CN105574284A - 一种基于趋势特征点的电力设备故障诊断方法 - Google Patents
一种基于趋势特征点的电力设备故障诊断方法 Download PDFInfo
- Publication number
- CN105574284A CN105574284A CN201511004818.1A CN201511004818A CN105574284A CN 105574284 A CN105574284 A CN 105574284A CN 201511004818 A CN201511004818 A CN 201511004818A CN 105574284 A CN105574284 A CN 105574284A
- Authority
- CN
- China
- Prior art keywords
- fault
- sample
- parameter
- data
- point
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
- G06F30/36—Circuit design at the analogue level
- G06F30/367—Design verification, e.g. using simulation, simulation program with integrated circuit emphasis [SPICE], direct methods or relaxation methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2117/00—Details relating to the type or aim of the circuit design
- G06F2117/02—Fault tolerance, e.g. for transient fault suppression
Landscapes
- Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于趋势特征点的电力设备故障诊断方法,依次包括建立诊断模型步骤和故障诊断运行步骤,基于设备数据,采用局部重要点、拐点、极值点等多种趋势特征点进行模型表示,并依靠时间窗搜索技术解决故障样本相似部分定位问题,并以动态时间弯曲距离度量故障样本之间的匹配程度,从而实现设备诊断的功能。
Description
技术领域
本发明涉及设备故障诊断领域,具体是一种基于趋势特征点的电力设备故障诊断方法。
背景技术
随着电力系统规模的不断扩大,大型电力设备的数量逐步增加,对设备的可靠性要求也日益提高,故障诊断技术的出现,为提高设备的可靠性和安全性开辟了一条新的途径。故障诊断技术能够通过设备的运行数据的分析,掌握设备的运行状态,从而判定产生故障的部位和原因,并预测预报未来状态的技术。如果我们可以对故障做到及时诊断,就能够为设备维修提供重要的依据,有效避免事故的发生发展,保证设备安全,提高企业设备的现代化管理水平,给企业带来较大的经济效益和良好的社会效益。
现有的故障诊断技术主要有专家系统、人工神经网络、贝叶斯网络、时间序列模式匹配技术、Petri网、模糊集理论等方法
传统的故障诊断专家系统,是一个具有大量的专门知识与经验的程序系统,.它应用人工智能技术和计算机技术,根据某领域一个或多个专家提供的知识和经验,将知识与经验编成一系列产生式规则,进行推理和判断,模拟人类专家的决策过程,以便于解决那些需要人类专家处理的许多系统设备的故障诊断问题。专家系统是发展最早的人工智能系统之一,能够有效地模拟故障诊断专家完成故障诊断的过程,其采用的基于规则的知识表示方法具有简单直观的优点。但专家系统需要很多复杂高深的专业知识以及长期积累的经验,这超出一般工程师所掌握的范围,从而变得不易操作。专家系统不具备学习能力,知识获取比较困难。专家系统在推理时要搜索、匹配知识库内一定的规则集才能得出结论,所以当系统比较大时完成诊断的速度将非常慢。
人工神经网络由于具有模拟任何连续非线性函数的能力和利用样本学习的能力,因而它已被用于复杂设备的故障诊断当中。人工神经网络是一种模仿动物神经网络行为特征,进行分布式并行信息处理的算法数学模型。它依靠系统的复杂程度,通过调整内部大量节点之间相互连接的关系,从而达到处理信息的目的。基于人工神经网络的方法适用于故障类型和信号之间逻辑表述困难和专家经验不丰富的场合,将知识的表示与获取融于一身,不仅能实现知识的自动获取,而且有很高的推理速度。但是神经网络在使用时需要大量的样本来学习,且学习算法收敛的速度一般比较慢,此外知识表示隐含,不便于人类专家检验,而且它的灵活性很差,系统的任何变化,都必须重新进行学习。
贝叶斯网络是基于概率分析、图论的一种不确定性知识表达的推理模型,它将因果知识和概率知识相结合来表示事物。它是一种基于网络结构的有向图解描述,能进行双向并行推理,并能综合先验信息和样本信息,使得推理结果更为准确可信。因此,贝叶斯网络在故障诊断领域中的应用具有重要意义。贝叶斯网络具有清晰直观,便于理解、发现数据间的关系,在推理上有其特有的优势,比较适用于不确定性和不完备信息下进行有效的诊断决策。但是贝叶斯网络方法要求给出事件的先验概率和条件概率,这些数据很难获得,因此应用受到了限制。
时间序列是一串按时间先后顺序有序排列的观测值。时间序列模式匹配是从从时间序列数据库中查找与给定的模式序列相同或相似的序列的过程,并分为准备和匹配两个阶段。准备阶段主要包括时间序列的模型表示和数据预处理;匹配阶段是指在模型表示的基础上使用匹配算法进行模式匹配,并直观地输出结果。如果将故障诊断中的故障样本看作时间序列,则故障诊断问题可转换为模式匹配问题,即可以使用时间序列模式匹配技术来解决故障匹配问题。
时间序列模式匹配技术为解决故障诊断问题提供了另外一条有效途径,且该技术对观测值之间的相互依赖性也进行了一定程度的分析。但是模式匹配往往只是对某些特定的数据集有效,缺乏解决实际问题的普适性。此外在模式匹配中有距离度量的需要,如何提高序列之间距离度量的准确度和效率是研究的热点。模式匹配问题分为子序列匹配和全序列匹配两类,兼顾两类问题的算法还是有限的,同时模型表示方法的有效性和相似性度量的可靠性也是当前亟需解决的问题。
本发明的目的在于克服现有技术的不足,提供一种基于趋势特征点的电力设备故障诊断方法,从故障样本数据的趋势形态特点着手进行研究,避免复杂高深专业知识获取困难的问题,且具有自学习能力,能自主地匹配已有故障类别。
本发明提供了一种基于趋势特征点的电力设备故障诊断方法,依次包括如下步骤:
步骤1、建立诊断模型步骤,整个建立诊断模型过程具体为:
步骤1.1:从数据库中获取故障样本信息;
步骤1.2:对故障样本数据进行平滑处理;
步骤1.3:对平滑处理后的故障样本数据进行归一化处理;
步骤1.4:对归一化处理后的故障样本数据提取趋势特征点;
步骤1.5:存储生成故障知识库;
步骤2、故障诊断运行步骤,具体为:
步骤2.1:从实时数据库中获取异常样本数据;
步骤2.2:对异常样本数据进行平滑;
步骤2.3:对平滑处理后的异常样本数据进行归一化处理;
步骤2.4:对归一化处理后的样本数据提取趋势特征点;
步骤2.5:从故障知识库抽取故障样本趋势特征点;
步骤2.6:异常样本与故障样本单测点定位:将异常样本第一个参数与故障样本相应参数定位,依次以故障样本参数每个特征点为起点滑动一定大小的窗口,取出表征窗口内数据形态的趋势特征点,将趋势特征点归一化,然后与异常样本参数所有特征点计算动态时间扭曲距离DTW距离,得到一组动态时间扭曲距离DTW距离,选出最小的距离,伸缩窗口,找到该窗口下对应的最小的距离,最后选出最小的距离和相应的位置,完成异常样本单个参数匹配;
步骤2.7:异常样本与故障样本整体定位:固定异常样本一个参数定位位置,取故障样本的与其他异常样本参数对应参数在该位置特征点与异常样本该参数特征点计算动态时间扭曲距离DTW距离,所有参数在该位置处动态时间扭曲距离DTW距离求和得到一个距离和,在所有参数位置得到多个距离和,最小的距离和即是异常样本与故障样本整体的匹配位置;
步骤2.8:计算异常样本与故障样本相似度;
步骤2.9:得到异常样本所属故障类别,输出最终故障诊断结果。
进一步地,所述步骤(1.1)具体步骤为:选择一个类满足故障类型数目P≥2且每种故障发生次数T≥1的设备,并确定能表征该设备运行状态的n个参数,且对这n个参数进行排序,此后顺序保持不变,找出每种故障每次发生的起止时间,从电厂实时数据库PI中读取故障样本数据,获取了属于多个故障类型的k个故障样本;
获取的k个故障样本中第一个样本,故障开始时间与结束时间内有m个时刻,在i时刻观测到的设备n个参数看成一个n维的列向量,表示为:
[xi1,xi2,xi3,...,xin]T
样本看成一个m×n的矩阵,具体形式如下:
行代表m个故障时间,列代表n个设备参数,且每个故障样本的列维度相同为n,参数也相同,行维度m值不尽相同,同时为每个故障样本赋予其故障类型标识ID,故障类型标识ID确定方法为若全部样本中包含x种故障,则故障类型标识ID的数值范围为:1~M。
进一步地,所述步骤(1.2)具体步骤为:
抽取故障样本数据F的第一个观测点列向量数据x1-,形式如下:
[x11,x12,x13,...,x1n]T
将列向量看作为数字序列,滑动时间窗口大小其中round为四舍五入取整函数,若span为偶数,则再加1;
确定完滑动窗口大小之后,进行实质数据平滑操作,span=5:
数值x11的平滑结果:X11=x11
数值x12的平滑结果:
数值x13的平滑结果:
数值x14~x1m-2的平滑结果:
数值x1m-1的平滑结果:
数值x1m的平滑结果:X1m=x1m
最终获取的列向量数据x-1的平滑结果也为一列向量,具体形式如下:
[X11,X12,X13,...,X1n]T
故障样本数据所有的参数依次按照上述步骤完成平滑操作,这样故障样本数据F转化为F*,形式为:
进一步地,所述步骤(1.3)具体步骤为:
抽取平滑后的故障样本数据F*的第一列向量数据X-1,形式如下:
[X11,X21,X31,...,Xm1]T
然后计算X-1的平均值μ1和标准差σ1,那么X1i归一化的结果:
最终获取的列向量数据X-1的归一化结果也为一列向量,具体形式如下:
[a11,a21,a31,...,am1]T
故障样本数据所有的参数依次按照上述步骤完成归一化操作,这样故障样本数据F*转化为A,形式为:
进一步地,所述步骤(2.1)具体步骤为:
通过专家或预警系统、集散控制系统DCS发现设备某些关键参数出现异常,进行如下的相关操作:
(2.1.1)确定设备异常产生时间t1和异常发现时间t2;
(2.1.2)确定设备n*个异常参数,这n*个异常参数包含于设备的n个参数中;
(2.1.3)根据异常产生时间t1和异常发现时间t2,以及数据库采样频率fs,得时间点数m=fs×(t2-t1);
(2.1.4)获取异常样本数据为参数个数为n*、时间点数目为m的样本数据,在j时刻的全部参数数据可看成一个n*维的列向量,表示为:
样本数据文件包括两部分内容,一部分是m×n*的矩阵,具体形式如下:
行代表m个故障时间,列代表n*个设备异常参数个数;
二部分是n*个异常参数在设备n个参数中的位置,形式为:
进一步地,所述步骤(2.4)具体步骤为:
对归一化后的异常样本数据同样需要提取趋势特征点包括局部重要点、极值点、拐点、数据起点和终点,具体为
(2.4.1)提取局部重要点:采用与建模过程相同的方法提取局部重要点,设置参数分割块大小
(2.4.2)提取极值点:采用与建模过程相同的方法提取极值点,设置参数分割块大小为2*s+1,
(2.4.3)提取拐点:采用与建模过程相同的方法提取拐点,设置参数拐点阈值α=0.05;
(2.4.3)合并多类趋势特征点:采用与建模过程相同的方法合并趋势特征点,得到异常样本数据所有参数趋势特征点数值,形式为
其中alarmFV1=[fp1,fp2...,fpβ]=[A11,A*1...,Am1],β为特征点个数以及趋势特征点所在行标,形式为
(2.4.4)异常样本提取完趋势特征点后依次与故障知识库中每一个样本的趋势特征点进行匹配操作,找出与异常样本数据形态最接近的故障样本,故障样本所属的故障类型即为该异常样本所属的故障类型,从而实现故障诊断。
进一步地,所述步骤(2.8)具体步骤为:
基于异常样本与故障样本的整体匹配距离向量,利用相似度转化公式其中τ=0.1,将距离数值转换成介于[0,1]之间的相似度数值,最终得到相似度向量similaritySet=[similarity1,...,similarityk]。
进一步地,所述步骤(2.9)具体步骤为:
基于异常样本与所有故障样本的相似度,取最大的相似度对应的故障样本该故障样本的故障类型标识ID即是异常样本的故障类别。
本发明的电力设备故障诊断方法,可以实现:
1.本发明是一种基于数学特征的故障诊断方法,相对于传统的故障诊断技术,本发明不需要复杂高深的专业知识以及过多的专家经验,能够适应多种应用场景,具有良好的鲁棒性。
2.本发明采用局部重要点、拐点、极值点等多种趋势特征点实现高效的模型表示,全面简洁地完成对样本数据的压缩和知识提取,相比一般模型表示方法,本方法挖掘的数学知识具备直观明了的优点。
3.本发明通过将样本数据看作时间序列后进行异常样本与故障模式的匹配,凭借伸缩时间窗搜索技术和动态时间弯曲距离能有效实现故障定位和模式相似性度量两大功能,从基本上了解决故障诊断的主要难题。
4.本发明对样本数据要求低,数据获取容易;而且由于依次从每个样本数据中快捷挖掘有用知识,因此学习时训练数据规模数目不受限制。本方法技术稳定,挖掘出的知识可重复利用。
5.本发明方法从多变量设备数据中挖掘故障诊断模型,充分考虑了故障类别与多变量之间的复杂因果关系和条件关系,不同于基于单变量的故障诊断模型,提高了故障诊断的可靠性。
附图说明
图1建立模型的流程图
图2提取趋势特征点流程图
图3运行模型流程图
图4异常样本与故障样本单测点定位过程的流程图
图5异常样本与故障样本整体定位过程的流程图
图6异常样本故障诊断效果图
具体实施方式
下面详细说明本发明的具体实施,有必要在此指出的是,以下实施只是用于本发明的进一步说明,不能理解为对本发明保护范围的限制,该领域技术熟练人员根据上述本发明内容对本发明做出的一些非本质的改进和调整,仍然属于本发明的保护范围。
本发明不同于已有的模型表示方法,采用局部重要点、拐点、极值点等多种趋势特征点进行模型表示,可全面概括地实现故障样本数据压缩和知识提取,本方法时间消耗少且知识结构清晰的特点具备快速故障诊断的能力。作为一种时间序列模式匹配技术,本发明依靠时间窗搜索技术解决故障样本相似部分定位问题,并以动态时间弯曲距离度量故障样本之间的匹配程度,从而实现了基本的故障诊断功能。
本发明是一种适用于火电设备的故障诊断方法,它基于设备数据,采用局部重要点、拐点、极值点等多种趋势特征点进行模型表示,并依靠时间窗搜索技术解决故障样本相似部分定位问题,并以动态时间弯曲距离度量故障样本之间的匹配程度,从而实现设备诊断的功能。该方法主要包括建立模型和运行模型两个过程。
图1为本发明建立模型的流程图,整个建模过程主要包括以下步骤:
步骤1:获取故障样本
现所选的故障样本数据来自电厂数据库,大致的操作过程如下:首先,选择一类设备,要求该设备满足以下条件:故障类型数目P>=2;每种故障发生次数T>=1,并确定能表征该设备运行状态的n个参数,且对这n个参数进行排序,此后顺序保持不变。由专家或通过其他途径找出每种故障每次发生的起止时间,最后依据上述信息从电厂实时数据库PI中读取故障样本数据,获取了属于多个故障类型的k个故障样本。
举例,获取的k个故障样本中第一个样本,故障开始时间与结束时间内有m个时刻,在i时刻观测到的设备n个参数可看成一个n维的列向量,表示为:
[xi1,xi2,xi3,...,xin]T
该样本可看成一个m×n的矩阵,具体形式如下:
按照上述方法,所有故障样本的存储形式:行代表m个故障时间,列代表n个设备参数,且每个故障样本的列维度(参数个数)相同为n,参数也相同;行维度m值可能不尽相同。本发明中出现的m与n分别代表故障时间数和设备参数个数。
同时为每个故障样本赋予其故障类型标识ID。故障类型标识ID确定方法:若全部样本中包含M种故障,则故障类型标识ID的数值范围为:1~M。
以下以对k个故障样本中第一个样本的处理为例,详细介绍建模过程。
步骤2:对故障样本数据平滑
在对故障样本数据平滑前,如果数据中含有无效数据,需要先删除无效数据,即将包含无效数据的观测向量进行删除,再进行平滑。由于数据获取过程各种因素干扰,使得实际数据中混入一些噪声,这些噪声对后期提取趋势特征点会带来影响。因此需要对数据进行平滑,避免噪声的影响。选用常用的均值平滑法,具体平滑过程:
首先抽取故障样本数据F的第一个观测点列向量数据x1-,形式如下:
[x11,x12,x13,...,x1n]T
将列向量看作为数字序列,滑动时间窗口大小(round为四舍五入取整函数),若span为偶数,需要再加1(span需为奇数)。确定完滑动窗口大小之后,开始进行实质数据平滑操作(以下以span=5为例):
1.数值x11的平滑结果:X11=x11
2.数值x12的平滑结果:
3.数值x13的平滑结果:
4.数值x14~x1m-2的平滑结果:
5.数值x1m-1的平滑结果:
6.数值x1m的平滑结果:X1m=x1m
7.最终获取的列向量数据x-1的平滑结果也为一列向量,具体形式如下:
[X11,X12,X13,...,X1n]T
故障样本数据所有的参数依次按照上述步骤完成平滑操作,这样故障样本数据F转化为F*,形式为:
步骤3:对平滑后的故障样本数据归一化
设备故障相关参数的量纲不同,且不同参数数据绝对值相差较大,为保证能提取到有效表征各参数趋势的趋势特征点,需要对各参数进行归一化处理,经归一化处理的样本各个参数数据均符合均值为0方差为1的正态分布。
首先抽取平滑后的故障样本数据F*的第一列向量数据X-1,形式如下:
[X11,X21,X31,...,Xm1]T
然后计算X-1的平均值μ1和标准差σ1,那么X1i归一化的结果:
最终获取的列向量数据X-1的归一化结果也为一列向量,具体形式如下:
[a11,a21,a31,...,am1]T
故障样本数据所有的参数依次按照上述步骤完成归一化操作,这样故障样本数据F*转化为A,形式为:
步骤4:对归一化后的样本数据提取趋势特征点
提取趋势特征点是为了刻画样本数据的形状特征,趋势特征点包括局部重要点、极值点、拐点、数据起点和终点。
图2为本发明提取趋势特征点详细过程的说明,主要包括以下步骤:
步骤4.1提取局部重要点
局部重要点是多参数的极值点,表征多参数局部的形态特征。提取局部重要点时需要先对归一化后的故障样本数据A进行分割,比较分割块内的中心数据是否是分割块数据的最大或最小值,如果是,则该中心数据即为局部重要点。具体过程如下:
1确定分割块的大小。分割块大小
2判断故障样本数据A中的aij是否是局部重要点。以aij为中心数据的分割块为
若aij=maxAij或aij=minAij,则aij为局部重要点。
3特别的,判断故障样本数据的第一行第一列的值a11是否是局部重要点。以a11为中心数据的分割块取为若a11=maxA11或a11=minA11,则a11为局部重要点。
4同样的,判断故障样本数据的第二行第一列的值a21是否是局部重要点。以a21为中心数据的分割块取为若a21=maxA21或a21=minA21,则a21为局部重要点。
按列遍历A中所有点,按上述方法找出所有的局部重要点。最后生成局部重要点所在行标,impId=[i1,i2,...,ih],h为找到的局部重要点的个数
步骤4.2提取极值点
极值点是单参数的极值点。极值点能很好的表征参数的形态特征。提取单个参数的极值点的过程是对数据使用滑动时间窗分割,取分割块的中心数据,若该中心数据是整个分割块的最大值或最小值,则该中心数据是该参数的极值点。与提取局部重要点主要思想一致,主要的区别在于取极值点时分割块数据是单维的,而取局部重要点时分割块数据是多维的。详细过程如下:
首先抽取归一化后的故障样本数据A的第一列向量数据a-1,形式如下:
[a11,a21,a31,...,am1]T
1确定分割块的大小。分割块大小
2判断数据ai1是否是极值点。以ai1为中心数据的分割块为
若或则ai1为极值点。
遍历a-1中所有点,按上述方法找出所有的极值点。最后生成两个结果:一是极值点数值exValue1=[e1,e2,...,el],1为找到的极值点的个数;二是极值点所在行标exId1=[I1,I2,...,Il]。
然后对故障样本数据A的剩余列向量数据a-2~a-n采取以上同样操作,得到所有参数的极值点数值exValueSet={exValue1,exValue2,...,exValuen},以及极值点所在行标exIdSet={exId1,exId2,...,exIdn}。
步骤4.3提取拐点
拐点是单参数的拐点。拐点两侧数据同时增大或同时减小,但增大或减小的速度不同,表明在拐点两侧的数据变化也较大,因此拐点也影响着序列的形态。为了简化拐点的提取,在极值点的基础上寻找拐点。
提取拐点的过程:在相邻的极值点之间寻找是否有拐点。连接两个相邻的极值点,得到直线.计算这两个极值点间的直线段与原数据曲线平均面积的大小,如果平均面积大于阈值,则在这两个极值点间取一个拐点。具体过程如下:
1首先抽取归一化后的故障样本数据A的第一列向量数据a-1,形式如下:
[a11,a21,a31,...,am1]T
抽取a-1极值点数值exValue=[e1,e2,...,el],极值点所在行标,exId1=[I1,I2,...,Il]。
2判断极值点(Ii,ei)与(Ii+1,ei+1)间是否取拐点。直线连接点(Ii,ei)与(Ii+1,ei+1),该直线表达式为y=kix+bi,计算这两个极值点间的直线段y=kix+bi,x∈[Ii,Ii+1]与原数据曲线平均面积的大小:
如果S≥α,α=0.05为拐点选择的阈值,则在这两个极值点间取拐点。
3取拐点的方法:选取原数据曲线上到直线y=kix+bi距离最大的点:得到拐点的数值aT1和拐点的行标T遍历所有极值点,按上述方法找出a-1所有的拐点。最后生成拐点所在行标,infId1=[v1,v2,...,vd],d为找到的拐点的个数。
然后对故障样本数据A的剩余列向量数据a-2~a-n采取以上同样操作,得到所有参数的拐点所在行标infIdSet={infId1,infId2,...,infIdn}。
步骤4.4合并多类趋势特征点
通过合并多类趋势特征点——局部重要点、极值点、拐点、数据起点和终点,目的是得到每个参数所有的趋势特征点。具体过程如下:
1.获得参数趋势特征点所在行标。取出故障样本数据A的第一个参数数据a-1极值点所在行标exId1=[I1,I2,...,Il],拐点所在行标infId1=[v1,v2,...,vd],局部重要点所在行标impId=[i1,i2,...,ih],以及起点与终点行标1、m,将所有行标合并即得到第一个参数趋势特征点所在行标featId1=[1,...,i*,...,m]。
2.获得参数趋势特征点数值。根据第一个参数趋势特征点所在行标featId1
从参数数据中取出相应的趋势特征点的数值:
最后对故障样本数据A的剩余列向量数据a-2~a-n采取以上同样操作,得到该样本所有参数的趋势特征点数值
featValueSet1={featValue1,featValue2,...,featValuen},以及趋势特征点所在行标featIdSet1={featId1,featId2,...,featIdn}。
步骤5:生成故障知识库
进行故障诊断收集了属于不同故障类型的k个故障样本,上述是对第一种故障的第一个样本进行的建模过程的全部操作,对于剩余k-1个样本采取以上同样操作,生成了故障知识库:包含k个故障样本的趋势特征点数值:
featValueAllSet={featValueSet1,featValueSet2,...,featValueSetk}和趋势特征点所在行标featIdAllSet={featIdSet1,featIdSet2,...,featIdSetk}。
图3为本发明运行模型的流程图,整个运行模型过程主要包括以下步骤:
步骤1:获取异常样本
通过专家或先进的预警系统、DCS(集散控制系统)等方式发现该类设备某些关键参数出现异常,进行如下的相关操作:
1确定该设备异常产生时间t1和异常发现时间t2(在进行故障诊断时异常已发生了一段时间,将故障诊断时间定为异常发现时间,则异常发现时间与产生时间之间有一段间隔);
2确定该设备n*个异常参数,这n*个异常参数包含于该类设备的n个参数中。
根据异常产生时间t1和异常发现时间t2,以及数据库采样频率fs,可得时间点数m=fs×(t2-t1)。
这样,获取的异常样本数据是一参数个数为n*、时间点数目为m的样本数据,在j时刻的全部参数数据可看成一个n*维的列向量,表示为:
该样本数据文件包括两部分内容,一是m×n*的矩阵,具体形式如下:
行这个维度代表m个故障时间,列这个维度代表n*个设备异常参数个数。
二是n*个异常参数在该类设备n个参数中的位置,形式为
步骤2:对异常样本数据平滑
对异常样本数据同样需要先删除无效数据再进行平滑处理。平滑具体操作可见建模过程步骤2。滑动时间窗口大小(m为异常样本时间长度)
异常样本数据所有参数依次按照相应步骤完成数据平滑操作,这样异常样本数据转化为形式为:
步骤3:对平滑后的异常样本数据归一化
对平滑后的异常样本数据同样需要进行归一化操作。归一化具体操作可见建模过程步骤3。
平滑后的异常样本数据所有参数依次按照相应步骤完成数据归一化操作,这样异常样本数据转化为形式为:
步骤4:对归一化后的样本数据提取趋势特征点
对归一化后的异常样本数据同样需要提取趋势特征点包括局部重要点、极值点、拐点、数据起点和终点。
步骤4.1提取局部重要点
采用与建模过程相同的方法提取局部重要点。设置参数分割块大小
步骤4.2提取极值点
采用与建模过程相同的方法提取极值点。设置参数分割块大小2*s+1,
步骤4.3提取拐点
采用与建模过程相同的方法提取拐点。设置参数拐点阈值α=0.05。
步骤4.4合并多类趋势特征点
采用与建模过程相同的方法合并趋势特征点。得到异常样本数据所有参数趋势特征点数值,形式为 其中alarmFV1=[fp1,fp2...,fpβ]=[A11,A*1...,Am1],β为特征点个数以及趋势特征点所在行标,形式为
异常样本提取完趋势特征点后依次与故障知识库中每一个样本的趋势特征点进行匹配操作,找出与异常样本数据形态最接近的故障样本,故障样本所属的故障类型即为该异常样本所属的故障类型,从而实现故障诊断的目的。
以下以异常样本与故障知识库中第一个样本的匹配过程为例介绍异常样本与故障样本的具体匹配过程。
步骤5:从故障知识库抽取故障样本趋势特征点
从故障知识库抽取第一个故障样本的趋势特征点。异常样本n*个参数取自故障样本n个参数,且每个参数有其特定的特征点,另外考虑到比较异常样本与故障样本的相同参数的特征点更能有效反映样本之间的相似性,因此需要从故障样本中抽取与异常样本相同的n*个参数的特征点,再进行特征点的比较。
根据该异常样本n*个异常参数在该类设备n个参数中的位置可以从故障样本n个参数的特征点数值featValueSet1={featValue1,featValue2,...,featValuen}中抽取相应的n*个参数的特征点数值,形式为以及从n个参数趋势特征点所在行标featIdSet1={featId1,featId2,...,featIdn}中抽取相应的n*个参数的趋势特征点所在行标,形式为
步骤6:异常样本与故障样本单参数定位
经过步骤5后,异常样本与故障样本有相同的参数,每个参数均有各自的特征点。异常样本与故障样本单参数定位过程:异常样本第一个参数与故障样本相应参数定位,依次以故障样本该参数每个特征点为起点滑动一定大小的窗口,取出表征窗口内数据形态的趋势特征点,将趋势特征点归一化,然后与异常样本该参数所有特征点计算DTW距离,得到一组DTW距离,选出最小的距离,伸缩窗口,找到该窗口下对应的最小的距离。最后选出最小的距离和相应的位置,异常样本单个参数匹配结束。
(1)DTW距离计算:
DTW(动态时间扭曲距离)是用于进行时间轴对齐的方法,在比较两个长度不同的序列的相似性时,通过计算DTW距离,根据距离的大小衡量序列之间的相似性。
对于两个序列Q和S,长度分别是n1和n2,构建n1*n2的矩阵,矩阵中的元素是qi和sj之间的距离d(i,j)。则这两个序列上任意两点之间的动态时间扭曲距离为:
γ(i,j)={{d(i,j)}2+{min{γ(i-1,j-1),γ(i-1,j),γ(i,j-1)}}2}1/2
其中
这两个元素之问的动态扭曲距离是一种累积距离,即γ(i,j)是从元素(q1,s1)到元素(qi,sj)之间的最小累积距离。
这两个序列Q和S之间的DTW距离为γ(n1,n2)。
欧几里得距离方法可以被看作是DTW方法的一个特例,这时序列是等长的序列。
(2)进行异常样本第一个参数与第一个故障样本相应参数id1定位:
已知异常样本第一个参数特征点数值为alarmFV1=[fp1,fp2...,fpβ];
故障样本参数id1特征点行标为特征点数值为
并结合图4按照以下步骤进行单参数定位操作:
1固定时间窗大小span*=m(m为异常样本的数据长度)
2从故障样本参数id1的第一个特征点起滑动时间窗,取出表征窗口内数据形态的趋势特征点行标及数值:[1,D1,...,D2,D3],其中D3≥1+m,D2≤1+m,D4≥1+m,相应的特征点数值
3将趋势特征点数值归一化:使用运行模型过程的步骤3的归一化方法,结果为
4与异常样本第一个参数所有特征点数值
alarmFV1=[fp1,fp2...,fpβ]计算DTW距离
5记下选取的故障样本该参数的此部分特征点的起止位置[1,D3](以下简称位置),终点为locatEnd=[D3];起点则为locatStart=[1]
6滑动时间窗到故障样本相应参数的下一个特征点按照上述操作得到一个新的DTW距离以及一个新的位置[D1,D5],添加到原来的位置终点向量里locatEnd=[D3,D5],起点向量则为locatStart=[1,D1]。继续滑动时间窗,直到倒数第二个特征点计算相应的DTW距离至此得到一个DTW距离向量以及位置终点向量locatEnd=[D3,D5,...,m],位置起点向量为
locatStart=[1,D1,...,D2,D3,D4,...,D5,...,D6],起点向量与终点向量维度相同。
7取DTW距离最小值并得到该最小值对应的位置,起点matchLocatStart=[startId1]终点matchLocatEnd=[endId1]。
8伸缩时间窗:时间窗大小span*依次取集合中的每个值,按照上述操作可以依次得到每个窗口大小对应的最小的DTW距离miDtwφ,得到一个最小的DTW距离组成的向量miDtwSet=[miDtw1,...,miDtwχ],其中χ为窗口个数;以及这χ个最小的DTW距离对应的位置信息matchLocatStart=[startId1,...,startIdχ],matchLocatEnd=[endId1,...,endIdχ]。
9取第8步得到的最小的DTW距离组成的向量miDtwSet=[miDtw1,...,miDtwχ],求该向量的最小值该DTW距离即为异常样本第一个参数与第一个故障样本参数id1的定位距离,该距离所在的位置即为定位位置,起点以及终点
其余参数均按照上述操作,得到所有参数的定位距离集合以及定位位置,起点向量与终点向量
步骤7:异常样本与故障样本整体定位
在得到了异常样本与故障知识库中第一个故障样本的单参数定位结果后,进行异常样本与故障知识库中第一个故障样本整体的定位过程。固定异常样本一个参数定位位置,取故障样本的与其他异常样本参数对应参数在该位置特征点与异常样本该参数特征点计算DTW距离,所有参数在该位置处DTW距离求和得到一个距离和,在所有参数位置得到多个距离和,最小的距离和即是异常样本与故障样本整体的匹配位置。图5为本发明异常样本与故障样本整体定位过程的流程图,主要包括以下步骤:
1异常样本与故障知识库中第一个故障样本的单参数定位结果,即找到了异常样本n*个参数分别与故障知识库中第一个故障样本相应的参数数据形态特征最相似的位置(定位位置),位置的起点向量终点向量定位位置处的定位距离为则异常样本第一个参数与故障样本相应的参数id1的定位位置为该位置处两个参数的DTW距离(定位距离)为
2计算异常样本第二个参数与故障样本相应参数id2在第一个参数的定位位置处特征点的DTW距离:取故障样本参数id2在的特征点δ为特征点行标中小于的最大值,η为行标中大于的最小值。归一化为
异常样本第二个参数特征点计算两者之间的DTW距离
按照上述操作计算异常样本其余参数在异常样本第一个参数定位位置与故障样本特征点的DTW距离并求和得即异常样本在第一个参数定位位置与故障样本整体的匹配距离。
按照上述操作可得到异常样本在所有n*个参数定位位置与故障样本整体的匹配距离对此求最小值可得异常样本故障样本最终的整体的匹配距离 最终的整体的匹配距离等于异常样本在第λ个参数定位位置与故障样本整体的匹配距离,则第λ个参数定位位置即为异常样本与故障样本整体的定位位置。
按照上述操作可以计算异常样本与故障知识库所有k个故障样本的整体的匹配距离matchDistSet=[matchDist1,...,matchDistk]。
步骤8:计算异常样本与故障样本相似度
在步骤7得到的异常样本与故障样本的整体匹配距离向量matchDistSet=[matchDist1,...,matchDistk]的基础上,利用相似度转化公式τ=0.1将距离数值转换成介于[0,1]之间的相似度数值,最终得到相似度向量similaritySet=[similarity1,...,similarityk]。
步骤9:返回异常样本所属故障类别
步骤8得到异常样本与所有故障样本的相似度similaritySet=[similarity1,...,similarityk]后,取最大的相似度对应的故障样本该故障样本的故障类型标识ID即是异常样本的故障类别。
以北方某火力发电厂机汽泵前置泵为状态监测对象,汽泵前置泵是汽动给水泵的重要组成部分,它功能重要,维系锅炉设备的性能安全。由于此设备属于外露设施,观测部位较多且易发各种故障,此特点适合本发明设计的设备故障诊断方法。通过本实施例的详细阐述,进一步说明本发明的实施过程。
对某电厂汽泵前置泵设备故障诊断的实施步骤如下:
汽泵前置泵设备的故障诊断建模过程
步骤1:从电厂PI数据库中获取汽泵前置泵故障样本;
选取与汽泵前置泵运行相关的参数21个,包括实发功率(MW)、电机传动端径向瓦温(℃)、推力瓦温(℃)、电机电流(A)等,因此该设备的每条观测数据为21维列向量:[xi1,xi2,xi3,...,xi21]T。
从2013年10月份至2015年10月份气泵前置泵2年的历史运行状态数据中由专家找出发生的多种故障以及每种故障的故障信息,具体如下:此段时期气泵前置泵一共出现3种故障(电机传动端径向瓦温突升、推力瓦温突降、电机电流突变),发生故障次数为86次(电机传动端径向瓦温突升25次、推力瓦温突降28次、电机电流突变33次),故障持续时间范围为2小时~14小时,每分钟取一条数据。最后根据每种故障每次发生的起止时间从电厂实时数据库PI中读取全部的故障样本数据。
最终获取的故障样本包括故障类型编号信息(电机传动端径向瓦温突升编号为1、推力瓦温突降编号为2、电机电流突变编号为3)、故障样本数据两部分内容,其中同一类故障中不同样本的排序按照故障发生时间的先后进行排序:
其中,故障样本iFj的具体形式为矩阵形式,行m代表样本长度,列代表参数。如下所示:
步骤2:对FaultSets中的故障样本1F1数据平滑;
对样本1F1需要先删除无效数据再进行平滑处理。依次抽取1F1的每个参数列向量x-i,按照具体实施例中数据平滑操作步骤对样本数据进行平滑,得平滑后的数据1F1 *。
步骤3:对平滑后的故障样本数据1F1 *归一化;
依次抽取1F1 *的每个参数列向量,按照具体实施例中归一化具体操作进行归一化,得归一化后的数据1A1,形式如下:
步骤4:对归一化后的样本数据1A1提取趋势特征点
需要提取的趋势特征点包括局部重要点、极值点、拐点、数据起点和终点。
局部重要点:分割块大小由经验设定c=4。最后生成局部重要点所在行标,impId=[i1,i2,...,ih],h为找到的局部重要点的个数
极值点:分割块大小2*s+1,最终得到所有参数的极值点数值exValueSet={exValue1,exValue2,...,exValue21},其中exValue1=[e1,e2,...,el],1为找到的极值点的个数;以及极值点所在行标exIdSet={exId1,exId2,...,exId21},exId1=[I1,I2,...,Il]。
拐点:由经验设定拐点选择的阈值α=0.05。最终得到所有参数的拐点所在行标,infIdSet={infId1,infId2,...,infId21},infId1=[v1,v2,...,vd],d为找到的拐点的个数。
合并多类趋势特征点:得到样本数据1A1所有参数趋势特征点数值,
featValueSet1={featValue1,featValue2,...,featValue21},其中
featId1=[1,...,i*,...,m]以及趋势特征点所在行标
featIdSet1={featId1,featId2,...,featId21},其中
步骤5:生成故障知识库
上述是对第一种故障的第一个样本1F1进行的建模过程的全部操作,对于FaultSets剩余样本采取以上同样操作,生成了故障知识库:包含86个故障样本的趋势特征点数值
featValueAllSet={featValueSet1,featValueSet2,...,featValueSet86}和趋势特征点所在行标featIdAllSet={featIdSet1,featIdSet2,...,featIdSet86}。
一、汽泵前置泵的故障诊断运行模型过程
在2014年12月15日03时该电厂的厂级监测系统发现汽泵前置泵设备某参数出现未知异常。为了更好帮助专业人员进行检查和维修,电厂人员依据已知异常的起止时间以及相关的9个异常(报警)参数[6,7,8,9,10,11,12,13,14](报警参数在气泵前置泵21个参数的位置)从实时数据库中调取异常样本数据并运用本发明的故障诊断方法进行提前预判。
异常样本数据经过数据平滑、归一化后,提取了表征异常样本数据形态的趋势特征点数值,以及趋势特征点所在行标。以上具体操作均可参见具体实施例运行模型阶段的对应步骤。
异常样本将与故障知识库中的样本一一进行匹配,匹配时,将故障知识库中的样本的[6,7,8,9,10,11,12,13,14]这9个参数的特征点抽取出来,异常样本相应的异常参数与这9个参数先进行一一匹配定位,再进行异常样本与该故障样本的整体定位,得到最终的匹配距离。匹配距离形式如下:
在得到异常样本与所有故障样本的匹配距离后,将匹配距离转化为故障相似度。相似度形式如下:
输出故障相似度最高的故障样本的故障类型标识:此次异常预判定为电机传动端径向瓦温突升故障,判定理由为:在汽泵前置泵中与异常样本相似度最高的故障样本为1F6,相似度并且相似度第二高的样本1F1,相似度也是故障类型1电机传动端径向瓦温突升故障。异常样本在相似度最大的故障样本1F6的定位位置在1F6的前半段(见附图6),因此故障发展阶段确定为故障发展中期,查询建议采取的维修措施为冷水冲击电机传动端强制降温方法。事实表明,等专业人员及时赶到后的诊断结果确实为电机传动端径向瓦温突升故障,采用冷水降温法强制汽泵前置泵降温到合理温度区间后,汽泵前置泵设备运转恢复正常。
尽管为了说明的目的,已描述了本发明的示例性实施方式,但是本领域的技术人员将理解,不脱离所附权利要求中公开的发明的范围和精神的情况下,可以在形式和细节上进行各种修改、添加和替换等的改变,而所有这些改变都应属于本发明所附权利要求的保护范围,并且本发明要求保护的产品各个部门和方法中的各个步骤,可以以任意组合的形式组合在一起。因此,对本发明中所公开的实施方式的描述并非为了限制本发明的范围,而是用于描述本发明。相应地,本发明的范围不受以上实施方式的限制,而是由权利要求或其等同物进行限定。
Claims (8)
1.一种基于趋势特征点的电力设备故障诊断方法,其特征在于:依次包括如下步骤:
步骤1、建立诊断模型步骤,整个建立诊断模型过程具体为:
步骤1.1:从数据库中获取故障样本信息;
步骤1.2:对故障样本数据进行平滑处理;
步骤1.3:对平滑处理后的故障样本数据进行归一化处理;
步骤1.4:对归一化处理后的故障样本数据提取趋势特征点;
步骤1.5:存储生成故障知识库;
步骤2、故障诊断运行步骤,具体为:
步骤2.1:从实时数据库中获取异常样本数据;
步骤2.2:对异常样本数据进行平滑;
步骤2.3:对平滑处理后的异常样本数据进行归一化处理;
步骤2.4:对归一化处理后的样本数据提取趋势特征点;
步骤2.5:从故障知识库抽取故障样本趋势特征点;
步骤2.6:异常样本与故障样本单测点定位:将异常样本第一个参数与故障样本相应参数定位,依次以故障样本参数每个特征点为起点滑动一定大小的窗口,取出表征窗口内数据形态的趋势特征点,将趋势特征点归一化,然后与异常样本参数所有特征点计算动态时间扭曲距离DTW距离,得到一组动态时间扭曲距离DTW距离,选出最小的距离,伸缩窗口,找到该窗口下对应的最小的距离,最后选出最小的距离和相应的位置,完成异常样本单个参数匹配;
步骤2.7:异常样本与故障样本整体定位:固定异常样本一个参数定位位置,取故障样本的与其他异常样本参数对应参数在该位置特征点与异常样本该参数特征点计算动态时间扭曲距离DTW距离,所有参数在该位置处动态时间扭曲距离DTW距离求和得到一个距离和,在所有参数位置得到多个距离和,最小的距离和即是异常样本与故障样本整体的匹配位置;
步骤2.8:计算异常样本与故障样本相似度;
步骤2.9:得到异常样本所属故障类别,输出最终故障诊断结果。
2.如权利要求1所述的方法,其特征在于:所述步骤(1.1)具体步骤为:选择一个类满足故障类型数目P≥2且每种故障发生次数T≥1的设备,并确定能表征该设备运行状态的n个参数,且对这n个参数进行排序,此后顺序保持不变,找出每种故障每次发生的起止时间,从电厂实时数据库PI中读取故障样本数据,获取了属于多个故障类型的k个故障样本;
获取的k个故障样本中第一个样本,故障开始时间与结束时间内有m个时刻,在i时刻观测到的设备n个参数看成一个n维的列向量,表示为:
[xi1,xi2,xi3,...,xin]T
样本看成一个m×n的矩阵,具体形式如下:
行代表m个故障时间,列代表n个设备参数,且每个故障样本的列维度相同为n,参数也相同,行维度m值不尽相同,同时为每个故障样本赋予其故障类型标识ID,故障类型标识ID确定方法为若全部样本中包含x种故障,则故障类型标识ID的数值范围为:1~M。
3.如权利要求2所述的方法,其特征在于:所述步骤(1.2)具体步骤为:
抽取故障样本数据F的第一个观测点列向量数据x1-,形式如下:
[x11,x12,x13,...,x1n]T
将列向量看作为数字序列,滑动时间窗口大小其中round为四舍五入取整函数,若span为偶数,则再加1;
确定完滑动窗口大小之后,进行实质数据平滑操作,span=5:
数值x11的平滑结果:X11=x11
数值x12的平滑结果:
数值x13的平滑结果:
数值x14~x1m-2的平滑结果:
数值x1m-1的平滑结果:
数值x1m的平滑结果:X1m=x1m
最终获取的列向量数据x-1的平滑结果也为一列向量,具体形式如下:
[X11,X12,X13,...,X1n]T
故障样本数据所有的参数依次按照上述步骤完成平滑操作,这样故障样本数据F转化为F*,形式为:
4.如权利要求3所述的方法,其特征在于:所述步骤(1.3)具体步骤为:
抽取平滑后的故障样本数据F*的第一列向量数据X-1,形式如下:
[X11,X21,X31,...,Xm1]T
然后计算X-1的平均值μ1和标准差σ1,那么X1i归一化的结果:
最终获取的列向量数据X-1的归一化结果也为一列向量,具体形式如下:
[a11,a21,a31,...,am1]T
故障样本数据所有的参数依次按照上述步骤完成归一化操作,这样故障样本数据F*转化为A,形式为:
5.如权利要求1-4任一项所述的方法,其特征在于:所述步骤(2.1)具体步骤为:
通过专家或预警系统、集散控制系统DCS发现设备某些关键参数出现异常,进行如下的相关操作:
(2.1.1)确定设备异常产生时间t1和异常发现时间t2;
(2.1.2)确定设备n*个异常参数,这n*个异常参数包含于设备的n个参数中;
(2.1.3)根据异常产生时间t1和异常发现时间t2,以及数据库采样频率fs,得时间点数m=fs×(t2-t1);
(2.1.4)获取异常样本数据为参数个数为n*、时间点数目为m的样本数据,在j时刻的全部参数数据可看成一个n*维的列向量,表示为:
样本数据文件包括两部分内容,一部分是m×n*的矩阵,具体形式如下:
行代表m个故障时间,列代表n*个设备异常参数个数;
二部分是n*个异常参数在设备n个参数中的位置,形式为:
6.如权利要求5所述的方法,其特征在于:所述步骤(2.4)具体步骤为:
对归一化后的异常样本数据同样需要提取趋势特征点包括局部重要点、极值点、拐点、数据起点和终点,具体为
(2.4.1)提取局部重要点:采用与建模过程相同的方法提取局部重要点,设置参数分割块大小(2c+1)*(2r+1),
(2.4.2)提取极值点:采用与建模过程相同的方法提取极值点,设置参数分割块大小为2*s+1,
(2.4.3)提取拐点:采用与建模过程相同的方法提取拐点,设置参数拐点阈值α=0.05;
(2.4.3)合并多类趋势特征点:采用与建模过程相同的方法合并趋势特征点,得到异常样本数据所有参数趋势特征点数值,形式为
其中alarmFV1=[fp1,fp2...,fpβ]=[A11,A*1...,Am1],β为特征点个数以及趋势特征点所在行标,形式为
(2.4.4)异常样本提取完趋势特征点后依次与故障知识库中每一个样本的趋势特征点进行匹配操作,找出与异常样本数据形态最接近的故障样本,故障样本所属的故障类型即为该异常样本所属的故障类型,从而实现故障诊断。
7.如权利要求6所述的方法,其特征在于:所述步骤(2.8)具体步骤为:
基于异常样本与故障样本的整体匹配距离向量,利用相似度转化公式其中τ=0.1,将距离数值转换成介于[0,1]之间的相似度数值,最终得到相似度向量similaritySet=[similarity1,...,similarityk]。
8.如权利要求7所述的方法,其特征在于:所述步骤(2.9)具体步骤为:
基于异常样本与所有故障样本的相似度,取最大的相似度对应的故障样本该故障样本的故障类型标识ID即是异常样本的故障类别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201511004818.1A CN105574284B (zh) | 2015-12-29 | 2015-12-29 | 一种基于趋势特征点的电力设备故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201511004818.1A CN105574284B (zh) | 2015-12-29 | 2015-12-29 | 一种基于趋势特征点的电力设备故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105574284A true CN105574284A (zh) | 2016-05-11 |
CN105574284B CN105574284B (zh) | 2019-06-14 |
Family
ID=55884414
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201511004818.1A Active CN105574284B (zh) | 2015-12-29 | 2015-12-29 | 一种基于趋势特征点的电力设备故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105574284B (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107703920A (zh) * | 2017-10-25 | 2018-02-16 | 北京交通大学 | 基于多元时间序列的列车制动系统的故障检测方法 |
CN108829755A (zh) * | 2018-05-25 | 2018-11-16 | 国网山东省电力公司青岛供电公司 | 基于迭代最近点的变压器故障案例匹配搜索方法 |
CN109341846A (zh) * | 2018-08-23 | 2019-02-15 | 苏州汇川技术有限公司 | 信号频率获取方法、装置及计算机可读存储介质 |
CN109631848A (zh) * | 2018-12-14 | 2019-04-16 | 山东鲁能软件技术有限公司 | 输电线路异物入侵检测系统和检测方法 |
CN110162015A (zh) * | 2019-05-29 | 2019-08-23 | 张婧 | 一种基于公共饮水装置的故障诊断方法 |
CN110275879A (zh) * | 2019-05-16 | 2019-09-24 | 浙江浙能技术研究院有限公司 | 一种基于故障数据状态矩阵进行故障匹配和预警的方法 |
CN111241683A (zh) * | 2020-01-14 | 2020-06-05 | 济南浪潮高新科技投资发展有限公司 | 一种基于动态时间规整的设备工况故障预测方法和系统 |
CN111319601A (zh) * | 2020-02-28 | 2020-06-23 | 中南大学 | 一种均衡风缸控制模块故障诊断方法、装置及存储介质 |
CN111551634A (zh) * | 2020-06-10 | 2020-08-18 | 厦门大学 | 一种基于时间序列识别冲击区域的定位方法及系统 |
WO2021008142A1 (en) * | 2019-07-15 | 2021-01-21 | Huawei Technologies Co., Ltd. | Method and system for automatic anomaly detection in data |
CN113196311A (zh) * | 2018-11-02 | 2021-07-30 | 斯凯孚人工智能有限公司 | 用于识别和预测机器的异常感测行为模式的系统和方法 |
CN115078909A (zh) * | 2022-06-16 | 2022-09-20 | 国网江苏省电力有限公司宿迁供电分公司 | 一种基于能量拐点的非理想脉冲前沿检测方法及装置 |
CN116956073A (zh) * | 2023-09-15 | 2023-10-27 | 中国长江电力股份有限公司 | 一种基于相似性原理的模拟故障样本生成方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104102773A (zh) * | 2014-07-05 | 2014-10-15 | 山东鲁能软件技术有限公司 | 一种设备故障预警及状态监测方法 |
CN104462846A (zh) * | 2014-12-22 | 2015-03-25 | 山东鲁能软件技术有限公司 | 一种基于支持向量机的设备故障智能诊断方法 |
CN104573740A (zh) * | 2014-12-22 | 2015-04-29 | 山东鲁能软件技术有限公司 | 一种基于svm分类模型的设备故障诊断方法 |
US9128879B2 (en) * | 2012-07-03 | 2015-09-08 | Tsinghua University | Fault diagnosing method based on simulated vaccine |
-
2015
- 2015-12-29 CN CN201511004818.1A patent/CN105574284B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9128879B2 (en) * | 2012-07-03 | 2015-09-08 | Tsinghua University | Fault diagnosing method based on simulated vaccine |
CN104102773A (zh) * | 2014-07-05 | 2014-10-15 | 山东鲁能软件技术有限公司 | 一种设备故障预警及状态监测方法 |
CN104462846A (zh) * | 2014-12-22 | 2015-03-25 | 山东鲁能软件技术有限公司 | 一种基于支持向量机的设备故障智能诊断方法 |
CN104573740A (zh) * | 2014-12-22 | 2015-04-29 | 山东鲁能软件技术有限公司 | 一种基于svm分类模型的设备故障诊断方法 |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107703920A (zh) * | 2017-10-25 | 2018-02-16 | 北京交通大学 | 基于多元时间序列的列车制动系统的故障检测方法 |
CN108829755A (zh) * | 2018-05-25 | 2018-11-16 | 国网山东省电力公司青岛供电公司 | 基于迭代最近点的变压器故障案例匹配搜索方法 |
CN108829755B (zh) * | 2018-05-25 | 2021-04-13 | 国网山东省电力公司青岛供电公司 | 基于迭代最近点的变压器故障案例匹配搜索方法 |
CN109341846A (zh) * | 2018-08-23 | 2019-02-15 | 苏州汇川技术有限公司 | 信号频率获取方法、装置及计算机可读存储介质 |
CN113196311A (zh) * | 2018-11-02 | 2021-07-30 | 斯凯孚人工智能有限公司 | 用于识别和预测机器的异常感测行为模式的系统和方法 |
CN109631848A (zh) * | 2018-12-14 | 2019-04-16 | 山东鲁能软件技术有限公司 | 输电线路异物入侵检测系统和检测方法 |
CN109631848B (zh) * | 2018-12-14 | 2021-04-16 | 山东鲁能软件技术有限公司 | 输电线路异物入侵检测系统和检测方法 |
CN110275879A (zh) * | 2019-05-16 | 2019-09-24 | 浙江浙能技术研究院有限公司 | 一种基于故障数据状态矩阵进行故障匹配和预警的方法 |
CN110162015A (zh) * | 2019-05-29 | 2019-08-23 | 张婧 | 一种基于公共饮水装置的故障诊断方法 |
CN110162015B (zh) * | 2019-05-29 | 2022-09-02 | 张婧 | 一种基于公共饮水装置的故障诊断方法 |
WO2021008142A1 (en) * | 2019-07-15 | 2021-01-21 | Huawei Technologies Co., Ltd. | Method and system for automatic anomaly detection in data |
US11561959B2 (en) | 2019-07-15 | 2023-01-24 | Huawei Cloud Computing Technologies Co., Ltd. | Method and system for automatic anomaly detection in data |
CN111241683A (zh) * | 2020-01-14 | 2020-06-05 | 济南浪潮高新科技投资发展有限公司 | 一种基于动态时间规整的设备工况故障预测方法和系统 |
CN111319601A (zh) * | 2020-02-28 | 2020-06-23 | 中南大学 | 一种均衡风缸控制模块故障诊断方法、装置及存储介质 |
CN111551634B (zh) * | 2020-06-10 | 2021-03-16 | 厦门大学 | 一种基于时间序列识别冲击区域的定位方法及系统 |
CN111551634A (zh) * | 2020-06-10 | 2020-08-18 | 厦门大学 | 一种基于时间序列识别冲击区域的定位方法及系统 |
CN115078909A (zh) * | 2022-06-16 | 2022-09-20 | 国网江苏省电力有限公司宿迁供电分公司 | 一种基于能量拐点的非理想脉冲前沿检测方法及装置 |
CN115078909B (zh) * | 2022-06-16 | 2024-03-15 | 国网江苏省电力有限公司宿迁供电分公司 | 一种基于能量拐点的非理想脉冲前沿检测方法及装置 |
CN116956073A (zh) * | 2023-09-15 | 2023-10-27 | 中国长江电力股份有限公司 | 一种基于相似性原理的模拟故障样本生成方法 |
CN116956073B (zh) * | 2023-09-15 | 2023-12-26 | 中国长江电力股份有限公司 | 一种基于相似性原理的模拟故障样本生成方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105574284B (zh) | 2019-06-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105548764A (zh) | 一种电力设备故障诊断方法 | |
CN105574284A (zh) | 一种基于趋势特征点的电力设备故障诊断方法 | |
CN109829236A (zh) | 一种基于XGBoost特征提取的压缩机故障诊断方法 | |
CN109146246B (zh) | 一种基于自动编码器和贝叶斯网络的故障检测方法 | |
CN108985380B (zh) | 一种基于聚类集成的转辙机故障识别方法 | |
CN112859822B (zh) | 基于人工智能的设备健康分析及故障诊断的方法及系统 | |
CN105631596A (zh) | 一种基于多维分段拟合的设备故障诊断方法 | |
CN105467975A (zh) | 一种设备故障诊断方法 | |
CN107423414A (zh) | 一种基于信息传递模型的流程工业复杂机电系统故障溯源方法 | |
CN113935562A (zh) | 一种电力设备健康状况智能评级与自动预警方法 | |
CN107561997A (zh) | 一种基于大数据决策树的电力设备状态监测方法 | |
CN111143447B (zh) | 一种电网薄弱环节动态监测预警决策系统及方法 | |
CN114037079B (zh) | 基于图神经网络与知识图谱的气缸盖多故障整体诊断方法 | |
CN114580291B (zh) | 一种基于lstm-vae的动设备健康状况评估方法 | |
CN113094822A (zh) | 一种机械设备剩余寿命预测方法和系统 | |
He et al. | Fault diagnosis and location based on graph neural network in telecom networks | |
CN112731890A (zh) | 一种电厂设备故障的检测方法和装置 | |
Chen et al. | Adaptive transfer learning for multimode process monitoring and unsupervised anomaly detection in steam turbines | |
CN117930815A (zh) | 一种基于云平台的风电机组远程故障诊断方法及系统 | |
CN116227586A (zh) | 基于深度残差收缩原型网络的元学习故障诊断方法及装置 | |
Fuertes et al. | Visual dynamic model based on self-organizing maps for supervision and fault detection in industrial processes | |
Gao et al. | Design and application of a fault diagnosis and monitoring system for electric vehicle charging equipment based on improved deep belief network | |
CN118152945A (zh) | 一种基于组件拓扑图的水电站辅助设备故障定位方法 | |
CN112529191A (zh) | 一种基于混沌算法的泵站故障树建立方法 | |
CN116011982A (zh) | 一种磨煤机磨辊断裂在线监测方法及系统 |
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 | ||
CP01 | Change in the name or title of a patent holder |
Address after: 250101 5th floor, block B, Yinhe building, 2008 Xinluo street, high tech Zone, Jinan City, Shandong Province Patentee after: Shandong luruan Digital Technology Co.,Ltd. Address before: 250101 5th floor, block B, Yinhe building, 2008 Xinluo street, high tech Zone, Jinan City, Shandong Province Patentee before: SHANDONG LUNENG SOFTWARE TECHNOLOGY Co.,Ltd. |
|
CP01 | Change in the name or title of a patent holder |