CN109783903B - 一种基于时间序列的工业用水管道故障诊断方法及系统 - Google Patents
一种基于时间序列的工业用水管道故障诊断方法及系统 Download PDFInfo
- Publication number
- CN109783903B CN109783903B CN201811625928.3A CN201811625928A CN109783903B CN 109783903 B CN109783903 B CN 109783903B CN 201811625928 A CN201811625928 A CN 201811625928A CN 109783903 B CN109783903 B CN 109783903B
- Authority
- CN
- China
- Prior art keywords
- data
- time sequence
- model
- historical time
- time series
- 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
- 238000000034 method Methods 0.000 title claims abstract description 36
- 239000008235 industrial water Substances 0.000 title claims abstract description 25
- 238000003745 diagnosis Methods 0.000 title claims abstract description 22
- 238000012544 monitoring process Methods 0.000 claims abstract description 40
- 238000007689 inspection Methods 0.000 claims abstract description 13
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 238000001514 detection method Methods 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims description 24
- 238000001914 filtration Methods 0.000 claims description 20
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 14
- 238000005311 autocorrelation function Methods 0.000 claims description 9
- 241001123248 Arma Species 0.000 claims description 6
- 238000004140 cleaning Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000012935 Averaging Methods 0.000 claims 1
- 230000006870 function Effects 0.000 description 5
- 238000005457 optimization Methods 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Landscapes
- Testing Or Calibration Of Command Recording Devices (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种基于时间序列的工业用水管道故障诊断方法及系统,实时监测和采集管道瞬时流量数据,作为时间序列观测值数据;从时间序列观测值中分割出待监测期之前的历史时间序列观测值数据和监测期时间序列观测值数据;对历史时间序列观测值数据进行数据预处理,得到平稳历史时间序列数据,进行数据拟合建模,得到平稳历史时间序列模型;通过平稳历史时间序列模型预测出监测期时间序列预测值,对监测期时间序列预测值进行分析判断,得出故障区域,对故障区域发出故障预警信号;本发明通过可以实现对工业用水管道的故障及时预测诊断,本故障诊断方法适用于大范围检测,很大程度上能够节约检查的成本和降低检修难度。
Description
技术领域
本发明涉及工业用水领域,更具体地说涉及一种基于时间序列的工业用水管道故障诊断方法及系统。
背景技术
工业用水管道分布复杂,很多管道是深埋地下的,长时间受到腐蚀及水垢的影响,抗压能力下降,容易形成爆裂。爆裂会造成大流量的泄漏,水资源大量流失,所以对于工业用水管道的监控很重要,需要实时掌握管道状况,在发生故障时及时采取措施来降低损失但是现有的用水管道故障检测技术多以人工听音检查、负压波检测法等,效率低,受环境和时间限制较大。基于物联网技术的管道监测技术比较成熟,各级管网的瞬时流量和日用水量数据都容易获得,可以利用这些检测所得数据来诊断是否用水管道是否发生故障。
发明内容
本发明要解决的技术问题是:无法实时监测和判断工业用水管道是否故障。
本发明解决其技术问题的解决方案是:一种基于时间序列的工业用水管道故障诊断方法,包括以下步骤:
步骤一:实时监测和采集管道瞬时流量数据,作为时间序列观测值数据;
步骤二:从时间序列观测值数据中分割出待监测期之前的时间序列观测值数据,即历史时间序列观测值数据;
步骤三:从时间序列观测值数据中分割出待监测期区间的时间序列观测值数据,即监测期时间序列观测值数据;
步骤四:将监测期时间序列观测值数据的均值与预设定的管道瞬时流量阈值进行比较,若所述均值小于管道瞬时流量阈值,进行下一个步骤,否则将该时间序列所表示的区域分类为非故障区域;
步骤五:对历史时间序列观测值数据进行数据预处理,得到平稳历史时间序列数据;
步骤六:对平稳历史时间序列数据进行数据拟合建模,得到平稳历史时间序列模型;
步骤七:通过平稳历史时间序列模型预测出监测期区间的时间序列数据,即监测期时间序列预测值数据;
步骤八:根据监测期时间序列观测值数据和监测期时间序列预测值数据之间的差值得到的预测误差数据,计算出监测期间的变化水平值;
步骤九:判断变化水平值是否大于预设的变化水平阈值,若是,则将该时间序列所表示的区域分类为故障区域,否则分类为非故障区域;
步骤十:对故障区域发出故障预警信号。
进一步,所述步骤四中对历史时间序列观测值数据进行数据预处理为:
步骤S1:对历史时间序列观测值数据进行数据清洗和数据滤波,从而得到滤波时序;
步骤S2:采用单位根检验方法检验滤波时序的平稳性,对于不符合平稳性的滤波时序进行差分处理,得到平稳历史时间序列数据。
进一步,所述单位根检验方法为ADF检验。
进一步,所述步骤五的平稳历史时间序列模型为ARMA模型。
进一步,所述变化水平值为所述预测误差数据的众数。
一种基于时间序列的工业用水管道故障诊断系统,包括所述一种基于时间序列的工业用水管道故障诊断方法,所述故障诊断系统包括:
数据采集模块:用于监测和采集用水管道瞬时流量数据,并将采集所得的数据发送到处理模块;
处理模块:用于建立时间序列模型,计算出监测期时间序列预测值,对时间序列观测值进行判读,输出关于故障区域信息;
故障预警模块:接收故障区域信息,发出故障预警信号;
所述处理模块分别与所述数据采集模块和故障预警模块相连接。
进一步,所述数据采集模块为水流量传感器。
本发明的有益效果是:本发明通过利用监测管道瞬时流量,基于时间序列的分析方法,可以实现对工业用水管道的故障及时预测诊断,本故障诊断方法适用于大范围检测,很大程度上能够节约检查的成本和降低检修难度。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单说明。显然,所描述的附图只是本发明的一部分实施例,而不是全部实施例,本领域的技术人员在不付出创造性劳动的前提下,还可以根据这些附图获得其他设计方案和附图。
图1是本发明的流程图;
图2是本发明数据预处理的流程图;
图3是本发明的模块图。
具体实施方式
以下将结合实施例和附图对本发明的构思、具体结构及产生的技术效果进行清楚、完整的描述,以充分地理解本发明的目的、特征和效果。显然,所描述的实施例只是本发明的一部分实施例,而不是全部实施例,基于本发明的实施例,本领域的技术人员在不付出创造性劳动的前提下所获得的其他实施例,均属于本发明保护的范围。另外,文中所提到的所有连接关系,并非单指构件直接相接,而是指可根据具体实施情况,通过添加或减少连接辅件,来组成更优的连接结构。本发明创造中的各个技术特征,在不互相矛盾冲突的前提下可以交互组合。
实施例1,参照图1,一种基于时间序列的工业用水管道故障诊断方法,包括以下步骤:
步骤一:实时监测和采集管道瞬时流量数据,作为时间序列观测值数据;
步骤二:从时间序列观测值数据中分割出待监测期之前的时间序列观测值数据,即历史时间序列观测值数据;
步骤三:从时间序列观测值数据中分割出待监测期区间的时间序列观测值数据,即监测期时间序列观测值数据;
步骤四:将监测期时间序列观测值数据的均值与预设定的管道瞬时流量阈值进行比较,若所述均值小于管道瞬时流量阈值,进行下一个步骤,否则将该时间序列所表示的区域分类为非故障区域;
步骤五:对历史时间序列观测值数据进行数据预处理,得到平稳历史时间序列数据;
步骤六:对平稳历史时间序列数据进行数据拟合建模,得到平稳历史时间序列模型;
步骤七:通过平稳历史时间序列模型预测出监测期区间的时间序列数据,即监测期时间序列预测值数据;
步骤八:根据监测期时间序列观测值数据和监测期时间序列预测值数据之间的差值得到的预测误差数据,计算出监测期间的变化水平值;
步骤九:判断变化水平值是否大于预设的变化水平阈值,若是,则将该时间序列所表示的区域分类为故障区域,否则分类为非故障区域;
步骤十:对故障区域发出故障预警信号。
管道瞬时流量阈值为历史时间序列观测值数据的均值。
作为优化,参考图2,所述步骤四中对历史时间序列观测值数据进行数据预处理为:
步骤S1:对历史时间序列观测值数据进行数据清洗和数据滤波,从而得到滤波时序;
步骤S2:采用单位根检验方法检验滤波时序的平稳性,对于不符合平稳性的滤波时序进行差分处理,得到平稳历史时间序列数据。
所述数据清洗是对数据进行重新审查和校验,并对脏数据进行去除的过程,所述脏数据包括缺失值、异常值以及含有特殊字符的数据,所述异常值通过利用单变量的散点图进行判断初步,再利用统计学3σ法原则进行述异常值的排查。
所述数据清洗具体为:针对单点的测量异常,采用局部数值填充,针对时段性的异常,先采用零值替换法剔除异常时间段的数值,然后利用局部平均值进行填补。
所述数据滤波具体为:选取卡尔曼滤波对时间序列数据进行滤波处理。
作为优化,所述单位根检验方法为ADF检验。对获得滤波时序数据,用单位根ADF进行检验,如果ADF检验的值等于0或者小于预设值,该预设值选取0.01或0.05,则判断滤波时间序列数据为平稳时间序列数据;对于非平稳时间序列数据先进行1阶差分运算,在用ADF检验判断是否为平稳时间序列,对于检验后的非平稳时间序列在进行2阶差分运算,获得平稳历史时间序列数据。
作为优化,所述步骤五的平稳历史时间序列模型为ARMA模型。
历史时间序列观测值数据表示为Yt,如上所述ADF检验,对Yt进行d次差分运算(d=0,1,…,n),得到平稳历史时间序列数据Xt,进行零均值处理:即:其中为平稳历史时间序列数据的均值,得到一组预处理后的新序列Xt'。
根据上述计算结果,可以确定Xt'符合的模型。
利用赤池信息量准则AIC进行模型定阶。
首先要检验所建立模型是否能满足平稳性和可逆性,即要求下式(1)、式(2)根在单位圆外,具体公式如下:
其中B为延迟算子。
再进一步判断上述模型的残差序列是否为白噪声,如果不是,则需要重新进行模型识别,如果是,则通过检验,得出ARMA(p,q)预测模型,即平稳历史时间序列模型:
根据上述预测模型,依据一步预测的方法对Xt'进行预测,得到监测期时间序列预测值数据。
作为优化,所述变化水平值为所述预测误差数据的众数。
所述预设的变化水平阈值可调,可以根据经验来设定。本实施例中所述预设的变化水平阈值为历史时间序列观测值数据的均值的10%。设定变化水平阈值为了避免较小的变化水平所引起的误差。
本发明通过利用监测管道瞬时流量,基于时间序列的分析方法,可以实现对工业用水管道的故障及时预测诊断,本故障诊断方法适用于大范围检测,很大程度上能够节约检查的成本和降低检修难度。
参考图3,一种基于时间序列的工业用水管道故障诊断系统,包括所述一种基于时间序列的工业用水管道故障诊断方法,所述诊断系统包括:
数据采集模块:用于监测和采集用水管道瞬时流量数据,并将采集所得的数据发送到处理模块;
处理模块:用于建立时间序列模型,计算出监测期时间序列预测值,对时间序列观测值进行判读,输出关于故障区域信息;
故障预警模块:接收故障区域信息,发出故障预警信号;
所述处理模块分别与所述数据采集模块和故障预警模块相连接。
作为优化,所述数据采集模块为水流量传感器。
所述水流量传感器设置在用水管道各节点处,用于检测用水管道的瞬时流量数据,水流量传感器将采集所得的瞬时流量数据发送到处理模块,处理模块对采集所得数据进行处理分析,输出关于故障区域信息到故障预警模块,故障预警模块发出预警信号。
所述处理模块包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序。所述处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,所述处理器是所述一种基于时间序列的工业用水管道故障诊断系统的控制中心,利用各种接口和线路连接整个一种基于时间序列的工业用水管道故障诊断系统可运行装置的各个部分。
所述存储器可用于存储所述计算机程序和/或模块,所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现所述一种基于时间序列的工业用水管道故障诊断系统的各种功能。所述存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如数据读取功能、图像播放功能等)等;存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
所述故障预警模块通过文字和声音的方式来发出故障预警信号,但不局限于这两种发出预警的方式。
以上对本发明的较佳实施方式进行了具体说明,但本发明创造并不限于所述实施例,熟悉本领域的技术人员在不违背本发明精神的前提下还可作出种种的等同变型或替换,这些等同的变型或替换均包含在本申请权利要求所限定的范围内。
Claims (4)
1.一种基于时间序列的工业用水管道故障诊断方法,其特征在于:包括以下步骤:
步骤一:实时监测和采集管道瞬时流量数据,作为时间序列观测值数据;
步骤二:从时间序列观测值数据中分割出待监测期之前的时间序列观测值数据,即历史时间序列观测值数据;
步骤三:从时间序列观测值数据中分割出待监测期区间的时间序列观测值数据,即监测期时间序列观测值数据;
步骤四:将监测期时间序列观测值数据的均值与预设定的管道瞬时流量阈值进行比较,若所述均值小于管道瞬时流量阈值,进行下一个步骤,否则将该时间序列所表示的区域分类为非故障区域;
步骤五:对历史时间序列观测值数据进行数据预处理,得到平稳历史时间序列数据;
步骤六:对平稳历史时间序列数据进行数据拟合建模,得到平稳历史时间序列模型;
步骤七:通过平稳历史时间序列模型预测出监测期区间的时间序列数据,即监测期时间序列预测值数据;
步骤八:根据监测期时间序列观测值数据和监测期时间序列预测值数据之间的差值得到的预测误差数据,计算出监测期间的变化水平值;
步骤九:判断变化水平值是否大于预设的变化水平阈值,若是,则将该时间序列所表示的区域分类为故障区域,否则分类为非故障区域;
步骤十:对故障区域发出故障预警信号;
其中,所述对历史时间序列观测值数据进行数据预处理为:
对历史时间序列观测值数据进行数据清洗和数据滤波,从而得到滤波时序;
采用单位根检验方法检验滤波时序的平稳性,对于不符合平稳性的滤波时序进行差分处理,得到平稳历史时间序列数据;
其中,所述单位根检验方法为ADF检验,所述平稳历史时间序列模型为ARMA模型;
其中,步骤六包括:
所述历史时间序列观测值数据表示为Yt,通过所述ADF检验对Yt进行d次差分运算(d=0,1,…,n),得到所述平稳历史时间序列数据Xt,并对所述平稳历史时间序列数据Xt进行零均值处理;
其中,所述零均值处理满足以下公式:
其中,所述模型识别的过程满足以下公式:
检验模型是否能够满足平稳性和可逆性,即要求下式(1)、式(2)根在单位圆外,式(1)满足:
式(2)满足:
其中,B为延迟算子;
判断模型的残差序列是否为白噪声,如果是,则输出平稳历史时间序列模型;如果否,则重新进行模型识别;
其中,所述平稳历史时间序列模型满足:
2.根据权利要求1所述的一种基于时间序列的工业用水管道故障诊断方法,其特征在于:所述变化水平值为所述预测误差数据的众数。
3.一种基于时间序列的工业用水管道故障诊断系统,其特征在于:包括权利要求1-2任一项所述的一种基于时间序列的工业用水管道故障诊断方法,所述故障诊断系统包括:
数据采集模块:用于监测和采集用水管道瞬时流量数据,并将采集所得的数据发送到处理模块;
处理模块:用于建立时间序列模型,计算出监测期时间序列预测值,对监测期时间序列观测值进行判读,输出关于故障区域信息;
故障预警模块:接收故障区域信息,发出故障预警信号;
所述处理模块分别与所述数据采集模块和故障预警模块相连接;
其中,所述建立时间序列模型的步骤为:
从用水管道瞬时流量数据中分割出待监测期之前的时间序列观测值数据,即历史时间序列观测值数据;
对历史时间序列观测值数据进行数据预处理,得到平稳历史时间序列数据;
对平稳历史时间序列数据进行数据拟合建模,得到平稳历史时间序列模型;
其中,所述对历史时间序列观测值数据进行数据预处理为:
对历史时间序列观测值数据进行数据清洗和数据滤波,从而得到滤波时序;
采用单位根检验方法检验滤波时序的平稳性,对于不符合平稳性的滤波时序进行差分处理,得到平稳历史时间序列数据;
其中,所述单位根检验方法为ADF检验,所述平稳历史时间序列模型为ARMA模型;
其中,对平稳历史时间序列数据进行数据拟合建模,得到平稳历史时间序列模型,包括:
所述历史时间序列观测值数据表示为Yt,通过所述ADF检验对Yt进行d次差分运算(d=0,1,…,n),得到所述平稳历史时间序列数据Xt,并对所述平稳历史时间序列数据Xt进行零均值处理;
其中,所述零均值处理满足以下公式:
其中,所述模型识别的过程满足以下公式:
检验模型是否能够满足平稳性和可逆性,即要求下式(1)、式(2)根在单位圆外,式(1)满足:
式(2)满足:
其中,B为延迟算子;
判断模型的残差序列是否为白噪声,如果是,则输出平稳历史时间序列模型;如果否,则重新进行模型识别;
其中,所述平稳历史时间序列模型满足:
4.根据权利要求3所述的一种基于时间序列的工业用水管道故障诊断系统,其特征在于:所述数据采集模块为水流量传感器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811625928.3A CN109783903B (zh) | 2018-12-28 | 2018-12-28 | 一种基于时间序列的工业用水管道故障诊断方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811625928.3A CN109783903B (zh) | 2018-12-28 | 2018-12-28 | 一种基于时间序列的工业用水管道故障诊断方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109783903A CN109783903A (zh) | 2019-05-21 |
CN109783903B true CN109783903B (zh) | 2023-01-24 |
Family
ID=66498739
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811625928.3A Active CN109783903B (zh) | 2018-12-28 | 2018-12-28 | 一种基于时间序列的工业用水管道故障诊断方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109783903B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110182520B (zh) * | 2019-05-29 | 2020-11-17 | 浪潮集团有限公司 | 一种基于融合时序预测模型的钢卷仓储吞吐量的预测方法 |
CN110425694B (zh) * | 2019-08-09 | 2021-05-25 | 长江慧控科技(武汉)有限公司 | 基于phm的高铁智能车站暖通空调能效控制管理方法 |
CN111104438A (zh) * | 2019-11-21 | 2020-05-05 | 新浪网技术(中国)有限公司 | 时间序列的周期性确定方法、装置及电子设备 |
CN111177128B (zh) * | 2019-12-11 | 2023-10-27 | 国网天津市电力公司电力科学研究院 | 基于改进的离群点检测算法的计量大数据批量处理方法及系统 |
CN110992209A (zh) * | 2019-12-17 | 2020-04-10 | 上海威派格智慧水务股份有限公司 | 一种流量预测方法 |
CN111599033B (zh) * | 2019-12-20 | 2023-01-13 | 深圳市鸿捷源自动化系统有限公司 | 一种诊断卷烟机故障的处理方法 |
CN112364069A (zh) * | 2020-09-14 | 2021-02-12 | 光大环境科技(中国)有限公司 | 基于时间序列的热电偶故障预警方法、系统及存储介质 |
CN113944888B (zh) * | 2021-11-03 | 2023-12-08 | 北京软通智慧科技有限公司 | 燃气管道泄漏检测方法、装置、设备和存储介质 |
CN116907846B (zh) * | 2023-07-15 | 2024-08-30 | 哈尔滨工程大学 | 燃气轮机轴承故障预测系统 |
CN117370906B (zh) * | 2023-08-21 | 2024-05-10 | 长江生态环保集团有限公司 | 基于单点和时间序列异常检测的爆管检测及性能评估方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005284722A (ja) * | 2004-03-30 | 2005-10-13 | Toto Ltd | 水道配管の見積もりシステム及び方法 |
CN102880170A (zh) * | 2012-10-08 | 2013-01-16 | 南京航空航天大学 | 基于基线模型和贝叶斯因子的系统故障早期预警方法 |
CN104091070A (zh) * | 2014-07-07 | 2014-10-08 | 北京泰乐德信息技术有限公司 | 一种基于时间序列分析的轨道交通故障诊断方法和系统 |
CN104268649A (zh) * | 2014-09-28 | 2015-01-07 | 江南大学 | 一种基于小波奇异性分析和arma模型的水管漏水检测方法 |
CN106484971A (zh) * | 2016-09-23 | 2017-03-08 | 北京清控人居环境研究院有限公司 | 一种排水管网监测点的自动识别方法 |
CN106870955A (zh) * | 2017-03-22 | 2017-06-20 | 浙江大学 | 服务于供水管网节点需水量反演的管网监测点优化布置方法 |
CN108843977A (zh) * | 2018-06-28 | 2018-11-20 | 武汉新烽光电股份有限公司 | 供水管网实时漏损分析方法、设备、系统及存储介质 |
CN108984873A (zh) * | 2018-06-28 | 2018-12-11 | 武汉新烽光电股份有限公司 | 供水管网实时漏损检测方法、设备、系统及存储介质 |
-
2018
- 2018-12-28 CN CN201811625928.3A patent/CN109783903B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005284722A (ja) * | 2004-03-30 | 2005-10-13 | Toto Ltd | 水道配管の見積もりシステム及び方法 |
CN102880170A (zh) * | 2012-10-08 | 2013-01-16 | 南京航空航天大学 | 基于基线模型和贝叶斯因子的系统故障早期预警方法 |
CN104091070A (zh) * | 2014-07-07 | 2014-10-08 | 北京泰乐德信息技术有限公司 | 一种基于时间序列分析的轨道交通故障诊断方法和系统 |
CN104268649A (zh) * | 2014-09-28 | 2015-01-07 | 江南大学 | 一种基于小波奇异性分析和arma模型的水管漏水检测方法 |
CN106484971A (zh) * | 2016-09-23 | 2017-03-08 | 北京清控人居环境研究院有限公司 | 一种排水管网监测点的自动识别方法 |
CN106870955A (zh) * | 2017-03-22 | 2017-06-20 | 浙江大学 | 服务于供水管网节点需水量反演的管网监测点优化布置方法 |
CN108843977A (zh) * | 2018-06-28 | 2018-11-20 | 武汉新烽光电股份有限公司 | 供水管网实时漏损分析方法、设备、系统及存储介质 |
CN108984873A (zh) * | 2018-06-28 | 2018-12-11 | 武汉新烽光电股份有限公司 | 供水管网实时漏损检测方法、设备、系统及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109783903A (zh) | 2019-05-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109783903B (zh) | 一种基于时间序列的工业用水管道故障诊断方法及系统 | |
CN109469896B (zh) | 一种基于时间序列分析工业锅炉故障的诊断方法及系统 | |
CN114036974A (zh) | 一种基于健康监测数据的桥梁冲刷动力识别方法 | |
CN108491861A (zh) | 基于多源多参量融合的输变电设备状态异常模式识别方法及装置 | |
CN103776654A (zh) | 多传感器信息融合的故障诊断方法 | |
CN107272651B (zh) | 一种动车组制动系统间歇乘性传感器故障的鲁棒检测方法 | |
CN210983490U (zh) | 一种水质突发污染动态预警信息监控系统 | |
CN110942137A (zh) | 一种基于深度学习的电网信息运维监控方法 | |
CN111626360B (zh) | 用于检测锅炉故障类型的方法、装置、设备和存储介质 | |
CN117439827B (zh) | 一种网络流量大数据分析方法 | |
CN110553789A (zh) | 一种压阻式压力传感器的状态检测方法、装置及制动系统 | |
CN112395382A (zh) | 基于变分自编码器的船舶异常航迹数据检测方法和装置 | |
CN117314020B (zh) | 一种浮游生物的湿地碳汇数据监测系统 | |
CN115909664A (zh) | 基于bim的河道安全预警方法、装置及设备 | |
CN116448219B (zh) | 油位异常检测方法、装置、设备及计算机可读存储介质 | |
CN113503289A (zh) | 一种液压马达故障检测方法、装置、系统及挖掘机 | |
CN108333443B (zh) | 电力设备间歇性缺陷的报警方法 | |
CN112016193B (zh) | 一种盾构机系统的润滑失效在线预测方法及系统 | |
CN109165396A (zh) | 一种故障演化趋势的设备剩余使用寿命预测方法 | |
CN112882898A (zh) | 基于大数据日志分析的异常检测方法、系统、设备及介质 | |
CN114001887B (zh) | 一种基于挠度监测的桥梁损伤评定方法 | |
CN116432527A (zh) | 一种空化预测方法、装置、存储介质及电子设备 | |
CN114112390B (zh) | 一种非线性复杂系统早期故障诊断方法 | |
CN106649204B (zh) | 一种变压器油中溶解气体异常识别方法 | |
CN112525336B (zh) | 一种机械设备振动连续增长的自动化检测方法 |
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 |