CN110243497A - 一种基于主成分分析的传感器故障诊断方法及系统 - Google Patents

一种基于主成分分析的传感器故障诊断方法及系统 Download PDF

Info

Publication number
CN110243497A
CN110243497A CN201910457347.1A CN201910457347A CN110243497A CN 110243497 A CN110243497 A CN 110243497A CN 201910457347 A CN201910457347 A CN 201910457347A CN 110243497 A CN110243497 A CN 110243497A
Authority
CN
China
Prior art keywords
data
formula
matrix
sensor
fault
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.)
Pending
Application number
CN201910457347.1A
Other languages
English (en)
Inventor
刘亚萌
胡建军
邹艾娟
曹崇亮
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Warm Cloud Technology Co Ltd
Original Assignee
Beijing Warm Cloud Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Warm Cloud Technology Co Ltd filed Critical Beijing Warm Cloud Technology Co Ltd
Priority to CN201910457347.1A priority Critical patent/CN110243497A/zh
Publication of CN110243497A publication Critical patent/CN110243497A/zh
Pending legal-status Critical Current

Links

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
    • G01D18/00—Testing or calibrating apparatus or arrangements provided for in groups G01D1/00 - G01D15/00
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
    • G01K15/00—Testing or calibrating of thermometers
    • G01K15/007—Testing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)

Abstract

本发明涉及一种基于主成分分析的传感器故障诊断方法及系统，其包括数据采集模块、中央服务器和内置于中央服务器内的数据检测模块构成，采集模块用来采集数据，上传至中央服务器，中央服务器通过内置的数据检测模块按照主分析法进行传感器故障检测，具体通过设置阈值进行主成分分析，判断传感器数据正常还是异常，进而对异常数据组进行数据重构，对比各个传感器异常程度，从而检测出故障传感器的方法；与供热管网的供热传感器故障诊断契合度较好，能诊断出实际工程中出现的传感器故障诊断问题，为及时迅速反应供热管网真实状态，以及得到真实数据后的节能计算、漏水检测等深度分析提供了基础。

Description

一种基于主成分分析的传感器故障诊断方法及系统
技术领域
本发明属于市政、信息处理及智能楼宇领域，具体涉及一种基于主成分分析的温度传感器故障检测方法，本发明还涉及实现该方法的系统。
背景技术
随着物联网和互联网技术的发展，在供热、空调、给水、排水等市政以及智能楼宇领域，市政系统中诸如压力、温度、流量、智能楼宇领域的诸如能源消耗、室内温度、湿度等参数的测量和采集都采用自动化仪表，测量数据自动采集，并实现数据远程传输。这种方式一方面使得数据能够实时采集，是系统实现自控的必要环节，另一方面实现了高频率的电子化数据，方便管理人员运行管理和故障的诊断、处理等功能，提高服务品质的同时大大降低了能源消耗。
本领域技术中针对于现有技术所面的主要问题为：随着数据采集种类的越来越多，采集的频次越来越高，数据数量越来越大，故障传感器的产生难以避免，从而影响服务质量、浪费能源甚至引起安全事故，因此在使用数据前必须通过现有数据进行传感器故障筛查，目前已经提出的异常检测方法有很多种，主要有基于规则、模型、神经网络、数理统计的方法，但不易检测针对小规模系统故障，或计算极其复杂，又或者人为限定条件过多，调试繁琐。
发明内容
本发明涉及的数据为时间序列数据，数据间具有较强的相关性，呈一维性特征，传感器数据发生变化，其他传感器数据会随之变化，因此数据会随着时间具有一定的变化规律。
本发明基于上述数据特征，提出一种主成分分析的温度传感器故障检测方法，其解决所述技术问题采用的技术方案包括如下步骤：
(1)确定需要处理的传感器个数n，以及各传感器记录数据个数m，最终确定原始数据集合
(2)对原矩阵进行均值减法和归一化
均值减法：
归一化：
经过上述计算，Tori被标准化为T：
(3)计算T的协方差矩阵C，由式(6)得出：
得到C的特征值(λ1,λ2,…,λn)及特征向量(v1,v2,…,vn)，假设λ1≥λ2≥…≥λn，与特征值相对应的特征向量构成的n×n维矩阵V如式(7)所示：
V＝[v1,v2,…,vn] (7)
(4)将矩阵维度从m×n降至m×k，如式(8)所示:
(5)前k项特征值累计贡献率CCRk如式(10)所示：
将累计贡献率大于90％时对应的k值作为最终的k值。
(6)采用训练数据协方差矩阵C的最后(n-k)个特征值进行计算，得到阈值，如式(11)所示:
其中，k为主成分数；λi为矩阵C中第i个特征值，ca为1.645。
(7)测试数据组遵循与训练数据组相同的规则，用于进行故障数据诊断；对于测试数据的标准化矩阵T，其主成分向量由主成分子空间(PCS)构成，如式(12)所示：
T的残差向量矩阵表示为E，由残余子空间(RS)构成，如式(13)所示：
ep的欧几里德距离如式(14)所示：
来自故障传感器的值可以通过ep的Q统计量来得知，如式(15)所示：
当Qp大于Qa时，pΔτ时刻存在故障数据。
(8)将矩阵T拆分为辨识为故障和辨识为正常的两个矩阵，即T″和T″′，两个矩阵维度均为m×n，且T＝T″+T″′。
T″如式(16)所示。
若Qp大于Qa，则否则t″p＝[0,…,0](1×n),p＝1,2,…,m；
同样，T″′如式(17)所示。若Qp小于Qa，则否则t″′p＝[0,…,0](1×n),p＝1,2,…,m。
T″′＝[t″′1,t″′2,…,t″′p,…,t″′m]T (17)
如上所述，获得用于测试数据的协方差矩阵C的特征向量矩阵V。挑选V的后n-k列以形成n×(n-k)维矩阵Vn-k，其可用于将T″和T″′变换为F″(m×n)和F″′(m×n)，分别如式(18)、式(19)所示：
最后，设计m×n维矩阵，F″″，如式(20)所示，其中f″″p是1×n维向量，p＝1,2,…,m。
f″′r为在F″′中随机选取的行向量，且遵循‖f″′r‖≠0的条件。
如果‖f″″p‖≠0，则pΔτ处发生故障，找出f″″p各元素中绝对值最大的一个元素f″″p，j，则此元素对应的第j个传感器即为故障传感器。
优选的，检测出的故障传感器可以进行相应的故障时间及故障传感器确定，也可进行故障率计算。
优选的，用于检测的数据可以是数据库系统里的已经存在的数据，也可以是实时采集上传的数据；
优选的，可以在线实时对采集传感器数据进行故障诊断，并优先存储到数据库内，然后在固定的时间内调出需要处理的数据集中进行故障诊断；
根据基于主成分分析的传感器故障诊断方法，则该系统是由数据采集模块、中央服务器和数据检测模块构成，其中采集模块用于采集数据，上传至中央服务器，内置在中央服务器里的数据检测模块根据上述的诊断方法进行传感器故障诊断、相应的故障时间、故障传感器确定。
本发明的有益效果为，
1)该方法的系统可以有效识别故障传感器，保证传感器上传数据的准确性具有重要的实际意义，本方法包含数据初始化，故障数据识别，故障数组的数据重组，故障传感器位置识别等主要步骤，并在数据重组步骤中运用协方差矩阵的特征向量对测试组数据进行数据维度还原，相较于其他基于数理统计的方法提高了故障诊断效果；
2)同时基于主成分分析法的传感器故障诊断与供热管网的供热传感器故障诊断契合度较好，能诊断出实际工程中出现的传感器故障诊断问题，为及时迅速反应供热管网真实状态，以及得到真实数据后的节能计算、漏水检测等深度分析提供了基础。
附图说明
图1是基于主成分分析的传感器故障诊断系统原理架构图；
图2是实施例1的传感器故障诊断结果；
图3是实施例1的故障传感器识别结果；
图4是实施例2的传感器故障诊断结果；
图5是实施例3的传感器故障诊断结果；
图6是实施例3的故障传感器识别结果。
具体实施方式
下面结合附图及实例对本发明的技术方案做进一步说明，但它不构成对本发明权利要求的限制：
实施例1：
在对供热系统管网锅炉压力进行实时安全运行监控时，一号锅炉供水压力torip,1，一号锅炉回水压力torip,2，二号锅炉供水压力torip,3，二号锅炉回水压力torip,4十分重要。如图1所示，4个压力传感器作为数据采集模块，将实时采集的数据上传至中心服务器，中心服务器收到数据后，采用本专利提供的方法对管网4个传感器上传数据进行故障诊断，进而识别出故障传感器，具体按照如下步骤进行处理：
(1)每个时间点都有4个传感器上传数据相对应，收集数据确定其初始数据组：
(2)对初始数据组进行均值减法和归一化
(3)计算协方差矩阵，得到其特征值(λ1,λ2,…,λn)和特征向量(v1,v2,…,vn)
(4)将矩阵维度从m×n降至m×k，本例中将500组数据作为训练数据矩阵，维度为500×4，300组数据作为待测组矩阵，维度为300×4，k最终选取为1，降维后训练组矩阵和待测组矩阵维度分别为500×1和300×1
(5)通过式(10)计算前2项累计贡献率为98.83％，高于90％。
(6)通过式(11)计算阈值为0.0657。
(7)通过式(12)、(13)、(14)、(15)对待测组300组数据进行故障数据诊断，发现75处故障。
(8)对存在故障的数据组进行数据重组，最终得到故障传感器为一号锅炉供水压力传感器和一号锅炉回水压力传感器。
(图2中横坐标为待测组序号，纵坐标代表Qa和Qp值，图3中横坐标为待测组序号，纵坐标代表传感器序号)
实施例2：
在对供热系统管网流量进行实时运行监控时，二次侧供水流量torip,1，二次侧回水压力torip,2，二次侧供水压力torip,3十分重要。如图1所示，3个传感器作为数据采集模块，将实时采集的数据上传至中心服务器，中心服务器收到数据后，采用本专利提供的方法对管网3个传感器上传数据进行故障诊断，进而识别出故障传感器，具体按照如下步骤进行处理：
(1)每个时间点都有3个传感器上传数据相对应，收集数据确定其初始数据组：
(2)对初始数据组进行均值减法和归一化
(3)计算协方差矩阵，得到其特征值(λ1,λ2,…,λn)和特征向量(v1,v2,…,vn)
(4)将矩阵维度从m×n降至m×k，本例中将500组数据作为训练数据矩阵，维度为500×4，300组数据作为待测组矩阵，维度为300×4，k最终选取为2，降维后训练组矩阵和待测组矩阵维度分别为500×2和300×2
(5)通过式(10)计算前2项累计贡献率为99.32％，高于90％。
(6)通过式(11)计算阈值为0.0344。
(7)通过式(12)、(13)、(14)、(15)对待测组300组数据进行故障数据诊断，发现0处故障。
(8)由于未发现故障数组，故无需进行数据重组步骤，由此判断3个传感器均未故障。
(图4中的横坐标代表待测组序号，纵坐标代表Qa和Qp值)
实施例3：
在供热系统换热站进行运行实时监控时，热力站换热器处的一次侧供水温度torip,1，一次侧回水温度torip,2，二次侧回水温度torip,3，二次侧供水温度torip,4非常重要。如图1所示，四个温度传感器作为数据采集模块，将实时采集的数据上传至中心服务器，中心服务器收到数据后，采用本专利提供的方法对换热器处4个温度传感器上传数据进行故障诊断，进而识别出故障传感器，具体按照如下步骤进行处理：
(1)每个时间点都有4个温度传感器上传数据相对应，收集数据确定其初始数据组：
(2)对初始数据组进行均值减法和归一化
(3)计算协方差矩阵，得到其特征值(λ1,λ2,…,λn)和特征向量(v1,v2,…,vn)
(4)将矩阵维度从m×n降至m×k，本例中将2000组数据作为训练数据矩阵，维度为2000×4，1133组数据作为待测组矩阵，维度为1133×4，k最终选取为2，降维后训练组矩阵和待测组矩阵维度分别为2000×2和1133×2。
(5)通过式(10)计算前2项累计贡献率为99.44％，高于90％。
(6)通过式(11)计算阈值为0.034。
(7)通过式(12)、(13)、(14)、(15)对待测组1133组数据进行故障数据诊断，发现172处故障。
(8)对存在故障的数据组进行数据重组，最终得到故障传感器为1号传感器，即一次侧供水温度传感器，一次回水传感器、二次回水传感器间断性故障。
图5中横坐标为待测组序号，纵坐标代表Qp值和Qa值，图6中横坐标为待测组序号，纵坐标代表传感器序号
应当理解，上述实施方式仅为本发明的较佳实施例而已，用来描述本发明原理的应用，在不背离本发明的精神或本质特性的情况下，本发明可以实施为其他的具体形式。所述实施方式无论从哪一方面来看都应当认为仅是作为说明性的，而不应认为是限制性的。因此，本发明的范围应当以所附权利要求为准，而不是以前述发明为准，根据权利要求的实质精神和等效手段所做的变型都落入其范围之内。
尽管已经利用与目前认为是本发明的最实用以及优选的实施方式相关的特性和细节全面地描述了本发明，但对于本领域技术人员来说显而易见的各种变化和/或改善，包括但不限制于大小，材料，形状，接口形式，接口位置、功能和操作方式，组装和做出的使用上的改变，这些都不背离在权利要求中阐述的本发明的原理和概念。

Claims (5)

1.一种基于分析法的传感器故障诊断算法，其特征在于，采用如下操作步骤：
(1)确定需要处理的传感器个数n，以及各传感器记录数据个数m，最终确定原始数据集合
(2)对原矩阵进行均值减法和归一化；
(3)均值减法如下：
归一化如下：
经过上述计算，Tori被标准化为T：
(4)计算T的协方差矩阵C，由式(6)得出：
得到C的特征值(λ1，λ2，…，λn)及特征向量(v1，v2，…，vn)，假设λ1≥λ2≥…≥λn，与特征值相对应的特征向量构成的n×n维矩阵V如式(7)所示：
V＝[v1，v2，…，vn] (7)
(5)将矩阵维度从m×n降至m×k，如式(8)所示：
(6)前k项特征值累计贡献率CCRk如式(10)所示：
将累计贡献率大于90％时对应的k值作为最终的k值；
(7)采用训练数据协方差矩阵C的最后(n-k)个特征值进行计算，得到阈值，
如式(11)所示：
其中，k为主成分数；λi为矩阵C中第i个特征值，ca为1.645；
(8)测试数据组遵循与训练数据组相同的规则，用于进行故障数据诊断；对于测试数据的标准化矩阵T，其主成分向量由主成分子空间(PCS)构成，如式(12)所示：
T的残差向量矩阵表示为E，由残余子空间(RS)构成，如式(13)所示：
ep的欧几里德距离如式(14)所示：
来自故障传感器的值可以通过ep的Q统计量来得知，如式(15)所示：
当Qp大于Qa时，pΔτ时刻存在故障数据；
(9)将矩阵T拆分为辨识为故障和辨识为正常的两个矩阵，即T″和T″′，两个矩阵维度均为m×n，且T＝T″+T″′；
T″如式(16)所示：
T″＝[t″1，t″2，…，t″p，…，t″m]T (16)
若Qp大于Qa，则否则t″p＝[0，…，0](1×n)，p＝1，2，…，m；同样，T″′如式(17)所示；若Qp小于Qa，则否则t″′p＝[0，…，0](1×n)，p＝1，2，…，m；
T″′＝[t″′1，t″′2，…，t″′p，…，t″′m]T (17)
如上所述，获得用于测试数据的协方差矩阵C的特征向量矩阵V，挑选V的后n-k列以形成n×(n-k)维矩阵Vn-k，其可用于将T″和T″′变换为F″(m×n)和F″′(m×n)，分别如式(18)、式(19)所示：
最后，设计m×n维矩阵，F″″，如式(20)所示，其中f″″p是1×n维向量，p＝1，2，…，m；
f″′r为在F″′中随机选取的行向量，且遵循||f″′r||≠0的条件；
如果||f″″p||≠0，则pΔτ处发生故障，找出f″″p各元素中绝对值最大的一个元素f″″p，j，则此元素对应的第j个传感器即为故障传感器。
2.根据权利要求1所述的算法，其特征在于，检测出的故障传感器可以进行相应的故障时间及故障传感器确定，也可进行故障率计算。
3.根据权利要求1所述的算法，其特征在于，用于检测的数据可以是数据库系统里的已经存在的数据，也可以是实时采集上传的数据。
4.根据权利要求1所述的算法，其特征在于，可以在线实时对采集传感器数据进行故障诊断，并优先存储到数据库内，然后在固定的时间内调出需要处理的数据集中进行故障诊断。
5.一种基于分析法的传感器故障诊断算法的系统，其特征在于，则该系统是由数据采集模块、中央服务器和数据检测模块构成，其中采集模块用于采集数据，上传至中央服务器，内置在中央服务器里的数据检测模块根据上述的诊断方法进行传感器故障诊断、相应的故障时间、故障传感器确定。
CN201910457347.1A 2019-05-29 2019-05-29 一种基于主成分分析的传感器故障诊断方法及系统 Pending CN110243497A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910457347.1A CN110243497A (zh) 2019-05-29 2019-05-29 一种基于主成分分析的传感器故障诊断方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910457347.1A CN110243497A (zh) 2019-05-29 2019-05-29 一种基于主成分分析的传感器故障诊断方法及系统

Publications (1)

Publication Number Publication Date
CN110243497A true CN110243497A (zh) 2019-09-17

Family

ID=67885395

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910457347.1A Pending CN110243497A (zh) 2019-05-29 2019-05-29 一种基于主成分分析的传感器故障诊断方法及系统

Country Status (1)

Country Link
CN (1) CN110243497A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111579121A (zh) * 2020-05-08 2020-08-25 上海电享信息科技有限公司 基于大数据在线诊断新能源汽车电池包内温度故障的方法
CN113029242A (zh) * 2021-03-12 2021-06-25 青岛科技大学 结构健康监测系统中光纤光栅传感器异常诊断方法
CN113052232A (zh) * 2021-03-23 2021-06-29 中国计量大学 一种电机故障分析方法及系统
CN113252320A (zh) * 2020-02-10 2021-08-13 三菱重工业株式会社 异常感测装置、异常感测方法及程序

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2000010059A1 (en) * 1998-08-17 2000-02-24 Aspen Technology, Inc. Sensor validation apparatus and method
US20060195248A1 (en) * 2005-02-14 2006-08-31 Honeywell International, Inc. Fault detection system and method for turbine engine fuel systems
CN104634478A (zh) * 2015-03-06 2015-05-20 沈阳工业大学 一种回转窑煅烧带温度的软测量方法
CN104793604A (zh) * 2015-04-10 2015-07-22 浙江大学 一种基于主成分追踪的工业故障监测方法及应用
CN106600140A (zh) * 2016-12-07 2017-04-26 河海大学常州校区 基于改进支持向量机的燃气管道故障预测预警系统及方法
CN106762452A (zh) * 2016-12-08 2017-05-31 东北大学 基于数据驱动的风机主控系统故障诊断和在线监测方法
CN108490923A (zh) * 2018-04-28 2018-09-04 南京航空航天大学 用于电气牵引系统的微小故障检测与定位的系统设计方法
CN109344518A (zh) * 2018-10-14 2019-02-15 毛述春 一种基站热管理系统的故障诊断方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2000010059A1 (en) * 1998-08-17 2000-02-24 Aspen Technology, Inc. Sensor validation apparatus and method
US20060195248A1 (en) * 2005-02-14 2006-08-31 Honeywell International, Inc. Fault detection system and method for turbine engine fuel systems
CN104634478A (zh) * 2015-03-06 2015-05-20 沈阳工业大学 一种回转窑煅烧带温度的软测量方法
CN104793604A (zh) * 2015-04-10 2015-07-22 浙江大学 一种基于主成分追踪的工业故障监测方法及应用
CN106600140A (zh) * 2016-12-07 2017-04-26 河海大学常州校区 基于改进支持向量机的燃气管道故障预测预警系统及方法
CN106762452A (zh) * 2016-12-08 2017-05-31 东北大学 基于数据驱动的风机主控系统故障诊断和在线监测方法
CN108490923A (zh) * 2018-04-28 2018-09-04 南京航空航天大学 用于电气牵引系统的微小故障检测与定位的系统设计方法
CN109344518A (zh) * 2018-10-14 2019-02-15 毛述春 一种基站热管理系统的故障诊断方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
何孝清: "主元分析及在故障传感器数据重构的应用", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113252320A (zh) * 2020-02-10 2021-08-13 三菱重工业株式会社 异常感测装置、异常感测方法及程序
CN111579121A (zh) * 2020-05-08 2020-08-25 上海电享信息科技有限公司 基于大数据在线诊断新能源汽车电池包内温度故障的方法
CN113029242A (zh) * 2021-03-12 2021-06-25 青岛科技大学 结构健康监测系统中光纤光栅传感器异常诊断方法
CN113052232A (zh) * 2021-03-23 2021-06-29 中国计量大学 一种电机故障分析方法及系统

Similar Documents

Publication Publication Date Title
CN110243497A (zh) 一种基于主成分分析的传感器故障诊断方法及系统
CN109948117A (zh) 一种对抗网络自编码器的卫星异常检测方法
CN116772944B (zh) 配气站的智能监控系统及其方法
CN104199441B (zh) 基于稀疏贡献图的高炉多工况故障分离方法及系统
CN110348150A (zh) 一种基于相关概率模型的故障检测方法
CN108921230A (zh) 基于类均值核主元分析和bp神经网络的故障诊断方法
CN104950875A (zh) 结合关联分析和数据融合的故障诊断方法
CN106971027B (zh) 一种基于dr-bn模型的冷水机组故障特征选择方法
CN108764305A (zh) 一种改进的群智能机器学习故障诊断系统
CN111767657B (zh) 一种核动力系统故障诊断方法和系统
CN105678423A (zh) 基于定量结构模型的故障诊断系统传感器优化配置方法
CN114297909A (zh) 基于神经网络的水泵故障诊断方法及系统
CN117764422B (zh) 智慧节能运维管理云平台
CN113283113B (zh) 太阳电池阵发电电流预测模型训练方法、异常检测方法、设备及介质
CN113010843B (zh) 测量参数集的确定方法及装置、验证方法及故障诊断方法
CN110414086A (zh) 一种基于灵敏度的综合应力加速因子计算方法
CN212895016U (zh) 一种基于LoRa无线测控技术的铝电解槽况诊断系统
CN104240778B (zh) 核电站用冷凝器特性试验系统、方法及装置
CN116800551B (zh) 一种分子检测在线反馈系统
CN206656749U (zh) 火电厂传感器故障诊断系统
CN116578922A (zh) 基于多通道卷积神经网络的阀冷系统故障诊断方法及装置
CN110455370A (zh) 防汛抗旱远程遥测显示系统
CN116502134A (zh) 一种自诊断预警功能异常状态识别系统
CN113984114B (zh) 一种海洋浮式平台水下结构异常诊断方法
CN115146703A (zh) 基于多模型的燃煤机组宽负荷下炉膛壁温在线监测方法

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20190917