CN112100575A - 设备状态趋势预测方法、装置、计算机设备和存储介质 - Google Patents
设备状态趋势预测方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN112100575A CN112100575A CN202010955271.8A CN202010955271A CN112100575A CN 112100575 A CN112100575 A CN 112100575A CN 202010955271 A CN202010955271 A CN 202010955271A CN 112100575 A CN112100575 A CN 112100575A
- Authority
- CN
- China
- Prior art keywords
- index
- trend
- parameters
- state
- parameter
- 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
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000010219 correlation analysis Methods 0.000 claims abstract description 42
- 230000015556 catabolic process Effects 0.000 claims description 66
- 238000006731 degradation reaction Methods 0.000 claims description 66
- 238000004458 analytical method Methods 0.000 claims description 40
- 238000004364 calculation method Methods 0.000 claims description 38
- 238000011156 evaluation Methods 0.000 claims description 27
- 238000012545 processing Methods 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 23
- 238000010606 normalization Methods 0.000 claims description 23
- 238000012544 monitoring process Methods 0.000 claims description 15
- 230000008859 change Effects 0.000 abstract description 9
- 230000008901 benefit Effects 0.000 abstract description 8
- 230000002349 favourable effect Effects 0.000 abstract description 4
- 230000007704 transition Effects 0.000 description 47
- 239000011159 matrix material Substances 0.000 description 29
- 238000010586 diagram Methods 0.000 description 24
- 230000008569 process Effects 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 9
- 238000012546 transfer Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 230000002159 abnormal effect Effects 0.000 description 6
- 230000006866 deterioration Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000000513 principal component analysis Methods 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000006855 networking Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/29—Graphical models, e.g. Bayesian networks
- G06F18/295—Markov models or related models, e.g. semi-Markov models; Markov random fields; Networks embedding Markov models
Abstract
本发明提供一种设备状态趋势预测方法、装置、计算机设备和存储介质，该方法包括获取至少两种指标参数；对各种所述指标参数进行相关性分析，获得独立指标参数；采用马尔科夫链模型计算得到趋势变化量；基于所述独立指标参数和趋势变化量，计算得到指标参数预测值。本申请采用马尔科夫链模型从指标参数的当前状态预测其变化趋势，通过此方法，可以准确预测设备的运行状态趋势，相比传统的阈值报警有明显优势，有利于提前发现设备早期故障隐患，实现预测预警。
Description
技术领域
本发明涉及设备状态趋势预测技术领域，特别涉及一种设备状态趋势预测方法、装置、计算机设备和存储介质。
背景技术
为了保证转动设备的长周期可靠运转，开展转动设备的运行状态趋势预测技术研究，在设备故障未曾显现之前对其进行预测预警，实现预知维护是十分必要的。对于设备运行状态变化趋势的预测预警，传统的做法大都是通过设置阈值报警或者利用技术人员的经验进行人工判断的方式。但是，对转动设备运行状态进行评估，既要考虑当前时刻的运行数据，又要考虑指标参数的变化趋势。
近年来，随着信号分析和处理技术、计算机技术、人工智能技术以及网络技术的发展，趋势预测技术主要向智能化、非线性化、网络化等方向发展。智能化的基本要求能够准确、迅速、自主地完成预测任务，更高一步的要求是预测系统能够在运行过程中，半自主甚至是全自主地学习吸收新的知识，从而自我完善。非线性化是指随着转动设备的功能越来越强、结构越来越复杂，非线性的因素也越来越明显。网络化是趋势预测技术的重要发展方向，由于转动设备结构复杂，故障机理及其表现形式也复杂多样，为提高预测的及时性和准确性，充分利用资源、降低成本，发展和应用基于互联网的预测技术十分必要。
开展设备状态趋势预测之前，首先要对数据进行处理和分析，保留设备状态核心信息，缩减数据维度，降低模型运算量。常见的数据降维方法有主成分分析方法(PCA，principal components analysis)、Pearson相关系数、最小二乘回归误差、最大信息系数(MIC，Maximal Information Coefficient)等。主成分分析方法(PCA)会破坏数据原有的结构，不建议采用，而Pearson系数、最小二乘回归误差等方法只适合用于度量线性关系，无法对非线性关系进行计算。最大信息系数(MIC)在互信息理论的基础上发展起来，具有普适性，并不仅仅局限于线性关系，对于非线性关系的计算同样适用，甚至对于不能使用单个函数表示的非函数依赖关系也十分有效。设备状态趋势预测的方法也有多种，目前常见的预测方法主要有灰色预测模型、支持向量机(SVM，Support Vector Machine)、人工神经网络(ANN，Artificial Neural Network)等。灰色预测模型存在预测周期短、不适合长期预测的问题，支持向量机(SVM)存在参数选择困难、训练速度慢等问题，人工神经网络(ANN)存在运算复杂、难以保证实时性的问题。
发明内容
基于此，有必要针对上述技术问题，提供一种设备状态趋势预测方法、装置、计算机设备和存储介质。
一种设备状态趋势预测方法，包括：
获取至少两种指标参数；
对各种所述指标参数进行相关性分析，获得独立指标参数；
采用马尔科夫链模型计算得到趋势变化量；
基于所述独立指标参数和趋势变化量，计算得到指标参数预测值。
在其中一个实施例中，所述方法还包括：
对独立指标参数采用动态劣化度分析方法进行归一化处理，得到设备状态趋势的评价。
在其中一个实施例中，所述对独立指标参数采用动态劣化度分析方法进行归一化处理，得到设备状态趋势的评价的步骤包括：
以所述指标参数预测值作为劣化度分析的数值，对独立指标参数采用动态劣化度分析方法进行归一化处理，得到设备状态趋势的评价。
在其中一个实施例中，所述对各种所述指标参数进行相关性分析，获得独立指标参数组合的步骤包括：
采用最大信息系数对各种所述指标参数进行相关性分析，获得独立指标参数组合。
在其中一个实施例中，所述获取至少两种指标参数的步骤包括：
从实时数据库和在线状态监测系统获取至少两种运行参数；
从各种所述运行参数种提取至少两种所述运行参数作为所述指标参数。
一种设备状态趋势预测装置，包括：
指标参数获取模块，用于获取至少两种指标参数；
相关性分析模块，用于对各种所述指标参数进行相关性分析，获得独立指标参数；
趋势变化量计算模块，用于采用马尔科夫链模型计算得到趋势变化量；
参数预测值计算获取模块，用于基于所述独立指标参数和趋势变化量，计算得到指标参数预测值。
在其中一个实施例中，还包括：
动态劣化度分析模块，用于对独立指标参数采用动态劣化度分析方法进行归一化处理，得到设备状态趋势的评价。
在其中一个实施例中，所述动态劣化度分析模块还用于以所述指标参数预测值作为劣化度分析的数值，对独立指标参数采用动态劣化度分析方法进行归一化处理，得到设备状态趋势的评价。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现以下步骤：
获取至少两种指标参数；
对各种所述指标参数进行相关性分析，获得独立指标参数；
采用马尔科夫链模型计算得到趋势变化量；
基于所述独立指标参数和趋势变化量，计算得到指标参数预测值。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取至少两种指标参数；
对各种所述指标参数进行相关性分析，获得独立指标参数；
采用马尔科夫链模型计算得到趋势变化量；
基于所述独立指标参数和趋势变化量，计算得到指标参数预测值。
上述设备状态趋势预测方法、装置、计算机设备和存储介质，采用马尔科夫链模型从指标参数的当前状态预测其变化趋势，通过此方法，可以准确预测设备的运行状态趋势，相比传统的阈值报警有明显优势，有利于提前发现设备早期故障隐患，实现预测预警。
附图说明
图1为一个实施例的设备状态趋势预测方法中的流程示意图；
图2为一个实施例中设备状态趋势预测装置的结构框图；
图3为一个实施例中计算机设备的内部结构图；
图4为一个实施例中的转动设备运行趋势预测的步骤示意图；
图5为一个实施例中的某一时刻某机组的运行工况雷达图；
图6为一个实施例中的动态劣化度监测与阈值报警时间对比图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅用以解释本申请，并不用于限定本申请。
在一个实施例中，如图1所示，提供了一种设备状态趋势预测方法，该设备状态趋势预测方法应用于页面设计和保存过程，包括：
步骤110，获取至少两种指标参数。
本步骤中，首先获取运行参数，从运行参数中选取可表征设备运行状态的主要指标参数。本实施例中，指标参数用于表征设备的运行状态，也就是说，该指标参数即为设备的运行参数。应该理解的是，用于表征设备的运行状态的运行参数有很多种，本实施例中，选取至少两种运行参数，则选取的运行参数即作为指标参数。
步骤120，对各种所述指标参数进行相关性分析，获得独立指标参数。
具体地，石化行业转动设备的指标参数之间存在多种线性、非线性、甚至非函数关系，通过对获取的各种指标参数进行相关性分析，获得各种所述指标参数之间的相关性，符合相关性规则的多个指标参数为一组指标参数，通过相关性分析，即可从指标参数组合中选取一组作为评估设备运行状态的独立指标参数。
在一个实施例中，所述对各种所述指标参数进行相关性分析，获得独立指标参数组合的步骤包括：
采用最大信息系数对各种所述指标参数进行相关性分析，获得独立指标参数组合。
具体地，最大信息系数(MIC)有着如下特点：如果两个变量之间存在着一种关系，则可以在两个变量的散点图中绘制网格，这些网格可以将散点图中的数据分割，这样有些网格是空的有些则含有散点图中的点，逐步增大网格的分辨率(比如由2乘2增大到x乘y)，通过网格中的点数可以计算每种分辨率下可能产生的最大互信息值，然后标准化这些互信息值，以确保不同分辨率的网格之间进行公平的比较。定义矩阵M＝(mx,y)，其中是在每种分辨率下计算得到的最大互信息标准化值，而MIC就是M中的最大值。
最大信息系数(MIC)方法能够广泛地度量参数变量间的依赖关系，包括线性和非线性关系，甚至对于不能使用单个函数表示的非函数依赖关系也十分有效。MIC的主要思想是：如果两个指标参数(如指标参数X和Y)间存在某种关联关系，通过在其平面散点图中绘制网格把散点图中的点进行分割。通过进一步增大网格的分辨率并计算出每种分辨率下所能达到的最大互信息值，对所有的最大互信息值进行归一化处理后给出MIC(X，Y)的计算结果。MIC(X，Y)的计算公式：
MIC(X，Y)＝max(ua,b)(1)
其中ua,b为在以a乘b分辨率下分割网格的最大互信息标准化值，a和b分别表示散点图横坐标和纵坐标轴上的分割点数。MIC(X，Y)表示指标参数Y中能被指标参数X解释的信息量的百分比，取值范围为[0,1]，MIC值越接近1表示指标参数间的相关性越强，当X和Y间相互独立时，有MIC(X，Y)＝0；当X和Y间具有确定相关关系时，MIC(X，Y)＝1。在相关性分析中，若MIC大于0.5则认为指标参数间具有较大的相关性，反之则表示相关性较小。选取MIC小于0.5的指标参数组合，并且按照在充分表征设备运行状态的情况下尽可能选取少的指标参数的原则，从指标参数组合中选取一组作为评估设备运行状态的独立指标参数组合。
步骤130，采用马尔科夫链模型计算得到趋势变化量。
具体地，本步骤中，采用马尔科夫链模型能够计算得到运行参数的变化趋势的量，即趋势变化量，通过该趋势变化量，即可在原有的运行参数的基础上，计算计算后续的某一时刻的预测值。
其中，马尔科夫链模型即为把一个随机过程看成一系列状态的不断转移，其基本原理为:在某一动态系统中，客观状态不是固定不变的，其状态转变的可能性用概率描述，状态转移概率矩阵描述系统从一个状态转移到另一个状态，这种状态转移矩阵不需要依据大量历史数据进行分析推导，仅根据短期数据即可。这一系列的过程的整体就被称为马尔科夫链。因此可以通过获取到不同状态之间的转移概率，从而预测某动态系统状态的变化趋势，达到预测的目的。
步骤140，基于所述独立指标参数和趋势变化量，计算得到指标参数预测值。
本步骤中，基于马尔科夫链计算得到的趋势变化量，在独立指标参数的基础上，计算得到指标参数预测值。该指标参数预测值即为运行参数的预测值。
具体地，马尔科夫链模型的状态转移矩阵，能够从当前时刻的状态预测下一时刻的状态，在数据趋势预测中已得到成功应用。马尔科夫链模型的主要计算步骤如下：
(1)针对每个数据序列，用下一时刻值减去当前时刻值，得到指标参数变化量序列。
(2)采用均值-均方差的方法，将变化量序列划分成m个状态区间，表示为S1，S2…，Sm。
(3)对每个状态区间的转移频数进行统计，得到状态区间转移频数矩阵N＝(nij)。其中nij表示指标参数状态区间经Si转移到Sj的频数。
(4)基于该状态区间转移频数矩阵，由下式(2)计算状态区间转移概率矩阵P＝(pij)。其中pij表示指标参数状态区间经Si转移到Sj的概率。
(5)在状态区间转移概率矩阵P的基础上，根据指标参数在当前t时刻的参数变化量Δxt确定所属状态区间为Si，由在下一时刻t+1转移到的状态区间Sj的状态区间中值同对应转移概率的乘积，计算下一时刻参数趋势变化量Δxt+1：
其中
表示状态区间Sj的上限，
表示状态区间Sj的下限，i,j＝1,2,3…m。
(6)将指标参数当前值同趋势变化量Δxt+1相加，得到指标参数的预测值xP。
本实施例中，计算得到运行参数的预测值后，即可根据该运行参数的预测值准确预测设备的运行状态趋势，对设备的运行状态进行预测，从而及时发现设备的故障，实现尽早的预警。
上述实施例中，采用马尔科夫链模型从指标参数的当前状态预测其变化趋势，通过此方法，可以准确预测设备的运行状态趋势，相比传统的阈值报警有明显优势，有利于提前发现设备早期故障隐患，实现预测预警。
在一个实施例中，所述设备状态趋势预测方法还包括：
对独立指标参数采用动态劣化度分析方法进行归一化处理，得到设备状态趋势的评价。
具体地，本实施例中，根据指标参数的相关性分析结果，对独立指标参数采用动态劣化度分析方法来进行归一化处理，对基于马尔科夫链模型计算得到的指标参数的预测值进行设备状态趋势的评价，以确定指标参数的预测值为最优值、最差值或者是良好值，该最差值即为预警值。通过对该指标参数的预测值的评价，从而完成对设备状态趋势的评价。
在一个实施例中，所述对独立指标参数采用动态劣化度分析方法进行归一化处理，得到设备状态趋势的评价的步骤包括：
以所述指标参数预测值作为劣化度分析的数值，对独立指标参数采用动态劣化度分析方法进行归一化处理，得到设备状态趋势的评价。
动态劣化度是用指标参数的预测值作为此刻劣化度分析的数值，来反映出设备运行状态的好坏，其计算公式分为越小越优型、中间型、越大越优型。
越小越优型动态劣化度计算公式为：
其中g(xP)为指标参数的动态劣化度，g(xP)是区间[0,1]的具体数值，其中0代表最优、1代表最差；x0为该指标的允许值(良好值)，xmax为该指标参数的运行最大值；xP为指标参数的预测值。
中间型动态劣化度计算公式为：
其中，xmin和xmax分别为运行最小值和运行最大值，x1和x2分别为良好值的下限和上限。
越大越优型动态劣化度计算公式为：
其中，xmin为运行最小值，x0为该指标的允许值(良好值)。
上述实施例中，马尔科夫链模型在超短期预测方面具有简便快捷、较高精确度、不需要对预测误差做出任何假设等特点。同时，动态劣化度由参数当前值和参数趋势变化量叠加而得，综合考虑了设备的当前状态及其变化趋势，能够动态描述设备的运行状态。
在其中一个实施例中，所述获取至少两种指标参数的步骤包括：
从实时数据库和在线状态监测系统获取至少两种运行参数；从各种所述运行参数种提取至少两种所述运行参数作为所述指标参数。
本实施例中，从实时数据库和在线状态监测系统提供的运行参数中选取可表征设备运行状态的指标参数，从而获取至少两种用于表征设备运行状态的指标参数。
在一个实施例中，所述基于所述独立指标参数和趋势变化量，计算得到指标参数预测值的步骤之后还包括：
以雷达图的形式对设备的运行工况进行直观、形象的综合监测，当运行工况异常时，能够从雷达图上快速发现工况异常的指标参数。
本实施例中，以雷达图的形式对设备的运行工况进行直观、形象的综合监测，当运行工况异常时，能够从雷达图上快速发现工况异常的指标参数。
应该理解的是，虽然图1的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
实施例二
本实施例中，如图4所示，转动设备运行趋势预测包含四个步骤：一是选取机组状态评估的指标参数；二是做指标参数的相关性分析；三是用马尔科夫链模型预测指标参数值，并计算指标参数的动态劣化度；四是实时监测及预警。
1.选取指标参数
一般从实时数据库和在线状态监测系统提供的运行参数中选取可表征设备运行状态的主要指标参数。
2.指标参数相关性分析
石化行业转动设备的指标参数之间存在多种线性、非线性、甚至非函数关系，最大信息系数(MIC)方法能够广泛地度量参数变量间的依赖关系，包括线性和非线性关系，甚至对于不能使用单个函数表示的非函数依赖关系也十分有效。MIC的主要思想是：如果两个指标参数(如指标参数X和Y)间存在某种关联关系，通过在其平面散点图中绘制网格把散点图中的点进行分割。通过进一步增大网格的分辨率并计算出每种分辨率下所能达到的最大互信息值，对所有的最大互信息值进行归一化处理后给出MIC(X，Y)的计算结果。MIC(X，Y)的计算公式：
MIC(X，Y)＝max(ua,b)
其中，ua,b为在以a乘b分辨率下分割网格的最大互信息标准化值，a和b分别表示散点图横坐标和纵坐标轴上的分割点数。MIC(X，Y)表示指标参数Y中能被指标参数X解释的信息量的百分比，取值范围为[0,1]，MIC值越接近1表示指标参数间的相关性越强，当X和Y间相互独立时，有MIC(X，Y)＝0；当X和Y间具有确定相关关系时，MIC(X，Y)＝1。在相关性分析中，若MIC大于0.5则认为指标参数间具有较大的相关性，反之则表示相关性较小。选取MIC小于0.5的指标参数组合，并且按照在充分表征设备运行状态的情况下尽可能选取少的指标参数的原则，从指标参数组合中选取一组作为评估设备运行状态的独立指标参数组合。
3.采用马尔科夫链模型计算独立指标参数预测值
马尔科夫链模型的状态转移矩阵，能够从当前时刻的状态预测下一时刻的状态，在数据趋势预测中已得到成功应用。马尔科夫链模型的主要计算步骤如下：
(1)针对每个数据序列，用下一时刻值减去当前时刻值，得到指标参数变化量序列。
(2)采用均值-均方差的方法，将变化量序列划分成m个状态区间，表示为S1，S2…，Sm。
(3)对每个状态区间的转移频数进行统计，得到状态区间转移频数矩阵N＝(nij)。其中nij表示指标参数状态区间经Si转移到Sj的频数。
(4)基于该状态区间转移频数矩阵，由下式(2)计算状态区间转移概率矩阵P＝(pij)。其中pij表示指标参数状态区间经Si转移到Sj的概率。
(5)在状态区间转移概率矩阵P的基础上，根据指标参数在当前t时刻的参数变化量Δxt确定所属状态区间为Si，由在下一时刻t+1转移到的状态区间Sj的状态区间中值同对应转移概率的乘积，计算下一时刻参数趋势变化量Δxt+1：
其中
表示状态区间Sj的上限，
表示状态区间Sj的下限，i,j＝1,2,3…m。
(6)将指标参数当前值同趋势变化量Δxt+1相加，得到指标参数的预测值xP。
4.计算独立指标参数动态劣化度
根据指标参数的相关性分析结果，对独立指标参数采用动态劣化度分析方法来进行归一化处理。动态劣化度是用指标参数的预测值作为此刻劣化度分析的数值，来反映出设备运行状态的好坏，其计算公式分为越小越优型、中间型、越大越优型。
越小越优型动态劣化度计算公式为：
其中g(xP)为指标参数的动态劣化度，g(xP)是区间[0,1]的具体数值，其中0代表最优、1代表最差；x0为该指标的允许值(良好值)，xmax为该指标参数的运行最大值；xP为指标参数的预测值。
中间型动态劣化度计算公式为：
其中，xmin和xmax分别为运行最小值和运行最大值，x1和x2分别为良好值的下限和上限。
越大越优型动态劣化度计算公式为：
其中，xmin为运行最小值，x0为该指标的允许值(良好值)。
5实时监测与预警
以雷达图的形式对设备的运行工况进行直观、形象的综合监测，当运行工况异常时，能够从雷达图上快速发现工况异常的指标参数。
本申请提出了一种基于马尔科夫链模型对转动设备运行状态的发展趋势进行预测的方法，并应用于国内某石化企业压缩机组的状态监测。结果表明，该方法对转动设备运行状态趋势的预测是可行的，并有利于提前发现早期故障隐患，以保证设备连续安全运行，对避免不必要的停机、缩短检修时间、合理安排检维修计划起到重要作用，对提升企业的经济效益具有积极意义，并且具有良好的工程应用价值。
(1)应用最大信息系数对机组各指标参数进行相关性分析，识别和剔除相关程度较大的冗余指标参数，降低了模型的计算规模和复杂度。
(2)采用马尔科夫链模型从指标参数的当前状态预测其变化趋势，计算指标参数的动态劣化度，通过此方法，可以准确预测设备的运行状态趋势，相比传统的阈值报警有明显优势，有利于提前发现设备早期故障隐患，实现预测预警。
以某石化企业压缩机组为例，t*时刻某机组的运行工况雷达图如图5所示：从雷达图中可快速发现指标参数XI24666(越小越优型)的动态劣化度数值异常。
根据在线状态监测系统的监测结果，2018年4月7日00:44时该机组指标参数XI24666发出阈值报警，如图6上半部分所示。图6下半部分所示为该指标参数的动态劣化度，可以看出，在00:28时指标参数XI24666的动态劣化度已发出阈值报警，之后一直处于高危区，在0:42分再次报警，并一直持续到最后。
实施例三
本实施例中，如图2所示，提供了一种设备状态趋势预测装置，包括：
指标参数获取模块210，用于获取至少两种指标参数；
相关性分析模块220，用于对各种所述指标参数进行相关性分析，获得独立指标参数；
趋势变化量计算模块230，用于采用马尔科夫链模型计算得到趋势变化量；
参数预测值计算获取模块240，用于基于所述独立指标参数和趋势变化量，计算得到指标参数预测值。
在其中一个实施例中，设备状态趋势预测装置还包括：
动态劣化度分析模块，用于对独立指标参数采用动态劣化度分析方法进行归一化处理，得到设备状态趋势的评价。
在其中一个实施例中，所述动态劣化度分析模块还用于以所述指标参数预测值作为劣化度分析的数值，对独立指标参数采用动态劣化度分析方法进行归一化处理，得到设备状态趋势的评价。
在其中一个实施例中，所述相关性分析模块还用于采用最大信息系数对各种所述指标参数进行相关性分析，获得独立指标参数组合。
在其中一个实施例中，所述指标参数获取模块包括：
运行参数获取单元，用于从实时数据库和在线状态监测系统获取至少两种运行参数；
指标参数提取单元，用于从各种所述运行参数种提取至少两种所述运行参数作为所述指标参数。
关于设备状态趋势预测装置的具体限定可以参见上文中对于设备状态趋势预测方法的限定，在此不再赘述。上述设备状态趋势预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了计算机设备，该计算机设备可以是服务器，也可以是个人计算机。其内部结构图可以如图3所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的计算机通过网络连接通信。该计算机程序被处理器执行时以实现一种设备状态趋势预测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图3中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
实施例四
本实施例中，提供了一种计算机设备，包括存储器和处理器，该存储器存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
步骤110，获取至少两种指标参数。
本步骤中，首先获取运行参数，从运行参数中选取可表征设备运行状态的主要指标参数。本实施例中，指标参数用于表征设备的运行状态，也就是说，该指标参数即为设备的运行参数。应该理解的是，用于表征设备的运行状态的运行参数有很多种，本实施例中，选取至少两种运行参数，则选取的运行参数即作为指标参数。
步骤120，对各种所述指标参数进行相关性分析，获得独立指标参数。
具体地，石化行业转动设备的指标参数之间存在多种线性、非线性、甚至非函数关系，通过对获取的各种指标参数进行相关性分析，获得各种所述指标参数之间的相关性，具有相关性的多个指标参数为一组指标参数，通过相关性分析，即可从指标参数组合中选取一组作为评估设备运行状态的独立指标参数。
步骤130，采用马尔科夫链模型计算得到趋势变化量。
具体地，本步骤中，采用马尔科夫链模型能够计算得到运行参数的变化趋势的量，即趋势变化量，通过该趋势变化量，即可在原有的运行参数的基础上，计算计算后续的某一时刻的预测值。
其中，马尔科夫链模型即为把一个随机过程看成一系列状态的不断转移，其基本原理为:在某一动态系统中，客观状态不是固定不变的，其状态转变的可能性用概率描述，状态转移概率矩阵描述系统从一个状态转移到另一个状态，这种状态转移矩阵不需要依据大量历史数据进行分析推导，仅根据短期数据即可。这一系列的过程的整体就被称为马尔科夫链。因此可以通过获取到不同状态之间的转移概率，从而预测某动态系统状态的变化趋势，达到预测的目的。
步骤140，基于所述独立指标参数和趋势变化量，计算得到指标参数预测值。
本步骤中，基于马尔科夫链计算得到的趋势变化量，在独立指标参数的基础上，计算得到指标参数预测值。该指标参数预测值即为运行参数的预测值。
具体地，马尔科夫链模型的状态转移矩阵，能够从当前时刻的状态预测下一时刻的状态，在数据趋势预测中已得到成功应用。马尔科夫链模型的主要计算步骤如下：
(1)针对每个数据序列，用下一时刻值减去当前时刻值，得到指标参数变化量序列。
(2)采用均值-均方差的方法，将变化量序列划分成m个状态区间，表示为S1，S2…，Sm。
(3)对每个状态区间的转移频数进行统计，得到状态区间转移频数矩阵N＝(nij)。其中nij表示指标参数状态区间经Si转移到Sj的频数。
(4)基于该状态区间转移频数矩阵，由下式(2)计算状态区间转移概率矩阵P＝(pij)。其中pij表示指标参数状态区间经Si转移到Sj的概率。
(5)在状态区间转移概率矩阵P的基础上，根据指标参数在当前t时刻的参数变化量Δxt确定所属状态区间为Si，由在下一时刻t+1转移到的状态区间Sj的状态区间中值同对应转移概率的乘积，计算下一时刻参数趋势变化量Δxt+1：
其中
表示状态区间Sj的上限，
表示状态区间Sj的下限，i,j＝1,2,3…m。
(6)将指标参数当前值同趋势变化量Δxt+1相加，得到指标参数的预测值xP。
本实施例中，计算得到运行参数的预测值后，即可根据该运行参数的预测值准确预测设备的运行状态趋势，对设备的运行状态进行预测，从而及时发现设备的故障，实现尽早的预警。
上述实施例中，采用马尔科夫链模型从指标参数的当前状态预测其变化趋势，通过此方法，可以准确预测设备的运行状态趋势，相比传统的阈值报警有明显优势，有利于提前发现设备早期故障隐患，实现预测预警。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：对独立指标参数采用动态劣化度分析方法进行归一化处理，得到设备状态趋势的评价。
具体地，本实施例中，根据指标参数的相关性分析结果，对独立指标参数采用动态劣化度分析方法来进行归一化处理，对基于马尔科夫链模型计算得到的指标参数的预测值进行设备状态趋势的评价，以确定指标参数的预测值为最优值、最差值或者是良好值，该良好值即为允许值。通过对该指标参数的预测值的评价，从而完成对设备状态趋势的评价。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：以所述指标参数预测值作为劣化度分析的数值，对独立指标参数采用动态劣化度分析方法进行归一化处理，得到设备状态趋势的评价。
动态劣化度是用指标参数的预测值作为此刻劣化度分析的数值，来反映出设备运行状态的好坏，其计算公式分为越小越优型、中间型、越大越优型。
越小越优型动态劣化度计算公式为：
其中g(xP)为指标参数的动态劣化度，g(xP)是区间[0,1]的具体数值，其中0代表最优、1代表最差；x0为该指标的允许值(良好值)，xmax为该指标参数的运行最大值；xP为指标参数的预测值。
中间型动态劣化度计算公式为：
其中，xmin和xmax分别为运行最小值和运行最大值，x1和x2分别为良好值的下限和上限。
越大越优型动态劣化度计算公式为：
其中，xmin为运行最小值，x0为该指标的允许值(良好值)。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：采用最大信息系数对各种所述指标参数进行相关性分析，获得独立指标参数组合。
具体地，最大信息系数(MIC)有着如下特点：如果两个变量之间存在着一种关系，则可以在两个变量的散点图中绘制网格，这些网格可以将散点图中的数据分割，这样有些网格是空的有些则含有散点图中的点，逐步增大网格的分辨率(比如由2乘2增大到x乘y)，通过网格中的点数可以计算每种分辨率下可能产生的最大互信息值，然后标准化这些互信息值，以确保不同分辨率的网格之间进行公平的比较。定义矩阵M＝(mx,y)，其中是在每种分辨率下计算得到的最大互信息标准化值，而MIC就是M中的最大值。
最大信息系数(MIC)方法能够广泛地度量参数变量间的依赖关系，包括线性和非线性关系，甚至对于不能使用单个函数表示的非函数依赖关系也十分有效。MIC的主要思想是：如果两个指标参数(如指标参数X和Y)间存在某种关联关系，通过在其平面散点图中绘制网格把散点图中的点进行分割。通过进一步增大网格的分辨率并计算出每种分辨率下所能达到的最大互信息值，对所有的最大互信息值进行归一化处理后给出MIC(X，Y)的计算结果。MIC(X，Y)的计算公式：
MIC(X，Y)＝max(ua,b)(1)
其中ua,b为在以a乘b分辨率下分割网格的最大互信息标准化值，a和b分别表示散点图横坐标和纵坐标轴上的分割点数。MIC(X，Y)表示指标参数Y中能被指标参数X解释的信息量的百分比，取值范围为[0,1]，MIC值越接近1表示指标参数间的相关性越强，当X和Y间相互独立时，有MIC(X，Y)＝0；当X和Y间具有确定相关关系时，MIC(X，Y)＝1。在相关性分析中，若MIC大于0.5则认为指标参数间具有较大的相关性，反之则表示相关性较小。选取MIC小于0.5的指标参数组合，并且按照在充分表征设备运行状态的情况下尽可能选取少的指标参数的原则，从指标参数组合中选取一组作为评估设备运行状态的独立指标参数组合。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
采用最大信息系数对各种所述指标参数进行相关性分析，获得独立指标参数组合。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
从实时数据库和在线状态监测系统获取至少两种运行参数；
从各种所述运行参数种提取至少两种所述运行参数作为所述指标参数。
实施例五
本实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
步骤110，获取至少两种指标参数。
本步骤中，首先获取运行参数，从运行参数中选取可表征设备运行状态的主要指标参数。本实施例中，指标参数用于表征设备的运行状态，也就是是，该指标参数即为设备的运行参数。应该理解的是，用于表征设备的运行状态的运行参数有很多种，本实施例中，选取至少两种运行参数，则选取的运行参数即作为指标参数。
步骤120，对各种所述指标参数进行相关性分析，获得独立指标参数。
具体地，石化行业转动设备的指标参数之间存在多种线性、非线性、甚至非函数关系，通过对获取的各种指标参数进行相关性分析，获得各种所述指标参数之间的相关性，具有相关性的多个指标参数为一组指标参数，通过相关性分析，即可从指标参数组合中选取一组作为评估设备运行状态的独立指标参数。
步骤130，采用马尔科夫链模型计算得到趋势变化量。
具体地，本步骤中，采用马尔科夫链模型能够计算得到运行参数的变化趋势的量，即趋势变化量，通过该趋势变化量，即可在原有的运行参数的基础上，计算计算后续的某一时刻的预测值。
其中，马尔科夫链模型即为把一个随机过程看成一系列状态的不断转移，其基本原理为:在某一动态系统中，客观状态不是固定不变的，其状态转变的可能性用概率描述，状态转移概率矩阵描述系统从一个状态转移到另一个状态，这种状态转移矩阵不需要依据大量历史数据进行分析推导，仅根据短期数据即可。这一系列的过程的整体就被称为马尔科夫链。因此可以通过获取到不同状态之间的转移概率，从而预测某动态系统状态的变化趋势，达到预测的目的。
步骤140，基于所述独立指标参数和趋势变化量，计算得到指标参数预测值。
本步骤中，基于马尔科夫链计算得到的趋势变化量，在独立指标参数的基础上，计算得到指标参数预测值。该指标参数预测值即为运行参数的预测值。
具体地，马尔科夫链模型的状态转移矩阵，能够从当前时刻的状态预测下一时刻的状态，在数据趋势预测中已得到成功应用。马尔科夫链模型的主要计算步骤如下：
(1)针对每个数据序列，用下一时刻值减去当前时刻值，得到指标参数变化量序列。
(2)采用均值-均方差的方法，将变化量序列划分成m个状态区间，表示为S1，S2…，Sm。
(3)对每个状态区间的转移频数进行统计，得到状态区间转移频数矩阵N＝(nij)。其中nij表示指标参数状态区间经Si转移到Sj的频数。
(4)基于该状态区间转移频数矩阵，由下式(2)计算状态区间转移概率矩阵P＝(pij)。其中pij表示指标参数状态区间经Si转移到Sj的概率。
(5)在状态区间转移概率矩阵P的基础上，根据指标参数在当前t时刻的参数变化量Δxt确定所属状态区间为Si，由在下一时刻t+1转移到的状态区间Sj的状态区间中值同对应转移概率的乘积，计算下一时刻参数趋势变化量Δxt+1：
其中
表示状态区间Sj的上限，
表示状态区间Sj的下限，i,j＝1,2,3…m。
(6)将指标参数当前值同趋势变化量Δxt+1相加，得到指标参数的预测值xP。
本实施例中，计算得到运行参数的预测值后，即可根据该运行参数的预测值准确预测设备的运行状态趋势，对设备的运行状态进行预测，从而及时发现设备的故障，实现尽早的预警。
上述实施例中，采用马尔科夫链模型从指标参数的当前状态预测其变化趋势，通过此方法，可以准确预测设备的运行状态趋势，相比传统的阈值报警有明显优势，有利于提前发现设备早期故障隐患，实现预测预警。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：对独立指标参数采用动态劣化度分析方法进行归一化处理，得到设备状态趋势的评价。
具体地，本实施例中，根据指标参数的相关性分析结果，对独立指标参数采用动态劣化度分析方法来进行归一化处理，对基于马尔科夫链模型计算得到的指标参数的预测值进行设备状态趋势的评价，以确定指标参数的预测值为最优值、最差值或者是良好值，该最差值即为预警值。通过对该指标参数的预测值的评价，从而完成对设备状态趋势的评价。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：以所述指标参数预测值作为劣化度分析的数值，对独立指标参数采用动态劣化度分析方法进行归一化处理，得到设备状态趋势的评价。
动态劣化度是用指标参数的预测值作为此刻劣化度分析的数值，来反映出设备运行状态的好坏，其计算公式分为越小越优型、中间型、越大越优型。
越小越优型动态劣化度计算公式为：
其中g(xP)为指标参数的动态劣化度，g(xP)是区间[0,1]的具体数值，其中0代表最优、1代表最差；x0为该指标的允许值(良好值)，xmax为该指标参数的运行最大值；xP为指标参数的预测值。
中间型动态劣化度计算公式为：
其中，xmin和xmax分别为运行最小值和运行最大值，x1和x2分别为良好值的下限和上限。
越大越优型动态劣化度计算公式为：
其中，xmin为运行最小值，x0为该指标的允许值(良好值)。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：采用最大信息系数对各种所述指标参数进行相关性分析，获得独立指标参数组合。
具体地，最大信息系数(MIC)有着如下特点：如果两个变量之间存在着一种关系，则可以在两个变量的散点图中绘制网格，这些网格可以将散点图中的数据分割，这样有些网格是空的有些则含有散点图中的点，逐步增大网格的分辨率(比如由2乘2增大到x乘y)，通过网格中的点数可以计算每种分辨率下可能产生的最大互信息值，然后标准化这些互信息值，以确保不同分辨率的网格之间进行公平的比较。定义矩阵M＝(mx,y)，其中是在每种分辨率下计算得到的最大互信息标准化值，而MIC就是M中的最大值。
最大信息系数(MIC)方法能够广泛地度量参数变量间的依赖关系，包括线性和非线性关系，甚至对于不能使用单个函数表示的非函数依赖关系也十分有效。MIC的主要思想是：如果两个指标参数(如指标参数X和Y)间存在某种关联关系，通过在其平面散点图中绘制网格把散点图中的点进行分割。通过进一步增大网格的分辨率并计算出每种分辨率下所能达到的最大互信息值，对所有的最大互信息值进行归一化处理后给出MIC(X，Y)的计算结果。MIC(X，Y)的计算公式：
MIC(X，Y)＝max(ua,b)(1)
其中ua,b为在以a乘b分辨率下分割网格的最大互信息标准化值，a和b分别表示散点图横坐标和纵坐标轴上的分割点数。MIC(X，Y)表示指标参数Y中能被指标参数X解释的信息量的百分比，取值范围为[0,1]，MIC值越接近1表示指标参数间的相关性越强，当X和Y间相互独立时，有MIC(X，Y)＝0；当X和Y间具有确定相关关系时，MIC(X，Y)＝1。在相关性分析中，若MIC大于0.5则认为指标参数间具有较大的相关性，反之则表示相关性较小。选取MIC小于0.5的指标参数组合，并且按照在充分表征设备运行状态的情况下尽可能选取少的指标参数的原则，从指标参数组合中选取一组作为评估设备运行状态的独立指标参数组合。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
从实时数据库和在线状态监测系统获取至少两种运行参数；
从各种所述运行参数种提取至少两种所述运行参数作为所述指标参数。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种设备状态趋势预测方法，其特征在于，包括：
获取至少两种指标参数；
对各种所述指标参数进行相关性分析，获得独立指标参数；
采用马尔科夫链模型计算得到趋势变化量；
基于所述独立指标参数和趋势变化量，计算得到指标参数预测值。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
对独立指标参数采用动态劣化度分析方法进行归一化处理，得到设备状态趋势的评价。
3.根据权利要求2所述的方法，其特征在于，所述对独立指标参数采用动态劣化度分析方法进行归一化处理，得到设备状态趋势的评价的步骤包括：
以所述指标参数预测值作为劣化度分析的数值，对独立指标参数采用动态劣化度分析方法进行归一化处理，得到设备状态趋势的评价。
4.根据权利要求1所述的方法，其特征在于，所述对各种所述指标参数进行相关性分析，获得独立指标参数组合的步骤包括：
采用最大信息系数对各种所述指标参数进行相关性分析，获得独立指标参数组合。
5.根据权利要求1-4任一项中所述的方法，其特征在于，所述获取至少两种指标参数的步骤包括：
从实时数据库和在线状态监测系统获取至少两种运行参数；
从各种所述运行参数种提取至少两种所述运行参数作为所述指标参数。
6.一种设备状态趋势预测装置，其特征在于，包括：
指标参数获取模块，用于获取至少两种指标参数；
相关性分析模块，用于对各种所述指标参数进行相关性分析，获得独立指标参数；
趋势变化量计算模块，用于采用马尔科夫链模型计算得到趋势变化量；
参数预测值计算获取模块，用于基于所述独立指标参数和趋势变化量，计算得到指标参数预测值。
7.根据权利要求6所述的装置，其特征在于，还包括：
动态劣化度分析模块，用于对独立指标参数采用动态劣化度分析方法进行归一化处理，得到设备状态趋势的评价。
8.根据权利要求7所述的装置，其特征在于，所述动态劣化度分析模块还用于以所述指标参数预测值作为劣化度分析的数值，对独立指标参数采用动态劣化度分析方法进行归一化处理，得到设备状态趋势的评价。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述方法的步骤。
10.一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，所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010955271.8A CN112100575A (zh) | 2020-09-11 | 2020-09-11 | 设备状态趋势预测方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010955271.8A CN112100575A (zh) | 2020-09-11 | 2020-09-11 | 设备状态趋势预测方法、装置、计算机设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112100575A true CN112100575A (zh) | 2020-12-18 |
Family
ID=73752595
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010955271.8A Pending CN112100575A (zh) | 2020-09-11 | 2020-09-11 | 设备状态趋势预测方法、装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112100575A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112668772A (zh) * | 2020-12-24 | 2021-04-16 | 润电能源科学技术有限公司 | 一种状态发展趋势预测方法、装置、设备及存储介质 |
| CN113220551A (zh) * | 2021-05-12 | 2021-08-06 | 康键信息技术（深圳）有限公司 | 指标趋势预测及预警方法、装置、电子设备及存储介质 |
| CN114609981A (zh) * | 2021-12-16 | 2022-06-10 | 南京工业大学 | 一种基于参数区间变化趋势的动态操作模式优化方法、系统及储存介质 |
| CN115829172A (zh) * | 2023-02-24 | 2023-03-21 | 清华大学 | 污染预测方法、装置、计算机设备和存储介质 |
| CN116245230A (zh) * | 2023-02-03 | 2023-06-09 | 南方电网调峰调频发电有限公司运行分公司 | 一种电站设备的运行巡检与趋势分析方法及系统 |
| CN117420811A (zh) * | 2023-12-19 | 2024-01-19 | 武汉佰思杰科技有限公司 | 一种用于自动化生产的生产线质量监测方法及系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104952000A (zh) * | 2015-07-01 | 2015-09-30 | 华侨大学 | 基于马尔科夫链的风电机组运行状态模糊综合评价方法 |
| CN110685868A (zh) * | 2019-10-25 | 2020-01-14 | 长沙理工大学 | 一种基于改进梯度提升机的风电机组故障检测方法及装置 |
-
2020
- 2020-09-11 CN CN202010955271.8A patent/CN112100575A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104952000A (zh) * | 2015-07-01 | 2015-09-30 | 华侨大学 | 基于马尔科夫链的风电机组运行状态模糊综合评价方法 |
| CN110685868A (zh) * | 2019-10-25 | 2020-01-14 | 长沙理工大学 | 一种基于改进梯度提升机的风电机组故障检测方法及装置 |
Non-Patent Citations (2)
| Title |
|---|
| 唐明珠;赵琪;龙文;陈荐;陈宇韬;: "基于梯度提升决策树的风电机组齿轮箱故障检测", 湖南电力, no. 06, pages 56 - 60 * |
| 孙延吉: "加氢装置CPS平台中的过程管控关键问题研究", 中国博士学位论文全文数据库 工程科技Ⅰ辑, no. 8, pages 70 - 78 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112668772A (zh) * | 2020-12-24 | 2021-04-16 | 润电能源科学技术有限公司 | 一种状态发展趋势预测方法、装置、设备及存储介质 |
| CN112668772B (zh) * | 2020-12-24 | 2024-03-12 | 润电能源科学技术有限公司 | 一种状态发展趋势预测方法、装置、设备及存储介质 |
| CN113220551A (zh) * | 2021-05-12 | 2021-08-06 | 康键信息技术（深圳）有限公司 | 指标趋势预测及预警方法、装置、电子设备及存储介质 |
| CN114609981A (zh) * | 2021-12-16 | 2022-06-10 | 南京工业大学 | 一种基于参数区间变化趋势的动态操作模式优化方法、系统及储存介质 |
| CN114609981B (zh) * | 2021-12-16 | 2024-04-16 | 南京工业大学 | 一种基于参数区间变化趋势的动态操作模式优化方法、系统及储存介质 |
| CN116245230A (zh) * | 2023-02-03 | 2023-06-09 | 南方电网调峰调频发电有限公司运行分公司 | 一种电站设备的运行巡检与趋势分析方法及系统 |
| CN116245230B (zh) * | 2023-02-03 | 2024-03-19 | 南方电网调峰调频发电有限公司运行分公司 | 一种电站设备的运行巡检与趋势分析方法及系统 |
| CN115829172A (zh) * | 2023-02-24 | 2023-03-21 | 清华大学 | 污染预测方法、装置、计算机设备和存储介质 |
| CN117420811A (zh) * | 2023-12-19 | 2024-01-19 | 武汉佰思杰科技有限公司 | 一种用于自动化生产的生产线质量监测方法及系统 |
| CN117420811B (zh) * | 2023-12-19 | 2024-03-08 | 武汉佰思杰科技有限公司 | 一种用于自动化生产的生产线质量监测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112100575A (zh) | 设备状态趋势预测方法、装置、计算机设备和存储介质 | |
| Memarzadeh et al. | Value of information in sequential decision making: Component inspection, permanent monitoring and system-level scheduling | |
| Caballé et al. | A condition-based maintenance of a dependent degradation-threshold-shock model in a system with multiple degradation processes | |
| Chen et al. | LQD-RKHS-based distribution-to-distribution regression methodology for restoring the probability distributions of missing SHM data | |
| CN110544130A (zh) | 流量异动监测方法、装置、计算机设备和存储介质 | |
| CN110888625B (zh) | 基于需求变更和项目风险对代码质量进行控制的方法 | |
| Mendes et al. | Analysis and optimization of periodic inspection intervals in cold standby systems using Monte Carlo simulation | |
| CN112083244A (zh) | 综合化航空电子设备故障智能诊断系统 | |
| Rasay et al. | Application of multivariate control charts for condition based maintenance | |
| CN115237710A (zh) | 服务器温度预测方法、装置、计算机设备和存储介质 | |
| CN113295399B (zh) | 换流阀元件状态评估方法、装置、电子设备和存储介质 | |
| Jin et al. | A methodology for equipment condition simulation and maintenance threshold optimization oriented to the influence of multiple events | |
| CN112379913B (zh) | 基于风险识别的软件优化方法、装置、设备及存储介质 | |
| Stefanyshyn | A Method of Forecasting of Indexes of Dynamic System that evolves slowly, based on Time Series Analysis | |
| CN114254904B (zh) | 一种风电机组机舱运行健康度评价方法及装置 | |
| He et al. | Reliability analysis of systems with discrete event data using association rules | |
| CN113808727B (zh) | 设备监控方法、装置、计算机设备和可读存储介质 | |
| CN105469148A (zh) | 船舶机电设备保障时机确定方法 | |
| CN114722025A (zh) | 基于预测模型的数据预测方法、装置、设备及存储介质 | |
| CN114860496A (zh) | 一种集群故障时长预测方法、装置、设备及存储介质 | |
| RU2735296C1 (ru) | Способ многопараметрического контроля состояния сложных электротехнических объектов | |
| CN113821933A (zh) | App流量预测方法、装置、计算机设备及存储介质 | |
| CN114186872A (zh) | 核电厂的应急状态评估方法、装置和计算机设备 | |
| CN113672870A (zh) | 故障事件概率估算方法、装置、计算机设备和存储介质 | |
| RU2689090C2 (ru) | Способ оценки уровня безопасности сложной технической системы |
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 |