CN109782739A - 设备故障的检修方法、装置、计算机设备和存储介质 - Google Patents
设备故障的检修方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN109782739A CN109782739A CN201910084325.5A CN201910084325A CN109782739A CN 109782739 A CN109782739 A CN 109782739A CN 201910084325 A CN201910084325 A CN 201910084325A CN 109782739 A CN109782739 A CN 109782739A
- Authority
- CN
- China
- Prior art keywords
- equipment
- operating parameter
- equipment fault
- exception
- exception 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
Abstract
本申请涉及一种设备故障的检修方法、装置、计算机设备和存储介质。所述方法包括:建立设备故障检测模型,以及,获取设备运行参数;将所述设备运行参数输入至所述设备故障检测模型;获取设备异常信息;所述设备异常信息为当所述设备运行参数异常,所述设备故障检测模型输出的设备异常信息;查询所述设备异常信息对应的可视化检修指引;展示所述可视化检修指引,以指引检修人员进行设备检修。采用本方法能够解决目前的设备故障的检修方法存在着操作人员容易出现操作失误的问题。
Description
技术领域
本申请涉及安全生产技术领域,特别是涉及一种设备故障的检修方法、装置、计算机设备和存储介质。
背景技术
电厂中的设备稳定运行是保障电厂稳定且安全生产必不可少的条件。在电厂的安全管理中,对生产设备运行状态的监控和对异常状况报警,对于电厂的可靠运行是非常重要的。
然而,现有电厂采用的设备故障报警系统只能在设备出现严重故障时才能反映在监控系统中,且只会通过灯光闪烁来提醒操作人员该生产设备出现异常,缺少标准化的官方指导和异常原因的分析提示,操作人员只能凭自身经验和应变能力对生产设备的故障进行排除处理,容易存在操作失误。
因此,目前的设备故障检修方法存在检修操作失误的问题。
发明内容
基于此,有必要针对上述技术问题,提供一种能够及早发现设备故障并避免操作人员出现操作失误的设备故障的检修方法、装置、计算机设备和存储介质。
一种设备故障的检修方法,所述方法包括:
建立设备故障检测模型,以及,获取设备运行参数;
将所述设备运行参数输入至所述设备故障检测模型;
获取设备异常信息;所述设备异常信息为当所述设备运行参数异常,所述设备故障检测模型输出的设备异常信息;
查询所述设备异常信息对应的可视化检修指引;
展示所述可视化检修指引,以指引检修人员进行设备检修;所述可视化检修指引包括检修操作流程图和待检修设备图。
在其中一个实施例中,所述建立设备故障检测模型,包括;
获取正常设备运行参数;
对所述正常设备运行参数进行数据降维,生成降维矩阵;
确定所述降维矩阵的主元个数;
根据所述主元个数,计算所述正常设备运行参数的正常主元统计量;
确定所述正常主元统计量的安全控制限,并建立设备故障检测模型。
在其中一个实施例中,所述设备异常信息包括异常参数类型;
所述获取设备异常信息,包括:
计算所述设备运行参数的当前主元统计量;
判断所述当前主元统计量是否超过所述安全控制限;
若是,获取所述当前主元统计量的统计量贡献图;
根据所述统计量贡献图,确定所述异常参数类型。
在其中一个实施例中,所述设备异常信息包括设备故障类型;
所述获取设备异常信息,包括:
获取设备故障族群类别模型矩阵;
计算所述设备运行参数与故障族群类别模型矩阵之间的欧氏距离;
确定所述欧氏距离对应的设备故障类型。
在其中一个实施例中,还包括:
获取所述设备运行参数的实时趋势曲线;
生成所述实时趋势曲线的异常类型预测结果;
查询所述异常类型预测结果的可视化预检指引;
展示所述可视化预检指引,以指引检修人员进行设备预检;所述可视化预检指引包括预检操作流程图和待预检设备图。
在其中一个实施例中,所述生成所述实时趋势曲线的异常类型预测结果的步骤包括:
获取历史趋势曲线;所述历史趋势曲线具有对应的候选异常类型;
匹配所述历史趋势曲线和所述实时趋势曲线,得到目标历史趋势曲线;
获取所述目标历史趋势曲线对应的候选异常类型,作为所述异常类型预测结果;所述异常类型预测结果用于提前预判设备情况避免故障发生。
在其中一个实施例中,还包括:
当所述设备运行参数异常,计算所述设备运行参数与预设的参数阈值之间的参数差值;
确定所述参数差值的异常严重等级;
获取所述异常严重等级的报警外观特征;
展示所述报警外观特征。
一种设备故障的检修装置,所述装置包括:
获取模块,用于建立设备故障检测模型,以及,获取设备运行参数;
输入模块,用于将所述设备运行参数输入至所述设备故障检测模型;
输出模块,用于获取设备异常信息;所述设备异常信息为当所述设备运行参数异常,所述设备故障检测模型输出的设备异常信息;
可视化检修指引查询模块,用于查询所述设备异常信息对应的可视化检修指引;
可视化检修指引展示模块,用于展示所述可视化检修指引,以指引检修人员进行设备检修;所述可视化检修指引包括检修操作流程图和待检修设备图。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤;
建立设备故障检测模型,以及,获取设备运行参数;
将所述设备运行参数输入至所述设备故障检测模型;
获取设备异常信息;所述设备异常信息为当所述设备运行参数异常,所述设备故障检测模型输出的设备异常信息;
查询所述设备异常信息对应的可视化检修指引;
展示所述可视化检修指引,以指引检修人员进行设备检修;所述可视化检修指引包括检修操作流程图和待检修设备图。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤;
建立设备故障检测模型,以及,获取设备运行参数;
将所述设备运行参数输入至所述设备故障检测模型;
获取设备异常信息;所述设备异常信息为当所述设备运行参数异常,所述设备故障检测模型输出的设备异常信息;
查询所述设备异常信息对应的可视化检修指引;
展示所述可视化检修指引,以指引检修人员进行设备检修;所述可视化检修指引包括检修操作流程图和待检修设备图。
根据本申请实施例提供的技术方案,通过建立设备故障检测模型;将设备运行参数输入至设备故障检测模型,供设备故障检测模型分析系统实时的设备运行参数,系统发生异常时,判断发生故障的设备,并得到设备异常信息;查询设备异常信息的可视化检修指引;展示可视化检修指引,以指引检修人员进行设备检修,避免操作人员只能凭自身经验和应变能力对生产设备的故障进行排除处理,标准化地指引检修人员进行设备检修,从而可以解决目前的设备故障的检修方法存在着操作人员容易出现操作失误的问题。
附图说明
图1为一个实施例中的一种设备故障的检修方法的流程示意图;
图2为一个实施例中的一种设备故障的检修装置的结构框图;
图3为一个实施例中的一种计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在一个实施例中,如图1所示,提供了一种设备故障的检修方法,包括以下步骤:
步骤110,建立设备故障检测模型,以及,获取设备运行参数。
其中,设备运行参数可以是指测量装置直接或间接测量系统设备运行时得到的各种物理量。在实际应用中,测量装置可以是变送器。其中,变送器的作用是检测工艺参数并将测量值以特定的信号形式传送出去,以便进行显示、调节。
具体实现中,测量装置不断测量系统设备运行参数,并向设备故障检测及检修装置发送测得的设备运行参数,上述的设备故障的检修装置获取测量装置发送的设备运行参数。
例如,为了实现对电厂中除盐水系统运行状态的监控,用户设置了二级RO淡水箱来淡水母管压力变送器,1号阳床进水流量变送器,1号阳离子交换器入口压力变送器,1号阳离子交换器出口压力变送器,1号阴床进水流量变送器,1号阴离子交换器入口压力变送器,1号阴离子交换器出口压力变送器,1号阴床出水导电度计;1号混床进水流量变送器,1号混合离子交换器入口压力变送器,1号混合离子交换器出口压力变送器,1号混床出水导电度计。
步骤120,将设备运行参数输入至设备故障检测模型。
其中,上述测量装置检测得到的设备运行参数传送至通过电厂监控系统DCS和SIS系统,设备故障检修装置通过网络从SIS系统中读取这些传感器的数据;并将上述设备运行参数实时地输入至设备故障检测模型中。
步骤130,获取设备异常信息;设备异常信息为当设备运行参数异常,设备故障检测模型输出的设备异常信息。
当系统中的设备发生异常时,系统设备运行产生的设备运行参数就会出现异常;在此过程中,设备故障检测模型通过对实时输入的设备运行参数进行降维处理,转换得到降维数据,并对上述的降维数据进行分析和判断;生成设备异常信息,例如,设备的异常参数类型和对应的设备故障类型等信息,并输出该设备异常信息,使上述的设备故障检修装置获取设备异常信息。
步骤140,查询设备异常信息对应的可视化检修指引。
其中,可视化检修指引可以是指用于指示操作人员对异常设备进行检修操作的指引信息。
具体实现中,当设备故障的检修装置在初步得到设备异常信息之后,从设备故障检修装置的数据库中查询与设备异常信息对应的可视化检修指引。
例如,当设备故障检修装置初步判定除盐水1号阴离子交换器入口管道泄漏之后,设备故障的检修装置从数据库中查询用于除盐水1号阴离子交换器入口管道泄漏的可视化检修指引。
步骤150,展示可视化检修指引,以指引检修人员进行设备检修;可视化检修指引包括检修操作流程图和待检修设备图。
具体实现中,当设备检修设备得到与设备异常类型对应的可视化检修指引之后,通过显示屏展示可视化检修指引,从而可以指引现场检修人员对设备进行检修,进而排除设备异常。更进一步地,可视化检修指引可以包括检修操作流程图和检修设备图。检修操作流程图或检修设备图可以直观地指示现场检修人员对设备进行检修从而排除设备异常。例如,在设备故障检修装置从数据库中查询用于处理除盐水1号阴离子交换器入口管道泄漏的可视化检修指引之后,设备故障检修装置的显示屏就会显示除盐水1号阴离子交换器入口管道安装图及用于检修除盐水1号阴离子交换器入口管道泄漏操作流程图,进而用户可以快速找到除盐水1号阴离子交换器入口管道,并在操作流程图的指引下完成对除盐水1号阴离子交换器入口管道的维修,排除异常。
本实施例的技术方案,通过建立设备故障检测模型;将设备运行参数输入至设备故障检测模型,供设备故障检测模型分析系统实时的设备运行参数,系统发生异常时,判断发生故障的设备,并得到设备异常信息;查询设备异常信息的可视化检修指引;展示可视化检修指引,以指引检修人员进行设备检修,避免操作人员只能凭自身经验和应变能力对生产设备的故障进行排除处理,标准化地指引检修人员进行设备检修,从而可以解决目前的设备故障的检修方法存在着操作人员容易出现操作失误的问题。
在另一个实施例,建立设备故障检测模型,包括;获取正常设备运行参数;对正常设备运行参数进行数据降维,生成降维矩阵;确定降维矩阵的主元个数;根据主元个数,计算正常设备运行参数的正常主元统计量;确定正常主元统计量的安全控制限,并建立设备故障检测模型。
其中,正常设备运行参数可以是在历史上设备正常运行生成的设备运行参数。
其中,降维矩阵可以是指对正常设备运行参数通过主元分析法得到的各种矩阵,例如,斜方差矩阵、负载矩阵、主元方差矩阵和主元得分矩阵等矩阵。
其中,正常主元统计量可以包括T2(霍特林)统计量、Q(平方预报误差SPE)统计量中的至少一种。
具体实现中,获取系统的正常设备运行参数作为数据样本,并对正常设备运行参数进行标准化处理,得到标准化历史数据;然后,采用主元分析法对标准化历史数据进行数据降维,得到标准化历史数据的降维矩阵,例如,斜方差矩阵,负载矩阵,主元方差矩阵及主元得分矩阵;然后,使用累计贡献率法确定上述降维矩阵中的主元个数,在保证累计贡献率在85%以上;然后求出正常设备运行参数对应的正常主元统计量,例如,正常运行时的T2统计量和Q统计量;最后,求取正常运行时的T2统计量和Q统计量在99%置信度下所对应的控制限即安全控制限;并建立设备故障检测模型。
本实施例的技术方案,通过获取正常设备运行参数;并对正常设备运行参数进行数据降维,生成降维矩阵;并确定降维矩阵的主元个数;根据主元个数,计算正常设备运行参数的正常主元统计量;确定正常主元统计量的安全控制限,从而准确地建立设备故障检测模型,进而提高实时监控效率和判定异常的准确程度。
在另一个实施例,设备异常信息包括异常参数类型;获取设备异常信息,包括:计算设备运行参数的当前主元统计量;判断当前主元统计量是否超过安全控制限;若是,获取当前主元统计量的统计量贡献图;根据统计量贡献图,确定异常参数类型。
具体实现中,设备故障检测模型对当前的系统的设备运行参数进行处理,计算出设备运行参数的当前主元统计量,例如,T2统计量和Q统计量,然后判断当前主元统计量是否超过安全控制限,当对应的T2统计量和Q统计量超过安全控制限时,即认为系统发生了故障;最后,获取当前主元统计量的Q统计量贡献图,根据Q统计量贡献图,确定异常参数类型并定位异常设备,并生成包括有异常参数类型的设备异常信息。
例如,假设除盐水系统在正常工作时,除盐水系统运行产生的设备运行参数计算对应的T2统计量的值和Q统计量的值均在控制限内,当除盐水1号阴离子交换器入口压力异常时,设备故障检测模型计算计算出来的T2统计量的值和Q统计量的值则会同时超限,根据Q统计量贡献图可判断当前除盐水1号阴离子交换器入口压力异常状态。
本实施例的技术方案,通过实时获取系统设备的运行参数,并计算出当前时刻下设备运行参数对应的当前主元统计量,通过判断当前主元统计量是否有超过安全控制限,从而可以准确地定位出现异常的参数。
在另一个实施例,设备异常信息包括设备故障类型;获取设备异常信息,包括:获取设备故障族群类别模型矩阵;计算设备运行参数与故障族群类别模型矩阵之间的欧氏距离;确定欧氏距离对应的设备故障类型。
具体实现中,在依据不同设备故障的设备运行参数的基础上,基于欧氏距离建立设备故障族群类别模型矩阵,在对异常设备的设备故障类型进行判定时,首先,获取设备故障族群类别模型矩阵;并计算出当前设备运行参数与故障族群类别模型矩阵之间的欧氏距离,根据计算结果判定设备发生的故障类型。
例如,为了得到除盐水系统异常类型,基于欧氏距离建立设备故障族群类别模型矩阵,计算当前设备运行参数与故障族群类别模型矩阵之间的欧氏距离,由于不同的欧氏距离对应不同异常类型,因此可以根据上述欧氏距离的计算结果判定设备异常类型为除盐水1号阴离子交换器入口管道泄漏。
本实施例的技术方案,通过在依据不同设备故障的设备运行参数的基础上,基于欧氏距离建立设备故障族群类别模型矩阵;当设备运行参数异常时,计算设备运行参数与故障族群类别模型矩阵之间的欧氏距离;并确定欧氏距离对应的设备故障类型,从而可以准确地判断出系统设备发生的设备故障类型。
在另一个实施例,上述的一种设备故障的检修方法还包括:获取设备运行参数的实时趋势曲线;生成实时趋势曲线的异常类型预测结果;查询异常类型预测结果的可视化预检指引;展示可视化预检指引,以指引检修人员进行设备预检;可视化预检指引包括预检操作流程图和待预检设备图。
其中,实时趋势曲线可以是设备的设备运行参数随时间变化的二维曲线。
具体实现中,实时获取设备运行时产生的设备运行参数的实时趋势曲线,根据实时趋势曲线生成对应的异常类型预测结果,根据异常类型预测结果在数据库中查询与异常类型预测结果对应的可视化预检指引,在通过计算机设备的显示屏展示可视化预检指引,从而提示检修人员提前对设备进行预检,提前排除故障,避免设备出现异常状况。
本实施例的技术方案,通过获取设备运行参数的实时趋势曲线;生成实时趋势曲线的异常类型预测结果;查询异常类型预测结果的可视化预检指引;展示可视化预检指引,以指引检修人员进行设备预检,从而实现了对设备将要出现的异常提前做出预测,指示用户提起采取预检措施,减少设备异常状况出现的次数。
在另一个实施例,上述的分析设备运行参数,生成实时趋势曲线的异常类型预测结果的步骤包括:获取历史趋势曲线;历史趋势曲线具有对应的候选异常类型;匹配历史趋势曲线和实时趋势曲线,得到目标历史趋势曲线;获取目标历史趋势曲线对应的候选异常类型,作为异常类型预测结果;所述异常类型预测结果用于提前预判设备情况避免故障发生。
其中,历史趋势曲线可以是与设备异常信息对应的设备运行参数随时间变化的二维曲线。
具体实现中,通过获取历史趋势曲线,历史趋势曲线具有对应的候选异常类型,将实时趋势曲线与历史趋势曲线进行相似度匹配,从而得到目标历史趋势曲线,根据目标历史趋势曲线获取对应的候选异常类型,作为异常类型预测结果。例如,不同的设备异常信息对应不同的历史趋势曲线。
将不同的设备异常信息对应不同的历史趋势曲线预先存放在设备故障的检修装置的数据库中。已知当前除盐水1号阴离子交换器的管道压强的变化曲线是以每5分钟下降0.01兆帕的速度从0.7兆帕缓慢下降到0.5兆帕。通过在数据库中匹配得到目标历史趋势曲线即除盐水1号阴离子交换器在发生泄漏时的管道压强的变化曲线是以每5分钟上升0.01兆帕的速度从0.5兆帕下降的曲线。进而根据上述目标历史趋势曲线,得到除盐水1号阴离子交换器管道压强变化情况的预测异常类型结果为除盐水1号阴离子交换器在发生泄漏。
为了便于本领域技术人员深入理解本申请的各个实施例,以下将结合具体示例进行说明。如图3所示,提供了一种设备故障的检修方法的设备异常预测流程图。首先通过使用大数据技术,建立设备异常预测模型。根据设备异常类型与历史趋势曲线的映射关系,在设备异常预测模型中建立设备异常类型数据库。设备异常类型数据库中不同异常类型对应不同的历史趋势曲线。然后,获取设备的实时趋势曲线,将实时趋势曲线与历史趋势曲线进行相似度匹配,从而预测此时设备的可能发生的异常,提前干预,避免因故障发生而造成严重受损。
本实施例的技术方案,通过获取大量存放在数据库中的历史趋势曲线,历史趋势曲线具有对应的候选异常类型,匹配历史趋势曲线和实时趋势曲线,得到目标历史趋势曲线;获取目标历史趋势曲线对应的候选异常类型,从而可以提高异常类型预测的准确性;预测出此时设备的可能发生的异常,提前干预避免因故障发生而造成严重受损。
在另一个实施例,上述的一种设备故障的检修方法还包括:
当设备运行参数异常,计算设备运行参数与预设的参数阈值之间的参数差值;确定参数差值的异常严重等级;获取异常严重等级的报警外观特征;展示报警外观特征。其中,参数阈值可以指设备稳定运行时的设备运行参数值。
具体实现中,当设备运行参数异常时,通过计算当前的设备运行参数与参数阈值之间的参数差值;根据参数差值的大小程度来确定参数差值的异常严重等级;参数差值越大,说明设备运行参数偏离设备稳定运行时的设备运行参数的程度越大,异常严重等级越高;获取异常严重等级的报警外观特征;通过报警灯或计算机显示屏展示报警外观特征。
例如,除盐水1号阴离子交换器的正常运行的压强为0.7兆帕,即设定参数阈值为0.7,已知预设的除盐水1号阴离子交换器的正常运行的压强的正常范围设置为0.6兆帕至0.8兆帕。测得的除盐水1号阴离子交换器管道压强为0.4兆帕,则判定除盐水1号阴离子交换器处于异常状态,测得的管道压强与参数阈值的参数差值为0.5,此时显示参数差值为0.2对应的黄色报警外观特征;当测得管道压强为0.3兆帕,则判定除盐水1号阴离子交换器处于异常状态,测得的管道压强与参数阈值的参数差值为0.4,相比前者此时的异常严重等级更高,因此显示参数差值为0.4对应的红色报警外观特征。
本实施例的技术方案,当设备运行参数异常时,通过计算当前的设备运行参数与参数阈值之间的参数差值;根据参数差值的大小程度来确定参数差值的异常严重等级,根据异常严重等级来显示报警外观特征,从而可以实现对设备异常严重等级的量化,同时可以让用户直观的了解到当前设备的异常严重情况。
在另一个实施例,上述的可视化检修指引还包括检修示意音频、检修示意幻灯片和检修示意动画中的至少一种。
本实施例的技术方案,通过在出现设备异常时,通过播放检修示意音频、检修示意幻灯片和检修示意动画中的至少一种,相比检修手册、逻辑图等传统检修指示可以更加形象生动地指示现场的检修人员对设备进行检修,提高检修人员检修设备的效率,同时避免检修人员出现失误。
应该理解的是,虽然图1的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图1中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
基于与上述实施例中的一种设备故障的检修方法相同的思想,本文还提供一种设备故障的检修装置的实施例。
在一个实施例中,如图2所示,提供了一种设备故障的检修装置,包括:
获取模块210,用于建立设备故障检测模型,以及,获取设备运行参数;
输入模块220,用于将所述设备运行参数输入至所述设备故障检测模型;
输出模块230,用于获取设备异常信息;所述设备异常信息为当所述设备运行参数异常240,所述设备故障检测模型输出的设备异常信息;
可视化检修指引查询模块250,用于查询所述设备异常信息对应的可视化检修指引;
可视化检修指引展示模块260,用于展示所述可视化检修指引,以指引检修人员进行设备检修;所述可视化检修指引包括检修操作流程图和待检修设备图。
在一个实施例中,上述的获取模块210,包括;
正常设备运行参数获取子模块,用于获取正常设备运行参数;降维子模块,用于对所述正常设备运行参数进行数据降维,生成降维矩阵;主元确定子模块,用于确定所述降维矩阵的主元个数;正常统计量计算子模块,用于根据所述主元个数,计算所述正常设备运行参数的正常主元统计量;建立子模块,用于确定所述正常主元统计量的安全控制限,并建立设备故障检测模型。
在一个实施例中,所述设备异常信息包括异常参数类型;上述的输出模块230,包括:
当前计算子模块,用于计算所述设备运行参数的当前主元统计量;判断子模块,用于判断所述当前主元统计量是否超过所述安全控制限;贡献图获取子模块,用于若是,获取所述当前主元统计量的统计量贡献图;异常参数类型确定子模块,根据所述统计量贡献图,确定所述异常参数类型。
在一个实施例中,所述设备异常信息包括设备故障类型;上述的输出模块230,包括:
模型矩阵获取子模块,用于获取设备故障族群类别模型矩阵;欧氏距离计算子模块,用于计算所述设备运行参数与故障族群类别模型矩阵之间的欧氏距离;设备故障类型确定子模块,用于确定所述欧氏距离对应的设备故障类型。
在一个实施例中,上述的一种设备故障的检修装置,还包括:实时趋势曲线获取模块,用于获取设备运行参数的实时趋势曲线;预测模块,用于生成实时趋势曲线的异常类型预测结果;可视化预检指引查询模块,用于查询异常类型预测结果的可视化预检指引;可视化预检指引展示模块,用于展示可视化预检指引,以指引检修人员进行设备预检;可视化预检指引包括预检操作流程图和待预检设备图。
在一个实施例中,上述的一种设备故障的检修装置中的预测模块,还包括:历史趋势曲线获取单元,用于获取历史趋势曲线;历史趋势曲线具有对应的候选异常类型;匹配单元,用于匹配历史趋势曲线和实时趋势曲线,得到目标历史趋势曲线;候选异常类型获取单元,用于获取目标历史趋势曲线对应的候选异常类型,作为异常类型预测结果;所述异常类型预测结果用于提前预判设备情况避免故障发生。
在一个实施例中,上述的一种设备故障的检修装置,还包括:计算模块,用于当设备运行参数异常,计算设备运行参数与预设的参数阈值之间的参数差值;异常严重等级确定模块,用于确定参数差值的异常严重等级;报警外观特征获取模块,用于获取异常严重等级的报警外观特征;报警外观特征展示模块,用于展示报警外观特征。
关于设备故障的检修装置的具体限定可以参见上文中对于设备故障的检修方法的限定,在此不再赘述。上述设备故障的检修装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是用户终端,其内部结构图可以如图3所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏、输入装置和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储异常类型数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种设备故障的检修方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图3中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
步骤110,建立设备故障检测模型,以及,获取设备运行参数;
步骤120,将所述设备运行参数输入至所述设备故障检测模型;
步骤130,获取设备异常信息;所述设备异常信息为当所述设备运行参数异常,所述设备故障检测模型输出的设备异常信息;
步骤140,查询所述设备异常信息对应的可视化检修指引;
步骤150,展示所述可视化检修指引,以指引检修人员进行设备检修;所述可视化检修指引包括检修操作流程图和待检修设备图。
在一个实施例中,处理器执行计算机程序时还实现以下步骤;
获取正常设备运行参数;对所述正常设备运行参数进行数据降维,生成降维矩阵;确定所述降维矩阵的主元个数;根据所述主元个数,计算所述正常设备运行参数的正常主元统计量;确定所述正常主元统计量的安全控制限,并建立设备故障检测模型。
在一个实施例中,处理器执行计算机程序时还实现以下步骤;
所述获取设备异常信息,包括:计算所述设备运行参数的当前主元统计量;判断所述当前主元统计量是否超过所述安全控制限;若是,获取所述当前主元统计量的统计量贡献图;根据所述统计量贡献图,确定所述异常参数类型。
在一个实施例中,处理器执行计算机程序时还实现以下步骤;
所述获取设备异常信息,包括:获取设备故障族群类别模型矩阵;计算所述设备运行参数与故障族群类别模型矩阵之间的欧氏距离;确定所述欧氏距离对应的设备故障类型。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
获取设备运行参数的实时趋势曲线;生成实时趋势曲线的异常类型预测结果;查询异常类型预测结果的可视化预检指引;展示可视化预检指引,以指引检修人员进行设备预检;可视化预检指引包括预检操作流程图和待预检设备图。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
获取历史趋势曲线;历史趋势曲线具有对应的候选异常类型;匹配历史趋势曲线和实时趋势曲线,得到目标历史趋势曲线;获取目标历史趋势曲线对应的候选异常类型,作为异常类型预测结果;所述异常类型预测结果用于提前预判设备情况避免故障发生。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
确定参数差值的异常严重等级;获取异常严重等级的报警外观特征;展示报警外观特征。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
步骤110,建立设备故障检测模型,以及,获取设备运行参数;
步骤120,将所述设备运行参数输入至所述设备故障检测模型;
步骤130,获取设备异常信息;所述设备异常信息为当所述设备运行参数异常,所述设备故障检测模型输出的设备异常信息;
步骤140,查询所述设备异常信息对应的可视化检修指引;
步骤150,展示所述可视化检修指引,以指引检修人员进行设备检修;所述可视化检修指引包括检修操作流程图和待检修设备图。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤;
获取正常设备运行参数;对所述正常设备运行参数进行数据降维,生成降维矩阵;确定所述降维矩阵的主元个数;根据所述主元个数,计算所述正常设备运行参数的正常主元统计量;确定所述正常主元统计量的安全控制限,并建立设备故障检测模型。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤;
所述获取设备异常信息,包括:计算所述设备运行参数的当前主元统计量;
判断所述当前主元统计量是否超过所述安全控制限;若是,获取所述当前主元统计量的统计量贡献图;根据所述统计量贡献图,确定所述异常参数类型。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤;
所述获取设备异常信息,包括:获取设备故障族群类别模型矩阵;计算所述设备运行参数与故障族群类别模型矩阵之间的欧氏距离;确定所述欧氏距离对应的设备故障类型。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
获取设备运行参数的实时趋势曲线;生成实时趋势曲线的异常类型预测结果;查询异常类型预测结果的可视化预检指引;展示可视化预检指引,以指引检修人员进行设备预检;可视化预检指引包括预检操作流程图和待预检设备图。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
获取历史趋势曲线;历史趋势曲线具有对应的候选异常类型;匹配历史趋势曲线和实时趋势曲线,得到目标历史趋势曲线;获取目标历史趋势曲线对应的候选异常类型,作为异常类型预测结果;所述异常类型预测结果用于提前预判设备情况避免故障发生。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
确定参数差值的异常严重等级;获取异常严重等级的报警外观特征;展示报警外观特征。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种设备故障的检修方法,其特征在于,包括:
建立设备故障检测模型,以及,获取设备运行参数;
将所述设备运行参数输入至所述设备故障检测模型;
获取设备异常信息;所述设备异常信息为当所述设备运行参数异常,所述设备故障检测模型输出的设备异常信息;
查询所述设备异常信息对应的可视化检修指引;
展示所述可视化检修指引,以指引检修人员进行设备检修;所述可视化检修指引包括检修操作流程图和待检修设备图。
2.根据权利要求1所述的方法,其特征在于,所述建立设备故障检测模型,包括;
获取正常设备运行参数;
对所述正常设备运行参数进行数据降维,生成降维矩阵;
确定所述降维矩阵的主元个数;
根据所述主元个数,计算所述正常设备运行参数的正常主元统计量;
确定所述正常主元统计量的安全控制限,并建立设备故障检测模型。
3.根据权利要求1所述的方法,其特征在于,所述设备异常信息包括异常参数类型;
所述获取设备异常信息,包括:
计算所述设备运行参数的当前主元统计量;
判断所述当前主元统计量是否超过所述安全控制限;
若是,获取所述当前主元统计量的统计量贡献图;
根据所述统计量贡献图,确定所述异常参数类型。
4.根据权利要求1所述的方法,其特征在于,所述设备异常信息包括设备故障类型;
所述获取设备异常信息,包括:
获取设备故障族群类别模型矩阵;
计算所述设备运行参数与故障族群类别模型矩阵之间的欧氏距离;
确定所述欧氏距离对应的设备故障类型。
5.根据权利要求1所述的方法,其特征在于,还包括:
获取所述设备运行参数的实时趋势曲线;
生成所述实时趋势曲线的异常类型预测结果;
查询所述异常类型预测结果的可视化预检指引;
展示所述可视化预检指引,以指引检修人员进行设备预检;所述可视化预检指引包括预检操作流程图和待预检设备图。
6.根据权利要求5所述的方法,其特征在于,所述生成所述实时趋势曲线的异常类型预测结果的步骤包括:
获取历史趋势曲线;所述历史趋势曲线具有对应的候选异常类型;
匹配所述历史趋势曲线和所述实时趋势曲线,得到目标历史趋势曲线;
获取所述目标历史趋势曲线对应的候选异常类型,作为所述异常类型预测结果;所述异常类型预测结果用于提前预判设备情况避免故障发生。
7.根据权利要求1所述的方法,其特征在于,还包括:
当所述设备运行参数异常,计算所述设备运行参数与预设的参数阈值之间的参数差值;
确定所述参数差值的异常严重等级;
获取所述异常严重等级的报警外观特征;
展示所述报警外观特征。
8.一种设备故障的检修装置,其特征在于,所述装置包括:
获取模块,用于建立设备故障检测模型,以及,获取设备运行参数;
输入模块,用于将所述设备运行参数输入至所述设备故障检测模型;
输出模块,用于获取设备异常信息;所述设备异常信息为当所述设备运行参数异常,所述设备故障检测模型输出的设备异常信息;
可视化检修指引查询模块,用于查询所述设备异常信息对应的可视化检修指引;
可视化检修指引展示模块,用于展示所述可视化检修指引,以指引检修人员进行设备检修;所述可视化检修指引包括检修操作流程图和待检修设备图。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910084325.5A CN109782739B (zh) | 2019-01-29 | 2019-01-29 | 设备故障的检修方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910084325.5A CN109782739B (zh) | 2019-01-29 | 2019-01-29 | 设备故障的检修方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109782739A true CN109782739A (zh) | 2019-05-21 |
CN109782739B CN109782739B (zh) | 2021-02-09 |
Family
ID=66502861
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910084325.5A Active CN109782739B (zh) | 2019-01-29 | 2019-01-29 | 设备故障的检修方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109782739B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110704967A (zh) * | 2019-09-20 | 2020-01-17 | 浙江大丰实业股份有限公司 | 凸轮轴参数检验方法、装置、计算机设备和存储介质 |
CN111061252A (zh) * | 2019-12-24 | 2020-04-24 | 浙江大学 | 一种基于数据驱动的精馏塔智能看板 |
CN111121943A (zh) * | 2019-12-13 | 2020-05-08 | 湖南师范大学 | 零点故障检测方法、装置、计算机设备和可读存储介质 |
CN111126632A (zh) * | 2019-11-25 | 2020-05-08 | 合肥美的电冰箱有限公司 | 一种家电故障预测方法、预测装置、冰箱及存储介质 |
CN111524622A (zh) * | 2020-03-19 | 2020-08-11 | 岭东核电有限公司 | 核电站机组故障报警定位方法、系统、计算机设备及介质 |
CN112183780A (zh) * | 2020-09-27 | 2021-01-05 | 珠海格力电器股份有限公司 | 故障维修引导方法、装置及系统、存储介质 |
CN112333444A (zh) * | 2020-11-03 | 2021-02-05 | 珠海格力电器股份有限公司 | 设备检修方法、装置、设备及存储介质 |
CN113378810A (zh) * | 2021-04-28 | 2021-09-10 | 合肥联宝信息技术有限公司 | 一种螺丝锁附检测方法、装置、设备和可读存储介质 |
CN113570088A (zh) * | 2021-09-27 | 2021-10-29 | 南通东信车厢制造有限公司 | 一种基于人工智能的机车配件检修方法及系统 |
CN113807678A (zh) * | 2021-09-01 | 2021-12-17 | 日立楼宇技术(广州)有限公司 | 站台安全门能效管理方法、装置、计算机设备和存储介质 |
CN114236314A (zh) * | 2021-12-17 | 2022-03-25 | 瀚云科技有限公司 | 一种故障检测方法、装置、设备和存储介质 |
CN115695150A (zh) * | 2022-11-01 | 2023-02-03 | 广州城轨科技有限公司 | 一种基于分布式异构融合组网设备检测方法及装置 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101446831A (zh) * | 2008-12-30 | 2009-06-03 | 东北大学 | 一种分散的过程监测方法 |
KR20100079971A (ko) * | 2008-12-31 | 2010-07-08 | 엘지전자 주식회사 | 공기조화기의 실내기 |
CN203240710U (zh) * | 2012-12-29 | 2013-10-16 | 海尔集团公司 | 带运行模式指示装置的空调 |
CN104331572A (zh) * | 2014-11-17 | 2015-02-04 | 南京工程学院 | 考虑风速和风电机组故障相关性的风电场可靠性建模方法 |
CN107228913A (zh) * | 2017-06-09 | 2017-10-03 | 广西电网有限责任公司电力科学研究院 | 一种变压器故障类型的状态诊断系统 |
KR101809409B1 (ko) * | 2017-05-04 | 2017-12-14 | 엘지전자 주식회사 | 공기 청정기 |
CN207279833U (zh) * | 2017-10-21 | 2018-04-27 | 中山市艾尔环境科技有限公司 | 一种双向进气的空气净化器 |
CN108266800A (zh) * | 2018-01-30 | 2018-07-10 | 广东美的制冷设备有限公司 | 空调柜机和具有其的空调器 |
CN108278676A (zh) * | 2018-03-07 | 2018-07-13 | 广东美的制冷设备有限公司 | 空调室内机和具有其的空调器 |
CN108278668A (zh) * | 2018-01-30 | 2018-07-13 | 广东美的制冷设备有限公司 | 空调器、空调器的室内机和空气质量提示方法 |
CN108416429A (zh) * | 2018-02-24 | 2018-08-17 | 华北水利水电大学 | 基于som神经网络的氢燃料发动机故障诊断系统及其方法 |
CN108895566A (zh) * | 2018-08-21 | 2018-11-27 | 胡春霞 | 一种具有定位功能的空气净化器 |
CN109062196A (zh) * | 2018-10-31 | 2018-12-21 | 东北大学 | 一种集成pca-ica的高炉过程监测及故障诊断方法 |
-
2019
- 2019-01-29 CN CN201910084325.5A patent/CN109782739B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101446831A (zh) * | 2008-12-30 | 2009-06-03 | 东北大学 | 一种分散的过程监测方法 |
KR20100079971A (ko) * | 2008-12-31 | 2010-07-08 | 엘지전자 주식회사 | 공기조화기의 실내기 |
CN203240710U (zh) * | 2012-12-29 | 2013-10-16 | 海尔集团公司 | 带运行模式指示装置的空调 |
CN104331572A (zh) * | 2014-11-17 | 2015-02-04 | 南京工程学院 | 考虑风速和风电机组故障相关性的风电场可靠性建模方法 |
KR101809409B1 (ko) * | 2017-05-04 | 2017-12-14 | 엘지전자 주식회사 | 공기 청정기 |
CN107228913A (zh) * | 2017-06-09 | 2017-10-03 | 广西电网有限责任公司电力科学研究院 | 一种变压器故障类型的状态诊断系统 |
CN207279833U (zh) * | 2017-10-21 | 2018-04-27 | 中山市艾尔环境科技有限公司 | 一种双向进气的空气净化器 |
CN108266800A (zh) * | 2018-01-30 | 2018-07-10 | 广东美的制冷设备有限公司 | 空调柜机和具有其的空调器 |
CN108278668A (zh) * | 2018-01-30 | 2018-07-13 | 广东美的制冷设备有限公司 | 空调器、空调器的室内机和空气质量提示方法 |
CN108416429A (zh) * | 2018-02-24 | 2018-08-17 | 华北水利水电大学 | 基于som神经网络的氢燃料发动机故障诊断系统及其方法 |
CN108278676A (zh) * | 2018-03-07 | 2018-07-13 | 广东美的制冷设备有限公司 | 空调室内机和具有其的空调器 |
CN108895566A (zh) * | 2018-08-21 | 2018-11-27 | 胡春霞 | 一种具有定位功能的空气净化器 |
CN109062196A (zh) * | 2018-10-31 | 2018-12-21 | 东北大学 | 一种集成pca-ica的高炉过程监测及故障诊断方法 |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110704967A (zh) * | 2019-09-20 | 2020-01-17 | 浙江大丰实业股份有限公司 | 凸轮轴参数检验方法、装置、计算机设备和存储介质 |
CN111126632A (zh) * | 2019-11-25 | 2020-05-08 | 合肥美的电冰箱有限公司 | 一种家电故障预测方法、预测装置、冰箱及存储介质 |
CN111126632B (zh) * | 2019-11-25 | 2024-02-02 | 合肥美的电冰箱有限公司 | 一种家电故障预测方法、预测装置、冰箱及存储介质 |
CN111121943A (zh) * | 2019-12-13 | 2020-05-08 | 湖南师范大学 | 零点故障检测方法、装置、计算机设备和可读存储介质 |
CN111121943B (zh) * | 2019-12-13 | 2021-05-18 | 湖南师范大学 | 零点故障检测方法、装置、计算机设备和可读存储介质 |
CN111061252A (zh) * | 2019-12-24 | 2020-04-24 | 浙江大学 | 一种基于数据驱动的精馏塔智能看板 |
CN111524622A (zh) * | 2020-03-19 | 2020-08-11 | 岭东核电有限公司 | 核电站机组故障报警定位方法、系统、计算机设备及介质 |
CN112183780A (zh) * | 2020-09-27 | 2021-01-05 | 珠海格力电器股份有限公司 | 故障维修引导方法、装置及系统、存储介质 |
CN112333444B (zh) * | 2020-11-03 | 2021-11-16 | 珠海格力电器股份有限公司 | 设备检修方法、装置、设备及存储介质 |
CN112333444A (zh) * | 2020-11-03 | 2021-02-05 | 珠海格力电器股份有限公司 | 设备检修方法、装置、设备及存储介质 |
CN113378810A (zh) * | 2021-04-28 | 2021-09-10 | 合肥联宝信息技术有限公司 | 一种螺丝锁附检测方法、装置、设备和可读存储介质 |
CN113378810B (zh) * | 2021-04-28 | 2022-04-15 | 合肥联宝信息技术有限公司 | 一种螺丝锁附检测方法、装置、设备和可读存储介质 |
CN113807678A (zh) * | 2021-09-01 | 2021-12-17 | 日立楼宇技术(广州)有限公司 | 站台安全门能效管理方法、装置、计算机设备和存储介质 |
CN113807678B (zh) * | 2021-09-01 | 2024-03-22 | 日立楼宇技术(广州)有限公司 | 站台安全门能效管理方法、装置、计算机设备和存储介质 |
CN113570088B (zh) * | 2021-09-27 | 2021-11-30 | 南通东信车厢制造有限公司 | 一种基于人工智能的机车配件检修方法及系统 |
CN113570088A (zh) * | 2021-09-27 | 2021-10-29 | 南通东信车厢制造有限公司 | 一种基于人工智能的机车配件检修方法及系统 |
CN114236314A (zh) * | 2021-12-17 | 2022-03-25 | 瀚云科技有限公司 | 一种故障检测方法、装置、设备和存储介质 |
CN115695150A (zh) * | 2022-11-01 | 2023-02-03 | 广州城轨科技有限公司 | 一种基于分布式异构融合组网设备检测方法及装置 |
CN115695150B (zh) * | 2022-11-01 | 2023-08-08 | 广州城轨科技有限公司 | 一种基于分布式异构融合组网设备检测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN109782739B (zh) | 2021-02-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109782739A (zh) | 设备故障的检修方法、装置、计算机设备和存储介质 | |
Mourtzis et al. | Intelligent predictive maintenance and remote monitoring framework for industrial equipment based on mixed reality | |
CN109061341A (zh) | 基于神经网络的卡尔曼滤波变压器故障预测方法和系统 | |
US20200081054A1 (en) | Power line issue diagnostic methods and apparatus using distributed analytics | |
CN104102773A (zh) | 一种设备故障预警及状态监测方法 | |
CN110766277A (zh) | 用于核工业现场的健康评估及诊断系统和移动终端 | |
EP3364261A1 (en) | Generation of partial plant topology data from plant operations data | |
CN107368054A (zh) | 工况分析管理系统及工厂管理系统 | |
CN106257053A (zh) | 一种水泵运行状态的检测方法、装置及系统 | |
CN108181893A (zh) | 一种基于pca-kdr的故障检测方法 | |
CN110009126A (zh) | 基于pls模型与pca贡献度融合的在线报警分析方法 | |
CN109541350A (zh) | 基于自适应多元累积和控制图的变压器状态评价方法 | |
CN105425739A (zh) | 使用plc日志数据来预测异常发生的系统 | |
US20160195872A1 (en) | System for Assisting Operation at the Time of Plant Accident and Method for Assisting Operation at the Time of Plant Accident | |
CN114550336B (zh) | 设备巡检方法、装置、计算机设备和存储介质 | |
CN109324145A (zh) | 在线监测设备自动标定方法及终端设备 | |
CN113673600B (zh) | 一种工业信号异常预警方法、系统、存储介质及计算设备 | |
KR101896442B1 (ko) | Ict 융합형 풍력 발전 단지 모니터링 시스템, 서버 및 방법 | |
CN105097057B (zh) | 一种基于灰度图像的核反应堆主泵故障辅助诊断系统及方法 | |
CN116414086A (zh) | 基于fmeda失效预测技术集成安全控制系统的装置 | |
CN114048346A (zh) | 一种基于gis的安全生产一体化管控平台及方法 | |
CN110783007A (zh) | 一种反应堆控制室系统 | |
CN104731955A (zh) | 风电机组油液监测诊断标准建立及智能诊断方法及系统 | |
CN104833428A (zh) | 电力设备温度检测系统 | |
KR20130035122A (ko) | 성능 감시 및 분석을 제공하는 방법 및 장치 |
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 |