CN111766514B - 一种设备检测点的数据分析方法 - Google Patents
一种设备检测点的数据分析方法 Download PDFInfo
- Publication number
- CN111766514B CN111766514B CN202010565023.2A CN202010565023A CN111766514B CN 111766514 B CN111766514 B CN 111766514B CN 202010565023 A CN202010565023 A CN 202010565023A CN 111766514 B CN111766514 B CN 111766514B
- Authority
- CN
- China
- Prior art keywords
- data
- current
- equipment
- historical
- prediction
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/34—Testing dynamo-electric machines
- G01R31/343—Testing dynamo-electric machines in operation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/04—Bearings
- G01M13/045—Acoustic or vibration analysis
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M99/00—Subject matter not provided for in other groups of this subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Acoustics & Sound (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种设备检测点的数据分析方法,所述数据分析方法包括获取设备的当前工作状态、当前运行数据以及设备检测点上的当前检测数据;根据所述当前工作状态及当前运行数据进行预测计算,以获得所述设备检测点的当前预测数据;所述当前预测数据是通过执行一个数据预测模型而得到的,该数据预测模型是根据所述当前工作状态对应选择的;分析当前预测数据与当前检测数据之间的差异,以得到所述设备检测点的数据分析结果。本发明通过对检测数据与预测数据之间的差异进行分析得到设备检测点的数据分析结果,具有较高的分析灵活性,以及本发明通过数据预处理、及对应不同的工况选择不同的数据预测模型,减少数据量并增加了数据分析的准确度。
Description
技术领域
本申请属于设备检测与数据处理技术领域,尤其涉及一种设备检测点的 数据分析方法。
背景技术
工业设备在出现故障时通常会引起设备参数的变化,例如振动异常、温 度异常等,通过分析这些参数的变化可对设备在使用过程中发生的故障起到 预警作用。目前,在分析这些参数的数据时,普遍采用一固定值作为预警线 的方式,通过该固定值与数据进行比较,从而确定数据是否异常,但这种方 式灵活性较低,导致预警时效性较差,例如经常会出现没有超过预警线,但 是处于故障状态的情况。
发明内容
本发明的目的在于提供一种设备检测点的数据分析方法,本发明用于解 决现有技术中因预警线不够灵活而导致数据分析结果准确率低的问题。为了 实现上述目的,本发明采用以下技术效果:
根据本发明的一个方面,提供一种设备检测点的数据分析方法,数据分 析方法包括以下步骤:
获取设备的当前工作状态、当前运行数据以及设备检测点上的当前检测 数据;
根据所述当前工作状态及当前运行数据进行预测计算,以获得所述设备 检测点的当前预测数据;分析所述当前预测数据与所述当前检测数据之间的 差异,以得到所述设备检测点的数据分析结果。
上述方案优选的,根据所述当前工作状态及当前运行数据进行预测计算, 以获得所述设备检测点的当前预测数据的步骤还包括:预处理所述当前运行 数据以得到当前特征数据,根据所述当前工作状态以及所述当前特征数据进 行预测计算,以获得所述设备检测点的当前预测数据;所述预处理包括但不 限于对当前运行数据进行重采样、清洗空值和特征提取处理。
上述方案优选的,所述数据预测模型是通过所述设备的历史工作状态、 历史运行数据、以及所述设备检测点上的历史检测数据训练得到的,且该数 据预测模型的训练方法包括:获取所述设备的历史工作状态、历史运行数据 以及所述设备检测点上的历史检测数据;
根据所述历史工作状态及所述历史运行数据进行预测计算,以获得所述 设备检测点的历史预测数据;
通过分析所述历史预测数据与所述历史检测数据之间的差异,调整所述 数据预测模型中的参数,以使所述数据预测模型的预测误差范围在预设误差 范围内。
上述方案优选的,根据所述历史工作状态以及历史运行数据进行预测计 算,以获得所述设备检测点的历史预测数据的步骤还包括:预处理所述历史 运行数据以得到所述历史特征数据,根据所述历史工作状态及历史特征数据 进行预测计算,以获得所述设备检测点的历史预测数据。
上述方案优选的,分析所述当前预测数据与所述当前检测数据之间的差 异,以得到所述设备检测点的数据分析结果的步骤包括:根据所述当前预测 数据与所述当前检测数据之间的差值,得到所述设备检测点的数据分析结果。
上述方案优选的,根据所述当前预测数据与所述当前检测数据之间的差 值,确定所述设备检测点的数据分析结果的步骤包括:
将所述当前预测数据和所述当前检测数据输入残差模型,以得到所述设 备检测点的数据分析结果,该残差模型是根据历史预测数据与所述设备检测 点上的历史检测数据训练得到的。
上述方案优选的,所述残差模型的训练方法包括:
根据多组历史工作状态及其对应的历史运行数据进行预测计算,以获得 所述设备检测点的多个历史预测数据;所述预测计算通过执行数据预测模型 而得到历史预测数据;
分析多个所述历史预测数据与所对应的多个历史检测数据之间的差异, 拟合得到所述差异的分布;
根据所述差异的分布,得到所述残差模型中用于输出设备检测点分析结 果的分析阈值区间。
上述方案优选的,所述数据分析方法还包括以下至少一种步骤:将所得 到的所述设备检测点的数据分析结果发送至所述设备的管理系统;将所得到 的所述设备检测点的数据分析结果呈现在所述设备的管理系统的显示界面 中;以及基于所得到的所述设备检测点数据分析结果的异常分析结果触发预 警信号。
上述方案优选的,所述设备为抽水蓄能发电电动机,所述设备检测点的 数据为温度数据,所述当前运行数据包括在当前工作状态对应的时间段内的 以下至少一种数据:当前工作状态开始时所述设备检测点的检测数据、当前 工作状态维持的时长、设备当前的输出功率、设备当前的冷却水进口温度。
上述方案优选的,所述设备检测点设置在以下任一位置:抽水蓄能发电 电动机各轴承的轴瓦处及润滑油油箱内。
综上所述,由于本发明采用了上述技术方案,本发明具有以下技术效果:
(1)、本申请通过对检测数据与预测数据之间的差异进行分析以得到设备 检测点的数据分析结果,具有较高的分析灵活性。
(2)、本申请可通过机器学习算法辅助分析,对设备历史上的大量事件记 录进行分类学习和分析,为预测数据的预测计算提供基础,本申请通过对运 行数据进行预处理,及对应不同的设备检测点、不同的工作状态选择不同的 数据预测模型,从而在减少数据量的同时增加了数据分析的准确度。
(3)、选用不因机组异常工作状况而发生改变的值作为预测用特征来源, 避免了因故障发生引起的特征值异常导致的预测值偏移,保证了预测系统的 稳定性;另外,本申请还通过残差模型辅助分析,进一步减少了分析误差。
附图说明
图1是本发明的一种设备检测点的数据分析方法的分析流程;
图2是本发明的数据预测模型的训练方法流程图;
图3是本发明的设备检测点的检测数据的变化过程示意图;
图4是本发明的预测计算的流程图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白,以下参照附图并举 出优选实施例,对本发明进一步详细说明。然而,需要说明的是,说明书中 列出的许多细节仅仅是为了使读者对本发明的一个或多个方面有一个透彻的 理解,即便没有这些特定的细节也可以实现本发明的这些方面。
诚如背景技术部分所述,工业设备在出现故障时通常会引起设备参数的 变化,通过分析这些参数的变化可对设备在使用过程中发生的故障起到预警 作用。然而在一些实施方式中,采用固定值作为预警线,并对超出预警线的 数值进行预警的方式通常会受到各因素影响,例如在夏季环境温度较高时, 设备在运行过程中的温度相对于冬季环境下运行较高,若采用统一的标准则 会产生较大的误差,将非异常判断为异常,或将异常判断为非异常。在另一 些实施方式中,采用两级预警线的方式进行预警,其中第一级预警线的数值低于第二级预警线的数值,当超出第一级预警线时,通过人工判断是否存在 异常,当超过第二季预警线时,直接判断异常。但这种方式依然存在着耗费 人力的同时判断不灵活的缺陷,以致分析结果准确率低且分析效率低下。
为使本发明的上述目的、特征和优点能够更为明显易懂,本发明提供了 一种设备检测点的数据分析方法,其中,所述设备举例包括旋转机械设备、 水力机械设备等工业设备。在所述设备的不同位置上可根据实际需求设置设 备检测点,并在设备检测点上配置检测装置以获取检测装置所反馈的设备检 测点的数据,即检测数据。通过分析检测数据是否存在异常,可以为判断设 备的运转情况、设备是否存在故障等提供数据基础;
以所述设备为抽水蓄能发电电动机机组为例,抽水蓄能发电电动机机组 包括水轮机、主轴、滑动轴承、冷却水系统、油系统等,所述滑动轴承包括 上导轴承、下导轴承、推力轴承、水导轴承。在各滑动轴承与主轴之间通过 来自油系统的润滑油辅助起到滑动作用,并通过来自冷却水系统的冷却水对 润滑油进行热交换以降低润滑油的温度。其中,润滑油储存于油系统的润滑 油油箱内,并通过润滑油的输送系统被输送至各滑动轴承与主轴之间。冷却 水通过对润滑油油箱隔水冷却从而降低润滑油油箱内的油温。在此,可在所述抽水蓄能发电电动机各滑动轴承的轴瓦处、或润滑油油箱内、或者其他需 要检测的部位等设置设备检测点并配置检测装置,以便实时获取这些部位的 检测数据。其中,所述检测装置可以为用以检测所在部位振动频率的振动传 感器,也可以为用以检测所在部位温度的温度传感器;应当理解,本实施例 中虽然以抽水蓄能发电电动机机组为例,但在实际的应用中,所述设备也可 以是其他类型的设备,并不以此为限。相应地,所述设备中的检测装置类型 也可以根据实际需求被配置为各种类型的传感器。
所述设备检测点的数据分析方法主要由数据分析系统来执行。其中,所 述数据分析系统可由服务器来执行。为此,所述数据分析系统可以是配置在 服务器的软件系统。所述服务器包括但不限于单台服务器、服务器集群、分 布式服务器群、云服务器等。在此,根据实际设计,所述数据分析系统所在 服务器可被配置为位于设备侧的机房内。例如,所述数据分析系统所在单台 服务器或服务器集群位于设备侧的机房内。或者,根据实际设计,所述数据 分析系统还可配置于云提供商所提供的云服务器中。其中,所述云服务器包 括公共云(Public Cloud)服务器与私有云(Private Cloud)服务器,其中,所 述公共或私有云服务器包括Software-as-a-Service(软件即服务,SaaS)、 Platform-as-a-Service(平台即服务,PaaS)及Infrastructure-as-a-Service(基础 设施即服务,IaaS)等。所述私有云服务器例如阿里云计算服务平台、亚马逊 (Amazon)云计算服务平台、百度云计算平台、腾讯云计算平台等等。
根据数据分析系统的实际设计,所述服务器可与设备的控制系统通信连 接。其中,所述控制系统为计算机设备上所运行的软件系统,其借助于计算 机设备收集所述设备上各设备检测点所布置的各类检测装置的检测数据、获 取所述设备的运行数据、工作状态以及向所述设备输出控制指令等。例如, 在所述设备上分布着振动传感器、温度传感器、电流传感器等,所述控制系 统获得上述任一种或多种传感器所提供的检测数据,并通过通信网络传递给 数据分析系统。或者,根据所述数据分析系统的实际设计,所述服务器还可 直接与所述设备以及各设备检测点所布置的检测装置等通信连接,从而收集 各所述设备检测点的检测数据、获取所述设备的运行数据、工作状态等。
应当理解,所述设备通常具有多个工作状态,在某些实施方式中,所述 工作状态又被称之为工况。每个工作状态下所产生的效能不同,通过设定所 述设备的工作状态可满足实际生产的要求。例如,温控设备可根据实际生产 的要求将工作状态设置为制冷或制热模式;又如,所述抽水蓄能发电电动机 机组可根据实际生产的要求将工作状态设置为停机、泵抽水或发电模式。依 据所述设备的类型及其在工作中所能提供的效能,在实施方式中,所述工作 状态为反映设备工作过程中所处于的模式,其可通过设置在设备检测点的传感器检测或设备检测点自身而得到。数据分析系统通过传感器获取了电机当 前的振动频率并由此分析出电机当前的转速,从而从转速中推测出电机当前 的工作状态,由此得到工作状态。其中,根据设备自身所能提供的工作状态 的数量和类型,以及另行装配在设备中传感器的数量和类型,所述设备检测 点可以为一个或多个。以水泵为例,在水泵上可配置多个设备检测点,比如 出水口、电机输出功率、电机输出轴等。藉由水泵示例并推广至其他设备, 根据其在生产中的角色并通过内置或外置在各设备检测点上的传感器,所述 工作状态可借由设备在提供生产所需的能量期间各设备检测点所提供的以下 至少一种数据中所得到:振动、温度、转速、流量、水温、阀门开度、进口 压力、出口压力等。例如:当设备为水泵且所述设备检测点位于控制出水量 的阀门处时,所述工作状态可通过流量等获取;当设备为水泵且所述设备检 测点位于水泵的电机输出轴时,所述工作状态可通过转速获取;当设备为水 泵且所述设备检测点位于驱动水泵的电机侧时,所述工作状态可通过电流获 取等。在本发明实施方式中,所述工作状态还可通过所述设备自身或设备的 管理系统等对设备的控制操作而得到,所述设备的管理系统包括配置在各设 备检测点的检测装置,用于提供各设备检测点的当前工作状态、当前运行数 据和当前检测数据。其中,所述控制操作可被记录在控制设备操作的事件记 录、或管理数据库中。例如,所述设备的管理系统直接将当前自身工作中所 处于的工作状态发送给数据分析系统。又如,所述设备的管理系统将当前自 身工作中所处于的工作状态发送给设备的管理系统,并经由设备的管理系统 将所述设备的工作状态发送给数据分析系统。再如,基于所述设备的管理系 统向设备输出的控制指令以控制所述设备在不同的工况中切换,所述数据分 析系统还可通过设备的管理系统获取所述设备的工作状态。
所述运行数据为所述设备在运行期间所产生的相关参数。换言之,所述 运行数据基于设备的运行而产生,其通过各类参数的形式反映了设备开启后 的运行状态,所述运行数据包括但不限于为:温度数据、时间数据、功率数 据、振动数据。通常,所述运行数据基于以下中的至少一种而确定:设备的 类型、以及检测装置的类型、检测装置在设备中的位置。例如,当检测装置 为温度传感器时,所述运行数据包括在当前工作状态对应的时间段内的以下 至少一种数据:当前工作状态开始时检测装置上的温度数据、当前工作状态 维持的时长、设备当前的输出功率、设备当前的冷却水进口温度,在一些情 况下,还可包括环境温度等。又如,当所述设备为风机、且检测装置为设置 在轴承上的振动传感器时,所述运行数据至少包括设备的输出功率等。在可 能的实施方式中,可根据运行数据的类型来确定获取运行数据的方式,例如 当所述运行数据为时间数据时,可通过所述设备自身或设备的管理系统等方 式而得到;又如当所述运行数据为温度数据、功率数据、振动数据时,所述 运行数据可通过检测装置的检测数据而生成。
本发明的实施例通过单个设备检测点的数据为例,本发明实例提供了一 种设备检测点的数据分析方法,描述分析设备检测点数据的执行过程,结合 图1,其显示为本申请中设备检测点的数据分析方法包括以下步骤:
步骤S110:获取设备的当前工作状态CW_State、当前运行数据CR_Data 以及设备检测点上的当前检测数据CDetc_Data;为此,可通过数据分析系统 获取所述设备的当前工作状态CW_State、当前运行数据CR_Data、以及所述 设备检测点上的当前检测数据CDetc_Data。其中,所述当前运行数据CR_Data 与当前工作状态CW_State具有对应关系,即所述当前运行数据CR_Data为当 前工作状态CW_State下的运行数据;所述当前预测数据是通过执行一个数据 预测模型而得到的,该数据预测模型是根据所述当前工作状态对应选择的;分析所述当前预测数据与所述当前检测数据之间的差异,以得到所述设备检 测点的数据分析结果;
应当理解,检测数据与设备的工作状态有关。具体地说,同一设备检测 点在不同的工作状态下所受的影响也不同,由此使得不同的工作状态下设备 检测点的检测数据也可能不同。例如,风机在强力运转的工作状态和非强力 运转的工作状态下,设备的振动频率不同,因此风机设备检测点上的振动传 感器所反馈的检测数据也会不同。又如,抽水蓄能发电电动机机组在泵抽水 模式的工作状态和发电模式的工作状态下,抽水蓄能发电电动机机组的滑动 轴承与主轴之间的摩擦方向和频率不同,导致抽水蓄能发电电动机机组设备 检测点上的温度传感器所反馈的检测数据也会不同,从而及时对偏离正常温 度的测点数据进行预警,相比于原有的传统预警系统,灵活性和灵敏性有了 大大提高。故在此,所述数据分析系统通过获取设备的当前工作状态 CW_State,以提高对设备检测点的数据分析结果的精准度。另一方面,运行 数据也会对检测数据产生影响。例如,当设备检测点上的检测装置为温度传 感器时,设备开启时该设备检测点的温度、当前工作状态CW_State所持续的 时间均会对该设备检测点的温度产生影响,由此影响设备检测点的检测数据。 因此,数据分析系统还获取当前运行数据CR_Data,并且,为了提高分析结 果的精准度,该获取的当前运行数据CR_Data是与当前工作状态CW_State 相对应的,即所述当前运行数据CR_Data是基于设备当前的工作状态所产生 的。为此,所获取的运行数据中至少包括了在当前工作状态CW_State开始时 所述设备检测点的检测数据、当前工作状态CW_State所持续的时间、设备当 前的输出功率。
步骤S120:根据所述当前工作状态CW_State及当前运行数据CR_Data 进行预测计算,以获得所述设备检测点的当前预测数据CPre_Data;其中,预 测数据CPre_Data为所述设备检测点与检测装置所提供的类型相对应的预测 值,所述当前预测数据CPre_Data反映了基于当前工作状态CW_State和当前 运行数据CR_Data,所述设备检测点上当前所可能达到的数据值;
在本发明实施例中,为在减少运算量的同时提高数据分析的准确率,根 据所述当前工作状态及当前运行数据进行预测计算,以获得所述设备检测点 的当前预测数据的步骤还包括预处理当前运行数据CR_Data以得到所述当前 特征数据;根据所述当前工作状态CW_State及当前特征数据进行预测计算, 以获得所述设备检测点的当前预测数据CPre_Data。所述预处理包括但不限于 对当前运行数据CR_Data进行重采样、清洗空值、特征提取等处理。其中, 所述重采样为对当前运行数据CR_Data基于预设的获取频率进行平均处理。具体地说,在一些情况下,利用数据分析系统对运行数据的获取频率较高, 由此导致数据量庞大,增加了计算负担。因此,可通过按照预设的运行数据 的获取频率对原始的当前运行数据CR_Data进行平均处理,从而减少数据量。 例如,当数据分析系统对运行数据的原获取频率为0.5s/次,为减少数据量, 将预设的运行数据的获取频率定义为10s/次,则该预设的运行数据的获取频 率对应了20组原始的当前运行数据CR_Data。在此,将该10/s内的20组当 前运行数据CR_Data做均值处理,从而对当前运行数据CR_Data进行重采样。 应当理解,上述仅为本实施例中重采样方式的举例但并不以此为限,本领域 技术人员还可通过类似的方法实现重采样,例如将预设的运行数据的获取频 率根据实际需要定义为1s/次、2s/次、3s/次、4s/次、5s/次、6s/次、7s/次、8s/ 次、9s/次、11s/次、12s/次、13s/次、14s/次、15s/次、16s/次、17s/次、18s/次、 19s/次、20s/次等。
所述清洗空值为对当前运行数据CR_Data中为空值(例如数据值为0)的数 据予以删除,由此减少数据运算量。应当理解,上述仅为本实施例中清洗空 值方式的举例但并不以此为限,本领域技术人员还可通过类似的方法实现清 洗空值,例如将空值定义为数值小于某一阈值的数据,并将数据值小于该阈 值的数据予以删除等。所述特征提取为减少特征数据集中的属性(或者称为特 征)的数目,从所述事件记录中筛选出更有利于数据分析的当前运行数据 CR_Data。应当理解,在事件记录中,记录有各类具有对应关系的时间信息和事件条目。但对于设备检测点的数据分析而言,为提高分析效率,可提取其 中的部分具有对应关系的时间信息和事件条目,其包括但不限于:工作状态 转换成功后的运行数据、工作状态处于稳定阶段的运行数据等。例如,所述 数据分析系统将事件记录中具有工作状态转换成功记录所对应的当前运行数 据CR_Data作为当前特征数据。又如,在一些情况下,由于每一种工作状态 在转换的初始阶段会经历一过渡阶段后进入稳定阶段,所述过渡阶段对应的 检测数据会有较大变化,所述稳定阶段对应的检测数据浮动较小,因此,可 将事件记录中工作状态处于稳定阶段的当前运行数据CR_Data作为当前特征 数据。以所述设备为抽水蓄能发电电动机机组且设备检测点上的检测设备为 温度传感器为例,结合图3,其显示为本申请中一设备检测点的检测数据在一 实施方式中的变化过程示意图,所述抽水蓄能发电电动机机组包括停机模式 (S)、泵抽水模式(P)、发电模式(G)三种工作状态,图中横坐标表示时间, 纵坐标表示检测数据的值,SMS1表示该设备检测点的编号。从图3中可见,在A线到B线之间,设备处在停机模式,检测数据呈明显下降趋势。在B线 到C线之间,设备处在泵抽水模式下,在经历一段时间的过渡阶段(即图中 B线到C线之间较陡的数据段)后,检测数据的值趋于平稳,即进入泵抽水 模式稳定阶段。在C线到D线之间,设备再次处于停机模式,检测数据呈明 显下降趋势。在D线到E线之间,设备处于发电模式,在经历一段时间的过 渡阶段(即图中D线到E线之间较陡的数据段)后,检测数据的值趋于相对 平稳上升,即进入发电模式稳定阶段。同理,在E~K线之间,类似地经历三 种工作状态的互相切换。在此,可仅提取各工作状态进入稳定阶段后的当前 运行数据CR_Data作为当前特征数据,从而根据所述当前工作状态CW_State 及当前特征数据进行预测计算,以获得所述设备检测点的当前预测数据 CPre_Data。
在本发明实施例中,根据所述当前工作状态CW_State及当前运行数据 CR_Data进行预测计算,所述预测计算的方式可依据所述设备的历史工作状 态HW_State、历史运行数据HR_Data、以及历史检测数据HDec_Data来确定。 具体地说,所述数据分析系统根据当前工作状态CW_State确定相同的历史工 作状态HW_State中,与当前运行数据CR_Data最接近的历史运行数据 HR_Data所对应的历史检测数据HDec_Data。例如,抽水蓄能发电电动机机组的当前工作状态CW_State为泵抽水状态,则数据分析系统可在为泵抽水状 态的历史工作状态HW_State1中寻找与当前运行数据CR_Data最接近的历史 运行数据HR_Data1,并将该历史运行数据HR_Data1所对应的历史检测数据 HDec_Data1作为当前预测数据CPre_Data。
在本发明实施例中,为了更准确地对所述当前工作状态CW_State和当前 运行数据CR_Data进行预测计算以得到当前预测数据CPre_Data,预先构建用 以预测计算设备检测点预测数据的数据预测模型,所述当前预测数据 CPre_Data是通过执行数据预测模型而得到的,所述数据预测模型为包含决策 树或神经网络等机器学习算法的软件算法,如LSTM神经网络、或者LSTM 神经网络与XGBoost结合的模型等。其中,所述数据预测模型是根据所述当 前工作状态CW_State对应选择的。应当理解,由于每一设备检测点在设备上 的位置不同,故每一设备检测点上检测装置的检测数据、以及分析检测数据 正常或异常的分析结果的标准也不同。为提高对设备检测点的数据分析结果 的精准度,可对每一设备检测点均构建一独立的数据预测模型。另一方面, 由于设备检测点的检测数据还同时受到工作状态的影响,因此对每一设备检 测点而言,不同的工作状态对应不同的数据预测模型。在此,所述数据预测 模型是通过所述设备的历史工作状态HW_State、历史运行数据HR_Data、以 及所述设备检测点上的历史检测数据HDec_Data训练得到的。所述数据预测 模型反映了在特定的工作状态、以及该工作状态对应的运行数据下,设备检 测点的检测装置所可能对应的数据值。
在本发明实施例中,结合图2,其显示为本发明中的数据预测模型的训练 方法的示意图,所述数据预测模型的训练方法包括以下步骤
步骤S210:所述数据分析系统获取所述设备的历史工作状态HW_State、 所述历史运行数据HR_Data、以及所述设备检测点上的历史检测数据 HDec_Data。在可能的实施方式中,所述数据分析系统获取所述设备的事件记 录,所述事件记录包括了具有对应关系的时间信息和事件条目。所述事件条 目包括但不限于所述设备的操作指令、基于每一操作指令所产生的动作、基 于操作指令而产生的历史工作状态HW_State、历史运行数据HR_Data、历史 检测数据HDec_Data、以及所述历史检测数据HDec_Data对应为正常或异常 的分析结果等。所述事件记录反映了所述设备在历史上的每一个操作指令及 动作所对应的执行时间、以及对应产生的历史工作状态HW_State、历史运行 数据HR_Data、历史检测数据HDec_Data等。所述数据分析系统通过机器学 习的方式将事件记录中的时间信息和事件条目作为参数从而训练得到数据预 测模型。在还有一些情况下,所述参数还可包括环境温度等,从而考虑外界 因素对设备检测段数据的影响以进一步提高分析准确度。由此,所述数据分 析系统构建了所述设备检测点对应不同的工作状态下的数据预测模型。
步骤S220:根据所述历史工作状态HW_State及所述历史运行数据 HR_Data进行预测计算,以获得所述设备检测点的历史预测数据HPre_Data。 在此,选择对应设备检测点的数据预测模型,并将历史工作状态HW_State及 历史运行数据HR_Data输入至所述数据预测模型以得到历史预测数据 HPre_Data;
步骤S230:通过分析所述历史预测数据HPre_Data与所述历史检测数据 HDec_Data之间的差异,调整所述数据预测模型中的参数,以使所述数据预 测模型的预测误差范围在预设误差范围内。在此,对所述步骤S220中的历史 预测数据HPre_Data与步骤S210中的历史检测数据HDec_Data进行分析,从 而得到所述历史预测数据HPre_Data与所述历史检测数据HDec_Data之间的 差异。为使所述数据预测模型的计算结果精确,所述数据分析系统进一步调 整所述数据预测模型中的参数(如权重、偏移量等),并重复执行步骤 S210~S230,直至所述数据预测模型所预测的历史预测数据HPre_Data与历史 检测数据HDec_Data之间的预测误差范围在预设误差范围内,由此完成对相 应设备检测点的数据预测模型的训练。
其中,所述预设误差范围可视为相应设备检测点的数据预测模型的训练 结束条件。例如,当所训练的历史预测数据HPre_Data与历史检测数据 HDec_Data的差落入所述预设误差范围时,认定训练结束。又如,利用所训 练的多个时刻的历史预测数据HPre_Data与各相应时刻的历史检测数据 HDec_Data的差进行概率分布统计,当所统计的概率分布落入预设误差范围 时,认定训练结束。需要说明的是,所述训练结束条件还可以通过评价数据预测模型的准确率是否达到预设准确率阈值来确定。
在本发明实施例中,为在减少运算量的同时提高所述数据预测模型的准 确率,所述步骤S220还进一步包括:预处理所述历史运行数据HR_Data以得 到所述历史特征数据HFeature_Data;根据所述历史工作状态HW_State及历 史特征数据HFeature_Data进行预测计算,以获得所述设备检测点的历史预测 数据HPre_Data。所述预处理包括但不限于对历史运行数据HR_Data进行重 采样、清洗空值、特征提取等处理。其中,所述重采样为对历史运行数据 HR_Data基于预设的获取频率进行平均处理。具体地说,在一些情况下,历 史上所述数据分析系统对运行数据的获取频率较高,由此导致数据量庞大, 增加了计算负担。因此,可通过按照预设的运行数据的获取频率对原始的历 史运行数据HR_Data进行平均处理,从而减少数据量。例如,历史上所述数 据分析系统对运行数据的获取频率为0.5s/次,为减少数据量,将预设的运行 数据的获取频率定义为10s/次,则该预设的运行数据的获取频率对应了20组 原始的历史运行数据HR_Data。在此,将该10/s内的20组历史运行数据 HR_Data做均值处理,从而对历史运行数据HR_Data进行重采样。
所述清洗空值为对历史运行数据HR_Data中为空值的数据予以删除,由 此减少数据运算量。所述特征提取为减少特征数据集中的属性(或者称为特征) 的数目,即从所述事件记录中筛选出更有利于数据分析的历史运行数据 HR_Data。应当理解,在事件记录中,记录有各类具有对应关系的时间信息和 事件条目。但对于设备检测点的数据分析而言,为提高分析效率,可提取其 中的部分具有对应关系的时间信息和事件条目,包括但不限于:工作状态转 换成功后的运行数据、工作状态处于稳定阶段的运行数据等。例如,将事件 记录中具有工作状态转换成功记录所对应的历史运行数据HR_Data作为历史 特征数据。又如,在一些情况下,由于每一种工作状态在转换的初始阶段会 经历一过渡阶段后进入稳定阶段,所述过渡阶段对应的检测数据会有较大变 化,所述稳定阶段对应的检测数据浮动较小。因此,可将事件记录中工作状 态处于稳定阶段的历史运行数据HR_Data作为历史特征数据。以所述设备为 抽水蓄能发电电动机机组且设备检测点上的检测设备为温度传感器为例,请 参阅图3,其显示为本申请中的检测数据在一实施方式中的变化过程,所述抽 水蓄能发电电动机机组包括停机模式(S)、泵抽水模式(P)、发电模式(G) 三种工作状态,图中横坐标表示时间,纵坐标表示检测数据的值。从图中可 见,在A线到B线之间,设备处在停机模式,检测数据呈明显下降趋势。在 B线到C线之间,设备处在泵抽水模式下,在经历一段时间的过渡阶段(即 图中B线到C线之间较陡的数据段)后,检测数据的值趋于平稳,即进入泵抽水模式稳定阶段。在C线到D线之间,设备再次处于停机模式,检测数据 呈明显下降趋势。在D线到E线之间,设备处于发电模式,在经历一段时间 的过渡阶段(即图中D线到E线之间较陡的数据段)后,检测数据的值趋于 平稳,即进入发电模式稳定阶段。同理,在E~K线之间,类似地经历三种工 作状态的互相切换。在此,可仅提取各工作状态进入稳定阶段后的历史运行 数据HR_Data作为历史特征数据,从而将该历史特征数据输入至相应的历史 工作状态HW_State所对应的数据预测模型,以得到设备检测点的历史预测数 据HPre_Data。
在此,在利用经训练的对应设备检测点的数据预测模型或者通过前述其 他实施方式所获得的当前预测数据CPre_Data后,执行步骤S130以获得数据 分析结果
步骤S130:分析所述当前预测数据CPre_Data与所述当前检测数据 CDetc_Data之间的差异,以得到所述设备检测点的数据分析结果;其中,所 述数据分析结果包括正常分析结果和异常分析结果。所述差异包括但不限于 所述当前预测数据CPre_Data与所述当前检测数据CDetc_Data之间的差值、 差值百分比、或平方差。在此,所述差值百分比满足如下表达式:
例如,当所述当前预测数据CPre_Data与所述当前检测数据CDetc_Data 在预设精度范围内相等时,所述数据分析系统将所述设备检测点的数据分析 结果确定为正常分析结果;当所述当前预测数据CPre_Data与所述当前检测数 据CDetc_Data在预设精度范围内不相等时,所述数据分析系统将所述设备检 测点的数据分析结果确定为异常分析结果。又如,当所述当前预测数据 CPre_Data与所述当前检测数据CDetc_Data之间的差值在预设的阈值范围内 时,将所述设备检测点的数据分析结果确定为正常分析结果;当所述当前预测数据CPre_Data与所述当前检测数据CDetc_Data之间的差值超出预设的阈 值范围时,所述数据分析系统将所述设备检测点的数据分析结果确定为异常 分析结果。再如,当所述当前预测数据CPre_Data与所述当前检测数据 CDetc_Data之间的差值百分比在预设的百分比阈值范围内时,将所述设备检 测点的数据分析结果确定为正常分析结果;当所述当前预测数据CPre_Data 与所述当前检测数据CDetc_Data之间的差值超出预设的百分比阈值范围时, 将所述设备检测点的数据分析结果确定为异常分析结果。还如,当所述当前 预测数据CPre_Data与所述当前检测数据CDetc_Data之间的平方差在预设的 平方差阈值范围内时,将所述设备检测点的数据分析结果确定为正常分析结 果;当所述当前预测数据CPre_Data与所述当前检测数据CDetc_Data之间的 平方差超出预设的平方差阈值范围时,将所述设备检测点的数据分析结果确 定为异常分析结果。以下,将对根据所述当前预测数据CPre_Data与所述当前 检测数据CDetc_Data之间的差值,得到所述设备检测点的数据分析结果的过 程予以说明。应当理解,采用其他方式(如根据当前预测数据CPre_Data与当 前检测数据CDetc_Data之间差值百分比等)得到所述设备检测点的数据分析 结果的过程也与本实施例相类似,将不再一一详述。在本发明实施例中,为 了更准确地根据所述当前预测数据CPre_Data与所述当前检测数据 CDetc_Data之间的差值得到设备检测点的数据分析结果,预先构建了用以判 断当前预测数据CPre_Data与当前检测数据CDetc_Data之间的差值是否在正 常范围内的残差模型。所述残差模型将当前预测数据CPre_Data和当前检测数 据CDetc_Data作为输入,并基于当前预测数据CPre_Data和当前检测数据 CDetc_Data之间的差值输出该设备检测点为正常分析结果或异常分析结果。
在此,所述残差模型是通过所述设备的历史预测数据HPre_Data与设备 检测点上的历史检测数据HDec_Data训练得到的。在可能的实施方式中,可 以先对设备历史上的大量的事件记录进行分类学习和分析,所述事件记录包 括了具有对应关系的时间信息和事件条目。所述事件条目包括但不限于所述 设备的操作指令、基于每一操作指令所产生的动作、基于操作指令而产生的 历史工作状态HW_State、历史运行数据HR_Data、历史检测数据HDec_Data、 以及所述历史检测数据HDec_Data对应为正常或异常的分析结果等。所述事件记录反映了所述设备在历史上的每一个操作指令及动作所对应的执行时 间、以及对应产生的历史工作状态HW_State、历史运行数据HR_Data、历史 检测数据HDec_Data等,并通过机器学习的方式将事件记录中的多组历史工 作状态HW_State及其对应的历史运行数据HR_Data进行预测计算,如通过 上述实施例中的数据预测模型进行预测计算等,从而获得所述设备检测点的 多个历史预测数据HPre_Data。所述预测计算通过提取相应的特征,根据输入 和输出特征,如图4所示,利用机器学习的方式进行模型训练,保存模型。 根据数据输入(输入数据为历史数据或实时数据)分别经过数据处理和特征提 取后,历史特征数据经过调用预测模型进行预测训练,输出对于所监控参数 的理论模型与历史特征数据进行预测训练后的预测值,使用回归预测模型中 常用的MAE(Mean Absolute Error)平均绝对误差、MSE(Mean Squared Error)均 方误差、R2(R方系数)等评价函数对模型效果进行评估。实时特征数据输入训 练完成的预测模型,得到模型对于所监控参数的实时预测值。历史数据预测 值与所监控参数历史实际数据的绝对值差值即输出特征残差,对正常工况下理论模型输出残差进行聚类,根据聚类结果与预测值选定合适阈值对实时数 据进行异常(或事故)的实时预警。在本发明中,分析多个所述历史预测数据 HPre_Data与所对应的多个历史检测数据HDec_Data之间的差异,拟合得到 所述差异的分布。再根据所述差异的分布,得到所述残差模型中用于输出设 备检测点分析结果的分析阈值区间。具体地说,所述残差模型使用混合高斯 模型对残差数据(即所述历史预测数据HPre_Data与所对应的历史检测数据 HDec_Data之间的差值)进行拟合,使残差模型自身与训练数据(即所述历史 预测数据HPre_Data与所对应的历史检测数据HDec_Data)之间的相对熵最 小,由此得到所述历史预测数据HPre_Data与所对应的历史检测数据HDec_Data之间残差量的相关统计分布参数,从而根据相关统计分布参数设 定合适的分析阈值区间。其中,所述分析阈值区间为以区间形式表示的阈值 范围,其用以与所述历史预测数据HPre_Data与所对应的历史检测数据 HDec_Data之间的差值比较,从而确定所述设备检测点的数据分析结果,在 得到了所述设备检测点的数据分析结果后,所述数据分析系统还执行以下至 少一种步骤:将所得到的所述设备检测点的数据分析结果发送至所述设备的 管理系统;将所得到的所述设备检测点的数据分析结果呈现在所述设备的管 理系统的显示界面中;以及基于所得到的所述设备检测点数据分析结果的异 常分析结果触发预警信号。所述设备的管理系统仅接收数据分析结果并予以 保存或转发,以便基于该数据分析结果执行其他操作。以所述设备为抽水蓄 能发电电动机机组为例,在一实施方式中,所述数据分析系统将数据分析结 果发送给抽水蓄能发电电动机机组的管理系统,所述抽水蓄能发电电动机机 组的管理系统接收数据分析结果并予以保存在事件记录或管理数据库中,并 基于当前时间信息所对应的事件条目下;在另一实施方式中,所述数据分析 系统将数据分析结果发送给抽水蓄能发电电动机机组的管理系统,所述抽水 蓄能发电电动机机组的管理系统接收数据分析结果并转发给其他系统,例如 故障诊断系统等,以便故障诊断系统基于各设备检测点当前的数据分析结果 分析设备是否存在故障,以及当存在故障时所可能对应的故障类型;在本发 明中,所述数据分析系统将数据分析结果发送给抽水蓄能发电电动机机组的 管理系统,所述抽水蓄能发电电动机机组的管理系统可在接收数据分析结果 并保存于事件记录或管理数据库中的同时将数据分析结果转发给其他系统。 在另一些情况下,所述设备的管理系统将接收到的数据分析结果显示在显示 界面中,以便操作人员实时监测设备的运转情况。以所述设备为抽水蓄能发 电电动机机组为例,所述数据分析系统将数据分析结果发送给抽水蓄能发电 电动机机组的管理系统,所述抽水蓄能发电电动机机组的管理系统接收数据 分析结果并显示在管理系统的显示界面中,操作人员可根据显示界面实时显 示的数据分析结果掌握设备的运转情况。在一些实施方式中,所述设备上的 各设备检测点均具有一唯一的编号(ID),所述数据分析系统将各设备检测点 的数据分析结果发送给设备的管理系统后,设备的管理系统将每一设备检测 点与其ID以及其数据分析结果对应显示或保存;在还有一些情况下,当所述 数据分析系统得到异常分析结果时,触发预警信号以通知相关人员及时排查 原因。以所述设备为抽水蓄能发电电动机机组为例,所述数据分析系统将数 据分析结果发送给抽水蓄能发电电动机机组的管理系统,所述抽水蓄能发电 电动机机组的管理系统接收数据分析结果,当数据分析结果为异常时,管理 系统发出预警信号,如通过声音报警、通过在显示设备上显示报警信息等, 从而提示操作人员以便及时采取相应措施。
综上所述,本申请所提供的设备检测点的数据分析方法通过对设备相关 参数进行分析,综合了工作状态、环境温度等各种影响因素对设备检测点检 测装置的数据进行预测,并考虑可能存在的误差,实现了对设备异常的灵活 判断,从而为监测设备状态提供了实施数据,同时为生产检修提供了重要参 考。
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,还可以作出若干改进和润 饰,这些改进和润饰也应视为本发明的保护范围。
Claims (9)
1.一种设备检测点的数据分析方法,其特征在于:所述数据分析方法包括以下步骤:
获取设备的当前工作状态、当前运行数据以及设备检测点上的当前检测数据;
根据所述当前工作状态及当前运行数据进行预测计算,以获得所述设备检测点的当前预测数据;
分析所述当前预测数据与所述当前检测数据之间的差异,以得到所述设备检测点的数据分析结果;
根据所述当前工作状态及当前运行数据进行预测计算,以获得所述设备检测点的当前预测数据的步骤还包括:预处理当前运行数据以得到当前特征数据,根据所述当前工作状态以及所述当前特征数据进行预测计算,以获得所述设备检测点的当前预测数据,所述当前预测数据是通过执行一个数据预测模型而得到的,该数据预测模型是根据所述当前工作状态对应选择的,所述预处理包括对当前运行数据进行重采样、清洗空值和特征提取处理。
2.根据权利要求1所述的一种设备检测点的数据分析方法,其特征在于:
所述数据预测模型是通过所述设备的历史工作状态、历史运行数据、以及所述设备检测点上的历史检测数据训练得到的,且该数据预测模型的训练方法包括:获取所述设备的历史工作状态、历史运行数据以及所述设备检测点上的历史检测数据;
根据所述历史工作状态及所述历史运行数据进行预测计算,以获得所述设备检测点的历史预测数据;
通过分析所述历史预测数据与所述历史检测数据之间的差异,调整所述数据预测模型中的参数,以使所述数据预测模型的预测误差范围在预设误差范围内。
3.根据权利要求2所述的一种设备检测点的数据分析方法,其特征在于:
根据所述历史工作状态以及历史运行数据进行预测计算,以获得所述设备检测点的历史预测数据的步骤还包括:预处理所述历史运行数据以得到历史特征数据,根据所述历史工作状态及历史特征数据进行预测计算,以获得所述设备检测点的历史预测数据。
4.根据权利要求1所述的一种设备检测点的数据分析方法,其特征在于:
分析所述当前预测数据与所述当前检测数据之间的差异,以得到所述设备检测点的数据分析结果的步骤包括:根据所述当前预测数据与所述当前检测数据之间的差值,得到所述设备检测点的数据分析结果。
5.根据权利要求4所述的一种设备检测点的数据分析方法,其特征在于:
根据所述当前预测数据与所述当前检测数据之间的差值,确定所述设备检测点的数据分析结果的步骤包括:
将所述当前预测数据和所述当前检测数据输入残差模型,以得到所述设备检测点的数据分析结果,该残差模型是根据历史预测数据与所述设备检测点上的历史检测数据训练得到的。
6.根据权利要求5所述的一种设备检测点的数据分析方法,其特征在于:所述残差模型的训练方法包括:
根据多组历史工作状态及其对应的历史运行数据进行预测计算,以获得所述设备检测点的多个历史预测数据;所述预测计算通过执行数据预测模型而得到历史预测数据;
分析多个所述历史预测数据与所对应的多个历史检测数据之间的差异,拟合得到所述差异的分布;
根据所述差异的分布,得到所述残差模型中用于输出设备检测点分析结果的分析阈值区间。
7.根据权利要求1所述的一种设备检测点的数据分析方法,其特征在于:所述数据分析方法还包括以下至少一种步骤:将所得到的所述设备检测点的数据分析结果发送至所述设备的管理系统;将所得到的所述设备检测点的数据分析结果呈现在所述设备的管理系统的显示界面中;以及基于所得到的所述设备检测点数据分析结果的异常分析结果触发预警信号。
8.根据权利要求1-7任一权利要求所述的一种设备检测点的数据分析方法,其特征在于:所述设备为抽水蓄能发电电动机,所述设备检测点的数据为温度数据,所述当前运行数据包括在当前工作状态对应的时间段内的以下至少一种数据:当前工作状态开始时所述设备检测点的检测数据、当前工作状态维持的时长、设备当前的输出功率、设备当前的冷却水进口温度。
9.根据权利要求8所述的一种设备检测点的数据分析方法,其特征在于:所述设备检测点设置在以下任一位置:抽水蓄能发电电动机各轴承的轴瓦处及润滑油油箱内。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010565023.2A CN111766514B (zh) | 2020-06-19 | 2020-06-19 | 一种设备检测点的数据分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010565023.2A CN111766514B (zh) | 2020-06-19 | 2020-06-19 | 一种设备检测点的数据分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111766514A CN111766514A (zh) | 2020-10-13 |
CN111766514B true CN111766514B (zh) | 2023-03-14 |
Family
ID=72721243
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010565023.2A Active CN111766514B (zh) | 2020-06-19 | 2020-06-19 | 一种设备检测点的数据分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111766514B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112629905A (zh) * | 2020-12-22 | 2021-04-09 | 杭州未名信科科技有限公司 | 基于深度学习的设备异常检测方法、系统及计算机介质 |
CN115289606A (zh) * | 2022-07-13 | 2022-11-04 | 杭州安脉盛智能技术有限公司 | 除湿机在线故障诊断方法、系统、服务器及存储介质 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102324256B (zh) * | 2011-08-17 | 2015-02-25 | 广东核电合营有限公司 | 百万千瓦级核电站发电机定子水温监控方法及堵塞处理方法 |
CN103592040B (zh) * | 2012-08-15 | 2016-02-03 | 广东核电合营有限公司 | 一种核电站发电机定子绕组的温度监测方法和系统 |
CN105260800A (zh) * | 2015-10-26 | 2016-01-20 | 国网浙江省电力公司电力科学研究院 | 一种光伏组件温度预测方法及装置 |
CN108089962A (zh) * | 2017-11-13 | 2018-05-29 | 北京奇艺世纪科技有限公司 | 一种异常检测方法、装置及电子设备 |
CN109524139B (zh) * | 2018-10-23 | 2023-06-13 | 中核核电运行管理有限公司 | 一种基于设备工况变化的实时设备性能监测方法 |
CN109458308B (zh) * | 2018-12-28 | 2020-07-07 | 中国大唐集团新能源科学技术研究院有限公司 | 风机主轴超温预警方法 |
CN109949436A (zh) * | 2019-03-06 | 2019-06-28 | 万洲电气股份有限公司 | 基于重点能耗设备模型诊断分析的工业智能优化节能系统 |
CN110414155B (zh) * | 2019-07-31 | 2022-09-30 | 北京天泽智云科技有限公司 | 一种带有单测点的风机部件温度异常检测和报警方法 |
CN110726494B (zh) * | 2019-11-27 | 2020-09-15 | 成都比善科技开发有限公司 | 高压开关柜温度监测系统及监测方法 |
-
2020
- 2020-06-19 CN CN202010565023.2A patent/CN111766514B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111766514A (zh) | 2020-10-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111781498B (zh) | 一种设备检测点的数据分析系统 | |
CN115034248A (zh) | 用于设备的自动诊断方法、系统和存储介质 | |
RU2313815C2 (ru) | Устройство и способ для контроля технической установки, содержащей множество систем, в частности установки электростанции | |
KR102428632B1 (ko) | 산업 프로세스들에서 이용되는 부품들로부터 기원하는 시그널링에 있어서의 이상을 검출 및 측정하는 시스템 및 방법 | |
CN111242323B (zh) | 用于修理机器次优操作的主动自动系统和方法 | |
CN111766514B (zh) | 一种设备检测点的数据分析方法 | |
CN104102773A (zh) | 一种设备故障预警及状态监测方法 | |
CN111098463A (zh) | 一种注塑机故障诊断系统及诊断方法 | |
KR102102346B1 (ko) | 함정설비의 상태기반 정비지원 시스템 및 방법 | |
EP3260703A1 (en) | Predicting a surge event in a compressor of a turbomachine | |
CN112629585A (zh) | 基于多维参数估计的设备在线监测方法及装置 | |
KR102005138B1 (ko) | 기기 이상징후 사전감지 방법 및 시스템 | |
WO2017138238A1 (ja) | 監視装置及び監視装置の制御方法 | |
CN110469461B (zh) | 一种风机齿带的断裂预估方法、其装置及可读存储介质 | |
CN111382494A (zh) | 用于检测工业机器的感知数据中的异常的系统及方法 | |
US11900223B2 (en) | Device and method for monitoring a system | |
RU2687848C1 (ru) | Способ и система вибромониторинга промышленной безопасности динамического оборудования опасных производственных объектов | |
KR102108975B1 (ko) | 함정설비의 상태기반 정비 지원 장치 및 방법 | |
CN117572808A (zh) | 一种设备监测方法、装置及设备 | |
US11339763B2 (en) | Method for windmill farm monitoring | |
CN116205623A (zh) | 设备维护方法、装置、系统、电子设备及存储介质 | |
KR102411915B1 (ko) | 시설 및 장비 실시간 모니터링 및 이상 징후 ai 진단 서비스 제공 시스템 및 방법 | |
Zhang et al. | Process monitoring and fault diagnosis–Status and applications | |
CN115018120A (zh) | 基于健康指数的预测性维护方法、系统及可读存储介质 | |
CN115943353A (zh) | 用于确定机器的运行异常的原因的系统和方法以及计算机程序和电子可读的数据载体 |
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 |