CN114528914B - 一种人在回路的冷水主机状态监测方法、终端及存储介质 - Google Patents

一种人在回路的冷水主机状态监测方法、终端及存储介质 Download PDF

Info

Publication number
CN114528914B
CN114528914B CN202210024301.2A CN202210024301A CN114528914B CN 114528914 B CN114528914 B CN 114528914B CN 202210024301 A CN202210024301 A CN 202210024301A CN 114528914 B CN114528914 B CN 114528914B
Authority
CN
China
Prior art keywords
monitoring
data
abnormal
information
data set
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
Application number
CN202210024301.2A
Other languages
English (en)
Other versions
CN114528914A (zh
Inventor
唐鹏
陈志文
骆伟超
郭荣杰
邓撬
赵正润
桂卫华
蒋朝辉
阳春华
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.)
Peng Cheng Laboratory
Original Assignee
Peng Cheng Laboratory
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 Peng Cheng Laboratory filed Critical Peng Cheng Laboratory
Priority to CN202210024301.2A priority Critical patent/CN114528914B/zh
Publication of CN114528914A publication Critical patent/CN114528914A/zh
Application granted granted Critical
Publication of CN114528914B publication Critical patent/CN114528914B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F25—REFRIGERATION OR COOLING; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS; MANUFACTURE OR STORAGE OF ICE; LIQUEFACTION SOLIDIFICATION OF GASES
    • F25D—REFRIGERATORS; COLD ROOMS; ICE-BOXES; COOLING OR FREEZING APPARATUS NOT OTHERWISE PROVIDED FOR
    • F25D29/00—Arrangement or mounting of control or safety devices
    • F25D29/005—Mounting of control devices
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/903—Querying
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/903—Querying
    • G06F16/9038—Presentation of query results
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition
    • 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
    • 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Biology (AREA)
  • Business, Economics & Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Mechanical Engineering (AREA)
  • Thermal Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Chemical & Material Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明公开了一种人在回路的冷水主机状态监测方法、终端及存储介质，方法包括：采用即时学习策略从检索数据集中寻找训练数据进行局部模型训练，并根据监测统计量和控制限对在线监测数据进行异常检测；提取异常信息数据库信息，以人机交互的形式提供监测与诊断信息，并根据目标对象的操作指令和异常检测结果在人机交互界面中标定及显示异常信息；根据标定的异常信息确定正常运行数据，将正常运行数据更新到检索数据集中，并根据核密度值对更新后的检索数据集进行迭代，得到迭代后的检索数据集；根据异常信息和迭代后的检索数据集输出监测结果。本发明通过矫正冷水主机的状态监测结果，解决了由于设备工况变化导致的状态监测性能下降的问题。

Description

一种人在回路的冷水主机状态监测方法、终端及存储介质
技术领域
本发明涉及冷水主机技术领域，尤其涉及的是一种人在回路的冷水主机 状态监测方法、终端及存储介质。
背景技术
冷水主机是通过冷水机制将水冷却，提供恒温、恒流、恒压的冷却水设 备。冷水机广泛应用在塑料、电子、机械、食品、医药等行业，以及大型建 筑的中央空调系统中。冷水主机是公共建筑、工业生产中的主要耗能设备。 在公共建筑中，冷水主机作为中央空调的核心设备，其耗电量占建筑能耗的 30％以上。冷水主机一般包括蒸发器、冷凝器、压缩机、膨胀阀四个部分构成， 通过制冷剂循环系统、水循环系统、自控系统交互实现制冷供冷，是一个典 型的机电液耦合的系统。由于设备运行过程中面临零部件磨损、换热管结垢、 制冷剂泄露、操作失误等问题，导致设备带病运行，增加系统运行能耗，甚 至可能加剧设备损坏，引发设备故障。因此，采用先进的设备状态监测方法， 及时发现设备异常，及时维修，对保障系统安全稳定高效运行，降低设备运 行能耗，实现高端装备节能减排具有重要意义。
冷水主机的状态监测与故障诊断技术的研究起于20世纪90年代。早期的 故障诊断方法主要时基于知识或者基于机理的，包括图论方法、专家系统、 定性仿真等，该类方法依赖于系统运行机理、故障特性及故障行为与成因之 间的因果关系等先验信息的分析。近些年，数据驱动的冷水主机状态监测与 故障诊断研究方法逐渐增多，主要采用信号处理、机器学习和多元统计分析 等数据处理和分析方法，通过分析无故障数据或者故障数据的统计分布规律 来进行状态检测与故障诊断，该类方法需要获取覆盖全部工况的运行数据。
通过对已有的状态监测分析，可知现有方法主要根据已有的历史数据或 者既定的专家经验进行状态监测。实际运行过程中，由于设备运行工况变化、 设备性能退化等原因，设备运行工作点会偏离期望的运行区间，采用传统状 态监测方法会出现故障误报增大的情况。
因此，现有技术还有待改进。
发明内容
本发明要解决的技术问题在于，针对现有技术缺陷，本发明提供一种人 在回路的冷水主机状态监测方法、终端及存储介质，以及时跟踪设备性能变 化，提升设备状态监测能力。
本发明解决技术问题所采用的技术方案如下：
第一方面，本发明提供一种人在回路的冷水主机状态监测方法，所述人 在回路的冷水主机状态监测方法包括以下步骤：
采用即时学习策略从检索数据集中寻找训练数据进行局部模型训练，确 定训练模型的监测统计量和控制限，并根据所述监测统计量和所述控制限对 在线监测数据进行异常检测；
提取异常信息数据库信息，以人机交互的形式提供监测与诊断信息，并 根据目标对象的操作指令和异常检测结果在人机交互界面中标定及显示异常 信息；其中，所述异常信息包括：监测为异常状态的测量变量曲线、监测统 计量曲线、重构贡献分析结果以及专家系统的预诊断结果；
根据标定的异常信息确定正常运行数据，将所述正常运行数据更新到所 述检索数据集中，并根据核密度值对更新后的检索数据集进行迭代，得到迭 代后的检索数据集；
根据所述异常信息和所述迭代后的检索数据集输出监测结果。
在一种实现方式中，所述采用即时学习策略从检索数据集中寻找训练数 据进行局部模型训练，确定训练模型的监测统计量和控制限，并根据所述监 测统计量和所述控制限对在线监测数据进行异常检测，包括：
采用所述即时学习策略从所述检索数据集中寻找所述在线监测数据的近 邻数据集，并根据所述近邻数据集建立及训练局部模型；
确定所述局部模型的监测统计量的控制限；
计算所述在线监测数据的监测统计量，并判断所述在线监测数据的监测 统计量是否超出所述控制限；
若为是，则判定所述线监测数据为异常数据。
在一种实现方式中，所述采用所述即时学习策略从所述检索数据集中寻 找所述在线监测数据的近邻数据集，并根据所述近邻数据集建立及训练局部 模型，包括：
采用欧氏距离搜索所述在线监测数据一定范围内的检索数据集中的聚类 中心；
以所属类别的样本数据作为训练数据，并通过典型关联分析获取线性变 化后的输入数据与输出数据之间的残差信号；
根据所述残差信号建立及训练所述局部模型。
在一种实现方式中，所述通过典型关联分析获取线性变化后的输入数据 与输出数据之间的残差信号，包括：
对所述样本数据进行标准化操作，得到标准化的输入数据和输出数据；
根据标准化的输入数据和输出数据得到对应的方差和协方差矩阵；
对所述方差和协方差矩阵进行奇异值分解，并根据奇异值分解后的矩阵 得到所述输入数据与所述输出数据之间的残差信号。
在一种实现方式中，所述判定线监测数据为异常数据，之后包括：
对不同变量方向的故障幅度进行估计，确定不同变量对统计量的贡献程 度，并根据所述贡献程度确定可能发生异常的变量；
将所述异常数据和所述可能发生异常的变量存储至异常信息数据库中。
在一种实现方式中，所述判定线监测数据为异常数据，之后还包括：
通过对异常机理机型进行分析，确定故障与征兆之间的关系，并根据专 家知识库及专家规则确定异常类型；
将所述异常数据和所述异常类型存储至异常信息数据库中。
在一种实现方式中，所述提取异常信息数据库信息，以人机交互的形式 提供监测与诊断信息，并根据目标对象的操作指令和异常检测结果在人机交 互界面中标定及显示异常信息，包括：
提取所述异常信息数据库信息，并以人机交互的形式提供所述监测与诊 断信息；
根据所述异常信息数据库信息对预诊断的结果进行标定，去除所述异常 信息数据库信息的误诊断结果，并显示实际的设备异常维护信息；
根据所述目标对象输入的操作指令从异常数据库中读取并显示对应时间 段的测量变量曲线、监测统计量曲线、重构贡献分析结果以及专家系统的预 诊断结果。
在一种实现方式中，所述提取异常信息数据库信息，并以人机交互的形 式提供所述监测与诊断信息，之后包括：
获取所述目标对象输入的异常类型、异常原因以及维修日志；
根据所述异常类型、所述异常原因以及所述维修日志更新所述异常信息 数据库信息。
在一种实现方式中，所述根据标定的异常信息确定正常运行数据，将所 述正常运行数据更新到所述检索数据集中，包括：
根据所述标定的异常信息确定所述异常信息数据库录入的未检测的异常 信息；
根据所述异常信息数据库录入的未检测的异常信息，去除所述检索数据 集中未检测的异常数据；
将去除异常数据后的最新正常运行数据插入至所述检索数据集中。
在一种实现方式中，所述根据核密度值对更新后的检索数据集进行迭代， 得到迭代后的检索数据集，包括：
对更新后的检索数据集计算新增样本的核密度值，并确定超出设定阈值 的样本；
根据所述核密度值从超出设定阈值的样本中抽取n个样本，并再次进行 核密度估计，经过反复迭代直至不存在超出阈值的样本。
在一种实现方式中，所述根据核密度值对更新后的检索数据集进行迭代， 得到迭代后的检索数据集，之后还包括：
通过K均值聚类的聚类中心代替样本点进行检索，并在所述检索数据集 中添加聚类中心信息和每个样本的归属信息。
第二方面，本发明提供一种终端，包括：处理器以及存储器，所述存储 器存储有人在回路的冷水主机状态监测程序，所述人在回路的冷水主机状态 监测程序被所述处理器执行时用于实现如第一方面所述的人在回路的冷水主 机状态监测方法。
第三方面，本发明提供一种存储介质，所述存储介质为计算机可读存储 介质，所述计算机可读存储介质存储有人在回路的冷水主机状态监测程序， 所述人在回路的冷水主机状态监测程序被处理器执行时用于实现如第一方面 所述的人在回路的冷水主机状态监测方法。
本发明采用上述技术方案具有以下效果：
本发明采用了人在回路的概念，根据运维人员的实际标定信息来矫正设 备状态监测方法的监测结果；采用自学习的即时学习策略，可以动态地覆盖 所有出现的运行工况，提升设备状态监测对设备工况变化的适用性。通过人 在回路和即时学习的方式，有效减少由于运行工况变化导致的故障误报、漏 报情况。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实 施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面 描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲， 在不付出创造性劳动的前提下，还可以根据这些附图示出的结构获得其他的 附图。
图1是本发明的一种实现方式中人在回路的冷水主机状态监测方法的流 程图。
图2是本发明的一种实现方式中人在回路的冷水主机状态监测的框架示 意图。
图3是本发明的一种实现方式中冷水主机实际监测流程图。
图4是本发明的一种实现方式中专家系统的功能模块示意图。
图5是本发明的一种实现方式中冷水主机设备异常分析软件人机交互界 面示意图。
图6是本发明的一种实现方式中冷水主机即时学习检索数据集更新流程 图。
图7是本发明的一种实现方式中终端的功能原理图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步 说明。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚、明确，以下参照附图并 举实施例对本发明进一步详细说明。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。
示例性方法
如图1所示，本发明实施例提供一种人在回路的冷水主机状态监测方法， 人在回路的冷水主机状态监测方法包括以下步骤：
步骤S100，采用即时学习策略从检索数据集中寻找训练数据进行局部模 型训练，确定训练模型的监测统计量和控制限，并根据所述监测统计量和所 述控制限对在线监测数据进行异常检测。
在本实施例中，所述人在回路的冷水主机状态监测方法应用于终端中， 所述终端包括但不限于：计算机等人在回路自适应状态监测设备。
在本实施例中，提供了一种人在回路的冷水主机状态监测方法，主要基 于人在回路的冷水主机进行自适应状态检测，人在回路是指人机闭环系统或 者人机互助系统，包括：基于即时学习策略的设备状态自适应监测、人机交 互的异常标定以及即时学习的检索数据集更新三个部分。
如图2所示，基于即时学习策略的设备状态自适应监测、人机交互的异常 标定以及即时学习的检索数据集更新三个部分，形成一个回路；即实时数据 (设备运行的实时数据)经过基于即时学习策略的设备状态自适应监测部分， 监测得到异常数据；异常数据经过人机交互的异常标定部分，得到标定信息； 标定信息经过即时学习的检索数据集更新部分，得到更新的检索数据集；更 新的检索数据集再反馈给基于即时学习策略的设备状态自适应监测部分，进 行即时学习。
在本实施例中，基于即时学习的设备状态自适应监测是采用即时学习方 法，从检索数据集中寻找与实时数据相近的数据(即与实时数据时间接近的 设备运行数据)，以此作为训练数据进行局部模型训练，然后设定相应的监 测统计量和控制限，能够自适应设备运行工况，对当前的实时数据进行异常 监测。一旦检测出有设备异常，就可以采用异常诊断方法分析设备状态异常 的结果，并存储到异常信息数据库中。
在本实施例中，基于即时学习的设备状态监测包括：异常检测和异常诊 断两部分。
进一步地，异常检测部分是针对冷水主机的变工况特性，采用即时学习 策略，在检索数据集中搜索在线监测数据(即实时数据)的近邻数据集；其 中，检索数据集为包含冷水主机在一定时间段内(例如，24h)正常运行的数 据集合；近邻数据集为与当前设备近邻的设备的运行数据集；通过搜索在线 监测数据的近邻数据集，可利用搜索的近邻数据集，并采用典型关联分析 (CCA)建立局部线性模型。
在建立局部线性模型后，通过确定局部模型的监测统计量对应控制限， 以及计算在线监测数据的监测统计量，即可判断计算得到的监测统计量是否 超出控制限，进而确定监测数据是否出现异常；其中，控制限为在线监测数 据的监测统计量的阈值；监测统计量为根据在线监测数据统计得到的数据， 例如，压缩机运行转速，冷媒流量等。
可以理解的是，本实施例中可以通过近邻数据集进行学习，从而得到适 应于线监测数据的控制限，以该控制限为标准，对线监测数据的监测统计量 进行衡量，以此确定线监测数据是否为异常数据。
即在本实施例的一种实现方式中，步骤S100包括以下步骤：
步骤S101，采用所述即时学习策略从所述检索数据集中寻找所述在线监 测数据的近邻数据集，并根据所述近邻数据集建立及训练局部模型。
步骤S102，确定所述局部模型的监测统计量的控制限；
步骤S103，计算所述在线监测数据的监测统计量，并判断所述在线监测 数据的监测统计量是否超出所述控制限；
步骤S104，若为是，则判定所述线监测数据为异常数据。
进一步地，在本实施例的一种实现方式中，在寻找近邻数据集时，以即 时学习策略为基础，采用欧式距离搜索在实时样本点(即被测设备点)一定 范围内的检索数据集中聚类中心，然后，以所属类别的样本数据作为训练数 据。
在搜索样本数据的过程中，若训练数据的数量低于设定值，则搜索新的 聚类中心，即搜索新的在实时样本点一定范围内的检索数据集中聚类中心， 直到训练数据数量超出设定值。
所采用的典型关联分析方法是通过考虑输入数据和输出数据之间的典型 相关性，来获取线性变化后的输入数据和输出数据之间的残差信号，并利用 残差信号构建局部模型T2，以通过构建局部模型T2的统计量，对线监测数据 进行状态监测。
即在本实施例的一种实现方式中，步骤S101包括以下步骤：
步骤S101a，采用欧氏距离搜索所述在线监测数据一定范围内的检索数据 集中的聚类中心；
步骤S101b，以所属类别的样本数据作为训练数据，并通过典型关联分析 获取线性变化后的输入数据与输出数据之间的残差信号；
步骤S101c，根据所述残差信号建立及训练所述局部模型。
进一步地，在本实施例的一种实现方式中，在采集到样本数据后，需要 对给定的N个样本进行标准化操作(即对样本数据进行标准化)，对给定的N 个样本，标准化之后的输入数据和输出数据分别表示为：
以上公式中，u(i)和y(i)分别表示一个监测样本的输入数据和输出数据， 其中，输入数据的维数为l，输出数据的维数为m。
根据标准化后的输入数据和输出数据，可以得到对应的方差和协方差矩 阵，U和Y的方差和协方差矩阵表示为：
对给定的矩阵γ进行奇异值分解：
根据奇异值分解的矩阵可以得到两个残差信号：
即在本实施例的一种实现方式中，步骤S101b包括以下步骤：
步骤S101b1，对所述样本数据进行标准化操作，得到标准化的输入数据 和输出数据；
步骤S101b2，根据标准化的输入数据和输出数据得到对应的方差和协方 差矩阵；
步骤S101b3，对所述方差和协方差矩阵进行奇异值分解，并根据奇异值 分解后的矩阵得到所述输入数据与所述输出数据之间的残差信号。
在本实施例中，基于残差信号计算局部模型T2输出的监测统计量：
以上公式中，Σc1＝Il-ΣΣT和Σc2＝Im-ΣTΣ。
以上两个监测统计量对应的控制限分别为：和/>
当两个监测统计量中有一个超出控制限，就表示样本点的设备状态出现 异常。
需说明的是，在上述异常检测的过程中，采用的是CCA方法进行局部线 性模型建模，在本实施例的另外一种实现方式中，可以将局部模型替换为主 成分分析(PCA)、偏最小二乘(PLS)等其它线性多元统计方法进行建模， 从而实现异常监测的过程。
在本实施例中，一旦检测到故障，需要进行异常诊断分析，以确定故障 可能发生的原因。
进一步地，异常诊断方法主要包括基于数据驱动的异常诊断方法和基于 知识的异常诊断方法；由于，冷水主机实际运行过程中异常数据较少，且无 法覆盖所有类型异常，不能采用模式分类方法确定故障类型。
在本实施例中，基于数据驱动的异常诊断方法，主要为采用重构贡献分 析法，通过对不同变量方向的故障幅值进行估计，确定不同变量对统计量的 贡献程度，从而确定可能发生异常的变量；对于检测到的异常信息，将异常 数据和可能发生异常的变量存储至异常信息数据库中。
进一步地，在所采用的重构贡献分析方法中，假设故障恰好发生在某一 个变量xi上，异常方向表示为ξi，对应的异常幅值为fi，则在异常方向ξi的重 构zi＝x-ξifi对应的监测统计量最小。通过对不同变量方向上进行重构分析， 具有较大重构贡献的变量往往认为是与异常有较大相关性。
将上述公式(5)和(6)表示为一个矩阵和一个向量相乘的形式，得到 以下公式：
于是，根据上述公式(7)和(8)，两个局部模型T2的监测统计量可以 分别表示为：
进一步地，对监测统计量Index(x)＝xTMx，重构向量zi的监测统计量表示 为：
在本实施例中，对向量zi的重构就是寻找统计量最小所对应的异常幅值 fi，用重构监测统计量对fi求一阶偏导数数，导数为0的位置对应统计量最小， 此时对应的重构贡献为：
根据式(14)可以对式(11)和(12)两个监测统计量分析，即可确定 有可能与异常有关的变量。
即在本实施例的一种实现方式中，基于数据驱动的异常诊断方法，包括 以下步骤：
步骤S105，对不同变量方向的故障幅度进行估计，确定不同变量对统计 量的贡献程度，并根据所述贡献程度确定可能发生异常的变量；
步骤S106，将所述异常数据和所述可能发生异常的变量存储至异常信息 数据库中。
在本实施例中，基于知识的异常诊断方法，主要是采用专家系统方法， 是通过对异常机理机型分析，确定故障与征兆之间的关系，建立专家知识库， 根据专家规则确定异常类型。对于检测出来的异常需要将其信息存放到异常 信息库中，异常信息库包括：异常的起止时间、重构贡献分析结果和专家系 统诊断结果。
在本实施例中，当设备发生异常时，异常检测方法的监测统计量不一定 会一直维持在控制限以上，可能会出现在控制限上下波动的情况，通过分析 固定时间窗内超出控制限的时间来判断异常起止时间。
在本实施例中，所采用的专家系统是在宏观功能上模拟人的知识推理能 力，是以逻辑推理为基础模拟人类思维的符号主义人工智能方法。通常情况 下，一个以规则为基础的问题求解专家系统主要包括五个组成部分：知识库、 推理机、综合数据库、解释接口、知识获取模块，各部分之间的相互关系如 图4所示。
专家知识规则表下表所示，表中：＝表示参数不变化，++表示明显增加， +表示稍有增加，--表示明显减少，--表示稍有减少。通过专家系统可以获得故 障类型和故障原因的定性表示。
即在本实施例的一种实现方式中，基于知识的异常诊断方法，包括以下 步骤：
步骤S107，通过对异常机理机型进行分析，确定故障与征兆之间的关系， 并根据专家知识库及专家规则确定异常类型；
步骤S108，将所述异常数据和所述异常类型存储至异常信息数据库中。
本实施例通过采用即时学习策略对在线监测数据进行监测，可及时地发 现设备运行的异常情况；并且，通过近邻数据集构建及训练局部模型，利用 局部模型的学习能力，自适应设备运行的工况，从而准确地对在线监测数据 的统计量进行监测。
如图1所示，在本发明实施例的一种实现方式中，人在回路的冷水主机状 态监测方法还包括以下步骤：
步骤S200，提取异常信息数据库信息，以人机交互的形式提供监测与诊 断信息，并根据目标对象的操作指令和异常检测结果在人机交互界面中标定 及显示异常信息。
在本实施例中，在得到异常信息后，可以通过人机交互的异常标定部分， 提取近期的异常信息数据库信息，并以软件GUI交互的形式为运维人员提供监 测与诊断信息；其中，所提供的监测与诊断信息包括：检测为异常时的数据 变化曲线、检测统计里曲线、预诊断的贡献分析结果、专家系统预诊断结果 等；运维人员根据这些信息，可以进一步确定是否存在问题、异常类型、维 修信息等，从而为在线监测结果提供标定信息。
在本实施例的一种实现方式中，步骤S200包括以下步骤：
步骤S201，提取所述异常信息数据库信息，并以人机交互的形式提供所 述监测与诊断信息；
步骤S202，根据所述异常信息数据库信息对预诊断的结果进行标定，去 除所述异常信息数据库信息的误诊断结果，并显示实际的设备异常维护信息；
步骤S203，根据所述目标对象输入的操作指令从异常数据库中读取并显 示对应时间段的测量变量曲线、监测统计量曲线、重构贡献分析结果以及专 家系统的预诊断结果。
在本实施例中，人机交互的异常标定是指通过软件交互界面对预诊断的 结果进行标定、修正，以去除异常信息库中误诊断结果，同时给出真正的设 备异常维护信息。
如图5所示，图5为本实施例中的异常标定交互软件界面示意图，异常 报警可以展示异常数据集近期的异常信息，包括起止时间。用户或运维人员 点击其中的某一条异常报警信息，软件可以从异常信息库中读取并显示对应 时间段的测量变量曲线、监测统计量曲线，以及重构贡献分析和专家系统的 预诊断结果。
进一步地，运维人员可以根据提供的异常信息，判定该时间段是否为异 常，若为异常，给出异常的类型和原因和维修日志，并更新到异常信息库中。 同时，为了避免出现异常漏报情况，该标定软件也可以将未检测到的异常信 息添加到异常信息库中。
在本实施例的一种实现方式中，步骤S200还包括以下步骤：
步骤S201a，获取所述目标对象输入的异常类型、异常原因以及维修日志；
步骤S201b，根据所述异常类型、所述异常原因以及所述维修日志更新所 述异常信息数据库信息。
本实施例通过异常标定交互软件界面可以对实时监测到的异常数据进行 标定，从而根据运维人员的实际标定信息来矫正设备状态监测方法的监测结 果，从而以先验知识的形式，为后续的检索数据集和实时数据监测提供即时 学习上的帮助。
如图1所示，在本发明实施例的一种实现方式中，人在回路的冷水主机状 态监测方法还包括以下步骤：
步骤S300，根据标定的异常信息确定正常运行数据，将所述正常运行数 据更新到所述检索数据集中，并根据核密度值对更新后的检索数据集进行迭 代，得到迭代后的检索数据集。
在本实施例中，在得到标定信息后，可以通过即时学习策略更新后续监 测过程所需要的检索数据集；即时学习检索数据集更新是将根据标定信息， 将最近的正常运行数据更新到检索数据集中。
进而，采用核密度估计的方法解决因检索数据集大小增长过快，而导致 的在线监测过程数据检索时间长的问题。根据上述思路设计设备状态监测以 及异常信息标定软件，实现人在回路的自适应状态监测，有效减少由于运行 工况变化导致的故障误报情况。
具体地，即时学习检索数据集更新是根据异常信息库的最新更新信息动 态更新即时学习检索数据集。检索数据集更新既需要能够覆盖过去时间所有 出现的正常运行工况，又需要尽可能地降低数据集大小增长速度。即时学习 检索数据集更新流程如图6所示，首先根据异常信息库中录入的未检测异常信 息来去除检索数据集中未检测的异常数据，然后根据去除异常数据后的最新 正常运行数据插入到检索数据集中。
即在本实施例的一种实现方式中，步骤S300包括以下步骤：
步骤S301，根据所述标定的异常信息确定所述异常信息数据库录入的未 检测的异常信息；
步骤S302，根据所述异常信息数据库录入的未检测的异常信息，去除所 述检索数据集中未检测的异常数据；
步骤S303，将去除异常数据后的最新正常运行数据插入至所述检索数据 集中。
在本实施例中，对新增后的检索数据集计算新增样本的核密度值，并判 定是否存在超出设定阈值的样本。对超出阈值的样本根据核密度值不放回地 抽出n个样本，然后再进行核密度估计，经过反复迭代直至不存在超出阈值 的样本。通过这种方式，可以有效避免单一工况下历史数据样本过多的情况。 最后，为加速基于即时学习的异常检测方法的运算速度，使用K均值聚类的 聚类中心代替样本点进行检索。因此，在检索数据集中还需要添加聚类中心 信息和每个样本归属类信息。
具体地，计算轨迹跟踪误差时，包括以下步骤：
步骤S304，对更新后的检索数据集计算新增样本的核密度值，并确定超 出设定阈值的样本；
步骤S305，根据所述核密度值从超出设定阈值的样本中抽取n个样本， 并再次进行核密度估计，经过反复迭代直至不存在超出阈值的样本；
步骤S306，通过K均值聚类的聚类中心代替样本点进行检索，并在所述 检索数据集中添加聚类中心信息和每个样本的归属信息。
在本实施例中，所采用的核密度估计算法是为了确定新增样本的邻域范 围内数据分布的疏密情况，对数据分布过于密集的地方，可以适当地抽出一 些样本，从而降低检索数据集的容量。
对给定样本点，核密度估计公式为:
所采用的核函数为Epanechnikov核，是一种二次截断函数，只需要使用 计算点一定邻域范围内的样本点即可计算。
Epanechnikov核公式为：
通过上述公式可以加速核密度计算。
如图1所示，在本发明实施例的一种实现方式中，人在回路的冷水主机状 态监测方法还包括以下步骤：
步骤S400，根据所述异常信息和所述迭代后的检索数据集输出监测结果。
在本实施例中，迭代后的检索数据集可以作为后续监测过程中的检索数 据集，根据标定的异常信息和迭代后的检索数据集输出监测结果，以实时输 出监测信息。
需说明的是，在本实施例中，所采用的人在回路的冷水主机状态监测方 法针对冷水主机的变工况特性设计的，在本实施例的另外一种实现方式中， 该人在回路的冷水主机状态监测方法同样也可以适用于其他设备或者工业过 程的变化状态监测情景中。
同样地，本实施例将人在回路理念引入了设备状态监测过程中，在本实 施例的另外一种实现方式中，该人在回路理念也可应用于其它自适应更新的 模型中，例如：深度学习模型的自适应训练。
以下结合图3和图6，对本实施例技术方案进行进一步说明：
如图3所示，在实际应用过程中，基于即时学习的设备状态自适应监测过 程，包括以下步骤：
步骤S11，获取实时数据；
步骤S12，获取即时学习的检索数据集；其中，即时学习的检索数据集为 经过上一次监测过程得到的经过核密度后的检索数据集；
步骤S13，通过欧氏距离近邻点搜索；
步骤S14，添加近邻聚类中心；
步骤S15，得到聚类样本集；
步骤S16，判断样本数据是否大于设定值；若为是，则执行步骤S17；若 为否，则返回步骤S14，以添加新的近邻聚类中心。
在上述步骤S11～步骤S16中，主要是根据样本点(即被测点)的实时数据 获取聚类样本集；其中，获取的聚类样本集是与样本点近邻且为同一类别的 监测点数据。
进一步地，在得到样本数据后，包括以下步骤：
步骤S17，得到局部模型训练集；
步骤S18，进行多元统计模型训练；
步骤S19，确定控制限；
步骤S20，计算监测统计量；
步骤S21，判断监测统计量是否超出控制限；若为是，则执行步骤步骤S22； 若为否，则结束监测过程；
在上述步骤S17～步骤S21中，主要是根据得到样本数据进行模型训练，利 用模型确定样本点的控制限，以及根据模型统计样本点的监测统计量，从而 根据监测统计量和控制限确定样本点的数据是否为异常。
步骤S22，专家系统重构贡献分析；
步骤S23，得到预诊断信息；
步骤S24，异常信息库更新。
在上述基于即时学习的设备状态自适应监测过程中，可以从经过即时学 习的检索数据集中寻找相近的数据，作为训练数据进行局部模型训练，然后 设定相应的检测统计里和控制线，在自适应设备运行工况的情况下，对当前 的实时数据进行异常检测。
如图6所示，在实际应用过程中，基于即时学习的检索数据集更新过程中， 可以包括以下步骤：
步骤S31，获取异常信息库；
步骤S32，确定新的异常信息；
步骤S33，确定最新正常运行数据；
在上述步骤S31～步骤S33中，主要是根据异常信息库中的数据确定最新正 常运行数据，以便于将其插入到更新后的检索数据集中。
步骤S34，确定未检测的异常信息；
步骤S35，获取即时学习检索数据集；其中，获取的检索数据集为未更新 的数据集；
步骤S36，根据确定的未检测的异常信息，进行时间筛选；
步骤S37，去除未检测的异常数据；
步骤S38，插入最新正常运行数据，得到新增后的检索数据集；
步骤S39，根据新增后的检索数据集进行核密度估计；
步骤S40，判断是否存在超出阈值的样本；若为是，则执行步骤S41；若 为否，则跳转至步骤S42；
步骤S41，不放回抽出n个样本；
步骤S42，进行K均值聚类；
步骤S43，更新检索数据集中的聚类信息。
在上述基于即时学习的检索数据集更新过程中，可根据标定的异常数据 和维护人员的先验知识，对检索数据集进行更新；以及通过核密度值的方式， 可以有效避免单一工况下历史数据样本过多的情况。而且，为加速基于即时 学习的异常检测方法的运算速度，使用K均值聚类的聚类中心代替样本点进行 检索。
本实施例通过上述技术方案达到以下技术效果：
本实施例采用了人在回路的概念，根据运维人员的实际标定信息来矫正 设备状态监测方法的监测结果；采用自学习的即时学习策略，可以动态地覆 盖所有出现的运行工况，提升设备状态监测对设备工况变化的适用性。通过 人在回路和即时学习的方式，有效减少由于运行工况变化导致的故障误报、 漏报情况。
示例性设备
基于上述实施例，本发明还提供一种终端，其原理框图可以如图7所示。
该终端包括：通过系统总线连接的处理器、存储器、接口、显示屏以及 通讯模块；其中，该终端的处理器用于提供计算和控制能力；该终端的存储 器包括存储介质以及内存储器；该存储介质存储有操作系统和计算机程序； 该内存储器为存储介质中的操作系统和计算机程序的运行提供环境；该接口 用于连接外部终端设备，例如，移动终端以及计算机等设备；该显示屏用于 显示相应的人在回路的冷水主机状态监测信息；该通讯模块用于与云端服务 器或移动终端进行通讯。
该计算机程序被处理器执行时用以实现一种人在回路的冷水主机状态监 测方法。
本领域技术人员可以理解的是，图7中示出的原理框图，仅仅是与本发明 方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的终端的 限定，具体的终端可以包括比图中所示更多或更少的部件，或者组合某些部 件，或者具有不同的部件布置。
在一个实施例中，提供了一种终端，其中，包括：处理器和存储器，存 储器存储有人在回路的冷水主机状态监测程序，人在回路的冷水主机状态监 测程序被处理器执行时用于实现如上的人在回路的冷水主机状态监测方法。
在一个实施例中，提供了一种存储介质，其中，该存储介质为计算机可 读存储介质，该存储介质存储有人在回路的冷水主机状态监测程序，该人在 回路的冷水主机状态监测程序被处理器执行时用于实现如上的人在回路的冷 水主机状态监测方法。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流 程，是可以通过计算机程序来指令相关的硬件来完成，计算机程序可存储于 一非易失性存储介质中，该计算机程序在执行时，可包括如上述各方法的实 施例的流程。其中，本发明所提供的各实施例中所使用的对存储器、存储、 数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。
综上，本发明提供了一种人在回路的冷水主机状态监测方法、终端及存 储介质，其中，方法包括：采用即时学习策略从检索数据集中寻找训练数据 进行局部模型训练，确定训练模型的监测统计量和控制限，并根据监测统计 量和控制限对在线监测数据进行异常检测；提取异常信息数据库信息，以人 机交互的形式提供监测与诊断信息，并根据目标对象的操作指令和异常检测 结果在人机交互界面中标定及显示异常信息；根据标定的异常信息确定正常 运行数据，将正常运行数据更新到检索数据集中，并根据核密度值对更新后 的检索数据集进行迭代，得到迭代后的检索数据集。本发明通过矫正冷水主 机的状态监测结果，解决了由于设备工况变化导致的状态监测性能下降的问 题。
应当理解的是，本发明的应用不限于上述的举例，对本领域普通技术人 员来说，可以根据上述说明加以改进或变换，所有这些改进和变换都应属于 本发明所附权利要求的保护范围。

Claims (11)

1.一种人在回路的冷水主机状态监测方法，其特征在于，所述人在回路的冷水主机状态监测方法包括：
采用即时学习策略从检索数据集中寻找训练数据进行局部模型训练，确定训练模型的监测统计量和控制限，并根据所述监测统计量和所述控制限对在线监测数据进行异常检测；
提取异常信息数据库信息，以人机交互的形式提供监测与诊断信息，并根据目标对象的操作指令和异常检测结果在人机交互界面中标定及显示异常信息；其中，所述异常信息包括：监测为异常状态的测量变量曲线、监测统计量曲线、重构贡献分析结果以及专家系统的预诊断结果；
根据标定的异常信息确定正常运行数据，将所述正常运行数据更新到所述检索数据集中，并根据核密度值对更新后的检索数据集进行迭代，得到迭代后的检索数据集；
根据所述异常信息和所述迭代后的检索数据集输出监测结果；
所述根据标定的异常信息确定正常运行数据，将所述正常运行数据更新到所述检索数据集中，包括：
根据所述标定的异常信息确定所述异常信息数据库录入的未检测的异常信息；
根据所述异常信息数据库录入的未检测的异常信息，去除所述检索数据集中未检测的异常数据；
将去除异常数据后的最新正常运行数据插入至所述检索数据集中；
所述根据核密度值对更新后的检索数据集进行迭代，得到迭代后的检索数据集，包括：
对更新后的检索数据集计算新增样本的核密度值，并确定超出设定阈值的样本；
根据所述核密度值从超出设定阈值的样本中抽取n个样本，并再次进行核密度估计，经过反复迭代直至不存在超出阈值的样本。
2.根据权利要求1所述的人在回路的冷水主机状态监测方法，其特征在于，所述采用即时学习策略从检索数据集中寻找训练数据进行局部模型训练，确定训练模型的监测统计量和控制限，并根据所述监测统计量和所述控制限对在线监测数据进行异常检测，包括：
采用所述即时学习策略从所述检索数据集中寻找所述在线监测数据的近邻数据集，并根据所述近邻数据集建立及训练局部模型；
确定所述局部模型的监测统计量的控制限；
计算所述在线监测数据的监测统计量，并判断所述在线监测数据的监测统计量是否超出所述控制限；
若为是，则判定所述线监测数据为异常数据。
3.根据权利要求2所述的人在回路的冷水主机状态监测方法，其特征在于，所述采用即时学习策略从所述检索数据集中寻找所述在线监测数据的近邻数据集，并根据所述近邻数据集建立及训练局部模型，包括：
采用欧氏距离搜索所述在线监测数据一定范围内的检索数据集中的聚类中心；
以所属类别的样本数据作为训练数据，并通过典型关联分析获取线性变化后的输入数据与输出数据之间的残差信号；
根据所述残差信号建立及训练所述局部模型。
4.根据权利要求3所述的人在回路的冷水主机状态监测方法，其特征在于，所述通过典型关联分析获取线性变化后的输入数据与输出数据之间的残差信号，包括：
对所述样本数据进行标准化操作，得到标准化的输入数据和输出数据；
根据标准化的输入数据和输出数据得到对应的方差和协方差矩阵；
对所述方差和协方差矩阵进行奇异值分解，并根据奇异值分解后的矩阵得到所述输入数据与所述输出数据之间的残差信号。
5.根据权利要求2所述的人在回路的冷水主机状态监测方法，其特征在于，所述判定线监测数据为异常数据，之后包括：
对不同变量方向的故障幅度进行估计，确定不同变量对统计量的贡献程度，并根据所述贡献程度确定可能发生异常的变量；
将所述异常数据和所述可能发生异常的变量存储至异常信息数据库中。
6.根据权利要求2所述的人在回路的冷水主机状态监测方法，其特征在于，所述判定线监测数据为异常数据，之后还包括：
通过对异常机理机型进行分析，确定故障与征兆之间的关系，并根据专家知识库及专家规则确定异常类型；
将所述异常数据和所述异常类型存储至异常信息数据库中。
7.根据权利要求1所述的人在回路的冷水主机状态监测方法，其特征在于，所述提取异常信息数据库信息，以人机交互的形式提供监测与诊断信息，并根据目标对象的操作指令和异常检测结果在人机交互界面中标定及显示异常信息，包括：
提取所述异常信息数据库信息，并以人机交互的形式提供所述监测与诊断信息；
根据所述异常信息数据库信息对预诊断的结果进行标定，去除所述异常信息数据库信息的误诊断结果，并显示实际的设备异常维护信息；
根据所述目标对象输入的操作指令从异常数据库中读取并显示对应时间段的测量变量曲线、监测统计量曲线、重构贡献分析结果以及专家系统的预诊断结果。
8.根据权利要求7所述的人在回路的冷水主机状态监测方法，其特征在于，所述提取异常信息数据库信息，并以人机交互的形式提供所述监测与诊断信息，之后包括：
获取所述目标对象输入的异常类型、异常原因以及维修日志；
根据所述异常类型、所述异常原因以及所述维修日志更新所述异常信息数据库信息。
9.根据权利要求1所述的人在回路的冷水主机状态监测方法，其特征在于，所述根据核密度值对更新后的检索数据集进行迭代，得到迭代后的检索数据集，之后还包括：
通过K均值聚类的聚类中心代替样本点进行检索，并在所述检索数据集中添加聚类中心信息和每个样本的归属信息。
10.一种终端，其特征在于，包括：处理器以及存储器，所述存储器存储有人在回路的冷水主机状态监测程序，所述人在回路的冷水主机状态监测程序被所述处理器执行时用于实现如权利要求1-9中任意一项所述的人在回路的冷水主机状态监测方法。
11.一种存储介质，其特征在于，所述存储介质为计算机可读存储介质，所述计算机可读存储介质存储有人在回路的冷水主机状态监测程序，所述人在回路的冷水主机状态监测程序被处理器执行时用于实现如权利要求1-9中任意一项所述的人在回路的冷水主机状态监测方法。
CN202210024301.2A 2022-01-10 2022-01-10 一种人在回路的冷水主机状态监测方法、终端及存储介质 Active CN114528914B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210024301.2A CN114528914B (zh) 2022-01-10 2022-01-10 一种人在回路的冷水主机状态监测方法、终端及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210024301.2A CN114528914B (zh) 2022-01-10 2022-01-10 一种人在回路的冷水主机状态监测方法、终端及存储介质

Publications (2)

Publication Number Publication Date
CN114528914A CN114528914A (zh) 2022-05-24
CN114528914B true CN114528914B (zh) 2024-05-14

Family

ID=81621163

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210024301.2A Active CN114528914B (zh) 2022-01-10 2022-01-10 一种人在回路的冷水主机状态监测方法、终端及存储介质

Country Status (1)

Country Link
CN (1) CN114528914B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5465321A (en) * 1993-04-07 1995-11-07 The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration Hidden markov models for fault detection in dynamic systems
CN110222765A (zh) * 2019-06-06 2019-09-10 中车株洲电力机车研究所有限公司 一种永磁同步电机健康状态监测方法及系统
CN112396042A (zh) * 2021-01-20 2021-02-23 鹏城实验室 实时更新的目标检测方法及系统、计算机可读存储介质
CN113836203A (zh) * 2021-09-28 2021-12-24 湖南康凯信息技术有限公司 一种网络数据化诊断检测分析系统

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106991095B (zh) * 2016-01-21 2021-09-28 阿里巴巴集团控股有限公司 机器异常的处理方法、学习速率的调整方法及装置
JP7071904B2 (ja) * 2018-10-15 2022-05-19 株式会社東芝 情報処理装置、情報処理方法及びプログラム

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5465321A (en) * 1993-04-07 1995-11-07 The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration Hidden markov models for fault detection in dynamic systems
CN110222765A (zh) * 2019-06-06 2019-09-10 中车株洲电力机车研究所有限公司 一种永磁同步电机健康状态监测方法及系统
CN112396042A (zh) * 2021-01-20 2021-02-23 鹏城实验室 实时更新的目标检测方法及系统、计算机可读存储介质
CN113836203A (zh) * 2021-09-28 2021-12-24 湖南康凯信息技术有限公司 一种网络数据化诊断检测分析系统

Also Published As

Publication number Publication date
CN114528914A (zh) 2022-05-24

Similar Documents

Publication Publication Date Title
CN109240244B (zh) 基于数据驱动的设备运行状态健康度分析方法及系统
US10402511B2 (en) System for maintenance recommendation based on performance degradation modeling and monitoring
CN116757534B (zh) 一种基于神经训练网络的智能冰箱可靠性分析方法
US11840998B2 (en) Hydraulic turbine cavitation acoustic signal identification method based on big data machine learning
Yang et al. Machine learning-based prognostics for central heating and cooling plant equipment health monitoring
Zhang et al. Fault detection and diagnosis for the screw chillers using multi-region XGBoost model
Skordilis et al. A condition monitoring approach for real-time monitoring of degrading systems using Kalman filter and logistic regression
CN117196159A (zh) 基于互联网大数据分析的智慧水务分区计量系统
CN117114454B (zh) 一种基于Apriori算法的直流套管状态评估方法及系统
CN113254249A (zh) 冷站故障分析方法、装置、及存储介质
CN116224137A (zh) 一种ups设备故障预警方法及系统
CN117390536A (zh) 基于人工智能的运维管理方法及系统
CN112906764A (zh) 基于改进bp神经网络的通信安全设备智能诊断方法及系统
CN112379325A (zh) 一种用于智能电表的故障诊断方法及系统
CN115392056A (zh) 一种高压架空输电线路运行状态监测及预警方法及装置
CN113722906B (zh) 基于数字孪生的数据中心空调系统可靠性评估方法
Alghanmi et al. Investigating the influence of maintenance strategies on building energy performance: A systematic literature review
US20240068721A1 (en) Systems and methods for refrigerant leakage diagnosis
CN114528914B (zh) 一种人在回路的冷水主机状态监测方法、终端及存储介质
CN111504673A (zh) 一种冷水机组故障诊断方法、系统及空调器
WO2023212328A1 (en) Anomaly detection for refrigeration systems
Duan et al. Dynamic causal modeling for nonstationary industrial process performance degradation analysis and fault prognosis
Parvez et al. An association rule mining approach to predict alarm events in industrial alarm floods
Chen Data-driven Whole Building Fault Detection and Diagnosis
CN114548701A (zh) 面向全量测点耦合结构分析与估计的过程预警方法及系统

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