CN115717590A - 一种压缩机智能异常检测方法及相关装置 - Google Patents
一种压缩机智能异常检测方法及相关装置 Download PDFInfo
- Publication number
- CN115717590A CN115717590A CN202211469210.6A CN202211469210A CN115717590A CN 115717590 A CN115717590 A CN 115717590A CN 202211469210 A CN202211469210 A CN 202211469210A CN 115717590 A CN115717590 A CN 115717590A
- Authority
- CN
- China
- Prior art keywords
- compressor
- anomaly detection
- loss
- data
- detection method
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 49
- 230000002159 abnormal effect Effects 0.000 claims abstract description 36
- 238000000034 method Methods 0.000 claims abstract description 29
- 230000008569 process Effects 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims description 33
- 238000010606 normalization Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 4
- 230000005856 abnormality Effects 0.000 abstract description 12
- 238000012549 training Methods 0.000 abstract description 8
- 230000006866 deterioration Effects 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 abstract description 2
- 238000011160 research Methods 0.000 abstract description 2
- 238000010276 construction Methods 0.000 abstract 1
- 238000009826 distribution Methods 0.000 description 16
- 230000006870 function Effects 0.000 description 6
- 238000003745 diagnosis Methods 0.000 description 5
- 239000007789 gas Substances 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- VGGSQFUCUMXWEO-UHFFFAOYSA-N Ethene Chemical compound C=C VGGSQFUCUMXWEO-UHFFFAOYSA-N 0.000 description 1
- 239000005977 Ethylene Substances 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012824 chemical production Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 125000004435 hydrogen atom Chemical class [H]* 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 238000006116 polymerization reaction Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000005057 refrigeration Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
Images
Landscapes
- Control Of Positive-Displacement Pumps (AREA)
Abstract
本发明公开了一种压缩机智能异常检测方法及相关装置,异常检测方法包括如下过程:PLC数据采集;特征工程建设,除了采集到的PLC数据外,引入压比等作为新特征值;采用正常数据进行训练,建立基于重构的异常检测模型;根据箱线图的异常值判定法则确定动态阈值。当异常分数超过动态阈值时,系统判定为机器处于异常状态,需特别关注。本发明专利充分利用PLC数据开展研究,从多个数据维度进行分析,不依赖标签数据、无需增设额外的传感器即可预测性地判断机器的运行状态,能够大大降低智能异常检测技术的落地应用成本,先于PLC报警之前发出预警,避免异常状态进一步恶化。
Description
技术领域
本发明属于压缩机技术领域,具体涉及一种压缩机智能异常检测方法及相关装置。
背景技术
压缩机是现代化工生产中常用的机械,是工业生产链中的重要环节,在国民经济的发展和社会生活水平的提高中具有举足轻重的地位。其用途主要体现在:压缩空气作为动力、压缩气体用于制冷和气体分离、压缩气体用于合成及聚合、压缩气体用于远距离输送、压缩空气用于医疗护理。压缩机作为工业的心脏,其能否正常运行直接关系到企业的经济效益和生产安全。有些工艺压缩机的压缩机介质为氢气、乙烯、天然气等易燃易爆的气体,且工作在高压条件下,一旦发生故障可能会造成严重的人员伤亡事故及重大的经济损失。因此,研究压缩机的异常检测方法,预测性地做好维护、尽早发现机组异常,并采取相应的防治措施具有重要意义。
然而,压缩机的结构比较复杂,而且对于压缩机的人工诊断过程在时间上不够及时,诊断结果的准确性很大程度上依赖于诊断专家的经验学识,自动化程度低且依赖于单一限值。以往复式压缩机为例,目前的压缩机预警大多是依赖于PLC系统的单一限值报警,当报警产生时,机器的故障已发展到一定程度。因此预测性地发现到机器存在的异常、减少检测过程中人工的参与、提高异常检测的精度是往复压缩机异常检测的迫切需求。
发明内容
为了克服上述现有技术存在的问题,本发明的目的在于提出一种压缩机智能异常检测方法及相关装置,本发明能够实现压缩机的智能异常检测。
为了实现上述目的,本发明采用的解决方案是:
一种压缩机智能异常检测方法,包括如下过程:
对用于异常检测的特征集中每一个特征下的数据进行归一化处理,得到归一化的特征集;所述用于异常检测的特征集包括压缩机运行的PLC数据时间序列样本以及压缩机各级的压比;
采用变分自动编码器对归一化的特征集进行重构,得到重建损失;
对重建损失进行移动平均处理;
将对重建损失进行移动平均处理的结果与预设的阈值进行比较,当对重建损失进行移动平均处理的结果超过阈值时,判定压缩机处于异常状态,否则认为压缩机处于正常状态。
优选的,所述压缩机运行的PLC数据时间序列样本包括各级进排气压力、各级进排气温度、各级流量、振动和电机电流。
优选的,本发明压缩机智能异常检测方法还包括对获取的特征集进行选择的过程,获取特征集后,根据不同压缩机的机型,对所有特征值进行选择,选择时,对比不同特征值下变分自动编码的重建损失,选择更能够将正常数据和异常数据明显区分开的特征集,将选择后得到的特征集作为最终用于异常检测的特征集。
优选的,所述变分自动编码器的损失函数包括重建损失和KL损失。
变分自动编码器的损失函数Loss=Reconstruction loss+KL;
其中,m为特征集的维度、xi为特征集第i个特征的原始输入值(如原始输入的进气压力)、x’i为特征集第i个特征值经变分自动编码器后的的重构值(如原始输入的进气压力经变分自动编码器重构后的进气压力)、n为变分自动编码器中间隐变量Z的维度、μi和分别代表中间隐变量Z中一般正态分布的均值向量和方差向量的第i个分量。
优选的,采用指数移动加权平均法对重建损失进行移动平均处理。
优选的,将对重建损失进行移动平均处理的结果与预设的阈值进行比较,当对重建损失进行移动平均处理的结果超过阈值时,判定为压缩机处于异常状态,否则认为压缩机处于正常状态的过程包括:
采用箱线图的异常值判定法则确定前N个时间步内的阈值,随着时间推移不断更新阈值,实现自适应阈值,当对重建损失进行移动平均处理的结果超过阈值时,判定压缩机处于异常状态,否则认为压缩机处于正常状态。
本发明还提供了一种压缩机智能异常检测系统,包括如下过程:
归一化处理模块:用于对用于异常检测的特征集中每一个特征下的数据进行归一化处理,得到归一化的特征集;所述用于异常检测的特征集包括压缩机运行的PLC数据时间序列样本以及压缩机各级的压比;
变分自动编码器:用于对归一化的特征集进行重构,得到重建损失;
移动平均处理模块:用于对重建损失进行移动平均处理;
判断模块:将对重建损失进行移动平均处理的结果与预设的阈值进行比较,当对重建损失进行移动平均处理的结果超过阈值时,判定压缩机处于异常状态,否则认为压缩机处于正常状态。
本发明还提供了一种电子设备,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现本发明如上所述的压缩机智能异常检测方法。
本发明还提供了一种存储介质,其上存储有计算机程序,其中,所述计算机程序被处理器执行时实现本发明如上所述的压缩机智能异常检测方法。
本发明具有如下有益效果:
(1)压缩机的运行状态发生变化时,一些基本的热动力参数会发生潜在的变化,通过从包括压缩机运行的PLC数据时间序列样本以及压缩机各级的压比多个维度综合评判压缩机的运行状态,相比于单一限值而言更全面、更有说服力;(2)本发明的压缩机异常检测方法采用深度学习的方法,仅依赖于压缩机的正常运行数据实现半监督学习,不依赖于大量的带标签数据,有效克服以往故障诊断过程中需要大量标签数据用以训练的问题,此外,对于不依赖大量标签数据的深度学习方法,其泛化能力更强,更有利于推广到不同机型的压缩机或者其他机器上;(3)本发明的压缩机异常检测方法能够预测性地发现机器中存在的问题,能够先于PLC系统报警或者人工巡检之前发出预警,提醒现场工作人员及时关注机组运行状态、及时检修,避免异常状态进一步恶化。另一方面,本发明充分利用压缩机的PLC数据开展研究能够大大降低机器预测性维护的成本,避免安装过多价格昂贵的传感器。本发明专利中的异常检测技术可应用到各种类型的压缩机中,甚至可推广至其他往复机械、旋转机械中。
附图说明
图1是本发明压缩机智能异常检测方法的流程示意图。
图2(a)是本发明具体实施方式中的压缩机PLC数据(各级进排气压力)示意图;图2(b)是本发明具体实施方式中的压缩机PLC数据(各级进排气温度)示意图;图2(c)是本发明具体实施方式中的压缩机PLC数据(振动)示意图;图2(d)是本发明具体实施方式中的压缩机PLC数据(电机电流)示意图。
图3是本发明实施例中的压缩机异常检测实验结果示意图。
图4是本发明实施例中压缩机理论压比和实际压比示意图。
具体实施方式
以下将对本发明的实施进行详细描述。
参照图1、图2(a)-图2(d)以及图3,本发明以往复式压缩机为例,其异常检测方法包括以下步骤:
步骤1,PLC数据采集:对压缩机运行的PLC数据时间序列样本(包括各级进排气压力、各级进排气温度、流量、振动和电机电流)进行采集和存储,如图2(a)-图2(d)所示;
步骤2,特征工程:除了步骤1中采集到的压缩机运行的PLC数据时间序列样本(包括各级进排气压力、各级进排气温度、流量、振动和电机电流)作为特征值以外,基于压缩机热动力模型引入各级压比作为新特征值。其中,第i级的压比εi等于第i级的排气压力除以第i级的进气压力并对所有特征值进行一定的选择,选择时,对比不同特征值下变分自动编码的重建损失,选择更能够将正常数据和异常数据明显区分开的特征集,构成异常检测方法的特征集,并对特征集中每一个特征下的数据进行归一化处理;
步骤3,建立基于重构的异常检测模型:采用变分自动编码器(即所述基于重构的异常检测模型)对特征集进行重构,基于重构的异常检测模型试图重构输入数据,仅使用正常数据进行训练,将变分自动编码器计算输入与输出的差值作为异常分数,异常分数为变分自动编码器的重建损失,其具体表达式为:
步骤4,对异常分数进行移动平均处理,减少偶然性突变的影响,分析预测时间序列的长期趋势,采用箱线图的异常值判定法则确定前N个时间步内的阈值,并随着时间推移不断更新阈值,达到自适应阈值的效果,当异常分数超过阈值时,判定为机器处于异常状态,需特别关注,如图3所示。
其中,步骤3中的异常检测模型(即变分自动编码器)具体介绍如下:
变分自动编码器由两个神经网络组成,一个用于原始输入数据的变分推断,生成隐变量的变分概率分布,称为编码器,利用原始输入X预测出代表隐变量空间Z高斯分布的均值μ和方差σ2;另一个根据生成的隐变量变分概率分布,还原生成原始数据的近似概率分布,称为解码器,从符合高斯分布的隐变量空间Z中采样一个点解码生成重建后的数据X’。
采用PLC数据时间序列样本中的压缩机正常运行时的时间序列子样本作为训练集,输入到变分自动编码器中用以更新和优化网络参数。同一个时间节点下的特征集作为一个样本X,X=[x1,x2,…,xm]。其中,xi,i=1,2…m为当前时间节点下的特征集中的第i个特征,比如x1是特征集中的第一个特征(进气压力)。
(3)变分自动编码器的损失函数由重建损失和KL损失组成,重建损失用于计算生成的数据X’与输入数据X的相似程度,表达式为:而KL损失用于约束编码器返回的分布接近标准高斯分布,在给定的隐变量空间Z维度为n的条件下表达式为:因此变分自动编码器的损失函数表达式为:Loss=Reconstruction loss+KL。简单来说,这里的Reconstruction loss是用来让输出X’和输入X尽可能相似。而KL损失希望隐变量空间可以符合标准的正态分布。
其中,步骤4中对异常分数进行移动平均处理具体方式如下:采用指数移动加权平均法(EWMA),各数值的加权系数随时间呈指数式递减,越靠近当前时刻的数值加权系数就越大;采用箱线图的异常值判定法则确定前N个时间步内的阈值具体方式如下:以前N个时间步内的数据作为数据集,计算该数据集的箱线图上边界作为当前第N个时间步的阈值。当到第N+1时间步长时,将第N+1时间步的数据加入到前N个时间步内的数据集中,再次计算新数据集的箱线图上边界作为第N+1个时间步的阈值,以此达到动态阈值的效果。
此外,用以计算阈值的数据集是指从机器经维护后确定正常运行时开始,到机器经人工确认发生故障后停止的这一段数据;当机器再次维护后开始正常运行时,用以计算阈值的数据集将重置为当前数据。
实施例
步骤1,PLC数据采集:对往复式压缩机运行的PLC数据时间序列样本(进气压力、一级排气压力、二级排气压力、进气温度、1#缸排气温度、2#缸排气温度、振动、电机电流)进行采集和存储,如图2(a)-图2(d)所示;
步骤2,特征工程:除了步骤1中采集到的进气压力、一级排气压力、二级排气压力、进气温度、1#缸排气温度、2#缸排气温度、振动、电机电流作为特征值以外,基于压缩机热动力模型引入各级压比作为新特征值。其中,第i级的压比εi等于第i级的排气压力除以第i级的进气压力并对所有特征值进行一定的选择,剔除进气压力、增加了一级压比和二级压比且对剩下的特征值进行了保留,构成异常检测方法的特征集,并对特征集中每一个特征下的数据进行归一化处理。
步骤4,对异常分数进行三次指数移动平均处理,减少偶然性突变的影响,分析预测时间序列的长期趋势,采用箱线图的异常值判定法则确定前N个时间步内的阈值,并随着时间推移不断更新阈值,达到自适应阈值的效果,当异常分数超过阈值时,判定为机器处于异常状态,需特别关注,如图3所示。
其中,本实施例步骤3中的异常检测模型介绍如下:
变分自动编码器由两个神经网络组成,一个用于原始输入数据的变分推断,生成隐变量的变分概率分布,称为编码器,利用原始输入X预测出代表隐变量空间Z高斯分布的均值μ和方差σ2;另一个根据生成的隐变量变分概率分布,还原生成原始数据的近似概率分布,称为解码器,从符合高斯分布的隐变量空间Z中采样一个点解码生成重建后的数据X’;具体的VAE网络结构如下:
采用PLC数据时间序列样本中的压缩机正常运行时的时间序列子样本作为训练集,输入到变分自动编码器中用以更新和优化网络参数。同一个时间节点下的特征集作为一个样本X,X=[x1,x2,x3,x4,x5,x6,x7,x8,x9]。其中,x1-x9分别为一级排气压力、二级排气压力、进气温度、1#缸排气温度、2#缸排气温度、振动值、机组电流、一级压比和二级压比,其中一级排气压力、二级排气压力、进气温度、1#缸排气温度、2#缸排气温度、振动值和机组电流见图2(a)-图2(d)。
变分自动编码器的损失函数由重建损失和KL损失组成,重建损失用于计算生成的数据X’与输入数据X的相似程度,表达式为:而KL损失用于约束编码器返回的分布接近标准高斯分布,在给定的隐变量空间Z维度为n的条件下表达式为:因此变分自动编码器的损失函数表达式为:Loss=Reconstruction loss+KL。简单来说,这里的Reconstruction loss是用来让输出X’和输入X尽可能相似。而KL损失希望隐变量空间可以符合标准的正态分布。
其中,步骤4中对异常分数进行移动平均处理具体表现为:采用三次指数移动加权平均法(EWMA),各数值的加权系数随时间呈指数式递减,越靠近当前时刻的数值加权系数就越大;采用箱线图的异常值判定法则确定前N个时间步内的阈值具体表现为:以前N个时间步内的数据作为数据集,计算该数据集的箱线图上边界作为当前第N个时间步的阈值。当到第N+1时间步长时,将第N+1时间步的数据加入到前N个时间步内的数据集中,再次计算新数据集的箱线图上边界作为第N+1个时间步的阈值,以此达到动态阈值的效果。
此外,用以计算阈值的数据集是指从机器经维护后确定正常运行时开始,到机器经人工确认发生故障后停止的这一段数据;当机器再次维护后开始正常运行时,用以计算阈值的数据集将重置为当前数据。
在本实施例中,如图3所示,本发明提出的异常检测方法能够先于PLC报警之前发出预警,可以促使工作人员及时对机器进行维护检修,避免情况进一步恶化;此外在400-600数据点之间也有小部分数据超出阈值,经复核,如图4所示,此时压缩机的理论压比与实际压比出入较大,从压缩机的机理出发判定此时压缩机的运行状态不属于健康状态,可能存在某种异常,也印证了本发明所提出的异常检测方法能够捕捉到机器运行的细微变化,及时给予工作人员反馈,辅助工作人员作进一步判断和处理。
该具体实施方式仅仅是本发明的较佳示例,并非对本发明进行限制。在不脱离本发明原理且尚未做出创新的情况下,本领域相关技术人员通过修改、替换、改进等方式所获得的所有其他实施例,均应视为在本发明所保护的技术范围内。
Claims (10)
1.一种压缩机智能异常检测方法,其特征在于,包括如下过程:
对用于异常检测的特征集中每一个特征下的数据进行归一化处理,得到归一化的特征集;所述用于异常检测的特征集包括压缩机运行的PLC数据时间序列样本以及压缩机各级的压比;
采用变分自动编码器对归一化的特征集进行重构,得到重建损失;
对重建损失进行移动平均处理;
将对重建损失进行移动平均处理的结果与预设的阈值进行比较,当对重建损失进行移动平均处理的结果超过阈值时,判定压缩机处于异常状态,否则认为压缩机处于正常状态。
2.根据权利要求1所述的一种压缩机智能异常检测方法,其特征在于,所述压缩机运行的PLC数据时间序列样本包括各级进排气压力、各级进排气温度、各级流量、振动和电机电流。
3.根据权利要求1所述的一种压缩机智能异常检测方法,其特征在于,还包括对获取的特征集进行选择的过程,获取特征集后,根据不同压缩机的机型,对所有特征值进行选择,选择时,对比不同特征值下变分自动编码的重建损失,选择更能够将正常数据和异常数据明显区分开的特征集;将选择后得到的特征集作为最终用于异常检测的特征集。
4.根据权利要求1所述的一种压缩机智能异常检测方法,其特征在于,所述变分自动编码器的损失函数包括重建损失和KL损失。
6.根据权利要求1所述的一种压缩机智能异常检测方法,其特征在于,采用指数移动加权平均法对重建损失进行移动平均处理。
7.根据权利要求1所述的一种压缩机智能异常检测方法,其特征在于,将对重建损失进行移动平均处理的结果与预设的阈值进行比较,当对重建损失进行移动平均处理的结果超过阈值时,判定为压缩机处于异常状态,否则认为压缩机处于正常状态的过程包括:
采用箱线图的异常值判定法则确定前N个时间步内的阈值,随着时间推移不断更新阈值,实现自适应阈值,当对重建损失进行移动平均处理的结果超过阈值时,判定压缩机处于异常状态,否则认为压缩机处于正常状态。
8.一种压缩机智能异常检测系统,其特征在于,包括如下过程:
归一化处理模块:用于对用于异常检测的特征集中每一个特征下的数据进行归一化处理,得到归一化的特征集;所述用于异常检测的特征集包括压缩机运行的PLC数据时间序列样本以及压缩机各级的压比;
变分自动编码器:用于对归一化的特征集进行重构,得到重建损失;
移动平均处理模块:用于对重建损失进行移动平均处理;
判断模块:将对重建损失进行移动平均处理的结果与预设的阈值进行比较,当对重建损失进行移动平均处理的结果超过阈值时,判定压缩机处于异常状态,否则认为压缩机处于正常状态。
9.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如权利要求1至7任意一项所述的压缩机智能异常检测方法。
10.一种存储介质,其特征在于,其上存储有计算机程序,其中,所述计算机程序被处理器执行时实现如权利要求1至7任意一项所述的压缩机智能异常检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211469210.6A CN115717590B (zh) | 2022-11-22 | 2022-11-22 | 一种压缩机智能异常检测方法及相关装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211469210.6A CN115717590B (zh) | 2022-11-22 | 2022-11-22 | 一种压缩机智能异常检测方法及相关装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115717590A true CN115717590A (zh) | 2023-02-28 |
CN115717590B CN115717590B (zh) | 2024-03-29 |
Family
ID=85256697
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211469210.6A Active CN115717590B (zh) | 2022-11-22 | 2022-11-22 | 一种压缩机智能异常检测方法及相关装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115717590B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117911009A (zh) * | 2024-03-19 | 2024-04-19 | 江苏金恒信息科技股份有限公司 | 一种基于XGBoost算法的设备故障预警方法及系统 |
CN118053127A (zh) * | 2024-04-16 | 2024-05-17 | 山东瑞福锂业有限公司 | 一种工业设备状态监控管理方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110807518A (zh) * | 2019-11-06 | 2020-02-18 | 国网山东省电力公司威海供电公司 | 一种面向电网数据的离群点检测方法 |
CN112484981A (zh) * | 2020-11-27 | 2021-03-12 | 上海电气电站设备有限公司 | 一种基于卷积自编码器的发电机异常状态监测方法 |
CN112990372A (zh) * | 2021-04-27 | 2021-06-18 | 北京瑞莱智慧科技有限公司 | 一种数据处理方法、模型训练方法、装置及电子设备 |
CN113077005A (zh) * | 2021-04-13 | 2021-07-06 | 西安交通大学 | 一种基于lstm自编码器和正常信号数据的异常检测系统及方法 |
CN114297936A (zh) * | 2021-12-31 | 2022-04-08 | 深圳前海微众银行股份有限公司 | 一种数据异常检测方法及装置 |
CN114881157A (zh) * | 2022-05-17 | 2022-08-09 | 中国南方电网有限责任公司超高压输电公司广州局 | 换流阀工作状态的检测方法、装置、设备和存储介质 |
-
2022
- 2022-11-22 CN CN202211469210.6A patent/CN115717590B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110807518A (zh) * | 2019-11-06 | 2020-02-18 | 国网山东省电力公司威海供电公司 | 一种面向电网数据的离群点检测方法 |
CN112484981A (zh) * | 2020-11-27 | 2021-03-12 | 上海电气电站设备有限公司 | 一种基于卷积自编码器的发电机异常状态监测方法 |
CN113077005A (zh) * | 2021-04-13 | 2021-07-06 | 西安交通大学 | 一种基于lstm自编码器和正常信号数据的异常检测系统及方法 |
CN112990372A (zh) * | 2021-04-27 | 2021-06-18 | 北京瑞莱智慧科技有限公司 | 一种数据处理方法、模型训练方法、装置及电子设备 |
CN114297936A (zh) * | 2021-12-31 | 2022-04-08 | 深圳前海微众银行股份有限公司 | 一种数据异常检测方法及装置 |
CN114881157A (zh) * | 2022-05-17 | 2022-08-09 | 中国南方电网有限责任公司超高压输电公司广州局 | 换流阀工作状态的检测方法、装置、设备和存储介质 |
Non-Patent Citations (2)
Title |
---|
梁博渊 等: "基于振动特征估计的气体绝缘开关设备 故障检测与定位", 科学技术与工程, vol. 20, no. 31, pages 12838 * |
梅康 等: "基于自适应指数加权移动平均滤波的快速去雾算法", 《中国激光》, pages 3 - 4 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117911009A (zh) * | 2024-03-19 | 2024-04-19 | 江苏金恒信息科技股份有限公司 | 一种基于XGBoost算法的设备故障预警方法及系统 |
CN117911009B (zh) * | 2024-03-19 | 2024-06-11 | 江苏金恒信息科技股份有限公司 | 一种基于XGBoost算法的设备故障预警方法及系统 |
CN118053127A (zh) * | 2024-04-16 | 2024-05-17 | 山东瑞福锂业有限公司 | 一种工业设备状态监控管理方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115717590B (zh) | 2024-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115717590A (zh) | 一种压缩机智能异常检测方法及相关装置 | |
CN111275288B (zh) | 基于XGBoost的多维数据异常检测方法与装置 | |
CN114813105B (zh) | 一种基于工况相似性评估的齿轮箱故障预警方法及系统 | |
CN109492193B (zh) | 基于深度机器学习模型的异常网络数据生成与预测方法 | |
Ahmed et al. | Fault detection and diagnosis using Principal Component Analysis of vibration data from a reciprocating compressor | |
CN112414694B (zh) | 基于多元状态估计技术的设备多级异常状态识别方法及装置 | |
CN112629585A (zh) | 基于多维参数估计的设备在线监测方法及装置 | |
CN114881342A (zh) | 一种船舶动力设备剩余寿命预测系统及方法 | |
CN111648992A (zh) | 燃气轮机压气机故障识别预警方法 | |
CN114444582A (zh) | 基于卷积神经网络与贝叶斯网络的机械设备故障诊断方法 | |
CN109298633A (zh) | 基于自适应分块非负矩阵分解的化工生产过程故障监测方法 | |
CN115294671A (zh) | 一种空压机出口压力预测方法和预测系统 | |
CN114841580A (zh) | 基于混合注意力机制的发电机故障检测方法 | |
CN111855219A (zh) | 一种基于灰色理论的柴油机润滑油进机安保参数预测方法 | |
CN113689072B (zh) | 一种基于马尔科夫链的海上风电机组运行状态评估方法 | |
CN117744859A (zh) | 基于自适应双控制策略的风电机组发电机故障预警方法 | |
CN108386182B (zh) | 一种基于spc控制图和加权决策树的油井生产异常预警方法 | |
CN116363843A (zh) | 试验室设备预警系统 | |
Alinezhad et al. | A modified bag-of-words representation for industrial alarm floods | |
CN116484292A (zh) | 一种通过算法择优实现船舶柴油机滑油压力故障预测方法 | |
CN116561691A (zh) | 基于无监督学习机制的电厂辅机设备异常工况检测方法 | |
CN115774847A (zh) | 一种柴油机性能评估及预测方法和系统 | |
CN114971383A (zh) | 一种基于知识图谱的烟机设备故障诊断方法及系统 | |
CN111210147A (zh) | 基于时序特征提取的烧结过程运行性能评价方法及系统 | |
CN114004360B (zh) | 基于模糊专家模型的智能装备诊断设备和方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |