CN110889495A - 一种基于能动参数的制丝设备状态维护分析方法 - Google Patents

一种基于能动参数的制丝设备状态维护分析方法 Download PDF

Info

Publication number
CN110889495A
CN110889495A CN201911229743.5A CN201911229743A CN110889495A CN 110889495 A CN110889495 A CN 110889495A CN 201911229743 A CN201911229743 A CN 201911229743A CN 110889495 A CN110889495 A CN 110889495A
Authority
CN
China
Prior art keywords
parameters
data
maintenance
model
equipment
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.)
Granted
Application number
CN201911229743.5A
Other languages
English (en)
Other versions
CN110889495B (zh
Inventor
李秀芳
赵春元
杨意
许佩
王建伟
罗华丽
范伟
毛爱龙
焦彩霞
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 Tobacco Henan Industrial Co Ltd
Original Assignee
China Tobacco Henan Industrial 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 Tobacco Henan Industrial Co Ltd filed Critical China Tobacco Henan Industrial Co Ltd
Priority to CN201911229743.5A priority Critical patent/CN110889495B/zh
Publication of CN110889495A publication Critical patent/CN110889495A/zh
Application granted granted Critical
Publication of CN110889495B publication Critical patent/CN110889495B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种基于能动参数的制丝设备状态维护分析方法，利用PLC数据采集器采集学习样本数据；将学习样本数据分为输入参数与输出参数；对输入参数进行归一化处理得到学习模型输入参数；对输出参数进行基于Malik的比例役龄回退模型的离散化处理方法，得到学习模型输出参数；将学习模型输入参数与学习模型输出参数送入神经网络中进行模型训练；通过实时数据采集与故障报警模块得到系统的实时数据信息；将实时数据信息传入训练好的模型中得到实时的状态信息，并据此生成设备维修报告。降低了制造业生产过程的设备维护费用，降低了因为停机造成的生产损失，提高设备在全生命周期内的运行效率。

Description

一种基于能动参数的制丝设备状态维护分析方法
技术领域
本发明涉及卷烟生产过程制丝设备维护及故障检测领域，特别是指一种基于Malik的比例役龄回退模型(Malik’s Proportional Age Reduction Model，PAR)进行设备状态及性能判断的分析方法。
背景技术
作为制造业生产过程中的关键部分，生产设备的运转状态直接关系加工过程，进而影响产品的质量、企业的生产计划和运营成本。另外设备性能会随着运行时间的延长而下降，因此，设备的运行状态的变化也会对加工过程产生影响。设备及其部件的磨损会造成加工过程的能耗增加，简单的设备能耗数据统计不能反映设备的状态变化。本系统基于能耗信息的生产过程设备维护系统实时监测设备状态，并根据设备不同运行状态给出与之相适应的维护计划，实现差异化管理。
烟草生产过程中的设备状态与制丝设备电参数、加工工艺及环境温湿度都有关系，目前对各个影响因素的分析方法也很多，从目前行业对于设备维护项目开展情况及效果而言，目前公司所使用的维护方式，在实际生产过程中效果不明显，如果能够实现各影响因素的关联分析，那么对于企业降本增效、设备的状态管理、智能制造具有重要价值。
发明内容
本发明的目的是提供一种基于能动参数的制丝设备状态维护分析方法，以解决现有技术不能对影响制线设备状态的影响因素进行准确分析的问题。
本发明是通过以下技术方案实现的：
一种基于能动参数的制丝设备状态维护分析方法，包括以下步骤：
S1、利用PLC数据采集器采集学习样本数据；
S2、将学习样本数据分为输入参数与输出参数；
S3、对输入参数进行归一化处理得到学习模型输入参数；
S4、对输出参数进行基于Malik的比例役龄回退模型的离散化处理方法，得到学习模型输出参数；
S5、将学习模型输入参数与学习模型输出参数送入GA-BP神经网络中进行模型训练；
S6、通过实时数据采集与故障报警模块得到系统的实时数据信息；
S7、将实时数据信息传入训练好的模型中得到实时的状态信息，并据此生成设备维修报告。
所述学习样本数据包括但不限于工艺参数、维护参数、环境参数或电能电参数。
所述工艺参数包括但不限于：含水率、物料流量、蒸汽流量、水流量、当前时间或停机时间；
所述维护参数包括但不限于：电机震动状态、蒸汽疏水阀出入口温度或设备润滑度；
所述环境参数包括但不限于：环境温度和环境湿度；
所述电能电参数包括但不限于：三相相电压、三相线电压、三相有功功率、三相无功功率、三相功率因数、频率、有功电能、无功电能、相位或总电能。
所述归一化处理将数据处理为[0，1]之间的数据，使用如下归一化公式：
Figure BDA0002303206900000021
xi表示归一化后的数据；x表示未处理的数据；xmin表示未经处理数据的最小值；xmax表示未经处理数据的最大值。
步骤S4所述离散化处理方法，包括以下步骤：
(1)根据历史维修模型确定威布尔分布的η和β值，构造系统性能衰退模型，将输出数据转化为设备的可靠性数值；
设备的可靠性函数如公式所示：
Figure BDA0002303206900000022
其中η和β分别为威布尔分布的尺度参数和形状参数；
(2)对于设备停机进行维护操作，基于Malik的比例役龄回退模型分析设备维护后的可靠性；
将步骤(1)得到的可靠性数值进行更新得到模型需要的输出数据；设备的可靠性指标如公式：
Figure BDA0002303206900000031
其中Tk的函数如公式：
Figure BDA0002303206900000032
其中，Ik是维护增长因子，表示第k次维护的性能增长能力；tj表示从初始开机到第j次采集时所经过的时间；tsj表示从初始开机到第j次采集时中间停机的时间；Ik数值表示不同程度的维修工作。
所述GA-BP神经网络模型的搭建，具体步骤如下所示：
(1)建立BP模型
根据训练集数据设置BP神经网络的输入层节点，输出层节点，设置隐含层节点；
(2)初始化进化次数，种群规模，交叉概率，变异概率；
(3)适应度函数计算
适应度表示度量群体中各个个体在优化计算中接近最优解的优良程度，预测输出个期望的输出之间的误差绝对值和作为个体适应度值F；
计算公式如公式：
Figure BDA0002303206900000033
式中，n为网络输出节点数；yi为BP神经网络第i个节点的期望输出；oi为第i个节点的实际输出；k为系数；
(4)采用轮盘赌法进行选择操作；
(5)交叉操作；
采用实数交叉法，第k个染色体ak和第l个染色体aj在j位的交叉操作如公式：
Figure BDA0002303206900000034
式中b为随机数且b∈[0，1]；
(6)变异操作
选取第i个个体的第j个基因进行变异，方法如公式：
Figure BDA0002303206900000035
式中amax与amin分别为基因aij的上界与下界；f(g)＝r2(1-g/Gmax)2，r2为随机数，g为当前迭代次数，Gmax为最大进化次数；r为随机数且r∈(0，1)；
(7)计算适应度
用新染色体代替原来染色体，计算适应度，如果满足条件，跳到步骤(8)；否则，转到步骤(3)继续优化；
(8)训练
达到性能指标后，将最优权重和阈值赋给BP神经网络，利用训练集训练网络直到达到设定的误差要求。
本发明的有益效果是：
本发明通过搭建神经网络训练模型来设计一种基于能动参数的制丝设备状态维护方法。降低了制造业生产过程的设备维护费用，降低了因为停机造成的生产损失，提高设备在全生命周期内的运行效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的GA-BP神经网络流程；
图2为本发明的维护计划示意图；
图3为本发明的学习模型输入参数与学习模型输出参数的部分数据。
具体实施方式
以下通过实施例来详细说明本发明的技术方案，以下的实施例仅是示例性的，仅能用来解释和说明本发明的技术方案，而不能解释为是对本发明技术方案的限制。
1对采集样本规整，如图1所示：
S1、利用PLC数据采集器采集学习样本数据Learn_OIT(包括工艺参数、维护参数、环境参数和电能电参数)。
学习样本数据Learn_OIT，其中，工艺参数包括但不限于：含水率、物料流量、蒸汽流量、水流量、当前时间和停机时间；维护参数包括但不限于：电机震动状态、蒸汽疏水阀出入口温度、设备润滑度；环境参数包括但不限于：环境温度和环境湿度；电能电参数包括但不限于：三相相电压、三相线电压、三相有功功率、三相无功功率、三相功率因数、频率、有功电能、无功电能、相位和总电能，如图3所示。
根据输入输出关系，确定系统数据输入与输出如表1所示。由于系统输入与系统输出中部分为非数值型数据，因此需要根据数据内容进行特定的离散化与归一化处理。
表1系统输入输出表
Figure BDA0002303206900000051
S2、将学习样本数据Learn_OIT分为输入参数Learn_IIT与输出参数Learn_OOT。
S3、对输入参数Learn_IIT进行归一化处理得到学习模型输入参数Learn_IT。
由于学习样本数据单位不统一，传入神经网络无法操作，因此选择对数值型数据进行归一化将数据处理为[0，1]之间的数据，来消除原始指标单位的影响，归一化如公式(4)：
Figure BDA0002303206900000052
xi表示归一化后的数据；x表示未处理的数据；xmin表示未经处理数据的最小值；xmax表示未经处理数据的最大值。
S4、对输出参数Learn_OOT进行基于Malik的比例役龄回退模型的离散化处理方法，得到学习模型输出参数Learn_OT。
输出参数数据中存在数值型(如蒸汽疏水阀出、入口温度、电机震动状态等)与非数值型数据(设备润滑度)，这里仅仅对非数值型数据进行离散化处理。
离散化处理方法为：
(1)根据历史维修模型确定威布尔分布的η和β值，构造系统性能衰退模型，将输出数据转化为设备的可靠性数值。
设备的可靠性函数如公式(5)所示：
Figure BDA0002303206900000061
其中，η和β分别为威布尔分布的尺度参数和形状参数。
由于设备润滑度为非数值型数据，因此需要对数据进行离散化处理。这里，本技术方案通过设备的历史维修记录构造设备的历史故障集，通过matlab对故障集进行求解，得到威布尔分布的尺度参数和形状参数。
得到威布尔分布后，构造设备的可靠性模型。
将时间传入威布尔分布模型中，就可以得到当前设备的可靠性(在本技术方案反映为设备的润滑度)。
(2)由于设备需要停机进行维护操作，且每次维护都带来设备可靠性的变化。因此本技术方案引入了基于Malik的比例役龄回退模型分析设备维护后的可靠性。
对于每一次维修动作，建立基于Malik的比例役龄回退模型。将公式(5)处得到的可靠性数值进行更新即可得到模型需要的输出数据。
设备的可靠性指标如公式(6)：
Figure BDA0002303206900000062
其中Tk的函数如公式(7)：
Figure BDA0002303206900000063
其中，Ik是维护增长因子，表示第k次维护的性能增长能力；tj表示从初始开机到第j次采集时所经过的时间(由当前时间减去初始开机时的当前时间得到),tsj表示从初始开机到第j次采集时中间停机的时间；针对不同的维护动作，分别设置小修、中修以及更换的维护动作对应的Ik数值分别为0.2，0.6，0.9(小修、中修以及更换的维修动作代表了不同程度的维修工作)。
S5、将学习模型输入参数Learn_IT与学习模型输出参数Learn_OT送入GA-BP神经网络中；
搭建GA-BP神经网络模型，具体步骤如下所示：
(1)建立BP模型
根据训练集数据设置BP神经网络的输入层节点为17，输出层节点为3，设置隐含层节点为35。
(2)初始化进化次数，种群规模，交叉概率，变异概率。
进化次数设置为20，种群规模为50，交叉概率为0.3，变异概率为0.1。
(3)适应度函数计算
适应度表示度量群体中各个个体在优化计算中接近最优解的优良程度，预测输出个期望的输出之间的误差绝对值和作为个体适应度值F。
计算公式如公式(8)：
Figure BDA0002303206900000071
式中，n为网络输出节点数；yi为BP神经网络第i个节点的期望输出；oi为第i个节点的实际输出；k为系数。
(4)采用轮盘赌法进行选择操作，轮盘赌法为现有技术，在此不进行详细说明，所有能够实现的轮盘赌法，均适用于本技术方案。
(5)交叉操作
采用实数交叉法，第k个染色体ak和第l个染色体aj在j位的交叉操作如公式(9):
Figure BDA0002303206900000072
式中b为随机数且b∈[0，1]。
(6)变异操作
选取第i个个体的第j个基因进行变异，方法如公式(10):
Figure BDA0002303206900000073
式中amax与amin分别为基因aij的上界与下界；f(g)＝r2(1-g/Gmax)2，r2为随机数，g为当前迭代次数，Gmax为最大进化次数；r为随机数且r∈(0，1)。
(7)计算适应度
用新染色体代替原来染色体，计算适应度，如果满足条件，跳到步骤(8)；否则，转到步骤(3)继续优化。
(8)训练
达到性能指标后，将最优权重和阈值赋给BP神经网络，利用训练集训练网络直到达到设定的误差要求。
S6、模型训练完成之后，通过实时数据采集与故障报警模块可以得到系统的实时数据信息。
S7、将这些信息传入训练好的模型中就可以得到实时的状态信息，并据此生成设备维修报告。
如图2所示为设备维护计划示意图。
维护计划生成原则：根据不同的设备润滑度分别确定不同的维修方案。当数值为90-100时为优秀状态，70-90为优良状态，50-70为合格状态可修可不修，30-50为较差状态需小修，10-30为差状态需要中修，10以下为特别差状态需要更换。同时对于电机震动状态数值小于4mm/s为优秀，大于4mm/s为需要维修；对于蒸汽疏水阀入口温度小于45℃为优秀，大于45℃为需要维修；对于蒸汽疏水阀出口温度小于60℃为优秀，大于60℃为需要维修。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变形，本发明的范围由所附权利要求及其等同限定。

Claims (6)

1.一种基于能动参数的制丝设备状态维护分析方法，其特征在于，包括以下步骤：
S1、利用PLC数据采集器采集学习样本数据；
S2、将学习样本数据分为输入参数与输出参数；
S3、对输入参数进行归一化处理得到学习模型输入参数；
S4、对输出参数进行基于Malik的比例役龄回退模型的离散化处理方法，得到学习模型输出参数；
S5、将学习模型输入参数与学习模型输出参数送入GA-BP神经网络中进行模型训练；
S6、通过实时数据采集与故障报警模块得到系统的实时数据信息；
S7、将实时数据信息传入训练好的模型中得到实时的状态信息，并据此生成设备维修报告。
2.根据权利要求1所述的基于能动参数的制丝设备状态维护分析方法，其特征在于，所述学习样本数据包括但不限于工艺参数、维护参数、环境参数或电能电参数。
3.根据权利要求2所述的基于能动参数的制丝设备状态维护分析方法，其特征在于，所述工艺参数包括但不限于：含水率、物料流量、蒸汽流量、水流量、当前时间或停机时间；
所述维护参数包括但不限于：电机震动状态、蒸汽疏水阀出入口温度或设备润滑度；
所述环境参数包括但不限于：环境温度和环境湿度；
所述电能电参数包括但不限于：三相相电压、三相线电压、三相有功功率、三相无功功率、三相功率因数、频率、有功电能、无功电能、相位或总电能。
4.根据权利要求1所述的基于能动参数的制丝设备状态维护分析方法，其特征在于，所述归一化处理将数据处理为[0，1]之间的数据，使用如下归一化公式：
Figure FDA0002303206890000011
xi表示归一化后的数据；x表示未处理的数据；xmin表示未经处理数据的最小值；xmax表示未经处理数据的最大值。
5.根据权利要求1所述的基于能动参数的制丝设备状态维护分析方法，其特征在于，步骤S4所述离散化处理方法，包括以下步骤：
(1)根据历史维修模型确定威布尔分布的η和β值，构造系统性能衰退模型，将输出数据转化为设备的可靠性数值；
设备的可靠性函数如公式所示：
Figure FDA0002303206890000021
其中η和β分别为威布尔分布的尺度参数和形状参数；
(2)对于设备停机进行维护操作，基于Malik的比例役龄回退模型分析设备维护后的可靠性；
将步骤(1)得到的可靠性数值进行更新得到模型需要的输出数据；设备的可靠性指标如公式：
Figure FDA0002303206890000022
其中Tk的函数如公式：
Figure FDA0002303206890000023
其中，Ik是维护增长因子，表示第k次维护的性能增长能力；tj表示从初始开机到第j次采集时所经过的时间；tsj表示从初始开机到第j次采集时中间停机的时间；Ik数值表示不同程度的维修工作。
6.根据权利要求1所述的基于能动参数的制丝设备状态维护分析方法，其特征在于，所述GA-BP神经网络模型的搭建，具体步骤如下所示：
(1)建立BP模型
根据训练集数据设置BP神经网络的输入层节点，输出层节点，设置隐含层节点；
(2)初始化进化次数，种群规模，交叉概率，变异概率；
(3)适应度函数计算
适应度表示度量群体中各个个体在优化计算中接近最优解的优良程度，预测输出个期望的输出之间的误差绝对值和作为个体适应度值F；
计算公式如公式：
Figure FDA0002303206890000024
式中，n为网络输出节点数；yi为BP神经网络第i个节点的期望输出；oi为第i个节点的实际输出；k为系数；
(4)采用轮盘赌法进行选择操作；
(5)交叉操作；
采用实数交叉法，第k个染色体ak和第l个染色体aj在j位的交叉操作如公式：
Figure FDA0002303206890000031
式中b为随机数且b∈[0，1]；
(6)变异操作
选取第i个个体的第j个基因进行变异，方法如公式：
Figure FDA0002303206890000032
式中amax与amin分别为基因aij的上界与下界；f(g)＝r2(1-g/Gmax)2，r2为随机数，g为当前迭代次数，Gmax为最大进化次数；r为随机数且r∈(0，1)；
(7)计算适应度
用新染色体代替原来染色体，计算适应度，如果满足条件，跳到步骤(8)；否则，转到步骤(3)继续优化；
(8)训练
达到性能指标后，将最优权重和阈值赋给BP神经网络，利用训练集训练网络直到达到设定的误差要求。
CN201911229743.5A 2019-12-04 2019-12-04 一种基于能动参数的制丝设备状态维护分析方法 Active CN110889495B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911229743.5A CN110889495B (zh) 2019-12-04 2019-12-04 一种基于能动参数的制丝设备状态维护分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911229743.5A CN110889495B (zh) 2019-12-04 2019-12-04 一种基于能动参数的制丝设备状态维护分析方法

Publications (2)

Publication Number Publication Date
CN110889495A true CN110889495A (zh) 2020-03-17
CN110889495B CN110889495B (zh) 2023-06-23

Family

ID=69750454

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911229743.5A Active CN110889495B (zh) 2019-12-04 2019-12-04 一种基于能动参数的制丝设备状态维护分析方法

Country Status (1)

Country Link
CN (1) CN110889495B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111680800A (zh) * 2020-05-12 2020-09-18 埃睿迪信息技术（北京）有限公司 一种基于深度学习的设备预见式维修模型的实现方法
CN116935985A (zh) * 2023-07-17 2023-10-24 中国地质调查局油气资源调查中心 一种煤气化过程中实验参数变化的敏感性分析方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104933482A (zh) * 2015-06-16 2015-09-23 广东电网有限责任公司江门供电局 基于模糊役龄回退的电力设备检修优化方法
WO2015172560A1 (zh) * 2014-05-16 2015-11-19 华南理工大学 基于bp神经网络的中央空调冷负荷的预测方法
CN106951983A (zh) * 2017-02-27 2017-07-14 浙江工业大学 基于采用多父代遗传算法的人工神经网络的喷射器性能预测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015172560A1 (zh) * 2014-05-16 2015-11-19 华南理工大学 基于bp神经网络的中央空调冷负荷的预测方法
CN104933482A (zh) * 2015-06-16 2015-09-23 广东电网有限责任公司江门供电局 基于模糊役龄回退的电力设备检修优化方法
CN106951983A (zh) * 2017-02-27 2017-07-14 浙江工业大学 基于采用多父代遗传算法的人工神经网络的喷射器性能预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
陈小燕;: "机器学习算法在数据挖掘中的应用" *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111680800A (zh) * 2020-05-12 2020-09-18 埃睿迪信息技术（北京）有限公司 一种基于深度学习的设备预见式维修模型的实现方法
CN116935985A (zh) * 2023-07-17 2023-10-24 中国地质调查局油气资源调查中心 一种煤气化过程中实验参数变化的敏感性分析方法
CN116935985B (zh) * 2023-07-17 2024-03-15 中国地质调查局油气资源调查中心 一种煤气化过程中实验参数变化的敏感性分析方法

Also Published As

Publication number Publication date
CN110889495B (zh) 2023-06-23

Similar Documents

Publication Publication Date Title
CN111047082A (zh) 设备的预警方法及装置、存储介质和电子装置
CN110533331B (zh) 一种基于输电线路数据挖掘的故障预警方法和系统
CN112734128A (zh) 一种基于优化rbf的7日电力负荷峰值预测方法
CN114595623A (zh) 一种基于XGBoost算法的机组设备基准值预测方法及系统
CN110889495B (zh) 一种基于能动参数的制丝设备状态维护分析方法
CN106649479A (zh) 一种基于概率图的变压器状态关联规则挖掘方法
CN111880044A (zh) 一种含分布式电源配电网在线故障定位方法
CN110910026B (zh) 一种跨省输电线路线损智能管理与决策方法及系统
CN110991737A (zh) 一种基于深度置信网络的超短期风电功率预测方法
CN114397526A (zh) 状态全息感知数据驱动的电力变压器故障预测方法及系统
CN117013527A (zh) 一种分布式光伏发电功率预测方法
CN114037194B (zh) 基于机器学习的水电厂发电负荷预测系统及方法
Xue et al. Adaptive ultra-short-term wind power prediction based on risk assessment
Chen et al. Research on wind power prediction method based on convolutional neural network and genetic algorithm
CN116307641A (zh) 一种面向数字化电厂的资源协同调度管理方法及系统
CN117808166A (zh) 云化plc的化工安全自动化检测监控系统
CN115587489A (zh) 制氢模型的确定方法及装置、非易失性存储介质、处理器
CN117151701B (zh) 一种热电联产的工业余热回收利用系统
CN115834406A (zh) 一种基于卷积神经网络的电网瞬态稳定性预测方法
Tran et al. A new grid search algorithm based on XGBoost model for load forecasting
CN115146739A (zh) 基于堆叠时间序列网络的电力变压器故障诊断方法
CN112949936A (zh) 基于相似日小波变换和多层感知机的短期光伏功率预测方法
CN111967689A (zh) 一种结合多元及分步线性回归和人工神经网络进行风力发电预测的模型和方法
CN115598459A (zh) 一种配电网10kV馈线故障停电预测方法
CN114330767A (zh) 基于卷烟设备运行数据的设备维修预测方法

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