CN113963456A - 多高速旋转设备运行数据分析方法及分析系统 - Google Patents
多高速旋转设备运行数据分析方法及分析系统 Download PDFInfo
- Publication number
- CN113963456A CN113963456A CN202010699516.5A CN202010699516A CN113963456A CN 113963456 A CN113963456 A CN 113963456A CN 202010699516 A CN202010699516 A CN 202010699516A CN 113963456 A CN113963456 A CN 113963456A
- Authority
- CN
- China
- Prior art keywords
- data
- speed rotating
- abnormal
- algorithm
- fault
- 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
- 238000000034 method Methods 0.000 title claims abstract description 20
- 230000002159 abnormal effect Effects 0.000 claims abstract description 58
- 238000010219 correlation analysis Methods 0.000 claims abstract description 26
- 238000007405 data analysis Methods 0.000 claims abstract description 21
- 238000003745 diagnosis Methods 0.000 claims abstract description 17
- 238000000605 extraction Methods 0.000 claims abstract description 16
- 238000013075 data extraction Methods 0.000 claims description 18
- 238000007781 pre-processing Methods 0.000 claims description 16
- 230000001960 triggered effect Effects 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 12
- FGUUSXIOTUKUDN-IBGZPJMESA-N C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 Chemical compound C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 FGUUSXIOTUKUDN-IBGZPJMESA-N 0.000 claims description 6
- YTAHJIFKAKIKAV-XNMGPUDCSA-N [(1R)-3-morpholin-4-yl-1-phenylpropyl] N-[(3S)-2-oxo-5-phenyl-1,3-dihydro-1,4-benzodiazepin-3-yl]carbamate Chemical compound O=C1[C@H](N=C(C2=C(N1)C=CC=C2)C1=CC=CC=C1)NC(O[C@H](CCN1CCOCC1)C1=CC=CC=C1)=O YTAHJIFKAKIKAV-XNMGPUDCSA-N 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 5
- GNFTZDOKVXKIBK-UHFFFAOYSA-N 3-(2-methoxyethoxy)benzohydrazide Chemical compound COCCOC1=CC=CC(C(=O)NN)=C1 GNFTZDOKVXKIBK-UHFFFAOYSA-N 0.000 claims description 3
- 230000005856 abnormality Effects 0.000 claims description 3
- 238000012217 deletion Methods 0.000 claims description 3
- 230000037430 deletion Effects 0.000 claims description 3
- 238000012986 modification Methods 0.000 claims description 3
- 230000004048 modification Effects 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 239000013589 supplement Substances 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 abstract description 7
- 238000005034 decoration Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000010223 real-time analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C3/00—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种多高速旋转设备运行数据异常分析方法,通过多高速旋转设备运行数据分析系统,完成对多高速旋转设备监控系统数据库中多高速旋转设备运行数据的调取及预处理;并通过软件编辑算法,实现多高速旋转设备运行数据的特征提取、相关性分析以及故障数据库的建立和学习;并在算法应用设备中实现多高速旋转设备的故障诊断与报警,从而科学有效地判定多高速旋转设备的运行稳定性与故障模式,进一步提升多高速旋转设备的监测管理水平。
Description
技术领域
本发明涉及专用高速旋转设备数据监控技术领域,特别是涉及一种多高速旋转设备运行数据分析方法及分析系统。
背景技术
多高速旋转设备运行数据能够反映系统的实时运行状态,对多高速旋转设备的故障诊断及寿命预测具有重要意义。
目前尚未建立多高速旋转设备运行数据分析平台,需要人工多收集到的运行数据进行整理分析。人工数据分析效率低下,且不具备相关性分析能力和在线实时分析能力,因此需对多高速旋转设备运行数据分析系统开展研究。
发明内容
本发明的目的是针对现有技术中人工数据分析效率低下的技术缺陷,而提供一种多高速旋转设备运行数据分析方法。
本发明的另一个目的,是提供一种多高速旋转设备运行数据分析系统。
为实现本发明的目的所采用的技术方案是:
一种多高速旋转设备运行数据异常分析方法,包括以下步骤:
步骤1:调取多高速旋转设备的运行数据,对所述运行数据进行预处理;
步骤2:将步骤1所得异常数据进行特征提取得到数据特征;
步骤3:对步骤2所得数据特征进行相关性分析,并根据相关性分析结果判定是否触发再学习算法,若触发再学习算法,则执行步骤4,若未触发所述再学习算法,则执行步骤5;
步骤4:通过所述再学习算法将步骤2所得数据特征更新至故障数据库,然后执行步骤5;
步骤5:对步骤2所得数据特征进行故障诊断并显示报警状态。
在上述技术方案中,步骤1中,所述预处理包括剔除正常数据,保留异常数据并将所述异常数据转换成统一格式。
在上述技术方案中,步骤3中,所述相关性分析包括可信度计算和支持度计算,计算公式如下:
可信度Pm=Nt/Nm,支持度Pz=Nt/Nz,
其中,
Nz为步骤2提取到的数据特征中所有数据特征值的总个数;
Nt为设定时间范围内特征或特征集与异常目标特征共同出现的次数;
Nm为设定时间范围内异常目标特征出现的总次数。
在上述技术方案中,所述相关性分析,具体包括以下步骤:
步骤a:将步骤2所得数据特征中的所有数据特征值以时间顺序排列;
步骤b:顺序获取第n个数据特征值;
步骤c:将记录数据特征值出现总次数的Nz值加1;
步骤d:判断第n个数据特征值中是否存在异常目标特征,若不存在异常目标特征,执行步骤e,若存在异常目标特征,执行步骤f;
步骤e:将数据特征值序号n设为n+1,返回执行步骤b;
步骤f:设定时间范围Δt,读取t-Δt到t时间段内的所有数据特征值组成的数据特征值组;
步骤g:将所述数据特征值组中,特征或特征集与异常目标特征共同出现的次数Nt值加1;
步骤h:将异常目标特征出现总次数的Nm值加1;
步骤i:判断第n个数据特征值是否是最后一个数据特征值,若不是最后一个,返回执行步骤e,若是最后一个,执行步骤j;
步骤j:计算可信度Pm=Nt/Nm和支持度Pz=Nt/Nz。
在上述技术方案中,步骤3中,是否触发再学习算法的判断方法为,判断数据特征的可信度与期望可信度之间的关系以及支持度与期望支持度之间的关系是否发生变化,若发生变化,则触发再学习算法。
在上述技术方案中,步骤4中,数据特征更新至故障数据库的更新方式包括补充、更改和删除中的一种或多种。
在上述技术方案中,步骤5中,所述故障诊断方法包括以下步骤:
S1:将步骤2所得数据特征存入特征数据库;
S2:判断步骤2所得数据特征是否为异常目标特征,若是异常目标特征,执行S3,若不是异常目标特征,执行S4;
S3:将设备的报警状态标记为故障;
S4:读取t-Δt到t时间段内的数据特征,并将该时间段内的数据特征与故障数据库中的故障模型进行匹配,得到匹配列表;
S5:根据匹配列表判断设备的报警状态。
本发明的另一方面,一种多高速旋转设备运行数据分析系统,包括
数据调取模块,用于调取运行数据;
数据预处理模块,用于将所述数据调取模块调取获得的运行数据进行预处理,剔除正常数据,保留异常数据并转换成统一格式;
特征提取模块,用于将转换成统一格式的异常数据进行特征提取,得到数据特征;
相关性分析模块,用于将特征提取所得的数据特征进行相关性性分析,即计算所得数据特征的可信度和支持度;
再学习算法,用于将可信度和支持度与期望值的关系发生变化的数据特征更新至故障数据库中;
故障诊断模块,判断所得数据特征是否为异常目标特征,若是异常目标特征,直接将设备标记为故障,若不是异常目标特征,则根据时间段内的数据特征与故障数据库中的故障模型进行匹配,得到匹配列表,然后根据匹配列表判断报警状态。
在上述技术方案中,其硬件包括数据提取设备、数据分析服务器、算法应用设备和交换机;
所述数据调取模块和数据预处理模块安装在所述数据提取设备上;所述特征提取模块、所述相关性分析模块和所述再学习算法安装在所述数据分析服务器上;所述故障诊断模块安装在算法应用设备上;
所述数据提取设备、数据分析服务器和算法应用设备分别通过网线与交换机相连。
在上述技术方案中,所述数据提取设备包括通过信号线通讯连接的数据提取显示器和数据提取处理器;所述算法应用设备包括通过信号线通讯连接的故障显示器和算法应用处理器。
与现有技术相比,本发明的有益效果是:
本发明提供的多高速旋转设备运行数据异常分析方法,通过多高速旋转设备运行数据分析系统,完成对多高速旋转设备监控系统数据库中多高速旋转设备运行数据的调取及预处理;并通过软件编辑算法,实现多高速旋转设备运行数据的特征提取、相关性分析以及故障数据库的建立和学习;并在算法应用设备中实现多高速旋转设备的故障诊断与报警,从而科学有效地判定多高速旋转设备的运行稳定性与故障模式,进一步提升多高速旋转设备的监测管理水平。
附图说明
图1所示为多高速旋转设备运行数据异常分析方法的流程图;
图2所示为相关性分析流程图;
图3所示为故障诊断流程图;
图4所示为多高速旋转设备运行数据异常分析系统的组成图。
图中,1-数据提取设备,2-数据分析服务器,3-算法应用设备,4-交换机,5-数据提取显示器,6-数据提取处理器,7-故障显示器,8-算法应用处理器。
具体实施方式
以下结合具体实施例对本发明作进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
实施例1
一种多高速旋转设备运行数据异常分析方法,如图1所示,包括以下步骤:
启动所述多高速旋转设备运行数据分析系统,数据分析开始;
步骤1:数据调取模块判断多高速旋转设备监控系统数据库内是否有新的运行数据,若有新的运行数据则数据调取模块调取运行数据并传输至数据预处理模块,数据预处理模块对所述运行数据进行预处理;所述预处理包括剔除正常数据,保留异常数据并将所述异常数据转换成统一格式并传输至特征提取模块。
步骤2:特征提取模块首先判断是否读取到统一格式的所述异常数据,若未读取到所述异常数据,则继续读取;若读取到所述异常数据,则根据所述异常数据的特征种类和边界条件对其进行特征提取得到数据特征,并判断提取到的数据特征是否为新的数据特征,若不是新的数据特征,则返回执行步骤1;若是新的数据特征,则执行步骤3;
步骤3:相关性分析模块对步骤2所得数据特征进行相关性分析,并根据相关性分析结果判定是否触发再学习算法,若触发再学习算法,则执行步骤4,若未触发所述再学习算法,则执行步骤5;是否触发再学习算法的判断方法为,判断数据特征的可信度与期望可信度之间的关系以及支持度与期望支持度之间的关系是否发生变化,若其中的一个或两个发生变化,则触发再学习算法。
步骤4:通过所述再学习算法将步骤2所得数据特征更新至故障数据库,然后执行步骤5;更新方式包括补充、更改和删除中的一种或多种。
步骤5:故障诊断模块对步骤2所得数据特征进行故障诊断并显示报警状态;然后判断是否中断数据分析,若未中断数据分析,则返回执行步骤1,若中断数据分析,则数据分析结束。
具体来说,步骤3中,所述相关性分析包括可信度计算和支持度计算,计算公式如下:
可信度Pm=Nt/Nm,支持度Pz=Nt/Nz,
其中,
Nz为步骤2提取到的数据特征中所有数据特征值的总个数;
Nt为设定时间范围内特征或特征集与异常目标特征共同出现的次数;
Nm为设定时间范围内异常目标特征出现的总次数。
所述相关性分析,如图2所示,具体包括以下步骤:
步骤a:将步骤2所得数据特征中的所有数据特征值以时间顺序排列;
步骤b:顺序获取第n个数据特征值;
步骤c:将记录数据特征值出现总次数的Nz值加1;
步骤d:判断第n个数据特征值中是否存在异常目标特征,若不存在异常目标特征,执行步骤e,若存在异常目标特征,执行步骤f;
步骤e:将数据特征值序号n设为n+1,返回执行步骤b;
步骤f:设定时间范围Δt,读取t-Δt到t时间段内的所有数据特征值组成的数据特征值组;
步骤g:将所述数据特征值组中,特征或特征集与异常目标特征共同出现的次数Nt值加1;
步骤h:将异常目标特征出现总次数的Nm值加1;
步骤i:判断第n个数据特征值是否是最后一个数据特征值,若不是最后一个,返回执行步骤e,若是最后一个,执行步骤j;
步骤j:计算可信度Pm=Nt/Nm和支持度Pz=Nt/Nz。
具体来说,步骤5中,所述故障诊断方法,如图3所示,包括以下步骤:
S1:将步骤2所得数据特征存入特征数据库;
S2:判断步骤2所得数据特征是否为异常目标特征,若是异常目标特征,执行S3,若不是异常目标特征,执行S4;
S3:将设备的报警状态标记为故障;
S4:读取t-Δt到t时间段内的数据特征,并将该时间段内的数据特征与故障数据库中的故障模型进行匹配,得到匹配列表;
S5:根据匹配列表判断设备的报警状态。
实施例2
一种多高速旋转设备运行数据分析系统,包括
数据调取模块,用于从多高速旋转设备监控系统数据库内调取运行数据;
数据预处理模块,用于将所述数据调取模块调取获得的运行数据进行预处理,剔除正常数据,保留异常数据并转换成统一格式;
特征提取模块,用于将转换成统一格式的异常数据进行特征提取,得到数据特征;
相关性分析模块,用于将特征提取所得的数据特征进行相关性性分析,即计算所得数据特征的可信度和支持度;
再学习算法,用于将可信度和支持度与期望值的关系发生变化的数据特征更新至故障数据库中;
故障诊断模块,判断所得数据特征是否为异常目标特征,若是异常目标特征,直接将设备标记为故障,若不是异常目标特征,则根据时间段内的数据特征与故障数据库中的故障模型进行匹配,得到匹配列表,然后根据匹配列表判断报警状态。
如图4所示,其硬件包括数据提取设备1、数据分析服务器2、算法应用设备3和交换机4;
所述数据调取模块和数据预处理模块安装在所述数据提取设备1上;所述特征提取模块、所述相关性分析模块和所述再学习算法安装在所述数据分析服务器2上;所述故障诊断模块安装在算法应用设备3上;
所述数据提取设备1、数据分析服务器2和算法应用设备3分别通过网线与交换机4相连。
所述数据提取设备1包括通过信号线通讯连接的数据提取显示器5和数据提取处理器6;所述算法应用设备3包括通过信号线通讯连接的故障显示器7和算法应用处理器8。
以上所述仅是本发明的优选实施方式,应当指出的是,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种多高速旋转设备运行数据异常分析方法,其特征在于,包括以下步骤:
步骤1:调取多高速旋转设备的运行数据,对所述运行数据进行预处理;
步骤2:将步骤1所得异常数据进行特征提取得到数据特征;
步骤3:对步骤2所得数据特征进行相关性分析,并根据相关性分析结果判定是否触发再学习算法,若触发再学习算法,则执行步骤4,若未触发所述再学习算法,则执行步骤5;
步骤4:通过所述再学习算法将步骤2所得数据特征更新至故障数据库,然后执行步骤5;
步骤5:对步骤2所得数据特征进行故障诊断并显示报警状态。
2.如权利要求1所述的多高速旋转设备运行数据异常分析方法,其特征在于,步骤1中,所述预处理包括剔除正常数据,保留异常数据并将所述异常数据转换成统一格式。
3.如权利要求1所述的多高速旋转设备运行数据异常分析方法,其特征在于,步骤3中,所述相关性分析包括可信度计算和支持度计算,计算公式如下:
可信度Pm=Nt/Nm,支持度Pz=Nt/Nz,
其中,
Nz为步骤2提取到的数据特征中所有数据特征值的总个数;
Nt为设定时间范围内特征或特征集与异常目标特征共同出现的次数;
Nm为设定时间范围内异常目标特征出现的总次数。
4.如权利要求3所述的多高速旋转设备运行数据异常分析方法,其特征在于,所述相关性分析,具体包括以下步骤:
步骤a:将步骤2所得数据特征中的所有数据特征值以时间顺序排列;
步骤b:顺序获取第n个数据特征值;
步骤c:将记录数据特征值出现总次数的Nz值加1;
步骤d:判断第n个数据特征值中是否存在异常目标特征,若不存在异常目标特征,执行步骤e,若存在异常目标特征,执行步骤f;
步骤e:将数据特征值序号n设为n+1,返回执行步骤b;
步骤f:设定时间范围Δt,读取t-Δt到t时间段内的所有数据特征值组成的数据特征值组;
步骤g:将所述数据特征值组中,特征或特征集与异常目标特征共同出现的次数Nt值加1;
步骤h:将异常目标特征出现总次数的Nm值加1;
步骤i:判断第n个数据特征值是否是最后一个数据特征值,若不是最后一个,返回执行步骤e,若是最后一个,执行步骤j;
步骤j:计算可信度Pm=Nt/Nm和支持度Pz=Nt/Nz。
5.如权利要求4所述的多高速旋转设备运行数据异常分析方法,其特征在于,步骤3中,是否触发再学习算法的判断方法为,判断数据特征的可信度与期望可信度之间的关系以及支持度与期望支持度之间的关系是否发生变化,若发生变化,则触发再学习算法。
6.如权利要求1所述的多高速旋转设备运行数据异常分析方法,其特征在于,步骤4中,数据特征更新至故障数据库的更新方式包括补充、更改和删除中的一种或多种。
7.如权利要求1所述的多高速旋转设备运行数据异常分析方法,其特征在于,步骤5中,所述故障诊断方法包括以下步骤:
S1:将步骤2所得数据特征存入特征数据库;
S2:判断步骤2所得数据特征是否为异常目标特征,若是异常目标特征,执行S3,若不是异常目标特征,执行S4;
S3:将设备的报警状态标记为故障;
S4:读取t-Δt到t时间段内的数据特征,并将该时间段内的数据特征与故障数据库中的故障模型进行匹配,得到匹配列表;
S5:根据匹配列表判断设备的报警状态。
8.一种多高速旋转设备运行数据分析系统,其特征在于,包括
数据调取模块,用于调取运行数据;
数据预处理模块,用于将所述数据调取模块调取获得的运行数据进行预处理,剔除正常数据,保留异常数据并转换成统一格式;
特征提取模块,用于将转换成统一格式的异常数据进行特征提取,得到数据特征;
相关性分析模块,用于将特征提取所得的数据特征进行相关性性分析,即计算所得数据特征的可信度和支持度;
再学习算法,用于将可信度和支持度与期望值的关系发生变化的数据特征更新至故障数据库中;
故障诊断模块,判断所得数据特征是否为异常目标特征,若是异常目标特征,直接将设备标记为故障,若不是异常目标特征,则根据时间段内的数据特征与故障数据库中的故障模型进行匹配,得到匹配列表,然后根据匹配列表判断报警状态。
9.如权利要求8所述的多高速旋转设备运行数据分析系统,其特征在于,其硬件包括数据提取设备、数据分析服务器、算法应用设备和交换机;
所述数据调取模块和数据预处理模块安装在所述数据提取设备上;所述特征提取模块、所述相关性分析模块和所述再学习算法安装在所述数据分析服务器上;所述故障诊断模块安装在算法应用设备上;
所述数据提取设备、数据分析服务器和算法应用设备分别通过网线与交换机相连。
10.如权利要求9所述的多高速旋转设备运行数据分析系统,其特征在于,所述数据提取设备包括通过信号线通讯连接的数据提取显示器和数据提取处理器;所述算法应用设备包括通过信号线通讯连接的故障显示器和算法应用处理器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010699516.5A CN113963456A (zh) | 2020-07-20 | 2020-07-20 | 多高速旋转设备运行数据分析方法及分析系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010699516.5A CN113963456A (zh) | 2020-07-20 | 2020-07-20 | 多高速旋转设备运行数据分析方法及分析系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113963456A true CN113963456A (zh) | 2022-01-21 |
Family
ID=79459672
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010699516.5A Pending CN113963456A (zh) | 2020-07-20 | 2020-07-20 | 多高速旋转设备运行数据分析方法及分析系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113963456A (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6219626B1 (en) * | 1998-09-08 | 2001-04-17 | Lockheed Corp | Automated diagnostic system |
JP2004320267A (ja) * | 2003-04-15 | 2004-11-11 | Nec Software Chubu Ltd | 障害通報装置および障害通報方法 |
CN103345207A (zh) * | 2013-05-31 | 2013-10-09 | 北京泰乐德信息技术有限公司 | 一种轨道交通监控数据的挖掘分析与故障诊断系统 |
CN103412986A (zh) * | 2013-07-23 | 2013-11-27 | 中国人民解放军海军航空工程学院 | 一种基于无故障数据分析的飞机定检内容优化方法 |
CN106845387A (zh) * | 2017-01-18 | 2017-06-13 | 合肥师范学院 | 基于自学习的行人检测方法 |
CN107703383A (zh) * | 2017-09-21 | 2018-02-16 | 国网上海市电力公司 | 一种信息采集系统故障诊断知识库的建立方法 |
CN109213121A (zh) * | 2018-08-07 | 2019-01-15 | 重庆大学 | 一种风机制动系统卡缸故障诊断方法 |
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 |
CN109815855A (zh) * | 2019-01-07 | 2019-05-28 | 中国电子科技集团公司第四十一研究所 | 一种基于机器学习的电子设备自动测试方法及系统 |
CN110457786A (zh) * | 2019-05-06 | 2019-11-15 | 浙江工业大学 | 基于深度置信网络的卸船机关联规则故障预测模型方法 |
-
2020
- 2020-07-20 CN CN202010699516.5A patent/CN113963456A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6219626B1 (en) * | 1998-09-08 | 2001-04-17 | Lockheed Corp | Automated diagnostic system |
JP2004320267A (ja) * | 2003-04-15 | 2004-11-11 | Nec Software Chubu Ltd | 障害通報装置および障害通報方法 |
CN103345207A (zh) * | 2013-05-31 | 2013-10-09 | 北京泰乐德信息技术有限公司 | 一种轨道交通监控数据的挖掘分析与故障诊断系统 |
CN103412986A (zh) * | 2013-07-23 | 2013-11-27 | 中国人民解放军海军航空工程学院 | 一种基于无故障数据分析的飞机定检内容优化方法 |
CN106845387A (zh) * | 2017-01-18 | 2017-06-13 | 合肥师范学院 | 基于自学习的行人检测方法 |
CN107703383A (zh) * | 2017-09-21 | 2018-02-16 | 国网上海市电力公司 | 一种信息采集系统故障诊断知识库的建立方法 |
CN109213121A (zh) * | 2018-08-07 | 2019-01-15 | 重庆大学 | 一种风机制动系统卡缸故障诊断方法 |
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 |
CN109815855A (zh) * | 2019-01-07 | 2019-05-28 | 中国电子科技集团公司第四十一研究所 | 一种基于机器学习的电子设备自动测试方法及系统 |
CN110457786A (zh) * | 2019-05-06 | 2019-11-15 | 浙江工业大学 | 基于深度置信网络的卸船机关联规则故障预测模型方法 |
Non-Patent Citations (2)
Title |
---|
李再华;白晓民;周子冠;许婧;李晓;张霖;孟遐;朱宁辉;: "基于特征挖掘的电网故障诊断方法", 中国电机工程学报, no. 10, 5 April 2010 (2010-04-05) * |
黄灿;王东;殷舒怡;徐梦婵;唐晨涛;: "基于气象数据挖掘的输变电设备故障预警", 新型工业化, no. 05, 20 May 2016 (2016-05-20) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104363106A (zh) | 一种基于大数据技术的电力信息通信故障预警分析方法 | |
CN114328198A (zh) | 一种系统故障检测方法、装置、设备及介质 | |
CN109992484B (zh) | 一种网络告警相关性分析方法、装置和介质 | |
CN110457184A (zh) | 基于时序波动关联的化工异常因果分析与图形展示方法 | |
CN116742799A (zh) | 一种基于物联网技术的配电辅助监测预警系统 | |
CN112817814A (zh) | 异常监控方法、系统、存储介质及电子装置 | |
CN115372816A (zh) | 基于数据分析的配电开关设备运行故障预测系统及方法 | |
CN117439916A (zh) | 一种网络安全测试评估系统及方法 | |
CN117150418B (zh) | 基于状态特征故障树的变压器运检周期制定方法和系统 | |
CN112988843B (zh) | 一种基于SQL Server数据库的SMT贴片机故障管理及诊断系统 | |
CN108613820A (zh) | 一种用于gis本体机械缺陷诊断和定位的在线异声监测算法 | |
CN116345691B (zh) | 一种电力设备运行监控系统 | |
CN115871745B (zh) | 一种应用于轨道交通的智能维护方法与装置 | |
CN113963456A (zh) | 多高速旋转设备运行数据分析方法及分析系统 | |
CN117220917A (zh) | 一种基于云计算的网络实时监控方法 | |
CN116824734A (zh) | 一种基于数字孪生的设备远程故障诊断方法、系统和装置 | |
CN112380759A (zh) | 基于深度学习和CoxPH模型的智能电表寿命预测方法 | |
CN114896096A (zh) | 基于图像识别算法的数据中心设备故障预测系统及方法 | |
CN116108376A (zh) | 一种反窃电的监测系统、方法、电子设备及介质 | |
CN113656287B (zh) | 软件实例故障的预测方法、装置、电子设备及存储介质 | |
CN114465908B (zh) | 一种5gc网络割接事件异常影响分析方法 | |
CN113037550B (zh) | 一种服务故障监控方法、系统及计算机可读存储介质 | |
CN117851956B (zh) | 基于数据分析的机电设备故障诊断方法、系统及终端 | |
CN116204386B (zh) | 应用服务关系自动识别及监控方法、系统、介质和设备 | |
CN114091697A (zh) | 一种火电机组全工况状态实时辨别的方法 |
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 |