CN114637793A - 一种基于大数据分析的装备故障频发区域定位方法 - Google Patents

一种基于大数据分析的装备故障频发区域定位方法 Download PDF

Info

Publication number
CN114637793A
CN114637793A CN202210541599.4A CN202210541599A CN114637793A CN 114637793 A CN114637793 A CN 114637793A CN 202210541599 A CN202210541599 A CN 202210541599A CN 114637793 A CN114637793 A CN 114637793A
Authority
CN
China
Prior art keywords
data
equipment
analysis
fault
information
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
CN202210541599.4A
Other languages
English (en)
Other versions
CN114637793B (zh
Inventor
魏强
刘广志
漆光聪
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.)
Sichuan Guanxiang Science And Technology Co ltd
Original Assignee
Sichuan Guanxiang Science And Technology Co ltd
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 Sichuan Guanxiang Science And Technology Co ltd filed Critical Sichuan Guanxiang Science And Technology Co ltd
Priority to CN202210541599.4A priority Critical patent/CN114637793B/zh
Publication of CN114637793A publication Critical patent/CN114637793A/zh
Application granted granted Critical
Publication of CN114637793B publication Critical patent/CN114637793B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • 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
    • G06F16/22—Indexing; Data structures therefor; Storage structures
    • 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
    • G06F16/27—Replication, distribution or synchronisation of data between databases or within a distributed database system; Distributed database system architectures therefor
    • 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
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/284—Relational databases
    • G06F16/285—Clustering or classification

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computational Linguistics (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明公开了一种基于大数据分析的装备故障频发区域定位方法，包括以下步骤：S1、采集装备数据；S2、对装备数据进行信息分析，获得表征装备故障的多维关联信息；S3、基于多维关联信息，对装备故障频发区域进行定位。与现有技术仅实现故障定位，而不对故障发生频率及多个故障点之间的相互影响进行分析不同的是，本发明通过挖掘多故障点之间的多维关系，对装备的故障频发区域进行定位，为维护人员更有针对性的进行装备维护提供了参考。

Description

一种基于大数据分析的装备故障频发区域定位方法
技术领域
本发明属于装备故障定位技术领域，具体涉及一种基于大数据分析的装备故障频发区域定位方法。
背景技术
大型智能装备结构复杂且工作环境恶劣，属于多发性故障的高技术系统工程。目前的预测方法无法保证大型智能装备在绝对无故障状态下运行。随着现代智能装备和自动化技术的不断发展，保证智能装备的无故障运行成为工业与信息化技术发展的必然需求。智能装备系统处于复杂的工作环境中，控制参数复杂且不确定，导致装备系统中故障频发，需要进行更有效的装配系统的故障定位进而能够及时维修，保障装备系统的安全稳定运行。
大数据时代下，智能装备运行产生海量数据，其中装备典型缺陷信号、故障信号是装备运行的重要指标。现有装备监控业务多从单个测控点进行故障诊断，并没有单独对故障频发的测控点进行有效的定位与故障预防，同时也没有分析考虑多个测控点之间的相互故障影响，进而影响了故障点的提前预测与定位，造成装备故障风险。
发明内容
针对现有技术中的上述不足，本发明提供的基于大数据分析的装备故障频发区域定位方法解决了上述背景技术中的问题。
为了达到上述发明目的，本发明采用的技术方案为：一种基于大数据分析的装备故障频发区域定位方法，包括以下步骤：
S1、采集装备数据；
S2、对装备数据进行信息分析，获得表征装备故障的多维关联信息；
S3、基于多维关联信息，对装备故障频发区域进行定位。
进一步地，所述步骤S1中的装备数据包括装备基本数据、实例案例数据、初始数据、故障数据、告警数据、在线监测数据、运行工况数据、气象数据以及装备参考数据。
进一步地，所述步骤S2具体为：
S21、对采集的装备数据进行预处理；
S22、对预处理的装备数据进行分布式存储，并分类；
其中，分类包括电气量、过程量和状态量；
S23、基于分布式存储的装备数据，对各类装备数据之间进行二维关联分析；
S24、基于二维关联分析结果，进行信息级聚合，获得多维关联信息。
进一步地，所述步骤S22中，对分布式存储的装备数据进行分类的方法具体为：
S22-1、设置各类装备数据的查询条件；
S22-2、根据当前装备数据分类需求，以对应的查询条件对存储的装备数据进行过滤，并以时间或相关系数为关键词进行数据节点连接组建；
其中，过滤处理的公式为：
Figure 988855DEST_PATH_IMAGE001
式中，t为当前分类需求过滤后的装备数据，
Figure 895631DEST_PATH_IMAGE002
为当前装备下的所有高斯白噪声信号，下标j为高斯白噪声信号序号，b为高斯白噪声，
Figure 785089DEST_PATH_IMAGE003
为装备数据的时域分布参数；
S22-3、在数据节点连接组建过程中，使用数据文件名标记每条装备数据；
S22-4、基于装备数据标记结果，将具有相同属性的装备数据划分到同一组数据节点中，并将其存在分布式存储的同一分组中，完成装备数据分类。
进一步地，所述步骤S23中，对各类装备数据进行二维关联分析包括跨类二维关联分析和同类二维关联分析。
进一步地，跨类二维关联分析的方法具体为：
A1、根据当前跨类分析目标，确定若干关联影响因素，并设置关联度阈值；
A2、基于确定的关联影响因素，逐个对当前两类装备数据进行关联分析，得到关联度；
A3、判断关联度是否小于关联度阈值；
若是，则进入步骤A4；
若否，则返回步骤A2；
A4、剔除当前关联度对应的装备数据；
A5、在当前两类装备数据中挖掘关联规则，并以该关联规则绘制跨类二维关系拓扑图，完成跨类二维关联分析；
其中，当满足
Figure 726500DEST_PATH_IMAGE004
时，得到关联规则
Figure 308792DEST_PATH_IMAGE005
；
式中，F k 为进行关联规则挖掘时的频繁项集，
Figure 437285DEST_PATH_IMAGE006
为F k 的支持度计数，S为F k 的真子集，
Figure 130434DEST_PATH_IMAGE007
为
Figure 660773DEST_PATH_IMAGE009
的支持度计数，mincof为同时满足最小支持度和最小置信度的阈值，下标k为频繁项集序号。
进一步地，同类二维关联分析的方法具体为：
在每类装备数据中，以类内离散矩阵的表征同类装备数据中的二维关联关系；
在装备数据中有M个数据样本分别为x 1, x 2,…,x m , …,x M，i为数据样本所属装备数据种类序数，i=1,2,3,…,c，classi为第i类装备数据种类，则得到类内离散矩阵S w 为：
Figure 413965DEST_PATH_IMAGE010
式中，u i 为第i类的数据样本。
进一步地，所述步骤S24中的多维关联信息为包括应用维度、时间维度和信息维度之间的关联信息的装备时空关联图。
进一步地，所述步骤S3具体为：
基于多维关联信息，通过构造评价函数对待测装备中的各个测控点进行故障评价，获得故障评价得分，将故障评价得分大于设定阈值的测控点作为故障频发区域。
进一步地，构造的评价函数为：
Figure 92071DEST_PATH_IMAGE011
式中，
Figure 588911DEST_PATH_IMAGE012
为待测装备中测控点p的故障评价分数，P为待测装备中测控点p的数量，G p 为测控点p历史运行故障信息，
Figure 973756DEST_PATH_IMAGE013
在多维关联信息中与测控点p相关的其他故障信息，
Figure 632271DEST_PATH_IMAGE014
为测控点p对待测装备的故障影响的权重系数，T i 为测控点p所属维度信息。
本发明的有益效果为：
（1）本发明通过对采集装备数据并对其进行分类筛选与关联分析，在与装备故障相关的数据之间进行多维关联分析，提高了故障区域定位与评价的准确性；
（2）本发明利用关于分析和关联规则相结合的方法应用于装备故障领域中，通过关联分析找到与故障发生有强关联的因素，并保留此部分数据剔除与故障发生没有强关联的数据，在进行数据挖掘，挖掘出装备故障之间的隐藏联系；
（3）与现有技术仅实现故障定位，而不对故障发生频率及多个故障点之间的相互影响进行分析不同的是，本发明通过挖掘多故障点之间的多维关系，对装备的故障频发区域进行定位，为维护人员更有针对性的进行装备维护提供了参考。
附图说明
图1为本发明提供的基于大数据分析的装备故障频发区域定位方法流程图。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
本发明实施例提供了一种基于大数据分析的装备故障频发区域定位方法，如图1所示，包括以下步骤：
S1、采集装备数据；
S2、对装备数据进行信息分析，获得表征装备故障的多维关联信息；
S3、基于多维关联信息，对装备故障频发区域进行定位。
本发明实施例步骤S1中的装备数据包括装备基本数据、实例案例数据、初始数据、故障数据、告警数据、在线监测数据、运行工况数据、气象数据以及装备参考数据。具体地，装备基本数据包括装备结构好安装说明、装备台账、现场安装好维护保养记录；运行工况数据包括振动、温度、压力、电流、电压、负载、转速、运行模式等测量数据和工况数据；气象数据包括温度、风速、天气状况等数据。
本发明实施例的步骤S2具体为：
S21、对采集的装备数据进行预处理；
S22、对预处理的装备数据进行分布式存储，并分类；
其中，分类包括电气量、过程量和状态量；
S23、基于分布式存储的装备数据，对各类装备数据之间进行二维关联分析；
S24、基于二维关联分析结果，进行信息级聚合，获得多维关联信息。
本实施例的步骤S21中，对装备数据进行预处理包括数据清洗、数据变换和数据压缩等；其中数据清洗是指通过数学方法将装备数据中的无效数据和缺失数据，将错误的、含有噪声的、有冲突的、有重叠的数据转化为可以进一步聚合的数据；数据变换是指将装备数据进行数据格式一致性处理。
在本实施例由于装备数据存在多种数据源，因此对不同的数据源进行数据连接，多源数据通常来自不同文件，在存储、传输与查询过程中能够对装备数据进行分类，能更快更准确的进行后续的故障区域定位。因此，本实施例的步骤S22对分布式存储的装备数据进行分类的方法具体为：
S22-1、设置各类装备数据的查询条件；
S22-2、根据当前装备数据分类需求，以对应的查询条件对存储的装备数据进行过滤，并以时间或相关系数为关键词进行数据节点连接组建；
其中，过滤处理的公式为：
Figure 935DEST_PATH_IMAGE001
式中，t为当前分类需求过滤后的装备数据，
Figure 35887DEST_PATH_IMAGE002
为当前装备下的所有高斯白噪声信号，下标j为高斯白噪声信号序号，b为高斯白噪声，
Figure 603135DEST_PATH_IMAGE003
为装备数据的时域分布参数；
S22-3、在数据节点连接组建过程中，使用数据文件名标记每条装备数据；
S22-4、基于装备数据标记结果，将具有相同属性的装备数据划分到同一组数据节点中，并将其存在分布式存储的同一分组中，完成装备数据分类。
基于上述分布式存储方法，提高了后续装备数据的处理性能。
本实施例的步骤S22中，将采集到的装备数据分为电气量、过程量和状态量三种，这样做的目的是为了后续二维关联分析时的分层次、分类别提供方便，提高聚合分类效率。
本实施例的步骤S23中，对各类装备数据进行二维关联分析包括跨类二维关联分析和同类二维关联分析，即电气量与电气量之间、过程量与过程量之间、状态量与状态量之间，然后进行跨类别的二维关联分析。这一层次的关联目标明确、定义清洗，得到的结果也具有较高的准确性。
本实施例的跨类二维关联分析的方法具体为：
A1、根据当前跨类分析目标，确定若干关联影响因素，并设置关联度阈值；
A2、基于确定的关联影响因素，逐个对当前两类装备数据进行关联分析，得到关联度；
A3、判断关联度是否小于关联度阈值；
若是，则进入步骤A4；
若否，则返回步骤A2；
A4、剔除当前关联度对应的装备数据；
A5、在当前两类装备数据中挖掘关联规则，并以该关联规则绘制跨类二维关系拓扑图，完成跨类二维关联分析；
其中，当满足
Figure 432551DEST_PATH_IMAGE004
时，得到关联规则
Figure 22932DEST_PATH_IMAGE005
；
式中，F k 为进行关联规则挖掘时的频繁项集，
Figure 861575DEST_PATH_IMAGE006
为F k 的支持度计数，S为F k 的真子集，
Figure 17750DEST_PATH_IMAGE007
为
Figure 277787DEST_PATH_IMAGE009
的支持度计数，mincof为同时满足最小支持度和最小置信度的阈值，下标k为频繁项集序号。
本实施例中利用关于分析和关联规则相结合的方法应用于装备故障领域中，通过关联分析找到与故障发生有强关联的因素，并保留此部分数据剔除与故障发生没有强关联的数据，在进行数据挖掘，挖掘出装备故障之间的隐藏联系。
本实施例总同类二维关联分析的方法具体为：
在每类装备数据中，以类内离散矩阵的表征同类装备数据中的二维关联关系；
在装备数据中有M个数据样本分别为x 1, x 2,…,x m , …,x M，i为数据样本所属装备数据种类序数，i=1,2,3,…,c，classi为第i类装备数据种类，则得到类内离散矩阵S w 为：
Figure 355464DEST_PATH_IMAGE010
式中，u i 为第i类的数据样本。
本实施例中通过上述方案将高维的模式样本在最佳鉴别矢量空间进行投影，来实现分类信息的抽取和特征空间维数的压缩，经过投影后产生的子空间具有最小的类内间距，即在该空间中有最佳的可分离性。
本实施例的步骤S24中的多维关联信息为包括应用维度、时间维度和信息维度之间的关联信息的装备时空关联图。
本实施例的步骤S3具体为：
基于多维关联信息，通过构造评价函数对待测装备中的各个测控点进行故障评价，获得故障评价得分，将故障评价得分大于设定阈值的测控点作为故障频发区域。
本实施例中构造的评价函数为：
Figure 732219DEST_PATH_IMAGE011
式中，
Figure 211742DEST_PATH_IMAGE012
为待测装备中测控点p的故障评价分数，P为待测装备中测控点p的数量，G p 为测控点p历史运行故障信息，
Figure 445277DEST_PATH_IMAGE013
在多维关联信息中与测控点p相关的其他故障信息，
Figure 10250DEST_PATH_IMAGE014
为测控点p对待测装备的故障影响的权重系数，T i 为测控点p所属维度信息。

Claims (10)

1.一种基于大数据分析的装备故障频发区域定位方法，其特征在于，包括以下步骤：
S1、采集装备数据；
S2、对装备数据进行信息分析，获得表征装备故障的多维关联信息；
S3、基于多维关联信息，对装备故障频发区域进行定位。
2.根据权利要求1所述的基于大数据分析的装备故障频发区域定位方法，其特征在于，所述步骤S1中的装备数据包括装备基本数据、实例案例数据、初始数据、故障数据、告警数据、在线监测数据、运行工况数据、气象数据以及装备参考数据。
3.根据权利要求2所述的基于大数据分析的装备故障频发区域定位方法，其特征在于，所述步骤S2具体为：
S21、对采集的装备数据进行预处理；
S22、对预处理的装备数据进行分布式存储，并分类；
其中，分类包括电气量、过程量和状态量；
S23、基于分布式存储的装备数据，对各类装备数据之间进行二维关联分析；
S24、基于二维关联分析结果，进行信息级聚合，获得多维关联信息。
4.根据权利要求3所述的基于大数据分析的装备故障频发区域定位方法，其特征在于，所述步骤S22中，对分布式存储的装备数据进行分类的方法具体为：
S22-1、设置各类装备数据的查询条件；
S22-2、根据当前装备数据分类需求，以对应的查询条件对存储的装备数据进行过滤，并以时间或相关系数为关键词进行数据节点连接组建；
其中，过滤处理的公式为：
Figure 861170DEST_PATH_IMAGE001
式中，t为当前分类需求过滤后的装备数据，
Figure 759856DEST_PATH_IMAGE002
为当前装备下的所有高斯白噪声信号，下标j为高斯白噪声信号序号，b为高斯白噪声，
Figure 204743DEST_PATH_IMAGE003
为装备数据的时域分布参数；
S22-3、在数据节点连接组建过程中，使用数据文件名标记每条装备数据；
S22-4、基于装备数据标记结果，将具有相同属性的装备数据划分到同一组数据节点中，并将其存在分布式存储的同一分组中，完成装备数据分类。
5.根据权利要求3所述的基于大数据分析的装备故障频发区域定位方法，其特征在于，所述步骤S23中，对各类装备数据进行二维关联分析包括跨类二维关联分析和同类二维关联分析。
6.根据权利要求5所述的基于大数据分析的装备故障频发区域定位方法，其特征在于，跨类二维关联分析的方法具体为：
A1、根据当前跨类分析目标，确定若干关联影响因素，并设置关联度阈值；
A2、基于确定的关联影响因素，逐个对当前两类装备数据进行关联分析，得到关联度；
A3、判断关联度是否小于关联度阈值；
若是，则进入步骤A4；
若否，则返回步骤A2；
A4、剔除当前关联度对应的装备数据；
A5、在当前两类装备数据中挖掘关联规则，并以该关联规则绘制跨类二维关系拓扑图，完成跨类二维关联分析；
其中，当满足
Figure 948709DEST_PATH_IMAGE004
时，得到关联规则
Figure 61021DEST_PATH_IMAGE005
；
式中，F k 为进行关联规则挖掘时的频繁项集，
Figure 865029DEST_PATH_IMAGE006
为F k 的支持度计数，S为F k 的真子集，
Figure 859530DEST_PATH_IMAGE007
为
Figure 407186DEST_PATH_IMAGE009
的支持度计数，mincof为同时满足最小支持度和最小置信度的阈值，下标k为频繁项集序号。
7.根据权利要求5所述的基于大数据分析的装备故障频发区域定位方法，其特征在于，同类二维关联分析的方法具体为：
在每类装备数据中，以类内离散矩阵的表征同类装备数据中的二维关联关系；
在装备数据中有M个数据样本分别为x 1, x 2,…, x m , …,x M，i为数据样本所属装备数据种类序数，i=1,2,3,…,c，classi为第i类的装备数据种类，则得到类内离散矩阵S w 为：
Figure 374005DEST_PATH_IMAGE010
式中，u i 为第i类的数据样本。
8.根据权利要求3所述的基于大数据分析的装备故障频发区域定位方法，其特征在于，所述步骤S24中的多维关联信息为包括应用维度、时间维度和信息维度之间的关联信息的装备时空关联图。
9.根据权利要求1所述的基于大数据分析的装备故障频发区域定位方法，其特征在于，所述步骤S3具体为：
基于多维关联信息，通过构造评价函数对待测装备中的各个测控点进行故障评价，获得故障评价得分，将故障评价得分大于设定阈值的测控点作为故障频发区域。
10.根据权利要求9所述的基于大数据分析的装备故障频发区域定位方法，其特征在于， 构造的评价函数为：
Figure 348914DEST_PATH_IMAGE011
式中，
Figure 768394DEST_PATH_IMAGE012
为待测装备中测控点p的故障评价分数，P为待测装备中测控点p的数量，G p 为测控点p历史运行故障信息，
Figure 916479DEST_PATH_IMAGE013
在多维关联信息中与测控点p相关的其他故障信息，
Figure 737804DEST_PATH_IMAGE014
为测控点p对待测装备的故障影响的权重系数，T i 为测控点p所属维度信息。
CN202210541599.4A 2022-05-19 2022-05-19 一种基于大数据分析的装备故障频发区域定位方法 Active CN114637793B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210541599.4A CN114637793B (zh) 2022-05-19 2022-05-19 一种基于大数据分析的装备故障频发区域定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210541599.4A CN114637793B (zh) 2022-05-19 2022-05-19 一种基于大数据分析的装备故障频发区域定位方法

Publications (2)

Publication Number Publication Date
CN114637793A true CN114637793A (zh) 2022-06-17
CN114637793B CN114637793B (zh) 2022-08-02

Family

ID=81952721

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210541599.4A Active CN114637793B (zh) 2022-05-19 2022-05-19 一种基于大数据分析的装备故障频发区域定位方法

Country Status (1)

Country Link
CN (1) CN114637793B (zh)

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106603317A (zh) * 2017-02-20 2017-04-26 山东浪潮商用系统有限公司 一种基于数据挖掘技术的告警监控策略的分析方法
CN107133632A (zh) * 2017-02-27 2017-09-05 国网冀北电力有限公司 一种风电设备故障诊断方法及系统
CN107301296A (zh) * 2017-06-27 2017-10-27 西安电子科技大学 基于数据的断路器故障影响因素定性分析方法
CN109409668A (zh) * 2018-09-21 2019-03-01 华中科技大学 基于数据挖掘的抽水蓄能机组故障关联关系分析方法
CN112016602A (zh) * 2020-08-18 2020-12-01 广东电网有限责任公司韶关供电局 电网故障原因与状态量的关联分析方法，设备和存储介质
CN112085618A (zh) * 2020-06-16 2020-12-15 西安交通大学 一种基于频繁项集的配电设备故障因素关联性挖掘方法
CN112462736A (zh) * 2020-11-13 2021-03-09 华北电力大学 一种基于数据分析的风电机组故障诊断方法
CN112528519A (zh) * 2020-05-14 2021-03-19 北京赛宝工业技术研究院有限公司 发动机质量预警服务的方法、系统、可读介质和电子设备
CN112785108A (zh) * 2019-11-11 2021-05-11 国网天津市电力公司 一种基于调控云的电网运行数据关联分析方法及系统
CN113448763A (zh) * 2021-07-16 2021-09-28 广东电网有限责任公司 全生命周期管理的可动态扩展分组告警服务方法
CN113761032A (zh) * 2021-09-10 2021-12-07 哈尔滨工业大学 基于可拓关联规则挖掘的航空发动机故障诊断方法及系统
CN114090647A (zh) * 2021-10-22 2022-02-25 国家电网公司西南分部 一种电力通信设备缺陷关联性分析方法及缺陷排查方法
CN114142923A (zh) * 2020-09-03 2022-03-04 中国移动通信集团安徽有限公司 光缆故障定位方法、装置、设备及可读介质

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106603317A (zh) * 2017-02-20 2017-04-26 山东浪潮商用系统有限公司 一种基于数据挖掘技术的告警监控策略的分析方法
CN107133632A (zh) * 2017-02-27 2017-09-05 国网冀北电力有限公司 一种风电设备故障诊断方法及系统
CN107301296A (zh) * 2017-06-27 2017-10-27 西安电子科技大学 基于数据的断路器故障影响因素定性分析方法
CN109409668A (zh) * 2018-09-21 2019-03-01 华中科技大学 基于数据挖掘的抽水蓄能机组故障关联关系分析方法
CN112785108A (zh) * 2019-11-11 2021-05-11 国网天津市电力公司 一种基于调控云的电网运行数据关联分析方法及系统
CN112528519A (zh) * 2020-05-14 2021-03-19 北京赛宝工业技术研究院有限公司 发动机质量预警服务的方法、系统、可读介质和电子设备
CN112085618A (zh) * 2020-06-16 2020-12-15 西安交通大学 一种基于频繁项集的配电设备故障因素关联性挖掘方法
CN112016602A (zh) * 2020-08-18 2020-12-01 广东电网有限责任公司韶关供电局 电网故障原因与状态量的关联分析方法，设备和存储介质
CN114142923A (zh) * 2020-09-03 2022-03-04 中国移动通信集团安徽有限公司 光缆故障定位方法、装置、设备及可读介质
CN112462736A (zh) * 2020-11-13 2021-03-09 华北电力大学 一种基于数据分析的风电机组故障诊断方法
CN113448763A (zh) * 2021-07-16 2021-09-28 广东电网有限责任公司 全生命周期管理的可动态扩展分组告警服务方法
CN113761032A (zh) * 2021-09-10 2021-12-07 哈尔滨工业大学 基于可拓关联规则挖掘的航空发动机故障诊断方法及系统
CN114090647A (zh) * 2021-10-22 2022-02-25 国家电网公司西南分部 一种电力通信设备缺陷关联性分析方法及缺陷排查方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
XUECEN ZHANG ET AL.: "A FP-Growth Algorithm Based Fault Analysis Method for Distribution Terminal Unit", 《2021 IEEE/IAS INDUSTRIAL AND COMMERCIAL POWER SYSTEM ASIA (I&CPS ASIA)》 *
陈勇刚: "基于关联规则挖掘的航空设备故障诊断研究", 《数学的实践与认识》 *

Also Published As

Publication number Publication date
CN114637793B (zh) 2022-08-02

Similar Documents

Publication Publication Date Title
CN111459700B (zh) 设备故障的诊断方法、诊断装置、诊断设备及存储介质
KR101316486B1 (ko) 이상 검지 방법 및 시스템
CN111562108A (zh) 一种基于cnn和fcmc的滚动轴承智能故障诊断方法
CA2931624A1 (en) Systems and methods for event detection and diagnosis
CN116559598B (zh) 一种智慧配电网故障定位方法及系统
CN112284440B (zh) 一种传感器数据偏差自适应修正方法
CN108535635B (zh) 一种基于eemd和hmm的模拟电路间歇故障诊断方法
CN109389325B (zh) 基于小波神经网络的变电站电子式互感器状态评估方法
CN111538311B (zh) 一种基于数据挖掘的机械设备柔性多状态自适应预警方法及装置
EP1960853A1 (en) Evaluating anomaly for one-class classifiers in machine condition monitoring
CN108257365B (zh) 一种基于全局不确定性证据动态融合的工业报警器设计方法
CN112380992B (zh) 一种加工过程监控数据准确性评估与优化方法及装置
CN112000081B (zh) 基于多块信息提取和马氏距离的故障监测方法及系统
CN106907927A (zh) 一种核灵活流形嵌入电熔镁炉故障监测方法
CN113269327A (zh) 一种基于机器学习的流量异常预测方法
CN115098962A (zh) 一种基于隐半马尔夫模型的机械设备退化态下剩余寿命的预测方法
Renga et al. Data-driven exploratory models of an electric distribution network for fault prediction and diagnosis
CN114637793B (zh) 一种基于大数据分析的装备故障频发区域定位方法
CN117435908A (zh) 一种用于旋转机械的多种故障特征提取方法
CN116699400A (zh) 一种发电机转子短路故障监测系统、方法及可读存储介质
CN114674511B (zh) 一种用于剔除时变环境因素影响的桥梁模态异常预警方法
CN116658433A (zh) 一种耐颗粒型磁力泵智能检测方法及系统
CN112104340B (zh) 一种基于HMM模型和Kalman滤波技术的开关量输入模块BIT降虚警方法
CN117675230A (zh) 基于知识图谱的油井数据完整性识别方法
CN115169815A (zh) 一种基于混合泛化网络的风电机组异常检测方法

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