CN108171271B - 一种设备劣化早期预警方法和系统 - Google Patents

一种设备劣化早期预警方法和系统 Download PDF

Info

Publication number
CN108171271B
CN108171271B CN201810026999.5A CN201810026999A CN108171271B CN 108171271 B CN108171271 B CN 108171271B CN 201810026999 A CN201810026999 A CN 201810026999A CN 108171271 B CN108171271 B CN 108171271B
Authority
CN
China
Prior art keywords
matrix
training
real
time data
central 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.)
Active
Application number
CN201810026999.5A
Other languages
English (en)
Other versions
CN108171271A (zh
Inventor
刘文哲
胡蓉
邹光球
向春波
谢小鹏
张成煜
李德忠
任资龙
李庚强
王凯
刘巍
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hunan Datang Xianyi Technology Co ltd
Original Assignee
Hunan Datang Xianyi Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hunan Datang Xianyi Technology Co ltd filed Critical Hunan Datang Xianyi Technology Co ltd
Priority to CN201810026999.5A priority Critical patent/CN108171271B/zh
Publication of CN108171271A publication Critical patent/CN108171271A/zh
Application granted granted Critical
Publication of CN108171271B publication Critical patent/CN108171271B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Alarm Systems (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明涉及设备状态检测预警技术领域，公开了一种设备劣化早期预警方法和系统，以通过对设备的运行状态的参数进行数据挖掘和分析，节省时间成本，并为工作人员准确和全面的掌握设备的劣化趋势提供了有效的科学依据；本发明的设备劣化早期预警方法包括根据能反映设备运行状态的测点建立预警监测模型；选取设备在时间步长内的正常运行参数数据作为预警监测模型的训练样本数据；采用K‑Means聚类算法对训练样本数据进行初步聚类分析，并将分析结果通过混合高斯模型进行迭代得到训练矩阵；进一步生成相似关系度矩阵，然后得到实时数据与训练矩阵中的各状态向量之间的隶属度矩阵，并得到与实时数据对应的期望值；计算实时数据与期望值的相似度。

Description

一种设备劣化早期预警方法和系统
技术领域
本发明涉及设备状态检测预警技术领域，尤其涉及一种设备劣化早期预警方法和系统。
背景技术
火力发电是现代社会电力发展的主力军，火电厂的设备能完成从热能到机械能再到电能的转换过程，但大型火电厂的主机、辅机的数量很多，且机器的结构也非常复杂，设备与设备之间的耦合性，系统的复杂性等都决定了火电厂是一个高故障率和故障危害性很大的生产场所。从专业上讲，工业领域设备早期故障的判断是需要积累长期的专业知识和经验,对专业人员的素质要求较高，且十分耗费工作人员的时间成本。随着大数据时代的到来，采用先进的数据挖掘技术和手段，对设备运行状态参数进行数据挖掘和分析，可以有效替代人工的主观经验判断，提供可靠的数据分析来自动识别设备是否存在早期异常、异常所属的部件和原因、全面掌握劣化趋势。
发明内容
本发明目的在于提供一种设备劣化早期预警方法和系统，通过对设备的运行状态的参数进行数据挖掘和分析，以节省时间成本，并为工作人员准确和全面的掌握设备的劣化趋势提供了有效的科学依据。
为实现上述目的，本发明提供了一种设备劣化早期预警方法，包括：
根据能反映设备运行状态的测点建立预警监测模型；
确定时间步长，选取所述设备在所述时间步长内的正常运行参数数据作为所述预警监测模型的训练样本数据；
采用K-Means聚类算法对所述训练样本数据进行初步聚类分析，得到中心点矩阵、权值矩阵、以及协方差矩阵；然后通过混合高斯模型对所述中心点矩阵、所述权值矩阵、以及所述协方差矩阵进行迭代得到训练矩阵；
根据实时数据与所述训练矩阵中的各状态向量之间的欧式距离生成相似关系矩阵，然后根据所述相似关系矩阵得到实时数据与所述训练矩阵中的各状态向量之间的隶属度矩阵，并将所述隶属度矩阵与所述训练矩阵进行点积计算得到与实时数据对应的期望值；
计算实时数据与所述期望值的相似度，当所述相似度小于预先设定的最小相似度且连续超过一定时间时，视为设备劣化，产生预警。
优选地，所述采用K-Means聚类算法对所述训练样本数据进行初步聚类分析，具体包括以下步骤：
(1)将所述训练样本数据分为K个类的初始训练中心；
(2)计算任一个样本到K个类的初始训练中心的距离，并将该样本归纳到距离最短的初始中心所在的类；
(3)若遇到同类样本点则取平均值，更新每个类的训练中心点；
(4)重复步骤(2)和步骤(3)，直至每个类的中心点不再发生变化，并得到中心点矩阵、权值矩阵、以及协方差矩阵；
优选地，所述通过混合高斯模型对所述中心点矩阵、所述权值矩阵、以及所述协方差矩阵进行迭代得到训练矩阵具体包括以下步骤：
(1)将所述中心点矩阵、权值矩阵、以及协方差矩阵作为高斯混合模型的输入参数，根据最大化期望值进行迭代；
(2)在第一次迭代后，若迭代后的中心点矩阵与输入的中心点矩阵之差小于一定值，则退出迭代，反之，继续进行迭代直至中心点矩阵的值不再发生变化或者迭代次数大于设定的上限次数，则退出迭代过程，得到训练矩阵；
优选地，所述得到与实时数据对应的期望值具体包括以下步骤：
(1)获取实时数据Xin，计算所述实时数据Xin与所述训练矩阵中各状态向量的欧式距离desj：
desj＝||Xin-Muj||；
式中，j表示K个训练中心的第j个训练中心，Muj表示训练矩阵中的状态向量；
(2)计算所述实时数据Xin与所述训练矩阵中各状态向量的相似关系矩阵simj：
simj＝a/(a+desj)；
式中，a表示训练样本数据的平均值；
(3)计算所述实时数据Xin与所述训练矩阵中各状态向量的隶属度矩阵wj：
Figure BDA0001545245550000021
(4)计算与所述实时数据Xin对应的期望值Xout：
Xout＝w·Mu。
优选地，所述计算实时数据与所述期望值的相似度采用公式：
sim＝a/(a+||Xin-xout||)。
优选地，所述采用K-Means聚类算法对所述训练样本数据进行初步聚类分析，具体包括以下步骤：
(1)将所述训练样本数据分为K个类的初始训练初始中心；
(2)计算任一个样本到K个类的初始训练中心的距离，并将该样本归纳到距离最短的初始中心所在的类；
(3)若遇到同类样本点则取平均值，更新每个类的训练中心点；
(4)重复步骤(2)和步骤(3)，直至每个类的训练中心点不再发生变化，并得到中心点矩阵、权值矩阵、以及协方差矩阵；
所述通过混合高斯模型对所述中心点矩阵、所述权值矩阵、以及所述协方差矩阵进行迭代得到训练矩阵具体包括以下步骤：
(1)将所述中心点矩阵、权值矩阵、以及协方差矩阵作为高斯混合模型的输入参数，根据最大化期望值进行迭代；
(2)在第一次迭代后，若迭代后的中心点矩阵与输入的中心点矩阵之差小于一定值，则退出迭代，反之，继续进行迭代直至中心点矩阵的值不再发生变化或者迭代次数大于设定的上限次数，则退出迭代过程，得到训练矩阵；
所述得到与实时数据对应的期望值具体包括以下步骤：
(1)获取实时数据Xin，计算所述实时数据Xin与所述训练矩阵中各状态向量的欧式距离desj：
desj＝||Xin-Muj||；
式中，j表示K个训练中心的第j个训练中心，Muj表示训练矩阵中的状态向量；
(2)计算所述实时数据Xin与所述训练矩阵中各状态向量的相似关系矩阵simj：
simj＝a/(a+desj)；
式中，a表示训练样本数据的平均值；
(3)计算所述实时数据Xin与所述训练矩阵中各状态向量的隶属度矩阵wj：
Figure BDA0001545245550000041
(4)计算与所述实时数据Xin对应的期望值Xout：
Xout＝w·Mu；
所述计算实时数据与所述期望值的相似度采用公式：
sim＝a/(a+||Xin-xout||)。
与上述方法相对应地，本发明还提供一种设备劣化早期预警系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。
本发明具有以下有益效果：
本发明提供一种设备劣化早期预警方法和系统，通过构建训练样本数据，采用K-Means聚类算法对该训练样本数据进行初步聚类分析，并将结果输入到混合高斯模型中进行迭代，得到训练矩阵，然后根据实时数据与训练矩阵之间的欧式距离生成相似关系矩阵，进一步计算得到隶属度矩阵以找到与实时数据对应的期望值，最后计算实时数据与期望值的相似度，当相似度小于预先设定的最小相似度且连续超过一定时间时，视为设备劣化，产生预警；该方法与系统通过对设备的运行状态的参数进行数据挖掘和分析，以节省时间成本，并为工作人员准确和全面的掌握设备的劣化趋势提供了有效的科学依据。
下面将参照附图，对本发明作进一步详细的说明。
附图说明
构成本申请的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是本发明优选实施例的设备劣化早期预警方法流程图；
图2是本发明优选实施例的样本训练流程图；
图3是本发明优选实施例的预警计算流程图。
具体实施方式
以下结合附图对本发明的实施例进行详细说明，但是本发明可以由权利要求限定和覆盖的多种不同方式实施。
实施例1
参见图1，本实施例提供一种设备劣化早期预警方法，包括：
根据能反映设备运行状态的测点建立预警监测模型；
确定时间步长，选取设备在时间步长内的正常运行参数数据作为预警监测模型的训练样本数据；
采用K-Means聚类算法对训练样本数据进行初步聚类分析，得到中心点矩阵、权值矩阵、以及协方差矩阵；然后通过混合高斯模型对中心点矩阵、权值矩阵、以及协方差矩阵进行迭代得到训练矩阵；
根据实时数据与所述训练矩阵中的各状态向量之间的欧式距离生成相似关系矩阵，然后根据所述相似关系矩阵得到实时数据与所述训练矩阵中的各状态向量之间的隶属度矩阵，并将所述隶属度矩阵与所述训练矩阵进行点积计算得到与实时数据对应的期望值；
计算实时数据与期望值的相似度，当相似度小于预先设定的最小相似度且连续超过一定时间时，视为设备劣化，产生预警。
具体地，从火电厂分散控制系统中采集可以反映设备运行状态的测点，例如：反映设备状态的特征参数、环境参数、以及工况参数建立设备预警监测模型，然后确定时间步长为一年，从实时数据库中选取待分析设备近一年的运行数据作为该预警监测模型的训练样本数据。将设备运行参数设为D，则某一时刻为一条D维数据x＝(a1,a2,……,aD)，一年样本量为n，则数据集合为X＝(x1,x2,x3,……,xn)。
再采用K-Means聚类算法对训练样本数据进行初步聚类分析，具体地，参见图2，采用K-Means聚类算法对训练样本数据进行初步聚类分析的步骤为：
(1)将训练样本数据分为K个类的初始训练中心。
(2)计算任一个样本到K个类的初始训练中心的距离，并将该样本归纳到距离最短的初始中心所在的类。
(3)若遇到同类样本点则取平均值，更新每个类的训练中心点。
(4)重复步骤(2)和步骤(3)，直至每个类的训练中心点不再发生变化，并得到中心点矩阵、权值矩阵、以及协方差矩阵。
经过K-Means聚类算法进行初步分析后，训练样本数据被分为K个类别，得到3个矩阵，分别为，中心点矩阵Mu0、权值矩阵a0、以及协方差矩阵σ0。其中，中心点矩阵Mu0＝【Mu1、Mu2…Muk】，权值矩阵a0＝【a1、a2…ak】，协方差矩阵σ0＝【σ1、σ2…σk】。然后，通过混合高斯模型对中心点矩阵、权值矩阵、以及协方差矩阵进行迭代得到训练矩阵，其具体包括以下步骤：
(1)将中心点矩阵、权值矩阵、以及协方差矩阵作为高斯混合模型的输入参数，根据最大化期望值进行迭代；
具体地，将该3个矩阵作为混合高斯模型的输入进行迭代操作，假设第i类样本量为ni,数据集合Xi＝(xi,1,xi,2,xi,3,……,xi,ni)，则，中心点矩阵可采用公式表示为：
Figure BDA0001545245550000061
权值矩阵可采用公式表示为：
Figure BDA0001545245550000062
协方差矩阵可采用公式表示为：σ0＝cov(Xi,Xi)；则在本实施例中高斯混合模型由K个高斯方程表示为：
Figure BDA0001545245550000063
(2)在第一次迭代后，若迭代后的中心点矩阵与输入的中心点矩阵之差小于0.0000001，则退出迭代，反之，继续进行迭代直至中心点矩阵的值不再发生变化或者迭代次数大于1000次，则退出迭代过程，得到最终(Mu、a、σ)，其中Mu为训练矩阵。
参见图3，作为本实施例优选的实施方式，得到与实时数据对应的期望值具体包括以下步骤：
(1)获取实时数据Xin，计算实时数据Xin与训练矩阵中各状态向量的欧式距离desj：
desj＝||Xin-Muj||；
式中，j表示K个训练中心的第j个训练中心，Muj表示训练矩阵中的状态向量；需要说明的是，训练矩阵中的状态向量即该训练矩阵的行向量，该矩阵的行向量保存的是训练样本经过初步聚类分析后的中心点，在本实施例中，通过K-Means聚类算法进行初步聚类分析之后，产生了K个中心，其每个中心点的位置通过该训练矩阵的行向量表示。
(2)计算实时数据Xin与训练矩阵中各状态向量的相似关系矩阵simj：
simj＝a/(a+desj)；
式中，a表示训练样本数据的平均值；
(3)计算实时数据Xin与训练矩阵中各状态向量的隶属度矩阵wj：
Figure BDA0001545245550000064
(4)计算与实时数据Xin对应的期望值Xout：
Xout＝w·Mu。
作为本实施例优选的实施方式，计算实时数据与期望值的相似度采用公式：
sim＝a/(a+||Xin-xout||)。
当实时数据与期望值的相似度连续持续一段时间小于预先设定的最小相似度时，预警值触发。值得说明的是，实时数据与期望值的相似度表明两者的关联密切程度，当相似度越大时，实时数据越接近期望值，所以，当实时数据与期望值的相似度小于预先设定的最小相似度且持续一段时间时，表明实时数据所反映的设为状态已处于异常情况，此时，需要触发预警，引起工作人员的重视，及时采取相应措施以维持设备的正常运行，避免因不能及时发现设备误差而导致的巨大损失。
实施例2
与上述方法实施例相对应的，本实施例提供一种设备劣化早期预警系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述实施例1方法的步骤。
如上所述，本发明提供一种设备劣化早期预警方法和系统，通过构建训练样本数据，采用K-Means聚类算法对该训练样本数据进行初步聚类分析，并将结果输入到混合高斯模型中进行迭代，得到训练矩阵，然后根据实时数据与训练矩阵之间的欧式距离生成相似关系矩阵，进一步计算得到隶属度矩阵以找到与实时数据对应的期望值，最后计算实时数据与期望值的相似度，当相似度小于预先设定的最小相似度且连续超过一定时间时，视为设备劣化，产生预警；该方法与系统通过对设备的运行状态的参数进行数据挖掘和分析，以节省时间成本，并为工作人员准确和全面的掌握设备的劣化趋势提供了有效的科学依据。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种设备劣化早期预警方法，其特征在于，包括：
根据能反映设备运行状态的测点建立预警监测模型；
确定时间步长，选取所述设备在所述时间步长内的正常运行参数数据作为所述预警监测模型的训练样本数据；
采用K-Means聚类算法对所述训练样本数据进行初步聚类分析，得到中心点矩阵、权值矩阵、以及协方差矩阵；然后通过混合高斯模型对所述中心点矩阵、所述权值矩阵、以及所述协方差矩阵进行迭代得到训练矩阵；
根据实时数据与所述训练矩阵中的各状态向量之间的欧式距离生成相似关系矩阵，然后根据所述相似关系矩阵得到实时数据与所述训练矩阵中的各状态向量之间的隶属度矩阵，并将所述隶属度矩阵与所述训练矩阵进行点积计算得到与实时数据对应的期望值；
计算实时数据与所述期望值的相似度，当所述相似度小于预先设定的最小相似度且连续超过一定时间时，视为设备劣化，产生预警。
2.根据权利要求1所述的设备劣化早期预警方法，其特征在于，所述采用K-Means聚类算法对所述训练样本数据进行初步聚类分析，具体包括以下步骤：
(1)将所述训练样本数据分为K个类的初始训练中心；
(2)计算任一个样本到K个类的初始训练中心的距离，并将该样本归纳到距离最短的初始中心所在的类；
(3)若遇到同类样本点则取平均值，更新每个类的训练中心点；
(4)重复步骤(2)和步骤(3)，直至每个类的训练中心点不再发生变化，并得到中心点矩阵、权值矩阵、以及协方差矩阵。
3.根据权利要求1所述的设备劣化早期预警方法，其特征在于，所述通过混合高斯模型对所述中心点矩阵、所述权值矩阵、以及所述协方差矩阵进行迭代得到训练矩阵具体包括以下步骤：
(1)将所述中心点矩阵、权值矩阵、以及协方差矩阵作为高斯混合模型的输入参数，根据最大化期望值进行迭代；
(2)在第一次迭代后，若迭代后的中心点矩阵与输入的中心点矩阵之差小于一定值，则退出迭代，反之，继续进行迭代直至中心点矩阵的值不再发生变化或者迭代次数大于设定的上限次数，则退出迭代过程，得到训练矩阵。
4.根据权利要求1所述的设备劣化早期预警方法，其特征在于，所述得到与实时数据对应的期望值具体包括以下步骤：
(1)获取实时数据Xin，计算所述实时数据Xin与所述训练矩阵中各状态向量的欧式距离desj：
desj＝||Xin-Muj||；
式中，j表示K个训练中心的第j个训练中心，Muj表示训练矩阵中的状态向量；
(2)计算所述实时数据Xin与所述训练矩阵中各状态向量的相似关系矩阵simj：
simj＝a/(a+desj)；
式中，a表示训练矩阵中列向量的最大值和最小值的绝对值的平均值；
(3)计算所述实时数据Xin与所述训练矩阵中各状态向量的隶属度矩阵wj：
Figure FDA0003304995540000021
(4)计算与所述实时数据Xin对应的期望值Xout：
Xout＝w·Mu；
式中，w表示隶属度，Mu表示训练矩阵。
5.根据权利要求4所述的设备劣化早期预警方法，其特征在于，所述计算实时数据与所述期望值的相似度采用公式：
sim＝a/(a+||Xin-xout||)。
6.根据权利要求4所述的设备劣化早期预警方法，其特征在于，所述采用K-Means聚类算法对所述训练样本数据进行初步聚类分析，具体包括以下步骤：
(1)将所述训练样本数据分为K个类的初始训练初始中心；
(2)计算任一个样本到K个类的初始训练中心的距离，并将该样本归纳到距离最短的初始中心所在的类；
(3)若遇到同类样本点则取平均值，更新每个类的训练中心点；
(4)重复步骤(2)和步骤(3)，直至每个类的中心点不再发生变化，并得到中心点矩阵、权值矩阵、以及协方差矩阵；
所述通过混合高斯模型对所述中心点矩阵、所述权值矩阵、以及所述协方差矩阵进行迭代得到训练矩阵具体包括以下步骤：
(1)将所述中心点矩阵、权值矩阵、以及协方差矩阵作为高斯混合模型的输入参数，根据最大化期望值进行迭代；
(2)在第一次迭代后，若迭代后的中心点矩阵与输入的中心点矩阵之差小于一定值，则退出迭代，反之，继续进行迭代直至中心点矩阵的值不再发生变化或者迭代次数大于设定的上限次数，则退出迭代过程，得到训练矩阵；
所述得到与实时数据对应的期望值具体包括以下步骤：
(1)获取实时数据Xin，计算所述实时数据Xin与所述训练矩阵中各状态向量的欧式距离desj：
desj＝||Xin-Muj||；
式中，j表示K个训练中心的第j个训练中心，Muj表示训练矩阵中的状态向量；
(2)计算所述实时数据Xin与所述训练矩阵中各状态向量的相似关系矩阵simj：
simj＝a/(a+desj)；
式中，a表示训练矩阵中列向量的最大值和最小值的绝对值的平均值；
(3)计算所述实时数据Xin与所述训练矩阵中各状态向量的隶属度矩阵wj：
Figure FDA0003304995540000031
(4)计算与所述实时数据Xin对应的期望值Xout：
Xout＝w·Mu；
所述计算实时数据与所述期望值的相似度采用公式：
sim＝a/(a+||Xin-xout||)。
7.一种设备劣化早期预警系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述权利要求1至6任一所述方法的步骤。
CN201810026999.5A 2018-01-11 2018-01-11 一种设备劣化早期预警方法和系统 Active CN108171271B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810026999.5A CN108171271B (zh) 2018-01-11 2018-01-11 一种设备劣化早期预警方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810026999.5A CN108171271B (zh) 2018-01-11 2018-01-11 一种设备劣化早期预警方法和系统

Publications (2)

Publication Number Publication Date
CN108171271A CN108171271A (zh) 2018-06-15
CN108171271B true CN108171271B (zh) 2022-04-29

Family

ID=62518165

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810026999.5A Active CN108171271B (zh) 2018-01-11 2018-01-11 一种设备劣化早期预警方法和系统

Country Status (1)

Country Link
CN (1) CN108171271B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111260893B (zh) * 2020-01-10 2022-05-03 中国海洋石油集团有限公司 一种海洋平台推进器故障预警方法和装置
CN111504677A (zh) * 2020-04-24 2020-08-07 华能四川水电有限公司 一种空冷器劣化预警方法
CN114088388B (zh) * 2021-12-10 2024-09-06 深圳市出新知识产权管理有限公司 一种齿轮变速箱的故障诊断方法和故障诊断装置

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101394479A (zh) * 2008-09-25 2009-03-25 上海交通大学 基于运动检测结合多通道融合的教师运动跟踪方法
CN101540892A (zh) * 2009-04-23 2009-09-23 上海中安电子信息科技有限公司 一种基于dsp视频采集设备的统计进出口人数的方法
CN102360418B (zh) * 2011-09-29 2013-03-13 山东大学 基于高斯混合模型和最大期望值算法的睫毛检测方法
CN106653047A (zh) * 2016-12-16 2017-05-10 广州视源电子科技股份有限公司 一种音频数据的自动增益控制方法与装置
CN107341349A (zh) * 2017-06-30 2017-11-10 上海交通大学 风机健康评估的方法、系统、存储器及控制器
CN111352408A (zh) * 2020-03-11 2020-06-30 山东科技大学 一种基于证据k近邻的多工况流程工业过程故障检测方法
CN111461855A (zh) * 2019-01-18 2020-07-28 同济大学 基于欠采样的信用卡欺诈检测方法及系统、介质、设备
CN112488371A (zh) * 2020-11-20 2021-03-12 国网福建省电力有限公司厦门供电公司 一种基于大数据的管道智能预警方法和系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9697439B2 (en) * 2014-10-02 2017-07-04 Xerox Corporation Efficient object detection with patch-level window processing

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101394479A (zh) * 2008-09-25 2009-03-25 上海交通大学 基于运动检测结合多通道融合的教师运动跟踪方法
CN101540892A (zh) * 2009-04-23 2009-09-23 上海中安电子信息科技有限公司 一种基于dsp视频采集设备的统计进出口人数的方法
CN102360418B (zh) * 2011-09-29 2013-03-13 山东大学 基于高斯混合模型和最大期望值算法的睫毛检测方法
CN106653047A (zh) * 2016-12-16 2017-05-10 广州视源电子科技股份有限公司 一种音频数据的自动增益控制方法与装置
CN107341349A (zh) * 2017-06-30 2017-11-10 上海交通大学 风机健康评估的方法、系统、存储器及控制器
CN111461855A (zh) * 2019-01-18 2020-07-28 同济大学 基于欠采样的信用卡欺诈检测方法及系统、介质、设备
CN111352408A (zh) * 2020-03-11 2020-06-30 山东科技大学 一种基于证据k近邻的多工况流程工业过程故障检测方法
CN112488371A (zh) * 2020-11-20 2021-03-12 国网福建省电力有限公司厦门供电公司 一种基于大数据的管道智能预警方法和系统

Also Published As

Publication number Publication date
CN108171271A (zh) 2018-06-15

Similar Documents

Publication Publication Date Title
WO2021093140A1 (zh) 一种跨项目软件缺陷预测方法及其系统
CN108171271B (zh) 一种设备劣化早期预警方法和系统
Kuravsky et al. A numerical technique for the identification of discrete-state continuous-time Markov models
Hwang et al. Variational deep clustering of wafer map patterns
CN105550426B (zh) 一种基于样本分割的多尺度二叉树高炉故障诊断方法
CN108508865B (zh) 一种基于分散式osc-pls回归模型的故障检测方法
CN108491991B (zh) 基于工业大数据产品工期的约束条件分析系统与方法
CN108153267B (zh) 一种基于误差主元分析模型的工业过程监测方法
CN111340110B (zh) 一种基于工业过程运行状态趋势分析的故障预警方法
CN113298170B (zh) 非稳定工况下能耗模式识别方法及系统
CN117214637A (zh) 充电枪耐压测试方法、装置、设备及存储介质
CN109298633A (zh) 基于自适应分块非负矩阵分解的化工生产过程故障监测方法
CN112256686B (zh) 一种基于mes的故障数据压缩与预测方法及系统
CN106907927A (zh) 一种核灵活流形嵌入电熔镁炉故障监测方法
CN111639304A (zh) 基于Xgboost回归模型的CSTR故障定位方法
CN109324595B (zh) 一种基于增量pca的工业监测数据分类方法
CN111723206A (zh) 文本分类方法、装置、计算机设备和存储介质
CN113156908B (zh) 一种机理与数据联融合的多工况工业过程监测方法和系统
CN116740900B (zh) 一种基于svm的电力施工预警方法及系统
CN116030955B (zh) 基于物联网的医疗设备状态监测方法及相关装置
CN117421655A (zh) 工业互联网数据流异常检测方法及系统
CN115878987A (zh) 一种基于贡献值和因果图的故障定位方法
CN109523195B (zh) 基于样本多模态分类的分层式非高斯算法的故障检测方法
CN114880215B (zh) 一种面向众包系统的测试用例自动生成的方法
Xiong et al. Gas data anomaly detection based on time-series ARIMA model

Legal Events

Date Code Title Description
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