CN116842366A - 一种水轮发电机组的异常告警方法、装置、设备及介质 - Google Patents
一种水轮发电机组的异常告警方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN116842366A CN116842366A CN202310992513.4A CN202310992513A CN116842366A CN 116842366 A CN116842366 A CN 116842366A CN 202310992513 A CN202310992513 A CN 202310992513A CN 116842366 A CN116842366 A CN 116842366A
- Authority
- CN
- China
- Prior art keywords
- vibration data
- standard
- historical
- current
- data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 80
- 230000005856 abnormality Effects 0.000 title claims abstract description 38
- 230000003595 spectral effect Effects 0.000 claims abstract description 89
- 230000002159 abnormal effect Effects 0.000 claims abstract description 63
- 238000012790 confirmation Methods 0.000 claims abstract description 32
- 238000007781 pre-processing Methods 0.000 claims abstract description 29
- 238000006243 chemical reaction Methods 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims description 38
- 238000004590 computer program Methods 0.000 claims description 18
- 230000000295 complement effect Effects 0.000 claims description 16
- 238000003860 storage Methods 0.000 claims description 16
- 238000000354 decomposition reaction Methods 0.000 claims description 14
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims description 10
- 238000001228 spectrum Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 9
- 238000011550 data transformation method Methods 0.000 claims description 7
- 230000011218 segmentation Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000010200 validation analysis Methods 0.000 claims description 2
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000005086 pumping Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000001052 transient effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种水轮发电机组的异常告警方法、装置、设备及介质。通过实时获取目标水轮发电机组的当前振动数据，并对所述当前振动数据进行数据预处理，得到标准当前振动数据；通过预设的振动数据变换方法，对所述标准当前振动数据进行特征提取，得到当前谱峭度特征；将所述当前谱峭度特征输入至预先训练的异常告警簇确认模型中，确定出与所述当前谱峭度特征对应的聚类簇类型；如果聚类簇类型是异常告警簇，则对所述目标水轮发电机组进行异常告警操作。解决了对于采集到的振动数据难以进行准确地水轮发电机组告警的问题，提高了水轮发电机组告警的准确率和速率，保障了水轮发电机组的安全性。
Description
技术领域
本发明涉及水轮发电机组监测技术领域，尤其涉及一种水轮发电机组的异常告警方法、装置、设备及介质。
背景技术
水轮发电机组是电力生产领域中的关键重要设备，是电厂能否完成生产任务的核心，在现有的电厂设备监测系统中对水轮发电机组状态监测是最为全面和严谨的。
发明人在实现本发明的过程中，发现现有技术存在如下缺陷：目前，现有的水轮发电机组异常告警方法普遍集中在阈值告警，在水轮发电机组振动数据监测中没有进行联合分析，缺少对电力大数据的合理应用。
发明内容
本发明提供了一种水轮发电机组的异常告警方法、装置、设备及介质，以实现提高水轮发电机组告警的准确率和速率，保障了水轮发电机组的安全性。
根据本发明的一方面，提供了一种水轮发电机组的异常告警方法，其中，包括：
实时获取目标水轮发电机组的当前振动数据，并对所述当前振动数据进行数据预处理，得到标准当前振动数据；
通过预设的振动数据变换方法，对所述标准当前振动数据进行特征提取，得到当前谱峭度特征；
将所述当前谱峭度特征输入至预先训练的异常告警簇确认模型中，确定出与所述当前谱峭度特征对应的聚类簇类型；
如果聚类簇类型是异常告警簇，则对所述目标水轮发电机组进行异常告警操作。
根据本发明的另一方面，提供了一种水轮发电机组的异常告警装置，其中，包括：
标准当前振动数据确定模块，用于实时获取目标水轮发电机组的当前振动数据，并对所述当前振动数据进行数据预处理，得到标准当前振动数据；
当前谱峭度特征确定模块，用于通过预设的振动数据变换方法，对所述标准当前振动数据进行特征提取，得到当前谱峭度特征；
聚类簇类型确定模块，用于将所述当前谱峭度特征输入至预先训练的异常告警簇确认模型中，确定出与所述当前谱峭度特征对应的聚类簇类型；
目标水轮发电机组异常告警模块，用于如果聚类簇类型是异常告警簇，则对所述目标水轮发电机组进行异常告警操作。
根据本发明的另一方面，提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述计算机程序时实现本发明任一实施例所述的水轮发电机组的异常告警方法。
根据本发明的另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的水轮发电机组的异常告警方法。
本发明实施例的技术方案，通过实时获取目标水轮发电机组的当前振动数据，并对所述当前振动数据进行数据预处理，得到标准当前振动数据；通过预设的振动数据变换方法，对所述标准当前振动数据进行特征提取，得到当前谱峭度特征；将所述当前谱峭度特征输入至预先训练的异常告警簇确认模型中，确定出与所述当前谱峭度特征对应的聚类簇类型；如果聚类簇类型是异常告警簇，则对所述目标水轮发电机组进行异常告警操作。解决了对于采集到的振动数据难以进行准确地水轮发电机组告警的问题，提高了水轮发电机组告警的准确率和速率，保障了水轮发电机组的安全性。
应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
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是根据本发明实施例一提供的一种水轮发电机组的异常告警方法的流程图；
图2是根据本发明实施例二提供的一种水轮发电机组的异常告警装置的结构示意图；
图3是根据本发明实施例三提供的一种电子设备的结构示意图。
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的实施例，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，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“目标”、“当前”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1为本发明实施例一提供了一种水轮发电机组的异常告警方法的流程图，本实施例可适用于对水轮发电机组的振动数据进行监测的情况，该方法可以由水轮发电机组的异常告警装置来执行，该水轮发电机组的异常告警装置可以采用硬件和/或软件的形式实现。
相应的，如图1所示，该方法包括：
S110、实时获取目标水轮发电机组的当前振动数据，并对所述当前振动数据进行数据预处理，得到标准当前振动数据。
其中，当前振动数据可以是用来描述水轮发电机组振动状况的数据。标准当前振动数据可以是对当前振动数据进行数据预处理，得到的数据。
具体的，当前振动数据可以包括水轮发电机组顶盖振动数据、上导轴承振动数据、以及水导轴承振动数据等数据。
在本实施例中，需要实时获取目标水轮发电机组的当前振动数据，由于当前振动数据可能存在空白振动数据、以及振动数据的长度不满足谱峭度特征长度阈值等情况，因此需要对当前振动数据进行数据预处理操作，经过数据预处理之后，可以得到标准当前振动数据。
可选的，在所述实时获取目标水轮发电机组的当前振动数据，并对所述当前振动数据进行数据预处理，得到标准当前振动数据之前，还包括：获取水轮发电机组的多组历史振动数据，并对多组历史振动数据通过预先设置的数据预处理方法进行处理，得到多组标准历史振动数据；通过预设的振动数据变换方法，分别对多组标准历史振动数据进行特征提取，得到多组历史谱峭度特征；在多组历史谱峭度特征中，分别以至少三组的历史谱峭度特征作为初始聚类算法模型的输入进行模型训练，当初始聚类算法模型对应的簇确认准确率满足准确率阈值时，则训练得到异常告警簇确认模型。
其中，历史振动数据可以是用来描述目标水轮发电机组的历史的振动数据。标准历史振动数据可以是对历史振动数据进行数据预处理得到的数据。历史谱峭度特征可以是对标准历史振动数据进行特征提取，得到的谱峭度特征。
在本实施例中，需要对获取到的历史振动数据进行数据预处理操作，得到多组标准历史振动数据。进一步的，需要对多组标准历史振动数据进行特征提取，得到相应的多组历史谱峭度特征。
相应的，将多组历史谱峭度特征分别以至少三组历史谱峭度特征进行分批处理，在分批处理之后，分别逐渐将一批次的历史谱峭度特征输入至初始聚类算法模型进行模型的聚类训练，当初始聚类算法模型对应的簇确认准确率满足准确率阈值时，则训练得到异常告警簇确认模型。
具体的，异常告警簇确认模型可以对输入的谱峭度特征进行是否属于异常告警簇的判断模型。异常告警簇确认模型可以基于k-medoids算法而训练得到的，这里不做具体限定。
可选的，所述数据预处理方法包括：数据补全方法、数据归一化方法和数据切片方法；所述对多组历史振动数据通过预先设置的数据预处理方法进行处理，得到多组标准历史振动数据，包括：判断多组历史振动数据中是否存在空白历史振动数据，若存在，则获取与所述空白历史振动数据对应的相邻历史振动数据，并通过数据补全方法进行数据处理，得到多组历史补全振动数据；通过数据归一化公式分别对多组历史补全振动数据V进行数据处理，得到多组历史归一化振动数据V′；获取谱峭度特征长度阈值，对所述多组历史归一化振动数据分别进行数据切分处理，得到多组标准历史振动数据。
其中，历史补全振动数据可以是能够对空白历史振动数据进行补全操作而得到的数据。历史归一化振动数据可以是对历史补全振动数据进行归一化处理得到的数据。谱峭度特征长度阈值可以是预先设置的谱峭度特征的长度阈值的大小。
在本实施例中，假设历史振动数据为80组，需要判断在80组历史振动数据中是否存在空白历史振动数据，如果空白历史振动数据分别为第15组和第50组。进一步的，则需要获取第14组历史振动数据和第16组历史振动数据，并根据两组历史振动数据计算平均历史振动数据，将其作为第15组历史振动数据。
相应的，需要获取第49组历史振动数据和第51组历史振动数据，并根据两组历史振动数据计算平均历史振动数据，将其作为第50组历史振动数据。
另外的，通过数据归一化公式对历史补全振动数据进行归一化处理，得到历史归一化振动数据。在得到历史归一化振动数据之后，再分别将历史归一化振动数据进行数据切分处理，得到多组标准历史振动数据。
具体的，历史归一化振动数据的长度为L1，谱峭度特征长度阈值为km，需要满足历史归一化振动数据的长度大于或者等于谱峭度特征长度阈值。如果历史归一化振动数据的长度小于谱峭度特征长度阈值，则舍去历史归一化振动数据的长度。
示例性的，假设谱峭度特征长度阈值为100，历史归一化振动数据的长度为125，则可以通过数据切分处理，得到相应的标准历史振动数据，具体的，标准历史振动数据的长度为100。另外的，如果历史归一化振动数据的长度为25，则舍去历史归一化振动数据即可。
可选的，所述通过预设的振动数据变换方法，分别对多组标准历史振动数据进行特征提取，得到多组历史谱峭度特征，包括：通过公式对多组标准历史振动数据进行希尔伯特变换，得到多组标准历史振动数据信号H(t)；其中，V1(r)表示标准历史振动数据；t表示时间点；τ表示时间分量，并且τ的取值范围为(-∞，+∞)；将多组标准历史振动数据信号分别通过低通滤波器和高通滤波器进行滤波，得到多组标准历史振动数据滤波信号；分别对所述多组标准历史振动数据滤波信号进行虚实分解处理，得到多组标准历史振动数据分解信号；通过公式/>分别对多组标准历史振动数据分解信号进行特征提取，得到多组历史谱峭度特征K；其中，V″表示标准历史振动数据分解信号；C4为4阶谱瞬时矩计算，C2为2阶谱瞬时矩计算。
其中，标准历史振动数据信号可以是对标准历史振动数据通过希尔伯特变化得到的数据信号。标准历史振动数据滤波信号可以是经过低通滤波和高通滤波得到的信号。历史谱峭度特征可以是对标准历史振动数据分解信号进行特征提取得到的特征。
具体的，谱峭度特征可以包括谱峭度的均值、谱峭度的标准差、谱峭度的偏度和谱峭度的峭度。另外的，谱峭度对信号中的瞬态冲击成分十分敏感，能有效的从含有背景噪声信号中识别瞬态冲击及其在频带中的分布。
S120、通过预设的振动数据变换方法，对所述标准当前振动数据进行特征提取，得到当前谱峭度特征。
其中，当前谱峭度特征可以是用来描述标准当前振动数据的谱峭度的特征。
具体的，振动数据变换方法包括希尔伯特变换、低通滤波器和高通滤波器滤波、虚实分解处理、以及特征提取操作。经过上述振动数据变换方法，可以进一步地得到当前谱峭度特征。
S130、将所述当前谱峭度特征输入至预先训练的异常告警簇确认模型中，确定出与所述当前谱峭度特征对应的聚类簇类型。
其中，异常告警簇确认模型可以是对当前谱峭度特征进行判断分析，是否属于异常告警簇的模型。聚类簇类型可以包括异常告警簇和正常告警簇。
在本实施例中，需要通过异常告警簇确认模型来判断当前谱峭度特征对应的聚类簇类型。根据聚类簇类型进行相应的处理操作。
S140、如果聚类簇类型是异常告警簇，则对所述目标水轮发电机组进行异常告警操作。
其中，异常告警簇可以是描述当前谱峭度特征存在异常的聚类簇。
在本实施例中，如果确定聚类簇类型是异常告警簇，说明该当前谱峭度特征存在异常，也即从目标水轮机组采集到的当前振动数据存在异常，因此需要进行告警处理。
可选的，在所述将所述当前谱峭度特征输入至预先训练的异常告警簇确认模型中，确定出与所述当前谱峭度特征对应的聚类簇类型之后，还包括：如果聚类簇类型不是异常告警簇，则将标准当前振动数据通过距离分类器进行计算，得到标准当前振动数据距离；根据所述标准当前振动数据距离和预设的标准距离阈值进行比较，根据距离比较结果来对所述目标水轮发电机组进行处理。
其中，距离分类器可以是能够进行距离计算的分类器。标准当前振动数据距离可以是通过距离分类器计算出的关于标准当前振动数据的距离的大小。标准距离阈值可以是预先设置的判断是否存在异常的距离阈值。距离比较结果可以是进行距离比较得到的结果。
在本实施例中，如果当前谱峭度特征对应的聚类簇类型不是异常告警簇，不能直接判断目标水轮发电机组处于正常状态。还需要将标准当前振动数据通过距离分类器得到标准当前振动数据距离，进一步地进行距离的判断，根据距离比较结果来对所述目标水轮发电机组进行处理。
可选的，所述根据所述标准当前振动数据距离和预设的标准距离阈值进行比较，根据距离比较结果来对所述目标水轮发电机组进行处理，包括：判断所述标准当前振动数据距离是否大于预设的标准距离阈值，若是，则对所述目标水轮发电机组进行异常告警操作；若否，则确定所述目标水轮发电机组处于正常状态。
在本实施例中，需要判断标准当前振动数据距离是否大于预设的标准距离阈值。具体的，如果标准当前振动数据距离大于预设的标准距离阈值，说明标准当前振动数据距离不满足标准距离阈值的要求，需要对目标水轮发电机组进行异常告警操作。反之可以确定目标水轮发电机组处于正常状态。这样可以更加准确地对目标水轮发电机组的状态进行判断，提高了状态判断结果的可靠性。
可选的，所述将标准当前振动数据通过距离分类器进行计算，得到标准当前振动数据距离，包括：通过所述异常告警簇确认模型，获取与标准当前振动数据对应的三维通道当前振动数据和三维通道目标簇中心；其中，所述三维通道当前振动数据包括：第一维通道当前振动数据、第二维通道当前振动数据和第三维通道当前振动数据；所述三维通道目标簇中心包括：第一维通道目标簇中心、第二维通道目标簇中心和第三维通道目标簇中心；根据公式进行计算，得到标准当前振动数据距离d；其中，x表示标准当前振动数据；x1表示第一维通道当前振动数据；x2表示第二维通道当前振动数据；x3表示第三维通道当前振动数据；mj表示三维通道目标簇中心；mj1表示第一维通道目标簇中心；mj2表示第二维通道目标簇中心；mj3表示第三维通道目标簇中心。
其中，三维通道当前振动数据可以是与标准当前振动数据相关联的三维通道的数据。三维通道目标簇中心可以是与标准当前振动数据相关联的三维通道的簇中心。
具体的，三维通道当前振动数据可以包括第一维通道当前振动数据、第二维通道当前振动数据和第三维通道当前振动数据。三维通道目标簇中心可以包括第一维通道目标簇中心、第二维通道目标簇中心和第三维通道目标簇中心。
另外的，三维通道当前振动数据可以包括异常状态、抽水工况、发电工况、以及抽水调相工况等数据。
在本实施例中，获取与标准当前振动数据对应的三维通道当前振动数据和三维通道目标簇中心。进一步的，根据公式来进一步地计算得到标准当前振动数据距离。相应的，根据计算出的标准当前振动数据距离来和标准距离阈值进行比较，根据距离比较结果来对所述目标水轮发电机组进行处理。
本发明实施例的技术方案，通过实时获取目标水轮发电机组的当前振动数据，并对所述当前振动数据进行数据预处理，得到标准当前振动数据；通过预设的振动数据变换方法，对所述标准当前振动数据进行特征提取，得到当前谱峭度特征；将所述当前谱峭度特征输入至预先训练的异常告警簇确认模型中，确定出与所述当前谱峭度特征对应的聚类簇类型；如果聚类簇类型是异常告警簇，则对所述目标水轮发电机组进行异常告警操作。解决了对于采集到的振动数据难以进行准确地水轮发电机组告警的问题，根据谱峭度特征处理，以及结合了水轮发电机组运行时的振动特点，并且联合多个振动数据测点联合聚类，提高了水轮发电机组告警的准确率和速率，保障了水轮发电机组的安全性。
实施例二
图2为本发明实施例二提供的一种水轮发电机组的异常告警装置的结构示意图。本实施例所提供的一种水轮发电机组的异常告警装置可以通过软件和/或硬件来实现，可配置于终端设备或者服务器中，来实现本发明实施例中的一种水轮发电机组的异常告警方法。如图2所示，该装置包括：标准当前振动数据确定模块210、当前谱峭度特征确定模块220、聚类簇类型确定模块230和目标水轮发电机组异常告警模块240。
其中，标准当前振动数据确定模块210，用于实时获取目标水轮发电机组的当前振动数据，并对所述当前振动数据进行数据预处理，得到标准当前振动数据；
当前谱峭度特征确定模块220，用于通过预设的振动数据变换方法，对所述标准当前振动数据进行特征提取，得到当前谱峭度特征；
聚类簇类型确定模块230，用于将所述当前谱峭度特征输入至预先训练的异常告警簇确认模型中，确定出与所述当前谱峭度特征对应的聚类簇类型；
目标水轮发电机组异常告警模块240，用于如果聚类簇类型是异常告警簇，则对所述目标水轮发电机组进行异常告警操作。
本发明实施例的技术方案，通过实时获取目标水轮发电机组的当前振动数据，并对所述当前振动数据进行数据预处理，得到标准当前振动数据；通过预设的振动数据变换方法，对所述标准当前振动数据进行特征提取，得到当前谱峭度特征；将所述当前谱峭度特征输入至预先训练的异常告警簇确认模型中，确定出与所述当前谱峭度特征对应的聚类簇类型；如果聚类簇类型是异常告警簇，则对所述目标水轮发电机组进行异常告警操作。解决了对于采集到的振动数据难以进行准确地水轮发电机组告警的问题，提高了水轮发电机组告警的准确率和速率，保障了水轮发电机组的安全性。
可选的，还包括，异常告警簇确认模型训练模块，可以具体用于：在所述实时获取目标水轮发电机组的当前振动数据，并对所述当前振动数据进行数据预处理，得到标准当前振动数据之前，获取水轮发电机组的多组历史振动数据，并对多组历史振动数据通过预先设置的数据预处理方法进行处理，得到多组标准历史振动数据；通过预设的振动数据变换方法，分别对多组标准历史振动数据进行特征提取，得到多组历史谱峭度特征；在多组历史谱峭度特征中，分别以至少三组的历史谱峭度特征作为初始聚类算法模型的输入进行模型训练，当初始聚类算法模型对应的簇确认准确率满足准确率阈值时，则训练得到异常告警簇确认模型。
可选的，还包括，异常告警簇确认模型训练模块，还可以具体用于：所述数据预处理方法包括：数据补全方法、数据归一化方法和数据切片方法；所述对多组历史振动数据通过预先设置的数据预处理方法进行处理，得到多组标准历史振动数据，包括：判断多组历史振动数据中是否存在空白历史振动数据，若存在，则获取与所述空白历史振动数据对应的相邻历史振动数据，并通过数据补全方法进行数据处理，得到多组历史补全振动数据；通过数据归一化公式分别对多组历史补全振动数据V进行数据处理，得到多组历史归一化振动数据V′；获取谱峭度特征长度阈值，对所述多组历史归一化振动数据分别进行数据切分处理，得到多组标准历史振动数据。
可选的，还包括，异常告警簇确认模型训练模块，还可以具体用于：通过公式对多组标准历史振动数据进行希尔伯特变换，得到多组标准历史振动数据信号H(t)；其中，V1(τ)表示标准历史振动数据；t表示时间点；τ表示时间分量，并且τ的取值范围为(-∞，+∞)；将多组标准历史振动数据信号分别通过低通滤波器和高通滤波器进行滤波，得到多组标准历史振动数据滤波信号；分别对所述多组标准历史振动数据滤波信号进行虚实分解处理，得到多组标准历史振动数据分解信号；通过公式分别对多组标准历史振动数据分解信号进行特征提取，得到多组历史谱峭度特征K；其中，V″表示标准历史振动数据分解信号；C4为4阶谱瞬时矩计算，C2为2阶谱瞬时矩计算。
可选的，还包括，标准当前振动数据距离确定模块，可以具体用于：在所述将所述当前谱峭度特征输入至预先训练的异常告警簇确认模型中，确定出与所述当前谱峭度特征对应的聚类簇类型之后，如果聚类簇类型不是异常告警簇，则将标准当前振动数据通过距离分类器进行计算，得到标准当前振动数据距离；根据所述标准当前振动数据距离和预设的标准距离阈值进行比较，根据距离比较结果来对所述目标水轮发电机组进行处理。
可选的，还包括，标准当前振动数据距离确定模块，还可以具体用于：判断所述标准当前振动数据距离是否大于预设的标准距离阈值，若是，则对所述目标水轮发电机组进行异常告警操作；若否，则确定所述目标水轮发电机组处于正常状态。
可选的，还包括，标准当前振动数据距离确定模块，还可以具体用于：通过所述异常告警簇确认模型，获取与标准当前振动数据对应的三维通道当前振动数据和三维通道目标簇中心；其中，所述三维通道当前振动数据包括：第一维通道当前振动数据、第二维通道当前振动数据和第三维通道当前振动数据；所述三维通道目标簇中心包括：第一维通道目标簇中心、第二维通道目标簇中心和第三维通道目标簇中心；根据公式进行计算，得到标准当前振动数据距离d；其中，x表示标准当前振动数据；x1表示第一维通道当前振动数据；x2表示第二维通道当前振动数据；x3表示第三维通道当前振动数据；mj表示三维通道目标簇中心；mj1表示第一维通道目标簇中心；mj2表示第二维通道目标簇中心；mj3表示第三维通道目标簇中心。
本发明实施例所提供的水轮发电机组的异常告警装置可执行本发明任意实施例所提供的水轮发电机组的异常告警方法，具备执行方法相应的功能模块和有益效果。
实施例三
图3示出了可以用来实施本发明的实施例三的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图3所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(ROM)12、随机访问存储器(RAM)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如水轮发电机组的异常告警方法。
在一些实施例中，水轮发电机组的异常告警方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时，可以执行上文描述的水轮发电机组的异常告警方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行水轮发电机组的异常告警方法。
该方法包括：实时获取目标水轮发电机组的当前振动数据，并对所述当前振动数据进行数据预处理，得到标准当前振动数据；通过预设的振动数据变换方法，对所述标准当前振动数据进行特征提取，得到当前谱峭度特征；将所述当前谱峭度特征输入至预先训练的异常告警簇确认模型中，确定出与所述当前谱峭度特征对应的聚类簇类型；如果聚类簇类型是异常告警簇，则对所述目标水轮发电机组进行异常告警操作。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。
实施例四
本发明实施例四还提供一种包含计算机可读存储介质，所述计算机可读指令在由计算机处理器执行时用于执行一种水轮发电机组的异常告警方法，该方法包括：实时获取目标水轮发电机组的当前振动数据，并对所述当前振动数据进行数据预处理，得到标准当前振动数据；通过预设的振动数据变换方法，对所述标准当前振动数据进行特征提取，得到当前谱峭度特征；将所述当前谱峭度特征输入至预先训练的异常告警簇确认模型中，确定出与所述当前谱峭度特征对应的聚类簇类型；如果聚类簇类型是异常告警簇，则对所述目标水轮发电机组进行异常告警操作。
当然，本发明实施例所提供的一种包含计算机可读存储介质，其计算机可执行指令不限于如上所述的方法操作，还可以执行本发明任意实施例所提供的水轮发电机组的异常告警方法中的相关操作。
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(RandomAccess Memory，RAM)、闪存(FLASH)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
值得注意的是，上述水轮发电机组的异常告警装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。
Claims (10)
1.一种水轮发电机组的异常告警方法，其特征在于，包括：
实时获取目标水轮发电机组的当前振动数据，并对所述当前振动数据进行数据预处理，得到标准当前振动数据；
通过预设的振动数据变换方法，对所述标准当前振动数据进行特征提取，得到当前谱峭度特征；
将所述当前谱峭度特征输入至预先训练的异常告警簇确认模型中，确定出与所述当前谱峭度特征对应的聚类簇类型；
如果聚类簇类型是异常告警簇，则对所述目标水轮发电机组进行异常告警操作。
2.根据权利要求1所述的方法，其特征在于，在所述实时获取目标水轮发电机组的当前振动数据，并对所述当前振动数据进行数据预处理，得到标准当前振动数据之前，还包括：
获取水轮发电机组的多组历史振动数据，并对多组历史振动数据通过预先设置的数据预处理方法进行处理，得到多组标准历史振动数据；
通过预设的振动数据变换方法，分别对多组标准历史振动数据进行特征提取，得到多组历史谱峭度特征；
在多组历史谱峭度特征中，分别以至少三组的历史谱峭度特征作为初始聚类算法模型的输入进行模型训练，当初始聚类算法模型对应的簇确认准确率满足准确率阈值时，则训练得到异常告警簇确认模型。
3.根据权利要求2所述的方法，其特征在于，所述数据预处理方法包括：数据补全方法、数据归一化方法和数据切片方法；
所述对多组历史振动数据通过预先设置的数据预处理方法进行处理，得到多组标准历史振动数据，包括：
判断多组历史振动数据中是否存在空白历史振动数据，若存在，则获取与所述空白历史振动数据对应的相邻历史振动数据，并通过数据补全方法进行数据处理，得到多组历史补全振动数据；
通过数据归一化公式分别对多组历史补全振动数据V进行数据处理，得到多组历史归一化振动数据V′；
获取谱峭度特征长度阈值，对所述多组历史归一化振动数据分别进行数据切分处理，得到多组标准历史振动数据。
4.根据权利要求3所述的方法，其特征在于，所述通过预设的振动数据变换方法，分别对多组标准历史振动数据进行特征提取，得到多组历史谱峭度特征，包括：
通过公式对多组标准历史振动数据进行希尔伯特变换，得到多组标准历史振动数据信号H(t)；
其中，V1(τ)表示标准历史振动数据；t表示时间点；τ表示时间分量，并且τ的取值范围为(-∞，+∞)；
将多组标准历史振动数据信号分别通过低通滤波器和高通滤波器进行滤波，得到多组标准历史振动数据滤波信号；
分别对所述多组标准历史振动数据滤波信号进行虚实分解处理，得到多组标准历史振动数据分解信号；
通过公式分别对多组标准历史振动数据分解信号进行特征提取，得到多组历史谱峭度特征K；
其中，V″表示标准历史振动数据分解信号；C4为4阶谱瞬时矩计算，C2为2阶谱瞬时矩计算。
5.根据权利要求1所述的方法，其特征在于，在所述将所述当前谱峭度特征输入至预先训练的异常告警簇确认模型中，确定出与所述当前谱峭度特征对应的聚类簇类型之后，还包括：
如果聚类簇类型不是异常告警簇，则将标准当前振动数据通过距离分类器进行计算，得到标准当前振动数据距离；
根据所述标准当前振动数据距离和预设的标准距离阈值进行比较，根据距离比较结果来对所述目标水轮发电机组进行处理。
6.根据权利要求5所述的方法，其特征在于，所述根据所述标准当前振动数据距离和预设的标准距离阈值进行比较，根据距离比较结果来对所述目标水轮发电机组进行处理，包括：
判断所述标准当前振动数据距离是否大于预设的标准距离阈值，若是，则对所述目标水轮发电机组进行异常告警操作；
若否，则确定所述目标水轮发电机组处于正常状态。
7.根据权利要求6所述的方法，其特征在于，所述将标准当前振动数据通过距离分类器进行计算，得到标准当前振动数据距离，包括：
通过所述异常告警簇确认模型，获取与标准当前振动数据对应的三维通道当前振动数据和三维通道目标簇中心；
其中，所述三维通道当前振动数据包括：第一维通道当前振动数据、第二维通道当前振动数据和第三维通道当前振动数据；所述三维通道目标簇中心包括：第一维通道目标簇中心、第二维通道目标簇中心和第三维通道目标簇中心；
根据公式进行计算，得到标准当前振动数据距离d；
其中，x表示标准当前振动数据；x1表示第一维通道当前振动数据；x2表示第二维通道当前振动数据；x3表示第三维通道当前振动数据；mj表示三维通道目标簇中心；mj1表示第一维通道目标簇中心；mj2表示第二维通道目标簇中心；mj3表示第三维通道目标簇中心。
8.一种水轮发电机组的异常告警装置，其特征在于，包括：
标准当前振动数据确定模块，用于实时获取目标水轮发电机组的当前振动数据，并对所述当前振动数据进行数据预处理，得到标准当前振动数据；
当前谱峭度特征确定模块，用于通过预设的振动数据变换方法，对所述标准当前振动数据进行特征提取，得到当前谱峭度特征；
聚类簇类型确定模块，用于将所述当前谱峭度特征输入至预先训练的异常告警簇确认模型中，确定出与所述当前谱峭度特征对应的聚类簇类型；
目标水轮发电机组异常告警模块，用于如果聚类簇类型是异常告警簇，则对所述目标水轮发电机组进行异常告警操作。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-7中任一项所述的水轮发电机组的异常告警方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现如权利要求1-7中任一项所述的水轮发电机组的异常告警方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310992513.4A CN116842366A (zh) | 2023-08-08 | 2023-08-08 | 一种水轮发电机组的异常告警方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310992513.4A CN116842366A (zh) | 2023-08-08 | 2023-08-08 | 一种水轮发电机组的异常告警方法、装置、设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116842366A true CN116842366A (zh) | 2023-10-03 |
Family
ID=88169152
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310992513.4A Pending CN116842366A (zh) | 2023-08-08 | 2023-08-08 | 一种水轮发电机组的异常告警方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116842366A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117498735A (zh) * | 2024-01-02 | 2024-02-02 | 深圳市爱宝科技有限公司 | 一种步进电机动态平稳驱动方法及系统 |
-
2023
- 2023-08-08 CN CN202310992513.4A patent/CN116842366A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117498735A (zh) * | 2024-01-02 | 2024-02-02 | 深圳市爱宝科技有限公司 | 一种步进电机动态平稳驱动方法及系统 |
| CN117498735B (zh) * | 2024-01-02 | 2024-03-19 | 深圳市爱宝科技有限公司 | 一种步进电机动态平稳驱动方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116842366A (zh) | 一种水轮发电机组的异常告警方法、装置、设备及介质 | |
| CN116049146B (zh) | 一种数据库故障处理方法、装置、设备及存储介质 | |
| CN115033463B (zh) | 一种系统异常类型确定方法、装置、设备和存储介质 | |
| CN115396289B (zh) | 一种故障告警确定方法、装置、电子设备及存储介质 | |
| CN116167352A (zh) | 数据处理方法、装置、电子设备及存储介质 | |
| CN116090605A (zh) | 一种管网预警方法、装置、电子设备及存储介质 | |
| CN116008799A (zh) | 真空断路器的监测处理方法、装置、电子设备及存储介质 | |
| CN109613324B (zh) | 一种谐波放大的检测方法及装置 | |
| CN116957539A (zh) | 电缆状态评价方法、装置、电子设备及存储介质 | |
| CN116668264A (zh) | 一种告警聚类的根因分析方法、装置、设备及存储介质 | |
| CN115168154B (zh) | 一种基于动态基线的异常日志检测方法、装置及设备 | |
| CN116363751A (zh) | 电力登塔作业攀爬动作识别方法、装置、设备及存储介质 | |
| CN116012859A (zh) | 基于清晰度指标的文本图像拒识判断方法、装置及设备 | |
| CN115049551A (zh) | 一种点云地面点的滤除方法、装置、设备及存储介质 | |
| CN115876252A (zh) | 一种外破隐患点多方位检测方法、装置、设备及介质 | |
| CN116070138B (zh) | 一种抽水蓄能机组的状态监测方法、装置、设备及介质 | |
| CN115361584B (zh) | 一种视频数据处理方法、装置、电子设备及可读存储介质 | |
| CN117421377A (zh) | 一种能源场站的数据处理方法、装置、设备及介质 | |
| CN117934152A (zh) | 一种系统变更后的风险评估方法、装置、设备及存储介质 | |
| CN116204522A (zh) | 一种数据稽核方法、装置、电子设备及存储介质 | |
| CN116112339A (zh) | 一种根因告警的定位方法、装置、设备及介质 | |
| CN115032499A (zh) | 输电线路防外力破环的监测方法、装置以及系统 | |
| CN115774648A (zh) | 一种异常定位方法、装置、设备以及存储介质 | |
| CN117829611A (zh) | 一种基于人工智能的分包商管理风险评估预警方法 | |
| CN117906665A (zh) | 一种电站设备检修监测系统、方法、电子设备及存储介质 |
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 |