CN116756619B - 一种基于大数据的设备智能诊断方法及系统 - Google Patents
一种基于大数据的设备智能诊断方法及系统 Download PDFInfo
- Publication number
- CN116756619B CN116756619B CN202310853472.0A CN202310853472A CN116756619B CN 116756619 B CN116756619 B CN 116756619B CN 202310853472 A CN202310853472 A CN 202310853472A CN 116756619 B CN116756619 B CN 116756619B
- Authority
- CN
- China
- Prior art keywords
- state
- data
- discontinuous
- continuous
- equipment
- 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
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000003745 diagnosis Methods 0.000 title claims abstract description 22
- 230000035772 mutation Effects 0.000 claims abstract description 88
- 238000012423 maintenance Methods 0.000 claims abstract description 69
- 238000003062 neural network model Methods 0.000 claims abstract description 12
- 238000002405 diagnostic procedure Methods 0.000 claims abstract description 7
- 238000001914 filtration Methods 0.000 claims abstract description 5
- 238000012360 testing method Methods 0.000 claims description 37
- 238000012163 sequencing technique Methods 0.000 claims description 22
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 6
- 230000004931 aggregating effect Effects 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 description 6
- 238000013139 quantization Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- 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
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明具体涉及一种基于大数据的设备智能诊断方法及系统,其方法包括步骤,统计设备的日常运行及维护数据并聚集形成大数据库,对大数据库中数据作过滤与去噪;将同一类的设备状态数据及对应的维护数据分类排序,设备状态数据包括非连续值状态量与连续值状态量,分类排序过程中将非连续值状态量或连续值状态量近似度越相近的同一类的设备状态数据及对应的维护数据分类排序位置越近,在分类排序后的同一类的设备状态数据及对应的维护数据中寻找设备状态变化的突变数据组,查找突变数据组中具有突变特征的状态连续变量与状态非连续变量;然后以具有突变特征的状态连续变量与状态非连续变量作为特征信息构建诊断的神经网络模型并对设备诊断测试。
Description
技术领域
本发明属于大数据领域,具体涉及一种基于大数据的设备智能诊断方法及系统。
背景技术
相关的现有技术中对于设备智能诊断技术一般均通过统计预测实现,比如相关的现有专利文献CN202111043180.8即公开了一种热控设备智能诊断方法和系统,该类技术核心在于对于设备的状态信息对应的特征的提取,即明确一个设备或参数具备什么样的特征现象定义为异常,反之则为正常。不过很多设备结构组成及功能都比较复杂,现有技术对于设备的状态信息到特征信到特征提取之间的转化过程,往往都是通过生产经验主观的做的决定。虽然这种方法具有一定的科学性,因为它是基于技术人员甚至技术专家的主观经验获得的,但是这种方法仍然存在很多缺陷,比如说这种方法一般很难将较为全面的设备状态信息转化为特征信息,尤其设备的状态信息较多的情况中,所以在这个基础上后续所建立的神经网络模型,
因并没有获取全面的特征信息,就难以建立精准的诊断算法,就不能够对设备的故障做出精准的预测和判断,面对这样很基础很重要的问题,现有技术并没有很好的解决办法。
发明内容
本发明的目的在于提供一种基于大数据的设备智能诊断方法及系统,以解决上述背景技术中提出的问题。
为了解决上述技术问题,本发明提供如下技术方案:
基于大数据的设备智能诊断方法,包括步骤,
统计设备的日常运行及维护数据并聚集形成大数据库,对大数据库中数据作过滤与去噪;
将同一类的设备状态数据及对应的维护数据分类排序,设备状态数据包括非连续值状态量与连续值状态量,分类排序过程中将非连续值状态量或连续值状态量近似度越相近的同一类的设备状态数据及对应的维护数据分类排序位置越近,然后在分类排序后的同一类的设备状态数据及对应的维护数据中寻找设备状态变化的突变数据组,然后查找突变数据组中具有突变特征的状态连续变量与状态非连续变量;然后以具有突变特征的状态连续变量与状态非连续变量作为特征信息构建诊断的神经网络模型并对设备诊断测试。
进一步,所述的非连续值状态量具体指设备状态数据中的离散值数据,包括指令类型值,所述的连续值状态量具体指设备状态数据中的连续值数据,包括电信号量。
进一步,所述近似度计算公式为其中i,j均为计数变量,/>表示第x个设备的第i种连续值状态量,/>表示第y个设备的第i种连续值状态量,pi表示第i种连续值状态量的权重,/>表示第x个设备的第j种非连续值状态量,/>表示第y个设备的第j种非连续值状态量,pj表示第j种非连续值状态量的权重,其中的n为连续值状态量个数,其中的m为非连续值状态量个数。
进一步,所述的“在分类排序后的同一类的设备状态数据及对应的维护数据中寻找设备状态变化的突变数据组”具体的,
分类排序后的同一类的设备状态数据及对应的维护数据定义为其中的/>表示第x个设备的第i种连续值状态量,/>表示第x个设备的第j种非连续值状态量,/>表示第x个设备的排序序号,/>表示第x个设备的诊断结果量,该诊断结果量由其维护数据中提取获得,如果存在从/>到一组数据满足/>大于阈值,则该组数据为突变数据组。
进一步,所述的“查找突变数据组中具有突变特征的状态连续变量与状态非连续变量”具体的,分类排序后的同一类的设备状态数据及对应的维护数据定义为其中的/>表示第x个设备的第i种连续值状态量,/>表示第x个设备的第j种非连续值状态量,/>表示第x个设备的排序序号,/>表示第x个设备的诊断结果量,该诊断结果量由其维护数据中提取获得,如果存在从/>到一组数据满足/>大于阈值,则该组数据为突变数据组,然后以区间/>中的序号作为排序数分别对其对应的状态连续变量与状态非连续变量进行T检验,T检验中每一次检验均检验两个排序相邻设备对应的状态连续变量或状态非连续变量,将T检验之后显著性满足要求的状态连续变量或状态非连续变量标记为具有突变特征的具有突变特征的状态连续变量或具有突变特征的状态非连续变量。
基于大数据的设备智能诊断系统,包括,
大数据库、排序单元、突变数据计算单元、神经网络构建单元,该大数据库用于存储设备的日常运行及维护数据,该排序单元用于将同一类的设备状态数据及对应的维护数据分类排序,设备状态数据包括非连续值状态量与连续值状态量,分类排序过程中将非连续值状态量或连续值状态量近似度越相近的同一类的设备状态数据及对应的维护数据分类排序位置越近;突变数据计算单元用于在分类排序后的同一类的设备状态数据及对应的维护数据中寻找设备状态变化的突变数据组,然后查找突变数据组中具有突变特征的状态连续变量与状态非连续变量;神经网络构建单元用于以具有突变特征的状态连续变量与状态非连续变量作为特征信息构建诊断的神经网络模型并对设备诊断测试。
进一步,所述的非连续值状态量具体指设备状态数据中的离散值数据,包括指令类型值,所述的连续值状态量具体指设备状态数据中的连续值数据,包括电信号量。
进一步,所述近似度计算公式为其中i,j均为计数变量,/>表示第x个设备的第i种连续值状态量,/>表示第y个设备的第i种连续值状态量,pi表示第i种连续值状态量的权重,/>表示第x个设备的第j种非连续值状态量,/>表示第y个设备的第j种非连续值状态量,pj表示第j种非连续值状态量的权重,其中的n为连续值状态量个数,其中的m为非连续值状态量个数。
进一步,所述的“在分类排序后的同一类的设备状态数据及对应的维护数据中寻找设备状态变化的突变数据组”具体的,
分类排序后的同一类的设备状态数据及对应的维护数据定义为其中的/>表示第x个设备的第i种连续值状态量,/>表示第x个设备的第j种非连续值状态量,/>表示第x个设备的排序序号,/>表示第x个设备的诊断结果量,该诊断结果量由其维护数据中提取获得,如果存在从/>到一组数据满足/>大于阈值,则该组数据为突变数据组。
进一步,所述的“查找突变数据组中具有突变特征的状态连续变量与状态非连续变量”具体的,分类排序后的同一类的设备状态数据及对应的维护数据定义为其中的/>表示第x个设备的第i种连续值状态量,/>表示第x个设备的第j种非连续值状态量,/>表示第x个设备的排序序号,/>表示第x个设备的诊断结果量,该诊断结果量由其维护数据中提取获得,如果存在从/>到一组数据满足/>大于阈值,则该组数据为突变数据组,然后以区间/>中的序号作为排序数分别对其对应的状态连续变量与状态非连续变量进行T检验,T检验中每一次检验均检验两个排序相邻设备对应的状态连续变量或状态非连续变量,将T检验之后显著性满足要求的状态连续变量或状态非连续变量标记为具有突变特征的具有突变特征的状态连续变量或具有突变特征的状态非连续变量。
有益效果
本申请通过量化的技术对全面的特征信息中的非连续值状态量或连续值状态量近似度计算,精准分配排序的位置,然后在分类排序后的同一类的设备状态数据及对应的维护数据中寻找设备状态变化的突变数据组,然后查找突变数据组中具有突变特征的状态连续变量与状态非连续变量;然后以具有突变特征的状态连续变量与状态非连续变量作为特征信息构建诊断的神经网络模型并对设备诊断测试能够对设备的故障做出精准的预测和判断,解决了现有技术中很基础很重要的问题。
附图说明
图1为本申请基于大数据的设备智能诊断方法流程图。
具体实施方式
下面将结合本发明实施例,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做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。
本申请公开了基于大数据的设备智能诊断方法,其包括步骤,统计设备的日常运行及维护数据并聚集形成大数据库,对大数据库中数据作过滤与去噪;如图1,将同一类的设备状态数据及对应的维护数据分类排序,设备状态数据包括非连续值状态量与连续值状态量,分类排序过程中将非连续值状态量或连续值状态量近似度越相近的同一类的设备状态数据及对应的维护数据分类排序位置越近,然后在分类排序后的同一类的设备状态数据及对应的维护数据中寻找设备状态变化的突变数据组,然后查找突变数据组中具有突变特征的状态连续变量与状态非连续变量;然后以具有突变特征的状态连续变量与状态非连续变量作为特征信息构建诊断的神经网络模型并对设备诊断测试。
本申请通过量化的技术对全面的特征信息中的非连续值状态量或连续值状态量近似度计算,精准分配排序的位置,然后在分类排序后的同一类的设备状态数据及对应的维护数据中寻找设备状态变化的突变数据组,然后查找突变数据组中具有突变特征的状态连续变量与状态非连续变量;然后以具有突变特征的状态连续变量与状态非连续变量作为特征信息构建诊断的神经网络模型并对设备诊断测试能够对设备的故障做出精准的预测和判断,解决了现有技术中很基础很重要的问题。
优选地,所述的非连续值状态量具体指设备状态数据中的离散值数据,包括指令类型值,所述的连续值状态量具体指设备状态数据中的连续值数据,包括电信号量。
优选地所述近似度计算公式为其中i,j均为计数变量,/>表示第x个设备的第i种连续值状态量,/>表示第y个设备的第i种连续值状态量,pi表示第i种连续值状态量的权重,/>表示第x个设备的第j种非连续值状态量,/>表示第y个设备的第j种非连续值状态量,pj表示第j种非连续值状态量的权重,其中的n为连续值状态量个数,其中的m为非连续值状态量个数。
优选地所述的“在分类排序后的同一类的设备状态数据及对应的维护数据中寻找设备状态变化的突变数据组”具体的,
分类排序后的同一类的设备状态数据及对应的维护数据定义为其中的/>表示第x个设备的第i种连续值状态量,/>表示第x个设备的第j种非连续值状态量,/>表示第x个设备的排序序号,/>表示第x个设备的诊断结果量,该诊断结果量由其维护数据中提取获得,如果存在从/>到一组数据满足/>大于阈值,则该组数据为突变数据组。
优选地所述的“查找突变数据组中具有突变特征的状态连续变量与状态非连续变量”具体的,分类排序后的同一类的设备状态数据及对应的维护数据定义为其中的/>表示第x个设备的第i种连续值状态量,/>表示第x个设备的第j种非连续值状态量,/>表示第x个设备的排序序号,/>表示第x个设备的诊断结果量,该诊断结果量由其维护数据中提取获得,如果存在从/>到一组数据满足/>大于阈值,则该组数据为突变数据组,然后以区间/>中的序号作为排序数分别对其对应的状态连续变量与状态非连续变量进行T检验,T检验中每一次检验均检验两个排序相邻设备对应的状态连续变量或状态非连续变量,将T检验之后显著性满足要求的状态连续变量或状态非连续变量标记为具有突变特征的具有突变特征的状态连续变量或具有突变特征的状态非连续变量。
在一种具体的实施中,本申请公开了基于大数据的设备智能诊断方法,其包括步骤有,统计设备的日常运行及维护数据并聚集形成大数据库,对大数据库中数据作过滤与去噪;将同一类的设备状态数据及对应的维护数据分类排序,设备状态数据包括非连续值状态量与连续值状态量,分类排序过程中将非连续值状态量与连续值状态量近似度越近的同一类的设备状态数据及对应的维护数据分类排序位置越近,其中的非连续值状态量具体指设备状态数据中的离散值数据,比如指令类型值,连续值状态量具体指设备状态数据中的连续值数据,比如电信号量;其中的近似度计算公式为SL(x,y)
其中i,j均为计数变量,表示第x个设备的第i种连续值状态量,/>表示第y个设备的第i种连续值状态量,pi表示第i种连续值状态量的权重,/>表示第x个设备的第j种非连续值状态量,/>表示第y个设备的第j种非连续值状态量,pj表示第j种非连续值状态量的权重,其中的n为连续值状态量个数,其中的m为非连续值状态量个数;比如需要计算序号分别为1,2的第1个设备与第2个设备对应的数据的近似度则为,/> 近似度之间的差值越小则近似度越相近,当存在多个近似度计算为0的设备状态数据及对应的维护数据,则只保留一个对应的数据;
然后在分类排序后的同一类的设备状态数据及对应的维护数据中寻找设备状态变化的突变数据组,然后查找突变数据组中具有突变特征的状态连续变量与状态非连续变量;分类排序后的同一类的设备状态数据及对应的维护数据定义为其中的/>表示第x个设备的第i种连续值状态量,/>表示第x个设备的第j种非连续值状态量,/>表示第x个设备的排序序号,/>表示第x个设备的诊断结果量,该诊断结果量由其维护数据中提取获得,如果存在从/>到/>一组数据满足大于阈值,则该组数据为突变数据组,然后以区间/>中的序号作为排序数分别对其对应的状态连续变量与状态非连续变量进行T检验,T检验中每一次检验均检验两个排序相邻设备对应的状态连续变量或状态非连续变量,将T检验之后显著性满足要求的状态连续变量或状态非连续变量标记为具有突变特征的具有突变特征的状态连续变量或具有突变特征的状态非连续变量;其中的具有突变特征的状态连续变量或具有突变特征的状态非连续变量即特征信息;然后以具有突变特征的状态连续变量与状态非连续变量作为特征信息构建诊断的神经网络模型并对设备诊断测试。本申请通过量化的技术对全面的特征信息中的非连续值状态量或连续值状态量近似度计算,精准分配排序的位置,然后在分类排序后的同一类的设备状态数据及对应的维护数据中寻找设备状态变化的突变数据组,然后查找突变数据组中具有突变特征的状态连续变量与状态非连续变量;然后以具有突变特征的状态连续变量与状态非连续变量作为特征信息构建诊断的神经网络模型并对设备诊断测试能够对设备的故障做出精准的预测和判断,解决了现有技术中很基础很重要的问题。
本申请还公开了基于大数据的设备智能诊断系统,其包括大数据库、排序单元、突变数据计算单元、神经网络构建单元,该大数据库用于存储设备的日常运行及维护数据,该排序单元用于将同一类的设备状态数据及对应的维护数据分类排序,设备状态数据包括非连续值状态量与连续值状态量,分类排序过程中将非连续值状态量或连续值状态量近似度越相近的同一类的设备状态数据及对应的维护数据分类排序位置越近;突变数据计算单元用于在分类排序后的同一类的设备状态数据及对应的维护数据中寻找设备状态变化的突变数据组,然后查找突变数据组中具有突变特征的状态连续变量与状态非连续变量;神经网络构建单元用于以具有突变特征的状态连续变量与状态非连续变量作为特征信息构建诊断的神经网络模型并对设备诊断测试。
优选地所述的非连续值状态量具体指设备状态数据中的离散值数据,包括指令类型值,所述的连续值状态量具体指设备状态数据中的连续值数据,包括电信号量。
优选地所述近似度计算公式为其中i,j均为计数变量,/>表示第x个设备的第i种连续值状态量,/>表示第y个设备的第i种连续值状态量,pi表示第i种连续值状态量的权重,/>表示第x个设备的第j种非连续值状态量,/>表示第y个设备的第j种非连续值状态量,pj表示第j种非连续值状态量的权重,其中的n为连续值状态量个数,其中的m为非连续值状态量个数。
优选地所述的“在分类排序后的同一类的设备状态数据及对应的维护数据中寻找设备状态变化的突变数据组”具体的,
分类排序后的同一类的设备状态数据及对应的维护数据定义为其中的/>表示第x个设备的第i种连续值状态量,/>表示第x个设备的第j种非连续值状态量,/>表示第x个设备的排序序号,/>表示第x个设备的诊断结果量,该诊断结果量由其维护数据中提取获得,如果存在从/>到一组数据满足/>大于阈值,则该组数据为突变数据组。
所述的“查找突变数据组中具有突变特征的状态连续变量与状态非连续变量”具体的,
分类排序后的同一类的设备状态数据及对应的维护数据定义为其中的/>表示第x个设备的第i种连续值状态量,/>表示第x个设备的第j种非连续值状态量,/>表示第x个设备的排序序号,/>表示第x个设备的诊断结果量,该诊断结果量由其维护数据中提取获得,如果存在从/>到一组数据满足/>大于阈值,则该组数据为突变数据组,然后以区间/>中的序号作为排序数分别对其对应的状态连续变量与状态非连续变量进行T检验,T检验中每一次检验均检验两个排序相邻设备对应的状态连续变量或状态非连续变量,将T检验之后显著性满足要求的状态连续变量或状态非连续变量标记为具有突变特征的具有突变特征的状态连续变量或具有突变特征的状态非连续变量。
Claims (6)
1.基于大数据的设备智能诊断方法,其特征在于,包括步骤,
统计设备的日常运行及维护数据并聚集形成大数据库,对大数据库中数据作过滤与去噪;
将同一类的设备状态数据及对应的维护数据分类排序,设备状态数据包括非连续值状态量与连续值状态量,分类排序过程中将非连续值状态量或连续值状态量近似度越相近的同一类的设备状态数据及对应的维护数据分类排序位置越近,然后在分类排序后的同一类的设备状态数据及对应的维护数据中寻找设备状态变化的突变数据组,然后查找突变数据组中具有突变特征的状态连续变量与状态非连续变量;然后以具有突变特征的状态连续变量与状态非连续变量作为特征信息构建诊断的神经网络模型并对设备诊断测试;所述在分类排序后的同一类的设备状态数据及对应的维护数据中寻找设备状态变化的突变数据组包括,分类排序后的同一类的设备状态数据及对应的维护数据定义为其中的/>表示第x个设备的第i种连续状态量,/>表示第x个设备的第j种非连续状态量,/>表示第x个设备的排序序号,/>表示第x个设备的诊断结果量,该诊断结果量由其维护数据中提取获得,如果存在从到/>一组数据满足/>大于阈值,则该组数据为突变数据组;所述查找突变数据组中具有突变特征的状态连续变量与状态非连续变量包括以区间/>中的序号作为排序数分别对其对应的状态连续变量与状态非连续变量进行T检验,T检验中每一次检验均检验两个排序相邻设备对应的状态连续变量或状态非连续变量,将T检验之后显著性满足要求的状态连续变量或状态非连续变量标记为具有突变特征的具有突变特征的状态连续变量或具有突变特征的状态非连续变量。
2.根据权利要求1所述的基于大数据的设备智能诊断方法,其特征在于,所述的非连续值状态量具体指设备状态数据中的离散值数据,包括指令类型值,所述的连续值状态量具体指设备状态数据中的连续值数据,包括电信号量。
3.根据权利要求1所述的基于大数据的设备智能诊断方法,其特征在于,所述近似度计算公式为其中i,j均为计数变量,/>表示第x个设备的第i种连续值状态量,/>表示第y个设备的第i种连续值状态量,pi表示第i种连续值状态量的权重,
表示第x个设备的第j种非连续值状态量,/>表示第y个设备的第j种非连续值状态量,pj表示第j种非连续值状态量的权重,其中的n为连续值状态量个数,其中的m为非连续值状态量个数。
4.基于大数据的设备智能诊断系统,其特征在于,包括,大数据库、排序单元、突变数据计算单元、神经网络构建单元,该大数据库用于存储设备的日常运行及维护数据,该排序单元用于将同一类的设备状态数据及对应的维护数据分类排序,设备状态数据包括非连续值状态量与连续值状态量,分类排序过程中将非连续值状态量或连续值状态量近似度越相近的同一类的设备状态数据及对应的维护数据分类排序位置越近;突变数据计算单元用于在分类排序后的同一类的设备状态数据及对应的维护数据中寻找设备状态变化的突变数据组,然后查找突变数据组中具有突变特征的状态连续变量与状态非连续变量;神经网络构建单元用于以具有突变特征的状态连续变量与状态非连续变量作为特征信息构建诊断的神经网络模型并对设备诊断测试;所述在分类排序后的同一类的设备状态数据及对应的维护数据中寻找设备状态变化的突变数据组包括,分类排序后的同一类的设备状态数据及对应的维护数据定义为其中的/>表示第x个设备的第i种连续状态量,/>表示第x个设备的第j种非连续状态量,/>表示第x个设备的排序序号,/>表示第x个设备的诊断结果量,该诊断结果量由其维护数据中提取获得,如果存在从到/>一组数据满足大于阈值,则该组数据为突变数据组;所述查找突变数据组中具有突变特征的状态连续变量与状态非连续变量包括以区间/>中的序号作为排序数分别对其对应的状态连续变量与状态非连续变量进行T检验,T检验中每一次检验均检验两个排序相邻设备对应的状态连续变量或状态非连续变量,将T检验之后显著性满足要求的状态连续变量或状态非连续变量标记为具有突变特征的具有突变特征的状态连续变量或具有突变特征的状态非连续变量。
5.根据权利要求4所述的基于大数据的设备智能诊断系统,其特征在于,所述的非连续值状态量具体指设备状态数据中的离散值数据,包括指令类型值,所述的连续值状态量具体指设备状态数据中的连续值数据,包括电信号量。
6.根据权利要求4所述的基于大数据的设备智能诊断系统,其特征在于,所述近似度计算公式为其中i,j均为计数变量,/>表示第x个设备的第i种连续值状态量,/>表示第y个设备的第i种连续值状态量,pi表示第i种连续值状态量的权重,
表示第x个设备的第j种非连续值状态量,/>表示第y个设备的第j种非连续值状态量,pj表示第j种非连续值状态量的权重,其中的n为连续值状态量个数,其中的m为非连续值状态量个数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310853472.0A CN116756619B (zh) | 2023-07-12 | 2023-07-12 | 一种基于大数据的设备智能诊断方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310853472.0A CN116756619B (zh) | 2023-07-12 | 2023-07-12 | 一种基于大数据的设备智能诊断方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116756619A CN116756619A (zh) | 2023-09-15 |
CN116756619B true CN116756619B (zh) | 2023-11-21 |
Family
ID=87958984
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310853472.0A Active CN116756619B (zh) | 2023-07-12 | 2023-07-12 | 一种基于大数据的设备智能诊断方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116756619B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108227678A (zh) * | 2018-01-04 | 2018-06-29 | 广东电网有限责任公司电力科学研究院 | 一种基于计量自动化系统的配电网失压故障诊断方法和装置 |
CN109086889A (zh) * | 2018-09-30 | 2018-12-25 | 广东电网有限责任公司 | 基于神经网络的终端故障诊断方法、装置和系统 |
CN111558226A (zh) * | 2020-04-28 | 2020-08-21 | 腾讯科技(成都)有限公司 | 一种异常操作行为的检测方法、装置、设备及存储介质 |
WO2022067562A1 (zh) * | 2020-09-29 | 2022-04-07 | 西门子股份公司 | 一种故障电弧的诊断方法、装置和计算机可读存储介质 |
KR102479755B1 (ko) * | 2021-11-30 | 2022-12-23 | 팩트얼라이언스 주식회사 | 실시간 센싱 데이터 기반의 중전기기 예방정비 권고 시스템 및 그 방법 |
CN115600879A (zh) * | 2022-11-07 | 2023-01-13 | 福建华电可门发电有限公司(Cn) | 一种断路器异常预警方法、系统及相关装置 |
CN115952059A (zh) * | 2022-12-30 | 2023-04-11 | 中移动信息技术有限公司 | 运维异常值的识别方法、装置、智能运维系统及存储介质 |
DE102021212115A1 (de) * | 2021-10-27 | 2023-04-27 | Robert Bosch Gesellschaft mit beschränkter Haftung | Verfahren und Vorrichtung zur Diagnose einer Funktion von Gassystemaktuatoren mithilfe von maschinellen Lernverfahren |
CN116304957A (zh) * | 2023-05-17 | 2023-06-23 | 成都交大光芒科技股份有限公司 | 一种供变电设备监测状态突变在线识别方法 |
-
2023
- 2023-07-12 CN CN202310853472.0A patent/CN116756619B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108227678A (zh) * | 2018-01-04 | 2018-06-29 | 广东电网有限责任公司电力科学研究院 | 一种基于计量自动化系统的配电网失压故障诊断方法和装置 |
CN109086889A (zh) * | 2018-09-30 | 2018-12-25 | 广东电网有限责任公司 | 基于神经网络的终端故障诊断方法、装置和系统 |
CN111558226A (zh) * | 2020-04-28 | 2020-08-21 | 腾讯科技(成都)有限公司 | 一种异常操作行为的检测方法、装置、设备及存储介质 |
WO2022067562A1 (zh) * | 2020-09-29 | 2022-04-07 | 西门子股份公司 | 一种故障电弧的诊断方法、装置和计算机可读存储介质 |
DE102021212115A1 (de) * | 2021-10-27 | 2023-04-27 | Robert Bosch Gesellschaft mit beschränkter Haftung | Verfahren und Vorrichtung zur Diagnose einer Funktion von Gassystemaktuatoren mithilfe von maschinellen Lernverfahren |
KR102479755B1 (ko) * | 2021-11-30 | 2022-12-23 | 팩트얼라이언스 주식회사 | 실시간 센싱 데이터 기반의 중전기기 예방정비 권고 시스템 및 그 방법 |
CN115600879A (zh) * | 2022-11-07 | 2023-01-13 | 福建华电可门发电有限公司(Cn) | 一种断路器异常预警方法、系统及相关装置 |
CN115952059A (zh) * | 2022-12-30 | 2023-04-11 | 中移动信息技术有限公司 | 运维异常值的识别方法、装置、智能运维系统及存储介质 |
CN116304957A (zh) * | 2023-05-17 | 2023-06-23 | 成都交大光芒科技股份有限公司 | 一种供变电设备监测状态突变在线识别方法 |
Non-Patent Citations (2)
Title |
---|
A data-driven adaptive fault diagnosis methodology for nuclear power systems based on NSGAII-CNN;Chen He等;《Annals of Nuclear Energy》;全文 * |
火电机组反向建模方法的研究;靳涛;《中国博士学位论文全文数据库 (工程科技Ⅱ辑)》(第2011年第09期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116756619A (zh) | 2023-09-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110929918B (zh) | 一种基于CNN和LightGBM的10kV馈线故障预测方法 | |
CN108304567B (zh) | 高压变压器工况模式识别与数据分类方法及系统 | |
CN114638476A (zh) | 一种水利一体化运维管理方法及系统 | |
CN116956189A (zh) | 一种电流异常检测系统、方法、电子设备及介质 | |
CN111626559A (zh) | 一种基于主因子分析法的中压配电网线损关键特征指标提取方法及系统 | |
CN118133189B (zh) | 一种桥梁结构健康状态实时监测方法及系统 | |
CN114118592B (zh) | 一种智能电网用电端短期能耗预测系统 | |
CN115526258A (zh) | 基于Spearman相关系数特征提取的电力系统暂稳评估方法 | |
CN114493023A (zh) | 一种基于RF-Adaboost模型在异常水情数据中的诊断与插补方法 | |
CN116957361B (zh) | 一种基于虚实结合的船舶任务系统健康状态检测方法 | |
CN116756619B (zh) | 一种基于大数据的设备智能诊断方法及系统 | |
CN117745057A (zh) | 一种基于图神经网络的调度自动化系统安全风险评估方法 | |
CN117331802A (zh) | 一种基于工业互联网的中台数据监测分析系统 | |
CN109784777B (zh) | 基于时序信息片段云相似度度量的电网设备状态评估方法 | |
CN115935285A (zh) | 基于掩码图神经网络模型的多元时间序列异常检测方法和系统 | |
CN114741876B (zh) | 一种塔式起重机智能检验的方法 | |
CN116151799A (zh) | 一种基于bp神经网络的配电线路多工况故障率快速评估方法 | |
CN114492636B (zh) | 一种变压器绕组状态信号的采集系统 | |
CN115081514A (zh) | 一种数据不平衡情况下的工业设备故障识别方法 | |
CN111210147B (zh) | 基于时序特征提取的烧结过程运行性能评价方法及系统 | |
CN114167837A (zh) | 一种铁路信号系统的智能故障诊断方法及系统 | |
CN113866562A (zh) | 一种电力系统台区线损识别方法 | |
CN111696003B (zh) | 海量数据驱动下台区线损率异常时段智能辨识及预警方法 | |
CN118228199B (zh) | 一种基于神经网络的减速机故障分析方法 | |
CN110633874B (zh) | 一种变电站二次设备状态监测方法及可读存储介质 |
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 |