CN111209954A - 一种基于半马尔科夫过程的电力设备可靠性评估方法 - Google Patents

一种基于半马尔科夫过程的电力设备可靠性评估方法 Download PDF

Info

Publication number
CN111209954A
CN111209954A CN202010004381.6A CN202010004381A CN111209954A CN 111209954 A CN111209954 A CN 111209954A CN 202010004381 A CN202010004381 A CN 202010004381A CN 111209954 A CN111209954 A CN 111209954A
Authority
CN
China
Prior art keywords
state
equipment
probability
detection
markov process
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
CN202010004381.6A
Other languages
English (en)
Other versions
CN111209954B (zh
Inventor
徐波
张富强
侯东羊
徐沈智
徐志成
赵秋莉
黄海
方朝雄
杜翼
项康利
黄夏楠
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.)
State Grid Energy Research Institute Co Ltd
Economic and Technological Research Institute of State Grid Fujian Electric Power Co Ltd
Original Assignee
State Grid Energy Research Institute Co Ltd
Economic and Technological Research Institute of State Grid Fujian Electric Power 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 State Grid Energy Research Institute Co Ltd, Economic and Technological Research Institute of State Grid Fujian Electric Power Co Ltd filed Critical State Grid Energy Research Institute Co Ltd
Priority to CN202010004381.6A priority Critical patent/CN111209954B/zh
Publication of CN111209954A publication Critical patent/CN111209954A/zh
Application granted granted Critical
Publication of CN111209954B publication Critical patent/CN111209954B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/29Graphical models, e.g. Bayesian networks
    • G06F18/295Markov models or related models, e.g. semi-Markov models; Markov random fields; Networks embedding Markov models
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q10/00Administration; Management
    • G06Q10/06Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063Operations research, analysis or management
    • G06Q10/0639Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q50/00Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06Energy or water supply
    • YGENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04SSYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Educational Administration (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • General Engineering & Computer Science (AREA)
  • Primary Health Care (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Water Supply & Treatment (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Remote Monitoring And Control Of Power-Distribution Networks (AREA)

Abstract

本发明公开了一种基于半马尔科夫过程的电力设备可靠性评估方法,包括以下步骤:确认设备运行状态;根据半马尔科夫过程,确定设备的状态转移概率矩阵;根据历史状态检测评价记录,确定设备状态观测概率矩阵;获取研究周期初始时刻设备的状态信息;并通过贝叶斯定理,进行设备可靠性评估,确定设备各状态概率。本发明中半马尔科夫过程的状态持续时间可以满足任意的分布,在进行设备可靠性评估时计及设备状态先验信息,满足电力设备可靠性评估的要求,使设备可靠性评估结果更加精准。

Description

一种基于半马尔科夫过程的电力设备可靠性评估方法
技术领域
本发明涉及电力系统分析技术领域,具体涉及一种基于半马尔科夫过程的电力设备可靠性评估方法。
背景技术
电力系统由发电设备、输变电设备以及各种用电设备有机组成,由于设备构成复杂,状态检修背景下,不同类型设备状态检测技术存在差异,受监测信息缺失、量测误差等各种因素影响,设备状态检测不确定性显著增加,给电力设备检修决策带来了困难。
为处理设备状态检测结果的不精确,状态部分可观测马尔科夫过程得到广泛应用,它通过利用设备状态先验信息,减小状态信息不精确的影响,现有技术将状态部分可观测马尔科夫过程与马尔科夫决策过程结合,优化设备个体检修策略。
综观当前的研究,基于状态部分可观测马尔科夫过程已开展的研究无法考虑设备状态停留时间服从一般分布的情况,难以满足电力设备可靠性评估的要求,因此,迫切需要提出针对一般分布的电力设备可靠性评估方法。
基于上述背景,本发明提出一种基于半马尔科夫过程的电力设备可靠性评估方法。
发明内容
为了解决上述技术问题,本发明所采用的技术方案是提供一种基于半马尔科夫过程的电力设备可靠性评估方法,包括以下步骤:
S1、确认设备运行过程状态;
S2、根据半马尔科夫过程,确定电力设备的状态转移概率矩阵;
S3、根据历史状态检测评价记录,确定设备状态观测概率矩阵;
S4、获取研究周期初始时刻设备的状态信息;
S5、根据步骤S2、S3与步骤S4,并通过贝叶斯定理,评估设备各状态概率。
在上述方法中,所述设备运行过程状态包括:状态0表示设备正常运行状态,状态1表示注意状态,状态2表示异常状态,状态3表示老化故障状态。
在上述方法中,所述步骤S2计算如下:
使用状态转移概率矩阵表示设备的状态转移概率,如下:
Figure BDA0002354695180000021
式中,pij表示设备从状态i时转移到状态j的概率,满足
Figure BDA0002354695180000022
若设备初始处于状态j,则在时刻t设备处于状态0、状态1、状态2、状态3的概率分别为Pj,0(t)、Pj,1(t)、Pj,2(t)、Pj,3(t),设备状态概率以下式求解:
Pj(t)=Pj(t-1)p (3)
式中,Pj(t)=[Pj,0(t),Pj,1(t),Pj,2(t),Pj,3(t)],Pj,j(0)=1。
在上述方法中,所述步骤S3包括步骤:设定设备真实状态为状态l,状态评价结果为状态θ,在选定的统计时间内,根据同类型设备的历史状态记录,可得设备真实状态为状态l时,状态评价结果为状态θ的统计次数Cl,θ,则当设备真实状态为状态l时,状态评价结果为状态θ的概率gl,θ可按下式进行估计:
Figure BDA0002354695180000031
反映设备状态评价结果与其真实状态间的概率关系的观测概率矩阵G如下:
Figure BDA0002354695180000032
在上述方法中,所述步骤S4包括:
获取研究周期初始时刻的设备状态信息,即设备运行或故障,获取距离上一次状态检测设备已运行时间为tin,距离上一次故障后检修设备已运行时间为tc
在上述方法中,所述步骤S5包括步骤:
设定πl=[πl,0l,1l,2l,3]表示设备经过第l次检测的状态概率,设备经过状态检测和状态评价后,根据贝叶斯定理,πl,0、πl,1、πl,2、πl,3求解如下公式:
Figure BDA0002354695180000033
Figure BDA0002354695180000034
Figure BDA0002354695180000035
Figure BDA0002354695180000036
其中,Δtl,l=1,…,nmax,为第l-1次状态检测和第l次状态检测的间隔时间;αin(l)表示设备经过第l次检测后的状态评价结果;γ(πl-1in(l),Δtl)为已知设备先验概率分布πl-1的前提下,状态评价结果为状态αin(l)的概率,求解如下公式:
Figure BDA0002354695180000041
分以下2种情况计算设备当前时刻处于状态i的概率Pi(0)(i=0,1,2,3);
(1)当tin>tc时,设备当前时刻处于状态i的概率如下式:
Figure BDA0002354695180000042
(2)当tin<tc时,设备当前时刻处于状态i的概率如下式:
在该情况下,可知设备自上一次检测可靠运行至0时刻,可得
Figure BDA0002354695180000043
式中,πβ,0、πβ,1和πβ,2分别表示上一次状态检测之后设备状态评价结果为状态0、状态1和状态2的概率,可根据式(6)-式(8)计算得到。
本发明中半马尔科夫过程的状态持续时间可以满足任意的分布,在进行设备可靠性评估时计及设备状态先验信息,满足电力设备可靠性评估的要求,使设备状态估计结果更加精准。
附图说明
图1为本发明中提供的流程图。
具体实施方式
下面结合具体实施方式和说明书附图对本发明做出详细的说明。
如图1所示,本发明提供了一种基于半马尔科夫过程的电力设备可靠性评估方法,包括以下步骤:
S1、确认设备运行过程状态;本实施例中,设备运行过程状态包括:状态0表示设备正常运行状态,状态1表示注意状态,状态2表示异常状态,状态3表示老化故障状态。
S2、根据半马尔科夫过程,确定设备的状态转移概率矩阵;具体如下:
由于半马尔科夫过程的状态持续时间可以满足任意的分布,本实施例使用状态转移概率矩阵表示设备的状态转移概率,如下:
Figure BDA0002354695180000051
式中,pij表示设备从状态i时转移到状态j的概率,满足
Figure BDA0002354695180000052
若设备初始处于状态j,则在时刻t设备处于状态0、状态1、状态2、状态3的概率分别记为Pj,0(t)、Pj,1(t)、Pj,2(t)、Pj,3(t),设备状态概率以下式求解:
Pj(t)=Pj(t-1)p (3)
式中,Pj(t)=[Pj,0(t),Pj,1(t),Pj,2(t),Pj,3(t)],Pj,j(0)=1。
S3、根据历史状态检测评价记录,确定设备状态观测概率矩阵;
具体如下:
为了便于区别,设定设备真实状态为状态l,状态评价结果为状态θ,在选定的统计时间内,根据同类型设备的历史状态记录,可得设备真实状态为状态l时,状态评价结果为状态θ的统计次数Cl,θ,则当设备真实状态为状态l时,状态评价结果为状态θ的概率gl,θ可按下式进行估计:
Figure BDA0002354695180000061
本实施例,已知设备状态的观测值空间为{状态0,状态1,状态2,状态3},gl,θ为当设备真实状态为状态l时,状态评价结果为状态θ的概率,则反映设备状态评价结果与其真实状态间的概率关系的观测概率矩阵G如下:其中,特殊地,令g3,3=1。
Figure BDA0002354695180000062
S4、获取研究周期初始时刻设备的状态信息;
具体如下:
设备状态评价结果与其真实状态间的概率关系只考虑了设备历史状态评价信息,然而在实际检修决策中,还有一类信息不需要状态检测即可方便获取,即研究周期初始时刻(0时刻)的状态信息(即设备运行或故障),为使当前的状态评价更准确,将该信息考虑至设备可靠性评估中。根据统计资料获取距离上一次状态检测设备已运行时间为tin,距离上一次故障后检修设备已运行时间为tc
根据步骤S2、S3与步骤S4,并通过贝叶斯定理,评估设备各状态概率;具体步骤如下:
令Δtl(l=1,…,nmax)表示第l-1次状态检测和第l次状态检测的间隔时间。在实际应用中,选择设备状态评价结果作为观测值,令αin(l)表示设备经过第l次检测后的状态评价结果,则πl=[πl,0l,1l,2l,3]表示设备经过第l次检测的状态概率。
设备经过状态检测和状态评价后,根据贝叶斯定理,πl,0、πl,1、πl,2、πl,3求解如下公式:
Figure BDA0002354695180000071
Figure BDA0002354695180000072
Figure BDA0002354695180000073
Figure BDA0002354695180000074
式中,γ(πl-1in(l),Δtl)为已知设备先验概率分布πl-1的前提下,状态评价结果为状态αin(l)的概率,求解如下公式:
Figure BDA0002354695180000075
分以下2种情况计算设备当前时刻(0时刻)处于状态i的概率Pi(0)(i=0,1,2,3)。
(1)当tin>tc时,设备当前时刻(0时刻)处于状态i的概率如下式:
Figure BDA0002354695180000076
(2)当tin<tc时,设备当前时刻(0时刻)处于状态i的概率如下式:
在该情况下,可知设备自上一次检测可靠运行至0时刻,可得
Figure BDA0002354695180000077
式中,πβ,0、πβ,1和πβ,2分别表示上一次状态检测之后设备状态评价结果为状态0、状态1和状态2的概率,可根据式(6)-式(8)计算得到。
下面通过具体案例分析来说明本发明。
本案例以变压器可靠性评估为例。已知变压器观测信息见下表1。
表1变压器观测信息
Figure BDA0002354695180000081
取变压器状态转移概率矩阵为:
Figure BDA0002354695180000082
取观测概率矩阵为
Figure BDA0002354695180000083
利用以下2种方法分别计算变压器的初始状态概率,计算结果见表2所示。
方法1:本发明提出的方法。
方法2:仅根据变压器上一次状态评价结果确定变压器状态。
表2、变压器初始状态概率
Figure BDA0002354695180000084
由上表2可知:方法1在进行变压器可靠性评估时计及变压器状态先验信息,得到的评估结果与方法2有明显差别,是由于方法2仅依据单次状态检测诊断变压器所处的状态,但量测误差、噪声等因素使变压器诊断结果过于冒进,可见,本发明将使变压器可靠性评估结果更加精准。
本发明不局限于上述最佳实施方式,任何人应该得知在本发明的启示下作出的结构变化,凡是与本发明具有相同或相近的技术方案,均落入本发明的保护范围之内。

Claims (6)

1.一种基于半马尔科夫过程的电力设备可靠性评估方法,其特征在于,包括以下步骤:
S1、确认设备运行状态;
S2、根据半马尔科夫过程,确定设备的状态转移概率矩阵;
S3、根据历史状态检测评价记录,确定设备状态观测概率矩阵;
S4、获取研究周期初始时刻设备的状态信息;
S5、根据步骤S2、S3与步骤S4,并通过贝叶斯定理,评估设备各状态概率。
2.如权利要求1所述的基于半马尔科夫过程的电力设备可靠性评估方法,其特征在于,所述设备运行状态包括:状态0表示设备正常运行状态,状态1表示注意状态,状态2表示异常状态,状态3表示老化故障状态。
3.如权利要求2所述的基于半马尔科夫过程的电力设备可靠性评估方法,其特征在于,所述步骤S2计算如下:
使用状态转移概率矩阵表示设备的状态转移概率,如下:
Figure FDA0002354695170000011
式中,pij表示设备从状态i时转移到状态j的概率,满足
Figure FDA0002354695170000012
若设备初始处于状态j,则在时刻t设备处于状态0、状态1、状态2、状态3的概率分别记为Pj,0(t)、Pj,1(t)、Pj,2(t)、Pj,3(t),设备状态概率按下式求解:
Pj(t)=Pj(t-1)p (3)
式中,Pj(t)=[Pj,0(t),Pj,1(t),Pj,2(t),Pj,3(t)],Pj,j(0)=1。
4.如权利要求3所述的基于半马尔科夫过程的电力设备可靠性评估方法,其特征在于,所述步骤S3包括步骤:
设定设备真实状态为状态l,状态评价结果为状态θ,在选定的统计时间内,根据同类型设备的历史状态记录,可得设备真实状态为状态l时,状态评价结果为状态θ的统计次数Cl,θ,则当设备真实状态为状态l时,状态评价结果为状态θ的概率gl,θ可按下式进行估计:
Figure FDA0002354695170000021
反映设备状态评价结果与其真实状态间的概率关系的观测概率矩阵G如下:
Figure FDA0002354695170000022
5.如权利要求4所述的基于半马尔科夫过程的电力设备可靠性评估方法,其特征在于,所述步骤S4包括:
获取研究周期初始时刻的设备状态信息,即设备运行或故障,获取距离上一次状态检测设备已运行时间为tin,距离上一次故障后检修设备已运行时间为tc
6.如权利要求4所述的基于半马尔科夫过程的电力设备可靠性评估方法,其特征在于,所述步骤S5包括步骤:
设定πl=[πl,0l,1l,2l,3]表示设备经过第l次检测的状态概率,设备经过状态检测和状态评价后,根据贝叶斯定理,πl,0、πl,1、πl,2、πl,3求解如下公式:
Figure FDA0002354695170000031
Figure FDA0002354695170000032
Figure FDA0002354695170000033
Figure FDA0002354695170000034
其中,Δtl,l=1,…,nmax,为第l-1次状态检测和第l次状态检测的间隔时间;αin(l)表示设备经过第l次检测后的状态评价结果;γ(πl-1in(l),Δtl)为已知设备先验概率分布πl-1的前提下,状态评价结果为状态αin(l)的概率,求解如下公式:
Figure FDA0002354695170000035
分以下2种情况计算设备当前时刻处于状态i的概率Pi(0)(i=0,1,2,3);
(1)当tin>tc时,设备当前时刻处于状态i的概率如下式:
Figure FDA0002354695170000036
(2)当tin<tc时,设备当前时刻处于状态i的概率如下式:
在该情况下,可知设备自上一次检测可靠运行至0时刻,可得
Figure FDA0002354695170000037
式中,πβ,0、πβ,1和πβ,2分别表示上一次状态检测之后设备状态评价结果为状态0、状态1和状态2的概率,可根据式(6)-式(8)计算得到。
CN202010004381.6A 2020-01-03 2020-01-03 一种基于半马尔科夫过程的电力设备可靠性评估方法 Active CN111209954B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010004381.6A CN111209954B (zh) 2020-01-03 2020-01-03 一种基于半马尔科夫过程的电力设备可靠性评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010004381.6A CN111209954B (zh) 2020-01-03 2020-01-03 一种基于半马尔科夫过程的电力设备可靠性评估方法

Publications (2)

Publication Number Publication Date
CN111209954A true CN111209954A (zh) 2020-05-29
CN111209954B CN111209954B (zh) 2023-05-30

Family

ID=70787471

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010004381.6A Active CN111209954B (zh) 2020-01-03 2020-01-03 一种基于半马尔科夫过程的电力设备可靠性评估方法

Country Status (1)

Country Link
CN (1) CN111209954B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114462788A (zh) * 2021-12-31 2022-05-10 浙江大学 一种基于半马尔科夫过程的多状态元件可靠性评估方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017041393A1 (zh) * 2015-09-11 2017-03-16 中国矿业大学 三级马尔科夫模型开关磁阻电机系统可靠性定量评估方法
CN107194476A (zh) * 2017-05-26 2017-09-22 中国南方电网有限责任公司超高压输电公司天生桥局 基于半马尔科夫链的变压器预防老化维修策略制定方法
CN108763654A (zh) * 2018-05-03 2018-11-06 国网江西省电力有限公司信息通信分公司 一种基于威布尔分布和隐半马尔科夫模型的电力设备故障预测方法
CN110568358A (zh) * 2019-09-10 2019-12-13 东南大学盐城新能源汽车研究院 一种基于马尔科夫模型电机系统可靠性定量评估方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017041393A1 (zh) * 2015-09-11 2017-03-16 中国矿业大学 三级马尔科夫模型开关磁阻电机系统可靠性定量评估方法
CN107194476A (zh) * 2017-05-26 2017-09-22 中国南方电网有限责任公司超高压输电公司天生桥局 基于半马尔科夫链的变压器预防老化维修策略制定方法
CN108763654A (zh) * 2018-05-03 2018-11-06 国网江西省电力有限公司信息通信分公司 一种基于威布尔分布和隐半马尔科夫模型的电力设备故障预测方法
CN110568358A (zh) * 2019-09-10 2019-12-13 东南大学盐城新能源汽车研究院 一种基于马尔科夫模型电机系统可靠性定量评估方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
张磐;蒋菱;郁舒雁;王殿蒙;葛磊蛟;: "基于马尔科夫理论的配电系统可靠性算法", 电气应用 *
王勇;韩学山;丁颖;绳洁;: "基于马尔科夫链的电力系统运行可靠性快速评估", 电网技术 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114462788A (zh) * 2021-12-31 2022-05-10 浙江大学 一种基于半马尔科夫过程的多状态元件可靠性评估方法
CN114462788B (zh) * 2021-12-31 2023-10-31 浙江大学 一种基于半马尔科夫过程的多状态元件可靠性评估方法

Also Published As

Publication number Publication date
CN111209954B (zh) 2023-05-30

Similar Documents

Publication Publication Date Title
US9122273B2 (en) Failure cause diagnosis system and method
US7415328B2 (en) Hybrid model based fault detection and isolation system
JP5753286B1 (ja) 情報処理装置、診断方法、およびプログラム
US7403869B2 (en) System state monitoring using recurrent local learning machine
US8260493B2 (en) Health prognosis for complex system using fault modeling
JP5278310B2 (ja) 診断システム
CN104914850B (zh) 基于切换线性动态系统模型的工业过程故障诊断方法
Mao et al. Polymer electrolyte membrane fuel cell fault diagnosis and sensor abnormality identification using sensor selection method
CN108415810A (zh) 一种硬盘状态监控方法和装置
CN110375983A (zh) 基于时间序列分析的阀门故障实时诊断系统及诊断方法
CN110852509A (zh) Igbt模块的故障预测方法、装置及存储介质
CN115495924A (zh) 基于arima模型的mosfet寿命预测方法
CN111209954A (zh) 一种基于半马尔科夫过程的电力设备可靠性评估方法
US20220156586A1 (en) System for monitoring a circuit breaker
Liao et al. Nonparametric and semi-parametric sensor recovery in multichannel condition monitoring systems
CN112016208B (zh) 一种考虑扰动的隐含故障诊断方法及系统
CN105718733A (zh) 基于模糊贴近度和粒子滤波的故障预报方法
KR101505975B1 (ko) 엔진 고장 진단 방법 및 고장 진단 시스템
CN116663136A (zh) 评估船舶推进系统串联结构可靠度置信下限的方法
Dang et al. seq2graph: discovering dynamic dependencies from multivariate time series with multi-level attention
Liao et al. Fault diagnosis of lithium-ion batteries based on wavelet packet decomposition and Manhattan average distance
CN115277294B (zh) 一种差分总线在线健康诊断方法及系统
CN117390459A (zh) 基于模糊信息融合的继电保护硬压板故障诊断方法及系统
Si et al. Prognostics for age-and state-dependent nonlinear degrading systems
Seyedhosseini et al. Direct remaining useful life prediction based on multi-sensor information integrations by using evidence theory

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