CN111597223A - 故障预警处理方法、装置及系统 - Google Patents
故障预警处理方法、装置及系统 Download PDFInfo
- Publication number
- CN111597223A CN111597223A CN202010281394.8A CN202010281394A CN111597223A CN 111597223 A CN111597223 A CN 111597223A CN 202010281394 A CN202010281394 A CN 202010281394A CN 111597223 A CN111597223 A CN 111597223A
- Authority
- CN
- China
- Prior art keywords
- working condition
- historical
- real
- value
- vector
- 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.)
- Pending
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 25
- 239000013598 vector Substances 0.000 claims abstract description 209
- 238000000034 method Methods 0.000 claims abstract description 66
- 238000012545 processing Methods 0.000 claims description 32
- 230000008859 change Effects 0.000 claims description 18
- 238000003860 storage Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 15
- 238000004458 analytical method Methods 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 9
- 238000001514 detection method Methods 0.000 claims description 8
- 238000007689 inspection Methods 0.000 claims description 4
- 239000003245 coal Substances 0.000 description 22
- 238000010586 diagram Methods 0.000 description 13
- 238000005516 engineering process Methods 0.000 description 13
- 230000008569 process Effects 0.000 description 13
- 230000006870 function Effects 0.000 description 9
- 230000006872 improvement Effects 0.000 description 8
- 230000032683 aging Effects 0.000 description 7
- 238000012360 testing method Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 6
- 238000011160 research Methods 0.000 description 6
- 230000008878 coupling Effects 0.000 description 5
- 238000010168 coupling process Methods 0.000 description 5
- 238000005859 coupling reaction Methods 0.000 description 5
- 238000003745 diagnosis Methods 0.000 description 5
- 230000007774 longterm Effects 0.000 description 5
- 238000005065 mining Methods 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 230000003068 static effect Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000015556 catabolic process Effects 0.000 description 3
- 238000006731 degradation reaction Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 229910001651 emery Inorganic materials 0.000 description 1
- 238000005530 etching Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000011425 standardization method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- 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
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/20—Drawing from basic elements, e.g. lines or circles
- G06T11/203—Drawing of straight lines or curves
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Databases & Information Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Fuzzy Systems (AREA)
- General Engineering & Computer Science (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明实施例提供了一种故障预警处理方法、装置及系统,其中方法包括:基于历史工况观测值,构建由若干第一向量组成的第一向量集合;每个第一向量由辅机设备对应的多个变量在一个历史运行状态的历史工况观测值构成;基于实时工况观测值,构建由若干第二向量组成的第二向量集;每个第二向量由辅机设备对应的多个变量在一个实时运行状态的实时工况观测值构成;根据第一向量集合和第二向量集合,确定辅机设备的多个变量分别在多个实时运行状态的工况预测值;根据确定出的工况预测值,确定辅机设备是否存在故障。本实施例中,通过根据历史工况观测值和实时工况观测值,确定出工况预测值,从而根据工况预测值预期出设备的运行状态,做出故障预警。
Description
技术领域
本申请涉及计算机技术领域,尤其涉及一种故障预警处理方法、装置及系统。
背景技术
当前,火电机组朝大容量、多参数、强耦合的方向发展,相应地,机组的辅机设备(如磨煤机、给水泵、送风机、引风机等)也趋向于复杂化、大型化,并对于提供稳定的电能质量占据越来越大的话语权。一旦辅机设备发生故障并得不到及时的检修,不仅影响发电效率和质量,降低企业的经济效益,更有甚者会造成安全事故。
故障预测方法应生产实际的要求,发展迅速,种类繁多,大致可以分为数值分析预测法、现代模型预测法以及基于人工智能的预测法。各类预测法各有利弊,归纳如下:
数值分析预测法,包括最小二乘、主元分析、回归预测等,需要基于大量的历史数据来建立分析模型,而面对出现极端值或者缺失值时,可能会导致性能降低甚至错误。
现代模型预测法,主要指基于时间序列模型以及灰色预测模型预测故障。前者适合预测短期情况,而对长期预测或具有波动特性的情况预测效果不佳;后者可以实现在信息不丰富的情况下的预测,但是长期预测效果依旧不理想。
基于人工智能的预测法,包括基于神经网络、支持向量机等进行故障预测,具有很强的非线性处理能力、自学习能力,但是存缺陷在于需要对大量的参数寻优且难以复刻,容易陷入局部最优解等问题。
辅机设备规模大、干扰强、耦合多,难以建立统一精确的数学期望模型,传统基于模型的预警方法受到阻碍,而人工智能的方法维护成本高、调试难度大,在现场的应用中效果不太理想。基于现有技术存在的诸多问题,亟需提供一种故障预警处理方法,能够解决在面对长期预测和出现波动值时,依然给出准确预测的问题。
发明内容
由于现有方法存在上述问题,本发明实施例提出一种故障预警处理方法、装置、系统及存储介质。
具体地,本发明实施例提供了以下技术方案:
第一方面,本发明实施例提供了一种故障预警处理方法,包括:
基于历史工况观测值,构建由若干第一向量组成的第一向量集合;每个第一向量由辅机设备对应的多个变量在一个历史运行状态的历史工况观测值构成;所述历史工况观测值,是所述辅机设备历史正常运行的情况下,在指定历史时间长度内对所述辅机设备进行工况检测得到的;
基于实时工况观测值,构建由若干第二向量组成的第二向量集合;每个第二向量由辅机设备对应的多个变量在一个实时运行状态的实时工况观测值构成;所述实时工况观测值,是在指定的当前时间长度内对所述辅机设备进行工况检测得到的;
根据所述第一向量集合和所述第二向量集合,确定所述辅机设备的多个变量分别在多个实时运行状态的工况预测值;
根据确定出的所述工况预测值,确定所述辅机设备是否存在故障。
进一步地,所述基于历史工况观测值,构建由若干第一向量组成的第一向量集合,包括:
获取在指定时间长度内的所述历史工况观测值,形成历史数据集合;
根据所述辅机设备的多个变量在历史运行状态的历史工况观测值的平稳状态,对所述历史数据集合进行划分,得到平稳历史观测集合和非平稳历史观测值集合;
对所述划分得到的平稳历史观测集合和非平稳历史观测值集合,分别构建对应的第一向量集合。
进一步地,所述根据所述辅机设备的多个变量在历史运行状态的历史工况观测值的平稳状态,对所述历史数据集合进行划分,得到平稳历史观测集合和非平稳历史观测值集合,包括:
根据所述历史数据集合中的每一列的最小值和最大值,对所述每一列进行归一化处理;
根据所述归一化处理的结果,利用最小二乘方法估计式进行平稳状态检验;
根据所述平稳状态检验的结果,将所述历史数据集合划分为平稳历史观测集合和非平稳历史观测值集合。
进一步地,所述根据所述第一向量集合和所述第二向量集合,确定所述辅机设备的多个变量分别在多个实时运行状态的工况预测值,包括:
根据所述第一向量集合,得到所述第一向量集合的转置矩阵;
根据所述第一向量集合、所述转置矩阵以及所述第二向量集合,得到所述实时工况观测值对应的权值矩阵;
根据所述第一向量集合和所述权值矩阵,确定所述第二向量集合中多个变量分别在多个实时运行状态的工况预测值。
进一步地,所述根据确定出的所述工况预测值,确定所述辅机设备是否存在故障,包括:
根据所述第二向量集合中多个变量的实时工况观测值以及对应的所述工况预测值,确定多个实时运行状态的所述实时工况观测值与所述工况预测值的相似度值,得到相似度值集合;
基于所述相似度值集合,确定所述辅机设备是否存在故障,并得到预警结果。
进一步地,所述基于实时工况观测值,构建由若干第二向量组成的第二向量集合,还包括:
基于更新的实时工况观测值所对应的第二向量,确定所述更新的实时观测值所对应的第二向量与所述第二向量集合中的已有的第二向量的距离;
若更新的实时工况观测值所对应的第二向量与所述第二向量集合中已有的第二向量的距离均超过阈值,则将更新的实时工况观测值所对应的第二向量录入到所述第二向量集合;
若所述第二向量集合中已有的第二向量中存在一个第二向量与更新的实时工况观测值所对应的第二向量的距离小于阈值,则不录入所述更新的实时工况观测值。
进一步地,所述方法还包括:
根据所述确定的相似度值集合,生成所述实时观测值与所述预测值的相似度值的变化曲线。
第二方面,本发明实施例还提供了一种故障预警处理装置,包括:
第一生成模块,用于基于历史工况观测值,构建由若干第一向量组成的第一向量集合;每个第一向量由辅机设备对应的多个变量在一个历史运行状态的历史工况观测值构成;所述历史工况观测值,是所述辅机设备历史正常运行的情况下,在指定历史时间长度内对所述辅机设备进行工况检测得到的;
第二生成模块,用于基于实时工况观测值,构建由若干第二向量组成的第二向量集合;每个第二向量由辅机设备对应的多个变量在一个实时运行状态的实时工况观测值构成;所述实时工况观测值,是在指定的当前时间长度内对所述辅机设备进行工况检测得到的;
处理模块,用于根据所述第一向量集合和所述第二向量集合,确定所述辅机设备的多个变量分别在多个实时运行状态的工况预测值;
分析模块,用于根据确定出的所述工况预测值,确定所述辅机设备是否存在故障。
第三方面,本发明实施例还提供了一种故障预警处理系统,包括:
数据库,用于存储辅机设备的历史工况观测值和实时工况观测值;
处理器,与所述数据库相连接,用于实现以上任一项所述的故障预警处理方法;
用户终端,与所述处理器连接,用于显示所述数据库中存储的数据,以及所述处理器确定的相似度值和相似度变化曲线。
第四方面,本发明实施例还提供了一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序在被执行时实现如第一方面所述的故障预警处理方法的步骤。
由上述技术方案可知,本发明实施例提供的故障预警处理方法、装置、系统,针对由于设备老化、外界干扰等因素造成的信号非平稳的问题,通过对平稳与非平稳状态加以区分,实现在不同过程的同一状态的识别;同时,基于相似度的预警方法,对大量历史数据的挖掘分析,尤其是对具有强耦合、大容量的数据,可以将之拟合成一条反应运行状态优劣的曲线,通过该曲线可以从侧面反应所选历史数据不同阶段的正常态的等级,虽然同处正常工况,但是不同的基准线反映了不同的设备状况。
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中记载的一些实施例,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是本发明一实施例提供的故障预警处理方法的流程图;
图2是本发明一实施例提供的磨煤机给煤量的变化曲线图;
图3是本发明一实施例提供的磨煤机出口温度的工况预测值的示意图;
图4是本发明一实施例提供的磨煤机出口温度的实时工况观测值与工况预测值偏差的示意图;
图5是本发明一实施例提供的故障预警处理方法计算得到的磨煤机出口温度相似度变化曲线的示意图;
图6是本发明一实施例提供的故障预警处理装置的结构示意图;
图7是本发明一实施例提供的故障预警处理系统的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明中的技术方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都应当属于本申请保护的范围。
前人针对不同对象、领域的故障预警做出了相应的研究。国外学者主要着眼于方法技术或研究对象的研究开拓。美国ELECTRIC POWER RES INST INC开发了一种汽轮机早期预警的监视器。墨西哥学者Ramirez-Nino.J介绍了电厂发电机组在线故障诊断监测网络,并对监测系统的配置、发电机组内部工作物理运行状况相关的测量变量、传感器的使用、波形的分析方法作了详尽介绍。美国学者Emery.F.T.开发了电厂的发电机在线的监测与诊断系统,实现了在线的故障预警与诊断技术。Amari,Suprasad V等人采用马尔科夫链,研究了一种设备性能指标的闭环分析方法和不连续劣化系统的检测系统。美国的Bickford,Randall等人应用人工智能技术和统计技术建立设备的高保真模型,采用多变量状态评价技术和相关的故障检验计算法则进行在线信号确认和状态预测,分析了设备的劣化趋势,诊断设备故障保证了核电厂有效、高效、安全的运行。国内学者则涉猎于数个特定领域的研究。大连理工大学何亮等提出了基于EMD一样本嫡的早期故障信号降噪方法经验证可以准确地提取滚动轴承早期故障特征。华中科技大学的李超顺在汽轮机故障检测中提出了一种加权混沌优化FCM(WCOFCM)算法,该方法能够对汽轮机的振动进行很好的判断。上海交通大学张曦在捕获汽轮发电机组监控过程变量之间的非线性关系上,提出Fisher子空间特征提取的新方法。绍兴文理学院的乔晓利在汽轮机发电机组故障诊断中应用了模糊相似度法,结果表明:该方法在汽轮机发电机组故障诊断中是可行的。华中理工大学的韩西京提出了基于专家系统的故障诊断技术,应用在汽轮机发电机组上取得了明显的效果。
辅机设备的正常运行关系到整个火电机组的运转效率,实现针对主要辅机设备如磨煤机、给水泵、送风机、引风机等的故障预测,提前预知故障的发生,可以方便现场人员的维护与调控,无形中提高了企业的效益。
本发明面向火电机组的主要辅机设备,结合现场实际以及当前的研究成果,提出了基于相似度分析的故障预警方法。此外,针对变工况、外界干扰等情况导致一些变量出现非平稳趋势,即这些变量的均值、方差随着时间变化,通过ADF检验划分不同的模型组,分别就平稳序列以及非平稳序列进行独立的相似度分析。
图1示出了本发明一实施例提供的故障预警处理方法的流程图,如图1所示,本发明实施例提供的故障预警处理方法,具体包括如下内容:
步骤101:基于历史工况观测值,构建由若干第一向量组成的第一向量集合;每个第一向量由辅机设备对应的多个变量在一个历史运行状态的历史工况观测值构成;历史工况观测值,是辅机设备历史正常运行的情况下,在指定历史时间长度内对辅机设备进行工况检测得到的;
步骤102:基于实时工况观测值,构建由若干第二向量组成的第二向量集合;每个第二向量由辅机设备对应的多个变量在一个实时运行状态的实时工况观测值构成;实时工况观测值,是在指定的当前时间长度内对辅机设备进行工况检测得到的;
步骤103:根据第一向量集合和第二向量集合,确定辅机设备的多个变量分别在多个实时运行状态的工况预测值;
步骤104:根据确定出的工况预测值,确定辅机设备是否存在故障。
本实施例中,获取的辅机设备数据需要满足以下要求:
(1)属于辅机设备正常运行时的工况数据;
(2)数据量要涵盖一段足够长的时间;
(3)数据特点足够丰富,包括不同工况下的数据。
上述实施例中,辅机设备例如包括磨煤机、给水泵、送风机、引风机等。针对磨煤机设备,选择磨煤机电流、磨进出口差压、给煤机给煤量、磨出口风压、磨加载油压、磨入口一次风量、磨出口温度、机组负荷和磨入口一次风温九个变量,检索数据库中存储符合要求的一段足够长时间段的正常态数据。
本实施例中,通过基于历史工况观测值和实时工况观测值,分别构建由若干第一向量组成的第一向量集合和由若干第二向量组成的第二向量集合,然后根据构建得到的第一向量集合和第二向量集合,确定辅机设备的多个变量在多个实时运行状态的工况预测值,再根据确定出的工况预测值,确定辅机设备是否存在故障。本实施例根据历史工况观测值和实时工况观测值,可以确定出实时运行状态的工况预测值,然后根据所确定出的工况预测值可对辅机设备的实时工况观测值进行评判,从而判断出辅机设备的每个变量的实时工况观测值是否存在异常,并基于判断结果,确定辅机设备是否存在故障。本实施例的故障预警处理方法,可以自动预知故障的发生,方便现场人员的维护与调控,保证了辅机设备的安全生产。
进一步地,基于上述实施例的内容,基于历史工况观测值,构建由若干第一向量组成的第一向量集合,包括:
获取在指定时间长度内的历史工况观测值,形成历史数据集合;
根据辅机设备的多个变量在历史运行状态的历史工况观测值的平稳状态,对历史数据集合进行划分,得到平稳历史观测值集合和非平稳历史观测值集合;
对划分得到的平稳历史观测集合和非平稳历史观测值集合,分别构建对应的第一向量集合。
具体地,获取辅机设备在指定时间长度内的历史工况观测值形成一个历史数据集合X∈Rn×m,其中,n表示采集的每一时刻的样本,m代表该辅机设备所涉及的变量,本实施例中m为9。
辅机设备通常面临多种复杂的环境与考验,设备老化、外界干扰、负荷变化等因素会使得变量信号处于非平稳状态,但是依旧属于正常运行的范畴,一般的故障检测方法容易给出误判结果,如图2示出了磨煤机给煤量的变化曲线,其前半段和后半段处于非平稳状态,而中间段处于平稳状态,但是对于磨煤机都是正常运行的不同表现,所以,为避免误判,需要对形成的历史数据集合X∈Rn×m进行划分,得到由平稳变量的历史工况观测值构成的平稳历史观测值集合Xs∈Rn×d和由非平稳变量的历史工况观测值构成的非平稳历史观测值集合Xns∈Rn×k,其中,d+k=m。
对划分得到的平稳历史观测值集合和非平稳历史观测值集合,可以采用相同的建模方法,分别构建对应的第一向量集合,其差异在于,表征同一组变量的数据集在平稳态和非平稳态具有不同的表现形式。例如,对平稳历史观测值集合建模,得到由h个第一向量组成的第一向量集合,其中,每个第一向量由辅机设备的多个变量在一个历史平稳运行状态的历史工况观测值构成;对非平稳历史观测值集合建模,得到由z个第一向量组成的第一向量集合,其中,每个第一向量由辅机设备的多个变量在一个历史非平稳运行状态的历史工况观测值构成;历史时间长度值T=h+z。
本实施例中,以平稳历史观测值集合作为建模示例。
假设磨煤机设备具有h个状态,而每个状态由d个变量的历史工况观测值表示,则给定时间点tj处的第一向量表示为:
Xs(tj)=[x1(tj),x2(tj),…xd(tj)]
其中,xi(tj)表示变量i在时刻tj处的历史工况观测值。由此可建立由若干个第一向量组成的第一向量集合,即为模型静态库:
其中,对于模型静态库的d个变量所对应的观测值是在历史一段时间内采集的辅机设备的d个变量对应的历史工况观测值。
根据辅机设备的d个变量在指定的当前时间长度内的实时工况观测值,更新上述模型静态库,以得到由h个第二向量组成的第二向量集合。
具体地,上述第一向量集合即为假设的库结构,需要根据实时获取的辅机设备的多个变量在不同时刻的实时工况观测值,对第一向量集合进行更新,从而得到由h个第二向量组成的第二向量集合。指定的当前时间长度可以与历史时间长度组成一个自然连续的时间长度,例如,历史时间长度为2019年1月1日至2019年6月30日,当前时间长度为2019年7月1日至2019年10月31日,此时,在基于当前时间长度内的实时工况观测值对在历史时间长度内的历史工况观测值形成的第一向量集合进行更新时,可以为按照天为单位,依次将当前时间长度内的实时工况观测值按照数据的时间顺序输入到第一向量集合中,在输入新的实时工况观测值时,可以选择替换第一向量集合中的历史时间最早的第一向量,从而保证所最终形成的第二向量集合中的若干个第二向量按照时间顺序规律排列。
在本实施例中,对历史数据集合,先根据变量在指定的历史时间长度内的历史公开观测值的平稳状态,得到平稳历史观测值集合和非平稳历史观测值集合,再对得到的得到平稳历史观测值集合和非平稳历史观测值集合采用相同的建模方法分别建模,得到由辅机设备的多个变量在的指定历史时间长度内的历史工况观测值第一向量集合,然后将当前指定时间长度内的实时工况观测值更新到第一向量集合中,得到第二向量集合。本实施例针对由于设备老化、外界干扰等因素造成的信号非平稳的问题,通过对平稳状态数据与非平稳状态数据加以区分,实现在不同过程的同一状态的识别。避免对非平稳状态的实时工况观测值进行误判,影响辅机设备的整体平稳运行。
进一步地,基于上述实施例的内容,根据辅机设备的多个变量在历史运行状态的历史工况观测值的平稳状态,对历史数据集合进行划分,得到平稳历史观测集合和非平稳历史观测值集合,包括:
根据历史数据集合中的每一列的最小值和最大值,对所述每一列进行归一化处理;
根据归一化处理的结果,利用最小二乘方法估计式进行平稳状态检验;
根据平稳状态检验的结果,将历史数据集合划分为平稳历史观测集合和非平稳历史观测值集合。
对所有数据进行预处理,由于不同变量的量纲不同,其在计算时的特性不同,为保证使用正确衡量不同变量间的相关关系,需要首先对多个历史运行状态的历史工况观测值进行归一化处理,此处使用min-max标准化方法,计算公式如下:
其中,min1≤j≤nxj表示历史数据集合中每一列的最小值,max1≤j≤nxj表示历史数据集合中每一列的最大值,xi表示要进行标准化处理的一列,yi表示与xi相对应的标准化处理后的值。假设归一化后的数据构成的历史数据集合依旧用X∈Rn×m表示。
对归一化处理后的历史数据集合进行平稳状态检验(ADF),假设xt∈Rn×1是x中的任一列,即某一变量的时间序列,则ADF检验方程如下:
Δxt=γxt-1+θ1Δxt-1+θ2Δxt-2+…+θp-1Δxt-p+1+μ+et (2)
其中,Δxt是序列xt的差分项,则,Δxt=xt-xt-1;γ,θ1…θp-1是常数,xt-1是序列xt的一阶滞后项,μ为常变量,et为随机误差。计算时,先利用最小二乘方法估计式(2),ADF检验即检验式(2)中的系数γ,利用γ的t统计量,根据不同的显著性水平,判断其是否超过临界值,如果超过则表示该检验的变量属于非平稳状态,相反则为平稳状态。
在对归一化处理后的历史数据集合中m个变量都通过检验后,分别形成由平稳变量构成的平稳历史观测值集合Xs∈Rn×d,以及由非平稳变量构成的非平稳历史观测值集合Xns∈Rn×k,其中,d+k=m。
上述实施例中,辅机设备通常面临多种复杂的环境与考验,设备老化、外界干扰、负荷变化等因素会使得变量信号处于非平稳状态,但是依旧属于正常运行的范畴,一般的故障检测方法容易给出误判结果,如图2示出了磨煤机给煤量的变化曲线,其前半段和后半段处于非平稳阶段,而中间段处于平稳状态,但是对于磨煤机都是正常运行的不同表现,所以,为避免误判,对获取的历史数据集合X∈Rn×m,利用最小二乘方法估计式进行平稳性检测,将历史数据集合划分由平稳变量构成的平稳历史观测值集合Xs∈Rn×d和由非平稳变量构成的非平稳历史观测值集合Xns∈Rn×k,其中,d+k=m。对划分得到的数据集合分别处理,可以避免对辅机设备的正常运行状态的误判,提高故障预警的准确性。
进一步地,基于上述实施例的内容,根据第一向量集合和第二向量集合,确定辅机设备的多个变量分别在多个实时运行状态的工况预测值,包括:
根据第一向量集合,得到第一向量集合的转置矩阵;
根据第一向量集合、转置矩阵以及第二向量集合,得到实时工况观测值对应的权值矩阵;
根据第一向量集合和权值矩阵,确定第二向量集合中多个变量分别在多个实时运行状态的工况预测值。
具体地,假设,Xnew表示第二向量集合,为由辅机设备在h个实时运行状态时对d个变量的实时工况观测值组成,即
其中,xnew_i表示变量i在不同时刻(不同运行状态)的实时工况观测值。
则,计算第二向量集合的权值矩阵如下:
得到权值矩阵之后,即可估算出当前状态:
其中,xest_i表示变量i在不同时刻的工况预测值。
针对磨煤机出口温度的预测结果如图3所示。图4则代表了实时工况观测值与工况预测值的偏差,由图中可以看出,预测偏差大致分布于-0.2至0.6之间,精确度高。
进一步地,基于上述实施例的内容,根据确定出的工况预测值,确定辅机设备是否存在故障,包括:
根据第二向量集合中多个变量的实时工况观测值以及对应的工况预测值,确定多个实时运行状态的实时工况观测值与工况预测值的相似度值,得到相似度值集合;
基于相似度值集合,确定辅机设备是否存在故障,并得到预警结果。
具体地,故障预警即当所计算得到的工况预测值与实时工况观测值的相似度低于某一水平时,说明即将发生故障。
进一步地,基于上述实施例的内容,基于相似度值集合,确定辅机设备是否存在故障,并得到预警结果,包括:
基于相似度值集合,选取集合中正常运行状态的最小相似度值作为预警阈值;
若第二向量集合的实时工况观测值与对应实时运行状态的工况预测值的相似度低于预警阈值,则确定为发生故障。
计算辅机设备在正常运行时的相似度:
其中,表示第i个变量的一维向量的均值,表示第i个预测变量的一维向量的均值,根据计算得到的p值,取所有正常状态的相似度值中的最小值作为预警阀值。当超过这一阀值时,表明预期依旧处于正常态,当低于这一阀值时,说明预测即将发生故障。
由上述实施例可知,本发明实施例提供的故障预警处理方法,针对由于设备老化、外界干扰等因素造成的信号非平稳的问题,通过对平稳与非平稳变量加以区分,实现在不同过程的同一状态的识别;同时,基于相似度的预警方法,对大量历史数据的挖掘分析,尤其是对具有强耦合、大容量的数据,可以基于对历史数据挖掘所得到的第一向量集合,通过更新入实时数据,得到第二向量集合,再结合对第一向量集合进行转置计算得到的权值矩阵,得到第二向量集合中各个变量的工况预测值,计算实时工况观测值与预测值之间的相似度,并将相似度值最小的作为故障预警阈值,实现了基于历史数据对辅机设备的短期和长期运行状态预测,提前预知故障的发生,可以方便现场人员的维护与调控,保证了辅机设备的安全生产。
进一步地,基于上述实施例的内容,基于实时工况观测值,构建由若干第二向量组成的第二向量集合,还包括:
基于更新的实时工况观测值所对应的第二向量,确定更新的实时观测值所对应的第二向量与第二向量集合中的已有的第二向量的距离;
若更新的实时工况观测值所对应的第二向量与第二向量集合中已有的第二向量的距离均超过阈值,则将更新的实时工况观测值所对应的第二向量录入到第二向量集合;
若第二向量集合中已有的第二向量中存在一个第二向量与更新的实时工况观测值所对应的第二向量的距离小于阈值,则不录入更新的实时工况观测值。
具体地,通过以下步骤对第二向量集合进行更新:
(1)输入更新的一个实时运行状态的实时工况观测值,形成更新的第二向量;
(2)将形成的更新的第二向量与第二向量集合中已有的第二向量比较距离,如果更新的第二向量与第二向量集合中的所有已有的第二向量的距离都超过阀值,则将更新的第二向量按照时间顺序录入第二向量集合中生成更新的第二向量集合,如果存在一个已有的第二向量与更新的第二向量的距离小于阀值,则不将更新的第二向量录入第二向量集合中。
表示辅机设备在时刻对各进一步地,基于上述实施例的内容,故障预警处理方法还包括:
根据确定的相似度值集合,生成实时工况观测值与工况预测值的相似度值的变化曲线。
具体地,相似度变化曲线计算公式如下:
本实施例中计算得到的磨煤机温度相似度曲线如图5所示。
上述实施例中,通过利用相似度计算公式计算的相似度值绘制的变化曲线,可以更直观地显示磨煤机温度的实时工况观测值与工况预测值的相似度关系,可以通过曲线变化趋势观察分析辅机设备的运行状态,从而更有效地进行预警。
图6示出了本发明实施例提供的故障预警处理装置的结构示意图。如图6所示,本发明实施例提供的故障预警处理装置,包括:
第一生成模块601,用于基于历史工况观测值,构建由若干第一向量组成的第一向量集合;每个第一向量由辅机设备对应的多个变量在一个历史运行状态的历史工况观测值构成;历史工况观测值,是辅机设备历史正常运行的情况下,在指定历史时间长度内对辅机设备进行工况检测得到的;
第二生成模块602,用于基于实时工况观测值,构建由若干第二向量组成的第二向量集合;每个第二向量由辅机设备对应的多个变量在一个实时运行状态的实时工况观测值构成;实时工况观测值,是在指定的当前时间长度内对辅机设备进行工况检测得到的;
处理模块603,用于根据第一向量集合和第二向量集合,确定辅机设备的多个变量分别在多个实时运行状态的工况预测值;
分析模块604,用于根据确定出的工况预测值,确定辅机设备是否存在故障。
在本实施例中,通过基于历史工况观测值和实时工况观测值,分别构建由若干第一向量组成的第一向量集合和由若干第二向量组成的第二向量集合,然后根据构建得到的第一向量集合和第二向量集合,确定辅机设备的多个变量在多个实时运行状态的工况预测值,再根据确定出的工况预测值,确定辅机设备是否存在故障。本实施例根据历史工况观测值和实时工况观测值,可以确定出实时运行状态的工况预测值,然后根据所确定出的工况预测值可对辅机设备的实时工况观测值进行评判,从而判断出辅机设备的每个变量的实时工况观测值是否存在异常,并基于判断结果,确定辅机设备是否存在故障。本实施例的故障预警处理方法,可以自动预知故障的发生,方便现场人员的维护与调控,保证了辅机设备的安全生产。
由于本实施例提供的故障预警处理装置,可以用于执行上述实施例提供的故障预警处理方法,其工作原理和有益效果类似,此处不再详述。
基于相同的发明构思,本发明又一实施例提供了一种故障预警处理系统,参见图7,上述故障预警处理系统具体包括如下内容:
数据库701,用于存储辅机设备的历史工况观测值和实时工况观测值;
处理器702,与上述数据库701相连接,用于实现上述实施例的故障预警处理方法;
终端703,与上述处理器702连接,用于显示上述数据库701中存储的数据,以及上述处理器702确定的相似度值和相似度变化曲线。
在本实施例中,通过数据库701,用于存储辅机设备的历史工况观测值和实时工况观测值;处理器702,与上述数据库701相连接,用于实现上述实施例的故障预警处理方法;终端703,与上述处理器702连接,用于显示上述数据库701中存储的数据,以及上述处理器702确定的相似度值和相似度变化曲线,能够针对由于设备老化、外界干扰等因素造成的信号非平稳的问题,通过对平稳与非平稳变量加以区分,实现在不同过程的同一状态的识别。用户终端可以更直观地显示磨煤机温度的实时工况观测值与工况预测值的相似度关系,可以通过曲线变化趋势观察分析辅机设备的运行状态,从而更有效地进行预警。
由于本实施例提供的故障预警处理系统,可以用于执行上述实施例提供的故障预警处理方法,其工作原理和有益效果类似,此处不再详述。
基于相同的发明构思,本发明又一实施例提供了一种非暂态计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被执行时实现上述故障预警处理方法的全部步骤,例如,上述计算机程序被执行时实现下述步骤:基于历史工况观测值,构建由若干第一向量组成的第一向量集合;每个第一向量由辅机设备对应的多个变量在一个历史运行状态的历史工况观测值构成;上述历史工况观测值,是上述辅机设备历史正常运行的情况下,在指定历史时间长度内对上述辅机设备进行工况检测得到的;基于实时工况观测值,构建由若干第二向量组成的第二向量集;每个第二向量由辅机设备对应的多个变量在一个实时运行状态的实时工况观测值构成;上述实时工况观测值,是在指定的当前时间长度内对上述辅机设备进行工况检测得到的;根据上述第一向量集合和上述第二向量集合,确定上述辅机设备的多个变量分别在多个实时运行状态的工况预测值;根据确定出的实时工况预测值,确定实时辅机设备是否存在故障。
由上述实施例可知,本发明实施例提供的故障预警处理方法,针对由于设备老化、外界干扰等因素造成的信号非平稳的问题,通过对平稳与非平稳变量加以区分,实现在不同过程的同一状态的识别;同时,基于相似度的预警方法,对大量历史数据的挖掘分析,尤其是对具有强耦合、大容量的数据,可以基于对历史数据挖掘所得到的第一向量集合,通过更新如实时数据,得到第二向量集合,再结合对第一向量集合进行转置计算得到的权值矩阵,得到第二向量集合中各个变量的工况预测值,计算实时工况观测值与工况预测值之间的相似度,并将相似度值最小的作为故障预警阈值,实现了基于历史数据对辅机设备的短期和长期运行状态预测,提前预知故障的发生,可以方便现场人员的维护与调控,保证了辅机设备的安全生产。
在20世纪90年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本申请的实施例可提供为方法、系统或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种故障预警处理方法,其特征在于,所述方法包括:
基于历史工况观测值,构建由若干第一向量组成的第一向量集合;每个第一向量由辅机设备对应的多个变量在一个历史运行状态的历史工况观测值构成;所述历史工况观测值,是所述辅机设备历史正常运行的情况下,在指定历史时间长度内对所述辅机设备进行工况检测得到的;
基于实时工况观测值,构建由若干第二向量组成的第二向量集合;每个第二向量由辅机设备对应的多个变量在一个实时运行状态的实时工况观测值构成;所述实时工况观测值,是在指定的当前时间长度内对所述辅机设备进行工况检测得到的;
根据所述第一向量集合和所述第二向量集合,确定所述辅机设备的多个变量分别在多个实时运行状态的工况预测值;
根据确定出的所述工况预测值,确定所述辅机设备是否存在故障。
2.根据权利要求1所述的方法,其特征在于,所述基于历史工况观测值,构建由若干第一向量组成的第一向量集合,包括:
获取在指定时间长度内的所述历史工况观测值,形成历史数据集合;
根据所述辅机设备的多个变量在历史运行状态的历史工况观测值的平稳状态,对所述历史数据集合进行划分,得到平稳历史观测值集合和非平稳历史观测值集合;
对所述划分得到的平稳历史观测值集合和非平稳历史观测值集合,分别构建对应的第一向量集合。
3.根据权利要求2所述的方法,其特征在于,所述根据所述辅机设备的多个变量在历史运行状态的历史工况观测值的平稳状态,对所述历史数据集合进行划分,得到平稳历史观测集合和非平稳历史观测值集合,包括:
根据所述历史数据集合中的每一列的最小值和最大值,对所述每一列进行归一化处理;
根据所述归一化处理的结果,利用最小二乘方法估计式进行平稳状态检验;
根据所述平稳状态检验的结果,将所述历史数据集合划分为平稳历史观测值集合和非平稳历史观测值集合。
4.根据权利要求1所述的方法,其特征在于,所述根据所述第一向量集合和所述第二向量集合,确定所述辅机设备的多个变量分别在多个实时运行状态的工况预测值,包括:
根据所述第一向量集合,得到所述第一向量集合的转置矩阵;
根据所述第一向量集合、所述转置矩阵以及所述第二向量集合,得到所述实时工况观测值对应的权值矩阵;
根据所述第一向量集合和所述权值矩阵,确定所述第二向量集合中多个变量分别在多个实时运行状态的工况预测值。
5.根据权利要求1所述的方法,其特征在于,所述根据确定出的所述工况预测值,确定所述辅机设备是否存在故障,包括:
根据所述第二向量集合中多个变量的实时工况观测值以及对应的所述工况预测值,确定多个实时运行状态的所述实时工况观测值与所述工况预测值的相似度值,得到相似度值集合;
基于所述相似度值集合,确定所述辅机设备是否存在故障,并得到预警结果。
6.根据权利要求1所述的方法,其特征在于,所述基于实时工况观测值,构建由若干第二向量组成的第二向量集合,还包括:
基于更新的实时工况观测值所对应的第二向量,确定所述更新的实时观测值所对应的第二向量与所述第二向量集合中的已有的第二向量的距离;
若更新的实时工况观测值所对应的第二向量与所述第二向量集合中已有的第二向量的距离均超过阈值,则将更新的实时工况观测值所对应的第二向量录入到所述第二向量集合;
若所述第二向量集合中已有的第二向量中存在一个第二向量与更新的实时工况观测值所对应的第二向量的距离小于阈值,则不录入所述更新的实时工况观测值。
7.根据权利要求5所述的方法,其特征在于,所述方法还包括:
根据所述确定的相似度值集合,生成所述实时工况观测值与所述工况预测值的相似度值的变化曲线。
8.一种故障预警处理装置,其特征在于,包括:
第一生成模块,用于基于历史工况观测值,构建由若干第一向量组成的第一向量集合;每个第一向量由辅机设备对应的多个变量在一个历史运行状态的历史工况观测值构成;所述历史工况观测值,是所述辅机设备历史正常运行的情况下,在指定历史时间长度内对所述辅机设备进行工况检测得到的;
第二生成模块,用于基于实时工况观测值,构建由若干第二向量组成的第二向量集合;每个第二向量由辅机设备对应的多个变量在一个实时运行状态的实时工况观测值构成;所述实时工况观测值,是在指定的当前时间长度内对所述辅机设备进行工况检测得到的;
处理模块,用于根据所述第一向量集合和所述第二向量集合,确定所述辅机设备的多个变量分别在多个实时运行状态的工况预测值;
分析模块,用于根据确定出的所述工况预测值,确定所述辅机设备是否存在故障。
9.一种故障预警处理系统,其特征在于,包括:
数据库,用于存储辅机设备的历史工况观测值和实时工况观测值;
处理器,与所述数据库相连接,用于实现如权利要求1至7任一项所述的故障预警处理方法;
用户终端,与所述处理器连接,用于显示所述数据库中存储的数据,以及所述处理器确定的相似度值和相似度变化曲线。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,所述计算机程序在被执行时实现上述权利要求1至7任一项所述的故障预警处理方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010281394.8A CN111597223A (zh) | 2020-04-10 | 2020-04-10 | 故障预警处理方法、装置及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010281394.8A CN111597223A (zh) | 2020-04-10 | 2020-04-10 | 故障预警处理方法、装置及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111597223A true CN111597223A (zh) | 2020-08-28 |
Family
ID=72182027
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010281394.8A Pending CN111597223A (zh) | 2020-04-10 | 2020-04-10 | 故障预警处理方法、装置及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111597223A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112555084A (zh) * | 2020-12-04 | 2021-03-26 | 湖南五凌电力科技有限公司 | 一种实时状态预警方法、装置、电子设备及存储介质 |
CN112633614A (zh) * | 2021-01-15 | 2021-04-09 | 东方电气集团科学技术研究院有限公司 | 一种基于特征提取的实时故障程度诊断系统及方法 |
CN114088388A (zh) * | 2021-12-10 | 2022-02-25 | 华润电力技术研究院有限公司 | 一种齿轮变速箱的故障诊断方法和故障诊断装置 |
CN114088389A (zh) * | 2021-12-10 | 2022-02-25 | 华润电力技术研究院有限公司 | 一种齿轮变速箱的数据处理方法和相关装置 |
CN114198332A (zh) * | 2021-12-03 | 2022-03-18 | 上海发电设备成套设计研究院有限责任公司 | 一种引风机故障监控系统及方法 |
CN114251295A (zh) * | 2020-09-23 | 2022-03-29 | 株式会社岛津制作所 | 泵监视装置、真空泵、泵监视方法及存储介质 |
CN115987830A (zh) * | 2022-12-16 | 2023-04-18 | 南通睿通机电工程有限公司 | 一种通信网络工况监控系统 |
CN117434911A (zh) * | 2023-12-20 | 2024-01-23 | 北京东方国信科技股份有限公司 | 设备运行状态监控方法、装置及电子设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102270271A (zh) * | 2011-05-03 | 2011-12-07 | 北京中瑞泰科技有限公司 | 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 |
CN103810262A (zh) * | 2014-01-26 | 2014-05-21 | 广州品唯软件有限公司 | 信息推荐方法和系统 |
CN107609574A (zh) * | 2017-08-18 | 2018-01-19 | 上海电力学院 | 基于数据挖掘的风电机组故障预警方法 |
CN110298455A (zh) * | 2019-06-28 | 2019-10-01 | 西安因联信息科技有限公司 | 一种基于多变量估计预测的机械设备故障智能预警方法 |
-
2020
- 2020-04-10 CN CN202010281394.8A patent/CN111597223A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102270271A (zh) * | 2011-05-03 | 2011-12-07 | 北京中瑞泰科技有限公司 | 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 |
CN103810262A (zh) * | 2014-01-26 | 2014-05-21 | 广州品唯软件有限公司 | 信息推荐方法和系统 |
CN107609574A (zh) * | 2017-08-18 | 2018-01-19 | 上海电力学院 | 基于数据挖掘的风电机组故障预警方法 |
CN110298455A (zh) * | 2019-06-28 | 2019-10-01 | 西安因联信息科技有限公司 | 一种基于多变量估计预测的机械设备故障智能预警方法 |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114251295A (zh) * | 2020-09-23 | 2022-03-29 | 株式会社岛津制作所 | 泵监视装置、真空泵、泵监视方法及存储介质 |
TWI826803B (zh) * | 2020-09-23 | 2023-12-21 | 日商島津製作所股份有限公司 | 泵監視裝置、真空泵、泵監視方法及泵監視程式 |
CN114251295B (zh) * | 2020-09-23 | 2024-06-11 | 株式会社岛津制作所 | 泵监视装置、真空泵、泵监视方法及存储介质 |
CN112555084A (zh) * | 2020-12-04 | 2021-03-26 | 湖南五凌电力科技有限公司 | 一种实时状态预警方法、装置、电子设备及存储介质 |
CN112633614A (zh) * | 2021-01-15 | 2021-04-09 | 东方电气集团科学技术研究院有限公司 | 一种基于特征提取的实时故障程度诊断系统及方法 |
CN114198332A (zh) * | 2021-12-03 | 2022-03-18 | 上海发电设备成套设计研究院有限责任公司 | 一种引风机故障监控系统及方法 |
CN114198332B (zh) * | 2021-12-03 | 2024-02-20 | 上海发电设备成套设计研究院有限责任公司 | 一种引风机故障监控系统及方法 |
CN114088388A (zh) * | 2021-12-10 | 2022-02-25 | 华润电力技术研究院有限公司 | 一种齿轮变速箱的故障诊断方法和故障诊断装置 |
CN114088389A (zh) * | 2021-12-10 | 2022-02-25 | 华润电力技术研究院有限公司 | 一种齿轮变速箱的数据处理方法和相关装置 |
CN115987830A (zh) * | 2022-12-16 | 2023-04-18 | 南通睿通机电工程有限公司 | 一种通信网络工况监控系统 |
CN117434911A (zh) * | 2023-12-20 | 2024-01-23 | 北京东方国信科技股份有限公司 | 设备运行状态监控方法、装置及电子设备 |
CN117434911B (zh) * | 2023-12-20 | 2024-04-16 | 北京东方国信科技股份有限公司 | 设备运行状态监控方法、装置及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111597223A (zh) | 故障预警处理方法、装置及系统 | |
US20220283576A1 (en) | Automatic diagnosis method, system and storage medium for equipment | |
Ayo-Imoru et al. | A survey of the state of condition-based maintenance (CBM) in the nuclear power industry | |
Yin et al. | A nonlinear process monitoring approach with locally weighted learning of available data | |
KR101955305B1 (ko) | 희소 코딩 방법론을 활용한 가스 터빈 센서 고장 검출 | |
US20130197854A1 (en) | System and method for diagnosing machine tool component faults | |
US20210140851A1 (en) | System and method for automatic diagnosis of power generation facility | |
EP3859455B1 (en) | Learning apparatus, learning method, learning program, determination apparatus, determination method, determination program, and computer readable medium | |
Que et al. | A data-driven health prognostics approach for steam turbines based on xgboost and dtw | |
CN113705924B (zh) | 一种热控设备智能诊断方法和系统 | |
Huang et al. | Improved trajectory similarity-based approach for turbofan engine prognostics | |
EP3795975A1 (en) | Abnormality sensing apparatus, abnormality sensing method, and abnormality sensing program | |
Venturini et al. | Prediction reliability of a statistical methodology for gas turbine prognostics | |
Yu et al. | A continuous learning monitoring strategy for multi-condition of nuclear power plant | |
de Carvalho Michalski et al. | Applying moving window principal component analysis (MWPCA) for fault detection in hydrogenerator | |
Holbert et al. | Nuclear power plant instrumentation fault detection using fuzzy logic | |
Liu et al. | Prediction of remaining useful life of rolling element bearings based on LSTM and exponential model | |
Wu et al. | An improved LSTM neural network with uncertainty to predict remaining useful life | |
Guo | Wind turbine generator bearing condition monitoring with NEST method | |
Sohaidan et al. | Remaining useful life prediction of turbofan engine using long-short term memory | |
Lv et al. | General log‐linear Weibull model combining vibration and temperature characteristics for remaining useful life prediction of rolling element bearings | |
CN111913463B (zh) | 一种核电厂化学容积控制系统状态监测方法 | |
Mandelli et al. | Reliability modeling in a predictive maintenance context: A margin-based approach | |
Goyal et al. | Prediction Enhancement of Machine Learning Using Time Series Modeling in Gas Turbines | |
Wang et al. | Optimal Squared Wald Statistics based Methodology for On-line Machine Condition Monitoring and Degradation Assessment |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200828 |
|
RJ01 | Rejection of invention patent application after publication |