CN109933905B - 一种基于多维预警分析的机械设备健康状态评估方法 - Google Patents
一种基于多维预警分析的机械设备健康状态评估方法 Download PDFInfo
- Publication number
- CN109933905B CN109933905B CN201910188743.9A CN201910188743A CN109933905B CN 109933905 B CN109933905 B CN 109933905B CN 201910188743 A CN201910188743 A CN 201910188743A CN 109933905 B CN109933905 B CN 109933905B
- Authority
- CN
- China
- Prior art keywords
- early warning
- equipment
- state
- trend
- mechanical equipment
- 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
Landscapes
- Testing And Monitoring For Control Systems (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明属于机械设备状态监测领域,具体涉及一种基于多维预警分析的机械设备健康状态评估方法,包括以下步骤:步骤1:采集多种机械设备的不同类型的状态特征,按照状态特征对设备故障的反映程度对状态特征进行分类;步骤2:将步骤1的采集到的状态特征进行处理,获得多维预警分析结果;步骤3:结合步骤1得到的分类后的状态特征建立设备健康状态等级模型,将多维预警结果输入设备健康状态等级模型,获得每种机械设备的健康状态等级。本发明的预警技术的应用能够全面的检测设备早期异常状态,有助于工业现场更大程度的了解被监测设备的运行情况。
Description
技术领域
本发明属于机械设备状态监测领域,具体涉及一种基于多维预警分析的机械设备健康状态评估方法。
背景技术
机械设备的正常运转对工厂长期安全高效的生产有至关重要的作用,设备的安全运行能有效保障现场操作人员安全,提高生产效率,有效避免设备资产的损失。因此,对设备进行状态监测和预警有着非常关键的作用,通过设备状态监测及故障诊断,可以提早检查出设备问题,避免机械设备出现事故停机,从而减少停机损失,保障人员的作业安全。
传统的设备监测预警手段是:采集设备振动信号,通过信号处理得到一种特征值,对该特征值设置报警阈值,当超过该报警阈值后,设备报警。但是该监测预警手段是单一的,是针对某个测点的某个特征信号的反映,并不是设备的整体评价,因此,需要从多维分析角度对设备整体健康状态进行评价,从而指导用户对设备实施准确的维修保养。
发明内容
针对现有技术中预警方式单一,对设备健康状态评价不准确的问题,本发明提出了一种基于多维预警分析的机械设备健康状态评估方法,采用以下技术方案实现,包括以下步骤:
步骤1:采集多种机械设备的不同状态特征,按照状态特征对设备故障的反映程度对状态特征进行分类;
按照状态特征对设备故障的反映程度对状态特征进行分类;
步骤2:将步骤1的采集到的状态特征进行以下处理,获得多维预警分析结果:
(1)通过与标准阈值比较得到阈值预警结果;
(2)通过计算趋势增长率并与设定阈值进行比较得到趋势预警结果;
(3)通过设定差异倍数值并与设定阈值进行比较得到同类对比预警结果;
步骤3:结合步骤1得到的分类后的状态特征建立设备健康状态等级模型,将步骤2获得的多维预警结果输入设备健康状态等级模型,获得每种机械设备的健康状态等级。
进一步的,步骤1中所述状态特征包括振动监测系统采集的设备振动信号特征、DCS/SCADA系统采集的设备工况特征和工艺参数特征。
进一步的,步骤1中按照状态特征对设备故障的反映程度对状态特征进行分类,所述分类结果包括关键性指标组、非关键性指标组和不重要指标组。
进一步的,步骤2中阈值预警结果通过以下方式获得:
将输入的步骤1的状态特征与对应设备类型的ISO标准阈值进行比较,得到阈值预警结果,所述阈值预警结果包括正常、阈值高报、阈值高高报。
进一步的,步骤2中趋势预警结果通过以下方式获得:
提取输入的步骤1的状态特征的历史数据,将历史数据经数据预处理后进行线性回归得到拟合直线,并计算出拟合直线的趋势增长率,将趋势增长率与趋势高报报警阈值和趋势高高报报警阈值分别进行比较,得到趋势预警结果,所述趋势预警结果包括正常、趋势高报、趋势高高报。
进一步的,步骤2中对数据预处理后的历史数据进行线性回归,得到拟合直线的过程为:
记历史数据为(ti,yi),其中,i=1,2,…,n且n为正整数,yi为状态特征,Ti为状态特征的采集时间戳,ti为提取状态特征的时长间隔,且 t1=0,t2=T2-T1,…,tn=Tn-Tn-1,记线性回归拟合的直线为:y=b+at,根据拟合直线结果,根据式Ⅰ计算趋势增长率td:
进一步的,步骤2中同类对比预警结果通过以下方式获得:
设定差异倍数值,计算输入的步骤1的状态特征中同类设备同一时刻的状态特征的均值和标准差,并结合差异倍数值计算高报阈值和高高报阈值,将步骤1的状态特征与高报阈值和高高报阈值分别进行对比,得到同类对比预警结果,包括正常、同类对比高报、同类对比高高报。
进一步的,步骤2中所述同类设备同一时刻的状态特征的均值和标准差以及高报阈值和高高报阈值表示为:均值标准差高报阈值 ht=μ+k1σ、高高报阈值hht=μ+k2σ,其中k1,k2分别为高报阈值和高高报阈值差异倍数,并且有k2>k1,Vj表示同一时刻同类设备的状态特征,下标j表示同类设备编号且j=1,2,…,m,m为同类设备的总个数。
进一步的,步骤3包括如下子步骤:
建立设备健康状态等级模型,将步骤2获得的多维预警结果输入设备健康状态等级模型,若当前机械设备的多维预警结果对应的状态特征属于关键性指标组,则将所述多维预警结果输入关键性指标组矩阵,获得当前的健康状态,若当前机械设备的多维预警结果对应的状态特征属于非关键性指标组,则将所述多维预警结果输入非关键性指标组矩阵,获得当前的健康状态,最终获得每种机械设备的健康状态等级。
进一步的,所述设备健康状态等级模型包括六个等级,Ⅰ级表示设备正常、Ⅱ级表示设备存在潜在问题、Ⅲ级表示设备存在明显问题、Ⅳ级表示设备存在明显并持续恶化的问题、Ⅴ级表示设备存在危险问题、Ⅵ级表示设备存在危险并持续恶化的问题。
本发明具有如下有益效果:
(1)本发明的预警技术的应用能够全面的检测设备早期异常状态,现有的设备健康状态评价技术相比,通过多种预警技术评价设备健康状态,有效的提升了设备健康状态评价准确度。
(2)本发明的设备健康状态标准有助于工业现场更大程度的了解被监测设备的运行情况。
(3)本发明的设备健康状态标准有助于工业现场对被监测设备做出更精准的运行维护决策。
附图说明
图1是本发明整体流程图;
图2是本发明状态特征的分类图;
图3是本发明的多维预警分析结果分类图;
图4是阈值预警阈值来源判定逻辑图;
图5是阈值预警逻辑图;
图6是趋势预警逻辑图;
图7为某机械设备采集的加速度信号状态特征历史趋势图;
图8为某机械设备采集的包络信号状态特征历史趋势图;
图9是实施例中某设备一周内加速度峰值线性拟合结果;
图10是同类设备统计分析结果;
图11同类设备对比预警逻辑图;
图12是设备健康等级划分图;
图13是关键性指标组矩阵对应设备健康状态等级规则;
图14是非关键性指标组矩阵对应设备健康状态等级规则;
图15是设备健康等级输出逻辑图;
图16是实施例中关键性指标组多维预警分析结果;
图17是实施例中非关键性指标组多维预警分析结果。
具体实施方式
首先对方案中出现的技术术语进行解释:
关键性指标:设备发生故障时,灵敏度变化比率高于50%的状态特征。
非关键性指标:设备发生故障时,灵敏度变化比率大于10%并低于50%的状态特征。
不重要指标:设备发生故障时,灵敏度变化比率低于10%的状态特征。
高报HIGH:意思为高限报警,表示一级报警等级。
高高报HIGH HIGH:表示二级报警等级。
多种机械设备:不同机械结构,并且所配电机功率相差在50KW以上,所配电机的同步转速不同的设备。
多维预警分析模型:该模型将采集的状态特征分别通过阈值预警、趋势预警和同类对比预警,进行分析和判断,输出多种预警结果。
状态特征:包括振动监测系统采集的机械设备振动信号特征、 DCS/SCADA系统采集的设备工况特征和工艺参数特征等。
以下给出本发明的具体实施方式,需要说明的是本发明并不局限于以下具体实施例,凡在本申请技术方案基础上做的等同变换均落入本发明的保护范围。
一种基于多维预警分析的机械设备健康状态评估方法,包括以下步骤:
步骤1:采集多种机械设备的不同状态特征,按照状态特征对设备故障的反映程度对状态特征进行分类,设备不同的状态特征能够反应不同的故障程度和不同的故障重要性,将设备分为三类,其中关键性指标组为设备发生故障时,灵敏度变化比率高于50%的状态特征,非关键性指标组为设备发生故障时,灵敏度变化比率大于10%并低于50%的状态特征,不重要指标为设备发生故障时,灵敏度变化比率低于10%的状态特征;
步骤2:将步骤1的采集到的状态特征进行以下处理,获得多维预警分析结果:
(1)通过与标准阈值比较得到阈值预警结果;
(2)通过计算趋势增长率并与设定阈值进行比较得到趋势预警结果;
(3)通过设定差异倍数值并与设定阈值进行比较得到同类对比预警结果;
步骤3:建立设备健康状态等级模型,将步骤2获得的多维预警结果输入设备健康状态等级模型,获得每种机械设备的健康状态等级。
具体的,步骤1中所述状态特征包括振动监测系统采集的设备振动信号特征、DCS/SCADA系统采集的设备工况特征和工艺参数特征。
优选的,所述状态特征包括加速度峰值和包络峰值。
具体的,步骤1中按照状态特征对设备故障的反映程度对状态特征进行分类,所述分类结果包括关键性指标组、非关键性指标组和不重要指标组。
具体的,步骤2中阈值预警结果通过以下方式获得:
将输入的步骤1的状态特征与对应设备类型的ISO标准阈值进行比较,得到阈值预警结果,所述阈值预警结果包括正常、阈值高报、阈值高高报。
具体的,提取输入的步骤1的状态特征的历史数据,将历史数据经数据预处理后进行线性回归得到拟合直线,并计算出拟合直线的趋势增长率,将趋势增长率与趋势高报报警阈值和趋势高高报报警阈值分别进行比较,得到趋势预警结果,包括趋势正常、趋势高报、趋势高高报。计算高报阈值和高高报阈值时,设备实际值低于高报阈值为正常,高于高报阈值并低于高高报阈值为高报报警,高于高高报阈值为高高报报警。
优选的,趋势高报报警阈值范围为20%-80%,趋势高高报报警阈值范围为80%-200%。
优选的,所述数据预处理包括停机数据删除,离群数据删除。
优选的,步骤2中对数据预处理后的历史数据进行线性回归,得到拟合直线的过程为:
记历史数据为(ti,yi),其中,i=1,2,…,n,yi为状态特征,Ti为状态特征的采集时间戳,ti为提取状态特征的时长间隔,且t1=0,t2=T2-T1,…,tn=Tn-Tn-1,记线性回归拟合的直线为:y=b+at,根据拟合直线结果,根据式Ⅰ计算趋势增长率td:
具体的,步骤2中同类对比预警结果通过以下方式获得:
设定差异倍数值,计算输入的步骤1的状态特征中同类设备同一时刻的状态特征的均值和标准差,并结合差异倍数值计算高报阈值和高高报阈值,将步骤1的状态特征与高报阈值和高高报阈值分别进行对比,得到同类对比预警结果,包括正常、同类对比高报、同类对比高高报。基于特征分布,将单边累计概率80%对应的特征值设定为高报阈值,单边累计概率90%对应的特征值设定为高高报阈值。若某设备特征值小于等于高报阈值,同类对比预警结果为正常;若大于高报阈值并且小于等于高高报阈值,同类对比预警结果为高报;若大于高高报阈值,同类对比预警结果为高高报。
具体的,所述同类设备是指具有相同机械结构的,并且所配电机功率相差在50KW以内,所配电机的同步转速相同的设备。
优选的,所述差异倍数值根据报警需求等级设定,包括了高报报警阈值和高高报报警阈值差异倍数,其中高报报警阈值差异倍数范围为1-2,高高报报警阈值差异倍数范围为2-4,且有k2>k1。
优选的,同一时刻,Vj表示同一时刻同类设备的状态特征,下标j表示同类设备编号且j=1,2,…,m,m为同类设备的总个数。
高报阈值:ht=μ+k1σ
高高报阈值:hht=μ+k2σ
其中k1,k2分别为高报阈值和高高报阈值差异倍数,并且有k2>k1;
具体的,步骤3包括如下子步骤:
建立设备健康状态等级模型,将步骤2获得的多维预警结果输入设备健康状态等级模型,若当前机械设备的多维预警结果对应的状态特征属于关键性指标组,则将所述多维预警结果输入关键性指标组矩阵,获得当前的健康状态,若当前机械设备的多维预警结果对应的状态特征属于非关键性指标组,则将所述多维预警结果输入非关键性指标组矩阵,获得当前的健康状态,最终获得每种机械设备的健康状态等级。
所述关键性指标组矩阵如图13所示,所述非关键性指标组矩阵如图14 所示,图中1代表对应事件发生,0代表时间未发生,-1代表没有此事件。
具体的,所述设备健康状态等级模型包括六个等级,Ⅰ级表示设备正常、Ⅱ级表示设备存在潜在问题、Ⅲ级表示设备存在明显问题、Ⅳ级表示设备存在明显并持续恶化的问题、Ⅴ级表示设备存在危险问题、Ⅵ级表示设备存在危险并持续恶化的问题。
实施例
对某机械设备进行健康状态评估,首先采集该机械设备的加速度峰值和包络峰值为状态特征,如图7和图8所示,数据采集时间为从2016年9月13 日起,截止2016年9月27日,时长为2周。
其中,加速度峰值对于机械设备的故障反应灵敏度变化比率为67.4%,高于50%,属于关键性指标组,包络峰值对于机械设备的故障反应灵敏度变化比率为48%,大于10%并低于50%属于非关键性指标组。
采集到的加速度峰值和包络峰值输入多维预警分析模型,如图9所示为设备一周内加速度峰值线性回归结果,即趋势增长率,该线性拟合精确的刻画了数据的变化趋势,增长率为184.62%。
如图16所示为该设备关键性指标组多维预警结果,其中A和B区域趋势高报,无阈值报警,对应健康等级为二级;C区域趋势高高报,无阈值报警,对应健康等级为二级。
如图17所示为该设备非关键性指标组多维预警结果,其中D、E和H区域趋势高报,无阈值报警,对应健康等级为一级;F、G、I区域趋势高高报,无阈值报警,对应健康等级为一级。
Claims (10)
1.一种基于多维预警分析的机械设备健康状态评估方法,其特征在于,包括以下步骤:
步骤1:采集多种机械设备的不同状态特征,按照状态特征对设备故障的反映程度对状态特征进行分类;
步骤2:将步骤1的采集到的状态特征进行以下处理,获得多维预警分析结果:
(1)通过与标准阈值比较得到阈值预警结果;
(2)通过计算趋势增长率并与设定阈值进行比较得到趋势预警结果;
(3)通过设定差异倍数值并与设定阈值进行比较得到同类对比预警结果;
步骤3:结合步骤1得到的分类后的状态特征建立设备健康状态等级模型,将步骤2获得的多维预警结果输入设备健康状态等级模型,获得每种机械设备的健康状态等级。
2.如权利要求1所述的基于多维预警分析的机械设备健康状态评估方法,其特征在于,步骤1中所述状态特征包括振动监测系统采集的设备振动信号特征、DCS/SCADA系统采集的设备工况特征和工艺参数特征。
3.如权利要求1所述的基于多维预警分析的机械设备健康状态评估方法,其特征在于,步骤1中按照状态特征对设备故障的反映程度对状态特征进行分类,分类结果包括关键性指标组、非关键性指标组和不重要指标组。
4.如权利要求1所述的基于多维预警分析的机械设备健康状态评估方法,其特征在于,步骤2中阈值预警结果通过以下方式获得:
将输入的步骤1的状态特征与对应设备类型的ISO标准阈值进行比较,得到阈值预警结果,所述阈值预警结果包括正常、阈值高报、阈值高高报。
5.如权利要求1所述的基于多维预警分析的机械设备健康状态评估方法,其特征在于,步骤2中趋势预警结果通过以下方式获得:
提取输入的步骤1的状态特征的历史数据,将历史数据经数据预处理后进行线性回归得到拟合直线,并计算出拟合直线的趋势增长率,将趋势增长率与趋势高报报警阈值和趋势高高报报警阈值分别进行比较,得到趋势预警结果,所述趋势预警结果包括正常、趋势高报、趋势高高报。
7.如权利要求1所述的基于多维预警分析的机械设备健康状态评估方法,其特征在于,步骤2中同类对比预警结果通过以下方式获得:
设定差异倍数值,计算输入的步骤1的状态特征中同类设备同一时刻的状态特征的均值和标准差,并结合差异倍数值计算高报阈值和高高报阈值,将步骤1的状态特征与高报阈值和高高报阈值分别进行对比,得到同类对比预警结果,包括正常、同类对比高报、同类对比高高报。
9.如权利要求3所述的基于多维预警分析的机械设备健康状态评估方法,其特征在于,步骤3包括如下子步骤:
建立设备健康状态等级模型,将步骤2获得的多维预警结果输入设备健康状态等级模型,若当前机械设备的多维预警结果对应的状态特征属于关键性指标组,则将所述多维预警结果输入关键性指标组矩阵,获得当前的健康状态,若当前机械设备的多维预警结果对应的状态特征属于非关键性指标组,则将所述多维预警结果输入非关键性指标组矩阵,获得当前的健康状态,最终获得每种机械设备的健康状态等级。
10.如权利要求1所述的基于多维预警分析的机械设备健康状态评估方法,其特征在于,所述设备健康状态等级模型包括六个等级,Ⅰ级表示设备正常、Ⅱ级表示设备存在潜在问题、Ⅲ级表示设备存在明显问题、Ⅳ级表示设备存在明显并持续恶化的问题、Ⅴ级表示设备存在危险问题、Ⅵ级表示设备存在危险并持续恶化的问题。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910188743.9A CN109933905B (zh) | 2019-03-13 | 2019-03-13 | 一种基于多维预警分析的机械设备健康状态评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910188743.9A CN109933905B (zh) | 2019-03-13 | 2019-03-13 | 一种基于多维预警分析的机械设备健康状态评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109933905A CN109933905A (zh) | 2019-06-25 |
CN109933905B true CN109933905B (zh) | 2022-11-25 |
Family
ID=66987050
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910188743.9A Active CN109933905B (zh) | 2019-03-13 | 2019-03-13 | 一种基于多维预警分析的机械设备健康状态评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109933905B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110398264A (zh) * | 2019-07-31 | 2019-11-01 | 联想(北京)有限公司 | 一种设备状态监测方法及系统 |
CN110501160B (zh) * | 2019-07-31 | 2021-07-02 | 中国神华能源股份有限公司神朔铁路分公司 | 列车轴承故障预警方法、装置、系统和存储介质 |
CN110737976B (zh) * | 2019-10-10 | 2023-12-08 | 西安因联信息科技有限公司 | 一种基于多维度信息融合的机械设备健康评估方法 |
CN110790105B (zh) * | 2019-11-20 | 2021-11-16 | 上海电气集团股份有限公司 | 电梯门系统诊断、衰退时间的预测方法及诊断预测系统 |
CN111124865A (zh) * | 2019-12-26 | 2020-05-08 | 河北上元智能科技股份有限公司 | 一种基于时间和软件统计的工控机维护预警系统 |
CN111667020A (zh) * | 2020-06-28 | 2020-09-15 | 中核武汉核电运行技术股份有限公司 | 一种核电旋转机械故障预警方法 |
CN113193616B (zh) * | 2021-04-07 | 2023-04-11 | 山东理工大学 | 一种用于输电通道监拍设备的健康状态评估方法 |
CN113255795B (zh) * | 2021-06-02 | 2021-10-26 | 杭州安脉盛智能技术有限公司 | 一种基于多指标集群分析的设备状态监测方法 |
CN114135477B (zh) * | 2021-10-11 | 2024-04-02 | 昆明嘉和科技股份有限公司 | 一种机泵设备状态监测动态阈值预警方法 |
CN114580291B (zh) * | 2022-03-10 | 2024-06-21 | 未必然数据科技(北京)有限公司 | 一种基于lstm-vae的动设备健康状况评估方法 |
CN115976497A (zh) * | 2022-12-13 | 2023-04-18 | 深圳优普莱等离子体技术有限公司 | 一种基于mpcvd设备的故障报警处理方法及相关设备 |
CN117978628B (zh) * | 2024-03-29 | 2024-06-14 | 江苏芯宸信息系统工程有限公司 | 一种基于智慧园区通信控制方法及系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109298697A (zh) * | 2018-11-13 | 2019-02-01 | 远光软件股份有限公司 | 基于动态基线模型的火电厂系统各部件工作状态评估方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101466623B1 (ko) * | 2014-07-09 | 2014-11-28 | 한국전력공사 | 초저주파 탄델타의 측정 데이터를 이용한 전력 케이블의 상태 진단 및 잔존 수명 측정 장치 및 그 방법 |
-
2019
- 2019-03-13 CN CN201910188743.9A patent/CN109933905B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109298697A (zh) * | 2018-11-13 | 2019-02-01 | 远光软件股份有限公司 | 基于动态基线模型的火电厂系统各部件工作状态评估方法 |
Non-Patent Citations (1)
Title |
---|
基于保局投影与自组织映射的风电机组故障预警方法;董玉亮等;《太阳能学报》;20150528(第05期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109933905A (zh) | 2019-06-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109933905B (zh) | 一种基于多维预警分析的机械设备健康状态评估方法 | |
CN109766334B (zh) | 用于电力设备在线监测异常数据的处理方法及系统 | |
CN101770219B (zh) | 一种车铣复合机床故障诊断知识库的知识获取方法 | |
CN106372735B (zh) | 一种继电保护状态评估方法 | |
CN111209934B (zh) | 风机故障预报警方法及系统 | |
CN110209144B (zh) | 基于动静协同差异分析的两层实时监测与报警溯源方法 | |
CN112257943A (zh) | 一种基于mset和偏离度的电厂引风机故障预警方法 | |
CN111913056B (zh) | 一种自适应超实时机组工况启动状态预估方法 | |
KR102604708B1 (ko) | 인공 지능 기반 수배전반 진단 시스템 및 방법 | |
CN111797533B (zh) | 一种核动力装置运行参数异常检测方法及系统 | |
CN115858303A (zh) | 一种基于Zabbix的服务器性能监控方法及系统 | |
CN117911011B (zh) | 一种交直流混联电力线路故障维修预警方法 | |
CN108416386A (zh) | 一种用于水电机组轴承温度异常判断的方法及系统 | |
CN117560300B (zh) | 一种智能物联网流量预测与优化系统 | |
CN117374976B (zh) | 基于线路故障自动识别的电气安全管理系统 | |
CN114386477A (zh) | 一种辐射场异常监测数据自动识别方法 | |
CN113553352A (zh) | 一种电力二次设备家族性缺陷辨识方法及系统 | |
CN116910128A (zh) | 风电机组硬软故障数据分析系统及其分析方法 | |
CN117607780A (zh) | 一种电能计量装置异常分析系统及其分析方法 | |
CN116735223A (zh) | 一种燃气轮机多参数异常检测的方法 | |
CN115326393A (zh) | 一种基于温度信息的风电机组轴承对故障诊断方法 | |
CN109828146B (zh) | 一种通过设备电参数ad采样判断设备工况的方法 | |
CN111915855B (zh) | 用于百万千瓦超超临界机组报警系统的报警分析方法 | |
Tamascelli et al. | A data-driven approach to improve control room operators' response | |
CN117951633B (zh) | 一种光伏发电设备故障诊断方法及系统 |
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 |