CN112633614A - 一种基于特征提取的实时故障程度诊断系统及方法 - Google Patents

一种基于特征提取的实时故障程度诊断系统及方法 Download PDF

Info

Publication number
CN112633614A
CN112633614A CN202110056171.6A CN202110056171A CN112633614A CN 112633614 A CN112633614 A CN 112633614A CN 202110056171 A CN202110056171 A CN 202110056171A CN 112633614 A CN112633614 A CN 112633614A
Authority
CN
China
Prior art keywords
fault
real
time
module
parameters
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
CN202110056171.6A
Other languages
English (en)
Other versions
CN112633614B (zh
Inventor
何文辉
杨嘉伟
唐健
田军
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.)
Dongfang Electric Co ltd
Dongfang Electric Group Research Institute of Science and Technology Co Ltd
Original Assignee
Dongfang Electric Co ltd
Dongfang Electric Group Research Institute of Science and Technology Co Ltd
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 Dongfang Electric Co ltd, Dongfang Electric Group Research Institute of Science and Technology Co Ltd filed Critical Dongfang Electric Co ltd
Priority to CN202110056171.6A priority Critical patent/CN112633614B/zh
Publication of CN112633614A publication Critical patent/CN112633614A/zh
Application granted granted Critical
Publication of CN112633614B publication Critical patent/CN112633614B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06311—Scheduling, planning or task assignment for a person or group
    • G06Q10/063114—Status monitoring or status determination for a person or group
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/20—Administration of product repair or maintenance

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明公开了基于特征提取的实时故障程度诊断系统及方法，该系统包括运行数据采集模块、初始特征模块、故障程度诊断模块、滚动特征提取模块、实时特征模块、历史运行数据库、故障预测模块、故障诊断及运维建议模块；通过运行数据采集模块采集被诊断设备相关参数实时数据，将实时数据输入初始特征模块，得到初始特征模块计算值，计算被监控参数偏差率，根据故障程度与被监控参数偏差率对应关系得到故障程度；再通过故障预测模块将历史运行数据库中典型工况参数输入实时特征模块，得到典型工况被监测参数预测值；根据被监测参数预测值与报警值比较，确定安全运行工况范围。本发明能实时诊断故障程度和故障发展趋势，得到故障预测信息，给出运维建议。

Description

一种基于特征提取的实时故障程度诊断系统及方法
技术领域
本发明涉及一种基于特征提取的实时故障程度诊断系统及方法，属于故障诊断、人工智能技术领域。
背景技术
随着科学技术的发展，现代社会生产设备复杂程度越来越高、生产系统越来越庞大。生产系统中，会因为各种原因产生众多微小故障，当微小故障累积发展到一定程度，可能就会发生严重故障。一旦产生严重故障，特别是关键生产设备，则必然会导致设备停机、生产流水线暂停等情况，进而影响生产效率，完工进度，和相应高昂的经济损失。
在众多微小故障逐步累积的过程中，当累积到突破设备运行的临界条件时，则会发展成严重故障，导致设备运行失效。这里的临界条件，比如设备中冷却系统的冷却性能、绝缘材料的绝缘性能、机械结构的疲劳程度等，都是随着设备长期运行渐进式发展的，而且这种性能指标偏离是不可避免的，当这些性能偏离设计指标就发生了故障。
现有技术中，还没有能够准确、可靠、实时地实现对设备故障程度诊断和故障发展趋势判断的系统或方法，更不能根据故障程度、故障发展趋势和故障预测信息给出运维建议。
发明内容
本发明的目的就是为了解决现有技术存在的上述问题，提供一种基于特征提取的实时故障程度诊断系统及方法；本发明能根据初始特征实时诊断故障程度和故障发展趋势，采用实时特征和历史运行数据得到故障预测信息，根据故障程度、故障发展趋势和故障预测信息做出正常运行、带故障持续运行、带故障减负荷运行、持续观察、尽快维修、立即停机维修等运维建议，带故障运行时给出安全运行范围避免发生不可逆故障。
为了实现上述目的，本发明提供如下方案：
一种基于特征提取的实时故障程度诊断系统，用于对被诊断设备进行实时故障诊断，并给出对应的运维建议；所述实时故障程度诊断系统包括运行数据采集模块、初始特征模块、故障程度诊断模块、滚动特征提取模块、实时特征模块、历史运行数据库、故障预测模块、故障诊断及运维建议模块。其中：
所述运行数据采集模块，用于实时采集被诊断设备相关参数的实时运行数据；
所述初始特征模块，是被诊断设备出厂时正常运行的特征模型；
所述故障程度诊断模块，采用初始特征模块计算值与所述实时运行数据之间的差异对被诊断设备进行诊断，得到诊断结果；所述诊断结果包括被诊断设备是否发生故障以及故障程度；
所述滚动特征提取模块，用于对采集到的实时运行数据进行滚动提取被诊断设备的实时特征；
所述实时特征模块，用于对被诊断设备进行故障预测；
所述历史运行数据库，用于存储被诊断设备的历史运行数据；
所述故障预测模块，调用历史运行数据库的历史运行数据和实时特征模块的实时特征模型得到故障预测信息；
所述故障诊断及运维建议模块，用于综合利用故障程度、故障发展趋势和故障预测信息给出运维建议。
所述运行数据采集模块实时采集的相关参数包括被诊断设备的被监控参数和其他相关参数，并得到被监控参数测量值和其他相关参数测量值；所述其他相关参数是在机理上与被监控参数存在因果关系的参数。
进一步的，所述被监控参数若超过一定范围则表示被诊断设备发生故障。在被监控设备稳定运行情况下，将所述其他相关参数输入特征模型得到被监控参数预测值，所得被监控参数预测值与被监控参数测量值接近，平均相对偏差率不超过1%。
进一步的，所述初始特征模块是采用被诊断设备出厂时正常运行数据基于机器学习技术提取的特征模块；所述初始特征模块根据采集到的其他相关参数得到初始特征模块计算值。
所述故障程度是基于被监控参数的偏差率大小做出判断。根据初始特征模块计算值和被监控参数测量值，所述被监控参数的偏差率计算式如下：
Figure 315224DEST_PATH_IMAGE001
（1）
所述故障程度可根据被监控参数偏差率对应关系分为正常运行误差、轻度故障、中度故障和严重故障。
所述故障发展趋势可用一段时间被监控参数短时平均偏差率（短时指数分钟）的变化率来量化即故障变化率，计算式如下：
Figure 335132DEST_PATH_IMAGE002
（2）
其中，
Figure 337723DEST_PATH_IMAGE003
为T1时刻的被监控参数短时平均偏差率，
Figure 877420DEST_PATH_IMAGE004
为T2时刻的被监控参数短时平均偏差率，ΔT=T2-T1。
所述故障预测模块将历史运行数据库中的典型工况参数输入实时特征模块，即可得到各种工况被监测参数预测值。进一步的，所述故障预测模块得到的故障预测信息即包括安全运行工况信息。
所述故障程度、故障发展趋势和故障预测信息形成有对应关系表。因此，根据所述对应关系表可以得出对应的运维建议。
采用上述实时故障程度诊断系统实现的实时故障程度诊断方法，包括以下步骤：
1）采用被诊断设备出厂时的正常运行数据提取初始特征模块；
2）采用运行数据采集模块实时采集被诊断设备的被监控参数和其他相关参数；
3）将运行数据采集模块实时采集的其他相关参数输入初始特征模块得到初始特征模块计算值；
4）计算被监控参数偏差率，并根据故障程度与被监控参数偏差率的对应关系得到故障程度。
采用上述实时故障程度诊断系统实现的故障预测方法，包括以下步骤：
1）采用运行数据采集模块实时采集被诊断设备的被监控参数和其他相关参数；
2）将数据采集模块实时采集的数据实时存入历史运行数据库；
3）采用数据采集模块实时采集的数据滚动提取设备的实时特征；
4）故障预测模块将历史运行数据库中典型工况参数输入实时特征模块，得到各种工况被监测参数预测值；
5）根据被监测参数预测值与报警值比较，确定安全运行工况范围。
所述被监测参数预测值大于或小于报警值时（根据具体设备具体被监测量确定判断逻辑），则该工况可能导致设备发生不可逆故障；当被监测参数预测值在正常运行范围内时，则该工况是安全运行工况。
本发明能实现的技术效果如下：
1.被诊断设备运行一旦出现异常，运维人员能够根据本发明给出的运维建议采取相应措施，避免发生不可逆故障。
2.实时利用初始模块计算值与被监控参数测量值得到被监控参数偏差率，进而实现实时了解被监控设备故障程度。
3.故障预测模块将历史运行数据库中典型工况参数输入实时特征模块得到各种工况被监测参数预测值，实现故障信息预测。
4.采用一段时间被监控参数短时平均偏差率（短时指数分钟）的变化率来量化即故障变化率，实现对故障发展趋势发展量化。
5.根据故障程度、故障发展趋势和故障预测信息，给出运维建议。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要用到的附图作简单的介绍，显而易见的，下面描述中的附图仅仅是本发明的一些实施例，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为本发明的系统框图。
图2为本发明的实时故障程度诊断方法流程图。
图3为本发明的实时故障预测方法流程图。
图中，1、被诊断设备；2、实时故障程度诊断系统；3、运行数据采集模块；4、初始特征模块；5、故障程度诊断模块；6、滚动特征提取模块；7、实时特征模块；8、历史运行数据库；9、故障预测模块；10、故障诊断及运维建议模块。
具体实施方式
下面结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
结合图1-3，一种基于特征提取的实时故障程度诊断系统，包括运行数据采集模块3、初始特征模块4、故障程度诊断模块5、滚动特征提取模块6、实时特征模块7、历史运行数据库8、故障预测模块9、故障诊断及运维建议模块10。其中，运行数据采集模块3用于对被诊断设备相关参数进行实时采集，初始特征模块4是被诊断设备出厂时正常运行的特征模型，故障程度诊断模块5采用初始特征模块计算值与实时运行数据的差异诊断被诊断设备是否发生故障并给出故障程度，滚动特征提取模块6采用运行数据采集模块3采集的实时运行数据滚动提取设备的实时特征，实时特征模块7用于故障预测，历史运行数据库8用于存储被诊断设备历史运行数据，故障预测模块9调用历史运行数据库8的历史运行数据和实时特征模块7的实时特征模型得到故障预测信息，故障诊断及运维建议模块10综合利用故障程度、故障发展趋势和故障预测信息给出运维建议。
所述运行数据采集模块3实时采集被诊断设备的被监控参数和其他相关参数，并得到被监控参数测量值和其他相关参数测量值；所述其他相关参数是在机理上与被监控参数存在因果关系的参数。其中，被监控参数若超过一定范围则被诊断设备发生故障，其他相关参数在机理上与被监控参数存在因果关系。在被监控设备稳定特征下将其他相关参数输入特征模型所得被监控参数预测值与被监控参数测量值接近，平均相对偏差率不超过1%。
所述初始特征模块4是采用被诊断设备出厂时正常运行数据基于机器学习技术提取的特征模块。进一步的，所述初始特征模块4根据采集到的其他相关参数可以得到初始特征模块计算值。
根据初始特征模块计算值和被监控参数测量值，所述被监控参数偏差率计算式如下：
Figure 572844DEST_PATH_IMAGE001
（1）
所述故障程度基于被监控参数偏差率大小做出判断。根据上式计算得到的被监控参数偏差率，结合被监控设备和被监控参数设置相应的故障程度与被监控参数偏差率的对应关系，可以得到最后的故障程度。本实施例中，故障程度与被监控参数偏差率的对应关系如下表所示：
Figure DEST_PATH_IMAGE005
根据上述基于特征提取的实时故障程度诊断系统实现的实时故障程度诊断方法，如图2所示，其诊断步骤如下：
（101）采用被诊断设备出厂正常运行数据提取初始特征模块4；
（102）采用运行数据采集模块3实时采集被诊断设备的被监控参数和其他相关参数；
（103）将数据采集模块3实时采集的其他相关参数输入初始特征模块4得到初始特征模块计算值；
（104）计算被监控参数偏差率，并根据故障程度与被监控参数偏差率对应关系得到故障程度。
所述故障预测信息即故障预测模块9得到的安全运行工况信息。所述故障预测模块9将历史运行数据库中的典型工况参数输入实时特征模块7，即可得到各种工况被监测参数预测值。当被监测参数预测值大于（或小于，因具体设备具体被监测量而定判断逻辑）报警值时则该工况可能导致设备可能发生不可逆故障，当预测值在正常运行范围内则该工况是安全运行工况。进一步的，所述故障预测模块9得到的故障预测信息即包括安全运行工况信息。
针对上述基于特征提取的实时故障程度诊断系统及诊断方法，实现的故障预测方法，如图所示，其预测步骤如下：
（201）采用运行数据采集模块3实时采集被诊断设备的被监控参数和其他相关参数；
（202）将运行数据采集模块3实时采集的数据实时存入历史运行数据库（8）；
（203）采用运行数据采集模块3实时采集的数据滚动提取设备的实时特征；
（204）故障预测模块9将历史运行数据库8中典型工况参数输入实时特征模块7得到各种工况被监测参数预测值；
（205）根据被监测参数预测值与报警值比较，确定安全运行工况范围。
所述故障发展趋势可用一段时间被监控参数短时平均偏差率（短时指数分钟）的变化率来量化即故障变化率。所述故障变化率的计算式如下：
Figure 345628DEST_PATH_IMAGE006
（2）
其中，
Figure 886331DEST_PATH_IMAGE007
为T1时刻的被监控参数短时平均偏差率，
Figure 795381DEST_PATH_IMAGE008
为T2时刻的被监控参数短时平均偏差率，ΔT=T2-T1。其中，故障变化率可以表示为“0.1%/天”、“1%/天”、“5%/天”、“1%/小时”等方式。
所述运维建议可从故障程度、故障发展趋势和故障预测信息对应关系表中得到。本实施例中，被监控设备和被监控参数设置相应的对应关系，如下表所示：
Figure 396126DEST_PATH_IMAGE009
本发明提供的基于特征提取的实时故障程度诊断系统及方法，能够根据初始特征实时诊断故障程度和故障发展趋势，采用实时特征和历史运行数据得到故障预测信息，根据故障程度、故障发展趋势和故障预测信息做出正常运行、带故障持续运行、带故障减负荷运行、持续观察、尽快维修、立即停机维修等运维建议，带故障运行时给出安全运行范围避免发生不可逆故障。
本文中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主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 (12)

1.一种基于特征提取的实时故障程度诊断系统，其特征在于：包括运行数据采集模块（3）、初始特征模块（4）、故障程度诊断模块（5）、滚动特征提取模块（6）、实时特征模块（7）、历史运行数据库（8）、故障预测模块（9）、故障诊断及运维建议模块（10）；其中：
所述运行数据采集模块（3），用于实时采集被诊断设备相关参数的实时运行数据；
所述初始特征模块（4），是被诊断设备出厂时正常运行的特征模型；
所述故障程度诊断模块（5），采用初始特征模块计算值与所述实时运行数据之间的差异对被诊断设备进行诊断，得到诊断结果；所述诊断结果包括被诊断设备是否发生故障以及故障程度；
所述滚动特征提取模块（6），用于对采集到的实时运行数据进行滚动提取被诊断设备的实时特征；
所述实时特征模块（7），用于对被诊断设备进行故障预测；
所述历史运行数据库（8），用于存储被诊断设备的历史运行数据；
所述故障预测模块（9），调用历史运行数据库（8）的历史运行数据和实时特征模块（7）的实时特征模型得到故障预测信息；
所述故障诊断及运维建议模块（10），根据故障程度、故障发展趋势和故障预测信息给出运维建议。
2.如权利要求1 所述的一种基于特征提取的实时故障程度诊断系统，其特征在于：所述运行数据采集模块（3）实时采集的相关参数包括被诊断设备的被监控参数和其他相关参数，并得到被监控参数测量值和其他相关参数测量值；所述其他相关参数是在机理上与被监控参数存在因果关系的参数。
3.如权利要求2 所述的一种基于特征提取的实时故障程度诊断系统，其特征在于：所述被监控参数若超过一定范围则表示被诊断设备发生故障；在被监控设备稳定运行情况下，将所述其他相关参数输入特征模型得到被监控参数预测值，所得被监控参数预测值与被监控参数测量值接近，平均相对偏差率小于或等于1%。
4.如权利要求3所述的一种基于特征提取的实时故障程度诊断系统，其特征在于：所述初始特征模块（4）是采用被诊断设备在出厂时的正常运行数据基于机器学习技术提取的特征模块；所述初始特征模块（4）根据所述其他相关参数得到初始特征模块计算值。
5.如权利要求4 所述的一种基于特征提取的实时故障程度诊断系统，其特征在于：所述故障程度是基于被监控参数的偏差率大小做出判断；所述被监控参数的偏差率计算如式（1）所示：
Figure DEST_PATH_IMAGE002
（1）
所述故障程度根据被监控参数偏差率对应关系分为正常运行误差、轻度故障、中度故障和严重故障。
6.如权利要求5所述的一种基于特征提取的实时故障程度诊断系统，其特征在于：所述故障发展趋势用一段时间被监控参数短时平均偏差率（短时指数分钟）的变化率来量化即故障变化率，计算如式（2）所示：
Figure DEST_PATH_IMAGE004
（2）
其中，
Figure DEST_PATH_IMAGE006
为
Figure DEST_PATH_IMAGE008
时刻的被监控参数短时平均偏差率，
Figure DEST_PATH_IMAGE010
为
Figure DEST_PATH_IMAGE012
时刻的被监控参数短时平均偏差率，ΔT=T2-T1。
7.如权利要求1 所述的一种基于特征提取的实时故障程度诊断系统，其特征在于：所述故障预测模块（9）将历史运行数据库（8）中的典型工况参数输入实时特征模块（7），得到各种工况被监测参数预测值。
8.如权利要求1 或7所述的一种基于特征提取的实时故障程度诊断系统，其特征在于：所述故障预测信息包括安全运行工况信息。
9.如权利要求1 所述的一种基于特征提取的实时故障程度诊断系统，其特征在于：所述故障程度、故障发展趋势和故障预测信息形成有对应关系表，根据所述对应关系表得出运维建议。
10.基于权利要求1-9任意一项所述实时故障程度诊断系统实现的诊断方法，其特征在于步骤如下：
采用被诊断设备出厂时的正常运行数据提取初始特征模块（4）；
采用运行数据采集模块（3）实时采集被诊断设备的被监控参数和其他相关参数；
将运行数据采集模块（3）实时采集的其他相关参数输入初始特征模块（4）得到初始特征模块计算值；
计算被监控参数偏差率，并根据故障程度与被监控参数偏差率的对应关系得到故障程度。
11.基于权利要求1-9任意一项所述实时故障程度诊断系统实现的故障预测方法，其特征在于包括以下步骤：
采用运行数据采集模块（3）实时采集被诊断设备的被监控参数和其他相关参数；
将运行数据采集模块（3）实时采集的数据实时存入历史运行数据库；
采用运行数据采集模块（3）实时采集的数据滚动提取设备的实时特征；
故障预测模块（9）将历史运行数据库中典型工况参数输入实时特征模块（7），得到各种工况被监测参数预测值；
根据被监测参数预测值与报警值比较，确定安全运行工况范围。
12.如权利要求11所述的故障预测方法，其特征在于：根据具体设备具体被监测量确定判断逻辑，当被监测参数预测值大于或小于报警值时，则该工况可能导致设备发生不可逆故障；当被监测参数预测值在正常运行范围内时，则该工况是安全运行工况。
CN202110056171.6A 2021-01-15 2021-01-15 一种基于特征提取的实时故障程度诊断系统及方法 Active CN112633614B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110056171.6A CN112633614B (zh) 2021-01-15 2021-01-15 一种基于特征提取的实时故障程度诊断系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110056171.6A CN112633614B (zh) 2021-01-15 2021-01-15 一种基于特征提取的实时故障程度诊断系统及方法

Publications (2)

Publication Number Publication Date
CN112633614A true CN112633614A (zh) 2021-04-09
CN112633614B CN112633614B (zh) 2024-07-23

Family

ID=75294437

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110056171.6A Active CN112633614B (zh) 2021-01-15 2021-01-15 一种基于特征提取的实时故障程度诊断系统及方法

Country Status (1)

Country Link
CN (1) CN112633614B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114167282A (zh) * 2021-12-03 2022-03-11 深圳市双合电气股份有限公司 一种电动机故障诊断及劣化趋势预测方法及系统
CN114385719A (zh) * 2022-01-25 2022-04-22 广东潜力会科技发展有限公司 基于多数据采集分析的数字化设备故障预知系统
CN115733864A (zh) * 2022-12-02 2023-03-03 中国电子科技集团公司第十五研究所 一种设备运行管理方法、系统、装置及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104571099A (zh) * 2015-01-26 2015-04-29 北京国能日新系统控制技术有限公司 基于理论计算和数据分析的光伏故障诊断系统和诊断方法
CN108803569A (zh) * 2018-06-11 2018-11-13 哈尔滨锅炉厂有限责任公司 电站锅炉诊断专家系统及其故障诊断方法
CN109919495A (zh) * 2019-03-12 2019-06-21 中国计量大学 基于阈值计算的光伏电站监测数据异常与程度判断方法
KR20190115953A (ko) * 2018-04-04 2019-10-14 한국전력공사 편차의 변화율을 이용한 발전 설비의 위험도 진단 시스템 및 방법
WO2019233047A1 (zh) * 2018-06-07 2019-12-12 国电南瑞科技股份有限公司 基于电网调度的运维方法
CN111597223A (zh) * 2020-04-10 2020-08-28 神华国能集团有限公司 故障预警处理方法、装置及系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104571099A (zh) * 2015-01-26 2015-04-29 北京国能日新系统控制技术有限公司 基于理论计算和数据分析的光伏故障诊断系统和诊断方法
KR20190115953A (ko) * 2018-04-04 2019-10-14 한국전력공사 편차의 변화율을 이용한 발전 설비의 위험도 진단 시스템 및 방법
WO2019233047A1 (zh) * 2018-06-07 2019-12-12 国电南瑞科技股份有限公司 基于电网调度的运维方法
CN108803569A (zh) * 2018-06-11 2018-11-13 哈尔滨锅炉厂有限责任公司 电站锅炉诊断专家系统及其故障诊断方法
CN109919495A (zh) * 2019-03-12 2019-06-21 中国计量大学 基于阈值计算的光伏电站监测数据异常与程度判断方法
CN111597223A (zh) * 2020-04-10 2020-08-28 神华国能集团有限公司 故障预警处理方法、装置及系统

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114167282A (zh) * 2021-12-03 2022-03-11 深圳市双合电气股份有限公司 一种电动机故障诊断及劣化趋势预测方法及系统
CN114167282B (zh) * 2021-12-03 2022-08-12 深圳市双合电气股份有限公司 一种电动机故障诊断及劣化趋势预测系统
CN114385719A (zh) * 2022-01-25 2022-04-22 广东潜力会科技发展有限公司 基于多数据采集分析的数字化设备故障预知系统
CN115733864A (zh) * 2022-12-02 2023-03-03 中国电子科技集团公司第十五研究所 一种设备运行管理方法、系统、装置及存储介质

Also Published As

Publication number Publication date
CN112633614B (zh) 2024-07-23

Similar Documents

Publication Publication Date Title
CN112633614A (zh) 一种基于特征提取的实时故障程度诊断系统及方法
CN112713649B (zh) 一种基于极限学习机的电力设备剩余寿命预测方法
CN109580216B (zh) 齿轮箱润滑冷却系统的智能故障预警系统及其方法和机组
CN108803569A (zh) 电站锅炉诊断专家系统及其故障诊断方法
CN112487910A (zh) 核电汽轮机系统故障预警方法及系统
CN110529202B (zh) 基于电厂数据的汽轮机故障诊断检测及预警方法及系统
CN101446827A (zh) 一种流程工业系统的过程故障分析装置及方法
CN110701137B (zh) 一种掘进机液压系统智能在线检测诊断装置及方法
CN110969185A (zh) 基于数据重构的设备异常状态检测方法
CN111415070A (zh) 一种基于scada数据的风电机组齿轮箱油温过温故障预警方法
CN110209144B (zh) 基于动静协同差异分析的两层实时监测与报警溯源方法
KR20190081933A (ko) 제조 설비의 이상 감지 및 진단 방법
CN112308391A (zh) 一种基于神经网络的设备状态实时监测与异常探测方法
CN117289659A (zh) 一种电厂集控运行智能自动监控系统
CN114810572A (zh) 一种液压泵故障诊断方法及装置
CN113435228A (zh) 一种基于振动信号建模的电动机轴承寿命预测与分析方法
CN118088666A (zh) 一种风电齿轮箱分布式智能润滑监测与故障预警系统
CN117038048B (zh) 一种用于医疗器械的远程故障处理方法及系统
CN113313365A (zh) 一种一次风机的劣化预警方法及设备
CN112524077A (zh) 检测风机故障的方法及装置、系统
CN111563685A (zh) 一种基于自联想核回归算法的发电设备状态预警方法
CN113530619A (zh) 基于润滑油系统参数相关性分析的汽机跳机征兆捕捉方法
CN114819261A (zh) 一种基于设备实时运行状态的故障预测方法及系统
Bilendo et al. Wind turbine anomaly detection based on SCADA data
CN112380487A (zh) 一种使用神经网络自编码判断小型水轮机组运行状态的方法

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