CN117308275A - 一种基于温差的管路连接异常检测方法及系统 - Google Patents
一种基于温差的管路连接异常检测方法及系统 Download PDFInfo
- Publication number
- CN117308275A CN117308275A CN202311599935.1A CN202311599935A CN117308275A CN 117308275 A CN117308275 A CN 117308275A CN 202311599935 A CN202311599935 A CN 202311599935A CN 117308275 A CN117308275 A CN 117308275A
- Authority
- CN
- China
- Prior art keywords
- data
- temperature difference
- air output
- output data
- judgment result
- 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
- 230000005856 abnormality Effects 0.000 title claims abstract description 54
- 238000001514 detection method Methods 0.000 title claims abstract description 44
- 230000002159 abnormal effect Effects 0.000 claims abstract description 60
- 238000004378 air conditioning Methods 0.000 claims abstract description 47
- 238000000034 method Methods 0.000 claims abstract description 42
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 22
- 238000012544 monitoring process Methods 0.000 claims abstract description 13
- 239000002245 particle Substances 0.000 claims abstract description 11
- 238000012300 Sequence Analysis Methods 0.000 claims abstract description 8
- 238000005516 engineering process Methods 0.000 claims abstract description 8
- 238000005065 mining Methods 0.000 claims abstract description 8
- 238000012545 processing Methods 0.000 claims description 24
- 230000000737 periodic effect Effects 0.000 claims description 16
- 238000010606 normalization Methods 0.000 claims description 14
- 230000000875 corresponding effect Effects 0.000 claims description 13
- 238000004458 analytical method Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 9
- 239000002826 coolant Substances 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 6
- 238000007405 data analysis Methods 0.000 claims description 6
- 238000013480 data collection Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000003064 k means clustering Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 4
- 238000012731 temporal analysis Methods 0.000 claims description 4
- 238000000700 time series analysis Methods 0.000 claims description 4
- 230000002596 correlated effect Effects 0.000 claims description 3
- 238000005304 joining Methods 0.000 claims description 3
- 238000012847 principal component analysis method Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- 230000008859 change Effects 0.000 description 4
- 238000013016 damping Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000003466 welding Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000012790 confirmation Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000003449 preventive effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 230000010259 detection of temperature stimulus Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000011900 installation process Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/30—Control or safety arrangements for purposes related to the operation of the system, e.g. for safety or monitoring
- F24F11/32—Responding to malfunctions or emergencies
- F24F11/38—Failure diagnosis
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/30—Control or safety arrangements for purposes related to the operation of the system, e.g. for safety or monitoring
- F24F11/49—Control or safety arrangements for purposes related to the operation of the system, e.g. for safety or monitoring ensuring correct operation, e.g. by trial operation or configuration checks
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
- F24F11/63—Electronic processing
- F24F11/64—Electronic processing using pre-stored data
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/70—Control systems characterised by their outputs; Constructional details thereof
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/88—Electrical aspects, e.g. circuits
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F2110/00—Control inputs relating to air properties
- F24F2110/10—Temperature
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F2140/00—Control inputs relating to system states
- F24F2140/20—Heat-exchange fluid temperature
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Physics & Mathematics (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明公开了一种基于温差的管路连接异常检测方法及系统,涉及空调器技术领域,该基于温差的管路连接异常检测方法包括以下步骤:通过深度挖掘技术进行分析,得到初步判断结果;获取不同温度所对应的出风量数据,得到二次判断结果;利用局部粒子群算法对空调系统在正常运行条件下的温度差数据及出风量数据进行异常检测;利用信息增益计算温度差数据及出风量数据的权重值;利用波束形成法和时间序列分析法构建管路连接异常预测模型。本发明有助于更全面地了解空调系统的状态,通过实时监测和异常检测,可以在早期发现潜在的问题,从而保障空调系统的稳定运行,进而有效地帮助监测和预测空调系统的异常状态,提高系统的稳定性和资源效率。
Description
技术领域
本发明涉及空调器技术领域,具体来说,涉及一种基于温差的管路连接异常检测方法及系统。
背景技术
在空调器实际生产过程中,生产人员在对空调管路进行相关操作时,由于疏漏等原因,可能使空调管路出现漏贴阻尼块、漏贴橡胶块、漏扎线扎等异常情况,导致空调管路容易变形。并且,由于空调管路受限于空调结构,因此使空调管路在进行配管、焊接、包扎阻尼块等操作时,都会受到一定程度的拉扯,导致空调管路出现变形。
另外,在空调器运输、安装过程中也可能出现管路变形、阻尼块或橡胶片脱落等异常情况,导致空调管路容易变形。因此,从空调器生产、运输到安装整个过程中,空调管路都存在容易变形的情况,从而造成空调器运行时管路应力应变超标。当空调器长时间运行后,管路应力应变超标还可能造成管路焊接位置裂漏,从而对空调器的正常运行带来影响。因此,需要对空调管路连接进行检测,防止管路焊接位置裂漏。
然而现有技术中,不便于结合管路其他参数,如流量、压力,出风量、温差等进行检测,判断不够全面,并且无法实时监测,主要依靠人工定期检查,漏检率高,缺乏对检测结果的深度分析,不便于对异常情况进行预测,降低了检测效率。
针对相关技术中的问题,目前尚未提出有效的解决方案。
发明内容
针对现有技术的不足,本发明提出一种基于温差的管路连接异常检测方法及系统,解决了上述背景技术中提出现有的不便于结合管路其他参数,如流量、压力,出风量,温差等,判断不够全面,并且无法实时监测,主要依靠人工定期检查,漏检率高,缺乏对检测结果的深度分析,不便于对异常情况进行预测,降低了检测效率的问题。
为实现以上目的,本发明通过以下技术方案予以实现:
根据本发明的一个方面,提供了一种基于温差的管路连接异常检测方法,该基于温差的管路连接异常检测方法包括以下步骤:
S1、在空调系统的冷却剂管上设置若干温度传感器;
S2、对运行的空调系统进行实时监测,收集各个温度传感器采集的温度数据,并进行预处理;
S3、将预处理结果通过深度挖掘技术进行分析,并判断温差值是否超出第一参考阈值,得到初步判断结果;
S4、获取室内空调不同温度所对应的出风量数据,结合初步判断结果,判断空调系统的性能是否超出第二参考阈值,得到二次判断结果;
S5、根据初步判断结果及二次判断结果,利用局部粒子群算法对空调系统在正常运行条件下的温度差数据及出风量数据进行异常检测,判断是否超出第三参考阈值,得到最终判断结果;
S6、利用信息增益计算温度差数据及出风量数据的权重值;
S7、基于最终判断结果,利用波束形成法和时间序列分析法构建管路连接异常预测模型,并利用预测模型及权重值对下一时刻的管路连接异常进行预测。
进一步的,对运行的空调系统进行实时监测,收集各个温度传感器采集的温度数据,并进行预处理包括以下步骤:
S21、收集温度传感器获取的温度数据的重复数据、缺失值和异常值,并对重复数据、缺失值和异常值进行去噪、滤波及平滑处理;
S22、将温度传感器收集的温度数据中未处理的数据行进行联结,生成新的数据表,通过外部键值将不同的数据表进行关联,生成完整的数据表,并得到准确数据集;
S23、确定不同数据集之间的外键关系,根据需要将不同数据表中的数据行相互联结,创建新的数据表,并通过指定的外部键值进行关联;
S24、通过SQL语句中的JOIN操作符,将需要联结的数据表连接在一起,在进行联结时,确保数据的完整性约束得到满足;
S25、完成联结后,插入测试数据检查联结结果是否正确,确保能够正确地被识别和关联,得到温度传感器所获取的温度数据的准确数据;
S26、利用主成分分析法将温度传感器所获取的温度数据的准确数据融合到同一个数据集中;
S27、从融合后的数据集中提取相关特征,得到温度数据的特征值。
进一步的,获取室内空调不同温度所对应的出风量数据,结合初步判断结果,判断空调系统的性能是否超出第二参考阈值,得到二次判断结果包括以下步骤:
S41、获取室内空调不同温度下的出风量数据;
S42、预设聚类参数,并以出风量数据作为聚类的数据集进行聚类初始化;
S43、通过改进的K-Means聚类算法对出风量数据进行聚类,得到所有簇的集合;
S44、将出风量的聚类结果进行分析,找出差异较大的簇,并提取差异较大簇中的出风量数据作为异常候选集;
S45、对异常候选集进行分析,判断是否存在异常情况;
S46、结合初步判断结果,如果存在异常情况,则判断空调系统的性能超出第二参考阈值,得到二次判断结果。
进一步的,改进的K-Means聚类算法的计算公式为:
;
其中,n表示聚类中的数据点数量;
d表示为数据点特征的数量;
W{M,L}表示为噪声衡量指标;
M i 表示第i个聚类;
X ih 表示在聚类S i 中第h个数据点的特征向量;
X jh 表示在整个数据集中所有数据点在第h个特征上的平均值;
L表示为阈值;
j表示数据中的一个数据点。
进一步的,根据初步判断结果及二次判断结果,利用局部粒子群算法对空调系统在正常运行条件下的温度差数据及出风量数据进行异常检测,判断是否超出第三参考阈值,得到最终判断结果包括以下步骤:
S51、将温度差数据及出风量数据划分成若干份子数据,并获取子数据的数据点;
S52、计算子数据的数据点的K近邻距离和局部可达密度,通过比较子数据的数据点的局部可达密度与其K近邻的局部可达密度,计算局部离群因子值;
S53、设定局部离群因子值的阈值,若某份子数据的数据点的局部离群因子值大于设定的阈值,将其视为异常值,得到潜在的异常数据作为最终判断结果。
进一步的,利用信息增益计算温度差数据及出风量数据的权重值包括以下步骤:
S61、收集温度差数据及出风量数据的样本数据集;
S62、根据样本数据集中的目标变量计算其信息熵,衡量目标变量的不确定性;
S63、对于样本数据集中的特征,分别计算其与目标变量之间的信息增益;
S64、将信息增益值作为特征的权重值,并对权重值进行归一化处理;
S65、分析归一化后的权重值,了解温度差数据及出风量数据的重要程度。
进一步的,基于最终判断结果,利用波束形成法和时间序列分析法构建管路连接异常预测模型,并利用预测模型及权重值对下一时刻的管路连接异常进行预测包括以下步骤:
S71、采用多项式回归模型分析温度差数据及出风量数据中是否存在较长周期的趋势项;
S72、若存在,则去除较长周期的趋势项;
S73、若不存在,继续分析温度差数据及出风量数据中的周期变化;
S74、根据分析的结果,对去除趋势项后的温度差数据及出风量数据执行波束形成法,得到各频率分量的振幅和相位;
S75、使用显著性检验判断各个频率分量是否显著,提取显著的周期项,以构建周期项模型;
S76、消除趋势项和周期项后的残差视为随机变化,并构建残差预测模型;
S77、将多项式回归模型、周期项模型和残差预测模型进行叠加,得到异常预测模型;
S78、通过异常预测模型预测下一时刻温度差数据及出风量数据;
S79、将预测的温度差数据及出风量数据与权重值进行相应的加权处理,得到异常预测模型的综合预测输出。
进一步的,采用多项式回归模型分析温度差数据及出风量数据中是否存在较长周期的趋势项包括以下步骤:
S711、收集预设时间内的温度差数据和出风量数据;
S712、从低阶开始尝试,逐渐增加多项式的阶数,对于每个阶数的多项式回归模型,分别计算模型的拟合度和误差指标;
S713、根据模型的拟合度和误差指标,确定最佳的多项式回归模型的阶数;
S714、将温度差数据和出风量数据作为自变量输入到所选的多项式回归模型,并进行模型训练,以减少预测值与实际值的误差;
S715、通过对比模型的预测值与实际值,计算模型的拟合度和误差指标;
S716、若模型的拟合度较高且误差指标较低,则判断在温度差数据和出风量数据中存在较长周期的趋势项,若模型的拟合度较低且误差指标较高,则判定在这些数据中不存在较长周期的趋势项;
S717、若存在较长周期的趋势项,则利用选定的多项式回归模型进行调整,以消除这些趋势项。
进一步的,将预测的温度差数据及出风量数据与权重值进行相应的加权处理,得到异常预测模型的综合预测输出包括以下步骤:
S791、获取温度差数据及出风量数据的预测结果;
S792、对预测结果进行归一化处理,使其在一个预定的范围内;
S793、将归一化处理后的预测结果与权重值相乘,并对计算的结果进行求和,并得到异常预测模型的综合预测输出。
根据本发明的另一个方面,还提供了一种基于温差的管路连接异常检测系统,该基于温差的管路连接异常检测系统包括:温度检测模块、数据收集与处理模块、数据分析与初步判断模块、性能评估与二次判断模块、异常检测与最终判断模块、权重计算模块及异常预测模型构建模块;
其中,温度检测模块,用于在空调系统的冷却剂管上设置若干温度传感器;
数据收集与处理模块,用于对运行的空调系统进行实时监测,收集各个温度传感器采集的温度数据,并进行预处理;
数据分析与初步判断模块,用于将预处理结果通过深度挖掘技术进行分析,并判断温差值是否超出第一参考阈值,得到初步判断结果;
性能评估与二次判断模块,用于获取室内空调不同温度所对应的出风量数据,结合初步判断结果,判断空调系统的性能是否超出第二参考阈值,得到二次判断结果;
异常检测与最终判断模块,用于根据初步判断结果及二次判断结果,利用局部粒子群算法对空调系统在正常运行条件下的温度差数据及出风量数据进行异常检测,判断是否超出第三参考阈值,得到最终判断结果;
权重计算模块,用于利用信息增益计算温度差数据及出风量数据的权重值;
异常预测模型构建模块,用于基于最终判断结果,利用波束形成法和时间序列分析法构建管路连接异常预测模型,并利用预测模型及权重值对下一时刻的管路连接异常进行预测。
本发明的有益效果为:
1、本发明通过深度挖掘技术及局部粒子群算法,使得不仅提供了初步和二次判断,还提供了最终判断结果,从而有助于更全面地了解空调系统的状态,通过对温度差和出风量数据的实时监测和异常检测,可以在早期发现潜在的问题,从而保障空调系统的稳定运行,进而有效地帮助监测和预测空调系统的异常状态,提高系统的稳定性和资源效率。
2、本发明通过使用局部离群因子算法进行异常值检测时,可以避免将温差的数据点错误地标记为异常值,从而可以提高异常数据的发现和识别能力,减少误报率,并帮助进行精细化的异常分析和处理,进而可以更全面、更准确地评估管路系统的运行状态和性能。
3、本发明通过异常预测模型,使得能够在异常发生前提前预测出可能的问题,为维护人员提供时间去采取预防措施或进行相应的准备,从而减小异常对设备运行的影响,并且通过预测并及时处理潜在异常,能够有效避免设备性能的严重下降,从而提高设备的使用寿命和运行效率,进而提高了管路连接异常检测的效率。
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的一种基于温差的管路连接异常检测方法的流程图。
具体实施方式
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。
在本发明的描述中,除非另有说明,“多个”的含义是两个或两个以上。此外,术语“第一”、“第二”、“第三”等仅用于描述目的,而不能理解为指示或暗示相对重要性。
根据本发明的实施例,提供了一种基于温差的管路连接异常检测方法及系统。
现结合附图和具体实施方式对本发明进一步说明,如图1所示,根据本发明实施例的基于温差的管路连接异常检测方法,该基于温差的管路连接异常检测方法包括以下步骤:
S1、在空调系统的冷却剂管上设置若干温度传感器;
具体的,在冷却剂管上的关键位置安装温度传感器,关键位置包括进出口、弯头、接头等。
S2、对运行的空调系统进行实时监测,收集各个温度传感器采集的温度数据,并进行预处理;
具体的,温度数据包括温度的绝对值、温度的变化速度、温度的变化幅度等。
S3、将预处理结果通过深度挖掘技术进行分析,并判断温差值是否超出第一参考阈值,得到初步判断结果;
具体的,第一参考阈值是用来进行初步筛选的。例如,如果温差值超过了第一参考阈值,那么系统在初步判断中被认为存在异常。
S4、获取室内空调不同温度所对应的出风量数据,结合初步判断结果,判断空调系统的性能是否超出第二参考阈值,得到二次判断结果;
具体的,在通过第一阶段的初步筛选后,第二参考阈值用于进行更深入的分析。例如,它是在初步判断为异常的样本中,用于进一步确认是否真的存在异常的阈值。
S5、根据初步判断结果及二次判断结果,利用局部粒子群算法对空调系统在正常运行条件下的温度差数据及出风量数据进行异常检测,判断是否超出第三参考阈值,得到最终判断结果;
具体的,第三参考阈值是用于最终的异常确认。如果一个样本在前两个阶段都被判断为可能存在异常,那么第三参考阈值用于最后的确认,例如,确定这个异常是否严重,或者需要进行何种程度的维修或干预。
S6、利用信息增益计算温度差数据及出风量数据的权重值;
S7、基于最终判断结果,利用波束形成法和时间序列分析法构建管路连接异常预测模型,并利用预测模型及权重值对下一时刻的管路连接异常进行预测。
在一个实施例中,对运行的空调系统进行实时监测,收集各个温度传感器采集的温度数据,并进行预处理包括以下步骤:
S21、收集温度传感器获取的温度数据的重复数据、缺失值和异常值,并对重复数据、缺失值和异常值进行去噪、滤波及平滑处理;
S22、将温度传感器收集的温度数据中未处理的数据行进行联结,生成新的数据表,通过外部键值将不同的数据表进行关联,生成完整的数据表,并得到准确数据集;
S23、确定不同数据集之间的外键关系,根据需要将不同数据表中的数据行相互联结,创建新的数据表,并通过指定的外部键值进行关联;
S24、通过SQL语句中的JOIN操作符,将需要联结的数据表连接在一起,在进行联结时,确保数据的完整性约束得到满足;
S25、完成联结后,插入测试数据检查联结结果是否正确,确保能够正确地被识别和关联,得到温度传感器所获取的温度数据的准确数据;
S26、利用主成分分析法将温度传感器所获取的温度数据的准确数据融合到同一个数据集中;
S27、从融合后的数据集中提取相关特征,得到温度数据的特征值。
具体的,相关特征包括时间、温度的历史数据、环境条件或其他影响温度的因素等。
在一个实施例中,判断空调系统的性能是否超出第二参考阈值,得到二次判断结果包括以下步骤:
S41、获取室内空调不同温度下的出风量数据;
S42、预设聚类参数,并以出风量数据作为聚类的数据集进行聚类初始化;
S43、通过改进的K-Means聚类算法对出风量数据进行聚类,得到所有簇的集合;
S44、将出风量的聚类结果进行分析,找出差异较大的簇,并提取差异较大簇中的出风量数据作为异常候选集;
S45、对异常候选集进行分析,判断是否存在异常情况;
S46、结合初步判断结果,如果存在异常情况,则判断空调系统的性能超出第二参考阈值,得到二次判断结果。
在一个实施例中,改进的K-Means聚类算法的计算公式为:
;
其中,n表示聚类中的数据点数量;
d表示为数据点特征的数量;
W{M,L}表示为噪声衡量指标;
M i 表示第i个聚类;
X ih 表示在聚类S i 中第h个数据点的特征向量;
X jh 表示在整个数据集中所有数据点在第h个特征上的平均值;
L表示为阈值;
j表示数据中的一个数据点。
在一个实施例中,根据初步判断结果及二次判断结果,利用局部粒子群算法对空调系统在正常运行条件下的温度差数据及出风量数据进行异常检测,判断是否超出第三参考阈值,得到最终判断结果包括以下步骤:
S51、将温度差数据及出风量数据划分成若干份子数据,并获取子数据的数据点;
S52、计算子数据的数据点的K近邻距离和局部可达密度,通过比较子数据的数据点的局部可达密度与其K近邻的局部可达密度,计算局部离群因子值;
具体的,计算子数据的数据点的K近邻距离和局部可达密度,通过比较子数据的数据点的局部可达密度与其K近邻的局部可达密度,计算局部离群因子值包括以下步骤:
S521、通过提取子数据的特征,并构建特征矩阵;
S522、使用欧氏距离计算子数据的数据点之间的距离,以量化子数据的数据点之间的相似性;
S523、选择最优的K值,对于子数据的数据点,找到数据点的前K个邻居,并记录K个邻居在特征矩阵的位置;
S524、对于子数据的数据点和它的某个K近邻,分别计算可达距离、局部可达密度及局部离群因子值。
具体的,对于子数据的数据点和它的某个K近邻,分别计算可达距离、局部可达密度及局部离群因子值包括以下步骤:
S5241、对于子数据的数据点和子数据的数据点一个K近邻,计算子数据的数据点与子数据的数据点一个K近邻之间的实际距离和子数据的数据点一个K近邻与其所有K近邻之间的最大距离之间的较大值,得出可达距离;
S5242、利用K值除以子数据的数据点,得到其K近邻的可达距离之和,得出局部可达密度;
S5243、为子数据的数据点的K近邻的局部可达密度之和除以子数据的数据点自身的局部可达密度再除以K值,得出局部离群因子值。
S5244、根据可达距离、局部可达密度及局部离群因子值得出子数据的数据点周围邻居的密集程度,评估子数据的数据点的异常程度,并按照局部离群因子值对子数据的数据点进行排序。
具体的,局部离群因子算法(Local Outlier Factor,LOF算法)是一种基于密度的异常检测算法,其主要思想是通过比较数据点周围邻居的密集程度,来评估该数据点是否为异常值。
S53、设定局部离群因子值的阈值,若某份子数据的数据点的局部离群因子值大于设定的阈值,将其视为异常值,得到潜在的异常数据作为最终判断结果。
在一个实施例中,利用信息增益计算温度差数据及出风量数据的权重值包括以下步骤:
S61、收集温度差数据及出风量数据的样本数据集;
S62、根据样本数据集中的目标变量计算其信息熵,衡量目标变量的不确定性;
具体的,目标变量指的是用于判断管路连接是否异常的变量。
S63、对于样本数据集中的特征,分别计算其与目标变量之间的信息增益;
具体的,样本数据集中的特征是指温度差数据及出风量数据的各种变量。特征包括温度差特征、出风量特征、温度差与出风量的交互特征等。
S64、将信息增益值作为特征的权重值,并对权重值进行归一化处理;
具体的,归一化处理(Normalization):归一化处理是将数据的量纲统一,使不同数据之间具有可比性,对预测结果进行归一化处理,有助于消除数据量纲的影响,便于后续的加权处理和求和计算。
S65、分析归一化后的权重值,了解温度差数据及出风量数据的重要程度。
在一个实施例中,基于最终判断结果,利用波束形成法和时间序列分析法构建管路连接异常预测模型,并利用预测模型及权重值对下一时刻的管路连接异常进行预测包括以下步骤:
S71、采用多项式回归模型分析温度差数据及出风量数据中是否存在较长周期的趋势项;
S72、若存在,则去除较长周期的趋势项;
S73、若不存在,继续分析温度差数据及出风量数据中的周期变化;
S74、根据分析的结果,对去除趋势项后的温度差数据及出风量数据执行波束形成法,得到各频率分量的振幅和相位;
具体的,振幅表示某一频率下温度差数据及出风量数据的变化量,相位表示温度差数据及出风量数据变化的时滞特性。
S75、使用显著性检验判断各个频率分量是否显著,提取显著的周期项,以构建周期项模型;
S76、消除趋势项和周期项后的残差视为随机变化,并构建残差预测模型;
S77、将多项式回归模型、周期项模型和残差预测模型进行叠加,得到异常预测模型;
具体的,显著性检验:显著性检验是一种统计学方法,用于检验观察到的数据与某一假设之间是否存在显著差异。在时间序列分析中,显著性检验常用于判断数据中的周期性成分是否具有统计意义。显著性检验的结果通常用p值表示,p值越小,表明观察到的数据与假设之间的差异越显著。
具体的,周期项模型:周期项模型主要用于描述时间序列数据中的周期性成分。在用电信息采集系统异常预测中,周期项模型可以帮助捕捉异常发生在一天内、一周内等不同时间尺度上的周期性变化。构建周期项模型的方法包括傅里叶分析、周期回归等。
具体的,消除趋势项和周期项:在时间序列分析中,数据通常可以分解为趋势项、周期项和随机变化(残差)。通过消除趋势项和周期项,可以将数据中的规律性成分剔除,从而更好地关注随机变化。消除趋势项和周期项的方法包括差分、滤波等。
具体的,残差预测模型:残差预测模型用于描述时间序列数据中的随机变化(残差)。在消除趋势项和周期项后,残差被视为随机变化,可以通过构建残差预测模型来估计其下一时刻的波动。常用的残差预测模型包括自回归移动平均模型(ARIMA)、指数平滑模型(ETS)等。
S78、通过异常预测模型预测下一时刻温度差数据及出风量数据;
S79、将预测的温度差数据及出风量数据与权重值进行相应的加权处理,得到异常预测模型的综合预测输出。
在一个实施例中,采用多项式回归模型分析温度差数据及出风量数据中是否存在较长周期的趋势项包括以下步骤:
S711、收集预设时间内的温度差数据和出风量数据;
S712、从低阶开始尝试,逐渐增加多项式的阶数,对于每个阶数的多项式回归模型,分别计算模型的拟合度和误差指标;
S713、根据模型的拟合度和误差指标,确定最佳的多项式回归模型的阶数;
S714、将温度差数据和出风量数据作为自变量输入到所选的多项式回归模型,并进行模型训练,以减少预测值与实际值的误差;
S715、通过对比模型的预测值与实际值,计算模型的拟合度和误差指标;
S716、若模型的拟合度较高且误差指标较低,则判断在温度差数据和出风量数据中存在较长周期的趋势项,若模型的拟合度较低且误差指标较高,则判定在这些数据中不存在较长周期的趋势项;
S717、若存在较长周期的趋势项,则利用选定的多项式回归模型进行调整,以消除这些趋势项。
在一个实施例中,将预测的温度差数据及出风量数据与权重值进行相应的加权处理,得到异常预测模型的综合预测输出包括以下步骤:
S791、获取温度差数据及出风量数据的预测结果;
S792、对预测结果进行归一化处理,使其在一个预定的范围内;
具体的,预定的范围通常在[0,1]的区间内,是常见的归一化范围。在这个范围内,最小值被映射到0,最大值被映射到1,其他值则按比例在0和1之间分布。
S793、将归一化处理后的预测结果与权重值相乘,并对计算的结果进行求和,并得到异常预测模型的综合预测输出。
具体的,归一化处理(Normalization):归一化处理是将数据的量纲统一,使不同数据之间具有可比性,对预测结果进行归一化处理,有助于消除数据量纲的影响,便于后续的加权处理和求和计算。
根据本发明的另一个实施例,还提供了一种基于温差的管路连接异常检测系统,该基于温差的管路连接异常检测系统包括:温度检测模块、数据收集与处理模块、数据分析与初步判断模块、性能评估与二次判断模块、异常检测与最终判断模块、权重计算模块及异常预测模型构建模块;
其中,温度检测模块,用于在空调系统的冷却剂管上设置若干温度传感器;
数据收集与处理模块,用于对运行的空调系统进行实时监测,收集各个温度传感器采集的温度数据,并进行预处理;
数据分析与初步判断模块,用于将预处理结果通过深度挖掘技术进行分析,并判断温差值是否超出第一参考阈值,得到初步判断结果;
性能评估与二次判断模块,用于获取室内空调不同温度所对应的出风量数据,结合初步判断结果,判断空调系统的性能是否超出第二参考阈值,得到二次判断结果;
异常检测与最终判断模块,用于根据初步判断结果及二次判断结果,利用局部粒子群算法对空调系统在正常运行条件下的温度差数据及出风量数据进行异常检测,判断是否超出第三参考阈值,得到最终判断结果;
权重计算模块,用于利用信息增益计算温度差数据及出风量数据的权重值;
异常预测模型构建模块,用于基于最终判断结果,利用波束形成法和时间序列分析法构建管路连接异常预测模型,并利用预测模型及权重值对下一时刻的管路连接异常进行预测。
综上,借助于本发明的上述技术方案,本发明通过使用局部离群因子算法进行异常值检测时,可以避免将温差的数据点错误地标记为异常值,从而可以提高异常数据的发现和识别能力,减少误报率,并帮助进行精细化的异常分析和处理,进而可以更全面、更准确地评估管路系统的运行状态和性能。本发明通过异常预测模型,使得能够在异常发生前提前预测出可能的问题,为维护人员提供时间去采取预防措施或进行相应的准备,从而减小异常对设备运行的影响,并且通过预测并及时处理潜在异常,能够有效避免设备性能的严重下降,从而提高设备的使用寿命和运行效率,进而提高了管路连接异常检测的效率。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于温差的管路连接异常检测方法,其特征在于,该基于温差的管路连接异常检测方法包括以下步骤:
S1、在空调系统的冷却剂管上设置若干温度传感器;
S2、对运行的空调系统进行实时监测,收集各个温度传感器采集的温度数据,并进行预处理;
S3、将预处理结果通过深度挖掘技术进行分析,并判断温差值是否超出第一参考阈值,得到初步判断结果;
S4、获取室内空调不同温度所对应的出风量数据,结合初步判断结果,判断空调系统的性能是否超出第二参考阈值,得到二次判断结果;
S5、根据初步判断结果及二次判断结果,利用局部粒子群算法对空调系统在正常运行条件下的温度差数据及出风量数据进行异常检测,判断是否超出第三参考阈值,得到最终判断结果;
S6、利用信息增益计算温度差数据及出风量数据的权重值;
S7、基于最终判断结果,利用波束形成法和时间序列分析法构建管路连接异常预测模型,并利用预测模型及权重值对下一时刻的管路连接异常进行预测。
2.根据权利要求1所述的一种基于温差的管路连接异常检测方法,其特征在于,所述对运行的空调系统进行实时监测,收集各个温度传感器采集的温度数据,并进行预处理包括以下步骤:
S21、收集温度传感器获取的温度数据的重复数据、缺失值和异常值,并对重复数据、缺失值和异常值进行去噪、滤波及平滑处理;
S22、将温度传感器收集的温度数据中未处理的数据行进行联结,生成新的数据表,通过外部键值将不同的数据表进行关联,生成完整的数据表,并得到准确数据集;
S23、确定不同数据集之间的外键关系,根据需要将不同数据表中的数据行相互联结,创建新的数据表,并通过指定的外部键值进行关联;
S24、通过SQL语句中的JOIN操作符,将需要联结的数据表连接在一起,在进行联结时,确保数据的完整性约束得到满足;
S25、完成联结后,插入测试数据检查联结结果是否正确,确保能够正确地被识别和关联,得到温度传感器所获取的温度数据的准确数据;
S26、利用主成分分析法将温度传感器所获取的温度数据的准确数据融合到同一个数据集中;
S27、从融合后的数据集中提取相关特征,得到温度数据的特征值。
3.根据权利要求1所述的一种基于温差的管路连接异常检测方法,其特征在于,所述获取室内空调不同温度所对应的出风量数据,结合初步判断结果,判断空调系统的性能是否超出第二参考阈值,得到二次判断结果包括以下步骤:
S41、获取室内空调不同温度下的出风量数据;
S42、预设聚类参数,并以出风量数据作为聚类的数据集进行聚类初始化;
S43、通过改进的K-Means聚类算法对出风量数据进行聚类,得到所有簇的集合;
S44、将出风量的聚类结果进行分析,找出差异较大的簇,并提取差异较大簇中的出风量数据作为异常候选集;
S45、对异常候选集进行分析,判断是否存在异常情况;
S46、结合初步判断结果,如果存在异常情况,则判断空调系统的性能超出第二参考阈值,得到二次判断结果。
4.根据权利要求3所述的一种基于温差的管路连接异常检测方法,其特征在于,所述改进的K-Means聚类算法的计算公式为:
;
其中,n表示聚类中的数据点数量;
d表示为数据点特征的数量;
W{M,L}表示为噪声衡量指标;
M i 表示第i个聚类;
X ih 表示在聚类S i 中第h个数据点的特征向量;
X jh 表示在整个数据集中所有数据点在第h个特征上的平均值;
L表示为阈值;
j表示数据中的一个数据点。
5.根据权利要求1所述的一种基于温差的管路连接异常检测方法,其特征在于,所述根据初步判断结果及二次判断结果,利用局部粒子群算法对空调系统在正常运行条件下的温度差数据及出风量数据进行异常检测,判断是否超出第三参考阈值,得到最终判断结果包括以下步骤:
S51、将温度差数据及出风量数据划分成若干份子数据,并获取子数据的数据点;
S52、计算子数据的数据点的K近邻距离和局部可达密度,通过比较子数据的数据点的局部可达密度与其K近邻的局部可达密度,计算局部离群因子值;
S53、设定局部离群因子值的阈值,若某份子数据的数据点的局部离群因子值大于设定的阈值,将其视为异常值,得到潜在的异常数据与第三参考阈值进行比较,作为最终判断结果。
6.根据权利要求1所述的一种基于温差的管路连接异常检测方法,其特征在于,所述利用信息增益计算温度差数据及出风量数据的权重值包括以下步骤:
S61、收集温度差数据及出风量数据的样本数据集;
S62、根据样本数据集中的目标变量计算其信息熵,衡量目标变量的不确定性;
S63、对于样本数据集中的特征,分别计算其与目标变量之间的信息增益;
S64、将信息增益值作为特征的权重值,并对权重值进行归一化处理;
S65、分析归一化后的权重值,了解温度差数据及出风量数据的重要程度。
7.根据权利要求1所述的一种基于温差的管路连接异常检测方法,其特征在于,所述基于最终判断结果,利用波束形成法和时间序列分析法构建管路连接异常预测模型,并利用预测模型及权重值对下一时刻的管路连接异常进行预测包括以下步骤:
S71、采用多项式回归模型分析温度差数据及出风量数据中是否存在较长周期的趋势项;
S72、若存在,则去除较长周期的趋势项;
S73、若不存在,继续分析温度差数据及出风量数据中的周期变化;
S74、根据分析的结果,对去除趋势项后的温度差数据及出风量数据执行波束形成法,得到各频率分量的振幅和相位;
S75、使用显著性检验判断各个频率分量是否显著,提取显著的周期项,以构建周期项模型;
S76、消除趋势项和周期项后的残差视为随机变化,并构建残差预测模型;
S77、将多项式回归模型、周期项模型和残差预测模型进行叠加,得到异常预测模型;
S78、通过异常预测模型预测下一时刻温度差数据及出风量数据;
S79、将预测的温度差数据及出风量数据与权重值进行相应的加权处理,得到异常预测模型的综合预测输出。
8.根据权利要求7所述的一种基于温差的管路连接异常检测方法,其特征在于,所述采用多项式回归模型分析温度差数据及出风量数据中是否存在较长周期的趋势项包括以下步骤:
S711、收集预设时间内的温度差数据和出风量数据;
S712、从低阶开始尝试,逐渐增加多项式的阶数,对于每个阶数的多项式回归模型,分别计算模型的拟合度和误差指标;
S713、根据模型的拟合度和误差指标,确定最佳的多项式回归模型的阶数;
S714、将温度差数据和出风量数据作为自变量输入到所选的多项式回归模型,并进行模型训练,以减少预测值与实际值的误差;
S715、通过对比模型的预测值与实际值,计算模型的拟合度和误差指标;
S716、若模型的拟合度较高且误差指标较低,则判断在温度差数据和出风量数据中存在较长周期的趋势项,若模型的拟合度较低且误差指标较高,则判定在这些数据中不存在较长周期的趋势项;
S717、若存在较长周期的趋势项,则利用选定的多项式回归模型进行调整,以消除这些趋势项。
9.根据权利要求8所述的一种基于温差的管路连接异常检测方法,其特征在于,所述将预测的温度差数据及出风量数据与权重值进行相应的加权处理,得到异常预测模型的综合预测输出包括以下步骤:
S791、获取温度差数据及出风量数据的预测结果;
S792、对预测结果进行归一化处理,使其在一个预定的范围内;
S793、将归一化处理后的预测结果与权重值相乘,并对计算的结果进行求和,并得到异常预测模型的综合预测输出。
10.一种基于温差的管路连接异常检测系统,用于实现权利要求1-9中任一项所述的基于温差的管路连接异常检测方法,其特征在于,该基于温差的管路连接异常检测系统包括:温度检测模块、数据收集与处理模块、数据分析与初步判断模块、性能评估与二次判断模块、异常检测与最终判断模块、权重计算模块及异常预测模型构建模块;
其中,所述温度检测模块,用于在空调系统的冷却剂管上设置若干温度传感器;
所述数据收集与处理模块,用于对运行的空调系统进行实时监测,收集各个温度传感器采集的温度数据,并进行预处理;
所述数据分析与初步判断模块,用于将预处理结果通过深度挖掘技术进行分析,并判断温差值是否超出第一参考阈值,得到初步判断结果;
所述性能评估与二次判断模块,用于获取室内空调不同温度所对应的出风量数据,结合初步判断结果,判断空调系统的性能是否超出第二参考阈值,得到二次判断结果;
所述异常检测与最终判断模块,用于根据初步判断结果及二次判断结果,利用局部粒子群算法对空调系统在正常运行条件下的温度差数据及出风量数据进行异常检测,判断是否超出第三参考阈值,得到最终判断结果;
所述权重计算模块,用于利用信息增益计算温度差数据及出风量数据的权重值;
所述异常预测模型构建模块,用于基于最终判断结果,利用波束形成法和时间序列分析法构建管路连接异常预测模型,并利用预测模型及权重值对下一时刻的管路连接异常进行预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311599935.1A CN117308275B (zh) | 2023-11-28 | 2023-11-28 | 一种基于温差的管路连接异常检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311599935.1A CN117308275B (zh) | 2023-11-28 | 2023-11-28 | 一种基于温差的管路连接异常检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117308275A true CN117308275A (zh) | 2023-12-29 |
CN117308275B CN117308275B (zh) | 2024-02-06 |
Family
ID=89273984
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311599935.1A Active CN117308275B (zh) | 2023-11-28 | 2023-11-28 | 一种基于温差的管路连接异常检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117308275B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117848438A (zh) * | 2024-03-07 | 2024-04-09 | 威海纳尔仪表科技有限公司 | 一种气体流量高精度测量方法及热式气体质量流量计 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR970047373A (ko) * | 1995-12-30 | 1997-07-26 | 구자홍 | 공기조화기의 콤프레셔 및 냉매 이상판단 및 표시방법 |
US20110276828A1 (en) * | 2009-01-14 | 2011-11-10 | Kenji Tamaki | Apparatus anomaly monitoring method and system |
CN112527788A (zh) * | 2020-12-17 | 2021-03-19 | 北京中恒博瑞数字电力科技有限公司 | 变压器监测数据异常值检测与清洗的方法及装置 |
CN116295948A (zh) * | 2023-03-17 | 2023-06-23 | 重庆大学 | 大温差环境下工业温度传感器的异常检测方法、系统及存储介质 |
CN116881834A (zh) * | 2023-09-08 | 2023-10-13 | 泰州市银杏舞台机械工程有限公司 | 一种基于舞台形变量分析的舞台载荷监控预警方法 |
CN117076258A (zh) * | 2023-10-15 | 2023-11-17 | 江苏全天软件有限公司 | 一种基于互联网云端的远程监控方法及系统 |
-
2023
- 2023-11-28 CN CN202311599935.1A patent/CN117308275B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR970047373A (ko) * | 1995-12-30 | 1997-07-26 | 구자홍 | 공기조화기의 콤프레셔 및 냉매 이상판단 및 표시방법 |
US20110276828A1 (en) * | 2009-01-14 | 2011-11-10 | Kenji Tamaki | Apparatus anomaly monitoring method and system |
CN112527788A (zh) * | 2020-12-17 | 2021-03-19 | 北京中恒博瑞数字电力科技有限公司 | 变压器监测数据异常值检测与清洗的方法及装置 |
CN116295948A (zh) * | 2023-03-17 | 2023-06-23 | 重庆大学 | 大温差环境下工业温度传感器的异常检测方法、系统及存储介质 |
CN116881834A (zh) * | 2023-09-08 | 2023-10-13 | 泰州市银杏舞台机械工程有限公司 | 一种基于舞台形变量分析的舞台载荷监控预警方法 |
CN117076258A (zh) * | 2023-10-15 | 2023-11-17 | 江苏全天软件有限公司 | 一种基于互联网云端的远程监控方法及系统 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117848438A (zh) * | 2024-03-07 | 2024-04-09 | 威海纳尔仪表科技有限公司 | 一种气体流量高精度测量方法及热式气体质量流量计 |
CN117848438B (zh) * | 2024-03-07 | 2024-05-24 | 威海纳尔仪表科技有限公司 | 一种气体流量高精度测量方法及热式气体质量流量计 |
Also Published As
Publication number | Publication date |
---|---|
CN117308275B (zh) | 2024-02-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8566070B2 (en) | Apparatus abnormality monitoring method and system | |
CN117308275B (zh) | 一种基于温差的管路连接异常检测方法及系统 | |
CN113255795A (zh) | 一种基于多指标集群分析的设备状态监测方法 | |
CN111581597A (zh) | 基于自组织核回归模型的风电机组齿轮箱轴承温度状态监测方法 | |
CN112799898B (zh) | 基于分布式故障检测的互联系统故障节点定位方法及系统 | |
CN112036089A (zh) | 一种基于dpc-mnd和多元状态估计的磨煤机故障预警方法 | |
KR20200014129A (ko) | 딥러닝을 이용한 변압기 진단 방법 | |
CN113036913B (zh) | 一种综合能源设备状态监测方法及装置 | |
CN114881269B (zh) | 一种用于物料输送管路的异常检测方法及装置 | |
CN117076258A (zh) | 一种基于互联网云端的远程监控方法及系统 | |
CN117082105B (zh) | 一种绿色智慧医院设施监控系统及方法 | |
CN116933197A (zh) | 一种基于大数据的用电信息采集系统故障判别方法及系统 | |
CN117308498A (zh) | 一种基于云存储的冷库温度智能监测管理方法及系统 | |
Chesterman et al. | Condition monitoring of wind turbines and extraction of healthy training data using an ensemble of advanced statistical anomaly detection models | |
CN108804796B (zh) | 基于频谱特征的环冷机漏风率检测方法 | |
CN108508860B (zh) | 一种基于耦合关系的流程工业生产系统数据监测方法 | |
CN117570381A (zh) | 基于在线预测和数据融合的管网泄漏预警方法 | |
CN108709426B (zh) | 基于频谱特征双边检测法烧结机漏风故障在线诊断方法 | |
CN116384732A (zh) | 场站管道风险智能评估方法、系统、存储介质及计算设备 | |
CN111027719B (zh) | 多组件系统状态机会维护优化方法 | |
Kang et al. | Fault diagnosis of pipeline and pump unit systems using status coupling analysis | |
He et al. | An adaptive interval forecast CNN model for fault detection method | |
Goto et al. | On-line residual life prediction including outlier elimination for condition based maintenance | |
Liu et al. | Residual Analysis Based Fault Detection Method for Regulating Valves | |
CN118153948A (zh) | 基于深度学习的氢气储能设备泄漏故障预警方法及装置 |
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 |