CN115982665A - 一种用于水轮机量测数据的质量异常稽核方法及系统 - Google Patents
一种用于水轮机量测数据的质量异常稽核方法及系统 Download PDFInfo
- Publication number
- CN115982665A CN115982665A CN202310274261.1A CN202310274261A CN115982665A CN 115982665 A CN115982665 A CN 115982665A CN 202310274261 A CN202310274261 A CN 202310274261A CN 115982665 A CN115982665 A CN 115982665A
- Authority
- CN
- China
- Prior art keywords
- data
- value
- time
- unit time
- acquiring
- 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
- 238000000034 method Methods 0.000 title claims abstract description 51
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 19
- 238000005259 measurement Methods 0.000 title claims abstract description 16
- 230000008859 change Effects 0.000 claims abstract description 35
- 230000002159 abnormal effect Effects 0.000 claims abstract description 27
- 230000008569 process Effects 0.000 claims description 22
- 230000003068 static effect Effects 0.000 claims description 10
- 238000007405 data analysis Methods 0.000 claims description 7
- 238000002372 labelling Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000013480 data collection Methods 0.000 claims description 4
- 239000007788 liquid Substances 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 abstract description 2
- 238000012550 audit Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 230000005856 abnormality Effects 0.000 description 6
- 230000009191 jumping Effects 0.000 description 6
- 238000001514 detection method Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000002045 lasting effect Effects 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- 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
- Y02E10/20—Hydro energy
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种用于水轮机量测数据的质量异常稽核方法及系统，包括：采集水轮发电机组的关系型数据和时序数据；依据所述关系型数据，获取所述时序数据的波动阈值；基于所述波动阈值，通过采集第一单位时间内的所述时序数据的变化值，对所述水轮发电机组的所述时序数据进行稽核，获取具有死值、跳变、超上下限中的一种或多种异常情况对应的数据，并进行标注；本发明提升了针对水轮机数据质量稽核的准确率，避免了因混淆正常的业务现象及传感器、链路问题所引发的数据波动而导致的误判，并且本发明整个系统的运行机制可兼顾人工知识的作用以及批量化的自动运行。
Description
技术领域
本发明涉及工业互联网中的水电技术领域，具体而言，涉及一种用于水轮机量测数据的质量异常稽核方法及系统。
背景技术
工业时序数据是随时间连续变化的，由传感器采集的现场数据。在工业领域中，时序数据占有较大比重，基于时序数据的数据分析、机器学习算法越来越多，而在数据分析与应用过程中会遇到因数据质量问题而导致分析结果失真的情况，因此需要对时序数据进行质量稽核与处理。数据质量问题通常是由如下原因导致的：1、传感器异常：传感器故障或老化；2、传输链路异常：传输线路损坏，传输设备损坏；3、数据接收和转发异常：数据接收和转发不及时，数据转发丢弃原有时间戳，数据转发改变原有数据形态。
目前，时序数据的异常检测方法主要分为基于统计、基于约束和基于机器学习的异常检测。基于统计的方法是通过时间序列求取统计量、拟合模型的参数或数据的形态转变来达到提取时间序列趋势，检测低质量数据点的目的；而基于约束的方法旨在利用相邻序列的相关性或统计量来确定序列的值是否发生了异常；基于机器学习的方法是一种将传统的分类、聚类和深度学习等思想应用在时间序列上，以检测数据异常的方法。
工业时序数据异常检测不同于其他数据异常检测，对于复杂的工业时序数据质量稽核，要强调因果性、领域知识和数据分析过程的深度融合，那么，通过知识驱动解决工业时序数据的异常检测工作尤为重要，现有技术中，批量化的工业时序数据质量稽核往往采用数据分析的方法，通过发现数据特征的变化来判断质量异常。然而，针对于水力发电领域，由于机组运行状态的变化、波动，会导致数据的特征在正常情况下即发生较大的变化，且不同测点的变化特点和敏感度不同，如果采用相同标准进行判断，就会导致比较多的误判。需要将数据质量异常与机组运行状态改变所引发的数据波动情况区分开来；因此，急需一种结合业务知识的水轮机量测数据质量异常稽核方法，用于提升水轮机数据质量稽核的准确率。
发明内容
为了解决上述问题，本发明的目的是提供一种用于水轮机量测数据的质量异常稽核方法及系统，用于通过水轮机量测数据的关系型数据和时序数据，来判断水轮机量测数据是否存在异常，进而提升水轮机数据质量稽核的准确率。
为了实现上述技术目的，本申请提供了一种用于水轮机量测数据的质量异常稽核方法，包括以下步骤：
采集水轮发电机组的关系型数据和时序数据，其中，关系型数据表示水轮发电机组的静态属性数据，时序数据表示通过测量得到的水轮发电机组随时间连续变化的动态属性数据；
依据关系型数据，获取时序数据的波动阈值，其中，波动阈值表示时序数据的正常波动范围值；
基于波动阈值，通过采集第一单位时间内的时序数据的变化值，对水轮发电机组的时序数据进行稽核，获取具有死值、跳变、超上下限中的一种或多种异常情况对应的数据，并进行标注，其中，死值表示采集的时序数据在第一单位时间内持续无变化；跳变表示在小于或等于第一单位时间的第二单位时间内，采集的时序数据的变化值超过波动阈值，并在第二单位时间后，恢复到变化值对应的变化前的数值；超上下限表示在第一单位时间内采集的时序数据，超出测量时序数据的数据采集设备的上限值或下限值。
优选地，在获取关系型数据和时序数据的过程中，根据水轮发电机组的物理量特征，获取关系型数据和时序数据，其中，物理量特征包括工况、电流、电压、流量、温度、压力、液位、振摆中的一种或多种组合。
优选地，在获取波动阈值的过程中，获取时序数据对应的第一物理量特征；
基于第一物理量特征对应的关系型数据，获取关系型数据对应的第二物理量特征；
根据第一物理量特征和第二物理量特征，获取波动阈值。
优选地，在获取死值进行标注的过程中，基于第一单位时间，判断采集的时序数据的变化值是否为0，若为0，则将第一单位时间对应的时序数据赋予第一标注，若不为0，则判断变化值是否相同，若相同，则将第一单位时间对应的时序数据赋予第二标注，若不相同，则判断相邻的两个变化值是否相同，若相同，则根据相邻的两个变化值对应的第三单位时间，判断变化值是否为0，若为0，则将第三单位时间对应的时序数据赋予第三标注，并通过第三单位时间对第一单位时间进行更新。
优选地，在对异常情况进行标注的过程中，基于第二单位时间采集的时序数据的变化值，判断第二单位时间对应的变化值是否超出波动阈值，若超出，则将第二单位时间对应的变化值赋予用于表示跳变和超上下限的第四标注，若未超出，则判断第三单位时间对应的变化值是否超出波动阈值，若超出，则将第三单位时间对应的变化值增加第四标注，并通过第三单位时间对第二单位时间进行更新。
优选地，在对异常情况进行标注的过程中，当异常情况包括死值、跳变和超上下限时，根据波动阈值，调整数据采集设备的上限值和下限值。
优选地，在调整数据采集设备的上限值和下限值的过程中，根据第三单位时间，判断异常情况是否包括死值、跳变和超上下限，若不是，则将第三单位时间作为第一单位时间，并选择小于第一单位时间的第二单位时间对应的时序数据是否存在跳变，若存在，则判断数据采集设备出现故障，若不存在，则将第二单位时间对应的时序数据赋予第四标注。
优选地，在判断跳变的过程中，基于第二单位时间和/或第三单位时间，获取两个数据，当满足波动阈值<|（较大值-较小值）/较小值|时，判断该单位时间对应的数据发生跳变。
本发明公开了一种用于水轮机量测数据的质量异常稽核系统，包括：
数据采集模块，用于采集水轮发电机组的关系型数据和时序数据，其中，关系型数据表示水轮发电机组的静态属性数据，时序数据表示通过测量得到的水轮发电机组随时间连续变化的动态属性数据；
数据分析模块，用于依据关系型数据，获取时序数据的波动阈值，其中，波动阈值表示时序数据的正常波动范围值；
数据稽核模块，用于基于波动阈值，通过采集第一单位时间内的时序数据的变化值，对水轮发电机组的时序数据进行稽核，获取具有死值、跳变、超上下限中的一种或多种异常情况对应的数据，并进行标注，其中，死值表示采集的时序数据在第一单位时间内持续无变化；跳变表示在小于或等于第一单位时间的第二单位时间内，采集的时序数据的变化值超过波动阈值，并在第二单位时间后，恢复到变化值对应的变化前的数值；超上下限表示在第一单位时间内采集的时序数据，超出测量时序数据的数据采集设备的上限值或下限值。
优选地，数据分析模块，还用于通过获取水轮发电机组的物理量特征，生成物理量特征对应的关系型数据和时序数据，并根据关系型数据对应的第一物理量特征和时序数据对应的第二物理量特征，获取波动阈值。
本发明公开了以下技术效果：
通过本发明的技术设计，提升了水轮机数据质量稽核的准确率，避免了因混淆正常的业务现象及传感器、链路问题所引发的数据波动而导致的误判。
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，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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他的附图。
图1是本发明所述的方法流程示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做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。
如图1所示，水轮机量测数据包括关系型数据和时序数据。关系型数据是测点静态信息的记录，用于记录测点的静态属性；时序数据是测点动态实时值的记录，是随时间连续变化的数据，由传感器采集的现场数据。质量稽核的对象为时序数据，而支撑稽核的配置参数记录在关系型数据中。
本发明所针对的水轮机量测数据的异常可分为死值、跳变、超上下限三种类别：
1、死值也称为数据死值，具体判定过程如下：
定义：由于通讯中断、传感器故障等原因导致在稳态时间段内接收到的测点数据在一段时间内无变化称为死值；
输入：测点信息、测点开始时间、测点结束时间、周期内稳态时间测点原始数据、持续时间（持续时间<取数周期）；
可配置参数：选择测点、测点开始时间、测点结束时间、持续时间；
输出：测点编码、测点名称、设备编码、设备名称、场站名称、异常类型、异常开始时间、异常结束时间、持续时长（分钟）；
判断逻辑：原始数据按照时间正序排序，且时间连续，测点值持续未发生变化，且未变化开始时间和结束时间差大于持续时间，则判断为数据死值。
情形1:周期内数据一直没变化，测点值唯一，则判断该测点数据死值，死值开始时间为测点开始时间，结束时间为测点结束时间。
情形2:某段时间数据没变化,且时间间隔大于持续时间，则判断该测点数据死值，死值开始时间为首次未变化时间，死值结束时间为结束为变化时间。
2、跳变，可以称之为数据跳变，是采集的测点数据，在一个较短的时间ti内，当数值的变化程度超过设置的波动阈值k，并随后在tj时间内恢复到跳变前的值附近称为跳变。
定义：在稳态时间段内，采集的连续两个测点值且时间间隔不超过设定的时间间隔数据，当两个数值中（较大值-较小值）/较小值超过设置的波动阈值，并随后恢复到跳变前的值附近称为跳变。跳变一般会伴随着超上限或超下限；
时间间隔：为采集的连续数据；
即计算公式为：
波动阈值<|（较大值-较小值）/较小值|；
输入：测点信息、测点开始时间、测点结束时间、周期内稳态时间测点原始数据、波动阈值；
可配置参数：选择测点、测点开始时间、测点结束时间、波动阈值、时间间隔；
输出：测点编码、测点名称、设备编码、设备名称、场站名称、异常类型、异常开始时间、异常结束时间、持续时长（分钟）；
判断逻辑：原始数据按照时间正序排序，且时间连续，当连续两个时间间隔不大于30秒的数据中，波动阈值<|（较大值-较小值）/较小值|时，判断该时间数据跳变。
3、超量程，也称之为超上下限，是采集的测点数据超过该传感器所测值的合理区间[m,n]，产生了“不可能发生的值”称为超上下限。
定义：在稳态时间段内，采集的测点数据超过自身的量程上限或量程下限，称为超量程；
输入：测点信息、测点开始时间、测点结束时间、测点量程上限和量程下限、周期稳态时间测点原始数据；
可配置参数：选择测点、测点开始时间、测点结束时间、测点量程上限和量程下限；
输出：测点编码、测点名称、设备编码、设备名称、场站名称、异常类型、异常分类、异常开始时间、异常结束时间、持续时长（分钟）；
判断逻辑：原始数据按照时间正序排序，且时间连续，测点值大于上限值或小于下限值，则判断数据超量程，且首次超量程时间为超量程开始时间，恢复正常时间为超量程结时间。时间间隔为持续时间。
本发明公开了一种适用于水轮机的量测数据质量稽核方法，基于测点相关静态属性、机组整体运行状态以及动态数据的特征提取相结合的方式对上述数据质量异常进行检测。步骤如下：
开发基于数据的特征进行质量判断的模型，并开放可配置参数，这些参数可以根据不同的业务特点进行配置；
判断并标记水轮发电机组的稳定运行区时间标签；
基于标签对时间序列进行过滤，针对稳定运行区内的数据x1，x2，……，xt进行逻辑判断；
若xt在一段时间内保持不变，且持续时间大于ta，则将该时间段内的数据判定为死值异常；
若在一个较短的时间ti内，|max(x)-min(x)/min(x)|＞k，且在tj时间内恢复正常，则判定为发生了跳变异常。若发生连续多次跳变，应将输出的异常时间段进行合并。
若xt＜m，则判定为超下限异常；若xt＞n，则判定为超上限异常。
若在跳变过程中发生数据超限，则判定为跳变异常，不输出超限异常。
若在死值过程中发生数据超限，则判定为死值异常，不输出超限异常。
按照物理量的特征将大批量测点划分为工况、电流、电压、流量、温度、压力、液位、振摆、其他几个类别。
基于类别批量配置每一类测点的不同静态参数，包括上文所提到的参数ta、ti、tj、k、m、n，这些参数作为测点的静态属性在关系型数据库中进行管理。
本发明在针对类别的批量化配置的同时，可以进行每个测点局部参数的独立修改。
本发明配置了计算任务，系统按时间周期读取动态时序数据及相应测点的静态配置参数运行步骤中所开发的模型，进而产生稽核结果。
本发明提供界面对质量稽核结果进行展示，基于手动的确认后在时序库中对数据进行异常标记，其中，可根据标签对异常数据进行过滤。
本发明设计的系统的整个运行机制可兼顾人工知识的作用以及批量化的自动运行。
本发明是参照根据本发明实施例的方法、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。
在本发明的描述中，需要理解的是，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种用于水轮机量测数据的质量异常稽核方法，其特征在于，包括以下步骤：
采集水轮发电机组的关系型数据和时序数据，其中，所述关系型数据表示所述水轮发电机组的静态属性数据，所述时序数据表示通过测量得到的所述水轮发电机组随时间连续变化的动态属性数据；
依据所述关系型数据，获取所述时序数据的波动阈值，其中，所述波动阈值表示所述时序数据的正常波动范围值；
基于所述波动阈值，通过采集第一单位时间内的所述时序数据的变化值，对所述水轮发电机组的所述时序数据进行稽核，获取具有死值、跳变、超上下限中的一种或多种异常情况对应的数据，并进行标注，其中，所述死值表示采集的所述时序数据在所述第一单位时间内持续无变化；所述跳变表示在小于或等于所述第一单位时间的第二单位时间内，采集的所述时序数据的所述变化值超过所述波动阈值，并在所述第二单位时间后，恢复到所述变化值对应的变化前的数值；所述超上下限表示在所述第一单位时间内采集的所述时序数据，超出测量所述时序数据的数据采集设备的上限值或下限值。
2.根据权利要求1所述一种用于水轮机量测数据的质量异常稽核方法，其特征在于：
在获取关系型数据和时序数据的过程中，根据所述水轮发电机组的物理量特征，获取所述关系型数据和所述时序数据，其中，所述物理量特征包括工况、电流、电压、流量、温度、压力、液位、振摆中的一种或多种组合。
3.根据权利要求2所述一种用于水轮机量测数据的质量异常稽核方法，其特征在于：
在获取波动阈值的过程中，获取所述时序数据对应的第一物理量特征；
基于所述第一物理量特征对应的所述关系型数据，获取所述关系型数据对应的第二物理量特征；
根据所述第一物理量特征和所述第二物理量特征，获取所述波动阈值。
4.根据权利要求3所述一种用于水轮机量测数据的质量异常稽核方法，其特征在于：
在获取死值进行标注的过程中，基于所述第一单位时间，判断采集的所述时序数据的所述变化值是否为0，若为0，则将所述第一单位时间对应的所述时序数据赋予第一标注，若不为0，则判断所述变化值是否相同，若相同，则将所述第一单位时间对应的所述时序数据赋予第二标注，若不相同，则判断相邻的两个所述变化值是否相同，若相同，则根据相邻的两个所述变化值对应的第三单位时间，判断所述变化值是否为0，若为0，则将所述第三单位时间对应的所述时序数据赋予第三标注，并通过所述第三单位时间对所述第一单位时间进行更新。
5.根据权利要求4所述一种用于水轮机量测数据的质量异常稽核方法，其特征在于：
在对异常情况进行标注的过程中，基于所述第二单位时间采集的所述时序数据的所述变化值，判断所述第二单位时间对应的所述变化值是否超出所述波动阈值，若超出，则将所述第二单位时间对应的所述变化值赋予用于表示所述跳变和所述超上下限的第四标注，若未超出，则判断所述第三单位时间对应的所述变化值是否超出所述波动阈值，若超出，则将所述第三单位时间对应的所述变化值增加所述第四标注，并通过所述第三单位时间对所述第二单位时间进行更新。
6.根据权利要求5所述一种用于水轮机量测数据的质量异常稽核方法，其特征在于：
在对异常情况进行标注的过程中，当所述异常情况包括所述死值、所述跳变和所述超上下限时，根据所述波动阈值，调整所述数据采集设备的所述上限值和所述下限值。
7.根据权利要求6所述一种用于水轮机量测数据的质量异常稽核方法，其特征在于：
在调整数据采集设备的上限值和下限值的过程中，根据所述第三单位时间，判断所述异常情况是否包括所述死值、所述跳变和所述超上下限，若不是，则将所述第三单位时间作为所述第一单位时间，并选择小于所述第一单位时间的所述第二单位时间对应的所述时序数据是否存在所述跳变，若存在，则判断所述数据采集设备出现故障，若不存在，则将所述第二单位时间对应的所述时序数据赋予所述第四标注。
8.根据权利要求7所述一种用于水轮机量测数据的质量异常稽核方法，其特征在于：
在判断跳变的过程中，基于所述第二单位时间和/或所述第三单位时间，获取两个数据，当满足波动阈值<|（较大值-较小值）/较小值|时，判断该单位时间对应的数据发生跳变。
9.一种用于水轮机量测数据的质量异常稽核系统，其特征在于，包括：
数据采集模块，用于采集水轮发电机组的关系型数据和时序数据，其中，所述关系型数据表示所述水轮发电机组的静态属性数据，所述时序数据表示通过测量得到的所述水轮发电机组随时间连续变化的动态属性数据；
数据分析模块，用于依据所述关系型数据，获取所述时序数据的波动阈值，其中，所述波动阈值表示所述时序数据的正常波动范围值；
数据稽核模块，用于基于所述波动阈值，通过采集第一单位时间内的所述时序数据的变化值，对所述水轮发电机组的所述时序数据进行稽核，获取具有死值、跳变、超上下限中的一种或多种异常情况对应的数据，并进行标注，其中，所述死值表示采集的所述时序数据在所述第一单位时间内持续无变化；所述跳变表示在小于或等于所述第一单位时间的第二单位时间内，采集的所述时序数据的所述变化值超过所述波动阈值，并在所述第二单位时间后，恢复到所述变化值对应的变化前的数值；所述超上下限表示在所述第一单位时间内采集的所述时序数据，超出测量所述时序数据的数据采集设备的上限值或下限值。
10.根据权利要求9所述一种用于水轮机量测数据的质量异常稽核系统，其特征在于：
所述数据分析模块，还用于通过获取所述水轮发电机组的物理量特征，生成所述物理量特征对应的所述关系型数据和所述时序数据，并根据所述关系型数据对应的第一物理量特征和所述时序数据对应的第二物理量特征，获取所述波动阈值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310274261.1A CN115982665B (zh) | 2023-03-21 | 2023-03-21 | 一种用于水轮机量测数据的质量异常稽核方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310274261.1A CN115982665B (zh) | 2023-03-21 | 2023-03-21 | 一种用于水轮机量测数据的质量异常稽核方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115982665A true CN115982665A (zh) | 2023-04-18 |
| CN115982665B CN115982665B (zh) | 2023-07-14 |
Family
ID=85959969
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310274261.1A Active CN115982665B (zh) | 2023-03-21 | 2023-03-21 | 一种用于水轮机量测数据的质量异常稽核方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115982665B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008059270A (ja) * | 2006-08-31 | 2008-03-13 | Toshiba Corp | プロセス異常診断装置及びプロセス監視システム |
| CN109684322A (zh) * | 2018-12-26 | 2019-04-26 | 交通运输部水运科学研究所 | 一种用于自动海事稽核的数据处理系统和方法 |
| US20200050531A1 (en) * | 2018-08-08 | 2020-02-13 | Kabushiki Kaisha Toshiba | System for auditing shredding data |
| CN111831698A (zh) * | 2020-07-27 | 2020-10-27 | 北京思特奇信息技术股份有限公司 | 一种数据稽核方法、系统和电子设备 |
| CN114880312A (zh) * | 2022-05-17 | 2022-08-09 | 三峡高科信息技术有限责任公司 | 一种可柔性设置的应用系统业务数据稽核方法 |
| CN115391082A (zh) * | 2022-09-20 | 2022-11-25 | 杭州致成电子科技有限公司 | 一种异常数据诊断方法、系统及存储介质 |
| CN115794532A (zh) * | 2021-09-09 | 2023-03-14 | 上海宝信软件股份有限公司 | 多指标智能动态阈值监控方法及系统 |
-
2023
- 2023-03-21 CN CN202310274261.1A patent/CN115982665B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008059270A (ja) * | 2006-08-31 | 2008-03-13 | Toshiba Corp | プロセス異常診断装置及びプロセス監視システム |
| US20200050531A1 (en) * | 2018-08-08 | 2020-02-13 | Kabushiki Kaisha Toshiba | System for auditing shredding data |
| CN109684322A (zh) * | 2018-12-26 | 2019-04-26 | 交通运输部水运科学研究所 | 一种用于自动海事稽核的数据处理系统和方法 |
| CN111831698A (zh) * | 2020-07-27 | 2020-10-27 | 北京思特奇信息技术股份有限公司 | 一种数据稽核方法、系统和电子设备 |
| CN115794532A (zh) * | 2021-09-09 | 2023-03-14 | 上海宝信软件股份有限公司 | 多指标智能动态阈值监控方法及系统 |
| CN114880312A (zh) * | 2022-05-17 | 2022-08-09 | 三峡高科信息技术有限责任公司 | 一种可柔性设置的应用系统业务数据稽核方法 |
| CN115391082A (zh) * | 2022-09-20 | 2022-11-25 | 杭州致成电子科技有限公司 | 一种异常数据诊断方法、系统及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 赵明 等: "基于主元分析的水轮机组导轴承异常诊断方法研究", 云南电力技术, vol. 47, no. 6, pages 101 - 102 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115982665B (zh) | 2023-07-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109524139B (zh) | 一种基于设备工况变化的实时设备性能监测方法 | |
| CN108460144B (zh) | 一种基于机器学习的煤炭设备故障预警系统及方法 | |
| CN111459700B (zh) | 设备故障的诊断方法、诊断装置、诊断设备及存储介质 | |
| JP6661052B2 (ja) | 時系列データ処理装置、時系列データ処理システムおよび時系列データ処理方法 | |
| US7698011B2 (en) | Operating condition monitoring apparatus, method for monitoring operating condition and program | |
| JP2009075081A (ja) | 一過性の異常の検出方法 | |
| KR102427205B1 (ko) | 인공지능 모델을 위한 학습 데이터 생성 장치 및 방법 | |
| JP2009064407A (ja) | 工程解析装置、工程解析方法および工程解析プログラム | |
| CN113982850B (zh) | 融合高低频信号的风机综合健康分析方法及系统 | |
| CN110297207A (zh) | 智能电表的故障诊断方法、系统及电子装置 | |
| JP2019133212A (ja) | 異常検知システム、異常検知方法、および、プログラム | |
| CN117270514B (zh) | 基于工业物联网的生产过程全流程故障检测方法 | |
| CN109063885A (zh) | 一种变电站异常量测数据预测方法 | |
| EP3451245A1 (en) | Information processing device and information processing method | |
| CN111627199A (zh) | 一种水电站大坝安全监测系统及监测方法 | |
| CN114781476A (zh) | 一种量测设备故障分析系统和方法 | |
| CN116292241A (zh) | 一种输油泵机组的故障诊断预警方法及系统 | |
| AU2023210611A1 (en) | Method and apparatus for operating state analysis and early warning of auxiliary device of hydroelectric station, and decision support system for hydroelectric production | |
| Becherer et al. | Intelligent choice of machine learning methods for predictive maintenance of intelligent machines | |
| CN109299201B (zh) | 基于两阶段聚类的电厂生产子系统异常监测方法及装置 | |
| CN117150418B (zh) | 基于状态特征故障树的变压器运检周期制定方法和系统 | |
| CN115982665B (zh) | 一种用于水轮机量测数据的质量异常稽核方法及系统 | |
| CN115469585B (zh) | 一种基于大数据的水电机组状态监测方法及系统 | |
| US11339763B2 (en) | Method for windmill farm monitoring | |
| CN116914917A (zh) | 一种基于大数据的配电柜运行状态监测管理系统 |
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 | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CB03 | Change of inventor or designer information | ||
| CB03 | Change of inventor or designer information |
Inventor after: Li Youping Inventor after: Zhang Chunhui Inventor after: Jia Yuehong Inventor after: Zhou Zhirong Inventor after: Hu Yang Inventor after: Xu Bo Inventor before: Jia Yuehong Inventor before: Zhou Zhirong Inventor before: Hu Yang |
|
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20231018 Address after: 430014 Sanyang Center, No. 88, Sanyang Road, Jiang'an District, Wuhan, Hubei Province Patentee after: CHINA YANGTZE POWER Co.,Ltd. Address before: 1105, 11th Floor, Building 3, Zijin Digital Park, Haidian District, Beijing, 100190 Patentee before: Beijing Donghua Botai Technology Co.,Ltd. |