CN110162015A - 一种基于公共饮水装置的故障诊断方法 - Google Patents
一种基于公共饮水装置的故障诊断方法 Download PDFInfo
- Publication number
- CN110162015A CN110162015A CN201910458301.1A CN201910458301A CN110162015A CN 110162015 A CN110162015 A CN 110162015A CN 201910458301 A CN201910458301 A CN 201910458301A CN 110162015 A CN110162015 A CN 110162015A
- Authority
- CN
- China
- Prior art keywords
- fault
- drinking device
- vector
- point
- failure
- 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
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0262—Confirmation of fault detection, e.g. extra checks to confirm that a failure has indeed occurred
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/24—Pc safety
- G05B2219/24065—Real time diagnostics
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A20/00—Water conservation; Efficient water supply; Efficient water use
- Y02A20/152—Water filtration
Abstract
本发明公开一种基于公共饮水装置的故障诊断方法,包括步骤:分布在各处的饮水装置均将其检测数据集传递至云端服务器;对每个所述检测数据集建立该时间段下的测试矩阵包括多组以饮水装置的运行参数类别为单位的参数向量;根据参数向量建立该运行参数类别的趋势图,并获取所有参数向量的的趋势图;将测试矩阵和所有趋势图作为测试样本输入基于神经网络的故障识别模型,获得故障类型、故障位置和故障预警。本发明能够适用于大量且广范围的公共饮水机的共同管理和故障检测,相应速度快,故障定位和故障识别精准、可靠;降低了对使用者自身经验的要求,能够快速且精确的获得故障类型和故障发生位置,为检修人员提供了精确的修理指导参数。
Description
技术领域
本发明属于公共设备故障诊断技术领域,特别是涉及一种基于公共饮水装置的故障诊断方法。
背景技术
随着共享经济的发展,共享经济已经逐渐深入到我们生活的各个角落。公共饮水设备也成为共享经济的一部分,目前在公共场所中经常设置有公共饮水机以便人们随时能够饮用到可口的饮用水。
但是共享式的公共饮水设备放置在公共场所各个位置,分布范围广且位置零散,需要维护人员定期进行巡检排查,以将故障机器信息进行上报后,再由检修人员检修。在维护人员排查过程中,由于维护人员并非专业技术人员,受到技术水平的限制,仅仅知道设备出了故障,并无法准确将故障的位置和类型进行上报。在维护人员发现故障后,仍然需要后期检修人员再到现场进行故障检测和修理,在检修人员检修过程中由于事先并不知道故障具体信息,经常会由于没有携带相关配件而需要进行二次修理,或者需要随时携带大量的零配件来对设备进行修理。
这样造成了人力物力的浪费,需要投入大量的人员参与维护检修工作中。使检修人员的工作复杂化,极大的降低了检修效率。使得整个公共饮水装置的维护工作效率极低,经常会造成饮水设备长时间停滞,无法及时对设备进行故障维护。
发明内容
为了解决上述问题,本发明提出了一种基于公共饮水装置的故障诊断方法,能够适用于大量且广范围的公共饮水机的共同管理,实现大量公共饮水机的故障检测,相应速度快,故障定位和故障识别精准、可靠;降低了对使用者自身经验的要求,能够快速且精确的获得故障类型和故障发生位置,为检修人员提供了精确的修理指导参数。
为达到上述目的,本发明采用的技术方案是:一种基于公共饮水装置的故障诊断方法,包括步骤:
S100,采集饮水装置的运行状态信号,根据预设的时间跨度,在时间段内采集的运行状态信号打包构成具有识别标签的检测数据集,传递至云端服务器;分布在各处的饮水装置均将其检测数据集传递至云端服务器;
S200,在云端服务器中,对每个所述检测数据集进行解压拆分,建立该时间段下的测试矩阵;所述测试矩阵包括多组以饮水装置的运行参数类别为单位的参数向量,每个参数向量包括该运行参数类别下以时间节点为单位的运行参数值;
S300,根据参数向量建立该运行参数类别的趋势图,并获取所有参数向量的的趋势图;
S400,将测试矩阵和所有趋势图作为测试样本输入基于神经网络的故障识别模型,获得故障类型、故障位置和故障预警。
进一步的是,建立所述测试矩阵的过程包括步骤:
将所述检测数据集进行解压拆分,获得该检测数据集时间段下的采集饮水装置的全部运行参数值;
将所述运行参数值根据运行参数的类别进行分类,将同一类参数值进行聚类处理,并根据时间节点排列后,构成参数向量Xp=[x1,x2…xi]T,i=1,2,3……n,n为时间段内的时间节点数量,p为类别;
将所获得的所有类别下的参数向量进行聚类处理,获得测试矩阵为X(Xp1,Xp2,...,Xpm),m为类别的数量。
进一步的是,对于分布在各处的饮水装置在同一时间段内的检测数据集分别获得各自的测试矩阵,并将所有测试矩阵作为测试样本矩阵A(X1,X2,...,Xj),j为饮水装置的数量。
进一步的是,所述采集饮水装置的运行状态信号包括温度信号、水位信号、饮水设备电源电流信号和饮水设备输水阀门信号;所述故障类型包括温度检测故障、水位异常故障、电源异常故障和出水异常故障;
则所述测试矩阵为X(Ti,Hi,Ii,Ki);其中,Ti为温度信号运行参数值构成的参数向量,Hi为水位信号运行参数值构成的参数向量,Ii为饮水设备电源电流信号运行参数值构成的参数向量,Ki为饮水设备输水阀门信号运行参数值构成的参数向量。
进一步的是,基于神经网络的所述故障识别模型包括输入层、多组并列中间层和输出层,所述故障识别模型的建立包括步骤:
用神经网络进行饮水装置故障识别,所述神经网络获取训练样本数据训练获得故障识别模型;所述训练样本数据是采用已有的确定故障类型的饮水装置故障数据,或采用可能故障类型的数值模拟故障数据来构造训练样本数据;
对饮水装置故障数据通过时域统计分析获得故障特征值,并由全部故障特征值构成样本特征向量;
将样本特征向量分别作为故障识别的权向量;
经过反复迭代训练,获得故障识别模型。
进一步的是,在所述步骤S400中,将测试矩阵和所有趋势图作为测试样本输入基于神经网络的故障识别模型,获得故障类型、故障位置和故障预警,包括步骤:
S401,根据测试矩阵,识别异常点位;
S402,对异常点位经过对比分析,确定该异常点位为已故障点位或近似故障点位;
S403,根据异常点位信息,输出故障类型和故障位置;
S404,若为近似故障点位,则在趋势图中定位该异常点位,根据异常点位相邻数值的趋势变化,得到故障发送趋势,形成故障预警。
进一步的是,选取待诊断数据的测试矩阵获取特征向量作为神经网络输入层的输入向量,将输入样本数据与训练样本数据采用相同的参数;
将所述故障识别模型中的每个处理过程建立相应的模式单元作为一个中间层;将每个模式单元的输入向量与权向量进行标量积运算。
进一步的是,在所述步骤S401中,将测试矩阵输入异常点识别的模式单元,在异常点识别的模式单元中,将测试矩阵的特征向量与异常点识别权向量进行标量积运算,识别并输出异常点位;
在所述步骤S402中,将异常点位输入异常点划分的模式单元,在异常点划分的模式单元中,将异常点位的特征向量与异常点划分权向量进行标量积运算并结合阈值限定范围,输出已故障点位或近似故障点位;
在所述步骤S403中,将已故障点位或近似故障点位输入故障识别的模式单元,在故障识别的模式单元中,将已故障点位或近似故障点位的特征向量与故障识别权向量进行标量积运算,输出故障类型和故障位置;
在所述步骤S404中,将近似故障点位和趋势图输入预测的模式单元,在预测的模式单元中,根据近似故障点位在趋势图中提取相邻区域的特征向量,将趋势图中提取的特征向量与预测权向量进行标量积运算,输出故障预警。
进一步的是,根据故障识别模型未识别出的故障类型,对该故障位置进行维修后得到元器件运行正常的反馈后,将此次故障数据作为训练样本数据训练所述故障识别模型。
进一步的是,基于故障处理知识库,在线诊断出系统当前发生某一故障后,查询故障处理知识库,给出故障处理方案。
采用本技术方案的有益效果:
本发明利用神经网络使传统的诊断方法与人工智能技术相结合可靠综合地对饮水设备的运行故障情况,通过采集饮水装置的运行状态信号,根据预设的时间跨度,在时间段内采集的运行状态信号打包构成具有识别标签的检测数据集,传递至云端服务器。同时在云端服务器中,对每个所述检测数据集进行解压拆分,建立该时间段下的测试矩阵;所述测试矩阵包括多组以饮水装置的运行参数类别为单位的参数向量,每个参数向量包括该运行参数类别下以时间节点为单位的运行参数值;根据参数向量建立该运行参数类别的趋势图,并获取所有参数向量的的趋势图。能够适用于大量且广范围的公共饮水机的共同管理,实现大量公共饮水机的故障检测,相应速度快,故障定位和故障识别精准、可靠。
本发明能够充分利用领域的专家故障经验训练网络模型,降低了对使用者自身经验的要求,能够快速且精确的获得故障类型和故障发生位置,为检修人员提供了精确的修理指导参数。
本发明在线诊断方法断分析饮水装置的运行状态信号数据,判断当前系统运行状态,预测故障,预测到生产异常或者设备故障。定位故障速度更快,并且模型抽象出来的数据关系更加准确,诊断结论更加合理。能够及时获取公共饮水机故障诊断信息,便于检修人员快速且及时处理故障状态,大大提高了饮水设备运行的可靠性,保证饮水设备的正常运行,避免饮水设备长时间处于停滞状态。即使是经验不足的新员工也能依据该模型的诊断结论迅速定位故障、参考合理化处理方案解决问题,大大提高大量公共饮水设备维护检修的整体工作效率和运维水平。能够适用于大量且广范围的公共饮水机的共同管理,实现大量公共饮水机的故障检测。
附图说明
图1为本发明的一种基于公共饮水装置的故障诊断方法流程示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面结合附图对本发明作进一步阐述。
在本实施例中,参见图1所示,本发明提出了一种基于公共饮水装置的故障诊断方法,包括步骤:
S100,采集饮水装置的运行状态信号,根据预设的时间跨度,在时间段内采集的运行状态信号打包构成具有识别标签的检测数据集,传递至云端服务器;分布在各处的饮水装置均将其检测数据集传递至云端服务器;
S200,在云端服务器中,对每个所述检测数据集进行解压拆分,建立该时间段下的测试矩阵;所述测试矩阵包括多组以饮水装置的运行参数类别为单位的参数向量,每个参数向量包括该运行参数类别下以时间节点为单位的运行参数值;
S300,根据参数向量建立该运行参数类别的趋势图,并获取所有参数向量的的趋势图;
S400,将测试矩阵和所有趋势图作为测试样本输入基于神经网络的故障识别模型,获得故障类型、故障位置和故障预警。
作为上述实施例的优化方案,建立所述测试矩阵的过程包括步骤:
将所述检测数据集进行解压拆分,获得该检测数据集时间段下的采集饮水装置的全部运行参数值;
将所述运行参数值根据运行参数的类别进行分类,将同一类参数值进行聚类处理,并根据时间节点排列后,构成参数向量Xp=[x1,x2…xi]T,i=1,2,3……n,n为时间段内的时间节点数量,p为类别;
将所获得的所有类别下的参数向量进行聚类处理,获得测试矩阵为X(Xp1,Xp2,...,Xpm),m为类别的数量。
对于分布在各处的饮水装置在同一时间段内的检测数据集分别获得各自的测试矩阵,并将所有测试矩阵作为测试样本矩阵A(X1,X2,...,Xj),j为饮水装置的数量。
所述采集饮水装置的运行状态信号包括温度信号、水位信号、饮水设备电源电流信号和饮水设备输水阀门信号;所述故障类型包括温度检测故障、水位异常故障、电源异常故障和出水异常故障;
则所述测试矩阵为X(Ti,Hi,Ii,Ki);其中,Ti为温度信号运行参数值构成的参数向量,Hi为水位信号运行参数值构成的参数向量,Ii为饮水设备电源电流信号运行参数值构成的参数向量,Ki为饮水设备输水阀门信号运行参数值构成的参数向量。
作为上述实施例的优化方案,基于神经网络的所述故障识别模型包括输入层、多组并列中间层和输出层,所述故障识别模型的建立包括步骤:
用神经网络进行饮水装置故障识别,所述神经网络获取训练样本数据训练获得故障识别模型;所述训练样本数据是采用已有的确定故障类型的饮水装置故障数据,或采用可能故障类型的数值模拟故障数据来构造训练样本数据;
对饮水装置故障数据通过时域统计分析获得故障特征值,并由全部故障特征值构成样本特征向量;
将样本特征向量分别作为故障识别的权向量;
经过反复迭代训练,获得故障识别模型。
作为上述实施例的优化方案,在所述步骤S400中,将测试矩阵和所有趋势图作为测试样本输入基于神经网络的故障识别模型,获得故障类型、故障位置和故障预警,包括步骤:
S401,根据测试矩阵,识别异常点位;
S402,对异常点位经过对比分析,确定该异常点位为已故障点位或近似故障点位;
S403,根据异常点位信息,输出故障类型和故障位置;
S404,若为近似故障点位,则在趋势图中定位该异常点位,根据异常点位相邻数值的趋势变化,得到故障发送趋势,形成故障预警。
选取待诊断数据的测试矩阵获取特征向量作为神经网络输入层的输入向量,将输入样本数据与训练样本数据采用相同的参数;
将所述故障识别模型中的每个处理过程建立相应的模式单元作为一个中间层;将每个模式单元的输入向量与权向量进行标量积运算。
在所述步骤S401中,将测试矩阵输入异常点识别的模式单元,在异常点识别的模式单元中,将测试矩阵的特征向量与异常点识别权向量进行标量积运算,识别并输出异常点位;
在所述步骤S402中,将异常点位输入异常点划分的模式单元,在异常点划分的模式单元中,将异常点位的特征向量与异常点划分权向量进行标量积运算并结合阈值限定范围,输出已故障点位或近似故障点位;
在所述步骤S403中,将已故障点位或近似故障点位输入故障识别的模式单元,在故障识别的模式单元中,将已故障点位或近似故障点位的特征向量与故障识别权向量进行标量积运算,输出故障类型和故障位置;
在所述步骤S404中,将近似故障点位和趋势图输入预测的模式单元,在预测的模式单元中,根据近似故障点位在趋势图中提取相邻区域的特征向量,将趋势图中提取的特征向量与预测权向量进行标量积运算,输出故障预警。
作为上述实施例的优化方案,根据故障识别模型未识别出的故障类型,对该故障位置进行维修后得到元器件运行正常的反馈后,将此次故障数据作为训练样本数据训练所述故障识别模型。
基于故障处理知识库,在线诊断出系统当前发生某一故障后,查询故障处理知识库,给出故障处理方案。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (10)
1.一种基于公共饮水装置的故障诊断方法,其特征在于,包括步骤:
S100,采集饮水装置的运行状态信号,根据预设的时间跨度,在时间段内采集的运行状态信号打包构成具有识别标签的检测数据集,传递至云端服务器;分布在各处的饮水装置均将其检测数据集传递至云端服务器;
S200,在云端服务器中,对每个所述检测数据集进行解压拆分,建立该时间段下的测试矩阵;所述测试矩阵包括多组以饮水装置的运行参数类别为单位的参数向量,每个参数向量包括该运行参数类别下以时间节点为单位的运行参数值;
S300,根据参数向量建立该运行参数类别的趋势图,并获取所有参数向量的的趋势图;
S400,将测试矩阵和所有趋势图作为测试样本输入基于神经网络的故障识别模型,获得故障类型、故障位置和故障预警。
2.根据权利要求1所述的一种基于公共饮水装置的故障诊断方法,其特征在于,建立所述测试矩阵的过程包括步骤:
将所述检测数据集进行解压拆分,获得该检测数据集时间段下的采集饮水装置的全部运行参数值;
将所述运行参数值根据运行参数的类别进行分类,将同一类参数值进行聚类处理,并根据时间节点排列后,构成参数向量Xp=[x1,x2…xi]T,i=1,2,3……n,n为时间段内的时间节点数量,p为类别;
将所获得的所有类别下的参数向量进行聚类处理,获得测试矩阵为X(Xp1,Xp2,...,Xpm),m为类别的数量。
3.根据权利要求2所述的一种基于公共饮水装置的故障诊断方法,其特征在于,对于分布在各处的饮水装置在同一时间段内的检测数据集分别获得各自的测试矩阵,并将所有测试矩阵作为测试样本矩阵A(X1,X2,...,Xj),j为饮水装置的数量。
4.根据权利要求3所述的一种基于公共饮水装置的故障诊断方法,其特征在于,所述采集饮水装置的运行状态信号包括温度信号、水位信号、饮水设备电源电流信号和饮水设备输水阀门信号;所述故障类型包括温度检测故障、水位异常故障、电源异常故障和出水异常故障;
则所述测试矩阵为X(Ti,Hi,Ii,Ki);其中,Ti为温度信号运行参数值构成的参数向量,Hi为水位信号运行参数值构成的参数向量,Ii为饮水设备电源电流信号运行参数值构成的参数向量,Ki为饮水设备输水阀门信号运行参数值构成的参数向量。
5.根据权利要求1所述的一种基于公共饮水装置的故障诊断方法,其特征在于,基于神经网络的所述故障识别模型包括输入层、多组并列中间层和输出层,所述故障识别模型的建立包括步骤:
用神经网络进行饮水装置故障识别,所述神经网络获取训练样本数据训练获得故障识别模型;所述训练样本数据是采用已有的确定故障类型的饮水装置故障数据,或采用可能故障类型的数值模拟故障数据来构造训练样本数据;
对饮水装置故障数据通过时域统计分析获得故障特征值,并由全部故障特征值构成样本特征向量;
将样本特征向量分别作为故障识别的权向量;
经过反复迭代训练,获得故障识别模型。
6.根据权利要求5所述的一种基于公共饮水装置的故障诊断方法,其特征在于,在所述步骤S400中,将测试矩阵和所有趋势图作为测试样本输入基于神经网络的故障识别模型,获得故障类型、故障位置和故障预警,包括步骤:
S401,根据测试矩阵,识别异常点位;
S402,对异常点位经过对比分析,确定该异常点位为已故障点位或近似故障点位;
S403,根据异常点位信息,输出故障类型和故障位置;
S404,若为近似故障点位,则在趋势图中定位该异常点位,根据异常点位相邻数值的趋势变化,得到故障发送趋势,形成故障预警。
7.根据权利要求6所述的一种基于公共饮水装置的故障诊断方法,其特征在于,选取待诊断数据的测试矩阵获取特征向量作为神经网络输入层的输入向量,将输入样本数据与训练样本数据采用相同的参数;
将所述故障识别模型中的每个处理过程建立相应的模式单元作为一个中间层;将每个模式单元的输入向量与权向量进行标量积运算。
8.根据权利要求7所述的一种基于公共饮水装置的故障诊断方法,其特征在于,
在所述步骤S401中,将测试矩阵输入异常点识别的模式单元,在异常点识别的模式单元中,将测试矩阵的特征向量与异常点识别权向量进行标量积运算,识别并输出异常点位;
在所述步骤S402中,将异常点位输入异常点划分的模式单元,在异常点划分的模式单元中,将异常点位的特征向量与异常点划分权向量进行标量积运算并结合阈值限定范围,输出已故障点位或近似故障点位;
在所述步骤S403中,将已故障点位或近似故障点位输入故障识别的模式单元,在故障识别的模式单元中,将已故障点位或近似故障点位的特征向量与故障识别权向量进行标量积运算,输出故障类型和故障位置;
在所述步骤S404中,将近似故障点位和趋势图输入预测的模式单元,在预测的模式单元中,根据近似故障点位在趋势图中提取相邻区域的特征向量,将趋势图中提取的特征向量与预测权向量进行标量积运算,输出故障预警。
9.根据权利要求8所述的一种基于公共饮水装置的故障诊断方法,其特征在于,根据故障识别模型未识别出的故障类型,对该故障位置进行维修后得到元器件运行正常的反馈后,将此次故障数据作为训练样本数据训练所述故障识别模型。
10.根据权利要求9所述的一种基于公共饮水装置的故障诊断方法,其特征在于,基于故障处理知识库,在线诊断出系统当前发生某一故障后,查询故障处理知识库,给出故障处理方案。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910458301.1A CN110162015B (zh) | 2019-05-29 | 2019-05-29 | 一种基于公共饮水装置的故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910458301.1A CN110162015B (zh) | 2019-05-29 | 2019-05-29 | 一种基于公共饮水装置的故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110162015A true CN110162015A (zh) | 2019-08-23 |
CN110162015B CN110162015B (zh) | 2022-09-02 |
Family
ID=67630135
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910458301.1A Active CN110162015B (zh) | 2019-05-29 | 2019-05-29 | 一种基于公共饮水装置的故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110162015B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114441698A (zh) * | 2020-11-04 | 2022-05-06 | 中国科学院沈阳自动化研究所 | 一种基于贝叶斯网的气相色谱仪故障诊断方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103336243A (zh) * | 2013-07-01 | 2013-10-02 | 东南大学 | 基于分合闸线圈电流信号的断路器故障诊断方法 |
CN104462846A (zh) * | 2014-12-22 | 2015-03-25 | 山东鲁能软件技术有限公司 | 一种基于支持向量机的设备故障智能诊断方法 |
CN104573740A (zh) * | 2014-12-22 | 2015-04-29 | 山东鲁能软件技术有限公司 | 一种基于svm分类模型的设备故障诊断方法 |
CN105574284A (zh) * | 2015-12-29 | 2016-05-11 | 山东鲁能软件技术有限公司 | 一种基于趋势特征点的电力设备故障诊断方法 |
CN109115501A (zh) * | 2018-07-12 | 2019-01-01 | 哈尔滨工业大学(威海) | 一种基于cnn与svm的民航发动机气路故障诊断方法 |
CN109506963A (zh) * | 2018-11-29 | 2019-03-22 | 中南大学 | 一种智能列车牵引故障大数据异常检测辨识方法 |
US20190108439A1 (en) * | 2017-10-05 | 2019-04-11 | Salesforce.Com, Inc. | Convolutional neural network (cnn)-based suggestions for anomaly input |
-
2019
- 2019-05-29 CN CN201910458301.1A patent/CN110162015B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103336243A (zh) * | 2013-07-01 | 2013-10-02 | 东南大学 | 基于分合闸线圈电流信号的断路器故障诊断方法 |
CN104462846A (zh) * | 2014-12-22 | 2015-03-25 | 山东鲁能软件技术有限公司 | 一种基于支持向量机的设备故障智能诊断方法 |
CN104573740A (zh) * | 2014-12-22 | 2015-04-29 | 山东鲁能软件技术有限公司 | 一种基于svm分类模型的设备故障诊断方法 |
CN105574284A (zh) * | 2015-12-29 | 2016-05-11 | 山东鲁能软件技术有限公司 | 一种基于趋势特征点的电力设备故障诊断方法 |
US20190108439A1 (en) * | 2017-10-05 | 2019-04-11 | Salesforce.Com, Inc. | Convolutional neural network (cnn)-based suggestions for anomaly input |
CN109115501A (zh) * | 2018-07-12 | 2019-01-01 | 哈尔滨工业大学(威海) | 一种基于cnn与svm的民航发动机气路故障诊断方法 |
CN109506963A (zh) * | 2018-11-29 | 2019-03-22 | 中南大学 | 一种智能列车牵引故障大数据异常检测辨识方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114441698A (zh) * | 2020-11-04 | 2022-05-06 | 中国科学院沈阳自动化研究所 | 一种基于贝叶斯网的气相色谱仪故障诊断方法 |
CN114441698B (zh) * | 2020-11-04 | 2023-03-24 | 中国科学院沈阳自动化研究所 | 一种基于贝叶斯网的气相色谱仪故障诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110162015B (zh) | 2022-09-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105337765B (zh) | 一种分布式hadoop集群故障自动诊断修复系统 | |
Labib et al. | An effective maintenance system using the analytic hierarchy process | |
CN108388950A (zh) | 基于大数据的变压器智能运维方法及系统 | |
CN106655522A (zh) | 一种适用于电网二次设备运维管理的主站系统 | |
CN109615004A (zh) | 一种多源数据融合的防窃电预警方法 | |
CN106846530A (zh) | 一种基于nfc技术的物业移动巡检系统及方法 | |
CN102928720A (zh) | 油浸式主变压器的缺陷率检测方法 | |
CN103078403B (zh) | 一种智能变电站二次系统的在线状态评估方法 | |
CN109583520A (zh) | 一种云模型与遗传算法优化支持向量机的状态评估方法 | |
CN109447531A (zh) | 一种基于神经网络健康度评价的智能电表状态评价方法 | |
CN104516339B (zh) | 优化化工间歇生产操作的方法及经优化的生产操作系统 | |
CN109949436A (zh) | 基于重点能耗设备模型诊断分析的工业智能优化节能系统 | |
CN106019195A (zh) | 一种电力计量自动化检定流水线故障诊断系统 | |
CN110309981A (zh) | 一种基于工业大数据的水电站状态检修决策系统 | |
CN103023028B (zh) | 一种基于实体间依赖关系图的电网故障快速定位方法 | |
CN109242104A (zh) | 一种利用数据分析实时发现设备故障异常的系统 | |
CN107256457A (zh) | 一种电能表自动化检定车间智能巡检系统 | |
CN105260947B (zh) | 用于核电站设计阶段的可用率评价方法 | |
CN109858886A (zh) | 一种基于集成学习的费控成功率提升分析方法 | |
CN109884473A (zh) | 一种电力检修系统及方法 | |
CN110046797A (zh) | 基于critic和理想点法的计量设备运行质量评估方法 | |
JP2642438B2 (ja) | プラント機器保守管理支援装置 | |
CN107302264A (zh) | 一种变电站二次自动化设备稳定运行管控方法 | |
CN106447157A (zh) | 产品测试监管方法及其监管系统 | |
CN109308587A (zh) | 电动汽车充电桩的可靠性分析系统及其智能诊断方法 |
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 |