52phm简介


专注于工业智能预警系统研发, 通过机理算法和数据驱动算法分析振动信号、音频、DCS、PLC信号、SCADA信号等设备运行状态数据对机器设备进行看病预诊,为机器设备健康运行保驾护航。 网站正在不断建设和完善过程中,欢迎大家给予建议和参与社区建设

联系我们


投稿说明


52phm,专注于预测性维护知识学习和交流,欢迎广大从事预测性维护行业人员投稿,投稿请联系管理员(wx: www52phmcn),投稿内容可以是:

  • 学习笔记
  • 技术理论
  • 工程案例
  • 行业资讯

加入我们




  • 精选专栏: 钢板    编码规范    工业机器人    轴承    齿轮箱数据集    图像预处理    寿命预测数据集    桥梁    刀具    default    动作识别    数字信号处理    振动信号预处理    工业异常检测    故障预测与健康管理    风电机组    语音信号预处理    半导体    python基础    故障诊断    数据库操作    下载安装    时间序列预测    bug    特征工程   


  • [置顶] 故障诊断和故障预测数据集汇总并附下载方式

    本篇目录- 轴承类数据集- 齿轮箱数据集- 电机故障诊断数据集- 机电设备故障数据集- 结构健康监测和评估数据集- 液压装置状态评估数据集- 半导体制造过程数据集,故障诊断和故障预测数据集汇总并附下载方式


    2022-02-09 18:19:44    博客笔记    4150    分类:边缘感知    专栏:未分组   

    [置顶] python机器学习与特征工程理论与代码实现

    通过python编程语言实现特征工程功能,本篇特征工程文章较为全面的介绍数据预处理,缺失值处理方法、异常值处理方法、数据无量纲、标准化、归一化,另外还介绍特征选择、特征降维等特征工程知识


    2021-12-04 12:12:30    博客笔记    4525    分类:算法开发    专栏:特征工程   

    [置顶] 大型旋转机械状态监测与故障诊断

    1 故障诊断的含义故障就是指机械设备丧失了原来所规定的性能和状态。通常把运行中的状态异常、缺陷、性能恶化及事故前期的状态统称为故障,有时也把事故直接归为故障。而故障诊断则是根据状态监测所获得的信息,结合设备的工作原理、结构特点、运行参数及其历史运行状况,对设备有可能发生的故障进行分析、预报,对设备已经或正在发生的故障进行分析、判断,以确定故障的性质、类别、程度、部位及趋势。大型旋转机械


    2021-12-13 17:29:41    互联网    7319    分类:算法开发    专栏:故障诊断   

    [置顶] 电机状态分类预测与研究

    电机状态.txt数据集中最后一列是`电机状态`标签,其余列是特征。本数据集可以作为学习工业数据的分类算法使用,(1)分析不同电机状态的特征分布情况;(2)建立分类模型体验分类算法的应用。


    2022-04-20 15:00:51    博客笔记    2975    分类:算法开发    专栏:故障预测与健康管理   

    [置顶] PIL图像预处理实操

    1 PIL基本操作:主要是为了介绍 PIL 打开、展示和保存图像的基本运用。 2 图像处理:这个主要是为了对原始图像进行再处理,从而使图像符合我们的需求, 通常这里的处理情况会影响到模型训练的精度和准。 3 图像向量化:由于图片是非结构化数据,计算机不能直接识别处理, 因此需要向量化处理,从而转换成结构化数据 4 图像识别分类实战:主要是以步骤性来讲述,方便掌握


    2022-03-10 16:18:19    博客笔记    828    分类:算法开发    专栏:图像预处理   

    共振频率与固有频率

    共振频率与固有频率是不是同一个?从数值上来说,它们是相等的。但是两个概念是不同的。当一个装置成型时,他本身发生的振动的频率是固定的,这一频率就是固有频率。比如一个单摆做好后,他的振动频率等于2*Pi*(l/g)^(1/2),l是单摆的长度,g是重力加速度,所以这个单摆的振幅无论多大,加在下面的东西多重,只要是没有外界的干扰,都以一个频率振动(固有频率)。而当我们用一个周期的力推这个单摆


    2021-12-17 09:41:37    互联网    837    分类:算法开发    专栏:振动信号预处理   

    Windows系统下安装Workbench安装教程

    1、下载安装包网址:https://dev.mysql.com/downloads/workbench/点击红框选项点击下载下载安装包。2、安装双击安装程序。进入安装程序。选择安装目录:这里选择安装类型,学习的话可以直接选择【Complete】也就是完全安装,如下图:点击next后点击install安装成功。然后输入密码登录mysql。...


    2021-12-17 14:28:16    互联网    814    分类:开发环境    专栏:下载安装   

    Linux安装MySQL可视化工具Workbench

    安装sudo pacman -S mysql-workbenchWorkbench截图如果系统启动了MySQL就会有一个Connection,如果没有的话看看自己的MySQL是否已经启动。Workbench可以配置你MySQL数据库的一些信息添加Connnection如果没有store你的密码,那么你点击连接的时候就会提示你输入密码,当然,为了方便你可以保存密码到你的...


    2021-12-17 18:09:55    互联网    831    分类:开发环境    专栏:下载安装   

    数据挖掘--风电机组异常数据识别与清洗

    一、赛题背景(一)背景风能是一种环境友好且经济实用的可再生能源。中国是世界排名第一的风力发电国家、新装风力发电设备装机容量最大的国家,并且保持快速增长。由于风力发电正处于飞速发展阶段,风电场数量和规模不断扩大,然而受地理条件和环境因素限制,风电场多位于偏僻遥远的平原、山区或海上,因此为风电公司引入SCADA系统(数据采集与监视控制系统)对风电场群的日常运行进行集中监控、调度和管理,但风电机组受设备、环境、运行状态等因素影响,SCADA系统实时采集的风机运行数据会存在有大量异常值和缺失值,这些“脏数据”的


    2021-12-19 01:00:15    互联网    1263    分类:算法开发    专栏:风电机组   

    风力发电机组结构

    风力发电机组由风轮、叶片、主轴承、齿轮箱、发电机、电气系统、液压系统、刹车系统和偏航系统等组成[#],其结构如图1所示。风电机组通过叶轮捕获风能,通过齿轮箱传递到发电机,发电机将机械能转化为电能,通过变频器接入电网。风力发电机由风轮及变桨距系统、轮毅、结构(机舱、地基和塔架)、传动装置、齿轮箱、发电机、电气系统、控制系统、传感器、刹车系统、液压系统和偏航系统等构成。风电机组首先将风能通过风轮转换...


    2021-12-19 01:12:13    互联网    561    分类:算法开发    专栏:风电机组   

    (转)风力发电机组齿轮箱常见故障及预防措施

    齿轮箱的常见故障有齿轮损伤、轴承损坏、断轴和渗漏油、油温高等。一、 齿轮损伤齿轮损伤的影响因素很多,包括选材、设计计算、加工、热处理、安装调试、润滑和使用维护等。常见的齿轮损伤有齿面损伤和轮齿折断两类。(一) 轮齿折...


    2021-12-19 01:20:59    互联网    586    分类:算法开发    专栏:风电机组   

    异常检测方法综述

    异常检测2


    2021-12-19 14:20:42    互联网    479    分类:算法开发    专栏:工业异常检测   

    异常检测——拓扑异常检测(TAD)

    分类是一种基于密度的outlier detection思想它不使用局部密度,而是利用近邻将数据构造成图。与其他KNN方法不同的是,它不用设定K作为参数,而是设定一个maximal inter-observation distance(被称为图resolution)的参数。在算法中,如果两个点之间的距离小与图resolution,就在他们之间加一个边。当整张图构建完成以后,通过设定一个阈值P...


    2021-12-19 14:40:05    互联网    432    分类:算法开发    专栏:工业异常检测   

    异常检测——常见方法分类

    异常检测3——常见方法分类基于统计学极值分析对数据分布进行假设基于线性分析基于时空空间关系造成的异常时间序列上的异常基于相似性分析建立在距离度量上的异常检测建立在密度分析上的异常检测基于聚类的异常检测基于偏差高维方法其他集成异常检测监督异常检测,半监督异常检测,主动学习图中的异常检测、网络中的异常检测基于统计学极值分析往往只对单独纬度进行研究,使用上有很大的局限性【1】对数据分布进行假设...


    2021-12-19 14:43:14    互联网    1514    分类:算法开发    专栏:工业异常检测   

    异常检测——ABOD(angle-based outlier detection)

    论文:Angle-Based Outlier Detection in High-dimensional Data,kdd2008问题高维度情况下,距离同质化。基础:1、在高维空间中角度比距离更稳定[1]2、如果其他大部分的点都在相似的方向上,那么点O是个离群点3、如果许多其他的点在不同的方向上,那么点O不是离群点。方法对于一个给定的点P,它与任意其他点x,y之间的角度构成一个...


    2021-12-19 14:55:27    互联网    953    分类:论文速递    专栏:工业异常检测   

    异常检测——孤立森林

    异常检测——孤立森林基础思想算法训练阶段评估阶段参考基础1)异常数据只占少量;(2)异常数据特征值和正常数据差别很大。思想基于随机森林思想,但是更为简单假设数据集有N条数据,构建一颗iTree时,从N条数据中均匀抽样(一般是无放回抽样)出ψ个样本出来,作为这颗树的训练样本。在样本中,随机选一个特征,并在这个特征的所有值范围内(最小值与最大值之间)随机选一个值,对样本进行二叉划分,将样本中...


    2021-12-19 15:00:11    互联网    413    分类:算法开发    专栏:工业异常检测   

    风电机组状态监测系统(CMS)

    1、前言 风能作为一种清洁的永续能源,逐渐成为许多国家可持续发展战略的重要组成部分。我国的风能开发更是飞速发展,已经成为全球最大的风电市场。2015年,中国风电装机量再创新高。全国(除台湾地区外)新增装机容量3075.3万千瓦,同比增长32.6%,新增安装风电机组16740台;累计装机容量达到14536.2万千瓦,同比增长26.8%,累计安装风电机组92981台。


    2021-12-19 15:22:38    互联网    1153    分类:算法开发    专栏:风电机组   

    气象数据分析之突变检验及python的实现:MK突变、Pettitt方法、滑动T检验

    什么是突变?常见的气候突变是把它定义为气候从一个平均值到另 一个平均值的急剧变化, 它表现为气候变化的不连续性(符淙斌,1992)。下图总结了四种常见的突变:(a)均值突变:从一个均值到另一个均值的变化,表现气候变化的不连续性(b)变率突变:平均值没有变但是方差变了©跷跷板突变(d)转折突变:某一 时段持续减少 ( 增加 ) , 然后突然在某点开 始 持续增加 (减少 )检验突变的方法有很多,介绍几种常用的~1. MK突变分析1.1原理3. 滑动T检验...


    2021-12-20 11:02:22    互联网    1070    分类:算法开发    专栏:工业异常检测   

    突变点检测:时序平稳性检验之ADF检验(python)

    import numpy as npfrom statsmodels.tsa.stattools import adfuller as ADFdef trend_desc(inputdata): # 计算总趋势秩次和 inputdata = np.array(inputdata) n = inputdata.shape[0] sum_sgn = 0 ...


    2021-12-21 10:58:04    互联网    753    分类:算法开发    专栏:工业异常检测   

    异常分析介绍-《Outlier Analysis 2nd Edition》

    异常值是与其余数据存在显然不同的数据点。 霍金斯定义异常值如下: <br> “异常值是一个与其他观察结果有很大差异的观察结果,以此引起人们怀疑它是由不同的机制产生的”。 <br> 在数据挖掘和统计学文献中,异常值也被称为abnormalities、discordants、deviants或anomalies。 在大多数应用中,数据是由一个或多个生成过程创建的,这些生成过程既可以反映系统中的活动,也可以反映收集的有关实体的观察结果。当生成过程表现异常时,会导致创建异常值。 因此,异常经常包含有关系统和实体影响数据生成过程的异常特征的有用信息。 对这些不寻常的特性的认识提供了有用的应用特定见解。 一些例子如下:


    2021-12-21 11:00:12    互联网    424    分类:算法开发    专栏:工业异常检测   

    异常分析-数据模型就是一切《Outlier Analysis 2nd Edition》

    几乎所有异常值检测算法都会建立数据中正常模式的模型,然后根据这些模式的偏差计算给定数据点的异常值。 例如,该数据模型可以是生成模型,例如高斯混合模型,基于回归的模型或基于邻近的模型。 所有这些模型对数据的“正常”行为做出不同的假设。 然后通过评估数据点与模型之间的拟合质量来计算数据点的离群值分数。 在很多情况下,模型可能是算法定义的。 例如,基于最近邻的离群值检测算法根据其最近邻距离的分布对数据点


    2021-12-21 11:00:33    互联网    401    分类:算法开发    专栏:工业异常检测   

    突变点检测:Magnitude of trend之Sen's slope(python)

    # Sen's slopeimport numpy as npfrom pandas import Seriesfrom scipy.stats import normdef sens_slope_trend_detection(inputdata,conf_level=0.95): inputdata = Series(inputdata) n = inputda...


    2021-12-21 11:05:07    互联网    736    分类:算法开发    专栏:工业异常检测   

    Python趋势分析自动化检测描述最终(最新)

    Python趋势分析自动化检测描述最终(最新)异常检测、def trend_desc(inputdata,conf_level=0.95): overall_num = len(inputdata) # Sen's slope trend_result = sens_slope_trend_detection(inputdata,conf_level) # trend desc # 99% ——&amp;amp;amp;amp;amp;amp;amp;amp;amp;amp;amp;gt; +—2....


    2021-12-21 11:05:25    互联网    617    分类:算法开发    专栏:工业异常检测   

    突变点检测:Buishand U test突变点检测(python)

    import numpy as npimport pandas as pddef Buishand_U_change_point_detection(inputdata): inputdata = np.array(inputdata) inputdata_mean = np.mean(inputdata) n = inputdata.shape[0] k...


    2021-12-21 11:07:15    互联网    597    分类:算法开发    专栏:工业异常检测   

    时间序列预测中特征构建

    传统统计学习方法: naive approach, moving average, Holt linear, exponential smoothing, ARIMA, and Prophet现代机器学习方法: 树模型等深度学习方法: LSTM、Seq2seq、Transform-XL等树模型需要人为构建特征,同时预测值不可超越区间内取值的上限。深度学习网络,可以发现输入数据之间的交互关系,同时可以发现趋势。根据数据可以尝试不同的方法,选择较优的方法。下面是树模型的构造特征的方法。1. 时间戳特


    2021-12-21 11:53:05    互联网    1039    分类:算法开发    专栏:时间序列预测   








    • 52phm公告

    • 在这里,可以学习接触到工业互联网技术知识以及落地案例,其中涵盖工业数据集、工业标准库、机理模型、设备知识、机器学习、 深度学习、特征工程、振动分析、工业视觉、边缘硬件及传感器等技术知识!


    • 关于站长


    •         从事设备故障预测与健康管理行业多年的PHM算法工程师(机器医生)、国际振动分析师, 实践、研发和交付的项目涉及“化工、工业机器人、风电机组、钢铁、核电、机床、机器视觉”等领域。专注于工业智能预警系统研发, 通过机理算法和数据驱动算法分析振动信号、音频、DCS、PLC信号、SCADA信号等设备运行状态数据对机器设备进行看病预诊,为机器设备健康运行保驾护航。




    52phm社区

    52phm社区,专注预测性维护的学习平台!

    Saas体验

    + 工业demo学习系统

    技术博客

    + 博客首页    + 算法开发    + 边缘感知   

    + 设备机理    + 开发环境

    + 论文速递   

    友情链接

    + 在码圈

    联系我

    Copyright© 2021 52phm社区

    京ICP备2021029973号-1