CN111476383A - 一种泵站机组状态检修动态决策方法 - Google Patents
一种泵站机组状态检修动态决策方法 Download PDFInfo
- Publication number
- CN111476383A CN111476383A CN202010382430.XA CN202010382430A CN111476383A CN 111476383 A CN111476383 A CN 111476383A CN 202010382430 A CN202010382430 A CN 202010382430A CN 111476383 A CN111476383 A CN 111476383A
- Authority
- CN
- China
- Prior art keywords
- data
- pump station
- station unit
- overhaul
- decision
- 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
Links
- 238000012423 maintenance Methods 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000012549 training Methods 0.000 claims abstract description 26
- 238000012544 monitoring process Methods 0.000 claims abstract description 11
- 238000006243 chemical reaction Methods 0.000 claims abstract description 10
- 238000010606 normalization Methods 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims abstract description 4
- 239000013598 vector Substances 0.000 claims description 21
- 238000007637 random forest analysis Methods 0.000 claims description 13
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 230000008439 repair process Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 4
- 101100063069 Caenorhabditis elegans deg-1 gene Proteins 0.000 claims description 3
- 101100322243 Caenorhabditis elegans deg-3 gene Proteins 0.000 claims description 3
- 238000002790 cross-validation Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 3
- 238000005457 optimization Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000010977 unit operation Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION 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
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION 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
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
- G06Q10/109—Time management, e.g. calendars, reminders, meetings or time accounting
-
- Y—GENERAL 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS 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
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems 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)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种泵站机组状态检修动态决策方法,涉及泵站机组检测技术领域;该方法通过获取泵站机组的多源监测数据,对获取的多源数据进行特征转换得到特征值,并对每个特征值进行均值和方差的归一化处理;设定泵站机组故障预测信息的时间窗口,并针对时间窗口对归一化处理后的数据进行分类标记;在获取采集的原始数据后,结合检测采集系统内置设定阈值,归一化后将数据代入森林模型中进行训练,得到不同时间窗口的故障概率,最后获取得到检修决策。本发明方法可以客观量化的对检修方案进行决策,实现从数据获取到最终检修决策建议的整体端到端智能决策的状态检修方法。
Description
技术领域
本发明涉及泵站机组检测技术领域,尤其涉及泵站机组状态检修动态决策方法。
背景技术
泵站机组为输调水工程的重要动力设备,其可靠性直接影响输调水工程的安全经济运行。现阶段主要采用传统的计划检修以保障机组的安全运行。虽然计划检修是根据经验故障发生的时间间隔制定的,但其也存在一些弊端,主要表现为检修不足和检修过剩。由于泵站机组各设备之间的关系密切,结构复杂,水力、机械、电磁等多因素耦合关系也越来越复杂,加之工作在高温、高速等恶劣条件以及各种随机因素的影响,机组很容易发生各种故障。而传统的计划检修往往存在受检修计划制约而得不到及时检修,带病运行,降低了机组运行安全可靠性,进而由于故障的恶化造成了维修代价、费用增加以及不必要的事故损失。但对于运行状态较好的机组,却由于进行不必要的检修,减少了机组的利用时间,造成人力、物力的浪费,且机组操作、运行方式的变更,致使发生误操作的概率增大,反而带来了不利影响。因此,随着状态监测以及故障诊断技术的不断提高,在保证泵站机组安全运行的前提下,最大限度延长检修周期,以减少机组停机时间、提高利用效率、降低检修费用,提高机组运行可靠性的需求,使得变计划检修为状态检修成为了必然。
然而在泵站机组状态检修工作中,主要集中在两方面,一类主要是开展对泵站设备的状态评价和状态预测,试图利用数据挖掘的方式对当前和未来的泵站机组的机组状态进行分析和预测,得到机组未来的失效路径。而另一类,则是在泵站机组的状态和失效路径已经计算得到且准确,对机组的检修周期和时间进行优化,故障预测阶段和检修优化阶段的割裂导致对检修方法的制定往往非常死板,只能按照目标制定一种方法,不符合现场实际。
因此,有必要提出一种新的状态检修方法,能够融合故障预测信息和检修优化策略,动态的考虑多种检修方案,并评估各种方法的经济损失,实现从数据获取到最终检修决策建议的整体端到端智能决策。
发明内容
本发明的目的在于提供一种用于泵站机组状态检修动态决策方法,从而解决现有技术中存在的前述问题。
为了实现上述目的,本发明采用的技术方案如下:
一种用于泵站机组状态检修动态决策方法,包括以下步骤:
S1,获取泵站机组的多源监测数据,包括泵站振动信号、环境温度以及摆度;
S2,对获取的多源数据进行特征转换得到特征值,并对每个特征值进行均值和方差的归一化处理;
S3,根据实际需求,设定泵站机组故障预测信息的时间窗口,并针对时间窗口对归一化处理后的数据进行分类标记;
S4,在获取采集的原始数据后,结合监测采集系统内置设定阈值,进行归一化,即通过采集数据的最大最小值,将数据缩放到[0,1]之间的数值,然后将所述采集数据,结合该数据时间尺度、时刻点和实际采样数据转化为“时间尺度-时刻点-采集数据”的三维数据,代入深度随机森林模型中,经过多粒度扫描阶段实现特征转换,再经过级联森林结构进行有监督的逐级训练,进而得到不同时间窗口的故障概率,不同窗口故障概率以及数据标记得到检修决策。
优选地,步骤S3中针对时间窗口对归一化处理后的数据进行分类标记具体包括:
根据时间窗口,对归一化的数据进行标记,天、周、月、年窗口分别对应是否异常停机、是否进入临时性检修停机、是否进去小修、是否进入大修,故其数据标记具体可分为五类,第一类为Deg0,表明正常,不需要进行大修;第二类为Deg1,需要安排大修;第三类为Deg2,需要安排小修;第四类为Deg3,需要安排临时性检修;第五类为Deg4,需要立即停机进入异常停机检修态。
优选地,步骤S4具体包括:
S41,对标准归一化后的“时间尺度-时刻点-采集数据”的三维数据,进行多粒度扫描,扫描采用m种不同大小的滑动特征窗口,生成相应维度的训练样本;所述训练样本的个数nw采用如下公式计算;
其中,为滑动特征窗口的大小,各自代表三维滑动特征窗口的长、宽、高,则为与滑动窗口对应的三个方向的滑动步长,nw为滑动特征窗口扫描一个[Y1,Y2,Y3]维特征的三维数据所产生的训练样本的个数,Y1,Y2,Y3为三维数据集的长、宽、高的维度。
S42,用扫描之后生成的训练样本去训练一个随机森林和一个完全随机树森林,分别经过随机森林和完全随机树森林中训练后均会生成该训练样本的一个类分布的类向量;
S43,将同一窗口经过两种森林分别生成的类向量连接起来,作为转换后的特征向量,输入到级联森林结构中,实现逐层特征学习和故障分类;生成的类向量与上一级的转换特征向量连接在一起,作为下一级级联森林的输入;重复上述逐级特征学习的过程,直至k折交叉验证的结果收敛;
S44,在得到预测结果后,最后一级生成的四个C维的类向量即为四个随机森林预测的故障分类的概率值,选择概率最大值作为泵站机组的检修等级,并依此确定泵站机组状态检修决策结论。
本发明的有益效果是:
本发明公开了一种泵站机组状态检修动态决策方法,该方法针对现有机组状态检修将故障预测和检修周期优化人为分割计算导致无法动态决策,检修决策计算结果无法真正实用化问题,提出一种新的能够融合故障预测信息和检修优化策略,客观量化的对检修方案进行决策,实现从数据获取到最终检修决策建议的整体端到端智能决策的状态检修方法。
附图说明
图1是实施例1中提供的融合深度学习故障预测和检修周期优化的泵站机组状态检修动态决策方法流程图;
图2是实施例1中采用的随机森林训练流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施方式仅仅用以解释本发明,并不用于限定本发明。
实施例
本实施例提供了一种泵站机组状态检修动态决策方法,整个方法示意图如图1所示,其目的在于针对现有机组状态检修将故障预测和检修周期优化人为分割计算导致无法动态决策,检修决策计算结果无法真正实用化问题,提出一种新的能够融合故障预测信息和检修优化策略,动态的考虑多种检修方案,并评估各种方法的经济损失,实现从数据获取到最终检修决策建议的整体端到端智能决策的状态检修方法,具体步骤如下:
S1,获取泵站机组的多源监测数据,包括泵站振动信号、环境温度以及摆度;
S2,对获取的多源数据进行特征转换得到特征值,并对每个特征值进行均值和方差的归一化处理;
S3,根据实际需求,设定泵站机组故障预测信息的时间窗口,并针对时间窗口对归一化处理后的数据进行分类标记;
S4,在获取采集的原始数据后,结合监测采集系统内置设定阈值,进行归一化,即通过采集数据的最大最小值,将数据缩放到[0,1]之间的数值,然后将所述采集数据,结合该数据时间尺度、时刻点和实际采样数据转化为“时间尺度-时刻点-采集数据”的三维数据,代入深度随机森林模型中,经过多粒度扫描阶段实现特征转换,再经过级联森林结构进行有监督的逐级训练,进而得到不同时间窗口的故障概率,不同窗口故障概率以及数据标记得到检修决策。
本实施例中,步骤S3中针对时间窗口对归一化处理后的数据进行分类标记具体包括:
根据时间窗口,对归一化的数据进行标记,天、周、月、年窗口分别对应是否异常停机、是否进入临时性检修停机、是否进去小修、是否进入大修,故其数据标记具体可分为五类,第一类为Deg0,表明正常,不需要进行大修;第二类为Deg1,需要安排大修;第三类为Deg2,需要安排小修;第四类为Deg3,需要安排临时性检修;第五类为Deg4,需要立即停机进入异常停机检修态。
本实施例中,步骤S4具体包括:
S41,对标准归一化后的“时间尺度-时刻点-采集数据”的三维数据,进行多粒度扫描,扫描采用m种不同大小的滑动特征窗口,生成相应维度的训练样本;所述训练样本的个数nw采用如下公式计算;
其中,为滑动特征窗口的大小,各自代表三维滑动特征窗口的长、宽、高,则为与滑动窗口对应的三个方向的滑动步长,nw为滑动特征窗口扫描一个[Y1,Y2,Y3]维特征的三维数据所产生的训练样本的个数,Y1,Y2,Y3为三维数据集的长、宽、高的维度。
S42,用扫描之后生成的训练样本去训练一个随机森林和一个完全随机树森林,分别经过随机森林和完全随机树森林中训练后均会生成该训练样本的一个类分布的类向量;
S43,将同一窗口经过两种森林分别生成的类向量连接起来,作为转换后的特征向量,输入到级联森林结构中,实现逐层特征学习和故障分类;生成的类向量与上一级的转换特征向量连接在一起,作为下一级级联森林的输入;重复上述逐级特征学习的过程,直至k折交叉验证的结果收敛;
S44,在得到预测结果后,最后一级生成的四个C维的类向量即为四个随机森林预测的故障分类的概率值,选择概率最大值作为泵站机组的检修等级,并依此确定泵站机组状态检修决策结论。
通过采用本发明公开的上述技术方案,得到了如下有益的效果:
本发明公开了一种泵站机组状态检修动态决策方法,该方法针对现有机组状态检修将故障预测和检修周期优化人为分割计算导致无法动态决策,检修决策计算结果无法真正实用化问题,提出一种新的能够融合故障预测信息和检修优化策略,动态实现检修方案的量化决策,实现从数据获取到最终检修决策建议的整体端到端智能决策的状态检修方法。
以上所述仅是本发明的优选实施方式,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的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视本发明的保护范围。
Claims (3)
1.一种用于泵站机组状态检修动态决策方法,其特征在于,包括以下步骤:
S1,获取泵站机组的多源监测数据,包括泵站振动信号、环境温度以及摆度;
S2,对获取的多源数据进行特征转换得到特征值,并对每个特征值进行均值和方差的归一化处理;
S3,根据实际需求,设定泵站机组故障预测信息的时间窗口,并针对时间窗口对归一化处理后的数据进行分类标记;
S4,在获取采集的原始数据后,结合监测采集系统内置设定阈值,进行归一化,即通过采集数据的最大最小值,将数据缩放到[0,1]之间的数值,然后将所述采集数据,结合该数据时间尺度、时刻点和实际采样数据转化为“时间尺度-时刻点-采集数据”的三维数据,代入深度随机森林模型中,经过多粒度扫描阶段实现特征转换,再经过级联森林结构进行有监督的逐级训练,进而得到不同时间窗口的故障概率,不同窗口故障概率以及数据标记得到检修决策。
2.根据权利要求1所述的用于泵站机组状态检修动态决策方法,其特征在于,步骤S3中针对时间窗口对归一化处理后的数据进行分类标记具体包括:
根据时间窗口,对归一化的数据进行标记,天、周、月、年窗口分别对应是否异常停机、是否进入临时性检修停机、是否进去小修、是否进入大修,故其数据标记具体可分为五类,第一类为Deg0,表明正常,不需要进行大修;第二类为Deg1,需要安排大修;第三类为Deg2,需要安排小修;第四类为Deg3,需要安排临时性检修;第五类为Deg4,需要立即停机进入异常停机检修态。
3.根据权利要求1所述的用于泵站机组状态检修动态决策方法,其特征在于,步骤S4具体包括:
S41,对标准归一化后的“时间尺度-时刻点-采集数据”的三维数据,进行多粒度扫描,扫描采用m种不同大小的滑动特征窗口,生成相应维度的训练样本;所述训练样本的个数nw采用如下公式计算;
其中,为滑动特征窗口的大小,各自代表三维滑动特征窗口的长、宽、高,则为与滑动窗口对应的三个方向的滑动步长,nw为滑动特征窗口扫描一个[Y1,Y2,Y3]维特征的三维数据所产生的训练样本的个数,Y1,Y2,Y3为三维数据集的长、宽、高的维度;
S42,用扫描之后生成的训练样本去训练一个随机森林和一个完全随机树森林,分别经过随机森林和完全随机树森林中训练后均会生成该训练样本的一个类分布的类向量;
S43,将同一窗口经过两种森林分别生成的类向量连接起来,作为转换后的特征向量,输入到级联森林结构中,实现逐层特征学习和故障分类。生成的类向量与上一级的转换特征向量连接在一起,作为下一级级联森林的输入;重复上述逐级特征学习的过程,直至k折交叉验证的结果收敛;
S44,在得到预测结果后,最后一级生成的四个C维的类向量即为四个随机森林预测的故障分类的概率值,选择概率最大值作为泵站机组的检修等级,并依此确定泵站机组状态检修决策结论。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010382430.XA CN111476383B (zh) | 2020-05-08 | 2020-05-08 | 一种泵站机组状态检修动态决策方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010382430.XA CN111476383B (zh) | 2020-05-08 | 2020-05-08 | 一种泵站机组状态检修动态决策方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111476383A true CN111476383A (zh) | 2020-07-31 |
CN111476383B CN111476383B (zh) | 2023-06-02 |
Family
ID=71763086
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010382430.XA Active CN111476383B (zh) | 2020-05-08 | 2020-05-08 | 一种泵站机组状态检修动态决策方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111476383B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112650765A (zh) * | 2020-12-30 | 2021-04-13 | 湖北文理学院 | 工位故障的判断方法、装置、设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108241873A (zh) * | 2018-01-10 | 2018-07-03 | 中国水利水电科学研究院 | 一种面向泵站主设备的智能故障诊断方法 |
CN108343599A (zh) * | 2018-01-10 | 2018-07-31 | 中国水利水电科学研究院 | 一种基于多粒度级联森林的水泵机组智能故障诊断方法 |
US20190094286A1 (en) * | 2017-09-26 | 2019-03-28 | Siemens Aktiengesellschaft | Method and apparatus for automatic localization of a fault |
CN110375987A (zh) * | 2019-06-24 | 2019-10-25 | 昆明理工大学 | 一种基于深度森林机械轴承故障检测方法 |
-
2020
- 2020-05-08 CN CN202010382430.XA patent/CN111476383B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190094286A1 (en) * | 2017-09-26 | 2019-03-28 | Siemens Aktiengesellschaft | Method and apparatus for automatic localization of a fault |
CN108241873A (zh) * | 2018-01-10 | 2018-07-03 | 中国水利水电科学研究院 | 一种面向泵站主设备的智能故障诊断方法 |
CN108343599A (zh) * | 2018-01-10 | 2018-07-31 | 中国水利水电科学研究院 | 一种基于多粒度级联森林的水泵机组智能故障诊断方法 |
CN110375987A (zh) * | 2019-06-24 | 2019-10-25 | 昆明理工大学 | 一种基于深度森林机械轴承故障检测方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112650765A (zh) * | 2020-12-30 | 2021-04-13 | 湖北文理学院 | 工位故障的判断方法、装置、设备及存储介质 |
CN112650765B (zh) * | 2020-12-30 | 2023-05-23 | 湖北文理学院 | 工位故障的判断方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111476383B (zh) | 2023-06-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110288136B (zh) | 风电功率多步预测模型建立方法 | |
CN109297689B (zh) | 一种引入权重因子的大型水力机械智能诊断方法 | |
CN109489977B (zh) | 基于KNN-AdaBoost的轴承故障诊断方法 | |
CN102498445A (zh) | 用于机器状态监测的、使用规则生成的样本的监督故障学习 | |
CN102340811A (zh) | 无线传感器网络故障诊断方法 | |
CN103699698A (zh) | 一种基于改进贝叶斯的轨道交通故障识别方法及系统 | |
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 | |
CN103631681A (zh) | 一种在线修复风电场异常数据的方法 | |
CN114856941A (zh) | 海上风电场及机组故障诊断运维系统及其诊断运维方法 | |
CN104777827A (zh) | 高速铁路信号系统车载设备故障诊断方法 | |
CN116308304B (zh) | 基于元学习概念漂移检测的新能源智慧运维方法及系统 | |
CN104506137A (zh) | 一种设备故障诊断方法和装置 | |
CN108734359B (zh) | 一种风电功率预测数据预处理方法 | |
CN116992346A (zh) | 一种基于人工智能大数据分析的企业生产数据处理系统 | |
CN117354171B (zh) | 基于物联网平台的平台健康状况预警方法及系统 | |
CN111476383A (zh) | 一种泵站机组状态检修动态决策方法 | |
CN112734141B (zh) | 一种多元化负荷区间预测方法及装置 | |
CN111753653B (zh) | 基于注意力机制的高铁接触网紧固件识别与定位方法 | |
CN117521498A (zh) | 一种充电桩引导式故障诊断预测方法及系统 | |
CN112508278A (zh) | 一种基于证据回归多模型的多联供系统负荷预测方法 | |
CN114167837B (zh) | 一种铁路信号系统的智能故障诊断方法及系统 | |
CN115374829A (zh) | 一种基于深度学习的轴承故障诊断方法及系统 | |
CN114065651A (zh) | 一种用于旋转类设备的故障时间预测方法 | |
CN114154567A (zh) | 一种基于机器学习的风电场站运行数据异常识别方法 | |
CN116796617A (zh) | 基于数据标识的滚动轴承设备剩余寿命预测方法及系统 |
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 |