CN108491580A - 一种设备故障诊断装置及系统 - Google Patents
一种设备故障诊断装置及系统 Download PDFInfo
- Publication number
- CN108491580A CN108491580A CN201810161554.8A CN201810161554A CN108491580A CN 108491580 A CN108491580 A CN 108491580A CN 201810161554 A CN201810161554 A CN 201810161554A CN 108491580 A CN108491580 A CN 108491580A
- Authority
- CN
- China
- Prior art keywords
- data
- diagnostor
- collection
- fault diagnosis
- diagnosis device
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
根据本发明的设备故障诊断装置及系统,设备故障诊断装置中,管理用储存部至少存储有冷水机组故障的历史数据,数据处理部对历史数据进行预处理,得到处理后的初始训练集数据,诊断器构建部选择径向基核函数作为SVM(支持向量机)的核函数,构建诊断器模型,诊断器训练部将处理后的初始训练集数据应用在诊断器模型中进行训练后得到初始诊断器,新数据采集处理部现场采集新数据,并对新数据进行预处理得到新样本集数据,诊断器更新部采用新样本集自适应更新初始诊断器并得到最终诊断器,运行数据采集处理部实时采集设备的运行数据并进行预处理,运行数据追加部将预处理后的运行数据追加到最终诊断器中,诊断结果生成部生成最终诊断器产生的诊断结果。
Description
技术领域
本发明涉及一种设备故障诊断装置及系统,具体涉及一种冷水机组故障诊断装置及系统。
背景技术
暖通空调系统是多变量、多状态、强耦合系统,长期处于变工况,部分负荷运行状态。它向来是工业设备,家用电器中的耗能大户。而冷水机组是暖通空调系统中最重要的设备,也是耗能最大的设备。由于多种原因,使设备经常出现故障。并且,随着设备的自动化和高度集成化,设备的成本和维护费用也在急剧增加。因此,及时发现其故障征兆并在故障将要发生时予以排除,对减少设备能耗,提高人们的舒适度有很重要的意义。在过去几十年里,冷水机组故障检测与诊断(fault detection and diagnosis,FDD)的发展一直是研究的热点之一。
目前,应用在暖通空调系统中的FDD方法主要为三大类:基于定量模型的方法、基于定性模型的方法、基于过程历史数据的方法。因制冷系统较为复杂,知识获取困难,为前两者的研究带来诸多不便;而基于过程历史数据方法则完全依靠数据本身建立模型,不需要先验知识,即可从丰富的数据中提炼出有用的信息,因此基于过程历史数据的方法在制冷系统的FDD中得到了很好的推广。
支持向量机(Support Vector Machine,简称SVM)是Vapnik领导的研究小组提出的一种新型通用的有监督的机器学习方法。它建立在结构最小化原则基础之上,具有很强的学习能力和泛化性能,能够较好的解决小样本、高维数、非线性、局部极小等问题,可以有效的进行分类、回归、密度估计等。暖通空调制冷系统很难一次性采集全部故障样本,需要机器在运行过程中通过不断的学习丰富诊断检测系统,适应冷水机组复杂多变的特性,提高诊断检测的正确率,这样会使训练数据样本庞大,而SVM本质上求解的是一个凸二次优化问题,其时间复杂度和空间复杂度均较高,尤其在处理大规模数据时学习效率很低,需要寻找一个高效的解决方案。
发明内容
本发明为了解决上述问题,一方面的目的在于提供一种基于支持向量机增量学习的设备故障诊断装置及系统。
本发明提供了一种设备故障诊断装置,具有这样的特征,包括:管理用储存部、数据处理部、诊断器构建部、诊断器训练部、新数据采集处理部、诊断器更新部、运行数据处理部、运行数据追加部以及诊断结果生成部,管理用储存部至少存储有冷水机组故障的历史数据,包括初始训练集数据,数据处理部对历史数据进行预处理,得到处理后的初始训练集数据,诊断器构建部选择径向基核函数作为SVM(支持向量机)的核函数,构建诊断器模型,诊断器训练部将处理后的初始训练集数据应用在诊断器模型中进行训练后得到初始诊断器,新数据采集处理部现场采集新数据,并对新数据进行预处理得到新样本集数据,诊断器更新部采用新样本集自适应更新初始诊断器并得到最终诊断器,运行数据采集处理部实时采集设备的运行数据并进行预处理,运行数据追加部将预处理后的运行数据追加到最终诊断器中,诊断结果生成部生成最终诊断器产生的诊断结果。
在本发明提供的设备故障诊断装置中,还可以具有这样的特征:其中,预处理采用归一化处理。
另外,在本发明提供的设备故障诊断装置中,还可以具有这样的特征:其中,径向基核函数的表达式为:
σ为径向基函数的宽度,g是径向基核参数,x为判别样本;xi为训练样本。
另外,在本发明提供的设备故障诊断装置中,还可以具有这样的特征:其中,诊断器模型的表达式为:
sgn为符号函数,为判定样本的类别;α为Lagrange乘数;b为阈值,i表示样本序列号,N表示样本总个数。
另外,在本发明提供的设备故障诊断装置中,其特征在于,还包括:
参数优化部,该参数优化部采用交叉验证的方法优化径向基核函数中的参数,参数包括径向基核参数g。
另外,在本发明提供的设备故障诊断装置中,还可以具有这样的特征:其中,采用交叉验证的方法优化惩罚系数C和核参数g,对训练样本进行训练时,log2c设定-10到10之间,内核参数log2g设定-10到10,执行交叉验证参数寻优程序,选取最优参数best c作为惩罚参数,选取最优内核参数best g作为核参数。
另外,在本发明提供的设备故障诊断装置中,还可以具有这样的特征:其中,诊断器更新部更新初始诊断器包括以下步骤:
使用初始训练集数据训练SVM得到初始诊断器,初始训练集数据包括第一支持向量集数据;新样本集数据应用在初始诊断器后,得到的数据包括诊断错误的数据,即第一测试错误集数据;如果第一测试错误集数据为零,则迭代结束,不更新初始诊断器,否则将第一测试错误集数据与第一支持向量集数据作为第一训练样本集数据对初始诊断器进行训练,得到新诊断器,同时获得第二支持向量集数据;用新样本集数据和新数据验证新诊断器,得到的数据包括诊断错误的数据,即第二测试错误集数据;如果第二测试错误集数据等于零,新诊断器为最终诊断器;否则将第一支持向量集数据、第二支持向量集数据、第一测试错误集数据以及第二测试错误集数据作为第二训练样本集数据对新诊断器进行训练,得到最终诊断器。
另外,在本发明提供的设备故障诊断装置中,其特征在于,还包括:故障报警部,用于设备发生故障时进行报警。
本发明提供一种设备故障诊断系统,具有这样的特征,包括数据采集装置;以及设备故障诊断装置,设备故障诊断装置为上述的任意一种的设备故障诊断装置,其中,设备故障诊断装置中的管理用储存部存储有来自数据采集装置采集的数据。
在本发明提供的设备故障诊断系统中,还可以具有这样的特征:其中,数据采集装置与设备故障诊断装置通信连接,设备故障诊断装置为固定终端和移动终端中的任意一种。
另外,在本发明提供的设备故障诊断系统中,还可以具有这样的特征:其中,固定终端包括台式电脑,移动终端包括智能手机、平板电脑。
发明的作用与效果
根据本发明所涉及的设备故障诊断装置及系统。该装置首先使用交叉验证算法优化支持向量机的参数,构建冷水机组故障诊断器;当出现对新的冷水机组运行数据,诊断器需要适应新的运行工况,先用原诊断器分类,对分类错误的数据与诊断器的支持向量合并训练新的诊断器,下一步用新诊断器对所有数据分类,将两次分类错误的数据与两个诊断器的支持向量集数据合并训练新诊断器后得到最终诊断器。
相比于原始的简单的将所有数据用于训练诊断器,本发明的装置在保证测试精度的同时能够有效地舍去对最终分类结果无用的数据,从而缩减训练时间。
本发明装置及系统可有效应用于各种设备故障诊断,具有适应能力强、诊断正确率高、训练时间少、计算量小等特点。
附图说明
图1是本发明的实施例中设备故障诊断系统结构框图;
图2是本发明的实施例中设备故障诊断装置结构框图;以及
图3是本发明的实施例中设备故障诊断装置支持向量机增量学习诊断流程图。
具体实施方式
为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解,以下实施例结合附图对本发明的设备故障诊断装置及系统作具体阐述。
实施例
实施例中设备故障诊断系统100用于冷水机组的故障诊断。
图1是本发明的实施例中设备故障诊断系统结构框图。
如图1所示,设备故障诊断系统100包括数据采集装置10、设备故障诊断装置20以及通信网络40。
其中,设备故障诊断装置20中存储有来自数据采集装置10采集的数据。
数据采集装置10与设备故障诊断装置20也可以采取通信连接,通信连接包括有线连接和无线连接,本实施例为无线连接。
数据采集装置10包括多个采集件、控制单元以及采集侧通信单元。
多个采集件分别设置在冷水机组上,用于采集冷水机组上不同部位的运行数据。收集若干实验或现场存储的冷水机组故障历史数据。本实施例中的实验数据来自一台90冷吨(约316kW)的离心式冷水机组。在实验室条件下通过特殊设计的试验台模拟冷水机组的7种典型的渐变故障,每一种故障都在27种工况下进行测试,收集了大量的实验数据。这些数据包括正常运行和故障运行下的数据。本实施例针对冷水机组7种不易检测的渐变故障进行诊断分析,局部故障有冷凝器结构、冷凝器侧水流量不足制冷剂中含不凝性气体、蒸发器侧水流量不足,系统故障有制冷剂泄漏/充注量不足、润滑油过量、制冷剂充注过量。数据集共有8种类别,七种故障和一种正常类别,从制冷系统采集及计算得到共64个特征,它们可以用于构建诊断模型,诊断制冷系统发生的故障类别。
控制单元与多个采集件相连,采集来自采集件的相关数据并进行存储,也可以显示在控制单元的屏幕上。
采集侧通信单元用于将控制单元中存储的相关运行数据发送给设备故障诊断装置20。本实施例中,采集侧通信单元采用无线通信的方式通过通信网络40进行数据发送。
如图2所示,设备故障诊断装置20包括诊断侧通信部21、管理用储存部22、数据处理部23、诊断器构建部24、诊断器训练部25、新数据采集处理部26、诊断器更新部27、运行数据处理部28、运行数据追加部29、诊断结果生成部30、故障报警部31以及控制上述各部的诊断侧控制部32。
诊断侧通信部21接收来自采集侧通信单元的相关数据,本实施例中,诊断侧通信部21采用无线通信的方式通过通信网络40进行数据接收。
管理用储存部22至少存储有诊断侧通信部21接收的来自采集侧通信单元的相关数据包括现场采集的新数据、实时采集冷水机组运行数据以及冷水机组故障的历史数据,该冷水机组故障的历史数据包括初始训练集数据。
初始训练集为从实验数据中随机选取1600(200×8)个历史数据而成,共8种类型,每种类型200个数据。
数据处理部23对历史数据进行预处理后,得到处理后的初始训练集数据。
数据处理部23对历史数据进行预处理,得到处理后的初始训练集数据。预处理采用归一化处理。
Max—Min归一化将特征的值缩放到区间[0,1];
其中,xi是一个特定的样本,xmin和xmax分别是某特征列的最小值和最大值。
诊断器构建部24选择径向基核函数作为SVM(支持向量机)的核函数,构建诊断器模型。
实施例中,诊断器构建部24选择径向基核函数作为SVM(支持向量机)的核函数,构建基于SVM的诊断器模型。
用径向基核函数作为SVM的核函数,采用交叉验证的方法优化惩罚系数C,核参数g,构建基于SVM模型的故障诊断器,运用在制冷系统中。
SVM是建立在统计学习理论和结构风险最小化原则基础上的新型学习机器,它根据有限样本信息在模型中的复杂性与学习能力之间寻求最佳折衷,以获得最强的推广能力。制冷系统故障诊断是多分类非线性问题,多分类可以简化为一个二分类问题,非线性问题可以通过非线性变化转化为某个高维空间中的线性问题,在变换空间中寻找最优超平面。
这里主要介绍支持向量机二分类问题。给定训练样本集通过非线性函数Ф将数据样本从原始空间映射到一个高维特征空间在
中构造最优分类面,使得训练数据被超平面分开,通过引入满足Mercer条件的核函数求解二次规划问题:
式中:maxQ(α)为二次规划函数;xi,xj为训练集的样本;为判定样本的类别;α为Lagrange乘数;C为惩罚系数,可实现分类间隔与错误率之间的折衷。利用KKT(Karush-Kuhn-Tucker)最优化条件求得阈值b,从而得到最优分类决策函数,将其作为故障诊断器模型。
故障诊断器模型的表达式为:
式中:x为判别样本;xi为训练样本;sgn为符号函数,为判定样本的类别;α为Lagrange乘数;b为阈值,i表示样本序列号,N表示样本总个数。
由f(x)的正负即可判别样本x所属的类别。
本发明选取径向基核函数:
式中:g为核参数
确定参数:制冷系统故障诊断属于非线性分类,该模型需设定惩罚参数C,核参数g,对训练样本进行训练时,log2c设定-10到10之间,内核参数log2g设定-10到10,之然后执行交叉验证参数寻优程序,选取最优参数bestc作为惩罚参数间,选取最优内核参数best g作为核参数。
诊断器训练部25将处理后的初始训练集数据应用在诊断器模型中进行训练后得到初始诊断器。
新数据采集处理部26对现场采集的新数据标定故障类别并对新数据进行预处理,得到新样本集数据。
当出现新的冷水机组工作模式、诊断性能下降等状况,对现场采集的新数据标定故障类别,实施例中现场采集6组新数据,每组800个数据,并对新数据进行预处理,得到新样本集,新样本集分为6组新数据(增量1,增量2,增量3,增量,增量5,增量6),每组800个数据,依次进行增量学习模拟验证。
诊断器更新部27采用增量学习的方法并使用新样本集数据自适应更新初始诊断器,得到最终诊断器,用于冷水机组系统故障诊断,更新初始诊断器包括以下步骤:
使用初始训练集数据训练诊断器模型得到初始诊断器,初始训练集数据包括第一支持向量集数据;
支持向量机为有监督学习,即事先知道故障的特征数据与故障类别,当将训练的诊断器用于故障诊断时,即将特征数据带入诊断器,可以得到故障类别,此类别与已知的类别不一样,则为诊断错误的数据,否则为诊断正确的数据。新样本集数据应用在初始诊断器后,得到的数据包括诊断错误的数据,即第一测试错误集数据;如果第一测试错误集数据为零,则迭代结束,不更新初始诊断器,否则将第一测试错误集数据与第一支持向量集数据作为第一训练样本集数据对初始诊断器进行训练,得到新诊断器,同时获得第二支持向量集数据;
用新样本集数据和新数据验证新诊断器,得到的数据包括诊断错误的数据,即第二测试错误集数据;如果第二测试错误集数据等于零,新诊断器为最终诊断器;否则将第一支持向量集数据、第二支持向量集数据、第一测试错误集数据以及第二测试错误集数据作为第二训练样本集数据对新诊断器进行训练,得到最终诊断器。
每次增量学习后的诊断器对测试数据进行检测诊断,验证其诊断性能。
运行数据处理部28从管理用储存部22存储的实时采集冷水机组运行数据中,随机选取1600组运行数据进行预处理后得到处理后的运行数据。
运行数据追加部29将预处理后运行数据追加到最终诊断器中。
诊断结果生成部30从最终诊断器中生成诊断结果,该诊断结果包括发生故障或无故障,如果是发生故障,进行故障报警,否则进行人工判断。
人为检测诊断结果是否正确,判断是否停止制冷系统运行。判断为否,继续更新新样本集数据并自适应更新初始诊断器,判断为是,制冷系统运行停止,诊断工作结束。
故障报警部31用于冷水机组发生故障时进行报警。
诊断侧控制部32用于对上述设备故障诊断装置20的各部进行控制。
设备故障诊断装置20为固定终端和移动终端中的任意一种。固定终端包括台式电脑,移动终端包括智能手机、平板电脑。
实施例中,设备故障诊断装置20为台式电脑。
如图3所示,支持向量机增量学习诊断流程:
A1,开始建立冷水机组诊断器模块;
A2,收集冷水机组故障历史数据;
A3,对A2中的历史数据进行预处理;
A4,构建基于SVM模型的诊断器;
A5,现场采集新数据,更新A4中的初始诊断器,如果要更新,采用增量学习方法回到A4;如果不更新,进入下一步;
A6,结束建立诊断器模块。
B1,开始建立诊断模块;
B2,实时采集冷水机组制冷过程的数据;
B3,对B2中的数据进行预处理;
B4,将B2中预处理后的数据输入到A4建立的诊断器中,得到诊断结果,如果发生故障,进入下一步,如果无故障,进入下B5;
B41,进行故障报警后,进入下一步;
B5,人工判断是否停止制冷系统运行,判断为否,回到B2,判断为是,制冷系统运行停止,进入下一步;
B6,诊断工作结束。
结果分析
表1为冷水机组两种诊断器诊断结果分析,其中,经典SVM学习是指采用全部数据训练得到诊断模型,增量次数代表了采集新数据的编号,正确率表示测试样本被正确诊断占测试总样本的比率,训练样本数表示参与建立诊断模型的样本个数,时间表示建立模型耗时。诊断器的诊断正确率随新数据的加入,从初始正确率为83.88%升至97.87%,新数据的加入提高了诊断正确率,提高了诊断模型的稳定性,所以在制冷系统实际运行时,需要根据运行情况采集新数据,以适应制冷系统和提高诊断模型的稳定性。经典SVM学习结果与增量SVM诊断正确率差距较小,且有逐渐缩小的趋势,最大相差1.00%,最后的学习结果中两者的正确率相差0.15%。增量SVM在训练样本数明显上少于经典SVM学习方法,增量SVM的训练样本数少于经典SVM,但前者的运算复杂度高于后者,所以在开始学习阶段两者训练样本数相差不明显时,即前4次增量学习,增量SVM在训练时间上并不优于经典SVM;不断的深入学习,增量SVM表现出时间优势,从增量5和增量6学习中可以看出。以上分析表明随着学习的不断深入,本发明的方法具有高正确率、训练时间少,且计算量小的优势。
表1冷水机组两种诊断器诊断结果分析
实施例的作用与效果
本实施例的设备故障诊断系统基于支持向量机增量学习的冷水机组自适应故障诊断方法,以SVM作为诊断器,当制冷系统出现新的工作模式或者诊断性能下降时,需要添加新的训练数据,使诊断器适应当前的冷水机组运行模式。本发明提出的方法可有效应用于冷水机组故障诊断,具有适应能力强、诊断正确率高、训练时间少、计算量小等特点。
另外,采集的新数据采用增量学习方法进一步学习,该方法只选择可能对诊断器有重要贡献的数据来学习并训练诊断器,剔除没有贡献的数据,从而能最大化的节省时间,同时保证诊断正确率的提高。
上述实施方式为本发明的优选案例,并不用来限制本发明的保护范围。
Claims (10)
1.一种设备故障诊断装置,其特征在于,包括:
管理用储存部、数据处理部、诊断器构建部、诊断器训练部、新数据采集处理部、诊断器更新部、运行数据处理部、运行数据追加部以及诊断结果生成部,
所述管理用储存部至少存储有所述冷水机组故障的历史数据,包括初始训练集数据,
所述数据处理部对所述历史数据进行预处理,得到处理后的初始训练集数据,
所述诊断器构建部选择径向基核函数作为SVM(支持向量机)的核函数,构建诊断器模型,
所述诊断器训练部将处理后的所述初始训练集数据应用在所述诊断器模型中进行训练后得到初始诊断器,
所述新数据采集处理部现场采集新数据,并对所述新数据进行预处理得到新样本集数据,
所述诊断器更新部采用所述新样本集自适应更新所述初始诊断器并得到最终诊断器,
所述运行数据采集处理部实时采集所述设备的运行数据并进行预处理,
所述运行数据追加部将预处理后的所述运行数据追加到所述最终诊断器中,
所述诊断结果生成部生成所述最终诊断器产生的诊断结果。
2.根据权利要求1所述的设备故障诊断装置,其特征在于:
其中,所述预处理采用归一化处理。
3.根据权利要求1所述的设备故障诊断装置,其特征在于:
其中,所述径向基核函数的表达式为:
σ为所述径向基函数的宽度,g是径向基核参数,x为判别样本;xi为训练样本。
4.根据权利要求3所述的设备故障诊断装置,其特征在于:
其中,所述诊断器模型的表达式为:
sgn为符号函数,yi为判定样本的类别;α为Lagrange乘数;b为阈值,i表示样本序列号,N表示样本总个数。
5.根据权利要求3所述的设备故障诊断装置,其特征在于,还包括:
参数优化部,该参数优化部采用交叉验证的方法优化所述所述径向基核函数中的参数,所述参数包括所述径向基核参数g。
6.根据权利要求1所述的设备故障诊断装置,其特征在于:
其中,所述诊断器更新部更新所述初始诊断器包括以下步骤:
使用所述初始训练集数据训练所述诊断器模型得到初始诊断器,所述初始训练集数据包括第一支持向量集数据;
所述新样本集数据应用在所述初始诊断器后,得到的数据包括第一测试错误集数据;如果所述第一测试错误集数据为零,则迭代结束,不更新所述初始诊断器,否则将所述第一测试错误集数据与所述第一支持向量集数据作为第一训练样本集数据对所述初始诊断器进行训练,得到新诊断器,同时获得第二支持向量集数据;
用所述新样本集数据和所述新数据验证所述新诊断器,得到的数据包括第二测试错误集数据;如果所述第二测试错误集数据等于零,所述新诊断器为最终诊断器;否则将所述第一支持向量集数据、所述第二支持向量集数据、所述第一测试错误集数据以及所述第二测试错误集数据作为第二训练样本集数据对所述新诊断器进行训练,得到所述最终诊断器。
7.根据权利要求1所述的设备故障诊断装置,其特征在于,还包括:
故障报警部,用于设备发生故障时进行报警。
8.一种设备故障诊断系统,其特征在于,包括:
数据采集装置;以及
设备故障诊断装置,所述设备故障诊断装置为权利要求1-8中任意一种所述的设备故障诊断装置,
其中,所述设备故障诊断装置中的所述管理用储存部存储有来自所述数据采集装置采集的数据。
9.根据权利要求8所述的设备故障诊断系统,其特征在于:
其中,所述数据采集装置与所述设备故障诊断装置通信连接,
所述设备故障诊断装置为固定终端和移动终端中的任意一种。
10.根据权利要求9所述的设备故障诊断系统,其特征在于:
其中,所述固定终端包括台式电脑,
所述移动终端包括智能手机、平板电脑。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810161554.8A CN108491580A (zh) | 2018-02-26 | 2018-02-26 | 一种设备故障诊断装置及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810161554.8A CN108491580A (zh) | 2018-02-26 | 2018-02-26 | 一种设备故障诊断装置及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108491580A true CN108491580A (zh) | 2018-09-04 |
Family
ID=63340730
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810161554.8A Pending CN108491580A (zh) | 2018-02-26 | 2018-02-26 | 一种设备故障诊断装置及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108491580A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109902373A (zh) * | 2019-02-21 | 2019-06-18 | 国网山东省电力公司临沂供电公司 | 一种辖区变电站故障诊断、定位方法及系统 |
CN109947080A (zh) * | 2019-03-21 | 2019-06-28 | 北京明略软件系统有限公司 | 一种故障诊断的方法、装置、计算机存储介质及终端 |
CN111190349A (zh) * | 2019-12-30 | 2020-05-22 | 中国船舶重工集团公司第七一一研究所 | 船舶机舱设备状态监测及故障诊断方法、系统及介质 |
CN112164153A (zh) * | 2020-09-22 | 2021-01-01 | 厦门德威智联科技有限公司 | 一种ai边缘计算故障诊断器 |
CN112766396A (zh) * | 2021-01-27 | 2021-05-07 | 昆仑数智科技有限责任公司 | 一种设备异常的检测系统、方法、计算机设备和介质 |
CN113203589A (zh) * | 2021-04-29 | 2021-08-03 | 华中科技大学 | 一种用于多联机空调系统的分布式故障诊断方法及系统 |
CN113537519A (zh) * | 2020-04-10 | 2021-10-22 | 北京京东乾石科技有限公司 | 一种识别异常设备的方法和装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104462846A (zh) * | 2014-12-22 | 2015-03-25 | 山东鲁能软件技术有限公司 | 一种基于支持向量机的设备故障智能诊断方法 |
CN106199412A (zh) * | 2016-07-01 | 2016-12-07 | 太原理工大学 | 一种永磁机构高压真空断路器故障模式识别方法 |
CN107316046A (zh) * | 2017-03-09 | 2017-11-03 | 河北工业大学 | 一种基于增量补偿动态自适应增强的故障诊断方法 |
-
2018
- 2018-02-26 CN CN201810161554.8A patent/CN108491580A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104462846A (zh) * | 2014-12-22 | 2015-03-25 | 山东鲁能软件技术有限公司 | 一种基于支持向量机的设备故障智能诊断方法 |
CN106199412A (zh) * | 2016-07-01 | 2016-12-07 | 太原理工大学 | 一种永磁机构高压真空断路器故障模式识别方法 |
CN107316046A (zh) * | 2017-03-09 | 2017-11-03 | 河北工业大学 | 一种基于增量补偿动态自适应增强的故障诊断方法 |
Non-Patent Citations (2)
Title |
---|
孔筱筱: "基于增量学习支持向量机集成算法的轨道电路故障诊断方法", 《哈尔滨铁道科技》 * |
韩华: "基于顺序集成方法的制冷系统故障检测与诊断研究", 《中国博士学位论文全文数据库(工程科技Ⅱ辑)》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109902373A (zh) * | 2019-02-21 | 2019-06-18 | 国网山东省电力公司临沂供电公司 | 一种辖区变电站故障诊断、定位方法及系统 |
CN109902373B (zh) * | 2019-02-21 | 2023-06-23 | 国网山东省电力公司临沂供电公司 | 一种辖区变电站故障诊断、定位方法及系统 |
CN109947080A (zh) * | 2019-03-21 | 2019-06-28 | 北京明略软件系统有限公司 | 一种故障诊断的方法、装置、计算机存储介质及终端 |
CN111190349A (zh) * | 2019-12-30 | 2020-05-22 | 中国船舶重工集团公司第七一一研究所 | 船舶机舱设备状态监测及故障诊断方法、系统及介质 |
CN113537519A (zh) * | 2020-04-10 | 2021-10-22 | 北京京东乾石科技有限公司 | 一种识别异常设备的方法和装置 |
CN113537519B (zh) * | 2020-04-10 | 2024-05-24 | 北京京东乾石科技有限公司 | 一种识别异常设备的方法和装置 |
CN112164153A (zh) * | 2020-09-22 | 2021-01-01 | 厦门德威智联科技有限公司 | 一种ai边缘计算故障诊断器 |
CN112766396A (zh) * | 2021-01-27 | 2021-05-07 | 昆仑数智科技有限责任公司 | 一种设备异常的检测系统、方法、计算机设备和介质 |
CN113203589A (zh) * | 2021-04-29 | 2021-08-03 | 华中科技大学 | 一种用于多联机空调系统的分布式故障诊断方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108491580A (zh) | 一种设备故障诊断装置及系统 | |
CN108376264A (zh) | 一种基于支持向量机增量学习的冷水机组故障诊断方法 | |
Li et al. | An improved fault detection method for incipient centrifugal chiller faults using the PCA-R-SVDD algorithm | |
Fan et al. | A framework for knowledge discovery in massive building automation data and its application in building diagnostics | |
Zhou et al. | A comparison study of basic data-driven fault diagnosis methods for variable refrigerant flow system | |
CN113792762B (zh) | 基于贝叶斯优化LightGBM的冷水机组故障诊断方法、系统及介质 | |
KR102296329B1 (ko) | 예측 공조로 최적화 운전이 가능한 스마트 공기 조화 시스템 | |
Shen et al. | Augmented data driven self-attention deep learning method for imbalanced fault diagnosis of the HVAC chiller | |
CN110425694A (zh) | 基于phm的高铁智能车站暖通空调能效控制管理方法 | |
CN114484731A (zh) | 一种基于stacking融合算法的中央空调故障诊断方法及装置 | |
Sun et al. | Optimization of support vector regression model based on outlier detection methods for predicting electricity consumption of a public building WSHP system | |
CN112097365A (zh) | 基于预测和分类模型的空调故障检测与辩识方法及装置 | |
CN111486555A (zh) | 一种人工智能ai专家系统进行中央空调节能调控的方法 | |
CN110727257A (zh) | 基于k均值聚类算法的设备运行诊断方法和装置 | |
Albayati et al. | Semi-supervised machine learning for fault detection and diagnosis of a rooftop unit | |
CN107036238A (zh) | 动态预测外气与负载智慧节能控制方法 | |
CN113405223A (zh) | 一种基于grnn的冷机台数控制方法及其控制系统 | |
CN114358124A (zh) | 基于深度对抗卷积神经网络的旋转机械新故障诊断方法 | |
CN117032120A (zh) | 集成一体式空压站智能云控制系统及控制方法 | |
CN115758083A (zh) | 一种基于时域和时频域融合的电机轴承故障诊断方法 | |
Li et al. | Simulated annealing wrapped generic ensemble fault diagnostic strategy for VRF system | |
CN117346129A (zh) | 锅炉高温过热器外包低温受热面的温度调控系统 | |
CN116821846A (zh) | 一种空调外机在线一体化快速检测方法、系统和设备 | |
Guo et al. | Labeling modes of operation and extracting features for fault detection with cloud-based thermostat data | |
Cheng et al. | Abnormal energy consumption detection using ensemble model for water chilling unit on HVAC system |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180904 |