CN115453356A - 一种动力设备运行状态监测分析方法、系统、终端及介质 - Google Patents
一种动力设备运行状态监测分析方法、系统、终端及介质 Download PDFInfo
- Publication number
- CN115453356A CN115453356A CN202211081726.3A CN202211081726A CN115453356A CN 115453356 A CN115453356 A CN 115453356A CN 202211081726 A CN202211081726 A CN 202211081726A CN 115453356 A CN115453356 A CN 115453356A
- Authority
- CN
- China
- Prior art keywords
- monitoring
- monitoring item
- state
- item
- target
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/34—Testing dynamo-electric machines
- G01R31/343—Testing dynamo-electric machines in operation
-
- 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
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Abstract
本发明公开了一种动力设备运行状态监测分析方法、系统、终端及介质,涉及设备状态监测领域和数据处理领域,其技术方案要点是:依据第二监测项与第一监测项之间的关联特征建立监测项特征模型;依据目标设备的第一参数集进行异常状态预测分析,得到目标监测项;从监测项特征模型提取监测项特征网络;获取监测项特征网络中的第二参数集,并依据第二参数集进行异常状态预测分析,得到关联监测项;依据监测项特征网络中目标监测项和关联监测项的关联特征确定状态风险值,并结合状态阈值区间确定目标设备的最终监测运行状态。本发明能够得到表征准确性更高的预测值的状态风险值,同时降低了动力设备运行状态监测的数据处理量,实现难度低。
Description
技术领域
本发明涉及设备状态监测领域和数据处理领域,更具体地说,它涉及一种动力设备运行状态监测分析方法、系统、终端及介质。
背景技术
动力设备是将自然界中的各种潜在能源予以转化、传导和调整的设备,如发电厂中的水力、火力等发电机。对于发电设备而言,对设备运行状态监测是保障设备安全、稳定运行基础措施,发电设备的运行状态一般分为正常运行状态、异常状态和故障状态,相对于故障状态监测而言,对设备的异常状态监测主要是对可能存在异常的情况进行预警,通过及时处置异常来避免更为严重的故障发生。
目前,对于动力设备的异常状态监测部分采用趋势预测分析的方法,如时间序列预测分析法和多元回归分析法,通过对单一指标项数据的趋势性进行分析,依据预测值与设定阈值进行对比分析,判断在未来时间内单一指标项是否会发生异常情况;但是,由于动力设备的结构复杂,其众多局部器件中任意一个器件发生异常,均可能导致整个设备的运行状态发生变化,简单的通过单一指标进行趋势性分析来进行运行状态监测,即考虑的因素较少,同时也忽略了部分器件和部分整体运行参数之间的关联关系,难以准确、可靠的完成动力设备运行状态监测;此外,还有部分通过机器学习算法对以往的运行数据进行学习建模,再通过构建的机器学习模型对实时数据进行数据分析,而机器学习模型通过挖掘不同指标项之间的隐藏特征来实现异常预测的过程中,隐藏特征挖掘越是细致的情况下,模型构建的复杂度越高,实现难度更大,同时为了避免出现出现过拟合的情况下发生,大部分的机器学习模块所挖掘的隐藏特征并不细致,尤其是对于部分数据存在较小异常的情况,一般情况下会忽略,导致动力设备运行状态监测存在较大的误差。
因此,如何研究设计一种能够克服上述缺陷的动力设备运行状态监测分析方法、系统、终端及介质是我们目前急需解决的问题。
发明内容
为解决现有技术中的不足,本发明的目的是提供一种动力设备运行状态监测分析方法、系统、终端及介质,将动力设备运行状态监测的指标项分为整体运行状态和局部器件运行状态两种监测项,以整体运行状态监测到异常状态作为开启局部器件运行状态监测的基础条件,并选取与整体运行的异常状态存在关联的监测项作为关联监测项,最后结合关联监测项和监测出异常状态的目标监测项所对应的预测值进行综合分析,能够得到表征准确性更高的预测值的状态风险值,同时降低了动力设备运行状态监测的数据处理量,实现难度低。
本发明的上述技术目的是通过以下技术方案得以实现的:
第一方面,提供了一种动力设备运行状态监测分析方法,包括以下步骤:
获取对目标设备整体运行状态监测的第一监测项以及对目标设备局部器件运行状态监测的第二监测项,并依据第二监测项与第一监测项之间的关联特征建立监测项特征模型;
依据目标设备整体运行的第一参数集进行异常状态预测分析,得到处于预测异常状态所对应的第一监测项作为目标监测项;
从监测项特征模型提取以目标监测项为中心的监测项特征网络;
获取监测项特征网络中所有第二监测项对应的第二参数集,并依据第二参数集进行异常状态预测分析,得到处于预测异常状态所对应的第二监测项作为关联监测项;
依据监测项特征网络中目标监测项和关联监测项的关联特征确定目标设备在单一预测异常状态下的状态风险值,并结合状态阈值区间确定目标设备的最终监测运行状态。
进一步的,所述关联特征包括影响因素特征和影响对象特征;
当第一监测项处于异常状态时,若第二监测项为相应异常状态的影响因子,则对应的第二监测项与第一监测项之间的关联特征为影响因素特征;
当第一监测项处于异常状态时,若第二监测项为相应异常状态的影响对象,则对应的第二监测项与第一监测项之间的关联特征为影响对象特征。
进一步的,所述异常状态预测分析采用机器学习算法、时间序列预测分析法和多元回归分析法中的至少一种方法实现。
进一步的,所述监测项特征网络包括:
中间节点,为唯一的目标监测项;
因子层,包括属于预测异常状态的所有影响因子所对应的第二监测项;
对象层,包括属于预测异常状态的所有影响对象所对应的第二监测项。
进一步的,所述状态风险值的确定过程具体为:
依据关联特征将关联监测项划分为属于因子层的监测项以及属于对象层的监测项;
依据属于因子层的监测项整体对目标监测项的影响情况确定第一影响系数;
依据属于对象层的监测项整体对目标监测项的影响情况确定第二影响系数;
依据第一影响系数和第二影响系数之和确定综合影响系数,并结合目标监测项的预测值确定状态风险值。
进一步的,所述状态风险值的计算公式具体为:
其中,P表示状态风险值;zy表示目标监测项的预测值;n表示关联监测项中属于因子层的数量;Y(i)表示因子层中第i个关联监测项的预测值;Y0(i)表示因子层中第i个关联监测项的标准值;k(i,z)表示因子层中第i个关联监测项与目标监测项z之间的影响值;m表示关联监测项中属于对象层的数量;D(j)表示对象层中第j个关联监测项的预测值;D0(j)表示对象层中第j个关联监测项的标准值;k(z,j)表示对象层中第j个关联监测项与目标监测项z之间的影响值。
进一步的,所述状态风险值的计算公式具体为:
其中,P表示状态风险值;zy表示目标监测项的预测值;n表示关联监测项中属于因子层的数量;A0(zy)表示目标监测项达到预测值Zy时因子层中的关联监测项的标准数量;N表示监测项特征网络中可属于因子层的第二监测项总数;m表示关联监测项中属于对象层的数量;B0(zy)表示目标监测项达到预测值Zy时对象层中的关联监测项的标准数量;M表示监测项特征网络中可属于对象层的第二监测项总数。
第二方面,提供了一种动力设备运行状态监测分析系统,其特征是,包括:
模型构建模块,用于获取对目标设备整体运行状态监测的第一监测项以及对目标设备局部器件运行状态监测的第二监测项,并依据第二监测项与第一监测项之间的关联特征建立监测项特征模型;
整体分析模块,用于依据目标设备整体运行的第一参数集进行异常状态预测分析,得到处于预测异常状态所对应的第一监测项作为目标监测项;
网络提取模块,用于从监测项特征模型提取以目标监测项为中心的监测项特征网络;
局部分析模块,用于获取监测项特征网络中所有第二监测项对应的第二参数集,并依据第二参数集进行异常状态预测分析,得到处于预测异常状态所对应的第二监测项作为关联监测项;
综合分析模块,用于依据监测项特征网络中目标监测项和关联监测项的关联特征确定目标设备在单一预测异常状态下的状态风险值,并结合状态阈值区间确定目标设备的最终监测运行状态。
第三方面,提供了一种计算机终端,包含存储器、处理器及存储在存储器并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如第一方面中任意一项所述的一种动力设备运行状态监测分析方法。
第四方面,提供了一种计算机可读介质,其上存储有计算机程序,所述计算机程序被处理器执行可实现如第一方面中任意一项所述的一种动力设备运行状态监测分析方法。
与现有技术相比,本发明具有以下有益效果:
1、本发明提供的一种动力设备运行状态监测分析方法,将动力设备运行状态监测的指标项分为整体运行状态和局部器件运行状态两种监测项,以整体运行状态监测到异常状态作为开启局部器件运行状态监测的基础条件,并选取与整体运行的异常状态存在关联的监测项作为关联监测项,最后结合关联监测项和监测出异常状态的目标监测项所对应的预测值进行综合分析,能够得到表征准确性更高的预测值的状态风险值,同时降低了动力设备运行状态监测的数据处理量,实现难度低;
2、本发明在考虑整体运行状态和局部器件运行状态两种监测项之间的关联关系时,不仅考虑了作为影响因子的关联监测项对目标监测项的影响,同时考虑了目标监测项对作为影响对象的关联监测项的影响,结合正向和逆向影响的关联关系分析,使得动力设备运行状态监测的考虑因素更为全面,有效降低了运行状态监测的误差;
3、本发明以各个关联监测项对目标监测项的累积影响值确定综合影响系数,并以综合影响系数作为校正系数对目标监测项的预测值进行校正,考虑了更为全面、细致的关联关系,状态风险值更为精准;
4、本发明通过分别分析作为影响因子的所有关联监测项的整体占比对目标监测项的预测值的影响情况以及作为影响对象的所有关联监测项的整体占比对目标监测项的预测值的影响情况,并结合两种影响情况确定对目标监测项的预测值进行校正的校正系数,能够以简单、高效的方法实现状态风险值较为准确的计算,实现难度低。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解,构成本申请的一部分,并不构成对本发明实施例的限定。在附图中:
图1是本发明实施例中的流程图;
图2是本发明实施例中的系统框图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,下面结合实施例和附图,对本发明作进一步的详细说明,本发明的示意性实施方式及其说明仅用于解释本发明,并不作为对本发明的限定。
实施例1:一种动力设备运行状态监测分析方法,如图1所示,包括以下步骤:
S1:获取对目标设备整体运行状态监测的第一监测项以及对目标设备局部器件运行状态监测的第二监测项,并依据第二监测项与第一监测项之间的关联特征建立监测项特征模型;以水力发电机为例,第一监测项包括但不限于发电功率、运行温度和水流量,第二监测项包括但不限于气隙、振动摆度和转速;
S2:依据目标设备整体运行的第一参数集进行异常状态预测分析,得到处于预测异常状态所对应的第一监测项作为目标监测项;
S3:从监测项特征模型提取以目标监测项为中心的监测项特征网络;
S4:获取监测项特征网络中所有第二监测项对应的第二参数集,并依据第二参数集进行异常状态预测分析,得到处于预测异常状态所对应的第二监测项作为关联监测项;
S5:依据监测项特征网络中目标监测项和关联监测项的关联特征确定目标设备在单一预测异常状态下的状态风险值,并结合状态阈值区间确定目标设备的最终监测运行状态。
关联特征包括影响因素特征和影响对象特征;当第一监测项处于异常状态时,若第二监测项为相应异常状态的影响因子,则对应的第二监测项与第一监测项之间的关联特征为影响因素特征;当第一监测项处于异常状态时,若第二监测项为相应异常状态的影响对象,则对应的第二监测项与第一监测项之间的关联特征为影响对象特征。
本发明在考虑整体运行状态和局部器件运行状态两种监测项之间的关联关系时,不仅考虑了作为影响因子的关联监测项对目标监测项的影响,同时考虑了目标监测项对作为影响对象的关联监测项的影响,结合正向和逆向影响的关联关系分析,使得动力设备运行状态监测的考虑因素更为全面,有效降低了运行状态监测的误差。
需要说明的是,本发明中的异常状态预测分析均可以采用现有技术实现,如机器学习算法、时间序列预测分析法和多元回归分析法。
监测项特征网络包括中间节点、因子层和对象层。中间节点为唯一的目标监测项;
因子层包括属于预测异常状态的所有影响因子所对应的第二监测项;对象层包括属于预测异常状态的所有影响对象所对应的第二监测项。
状态风险值的确定过程具体为:依据关联特征将关联监测项划分为属于因子层的监测项以及属于对象层的监测项;依据属于因子层的监测项整体对目标监测项的影响情况确定第一影响系数;依据属于对象层的监测项整体对目标监测项的影响情况确定第二影响系数;依据第一影响系数和第二影响系数之和确定综合影响系数,并结合目标监测项的预测值确定状态风险值。
作为一种可选的实施方式,状态风险值的计算公式具体为:
其中,P表示状态风险值;zy表示目标监测项的预测值;n表示关联监测项中属于因子层的数量;Y(i)表示因子层中第i个关联监测项的预测值;Y0(i)表示因子层中第i个关联监测项的标准值;k(i,z)表示因子层中第i个关联监测项与目标监测项Z之间的影响值;m表示关联监测项中属于对象层的数量;D(j)表示对象层中第j个关联监测项的预测值;D0(j)表示对象层中第j个关联监测项的标准值;k(z,j)表示对象层中第j个关联监测项与目标监测项Z之间的影响值。
作为另一种可选的实施方式,状态风险值的计算公式具体为:
其中,P表示状态风险值;zy表示目标监测项的预测值;n表示关联监测项中属于因子层的数量;A0(zy)表示目标监测项达到预测值zy时因子层中的关联监测项的标准数量;N表示监测项特征网络中可属于因子层的第二监测项总数;m表示关联监测项中属于对象层的数量;B0(zy)表示目标监测项达到预测值zy时对象层中的关联监测项的标准数量;M表示监测项特征网络中可属于对象层的第二监测项总数。
实施例2:一种动力设备运行状态监测分析系统,该系统用于实现实施例1中所记载的分析方法,如图2所示,包括模型构建模块、整体分析模块、网络提取模块、局部分析模块和综合分析模块。
其中,模型构建模块,用于获取对目标设备整体运行状态监测的第一监测项以及对目标设备局部器件运行状态监测的第二监测项,并依据第二监测项与第一监测项之间的关联特征建立监测项特征模型;整体分析模块,用于依据目标设备整体运行的第一参数集进行异常状态预测分析,得到处于预测异常状态所对应的第一监测项作为目标监测项;网络提取模块,用于从监测项特征模型提取以目标监测项为中心的监测项特征网络;局部分析模块,用于获取监测项特征网络中所有第二监测项对应的第二参数集,并依据第二参数集进行异常状态预测分析,得到处于预测异常状态所对应的第二监测项作为关联监测项;综合分析模块,用于依据监测项特征网络中目标监测项和关联监测项的关联特征确定目标设备在单一预测异常状态下的状态风险值,并结合状态阈值区间确定目标设备的最终监测运行状态。
工作原理:本发明将动力设备运行状态监测的指标项分为整体运行状态和局部器件运行状态两种监测项,以整体运行状态监测到异常状态作为开启局部器件运行状态监测的基础条件,并选取与整体运行的异常状态存在关联的监测项作为关联监测项,最后结合关联监测项和监测出异常状态的目标监测项所对应的预测值进行综合分析,能够得到表征准确性更高的预测值的状态风险值,同时降低了动力设备运行状态监测的数据处理量,实现难度低;
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种动力设备运行状态监测分析方法,其特征是,包括以下步骤:
获取对目标设备整体运行状态监测的第一监测项以及对目标设备局部器件运行状态监测的第二监测项,并依据第二监测项与第一监测项之间的关联特征建立监测项特征模型;
依据目标设备整体运行的第一参数集进行异常状态预测分析,得到处于预测异常状态所对应的第一监测项作为目标监测项;
从监测项特征模型提取以目标监测项为中心的监测项特征网络;
获取监测项特征网络中所有第二监测项对应的第二参数集,并依据第二参数集进行异常状态预测分析,得到处于预测异常状态所对应的第二监测项作为关联监测项;
依据监测项特征网络中目标监测项和关联监测项的关联特征确定目标设备在单一预测异常状态下的状态风险值,并结合状态阈值区间确定目标设备的最终监测运行状态。
2.根据权利要求1所述的一种动力设备运行状态监测分析方法,其特征是,所述关联特征包括影响因素特征和影响对象特征;
当第一监测项处于异常状态时,若第二监测项为相应异常状态的影响因子,则对应的第二监测项与第一监测项之间的关联特征为影响因素特征;
当第一监测项处于异常状态时,若第二监测项为相应异常状态的影响对象,则对应的第二监测项与第一监测项之间的关联特征为影响对象特征。
3.根据权利要求1所述的一种动力设备运行状态监测分析方法,其特征是,所述异常状态预测分析采用机器学习算法、时间序列预测分析法和多元回归分析法中的至少一种方法实现。
4.根据权利要求1所述的一种动力设备运行状态监测分析方法,其特征是,所述监测项特征网络包括:
中间节点,为唯一的目标监测项;
因子层,包括属于预测异常状态的所有影响因子所对应的第二监测项;
对象层,包括属于预测异常状态的所有影响对象所对应的第二监测项。
5.根据权利要求1-4任意一项所述的一种动力设备运行状态监测分析方法,其特征是,所述状态风险值的确定过程具体为:
依据关联特征将关联监测项划分为属于因子层的监测项以及属于对象层的监测项;
依据属于因子层的监测项整体对目标监测项的影响情况确定第一影响系数;
依据属于对象层的监测项整体对目标监测项的影响情况确定第二影响系数;
依据第一影响系数和第二影响系数之和确定综合影响系数,并结合目标监测项的预测值确定状态风险值。
8.一种动力设备运行状态监测分析系统,其特征是,包括:
模型构建模块,用于获取对目标设备整体运行状态监测的第一监测项以及对目标设备局部器件运行状态监测的第二监测项,并依据第二监测项与第一监测项之间的关联特征建立监测项特征模型;
整体分析模块,用于依据目标设备整体运行的第一参数集进行异常状态预测分析,得到处于预测异常状态所对应的第一监测项作为目标监测项;
网络提取模块,用于从监测项特征模型提取以目标监测项为中心的监测项特征网络;
局部分析模块,用于获取监测项特征网络中所有第二监测项对应的第二参数集,并依据第二参数集进行异常状态预测分析,得到处于预测异常状态所对应的第二监测项作为关联监测项;
综合分析模块,用于依据监测项特征网络中目标监测项和关联监测项的关联特征确定目标设备在单一预测异常状态下的状态风险值,并结合状态阈值区间确定目标设备的最终监测运行状态。
9.一种计算机终端,包含存储器、处理器及存储在存储器并可在处理器上运行的计算机程序,其特征是,所述处理器执行所述程序时实现如权利要求1-7中任意一项所述的一种动力设备运行状态监测分析方法。
10.一种计算机可读介质,其上存储有计算机程序,其特征是,所述计算机程序被处理器执行可实现如权利要求1-7中任意一项所述的一种动力设备运行状态监测分析方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211081726.3A CN115453356B (zh) | 2022-09-06 | 2022-09-06 | 一种动力设备运行状态监测分析方法、系统、终端及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211081726.3A CN115453356B (zh) | 2022-09-06 | 2022-09-06 | 一种动力设备运行状态监测分析方法、系统、终端及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115453356A true CN115453356A (zh) | 2022-12-09 |
CN115453356B CN115453356B (zh) | 2023-05-30 |
Family
ID=84303963
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211081726.3A Active CN115453356B (zh) | 2022-09-06 | 2022-09-06 | 一种动力设备运行状态监测分析方法、系统、终端及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115453356B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115702780A (zh) * | 2022-12-12 | 2023-02-17 | 中国大熊猫保护研究中心 | 一种野生动物异常状态分析方法、系统、终端及介质 |
CN116877355A (zh) * | 2023-08-11 | 2023-10-13 | 江苏千尧海洋工程有限公司 | 一种海上风电结构状态监测方法、装置、设备和介质 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN204758788U (zh) * | 2015-06-30 | 2015-11-11 | 广东中硕能源科技有限公司 | 一种电机检测装置 |
CN106845845A (zh) * | 2017-01-23 | 2017-06-13 | 中国电力科学研究院 | 一种光伏发电多级联合状态评估系统及评估方法 |
CN109543737A (zh) * | 2018-11-15 | 2019-03-29 | 国网四川省电力公司信息通信公司 | 一种基于fahp_fca组合赋权的信息系统健康度评估方法 |
CN111325258A (zh) * | 2020-02-14 | 2020-06-23 | 腾讯科技(深圳)有限公司 | 特征信息获取方法、装置、设备及存储介质 |
WO2020171814A1 (en) * | 2019-02-21 | 2020-08-27 | General Electric Company | Event selection for power grid disturbance |
CN111881575A (zh) * | 2020-07-27 | 2020-11-03 | 华能新能源股份有限公司 | 一种考虑子系统多状态和故障相关性的风电机组可靠性分配方法 |
CN113486926A (zh) * | 2021-06-08 | 2021-10-08 | 同济大学 | 一种自动化码头设备异常检测系统 |
CN113804258A (zh) * | 2021-09-27 | 2021-12-17 | 中铁第四勘察设计院集团有限公司 | 一种车轨桥的智能监测系统、方法、设备和存储介质 |
CN114063507A (zh) * | 2021-10-25 | 2022-02-18 | 合肥创农生物科技有限公司 | 基于智慧农业的远程设备控制系统及其控制方法 |
CN114357033A (zh) * | 2022-01-07 | 2022-04-15 | 深圳能源集团股份有限公司 | 一种火力发电机组测点相关性分析方法 |
CN114372504A (zh) * | 2021-12-06 | 2022-04-19 | 燕山大学 | 一种基于图神经网络的风电机组故障预警方法 |
CN114441914A (zh) * | 2022-04-08 | 2022-05-06 | 山东中安电力科技有限公司 | 一种基于数据处理的开关柜局部放电检测系统 |
CN114446020A (zh) * | 2022-01-12 | 2022-05-06 | 江西飞尚科技有限公司 | 联动预警管理方法、系统、存储介质及设备 |
CN114511292A (zh) * | 2022-01-29 | 2022-05-17 | 山东浪潮工业互联网产业股份有限公司 | 一种基于智能三色灯的数据监测方法、设备及介质 |
CN114841081A (zh) * | 2022-06-21 | 2022-08-02 | 国网河南省电力公司郑州供电公司 | 一种电力设备异常事故控制方法及系统 |
-
2022
- 2022-09-06 CN CN202211081726.3A patent/CN115453356B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN204758788U (zh) * | 2015-06-30 | 2015-11-11 | 广东中硕能源科技有限公司 | 一种电机检测装置 |
CN106845845A (zh) * | 2017-01-23 | 2017-06-13 | 中国电力科学研究院 | 一种光伏发电多级联合状态评估系统及评估方法 |
CN109543737A (zh) * | 2018-11-15 | 2019-03-29 | 国网四川省电力公司信息通信公司 | 一种基于fahp_fca组合赋权的信息系统健康度评估方法 |
WO2020171814A1 (en) * | 2019-02-21 | 2020-08-27 | General Electric Company | Event selection for power grid disturbance |
CN111325258A (zh) * | 2020-02-14 | 2020-06-23 | 腾讯科技(深圳)有限公司 | 特征信息获取方法、装置、设备及存储介质 |
CN111881575A (zh) * | 2020-07-27 | 2020-11-03 | 华能新能源股份有限公司 | 一种考虑子系统多状态和故障相关性的风电机组可靠性分配方法 |
CN113486926A (zh) * | 2021-06-08 | 2021-10-08 | 同济大学 | 一种自动化码头设备异常检测系统 |
CN113804258A (zh) * | 2021-09-27 | 2021-12-17 | 中铁第四勘察设计院集团有限公司 | 一种车轨桥的智能监测系统、方法、设备和存储介质 |
CN114063507A (zh) * | 2021-10-25 | 2022-02-18 | 合肥创农生物科技有限公司 | 基于智慧农业的远程设备控制系统及其控制方法 |
CN114372504A (zh) * | 2021-12-06 | 2022-04-19 | 燕山大学 | 一种基于图神经网络的风电机组故障预警方法 |
CN114357033A (zh) * | 2022-01-07 | 2022-04-15 | 深圳能源集团股份有限公司 | 一种火力发电机组测点相关性分析方法 |
CN114446020A (zh) * | 2022-01-12 | 2022-05-06 | 江西飞尚科技有限公司 | 联动预警管理方法、系统、存储介质及设备 |
CN114511292A (zh) * | 2022-01-29 | 2022-05-17 | 山东浪潮工业互联网产业股份有限公司 | 一种基于智能三色灯的数据监测方法、设备及介质 |
CN114441914A (zh) * | 2022-04-08 | 2022-05-06 | 山东中安电力科技有限公司 | 一种基于数据处理的开关柜局部放电检测系统 |
CN114841081A (zh) * | 2022-06-21 | 2022-08-02 | 国网河南省电力公司郑州供电公司 | 一种电力设备异常事故控制方法及系统 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115702780A (zh) * | 2022-12-12 | 2023-02-17 | 中国大熊猫保护研究中心 | 一种野生动物异常状态分析方法、系统、终端及介质 |
CN115702780B (zh) * | 2022-12-12 | 2023-06-27 | 中国大熊猫保护研究中心 | 一种野生动物异常状态分析方法、系统、终端及介质 |
CN116877355A (zh) * | 2023-08-11 | 2023-10-13 | 江苏千尧海洋工程有限公司 | 一种海上风电结构状态监测方法、装置、设备和介质 |
CN116877355B (zh) * | 2023-08-11 | 2024-02-20 | 江苏千尧海洋工程有限公司 | 一种海上风电结构状态监测方法、装置、设备和介质 |
Also Published As
Publication number | Publication date |
---|---|
CN115453356B (zh) | 2023-05-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102455338B1 (ko) | 결함 검출 방법 및 장치, 모델 훈련 방법 및 장치, 및 디바이스 및 저장 매체 | |
JP2021064370A (ja) | デジタル・ツイン・シミュレーション・データを利用した時系列データに基づく、大規模な産業用監視システム向けの半教師あり深層異常検出のための方法およびシステム | |
CN115453356B (zh) | 一种动力设备运行状态监测分析方法、系统、终端及介质 | |
CN110135064B (zh) | 一种发电机后轴承温度故障预测方法、系统及控制器 | |
CN108072524B (zh) | 一种风电机组齿轮箱轴承故障预警方法 | |
CN112799898B (zh) | 基于分布式故障检测的互联系统故障节点定位方法及系统 | |
CN110535159B (zh) | 一种规模化储能电站运行单元故障预警的方法及系统 | |
CN107679089A (zh) | 一种用于电力传感数据的清洗方法、装置和系统 | |
CN115800272B (zh) | 基于拓扑识别的电网故障分析方法、系统、终端及介质 | |
CN108090606A (zh) | 设备故障发现方法及系统 | |
JP2019016039A (ja) | プロセスの異常状態診断方法および異常状態診断装置 | |
CN115146718A (zh) | 基于深度表示的风电机组异常检测方法 | |
CN111080484A (zh) | 一种配电网异常数据监测方法及装置 | |
CN111061581A (zh) | 一种故障检测方法、装置及设备 | |
CN110489852A (zh) | 提高风电系统数据质量的方法及装置 | |
CN115600143A (zh) | 储能锂电池故障诊断方法及装置 | |
CN107121616B (zh) | 一种用于对智能仪表进行故障定位的方法和装置 | |
CN112162528B (zh) | 一种数控机床的故障诊断方法、装置、设备和存储介质 | |
US20180087489A1 (en) | Method for windmill farm monitoring | |
Zhang | Comparison of data-driven and model-based methodologies of wind turbine fault detection with SCADA data | |
CN117034157B (zh) | 一种结合多模态运行数据的水电设备故障识别方法与系统 | |
Jiang et al. | Prediction on the remaining useful life of rolling bearings using ensemble DLSTM | |
CN117726079B (zh) | 基于机电一体化的自动化环形产线优化方法 | |
Wang et al. | Transient Stability Evaluation of Power System based on Neighborhood Rough Set and Extreme Learning Machine [J] | |
CN114414938B (zh) | 一种配电网故障的动态响应方法及系统 |
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 |