CN118194150B - 冷水机远程监控与故障预测系统 - Google Patents

冷水机远程监控与故障预测系统 Download PDF

Info

Publication number
CN118194150B
CN118194150B CN202410587487.1A CN202410587487A CN118194150B CN 118194150 B CN118194150 B CN 118194150B CN 202410587487 A CN202410587487 A CN 202410587487A CN 118194150 B CN118194150 B CN 118194150B
Authority
CN
China
Prior art keywords
data
fault
maintenance
unit
module
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
Application number
CN202410587487.1A
Other languages
English (en)
Other versions
CN118194150A (zh
Inventor
陈敏
吴锡灶
赵江
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuxi Guanya Constant Temperature Refrigeration Technology Co ltd
Original Assignee
Wuxi Guanya Constant Temperature Refrigeration Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuxi Guanya Constant Temperature Refrigeration Technology Co ltd filed Critical Wuxi Guanya Constant Temperature Refrigeration Technology Co ltd
Priority to CN202410587487.1A priority Critical patent/CN118194150B/zh
Publication of CN118194150A publication Critical patent/CN118194150A/zh
Application granted granted Critical
Publication of CN118194150B publication Critical patent/CN118194150B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F25—REFRIGERATION OR COOLING; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS; MANUFACTURE OR STORAGE OF ICE; LIQUEFACTION SOLIDIFICATION OF GASES
    • F25D—REFRIGERATORS; COLD ROOMS; ICE-BOXES; COOLING OR FREEZING APPARATUS NOT OTHERWISE PROVIDED FOR
    • F25D29/00—Arrangement or mounting of control or safety devices
    • 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
    • G06F18/21—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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/60—Protecting data
    • G06F21/602—Providing cryptographic facilities or services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Mechanical Engineering (AREA)
  • Mathematical Physics (AREA)
  • Combustion & Propulsion (AREA)
  • Health & Medical Sciences (AREA)
  • Bioethics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Computer Security & Cryptography (AREA)
  • Thermal Sciences (AREA)
  • Computing Systems (AREA)
  • Chemical & Material Sciences (AREA)
  • Medical Informatics (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明涉及冷水机故障预测技术领域，具体涉及冷水机远程监控与故障预测系统，包括数据采集模块、数据传输模块、数据处理模块、故障预测模块以及动态维护优化模块；其中，数据采集模块：实时监测并收集冷水机的运行数据；数据传输模块：使用预设的加密技术确保数据在网络中的安全传输至中央服务器；数据处理模块：用于对收集的数据进行预处理；故障预测模块：识别数据中的异常模式和故障迹象；动态维护优化模块：动态生成维护计划。本发明，通过实时数据采集与处理、机器学习技术的应用以及维护优化功能的集成，能够显著提高故障识别的速度和准确性，优化维护计划，并减少设备停机时间，从而提升设备可靠性和降低运营成本。

Description

冷水机远程监控与故障预测系统
技术领域
本发明涉及冷水机故障预测技术领域，尤其涉及冷水机远程监控与故障预测系统。
背景技术
冷水机作为工业和商业应用中广泛使用的关键设备，其运行效率和可靠性对整体生产和运营具有重要影响，在传统的冷水机监控系统中，主要依赖于定期的物理检查和手动监控方法来维持设备运行，这种方式不仅耗时耗力，而且很难实时捕捉到设备的异常状态，从而无法及时进行故障预防和处理，此外，因为缺乏深入的数据分析支持，早期故障往往难以被及时发现，导致设备可能出现突然停机，增加了维修成本和生产损失。
现有的技术在设备数据的实时监控、故障预测以及维护计划优化方面存在明显不足，尽管部分系统采用了基础的数据记录和警报系统，但这些系统通常无法处理复杂的数据分析，缺乏足够的智能化，无法提供针对即将发生的故障的预警或对维护计划的智能优化，此外，这些系统也未能有效利用历史维护数据来优化未来的维护决策。
因此，急需一种能够整合先进的数据分析和机器学习技术，实现对冷水机全面实时监控和故障预测的系统，以提高设备的可靠性和操作效率，同时显著降低由于设备故障引起的经济损失。
发明内容
基于上述目的，本发明提供了冷水机远程监控与故障预测系统。
冷水机远程监控与故障预测系统，包括数据采集模块、数据传输模块、数据处理模块、故障预测模块以及动态维护优化模块；其中，
数据采集模块：包括传感器网络，部署于冷水机的预定部位，以实时监测并收集冷水机的运行数据；
数据传输模块：接收来自数据采集模块的数据，并使用预设的加密技术确保数据在网络中的安全传输至中央服务器；
数据处理模块：在中央服务器上部署，用于对收集的数据进行预处理，包括数据清洗、去噪声和标准化；
故障预测模块：基于预处理后的数据，应用机器学习算法来识别数据中的异常模式和故障迹象；故障预测模块具体包括特征提取单元、学习模型单元以及故障检测单元；
所述特征提取单元用于从数据处理模块传来的标准化数据中提取特征，特征包括温度波动、压力变化率、流量不稳定性和能耗异常，具体通过使用离散傅里叶变换方法，将连续数据转换为特征向量，为故障诊断提供量化的数据输入；
所述学习模型单元应用支持向量机算法来分析从特征提取单元得到的特征向量，该支持向量机算法将基于历史故障数据和正常运行数据学习识别各种故障模式；
所述故障检测单元接收学习模型单元输出的故障预测结果，将其转化为具体的故障指示，用于标识出故障类型，并估计故障发生的概率；
动态维护优化模块：基于故障预测模块的输出和设备维护历史，通过预设的优化算法，动态生成维护计划，为维护人员提供最佳的维护时间点和操作建议，以减少设备的停机时间和维护成本。
进一步的，所述数据采集模块包括温度传感器、压力传感器、流量计和电能监测器；其中，
温度传感器：安装在冷水机的出水口和回水口，分别测量供水温度和回水温度，该温度传感器通过热电偶或热阻的原理，检测水温的变化并将温度变化转换为电信号输出，从而实时监控冷水机的热效率；
压力传感器：固定在冷水机的压缩机出口和冷凝器入口，用于监测预定部位的压力水平，该压力传感器采用压电材料或压阻式感应元件，将压力变化转换为电信号；
流量计：安装在冷水机的主供水管上，用于测量冷却水的流速和流量，流量计采用涡轮或电磁流量计原理，通过水流通过测量点时产生的动力效应或电磁感应来测定流量；
电能监测器：连接在冷水机的电源线路上，用于实时监控和记录冷水机的能耗，该电能监测器利用电流互感器捕捉电流信号，并结合电压数据计算出实时的功率消耗，从而评估设备的能效表现。
进一步的，所述数据传输模块包括加密单元和传输单元；其中，
加密单元：用于对数据采集模块收集的所有运行数据进行加密处理，具体采用高级加密标准AES算法，通过对数据进行替换和置换操作生成密文，防止数据在传输过程中被截取和篡改，加密单元接收来自数据采集模块的原始数据，将其转换为加密格式，再传输至传输单元；
传输单元：该传输单元接收加密单元输出的密文数据，将加密后的数据通过安全的网络协议发送到中央服务器，传输单元采用安全套接字层SSL协议，该协议用于提供安全的端到端连接，确保数据在互联网上传输的机密性和完整性，SSL协议通过使用公钥和私钥的组合来加密数据，并验证服务器和客户端的身份，从而保护数据传输过程中的安全。
进一步的，所述数据处理模块包括数据清洗单元、去噪声单元和标准化单元，以对接收到的加密数据进行预处理；其中，
数据清洗单元：用于识别并移除来自数据采集模块的任何错误或无关数据，具体使用基于规则的方法，包括阈值检测和模式匹配，以识别和修正异常值；
去噪声单元：应用数字滤波技术，具体为卡尔曼滤波器，去除记录数据中的随机波动和噪声，卡尔曼滤波是线性动态系统估计方法，通过考虑测量中的噪声和不确定性，来估计系统的状态，卡尔曼滤波公式为：
，其中，为第次估计的系统状态，代表经 过滤波处理的估计值；为第次实际测量值；为观测模型矩阵，将估计状态映射到测 量空间；为卡尔曼增益；为第次的状态预测值；
标准化单元：用于将处理后的数据转换成一致的格式和规模，便于后续分析，具体 采用Z得分标准化方法，通过减去均值并除以标准差来调整数据的尺度，使其具有零均值和 单位方差，从而消除不同传感器数据单位不一致的问题，Z得分公式为：，其中， 为去噪后的数据点；为相应数据的长期平均值，基于历史数据计算得出；为数据的标准 偏差。
进一步的，所述特征提取单元包括：
数据预处理：先接收来自数据处理模块的标准化数据，并执行一个数据窗口化处 理，将连续的时间序列数据切分成固定长度的窗口，具体采用汉宁窗以减少窗口两端的数 据泄漏，提高变换后的频域数据的质量，数据窗口化处理公式为：，其中，为汉宁窗函数值，用于窗口化处理的每个数据 点；为窗口长度，表示在进行离散傅里叶变换前，连续数据序列中包含的数据点数；为 当前数据点的索引，范围从0到；
离散傅里叶变换：应用离散傅里叶变换对窗口化后的数据执行频域转换，具体将 时间序列数据转换成其对应的频率分量，以揭示数据中的周期性和异常频率成分，离散傅 里叶变换的计算公式：，其中，为频域中第 个频率分量的复数表示，包含该频率分量的幅度和相位信息；为经汉宁窗处理后的时 间序列数据点；为频率索引，范围从0到，代表不同的频率成分；
特征向量构建：从离散傅里叶变换的结果中提取频率成分作为特征，具体是计算频率之间的相位差和能量比，以捕捉更复杂的动态，提高故障预测的准确性和及时性，特征向量构建公式为：
，
，其中，为频率的功率谱密度，计算为频率分量的幅度的平方；为频率的相位角，表示 该频率成分的相位信息；PhaseDifference为频率和之间的相位差，用于分析不同 频率成分之间的相互作用。
进一步的，所述学习模型单元包括：
数据标注和预处理：先将从特征提取单元得到的特征向量与对应的历史数据进行匹配，对每个特征向量进行标注，标注为正类或负类，并对特征向量进行规范化处理，确保模型训练的有效性；
核函数选择和参数优化：采用径向基函数RBF核，该RBF能处理非线性分类问题，同 时通过交叉验证方法优化SVM的参数，包括惩罚参数和核函数参数，以达到分类效果， RBF核函数公式为：，其中，为核函数，用于将原 始输入空间的数据映射到更高维的特征空间；为特征向量，代表经过特征提取单元处 理后的从冷水机收集的数据；为RBF核函数的参数，用于控制核函数的宽度，即影响函数 的作用范围；
模型训练和验证：使用标注的数据集训练SVM模型，训练过程中，SVM算法试图找到 一个超平面，最大化正类和负类之间的边界，一旦模型被训练后，将使用独立的验证数据集 来测试模型的准确性和泛化能力，确保模型在未知数据上能有效地识别故障，SVM超平面公 式：，其中，为SVM的正则化参数，用于控制误差项的权重和决 定最优超平面的边界宽度；为拉格朗日乘数，用于SVM中的优化问题；为类标签，表示冷 水机的运行状态；为向量点积，用于计算决策函数中样本之间的相似度；为偏置项， 用于SVM决策函数中，调整分类超平面的位置。
进一步的，所述故障检测单元包括：
接收预测结果：先接收来自学习模型单元的输出，即支持向量机算法的分类结果，该分类结果基于特征向量，用于指示每个数据点是否表现出与故障相关的模式；
故障类型标识：故障检测单元根据SVM输出的分类标签，将每个数据点分类为正常或异常，每种异常类型与预定的设备故障模式相关联；
故障发生概率估计：对于被分类为异常的数据点，故障检测单元将估计故障发生的概率，具体通过计算决策函数的输出值来实现，该值用于反映数据点与决策边界的距离，概率估计使用逻辑回归模型将SVM的输出转换为概率值；
故障指示输出：基于故障发生概率估计的分析结果，故障检测单元生成具体的故障指示，包括故障类型和发生概率。
进一步的，所述动态维护优化模块包括维护需求分析单元、历史维护数据集成单元、优化算法应用单元、维护计划生成单元以及维护建议通信单元；其中，
维护需求分析单元：先接收故障检测单元输出的故障类型和发生概率，基于接收的信息，分析设备当前的维护需求；
历史维护数据集成单元：用于收集和整合设备的维护历史记录，包括过去维护活动的时间、花费、结果以及持续问题的记录，用于分析维护措施的效果和周期，辅助预测未来的维护需求；
优化算法应用单元：应用预设的优化算法来制定维护计划，该优化算法基于设备的运行重要性、故障影响、维护成本和操作便利性进行优化，以最小化维护成本和设备停机时间；
维护计划生成单元：基于优化算法的输出，生成具体的维护计划，计划包括维护活动的类型、必需的资源、预定的执行时间以及预计的持续时间，该维护计划生成单元还生成紧急性级别，指示维护活动的优先级；
维护建议通信单元：用于将生成的维护计划和操作建议传达给维护人员。
进一步的，所述维护需求分析单元包括：
故障数据接收：维护需求分析单元首先接收来自故障检测单元的数据，包括每个识别出的故障类型及其对应的发生概率；
概率阈值评估：对于接收到的每个故障类型的发生概率，将其与预设的概率阈值进行比较，当故障的发生概率超过了该阈值时，则认为该故障类型需要进行维护措施，该概率阈值评估公式为：
需求判定=，其中， 表示故障 在数据 条件下的发生概率， 是事先定义的概率阈值；
故障影响分析：对于被判定为高优先级的维护需求，将分析故障对设备运行的具体影响，包括分析故障导致的设备性能下降、安全风险，以及潜在的维护成本。
进一步的，所述优化算法应用单元包括：
参数定义和数据收集：先为每个维护决策定义相关参数，包括设备的运行重要性、故障将会导致的影响、直接和间接的维护成本以及操作便利性；
建立优化模型：使用多目标优化模型来平衡所述相关参数，该多目标优化模型适用于最小化维护成本和设备的预期停机时间，同时考虑故障的潜在影响和设备的运行重要性，多目标优化问题公式表述为：
，其中，是优化目标函数， 表示维护成本，表示设备停机时间，表示故障影响，，和是权重因子，用于平衡 不同目标的重要性；
算法选择和实施：选择括遗传算法或粒子群优化的优化算法，搜索多目标问题的解空间，找到最佳解；
制定和调整维护计划：根据优化算法的结果，制定维护计划，包括维护活动的类型、时间和所需资源，并根据实际操作中的反馈和设备的继续监测数据调整维护计划，以适应变化和新出现的信息。
本发明的有益效果：
本发明，通过集成高级的数据采集技术和实时数据处理，能够连续监测设备运行状态并即时捕捉异常，这种实时监控能力显著提升了对设备潜在故障的识别速度，从而可以在问题成为严重故障之前进行干预，减少设备的突然停机和相关的维护成本。
本发明，通过应用的机器学习算法能够基于历史和实时数据分析故障模式，预测潜在的设备问题，这种预测功能不仅提高了故障处理的前瞻性和准确性，也使得维护计划能够更加科学地安排，进而优化维护资源的使用，延长设备的使用寿命，并提升总体的操作效率。
本发明，提供了维护优化功能，能够动态生成和调整维护计划，这直接反映在维护成本和设备可用性的改善上，通过智能化的维护计划，系统能够有效地平衡运行成本与设备性能，为设备管理者提供支持决策，确保设备以最优状态运行，从而增强整个生产系统的稳定性和可靠性。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明，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为本发明实施例的冷水机远程监控与故障预测系统示意图；
图2为本发明实施例的故障预测模块示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，对本发明进一步详细说明。
需要说明的是，除非另外定义，本发明使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。本发明中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。
如图1-图2所示，冷水机远程监控与故障预测系统，包括数据采集模块、数据传输模块、数据处理模块、故障预测模块以及动态维护优化模块；其中，
数据采集模块：包括传感器网络，部署于冷水机的预定部位，以实时监测并收集冷水机的运行数据；
数据传输模块：接收来自数据采集模块的数据，并使用预设的加密技术确保数据在网络中的安全传输至中央服务器；
数据处理模块：在中央服务器上部署，用于对收集的数据进行预处理，包括数据清洗、去噪声和标准化，以便为后续的数据分析和故障预测准备数据；
故障预测模块：基于预处理后的数据，应用机器学习算法来识别数据中的异常模式和故障迹象；故障预测模块具体包括特征提取单元、学习模型单元以及故障检测单元；
特征提取单元用于从数据处理模块传来的标准化数据中提取特征，特征包括温度波动、压力变化率、流量不稳定性和能耗异常，具体通过使用离散傅里叶变换方法，将连续数据转换为特征向量，为故障诊断提供量化的数据输入；
学习模型单元应用支持向量机算法来分析从特征提取单元得到的特征向量，该支持向量机算法将基于历史故障数据和正常运行数据学习识别各种故障模式；
故障检测单元接收学习模型单元输出的故障预测结果，将其转化为具体的故障指示，用于标识出故障类型，并估计故障发生的概率；
动态维护优化模块：基于故障预测模块的输出和设备维护历史，通过预设的优化算法，动态生成维护计划，为维护人员提供最佳的维护时间点和操作建议，以减少设备的停机时间和维护成本。
数据采集模块包括温度传感器、压力传感器、流量计和电能监测器；其中，
温度传感器：安装在冷水机的出水口和回水口，分别测量供水温度和回水温度，该温度传感器通过热电偶或热阻的原理，检测水温的变化并将温度变化转换为电信号输出，从而实时监控冷水机的热效率；
压力传感器：固定在冷水机的压缩机出口和冷凝器入口，用于监测预定部位的压力水平，该压力传感器采用压电材料或压阻式感应元件，将压力变化转换为电信号，用于评估冷水机的压力稳定性和检测潜在的压力异常；
流量计：安装在冷水机的主供水管上，用于测量冷却水的流速和流量，流量计采用涡轮或电磁流量计原理，通过水流通过测量点时产生的动力效应或电磁感应来测定流量；
电能监测器：连接在冷水机的电源线路上，用于实时监控和记录冷水机的能耗，该电能监测器利用电流互感器捕捉电流信号，并结合电压数据计算出实时的功率消耗，从而评估设备的能效表现；
通过上述各传感器的特定部署和精确数据采集，数据采集模块能够全面监控冷水机的运行状态，为系统的数据处理模块提供高质量、实时的输入数据，确保故障预测模块能够准确分析设备状况，并及时提出维护和优化建议。
数据传输模块包括加密单元和传输单元；其中，
加密单元：用于对数据采集模块收集的所有运行数据进行加密处理，具体采用高级加密标准AES算法，通过对数据进行替换和置换操作生成密文，防止数据在传输过程中被截取和篡改，加密单元接收来自数据采集模块的原始数据，将其转换为加密格式，再传输至传输单元；
传输单元：该单元接收加密单元输出的密文数据，将加密后的数据通过安全的网络协议发送到中央服务器，传输单元采用安全套接字层SSL协议，该协议用于提供安全的端到端连接，确保数据在互联网上传输的机密性和完整性，SSL协议通过使用公钥和私钥的组合来加密数据，并验证服务器和客户端的身份，从而保护数据传输过程中的安全；
通过上述配置，数据传输模块不仅确保了冷水机运行数据的安全性，也保证了数据在网络传输过程中的隐私性和完整性，有效地防止了数据泄露和非法访问的风险，这一模块为整个远程监控与故障预测系统提供了坚实的数据安全基础，使得系统能够在复杂且可能不安全的网络环境中稳定运行。
数据处理模块包括数据清洗单元、去噪声单元和标准化单元，以对接收到的加密数据进行预处理；其中，
数据清洗单元：用于识别并移除来自数据采集模块的任何错误或无关数据，具体使用基于规则的方法，包括阈值检测和模式匹配，以识别和修正异常值，例如，设定温度传感器的合理数据范围为-10°C至50°C，任何超出此范围的数据将被标记为异常并进行校正或删除，具体公式表示为：
=，其中，代表从数据采集模块收集的原始数据点，例 如温度、压力、流量或电能的一个读数；和分别代表数据点的预设下限和上限阈值，这 些阈值根据冷水机的运行参数设定，例如对于温度，可能设定为至，超出此范 围的数据将被认为是异常或错误数据；为处理后的数据点，如果原始数据点在合理范 围内则保持不变，否则可能被修正或设为null(即忽略或删除)；
去噪声单元：应用数字滤波技术，具体为卡尔曼滤波器，去除记录数据中的随机波动和噪声，卡尔曼滤波是线性动态系统估计方法，通过考虑测量中的噪声和不确定性，来估计系统的状态，卡尔曼滤波公式为：
，其中，为第次估计的系统状态，代表经 过滤波处理的估计值，如调整后的温度或压力读数；为第次实际测量值，直接来自于数 据采集模块的传感器；为观测模型矩阵，将估计状态映射到测量空间，用于处理来自不 同类型传感器的数据；为卡尔曼增益，根据预测的不确定性和测量的不确定性计算得 出，用以更新状态估计；为第次的状态预测值，基于前一状态的最优估计；
标准化单元：用于将处理后的数据转换成一致的格式和规模，便于后续分析，具体 采用Z得分标准化方法，通过减去均值并除以标准差来调整数据的尺度，使其具有零均值和 单位方差，从而消除不同传感器数据单位不一致的问题，Z得分公式为：，其中， 为去噪后的数据点，如温度、压力、流量或电能的调整值；为相应数据的长期平均值，基于 历史数据计算得出，代表正常运行条件下的期望值；为数据的标准偏差，表示在正常运行 条件下数据的波动程度；通过上述三个单元的协同作用，数据处理模块确保传递到故障预 测模块的数据具有高质量，无误差和一致性，为后续的故障诊断和维护优化提供准确的输 入。
特征提取单元包括：
数据预处理：先接收来自数据处理模块的标准化数据，并执行一个数据窗口化处 理，将连续的时间序列数据切分成固定长度的窗口，具体采用汉宁窗（Hanning window）以 减少窗口两端的数据泄漏，提高变换后的频域数据的质量，数据窗口化处理公式为：，其中，为汉宁窗函数值，用于窗口化处理的每个数据 点，它帮助减少频域分析中的边缘效应，提高频谱的可读性和精确性；为窗口长度，表示 在进行离散傅里叶变换前，连续数据序列中包含的数据点数，窗口长度选择依据冷水机的 运行周期和数据采集频率，以确保足够的数据覆盖和频域分辨率；为当前数据点的索引， 范围从0到；
离散傅里叶变换：应用离散傅里叶变换对窗口化后的数据执行频域转换，具体将 时间序列数据转换成其对应的频率分量，以揭示数据中的周期性和异常频率成分，离散傅 里叶变换的计算公式：，其中，为频域中第 个频率分量的复数表示，包含该频率分量的幅度和相位信息，通过DFT转换，从时间序列数 据中提取出的频率成分；为经汉宁窗处理后的时间序列数据点，代表冷水机某一具体 测量(如温度、压力等)的数值；为频率索引，范围从0到，代表不同的频率成分，在冷 水机的分析中，某些特定的值可能与设备特有的振动或噪声频率相对应；
特征向量构建：从离散傅里叶变换的结果中提取频率成分作为特征，不仅考虑单一频率的振幅，而具体是计算频率之间的相位差和能量比，以捕捉更复杂的动态，这一步显著增强了对设备运行状态中微小变化的敏感度，提高故障预测的准确性和及时性，特征向量构建公式为：
，
，其中，为频率的功率谱密度，计算为频率分量的幅度的平方，这一测量反映了该频率成分的能量 大小，对识别设备运行中的异常振动或噪声模式非常重要；为频率的相位角， 表示该频率成分的相位信息，相位信息对于理解不同频率成分之间的时间关系至关重要； PhaseDifference为频率和之间的相位差，用于分析不同频率成分之间的相互作 用，例如，在机械故障分析中，两个特定频率成分的相位关系可能表明特定类型的机械故 障；
通过上述步骤，特征提取单元能够高效地将连续的运行数据转换成为量化的特征向量，为故障预测模块提供准确、细致的输入，从而显著提高系统的故障检测能力和响应速度。
学习模型单元包括：
数据标注和预处理：先将从特征提取单元得到的特征向量与对应的历史数据（故障和正常运行数据）进行匹配，对每个特征向量进行标注，标注为正类（故障）或负类（正常运行），并对特征向量进行规范化处理，确保模型训练的有效性；
核函数选择和参数优化：为了提高SVM算法的性能，选择合适的核函数是关键，在 本发明中，采用径向基函数RBF核，该RBF能处理非线性分类问题，同时通过交叉验证方法优 化SVM的参数，包括惩罚参数和核函数参数，以达到分类效果，RBF核函数公式为：，其中，为核函数，用于将原始输入空间的数据 映射到更高维的特征空间，对于冷水机的故障预测系统，这使得非线性可分的数据在高维 空间可能变得线性可分；为特征向量，代表经过特征提取单元处理后的从冷水机收集 的数据，在冷水机的故障预测中，和可能包括来自不同时间点的数据集，例如温度、压 力、流量等的特征向量；为RBF核函数的参数，用于控制核函数的宽度，即影响函数的作用 范围，在故障预测中，值的选择决定了特征空间中相似点的聚合程度，对分类结果的精确 性有重大影响；
模型训练和验证：使用标注的数据集训练SVM模型，训练过程中，SVM算法试图找到 一个超平面，最大化正类和负类之间的边界，一旦模型被训练后，将使用独立的验证数据集 来测试模型的准确性和泛化能力，确保模型在未知数据上能有效地识别故障，SVM超平面公 式：，其中，为SVM的正则化参数，用于控制误差项的权重和决 定最优超平面的边界宽度，在故障预测系统中，较大的值可以减少训练误差，但可能导致 过拟合，特别是在故障类型多样且复杂的情况下；为拉格朗日乘数，用于SVM中的优化问 题，在故障预测中，每个对应于训练数据集中的一个样本，其值不零的对应的称支持 向量；为类标签，表示冷水机的运行状态，通常用+1和1表示，如+1可能表示正常运行，1表 示有故障；为向量点积，用于计算决策函数中样本之间的相似度，在故障预测模型 中，这有助于确定新的测试数据点与已知类别(故障或非故障)之间的关系；为偏置项，用 于SVM决策函数中，调整分类超平面的位置；通过上述各步骤，学习模型单元能够有效地从 特征向量中学习并识别出冷水机的各种故障模式，创新地应用核函数选择和参数优化步骤 确保了模型对冷水机故障模式的敏感性和准确性，从而增强了系统的实用性和可靠性，这 种方法使得故障预测更加精确，减少了误报和漏报的可能性。
故障检测单元包括：
接收预测结果：先接收来自学习模型单元的输出，即支持向量机（SVM）算法的分类结果，该分类结果基于特征向量，用于指示每个数据点是否表现出与故障相关的模式；
故障类型标识：故障检测单元根据SVM输出的分类标签，将每个数据点分类为正常或异常，每种异常类型与预定的设备故障模式相关联，例如压力异常、温度超限或流量不稳定，此单元包括一个故障类型映射表，该表根据输入特征和历史故障数据预定义了与特定异常模式相关联的故障类型；
故障发生概率估计：对于被分类为异常的数据点，故障检测单元将估计故障发生 的概率，具体通过计算决策函数的输出值来实现，该值用于反映数据点与决策边界的距离， 概率估计使用逻辑回归模型将SVM的输出转换为概率值，概率估计的具体公式为：，其中，表示给定特征向量的情况下，预测为故障的概率，是SVM的决策函数值，表示到决策边界的距离，当的值越大 时，接近1，表示故障的可能性更高；
故障指示输出：基于故障发生概率估计的分析结果，故障检测单元生成具体的故障指示，包括故障类型和发生概率；通过这些详细的实施步骤，故障检测单元不仅能够标识出冷水机潜在的故障类型，还能精确地估计每种故障的发生概率，从而提供更有效的故障预防和维护策略，这种方法显著提高了系统的可靠性和维护效率，确保了冷水机的持续稳定运行。
动态维护优化模块包括维护需求分析单元、历史维护数据集成单元、优化算法应用单元、维护计划生成单元以及维护建议通信单元；其中，
维护需求分析单元：先接收故障检测单元输出的故障类型和发生概率，基于接收的信息，分析设备当前的维护需求，考虑到每种故障类型可能需要的具体维护措施，例如更换部件或调整设置；
历史维护数据集成单元：用于收集和整合设备的维护历史记录，包括过去维护活动的时间、花费、结果以及持续问题的记录，用于分析维护措施的效果和周期，辅助预测未来的维护需求；
优化算法应用单元：应用预设的优化算法来制定维护计划，该优化算法基于设备的运行重要性、故障影响、维护成本和操作便利性进行优化，以最小化维护成本和设备停机时间；
维护计划生成单元：基于优化算法的输出，生成具体的维护计划，计划包括维护活动的类型、必需的资源、预定的执行时间以及预计的持续时间，该维护计划生成单元还生成紧急性级别，指示维护活动的优先级；
维护建议通信单元：用于将生成的维护计划和操作建议传达给维护人员，提供详细的操作步骤、所需工具和部件列表，以及任何安全注意事项，此单元确保维护人员可以接收到所有必要的信息，以便高效、安全地执行维护任务；通过上述单元的有序协作，动态维护优化模块能够根据即时的设备状态和历史维护数据，智能地生成并调整维护计划，确保设备在最佳状态下运行，同时减少不必要的维护成本和设备停机风险，这种方法提高了整个监控系统的效率和效果，为设备管理提供了前所未有的智能支持。
维护需求分析单元包括：
故障数据接收：维护需求分析单元首先接收来自故障检测单元的数据，包括每个识别出的故障类型及其对应的发生概率，这些数据提供了初步的指示，表明设备可能存在的问题点和故障的严重性；
概率阈值评估：对于接收到的每个故障类型的发生概率，将其与预设的概率阈值进行比较，当故障的发生概率超过了该阈值时，则认为该故障类型需要进行维护措施，该概率阈值评估公式为：
需求判定=，其中， 表示故障 在数据 条件下的发生概率， 是事先定义的概率阈值；
故障影响分析：对于被判定为高优先级的维护需求，将分析故障对设备运行的具体影响，包括分析故障导致的设备性能下降、安全风险，以及潜在的维护成本。
优化算法应用单元包括：
参数定义和数据收集：先为每个维护决策定义相关参数，包括设备的运行重要性（例如生产线的关键设备得到更高的权重）、故障将会导致的影响（如影响范围和严重程度）、直接和间接的维护成本（包括零件、人工和生产损失成本）以及操作便利性（考虑维护操作的难易程度和安全性）；
建立优化模型：使用多目标优化模型来平衡相关参数，该多目标优化模型适用于最小化维护成本和设备的预期停机时间，同时考虑故障的潜在影响和设备的运行重要性，多目标优化问题公式表述为：
，其中，是优化目标函数， 表示维护成本，表示设备停机时间，表示故障影响，，和是权重因子，用于平衡 不同目标的重要性；
算法选择和实施：选择括遗传算法（GA）或粒子群优化（PSO）的优化算法，搜索多目标问题的解空间，找到最佳解；
制定和调整维护计划：根据优化算法的结果，制定维护计划，包括维护活动的类型、时间和所需资源，并根据实际操作中的反馈和设备的继续监测数据调整维护计划，以适应变化和新出现的信息。
本发明旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本发明的精神和原则之内，所做的任何省略、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 (9)

1.冷水机远程监控与故障预测系统，其特征在于，包括数据采集模块、数据传输模块、数据处理模块、故障预测模块以及动态维护优化模块；其中，
数据采集模块：包括传感器网络，部署于冷水机的预定部位，以实时监测并收集冷水机的运行数据；
数据传输模块：接收来自数据采集模块的数据，并使用预设的加密技术确保数据在网络中的安全传输至中央服务器；
数据处理模块：在中央服务器上部署，用于对收集的数据进行预处理，包括数据清洗、去噪声和标准化；
故障预测模块：基于预处理后的数据，应用机器学习算法来识别数据中的异常模式和故障迹象；故障预测模块具体包括特征提取单元、学习模型单元以及故障检测单元；
所述特征提取单元用于从数据处理模块传来的标准化数据中提取特征，特征包括温度波动、压力变化率、流量不稳定性和能耗异常，具体通过使用离散傅里叶变换方法，将连续数据转换为特征向量，为故障诊断提供量化的数据输入；
所述学习模型单元应用支持向量机算法来分析从特征提取单元得到的特征向量，该支持向量机算法将基于历史故障数据和正常运行数据学习识别各种故障模式；
所述故障检测单元接收学习模型单元输出的故障预测结果，将其转化为具体的故障指示，用于标识出故障类型，并估计故障发生的概率；
动态维护优化模块：基于故障预测模块的输出和设备维护历史，通过预设的优化算法，动态生成维护计划，为维护人员提供最佳的维护时间点和操作建议，以减少设备的停机时间和维护成本；动态维护优化模块包括维护需求分析单元、历史维护数据集成单元、优化算法应用单元、维护计划生成单元以及维护建议通信单元；其中：
维护需求分析单元：先接收故障检测单元输出的故障类型和发生概率，基于接收的信息，分析设备当前的维护需求；
历史维护数据集成单元：用于收集和整合设备的维护历史记录，包括过去维护活动的时间、花费、结果以及持续问题的记录，用于分析维护措施的效果和周期，辅助预测未来的维护需求；
优化算法应用单元：应用预设的优化算法来制定维护计划，该优化算法基于设备的运行重要性、故障影响、维护成本和操作便利性进行优化，以最小化维护成本和设备停机时间；
维护计划生成单元：基于优化算法的输出，生成具体的维护计划，计划包括维护活动的类型、必需的资源、预定的执行时间以及预计的持续时间，该维护计划生成单元还生成紧急性级别，指示维护活动的优先级；
维护建议通信单元：用于将生成的维护计划和操作建议传达给维护人员。
2.根据权利要求1所述的冷水机远程监控与故障预测系统，其特征在于，所述数据采集模块包括温度传感器、压力传感器、流量计和电能监测器；其中，
温度传感器：安装在冷水机的出水口和回水口，分别测量供水温度和回水温度，该温度传感器通过热电偶或热阻的原理，检测水温的变化并将温度变化转换为电信号输出，从而实时监控冷水机的热效率；
压力传感器：固定在冷水机的压缩机出口和冷凝器入口，用于监测预定部位的压力水平，该压力传感器采用压电材料或压阻式感应元件，将压力变化转换为电信号；
流量计：安装在冷水机的主供水管上，用于测量冷却水的流速和流量，流量计采用涡轮或电磁流量计原理，通过水流通过测量点时产生的动力效应或电磁感应来测定流量；
电能监测器：连接在冷水机的电源线路上，用于实时监控和记录冷水机的能耗，该电能监测器利用电流互感器捕捉电流信号，并结合电压数据计算出实时的功率消耗，从而评估设备的能效表现。
3.根据权利要求2所述的冷水机远程监控与故障预测系统，其特征在于，所述数据传输模块包括加密单元和传输单元；其中，
加密单元：用于对数据采集模块收集的所有运行数据进行加密处理，具体采用高级加密标准AES算法，通过对数据进行替换和置换操作生成密文，防止数据在传输过程中被截取和篡改，加密单元接收来自数据采集模块的原始数据，将其转换为加密格式，再传输至传输单元；
传输单元：该传输单元接收加密单元输出的密文数据，将加密后的数据通过安全的网络协议发送到中央服务器，传输单元采用安全套接字层SSL协议，该协议用于提供安全的端到端连接，确保数据在互联网上传输的机密性和完整性，SSL协议通过使用公钥和私钥的组合来加密数据，并验证服务器和客户端的身份，从而保护数据传输过程中的安全。
4.根据权利要求3所述的冷水机远程监控与故障预测系统，其特征在于，所述数据处理模块包括数据清洗单元、去噪声单元和标准化单元，以对接收到的加密数据进行预处理；其中，
数据清洗单元：用于识别并移除来自数据采集模块的任何错误或无关数据，具体使用基于规则的方法，包括阈值检测和模式匹配，以识别和修正异常值；
去噪声单元：应用数字滤波技术，具体为卡尔曼滤波器，去除记录数据中的随机波动和噪声，卡尔曼滤波是线性动态系统估计方法，通过考虑测量中的噪声和不确定性，来估计系统的状态，卡尔曼滤波公式为：
，其中，为第次估计的系统状态，代表经过滤波处理的估计值；为第次实际测量值；为观测模型矩阵，将估计状态映射到测量空间；为卡尔曼增益；为第次的状态预测值；
标准化单元：用于将处理后的数据转换成一致的格式和规模，便于后续分析，具体采用Z得分标准化方法，通过减去均值并除以标准差来调整数据的尺度，使其具有零均值和单位方差，从而消除不同传感器数据单位不一致的问题，Z得分公式为：，其中，为去噪后的数据点；为相应数据的长期平均值，基于历史数据计算得出；为数据的标准偏差。
5.根据权利要求4所述的冷水机远程监控与故障预测系统，其特征在于，所述特征提取单元包括：
数据预处理：先接收来自数据处理模块的标准化数据，并执行一个数据窗口化处理，将连续的时间序列数据切分成固定长度的窗口，具体采用汉宁窗以减少窗口两端的数据泄漏，提高变换后的频域数据的质量，数据窗口化处理公式为：，其中，为汉宁窗函数值，用于窗口化处理的每个数据点；为窗口长度，表示在进行离散傅里叶变换前，连续数据序列中包含的数据点数；为当前数据点的索引，范围从0到；
离散傅里叶变换：应用离散傅里叶变换对窗口化后的数据执行频域转换，具体将时间序列数据转换成其对应的频率分量，以揭示数据中的周期性和异常频率成分，离散傅里叶变换的计算公式：，其中，为频域中第个频率分量的复数表示，包含该频率分量的幅度和相位信息；为经汉宁窗处理后的时间序列数据点；为频率索引，范围从0到，代表不同的频率成分；
特征向量构建：从离散傅里叶变换的结果中提取频率成分作为特征，具体是计算频率之间的相位差和能量比，以捕捉更复杂的动态，提高故障预测的准确性和及时性，特征向量构建公式为：
，
，其中，为频率的功率谱密度，计算为频率分量的幅度的平方；为频率的相位角，表示该频率成分的相位信息；PhaseDifference为频率和之间的相位差，用于分析不同频率成分之间的相互作用。
6.根据权利要求5所述的冷水机远程监控与故障预测系统，其特征在于，所述学习模型单元包括：
数据标注和预处理：先将从特征提取单元得到的特征向量与对应的历史数据进行匹配，对每个特征向量进行标注，标注为正类或负类，并对特征向量进行规范化处理，确保模型训练的有效性；
核函数选择和参数优化：采用径向基函数RBF核，该RBF能处理非线性分类问题，同时通过交叉验证方法优化SVM的参数，包括惩罚参数和核函数参数，以达到分类效果，RBF核函数公式为：，其中，为核函数，用于将原始输入空间的数据映射到更高维的特征空间；为特征向量，代表经过特征提取单元处理后的从冷水机收集的数据；为RBF核函数的参数，用于控制核函数的宽度，即影响函数的作用范围；
模型训练和验证：使用标注的数据集训练SVM模型，训练过程中，SVM算法试图找到一个超平面，最大化正类和负类之间的边界，一旦模型被训练后，将使用独立的验证数据集来测试模型的准确性和泛化能力，确保模型在未知数据上能有效地识别故障，SVM超平面公式：，其中，为SVM的正则化参数，用于控制误差项的权重和决定最优超平面的边界宽度；为拉格朗日乘数，用于SVM中的优化问题；为类标签，表示冷水机的运行状态；为向量点积，用于计算决策函数中样本之间的相似度；为偏置项，用于SVM决策函数中，调整分类超平面的位置。
7.根据权利要求6所述的冷水机远程监控与故障预测系统，其特征在于，所述故障检测单元包括：
接收预测结果：先接收来自学习模型单元的输出，即支持向量机算法的分类结果，该分类结果基于特征向量，用于指示每个数据点是否表现出与故障相关的模式；
故障类型标识：故障检测单元根据SVM输出的分类标签，将每个数据点分类为正常或异常，每种异常类型与预定的设备故障模式相关联；
故障发生概率估计：对于被分类为异常的数据点，故障检测单元将估计故障发生的概率，具体通过计算决策函数的输出值来实现，该值用于反映数据点与决策边界的距离，概率估计使用逻辑回归模型将SVM的输出转换为概率值；
故障指示输出：基于故障发生概率估计的分析结果，故障检测单元生成具体的故障指示，包括故障类型和发生概率。
8.根据权利要求1所述的冷水机远程监控与故障预测系统，其特征在于，所述维护需求分析单元包括：
故障数据接收：维护需求分析单元首先接收来自故障检测单元的数据，包括每个识别出的故障类型及其对应的发生概率；
概率阈值评估：对于接收到的每个故障类型的发生概率，将其与预设的概率阈值进行比较，当故障的发生概率超过了该阈值时，则认为该故障类型需要进行维护措施，该概率阈值评估公式为：
需求判定=，其中， 表示故障 在数据 条件下的发生概率， 是事先定义的概率阈值；
故障影响分析：对于被判定为高优先级的维护需求，将分析故障对设备运行的具体影响，包括分析故障导致的设备性能下降、安全风险，以及潜在的维护成本。
9.根据权利要求8所述的冷水机远程监控与故障预测系统，其特征在于，所述优化算法应用单元包括：
参数定义和数据收集：先为每个维护决策定义相关参数，包括设备的运行重要性、故障将会导致的影响、直接和间接的维护成本以及操作便利性；
建立优化模型：使用多目标优化模型来平衡所述相关参数，该多目标优化模型适用于最小化维护成本和设备的预期停机时间，同时考虑故障的潜在影响和设备的运行重要性，多目标优化问题公式表述为：
，其中，是优化目标函数，表示维护成本，表示设备停机时间，表示故障影响，，和是权重因子，用于平衡不同目标的重要性；
算法选择和实施：选择括遗传算法或粒子群优化的优化算法，搜索多目标问题的解空间，找到最佳解；
制定和调整维护计划：根据优化算法的结果，制定维护计划，包括维护活动的类型、时间和所需资源，并根据实际操作中的反馈和设备的继续监测数据调整维护计划，以适应变化和新出现的信息。
CN202410587487.1A 2024-05-13 2024-05-13 冷水机远程监控与故障预测系统 Active CN118194150B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410587487.1A CN118194150B (zh) 2024-05-13 2024-05-13 冷水机远程监控与故障预测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410587487.1A CN118194150B (zh) 2024-05-13 2024-05-13 冷水机远程监控与故障预测系统

Publications (2)

Publication Number Publication Date
CN118194150A CN118194150A (zh) 2024-06-14
CN118194150B true CN118194150B (zh) 2024-08-02

Family

ID=91398799

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410587487.1A Active CN118194150B (zh) 2024-05-13 2024-05-13 冷水机远程监控与故障预测系统

Country Status (1)

Country Link
CN (1) CN118194150B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU2020103212A4 (en) * 2020-11-04 2021-01-14 Azam, Farooque MR IoT AND MACHINE LEARNING-BASED POWER DISTRIBUTION MANAGEMENT SYSTEM
CN113792762A (zh) * 2021-08-24 2021-12-14 华南理工大学 基于贝叶斯优化LightGBM的冷水机组故障诊断方法、系统及介质

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116089813A (zh) * 2022-12-07 2023-05-09 中广核(乌兰察布)风力发电有限公司 一种基于机器学习的风电机组传动链故障诊断方法
KR102618023B1 (ko) * 2022-12-23 2023-12-27 앤츠이엔씨 주식회사 고장유형에 따른 패턴 분석을 통한 고장 예지 진단시스템 및 방법
CN115964656A (zh) * 2023-01-28 2023-04-14 上海交通大学 基于拒绝与校准机制的冷水机组故障预测方法
CN117114226B (zh) * 2023-10-20 2024-01-30 无锡宇拓物联信息科技有限公司 自动化设备的智能动态优化与工艺调度系统
CN117350710A (zh) * 2023-10-26 2024-01-05 唐山昌宏科技有限公司 矿用提升钢丝绳智能检测系统
CN117689373A (zh) * 2024-02-04 2024-03-12 天津华凯电气有限公司 一种柔性直流牵引供电系统能量路由器维护决策支持方法
CN117789422A (zh) * 2024-02-26 2024-03-29 江西依爱弘泰消防安全技术有限公司 一种可燃气体报警控制系统及方法
CN117786373B (zh) * 2024-02-28 2024-05-03 山东鑫林纸制品有限公司 一种基于大数据的瓦楞纸加工的设备运行诊断系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU2020103212A4 (en) * 2020-11-04 2021-01-14 Azam, Farooque MR IoT AND MACHINE LEARNING-BASED POWER DISTRIBUTION MANAGEMENT SYSTEM
CN113792762A (zh) * 2021-08-24 2021-12-14 华南理工大学 基于贝叶斯优化LightGBM的冷水机组故障诊断方法、系统及介质

Also Published As

Publication number Publication date
CN118194150A (zh) 2024-06-14

Similar Documents

Publication Publication Date Title
CN106066184B (zh) 用于检测交通工具系统故障的系统和方法
JP5306902B2 (ja) 資産システムの高性能条件監視のためのシステムおよび方法
CN109298697B (zh) 基于动态基线模型的火电厂系统各部件工作状态评估方法
CN109186813A (zh) 一种温度传感器自检装置及方法
JP5016519B2 (ja) 予測的状態監視のための診断システムおよび方法
Harrou et al. An improved multivariate chart using partial least squares with continuous ranked probability score
CA2508008A1 (en) A method for developing a unified quality assessment and providing an automated fault diagnostic tool for turbine machine systems and the like
Mathew et al. Regression kernel for prognostics with support vector machines
CN117932322B (zh) 一种面粉设备故障诊断方法及系统
US12007745B2 (en) Apparatus for predicting equipment damage
EA036230B1 (ru) Способ и система удаленного мониторинга объектов
CN117607780A (zh) 一种电能计量装置异常分析系统及其分析方法
Li et al. Canonical variate residuals-based contribution map for slowly evolving faults
CN112733446A (zh) 一种数据驱动的自适应异常检测方法
CN116993003A (zh) 一种设备故障预测系统及方法
CN118243200B (zh) 一种气体涡轮流量计故障诊断方法及系统
CN118259103A (zh) 充电桩用电异常处理方法、装置、设备及存储介质
CN117723106A (zh) 海缆状态监测系统
EP4206838A1 (en) Forecasting and anomaly detection method for low density polyethylene autoclave reactor
CN118030409A (zh) 用于风机机组的运行性能异常检测方法及系统
CN117630797A (zh) 基于工作电流的电表健康状态检测方法、系统及存储介质
CN118194150B (zh) 冷水机远程监控与故障预测系统
CN110455370B (zh) 防汛抗旱远程遥测显示系统
wahhab Lourari et al. An ANFIS-based Framework for the Prediction of Bearing’s Remaining Useful Life
Chhabria et al. Predictive Maintenance using Machine Learning on Industrial Water Pumps

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