CN115499289B - 一种设备状态评估预警方法和系统 - Google Patents
一种设备状态评估预警方法和系统 Download PDFInfo
- Publication number
- CN115499289B CN115499289B CN202210992023.XA CN202210992023A CN115499289B CN 115499289 B CN115499289 B CN 115499289B CN 202210992023 A CN202210992023 A CN 202210992023A CN 115499289 B CN115499289 B CN 115499289B
- Authority
- CN
- China
- Prior art keywords
- vector
- determining
- parameter
- data vector
- predicted data
- 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
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/06—Management of faults, events, alarms or notifications
- H04L41/0631—Management of faults, events, alarms or notifications using root cause analysis; using analysis of correlation between notifications, alarms or events based on decision criteria, e.g. hierarchy, tree or time analysis
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本申请涉及一种设备状态评估预警方法和系统,其中,该设备状态评估方法用于设备故障预警,包括:确定当前观测向量;确定第一次预测数据向量;确定异常参数;重新确定该当前观测向量中的该异常参数的数值,以确定终版观测向量;确定第二次预测数据向量;确定终版预测数据向量;根据该当前观测向量、该终版预测数据向量,确定偏差数据向量;在该偏差数据向量中的任意参数的数值超出对应阈值的情况下,触发关于该参数的设备故障报警;通过本申请,解决了相关技术中单一参数故障异常时,应用非线性状态评估方法往往会导致多参数虚报的问题,极大提高了预警的准确率。
Description
技术领域
本申请涉及设备状态监测技术领域,特别是涉及一种设备状态评估预警方法和系统。
背景技术
随着大数据、云计算、物联网等新一代信息技术的发展,促使传统物理系统与信息系统的融合更加深入,基于大数据分析与智能算法的设备状态评估及预警技术得到了迅速的发展和应用。非线性状态评估方法是应用较为广泛的一种设备故障智能预警方法,通过对比当前数据与历史数据的相似程度,即监测这些多维信号之间的相似度,进行系统运行状态预测报警。
近年来,基于非线性状态评估方法的故障预警,在燃气轮机发电机组、煤电机组、风机机组等发电设备智能预警中得到了广泛的应用。但是,在当前数据中某一参数故障异常时,应用非线性状态评估方法往往会由于此异常参数导致预警模型中其他正常参数预测数据异常,从而在应当单参数报警时产生多参数虚报的情况,极大降低了预警的准确率。
针对相关技术中,单一参数故障异常时,应用非线性状态评估方法往往会导致多参数虚报的问题,尚未提出有效的解决方案。
发明内容
本申请实施例提供了一种设备状态评估预警方法和系统,以至少解决相关技术中,单一参数故障异常时,应用非线性状态评估方法往往会导致多参数虚报的问题。
第一方面,本申请实施例提供了一种设备状态评估方法,用于设备故障预警,所述方法包括:
获取当前时刻的数据,确定当前观测向量,其中,标记任意时刻观测到的多个变量为所述时刻的观测向量,多个所述变量相互关联;
基于非线性评估算法,根据模式矩阵、所述当前观测向量,确定第一次预测数据向量,其中,所述模式矩阵预先由历史观测向量组成,所述历史观测向量为设备正常运行状态下的多个不同时刻下的观测向量;
通过相似系数分析确定异常参数;根据所述异常参数和所述第一次预测数据向量,重新确定所述当前观测向量中的所述异常参数的数值,以确定终版观测向量;
根据所述终版观测向量,确定第二次预测数据向量;根据第一次预测数据向量、第二次预测数据向量,确定终版预测数据向量;
根据所述当前观测向量、所述终版预测向量,确定偏差数据向量;在所述偏差数据向量中的任意参数的数值超出对应阈值的情况下,触发关于所述参数的设备故障报警。
在其中一些实施例中,所述通过相似系数分析确定异常参数的过程包括:
基于相似性算子,根据所述模式矩阵、所述当前观测向量,确定数值相似度最小的时刻,得到目标时刻;
逐个比对当前观测向量与所述目标时刻的观测向量下的参数,确定数值变化率最大的参数,得到所述异常参数。
在其中一些实施例中,确定所述终版观测向量的过程包括:
确定所述异常参数在所述第一次预测数据向量中的数值,并用所述数值,替换当前观测向量中的所述异常参数的数值,得到优化后的当前观测向量;
基于非线性评估算法,根据所述模式矩阵、所述优化后的当前观测向量,确定所述终版观测向量。
在其中一些实施例中,所述偏差数据向量的确定过程包括:
确定所述异常参数在所述第一次预测数据向量初始预测数据中的数值,并用所述数值,替换第二次预测数据向量中所述异常数据的数值,得到终版预测数据向量;
根据所述当前观测向量、所述终版预测向量的差值,确定所述偏差数据向量。
第二方面,本申请实施例提供了一种设备状态评估系统,用于设备故障预警,所述系统包括:
获取模块,用于获取当前时刻的数据,确定当前观测向量,其中,标记任意时刻观测到的多个变量为所述时刻的观测向量,多个所述变量相互关联;
确定模块,用于基于非线性评估算法,根据模式矩阵、所述当前观测向量,确定第一次预测数据向量,其中,所述模式矩阵预先由历史观测向量组成,所述历史观测向量为设备正常运行状态下的多个不同时刻下的观测向量;
分析模块,用于通过相似系数分析确定异常参数;根据所述异常参数和所述第一次预测数据向量,重新确定所述当前观测向量中的所述异常参数的数值,以确定终版观测向量;根据所述终版观测向量,确定第二次预测数据向量;根据第一次预测数据向量、第二次预测数据向量,确定终版预测数据向量;
触发模块,用于根据所述当前观测向量、所述终版预测向量,确定偏差数据向量;在所述偏差数据向量中的任意参数的数值超出对应阈值的情况下,触发关于所述参数的设备故障报警。
在其中一些实施例中,在所述分析模块中,所述通过相似系数分析确定异常参数的过程包括:
基于相似性算子,根据所述模式矩阵、所述当前观测向量,确定数值相似度最小的时刻,得到目标时刻;
逐个比对当前观测向量与所述目标时刻的观测向量下的参数,确定数值变化率最大的参数,得到所述异常参数。
在其中一些实施例中,在所述分析模块中,确定所述终版观测向量的过程包括:
确定所述异常参数在所述第一次预测数据向量中的数值,并用所述数值,替换当前观测向量中的所述异常参数的数值,得到优化后的当前观测向量,即终版观测向量;
基于非线性评估算法,根据所述模式矩阵、所述终版观测向量,确定所述第二次预测数据向量;
根据异常参数、第一次预测数据向量、第二次预测数据向量,确定所述异常参数在所述第一次预测数据向量初始预测数据中的数值,并用所述数值,替换第二次预测数据向量中所述异常数据的数值,确定终版预测数据向量。
在其中一些实施例中,在所述触发模块中,所述偏差数据向量的确定过程包括:根据所述当前观测向量、所述终版预测向量的差值,确定所述偏差数据向量。
第三方面,本申请实施例提供了一种电子装置,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行所述设备状态评估方法。
第四方面,本申请实施例提供了一种存储介质,所述存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行所述设备状态评估方法。
相比于相关技术中,单一参数故障异常时,应用非线性状态评估方法往往会导致多参数虚报的问题,本申请实施例通过获取当前时刻的数据,确定当前观测向量,其中,标记任意时刻观测到的多个变量为该时刻的观测向量,多个该变量相互关联;基于非线性评估算法,根据模式矩阵、该当前观测向量,确定第一次预测数据向量,其中,该模式矩阵预先由历史观测向量组成,该历史观测向量为设备正常运行状态下的多个不同时刻下的观测向量;通过相似系数分析确定异常参数;根据该异常参数和该第一次预测数据向量,重新确定当前观测向量中的该异常参数的数值,以确定终版观测向量;根据模式矩阵、所述终版观测向量,确定第二次预测数据向量;根据第一次预测数据向量、第二次预测数据向量,确定终版预测数据向量;根据该当前观测向量、该终版预测向量,确定偏差数据向量;在该偏差数据向量中的任意参数的数值超出对应阈值的情况下,触发关于该参数的设备故障报警,解决了相关技术中单一参数故障异常时,应用非线性状态评估方法往往会导致多参数虚报的问题,极大提高了预警的准确率。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是根据本申请第一实施例的设备状态评估方法的示意图;
图2是根据本申请第二实施例的设备状态评估方法的示意图;
图3是根据本申请第三实施例的设备状态评估系统的结构框图;
图4是根据本申请实施例的电子设备的内部结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行描述和说明。应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。基于本申请提供的实施例,本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
显而易见地,下面描述中的附图仅仅是本申请的一些示例或实施例,对于本领域的普通技术人员而言,在不付出创造性劳动的前提下,还可以根据这些附图将本申请应用于其他类似情景。此外,还可以理解的是,虽然这种开发过程中所作出的努力可能是复杂并且冗长的,然而对于与本申请公开的内容相关的本领域的普通技术人员而言,在本申请揭露的技术内容的基础上进行的一些设计,制造或者生产等变更只是常规的技术手段,不应当理解为本申请公开的内容不充分。
在本申请中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域普通技术人员显式地和隐式地理解的是,本申请所描述的实施例在不冲突的情况下,可以与其它实施例相结合。
除非另作定义,本申请所涉及的技术术语或者科学术语应当为本申请所属技术领域内具有一般技能的人士所理解的通常意义。本申请所涉及的“一”、“一个”、“一种”、“该”等类似词语并不表示数量限制,可表示单数或复数。本申请所涉及的术语“包括”、“包含”、“具有”以及它们任何变形,意图在于覆盖不排他的包含;例如包含了一系列步骤或模块(单元)的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可以还包括没有列出的步骤或单元,或可以还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。本申请所涉及的“连接”、“相连”、“耦接”等类似的词语并非限定于物理的或者机械的连接,而是可以包括电气的连接,不管是直接的还是间接的。本申请所涉及的“多个”是指两个或两个以上。“和/或”描述关联对象的关联关系,表示可以存在三种关系,例如,“A和/或B”可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。本申请所涉及的术语“第一”、“第二”、“第三”等仅仅是区别类似的对象,不代表针对对象的特定排序。
本申请提供了一种设备状态评估方法,用于设备故障预警,图1是根据本申请第一实施例的设备状态评估方法的示意图,如图1所示,该流程包括如下步骤:
步骤S101,获取当前时刻的数据,确定当前观测向量,其中,标记任意时刻观测到的多个变量为该时刻的观测向量,多个该变量相互关联;
例如,假设某一预警模型包含n个相互关联的变量,设在某一时刻i,观测到的n个变量记为i时刻观测向量Xi,即:
Xi=[X1(i),X2(i),……,Xn(i)]T
当前数据记为Xobs,即:
Xobs=[X1(obs),X2(obs),……,Xn(obs)]T
步骤S102,基于非线性评估算法,根据模式矩阵、该当前观测向量,确定第一次预测数据向量,其中,该模式矩阵预先由历史观测向量组成,该历史观测向量为设备正常运行状态下的多个不同时刻下的观测向量;
例如,假设有n个关联测点,由m个不同时刻正常运行状态的历史观测向量组成的模式矩阵记为D,即:
基于当前数据Xobs的第一次预测数据记为X'est,即:
式中,为相似性算子,以n维行向量O和n维列向量P为例,/>
步骤S103,通过相似系数分析确定异常参数;根据该异常参数和该第一次预测数据向量,重新确定该当前观测向量中的该异常参数的数值,以确定终版观测向量;
例如,进行基于相似系数的当前数据向量优化过程可以是:
相似系数向量记为Y,即:
计算min(Y1,Y2……,Yn)=Yk,则:
计算max(Z1,Z2,……,Zn)=Zg,则优化后的终版观测向量X'obs为:
X'obs=[X1(obs),X2(obs),…,X'g(est)…,Xn(obs)]T
步骤S104,根据该终版观测向量,确定第二次预测数据向量;根据所述异常参数在所述第一次预测数据向量初始预测数据中的数值,并用所述数值,替换第二次预测数据向量中所述异常数据的数值,得到终版预测数据向量;
例如:基于终版观测向量的第二次预测数据向量记为X″est,即:
基于第一次预测数据向量、第二次预测数据向量,得到终版预测数据向量记为Xest,即:
Xest=[X″1(est),X″2(est),…,X'g(est),…,X″n(est)]T
步骤S105,根据该当前观测向量、该终版预测数据向量,确定偏差数据向量;在该偏差数据向量中的任意参数的数值低于超出对应阈值的情况下,触发关于该参数的设备故障报警;
例如,最终偏差数据向量为:
Xdif=Xest-Xobs=[X1(dif),X2(dif),……,Xn(dif)]T
假设n维参数的残差阈值向量为ε,即:
ε=[ε1,ε2,……,εn]T
当Xdif中任一参数|Xf(dif)|>|εf|时,此参数触发报警。
通过上述步骤S101至S105,相对于相关技术中单一参数故障异常时,应用非线性状态评估方法往往会导致多参数虚报的问题,本申请实施例通过模式矩阵和当前观测向量的相似系数分析,找出偏差较大的异常参数,并将该异常参数基于非线性评估算法的一次计算预测值作为第二次优化运算的输入,解决了相关技术中单一参数故障异常时,应用非线性状态评估方法往往会导致多参数虚报的问题,极大提高了预警的准确率。
在其中一些实施例中,图2是根据本申请第二实施例的设备状态评估方法的示意图,如图2所示,该流程包括如下步骤:
模式矩阵和当前观测向量生成完毕后,基于非线性评估算法执行第一次计算,得到第一次预测数据向量,并对模式矩阵和当前数据向量进行相似系数分析,抓取异常参数;根据模式矩阵、第一次预测数据向量、异常参数,优化当前观测向量,生成终版观测向量;基于非线性评估算法执行第二次优化计算,生成第二次预测数据向量;基于异常参数、第一次预测数据向量、第二次预测数据向量结果,生成终版预测数据向量;基于终版预测向量,得到最终偏差数据向量,进行报警阈值判别,执行参数报警。
本实施例还提供了一种设备状态评估系统,用于设备故障预警,图3是根据本申请第三实施例的设备状态评估系统的结构框图,如图3所示,该系统包括获取模块301、确定模块302、分析模块303,以及触发模块304,其中:
获取模块301获取当前时刻的数据,确定当前观测向量,其中,标记任意时刻观测到的多个变量为该时刻的观测向量,多个该变量相互关联;
确定模块302基于非线性评估算法,根据模式矩阵、该当前观测向量,确定第一次预测数据向量,其中,该模式矩阵预先由历史观测向量组成,该历史观测向量为设备正常运行状态下的多个不同时刻下的观测向量;
分析模块303通过相似系数分析确定异常参数;根据该异常参数和该第一次预测数据向量,重新确定该当前观测向量中的该异常参数的数值,以确定终版观测向量;根据所述当前观测向量、所述终版观测向量,确定第二次预测数据向量;根据所述异常参数、所述第一次预测数据向量、所述第二次预测数据向量,确定终版预测数据向量;
触发模块304根据该当前观测向量、该终版预测向量,确定偏差数据向量;在该偏差数据向量中的任意参数的数值超出对应阈值的情况下,触发关于该参数的设备故障报警。
在其中一些实施例中,在该分析模块303中,该通过相似系数分析确定异常参数的过程包括:
基于相似性算子,根据该模式矩阵、该当前观测向量,确定数值相似度最小的时刻,得到目标时刻;
逐个比对当前观测向量与该目标时刻的观测向量下的参数,确定数值变化率最大的参数,得到该异常参数。
在其中一些实施例中,在该分析模块303中,该确定该终版观测向量的过程包括:
确定该异常参数在该第一次预测数据向量中的数值,并用该数值,替换当前观测向量中的该异常参数的数值,得到优化后的当前观测向量;
基于非线性评估算法,根据该模式矩阵、该优化后的当前观测向量,确定该终版观测向量。
在其中一些实施例中,在该分析模块303中,该确定终版预测数据向量的过程包括:确定所述异常参数在所述第一次预测数据向量初始预测数据中的数值,并用所述数值,替换第二次预测数据向量中所述异常数据的数值,得到终版预测数据向量。
在其中一些实施例中,在该触发模块304中,该偏差数据向量的确定过程包括:根据该当前观测向量、该终版预测向量的差值,确定该偏差数据向量。
结合上述实施例中的设备状态评估方法,本申请实施例可提供一种存储介质来实现。该存储介质上存储有计算机程序;该计算机程序被处理器执行时实现上述实施例中的任意一种设备状态评估方法。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种设备状态评估方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
在一个实施例中,图4是根据本申请实施例的电子设备的内部结构示意图,如图4所示,提供了一种电子设备,该电子设备可以是服务器,其内部结构图可以如图4所示。该电子设备包括通过内部总线连接的处理器、网络接口、内存储器和非易失性存储器,其中,该非易失性存储器存储有操作系统、计算机程序和数据库。处理器用于提供计算和控制能力,网络接口用于与外部的终端通过网络连接通信,内存储器用于为操作系统和计算机程序的运行提供环境,计算机程序被处理器执行时以实现一种设备状态评估方法,数据库用于存储数据。
本领域技术人员可以理解,图4中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的电子设备的限定,具体的电子设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
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,是可以通过计算机程序来指令相关的硬件来完成,该计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
本领域的技术人员应该明白,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (9)
1.一种设备状态评估预警方法,其特征在于,用于设备故障预警,所述方法包括:
获取当前时刻的数据,确定当前观测向量,其中,标记任意时刻观测到的多个变量为所述时刻的观测向量,多个所述变量相互关联;
基于非线性评估算法,根据模式矩阵、所述当前观测向量,确定第一次预测数据向量,其中,所述模式矩阵预先由历史观测向量组成,所述历史观测向量为设备正常运行状态下的多个不同时刻下的观测向量;
通过相似系数分析确定异常参数;根据所述异常参数和所述第一次预测数据向量,重新确定所述当前观测向量中的所述异常参数的数值,以确定终版观测向量;其中,通过相似系数分析确定异常参数包括基于相似性算子,根据所述模式矩阵、所述当前观测向量,确定数值相似度最小的时刻,得到目标时刻;逐个比对当前观测向量与所述目标时刻的观测向量下的参数,确定数值变化率最大的参数,得到所述异常参数;
根据所述终版观测向量,确定第二次预测数据向量;根据第一次预测数据向量、第二次预测数据向量,确定终版预测数据向量;
根据当前观测向量、所述终版预测数据向量,确定最终偏差数据向量;在所述偏差数据向量中的任意参数的数值超出对应阈值的情况下,触发关于所述参数的设备故障报警。
2.根据权利要求1所述的方法,其特征在于,确定所述终版观测向量的过程包括:
确定所述异常参数在所述第一次预测数据向量中的数值,并用所述数值,替换当前观测向量中的所述异常参数的数值,得到优化后的当前观测向量;
基于非线性评估算法,根据所述模式矩阵、所述优化后的当前观测向量,确定所述终版观测向量。
3.根据权利要求1所述的方法,其特征在于,所述偏差数据向量的确定过程包括:
确定所述异常参数在所述第一次预测数据向量初始预测数据中的数值,并用所述数值,替换第二次预测数据向量中异常数据的数值,得到终版预测数据向量;
根据所述当前观测向量、所述终版预测数据向量的差值,确定所述偏差数据向量。
4.一种设备状态评估预警系统,其特征在于,用于设备故障预警,所述系统包括:
获取模块,用于获取当前时刻的数据,确定当前观测向量,其中,标记任意时刻观测到的多个变量为所述时刻的观测向量,多个所述变量相互关联;
确定模块,用于基于非线性评估算法,根据模式矩阵、所述当前观测向量,确定第一次预测数据向量,其中,所述模式矩阵预先由历史观测向量组成,所述历史观测向量为设备正常运行状态下的多个不同时刻下的观测向量;
分析模块,用于通过相似系数分析确定异常参数;根据所述异常参数和所述第一次预测数据向量,重新确定所述当前观测向量中的所述异常参数的数值,以确定终版观测向量;根据所述终版观测向量,确定第二次预测数据向量;根据第一次预测数据向量、第二次预测数据向量,确定终版预测数据向量;其中,通过相似系数分析确定异常参数包括基于相似性算子,根据所述模式矩阵、所述当前观测向量,确定数值相似度最小的时刻,得到目标时刻;逐个比对当前观测向量与所述目标时刻的观测向量下的参数,确定数值变化率最大的参数,得到所述异常参数;
触发模块,用于根据所述当前观测向量、所述终版预测数据向量,确定偏差数据向量;在所述偏差数据向量中的任意参数的数值超出对应阈值的情况下,触发关于所述参数的设备故障报警。
5.根据权利要求4所述的系统,其特征在于,在所述分析模块中,所述通过相似系数分析确定异常参数的过程包括:
基于相似性算子,根据所述模式矩阵、所述当前观测向量,确定数值相似度最小的时刻,得到目标时刻;
逐个比对当前观测向量与所述目标时刻的观测向量下的参数,确定数值变化率最大的参数,得到所述异常参数。
6.根据权利要求4所述的系统,其特征在于,在所述分析模块中,所述确定所述终版观测向量的过程包括:
确定所述异常参数在所述第一次预测数据向量中的数值,并用所述数值,替换当前观测向量中的所述异常参数的数值,得到优化后的当前观测向量;
基于非线性评估算法,根据所述模式矩阵、所述优化后的当前观测向量,确定所述终版观测向量。
7.根据权利要求4所述的系统,其特征在于,在所述触发模块中,所述偏差数据向量的确定过程包括:根据所述当前观测向量、所述终版预测向量的差值,确定所述偏差数据向量。
8.一种电子装置,包括存储器和处理器,其特征在于,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行权利要求1至3中任一项所述的设备状态评估预警方法。
9.一种存储介质,其特征在于,所述存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行权利要求1至3中任一项所述的设备状态评估预警方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210992023.XA CN115499289B (zh) | 2022-08-17 | 2022-08-17 | 一种设备状态评估预警方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210992023.XA CN115499289B (zh) | 2022-08-17 | 2022-08-17 | 一种设备状态评估预警方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115499289A CN115499289A (zh) | 2022-12-20 |
CN115499289B true CN115499289B (zh) | 2023-08-25 |
Family
ID=84466433
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210992023.XA Active CN115499289B (zh) | 2022-08-17 | 2022-08-17 | 一种设备状态评估预警方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115499289B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103842923A (zh) * | 2011-07-19 | 2014-06-04 | 智能信号公司 | 用于预报和预测的序列核回归建模系统 |
CN103874964A (zh) * | 2011-07-19 | 2014-06-18 | 智能信号公司 | 使用具有模式序列的核回归建模的监测方法 |
CN105114348A (zh) * | 2015-09-09 | 2015-12-02 | 长春合成兴业能源技术有限公司 | 基于电站运行数据的引风机故障预警装置和方法 |
CN106663086A (zh) * | 2014-09-12 | 2017-05-10 | 通用电气智能平台有限公司 | 用于核回归模型的集体的设备和方法 |
CN108108852A (zh) * | 2018-01-05 | 2018-06-01 | 广东电网有限责任公司电力科学研究院 | 基于故障预警技术的火电机组短期可靠性评估方法及装置 |
CN109737045A (zh) * | 2019-01-11 | 2019-05-10 | 南方电网科学研究院有限责任公司 | 应用于芯片生产的空压机故障预警方法、系统及相关装置 |
CN111506873A (zh) * | 2020-04-13 | 2020-08-07 | 深圳埃瑞斯瓦特新能源有限公司 | 基于扩展卡尔曼滤波算法的非线性系统参数估计方法 |
CN112036089A (zh) * | 2020-09-03 | 2020-12-04 | 华能国际电力股份有限公司玉环电厂 | 一种基于dpc-mnd和多元状态估计的磨煤机故障预警方法 |
CN112067335A (zh) * | 2020-09-03 | 2020-12-11 | 华能国际电力股份有限公司玉环电厂 | 一种基于多元状态估计的电厂送风机故障预警方法 |
CN113108842A (zh) * | 2021-04-16 | 2021-07-13 | 中国石油大学(北京) | 一种热交换器多参数关联监测预警方法和系统 |
CN113189941A (zh) * | 2021-03-16 | 2021-07-30 | 珠海市钰海电力有限公司 | 一种电厂发电设备的故障智能预警方法及系统 |
WO2021164465A1 (zh) * | 2020-02-20 | 2021-08-26 | 深圳壹账通智能科技有限公司 | 智能预警方法与系统 |
WO2022087998A1 (zh) * | 2020-10-30 | 2022-05-05 | 网络通信与安全紫金山实验室 | 通信终端的定位跟踪方法、系统、设备和可读存储介质 |
-
2022
- 2022-08-17 CN CN202210992023.XA patent/CN115499289B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103874964A (zh) * | 2011-07-19 | 2014-06-18 | 智能信号公司 | 使用具有模式序列的核回归建模的监测方法 |
CN103842923A (zh) * | 2011-07-19 | 2014-06-04 | 智能信号公司 | 用于预报和预测的序列核回归建模系统 |
CN106663086A (zh) * | 2014-09-12 | 2017-05-10 | 通用电气智能平台有限公司 | 用于核回归模型的集体的设备和方法 |
CN105114348A (zh) * | 2015-09-09 | 2015-12-02 | 长春合成兴业能源技术有限公司 | 基于电站运行数据的引风机故障预警装置和方法 |
CN108108852A (zh) * | 2018-01-05 | 2018-06-01 | 广东电网有限责任公司电力科学研究院 | 基于故障预警技术的火电机组短期可靠性评估方法及装置 |
CN109737045A (zh) * | 2019-01-11 | 2019-05-10 | 南方电网科学研究院有限责任公司 | 应用于芯片生产的空压机故障预警方法、系统及相关装置 |
WO2021164465A1 (zh) * | 2020-02-20 | 2021-08-26 | 深圳壹账通智能科技有限公司 | 智能预警方法与系统 |
CN111506873A (zh) * | 2020-04-13 | 2020-08-07 | 深圳埃瑞斯瓦特新能源有限公司 | 基于扩展卡尔曼滤波算法的非线性系统参数估计方法 |
CN112067335A (zh) * | 2020-09-03 | 2020-12-11 | 华能国际电力股份有限公司玉环电厂 | 一种基于多元状态估计的电厂送风机故障预警方法 |
CN112036089A (zh) * | 2020-09-03 | 2020-12-04 | 华能国际电力股份有限公司玉环电厂 | 一种基于dpc-mnd和多元状态估计的磨煤机故障预警方法 |
WO2022087998A1 (zh) * | 2020-10-30 | 2022-05-05 | 网络通信与安全紫金山实验室 | 通信终端的定位跟踪方法、系统、设备和可读存储介质 |
CN113189941A (zh) * | 2021-03-16 | 2021-07-30 | 珠海市钰海电力有限公司 | 一种电厂发电设备的故障智能预警方法及系统 |
CN113108842A (zh) * | 2021-04-16 | 2021-07-13 | 中国石油大学(北京) | 一种热交换器多参数关联监测预警方法和系统 |
Non-Patent Citations (1)
Title |
---|
The Early Warning of Icing Flashover Fault of Transmission Line Based on Support Vector Machine and Partial Mutual Information Method;Chen Yu等;《 2020 IEEE 4th Conference on Energy Internet and Energy System Integration (EI2)》;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN115499289A (zh) | 2022-12-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111210024B (zh) | 模型训练方法、装置、计算机设备和存储介质 | |
CN111338836B (zh) | 处理故障数据的方法、装置、计算机设备和存储介质 | |
US7499777B2 (en) | Diagnostic and prognostic method and system | |
CN110868241B (zh) | 基于多模型的地下电缆故障预警方法和装置 | |
CN110875851B (zh) | 地下电缆故障预警方法和装置 | |
CN111325159B (zh) | 故障诊断方法、装置、计算机设备和存储介质 | |
CN111709447A (zh) | 电网异常检测方法、装置、计算机设备和存储介质 | |
CN113760670A (zh) | 电缆接头异常预警方法、装置、电子设备和存储介质 | |
CN112100575A (zh) | 设备状态趋势预测方法、装置、计算机设备和存储介质 | |
CN111624986A (zh) | 基于案例库的故障诊断方法和系统 | |
CN115656673A (zh) | 变压器数据的处理及装置、设备存储介质 | |
CN110866634A (zh) | 基于模型选择的地下电缆故障预警方法和装置 | |
CN110763952A (zh) | 地下电缆故障监测方法和装置 | |
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 | |
CN115766383B (zh) | 一种基于算法融合技术的设备状态评估预警方法和系统 | |
US10846067B2 (en) | Software generation method and software generation system | |
CN113758652B (zh) | 换流变压器漏油检测方法、装置、计算机设备和存储介质 | |
US20230147470A1 (en) | Failure prediction system | |
CN115499289B (zh) | 一种设备状态评估预警方法和系统 | |
CN114266284A (zh) | 开关柜绝缘缺陷类型检测方法、装置、设备和程序产品 | |
CN116136985B (zh) | 一种变电所安全风险在线识别方法及其系统 | |
CN112862459A (zh) | 试验异常监控方法、装置、计算机设备和存储介质 | |
CN113377564B (zh) | 故障诊断方法、装置、计算机设备和存储介质 | |
CN111210105B (zh) | 连续工作性能验证、装置、计算机设备和存储介质 | |
CN112395774B (zh) | 一种基于硬件结构树的设备分层健康状态评估方法和装置 |
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 |