CN113624533B - 一种基于人工智能的发电厂设备故障诊断系统及方法 - Google Patents
一种基于人工智能的发电厂设备故障诊断系统及方法 Download PDFInfo
- Publication number
- CN113624533B CN113624533B CN202111184175.9A CN202111184175A CN113624533B CN 113624533 B CN113624533 B CN 113624533B CN 202111184175 A CN202111184175 A CN 202111184175A CN 113624533 B CN113624533 B CN 113624533B
- Authority
- CN
- China
- Prior art keywords
- equipment
- target
- fault
- comparison
- module
- 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
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000003745 diagnosis Methods 0.000 title claims abstract description 18
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 16
- 230000005540 biological transmission Effects 0.000 claims abstract description 8
- 238000000605 extraction Methods 0.000 claims abstract description 8
- 238000004364 calculation method Methods 0.000 claims description 19
- 238000012423 maintenance Methods 0.000 claims description 15
- 238000012163 sequencing technique Methods 0.000 claims description 9
- 230000004048 modification Effects 0.000 description 11
- 238000012986 modification Methods 0.000 description 11
- 238000010248 power generation Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M99/00—Subject matter not provided for in other groups of this subclass
- G01M99/005—Testing of complete machines, e.g. washing-machines or mobile phones
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
Abstract
本发明公开了一种基于人工智能的发电厂设备故障诊断系统及方法，故障诊断系统包括故障数据库、特征提取模块、特征比较模块、目标设备选取模块和信息传输模块，故障数据库用于存储发电厂各个设备发生故障时的特征，特征提取模块用于在检测到故障发生时，提取当前故障特征，特征比较模块将当前故障特征与故障数据库内的各个设备发生故障时的特征进行相似度比较，如果故障数据库中仅存在一个设备发生故障时的特征与当前故障特征的相似度大于等于相似度阈值，那么该设备为目标设备，否则，令目标设备选取模块根据相似度信息和历史故障信息，从发电厂各个设备中选取目标设备，信息传输模块用于传输目标设备发生故障的告警信息。
Description
技术领域
本发明涉及发电厂设备技术领域，具体为一种基于人工智能的发电厂设备故障诊断系统及方法。
背景技术
发电厂又称发电站，是将自然界蕴藏的各种一次能源转换为电能的工厂。发电厂有多种发电途径：靠火力发电的称火电厂，靠水力发电的称水电厂，还有些靠太阳能和风力与潮汐发电的电厂等，但是无论哪种发电途径，发电厂在发电过程中难免会发生故障，当发电厂发生故障会导致供电紧张，影响社会的正常运行。因为，在发电厂发生故障时，能够快速找到发生故障的设备十分重要。但是现有技术中，常常会发生将发生故障的设备弄错，出现误诊的情况。
发明内容
本发明的目的在于提供一种基于人工智能的发电厂设备故障诊断系统及方法，以解决上述背景技术中提出的问题。
为了解决上述技术问题，本发明提供如下技术方案：一种基于人工智能的发电厂设备故障诊断系统，所述故障诊断系统包括故障数据库、特征提取模块、特征比较模块、目标设备选取模块和信息传输模块，所述故障数据库用于存储发电厂各个设备发生故障时的特征，所述特征提取模块用于在检测到故障发生时，提取当前故障特征，所述特征比较模块将当前故障特征与故障数据库内的各个设备发生故障时的特征进行相似度比较，如果故障数据库中仅存在一个设备发生故障时的特征与当前故障特征的相似度大于等于相似度阈值，那么该设备为目标设备，否则，令目标设备选取模块根据相似度信息和历史故障信息，从发电厂各个设备中选取目标设备，并判断是否要修正目标设备，所述信息传输模块用于传输目标设备发生故障的告警信息。
进一步的，所述故障诊断系统还包括检修跟踪模块，所述检修跟踪模块包括稳定指数更新模块、关联设备判断模块和关联指数更新模块，所述稳定指数更新模块获取检修人员根据传输的信息检修目标设备的情况，如果确认是目标设备发生故障，那么目标设备的稳定指数加1，如果不是目标设备发生故障，那么根据检修人员的检修记录获取该次发生故障的设备为对照设备，并令所述关联设备判断模块判断对照设备是否为目标设备的关联设备，在对照设备不是目标设备的关联设备是，那么将该对照设备作为目标设备的关联设备后，关联指数更新模块将该对照设备对目标设备的关联指数加1，在对照设备是目标设备的关联设备，直接令关联指数更新模块将该对照设备对目标设备的关联指数加1。
进一步的，所述目标设备选取模块包括候选设备选取模块、特征参数获取模块、稳定参数获取模块、故障参数获取模块、目标指数计算模块、目标设备选取模块和目标设备修正模块，所述候选设备选取模块设发电厂的各个设备为候选设备，所述特征参数获取模块将各个候选设备发生故障时的特征与当前故障特征的相似度s作为各个候选设备的特征参数；所述稳定参数获取模块分别获取各个候选设备的稳定指数以及在历史发生故障时被选为目标设备的次数，计算某个候选设备的稳定参数d=t/m，其中，t为该个候选设备的稳定指数，m为该个候选设备在历史发生故障时被选为目标设备的次数，所述故障参数获取模块分别获取各个候选设备的最近一段时间内发生的故障次数并排序，获取各个候选设备中的故障次数的最大值emax和最小值emin，那么某个候选设备的故障参数为f=(e-emax)/(emax-emin)，其中，e该个候选设备在最近一段时间内发生的故障次数；所述目标指数计算模块计算某个候选设备的目标指数z=0.6*s+0.22*d+0.18*f，所述目标设备选取模块将各个候选设备的目标指数按照从大到小的顺序进行排序，选取排序第一的候选设备为目标设备，所述目标设备修正模块对目标设备进行复核，判断是否要修正目标设备。
进一步的，所述目标设备修正模块包括修正指数计算模块、修正指数比较模块、比较参数计算模块和比较参数比较模块，所述修正指数计算模块计算目标设备的修正指数j=1-d，所述修正指数比较模块在目标设备的修正指数大于修正阈值，判断修正目标设备，并令比较参数计算模块计算目标设备的某个关联设备的比较参数H=0.62*kn/kx+0.38*gl/gz，其中，kx为sg和st当中数据较大的那一个，kn为sg和st当中数据较小的那一个，sg为目标设备的该个关联设备发生故障时的特征与当前故障特征的相似度，st为目标设备发生故障时的特征与当前故障特征的相似度，gl为该个关联设备对目标设备的关联指数，gz为目标设备的所有关联设备对目标设备的关联指数之和，所述比较参数比较模块将目标设备的所有关联设备的比较参数与比较阈值进行比较，在存在目标设备的关联设备的比较参数大于等于比较阈值时，那么将比较参数最大的那个关联设备修正为目标设备，否则，保持当前的目标设备不变。
一种基于人工智能的发电厂设备故障诊断方法，所述故障诊断方法包括以下步骤：
预先建立故障数据库，所述故障数据库用于存储发电厂各个设备发生故障时的特征；
当检测到故障发生时，提取当前故障特征，并通过人工智能将当前故障特征与故障数据库内的各个设备发生故障时的特征进行相似度比较，如果故障数据库中仅存在一个设备发生故障时的特征与当前故障特征的相似度大于等于相似度阈值，那么该设备为目标设备，
否则，根据相似度信息和历史故障信息，从发电厂各个设备中选取目标设备，并判断是否要修正目标设备；
传输目标设备发生故障的告警信息。
进一步的，所述传输目标设备发生故障的告警信息后还包括：
检修人员根据传输的信息检修目标设备，如果是目标设备发生故障，那么目标设备的稳定指数加1，如果不是目标设备发生故障，根据检修人员的检修记录获取该次发生故障的设备为对照设备，判断对照设备是否为目标设备的关联设备，如果对照设备不是目标设备的关联设备，那么将该对照设备作为目标设备的关联设备，该对照设备对目标设备的关联指数加1，如果对照设备是目标设备的关联设备，直接令该对照设备对目标设备的关联指数加1，
其中，各个设备的稳定指数的初始值为0，一个设备对另一个设备的关联指数的初始值为0。
进一步的，所述从发电厂各个设备中选取目标设备包括：
设发电厂的各个设备为候选设备，
将各个候选设备发生故障时的特征与当前故障特征的相似度s作为各个候选设备的特征参数；
分别获取各个候选设备的稳定指数以及在历史发生故障时被选为目标设备的次数，计算某个候选设备的稳定参数d=t/m，其中，t为该个候选设备的稳定指数，m为该个候选设备在历史发生故障时被选为目标设备的次数；
分别获取各个候选设备的最近一段时间内发生的故障次数并排序，获取各个候选设备中的故障次数的最大值emax和最小值emin，那么某个候选设备的故障参数为f=(e-emax)/(emax-emin)，其中，e该个候选设备在最近一段时间内发生的故障次数；
那么某个候选设备的目标指数z=0.6*s+0.22*d+0.18*f，
将各个候选设备的目标指数按照从大到小的顺序进行排序，选取排序第一的候选设备为目标设备，对目标设备进行复核，判断是否要修正目标设备。
进一步的，所述判断是否要修正目标设备包括：
计算目标设备的修正指数j=1-d，
如果目标设备的修正指数大于修正阈值，
计算目标设备的某个关联设备的比较参数H=0.62*kn/kx+0.38*gl/gz，其中，kx为sg和st当中数据较大的那一个，kn为sg和st当中数据较小的那一个，sg为目标设备的该个关联设备发生故障时的特征与当前故障特征的相似度，st为目标设备发生故障时的特征与当前故障特征的相似度，gl为该个关联设备对目标设备的关联指数，gz为目标设备的所有关联设备对目标设备的关联指数之和，
如果存在目标设备的关联设备的比较参数大于等于比较阈值，那么将比较参数最大的那个关联设备修正为目标设备，否则，保持当前的目标设备不变。
与现有技术相比，本发明所达到的有益效果是：本发明通过发电厂各个设备发生故障时的特征与当前故障特征的相似度、设备历史发生故障情况来选取目标设备作为发生故障的设备推送给检修人员，从而便于检修人员快速找到设备进行检修，节省人力物力，同时，本申请中在选取目标设备后，对目标设备进行进一步分析，判断是否要修正目标设备，从而增加了本发明的灵活性，也提高了找到发生故障的设备的准确率。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1是本发明基于人工智能的发电厂设备故障诊断系统的模块示意图。
具体实施方式
下面将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。
请参阅图1，本发明提供技术方案： 一种基于人工智能的发电厂设备故障诊断系统，所述故障诊断系统包括故障数据库、特征提取模块、特征比较模块、目标设备选取模块和信息传输模块，所述故障数据库用于存储发电厂各个设备发生故障时的特征，所述特征提取模块用于在检测到故障发生时，提取当前故障特征，所述特征比较模块将当前故障特征与故障数据库内的各个设备发生故障时的特征进行相似度比较，如果故障数据库中仅存在一个设备发生故障时的特征与当前故障特征的相似度大于等于相似度阈值，那么该设备为目标设备，否则，令目标设备选取模块根据相似度信息和历史故障信息，从发电厂各个设备中选取目标设备，并判断是否要修正目标设备，所述信息传输模块用于传输目标设备发生故障的告警信息。
所述故障诊断系统还包括检修跟踪模块，所述检修跟踪模块包括稳定指数更新模块、关联设备判断模块和关联指数更新模块，所述稳定指数更新模块获取检修人员根据传输的信息检修目标设备的情况，如果确认是目标设备发生故障，那么目标设备的稳定指数加1，如果不是目标设备发生故障，那么根据检修人员的检修记录获取该次发生故障的设备为对照设备，并令所述关联设备判断模块判断对照设备是否为目标设备的关联设备，在对照设备不是目标设备的关联设备是，那么将该对照设备作为目标设备的关联设备后，关联指数更新模块将该对照设备对目标设备的关联指数加1，在对照设备是目标设备的关联设备，直接令关联指数更新模块将该对照设备对目标设备的关联指数加1。
所述目标设备选取模块包括候选设备选取模块、特征参数获取模块、稳定参数获取模块、故障参数获取模块、目标指数计算模块、目标设备选取模块和目标设备修正模块，所述候选设备选取模块设发电厂的各个设备为候选设备，所述特征参数获取模块将各个候选设备发生故障时的特征与当前故障特征的相似度s作为各个候选设备的特征参数；所述稳定参数获取模块分别获取各个候选设备的稳定指数以及在历史发生故障时被选为目标设备的次数，计算某个候选设备的稳定参数d=t/m，其中，t为该个候选设备的稳定指数，m为该个候选设备在历史发生故障时被选为目标设备的次数，所述故障参数获取模块分别获取各个候选设备的最近一段时间内发生的故障次数并排序，获取各个候选设备中的故障次数的最大值emax和最小值emin，那么某个候选设备的故障参数为f=(e-emax)/(emax-emin)，其中，e该个候选设备在最近一段时间内发生的故障次数；所述目标指数计算模块计算某个候选设备的目标指数z=0.6*s+0.22*d+0.18*f，所述目标设备选取模块将各个候选设备的目标指数按照从大到小的顺序进行排序，选取排序第一的候选设备为目标设备，所述目标设备修正模块对目标设备进行复核，判断是否要修正目标设备。
所述目标设备修正模块包括修正指数计算模块、修正指数比较模块、比较参数计算模块和比较参数比较模块，所述修正指数计算模块计算目标设备的修正指数j=1-d，所述修正指数比较模块在目标设备的修正指数大于修正阈值，判断修正目标设备，并令比较参数计算模块计算目标设备的某个关联设备的比较参数H=0.62*kn/kx+0.38*gl/gz，其中，kx为sg和st当中数据较大的那一个，kn为sg和st当中数据较小的那一个，sg为目标设备的该个关联设备发生故障时的特征与当前故障特征的相似度，st为目标设备发生故障时的特征与当前故障特征的相似度，gl为该个关联设备对目标设备的关联指数，gz为目标设备的所有关联设备对目标设备的关联指数之和，所述比较参数比较模块将目标设备的所有关联设备的比较参数与比较阈值进行比较，在存在目标设备的关联设备的比较参数大于等于比较阈值时，那么将比较参数最大的那个关联设备修正为目标设备，否则，保持当前的目标设备不变。
一种基于人工智能的发电厂设备故障诊断方法，所述故障诊断方法包括以下步骤：
预先建立故障数据库，所述故障数据库用于存储发电厂各个设备发生故障时的特征；
当检测到故障发生时，提取当前故障特征，并通过人工智能将当前故障特征与故障数据库内的各个设备发生故障时的特征进行相似度比较，如果故障数据库中仅存在一个设备发生故障时的特征与当前故障特征的相似度大于等于相似度阈值，那么该设备为目标设备，
否则，根据相似度信息和历史故障信息，从发电厂各个设备中选取目标设备，并判断是否要修正目标设备；
传输目标设备发生故障的告警信息。
所述传输目标设备发生故障的告警信息后还包括：
检修人员根据传输的信息检修目标设备，如果是目标设备发生故障，那么目标设备的稳定指数加1，如果不是目标设备发生故障，根据检修人员的检修记录获取该次发生故障的设备为对照设备，判断对照设备是否为目标设备的关联设备，如果对照设备不是目标设备的关联设备，那么将该对照设备作为目标设备的关联设备，该对照设备对目标设备的关联指数加1，如果对照设备是目标设备的关联设备，直接令该对照设备对目标设备的关联指数加1，其中，各个设备的稳定指数的初始值为0，一个设备对另一个设备的关联指数的初始值为0；当检修人员检修过程中检修发现某个设备发生故障时的某个特征在故障数据库中没有时，将该个设备的该个特征存于故障数据库；
所述从发电厂各个设备中选取目标设备包括：
设发电厂的各个设备为候选设备，
将各个候选设备发生故障时的特征与当前故障特征的相似度s作为各个候选设备的特征参数；当某个候选设备发生故障时的特征与当前故障特征的相似度s越高，是该设备发生故障的几率越大；
分别获取各个候选设备的稳定指数以及在历史发生故障时被选为目标设备的次数，计算某个候选设备的稳定参数d=t/m，其中，t为该个候选设备的稳定指数，m为该个候选设备在历史发生故障时被选为目标设备的次数；当稳定参数越大，说明当候选设备被选为目标设备时确实是发生故障设备的几率较大，当稳定参数越小，说明当候选设备被选为目标设备时不时发生故障设备的几率较大，因此针对稳定参数较小的候选设备，应当尽量不选该候选设备作为目标设备，从而减少误差率，提高选取的目标设备是发生故障设备的准确率；
分别获取各个候选设备的最近一段时间内发生的故障次数并排序，获取各个候选设备中的故障次数的最大值emax和最小值emin，那么某个候选设备的故障参数为f=(e-emax)/(emax-emin)，其中，e该个候选设备在最近一段时间内发生的故障次数；当某个候选设备最近一段时间内发生故障次数越多，该次故障是该候选设备发生故障的几率越大；
那么某个候选设备的目标指数z=0.6*s+0.22*d+0.18*f，从多角度因素进行考虑并且针对不同的角度因素设置不同的权重，进一步提高选取的发生故障设备的准确率；
将各个候选设备的目标指数按照从大到小的顺序进行排序，选取排序第一的候选设备为目标设备，对目标设备进行复核，判断是否要修正目标设备。
所述判断是否要修正目标设备包括：
计算目标设备的修正指数j=1-d，当目标设备的修正指数越大，说明当候选设备被选为目标设备时不时发生故障设备的几率较大，应当进行再次确认检测，减少选错发生故障设备的几率；
如果目标设备的修正指数大于修正阈值，
计算目标设备的某个关联设备的比较参数H=0.62*kn/kx+0.38*gl/gz，其中，kx为sg和st当中数据较大的那一个，kn为sg和st当中数据较小的那一个，sg为目标设备的该个关联设备发生故障时的特征与当前故障特征的相似度，st为目标设备发生故障时的特征与当前故障特征的相似度，gl为该个关联设备对目标设备的关联指数，gz为目标设备的所有关联设备对目标设备的关联指数之和，计算式中的gl/gz是用于评判某个关联设备发生故障但是却老是误认为目标设备发生故障的几率是否较高，kn/kx用于评判目标设备和关联设备之间相似度相差情况，如果kn/kx接近于1，说明两者的相似度情况很接近，关联设备发生故障但是却误认为目标设备发生故障的几率较高；
如果存在目标设备的关联设备的比较参数大于等于比较阈值，那么将比较参数最大的那个关联设备修正为目标设备，如果目标设备的修正指数小于等于修正阈值或者所有目标设备的关联设备的比较参数都小于比较阈值，保持当前的目标设备不变。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (4)
1.一种基于人工智能的发电厂设备故障诊断系统，其特征在于，所述故障诊断系统包括故障数据库、特征提取模块、特征比较模块、目标设备选取模块和信息传输模块，所述故障数据库用于存储发电厂各个设备发生故障时的特征，所述特征提取模块用于在检测到故障发生时，提取当前故障特征，所述特征比较模块将当前故障特征与故障数据库内的各个设备发生故障时的特征进行相似度比较，如果故障数据库中仅存在一个设备发生故障时的特征与当前故障特征的相似度大于等于相似度阈值，那么该设备为目标设备，否则，令目标设备选取模块根据相似度信息和历史故障信息，从发电厂各个设备中选取目标设备，并判断是否要修正目标设备，所述信息传输模块用于传输目标设备发生故障的告警信息；
所述故障诊断系统还包括检修跟踪模块，所述检修跟踪模块包括稳定指数更新模块、关联设备判断模块和关联指数更新模块，所述稳定指数更新模块获取检修人员根据传输的信息检修目标设备的情况，如果确认是目标设备发生故障，那么目标设备的稳定指数加1，如果不是目标设备发生故障，那么根据检修人员的检修记录获取发生故障的设备为对照设备，并令所述关联设备判断模块判断对照设备是否为目标设备的关联设备，在对照设备不是目标设备的关联设备是，那么将该对照设备作为目标设备的关联设备后，关联指数更新模块将该对照设备对目标设备的关联指数加1，在对照设备是目标设备的关联设备，直接令关联指数更新模块将该对照设备对目标设备的关联指数加1；
所述目标设备选取模块包括候选设备选取模块、特征参数获取模块、稳定参数获取模块、故障参数获取模块、目标指数计算模块、目标设备选取模块和目标设备修正模块，所述候选设备选取模块设发电厂的各个设备为候选设备，所述特征参数获取模块将各个候选设备发生故障时的特征与当前故障特征的相似度s作为各个候选设备的特征参数；所述稳定参数获取模块分别获取各个候选设备的稳定指数以及在历史发生故障时被选为目标设备的次数，计算某个候选设备的稳定参数d=t/m，其中，t为该个候选设备的稳定指数，m为该个候选设备在历史发生故障时被选为目标设备的次数，所述故障参数获取模块分别获取各个候选设备的最近一段时间内发生的故障次数并排序，获取各个候选设备中的故障次数的最大值emax和最小值emin，那么某个候选设备的故障参数为f=(e-emax)/(emax-emin)，其中，e该个候选设备在最近一段时间内发生的故障次数；所述目标指数计算模块计算某个候选设备的目标指数z=0.6*s+0.22*d+0.18*f，所述目标设备选取模块将各个候选设备的目标指数按照从大到小的顺序进行排序，选取排序第一的候选设备为目标设备，所述目标设备修正模块对目标设备进行复核，判断是否要修正目标设备。
2.根据权利要求1所述的一种基于人工智能的发电厂设备故障诊断系统，其特征在于：所述目标设备修正模块包括修正指数计算模块、修正指数比较模块、比较参数计算模块和比较参数比较模块，所述修正指数计算模块计算目标设备的修正指数j=1-d，所述修正指数比较模块在目标设备的修正指数大于修正阈值，判断修正目标设备，并令比较参数计算模块计算目标设备的某个关联设备的比较参数H=0.62*kn/kx+0.38*gl/gz，其中，kx为sg和st当中数据较大的那一个，kn为sg和st当中数据较小的那一个，sg为目标设备的该个关联设备发生故障时的特征与当前故障特征的相似度，st为目标设备发生故障时的特征与当前故障特征的相似度，gl为该个关联设备对目标设备的关联指数，gz为目标设备的所有关联设备对目标设备的关联指数之和，所述比较参数比较模块将目标设备的所有关联设备的比较参数与比较阈值进行比较，在存在目标设备的关联设备的比较参数大于等于比较阈值时，那么将比较参数最大的那个关联设备修正为目标设备，否则，保持当前的目标设备不变。
3.一种基于人工智能的发电厂设备故障诊断方法，其特征在于：所述故障诊断方法包括以下步骤：
预先建立故障数据库，所述故障数据库用于存储发电厂各个设备发生故障时的特征；
当检测到故障发生时，提取当前故障特征，并将当前故障特征与故障数据库内的各个设备发生故障时的特征进行相似度比较，如果故障数据库中仅存在一个设备发生故障时的特征与当前故障特征的相似度大于等于相似度阈值，那么该设备为目标设备，
否则，根据相似度信息和历史故障信息，从发电厂各个设备中选取目标设备，并判断是否要修正目标设备；
传输目标设备发生故障的告警信息；
所述传输目标设备发生故障的告警信息后还包括：
检修人员根据传输的信息检修目标设备，如果是目标设备发生故障，那么目标设备的稳定指数加1，如果不是目标设备发生故障，根据检修人员的检修记录获取该次发生故障的设备为对照设备，判断对照设备是否为目标设备的关联设备，如果对照设备不是目标设备的关联设备，那么将该对照设备作为目标设备的关联设备，该对照设备对目标设备的关联指数加1，如果对照设备是目标设备的关联设备，直接令该对照设备对目标设备的关联指数加1，其中，各个设备的稳定指数的初始值为0，一个设备对另一个设备的关联指数的初始值为0；
所述从发电厂各个设备中选取目标设备包括：
设发电厂的各个设备为候选设备，
将各个候选设备发生故障时的特征与当前故障特征的相似度s作为各个候选设备的特征参数；
分别获取各个候选设备的稳定指数以及在历史发生故障时被选为目标设备的次数，计算某个候选设备的稳定参数d=t/m，其中，t为该个候选设备的稳定指数，m为该个候选设备在历史发生故障时被选为目标设备的次数；
分别获取各个候选设备的最近一段时间内发生的故障次数并排序，获取各个候选设备中的故障次数的最大值emax和最小值emin，那么某个候选设备的故障参数为f=(e-emax)/(emax-emin)，其中，e该个候选设备在最近一段时间内发生的故障次数；
那么某个候选设备的目标指数z=0.6*s+0.22*d+0.18*f，
将各个候选设备的目标指数按照从大到小的顺序进行排序，选取排序第一的候选设备为目标设备，对目标设备进行复核，判断是否要修正目标设备。
4.根据权利要求3所述的一种基于人工智能的发电厂设备故障诊断方法，其特征在于：所述判断是否要修正目标设备包括：
计算目标设备的修正指数j=1-d，
如果目标设备的修正指数大于修正阈值，
计算目标设备的某个关联设备的比较参数H=0.62*kn/kx+0.38*gl/gz，其中，kx为sg和st当中数据较大的那一个，kn为sg和st当中数据较小的那一个，sg为目标设备的该个关联设备发生故障时的特征与当前故障特征的相似度，st为目标设备发生故障时的特征与当前故障特征的相似度，gl为该个关联设备对目标设备的关联指数，gz为目标设备的所有关联设备对目标设备的关联指数之和，
如果存在目标设备的关联设备的比较参数大于等于比较阈值，那么将比较参数最大的那个关联设备修正为目标设备，否则，保持当前的目标设备不变。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111184175.9A CN113624533B (zh) | 2021-10-12 | 2021-10-12 | 一种基于人工智能的发电厂设备故障诊断系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111184175.9A CN113624533B (zh) | 2021-10-12 | 2021-10-12 | 一种基于人工智能的发电厂设备故障诊断系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113624533A CN113624533A (zh) | 2021-11-09 |
| CN113624533B true CN113624533B (zh) | 2022-02-01 |
Family
ID=78390928
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111184175.9A Active CN113624533B (zh) | 2021-10-12 | 2021-10-12 | 一种基于人工智能的发电厂设备故障诊断系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113624533B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114295940B (zh) * | 2022-01-04 | 2022-07-15 | 珠海市鸿瑞信息技术股份有限公司 | 一种基于智慧城市的配网故障状态监测系统及方法 |
| CN114548769B (zh) * | 2022-02-23 | 2022-10-28 | 广东妍曦信息科技有限公司 | 一种智能电网it资产大数据监测系统及方法 |
| CN115618976A (zh) * | 2022-10-19 | 2023-01-17 | 珠海三体芯变频科技有限公司 | 一种基于物联网的热泵故障检测系统及方法 |
Family Cites Families (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2682893B2 (ja) * | 1990-08-08 | 1997-11-26 | 三菱電機株式会社 | 機器故障診断装置 |
| JP2000065694A (ja) * | 1998-08-25 | 2000-03-03 | Toshiba Corp | 異常発生原因探索装置 |
| CN101788378B (zh) * | 2009-01-23 | 2013-06-19 | 西门子公司 | 一种机械故障诊断方法和装置 |
| US20150120248A1 (en) * | 2013-10-30 | 2015-04-30 | General Electric Company | System and method for diagnosing machine faults |
| CN105590146A (zh) * | 2016-02-29 | 2016-05-18 | 上海带来科技有限公司 | 一种基于大数据的电厂设备智能预测检修方法和系统 |
| CN108509995A (zh) * | 2018-04-03 | 2018-09-07 | 电子科技大学 | 基于中文文本分析和obd数据处理的汽车故障诊断方法 |
| CN109902153B (zh) * | 2019-04-02 | 2020-11-06 | 杭州安脉盛智能技术有限公司 | 基于自然语言处理和案例推理的设备故障诊断方法及系统 |
| CN111581739A (zh) * | 2020-04-22 | 2020-08-25 | 中国直升机设计研究所 | 基于故障树和案例推理的直升机智能故障诊断方法 |
| CN112330060B (zh) * | 2020-11-25 | 2024-01-12 | 新奥新智科技有限公司 | 设备故障预测方法、装置、可读存储介质及电子设备 |
| CN112596495B (zh) * | 2020-12-07 | 2022-03-25 | 中科蓝智(武汉)科技有限公司 | 一种基于知识图谱的工业设备故障诊断方法及系统 |
| CN112785015B (zh) * | 2021-02-02 | 2024-01-19 | 中国人民解放军空军工程大学 | 基于案例推理的装备故障诊断方法 |
| 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 |
| CN113315777B (zh) * | 2021-06-03 | 2021-12-07 | 珠海市鸿瑞信息技术股份有限公司 | 一种基于电力规约操作智能运维监控系统 |
-
2021
- 2021-10-12 CN CN202111184175.9A patent/CN113624533B/zh active Active
Non-Patent Citations (1)
| Title |
|---|
| 基于案例推理的轨道交通信号设备故障诊断方法;陈则宇 等;《城市公共交通》;20190131(第1期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113624533A (zh) | 2021-11-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113624533B (zh) | 一种基于人工智能的发电厂设备故障诊断系统及方法 | |
| CN114295940B (zh) | 一种基于智慧城市的配网故障状态监测系统及方法 | |
| CN111237134A (zh) | 一种基于GRA-LSTM-stacking模型的海上双馈风力发电机故障诊断方法 | |
| CN110838821B (zh) | 光伏电站故障控制方法以及系统 | |
| CN113049142A (zh) | 温度传感器的告警方法、装置、设备及存储介质 | |
| CN111064180B (zh) | 基于ami潮流匹配的中压配电网拓扑检测与辨识方法 | |
| CN117411189B (zh) | 一种微电网协调控制器的监测数据增强方法 | |
| CN107391515A (zh) | 基于关联规则分析的电力系统指标分析方法 | |
| CN111026738A (zh) | 区域人口监控方法、系统、电子设备及存储介质 | |
| CN112462736A (zh) | 一种基于数据分析的风电机组故障诊断方法 | |
| KR20190082715A (ko) | 상관도를 고려한 데이터 분류 방법 및 이 방법을 수행하기 위한 프로그램이 저장된 컴퓨터 판독가능한 저장매체 | |
| CN107945046A (zh) | 一种新能源电站出力数据修复方法及装置 | |
| CN115455746B (zh) | 一种核动力装置运行监测数据异常检测与校正一体化方法 | |
| CN112803891B (zh) | 一种光伏系统故障诊断方法及装置 | |
| CN117235617A (zh) | 沙尘天气下基于ml-rfknn的光伏阵列故障诊断方法 | |
| KR20150027178A (ko) | 상관도를 고려한 데이터 분류 방법 및 이 방법을 수행하기 위한 프로그램이 저장된 컴퓨터 판독가능한 저장매체 | |
| CN115618976A (zh) | 一种基于物联网的热泵故障检测系统及方法 | |
| EP3303835B1 (en) | Method for windmill farm monitoring | |
| CN112884353B (zh) | 一种任务可靠度评价系统 | |
| Trstenjak et al. | A Decision Support System for the Prediction of Wastewater Pumping Station Failures Based on CBR Continuous Learning Model. | |
| CN116148519B (zh) | 一种海上风电场电压监测预警方法及系统 | |
| CN116304776B (zh) | 基于k-Means算法的电网数据值异常检测方法及系统 | |
| CN113283603B (zh) | 一种精细化的闭环式风机故障诊断方法及系统 | |
| Shi et al. | Wind Turbine Condition Monitoring Based on Variable Importance of Random Forest | |
| CN117738851A (zh) | 一种基于动态荷载的风电机组故障诊断方法 |
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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240424 Address after: No 301 Five Villagers Group Yinhua Village Nandashan Town Yuanjiang City Yiyang City Hunan Province Patentee after: Chen Zhengji Country or region after: China Patentee after: Wang Lijuan Address before: 210041 room b317-35, building 1, No. 18, Fenghua Road, Yuhua Economic Development Zone, Nanjing, Jiangsu Province Patentee before: Nanjing Baisi Intelligent Technology Co.,Ltd. Country or region before: China |