CN114970950A - 风机故障报警方法、装置、存储介质及电子设备 - Google Patents

风机故障报警方法、装置、存储介质及电子设备 Download PDF

Info

Publication number
CN114970950A
CN114970950A CN202210389360.XA CN202210389360A CN114970950A CN 114970950 A CN114970950 A CN 114970950A CN 202210389360 A CN202210389360 A CN 202210389360A CN 114970950 A CN114970950 A CN 114970950A
Authority
CN
China
Prior art keywords
observation information
samples
bearing temperature
group
residual
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
Application number
CN202210389360.XA
Other languages
English (en)
Inventor
朱越
陈鹏
赵焕庆
邹淞宇
刘九洲
李勇
何超
杨文哲
景万里
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.)
State Grid Energy Hami Coal Power Co ltd
National Energy Group Guoyuan Power Co Ltd
Original Assignee
State Grid Energy Hami Coal Power Co ltd
National Energy Group Guoyuan Power 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 State Grid Energy Hami Coal Power Co ltd, National Energy Group Guoyuan Power Co Ltd filed Critical State Grid Energy Hami Coal Power Co ltd
Priority to CN202210389360.XA priority Critical patent/CN114970950A/zh
Publication of CN114970950A publication Critical patent/CN114970950A/zh
Pending legal-status Critical Current

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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
    • F04D—NON-POSITIVE-DISPLACEMENT PUMPS
    • F04D27/00—Control, e.g. regulation, of pumps, pumping installations or pumping systems specially adapted for elastic fluids
    • F04D27/001—Testing thereof; Determination or simulation of flow characteristics; Stall or surge detection, e.g. condition monitoring
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • 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
    • 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
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/18—Status alarms
    • G08B21/185—Electrical failure alarms
    • 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
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/70—Wind energy
    • Y02E10/72—Wind turbines with rotation axis in wind direction

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)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Tourism & Hospitality (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Business, Economics & Management (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Mathematical Optimization (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Computational Linguistics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Algebra (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Emergency Management (AREA)
  • Probability & Statistics with Applications (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Mechanical Engineering (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本公开涉及一种风机故障报警方法、装置、存储介质及电子设备，该方法包括：获取待测风机的多组观测信息，观测信息包括运行参数和实际轴承温度值；将每组观测信息中的运行参数输入至预先训练得到的轴承温度预测模型中，并获取轴承温度预测模型输出的每组观测信息对应的预测轴承温度值；基于每组观测信息对应的预测轴承温度值和实际轴承温度值，确定每组观测信息对应的残差值；通过预设的滑动窗口算法对每组观测信息对应的残差值进行处理，得到多个残差平均值；如果多个残差平均值满足预警条件，则输出报警信息，其中，预警条件是根据待测风机的最近指定时间段内的多组观测信息样本确定的。本公开能够实现待测风机长期准确预警的目的。

Description

风机故障报警方法、装置、存储介质及电子设备
技术领域
本公开涉及风机领域，具体地，涉及一种风机故障报警方法、装置、存 储介质及电子设备。
背景技术
大型火电机组系统的结构复杂，涉及到的设备参数众多，设备大都处在 高负荷的工作环境中。当前火电行业已经具备较高的自动化和信息化水平, 然而普遍存在重主机、轻辅机倾向，对辅机状态监测和故障预警的投入严重 不足。
据统计，以各类风机为代表的辅机故障已成为火电厂非计划停机的主要 原因之一，薄弱的辅机状态监测和故障预警系统已成为发展全厂设备智能化 管理的短板。同时，随着火力发电高参数、大容量机组的不断发展和应用， 其相应的各类旋转设备也逐步趋向高功率，在火电厂生产过程中的作用也愈 发重要，同时各类旋转设备的故障率也随之提升。在旋转设备的众多故障中， 因轴承故障而引发的各类振动故障在各类旋转设备中比较普遍。
以火电厂各类风机故障为例，据统计，在火电风机类设备的故障中，风 机轴承振动超标故障占比最多，高达44.23％；其次是风机轴承温度超标， 占17.31％。其余各类故障如叶轮磨损、喘振等故障总计占38.46％。
因此，当前有必要对火电机组中以风机为首的主要旋转设备进行故障预 警。
发明内容
本公开的目的是提供一种风机故障报警方法、装置、存储介质及电子设 备，能够实现风机早期故障预警。
为了实现上述目的，一方面，本公开提供一种风机故障报警方法，包括：
获取待测风机的多组观测信息，所述观测信息包括运行参数和实际轴承 温度值；
将每组观测信息中的运行参数输入至预先训练得到的轴承温度预测模 型中，并获取所述轴承温度预测模型输出的每组观测信息对应的预测轴承温 度值；
基于每组观测信息对应的预测轴承温度值和实际轴承温度值，确定每组 观测信息对应的残差值；
通过预设的滑动窗口算法对所述每组观测信息对应的残差值进行处理， 得到多个残差平均值；
如果所述多个残差平均值满足预警条件，则输出报警信息，其中，所述 预警条件是根据所述待测风机的最近指定时间段内的多组观测信息样本确 定的。
可选地，所述如果所述多个残差平均值满足预设条件，则输出报警信息， 包括：
如果所述多个残差平均值中至少一个参数平均值不处于目标范围内，则 输出报警信息。
可选地，所述方法包括：
获取待测风机在最近指定时间段内的多组观测信息样本，所述观测信息 样本包括运行参数样本和实际轴承温度值样本；
将每组观测信息样本中的运行参数样本输入至所述轴承温度预测模型 中，并获取所述轴承温度预测模型输出的每组观测信息样本对应的预测轴承 温度值样本；
基于每组观测信息样本对应的预测轴承温度值样本和实际轴承温度值 样本，确定每组观测信息样本对应的残差值样本；
通过所述预设的滑动窗口算法对所述每组观测信息样本对应的残差值 样本进行处理，得到多个残差平均值样本；
基于所述多个残差平均值样本，确定所述目标范围。
可选地，所述基于所述多个残差平均值样本，确定所述目标范围，包括：
根据所述多个残差平均值样本中的最大值，确定所述目标范围的上限；
根据所述多个残差平均值样本中的最小值，确定所述目标范围的下限。
可选地，所述方法还包括：
获取待测风机的多组观测信息样本，所述观测信息样本包括多种数据；
基于所述多组观测信息样本训练LightGBM模型；
利用贝叶斯优化算法对所述LightGBM模型中的超参数寻优，并将优化 后的LightGBM模型，确定为所述轴承温度预测模型。
可选地，所述基于所述多组观测信息样本训练LightGBM模型，包括：
针对所述多组观测信息样本中的每组观测信息样本，通过预设的标准化 公式将所述观测信息样本包括的多种数据中每一数据进行处理，得到包括多 个标准数据的标准观测信息样本；
基于所述标准观测信息样本训练LightGBM模型。
可选地，所述基于所述标准观测信息样本训练LightGBM模型，包括：
通过熵权法计算所述标准观测信息样本包括的多种标准数据中每种标 准数据的权重值；
将所述多种标准数据中权重最大的指定数量的标准数据，确定为目标标 准数据；
基于所述目标标准数据更新所述标准观测信息样本；
基于更新后的标准观测信息样本训练LightGBM模型。
另一方面，本公开提供一种风机故障报警装置，包括：
观测信息获取模块，用于获取待测风机的多组观测信息，所述观测信息 包括运行参数和实际轴承温度值；
轴承温度预测模块，用于将每组观测信息中的运行参数输入至预先训练 得到的轴承温度预测模型中，并获取所述轴承温度预测模型输出的每组观测 信息对应的预测轴承温度值；
残差值确定模块，用于基于每组观测信息对应的预测轴承温度值和实际 轴承温度值，确定每组观测信息对应的残差值；
滑动窗口模块，用于通过预设的滑动窗口算法对所述每组观测信息对应 的残差值进行处理，得到多个残差平均值；
报警模块，用于在所述多个残差平均值满足预警条件的情况下，输出报 警信息，其中，所述预警条件是根据所述待测风机的最近指定时间段内的多 组观测信息样本确定的。
又一方面，本公开提供一种非临时性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上述风机故障报警方法的步骤。
再一方面，本公开提供一种电子设备，其特征在于，包括：
存储器，其上存储有计算机程序；
处理器，用于执行所述存储器中的所述计算机程序，以实现上述风机故 障报警方法的步骤。
本公开的实施例提供的技术方案可以包括以下有益效果：通过获取待测 风机的多组观测信息，观测信息包括运行参数和实际轴承温度值；将每组观 测信息中的运行参数输入至预先训练得到的轴承温度预测模型中，并获取轴 承温度预测模型输出的每组观测信息对应的预测轴承温度值；基于每组观测 信息对应的预测轴承温度值和实际轴承温度值，确定每组观测信息对应的残 差值；通过预设的滑动窗口算法对每组观测信息对应的残差值进行处理，得 到多个残差平均值；如果多个残差平均值满足预警条件，则输出报警信息， 其中，预警条件是根据待测风机的最近指定时间段内的多组观测信息样本确 定的。由于预警条件是根据待测风机的最近指定时间段内的多组观测信息样 本确定的，也就是说预警条件是可以根据待测风机的最新的运行情况动态更 新的，从而能够用来实现待测风机长期准确预警的目的。另外，通过滑动窗 口算法对每组观测信息对应的残差值进行处理，可以提升用于判断故障的数 据的可靠性，进而提升了预警的准确性。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本公开的进一步理解，并且构成说明书的一部分，与 下面的具体实施方式一起用于解释本公开，但并不构成对本公开的限制。在 附图中：
图1是根据一示例性实施例示出的一种风机故障报警方法的流程图。
图2是根据另一示例性实施例示出的一种风机故障报警方法的流程图。
图3是根据图2实施例示出的多种标准数据中权重最大的5个标准数据 的权重示意图。
图4是根据图2实施例示出的多个残差值样本的分布示意图。
图5是根据图2实施例示出的多个残差平均值的分布示意图。
图6是根据图2实施例示出的一种罗茨风机轴承温度预测的多个残差值 分布。
图7是根据图6的预测残差值采用滑动窗口法后计算得到的多个残差平 均值的分布示意图。
图8是根据一示例性实施例示出的一种风机故障报警装置的框图。
图9是根据一示例性实施例示出的一种电子设备的框图。
图10是根据一示例性实施例示出的另一种电子设备的框图。
具体实施方式
以下结合附图对本公开的具体实施方式进行详细说明。应当理解的是， 此处所描述的具体实施方式仅用于说明和解释本公开，并不用于限制本公 开。
需要说明的是，本公开中所有获取信号、信息或数据的动作都是在遵照 所在地国家相应的数据保护法规政策的前提下，并获得由相应装置所有者给 予授权的情况下进行的。
在相关技术中，在对风机故障进行预警时，所采用的人为设定固定预警 阈值、预警系统和机理建模等预警方案都存在一个共同的弊端，即无法实时 更新系统和模型，例如，始终采用相同的故障判断标准对风机故障情况进行 判断。
然而，随着设备的使用时间增加，设备的各项结构、各类部件都发生了 变化，原有的经验理论和最初的建模已经不再适用于现在的设备。若仍采用 原先的故障判断标准，则会产生较多的误报警。
另外，若要重新修改相关的预警阈值、理论和模型，其难度也会大幅增 加，这样的方法很难适应设备的长期预警需求。
针对上述问题，本公开的实施例提供一种风机故障报警方法、装置、存 储介质及电子设备，能够长期、准确地对风机故障进行预警。
下面对本实施例所涉及的专业数据进行解释：
机器学习：机器学习是一门多学科交叉专业，涵盖概率论知识，统计学 知识，近似理论知识和复杂算法知识，使用计算机作为工具并致力于真实实 时的模拟人类学习方式，并将现有内容进行知识结构划分来有效提高学习效 率。
贝叶斯优化：通过基于目标函数的过去评估结果建立替代函数(概率模 型)，来找到最小化目标函数的值。基于这一定义可以实现对机器学习模型 中的超参数算法进行寻优。
LightGBM：机器学习中Boost算法的一类，属于GBDT(Gradient BoostingDecision Tree)算法的一类框架，其继承GBDT的利用弱分类器(决 策树)迭代训练以得到最优模型的思想，并具有更快的训练速度、更低的内 存消耗、更好的准确率、支持分布式可以快速处理海量数据等优点。
滑动窗口法：滑动窗口就是能够根据指定的单位长度来框住时间序列， 从而计算框内的统计指标，可以用来解决一些查找满足一定条件的连续区间 的性质。并对一些异常点进行剔除。
图1是根据一示例性实施例示出的一种风机故障报警方法的流程图，如 图1所示，该风机故障报警方法可以用于电子设备中，该方法可以包括以下 步骤：
110、获取待测风机的多组观测信息，上述观测信息包括运行参数和实 际轴承温度值。
可选地，电子设备可以是服务器、个人电脑、平板电脑等具有数据处理 功能的设备。
在一些实施方式中，电子设备可以与待测风机建立通信连接，待测风机 可以将其在运行过程中检测到的观测信息实时发送至电子设备，电子设备在 接收到观测信息后可以按照时间顺序进行保存。其中，观测信息可以包括运 行参数和实际轴承温度值。可选地，运行参数可以是与待测风机的轴承温度 相关性较高的参数，即对轴承温度影响比较大的参数。示例性地，运行采纳 数可以包括：风机y向振动、风机x向振动、风机轴承温度、驱动端前轴承 温度、驱动端中轴承温度、驱动端后轴承温度、定子线圈温度、引风机油滤 网差压、驱动端润滑油压力等参数。
可以理解的是，每组观测信息可以对应一个时间。例如，多个观测信息 中的观测信息A对应的时间为9:00，那么观测信息A就是待测风机在9:00 时检测到的。
120、将每组观测信息中的运行参数输入至预先训练得到的轴承温度预 测模型中，并获取上述轴承温度预测模型输出的每组观测信息对应的预测轴 承温度值。
可选地，轴承温度预测模型可以是基于多个运行参数样本和多个轴承温 度值样本对机器学习模型进行训练得到，训练好的轴承温度预测模型能够根 据输入的运行参数信息，输出相应的预测轴承温度值。
在一些实施方式中，电子设备可以将每组观测信息中的运行参数分别输 入至该轴承温度预测模型，然后获取每组观测信息对应的预测轴承温度值。
130、基于每组观测信息对应的预测轴承温度值和实际轴承温度值，确 定每组观测信息对应的残差值。
在一些实施方式中，电子设备可以将每组观测信息对应的预测轴承温度 值和实际轴承温度值之间的差值，确定为每组观测信息对应的参数值。
示例性地，例如电子设备可以先将多组观测信息按照其对应的时间先后 顺序进行排列，例如，排列好的观测信息为：观测信息1、观测信息2、观 测信息3、……、观测信息N，其中N为正整数。然后，将观测信息1的实 际轴承温度值和其对应的预测轴承温度值之间的差值确为观测信息1对应的 残差值1，以此类推，可以得到观测信息2对应的残差值2、观测信息3对 应的残差值3等等。
140、通过预设的滑动窗口算法对上述每组观测信息对应的残差值进行 处理，得到多个残差平均值。
沿用上述示例，可以通过滑动窗口算法对步骤130中得到的多个残差值 进行处理，得到多个残差平均值，例如预设的滑动窗算法包括：滑动窗口的 长度为20，窗口每次向前滑动1个残差值(以下可称残差点。)然后计算每 次滑动后滑动窗口内包括的所有残差值的平均值，即得到多个残差平均值。
150、如果上述多个残差平均值满足预警条件，则输出报警信息，其中， 上述预警条件是根据上述待测风机的最近指定时间段内的多组观测信息样 本确定的。
在一些实施方式中，电子设备可以预先将多组观测信息样本按照上述步 骤120至140的实施方式进行处理，得到多组观测信息样本对应的多个残差 平均值样本，然后通过分析多个残差平均值样本的分布，确定预警条件。例 如分析多个残差平均值样本大致分布在-0.4到0.4的区间内，因此可以将-0.4 到0.4的范围确定为目标范围，如果多个残差平均值中具有不处于该目标范 围(例如多个残差平均值中具有残差平均值为0.6)则可以确定多个残差平 均值满足预警条件，并输出报警信息，以提醒工作人员注意故障。
可以理解的是，观测信息样本与上述观测信息为同一类数据。
可选地，最近指定时间段可以是最近的一小时、最近的一天、最近的一 周等，具体的，该指定时间段可以根据实际需求设定，在此不做限定。
其中，报警信息可以是通过文字、图像、视频、语音等形式输出，具体 的输出形式，在此不做限定。
可见，在本实施例中，通过获取待测风机的多组观测信息，观测信息包 括运行参数和实际轴承温度值；将每组观测信息中的运行参数输入至预先训 练得到的轴承温度预测模型中，并获取轴承温度预测模型输出的每组观测信 息对应的预测轴承温度值；基于每组观测信息对应的预测轴承温度值和实际 轴承温度值，确定每组观测信息对应的残差值；通过预设的滑动窗口算法对 每组观测信息对应的残差值进行处理，得到多个残差平均值；如果多个残差 平均值满足预警条件，则输出报警信息，其中，预警条件是根据待测风机的最近指定时间段内的多组观测信息样本确定的。由于预警条件是根据待测风 机的最近指定时间段内的多组观测信息样本确定的，也就是说预警条件是可 以根据待测风机的最新的运行情况动态更新的，从而能够用来实现待测风机 长期准确预警的目的。另外，通过滑动窗口算法对每组观测信息对应的残差 值进行处理，可以提升用于判断故障的数据的可靠性，进而提升了预警的准 确性。
图2是根据另一示例性实施例示出的一种风机故障报警方法的流程图， 如图2所示，该风机故障报警方法可以用于电子设备中，该方法可以包括以 下步骤：
210、获取待测风机的多组观测信息，上述观测信息包括运行参数和实 际轴承温度值。
220、将每组观测信息中的运行参数输入至预先训练得到的轴承温度预 测模型中，并获取上述轴承温度预测模型输出的每组观测信息对应的预测轴 承温度值。
在一些实施方式中，在步骤220之前，该风机故障报警方法还可以包括：
221、获取待测风机的多组观测信息样本，上述观测信息样本包括多种 数据。
可选地，观测信息样本包括的多种数据中包括但不限于：待测风机的实 际轴承温度值样本以及上述运行参数样本中所包含的数据(如驱动端轴承温 度、风机轴承振动信号、驱动端轴承振动信号等)。
222、基于上述多组观测信息样本训练LightGBM模型。
其中，用来训练LightGBM模型的观测信息样本可以根据时间的变化而 更新，即电子设备始终将到当前时刻为止的最近一段时间内的观测信息作为 用来训练LightGBM模型的观测信息样本，从而保证LightGBM模型的动态 更新。
在一些实施方式中，步骤222的具体实施方式可以包括：
2221、针对上述多组观测信息样本中的每组观测信息样本，通过预设的 标准化公式将上述观测信息样本包括的多种数据中每一数据进行处理，得到 包括多个标准数据的标准观测信息样本。
示例性地，例如观测信息样本由n种数据组成，多组观测信息样本中的 第i组观测信息样本可以由Xi＝[Xi1,Xi2,Xi3,......Xin]表示，其中，i、n为正整 数。预设的标准化公式可以如下所示：
Figure BDA0003594981140000111
其中，Xij表示第i组观测信息样本中的第j种数据，Yij表示对第i组观 测信息样本中的第j种数据通过预设的标准化公式进行处理后得到的标准。
以此类推，通过上述公式对每组观测信息样本中的每种数据进行处理， 即可得到多组标准观测信息样本。
在本实施方式中，通过对观测信息样本中的数据进行标准化处理，能够 使各个数据的评价指标都处于同一数量级别上，从而可以方便对处理后的数 据综合分析。
2222、基于上述标准观测信息样本训练LightGBM模型。
在一些实施方式中，步骤2222的具体实施方式可以包括：
通过熵权法计算上述标准观测信息样本包括的多种标准数据中每种标 准数据的权重值。将上述多种标准数据中权重最大的指定数量的标准数据， 确定为目标标准数据。基于上述目标标准数据更新上述标准观测信息样本。 再基于更新后的标准观测信息样本训练LightGBM模型。
沿用上述示例，例如电子设备可以使用熵权法计算标准化后的标准观测 信息样本Yi中各个标准数据的权重值，即待测风机的各个运行数据的信息熵 Ej，信息熵Ej的表达式如下所示：
Figure BDA0003594981140000112
其中，
Figure BDA0003594981140000121
若Pij＝0，则有
Figure BDA0003594981140000122
可见，通过上述表达式可以得到每种标准数据的权重值，然后，电子设 备可以将上述多种标准数据中权重最大的指定数量的标准数据，确定为目标 标准数据。示例性地，指定数量可以为5个，多种标准数据中权重最大的5 个标准数据如图3所示，根据图3可知，可以将多种标准数据中的风机轴承 温度2、驱动端后轴承温度1、定子线圈温度6、引风机油滤网差压以及风机 x向震动，确定为目标标准数据。
然后，电子设备可以使用目标标准数据更新标准观测信息样本，即只保 留标准观测信息样本中的目标标准数据，例如更新后的标准观测信息样本只 包括风机轴承温度2、驱动端后轴承温度1、定子线圈温度6、引风机油滤网 差压以及风机x向震动这5中数据，从而达到数据降维的作用。
最后，电子设备可以基于更新后的标准观测信息样本训练LightGBM模 型。
示例性地，电子设备可以获取1000个更新后的标准观测信息样本作为 训练集，并通过训练集来训练LightGBM的轴承温度预测模型。
考虑到标准观测信息样本中包括的多种标准数据中可能有些标准数据 与风机轴承温度的相关性不大，在本实施方式中，通过熵权法计算对标准观 测信息样本的进行降维处理，从而可以提高用于训练LightGBM模型的样本 的质量，进而提升训练的LightGBM模型的质量。
可选地，在本实施例中，对数据进行降维的方法除了熵权法，还可以是 其它方法，例如皮尔逊系数法等，具体采用何种算法，在此不做限定。
可选地，电子设备还可以通过XGBoost算法来代替本实施例中的 LightGBM算法，具体采用何种算法，在此不做限定。
223、利用贝叶斯优化算法对上述LightGBM模型中的超参数寻优，并 将优化后的LightGBM模型，确定为上述轴承温度预测模型。
作为一种示例，步骤223的具体实施方式可以包括：
2231、初始化LightGBM的轴承温度预测模型，并设置各超参数。可选 地，超参数可以包括学习率(learning_rate)、树深度(max_depth)、叶子节点数 (num_samples)、叶子上最小数据数(min_child_samples)等。
2232、在LightGBM的轴承温度预测模型超参数空间内随机采样，得到 LightGBM模型的超参数评估点集合
Figure BDA0003594981140000131
2233、在集合Dt的基础上采用高斯过程建立目标函数的后验分布；
2234、最大化PI函数确定下一个采样点xt+1；计算目标函数值ft+1；
2235、将评估点(xt+1,ft+1)加入到集合Dt中，得到Dt+1；
2236、重复步骤2233-2234的迭代过程，直到迭代结束；
2237、输出max{f}作为优化的LightGBM超参数组合。
可选地，上述贝叶斯优化算法采用的概率代理模型可以为高斯过程回归 模型，表达式为：f(x)～GP(μ(x),k(x,x'))；
其中，f(x)为目标函数，μ(x)为均值函数，即μ(x)＝E(f(X))， k(x,x')为协方差函数，E(f(X))为目标函数f(xt)的数学期望；
可选地，超参数评估点集合
Figure BDA0003594981140000132
其中ft＝f(xt),下一个 采样点为xt+1，假定先验分布的均值为0，则ft和ft+1的联合分布表达式为：
Figure BDA0003594981140000133
其中K为矩阵k(x,x')，Kt+1为矩阵k(x,x't+1)，Kt+1,t+1为矩阵 k(xt+1,x't+1)，
Figure BDA0003594981140000135
为Kt+1的转置矩阵；
综上，ft+1的后验分布
Figure BDA0003594981140000134
其中ft+1的 后验分布
Figure BDA0003594981140000141
方差
Figure BDA0003594981140000142
可选地，PI函数表达式具体为：
Figure BDA0003594981140000143
其中xt+1为下一个采样点，φ()为标准正态累积分布函数，ft(x+)为当 前目标函数最大值，ε为平衡探索和开大的权衡系数，μt(x)为高斯过程的 后验分布均值，σt(x)为高斯过程的后验分布均值方差。
沿用上述示例，通过贝叶斯算法迭代30次后得到的各超参数为学习率 learning_rate＝0.2，树深度max_depth＝10、叶子节点数num_leaves＝1390、 叶子上最小数据数min_child_samples＝55。
示例性地，在步骤220中，电子设备可以将每组观测信息中的运行参数 作为测试集数据输入到上述优化后的LightGBM轴承温度预测模型中，得到 每组观测信息对应的轴承温度预测值。
230、基于每组观测信息对应的预测轴承温度值和实际轴承温度值，确 定每组观测信息对应的残差值。
240、通过预设的滑动窗口算法对上述每组观测信息对应的残差值进行 处理，得到多个残差平均值。
沿用上述示例，测试集输入到优化后的LightGBM轴承温度预测模型中， 获得其对应的轴承温度预测值后，电子设备可以对轴承温度预测值进行残差 分析(即计算轴承温度预测值与轴承温度实际值的差值)，获得该组观测信 息对应的残差点，然后，选取M(M＝20)个连续的残差点数为滑动窗口长度， 窗口每次向前滑动1个残差点，计算窗口内所有残差平均值T，得到多个残 差平均值。
250、如果上述多个残差平均值中至少一个参数平均值不处于目标范围 内，则输出报警信息。
在一些实施方式中，在步骤250之前还可以包括：
251、获取待测风机在最近指定时间段内的多组观测信息样本，上述观 测信息样本包括运行参数样本和实际轴承温度值样本。
示例性地，例如电子设备可以通过接收信息的方式，获取到待测风机在 正常工作下的最近一个月内的多组观测信息作为等多组观测信息样本。
可选地，运行参数样本包括但不限于：与风机轴承相关的驱动端轴承温 度、风机轴承振动信号、驱动端轴承振动信号等等。
可选地，观测信息样本的组数可以不少于指定组数(如10000组)，每 组观测数据样本中包含的数据类型可以不少于指定种(如18种)。
252、将每组观测信息样本中的运行参数样本输入至上述轴承温度预测 模型中，并获取上述轴承温度预测模型输出的每组观测信息样本对应的预测 轴承温度值样本。
253、基于每组观测信息样本对应的预测轴承温度值样本和实际轴承温 度值样本，确定每组观测信息样本对应的残差值样本。
其中，可以将多组观测信息样本按照其对应的时间先后顺序进行标号， 使得每组观测信息样本具有一个对应的样本标号，由于每组观测信息对应一 个残差值样本，所以也使得每个残差值样本具有对应的样本标号，其中，时 间越靠前的观测信息样本的样本标号越小。
作为一种示例，针对多个观测信息样本对应的多个残差值样本的分布可 以如图4所示，其中，图4中的横坐标为每个残差值样本对应的样本标号， 图4中的纵坐标为残差平均值的数值大小。
254、通过上述预设的滑动窗口算法对上述每组观测信息样本对应的残 差值样本进行处理，得到多个残差平均值样本。
255、基于上述多个残差平均值样本，确定上述目标范围。
示例性地，残差值样本经过预设的滑动窗口算法处理后，得到的多个残 差平均值的分布可以如图5所示，根据图5可知，多个残差平均值样本主要 分布在-0.4至0.4的范围内，即(-0.4,0.4)之间，表明待测风机在正常状态下， 残差平均值基本上不会超过-0.4至0.4，因此电子设备可以设定轴承温度残 差值绝对值为0.4作为报警阈值，即目标范围为(-0.4,0.4)，若残差平均值不 处于目标范围，则表明该残差平均值超过报警阈值，电子设备可以则输出报 警信息。
在另一些实施方式中，步骤255的具体实施方式可以包括：
根据上述多个残差平均值样本中的最大值，确定上述目标范围的上限； 根据上述多个残差平均值样本中的最小值，确定上述目标范围的下限。
示例性地，如图6所示，图6为一种罗茨风机轴承温度预测的多个残差 值分布，其中，图6中位于残差值0.6-0.8之间的横线为图6对应的报警阈 值，根据图6可知，该风机在运行时有多个温度异常点，需要采用预设的滑 动窗口法计算残差平均值来与预警阈值进行对比。
沿用上述示例，电子设备可以选取滑动窗口长度为M＝20，设置窗口滑 动步长为1，设置预警阈值为|0.4|，当有残差平均值不处于(-0.4,0.4)的范围时， 则判断为一次有效报警，从而可以有效避温度异常点的影响。
其中，图7为根据图6的预测残差值采用滑动窗口法后计算得到的残差 平均值。可以看到滑动窗口内的残差均值在第449个样本标号的位置突破 0.4，所以可以在第449个样本标号出现时发出报警，比图6中的实际报警点 提前了一定时间，说明该方法能够有效实现风机故障的早期预警。
可见，本实施例的风机故障报警方法，能够根据运行参数改变自行调整 温度预测模型，实现动态化故障预警阈值(即目标范围)，保证长期的风机 故障预警。且相比其他诸如神经网络、支持向量机等数据驱动故障预警技术 精度更高。此外在建模过程中加入了贝叶斯超参数优化的过程，避免了更新 模型时手动调参的麻烦。
图8是根据一示例性实施例示出的一种风机故障报警装置的框图。参照 图8，该装置30包括观测信息获取模块31、轴承温度预测模块32、残差值 确定模块33、滑动窗口模块34以及报警模块35。其中：
观测信息获取模块31，用于获取待测风机的多组观测信息，上述观测信 息包括运行参数和实际轴承温度值。
轴承温度预测模块32，用于将每组观测信息中的运行参数输入至预先训 练得到的轴承温度预测模型中，并获取上述轴承温度预测模型输出的每组观 测信息对应的预测轴承温度值。
残差值确定模块33，用于基于每组观测信息对应的预测轴承温度值和实 际轴承温度值，确定每组观测信息对应的残差值。
滑动窗口模块34，用于通过预设的滑动窗口算法对上述每组观测信息对 应的残差值进行处理，得到多个残差平均值。
报警模块35，用于在上述多个残差平均值满足预警条件的情况下，输出 报警信息，其中，上述预警条件是根据上述待测风机的最近指定时间段内的 多组观测信息样本确定的。
在一些实施方式中，报警模块35，具体用于如果上述多个残差平均值中 至少一个参数平均值不处于目标范围内，则输出报警信息。
在一些实施方式中，该装置30还包括：
观测信息样本获取模块，用于获取待测风机在最近指定时间段内的多组 观测信息样本，上述观测信息样本包括运行参数样本和实际轴承温度值样 本。
预测轴承温度值样本获取模块，用于将每组观测信息样本中的运行参数 样本输入至上述轴承温度预测模型中，并获取上述轴承温度预测模型输出的 每组观测信息样本对应的预测轴承温度值样本。
残差值样本确定模块，用于基于每组观测信息样本对应的预测轴承温度 值样本和实际轴承温度值样本，确定每组观测信息样本对应的残差值样本。
残差平均值样本获取模块，用于通过上述预设的滑动窗口算法对上述每 组观测信息样本对应的残差值样本进行处理，得到多个残差平均值样本。
目标范围确定模块，用于基于上述多个残差平均值样本，确定上述目标 范围。
在一些实施方式中，目标范围确定模块，具体用于根据上述多个残差平 均值样本中的最大值，确定上述目标范围的上限；根据上述多个残差平均值 样本中的最小值，确定上述目标范围的下限。
在一些实施方式中，该装置30还包括：
观测信息样本获取模块，用于获取待测风机的多组观测信息样本，上述 观测信息样本包括多种数据。
LightGBM模型训练模块，用于基于上述多组观测信息样本训练 LightGBM模型。
模型优化模块，用于利用贝叶斯优化算法对上述LightGBM模型中的超 参数寻优，并将优化后的LightGBM模型，确定为上述轴承温度预测模型。
在一些实施方式中，LightGBM模型训练模块，具体用于针对上述多组 观测信息样本中的每组观测信息样本，通过预设的标准化公式将上述观测信 息样本包括的多种数据中每一数据进行处理，得到包括多个标准数据的标准 观测信息样本；基于上述标准观测信息样本训练LightGBM模型。
在一些实施方式中，LightGBM模型训练模块，具体用于通过熵权法计 算上述标准观测信息样本包括的多种标准数据中每种标准数据的权重值；将 上述多种标准数据中权重最大的指定数量的标准数据，确定为目标标准数 据；基于上述目标标准数据更新上述标准观测信息样本；基于更新后的标准 观测信息样本训练LightGBM模型。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有 关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
图9是根据一示例性实施例示出的一种电子设备700的框图。如图9所 示，该电子设备700可以包括：处理器701，存储器702。该电子设备700 还可以包括多媒体组件703，输入/输出(I/O)接口704，以及通信组件705 中的一者或多者。
其中，处理器701用于控制该电子设备700的整体操作，以完成上述的 风机故障报警方法中的全部或部分步骤。存储器702用于存储各种类型的数 据以支持在该电子设备700的操作，这些数据例如可以包括用于在该电子设 备700上操作的任何应用程序或方法的指令，以及应用程序相关的数据，例 如联系人数据、收发的消息、图片、音频、视频等等。该存储器702可以由 任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机 存取存储器(Static Random Access Memory，简称SRAM)，电可擦除可编程 只读存储器(Electrically Erasable Programmable Read-Only Memory，简称 EEPROM)，可擦除可编程只读存储器(Erasable Programmable Read-Only Memory，简称EPROM)，可编程只读存储器(Programmable Read-Only Memory，简称PROM)，只读存储器(Read-Only Memory，简称ROM)，磁 存储器，快闪存储器，磁盘或光盘。多媒体组件703可以包括屏幕和音频组 件。其中屏幕例如可以是触摸屏，音频组件用于输出和/或输入音频信号。例 如，音频组件可以包括一个麦克风，麦克风用于接收外部音频信号。所接收 的音频信号可以被进一步存储在存储器702或通过通信组件705发送。音频 组件还包括至少一个扬声器，用于输出音频信号。I/O接口704为处理器701 和其他接口模块之间提供接口，上述其他接口模块可以是键盘，鼠标，按钮 等。这些按钮可以是虚拟按钮或者实体按钮。通信组件705用于该电子设备700与其他设备之间进行有线或无线通信。无线通信，例如Wi-Fi，蓝牙， 近场通信(NearField Communication，简称NFC)，2G、3G、4G、NB-IOT、 eMTC、或其他5G等等，或它们中的一种或几种的组合，在此不做限定。 因此相应的该通信组件705可以包括：Wi-Fi模块，蓝牙模块，NFC模块等 等。
在一示例性实施例中，电子设备700可以被一个或多个应用专用集成电 路(Application Specific Integrated Circuit，简称ASIC)、数字信号处理器 (DigitalSignal Processor，简称DSP)、数字信号处理设备(Digital Signal Processing Device，简称DSPD)、可编程逻辑器件(Programmable Logic Device，简称PLD)、现场可编程门阵列(Field Programmable Gate Array， 简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执 行上述的风机故障报警方法。
在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储 介质，该程序指令被处理器执行时实现上述的风机故障报警方法的步骤。例 如，该计算机可读存储介质可以为上述包括程序指令的存储器702，上述程 序指令可由电子设备700的处理器701执行以完成上述的风机故障报警方 法。
图10是根据一示例性实施例示出的一种电子设备1900的框图。例如， 电子设备1900可以被提供为一服务器。参照图10，电子设备1900包括处理 器1922，其数量可以为一个或多个，以及存储器1932，用于存储可由处理 器1922执行的计算机程序。存储器1932中存储的计算机程序可以包括一个 或一个以上的每一个对应于一组指令的模块。此外，处理器1922可以被配 置为执行该计算机程序，以执行上述的风机故障报警方法。
另外，电子设备1900还可以包括电源组件1926和通信组件1950，该电 源组件1926可以被配置为执行电子设备1900的电源管理，该通信组件1950 可以被配置为实现电子设备1900的通信，例如，有线或无线通信。此外， 该电子设备1900还可以包括输入/输出(I/O)接口1958。电子设备1900可 以操作基于存储在存储器1932的操作系统，例如WindowsServerTM，Mac OS XTM，UnixTM，LinuxTM等等。
在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储 介质，该程序指令被处理器执行时实现上述的风机故障报警方法的步骤。例 如，该非临时性计算机可读存储介质可以为上述包括程序指令的存储器 1932，上述程序指令可由电子设备1900的处理器1922执行以完成上述的风 机故障报警方法。
在另一示例性实施例中，还提供一种计算机程序产品，该计算机程序产 品包含能够由可编程的装置执行的计算机程序，该计算机程序具有当由该可 编程的装置执行时用于执行上述的风机故障报警方法的代码部分。
以上结合附图详细描述了本公开的优选实施方式，但是，本公开并不限 于上述实施方式中的具体细节，在本公开的技术构思范围内，可以对本公开 的技术方案进行多种简单变型，这些简单变型均属于本公开的保护范围。
另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特 征，在不矛盾的情况下，可以通过任何合适的方式进行组合，为了避免不必 要的重复，本公开对各种可能的组合方式不再另行说明。
此外，本公开的各种不同的实施方式之间也可以进行任意组合，只要其 不违背本公开的思想，其同样应当视为本公开所公开的内容。

Claims (10)

1.一种风机故障报警方法，其特征在于，包括：
获取待测风机的多组观测信息，所述观测信息包括运行参数和实际轴承温度值；
将每组观测信息中的运行参数输入至预先训练得到的轴承温度预测模型中，并获取所述轴承温度预测模型输出的每组观测信息对应的预测轴承温度值；
基于每组观测信息对应的预测轴承温度值和实际轴承温度值，确定每组观测信息对应的残差值；
通过预设的滑动窗口算法对所述每组观测信息对应的残差值进行处理，得到多个残差平均值；
如果所述多个残差平均值满足预警条件，则输出报警信息，其中，所述预警条件是根据所述待测风机的最近指定时间段内的多组观测信息样本确定的。
2.根据权利要求1所述的方法，其特征在于，所述如果所述多个残差平均值满足预设条件，则输出报警信息，包括：
如果所述多个残差平均值中至少一个参数平均值不处于目标范围内，则输出报警信息。
3.根据权利要求2所述的方法，其特征在于，所述方法包括：
获取待测风机在最近指定时间段内的多组观测信息样本，所述观测信息样本包括运行参数样本和实际轴承温度值样本；
将每组观测信息样本中的运行参数样本输入至所述轴承温度预测模型中，并获取所述轴承温度预测模型输出的每组观测信息样本对应的预测轴承温度值样本；
基于每组观测信息样本对应的预测轴承温度值样本和实际轴承温度值样本，确定每组观测信息样本对应的残差值样本；
通过所述预设的滑动窗口算法对所述每组观测信息样本对应的残差值样本进行处理，得到多个残差平均值样本；
基于所述多个残差平均值样本，确定所述目标范围。
4.根据权利要求3所述的方法，其特征在于，所述基于所述多个残差平均值样本，确定所述目标范围，包括：
根据所述多个残差平均值样本中的最大值，确定所述目标范围的上限；
根据所述多个残差平均值样本中的最小值，确定所述目标范围的下限。
5.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取待测风机的多组观测信息样本，所述观测信息样本包括多种数据；
基于所述多组观测信息样本训练LightGBM模型；
利用贝叶斯优化算法对所述LightGBM模型中的超参数寻优，并将优化后的LightGBM模型，确定为所述轴承温度预测模型。
6.根据权利要求5所述的方法，其特征在于，所述基于所述多组观测信息样本训练LightGBM模型，包括：
针对所述多组观测信息样本中的每组观测信息样本，通过预设的标准化公式将所述观测信息样本包括的多种数据中每一数据进行处理，得到包括多个标准数据的标准观测信息样本；
基于所述标准观测信息样本训练LightGBM模型。
7.根据权利要求6所述的方法，其特征在于，所述基于所述标准观测信息样本训练LightGBM模型，包括：
通过熵权法计算所述标准观测信息样本包括的多种标准数据中每种标准数据的权重值；
将所述多种标准数据中权重最大的指定数量的标准数据，确定为目标标准数据；
基于所述目标标准数据更新所述标准观测信息样本；
基于更新后的标准观测信息样本训练LightGBM模型。
8.一种风机故障报警装置，其特征在于，包括：
观测信息获取模块，用于获取待测风机的多组观测信息，所述观测信息包括运行参数和实际轴承温度值；
轴承温度预测模块，用于将每组观测信息中的运行参数输入至预先训练得到的轴承温度预测模型中，并获取所述轴承温度预测模型输出的每组观测信息对应的预测轴承温度值；
残差值确定模块，用于基于每组观测信息对应的预测轴承温度值和实际轴承温度值，确定每组观测信息对应的残差值；
滑动窗口模块，用于通过预设的滑动窗口算法对所述每组观测信息对应的残差值进行处理，得到多个残差平均值；
报警模块，用于在所述多个残差平均值满足预警条件的情况下，输出报警信息，其中，所述预警条件是根据所述待测风机的最近指定时间段内的多组观测信息样本确定的。
9.一种非临时性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权利要求1-7中任一项所述方法的步骤。
10.一种电子设备，其特征在于，包括：
存储器，其上存储有计算机程序；
处理器，用于执行所述存储器中的所述计算机程序，以实现权利要求1-7中任一项所述方法的步骤。
CN202210389360.XA 2022-04-13 2022-04-13 风机故障报警方法、装置、存储介质及电子设备 Pending CN114970950A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210389360.XA CN114970950A (zh) 2022-04-13 2022-04-13 风机故障报警方法、装置、存储介质及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210389360.XA CN114970950A (zh) 2022-04-13 2022-04-13 风机故障报警方法、装置、存储介质及电子设备

Publications (1)

Publication Number Publication Date
CN114970950A true CN114970950A (zh) 2022-08-30

Family

ID=82977068

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210389360.XA Pending CN114970950A (zh) 2022-04-13 2022-04-13 风机故障报警方法、装置、存储介质及电子设备

Country Status (1)

Country Link
CN (1) CN114970950A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116842459A (zh) * 2023-09-01 2023-10-03 国网信息通信产业集团有限公司 一种基于小样本学习的电能计量故障诊断方法及诊断终端

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116842459A (zh) * 2023-09-01 2023-10-03 国网信息通信产业集团有限公司 一种基于小样本学习的电能计量故障诊断方法及诊断终端
CN116842459B (zh) * 2023-09-01 2023-11-21 国网信息通信产业集团有限公司 一种基于小样本学习的电能计量故障诊断方法及诊断终端

Similar Documents

Publication Publication Date Title
CN110571792A (zh) 一种电网调控系统运行状态的分析评估方法及系统
CN113420509A (zh) 一种风电机组状态评价方法、装置及存储介质
CN112819107B (zh) 基于人工智能的燃气调压设备故障预测方法
CN113438114B (zh) 互联网系统的运行状态监控方法、装置、设备及存储介质
US11480956B2 (en) Computing an explainable event horizon estimate
CN116956197B (zh) 基于深度学习的能源设施故障预测方法、装置及电子设备
CN115827411A (zh) 一种用于自动化设备的在线监测及运维评估系统和方法
CN111143101A (zh) 用于确定故障根源的方法、装置、存储介质及电子设备
CN114970950A (zh) 风机故障报警方法、装置、存储介质及电子设备
CN117269742A (zh) 一种高海拔环境下断路器健康状态评估方法、装置及介质
CN114548493A (zh) 一种电能表电流过载预测方法与系统
CN114881167A (zh) 异常检测方法、装置、电子设备和介质
CN118364963A (zh) 基于lstm神经网络的建筑材料价格预测方法
CN116866152A (zh) 风险操作管控方法、装置、电子设备及存储介质
CN112131516A (zh) 一种基于特征权值混合朴素贝叶斯模型的异常检测方法
CN116151799A (zh) 一种基于bp神经网络的配电线路多工况故障率快速评估方法
CN116384223A (zh) 基于退化状态智能辨识的核设备可靠性评估方法及系统
Zeileis et al. party with the mob: Model-Based Recursive Partitioning in R
CN111625525B (zh) 一种环境数据修复/填充方法及系统
CN117648312A (zh) 一种适用于qg-svm算法模型的超参自动调整法及系统
CN113447813B (zh) 海上风力发电机组的故障诊断方法及设备
CN114114950A (zh) 一种基于语义分析的智能家居异常检测方法及系统
Hu et al. The early warning model of dust concentration in smart construction sites based on long short term memory network
CN112561153A (zh) 一种基于模型集成的景区人群聚集预测方法
CN113591396A (zh) 一种基于朴素贝叶斯网络的电网元器件故障诊断方法

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