CN114169545A - 一种热电厂设备智能故障诊断和运维引导的方法、装置、介质及设备 - Google Patents
一种热电厂设备智能故障诊断和运维引导的方法、装置、介质及设备 Download PDFInfo
- Publication number
- CN114169545A CN114169545A CN202111272382.XA CN202111272382A CN114169545A CN 114169545 A CN114169545 A CN 114169545A CN 202111272382 A CN202111272382 A CN 202111272382A CN 114169545 A CN114169545 A CN 114169545A
- Authority
- CN
- China
- Prior art keywords
- sensor
- fault
- value
- sensors
- loss
- 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
- 238000012423 maintenance Methods 0.000 title claims abstract description 63
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000003745 diagnosis Methods 0.000 title claims abstract description 31
- 238000013528 artificial neural network Methods 0.000 claims abstract description 53
- 230000005856 abnormality Effects 0.000 claims abstract description 18
- 238000012163 sequencing technique Methods 0.000 claims abstract description 10
- 239000013598 vector Substances 0.000 claims description 59
- 238000012549 training Methods 0.000 claims description 54
- 230000002159 abnormal effect Effects 0.000 claims description 45
- 238000013024 troubleshooting Methods 0.000 claims description 32
- 230000001960 triggered effect Effects 0.000 claims description 23
- 230000006870 function Effects 0.000 claims description 22
- 230000007246 mechanism Effects 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 12
- 230000000694 effects Effects 0.000 claims description 11
- 238000005457 optimization Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 10
- 238000005259 measurement Methods 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 7
- 101100481876 Danio rerio pbk gene Proteins 0.000 claims description 6
- 101100481878 Mus musculus Pbk gene Proteins 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 5
- 230000008030 elimination Effects 0.000 claims description 3
- 238000003379 elimination reaction Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 abstract 2
- 238000013500 data storage Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000003546 flue gas Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2474—Sequence data queries, e.g. querying versioned data
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- General Engineering & Computer Science (AREA)
- Fuzzy Systems (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种热电厂设备智能故障诊断和运维引导的方法、装置、介质及设备。本发明首先学习传感器的固有特征构建传感器之间的关系拓扑图。接着在关系拓扑图上使用多头自注意力图神经网络计算传感器的状态特征，并利用状态特征计算传感器的预测值。基于传感器预测值和观测值的差异计算偏差分数，并根据偏差分数的历史分布确定异常。依托历史运维数据，建立传感器异常和对应的故障之间的排序模型，综合考虑故障严重性和发生概率推荐运维方案。本发明提出的方案能够快速准确定位热电设备问题并提供解决方案，从而更加有效地规避风险，减轻生产成本，提高生产效率。
Description
技术领域
本发明涉及设备故障诊断和运维技术领域，具体来说是一种热电厂设备智能故障诊断和运维引导的方法、装置、介质及设备。
背景技术
在热电厂运行涉及投料、锅炉燃烧、锅炉烟气处理、汽轮机发电等多道过程和设备。任何一个设备的异常都可能导致整个系统失效，引起经济损失甚至是安全事故。目前热电厂普遍安装了上千至上万个传感器收集各类设备的实时运行数据并将数据上报至监控平台。目前传感器异常通常通过人为设定阈值判断，在不同的环境下很难准确找到合适的阈值，容易造成报警过于频繁或者不能在异常早期及时发现的问题；当故障发生时往往会引起连锁反应导致多个传感器出现异常，运维人员很难在短时间内从众多的异常传感器中定位出根本故障点，并采取合适的运维措施。如果问题未及时解决会带来更大的安全风险和经济损失。因此如何在复杂的现象中快速定位问题，以及确定运维方案成为亟待解决的技术难题。
发明内容
本发明的目的是提供一种热电厂设备智能故障诊断和运维的方法、装置、介质及设备，通过人工智能方法分析传感器的异常，根据异常传感器诊断故障并提供解决故障的方案，从而实现快速定位和解决问题的目的。
第一方面，本发明提供了一种热电厂设备智能故障诊断和运维引导的方法，所述方法包括：
读取设备上传感器时间序列数据，将数据按时间窗口分组，按照预设比例将数据划分为训练集和测试集；
将所述训练集的样本输入至传感器嵌入向量网络，得到表达传感器特征的嵌入向量；
计算每个传感器的嵌入向量和其他传感器嵌入向量之间的距离，为每个传感器选择距离最近的K个传感器作为直接邻居，这里的K是可调参数；从而得到传感器之间相互关系拓扑；
根据传感器时间窗口内的数据以及传感器之间的相互关系拓扑，通过多头自注意力机制的图神经网络提取各个传感器的状态特征；
根据得到的传感器状态特征和最近时间窗口内的传感器观测值，通过多层感知机神经网络预测各个传感器在当前时刻的值；
将当前时刻观测值和预测值的平方差作为监督损失，将所有待学习参数的模大小作为正则化损失；对监督损失和正则化损失进行加权求和以得到整体损失，并根据所述整体损失，优化算法优化嵌入向量网络、多头自注意力图神经网络和多层感知机网络；
计算传感器预测值和观测值的差值的均值和方差，将差值做归一化处理得到偏差分数；为了消除测量噪声影响，当滑动平均后的偏差分数大于可调阈值时判定传感器出现异常；
根据业务知识和历史运维记录建立故障运维库：确定单个传感器或者传感器组合的异常对应的故障；确定故障的排故指南；
在日常工作中根据实际情况记录排故指南的有效性；根据排故指南有效性数据，通过排序神经网络建模传感器异常所触发的不同故障的可能性大小；
针对异常的传感器，在故障运维库中匹配触发的一个或多个故障；通过排序神经网络将触发故障的按可能性排序，输出最靠前的N条故障对应的排故指南；
运维人员根据排故指南进行操作并反馈操作效果。
进一步的，在得到传感器嵌入向量之后，采用如下方法计算传感器相互关系拓扑：
Aij＝1{j∈TopK({emi:m∈Ci})}
其中eij是节点i和j之间的归一化距离；vi和vj分别是传感器i和j的嵌入向量；
是嵌入向量的转置；Ci是和传感器i相关联的传感器的候选集合，该集合根据先验知识确定或者是所有其他的传感器的集合；Aij是代表传感器相互关系的邻接矩阵；emi是节点i和m之间的归一化距离；TopK代表选取归一化距离最大的K个节点。
进一步的，在得到传感器相互关系拓扑图之后，多头自注意力神经网络采用如下方法提取传感器i在t时刻的状态特征
其中vi是传感器i的嵌入向量；Wm是待学习的第m个线性变换系数，
是t时刻时间窗口内的传感器i的数据；
代表连接运算；
是传感器i嵌入向量和传感器数据第m个线性变换的连接；am是第m个待学习的注意力机制的系数；LeakyReLU和ReLU是神经网络的激活函数；πm(i,j)是传感器i和j的第m个注意力机制的激活值；
是传感器i和j的第m个注意力头的系数；
进一步的，计算传感器预测值和观测值的差值的均值和方差，将差值做归一化处理得到偏差分数；为了消除测量噪声影响，当滑动平均后的偏差分数大于可调阈值时判定传感器出现异常，具体为：
在得到传感器的观测值和预测值后采用如下方法计算传感器i在t时刻的偏差分数
其中
是传感器i在t时刻的观测值，
是传感器i在t时刻的预测值；
和
分别是一段时间内
的均值和方差；
为了避免传感器异常抖动造成的误报，在判断异常时，采用moving average方法对
进行平滑处理得到
如果
大于阈值则判断传感器i处于异常状态。
进一步的，所述根据排故指南有效性数据，通过排序神经网络建模传感器异常所触发的不同故障的可能性大小，具体为：
排故指南有效性数据包括诊断的故障和针对该故障的排故指南是否有效。训练排序神经网络时输入异常传感器的观测值，诊断的故障和故障排故指南是否有效，使用learning to rank的pairwise方法进行训练，以如下交叉熵作为损失函数来优化神经网络：
Loss＝∑Lossij
其中si、sj是网络输出的故障i和j的可能性评分；Pij是故障i比故障j更相关的概率；Sij是训练标签，取值为{+1,0,-1},分别代表故障i比故障j相关性高，相关性相等和相关性低；
是故障i比故障j更相关的概率的真实值；Lossij是单个样本的交叉熵损失函数；Loss是所有样本的损失函数。
第二方面，本发明提供了一种热电厂设备智能故障诊断和运维引导的装置，该装置包括：
预处理单元，用于读取传感器输入数据，将数据按时间窗口分组，按照预设比例将数据划分为训练集和测试集；
传感器预测模型训练和推理计算单元，用于将所述训练集的样本输入至传感器嵌入向量网络，得到表达传感器特征的嵌入向量；计算每个传感器的嵌入向量和其他传感器嵌入向量之间的距离，为每个传感器选择距离最近的K个传感器作为直接邻居，这里的K是可调参数；从而得到传感器之间相互关系拓扑；根据传感器时间窗口内的数据以及传感器之间的相互关系拓扑，通过多头自注意力机制的图神经网络提取各个传感器的状态特征；根据得到的传感器状态特征和最近时间窗口内的传感器观测值，通过多层感知机神经网络预测各个传感器在当前时刻的值；在模型训练阶段将当前时刻观测值和预测值的平方差作为监督损失，将所有待学习参数的模大小作为正则化损失；对监督损失和正则化损失进行加权求和以得到整体损失，并根据所述整体损失，优化算法优化嵌入向量网络、多头自注意力图神经网络和多层感知机网络；
异常传感器推理计算单元，用于计算传感器预测值和观测值的差值的均值和方差，将差值做归一化处理得到偏差分数；为了消除测量噪声影响，当滑动平均后的偏差分数大于可调阈值时判定传感器出现异常；
故障库单元，根据业务知识和历史运维记录确定单个传感器或者传感器组合的异常对应的故障；确定故障的排故指南；根据输入的异常传感器检索触发的故障，输出故障和相应的排故指南；
故障排序模型训练和推理计算单元，在训练阶段用于将异常传感器值，故障的排故效果输入至排序神经网络，使用learning to rank的pairwise方法进行训练，并根据真实的故障情况使用交叉熵作为损失函数优化模型；在推理计算阶段，将异常传感器值和触发的故障输入至排序神经网络得到所触发的故障的概率顺序；
运维引导单元，取所述故障排序模型训练和推理计算单元输出的最靠前的N条故障对应的排故指南；运维人员根据排故指南进行操作并反馈操作效果。
第三方面，本发明提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明实施例所述的热电厂设备智能诊断和运维引导的方法。
第四方面，本发明实施例提供了一种电子设备，包括存储器，处理器及存储在存储器上并可在处理器运行的计算机程序，所述处理器执行所述计算机程序时实现如本发明实施例所述的热电厂设备智能诊断和运维引导的方法。
本发明所提供的技术方案，采用传感器嵌入向量学习传感器相互关系拓扑，基于此拓扑图采用多头自注意力图神经网络学习传感器状态特征，通过该状态特征和最近一个时间窗口内的传感器值预测传感器当前时刻的值，通过预测值和实际观测值的差异判定传感器是否异常；根据历史排故有效性反馈数据建立传感器异常触发故障的排序模型，输出最有可能的N条故障排故指南，从而实现快速准确定位故障并提供排故指南的目的。
附图说明
图1是本发明实施例1提供的热电厂设备智能故障诊断和运维引导方法的流程图；
图2为本发明实施例1提供的排序模型的示意图；
图3为本发明实施例2提供的热电厂设备智能故障诊断和运维引导装置的结构框图；
图4是本发明实施例3提供的一种电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各步骤描述成顺序的处理，但是其中的许多步骤可以被并行地、并发地或者同时实施。此外，各步骤的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
实施例1
图1是本发明实施例1提供的热电厂设备智能故障诊断和运维引导方法的流程图，本实施例可适用于对热电厂设备进行故障诊断和运维的场景，该方法可以由本发明实施例所提供的智能故障诊断和运维引导装置执行，该装置可以由软件和/或硬件的方式来实现，并可集成于电子设备中。
如图1所示，所述热电厂设备智能故障诊断和运维引导方法包括：
S110，读取热电设备上的传感器时间序列数据，将数据按照时间窗口分组，按照预设比例将数据划分为训练集和测试集；将训练集样本输入至由Embedding层和BatchNormalize层组成的嵌入向量网络得到每个传感器的嵌入向量，该嵌入向量反应了传感器的固有属性；接着计算传感器嵌入向量之间的归一化距离，距离小的传感器关系紧密，距离大的传感器关系疏远；计算距离的方式如下式所示：
其中eij是节点i和j之间的归一化距离；vi和vj分别是传感器i和j的嵌入向量；
是嵌入向量的转置；Ci是和传感器i相关联的传感器的候选集合，该集合根据先验知识确定或者是所有其他的传感器的集合；
在得到传感器嵌入向量的距离之后，采用如下方法计算反应传感器相互关系的邻接矩阵：
Aij＝1{j∈TopK({emi:m∈Ci})}
其中Aij是代表传感器相互关系的邻接矩阵；emi是节点i和m之间的归一化距离；Ci是和传感器i相关联的传感器的候选集合；TopK代表选取归一化距离最大的K个节点。
上述滑动时间的大小、嵌入向量的维度以及为每个传感器选取的邻居数目可以作为超参数根据实际场景数据进行调优。
S120，基于上述S110步骤得到的传感器嵌入向量和相互关系邻接矩阵，输入多头自注意力图神经网络，得到传感器的状态特征。多头自注意力神经网络采用如下方法提取传感器i在t时刻的状态特征
其中vi是传感器i的嵌入向量；Wm是待学习的第m个线性变换系数，
是t时刻时间窗口内的传感器i的数据；
代表连接运算；
是传感器i嵌入向量和传感器数据第m个线性变换的连接；am是第m个待学习的注意力机制的系数；LeakyReLU和ReLU是神经网络的激活函数；πm(i,j)是传感器i和j的第m个注意力机制的激活值；
是传感器i和j的第m个注意力头的系数。
S130，将上述S120步骤得到的传感器状态特征和最近一个时间窗口的传感器值，输入至由线性变换、Batch Normalize和ReLU层叠加而成的预测神经网络，计算得到传感器的预测值；在模型训练阶段，前述的嵌入向量网络、多头自注意力图神经网络和预测网络一同进行优化；采用预测网络输出的传感器预测值和实际值的均方误差和模型参数的模加权相加作为损失函数，损失函数公式如下：
其中，
是t时刻的传感器预测值；y(t)是t时刻的传感器实际值；ω是时间窗口的大小；λ是加权超参数，它反应了模型正则化损失的占比；θ是模型参数。
训练时采用Adam算法迭代优化模型参数，采用分段式学习率，初始学习率为0.01。
进一步的，在得到传感器的观测值和预测值后采用如下方法计算传感器i在t时刻的偏差分数
其中
是传感器i在t时刻的观测值，
是该传感器在t时刻的预测值。
和
分别是一段时间内
的均值和方差。
S140，根据S130步骤得到的传感器的偏差分数判断是否出现异常。为了避免传感器异常抖动造成的误报，在判断异常时，采用滑动平均的方法对
进行平滑处理得到
如果
大于预先设定的阈值则判断传感器i处于异常状态。
S150，收集热电厂日常运行过程中发生的故障信息，包括故障发生时传感器的数值，故障出现后采用的排故措施；使用这些信息构建故障库，根据业务知识和历史运维记录确定单个传感器或者传感器组合的异常对应的故障；确定故障的排故指南；根据输入的异常传感器检索触发的故障，输出故障和相应的排故指南；。
S160，根据S150步骤收集的传感器异常和对应的故障，以及排故指南的有效性历史数据，构建在传感器异常和对应的故障数据对作为俩俩比较的训练数据。将每对故障输入如图2所示的故障排序模型，其中模型输入为两组异常传感器和故障数据对，输入数据经过排序分数提取器计算得出故障的排序分数；将输入故障的排序分数相减，通过Sigmoid函数计算故障1比故障2排序靠前的概率；模型采用如下交叉熵损失函数进行模型参数的优化训练：
Loss＝∑Lossij
其中si、sj是网络输出的故障i和j的可能性评分；Pij是故障i比故障j更相关的概率；Sij是训练标签，取值为{+1,0,-1},分别代表故障i比故障j相关性高，相关性相等和相关性低；
是故障i比故障j更相关的概率的真实值；Lossij是单个样本的交叉熵损失函数；Loss是所有样本的损失函数。
本实施例中，在得到故障排序模型之后，可以根据当前的传感器异常得到触发的故障的排序。
S170，将S140步骤得到的异常传感器输入至S150步骤得到的故障库，得到触发的故障以及对应的排故指南；将触发的故障集输入S160步骤得到的故障排序模型，输出故障排序；输出前N条故障及其对应的排故指南；运维人员根据排故指南进行操作并反馈操作效果。
本发明实施例1所提供的技术方案，采用传感器嵌入向量学习传感器相互关系拓扑，基于此拓扑图采用多头自注意力图神经网络学习传感器状态特征，通过该状态特征和最近一个时间窗口内的传感器值预测传感器当前时刻的值，通过预测值和实际观测值的差异判定传感器是否异常；根据历史排故有效性反馈数据建立传感器异常触发故障的排序模型，输出最有可能的N条故障排故指南，从而实现快速准确定位故障并提供排故指南的目的。
实施例2
图3为本发明实施例2提供的热电厂设备智能故障诊断和运维引导装置的结构框图，该装置可执行本发明任意实施例所提供的热电厂设备智能故障诊断和运维引导的方法，具备执行方法相应的功能模块和有益效果。
该装置可以包括：
预处理单元310，用于读取传感器输入数据，将数据按时间窗口分组，按照预设比例将数据划分为训练集和测试集；
传感器预测模型训练和推理计算单元320，用于将所述训练集的样本输入至传感器嵌入向量网络，得到表达传感器特征的嵌入向量；计算每个传感器的嵌入向量和其他传感器嵌入向量之间的距离，为每个传感器选择距离最近的K个传感器作为直接邻居，这里的K是可调参数；从而得到传感器之间相互关系拓扑；根据传感器时间窗口内的数据以及传感器之间的相互关系拓扑，通过多头自注意力机制的图神经网络提取各个传感器的状态特征；根据得到的传感器状态特征和最近时间窗口内的传感器观测值，通过多层感知机神经网络预测各个传感器在当前时刻的值；在模型训练阶段将当前时刻观测值和预测值的平方差作为监督损失，将所有待学习参数的模大小作为正则化损失；对监督损失和正则化损失进行加权求和以得到整体损失，并根据所述整体损失，优化算法优化嵌入向量网络、多头自注意力图神经网络和多层感知机网络；
异常传感器推理计算单元330，用于计算传感器预测值和观测值的差值的均值和方差，将差值做归一化处理得到偏差分数；为了消除测量噪声影响，当滑动平均后的偏差分数大于可调阈值时判定传感器出现异常；
故障库单元340，根据业务知识和历史运维记录确定单个传感器或者传感器组合的异常对应的故障；确定故障的排故指南；根据输入的异常传感器检索触发的故障，输出故障和相应的排故指南；
故障排序模型训练和推理计算单元350，在训练阶段用于将异常传感器值，故障的排故效果输入至排序神经网络，使用learning to rank的pairwise方法进行训练，并根据真实的故障情况使用交叉熵作为损失函数优化模型；在推理计算阶段，将异常传感器值和触发的故障输入至排序神经网络得到所触发的故障的概率顺序；
运维引导单元360，取所述故障排序模型训练和推理计算单元输出的最靠前的N条故障对应的排故指南；运维人员根据排故指南进行操作并反馈操作效果。
所述装置可执行本发明实施例1所提供的热电厂设备智能故障诊断和运维引导的方法，具备执行方法相应的功能模块和有益效果。
实施例3
本发明实施例3提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明所有发明实施例提供的热电厂设备智能故障诊断和运维引导的方法：
读取设备上传感器时间序列数据，将数据按时间窗口分组，按照预设比例将数据划分为训练集和测试集；
将所述训练集的样本输入至传感器嵌入向量网络，得到表达传感器特征的嵌入向量；
计算每个传感器的嵌入向量和其他传感器嵌入向量之间的距离，为每个传感器选择距离最近的K个传感器作为直接邻居，这里的K是可调参数；从而得到传感器之间相互关系拓扑；
根据传感器时间窗口内的数据以及传感器之间的相互关系拓扑，通过多头自注意力机制的图神经网络提取各个传感器的状态特征；
根据得到的传感器状态特征和最近时间窗口内的传感器观测值，通过多层感知机神经网络预测各个传感器在当前时刻的值；
将当前时刻观测值和预测值的平方差作为监督损失，将所有待学习参数的模大小作为正则化损失；对监督损失和正则化损失进行加权求和以得到整体损失，并根据所述整体损失，优化算法优化嵌入向量网络、多头自注意力图神经网络和多层感知机网络；
计算传感器预测值和观测值的差值的均值和方差，将差值做归一化处理得到偏差分数；为了消除测量噪声影响，当滑动平均后的偏差分数大于可调阈值时判定传感器出现异常；
根据业务知识和历史运维记录建立故障运维库：确定单个传感器或者传感器组合的异常对应的故障；确定故障的排故指南；
在日常工作中根据实际情况记录排故指南的有效性；根据排故指南有效性数据，通过排序神经网络建模传感器异常所触发的不同故障的可能性大小；
针对异常的传感器，在故障运维库中匹配触发的一个或多个故障；通过排序神经网络将触发故障的按可能性排序，输出最靠前的N条故障对应的排故指南；
运维人员根据排故指南进行操作并反馈操作效果。
可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是—但不限于—电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括—但不限于—电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括—但不限于—无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
实施例4
本发明实施例4提供了一种电子设备。图4是本发明实施例4提供的一种电子设备的结构示意图。如图4所示，本实施例提供了一种电子设备，其包括：一个或多个处理器410；存储装置420，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器410执行，使得所述一个或多个处理器410实现本发明实施例1所提供的热电厂设备智能故障诊断和运维引导的方法，该方法包括：
读取设备上传感器时间序列数据，将数据按时间窗口分组，按照预设比例将数据划分为训练集和测试集；
将所述训练集的样本输入至传感器嵌入向量网络，得到表达传感器特征的嵌入向量；
计算每个传感器的嵌入向量和其他传感器嵌入向量之间的距离，为每个传感器选择距离最近的K个传感器作为直接邻居，这里的K是可调参数；从而得到传感器之间相互关系拓扑；
根据传感器时间窗口内的数据以及传感器之间的相互关系拓扑，通过多头自注意力机制的图神经网络提取各个传感器的状态特征；
根据得到的传感器状态特征和最近时间窗口内的传感器观测值，通过多层感知机神经网络预测各个传感器在当前时刻的值；
将当前时刻观测值和预测值的平方差作为监督损失，将所有待学习参数的模大小作为正则化损失；对监督损失和正则化损失进行加权求和以得到整体损失，并根据所述整体损失，优化算法优化嵌入向量网络、多头自注意力图神经网络和多层感知机网络；
计算传感器预测值和观测值的差值的均值和方差，将差值做归一化处理得到偏差分数；为了消除测量噪声影响，当滑动平均后的偏差分数大于可调阈值时判定传感器出现异常；
根据业务知识和历史运维记录建立故障运维库：确定单个传感器或者传感器组合的异常对应的故障；确定故障的排故指南；
在日常工作中根据实际情况记录排故指南的有效性；根据排故指南有效性数据，通过排序神经网络建模传感器异常所触发的不同故障的可能性大小；
针对异常的传感器，在故障运维库中匹配触发的一个或多个故障；通过排序神经网络将触发故障的按可能性排序，输出最靠前的N条故障对应的排故指南；
运维人员根据排故指南进行操作并反馈操作效果。
当然，本领域技术人员可以理解，处理器410还实现本发明任意实施例所提供的热电厂设备智能故障诊断和运维引导方法的技术方案。
图4显示的电子设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图4所示，该电子设备包括处理器410、程序和数据存储装置420、数据输入装置430和数据输出装置440；电子设备中处理器410的数量可以是一个或多个，图4中以一个处理器410为例；电子设备中的处理器410、程序和数据存储装置420、数据输入装置430和数据输出装置440可以通过总线或其他方式连接，图4中以通过数据总线450连接为例。
程序和数据存储装置420作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块单元，如本发明实施例1中的热电厂设备智能故障诊断和运维引导方法对应的程序指令。
程序和数据存储装置420可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此外，程序和数据存储装置420可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，程序和数据存储装置420可进一步包括相对于处理器410远程设置的存储器，这些远程存储器可以通过网络连接。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
数据输入装置430可用于接收输入的数字、字符信息或语音信息，以及产生与电子设备的用户设置以及功能控制有关的键信号输入。数据输出装置440可包括显示屏、扬声器等电子设备。
本发明实施例提供的电子设备，可以充分利用海量传感器数据，通过对传感器嵌入网络向量，传感器状态特征提取网络和故障排序模型的模型训练以及传感器偏差分数的计算，以得到一个智能故障诊断和运维引导的方法，完成快速并准确的定位故障并提供解决方案的任务。
上述实施例中提供的热电厂设备智能故障诊断和运维引导装置、介质及设备可执行本发明任意实施例所提供的热电厂设备智能故障诊断和运维引导的方法，具备执行该方法相应的功能模块和有益效果。未在上述实施例中详尽描述的技术细节，可参见本发明任意实施例所提供的热电厂设备智能故障诊断和运维引导的方法。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (8)
1.一种热电厂设备智能故障诊断和运维引导的方法，其特征在于，包括：
读取设备上传感器时间序列数据，将数据按时间窗口分组，按照预设比例将数据划分为训练集和测试集；
将所述训练集的样本输入至传感器嵌入向量网络，得到表达传感器特征的嵌入向量；
计算每个传感器的嵌入向量和其他传感器嵌入向量之间的距离，为每个传感器选择距离最近的K个传感器作为直接邻居，这里的K是可调参数；从而得到传感器之间相互关系拓扑；
根据传感器时间窗口内的数据以及传感器之间的相互关系拓扑，通过多头自注意力机制的图神经网络提取各个传感器的状态特征；
根据得到的传感器状态特征和最近时间窗口内的传感器观测值，通过多层感知机神经网络预测各个传感器在当前时刻的值；
将当前时刻观测值和预测值的平方差作为监督损失，将所有待学习参数的模大小作为正则化损失；对监督损失和正则化损失进行加权求和以得到整体损失，并根据所述整体损失，优化算法优化嵌入向量网络、多头自注意力图神经网络和多层感知机网络；
计算传感器预测值和观测值的差值的均值和方差，将差值做归一化处理得到偏差分数；为了消除测量噪声影响，当滑动平均后的偏差分数大于可调阈值时判定传感器出现异常；
根据业务知识和历史运维记录建立故障运维库：确定单个传感器或者传感器组合的异常对应的故障；确定故障的排故指南；
在日常工作中根据实际情况记录排故指南的有效性；根据排故指南有效性数据，通过排序神经网络建模传感器异常所触发的不同故障的可能性大小；
针对异常的传感器，在故障运维库中匹配触发的一个或多个故障；通过排序神经网络将触发故障的按可能性排序，输出最靠前的N条故障对应的排故指南；
运维人员根据排故指南进行操作并反馈操作效果。
2.根据权利要求1所述的方法，其特征在于，所述传感器之间相互关系拓扑，具体为：
Aij＝1{j∈TopK({emi：m∈Ci})}
其中eij是节点i和j之间的归一化距离；vi和vj分别是传感器i和j的嵌入向量；
是嵌入向量的转置；Ci是和传感器i相关联的传感器的候选集合，该候选集合根据先验知识确定或者是所有其他的传感器的集合；Aij是代表传感器相互关系的邻接矩阵；emi是节点i和m之间的归一化距离；TopK代表选取归一化距离最大的K个节点。
3.根据权利要求1所述的方法，其特征在于，所述通过多头自注意力机制的图神经网络提取各个传感器的状态特征，具体为；提取传感器i在t时刻的状态特征
其中vi是传感器i的嵌入向量；Wm是待学习的第m个线性变换系数，
是t时刻时间窗口内的传感器i的数据；
代表连接运算；
是传感器i嵌入向量和传感器数据第m个线性变换的连接；am是第m个待学习的注意力机制的系数；LeakyReLU和ReLU是神经网络的激活函数；πm(i，j)是传感器i和j的第m个注意力机制的激活值；
是传感器i和j的第m个注意力头的系数。
4.根据权利要求1所述的方法，其特征在于，所述计算传感器预测值和观测值的差值的均值和方差，将差值做归一化处理得到偏差分数；为了消除测量噪声影响，当滑动平均后的偏差分数大于可调阈值时判定传感器出现异常，具体为：
在得到传感器的观测值和预测值后采用如下方法计算传感器i在t时刻的偏差分数
其中
是传感器i在t时刻的观测值，
是传感器i在t时刻的预测值；
和
分别是一段时间内
的均值和方差；
为了避免传感器异常抖动造成的误报，在判断异常时，采用moving average方法对
进行平滑处理得到
如果
大于阈值则判断传感器i处于异常状态。
5.根据权利要求1所述的方法，其特征在于，所述根据排故指南有效性数据，通过排序神经网络建模传感器异常所触发的不同故障的可能性大小，具体为：
排故指南有效性数据包括诊断的故障和针对该故障的排故指南是否有效；训练排序神经网络时输入异常传感器的观测值，诊断的故障和故障排故指南是否有效，使用learningto rank的pairwise方法进行训练，以如下交叉熵作为损失函数来优化神经网络：
Loss＝∑Lossij
其中si、sj是网络输出的故障i和j的可能性评分；Pij是故障i比故障j更相关的概率；Sij是训练标签，取值为{+1，0，-1}，分别代表故障i比故障j相关性高，相关性相等和相关性低；
是故障i比故障j更相关的概率的真实值；Lossij是单个样本的交叉熵损失函数；Loss是所有样本的损失函数。
6.一种热电厂设备智能故障诊断和运维引导的装置，其特征在于，包括：
预处理单元，用于读取传感器输入数据，将数据按时间窗口分组，按照预设比例将数据划分为训练集和测试集；
传感器预测模型训练和推理计算单元，用于将所述训练集的样本输入至传感器嵌入向量网络，得到表达传感器特征的嵌入向量；计算每个传感器的嵌入向量和其他传感器嵌入向量之间的距离，为每个传感器选择距离最近的K个传感器作为直接邻居，这里的K是可调参数；从而得到传感器之间相互关系拓扑；根据传感器时间窗口内的数据以及传感器之间的相互关系拓扑，通过多头自注意力机制的图神经网络提取各个传感器的状态特征；根据得到的传感器状态特征和最近时间窗口内的传感器观测值，通过多层感知机神经网络预测各个传感器在当前时刻的值；在模型训练阶段将当前时刻观测值和预测值的平方差作为监督损失，将所有待学习参数的模大小作为正则化损失；对监督损失和正则化损失进行加权求和以得到整体损失，并根据所述整体损失，优化算法优化嵌入向量网络、多头自注意力图神经网络和多层感知机网络；
异常传感器推理计算单元，用于计算传感器预测值和观测值的差值的均值和方差，将差值做归一化处理得到偏差分数；为了消除测量噪声影响，当滑动平均后的偏差分数大于可调阈值时判定传感器出现异常；
故障库单元，根据业务知识和历史运维记录确定单个传感器或者传感器组合的异常对应的故障；确定故障的排故指南；根据输入的异常传感器检索触发的故障，输出故障和相应的排故指南；
故障排序模型训练和推理计算单元，在训练阶段用于将异常传感器值，故障的排故效果输入至排序神经网络，使用learning to rank的pairwise方法进行训练，并根据真实的故障情况使用交叉熵作为损失函数优化模型；在推理计算阶段，将异常传感器值和触发的故障输入至排序神经网络得到所触发的故障的概率顺序；
运维引导单元，取所述故障排序模型训练和推理计算单元输出的最靠前的N条故障对应的排故指南；运维人员根据排故指南进行操作并反馈操作效果。
7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-5中任一项所述的热电厂设备智能诊断和运维引导的方法。
8.一种电子设备，包括存储器，处理器及存储在存储器上并可在处理器运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-5中任一项所述的热电厂设备智能诊断和运维引导的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111272382.XA CN114169545A (zh) | 2021-10-29 | 2021-10-29 | 一种热电厂设备智能故障诊断和运维引导的方法、装置、介质及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111272382.XA CN114169545A (zh) | 2021-10-29 | 2021-10-29 | 一种热电厂设备智能故障诊断和运维引导的方法、装置、介质及设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114169545A true CN114169545A (zh) | 2022-03-11 |
Family
ID=80477511
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111272382.XA Pending CN114169545A (zh) | 2021-10-29 | 2021-10-29 | 一种热电厂设备智能故障诊断和运维引导的方法、装置、介质及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114169545A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114915546A (zh) * | 2022-06-20 | 2022-08-16 | 广东电网有限责任公司 | 一种停电用户定位方法、装置、设备、介质 |
| CN115222164A (zh) * | 2022-09-20 | 2022-10-21 | 国能大渡河大数据服务有限公司 | 一种基于经验耦合函数的水泵故障预测方法及系统 |
| CN115587673A (zh) * | 2022-11-10 | 2023-01-10 | 武汉格蓝若智能技术股份有限公司 | 一种电压互感器误差状态预测方法及系统 |
| CN116204846A (zh) * | 2023-05-06 | 2023-06-02 | 云南星晟电力技术有限公司 | 一种基于可见图的配电网传感器数据异常快速定位方法 |
| CN116702030A (zh) * | 2023-05-31 | 2023-09-05 | 浙江大学 | 一种基于传感器可靠性分析的高炉状态监测方法及装置 |
| CN116976650A (zh) * | 2023-09-21 | 2023-10-31 | 常州易管智能科技有限公司 | 一种基于大数据的电网精益化管理调控方法 |
| CN117057772A (zh) * | 2023-06-30 | 2023-11-14 | 东风设备制造有限公司 | 一种设备故障检测维修实时跟踪展示方法及系统 |
| CN117074628A (zh) * | 2023-10-17 | 2023-11-17 | 山东鑫建检测技术有限公司 | 一种多传感器空气质量检测设备故障定位方法 |
-
2021
- 2021-10-29 CN CN202111272382.XA patent/CN114169545A/zh active Pending
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114915546A (zh) * | 2022-06-20 | 2022-08-16 | 广东电网有限责任公司 | 一种停电用户定位方法、装置、设备、介质 |
| CN114915546B (zh) * | 2022-06-20 | 2023-05-30 | 广东电网有限责任公司 | 一种停电用户定位方法、装置、设备、介质 |
| CN115222164A (zh) * | 2022-09-20 | 2022-10-21 | 国能大渡河大数据服务有限公司 | 一种基于经验耦合函数的水泵故障预测方法及系统 |
| CN115587673A (zh) * | 2022-11-10 | 2023-01-10 | 武汉格蓝若智能技术股份有限公司 | 一种电压互感器误差状态预测方法及系统 |
| CN116204846A (zh) * | 2023-05-06 | 2023-06-02 | 云南星晟电力技术有限公司 | 一种基于可见图的配电网传感器数据异常快速定位方法 |
| CN116204846B (zh) * | 2023-05-06 | 2023-08-01 | 云南星晟电力技术有限公司 | 一种基于可见图的配电网传感器数据异常快速定位方法 |
| CN116702030A (zh) * | 2023-05-31 | 2023-09-05 | 浙江大学 | 一种基于传感器可靠性分析的高炉状态监测方法及装置 |
| CN116702030B (zh) * | 2023-05-31 | 2024-01-23 | 浙江大学 | 一种基于传感器可靠性分析的高炉状态监测方法及装置 |
| CN117057772A (zh) * | 2023-06-30 | 2023-11-14 | 东风设备制造有限公司 | 一种设备故障检测维修实时跟踪展示方法及系统 |
| CN116976650A (zh) * | 2023-09-21 | 2023-10-31 | 常州易管智能科技有限公司 | 一种基于大数据的电网精益化管理调控方法 |
| CN116976650B (zh) * | 2023-09-21 | 2023-12-12 | 常州易管智能科技有限公司 | 一种基于大数据的电网精益化管理调控方法 |
| CN117074628A (zh) * | 2023-10-17 | 2023-11-17 | 山东鑫建检测技术有限公司 | 一种多传感器空气质量检测设备故障定位方法 |
| CN117074628B (zh) * | 2023-10-17 | 2024-01-09 | 山东鑫建检测技术有限公司 | 一种多传感器空气质量检测设备故障定位方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114169545A (zh) | 一种热电厂设备智能故障诊断和运维引导的方法、装置、介质及设备 | |
| US11087226B2 (en) | Identifying multiple causal anomalies in power plant systems by modeling local propagations | |
| CN111914873A (zh) | 一种两阶段云服务器无监督异常预测方法 | |
| JP2022500745A (ja) | 異常検出および／または予知保全のためのコンピュータ実装方法、コンピュータプログラム製品およびシステム | |
| Liu et al. | An unsupervised spatiotemporal graphical modeling approach to anomaly detection in distributed cps | |
| WO2021257128A2 (en) | Quantum computing based deep learning for detection, diagnosis and other applications | |
| CN115185736B (zh) | 基于图卷积神经网络的微服务调用链异常检测方法及装置 | |
| CN116757534A (zh) | 一种基于神经训练网络的智能冰箱可靠性分析方法 | |
| CN111126820A (zh) | 反窃电方法及系统 | |
| CN116361059B (zh) | 一种银行业务异常根因诊断方法及诊断系统 | |
| CN115237717A (zh) | 一种微服务异常检测方法和系统 | |
| CN116823227A (zh) | 一种基于物联网的智能设备管理系统及方法 | |
| CN117741514B (zh) | 一种船用线缆的状态检测方法及系统 | |
| CN116457802A (zh) | 利用未被标记的传感器数据对工业系统中的罕见故障的自动实时检测、预测和阻止 | |
| Bai et al. | Data-driven approaches: Use of digitized operational data in process safety | |
| Lithoxoidou et al. | Malfunction diagnosis in industrial process systems using data mining for knowledge discovery | |
| Kumari et al. | Remaining useful life prediction using hybrid neural network and genetic algorithm approaches | |
| Najar et al. | Comparative Machine Learning Study for Estimating Peak Cladding Temperature in AP1000 Under LOFW | |
| Soni et al. | Predictive maintenance of gas turbine using prognosis approach | |
| Aftabi et al. | A variational autoencoder framework for robust, physics-informed cyberattack recognition in industrial cyber-physical systems | |
| He et al. | A deep neural network for anomaly detection and forecasting for multivariate time series in smart city | |
| Yan et al. | Nonlinear quality-relevant process monitoring based on maximizing correlation neural network | |
| CN115617011A (zh) | 基于自回归图对抗神经网络的工业设备状态检测方法 | |
| CN117195126A (zh) | 一种集装箱码头岸桥起重机的远程故障诊断系统 | |
| Meng et al. | Computer Network Security Evaluation Method Based on GABP Model |
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 |