CN108036941A - 一种基于相关性可视分析的汽轮机轴承振动异常分析方法 - Google Patents
一种基于相关性可视分析的汽轮机轴承振动异常分析方法 Download PDFInfo
- Publication number
- CN108036941A CN108036941A CN201711433426.6A CN201711433426A CN108036941A CN 108036941 A CN108036941 A CN 108036941A CN 201711433426 A CN201711433426 A CN 201711433426A CN 108036941 A CN108036941 A CN 108036941A
- Authority
- CN
- China
- Prior art keywords
- mrow
- variable
- correlation
- steam turbine
- msub
- 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
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/04—Bearings
- G01M13/045—Acoustic or vibration analysis
Landscapes
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- General Physics & Mathematics (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明提出一种基于相关性可视分析的汽轮机轴承振动异常分析方法,可应用于发电企业对于汽轮机轴振偏差的监控、预警及分析。本发明以汽轮机轴承运行相关变量的时间序列数据为研究对象,采用皮尔逊相关系数来衡量变量间的相关性,并通过可交互的图形化相关矩阵图来直观地呈现。由于汽轮机运行状态下轴承相关各变量之间的相互影响存在一定的时滞性,本发明设计了一种能够克服时滞因素影响的相关性算法,从而更准确地得到各变量间的相关系数。通过多种人机交互功能和变量曲线图与相关矩阵图联动的实现,用户可以高效而灵活地对任意数量的变量之间的相关性进行快速分析,这对于汽轮机轴承监控预警和相关变量异常数据的处理及分析有着重大意义。
Description
技术领域
本发明属于工业过程状态监测及预警领域,尤其涉及一种基于相关性可视分析的汽轮机轴承振动异常分析方法。
背景技术
汽轮机是电力生产中的重要设备,其设备结构复杂、运行环境恶劣,汽轮发电机组的故障率不低,一旦发生故障就会造成极大的经济影响。传统的汽轮机轴承故障振动监测与故障诊断系统模块不多,不同的模块之间相互关联性较差,部分模块对于硬件系统的要求高,不同的硬件经常出现不互相兼容的现象,硬件一旦损坏,系统就无法正常工作。这就导致了汽轮机轴承一旦发生故障,如果得不到及时的监控及预警,就会带来极大的经济损失和安全隐患。
随着数据库技术的迅速发展以及数据库管理系统的广泛应用,发电企业积累的汽轮机轴承振动相关的数据越来越多。其实数量和质量激增的数据背后隐藏着许多重要的信息,但它们的价值还没有被发挥到最大。因此,数据分析及可视化技术的发展及应用将会使得汽轮机轴承振动监控及预警更加高效和自动化。
发明内容
针对汽轮机轴承振动监测及预警的现状,结合数据分析及可视化在工业过程中的潜在应用,本发明提出了一种基于相关性可视分析的汽轮机轴承振动异常分析方法,可应用于发电企业对于汽轮机轴振偏差的监控及预警并能极大提高其效率。
本发明解决技术问题所采用的技术方案如下:一种基于相关性可视分析的汽轮机轴承振动异常分析方法,该方法以经典的相关性评价指标皮尔逊相关系数为基础,提出了一种考虑工业过程时滞因素的相关性改进算法,通过该算法能计算出目标变量之间的相关系数,从而对汽轮机轴承振动状态进行监控和预警;利用相关矩阵图来对变量间的相关性大小及其时间上的先后关系进行可视化呈现,并通过多种人机交互功能的设置和变量曲线图与相关矩阵图联动的实现,使得用户可以高效而灵活地对汽轮机轴承振动相关变量之间的相关性进行快速分析。
进一步的,该方法包括如下步骤:
步骤1:选择n个变量x1,x2…xn,时间段t0~t,数据采样周期T,时滞范围ΔT,时移步长Δt;
步骤2:绘制出各变量的时间序列曲线,包括分别绘制与集中绘制两种模式,可通过按钮切换;
步骤3:计算出各变量两两之间的相关系数及其对应的时滞构成相关系数矩阵和时滞矩阵
步骤4:基于数据分析及可视化工具,绘制出相关矩阵图,能够与变量曲线联动,从而获得与汽轮机轴承振动异常最相关的变量。
进一步的,所述数据分析及可视化工具为:Java、Javascript和Echarts API。
进一步的,步骤1中所述的n个变量的选择及配置步骤包括:
步骤1.1:运行变量x1,x2…xn包括待分析变量和与其相关联的变量,可以通过对相关变量的提前配置和自由勾选来确定;
步骤1.2:时间段t0~t的选择由异常状态的出现时间决定,根据变量的实际物理意义来选择对应长度的时间段;
步骤1.3:数据采样周期T,时滞范围ΔT,时移步长Δt根据待分析变量的实际物理意义来决定,系统会提供一组默认值。
进一步的,步骤2中所述绘制出各变量的时间序列曲线的绘制步骤包括:
步骤2.1:根据步骤1中的参数分别绘制n条变量的运行曲线,即在n个坐标系中各绘制一条曲线,各坐标系的x轴保持平行,范围由选定的时间段确定,y轴由各变量的范围分别决定,尺度上保持一致;
步骤2.2:根据步骤1中的参数集中绘制n条变量的运行曲线,即在1个坐标系中绘制n条曲线,y轴不设具体单位,各参数按照各自的范围进行自适应绘制;
步骤2.3:两种绘制模式占据同一区域,通过一个切换按钮来进行控制分别显示;
步骤2.4:在分别绘制模式中,待分析变量曲线放在首位并通过红色来凸显;在集中绘制模式中,待分析变量曲线通过红色加粗来凸显,其它变量曲线利用颜色和对应图例来进行区分;
步骤2.5:在两种绘制模式中,通过鼠标悬停显示对应点的具体信息,包括变量名、变量值、时刻信息。
进一步的,步骤3中所述的的相关系数通过皮尔逊相关系数(PearsonCorrelation Coefficient)算法得到,计算表达式如下:
其中,X和Y是两个同维向量,cov(X,Y)表示两者的协方差,σX和σY分别是X和Y的标准差,对于两个向量X=(x1,…,xn)和Y=(y1,…,yn),两者的皮尔逊相关系数具体计算公式为:
其中,n为向量维度,和分别是向量X和Y的均值。
进一步的,步骤3中所述的时滞通过以下方式获得:
对于每两个变量的向量,在时滞范围ΔT时间内每次移动Δt并计算对应的两向量之间的皮尔逊相关系数,总共移动ΔT/Δt次,选择其中绝对值最大的作为考虑时滞因素的相关性系数移动的时间作为时滞
进一步的,步骤4中所述的绘制出相关矩阵图的绘制过程如下:
步骤4.1:系统界面中左侧框图为轴振相关变量的原始运行曲线图,右侧框图为相关性矩阵图;
步骤4.2:相关性矩阵图与运行曲线图联动,即根据运行曲线的时间范围来动态地计算各变量之间的考虑时滞因素的相关系数并进行可视化展示;
步骤4.3:相关性矩阵的可视化包括相关系数的可视化编码,相关系数的聚类呈现,以及鼠标悬浮显示对应变量信息交互功能。
通过以上步骤,本发明可以实现对于汽轮机轴振运行数据的实时相关性可视化及离线相关性分析。实时的可视化能够及时反映各变量之间的相关性变化,从而在异常状况发生时及时预警,提前采取措施从而避免故障的发生;离线的相关性分析通过提供多种计算及交互功能,使得分析人员能够方便地对异常状况进行分析,找到与异常变量最相关的变量,从而有助于进一步的异常及故障分析。
附图说明
图1为系统框架图;
图2为系统运行图(分离曲线模式);
图3为系统运行图(混合曲线模式);
图4为案例中异常点历史数据曲线图;
图5(a)为案例中异常发生前的相关矩阵图;
图5(b)为案例中异常发生后的相关矩阵图。
具体实施方式
如图1所示,本发明提供的一种基于相关性可视分析的汽轮机轴承振动异常分析方法,该方法以经典的相关性评价指标皮尔逊相关系数为基础,提出了一种考虑工业过程时滞因素的相关性改进算法,通过该算法能计算出目标变量之间的相关系数,从而对汽轮机轴承振动状态进行监控和预警;利用相关矩阵图来对变量间的相关性大小及其时间上的先后关系进行可视化呈现,并通过多种人机交互功能的设置和变量曲线图与相关矩阵图联动的实现,使得用户可以高效而灵活地对汽轮机轴承振动相关变量之间的相关性进行快速分析。下面结合具体实验对本发明的步骤进行详细说明,并验证系统的正确性和高效性。本实验的数据来自浙能集团的某机组给水泵汽机某轴承X/Y向振动偏差大预警案例。该案例详细描述了轴振偏差大异常情况的发生过程,并提供了一年的历史数据供分析。案例大致描述如下:某机给水泵汽机在10月20日后,某轴承X/Y向振动突然上升,由此导致振动偏高异常。
该案例的原始数据集包括了2个异常变量和8个相关变量的为期一年的秒级历史数据,每个变量包含31 536 000条历史数据。
下面根据本发明的步骤对于该案例进行分析。
步骤1:选择n个变量x1,x2…xn,时间段t0~t,数据采样周期T,时滞范围ΔT,时移步长Δt。
(1)选择本案例中的10个变量x1,x2…xn,包括2个预警变量x1,x2和8个相关变量x3,x4…x8;
(2)根据异常状态的产生时间(10月20日)选择前后各10天的历史数据,即10月10日~10月30日;
(3)根据轴振的特性选择采样周期T=5min,ΔT=60min,Δt=5min。
步骤2:在界面左侧框图中绘制出各变量的时间序列曲线,包括分别绘制与集中绘制两种模式,可通过按钮切换,如图2和图3中左侧区域所示;
(1)根据步骤1中的参数分别绘制10条变量的运行曲线,即在个坐标系中各绘制一条曲线,各坐标系的x轴保持平行,范围由选定的时间段确定,y轴由各变量的范围分别决定,尺度上保持一致;
(2)根据步骤1中的参数集中绘制10条变量的运行曲线,即在1个坐标系中绘制10条曲线,y轴不设具体单位,各参数按照各自的范围进行自适应绘制;
(3)两种绘制模式占据同一区域,通过一个切换按钮来进行控制分别显示;
(4)在分别绘制模式中,待分析变量曲线放在首位并通过红色来凸显;在集中绘制模式中,待分析变量曲线通过红色加粗来凸显,其它变量曲线利用颜色和对应图例来进行区分;
步骤3:利用Java编程计算出各变量两两之间的相关系数及其对应的时滞构成相关系数矩阵和时滞矩阵
所述的的相关系数通过皮尔逊相关系数(Pearson Correlation Coefficient)算法得到,计算表达式如下:
其中,X和Y是两个同维向量,cov(X,Y)表示两者的协方差,σX和σY分别是X和Y的标准差,对于两个向量X=(x1,…,xn)和Y=(y1,…,yn),两者的皮尔逊相关系数具体计算公式为:
其中,n为向量维度,和分别是向量X和Y的均值。
所述的时滞通过以下方式获得:
对于每两个变量的向量,在时滞范围ΔT时间内每次移动Δt并计算对应的两向量之间的皮尔逊相关系数,总共移动ΔT/Δt次,选择其中绝对值最大的作为考虑时滞因素的相关性系数移动的时间作为时滞
步骤4:利用Javascript和Echarts API搭建可视化分析系统,在界面右侧框图中绘制出相关矩阵图,能够与左侧框图中的曲线联动,并提供一系列交互功能来展现相关性和时滞性等多种信息,如图2和图3右侧所示。
(1)系统界面中左侧框图为轴振相关变量的原始运行曲线图,右侧框图为相关性矩阵图;
(2)相关性矩阵图与运行曲线图联动,即根据运行曲线的时间范围来动态地计算各变量之间的考虑时滞因素的相关系数并进行可视化展示;
(3)相关性矩阵的可视化包括相关系数的可视化编码,相关系数的聚类呈现,以及鼠标悬浮显示对应变量信息等交互功能。
通过以上步骤,一方面可以模拟汽轮机运行过程中对于轴承振动的实时相关性可视化,从而进行监控及预警;另一方面当出现预警后可以离线对预警时段的数据进行基于考虑时滞情况的相关性可视分析。
在本案例中,在模拟汽轮机轴承振动实时运行阶段,当运行到10月20日晚间时,相关系数矩阵开始发生较大的变化从而产生预警,而根据图4的历史数据可以发现在20日晚间轴振确实有所升高而且后面一直有异常。在离线数据分析阶段,可以找出异常产生前后各参数与异常参数的动态相关系数的变化,如图5(a)和图5(b)所示,从而找到潜在的可能导致异常的候选参数,帮助故障诊断人员进行后续的机理分析。
本系统完全基于纯数据的分析及可视化,一方面克服了传统机理分析情况复杂多变的缺点,另一方面大大提升了预警和分析的效率。
Claims (8)
1.一种基于相关性可视分析的汽轮机轴承振动异常分析方法,其特征在于,该方法以经典的相关性评价指标皮尔逊相关系数为基础,提出了一种考虑工业过程时滞因素的相关性改进算法,通过该算法能计算出目标变量之间的相关系数,从而对汽轮机轴承振动状态进行监控和预警;利用相关矩阵图来对变量间的相关性大小及其时间上的先后关系进行可视化呈现,并通过多种人机交互功能的设置和变量曲线图与相关矩阵图联动的实现,使得用户可以高效而灵活地对汽轮机轴承振动相关变量之间的相关性进行快速分析。
2.根据权利要求1所述的一种基于相关性可视分析的汽轮机轴承振动异常分析方法,其特征在于,该方法包括如下步骤:
步骤1:选择n个变量x1,x2…xn,时间段t0~t,数据采样周期T,时滞范围ΔT,时移步长Δt;
步骤2:绘制出各变量的时间序列曲线,包括分别绘制与集中绘制两种模式,可通过按钮切换;
步骤3:计算出各变量两两之间的相关系数及其对应的时滞构成相关系数矩阵和时滞矩阵
步骤4:基于数据分析及可视化工具,绘制出相关矩阵图,能够与变量曲线联动,从而获得与汽轮机轴承振动异常最相关的变量。
3.如权利要求2所述的基于相关性可视分析的汽轮机轴承振动异常分析方法,其特征在于,所述数据分析及可视化工具为:Java、Javascript和Echarts API。
4.如权利要求2所述的基于相关性可视分析的汽轮机轴承振动异常分析方法,其特征在于,步骤1中所述的n个变量的选择及配置步骤包括:
步骤1.1:运行变量x1,x2…xn包括待分析变量和与其相关联的变量,可以通过对相关变量的提前配置和自由勾选来确定;
步骤1.2:时间段t0~t的选择由异常状态的出现时间决定,根据变量的实际物理意义来选择对应长度的时间段;
步骤1.3:数据采样周期T,时滞范围ΔT,时移步长Δt根据待分析变量的实际物理意义来决定,系统会提供一组默认值。
5.如权利要求2所述的汽轮机运行异常状态变量相关性可视分析方法,其特征在于,步骤2中所述绘制出各变量的时间序列曲线的绘制步骤包括:
步骤2.1:根据步骤1中的参数分别绘制n条变量的运行曲线,即在n个坐标系中各绘制一条曲线,各坐标系的x轴保持平行,范围由选定的时间段确定,y轴由各变量的范围分别决定,尺度上保持一致;
步骤2.2:根据步骤1中的参数集中绘制n条变量的运行曲线,即在1个坐标系中绘制n条曲线,y轴不设具体单位,各参数按照各自的范围进行自适应绘制;
步骤2.3:两种绘制模式占据同一区域,通过一个切换按钮来进行控制分别显示;
步骤2.4:在分别绘制模式中,待分析变量曲线放在首位并通过红色来凸显;在集中绘制模式中,待分析变量曲线通过红色加粗来凸显,其它变量曲线利用颜色和对应图例来进行区分;
步骤2.5:在两种绘制模式中,通过鼠标悬停显示对应点的具体信息,包括变量名、变量值、时刻信息。
6.如权利要求2所述的基于相关性可视分析的汽轮机轴承振动异常分析方法,其特征在于,步骤3中所述的的相关系数通过皮尔逊相关系数(Pearson CorrelationCoefficient)算法得到,计算表达式如下:
<mrow>
<msub>
<mi>&rho;</mi>
<mrow>
<mi>X</mi>
<mo>,</mo>
<mi>Y</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<mi>cov</mi>
<mrow>
<mo>(</mo>
<mi>X</mi>
<mo>,</mo>
<mi>Y</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>&sigma;</mi>
<mi>X</mi>
</msub>
<msub>
<mi>&sigma;</mi>
<mi>Y</mi>
</msub>
</mrow>
</mfrac>
</mrow>
其中,X和Y是两个同维向量,cov(X,Y)表示两者的协方差,σX和σY分别是X和Y的标准差,对于两个向量X=(x1,…,xn)和Y=(y1,…,yn),两者的皮尔逊相关系数具体计算公式为:
<mrow>
<msub>
<mi>&rho;</mi>
<mrow>
<mi>X</mi>
<mo>,</mo>
<mi>Y</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</msubsup>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<mover>
<mi>x</mi>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
<mrow>
<mo>(</mo>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<mover>
<mi>y</mi>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msqrt>
<mrow>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</msubsup>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<mover>
<mi>x</mi>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
<msqrt>
<mrow>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</msubsup>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<mover>
<mi>y</mi>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
</mrow>
</mfrac>
</mrow>
其中,n为向量维度,和分别是向量X和Y的均值。
7.如权利要求2所述的基于相关性可视分析的汽轮机轴承振动异常分析方法,其特征在于,步骤3中所述的时滞通过以下方式获得:
对于每两个变量的向量,在时滞范围ΔT时间内每次移动Δt并计算对应的两向量之间的皮尔逊相关系数,总共移动ΔT/Δt次,选择其中绝对值最大的作为考虑时滞因素的相关性系数移动的时间作为时滞
8.如权利要求1所述的基于相关性可视分析的汽轮机轴承振动异常分析方法,其特征在于,步骤4中所述的绘制出相关矩阵图的绘制过程如下:
步骤4.1:系统界面中左侧框图为轴振相关变量的原始运行曲线图,右侧框图为相关性矩阵图;
步骤4.2:相关性矩阵图与运行曲线图联动,即根据运行曲线的时间范围来动态地计算各变量之间的考虑时滞因素的相关系数并进行可视化展示;
步骤4.3:相关性矩阵的可视化包括相关系数的可视化编码,相关系数的聚类呈现,以及鼠标悬浮显示对应变量信息交互功能。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711433426.6A CN108036941B (zh) | 2017-12-26 | 2017-12-26 | 一种基于相关性可视分析的汽轮机轴承振动异常分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711433426.6A CN108036941B (zh) | 2017-12-26 | 2017-12-26 | 一种基于相关性可视分析的汽轮机轴承振动异常分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108036941A true CN108036941A (zh) | 2018-05-15 |
CN108036941B CN108036941B (zh) | 2019-10-22 |
Family
ID=62101194
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711433426.6A Active CN108036941B (zh) | 2017-12-26 | 2017-12-26 | 一种基于相关性可视分析的汽轮机轴承振动异常分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108036941B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109003681A (zh) * | 2018-08-21 | 2018-12-14 | 昆明理工大学 | 一种基于指数加权移动平均的症状相关性预警算法 |
CN109409639A (zh) * | 2018-08-31 | 2019-03-01 | 东北大学 | 一种选矿生产指标的关联关系可视化系统及方法 |
CN111044303A (zh) * | 2020-01-02 | 2020-04-21 | 中车株洲电力机车有限公司 | 一种磁浮列车客室异常振动的诊断方法及装置 |
CN111597505A (zh) * | 2020-06-17 | 2020-08-28 | 南方电网科学研究院有限责任公司 | 一种电力网络中用电用户的相关性分析方法和相关装置 |
WO2020172913A1 (zh) * | 2019-02-28 | 2020-09-03 | 东北大学 | 一种基于组态的生产指标可视化监控系统及方法 |
CN111947903A (zh) * | 2020-07-08 | 2020-11-17 | 中核武汉核电运行技术股份有限公司 | 振动异常定位方法及装置 |
CN112307619A (zh) * | 2020-10-29 | 2021-02-02 | 北京航天测控技术有限公司 | 预警模型的构建方法、装备故障预警方法及装置 |
CN112983570A (zh) * | 2021-03-22 | 2021-06-18 | 浙江大学 | 基于相关性的汽轮机轴承温度高跳机征兆捕捉方法及装置 |
CN113378107A (zh) * | 2021-06-10 | 2021-09-10 | 中国大唐集团科学技术研究院有限公司中南电力试验研究院 | 一种基于振动相关性的汽轮机异常参数确定方法 |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011052984A (ja) * | 2009-08-31 | 2011-03-17 | Nsk Ltd | 硬さ分布測定方法及び転がり軸受 |
WO2013123183A1 (en) * | 2012-02-14 | 2013-08-22 | Aktiebolaget Skf | Method of monitoring a health status of a bearing with a warning device in a threshold mode |
CN103838961A (zh) * | 2014-01-03 | 2014-06-04 | 广东电网公司电力科学研究院 | 超超临界汽轮机转子三维温度和热应力实时监测方法 |
CN104063511A (zh) * | 2014-07-09 | 2014-09-24 | 哈尔滨工业大学 | 基于相关性度量的复杂系统监督图嵌入结构化数据可视化监测方法 |
CN104142229A (zh) * | 2013-05-10 | 2014-11-12 | 中科风电(北京)有限公司 | 一种风力发电机组法兰螺栓在线监测及故障诊断系统 |
CN104374576A (zh) * | 2014-11-25 | 2015-02-25 | 沈阳化工大学 | 一种提取低速轴承故障应力波的方法 |
CN104503432A (zh) * | 2014-11-27 | 2015-04-08 | 哈尔滨工程大学 | 一种基于小波能量的自主式水下机器人故障辨识方法 |
CN105043770A (zh) * | 2015-05-13 | 2015-11-11 | 北京天源科创风电技术有限责任公司 | 一种风电机组振动异常的判断方法及其装置 |
CN105631744A (zh) * | 2015-12-28 | 2016-06-01 | 宁波大红鹰学院 | 可视化展示高频金融时间序列相关性的方法和装置 |
CN105987822A (zh) * | 2015-03-18 | 2016-10-05 | 埃森哲环球服务有限公司 | 用于预测装备故障的方法和系统 |
CN106055548A (zh) * | 2016-03-31 | 2016-10-26 | 广西电网有限责任公司电力科学研究院 | 一种电力输变电设备故障数据的可视化分析方法 |
CN106092566A (zh) * | 2016-06-30 | 2016-11-09 | 武汉理工大学 | 一种在用齿轮箱磨损状态可视监测系统及其监测方法 |
CN106127192A (zh) * | 2016-07-11 | 2016-11-16 | 太原理工大学 | 一种基于相似性的轴承剩余使用寿命预测方法 |
CN106372104A (zh) * | 2016-08-19 | 2017-02-01 | 中国科学院计算机网络信息中心 | 一种时空延迟相关性可视化方法 |
CN106845796A (zh) * | 2016-12-28 | 2017-06-13 | 中南大学 | 一种加氢裂化流程产品质量在线预测方法 |
CN106936627A (zh) * | 2016-09-28 | 2017-07-07 | 清华大学 | 一种基于大数据分析挖掘的火电设备性能监测方法 |
CN107437124A (zh) * | 2017-07-20 | 2017-12-05 | 大连大学 | 一种基于大数据分析的运营商投诉与故障关联分析方法 |
-
2017
- 2017-12-26 CN CN201711433426.6A patent/CN108036941B/zh active Active
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011052984A (ja) * | 2009-08-31 | 2011-03-17 | Nsk Ltd | 硬さ分布測定方法及び転がり軸受 |
WO2013123183A1 (en) * | 2012-02-14 | 2013-08-22 | Aktiebolaget Skf | Method of monitoring a health status of a bearing with a warning device in a threshold mode |
CN104142229A (zh) * | 2013-05-10 | 2014-11-12 | 中科风电(北京)有限公司 | 一种风力发电机组法兰螺栓在线监测及故障诊断系统 |
CN103838961A (zh) * | 2014-01-03 | 2014-06-04 | 广东电网公司电力科学研究院 | 超超临界汽轮机转子三维温度和热应力实时监测方法 |
CN104063511A (zh) * | 2014-07-09 | 2014-09-24 | 哈尔滨工业大学 | 基于相关性度量的复杂系统监督图嵌入结构化数据可视化监测方法 |
CN104374576A (zh) * | 2014-11-25 | 2015-02-25 | 沈阳化工大学 | 一种提取低速轴承故障应力波的方法 |
CN104503432A (zh) * | 2014-11-27 | 2015-04-08 | 哈尔滨工程大学 | 一种基于小波能量的自主式水下机器人故障辨识方法 |
CN105987822A (zh) * | 2015-03-18 | 2016-10-05 | 埃森哲环球服务有限公司 | 用于预测装备故障的方法和系统 |
CN105043770A (zh) * | 2015-05-13 | 2015-11-11 | 北京天源科创风电技术有限责任公司 | 一种风电机组振动异常的判断方法及其装置 |
CN105631744A (zh) * | 2015-12-28 | 2016-06-01 | 宁波大红鹰学院 | 可视化展示高频金融时间序列相关性的方法和装置 |
CN106055548A (zh) * | 2016-03-31 | 2016-10-26 | 广西电网有限责任公司电力科学研究院 | 一种电力输变电设备故障数据的可视化分析方法 |
CN106092566A (zh) * | 2016-06-30 | 2016-11-09 | 武汉理工大学 | 一种在用齿轮箱磨损状态可视监测系统及其监测方法 |
CN106127192A (zh) * | 2016-07-11 | 2016-11-16 | 太原理工大学 | 一种基于相似性的轴承剩余使用寿命预测方法 |
CN106372104A (zh) * | 2016-08-19 | 2017-02-01 | 中国科学院计算机网络信息中心 | 一种时空延迟相关性可视化方法 |
CN106936627A (zh) * | 2016-09-28 | 2017-07-07 | 清华大学 | 一种基于大数据分析挖掘的火电设备性能监测方法 |
CN106845796A (zh) * | 2016-12-28 | 2017-06-13 | 中南大学 | 一种加氢裂化流程产品质量在线预测方法 |
CN107437124A (zh) * | 2017-07-20 | 2017-12-05 | 大连大学 | 一种基于大数据分析的运营商投诉与故障关联分析方法 |
Non-Patent Citations (2)
Title |
---|
F.YANG 等: "Improved correlation analysis and visualization of industrial alarm data", 《ISA TRANSACTIONS》 * |
张锋锋 等: "SPSS软件在处理汽轮机组振动故障中的应用", 《内蒙古电力技术》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109003681A (zh) * | 2018-08-21 | 2018-12-14 | 昆明理工大学 | 一种基于指数加权移动平均的症状相关性预警算法 |
CN109003681B (zh) * | 2018-08-21 | 2022-02-08 | 昆明理工大学 | 一种基于指数加权移动平均的症状相关性预警方法 |
CN109409639A (zh) * | 2018-08-31 | 2019-03-01 | 东北大学 | 一种选矿生产指标的关联关系可视化系统及方法 |
WO2020172913A1 (zh) * | 2019-02-28 | 2020-09-03 | 东北大学 | 一种基于组态的生产指标可视化监控系统及方法 |
CN111044303A (zh) * | 2020-01-02 | 2020-04-21 | 中车株洲电力机车有限公司 | 一种磁浮列车客室异常振动的诊断方法及装置 |
CN111597505A (zh) * | 2020-06-17 | 2020-08-28 | 南方电网科学研究院有限责任公司 | 一种电力网络中用电用户的相关性分析方法和相关装置 |
CN111597505B (zh) * | 2020-06-17 | 2023-05-26 | 南方电网科学研究院有限责任公司 | 一种电力网络中用电用户的相关性分析方法和相关装置 |
CN111947903A (zh) * | 2020-07-08 | 2020-11-17 | 中核武汉核电运行技术股份有限公司 | 振动异常定位方法及装置 |
CN112307619A (zh) * | 2020-10-29 | 2021-02-02 | 北京航天测控技术有限公司 | 预警模型的构建方法、装备故障预警方法及装置 |
CN112983570A (zh) * | 2021-03-22 | 2021-06-18 | 浙江大学 | 基于相关性的汽轮机轴承温度高跳机征兆捕捉方法及装置 |
CN112983570B (zh) * | 2021-03-22 | 2022-04-12 | 浙江大学 | 基于相关性的汽轮机轴承温度高跳机征兆捕捉方法及装置 |
CN113378107A (zh) * | 2021-06-10 | 2021-09-10 | 中国大唐集团科学技术研究院有限公司中南电力试验研究院 | 一种基于振动相关性的汽轮机异常参数确定方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108036941B (zh) | 2019-10-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108036941A (zh) | 一种基于相关性可视分析的汽轮机轴承振动异常分析方法 | |
US10545487B2 (en) | Interactive diagnostic system and method for managing process model analysis | |
CN100524130C (zh) | 自动工作命令/部件命令生成和跟踪 | |
Iannone et al. | Managing OEE to optimize factory performance | |
US20160260041A1 (en) | System and method for managing web-based refinery performance optimization using secure cloud computing | |
CN108873830A (zh) | 一种生产现场数据在线采集分析及故障预测系统 | |
EP2521083A1 (en) | Automated system and method for implementing unit and collective level benchmarking of power plant operations | |
WO2000049475A2 (en) | Systems and methods for interactive virtual reality process control, simulation, and training (ivrpcst) | |
CN105144011A (zh) | 用于过程控制系统的图形过程变量趋势监控 | |
CN105190459A (zh) | 在过程控制系统中使用的具有缩放特征的图形过程变量趋势监控 | |
CN107291830A (zh) | 一种设备知识库的创建方法 | |
CN101187803B (zh) | 基于数据挖掘技术的氨合成装置生产优化方法 | |
CN105051635A (zh) | 过程控制工厂图形描绘内的导航 | |
CN103698698A (zh) | 一种基于模糊理论的高压断路器电寿命诊断方法 | |
Guibing et al. | An intelligent health diagnosis and maintenance decision-making approach in smart manufacturing | |
CN115039047A (zh) | 工业工厂监测 | |
JP5722371B2 (ja) | ノウハウ可視化装置及びノウハウ可視化方法 | |
US20200272974A1 (en) | Quality stabilization system and quality stabilization method | |
Maier et al. | Visual Anomaly Detection in Production Plants. | |
Shah et al. | Challenges in the detection, diagnosis and visualization of controller performance data | |
Morella et al. | Cyber Physical Systems implementation to develop a Smart Manufacturing | |
Miao et al. | Research on Operation Status Prediction of Production Equipment Based on Digital Twins and Multidimensional Time Series | |
JP5541264B2 (ja) | 運転監視装置および運転監視方法 | |
CN117314370B (zh) | 一种基于智慧能源的数据驾驶舱系统及实现方法 | |
Schilberg et al. | Virtual Production-The connection of the modules through the Virtual Production Intelligence |
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 |