CN107403279A - 一种输油泵工况自适应状态预警系统及方法 - Google Patents
一种输油泵工况自适应状态预警系统及方法 Download PDFInfo
- Publication number
- CN107403279A CN107403279A CN201710651507.7A CN201710651507A CN107403279A CN 107403279 A CN107403279 A CN 107403279A CN 201710651507 A CN201710651507 A CN 201710651507A CN 107403279 A CN107403279 A CN 107403279A
- Authority
- CN
- China
- Prior art keywords
- operating mode
- deterioration state
- deterioration
- under
- state
- 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
- 238000000034 method Methods 0.000 title claims abstract description 43
- 230000003044 adaptive effect Effects 0.000 title claims abstract description 30
- 230000006866 deterioration Effects 0.000 claims abstract description 278
- 238000012512 characterization method Methods 0.000 claims abstract description 103
- 238000012546 transfer Methods 0.000 claims abstract description 89
- 238000011156 evaluation Methods 0.000 claims abstract description 39
- 238000000605 extraction Methods 0.000 claims abstract description 18
- 238000010219 correlation analysis Methods 0.000 claims abstract description 11
- 239000002245 particle Substances 0.000 claims description 55
- 239000011159 matrix material Substances 0.000 claims description 37
- 230000008859 change Effects 0.000 claims description 27
- 238000011946 reduction process Methods 0.000 claims description 21
- 238000012952 Resampling Methods 0.000 claims description 15
- 238000005065 mining Methods 0.000 claims description 15
- 238000005315 distribution function Methods 0.000 claims description 10
- 230000007850 degeneration Effects 0.000 claims description 9
- 230000004927 fusion Effects 0.000 claims description 7
- 230000009467 reduction Effects 0.000 claims description 7
- 238000007621 cluster analysis Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 5
- 238000012098 association analyses Methods 0.000 claims description 3
- 241000208340 Araliaceae Species 0.000 claims description 2
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims description 2
- 235000003140 Panax quinquefolius Nutrition 0.000 claims description 2
- 235000008434 ginseng Nutrition 0.000 claims description 2
- 230000008569 process Effects 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 5
- 230000003412 degenerative effect Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 230000001143 conditioned effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 206010033799 Paralysis Diseases 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 239000013256 coordination polymer Substances 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 239000011551 heat transfer agent Substances 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000002844 melting Methods 0.000 description 1
- 230000008018 melting Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G06Q50/40—
Abstract
本申请提供了一种输油泵工况自适应状态预警系统及方法，该方法包括：在线采集反映输油泵运行工况与劣化状态的特征参数，特征参数包括工况特征参数及劣化状态表征参数；对各劣化状态表征参数作相关分析，获得各劣化状态表征参数间的相关系数；根据相关系数及工况特征参数将输油泵运行工况分成多个工况子空间，从输油泵历史运行数据中确定各工况子空间的劣化状态表征信号，并对其作特征提取与融合，获得各工况子空间下的劣化评价指标；根据各工况子空间下的劣化评价指标实时预测输油泵在各工况子空间下的劣化状态值，并将其与对应报警阈值作比较，若劣化状态值超出报警阈值，则输出相应报警信息。本申请可在多变运行工况下准确预测输油泵劣化状态。
Description
技术领域
本申请涉及管道输油关键设备智能诊断技术领域，尤其是涉及一种输油泵工况自适应状态预警系统及方法。
背景技术
随着国民经济的发展，管线运输已经在现代工业中占有了越来越重要的地位。输油泵作为管道输油的关键设备，是保证管线运输正常运行的重要因素。然而，输油泵输送介质多变，运行工况复杂，这不仅加剧了其状态退化，而且增加了状态预测的不确定性。一旦输油泵部件发生故障，可能引起整个管线运输系统的瘫痪，给企业带来巨大的经济损失，甚至造成灾难性的环境污染和恶劣的社会影响。因此开展对输油泵劣化状态的预测预警具有十分重要的意义。
目前输油泵劣化状态的预测预警技术主要面临以下两个问题：运行工况的自动辨识和劣化状态的自适应预测。
首先，受输送介质、运行工况以及环境因素等的影响，输油泵的运行工况具有复杂性和多变性的特点，且工况参数(如输送介质、流量和压力等)的变化必然导致输油泵状态表征参数(如振动、温度等响应信号)演变的不确定性。在以往众多的研究中，人们多注重输油泵状态表征参数随时间的变化，很少考虑这些表征参数之间的相互联系，以及这些联系与设备运行工况、劣化状态之间的关系。这使得状态表征参数内部的关联信息没有得到充分的挖掘与利用，因而很难实现输油泵运行工况的自动辨识。
其次，一种性能良好的预测预警方法在对输油泵劣化趋势进行估计时，往往需要跟踪工况信息的变化并设置合理的报警阈值。然而，现存的预测预警方法并没有或者很少考虑运行工况对输油泵状态演化的影响，那么传统的根据单一固定阈值进行劣化状态监测的方法也就不能满足输油泵劣化状态预测预警的要求。因而，如何根据运行工况自适应预测设备劣化状态和调整报警阈值，从而实现设备状态的准确预警也是当下输油泵劣化状态预测预警技术急需解决的另一个问题。
发明内容
本申请实施例的目的在于提供一种输油泵工况自适应状态预警系统及方法，以克服现有技术在运行工况复杂多变条件下难以准确预测输油泵劣化状态的缺陷。
为达到上述目的，一方面，本申请实施例提供了一种输油泵工况自适应状态预警方法，包括：在线采集反映输油泵运行工况与劣化状态的特征参数，并将所述特征参数进行降噪处理；所述特征参数包括多个工况特征参数及多个劣化状态表征参数；对降噪处理后的多个劣化状态表征参数进行相关分析，获得所述多个劣化状态表征参数之间的相关系数矩阵；根据所述相关系数矩阵及所述多个工况特征参数将所述输油泵运行工况划分成多个工况子空间实现工况辨识，并从所述输油泵的历史运行数据中确定每个工况子空间下的劣化状态表征信号；对每个工况子空间下的劣化状态表征信号进行特征提取与融合，对应获得每个工况子空间下的劣化评价指标；根据每个工况子空间下的劣化评价指标，实时预测所述输油泵在每个工况子空间下的劣化状态值；将每个工况子空间下的劣化状态值与对应报警阈值进行比较，如果预测出的劣化状态值超出对应报警阈值，则输出相应的预警信息，并估算设备剩余服役寿命。
本申请实施例的输油泵工况自适应状态预警方法，所述对降噪处理后的多个劣化状态表征参数进行相关分析，获得所述多个劣化状态表征参数之间的相关系数矩阵，包括：根据公式ri,t＝log(yi,t/yi,t-1)确定每个降噪处理后的劣化状态表征参数的变化率；根据公式确定任意两个劣化状态表征参数之间的相关系数，并基于所述相关系数构建相关系数矩阵；其中，ri,t为劣化状态表征参数i在t时刻的变化率，yi,t为劣化状态表征参数i在t时刻的值，yi,t-1为劣化状态表征参数i在t-1时刻的值；cij为任意两个劣化状态表征参数i和j之间的相关系数，rj,t为劣化状态表征参数j在t时刻的变化率，T为总采样时长。
本申请实施例的输油泵工况自适应状态预警方法，根据所述相关系数矩阵及所述多个工况特征参数将所述输油泵运行工况划分成多个工况子空间实现工况辨识，包括：根据所述多个工况特征参数构建工况特征集；基于密度峰值的聚类方法对所述工况特征集下的劣化状态表征参数之间的相关系数矩阵进行聚类分析，从而得到所述输油泵的多个工况子空间实现工况辨识。
本申请实施例的输油泵工况自适应状态预警方法，所述对每个工况子空间下的劣化状态表征信号进行特征提取与融合，对应获得每个工况子空间下的劣化评价指标，包括：对每个工况子空间下的劣化状态表征信号进行归一化处理；对归一化处理后每个工况子空间下的劣化状态表征信号进行特征提取，对应获得每个工况子空间下的劣化特征矩阵；利用特征融合方法对每个工况子空间下的劣化特征矩阵进行降维，对应获得每个工况子空间下的劣化评价指标。
本申请实施例的输油泵工况自适应状态预警方法，所述根据每个工况子空间下的劣化评价指标，实时预测所述输油泵在每个工况子空间下的劣化状态值，包括：根据所述输油泵的历史运行信息确定所述输油泵的初始状态分布函数，并从所述初始状态分布函数中随机抽取多个权值相等的状态粒子及其权值；根据输油泵状态退化方程xk＝f(xk-1,uk-1)初步预测每个工况子空间下的劣化状态值；其中，xk为k时刻的劣化状态值，xk-1为k-1时刻的劣化状态值，uk-1为k-1时刻的状态噪声；根据公式更新每个工况子空间下状态粒子的权值；其中，为k时刻第i个状态粒子的权值，为k-1时刻第i个状态粒子的权值，为k时刻第i个状态粒子，zk为k时刻获得的劣化评价指标，为根据zk所得到的似然函数；根据公式将更新后每个工况子空间下状态粒子的权值进行归一化处理，并在归一化处理后对每个工况子空间下状态粒子及其权值进行重采样，得到新的状态粒子及其权值；其中，为归一化后k时刻第i个状态粒子的权值；根据公式更新每个工况子空间下的劣化状态值；其中，为更新后k时刻的劣化状态值，为重采样后k时刻的状态粒子，为重采样后k时刻的状态粒子的权值。
另一方面，本申请实施例还提供了一种输油泵工况自适应状态预警系统，包括：数据采集及预处理模块，用于在线采集反映输油泵运行工况与劣化状态的特征参数，并将所述特征参数进行降噪处理；所述特征参数包括多个工况特征参数及多个劣化状态表征参数；参数关联分析模块，用于对降噪处理后的多个劣化状态表征参数进行相关分析，获得所述多个劣化状态表征参数之间的相关系数矩阵；运行工况辨识模块，用于根据所述相关系数矩阵及所述多个工况特征参数将所述输油泵运行工况划分成多个工况子空间实现工况辨识，并从所述输油泵的历史运行数据中确定每个工况子空间下的劣化状态表征信号；劣化评价指标构建模块，用于对每个工况子空间下的劣化状态表征信号进行特征提取与融合，对应获得每个工况子空间下的劣化评价指标；劣化状态预测模块，用于根据每个工况子空间下的劣化评价指标，实时预测所述输油泵在每个工况子空间下的劣化状态值；劣化状态预警模块，用于将每个工况子空间下的劣化状态值与对应报警阈值进行比较，如果预测出的劣化状态值超出对应报警阈值，则输出相应的预警信息，并估算设备剩余服役寿命。
本申请实施例的输油泵工况自适应状态预警系统，所述对降噪处理后的多个劣化状态表征参数进行相关分析，获得所述多个劣化状态表征参数之间的相关系数矩阵，包括：根据公式ri,t＝log(yi,t/yi,t-1)确定每个降噪处理后的劣化状态表征参数的变化率；根据公式确定任意两个劣化状态表征参数之间的相关系数，并基于所述相关系数构建相关系数矩阵；其中，ri,t为劣化状态表征参数i在t时刻的变化率，yi,t为劣化状态表征参数i在t时刻的值，yi,t-1为劣化状态表征参数i在t-1时刻的值；cij为任意两个劣化状态表征参数i和j之间的相关系数，rj,t为劣化状态表征参数j在t时刻的变化率，T为采样时长。
本申请实施例的输油泵工况自适应状态预警系统，根据所述相关系数矩阵及所述多个工况特征参数将所述输油泵运行工况划分成多个工况子空间实现工况辨识，包括：根据所述多个工况特征参数构建工况特征集；基于密度峰值的聚类方法对所述工况特征集下的劣化状态表征参数之间的相关系数矩阵进行聚类分析，从而得到所述输油泵的多个工况子空间实现工况辨识。
本申请实施例的输油泵工况自适应状态预警系统，所述对每个工况子空间下的劣化状态表征信号进行特征提取与融合，对应获得每个工况子空间下的劣化评价指标，包括：对每个工况子空间下的劣化状态表征信号进行归一化处理；对归一化处理后每个工况子空间下的劣化状态表征信号进行特征提取，对应获得每个工况子空间下的劣化特征矩阵；利用特征融合方法对每个工况子空间下的劣化特征矩阵进行降维，对应获得每个工况子空间下的劣化评价指标。
本申请实施例的输油泵工况自适应状态预警系统，所述根据每个工况子空间下的劣化评价指标，实时预测所述输油泵在每个工况子空间下的劣化状态值，包括：根据所述输油泵的历史运行信息确定所述输油泵的初始状态分布函数，并从所述初始状态分布函数中随机抽取多个权值相等的状态粒子及其权值；根据输油泵状态退化方程xk＝f(xk-1,uk-1)初步预测每个工况子空间下的劣化状态值；其中，xk为k时刻的劣化状态值，xk-1为k-1时刻的劣化状态值，uk-1为k-1时刻的状态噪声；根据公式更新每个工况子空间下状态粒子的权值；其中，为k时刻第i个状态粒子的权值，为k-1时刻第i个状态粒子的权值，为k时刻第i个状态粒子，zk为k时刻获得的劣化评价指标，为根据zk所得到的似然函数；根据公式将更新后每个工况子空间下状态粒子的权值进行归一化处理，并在归一化处理后对每个工况子空间下状态粒子及其权值进行重采样，得到新的状态粒子及其权值；其中，为归一化后k时刻第i个状态粒子的权值；根据公式更新每个工况子空间下的劣化状态值；其中，为更新后k时刻的劣化状态值，为重采样后k时刻的状态粒子，为重采样后k时刻的状态粒子的权值。
由以上本申请实施例提供的技术方案可见，本申请实施例有益效果如下：
1.在分析输油泵各个劣化状态表征参数之间的联系时，本申请实施例通过相关分析技术对劣化状态表征参数内部的关联信息进行充分地挖掘与利用，并为后期自动辨识输油泵的运行工况提供了支持。
2.在划分不同工况子空间时，考虑到输油泵运行环境复杂多变的特点，本申请实施例可根据上劣化状态表征参数之间的关联信息，将所述输油泵运行工况划分成多个工况子空间实现工况辨识，从而有利于实现输油泵运行工况的合理预测。
3.在构建输油的劣化评价指标时，本申请实施例可对各工况子空间下的劣化状态表征信号分别进行特征提取与融合，从而获取对应不同工况子空间下能够反映输油泵退化过程的劣化评价指标。因此，本申请实施例既去除了传感观测中冗余信息，也保留了劣化状态表征信号中信息的多样性。
4.本申请实施例根据每个工况子空间下的劣化评价指标，实时预测所述输油泵在每个工况子空间下的劣化状态值；将每个工况子空间下的劣化状态值与对应报警阈值进行比较，如果预测出的劣化状态值超出对应报警阈值，则输出相应的预警信息，并估算设备剩余服役寿命，从而实现对不同运行工况下的输油泵劣化状态进行在线预测及准确预警，从而为进一步的预后维修和设备管理提供了支持。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。在附图中：
图1为本申请一实施例中输油泵工况自适应状态预警方法的流程图；
图2为本申请一实施例中基于密度峰值的聚类方法进行工况辨识的流程图；
图3为本申请一实施例中输油泵工况自适应状态预警系统的结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本申请中的技术方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅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作出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。
参考图1所示，本申请实施例的输油泵工况自适应状态预警方法可以包括：
S101、在线采集反映输油泵运行工况与劣化状态的特征参数，并将所述特征参数进行降噪处理；所述特征参数包括多个工况特征参数及多个劣化状态表征参数。
在申请一实施例中，首先可通过数据采集与监视控制(Supervisory Control andData Acquisition，SCADA)系统在线采集反映输油泵运行工况与劣化状态的特征参数。其中所述工况特征参数例如可以包括输送介质、流量和压力等；所述劣化状态表征参数例如可以包括泵自由端及非自由端轴承的振动速度、加速度信号，输油泵轴承、电机、泵壳等部件温度值，等共计M个劣化状态表征参数；其次，可利用诸如小波包分解等降噪与信号增强等技术对现场在线采集的特征参数进行降噪处理，从而剔出其中的背景噪声。
S102、对降噪处理后的多个劣化状态表征参数进行相关分析，获得所述多个劣化状态表征参数之间的相关系数矩阵。
在申请一实施例中，可利用相关分析技术深度挖掘各劣化状态表征参数内部的关联信息，从而后期自动辨识输油泵的运行工况提供支持。其具体可包括以下步骤：
对输油泵M个劣化状态表征参数进行关联分析前，先确定各劣化状态表征参数所形成关联度的数量：即M×(M-1)/2个，而后按如下步骤计算各劣化状态表征参数之间的相关系数，具体如下：
首先，确定每个降噪处理后劣化状态表征参数的变化率。劣化状态表征参数在时间上的变化率可有效表明劣化状态表征参数的波动情况。因此，为了后续分析的方便，本申请实施例在保持数据间相对关系的基础上，可采用对数函数来表示劣化状态表征参数的变化率，其计算公式如下：
ri,t＝log(yi,t/yi,t-1)
其中，ri,t为劣化状态表征参数i在t时刻的变化率，yi,t为劣化状态表征参数i在t时刻的值，yi,t-1为劣化状态表征参数i在t-1时刻的值。
然后，确定任意两个劣化状态表征参数之间的相关系数，并基于所述相关系数构建相关系数矩阵。在申请一实施例中，可根据公式确定任意两个劣化状态表征参数之间的相关系数。其中，cij为任意两个劣化状态表征参数i和j之间的相关系数，rj,t为劣化状态表征参数j在t时刻的变化率，T为总采样时长。
通过上述获得的相关系数，便可评价劣化状态表征参数之间的关联度，且相关系数cij越接近于1，表明关联度越高。此外，在得到任意两个劣化状态表征参数之间的相关系数后，可将其构建成相关系数矩阵，以便于后续处理。
S103、根据所述相关系数矩阵及所述多个工况特征参数将所述输油泵运行工况划分成多个工况子空间实现工况辨识，并从所述输油泵的历史运行数据中确定每个工况子空间下的劣化状态表征信号。
在申请一实施例中，根据所述相关系数矩阵及所述多个工况特征参数将所述输油泵运行工况划分成多个工况子空间实现工况辨识，可以包括如下步骤：
首先，根据所述多个工况特征参数构建工况特征集。所述工况特征集可以包括但不限于输送介质、流量、压力等参数。
其次，基于密度峰值的聚类方法对所述工况特征集下的劣化状态表征参数之间的相关系数矩阵进行聚类分析，从而得到所述输油泵的多个工况子空间实现工况辨识。为便于理解本申请，下面介绍，基于密度峰值的聚类方法对所述工况特征集下的劣化状态表征参数之间的相关系数矩阵进行聚类分析的过程：
参见图2所示，在确定工况特征集和劣化状态表征参数之间相关系数矩阵的基础上，聚类过程如下：
(1)计算不同工况特征下劣化状态表征参数间的距离矩阵。
将不同工况特征下劣化状态表征参数间的相关系数矩阵cij转换成广义距离dij，其中dij＝1-cij，从而获得所有劣化状态表征参数间的距离矩阵；
(2)确定截止距离dc。
在本申请一实施例中，截止距离dc推荐取值在所有劣化状态表征参数间距离的1％-2％。而本申请实施例中所选择的截至距离dc为所有劣化状态表征参数间距离的1.5％；
(3)根据dc计算劣化状态表征参数的局部密度ρi。
在本申请实施例中，局部密度ρi所表示的物理意义为与第i个劣化状态表征参数之间距离小于截止距离dc的所有劣化状态表征参数的数量。在本申请一实施例中，可通过公式计算各参数的局部密度值ρi，并根据局部密度值对所有劣化状态表征参数进行降序排列，以便于后续处理。公式中，e(·)为高斯核函数，dij为广义距离，dc为截止距离。
(4)根据劣化状态表征参数的局部密度ρi，计算每个劣化状态表征参数至高密度点之间的距离δi。其中，δi指在所有比第i个劣化状态表征参数局部密度都大的剩余劣化状态表征参数中，找到与第i个劣化状态表征参数之间距离的最小值，即第i个劣化状态表征参数与所有局部密度比i高的其他劣化状态表征参数间的最近距离。而对于高密度点(即密度最高点)，则δi为第i个劣化状态表征参数与其他劣化状态表征参数间的最远距离。在本申请一实施例中，可通过如下公式计算每个劣化状态表征参数至高密度点之间的距离δi：
其中，δi为劣化状态表征参数至高密度点之间的距离，dij为广义距离。
(5)在获取每个劣化状态表征参数的局部密度ρi及到对应高密度点之间的距离δi之后，可建立以局部密度ρi为横坐标、以距离δi为纵坐标的决策图，并由此选择聚类中心。
(6)根据得到的决策图可确定聚类中心个数P，即工况子空间数目为P，并根据聚类中心将各劣化状态表征参数划分至不同的工况子空间，从而得到P个工况子空间，即Ω＝(O1,O2,…,OP)，则C＝fc(u,A)＝(C1,C2,…,CP)。其中，Ω为整个工况空间，P为所划分的工况子空间的数目，u为工艺特征集，A为劣化状态表征参数间的相关系数矩阵，C为根据工况辨识方法所得到的各个子空间下工况特征及输油泵状态表征参数间相关系数，CP＝Member(u∈OP)。具体过程如下：在上述决策图中选择ρ和δ同时相对较大的劣化状态表征参数点，这些点的密度较大，邻域中的邻居较多并且与其他更高密度的点有相对较大的距离，故而将这样的点标记为聚类中心，并将剩下的状态参数点划分到离它最近的类簇中心所在的类中。
由此，根据上述工况空间划分结果，还可以将输油泵运行历史数据进行相应划分，从而得到不同工况子空间下的劣化状态表征信号。
S104、对每个工况子空间下的劣化状态表征信号进行特征提取与融合，对应获得每个工况子空间下的劣化评价指标。
在本申请一实施例中，所述对每个工况子空间下的劣化状态表征信号进行特征提取与融合，对应获得每个工况子空间下的劣化评价指标可以包括：
首先，对每个工况子空间下的劣化状态表征信号进行归一化处理，从而规避因物理意义和量纲不同对劣化状态表征信号的影响。
其次，对归一化处理后每个工况子空间下的劣化状态表征信号进行特征提取，对应获得每个工况子空间下的劣化特征矩阵。在本申请一实施例中，例如基于振动表征信号的劣化特征包括但不限于时域、频域、时频域等振动指标。其中，时域劣化指标包括但不限于峰峰值、平均值、方差值、偏斜度值、峭度值等统计指标；频域劣化指标包括但不限于1倍频幅值、2倍频幅值、3倍频幅值等指标；时频域劣化指标包括但不限于谱峭度等指标；而基于温度表征信号的劣化特征包括但不限于输油泵轴承、泵壳、电机等部件的温度指标。
然后，利用特征融合方法对每个工况子空间下的劣化特征矩阵进行降维，对应获得每个工况子空间下的劣化评价指标。本申请实施例中，所述特征融合方法可以是任何适当的现有特征融合算法，例如包括但不限于核主元分析(Kernel PrincipalComponentAnalysis，简称KPCA)方法等。本申请实施例可对各工况子空间下的劣化状态表征信号分别进行特征提取与融合，从而获取对应不同工况子空间下能够反映输油泵退化过程的劣化评价指标。因此，本申请实施例既能综合考虑各个参数指标对输油泵退化过程的影响，又能在充分利用多传感信息的同时，提高后续在线估计输油泵劣化状态的效率。
S105、根据每个工况子空间下的劣化评价指标，实时预测所述输油泵在每个工况子空间下的劣化状态值。
在本申请实施例汇中，所述述根据每个工况子空间下的劣化评价指标，实时预测所述输油泵在每个工况子空间下的劣化状态值可以包括：
首先，可根据所述输油泵的历史运行信息确定所述输油泵的初始状态分布函数，并从所述初始状态分布函数中随机抽取多个权值相等的状态粒子及其权值。
其次，可根据输油泵状态退化方程xk＝f(xk-1,uk-1)初步预测每个工况子空间下的劣化状态值；其中，xk为k时刻的劣化状态值，xk-1为k-1时刻的劣化状态值，uk-1为k-1时刻的状态噪声。为便于理解本申请，下面以输油泵关键部件--轴承的退化方程为例进行说明。在轴承的状态退化过程中，剥落面积可作为表征轴承故障严重程度的一个直接指标。因为轴承的劣化过程呈现渐变发展的趋势，因而一种基于Pars’Law的疲劳裂纹扩展模型可作为轴承的状态退化方程：
其中，x代表轴承剥落面积，k是轴承运转时间，是其劣化增长速率。α和m是与轴承材料自身特性有关的参数，Δσ为应力强度的变化率。对于轴承状态退化过程而言，Δσ一般很难估计。因次，为了规避这个问题，可对上述轴承的状态退化方程进一步简化为：
其中，x代表轴承剥落面积，且其劣化增长速率是一个与现有剥落面积有关的指数函数。此外，模型参数c和m可根据先验知识进行初始化。通过对上述方程两边同时进行积分，上式可重写为状态转移函数的形式：
其中，uk-1代表k-1时刻的状态噪声。
然后，可根据公式更新每个工况子空间下状态粒子的权值；其中，为k时刻第i个状态粒子的权值，为k-1时刻第i个状态粒子的权值，为k时刻第i个状态粒子，zk为k时刻获得的劣化评价指标，为根据zk所得到的似然函数。
其次，可根据公式将更新后每个工况子空间下状态粒子的权值进行归一化处理，并在归一化处理后对每个工况子空间下状态粒子及其权值进行重采样，得到新的状态粒子及其权值；其中，为归一化后k时刻第i个状态粒子的权值；
然后，可根据公式更新每个工况子空间下的劣化状态值；其中，为更新后k时刻的劣化状态值，为重采样后k时刻的状态粒子，为重采样后k时刻的状态粒子的权值。
由此，本申请实施例可对不同运行工况下的输油泵劣化状态进行在线估计，从而提高了输油泵在运行工况复杂多变条件下劣化状态预测预警的准确性与鲁棒性。
S106、将每个工况子空间下的劣化状态值与对应报警阈值进行比较，如果预测出的劣化状态值超出对应报警阈值，则输出相应的预警信息，并估算设备剩余服役寿命。
在本申请一实施例中，可预先借助设备管理人员的专家经验以及输油泵退化过程的先验知识，为每个工况子空间下的劣化状态值设置相应的报警阈值。具体的，所述报警阈值包括三级报警阈值：低报值、高报值、高-高报值。在当前预测的劣化状态值达到或超过低报值时，表明输油泵可能存在轻微故障，需要工作人员及时进行跟踪，并建议进行常规维护；当前预测的劣化状态值达到或超过高报值时，表明输油泵可能存在中度故障，建议进行细致全面的检修维护；当前预测的劣化状态值达到或超过高-高报值时，表明输油泵可能存在严重故障，需要通知现场工作人员停机进行大修。
由此，通过上述实时估计的输油泵劣化状态信息，设备管理人员可在管线输送系统发生故障前及早预知设备可能存在的风险，为管道输油泵的安全评估提供科学的判断，从而避免意外停机事故的发生，并减少过分、过期维修所造成的经济损失。
参考图3所示，本申请实施例的输油泵工况自适应状态预警系统可以包括：
数据采集及预处理模块31，可以用于在线采集反映输油泵运行工况与劣化状态的特征参数，并将所述特征参数进行降噪处理；所述特征参数包括多个工况特征参数及多个劣化状态表征参数；
参数关联分析模块32，可以用于对降噪处理后的多个劣化状态表征参数进行相关分析，获得所述多个劣化状态表征参数之间的相关系数矩阵；
运行工况辨识模块33，可以用于根据所述相关系数矩阵及所述多个工况特征参数将所述输油泵运行工况划分成多个工况子空间实现工况辨识，并从所述输油泵的历史运行数据中确定每个工况子空间下的劣化状态表征信号；
劣化评价指标构建模块34，可以用于对每个工况子空间下的劣化状态表征信号进行特征提取与融合，对应获得每个工况子空间下的劣化评价指标；
劣化状态预测模块35，可以用于根据每个工况子空间下的劣化评价指标，实时预测所述输油泵在每个工况子空间下的劣化状态值；
劣化状态预警模块36，可以用于将每个工况子空间下的劣化状态值与对应报警阈值进行比较，并估算设备剩余服役寿命，如果预测出的劣化状态值超出对应报警阈值，则输出相应的预警信息。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同或者相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置实施例而言，由于它与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可，在此不再赘述。
此外，为了描述的方便，这里对装置实施例以功能划分为不同的单元，并分别进行描述。当然，在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
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 (10)
1.一种输油泵工况自适应状态预警方法，其特征在于，包括：
在线采集反映输油泵运行工况与劣化状态的特征参数，并将所述特征参数进行降噪处理；所述特征参数包括多个工况特征参数及多个劣化状态表征参数；
对降噪处理后的多个劣化状态表征参数进行相关分析，获得所述多个劣化状态表征参数之间的相关系数矩阵；
根据所述相关系数矩阵及所述多个工况特征参数将所述输油泵运行工况划分成多个工况子空间实现工况辨识，并从所述输油泵的历史运行数据中确定每个工况子空间下的劣化状态表征信号；
对每个工况子空间下的劣化状态表征信号进行特征提取与融合，对应获得每个工况子空间下的劣化评价指标；
根据每个工况子空间下的劣化评价指标，实时预测所述输油泵在每个工况子空间下的劣化状态值；
将每个工况子空间下的劣化状态值与对应报警阈值进行比较，如果预测出的劣化状态值超出对应报警阈值，则输出相应的预警信息，并估算设备剩余服役寿命。
2.如权利要求1所述的输油泵工况自适应状态预警方法，其特征在于，所述对降噪处理后的多个劣化状态表征参数进行相关分析，获得所述多个劣化状态表征参数之间的相关系数矩阵，包括：
根据公式ri,t＝log(yi,t/yi,t-1)确定每个降噪处理后的劣化状态表征参数的变化率；
根据公式确定任意两个劣化状态表征参数之间的相关系数，并基于所述相关系数构建相关系数矩阵；
其中，ri,t为劣化状态表征参数i在t时刻的变化率，yi,t为劣化状态表征参数i在t时刻的值，yi,t-1为劣化状态表征参数i在t-1时刻的值；cij为任意两个劣化状态表征参数i和j之间的相关系数，rj,t为劣化状态表征参数j在t时刻的变化率，T为总采样时长。
3.如权利要求1所述的输油泵工况自适应状态预警方法，其特征在于，根据所述相关系数矩阵及所述多个工况特征参数将所述输油泵运行工况划分成多个工况子空间，包括：
根据所述多个工况特征参数构建工况特征集；
基于密度峰值的聚类方法对所述工况特征集下的劣化状态表征参数之间的相关系数矩阵进行聚类分析，从而得到所述输油泵的多个工况子空间实现工况辨识。
4.如权利要求1所述的输油泵工况自适应状态预警方法，其特征在于，所述对每个工况子空间下的劣化状态表征信号进行特征提取与融合，对应获得每个工况子空间下的劣化评价指标，包括：
对每个工况子空间下的劣化状态表征信号进行归一化处理；
对归一化处理后每个工况子空间下的劣化状态表征信号进行特征提取，对应获得每个工况子空间下的劣化特征矩阵；
利用特征融合方法对每个工况子空间下的劣化特征矩阵进行降维，对应获得每个工况子空间下的劣化评价指标。
5.如权利要求1所述的输油泵工况自适应状态预警方法，其特征在于，所述根据每个工况子空间下的劣化评价指标，实时预测所述输油泵在每个工况子空间下的劣化状态值，包括：
根据所述输油泵的历史运行信息确定所述输油泵的初始状态分布函数，并从所述初始状态分布函数中随机抽取多个权值相等的状态粒子及其权值；
根据输油泵状态退化方程xk＝f(xk-1,uk-1)初步预测每个工况子空间下的劣化状态值；其中，xk为k时刻的劣化状态值，xk-1为k-1时刻的劣化状态值，uk-1为k-1时刻的状态噪声；
根据公式更新每个工况子空间下状态粒子的权值；其中，为k时刻第i个状态粒子的权值，为k-1时刻第i个状态粒子的权值，为k时刻第i个状态粒子，zk为k时刻获得的劣化评价指标，为根据zk所得到的似然函数；
根据公式将更新后每个工况子空间下状态粒子的权值进行归一化处理，并在归一化处理后对每个工况子空间下状态粒子及其权值进行重采样，得到新的状态粒子及其权值；其中，为归一化后k时刻第i个状态粒子的权值；
根据公式更新每个工况子空间下的劣化状态值；其中，为更新后k时刻的劣化状态值，为重采样后k时刻的状态粒子，为重采样后k时刻的状态粒子的权值。
6.一种输油泵工况自适应状态预警系统，其特征在于，包括：
数据采集及预处理模块，用于在线采集反映输油泵运行工况与劣化状态的特征参数，并将所述特征参数进行降噪处理；所述特征参数包括多个工况特征参数及多个劣化状态表征参数；
参数关联分析模块，用于对降噪处理后的多个劣化状态表征参数进行相关分析，获得所述多个劣化状态表征参数之间的相关系数矩阵；
运行工况辨识模块，用于根据所述相关系数矩阵及所述多个工况特征参数将所述输油泵运行工况划分成多个工况子空间实现工况辨识，并从所述输油泵的历史运行数据中确定每个工况子空间下的劣化状态表征信号；
劣化评价指标构建模块，用于对每个工况子空间下的劣化状态表征信号进行特征提取与融合，对应获得每个工况子空间下的劣化评价指标；
劣化状态预测模块，用于根据每个工况子空间下的劣化评价指标，实时预测所述输油泵在每个工况子空间下的劣化状态值；
劣化状态预警模块，用于将每个工况子空间下的劣化状态值与对应报警阈值进行比较，如果预测出的劣化状态值超出对应报警阈值，则输出相应的预警信息，并估算设备剩余服役寿命。
7.如权利要求6所述的输油泵工况自适应状态预警系统，其特征在于，所述对降噪处理后的多个劣化状态表征参数进行相关分析，获得所述多个劣化状态表征参数之间的相关系数矩阵，包括：
根据公式ri,t＝log(yi,t/yi,t-1)确定每个降噪处理后的劣化状态表征参数的变化率；
根据公式确定任意两个劣化状态表征参数之间的相关系数，并基于所述相关系数构建相关系数矩阵；
其中，ri,t为劣化状态表征参数i在t时刻的变化率，yi,t为劣化状态表征参数i在t时刻的值，yi,t-1为劣化状态表征参数i在t-1时刻的值；cij为任意两个劣化状态表征参数i和j之间的相关系数，rj,t为劣化状态表征参数j在t时刻的变化率，T为采样时长。
8.如权利要求6所述的输油泵工况自适应状态预警系统，其特征在于，根据所述相关系数矩阵及所述多个工况特征参数将所述输油泵运行工况划分成多个工况子空间实现工况辨识，包括：
根据所述多个工况特征参数构建工况特征集；
基于密度峰值的聚类方法对所述工况特征集下的劣化状态表征参数之间的相关系数矩阵进行聚类分析，从而得到所述输油泵的多个工况子空间实现工况辨识。
9.如权利要求6所述的输油泵工况自适应状态预警系统，其特征在于，所述对每个工况子空间下的劣化状态表征信号进行特征提取与融合，对应获得每个工况子空间下的劣化评价指标，包括：
对每个工况子空间下的劣化状态表征信号进行归一化处理；
对归一化处理后每个工况子空间下的劣化状态表征信号进行特征提取，对应获得每个工况子空间下的劣化特征矩阵；
利用特征融合方法对每个工况子空间下的劣化特征矩阵进行降维，对应获得每个工况子空间下的劣化评价指标。
10.如权利要求6所述的输油泵工况自适应状态预警系统，其特征在于，所述根据每个工况子空间下的劣化评价指标，实时预测所述输油泵在每个工况子空间下的劣化状态值，包括：
根据所述输油泵的历史运行信息确定所述输油泵的初始状态分布函数，并从所述初始状态分布函数中随机抽取多个权值相等的状态粒子及其权值；
根据输油泵状态退化方程xk＝f(xk-1,uk-1)初步预测每个工况子空间下的劣化状态值；其中，xk为k时刻的劣化状态值，xk-1为k-1时刻的劣化状态值，uk-1为k-1时刻的状态噪声；
根据公式更新每个工况子空间下状态粒子的权值；其中，为k时刻第i个状态粒子的权值，为k-1时刻第i个状态粒子的权值，为k时刻第i个状态粒子，zk为k时刻获得的劣化评价指标，为根据zk所得到的似然函数；
根据公式将更新后每个工况子空间下状态粒子的权值进行归一化处理，并在归一化处理后对每个工况子空间下状态粒子及其权值进行重采样，得到新的状态粒子及其权值；其中，为归一化后k时刻第i个状态粒子的权值；
根据公式更新每个工况子空间下的劣化状态值；其中，为更新后k时刻的劣化状态值，为重采样后k时刻的状态粒子，为重采样后k时刻的状态粒子的权值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710651507.7A CN107403279B (zh) | 2017-08-02 | 2017-08-02 | 一种输油泵工况自适应状态预警系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710651507.7A CN107403279B (zh) | 2017-08-02 | 2017-08-02 | 一种输油泵工况自适应状态预警系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107403279A true CN107403279A (zh) | 2017-11-28 |
| CN107403279B CN107403279B (zh) | 2020-05-08 |
Family
ID=60402634
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710651507.7A Active CN107403279B (zh) | 2017-08-02 | 2017-08-02 | 一种输油泵工况自适应状态预警系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107403279B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110388315A (zh) * | 2019-07-05 | 2019-10-29 | 中国石油大学(北京) | 基于多源信息融合的输油泵故障识别方法、装置及系统 |
| CN111504676A (zh) * | 2020-04-23 | 2020-08-07 | 中国石油大学(北京) | 基于多源监控数据融合的设备故障诊断方法、装置及系统 |
| CN112765787A (zh) * | 2020-12-31 | 2021-05-07 | 北京航空航天大学 | 动态环境下考虑性能指标聚类的退化建模与寿命预测方法 |
| CN113982771A (zh) * | 2020-07-27 | 2022-01-28 | 纬湃汽车电子(芜湖)有限公司 | 燃油泵寿命评估方法及其燃油泵控制器 |
| CN116452067A (zh) * | 2023-06-12 | 2023-07-18 | 昆山工业大数据创新中心有限公司 | 一种工业设备参数的劣化度评估方法、装置及设备 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103955750A (zh) * | 2014-04-04 | 2014-07-30 | 西安交通大学 | 基于特征融合和粒子滤波的滚动轴承剩余寿命预测方法 |
| US20150262060A1 (en) * | 2014-03-11 | 2015-09-17 | SparkCognition, Inc. | System and Method for Calculating Remaining Useful Time of Objects |
| CN106446540A (zh) * | 2016-09-20 | 2017-02-22 | 华北电力大学（保定） | 一种风电机组健康状态实时评估方法 |
| CN106845866A (zh) * | 2017-02-27 | 2017-06-13 | 四川大学 | 基于改进粒子滤波算法的设备剩余寿命预测方法 |
-
2017
- 2017-08-02 CN CN201710651507.7A patent/CN107403279B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150262060A1 (en) * | 2014-03-11 | 2015-09-17 | SparkCognition, Inc. | System and Method for Calculating Remaining Useful Time of Objects |
| CN103955750A (zh) * | 2014-04-04 | 2014-07-30 | 西安交通大学 | 基于特征融合和粒子滤波的滚动轴承剩余寿命预测方法 |
| CN106446540A (zh) * | 2016-09-20 | 2017-02-22 | 华北电力大学（保定） | 一种风电机组健康状态实时评估方法 |
| CN106845866A (zh) * | 2017-02-27 | 2017-06-13 | 四川大学 | 基于改进粒子滤波算法的设备剩余寿命预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 雷亚国: "自适应多核组合相关向量机预测方法及其在机械设备剩余寿命预测中的应用", 《机械工程学报》 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110388315A (zh) * | 2019-07-05 | 2019-10-29 | 中国石油大学(北京) | 基于多源信息融合的输油泵故障识别方法、装置及系统 |
| CN111504676A (zh) * | 2020-04-23 | 2020-08-07 | 中国石油大学(北京) | 基于多源监控数据融合的设备故障诊断方法、装置及系统 |
| CN111504676B (zh) * | 2020-04-23 | 2021-03-30 | 中国石油大学(北京) | 基于多源监控数据融合的设备故障诊断方法、装置及系统 |
| CN113982771A (zh) * | 2020-07-27 | 2022-01-28 | 纬湃汽车电子(芜湖)有限公司 | 燃油泵寿命评估方法及其燃油泵控制器 |
| CN113982771B (zh) * | 2020-07-27 | 2023-10-27 | 纬湃汽车电子(芜湖)有限公司 | 燃油泵寿命评估方法及其燃油泵控制器 |
| CN112765787A (zh) * | 2020-12-31 | 2021-05-07 | 北京航空航天大学 | 动态环境下考虑性能指标聚类的退化建模与寿命预测方法 |
| CN112765787B (zh) * | 2020-12-31 | 2022-07-26 | 北京航空航天大学 | 动态环境下考虑性能指标聚类的退化建模与寿命预测方法 |
| CN116452067A (zh) * | 2023-06-12 | 2023-07-18 | 昆山工业大数据创新中心有限公司 | 一种工业设备参数的劣化度评估方法、装置及设备 |
| CN116452067B (zh) * | 2023-06-12 | 2023-09-05 | 昆山工业大数据创新中心有限公司 | 一种工业设备参数的劣化度评估方法、装置及设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107403279B (zh) | 2020-05-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107403279A (zh) | 一种输油泵工况自适应状态预警系统及方法 | |
| Zhang et al. | Time series anomaly detection for smart grids: A survey | |
| EP2555154A1 (en) | Risk management system for use with service agreements | |
| EP2555142A1 (en) | Risk management system for use with service agreements | |
| CN103617110A (zh) | 服务器设备状态检修系统 | |
| Welte et al. | Models for lifetime estimation: an overview with focus on applications to wind turbines | |
| CN111538311B (zh) | 一种基于数据挖掘的机械设备柔性多状态自适应预警方法及装置 | |
| CN102252843A (zh) | 一种滚动轴承性能变异的评估方法 | |
| Hu et al. | A probability evaluation method of early deterioration condition for the critical components of wind turbine generator systems | |
| Leahy et al. | Cluster analysis of wind turbine alarms for characterising and classifying stoppages | |
| Kim et al. | Improved State-of-health prediction based on auto-regressive integrated moving average with exogenous variables model in overcoming battery degradation-dependent internal parameter variation | |
| Dong | Combining unsupervised and supervised learning for asset class failure prediction in power systems | |
| CN112196784A (zh) | 一种基于elm的高压隔膜泵健康状态预估系统及方法 | |
| Kummerow et al. | Cyber-physical data stream assessment incorporating Digital Twins in future power systems | |
| Das et al. | Performance monitoring and failure prediction of industrial equipments using artificial intelligence and machine learning methods: A survey | |
| Godwin et al. | Classification and detection of electrical control system faults through SCADA data analysis | |
| CN117391675A (zh) | 一种数据中心基础设施运维管理方法 | |
| Banik et al. | Anomaly detection techniques in smart grid systems: A review | |
| CN117034001A (zh) | 一种风电机组故障预测方法、装置及电子设备 | |
| CN112241595A (zh) | 基于逻辑回归的机载电源可靠性增长性能退化分析方法 | |
| CN112016800A (zh) | 一种基于有效性指标的特征选择方法与系统 | |
| Colone et al. | Assessing the utility of early warning systems for detecting failures in major wind turbine components | |
| Liu et al. | Imperfect inspection policy for systems with multiple correlated degradation processes | |
| CN116186603A (zh) | 异常用户的识别方法及装置、计算机存储介质、电子设备 | |
| Sun et al. | A data-driven framework for tunnel infrastructure maintenance |
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 |