CN112529036B - 一种故障预警方法、装置、设备及存储介质 - Google Patents
一种故障预警方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN112529036B CN112529036B CN202011230465.8A CN202011230465A CN112529036B CN 112529036 B CN112529036 B CN 112529036B CN 202011230465 A CN202011230465 A CN 202011230465A CN 112529036 B CN112529036 B CN 112529036B
- Authority
- CN
- China
- Prior art keywords
- data
- time
- offline
- vibration
- early warning
- 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
- 238000003860 storage Methods 0.000 title claims abstract description 42
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000004519 manufacturing process Methods 0.000 claims abstract description 62
- 238000005259 measurement Methods 0.000 claims abstract description 33
- 230000036541 health Effects 0.000 claims abstract description 31
- 238000012360 testing method Methods 0.000 claims description 11
- 238000013461 design Methods 0.000 claims description 9
- 238000007689 inspection Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 7
- 238000003745 diagnosis Methods 0.000 abstract description 13
- 238000012423 maintenance Methods 0.000 abstract description 12
- 230000015556 catabolic process Effects 0.000 abstract description 6
- 238000006731 degradation reaction Methods 0.000 abstract description 6
- 238000012544 monitoring process Methods 0.000 description 12
- 238000004422 calculation algorithm Methods 0.000 description 11
- 238000006243 chemical reaction Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 230000003287 optical effect Effects 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 7
- 230000004927 fusion Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000010248 power generation Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 239000013307 optical fiber Substances 0.000 description 3
- 230000008447 perception Effects 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000036760 body temperature Effects 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012905 input function Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/25—Integrating or interfacing systems involving database management systems
- G06F16/258—Data format conversion from or to a database
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
- H02J13/00002—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by monitoring
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Power Engineering (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Biomedical Technology (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种故障预警方法、装置、设备及存储介质。该方法包括：获取离线数据和在线数据，其中，所述在线数据包括：生产实时数据和振动数据；根据所述离线数据、所述振动数据和所述生产实时数据确定测点数据，其中，所述测点数据包括：添加相同时间标签的离线数据、振动数据和生产实时数据；将所述测点数据输入训练好的故障预警模型，得到预估健康数据；若所述测点数据和预估健康数据的差值大于设定阈值，则进行故障预警，通过本发明的技术方案，以实现对设备故障的预警诊断，提前预估设备的劣化状态，实现预知检修，避免了故障发生，减少维护时间，降低故障率。
Description
技术领域
本发明实施例涉及电站设备状态监测技术领域，尤其涉及一种故障预警方法、装置、设备及存储介质。
背景技术
在电站中，设备运行的好坏具有十分重要的意义，当关键设备发生故障时，很可能会对整个系统及其他相关设备产生重大影响。随着人工智能技术和大数据挖掘算法的在工业领域的普遍应用，设备故障预警诊断在电站设备状态监测领域得到了较大发展和较多应用。目前设备预警诊断方法主要针对生产实时数据的建模，对设备状态的监测手段具有一定的局限性。因此，针对预警模型的多种数据结构的基础数据利用和分析受到了广泛的关注。
随着现代大生产的发展和科学技术的进步，电站设备状态的监测手段越来越完善，监测数据的类型越来越复杂，对设备的全方位监控越来越细致，但数据孤岛现象严重，不同类型数据存储于不同系统中，相互独立、互相割裂，对设备数据的整体分析困难。
现有电站设备故障预警诊断系统，主要是针对生产历史数据建立设备预警诊断模型，无法有效结合离线数据和振动数据，数据基础不完整，进而影响了预警诊断结果的准确性。
现有电站设备生产运行产生的时序数据、定期试验和定期工作产生离线数据、振动传感器监测产生的高频振动数据的数据类型各不相同，分别需要时序数据库、关系型数据库和高频数据库来单独存储，这使得数据的多元融合十分困难。
近年来，电站设备诊断专家们依据日益发展的新进科技手段，例如人工智能和大数据挖掘等算法作了针对设备状态的大量研究，并将其引入电站设备监测领域，主要是针对设备状态的异常有了一定判断，取得了一定成果。但在实际使用过程中，由于所利用的数据源是单一生产实时数据的局限性，无法利用现场实际测得的离线数据及时反馈和修正计算模型，使得模型的自学习能力不强。
发明内容
本发明实施例提供一种故障预警方法、装置、设备及存储介质，通过数据融合标准与数据类型转换，使离线数据和振动数据以测点方式转换为时序数据，通过数据类型的转换，使生产时序数据、离线数据和振动数据统一数据标准，为故障预警建模提供数据支撑，进而实现对设备故障的预警诊断，提前预估设备的劣化状态，实现预知检修，避免了故障发生，减少维护时间，降低故障率。
第一方面，本发明实施例提供了一种故障预警方法，包括：
获取离线数据和在线数据，其中，所述在线数据包括：生产实时数据和振动数据；
根据所述离线数据、所述振动数据和所述生产实时数据确定测点数据，其中，所述测点数据包括：添加相同时间标签的离线数据、振动数据和生产实时数据；
将所述测点数据输入训练好的故障预警模型，得到预估健康数据；
若所述测点数据和预估健康数据的差值大于设定阈值，则进行故障预警。
第二方面，本发明实施例还提供了一种故障预警装置，该装置包括：
获取模块，用于获取离线数据和在线数据，其中，所述在线数据包括：生产实时数据和振动数据；
确定模块，用于根据所述离线数据、所述振动数据和所述生产实时数据确定测点数据，其中，所述测点数据包括：添加相同时间标签的离线数据、振动数据和生产实时数据；
输入模块，用于将所述测点数据输入训练好的故障预警模型，得到预估健康数据；
预警模块，用于若所述测点数据和预估健康数据的差值大于设定阈值，则进行故障预警。
第三方面，本发明实施例还提供了一种计算机设备，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如本发明实施例中任一所述的方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明实施例中任一所述的方法。
本发明实施例通过获取离线数据和在线数据，其中，所述在线数据包括：生产实时数据和振动数据；根据所述离线数据、所述振动数据和所述生产实时数据确定测点数据，其中，所述测点数据包括：添加相同时间标签的离线数据、振动数据和生产实时数据；将所述测点数据输入训练好的故障预警模型，得到预估健康数据；若所述测点数据和预估健康数据的差值大于设定阈值，则进行故障预警，以实现对设备故障的预警诊断，提前预估设备的劣化状态，实现预知检修，避免了故障发生，减少维护时间，降低故障率，为发电企业带来显著的经济和社会效益。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1是本发明实施例一中的一种故障预警方法的流程图；
图2是本发明实施例二中的一种故障预警装置的结构示意图；
图3是本发明实施例三中的一种计算机设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
实施例一
图1为本发明实施例一提供的一种故障预警方法的流程图，本实施例可适用于故障预警的情况，该方法可以由本发明实施例中的故障预警装置来执行，该故障预警装置可采用软件和/或硬件的方式实现，如图1所示，该方法具体包括如下步骤：
S110，获取离线数据和在线数据，其中，所述在线数据包括：生产实时数据和振动数据。
其中，所述在线数据包括：生产实时数据和振动数据，所述生产实时数据可以为按照预设时间周期采集的生产过程中的实时数据，以一种电站电动给水泵为例，通过传感器终端采集机组负荷、电流、环境温度、入口流量、入口压力、入口温度、出口流量、出口流量、出口母管流量、出口压力、出口母管压力、出口温度、出口温度、出口阀阀位、电机前轴承温度、电机前轴承振动、电机后轴承温度、电机后轴承振动、电机前轴承温度、电机线圈温度、电机推力轴承温度、电机推力轴承振动、泵转速、泵前轴承温度、泵前轴承振动、泵后轴承温度、泵后轴承振动、泵推力轴承温度、泵推力轴承振动、滤网差压、凝汽器水位、泵轴承温度、泵体温度、电机腔室温度、冷却器入口温度、冷却器出口温度、冷却器水压力、油压力、油温度等指标。
S120，根据所述离线数据、所述振动数据和所述生产实时数据确定测点数据，其中，所述测点数据包括：添加相同时间标签的离线数据、振动数据和生产实时数据。
示例性的，确定测点数据的方式可以为预先将离线数据和振动数据转换为时序数据，并将转换后的时序数据存储至数据库，将生产实时数据也存储至同一数据库，将数据库中的数据确定为测点数据；确定测点数据的方式也可以为预先确定时间标签，为所述离线数据、所述振动数据和所述生产实时数据添加相同的时间标签，并将添加标签后的数据存储至同一数据库中，将数据库中的数据确定为测点数据。
S130，将所述测点数据输入训练好的故障预警模型，得到预估健康数据。
其中，所述预估健康数据为所述故障预警模型的输出。
示例性的，还包括：预先根据样本数据对故障预警模型进行训练，其中，所述样本数据包括：样本测点数据和样本测点数据对应的健康数据。
S140，若所述测点数据和预估健康数据的差值大于设定阈值，则进行故障预警。
其中，所述设定阈值可以根据用户需求进行设定，也可以为系统设定，本发明实施例对此不进行限制。
其中，进行故障预警的方式可以为将故障信息显示于显示界面，也可以为进行语音预警，还可以为将预警信息发送至对应的移动终端，本发明实施例对此不进行限制。
可选的，根据所述离线数据、所述振动数据和所述生产实时数据确定测点数据，其中，所述测点数据包括：添加相同时间标签的离线数据、振动数据和生产实时数据，包括：
对所述生产实时数据添加时间标签，并将添加时间标签后的生产实时数据存储至数据库；
将所述离线数据和所述振动数据以测点方式转换为时序数据，并将转换后的离线数据和振动数据存储至所述数据库；
将所述添加时间标签后的生产实时数据和所述转换后的离线数据和振动数据确定为测点数据。
可选的，将所述离线数据以测点方式转换为时序数据，并将转换后的离线数据存储至所述数据库包括：
将所述离线数据进行分类，得到设计数据、点巡检离线数据、试验数据和技术监督数据；
将所述设计数据确定为常数变量，并将所述设计数据存储至所述数据库；
将所述点巡检离线数据、试验数据和技术监督数据分别以数据表结构形式存储至所述数据库。
可选的，其中，数据表具有时间标签属性；
相应的，将所述点巡检离线数据、试验数据和技术监督数据分别以数据表结构形式存储至所述数据库包括：
按照时间顺序排列同类型数据表，得到数据表组；
根据所述时间标签纵向提取所述数据表组中的每一个离线数据，形成一个测点，将所述测点存储至所述数据库。
可选的，其中，所述振动数据包括：转速、通频幅值、间隙电压、1倍频分量、2倍频分量、3倍频分量、4倍频分量和5倍频分量。
可选的，将所述振动数据以测点方式转换为时序数据，包括：
根据如下公式将所述振动数据转换为时序数据：
B f(R)＝{R1，R2，……，Rn}；
B f(Amp)＝{Amp1，Amp2，……，Ampn}；
B f(V)＝{V1，V2，……，Vn}；
B f(1F)＝{1F 1，1F 2，……，1F n}；
B f(2F)＝{2F 1，2F 2，……，2F n}；
B f(3F)＝{3F 1，3F 2，……，3F n}；
B f(4F)＝{4F 1，4F 2，……，4F n}；
B f(5F)＝{5F 1，5F 2，……，5F n}；
B1＝{Rt1，Amp t1，V t1，1F t1，2F t1，3F t1，4F t1，5F t1}；
B2＝{Rt2，Amp t2，V t2，1F t2，2F t2，3F t2，4F t2，5F t2}；
……
Bn＝{Rtn，Amp tn，V tn，1F tn，2F tn，3F tn，4F tn，5F tn}；
其中，t1,t2,…,tn为时间标签，B1，B2，……，Bn为转换后的振动数据，R为转速，Amp为通频幅值，V为间隙电压，1F为1倍频分量，2F为2倍频分量，3F为3倍频分量，4F为4倍频分量，5F为5倍频分量，B f(R)为数据库中R的测点存储方式，B f(Amp)为数据库中Amp的测点存储方式，B f(V)为数据库中V的测点存储方式，B f(1F)为数据库中1F的测点存储方式，Bf(2F)为数据库中2F的测点存储方式，B f(3F)为数据库中3F的测点存储方式，B f(4F)为数据库中4F的测点存储方式，B f(5F)为数据库中5F的测点存储方式。
可选的，将所述离线数据以测点方式转换为时序数据，包括：
根据如下公式将所述离线数据转换为时序数据：
G＝f(F1，F2，……，Fn)；
F＝f(D1，D2，……，Dn)；
P1(D1)＝f(D1t1，D1t2，D1t3，D1t4，D1t5，……，D1tn)；
P2(D2)＝f(D2t1，D2t2，D2t3，D2t4，D2t5，……，D2tn)；
……
Pn(Dn)＝f(Dnt1、Dnt2、Dnt3、Dnt4、Dnt5、……Dntn)；
其中，数据表F为N个不同离线数据D的集合，数据表组G为N个时间标签对应的数据表F的集合，测点Pn为数据表F中一个离线数据Dn在所有时间标签下的数据的集合。
在一个具体例子中，故障预警算法包括如下步骤：
第一步，利用发电厂现场安装的监测终端，采集设备在线数据，设备在线数据包括生产实时数据和振动数据。通过离线数据录入功能以EXCEL表格形式，提供人为录入方式和EXCEL导入功能，实现离线数据的采集和录入。
第二步，融合生产时序数据、离线数据和振动数据，形成统一数据标准，支撑多元数据的设备故障预警建模。
(1)通过终端感知平台模块采集的设备生产实时数据，建立生产时序数据库。以一种电站电动给水泵为例，通过传感器终端采集机组负荷、电流、环境温度、入口流量、入口压力、入口温度、出口流量、出口流量、出口母管流量、出口压力、出口母管压力、出口温度、出口温度、出口阀阀位、电机前轴承温度、电机前轴承振动、电机后轴承温度、电机后轴承振动、电机前轴承温度、电机线圈温度、电机推力轴承温度、电机推力轴承振动、泵转速、泵前轴承温度、泵前轴承振动、泵后轴承温度、泵后轴承振动、泵推力轴承温度、泵推力轴承振动、滤网差压、凝汽器水位、泵轴承温度、泵体温度、电机腔室温度、冷却器入口温度、冷却器出口温度、冷却器水压力、油压力、油温度等指标。数据指标以秒为单位进行读取，加入时间标签，定义时间间隔，通过实时数据库实现生产时序数据的存储。
(2)通过离线数据录入功能，实现设计数据、点巡检离线数据、试验数据和技术监督数据的人工录入，建立离线数据库。
离线数据单元需应用以下元素进行离线数据至时序数据的转换，包括：常数C，数据表组G，数据表F，时间标签t，数据D，测点P、数据库B。
设计数据，通过录入方式，录入流量、扬程、必须汽蚀余量、额定转速、额定功率等参数数据，作为常数变量C存储于数据库中。
点巡检离线数据、试验数据和技术监督数据分别以数据表结构形式存储与数据库中，每一个数据表结构形成一个数据表F，数据表具有时间标签属性t，按照时间顺序(即时序)排列同类型数据表，即产生数据表组G。数据表由不同离线数据构成，通过时间标签纵向提取每一个数据D，形成一个测点P，由数据库B实现所有测点P的存储，即实现了离线数据至时序数据的转换。
离线数据至时序数据转换公式为：
数据表组G为N个时间标签对应的数据表F的集合：
G＝f(F1、F2、……Fn)；
数据表F为N个不同数据D的集合：
F＝f(D1、D2、……Dn)；
测点Pn为数据表F中一个数据Dn在所有时间标签下的数据的集合：
P1(D1)＝f(D1t1、D1t2、D1t3、D1t4、D1t5、……D1tn)；
P2(D2)＝f(D2t1、D2t2、D2t3、D2t4、D2t5、……D2tn)；
……
Pn(Dn)＝f(Dnt1、Dnt2、Dnt3、Dnt4、Dnt5、……Dntn)；
数据库B为所有测点P1、P2、……Pn的集合数据库：
B＝{P1(D1)、P2(D2)、……Pn(Dn)}。
最终得到数据库B，建立了离线数据转换为时序数据的存储方法。
(3)通过终端感知平台模块采集主辅机设备振动数据，振动数据为高频数据，通常能够达到1秒5K至20K的存储量，方法采用高频振动数据库存储，并解析数据格式，使振动数据转换为时序数据。
振动数据单元需应用以下元素进行振动数据至时序数据的转换，包括：振动数据库B，时间标签t，转速R，通频幅值Amp，间隙电压V，1倍频分量1F，2倍频分量2F，3倍频分量3F，4倍频分量4F，5倍频分量5F。
振动数据至时序数据转换公式为：
B f(R)＝{R1，R2，……，Rn}；
B f(Amp)＝{Amp1，Amp2，……，Ampn}；
B f(V)＝{V1，V2，……，Vn}；
B f(1F)＝{1F 1，1F 2，……，1F n}；
B f(2F)＝{2F 1，2F 2，……，2F n}；
B f(3F)＝{3F 1，3F 2，……，3F n}；
B f(4F)＝{4F 1，4F 2，……，4F n}；
B f(5F)＝{5F 1，5F 2，……，5F n}；
B1＝{Rt1，Amp t1，V t1，1F t1，2F t1，3F t1，4F t1，5F t1}；
B2＝{Rt2，Amp t2，V t2，1F t2，2F t2，3F t2，4F t2，5F t2}；
……
Bn＝{Rtn，Amp tn，V tn，1F tn，2F tn，3F tn，4F tn，5F tn}；
B＝{B1，B2，……，Bn}。
其中，t1,t2,…,tn为时间标签，B1，B2，……，Bn均为转换后的振动数据，B f(R)为数据库中R的测点存储方式，B f(Amp)为数据库中Amp的测点存储方式，B f(V)为数据库中V的测点存储方式，B f(1F)为数据库中1F的测点存储方式，B f(2F)为数据库中2F的测点存储方式，B f(3F)为数据库中3F的测点存储方式，B f(4F)为数据库中4F的测点存储方式，Bf(5F)为数据库中5F的测点存储方式，通过以上方式，实现了转速R，通频幅值Amp，间隙电压V，1倍频分量1F，2倍频分量2F，3倍频分量3F，4倍频分量4F，5倍频分量5F的时序数据存储。
通过数据库B，建立了振动数据转换为时序数据的存储方法。
(4)通过数据融合标准与数据类型转换，使离线数据和振动数据以测点方式转换为时序数据，通过统一时间标签，提取某一时间标签下的测点数据，实现了生产时序数据、离线数据和振动数据形成统一时序测点数据。
第三步，利用先进的人工智能故障预警技术建立故障预警模型，实现人工智能算法的建模。
(1)通过多元数据交互平台模块读取测点数据。
(2)通过聚类分析、主成分分析、随机森林、平均、最大、最小等典型数据清洗算法，实现对数据的过滤和清洗。
(3)融合典型神经网络、高斯算法、多元回归等典型算法进行故障预警模型的创建。
(4)通过人机交互选择最合适的历史数据进行建模分析。
(5)通过故障预警模型产生实际值与预估健康数据的偏离程度，偏差值大小来对模型准确性、有效性和鲁棒性进行测试，测试合格后，模型允许安装应用。
第四步，通过对不同对象设备的实例化，完成算法模型与现场设备运行数据的模型训练。
(1)通过选择典型的电站设备，并选择设备关键测点，进行测点实例化匹配。
(2)通过下装故障预警模型，读取测点历史数据进行实例化训练与模型矫正，实现设备的实例化模型训练。
(3)通过对测点实际值计算产生预估值和偏差值，实际值是测点实际测量得到的实时值，预估值是对设备当前状态的测点的预测数值，偏差值是实际值减预估值得到的计算偏差值。通过对测点实际值和预估值的对比，偏差值的大小来测试模型实例化效果，当偏差值不超过实际值的△％(△可人为设定数值)即通过测试。
(4)通过实例化测试单元的模型进行上线运行，实时监测设备测点数据异常情况，实现对设备故障的预警。
第五步，以设备部件为单位，通过设备测点实际值、测点预估值、测点偏差值的趋势监测，直观展示设备故障预警信息。
本发明实施例建立一种基于多元数据融合的交互平台形成综合数据库，整合生产时序数据、离线数据和振动数据，深度结合人工智能故障预警技术，以设备部件为基础单元，实现对设备故障的预警诊断，提前预估设备的劣化状态，实现预知检修，避免了故障发生，减少维护时间，降低故障率，为发电企业带来显著的经济和社会效益。
本发明实施例采用JAVA语言编写基于多元数据的人工智能故障预警技术的计算机软件，通过发电厂现场安装的监测终端，采集设备在线数据，设备在线数据包括生产实时数据和振动数据；融合生产时序数据、离线数据和振动数据，形成统一数据标准，支撑多元数据的设备故障预警建模；通过终端感知平台模块采集的设备生产实时数据，建立生产时序数据库；通过设计数据、点巡检离线数据、试验数据和技术监督数据的采集与录入，建立离线数据库；通过终端感知平台模块采集设备振动数据，建立振动数据库；通过数据融合标准与数据类型转换，使离线数据和振动数据以测点方式转换为时序数据，通过数据类型的转换，使生产时序数据、离线数据和振动数据统一数据标准，为故障预警建模提供数据支撑。利用先进的人工智能故障预警技术建立故障预警模型，实现人工智能算法的建模过程；通过对不同对象设备的实例化，完成算法模型与现场设备运行数据的模型训练，通过该模块能够对测点实际值计算产生预估健康数据和偏差值，实际值是测点实际测量得到的实时值，预估健康数据是对设备当前状态的测点的预测数值，偏差值是实际值减去预估健康数据得到的计算偏差值。展示经过模型计算得到的测点数据的实际值、预估健康数据和偏差值。
总体来说，本发明实施例形成了多元数据融合的、考虑复杂边界的、融合先进人工智能技术的、可视化的、部件级的电站设备故障预警诊断系统，完成了生产时序数据、离线数据和振动数据的统一数据标准融合，解决了以往故障预警模型只能使用生产时序数据的常见弊端。并具有以下特点：
实现离线数据和振动数据的时序化数据类型转换。
解决了离线数据时间离散化、随机化和无法应用建模的弊端。
解决了振动数据因为每秒5K至20K的高频数据特性无法应用建模的弊端。
实现生产时序数据、离线数据和振动数据的多元数据融合，根据数据类型不同，增加了模型考虑复杂边界条件的能力。
实现不同设备对象的实例化预警模型支持的故障预警诊断。
实现故障预警可视化展示。
本实施例的技术方案，通过获取离线数据和在线数据，其中，所述在线数据包括：生产实时数据和振动数据；根据所述离线数据、所述振动数据和所述生产实时数据确定测点数据，其中，所述测点数据包括：添加相同时间标签的离线数据、振动数据和生产实时数据；将所述测点数据输入训练好的故障预警模型，得到预估健康数据；若所述测点数据和预估健康数据的差值大于设定阈值，则进行故障预警，以实现对设备故障的预警诊断，提前预估设备的劣化状态，实现预知检修，避免了故障发生，减少维护时间，降低故障率，为发电企业带来显著的经济和社会效益。
实施例二
图2为本发明实施例二提供的一种故障预警装置的结构示意图。本实施例可适用于故障预警的情况，该装置可采用软件和/或硬件的方式实现，该装置可集成在任何提供故障预警功能的设备中，如图2所示，所述故障预警装置具体包括：获取模块210、确定模块220、输入模块230和预警模块240。
其中，获取模块210，用于获取离线数据和在线数据，其中，所述在线数据包括：生产实时数据和振动数据；
确定模块220，用于根据所述离线数据、所述振动数据和所述生产实时数据确定测点数据，其中，所述测点数据包括：添加相同时间标签的离线数据、振动数据和生产实时数据；
输入模块230，用于将所述测点数据输入训练好的故障预警模型，得到预估健康数据；
预警模块240，用于若所述测点数据和预估健康数据的差值大于设定阈值，则进行故障预警。
上述产品可执行本发明任意实施例所提供的方法，具备执行方法相应的功能模块和有益效果。
本实施例的技术方案，通过获取离线数据和在线数据，其中，所述在线数据包括：生产实时数据和振动数据；根据所述离线数据、所述振动数据和所述生产实时数据确定测点数据，其中，所述测点数据包括：添加相同时间标签的离线数据、振动数据和生产实时数据；将所述测点数据输入训练好的故障预警模型，得到预估健康数据；若所述测点数据和预估健康数据的差值大于设定阈值，则进行故障预警，以实现对设备故障的预警诊断，提前预估设备的劣化状态，实现预知检修，避免了故障发生，减少维护时间，降低故障率，为发电企业带来显著的经济和社会效益。
实施例三
图3为本发明实施例三中的一种计算机设备的结构示意图。图3示出了适于用来实现本发明实施方式的示例性计算机设备12的框图。图3显示的计算机设备12仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图3所示，计算机设备12以通用计算设备的形式表现。计算机设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(Industry StandardArchitecture，ISA)总线，微通道体系结构(Micro Channel Architecture，MCA)总线，增强型ISA总线、视频电子标准协会(Video Electronics Standards Association，VESA)局域总线以及外围组件互连(Peripheral Component Interconnect，PCI)总线。
计算机设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
系统存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(Random Access Memory，RAM)30和/或高速缓存存储器32。计算机设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图3未显示，通常称为“硬盘驱动器”)。尽管图3中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(只读光盘(Compact Disc-Read Only Memory，CD-ROM)、数字视盘(Digital Video Disc-Read Only Memory，DVD-ROM)或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如存储器28中，这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该计算机设备12交互的设备通信，和/或与使得该计算机设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。另外，本实施例中的计算机设备12，显示器24不是作为独立个体存在，而是嵌入镜面中，在显示器24的显示面不予显示时，显示器24的显示面与镜面从视觉上融为一体。并且，计算机设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(Local Area Network，LAN)，广域网Wide AreaNetwork，WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器20通过总线18与计算机设备12的其它模块通信。应当明白，尽管图中未示出，可以结合计算机设备12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、磁盘阵列(Redundant Arrays of Independent Disks，RAID)系统、磁带驱动器以及数据备份存储系统等。
处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的故障预警方法：
获取离线数据和在线数据，其中，所述在线数据包括：生产实时数据和振动数据；
根据所述离线数据、所述振动数据和所述生产实时数据确定测点数据，其中，所述测点数据包括：添加相同时间标签的离线数据、振动数据和生产实时数据；
将所述测点数据输入训练好的故障预警模型，得到预估健康数据；
若所述测点数据和预估健康数据的差值大于设定阈值，则进行故障预警。
实施例四
本发明实施例四提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本申请所有发明实施例提供的故障预警方法：
获取离线数据和在线数据，其中，所述在线数据包括：生产实时数据和振动数据；
根据所述离线数据、所述振动数据和所述生产实时数据确定测点数据，其中，所述测点数据包括：添加相同时间标签的离线数据、振动数据和生产实时数据；
将所述测点数据输入训练好的故障预警模型，得到预估健康数据；
若所述测点数据和预估健康数据的差值大于设定阈值，则进行故障预警。
可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。
在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：接收用户输入的源文本，将所述源文本翻译为目标语种对应的目标文本；获取所述用户的历史纠正行为；根据所述历史纠正行为对所述目标文本进行纠正，获得翻译结果，并将所述翻译结果推送至所述用户所在的客户端。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络包括局域网(LAN)或广域网(WAN)连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，单元的名称在某种情况下并不构成对该单元本身的限定。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (6)
1.一种故障预警方法，其特征在于，包括：
获取离线数据和在线数据，其中，所述在线数据包括：生产实时数据和振动数据；
根据所述离线数据、所述振动数据和所述生产实时数据确定测点数据，其中，所述测点数据包括：添加相同时间标签的离线数据、振动数据和生产实时数据；
将所述测点数据输入训练好的故障预警模型，得到预估健康数据；
若所述测点数据和预估健康数据的差值大于设定阈值，则进行故障预警；
根据所述离线数据、所述振动数据和所述生产实时数据确定测点数据，其中，所述测点数据包括：添加相同时间标签的离线数据、振动数据和生产实时数据，包括：
对所述生产实时数据添加时间标签，并将添加时间标签后的生产实时数据存储至数据库；
将所述离线数据和所述振动数据以测点方式转换为时序数据，并将转换后的离线数据和振动数据存储至所述数据库；
将所述添加时间标签后的生产实时数据和所述转换后的离线数据和振动数据确定为测点数据；
所述振动数据包括：转速、通频幅值、间隙电压、1倍频分量、2倍频分量、3倍频分量、4倍频分量和5倍频分量；
将所述离线数据以测点方式转换为时序数据，包括：
根据如下公式将所述离线数据转换为时序数据：
PN(DN)＝f(DNtM)；
其中，1≤N≤n，n为大于1的正整数，PN为测点，DN为离线数据，tM为时间标签，M＝{1,…,n}，PN为数据表F中一个离线数据DN在时间标签下的数据的集合；
将所述振动数据以测点方式转换为时序数据，包括：
根据如下公式将所述振动数据转换为时序数据：
BN＝{RtN,AmptN,VtN,1FtN,2FtN,3FtN,4FtN，5FtN}；
其中，1≤N≤n，n为大于1的正整数，tN为时间标签，BN为转换后的振动数据，R为转速，Amp为通频幅值，V为间隙电压，1F为1倍频分量，2F为2倍频分量，3F为3倍频分量，4F为4倍频分量，5F为5倍频分量。
2.根据权利要求1所述的方法，其特征在于，将所述离线数据以测点方式转换为时序数据，并将转换后的离线数据存储至所述数据库包括：
将所述离线数据进行分类，得到设计数据、点巡检离线数据、试验数据和技术监督数据；
将所述设计数据确定为常数变量，并将所述设计数据存储至所述数据库；
将所述点巡检离线数据、试验数据和技术监督数据分别以数据表结构形式存储至所述数据库。
3.根据权利要求2所述的方法，其特征在于，其中，数据表具有时间标签属性；
相应的，将所述点巡检离线数据、试验数据和技术监督数据分别以数据表结构形式存储至所述数据库包括：
按照时间顺序排列同类型数据表，得到数据表组；
根据所述时间标签纵向提取所述数据表组中的每一个离线数据，形成一个测点，将所述测点存储至所述数据库。
4.一种故障预警装置，其特征在于，包括：
获取模块，用于获取离线数据和在线数据，其中，所述在线数据包括：生产实时数据和振动数据；
确定模块，用于根据所述离线数据、所述振动数据和所述生产实时数据确定测点数据，其中，所述测点数据包括：添加相同时间标签的离线数据、振动数据和生产实时数据；
输入模块，用于将所述测点数据输入训练好的故障预警模型，得到预估健康数据；
预警模块，用于若所述测点数据和预估健康数据的差值大于设定阈值，则进行故障预警；
根据所述离线数据、所述振动数据和所述生产实时数据确定测点数据，其中，所述测点数据包括：添加相同时间标签的离线数据、振动数据和生产实时数据，包括：
对所述生产实时数据添加时间标签，并将添加时间标签后的生产实时数据存储至数据库；
将所述离线数据和所述振动数据以测点方式转换为时序数据，并将转换后的离线数据和振动数据存储至所述数据库；
将所述添加时间标签后的生产实时数据和所述转换后的离线数据和振动数据确定为测点数据；
所述振动数据包括：转速、通频幅值、间隙电压、1倍频分量、2倍频分量、3倍频分量、4倍频分量和5倍频分量；
将所述离线数据以测点方式转换为时序数据，包括：
根据如下公式将所述离线数据转换为时序数据：
PN(DN)＝f(DNtM)；
其中，1≤N≤n，n为大于1的正整数，PN为测点，DN为离线数据，tM为时间标签，M＝{1,…,n}，PN为数据表F中一个离线数据DN在时间标签下的数据的集合；
将所述振动数据以测点方式转换为时序数据，包括：
根据如下公式将所述振动数据转换为时序数据：
BN＝{RtN,AmptN,VtN,1FtN,2FtN,3FtN,4FtN，5FtN}；
其中，1≤N≤n，n为大于1的正整数，tN为时间标签，BN为转换后的振动数据，R为转速，Amp为通频幅值，V为间隙电压，1F为1倍频分量，2F为2倍频分量，3F为3倍频分量，4F为4倍频分量，5F为5倍频分量。
5.一种计算机设备，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如权利要求1-3中任一所述的方法。
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，该程序被处理器执行时实现如权利要求1-3中任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011230465.8A CN112529036B (zh) | 2020-11-06 | 2020-11-06 | 一种故障预警方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011230465.8A CN112529036B (zh) | 2020-11-06 | 2020-11-06 | 一种故障预警方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112529036A CN112529036A (zh) | 2021-03-19 |
| CN112529036B true CN112529036B (zh) | 2023-06-13 |
Family
ID=74979752
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011230465.8A Active CN112529036B (zh) | 2020-11-06 | 2020-11-06 | 一种故障预警方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112529036B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113726014B (zh) * | 2021-09-01 | 2022-07-12 | 广东省珩祥安全科技有限公司 | 基于断路器的用电监控方法及系统 |
| CN113537415A (zh) * | 2021-09-17 | 2021-10-22 | 中国南方电网有限责任公司超高压输电公司广州局 | 基于多信息融合的换流站巡检方法、装置和计算机设备 |
| CN114011903A (zh) * | 2021-11-01 | 2022-02-08 | 深圳市信润富联数字科技有限公司 | 冲压生产异常监测方法、装置、系统与可读存储介质 |
| CN114387124B (zh) * | 2021-12-22 | 2024-06-07 | 中核武汉核电运行技术股份有限公司 | 一种核电工业互联网平台的时序数据存储方法 |
| CN116187984B (zh) * | 2023-04-28 | 2023-07-25 | 华能济南黄台发电有限公司 | 一种用于电厂的多维度巡检方法及系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105787584A (zh) * | 2016-01-28 | 2016-07-20 | 华北电力大学（保定） | 一种基于云平台的风电机群故障预警方法 |
| CN106095857A (zh) * | 2016-06-06 | 2016-11-09 | 北京航天智控监测技术研究院 | 一种批量振动数据分析方法 |
| CN109240244A (zh) * | 2018-10-26 | 2019-01-18 | 云达世纪（北京）科技有限公司 | 基于数据驱动的设备运行状态健康度分析方法及系统 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102831766B (zh) * | 2012-07-04 | 2014-08-13 | 武汉大学 | 基于多传感器的多源交通数据融合方法 |
| CN103616187B (zh) * | 2013-10-15 | 2016-06-01 | 北京化工大学 | 一种基于多维度信息融合的故障诊断方法 |
| CN106204330A (zh) * | 2016-07-18 | 2016-12-07 | 国网山东省电力公司济南市历城区供电公司 | 一种配电网智能诊断系统 |
| CN107977710B (zh) * | 2017-12-21 | 2020-12-25 | 南方电网科学研究院有限责任公司 | 用电异常数据检测方法和装置 |
| CN111105063A (zh) * | 2018-10-26 | 2020-05-05 | 北京国双科技有限公司 | 故障预测、模型构建方法、装置、处理器及可读存储介质 |
| CN110188143A (zh) * | 2019-04-04 | 2019-08-30 | 上海发电设备成套设计研究院有限责任公司 | 一种发电厂引风机振动故障诊断方法 |
| CN110716103A (zh) * | 2019-09-27 | 2020-01-21 | 国网山西省电力公司太原供电公司 | 一种配网故障的预警方法 |
-
2020
- 2020-11-06 CN CN202011230465.8A patent/CN112529036B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105787584A (zh) * | 2016-01-28 | 2016-07-20 | 华北电力大学（保定） | 一种基于云平台的风电机群故障预警方法 |
| CN106095857A (zh) * | 2016-06-06 | 2016-11-09 | 北京航天智控监测技术研究院 | 一种批量振动数据分析方法 |
| CN109240244A (zh) * | 2018-10-26 | 2019-01-18 | 云达世纪（北京）科技有限公司 | 基于数据驱动的设备运行状态健康度分析方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112529036A (zh) | 2021-03-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112529036B (zh) | 一种故障预警方法、装置、设备及存储介质 | |
| Lv et al. | Safety poka yoke in zero-defect manufacturing based on digital twins | |
| CN105809255B (zh) | 一种基于物联网的火电厂旋转机械健康管理方法及系统 | |
| JP5753286B1 (ja) | 情報処理装置、診断方法、およびプログラム | |
| Raheja et al. | Data fusion/data mining-based architecture for condition-based maintenance | |
| US20200081054A1 (en) | Power line issue diagnostic methods and apparatus using distributed analytics | |
| CN111817880A (zh) | 一种油气田生产设备健康管理系统以及实现方法 | |
| Huang et al. | Review of data-driven prognostics and health management techniques: lessions learned from PHM data challenge competitions | |
| CN105044499A (zh) | 一种电力系统设备变压器状态的检测方法 | |
| CN113931258B (zh) | 自我诊断方法和无负压叠压供水设备 | |
| Balin et al. | A novel hybrid MCDM model based on fuzzy AHP and fuzzy TOPSIS for the most affected gas turbine component selection by the failures | |
| CN116186946B (zh) | 一种基于诊断模型的液压系统故障诊断方法及系统 | |
| Kern et al. | Cross-disciplinary method for predicting and reducing human error probabilities in manual assembly operations | |
| AU2023210611A1 (en) | Method and apparatus for operating state analysis and early warning of auxiliary device of hydroelectric station, and decision support system for hydroelectric production | |
| Guo et al. | Research on remaining useful life of rolling bearings using EWT-DI-ALSTM | |
| Khan et al. | A Review of machine learning techniques for wind turbine’s fault detection, diagnosis, and prognosis | |
| Jiang et al. | A novel ensemble fuzzy model for degradation prognostics of rolling element bearings | |
| CN107121616B (zh) | 一种用于对智能仪表进行故障定位的方法和装置 | |
| Carr et al. | Incorporating the potential for human error in maintenance models | |
| Salgueiro et al. | On-line oil monitoring and diagnosis | |
| JP5292182B2 (ja) | 水処理設備管理システム | |
| CN116910574A (zh) | 基于元学习和时间卷积网络的机械设备诊断方法及装置 | |
| JP2019191880A (ja) | 設備管理支援システム | |
| JPWO2019035279A1 (ja) | 人工知能アルゴリズム | |
| CN115310693A (zh) | 一种综合能源数据清洗方法、系统、设备和介质 |
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 |