CN115059634B - 鼓风设备的故障诊断方法及装置、电子设备 - Google Patents

鼓风设备的故障诊断方法及装置、电子设备 Download PDF

Info

Publication number
CN115059634B
CN115059634B CN202210673794.2A CN202210673794A CN115059634B CN 115059634 B CN115059634 B CN 115059634B CN 202210673794 A CN202210673794 A CN 202210673794A CN 115059634 B CN115059634 B CN 115059634B
Authority
CN
China
Prior art keywords
data
outlet pressure
historical
guide vane
current
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
CN202210673794.2A
Other languages
English (en)
Other versions
CN115059634A (zh
Inventor
曹阔
傅筱
韩俊毅
袁景昊
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.)
Chongqing Yingke Zhushu Network Technology Co ltd
Original Assignee
Chongqing Yingke Zhushu Network 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 Chongqing Yingke Zhushu Network Technology Co ltd filed Critical Chongqing Yingke Zhushu Network Technology Co ltd
Priority to CN202210673794.2A priority Critical patent/CN115059634B/zh
Publication of CN115059634A publication Critical patent/CN115059634A/zh
Application granted granted Critical
Publication of CN115059634B publication Critical patent/CN115059634B/zh
Priority to GB2308822.2A priority patent/GB2619825B/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • F04D27/008—Stop safety or alarm devices, e.g. stop-and-go control; Disposition of check-valves
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
    • F04D—NON-POSITIVE-DISPLACEMENT PUMPS
    • F04D29/00—Details, component parts, or accessories
    • F04D29/40—Casings; Connections of working fluid
    • F04D29/42—Casings; Connections of working fluid for radial or helico-centrifugal pumps
    • F04D29/44—Fluid-guiding means, e.g. diffusers
    • F04D29/46—Fluid-guiding means, e.g. diffusers adjustable
    • F04D29/462—Fluid-guiding means, e.g. diffusers adjustable especially adapted for elastic fluid pumps
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
    • F04D—NON-POSITIVE-DISPLACEMENT PUMPS
    • F04D29/00—Details, component parts, or accessories
    • F04D29/40—Casings; Connections of working fluid
    • F04D29/52—Casings; Connections of working fluid for axial pumps
    • F04D29/54—Fluid-guiding means, e.g. diffusers
    • F04D29/56—Fluid-guiding means, e.g. diffusers adjustable
    • F04D29/563—Fluid-guiding means, e.g. diffusers adjustable specially adapted for elastic fluid pumps
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05D—INDEXING SCHEME FOR ASPECTS RELATING TO NON-POSITIVE-DISPLACEMENT MACHINES OR ENGINES, GAS-TURBINES OR JET-PROPULSION PLANTS
    • F05D2260/00—Function
    • F05D2260/80—Diagnostics
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05D—INDEXING SCHEME FOR ASPECTS RELATING TO NON-POSITIVE-DISPLACEMENT MACHINES OR ENGINES, GAS-TURBINES OR JET-PROPULSION PLANTS
    • F05D2260/00—Function
    • F05D2260/81—Modelling or simulation
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05D—INDEXING SCHEME FOR ASPECTS RELATING TO NON-POSITIVE-DISPLACEMENT MACHINES OR ENGINES, GAS-TURBINES OR JET-PROPULSION PLANTS
    • F05D2260/00—Function
    • F05D2260/82—Forecasts
    • F05D2260/821—Parameter estimation or prediction
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05D—INDEXING SCHEME FOR ASPECTS RELATING TO NON-POSITIVE-DISPLACEMENT MACHINES OR ENGINES, GAS-TURBINES OR JET-PROPULSION PLANTS
    • F05D2270/00—Control
    • F05D2270/30—Control parameters, e.g. input parameters
    • F05D2270/301—Pressure
    • F05D2270/3013—Outlet pressure
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05D—INDEXING SCHEME FOR ASPECTS RELATING TO NON-POSITIVE-DISPLACEMENT MACHINES OR ENGINES, GAS-TURBINES OR JET-PROPULSION PLANTS
    • F05D2270/00—Control
    • F05D2270/70—Type of control algorithm
    • F05D2270/709—Type of control algorithm with neural networks
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05D—INDEXING SCHEME FOR ASPECTS RELATING TO NON-POSITIVE-DISPLACEMENT MACHINES OR ENGINES, GAS-TURBINES OR JET-PROPULSION PLANTS
    • F05D2270/00—Control
    • F05D2270/70—Type of control algorithm
    • F05D2270/71—Type of control algorithm synthesized, i.e. parameter computed by a mathematical model
    • 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)
  • General Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Mechanical Engineering (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
  • Control Of Positive-Displacement Air Blowers (AREA)

Abstract

本发明公开了一种鼓风设备的故障诊断方法，其包括获取待测鼓风设备的当前出口流量数据、当前导叶开度数据、当前导叶开度变化状态数据和当前出口压力数据；将所述当前出口流量数据和所述当前导叶开度数据、所述当前导叶开度变化状态数据输入预先训练好的出口压力预测模型，得到出口压力预测值F1；根据所述出口压力预测值F1和预存的历史出口压力数据调整中的报警阈值F0'；根据所述出口压力预测值F1和预存的历史出口压力数据调整所述报警阈值F0'；判断所述当前出口压力数据是否超过调整后的所述报警阈值F0'，若是，判定发生叶片断裂故障，并报警。本发明的诊断方法无需采集大量的故障数据，且相较于静态阈值的方式，大大降低了漏报和误报的概率。本发明还提供了相应的故障诊断装置和电子设备、计算机程序产品。

Description

鼓风设备的故障诊断方法及装置、电子设备
技术领域
本发明涉及鼓风设备技术领域，尤其涉及一种鼓风设备的故障诊断方法及系统、电子设备和计算机程序产品。
背景技术
鼓风机作为旋转机械中的一种，广泛应用于能源、建筑、化工等行业，在现代工业中承担着重要的角色。由于鼓风机处于一个长时间运转的状态，且在高温高压、高负荷、强冲击等恶劣工况下运行，鼓风机的关键部件故障发生频率高，并且，随着制造业水平的提升，鼓风设备的构造变得越来越复杂，鼓风设备的各零件之间耦合性增大，如果某一个零件发生故障，很可能导致其他相关零件同时发生故障，因此，鼓风设备安全性和可靠性正吸引着巨大的关注。
鼓风机不仅故障类型多且复杂，例如：风量不足、电机超载、过热、异响、润滑油泄漏、轴承振动加剧等，其维修成本高，且维修周期长，并且，鼓风设备属于大型工业设备，其价格昂贵，所占空间大，工厂通常都不会购置备用设备。因此，一旦发生故障，如果不能及时地对出现的故障进行有效地故障预测或诊断，将迫使整个工业生产线停产，将给企业造成巨大的经济损失，甚至人身安全。
目前，关于鼓风机故障的诊断主要有两种，一种是采用大量的故障数据来训练深度学习模型，但在实际生产过程中，故障往往非常少，并且不同厂家面临的故障类型也可能不同，因此，故障数据的采集本身就有一定难度，更何况还需要大量的故障数据。另一种是对于多个与故障相关的变量进行单独建模，然而，由于鼓风设备结构复杂，且其复杂类型多而复杂，相对的变量也多，因此，这对于工业应用来说过于复杂，不利于推广。
由于压力可以用来衡量流体空气的状态变化，表示对鼓风设备的垂直作用力，因此，行业中通过监测压力来监测风机叶片断裂故障。然而，传统的监测方法主要采用设置固定阈值(或静态阈值)的方式来监测故障，例如，若一旦出口压力超过该固定阈值，则说明该设备的叶片发生断裂。然而，采用固定阈值的方式，在实际工程应用中非常难以实时捕捉故障特征，故而精准度不高，经常出现误报，因此，没有在工厂中得到广泛应用，而在实际生产场景中，目前主要是通过人工观察进行判断，然而，人工观察依赖于观察人员的经验，要求检测人员具有一定的经验性和专业性，并且具有一定的滞后性。
发明内容
本发明的目的在于提供一种鼓风设备的故障诊断方法和装置，部分地解决或缓解现有技术中的上述不足，以一定程度地提高故障诊断的准确率，并且无需采集大量的故障数据。
为了解决上述所提到的技术问题，本发明具体采用以下技术方案：
本发明的第一方面，在于提供一种鼓风设备的故障诊断方法，其包括步骤：
获取待测鼓风设备的当前出口流量数据、当前导叶开度数据、当前导叶开度变化状态数据和当前出口压力数据；
将所述当前出口流量数据和所述当前导叶开度数据、所述当前导叶开度变化状态数据输入预先训练好的出口压力预测模型，得到出口压力预测值F1；
根据所述出口压力诊断值F1和预存的历史出口压力数据调整预设动态阈值中的报警阈值F0'；
根据所述出口压力预测值F1和预存的历史出口压力数据调整所述报警阈值F0'；
判断所述当前出口压力数据是否超过调整后的所述报警阈值F0'，若是，判定发生叶片断裂故障，并报警；其中，根据所述出口压力预测值F1和所述历史出口压力数据调整所述报警阈值F0'的计算公式为：F0'＝F1±Nσ，其中，σ为所有所述历史出口压力数据的标准差，N为整数，且n+1≤N，1≤n≤5。
在一些实施例中，训练所述出口压力预测模型的步骤，具体包括：构建训练样本库，所述训练样本库包括：鼓风设备正常工作状态下采集到的历史出口流量数据、历史导叶开度数据、历史导叶开度变化状态数据和历史出口压力数据；将所述历史出口流量数据、所述历史导叶开度数据、所述历史导叶开度变化状态数据和所述历史出口压力数据输入支持向量机模型或神经网络模型进行训练，得到出口压力预测模型。
在一些实施例中，将所述当前导叶开度数据输入所述出口压力预测模型的步骤之前，还包括步骤：对所述当前导叶开度数据进行离散化处理。
在一些实施例中，获取当前导叶开度变化状态数据的步骤，具体包括步骤：根据所述当前导叶开度数据和存储的历史导叶开度数据计算得到所述当前导叶开度变化估计值。
在一些实施例中，所述预设动态阈值还包括：预警阈值，相应地，调整所述报警阈值的步骤之前，还包括步骤：判断所述当前出口压力数据是否超过调整后的所述预警阈值F0，若是，诊断所述鼓风设备的叶片可能发生断裂故障；其中，根据所述出口压力预测值F1和所述历史出口压力数据调整所述预警阈值F0的计算公式为：
F0＝F1±nσ，其中，σ为所有所述历史出口压力数据的标准差，n为整数，且1≤n≤5。
本发明的第二方面，在于提供一种鼓风设备的故障诊断装置，其包括：
数据库，用于存储训练样本库，所述训练样本库包括鼓风设备正常工作状态下采集到的历史出口流量数据、历史导叶开度数据、历史导叶开度变化状态数据和历史出口压力数据；
数据获取模块，用于获取待测鼓风设备的当前出口流量数据、当前导叶开度数据、当前导叶开度变化状态数据和当前出口压力数据；
模型训练模块，用于根据所述数据库中所存储的历史出口流量数据、历史导叶开度数据、历史导叶开度变化状态数据和历史出口压力数据训练支持向量机或神经网络模型，得到出口压力预测模型；
故障诊断模块，用于调用所述出口压力预测模型，以根据所述数据获取模块所获取的当前出口流量数据、当前导叶开度变化状态数据和所述当前导叶开度数据计算出口压力预测值，并根据计算得到的所述出口压力预测值和所述数据库中所存储的所述历史出口压力数据调整预设动态阈值中的报警阈值F0'，并判断所述当前出口压力数据是否超过调整后的所述报警阈值F0'，若是，判定发生叶片断裂故障，并报警；其中，根据所述出口压力预测值F1和所述历史出口压力数据调整所述报警阈值F0'的计算公式为：F0'＝F1±Nσ，其中，σ为所有所述历史出口压力数据的标准差，N为整数，且n+1≤N，1≤n≤5。
在一些实施例中，所述数据获取模块具体包括：
数据获取单元，用于获取待测鼓风设备的当前出口流量数据、当前导叶开度数据和当前出口压力数据；
计算单元，用于根据所述当前导叶开度数据和所述数据库所存储的历史导叶开度数据计算得到当前导叶开度变化估计值和变化状态。
在一些实施例中，所述装置还包括：故障预警模块，用于根据所述出口压力预测值F1和预存的历史出口压力数据调整所述预设动态阈值中的预警阈值F0，并判断所述当前出口压力是否超过调整后的所述预设动态阈值中的预警阈值F0，若超过，预测所述鼓风设备的叶片可能发生断裂故障；其中，根据所述出口压力预测值F1和所述历史出口压力数据调整所述预警阈值F0的计算公式为：F0＝F1±nσ，σ为所有所述历史出口压力数据的标准差，n为整数，且1≤n≤5。
本发明的第三方面，在于提供一种用于诊断鼓风设备的电子设备，包括：处理器、网络接口以及存储有指令的存储器，其中，所述网络接口用于提供网络通信功能，所述存储器用于存储程序代码，所述处理器用于调用所述程序代码，以执行上述故障诊断方法的步骤。
本发明的第四方面，在于提供一种用于诊断鼓风设备的计算机程序产品，所述计算机程序产品包括指令，所述指令在被电子设备执行时使得所述电子设备执行根据上述方法的步骤。
有益效果：
无论是故障诊断还是故障预测，本领域的惯性思维都是采用大量的故障数据进行模型训练，以获得故障诊断模型，这就需要预先收集大量的故障数据来训练模型，然而，一方面，实际工程应用中，这种大型设备出现的故障较少，且故障类型较少；另一方面，不同工程用户和不同的应用场景(例如，高温环境和低温环境、风沙大和风沙小的环境等)，使得不同的设备出现的故障类型也不同，这就增加了故障数据收集的难度，也即要收集大量的故障数据非常不现实。而本发明的故障诊断方法，采用完全相悖的方式，即采用的是鼓风设备正常工作状态下的数据来训练模型，并根据训练得到的模型来预测当前出口压力，再根据预测得到的出口压力预测值结合历史出口压力来调整预设动态阈值(包括第一预设动态阈值)，以得到当前时刻的预设动态阈值，也即通过对预设动态阈值进行动态调整，再根据该预设动态阈值进行故障诊断，从而实现了叶片断裂故障的自动、实时监测。
相较于现有采用故障数据训练得到故障分类模型的方式，由于构建的是设备正常运行情况下的模型，因此，构建压力预测模型时无需故障数据，符合工厂鼓风设备的实际运行场景(即绝大部分为正常数据，难以采集故障数据)。
相较于静态阈值的诊断方式中，简单地降低或增大静态阈值的方式，本发明中，由于预设动态阈值是根据鼓风设备当前的出口压力预测值计算得到的，而该出口压力与测试是基于鼓风设备当前的导叶开度和当前出口流量得到的，也即预设动态阈值跟随鼓风设备的实际工况变化而变化，降低了静态阈值方式的漏报率和误报率，且能够在短时间内较为准确地检测导叶断裂故障。
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一简单地介绍。在所有附图中，类似的元件或部分一般由类似的附图标记标识。附图中，各元件或部分并不一定按照实际的比例绘制。显而易见地，下面描述中的附图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获得其它的附图。
图1为本发明一示例性实施例的鼓风设备的故障诊断方法的流程图；
图2为本发明一示例性实施例的鼓风设备的故障诊断装置的功能模块图；
图3为反映鼓风设备正常工作状态下，鼓风设备的真实出口压力、预设动态阈值、出口压力预测值的变化示意图；
图4为反映静态阈值范围过大导致漏报的示意图；
图5为反映预设动态阈值下，发生导叶断裂故障并报警的示意图；
图6为反映改变静态阈值范围减小后导致误报的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本文中，使用用于表示元件的诸如“模块”、“部件”或“单元”的后缀仅为了有利于本发明的说明，其本身没有特定的意义。因此，“模块”、“部件”或“单元”可以混合地使用。
实施例1：参见图1，为本发明一示例性实施例的故障诊断方法，具体地，该方法包括步骤：
S100，构建训练样本库，并将训练样本库中的训练样本输入支持向量机模型进行训练，得到出口压力预测模型。
在一些实施例中，该训练样本库包括训练样本，该训练样本包括：历史出口流量数据、历史导叶开度数据、历史导叶开度变化状态数据和历史出口压力数据。具体地，该历史出口流量数据、历史导叶开度数据、历史导叶开度变化状态数据和历史出口压力数据是鼓风设备正常工作状态(即未发生故障)下采集到的。其中，历史导叶开度变化状态数据可根据T时刻的导叶开度数据和T-△t时刻的导叶开度数据得到，例如增大了多少，或者减小了多少。其中，△t为数据采集时间间隔。
当然，在另一些实施例中，也可采用其他模型，例如神经网络模型等。
S101，获取待测鼓风设备的当前出口流量数据、当前导叶开度数据、当前导叶开度变化状态数据和当前出口压力数据。
在一些实施例中，可分别通过流量计和压力传感器来采集出口流量数据和出口压力数据。
在一些实施例中，可根据当前出口流量数据和存储的历史出口流量数据得到出口流量变化估计值和变化状态(如增大或减小)，再根据该出口流量变化估计值和变化状态计算得到导叶开度变化，从而根据该导叶开度变化和历史导叶开度数据计算得到当前导叶开度。
当然，在另一些实施例中，也可直接从设备中获取得到当前导叶开度(或者直接采用测量工具测量得到当前导叶开度)，相应地，可根据该当前导叶开度数据和上一时刻的导叶开度数据计算得到当前导叶开度变化状态数据，例如，增大了多少，或者，减少了多少。
在一些实施例中，由于当前导叶开度的值是从上一时刻增大得到，还是减小得到都会影响出口流量和压力值(例如，当前T时刻的导叶开度为37.5，而T-△t时刻是36(增大至37.5)对应的出口压力数据，与T-△t时刻是38(减小至37.5)对应的出口压力数据是不同的)，因此，本实施例中还增加了导叶开度变化状态数据，具体地，该导叶开度变化状态数据包括：变化状态：增大或减小，以及具体的变化值(例如，上一时刻与当前时刻的导叶开度值的差的绝对值)。
S102，将当前出口流量数据和当前导叶开度数据、当前导叶开度变化状态数据输入预先训练好的出口压力预测模型，得到出口压力预测值。
S103，根据该出口压力预测值和历史出口压力数据调整预设动态阈值中的预警阈值。
在一些实施例中，根据出口压力预测值和历史出口压力数据调整该预警阈值的步骤，具体包括步骤：
基于预存的所有历史出口压力数据计算标准差σ；
根据该标准差和出口压力预测值计算预警阈值：
F0＝F1±nσ  (1)，
其中，F0为预警阈值，F1为出口压力预测值，σ为所有历史出口压力数据的标准差，n为整数，且1≤n≤5。
当然，在另一些实施例中，n的取值也可根据实际情况进行修改。
当然，在另一些实施例中，计算标准差σ时，可仅仅只根据该待测鼓风设备的历史出口压力数据(例如，t＝1s时刻开始，到T-1s时刻的历史出口压力数据)进行计算。
S104，判断当前出口压力数据是否超过调整后的预警阈值，若超过，执行步骤S105，否则，重新获取该待测鼓风设备的出口流量数据、导叶开度数据、导叶开度变化状态数据和出口压力数据，即重新执行步骤S101。
在一些实施例中，故障初期造成的出口压力波动范围较小，但同时，环境噪声也可能引起较小的波动。然而，在某些情况下，即使发生较小异常(例如，较小的波动)，考虑检修成本等因素，设备仍会继续运行，因此，需要通过诊断以预警提示进行人工干预。
S105，预测鼓风设备的叶片可能发生断裂故障。
进一步地，该方法还包括步骤：
S106，根据该出口压力预测值和该待测鼓风设备的历史出口压力数据调整预设动态阈值中的报警阈值。
在一些实施例中，根据出口压力预测值F1和历史出口压力数据调整上述报警阈值F0'的计算公式为：
F0'＝F1±Nσ(2)，其中，σ为所有所述历史出口压力数据的标准差，N为整数，且(n+1)≤N。当然，N的取值也可根据实际情况进行修改。
S107，判断当前出口压力数据是否超过经步骤S106调整后的报警阈值F0'，若是，判定叶片发生断裂故障，并报警，否则，执行步骤S101。
当然，在另一些实施例中，上述步骤S103-S105和步骤S106-S107也可同时执行，或者步骤S102之后直接执行步骤S106-S107，即可直接进行故障诊断，而无需预先进行故障预测和预警。
为了验证本实施例的故障诊断方法，分别对比了采用静态阈值和预设动态阈值时，对鼓风设备进行故障报警的结果：
参见图4，现有技术中固定阈值区间为[2Kpa,18Kpa]，然而，即使叶片断裂后，鼓风设备的出口压力也可能是大于2Kpa，小于18Kpa，因此，在该固定阈值区间内鼓风设备的叶片断裂故障是远远无法监测到的。若简单机械地增大或减小该固定阈值，则误报概率较大，如图6所示，为减少漏报的情况，直接将固定阈值的范围减小至[10Kpa,18Kpa]，而鼓风设备正常工况下，由于其他因素的影响，其实际出口压力从11Kpa到12Kpa之间下降至10Kpa，并在一段时间内持续在10Kpa，从而产量大量误报。
参见图3，从2020年9月1日到2020年10月1日这一个月之内，大部分时间，预设动态阈值中的报警阈值范围稳定在[8Kpa,12Kpa]之间；而在2020年9月3日、2020年9月6日和2020年9月30日，报警阈值范围接近[4.5Kpa,5Kpa]；在2020年9月26日，报警阈值范围接近[5Kpa,6.3Kpa]；在2020年9月28-29日期间，报警阈值范围在[12Kpa,35Kpa]之间变化。
参见图3，正常工况下，鼓风设备的真实出口压力始终在报警阈值范围内变化；例如，从2020年9月1日到2020年10月1日这一个月之内，大部分时间，该鼓风设备的真实出口压力在[9Kpa,12Kpa]之间变化；而在2020年9月3日、2020年9月6日、2020年9月30日下降幅度较大，并接近报警阈值的最大值5Kpa；在2020年9月26日也有大幅度下降，接近报警阈值的最大值6.3Kpa；而在2020年9月28-29日期间有大幅度上升，但始终位于报警阈值区间范围内。
参见图3，正常工况下，鼓风设备的出口压力预测值与真实出口压力的变化相差不大：从2020年9月1日到2020年10月1日这一个月之内，大部分时间，出口压力预测值在[9Kpa,12Kpa]之间变化；而在2020年9月3日、2020年9月6日、2020年9月30日下降幅度较大，并接近报警阈值的最大值5Kpa；在2020年9月26日也有大幅度下降，接近报警阈值的最大值6.3Kpa；而在2020年9月28-29日期间有大幅度上升，但始终位于报警阈值区间范围内。
参见图4和图6，分别为采用静态阈值时，简单地增加静态阈值而导致漏报的示意图，以及简单地减小静态阈值而导致大量误报的示意图。具体地，参见图4，为了避免误报，将静态阈值(即固定阈值)调大至[2Kpa，18Kpa]，从而使得无法检出故障，产生漏报；参见图6，为了避免漏报，将静态阈值减小至[10Kpa，18Kpa]，从而使得真实出口压力或重合于)静态阈值下限值10Kpa，进而导致产生大量误报。
参见图5，第二预设动态阈值范围随真实出口压力变化而变化，而鼓风设备在2020年9月至2021年3月期间，诊断到2020年10月到2020年11月之间出现了一次故障报警(参见图中圆点所示)，此时，真实出口压力小于动态阈值的最小值2Kpa。然而，当采用静态阈值时，如图6所示，由于减小了静态阈值范围(即提高了静态阈值下限值)，使得真实出口压力长时间(从2020年9月15日左右至2020年9月28日左右)超过(或重合于)静态阈值下限值10Kpa，进而导致产生大量误报。由图5和图6对比结果可知，采用动态阈值可以将误报数据量减少96.33％。
参见图2，为本发明一示例性实施例的故障诊断装置的功能模块图，具体地，该故障诊断装置包括：
数据库，用于存储数据；具体地，该数据库可用于存储训练样本库，包括历史出口流量数据、历史导叶开度数据、历史导叶开度变化状态数据和历史出口压力数据等；
数据获取模块，用于获取待测鼓风设备的当前出口流量数据、当前导叶开度数据、当前导叶开度变化状态数据和当前出口压力数据；
模型训练模块，用于根据数据库中所存储的历史出口流量数据、历史导叶开度数据、历史导叶开度变化状态数据和历史出口压力数据训练支持向量机或神经网络模型，以得到出口压力预测模型；
故障诊断模块，用于调用上述出口压力预测模型，以根据数据获取模块所获取的当前出口流量数据和当前导叶开度数据、当前导叶开度变化状态数据计算出口压力预测值，并根据计算得到的出口压力预测值和数据库中所存储的历史出口压力数据调整预设动态阈值中的预警阈值，并判断所述当前出口压力数据是否超过调整后的预警阈值，若超过，预测所述鼓风设备的叶片可能发生断裂故障。
在一些实施例中，所述数据获取模块具体包括：
数据获取单元，用于获取待测鼓风设备的当前出口流量数据和当前出口压力数据；
第一计算单元，用于根据当前出口流量数据和数据库中存储的待测鼓风设备的第一历史出口流量数据计算得到出口流量变化估计值；
第二计算单元，用于根据该出口流量变化估计值计算得到当前导叶开度变化值；
第三计算单元，用于根据当前导叶开度变化值和数据库中存储的待测鼓风设备的第一历史导叶开度数据计算得到当前导叶开度。
在另一些实施例中，该数据获取单元具体用于直接获取待测鼓风设备的当前导叶开度数据。
在另一些实施例中，该数据获取模块具体用于根据当前导叶开度数据和历史导叶开度数据(例如，上一时刻导叶开度数据)计算得到出口流量变化估计值(例如，增加了多少，或减小了多少)。
在一些实施例中，该装置还包括：故障预警模块，用于当故障诊断模块预测鼓风设备可能发生叶片断裂故障时，根据该出口压力预测值和该待测鼓风设备的历史出口压力数据调整预设动态阈值中的报警阈值，并判断当前出口压力数据是否超过调整后的报警阈值F0'，若是，判断发生叶片断裂故障，并报警。
在一些实施例中，根据出口压力预测值F1和历史出口压力数据调整上述报警阈值F0'的计算公式为：
F0'＝F1±Nσ(2)，其中，σ为所有所述历史出口压力数据的标准差，N为整数，且(n+1)≤N。
另一方面，本发明还提供了一种电子设备，包括：处理器、网络接口以及存储有指令的存储器，其中，所述网络接口用于提供网络通信功能，所述存储器用于存储程序代码，所述处理器用于调用所述程序代码，以执行上述实施例的故障诊断方法的步骤。示例性地，该电子设备例如可以为：移动手机、平板电脑(Tablet Personal Computer)、数码相机、个人数字助理(personal digital assistant，简称PDA)、导航装置、移动上网装置(MobileInternetDevice，MID)、可穿戴式设备(Wearable Device)、以及其他能够进行故障诊断的设备等。此外，本公开的实施例的故障诊断方法也可以作为电子设备的操作系统的一个功能而实施。
在上述实施例中，可以全部或部分的通过软件，硬件，固件或者其任意组合来实现。当使用软件程序实现时，可以全部或部分地以计算机程序产品的形式出现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本公开的实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。该可用介质可以是磁性介质(例如，软盘，硬盘、磁带)、光介质(例如，DVD)或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
一般而言，本公开的各种示例实施例可以在硬件或专用电路、软件、逻辑，或其任何组合中实施。某些方面可以在硬件中实施，而其他方面可以在由控制器、微处理器或其他计算设备执行的固件或软件中实施。例如，在一些实施例中，本公开的各种示例(例如方法、装置或设备)可以部分或者全部被实现在计算机可读介质上。当本公开的实施例的各方面被图示或描述为框图、流程图或使用某些其他图形表示时，应理解此处描述的方框、装置、系统、技术或方法可以作为非限制性的示例在硬件、软件、固件、专用电路或逻辑、通用硬件或控制器或其他计算设备，或其某些组合中实施。
更进一步地，本发明还提供了存储在非瞬态计算机可读存储介质上的一种计算机程序产品，所述计算机程序产品包括计算机可执行指令，所述指令在被电子设备执行时使得所述电子设备执行根据上述实施例的故障诊断方法。一般而言，程序模块可以包括例程、程序、库、对象、类、组件、数据结构等，其执行特定的任务或者实现特定的抽象数据结构。在各实施例中，程序模块的功能可以在所描述的程序模块之间合并或者分割。用于程序模块的计算机可执行指令可以在本地或者分布式设备内执行。在分布式设备中，程序模块可以位于本地和远程存储介质二者中。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如，软盘、硬盘、磁带)、光介质(例如DVD)、或者半导体介质(例如固态硬盘)等。
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，该流程可以由计算机程序来指令相关的硬件完成，该程序可存储于计算机可读取存储介质中，该程序在执行时，可包括如上述各方法实施例的流程。而前述的存储介质包括：ROM或随机存储记忆体RAM、磁碟或者光盘等各种可存储程序代码的介质。计算机可读介质可以是计算机可读信号介质或计算机可读存储介质。计算机可读介质可以包括但不限于电子的、磁的、光学的、电磁的、红外的或半导体系统、装置或设备，或其任何合适的组合。机器可读存储介质的更详细示例包括带有一根或多根导线的电气连接、便携式计算机磁盘、硬盘、随机存储存取器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或闪存)、光纤、便携式压缩盘只读存储器(CD-ROM)、光存储设备、磁存储设备，或其任何合适的组合。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。

Claims (9)

1.一种鼓风设备的故障诊断方法，其特征在于，包括步骤：
获取待测鼓风设备的当前出口流量数据、当前导叶开度数据、当前导叶开度变化状态数据和当前出口压力数据；
将所述当前出口流量数据和所述当前导叶开度数据、所述当前导叶开度变化状态数据输入预先训练好的出口压力预测模型，得到出口压力预测值F1；其中，训练所述出口压力预测模型的步骤，具体包括：
构建训练样本库，所述训练样本库包括：鼓风设备正常工作状态下采集到的历史出口流量数据、历史导叶开度数据、历史导叶开度变化状态数据和历史出口压力数据；
将所述历史出口流量数据、所述历史导叶开度数据、所述历史导叶开度变化状态数据和所述历史出口压力数据输入支持向量机模型或神经网络模型进行训练，得到出口压力预测模型；
根据所述出口压力诊断值F1和预存的历史出口压力数据调整预设动态阈值中的报警阈值F0'；
根据所述出口压力预测值F1和预存的历史出口压力数据调整所述报警阈值F0'；
判断所述当前出口压力数据是否超过调整后的所述报警阈值F0'，若是，判定发生叶片断裂故障，并报警；
其中，根据所述出口压力预测值F1和所述历史出口压力数据调整所述报警阈值F0'的计算公式为：
F0'＝F1±Nσ，
其中，σ为所有所述历史出口压力数据的标准差，N为整数，且n+1≤N，1≤n≤5。
2.根据权利要求1所述的方法，其特征在于，将所述当前导叶开度数据输入所述出口压力预测模型的步骤之前，还包括步骤：
对所述当前导叶开度数据进行离散化处理。
3.根据权利要求1所述的方法，其特征在于，获取当前导叶开度变化状态数据的步骤，具体包括步骤：根据所述当前导叶开度数据和存储的历史导叶开度数据计算得到所述当前导叶开度变化估计值。
4.根据权利要求1至3中任一所述的方法，其特征在于，所述预设动态阈值还包括：预警阈值，相应地，调整所述报警阈值的步骤之前，还包括步骤：
判断所述当前出口压力数据是否超过调整后的所述预警阈值F0，若是，诊断所述鼓风设备的叶片可能发生断裂故障；
其中，根据所述出口压力预测值F1和所述历史出口压力数据调整所述预警阈值F0的计算公式为：
F0＝F1±nσ，
其中，σ为所有所述历史出口压力数据的标准差，n为整数，且1≤n≤5。
5.一种鼓风设备的故障诊断装置，其特征在于，包括：
数据库，用于存储训练样本库，所述训练样本库包括鼓风设备正常工作状态下采集到的历史出口流量数据、历史导叶开度数据、历史导叶开度变化状态数据和历史出口压力数据；
数据获取模块，用于获取待测鼓风设备的当前出口流量数据、当前导叶开度数据、当前导叶开度变化状态数据和当前出口压力数据；
模型训练模块，用于根据所述数据库中所存储的历史出口流量数据、历史导叶开度数据、历史导叶开度变化状态数据和历史出口压力数据训练支持向量机或神经网络模型，得到出口压力预测模型；
故障诊断模块，用于调用所述出口压力预测模型，以根据所述数据获取模块所获取的当前出口流量数据、当前导叶开度变化状态数据和所述当前导叶开度数据计算出口压力预测值，并根据计算得到的所述出口压力预测值和所述数据库中所存储的所述历史出口压力数据调整预设动态阈值中的报警阈值F0'，并判断所述当前出口压力数据是否超过调整后的所述报警阈值F0'，若是，判定发生叶片断裂故障，并报警；其中，根据所述出口压力预测值F1和所述历史出口压力数据调整所述报警阈值F0'的计算公式为：F0'＝F1±Nσ，其中，σ为所有所述历史出口压力数据的标准差，N为整数，且n+1≤N，1≤n≤5。
6.根据权利要求5所述的装置，其特征在于，所述数据获取模块具体包括：
数据获取单元，用于获取待测鼓风设备的当前出口流量数据、当前导叶开度数据和当前出口压力数据；
计算单元，用于根据所述当前导叶开度数据和所述数据库所存储的历史导叶开度数据计算得到当前导叶开度变化估计值和变化状态。
7.根据权利要求5所述的装置，其特征在于，还包括：
故障预警模块，用于根据所述出口压力预测值F1和预存的历史出口压力数据调整所述预设动态阈值中的预警阈值F0，并判断所述当前出口压力是否超过调整后的所述预设动态阈值中的预警阈值F0，若超过，预测所述鼓风设备的叶片可能发生断裂故障；其中，根据所述出口压力预测值F1和所述历史出口压力数据调整所述预警阈值F0的计算公式为：
F0＝F1±nσ，σ为所有所述历史出口压力数据的标准差，n为整数，且1≤n≤5。
8.一种电子设备，包括：处理器、网络接口以及存储有指令的存储器，其中，所述网络接口用于提供网络通信功能，所述存储器用于存储程序代码，所述处理器用于调用所述程序代码，以执行如权利要求1-4任一项所述的故障诊断方法的步骤。
9.一种计算机程序产品，所述计算机程序产品包括指令，所述指令在被电子设备执行时使得所述电子设备执行根据权利要求1至4中任一项所述的方法。
CN202210673794.2A 2022-06-14 2022-06-14 鼓风设备的故障诊断方法及装置、电子设备 Active CN115059634B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202210673794.2A CN115059634B (zh) 2022-06-14 2022-06-14 鼓风设备的故障诊断方法及装置、电子设备
GB2308822.2A GB2619825B (en) 2022-06-14 2023-06-13 Fault diagnosis method and device, electronic device for air blower equipment

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210673794.2A CN115059634B (zh) 2022-06-14 2022-06-14 鼓风设备的故障诊断方法及装置、电子设备

Publications (2)

Publication Number Publication Date
CN115059634A CN115059634A (zh) 2022-09-16
CN115059634B true CN115059634B (zh) 2023-04-18

Family

ID=83200171

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210673794.2A Active CN115059634B (zh) 2022-06-14 2022-06-14 鼓风设备的故障诊断方法及装置、电子设备

Country Status (2)

Country Link
CN (1) CN115059634B (zh)
GB (1) GB2619825B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117090758B (zh) * 2023-08-31 2024-03-12 上海宏赛自动化电气有限公司 一种空压机节能控制方法及系统
CN117469085B (zh) * 2023-11-24 2024-08-06 广东中兴液力传动有限公司 基于历史运行数据的液力离合控制方法及装置
CN118394037B (zh) * 2024-04-18 2024-10-08 苏州市职业大学 一种双凸极永磁记忆电机故障诊断方法
CN118211155B (zh) * 2024-05-21 2024-08-02 国能龙源环保有限公司 浆液循环泵叶轮故障诊断方法、装置、设备和存储介质

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8991198B2 (en) * 2012-04-10 2015-03-31 International Business Machines Corporation Cooling system control and servicing based on time-based variation of an operational variable
CN104102773B (zh) * 2014-07-05 2017-06-06 山东鲁能软件技术有限公司 一种设备故障预警及状态监测方法
US11859846B2 (en) * 2018-06-15 2024-01-02 Johnson Controls Tyco IP Holdings LLP Cost savings from fault prediction and diagnosis
US11892003B2 (en) * 2019-03-06 2024-02-06 General Electric Company Application of machine learning to process high-frequency sensor signals of a turbine engine
CN110322018A (zh) * 2019-06-19 2019-10-11 上海电力学院 一种基于模糊推理的电厂风机故障预警系统
CN111120348A (zh) * 2019-12-25 2020-05-08 中国石化销售股份有限公司华南分公司 基于支持向量机概率密度估计的离心泵故障预警方法
CN112270814B (zh) * 2020-12-21 2021-05-07 长沙树根互联技术有限公司 动态告警方法、装置、电子设备和可读存储介质

Also Published As

Publication number Publication date
GB2619825A (en) 2023-12-20
CN115059634A (zh) 2022-09-16
GB2619825B (en) 2024-06-05
GB202308822D0 (en) 2023-07-26

Similar Documents

Publication Publication Date Title
CN115059634B (zh) 鼓风设备的故障诊断方法及装置、电子设备
EP3055747B1 (en) Correlation and annotation of time series data sequences to extracted or existing discrete data
US8099672B2 (en) System and method for continuous online safety and reliability monitoring
WO2019133316A1 (en) Reconstruction-based anomaly detection
RU2626780C1 (ru) Способ и система удаленного мониторинга энергетических установок
EP3055746B1 (en) Correlation and annotation of time series data sequences to extracted or existing discrete data
RU2649542C1 (ru) Способ и система удаленного мониторинга объектов
BR112021013786A2 (pt) Método e sistema para detectar anomalias ou indicações prematuras de falha de equipamento
KR101994465B1 (ko) 기술 시스템, 특히 전기 에너지-발생 설비의 동작의 컴퓨터-보조 모니터링을 위한 방법
JP6540531B2 (ja) 監視装置及び監視装置の制御方法
EP4113539A1 (en) Method and system for intelligent monitoring of state of nuclear power plant
US20180131560A1 (en) Content-aware anomaly detection and diagnosis
JP2004240642A (ja) プラント機器の保守支援装置
CN112884199A (zh) 水电站设备故障预测方法、装置、计算机设备和存储介质
CN116105802A (zh) 一种基于物联网的地下设施安全监测预警方法
CN115859127A (zh) 一种设备监督方法、系统、设备及计算机可读存储介质
CN115018220A (zh) 一种基于知识图谱的家电故障预测方法和系统
KR102694136B1 (ko) 인공지능 기반의 오일가스 플랜트 설비 고장 예측 및 진단시스템
JP6540532B2 (ja) 監視装置及び監視装置の制御方法
CN117038048B (zh) 一种用于医疗器械的远程故障处理方法及系统
CN116311829B (zh) 一种数据机房远程报警方法及装置
Al-Dahidi et al. A novel fault detection system taking into account uncertainties in the reconstructed signals
CN111123098A (zh) 用于电力驱动装置的异常检测系统和方法
EP3893070A1 (en) Method and system for monitoring operation of wind turbines
CN118571517A (zh) 核电厂设备瞬态工况下部件的智能监测方法、系统和电子设备

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