CN112052890B - 给水泵振动预测方法及装置 - Google Patents
给水泵振动预测方法及装置 Download PDFInfo
- Publication number
- CN112052890B CN112052890B CN202010883100.9A CN202010883100A CN112052890B CN 112052890 B CN112052890 B CN 112052890B CN 202010883100 A CN202010883100 A CN 202010883100A CN 112052890 B CN112052890 B CN 112052890B
- Authority
- CN
- China
- Prior art keywords
- state parameter
- sample
- historical
- data
- vibration
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 114
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000012549 training Methods 0.000 claims abstract description 76
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 39
- 238000012216 screening Methods 0.000 claims abstract description 8
- 238000012360 testing method Methods 0.000 claims description 84
- 239000013598 vector Substances 0.000 claims description 36
- 238000012545 processing Methods 0.000 claims description 32
- 239000011159 matrix material Substances 0.000 claims description 30
- 238000004364 calculation method Methods 0.000 claims description 25
- 238000004590 computer program Methods 0.000 claims description 16
- 238000010606 normalization Methods 0.000 claims description 9
- 238000000354 decomposition reaction Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 2
- 238000012847 principal component analysis method Methods 0.000 abstract description 7
- 238000004891 communication Methods 0.000 description 16
- 230000006870 function Effects 0.000 description 14
- 238000010586 diagram Methods 0.000 description 13
- 238000004804 winding Methods 0.000 description 12
- 239000007788 liquid Substances 0.000 description 10
- 238000012935 Averaging Methods 0.000 description 5
- 239000000872 buffer Substances 0.000 description 4
- 238000011010 flushing procedure Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 239000010687 lubricating oil Substances 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 239000003921 oil Substances 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Control Of Positive-Displacement Pumps (AREA)
Abstract
本申请提供一种给水泵振动预测方法及装置,所述给水泵振动预测方法包括:对获取到的给水泵历史运行状态参数进行筛选,得到历史运行状态参数样本集及目标参数振动数据集;利用K最近邻算法对所述历史运行状态参数样本数据集及所述目标参数振动数据集进行训练,得到近邻样本参数;根据获取到的给水泵当前运行状态参数及所述近邻样本参数,生成所述当前运行状态参数对应的给水泵振动预测值。本申请利用主成分分析法及K最近邻算法,能够根据给水泵的当前运行状态参数生成给水泵振动预测值,准确、高效地进行给水泵的故障预警。
Description
技术领域
本申请涉及给水泵故障诊断技术领域,特别是一种基于主成分分析法及K最近邻(KNN,K-NearestNeighbor)算法的给水泵振动预测方法及装置。
背景技术
给水泵作为火电机组的重要辅机设备,其工作状态直接决定着火电机组的安全稳定运行。对于包含多台给水泵的机组,任何一台给水泵发生故障跳闸即可触发机组快速减负荷,直接影响机组带负荷的能力;而对于采用100%容量汽动给水泵的机组,给水泵跳闸将直接导致火电机组非计划停运。因此,对给水泵故障进行预警是保障火电机组安全运行的重要手段。而振动是评价给水泵运行状况的重要指标,是给水泵运行状态的重要监视参数,如何准确、高效地实现给水泵振动参数的预警对维持火电机组的安全稳定运行具有现实的工程意义。
发明内容
针对现有技术中的问题,本申请提供一种给水泵振动预测方法及装置,能够根据给水泵的当前运行状态参数生成给水泵振动预测值,准确、高效地进行给水泵的故障预警。
为解决上述技术问题,本申请提供以下技术方案:
第一方面,本申请提供一种给水泵振动预测方法,包括:
对获取到的给水泵历史运行状态参数进行筛选,得到历史运行状态参数样本集及目标参数振动数据集;
利用K最近邻算法对所述历史运行状态参数样本数据集及所述目标参数振动数据集进行训练,得到近邻样本参数;
根据获取到的给水泵当前运行状态参数及所述近邻样本参数,生成所述当前运行状态参数对应的给水泵振动预测值。
进一步地,利用K最近邻算法对所述历史运行状态参数样本数据集及所述目标参数振动数据集进行训练,得到近邻样本参数,包括:
对所述历史运行状态参数样本数据集中的历史运行状态参数样本数据进行特征降维,得到所述历史运行状态参数样本数据对应的主成分重建原数据;
对所述历史运行状态参数样本数据对应的所述主成分重建原数据进行归一化处理,得到主成分重建标准化数据;
将所述主成分重建标准化数据划分为训练样本集与测试样本集;
利用K最近邻算法对所述训练样本集、所述测试样本集及所述目标参数振动数据集进行训练,调整预先设定的近邻样本初始参数,得到近邻样本参数。
进一步地,对所述历史运行状态参数样本数据集中的历史运行状态参数样本数据进行特征降维,得到所述历史运行状态参数样本数据对应的主成分重建原数据,包括:
计算所述历史运行状态参数样本数据集中所述历史运行状态参数样本数据的特征均值向量;
根据所述特征均值向量,将所述历史运行状态参数样本数据中心化,得到历史运行状态参数样本数据矩阵;
构造所述历史运行状态参数样本数据矩阵的协方差矩阵;
对所述协方差矩阵进行特征分解,求取所述协方差矩阵的特征值及各所述特征值对应的特征向量;
根据计算得到的各所述特征值的贡献率提取前d个主成分,其中d的数量小于所述特征向量的维度;
根据所述主成分计算所述历史运行状态参数样本数据对应的主成分重建原数据。
进一步地,利用K最近邻算法对所述训练样本集、所述测试样本集及所述目标参数振动数据集进行训练,调整预先设定的近邻样本初始参数,得到近邻样本参数,包括:
逐一计算所述测试样本集中各历史运行状态参数样本与所述训练样本集中各历史运行状态参数样本之间的欧式距离;
针对所述测试样本集中的每一所述历史运行状态参数样本,选取与所述训练样本集中各历史运行状态参数样本之间欧式距离最近的k个历史运行状态参数样本,其中,1≤k≤N-1,N为所述训练样本集中所述历史运行状态参数样本的个数;
针对所述测试样本集中的每一历史运行状态参数样本,获取所述k个历史运行状态参数样本的振动参数;
根据所述k个历史运行状态参数样本的振动参数,生成所述测试样本集中的每一历史运行状态参数样本的给水泵振动预测值;
计算所述测试样本集中每一所述历史运行状态参数样本在不同k值下的给水泵振动预测值的均方误差;
选取最小的所述均方误差所对应的k值,作为近邻样本参数。
进一步地,根据获取到的给水泵当前运行状态参数及所述近邻样本参数,生成所述当前运行状态参数对应的给水泵振动预测值,包括:
对所述当前运行状态参数进行特征降维,得到所述当前运行状态参数对应的主成分重建原数据;
对所述当前运行状态参数对应的主成分重建原数据进行归一化处理,得到所述当前运行状态参数对应的主成分重建标准化数据;
根据所述近邻样本参数,利用K最近邻算法生成所述当前运行状态参数对应的给水泵振动预测值。
第二方面,本申请提供一种给水泵振动预测装置,包括:
获取单元,用于对获取到的给水泵历史运行状态参数进行筛选,得到历史运行状态参数样本集及目标参数振动数据集;
训练单元,用于利用K最近邻算法对所述历史运行状态参数样本数据集及所述目标参数振动数据集进行训练,得到近邻样本参数;
预测单元,用于根据获取到的给水泵当前运行状态参数及所述近邻样本参数,生成所述当前运行状态参数对应的给水泵振动预测值。
进一步地,所述训练单元包括:
历史数据处理模块,用于对所述历史运行状态参数样本数据集中的历史运行状态参数样本数据进行特征降维,得到所述历史运行状态参数样本数据对应的主成分重建原数据;所述历史数据处理模块,还用于对所述历史运行状态参数样本数据对应的所述主成分重建原数据进行归一化处理,得到主成分重建标准化数据;
划分模块,用于将所述主成分重建标准化数据划分为训练样本集与测试样本集;
训练模块,用于利用K最近邻算法对所述训练样本集、所述测试样本集及所述目标参数振动数据集进行训练,调整预先设定的近邻样本初始参数,得到近邻样本参数。
进一步地,所述历史数据处理模块包括:
均值计算模块,用于计算所述历史运行状态参数样本数据集中所述历史运行状态参数样本数据的特征均值向量;
中心化计算模块,用于根据所述特征均值向量,将所述历史运行状态参数样本数据中心化,得到历史运行状态参数样本数据矩阵;
构造模块,用于构造所述历史运行状态参数样本数据矩阵的协方差矩阵;
特征计算模块,用于对所述协方差矩阵进行特征分解,求取所述协方差矩阵的特征值及各所述特征值对应的特征向量;
提取模块,用于根据计算得到的各所述特征值的贡献率提取前d个主成分,其中d的数量小于所述特征向量的维度;
历史重建模块,用于根据所述主成分计算所述历史运行状态参数样本数据对应的主成分重建原数据。
进一步地,所述训练模块包括:
距离计算模块,用于逐一计算所述测试样本集中各历史运行状态参数样本与所述训练样本集中各历史运行状态参数样本之间的欧式距离;
选取模块,用于针对所述测试样本集中的每一所述历史运行状态参数样本,选取与所述训练样本集中各历史运行状态参数样本之间欧式距离最近的k个历史运行状态参数样本,其中,1≤k≤N-1,N为所述训练样本集中所述历史运行状态参数样本的个数;
获取模块,用于针对所述测试样本集中的每一历史运行状态参数样本,获取所述k个历史运行状态参数样本的振动参数;
生成模块,用于根据所述k个历史运行状态参数样本的振动参数,生成所述测试样本集中的每一历史运行状态参数样本的给水泵振动预测值;
误差计算模块,用于计算所述测试样本集中每一所述历史运行状态参数样本在不同k值下的给水泵振动预测值的均方误差;
参数确定模块,用于选取最小的所述均方误差所对应的k值,作为近邻样本参数。
进一步地,所述预测单元包括:
当前重建模块,用于对所述当前运行状态参数进行特征降维,得到所述当前运行状态参数对应的主成分重建原数据;
当前数据处理模块,用于对所述当前运行状态参数对应的主成分重建原数据进行归一化处理,得到所述当前运行状态参数对应的主成分重建标准化数据;
预测模块,用于根据所述近邻样本参数,利用K最近邻算法生成所述当前运行状态参数对应的给水泵振动预测值。
第三方面,本申请提供一种电子设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现所述给水泵振动预测方法的步骤。
第四方面,本申请提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现所述给水泵振动预测方法的步骤。
由上述技术方案可知,本申请提供的给水泵振动预测方法及装置,利用主成分分析法及K最近邻(KNN,K-NearestNeighbor)算法,能够根据给水泵的当前运行状态参数生成给水泵振动预测值,准确、高效地进行给水泵的故障预警。
附图说明
图1为本申请实施例中给水泵振动预测方法的总流程图;
图2为本申请实施例中的训练流程图;
图3为本申请实施例中生成给水泵振动预测值的流程图;
图4为本申请实施例中给水泵振动预测装置的总结构图;
图5为本申请实施例中训练单元的结构图;
图6为本申请实施例中数据处理模块的结构图;
图7为本申请实施例中训练模块的结构图;
图8为本申请实施例中预测单元的结构图;
图9为本申请实施例中的电子设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
参见图1,为了能够根据给水泵的当前运行状态参数生成给水泵振动预测值,准确、高效地进行给水泵的故障预警,本申请实施例提供一种给水泵振动预测方法,包括:
S101:对获取到的给水泵历史运行状态参数进行筛选,得到历史运行状态参数样本集及目标参数振动数据集。
可以理解的是,通过火电机组分散式控制系统(DCS)的历史数据库及电站厂级监控信息系统(SIS)的历史数据库,可以获取到给水泵的全部历史运行状态参数,所谓历史运行状态参数是指近一年的给水泵运行状态参数。这些历史运行状态参数可以每分钟被记录一次,这些历史运行状态参数包括但不限于:汽机负荷、电机电流、高压省煤器进水流量、出口压力、电机U相绕组温度1、电机U相绕组温度2、电机V相绕组温度1、电机V相绕组温度2、电机W相绕组温度1、电机W相绕组温度2、电机非驱动端轴承温度、电机驱动端轴承温度、非驱动端机械密封冲洗温度、非驱动端径向轴承温度1、非驱动端径向轴承温度2、进口滤网差压、进口压力、驱动端机械密封冲洗温度、驱动端径向轴承温度1、驱动端径向轴承温度2、液偶润滑油冷却器后油温、液偶执行机构位置反馈、液偶轴承温度1、液偶轴承温度2、液偶轴承温度3、止推滑动轴承内侧温度1、止推滑动轴承内侧温度2、止推滑动轴承外侧温度1、止推滑动轴承外侧温度2和转速等。其中,部分历史运行状态参数如表1所示。
表1
去除给水泵启停时刻及传感器发生故障造成的异常历史运行状态参数,最终得到历史运行状态参数样本集X。
此外,历史运行状态参数还包括非驱动端X方向振动值、非驱动端Y方向振动值、驱动端X方向振动值及驱动端Y方向振动值;以上四个历史运行状态参数共同构成目标参数振动数据集y。
S102:利用K最近邻算法对历史运行状态参数样本数据集及目标参数振动数据集进行训练,得到近邻样本参数。
可以理解的是,K最近邻算法是一种机器学习算法,利用该算法对训练集进行训练即可求得近邻样本参数。本申请实施例中的训练集为历史运行状态参数样本数据集及目标参数振动数据集。
S103:根据获取到的给水泵当前运行状态参数及近邻样本参数,生成当前运行状态参数对应的给水泵振动预测值。
可以理解的是,给水泵当前运行状态参数包括但不限于:汽机负荷、电机电流、高压省煤器进水流量、出口压力、电机U相绕组温度1、电机U相绕组温度2、电机V相绕组温度1、电机V相绕组温度2、电机W相绕组温度1、电机W相绕组温度2、电机非驱动端轴承温度、电机驱动端轴承温度、非驱动端机械密封冲洗温度、非驱动端径向轴承温度1、非驱动端径向轴承温度2、进口滤网差压、进口压力、驱动端机械密封冲洗温度、驱动端径向轴承温度1、驱动端径向轴承温度2、液偶润滑油冷却器后油温、液偶执行机构位置反馈、液偶轴承温度1、液偶轴承温度2、液偶轴承温度3、止推滑动轴承内侧温度1、止推滑动轴承内侧温度2、止推滑动轴承外侧温度1、止推滑动轴承外侧温度2和转速等。根据给水泵当前运行状态参数及近邻样本参数,即可生成给水泵振动预测值,从而预测给水泵发生故障的可能,以便可以提前采取措施进行预防。
从上述描述可知,本申请提供的给水泵振动预测方法,利用主成分分析法及K最近邻算法,能够根据给水泵的当前运行状态参数生成给水泵振动预测值,从而准确、高效地进行给水泵的故障预警。
参见图2,利用K最近邻算法对历史运行状态参数样本数据集及目标参数振动数据集进行训练,得到近邻样本参数的步骤包括:
S201:对所述历史运行状态参数样本数据集中的历史运行状态参数样本数据进行特征降维,得到所述历史运行状态参数样本数据对应的主成分重建原数据;
可以理解的是,在利用主成分分析法生成给水泵振动预测值的过程中,表1的每行历史运行状态参数样本数据对应一个特征向量,每行历史运行状态参数样本数据的个数即为对应的特征向量的维度。在本申请实施例中,每行历史运行状态参数样本数据的个数相同,故所有特征向量的维度也相同。
虽然直接采用历史运行状态参数样本集X也可以生成给水泵振动预测值,但由于未经特征降维处理的历史运行状态参数样本数据集中的历史运行状态参数众多,从而导致预测过程计算量巨大。因此,不进行特征降维将直接导致预测效率的大幅降低。又考虑到给水泵状态参数具有高度相关性,故采用特征降维方法,将原本为高关联性高维特征向量的历史运行状态参数样本数据转变为低关联性低维特征向量的历史运行状态参数样本数据。在保证预测效果的前提下,尽量降低特征向量的维度,以便提高预测效率。在进行PCA降维时,可计算各主成分方差,通过选取适当的特征向量维度,使得具有上述特征向量维度的历史运行状态参数样本数据所组成的特征向量对预测的贡献率达到99%,尽可能多地保存原始的历史运行状态参数样本数据的特征。根据反复验证,本申请实施例最终选取的特征向量维度为6。
降维的主要步骤如下:
①计算历史运行状态参数样本集X中各历史运行状态参数样本数据的特征均值向量μ,即:
其中,xi为历史运行状态参数样本数据集X中第i行历史运行状态参数样本数据所组成的特征向量,n表示历史运行状态参数样本数据集X中一共有n行历史运行状态参数样本数据。
②针对历史运行状态参数样本集X中的每行历史运行状态参数样本数据所组成的特征向量,进行去均值处理,即将历史运行状态参数样本数据中心化,具体计算公式为:
其中,为中心化后的历史运行状态参数样本集。
③构造中心化后的历史运行状态参数样本集所对应矩阵的协方差矩阵V,具体计算公式为:/>
其中,表示/>的转置矩阵。
④对该协方差矩阵V进行特征分解,求取特征值λi及对应的特征向量wi,其中,取特征值λi为第i行历史运行状态参数样本数据所对应的特征值,特征向量wi为第i行历史运行状态参数样本数据所对应的特征向量。
⑤对各λi从大到小进行排序,取前d个最大的特征值,并认为前d个最大的特征值所对应的特征向量为对预测过程贡献率最大。从而得到Λ=diag[λ1,λ2,…λd]及Wd=[w1,w2,…wd],并将Wd=[w1,w2,…wd]作为子空间的基。最终,所提取的d个主成分为F,具体计算公式为:
其中,为Wd的转置矩阵。
⑥根据所提取的d个主成分F,得到主成分重建原数据,具体计算公式为:X=WF+μ
其中,公式中的X已为进行特征降维后的历史运行状态参数样本集X。
S202:对所述历史运行状态参数样本数据对应的所述主成分重建原数据进行归一化处理,得到主成分重建标准化数据;
可以理解的是,由于历史运行状态参数样本集X中各数据的量级具有较大差异,需通过对各数据进行特征缩放,才能使各成分数据具有统一的尺度,这对后续采用K最近邻算法进行进一步地数据处理是极为有益的。具体的归一化处理公式为:x=(xi-μ)/σ,其中,xi及μ的定义分别与其在前述步骤中的定义一致,σ为xi的标准差,x为对xi进行归一化后的数值。
经过归一化处理后,最终历史运行状态参数样本集X中的历史运行状态参数样本满足均值为0,方差为1的标准化要求,得到主成分重建标准化数据。
S203:将所述主成分重建标准化数据划分为训练样本集与测试样本集;
可以理解的是,为了对训练效果进行测试,需将主成分重建标准化数据划分为训练样本集与测试样本集,利用训练样本集进行训练,然后利用测试样本集对训练效果进行测试,其中,训练样本集与测试样本集中所含有的样本数量比例为3:1。
S204:利用K最近邻算法对所述训练样本集、所述测试样本集及所述目标参数振动数据集进行训练,调整预先设定的近邻样本初始参数,得到近邻样本参数。
可以理解的是,得到近邻样本参数需经历以下步骤:
①预先设定近邻样本初始参数,在本申请实施例中,设定近邻样本初始参数为1。
②逐一计算测试样本集中各历史运行状态参数样本与训练样本集中各历史运行状态参数样本之间的欧式距离;
设测试样本集中的各历史运行状态参数样本数据为各历史数据测试样本,若要预测某一历史数据测试样本xi的振动预测值,首先需确定与历史数据测试样本xi最为相似的k个历史运行状态参数样本作为历史数据测试样本xi的近邻样本。这k个历史运行状态参数样本均来源于训练样本集。
本申请实施例选取欧式距离进行近邻样本的选取。设所有历史数据测试样本属于n维空间Rn,某一历史数据测试样本xi=(xi1,xi2,…xin)∈Rn,其中,xin为第i个历史数据测试样本的n个特征值,则样本xi与xj的欧式距离为:
显然,xi与xj分别来源于测试样本集及训练样本集。利用欧氏距离计算公式,可以计算得到训练样本集中距离历史数据测试样本xi最近的k个历史数据测试样本的集合V={x1,x2,…xk}。
③以上过程仅是针对某一历史数据测试样本计算出的距离历史数据测试样本xi最近的k个历史数据测试样本的集合,事实上针对每一历史数据测试样本,均需根据以上计算方法选取出与其欧式距离最近的k个历史数据测试样本,其中,1≤k≤N-1,N为训练样本集中历史数据测试样本的个数。
④针对每一历史数据测试样本xi,从目标参数振动数据集y中获取k个历史数据测试样本各自对应的振动参数,这些振动参数包括:非驱动端X方向振动值、非驱动端Y方向振动值、驱动端X方向振动值及驱动端Y方向振动值。
⑤由于k个历史数据测试样本为历史数据测试样本xi的最近邻样本,因此根据k个历史数据测试样本的振动参数,可以生成历史数据测试样本xi的振动预测值。具体方法是将k个历史数据测试样本对应的非驱动端X方向振动值进行取平均计算,得到历史数据测试样本xi的非驱动端X方向振动预测值;将k个历史数据测试样本对应的非驱动端Y方向振动值进行取平均计算,得到历史数据测试样本xi的非驱动端Y方向振动预测值;将k个历史数据测试样本对应的驱动端X方向振动值进行取平均计算,得到历史数据测试样本xi的驱动端X方向振动预测值;将k个历史数据测试样本对应的驱动端Y方向振动值进行取平均计算,得到历史数据测试样本xi的驱动端Y方向振动预测值,最终将历史数据测试样本xi的非驱动端X方向振动值、非驱动端Y方向振动值、驱动端X方向振动值及驱动端Y方向振动值组合为一四维向量,构成历史数据测试样本xi的振动预测值。
在本申请另一实施例中,上述方法中的取平均计算也可以改变为按照k个历史数据测试样本的权重进行加权取平均计算,其中,k个历史数据测试样本的权重为其与历史数据测试样本xi的欧氏距离的倒数。
⑥至此,针对预设的近邻样本参数,历史数据测试样本xi的振动预测值已经生成。为了在K最近邻算法中,确定最合适的近邻样本参数的数值k,现需调整近邻样本参数,重复以上各个步骤,得到针对不同近邻样本参数,历史数据测试样本xi的振动预测值,再计算这些历史数据测试样本xi的振动预测值的均方误差,找到历史数据测试样本xi的振动预测值中,均方误差最小的历史数据测试样本xi的振动预测值所对应的近邻样本参数,并将其作为后续计算给水泵当前运行状态参数所对应的给水泵振动预测值时所使用的近邻样本参数。
从上述描述可知,本申请提供的给水泵振动预测方法,能够利用K最近邻算法对历史运行状态参数样本数据集及目标参数振动数据集进行训练,得到近邻样本参数。
参见图3,根据获取到的给水泵当前运行状态参数及近邻样本参数,生成给水泵振动预测值的步骤包括:
S301:对所述当前运行状态参数进行特征降维,得到所述当前运行状态参数对应的主成分重建原数据;
可以理解的是,给水泵当前运行状态参数所包含的数据的数量与S101中给水泵历史运行状态参数所包含的数据的数量相同,都比较多,因此,基于S201中所述的原因,需首先对其进行特征降维,得到主成分重建原数据。具体计算方法与S201中所述的方法完全相同,在此不再赘述。
S302:对所述当前运行状态参数对应的主成分重建原数据进行归一化处理,得到所述当前运行状态参数对应的主成分重建标准化数据;
可以理解的是,基于与S202中所述的原因,需对主成分重建原数据进行归一化处理,得到主成分重建标准化数据。具体计算方法与S202中所述的方法完全相同,在此不再赘述。
S303:根据所述近邻样本参数,利用K最近邻算法生成所述当前运行状态参数对应的给水泵振动预测值。
可以理解的是,根据K最近邻算法可知,在确定近邻样本参数后,即可根据获取到的给水泵当前运行状态参数,计算生成给水泵振动预测值,相关方法可参见现有技术。
从上述描述可知,本申请提供的给水泵振动预测方法,能够根据获取到的给水泵当前运行状态参数及近邻样本参数,生成给水泵振动预测值。
基于同一发明构思,本申请实施例还提供了一种给水泵振动预测装置,可以用于实现上述实施例所描述的方法,如下面的实施例所述。由于给水泵振动预测装置解决问题的原理与给水泵振动预测方法相似,因此给水泵振动预测装置的实施可以参见基于软件性能基准确定方法的实施,重复之处不再赘述。以下所使用的,术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的系统较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
参见图4,为了能够根据给水泵的当前运行状态参数生成给水泵振动预测值,准确、高效地进行给水泵的故障预警,本申请实施例提供一种给水泵振动预测装置,包括:
获取单元401,用于对获取到的给水泵历史运行状态参数进行筛选,得到历史运行状态参数样本集及目标参数振动数据集;
训练单元402,用于利用K最近邻算法对所述历史运行状态参数样本数据集及所述目标参数振动数据集进行训练,得到近邻样本参数;
预测单元403,用于根据获取到的给水泵当前运行状态参数及所述近邻样本参数,生成所述当前运行状态参数对应的给水泵振动预测值。
参见图5,所述训练单元402包括:
历史数据处理模块501,用于对所述历史运行状态参数样本数据集中的历史运行状态参数样本数据进行特征降维,得到所述历史运行状态参数样本数据对应的主成分重建原数据;所述历史数据处理模块,还用于对所述历史运行状态参数样本数据对应的所述主成分重建原数据进行归一化处理,得到主成分重建标准化数据;
划分模块502,用于将所述主成分重建标准化数据划分为训练样本集与测试样本集;
训练模块503,用于利用K最近邻算法对所述训练样本集、所述测试样本集及所述目标参数振动数据集进行训练,调整预先设定的近邻样本初始参数,得到近邻样本参数。
参见图6,所述历史数据处理模块501包括:
均值计算模块601,用于计算所述历史运行状态参数样本数据集中所述历史运行状态参数样本数据的特征均值向量;
中心化计算模块602,用于根据所述特征均值向量,将所述历史运行状态参数样本数据中心化,得到历史运行状态参数样本数据矩阵;
构造模块603,用于构造所述历史运行状态参数样本数据矩阵的协方差矩阵;
特征计算模块604,用于对所述协方差矩阵进行特征分解,求取所述协方差矩阵的特征值及各所述特征值对应的特征向量;
提取模块605,用于根据计算得到的各所述特征值的贡献率提取前d个主成分,其中d的数量小于所述特征向量的维度;
历史重建模块606,用于根据所述主成分计算所述历史运行状态参数样本数据对应的主成分重建原数据。
参见图7,所述训练模块503包括:
距离计算模块701,用于逐一计算所述测试样本集中各历史运行状态参数样本与所述训练样本集中各历史运行状态参数样本之间的欧式距离;
选取模块702,用于针对所述测试样本集中的每一所述历史运行状态参数样本,选取与所述训练样本集中各历史运行状态参数样本之间欧式距离最近的k个历史运行状态参数样本,其中,1≤k≤N-1,N为所述训练样本集中所述历史运行状态参数样本的个数;
获取模块703,用于针对所述测试样本集中的每一历史运行状态参数样本,获取所述k个历史运行状态参数样本的振动参数;
生成模块704,用于根据所述k个历史运行状态参数样本的振动参数,生成所述测试样本集中的每一历史运行状态参数样本的给水泵振动预测值;
误差计算模块705,用于计算所述测试样本集中每一所述历史运行状态参数样本在不同k值下的给水泵振动预测值的均方误差;
参数确定模块706,用于选取最小的所述均方误差所对应的k值,作为近邻样本参数。
参见图8,所述预测单元403包括:
当前重建模块801,用于对所述当前运行状态参数进行特征降维,得到所述当前运行状态参数对应的主成分重建原数据;
当前数据处理模块802,用于对所述当前运行状态参数对应的主成分重建原数据进行归一化处理,得到所述当前运行状态参数对应的主成分重建标准化数据;
预测模块803,用于根据所述近邻样本参数,利用K最近邻算法生成所述当前运行状态参数对应的给水泵振动预测值。
从硬件层面来说,为了能够根据给水泵的当前运行状态参数生成给水泵振动预测值,准确、高效地进行给水泵的故障预警,本申请提供一种用于实现所述给水泵振动预测方法中的全部或部分内容的电子设备的实施例,所述电子设备具体包含有如下内容:
处理器(Processor)、存储器(Memory)、通信接口(Communications Interface)和总线;其中,所述处理器、存储器、通信接口通过所述总线完成相互间的通信;所述通信接口用于实现所述给水泵振动预测装置与核心业务系统、用户终端以及相关数据库等相关设备之间的信息传输;该逻辑控制器可以是台式计算机、平板电脑及移动终端等,本实施例不限于此。在本实施例中,该逻辑控制器可以参照实施例中的给水泵振动预测方法的实施例,以及给水泵振动预测装置的实施例进行实施,其内容被合并于此,重复之处不再赘述。
可以理解的是,所述用户终端可以包括智能手机、平板电子设备、网络机顶盒、便携式计算机、台式电脑、个人数字助理(PDA)、车载设备、智能穿戴设备等。其中,所述智能穿戴设备可以包括智能眼镜、智能手表、智能手环等。
在实际应用中,给水泵振动预测方法的部分可以在如上述内容所述的电子设备侧执行,也可以所有的操作都在所述客户端设备中完成。具体可以根据所述客户端设备的处理能力,以及用户使用场景的限制等进行选择。本申请对此不作限定。若所有的操作都在所述客户端设备中完成,所述客户端设备还可以包括处理器。
上述的客户端设备可以具有通信模块(即通信单元),可以与远程的服务器进行通信连接,实现与所述服务器的数据传输。所述服务器可以包括任务调度中心一侧的服务器,其他的实施场景中也可以包括中间平台的服务器,例如与任务调度中心服务器有通信链接的第三方服务器平台的服务器。所述的服务器可以包括单台计算机设备,也可以包括多个服务器组成的服务器集群,或者分布式装置的服务器结构。
图9为本申请实施例的电子设备9600的系统构成的示意框图。如图9所示,该电子设备9600可以包括中央处理器9100和存储器9140;存储器9140耦合到中央处理器9100。值得注意的是,该图9是示例性的;还可以使用其他类型的结构,来补充或代替该结构,以实现电信功能或其他功能。
一实施例中,给水泵振动预测方法功能可以被集成到中央处理器9100中。其中,中央处理器9100可以被配置为进行如下控制:
S101:对获取到的给水泵历史运行状态参数进行筛选,得到历史运行状态参数样本集及目标参数振动数据集;
S102:利用K最近邻算法对所述历史运行状态参数样本数据集及所述目标参数振动数据集进行训练,得到近邻样本参数;
S103:根据获取到的给水泵当前运行状态参数及所述近邻样本参数,生成所述当前运行状态参数对应的给水泵振动预测值。
从上述描述可知,本申请提供的给水泵振动预测方法,利用主成分分析法及K最近邻算法,能够根据给水泵的当前运行状态参数生成给水泵振动预测值,从而准确、高效地进行给水泵的故障预警。
在另一个实施方式中,给水泵振动预测装置可以与中央处理器9100分开配置,例如可以将给水泵振动预测装置配置为与中央处理器9100连接的芯片,通过中央处理器的控制来实现给水泵振动预测方法的功能。
如图9所示,该电子设备9600还可以包括:通信模块9110、输入单元9120、音频处理器9130、显示器9160、电源9170。值得注意的是,电子设备9600也并不是必须要包括图9中所示的所有部件;此外,电子设备9600还可以包括图9中没有示出的部件,可以参考现有技术。
如图9所示,中央处理器9100有时也称为控制器或操作控件,可以包括微处理器或其他处理器装置和/或逻辑装置,该中央处理器9100接收输入并控制电子设备9600的各个部件的操作。
其中,存储器9140,例如可以是缓存器、闪存、硬驱、可移动介质、易失性存储器、非易失性存储器或其它合适装置中的一种或更多种。可储存上述与失败有关的信息,此外还可存储执行有关信息的程序。并且中央处理器9100可执行该存储器9140存储的该程序,以实现信息存储或处理等。
输入单元9120向中央处理器9100提供输入。该输入单元9120例如为按键或触摸输入装置。电源9170用于向电子设备9600提供电力。显示器9160用于进行图像和文字等显示对象的显示。该显示器例如可为LCD显示器,但并不限于此。
该存储器9140可以是固态存储器,例如,只读存储器(ROM)、随机存取存储器(RAM)、SIM卡等。还可以是这样的存储器,其即使在断电时也保存信息,可被选择性地擦除且设有更多数据,该存储器的示例有时被称为EPROM等。存储器9140还可以是某种其它类型的装置。存储器9140包括缓冲存储器9141(有时被称为缓冲器)。存储器9140可以包括应用/功能存储部9142,该应用/功能存储部9142用于存储应用程序和功能程序或用于通过中央处理器9100执行电子设备9600的操作的流程。
存储器9140还可以包括数据存储部9143,该数据存储部9143用于存储数据,例如联系人、数字数据、图片、声音和/或任何其他由电子设备使用的数据。存储器9140的驱动程序存储部9144可以包括电子设备的用于通信功能和/或用于执行电子设备的其他功能(如消息传送应用、通讯录应用等)的各种驱动程序。
通信模块9110即为经由天线9111发送和接收信号的发送机/接收机9110。通信模块(发送机/接收机)9110耦合到中央处理器9100,以提供输入信号和接收输出信号,这可以和常规移动通信终端的情况相同。
基于不同的通信技术,在同一电子设备中,可以设置有多个通信模块9110,如蜂窝网络模块、蓝牙模块和/或无线局域网模块等。通信模块(发送机/接收机)9110还经由音频处理器9130耦合到扬声器9131和麦克风9132,以经由扬声器9131提供音频输出,并接收来自麦克风9132的音频输入,从而实现通常的电信功能。音频处理器9130可以包括任何合适的缓冲器、解码器、放大器等。另外,音频处理器9130还耦合到中央处理器9100,从而使得可以通过麦克风9132能够在本机上录音,且使得可以通过扬声器9131来播放本机上存储的声音。
本申请的实施例还提供能够实现上述实施例中的执行主体为服务器或客户端的给水泵振动预测方法中全部步骤的一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现上述实施例中的执行主体为服务器或客户端的给水泵振动预测方法的全部步骤,例如,所述处理器执行所述计算机程序时实现下述步骤:
S101:对获取到的给水泵历史运行状态参数进行筛选,得到历史运行状态参数样本集及目标参数振动数据集;
S102:利用K最近邻算法对所述历史运行状态参数样本数据集及所述目标参数振动数据集进行训练,得到近邻样本参数;
S103:根据获取到的给水泵当前运行状态参数及所述近邻样本参数,生成所述当前运行状态参数对应的给水泵振动预测值。
从上述描述可知,本申请提供的给水泵振动预测方法,利用主成分分析法及K最近邻算法,能够根据给水泵的当前运行状态参数生成给水泵振动预测值,从而准确、高效地进行给水泵的故障预警。
本领域内的技术人员应明白,本发明的实施例可提供为方法、装置、或计算机程序产品。因此,本发明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,本发明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。
本发明是参照根据本发明实施例的方法、设备(装置)、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。
本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (6)
1.一种给水泵振动预测方法,其特征在于,包括:
对获取到的给水泵历史运行状态参数进行筛选,得到历史运行状态参数样本集及目标参数振动数据集;
利用K最近邻算法对所述历史运行状态参数样本数据集及所述目标参数振动数据集进行训练,得到近邻样本参数;
根据获取到的给水泵当前运行状态参数及所述近邻样本参数,生成所述当前运行状态参数对应的给水泵振动预测值;
其中,利用K最近邻算法对所述历史运行状态参数样本数据集及所述目标参数振动数据集进行训练,得到近邻样本参数,包括:
对所述历史运行状态参数样本数据集中的历史运行状态参数样本数据进行特征降维,得到所述历史运行状态参数样本数据对应的主成分重建原数据;
对所述历史运行状态参数样本数据对应的所述主成分重建原数据进行归一化处理,得到主成分重建标准化数据;
将所述主成分重建标准化数据划分为训练样本集与测试样本集;
利用K最近邻算法对所述训练样本集、所述测试样本集及所述目标参数振动数据集进行训练,调整预先设定的近邻样本初始参数,得到近邻样本参数;
其中,对所述历史运行状态参数样本数据集中的历史运行状态参数样本数据进行特征降维,得到所述历史运行状态参数样本数据对应的主成分重建原数据,包括:
计算所述历史运行状态参数样本数据集中所述历史运行状态参数样本数据的特征均值向量;
根据所述特征均值向量,将所述历史运行状态参数样本数据中心化,得到历史运行状态参数样本数据矩阵;
构造所述历史运行状态参数样本数据矩阵的协方差矩阵;
对所述协方差矩阵进行特征分解,求取所述协方差矩阵的特征值及各所述特征值对应的特征向量;
根据计算得到的各所述特征值的贡献率提取前d个主成分,其中d的数量小于所述特征向量的维度;
根据所述主成分计算所述历史运行状态参数样本数据对应的主成分重建原数据;
其中,利用K最近邻算法对所述训练样本集、所述测试样本集及所述目标参数振动数据集进行训练,调整预先设定的近邻样本初始参数,得到近邻样本参数,包括:
逐一计算所述测试样本集中各历史运行状态参数样本与所述训练样本集中各历史运行状态参数样本之间的欧式距离;
针对所述测试样本集中的每一所述历史运行状态参数样本,选取与所述训练样本集中各历史运行状态参数样本之间欧式距离最近的k个历史运行状态参数样本,其中,1≤k≤N-1,N为所述训练样本集中所述历史运行状态参数样本的个数;
针对所述测试样本集中的每一历史运行状态参数样本,获取所述k个历史运行状态参数样本的振动参数;
根据所述k个历史运行状态参数样本的振动参数,生成所述测试样本集中的每一历史运行状态参数样本的给水泵振动预测值;
计算所述测试样本集中每一所述历史运行状态参数样本在不同k值下的给水泵振动预测值的均方误差;
选取最小的所述均方误差所对应的k值,作为近邻样本参数。
2.根据权利要求1所述的给水泵振动预测方法,其特征在于,根据获取到的给水泵当前运行状态参数及所述近邻样本参数,生成所述当前运行状态参数对应的给水泵振动预测值,包括:
对所述当前运行状态参数进行特征降维,得到所述当前运行状态参数对应的主成分重建原数据;
对所述当前运行状态参数对应的主成分重建原数据进行归一化处理,得到所述当前运行状态参数对应的主成分重建标准化数据;
根据所述近邻样本参数,利用K最近邻算法生成所述当前运行状态参数对应的给水泵振动预测值。
3.一种给水泵振动预测装置,其特征在于,包括:
获取单元,用于对获取到的给水泵历史运行状态参数进行筛选,得到历史运行状态参数样本集及目标参数振动数据集;
训练单元,用于利用K最近邻算法对所述历史运行状态参数样本数据集及所述目标参数振动数据集进行训练,得到近邻样本参数;
预测单元,用于根据获取到的给水泵当前运行状态参数及所述近邻样本参数,生成所述当前运行状态参数对应的给水泵振动预测值;
其中,所述训练单元包括:
历史数据处理模块,用于对所述历史运行状态参数样本数据集中的历史运行状态参数样本数据进行特征降维,得到所述历史运行状态参数样本数据对应的主成分重建原数据;所述历史数据处理模块,还用于对所述历史运行状态参数样本数据对应的所述主成分重建原数据进行归一化处理,得到主成分重建标准化数据;
划分模块,用于将所述主成分重建标准化数据划分为训练样本集与测试样本集;
训练模块,用于利用K最近邻算法对所述训练样本集、所述测试样本集及所述目标参数振动数据集进行训练,调整预先设定的近邻样本初始参数,得到近邻样本参数;
其中,所述历史数据处理模块包括:
均值计算模块,用于计算所述历史运行状态参数样本数据集中所述历史运行状态参数样本数据的特征均值向量;
中心化计算模块,用于根据所述特征均值向量,将所述历史运行状态参数样本数据中心化,得到历史运行状态参数样本数据矩阵;
构造模块,用于构造所述历史运行状态参数样本数据矩阵的协方差矩阵;
特征计算模块,用于对所述协方差矩阵进行特征分解,求取所述协方差矩阵的特征值及各所述特征值对应的特征向量;
提取模块,用于根据计算得到的各所述特征值的贡献率提取前d个主成分,其中d的数量小于所述特征向量的维度;
历史重建模块,用于根据所述主成分计算所述历史运行状态参数样本数据对应的主成分重建原数据;
其中,所述训练模块包括:
距离计算模块,用于逐一计算所述测试样本集中各历史运行状态参数样本与所述训练样本集中各历史运行状态参数样本之间的欧式距离;
选取模块,用于针对所述测试样本集中的每一所述历史运行状态参数样本,选取与所述训练样本集中各历史运行状态参数样本之间欧式距离最近的k个历史运行状态参数样本,其中,1≤k≤N-1,N为所述训练样本集中所述历史运行状态参数样本的个数;
获取模块,用于针对所述测试样本集中的每一历史运行状态参数样本,获取所述k个历史运行状态参数样本的振动参数;
生成模块,用于根据所述k个历史运行状态参数样本的振动参数,生成所述测试样本集中的每一历史运行状态参数样本的给水泵振动预测值;
误差计算模块,用于计算所述测试样本集中每一所述历史运行状态参数样本在不同k值下的给水泵振动预测值的均方误差;
参数确定模块,用于选取最小的所述均方误差所对应的k值,作为近邻样本参数。
4.根据权利要求3所述的给水泵振动预测装置,其特征在于,所述预测单元包括:
当前重建模块,用于对所述当前运行状态参数进行特征降维,得到所述当前运行状态参数对应的主成分重建原数据;
当前数据处理模块,用于对所述当前运行状态参数对应的主成分重建原数据进行归一化处理,得到所述当前运行状态参数对应的主成分重建标准化数据;
预测模块,用于根据所述近邻样本参数,利用K最近邻算法生成所述当前运行状态参数对应的给水泵振动预测值。
5.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现权利要求1至2任一项所述的给水泵振动预测方法的步骤。
6.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至2任一项所述的给水泵振动预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010883100.9A CN112052890B (zh) | 2020-08-28 | 2020-08-28 | 给水泵振动预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010883100.9A CN112052890B (zh) | 2020-08-28 | 2020-08-28 | 给水泵振动预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112052890A CN112052890A (zh) | 2020-12-08 |
CN112052890B true CN112052890B (zh) | 2024-04-02 |
Family
ID=73606418
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010883100.9A Active CN112052890B (zh) | 2020-08-28 | 2020-08-28 | 给水泵振动预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112052890B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113236581B (zh) * | 2021-06-29 | 2022-02-22 | 江苏大学 | 一种智能化并联泵系统及优化调节方法 |
CN113654803B (zh) * | 2021-08-19 | 2024-05-24 | 中国联合重型燃气轮机技术有限公司 | 一种燃气轮机振动异常预警方法、装置及电子设备 |
CN116292246B (zh) * | 2023-03-02 | 2024-04-26 | 苏州科瑞达智能科技有限公司 | 一种真空泵的故障监测方法及系统 |
CN116561693A (zh) * | 2023-05-26 | 2023-08-08 | 工业富联(佛山)产业示范基地有限公司 | 注塑机异常确定方法、电子设备及存储介质 |
CN116933170B (zh) * | 2023-09-18 | 2024-01-02 | 福建福清核电有限公司 | 一种机械密封故障分类方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106646096A (zh) * | 2016-11-15 | 2017-05-10 | 国网四川省电力公司广安供电公司 | 基于振动分析法的变压器故障分类和识别方法 |
CN110118657A (zh) * | 2019-06-21 | 2019-08-13 | 杭州安脉盛智能技术有限公司 | 基于相对熵和k最近邻算法滚动轴承故障诊断方法及系统 |
WO2019174419A1 (zh) * | 2018-03-15 | 2019-09-19 | 阿里巴巴集团控股有限公司 | 预测异常样本的方法和装置 |
-
2020
- 2020-08-28 CN CN202010883100.9A patent/CN112052890B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106646096A (zh) * | 2016-11-15 | 2017-05-10 | 国网四川省电力公司广安供电公司 | 基于振动分析法的变压器故障分类和识别方法 |
WO2019174419A1 (zh) * | 2018-03-15 | 2019-09-19 | 阿里巴巴集团控股有限公司 | 预测异常样本的方法和装置 |
CN110118657A (zh) * | 2019-06-21 | 2019-08-13 | 杭州安脉盛智能技术有限公司 | 基于相对熵和k最近邻算法滚动轴承故障诊断方法及系统 |
Non-Patent Citations (2)
Title |
---|
基于支持向量自回归的水泵运行状态预测研究;吴兴伟;;沈阳工程学院学报(自然科学版)(04);全文 * |
基于改进的K最近邻分类器的风机故障诊断;吴斌;奚立峰;范思遐;王加祥;;机械设计与研究(05);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112052890A (zh) | 2020-12-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112052890B (zh) | 给水泵振动预测方法及装置 | |
CN112149060B (zh) | 一种汽轮机低压末级温度场预测方法及装置 | |
CN114254750A (zh) | 准确度损失确定方法以及装置 | |
US11474495B2 (en) | Fault diagnosis method and apparatus for numerical control machine tool | |
CN112149901B (zh) | 一种汽轮机低压末级压力场预测方法及装置 | |
KR20210017342A (ko) | 과거 데이터에 기초한 시계열 예측 방법 및 장치 | |
EP3783503A1 (en) | Information processing method, related device, and computer storage medium | |
US20200342531A1 (en) | Cryptocurrency mining selection system and method | |
CN115845428A (zh) | 用于诱导六氟磷酸结晶的超声波装置及其控制方法 | |
CN113409827B (zh) | 基于局部卷积块注意力网络的语音端点检测方法及系统 | |
CN116226676B (zh) | 适用于极端环境的机床故障预测模型生成方法及相关设备 | |
CN114049530A (zh) | 混合精度神经网络量化方法、装置及设备 | |
Benouioua et al. | Multifractal analysis of stack voltage based on wavelet leaders: A new tool for PEMFC diagnosis | |
CN114239983A (zh) | 一种目标区域的人口流量预测方法及相关装置 | |
CN114639391A (zh) | 机械故障提示方法、装置、电子设备及存储介质 | |
CN113222121A (zh) | 一种数据处理方法、装置及设备 | |
CN113255927A (zh) | 逻辑回归模型训练方法、装置、计算机设备和存储介质 | |
CN115062546A (zh) | 一种汽轮机启停过程的壁温监测方法及装置 | |
CN118095623A (zh) | 反应堆运行策略生成方法、装置、设备、介质和产品 | |
CN114186043B (zh) | 预训练方法、装置、设备和存储介质 | |
CN115099032A (zh) | 一种火电厂烟气提水量预警方法及装置 | |
CN115858324B (zh) | 基于ai的it设备故障处理方法、装置、设备和介质 | |
CN114995205B (zh) | 设备启停控制方法、装置、计算机设备和存储介质 | |
CN116776146A (zh) | 一种故障数据扩充方法 | |
CN115374555A (zh) | 电功率阶跃响应仿真辨识误差的分析方法及装置 |
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 |