• 首页

  • 方案库

  • 工业品库

  • 招标项目库

  • 专家库

  • 人才库

会员中心
搜索
登录
注册
  • 方案名称

解决方案

数字化转型通用方案行业方案安全方案大数据人工智能物联网行业展望自动控制其他

产品|技术

白皮书产品介绍技术介绍技术创新模型算法

政策|规范

政策规范行动计划

电子书

电子书课件

报告|论文

报告模板论文
  • 全部
  • 人气排行
  • 下载排行
  • 页数排行
  • 最新排行

预防性维护和预测

根据EN 13306(2001)标准,维护可以定义为“在物品生命周期内进行的所有技术、行政和管理行动的组合,旨在保持或恢复物品的状态,使其能够执行所需功能”。这也包括一系列故障排除、维修、控制和验证物理设备的行动,并应有助于改进工业流程。从传统观点来看,维护功能保证了设备的可靠性特性,特别是其可用性。因此,整体上它旨在理解故障机制并据此采取行动,以确保系统(物品)能够执行其设计功能。然而,维护功能的使命已不仅限于确保“物品服务”的实施。在质量、安全和成本方面出现了不同的要求,在过去的20年里,维护功能的挑战和职权发生了变化。

  • 2024-06-08
  • 阅读423

预测性维护-预测与剩余使用寿命(RUL)估算

在文献中,“预测”一词有多种定义。不同的定义主要来源于作者的职业背景和应用敏感度。然而,尽管没有完全的共识,预测可以按照ISO委员会的建议进行定义:

  • 2024-06-08
  • 阅读462

预测性维护-从数据到决策:PHM过程

工业监控和维护涉及多个业务流程,目的是以最低成本保持系统的运行状态。因此,我们经常谈到故障检测、故障诊断、控制和/或缓解措施的选择(预防性或纠正性),以及这些措施随时间的规划。这些步骤比喻性地对应于首先“感知”某些现象,然后“理解”这些现象,最后“采取行动”来应对这些现象。正如我们已经提到的,另一种方法(互补但不排他)并不是事后理解刚刚表现出来的现象(故障),而是尝试预见它们的发生,以便采取相应的保护措施。这就是“故障预测”的目标。“检测”、“诊断”和“预测”过程的相对位置如图1.5a所示

  • 2024-06-14
  • 阅读430

预测性维护-从系统到数据(01)

本章描述了一种获取监控数据的一般方法,这些数据代表了退化机制,是PHM应用所必需的(图2.1)。

  • 2024-06-08
  • 阅读438

预测性维护-从系统到数据(02)

已经定义了需要监测的关键组件和物理参数,信号的采集、存储和预处理构成了所提出方法的第三步(见图2.1)。它提供了可靠且准备好供不同 PHM 模块处理的数据。通常,这一步骤由采集过程执行,其结构示例如图2.3所示

  • 2024-06-08
  • 阅读356

预测性维护-从系统到数据(03)

本章描述的方法已经在许多不同类型的系统中应用,特别是在铁路和精密机床领域。为了说明这一方法,让我们以客运列车作为案例研究。

  • 2024-06-08
  • 阅读334

预测性维护-特征提取

本章专注于处理工业系统关键组件上安装的监测数据。这些数据通常隐藏着与退化过程的触发和演变相关的重要信息。因此,直接在PHM中利用它们并不简单。因此,有必要对它们进行处理,以揭示其内容,并在每个时刻估计组件或系统的健康状态

  • 2024-06-08
  • 阅读335

预测性维护-特征减少和选择

特征减少的目标是保留只携带着信息主要部分的特征,也就是说,它的目的是摆脱重复的特征,或者那些代表很少兴趣的数据。举个例子,通常我们不会保留具有低判别能力的特征。因此,这种维度的减少是通过使用线性或非线性的减少方法(图3.12)将特征投影到维度较低的空间中(通常是二维或三维)。经过验证的方法包括主成分分析(PCA)、核主成分分析(kernel PCA)和等距特征映射(isomap)[BEN 13, BEN 15, MOS 13a, MOS 14]。我们以下简要描述并说明它们。

  • 2024-06-08
  • 阅读327
上一页 1 …… 1622816229162301623116232162331623416235162361623716238 …… 16664 下一页 共 133305 条


立即登录

没有账户,需要注册

登录用户可享受以下权益
  • 免费下载方案
  • 服币提现
  • 发布方案得服币
  • 交易分成

精品推荐

人工智能大模型分类体系、技术特点及主流厂商概览

语言模型、视觉模型、语音模型、视频模型、时序模型,分别对应文字、图像、声音、视频、连续传感器数值,通用大模型,垂类大模型,AI

  • 阅读102
  • 下载2

工业时序基础大模型技术发展综述

时序大模型是面向时间序列数据的基础大模型,以 Transformer 等架构为核心,通过在海量多领域时序数据上进行预训练,学习时间维度上的通用模式、周期规律与长距离依赖关系。区别于传统时序模型针对单一任务单独训练,时序大模型具备强大的迁移能力,只需少量样本微调或零样本提示,即可适配时序预测、异常检测、缺失值补全、时序分类等下游任务。在工业场景中,它能够直接处理传感器、设备测点产生的海量时序信号,挖掘设备状态演变规律,支撑设备故障预警、工况识别与生产趋势预判,为工业智能落地提供底层模型能力。如:中服云的CServerAIR

  • 阅读939
  • 下载8

2026“人工智能+”行业发展蓝皮书

2025年,全球人工智能市场规模达到3909亿美元,中国人工智能核心产业规模突破9000亿元。AIAgent细分市场以49.6%的年复合增长率高速扩张,制造业应用大模型的企业比例在一年之内从9.6%跃升至47.5%。从2024年初,中国日均词元(Token)调用量为1000亿;至2025年底,跃升至100万亿;2026年3月,已突破140万亿,两年增长超千倍。这些数字背后,是一场深刻变革的加速到来-人工智能正在从"能力突破"走向“系统重构”。

  • 阅读2744
  • 下载8

中服云能碳管理平台V5.0

中服云能碳管理系统依托中服云工业物联网底座打造,聚焦工业企业能耗管控与碳资产管理需求。 系统整合水、电、气、热等多类能源数据,实现用能实时采集、集中监测、智能分析。 依托数字化手段精准核算碳排放总量,助力企业摸清碳排底数、合规完成台账管理。 通过节能诊断、能耗优化策略推送,有效降低生产能耗与运营成本。 全方位赋能企业绿色低碳转型,筑牢安全生产与节能减排双重发展防线。

  • 阅读3174
  • 下载14

最新上线

超硬材料智慧园区方案

超硬材料制品是典型的“材料—工具”型制造:金刚石刀头、锯片、工程钻、磨轮,最终用在石材与建材加工、路面与混凝土切割、玻璃与陶瓷、半导体与蓝宝石加工。产品小批量、多品种,工艺链却很长。 这条工艺链把同一道围墙切成几段:压制、烧结、焊接、磨削与检测分散在不同厂房,一段停摆,整批报废。以下痛点与解法取自一座已投运的园区平台,数据为界面实测值,企业名称脱敏。

  • 阅读33
  • 下载0

中服云工业物联网平台在印刷装备制造行业的应用

印刷机械是装备制造中比较典型的一类产品:单机价值高、定制化程度高、客户分散在全国各地的包装与印刷车间,一台凹版印刷机开机就是十几年。设备卖出去了,服务却要跟十几年——这是行业共同的结构性难题,也是工业物联网在装备制造领域最容易见效的地方。 本文以一个真实的落地样本为观察对象:一家印刷机械制造企业把 178 台在役设备接进了自己的远程运维系统,系统的底座选用中服云工业物联网平台的设备版。下文按“行业之困、平台解法、落地成效、可复制经验”四步展开。

  • 阅读56
  • 下载0

中服云数字孪生系统在石油和天然气开采业的应用案例(痛点·方案·成效)

石油和天然气开采业的生产对象在地下,管理的关键环节在地面。从井口到计量间,从转油站、联合站到外输与处理装置,油气田用“井—站—管网”的骨架把分散的资源汇集起来,联合站是这条骨架上设备最密集、工艺最连续、安全要求最高的节点。 这类站场大多已经上了SCADA,数据并不缺。问题在于数据上来之后,新的麻烦更清楚了:设备家底说不清,画面说不清位置,报警说不清先后。本文按“痛点—解决方案—成效”的顺序,说明中服云物联网平台与数字孪生平台如何分工配合,逐条解决这些问题。

  • 阅读63
  • 下载0

中服云物联网与数字孪生平台在油气作业现场的应用

油气田的地面作业现场有一个共同特征:设备搬着走、电源跟着换、负荷忽高忽低。钻修井井场靠网电、柴油发电机组、储能、光伏凑出一套临时电力系统;压裂井场更极端,几十台电驱压裂泵并联运行,瞬时功率爬升快,砂罐、混砂、供液、仪表车密集停放,作业段集中、单段时长以小时计。 这两类现场的管理难题是同一类:能耗与碳排放算不清、设备状态看不见、峰值容量报不准、多能协同靠经验。中服云用同一套工业物联网平台加数字孪生平台,把这两类现场做成了可以被“看懂、算清、考核”的对象。本文以已投运的钻修井现场为实测样本,说明平台在野外作业领域的典型应用,并给出向压裂井场复制的路径。

  • 阅读59
  • 下载0
  • 关于我们

    电话:029-8838-6725

  • 新闻资讯

    企业简介 新闻动态 品牌实力 代理合作 诚聘英才 联系我们

  • 中服云

  • 工业互联网风向标

  • 在线咨询

西安/北京/南京/重庆/合肥/厦门/甘肃 地址:陕西省西安市雁塔区鱼跃工业园慧康生物科技产业园7楼 电话: 029-8838-6725

版权所有 @ 中服云 陕ICP备11002812号
  • 扫码咨询

    或

    点击立即咨询
  • 客服咨询

  • 用手机扫二维码

    或

    复制当前地址

  • 问题反馈 中服大讲堂 客服电话

方案库赚钱指南