CN112486722A - 一种系统故障检测方法及相关装置 - Google Patents

一种系统故障检测方法及相关装置 Download PDF

Info

Publication number
CN112486722A
CN112486722A CN202011509987.1A CN202011509987A CN112486722A CN 112486722 A CN112486722 A CN 112486722A CN 202011509987 A CN202011509987 A CN 202011509987A CN 112486722 A CN112486722 A CN 112486722A
Authority
CN
China
Prior art keywords
similarity
calculating
data
healthy
working condition
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.)
Granted
Application number
CN202011509987.1A
Other languages
English (en)
Other versions
CN112486722B (zh
Inventor
胡海林
杨杰
刘鸿恩
汪涛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangxi University of Science and Technology
Original Assignee
Jiangxi University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jiangxi University of Science and Technology filed Critical Jiangxi University of Science and Technology
Priority to CN202011509987.1A priority Critical patent/CN112486722B/zh
Publication of CN112486722A publication Critical patent/CN112486722A/zh
Application granted granted Critical
Publication of CN112486722B publication Critical patent/CN112486722B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/079—Root cause analysis, i.e. error or fault diagnosis

Abstract

本申请公开了一种系统故障检测方法，包括确定系统的当前工况；计算在所述当前工况下所述系统中数据的自相关长度；依据所述自相关长度，计算得到当前工况下所述系统在当前状态下的数据样本与在健康状态下的数据样本的相似度；判断所述相似度是否低于故障阈值；若所述相似度低于故障阈值，则所述系统故障。该方法能够准确可靠的检测系统故障。本申请还公开了一种系统故障检测装置、设备以及计算机可读存储介质，均具有上述技术效果。

Description

一种系统故障检测方法及相关装置
技术领域
本申请涉及故障检测技术领域，特别涉及一种系统故障检测方法；还涉及一种系统故障检测装置、设备以及计算机可读存储介质。
背景技术
随着现代化生产的发展与科学的进步，系统的自动化程度越来越高，与此同时系统的功能与结构也越来越复杂。如果系统出现故障，轻则会降低或失去预定的功能，造成经济损失，重则会导致灾难性的事故。因此，对系统进行实时故障检测尤为重要，这对提高系统运行的可靠性、安全性以及有效性具有重大意义。因此如何准确可靠的检测系统故障已成为本领域技术人员亟待解决的技术问题。
发明内容
本申请的目的是提供一种系统故障检测方法，能够准确可靠的检测系统故障。本申请的另一个目的是提供一种系统故障检测装置、设备以及计算机可读存储介质，均具有上述技术效果。
为解决上述技术问题，本申请提供了一种系统故障检测方法，包括：
确定系统的当前工况；
计算在所述当前工况下所述系统中数据的自相关长度；
依据所述自相关长度，计算得到当前工况下所述系统在当前状态下的数据样本与在健康状态下的数据样本的相似度；
判断所述相似度是否低于故障阈值；
若所述相似度低于故障阈值，则所述系统故障。
可选的，计算在所述当前工况下所述系统中数据的自相关长度包括：
依据自相关函数计算得到在所述当前工况下所述系统中数据的相关向量；
对所述相关向量进行标准化处理；
选取标准化处理后的自相关值均等于预设值的两个相关向量，并计算所选取的两个相关向量的距离，得到所述自相关长度。
可选的，所述依据所述自相关长度，计算得到当前工况下所述系统在当前状态下的数据样本与在健康状态下的数据样本的相似度包括：
依据公式
Figure BDA0002846113520000021
计算得到所述系统在当前状态下的数据样本与在健康状态下的数据样本的相似度；
其中，S表示相似度，M表示健康状态下的健康序列个数，N表示自相关长度，
Figure BDA0002846113520000022
表示第j个健康序列中的第i个样本，
Figure BDA0002846113520000023
表示当前状态下未知序列的第i个样本。
可选的，所述故障阈值为μ-θσ；其中，μ表示健康状态下的M个健康序列的数据平均值，σ表示健康状态下的M个健康序列的数据标准差，θ表示系数。
可选的，还包括：
依据所确定的所述系统的当前工况调整所述故障阈值中所述系数的大小。
为解决上述技术问题，本申请还提供了一种系统故障检测装置，包括：
系统工况确定模块，用于确定系统的当前工况；
自相关长度计算模块，用于计算在所述当前工况下所述系统中数据的自相关长度；
相似度计算模块，用于依据所述自相关长度，计算得到当前工况下所述系统在当前状态下的数据样本与在健康状态下的数据样本的相似度；
判断模块，用于判断所述相似度是否低于故障阈值；
系统状态确定模块，用于若所述相似度低于故障阈值，则所述系统故障。
可选的，所述自相关长度计算模块包括：
相关向量计算单元，用于依据自相关函数计算得到在所述当前工况下所述系统中数据的相关向量；
标准化单元，用于对所述相关向量进行标准化处理；
自相关长度计算单元，用于选取标准化处理后的自相关值均等于预设值的两个相关向量，并计算所选取的两个相关向量的距离，得到所述自相关长度。
可选的，所述相似度计算模块具体用于依据公式
Figure BDA0002846113520000031
计算得到所述系统在当前状态下的数据样本与在健康状态下的数据样本的相似度；
其中，S表示相似度，M表示健康状态下的健康序列个数，N表示自相关长度，
Figure BDA0002846113520000032
表示第j个健康序列中的第i个样本，
Figure BDA0002846113520000033
表示当前状态下未知序列的第i个样本。
为解决上述技术问题，本申请还提供了一种系统故障检测设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如上任一项所述的系统故障检测方法的步骤。
为解决上述技术问题，本申请还提供了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，所述计算机程序被处理器执行时实现如上任一项所述的系统故障检测方法的步骤。
本申请所提供的系统故障检测方法，包括：确定系统的当前工况；计算在所述当前工况下所述系统中数据的自相关长度；依据所述自相关长度，计算得到当前工况下所述系统在当前状态下的数据样本与在健康状态下的数据样本的相似度；判断所述相似度是否低于故障阈值；若所述相似度低于故障阈值，则所述系统故障。
可见，本申请所提供的系统故障检测方法，对系统进行了工况划分，并针对每一种工况，分别计算该工况下系统中数据的自相关长度与相似度，以及通过比较相似度与故障阈值的大小，得到不同工况下系统故障与否的检测结果，由此可以有效的规避不考虑系统工况时不同工况下数据的差异性对检测结果的影响，能够准确可靠的检测出系统是否故障，并且可以观察不同时刻系统健康状态的变化。
本申请所提供的系统故障检测装置、设备以及计算机可读存储介质均具有上述技术效果。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对现有技术和实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例所提供的一种系统故障检测方法的流程示意图；
图2为本申请实施例所提供的一种超球体模型的示意图；
图3为本申请实施例所提供的一种自相关长度的示意图；
图4为本申请实施例所提供的一种系统故障检测装置的示意图；
图5为本申请实施例所提供的一种系统故障检测设备的示意图。
具体实施方式
本申请的核心是提供一种系统故障检测方法，能够准确可靠的检测系统故障。本申请的另一个核心是提供一种系统故障检测装置、设备以及计算机可读存储介质，均具有上述技术效果。
为使本申请实施例的目的、技术方案和优点更加清楚，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。
请参考图1，图1为本申请实施例所提供的一种系统故障检测方法的流程示意图示意图，参考图1所示，该方法主要包括：
S101：确定系统的当前工况；
具体的，系统在实际运行过程中受内部、环境、人为等因素的影响会产生多种工况，不同工况下的数据差异较大。参考图2所示，可以采用超球体模型表征多工况下数据的差异性。在超球体模型中，空间内任意位置到球体中心的距离表征对应的健康指标。如图2所示，三个半径不同的球形表示三种不同的工况，S1、S2、与S3表示三个连续采样，O1、O2、和O3表示三个超球体的球心，D1、D2、与D3表示系统的健康状态。根据退化规律，从S1到S2再到S3，系统对应的健康指标是依次减小的，但是由于不同工况下数据的差异性，产生D2>D1，即S1处的健康指标比S2处的健康指标小。若不考虑工况的影响而直接利用数据来检测系统故障，很难获得准确可靠的故障检测结果。
因此，为了克服不同工况下数据的差异性对检测结果的影响，本申请对系统的工况进行了划分，将复杂工况划分成多个简单的互斥工况。例如，根据系统的状态量将系统的工况划分为空载、满载、额定载荷和超载等几种工况。实际在对系统进行故障检测时，首先根据系统的实时数据确定出系统的当前工况，即系统当前所处的工况。
S102：计算在当前工况下系统中数据的自相关长度；
具体的，在确定了系统当前所处工况的基础上，进一步计算在当前工况下系统中数据的自相关长度。其中，计算在当前工况下系统中数据的自相关长度的方式可以为：依据自相关函数计算得到在当前工况下系统中数据的相关向量；对相关向量进行标准化处理；选取标准化处理后的自相关值均等于预设值的两个相关向量，并计算所选取的两个相关向量的距离，得到自相关长度。
具体而言，自相关函数用来衡量随机信号x在不同时刻的取值之间的关联程度。q时刻的随机信号xq和q+m时刻的随机信号xq+m的自相关序列可以如下公式所示：
Figure BDA0002846113520000051
上式中E表示自相关计算。两个相同的信号的相关性必然最大，故当m等于0时，Rm的值最大。当m从0开始增大或者减小，Rm的值通常会减小。
具体依据公式
Figure BDA0002846113520000052
与
Figure BDA0002846113520000053
得到相关向量，进而对相关向量进行标准化处理，即将所得的自相关函数的值转化到0～1之间。最后选取标准化处理后的自相关值均等于预设值的两个相关向量，并计算所选取的两个相关向量的距离，得到自相关长度。例如，参考图3所示，标准化之后有C1和C2两个相关向量的自相关值均为0.5，图3中L1和L2分别表示C1和C2对应的位置，因此自相关长度N＝L2-L1为c1和c2之间的距离。自相关长度与工况密切相关。通常情况下，不同工况下的自相关长度不同。
S103：依据自相关长度，计算得到当前工况下系统在当前状态下的数据样本与在健康状态下的数据样本的相似度；
具体的，在计算得到自相关长度的基础上，进一步依据自相关长度，计算得到当前工况下系统在当前状态下的数据样本与在健康状态下的数据样本的相似度。
其中，作为一种优选的实施方式，依据自相关长度，计算得到当前工况下系统在当前状态下的数据样本与在健康状态下的数据样本的相似度的方式为：
依据公式
Figure BDA0002846113520000061
计算得到所述系统在当前状态下的数据样本与在健康状态下的数据样本的相似度；
其中，S表示相似度，M表示健康状态下的健康序列个数，N表示自相关长度，
Figure BDA0002846113520000062
表示第j个健康序列中的第i个样本，
Figure BDA0002846113520000063
表示当前状态下未知序列的第i个样本。
具体而言，如果在同一工况下采用欧氏距离计算相似度，很容易检测出故障。然而由于不同工况的数据差异较大，因此若仍然使用欧氏距离计算相似度，很容易导致故障检测失败，以及不同工况的相似度会存在很大的差异，从而导致系统运行中多种工况在不断切换时使用人员或操作人员不能在同一个界面内直观了解系统的所有状态。为了能统一不同工况下的相似度范围，在同一个界面内直观地反映系统整体的状态。本实施例依据公式
Figure BDA0002846113520000064
来计算相似度。
虽然不同工况的数据的差异较大，但相同工况的数据差异较小。因此，基于同一工况下的数据差异，本实施例选择误差百分比模型，并转换成指数模型，同时考虑到数据差异累计可能导致相似度差异大，本实施例将指数模型的平均值作为最终的相似度。由此可以保证在不同工况下所有的相似度在相近的范围内。
由于健康状态下数据样本之间也存在一定的差异性，为了减少此差异性引起的误差，本实施例为每个工况分别选择M个健康状态下的健康序列。其中M可根据实际情况确定。
S104：判断相似度是否低于故障阈值；
S105：若相似度低于故障阈值，则系统故障；
S106：若相似度不低于故障阈值，则系统健康。
具体的，两个序列相差越大，相似度S越小，两个序列相差越小，相似度S越大。只有当两个序列完全相同时，S为最大值1。S越大，说明系统越健康。根据系统的退化规律，系统的状态是逐渐下降的，故设置一个作为下限的故障阈值，在计算得到相似度的基础上，将计算所得相似度与此故障阈值进行比较，判断相似度是否低于故障阈值。若计算所得相似度低于故障阈值，则系统故障，相反，则系统健康。
其中，在一种具体的实施方式中，上述故障阈值可以为μ-θσ；其中，μ表示健康状态下的M个健康序列的数据平均值，σ表示健康状态下的M个健康序列的数据标准差，θ表示系数。
具体而言，选择健康状态下的历史数据作为基础，计算此历史数据的平均值μ和标准差σ，并将μ-θσ作为故障阈值。
进一步，在上述实施例的基础上，还可以包括：
依据所确定的系统的当前工况调整故障阈值中系数的大小。
具体而言，由于外界干扰对不同工况下系统的影响不同，如果所有工况下上述故障阈值中的系数θ选择一致，则很可能会导致两类问题。一个是某工况的阈值较小，引起误报警；另一个是某工况的阈值较大，导致误报警。因此，为了更好的适应不同工况，保障故障检测的可靠性，还可以根据各工况下的历史数据选择确定合适的θ，在确定了系统的当前工况后，将故障阈值中的系数调整为对应的合适的值。
综上所述，本申请所提供的系统故障检测方法，对系统进行了工况划分，并针对每一种工况，分别计算该工况下系统中数据的自相关长度与相似度，以及通过比较相似度与故障阈值的大小，得到不同工况下系统故障与否的检测结果，由此可以有效的规避不考虑系统工况时不同工况下数据的差异性对检测结果的影响，能够准确可靠的检测出系统是否故障，并且可以观察不同时刻系统健康状态的变化。
本申请还提供了一种系统故障检测装置，下文描述的该装置可以与上文描述的方法相互对应参照。请参考图4，图4为本申请实施例所提供的一种系统故障检测装置的示意图，结合图4所示，该装置包括：
系统工况确定模块10，用于确定系统的当前工况；
自相关长度计算模块20，用于计算在所述当前工况下所述系统中数据的自相关长度；
相似度计算模块30，用于依据所述自相关长度，计算得到当前工况下所述系统在当前状态下的数据样本与在健康状态下的数据样本的相似度；
判断模块40，用于判断所述相似度是否低于故障阈值；
系统状态确定模块50，用于若所述相似度低于故障阈值，则所述系统故障。
在上述实施例的基础上，可选的，所述自相关长度计算模块20包括：
相关向量计算单元，用于依据自相关函数计算得到在所述当前工况下所述系统中数据的相关向量；
标准化单元，用于对所述相关向量进行标准化处理；
自相关长度计算单元，用于选取标准化处理后的自相关值均等于预设值的两个相关向量，并计算所选取的两个相关向量的距离，得到所述自相关长度。
在上述实施例的基础上，可选的，所述相似度计算模块30具体用于依据公式
Figure BDA0002846113520000081
计算得到所述系统在当前状态下的数据样本与在健康状态下的数据样本的相似度；
其中，S表示相似度，M表示健康状态下的健康序列个数，N表示自相关长度，
Figure BDA0002846113520000082
表示第j个健康序列中的第i个样本，
Figure BDA0002846113520000083
表示当前状态下未知序列的第i个样本。
在上述实施例的基础上，可选的，所述故障阈值为μ-θσ；其中，μ表示健康状态下的M个健康序列的数据平均值，σ表示健康状态下的M个健康序列的数据标准差，θ表示系数。
在上述实施例的基础上，可选的，还包括：
调整模块，用于依据所确定的所述系统的当前工况调整所述故障阈值中所述系数的大小。
本申请还提供了一种系统故障检测设备，参考图5所示，该设备包括存储器1和处理器2。
存储器1，用于存储计算机程序；
处理器2，用于执行计算机程序实现如下的步骤：
确定系统的当前工况；计算在所述当前工况下所述系统中数据的自相关长度；依据所述自相关长度，计算得到当前工况下所述系统在当前状态下的数据样本与在健康状态下的数据样本的相似度；判断所述相似度是否低于故障阈值；若所述相似度低于故障阈值，则所述系统故障。
对于本申请所提供的设备的介绍请参照上述方法实施例，本申请在此不做赘述。
本申请还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时可实现如下的步骤：
确定系统的当前工况；计算在所述当前工况下所述系统中数据的自相关长度；依据所述自相关长度，计算得到当前工况下所述系统在当前状态下的数据样本与在健康状态下的数据样本的相似度；判断所述相似度是否低于故障阈值；若所述相似度低于故障阈值，则所述系统故障。
该计算机可读存储介质可以包括：U盘、移动硬盘、只读存储器(Read-OnlyMemory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
对于本申请所提供的计算机可读存储介质的介绍请参照上述方法实施例，本申请在此不做赘述。
说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置、设备以及计算机可读存储介质而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上对本申请所提供的系统故障检测方法、装置、设备以及计算机可读存储介质进行了详细介绍。本文中应用了具体个例对本申请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申请的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以对本申请进行若干改进和修饰，这些改进和修饰也落入本申请权利要求的保护范围。

Claims (10)

1.一种系统故障检测方法，其特征在于，包括：
确定系统的当前工况；
计算在所述当前工况下所述系统中数据的自相关长度；
依据所述自相关长度，计算得到当前工况下所述系统在当前状态下的数据样本与在健康状态下的数据样本的相似度；
判断所述相似度是否低于故障阈值；
若所述相似度低于故障阈值，则所述系统故障。
2.根据权利要求1所述的系统故障检测方法，其特征在于，计算在所述当前工况下所述系统中数据的自相关长度包括：
依据自相关函数计算得到在所述当前工况下所述系统中数据的相关向量；
对所述相关向量进行标准化处理；
选取标准化处理后的自相关值均等于预设值的两个相关向量，并计算所选取的两个相关向量的距离，得到所述自相关长度。
3.根据权利要求2所述的系统故障检测方法，其特征在于，所述依据所述自相关长度，计算得到当前工况下所述系统在当前状态下的数据样本与在健康状态下的数据样本的相似度包括：
依据公式
Figure FDA0002846113510000011
计算得到所述系统在当前状态下的数据样本与在健康状态下的数据样本的相似度；
其中，S表示相似度，M表示健康状态下的健康序列个数，N表示自相关长度，
Figure FDA0002846113510000012
表示第j个健康序列中的第i个样本，
Figure FDA0002846113510000013
表示当前状态下未知序列的第i个样本。
4.根据权利要求3所述的系统故障检测方法，其特征在于，所述故障阈值为μ-θσ；其中，μ表示健康状态下的M个健康序列的数据平均值，σ表示健康状态下的M个健康序列的数据标准差，θ表示系数。
5.根据权利要求4所述的系统故障检测方法，其特征在于，还包括：
依据所确定的所述系统的当前工况调整所述故障阈值中所述系数的大小。
6.一种系统故障检测装置，其特征在于，包括：
系统工况确定模块，用于确定系统的当前工况；
自相关长度计算模块，用于计算在所述当前工况下所述系统中数据的自相关长度；
相似度计算模块，用于依据所述自相关长度，计算得到当前工况下所述系统在当前状态下的数据样本与在健康状态下的数据样本的相似度；
判断模块，用于判断所述相似度是否低于故障阈值；
系统状态确定模块，用于若所述相似度低于故障阈值，则所述系统故障。
7.根据权利要求6所述的系统故障检测装置，其特征在于，所述自相关长度计算模块包括：
相关向量计算单元，用于依据自相关函数计算得到在所述当前工况下所述系统中数据的相关向量；
标准化单元，用于对所述相关向量进行标准化处理；
自相关长度计算单元，用于选取标准化处理后的自相关值均等于预设值的两个相关向量，并计算所选取的两个相关向量的距离，得到所述自相关长度。
8.根据权利要求7所述的系统故障检测装置，其特征在于，所述相似度计算模块具体用于依据公式
Figure FDA0002846113510000021
计算得到所述系统在当前状态下的数据样本与在健康状态下的数据样本的相似度；
其中，S表示相似度，M表示健康状态下的健康序列个数，N表示自相关长度，
Figure FDA0002846113510000022
表示第j个健康序列中的第i个样本，
Figure FDA0002846113510000023
表示当前状态下未知序列的第i个样本。
9.一种系统故障检测设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1至5任一项所述的系统故障检测方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质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如权利要求1至5任一项所述的系统故障检测方法的步骤。
CN202011509987.1A 2020-12-18 2020-12-18 一种系统故障检测方法及相关装置 Active CN112486722B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011509987.1A CN112486722B (zh) 2020-12-18 2020-12-18 一种系统故障检测方法及相关装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011509987.1A CN112486722B (zh) 2020-12-18 2020-12-18 一种系统故障检测方法及相关装置

Publications (2)

Publication Number Publication Date
CN112486722A true CN112486722A (zh) 2021-03-12
CN112486722B CN112486722B (zh) 2024-02-27

Family

ID=74914892

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011509987.1A Active CN112486722B (zh) 2020-12-18 2020-12-18 一种系统故障检测方法及相关装置

Country Status (1)

Country Link
CN (1) CN112486722B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113379210A (zh) * 2021-05-31 2021-09-10 三一重型装备有限公司 电机的故障检测方法和装置、掘进机、可读存储介质
CN113740066A (zh) * 2021-11-08 2021-12-03 中国空气动力研究与发展中心设备设计与测试技术研究所 一种压缩机轴承早期故障检测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190318837A1 (en) * 2016-12-22 2019-10-17 Electricite De France Method For Characterising One Or More Faults In A System
CN110674019A (zh) * 2019-08-30 2020-01-10 中国人民财产保险股份有限公司 一种预测系统故障的方法、装置及电子设备
CN110825074A (zh) * 2019-12-04 2020-02-21 江苏方天电力技术有限公司 一种调相机故障诊断系统及其工作方法
US20200106523A1 (en) * 2018-09-28 2020-04-02 Fujitsu Limited Fiber nonlinear noise monitoring method and apparatus and optical receiver
CN111460392A (zh) * 2020-06-11 2020-07-28 中国人民解放军国防科技大学 一种磁悬浮列车及其列车的悬浮系统故障检测方法和系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190318837A1 (en) * 2016-12-22 2019-10-17 Electricite De France Method For Characterising One Or More Faults In A System
US20200106523A1 (en) * 2018-09-28 2020-04-02 Fujitsu Limited Fiber nonlinear noise monitoring method and apparatus and optical receiver
CN110674019A (zh) * 2019-08-30 2020-01-10 中国人民财产保险股份有限公司 一种预测系统故障的方法、装置及电子设备
CN110825074A (zh) * 2019-12-04 2020-02-21 江苏方天电力技术有限公司 一种调相机故障诊断系统及其工作方法
CN111460392A (zh) * 2020-06-11 2020-07-28 中国人民解放军国防科技大学 一种磁悬浮列车及其列车的悬浮系统故障检测方法和系统

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
HAILING HU等: "Fault Detection Method for Suspension Systems of Maglev Train Based on_Optimized Random Matrix Theory", 《IEEE》, 18 September 2020 (2020-09-18) *
TIAN XUEMIN等: "A fault detection method using multi-scale kernel principal component analysis", 《PROCEEDINGS OF THE 27TH CHINESE CONTROL CONFERENCE》, 18 July 2008 (2008-07-18) *
杨学贤等: "信号故障检测的自相关方法", 《系统工程与电子技术》, 8 January 2004 (2004-01-08) *
杨杰等: "PCA和自相关包络分析在转盘轴承故障诊断中的应用", 《轴承》, 31 October 2014 (2014-10-31) *
焦嵩鸣;: "基于融合相似度的制粉系统健康预警及故障诊断", 系统仿真学报, no. 02, 8 February 2018 (2018-02-08) *
肖楠;李健;肖启阳;: "采用SVD-NMF的管道泄漏信号去噪算法", 传感技术学报, no. 01, 9 March 2017 (2017-03-09) *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113379210A (zh) * 2021-05-31 2021-09-10 三一重型装备有限公司 电机的故障检测方法和装置、掘进机、可读存储介质
CN113740066A (zh) * 2021-11-08 2021-12-03 中国空气动力研究与发展中心设备设计与测试技术研究所 一种压缩机轴承早期故障检测方法
CN113740066B (zh) * 2021-11-08 2022-02-08 中国空气动力研究与发展中心设备设计与测试技术研究所 一种压缩机轴承早期故障检测方法

Also Published As

Publication number Publication date
CN112486722B (zh) 2024-02-27

Similar Documents

Publication Publication Date Title
JP6361175B2 (ja) 異常診断装置及びプログラム
CN112486722A (zh) 一种系统故障检测方法及相关装置
CN116879662B (zh) 基于数据分析的变压器故障检测方法
CN111260893B (zh) 一种海洋平台推进器故障预警方法和装置
EP3674827B1 (en) Monitoring target selecting device, monitoring target selecting method and program
CN113111591B (zh) 基于模块化配电终端内部故障自动诊断方法、装置及设备
EP2135144B1 (en) Machine condition monitoring using pattern rules
US20080288213A1 (en) Machine condition monitoring using discontinuity detection
CN116127270A (zh) 异常检测方法、装置、设备、介质及产品
CN116337135A (zh) 一种仪表故障诊断方法、系统、电子设备及可读存储介质
CN116089848A (zh) 一种基于核模糊c均值聚类的输油泵故障诊断自学习方法
CN112214934B (zh) 一种基于多传感器的悬浮系统寿命预测方法及相关装置
CN114118208A (zh) 基于多元信息的变压器故障判断方法、装置及电子设备
CN111176931A (zh) 一种运营监控方法、装置、服务器及存储介质
WO2021099413A1 (en) Machine learning based method and device for disturbance classification in a power trasmission line
CN117073728B (zh) 一种柔性电容式触觉传感器
CN116543538B (zh) 一种物联网消防电气预警方法及预警系统
KR102199695B1 (ko) 가중 거리 자기 연상 양방향 커널 회귀를 이용한 온라인 신호 데이터 검증 장치 및 방법
CN117150244B (zh) 基于电参数分析的智能配电柜状态监测方法及系统
CN115343579B (zh) 一种电网故障分析方法、装置及电子设备
CN115308517B (zh) 一种元器件的老化检测方法、系统、存储介质和设备
CN116861356A (zh) 异常数据检测方法及装置、电子设备、存储介质
CN114429171A (zh) 工业系统故障检测方法和电子设备
CN114740352A (zh) 一种非接触电机故障检测方法和系统
CN117131390A (zh) 一种基于聚类算法的监测对象分析方法和系统

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