CN115131946B - 一种考虑工况波动的自适应设备报警方法和系统 - Google Patents
一种考虑工况波动的自适应设备报警方法和系统 Download PDFInfo
- Publication number
- CN115131946B CN115131946B CN202210743797.9A CN202210743797A CN115131946B CN 115131946 B CN115131946 B CN 115131946B CN 202210743797 A CN202210743797 A CN 202210743797A CN 115131946 B CN115131946 B CN 115131946B
- Authority
- CN
- China
- Prior art keywords
- alarm
- working condition
- new
- fluctuation
- alarming
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 54
- 230000003044 adaptive effect Effects 0.000 title claims description 12
- 230000008569 process Effects 0.000 claims abstract description 30
- 238000005070 sampling Methods 0.000 claims abstract description 16
- 238000012423 maintenance Methods 0.000 claims abstract description 6
- 230000007246 mechanism Effects 0.000 claims description 10
- 230000003111 delayed effect Effects 0.000 claims description 5
- 101100390985 Schizosaccharomyces pombe (strain 972 / ATCC 24843) fmc1 gene Proteins 0.000 claims description 3
- 101100460203 Schizosaccharomyces pombe (strain 972 / ATCC 24843) new2 gene Proteins 0.000 claims description 3
- 101100273916 Schizosaccharomyces pombe (strain 972 / ATCC 24843) wip1 gene Proteins 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 2
- 238000013524 data verification Methods 0.000 claims description 2
- 230000001934 delay Effects 0.000 claims 1
- 238000003745 diagnosis Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 229910000831 Steel Inorganic materials 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000007621 cluster analysis Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000010959 steel Substances 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004138 cluster model Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
Classifications
-
- 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
- G08B21/182—Level alarms, e.g. alarms responsive to variables exceeding a threshold
-
- 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
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明提供一种考虑工况波动的自适应设备报警方法和系统，根据远程运维平台中的报警记录，获取报警时刻前后的历史数据；对历史工艺参数进行聚类建模分析，输出每组工艺参数对应的工况聚类模型；对历史数据中判定为工况波动的误报警数据，根据工况聚类模型找出距离报警时刻最近的一次工况波动时刻，计算报警时刻和该工况波动时刻的差值，并比较该差值同延时报警次数和采样周期乘积之间的大小关系，确定最优延时报警次数；实时获取设备的工艺参数和状态参数进行阈值预警。能够解决现有报警技术仅采用单一报警延时时间、不区分工况信息导致设备的误报警问题，解决工况波动造成的大量误报警的问题。
Description
技术领域
本发明属于智能故障诊断技术领域，具体涉及能够明显改善设备误报警问题的智能故障诊断技术。
背景技术
电机、泵、齿轮箱、发动机、压缩机等是石化、电力、钢铁等流程工业中广泛使用的机械，该类设备安全、稳定的运行，会产生良好的经济效益和社会效益。目前，企业中的大型设备多数已安装在线监测系统，并且通过设定固定阈值达到对设备异常预警的目的。同时，为了减少信号突变等原因造成的信号偶尔超出阈值的情况，通常对设备还会在阈值预警的基础上增设延时报警次数，即连续几次超出阈值才进行报警。但是，当前的在线监测系统可能会因为噪声、干扰信号和工况波动等的影响使实时采集的监测数据反复超过报警线，导致出现大量错误的预警信息，从而增加基地经理和现场检修人员的工作负担，并给企业带来经济损失。
发明内容
本发明要解决的技术问题是：解决现有报警技术仅采用单一报警延时时间、不区分工况信息导致设备的误报警问题，提供一种考虑工况波动的自适应设备报警方法和系统，以解决工况波动造成的大量误报警的问题。
为解决上述技术问题，本发明采用如下技术方案：
一种考虑工况波动的自适应设备报警方法，其特征在于包括如下步骤：
S1：根据远程运维平台中的报警记录，获取相应设备报警时刻前后设定时间的历史数据；历史数据包括用来反映工况信息的工艺参数，和用来反映设备运行状态的状态参数；
S2：对历史工艺参数进行聚类建模分析，根据工艺参数的值的分布情况，将工艺参数划分到几组不同的取值范围中，即自动聚类为几种工况，且无需指定工况个数；
S3：输出每组工艺参数对应的工况聚类模型；
S4：对历史数据中判定为工况波动的误报警数据，根据工况聚类模型找出距离报警时刻最近的一次工况波动时刻，计算报警时刻和该工况波动时刻的差值，并比较该差值同延时报警次数和采样周期乘积之间的大小关系，确定最优延时报警次数Nnew；
S5：实时获取设备的工艺参数和状态参数；
S6：对步骤S5获取的实时状态参数和/或工艺参数进行阈值预警，若连续Nold次超出阈值则达到报警条件，计算此时达到延时报警条件的时刻Talarm同工况波动时刻Twave的差值Talarm-Twave，并判断该差值同原延时报警次数和采样周期乘积Nold*Tcycle之间的关系；若Talarm-Twave＜Nold*Tcycle，则在Talarm时刻进行报警；若Talarm-Twave≥Nold*Tcycle，则采用最优延时报警次数Nnew作为阈值预警规则，即若满足连续Nnew次超出阈值则进行报警，反之则不报警。
上述技术方案中，步骤S2采用基于密度的聚类方法DBSCAN进行聚类建模分析。
上述技术方案中，步骤S4确定最优延时报警次数的步骤如下：
对历史数据中判定为工况波动误报警的工艺参数数据，根据训练好的工况聚类模型，找出距离报警时刻Talarm最近的一次工况波动的时刻Twave，若满足Talarm-Twave＞Nold*Tcycle，则提高延时报警次数得到Nnew＝Nold+1，重复以上步骤，直至满足Talarm-Twave≤Nnew*Tcycle，则Nnew即为工况波动延时报警次数，将连续Nnew次超出阈值即报警作为新的延时预警机制；其中，Nold为原始或初始延时报警次数，连续Nold次超出阈值即报警为旧的延时预警机制；Tcycle为状态参数的采样周期。
上述技术方案中，步骤S4确定最优延时报警次数还包括利用真实历史报警数据对Nnew的合理取值进行验证和调整的步骤：
根据新的延时预警机制，若真实历史报警数据仍能正常报警，则Nnew为最终的工况波动最佳延时报警次数；若因Nnew过大导致漏报，则反向调整延时报警次数：Nnew＝Nnew-1，其中Nnew≥Nold，直至所有真实报警数据均可以正常报警为止。
上述技术方案中，步骤S4中，当工艺参数在多个不同工况之间发生变化时，最优报警延时次数Nnew的取值呈动态设置为多个：如由工况A变化到工况B时，最优延时报警次数为Nnew1，由工况A变化到工况C时，最优延时报警次数为Nnew2，由工况B变化到工况C时，最优延时报警次数为Nnew3，以此类推。
一种考虑工况波动的自适应设备报警系统，其特征在于包括：
历史数据库，包括根据远程运维平台中的报警记录，获取的相应设备报警时刻前后设定时间的历史数据；历史数据包括用来反映工况信息的工艺参数，和用来反映设备运行状态的状态参数；
聚类建模分析单元，用于对历史工艺参数进行聚类建模分析，并输出每组工艺参数对应的工况聚类模型；对历史数据中判定为工况波动的误报警数据，根据工况聚类模型找出距离报警时刻最近的一次工况波动时刻，计算报警时刻和该工况波动时刻的差值，并比较该差值同延时报警次数和采样周期乘积之间的大小关系，确定最优延时报警次数Nnew；
实时工况数据获取单元，用于获取设备的实时工艺参数和状态参数；
阈值预警和报警单元，用于对获取的实时状态参数和/或工艺参数进行阈值预警，若连续Nold次超出阈值则达到报警条件，计算此时达到延时报警条件的时刻Talarm同工况波动时刻Twave的差值Talarm-Twave，并判断该差值同原延时报警次数和采样周期乘积Nold*Tcycle之间的关系；若Talarm-Twave＜Nold*Tcycle，则在Talarm时刻进行报警；若Talarm-Twave≥Nold*Tcycle，则采用最优延时报警次数Nnew作为阈值预警规则，即若满足连续Nnew次超出阈值则进行报警，反之则不报警。
上述技术方案中，聚类建模分析单元中还包括数据验证和调整模块，用于利用真实历史报警数据对Nnew的合理取值进行验证和调整：
根据新的延时预警机制，若真实历史报警数据仍能正常报警，则Nnew为最终的工况波动最佳延时报警次数；若因Nnew过大导致漏报，则反向调整延时报警次数：Nnew＝Nnew-1，其中Nnew≥Nold，直至所有真实报警数据均可以正常报警为止。
上述技术方案中，聚类建模分析单元中储存有基于密度的聚类方法DBSCAN进行聚类建模分析的程序。
上述技术方案中，上述设备为包括电机、泵、齿轮箱、发动机、压缩机中至少一种在内的动力或传动设备。
由此，本发明提供一种考虑工况波动的自适应设备报警方法和系统。本发明在电机、泵、齿轮箱、发动机、压缩机的历史工况波动误报警和真实报警数据上，验证了该方法的有效性，提高了设备状态评估的准确性，降低误报警率，确保齿轮箱运行的安全性和经济性。
相对于现有技术来说，本发明的有益效果如下：
1、通过基于密度的聚类方法DBSCAN，无需指定聚类个数，而可以根据数据的分布密度对数据进行聚类，能够有效区分不同工况，并对工况波动进行判别。
2、在历史数据上通过设置不同的工况波动延时报警次数进行报警实验，可确定最佳工况波动延时报警次数Nnew，并保证Nnew在数据上的有效性和合理性。解决现有报警技术仅采用单一报警延时时间、不区分工况信息导致设备的误报警问题。
3、当工况发生波动时，动态调节报警条件，可有效减少由工况波动造成的误报警。
附图说明
下面将结合附图及实施例对本发明作进一步说明，附图中：
图1是本发明聚类建模分析确定最佳工况波动延时报警次数的流程图。
图2是本发明对实时状态参数进行阈值预警的流程图。
图3是本发明在历史工况波动误报警数据上调整延时报警次数的结果。
图4是本发明在历史真实报警数据上反向调整延时报警次数的结果。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
实施例1：
根据本发明实施的一考虑工况波动的自适应设备报警方法，如图1和2所示，包括如下步骤：
1、根据远程运维平台中的报警记录(包括真实报警、工况波动造成的误报警)，获取相应报警时间前后两小时的历史数据。历史数据包括工艺参数(如转速、轧制规格、风门开度等)和状态参数(如振动信号、位移信号、温度等)。其中，工艺参数用来反映工况信息，状态参数用来反映设备运行状态。
2、对历史工艺参数进行聚类建模分析，以确定工况类型个数、工况聚类模型。历史工艺参数的聚类建模分析采用的是基于密度的聚类方法DBSCAN。其可以根据工艺参数的值的分布情况，将工艺参数划分到几个不同的取值范围中，即自动聚类为几种工况，且无需指定工况个数。
3、对历史数据中判定为工况波动的误报警数据，根据工况聚类模型找出距离报警时刻最近的一次工况波动时间，计算报警时间和工况波动时刻的差值，并比较该差值同延时报警次数和采样周期乘积之间的大小关系，确定最优延时报警次数。历史误报警数据的初始延时报警次数为Nold(即当状态参数连续且不间断地超出设定阈值Nold次则进行报警)，状态参数的采样周期为Tcycle(即每隔时间Tcycle采集一次状态参数)。
具体来说，对历史数据中判定为工况波动误报警的工艺参数数据，根据训练好的工况聚类模型，找出距离报警时刻Talarm最近的一次工况波动的时刻Twave，若满足Talarm-Twave＞Nold*Tcycle，则说明该报警可能由这次工况波动造成，相应提高延时报警次数，即Nnew＝Nold+1。重复以上步骤，直至满足Talarm-Twave≤Nnew*Tcycle，则Nnew即为工况波动延时报警次数。
为了避免因Nnew过大导致发生漏报警的情况，还需在真实历史报警数据上对Nnew的合理取值进行验证和调整。对于真实报警数据，根据新的延时预警机制(即连续Nnew次超出阈值)，若真实历史报警数据仍能正常报警，则Nnew为最终的工况波动最佳延时报警次数。若因Nnew过大导致漏报，则反向调整延时报警次数：Nnew＝Nnew-1(Nnew≥Nold)，直至所有真实报警数据均可以正常报警为止。
当工艺参数在不同工况之间发生变化时，最优报警延时次数Nnew的取值可以是动态的。如由工况A变化到工况B时，最优延时报警次数为Nnew1，由工况A变化到工况C时，最优延时报警次数为Nnew2，由工况B变化到工况C时，最优延时报警次数为Nnew3，等等。
4、实时获取设备的工艺参数和状态参数。
5、对实时状态参数进行阈值预警，具体步骤如图2所示，在原始延时预警机制的基础上，若达到报警条件(即连续Nold次超出阈值)，则计算此时达到延时报警条件的时刻Talarm同工况波动时刻Twave的差值Talarm-Twave，并判断该差值同原延时报警次数和采样周期乘积Nold*Tcycle之间的关系。若Talarm-Twave＜Nold*Tcycle，则在Talarm时刻进行报警；若Talarm-Twave≥Nold*Tcycle，则采用最佳延时报警时间Nnew作为阈值预警规则，即若满足连续Nnew次超出阈值则进行报警，反之则不报警。
实施例2：
为了验证该方法在有效减少误报警的同时，避免真实报警漏报的效果，我们进行了大量的实验。为了获取由人工标注的工况波动误报警和真实报警数据，我们通过某钢铁厂远程运维中心2021年7月-12月的报警记录，分别筛选了诊断结论为工况波动和真实报警的记录，并下载了对应报警记录中报警时刻前后两小时的数据。其中共下载27条工况波动误报警数据和10条真实报警数据，且数据的采样频率均为10分钟(即Tcycle＝10)，平台目前的延时报警次数为5次(即Nold＝5)。
首先按照步骤2对历史数据中的工艺参数(转速实际值)进行聚类分析(DBSCAN)，聚类结果发现转速实际值主要可分为三种工况，并得到相应的聚类模型。
按照步骤3中动态调节延时报警次数的方法，对于诊断结论为工况波动的历史报警数据，根据工况聚类模型找出距离报警时刻最近的一次工况波动时刻，计算报警时刻和工况波动时刻的差值，并比较该差值同延时报警次数和采样周期乘积之间的大小关系，即比较该差值和5*10分钟的大小。
若报警时刻Talarm和距离报警时刻最近的一次工况波动的时刻Twave的差值Talarm-Twave(单位：分钟)大于50分钟，则相应提高延时报警次数Nnew＝5+1，继续判断，直到满足Talarm-Twave小于10*Nnew分钟。
图3为在历史工况波动误报警数据上调整延时报警次数的结果：在27组工况波动误报警数据中，不断增加延时报警次数，可以有效减少工况波动误报警。当N＝12时，可避免全部27组误报警数据。
在历史工况波动误报警数据中可以得到新的延时报警次数Nnew＝12，接下来则需要在历史真实报警数据中对Nnew进行验证，以防Nnew过大导致发生漏报的情况。
对于历史真实报警数据，若在新的延时预警机制(连续Nnew次超出阈值)的基础上仍能正常报警，则Nnew为最终的工况波动最佳延时报警次数。若因Nnew过大导致漏报，则反向调整延时报警次数：Nnew＝Nnew-1(Nnew≥5)，直至所有真实报警数据均可以正常报警为止。
图4为在历史真实报警数据上反向调整延时报警次数的结果：在10组真实报警历史数据中，当Nnew＝12时，有9组历史真实数据都存在漏报现象，因此反向减小延时报警次数，直至Nnew＝7时，可以保证全部真实数据仍能够正确上报。同时，当Nnew＝7时，27组工况波动误报警数据中有12组误报警被有效减少。因此最优的工况波动延时报警次数最终设置为Nnew＝7。
确定好最佳工况波动延时报警次数Nnew＝7后，新的阈值预警规则为：当状态参数连续Nold＝5次超出阈值时(达到原始报警条件的时刻为Talarm)，则相应地对工艺参数进行聚类分析，并找出距离Talarm最近的一次工况波动时刻Twave，若Talarm-Twave＜Nold*Tcycle，则在Talarm时刻进行报警；若Talarm-Twave＞Nold*Tcycle，则采用最佳延时报警时间Nnew＝7作为阈值预警规则，即若满足连续Nnew次超出阈值则进行报警，反之则不报警。
应当理解的是，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，而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 (9)
1.一种考虑工况波动的自适应设备报警方法，其特征在于包括如下步骤：
S1：根据远程运维平台中的报警记录，获取相应设备报警时刻前后设定时间的历史数据；历史数据包括用来反映工况信息的工艺参数，和用来反映设备运行状态的状态参数；
S2：对历史工艺参数进行聚类建模分析，根据工艺参数的值的分布情况，将工艺参数划分到几组不同的取值范围中，即自动聚类为几种工况，且无需指定工况个数；
S3：输出每组工艺参数对应的工况聚类模型；
S4：对历史数据中判定为工况波动的误报警数据，根据工况聚类模型找出距离报警时刻最近的一次工况波动时刻，计算报警时刻和该工况波动时刻的差值，并比较该差值同延时报警次数和采样周期乘积之间的大小关系，确定最优延时报警次数Nnew；
S5：实时获取设备的工艺参数和状态参数；
S6：对步骤S5获取的实时状态参数进行阈值预警，若连续Nold次超出阈值则达到报警条件，计算此时达到延时报警条件的时刻Talarm同工况波动时刻Twave的差值Talarm-Twave，并判断该差值同原延时报警次数和采样周期乘积Nold*Tcycle之间的关系；若Talarm-Twave＜Nold*Tcycle，则在Talarm时刻进行报警；若Talarm-Twave≥Nold*Tcycle，则采用最优延时报警次数Nnew作为阈值预警规则，即若满足连续Nnew次超出阈值则进行报警，反之则不报警。
2.根据权利要求1所述的考虑工况波动的自适应设备报警方法，其特征在于步骤S2采用基于密度的聚类方法DBSCAN进行聚类建模分析。
3.根据权利要求1所述的考虑工况波动的自适应设备报警方法，其特征在于步骤S4确定最优延时报警次数的步骤如下：
对历史数据中判定为工况波动误报警的工艺参数数据，根据训练好的工况聚类模型，找出距离报警时刻Talarm最近的一次工况波动的时刻Twave，若满足Talarm-Twave＞Nold*Tcycle，则提高延时报警次数得到Nnew＝Nold+1，重复以上步骤，直至满足Talarm-Twave≤Nnew*Tcycle，则Nnew即为工况波动延时报警次数，将连续Nnew次超出阈值即报警作为新的延时预警机制；其中，Nold为原始或初始延时报警次数，连续Nold次超出阈值即报警为旧的延时预警机制；Tcycle为状态参数的采样周期。
4.根据权利要求1所述的考虑工况波动的自适应设备报警方法，其特征在于步骤S4确定最优延时报警次数还包括利用真实历史报警数据对Nnew的合理取值进行验证和调整的步骤：
根据新的延时预警机制，若真实历史报警数据仍能正常报警，则Nnew为最终的工况波动最佳延时报警次数；若因Nnew过大导致漏报，则反向调整延时报警次数：Nnew＝Nnew-1，其中Nnew≥Nold，直至所有真实报警数据均可以正常报警为止。
5.根据权利要求1所述的考虑工况波动的自适应设备报警方法，其特征在于步骤S4中，当工艺参数在多个不同工况之间发生变化时，最优报警延时次数Nnew的取值呈动态设置为多个：如由工况A变化到工况B时，最优延时报警次数为Nnew1，由工况A变化到工况C时，最优延时报警次数为Nnew2，由工况B变化到工况C时，最优延时报警次数为Nnew3，以此类推。
6.一种考虑工况波动的自适应设备报警系统，其特征在于包括：
历史数据库，包括根据远程运维平台中的报警记录，获取的相应设备报警时刻前后设定时间的历史数据；历史数据包括用来反映工况信息的工艺参数，和用来反映设备运行状态的状态参数；
聚类建模分析单元，用于对历史工艺参数进行聚类建模分析，并输出每组工艺参数对应的工况聚类模型；对历史数据中判定为工况波动的误报警数据，根据工况聚类模型找出距离报警时刻最近的一次工况波动时刻，计算报警时刻和该工况波动时刻的差值，并比较该差值同延时报警次数和采样周期乘积之间的大小关系，确定最优延时报警次数Nnew；
实时工况数据获取单元，用于获取设备的实时工艺参数和状态参数；
阈值预警和报警单元，用于对获取的实时状态参数和/或工艺参数进行阈值预警，若连续Nold次超出阈值则达到报警条件，计算此时达到延时报警条件的时刻Talarm同工况波动时刻Twave的差值Talarm-Twave，并判断该差值同原延时报警次数和采样周期乘积Nold*Tcycle之间的关系；若Talarm-Twave＜Nold*Tcycle，则在Talarm时刻进行报警；若Talarm-Twave≥Nold*Tcycle，则采用最优延时报警次数Nnew作为阈值预警规则，即若满足连续Nnew次超出阈值则进行报警，反之则不报警。
7.根据权利要求6所述的考虑工况波动的自适应设备报警系统，其特征在于聚类建模分析单元中还包括数据验证和调整模块，用于利用真实历史报警数据对Nnew的合理取值进行验证和调整：
根据新的延时预警机制，若真实历史报警数据仍能正常报警，则Nnew为最终的工况波动最佳延时报警次数；若因Nnew过大导致漏报，则反向调整延时报警次数：Nnew＝Nnew-1，其中Nnew≥Nold，直至所有真实报警数据均可以正常报警为止。
8.根据权利要求6所述的考虑工况波动的自适应设备报警系统，其特征在于聚类建模分析单元中储存有基于密度的聚类方法DBSCAN进行聚类建模分析的程序。
9.根据权利要求6所述的考虑工况波动的自适应设备报警系统，其特征在于所述设备为包括电机、泵、齿轮箱、发动机、压缩机中至少一种在内的动力或传动设备。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210743797.9A CN115131946B (zh) | 2022-06-27 | 2022-06-27 | 一种考虑工况波动的自适应设备报警方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210743797.9A CN115131946B (zh) | 2022-06-27 | 2022-06-27 | 一种考虑工况波动的自适应设备报警方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115131946A CN115131946A (zh) | 2022-09-30 |
| CN115131946B true CN115131946B (zh) | 2024-03-08 |
Family
ID=83379507
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210743797.9A Active CN115131946B (zh) | 2022-06-27 | 2022-06-27 | 一种考虑工况波动的自适应设备报警方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115131946B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116624131B (zh) * | 2023-07-24 | 2023-10-10 | 北京汉诺威自控技术有限公司 | 一种抽油机智能控制方法、装置、设备及存储介质 |
| CN117314244B (zh) * | 2023-10-07 | 2024-03-19 | 中节能（石家庄）环保能源有限公司 | 一种基于数据分析的工艺流程数据监管系统及方法 |
| CN117932972B (zh) * | 2024-03-15 | 2024-05-28 | 南京凯奥思数据技术有限公司 | 基于web应用于设备状态算法模型的可视化建模平台及方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108436050A (zh) * | 2018-04-16 | 2018-08-24 | 大连理工大学 | 一种采用空间密度聚类dbscan预报连铸结晶器漏钢的方法 |
| CN108809673A (zh) * | 2017-04-28 | 2018-11-13 | 北京微影时代科技有限公司 | 一种故障报警的方法及装置 |
| CN113256942A (zh) * | 2021-05-18 | 2021-08-13 | 中海石油深海开发有限公司 | 异常事件的超前预警方法、装置、电子设备及介质 |
| CN114519382A (zh) * | 2022-01-05 | 2022-05-20 | 哈尔滨工程大学 | 一种核动力装置关键运行参数提取与异常监测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007172150A (ja) * | 2005-12-20 | 2007-07-05 | Honda Motor Co Ltd | 産業機械の故障診断方法 |
-
2022
- 2022-06-27 CN CN202210743797.9A patent/CN115131946B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108809673A (zh) * | 2017-04-28 | 2018-11-13 | 北京微影时代科技有限公司 | 一种故障报警的方法及装置 |
| CN108436050A (zh) * | 2018-04-16 | 2018-08-24 | 大连理工大学 | 一种采用空间密度聚类dbscan预报连铸结晶器漏钢的方法 |
| CN113256942A (zh) * | 2021-05-18 | 2021-08-13 | 中海石油深海开发有限公司 | 异常事件的超前预警方法、装置、电子设备及介质 |
| CN114519382A (zh) * | 2022-01-05 | 2022-05-20 | 哈尔滨工程大学 | 一种核动力装置关键运行参数提取与异常监测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 钢铁企业电力负荷动态预测建模问题的应用研究;梁青艳;孙彦广;;科学技术与工程;20180608(第16期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115131946A (zh) | 2022-09-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115131946B (zh) | 一种考虑工况波动的自适应设备报警方法和系统 | |
| CN109524139B (zh) | 一种基于设备工况变化的实时设备性能监测方法 | |
| CN110208019B (zh) | 一种动设备状态监测动态阈值预警方法 | |
| CN110674842A (zh) | 一种风电机组主轴轴承故障预测方法 | |
| CN110469496B (zh) | 一种水泵智能预警方法及系统 | |
| CN110907170B (zh) | 一种风电机组齿轮箱轴承温度状态监测与故障诊断方法 | |
| CN111125895B (zh) | 一种风力发电机整机服役功率特性在线评估方法 | |
| CN103912448A (zh) | 一种区域风电场机组功率特性监测方法 | |
| CN116660672B (zh) | 基于大数据的电网设备故障诊断方法及系统 | |
| CN116044802B (zh) | 一种矿用通风机状态故障监测诊断系统 | |
| CN114135477B (zh) | 一种机泵设备状态监测动态阈值预警方法 | |
| CN114061743A (zh) | 风力发电机组的振动监测方法、装置、设备及介质 | |
| CN114962239B (zh) | 一种基于智能物联网的设备故障检测方法 | |
| CN112228290B (zh) | 一种风力机变桨系统故障智能预警方法 | |
| CN111879522B (zh) | 基于时序概率的汽轮机运行监测和故障判别方法及系统 | |
| CN116363843A (zh) | 试验室设备预警系统 | |
| CN113955149B (zh) | 一种电机系统的健康诊断方法和装置 | |
| CN112525337B (zh) | 一种针对机械压力机振动监测数据预处理方法 | |
| CN113218653B (zh) | 一种基于消除低频扰动的海上风电齿轮箱监测方法及装置 | |
| CN108268017A (zh) | 制罐生产线效率的评估方法和优化方法及其评估装置 | |
| CN109894476B (zh) | 一种冷轧硅钢生产线液压设备故障诊断方法和装置 | |
| CN110738400A (zh) | 系统健康评估方法、装置、电子设备和存储介质 | |
| CN111400959A (zh) | 风力发电机组的叶片故障诊断方法及装置 | |
| CN117334966B (zh) | 一种基于车载氢系统的运行监测方法及系统 | |
| CN117670086A (zh) | 一种基于大数据及机器学习的压缩机故障预测方法及系统 |
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 |