CN110298455B - 一种基于多变量估计预测的机械设备故障智能预警方法 - Google Patents
一种基于多变量估计预测的机械设备故障智能预警方法 Download PDFInfo
- Publication number
- CN110298455B CN110298455B CN201910572423.3A CN201910572423A CN110298455B CN 110298455 B CN110298455 B CN 110298455B CN 201910572423 A CN201910572423 A CN 201910572423A CN 110298455 B CN110298455 B CN 110298455B
- Authority
- CN
- China
- Prior art keywords
- mechanical equipment
- prediction
- data
- early warning
- modeling
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
一种基于多变量估计预测的机械设备故障智能预警方法，包括以下步骤：步骤1，建模数据子集；步骤2，对建模数据子集预处理：步骤3，构建机械设备状态参数和工况参数的预测模型：步骤4，实测状态参数对应机械设备正常运行状态下的状态参数估计预测；步骤5，将状态参数的实测结果与预测结果相减得到状态参数的残差值，判断残差的绝对大小和增长趋势是否超过相应的阈值，进而检测设备的故障异常并实施报警；本发明基于多变量估计预测方法建立机械设备的智能预警模型，进而实现变工况机械设备故障的智能预警。相对于传统的机械设备故障预警方法，本发明具有预测精度高、预警准确度高、预警更及时的优点。
Description
技术领域
本发明属于机械设备预警领域，特别涉及一种基于多变量估计预测的机械设备故障智 能预警方法。
背景技术
在机械设备预测性维护领域，针对机械设备的状态异常检测，传统预警方式为硬阈 值报警或趋势报警。硬阈值报警一般是根据设备类型，确定适用于该设备的振动监测参数 (位移、速度或加速度)适用的国际标准或国家标准报警阈值，并根据设备工作转速、功率等信息确定设备对应的报警阈值。有些企业根据多年积累的设备运行情况并结合工程师现场经验，会制定更加适用的企业标准报警阈值。趋势报警是监控状态监测参数的增长趋势是否超限从而实施报警。传统预警方式只适用于稳定工况设备，无法解决变化工况机械设备(比如设备电机转速变化、负载变化、电流变化等)的异常故障检测问题。
发明内容
本发明的目的在于提供一种基于多变量估计预测的机械设备故障智能预警方法，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：
一种基于多变量估计预测的机械设备故障智能预警方法，包括以下步骤：
步骤1，选取机械设备正常工作状态下的机械设备状态参数及机械设备对应的部分工 况数据，建模数据子集；
步骤2，对建模数据子集预处理：对建模数据子集的各个变量特征进行min-max标准 化，归一化到[0,1]区间；
步骤3，构建机械设备状态参数和工况参数的预测模型：选择归一化之后的建模训练 数据集建立对应的正常运行空间矩阵D；
步骤4，实测状态参数对应机械设备正常运行状态下的状态参数估计预测。
步骤5，将状态参数的实测结果与预测结果相减得到状态参数的残差值，判断残差的 绝对大小和增长趋势是否超过相应的阈值，进而检测设备的故障异常并实施报警；
步骤6，判断残差结果是否超过设定阈值，如果超过设定阈值，则机械设备已经出现 故障异常，需报警；反之，则机械设备为正常运行，无报警；同时判断残差的增长趋势是否超过设定趋势阈值，如果超过设定趋势阈值，则机械设备已经出现异常持续劣化的情况，需报警；反之，则机械设备无异常劣化情况，无报警。
进一步的，步骤1具体为：选取机械设备正常运行下1至3个月的历史运行数据集，包括机械设备状态参数及机械设备对应的部分工况数据，其中机械设备状态参数具体包括：机械设备振动监测中各个测点的加速度峰值、速度有效值、位移峰值特征参数；机械 设备对应的部分工况数据包括电机电流、电机功率、电机转速、电机负载参数；利用电机 转速P对该数据集进行划分，P≤0划分为设备停机状态，对应的数据不纳入建模数据集 中；P>0划分为设备运行状态，对应的数据纳入建模数据集中；剔除建模数据集中的所 有异常数据点，得到最终的建模子集x，将建模子集以a％:b％的比例划分建模训练数据集 xtrain和模型测试数据集xtest，其中a％+b％＝100％，且有a％>b％。
进一步的，步骤2中：
归一化方法为：
其中j表示选择的变量，i表示所选择变量的序号，xji为未标准化的原始数据，xjmax为选择变量j序列的最大值，xjmin为选择变量j序列的最小值，Xji标准化后的变量值。
进一步的，步骤3中：
D的构建方法：
式中，D的每一列表示建模数据子集的一个正常状态样本，它由n个变量构成，D一共有m个样本集；
式(1)中
表示计算两向量之间的欧式距离，以计算X,Y两向量之间欧式距离为列说明，计算公式如下：
将预留的测试数据集Xtest输入模型，通过下式(1)计算得到对应的预测结果Xpredict；
接下来检验测试数据集的预测误差是否满足要求，设置状态参数的预测相对误差小于 等于2％，工况参数预测相对误差小于等于5％，预测误差满足要求则表明构建的模型满 足应用要求，若预测误差不满足要求，则需要继续修正建模，然后重复上述步骤1、2、3，至测试集的预测误差满足要求则建模结束。
进一步的，步骤4中：
首先将实测状态参数和对应的实测工况参数组成的数组Xmeasure输入至预测模型中 进行预测，预测计算公式如下式：
进一步的，步骤6中残差设定阈值计算方法如下：
选取机械设备正常运行的一段数据，将状态参数和工况参数组成的数据输入模型得到 预测结果，预测计算公式和步骤4预测公式相同；将每个状态参数的实测结果和相应的预 测结果相减得到残差序列，计算各个状态参数的残差均值μi和标准差σi，则各个状态参 数的阈值为：
thresholdi＝μi+k×σi，其中下标i表示某一类状态参数，k表示残差报警阈值包含选 取正常数据量多少的系数，且有k越大，包含的数据量越大的特点，k取值为2,3,4,5,6；
残差计算方法为：r＝Xmeasure-Xforcast。
进一步的，步骤6中残差的增长趋势计算方法如下：
其中rhis为包含当前时刻残差结果及之前共n个时刻的一段历史数据，n表示选取计算增长趋势数据窗口的长短，n取值为5-10；趋势阈值取值范围可以为50％～100％。
与现有技术相比，本发明有以下技术效果：
本发明基于多变量估计预测方法建立机械设备的智能预警模型，进而实现变工况机 械设备故障的智能预警。相对于传统的机械设备故障预警方法，本发明通过历史正常数据 的训练和学习建模，采用无参数的多变量预测方法对实测数据进行预测，具有预测精度高、 预警准确度高的优点，由于建模和预测过程纳入了工况参数，因此本发明可以从变化工况 中提取隐藏的异常信息，实现更及时、更早期的预警。
同时本发明的智能预警方法能够解决变工况设备的异常信息被工况所掩盖，从而导 致无法检测和发现异常的问题。通过本发明的应用，可实现变工况机械设备故障异常的早 期预知发现，为机械设备维修提供决策依据，有效的降低了设备安全隐患，避免了设备的 异常停机和重大经济损失。
附图说明
图1基于多变量估计预测的机械设备故障智能预警流程图
图2某机械设备振动加速度与工况参数关系
图3某机械设备振动加速度多变量模型预测结果与实测结果验证
图4某机械设备振动加速度残差趋势
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4，一种基于多变量估计预测的机械设备故障智能预警方法，包括以 下步骤：
步骤1，选取机械设备正常工作状态下的机械设备状态参数及机械设备对应的部分工 况数据，建模数据子集；
步骤2，对建模数据子集预处理：对建模数据子集的各个变量特征进行min-max标准 化，归一化到[0,1]区间；
步骤3，构建机械设备状态参数和工况参数的预测模型：选择归一化之后的建模训练 数据集建立对应的正常运行空间矩阵D；
步骤4，实测状态参数对应机械设备正常运行状态下的状态参数估计预测。
步骤5，将状态参数的实测结果与预测结果相减得到状态参数的残差值，判断残差的 绝对大小和增长趋势是否超过相应的阈值，进而检测设备的故障异常并实施报警；
步骤6，判断残差结果是否超过设定阈值，如果超过设定阈值，则机械设备已经出现 故障异常，需报警；反之，则机械设备为正常运行，无报警；同时判断残差的增长趋势是否超过设定趋势阈值，如果超过设定趋势阈值，则机械设备已经出现异常持续劣化的情况，需报警；反之，则机械设备无异常劣化情况，无报警。
步骤1具体为：选取机械设备正常运行下1至3个月的历史运行数据集，包括机械设备状态参数及机械设备对应的部分工况数据，其中机械设备状态参数具体包括：机械设备振动监测中各个测点的加速度峰值、速度有效值、位移峰值特征参数；机械设备对应的部分工况数据包括电机电流、电机功率、电机转速、电机负载参数；利用电机转速P对该 数据集进行划分，P≤0划分为设备停机状态，对应的数据不纳入建模数据集中；P>0划 分为设备运行状态，对应的数据纳入建模数据集中；剔除建模数据集中的所有异常数据点， 得到最终的建模子集x，将建模子集以a％:b％的比例划分建模训练数据集xtrain和模型测试 数据集xtest，其中a％+b％＝100％，且有a％>b％。
步骤2中：
归一化方法为：
其中j表示选择的变量，i表示所选择变量的序号，xji为未标准化的原始数据，xjmax为选择变量j序列的最大值，xjmin为选择变量j序列的最小值，Xji标准化后的变量值。
步骤3中：
D的构建方法：
式中，D的每一列表示建模数据子集的一个正常状态样本，它由n个变量构成，D一共有m个样本集；
式(1)中
表示计算两向量之间的欧式距离，以计算X,Y两向量之间欧式距离为列说明，计算公式如下：
将预留的测试数据集Xtest输入模型，通过下式(1)计算得到对应的预测结果Xpredict；
接下来检验测试数据集的预测误差是否满足要求，设置状态参数的预测相对误差小于 等于2％，工况参数预测相对误差小于等于5％，预测误差满足要求则表明构建的模型满 足应用要求，若预测误差不满足要求，则需要继续修正建模，然后重复上述步骤1、2、3，至测试集的预测误差满足要求则建模结束。
步骤4中：
首先将实测状态参数和对应的实测工况参数组成的数组Xmeasure输入至预测模型中 进行预测，预测计算公式如下式：
步骤6中残差设定阈值计算方法如下：
选取机械设备正常运行的一段数据，将状态参数和工况参数组成的数据输入模型得到 预测结果，预测计算公式和步骤4预测公式相同；将每个状态参数的实测结果和相应的预 测结果相减得到残差序列，计算各个状态参数的残差均值μi和标准差σi，则各个状态参 数的阈值为：
thresholdi＝μi+k×σi，其中下标i表示某一类状态参数，k表示残差报警阈值包含选 取正常数据量多少的系数，且有k越大，包含的数据量越大的特点，k取值为2,3,4,5,6；
残差计算方法为：r＝Xmeasure-Xforcast。
步骤6中残差的增长趋势计算方法如下：
其中rhis为包含当前时刻残差结果及之前共n个时刻的一段历史数据，n表示选取计算增长趋势数据窗口的长短，n取值为5-10；趋势阈值取值范围可以为50％～100％。
参阅附图1。图1为基于多变量估计预测的机械设备故障智能预警流程图。选取机械设备正常工作状态下1至6个月的历史数据集作为建模数据候选集，这其中包括机械设备状态参数(如设备各个测点的振动加速度、速度、位移等)及和设备状态相关的工况数 据(如电机功率、电流、转速等)，将建模数据候选集划分为训练集和测试集。接下来对 建模数据进行归一化预处理，再利用归一化的训练数据建立多变量预测模型，利用测试数 据验证预测模型的准确度是否满足建模精度要求。当实测数据采集完成，即可将实测参数 输入至已验证的预测模型中，模型输出相应的预测结果，将实测结果与预测结果做差，则 得到各个参数的残差值，判断所得的残差是否大于设定阈值，大于阈值则设备状态出现异 常，推出报警信息，反之，则设备正常。
参阅附图2。图2为某机械设备振动加速度与工况参数关系。该设备驱动电机电流、功率和转速处于连续变化的状态，导致设备的振动加速度也随工况变化而变化，波动剧烈。
参阅附图3。图3为某机械设备振动加速度多变量模型预测结果与实测结果验证，图中预测振动值和实测振动值全部重合，预测误差最大仅为1％，满足了模型预测精度要求。
参阅附图4。图4为某机械设备振动加速度残差趋势，其中前期振动残差接近0，设备处于正常工作状态；后期设备出现了异常，振动残差值超过设定的阈值触发了报警，实现了变工况设备的异常检测和故障智能预警。
Claims (6)
1.一种基于多变量估计预测的机械设备故障智能预警方法，其特征在于，包括以下步骤：
步骤1，选取机械设备正常工作状态下的机械设备状态参数及机械设备对应的部分工况数据，建模数据子集，其中，选取机械设备正常运行下1至3个月的历史运行数据集，包括机械设备状态参数及机械设备对应的部分工况数据，其中机械设备状态参数具体包括：机械设备振动监测中各个测点的加速度峰值、速度有效值、位移峰值特征参数；机械设备对应的部分工况数据包括电机电流、电机功率、电机转速、电机负载参数；利用电机转速P对该数据集进行划分，P≤0划分为设备停机状态，对应的数据不纳入建模数据集中；P>0划分为设备运行状态，对应的数据纳入建模数据集中；剔除建模数据集中的所有异常数据点，得到最终的建模子集x，将建模子集以a％:b％的比例划分建模训练数据集xtrain和模型测试数据集xtest，其中a％+b％＝100％，且有a％>b％；
步骤2，对建模数据子集预处理：对建模数据子集的各个变量特征进行min-max标准化，归一化到[0,1]区间；
步骤3，构建机械设备状态参数和工况参数的预测模型：选择归一化之后的建模训练数据集建立对应的正常运行空间矩阵D；
步骤4，实测状态参数对应机械设备正常运行状态下的状态参数估计预测；
步骤5，将状态参数的实测结果与预测结果相减得到状态参数的残差值，判断残差的绝对大小和增长趋势是否超过相应的阈值，进而检测设备的故障异常并实施报警；
步骤6，判断残差结果是否超过设定阈值，如果超过设定阈值，则机械设备已经出现故障异常，需报警；反之，则机械设备为正常运行，无报警；同时判断残差的增长趋势是否超过设定趋势阈值，如果超过设定趋势阈值，则机械设备已经出现异常持续劣化的情况，需报警；反之，则机械设备无异常劣化情况，无报警。
2.根据权利要求1所述的一种基于多变量估计预测的机械设备故障智能预警方法，其特征在于，步骤2中：
归一化方法为：
其中j表示选择的变量，i表示所选择变量的序号，xji为未标准化的原始数据，xjmax为选择变量j序列的最大值，xjmin为选择变量j序列的最小值，Xji标准化后的变量值。
3.根据权利要求1所述的一种基于多变量估计预测的机械设备故障智能预警方法，其特征在于，步骤3中：
D的构建方法：
式中，D的每一列表示建模数据子集的一个正常状态样本，它由n个变量构成，D一共有m个样本集；
式(1)中表示计算两向量之间的欧式距离，以计算X，Y两向量之间欧式距离为列说明，
计算公式如下：
将预留的测试数据集Xtest输入模型，通过下式(1)计算得到对应的预测结果Xpredict；
接下来检验测试数据集的预测误差是否满足要求，设置状态参数的预测相对误差小于等于2％，工况参数预测相对误差小于等于5％，预测误差满足要求则表明构建的模型满足应用要求，若预测误差不满足要求，则需要继续修正建模，然后重复上述步骤1、2、3，至测试集的预测误差满足要求则建模结束。
4.根据权利要求1所述的一种基于多变量估计预测的机械设备故障智能预警方法，其特征在于，步骤4中：
首先将实测状态参数和对应的实测工况参数组成的数组Xmeasure输入至预测模型中进行预测，预测计算公式如下式：
5.根据权利要求1所述的一种基于多变量估计预测的机械设备故障智能预警方法，其特征在于，步骤5中残差设定阈值计算方法如下：
选取机械设备正常运行的一段数据，将状态参数和工况参数组成的数据输入模型得到预测结果，预测计算公式和步骤4预测公式相同；将每个状态参数的实测结果和相应的预测结果相减得到残差序列，计算各个状态参数的残差均值μi和标准差σi，则各个状态参数的阈值为：
thresholdi＝μi+k×σi，其中下标i表示某一类状态参数，k表示残差报警阈值包含选取正常数据量多少的系数，且有k越大，包含的数据量越大的特点，k取值为2,3,4,5,6；
残差计算方法为：r＝Xmeasure-Xforcast。
6.根据权利要求1所述的一种基于多变量估计预测的机械设备故障智能预警方法，其特征在于，步骤6中残差的增长趋势计算方法如下：
其中rhis为包含当前时刻残差结果及之前共n个时刻的一段历史数据，n表示选取计算增长趋势数据窗口的长短，n取值为5-10；趋势阈值取值范围可以为50％～100％。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910572423.3A CN110298455B (zh) | 2019-06-28 | 2019-06-28 | 一种基于多变量估计预测的机械设备故障智能预警方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910572423.3A CN110298455B (zh) | 2019-06-28 | 2019-06-28 | 一种基于多变量估计预测的机械设备故障智能预警方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110298455A CN110298455A (zh) | 2019-10-01 |
| CN110298455B true CN110298455B (zh) | 2023-06-02 |
Family
ID=68029197
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910572423.3A Active CN110298455B (zh) | 2019-06-28 | 2019-06-28 | 一种基于多变量估计预测的机械设备故障智能预警方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110298455B (zh) |
Families Citing this family (35)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110579367A (zh) * | 2019-09-23 | 2019-12-17 | 北京国电龙源环保工程有限公司 | 一种干燥床的故障自诊断系统及方法 |
| 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 |
| CN110658807A (zh) * | 2019-10-16 | 2020-01-07 | 上海仁童电子科技有限公司 | 一种车辆故障诊断方法、装置及系统 |
| CN110907207B (zh) * | 2019-11-25 | 2022-08-09 | 湃方科技(天津)有限责任公司 | 非标机械设备的运行状态检测方法及装置 |
| CN111090939B (zh) * | 2019-12-17 | 2023-08-15 | 上海汉中诺软件科技有限公司 | 石化装置异常工况的预警方法和系统 |
| CN111396266A (zh) * | 2020-03-05 | 2020-07-10 | 浙江运达风电股份有限公司 | 一种基于gbrt的风电机组发电机轴承故障预警方法 |
| CN113406537B (zh) * | 2020-03-16 | 2024-05-07 | 上海长庚信息技术股份有限公司 | 一种电力设备故障程度的定量评估方法 |
| CN111597223A (zh) * | 2020-04-10 | 2020-08-28 | 神华国能集团有限公司 | 故障预警处理方法、装置及系统 |
| US11691285B2 (en) | 2020-05-07 | 2023-07-04 | Mujin, Inc. | Method and computing system for estimating parameter for robot operation |
| CN113821006B (zh) * | 2020-05-07 | 2022-10-14 | 牧今科技 | 用于确定指示机器人校准质量的误差参数的值的方法和计算系统 |
| CN111915052B (zh) * | 2020-05-26 | 2023-05-02 | 南方电网调峰调频发电有限公司 | 一种模拟量测值智能预测算法的自适应测试方法 |
| CN111720296B (zh) * | 2020-06-11 | 2022-03-08 | 浙江浙能技术研究院有限公司 | 一种基于自编码器的汽动给水泵设备异常状态预警方法 |
| CN111814849B (zh) * | 2020-06-22 | 2024-02-06 | 浙江大学 | 一种基于da-rnn的风电机组关键组件故障预警方法 |
| CN111814848B (zh) * | 2020-06-22 | 2024-04-09 | 浙江大学 | 一种风电机组温度故障的自适应预警策略设计方法 |
| CN112040351B (zh) * | 2020-08-25 | 2022-04-26 | 西安因联信息科技有限公司 | 一种机械设备振动报警信息推送方法 |
| 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 |
| CN112504505A (zh) * | 2020-08-31 | 2021-03-16 | 中国能源建设集团安徽省电力设计院有限公司 | 一种基于多变量状态估计的高压隧道电缆过热预警方法 |
| CN112067335A (zh) * | 2020-09-03 | 2020-12-11 | 华能国际电力股份有限公司玉环电厂 | 一种基于多元状态估计的电厂送风机故障预警方法 |
| CN112131270A (zh) * | 2020-09-14 | 2020-12-25 | 武汉第二船舶设计研究所(中国船舶重工集团公司第七一九研究所) | 一种适用于海洋核动力平台的智能预测数值方法及系统 |
| CN112257943A (zh) * | 2020-10-29 | 2021-01-22 | 上海电力大学 | 一种基于mset和偏离度的电厂引风机故障预警方法 |
| CN112525336B (zh) * | 2020-11-18 | 2023-06-27 | 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 |
| CN112525334B (zh) * | 2020-11-18 | 2023-06-02 | 西安因联信息科技有限公司 | 一种动设备振动多稳态检测方法 |
| CN112629585A (zh) * | 2020-12-02 | 2021-04-09 | 三门核电有限公司 | 基于多维参数估计的设备在线监测方法及装置 |
| CN112633561A (zh) * | 2020-12-09 | 2021-04-09 | 北京名道恒通信息技术有限公司 | 一种基于工业大数据的生产风险智能预测预警方法 |
| CN112905958B (zh) * | 2021-01-27 | 2024-04-19 | 南京国电南自电网自动化有限公司 | 基于测控装置的短时数据窗遥测数据状态辨识方法及系统 |
| CN113031552B (zh) * | 2021-03-09 | 2022-10-25 | 浙江菲达环保科技股份有限公司 | 炉后环保设备协同控制方法及系统 |
| CN113033673B (zh) * | 2021-03-24 | 2022-10-25 | 河南中烟工业有限责任公司 | 电机工况异常检测模型的训练方法及系统 |
| CN113219334A (zh) * | 2021-05-06 | 2021-08-06 | 南京航空航天大学 | 一种基于推杆加载电流的壁板型面加载状态预警方法 |
| CN114139591A (zh) * | 2021-06-23 | 2022-03-04 | 核动力运行研究所 | 一种机械设备状态预警方法 |
| CN113468022B (zh) * | 2021-07-01 | 2024-02-09 | 丁鹤 | 一种对产品集中监控的自动化运维方法 |
| CN114002574A (zh) * | 2021-10-29 | 2022-02-01 | 上海华力微电子有限公司 | 半导体结构的测试方法 |
| CN114064760B (zh) * | 2021-11-18 | 2022-12-13 | 广州泰禾大数据服务有限公司 | 一种数据的多维度预警分析判断方法 |
| CN115484146A (zh) * | 2022-08-22 | 2022-12-16 | 中国船舶集团有限公司系统工程研究院 | 一种燃气轮机时变工况下状态参数自适应预警方法 |
| CN115817178A (zh) * | 2022-11-14 | 2023-03-21 | 宁德时代新能源科技股份有限公司 | 故障预警方法、装置、电池、车辆及存储介质 |
| CN115712268B (zh) * | 2022-12-23 | 2023-04-14 | 深圳市创立宏科技有限公司 | 一种电子产品辅料自动贴合装置用故障预警系统 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107609574A (zh) * | 2017-08-18 | 2018-01-19 | 上海电力学院 | 基于数据挖掘的风电机组故障预警方法 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| AR091412A1 (es) * | 2013-06-11 | 2015-02-04 | Ypf Sa | Dispositivo y metodo para diagnosticar situaciones anomalas en procesos |
| CN104102773B (zh) * | 2014-07-05 | 2017-06-06 | 山东鲁能软件技术有限公司 | 一种设备故障预警及状态监测方法 |
| CN105719002A (zh) * | 2016-01-18 | 2016-06-29 | 重庆大学 | 一种基于组合预测的风电机组状态参数异常辨识方法 |
| CN106444703B (zh) * | 2016-09-20 | 2018-12-07 | 西南石油大学 | 基于故障模式发生概率的动设备运行状态模糊评价及预测方法 |
| CN108681633B (zh) * | 2018-05-11 | 2022-03-29 | 上海电力学院 | 一种基于状态参数的凝结水泵故障预警方法 |
| CN108869174B (zh) * | 2018-06-15 | 2020-06-19 | 西安交通大学 | 一种非线性建模的风力发电机叶片固有频率工况补偿方法 |
-
2019
- 2019-06-28 CN CN201910572423.3A patent/CN110298455B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107609574A (zh) * | 2017-08-18 | 2018-01-19 | 上海电力学院 | 基于数据挖掘的风电机组故障预警方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110298455A (zh) | 2019-10-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110298455B (zh) | 一种基于多变量估计预测的机械设备故障智能预警方法 | |
| CN104932488B (zh) | 一种模型预测控制性能评估与诊断方法 | |
| CN107291991B (zh) | 一种基于动态网络标志的风电机组早期缺陷预警方法 | |
| CN112598172A (zh) | 一种风电机组轴承温度预警方法 | |
| CN103678858A (zh) | 一种存在竞争失效条件下的设备剩余寿命预测方法 | |
| CN112883634B (zh) | 基于多维度分析的直流测量系统状态预测方法及系统 | |
| CN113374652A (zh) | 一种风力发电机组寿命评估方法 | |
| CN111648992A (zh) | 燃气轮机压气机故障识别预警方法 | |
| CN114962239B (zh) | 一种基于智能物联网的设备故障检测方法 | |
| CN114925718A (zh) | 一种变压器铁芯接地电流在线预测方法、装置、存储介质及故障诊断方法 | |
| CN111855219A (zh) | 一种基于灰色理论的柴油机润滑油进机安保参数预测方法 | |
| CN110987396A (zh) | 一种用于采煤机摇臂的智能故障诊断及寿命预测方法 | |
| CN112418306A (zh) | 基于lstm-svm的燃气轮机压气机故障预警方法 | |
| CN114219206B (zh) | 基于灰色层次分析的抽水蓄能机组油系统状态综合评估方法 | |
| CN115685045A (zh) | 一种电压互感器在线评估方法 | |
| KR20240003469A (ko) | 원전설비의 예측진단방법 및 시스템 | |
| CN114943281A (zh) | 一种热管冷却反应堆智能决策方法及系统 | |
| CN115062533A (zh) | 多元回归预测模型的构建、预测方法及介质 | |
| Hu et al. | Anomaly detection and remaining useful lifetime estimation based on degradation state for bearings | |
| CN115906602A (zh) | 一种基于深度学习Transformer自编码的风电机组塔筒倾倒监测评价方法 | |
| CN111913463B (zh) | 一种核电厂化学容积控制系统状态监测方法 | |
| CN118090078B (zh) | 一种闭式循环水冷系统渗漏在线监测方法 | |
| Uhrig | Potential Use Of Neural Networks In Nuclear Power Plants | |
| CN112982544B (zh) | 一种基于kpca的地下铲运机故障诊断方法 | |
| CN109872004B (zh) | 一种基于模糊贝叶斯网络的设备故障预测与健康评估方法 |
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 |