CN102789676A - 一种基于报警证据融合的工业报警器设计方法 - Google Patents
一种基于报警证据融合的工业报警器设计方法 Download PDFInfo
- Publication number
- CN102789676A CN102789676A CN2012102852204A CN201210285220A CN102789676A CN 102789676 A CN102789676 A CN 102789676A CN 2012102852204 A CN2012102852204 A CN 2012102852204A CN 201210285220 A CN201210285220 A CN 201210285220A CN 102789676 A CN102789676 A CN 102789676A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msubsup
- mtr
- mtd
- centerdot
- 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.)
- Granted
Links
Images
Landscapes
- Organic Low-Molecular-Weight Compounds And Preparation Thereof (AREA)
- Alarm Systems (AREA)
Abstract
本发明涉及一种基于报警证据融合的工业报警器设计方法,属于工业报警器设计技术领域。该方法基于模糊隶属度函数构造出模糊阈值,将每个时刻过程变量的测量值与模糊阈值进行比较计算出报警证据,该报警证据体现了过程变量取值超过或低于模糊阈值的不确定性程度;利用线性加权证据更新规则将当前时刻报警证据与以往时刻报警证据进行融合,得出当前时刻的全局报警证据,在相关判定准则下判定是否发出警报,融合过程可以有效降低不确定性的影响,提升报警器的精准性;并根据过程变量测量数据中提取的测试样本,给出了寻找误报率和漏报率最低准则下最优模糊阈值的方法。
Description
技术领域
本发明涉及一种基于报警证据融合滤波的工业报警器设计方法,属于工业报警器设计技术领域。
背景技术
在石油化工等工业领域中,对大型设备主要运行过程变量的超限报警是掌握设备运行情况,及时发现设备异常或故障的重要手段。报警器产生的警报可以提醒设备操作者或维护人员及时采取停机或降级运行等措施,保证设备不受到更为严重的损害。报警器是否报警取决于所监测的过程变量是否触发设定的报警阈值。然而在实际应用中,当报警器阈值设计不当时,常常会出现误报甚至警报泛滥以及漏报等情况。这都会引起设备操作者无法准确判断设备真实的运行状况,从而导致不再信任报警器提供的警报信息。所以衡量一个报警器性能的基本指标为误报率和漏报率。英国工程设备和材料用户协会标准中已经给出了数字滤波、时间延迟、设置死区等几类常用的报警器设方法,但是这些传统方法报警的判别方式都是基于绝对阈值的,即过程变量超过阈值则立即报警,低于阈值报警即刻解除。但是,这种绝对阈值的设计思路并不能很好的消除设备运行及传感器信息采集中各种不确定性干扰,从而并不能完全有效地降低误报率和漏报率,最终达到提高报警精准性的目的。
为了进一步降低报警器的误报率和漏报率,新兴的信息融合技术,可以将不同时刻取得的含有不确定性的报警信息在某种规则下进行融合,从而降低不确定性因素对报警结果的影响,以获得对设备运行状态更精准的一致性解释与描述,有效提高报警器警报的精准性。
发明内容
本发明的目的是提出一种基于报警证据融合的工业报警器设计方法,与传统报警器设计方法中采用的绝对阈值报警判别方式不同,本发明所提方法基于模糊隶属度函数设计出模糊阈值,将每个时刻过程变量的取值与模糊阈值进行比较计算出报警证据,该报警证据体现了过程变量取值超过或低于模糊阈值的不确定性程度;然后利用线性加权证据更新规则将当前时刻报警证据与以往时刻报警证据进行融合,得出当前时刻的全局报警证据,在相关判定准则下判定是否发出警报,融合过程可以有效降低不确定性的影响,提升报警器的精准性。
本发明提出的基于报警证据融合的工业报警器设计方法,包括以下各步骤:
(1)设定某一设备报警器的辨识框架为Θ={N,A},其中N(Normal)表示设备处于正常运行状态,A(Abnormal)表示设备处于异常运行状态亦即报警状态。
(2)设x为该设备报警器需要监测的过程变量,令x(k),k=1,2,3,…是传感器对过程变量x的在线测量序列,k为采样时刻,采样个数由报警器的监测周期和监控计算机的存储空间而定,一般k的最大取值要大于2000,记和分别为x变化的最小值和最大值,定义xtp为确定性阈值,并有构造过程变量x关于正常运行状态N和异常运行状态A隶属度函数形式的模糊阈值分别为μN(x)和μA(x),如式(1)和式(2)所示
(3)将k时刻过程变量x的测量值x(k)分别带入上述步骤(2)中关于正常运行状态N和异常运行状态A的模糊阈值μN(x)和μA(x)中,即可计算x(k)隶属于N和A的隶属程度mk(N)和mk(A),分别如式(3)和式(4)所示
显然有mk(N)+mk(A)=1,则称mk(N)和mk(A)为k时刻关于过程变量x的报警证据,并令mk=(mk(N),mk(A))为k时刻获得的报警证据向量。
(4)按照上述步骤(3)获得当前k时刻及其以往各个时刻关于过程变量x的报警证据向量之后,可以利用线性加权证据更新规则将k时刻报警证据向量与其以往时刻报警证据向量进行融合,得出当前k时刻的全局报警证据向量,记为上标g代表全局(global),具体步骤如下:
(4-1)当k=1时,有 亦即全局报警证据向量即为该时刻获得的报警证据向量。
这里的α1=0.5是关于的加权比例因子,α2=0.5是关于m2(N)的加权比例因子,为关于m2(N)的示性因子,当m2(N)>m2(A)时当m2(N)<m2(A)时当m2(N)=m2(A)时 是如式(6)所示的加权融合结果:
这里的αk-1是关于的加权比例因子,αk是关于mk的加权比例因子,其求法如以下步骤所示:
(a)在获得k时刻报警证据向量mk=(mk(N),mk(A))和k-1时刻的全局报警证据向量mk-1 g=(mk-1 g(N),mk-1 g(A))以及k-2时刻的全局报警证据向量之后,分别计算mk、mk-1 g和之间的两两余弦相似度为:
显然有αk-1+αk=1。
(5)根据步骤(4)得到的k时刻的全局证据向量给出报警准则:若则报警,即说明此时过程变量x的取值x(k)表明设备处于异常运行状态,若则不报警,即说明此时过程变量x的取值x(k)表明设备处于正常运行状态。
(a)事先从步骤(2)所述过程变量x的测量序列的历史数据集合中,选出M个测量值作为寻找和的测试样本,排成序列x′(t),t=1,2,3,…M,一般M≥1000,并确知其中有MN个测量值是在设备处于正常运行状态时测得的,MA个测量值是在设备处于异常运行状态测得的,x′(t)需要覆盖x的变化区间且有MN=0.5·M和MA=0.5·M。
并得到报警证据向量mt=(mt(N),mt(A)),t=1,2,3,…M。
在式(19)中,将表明设备正常运行的MN个测试样本中,按步骤(d)中给出报警结果,错误判断设备处于异常运行状态的次数记为M′,在式(20)中,将表明设备异常运行的MA个测试样本中,按步骤(d)中给出报警结果,错误判断设备处于正常运行状态的次数记为M″。
(f)对于每个 n=1,2,…,20,都可按照步骤(e)计算出相应的20组虚警率FAR和漏报率MAR,挑选出其中使得(FAR2+MAR2)0.5取最小值的那个xtp作为最优的确定性阈值,记为根据步骤(2)即可构造出最优的模糊阈值和
本发明提出的一种基于报警证据融合的工业报警器设计方法,基于模糊隶属度函数设计出模糊阈值,将每个时刻过程变量的测量值与模糊阈值进行比较计算出报警证据,该报警证据体现了过程变量取值超过或低于模糊阈值的不确定性程度;利用线性加权证据更新规则将当前时刻报警证据与以往时刻报警证据进行融合,得出当前时刻的全局报警证据,在相关判定准则下判定是否发出警报,融合过程可以有效降低不确定性的影响,提升报警器的精准性;并根据过程变量测量数据中提取的测试样本,给出了寻找误报率和漏报率最低准则下最优模糊阈值的方法。根据本发明方法编制的程序(编译环境LabVIEW,C++等)可以在监控报警计算机上运行,并联合传感器、数据采集器及数据存储器等硬件组成在线报警系统,实现对设备运行状况的实时报警功能。
附图说明
图1是本发明方法的流程框图。
图2是本发明方法的实施例中过程变量x的在线测量序列。
图3是本发明方法的实施例中过程变量x的测试样本序列。
图4是本发明方法的实施例中xtp=1时对应给出的模糊阈值。
具体实施方式
本发明提出的一种基于报警证据融合的工业报警器设计方法,其流程框图如图1所示,包括以下各步骤:
(1)设定某一设备报警器的辨识框架为Θ={N,A},其中N(Normal)表示设备处于正常运行状态,A(Abnormal)表示设备处于异常运行状态亦即报警状态。
(2)设x为该设备报警器需要监测的过程变量,令x(k),k=1,2,3,…是传感器对过程变量x的在线测量序列,k为采样时刻,采样个数由报警器的监测周期和监控计算机的存储空间而定,一般k的最大取值要大于2000,记和分别为x变化的最小值和最大值,定义xtp为确定性阈值,并有构造过程变量x关于正常运行状态N和异常运行状态A隶属度函数形式的模糊阈值分别为μN(x)和μA(x),如式(1)和式(2)所示
需要说明的是,以上所构造的μN(x)和μA(x)适用于设备异常运行引起过程变量取值变大的情况(情况一),反之,对于设备异常运行引起过程变量取值变小的情况(情况二),则情况一中的μN(x)即为情况二中的μA(x),情况一中的μA(x)即为情况二中的μN(x)。
(3)将k时刻过程变量x的测量值x(k)分别带入上述步骤(2)中关于正常运行状态N和异常运行状态A的模糊阈值μN(k)和μA(x)中,即可计算x(k)隶属于N和A的隶属程度mk(N)和mk(A),分别如式(3)和式(4)所示
显然有mk(N)+mk(A)=1,则称mk(N)mk(A)为k时刻关于过程变量x的报警证据,并令mk=(mk(N),mk(A))为k时刻获得的报警证据向量。
需要说明的是,基于所构造的模糊阈值,式(3)求解出的mk(N)表示x(k)支持设备处于“正常运行状态”的程度,式(4)求解出的mk(A)表示x(k)支持设备处于“异常运行状态”的程度。
(4)按照上述步骤(3)获得当前k时刻及其以往各个时刻关于过程变量x的报警证据向量之后,可以利用线性加权证据更新规则将k时刻报警证据向量与其以往时刻报警证据向量进行融合,得出当前k时刻的全局报警证据向量,记为上标g代表全局(global),具体步骤如下:
(4-1)当k=1时,有 亦即全局报警证据向量即为该时刻获得的报警证据向量。
这里的α1=0.5是关于的加权比例因子,α2=0.5是关于m2(N)的加权比例因子,为关于m2(N)的示性因子,当m2(N)>m2(A)时当m2(N)<m2(A)时 当 时 是如式(6)所示的加权融合结果:
这里的αk-1是关于的加权比例因子,αk是关于mk的加权比例因子,其求法如以下步骤所示:
(a)在获得k时刻报警证据向量mk=(mk(N),mk(A))和k-1时刻的全局报警证据向量mk-1 g=(mk-1 g(N),mk-1 g(A))以及k-2时刻的全局报警证据向量之后,分别计算mk、mk-1 g和之间的两两余弦相似度为:
显然有αk-1+αk=1。
为了加深对步骤(4)的理解,这里举例说明。首先假设已知k=1,2,3,4,5这5个时刻关于过程变量x的报警证据向量如表1所示:
表1 过程变量x的报警证据向量
按照步骤(4)可以给出5个时刻的全局报警证据分别如下:
当k=1时,根据步骤(4-1)可得,m1 g=m1=(0,1)。
当k=2时,根据步骤(4-2)可得, 其中的α1=0.5α2=0.5, 其中 则有m2 g=(0,1)。
当k=3时,根据步骤(4-3)可得, 其中根据步骤(4-3)中的子步骤a可得Cos(m3,m2 g)=0.5547、Cos(m3,m1 g)=0.5547、Cos(m2 g,m1 g)=1,根据步骤(4-3)中的子步骤b可得Sup(m3)=1.1094、Sup(m2 g)=1.5547、Sup(m1 g)=1.5547,根据步骤(4-3)中的子步骤c可得α2=0.737和α3=0.263,并有 其中最终则有m3 g=(0.263,0.737)。
当k=4时,根据步骤(4-3)可得, 其中根据步骤(4-3)中的子步骤子a可得Cos(m4,m3 g)=0.6799、Cos(m4,m2 g)=0.3939、Cos(m3 g,m2 g)=0.9418,根据步骤(4-3)中的子步骤b可得Sup(m4)=1.0738、Sup(m3 g)=1.6217、Sup(m2 g)=1.3358,根据步骤(4-3)中的子步骤c可得α3=0.7336和α4=0.2664,并有 其中最终则有m4 g=(0.459,0.541)。
当k=5时,根据步骤(4-3)可得, 其中根据步骤(4-3)中的子步骤a可得Cos(m5,m4 g)=0.7276、Cos(m5,m3 g)=0.438、Cos(m4 g,m3 g)=0.9354,根据步骤(4-3)中的子步骤b可得Sup(m5)=1.1656、Sup(m4 g)=1.663、Sup(m3 g)=1.3734,根据步骤(4-3)中的子步骤c可得α4=0.7226和α5=0.2774,并有 其中最终则有m5 g=(0.609,0.391)。
(5)根据步骤(4)得到的k时刻的全局证据向量给出报警准则:若则报警,即说明此时过程变量x的取值x(k)表明设备处于异常运行状态,若则不报警,即说明此时过程变量x的取值x(k)表明设备处于正常运行状态。
在上例中,根据5个时刻输出的全局报警证据向量,根据步骤(5)可以给出报警结果如表2所示
表2 报警结果输出
(a)事先从步骤(2)所述过程变量x的测量序列的历史数据集合中,选出M个测量值作为寻找和的测试样本,排成序列x′(t),t=1,2,3,…M,一般M≥1000,并确知其中有MN个测量值是在设备处于正常运行状态时测得的,MA个测量值是在设备处于异常运行状态测得的,x′(t)需要覆盖x的变化区间且有MN=0.5·M和MA=0.5·M。
并得到报警证据向量mt=(mt(N),mt(A)),t=1,2,3,…M。
在式(19)中,将表明设备正常运行的MN个测试样本中,按步骤(d)中给出报警结果,错误判断设备处于异常运行状态的次数记为M′,在式(20)中,将表明设备异常运行的MA个测试样本中,按步骤(d)中给出报警结果,错误判断设备处于正常运行状态的次数记为M″。
(f)对于每个n=1,2,…,20,都可按照步骤(e)计算出相应的20组虚警率FAR和漏报率MAR,挑选出其中使得(FAR2+MAR2)0.5取最小值的那个xtp作为最优的确定性阈值,记为根据步骤(2)即可构造出最优的模糊阈值和
需要说明的是,在以上步骤(6)的子步骤(a)中,在计算量允许的情况下,用于选择最优模糊阈值和的测试样本个数M越大越好,子步骤(b)中xtp取值个数n的最大值越大越好,因为此时对于每个下获得的虚警率FAR和漏报率MAR会更加精确,所以本发明中给出的M≥1000以及n最大取到20是结合步骤(6)在实施中节省计算量方面的考虑设定的,实际中可以适当增大M和n的最大值的取值。
以下结合附图,详细介绍本发明方法的实施例:
本发明方法的流程框图如图1所示,核心部分是:在确定需要监测的设备过程变量及其在线测量序列之后,造出关于该变量的模糊阈值,将每个时刻过程变量的测量值与模糊阈值进行比较计算出报警证据;利用线性加权证据更新规则将当前时刻报警证据与以往时刻报警证据进行融合,得出当前时刻的全局报警证据,在相关判定准则下判定是否发出警报,融合过程可以有效降低不确定性的影响,提升报警器的精准性;根据过程变量测量数据中提取的测试样本,给出了寻找误报率和漏报率最低准则下最优模糊阈值的方法。
以下结合图2中所示的过程变量的在线监测数据,给出最佳实施例,详细介绍本发明方法的各个步骤,并通过实验数据验证在最优模糊阈值下得到的误报率和漏报率显著低于最优绝对阈值下传统时间延迟方法得到的误报率和漏报率。
1、给定设备过程变量x的在线监测数据序列x(k)。
过程变量x的在线监测数据序列x(k)如图2所示,k的最大取值为4000,通过统计可知x变化的最小值 和最大值
根据步骤(6)中的子步骤(a),若经事后分析得出,图2所示的在线测量序列x(k)中,x(1)到x(500)以及x(1001)到x(1500)这1000个测量值是在设备处于正常运行状态(N)下测得的,x(501)到x(1000)以及x(1501)到x(2000)这1000个测量值是在设备处于异常运行状态(A)下测得的,则共有MN=1000个测量值是设备正常运行时所得数据,共有MA=1000个测量值是设备异常运行时所得数据。将这两组共2000个测量值排列成测试样本序列x′(t),t=1,2,3,…M,M=MN+MA=2000,如图3所示,x′(t)覆盖了x的变化区间 其中前1000个样本是设备正常运行时采集的MN个测量值,后1000个样本是设备异常运行时采集的MA个测量值。
根据步骤(6)中的子步骤(c)-(f)可得,当xtp=0.744时,在其对应的模糊阈值(如图5所示)下获得最小的(FAR2+MAR2)0.5=0.0332,其中FAR=0.9%和MAR=3.2%。则图4中的模糊阈值即为最优的模糊阈值和并记最优的确定性阈值为相应的有最优的报警上下限分别为 和
Claims (1)
1.一种基于报警证据融合的工业报警器设计方法,其特征在于该方法包括以下各步骤:
(1)设定某一设备报警器的辨识框架为Θ={N,A},其中N表示设备处于正常运行状态,A表示设备处于异常运行状态亦即报警状态;
(2)设x为该设备报警器需要监测的过程变量,令x(k),k=1,2,3,…是传感器对过程变量x的在线测量序列,k为采样时刻,采样个数由报警器的监测周期和监控计算机的存储空间而定,k的最大取值要大于2000,记和分别为x变化的最小值和最大值,定义xtp为确定性阈值,并有构造过程变量x关于正常运行状态N和异常运行状态A隶属度函数形式的模糊阈值分别为μN(x)和μA(x),如式(1)和式(2)所示
(3)将k时刻过程变量x的测量值x(k)分别带入上述步骤(2)中关于正常运行状态N和异常运行状态A的模糊阈值μN(x)和μA(x)中,即可计算x(k)隶属于N和A的隶属程度mk(N)和mk(A),分别如式(3)和式(4)所示
显然有mk(N)+mk(A)=1,则称mk(N)和mk(A)为k时刻关于过程变量x的报警证据,并令mk=(mk(N),mk(A))为k时刻获得的报警证据向量;
(4)按照上述步骤(3)获得当前k时刻及其以往各个时刻关于过程变量x的报警证据向量之后,可以利用线性加权证据更新规则将k时刻报警证据向量与其以往时刻报警证据向量进行融合,得出当前k时刻的全局报警证据向量,记为具体步骤如下:
(4-1)当k=1时,有 亦即全局报警证据向量即为该时刻获得的报警证据向量;
这里的α1=0.5是关于的加权比例因子,α2=0.5是关于m2(N)的加权比例因子,为关于m2(N)的示性因子,当m2(N)>m2(A)时当m2(N)<m2(A)时当m2(N)=m2(A)时 是如式(6)所示的加权融合结果:
(a)在获得k时刻报警证据向量mk=(mk(N),mk(A))和k-1时刻的全局报警证据向量mk-1 g=(mk-1 g(N),mk-1 g(A))以及k-2时刻的全局报警证据向量之后,分别计算mk、mk-1 g和之间的两两余弦相似度为
显然有αk-1+αk=1;
(5)根据步骤(4)得到的k时刻的全局证据向量给出报警准则:若则报警,即说明此时过程变量x的取值x(k)表明设备处于异常运行状态,若则不报警,即说明此时过程变量x的取值x(k)表明设备处于正常运行状态;
(a)事先从步骤(2)所述过程变量x的测量序列的历史数据集合中,选出M个测量值作为寻找和的测试样本,排成序列x′(t),t=1,2,3,…M,M≥1000,并确知其中有MN个测量值是在设备处于正常运行状态时测得的,MA个测量值是在设备处于异常运行状态测得的,x′(t)需要覆盖x的变化区间且有MN=0.5·M和MA=0.5·M;
(c)对于每个将步骤(a)中给出的测试样本序列x′(t),代入步骤(3)中给出的报警证据求取公式,得到每个测试样本的报警证据,如式(17)和(18)所示
并得到报警证据向量mt=(mt(N),mt(A));
在式(19)中,将表明设备正常运行的MN个测试样本中,按步骤(d)中给出报警结果,错误判断设备处于异常运行状态的次数记为M′,在式(20)中,将表明设备异常运行的MA个测试样本中,按步骤(d)中给出报警结果,错误判断设备处于正常运行状态的次数记为M″;
(f)对于每个n=1,2,…,20,都可按照步骤(e)计算出相应的20组虚警率FAR和漏报率MAR,挑选出其中使得(FAR2+MAR2)0.5取最小值的那个xtp作为最优的确定性阈值,记为根据步骤(2)即可构造出最优的模糊阈值和
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210285220.4A CN102789676B (zh) | 2012-08-10 | 2012-08-10 | 一种基于报警证据融合的工业报警器设计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210285220.4A CN102789676B (zh) | 2012-08-10 | 2012-08-10 | 一种基于报警证据融合的工业报警器设计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102789676A true CN102789676A (zh) | 2012-11-21 |
CN102789676B CN102789676B (zh) | 2014-04-02 |
Family
ID=47155072
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210285220.4A Active CN102789676B (zh) | 2012-08-10 | 2012-08-10 | 一种基于报警证据融合的工业报警器设计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102789676B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107122586A (zh) * | 2017-03-20 | 2017-09-01 | 山东科技大学 | 基于单一模拟量和报警延迟器的报警系统优化方法及装置 |
CN108257365A (zh) * | 2018-01-29 | 2018-07-06 | 杭州电子科技大学 | 一种基于全局不确定性证据动态融合的工业报警器设计方法 |
CN108986418A (zh) * | 2018-09-18 | 2018-12-11 | 广东电网有限责任公司 | 智能报警方法、装置、设备及存储介质 |
CN109145972A (zh) * | 2018-08-09 | 2019-01-04 | 杭州电子科技大学 | 一种船舶电力推进系统变频器报警器设计方法 |
CN109375037A (zh) * | 2018-11-16 | 2019-02-22 | 杭州电子科技大学 | 一种中压船舶电力系统单相接地故障报警器设计方法 |
CN109932908A (zh) * | 2019-03-20 | 2019-06-25 | 杭州电子科技大学 | 一种基于报警信度融合的多向主元分析过程监测方法 |
CN109946542A (zh) * | 2019-03-22 | 2019-06-28 | 杭州电子科技大学 | 基于长短时信息融合的逆变器直流回路电容故障检测方法 |
CN111443686A (zh) * | 2020-03-23 | 2020-07-24 | 杭州电子科技大学 | 基于多目标优化与证据迭代更新的工业报警器设计方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6415276B1 (en) * | 1998-08-14 | 2002-07-02 | University Of New Mexico | Bayesian belief networks for industrial processes |
US20030191610A1 (en) * | 2002-03-26 | 2003-10-09 | Hai-Wen Chen | Method and system for multi-sensor data fusion using a modified dempster-shafer theory |
CN1920511A (zh) * | 2006-08-01 | 2007-02-28 | 东北电力大学 | 离心泵振动故障融合诊断方法及振动信号采集装置 |
EP2290597A2 (en) * | 2009-08-31 | 2011-03-02 | General Electric Company | System and method for wind turbine health management |
CN102033984A (zh) * | 2010-11-12 | 2011-04-27 | 清华大学 | 一种基于区间型证据融合的旋转机械设备故障诊断方法 |
-
2012
- 2012-08-10 CN CN201210285220.4A patent/CN102789676B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6415276B1 (en) * | 1998-08-14 | 2002-07-02 | University Of New Mexico | Bayesian belief networks for industrial processes |
US20030191610A1 (en) * | 2002-03-26 | 2003-10-09 | Hai-Wen Chen | Method and system for multi-sensor data fusion using a modified dempster-shafer theory |
CN1920511A (zh) * | 2006-08-01 | 2007-02-28 | 东北电力大学 | 离心泵振动故障融合诊断方法及振动信号采集装置 |
EP2290597A2 (en) * | 2009-08-31 | 2011-03-02 | General Electric Company | System and method for wind turbine health management |
CN102033984A (zh) * | 2010-11-12 | 2011-04-27 | 清华大学 | 一种基于区间型证据融合的旋转机械设备故障诊断方法 |
Non-Patent Citations (2)
Title |
---|
VALERIE KAFANTDJIAN .ETC: "The combined use of the evidence theory and fuzzy logic for improving multimodal nondestructive testing systems", 《IEEE TRANSACTIONS ON INSTRUMENTATION AND MESUREMENT》 * |
宋晓静等: "一种基于证据理论的工业报警器设计方法", 《杭州电子科技大学学报》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107122586B (zh) * | 2017-03-20 | 2018-09-21 | 山东科技大学 | 基于单一模拟量和报警延迟器的报警系统优化方法及装置 |
CN107122586A (zh) * | 2017-03-20 | 2017-09-01 | 山东科技大学 | 基于单一模拟量和报警延迟器的报警系统优化方法及装置 |
CN108257365B (zh) * | 2018-01-29 | 2020-04-24 | 杭州电子科技大学 | 一种基于全局不确定性证据动态融合的工业报警器设计方法 |
CN108257365A (zh) * | 2018-01-29 | 2018-07-06 | 杭州电子科技大学 | 一种基于全局不确定性证据动态融合的工业报警器设计方法 |
CN109145972A (zh) * | 2018-08-09 | 2019-01-04 | 杭州电子科技大学 | 一种船舶电力推进系统变频器报警器设计方法 |
CN109145972B (zh) * | 2018-08-09 | 2021-08-03 | 杭州电子科技大学 | 一种船舶电力推进系统变频器报警器设计方法 |
CN108986418A (zh) * | 2018-09-18 | 2018-12-11 | 广东电网有限责任公司 | 智能报警方法、装置、设备及存储介质 |
CN109375037A (zh) * | 2018-11-16 | 2019-02-22 | 杭州电子科技大学 | 一种中压船舶电力系统单相接地故障报警器设计方法 |
CN109932908A (zh) * | 2019-03-20 | 2019-06-25 | 杭州电子科技大学 | 一种基于报警信度融合的多向主元分析过程监测方法 |
CN109932908B (zh) * | 2019-03-20 | 2022-03-01 | 杭州电子科技大学 | 一种基于报警信度融合的多向主元分析过程监测方法 |
CN109946542A (zh) * | 2019-03-22 | 2019-06-28 | 杭州电子科技大学 | 基于长短时信息融合的逆变器直流回路电容故障检测方法 |
CN111443686A (zh) * | 2020-03-23 | 2020-07-24 | 杭州电子科技大学 | 基于多目标优化与证据迭代更新的工业报警器设计方法 |
CN111443686B (zh) * | 2020-03-23 | 2021-08-10 | 杭州电子科技大学 | 基于多目标优化与证据迭代更新的工业报警器设计方法 |
Also Published As
Publication number | Publication date |
---|---|
CN102789676B (zh) | 2014-04-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102789676B (zh) | 一种基于报警证据融合的工业报警器设计方法 | |
Hu et al. | Detection of frequent alarm patterns in industrial alarm floods using itemset mining methods | |
CN104573850B (zh) | 一种火电厂设备状态评估方法 | |
CN110414155A (zh) | 一种带有单测点的风机部件温度异常检测和报警方法 | |
CN110298455A (zh) | 一种基于多变量估计预测的机械设备故障智能预警方法 | |
CN109211548A (zh) | 一种机械故障诊断方法 | |
CN110701137B (zh) | 一种掘进机液压系统智能在线检测诊断装置及方法 | |
CN102062832B (zh) | 基于微扰动信号低频振荡模式辨识的电力系统在线预警方法 | |
CN107271170A (zh) | 一种机械设备故障类型的自动诊断方法及系统 | |
CN110008565A (zh) | 一种基于运行参数关联性分析的工业过程异常工况预测方法 | |
CN110529202B (zh) | 基于电厂数据的汽轮机故障诊断检测及预警方法及系统 | |
CN110085006A (zh) | 船舶监测方法、装置、系统和存储介质 | |
CN104360677A (zh) | 一种卷烟加工过程质量评价与诊断方法 | |
CN105759201A (zh) | 基于异常样本识别的高压断路器自诊断方法 | |
CN113705924A (zh) | 一种热控设备智能诊断方法和系统 | |
CN110646685B (zh) | 一种开关柜状态综合评估方法 | |
CN106872172B (zh) | 航空发动机试验安全参数监视的实时判别方法及系统 | |
CN107844067B (zh) | 一种水电站闸门在线状态监测控制方法及监测系统 | |
CN112861350B (zh) | 一种水冷式汽轮发电机定子绕组温度过热缺陷预警方法 | |
CN110580492A (zh) | 一种基于小幅波动检测的轨道电路故障前兆发现方法 | |
CN103389701A (zh) | 基于分布式数据模型的厂级过程故障检测与诊断方法 | |
CN103487250A (zh) | 基于二维投射的煤矿设备预知维护方法 | |
CN116796261B (zh) | 一种基于人工智能的封闭开关设备机械特性预测方法 | |
CN106933097B (zh) | 一种基于多层优化pcc-sdg的化工过程故障诊断方法 | |
CN112326246A (zh) | 基于周期数据及核密度估计的轴承安全状态在线监测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right |
Effective date of registration: 20210517 Address after: 210001 room 7032, No.11 Zhanyuan Road, Qinhuai District, Nanjing City, Jiangsu Province Patentee after: Nanjing Smart Water Transportation Technology Co.,Ltd. Address before: 310018 No. 2 street, Xiasha Higher Education Zone, Hangzhou, Zhejiang Patentee before: HANGZHOU DIANZI University |
|
TR01 | Transfer of patent right |