CN108664696B - 一种冷水机组运行状态的测评方法及装置 - Google Patents
一种冷水机组运行状态的测评方法及装置 Download PDFInfo
- Publication number
- CN108664696B CN108664696B CN201810280894.2A CN201810280894A CN108664696B CN 108664696 B CN108664696 B CN 108664696B CN 201810280894 A CN201810280894 A CN 201810280894A CN 108664696 B CN108664696 B CN 108664696B
- Authority
- CN
- China
- Prior art keywords
- time
- model
- dynamic
- real
- water chilling
- 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
Links
Images
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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种冷水机组运行状态的测评方法及装置,该方法包括:实时获取冷水机组的实时监测数据;根据预设时间段内的历史监测数据和实时监测数据,构建预设动态模型;根据预设动态模型与实时监测数据,分析冷水机组的运行状态。本发明基于机器学习,通过建立冷水机组运行状态的预设动态模型,提供对冷水机组运行状态的分析结果,及时发现或预判冷水机组的异常或故障,提高冷水机组运行的稳定性、安全性。
Description
技术领域
本发明涉及动力环境设备运行状态评估领域,特别是涉及一种冷水机组运行状态的测评方法及装置。
背景技术
随着计算机技术发展日新月异,大型集群机房、集群系统已经成为信息时代数据传递、存储的重要基础之一。而作为动力环境重要组成部分的冷水机组设备是为数据中心、服务器机房等提供安全运行环境、高速互联网络的重要保障。数据中心机房的规模不断扩大,其配套的冷水机组的规模也在逐渐扩大,使得对于冷水机组的各个重要节点监测的难度也有所增加,而其正常运转与数据中心日常业务息息相关,这就对冷水机组的监控、管理提出了更高的要求。因此,对数据中心冷水机组进行运行状态实时评估与预测是中心高效运行、业务不间断、整体高可用的基础要求。
目前,针对冷水机组的运行状态的评估方法主要是基于实时监测数据与人工设定的阈值进行比较的方法。这种方法一方面对人力物力资源要求较高,当机组的规模较大、实时监测点较多时无法有效的进行状态评估;而另外一方面这种方法只能对单个节点进行评估,而无法综合考虑冷水机组整体的运行状态,具有很大的受限性。
发明内容
本发明提供一种冷水机组运行状态的测评方法及装置,用以解决现有技术的如下问题:基于实时监测数据与人工设定的阈值进行比较的方法对人力物力资源要求较高,当机组的规模较大、实时监测点较多时无法有效的进行状态评估,并且现有技术只能针对单个节点进行评估,具有很大的受限性。
为解决上述技术问题,一方面,本发明提供一种冷水机组运行状态的测评方法,包括:实时获取冷水机组的实时监测数据;根据预设时间段内的历史监测数据和所述实时监测数据,构建预设动态模型;根据所述预设动态模型与所述实时监测数据,分析所述冷水机组的运行状态。
进一步,实时获取冷水机组所有监测点的实时监测数据,包括:实时获取所述冷水机组所有监测点的实时监测数据;对所述实时监测数据数据进行预设处理,得到预设处理后的所述实时监测数据,其中,所述预设处理至少包括以下之一:去除非法数据、去除噪声、插值操作、时间轴对齐操作。
进一步,所述预设动态模型至少包括以下之一:动态拟合模型,动态预测模型。
进一步,构建预设动态模型,包括:在所述预设动态模型包括所述动态拟合模型的情况下,根据所述预设时间段内的历史监测数据和所述所述实时监测数据构建第一时序向量集,并根据所述第一时序向量集构建所述动态拟合模型;在所述预设动态模型包括所述动态预测模型的情况下,根据所述预设时间段内的历史监测数据构建第二时序向量集,并根据所述第二时序向量集构建所述动态预测模型。
进一步,根据所述预设动态模型与所述实时监测数据,分析所述冷水机组的运行状态,包括:在所述预设动态模型包括所述动态拟合模型的情况下,通过所述动态拟合模型对所述实时监测数据进行拟合,并根据每个监测点的告警级别和拟合结果对所述冷水机组的运行状态进行评价;在所述预设动态模型包括所述动态预测模型的情况下,通过所述动态预测模型对所述冷水机组预设时间后的运行状态进行预测,并根据每个监测点的告警级别和预测结果对所述冷水机组预设时间后的运行状态进行评价。
另一方面,本发明还提供一种冷水机组运行状态的测评装置,包括:获取模块,用于实时获取冷水机组的实时监测数据;模型建立模块,用于根据预设时间段内的历史监测数据和所述实时监测数据,构建预设动态模型;分析模块,用于根据所述预设动态模型与所述实时监测数据,分析所述冷水机组的运行状态。
进一步,所述获取模块,包括:获取单元,用于实时获取所述冷水机组所有监测点的实时监测数据;预处理单元,用于对所述实时监测数据数据进行预设处理,得到预设处理后的所述实时监测数据,其中,所述预设处理至少包括以下之一:去除非法数据、去除噪声、插值操作、时间轴对齐操作。
进一步,所述预设动态模型至少包括以下之一:动态拟合模型,动态预测模型。
进一步,所述模型建立模块,包括:拟合模型建立单元,用于在所述预设动态模型包括所述动态拟合模型的情况下,根据所述预设时间段内的历史监测数据和所述所述实时监测数据构建第一时序向量集,并根据所述第一时序向量集构建所述动态拟合模型;预测模块建立单元,用于在所述预设动态模型包括所述动态预测模型的情况下,根据所述预设时间段内的历史监测数据构建第二时序向量集,并根据所述第二时序向量集构建所述动态预测模型。
进一步,所述分析模块,包括:拟合分析单元,用于在所述预设动态模型包括所述动态拟合模型的情况下,通过所述动态拟合模型对所述实时监测数据进行拟合,并根据每个监测点的告警级别和拟合结果对所述冷水机组的运行状态进行评价;预测分析单元,用于在所述预设动态模型包括所述动态预测模型的情况下,通过所述动态预测模型对所述冷水机组预设时间后的运行状态进行预测,并根据每个监测点的告警级别和预测结果对所述冷水机组预设时间后的运行状态进行评价。
本发明基于机器学习,通过建立冷水机组运行状态的预设动态模型,提供对冷水机组运行状态的分析结果,及时发现或预判冷水机组的异常或故障,提高冷水机组运行的稳定性、安全性。
附图说明
图1是本发明第一实施例中冷水机组运行状态的测评方法流程图;
图2是本发明第一实施例中动态拟合模型构建流程图;
图3是本发明第一实施例中动态预测模型构建流程图;
图4是本发明第二实施例中冷水机组运行状态的测评装置结构示意图。
具体实施方式
为了解决现有技术的如下问题:基于实时监测数据与人工设定的阈值进行比较的方法对人力物力资源要求较高,当机组的规模较大、实时监测点较多时无法有效的进行状态评估,并且现有技术只能针对单个节点进行评估,具有很大的受限性,本发明提供了一种冷水机组运行状态的测评方法及装置,以下结合附图以及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不限定本发明。
本发明第一实施例提供了一种冷水机组运行状态的测评方法,其流程图如图1所示,具体包括步骤S101至S103:
S101,实时获取冷水机组的实时监测数据;
S102,根据预设时间段内的历史监测数据和实时监测数据,构建预设动态模型;
S103,根据预设动态模型与实时监测数据,分析冷水机组的运行状态。
在本实施例执行之前,首先要在待监测冷水机组设置多个监测点,具体设置的规则可以为在冷水机组的关键水管、关键阀门等位置设置监测点。在对冷水机组进行监测时,需要实时获取冷水机组中所有监测点的实时监测数据,具体地,根据监测点的类型不同,其获取的实时监测数据类型也不同,具体分为各个实时监测点的状态量与模拟量数据,状态量数据包括监测点是否打开的布尔值,如监测点为关键阀门,该阀门是否为开启状态,模拟量数据包括监测点相关物理量大小的连续值,如监测点为关键水管内部的流量值、温度值、压力值、功率值等。
进一步地,为了保证各监测点数据的同步和精准,在获取各监测点的实时监测数据之后,对实时监测数据进行预设处理,其中,预设处理包括:去除非法数据、去除采集设备误差带来的噪声、对数据进行插值操作、对数据进行时间轴对齐操作等。具体而言,实时监测数据获取的机制可以但不限于以下机制:若监测点状态无变化,则在固定的时间长度后进行一次数据获取,而在此之间若该监测点状态发生变化则每次变化都进行一次数据采集,进一步,每隔1s时间长度设立时间点,并在进行插值处理时,根据节点在当前时间点或之前的数据进行插值赋值。实时监测数据经过预设处理后,可以存放至原始冷水机组实时监测数据的数据库,以供后续建设预设动态模型使用。应当了解的,原始冷水机组实时监测数据的数据库可以但不限于以下数据库:关系型数据库管理系统(MySQL)、非结构化数据库(SSDB)等。
在构建预设动态模型时,需要大量的历史数据作为支持,因此,可以获取数据库中保存的历史监测数据,基于机器学习的手段,建立预设动态模型。具体地,预设动态模型至少包括以下之一:动态拟合模型、动态预测模型,其中,动态拟合模型用于判断当前冷水机组的运行过程中是否出现故障或异常,并可以根据拟合结果进行故障定位和异常判断;动态预测模型则用于预测未来一段时间内冷水机组的运行状态。
图2为动态拟合模型的构建流程图。如图2所示,在构建动态拟合模型时,首先获取预定时间段内的历史监测数据,具体地,上述历史监测数据应为冷水机组在正常运行状态下的历史监测数据,预定时间段则根据构建动态拟合模型的数据量进行确定;在获取的历史监测数据中,选择关键特征参数数据作为标签(Label),其余参数数据作为特征(Feature),形成模型训练所需的第一时序向量集,其中关键特征参数数据为人为设置的较为重要的参数,具体可以为冷水机组系统中的总水管温度、压力等,其余所有单独的压缩机对应的分水管压力、温度等参数作为特征;根据第一时序向量集构建基于机器学习的冷水机组动态拟合模型,具体构建方式可以为使用Python引入特征数据集与标签数据集(特征数据集与标签数据集即组成了第一时序向量集),基于开源工具包SK-Learn完成机器学习动态拟合模型的训练。另外,在进行模型训练之前,可以对模型进行初始化。
图3为动态预测模型的构建流程图。如图3所示,在构建动态预测模型时,与构建动态拟合模型相同,首先需要获取预定时间段内的历史监测数据,随后在历史监测数据择关键特征参数数据作为标签,其余参数数据作为特征,形成模型训练所需的第二时序向量集;根据第二时序向量集构建基于机器学习的冷水机组动态预测模型,具体构建方式与动态拟合模型类似,但应当了解的是,构建动态预测模型时,训练数据集的标签集为延后一定时间的标签数据集,以达到预测的效果。另外,在进行模型训练之前,需要对模型进行初始化。
优选地,上述建立动态拟合模型或建立动态预测模型的过程中使用的机器学习模型可以但不限于以下模型:支持向量机回归分析模型、逻辑斯谛回归分析模型、回归树回归分析模型等。
构建模型完毕后,则需要根据模型对冷水机组的运行状态进行评测。具体地,在预设动态模型包括动态拟合模型时,使用动态拟合模型对冷水机组的实时监测数据进行拟合,确认冷水机组的运行状态是否正常,具体地,确定实时监测数据中的关键特征参数,并在拟合时使用关键特征参数进行拟合;若拟合结果为实时监测数据与动态拟合模型的差异较大,则说明冷水机组的关键特征节点出现异常或故障若差异不大,则将拟合值与监测点告警级别数据相比较,确认其运行关键特征参数是否正常,具体地,监测点告警级别数据为冷水机组监控人员根据经验设置的,针对每个监测点均设置有不同的告警级别数据;在拟合结果为冷水机组故障或异常的情况下,根据动态拟合模型中所计算的冷水机组各个压缩机组所产出的有功功率计算每个压缩机组的权重,从而定位异常或故障并将拟合结果标记为异常进行存储;否则标记为正常运行数据并存储。
在预设动态模型包括动态预测模型时,使用得到的动态预测模型对冷水机组预设时间后的运行状态进行预测,主要为预测预设时间后的关键特征参数,将预测值与监测点告警级别数据相比较,确认其预设时间后的运行状态是否正常。
在实际使用时,可以首先通过动态拟合模型对当前冷水机组运行状态进行分析,之后使用动态预测模型确认一定时间后机组运行状态,若两个模型给出的结果都为正常,则认为机组运行正常,否则根据结果对机组运行状态进行异常或风险告警。
本实施例基于机器学习,通过建立冷水机组运行状态的预设动态模型,提供对冷水机组运行状态的分析结果,及时发现或预判冷水机组的异常或故障,提高冷水机组运行的稳定性、安全性。
本发明第二实施例提供了一种冷水机组运行状态的测评装置,其结构示意图如图4所示,主要包括:获取模块401,用于实时获取冷水机组的实时监测数据;模型建立模块402,与获取模块耦合,用于根据预设时间段内的历史监测数据和实时监测数据,构建预设动态模型;分析模块403,与模型建立模块耦合,用于根据预设动态模型与实时监测数据,分析冷水机组的运行状态。
在本实施例执行之前,首先要在待监测冷水机组设置多个监测点,具体设置的规则可以为在冷水机组的关键水管、关键阀门等位置设置监测点。在对冷水机组进行监测时,测评装置中的获取模块与每个监测点的监测设备均进行连接,以实时获取冷水机组中所有监测点的实时监测数据,具体地,根据监测点的类型不同,获取模块获取的实时监测数据类型也不同,具体分为各个实时监测点的状态量与模拟量数据,状态量数据包括监测点是否打开的布尔值,如监测点为关键阀门,该阀门是否为开启状态,模拟量数据包括监测点相关物理量大小的连续值,如监测点为关键水管内部的流量值、温度值、压力值、功率值等。
进一步地,获取模块中包括获取单元和预处理单元,为了保证各监测点数据的同步和精准,在获取单元获取各监测点的实时监测数据之后,通过预处理单元对实时监测数据进行预设处理,其中,预设处理包括:去除非法数据、去除采集设备误差带来的噪声、对数据进行插值操作、对数据进行时间轴对齐操作等。具体而言,获取单元实时监测数据获取的机制可以但不限于以下机制:若监测点状态无变化,则在固定的时间长度后进行一次数据获取,而在此之间若该监测点状态发生变化则每次变化都进行一次数据采集,进一步,每隔1s时间长度设立时间点,并在进行插值处理时,根据节点在当前时间点或之前的数据进行插值赋值。实时监测数据经过预设处理后,可以存放至原始冷水机组实时监测数据的数据库,以供后续建设预设动态模型使用。应当了解的,原始冷水机组实时监测数据的数据库可以但不限于以下数据库:MySQL、SSDB等。
在构建预设动态模型时,需要大量的历史数据作为支持,因此,可以获取数据库中保存的历史监测数据,基于机器学习的手段,建立预设动态模型。具体地,预设动态模型至少包括以下之一:动态拟合模型、动态预测模型,其中,动态拟合模型用于判断当前冷水机组的运行过程中是否出现故障或异常,并可以根据拟合结果进行故障定位和异常判断;动态预测模型则用于预测未来一段时间内冷水机组的运行状态。模型建立模块中包括拟合模型建立单元和预测模型建立单元,分别用于建立动态拟合模型和动态预测模型。
在拟合模型建立单元构建动态拟合模型时,首先获取预定时间段内的历史监测数据,具体地,上述历史监测数据应为冷水机组在正常运行状态下的历史监测数据,预定时间段则根据构建动态拟合模型的数据量进行确定;在获取的历史监测数据中,选择关键特征参数数据作为标签(Label),其余参数数据作为特征(Feature),形成模型训练所需的第一时序向量集,其中关键特征参数数据为人为设置的较为重要的参数,具体可以为冷水机组系统中的总水管温度、压力等,其余所有单独的压缩机对应的分水管压力、温度等参数作为特征;最后根据第一时序向量集构建基于机器学习的冷水机组动态拟合模型,具体构建方式可以为使用Python引入特征数据集与标签数据集(特征数据集与标签数据集即组成了第一时序向量集),基于SK-Learn完成机器学习动态拟合模型的训练。另外,在进行模型训练之前,还可以对模型进行初始化。
在预测模型建立单元构建动态预测模型时,与构建动态拟合模型相同,首先需要获取预定时间段内的历史监测数据,随后在历史监测数据择关键特征参数数据作为标签,其余参数数据作为特征,形成模型训练所需的第二时序向量集;根据第二时序向量集构建基于机器学习的冷水机组动态预测模型,具体构建方式与动态拟合模型类似,但应当了解的是,构建动态预测模型时,训练数据集的标签集为延后一定时间的标签数据集,以达到预测的效果。另外,在进行模型训练之前,可以对模型进行初始化。
优选地,上述拟合模型建立单元和预测模型建立单元使用的机器学习模型可以但不限于以下模型:支持向量机回归分析模型、逻辑斯谛回归分析模型、回归树回归分析模型等。
构建模型完毕后,则需要通过分析模块根据模型对冷水机组的运行状态进行评测。具体地,在分析模块包括拟合分析单元和预测分析单元,当预设动态模型包括动态拟合模型时,拟合分析单元使用动态拟合模型对冷水机组的实时监测数据进行拟合,确认冷水机组的运行状态是否正常,具体地,还可以确定实时监测数据中的关键特征参数,并在拟合时使用关键特征参数进行拟合;若拟合结果为实时监测数据与动态拟合模型的差异较大,则说明冷水机组的关键特征节点出现异常或故障若差异不大,则将拟合值与监测点告警级别数据相比较,确认其运行关键特征参数是否正常,具体地,监测点告警级别数据为冷水机组监控人员根据经验设置的,针对每个监测点均设置有不同的告警级别数据;在拟合结果为冷水机组故障或异常的情况下,根据动态拟合模型中所计算的冷水机组各个压缩机组所产出的有功功率计算每个压缩机组的权重,从而定位异常或故障并将拟合结果标记为异常进行存储;否则标记为正常运行数据并存储。
在预设动态模型包括动态预测模型时,预测分析单元根据得到的动态预测模型对冷水机组预设时间后的运行状态进行预测,主要为预测预设时间后的关键特征参数,将预测值与监测点告警级别数据相比较,确认其预设时间后的运行状态是否正常。
在实际使用时,可以首先通过动态拟合模型对当前冷水机组运行状态进行分析,之后使用动态预测模型确认一定时间后机组运行状态,若两个模型给出的结果都为正常,则认为机组运行正常,否则根据结果对机组运行状态进行异常或风险告警。
本实施例基于机器学习,通过建立冷水机组运行状态的预设动态模型,提供对冷水机组运行状态的分析结果,及时发现或预判冷水机组的异常或故障,提高冷水机组运行的稳定性、安全性。
尽管为示例目的,已经公开了本发明的优选实施例,本领域的技术人员将意识到各种改进、增加和取代也是可能的,因此,本发明的范围应当不限于上述实施例。
Claims (4)
1.一种冷水机组运行状态的测评方法,其特征在于,包括:
实时获取冷水机组的实时监测数据;
根据预设时间段内的历史监测数据和所述实时监测数据,构建预设动态模型,所述预设动态模型包括:动态拟合模型和动态预测模型,动态拟合模型用于判断当前冷水机组的运行过程中是否出现故障或异常,并根据拟合结果进行故障定位和异常判断;动态预测模型则用于预测未来一段时间内冷水机组的运行状态,构建预设动态模型,包括:
根据所述预设时间段内的历史监测数据和所述实时监测数据构建第一时序向量集,并根据所述第一时序向量集构建所述动态拟合模型;根据所述预设时间段内的历史监测数据构建第二时序向量集,并根据所述第二时序向量集构建所述动态预测模型;
其中,选择冷水机组系统中的总水管温度、压力作为标签,其余所有单独的压缩机对应的分水管压力、温度参数作为特征,形成模型训练所需的第一时序向量集和第二时序向量集,根据第一时序向量集和所述第二时序向量集分别构建所述动态拟合模型和所述动态预测模型;构建动态预测模型时,训练数据集的标签集为延后预设时间的标签数据集;
根据所述预设动态模型与所述实时监测数据,分析所述冷水机组的运行状态,包括:
首先通过动态拟合模型对当前冷水机组运行状态进行分析,之后使用动态预测模型确认一定时间后机组运行状态,若两个模型给出的结果都为正常,则认为机组运行正常,否则根据结果对机组运行状态进行异常或风险告警;
若拟合结果为实时监测数据与动态拟合模型的差异较大,则说明冷水机组的关键特征节点出现异常或故障,根据动态拟合模型中所计算的冷水机组各个压缩机组所产出的有功功率计算每个压缩机组的权重,从而定位异常或故障并将拟合结果标记为异常进行存储。
2.如权利要求1所述的测评方法,其特征在于,实时获取冷水机组所有监测点的实时监测数据,包括:
实时获取所述冷水机组所有监测点的实时监测数据;
对所述实时监测数据进行预设处理,得到预设处理后的所述实时监测数据,其中,所述预设处理至少包括以下之一:去除非法数据、去除噪声、插值操作、时间轴对齐操作。
3.一种冷水机组运行状态的测评装置,其特征在于,包括:
获取模块,用于实时获取冷水机组的实时监测数据;
模型建立模块,用于根据预设时间段内的历史监测数据和所述实时监测数据,构建预设动态模型,所述预设动态模型包括:动态拟合模型和动态预测模型,动态拟合模型用于判断当前冷水机组的运行过程中是否出现故障或异常,并根据拟合结果进行故障定位和异常判断;动态预测模型则用于预测未来一段时间内冷水机组的运行状态,所述模型建立模块,包括:
拟合模型建立单元,用于根据所述预设时间段内的历史监测数据和所述实时监测数据构建第一时序向量集,并根据所述第一时序向量集构建所述动态拟合模型;
预测模块建立单元,用于在所述预设动态模型包括所述动态预测模型的情况下,根据所述预设时间段内的历史监测数据构建第二时序向量集,并根据所述第二时序向量集构建所述动态预测模型;
其中,选择冷水机组系统中的总水管温度、压力作为标签,其余所有单独的压缩机对应的分水管压力、温度参数作为特征,形成模型训练所需的第一时序向量集和第二时序向量集,根据第一时序向量集和第二时序向量集分别构建所述动态拟合模型和动态预测模型;
分析模块,用于根据所述预设动态模型与所述实时监测数据,分析所述冷水机组的运行状态,包括:
首先通过动态拟合模型对当前冷水机组运行状态进行分析,之后使用动态预测模型确认一定时间后机组运行状态,若两个模型给出的结果都为正常,则认为机组运行正常,否则根据结果对机组运行状态进行异常或风险告警;
若拟合结果为实时监测数据与动态拟合模型的差异较大,则说明冷水机组的关键特征节点出现异常或故障,根据动态拟合模型中所计算的冷水机组各个压缩机组所产出的有功功率计算每个压缩机组的权重,从而定位异常或故障并将拟合结果标记为异常进行存储。
4.如权利要求3所述的测评装置,其特征在于,所述获取模块,包括:
获取单元,用于实时获取所述冷水机组所有监测点的实时监测数据;
预处理单元,用于对所述实时监测数据进行预设处理,得到预设处理后的所述实时监测数据,其中,所述预设处理至少包括以下之一:去除非法数据、去除噪声、插值操作、时间轴对齐操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810280894.2A CN108664696B (zh) | 2018-04-02 | 2018-04-02 | 一种冷水机组运行状态的测评方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810280894.2A CN108664696B (zh) | 2018-04-02 | 2018-04-02 | 一种冷水机组运行状态的测评方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108664696A CN108664696A (zh) | 2018-10-16 |
CN108664696B true CN108664696B (zh) | 2023-04-07 |
Family
ID=63782689
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810280894.2A Active CN108664696B (zh) | 2018-04-02 | 2018-04-02 | 一种冷水机组运行状态的测评方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108664696B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110333093B (zh) * | 2019-07-19 | 2021-04-02 | 东莞市泰丰空调制冷设备有限公司 | 一种冷水机组测试平台 |
CN112558560B (zh) * | 2020-11-24 | 2022-05-17 | 国家计算机网络与信息安全管理中心 | 数据中心制冷系统冷量输配动态优化与节能调控系统 |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102736546B (zh) * | 2012-06-28 | 2014-06-04 | 西安交通大学 | 一种流程工业复杂机电系统的状态监测装置及方法 |
CN103245912B (zh) * | 2013-03-23 | 2016-09-14 | 中国水利电力物资有限公司 | 一种风电机组运行状态分析诊断方法和系统 |
EP3120204A1 (en) * | 2014-03-19 | 2017-01-25 | Northern VO ApS | Method and system for monitoring a vehicle |
CN104102773B (zh) * | 2014-07-05 | 2017-06-06 | 山东鲁能软件技术有限公司 | 一种设备故障预警及状态监测方法 |
CN104573850B (zh) * | 2014-12-18 | 2017-08-11 | 湖南大唐先一科技有限公司 | 一种火电厂设备状态评估方法 |
CN105893700B (zh) * | 2016-04-26 | 2019-05-31 | 陆新建 | 基于物理-大数据混合模型的化工生产在线故障检测与诊断技术 |
CN106092190B (zh) * | 2016-06-02 | 2019-03-29 | 国家电网公司 | 抽水蓄能机组运行稳定性状态劣化预警方法及系统 |
KR101768810B1 (ko) * | 2016-06-02 | 2017-08-30 | 두산중공업 주식회사 | 풍력단지 통합 제어 모니터링 시스템 |
WO2018004464A1 (en) * | 2016-06-29 | 2018-01-04 | Kirkham Group Pte Ltd | Large scale machine learning-based chiller plants modeling, optimization and diagnosis |
CN106988951A (zh) * | 2017-04-14 | 2017-07-28 | 贵州乌江水电开发有限责任公司东风发电厂 | 水轮机组故障诊断及状态评估方法 |
CN107168205B (zh) * | 2017-06-07 | 2019-07-09 | 南京航空航天大学 | 一种民机空调系统在线健康监测数据采集与分析方法 |
CN107560258A (zh) * | 2017-08-28 | 2018-01-09 | 珠海格力电器股份有限公司 | 冷水机组的性能评估方法及冷水机组 |
CN107831866B (zh) * | 2017-11-27 | 2021-01-12 | 国家计算机网络与信息安全管理中心 | 一种水冷系统状态评估方法、设备及计算机可读存储介质 |
-
2018
- 2018-04-02 CN CN201810280894.2A patent/CN108664696B/zh active Active
Non-Patent Citations (2)
Title |
---|
基于灰色关联度的风力发电机组健康性能评估方法研究;郭双全;《装备机械》;20160330(第01期);第7-11页 * |
施泉生等.发电设备运行与状态检修决策支持系统.《电力企业决策支持系统原理及应用》.2007,第194-196页. * |
Also Published As
Publication number | Publication date |
---|---|
CN108664696A (zh) | 2018-10-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111047082B (zh) | 设备的预警方法及装置、存储介质和电子装置 | |
Alaswad et al. | A review on condition-based maintenance optimization models for stochastically deteriorating system | |
CN108445410A (zh) | 一种监测蓄电池组运行状态的方法及装置 | |
EP3105644B1 (en) | Method of identifying anomalies | |
Nielsen et al. | Computational framework for risk-based planning of inspections, maintenance and condition monitoring using discrete Bayesian networks | |
CN113935497A (zh) | 智能运维故障处理方法、装置、设备及其存储介质 | |
CN110008096B (zh) | 数据监测方法、装置、电子设备及计算机可读存储介质 | |
CN109470946B (zh) | 一种发电设备故障检测方法及系统 | |
CN114267178B (zh) | 一种车站的智能运营维护方法及装置 | |
US20210232104A1 (en) | Method and system for identifying and forecasting the development of faults in equipment | |
CN108664696B (zh) | 一种冷水机组运行状态的测评方法及装置 | |
CN110808864A (zh) | 通信预警方法、装置及系统 | |
CN112183906A (zh) | 一种基于多模型组合模型的机房环境预测方法及系统 | |
CN117041029A (zh) | 网络设备故障处理方法、装置、电子设备及存储介质 | |
US9249794B2 (en) | Condition-based and predictive maintenance of compressor systems | |
US20210118754A1 (en) | Die level product modeling without die level input data | |
CN117391675A (zh) | 一种数据中心基础设施运维管理方法 | |
CN110413482B (zh) | 检测方法和装置 | |
CN110765486B (zh) | 一种资产故障识别方法 | |
CN111306051A (zh) | 一种输油泵机组探针式状态监测预警方法、装置及系统 | |
JP7062505B2 (ja) | 設備管理支援システム | |
CN115878598A (zh) | 监控数据处理方法、电子设备及存储介质 | |
CN115147236A (zh) | 一种处理方法、处理装置和电子设备 | |
CN113591266A (zh) | 一种电能表故障概率的分析方法及系统 | |
CN115689320A (zh) | 基站运行的健康管理方法、装置及计算机可读存储介质 |
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 |