CN110057406A - 一种多尺度自适应的机械设备趋势预警方法 - Google Patents
一种多尺度自适应的机械设备趋势预警方法 Download PDFInfo
- Publication number
- CN110057406A CN110057406A CN201910428155.8A CN201910428155A CN110057406A CN 110057406 A CN110057406 A CN 110057406A CN 201910428155 A CN201910428155 A CN 201910428155A CN 110057406 A CN110057406 A CN 110057406A
- Authority
- CN
- China
- Prior art keywords
- trend
- data
- growth rate
- fitting
- result
- 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
- 238000000034 method Methods 0.000 title claims abstract description 25
- 230000003044 adaptive effect Effects 0.000 claims abstract description 6
- 238000004140 cleaning Methods 0.000 claims description 11
- 238000012544 monitoring process Methods 0.000 claims description 7
- 238000004088 simulation Methods 0.000 claims description 6
- 238000012417 linear regression Methods 0.000 claims description 3
- 238000005520 cutting process Methods 0.000 abstract description 2
- 239000000284 extract Substances 0.000 abstract description 2
- 238000001514 detection method Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006866 deterioration Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种多尺度自适应的机械设备趋势预警方法，选取一段截止当前采集点的历史数据；其次对选取的历史数据进行数据预处理；接下来将剩余历史数据切分，从设定的初始数据尾部往前不断增加设置的数据步长，并分别利用最小二乘拟合数据，得到拟合直线模型参数，根据拟合直线依次计算得到趋势增长率，并将所有增长率依次保存下来；最后通过自适应趋势判定算法提取出本次历史数据的最佳趋势对应增长率，以此增长率结果进行趋势报警，超过趋势报警阈值即报警。
Description
技术领域
本发明属于机械设备趋势预警技术领域，特别涉及一种多尺度自适应的机械设备趋势预警方法。
背景技术
机械设备在现代工业发展中占据着极其重要的地位，保证机械设备安全稳定运行是安全生产、保障工业发展的基础。现在已有部分重资产机械设备安装了状态监测系统(Condition Monitoring System，CMS)，CMS利用安装在设备上的各类传感器(包括振动传感器、压力传感器、温度传感器等)采集设备状态信号，实时在线监测设备的运行情况。
预警是最基础、最有效的设备状态在线监测技术手段之一。目前绝大多数预警技术还仅仅停留在固定阈值报警，这种报警触发时，设备监测参数已经超过报警值，并可能出现较大问题，并没有达到提前预警的效果。
发明内容
本发明的目的在于提供一种多尺度自适应的机械设备趋势预警方法，以解决上述问题。
为实现上述目的，本发明采用以下技术方案：
一种多尺度自适应的机械设备趋势预警方法，包括以下步骤：
步骤1，从机械设备在线状态监测历史数据中选取一段截止当前采集时刻的历史时长数据，选取数据为：Ti,yi,i＝1,2,…,n；其中Ti为信号或特征的采集时刻对应的时间戳，yi为信号值或特征值；
步骤2，对步骤1选取数据进行数据预处理，包括停机数据清洗，超限数据清洗；
步骤3，对步骤2清洗后数据进行多种时间尺度的趋势拟合搜寻，以清洗后数据最后数据为起始时间点，不断增加固定的时间长度或者数据点数，得到需要进行趋势拟合的数据，利用最小二乘直线拟合算法拟合数据并计算拟合直线的趋势增长率，将得到的趋势增长率按搜寻顺序保存；
步骤4，对步骤3中搜寻得到的所有趋势增长率结果进行自适应判定，得到原始历史数据的最佳趋势结果。
步骤5，根据步骤4得到的最佳趋势增长率，进行趋势预警。
进一步的，步骤2中，停机数据清洗规则为：小于等于停机阈值，即清洗该数据点，停机阈值接近0；超限数据清洗规则为：根据测量信号最大最小范围进行清洗，超出最大范围或者低于最小范围即需要清洗该数据点。
进一步的，步骤3中，对每次获取的不同时间尺度的数据进行最小二乘直线拟合，并计算拟合直线的趋势增长率；最小二乘直线拟合方法：
假设需要拟合的历史数据为：tj,yj,j＝1,2,…,m，其中tj为信号或特征的时长间隔，t1＝0,t2＝T2-T1,…,tm＝Tm-Tm-1；Tj为信号值或特征值对应的采集时间戳，yj为信号值或特征值；
设线性回归拟合的直线为：y＝b+at
则系数a和b由下式确定：
根据拟合直线结果，增长率可由下式计算：
其中td为数据趋势增长率。
进一步的，步骤4中，自适应判定方法：
①首先取步骤三中得到的前a个趋势增长率，判断是否都小于设定阈值p1(100％>p1>0)。如果满足都小于设定阈值p1的条件，则取第a个趋势增长率结果为最佳趋势增长率；不满足，则继续判定②；
②判断步骤三中得到的趋势增长率结果的最大值是否大于等于阈值p2(p2>＝100％)，如果小于阈值p2，则取步骤三中得到的第一个趋势增长率结果作为最佳趋势拟合结果；反之，则继续判定③；
③判断步骤三中得到的第一个趋势增长率结果是否为所有趋势增长率的最大值，如果第一个趋势增长率不是最大值，则取所有趋势增长率的最大值作为最佳趋势拟合结果；反之，则第一个趋势增长率结果作为最佳趋势拟合结果。
进一步的，步骤5中，最佳趋势增长率小于高报阈值，则为趋势正常；大于等于高报阈值并且小于高高报阈值，则为趋势高报报警；大于等于高报阈值，则为趋势高高报报警。
与现有技术相比，本发明有以下技术效果：
本发明选取一段截止当前采集点的历史数据；其次对选取的历史数据进行数据预处理；接下来将剩余历史数据切分，从设定的初始数据尾部往前不断增加设置的数据步长，并分别利用最小二乘拟合数据，得到拟合直线模型参数，根据拟合直线依次计算得到趋势增长率，并将所有增长率依次保存下来；最后通过自适应趋势判定算法提取出本次历史数据的最佳趋势对应增长率，以此增长率结果进行趋势报警，超过趋势报警阈值即报警。实现机械设备早期异常的提前发现和检测。相对于传统的机械设备预警方法，本发明具有能提前发现和检测异常、预警准确度高、智能化趋势预警的优点。同时本发明的趋势预警方法利用了趋势信息进行预警，相比常规利用绝对量值进行报警更能提前、准确的检测设备出现的异常恶化问题。通过本发明的应用，可实现机械设备异常发现和检测，有效的识别了机械设备实时健康状态，准确提供了设备异常报警提示信息，避免了设备持续恶化并造成重大经济损失。
附图说明
图1为整体流程图；
图2为历史数据预处理过程；
图3为趋势增长率搜寻逻辑图；
图4为自适应获取最佳趋势增长率逻辑图；
图5为某机泵一周包络峰值数据最佳趋势结果；
图6为某机泵一周加速度峰值数据最佳趋势结果；
图7为趋势预警逻辑图；
图8为某旋转设备包络峰值趋势预警结果。
具体实施方式
以下结合附图对本发明进一步说明：
请参阅图1至图7，一种多尺度自适应的机械设备趋势预警方法，包括以下步骤：
步骤1，选取一段截止当前采集时刻的历史时长数据，选取数据为：Ti,yi,i＝1,2,…,n；其中Ti为信号或特征的采集时刻对应的时间戳，yi为信号值或特征值；
步骤2，对步骤1选取数据进行数据预处理，包括停机数据清洗，超限数据清洗；
步骤3，对步骤2清洗后数据进行多种时间尺度的趋势拟合搜寻，以清洗后数据最后数据为起始时间点，不断增加固定的时间长度或者数据点数，得到需要进行趋势拟合的数据，利用最小二乘直线拟合算法拟合数据并计算拟合直线的趋势增长率，将得到的趋势增长率按搜寻顺序保存；
步骤4，对步骤3中搜寻得到的所有趋势增长率结果进行自适应判定，得到原始历史数据的最佳趋势结果。
步骤5，根据步骤4得到的最佳趋势增长率，进行趋势预警。
步骤2中，停机数据清洗规则为：小于等于停机阈值，即清洗该数据点，停机阈值接近0；超限数据清洗规则为：根据测量信号最大最小范围进行清洗，超出最大范围或者低于最小范围即需要清洗该数据点。
步骤3中，对每次获取的不同时间尺度的数据进行最小二乘直线拟合，并计算拟合直线的趋势增长率；最小二乘直线拟合方法：
假设需要拟合的历史数据为：tj,yj,j＝1,2,…,m，其中tj为信号或特征的时长间隔，t1＝0,t2＝T2-T1,…,tm＝Tm-Tm-1；Tj为信号值或特征值对应的采集时间戳，yj为信号值或特征值；
设线性回归拟合的直线为：y＝b+at
则系数a和b由下式确定：
根据拟合直线结果，增长率可由下式计算：
其中td为数据趋势增长率。
步骤4中，自适应判定方法：
①首先取步骤3中得到的前三个趋势增长率，判断是否都小于设定阈值K1，30％>K1>0；如果满足都小于设定阈值K1的条件，则取第三个趋势增长率结果为最佳趋势增长率；不满足，则继续判定②；
②判定步骤3中得到的前三个趋势增长率是否存在有值小于等于阈值K2，-100％<K2<0；如果前三个趋势增长率存在有值小于等于阈值K2，则取前三个趋势增长率中的最小值作为最佳趋势拟合结果；反之，则继续判定③；
③判断步骤3中得到的趋势增长率结果的最大值是否小于阈值K3，200％>K3>30％；如果小于阈值K3，则取步骤三中得到的最后一个趋势增长率结果作为最佳趋势拟合结果；反之，则继续判定④；
④判断步骤3中得到的第一个趋势增长率结果是否为所有趋势增长率的最大值，如果第一个趋势增长率不是最大值，则取所有趋势增长率的最大值作为最佳趋势拟合结果；反之，则继续判定⑤；
⑤判断步骤3中得到的前三个趋势增长率是否都大于等于阈值K4，200％>K4>50％；如果满足全部大于等于阈值K4，则取步骤3中得到的第三个趋势增长率作为最佳趋势拟合结果；反之，则取取步骤3中得到的最后一个趋势增长率结果作为最佳趋势拟合结果。
步骤5中，最佳趋势增长率小于高报阈值，则为趋势正常；大于等于高报阈值并且小于高高报阈值，则为趋势高报报警；大于等于高高报阈值，则为趋势高高报报警。
其中：
图1为多尺度自适应趋势预警整体流程图。首先选取一段截止当前采集时间点的历史数据(选取的历史时长可根据预警需要而变化，如一个月、两周、一周等)；其次对选取的历史数据进行数据预处理；接下来对预处理后剩余历史数据进行趋势拟合搜寻(采用最小二乘算法拟合数据，得到拟合直线)，计算得到拟合直线的趋势增长率，并将所有增长率依次保存下来；再通过自适应趋势判定算法提取出本次历史数据的最佳趋势对应增长率；最后将最佳趋势对应增长率结果与报警阈值进行对比，根据比较结果实施趋势报警。
图2为数据预处理流程图。预处理包括：停机数据清洗和超限数据清洗。停机数据清洗规则为：判断信号测量值是否低于停机阈值(停机阈值根据设备类型和测量信号类型确定)，若低于停机阈值，则删除该数据点。超限数据清洗规则为：根据监测设备类型和测量信号类型确定信号值的上限值与下限值，判断信号测量值是否低于下限值或者高于上限值，若满足上述条件，则删除该数据点。
图3为趋势增长率搜寻逻辑图。①首先设置初始拟合数据长度(初始拟合数据长度可根据需要调整)，设置len为15，i初始化为0，将数据增加步长step初始化为10(数据增加步长可根据需要的数据时长进行调整)；②接下来判断len是否小于等于预处理后数据的长度；③如果满足条件，则取预处理后数据的最后len个数据点进行最小二乘直线拟合，计算得到拟合直线的趋势增长率；④再将i自增1，len增加一个steo长度，继续进入②进行判断，不断重复②和③；直至不满足条件②，将计算得到的所有趋势增长率输出保存下来。
图4为自适应获取最佳趋势增长率逻辑图。首先取步骤三中得到的前a个趋势增长率，判断是否都小于设定阈值p1(100％>p1>0)。如果满足都小于设定阈值p1的条件，则取第a个趋势增长率结果为最佳趋势增长率；不满足，则继续判定②；②判断步骤三中得到的趋势增长率结果的最大值是否大于等于阈值p2(p2>＝100％)，如果小于阈值p2，则取步骤三中得到的第一个趋势增长率结果作为最佳趋势拟合结果；反之，则继续判定③；③判断步骤三中得到的第一个趋势增长率结果是否为所有趋势增长率的最大值，如果第一个趋势增长率不是最大值，则取所有趋势增长率的最大值作为最佳趋势拟合结果；反之，则第一个趋势增长率结果作为最佳趋势拟合结果。
图5为某机泵一周包络峰值数据最佳趋势结果。由图中显示结果可知，在一周的包络峰值历史数据中，通过本发明方法可多尺度自适应的得到数据的最佳趋势，图中显示最佳趋势增长率为62.35％。
图6为某机泵一周加速度峰值数据最佳趋势结果。由图中显示结果可知，在一周的加速度峰值历史数据中，通过本发明方法可多尺度自适应的得到数据的最佳趋势，图中显示最佳趋势增长率为90.73％。
图7为趋势预警逻辑。判断获取的最佳趋势增长率是否低于高报阈值，若低于高报阈值，则为趋势正常；若大于等于高报阈值，并且小于高高报阈值，则为趋势高报报警；若大于等于高高报阈值，则为趋势高高报报警。
图8为某旋转设备包络峰值趋势预警结果。其中包络峰值数据以黑色点标记；标记为圆圈的位置表示该数据点之前的历史数据的趋势增长率高于设定的报警高报阈值，触发了趋势高报报警。由图8可知，包络阈值在超过固定报警阈值(此处为150m/s^2)之前，已经提前多处触发了趋势报警。此处趋势预警较传统的固定阈值报警最高提前6天发现了设备异常信息，为安排设备的维修以及备品备件采购留足了充分的时间余量。
Claims (5)
1.一种多尺度自适应的机械设备趋势预警方法，其特征在于，包括以下步骤：
步骤1，从机械设备在线状态监测历史数据中选取一段截止当前采集时刻的历史时长数据，选取数据为：Ti,yi,i＝1,2,…,n；其中Ti为信号或特征的采集时刻对应的时间戳，yi为信号值或特征值；
步骤2，对步骤1选取数据进行数据预处理，包括停机数据清洗，超限数据清洗；
步骤3，对步骤2清洗后数据进行多种时间尺度的趋势拟合搜寻，以清洗后数据最后数据为起始时间点，不断增加固定的时间长度或者数据点数，得到需要进行趋势拟合的数据，利用最小二乘直线拟合算法拟合数据并计算拟合直线的趋势增长率，将得到的趋势增长率按搜寻顺序保存；
步骤4，对步骤3中搜寻得到的所有趋势增长率结果进行自适应判定，得到原始历史数据的最佳趋势结果；
步骤5，根据步骤4得到的最佳趋势增长率，进行趋势预警。
2.根据权利要求1所述的一种多尺度自适应的机械设备趋势预警方法，其特征在于，步骤2中，停机数据清洗规则为：小于等于停机阈值，即清洗该数据点，停机阈值接近0；超限数据清洗规则为：根据测量信号最大最小范围进行清洗，超出最大范围或者低于最小范围即需要清洗该数据点。
3.根据权利要求1所述的一种多尺度自适应的机械设备趋势预警方法，其特征在于，步骤3中，对每次获取的不同时间尺度的数据进行最小二乘直线拟合，并计算拟合直线的趋势增长率；最小二乘直线拟合方法：
假设需要拟合的历史数据为：tj,yj,j＝1,2,…,m，其中tj为信号或特征的时长间隔，t1＝0,t2＝T2-T1,…,tm＝Tm-Tm-1；Tj为信号值或特征值对应的采集时间戳，yj为信号值或特征值；
设线性回归拟合的直线为：y＝b+at
则系数a和b由下式确定：
根据拟合直线结果，增长率可由下式计算：
其中td为数据趋势增长率。
4.根据权利要求1所述的一种多尺度自适应的机械设备趋势预警方法，其特征在于，步骤4中，自适应判定方法：
①首先取步骤三中得到的前a个趋势增长率，判断是否都小于设定阈值p1，100％>p1>0；如果满足都小于设定阈值p1的条件，则取第a个趋势增长率结果为最佳趋势增长率；不满足，则继续判定②；
②判断步骤三中得到的趋势增长率结果的最大值是否大于等于阈值p2，p2>＝100％，如果小于阈值p2，则取步骤三中得到的第一个趋势增长率结果作为最佳趋势拟合结果；反之，则继续判定③；
③判断步骤三中得到的第一个趋势增长率结果是否为所有趋势增长率的最大值，如果第一个趋势增长率不是最大值，则取所有趋势增长率的最大值作为最佳趋势拟合结果；反之，则第一个趋势增长率结果作为最佳趋势拟合结果。
5.根据权利要求1所述的一种多尺度自适应的机械设备趋势预警方法，其特征在于，步骤5中，最佳趋势增长率小于高报阈值，则为趋势正常；大于等于高报阈值并且小于高高报阈值，则为趋势高报报警；大于等于高报阈值，则为趋势高高报报警。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910428155.8A CN110057406B (zh) | 2019-05-22 | 2019-05-22 | 一种多尺度自适应的机械设备趋势预警方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910428155.8A CN110057406B (zh) | 2019-05-22 | 2019-05-22 | 一种多尺度自适应的机械设备趋势预警方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110057406A true CN110057406A (zh) | 2019-07-26 |
| CN110057406B CN110057406B (zh) | 2022-05-17 |
Family
ID=67324047
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910428155.8A Active CN110057406B (zh) | 2019-05-22 | 2019-05-22 | 一种多尺度自适应的机械设备趋势预警方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110057406B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110648480A (zh) * | 2019-10-12 | 2020-01-03 | 山东科技大学 | 一种基于变化速率的单变量报警系统及方法 |
| CN112017409A (zh) * | 2020-08-25 | 2020-12-01 | 西安因联信息科技有限公司 | 一种机械设备振动短时增长幅度的趋势预警方法 |
| CN112525336A (zh) * | 2020-11-18 | 2021-03-19 | 西安因联信息科技有限公司 | 一种机械设备振动连续增长的自动化检测方法 |
| CN113191003A (zh) * | 2021-05-08 | 2021-07-30 | 上海核工程研究设计院有限公司 | 一种核电实时数据趋势拟合算法 |
| CN113504423A (zh) * | 2021-07-13 | 2021-10-15 | 许昌许继软件技术有限公司 | 一种一次设备在线监测数据趋势预测方法及装置 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101303390A (zh) * | 2008-06-23 | 2008-11-12 | 上海集成电路研发中心有限公司 | 一种判断mos器件性能退化的方法 |
| CN101496716A (zh) * | 2009-02-26 | 2009-08-05 | 周洪建 | 利用ecg信号检测睡眠呼吸暂停的测量方法 |
| US20100299489A1 (en) * | 2009-05-25 | 2010-11-25 | Sridhar Balachandriah | Managing Data Storage Systems |
| CN102313577A (zh) * | 2011-06-24 | 2012-01-11 | 上海大学 | 基于多路传感信号的设备健康状态评估与衰退预测方法 |
| CN103413253A (zh) * | 2013-09-04 | 2013-11-27 | 国家电网公司 | 一种基于经济、气象因素的年最大负荷分类预测方法 |
| CN103559337A (zh) * | 2013-10-18 | 2014-02-05 | 中冶集团武汉勘察研究院有限公司 | 一种基于线性回归建立细粒尾矿工程性质指标估算经验公式的方法 |
| CN105243271A (zh) * | 2015-09-24 | 2016-01-13 | 华北电力大学 | 一种基于实测数据的继电保护装置时变故障率计算方法 |
| KR20170004419A (ko) * | 2015-07-02 | 2017-01-11 | 주식회사 엘지화학 | 전극 활물질 슬러리 점도 제어 방법 및 전극 활물질 슬러리 제조장치 |
| CN106960019A (zh) * | 2017-03-09 | 2017-07-18 | 北京对标科技有限责任公司 | 一种数据增长率计算方法和装置 |
| CN108647753A (zh) * | 2018-05-04 | 2018-10-12 | 桂林电子科技大学 | 一种基于bim和rfid技术的施工现场风险预警方法 |
| CN109634944A (zh) * | 2018-12-05 | 2019-04-16 | 贵州电网有限责任公司凯里供电局 | 一种基于多维度时空分析的网损数据清洗方法 |
| CN110110740A (zh) * | 2019-03-26 | 2019-08-09 | 中国地质大学（武汉） | 基于多时间尺度特征和神经网络的钻进过程工况识别方法 |
-
2019
- 2019-05-22 CN CN201910428155.8A patent/CN110057406B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101303390A (zh) * | 2008-06-23 | 2008-11-12 | 上海集成电路研发中心有限公司 | 一种判断mos器件性能退化的方法 |
| CN101496716A (zh) * | 2009-02-26 | 2009-08-05 | 周洪建 | 利用ecg信号检测睡眠呼吸暂停的测量方法 |
| US20100299489A1 (en) * | 2009-05-25 | 2010-11-25 | Sridhar Balachandriah | Managing Data Storage Systems |
| CN102313577A (zh) * | 2011-06-24 | 2012-01-11 | 上海大学 | 基于多路传感信号的设备健康状态评估与衰退预测方法 |
| CN103413253A (zh) * | 2013-09-04 | 2013-11-27 | 国家电网公司 | 一种基于经济、气象因素的年最大负荷分类预测方法 |
| CN103559337A (zh) * | 2013-10-18 | 2014-02-05 | 中冶集团武汉勘察研究院有限公司 | 一种基于线性回归建立细粒尾矿工程性质指标估算经验公式的方法 |
| KR20170004419A (ko) * | 2015-07-02 | 2017-01-11 | 주식회사 엘지화학 | 전극 활물질 슬러리 점도 제어 방법 및 전극 활물질 슬러리 제조장치 |
| CN105243271A (zh) * | 2015-09-24 | 2016-01-13 | 华北电力大学 | 一种基于实测数据的继电保护装置时变故障率计算方法 |
| CN106960019A (zh) * | 2017-03-09 | 2017-07-18 | 北京对标科技有限责任公司 | 一种数据增长率计算方法和装置 |
| CN108647753A (zh) * | 2018-05-04 | 2018-10-12 | 桂林电子科技大学 | 一种基于bim和rfid技术的施工现场风险预警方法 |
| CN109634944A (zh) * | 2018-12-05 | 2019-04-16 | 贵州电网有限责任公司凯里供电局 | 一种基于多维度时空分析的网损数据清洗方法 |
| CN110110740A (zh) * | 2019-03-26 | 2019-08-09 | 中国地质大学（武汉） | 基于多时间尺度特征和神经网络的钻进过程工况识别方法 |
Non-Patent Citations (3)
| Title |
|---|
| 张慧源 等: "电力设备温升模型及其在载流故障预测的应用", 《电机与控制学报》 * |
| 王伟 等: "基于历史数据拟合的输电线路风振趋势分析与预警", 《武汉大学学报（工学版）》 * |
| 许力 等: "基于变尺度PCA的电力设备载流故障早期预警", 《电力自动化设备》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110648480A (zh) * | 2019-10-12 | 2020-01-03 | 山东科技大学 | 一种基于变化速率的单变量报警系统及方法 |
| CN112017409A (zh) * | 2020-08-25 | 2020-12-01 | 西安因联信息科技有限公司 | 一种机械设备振动短时增长幅度的趋势预警方法 |
| CN112525336A (zh) * | 2020-11-18 | 2021-03-19 | 西安因联信息科技有限公司 | 一种机械设备振动连续增长的自动化检测方法 |
| CN113191003A (zh) * | 2021-05-08 | 2021-07-30 | 上海核工程研究设计院有限公司 | 一种核电实时数据趋势拟合算法 |
| CN113504423A (zh) * | 2021-07-13 | 2021-10-15 | 许昌许继软件技术有限公司 | 一种一次设备在线监测数据趋势预测方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110057406B (zh) | 2022-05-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110057406A (zh) | 一种多尺度自适应的机械设备趋势预警方法 | |
| CN110322048B (zh) | 一种生产物流输送装备故障预警方法 | |
| CN108638128B (zh) | 一种工业机器人的实时异常监测方法及其系统 | |
| CN110415494A (zh) | 一种基于历史运行数据的设备报警阈值计算方法 | |
| US11989010B2 (en) | System and method for detecting and measuring anomalies in signaling originating from components used in industrial processes | |
| EP2583125B1 (en) | Estimation of wind conditions at a wind turbine | |
| WO2020134032A1 (zh) | 用于检测业务系统异常的方法及其装置 | |
| CN110286656B (zh) | 一种错误数据容忍的虚警过滤方法和装置 | |
| CN110648480B (zh) | 一种基于变化速率的单变量报警系统及方法 | |
| CN109359873B (zh) | 一种基于pca-t2的滚珠丝杠副健康评估方法 | |
| CN110849404B (zh) | 一种传感器数据异常的连续判别方法 | |
| JP2010084770A (ja) | 風力タービンの状態を監視する方法およびシステム | |
| CN111538723A (zh) | 监测数据处理方法、装置及电子设备 | |
| CN114838767A (zh) | 一种冷链物流用温湿度智能化监测系统及方法 | |
| CN116614525A (zh) | 一种基于大数据分析的地块土壤环境快速监测系统 | |
| CN111382494A (zh) | 用于检测工业机器的感知数据中的异常的系统及方法 | |
| CN107710089A (zh) | 工厂设备诊断装置以及工厂设备诊断方法 | |
| CN111066003A (zh) | 对流程行业中的设备进行状态监测的方法、装置及介质 | |
| CN111852837A (zh) | 基于聚类的往复式压缩机自适应故障监测方法 | |
| CN109211564B (zh) | 一种用于滚珠丝杠副健康评估的自适应阈值检测方法 | |
| CN117312879A (zh) | 一种注塑机生产数据监督预警方法、系统及介质 | |
| KR101876185B1 (ko) | 조기경보시스템에서 외부 영향을 고려한 최신 데이터 학습 방법 및 그 시스템 | |
| CN114239708B (zh) | 一种基于质量控制图理论的燃机异常检测方法 | |
| CN114326593B (zh) | 一种刀具寿命预测系统及方法 | |
| CN107065605B (zh) | 一种故障诊断及报警方法 |
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 | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A multi-scale adaptive trend warning method for mechanical equipment Granted publication date: 20220517 Pledgee: Xi'an investment and financing Company limited by guarantee Pledgor: XI'AN ILINE INFORMATION TECHNOLOGY CO.,LTD. Registration number: Y2024610000085 |