CN110765619B - 基于多状态参数的无失效屏蔽泵故障短期多步预测方法 - Google Patents
基于多状态参数的无失效屏蔽泵故障短期多步预测方法 Download PDFInfo
- Publication number
- CN110765619B CN110765619B CN201911029005.6A CN201911029005A CN110765619B CN 110765619 B CN110765619 B CN 110765619B CN 201911029005 A CN201911029005 A CN 201911029005A CN 110765619 B CN110765619 B CN 110765619B
- Authority
- CN
- China
- Prior art keywords
- state parameter
- state
- predicted
- data
- parameters
- 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
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000012417 linear regression Methods 0.000 claims abstract description 29
- 230000008859 change Effects 0.000 claims abstract description 25
- 238000004458 analytical method Methods 0.000 claims abstract description 23
- 238000004088 simulation Methods 0.000 claims abstract description 22
- 238000011897 real-time detection Methods 0.000 claims abstract description 4
- 230000001419 dependent effect Effects 0.000 claims description 51
- 238000000611 regression analysis Methods 0.000 claims description 30
- 238000012360 testing method Methods 0.000 claims description 29
- 238000010219 correlation analysis Methods 0.000 claims description 11
- 238000005086 pumping Methods 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 6
- 230000000873 masking effect Effects 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000036962 time dependent Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 11
- 238000012544 monitoring process Methods 0.000 abstract description 2
- 230000002159 abnormal effect Effects 0.000 abstract 1
- 230000015556 catabolic process Effects 0.000 description 8
- 238000006731 degradation reaction Methods 0.000 description 8
- 238000010606 normalization Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 6
- 238000007405 data analysis Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 239000007788 liquid Substances 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000000630 rising effect Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000001143 conditioned effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000000593 degrading effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Landscapes
- Control Of Non-Positive-Displacement Pumps (AREA)
- Control Of Positive-Displacement Pumps (AREA)
Abstract
本发明公开了一种基于多状态参数的无失效屏蔽泵故障短期多步预测方法，包括获取历史数据；构建多个多状态参数线性回归模型和每个状态参数的变化趋势预测模型；采集实时检测数据；仿真计数；仿真生成下一时段每个状态参数的预测值；将预测值代入多个多状态参数线性回归分析模型，得到各状态参数的理论值；将理论值与预测值进行比较，若误差大于阈值，则为故障，转S8，否则转S5；若达到仿真次数要求，则转S9，否转S4；统计时段t上仿真结果中出现故障的频次，计算故障发生概率；t＝t+1，重复S4至S9；输出每一时段的故障发生概率本发明能够不需要利用故障数据，基于历史数据和实时监测数据对设备的当前状态进行故障风险预测，发现设备的异常状态。
Description
技术领域
本发明属于可靠性评估及故障预警领域，尤其涉及一种基于多状态参数的无失效屏蔽泵故障短期多步预测方法。
背景技术
屏蔽泵具有长寿命、高可靠性、成本造价昂贵、故障数据稀缺、状态参数多且存在相关性、性能退化趋势不明显的特点。实际收集的故障数据不足以支持基于故障数据的可靠性评估和故障预测，并且开展大量可靠性实验以获取故障数据的经济性成本难以承受。屏蔽泵的性能参数有多个，并且性能参数的退化趋势并不明显，使得性能退化方法难以有效应用，因此对于如屏蔽泵一类的无失效设备来说怎样进行故障预测就显得尤为重要。
传统方法开展屏蔽泵的可靠性评估和故障预警，主要有下列方法：第一种方法是基于性能退化数据的分析方法，建立随机过程模型评估设备关键性能参数在特定时间段达到失效阈值的概率，常用于阀门、轴承等产品；第二种方法是故障数据分析方法，收集足够多的故障数据建立统计学模型，评估设备故障在特定时间段出现的概率。对于第一类方法，由于屏蔽泵存在多个状态参数，各个状态参数退化趋势不明显或者没有表现出性能退化趋势，并且状态参数之间存在相关性，各参数的上下波动幅度较大，现有的研究成果很难应用于屏蔽泵的故障预测。对于第二种方法，在设备无失效数据或者失效数据极少情况下，是不能使用这种方法使用的。在实际中，当屏蔽泵在使用阶段一旦出现故障可能会带来灾难性后果，必须有效控制屏蔽泵在任务期间的故障风险。因此，对于屏蔽泵使用方而言，需要有效解决多状态参数的无失效屏蔽泵故障预警问题，特别是未来短时间的故障预警问题，为任务实施、设备巡检、维修决策等工作的开展提供有力支持。
发明内容
本发明要解决的技术问题是针对于无失效设备来说，为了提高故障预警精度，提供了一种基于多状态参数的无失效屏蔽泵故障短期多步预测方法。
为解决该问题，本发明采用的技术方案是：
一种基于多状态参数的无失效屏蔽泵故障短期多步预测方法，其特征在于，包括以下步骤：
步骤1：获取屏蔽泵的历史状态参数数据；
步骤2：根据历史状态参数数据构建多个分别由不同状态参数作为因变量，其他状态参数作为自变量的多状态参数线性回归模型，以及根据历史状态参数数据构建出每个状态参数的与任务时间相关的变化趋势预测模型；
步骤3：采集屏蔽泵实时检测数据；
步骤4：仿真计数；
步骤5：根据步骤2中的每个状态参数的变化趋势预测模型，仿真生成下一时段t上每个状态参数的预测值；
步骤6：根据步骤2中的多个多状态参数线性回归分析模型，将步骤5中仿真预测出的时段t上每个状态参数值代入多个多状态参数线性回归模型，得到下一时段各因变量状态参数的理论值；
步骤7：将各因变量状态参数的理论值与步骤5经仿真得到的相应状态参数预测值进行比较，如果误差大于所设定的阈值，则判断屏蔽泵出现故障，记录故障时间ti＝t，i为当前仿真次数，转步骤8，否则t＝t+1，转步骤5，直到达到所需预估的时间点为止；
步骤8：判断是否达到仿真次数要求，如果是则转步骤9，否则转步骤4，并且令t＝0；
步骤9：统计所有仿真结果中在每一个时段t上出现故障的频次，计算出在时段t上屏蔽泵的故障发生概率；
步骤10：输出屏蔽泵在所预估的时间内每一时段的故障发生概率，即得到未来一段时间连续工作的故障风险预测结果。
进一步地，步骤2中所述构建多个分别由不同状态参数作为因变量，其他状态参数作为自变量的多状态参数线性回归模型的方法是：
步骤2.1：对所获取的历史状态参数数据进行标准化处理；
上式中，p表示屏蔽泵监测到的状态参数数量，n表示屏蔽泵状态参数的历史数据的样本数量，xij表示第j个状态参数第i条记录的数值，
表示第j个状态参数的均值，
表示第j个状态参数第i条记录标准化之后的数值。无论原有的样本数据是何种量纲，在标准化之后的均值为0，方差为1。
步骤2.2：对标准化处理后的历史状态参数数据进行相关性分析，得到由不同的状态参数作为因变量时，与该因变量状态参数相关的自变量状态参数；
步骤2.3：根据步骤2.2中的相关性分析结果，将各因变量状态参数及与其相关的自变量状态参数一起分别建立多个多状态参数线性回归分析模型，并根据历史状态数据对所述多个多状态参数线性回归分析模型的模型参数进行估计，所述线性回归分析方程的数量与因变量状态参数数量一致；
进一步地，步骤2.3中所述建立多状态参数线性回归分析模型的方法是：
步骤2.3.1：建立多元回归分析模型；
y＝β0+β1x1+β2x2+…+βpxp+ε
其中，y表示因变量状态参数，x1，x2，…，xp表示自变量状态参数；β0为一个常数项；β1，β2，…，βp表示回归因子，为多元回归分析模型的模型参数；ε是一个服从正态分布的随机变量，期望为0，方差为σ，σ可通过样本数据和预测模型进行计算，是多元回归分析模型的标准误差。
步骤2.3.2：对多元回归分析模型的模型参数进行估计；
β＝(XTX)-1XTY
X和Y分别表示自变量状态参数列向量和因变量状态参数观测值列向量；
步骤2.3.3：对经过模型参数估计后的多元回归分析模型进行显著性检验；
步骤2.3.4：对多元回归分析模型的模型系数进行显著性检验；
步骤2.3.5：输出多元回归分析模型。
进一步地，所述状态参数包括：流量、电流、DT开度、出口压力、温度、罐压力、泵入口压力。
进一步地，所述根据历史状态参数数据构建出每个状态参数与任务时间相关的变化趋势预测模型的方法是：将泵分为起泵、泵平稳运行、停泵三个阶段，根据历史状态参数数据对每个状态参数处于不同工作阶段的趋势进行预测。
进一步地，步骤2中每个状态参数的与任务时间相关的变化趋势预测模型为：
1)当待预测状态参数为流量、电流、DT开度、出口压力时：
其在起泵阶段的趋势预测方程形式为：
Δx＝αt-α0+N(0，σ2)
x＝x0+Δx
其中，Δx表示待预测状态参数距离开机时刻随时间的变化量，t表示时间，α、α0、σ分别表示建立预测方程时的模型参数，x0表示待预测状态参数的任务初始测量值，x表示待预测状态参数的预测结果，
在泵平稳工作阶段的趋势预测方程为：
σ1表示待预测参数在平稳运行阶段的样本方差，n表示历史数据的样本数量，xi表示待预测参数的历史数据样本值，
表示待预测参数的历史数据样本均值，x表示待预测参数的预测结果，
表示前一单位时间待预测参数的检测值；
2)当待预测状态参数为温度时，其在起泵阶段和平稳工作阶段温度变化呈现相同规律，预测方程表示为：
Δx2＝βtt-βt0+N(0，σt 2)
x2＝x20+Δx2
其中，Δx2表示待预测参数温度距离开机时刻的变化量，βt、βt0、σt分别表示建立预测方程时的模型参数，x2表示待预测参数温度的预测结果，x20表示待预测参数温度在任务初始时刻的测量值；
3)当待预测状态参数为罐压力和入口压力时，其预测方程的形式表示为：
其中，f表示待预测状态参数罐压力或入口压力的预测值，
表示前一单位时间的检测值，μ、σf表示待预测状态参数单位时间内波动的期望和方差。
进一步地，步骤2.2中所述数据相关性分析的方法是：
令设rij表示第i个状态参数xi与第j个状态参数xj的相关系数，则有：
n表示状态参数历史数据总量，xki表示第k组数据中第i个状态参数xi的值，rij表示状态参数xi与状态参数xj间的线性相关密切程度，并且|rij|≤1，|rij|越接近于1，表明两个变量之间的相关性越强。
进一步地，步骤9中统计在时段t上的所有仿真结果中出现故障的频次，计算出在时段t上段屏蔽泵的故障发生概率的方法为：
其中，t表示时间，P(t)表示t时间上出现故障的概率，N表示预先设定的仿真总次数，ti表示第i次仿真中出现故障的时间，g(ti)为0-1变量，ti≤t表示在t时刻前屏蔽泵发生故障，反之则表示未发生故障。
与现有技术相比，本发明所取得的有益效果是：
本发明基于多状态参数的无失效屏蔽泵故障短期多步预测方法，通过对历史数据进行统计分析，得到与各状态参数相关的其他状态参数，构建多元线性回归模型，发现设备正常运行状态下的状态参数之间的统计规律；同时根据历史数据，采用随机过程的模型对状态参数变化过程进行拟合，发现单个状态参数变化的统计规律，预测出设备下一时段状态变化的单步预测值，不断重复设备状态单步预测过程，将单步预测值代入多状态参数线性回归模型，得到下一时段内各因变量状态参数的理论值，将该理论值与相应状态参数预测值进行比较，判断屏蔽泵是否出现故障，并且通过多次仿真计算未来一段时间内出现故障的概率来预测设备是否出现故障。本发明由于考虑了状态参数之间的相关性，提高了故障预测的精度。采用本发明提供的方法，只需要分析设备正常状态下的数据，并不需要设备的故障数据，尤其是对于无失效设备来说，故障数据更难获得，本发明能够基于历史数据和实时监测数据对屏蔽泵的当前状态进行评估，然后利用仿真数据对未来几个小时屏蔽泵连续工作的故障风险进行预测，及时发现屏蔽泵的状态异常，为任务的顺利实施提供有力支持。此外，伴随历史数据的不断积累，能够动态对模型所有参数进行修正，进一步提升设备故障预警的精度。
附图说明
图1为本发明系统流程图；
图2为所采集的任务时间历史数据曲线图；
图3为所采集的工作时间历史数据曲线图；
图4为所采集的备用时间历史数据曲线图；
图5为所采集的流量历史数据曲线图；
图6为所采集的入口压力历史数据曲线图；
图7为所采集的罐压力历史数据曲线图；
图8为所采集的电流历史数据曲线图；
图9为所采集的DT开度历史数据曲线图；
图10为所采集的温度历史数据曲线图；
图11为所采集的出口压力历史数据曲线图；
图12为罐压力每1分钟变化量数据频度图；
图13为屏蔽泵故障风险评估结果示意图；
图14为采用传统性能退化方法对屏蔽泵核心参数出口压力分析的结果。
具体实施方式
图1至图14示出了本发明基于多状态参数的无失效屏蔽泵故障短期多步预测方法的一种实施例，包括以下步骤，如图1所示：
步骤1：获取屏蔽泵的历史状态参数数据；如图2至图11给出了所采集的历史数据曲线图
步骤2：根据历史状态参数数据构建多个分别由不同状态参数作为因变量，其他状态参数作为自变量的多状态参数线性回归模型，以及根据历史状态参数数据构建出每个状态参数的与任务时间相关的变化趋势预测模型；
步骤2.1：对所获取的历史状态参数数据进行标准化处理；
本实施例中，由于屏蔽泵的状态参数所用的单位不同，数据的大小差异也很大，不利于在同一个标准上进行比较，为了消除量纲差异所来带的影响，需要将屏蔽泵的数据进行标准化处理。数据的标准化公式如下所示：
上式中，p表示屏蔽泵监测到的状态参数数量，n表示记录的屏蔽泵状态参数的数据量，xij表示第j个状态参数第i条记录的数值，
表示第j个状态参数的均值，
表示第j个状态参数第i条记录标准化之后的数值。无论原有的样本数据是何种量纲，在标准化之后的均值为0，方差为1。
根据数据标准化处理的方法对屏蔽泵数据进行标准化处理，关键过程数据如表1所示。
表1屏蔽泵数据标准化处理的关键过程数据
任务时间是指执行某一任务时屏蔽泵工作的时间；
工作时间是指屏蔽泵所有任务时间的总和；
备用时间是指屏蔽泵不工作时间的总和；
步骤2.2：对标准化处理后的历史状态参数数据进行相关性分析，得到由不同的状态参数作为因变量时，与该因变量状态参数相关的自变量状态参数；本实施例，采用SPSS17.0软件对标准化后的状态参数数据进行相关性假设检验，得到如表2所示的各状态参数之间相关的其他状态参数。相关性分析是建立多元线性回归分析模型的基础，对于与因变量不相关的自变量可以在构建多元回归方程时不予考虑，仅考虑与因变量相关的自变量。对于自变量之间存在显著相关性，可以通过屏蔽泵的工作原理进行解释，从能实现对数据之间相关性的印证。
表2屏蔽泵多状态参数的相关性假设检验
表2中●表示其对应的横向状态参数和纵向状态参数线性相关，例如第三行第三列表格中●表示备用时间和工作时间相关。通过对设备工作原理分析可以对所有数据之间的相关关系进行解释：
(1)工作时间和备用时间：泵在使用阶段属于周期性开机工作，伴随服役时间的增加，总工作时间和备用时间均会增加；
(2)罐压力和入口压力：液体从储罐挤压出来进入屏蔽泵，罐压力越大必然会导致入口压力增大；
(3)电流和流量：流量增加会导致使得泵的功率增加，在电压基本变情况下回导致电流增大；
(4)DT开度和流量：DT开度用于调节泵的流量，开度增加会使流量增加；
(5)DT开度和电流：DT开度增加会导致流量增加，流量增加会导致电流变大；
(6)温度和任务时间：任务时间越长，泵的热损失约大，会导致温度升高；
(7)出口压力和温度：温度变化会导致泵内电阻变化，影响出口压力；
(8)出口压力和任务时间：任务时间影响温度，温度影响出口压力；
(9)出口压力和流量：泵的额定功率一定，流量增加必然会降低出口压力；
(10)出口压力和入口压力：在功率不变情况下，入口压力越大则出口压力越大；
(11)出口压力和罐压力：罐压力会影响入口压力，间接影响出口压力；
(12)出口压力和电流：流量增加会导致电流变大，同时会导致出口压力降低；
(13)出口压力和DT开度：DT开度控制流量，间接影响出口压力。
步骤2.3：根据步骤2.2中的相关性分析结果，将不同的状态参数分别作为因变量时，与其相关的自变量状态参数一起分别建立多个多状态参数线性回归分析模型，并根据历史状态数据对所述多个多状态参数线性回归分析模型的模型参数进行估计，所述线性回归分析方程的数量与因变量状态参数数量一致。本实施例中采用逐步回归法建立回归方程。逐步回归法能够考虑全部自变量对因变量作用的大小、显著程度大小或贡献大小，由大到小的逐个引入回归方程，确保那些对因变量作用不显著的自变量不会进入最终的回归方程。
步骤2.3.1：建立多元回归分析模型；
y＝β0+β1x1+β2x2+…+βpxp+ε
其中，y表示因变量状态参数，x1，x2，…，xp表示通过步骤2.2的相关性分析所确定出的与该因变量状态参数相关的自变量状态参数；β0为一个常数项；β1，β2，…，βp表示回归因子，为多元回归分析模型的模型参数；ε是一个服从正态分布的随机变量，期望为0，方差为σ，σ可通过样本数据和预测模型进行计算，是多元回归分析模型的标准误差。
本发明中将每个状态参数作为因变量状态参数，根据相关性分析结果，将与该因变量状态参数相关的其他状态参数作为自变量，对于与因变量不相关的自变量可以在构建多元回归方程时不予考虑，根据步骤2.3.1建立多元回归分析模型。本实施例中，工作时间、任务时间不受其他参数变化影响，DT开度是通过人工进行控制，罐压力表示储罐内的压力且与屏蔽泵的状态无关，所以上述四个变量不需要作为因变量建立回归模型进行分析。根据表2所示的结果，出口压力的相关因素较多，首先选择出口压力作为因变量，其他与之相关的任务时间、流量、入口压力、罐压力、电流、DT开度、温度共七个状态参数作为自变量进行回归分析，建立回归模型。然后，再分别选择流量、入口压力、电流、温度作为因变量，其他与之相关的状态参数作为自变量进行回归分析，并建立回归方程。由于出口压力作为因变量所建立的回归方程复杂度最高，且具有代表性，本实施例中给出该回归方程建立过程中的所有中间结果，其他回归方程仅展示最终结果。
在SPSS软件中选择出口压力作为因变量，任务时间、流量、入口压力、罐压力、电流、DT开度、温度七个状态参数作为自变量，采用逐步回归法建立回归方程，软件分析后所输出的模型基本情况如表3所示。表3中共有五个具有统计学意义的回归方程，这五个方程均以出口压力作为因变量，自变量存在差异。最终，综合比较回归方程的R值、调整R2、标准估计误差，选择最优的回归模型。
表3模型基本情况
表3中R(0≤R≤1)值表示相关系数，是检验回归方程与样本值拟合优度的指标，R2表示样本决定系数，R2的值越大表示回归方程与样本拟合程度越高。调整R2表示调整后的拟合系数，其能够消除R2对自变量个数的依赖倾向，调整R2的值越大，说明回归方程对样本观测值的拟合优度越好。F值检验结果是根据样本观测值计算的F统计量，可用于对方程的显著性进行检验。Sig的值表示P值检验结果，当检验结果的值小于给定的显著性水平(本发明中设定显著性水平为0.01)时，表示回归方程显著成立。如表3所示结果，五个方程均具有较强的显著性，其中模型5的相关系数最大且调整后的拟合系数值最大，该回归模型可以解释数据变动的84.8％，且对应的标准估计误差最小。上述结果表明，五个模型均具有较强显著性，且能较好的对屏蔽泵数据进行拟合，其中以模型5的拟合度最高，拟合效果最好。
步骤2.3.2：对多元回归分析模型的模型参数进行估计；
β＝(XTX)-1XTY
X和Y分别表示自变量状态参数向量和因变量状态参数观测值向量。
模型1-模型5中所有自变量的回归系数见表4的非标准化系数β。
步骤2.3.3：对经过模型参数估计后的多元回归分析模型进行显著性检验；
回归方程的显著性检验主要是检验自变量x1，x2，…，xp从整体上对随机变量y是否有明显的影响，为此提出假设：
H0：β1＝β2＝…＝βp＝0
如果H0被接受，则表明随机变量y与x1，x2，…，xp之间的关系由现行回归分析模型不合适。因此需要构造用于对H0进行检验的F统计量，如下式所示：
其中，ε表示回归方程的随机误差，yi表示第i个因变量样本值，
表示因变量样本均值，
表示利用已建立的回归方程和自变量样本值计算的因变量预计值。当原假设H0成立时，F服从优度为(p，n-p-1)的F分布。如果F大于临界值Fα(p，n-p-1)，则说明回归方程具有显著性，且F值越大说明回归方程的回归效果越好。由于Fα(p，n-p-1)需要查看F分布表，因此，可以F值为基础，计算P-value显著性概率值，通常称作P值，计算公式如下所示：
P(F＞Fα(p，n-p-1))＝P值
采用P值代替F值做回归方程的显著性判定优势在于不需要查表，不同回归方程的P值检验具有可比性，能够准确知道回归方程显著性。虽然P值检验很难通过手工进行计算，但是SPSS等软件均能够方便计算P值。P值可以直接与给定的显著性水平α进行比较，如果小于α则说明回归方程具有显著性。在本发明中给定显著性的可接受水平为α＝0.05。
模型1-模型5的显著性检验结果如表3所示的F值检验和Sig值。五个回归模型的Sig值均为0，表示五个回归模型均通过显著性检验。
步骤2.3.4：对多元回归分析模型的回归系数进行显著性检验；
如果多元回归方程显著成立，说明整体上自变量对因变量的影响是显著的，但是并不说明每个自变量对因变量的影响都是重要的。因此，需要对模型参数即回归系数的显著性进行检验，目的是从回归模型中把对因变量重要性较低的因变量剔除掉。
为检验回归系数的显著性，提出p个假设：
H0j：βj＝0，j＝1，2，…，p
如果接受假设H0j，则xj不显著，如果拒绝原假设H0j，则xj是显著的。为此可构造t统计量：
(X′X)-1＝(cij)，i，j＝0，1，2，…，p
其中，X表示因变量样本数据矩阵，βj表示回归方程中自变量j的系数，σ表自变量j随机误差量的方差，详细说明可参考文献(何晓群，刘文卿.应用回归分析，中国人民大学出版社)。以t统计量为基础，可计算对应的P值，如下所示：
P(t＞tα(n-2))＝P值
其中，t值为根据样本数据和回归方程计算的统计值，tα(n-2)是服从自由度为n-2的t分布量，在给定显著性水平α可通过查表得到tα(n-2)的值。采用P值代替t值检验的目的是能够在不查表情况下对系数的显著性检验结果进行解读。
利用SPSS17.0对五个模型中各个参数的显著性进行检验，检验结果如表4所示。
表4：模型系数的显著性检验
表4中，β值表示模型中对应状态参数回归系数的估计值，标准误差表示对应参数的标准误差，t值是一个用于对模型参数显著性进行检验的构造统计量，Sig.表示参数的P值检验结果，如果其小于指定的显著性水平(本发明中设定显著性水平为0.01)，表示对应参数是显著的。模型参数的显著性检验结果如表2所示，五个模型所有系数的对应的P值均不大于0.01，可视为均能通过显著性检验。需要特别说明的是每个模型中(常量)对应的P值为1，说明回归方程中应该不包括常数项，与数据标准化处理后的预期结果一致。由于表4中所展示的，模型5的相关系数最大，调整相关系数最大，标准误差最小，可将模型5作为最优的回归分析模型。上述结果表明，模型1-模型5的回归系数均能通过显著性检验。
步骤2.3.5：输出多元回归分析模型。
由于模型5的整体效果最好，因此将其作为最终的回归方程，如下所示：
其中，y*表示标准化后的出口压力，
分别表示标准化之后的电流、温度、流量、入口压力、任务时间数据。
除上述回归方程外，根据表2中的相关性假设检验结果可知：任务时间和温度存在相关性；罐压力和入口压力存在相关性；DT开度、电流和流量相互之间存在相关性。因此，可参照上述方法分别建立回归方程。任务时间和温度之间的相关性较小，建立的回归模型无法通过显著性检验。还可以建立的回归方程共有三个，分别如下所示：
上述方程中，
分别表示标准化后的入口压力、流量、电流预测值，
和
分别表示标准化之后的罐压力、DT开度数据。
步骤3：采集屏蔽泵实时检测数据；
步骤4：仿真计数；本实施例中仿真次数总数为10000次；
步骤5：根据步骤2中的每个状态参数的变化趋势预测模型，仿真生成下一时段t上每个状态参数的预测值；
泵分为起泵、泵平稳运行、停泵三个阶段，根据历史状态参数数据对每个状态参数处于不同工作阶段的趋势进行预测。起泵阶段一般约5分钟，流量、电流、DT开度、出口压力变化较为剧烈，其中流量、电流、DT开度的数值显著提升，出口压力显著降低；泵平稳运行阶段流量、电流、DT开度、出口压力相对稳定，但是会在一定范围内发生波动；停泵阶段约3分钟，流量、电流、DT开度的数值显著降低，出口压力显著提升，由于停泵阶段任务已经完成，对故障预测需求较低，因此，本发明中不对其进行深度分析。
1)当待预测状态参数为流量、电流、DT开度、出口压力时：
由于起泵阶段的持续时间较短，一般经过五分钟后，屏蔽泵可进入稳定工作状态，因此，可以将各状态参数与任务时间之间的关系近似视为线性相关变化。
在任务开始的前五分钟，泵在启动阶段的各项数据发生显著变化，流量、电流、DT开度三个参数会伴随任务时间呈现线性上升趋势，出口压力呈现下降趋势，因此，在确定任务初始状态参数时，可以对未来五分钟的泵参数变化量进行预测，预测方程形式如下所示：
其在起泵阶段的趋势预测方程形式为：
Δx＝βt-β0+N(0，σ2)
x＝x0+Δx
其中，Δx表示待预测状态参数距离开机时刻的变化量，β、β0、σ分别表示建立预测方程时的模型参数，x0表示待预测状态参数的任务初始测量值，x表示待预测状态参数的预测结果，t表示任务时间，此时的待预测状态参数有流量x3、电流x1、DT开度x7、出口压力y。N(0，σ2)表示期望为0、方差σ2的正态分布随机数。
本实施例中，起泵阶段数据分析仅收集每次任务中起泵前五分钟的状态参数变化数据作为因变量，将对应的任务时间数据作为自变量，利用SPSS软件进行回归分析，分析结果如下表所示：
表5起泵阶段数据的回归分析结果
| 流量 | 电流 | 出口压力 | DT开度 | |
| 回归方程R值 | 0.634 | 0.521 | 0.620 | 0.595 |
| 回归方程Sig值 | 0.000 | 0.000 | 0.000 | 0.000 |
| 回归方程标准误差 | 18.057 | 0.864 | 0.325 | 4.273 |
| 常数项 | 6.582 | 0.305 | -0.114 | 1.615 |
| 常数项显著性Sig值 | 0.026 | 0.031 | 0.033 | 0.021 |
| 任务时间系数 | 8.167 | 0.291 | -0.142 | 1.742 |
| 任务时间显著性Sig值 | 0.000 | 0.000 | 0.000 | 0.000 |
如表5所示，在任务开始的前五分钟，泵在启动阶段的各项数据发生显著变化，流量、电流、DT开度三个参数会伴随任务时间呈现线性上升趋势，出口压力呈现下降趋势，因此，在确定任务初始状态参数时，可以对未来五分钟的泵参数变化量进行预测，预测方程如下所示：
Δy＝-0.142t-0.114+N(0，0.3252)
Δx1＝8.167t+6.582+N(0，18.0572)
Δx3＝0.291t+0.305+N(0，0.8642)
Δx7＝1.742t+1.615+N(0，4.2732)
上公式中，Δy、Δx1、Δx3、Δx7分别表示出口压力、流量、电流、DT开度在泵开机之后的变化量，x5表示任务时间，N(μ，σ2)表示期望为μ、方差σ2的正态分布随机数。根据上述方程，可以实现出口压力、流量、电流、DT开度在屏蔽泵启动前五分钟的预测，预测方程如下所示：
y＝Δy+y0
x1＝Δx1+x10
x3＝Δx3+x30
x7＝Δx7+x70
其中，y、x1、x3、x7分别表示出口压力、流量、电流、DT开度的预测结果，y0、x10、x30、x70分别表示泵开机时刻所采集的出口压力、流量、电流、DT开度初始值。
在泵平稳工作阶段的趋势预测方程为：
σ1表示待预测参数在平稳运行阶段的样本方差，n表示历史数据的样本数量，xi表示待预测参数的历史数据样本值，
表示待预测参数的历史数据样本均值，x表示待预测参数的预测结果，
表示前一单位时间待预测参数的检测值；
本实施例中，在泵稳定运行阶段，流量、电流、DT开度、出口压力的参数会保持稳定，在对人工对DT开度进行调整情况下，才会出现流量、电流、DT开度、出口压力数据的显著变化。根据屏蔽泵平稳运行阶段的历史数据进行分析，计算流量、电流、DT开度、出口压力四个参数在1分钟内的波动情况。可以计算得到上述四个参数的方差如下表所示：
表5泵稳定运行阶段的参数变化方差
| 流量 | 电流 | DT开度 | 出口压力 | |
| 方差 | 15.54 | 0.90 | 4.20 | 0.32 |
方差的计算公式为：
其中D(x)表示方差，xi表示第i条记录的状态参数值，N表示记录的总数。
根据表5中所示结果，可以实现泵平稳运行阶段出口压力、流量、电流、DT开度四个参数的预测，预测方程如下所示：
其中，
分别表示前一单位时间流量、电流、DT开度、出口压力的检测值(或预测值)，本实施例中，单位时间为分钟。
2)当待预测状态参数为温度时，其在起泵阶段和平稳工作阶段温度变化呈现相同规律，预测方程表示为：
Δx2＝βtt-βt0+N(0，σt 2)
x2＝x20+Δx2
其中，Δx2表示待预测参数温度距离开机时刻的变化量，βt、βt0、σt分别表示建立预测方程时的模型参数，x2表示待预测参数温度的预测结果，x20表示待预测参数温度在任务初始时刻的测量值；
本实施例中，屏蔽泵在使用过程中会由于电能无法完全转化为机械能，而产生一定量热能，从而导致温度缓慢升高。在长时间工作情况下，会导致温度上升到一定程度后不再上升，但是由于每次任务的工作时间只有几个小时，屏蔽泵的温度始终是持续上升的。因此，采用线性回归方法对温度数据进行分析。由于外界环境温度对屏蔽泵初始温度影响较大，所以需要消除初始温度的影响，仅考虑屏蔽泵温度的变化量。本发明中，首先每次屏蔽泵开机时刻所记录的温度，然后将此次温度所有温度记录均减去开机时刻的温度值，则结果为此次任务中屏蔽泵温度的变化量。例如，某次开机第0、5、12分钟记录的温度数值为17.6、17.8、17.9，则此次任务中的温度数据均减去17.6，最终用于温度数据分析的第0、5、12分钟的温度变化量分别为0、0.2、0.3。
表6泵温度变化数据的回归分析结果
则根据表6所示的结果，可以建立屏蔽泵温度的预测方程，如下所示：
x2＝x20+0.021t+N(0，0.732)
3)当待预测状态参数为罐压力和入口压力时，其预测方程表示为：
其中，f表示待预测状态参数罐压力x6和入口压力x4的预测值，
表示前一单位时间的检测值，μ、σj表示待预测状态参数单位时间内波动的期望和方差。
本实施例中，罐压力的作用是将储罐中的液体挤压出来进入屏蔽泵。伴随储罐内液体从罐内逐渐卸出，储罐内的压力会逐步减小，同时会导致屏蔽泵出口压力的降低。在对屏蔽泵入口压力和罐压力数据进行分析时发现，罐压力和入口压力的变化并非是线性变化，存在一定的随机性。对罐压力数据统计发现，每间隔1分钟罐压力变化量的最大值为0.08，最小值为0，绘制每分钟变化量的频度图如图12所示：
通过图12可知，罐压力的每分钟变化量数据越靠近中间区域的频度越高，两端区域的频度较小，与正态分布的规律比较吻合。可参照罐压力每分钟变化量统计分析对入口压力每分钟变化量的数据进行统计分析，其频度分布也符合正态分布的规律。因此，采用正态分布对每分钟内罐压力、屏蔽泵入口压力的变化量数据进行拟合。经计算，罐压力每分钟变量的均值为-0.00614，方差为0.000248，入口压力每分钟变化量的均值为-0.00863，方差为0.00057。因此，罐压力和入口压力的数据可采用如下方程进行预测：
其中，x6、x4分别表示罐压力和入口压力的预测值，
分别表示前一分钟罐压力和出口压力的监测值(或预测值)。
步骤6：根据步骤2中的多个多状态参数线性回归分析模型，将步骤5中预测出的下一单位时间每个状态参数预测值代入多个线性回归分析模型得到下一时段各因变量状态参数的理论值。
本实施例中，根据任务时间t，预测出的下一单位时间每个状态参数的预测值有：入口压力x4、罐压力x6、温度x2、DT开度x7、电流x3、流量x1、出口压力y；根据历史数据计算出出口压力y的均值和方差数据；将这些参数代入步骤2中的多个多状态参数线性回归分析模型，得到出口压力y、入口压力x4、流量x1和电流x3这四个因变量状态参数的理论值。
步骤7：将各因变量状态参数的理论值与步骤5预测出的相应状态参数预测值进行比较，如果误差大于所设定的阈值，则判断屏蔽泵出现故障，转步骤8，否则t＝t+1，转步骤5，直到达到所需预估的时间点为止；本实施例中，阈值设定为：如果理论值与步骤5预测出的相应状态参数预测值比较后误差大于相应回归模型的标准误差的3倍，则判断屏蔽泵出现故障，记录屏蔽泵的故障时间。
步骤8：判断是否达到仿真次数要求，如果是则转步骤9，否则转步骤4；
步骤9：统计所有仿真结果中在每一个时段t上出现故障的频次，计算出在时段t上屏蔽泵的故障发生概率；
其中，t表示时间，P(t)表示未来t时间出现故障的概率，N表示预先设定的仿真总次数，ti表示第i次仿真中出现故障的时间，g(ti)是一个中间变量，同时也是0-1变量，ti≤t表示在t时刻前屏蔽泵发生故障，反之则表示未发生故障。本实施例中，所需预估的时间长度一般是对当前任务而言足够长的未来时间长度，可根据任务长度进行设定，推荐长度为任务时间的三倍。
步骤10：输出屏蔽泵在所预估的时间内每一时段的故障发生概率，即得到未来一段时间连续工作的故障风险预测结果。也可以将屏蔽泵在所预估的时间内故障发生概率绘制成曲线。
故障预测结果如图13所示，根据设备当前的运行状态，屏蔽泵在未来50分钟内出现故障的风险较小，完成任务的可靠度较高。需要特别说明的是，伴随屏蔽泵监测数据的不断更新，设备故障风险的图形也能够持续更新，确保未来短时间内的故障风险预测结果准确，为任务实施过程中屏蔽泵的管理和任务相关决策提供有效支持。本发明对各个状态参数单步预测只能考虑数据本身的变化情况，这种方式能够对于有限任务时间内的故障风险预测是有效的。需要指出的是，本发明对于较长时间之后的故障预测精度是很难得到保证的，这是因为每一步的预测都可能与实际情况产生微量偏差，伴随多步预测的步数逐步增加会导致偏差量的逐步偏大，从而使预测精度降低。
图14是采用传统性能退化方法对屏蔽泵核心参数出口压力分析的结果，由于数据波动较大导致预测的风险概率明显高于实际情况。如果以该评估结果指导任务实施，那么屏蔽泵是不具备参加任务的条件的，这与实际情况明显不符。本发明中考虑各个参数之间的相关性，能够明显降低各参数波动幅度较大带来的影响，使故障预测的精度更高，预测结果与实际情况更加贴近。
本发明只需要分析设备正常状态下的数据，并不需要设备的故障数据，尤其是对于无失效设备来说，故障数据更难获得，本发明能够基于历史数据和实时监测数据对屏蔽泵的当前状态进行评估，然后利用仿真数据对未来几个小时屏蔽泵连续工作的故障风险进行预测，及时发现屏蔽泵的状态异常，为任务的顺利实施提供有力支持。同时由于考虑了状态参数之间的相关性，提高了故障预测的精度。
以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，应视为本发明的保护范围。
Claims (8)
1.一种基于多状态参数的无失效屏蔽泵故障短期多步预测方法，其特征在于，包括以下步骤：
步骤1：获取屏蔽泵的历史状态参数数据；
步骤2：根据历史状态参数数据构建多个分别由不同状态参数作为因变量，其他状态参数作为自变量的多状态参数线性回归模型，以及根据历史状态参数数据构建出每个状态参数的与任务时间相关的变化趋势预测模型；
步骤3：采集屏蔽泵实时检测数据；
步骤4：仿真计数；
步骤5：根据步骤2中的每个状态参数的变化趋势预测模型，仿真生成下一时段t上每个状态参数的预测值；
步骤6：根据步骤2中的多个多状态参数线性回归分析模型，将步骤5中仿真预测出的时段t上每个状态参数值代入多个多状态参数线性回归模型，得到时段t上各因变量状态参数的理论值；
步骤7：将各因变量状态参数的理论值与步骤5经仿真得到的相应状态参数预测值进行比较，如果误差大于所设定的阈值，则判断屏蔽泵出现故障，记录故障时间ti＝t，i为当前仿真次数，转步骤8，否则t＝t+1，转步骤5，直到达到所需预估的时间点为止；
步骤8：判断是否达到仿真次数要求，如果是则转步骤9，否则转步骤4，并且令t＝0；
步骤9：统计所有仿真结果中在每一个时段t上出现故障的频次，计算出在时段t上屏蔽泵的故障发生概率；
步骤10：输出屏蔽泵在所预估的时间内每一时段的故障发生概率，即得到未来一段时间连续工作的故障风险预测结果。
2.根据权利要求1所述的基于多状态参数的无失效屏蔽泵故障短期多步预测方法，其特征在于：步骤2中所述构建多个分别由不同状态参数作为因变量，其他状态参数作为自变量的多状态参数线性回归模型的方法是：
步骤2.1：对所获取的历史状态参数数据进行标准化处理；
上式中，p表示屏蔽泵监测到的状态参数数量，n表示记录的屏蔽泵状态参数的数据量，xij表示第j个状态参数第i条记录的数值，
表示第j个状态参数的均值，
表示第j个状态参数第i条记录标准化之后的数值。
步骤2.2：对标准化处理后的历史状态参数数据进行相关性分析，得到由不同的状态参数作为因变量时，与该因变量状态参数相关的自变量状态参数；
步骤2.3：根据步骤2.2中的相关性分析结果，将不同的状态参数分别作为因变量时，与其相关的自变量状态参数一起分别建立多个多状态参数线性回归分析模型，并根据历史状态数据对所述多个多状态参数线性回归分析模型的模型参数进行估计，所述线性回归分析方程的数量与因变量状态参数数量一致。
3.根据权利要求2所述的基于多状态参数的无失效屏蔽泵故障短期多步预测方法，其特征在于：步骤2.3中所述建立多状态参数线性回归分析模型的方法是：
步骤2.3.1：建立多元回归分析模型；
y＝β0+β1x1+β2x2+…+βpxp+ε
其中，y表示因变量状态参数，x1，x2，…，xp表示自变量状态参数；β0为一个常数项；β1，β2，…，βp表示回归因子，为多元回归分析模型的模型参数；ε是一个服从正态分布的随机变量，期望为0，方差为σ，σ可通过样本数据和预测模型进行计算，是多元回归分析模型的标准误差；
步骤2.3.2：对多元回归分析模型的模型参数进行估计；
β＝(XTX)-1XTY
X和Y分别表示自变量状态参数列向量和因变量状态参数观测值列向量；
步骤2.3.3：对经过模型参数估计后的多元回归分析模型进行显著性检验；
步骤2.3.4：对多元回归分析模型的模型系数进行显著性检验；
步骤2.3.5：输出多元回归分析模型。
4.根据根据权利要求1至3中任一项所述的基于多状态参数的无失效屏蔽泵故障短期多步预测方法，其特征在于：所述状态参数包括：流量、电流、DT开度、出口压力、温度、罐压力、泵入口压力。
5.根据权利要求4所述的基于多状态参数的无失效屏蔽泵故障短期多步预测方法，其特征在于，所述根据历史状态参数数据构建出每个状态参数与任务时间相关的变化趋势预测模型的方法是：将泵分为起泵、泵平稳运行、停泵三个阶段，根据历史状态参数数据对每个状态参数处于不同工作阶段的趋势进行预测。
6.根据权利要求5所述的基于多状态参数的无失效屏蔽泵故障短期多步预测方法，其特征在于，步骤2中每个状态参数的与任务时间相关的变化趋势预测模型为：
1)当待预测状态参数为流量、电流、DT开度、出口压力时：
其在起泵阶段的趋势预测方程形式为：
Δx＝αt-α0+N(0,σ2)
x＝x0+Δx
其中，Δx表示待预测状态参数距离开机时刻随时间的变化量，t表示时间，α、α0、σ分别表示建立预测方程时的模型参数，x0表示待预测状态参数的任务初始测量值，x表示待预测状态参数的预测结果，
在泵平稳工作阶段的趋势预测方程为：
σ1表示待预测参数在平稳运行阶段的样本方差，n表示历史数据的样本数量，xi表示待预测参数的历史数据样本值，
表示待预测参数的历史数据样本均值，x表示待预测参数的预测结果，
表示前一单位时间待预测参数的检测值；
2)当待预测状态参数为温度时，其在起泵阶段和平稳工作阶段温度变化呈现相同规律，预测方程表示为：
Δx2＝βtt-βt0+N(0,σt 2)
x2＝x20+Δx2
其中，Δx2表示待预测参数温度距离开机时刻的变化量，βt、βt0、σt分别表示建立预测方程时的模型参数，x2表示待预测参数温度的预测结果，x20表示待预测参数温度在任务初始时刻的测量值；
3)当待预测状态参数为罐压力和入口压力时，其预测方程的形式表示为：
其中，f表示待预测状态参数罐压力或入口压力的预测值，
表示前一单位时间的检测值，μ、σf表示待预测状态参数单位时间内波动的期望和方差。
7.根据权利要求2所述的基于多状态参数的无失效屏蔽泵故障短期多步预测方法，其特征在于:步骤2.2中所述数据相关性分析的方法是：
令设rij表示第i个状态参数xi与第j个状态参数xj的相关系数，则有：
n表示状态参数历史数据总量，xki表示第k组数据中第i个状态参数xi的值，rij表示状态参数xi与状态参数xj间的线性相关密切程度，并且|rij|≤1，|rij|越接近于1，表明两个变量之间的相关性越强。
8.根据权利要求1所述的基于多状态参数的无失效屏蔽泵故障短期多步预测方法，其特征在于:步骤9中统计在时段t上的所有仿真结果中出现故障的频次，计算出在时段t上段屏蔽泵的故障发生概率的方法为：
其中，t表示时间，P(t)表示t时间上出现故障的概率，N表示预先设定的仿真总次数，ti表示第i次仿真中出现故障的时间，g(ti)为0-1变量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911029005.6A CN110765619B (zh) | 2019-10-28 | 2019-10-28 | 基于多状态参数的无失效屏蔽泵故障短期多步预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911029005.6A CN110765619B (zh) | 2019-10-28 | 2019-10-28 | 基于多状态参数的无失效屏蔽泵故障短期多步预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110765619A CN110765619A (zh) | 2020-02-07 |
| CN110765619B true CN110765619B (zh) | 2023-05-30 |
Family
ID=69334156
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911029005.6A Active CN110765619B (zh) | 2019-10-28 | 2019-10-28 | 基于多状态参数的无失效屏蔽泵故障短期多步预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110765619B (zh) |
Families Citing this family (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113465935B (zh) * | 2020-03-31 | 2023-09-05 | 比亚迪股份有限公司 | 车辆冷却回路检测方法、装置、计算机设备及存储介质 |
| CN113867262B (zh) * | 2020-06-30 | 2023-07-14 | 华晨宝马汽车有限公司 | 用于监测主轴设备的运行状态的装置、方法以及介质 |
| CN112631240A (zh) * | 2020-12-07 | 2021-04-09 | 中国人民解放军63920部队 | 航天器故障主动检测方法及装置 |
| CN112667464A (zh) * | 2020-12-22 | 2021-04-16 | 国网甘肃省电力公司 | 一种信息系统状态智能化分析方法、系统及设备 |
| CN113391622B (zh) * | 2021-06-22 | 2022-09-02 | 中国人民解放军国防科技大学 | 利用多元多步预测技术的航天器姿态系统异常检测方法 |
| CN114152685B (zh) * | 2021-10-27 | 2024-10-18 | 国网内蒙古东部电力有限公司电力科学研究院 | 基于多元线性回归的变压器油色谱的故障诊断方法及系统 |
| CN113931258B (zh) * | 2021-11-30 | 2022-06-24 | 无锡汇田水务科技有限公司 | 自我诊断方法和无负压叠压供水设备 |
| CN114909281B (zh) * | 2022-06-20 | 2023-12-22 | 中联重科股份有限公司 | 确定物料的可泵性的方法和装置及泵送控制方法和装置 |
| CN115372748A (zh) * | 2022-10-24 | 2022-11-22 | 深圳博润缘科技有限公司 | 电缆的维护数据处理方法及系统 |
| CN116384009B (zh) * | 2023-05-31 | 2023-08-11 | 安徽新沪屏蔽泵有限责任公司 | 一种屏蔽泵能效等级的仿真预测方法、装置及设备 |
| CN117056692B (zh) * | 2023-10-09 | 2024-01-23 | 山东芯赛思电子科技有限公司 | 一种SiC基电机驱动器件的老化预测方法 |
| CN118646647A (zh) * | 2024-08-19 | 2024-09-13 | 江苏新元素数字科技有限公司 | 一种设备故障报警系统 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110209999A (zh) * | 2018-02-28 | 2019-09-06 | 广州地铁集团有限公司 | 一种车载设备故障趋势预测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP7003159B2 (ja) * | 2018-01-19 | 2022-01-20 | 株式会社日立製作所 | 障害予測システムおよび障害予測方法 |
-
2019
- 2019-10-28 CN CN201911029005.6A patent/CN110765619B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110209999A (zh) * | 2018-02-28 | 2019-09-06 | 广州地铁集团有限公司 | 一种车载设备故障趋势预测方法 |
Non-Patent Citations (3)
| Title |
|---|
| 基于模糊神经网络的供热循环泵故障诊断系统研究;安艳平;《中国博硕士论文全文数据库》;全文 * |
| 基于测试数据的长期贮存装备实时健康状态评估;王亮;吕卫民;滕克难;;系统工程与电子技术(第06期);全文 * |
| 百万千瓦级压水堆核主泵故障模式研究和应用;刘军生;《中国博硕士论文全文数据库》;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110765619A (zh) | 2020-02-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110765619B (zh) | 基于多状态参数的无失效屏蔽泵故障短期多步预测方法 | |
| Wang et al. | A hybrid prognostics approach for estimating remaining useful life of wind turbine bearings | |
| CN117060409B (zh) | 电力线路运行状态自动化检测分析方法及系统 | |
| CN109615126A (zh) | 一种轴承剩余寿命预测方法 | |
| CN111414703B (zh) | 一种滚动轴承剩余寿命预测方法及装置 | |
| KR20190013017A (ko) | 센서 군집화 기반의 설비 건강 모니터링 방법 및 장치 | |
| US7912669B2 (en) | Prognosis of faults in electronic circuits | |
| CN110635952A (zh) | 通信系统的故障根因分析方法、系统和计算机存储介质 | |
| CN115659812A (zh) | 基于城轨iscs的电扶梯寿命预测方法、系统、设备及介质 | |
| CN111262750B (zh) | 一种用于评估基线模型的方法及系统 | |
| CN111796233B (zh) | 双母线接线形式下多台电压互感器继发性误差的评估方法 | |
| CN106529832A (zh) | 一种基于马尔科夫可靠性修正模型的继电保护系统风险评估方法 | |
| US20240185115A1 (en) | Method and apparatus for early warning of dry pump shutdown, electronic device, storage medium and program | |
| CN115827411A (zh) | 一种用于自动化设备的在线监测及运维评估系统和方法 | |
| KR102073537B1 (ko) | 리스크 평가 장치, 리스크 평가 시스템, 리스크 평가 방법 및 리스크 평가 프로그램 | |
| CN115809805A (zh) | 基于边缘计算的电网多源数据处理方法 | |
| CN112381258B (zh) | 表计运行生命周期预测方法及装置 | |
| CN118203260A (zh) | 一种基于智能分析的吸尘器状态评估方法及系统 | |
| CN118134116A (zh) | 一种基于大数据分析的电缆及通道的状态监测评估方法 | |
| CN118152784A (zh) | 模块化变电站设备数据特征提取方法 | |
| KR20200009081A (ko) | 리스크 평가 장치, 리스크 평가 시스템, 리스크 평가 방법, 리스크 평가 프로그램 및 데이터 구조 | |
| KR101982235B1 (ko) | 생존 함수 기반의 특질 추출 방법을 이용한 유사 설비 군집화 방법 및 장치 | |
| WO2023184237A1 (zh) | 计算电子系统的剩余使用寿命的方法、装置及计算机介质 | |
| CN114970311A (zh) | 一种远端模块寿命预测模型的建立方法与寿命预测方法 | |
| CN113283157A (zh) | 智能冲压压力机部件生命周期预测系统、方法、终端、介质 |
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 |