CN116028879A - 一种在线故障诊断的方法、系统、设备及介质 - Google Patents
一种在线故障诊断的方法、系统、设备及介质 Download PDFInfo
- Publication number
- CN116028879A CN116028879A CN202211709457.0A CN202211709457A CN116028879A CN 116028879 A CN116028879 A CN 116028879A CN 202211709457 A CN202211709457 A CN 202211709457A CN 116028879 A CN116028879 A CN 116028879A
- Authority
- CN
- China
- Prior art keywords
- data
- information
- fault
- diagnosis
- machine
- 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.)
- Pending
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出了一种在线故障诊断的方法、系统、设备及介质,涉及数据处理领域。该方法将获取的目标机器设备的运行参数在多个计算引擎上进行并行计算,得到对应的不同主题域的故障数据信息,然后对其进行数据挖掘,并根据数据挖掘结果基于指标、预测和对比规则进行加权求和或阈值判断处理,从而用以生成对应的报表信息。从而其针对类似光伏系统中等存在着较多的机器设备的应用场景,将能够实时的对机器故障进行预测以及诊断,用以保证机器设备的低成本、高效率的运维处理。
Description
技术领域
本发明涉及数据处理领域,具体而言,涉及一种在线故障诊断的方法、系统、设备及介质。
背景技术
故障诊断,顾名思义,就是针对系统发生了什么故障、引起故障的原因是什么、故障有多严重、故障的解决方案等问题进行分析、评估并得出结论。在现阶段的类似光伏系统的故障诊断是在故障发生后,对故障数据进行记录,然后通过一定的规律对这些历史的故障数据进行分类处理,将记录的故障数据分类到概率更大的故障类别中。
然而,通过在故障发生后,对故障进行记录分类,其反映问题较为滞后、处理效率低,不具有普遍性。因此,对于类似光伏系统等存在着较多的机器设备的应用场景,将不能对每个机器设备进行很好的故障诊断,不利于对机器设备的故障进行提前预测以及进行诊断处理。
发明内容
本发明的目的在于提供一种在线故障诊断的方法、系统、设备及介质,针对类似光伏系统中等存在着较多的机器设备的应用场景,其能够实时的对机器故障进行预测以及诊断,用以保证机器设备的低成本、高效率的运维处理。
本发明的实施例是这样实现的:
第一方面,本申请实施例提供一种在线故障诊断的方法,包括以下步骤:
步骤S101:获取目标机器设备的运行参数,并将上述运行参数实时同步到数据仓库内;步骤S102:基于大数据框架算法将上述运行参数从数据仓库内取出,并分发到多个计算引擎上进行并行计算,得到对应的不同主题域的故障数据信息;步骤S103:基于故障数据信息进行数据挖掘,得到与机器设备的故障诊断指标相关的诊断数据信息;步骤S104:利用上述诊断数据信息基于预置指标、预测和对比规则进行加权求和或阈值判断处理,并根据加权求和或阈值判断处理结果生成对应的报表信息。
在本发明的一些实施例中,还包括利用预置的专家经验算法对报表信息进行相应的解读、整体评分以及运维建议,并基于处理结果生成相应的专家评价报告。
在本发明的一些实施例中,上述运行参数包括用户的信息、机器参数信息、机器的环境信息、机器的运行日志或天气日志的至少一种。
在本发明的一些实施例中,上述步骤S103具体包括:
基于人工调研获取用于诊断机器是否故障、判断机器状态、预测机器未来的状态的相关指标的参数数据,得到初步指标参数;基于初步指标参数继续对故障数据信息进行数据挖掘,并根据数据挖掘结果构建相应的指标体系,以及得到不同指标和机器的相关性信息。
在本发明的一些实施例中,上述基于故障数据信息进行数据挖掘时包括基于预先构建的模型进行数据挖掘,其中模型的构建包括规则构建或数据驱动中的至少一种,上述规则构建为基于预先设定的规律构建输出函数进行数据处理,上述数据驱动为基于神经网络算法对预置的指标和结果进行映射关系的拟合处理,并根据拟合处理得到的映射关系进行数据的预测、判断和诊断处理。
第二方面,本申请实施例提供一种在线故障诊断的系统,其包括:
参数获取存储模块,用于获取目标机器设备的运行参数,并将上述运行参数实时同步到数据仓库内;参数并行计算模块,用于基于大数据框架算法将上述运行参数从数据仓库内取出,并分发到多个计算引擎上进行并行计算,得到对应的不同主题域的故障数据信息;数据挖掘模块,用于基于故障数据信息进行数据挖掘,得到与机器设备的故障诊断指标相关的诊断数据信息;报表生成模块,用于利用上述诊断数据信息基于预置指标、预测和对比规则进行加权求和或阈值判断处理,并根据加权求和或阈值判断处理结果生成对应的报表信息。
第三方面,本申请实施例提供一种电子设备,其包括存储器,用于存储一个或多个程序;处理器。当上述一个或多个程序被上述处理器执行时,实现如上述第一方面中任一项上述的方法。
第四方面,本申请实施例提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述第一方面中任一项上述的方法。
相对于现有技术,本发明的实施例至少具有如下优点或有益效果:
本发明的实施例提出了一种在线故障诊断的方法,其将获取的目标机器设备的运行参数在多个计算引擎上进行并行计算,得到对应的不同主题域的故障数据信息,然后对其进行数据挖掘,并根据数据挖掘结果基于指标、预测和对比规则进行加权求和或阈值判断处理,从而用以生成对应的报表信息。从而其针对类似光伏系统中等存在着较多的机器设备的应用场景,将能够及时清楚的对机器故障进行预测以及诊断,用以保证机器设备的低成本、高效率的运维处理。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单的介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为本发明一种在线故障诊断的方法一实施例的流程图;
图2为本发明一实施例中步骤S103的具体流程图;
图3为本发明一实施例的流程示意图;
图4为本发明一种在线故障诊断的系统一实施例的结构框图;
图5为本发明实施例提供的一种电子设备的结构框图。
图标:1、参数获取存储模块;2、参数并行计算模块;3、数据挖掘模块;4、报表生成模块;5、处理器;6、存储器;7、数据总线。
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的附图,对本申请实施例中的技术方案进行清楚、完整的描述,显然,所描述的实施例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。
下面结合附图,对本申请的一些实施方式作详细说明。在不冲突的情况下,下述的各个实施例及实施例中的各个特征可以相互组合。
实施例1
在现有技术中,对于类似光伏系统等存在着较多的机器设备的应用场景,往往是在机器设备发生故障后,对故障进行记录分类,具体是将这些历史的故障数据进行分类处理,后期再将新的故障按一定规律分到这些故障类中,其中包括将记录的故障数据分类到概率更大的故障类中,以使得这些故障能够分类到故障类中。但是这种通过在故障发生后,对故障进行记录分类,其反映问题较为滞后、处理效率慢,不具有普遍性。
为了应对上述问题,本申请实施例提供了一种在线故障诊断的方法,针对类似光伏系统中的存在着较多的机器设备的应用场景,其能够实时的对机器故障进行预测以及诊断,用以保证机器设备的低成本、高效率的运维处理。需要说明的是,本发明实施例可应用于各种存在这较多的机器设备的应用场景(包括光伏系统、电力设备系统及各种工厂系统),后续为了方便理解,将以光伏系统进行示例性地进程描述,但本领域技术人员可以将其扩展至其他包含较多的机器设备的应用场景,具体此处不做限定。
请参阅图1-3,该一种在线故障诊断的方法包括以下步骤:
步骤S101:获取目标机器设备的运行参数,并将上述运行参数实时同步到数据仓库内。
上述步骤中,通过将目标机器设备的运行参数实时同步到数据仓库中,可以将这些运行参数进行持久化处理,为后续的处理提供精准有效的原始数据支撑。示例性地,上述运行参数包括用户的信息、机器参数信息、机器的环境信息、机器的运行日志或天气日志的至少一种。
在光伏系统中,对于用户的信息、机器参数信息和机器的环境信息可以归属于信息表,这些信息变化周期较长,进行实时获取的时候可以利用spark、flink、datax等工具周期性的获取同步到数据仓库中,从而在保证实时的情况下有效的节约系统的计算资源;对于机器的运行日志和天气日志等日志数据记录了机器设备运行状态的变化趋势、天气记录机器周围环境的变化,则可以通过kafka到flink进行实时同步到数据仓库中,保证这些日志数据的及时有效性。
示例性地,在光伏系统中机器的环境信息可以通过获取天气数据进行获取,例如可以获取未来24小时的天气数据,为了实现较高容错用以提高天气数据的准确性和稳定性,获取明天的天气数据可以至少获取两次,即利用当地时间下的日出前一小时获取未来24小时天气数据进行未来一天的预测,在中午前一个小时获取天气数据进行修正和实现容错。具体的获取过程包括:将需要获取天气的坐标,进行处理,经纬度保留两位小数(0.01经纬度误差在一公里),大部分天气预报在一公里基本上是一样的,从而可以用以保证天气精准度和内存消耗上的平衡。其中,可以进行坐标去重持久化处理,从而可以减少30%的天气获取。接着使用pyspark对坐标读取,分布式并发的请求第三方接口获取天气数据,并通过数据中台的API将天气数据存入数据仓库,可以实现天气数据的快速准确获取。
另外,对于日志数据(机器的运行日志和天气日志)来说,可以对日志数据抽样五分之一进行采样,保证日志数据的精准度。由于日志数据是动态增长的,对于服务器的资源需求是成波峰波谷,而且极差会非常悬殊,将导致大量的资源浪费,从而在本发明的一些实施例中可以引入云原生实现在波峰波谷时的弹性伸缩。包括引入Kafka实现调峰和容错保证数据在被确认处理之前是可以被重复获取的,kafka数据保留是72小时。然后将flink实时流处理部署在云原生上,可以不用更改代码就可以增加系统的处理数据的吞吐量,实现减本增效。并且Flink会实时消费kafka上的数据处理、验证后存入数据仓库。
步骤S102:基于大数据框架算法将上述运行参数从数据仓库内取出,并分发到多个计算引擎上进行并行计算,得到对应的不同主题域的故障数据信息。
上述步骤中,因为对于机器设备的运行参数计算会涉及大量的计算和历史数据的读取,所以在获取了大量的运行参数后,对其进行分流处理,在多个计算引擎上进行并行计算,将可以用以保证数据处理的效率和精度。示例性地,可以利用hadoop、spark、flink等大数据框架进行高效的开发/计算/部署,将大量的数据从数据仓库中取出,然后分发到多个计算引擎上进行并行计算。并且将计算引擎部署在云原生上,从而可以弹性获取计算资源,在并行计算中从kafak或本身flink流中引出到不同的领域对数据进行清洗、组装及提取,然后再将处理结果相关的数据持久化到数据仓库中,以供后期查询及使用。具体地,还可以利用flink从kafka中引出多个流,第一条将数据只做验证后实时入仓(原始数据层),为后期数据的开发、重复使用保留原始数据。flink再分一个流实时处理各种指标、异常检测、状态监控(异常检测、在线汇报、工作预警)分别存入各个数仓层。
步骤S103:基于故障数据信息进行数据挖掘,得到与机器设备的故障诊断指标相关的诊断数据信息。
上述步骤中,在对运行参数进行并行计算,得到对应的故障数据信息后,就可以开始对其进行数据挖掘处理,方便从这些数据中得到可以用于诊断机器设备的故障情况的数据,包括在通过一些故障诊断指标进行诊断时,可以从这些数据中进行挖掘跟这些指标相关的诊断数据,从而保证从故障诊断指标角度进行诊断数据信息的获取,便于后续通过指标进行分析处理,提高使用者对故障情况的理解和认识。
示例性地,在本发明的一些实施例中,请参阅图2,上述步骤S103具体包括:
步骤S201:基于人工调研获取用于诊断机器是否故障、判断机器状态、预测机器未来的状态的相关指标的参数数据,得到初步指标参数;
步骤S202:基于初步指标参数继续对故障数据信息进行数据挖掘,并根据数据挖掘结果构建相应的指标体系,以及得到不同指标和机器的相关性信息。
上述步骤中,通过收集研发部门、生产部门、业务部门等认为机器设备的哪些重要指标参数可以进行诊断机器设备是否故障、判断机器设备运行状态、预测机器设备未来的状态,从而获取到一个初步指标参数,进行一个初步的指标体系搭建,后续再对其进行优化补充,保证指标体系的搭建效率和有效性。
示例性地,对于光伏系统有一个指标为真实的额定功率,其中机器设备的发电量和光伏电板受到的辐照量、机器的转换效率、光伏面板有着强相关。对于固件上的影响,在一定时间内变换不大,除非机器出现故障和环境剧烈变换,因此可以通过天气数据进行排除一部分因为极端环境造成的异常状况。具体的处理方法可以包括:提取该机器的历史60天的历史数据,进行统计分析,去除异常值,比如去除是额定功率的3倍的功率(因为有些用户会超接面板),找出每天最大的三条功率,并从中过滤出该机器对应的天气数据中都是晴天或云量是在30%以下的数据,进行排序,得到top3-10,然后取平均。最终得到的指标即可用来代替该机器的真实功率。
再例如,计算机器的发电指标时(今日最大值、今日方差、今日平均值、今日最大增幅斜率、今日最大降幅斜率、今日数据),对于故障诊断的难点在于会存在很多的环境干扰信息。但是如果和周围一定范围内的其他机器进行对比,环境因素干扰就会有一定的趋同,所以可以将这些数据以分钟级、小时级、天级、七天级或月级处理成相应的指标,后续再对其进行数据挖掘处理。
在本发明的一些实施例中,上述基于故障数据信息进行数据挖掘时包括基于预先构建的模型进行数据挖掘,其中模型的构建包括规则构建或数据驱动中的至少一种,上述规则构建为基于预先设定的规律构建输出函数进行数据处理,上述数据驱动为基于神经网络算法对预置的指标和结果进行映射关系的拟合处理,并根据拟合处理得到的映射关系进行数据的预测、判断和诊断处理。
示例性地,例如在周围一公里的内的机器,其天气是一致的,他们的发电趋势是一致的,通过提供历史数据计算出每台机器真实的功率,归一化当天发电量,周围的机器就可以进行对比。也就是说,对于这种具有直观规律的故障数据信息,可以基于预先设定的规律进行构建输出函数进行数据处理,即可完成相应的数据挖掘工作。对于历史天气和历史发电,分析可得天气和发电量是成强相关的,准确的是说是跟云量成负相关,所以可以通过历史数据找到两者之间的映射关系。当然其还跟温度、时间、太阳高度和太阳方位角等相关,因此可以通过神经网络算法对这些预置的指标和结果进行拟合其映射关系,然后通过拟合结果即可进行后续的数据的预测、判断和诊断处理。
步骤S104:利用上述诊断数据信息基于预置指标、预测和对比规则进行加权求和或阈值判断处理,并根据加权求和或阈值判断处理结果生成对应的报表信息。
上述步骤中,通过进行加权求和或阈值判断处理用以生成对应的报表信息,可以将抽象的跟机器设备故障诊断相关的诊断数据信息,通过可视化的自然语言进行具现化,使得用户可以清楚直观的了解到机器的运行情况以及运维建议,也就是将可以通过报表信息对机器设备的故障进行直观的提前预测以及进行诊断处理。
在本发明的一些实施例中,还包括利用预置的专家经验算法对报表信息进行相应的解读、整体评分以及运维建议,并基于处理结果生成相应的专家评价报告。
上述步骤中,对于最终生成的报表信息而言,虽然数据已经够直观清晰了,但是对于个别的数据仍然需要一定的专业知识方能对其进行解读,因此可以通过利用预置的专家经验算法对报表信息进行相应的解读、整体评分以及运维建议,从而进一步的生成更加容易通俗易懂的专家评价报告,使得不需要太多的专业知识也可以对报表信息进行深层次的解读。
实施例2
请参阅图4,本申请实施例提供了一种在线故障诊断的系统,其包括:
参数获取存储模块1,用于获取目标机器设备的运行参数,并将上述运行参数实时同步到数据仓库内;参数并行计算模块2,用于基于大数据框架算法将上述运行参数从数据仓库内取出,并分发到多个计算引擎上进行并行计算,得到对应的不同主题域的故障数据信息;数据挖掘模块3,用于基于故障数据信息进行数据挖掘,得到与机器设备的故障诊断指标相关的诊断数据信息;报表生成模块4,用于利用上述诊断数据信息基于预置指标、预测和对比规则进行加权求和或阈值判断处理,并根据加权求和或阈值判断处理结果生成对应的报表信息。
上述系统具体实现过程请参照实施例1中提供的一种在线故障诊断的方法,在此不再赘述。
实施例3
请参阅图5,本申请实施例提供了一种电子设备,该电子设备包括至少一个处理器5、至少一个存储器6和数据总线7;其中:处理器5与存储器6通过数据总线7完成相互间的通信;存储器6存储有可被处理器5执行的程序指令,处理器5调用程序指令以执行一种在线故障诊断的方法。例如实现:
步骤S101:获取目标机器设备的运行参数,并将上述运行参数实时同步到数据仓库内;步骤S102:基于大数据框架算法将上述运行参数从数据仓库内取出,并分发到多个计算引擎上进行并行计算,得到对应的不同主题域的故障数据信息;步骤S103:基于故障数据信息进行数据挖掘,得到与机器设备的故障诊断指标相关的诊断数据信息;步骤S104:利用上述诊断数据信息基于预置指标、预测和对比规则进行加权求和或阈值判断处理,并根据加权求和或阈值判断处理结果生成对应的报表信息。
其中,存储器6可以是但不限于,随机存取存储器(RandomAccessMemory,RAM),只读存储器(ReadOnlyMemory,ROM),可编程只读存储器(ProgrammableRead-OnlyMemory,PROM),可擦除只读存储器(ErasableProgrammableRead-OnlyMemory,EPROM),电可擦除只读存储器(ElectricErasableProgrammableRead-Only Memory,EEPROM)等。
处理器5可以是一种集成电路芯片,具有信号处理能力。该处理器5可以是通用处理器,包括中央处理器(CentralProcessingUnit,CPU)、网络处理器(NetworkProcessor,NP)等;还可以是数字信号处理器(DigitalSignalProcessing,DSP)、专用集成电路(Application SpecificIntegratedCircuit,ASIC)、现场可编程门阵列(Field-ProgrammableGateArray,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
可以理解,图5所示的结构仅为示意,电子设备还可包括比图5中所示更多或者更少的组件,或者具有与图5所示不同的配置。图5中所示的各组件可以采用硬件、软件或其组合实现。
实施例4
本发明提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器5执行时实现一种在线故障诊断的方法。例如实现:
步骤S101:获取目标机器设备的运行参数,并将上述运行参数实时同步到数据仓库内;步骤S102:基于大数据框架算法将上述运行参数从数据仓库内取出,并分发到多个计算引擎上进行并行计算,得到对应的不同主题域的故障数据信息;步骤S103:基于故障数据信息进行数据挖掘,得到与机器设备的故障诊断指标相关的诊断数据信息;步骤S104:利用上述诊断数据信息基于预置指标、预测和对比规则进行加权求和或阈值判断处理,并根据加权求和或阈值判断处理结果生成对应的报表信息。
上述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,RandomAccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。
对于本领域技术人员而言,显然本申请不限于上述示范性实施例的细节,而且在不背离本申请的精神或基本特征的情况下,能够以其它的具体形式实现本申请。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本申请的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
Claims (8)
1.一种在线故障诊断的方法,其特征在于,包括以下步骤:
步骤S101:获取目标机器设备的运行参数,并将所述运行参数实时同步到数据仓库内;
步骤S102:基于大数据框架算法将所述运行参数从数据仓库内取出,并分发到多个计算引擎上进行并行计算,得到对应的不同主题域的故障数据信息;
步骤S103:基于故障数据信息进行数据挖掘,得到与机器设备的故障诊断指标相关的诊断数据信息;
步骤S104:利用所述诊断数据信息基于预置指标、预测和对比规则进行加权求和或阈值判断处理,并根据加权求和或阈值判断处理结果生成对应的报表信息。
2.如权利要求1所述的一种在线故障诊断的方法,其特征在于,还包括利用预置的专家经验算法对报表信息进行相应的解读、整体评分以及运维建议,并基于处理结果生成相应的专家评价报告。
3.如权利要求1所述的一种在线故障诊断的方法,其特征在于,所述运行参数包括用户的信息、机器参数信息、机器的环境信息、机器的运行日志或天气日志的至少一种。
4.如权利要求1所述的一种在线故障诊断的方法,其特征在于,所述步骤S103具体包括:
基于人工调研获取用于诊断机器是否故障、判断机器状态、预测机器未来的状态的相关指标的参数数据,得到初步指标参数;
基于初步指标参数继续对故障数据信息进行数据挖掘,并根据数据挖掘结果构建相应的指标体系,以及得到不同指标和机器的相关性信息。
5.如权利要求1所述的一种在线故障诊断的方法,其特征在于,所述基于故障数据信息进行数据挖掘时包括基于预先构建的模型进行数据挖掘,其中模型的构建包括规则构建或数据驱动中的至少一种,所述规则构建为基于预先设定的规律构建输出函数进行数据处理,所述数据驱动为基于神经网络算法对预置的指标和结果进行映射关系的拟合处理,并根据拟合处理得到的映射关系进行数据的预测、判断和诊断处理。
6.一种在线故障诊断的系统,其特征在于,包括:
参数获取存储模块,用于获取目标机器设备的运行参数,并将所述运行参数实时同步到数据仓库内;
参数并行计算模块,用于基于大数据框架算法将所述运行参数从数据仓库内取出,并分发到多个计算引擎上进行并行计算,得到对应的不同主题域的故障数据信息;
数据挖掘模块,用于基于故障数据信息进行数据挖掘,得到与机器设备的故障诊断指标相关的诊断数据信息;
报表生成模块,用于利用所述诊断数据信息基于预置指标、预测和对比规则进行加权求和或阈值判断处理,并根据加权求和或阈值判断处理结果生成对应的报表信息。
7.一种电子设备,其特征在于,包括至少一个处理器、至少一个存储器和数据总线;其中:所述处理器与所述存储器通过所述数据总线完成相互间的通信;所述存储器存储有被所述处理器执行的程序指令,所述处理器调用所述程序指令以执行如权利要求1-5任一项所述的方法。
8.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1-5中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211709457.0A CN116028879A (zh) | 2022-12-29 | 2022-12-29 | 一种在线故障诊断的方法、系统、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211709457.0A CN116028879A (zh) | 2022-12-29 | 2022-12-29 | 一种在线故障诊断的方法、系统、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116028879A true CN116028879A (zh) | 2023-04-28 |
Family
ID=86090697
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211709457.0A Pending CN116028879A (zh) | 2022-12-29 | 2022-12-29 | 一种在线故障诊断的方法、系统、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116028879A (zh) |
-
2022
- 2022-12-29 CN CN202211709457.0A patent/CN116028879A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3902992B1 (en) | Scalable system and engine for forecasting wind turbine failure | |
US11977375B2 (en) | Scalable systems and methods for assessing healthy condition scores in renewable asset management | |
US20210216883A1 (en) | System and method for fault detection of components using information fusion technique | |
US20200210824A1 (en) | Scalable system and method for forecasting wind turbine failure with varying lead time windows | |
US20190228296A1 (en) | Significant events identifier for outlier root cause investigation | |
RU2012155276A (ru) | Обнаружение и анализ злоумышленной атаки | |
CN114267178B (zh) | 一种车站的智能运营维护方法及装置 | |
CN117041029A (zh) | 网络设备故障处理方法、装置、电子设备及存储介质 | |
CN114138601A (zh) | 一种业务告警方法、装置、设备及存储介质 | |
CN111027827A (zh) | 保底通信网运行风险分析的方法、装置及计算机设备 | |
WO2023224764A1 (en) | Multi-modality root cause localization for cloud computing systems | |
CN108170825B (zh) | 基于云平台的分布式能源数据监控清洗方法 | |
CN116028879A (zh) | 一种在线故障诊断的方法、系统、设备及介质 | |
CN115525392A (zh) | 容器监控方法、装置、电子设备及存储介质 | |
CN114743703A (zh) | 核电站机组的可靠性分析方法、装置、设备和存储介质 | |
CN116822206A (zh) | 一种在线故障诊断方法及系统 | |
US20240185089A1 (en) | System and method for fault detection of components using information fusion technique | |
CN118037414A (zh) | 一种项目风险管理方法、装置、电子设备及存储介质 | |
Saha et al. | Forecasting the Impact of Anomalous Events on Business Process Performance | |
CN116185964A (zh) | 日志处理方法、装置、电子设备和存储介质 | |
CN116720983A (zh) | 一种基于大数据分析的供电设备异常检测方法及系统 | |
CN111178774A (zh) | 一种运维信息管理方法、装置、可读介质及电子设备 | |
CN117057470A (zh) | 配电网的电力负荷的预测方法、装置、设备及存储介质 | |
CN118054565A (zh) | 一种电网状态分析方法、装置、终端设备和存储介质 | |
CN114490811A (zh) | 一种小卫星全寿命周期数据管理系统 |
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 |