CN105468917B - 一种管线故障预测方法及装置 - Google Patents
一种管线故障预测方法及装置 Download PDFInfo
- Publication number
- CN105468917B CN105468917B CN201510867106.6A CN201510867106A CN105468917B CN 105468917 B CN105468917 B CN 105468917B CN 201510867106 A CN201510867106 A CN 201510867106A CN 105468917 B CN105468917 B CN 105468917B
- Authority
- CN
- China
- Prior art keywords
- pipeline
- current
- probability
- failure
- breaks down
- 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
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种管线故障预测方法及装置,该方法针对待预测的管线,预测设备首先获取管线当前的各状态数据,根据各状态数据,通过预先建立的诊断模型,确定出该管线当前发生故障的当前概率,并根据该当前概率以及历史上确定出的所述管线发生故障的历史概率,确定出该管线在未来设定时间段内发生故障的预测概率,通过上述方法,可以实现对管线的故障进行预测,后续可以根据预测的结果对管线进行相应的维护和管理。
Description
技术领域
本申请涉及测试领域,尤其涉及一种管线故障预测方法及装置。
背景技术
如今,管线已经成为建设城市的重要组成部分,也是城市规划、建设和管理的重要基础信息,随着城市化进程的不断发展,地下管线也逐渐变得复杂化、多元化,也正是由于地下管线的复杂化、多元化,以及工程施工的不规范操作,导致地下管线事故频繁发生,如,出现管线撕裂、管线泄漏等。
目前,针对上述管线出现的问题,现有技术所采用的方式就是检测管线的运行状态,具体的,在管线上安装传感器,并通过传感器实时的采集管线的状态数据,如,采集管线的内部压力数据、管线的内部温度等,并将这些数据实时上传到服务器中,后续,工作人员直接根据获取到的各状态数据,判断管线是否出现故障。
但是,在现有技术中,只能实时监测管线状态,并判断管线当前是否出现故障,而无法对管线的故障进行提前预判(即,不能预测到管道未来是否会发生故障),进而做出预防措施,因此,对管线的故障进行预判是一个亟待解决的问题。
发明内容
本申请实施例提供一种管线故障预测方法及装置,用以解决现有技术中不能对管线的故障进行提前预判的问题。
本申请实施例提供的一种管线故障预测方法,包括:
获取管线当前的各状态数据;
根据各状态数据,通过预先建立的诊断模型,确定出所述管线当前发生故障的当前概率;
根据所述当前概率以及历史上确定出的所述管线发生故障的历史概率,确定出所述管线在未来设定时间段内发生故障的预测概率。
本申请实施例提供的一种管线故障预测装置,装置包括:
获取模块,用于获取管线当前的各状态数据;
确定模块,用于根据各状态数据,通过预先建立的诊断模型,确定出所述管线当前发生故障的当前概率;
预测模块,用于根据所述当前概率以及历史上确定出的所述管线发生故障的历史概率,确定出所述管线在未来设定时间段内发生故障的预测概率。
本申请实施例提供一种管线故障预测方法及装置,该方法针对待预测的管线,预测设备首先获取管线当前的各状态数据,根据各状态数据,通过预先建立的诊断模型,确定出该管线当前发生故障的当前概率,并根据该当前概率以及历史上确定出的所述管线发生故障的历史概率,确定出该管线在未来设定时间段内发生故障的预测概率,通过上述方法,可以实现对管线的故障进行预测,后续可以根据预测的结果对管线进行相应的维护和管理。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本申请实施例提供的管线故障预测过程;
图2为本申请实施例提供的贝叶斯网络诊断模型结构示意图;
图3为本申请实施例提供的事故树结构示意图;
图4为本申请实施例提供的管线故障预测装置结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
图1为本申请实施例提供的管线故障预测过程,具体包括以下步骤:
S101:获取管线当前的各状态数据。
在实际应用中,管线发生故障后可造成比较大的经济损失,甚至可能影响城市正常的运转,因此,能够提前预测出管线是否会在未来时刻发生故障对于整个城市的运行而言是很重要的。
因此,本申请旨在通过诊断模型以及预测模型对获取管线当前的各状态数据以及历史的各状态数据进行分析,从而能够对管线未来时刻是否发生故障进行预测。
在本申请实施例中,获取管线当前的各状态数据是由预测设备完成的,后续,预测设备可根据获取到的管线当前的各状态数据进行分析预测,所述预测设备可以是服务器,也可以是具有数据处理功能的设备及装置,如,终端。而所述管线的各状态数据是通过传感器采集而来的,并将采集到各状态数据传输给预测设备,也就是说,预先将用于采集不同类型数据的传感器(即,采集温度的传感器、采集压力的传感器等)安装到管线的各个区域内,如,每隔一千米在管线上安装一个温度传感器和压力传感器,每一类型的管线均对应着不同的状态数据类型,如,输水管线对应着内部流量这一状态数据类型,而输电管线则不涉及内部流量这一状态数据类型。
例如,服务器获取到输水管线的各状态数据,即,内部压力为“1MPa”、内部温度为“30℃”、管壁厚度为“10cm”,并对获取的数据进行相应的处理。
S102:根据各状态数据,通过预先建立的诊断模型,确定出所述管线当前发生故障的当前概率。
在实际应用中,管线发生故障的时候会导致管线的运行状态(即,运行状态由各状态数据表征)发生变化,即,管线出现泄漏的故障,从而导致内部压力减小,也可以说,管线的运行状态能反映出管线是否发生了故障,换言之,不同的运行状态对应着管线不同的运行状况(即,良好、发生故障等),如,管线内部的压力低于正常的压力值,则管线有可能就会出现了泄露故障,但是,也有可能没有出现泄露故障,而是其他原因造成的,因此,在本申请中,可以采用管线发生故障的概率来表征管线发生故障的可能性大小,如果管线发生故障的概率值越大,则说明管线发生故障的可能性越大,如果管线发生故障的概率值越小,则说明管线发生故障的可能越小。由于本申请中在根据概率进行预测管线当前是否发生故障时,需要结合由当前获取到的各状态数据而确定出的概率,以及由在历史上获取到的各状态数据而确定出的概率,因此,为了有效的区分出上述两个不同的概率,在本申请中,由当前获取到的各状态数据而确定出的概率称之为当前概率,由在历史上获取到的各状态数据而确定出的概率称之为历史概率。
另外,为了提高判断故障的准确率以及预测故障的准确率,在本申请中,在判断管线是否故障以及预测管线是否在未来某个时刻发生故障时,需要结合不同类型的状态数据判断和预测管线是否发生故障。
进一步的,在本申请实施例中,通过获取到的各状态数据,确定管线当前发生故障的当前概率是由预测设备中的诊断模型完成的,所述诊断模型是通过管线对应的各历史状态数据生成的,用于根据各状态数据,确定管线当前发生故障的当前概率。
由于每一类型的管线均对应着不同类型的状态数据类型,因此,每一类型的管线也均对应着不同的诊断模型,并且,诊断模型包含有各状态数据与故障发生的概率的对应关系,通过向模型中输入各状态数据,就可确定出管线当前发生故障的当前概率,如,状态数据(内部压力)与故障发生的概率是具有线性函数关系“Y=0.1X,其中,Y是故障发生的概率,X是内部压力”,则将获取到的内部压力值“1Mpa”输入到具有线性函数关系的诊断模型中,直接根据线性函数关系确定出管线发生故障的当前概率为“10%”。
进一步的,预测设备在通过诊断模型,确定出管线当前发生故障的当前概率后,可与预先设定的阈值进行比较,如果当前概率超过阈值,则确定出该管线很有可能发生了故障,可对发生故障的管线执行相应的故障处理,如,派维修人员对发生故障的管线进行维修,如果当前概率没有超过阈值,则确定出该管线发生故障的几率较小。
继续沿用上例,假设诊断模型为“Y=0.2A+0.01B-0.01C,其中,Y是输水管线发生故障的当前概率,A是内部压力数值(单位是Mpa),B是内部温度数值(单位是℃),C是管壁厚度数值(单位是cm)”,服务器将获取到的数据输入到诊断模型中,确定出管线当前发生故障的当前概率是0.4,即,40%。
S103:根据所述当前概率以及历史上确定出的所述管线发生故障的历史概率,确定出所述管线在未来设定时间段内发生故障的预测概率。
在本申请实施例中,由于预测管线在未来设定的时间段内是否会发生故障是基于当前概率以及历史概率来预测的,因此,预测设备是通过诊断模型确定出管线当前发生故障的当前概率后,还需要获取在历史上该管线发生故障的历史概率。也即,在通过步骤S102确定出管线当前发生故障的当前概率后,预测设备则可记录确定出的该当前概率,作为下一次预测时所要使用的历史概率。
进一步的,在本申请中,预测设备可采用以下方式预测管线在未来设定的时间段内发生故障的预测概率,即,根据当前概率、当前时刻、历史上确定出的该管线发生故障的历史概率、各历史概率对应的历史时刻,拟合出该管线发生故障的概率与时间的函数关系,根据拟合出的该函数关系,确定该管线在未来设定时间段内发生故障的预测概率,具体可以采用最小二乘法将获取到的当前概率和历史概率拟合出概率与时间的函数关系。为了更直观的表达,可以直接将拟合出的函数关系用图形的方式表示出来,通过该曲线可以直观的看出管线在未来设定时间段内发生故障的预测概率。
后续,在确定出管线在未来设定时间段内发生故障的预测概率后,可根据该预测概率是否超过预设的阈值来预测出管线在该未来设定时间段内是否会发生故障,如果预测概率超过预设的阈值,则说明管线在未来设定的时间段内很有可能会发生故障,并执行相应的故障处理,如,提前去对会发生故障的管线进行维护,如果预测概率未超过预设的阈值,则说明管线在未来设定的时间段内发生故障的几率很小,可暂时不做相应的处理。
继续沿用上例,假设在确定管线发生故障的概率与时间的函数关系时,采用的是最小二乘法,服务器确定出管线当前发生故障的当前概率为“0.4”后,假设根据该当前概率0.4以及获取到的历史概率拟合出的函数关系为F(t),其中,F(t)是概率值,t是时间,F(t)是关于t的增函数,F(t)的取值范围为0~100%,t的取值范围可以大于0的任意数值。
假设未来设定时间为1周,则在该时间段内,服务器由上述函数关系计算出F(t)(即,预测概率值)处在[0.45,0.55]这一区间内,假设预设的阈值为0.60,则确定出预测概率未超过预设的阈值,也就是说,管线在未来设定的时间段内发生故障的几率很小,可暂时不做相应的处理。
通过上述方法,可以实现对管线的故障进行预测,后续可以根据预测的结果对管线进行相应的维护和管理。
在实际应用中,传感器采集到的各状态数据,有可能存在错误的状态数据的情况,即,步骤S101中获取的状态数据可能不处在管线所能产生的状态数据的范围之内,如,由于周边环境的噪声而导致传感器采集到的状态数据出错,这样的状态数据会降低后续预测管线发生故障的准确性,因此,本申请中,可在获取到管线当前的各状态数据后,去除各状态数据中的错误数据,将去除错误数据后的其他数据重新作为获取到的该管线当前的状态数据,并继续执行步骤S102~步骤S103,以此来对管线在未来设定时间段内是否发生故障进行预测。其中,去除错误数据的方法例如可以为:根据预先建立的状态数据区间,将未落入该状态数据区间内的状态数据确定为错误数据,并去除。
进一步的,由于在实际应用中,管线发生的故障是有不同类型的,如,管线渗漏故障、管线破裂故障、管线腐蚀故障等,并且同一管线中,故障与故障之前也会存在一定的因果联系,如,管线腐蚀故障会引起管线渗漏故障,因此,在本申请中,在预先建立诊断模型时,可以先确定出管线的类型,并且确定出管线在实际应用中都会出现哪些故障,并根据确定出的管线的类型和故障的类型,建立贝叶斯网络诊断模型,也即,根据确定出的故障类型对建立出贝叶斯拓扑网络(即,有向无环图,每种故障类型对应一个网络节点),再根据建立出来的拓扑网络,通过历史上获取到的各历史状态数据(即,各历史状态数据中包含管线发生故障时对应的历史状态数据,以及管线未发生故障时对应的历史状态数据),不断的训练出各状态数据与网络中与各状态数据相连的的节点故障发生的概率关系,以及每个节点与节点的概率关系,并据此建立贝叶斯网络诊断模型,如图2所示。
在图2所建立起来的贝叶斯网络诊断模型中,最顶端的节点表示的是安装在某管线上的传感器采集到管线的各状态数据,第二个节点表示的是管线腐蚀故障,第三个节点表示的是管线破损故障,第四各节点表示的是管线渗漏故障,箭头的指向表示了节点与节点之间的因果关系,各状态数据能够反映出管线腐蚀故障,管线腐蚀故障有可能会引起管线破损故障,管线破损故障有可能会引起管线渗漏故障。
预测设备可根据贝叶斯网络诊断模型,确定出管线当前发生每一类型的故障的当前概率,在后续,针对任一类型的故障,可根据管线发生该类型的故障的当前概率、当前时刻、各历史概率以及各历史概率对应的历史时刻,拟合出管线发生该类型的故障的概率与时间的函数关系,根据拟合出的该函数关系,确定管线在未来设定时间段内发生该类型的故障的预测概率,在此需要说明的是,管线中每一类型的故障均可进行预测,而不仅限于预测某一类型的故障。
在实际应用中,虽然确定出了管线在未来设定时间段内管线可能发生故障,或者确定出管线在当前时刻发生了故障,但是,往往需要找出发生故障的原因,并根据该原因在对发生故障的管线进行维修,以及后续对管线进行维护保养方面都会有的放矢,因此,本申请可预先统计出发生故障的原因,并据此建立故障与原因对应关系(也就是说,每一类型的故障均对应着一组原因,所述原因组也不是是一成不变的,后续可以根据实际情况对其进行更改),并在确定管线发生故障的原因时,根据预先建立的对应关系来找出管线发生故障的原因,后续,根据该原因对发生管线的故障进行维修和维护。
例如,对应关系可以通过事故树的形式记录,假设输水管线的泄露故障对应的事故树如图3所示,其中,T表示已发生的泄露故障,D1和D2表示泄露故障产生的不同的第一级原因,如,管线穿孔和管线缺陷,K1和K2表示D1产生的第二级原因,如,施工失误、沟底不平整。K3和K4表示D2产生的第二级原因,如,未及时发现、管线承受能力低。假设服务器在确定出输水管线发生了泄露故障后,直接根据泄露故障对应的事故树,采用最小割集方法确定出事故树中泄露故障对应的基本原因(也即,泄露故障产生的第二级原因)为施工失误、沟底不平整,这些原因对于泄露事故影响较大,后续维修人员可以直接根据事故树制定相应的维修和维护策略。
考虑到后续可方便对管线进行管理,以及掌握住管线的健康程度,因此,在本申请实施例中,可预先将管线的健康状态分为若干个等级,如:健康、较健康、亚健康、疾病和严重疾病,共五个等级,并建立管线健康度等级表,如表1所示:
健康属性 | 健康 | 较健康 | 亚健康 | 疾病 | 严重疾病 |
破坏程度 | 小 | 较小 | 较大 | 大 | 重大 |
影响程度 | 影响小 | 影响较小 | 影响较大 | 影响大 | 影响重大 |
健康等级 | 1级 | 2级 | 3级 | 4级 | 5级 |
健康度分值 | 80—100 | 60—80 | 40—60 | 20—40 | 0—20 |
表1
在建立完成管线健康度等级表后,还需要预先根据评估指标选择原则,统计出管线评估指标,如,通常情况下都是以管线发生的故障类型作为评估指标,这是因为管线发生故障势必导致管线不健康,故障对于评估管线是否健康是比较合适的选择,在统计出评估指标后,可为每个评估指标(即,故障)赋予相应的评估分值并且给管线设定一个满分值,如表2所示:
管线故障 | 分值 |
管线渗漏 | -40 |
管线泄漏 | -50 |
管线破裂 | -60 |
爆管 | -80 |
表2
在设定完成评估指标的分值后,如果管线发生上述的故障,则在满分值的基础上扣除相应的分值,如,满分值是100分,管线发生了渗漏,则直接扣除40分,该管线的得分则为60分。
在计算出管线的得分值后,确定出该得分值落入到表1中哪个分值区间内,则将该分值区间对应的健康属性确定为该管线的健康状况,如,该管线的得分为60分,落入到表1中40—60这一区间内,则该管线的健康属性为亚健康,也即,管线的健康状况为亚健康。
以上为本申请实施例提供的管线故障预测方法,基于同样的思路,本申请实施例还提供一种管线故障预测装置,如图4所示。
图4为本申请实施例提供的管线故障预测装置结构示意图,包括:
获取模块401,用于获取管线当前的各状态数据;
确定模块402,用于根据各状态数据,通过预先建立的诊断模型,确定出所述管线当前发生故障的当前概率;
预测模块403,用于根据所述当前概率以及历史上确定出的所述管线发生故障的历史概率,确定出所述管线在未来设定时间段内发生故障的预测概率。
所述获取模块401具体用于,获取管线当前的各状态数据,去除各状态数据中的错误数据,将去除错误数据后的其他状态数据重新作为获取到的所述管线当前的状态数据。
所述确定模块402具体用于,预先根据所述管线的类型和故障的类型,建立贝叶斯网络诊断模型。
所述预测模块403具体用于,根据所述当前概率、当前时刻、历史上确定出的所述管线发生故障的历史概率、各历史概率对应的历史时刻,拟合出所述管线发生故障的概率与时间的函数关系,根据拟合出的所述函数关系,确定所述管线在未来设定时间段内发生故障的预测概率。
所述装置还包括:
故障确定模块404,用于所述确定模块402在确定出所述管线当前发生故障的当前概率之后,如果所述当前概率超过阈值,则确定所述管线发生故障,执行相应的故障处理。
所述装置还包括:
原因确定模块405,用于根据预先建立的故障与原因对应关系,确定出导致所述管线故障的原因。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本申请的实施例可提供为方法、系统或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (8)
1.一种管线故障预测方法,其特征在于,包括:
获取管线当前的各状态数据;
根据各状态数据,通过预先建立的诊断模型,确定出所述管线当前发生故障的当前概率;
根据所述当前概率、当前时刻、历史上确定出的所述管线发生故障的历史概率、各历史概率对应的历史时刻,拟合出所述管线发生故障的概率与时间的函数关系;
根据拟合出的所述函数关系,确定所述管线在未来设定时间段内发生故障的预测概率;
所述诊断模型为:Y=0.2A+0.01B-0.01C,其中,Y是所述管线当前发生故障的当前概率,A是内部压力数值,单位是Mpa,B是内部温度数值,单位是℃,C是管壁厚度数值,单位是cm。
2.如权利要求1所述的方法,其特征在于,获取管线当前的各状态数据,具体包括:
获取管线当前的各状态数据;
去除各状态数据中的错误数据;
将去除错误数据后的其他状态数据重新作为获取到的所述管线当前的状态数据。
3.如权利要求1所述的方法,其特征在于,预先建立诊断模型,具体包括:
预先根据所述管线的类型和故障的类型,建立贝叶斯网络诊断模型。
4.如权利要求1所述的方法,其特征在于,在确定出所述管线当前发生故障的当前概率之后,所述方法还包括:
如果所述当前概率超过阈值,则确定所述管线发生故障,执行相应的故障处理。
5.如权利要求4所述的方法,其特征在于,所述方法还包括:
根据预先建立的故障与原因对应关系,确定出导致所述管线故障的原因。
6.一种管线故障预测装置,其特征在于,包括:
获取模块,用于获取管线当前的各状态数据;
确定模块,用于根据各状态数据,通过预先建立的诊断模型,确定出所述管线当前发生故障的当前概率;
预测模块,用于根据所述当前概率、当前时刻、历史上确定出的所述管线发生故障的历史概率、各历史概率对应的历史时刻,拟合出所述管线发生故障的概率与时间的函数关系,根据拟合出的所述函数关系,确定所述管线在未来设定时间段内发生故障的预测概率;
所述诊断模型为:Y=0.2A+0.01B-0.01C,其中,Y是所述管线当前发生故障的当前概率,A是内部压力数值,单位是Mpa,B是内部温度数值,单位是℃,C是管壁厚度数值,单位是cm。
7.如权利要求6所述的装置,其特征在于,所述获取模块具体用于,获取管线当前的各状态数据,去除各状态数据中的错误数据,将去除错误数据后的其他状态数据重新作为获取到的所述管线当前的状态数据。
8.如权利要求6所述的装置,其特征在于,所述确定模块具体用于,预先根据所述管线的类型和故障的类型,建立贝叶斯网络诊断模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510867106.6A CN105468917B (zh) | 2015-12-01 | 2015-12-01 | 一种管线故障预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510867106.6A CN105468917B (zh) | 2015-12-01 | 2015-12-01 | 一种管线故障预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105468917A CN105468917A (zh) | 2016-04-06 |
CN105468917B true CN105468917B (zh) | 2019-03-08 |
Family
ID=55606608
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510867106.6A Active CN105468917B (zh) | 2015-12-01 | 2015-12-01 | 一种管线故障预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105468917B (zh) |
Families Citing this family (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107239388A (zh) * | 2017-05-27 | 2017-10-10 | 郑州云海信息技术有限公司 | 一种监测告警方法及系统 |
CN107145691A (zh) * | 2017-06-23 | 2017-09-08 | 广东青藤环境科技有限公司 | 一种城市供水管网爆管预测分析方法 |
CN107715242A (zh) * | 2017-11-24 | 2018-02-23 | 中国科学院苏州生物医学工程技术研究所 | 基于智能专家库的无线智能镇痛泵管理系统 |
CN109981328B (zh) * | 2017-12-28 | 2022-02-25 | 中国移动通信集团陕西有限公司 | 一种故障预警方法及装置 |
CN110851656A (zh) * | 2018-07-25 | 2020-02-28 | 新智数字科技有限公司 | 一种基于二分图的设备故障诊断方法及装置 |
GB2576501B (en) * | 2018-08-16 | 2021-03-10 | Centrica Plc | Sensing fluid flow |
CN109872003B (zh) * | 2019-03-06 | 2021-08-13 | 中国科学院软件研究所 | 对象状态预测方法、系统、计算机设备及存储介质 |
JP7343323B2 (ja) * | 2019-07-25 | 2023-09-12 | ファナック株式会社 | 故障予測システム |
CN110705018B (zh) * | 2019-08-28 | 2023-03-10 | 泰华智慧产业集团股份有限公司 | 基于热线工单和管线健康评估的给水管线爆管定位方法 |
CN110851342A (zh) * | 2019-11-08 | 2020-02-28 | 中国工商银行股份有限公司 | 故障预测方法、装置、计算设备以及计算机可读存储介质 |
CN111638458B (zh) * | 2020-06-23 | 2022-08-16 | 广州小鹏汽车科技有限公司 | 一种电芯故障的分析方法和装置 |
CN112699927B (zh) * | 2020-12-25 | 2023-10-20 | 北京无线电计量测试研究所 | 一种管线故障诊断方法和系统 |
CN113112064B (zh) * | 2021-04-09 | 2023-10-31 | 浙江和达科技股份有限公司 | 供水管网渗透预警的方法、系统、电子设备和存储介质 |
CN113077008B (zh) * | 2021-04-19 | 2024-05-14 | 江苏爱朋医疗科技股份有限公司 | 蠕动泵故障预测方法、装置及蠕动泵 |
CN115022908B (zh) * | 2022-05-11 | 2023-05-12 | 中电信数智科技有限公司 | 一种核心网与基站传输网络异常预测及定位的方法 |
CN115047335A (zh) * | 2022-05-30 | 2022-09-13 | 三一重型装备有限公司 | 电机的检测方法、装置、可读存储介质和工程机械 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102636710A (zh) * | 2012-03-31 | 2012-08-15 | 上海市电力公司 | 高压设备在线监测系统 |
CN103678886A (zh) * | 2013-11-26 | 2014-03-26 | 北京空间飞行器总体设计部 | 一种基于地面测试数据的卫星贝叶斯网络健康确定方法 |
CN104063586A (zh) * | 2014-06-11 | 2014-09-24 | 西北工业大学 | 基于多态故障树的贝叶斯网络故障预测方法 |
CN105096053A (zh) * | 2015-08-14 | 2015-11-25 | 哈尔滨工业大学 | 一种适用于复杂工艺系统的健康管理决策方法 |
-
2015
- 2015-12-01 CN CN201510867106.6A patent/CN105468917B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102636710A (zh) * | 2012-03-31 | 2012-08-15 | 上海市电力公司 | 高压设备在线监测系统 |
CN103678886A (zh) * | 2013-11-26 | 2014-03-26 | 北京空间飞行器总体设计部 | 一种基于地面测试数据的卫星贝叶斯网络健康确定方法 |
CN104063586A (zh) * | 2014-06-11 | 2014-09-24 | 西北工业大学 | 基于多态故障树的贝叶斯网络故障预测方法 |
CN105096053A (zh) * | 2015-08-14 | 2015-11-25 | 哈尔滨工业大学 | 一种适用于复杂工艺系统的健康管理决策方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105468917A (zh) | 2016-04-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105468917B (zh) | 一种管线故障预测方法及装置 | |
CN109524139B (zh) | 一种基于设备工况变化的实时设备性能监测方法 | |
Laucelli et al. | Detecting anomalies in water distribution networks using EPR modelling paradigm | |
CA3075085C (en) | Industrial asset intelligence | |
JP5802619B2 (ja) | 設備維持管理業務支援システム | |
CN111324639B (zh) | 数据监测方法、装置及计算机可读存储介质 | |
CN109661627B (zh) | 用于建模、分析、检测并监测流体网络的系统和方法 | |
BR102012001173A2 (pt) | Método e sistema computadorizados para determinar uma ou mais localizações prováveis de uma anomalia | |
EP3591594A1 (en) | Mitigating asset damage via asset data analysis and processing | |
KR20140145637A (ko) | 상수도 네트워크의 자원 모니터링 시스템 및 방법 | |
CN116541678B (zh) | 一种气站安全管道压力监测方法、装置 | |
CN104456092A (zh) | 一种石油天然气管道报警优先级多维评定方法 | |
WO2020153903A1 (en) | Method and system for monitoring a gas distribution network operating at low pressure | |
Berardi et al. | Active leakage control with WDNetXL | |
CN108345707A (zh) | 基于概率的管道腐蚀缺陷计划响应时间确定方法及装置 | |
KR20230137021A (ko) | 인공지능을 이용한 배관이상 탐지 방법 및 시스템 | |
US20070177982A1 (en) | Condition-based and predictive maintenance of compressor systems | |
JP6875199B2 (ja) | 機器診断システム | |
CN108536980A (zh) | 一种考虑可靠性因素的气体探测器离散选址优化方法 | |
WO2016174958A1 (ja) | 漏水発生位置推定装置、システムおよび方法 | |
CN116955955A (zh) | 一种管道缺陷模型预测方法、系统、终端设备及存储介质 | |
US20220057200A1 (en) | Monitoring device, monitoring system, monitoring method, and program | |
Do et al. | Proactive detection of wastewater overflows for smart sanitary sewer systems: Case study in South Australia | |
Chen et al. | BIM-and IoT-Based Data-Driven Decision Support System for Predictive Maintenance of Building Facilities | |
Cho et al. | A study on estimating the next failure time of compressor equipment in an offshore plant |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |