案例以及相应的解决方案。
图13 基于自然语言描述的推荐方案界面图
用户手工查询流程：用户可以通过在SiePA智能设备健康诊断模块的查询界面直接输入故障相关信息的方法直接调用诊断流程。用户需要提供的信息包括故障设备、故障概要和故障具体描述等，提供的信息越具体详细，查询结果也就越准确。诊断模块会调用后台NLP模型进行检索，最终返回若干条与待解决故障最相似的历史记录。用户可以查看这些记录，并评价其是否对解决当前故障有所帮助。
知识库管理：在系统运行的全生命周期过程中，基于报警信息以及用户系统操作与反馈，系统将不断获取新的知识，以完善知识库，提高方案推荐的准确率。在使用知识库模块成功解决用户输入的故障查询后，该案例会作为新的知识加入到知识库中。图14为知识库管理界面图，用户可以对返回的解决方案进行评价，评价结果也会加入知识库，以使未来的推荐结果更加准确。
图14 知识库管理界面图
对于振动信号的预警，SiePA诊断模块同时还采取了一种基于线性峭度提取频域特征的频谱故障诊断算法。该算法的核心优势在于能有效从强噪声信号中发现瞬态成分及其频域中的位置，确定故障频带，并针对该特征频带建立故障诊断模型。同时该模型的训练算法采用了特殊设计，使其训练出来的模型具有较好的数据泛化能力，对实际工况下的故障诊断具有较好的鲁棒性。
SiePA振动诊断的技术路线总体分为三步：首先，根据国际规则诊断库生成故障数据模型；
其次，在监控预警的情况下，运用谱、线性峭度提取报警频谱的故障特征频带并提取故障特征频带中的特征参数作为模型的特征值；
最后，利用训练完成的模型对报警信号进行故障分类，实现故障诊断。并将诊断结果保留到诊断队列当中。
最后有处理权限的用户可以登入诊断模块并查看诊断队列中的未处理报警列表及初步解决方案，如果初步解决方案可以解决问题，则直接处理并关闭报警，如不能解决问题，用户可以选择修改故障描述并重新进行诊断。
采集齿轮箱内各振动测点的的初始样本数据，通过其输入转速，结合轴承故障系数表得到该齿轮箱的滚动轴承频率基本信息，包括外圈故障频率、内圈故障频率、滚动体故障频率、保持架故障频率等。
接着通过谱峭度定位其故障段，进而在这个频段内用诊断算法提取加速度包络谱和速度频谱的轴承故障边带能量及振幅较大的频率分量。图15为加速度包络谱图（横坐标：频率/Hz，纵坐标：加速度幅值/mm·s-2/dB），图16为速度频谱图（横坐标：频率/Hz，纵坐标：速度幅值mm·s-1/dB）。根据所提取的信息，进一步与故障频率进行匹配对比，进行故障诊断。
图15 加速度包络谱图
图16 速度频谱图
基于以上技术，在系统中，系统将给予内置的诊断算法，对于所识别到潜在异常风险，初步判断潜在的常见机械故障类型，并显示在预警界面的右侧（如图17所示的右侧绿色部分），为诊断提供更为便捷、智能、高效的排查支持，降低专家工作负荷，提高设备运行可靠性。
图17 机械振动预警分析
4.1 主电机性能预测
立式磨机主电机输出转速，经减速机变速后输出扭矩给磨辊/盘系统研磨做功。整个传动链是刚性传动，因此诸如磨辊的过载所导致的反向扭矩会一定程度传导到主电机；
减速器内断齿导致传动失效导致电机短时间内无法将电能转化为动能，最终过热烧毁。因此对主电机自身的异常工况保护就显得尤为重要。
通过对主电机正常工况下的工作电流、绕组温度、润滑油温/压等多维度时域历史数据建立相关性模型，来预测主电机偏离正常工况的程度。
4.2 主电机故障诊断
通过对故障历史数据建立决策树模型可以定位具体的故障类型：
-电机轴承润滑不良；
-油膜轴承轴瓦损坏；
4.3 主电机-减速器联轴器振动监测
联轴器可能存在两侧轴不对中和不平行等情况，在高速传动过程中会导致两侧轴承的径向和轴向的振动，对滚动体或轴瓦造成冲击力和受力不均，降低轴承的使用寿命。
通过对正常工况下的联轴器两端轴承的振动频谱以及轴承温度等多维度历史数据建立相关性模型，可以预测相关轴承的健康程度。
4.4 主电机-减速器联轴器振动故障诊断
通过对故障历史数据建立决策树模型可以定位具体的故障类型：-输入端轴承：轴承外圈磨损/轴承内圈磨损；
-输出端轴承：轴承外圈磨损/轴承内圈磨损。
4.5 减速器内传动振动监测
减速器内部分为高速级、中间级和行星级三级变速。各级输入输出端均安装有振动加速度传感器。因此可以通过对正常工况下的相关轴承和齿轮的传动频谱特征历史数据建立相关性模型，来预测减速器内各变速级的工作性能。
4.6 减速器内传动振动故障诊断
通过对故障历史数据建立决策树模型可以定位具体的故障类型：
-高速级输出端轴承：轴承外圈磨损/轴承内圈磨损；
-中间级输出端轴承：轴承外圈磨损/轴承内圈磨损；
-行星级输出端轴承：轴承外圈磨损/轴承内圈磨损；
-齿轮点蚀、磨损、断齿。
4.7 磨辊/盘动平衡监测
多个工作磨辊同时工作时，存在彼此之间下压不均衡；
单辊下料层厚度也可能分布不均。这种情况导致磨辊间研磨载荷分布不均，影响磨辊寿命和研磨效率。同时整个磨盘由于受力不均，也影响立式磨机本体的结构完整性。
单辊的研磨载荷取决于其压下力、其下料层厚度和磨盘转速。而不同的磨辊压力、料层厚度和磨盘转速会导致磨辊的不同的垂直向振动特征。因此可以利用这一振动频谱特征，结合单辊的工作压力、温度和磨盘转速等多维度特征数据来表征单辊的研磨载荷。继而可以反映出磨盘上各工作辊之间的载荷分布情况。工作辊的载荷分布均匀程度可以用来衡量磨辊/盘系统在生产过程中的动态平衡度。
基于上述原理分析，对正常工况下每个磨辊的振动频谱，压下力、温度和磨盘转速等测点数据建立相关性模型来预测磨辊/盘系统动平衡度，从而实现对磨辊/盘动态失衡的预警监测。
4.8 选粉机风机-电机联轴器振动监测
联轴器可能存在两侧轴不对中和不平行等情况，在高速传动过程中导致两侧轴承的径向和轴向的振动，对滚动体或轴瓦造成冲击力和受力不均，降低轴承的使用寿命。
通过对正常工况下的联轴器两端轴承的振动频谱以及轴承温度等多维度历史数据建立相关性模型，可以预测相关轴承的健康程度。
4.9 选粉机风机-电机联轴器振动故障诊断
通过对故障历史数据建立决策树模型可以定位具体的故障类型：
-输入端轴承：轴承外圈磨损/轴承内圈磨损
-输出端轴承：轴承外圈磨损/轴承内圈磨损
以上所述，在特定场景下获取各测点振动频谱特征，结合多维度特征数据来表征生产过程中的动态变化。基于SiePA系统的智能诊断分析模块和相关性原理分析，在正常工况下对各测点数据建立相关性模型来预测故障类型，从而实现预警监测和故障诊断。
硬件设备配置如表1所示。
表1 SiePA预测性维护系统的硬件设备配置
为保证良好的用户体验和显示效果，对于访问SiePA系统的客户机，采用Chrome浏览器或基于Chrome内核的浏览器，并采用1920×1080分辨率。
用户数据平台（Customer’s date platform）联结SiePA服务器和现场DCS系统，建立现场对外数据传输网络通信。西门子SiePA工作站、服务器与现场采集数据的通信由图18所示的网络架构表示相互联结关系。
图18 基于西门子SINEMA-RC的网络架构图
针对当前矿渣微粉立式磨机设备的运维方式，利用设备运行过程中产生的多源数据对设备的健康状况进行分析，实现运行状态预测预警。
通过对设备已有数据进行深入的数据分析与挖掘，构建设备健康状态预测模型，接入实时数据与预测模型进行比对来对立式磨机整体潜在故障风险进行预测与预警。
这些分析和监控的结果将以交互式可视化分析平台的形式反馈给管理决策人员以及设备操作人员。采用Chrome内核的浏览器或基于Chrome内核的浏览器，使访问SiePA系统获得良好的体验和显示效果。
本系统在实现运行状态、故障风险预测预警提出处置建议的同时，不断挖掘数字化价值和更新知识库实现自身完善，实现向智能化工厂的运行方向不断发展。
猜你喜欢 测点轴承预警 轴承知识哈尔滨轴承(2022年2期)2022-07-22轴承知识哈尔滨轴承(2022年1期)2022-05-23轴承知识哈尔滨轴承(2021年2期)2021-08-12轴承知识哈尔滨轴承(2021年1期)2021-07-21基于CATIA的汽车测点批量开发的研究与应用汽车实用技术(2021年10期)2021-06-04某废钢渣车间落锤冲击振动特性研究中国环保产业(2019年10期)2019-11-21法国发布高温预警 严阵以待备战“史上最热周”今日农业(2019年12期)2019-08-13园林有害生物预警与可持续控制现代园艺(2017年22期)2018-01-19机载预警雷达对IFF 的干扰分析火控雷达技术(2016年3期)2016-02-06动量轮诊断测点配置与资源占用度成本评价北京航空航天大学学报(2014年11期)2014-12-02本文来源：http://www.zhangdahai.com/shiyongfanwen/qitafanwen/2023/0904/649605.html
