CN116146515A - 一种水泥厂离心风机设备异常检测方法 - Google Patents
一种水泥厂离心风机设备异常检测方法 Download PDFInfo
- Publication number
- CN116146515A CN116146515A CN202211437211.2A CN202211437211A CN116146515A CN 116146515 A CN116146515 A CN 116146515A CN 202211437211 A CN202211437211 A CN 202211437211A CN 116146515 A CN116146515 A CN 116146515A
- Authority
- CN
- China
- Prior art keywords
- data
- fan
- abnormal
- threshold value
- abnormality
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 48
- 230000005856 abnormality Effects 0.000 title claims abstract description 38
- 239000004568 cement Substances 0.000 title claims abstract description 19
- 230000002159 abnormal effect Effects 0.000 claims abstract description 46
- 238000012549 training Methods 0.000 claims abstract description 34
- 238000011156 evaluation Methods 0.000 claims abstract description 23
- 238000009826 distribution Methods 0.000 claims abstract description 18
- 238000000034 method Methods 0.000 claims abstract description 17
- 238000004364 calculation method Methods 0.000 claims abstract description 14
- 238000013135 deep learning Methods 0.000 claims abstract description 4
- 238000007476 Maximum Likelihood Methods 0.000 claims description 3
- 230000001174 ascending effect Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 238000007689 inspection Methods 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000013256 Gubra-Amylin NASH model Methods 0.000 description 1
- 230000008485 antagonism Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
- F04D—NON-POSITIVE-DISPLACEMENT PUMPS
- F04D27/00—Control, e.g. regulation, of pumps, pumping installations or pumping systems specially adapted for elastic fluids
- F04D27/001—Testing thereof; Determination or simulation of flow characteristics; Stall or surge detection, e.g. condition monitoring
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
- F04D—NON-POSITIVE-DISPLACEMENT PUMPS
- F04D27/00—Control, e.g. regulation, of pumps, pumping installations or pumping systems specially adapted for elastic fluids
- F04D27/008—Stop safety or alarm devices, e.g. stop-and-go control; Disposition of check-valves
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了水泥厂离心风机设备异常检测方法，其特征在于：包括下列步骤：步骤一、采集数据；步骤二、采用深度学习算法生成对抗网络和变分自编码网络构建检测模型；步骤三、进行检测模型的训练，通过阈值选择计算模块在训练中计算最终的异常阈值；步骤三中用带参数的广义帕累托分布来拟合概率分布的尾部，学习异常得分阈值步骤；四、通过训练好的检测模型进行在线检测，根据异常阈值判断评估结果并输出展示。不仅通过总体的异常评估得分正确评估风机状态，并且能向用户展现各个数据维度对评分的贡献，让用户能对异常的具体情况有更好地了解。
Description
技术领域
本发明属于智能检测技术领域，具体涉及一种水泥厂离心风机设备异常检测方法。
背景技术
在水泥行业中，离心风机是生产环节中必不可少的关键设备，例如篦冷机风机群、窑头排风机、窑尾排风机、高温风机、选粉机等，风机的稳定决定了整条生产线的稳定运行。因此需要定期对各个风机进行点检和监控，确保风机的稳定运行，争取第一时间发现风机运行问题与隐患。
现有技术存在下列缺陷和不足。
1.现场人工点检与巡检：水泥厂风机设备采用人工方式进行现场设备的点检与巡检，针对重要的风机设备，点巡检频率更高，需要投入大量的人员力量，并且会增加现场的安全隐患。同时依靠人工的检查难以实时发现风机设备内部问题，很多故障异常表现不直观，难以靠人工发现。
2.中控室监控设备信号：水泥厂中控室进行全厂设备的联动控制与状态监控，但其监控量较少，仅仅采集风机设备的电流、频率、风压与转速，依靠这些参数难以进行风机设备的全方位监测，也没有相匹配的报警策略，仅仅针对单个参数的异常进行报警，不能正确全面地评估风机的运行状态。
发明内容
本发明的目的是提供水泥厂离心风机设备异常检测方法用于解决现有技术中只能对风机的单个参数进行异常判断，无法对风机设备进行全方位监测并采用相匹配的报警策略，因此不能正确全面地评估风机的运行状态的技术问题。
所述的一种水泥厂离心风机设备异常检测方法，包括下列步骤：
步骤一、采集数据；
步骤二、采用深度学习算法生成对抗网络和变分自编码网络构建检测模型；
步骤三、进行检测模型的训练，通过阈值选择计算模块在训练中计算最终的异常阈值；
步骤四、通过训练好的检测模型进行在线检测，根据异常阈值判断评估结果并输出展示。
优选的，所述步骤三具体包括：
数据预处理，将数据集标准化转换后分割为序列；
模型训练，将一段时间的多元时间序列发送到模型训练学习得到检测模型，该检测模型捕捉多元时间序列的正常模式，并输出每次观测的异常评估得分；
训练中进行阈值计算，在离线训练期间，使用N个观测的多元时间序列，为每个观测计算一个异常评估分数，那么所有异常得分形成一个单变量时间序列{S1，S2，…，SN}，然后根据极值理论EVT原理对上述单变量时间序列进行计算，离线设置异常阈值。
优选的，所述步骤三中用带参数的广义帕累托分布来拟合概率分布的尾部，学习异常得分阈值，本方法将GPD函数调整为：
其中th为初始异常得分阈值，γ和β分别是广义帕累托分布的特征参数与尺度参数，S是单变量时间序列{S1，S2，…，SN}的任意值，阈值th以下的部分记为th-S；s是可以设定的异常差值，th-S的结果大于我们设定的异常差值s，计算概率P；
然后用极大似然估计
和/>
的值，然后计算最终的异常阈值，算式如下：
其中q是S＜th的期望，N′是观察的次数，N′th是小于阈值th的Si的个数，Si是单变量时间序列的元素，i＝1，2，…，N。
优选的，检测模型计算得到观测结果xt，xt包含针对各种数据分别计算所得的重构概率以及由各个数据的重构概率综合形成的风机总体的异常评估得分，异常评估得分。
优选的，所述检测模型采用对抗性学习异常检测，该检测模型建立在一类生成式对抗网络GAN上；生成式对抗网络由两类相互竞争的网络组成，生成器和鉴别器，生成器将从潜分布采样的随机变量z映射到输入数据空间，鉴别器试图区分真实数据样本x(i)和由生成器生成的样本G(z)，这两类网络是互相竞争的，生成器试图生成类似真实数据的样本，而鉴别器试图区分生成器产生的样本和真实数据样本。
优选的，生成式对抗网络GAN同时学习一个编码器网络E，编码器网络E为变分自编码网络，该编码器网络E在训练期间将数据样本x映射到潜空间z；计算此类模型中数据点x的潜表示只需通过将x传递给编码器网络E即可。
优选的，所述步骤四中，在线检测模块存储训练好的模型，输入预处理后的序列，得到一个新的观测结果xt，若xt的异常评估得分低于异常阈值，则将xt的判断结果输出为异常，否则为正常；若判断结果为异常，则对xt每个数据维度的贡献进行估计和排序来解释异常情况，数据维度的贡献即该数据的重构概率；展示时根据各个数据对应的重构概率按升序排序，并形成列表A。
优选的，所述步骤一中，通过传感器和数据采集器采集数据并形成数据集，数据包括风机给定速度、风机电机A、B、C三项定子温度、风机入口温度、风机出口温度、风机出口压力、风机入口压力、风机自由端振动、风机定位端振动、风机变频器速度反馈、风机变频器电流、电压和功率反馈、风机电机自由端与输出端振动。
本发明具有以下优点：本发明通过上述实现异常阈值的训练和计算，从而让依据异常阈值最适合当前训练数据对应的风机系统，对异常评估得分确定风机状态提供了最可靠的判断依据，并且通过该方法实现异常阈值的自动训练确定，提高了训练效率。
通过本发明对风机进行监控能实时对风机的运行状态进行全方位监测，并结合检测模型实现对风机状态的智能评估，形成更好的报警策略，不仅通过总体的异常评估得分正确评估风机状态，并且能向用户展现各个数据维度对评分的贡献，让用户能对异常的具体情况有更好地了解，从而为工作人员理解异常状态和后续的处理解决方案提供足够的线索和依据。
本发明提供的检测模型通过对抗学习来增强模型对正常风机状态的重构识别能力，增大异常状态与正常状态之间差异，而结合了变分自编码网络确保只有信息的主要部分被生成器重构识别，便于进行潜表示计算，提高了训练的效率和模型的检测能力。
附图说明
图1为本发明一种水泥厂离心风机设备异常检测方法的流程图。
图2为本发明中检测模型的示意图。
具体实施方式
下面对照附图，通过对实施例的描述，对本发明具体实施方式作进一步详细的说明，以帮助本领域的技术人员对本发明的发明构思、技术方案有更完整、准确和伸入的理解。
如图1-2所示，本发明提供了一种水泥厂离心风机设备异常检测方法，包括下列步骤。
步骤一、采集数据。
通过传感器和数据采集器采集数据并形成数据集，数据包括风机给定速度、风机电机A、B、C三项定子温度、风机入口温度、风机出口温度、风机出口压力、风机入口压力、风机自由端振动、风机定位端振动、风机变频器速度反馈、风机变频器电流、电压和功率反馈、风机电机自由端与输出端振动。
步骤二、采用深度学习算法生成对抗网络和变分自编码网络构建检测模型。
生成式对抗网络(GAN)由两类相互竞争的网络组成，一个生成器G和一个鉴别器D。生成器G将从潜分布(高斯分布或均匀分布)采样的随机变量z映射到输入数据空间。鉴别器D试图区分真实数据样本x(i)和由生成器G生成的样本G(z)，这两类网络是互相竞争的，G试图生成类似真实数据的样本，而D试图区分生成器产生的样本和真实数据样本。
本方法采用对抗性学习异常检测的检测模型，该检测模型建立在一类生成式对抗网络GAN上，该GAN同时学习一个编码器网络E，编码器网络E为变分自编码网络，该网络在训练期间将数据样本x映射到潜空间z。计算此类模型中数据点x的潜表示只需通过将x传递给编码器网络即可。
图2为最终GAN模型的示意图，其中Dzz、Dxz和Dxx表示鉴别器，G表示生成器、E表示编码器，这些网络在训练过程中同时学习，训练出最优判别器Dxz。其中z为输入数据的潜分布，x为真实数据空间。
对检测模型训练完成后即可实时判断设备是否处于异常状态，实现对异常情况的识别，异常情况包括不符合预期模式或数据集中其它项目标准的项目、事件或观测值。该检测模型采用了异常指标作为评估标识，系统会自动判别设备是否处于异常状态，用户可以进行回溯查看。
步骤三、进行检测模型的训练，通过阈值选择计算模块在训练中计算最终的异常阈值。
该步骤具体包括：
数据预处理：对数据集进行数据标准化转换，再通过长度为t+1的滑动窗口分割为序列。
模型训练：预处理后，将一段时间的多元时间序列发送到模型训练学习得到检测模型，该检测模型捕捉多元时间序列的正常模式，并输出每次观测的异常评估得分。
训练中进行阈值计算：在离线训练期间，使用N个观测的多元时间序列，我们为每个观测计算一个异常评估分数。那么所有异常得分形成一个单变量时间序列{S1，S2，…，SN}。然后根据极值理论EVT原理对上述单变量时间序列进行计算，离线设置异常阈值。
EVT是一种统计理论，其目标是找到极值规律，而极值通常位于概率分布的尾部，是用带参数的广义帕累托分布(generalized Pareto distribution，GPD)来拟合概率分布的尾部，学习异常得分阈值。本方法将GPD函数调整为：
其中th为初始异常得分阈值，γ和β分别是GPD(广义帕累托分布)的特征参数与尺度参数，S是单变量时间序列{S1，S2，…，SN}的任意值，阈值th以下的部分记为th-S；s是可以设定的异常差值，th-S的结果大于我们设定的异常差值s，计算概率P。
然后用极大似然估计
和/>
的值，然后计算最终的异常阈值，算式如下。
其中q是S＜th的期望，N′是观察的次数，N′th是小于阈值th的Si的个数，Si是单变量时间序列的元素，i＝1，2，…，N。
通过上述实现异常阈值的训练和计算，从而让依据异常阈值最适合当前训练数据对应的风机系统，对异常评估得分确定风机状态提供了最可靠的判断依据，并且通过该方法实现异常阈值的自动训练确定，提高了训练效率。
检测模型计算得到观测结果xt，xt包含针对各种数据分别计算所得的重构概率，以及由各个数据的重构概率综合形成的风机总体的异常评估得分，异常评估得分用于与最终的异常阈值thF比较确定xt的判断结果。
步骤四、通过训练好的检测模型进行在线检测。
在线检测模块存储训练好的模型，输入预处理后的序列，得到一个新的观测结果xt，若xt的异常评估得分低于异常阈值，则将xt的判断结果输出为异常，否则为正常。若判断结果为异常，则对xt每个数据维度的贡献(即重构概率)进行估计和排序来解释异常情况。展示时根据各个数据对应的重构概率按升序排序，并形成列表A。各类数据在列表A中排名越高，说明其对xt的判断结果贡献越大。将有序的列表A作为异常解释呈现给操作人员，最上面的几个维度可以为操作人员理解和处理检测到的实体异常提供足够的线索。
通过本发明对风机进行监控能实时对风机的运行状态进行全方位监测，并结合检测模型实现对风机状态的智能评估，形成更好的报警策略，不仅通过总体的异常评估得分正确评估风机状态，并且能向用户展现各个数据维度对评分的贡献，让用户能对异常的具体情况有更好地了解，从而为工作人员理解异常状态和后续的处理解决方案提供足够的线索和依据。
上面结合附图对本发明进行了示例性描述，显然本发明具体实现并不受上述方式的限制，只要采用了本发明的发明构思和技术方案进行的各种非实质性的改进，或未经改进将本发明构思和技术方案直接应用于其它场合的，均在本发明保护范围之内。
Claims (8)
1.一种水泥厂离心风机设备异常检测方法，其特征在于：包括下列步骤：
步骤一、采集数据；
步骤二、采用深度学习算法生成对抗网络和变分自编码网络构建检测模型；
步骤三、进行检测模型的训练，通过阈值选择计算模块在训练中计算最终的异常阈值；
步骤四、通过训练好的检测模型进行在线检测，根据异常阈值判断评估结果并输出展示。
2.根据权利要求1所述的一种水泥厂离心风机设备异常检测方法，其特征在于：所述步骤三具体包括：
数据预处理，将数据集标准化转换后分割为序列；
模型训练，将一段时间的多元时间序列发送到模型训练学习得到检测模型，该检测模型捕捉多元时间序列的正常模式，并输出每次观测的异常评估得分；
训练中进行阈值计算，在离线训练期间，使用N个观测的多元时间序列，为每个观测计算一个异常评估分数，那么所有异常得分形成一个单变量时间序列{S1，S2，…，SN}，然后根据极值理论EVT原理对上述单变量时间序列进行计算，离线设置异常阈值。
3.根据权利要求2所述的一种水泥厂离心风机设备异常检测方法，其特征在于：所述步骤三中用带参数的广义帕累托分布来拟合概率分布的尾部，学习异常得分阈值，本方法将GPD函数调整为：
其中th为初始异常得分阈值，γ和β分别是广义帕累托分布的特征参数与尺度参数，S是单变量时间序列{S1，S2，…，SN}的任意值，阈值th以下的部分记为th-S；s是可以设定的异常差值，th-S的结果大于我们设定的异常差值s，计算概率P；
然后用极大似然估计
和/>
的值，然后计算最终的异常阈值，算式如下：
其中q是S＜th的期望，N′是观察的次数，N′th是小于阈值th的Si的个数，Si是单变量时间序列的元素，i＝1，2，…，N。
4.根据权利要求3所述的一种水泥厂离心风机设备异常检测方法，其特征在于：检测模型计算得到观测结果xt，xt包含针对各种数据分别计算所得的重构概率以及由各个数据的重构概率综合形成的风机总体的异常评估得分，异常评估得分。
5.根据权利要求1-4中任一所述的一种水泥厂离心风机设备异常检测方法，其特征在于：所述检测模型采用对抗性学习异常检测，该检测模型建立在一类生成式对抗网络GAN上；生成式对抗网络由两类相互竞争的网络组成，生成器和鉴别器，生成器将从潜分布采样的随机变量z映射到输入数据空间，鉴别器试图区分真实数据样本x(i)和由生成器生成的样本G(z)，这两类网络是互相竞争的，生成器试图生成类似真实数据的样本，而鉴别器试图区分生成器产生的样本和真实数据样本。
6.根据权利要求5所述的一种水泥厂离心风机设备异常检测方法，其特征在于：生成式对抗网络GAN同时学习一个编码器网络E，编码器网络E为变分自编码网络，该编码器网络E在训练期间将真实数据样本x映射到潜空间z；计算此类模型中数据点x的潜表示只需通过将x传递给编码器网络E即可。
7.根据权利要求6所述的一种水泥厂离心风机设备异常检测方法，其特征在于：所述步骤四中，在线检测模块存储训练好的模型，输入预处理后的序列，得到一个新的观测结果xt，若xt的异常评估得分低于异常阈值，则将xt的判断结果输出为异常，否则为正常；若判断结果为异常，则对xt每个数据维度的贡献进行估计和排序来解释异常情况，数据维度的贡献即该数据的重构概率；展示时根据各个数据对应的重构概率按升序排序，并形成列表A。
8.根据权利要求1所述的一种水泥厂离心风机设备异常检测方法，其特征在于：所述步骤一中，通过传感器和数据采集器采集数据并形成数据集，数据包括风机给定速度、风机电机A、B、C三项定子温度、风机入口温度、风机出口温度、风机出口压力、风机入口压力、风机自由端振动、风机定位端振动、风机变频器速度反馈、风机变频器电流、电压和功率反馈、风机电机自由端与输出端振动。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211437211.2A CN116146515A (zh) | 2022-11-15 | 2022-11-15 | 一种水泥厂离心风机设备异常检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211437211.2A CN116146515A (zh) | 2022-11-15 | 2022-11-15 | 一种水泥厂离心风机设备异常检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116146515A true CN116146515A (zh) | 2023-05-23 |
Family
ID=86349669
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211437211.2A Pending CN116146515A (zh) | 2022-11-15 | 2022-11-15 | 一种水泥厂离心风机设备异常检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116146515A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117409546A (zh) * | 2023-11-15 | 2024-01-16 | 淮阴工学院 | 一种化工厂环境及有害气体智能检测与预警系统 |
| CN118013443A (zh) * | 2024-04-08 | 2024-05-10 | 华侨大学 | 基于生成模型算法的在线实时真空干泵异常检测方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090171623A1 (en) * | 2005-01-14 | 2009-07-02 | Kiefer Fred W | Multimodal Fusion Decision Logic System For Determining Whether To Accept A Specimen |
| JP2020030403A (ja) * | 2018-08-24 | 2020-02-27 | ネイバー コーポレーションＮＡＶＥＲ Ｃｏｒｐｏｒａｔｉｏｎ | ディープラーニング生成モデルとマルチモーダル分布を利用してマルチターン会話応答を生成する方法およびシステム |
| CN112766342A (zh) * | 2021-01-12 | 2021-05-07 | 安徽容知日新科技股份有限公司 | 一种电气设备的异常检测方法 |
| CN112837295A (zh) * | 2021-02-01 | 2021-05-25 | 北京工业大学 | 一种基于生成对抗网络的橡胶手套缺陷检测方法 |
| CN113240011A (zh) * | 2021-05-14 | 2021-08-10 | 烟台海颐软件股份有限公司 | 一种深度学习驱动的异常识别与修复方法及智能化系统 |
| CN113255078A (zh) * | 2021-05-31 | 2021-08-13 | 南京信息工程大学 | 一种样本不均衡条件下的轴承故障检测方法及装置 |
| CN114492826A (zh) * | 2021-11-22 | 2022-05-13 | 杭州电子科技大学 | 一种基于多元时序流数据的无监督异常检测分析解决方法 |
| CN114623050A (zh) * | 2022-03-16 | 2022-06-14 | 华能大理风力发电有限公司洱源分公司 | 风电机组的运行数据异常检测方法、系统及介质 |
| CN114816901A (zh) * | 2022-02-28 | 2022-07-29 | 南开大学 | 通过ai的方式对软件变更后的健康状态进行评估的方法 |
-
2022
- 2022-11-15 CN CN202211437211.2A patent/CN116146515A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090171623A1 (en) * | 2005-01-14 | 2009-07-02 | Kiefer Fred W | Multimodal Fusion Decision Logic System For Determining Whether To Accept A Specimen |
| JP2020030403A (ja) * | 2018-08-24 | 2020-02-27 | ネイバー コーポレーションＮＡＶＥＲ Ｃｏｒｐｏｒａｔｉｏｎ | ディープラーニング生成モデルとマルチモーダル分布を利用してマルチターン会話応答を生成する方法およびシステム |
| CN112766342A (zh) * | 2021-01-12 | 2021-05-07 | 安徽容知日新科技股份有限公司 | 一种电气设备的异常检测方法 |
| CN112837295A (zh) * | 2021-02-01 | 2021-05-25 | 北京工业大学 | 一种基于生成对抗网络的橡胶手套缺陷检测方法 |
| CN113240011A (zh) * | 2021-05-14 | 2021-08-10 | 烟台海颐软件股份有限公司 | 一种深度学习驱动的异常识别与修复方法及智能化系统 |
| CN113255078A (zh) * | 2021-05-31 | 2021-08-13 | 南京信息工程大学 | 一种样本不均衡条件下的轴承故障检测方法及装置 |
| CN114492826A (zh) * | 2021-11-22 | 2022-05-13 | 杭州电子科技大学 | 一种基于多元时序流数据的无监督异常检测分析解决方法 |
| CN114816901A (zh) * | 2022-02-28 | 2022-07-29 | 南开大学 | 通过ai的方式对软件变更后的健康状态进行评估的方法 |
| CN114623050A (zh) * | 2022-03-16 | 2022-06-14 | 华能大理风力发电有限公司洱源分公司 | 风电机组的运行数据异常检测方法、系统及介质 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117409546A (zh) * | 2023-11-15 | 2024-01-16 | 淮阴工学院 | 一种化工厂环境及有害气体智能检测与预警系统 |
| CN118013443A (zh) * | 2024-04-08 | 2024-05-10 | 华侨大学 | 基于生成模型算法的在线实时真空干泵异常检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116146515A (zh) | 一种水泥厂离心风机设备异常检测方法 | |
| CN104390657B (zh) | 一种发电机组运行参数测量传感器故障诊断方法及系统 | |
| CN111275288A (zh) | 基于XGBoost的多维数据异常检测方法与装置 | |
| BR112021013786A2 (pt) | Método e sistema para detectar anomalias ou indicações prematuras de falha de equipamento | |
| CN111352977B (zh) | 基于自注意力双向长短期记忆网络的时序数据监测方法 | |
| CN103631681A (zh) | 一种在线修复风电场异常数据的方法 | |
| CN112861350B (zh) | 一种水冷式汽轮发电机定子绕组温度过热缺陷预警方法 | |
| CN112418306B (zh) | 基于lstm-svm的燃气轮机压气机故障预警方法 | |
| CN111415070A (zh) | 一种基于scada数据的风电机组齿轮箱油温过温故障预警方法 | |
| CN111795819B (zh) | 一种融合振动与电流信号协同学习的齿轮箱故障诊断方法 | |
| CN117235617A (zh) | 沙尘天气下基于ml-rfknn的光伏阵列故障诊断方法 | |
| CN117807538A (zh) | 一种基于动态阈值和趋势预测的故障检测方法 | |
| CN116502043A (zh) | 一种基于孤立森林算法的精轧电机状态分析方法 | |
| CN112067289A (zh) | 一种基于神经网络的电机轴及传动轴异常振动预警算法 | |
| US11339763B2 (en) | Method for windmill farm monitoring | |
| CN111980900B (zh) | 一种基于多源数据融合分析的水泵故障诊断方法 | |
| CN109840563A (zh) | 一种基于三维隶属函数模糊逻辑系统的风机故障诊断方法 | |
| Souza et al. | Evaluation of data based normal behavior models for fault detection in wind turbines | |
| CN114462636A (zh) | 一种工业时序数据通过数据处理进行在线异常监测方法 | |
| CN102522937B (zh) | 一种风力发电最大功率跟踪控制方法 | |
| CN118501720B (zh) | 一种基于大数据分析的锂电池异常检测系统 | |
| CN117893955B (zh) | 一种环网柜故障检测系统 | |
| CN117951635A (zh) | Scada系统数据与振动数据融合分析的发电机故障识别方法 | |
| Leksono et al. | Development of Non-Intrusive Load Monitoring of Electricity Load Classification with Low-Frequency Sampling Based on Support Vector Machine | |
| CN117932358A (zh) | 一种智能远程电场故障诊断方法及系统 |
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 |