CN110378036A - 基于传递熵的化工过程故障诊断方法 - Google Patents
基于传递熵的化工过程故障诊断方法 Download PDFInfo
- Publication number
- CN110378036A CN110378036A CN201910664056.XA CN201910664056A CN110378036A CN 110378036 A CN110378036 A CN 110378036A CN 201910664056 A CN201910664056 A CN 201910664056A CN 110378036 A CN110378036 A CN 110378036A
- Authority
- CN
- China
- Prior art keywords
- variable
- failure
- formula
- entropy
- indicate
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000012546 transfer Methods 0.000 title claims abstract description 37
- 238000003745 diagnosis Methods 0.000 title claims abstract description 26
- 238000001311 chemical methods and process Methods 0.000 title claims abstract description 24
- 238000012544 monitoring process Methods 0.000 claims abstract description 30
- 239000011159 matrix material Substances 0.000 claims description 24
- 238000005070 sampling Methods 0.000 claims description 12
- 238000012216 screening Methods 0.000 claims description 4
- 238000011160 research Methods 0.000 claims description 3
- 239000004744 fabric Substances 0.000 claims 1
- 230000007812 deficiency Effects 0.000 abstract description 3
- 238000012545 processing Methods 0.000 abstract description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Abstract
本发明公开了一种基于传递熵的化工过程故障诊断方法,首先采用相关信息熵建立过程监测模型,然后,利用建立的过程监测模型,判断实时工况状态,最后,针对非正常工况,利用历史故障数据,并引入传递熵,建立故障根本原因‑故障特征变量数据库,并利用所述故障根本原因‑故障特征变量数据库判断故障根本原因。该基于传递熵的化工过程故障诊断方法弥补了主元分析方法处理非线性数据的不足,提高了故障诊断准确率,引入传递熵,可描述故障发生的机理。
Description
技术领域
本发明涉及化工过程故障诊断领域,特别提供了一种基于传递熵的化工过程故障诊断方法。
背景技术
在故障诊断领域,信息熵和传递熵是近年发展起来的方法,信息熵能够衡量任意类型数据,可以有效地避免主元分析法(PCA)的局限性,但是,在化工故障诊断中单独采用信息熵无法辨识出故障根本原因,而传递熵虽能弥补信息熵的不足,但是如果直接采用传递熵处理大数据准确度却较低。
因此,研发一种新的基于传递熵的化工过程故障诊断方法,以提高故障诊断率,并准确描述故障发生机理,成为人们亟待解决的问题。
发明内容
鉴于此,本发明的目的在于提供一种基于传递熵的化工过程故障诊断方法,以至少解决现有故障诊断方法无法辨识故障根本原因、处理大数据准确度较低的问题。
本发明提供的技术方案是:一种基于传递熵的化工过程故障诊断方法,包括如下步骤:
S1:采用相关信息熵建立过程监测模型;
S2:利用S1中建立的过程监测模型,判断实时工况状态;
S3:利用历史故障数据,并引入传递熵,建立故障根本原因-故障特征变量数据库,并利用所述故障根本原因-故障特征变量数据库判断故障根本原因。
优选,S1包括如下步骤:
S11:以化工过程中有监测变量的故障源为研究对象,采集正常工况下的历史监测数据x∈Mm×n并对其进行归一化处理,以消除不同监测变量之间量纲和数值大小差异的影响,其中,m表示采样时刻的个数,n表示每个采样时刻包含的监测变量的个数,且n<m;
S12:根据贝叶斯信息准则从监测变量中选取N个强相关性变量并利用公式(1)计算时序序列的相关系数矩阵R=(rjk)n×n
式中:xji表示历史监测数据矩阵M中第j行第i列的数值,rjk表示相关系数矩阵第j行第k列的数值;表示历史监测数据矩阵M中第j行的均值;表示历史监测数据矩阵M中第k列的均值;
S13:计算每个采样时刻的相关系数矩阵R的特征值λn=(n=1,2,...,N),并利用公式(2)计算其相关信息熵,其中,所有采样时刻的相关信息熵的均值记为HR′
式中:HR表示相关信息熵;表示相关系数矩阵R的特征值;N表示强相关性变量的个数。
进一步优选,S2包括如下步骤:
S21:采集S1中选取的N个强相关变量的实时数据,并对所述数据进行归一化处理;
S22:采用S1中的方法计算出在线监测数据的时序序列相关系数矩阵Rnew、特征值λn=(n=1,2,...,N)和相关信息熵值HR;
S23:判断|HR-HR′|与预设阈值V的关系,若|HR-HR′|>V,则初步判定该工况为非正常工况,执行S3,否则,判定其为正常工况,继续执行S2,其中,V的取值范围为0~1。
进一步优选,S3中,利用历史故障数据,并引入传递熵,建立故障根本原因-故障特征变量数据库包括如下步骤:
S31:对已知故障原因的故障工况样本进行归一化处理,并利用公式(3)和公式(4)计算信息熵值
式中:H(X)的单位为Bit,p(xi)表示故障工况样本X=xi时的概率,通过公式(4)计算
式中:表示窗口函数,hn表示窗口宽度,Vn表示宽为hn的超立方体的体积,hn=1.06×std(X)×n-0.2,其中,std表示样本X的标准差,n为样本数量;
S32:将S31中计算出来的最小信息熵值对应的工况变量作为基准变量Y,计算其余工况变量与Y之间的互信息熵,并根据式(5)计算互信息广义相关系数Rg
式中:I(X,Y)为互信息熵,H(X)、H(Y)分别表示变量X、Y的信息熵;
式中:p(x,y)是变量X和Y的联合概率分布,p(x)、p(y)分别表示变量X、Y的联合概率分布;
S33:根据线性插值计算出置信度为0.05的互信息广义相关系数阈值R′g,如果Rg>R′g,则认为是冗余变量并去除,否则,执行S34;
S34:去除掉所有冗余变量后,利用公式(6)计算剩余变量之间的传递熵值t(X|Y),利用公式(7)计算故障在各个变量之间传递关系tX→Y
式中:P(Xi+1,Xi,Yi)表示Xi+1、Xi、Yi的联合概率;P(Xi+1|Xi)表示已知i时刻Xi的情况下Xi+1的条件概率;P(Xi,Yi)表示Xi和Yi的联合概率;
tX→Y=t(Y|X)-t(X|Y) (7)
如果tX→Y>0,说明信息是由变量X传递到Y;如果tX→Y<0,说明信息是由变量Y传递到X;如tX→Y=0或者tX→Y无限趋于0,说明变量之间无明显的传递关系;
S35:计算tX→Y的标准差μ、方差σ,根据切比雪夫不等式对变量进行进一步筛选,得到故障发生过程中传递关系明显的主要变量,其中,α为置信度;
S36:根据筛选后主要变量相互之间的传递关系构建传递关系图,形成完整的故障链;
S37:针对故障工况样本,依照“3σ法则”对S36中的故障链中的变量设置报警限,并将在故障发生后指定时间之内,达到报警限的变量作为故障特征变量;
S38:根据故障特征变量及报警顺序建立故障根本原因-故障特征变量数据库。
进一步优选,S34中,tX→Y无限趋于0以tX→Y<5×10-5为界限。
进一步优选,S35中,置信度α为与变量数量Ns有关,且,
进一步优选,S3中,利用所述故障根本原因-故障特征变量数据库判断故障根本原因包括如下步骤:
S39:监控S37中选出的故障特征变量,若出现故障报警,则记录报警顺序,并将其与S38中建立的所述故障根本原因-故障特征变量数据库中的故障链比对,得出故障根本原因。
本发明提供的基于传递熵的化工过程故障诊断方法,首先采用相关信息熵建立过程监测模型,然后,利用建立的过程监测模型,判断实时工况状态,最后,针对非正常工况,利用历史故障数据,并引入传递熵,建立故障根本原因-故障特征变量数据库,并利用所述故障根本原因-故障特征变量数据库判断故障根本原因,具体地,利用历史故障数据,并引入传递熵,建立故障根本原因-故障特征变量数据库包括如下步骤:采用信息熵中的互信息广义相关系数去除冗余变量,提高故障诊断准确率,再引入传递熵方法得到故障传播路径,用以描述连锁故障的发生机理,同时将变化较大的灵敏变量作为故障的特征变量并设置报警值,由于特征变量和故障根本原因是一一对应的,因此根据特征变量及其报警顺序建立故障特征数据库,之后,利用所述故障根本原因-故障特征变量数据库判断故障根本原因。
本发明提供的基于传递熵的化工过程故障诊断方法,有益效果如下:弥补了主元分析方法处理非线性数据的不足,提高了故障诊断准确率,引入传递熵,可描述故障发生的机理。
具体实施方式
下面将结合具体的实施方案对本发明进行进一步的解释,但并不局限本发明。
本发明提供了一种基于传递熵的化工过程故障诊断方法,包括如下步骤:
S1:采用相关信息熵建立过程监测模型;
S11:以化工过程中有监测变量的故障源为研究对象,采集正常工况下的历史监测数据x∈Mm×n并对其进行归一化处理,以消除不同监测变量之间量纲和数值大小差异的影响,其中,m表示采样时刻的个数,n表示每个采样时刻包含的监测变量的个数,且n<m;
S12:根据贝叶斯信息准则从监测变量中选取N个强相关性变量并利用公式(1)计算时序序列的相关系数矩阵R=(rjk)n×n
式中:xji表示历史监测数据矩阵M中第j行第i列的数值,rjk表示相关系数矩阵第j行第k列的数值;表示历史监测数据矩阵M中第j行的均值;表示历史监测数据矩阵M中第k列的均值;
S13:计算每个采样时刻的相关系数矩阵R的特征值λn=(n=1,2,...,N),并利用公式(2)计算其相关信息熵,其中,所有采样时刻的相关信息熵的均值记为HR′
式中:HR表示相关信息熵;表示相关系数矩阵R的特征值;N表示强相关性变量的个数;
S2:利用S1中建立的过程监测模型,判断实时工况状态;
S21:采集S1中选取的N个强相关变量的实时数据,并对所述数据进行归一化处理;
S22:采用S1中的方法计算出在线监测数据的时序序列相关系数矩阵Rnew、特征值λn=(n=1,2,...,N)和相关信息熵值HR;
S23:判断|HR-HR′|与预设阈值V的关系,若|HR-HR′|>V,则初步判定该工况为非正常工况,执行S3,否则,判定其为正常工况,继续执行S2,其中,V的取值范围为0~1;
S3:利用历史故障数据,并引入传递熵,建立故障根本原因-故障特征变量数据库,并利用所述故障根本原因-故障特征变量数据库判断故障根本原因;
其中,利用历史故障数据,并引入传递熵,建立故障根本原因-故障特征变量数据库包括如下步骤:
S31:对已知故障原因的故障工况样本进行归一化处理,并利用公式(3)和公式(4)计算信息熵值
式中:H(X)的单位为Bit,p(xi)表示故障工况样本X=xi时的概率,通过公式(4)计算
式中:表示窗口函数,hn表示窗口宽度,Vn表示宽为hn的超立方体的体积,hn=1.06×std(X)×n-0.2,其中,std表示样本X的标准差,n为样本数量;
S32:将S31中计算出来的最小信息熵值对应的工况变量作为基准变量Y,计算其余工况变量与Y之间的互信息熵,并根据式(5)计算互信息广义相关系数Rg
式中:I(X,Y)为互信息熵,H(X)、H(Y)分别表示变量X、Y的信息熵;
式中:p(x,y)是变量X和Y的联合概率分布,p(x)、p(y)分别表示变量X、Y的联合概率分布;
由于互信息熵只能直观的反映变量之间公共信息量的大小,无法引入阈值判断变量之间相互冗余程度,因此本步骤引入互信息广义相关系数,以引入阈值判断变量之间相互冗余程度;
S33:根据线性插值计算出置信度为0.05的互信息广义相关系数阈值R′g,如果Rg>R′g,则认为是冗余变量并去除,否则,执行S34;
由于冗余变量之间的传递关系明显,引入传递熵后其传递关系会大于一般变量之间的传递关系,因此当利用切比雪夫不等式进行二次筛选时,筛选结果中可能会存在冗余变量而其它传递关系较明显的变量会被去除,从而导致故障传播路径出现偏差,因此,需消除冗余变量;
S34:去除掉所有冗余变量后,利用公式(6)计算剩余变量之间的传递熵值t(X|Y),利用公式(7)计算故障在各个变量之间传递关系tX→Y
式中:P(Xi+1,Xi,Yi)表示Xi+1、Xi、Yi的联合概率;P(Xi+1|Xi)表示已知i时刻Xi的情况下Xi+1的条件概率;P(Xi,Yi)表示Xi和Yi的联合概率;
tX→Y=t(Y|X)-t(X|Y) (7)
如果tX→Y>0,说明信息是由变量X传递到Y;如果tX→Y<0,说明信息是由变量Y传递到X;如tX→Y=0或者tX→Y无限趋于0,说明变量之间无明显的传递关系,优选,tX→Y无限趋于0以tX→Y<5×10-5为界限;
S35:计算tX→Y的标准差μ、方差σ,根据切比雪夫不等式对变量进行进一步筛选,得到故障发生过程中传递关系明显的主要变量,其中,α为置信度,优选,α与变量数量Ns有关,
S36:根据筛选后主要变量相互之间的传递关系构建传递关系图,形成完整的故障链;
S37:针对故障工况样本,依照“3σ法则”对S36中的故障链中的变量设置报警限,并将在故障发生后指定时间之内,达到报警限的变量作为故障特征变量;
S38:根据故障特征变量及报警顺序建立故障根本原因-故障特征变量数据库;
其中,利用所述故障根本原因-故障特征变量数据库判断故障根本原因具体包括如下步骤:
S39:监控S37中选出的故障特征变量,若出现故障报警,则记录报警顺序,并将其与S38中建立的故障根本原因-故障特征变量数据库中的故障链比对,得出故障根本原因。
本发明提供的基于传递熵的化工过程故障诊断方法,首先采用相关信息熵建立过程监测模型,然后,利用建立的过程监测模型,判断实时工况状态,最后,针对非正常工况,利用历史故障数据,并引入传递熵,建立故障根本原因-故障特征变量数据库,并利用所述故障根本原因-故障特征变量数据库判断故障根本原因,具体地,利用历史故障数据,并引入传递熵,建立故障根本原因-故障特征变量数据库包括如下步骤:采用信息熵中的互信息广义相关系数去除冗余变量,提高故障诊断准确率,再引入传递熵方法得到故障传播路径,用以描述连锁故障的发生机理,同时将变化较大的灵敏变量作为故障的特征变量并设置报警值,由于特征变量和故障根本原因是一一对应的,因此根据特征变量及其报警顺序建立故障特征数据库,之后,利用所述故障根本原因-故障特征变量数据库判断故障根本原因。
本发明的具体实施方式是按照递进的方式进行撰写的,着重强调各个实施方案的不同之处,其相似部分可以相互参见。
上面对本发明的实施方式做了详细说明,但是本发明并不限于上述实施方式,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下做出各种变化。
Claims (7)
1.基于传递熵的化工过程故障诊断方法,其特征在于,包括如下步骤:
S1:采用相关信息熵建立过程监测模型;
S2:利用S1中建立的过程监测模型,判断实时工况状态;
S3:利用历史故障数据,并引入传递熵,建立故障根本原因-故障特征变量数据库,并利用所述故障根本原因-故障特征变量数据库判断故障根本原因。
2.按照权利要求1所述的基于传递熵的化工过程故障诊断方法,其特征在于:S1包括如下步骤:
S11:以化工过程中有监测变量的故障源为研究对象,采集正常工况下的历史监测数据x∈Mm×n并对其进行归一化处理,以消除不同监测变量之间量纲和数值大小差异的影响,其中,m表示采样时刻的个数,n表示每个采样时刻包含的监测变量的个数,且n<m;
S12:根据贝叶斯信息准则从监测变量中选取N个强相关性变量并利用公式(1)计算时序序列的相关系数矩阵R=(rjk)n×n
式中:xji表示历史监测数据矩阵M中第j行第i列的数值,rjk表示相关系数矩阵第j行第k列的数值;表示历史监测数据矩阵M中第j行的均值;表示历史监测数据矩阵M中第k列的均值;
S13:计算每个采样时刻的相关系数矩阵R的特征值λn=(n=1,2,...,N),并利用公式(2)计算其相关信息熵,其中,所有采样时刻的相关信息熵的均值记为HR′
式中:HR表示相关信息熵;表示相关系数矩阵R的特征值;N表示强相关性变量的个数。
3.按照权利要求2所述的基于传递熵的化工过程故障诊断方法,其特征在于:S2包括如下步骤:
S21:采集S1中选取的N个强相关变量的实时数据,并对所述数据进行归一化处理;
S22:采用S1中的方法计算出在线监测数据的时序序列相关系数矩阵Rnew、特征值λn=(n=1,2,...,N)和相关信息熵值HR;
S23:判断|HR-HR′|与预设阈值V的关系,若|HR-HR′|>V,则初步判定该工况为非正常工况,执行S3,否则,判定其为正常工况,继续执行S2,其中,V的取值范围为0~1。
4.按照权利要求1所述的基于传递熵的化工过程故障诊断方法,其特征在于:S3中,利用历史故障数据,并引入传递熵,建立故障根本原因-故障特征变量数据库包括如下步骤:
S31:对已知故障原因的故障工况样本进行归一化处理,并利用公式(3)和公式(4)计算信息熵值
式中:H(X)的单位为Bit,p(xi)表示故障工况样本X=xi时的概率,通过公式(4)计算
式中:表示窗口函数,hn表示窗口宽度,Vn表示宽为hn的超立方体的体积,hn=1.06×std(X)×n-0.2,其中,std表示样本X的标准差,n为样本数量;
S32:将S31中计算出来的最小信息熵值对应的工况变量作为基准变量Y,计算其余工况变量与Y之间的互信息熵,并根据式(5)计算互信息广义相关系数Rg
式中:I(X,Y)为互信息熵,H(X)、H(Y)分别表示变量X、Y的信息熵;
式中:p(x,y)是变量X和Y的联合概率分布,p(x)、p(y)分别表示变量X、Y的联合概率分布;
S33:根据线性插值计算出置信度为0.05的互信息广义相关系数阈值R′g,如果Rg>R′g,则认为是冗余变量并去除,否则,执行S34;
S34:去除掉所有冗余变量后,利用公式(6)计算剩余变量之间的传递熵值t(XY),利用公式(7)计算故障在各个变量之间传递关系tX→Y
式中:P(Xi+1,Xi,Yi)表示Xi+1、Xi、Yi的联合概率;P(Xi+1|Xi)表示已知i时刻Xi的情况下Xi+1的条件概率;P(Xi,Yi)表示Xi和Yi的联合概率;
tX→Y=t(Y|X)-t(X、Y) (7)
如果tX→Y>0,说明信息是由变量X传递到Y;如果tX→Y<0,说明信息是由变量Y传递到X;如tX→Y=0或者tX→Y无限趋于0,说明变量之间无明显的传递关系;
S35:计算tX→Y的标准差μ、方差σ,根据切比雪夫不等式对变量进行进一步筛选,得到故障发生过程中传递关系明显的主要变量,其中,α为置信度;
S36:根据筛选后主要变量相互之间的传递关系构建传递关系图,形成完整的故障链;
S37:针对故障工况样本,依照“3σ法则”对S36中的故障链中的变量设置报警限,并将在故障发生后指定时间之内,达到报警限的变量作为故障特征变量;
S38:根据故障特征变量及报警顺序建立故障根本原因-故障特征变量数据库。
5.按照权利要求4所述的基于传递熵的化工过程故障诊断方法,其特征在于:S34中,tX→Y无限趋于0以tX→Y<5×10-5为界限。
6.按照权利要求4所述的基于传递熵的化工过程故障诊断方法,其特征在于:S35中,置信度α为与变量数量Ns有关,且,
7.按照权利要求4所述的基于传递熵的化工过程故障诊断方法,其特征在于:S3中,利用所述故障根本原因-故障特征变量数据库判断故障根本原因包括如下步骤:
S39:监控S37中选出的故障特征变量,若出现故障报警,则记录报警顺序,并将其与S38中建立的所述故障根本原因-故障特征变量数据库中的故障链比对,得出故障根本原因。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910664056.XA CN110378036A (zh) | 2019-07-23 | 2019-07-23 | 基于传递熵的化工过程故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910664056.XA CN110378036A (zh) | 2019-07-23 | 2019-07-23 | 基于传递熵的化工过程故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110378036A true CN110378036A (zh) | 2019-10-25 |
Family
ID=68254942
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910664056.XA Pending CN110378036A (zh) | 2019-07-23 | 2019-07-23 | 基于传递熵的化工过程故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110378036A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111059896A (zh) * | 2019-12-10 | 2020-04-24 | 广东工业大学 | 一种基于*模型的辊道窑系统异常检测方法 |
CN111783283A (zh) * | 2020-06-15 | 2020-10-16 | 中国电子科技集团公司第十四研究所 | 一种基于模糊有向图的层次化故障传递建模及推理方法 |
CN112115618A (zh) * | 2020-09-22 | 2020-12-22 | 南方电网海南数字电网研究院有限公司 | 一种基于矩阵图及置信度的电力设备故障诊断方法及系统 |
CN112163682A (zh) * | 2020-10-19 | 2021-01-01 | 北京邮电大学 | 一种基于信息差异图模型的电力调度自动化系统故障溯源方法 |
CN113030414A (zh) * | 2021-03-15 | 2021-06-25 | 上海熊猫机械(集团)有限公司 | 一种水质检测仪的维保周期预测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107423414A (zh) * | 2017-07-28 | 2017-12-01 | 西安交通大学 | 一种基于信息传递模型的流程工业复杂机电系统故障溯源方法 |
CN109146246A (zh) * | 2018-05-17 | 2019-01-04 | 清华大学 | 一种基于自动编码器和贝叶斯网络的故障检测方法 |
-
2019
- 2019-07-23 CN CN201910664056.XA patent/CN110378036A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107423414A (zh) * | 2017-07-28 | 2017-12-01 | 西安交通大学 | 一种基于信息传递模型的流程工业复杂机电系统故障溯源方法 |
CN109146246A (zh) * | 2018-05-17 | 2019-01-04 | 清华大学 | 一种基于自动编码器和贝叶斯网络的故障检测方法 |
Non-Patent Citations (1)
Title |
---|
黄辛: "基于信息熵和传递熵的化工过程故障诊断方法研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111059896A (zh) * | 2019-12-10 | 2020-04-24 | 广东工业大学 | 一种基于*模型的辊道窑系统异常检测方法 |
CN111783283A (zh) * | 2020-06-15 | 2020-10-16 | 中国电子科技集团公司第十四研究所 | 一种基于模糊有向图的层次化故障传递建模及推理方法 |
CN111783283B (zh) * | 2020-06-15 | 2023-11-07 | 中国电子科技集团公司第十四研究所 | 一种基于模糊有向图的层次化故障传递建模及推理方法 |
CN112115618A (zh) * | 2020-09-22 | 2020-12-22 | 南方电网海南数字电网研究院有限公司 | 一种基于矩阵图及置信度的电力设备故障诊断方法及系统 |
CN112163682A (zh) * | 2020-10-19 | 2021-01-01 | 北京邮电大学 | 一种基于信息差异图模型的电力调度自动化系统故障溯源方法 |
CN112163682B (zh) * | 2020-10-19 | 2022-05-17 | 北京邮电大学 | 一种基于信息差异图模型的电力调度自动化系统故障溯源方法 |
CN113030414A (zh) * | 2021-03-15 | 2021-06-25 | 上海熊猫机械(集团)有限公司 | 一种水质检测仪的维保周期预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110378036A (zh) | 基于传递熵的化工过程故障诊断方法 | |
US10387590B2 (en) | Techniques for iterative reduction of uncertainty in water distribution networks | |
WO2021179574A1 (zh) | 根因定位方法、装置、计算机设备和存储介质 | |
CN115657617A (zh) | 一种用于火电厂智慧监盘报警系统实现方法 | |
JP4856396B2 (ja) | タービン機械システム及びこれに類するものに対する統一品質評価を作成し、自動故障診断ツールを提供するための方法 | |
US7529642B2 (en) | Method for evaluating the quality of data collection in a manufacturing environment | |
CN106779505A (zh) | 一种基于大数据驱动的输电线路故障预警方法及系统 | |
US20020042694A1 (en) | Process monitoring and control using self-validating sensors | |
CN107369303A (zh) | 工厂智能诊断方法、装置及系统 | |
US20170322120A1 (en) | Fault detection using event-based predictive models | |
CN116772944B (zh) | 配气站的智能监控系统及其方法 | |
JP2004523843A (ja) | 流れ系統を診断するシステム、装置および方法 | |
CN109254219B (zh) | 一种考虑多元因素态势演变的配变迁移学习故障诊断方法 | |
CN109739214A (zh) | 工业过程间歇故障的检测方法 | |
Mounce et al. | Implementation of an on-line artificial intelligence district meter area flow meter data analysis system for abnormality detection: a case study | |
CN116670608A (zh) | 用于物联网预测建模的混合系综方法 | |
CN114519923A (zh) | 一种电厂智能诊断预警方法和系统 | |
CN115599646A (zh) | 一种提升评估模型预警提前性和准确性的方法 | |
CN113497725A (zh) | 告警监控方法、系统、计算机可读存储介质及电子设备 | |
CN115081647A (zh) | 基于贝叶斯网络模型的工业智能仪表故障预诊断方法 | |
CN105302476B (zh) | 一种用于核电站设备的可靠性数据在线采集分析存储系统及其存储方法 | |
CN109523030A (zh) | 一种基于机器学习的遥测参数异常监测系统 | |
CN110531742A (zh) | 一种发电机集电装置实时监控与故障诊断方法 | |
CN110188040A (zh) | 一种针对软件系统故障检测与健康状态评估的软件平台 | |
CN103425125B (zh) | 基于连续状态的电气系统故障诊断方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191025 |
|
RJ01 | Rejection of invention patent application after publication |