CN113988329A - 一种基于匹配度计算的天然气管道压缩机组故障分析方法 - Google Patents

一种基于匹配度计算的天然气管道压缩机组故障分析方法 Download PDF

Info

Publication number
CN113988329A
CN113988329A CN202111245043.2A CN202111245043A CN113988329A CN 113988329 A CN113988329 A CN 113988329A CN 202111245043 A CN202111245043 A CN 202111245043A CN 113988329 A CN113988329 A CN 113988329A
Authority
CN
China
Prior art keywords
fault
monitoring
model
matching degree
alarm
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
CN202111245043.2A
Other languages
English (en)
Other versions
CN113988329B (zh
Inventor
梁怿
李佳鹏
王刚
刘东亮
姚红亮
郑双杰
王多才
任永磊
马铁量
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.)
China Oil and Gas Pipeline Network Corp
Original Assignee
China Oil and Gas Pipeline Network Corp
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 China Oil and Gas Pipeline Network Corp filed Critical China Oil and Gas Pipeline Network Corp
Priority to CN202111245043.2A priority Critical patent/CN113988329B/zh
Publication of CN113988329A publication Critical patent/CN113988329A/zh
Application granted granted Critical
Publication of CN113988329B publication Critical patent/CN113988329B/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
    • G06Q10/20—Administration of product repair or maintenance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/14—Pipes

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • General Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Strategic Management (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Evolutionary Biology (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明公开了一种基于匹配度计算的天然气管道压缩机组故障分析方法，其涉及管网压缩机故障检测技术领域，旨在解决天然气管道压缩机组的故障分析模型在实际应用中会存在规则不足，诊断精度低，适用范围窄等问题，其技术方案要点是配置故障模型：设置故障模型、设置监测测点、设置故障模式和启动故障模型，投入监测，接着进行故障匹配度计算：查询其强相关的告警记录集合，根据强相关的告警记录集合，找出其对应的故障模型集合，并去除重复故障模式，为每一个故障模式都进行故障匹配度计算，分别计算出每个故障模式的匹配度数值。达到了方便故障监测和高适用性的效果。

Description

一种基于匹配度计算的天然气管道压缩机组故障分析方法
技术领域
本发明涉及管网压缩机故障检测技术领域，尤其是涉及一种基于匹配度计算的天然气管道压缩机组故障分析方法。
背景技术
天然气管道是指将天然气（包括油田生产的伴生气）从开采地或处理厂输送到城市配气中心或工业企业用户的管道，又称输气管道，输气管道的运用过程中需要使用压缩机组进行压缩输送，利用天然气管道输送天然气，是陆地上大量输送天然气的方式，在世界管道总长中，天然气管道约占一半，天然气压缩机组是管网中不可缺少的重要组件。
国内外公开发表的文献和专利中，有关于往复式压缩机故障分析的研究（论文《往复式压缩机故障诊断专家系统的开发》），有关于离心压缩机故障分析的研究（论文《大型离心机组运行状态监测与故障诊断应用研究》），有关于压缩机振动故障分析的研究（论文《离心压缩机振动故障分析与处理》），有关于压缩机叶轮断裂失效分析的研究（论文《离心压缩机叶轮断裂失效分析》），这些文献都是基于机理模型对压缩机组本身的设备特性进行故障诊断，但未见提出基于故障模式匹配度计算进行故障诊断的文献报道。
上述中的现有技术方案存在以下缺陷：天然气管道压缩机组的故障分析模型大多是基于专家规则库，即对特定工况或特定型号的压缩机组运行情况通过传感器的行为进行显式的规则定义、描述和组合来进行诊断和预警，在实际应用中会存在规则不足，诊断精度低，适用范围窄（规则在不同机组、工况间无法通用）等问题。
发明内容
本发明的目的是提供一种增加整体诊断精度的基于匹配度计算的天然气管道压缩机组故障分析方法。
为实现上述目的，本发明提供了如下技术方案：
一种基于匹配度计算的天然气管道压缩机组故障分析方法，其步骤如下：
S1：配置故障模型，配置故障模型是计算故障匹配度的前置步骤，配置故障模型的过程中涉及到多个核心概念以及它们之间的组合关系，相关概念和组合关系如下所示：
A1：设置故障模型，用于设备故障监测的最小独立单位，故障模型是一个虚拟逻辑概念，其作用是将设备预警诊断过程中使用的实体对象进行逻辑组合与配置；
A2：设置监测测点，每个监测测点对应一个实际的设备传感器测点（原始测点）或者由多个设备传感器测点进行数学运算计算得出的逻辑测点（计算测点），不管是原始测点还是计算测点，对于故障模型来说都可以统一看作是一个监测测点；
A3：设置故障模式，故障模式是根据专家经验和设备特性，针对某一特定设备可能出现的故障情况进行归纳总结，最终得出的信息记录，故障模式一般包括故障现象、故障影响、故障设备类型、故障监测测点、故障原因和维修建议等关键信息，多个故障模式可以形成一个故障库；
A4：设置测点重要程度，为了区别每个监测测点在各个故障模式中对故障产生的影响重要程度，本方法对监测测点进行了分级，分级的结果即为测点重要程度；
A5：启动故障模型，投入监测。
S2：故障匹配度计算，故障匹配度计算是在S1的基础之上，针对S1中故障模型产生的故障告警进行故障模式匹配度计算的过程，其目标是为每个告警记录关联匹配度最高的故障模式信息，该计算的过程依次按照如下流程执行：
B1：每个告警记录对应故障模式中的一个监测测点，选中一个待诊断的告警记录，查询其强相关的告警记录集合；
B2：根据强相关的告警记录集合，找出其对应的故障模型集合，并去除重复模型，由于未限定故障模型的设备类型范围，所以最终的结果中可能出现与本条告警对应设备不一致的故障模型记录，这类故障模型也将作为最终匹配度计算的正常输入；
B3：根据第二步筛选出的故障模型集合，查询该集合中故障模型对应的所有故障模式集合，并去除重复故障模式；
B4：根据第三步筛选出的故障模式集合，循环遍历整个集合，为每一个故障模式都进行故障匹配度计算。设本条告警记录对应的故障模型下有n个测点具有实时告警，分别用S1，S2，...,Sn表示，对应权重分别用W1，W2，...，Wn表示，匹配度分值S的计算公式为：
Figure DEST_PATH_IMAGE001
；
B5：根据第四步中对故障模式集合的分析结果，可以分别计算出每个故障模式的匹配度数值，然后从高到底进行排序，匹配度最高的故障模式即为该条告警记录的推介故障模式，从故障模式中可以获取该条告警记录最有可能产生的故障原因、故障影响和维修建议等关键指导信息。
通过采用上述技术方案，建立设备故障模型进行设备故障预警监测，将故障模型关联一个或多个故障模式，再将故障模型和故障模式关联一组设备关键测点，通过对测点重要程度进行分级，当模型出现告警时，通过算法对告警与故障模式的匹配度进行计算排序，进而确定与设备故障告警相关性最高的故障模式记录。
进一步的，所述A4中将故障模式与故障模型进行关联，一个故障模型可以配置多个故障模式和故障告警测点，每个故障模式可分别关联故障告警测点并对警测点的重要程度进行分级。
通过采用上述技术方案，对警测点的重要程度进行分级，从而方便整体对重要的部分进行重点监测，保证整体良好的监测效果，且方便对容易出现的错误进行检测。
进一步地，所述A4中分级配置过程如下：
C1：针对压缩机组的关键设备特征，以设备级别为粒度创建故障模型，每个故障模型用于监测一种或多种设备故障模式；
C2：为故障模型选择关键设备中的核心监测测点，并为测点设置告警阈值，当模型启动后，测点实际值超过测点设置的告警阈值时，则该测点产生新告警记录；
C3：为故障模型选择故障模式信息，故障模式是根据设备特性总结出的容易发生故障的经验信息，当模型发生告警之后，监控人员可以快速定位设备故障原因并采取相应的运维措施；
C4：为故障模式选择关键设备中的监测测点，选择完成后，需要对核心测点的重要程度进行分类，重要程度分级为：关键、普通和低，故障模式的监测测点可选范围为故障模式对应的模型的监测测点；
C5：当故障模型进入监测阶段后，监测测点超过配置的阈值时，将产生故障告警记录，并进入故障匹配度计算步骤。
通过采用上述技术方案，根据故障模型内部监测测点的重要性对监测点的情况进行分类监测，以便于整体对重点监测部分进行关注，防止重点部位长时间异常造成较大的损失。
进一步地，所述C1中设置有两组故障模式，所述故障模式分为故障模式1和故障模式2，所述C2中的监测点有三组，所述故障模式1和故障模式2内部对应的监测点有三组，所述故障模式1和故障模式2内部的监测测点对其重要程度进行了标注。
通过采用上述技术方案，两种故障模式方便整体对不同情况下的故障进行监测，保证整体可以对较多的故障情况进行充分的监测，增加了整体的监测效果。
进一步地，所述B1内部强相关的告警记录范围如下：
D1：本条告警记录本身；
D2：本条告警记录产生的前后时间窗口内（时间窗口大小为24小时），即告警前24小时至告警后24小时，查询同一监测测点的所有告警记录。
通过采用上述技术方案，对B1内部警记录范围进行限制，同时对同一监测测点的所有告警记录进行显示，保证整体对同一时间点所有部件的运行状态进行观测，方便整体对错误情况进行发现和检修。
进一步地，合并D1和范围D2中的所有故障告警记录并去除重复记录，即为本条告警的强相关告警记录集合。
通过采用上述技术方案，对警告记录进行查询可以方便整体进行筛选，方便整体找出最严重且最主要的损坏部分，从而方便整体进行快速检修。
进一步地，所述B4中由于最终计算的故障模式可能不属于告警记录对应的故障模型，所以故障模式中可能存在无法与模型测点对应的监测测点，对于这类测点，不需要带入公式计算故障模式匹配度。
通过采用上述技术方案，带储存功能的PLC控制器方便根据相同的订单进行记录，方便下次裁剪的过程中对记忆中的路线进行裁剪，保证整体良好的裁剪速度和效果。
综上所述，本发明的有益技术效果为：
1、采用了建立设备故障模型进行设备故障预警监测，将故障模型关联一个或多个故障模式，再将故障模型和故障模式关联一组设备关键测点，通过对测点重要程度进行分级，当模型出现告警时，通过算法对告警与故障模式的匹配度进行计算排序，进而确定与设备故障告警相关性最高的故障模式记录，产生方便故障监测的效果；
2、采用了基于匹配度计算的故障分析技术，通过计算故障告警与不同故障模式的匹配程度，分析出可能性最高的故障原因，方法的通信性强，适用于不同工况和类型的压缩机组，产生高适用性的效果。
附图说明
图1为本发明工作流程结构示意图；
图2为本发明故障模型测点重要程度示意图。
具体实施方式
以下结合附图对本发明方法作进一步详细说明。
参照图1，一种基于匹配度计算的天然气管道压缩机组故障分析方法，其步骤如下：
S1：配置故障模型，配置故障模型是计算故障匹配度的前置步骤，配置故障模型的过程中涉及到多个核心概念以及它们之间的组合关系，相关概念和组合关系如下所示：
A1：设置故障模型，用于设备故障监测的最小独立单位，故障模型是一个虚拟逻辑概念，其作用是将设备预警诊断过程中使用的实体对象进行逻辑组合与配置；
A2：设置监测测点，每个监测测点对应一个实际的设备传感器测点（原始测点）或者由多个设备传感器测点进行数学运算计算得出的逻辑测点（计算测点），不管是原始测点还是计算测点，对于故障模型来说都可以统一看作是一个监测测点；
A3：设置故障模式，故障模式是根据专家经验和设备特性，针对某一特定设备可能出现的故障情况进行归纳总结，最终得出的信息记录，故障模式一般包括故障现象、故障影响、故障设备类型、故障监测测点、故障原因和维修建议等关键信息，多个故障模式可以形成一个故障库；
参照图2，A4：设置测点重要程度，为了区别每个监测测点在各个故障模式中对故障产生的影响重要程度，本方法对监测测点进行了分级，分级的结果即为测点重要程度，故障模式与故障模型进行关联，一个故障模型可以配置多个故障模式和故障告警测点，每个故障模式可分别关联故障告警测点并对警测点的重要程度进行分级，分级过程如下：
C1：针对压缩机组的关键设备特征，以设备级别为粒度创建故障模型，每个故障模型用于监测一种或多种设备故障模式，设置有两组故障模式，所述故障模式分为故障模式1和故障模式2，所述C2中的监测点有三组，所述故障模式1和故障模式2内部对应的监测点有三组，所述故障模式1和故障模式2内部的监测测点对其重要程度进行了标注；
C2：为故障模型选择关键设备中的核心监测测点，并为测点设置告警阈值，当模型启动后，测点实际值超过测点设置的告警阈值时，则该测点产生新告警记录；
C3：为故障模型选择故障模式信息，故障模式是根据设备特性总结出的容易发生故障的经验信息，当模型发生告警之后，监控人员可以快速定位设备故障原因并采取相应的运维措施；
C4：为故障模式选择关键设备中的监测测点，选择完成后，需要对核心测点的重要程度进行分类，重要程度分级为：关键、普通和低，故障模式的监测测点可选范围为故障模式对应的模型的监测测点；
C5：当故障模型进入监测阶段后，监测测点超过配置的阈值时，将产生故障告警记录，并进入故障匹配度计算步骤；
A5：启动故障模型，投入监测。
S2：故障匹配度计算，故障匹配度计算是在S1的基础之上，针对S1中故障模型产生的故障告警进行故障模式匹配度计算的过程，其目标是为每个告警记录关联匹配度最高的故障模式信息，该计算的过程依次按照如下流程执行：
B1：每个告警记录对应故障模式中的一个监测测点，选中一个待诊断的告警记录，查询其强相关的告警记录集合，强相关的告警记录范围如下：
D1：本条告警记录本身；
D2：本条告警记录产生的前后时间窗口内（时间窗口大小为24小时），即告警前24小时至告警后24小时，查询同一监测测点的所有告警记录；
合并D1和范围D2中的所有故障告警记录并去除重复记录，即为本条告警的强相关告警记录集合；
B2：根据强相关的告警记录集合，找出其对应的故障模型集合，并去除重复模型，由于未限定故障模型的设备类型范围，所以最终的结果中可能出现与本条告警对应设备不一致的故障模型记录，这类故障模型也将作为最终匹配度计算的正常输入；
B3：根据第二步筛选出的故障模型集合，查询该集合中故障模型对应的所有故障模式集合，并去除重复故障模式；
B4：根据第三步筛选出的故障模式集合，循环遍历整个集合，为每一个故障模式都进行故障匹配度计算。设本条告警记录对应的故障模型下有n个测点具有实时告警，分别用S1，S2，...,Sn表示，对应权重分别用W1，W2，...，Wn表示，匹配度分值S的计算公式为：
Figure 340291DEST_PATH_IMAGE001
，由于最终计算的故障模式可能不属于告警记录对应的故障模型，所以故障模式中可能存在无法与模型测点对应的监测测点，对于这类测点，不需要带入公式计算故障模式匹配度；
B5：根据第四步中对故障模式集合的分析结果，可以分别计算出每个故障模式的匹配度数值，然后从高到底进行排序，匹配度最高的故障模式即为该条告警记录的推介故障模式，从故障模式中可以获取该条告警记录最有可能产生的故障原因、故障影响和维修建议等关键指导信息。
本具体实施方式的实施例均为本发明的较佳实施例，并非依此限制本发明的保护范围，故：凡依本发明的结构、形状、原理所做的等效变化，均应涵盖于本发明的保护范围之内。

Claims (7)

1.一种基于匹配度计算的天然气管道压缩机组故障分析方法，其特征在于：其步骤如下：
S1：配置故障模型，配置故障模型是计算故障匹配度的前置步骤，配置故障模型的过程中涉及到多个核心概念以及它们之间的组合关系，相关概念和组合关系如下所示：
A1：设置故障模型，用于设备故障监测的最小独立单位，故障模型是一个虚拟逻辑概念，其作用是将设备预警诊断过程中使用的实体对象进行逻辑组合与配置；
A2：设置监测测点，每个监测测点对应一个实际的设备传感器测点(原始测点)或者由多个设备传感器测点进行数学运算计算得出的逻辑测点(计算测点)，不管是原始测点还是计算测点，对于故障模型来说都可以统一看作是一个监测测点；
A3：设置故障模式，故障模式是根据专家经验和设备特性，针对某一特定设备可能出现的故障情况进行归纳总结，最终得出的信息记录，故障模式一般包括故障现象、故障影响、故障设备类型、故障监测测点、故障原因和维修建议等关键信息，多个故障模式可以形成一个故障库；
A4：设置测点重要程度，为了区别每个监测测点在各个故障模式中对故障产生的影响重要程度，本方法对监测测点进行了分级，分级的结果即为测点重要程度；
A5：启动故障模型，投入监测。
S2：故障匹配度计算，故障匹配度计算是在S1的基础之上，针对S1中故障模型产生的故障告警进行故障模式匹配度计算的过程，其目标是为每个告警记录关联匹配度最高的故障模式信息，该计算的过程依次按照如下流程执行：
B1：每个告警记录对应故障模式中的一个监测测点，选中一个待诊断的告警记录，查询其强相关的告警记录集合；
B2：根据强相关的告警记录集合，找出其对应的故障模型集合，并去除重复模型，由于未限定故障模型的设备类型范围，所以最终的结果中可能出现与本条告警对应设备不一致的故障模型记录，这类故障模型也将作为最终匹配度计算的正常输入；
B3：根据第二步筛选出的故障模型集合，查询该集合中故障模型对应的所有故障模式集合，并去除重复故障模式；
B4：根据第三步筛选出的故障模式集合，循环遍历整个集合，为每一个故障模式都进行故障匹配度计算。设本条告警记录对应的故障模型下有n个测点具有实时告警，分别用S1，S2，...,Sn表示，对应权重分别用W1，W2，...，Wn表示，匹配度分值S的计算公式为：
Figure FDA0003320656730000021
B5：根据第四步中对故障模式集合的分析结果，可以分别计算出每个故障模式的匹配度数值，然后从高到底进行排序，匹配度最高的故障模式即为该条告警记录的推介故障模式，从故障模式中可以获取该条告警记录最有可能产生的故障原因、故障影响和维修建议等关键指导信息。
2.根据权利要求1所述的基于匹配度计算的天然气管道压缩机组故障分析方法，其特征在于：所述A4中将故障模式与故障模型进行关联，一个故障模型可以配置多个故障模式和故障告警测点，每个故障模式可分别关联故障告警测点并对警测点的重要程度进行分级。
3.根据权利要求2所述的基于匹配度计算的天然气管道压缩机组故障分析方法，其特征在于：所述A4中分级配置过程如下：
C1：针对压缩机组的关键设备特征，以设备级别为粒度创建故障模型，每个故障模型用于监测一种或多种设备故障模式；
C2：为故障模型选择关键设备中的核心监测测点，并为测点设置告警阈值，当模型启动后，测点实际值超过测点设置的告警阈值时，则该测点产生新告警记录；
C3：为故障模型选择故障模式信息，故障模式是根据设备特性总结出的容易发生故障的经验信息，当模型发生告警之后，监控人员可以快速定位设备故障原因并采取相应的运维措施；
C4：为故障模式选择关键设备中的监测测点，选择完成后，需要对核心测点的重要程度进行分类，重要程度分级为：关键、普通和低，故障模式的监测测点可选范围为故障模式对应的模型的监测测点；
C5：当故障模型进入监测阶段后，监测测点超过配置的阈值时，将产生故障告警记录，并进入故障匹配度计算步骤。
4.根据权利要求3所述的基于匹配度计算的天然气管道压缩机组故障分析方法，其特征在于：所述C1中设置有两组故障模式，所述故障模式分为故障模式1和故障模式2，所述C2中的监测点有三组，所述故障模式1和故障模式2内部对应的监测点有三组，所述故障模式1和故障模式2内部的监测测点对其重要程度进行了标注。
5.根据权利要求1所述的基于匹配度计算的天然气管道压缩机组故障分析方法，其特征在于：所述B1内部强相关的告警记录范围如下：
D1：本条告警记录本身；
D2：本条告警记录产生的前后时间窗口内(时间窗口大小为24小时)，即告警前24小时至告警后24小时，查询同一监测测点的所有告警记录。
6.根据权利要求5所述的基于匹配度计算的天然气管道压缩机组故障分析方法，其特征在于：合并D1和范围D2中的所有故障告警记录并去除重复记录，即为本条告警的强相关告警记录集合。
7.根据权利要求1所述的基于匹配度计算的天然气管道压缩机组故障分析方法，其特征在于：所述B4中由于最终计算的故障模式可能不属于告警记录对应的故障模型，所以故障模式中可能存在无法与模型测点对应的监测测点，对于这类测点，不需要带入公式计算故障模式匹配度。
CN202111245043.2A 2021-10-26 2021-10-26 一种基于匹配度计算的天然气管道压缩机组故障分析方法 Active CN113988329B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111245043.2A CN113988329B (zh) 2021-10-26 2021-10-26 一种基于匹配度计算的天然气管道压缩机组故障分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111245043.2A CN113988329B (zh) 2021-10-26 2021-10-26 一种基于匹配度计算的天然气管道压缩机组故障分析方法

Publications (2)

Publication Number Publication Date
CN113988329A true CN113988329A (zh) 2022-01-28
CN113988329B CN113988329B (zh) 2022-12-27

Family

ID=79741323

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111245043.2A Active CN113988329B (zh) 2021-10-26 2021-10-26 一种基于匹配度计算的天然气管道压缩机组故障分析方法

Country Status (1)

Country Link
CN (1) CN113988329B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103475527A (zh) * 2013-09-25 2013-12-25 武汉理工大学 一种网管故障可信度分析系统及方法
CN105391579A (zh) * 2015-11-25 2016-03-09 国家电网公司 基于关键告警集和监督分类的电力通信网故障定位方法
CN107196804A (zh) * 2017-06-01 2017-09-22 国网山东省电力公司信息通信公司 电力系统终端通信接入网告警集中监控系统及方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103475527A (zh) * 2013-09-25 2013-12-25 武汉理工大学 一种网管故障可信度分析系统及方法
CN105391579A (zh) * 2015-11-25 2016-03-09 国家电网公司 基于关键告警集和监督分类的电力通信网故障定位方法
CN107196804A (zh) * 2017-06-01 2017-09-22 国网山东省电力公司信息通信公司 电力系统终端通信接入网告警集中监控系统及方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
杜文辽等: "基于测点数据变化趋势告警判定的大型立磨故障诊断专家系统", 《矿山机械》 *
赵灿明等: "基于故障传播模型与监督学习的电力通信网络故障定位", 《计算机应用》 *

Also Published As

Publication number Publication date
CN113988329B (zh) 2022-12-27

Similar Documents

Publication Publication Date Title
Hu et al. Detection of frequent alarm patterns in industrial alarm floods using itemset mining methods
CN101770219B (zh) 一种车铣复合机床故障诊断知识库的知识获取方法
CN102375452B (zh) 改善故障代码设定和隔离故障的事件驱动的数据挖掘方法
CN105873105A (zh) 一种基于网络体验质量的移动通信网异常检测和定位方法
CN111798127A (zh) 基于动态火灾风险智能评估的化工园区巡检机器人路径优化系统
CN109858140B (zh) 一种基于信息熵离散型贝叶斯网络冷水机组故障诊断方法
CN104756106A (zh) 表征数据存储系统中的数据源
CN106022366B (zh) 一种基于近邻证据融合的旋转机械设备故障诊断方法
CN110515781B (zh) 一种复杂系统状态监测及故障诊断方法
CN111722952A (zh) 业务系统的故障分析方法、系统、设备和存储介质
CN104268375A (zh) 基于知识petri网的船用电站故障诊断方法
CN108599970A (zh) 无向环网的识别方法、装置和系统
CN116678552B (zh) 一种变温度环境下光纤应力传感器异常监测方法
CN102789676A (zh) 一种基于报警证据融合的工业报警器设计方法
CN112415331A (zh) 基于多源故障信息的电网二次系统故障诊断方法
CN103914386B (zh) 基于输入参数特征谱的软件缺陷定位方法
CN113361939B (zh) 卷包机型质量与设备管理的动态关联方法及系统
CN110956268A (zh) 基于大数据的压缩机故障诊断方法
CN113988329B (zh) 一种基于匹配度计算的天然气管道压缩机组故障分析方法
CN116934062B (zh) 一种基于多元融合的信息处理系统及方法
CN111626646B (zh) 一种装备完好性检查信息融合方法
CN112231352A (zh) 一种多路阀失效数据管理及失效模式自动诊断系统
CN112345972A (zh) 基于停电事件的配电网线变关系异常诊断方法、装置及系统
CN113487141B (zh) 一种多源信息聚类融合的轴承状态评估方法
CN115854258A (zh) 基于时间序列的蒸汽管网漏点在线巡检方法

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