CN116579762B - 一种冷却塔智慧运维平台 - Google Patents
一种冷却塔智慧运维平台 Download PDFInfo
- Publication number
- CN116579762B CN116579762B CN202310407345.8A CN202310407345A CN116579762B CN 116579762 B CN116579762 B CN 116579762B CN 202310407345 A CN202310407345 A CN 202310407345A CN 116579762 B CN116579762 B CN 116579762B
- Authority
- CN
- China
- Prior art keywords
- cooling tower
- data
- maintenance
- cooling
- working
- 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.)
- Active
Links
- 238000001816 cooling Methods 0.000 title claims abstract description 184
- 238000012423 maintenance Methods 0.000 title claims abstract description 79
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 19
- 238000013500 data storage Methods 0.000 claims abstract description 9
- 230000002159 abnormal effect Effects 0.000 claims description 23
- 238000003860 storage Methods 0.000 claims description 19
- 230000008859 change Effects 0.000 claims description 13
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 238000012216 screening Methods 0.000 claims description 10
- 238000012163 sequencing technique Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- 230000005856 abnormality Effects 0.000 claims description 7
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 239000002245 particle Substances 0.000 claims description 4
- 238000005057 refrigeration Methods 0.000 claims description 3
- 238000004080 punching Methods 0.000 claims description 2
- 238000005086 pumping Methods 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 10
- 238000012544 monitoring process Methods 0.000 abstract description 7
- 238000000034 method Methods 0.000 description 30
- 230000006870 function Effects 0.000 description 14
- 238000010586 diagram Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 230000006872 improvement Effects 0.000 description 7
- 230000008439 repair process Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
Abstract
本发明公开了一种冷却塔智慧运维平台,该冷却塔智慧运维平台包括数据获取模块、数据储存模块、数据预测模块、维修安排模块、通知模块,可以用于对冷却塔的工作参数和传感数据进行获取和处理,并预测出可能存在故障和制定出合理的维修策略。可见,本发明能够通过数据获取和传感监控来全面对冷却塔进行故障监控和预测,并根据数据算法来确定出维修策略,从而能够实现对冷却塔的有效故障监控,降低故障率,并在出现故障时提高维修效率。
Description
技术领域
本发明涉及监控数据处理技术领域,尤其涉及一种冷却塔智慧运维平台。
背景技术
随着智能制造工业的发展,越来越多的大功率工业设备被应用在工业生产中,因此,也有越来越多的冷却塔设备被用于对工业设备进行降温冷却,由于工业设备发热问题的愈发严重,如何更智能化地管理冷却塔设备也成为了重要的议题。
但现有技术中,对冷却塔的运维工作,一般仅是通过人工控制和巡查进行运维,或是通过简单的数据规则来做异常判断,没有充分利用传感数据处理的思路来提高运维效果,可见现有技术存在缺陷,亟待解决。
发明内容
本发明所要解决的技术问题在于,提供一种冷却塔智慧运维平台,能够实现对冷却塔的有效故障监控,降低故障率,并在出现故障时提高维修效率。
为了解决上述技术问题,本发明公开了一种冷却塔智慧运维平台,所述平台包括:
数据获取模块,用于获取多个冷却塔中的冷却设备在工作时的工作参数,以及获取设置在所述冷却塔所在的工作区域内的多个传感器获取的多个传感数据;
数据储存模块,用于将所述工作参数和所述传感数据发送至云端的数据库进行保存;
数据预测模块,用于根据当前时间段获取的所述工作参数和所述传感数据,基于预测算法模型,预测任一所述冷却塔对应的可能发生故障信息;
维修安排模块,用于根据目标区域内的多个冷却塔的所述可能发生故障信息,分析出所述目标区域内的待维修冷却塔以及维修策略;
通知模块,用于根据所述维修策略,通过云端信息发送维修指令传输到所述待维修冷却塔的工作人员的手机端,以通知所述工作人员进行维修。
在一个可选的实施方式中,所述工作参数包括风机转速参数、风机功率参数、制冷设备功率参数、抽水电机功率参数中的至少一种;和/或,所述传感数据包括水流量数据、水质数据、区域图像数据、区域空气质量数据、区域温度数据、区域湿度数据、区域工作人员打卡数据中的至少一种。
在一个可选的实施方式中,所述数据储存模块包括:
数据绑定单元,用于将所述工作参数和所述传感数据,与对应的所述冷却塔或冷却设备建立绑定关系;
数据发送单元,用于将建立了绑定关系的数据发送至云端的数据库进行保存。
在一个可选的实施方式中,所述数据绑定单元具体执行以下步骤以建立绑定关系:
对于任一所述工作参数,确定该工作参数的来源所对应的冷却塔和冷却设备,并进行绑定;
对于任一所述传感数据,确定该传感数据的来源传感设备所处的设备位置;
计算该设备位置与任一所述冷却塔或所述冷却设备所在的区域的几何中心点的距离,并确定出距离最短的所述冷却塔或所述冷却设备,和该传感数据进行绑定。
在一个可选的实施方式中,所述数据预测模块包括:
参数筛选单元,用于根据任一所述冷却塔对应的每一所述工作参数对应的历史危险信息以及冷却设备信息,从所有所述工作参数中筛选出该冷却塔对应的至少一个待预测数据集合;所述待预测数据集合中包括至少两个属于强风险强相关类型的所述工作参数;
模型预测单元,用于根据所述待预测数据集合,以及神经网络预测算法,预测任一所述冷却塔对应的可能发生故障信息。
在一个可选的实施方式中,所述参数筛选单元通过执行以下步骤以确定出所述待预测数据集合:
对于任一所述冷却塔,获取该冷却塔对应的所有工作参数;
对于每一所述工作参数,获取该工作参数对应的在多个历史时间点的历史参数值;
在数据库中查询出该冷却塔在所述多个历史时间点对应的是否存在工作异常信息,以确定出该冷却塔工作异常的至少两个异常历史时间点;
计算所述至少两个异常历史时间点对应的该工作参数的所述历史参数值之间的异常相似度;
根据所述异常相似度从大到小对所有所述工作参数进行排序,得到第一参数序列;
对于任意多个所述工作参数,确定该多个工作参数对应的冷却设备;
计算该多个工作参数分别对应的所述冷却设备的位置之间的距离平均值;
根据所述距离平均值从大到小对所有所述工作参数进行排序,得到第二参数序列;
将同时存在于所述第一参数序列和所述第二参数序列的前预设数量位内的所述工作参数,确定为该冷却塔对应的一个所述待预测数据集合。
在一个可选的实施方式中,所述异常相似度为数值相似度、平均值相似度和数据变化相似度的加权求和值;其中,所述数据变化相似度的权重大于所述平均值相似度的权重,所述平均值相似度的权重大于所述数值相似度的权重;所述数据变化相似度为两个所述异常历史时间点的与相邻的在先和在后的时间点的所述历史参数值之间的数据变化值之间的相似度;所述平均值相似度为两个所述异常历史时间点的所在的前后预设时间长度区间中的所有历史时间点的所述历史参数值的平均值之间的相似度。
在一个可选的实施方式中,所述数据预测模块,具体用于执行以下步骤:
将任一所述冷却塔对应的所述待预测数据集合中的每一所述工作参数输入至该冷却塔对应的预先训练好的神经网络预测模型中,以得到每一所述工作参数对应的发生故障预测概率;所述神经网络预测模型通过包括有该冷却塔对应的多个训练工作参数和对应的发生故障标注的训练数据集训练得到;
计算所有所述工作参数对应的发生故障预测概率的概率平均值,以得到该冷却塔对应的可能发生故障信息。
在一个可选的实施方式中,所述维修安排模块用于执行以下步骤:
获取所述目标区域内的多个冷却塔的所述可能发生故障信息;
根据所述可能发生故障信息从大到小,对所述目标区域内的多个冷却塔进行排序以得到冷却塔序列;
基于动态规划算法,根据所述冷却塔序列,分析出所述目标区域内的待维修冷却塔以及维修顺序。
在一个可选的实施方式中,所述维修安排模块基于动态规划算法,根据所述冷却塔序列,分析出所述目标区域内的待维修冷却塔以及维修顺序的具体步骤包括:
将所述冷却塔序列的前预设数量个冷却塔确定为待维修冷却塔;
获取所述目标区域内的冷却塔通行路线;
确定目标函数包括:维修链条中所有所述待维修冷却塔的所述可能发生故障信息与对应的链条位置的乘积之和达到最小;所述链条位置为所述待维修冷却塔在所述维修链条中的维修位次;所述维修链条中的所有待维修冷却塔的位置所连接组成的位置路线最短;所述维修链条由所有所述待维修冷却塔依照特定顺序组成;
确定限制条件包括:所述维修链条中相邻的所述待维修冷却塔可以通过所述冷却塔通行路线进行通行;
根据所述目标函数和所述限制条件,基于粒子群算法进行演算,以得到最优的所述维修链条的演算结果,以确定出所有所述待维修冷却塔对应的维修顺序。
与现有技术相比,本发明具有以下有益效果:
本发明能够通过数据获取和传感监控来全面对冷却塔进行故障监控和预测,并根据数据算法来确定出维修策略,从而能够实现对冷却塔的有效故障监控,降低故障率,并在出现故障时提高维修效率。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述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是本发明实施例公开的一种冷却塔智慧运维平台的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明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发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或模块的过程、方法、装置、产品或端没有限定于已列出的步骤或模块,而是可选地还包括没有列出的步骤或模块,或可选地还包括对于这些过程、方法、产品或端固有的其他步骤或模块。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
具体的,请参阅图1,图1是本发明实施例公开的一种冷却塔智慧运维平台的结构示意图。如图1所示,该冷却塔智慧运维平台至少包括数据获取模块101、数据储存模块102、数据预测模块103、维修安排模块104、通知模块105。
具体的,数据获取模块101,用于获取多个冷却塔中的冷却设备在工作时的工作参数,以及获取设置在冷却塔所在的工作区域内的多个传感器获取的多个传感数据。在一个可选的实施例中,工作参数包括风机转速参数、风机功率参数、制冷设备功率参数、抽水电机功率参数中的至少一种。在一个可选的实施例中,传感数据包括水流量数据、水质数据、区域图像数据、区域空气质量数据、区域温度数据、区域湿度数据、区域工作人员打卡数据中的至少一种。
可选的,工作区域可以包括有冷却塔所作用的机组设施还有冷却塔所处的机房区域。
数据储存模块102,用于将工作参数和传感数据发送至云端的数据库进行保存,可选的,后续可以通过对数据库进行通信以获取相应的数据进行分析。
数据预测模块103,用于根据当前时间段获取的工作参数和传感数据,基于预测算法模型,预测任一冷却塔对应的可能发生故障信息,可选的,数据预测模块103可以选择与云端的数据库进行通信以获取数据。
维修安排模块104,用于根据目标区域内的多个冷却塔的可能发生故障信息,分析出目标区域内的待维修冷却塔以及维修策略,可选的,维修策略可以包括维修的顺序和需要的维修的问题。
通知模块105,用于根据维修策略,通过云端信息发送维修指令传输到待维修冷却塔的工作人员的手机端,以通知工作人员进行维修。可选的,可以为工作人员配置可以连接至云端的终端手机设备或是软件,以用于发送维修指令以及安排维修人物。
在一个可选的实施例中,数据储存模块102包括:
数据绑定单元,用于将工作参数和传感数据,与对应的冷却塔或冷却设备建立绑定关系;
数据发送单元,用于将建立了绑定关系的数据发送至云端的数据库进行保存。
通过上述设置可以将工作参数和传感数据和冷却塔或设备进行绑定,以便于后续利用绑定关系来筛选数据或是挑选数据进行运算分析,也提高了后续的数据处理的效率。
在一个可选的实施例中,数据绑定单元具体执行以下步骤以建立绑定关系:
对于任一工作参数,确定该工作参数的来源所对应的冷却塔和冷却设备,并进行绑定;
对于任一传感数据,确定该传感数据的来源传感设备所处的设备位置;
计算该设备位置与任一冷却塔或冷却设备所在的区域的几何中心点的距离,并确定出距离最短的冷却塔或冷却设备,和该传感数据进行绑定。
通过上述设置,可以通过位置计算的方式,将特定传感数据与对应的冷却塔或冷却设备进行绑定,一定程度也将该传感数据所表征的传感信息与特定的冷却塔或冷却设备进行绑定,以用于后续的数据分析和计算。
在一个可选的实施例中,数据预测模块103包括:
参数筛选单元,用于根据任一冷却塔对应的每一工作参数对应的历史危险信息以及冷却设备信息,从所有工作参数中筛选出该冷却塔对应的至少一个待预测数据集合;待预测数据集合中包括至少两个属于强风险强相关类型的工作参数;
模型预测单元,用于根据待预测数据集合,以及神经网络预测算法,预测任一冷却塔对应的可能发生故障信息。
通过上述设置,可以在预测前,将强风险和强相关的工作参数进行筛选和挑选,用这些参数进行预测可以提高预测的准确率。
在一个可选的实施例中,参数筛选单元通过执行以下步骤以确定出待预测数据集合:
对于任一冷却塔,获取该冷却塔对应的所有工作参数;
对于每一工作参数,获取该工作参数对应的在多个历史时间点的历史参数值;
在数据库中查询出该冷却塔在多个历史时间点对应的是否存在工作异常信息,以确定出该冷却塔工作异常的至少两个异常历史时间点;
计算至少两个异常历史时间点对应的该工作参数的历史参数值之间的异常相似度;
根据异常相似度从大到小对所有工作参数进行排序,得到第一参数序列;
对于任意多个工作参数,确定该多个工作参数对应的冷却设备;
计算该多个工作参数分别对应的冷却设备的位置之间的距离平均值;
根据距离平均值从大到小对所有工作参数进行排序,得到第二参数序列;
将同时存在于第一参数序列和第二参数序列的前预设数量位内的工作参数,确定为该冷却塔对应的一个待预测数据集合。
通过上述设置,可以充分考虑参数的历史异常相关度和冷却对象的位置距离来筛选参数数据,以充分筛选出强风险和强相关的数据来进行后续的数据预测。
在一个可选的实施例中,异常相似度为数值相似度、平均值相似度和数据变化相似度的加权求和值;其中,数据变化相似度的权重大于平均值相似度的权重,平均值相似度的权重大于数值相似度的权重;数据变化相似度为两个异常历史时间点的与相邻的在先和在后的时间点的历史参数值之间的数据变化值之间的相似度;平均值相似度为两个异常历史时间点的所在的前后预设时间长度区间中的所有历史时间点的历史参数值的平均值之间的相似度。
通过上述设置,可以更加合理地设置异常相似度,以使得其可以更好地体现数据之间的与异常相关的相似度信息,提高后续数据筛选的精确度。
在一个可选的实施例中,数据预测模块103,具体用于执行以下步骤:
将任一冷却塔对应的待预测数据集合中的每一工作参数输入至该冷却塔对应的预先训练好的神经网络预测模型中,以得到每一工作参数对应的发生故障预测概率;神经网络预测模型通过包括有该冷却塔对应的多个训练工作参数和对应的发生故障标注的训练数据集训练得到;
计算所有工作参数对应的发生故障预测概率的概率平均值,以得到该冷却塔对应的可能发生故障信息。
通过上述设置,可以有效利用神经网络预测模型对冷却塔的故障概率进行预测,并综合每一工作参数对应的预测结果来准确确定冷却塔的故障概率。
在一个可选的实施例中,维修安排模块104用于执行以下步骤:
获取目标区域内的多个冷却塔的可能发生故障信息;
根据可能发生故障信息从大到小,对目标区域内的多个冷却塔进行排序以得到冷却塔序列;
基于动态规划算法,根据冷却塔序列,分析出目标区域内的待维修冷却塔以及维修顺序。
通过上述设置,可以通过动态规划算法以及冷却塔的故障可能性,确定更合理的维修对象和维修顺序。
在一个可选的实施例中,维修安排模块104基于动态规划算法,根据冷却塔序列,分析出目标区域内的待维修冷却塔以及维修顺序的具体步骤包括:
将冷却塔序列的前预设数量个冷却塔确定为待维修冷却塔;
获取目标区域内的冷却塔通行路线;
确定目标函数包括:维修链条中所有待维修冷却塔的可能发生故障信息与对应的链条位置的乘积之和达到最小;链条位置为待维修冷却塔在维修链条中的维修位次;维修链条中的所有待维修冷却塔的位置所连接组成的位置路线最短;维修链条由所有待维修冷却塔依照特定顺序组成;
确定限制条件包括:维修链条中相邻的待维修冷却塔可以通过冷却塔通行路线进行通行;
根据目标函数和限制条件,基于粒子群算法进行演算,以得到最优的维修链条的演算结果,以确定出所有待维修冷却塔对应的维修顺序。
通过上述设置,可以通过合理的目标函数和限制条件,通过粒子群算法来合理运算出维修顺序,可以有效提高维修效果和维修效率。
上述对本说明书特定实施例进行了描述,其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,附图中描绘的过程不一定必须按照示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置、设备、非易失性计算机可读存储介质实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本说明书实施例提供的装置、设备、非易失性计算机可读存储介质与方法是对应的,因此,装置、设备、非易失性计算机存储介质也具有与对应方法类似的有益技术效果,由于上面已经对方法的有益技术效果进行了详细说明,因此,这里不再赘述对应装置、设备、非易失性计算机存储介质的有益技术效果。
在20世纪90年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field ProgrammableGateArray, FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera HardwareDescriptionLanguage)、 Confluence、CUPL(Cornell University ProgrammingLanguage)、HDCal、JHDL (Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL (RubyHardware Description Language)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本说明书实施例可提供为方法、系统、或计算机程序产品。因此,本说明书实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本说明书实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书是参照根据本说明书实施例的方法、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。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置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。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供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步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器 (RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带式磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
最后应说明的是:本发明实施例公开的一种冷却塔智慧运维平台所揭露的仅为本发明较佳实施例而已,仅用于说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解;其依然可以对前述各项实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或替换,并不使相应的技术方案的本质脱离本发明各项实施例技术方案的精神和范围。
Claims (8)
1.一种冷却塔智慧运维平台,其特征在于,所述平台包括:
数据获取模块,用于获取多个冷却塔中的冷却设备在工作时的工作参数,以及获取设置在所述冷却塔所在的工作区域内的多个传感器获取的多个传感数据;
数据储存模块,用于将所述工作参数和所述传感数据发送至云端的数据库进行保存;
数据预测模块,用于根据当前时间段获取的所述工作参数和所述传感数据,基于预测算法模型,预测任一所述冷却塔对应的可能发生故障信息;所述数据预测模块包括:
参数筛选单元,用于根据任一所述冷却塔对应的每一所述工作参数对应的历史危险信息以及冷却设备信息,从所有所述工作参数中筛选出该冷却塔对应的至少一个待预测数据集合;所述待预测数据集合中包括至少两个属于强风险强相关类型的所述工作参数;
模型预测单元,用于根据所述待预测数据集合,以及神经网络预测算法,预测任一所述冷却塔对应的可能发生故障信息;
所述参数筛选单元通过执行以下步骤以确定出所述待预测数据集合:
对于任一所述冷却塔,获取该冷却塔对应的所有工作参数;
对于每一所述工作参数,获取该工作参数对应的在多个历史时间点的历史参数值;
在数据库中查询出该冷却塔在所述多个历史时间点对应的是否存在工作异常信息,以确定出该冷却塔工作异常的至少两个异常历史时间点;
计算所述至少两个异常历史时间点对应的该工作参数的所述历史参数值之间的异常相似度;
根据所述异常相似度从大到小对所有所述工作参数进行排序,得到第一参数序列;
对于任意多个所述工作参数,确定该多个工作参数对应的冷却设备;
计算该多个工作参数分别对应的所述冷却设备的位置之间的距离平均值;
根据所述距离平均值从大到小对所有所述工作参数进行排序,得到第二参数序列;
将同时存在于所述第一参数序列和所述第二参数序列的前预设数量位内的所述工作参数,确定为该冷却塔对应的一个所述待预测数据集合;维修安排模块,用于根据目标区域内的多个冷却塔的所述可能发生故障信息,分析出所述目标区域内的待维修冷却塔以及维修策略;
通知模块,用于根据所述维修策略,通过云端信息发送维修指令传输到所述待维修冷却塔的工作人员的手机端,以通知所述工作人员进行维修。
2.如权利要求1所述的一种冷却塔智慧运维平台,其特征在于:所述工作参数包括风机转速参数、风机功率参数、制冷设备功率参数、抽水电机功率参数中的至少一种;和/或,所述传感数据包括水流量数据、水质数据、区域图像数据、区域空气质量数据、区域温度数据、区域湿度数据、区域工作人员打卡数据中的至少一种。
3.根据权利要求1所述的冷却塔智慧运维平台,其特征在于,所述数据储存模块包括:
数据绑定单元,用于将所述工作参数和所述传感数据,与对应的所述冷却塔或冷却设备建立绑定关系;
数据发送单元,用于将建立了绑定关系的数据发送至云端的数据库进行保存。
4.根据权利要求3所述的冷却塔智慧运维平台,其特征在于,所述数据绑定单元具体执行以下步骤以建立绑定关系:
对于任一所述工作参数,确定该工作参数的来源所对应的冷却塔和冷却设备,并进行绑定;
对于任一所述传感数据,确定该传感数据的来源传感设备所处的设备位置;
计算该设备位置与任一所述冷却塔或所述冷却设备所在的区域的几何中心点的距离,并确定出距离最短的所述冷却塔或所述冷却设备,和该传感数据进行绑定。
5.根据权利要求1所述的冷却塔智慧运维平台,其特征在于,所述异常相似度为数值相似度、平均值相似度和数据变化相似度的加权求和值;其中,所述数据变化相似度的权重大于所述平均值相似度的权重,所述平均值相似度的权重大于所述数值相似度的权重;所述数据变化相似度为两个所述异常历史时间点的与相邻的在先和在后的时间点的所述历史参数值之间的数据变化值之间的相似度;所述平均值相似度为两个所述异常历史时间点的所在的前后预设时间长度区间中的所有历史时间点的所述历史参数值的平均值之间的相似度。
6.根据权利要求5所述的冷却塔智慧运维平台,其特征在于,所述数据预测模块,具体用于执行以下步骤:
将任一所述冷却塔对应的所述待预测数据集合中的每一所述工作参数输入至该冷却塔对应的预先训练好的神经网络预测模型中,以得到每一所述工作参数对应的发生故障预测概率;所述神经网络预测模型通过包括有该冷却塔对应的多个训练工作参数和对应的发生故障标注的训练数据集训练得到;
计算所有所述工作参数对应的发生故障预测概率的概率平均值,以得到该冷却塔对应的可能发生故障信息。
7.根据权利要求1所述的冷却塔智慧运维平台,其特征在于,所述维修安排模块用于执行以下步骤:
获取所述目标区域内的多个冷却塔的所述可能发生故障信息;
根据所述可能发生故障信息从大到小,对所述目标区域内的多个冷却塔进行排序以得到冷却塔序列;
基于动态规划算法,根据所述冷却塔序列,分析出所述目标区域内的待维修冷却塔以及维修顺序。
8.根据权利要求7所述的冷却塔智慧运维平台,其特征在于,所述维修安排模块基于动态规划算法,根据所述冷却塔序列,分析出所述目标区域内的待维修冷却塔以及维修顺序的具体步骤包括:
将所述冷却塔序列的前预设数量个冷却塔确定为待维修冷却塔;
获取所述目标区域内的冷却塔通行路线;
确定目标函数包括:维修链条中所有所述待维修冷却塔的所述可能发生故障信息与对应的链条位置的乘积之和达到最小;所述链条位置为所述待维修冷却塔在所述维修链条中的维修位次;所述维修链条中的所有待维修冷却塔的位置所连接组成的位置路线最短;所述维修链条由所有所述待维修冷却塔依照特定顺序组成;
确定限制条件包括:所述维修链条中相邻的所述待维修冷却塔可以通过所述冷却塔通行路线进行通行;
根据所述目标函数和所述限制条件,基于粒子群算法进行演算,以得到最优的所述维修链条的演算结果,以确定出所有所述待维修冷却塔对应的维修顺序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310407345.8A CN116579762B (zh) | 2023-04-14 | 2023-04-14 | 一种冷却塔智慧运维平台 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310407345.8A CN116579762B (zh) | 2023-04-14 | 2023-04-14 | 一种冷却塔智慧运维平台 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116579762A CN116579762A (zh) | 2023-08-11 |
CN116579762B true CN116579762B (zh) | 2023-10-20 |
Family
ID=87544431
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310407345.8A Active CN116579762B (zh) | 2023-04-14 | 2023-04-14 | 一种冷却塔智慧运维平台 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116579762B (zh) |
Citations (39)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104570973A (zh) * | 2013-10-18 | 2015-04-29 | 广州邦讯信息系统有限公司 | 一种企业能源管理方法及装置 |
CN104713411A (zh) * | 2015-03-13 | 2015-06-17 | 芜湖凯博实业股份有限公司 | 冷却塔集水盘故障监测系统及其方法 |
CN104714537A (zh) * | 2015-01-10 | 2015-06-17 | 浙江大学 | 一种基于联合相对变化分析和自回归模型的故障预测方法 |
EP3129326A1 (en) * | 2014-04-09 | 2017-02-15 | NCH Corporation | System and method for detecting biofilm growth in water systems |
CN106949056A (zh) * | 2017-05-02 | 2017-07-14 | 辽宁工程技术大学 | 一种压风机运行状态感知及故障预测系统及方法 |
CN107783071A (zh) * | 2017-10-23 | 2018-03-09 | 盐城工学院 | 传感器故障监控方法及装置 |
CN108304941A (zh) * | 2017-12-18 | 2018-07-20 | 中国软件与技术服务股份有限公司 | 一种基于机器学习的故障预测方法 |
CN108303262A (zh) * | 2018-01-19 | 2018-07-20 | 南京世界村汽车动力有限公司 | 一种汽车发动机在线监测与故障诊断系统 |
CN108508863A (zh) * | 2017-10-12 | 2018-09-07 | 上海智容睿盛智能科技有限公司 | 一种基于灰色模型的机电设备故障诊断方法 |
CN108710958A (zh) * | 2018-05-16 | 2018-10-26 | 北京旋极信息技术股份有限公司 | 一种预测健康管理方法及装置、计算机可读存储介质 |
CN108921303A (zh) * | 2018-05-29 | 2018-11-30 | 青岛鹏海软件有限公司 | 工业电动机的故障诊断及预测性维护方法 |
CN108931619A (zh) * | 2018-08-28 | 2018-12-04 | 大唐(北京)水务工程技术有限公司 | 一种火电厂废水处理设备寿命预测方法及装置 |
CN109001649A (zh) * | 2018-07-21 | 2018-12-14 | 成都光电传感技术研究所有限公司 | 一种电源智能诊断系统及保护方法 |
CN109028447A (zh) * | 2018-07-05 | 2018-12-18 | 上海立威能节能环保技术有限公司 | 一种基于云计算的空调制冷机房智能控制系统以及控制方法 |
CN109286459A (zh) * | 2017-07-21 | 2019-01-29 | 北京智云芯科技有限公司 | 一种时间同步方法和系统 |
CN109308519A (zh) * | 2018-09-29 | 2019-02-05 | 广州博通信息技术有限公司 | 一种基于神经网络的制冷设备故障预测方法 |
CN109444728A (zh) * | 2018-09-21 | 2019-03-08 | 国网河南省电力公司济源供电公司 | 一种基于动态加权混合聚类算法的断路器故障诊断方法 |
CN109579224A (zh) * | 2018-11-26 | 2019-04-05 | 瑞森(广州)科技发展有限公司 | 一种中央空调云监控系统及其控制方法 |
CN109579220A (zh) * | 2018-10-15 | 2019-04-05 | 平安科技(深圳)有限公司 | 空调系统故障检测方法、装置、电子设备 |
CN109871862A (zh) * | 2018-12-28 | 2019-06-11 | 北京航天测控技术有限公司 | 一种基于合成少数类过采样和深度学习的故障预测方法 |
CN109921846A (zh) * | 2019-03-13 | 2019-06-21 | 国家电网有限公司 | 基于历史数据的光纤故障检测方法 |
CN110166549A (zh) * | 2019-04-29 | 2019-08-23 | 大连斯频德环境设备有限公司 | 一种远程实时监测冷却塔运行状态的装置 |
CN110220274A (zh) * | 2019-04-19 | 2019-09-10 | 广州丹德自动化科技有限公司 | 一种智能控制通风空调和冷冻冷藏的方法及系统 |
CN110245053A (zh) * | 2019-06-20 | 2019-09-17 | 中国工商银行股份有限公司 | 故障预测诊断方法及系统 |
CN110492186A (zh) * | 2019-07-02 | 2019-11-22 | 北京航空航天大学 | 一种基于云端控制技术的动力电池模组的管理方法 |
CN110569997A (zh) * | 2019-09-16 | 2019-12-13 | 国网江苏省电力有限公司苏州供电分公司 | 一种基于多维度数据体系的充电站运行维护方法 |
CN110715814A (zh) * | 2019-09-29 | 2020-01-21 | 江苏华复保利环保科技有限公司 | 一种开式冷却塔在线综合诊断系统及方法 |
CN110729813A (zh) * | 2019-09-04 | 2020-01-24 | 正泰电气股份有限公司 | 变电站智能运维和全生命周期管理方法及上云管理平台 |
CN110930052A (zh) * | 2019-12-02 | 2020-03-27 | 国网山东省电力公司高密市供电公司 | 一种变电设备故障率预测方法,系统,设备及可读存储介质 |
CN111047121A (zh) * | 2020-03-17 | 2020-04-21 | 浙江上风高科专风实业有限公司 | 一种风机故障预测方法及系统 |
CN112329959A (zh) * | 2020-12-01 | 2021-02-05 | 西安交通大学 | 一种热力设备智能运维系统及方法 |
CN112492856A (zh) * | 2020-12-11 | 2021-03-12 | 南京佳力图机房环境技术股份有限公司 | 一种基于物联网的数据机房空调系统及其智能控制系统 |
CN112832565A (zh) * | 2020-11-30 | 2021-05-25 | 深圳市豪斯特力科技有限公司 | 一种装配式无人值守智慧环控机房 |
CN113028525A (zh) * | 2021-04-07 | 2021-06-25 | 山东金孚瑞热能科技集团有限公司 | 一种智慧型综合能源站 |
CN113886119A (zh) * | 2021-09-27 | 2022-01-04 | 北京三快在线科技有限公司 | 一种故障修复的方法及装置 |
CN114065510A (zh) * | 2021-11-15 | 2022-02-18 | 国能国华(北京)燃气热电有限公司 | 冷却塔风机的故障预警方法、装置及电子设备 |
CN114866608A (zh) * | 2022-07-07 | 2022-08-05 | 广东青藤环境科技有限公司 | 智慧水务数据处理平台 |
CN114862288A (zh) * | 2022-07-06 | 2022-08-05 | 广东青藤环境科技有限公司 | 智慧水务二次加压管理系统 |
CN114880733A (zh) * | 2022-07-05 | 2022-08-09 | 广东青藤环境科技有限公司 | 智慧水务水力模型数据处理方法及装置 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110314331A1 (en) * | 2009-10-29 | 2011-12-22 | Cybernet Systems Corporation | Automated test and repair method and apparatus applicable to complex, distributed systems |
KR20150122167A (ko) * | 2013-03-01 | 2015-10-30 | 7에이씨 테크놀로지스, 아이엔씨. | 흡습제 공기 조화 방법 및 시스템 |
US10623509B2 (en) * | 2016-07-28 | 2020-04-14 | Accenture Global Solutions Limited | Intelligent maintenance and repair of user properties |
-
2023
- 2023-04-14 CN CN202310407345.8A patent/CN116579762B/zh active Active
Patent Citations (39)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104570973A (zh) * | 2013-10-18 | 2015-04-29 | 广州邦讯信息系统有限公司 | 一种企业能源管理方法及装置 |
EP3129326A1 (en) * | 2014-04-09 | 2017-02-15 | NCH Corporation | System and method for detecting biofilm growth in water systems |
CN104714537A (zh) * | 2015-01-10 | 2015-06-17 | 浙江大学 | 一种基于联合相对变化分析和自回归模型的故障预测方法 |
CN104713411A (zh) * | 2015-03-13 | 2015-06-17 | 芜湖凯博实业股份有限公司 | 冷却塔集水盘故障监测系统及其方法 |
CN106949056A (zh) * | 2017-05-02 | 2017-07-14 | 辽宁工程技术大学 | 一种压风机运行状态感知及故障预测系统及方法 |
CN109286459A (zh) * | 2017-07-21 | 2019-01-29 | 北京智云芯科技有限公司 | 一种时间同步方法和系统 |
CN108508863A (zh) * | 2017-10-12 | 2018-09-07 | 上海智容睿盛智能科技有限公司 | 一种基于灰色模型的机电设备故障诊断方法 |
CN107783071A (zh) * | 2017-10-23 | 2018-03-09 | 盐城工学院 | 传感器故障监控方法及装置 |
CN108304941A (zh) * | 2017-12-18 | 2018-07-20 | 中国软件与技术服务股份有限公司 | 一种基于机器学习的故障预测方法 |
CN108303262A (zh) * | 2018-01-19 | 2018-07-20 | 南京世界村汽车动力有限公司 | 一种汽车发动机在线监测与故障诊断系统 |
CN108710958A (zh) * | 2018-05-16 | 2018-10-26 | 北京旋极信息技术股份有限公司 | 一种预测健康管理方法及装置、计算机可读存储介质 |
CN108921303A (zh) * | 2018-05-29 | 2018-11-30 | 青岛鹏海软件有限公司 | 工业电动机的故障诊断及预测性维护方法 |
CN109028447A (zh) * | 2018-07-05 | 2018-12-18 | 上海立威能节能环保技术有限公司 | 一种基于云计算的空调制冷机房智能控制系统以及控制方法 |
CN109001649A (zh) * | 2018-07-21 | 2018-12-14 | 成都光电传感技术研究所有限公司 | 一种电源智能诊断系统及保护方法 |
CN108931619A (zh) * | 2018-08-28 | 2018-12-04 | 大唐(北京)水务工程技术有限公司 | 一种火电厂废水处理设备寿命预测方法及装置 |
CN109444728A (zh) * | 2018-09-21 | 2019-03-08 | 国网河南省电力公司济源供电公司 | 一种基于动态加权混合聚类算法的断路器故障诊断方法 |
CN109308519A (zh) * | 2018-09-29 | 2019-02-05 | 广州博通信息技术有限公司 | 一种基于神经网络的制冷设备故障预测方法 |
CN109579220A (zh) * | 2018-10-15 | 2019-04-05 | 平安科技(深圳)有限公司 | 空调系统故障检测方法、装置、电子设备 |
CN109579224A (zh) * | 2018-11-26 | 2019-04-05 | 瑞森(广州)科技发展有限公司 | 一种中央空调云监控系统及其控制方法 |
CN109871862A (zh) * | 2018-12-28 | 2019-06-11 | 北京航天测控技术有限公司 | 一种基于合成少数类过采样和深度学习的故障预测方法 |
CN109921846A (zh) * | 2019-03-13 | 2019-06-21 | 国家电网有限公司 | 基于历史数据的光纤故障检测方法 |
CN110220274A (zh) * | 2019-04-19 | 2019-09-10 | 广州丹德自动化科技有限公司 | 一种智能控制通风空调和冷冻冷藏的方法及系统 |
CN110166549A (zh) * | 2019-04-29 | 2019-08-23 | 大连斯频德环境设备有限公司 | 一种远程实时监测冷却塔运行状态的装置 |
CN110245053A (zh) * | 2019-06-20 | 2019-09-17 | 中国工商银行股份有限公司 | 故障预测诊断方法及系统 |
CN110492186A (zh) * | 2019-07-02 | 2019-11-22 | 北京航空航天大学 | 一种基于云端控制技术的动力电池模组的管理方法 |
CN110729813A (zh) * | 2019-09-04 | 2020-01-24 | 正泰电气股份有限公司 | 变电站智能运维和全生命周期管理方法及上云管理平台 |
CN110569997A (zh) * | 2019-09-16 | 2019-12-13 | 国网江苏省电力有限公司苏州供电分公司 | 一种基于多维度数据体系的充电站运行维护方法 |
CN110715814A (zh) * | 2019-09-29 | 2020-01-21 | 江苏华复保利环保科技有限公司 | 一种开式冷却塔在线综合诊断系统及方法 |
CN110930052A (zh) * | 2019-12-02 | 2020-03-27 | 国网山东省电力公司高密市供电公司 | 一种变电设备故障率预测方法,系统,设备及可读存储介质 |
CN111047121A (zh) * | 2020-03-17 | 2020-04-21 | 浙江上风高科专风实业有限公司 | 一种风机故障预测方法及系统 |
CN112832565A (zh) * | 2020-11-30 | 2021-05-25 | 深圳市豪斯特力科技有限公司 | 一种装配式无人值守智慧环控机房 |
CN112329959A (zh) * | 2020-12-01 | 2021-02-05 | 西安交通大学 | 一种热力设备智能运维系统及方法 |
CN112492856A (zh) * | 2020-12-11 | 2021-03-12 | 南京佳力图机房环境技术股份有限公司 | 一种基于物联网的数据机房空调系统及其智能控制系统 |
CN113028525A (zh) * | 2021-04-07 | 2021-06-25 | 山东金孚瑞热能科技集团有限公司 | 一种智慧型综合能源站 |
CN113886119A (zh) * | 2021-09-27 | 2022-01-04 | 北京三快在线科技有限公司 | 一种故障修复的方法及装置 |
CN114065510A (zh) * | 2021-11-15 | 2022-02-18 | 国能国华(北京)燃气热电有限公司 | 冷却塔风机的故障预警方法、装置及电子设备 |
CN114880733A (zh) * | 2022-07-05 | 2022-08-09 | 广东青藤环境科技有限公司 | 智慧水务水力模型数据处理方法及装置 |
CN114862288A (zh) * | 2022-07-06 | 2022-08-05 | 广东青藤环境科技有限公司 | 智慧水务二次加压管理系统 |
CN114866608A (zh) * | 2022-07-07 | 2022-08-05 | 广东青藤环境科技有限公司 | 智慧水务数据处理平台 |
Also Published As
Publication number | Publication date |
---|---|
CN116579762A (zh) | 2023-08-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110245047B (zh) | 时间序列异常检测方法、装置及设备 | |
CN114862288B (zh) | 智慧水务二次加压管理系统 | |
CN110262937B (zh) | 一种指标异常原因的识别方法及装置 | |
US11422529B1 (en) | Monitoring system for use in industrial operations | |
CN110032480B (zh) | 一种服务器异常检测方法、装置及设备 | |
CN112097365A (zh) | 基于预测和分类模型的空调故障检测与辩识方法及装置 | |
CN114880733B (zh) | 智慧水务水力模型数据处理方法及装置 | |
CN108984376B (zh) | 一种系统异常检测方法、装置及设备 | |
US20220121164A1 (en) | Control apparatus, controller, control system, control method, and computer-readable medium having recorded thereon control program | |
EP3904987B1 (en) | Control support apparatus, control support method, control support program, computer readable medium with control support program recorded thereon and control system | |
CN111191838A (zh) | 一种集成人工智能算法的工业设备状态管控方法和装置 | |
Vu et al. | Data driven chiller plant energy optimization with domain knowledge | |
CN116823521B (zh) | 基于ai算法的智能二次供水终端控制系统 | |
Ramesh et al. | Implementation of predictive maintenance systems in remotely located process plants under industry 4.0 scenario | |
CN116579762B (zh) | 一种冷却塔智慧运维平台 | |
CN115115190A (zh) | 一种基于工况的质量监控方法及相关装置和程序介质产品 | |
CN116611006B (zh) | 基于用户反馈的电水壶的故障识别方法及装置 | |
CN116521350B (zh) | 基于深度学习算法的etl调度方法及装置 | |
CN117370034A (zh) | 一种算力调度系统评估方法、装置、存储介质及电子设备 | |
CN116379832B (zh) | 一种冷却塔智慧控制系统 | |
CN116482460A (zh) | 电网设备故障诊断方法及相关设备 | |
CN116699998B (zh) | 基于ai算法的无人值守加压站控制系统 | |
CN116760871B (zh) | 基于多协议协同的智慧表务管理系统 | |
CN110874652B (zh) | 一种设备状态评价方法、装置、设备及系统 | |
CN116304947A (zh) | 业务处理方法、装置及电子设备 |
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 |