CN108345282A - 一种基于人工智能的泵站运行异常诊断方法及系统 - Google Patents
一种基于人工智能的泵站运行异常诊断方法及系统 Download PDFInfo
- Publication number
- CN108345282A CN108345282A CN201810132927.9A CN201810132927A CN108345282A CN 108345282 A CN108345282 A CN 108345282A CN 201810132927 A CN201810132927 A CN 201810132927A CN 108345282 A CN108345282 A CN 108345282A
- Authority
- CN
- China
- Prior art keywords
- information
- monitoring data
- operational monitoring
- data
- operation information
- 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
- 238000005086 pumping Methods 0.000 title claims abstract description 188
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 22
- 230000005856 abnormality Effects 0.000 title claims abstract description 15
- 238000002405 diagnostic procedure Methods 0.000 title claims abstract description 14
- 238000012544 monitoring process Methods 0.000 claims abstract description 137
- 230000002547 anomalous effect Effects 0.000 claims abstract description 63
- 230000002159 abnormal effect Effects 0.000 claims abstract description 30
- 238000003860 storage Methods 0.000 claims abstract description 23
- 238000012986 modification Methods 0.000 claims description 33
- 230000004048 modification Effects 0.000 claims description 33
- 239000000284 extract Substances 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 abstract description 32
- 230000000694 effects Effects 0.000 abstract description 19
- 241000196324 Embryophyta Species 0.000 description 116
- 238000007726 management method Methods 0.000 description 38
- 238000003745 diagnosis Methods 0.000 description 24
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 20
- 238000000034 method Methods 0.000 description 19
- 239000007788 liquid Substances 0.000 description 18
- 230000008569 process Effects 0.000 description 14
- 230000007246 mechanism Effects 0.000 description 9
- 230000005611 electricity Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000011144 upstream manufacturing Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000005265 energy consumption Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 241000208340 Araliaceae Species 0.000 description 2
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 2
- 235000003140 Panax quinquefolius Nutrition 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000004744 fabric Substances 0.000 description 2
- 235000008434 ginseng Nutrition 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 239000010865 sewage Substances 0.000 description 2
- 240000002853 Nelumbo nucifera Species 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013524 data verification Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 238000010223 real-time analysis Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000013334 tissue model Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/4183—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by data acquisition, e.g. workpiece identification
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41845—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by system universality, reconfigurability, modularity
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/26—Pc applications
- G05B2219/2612—Data acquisition interface
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种基于人工智能的泵站运行异常诊断方法及系统，其技术方案要点是包括如下步骤获取当前泵站的运行监测数据，并根据数据类型对所述运行监测数据进行分类存储，其中，所述运行监测数据中携带有运行信息；建立针对于数据类型的异常事件，所述异常事件中携带有异常标签和异常信息；在对应的数据类型中根据所述异常事件对所述运行监测数据进行扫描，提取所述运行监测数据中的运行信息与异常信息进行比对，并判断运行信息是否涵盖异常信息；若是，则发出警示信息。通过建立异常事件，对获取的泵站的运行监测数据进行扫描，对运行监测数据进行实时分析和基于多维历史数据的时序关联分析，达到泵站运行监测数据布控的全面性。
Description
技术领域
本发明涉及泵站监测技术领域，特别涉及一种基于人工智能的泵站运行异常诊断方法及系统。
背景技术
泵站包括污水泵站、雨水泵站和河水泵站等。城市防汛排涝、城镇水环境、深水井群和排水设施均面临着采用现代信息化技术来进一步提升设施的要求。
目前，我国正在运行的泵站多为20世纪六、七十年代建设，因受当时技术、资金、设备条件的限制，大部分泵站设备还是采用传统人工完成的管理和操作方式。为此，在现代泵站的建设和改造中，广泛地使用了可编程控制器PLC、传感器、人机界面和工业现场总线等工业自动化产品。
传感器监测泵站的各个数据，可编程控制器PLC对各类数据进行汇总，通过网络上传至上位机，管理人员在中控室中观察辖区内各个泵站的运行情况，进行统一调度管理、问题监测处理等。
但传统泵站问题监测处理属于被动型，PLC直接发出故障信号至上位机中，如泵站前池中的液位传感器对前池中的液位数据进行监测，当前池中的液位高于最高液位时，液位传感器进行监测并输出相应的液位信号至PLC中，PLC形成故障信号发送至上位机中。
由此，PLC通过采集传感器所输出的信号并直接发出故障信号的方式对问题进行反馈，而无法得知前池液位高于最高液位时，泵站中泵机的开启数量大于预设开机数还是小于预设开机数，因此，现阶段的泵站无法做到对同一泵站中的关联设备、以及上游泵站和下游泵站相邻泵站之间的数据进行有效布控，导致数据监测、问题处理的全面性较低，因此存在一定的改进之处。
发明内容
针对现有技术存在的不足，本发明的目的在于提供一种基于人工智能的泵站运行异常诊断方法，能够提高泵站数据监测的全面性。
本发明的上述技术目的是通过以下技术方案得以实现的：
一种基于人工智能的泵站运行异常诊断方法，包括如下步骤：
获取当前泵站的运行监测数据，并根据数据类型对所述运行监测数据进行分类存储，其中，所述运行监测数据中携带有运行信息；
建立针对于数据类型的异常事件，所述异常事件中携带有异常标签和异常信息；
在对应的数据类型中根据所述异常事件对所述运行监测数据进行扫描，提取所述运行监测数据中的运行信息与异常信息进行比对，并判断运行信息是否涵盖异常信息；
若是，则发出警示信息。
优选的，获取当前泵站的运行监测数据，并根据数据类型对所述运行监测数据进行分类存储，包括：
获取当前泵站的运行监测数据，并根据数据类型对所述运行监测数据进行分类存储；
或，
获取上一级泵站和下一级泵站的运行监测数据，并根据数据类型对上一级泵站的运行监测数据和下一级泵站的运行监测数据关联后进行分类存储。
优选的，建立针对于数据类型的异常事件，所述异常事件中携带有异常标签和异常信息，包括如下步骤：
异常信息中携带有异常参数，建立对异常参数的可编辑区域；
判断可编辑区域中是否填写有修改参数；
若是，则进一步判断修改账号的权限等级，若修改账号的权限等级超过预设的权限等级，则将修改参数替换异常参数。
优选的，在运行信息涵盖异常信息，则发出警示信息中，包括如下步骤：
建立异常事件的警示优先级；
获取运行信息涵盖异常信息时的警示发生时间；
基于涵盖异常信息的运行信息以生成运行信息集合，依次根据警示优先级、数据类型、警示发生时间以对运行信息集合进行排序；
根据运行信息集合从上往下依次发出运行信息语音播报的警示信息。
优选的，根据运行信息集合从上往下依次发出运行信息语音播报的警示信息，包括如下步骤：
建立警示信息的播报时长，所述播报时间为异常事件对所述运行监测数据进行扫描的扫描间隔；
基于运行信息集合中运行信息的数量、以及播报时长，为每个运行信息平均分配语音播报的发声时长。
针对现有技术存在的不足，本发明的目的在于提供一种基于人工智能的泵站运行异常诊断系统，能够提高泵站数据监测的全面性。
本发明的上述技术目的是通过以下技术方案得以实现的：
一种基于人工智能的泵站运行异常诊断系统，包括：
获取模块，用于获取当前泵站的运行监测数据，并根据数据类型对所述运行监测数据进行分类存储，其中，所述运行监测数据中携带有运行信息；
建立模块，用于建立针对于数据类型的异常事件，所述异常事件中携带有异常标签和异常信息；
扫描模块，用于在对应的数据类型中根据所述异常事件对所述运行监测数据进行扫描，提取所述运行监测数据中的运行信息与异常信息进行比对，并判断运行信息是否涵盖异常信息；
警示模块，用于在运行信息是否涵盖异常信息时，发出警示信息。
优选的，所述获取模块，用于获取当前泵站的运行监测数据，并根据数据类型对所述运行监测数据进行分类存储；
或，
用于获取上一级泵站和下一级泵站的运行监测数据，并根据数据类型对上一级泵站的运行监测数据和下一级泵站的运行监测数据关联后进行分类存储。
优选的，所述建立模块包括：
编辑模块，异常信息中携带有异常参数，建立对异常参数的可编辑区域；
判断模块，用于判断可编辑区域中是否填写有修改参数；
替换模块，在可编辑区域中填写有修改参数，则进一步判断修改账号的权限等级，若修改账号的权限等级超过预设的权限等级，则将修改参数替换异常参数。
优选的，所述警示模块包括：
优先级模块，用于建立异常事件的警示优先级；
时间记录模块，用于获取运行信息涵盖异常信息时的警示发生时间；
排序模块，基于涵盖异常信息的运行信息以生成运行信息集合，依次根据警示优先级、数据类型、警示发生时间以对运行信息集合进行排序；
语音播放模块，根据运行信息集合从上往下依次发出运行信息语音播报的警示信息。
优选的，所述语音播放模块包括：
播放时长建立模块，建立警示信息的播报时长，所述播报时间为异常事件对所述运行监测数据进行扫描的扫描间隔；
播放时长播放模块，基于运行信息集合中运行信息的数量、以及播报时长，为每个运行信息平均分配语音播报的发声时长。
综上所述，本发明对比于现有技术的有益效果为：
1、通过建立异常事件，对获取的泵站的运行监测数据进行扫描，对运行监测数据进行实时分析和基于多维历史数据的时序关联分析，达到泵站运行监测数据布控的全面性；
2、在一个异常事件的一个异常标签中可包含多个异常信息，从而形成关联性的异常事件，通过该异常事件对泵站运行监测数据进行扫描，提取对应运行监测数据中的运行信息，达到运行监测数据中关联数据的监测，以进一步提高泵站数据布控的全面性；
3、通过上一级泵站和下一级泵站运行监测数据关联，通过建立相应的异常事件，对上一级泵站和下一级泵站运行监测数据进行布控，从而达到关联泵站之间运行监测数据的布控；
4、通过编辑模块、判断模块和替换模块的设置，为异常参数提供了自学习的功能，达到异常参数的设定的精确度更高；
5、通过本申请中的语音播放模块，有效达到有限播报时长内，将所有泵站运行信息集合进行整合，并进行全部泵站运行信息发生异常时进行语音播报提示，以使得维护人员能够及时维护。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其他特征、目的和优点将会变得更明显：
图1为本发明技术方案中泵站运行异常诊断系统的系统框图；
图2为本发明技术方案中上一级泵站和下一泵站的连接示意图；
图3为本发明技术方案中泵站运行异常诊断方法的流程示意图；
图4为本发明技术方案中异常事件的示意图；
图5为本发明技术方案中异常事件建立的流程示意图；
图6为本发明技术方案中警示信息发出的流程示意图；
图7为本发明技术方案中运行信息语音播报的流程示意图。
图8为本发明技术方案中基于人工智能的泵站运行异常诊断系统的结构图。
具体实施方式
为了更好的使本发明的技术方案清晰的表示出来，下面结合附图对本发明作进一步说明。
现有技术中，在泵站的各个位置安装传感器，传感器能对泵站的各个部位检测并输出相应的检测信号至控制PLC中，而控制器PLC通过采集传感器所输出的信号并直接发出故障信号的方式对问题进行反馈，但控制器PLC对故障信号的发出只有单一设备的异常信息，如前池液位过高、泵池液位过高、泵机电流低、泵机缺相等。
但无法得知相邻两个设备之间故障的关联性，如前池液位高于最高液位时，但却无法得知与其相关联的泵机的开启数量大于预设开机数还是小于预设开机数，从而导致同一个泵站中关联设备的数据关联性之间无法进行有效布控。
并且针对于上游泵站和下游泵站之间的异常问题也无法进行有效布控，如下游泵站输出流量和下游泵站输出流量之间的关系，当下游泵站输出流量满了后，而上游泵站的流量始终保持全开状态，因此，针对于关联泵站之间数据的关联性无法进行有效布控，导致全网泵站数据监测、问题反馈的全面性较低。
针对于上述现有技术的缺陷，本发明技术方案提供了解决思路。如图1所示，在一个城市中将被分配多个区域，每个区域中设置有多个泵站，通过在后台管理平台中建立对应于每个泵站的数据库，泵站中的传感器监测泵站中各个设备的数据并上传至后台管理平台并保存在对应的数据库中，由此，在数据库中形成了对应泵站的历史数据和实时数据。本发明主要通过建立异常事件，异常事件中携带有异常标签和至少一个异常信息，通过将异常事件对泵站中实时数据进行扫描，将实时数据与异常事件进行比对，在实时数据与异常事件中的异常信息相匹配时，发出警示信息，以引起工作人员的注意。
通过上述泵站实时数据先存储，后通过建立相应的规则对实时数据进行扫描、提取分析的过程，从而有效达到泵站中多个设备关联数据的布控、以及上一个泵站和下一级泵站设备关联数据的布控，提高了全网泵站数据监控、问题反馈的全面性。
本发明的技术方案中，如无特别指定，本发明技术方案中后台管理平台可以为后台服务器或上位机，若为后台服务器，该服务器可以设置一台或多台，该服务器可以包括但不限于数据库服务器、应用服务器及WEB服务器。
实施例一
综合上述发明思路，如图3所示，一种基于人工智能的泵站运行异常诊断方法，包括如下步骤：
S100，获取当前泵站的运行监测数据，并根据数据类型对所述运行监测数据进行分类存储，其中，所述运行监测数据中携带有运行信息；
S200，建立针对于数据类型的异常事件，所述异常事件中携带有异常标签和异常信息；
S300，在对应的数据类型中根据所述异常事件对所述运行监测数据进行扫描，提取所述运行监测数据中的运行信息与异常信息进行比对，并判断运行信息是否涵盖异常信息；
S400，若是，则发出警示信息。
根据步骤S100~S400所限定的技术方案，具体地，上述泵站运行异常诊断方法，应用于后台管理平台，后台管理平台中具有多个数据库，每个数据库与每个泵站相对应，接收来自对应泵站的运行监测数据。
本实施例中以当前泵站为了进行说明。后台管理平台接收来自当前泵站的运行监测数据，运行监测数据包括来自泵站中各个设备的数据，如泵站的前池液位、泵池液位、泵机的电流数据、泵机的连续开机时间、格栅开启情况等，上述运行监测数据仅以举例进行说明，本实施例中并不限定运行监测数据的形式。上述运行监测数据均通过设置在泵站中各个设备上的传感器进行监测和输出。
需要说明的是，在数据库对运行监测数据进行存储时，数据库将根据数据类型对运行监测数据进行分类，如泵机的电流数据和格栅开启情况被定义为设备的数据类型；前池液位、泵池液位、泵机的连续开机时间被定义为运行的数据类型；泵机的电流数据被定义为电力的数据类型。
运行监测数据中携带有运行信息，如前池液位中，运行信息为前池液位的具体液位高度数据；如泵机的连续开机时间，运行信息为泵机连续开机时间的时间值。
其中，工作人员可登录到后台管理平台中，建立针对于数据类型的异常事件，异常事件中携带有异常标签和异常信息。本实施例中，每个数据类型中被配置有至少一个异常事件，每个异常事件中携带有一个异常标签和至少一个异常信息。
如图4所示，异常标签为异常信息的概述，其中，异常信息中具有异常参数。具体地，数据类型为电力，在一个异常事件中，异常信息为1号泵电流低报警，异常参数为xxA，异常标签为工艺电流低。
相应地，数据类型为运行，在一个异常事件中，异常信息被配置为水泵有运行，但无流量，异常参数为水泵的运行状态和具体的流量值，异常标签为水泵运行无流量。
由此，通过上述异常事件的建立后，后台管理平台周期性地在对应的数据类型中根据所述异常事件对所述运行监测数据进行扫描，（每次扫描具有可调的扫描间隔）。提取运行监测数据中的运行信息与异常信息进行比对，并判断运行信息是否涵盖异常信息；若是，则发出警示信息。
即将异常信息中的异常参数与运行信息中的运行参数进行比对，判断运行参数是否涵盖异常参数，本实施例以运行的数据类型为例进行说明，异常信息为1号水泵连续开机时间>8小时，其中，异常参数为8小时，运行信息为1号水泵连续开机时间，运行参数为1号水泵连续开机时间的时间值，当运行参数大于异常参数时，即被定义为运行参数涵盖异常参数，此时，后台管理平台发出警示信息。
综上所述，基于异常事件中多个异常信息的建立，对后台管理平台中数据库中当前泵站的运行监测数据进行扫描，以对当前泵站中单个设备或多个设备关联数据进行分析，达到对当前泵站的全面布控，提高泵站的冗余能力。
本发明泵站运行异常诊断方法，如图2所示，不仅能够对单个泵站的进行全面的布控，也可以对上一级泵站和下一级泵站之间的关联数据进行全面布控，具体地：
获取当前泵站的运行监测数据，并根据数据类型对所述运行监测数据进行分类存储，包括：
获取当前泵站的运行监测数据，并根据数据类型对所述运行监测数据进行分类存储；或，获取上一级泵站和下一级泵站的运行监测数据，并根据数据类型对上一级泵站的运行监测数据和下一级泵站的运行监测数据关联后进行分类存储。
具体地，在后台管理平台中针对于相同数据类型的上一级泵站的运行监测数据和下一级泵站的运行监测数据进行关联。如，上一级泵站的数量为一，与上一级泵站对应的下一级泵站的数量为三，由此上一级泵站与下一级泵站之间的流量关系为上一级泵站输出流量等于下一级所有泵站输出流量的总和。
由此，也可相应建立异常事件，来对上一级泵站输出的流量和下一级泵站输出流量进行布控，具体地异常事件如上述所述，本处不再进行赘述。
如图5所示，建立针对于数据类型的异常事件，异常事件中携带有异常标签和异常信息，包括如下步骤：
S210，异常信息中携带有异常参数，建立对异常参数的可编辑区域；
S220，判断可编辑区域中是否填写有修改参数；
S230，若是，则进一步判断修改账号的权限等级，若修改账号的权限等级超过预设的权限等级，则将修改参数替换异常参数。
根据步骤S210~S230所限定的技术方案，具体地，工作人员可登录后台管理平台中建立异常事件，其中，异常事件中携带有异常信息，异常信息中携带有异常参数，后台管理平台中具有对异常参数的可编辑区域。通过监测可编辑区域中是否填写有修改参数来判断是否将修改参数替换为异常参数，具体为，通过判断修改修改参数的时，只有当该修改账号的权限等级超过预设的权限等级时，该异常参数才会被修改参数替换，由此，保持了异常参数的实时更新，其中，修改账号可被后台管理人员分配在专家工程师或资深工程师手上，持有上述修改账号的人员可登录后台管理平台对异常参数进行调整，由此达到泵站数据布控的精确性与自学习能力。
如图6所示，在运行信息涵盖异常信息，则发出警示信息中，包括如下步骤：
S410，建立异常事件的警示优先级；
S420，获取运行信息涵盖异常信息时的警示发生时间；
S430，基于涵盖异常信息的运行信息以生成运行信息集合，依次根据警示优先级、数据类型、警示发生时间以对运行信息集合进行排序；
S440，根据运行信息集合从上往下依次发出运行信息语音播报的警示信息。
根据步骤S410~S440所限定的技术方案，具体地，本实施例中，警示信息的发出方式具体采用语音播报的方式，语音播报器设置在中控室中，以使得语音播放能够被管理人员识别。
具体地警示信息发出方式为：为每个异常事件建立警示优先级，每个异常事件具有不同的警示优先级，警示优先级的设置由泵站中设备的重要性依据管理人员进行配置。由此，在对应的数据类型中根据所述异常事件对所述运行监测数据进行扫描时，运行监测数据中涵盖异常信息的运行信息将生成运行信息集合（即泵站中输出异常数据的设备）。依次通过根据警示优先级、数据类型和警示发生时间对运行信息集合进行排序，即在同一警示优先级和同一数据类型时再根据警示发生时间对运行信息集合进行排序。
并根据运行信息集合从上往下依次发出运行信息语音播报的警示信息，本实施例中，当涉及到多个泵站时，后台管理平台根据泵站名称以及该泵站的运行信息发出语音播放的警示信息。
如图7所示，根据运行信息集合从上往下依次发出运行信息语音播报的警示信息，包括如下步骤：
S441，建立警示信息的播报时长，所述播报时间为异常事件对所述运行监测数据进行扫描的扫描间隔；
S442，基于运行信息集合中运行信息的数量、以及播报时长，为每个运行信息平均分配语音播报的发声时长。
根据步骤S441~S442所限定的技术方案，具体地，为使得能在有限的播报时长内播报尽可能多发生故障运行信息，本实施例将根据运行信息集合中运行信息的数量和播报时间，为每个运行信息平均分配语音播放的发声时长。如警示信息的整体播报时长为60s，超过警示信息的整体播报时长时将进行数据的再次扫描、刷新。若运行信息的数量个数为60个，由此，每个运行信息分配到的语音播报的发生时长为1s，若该运行信息的文字较多，将直接对泵站名称进行语音播报或泵站名称和运行信息的前几个文字进行语音播报来缩短发声时长。
通过上述技术方案的设置，后台管理平台能在有限的播报时长内对每个运行信息进行语音播报以引起工作人员的注意。
实施例二
一种基于人工智能的泵站运行异常诊断系统，如图1所示，应用于后台管理平台，后台管理平台设置在中控室中，中控室中设置有与后台管理平台相连的显示屏幕，其中，后台管理平台包括获取模块、建立模块、扫描模块和警示模块。
获取模块用于获取当前泵站的运行监测数据，并根据数据类型对所述运行监测数据进行分类存储，其中，所述运行监测数据中携带有运行信息；
建立模块用于建立针对于数据类型的异常事件，所述异常事件中携带有异常标签和异常信息；
扫描模块用于在对应的数据类型中根据所述异常事件对所述运行监测数据进行扫描，提取所述运行监测数据中的运行信息与异常信息进行比对，并判断运行信息是否涵盖异常信息；
警示模块用于在运行信息是否涵盖异常信息时，发出警示信息。
其中，获取模块用于获取当前泵站的运行监测数据，并根据数据类型对所述运行监测数据进行分类存储；
或用于获取上一级泵站和下一级泵站的运行监测数据，并根据数据类型对上一级泵站的运行监测数据和下一级泵站的运行监测数据关联后进行分类存储。
需要说明的是，建立模块包括编辑模块、判断模块和替换模块。
编辑模块，异常信息中携带有异常参数，建立对异常参数的可编辑区域；
判断模块，用于判断可编辑区域中是否填写有修改参数；
替换模块，在可编辑区域中填写有修改参数，则进一步判断修改账号的权限等级，若修改账号的权限等级超过预设的权限等级，则将修改参数替换异常参数。
其中，警示模块包括优先级模块、时间记录模块、排序模块和语音播放模块。
优先级模块用于建立异常事件的警示优先级；
时间记录模块用于获取运行信息涵盖异常信息时的警示发生时间；
排序模块基于涵盖异常信息的运行信息以生成运行信息集合，依次根据警示优先级、数据类型、警示发生时间以对运行信息集合进行排序；
语音播放模块根据运行信息集合从上往下依次发出运行信息语音播报的警示信息。
值得说明的是，语音播放模块包括播放时长建立模块、播放时长播放模块。
播放时长建立模块用于建立警示信息的播报时长，所述播报时间为异常事件对所述运行监测数据进行扫描的扫描间隔；
播放时长播放模块基于运行信息集合中运行信息的数量、以及播报时长，为每个运行信息平均分配语音播报的发声时长。
实施例三
本系统通过对泵站自控系统采集的泵站运行信号进行智能二次分析，诊断泵站运行异常，实现智慧型泵站运行异常报警监控。
该系统结构如图8所示，泵站自控系统采集的泵站运行信号，包括工艺设备运行状态、电力参数、各池液位、进出流量等。并根据点位信息字典，将从自控系统信号及其他数据源中提取的数据转换为按泵站信息模型表达的模型化泵站运行数据。
以泵站管网信息模型为基础，以自控系统的动态检测数据为依据，以水力流量模型、负荷能耗模型为支撑，集成其他水务相关系统信息资源和气象水文信息。包括但不限于以下智能信息模型：
1、泵站运营公司组织模型：包括组织机构、岗位职责、协同关系、联络机制、管理权限、事务流程；
2、泵站运营公司设施模型：包括泵站布置、设施布置、工艺关系、泵站综合效率计算公式；
3、控制点位模型：包括中控上位机标签、智管中心数据库字段、泵站PLC访问节点、点位信号项目信息（信息分组、所属设备、信号类别、量程范围、报警阀值）；
4、排水管网流量模型：包括泵站的管网结构关系、流量汇合分配计算公式 、简化的泵站上下游水力模型，建立以泵站为关键节点的管网流量关系模型；
5、泵站运行负荷能耗模型：包括泵站关键设备能力与排水负荷的关系、泵站设备运行组合模式及其产出与能耗等成本费用的关系；
6、知识规则库：包括网络通信诊断、电力异常诊断、设备故障诊断、液位异常诊断、流量异常诊断、泵开异常诊断、调度异常诊断、综合分析等规则及其触发条件、报警等级、循环周期等。
将泵站运行经验知识或从人工干预结果中学习的知识，将智能模型表达成规则，进入知识库。本方法中知识表达采用的IF-THEN规则，增加了报警类别、报警等级和触发周期，来体现知识权值和使用要求。本发明中知识学习的主要来源是报警监控的人工干预，根据人工干预人员的等级及干预意见的一致性采纳知识。
泵站运行异常诊断分析专业知识，本发明包括以下8类知识库：
1、网络通信诊断知识库：对各泵站网络状态、数据通信丢包率进行检查；
2、电力异常诊断知识库：对供电线路和工艺设备电力参数进行关联分析；
3、设备故障诊断知识库：根据自控信号及设备运行状态，诊断设备故障；
4、设备故障诊断知识库：根据自控信号及设备运行状态，诊断设备故障；
5、流量异常诊断知识库：根据流量数据及管道水力模型，诊断流量异常；
6、泵开异常诊断知识库：根据水泵开动数、液位、流量，诊断泵开异常；
7、调度异常诊断知识库：根据管网关系及泵站运行状态，诊断调度异常；
8、综合分析知识库：基于以上分析结果，诊断泵站及排水系统综合状态。
鉴于物联感知程度不一定能完全到位，数据的精度和准确性也可能有待提高，因此，本发明的知识强调；以内在数据逻辑为实质，注重相对关系的异变，这样可以以抽象的思维、简化的方式，从粗到细逐步地建立泵站运行监管智能模型。
本发明具有AI诊断分析，通过采用专家系统（ES）推理机模型，依据知识库规则，对泵站运行数据进行人工智能（AI）诊断分析，发现异常。并具有报警监控，以对诊断结果进行监控，通过报警声效控制接口，对发现的异常进行报警处理，报警声效控制接口按报警类别、报警等级、报警循环周期、警声开关及报警内容量，进行警声播报内容进行智能精简组合，以保证在报警循环周期内播完重要的报警信息。
其中，本发明具有报警短消息接口，按报警分级及组织机构模型，实现即时报警信息提醒。
本发明中的数据库设计，以目前的中控服务系统为基础，在保留原有自控数据库的基础上，增加管理数据库，建立运行管理数据集成平台，即“智管中心”。原自控数据库仍以运行数据（设备状态、流量、液位、水质指标、用电量）为主，管理数据库主要采集存储（包括手工输入）泵站的布局关系，组织机构、管理职责、联系方式，设施配置、设备台账，事件信息、业务过程、处理流程等管理数据，以结构化数据和多媒体方式存入“智管中心”网络磁盘陈列数据库和文件服务器，并以直观、简便的方式展示给相关工作人员和管理决策者；
智能分析系统，通过自控系统信号模型、泵站模型、电力模型、排水流量模型等的数据智能分析，进行故障及异常诊断和运行优化控制；
智能故障报警分析系统关联应急处理机制，做到报警及时、定位准确，自动触发应急处理机制或自动触发故障处理流程；
设备故障处理管理系统，包括泵站设备故障报警及处理过程管理等功能，是一个简化的设备报修管理系统；
通过综合关联智能分析，实现初步的排水流量模型和生产调度模型优化；
开发与气象局的数据接口，实时准确地采集分区气象信息；
报表系统，建立智能报表系统，实现灵活的自定义报表和专业的运行管理分析报表，提高运行管理水平。用户可以自己定义报表模板，保存后下次可以调用；
中控协调控制机制：加强中控的集中监管功能，建立中控协调控制机制，统一指挥；中控协调控制机制能实现对站点PLC控制参数的动态优化和远程设置，保障无人值守的自控系统有效性和不断优化；
事件响应机制，定义已知可能发生的事件预案，集成智能报警、设备故障处理管理系统、流量异常分析系统、电力异常监测诊断系统、智能报表（含与气象局接口）及处理流程管理；
数据核对较正机制和智能关联纠错系统，保证数据的准确、有效，提高数据准确性；
将采集到的数据，以直观、简便的方式展示给相关工作人员和管理决策者。
以下对本发明的发明点进行阐述说明：
1、本发明设计了数据库、上位机、现场数据终端（下位机）三层关联IO点位信息对照表（数据字典）：
（1）现场数据终端（含PLC、DTU、RTU及DCS）点位信息：终端IP地址及端口号，IO信号项名、类别、寄存器地址及长度，485通信地址、区域、寄存器地址及长度；
（2）上位机点位信息：上位IP地址及端口号，组态标签名或数据变量名；
（3）数据库点位信息：数据库服务器IP地址及端口号、DBMS、数据库名、表名，字段名、类别、长度、默认值，有效值范围、报警阀值，显示名称、模型元素、备注说明。
通过三层关联IO点位信息对照表定义，可以很方便地从各种自控系统或数据采集系统的原始大数据中提取、转换智能分析所需的数据。
2、本发明对泵站运行信息进行模型化处理，将泵站结构、设备状态参数及仪表数据抽象为以下标准模型元素：
（1）进水管：流量、阀门启闭状态；
（2）前池：液位、格栅/压榨/输送机运行状态及电力参数；
（3）泵池：液位、水泵开停状态及电力参数；
（4）后池/高位井：液位、阀门启闭状态；
（5）出水管：流量、压力；
（6）其他工艺设备开停状态及电力参数；
（7）供电线路：电力参数；
有了这个泵站标准化模型后，即使设备、仪表，或PLC系统、上位机系统的数据接口不同，归集后的模型化泵站运行数据都是标准化的，可以很方便地进行智能分析。
3、本发明在知识表达采用的IF-THEN规则中，增加了报警类别、报警等级和触发周期，来体现知识权值和使用要求，有利于AI分析/ES推理时采用启发式搜索策略，提高智能分析效率，也方便报警监控时声效控制策略的计算选择。
4、本发明对报警监控的人工干预人员设置了等级，在知识学习时，根据人工干预人员的等级及干预意见的一致性采纳知识。对等级高的人员的干预意见，一次性采纳意见；等级中等人员的三次干预中有二次意见相同或接近，则采纳意见；等级低人员的三次干预意见完全一致才采纳意见。
5、本发明通过对最近数据记录的完整性和有效性进行分析，诊断各泵站网络状态、数据通信丢包率。当网络通信出现异常或通信质量下降时及时报修，以保证智能分析所需的数据源源不断。
6、本发明设置了数据筛选、修补、校验、融合机制，提升数据源质量，提高智能分析效果。通过对历史数据记录的完整性、有效性、合理性、连续性进行分析，排除一些无效数据，以免影响分析结果；依据前后数据关系，通过插值计算，修补一些必要的数据，以使诊断分析顺利进行；通过对间隔性采集的冗余仪表数据或人工抄表数据与自动计算数据进行校验，并按相关设备运行数据同步同比进行连续性数据的分摊或配比，以便与自动计算数据进行智能融合。
7、本发明设置了气象（天气和雨量）记录自动获取功能，每小时定期从公网获取泵站所在地气象数据，并每天汇总当天气象数据，以便分析报表。
8、本发明通过对供电线路和工艺设备电力参数以及根据设备运行状态计算的电量数据进行关联分析（含三相不平衡分析），诊断电力异常。
9、本发明通过对供电线路和工艺设备电力参数以及根据设备运行状态计算的电量数据进行关联分析（含三相不平衡分析），诊断电力异常。
10、本发明通过对液位与水泵运行状态及进出水流量之间按水力模型进行关联分析，诊断液位异常。
11、本发明通过对上下游泵站流量、管道压力、水泵运行效率、天气雨量，按管网关系及管道水力模型进行关联分析，建立数据之间的通常相对关系；按相对关系的变异率，诊断流量异常；按流量异常程度诊断管道泄漏。
12、本发明通过对水泵开动数、泵池液位、后池（高位井）液位、出水流量/压力，按泵站水力模型进行关联分析，诊断水泵开动数异常。
13、本发明通过对管网流量、污水厂进水池液位、天气雨量、各泵站运行状态及负荷率，按管网关系及泵站能力进行关联分析，诊断泵站排水运行调度异常。
14、本发明的知识库在七个专业诊断分析知识库之上设立一个综合分析知识库，在专业诊断循环后再进行综合分析，诊断泵站及排水系统综合状态。
15、本发明通过数据库管理系统的存储过程作为ES推理机，通过数据库管理系统的作业代理来调用和触发AI诊断分析过程。
16、本发明的报警声效控制接口在新一轮警声播报之前，先对当前所有报警内容按报警等级、报警类别、报警循环周期、警声开关及报警内容量，进行警声播报内容进行智能精简组合，以保证在报警循环周期内播完重要的报警信息。
17、本发明的软件系统基于多种用户角色的权限管理，这些角色包括但不限于：泵站运行操作、维护人员，片区分控操作人员、管理员，排水公司中控人员、生产运行及主管、技术设备及主管、负责人，集团监管员、主管领导。
以上所述仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种基于人工智能的泵站运行异常诊断方法，其特征在于，包括如下步骤：
获取当前泵站的运行监测数据，并根据数据类型对所述运行监测数据进行分类存储，其中，所述运行监测数据中携带有运行信息；
建立针对于数据类型的异常事件，所述异常事件中携带有异常标签和异常信息；
在对应的数据类型中根据所述异常事件对所述运行监测数据进行扫描，提取所述运行监测数据中的运行信息与异常信息进行比对，并判断运行信息是否涵盖异常信息；
若是，则发出警示信息。
2.根据权利要求1所述的一种基于人工智能的泵站运行异常诊断方法，其特征在于，获取当前泵站的运行监测数据，并根据数据类型对所述运行监测数据进行分类存储，包括：
获取当前泵站的运行监测数据，并根据数据类型对所述运行监测数据进行分类存储；
或，
获取上一级泵站和下一级泵站的运行监测数据，并根据数据类型对上一级泵站的运行监测数据和下一级泵站的运行监测数据关联后进行分类存储。
3.根据权利要求1所述的一种基于人工智能的泵站运行异常诊断方法，其特征在于，建立针对于数据类型的异常事件，所述异常事件中携带有异常标签和异常信息，包括如下步骤：
异常信息中携带有异常参数，建立对异常参数的可编辑区域；
判断可编辑区域中是否填写有修改参数；
若是，则进一步判断修改账号的权限等级，若修改账号的权限等级超过预设的权限等级，则将修改参数替换异常参数。
4.根据权利要求1所述的一种基于人工智能的泵站运行异常诊断方法，其特征在于，在运行信息涵盖异常信息，则发出警示信息中，包括如下步骤：
建立异常事件的警示优先级；
获取运行信息涵盖异常信息时的警示发生时间；
基于涵盖异常信息的运行信息以生成运行信息集合，依次根据警示优先级、数据类型、警示发生时间以对运行信息集合进行排序；
根据运行信息集合从上往下依次发出运行信息语音播报的警示信息。
5.根据权利要求4所述的一种基于人工智能的泵站运行异常诊断方法，其特征在于，根据运行信息集合从上往下依次发出运行信息语音播报的警示信息，包括如下步骤：
建立警示信息的播报时长，所述播报时间为异常事件对所述运行监测数据进行扫描的扫描间隔；
基于运行信息集合中运行信息的数量、以及播报时长，为每个运行信息平均分配语音播报的发声时长。
6.一种基于人工智能的泵站运行异常诊断系统，其特征在于，包括：
获取模块，用于获取当前泵站的运行监测数据，并根据数据类型对所述运行监测数据进行分类存储，其中，所述运行监测数据中携带有运行信息；
建立模块，用于建立针对于数据类型的异常事件，所述异常事件中携带有异常标签和异常信息；
扫描模块，用于在对应的数据类型中根据所述异常事件对所述运行监测数据进行扫描，提取所述运行监测数据中的运行信息与异常信息进行比对，并判断运行信息是否涵盖异常信息；
警示模块，用于在运行信息是否涵盖异常信息时，发出警示信息。
7.根据权利要求6所述的一种基于人工智能的泵站运行异常诊断系统，其特征在于，所述获取模块，用于获取当前泵站的运行监测数据，并根据数据类型对所述运行监测数据进行分类存储；
或，
用于获取上一级泵站和下一级泵站的运行监测数据，并根据数据类型对上一级泵站的运行监测数据和下一级泵站的运行监测数据关联后进行分类存储。
8.根据权利要求6所述的一种基于人工智能的泵站运行异常诊断系统，其特征在于，所述建立模块包括：
编辑模块，异常信息中携带有异常参数，建立对异常参数的可编辑区域；
判断模块，用于判断可编辑区域中是否填写有修改参数；
替换模块，在可编辑区域中填写有修改参数，则进一步判断修改账号的权限等级，若修改账号的权限等级超过预设的权限等级，则将修改参数替换异常参数。
9.根据权利要求6所述的一种基于人工智能的泵站运行异常诊断系统，其特征在于，所述警示模块包括：
优先级模块，用于建立异常事件的警示优先级；
时间记录模块，用于获取运行信息涵盖异常信息时的警示发生时间；
排序模块，基于涵盖异常信息的运行信息以生成运行信息集合，依次根据警示优先级、数据类型、警示发生时间以对运行信息集合进行排序；
语音播放模块，根据运行信息集合从上往下依次发出运行信息语音播报的警示信息。
10.根据权利要求9所述的一种基于人工智能的泵站运行异常诊断系统，其特征在于，所述语音播放模块包括：
播放时长建立模块，建立警示信息的播报时长，所述播报时间为异常事件对所述运行监测数据进行扫描的扫描间隔；
播放时长播放模块，基于运行信息集合中运行信息的数量、以及播报时长，为每个运行信息平均分配语音播报的发声时长。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810132927.9A CN108345282B (zh) | 2018-02-09 | 2018-02-09 | 一种基于人工智能的泵站运行异常诊断方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810132927.9A CN108345282B (zh) | 2018-02-09 | 2018-02-09 | 一种基于人工智能的泵站运行异常诊断方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108345282A true CN108345282A (zh) | 2018-07-31 |
| CN108345282B CN108345282B (zh) | 2020-04-07 |
Family
ID=62959500
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810132927.9A Expired - Fee Related CN108345282B (zh) | 2018-02-09 | 2018-02-09 | 一种基于人工智能的泵站运行异常诊断方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108345282B (zh) |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108803545A (zh) * | 2018-08-10 | 2018-11-13 | 北京天安智慧信息技术有限公司 | 多参数联合分析报警方法及系统 |
| CN108880919A (zh) * | 2018-09-14 | 2018-11-23 | 北京天安智慧信息技术有限公司 | 物联网设备运行状态管理方法及系统 |
| CN109343585A (zh) * | 2018-11-13 | 2019-02-15 | 中广核核电运营有限公司 | 核电站集水坑液位控制方法、装置和液位控制器 |
| CN110826201A (zh) * | 2019-10-24 | 2020-02-21 | 深圳供电局有限公司 | 一种用于数据中心运维管理系统的三维可视化平台 |
| CN110989432A (zh) * | 2019-11-29 | 2020-04-10 | 北京京能电力股份有限公司 | 一种机组启停时序逻辑分析系统及方法 |
| CN112819294A (zh) * | 2021-01-14 | 2021-05-18 | 北京朗新明环保科技有限公司 | 一种智能化污水收集系统 |
| CN113052718A (zh) * | 2021-01-14 | 2021-06-29 | 北京朗新明环保科技有限公司 | 一种智能水务平台 |
| CN113721557A (zh) * | 2020-05-25 | 2021-11-30 | 中国石油化工股份有限公司 | 基于关联参数的石化装置运行工艺参数监测方法及装置 |
| CN114280966A (zh) * | 2020-09-28 | 2022-04-05 | 深圳市德安通科技有限公司 | 基于高性能dtu模块的设备运行状态采集仪及其采集方法 |
| CN114745401A (zh) * | 2022-03-22 | 2022-07-12 | 许馨 | 基于人工智能与物联网的接口访问方法、系统及云平台 |
| CN117094564A (zh) * | 2023-10-18 | 2023-11-21 | 山东朝启电子科技有限公司 | 一种基于数字孪生的智慧泵站管理系统 |
| CN117520999A (zh) * | 2024-01-08 | 2024-02-06 | 浙江德塔森特数据技术有限公司 | 一种边缘数据中心设备的智能运维方法和系统 |
| CN118706340A (zh) * | 2024-08-30 | 2024-09-27 | 江苏江海润液设备有限公司 | 一种润滑油泵站的泄漏检测方法及系统 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101349919A (zh) * | 2008-08-26 | 2009-01-21 | 浙江大学 | 泵站控制系统故障的远程视频诊断方法及其装置 |
| CN101917237A (zh) * | 2010-07-27 | 2010-12-15 | 北京全路通信信号研究设计院 | 一种铁路信号监测方法和系统 |
| JP2012138044A (ja) * | 2010-12-28 | 2012-07-19 | Toshiba Corp | プロセス状態監視装置 |
| CN103227734A (zh) * | 2013-04-27 | 2013-07-31 | 华南理工大学 | 一种OpenStack云平台异常的检测方法 |
| CN104808642A (zh) * | 2015-02-15 | 2015-07-29 | 北京博华信智科技股份有限公司 | 基于物联网的机泵群自动诊断方法 |
| CN106482785A (zh) * | 2016-10-17 | 2017-03-08 | 上海瀚所信息技术有限公司 | 一种综合管廊监测预警系统 |
| CN107269511A (zh) * | 2017-07-03 | 2017-10-20 | 西南交通大学 | 一种隔膜泵单向阀实时故障检测方法及系统 |
| CN107480731A (zh) * | 2017-09-06 | 2017-12-15 | 西安西热电站信息技术有限公司 | 一种火电厂汽动给水泵组故障特征的早期识别方法 |
-
2018
- 2018-02-09 CN CN201810132927.9A patent/CN108345282B/zh not_active Expired - Fee Related
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101349919A (zh) * | 2008-08-26 | 2009-01-21 | 浙江大学 | 泵站控制系统故障的远程视频诊断方法及其装置 |
| CN101917237A (zh) * | 2010-07-27 | 2010-12-15 | 北京全路通信信号研究设计院 | 一种铁路信号监测方法和系统 |
| JP2012138044A (ja) * | 2010-12-28 | 2012-07-19 | Toshiba Corp | プロセス状態監視装置 |
| CN103227734A (zh) * | 2013-04-27 | 2013-07-31 | 华南理工大学 | 一种OpenStack云平台异常的检测方法 |
| CN104808642A (zh) * | 2015-02-15 | 2015-07-29 | 北京博华信智科技股份有限公司 | 基于物联网的机泵群自动诊断方法 |
| CN106482785A (zh) * | 2016-10-17 | 2017-03-08 | 上海瀚所信息技术有限公司 | 一种综合管廊监测预警系统 |
| CN107269511A (zh) * | 2017-07-03 | 2017-10-20 | 西南交通大学 | 一种隔膜泵单向阀实时故障检测方法及系统 |
| CN107480731A (zh) * | 2017-09-06 | 2017-12-15 | 西安西热电站信息技术有限公司 | 一种火电厂汽动给水泵组故障特征的早期识别方法 |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108803545A (zh) * | 2018-08-10 | 2018-11-13 | 北京天安智慧信息技术有限公司 | 多参数联合分析报警方法及系统 |
| CN108880919A (zh) * | 2018-09-14 | 2018-11-23 | 北京天安智慧信息技术有限公司 | 物联网设备运行状态管理方法及系统 |
| CN109343585A (zh) * | 2018-11-13 | 2019-02-15 | 中广核核电运营有限公司 | 核电站集水坑液位控制方法、装置和液位控制器 |
| CN110826201A (zh) * | 2019-10-24 | 2020-02-21 | 深圳供电局有限公司 | 一种用于数据中心运维管理系统的三维可视化平台 |
| CN110826201B (zh) * | 2019-10-24 | 2023-11-03 | 深圳供电局有限公司 | 一种用于数据中心运维管理系统的三维可视化平台 |
| CN110989432A (zh) * | 2019-11-29 | 2020-04-10 | 北京京能电力股份有限公司 | 一种机组启停时序逻辑分析系统及方法 |
| CN113721557A (zh) * | 2020-05-25 | 2021-11-30 | 中国石油化工股份有限公司 | 基于关联参数的石化装置运行工艺参数监测方法及装置 |
| CN114280966A (zh) * | 2020-09-28 | 2022-04-05 | 深圳市德安通科技有限公司 | 基于高性能dtu模块的设备运行状态采集仪及其采集方法 |
| CN113052718A (zh) * | 2021-01-14 | 2021-06-29 | 北京朗新明环保科技有限公司 | 一种智能水务平台 |
| CN112819294A (zh) * | 2021-01-14 | 2021-05-18 | 北京朗新明环保科技有限公司 | 一种智能化污水收集系统 |
| CN114745401A (zh) * | 2022-03-22 | 2022-07-12 | 许馨 | 基于人工智能与物联网的接口访问方法、系统及云平台 |
| CN117094564A (zh) * | 2023-10-18 | 2023-11-21 | 山东朝启电子科技有限公司 | 一种基于数字孪生的智慧泵站管理系统 |
| CN117094564B (zh) * | 2023-10-18 | 2024-02-02 | 山东朝启电子科技有限公司 | 一种基于数字孪生的智慧泵站管理系统 |
| CN117520999A (zh) * | 2024-01-08 | 2024-02-06 | 浙江德塔森特数据技术有限公司 | 一种边缘数据中心设备的智能运维方法和系统 |
| CN117520999B (zh) * | 2024-01-08 | 2024-04-05 | 浙江德塔森特数据技术有限公司 | 一种边缘数据中心设备的智能运维方法和系统 |
| CN118706340A (zh) * | 2024-08-30 | 2024-09-27 | 江苏江海润液设备有限公司 | 一种润滑油泵站的泄漏检测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108345282B (zh) | 2020-04-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108345282A (zh) | 一种基于人工智能的泵站运行异常诊断方法及系统 | |
| CN110320892A (zh) | 基于Lasso回归的污水处理设备故障诊断系统及方法 | |
| CN104281130B (zh) | 一种基于大数据技术的水电设备监测和故障诊断系统 | |
| CN107741738A (zh) | 一种污水处理过程监控智能预警云系统及污水处理监测预警方法 | |
| US7289923B2 (en) | System and method for fluid distribution | |
| CN115545678A (zh) | 一种基于水环境画像与污染物溯源的水质监测方法 | |
| KR101301072B1 (ko) | 정수처리장의 수질센서 및 원격 모니터링 시스템에 기반한 전문가 의사결정 시스템 | |
| CN107065824A (zh) | 一种水电机组远程故障诊断开放式平台 | |
| CN109062756A (zh) | 一种数据中心集中预警监测的方法和系统 | |
| CN113494939A (zh) | 一种农村生活污水分散式监测方法 | |
| CN202649799U (zh) | 一种无人值守型水库供水控制及管理系统 | |
| CN112666885A (zh) | 基于工业互联网环保设备监控管理平台 | |
| CN113311799B (zh) | 城市排水运行调度决策系统及构建方法 | |
| CN107316114A (zh) | 造纸行业的电力需求侧智能化监测与管理分析平台 | |
| CN106292596A (zh) | 一种污水处理厂智能管理专家诊断系统 | |
| CN115220403A (zh) | 一种组态化的火电厂智能监盘预警及故障诊断系统 | |
| CN118094262B (zh) | 一种基于空间聚类的负荷异常值检测方法 | |
| CN111538643A (zh) | 一种监控系统报警信息过滤方法和系统 | |
| CN117196120A (zh) | 一种用户用水行为分析算法 | |
| CN118192400A (zh) | 一种智慧泵站自动管理与控制方法 | |
| CN115146977A (zh) | 一种基于物联网的企业能效数据管理方法及系统 | |
| CN117370818B (zh) | 基于人工智能的供排水管网智能诊断方法及智慧环保系统 | |
| CN113269435B (zh) | 一种新能源场站运行状态耦合监测评估系统 | |
| CN112232632A (zh) | 一种基于haccp的供水系统运行管理关键技术评估方法 | |
| CN106871963A (zh) | 一种水库供水实时监测管理系统 |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200407 |