CN111651933B - 基于统计推断的工业锅炉故障预警方法及系统 - Google Patents
基于统计推断的工业锅炉故障预警方法及系统 Download PDFInfo
- Publication number
- CN111651933B CN111651933B CN202010442431.9A CN202010442431A CN111651933B CN 111651933 B CN111651933 B CN 111651933B CN 202010442431 A CN202010442431 A CN 202010442431A CN 111651933 B CN111651933 B CN 111651933B
- Authority
- CN
- China
- Prior art keywords
- fault
- faults
- industrial boiler
- logistic regression
- data
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Hardware Design (AREA)
- Probability & Statistics with Applications (AREA)
- Algebra (AREA)
- Medical Informatics (AREA)
- Geometry (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种基于统计推断的工业锅炉故障预警方法及系统,将采集工业锅炉故障数据,按照故障的具体表现形式进行分类,建立故障集;根据建立的故障集,采用故障模式及后果分析(FMEA)方法,建立故障模式、故障原因、故障征兆等之间的逻辑关系;基于FMEA分析结果,确立故障模式及其对应故障原因;建立逻辑回归模型计算故障发生概率;将工业锅炉的监测参数输入到逻辑回归模型中,得到对应故障发生概率,并将故障发生概率的95%置信区间提供给现场工程师。本发明结合贝叶斯推断和逻辑回归模型,对样本量要求低,模型可解释性好。本发明还包括三级模型验证,提高模型的精确度,逐级验证模型可行性与精确度,提高系统开发效率。
Description
技术领域
本发明涉及工业故障预警领域,尤其涉及基于统计推断的工业锅炉故障预警方法及系统。
背景技术
工业锅炉是工业领域重要的热能动力设备,数量上约占锅炉总数的85%。然而,我国工业锅炉行业的现状是:容量小、数量大、分布散及能耗高等特点使得厂家及监管机构对工业锅炉无法做到集中管理和控制,故障不能及时有效解决,严重影响了锅炉的安全稳定运营。随着工业锅炉的大型化,控制系统越来越复杂。同时对工人或现场工程师的要求也越来越高,一旦发生危险,将会带来难以估量的生命财产损失。因此,开发一套及时判定设备故障的工业锅炉预警系统是非常必要的。
故障预警系统可根据设备运行规律或观测得到的可能性前兆,在设备真正发生故障之前,及时报警,报告设备的异常状况并且提醒现场工程师采取相应的措施,从而最大程度的提高工业锅炉的运营的安心性和可靠性并降低设备故障造成的损失。随着工业锅炉装置和工控系统的规模和复杂性日益增大,为保证安全生产,通过可靠的监测预警技术及时有效的检测和诊断异常行为就显得尤为的重要。
现有的故障预警技术主要分为三大类:基于机理模型的方法、基于知识的方法和基于数据驱动的方法。基于机理模型的方法主要通过残差产生及残差评价两个阶段来确定是否发生故障,并进一步辨识故障类型。主要采用参数估计、状态估计和等价空间三类具体的方法来实现残差序列的构建,其中状态估计方法最为常用,可使用观测器或卡尔曼滤波器实现。
基于知识的方法主要以相关专家和现场工程师的启发性经验知识为基础,定性或者定量的描述过程中各单元之间的连接关系、故障的因果联系等。在设备故障发生时,模拟专家在监测各参数时的推理模式,从而自动完成设备的故障预警。常用的技术手段包括专家知识库系统、故障决策树、有向图、模糊推理等。
基于数据驱动的方法通过挖掘过程中得内在信息建立数学模型和表达过程状态,根据模型来实施过程得有效检测。随着智能化仪表和计算机存储技术得广泛应用,海量得过程数据得以有效地监测、收集和存储。在预警算法上可分为信号处理、粗糙集、机器学习、信息融合和多元统计这五大算法。
基于机理模型的监控方法能够把物理认识与监控系统结合起来,通过分析残差来进行故障预警的方式也更有利于专业人员的理解,但由于多数机理模型均为简化的线性系统,因此当面对非线性、自由度较高以及多变量耦合的复杂系统时,其使用效果并不理想;另外,对复杂系统建立机理模型可能要付出巨大的成本;再者,实际工业过程中的噪音影响,环境因素的变化等都提高了模型失效的风险。以上原因都使得基于机理模型的监控方法检测效果不佳,应用范围不广。
基于知识的监控方法使用定性的模型实现预警和监测,当被监控对象较为简单,工艺知识和生产经验较为充足时,其性能较为优良。但需要注意的是该类方法的预警准确度对知识库中专家知识的丰富程度和专家知识水平的高低具有很强的依赖性;同时,部分专家实际操作经验很难用一种合理的形式化表达方式进行描述,当系统较为复杂时还有可能出现“冲突消解”、“组合爆炸”等问题;另外,这类方法的通用性较差,且先验知识的完整性一般难以保证。
基于知识的专家系统方法、神经网络、模糊推理等方法存在静态性、主观性、直线性、所需样本空间较大、隶属度难以确定、计算量过大以及使用条件局限等固有问题,容易出现漏判和误判,影响生产的安全和可靠。
本发明提出基于统计推断的工业锅炉故障预警方法。在对典型故障发展程度水平分析的基础上,利用逻辑回归原理,对反映故障发生概率对应的故障强度征兆历史样本进行综合分析,标准化特征参数表现模式并建立相应的回归模型,最终利用当前监测获取的特征参数值,分析得出当前疑似故障类别的各个故障的可能发生的概率。
具体来说,与本发明所实现的功能最相近的方法是《基于GPRS的锅炉远程监测预警系统研究与设计》。其实现对工业锅炉故障预警主要是基于模糊数学理论,结合专家知识建立模糊专家系统模型。锅炉故障预警模糊专家系统采用产生式规则知识表示法对知识库的知识进行表示,并结合SQL server 2000对知识库进行分类构建,采用模糊推理方法结合正向推理策略设计了推理机,推断出工业锅炉特定故障可能发生的程度,实现对工业锅炉的故障预警。
发明内容
本发明目的在于针对现有技术的不足,提出一种基于统计推断的工业锅炉故障预警方法及系统,解决了对于小概率故障类型因缺乏历史数据难以建立预测模型的问题。
本发明的目的是通过以下技术方案来实现的:一种基于统计推断的工业锅炉故障预警方法,该方法包括以下步骤:
(1)采集工业锅炉故障数据,按照故障的具体表现形式进行分类,将具有归纳特征的故障进行集合化处理并用符号Fi表示,建立故障集;i=1…N,Fi为第i类故障的集合,N为故障类别总数;
(2)根据步骤(1)建立的故障集,采用故障模式及后果分析(FMEA)方法,建立故障模式、故障原因、故障征兆之间的逻辑关系;所述故障模式为步骤(1)中建立的故障集,所述故障征兆为反应或预测故障发生概率的参数或数据,包括温度、压强、水位等;
(3)基于FMEA建立的逻辑关系,确立故障模式及其对应故障原因;建立逻辑回归模型计算故障Fi的发生概率p(t);逻辑回归模型的表达式如下:
式中,p(t)为故障模式Fi的发生概率,t为自变量,t=hkξk,ξk是故障模式Fi的故障原因对应的第k类监测参数类型,hk为导致发生故障模式Fi的故障原因的第k类监测参数类型的权重;α为偏差,待定系数β与偏差α服从正态分布;
(4)将工业锅炉的监测参数输入到步骤(3)中的逻辑回归模型中,根据得到对应故障发生概率实现故障预警,并将故障发生概率的95%置信区间提供给现场工程师,安排工程师进行现场检查。
进一步地,步骤(1)中,所述故障的表现形式具体为故障机理、故障后果和影响范围等归纳特征。
进一步地,锅炉故障包括但不局限于锅炉水位故障、水位传感器故障、蒸汽压力故障、蒸汽压力传感器故障、燃烧机熄火故障、排烟温度故障、燃气泄漏故障和给水泵故障。
进一步地,步骤(2)中,所述故障模式包括子故障模式,所述子故障模式为故障集按照故障发生原因的进一步细分。
进一步地,步骤(2)中,所述故障模式及后果分析(FMEA)方法还包括故障影响,即故障发生后可能造成的后果,根据后果,故障影响可分为安全类影响和能效类影响。
进一步地,步骤(3)中,将发生故障标记为(1),未发生故障标记为(0),满足伯努利分布(Bernoulli distribution):
故障Fi~Bernoulli(p(t))i=1…N
通过伯努利分布可以直观得输出故障发生概率。
进一步地,步骤(3)中,待定系数β与偏差α采用参数贝叶斯估计(最大后验估计MAP),同时,用MCMC方法(具体方法为Metropolis-Hasting算法,随机漫步)对参数进行进一步拟合,直至逻辑回归模型收敛。
进一步地,该方法具有三个等级的验证,可在有限的故障数据下,实现可靠的工业锅炉故障预警方法;
第一级验证具体为:在逻辑回归模型收敛后,绘制待定系数β与偏差α的分布图,通过分布图可以对模型进行一级验证,参数分布越广,表示模型不确定性越大,则需要增加样本数量;
第二级验证具体为:95%置信区间的概率分布越宽,说明逻辑回归模型对对应观测值数据范围的预测结果越加不确定,则需要对对应观测值数据范围内进行数据补充;
第三级验证具体为:根据已知数据组,验证模型是否可以准确的预警故障。
一种基于统计推断的工业锅炉故障预警系统,该系统包括数据采集及监控平台、服务器和大数据分析平台;
数据采集及监控平台采集锅炉设备的故障数据,然后传递到服务器;
所述服务器进行数据存储、分类处理,建立故障集;
所述大数据分析平台根据服务器的数据建立故障模式、故障原因、故障征兆等之间的逻辑关系,并通过逻辑回归模型输出故障发生的概率;然后将故障发生概率的95%置信区间提供给现场工程师。
本发明的有益效果:
1、模型结合贝叶斯推断和逻辑回归模型,对样本量要求低,模型可解释性好。
2、结合贝叶斯估计、MCMC算法及随机漫步法进行参数估计,减少模型预热时间,缩短收敛速度。
3、三级模型验证,提高模型的精确度,逐级验证模型可行性与精确度,提高系统开发效率。
4、一级验证可以用统计数据解释实际故障或工程,二级验证中的结论可指导实验设计,简化实验量。
5、在对故障原因充分理解的基础上,综合考虑了引起故障的多种监测参数数据,对工业锅炉故障预警,更科学、合理、可解释性强。
附图说明
图1为本发明故障预警方法流程图;
图2为工业锅炉故障预警系统逻辑关系图。
具体实施方式
以下结合附图对本发明具体实施方式作进一步详细说明。
如图1所示,本发明提供的一种基于统计推断的工业锅炉故障预警方法及系统,基于统计推断的工业锅炉故障预警方法,包括以下步骤:
(1)采集工业锅炉故障数据,按照按照故障机理、故障后果和影响范围等归纳特征对故障进行分类,将具有一定归纳特征的故障进行集合化处理并用符号Fi表示,i=1…N,N为故障类别总数,建立故障集;锅炉故障包括但不局限于锅炉水位极低故障、水位传感器故障、蒸汽压力超高故障、蒸汽压力传感器故障、燃烧机熄火故障、排烟温度超高故障、燃气泄漏故障、给水泵故障、水位极高故障。其中工业锅炉包括燃煤锅炉、燃油锅炉、生物质及混燃锅炉和天然气锅炉。
(2)根据步骤(1)建立的故障集,采用故障模式及后果分析(FMEA)方法,建立故障模式、故障原因、故障征兆等之间的逻辑关系;所述故障模式为步骤(1)中建立的故障集,包括子故障模式,所述子故障模式为故障集按照故障发生原因的进一步细分。所述故障征兆为反应或预测故障发生概率的参数或数据,包括温度、压强、水位等。所述故障模式及后果分析(FMEA)方法还包括故障影响,即故障发生后可能造成的后果,根据后果,故障影响可分为安全类影响和能效类影响。
(3)基于FMEA建立的逻辑关系,确立故障模式及其对应故障原因;根据故障原因对应的多种监测参数类型,建立逻辑回归模型,计算故障Fi的发生概率p(t);逻辑回归模型的表达式如下:
式中,p(t)为故障模式Fi的发生概率,t为自变量,t=hkξk,ξk是故障模式Fi的故障原因对应的第k类监测参数类型,hk为导致发生故障模式Fi的故障原因的第k类监测参数类型的权重;α为偏差,待定系数β与偏差α服从正态分布(正态随机变量);一个故障可能是由一个或多个监测参数故障综合导致的,多个监测参数之间对故障发生起到的权重是不一样的,而且多个参数之间也有内在联系,工业锅炉故障发生的原因复杂,简单的单变量或者多变量预测模型无法准确的给出预警;本发明在对故障原因充分理解的基础上,综合考虑了引起故障的多个监测参数数据,更科学、合理、可解释性强。待定系数β与偏差α筛选过程中采用参数贝叶斯估计(最大后验估计MAP),同时,用MCMC方法(具体方法为Metropolis-Hasting算法,随机漫步)对参数进行进一步拟合,直至收敛。在模型的建立过程中,将历史监测数据(观测值)作为后验样本,对模型进行评价。
将发生故障则标记为(1),未发生故障则标记为(0),满足伯努利分布(Bernoullidistribution):
故障Fi~Bernoulli(p(t))i=1…N
通过伯努利分布可以直观得输出故障发生概率。
(4)将工业锅炉的实时监测数据输入到步骤(3)中的逻辑回归模型中,根据得到对应故障发生概率实现故障预警,并将故障发生概率的95%置信区间提供给现场工程师,安排工程师进行现场检查,故障发生概率最小值大于0.9,为停产检查,排查故障;故障发生概率在0.9-0.6之间,不停炉,进行现场检查故障,故障发生概率在0.6-0.3之间,进行提醒并密切关注;故障发生概率最大值小于0.3,不进行处理。
逻辑回归模型具有三级验证,可在有限的故障数据下,实现可靠的工业锅炉故障预警方法;具体如下:
a.逻辑回归模型收敛后,绘制待定系数β与偏差α的分布图,通过分布图可以对模型进行一级验证,参数分布越广,表示模型不确定性越大,则需要增加样本数量。此外,待定系数β分布越集中于0,说明此参数对故障的影响越小,即通过经验判断的故障原因无法通过统计数据反应出来。
b.逻辑回归模型可以输出每个观测值下故障发生概率,同时可以绘制出每个观测值下故障发生概率的95%的置信区间。95%置信区间的概率分布越宽,说明此模型对对应观测值数据范围的预测结果越加不确定,则需要对对应观测值数据范围内进行数据补充,作为模型的二级验证。此类结果可以提供给工程师,对此范围的数据进行更细致的测试,可以减少实验组数。
c.根据已知数据组,验证模型是否可以准确的预警故障,为模型的三级验证。
如图2所示,本发明还提供了一种基于统计推断的工业锅炉故障预警系统,该系统包括数据采集及监控平台、服务器和大数据分析平台;
数据采集及监控平台与锅炉设备之间485连接,通过modbus协议实现锅炉设备和参数信号的采集,采集锅炉设备的故障数据,然后使用2G、3G、4G网络(TCP/IP协议)或NB-IOT传递到服务器;
所述服务器进行数据存储、分类处理,建立故障集;
所述大数据分析平台包括历史数据库和实时数据库,所述历史数据库为典型故障信息及知识库(先验信息),所述实时数据库为从服务器接收的实时数据;大数据分析平台建立故障模式、故障原因、故障征兆等之间的逻辑关系,进行故障模式表示及分类,并结合故障的特征进行分析,得到故障发生的范围,结合故障的属性进行分析,得到故障的类型,结合故障的概率进行分析,得到故障发生的可能性;通过逻辑回归模型输出故障发生的概率;然后将故障发生概率的95%置信区间提供给现场工程师。
本发明基于统计推断中的逻辑回归模型,分类和标记故障特征值,实现对工业锅炉故障的早期阶段发生的概率进行分析,实现故障预警功能;结合贝叶斯推断,估计出总体参数的一个区间,并同时给出总体参数落在这一区间的可能性的概率保证,降低利用点估计(矩估计和最大似然估计)去分析总体参数的误差风险。贝叶斯推断强调先验信息(总结历史资料和经验)可以使统计推断更为准确;不同炉型,不同工艺,不同燃料导致各类工业锅炉的故障类型及特征大相径庭,传统的神经网络、机器学习等算法缺乏足够的训练样本,而本发明可利用小样本(有限的故障类型、特征分析等)进行训练学习,实现对潜在故障发生概率的分析。
上述实施例用来解释说明本发明,而不是对本发明进行限制,在本发明的精神和权利要求的保护范围内,对本发明作出的任何修改和改变,都落入本发明的保护范围。
Claims (8)
1.一种基于统计推断的工业锅炉故障预警方法,其特征在于,该方法包括以下步骤:
(1)采集工业锅炉故障数据,按照故障的具体表现形式进行分类,将具有归纳特征的故障进行集合化处理并用符号Fi表示,建立故障集;i = 1… N,Fi为第i类故障的集合,N为故障类别总数;
(2)根据步骤(1)建立的故障集,采用故障模式及后果分析FMEA方法,建立故障模式、故障原因、故障征兆之间的逻辑关系;所述故障模式为步骤(1)中建立的故障集,所述故障征兆为反应或预测故障发生概率的参数或数据,包括温度、压强、水位;
(3)基于FMEA建立的逻辑关系,确立故障模式及其对应故障原因;建立逻辑回归模型计算故障Fi的发生概率p (t);逻辑回归模型的表达式如下:
;
式中,p(t) 为故障模式Fi的发生概率,t为自变量,,/>是故障模式Fi的故障原因对应的第k类监测参数类型,/>为导致发生故障模式Fi的故障原因的第k类监测参数类型的权重,/>为待定系数;/>为偏差,待定系数/>与偏差/>服从正态分布;
逻辑回归模型具有如下三个等级的验证:
一级验证:在逻辑回归模型收敛后,绘制待定系数与偏差/>的分布图,通过分布图可以对模型进行一级验证,参数分布越广,表示模型不确定性越大,则需要增加样本数量,重新建立逻辑回归模型;
二级验证:计算逻辑回归模型输出的故障发生概率的95%置信区间,95%置信区间概率分布越宽,则逻辑回归模型对对应观测值数据范围的预测结果越加不确定,则需要对对应观测值数据范围内进行数据补充;
三级验证:根据已知数据组,验证模型是否可以准确的预警故障;
根据三个等级的验证根据需求不断优化逻辑回归模型,得到最终能够满足需求的逻辑回归模型;
(4)将工业锅炉的监测参数输入到步骤(3)中的能够满足需求的逻辑回归模型中,根据得到对应故障发生概率实现故障预警,并将故障发生概率的95%置信区间提供给现场工程师,安排工程师进行现场检查。
2.根据权利要求1所述的一种基于统计推断的工业锅炉故障预警方法,其特征在于,步骤(1)中,所述故障的表现形式具体为故障机理、故障后果和影响范围归纳特征。
3.根据权利要求2所述的一种基于统计推断的工业锅炉故障预警方法,其特征在于,锅炉故障包括但不局限于锅炉水位故障、水位传感器故障、蒸汽压力故障、蒸汽压力传感器故障、燃烧机熄火故障、排烟温度故障、燃气泄漏故障和给水泵故障。
4.根据权利要求1所述的一种基于统计推断的工业锅炉故障预警方法,其特征在于,步骤(2)中,所述故障模式包括子故障模式,所述子故障模式为故障集按照故障发生原因的进一步细分。
5.根据权利要求1所述的一种基于统计推断的工业锅炉故障预警方法,其特征在于,步骤(2)中,所述故障模式及后果分析FMEA方法还包括故障影响,即故障发生后可能造成的后果,根据后果,故障影响可分为安全类影响和能效类影响。
6.根据权利要求1所述的一种基于统计推断的工业锅炉故障预警方法,其特征在于,步骤(3)中,将发生故障标记为(1),未发生故障标记为(0),满足伯努利分布Bernoullidistribution:
故障Fi ~ Bernoulli(p(t)) i = 1… N
通过伯努利分布可以直观得输出故障发生概率。
7.根据权利要求1所述的一种基于统计推断的工业锅炉故障预警方法,其特征在于,步骤(3)中,待定系数与偏差/>采用参数贝叶斯估计,同时,用MCMC方法对参数进行进一步拟合,直至逻辑回归模型收敛。
8.一种实现权利要求1-7任一项所述基于统计推断的工业锅炉故障预警方法的基于统计推断的工业锅炉故障预警系统,其特征在于,该系统包括数据采集及监控平台、服务器和大数据分析平台;
数据采集及监控平台采集锅炉设备的故障数据,然后传递到服务器;
所述服务器进行数据存储、分类处理,建立故障集;
所述大数据分析平台根据服务器的数据建立故障模式、故障原因、故障征兆之间的逻辑关系,并通过逻辑回归模型输出故障发生的概率;然后将故障发生概率的95%置信区间提供给现场工程师。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010442431.9A CN111651933B (zh) | 2020-05-22 | 2020-05-22 | 基于统计推断的工业锅炉故障预警方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010442431.9A CN111651933B (zh) | 2020-05-22 | 2020-05-22 | 基于统计推断的工业锅炉故障预警方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111651933A CN111651933A (zh) | 2020-09-11 |
CN111651933B true CN111651933B (zh) | 2023-09-26 |
Family
ID=72346824
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010442431.9A Active CN111651933B (zh) | 2020-05-22 | 2020-05-22 | 基于统计推断的工业锅炉故障预警方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111651933B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112988438B (zh) * | 2021-01-15 | 2022-09-09 | 国家电网有限公司客户服务中心 | 一种基于流数据多点组合监测分析方法及系统 |
CN113392375A (zh) * | 2021-06-11 | 2021-09-14 | 攀钢集团攀枝花钢钒有限公司 | 降低重轨钢脱碳层厚度的改进工艺 |
CN113485305B (zh) * | 2021-07-28 | 2023-04-07 | 成都飞机工业(集团)有限责任公司 | 一种飞机外勤故障诊断系统与方法 |
CN116879513B (zh) * | 2023-09-07 | 2023-11-14 | 中碳实测(北京)科技有限公司 | 气体分析系统的验证方法、装置、设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106302739A (zh) * | 2016-08-16 | 2017-01-04 | 北京大邦实创节能技术服务有限公司 | 一种工业锅炉监测及分析辅助决策云平台系统 |
WO2018105104A1 (ja) * | 2016-12-09 | 2018-06-14 | 三菱電機株式会社 | 故障リスク指標推定装置および故障リスク指標推定方法 |
CN108181105A (zh) * | 2017-11-28 | 2018-06-19 | 杭州安脉盛智能技术有限公司 | 基于逻辑回归和j散度的滚动轴承故障预诊方法及系统 |
CN108470193A (zh) * | 2018-03-27 | 2018-08-31 | 国网河北省电力有限公司电力科学研究院 | 电能表故障诊断方法、系统及终端设备 |
CN110298485A (zh) * | 2019-05-29 | 2019-10-01 | 国电联合动力技术有限公司 | 基于改进深度随机森林算法的变桨系统故障预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107179968B (zh) * | 2016-03-09 | 2020-06-26 | 株式会社东芝 | 信息存储装置、故障预测装置及故障预测方法 |
-
2020
- 2020-05-22 CN CN202010442431.9A patent/CN111651933B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106302739A (zh) * | 2016-08-16 | 2017-01-04 | 北京大邦实创节能技术服务有限公司 | 一种工业锅炉监测及分析辅助决策云平台系统 |
WO2018105104A1 (ja) * | 2016-12-09 | 2018-06-14 | 三菱電機株式会社 | 故障リスク指標推定装置および故障リスク指標推定方法 |
CN108181105A (zh) * | 2017-11-28 | 2018-06-19 | 杭州安脉盛智能技术有限公司 | 基于逻辑回归和j散度的滚动轴承故障预诊方法及系统 |
CN108470193A (zh) * | 2018-03-27 | 2018-08-31 | 国网河北省电力有限公司电力科学研究院 | 电能表故障诊断方法、系统及终端设备 |
CN110298485A (zh) * | 2019-05-29 | 2019-10-01 | 国电联合动力技术有限公司 | 基于改进深度随机森林算法的变桨系统故障预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111651933A (zh) | 2020-09-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111651933B (zh) | 基于统计推断的工业锅炉故障预警方法及系统 | |
Li et al. | Process fault diagnosis with model-and knowledge-based approaches: Advances and opportunities | |
CN106872657B (zh) | 一种多变量水质参数时序数据异常事件检测方法 | |
CN102262690B (zh) | 一种混合故障预警模型的建模方法及建模系统 | |
CN109240244B (zh) | 基于数据驱动的设备运行状态健康度分析方法及系统 | |
Dash et al. | Challenges in the industrial applications of fault diagnostic systems | |
CN100444070C (zh) | 故障诊断与事故预报的设置方法 | |
Chen et al. | A hybrid data-driven modeling method on sensor condition monitoring and fault diagnosis for power plants | |
CN109492790A (zh) | 基于神经网络与数据挖掘的风电机组健康管理方法 | |
CN112306036B (zh) | 化工过程运行故障的诊断方法 | |
CN111550763A (zh) | 锅炉受热面灰渣污染的监测方法 | |
CN112990546A (zh) | 一种基于粒子群与神经网络的化工厂电力变压器故障预测方法 | |
Di Maio et al. | Transient identification by clustering based on Integrated Deterministic and Probabilistic Safety Analysis outcomes | |
Sahu et al. | Fault analysis of dragline subsystem using Bayesian network model | |
Pang et al. | An integrated LSTM-AM and SPRT method for fault early detection of forced-oxidation system in wet flue gas desulfurization | |
Zemali et al. | Robust intelligent fault diagnosis strategy using Kalman observers and neuro-fuzzy systems for a wind turbine benchmark | |
Daher et al. | New prognosis approach for preventive and predictive maintenance—Application to a distillation column | |
Ma et al. | A hybrid fault diagnosis method based on fuzzy signed directed graph and neighborhood rough set | |
KR20220089853A (ko) | 머신러닝 기술을 활용한 신재생에너지 발전설비의 고장예지 및 건전성관리 방법 | |
Yang et al. | Artificial intelligence methods applied to catalytic cracking processes | |
Surjandari et al. | Fault detection system using machine learning on geothermal power plant | |
Zhang et al. | A knowledge transfer platform for fault diagnosis of industrial gas turbines | |
Tian et al. | Causal network construction based on convergent cross mapping (CCM) for alarm system root cause tracing of nonlinear industrial process | |
Alnaimi et al. | Application of intelligent computational techniques in power plants: a review | |
CN111061191B (zh) | 一种基于分布式的油气储罐远程运维方法 |
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 |