CN116151312A - 基于Mann-Kendall算法和LSTM神经网络的热力透平机组预警方法及系统 - Google Patents
基于Mann-Kendall算法和LSTM神经网络的热力透平机组预警方法及系统 Download PDFInfo
- Publication number
- CN116151312A CN116151312A CN202211196766.2A CN202211196766A CN116151312A CN 116151312 A CN116151312 A CN 116151312A CN 202211196766 A CN202211196766 A CN 202211196766A CN 116151312 A CN116151312 A CN 116151312A
- Authority
- CN
- China
- Prior art keywords
- data
- kendall
- mann
- algorithm
- neural network
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 37
- 238000000034 method Methods 0.000 title claims abstract description 26
- 230000008859 change Effects 0.000 claims abstract description 32
- 238000010977 unit operation Methods 0.000 claims abstract description 11
- 238000004458 analytical method Methods 0.000 claims abstract description 8
- 238000012216 screening Methods 0.000 claims abstract description 6
- 230000007423 decrease Effects 0.000 claims description 18
- 230000033228 biological regulation Effects 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 10
- 238000005457 optimization Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 10
- 230000003247 decreasing effect Effects 0.000 claims description 8
- 238000012850 discrimination method Methods 0.000 claims description 6
- 238000004140 cleaning Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 abstract description 2
- 238000011156 evaluation Methods 0.000 abstract description 2
- 239000011159 matrix material Substances 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- 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)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Quality & Reliability (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Operations Research (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Development Economics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Mathematical Physics (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明提供了一种基于Mann‑Kendall算法和LSTM神经网络的热力透平机组预警方法及系统,包括:在电厂数据库中获取机组运行数据;从电厂历史数据中筛选出正常运行状态下的数据,构建预测库及标准库神经网络;将电厂实时运行数据输入标准库和预测库进行比对,若热力参数超出设置的阈值则报警;在报警后,通过Mann‑Kendall算法对各个热力参数的变化趋势进行识别。本发明通过采用LSTM神经网络考虑热力透平机组热容量的影响,对热力参数进行预测,实现更为超前的电厂运行预测结果;通过采用滑动窗口残差分析法对预测结果进行评估,从而实现更加准确的评估效果,减少随机信号的影响。
Description
技术领域
本发明涉及热力透平机组领域,具体地,涉及一种基于Mann-Kendall算法和LSTM神经网络的热力透平机组预警方法及系统。
背景技术
现有的参数预警系统多着眼于振动信号的预测,而振动信号发生较大变化时,系统已发生较大故障,工作人员缺少时间进行有效应对;还有基于BP神经网络的预测,也未能将时序信号纳入考虑的范围,忽略了参数的梯度信息。
现有方案的不足之处在于:仅纳入振动参数,难以对渐变故障实现有效的预测;只考虑当前时刻和之前某一时刻参数的状态转移矩阵,未考虑参数梯度对结果的影响;易受随机信号的扰动。
专利文献CN112487910A(申请号:CN202011329125.0)公开了一种核电汽轮机系统故障预警方法及系统,该核电汽轮机系统故障预警方法包括:获取实时采集的汽轮机的多个监测参数的信号数据,并分别对每个监测参数的信号数据进行处理,且根据处理后的多个监测参数的信号数据生成多维矩阵数据;将所述多维矩阵数据送入预先建立的状态预测模型,并根据所述状态预测模型的输出获取汽轮机下一时刻的参数预测信息;根据所述参数预测信息,实时输出状态预测结果;根据所述状态预测结果判断汽轮机是否出现异常,并在异常时生成故障预警信息。但该发明没有从电厂历史数据中筛选出正常运行状态下的数据,构建预测库及标准库神经网络;在报警后,对各个热力参数的变化趋势进行识别。
发明内容
针对现有技术中的缺陷,本发明的目的是提供一种基于Mann-Kendall算法和LSTM神经网络的热力透平机组预警方法及系统。
根据本发明提供的一种基于Mann-Kendall算法和LSTM神经网络的热力透平机组预警方法,包括:
步骤S1:在电厂数据库中获取机组运行数据,数据包括经清洗后的电厂实时运行数据和电厂历史运行数据;
步骤S2:从电厂历史数据中筛选出正常运行状态下的数据,构建预测库及标准库神经网络;
步骤S3:将电厂实时运行数据输入标准库和预测库进行比对,若热力参数超出设置的阈值则报警;
步骤S4:在报警后,对各个热力参数的变化趋势进行识别。
优选地,在所述步骤S2中:
步骤S2.1:设置对于正常机组运行数据的标准,对历史数据进行判断,将满足标准的数据放入训练集进行训练;
步骤S2.2:对初步训练出的神经网络库进行参数优化;
步骤S2.3:优化完成后对库进行测试。
优选地,在所述步骤S3中:
步骤S3.1:从数据库提取实时调节级后压力、主汽门压力、一段抽气压力、二段抽气压力、高压缸的排气压力和功率的数据作为状态参数;
步骤S3.2:将状态参数输入标准库中,判断其与正常值的偏差,若与正常标准偏差超出阈值则报警;
步骤S3.3:如果标准库没有报警,则将状态参数输入预测库,预测调节级后压力的值,结合滑动窗口残差分析法计算窗口内残差的标准差和均值,若超出设置阈值则报警。
优选地,在所述步骤S4中:
步骤S4.1:报警后,由用户输入需要查看的参数及其对应的时间段;
步骤S4.2:根据用户的需要对参数进行可视化显示;
步骤S4.3:对参数的变化趋势进行识别;通过增长系数判别法求出判断变化的剧烈程度,如果增长系数值大于预设值,则认为变化是剧烈的;
通过Mann-Kendall算法判断时间段内数据是增长、减少还是保持稳定;将结果与增长系数的结果关联,得知数据是保持稳定、骤增、骤降、缓增或缓降;
步骤S4.4:通过计算整个时间段内,对应时间步长参数斜率之比的标准差判断参数的变化是否成比例。
优选地,通过Mann-Kendall算法结合增长系数判别法对参数的变化趋势进行识别;通过增长系数判别法判断变化的剧烈程度,如果增长系数值大于预设值,则认为变化是剧烈的;结合Mann-Kendall算法判断时间段内数据是增长、减少还是保持稳定;将结果与增长系数的结果关联,得知数据是保持稳定、骤增、骤降、缓增或缓降。
根据本发明提供的一种基于Mann-Kendall算法和LSTM神经网络的热力透平机组预警系统,包括:
模块M1:在电厂数据库中获取机组运行数据,数据包括经清洗后的电厂实时运行数据和电厂历史运行数据;
模块M2:从电厂历史数据中筛选出正常运行状态下的数据,构建预测库及标准库神经网络;
模块M3:将电厂实时运行数据输入标准库和预测库进行比对,若热力参数超出设置的阈值则报警;
模块M4:在报警后,对各个热力参数的变化趋势进行识别。
优选地,在所述模块M2中:
模块M2.1:设置对于正常机组运行数据的标准,对历史数据进行判断,将满足标准的数据放入训练集进行训练;
模块M2.2:对初步训练出的神经网络库进行参数优化;
模块M2.3:优化完成后对库进行测试。
优选地,在所述模块M3中:
模块M3.1:从数据库提取实时调节级后压力、主汽门压力、一段抽气压力、二段抽气压力、高压缸的排气压力和功率的数据作为状态参数;
模块M3.2:将状态参数输入标准库中,判断其与正常值的偏差,若与正常标准偏差超出阈值则报警;
模块M3.3:如果标准库没有报警,则将状态参数输入预测库,预测调节级后压力的值,结合滑动窗口残差分析法计算窗口内残差的标准差和均值,若超出设置阈值则报警。
优选地,在所述模块M4中:
模块M4.1:报警后,由用户输入需要查看的参数及其对应的时间段;
模块M4.2:根据用户的需要对参数进行可视化显示;
模块M4.3:对参数的变化趋势进行识别;通过增长系数判别法求出判断变化的剧烈程度,如果增长系数值大于预设值,则认为变化是剧烈的;
通过Mann-Kendall算法判断时间段内数据是增长、减少还是保持稳定;将结果与增长系数的结果关联,得知数据是保持稳定、骤增、骤降、缓增或缓降;
模块M4.4:通过计算整个时间段内,对应时间步长参数斜率之比的标准差判断参数的变化是否成比例。
优选地,通过Mann-Kendall算法结合增长系数判别法对参数的变化趋势进行识别;通过增长系数判别法判断变化的剧烈程度,如果增长系数值大于预设值,则认为变化是剧烈的;结合Mann-Kendall算法判断时间段内数据是增长、减少还是保持稳定;将结果与增长系数的结果关联,得知数据是保持稳定、骤增、骤降、缓增或缓降。
与现有技术相比,本发明具有如下的有益效果:
1、本发明通过采用LSTM神经网络考虑汽轮机热容量的影响,对热力参数进行预测,从而实现更为超前的电厂运行预测结果;
2、本发明通过采用滑动窗口残差分析法对预测结果进行评估,从而实现更加准确的评估效果,减少随机信号的影响;
3、本发明通过采用增长系数判别法结合Mann-Kendall算法的征兆识别算法量化变化趋势,从而达成报警后对各项参数,梯度,比例的量化指标,为后续工作人员对故障的诊断提供有力的参考。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1为本发明流程图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明,但不以任何形式限制本发明。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变化和改进。这些都属于本发明的保护范围。
实施例1:
本发明提供了一种基于大数据神经网络,预测电厂热力参数、评估热力透平机组的运行状态的算法,可以高效地处理电厂运行数据。
为了解决现有技术中存在的问题,本发明提出一种基于Mann-Kendall算法和LSTM神经网络的热力透平机组预警系统,通过对电厂正常运行的历史数据进行学习,可根据一段时间的电厂运行参数,预测之后的正常数据,与实际数据比对,结合滑动窗口残差分析法,在偏差超出设置阈值时报警,并在报警后对参数的变化趋势进行识别。
本发明所采用的技术方案如下,如图1所示:
步骤S1:在电厂数据库中获取机组运行数据,所述数据包括经清洗后的电厂实时运行数据和电厂历史运行数据;
步骤S2:从电厂历史数据中筛选出正常运行状态下的数据,构建预测库及标准库神经网络;
步骤S3:将电厂实时运行数据输入标准库和预测库进行比对,若热力参数超出设置的阈值则报警;
步骤S4:在报警后,对各个热力参数的变化趋势进行识别,供后续具体诊断作为参考。
所述步骤S2具体如下:
步骤S2.1:设置对于正常机组运行数据的标准,对历史数据进行判断,将满足标准的数据放入训练集进行训练;
步骤S2.2:对初步训练出的神经网络库进行参数优化;
步骤S2.3:优化完成后对神经网络库的有效性进行测试。
所述步骤S3包括:
步骤S3.1:从数据库提取实时调节级后压力,主汽门压力,一段抽气压力,二段抽气压力,高压缸的排气压力和功率的数据作为状态参数;
步骤S3.2:将状态参数输入标准库中,判断其与正常值的偏差,若与正常标准偏差超出阈值则报警;
步骤S3.3:如果标准库没有报警,则将状态参数输入预测库,预测调节级后压力的值,结合滑动窗口残差分析法计算窗口内的标准差和均值,若超出设置阈值则报警。
所述步骤S4包括:
步骤S4.1:报警后,由用户输入需要查看的参数及其对应的时间段;
步骤S4.2:根据用户的需要对参数进行可视化显示;
步骤S4.3:通过Mann-Kendall算法结合增长系数判别法对参数的变化趋势进行识别;通过增长系数判别法判断变化的剧烈程度,如果增长系数值大于15%,则认为变化是剧烈的;结合Mann-Kendall算法判断时间段内数据是增长,减少还是保持稳定;将结果与增长系数的结果关联,即可得知数据是保持稳定,骤增,骤降,缓增或缓降。
步骤S4.4:通过计算整个时间段内,对应时间步长参数斜率之比的标准差判断参数的变化是否成比例。
本领域技术人员知道,除了以纯计算机可读程序代码方式实现本发明提供的系统、装置及其各个模块以外,完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统、装置及其各个模块以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同程序。所以,本发明提供的系统、装置及其各个模块可以被认为是一种硬件部件,而对其包括的用于实现各种程序的模块也可以视为硬件部件内的结构;也可以将用于实现各种功能的模块视为既可以是实现方法的软件程序又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变化或修改,这并不影响本发明的实质内容。在不冲突的情况下,本申请的实施例和实施例中的特征可以任意相互组合。
Claims (10)
1.一种基于Mann-Kendall算法和LSTM神经网络的热力透平机组预警方法,其特征在于,包括:
步骤S1:在电厂数据库中获取机组运行数据,数据包括经清洗后的电厂实时运行数据和电厂历史运行数据;
步骤S2:从电厂历史数据中筛选出正常运行状态下的数据,构建热力透平机组预警系统预测库及标准库神经网络;
步骤S3:将电厂实时运行参数数据输入标准库和预测库进行比对,若热力参数超出设置的阈值则报警;
步骤S4:在报警后,结合Mann-Kendall算法对各个热力参数的变化趋势进行识别。
2.根据权利要求1所述的基于Mann-Kendall算法和LSTM神经网络的热力透平机组预警方法,其特征在于,在所述步骤S2中:
步骤S2.1:设置对于正常机组运行数据的标准,对历史数据进行判断,将满足标准的数据放入训练集进行训练;
步骤S2.2:对初步训练出的神经网络库进行参数优化;
步骤S2.3:优化完成后对神经网络库的有效性进行测试。
3.根据权利要求1所述的基于Mann-Kendall算法和LSTM神经网络的热力透平机组预警方法,其特征在于,在所述步骤S3中:
步骤S3.1:从边缘数据库中提取实时调节级后压力、主汽门压力、一段抽气压力、二段抽气压力、高压缸的排气压力和功率的数据作为状态参数;
步骤S3.2:将状态参数输入标准库中,判断其与正常值的偏差,若与正常标准偏差超出阈值则报警;
步骤S3.3:如果标准库没有报警,则将状态参数输入预测库,预测调节级后压力的值,结合滑动窗口残差分析法计算窗口内残差的标准差和均值,若超出设置阈值则报警。
4.根据权利要求1所述的基于Mann-Kendall算法和LSTM神经网络的热力透平机组预警方法,其特征在于,在所述步骤S4中:
步骤S4.1:报警后,由用户输入需要查看的参数及其对应的时间段;
步骤S4.2:根据用户的需要对参数进行可视化显示;
步骤S4.3:对参数的变化趋势进行识别;通过增长系数判别法判断变化的剧烈程度,如果增长系数值大于预设值,则认为变化是剧烈的;
通过Mann-Kendall算法判断时间段内数据是增长、减少还是保持稳定;将结果与增长系数的结果关联,得知数据是保持稳定、骤增、骤降、缓增或缓降。
步骤S4.4:通过计算整个时间段内,对应时间步长参数斜率之比的标准差判断参数的变化是否成比例。
5.根据权利要求4所述的基于Mann-Kendall算法和LSTM神经网络的热力透平机组预警方法,其特征在于:
通过Mann-Kendall算法结合增长系数判别法对参数的变化趋势进行识别;通过增长系数判别法求出判断变化的剧烈程度,如果增长系数值大于预设值,则认为变化是剧烈的;结合Mann-Kendall算法判断时间段内数据是增长、减少还是保持稳定;将结果与增长系数的结果关联,得知数据是保持稳定、骤增、骤降、缓增或缓降。
6.基于Mann-Kendall算法和LSTM神经网络的热力透平机组预警系统,其特征在于,包括:
模块M1:在电厂数据库中获取机组运行数据,数据包括经清洗后的电厂实时运行数据和电厂历史运行数据;
模块M2:从电厂历史数据中筛选出正常运行状态下的数据,构建热力透平机组预警系统预测库及标准库神经网络;
模块M3:将电厂实时运行参数数据输入标准库和预测库进行比对,若热力参数超出设置的阈值则报警;
模块M4:在报警后,结合Mann-Kendall算法对各个热力参数的变化趋势进行识别。
7.根据权利要求6所述的基于Mann-Kendall算法和LSTM神经网络的热力透平机组预警系统,其特征在于,在所述模块M2中:
模块M2.1:设置对于正常机组运行数据的标准,对历史数据进行判断,将满足标准的数据放入训练集进行训练;
模块M2.2:对初步训练出的神经网络库进行参数优化;
模块M2.3:优化完成后对神经网络库的有效性进行测试。
8.根据权利要求6所述的基于Mann-Kendall算法和LSTM神经网络的热力透平机组预警系统,其特征在于,在所述模块M3中:
模块M3.1:从数据库提取实时调节级后压力、主汽门压力、一段抽气压力、二段抽气压力、高压缸的排气压力和功率的数据作为状态参数;
模块M3.2:将状态参数输入标准库中,判断其与正常值的偏差,若与正常值的偏差超出阈值则报警;
模块M3.3:如果标准库没有报警,则将状态参数输入预测库,预测调节级后压力的值,结合滑动窗口残差分析法计算窗口内残差的标准差和均值,若超出设置阈值则报警。
9.根据权利要求6所述的基于Mann-Kendall算法和LSTM神经网络的热力透平机组预警系统,其特征在于,在所述模块M4中:
模块M4.1:报警后,由用户输入需要查看的参数及其对应的时间段;
模块M4.2:根据用户的需要对参数进行可视化显示;
模块M4.3:对参数的变化趋势进行识别;通过增长系数判别法判断变化的剧烈程度,如果增长系数值大于预设值,则认为变化是剧烈的;
通过Mann-Kendall算法判断时间段内数据是增长、减少还是保持稳定;将结果与增长系数的结果关联,得知数据是保持稳定、骤增、骤降、缓增或缓降;
模块M4.4:通过计算整个时间段内,对应时间步长参数斜率之比的标准差判断参数的变化是否成比例。
10.根据权利要求9所述的基于Mann-Kendall算法和LSTM神经网络的热力透平机组预警系统,其特征在于:
通过Mann-Kendall算法结合增长系数判别法对参数的变化趋势进行识别;通过增长系数判别法判断变化的剧烈程度,如果增长系数值大于预设值,则认为变化是剧烈的;结合Mann-Kendall算法判断时间段内数据是增长、减少还是保持稳定;将结果与增长系数的结果关联,得知数据是保持稳定、骤增、骤降、缓增或缓降。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211196766.2A CN116151312A (zh) | 2022-09-28 | 2022-09-28 | 基于Mann-Kendall算法和LSTM神经网络的热力透平机组预警方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211196766.2A CN116151312A (zh) | 2022-09-28 | 2022-09-28 | 基于Mann-Kendall算法和LSTM神经网络的热力透平机组预警方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116151312A true CN116151312A (zh) | 2023-05-23 |
Family
ID=86353203
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211196766.2A Pending CN116151312A (zh) | 2022-09-28 | 2022-09-28 | 基于Mann-Kendall算法和LSTM神经网络的热力透平机组预警方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116151312A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116593065A (zh) * | 2023-07-14 | 2023-08-15 | 青岛义龙包装机械有限公司 | 一种袋式包装机检测平台的数据分析方法 |
-
2022
- 2022-09-28 CN CN202211196766.2A patent/CN116151312A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116593065A (zh) * | 2023-07-14 | 2023-08-15 | 青岛义龙包装机械有限公司 | 一种袋式包装机检测平台的数据分析方法 |
CN116593065B (zh) * | 2023-07-14 | 2023-09-15 | 青岛义龙包装机械有限公司 | 一种袋式包装机检测平台的数据分析方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3454289B1 (en) | Plant abnormality detection method and system | |
CN111460728B (zh) | 一种工业设备剩余寿命预测方法、装置、存储介质及设备 | |
CN113642754B (zh) | 一种基于rf降噪自编码信息重构和时间卷积网络的复杂工业过程故障预测方法 | |
KR102627062B1 (ko) | 비정상 장비 트레이스 검출 및 분류 | |
KR102221473B1 (ko) | Plc 제어에 따른 오류 검출 시스템 | |
DE102010038827A1 (de) | Verfahren und System für die Fehlervorhersage mit Hilfe eines Agenten | |
JP2008186472A (ja) | 予測的状態監視のための診断システムおよび方法 | |
DE102010052998A1 (de) | Software-zentrierte Methodik für die Überprüfung und Bestätigung von Fehlermodellen | |
CN109472097B (zh) | 一种输电线路在线监测设备故障诊断方法 | |
CN112487356B (zh) | 一种结构健康监测数据增强方法 | |
Mathew et al. | Regression kernel for prognostics with support vector machines | |
US11120350B2 (en) | Multilevel pattern monitoring method for industry processes | |
CN116700193A (zh) | 工厂车间智能化监控管理系统及其方法 | |
CN116151312A (zh) | 基于Mann-Kendall算法和LSTM神经网络的热力透平机组预警方法及系统 | |
CN116756909A (zh) | 一种基于数据模型及机理模型的火电厂预警诊断系统 | |
CN114721336A (zh) | 一种仪控系统工艺参数的信息安全事件预警方法 | |
CN115221942A (zh) | 一种基于时序融合和神经网络的设备缺陷预测方法及系统 | |
CN112816898B (zh) | 电瓶故障预测方法、装置、电子设备和存储介质 | |
CN111241629B (zh) | 基于数据驱动的飞机液压泵性能变化趋势智能预测方法 | |
KR102366787B1 (ko) | 슬라이딩 윈도우 기법을 이용한 제조설비의 실시간 다변량 이상감지 시스템 | |
CN117032102A (zh) | 一种基于大数据的设备故障预测方法和系统 | |
US20230022100A1 (en) | Prognostic and health management system for system management and method thereof | |
Ku et al. | Sequential monitoring of manufacturing processes: an application of grey forecasting models | |
Noroozifar et al. | Root cause analysis of process faults using alarm data | |
Smeraldo et al. | A data-driven approach to fault diagnostics for industrial process plants based on feature extraction and inferential statistics |
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 |