CN117787926B - 一种基于大数据的设备管理系统及方法 - Google Patents
一种基于大数据的设备管理系统及方法 Download PDFInfo
- Publication number
- CN117787926B CN117787926B CN202410217928.9A CN202410217928A CN117787926B CN 117787926 B CN117787926 B CN 117787926B CN 202410217928 A CN202410217928 A CN 202410217928A CN 117787926 B CN117787926 B CN 117787926B
- Authority
- CN
- China
- Prior art keywords
- equipment
- data
- abnormal
- current
- fault
- 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 18
- 230000002159 abnormal effect Effects 0.000 claims abstract description 196
- 239000011159 matrix material Substances 0.000 claims abstract description 106
- 238000012544 monitoring process Methods 0.000 claims abstract description 71
- 230000001364 causal effect Effects 0.000 claims abstract description 50
- 238000010586 diagram Methods 0.000 claims abstract description 34
- 238000009826 distribution Methods 0.000 claims abstract description 10
- 238000004458 analytical method Methods 0.000 claims description 54
- 238000011161 development Methods 0.000 claims description 33
- 238000004364 calculation method Methods 0.000 claims description 27
- 230000005856 abnormality Effects 0.000 claims description 26
- 238000007726 management method Methods 0.000 claims description 20
- 239000013598 vector Substances 0.000 claims description 14
- 238000007781 pre-processing Methods 0.000 claims description 13
- 238000000926 separation method Methods 0.000 claims description 11
- 238000010276 construction Methods 0.000 claims description 10
- 239000000203 mixture Substances 0.000 claims description 9
- 238000001212 derivatisation Methods 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 8
- 230000008520 organization Effects 0.000 claims description 8
- 238000012163 sequencing technique Methods 0.000 claims description 8
- 230000005587 bubbling Effects 0.000 claims description 7
- 239000000284 extract Substances 0.000 claims description 6
- 230000036541 health Effects 0.000 claims description 6
- 238000012806 monitoring device Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 3
- 230000009471 action Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种基于大数据的设备管理系统及方法,属于大数据技术领域。本发明通过架设监控设备对工厂设备的运行状态数据进行采集,通过数据库对设备的历史运行数据和设备对应的实质数据进行预处理;结合设备实时运行状态数据和历史数据,构建切片二叉树对数据进行预处理,并构建实质数据因果曲线,分析曲线差异情况和实质数据波动值,并判断区域内设备是否存在异常运行设备;对设备进行局部子区域划分并进行标记,构建异常特征方阵图结合设备的异常运行数据对当前设备的存在的故障隐患类型进行分析,并对故障存在的子区域分布概率分析;将存在异常运行状况的设备编号、对应的故障隐患类型和具体故障发生区域通过反馈报告提示管理人员。
Description
技术领域
本发明涉及大数据技术领域,具体为一种基于大数据的设备管理系统及方法。
背景技术
设备管理是一门广泛的学科,涉及企业环境、财产、设备和人员的管理和优化,以实现最大的流程效率、人员舒适度和组织生产力。另一方面,大数据是指组织大规模收集相关数据并对其进行处理以找到可以发展为可操作见解的信息;通过正常部署,大数据可以对组织的设备管理流程产生重大的积极影响;
现在时代,在物联网技术突飞猛进的发展的时代下,工厂管理者为了提高生产效率,在物联网中加入更多的设备数量;然而设备数量的增多会给工厂设备的状态监控带来较大的困难,尤其是当设备运行存在异常但尚未发生故障时,监控系统对于设备的状态检测容易出现纰漏,因此管理人员对于异常设备的发现和检修存在滞后,管理人员对于异常设备的位置和故障类型判断也需要较多时间,这会造成检修人员的时间浪费和工厂的生产效率降低。
发明内容
本发明的目的在于提供一种基于大数据的设备管理系统及方法,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:
一种基于大数据的设备管理方法,该方法包括以下步骤:
S100、通过架设在工厂设备运行区域的监控设备对设备的运行状态数据进行采集,通过数据库对设备的历史运行数据和设备对应的实质数据进行提取和预处理;
S200、结合设备实时运行状态数据和历史数据,通过构建切片二叉树对数据进行预处理,根据处理后的数据构建实质数据因果曲线,通过分析曲线差异情况和实质数据波动值,对区域内各设备进行异常分析,根据分析结果判断区域内设备是否存在异常运行设备;
S300、根据设备的组成结构对设备进行局部子区域划分并进行标记,通过构建异常设备的异常特征方阵图结合设备的异常运行数据对当前设备的存在的故障隐患类型进行分析,并对故障存在的子区域分布概率分析;
S400、将存在异常运行状况的设备编号、对应的故障隐患类型分析结果和具体故障发生区域通过反馈报告提示管理人员。
所述S100中通过架设在工厂设备运行区域的监控设备对设备的运行状态数据进行采集,通过数据库对设备的历史运行数据和设备对应的实质数据进行提取的具体步骤如下:
S101、通过在工厂设备运转区域架设监控设备实现对设备全区域覆盖监控;所述监控设备为高精度摄像头;获取各监控设备所覆盖区域面积S;根据单监控设备监控面积区域,获取对应监控区域中的设备编号;通过装置在设备工作区域的数据采集装置对设备的运行状态数据进行采集;利用当前监控设备的编号,在数据库中调取历史设备运行数据;
S102、通过系统设置监控周期T,以周期为基准时间区间,通过构建对应设备的时间切片二叉树;以对应设备编号数据为唯一父节点,以基准时间区间数据为一级子节点;分别以对应时间区间内采集的实时运行数据和调取的历史运行数据在一级子节点基础上衍生二级子节点;通过在二级子节点上以设备运行数据中的实质数据完成三级节点衍生;所述实质数据为设备运行中用于检测设备健康情况的数据,包括电流数据、电压数据、温度数据、压力数据、负载数据和振动数据。
所述S200中结合设备实时运行状态数据和历史数据,通过构建切片二叉树对数据进行预处理,根据处理后的数据构建实质数据因果曲线,通过分析曲线差异情况和实质数据波动值,对区域内各设备进行异常分析,根据分析结果判断区域内设备是否存在异常运行设备的具体步骤如下:
S201、利用设备的时间切片二叉树,对基准时间区间内监控设备各实质数据进行运行数据曲线构建;所述运行数据曲线是以观察数据为果,以基准时间区间为因,构建的因果发展趋势曲线;根据当前观察数据和调取的历史数据分别对各实质数据分别建立因果发展趋势曲线;其中,当前观察数据建立因果发展趋势曲线集合为,历史数据建立因果发展趋势曲线集合为;其中,n为建立实质数据对应因果发展趋势曲线的数量;
S202、分别将当前观察数据和历史数据建立对应实质数据的因果发展趋势曲线映射在同一坐标系下,按照顺序将两曲线的重合部分和分离部分进行区别标注,根据标注结果获取当前实质数据与历史实质数据曲线之间的差异特征矩阵A;其中,两曲线重合部分在矩阵相应部分赋值a,两曲线分离部分则计算两曲线之间的差异值b,其计算公式为;其中/>为两曲线分离对应的时间区间长度,/>为两曲线分离中对应当前观察数据构建的曲线部分上的各点的值;/>为两曲线分离中对应历史数据构建的曲线部分上的各点的值;通过分析获得当前设备的各实质数据的差异特征矩阵集合;
S203、对当前设备的差异特征矩阵集合进行通过翻转和填补操作获取当前设备对应的异常特征矩阵,其计算公式为;其中,对异常特征矩阵中各行中缺少的值通过赋值a进行填补;进行填补操作是因为,不同实质数据对象建立的两曲线之间的重合分离情况不同,因此其对应的差异特征矩阵中元素数量会存在差异,而当将差异特征矩阵集合通过翻转后构建的新矩阵会存在每行的元素数量不同,该情况不符合矩阵的基本特征,因此通过赋值填补缺失元素的行保证矩阵的完整性;
根据当前设备对应的异常特征矩阵,对当前设备的异常情况进行分析,计算当前设备的各实质数据的波动值,其计算公式为;其中/>为对应实质数据的波动值,/>为对应矩阵行列/>中值为b的元素,/>为对应矩阵行列/>中值为b的元素数量,/>为对应矩阵行列/>中的元素数量;通过对各实质数据进行波动值计算获取对应的波动值集合/>;通过冒泡排序取波动值集合中波动最大值/>,若存在/>,则判断当前设备运行状态异常,存在故障隐患;其中/>为系统预设波动值阈值;对存在异常的设备进行数据独立提取,做进一步的故障类型分析;初步判断设备异常只需要存在一个异常波动值大于阈值,则就可判断当前设备存在异常,从而对异常设备实现精确快速的定位。
所述S300中根据设备的组成结构对设备进行局部子区域划分并进行标记,通过构建异常设备的异常特征方阵图结合设备的异常运行数据对当前设备的存在的故障隐患类型进行分析,并对故障存在的子区域分布概率分析:
S301、通过定位异常设备,根据当前设备的组织结构和功能实现结构对整体设备进行子区域划分并进行标记,获取设备子区域集合为;其中i为子区域划分数量;
S302、根据各实质数据的波动值分析数据,通过具象映射到平面二维坐标空间中,取原点为拓展点,以实质数据数量为等分条件,将拓展点周围空间进行等分并获取等分线;以等分线为延伸介质;以拓展点为起点,以等分线为延伸介质结合各实质数据的波动值进行对应实质数据特征向量构建;通过获取各特征向量的终点进行相互连接,构建异常特征方阵图;
S303、通过提取异常特征方阵图的轮廓轨迹数据,通过相似匹配算法与在数据库中存储的各故障类型对应的异常特征方阵图轮廓轨迹数据进行特征匹配;若存在,则将符合条件的故障类型数据进行提取;其中,/>为当前异常特征方阵图的轮廓轨迹数据与数据库中故障类型对应的异常特征方阵图轮廓轨迹数据的相似度,/>为系统预设异常特征方阵图的轮廓轨迹数据相似度阈值;在符合条件的故障类型数据中,计算当前设备的故障类型综合匹配度,其计算公式为/>;其中,P为当前设备的故障类型综合匹配度,/>为当前设备的实质数据对应的异常特征方阵图面积,为符合条件的故障类型数据对应的异常特征方阵图面积;取/>对应的故障类型为当前异常设备所存在的故障隐患类型;通过综合分析当前异常设备实质数据对应的异常特征方阵图的轮廓轨迹数据与数据库中对应数据的相似度,结合分析当前异常特征方阵图与对一个数据库中对应故障的异常特征方阵图的占比数据,对当前异常设备存在的故障隐患类型进行匹配度计算;其中由于当前设备仍处于故障影响初期,因此其对应的异常特征方阵图面积/>;
S304、根据历史数据分析当前故障类型发生的子区域概率,其计算公式为;其中/>为当前故障类型发生的子区域概率,/>为当前故障类型发生在对应子区域的次数,/>为当前故障类型发生的总次数;取/>所对应的子区域为当前故障发生区域。
所述S400中将存在异常运行状况的设备编号、对应的故障隐患类型分析结果和具体故障发生区域通过反馈报告提示管理人员:
S401、当系统检测到存在异常设备,将异常设备对应的设备编号和异常运行数据分析获得的故障类型以及故障发生的设备子区域编号,通过综合设备检测报告进行反馈;
S402、将反馈报告传输至管理人员端口,提示管理人员对异常设备进行检修。
一种基于大数据的设备管理系统,所述系统包括区域设备数据采集模块、设备异常分析模块、异常故障判断模块和设备状态反馈模块;
所述区域设备数据采集模块通过架设在工厂设备运行区域的监控设备对设备的运行状态数据进行采集,通过数据库对设备的历史运行数据和设备对应的实质数据进行提取和预处理;所述设备异常分析模块结合设备实时运行状态数据和历史数据,通过构建切片二叉树对数据进行预处理,根据处理后的数据构建实质数据因果曲线,通过分析曲线差异情况和实质数据波动值,对区域内各设备进行异常分析,根据分析结果判断区域内设备是否存在异常运行设备;所述异常故障判断模块根据设备的组成结构对设备进行局部子区域划分并进行标记,通过构建异常设备的异常特征方阵图结合设备的异常运行数据对当前设备的存在的故障隐患类型进行分析,并对故障存在的子区域分布概率分析;所述设备状态反馈模块将存在异常运行状况的设备编号、对应的故障隐患类型分析结果和具体故障发生区域通过反馈报告提示管理人员。
所述区域设备数据采集模块包括区域设备数据采集单元和数据预处理单元;所述区域设备数据采集单元通过在工厂设备运转区域架设监控设备实现对设备全区域覆盖监控;所述监控设备为高精度摄像头;获取各监控设备所覆盖区域面积;根据单监控设备监控面积区域,获取对应监控区域中的设备编号;通过装置在设备工作区域的数据采集装置对设备的运行状态数据进行采集;利用当前监控设备的编号,在数据库中调取历史设备运行数据;所述数据预处理单元通过系统设置监控周期,以周期为基准时间区间,通过构建对应设备的时间切片二叉树;以对应设备编号数据为唯一父节点,以基准时间区间数据为一级子节点;分别以对应时间区间内采集的实时运行数据和调取的历史运行数据在一级子节点基础上衍生二级子节点;通过在二级子节点上以设备运行数据中的实质数据完成三级节点衍生;所述实质数据为设备运行中用于检测设备健康情况的数据,包括电流数据、电压数据、温度数据、压力数据、负载数据和振动数据。
所述设备异常分析模块包括因果曲线构建单元、曲线差异分析单元和设备异常判断单元;所述因果曲线构建单元利用设备的时间切片二叉树,对基准时间区间内监控设备各实质数据进行运行数据曲线构建;所述运行数据曲线是以观察数据为果,以基准时间区间为因,构建的因果发展趋势曲线;根据当前观察数据和调取的历史数据分别对各实质数据分别建立因果发展趋势曲线;所述曲线差异分析单元分别将当前观察数据和历史数据建立对应实质数据的因果发展趋势曲线映射在同一坐标系下,按照顺序将两曲线的重合部分和分离部分进行区别标注,根据标注结果获取当前实质数据与历史实质数据曲线之间的差异特征矩阵;通过分析获得当前设备的各实质数据的差异特征矩阵集合;对当前设备的差异特征矩阵集合进行通过翻转和填补操作获取当前设备对应的异常特征矩阵;所述设备异常判断单元根据当前设备对应的异常特征矩阵,对当前设备的异常情况进行分析,计算当前设备的各实质数据的波动值;通过对各实质数据进行波动值计算获取对应的波动值集合;通过冒泡排序取波动值集合中波动最大值与阈值比较,判断当前设备运行状态是否异常。
所述异常故障判断模块包括设备子区域划分单元、异常特征方阵图构建单元和故障判断与定位单元;所述设备子区域划分单元通过定位异常设备,根据当前设备的组织结构和功能实现结构对整体设备进行子区域划分并进行标记,获取设备子区域集合;所述异常特征方阵图构建单元根据各实质数据的波动值分析数据,通过具象映射到平面二维坐标空间中,取原点为拓展点,以实质数据数量为等分条件,将拓展点周围空间进行等分并获取等分线;以等分线为延伸介质;以拓展点为起点,以等分线为延伸介质结合各实质数据的波动值进行对应实质数据特征向量构建;通过获取各特征向量的终点进行相互连接,构建异常特征方阵图;所述故障判断与定位单元通过提取异常特征方阵图的轮廓轨迹数据,通过相似匹配算法与在数据库中存储的各故障类型对应的异常特征方阵图轮廓轨迹数据进行特征匹配,通过设置阈值对故障类型进行筛选,将符合条件的故障类型数据进行提取;在符合条件的故障类型数据中,计算当前设备的故障类型综合匹配度,取最大值对应的故障类型为当前异常设备所存在的故障隐患类型;根据历史数据分析当前故障类型发生的子区域概率,取最大值所对应的子区域为当前故障发生区域。
所述设备状态反馈模块包括设备状态报告生成单元和异常设备反馈单元;所述设备状态报告生成单元当系统检测到存在异常设备,将异常设备对应的设备编号和异常运行数据分析获得的故障类型以及故障发生的设备子区域编号,通过综合设备检测报告进行反馈;所述异常设备反馈单元将反馈报告传输至管理人员端口,提示管理人员对异常设备进行检修。
与现有技术相比,本发明所达到的有益效果是:本发明通过多功能模块实现了对异常设备的数据采集、定位、故障判断和反馈流程;其中在数据采集后通过构建切片二叉树对采集数据和历史数据进行预处理,能够逐级实现数据的排序衍生;在异常分析中通过构建因果曲线,分析因果曲线之间的差异和对应数据的波动值实现对设备的异常进行预警并定位;在故障判断中通过构建异常特征方阵图,通过方阵图分析当前设备的故障隐患类型,并对具体设备故障位置进行定位;本发明能够为管理人员提前预警设备的异常状况,避免设备的故障发生;同时对当前异常设备的故障隐患进行类型判断和故障区域定位,为检修人员大大缩减了故障寻找和判断时间,降低了工厂的设备故障率和提高了设备检修的效率。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1是本发明一种基于大数据的设备管理系统的结构示意图。
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。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。
请参阅图1,本发明提供技术方案:
一种基于大数据的设备管理方法,该方法包括以下步骤:
S100、通过架设在工厂设备运行区域的监控设备对设备的运行状态数据进行采集,通过数据库对设备的历史运行数据和设备对应的实质数据进行提取和预处理;
S200、结合设备实时运行状态数据和历史数据,通过构建切片二叉树对数据进行预处理,根据处理后的数据构建实质数据因果曲线,通过分析曲线差异情况和实质数据波动值,对区域内各设备进行异常分析,根据分析结果判断区域内设备是否存在异常运行设备;
S300、根据设备的组成结构对设备进行局部子区域划分并进行标记,通过构建异常设备的异常特征方阵图结合设备的异常运行数据对当前设备的存在的故障隐患类型进行分析,并对故障存在的子区域分布概率分析;
S400、将存在异常运行状况的设备编号、对应的故障隐患类型分析结果和具体故障发生区域通过反馈报告提示管理人员。
所述S100中通过架设在工厂设备运行区域的监控设备对设备的运行状态数据进行采集,通过数据库对设备的历史运行数据和设备对应的实质数据进行提取的具体步骤如下:
S101、通过在工厂设备运转区域架设监控设备实现对设备全区域覆盖监控;所述监控设备为高精度摄像头;获取各监控设备所覆盖区域面积S;根据单监控设备监控面积区域,获取对应监控区域中的设备编号;通过装置在设备工作区域的数据采集装置对设备的运行状态数据进行采集;利用当前监控设备的编号,在数据库中调取历史设备运行数据;
S102、通过系统设置监控周期T,以周期为基准时间区间,通过构建对应设备的时间切片二叉树;以对应设备编号数据为唯一父节点,以基准时间区间数据为一级子节点;分别以对应时间区间内采集的实时运行数据和调取的历史运行数据在一级子节点基础上衍生二级子节点;通过在二级子节点上以设备运行数据中的实质数据完成三级节点衍生;所述实质数据为设备运行中用于检测设备健康情况的数据,包括电流数据、电压数据、温度数据、压力数据、负载数据和振动数据。
所述S200中结合设备实时运行状态数据和历史数据,通过构建切片二叉树对数据进行预处理,根据处理后的数据构建实质数据因果曲线,通过分析曲线差异情况和实质数据波动值,对区域内各设备进行异常分析,根据分析结果判断区域内设备是否存在异常运行设备的具体步骤如下:
S201、利用设备的时间切片二叉树,对基准时间区间内监控设备各实质数据进行运行数据曲线构建;所述运行数据曲线是以观察数据为果,以基准时间区间为因,构建的因果发展趋势曲线;根据当前观察数据和调取的历史数据分别对各实质数据分别建立因果发展趋势曲线;其中,当前观察数据建立因果发展趋势曲线集合为,历史数据建立因果发展趋势曲线集合为;其中,n为建立实质数据对应因果发展趋势曲线的数量;
S202、分别将当前观察数据和历史数据建立对应实质数据的因果发展趋势曲线映射在同一坐标系下,按照顺序将两曲线的重合部分和分离部分进行区别标注,根据标注结果获取当前实质数据与历史实质数据曲线之间的差异特征矩阵A;其中,两曲线重合部分在矩阵相应部分赋值a,两曲线分离部分则计算两曲线之间的差异值b,其计算公式为;其中/>为两曲线分离对应的时间区间长度,/>为两曲线分离中对应当前观察数据构建的曲线部分上的各点的值;/>为两曲线分离中对应历史数据构建的曲线部分上的各点的值;通过分析获得当前设备的各实质数据的差异特征矩阵集合;
S203、对当前设备的差异特征矩阵集合进行通过翻转和填补操作获取当前设备对应的异常特征矩阵,其计算公式为;其中,对异常特征矩阵中各行中缺少的值通过赋值a进行填补;
根据当前设备对应的异常特征矩阵,对当前设备的异常情况进行分析,计算当前设备的各实质数据的波动值,其计算公式为;其中/>为对应实质数据的波动值,/>为对应矩阵行列/>中值为b的元素,/>为对应矩阵行列/>中值为b的元素数量,/>为对应矩阵行列/>中的元素数量;通过对各实质数据进行波动值计算获取对应的波动值集合/>;通过冒泡排序取波动值集合中波动最大值/>,若存在/>,则判断当前设备运行状态异常,存在故障隐患;其中/>为系统预设波动值阈值;对存在异常的设备进行数据独立提取,做进一步的故障类型分析。
所述S300中根据设备的组成结构对设备进行局部子区域划分并进行标记,通过构建异常设备的异常特征方阵图结合设备的异常运行数据对当前设备的存在的故障隐患类型进行分析,并对故障存在的子区域分布概率分析:
S301、通过定位异常设备,根据当前设备的组织结构和功能实现结构对整体设备进行子区域划分并进行标记,获取设备子区域集合为;其中i为子区域划分数量;
S302、根据各实质数据的波动值分析数据,通过具象映射到平面二维坐标空间中,取原点为拓展点,以实质数据数量为等分条件,将拓展点周围空间进行等分并获取等分线;以等分线为延伸介质;以拓展点为起点,以等分线为延伸介质结合各实质数据的波动值进行对应实质数据特征向量构建;通过获取各特征向量的终点进行相互连接,构建异常特征方阵图;
S303、通过提取异常特征方阵图的轮廓轨迹数据,通过相似匹配算法与在数据库中存储的各故障类型对应的异常特征方阵图轮廓轨迹数据进行特征匹配;若存在,则将符合条件的故障类型数据进行提取;其中,/>为当前异常特征方阵图的轮廓轨迹数据与数据库中故障类型对应的异常特征方阵图轮廓轨迹数据的相似度,/>为系统预设异常特征方阵图的轮廓轨迹数据相似度阈值;在符合条件的故障类型数据中,计算当前设备的故障类型综合匹配度,其计算公式为/>;其中,P为当前设备的故障类型综合匹配度,/>为当前设备的实质数据对应的异常特征方阵图面积,为符合条件的故障类型数据对应的异常特征方阵图面积;取/>对应的故障类型为当前异常设备所存在的故障隐患类型;
S304、根据历史数据分析当前故障类型发生的子区域概率,其计算公式为;其中/>为当前故障类型发生的子区域概率,/>为当前故障类型发生在对应子区域的次数,/>为当前故障类型发生的总次数;取/>所对应的子区域为当前故障发生区域。
所述S400中将存在异常运行状况的设备编号、对应的故障隐患类型分析结果和具体故障发生区域通过反馈报告提示管理人员:
S401、当系统检测到存在异常设备,将异常设备对应的设备编号和异常运行数据分析获得的故障类型以及故障发生的设备子区域编号,通过综合设备检测报告进行反馈;
S402、将反馈报告传输至管理人员端口,提示管理人员对异常设备进行检修。
一种基于大数据的设备管理系统,所述系统包括区域设备数据采集模块、设备异常分析模块、异常故障判断模块和设备状态反馈模块;
所述区域设备数据采集模块通过架设在工厂设备运行区域的监控设备对设备的运行状态数据进行采集,通过数据库对设备的历史运行数据和设备对应的实质数据进行提取和预处理;所述设备异常分析模块结合设备实时运行状态数据和历史数据,通过构建切片二叉树对数据进行预处理,根据处理后的数据构建实质数据因果曲线,通过分析曲线差异情况和实质数据波动值,对区域内各设备进行异常分析,根据分析结果判断区域内设备是否存在异常运行设备;所述异常故障判断模块根据设备的组成结构对设备进行局部子区域划分并进行标记,通过构建异常设备的异常特征方阵图结合设备的异常运行数据对当前设备的存在的故障隐患类型进行分析,并对故障存在的子区域分布概率分析;所述设备状态反馈模块将存在异常运行状况的设备编号、对应的故障隐患类型分析结果和具体故障发生区域通过反馈报告提示管理人员。
所述区域设备数据采集模块包括区域设备数据采集单元和数据预处理单元;所述区域设备数据采集单元通过在工厂设备运转区域架设监控设备实现对设备全区域覆盖监控;所述监控设备为高精度摄像头;获取各监控设备所覆盖区域面积;根据单监控设备监控面积区域,获取对应监控区域中的设备编号;通过装置在设备工作区域的数据采集装置对设备的运行状态数据进行采集;利用当前监控设备的编号,在数据库中调取历史设备运行数据;所述数据预处理单元通过系统设置监控周期,以周期为基准时间区间,通过构建对应设备的时间切片二叉树;以对应设备编号数据为唯一父节点,以基准时间区间数据为一级子节点;分别以对应时间区间内采集的实时运行数据和调取的历史运行数据在一级子节点基础上衍生二级子节点;通过在二级子节点上以设备运行数据中的实质数据完成三级节点衍生;所述实质数据为设备运行中用于检测设备健康情况的数据,包括电流数据、电压数据、温度数据、压力数据、负载数据和振动数据。
所述设备异常分析模块包括因果曲线构建单元、曲线差异分析单元和设备异常判断单元;所述因果曲线构建单元利用设备的时间切片二叉树,对基准时间区间内监控设备各实质数据进行运行数据曲线构建;所述运行数据曲线是以观察数据为果,以基准时间区间为因,构建的因果发展趋势曲线;根据当前观察数据和调取的历史数据分别对各实质数据分别建立因果发展趋势曲线;所述曲线差异分析单元分别将当前观察数据和历史数据建立对应实质数据的因果发展趋势曲线映射在同一坐标系下,按照顺序将两曲线的重合部分和分离部分进行区别标注,根据标注结果获取当前实质数据与历史实质数据曲线之间的差异特征矩阵;通过分析获得当前设备的各实质数据的差异特征矩阵集合;对当前设备的差异特征矩阵集合进行通过翻转和填补操作获取当前设备对应的异常特征矩阵;所述设备异常判断单元根据当前设备对应的异常特征矩阵,对当前设备的异常情况进行分析,计算当前设备的各实质数据的波动值;通过对各实质数据进行波动值计算获取对应的波动值集合;通过冒泡排序取波动值集合中波动最大值与阈值比较,判断当前设备运行状态是否异常。
所述异常故障判断模块包括设备子区域划分单元、异常特征方阵图构建单元和故障判断与定位单元;所述设备子区域划分单元通过定位异常设备,根据当前设备的组织结构和功能实现结构对整体设备进行子区域划分并进行标记,获取设备子区域集合;所述异常特征方阵图构建单元根据各实质数据的波动值分析数据,通过具象映射到平面二维坐标空间中,取原点为拓展点,以实质数据数量为等分条件,将拓展点周围空间进行等分并获取等分线;以等分线为延伸介质;以拓展点为起点,以等分线为延伸介质结合各实质数据的波动值进行对应实质数据特征向量构建;通过获取各特征向量的终点进行相互连接,构建异常特征方阵图;所述故障判断与定位单元通过提取异常特征方阵图的轮廓轨迹数据,通过相似匹配算法与在数据库中存储的各故障类型对应的异常特征方阵图轮廓轨迹数据进行特征匹配,通过设置阈值对故障类型进行筛选,将符合条件的故障类型数据进行提取;在符合条件的故障类型数据中,计算当前设备的故障类型综合匹配度,取最大值对应的故障类型为当前异常设备所存在的故障隐患类型;根据历史数据分析当前故障类型发生的子区域概率,取最大值所对应的子区域为当前故障发生区域。
所述设备状态反馈模块包括设备状态报告生成单元和异常设备反馈单元;所述设备状态报告生成单元当系统检测到存在异常设备,将异常设备对应的设备编号和异常运行数据分析获得的故障类型以及故障发生的设备子区域编号,通过综合设备检测报告进行反馈;所述异常设备反馈单元将反馈报告传输至管理人员端口,提示管理人员对异常设备进行检修。
在实施例中:
现某一工厂采用本发明系统对工厂设备进行状态监控;通过在工厂设备运转区域架设摄像头实现对设备全区域覆盖监控;获取各摄像头所覆盖区域面积为20平方米;获取对应监控区域中的设备编号,通过装置在设备工作区域的数据采集装置对设备的运行状态数据进行采集;利用当前监控设备的编号,在数据库中调取历史设备运行数据;通过系统设置监控周期为1天,通过构建对应设备的时间切片二叉树;以对应设备编号数据为唯一父节点,以基准时间区间数据为一级子节点;分别以对应时间区间内采集的实时运行数据和调取的历史运行数据在一级子节点基础上衍生二级子节点;通过在二级子节点上以设备运行数据中的实质数据完成三级节点衍生;
利用设备的时间切片二叉树,对基准时间区间内监控设备各实质数据进行运行数据曲线构建;所述运行数据曲线是以观察数据为果,以基准时间区间为因,构建的因果发展趋势曲线;根据当前观察数据和调取的历史数据分别对各实质数据分别建立因果发展趋势曲线;其中,当前观察数据建立因果发展趋势曲线集合为,历史数据建立因果发展趋势曲线集合为/>;分别将当前观察数据和历史数据建立对应实质数据的因果发展趋势曲线映射在同一坐标系下,按照顺序将两曲线的重合部分和分离部分进行区别标注,根据标注结果获取当前实质数据与历史实质数据曲线之间的差异特征矩阵A;其中,两曲线重合部分在矩阵相应部分赋值0,曲线分离部分则计算两曲线之间的差异值b,其计算公式为/>;通过分析获得当前设备的各实质数据的差异特征矩阵集合/>;对当前设备的差异特征矩阵集合进行通过翻转和填补操作获取当前设备对应的异常特征矩阵,其计算公式为;其中,对异常特征矩阵中各行中缺少的值通过赋值0进行填补;根据当前设备对应的异常特征矩阵,对当前设备的异常情况进行分析,计算当前设备的各实质数据的波动值,其计算公式为/>;通过冒泡排序取波动值集合中波动最大值为0.9;系统设置波动阈值为0.7;由于/>,则判断当前设备运行状态异常,存在故障隐患;
通过定位异常设备,根据当前设备的组织结构和功能实现结构对整体设备进行子区域划分并进行标记,获取设备子区域集合为;根据各实质数据的波动值分析数据,通过具象映射到平面二维坐标空间中,取原点为拓展点,以实质数据数量为等分条件,将拓展点周围空间进行等分并获取等分线;以等分线为延伸介质;以拓展点为起点,以等分线为延伸介质结合各实质数据的波动值进行对应实质数据特征向量构建;通过获取各特征向量的终点进行相互连接,构建异常特征方阵图;通过提取异常特征方阵图的轮廓轨迹数据,通过相似匹配算法与在数据库中存储的各故障类型对应的异常特征方阵图轮廓轨迹数据进行特征匹配,系统设置阈值为0.7,将符合条件/>的故障类型数据进行提取;在符合条件的故障类型数据中,计算当前设备的故障类型综合匹配度,其计算公式为,如取/>对应的故障类型为当前异常设备所存在的故障隐患类型;根据历史数据分析当前故障类型发生的子区域概率,其计算公式为/>,如取/>.8所对应的子区域为当前故障发生区域;
将异常设备对应的设备编号和异常运行数据分析获得的故障类型以及故障发生的设备子区域编号,通过综合设备检测报告进行反馈,并传输至管理人员端口,提示管理人员对异常设备进行检修。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。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 (7)
1.一种基于大数据的设备管理方法,其特征在于:该方法包括以下步骤:
S100、通过架设在工厂设备运行区域的监控设备对设备的运行状态数据进行采集,通过数据库对设备的历史运行数据和设备对应的实质数据进行提取和预处理;
S200、结合设备实时运行状态数据和历史数据,通过构建切片二叉树对数据进行预处理,根据处理后的数据构建实质数据因果曲线,通过分析曲线差异情况和实质数据波动值,对区域内各设备进行异常分析,根据分析结果判断区域内设备是否存在异常运行设备;
S300、根据设备的组成结构对设备进行局部子区域划分并进行标记,通过构建异常设备的异常特征方阵图结合设备的异常运行数据对当前设备的存在的故障隐患类型进行分析,并对故障存在的子区域分布概率分析;
S400、将存在异常运行状况的设备编号、对应的故障隐患类型分析结果和具体故障发生区域通过反馈报告提示管理人员;
所述S100中通过架设在工厂设备运行区域的监控设备对设备的运行状态数据进行采集,通过数据库对设备的历史运行数据和设备对应的实质数据进行提取的具体步骤如下:
S101、通过在工厂设备运转区域架设监控设备实现对设备全区域覆盖监控;所述监控设备为高精度摄像头;获取各监控设备所覆盖区域面积S;根据单监控设备监控面积区域,获取对应监控区域中的设备编号;通过装置在设备工作区域的数据采集装置对设备的运行状态数据进行采集;利用当前监控设备的编号,在数据库中调取历史设备运行数据;
S102、通过系统设置监控周期T,以周期为基准时间区间,通过构建对应设备的时间切片二叉树;以对应设备编号数据为唯一父节点,以基准时间区间数据为一级子节点;分别以对应时间区间内采集的实时运行数据和调取的历史运行数据在一级子节点基础上衍生二级子节点;通过在二级子节点上以设备运行数据中的实质数据完成三级节点衍生;所述实质数据为设备运行中用于检测设备健康情况的数据,包括电流数据、电压数据、温度数据、压力数据、负载数据和振动数据;
所述S200中结合设备实时运行状态数据和历史数据,通过构建切片二叉树对数据进行预处理,根据处理后的数据构建实质数据因果曲线,通过分析曲线差异情况和实质数据波动值,对区域内各设备进行异常分析,根据分析结果判断区域内设备是否存在异常运行设备的具体步骤如下:
S201、利用设备的时间切片二叉树,对基准时间区间内监控设备各实质数据进行运行数据曲线构建;所述运行数据曲线是以观察数据为果,以基准时间区间为因,构建的因果发展趋势曲线;根据当前观察数据和调取的历史数据分别对各实质数据分别建立因果发展趋势曲线;其中,当前观察数据建立因果发展趋势曲线集合为,历史数据建立因果发展趋势曲线集合为;其中,n为建立实质数据对应因果发展趋势曲线的数量;
S202、分别将当前观察数据和历史数据建立对应实质数据的因果发展趋势曲线映射在同一坐标系下,按照顺序将两曲线的重合部分和分离部分进行区别标注,根据标注结果获取当前实质数据与历史实质数据曲线之间的差异特征矩阵A;其中,两曲线重合部分在矩阵相应部分赋值a,两曲线分离部分则计算两曲线之间的差异值b,其计算公式为;其中/>为两曲线分离对应的时间区间长度,/>为两曲线分离中对应当前观察数据构建的曲线部分上的各点的值;/>为两曲线分离中对应历史数据构建的曲线部分上的各点的值;通过分析获得当前设备的各实质数据的差异特征矩阵集合;
S203、对当前设备的差异特征矩阵集合进行通过翻转和填补操作获取当前设备对应的异常特征矩阵,其计算公式为;其中,对异常特征矩阵中各行中缺少的值通过赋值a进行填补;
根据当前设备对应的异常特征矩阵,对当前设备的异常情况进行分析,计算当前设备的各实质数据的波动值,其计算公式为;其中/>为对应实质数据的波动值,/>为对应矩阵行列/>中值为b的元素,/>为对应矩阵行列/>中值为b的元素数量,/>为对应矩阵行列/>中的元素数量;通过对各实质数据进行波动值计算获取对应的波动值集合/>;通过冒泡排序取波动值集合中波动最大值/>,若存在/>,则判断当前设备运行状态异常,存在故障隐患;其中/>为系统预设波动值阈值;对存在异常的设备进行数据独立提取,做进一步的故障类型分析;
所述S300中根据设备的组成结构对设备进行局部子区域划分并进行标记,通过构建异常设备的异常特征方阵图结合设备的异常运行数据对当前设备的存在的故障隐患类型进行分析,并对故障存在的子区域分布概率分析:
S301、通过定位异常设备,根据当前设备的组织结构和功能实现结构对整体设备进行子区域划分并进行标记,获取设备子区域集合为;其中i为子区域划分数量;
S302、根据各实质数据的波动值分析数据,通过具象映射到平面二维坐标空间中,取原点为拓展点,以实质数据数量为等分条件,将拓展点周围空间进行等分并获取等分线;以等分线为延伸介质;以拓展点为起点,以等分线为延伸介质结合各实质数据的波动值进行对应实质数据特征向量构建;通过获取各特征向量的终点进行相互连接,构建异常特征方阵图;
S303、通过提取异常特征方阵图的轮廓轨迹数据,通过相似匹配算法与在数据库中存储的各故障类型对应的异常特征方阵图轮廓轨迹数据进行特征匹配;若存在,则将符合条件的故障类型数据进行提取;其中,/>为当前异常特征方阵图的轮廓轨迹数据与数据库中故障类型对应的异常特征方阵图轮廓轨迹数据的相似度,/>为系统预设异常特征方阵图的轮廓轨迹数据相似度阈值;在符合条件的故障类型数据中,计算当前设备的故障类型综合匹配度,其计算公式为/>;其中,P为当前设备的故障类型综合匹配度,/>为当前设备的实质数据对应的异常特征方阵图面积,/>为符合条件的故障类型数据对应的异常特征方阵图面积;取/>对应的故障类型为当前异常设备所存在的故障隐患类型;
S304、根据历史数据分析当前故障类型发生的子区域概率,其计算公式为;其中/>为当前故障类型发生的子区域概率,/>为当前故障类型发生在对应子区域的次数,/>为当前故障类型发生的总次数;取/>所对应的子区域为当前故障发生区域。
2.根据权利要求1所述的一种基于大数据的设备管理方法,其特征在于:所述S400中将存在异常运行状况的设备编号、对应的故障隐患类型分析结果和具体故障发生区域通过反馈报告提示管理人员:
S401、当系统检测到存在异常设备,将异常设备对应的设备编号和异常运行数据分析获得的故障类型以及故障发生的设备子区域编号,通过综合设备检测报告进行反馈;
S402、将反馈报告传输至管理人员端口,提示管理人员对异常设备进行检修。
3.一种基于大数据的设备管理系统,应用如权利要求1-2任一项所述的一种基于大数据的设备管理方法,其特征在于:所述系统包括区域设备数据采集模块、设备异常分析模块、异常故障判断模块和设备状态反馈模块;
所述区域设备数据采集模块通过架设在工厂设备运行区域的监控设备对设备的运行状态数据进行采集,通过数据库对设备的历史运行数据和设备对应的实质数据进行提取和预处理;所述设备异常分析模块结合设备实时运行状态数据和历史数据,通过构建切片二叉树对数据进行预处理,根据处理后的数据构建实质数据因果曲线,通过分析曲线差异情况和实质数据波动值,对区域内各设备进行异常分析,根据分析结果判断区域内设备是否存在异常运行设备;所述异常故障判断模块根据设备的组成结构对设备进行局部子区域划分并进行标记,通过构建异常设备的异常特征方阵图结合设备的异常运行数据对当前设备的存在的故障隐患类型进行分析,并对故障存在的子区域分布概率分析;所述设备状态反馈模块将存在异常运行状况的设备编号、对应的故障隐患类型分析结果和具体故障发生区域通过反馈报告提示管理人员。
4.根据权利要求3所述的一种基于大数据的设备管理系统,其特征在于:所述区域设备数据采集模块包括区域设备数据采集单元和数据预处理单元;所述区域设备数据采集单元通过在工厂设备运转区域架设监控设备实现对设备全区域覆盖监控;所述监控设备为高精度摄像头;获取各监控设备所覆盖区域面积;根据单监控设备监控面积区域,获取对应监控区域中的设备编号;通过装置在设备工作区域的数据采集装置对设备的运行状态数据进行采集;利用当前监控设备的编号,在数据库中调取历史设备运行数据;所述数据预处理单元通过系统设置监控周期,以周期为基准时间区间,通过构建对应设备的时间切片二叉树;以对应设备编号数据为唯一父节点,以基准时间区间数据为一级子节点;分别以对应时间区间内采集的实时运行数据和调取的历史运行数据在一级子节点基础上衍生二级子节点;通过在二级子节点上以设备运行数据中的实质数据完成三级节点衍生;所述实质数据为设备运行中用于检测设备健康情况的数据,包括电流数据、电压数据、温度数据、压力数据、负载数据和振动数据。
5.根据权利要求4所述的一种基于大数据的设备管理系统,其特征在于:所述设备异常分析模块包括因果曲线构建单元、曲线差异分析单元和设备异常判断单元;所述因果曲线构建单元利用设备的时间切片二叉树,对基准时间区间内监控设备各实质数据进行运行数据曲线构建;所述运行数据曲线是以观察数据为果,以基准时间区间为因,构建的因果发展趋势曲线;根据当前观察数据和调取的历史数据分别对各实质数据分别建立因果发展趋势曲线;所述曲线差异分析单元分别将当前观察数据和历史数据建立对应实质数据的因果发展趋势曲线映射在同一坐标系下,按照顺序将两曲线的重合部分和分离部分进行区别标注,根据标注结果获取当前实质数据与历史实质数据曲线之间的差异特征矩阵;通过分析获得当前设备的各实质数据的差异特征矩阵集合;对当前设备的差异特征矩阵集合进行通过翻转和填补操作获取当前设备对应的异常特征矩阵;所述设备异常判断单元根据当前设备对应的异常特征矩阵,对当前设备的异常情况进行分析,计算当前设备的各实质数据的波动值;通过对各实质数据进行波动值计算获取对应的波动值集合;通过冒泡排序取波动值集合中波动最大值与阈值比较,判断当前设备运行状态是否异常。
6.根据权利要求5所述的一种基于大数据的设备管理系统,其特征在于:所述异常故障判断模块包括设备子区域划分单元、异常特征方阵图构建单元和故障判断与定位单元;所述设备子区域划分单元通过定位异常设备,根据当前设备的组织结构和功能实现结构对整体设备进行子区域划分并进行标记,获取设备子区域集合;所述异常特征方阵图构建单元根据各实质数据的波动值分析数据,通过具象映射到平面二维坐标空间中,取原点为拓展点,以实质数据数量为等分条件,将拓展点周围空间进行等分并获取等分线;以等分线为延伸介质;以拓展点为起点,以等分线为延伸介质结合各实质数据的波动值进行对应实质数据特征向量构建;通过获取各特征向量的终点进行相互连接,构建异常特征方阵图;所述故障判断与定位单元通过提取异常特征方阵图的轮廓轨迹数据,通过相似匹配算法与在数据库中存储的各故障类型对应的异常特征方阵图轮廓轨迹数据进行特征匹配,通过设置阈值对故障类型进行筛选,将符合条件的故障类型数据进行提取;在符合条件的故障类型数据中,计算当前设备的故障类型综合匹配度,取最大值对应的故障类型为当前异常设备所存在的故障隐患类型;根据历史数据分析当前故障类型发生的子区域概率,取最大值所对应的子区域为当前故障发生区域。
7.根据权利要求6所述的一种基于大数据的设备管理系统,其特征在于:所述设备状态反馈模块包括设备状态报告生成单元和异常设备反馈单元;所述设备状态报告生成单元当系统检测到存在异常设备,将异常设备对应的设备编号和异常运行数据分析获得的故障类型以及故障发生的设备子区域编号,通过综合设备检测报告进行反馈;所述异常设备反馈单元将反馈报告传输至管理人员端口,提示管理人员对异常设备进行检修。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410217928.9A CN117787926B (zh) | 2024-02-28 | 2024-02-28 | 一种基于大数据的设备管理系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410217928.9A CN117787926B (zh) | 2024-02-28 | 2024-02-28 | 一种基于大数据的设备管理系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117787926A CN117787926A (zh) | 2024-03-29 |
CN117787926B true CN117787926B (zh) | 2024-05-14 |
Family
ID=90400403
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410217928.9A Active CN117787926B (zh) | 2024-02-28 | 2024-02-28 | 一种基于大数据的设备管理系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117787926B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108038553A (zh) * | 2017-12-13 | 2018-05-15 | 科大集智数据科技(武汉)有限公司 | 轧机设备状态在线监测与诊断系统及监测诊断方法 |
WO2023033727A2 (en) * | 2021-08-30 | 2023-03-09 | Envision Digital International Pte. Ltd. | Method and apparatus for training photovoltaic monitoring model, and method and apparatus for monitoring photovoltaic device |
CN115864658A (zh) * | 2023-02-27 | 2023-03-28 | 山东泰顺电气有限责任公司 | 一种基于数据分析的电力远动智能监控系统 |
CN116993077A (zh) * | 2023-07-10 | 2023-11-03 | 唐山冀东石油机械有限责任公司 | 一种基于大数据的采油设备维护管理系统及方法 |
-
2024
- 2024-02-28 CN CN202410217928.9A patent/CN117787926B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108038553A (zh) * | 2017-12-13 | 2018-05-15 | 科大集智数据科技(武汉)有限公司 | 轧机设备状态在线监测与诊断系统及监测诊断方法 |
WO2023033727A2 (en) * | 2021-08-30 | 2023-03-09 | Envision Digital International Pte. Ltd. | Method and apparatus for training photovoltaic monitoring model, and method and apparatus for monitoring photovoltaic device |
CN115864658A (zh) * | 2023-02-27 | 2023-03-28 | 山东泰顺电气有限责任公司 | 一种基于数据分析的电力远动智能监控系统 |
CN116993077A (zh) * | 2023-07-10 | 2023-11-03 | 唐山冀东石油机械有限责任公司 | 一种基于大数据的采油设备维护管理系统及方法 |
Non-Patent Citations (3)
Title |
---|
"Anomaly detection based on random matrix theory for industrial power systems";Qiuyan Zhang等;《Journal of Systems Architecture》;20191231;全文 * |
"Study on the Customer Satisfaction Evaluation Modal and Indax System of the Management Consulting Enterprises";Zhang Qiuyan;《IEEE》;20121231;全文 * |
"发动机曲轴粗糙度的测量误差因素";杨武;!装备制造技术》;20151231;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117787926A (zh) | 2024-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102011620B1 (ko) | 이상 데이터의 중요도 판정 장치 및 이상 데이터의 중요도 판정 방법 | |
CN104931857B (zh) | 一种基于d-s证据理论的配电网故障定位方法 | |
CN108345723A (zh) | 一种基于决策树和贝叶斯网络的电机故障诊断系统及方法 | |
CN114385391A (zh) | 一种nfv虚拟化设备运行数据分析方法及装置 | |
CN109086470A (zh) | 一种基于模糊偏好关系与d-s证据理论的故障诊断方法 | |
CN112697798B (zh) | 面向红外图像的变电设备电流致热型缺陷的诊断方法和装置 | |
CN112134357A (zh) | 基于云服务的配电自动化主站系统 | |
CN112269812A (zh) | 一种基于大数据的智能电力配电网安全监测管理系统 | |
CN114689965A (zh) | 基于嵌入式智能传感器的电力设备在线监测方法及系统 | |
CN114358242A (zh) | 一种异质结电池生产监控系统及方法 | |
CN112464439A (zh) | 基于三层数据挖掘的电力系统故障类型分析方法及装置 | |
CN107548087A (zh) | 一种告警关联分析的方法及装置 | |
CN112766573A (zh) | 一种发电数据的预测方法、装置及电子设备 | |
CN116027725A (zh) | 一种基于高效机房的群控优化分析系统 | |
CN117787926B (zh) | 一种基于大数据的设备管理系统及方法 | |
CN114784955A (zh) | 一种智能变电站异常信息处理方法 | |
CN110164102B (zh) | 一种光伏电站组串异常报警方法及报警装置 | |
CN110309221A (zh) | 基于电缆附件故障数据库的电缆故障识别系统 | |
CN116934062B (zh) | 一种基于多元融合的信息处理系统及方法 | |
CN116365705A (zh) | 一种光伏组件故障实时监测方法及系统 | |
CN111478439A (zh) | 一种区域配网自动化开关遥控成功率分析方法 | |
CN116545377A (zh) | 一种基于锁相技术的光伏组件监测方法 | |
CN113991864A (zh) | 一种基于云编排技术的电力复合监测平台及方法 | |
CN115802013B (zh) | 基于智能照明的视频监控方法、装置、设备及存储介质 | |
CN113449689A (zh) | 一种基于物联网平台的通信铁塔远程监控方法 |
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 |