CN113484749A - 发电机故障诊断及预测方法 - Google Patents
发电机故障诊断及预测方法 Download PDFInfo
- Publication number
- CN113484749A CN113484749A CN202110661700.5A CN202110661700A CN113484749A CN 113484749 A CN113484749 A CN 113484749A CN 202110661700 A CN202110661700 A CN 202110661700A CN 113484749 A CN113484749 A CN 113484749A
- Authority
- CN
- China
- Prior art keywords
- generator
- temperature
- real
- time
- data
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 28
- 238000000034 method Methods 0.000 title claims abstract description 26
- 230000008859 change Effects 0.000 claims abstract description 32
- 238000012549 training Methods 0.000 claims abstract description 14
- 238000001514 detection method Methods 0.000 claims abstract description 9
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000004393 prognosis Methods 0.000 claims description 6
- 238000013135 deep learning Methods 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 claims description 4
- 210000002569 neuron Anatomy 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 230000006386 memory function Effects 0.000 claims description 2
- 238000005457 optimization Methods 0.000 claims description 2
- 230000001902 propagating effect Effects 0.000 claims description 2
- 238000012360 testing method Methods 0.000 claims description 2
- 238000010276 construction Methods 0.000 claims 1
- 238000012423 maintenance Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/34—Testing dynamo-electric machines
Abstract
本公开提供了一种发电机故障诊断及预测方法,包括以下步骤:获取发电机正常运行的历史数据,构建发电机数据库,采用皮尔逊相关系数确定发电机关键部件的温度变化相关检测特征;采集发电机实时运行的状态数据信息,提取所述发电机关键部件的实时运行温度变化数据;利用温度变化相关检测特征,构建基于CNN‑LSTM的温度预测模型;通过基于CNN‑LSTM的温度预测模型对实时运行温度变化数据进行训练,预测发电机关键部位的温度,将得到的温度预测值与实时采集到的温度值作差,得到温度残差,将得到的温度残差与预设的温度残差阈值比较进行发电机的故障诊断,结合温度残差的变化进行温升预警以实现故障预测。
Description
技术领域
本公开属于故障诊断技术领域,具体涉及一种发电机故障诊断及预测方法。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息,不必然构成在先技术。
近年来,随着电网规模的不断扩大,电力系统运行设备的不断增加,系统运行的复杂性也随之增加,电力系统的安全稳定运行变得越来越重要。因此电力系统运行过程的状态监测技术和故障诊断技术越来越引起电网的重视。对发电机的关键部件进行故障诊断及预测,直接关系到电力生产的安全可靠。
据发明人了解,目前针对发电机故障诊断技术的研究大多以故障发生后的分析处理为主,这无助于减少设备故障发生的概率以及缩短故障处理的时间。研究故障预测技术,将故障后维修的被动策略转变为故障前预防的主动策略,依据预测诊断趋势实施有效的健康管理,优化故障诊断策略,提高电网运行可靠性,减少设备故障次数,为实现机组“零非停”提供有力的技术保障。故障诊断及预测是通过智能化算法进行有无故障的判断并及时预测,是一种比故障诊断更高级的维修保障方式,帮助维修人员更加及时的实现预防和维修工作。
目前,发电机进行准确地故障诊断及预测的技术仍不成熟,需要进行相关技术的研究。
发明内容
为了解决上述问题,本公开提出了一种发电机故障诊断及预测方法,有效掌握发电机的运行状态,降低发电机的故障率,增加发电机组的维修能力,提高发电机运行的经济可靠性。
根据一些实施例,本公开的方案提供了一种发电机故障诊断及预测方法,采用如下技术方案:
发电机故障诊断及预测方法,包括以下步骤:
获取发电机正常运行的历史数据,构建发电机数据库,采用皮尔逊相关系数确定发电机关键部件的温度变化相关检测特征;
采集发电机实时运行的状态数据信息,提取所述发电机关键部件的实时运行温度变化数据;
利用温度变化相关检测特征,构建基于CNN-LSTM的温度预测模型;
通过基于CNN-LSTM的温度预测模型对实时运行温度变化数据进行训练,预测发电机关键部位的温度,将得到的温度预测值与实时采集到的温度值作差,得到温度残差,将得到的温度残差与预设的温度残差阈值比较进行发电机的故障诊断,结合温度残差的变化进行温升预警以实现故障预测。
与现有技术相比,本公开的有益效果为:
1.本公开通过CNN获取实时运行温度变化数据的空间特征,构建实时运行温度变化的时空特征矩阵,使得数据特征体系更加完备,以进行更精确的模型预测。
2.本公开采用了CNN-LSTM的组合模型,在发电机故障诊断的基础上,提高了维修的预知性,通过对发电机关键部位的温度进行相关趋势的预测,更加清晰的了解发电机运行工况,效掌握发电机的运行状态,降低发电机的故障率,增加发电机组的维修能力,提高发电机运行的经济可靠性。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解,本公开的示意性实施例及其说明用于解释本公开,并不构成对本公开的不当限定。
图1是本公开实施例中的发电机故障诊断及预测方法的流程图;
图2是本公开实施例中的CNN与LSTM特征融合的结构图;
图3是本公开实施例中的基于CNN-LSTM的温度预测模型的结构框架图;
图4是本公开实施例中的基于CNN-LSTM的温度预测模型训练的流程图。
具体实施方式:
下面结合附图与实施例对本公开作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本公开提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本公开的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在本公开中,术语如“上”、“下”、“左”、“右”、“前”、“后”、“竖直”、“水平”、“侧”、“底”等指示的方位或位置关系为基于附图所示的方位或位置关系,只是为了便于叙述本公开各部件或元件结构关系而确定的关系词,并非特指本公开中任一部件或元件,不能理解为对本公开的限制。
本公开中,术语如“固接”、“相连”、“连接”等应做广义理解,表示可以是固定连接,也可以是一体地连接或可拆卸连接;可以是直接相连,也可以通过中间媒介间接相连。对于本领域的相关科研或技术人员,可以根据具体情况确定上述术语在本实公开中的具体含义,不能理解为对本公开的限制。
在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。
本公开实施例提供了一种发电机故障诊断及预测方法。
如图1所示的一种发电机故障诊断及预测方法,包括以下步骤:
步骤S01:获取发电机正常运行的历史数据,构建发电机数据库,采用皮尔逊相关系数确定发电机关键部件的温度变化相关检测特征;
步骤S02:采集发电机实时运行的状态数据信息,提取所述发电机关键部件的实时运行温度变化数据;
步骤S03:利用温度变化相关检测特征,构建基于CNN-LSTM的温度预测模型;
步骤S04:通过基于CNN-LSTM的温度预测模型对实时运行温度变化数据进行训练,预测发电机关键部位的温度,将得到的温度预测值与实时采集到的温度值作差,得到温度残差,将得到的温度残差与预设的温度残差阈值比较进行发电机的故障诊断,结合温度残差的变化进行温升预警以实现故障预测。
作为一种或多种实施方式,在步骤S01中,基于SCADA系统,提取正常运行的发电机的历史数据记录,删除空值和具有明显错误的数据,构建发电机数据库。
计算正常运行时发电机某一部件的温度数据和其他观测特征数据之间的皮尔逊相关系数,根据相关系数的大小确定处于部件温度相关程度较大的观测特征,具体过程如下:
在发电机数据库中提取发电机某一部件的温度序列,记作X,将发电机数据库中的其他各个观测特征数据序列记作Yi(即各个观测特征序列分别为Y1,Y2,……,Yn),则温度序列X与其他各个观测特征数据序列Yi的皮尔逊相关系数Ψi为:
经过n此计算后得到n非相关性系数值。结合皮尔逊相关系数Ψi的计算公式可知,皮尔逊相关系数Ψi的取值范围是区间[-1,1];且任意两个数值序列之间的皮尔逊相关系数Ψi的绝对值越大,则这两个数值序列之间的相关性越强;且任意两个数值序列之间的皮尔逊相关系数Ψi的绝对值越小,则这两个数值序列之间的相关性越弱。常见的相关系数数值与相关强度之间的关系如下表1所示:
表1相关系数与相关强度关系表
在本实施例中,皮尔逊相关系数Ψi选择大于0.6的特征作为发电机关键部件的相关特征。
作为一种或多种实施方式,在步骤S03中,在通过基于CNN-LSTM的温度预测模型对实时运行温度变化数据进行训练之前,通过CNN获取实时运行温度变化数据的空间特征,构建实时运行温度变化的时空特征矩阵。
利用注意力机制,对CNN深度学习算法和LSTM深度学习算法所提取的数据特征进行融合,求取相应的权值,最大限度的保留数据所包含的所有关键特征,特征融合的结构图如图2所示。
基于CNN-LSTM的温度预测模型的结构框架图如图3所示,该温度预测模型是一个组合预测模型,输入数据是实时运行温度变化数据经处理后所得到的实时运行温度变化的时空特征矩阵。组合预测模型的前半部分是CNN网络层,用于实时运行温度变化的时空特征提取,卷积层用来提取特征,参数共享的特性降低了网络参数的稀疏性,为了防止过拟合和提高运行效率,在组合预测模型的卷积层之后添加了池化层,池化层用来降维,可以减小卷积核的尺寸,同时又可以保留相应特征;组合预测模型的后半部分是LSTM预测,用于提取预测温度的时间特征;最后,CNN-LSTM的输出通过全连接层来产生最终的预测输出。通过注意力机制加权CNN组合抽象局部特征的能力和LSTM时间维度的特征表达,以实现CNN和LSTM的平衡输出;在所有的时间维度上,通过空间特征准确反映数据的非线性变化,并通过LSTM时序记忆功能实现平稳输出。
作为一种或多种实施方式,在步骤S04中,基于CNN-LSTM的温度预测模型进行实时运行温度变化数据训练,如图4所示,具体步骤如下:
步骤S401:将构建的实时运行温度变化的时空特征矩阵划分为训练集和测试集;
步骤S402:确定卷积网络卷积核大小和池化方式;
步骤S403:初始化CNN-LSTM网络模型的所有权重参数;
步骤S404:向前传播计算出网络层神经元的输出值;
步骤S405:向后传播计算出网络层神经元的误差项;
步骤S406:根据训练误差,计算出每个参数的梯度;
步骤S407:利用优化算法完成权重参数更新,持续迭代到总误差收敛位置,停止训练;
步骤S408:输出CNN-LSTM模型预测结果。
在本实施例中,通过发电机SCADA系统将发电机实时运行的温度变化数据输入到基于CNN-LSTM的温度预测模型,得到发电机关键部位的温度预测值;该温度预测值是通过发电机正常运行时的各项参数建模后得到的,表示发电机该关键部件的正常状态。实时采集到的温度值是由SCADA系统对发电机实时监控得到的,它代表着发电机关键部件的当前状态。温度预测值与实时采集到的温度值之间的残差,代表着发电机关键部件当前状态偏离正常状态的程度,因此利用该部件温度残差可及时捕捉该部件故障的早期特征。
由于模型预测总是不可避免的存在误差,所以正常情况下温度残差的分布会在零点附近呈现出一定的对称性。故障运行的发电机数据输入模型后得到的温度残差则会呈现出渐渐偏离零点且逐步升高的趋势。
为了及时捕捉故障状态和正常状态的差异性,本实施通过计算滑动窗口内的温度残差平均值来确定温度残差阈值。设定固定的窗口长度,对窗口内部件温度残差求均值,通过对比正常状态下的温度残差均值分布和故障状态下的温度残差均值分布可以设定出故障判定的温度残差阈值。通过统计滑动窗口内的残差均值不仅可以减小残差值的波动范围,还能有效的消除误报警点的个数,使得预警算法更加稳定和精确。将实际运行的发电机数据输入模型后会产生温度残差,将计算后的温度残差均值与设定好的温度残差阈值进行比较,如果超过温度残差阈值则说明发电机该关键部件已经处于故障早期,此时可以对发电机故障进行提前告警。
本公开通过CNN获取实时运行温度变化数据的空间特征,构建实时运行温度变化的时空特征矩阵,使得数据特征体系更加完备,以进行更精确的模型预测;采用了CNN-LSTM的组合模型,在发电机故障诊断的基础上,提高了维修的预知性,通过对发电机关键部位的温度进行相关趋势的预测,更加清晰的了解发电机运行工况,效掌握发电机的运行状态,降低发电机的故障率,增加发电机组的维修能力,提高发电机运行的经济可靠性。
以上所述仅为本公开的优选实施例而已,并不用于限制本公开,对于本领域的技术人员来说,本公开可以有各种更改和变化。凡在本公开的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本公开的保护范围之内。
上述虽然结合附图对本公开的具体实施方式进行了描述,但并非对本公开保护范围的限制,所属领域技术人员应该明白,在本公开的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。
Claims (10)
1.发电机故障诊断及预测方法,其特征在于,包括以下步骤:
获取发电机正常运行的历史数据,构建发电机数据库,采用皮尔逊相关系数确定发电机关键部件的温度变化相关检测特征;
采集发电机实时运行的状态数据信息,提取所述发电机关键部件的实时运行温度变化数据;
利用温度变化相关检测特征,构建基于CNN-LSTM的温度预测模型;
通过基于CNN-LSTM的温度预测模型对实时运行温度变化数据进行训练,预测发电机关键部位的温度,将得到的温度预测值与实时采集到的温度值作差,得到温度残差,将得到的温度残差与预设的温度残差阈值比较进行发电机的故障诊断,结合温度残差的变化进行温升预警以实现故障预测。
2.如权利要求1中所述的发电机故障诊断及预测方法,其特征在于,在构建发电机数据库时,对数据库中的数据进行预处理,删除空值和具有明显错误的数据。
4.如权利要求1中所述的发电机故障诊断及预测方法,其特征在于,利用注意力机制,对CNN深度学习算法和LSTM深度学习算法所提取的数据特征进行融合,求取相应的权值,最大限度的保留数据所包含的所有关键特征。
5.如权利要求4中所述的发电机故障诊断及预测方法,其特征在于,通过注意力机制加权CNN组合抽象局部特征的能力和LSTM时间维度的特征表达,以实现CNN和LSTM的平衡输出;在所有的时间维度上,通过空间特征准确反映数据的非线性变化,并通过LSTM时序记忆功能实现平稳输出。
6.如权利要求1中所述的发电机故障诊断及预测方法,其特征在于,通过基于CNN-LSTM的温度预测模型对实时运行温度变化数据进行训练之前,通过CNN获取实时运行温度变化数据的空间特征,构建实时运行温度变化的时空特征矩阵。
7.如权利要求6中所述的发电机故障诊断及预测方法,其特征在于,基于CNN-LSTM的温度预测模型进行实时运行温度变化数据训练,具体步骤如下:
将构建的实时运行温度变化的时空特征矩阵划分为训练集和测试集;
确定卷积网络卷积核大小和池化方式;
初始化CNN-LSTM网络模型的所有权重参数;
向前传播计算出网络层神经元的输出值;
向后传播计算出网络层神经元的误差项;
根据训练误差,计算出每个参数的梯度;
利用优化算法完成权重参数更新,持续迭代到总误差收敛位置,停止训练;
输出CNN-LSTM模型预测结果。
8.如权利要求1中所述的发电机故障诊断及预测方法,其特征在于,所述实时采集到的温度值通过SCADA系统对发电机实时监控得到,表示发电机关键部位的当前状态。
9.如权利要求1中所述的发电机故障诊断及预测方法,其特征在于,所述温度残差是温度预测值与实时采集到的温度值只检测差值,表示发电机关键部件当前状态偏离正常状态的程度,利用温度残差及时捕捉故障的早期特征。
10.如权利要求1中所述的发电机故障诊断及预测方法,其特征在于,所述温度残差阈值通过发电机正常运行状态下的温度残差均值和发电机故障状态下的温度残差均值来确定。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110661700.5A CN113484749A (zh) | 2021-06-15 | 2021-06-15 | 发电机故障诊断及预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110661700.5A CN113484749A (zh) | 2021-06-15 | 2021-06-15 | 发电机故障诊断及预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113484749A true CN113484749A (zh) | 2021-10-08 |
Family
ID=77935216
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110661700.5A Pending CN113484749A (zh) | 2021-06-15 | 2021-06-15 | 发电机故障诊断及预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113484749A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114186666A (zh) * | 2021-11-29 | 2022-03-15 | 中电华创(苏州)电力技术研究有限公司 | 一种基于自标准化编解码的发电机线圈温度异常监测方法 |
CN114386603A (zh) * | 2022-01-13 | 2022-04-22 | 合肥工业大学 | 基于时序因果网络的火电厂发电机故障预警方法 |
CN114578793A (zh) * | 2022-03-21 | 2022-06-03 | 杭州电力设备制造有限公司 | 一种基于观测器的发电车非线性鲁棒故障检测方法 |
CN115808944A (zh) * | 2023-02-09 | 2023-03-17 | 国能大渡河枕头坝发电有限公司 | 一种定子温升试验控制方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105134510A (zh) * | 2015-09-18 | 2015-12-09 | 北京中恒博瑞数字电力科技有限公司 | 一种风力发电机组变桨系统的状态监测和故障诊断方法 |
CN108680358A (zh) * | 2018-03-23 | 2018-10-19 | 河海大学 | 一种基于轴承温度模型的风电机组故障预测方法 |
CN111813084A (zh) * | 2020-07-10 | 2020-10-23 | 重庆大学 | 一种基于深度学习的机械装备故障诊断方法 |
CN112001418A (zh) * | 2020-07-14 | 2020-11-27 | 华北电力大学(保定) | 一种发电机定子线圈冷却水路堵塞故障诊断方法 |
CN112598144A (zh) * | 2020-12-31 | 2021-04-02 | 西安理工大学 | 基于相关性分析的cnn-lstm突发故障预警方法 |
CN112633317A (zh) * | 2020-11-02 | 2021-04-09 | 国能信控互联技术有限公司 | 基于注意力机制的cnn-lstm风机故障预测方法及系统 |
CN112734130A (zh) * | 2021-01-21 | 2021-04-30 | 河北工业大学 | 一种双馈型风机主轴的故障预警方法 |
-
2021
- 2021-06-15 CN CN202110661700.5A patent/CN113484749A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105134510A (zh) * | 2015-09-18 | 2015-12-09 | 北京中恒博瑞数字电力科技有限公司 | 一种风力发电机组变桨系统的状态监测和故障诊断方法 |
CN108680358A (zh) * | 2018-03-23 | 2018-10-19 | 河海大学 | 一种基于轴承温度模型的风电机组故障预测方法 |
CN111813084A (zh) * | 2020-07-10 | 2020-10-23 | 重庆大学 | 一种基于深度学习的机械装备故障诊断方法 |
CN112001418A (zh) * | 2020-07-14 | 2020-11-27 | 华北电力大学(保定) | 一种发电机定子线圈冷却水路堵塞故障诊断方法 |
CN112633317A (zh) * | 2020-11-02 | 2021-04-09 | 国能信控互联技术有限公司 | 基于注意力机制的cnn-lstm风机故障预测方法及系统 |
CN112598144A (zh) * | 2020-12-31 | 2021-04-02 | 西安理工大学 | 基于相关性分析的cnn-lstm突发故障预警方法 |
CN112734130A (zh) * | 2021-01-21 | 2021-04-30 | 河北工业大学 | 一种双馈型风机主轴的故障预警方法 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114186666A (zh) * | 2021-11-29 | 2022-03-15 | 中电华创(苏州)电力技术研究有限公司 | 一种基于自标准化编解码的发电机线圈温度异常监测方法 |
CN114186666B (zh) * | 2021-11-29 | 2023-10-13 | 中电华创(苏州)电力技术研究有限公司 | 一种基于自标准化编解码的发电机线圈温度异常监测方法 |
CN114386603A (zh) * | 2022-01-13 | 2022-04-22 | 合肥工业大学 | 基于时序因果网络的火电厂发电机故障预警方法 |
CN114386603B (zh) * | 2022-01-13 | 2024-02-20 | 合肥工业大学 | 基于时序因果网络的火电厂发电机故障预警方法 |
CN114578793A (zh) * | 2022-03-21 | 2022-06-03 | 杭州电力设备制造有限公司 | 一种基于观测器的发电车非线性鲁棒故障检测方法 |
CN115808944A (zh) * | 2023-02-09 | 2023-03-17 | 国能大渡河枕头坝发电有限公司 | 一种定子温升试验控制方法 |
CN115808944B (zh) * | 2023-02-09 | 2023-06-02 | 国能大渡河枕头坝发电有限公司 | 一种定子温升试验控制方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113484749A (zh) | 发电机故障诊断及预测方法 | |
CN108008332B (zh) | 一种基于数据挖掘的新能源远程测试设备故障诊断方法 | |
CN105300692B (zh) | 一种基于扩展卡尔曼滤波算法的轴承故障诊断及预测方法 | |
CN113156917B (zh) | 基于人工智能的电网设备故障诊断方法及系统 | |
US20230023931A1 (en) | Hydraulic turbine cavitation acoustic signal identification method based on big data machine learning | |
CN108584592A (zh) | 一种基于时间序列预测模型的电梯轿厢振动异常预警方法 | |
CN113807570B (zh) | 基于XGBoost的水库大坝风险等级评估方法及系统 | |
CN108764601A (zh) | 一种基于计算机视觉和深度学习技术的结构健康监测异常数据诊断方法 | |
CN105825271B (zh) | 基于证据推理的卫星故障诊断与预测方法 | |
CN102313577A (zh) | 基于多路传感信号的设备健康状态评估与衰退预测方法 | |
CN111191872B (zh) | 一种电网多维度韧性评估系统及方法 | |
CN104615122B (zh) | 一种工控信号检测系统及检测方法 | |
CN113807432A (zh) | 一种基于深度学习的气温预报数据订正方法 | |
CN107145675A (zh) | 基于bp神经网络算法的电力变压器故障诊断装置及方法 | |
CN110210169A (zh) | 一种基于lstm的盾构机故障预测方法 | |
CN114266301A (zh) | 基于图卷积神经网络的电力设备故障智能预测方法 | |
CN113987908A (zh) | 基于机器学习方法的天然气管网泄漏预警方法 | |
CN114519923A (zh) | 一种电厂智能诊断预警方法和系统 | |
CN116341272A (zh) | 一种用于配网工程数字化的施工安全风险管控系统 | |
Hu et al. | A hybrid model for predicting the degradation trend of hydropower units based on deep learning | |
CN113780432B (zh) | 基于增强学习的网络信息系统运维异常智能检测方法 | |
CN117407770A (zh) | 基于神经网络的高压开关柜故障模式分类及预测方法 | |
CN116680598A (zh) | 一种用于工地智能配电箱的故障诊断和剩余寿命预测方法 | |
CN111582634A (zh) | 一种地下大空间施工多因素安全分级方法及系统 | |
CN115950485A (zh) | 一种隧道内全自动智能化监测方法 |
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 |