CN116629843A - 智能化柴油发电机组的远程预警与维护决策支持系统 - Google Patents
智能化柴油发电机组的远程预警与维护决策支持系统 Download PDFInfo
- Publication number
- CN116629843A CN116629843A CN202310911471.7A CN202310911471A CN116629843A CN 116629843 A CN116629843 A CN 116629843A CN 202310911471 A CN202310911471 A CN 202310911471A CN 116629843 A CN116629843 A CN 116629843A
- Authority
- CN
- China
- Prior art keywords
- sub
- early warning
- data
- value
- chain
- 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
- 238000012423 maintenance Methods 0.000 title claims abstract description 53
- 238000004364 calculation method Methods 0.000 claims abstract description 39
- 238000007621 cluster analysis Methods 0.000 claims abstract description 9
- 238000000034 method Methods 0.000 claims description 54
- 239000000446 fuel Substances 0.000 claims description 24
- 239000013598 vector Substances 0.000 claims description 22
- 238000001816 cooling Methods 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 12
- 239000002826 coolant Substances 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 6
- 230000007704 transition Effects 0.000 claims description 5
- 238000013480 data collection Methods 0.000 claims description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 abstract description 12
- 230000006870 function Effects 0.000 description 14
- 230000008569 process Effects 0.000 description 12
- 238000012545 processing Methods 0.000 description 11
- 238000000354 decomposition reaction Methods 0.000 description 9
- 238000001914 filtration Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 5
- 238000007405 data analysis Methods 0.000 description 5
- 239000000284 extract Substances 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 238000007689 inspection Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000013178 mathematical model Methods 0.000 description 3
- 239000003921 oil Substances 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 230000001934 delay Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005461 lubrication Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000010420 art technique Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000013144 data compression Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 239000010705 motor oil Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000012421 spiking Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training 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
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
- F02B—INTERNAL-COMBUSTION PISTON ENGINES; COMBUSTION ENGINES IN GENERAL
- F02B63/00—Adaptations of engines for driving pumps, hand-held tools or electric generators; Portable combinations of engines with engine-driven devices
- F02B63/04—Adaptations of engines for driving pumps, hand-held tools or electric generators; Portable combinations of engines with engine-driven devices for electric generators
- F02B63/042—Rotating electric generators
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
- F02B—INTERNAL-COMBUSTION PISTON ENGINES; COMBUSTION ENGINES IN GENERAL
- F02B77/00—Component parts, details or accessories, not otherwise provided for
- F02B77/08—Safety, indicating, or supervising devices
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/29—Graphical models, e.g. Bayesian networks
- G06F18/295—Markov models or related models, e.g. semi-Markov models; Markov random fields; Networks embedding Markov models
-
- 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)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Mechanical Engineering (AREA)
- Combustion & Propulsion (AREA)
- Chemical & Material Sciences (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明属于发电机管理技术领域，具体涉及智能化柴油发电机组的远程预警与维护决策支持系统。所述系统包括：链式数据采集单元，配置用于将柴油发电机组划分为多个子部分，依照设定的顺序不间断地循环在子部分中采集数据；链值计算单元，配置用于基于每个子部分数据，计算出子部分对应的一个链值；链式预警单元，配置用于将每个链值按照设定的顺序代入到预设的基于马尔科夫链建立的链式预警模型中，计算出预警值；维护决策单元，配置用于当链式预警单元发出预警信号时，分别对每个子部分数据进行基于分散中心的聚类分析，以定位需要进行维护的子部分。本发明实现对柴油发电机组的实时监测、预警和维护决策，提高设备的可靠性、可用性和维护效率。
Description
技术领域
本发明属于发电机管理技术领域，具体涉及智能化柴油发电机组的远程预警与维护决策支持系统。
背景技术
在现代社会中，柴油发电机组被广泛应用于各种场合，如工厂、商业建筑、医院和居民区等，为人们的生产和生活提供稳定的电力供应。然而，由于柴油发电机组的长期运行和复杂性，存在着各种故障和问题，这些问题可能导致设备的损坏、停机时间的延长和生产效率的降低，给用户带来不便和经济损失。
为了及时发现和解决柴油发电机组的故障和问题，提高设备的可靠性和可用性，许多研究和技术已经被提出和应用。其中一些技术包括传感器监测、远程监控和故障诊断系统等。这些技术通常通过采集柴油发电机组的各种参数和信号数据，并进行实时监测、数据分析和故障诊断，以实现对设备状态的监测、故障预测和维护决策支持。
传统的柴油发电机组监测和维护方法主要依赖于人工巡检和定期维护，这种方法存在以下问题：首先，人工巡检周期长，难以发现潜在的故障和问题。其次，人工巡检受限于人力和时间，难以实时监测设备的状态变化。此外，人工巡检容易受到主观因素的影响，存在诊断误差和判断不准确的风险。因此，为了提高柴油发电机组的监测效率和准确性，迫切需要一种智能化的远程预警与维护决策支持系统。
已有的技术中，一些研究基于数据采集和分析，通过建立数学模型和算法来实现对柴油发电机组的故障预测和维护决策。例如，某些研究使用机器学习算法，将大量的历史数据作为训练样本，构建模型来预测柴油发电机组的故障和性能变化。然而，这种方法往往需要大量的标记数据和复杂的模型构建过程，且在处理复杂多变的工况和故障模式时可能存在一定的局限性。
另外，一些技术使用传感器和监测设备来实时采集柴油发电机组的实时数据，通过远程监控和数据分析进行故障诊断和维护决策。这些技术可以提供实时的设备状态信息，并通过对数据进行分析和模式识别来判断设备是否存在故障和异常。然而，这些方法通常只关注某个特定的参数或信号，难以全面评估柴油发电机组的整体状态，并且缺乏对多个子部分之间关联性的考虑。
此外，一些已有技术在预测和维护决策方面使用了统计分析和模型建立的方法。通过对历史数据进行统计分析，提取特征并建立数学模型，可以预测柴油发电机组的故障概率和剩余寿命。然而，这种方法往往需要大量的历史数据和复杂的模型计算，且对于复杂的多变工况和故障模式可能存在一定的局限性。
发明内容
本发明的主要目的在于提供智能化柴油发电机组的远程预警与维护决策支持系统，实现对柴油发电机组的实时监测、预警和维护决策，提高设备的可靠性、可用性和维护效率。
为解决上述技术问题，本发明提供智能化柴油发电机组的远程预警与维护决策支持系统，包括：链式数据采集单元，配置用于将柴油发电机组划分为多个子部分，设定顺序和时间周期，在设定的时间周期范围内，依照设定的顺序不间断地循环在子部分中采集数据，得到多个子部分数据；链值计算单元，配置用于基于每个子部分数据，计算出子部分对应的一个链值；链式预警单元，配置用于将每个链值按照设定的顺序代入到预设的基于马尔科夫链建立的链式预警模型中，计算出预警值，将预警值与预设的第一阈值范围进行比较，以判断是否发出预警信号；维护决策单元，配置用于当链式预警单元发出预警信号时，分别对每个子部分数据进行基于分散中心的聚类分析，以定位需要进行维护的子部分，具体包括：采集柴油发电机组各个子部分在正常运行时的历史数据，基于每个子部分的历史数据进行聚类分析，生成子部分的历史数据的聚类中心；计算所有聚类中心的平均距离；计算每个子部分数据的聚类中心，计算子部分数据的聚类中心与除自身以外的其他子部分的历史数据的聚类中心的距离的平均值；再计算距离的平均值与平均距离的差异率，若差异率超过设定的第二阈值范围，则判断该子部分需要进行维护。
进一步的，所述链式数据采集单元，将柴油发电机组划分为发动机子部分、发电机子部分、燃油子部分、冷却子部分和排气子部分。
进一步的，所述链式数据采集单元采集到的发动机子部分的子部分数据包括：水温、油压、第一燃料消耗率和转速；所述链式数据采集单元采集到的发电机子部分的子部分数据包括：电流、频率、电压和功率因数；所述链式数据采集单元采集到的燃油子部分的子部分数据包括：第二燃油消耗率；所述链式数据采集单元采集到的冷却子部分的子部分数据包括：冷却剂温度和冷却剂消耗率；所述链式数据采集单元采集到的排气子部分的子部分数据包括：排气温度和排气速率。
进一步的，所述链值计算单元，基于每个子部分数据，计算出子部分对应的一个链值的方法包括：设子部分数据为：
，
其中是数据点的数量，与链式数据采集单元在设定的时间周期范围内采集子部分数据的次数相等；/>为同一时刻下采集到的子部分数据；使用离散小波变换将原始数据进行分解，得到子部分数据的近似系数和细节系数；假设得到的近似系数为/>，细节系数为：
，
其中是细节系数的层数；通过对细节系数进行统计特征提取，得到表示子部分数据特征的向量；假设提取的特征向量为：
，
其中是特征的数量；最后，将特征向量/>转换为链值。
进一步的，使用离散小波变换将原始数据进行分解，得到子部分数据的近似系数和细节系数的方法包括：定义低通滤波器系数和高通滤波器系数，其中/>是滤波器的长度；根据滤波器系数，得到近似系数/>和细节系数/>的计算公式如下：
；
其中，。
进一步的，所述通过对细节系数进行统计特征提取，得到表示子部分数据特征的向量的方法包括：针对中每个元素，计算其峰度，然后得到特征向量为/>；其中，/>为细节系数中每个元素的峰度；所述细节系数中每个元素的峰度使用如下公式计算：
；
其中，为峰度值，针对每个子部分数据，峰度表征了在该时刻下采集到的子部分数据的尖锐程度。
进一步的，所述将特征向量转换为链值的方法包括：计算特征向量/>的特征值，将特征值作为链值。
进一步的，所述链式预警单元，将每个链值按照设定的顺序代入到预设的基于马尔科夫链建立的链式预警模型中，计算出预警值，将预警值与预设的第一阈值范围进行比较，以判断是否发出预警信号的方法包括：假设有个链值，分别表示为/>，基于马尔科夫链建立链式预警模型；所述链式预警模型使用如下公式进行表示：
；
其中，表示第/>个预警值，/>表示前一个预警值；通过马尔科夫链的状态转移概率计算预警值，假设当前的链值为/>，则预警值的计算公式表示为：
；
其中，是预警值的计算函数，它根据当前链值/>和前一个预警值/>来计算当前的预警值/>；假设设定的第一阈值范围为/>，则判断发出预警信号的条件表示为：
。
进一步的，所述预警值的计算函数使用如下公式进行表示：
。
进一步的，所述设定的顺序为：按照从先到后，依次分别为：发动机子部分的链值、发电机子部分的链值、燃油子部分的链值、冷却子部分的链值和排气子部分的链值。
本发明的智能化柴油发电机组的远程预警与维护决策支持系统，具有以下有益效果：
首先，本发明采用链式数据采集单元，将柴油发电机组划分为发动机子部分、发电机子部分、燃油子部分、冷却子部分和排气子部分，并设定了处理顺序。这样的划分和顺序设定有助于确保数据的一致性、依赖关系的建立以及故障的快速定位。通过采集各个子部分的关键数据，可以全面了解发电机组的工作状态，为后续的预警和维护决策提供准确的数据基础。
其次，本发明的链值计算单元采用离散小波变换对子部分数据进行分解，得到近似系数和细节系数。然后，通过对细节系数进行统计特征提取，得到表示子部分数据特征的向量。最后，将特征向量转换为链值。这种基于离散小波变换和统计特征提取的方法，能够从原始数据中提取出更具代表性的特征，更好地反映发电机组的状态和性能。通过链值的计算，可以将复杂的数据转化为简洁的指标，方便后续的预警和维护决策分析。
第三，本发明的链式预警单元利用马尔科夫链建立链式预警模型，并将每个链值代入模型中计算预警值。预警值的计算过程考虑了当前链值和前一个预警值之间的关系，并根据预设的阈值范围判断是否发出预警信号。这样的预警机制能够及时监测发电机组的状态变化，预测可能出现的故障或异常情况，提前采取维护措施，避免发生严重故障，提高设备的可靠性和可用性。
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，下面将对实施例或现有技术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，还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的智能化柴油发电机组的远程预警与维护决策支持系统的系统结构示意图。
具体实施方式
下面结合附图及本发明的实施例对本发明的方法作进一步详细的说明。
实施例1：
智能化柴油发电机组的远程预警与维护决策支持系统，所述系统包括：链式数据采集单元，配置用于将柴油发电机组划分为多个子部分，设定顺序和时间周期，在设定的时间周期范围内，依照设定的顺序不间断地循环在子部分中采集数据，得到多个子部分数据；链值计算单元，配置用于基于每个子部分数据，计算出子部分对应的一个链值；链式预警单元，配置用于将每个链值按照设定的顺序代入到预设的基于马尔科夫链建立的链式预警模型中，计算出预警值，将预警值与预设的第一阈值范围进行比较，以判断是否发出预警信号；维护决策单元，配置用于当链式预警单元发出预警信号时，分别对每个子部分数据进行基于分散中心的聚类分析，以定位需要进行维护的子部分，具体包括：采集柴油发电机组各个子部分在正常运行时的历史数据，基于每个子部分的历史数据进行聚类分析，生成子部分的历史数据的聚类中心；计算所有聚类中心的平均距离；计算每个子部分数据的聚类中心，计算子部分数据的聚类中心与除自身以外的其他子部分的历史数据的聚类中心的距离的平均值；再计算距离的平均值与平均距离的差异率，若差异率超过设定的第二阈值范围，则判断该子部分需要进行维护。
具体的，链式数据采集单元将柴油发电机组划分为多个子部分，并设定顺序和时间周期。在每个时间周期内，按照设定的顺序循环采集每个子部分的数据。这种链式采集方式确保了所有子部分都能得到及时监测，避免漏测或重复采集的情况发生。
链值计算单元根据每个子部分的数据计算出相应的链值。链值是通过对子部分数据进行处理和分析得出的指标，用于表示该子部分的运行状态和性能。链式预警单元将每个子部分的链值按照设定的顺序代入预设的基于马尔科夫链建立的链式预警模型中。马尔科夫链是一种具有状态转移概率的数学模型，可以描述系统从一个状态转移到另一个状态的过程。通过分析子部分链值的变化趋势和概率，链式预警模型可以计算出一个预警值，用于评估该子部分的运行状态是否正常。
通过特定的计算方法和数据处理技术，对原始数据进行处理和转换，提取出有用的信息和指标，从而得到更具代表性和可比性的链值。这些链值可以反映柴油发电机组各个子部分的状态和性能，为后续的预警和维护决策提供数据支持。通过建立基于马尔科夫链的链式预警模型，利用历史数据和链值的变化趋势，对柴油发电机组各个子部分进行状态监测和异常检测。预警值可以帮助判断柴油发电机组是否存在潜在的故障或异常情况，并提前采取相应的维护措施，以避免故障的发生或进一步恶化。
通过聚类分析和距离计算，对柴油发电机组各个子部分的历史数据进行分析，以确定需要进行维护的子部分。聚类分析可以将相似的数据归类到同一组别，生成聚类中心作为代表。计算聚类中心之间的距离可以评估各个子部分之间的相似度。根据距离的平均值与平均距离的差异率，可以判断柴油发电机组各个子部分的运行状态是否与其他子部分相差较大，从而确定是否需要进行维护。
实施例2：
在上一实施例的基础上，所述链式数据采集单元，将柴油发电机组划分为发动机子部分、发电机子部分、燃油子部分、冷却子部分和排气子部分。
通过采集和监测发动机子部分的数据，可以实时了解发动机的运行状态、温度、压力等重要参数的变化情况。这有助于及时发现潜在的故障或异常情况，并采取相应的措施进行维修或调整，确保发动机的正常运行。其他子部分以此类推。
实施例3：
在上一实施例的基础上，所述链式数据采集单元采集到的发动机子部分的子部分数据包括：水温、油压、第一燃料消耗率和转速；所述链式数据采集单元采集到的发电机子部分的子部分数据包括：电流、频率、电压和功率因数；所述链式数据采集单元采集到的燃油子部分的子部分数据包括：第二燃油消耗率；所述链式数据采集单元采集到的冷却子部分的子部分数据包括：冷却剂温度和冷却剂消耗率；所述链式数据采集单元采集到的排气子部分的子部分数据包括：排气温度和排气速率。
具体的，以发动机子部分的数据为例，说明采集的数据的意义和作用：
水温：通过温度传感器测量发动机冷却液的温度。该数据用于监测发动机的散热状态和冷却系统的运行情况。常用的温度传感器有热电偶和热敏电阻等。
油压：通过压力传感器测量发动机润滑油的压力。该数据用于评估发动机润滑系统的工作状态和发动机的润滑性能。常用的压力传感器有压阻式传感器和压电式传感器等。
第一燃料消耗率：指每单位时间内发动机消耗的燃料量。该数据用于评估发动机的燃油利用率和燃烧效率。可以通过流量计、燃油喷射器或燃油泵的工作参数等来测量和计算燃料消耗率。
转速：通过转速传感器或霍尔传感器等测量发动机的转速。该数据用于监测发动机的运行状态、控制和调整发动机的转速。转速传感器通常采用磁性传感器或光电传感器等。
实施例4：
在上一实施例的基础上，所述链值计算单元，基于每个子部分数据，计算出子部分对应的一个链值的方法包括：设子部分数据为：
，
其中是数据点的数量，与链式数据采集单元在设定的时间周期范围内采集子部分数据的次数相等；/>为同一时刻下采集到的子部分数据；使用离散小波变换将原始数据进行分解，得到子部分数据的近似系数和细节系数；假设得到的近似系数为/>，细节系数为：
，
其中是细节系数的层数；通过对细节系数进行统计特征提取，得到表示子部分数据特征的向量；假设提取的特征向量为：
，
其中是特征的数量；最后，将特征向量/>转换为链值。
具体的，离散小波变换：离散小波变换是一种信号处理技术，可以将信号分解为不同频率的子带。通过对子部分数据进行离散小波变换，可以分离出数据的低频近似部分和高频细节部分。
统计特征提取：从离散小波变换得到的细节系数中提取统计特征，例如均值、方差、最大值、最小值等。这些统计特征能够反映数据的分布、变化幅度和波动性等特征。
转换为链值：将提取的统计特征向量转换为链值。具体的转换方法可以根据实际需求和应用场景而定，例如归一化、加权等方式，将特征向量映射到一个确定的范围或取值。
特征提取：链值计算单元通过离散小波变换和统计特征提取，从原始子部分数据中提取出代表性的特征。这些特征能够捕捉数据的重要信息，如波动性、趋势和分布等。
数据压缩：离散小波变换可以将数据分解为近似系数和细节系数，其中近似系数具有较低的频率成分，而细节系数则表示高频成分。通过保留适当的近似系数和细节系数，可以实现对数据的压缩，减少数据存储和传输的成本。
数据表示和比较：链值作为特征向量的一种表达形式，可以用于表示子部分数据的特征和状态。通过计算不同子部分数据的链值，可以进行数据之间的比较和相似度分析，从而判断其在时间和空间上的变化趋势和差异。
预警和决策支持：基于计算得到的链值，可以构建预设的预警模型和决策模型。通过比较链值与设定的阈值，可以判断子部分数据的状态是否正常，提前发出预警信号，并为后续的维护决策提供支持和依据。
实施例5：
在上一实施例的基础上，使用离散小波变换将原始数据进行分解，得到子部分数据的近似系数和细节系数的方法包括：定义低通滤波器系数和高通滤波器系数/>，其中/>是滤波器的长度；根据滤波器系数，得到近似系数/>和细节系数/>的计算公式如下：
；
其中，。
具体的，以上公式描述了如何使用离散小波变换将原始数据分解为近似系数A和细节系数D。在计算过程中，首先根据滤波器系数h对原始数据进行低通滤波，得到近似系数A。然后，利用滤波器系数g对原始数据进行高通滤波，得到细节系数D。
近似系数反映了数据的低频成分，而细节系数表示了数据的高频成分。通过对原始数据进行多级的离散小波分解，可以得到多个级别的近似系数和细节系数，从而实现对数据的多尺度分析。
这种分解过程能够提取数据中不同频率的特征，帮助捕捉数据的细节变化和波动性。近似系数和细节系数的计算可以根据滤波器系数进行卷积运算，从而将数据分解为不同频率的子带。这种分解方法在信号处理和数据分析中具有广泛的应用，用于提取有用的特征和进行数据的降维压缩。
近似系数公式：
；
表示将子部分数据/>的所有数据点进行求和操作。这一步是为了将原始数据转换为一个单一的数值。
表示对求和结果进行指数运算，其中/>是自然指数函数。这一步是为了增加求和结果的动态范围。
表示将上一步得到的指数运算结果加上1。
表示对上一步的结果进行对数运算，其中/>是自然对数函数。这一步是为了对指数运算结果进行压缩，将其转换为一个较小的范围。
表示将子部分数据经过低通滤波器系数/>进行滤波，得到近似系数/>。该计算是通过将滤波器系数和数据进行卷积运算来实现。近似系数表示原始数据的低频成分，其计算过程包括将数据进行求和、指数运算、对数运算和滤波操作。
细节系数公式：
；
是近似系数,表示前一步计算得到的近似系数值。
表示将子部分数据经过高通滤波器系数/>进行滤波，得到细节系数/>。该计算也是通过将滤波器系数和数据进行卷积运算来实现。
细节系数表示原始数据的高频成分，其计算过程包括对近似系数进行滤波操作。
在离散小波变换中，滤波器系数和/>分别对应低通滤波器和高通滤波器，用于提取不同频率的信息。通过将原始数据进行滤波操作，可以将数据分解为近似系数/>和细节系数/>。
近似系数反映了数据的低频成分。在计算近似系数时，首先对子部分数据/>进行求和，然后进行指数和对数运算，这样做是为了增强数据的动态范围并将其映射到一个较小的范围。接下来，通过卷积运算将子部分数据/>和低通滤波器系数/>结合起来，得到近似系数/>。
细节系数反映了数据的高频成分。细节系数的计算方式与近似系数类似，区别在于使用了高通滤波器系数/>进行卷积运算。通过将子部分数据/>和高通滤波器系数/>进行卷积运算，可以提取数据的高频成分，并得到细节系数/>。
这样，通过离散小波变换的分解过程，可以将原始数据分解为近似系数和细节系数，分别表示数据的低频和高频特征。这种分解方法能够提取不同尺度下的数据特征，用于数据分析、特征提取和信号处理等领域。
实施例6：
在上一实施例的基础上，所述通过对细节系数进行统计特征提取，得到表示子部分数据特征的向量的方法包括：针对中每个元素，计算其峰度，然后得到特征向量为/>；其中，/>为细节系数中每个元素的峰度；所述细节系数中每个元素的峰度使用如下公式计算：
；
其中，为峰度值，针对每个子部分数据，峰度表征了在该时刻下采集到的子部分数据的尖锐程度。
具体的，通过计算细节系数的峰度，可以获取关于数据尖锐程度的信息，用于描述数据的非高斯性和异常程度。这些统计特征可以提供关于子部分数据的分布特征和尖峰性的量化信息，进一步用于后续的数据分析、特征提取和决策支持等任务。
峰度计算公式：
；
表示细节系数的第/>个元素。
表示细节系数/>的均值。计算方式是对细节系数的所有元素求和，然后除以元素的数量/>。
表示细节系数与均值之差的四次方的总和。这一步是计算细节系数的离散程度和尖锐性。
表示细节系数与均值之差的平方的平均值的平方。这一步是计算细节系数的方差。
峰度是衡量数据分布尖锐程度的统计量。该公式中的计算过程包括计算细节系数的四次方和平方的平均值，并进行相应的除法运算和减法操作，最后减去常数3，以得到峰度值。
统计特征提取：
细节系数是包含了子部分数据的细节系数的向量。
对于每个细节系数元素，计算其峰度值。
峰度(kurtosis)是衡量数据分布尖锐程度的统计量，用于描述数据的尖峰性和尾部重量。在特征提取过程中，通过计算细节系数的峰度值，可以获取关于子部分数据尖锐程度的信息。峰度是对数据分布形态的度量，用于描述数据的尖锐性或平坦程度。具体计算过程包括计算细节系数与均值之差的四次方的总和和平方的平均值的平方，然后进行除法运算和减法操作，并最终减去常数3，以得到峰度值。
实施例7：
在上一实施例的基础上，所述将特征向量转换为链值的方法包括：计算特征向量的特征值，将特征值作为链值。
具体的，计算特征向量的特征值涉及特征值分解或特征值计算的过程，其中的具体数学方法和算法可以是特征值分解、特征值分解的变种（如奇异值分解）或其他数值方法。这些方法可以应用于特征向量矩阵来获得其特征值。
一旦获得特征向量的特征值，可以将这些特征值视为链值，用于表示子部分数据的特征。链值可以用于后续的分析、比较或决策，以实现智能化柴油发电机组的远程预警和维护决策支持系统的功能。
实施例8：
在上一实施例的基础上，所述链式预警单元，将每个链值按照设定的顺序代入到预设的基于马尔科夫链建立的链式预警模型中，计算出预警值，将预警值与预设的第一阈值范围进行比较，以判断是否发出预警信号的方法包括：假设有个链值，分别表示为，基于马尔科夫链建立链式预警模型；所述链式预警模型使用如下公式进行表示：
；
其中，表示第/>个预警值，/>表示前一个预警值；通过马尔科夫链的状态转移概率计算预警值，假设当前的链值为/>，则预警值的计算公式表示为：
；
其中，是预警值的计算函数，它根据当前链值/>和前一个预警值/>来计算当前的预警值/>；假设设定的第一阈值范围为/>，则判断发出预警信号的条件表示为：
。
具体的，通过马尔科夫链建立链式预警模型，并利用预警值的计算函数将当前的链值和前一个预警值作为输入，计算出当前的预警值。然后将该预警值与预设的第一阈值范围进行比较，以确定是否发出预警信号。这样可以实现对柴油发电机组的远程预警和维护决策的支持。
链式预警模型表示：
；
这个公式表明，在链式预警模型中，当前的预警值仅依赖于前一个预警值/>。假设预警值之间的关系可以通过马尔科夫链的状态转移概率来建模，其中给定前一个预警值/>，当前的预警值/>的条件概率只与前一个预警值相关。
预警值计算公式：
；
在这个公式中,表示当前的链值，/>表示前一个预警值。通过计算函数/>，根据当前的链值/>和前一个预警值/>，可以得到当前的预警值/>。这个计算函数根据具体的预警模型的设定来确定，可能涉及一系列的数学运算和算法。
发出预警信号的条件：
；
在这个条件中，假设预设的第一阈值范围为。如果当前的预警值/>小于等于阈值/>或大于等于阈值/>，则判断为发出预警信号。
通过建立基于马尔科夫链的链式预警模型，并使用预警值的计算函数将当前的链值和前一个预敕值作为输入，可以计算出当前的预警值。然后，通过与预设的第一阈值范围进行比较，可以判断是否满足发出预整信号的条件。
这样，根据马尔科夫链模型和预警值的计算函数，可以在智能化柴油发电机组的远程预警与维护决策支持系统中，根据历史数据和当前链值进行预警值的计算，并根据预设的阈值范围判断是否需要发出预警信号。
实施例9：
在上一实施例的基础上，所述预警值的计算函数使用如下公式进行表示：
。
具体的，首先，计算式中的表示对前一个预警值/>进行指数运算，即取/>（自然对数的底数)的/>次方。这一步的目的可能是通过指数运算来调整前一个预警值的影响程度。
接下来，将得到的结果与相乘。这里的乘法操作可能用于将当前的链值/>与调整后的前一个预警值进行关联。
最后，计算式中的表示取以10为底的对数运算（常用的对数函数）。然后，对乘积进行对数运算，得到对数值。
最终，对取得的对数值取绝对值（符号取正），得到最终的预警值。
该计算函数的目的是基于当前的链值和前一个预警值/>来计算当前的预警值。通过对链值和预警值进行指数运算、乘法运算和对数运算，以及最终的绝对值处理，可以得到一个表示当前预警程度的数值。
实施例10：
在上一实施例的基础上，所述设定的顺序为：按照从先到后，依次分别为：发动机子部分的链值、发电机子部分的链值、燃油子部分的链值、冷却子部分的链值和排气子部分的链值。
具体的，部件关联性：发动机、发电机、燃油、冷却和排气是柴油发电机组的关键部件，它们之间存在一定的关联性和依赖关系。处理链值的顺序应该考虑这些关联性，确保先处理对整体系统性能和状态影响最直接的部件。
故障传播路径：柴油发电机组的故障可能会在不同的部件之间传播。通过按照先后顺序处理链值，可以优先关注那些在故障发生时最可能受到影响并可能导致其他部件故障的部件。这有助于提早发现故障，并采取相应的维护措施，减少系统的停机时间和损失。
维护优先级：不同部件的维护优先级可能不同，一些部件可能需要更频繁的维护或更及时的干预。按照先后顺序处理链值可以确保先处理那些对系统稳定性和可靠性影响最大的部件，从而提高维护决策的效果和效率。
预警延迟：柴油发电机组的不同部件可能具有不同的响应速度和预警延迟。通过按照先后顺序处理链值，可以优先处理那些可能具有更快响应和更及时预警的部件，以减少预警延迟和故障发生的风险。
虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这些具体实施方式仅是举例说明，本领域的技术人员在不脱离本发明的原理和实质的情况下，可以对上述方法和系统的细节进行各种省略、替换和改变。例如，合并上述方法步骤，从而按照实质相同的方法执行实质相同的功能以实现实质相同的结果则属于本发明的范围。因此，本发明的范围仅由所附权利要求书限定。
Claims (10)
1.智能化柴油发电机组的远程预警与维护决策支持系统，其特征在于，所述系统包括：
链式数据采集单元，配置用于将柴油发电机组划分为多个子部分，设定顺序和时间周期，在设定的时间周期范围内，依照设定的顺序不间断地循环在子部分中采集数据，得到多个子部分数据；
链值计算单元，配置用于基于每个子部分数据，计算出子部分对应的一个链值；
链式预警单元，配置用于将每个链值按照设定的顺序代入到预设的基于马尔科夫链建立的链式预警模型中，计算出预警值，将预警值与预设的第一阈值范围进行比较，以判断是否发出预警信号；
维护决策单元，配置用于当链式预警单元发出预警信号时，分别对每个子部分数据进行基于分散中心的聚类分析，以定位需要进行维护的子部分，具体包括：采集柴油发电机组各个子部分在正常运行时的历史数据，基于每个子部分的历史数据进行聚类分析，生成子部分的历史数据的聚类中心；计算所有聚类中心的平均距离；计算每个子部分数据的聚类中心，计算子部分数据的聚类中心与除自身以外的其他子部分的历史数据的聚类中心的距离的平均值；再计算距离的平均值与平均距离的差异率，若差异率超过设定的第二阈值范围，则判断该子部分需要进行维护。
2.如权利要求1所述的智能化柴油发电机组的远程预警与维护决策支持系统，其特征在于，所述链式数据采集单元，将柴油发电机组划分为发动机子部分、发电机子部分、燃油子部分、冷却子部分和排气子部分。
3.如权利要求2所述的智能化柴油发电机组的远程预警与维护决策支持系统，其特征在于，所述链式数据采集单元采集到的发动机子部分的子部分数据包括：水温、油压、第一燃料消耗率和转速；所述链式数据采集单元采集到的发电机子部分的子部分数据包括：电流、频率、电压和功率因数；所述链式数据采集单元采集到的燃油子部分的子部分数据包括：第二燃油消耗率；所述链式数据采集单元采集到的冷却子部分的子部分数据包括：冷却剂温度和冷却剂消耗率；所述链式数据采集单元采集到的排气子部分的子部分数据包括：排气温度和排气速率。
4.如权利要求3所述的智能化柴油发电机组的远程预警与维护决策支持系统，其特征在于，所述链值计算单元，基于每个子部分数据，计算出子部分对应的一个链值的方法包括：设子部分数据为：
，
其中是数据点的数量，与链式数据采集单元在设定的时间周期范围内采集子部分数据的次数相等；/>为同一时刻下采集到的子部分数据；使用离散小波变换将原始数据进行分解，得到子部分数据的近似系数和细节系数；假设得到的近似系数为/>，细节系数为：
，
其中是细节系数的层数；通过对细节系数进行统计特征提取，得到表示子部分数据特征的向量；假设提取的特征向量为：
，
其中是特征的数量；最后，将特征向量/>转换为链值。
5.如权利要求4所述的智能化柴油发电机组的远程预警与维护决策支持系统，其特征在于，使用离散小波变换将原始数据进行分解，得到子部分数据的近似系数和细节系数的方法包括：定义低通滤波器系数和高通滤波器系数，其中/>是滤波器的长度；根据滤波器系数，得到近似系数/>和细节系数/>的计算公式如下：
；
其中，。
6.如权利要求5所述的智能化柴油发电机组的远程预警与维护决策支持系统，其特征在于，所述通过对细节系数进行统计特征提取，得到表示子部分数据特征的向量的方法包括：针对中每个元素，计算其峰度，然后得到特征向量为；其中，/>为细节系数中每个元素的峰度；所述细节系数中每个元素的峰度使用如下公式计算：
；
其中，为峰度值，针对每个子部分数据，峰度表征了在该时刻下采集到的子部分数据的尖锐程度。
7.如权利要求6所述的智能化柴油发电机组的远程预警与维护决策支持系统，其特征在于，所述将特征向量转换为链值的方法包括：计算特征向量/>的特征值，将特征值作为链值。
8.如权利要求7所述的智能化柴油发电机组的远程预警与维护决策支持系统，其特征在于，所述链式预警单元，将每个链值按照设定的顺序代入到预设的基于马尔科夫链建立的链式预警模型中，计算出预警值，将预警值与预设的第一阈值范围进行比较，以判断是否发出预警信号的方法包括：假设有个链值，分别表示为/>，基于马尔科夫链建立链式预警模型；所述链式预警模型使用如下公式进行表示：
；
其中，表示第/>个预警值，/>表示前一个预警值；通过马尔科夫链的状态转移概率计算预警值，假设当前的链值为/>，则预警值的计算公式表示为：
；
其中，是预警值的计算函数，它根据当前链值/>和前一个预警值/>来计算当前的预警值/>；假设设定的第一阈值范围为/>，则判断发出预警信号的条件表示为：
。
9.如权利要求8所述的智能化柴油发电机组的远程预警与维护决策支持系统，其特征在于，所述预警值的计算函数使用如下公式进行表示：
。
10.如权利要求3所述的智能化柴油发电机组的远程预警与维护决策支持系统，其特征在于，所述设定的顺序为：按照从先到后，依次分别为：发动机子部分的链值、发电机子部分的链值、燃油子部分的链值、冷却子部分的链值和排气子部分的链值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310911471.7A CN116629843B (zh) | 2023-07-25 | 2023-07-25 | 智能化柴油发电机组的远程预警与维护决策支持系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310911471.7A CN116629843B (zh) | 2023-07-25 | 2023-07-25 | 智能化柴油发电机组的远程预警与维护决策支持系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116629843A true CN116629843A (zh) | 2023-08-22 |
| CN116629843B CN116629843B (zh) | 2023-10-20 |
Family
ID=87603042
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310911471.7A Active CN116629843B (zh) | 2023-07-25 | 2023-07-25 | 智能化柴油发电机组的远程预警与维护决策支持系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116629843B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117390402A (zh) * | 2023-12-11 | 2024-01-12 | 青岛可颂食品有限公司 | 一种混合奶油生产管理系统 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2003105480A1 (en) * | 2002-05-20 | 2003-12-18 | Simmonds Precision Products, Inc. | Video detection verification system |
| EP2618269A1 (en) * | 2012-01-17 | 2013-07-24 | Siemens Aktiengesellschaft | A method for processing of measurements from several sensors |
| WO2013113111A1 (en) * | 2012-01-30 | 2013-08-08 | The Governing Council Of The University Of Toronto | System and method for prediction of self-similar signals |
| CN109888770A (zh) * | 2019-01-24 | 2019-06-14 | 福州大学 | 基于机会约束规划和波动成本的风电场装机容量优化方法 |
| CN109919234A (zh) * | 2019-03-12 | 2019-06-21 | 辽宁工程技术大学 | 一种基于系统聚类的加权马尔科夫滑坡预警方法 |
| CN110188545A (zh) * | 2019-04-26 | 2019-08-30 | 特斯联（北京）科技有限公司 | 一种基于链式数据库的数据加密方法及装置 |
| CN110231529A (zh) * | 2019-06-11 | 2019-09-13 | 山东科技大学 | 一种控制柜智能故障诊断系统及故障诊断方法 |
| CN112200327A (zh) * | 2020-10-14 | 2021-01-08 | 北京理工大学 | 一种mes设备维护预警方法及系统 |
| WO2021072887A1 (zh) * | 2019-10-18 | 2021-04-22 | 平安科技（深圳）有限公司 | 异常流量监测方法、装置、设备及存储介质 |
| CN115796836A (zh) * | 2022-11-30 | 2023-03-14 | 南京理工大学 | 一种用于三相异步电动机维护的备件管理方法 |
-
2023
- 2023-07-25 CN CN202310911471.7A patent/CN116629843B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2003105480A1 (en) * | 2002-05-20 | 2003-12-18 | Simmonds Precision Products, Inc. | Video detection verification system |
| EP2618269A1 (en) * | 2012-01-17 | 2013-07-24 | Siemens Aktiengesellschaft | A method for processing of measurements from several sensors |
| WO2013113111A1 (en) * | 2012-01-30 | 2013-08-08 | The Governing Council Of The University Of Toronto | System and method for prediction of self-similar signals |
| CN109888770A (zh) * | 2019-01-24 | 2019-06-14 | 福州大学 | 基于机会约束规划和波动成本的风电场装机容量优化方法 |
| CN109919234A (zh) * | 2019-03-12 | 2019-06-21 | 辽宁工程技术大学 | 一种基于系统聚类的加权马尔科夫滑坡预警方法 |
| CN110188545A (zh) * | 2019-04-26 | 2019-08-30 | 特斯联（北京）科技有限公司 | 一种基于链式数据库的数据加密方法及装置 |
| CN110231529A (zh) * | 2019-06-11 | 2019-09-13 | 山东科技大学 | 一种控制柜智能故障诊断系统及故障诊断方法 |
| WO2021072887A1 (zh) * | 2019-10-18 | 2021-04-22 | 平安科技（深圳）有限公司 | 异常流量监测方法、装置、设备及存储介质 |
| CN112200327A (zh) * | 2020-10-14 | 2021-01-08 | 北京理工大学 | 一种mes设备维护预警方法及系统 |
| CN115796836A (zh) * | 2022-11-30 | 2023-03-14 | 南京理工大学 | 一种用于三相异步电动机维护的备件管理方法 |
Non-Patent Citations (2)
| Title |
|---|
| MUHAMMAD UZAIR YOUSUF等: "Short-term wind speed forecasting based on hybrid MODWT-ARIMA-Markov model", 《IEEE ACCESS》, vol. 9, pages 79695 - 79711, XP011859412, DOI: 10.1109/ACCESS.2021.3084536 * |
| 胡春生等: "变工况滚动轴承故障诊断方法综述", 《计算机工程与应用》, vol. 58, no. 18, pages 26 - 35 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117390402A (zh) * | 2023-12-11 | 2024-01-12 | 青岛可颂食品有限公司 | 一种混合奶油生产管理系统 |
| CN117390402B (zh) * | 2023-12-11 | 2024-03-08 | 青岛可颂食品有限公司 | 一种混合奶油生产管理系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116629843B (zh) | 2023-10-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111275288B (zh) | 基于XGBoost的多维数据异常检测方法与装置 | |
| CN112101480B (zh) | 一种多变量聚类与融合的时间序列组合预测方法 | |
| CN108959778B (zh) | 一种基于退化模式一致性的航空发动机剩余寿命预测方法 | |
| CN116629843B (zh) | 智能化柴油发电机组的远程预警与维护决策支持系统 | |
| CN114623050A (zh) | 风电机组的运行数据异常检测方法、系统及介质 | |
| CN112116198B (zh) | 数据驱动的流程工业状态感知网络关键节点筛选方法 | |
| CN115186883A (zh) | 基于边云协同计算的工业设备健康状态监测系统及方法 | |
| CN117493921B (zh) | 基于大数据的人工智能节能管理方法及系统 | |
| CN111881574A (zh) | 一种基于分布函数优选的风电机组关键部件可靠性建模方法 | |
| CN115423158A (zh) | 一种水轮发电机组数据趋势的预测分析方法及系统 | |
| CN117421994A (zh) | 一种边缘应用健康度的监测方法和监测系统 | |
| CN117371207A (zh) | 一种特高压换流阀状态评价方法、介质及系统 | |
| CN114429238A (zh) | 一种基于时空特征提取的风电机组故障预警方法 | |
| CN118194607B (zh) | 一种用于锅炉机组数据动态建模方法及系统 | |
| CN115827577A (zh) | 智能电表高频数据压缩与重构的云端协同自适应分治方法 | |
| CN116384843B (zh) | 数字能源氮气站的能效评估模型训练方法及其监测方法 | |
| CN118035815A (zh) | 压缩机健康状态劣化识别方法、装置及存储介质 | |
| CN116070669B (zh) | 一种基于改进深度置信网络的车间能耗预测方法与管理系统 | |
| CN117172601A (zh) | 一种基于残差全卷积神经网络的非侵入式负荷监测方法 | |
| Li et al. | Short-term load forecasting using support vector regression-based local predictor | |
| CN111091243A (zh) | 基于pca-gm的电力负荷预测方法、系统、计算机可读存储介质和计算设备 | |
| CN107622251B (zh) | 一种飞机燃油泵信号退化特征提取方法及装置 | |
| CN116956089A (zh) | 电器设备温度异常检测模型训练方法以及检测方法 | |
| CN118228897B (zh) | 一种基于ceemdan-se-tcn-gru模型的电力负荷预测方法 | |
| Lu et al. | Measurement of aero-engine feature-hierarchy fusion degradation trend based on parameter-adaptive VMD method and improved transformer model |
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 | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: Remote warning and maintenance decision support system for intelligent diesel generator sets Granted publication date: 20231020 Pledgee: Jinan Rural Commercial Bank Co.,Ltd. Lixia Branch Pledgor: Shandong biworth mechanical and Electrical Engineering Co.,Ltd. Registration number: Y2024980002542 |
|
| PE01 | Entry into force of the registration of the contract for pledge of patent right |