CN110469496B - 一种水泵智能预警方法及系统 - Google Patents

一种水泵智能预警方法及系统 Download PDF

Info

Publication number
CN110469496B
CN110469496B CN201910797660.XA CN201910797660A CN110469496B CN 110469496 B CN110469496 B CN 110469496B CN 201910797660 A CN201910797660 A CN 201910797660A CN 110469496 B CN110469496 B CN 110469496B
Authority
CN
China
Prior art keywords
data
measuring points
water pump
real
time data
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
Application number
CN201910797660.XA
Other languages
English (en)
Other versions
CN110469496A (zh
Inventor
李林
毛晓明
张圣
黄华奇
沈江飞
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.)
China General Nuclear Power Corp
CGN Power Co Ltd
Suzhou Nuclear Power Research Institute Co Ltd
Original Assignee
China General Nuclear Power Corp
CGN Power Co Ltd
Suzhou Nuclear Power Research Institute 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 China General Nuclear Power Corp, CGN Power Co Ltd, Suzhou Nuclear Power Research Institute Co Ltd filed Critical China General Nuclear Power Corp
Priority to CN201910797660.XA priority Critical patent/CN110469496B/zh
Publication of CN110469496A publication Critical patent/CN110469496A/zh
Application granted granted Critical
Publication of CN110469496B publication Critical patent/CN110469496B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
    • F04B—POSITIVE-DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS
    • F04B49/00—Control, e.g. of pump delivery, or pump pressure of, or safety measures for, machines, pumps, or pumping installations, not otherwise provided for, or of interest apart from, groups F04B1/00 - F04B47/00
    • F04B49/06—Control using electricity
    • F04B49/065—Control using electricity and making use of computers
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
    • F04B—POSITIVE-DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS
    • F04B49/00—Control, e.g. of pump delivery, or pump pressure of, or safety measures for, machines, pumps, or pumping installations, not otherwise provided for, or of interest apart from, groups F04B1/00 - F04B47/00
    • F04B49/10—Other safety measures
    • 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
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2465—Query processing support for facilitating data mining operations in structured databases
    • 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
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/284—Relational databases
    • G06F16/285—Clustering or classification

Abstract

本发明提供一种水泵智能预警方法及系统，该水泵智能预警方法，包括：步骤S1、根据水泵的结构功能性质确定测点，并获取所有测点的历史数据；根据测点间的相关性对测点进行分组，以使每组测点的同一时刻的历史数据组成历史数据组；设置用于将异常的实时数据筛选掉的过滤器；步骤S2、对每组测点的历史数据组进行聚类，从而得到监测模型；步骤S3、获取测点的实时数据，通过过滤器剔除异常的实时数据；根据监测模型对经过滤器处理后的实时数据进行分析，再根据分析结果对水泵进行预警。本发明的水泵智能预警方法及系统改善了水泵监测准确度，降低了工作门槛，提高了工作效率。

Description

一种水泵智能预警方法及系统
技术领域
本发明涉及工程技术领域，具体涉及一种水泵智能预警方法及系统。
背景技术
近年来，随着传感器技术的迅猛发展，工程师能够获取的设备数据与日俱增，但如何挖掘数据价值，实时监控设备健康状态，获得设备早期故障预警，一直是传统电力企业不断攻坚克难的一个问题。
定值报警的监测方式被传统电力企业广泛应用，但具有以下弊端：1)无法区分设备运行工况，导致误报警较多；2)无法识别参数关联性，数据价值挖掘不够，报警不及时，易产生漏报；3)趋势分析活动投入人力成本较高，且多维度数据难以分析。
因此，急需寻求一种水泵智能预警方法及系统，解决现有技术中存在的在水泵建模过程中技术路线复杂以及报警不及时产生漏报的技术问题。
发明内容
本发明针对现有技术中存在的在水泵建模过程中技术路线复杂以及报警不及时产生漏报的技术问题，提供了一种用于水泵监测有效的水泵智能预警方法及系统。
本发明就上述技术问题而提出的技术方案如下：
本发明提出了一种水泵智能预警方法，包括：
步骤S1、根据水泵的结构功能性质确定测点，并获取所有测点的历史数据；根据测点间的相关性对测点进行分组，以使每组测点的同一时刻的历史数据组成历史数据组；设置用于将异常的实时数据筛选掉的过滤器；
步骤S2、对每组测点的历史数据组进行聚类，从而得到监测模型；
步骤S3、获取测点的实时数据，通过过滤器剔除异常的实时数据；根据监测模型对经过滤器处理后的实时数据进行分析，再根据分析结果对水泵进行预警。
本发明上述的水泵智能预警方法中，所述步骤S1包括：
通过OPTICS算法实现根据测点间的相关性对测点进行初步分组；再根据监测模型的运维工作量调整测点的初步分组，从而得到测点的最终分组，以使最终分组的每组测点的同一时刻的历史数据组成历史数据组。
本发明上述的水泵智能预警方法中，所述步骤S2包括：
对每组测点的历史数据组进行数据筛选，再进行聚类；所述数据筛选包括初筛和细筛，初筛在单点曲线界面进行，细筛在二维界面进行。
本发明上述的水泵智能预警方法中，所述步骤S3还包括：
步骤S31、通过过滤器设置用于确定水泵处于非常规稳态工况的数据阈值；
步骤S32、当测点的实时数据或其相关数据达到所述数据阈值，则确定该测点的实时数据为异常的实时数据；然后采用过滤器将该异常的实时数据剔除。
本发明还提出了一种水泵智能预警系统，包括：
测点选择及分组模块，用于根据水泵的结构功能性质确定测点，并获取所有测点的历史数据；根据测点间的相关性对测点进行分组，以使每组测点的同一时刻的历史数据组成历史数据组；
监测模型生成模块，用于对每组测点的历史数据组进行聚类，从而得到监测模型；
数据获取模块，用于获取测点的实时数据；
过滤器，用于将异常的实时数据筛选掉；
预警模块，用于根据监测模型对经过滤器处理后的实时数据进行分析，再根据分析结果对水泵进行预警。
本发明上述的水泵智能预警系统中，测点选择及分组模块还用于通过OPTICS算法实现根据测点间的相关性对测点进行初步分组；再根据监测模型的运维工作量调整测点的初步分组，从而得到测点的最终分组，以使最终分组的每组测点的同一时刻的历史数据组成历史数据组。
本发明上述的水泵智能预警系统中，监测模型生成模块还用于对每组测点的历史数据组进行数据筛选，再进行聚类；所述数据筛选包括初筛和细筛，初筛在单点曲线界面进行，细筛在二维界面进行。
本发明上述的水泵智能预警系统中，过滤器用于设置确定水泵处于非常规稳态工况的数据阈值；当测点的实时数据或其相关数据达到所述数据阈值，则确定该测点的实时数据为异常的实时数据；然后将该异常的实时数据剔除。
本发明提供了一种水泵智能预警方法及系统，通过将建模过程中测点筛选、算法调试、报警值设置等步骤简化，形成一套完整的、便捷的建模方案，降低了该项工作的技术门槛，同时提高了水泵监测的有效性和准确性。
附图说明
图1示出了本发明优选实施例的水泵智能预警系统的功能模块方框图。
具体实施方式
本发明针对现有技术中所存在的在水泵建模过程中技术路线复杂以及报警不及时产生漏报的技术问题，提供了一种水泵智能预警方法及系统，通过将建模过程中测点筛选、算法调试、报警值设置等步骤简化，形成一套完整的、便捷的建模方案，降低了该项工作的技术门槛，同时提高了水泵监测的有效性和准确性。
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。
本实施例提出了一种水泵智能预警方法，包括：
步骤S1、根据水泵的结构功能性质确定测点，并获取所有测点的历史数据；根据测点间的相关性对测点进行分组，以使每组测点的同一时刻的历史数据组成历史数据组；设置用于将异常的实时数据筛选掉的过滤器；
在本步骤中，根据水泵的驱动方式不同，可根据泵体、电机、驱动汽轮机、齿轮箱、耦合器等设备对测点进行分组。
本步骤还包括：通过OPTICS算法实现根据测点间的相关性对测点进行初步分组；再根据监测模型的运维工作量调整测点的初步分组，从而得到测点的最终分组，以使最终分组的每组测点的同一时刻的历史数据组成历史数据组。
在这里，根据OPTICS算法能够准确发现数据集的特性，自动将关系较为密切的测点分配至同一组别，达到初步筛选的目的；
对测点的初步分组的调整包括合并、删减测点的初步分组等，可减少后续模型运维的工作量，提高监测模型效率；此外，还需要对测点的最终分组进行检查，防止由于测点数据及OPTICS参数设置不当引起错误分配，进一步提高监测模型的正确性。
步骤S2、对每组测点的历史数据组进行聚类，从而得到监测模型；
在本步骤中，对每组测点的历史数据组进行数据筛选，再进行聚类；所述数据筛选包括初筛和细筛，初筛在单点曲线界面进行，从而很快筛除不符合要求的数据；细筛在二维界面进行，以筛除离散点为主；筛选数据时应尽量多的筛除离散点，提高聚类收敛性能，避免簇质量不好导致预测值偏移和抖动。
在本步骤中，需要说明的是：历史数据是建立监测模型的基础，在步骤S1中获取历史数据时，可参照以下原则：为避免外部环境影响，历史数据应至少导入距今一年的数据，常规稳态模型导入数据的频率建议为1h；如有非稳态工况，可根据需要导入频率较高的较短时间数据，但是导入数据采样周期不应小于监测模型运算周期。
步骤S3、获取测点的实时数据，通过过滤器剔除异常的实时数据；根据监测模型对经过滤器处理后的实时数据进行分析，再根据分析结果对水泵进行预警。
本步骤还包括：
步骤S31、通过过滤器设置用于确定水泵处于非常规稳态工况的数据阈值；
步骤S32、当测点的实时数据或其相关数据达到所述数据阈值，则确定该测点的实时数据为异常的实时数据；然后采用过滤器将该异常的实时数据剔除。
在本步骤中，过滤器是消减无需工程师关注的“非常规运行工况”数据最有效的方式，常用的过滤器有功率平台、电机电流、流量信号等等用于判定非常规稳态工况，从而避免无价值的异常报警数量；此外，根据特殊情况，过滤器可以设置高级功能，如报警发送的模式，临时过滤(不满足后即退出过滤器)、过滤后延迟等功能。
进一步地，通过引入的经验公式，对经过滤器处理后的实时数据进行分析处理，可以得到分析结果，可记为预警值。当预警值达到对应阈值，即报警。
监测模型内设置有多个预警值，分别为：总体偏差预警值，单测点偏差预警值以及单测点定值预警值。具体地：
总体偏差预警值表征了监测模型中各测点偏差的累计情况，能够对整体性的设备早期异常给出快速响应，根据监测对象，转动机械类的监测模型不设置总体偏差预警值，静止机械类监测模型按照如下公式设置预警值；其中y1为预警值，y2为报警值，x为模型中测点数量。
y1＝x,y2＝2x
偏离值是指实际值和预测值的偏差值，即允许实测值随机波动的带宽，是最常用的报警逻辑之一，单点偏差预警值又分为上偏差与下偏差，某些测点的上下偏差均能反映工艺参数的异常，例如换热器进出口温度、密闭容器压力等等，但某些参数的上下偏差反映的情况并不相同，例如轴承振动上偏差反映了工艺参数状态，而下偏差更多是反映探头降级的程度。对于对称分布偏差预警值，同样应用经验公式，以便可以量化预警值。其中y3为预警值，y4为报警值，x1、x2分别为历史数据带的最大值和最小值。
y3＝|(x1-x2)/2|，y4＝2y3
单测点定值预警值主要针对无法通过高级模式算法匹配到模型中，但依然具备监测价值的测点，其设置标准主要参考水泵报警卡或工程师经验。
根据经验，新建监测模型往往会出现漏报的情况，为解决该技术难题，新增了故障验证部分，收集相同设备类的故障数据，并用监测模型验证故障历史，查看其预(报)警情况是否符合预期，若不符合预期，则相应的进行调整。
对应地，如图1所示，图1示出了本发明优选实施例的水泵智能预警系统的功能模块方框图；该水泵智能预警系统，包括：
测点选择及分组模块100，用于根据水泵的结构功能性质确定测点，并获取所有测点的历史数据；根据测点间的相关性对测点进行分组，以使每组测点的同一时刻的历史数据组成历史数据组；
在本步骤中，根据水泵的驱动方式不同，可根据泵体、电机、驱动汽轮机、齿轮箱、耦合器等设备对测点进行分组。
具体地，测点选择及分组模块100还用于通过OPTICS算法实现根据测点间的相关性对测点进行初步分组；再根据监测模型的运维工作量调整测点的初步分组，从而得到测点的最终分组，以使最终分组的每组测点的同一时刻的历史数据组成历史数据组。
在这里，根据OPTICS算法能够准确发现数据集的特性，自动将关系较为密切的测点分配至同一组别，达到初步筛选的目的；
对测点的初步分组的调整包括合并、删减测点的初步分组等，可减少后续模型运维的工作量，提高监测模型效率；此外，还需要对测点的最终分组进行检查，防止由于测点数据及OPTICS参数设置不当引起错误分配，进一步提高监测模型的正确性。
监测模型生成模块200，用于对每组测点的历史数据组进行聚类，从而得到监测模型；
具体地，监测模型生成模块200还用于对每组测点的历史数据组进行数据筛选，再进行聚类；所述数据筛选包括初筛和细筛，初筛在单点曲线界面进行，从而很快筛除不符合要求的数据；细筛在二维界面进行，以筛除离散点为主；筛选数据时应尽量多的筛除离散点，提高聚类收敛性能，避免簇质量不好导致预测值偏移和抖动。
在本步骤中，需要说明的是：历史数据是建立监测模型的基础，在步骤S1中获取历史数据时，可参照以下原则：为避免外部环境影响，历史数据应至少导入距今一年的数据，常规稳态模型导入数据的频率建议为1h；如有非稳态工况，可根据需要导入频率较高的较短时间数据，但是导入数据采样周期不应小于监测模型运算周期。
数据获取模块300，用于获取测点的实时数据；
过滤器400，用于将异常的实时数据筛选掉；
具体地，过滤器400用于设置确定水泵处于非常规稳态工况的数据阈值；当测点的实时数据或其相关数据达到所述数据阈值，则确定该测点的实时数据为异常的实时数据；然后将该异常的实时数据剔除。
在这里，过滤器是消减无需工程师关注的“非常规运行工况”数据最有效的方式，常用的过滤器有功率平台、电机电流、流量信号等等用于判定非常规稳态工况，从而避免无价值的异常报警数量；此外，根据特殊情况，过滤器可以设置高级功能，如报警发送的模式，临时过滤(不满足后即退出过滤器)、过滤后延迟等功能。
预警模块500，用于根据监测模型对经过滤器400处理后的实时数据进行分析，再根据分析结果对水泵进行预警。
在这里，通过引入的经验公式，对经过滤器处理后的实时数据进行分析处理，可以得到分析结果，可记为预警值。当预警值达到对应阈值，即报警。
监测模型内设置有多个预警值，分别为：总体偏差预警值，单测点偏差预警值以及单测点定值预警值。具体地：
总体偏差预警值表征了监测模型中各测点偏差的累计情况，能够对整体性的设备早期异常给出快速响应，根据监测对象，转动机械类的监测模型不设置总体偏差预警值，静止机械类监测模型按照如下公式设置预警值；其中y1为预警值，y2为报警值，x为模型中测点数量。
y1＝x,y2＝2x
偏离值是指实际值和预测值的偏差值，即允许实测值随机波动的带宽，是最常用的报警逻辑之一，单点偏差预警值又分为上偏差与下偏差，某些测点的上下偏差均能反映工艺参数的异常，例如换热器进出口温度、密闭容器压力等等，但某些参数的上下偏差反映的情况并不相同，例如轴承振动上偏差反映了工艺参数状态，而下偏差更多是反映探头降级的程度。对于对称分布偏差预警值，同样应用经验公式，以便可以量化预警值。其中y3为预警值，y4为报警值，x1、x2分别为历史数据带的最大值和最小值。
y3＝|(x1-x2)/2|，y4＝2y3
单测点定值预警值主要针对无法通过高级模式算法匹配到模型中，但依然具备监测价值的测点，其设置标准主要参考水泵报警卡或工程师经验。
根据经验，新建监测模型往往会出现漏报的情况，为解决该技术难题，新增了故障验证部分，收集相同设备类的故障数据，并用监测模型验证故障历史，查看其预(报)警情况是否符合预期，若不符合预期，则相应的进行调整。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种水泵智能预警方法，其特征在于，包括：
步骤S1、根据水泵的结构功能性质确定测点，并获取所有测点的历史数据；通过OPTICS算法实现根据测点间的相关性对测点进行初步分组；再根据监测模型的运维工作量调整测点的初步分组，从而得到测点的最终分组，以使最终分组的每组测点的同一时刻的历史数据组成历史数据组；设置用于将异常的实时数据筛选掉的过滤器；
步骤S2、对每组测点的历史数据组进行数据筛选，再进行聚类，从而得到监测模型，所述数据筛选包括初筛和细筛，初筛在单点曲线界面进行，细筛在二维界面进行；
步骤S3、获取测点的实时数据，通过过滤器剔除异常的实时数据；根据监测模型对经过滤器处理后的实时数据进行分析，再根据分析结果对水泵进行预警。
2.根据权利要求1所述的水泵智能预警方法，其特征在于，所述步骤S3还包括：
步骤S31、通过过滤器设置用于确定水泵处于非常规稳态工况的数据阈值；
步骤S32、当测点的实时数据或其相关数据达到所述数据阈值，则确定该测点的实时数据为异常的实时数据；然后采用过滤器将该异常的实时数据剔除。
3.一种水泵智能预警系统，其特征在于，包括：
测点选择及分组模块(100)，用于根据水泵的结构功能性质确定测点，并获取所有测点的历史数据；通过OPTICS算法实现根据测点间的相关性对测点进行初步分组；再根据监测模型的运维工作量调整测点的初步分组，从而得到测点的最终分组，以使最终分组的每组测点的同一时刻的历史数据组成历史数据组；
监测模型生成模块(200)，用于对每组测点的历史数据组进行数据筛选，再进行聚类，从而得到监测模型，所述数据筛选包括初筛和细筛，初筛在单点曲线界面进行，细筛在二维界面进行；
数据获取模块(300)，用于获取测点的实时数据；
过滤器(400)，用于将异常的实时数据筛选掉；
预警模块(500)，用于根据监测模型对经过滤器(400)处理后的实时数据进行分析，再根据分析结果对水泵进行预警。
4.根据权利要求3所述的水泵智能预警系统，其特征在于，过滤器(400)用于设置确定水泵处于非常规稳态工况的数据阈值；当测点的实时数据或其相关数据达到所述数据阈值，则确定该测点的实时数据为异常的实时数据；然后将该异常的实时数据剔除。
CN201910797660.XA 2019-08-27 2019-08-27 一种水泵智能预警方法及系统 Active CN110469496B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910797660.XA CN110469496B (zh) 2019-08-27 2019-08-27 一种水泵智能预警方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910797660.XA CN110469496B (zh) 2019-08-27 2019-08-27 一种水泵智能预警方法及系统

Publications (2)

Publication Number Publication Date
CN110469496A CN110469496A (zh) 2019-11-19
CN110469496B true CN110469496B (zh) 2021-04-09

Family

ID=68512562

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910797660.XA Active CN110469496B (zh) 2019-08-27 2019-08-27 一种水泵智能预警方法及系统

Country Status (1)

Country Link
CN (1) CN110469496B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111306051B (zh) * 2020-01-16 2021-04-30 中国石油大学(北京) 一种输油泵机组探针式状态监测预警方法、装置及系统
CN111461581A (zh) * 2020-05-17 2020-07-28 商志营 一种智能预警管理系统及实现方法
CN112859769B (zh) * 2020-12-31 2022-09-06 广东工业大学 一种智能生产设备中能耗监控装置及其运行方法
CN116335925B (zh) * 2023-05-19 2023-08-04 山东海纳智能装备科技股份有限公司 基于数据增强的煤矿井下乳化泵站智能调控系统

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7444401B1 (en) * 2002-11-18 2008-10-28 Arkion Systems Llc Method and apparatus for inexpensively monitoring and controlling remotely distributed appliances
CN101526433B (zh) * 2009-04-20 2011-03-02 江苏省交通科学研究院股份有限公司 监测系统故障自诊断方法
CN103002472B (zh) * 2012-10-26 2015-08-19 无锡清华信息科学与技术国家实验室物联网技术中心 一种非均质传感器网络中的事件边界检测的方法、装置及智能通讯设备
CN105302848B (zh) * 2014-10-11 2018-11-13 山东鲁能软件技术有限公司 一种设备智能预警系统的评估值校准方法
CN105928710B (zh) * 2016-04-15 2019-02-12 中国船舶工业系统工程研究院 一种柴油机故障监测方法
CN106846170B (zh) * 2016-12-22 2020-12-25 国网上海市电力公司 一种发电机组跳闸监测方法及其监测装置
CN109214595A (zh) * 2018-10-23 2019-01-15 中核核电运行管理有限公司 基于大数据分析的核电厂主泵三级密封故障预测方法

Also Published As

Publication number Publication date
CN110469496A (zh) 2019-11-19

Similar Documents

Publication Publication Date Title
CN110469496B (zh) 一种水泵智能预警方法及系统
CN103471841B (zh) 一种旋转机械振动故障诊断方法
CN102270271B (zh) 基于相似度曲线的设备故障早期预警及优化的方法和系统
CN110766277B (zh) 用于核工业现场的健康评估及诊断系统和移动终端
CN108038553A (zh) 轧机设备状态在线监测与诊断系统及监测诊断方法
CN108627720B (zh) 一种基于贝叶斯算法的电力设备状态监测方法
CN102354116B (zh) 一种高质量过程统计控制的ω事件间隔控制图的制作方法
CN104390657A (zh) 一种发电机组运行参数测量传感器故障诊断方法及系统
CN111046582A (zh) 一种核电站柴油发电机组线圈温度预警方法及系统
CN114757380B (zh) 一种火电厂故障预警系统、方法、电子设备及存储介质
US11644812B2 (en) Machine tool management method, machine tool management system and medium
CN116739384A (zh) 基于5g无线通讯的矿用设备运行管理系统
CN116799927B (zh) 一种储能系统的管理方法及储能系统
CN104425046A (zh) 核电站运行安全指数量化方法和系统
CN115131946B (zh) 一种考虑工况波动的自适应设备报警方法和系统
CN113806969A (zh) 一种基于时域数据关联建模的压缩机组健康预测方法
CN111486043A (zh) 一种基于水轮发电机组振摆数据的下机架故障诊断方法
CN110513336B (zh) 一种电站燃气轮机离线水洗时间的确定方法
CN116717437A (zh) 一种风电机组故障监测方法及系统
CN108922139B (zh) 一种工业报警泛滥的在线检测方法
Wang Key techniques in intelligent predictive maintenance (IPdM)–a framework of intelligent faults diagnosis and prognosis system (IFDaPS)
CN112859741A (zh) 一种机床顺序动作单元运行可靠性评价方法及系统
CN112801313A (zh) 基于大数据技术综采工作面故障判定方法
CN111931969A (zh) 一种基于时序分析的合并单元设备状态预测方法
CN114239708B (zh) 一种基于质量控制图理论的燃机异常检测方法

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
GR01 Patent grant
GR01 Patent grant