CN106959400B - 一种基于异常点监测和大数据分析的二次设备隐患故障诊断方法 - Google Patents
一种基于异常点监测和大数据分析的二次设备隐患故障诊断方法 Download PDFInfo
- Publication number
- CN106959400B CN106959400B CN201710111181.9A CN201710111181A CN106959400B CN 106959400 B CN106959400 B CN 106959400B CN 201710111181 A CN201710111181 A CN 201710111181A CN 106959400 B CN106959400 B CN 106959400B
- Authority
- CN
- China
- Prior art keywords
- secondary equipment
- parameters
- describing
- characteristic value
- data
- 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
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 44
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000012544 monitoring process Methods 0.000 title claims abstract description 32
- 238000007405 data analysis Methods 0.000 title claims abstract description 26
- 238000003745 diagnosis Methods 0.000 title claims abstract description 24
- 238000004891 communication Methods 0.000 claims abstract description 15
- 238000004364 calculation method Methods 0.000 claims abstract description 12
- 239000011159 matrix material Substances 0.000 claims description 29
- 239000013598 vector Substances 0.000 claims description 24
- 230000009467 reduction Effects 0.000 claims description 14
- 230000004044 response Effects 0.000 claims description 8
- 241000272814 Anser sp. Species 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000000354 decomposition reaction Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims description 2
- 238000010219 correlation analysis Methods 0.000 abstract description 4
- 238000000513 principal component analysis Methods 0.000 abstract description 4
- 238000000605 extraction Methods 0.000 abstract description 2
- 230000006978 adaptation Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012847 principal component analysis method Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013479 data entry Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/088—Aspects of digital computing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
- Y04S10/52—Outage or fault management, e.g. fault detection or location
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Test And Diagnosis Of Digital Computers (AREA)
Abstract
一种基于异常点监测和大数据分析的二次设备隐患故障诊断方法，所述方法对电力二次设备特征提取、主成份分析、可靠概率统计分布、距离计算来进行异常样本识别，综合分析二次设备监测的历史大数据，采用快速相关性分析的方法，完成对二次设备的软件、硬件、通信系统等隐性故障进行诊断。该方法的数据来源是SCADA系统中的实时数据和历史数据。本发明的基于异常点监测和大数据分析的二次设备隐患故障诊断方法提高了二次设备隐性故障诊断的准确性和快速性，具有极其重要的实际意义。
Description
技术领域
本发明涉及一种基于异常点监测和大数据分析的二次设备隐患故障诊断方法，适用于对变电站内二次设备隐患故障诊断。
背景技术
智能变电站内二次设备状态信息繁多、需要加工处理，才能识别二次设备隐患故障。在传统的设备隐患评估系统中，通常先建立指标体系，采用人工收集数据，并进行自动打分与综合加权判断的方式，实现对设备状态的评估。但是这一方式存在着诸多问题：指标区间不准确和难以确定，人工录入数据具有一定的主观性和不便性等。这些使得传统方法难以达到监测设备隐患的目标。
采用基于异常点监测和大数据分析的二次设备隐患故障诊断方法，是对具有在功能类型、型号、厂商等某个方面具有可比性的二次设备数据进行抽样和样本组织，进而用于基于模型、距离的方法进行异常点监测，结合大数据分析设备隐患故障相关性，可以有效地发现工况处于异常的设备。
发明内容
本发明的目的在于提供一种基于异常点监测和大数据分析的二次设备隐患故障诊断方法，它能够对电力二次设备特征提取、主成份分析、可靠概率统计分布、距离计算来进行异常样本识别，综合分析二次设备监测的历史大数据，采用快速相关性分析的方法，完成对二次设备的软件、硬件、通信系统等隐性故障进行诊断。
本发明所采用的技术方案如下：
一种基于异常点监测和大数据分析的二次设备隐患故障诊断方法，其特征在于：所述二次设备隐患故障诊断方法获取的数据源是变电站端或者调度端的SCADA监控系统中的实时数据和历史数据，这些数据经过整理、加工、计算和分析，来达到对设备隐患故障的诊断。
一种基于异常点监测和大数据分析的二次设备隐患故障诊断方法，其特征在于，所述二次设备隐患故障诊断方法包括以下步骤：
(1)选择二次设备的数据源，获取二次设备的实时数据和历史数据；
(2)提取步骤(1)获得的二次设备实时数据中描述二次设备参数的特征值；
(3)对步骤(2)所提取的特征值向量进行降维处理；
(4)对步骤(3)中得到的降维处理之后的特征值向量计算可靠估计概率分布；(5)根据步骤(4)得到的概率分布的中心数据，对步骤(2)描述二次设备参数的特征值进行距离计算；
(6)根据步骤(5)的距离计算结果标识步骤(2)二次设备实时数据中描述二次设备参数的特征值中的异常样本；
(7)计算二次设备历史数据中描述二次设备参数的特征值中的异常样本；
(8)计算步骤(6)所标识的实时数据中的异常样本和步骤(7)得到的历史数据中的异常样本的拟合程度；
(9)根据步骤(8)计算的拟合程度，识别出二次设备隐患故障趋势，拟合程度越高，二次设备隐患故障发生的可能性越大。
本发明进一步包括以下优选方案：
在步骤(1)中，所述二次设备的数据源为SCADA监控系统的实时库和历史库；从SCADA监控系统的实时数据中找出描述二次设备软件、硬件、通信系统的参数；SCADA监控系统的历史数据是实时数据的转储。
在步骤(1)中，描述二次设备软件的参数有CPU使用率、内存占用率、硬盘使用率；
描述二次设备硬件的参数有模拟量采集错、装置参数错、ROM校验和错、定值错、定值区指针错、开出不响应、开出击穿、压板模式未确认、软压板错、开出EEPROM出错；
描述二次设备通信系统的参数有GOOSE板通信中断、CPU召唤无应答、GOOSE无开入信息。
在步骤(2)中，将二次设备参数的时间序列进行简化分解，采用自回归积分滑动平均模型即ARIMA模型提取二次设备参数的特征值。
在步骤(3)中，将步骤(2)提取的特征值数据集映射到一组新的坐标系下；新坐标系的第一个维度是第一个主成份，保留K个主成份，从而达到降维目的，其中，1≤K≤5。
在步骤(3)中，特征值向量进行降维处理的过程如下：
3.1对步骤(2)提取得到的二次设备参数特征值矩阵进行标准化，标准化的特征值矩阵用Xs表示；
3.2对标准化后的特征矩阵进行奇异值分解，Σ是一个对角阵，对角线元素是Xs的奇异值，代表每个维度上的标准差，并由大到小排序；
3.3令Xs＝UΣVT，U为经过M变换后的标准正交基，VT为原始域的标准正交基；
3.4确定主成份个数；先计算总方差，即所有奇异值的平方和，当前K个奇异值的平方和超过了总方差的95％，则K就是主成份的个数；
3.5降维处理，降维后的矩阵Xsr是一个M×K维的矩阵，M为输入信息的个数，K为主成份的个数。
在步骤(4)中，采用最小协方差行列式的方法，排除掉异常点，进行可靠估计概率分布，该方法从步骤(3)获得降维后的特征值向量中反复抽取H个样本(N/2<H<3N/4，N为总数据样本)，找到其协方差矩阵具有最小行列式的H个样本，然后以这H个样本的均值和协方差矩阵，作为对步骤(3)获得的降维后数据集分布中心与形状的可靠估计。
在步骤(5)中，所述距离计算，是计算步骤(2)中二次设备实时数据中描述二次设备参数的特征值与步骤(4)得到的概率分布的中心数据之间的相似程度即马氏距离；
马氏距离
和S分别是最小协方差行列式估算出来的分布中心和协方差矩阵。
在步骤(6)中，根据步骤(5)，得到基于马氏距离d的期望T和协方差S的可靠估计量，马氏距离服从自由度为k的卡方分布，当满足d>dthreshold时，视为异常样本，其中d为马氏距离，阈值dthreshold根据二次设备的型号和状态自行选定，选定原则为二次设备计算的马氏距离最大值的30％。在步骤(7)中，按照步骤(2)-(6)的方式，对从历史数据进行分析，计算二次设备历史数据中特征值的异常样本。
在步骤(9)中，所述识别出二次设备隐患故障的判据，是根据步骤(8)计算得到的拟合程度越高，二次设备隐患故障发生的可能性越大，说明与特征值偏离越远，对照对应的特征值，可以识别出对应的故障点
本发明具有以下有益的技术效果：本发明所提供的二次设备隐患故障诊断方法，能够快速有效地发现二次设备隐患故障，提高二次设备自动化巡检水平，为改善事故隐患监督管理提供一种手段，防止和减少事故，保障人民群众生命财产安全。
附图说明
图1是本发明基于异常点监测和大数据分析的二次设备隐患故障诊断方法的流程示意图。
具体实施方式
下面根据说明书附图并结合具体实例对本发明的技术方案作进一步详细说明。
如图1所示为本发明的二次设备隐患故障诊断方法示意图，基于异常点监测和大数据分析的二次设备隐患故障诊断方法具体包括如下步骤：
(1)选择二次设备的数据源；从SCADA监控系统的实时数据中找出描述二次设备的软件、硬件、通信系统等的参数。例如，描述软件的参数有CPU使用率、内存占用率、硬盘使用率等，描述硬件的参数有模拟量采集错、装置参数错、ROM校验和错、定值错、定值区指针错、开出不响应、开出击穿、压板模式未确认、软压板错、开出EEPROM出错等，描述通信系统的参数有GOOSE板通信中断、CPU召唤无应答等。SCADA监控系统的历史数据是实时数据的转储，用于后面大数据分析；
(2)提取二次设备参数的特征值，将参数的时间序列进行简化分解，采用ARIMA模型(自回归积分滑动平均模型)；
(3)采用主成份分析的方法对特征值向量进行降维处理,本质上是将特征值数据集映射到一组新的坐标系下。新坐标系的第一个纬度是第一个主成份，保留K个主成份，从而达到降维目的。主成份分析的过程如下：
1)对原始参数特征值矩阵进行标准化，标准化的特征值矩阵用Xs表示；
2)对标准化后的特征矩阵进行奇异值分解。Σ是一个对角阵，对角线元素是Xs的奇异值，代表新坐标系下每个维度上的标准差，并由大到小排序；
3)Xs＝UΣVT；
4)确定主成份个数。先计算总方差，即所有奇异值的平方和。然后当前K个奇异值的平方和，超过了总方差的95％，K就是主成份的个数，表示前K个新特征已经覆盖了原数据集95％的信息量；
5)降维处理。降维后的矩阵Xsr是一个M×K维的矩阵；
(4)可靠统计概率分布，采用最小协方差行列式的方法，能够排除异常点、可靠估计概率分布。该方法从原始数据集中反复抽取H个样本(N/2<H<3N/4，N为总数据样本)，最终目标是找到其协方差矩阵具有最小行列式的H个样本。然后以这H个样本的均值和协方差矩阵，座位对原数据集分布中心与形状的可靠估计；
(5)距离计算，两数据Xi、Xj之间的距离dij满足对于数据Xk有dij<dik+dkj。距离越小，两数据越相似。由于数据集沿各个维度方向上的变化差别很大，在计算距离时采用考虑了数据分布形状的马氏距离
和S分别是最小协方差行列式估算出来的分布中心和协方差矩阵；
(6)异常样本标识，是根据前述步骤将样本计算后，得到基于马氏距离的期望T和协方差S的可靠估计量，样本马氏距离服从自由度为k的卡方分布，当满足d>dthreshold时，视为异常样本；其中d为马氏距离，阈值dthreshold根据二次设备的型号和状态自行选定，选定原则为二次设备计算的马氏距离最大值的30％。
(7)从历史数据中进行大数据分析，计算特征值，计算特征值的方法同步骤(2)；
(8)快速相关性分析，计算异常样本标识和大数据分析结果的拟合程度；
(9)识别出二次设备隐患故障。
下面通过一个具体实施例对前述的基于异常点监测和大数据分析的二次设备隐患故障诊断方法进行介绍：
步骤1：选择二次设备的数据源
变电站内二次设备状态数据视设备不同选取不同的数据。通常描述软件的参数有CPU使用率、内存占用率、硬盘使用率等，描述硬件的参数有模拟量采集错、装置参数错、ROM校验和错、定值错、定值区指针错、开出不响应、开出击穿、压板模式未确认、软压板错、开出EEPROM出错等，描述通信系统的参数有GOOSE板通信中断、CPU召唤无应答等。
数据源在xml格式文件中描述。
步骤2：提取二次设备参数的特征值
对二次设备的每个参数的时间序列采用ARIMA模型进行简化分解。
步骤3：采用主成份分析的方法对特征值向量进行降维处理
主成份分析时，前K个新特征覆盖了原数据集95％的信息量即可。
步骤4：可靠统计概率分布
采用最小协方差行列式的方法，从原始数据集中反复抽取H个样本(N/2<H<3N/4)，最终目标是找到其协方差矩阵具有最小行列式的H个样本。然后以这H个样本的均值和协方差矩阵，座位对原数据集分布中心与形状的可靠估计。
步骤5：距离计算
计算数据的马氏距离
和S分别是最小协方差行列式估算出来的分布中心和协方差矩阵。
步骤6：异常样本标识
得到基于马氏距离的期望T和协方差S的可靠估计量，样本马氏距离服从自由度为k的卡方分布，当满足d>dthreshold时，视为异常样本。其中d为马氏距离，阈值dthreshold根据二次设备的型号和状态自行选定，选定原则为二次设备计算的马氏距离最大值的30％。
步骤7：从历史数据中进行大数据分析，计算特征值
计算特征值的方法同步骤2。
步骤8：快速相关性分析
计算异常样本标识和大数据分析结果的拟合程度。
步骤9：识别出二次设备隐患故障
相关性越强，二次设备隐患故障发生的可能性越大，对照特征值，可以识别出对应的故障点。
以上所述仅是发明的一种实施方式，应当指出：对于本技术领域的技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和调整，这些改进和调整均应视为本发明的保护范围。
最后要说明的是，该基于异常点监测和大数据分析的二次设备隐患故障诊断方法的核心精神是在进行二次设备隐患故障诊断时，采用了异常点监测和大数据分析的方法。
Claims (7)
1.一种基于异常点监测和大数据分析的二次设备隐患故障诊断方法，其特征在于，所述二次设备隐患故障诊断方法包括以下步骤：
(1)选择二次设备的数据源，获取二次设备的实时数据和历史数据；
其中，所述实时数据和历史数据包括描述二次设备软件的参数、二次设备硬件的参数和二次设备通信系统的参数，二次设备软件的参数、二次设备硬件的参数、二次设备通信系统的参数统称为二次设备参数；
描述二次设备软件的参数有CPU使用率、内存占用率、硬盘使用率；
描述二次设备硬件的参数有模拟量采集错、装置参数错、ROM校验和错、定值错、定值区指针错、开出不响应、开出击穿、压板模式未确认、软压板错、开出EEPROM出错；
描述二次设备通信系统的参数有GOOSE板通信中断、CPU召唤无应答、GOOSE无开入信息；
(2)提取步骤(1)获得的二次设备实时数据中描述二次设备参数的特征值向量；
将二次设备参数的时间序列进行简化分解，采用自回归积分滑动平均模型即ARIMA模型提取二次设备参数的特征值向量；(3)对步骤(2)所提取的特征值向量进行降维处理；
(4)对步骤(3)中得到的降维处理之后的特征值向量计算可靠估计概率分布；
(5)根据步骤(4)得到的可靠估计概率分布的中心数据，对步骤(2)描述二次设备参数的特征值向量进行距离计算；
(6)根据步骤(5)的距离计算结果标识步骤(2)二次设备实时数据中描述二次设备参数的特征值向量中的异常样本；
(7)计算二次设备历史数据中描述二次设备参数的特征值向量中的异常样本，按照步骤(2)-(6)的方式，对历史数据进行分析，计算二次设备历史数据中描述二次设备参数的特征值向量中的异常样本；
(8)计算步骤(6)所标识的实时数据中描述二次设备参数的特征值向量中的异常样本和步骤(7)得到的历史数据中描述二次设备参数的特征值向量中的异常样本的拟合程度；
(9)根据步骤(8)计算的拟合程度，识别出二次设备隐患故障趋势，拟合程度越高，二次设备隐患故障发生的可能性越大，对照对应的特征值向量，识别出对应的故障点。
2.根据权利要求1所述的基于异常点监测和大数据分析的二次设备隐患故障诊断方法，其特征在于：
在步骤(1)中，所述二次设备的数据源为SCADA监控系统的实时库和历史库；从SCADA监控系统的实时数据中找出描述二次设备软件、硬件、通信系统的参数；SCADA监控系统的历史数据是实时数据的转储。
3.根据权利要求1所述的基于异常点监测和大数据分析的二次设备隐患故障诊断方法，其特征在于：
在步骤(3)中，将步骤(2)提取的特征值向量映射到一组新的坐标系下；新坐标系的第一个维度是第一个主成份，保留K个主成份，从而达到降维目的，其中，1≤K≤5。
4.根据权利要求1或3所述的基于异常点监测和大数据分析的二次设备隐患故障诊断方法，其特征在于：
在步骤(3)中，特征值向量进行降维处理的过程如下：
3.1对步骤(2)提取得到的描述二次设备参数的特征值向量所形成的特征值矩阵进行标准化，标准化的特征值矩阵用Xs表示；
3.2对标准化后的特征值矩阵进行奇异值分解，Σ是一个对角阵，对角线元素是Xs的奇异值，代表每个维度上的标准差，并由大到小排序；
3.3令Xs＝UΣVT，U为经过M变换后的标准正交基，VT为原始域的标准正交基；
3.4确定主成份个数；先计算总方差，即所有奇异值的平方和，当前K个奇异值的平方和超过了总方差的95％，则K就是主成份的个数；
3.5降维处理，降维后的矩阵Xsr是一个M×K维的矩阵，M为输入信息的个数，K为主成份的个数。
5.根据权利要求1所述的基于异常点监测和大数据分析的二次设备隐患故障诊断方法，其特征在于：
在步骤(4)中，采用最小协方差行列式的方法，排除掉异常点，进行可靠估计概率分布，从步骤(3)获得降维后的特征值向量中反复抽取H个样本，N/2<H<3N/4，N为总数据样本，找到其协方差矩阵具有最小行列式的H个样本，然后以这H个样本的均值和协方差矩阵，作为对步骤(3)获得的降维后特征值向量分布中心与形状的可靠估计。
6.根据权利要求1所述的基于异常点监测和大数据分析的二次设备隐患故障诊断方法，其特征在于：
在步骤(5)中，所述距离计算，是计算步骤(2)中二次设备实时数据中描述二次设备参数的特征值向量与步骤(4)得到的可靠估计概率分布的中心数据之间的相似程度即马氏距离；
马氏距离公式为
和S分别是最小协方差行列式估算出来的分布中心和协方差矩阵。
7.根据权利要求6所述的基于异常点监测和大数据分析的二次设备隐患故障诊断方法，其特征在于：
在步骤(6)中，根据步骤(5)得到基于马氏距离d的期望T和协方差S的可靠估计量，马氏距离服从自由度为k的卡方分布，当满足d>dthreshold时，则二次设备实时数据中描述二次设备参数的特征值向量被视为异常样本，其中d为马氏距离，阈值dthreshold根据二次设备的型号和状态自行选定，选定原则为二次设备计算的马氏距离最大值的30％。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710111181.9A CN106959400B (zh) | 2017-02-28 | 2017-02-28 | 一种基于异常点监测和大数据分析的二次设备隐患故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710111181.9A CN106959400B (zh) | 2017-02-28 | 2017-02-28 | 一种基于异常点监测和大数据分析的二次设备隐患故障诊断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106959400A CN106959400A (zh) | 2017-07-18 |
| CN106959400B true CN106959400B (zh) | 2020-03-31 |
Family
ID=59470039
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710111181.9A Active CN106959400B (zh) | 2017-02-28 | 2017-02-28 | 一种基于异常点监测和大数据分析的二次设备隐患故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106959400B (zh) |
Families Citing this family (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107749667B (zh) * | 2017-10-31 | 2019-12-24 | 国网黑龙江省电力有限公司电力科学研究院 | 一种智能变电站保护压板信息和状态的实时监测方法 |
| TWI828676B (zh) * | 2018-04-16 | 2024-01-11 | 以色列商普騰泰克斯有限公司 | 用於積體電路剖析及異常檢測之方法和相關的電腦程式產品 |
| CN108921424B (zh) * | 2018-06-28 | 2020-11-17 | 广东电网有限责任公司 | 一种电力数据异常检测方法、装置、设备及可读存储介质 |
| CN109506942B (zh) * | 2018-12-04 | 2020-08-04 | 重庆大学 | 一种大数据分析发动机冷试检测数据与工位相关性的方法 |
| CN109884469A (zh) * | 2019-03-06 | 2019-06-14 | 山东理工大学 | 配电网故障区段与故障时刻的判定方法 |
| JP6621190B1 (ja) * | 2019-04-25 | 2019-12-18 | 株式会社岩崎電機製作所 | 検査装置、検査方法、および、検査プログラム |
| CN110108474B (zh) * | 2019-06-04 | 2020-05-15 | 山东大学 | 一种旋转机械运行稳定性在线监测与评估方法及系统 |
| CN110570544A (zh) * | 2019-09-19 | 2019-12-13 | 中国商用飞机有限责任公司北京民用飞机技术研究中心 | 飞机燃油系统故障识别方法、装置、设备和存储介质 |
| CN111027721B (zh) * | 2019-11-22 | 2023-07-18 | 中国铁道科学研究院集团有限公司通信信号研究所 | 一种系统故障定位方法 |
| WO2021111444A1 (en) | 2019-12-04 | 2021-06-10 | Proteantecs Ltd. | Memory device degradation monitoring |
| IL297427A (en) | 2020-04-20 | 2022-12-01 | Proteantecs Ltd | Inter-chip connectivity monitoring |
| CN112362987B (zh) * | 2020-10-28 | 2022-06-14 | 广东电网有限责任公司佛山供电局 | 一种基于稳健估计的避雷器故障诊断方法 |
| CN112785142B (zh) * | 2021-01-19 | 2023-11-24 | 翰克偲诺水务集团有限公司 | 物联网污水处理设备预警智慧工单方法及其系统 |
| CN114660399B (zh) * | 2022-02-28 | 2022-12-06 | 湖北拓普电力有限公司 | 一种环网柜设备状态监测及故障诊断方法 |
| CN115500829A (zh) * | 2022-11-24 | 2022-12-23 | 广东美赛尔细胞生物科技有限公司 | 一种应用于神经内科的抑郁症检测分析系统 |
| US12013800B1 (en) | 2023-02-08 | 2024-06-18 | Proteantecs Ltd. | Die-to-die and chip-to-chip connectivity monitoring |
| CN117969050B (zh) * | 2023-09-04 | 2024-07-23 | 重庆数智融合创新科技有限公司 | 基于概率统计的设备故障诊断方法及系统 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105911424A (zh) * | 2016-04-08 | 2016-08-31 | 国网福建省电力有限公司 | 一种基于故障指示器误报信号的识别方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9390219B2 (en) * | 2014-05-30 | 2016-07-12 | Taiwan Semiconductor Manufacturing Company, Ltd | System for and method of semiconductor fault detection |
| CN105160483A (zh) * | 2015-09-10 | 2015-12-16 | 国家电网公司 | 一种基于数据挖掘的二次设备故障诊断方法 |
| CN105320126B (zh) * | 2015-10-21 | 2018-05-01 | 中国南方电网有限责任公司 | 一种基于大数据技术的二次设备隐患挖掘方法 |
| CN106067096B (zh) * | 2016-06-24 | 2019-09-17 | 北京邮电大学 | 一种数据处理方法、装置及系统 |
-
2017
- 2017-02-28 CN CN201710111181.9A patent/CN106959400B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105911424A (zh) * | 2016-04-08 | 2016-08-31 | 国网福建省电力有限公司 | 一种基于故障指示器误报信号的识别方法 |
Non-Patent Citations (1)
| Title |
|---|
| "智能变电站二次设备故障诊断系统的研究";孙莉君 等;《沈阳工程学院学报(自然科学版)》;20160115;第55-60页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106959400A (zh) | 2017-07-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106959400B (zh) | 一种基于异常点监测和大数据分析的二次设备隐患故障诊断方法 | |
| CN108805202B (zh) | 一种用于电解槽故障预警的机器学习方法及其应用 | |
| CN107272655B (zh) | 基于多阶段ica-svdd的间歇过程故障监测方法 | |
| CN105425779B (zh) | 基于局部邻域标准化和贝叶斯推断的ica-pca多工况故障诊断方法 | |
| CN109977535B (zh) | 一种线损异常诊断方法、装置、设备及可读存储介质 | |
| CN111080105A (zh) | 基于电压时序数据的台区户变关系识别方法及系统 | |
| CN103812577A (zh) | 非正常无线电信号的自动识别系统及其方法 | |
| CN115496644A (zh) | 基于数据识别的固体废弃物处理设备监测方法 | |
| CN111796957B (zh) | 基于应用日志的交易异常根因分析方法及系统 | |
| CN110045227B (zh) | 一种基于随机矩阵与深度学习的配电网故障诊断方法 | |
| WO2017113774A1 (zh) | 一种无线通讯系统用户优先级的判别方法及装置 | |
| CN111458601A (zh) | 故障检测方法及装置 | |
| CN115858794B (zh) | 用于网络运行安全监测的异常日志数据识别方法 | |
| CN111506635A (zh) | 一种基于自回归和朴素贝叶斯算法的居民用电行为分析的系统及方法 | |
| CN111242204A (zh) | 一种运维管控平台故障特征提取方法 | |
| CN113125903A (zh) | 线损异常检测方法、装置、设备及计算机可读存储介质 | |
| CN111781467A (zh) | 一种基于多维全景数据的电网故障智能判别方法 | |
| CN116740900B (zh) | 一种基于svm的电力施工预警方法及系统 | |
| CN117407313A (zh) | 一种基于机器学习分析自动化测试质量的方法及系统 | |
| CN114936614B (zh) | 一种基于神经网络的作业风险识别方法及系统 | |
| CN117493922A (zh) | 一种基于数据驱动的配电网户变关系识别方法 | |
| CN110244690B (zh) | 一种多变量工业过程故障辨识方法及系统 | |
| CN116777124A (zh) | 一种基于用户用电行为的窃电监测方法 | |
| Zhao et al. | RBF-SVM and its application on reliability evaluation of electric power system communication network | |
| CN114020971A (zh) | 一种异常数据检测方法及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |