CN118423907A - 一种加热制冷循环器的智能化监控报警系统及方法 - Google Patents
一种加热制冷循环器的智能化监控报警系统及方法 Download PDFInfo
- Publication number
- CN118423907A CN118423907A CN202410881146.5A CN202410881146A CN118423907A CN 118423907 A CN118423907 A CN 118423907A CN 202410881146 A CN202410881146 A CN 202410881146A CN 118423907 A CN118423907 A CN 118423907A
- Authority
- CN
- China
- Prior art keywords
- data
- feedback
- heating
- intelligent
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000010438 heat treatment Methods 0.000 title claims abstract description 44
- 238000012544 monitoring process Methods 0.000 title claims abstract description 42
- 238000005057 refrigeration Methods 0.000 title claims abstract description 8
- 238000012545 processing Methods 0.000 claims abstract description 56
- 238000012423 maintenance Methods 0.000 claims abstract description 22
- 230000008569 process Effects 0.000 claims abstract description 19
- 238000013139 quantization Methods 0.000 claims abstract description 19
- 230000005856 abnormality Effects 0.000 claims description 17
- 230000009466 transformation Effects 0.000 claims description 17
- 238000001514 detection method Methods 0.000 claims description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 238000003745 diagnosis Methods 0.000 claims description 14
- 239000013598 vector Substances 0.000 claims description 11
- 238000004458 analytical method Methods 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 10
- 238000012937 correction Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 6
- 238000003909 pattern recognition Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 2
- 239000003507 refrigerant Substances 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 10
- 230000000737 periodic effect Effects 0.000 description 5
- 238000004140 cleaning Methods 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- 238000011002 quantification Methods 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 238000000605 extraction Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 230000002301 combined effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013501 data transformation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013450 outlier detection Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及制冷剂报警系统技术领域,尤其涉及一种加热制冷循环器的智能化监控报警系统及方法。内容包括:实时收集加热制冷循环器设备运行中的关键参数,获得原始数据;对原始数据进行智能化处理,得到智能化处理后的数据;对智能化处理后的数据进行预测,得到预测反馈;量化分析加热制冷循环器的智能化监控报警实现的外部和内部影响数据,得到量化反馈;将预测反馈、量化反馈合并得到综合反馈;基于智能化处理后的数据以及综合反馈进行识别分析,确定故障原因,得到故障信息;基于故障信息,生成报警信号,并将报警信号及维护指令发送至维护人员。解决了在加热制冷循环器的智能化监控报警的实现过程中,适应性和效率较低的技术问题。
Description
技术领域
本发明涉及制冷剂报警系统技术领域,尤其涉及一种加热制冷循环器的智能化监控报警系统及方法。
背景技术
在当前工业应用中,加热制冷循环器的智能化监控和报警系统发挥着至关重要的作用,尤其是在确保设备连续运行和预防故障方面。这些系统通过收集和分析来自各种传感器的数据来监测设备状态,识别潜在的运行异常,并在问题发生前进行预警,从而避免昂贵的维修成本和长时间的停机。然而,传统的监控系统面临几个技术挑战。首先是数据处理的复杂性,其次,极端数据和数据的周期性变化往往难以通过传统方法准确捕捉,这限制了预测模型的准确性和可靠性。此外,对影响设备运行的各种因素进行量化分析时,往往缺乏能够全面反映这些因素综合影响的方法,导致系统性能评估不够全面。
此外,故障模式的识别通常依赖于设备历史数据和专家经验,但现有的数据分析方法未能有效地从复杂数据中提取足够信息以支持精确的故障预测。当故障发生时,传统监控系统在响应速度和策略的针对性上往往表现不足,这可能导致无法及时解决问题,从而增加了维修成本和设备的非计划停机时间。
综上,上述技术至少存在如下技术问题:在加热制冷循环器的智能化监控报警的实现过程中,适应性和效率较低的技术问题。
发明内容
本发明提供一种加热制冷循环器的智能化监控报警系统及方法,以解决在加热制冷循环器的智能化监控报警的实现过程中,适应性和效率较低的技术问题。
本发明的一种加热制冷循环器的智能化监控报警系统及方法,具体包括以下技术方案:
一种加热制冷循环器的智能化监控报警方法,包括以下步骤:
S1. 实时收集加热制冷循环器设备运行中的关键参数,获得原始数据;对原始数据进行智能化处理,具体包括:对原始数据进行预处理,并对预处理后的数据进行特征提取;将提取出的特征和预处理后的数据进行整合处理,得到智能化处理后的数据;在预处理过程中,引入非线性校正标准化算法;
S2. 对智能化处理后的数据进行预测,得到预测反馈;引入综合影响量化算法,量化分析加热制冷循环器的智能化监控报警实现的外部和内部影响数据,得到量化反馈;在综合影响量化算法实现中,具体实现步骤为:第一步,定义影响因子;第二步,对影响因子数据进行变换处理;第三步,计算影响因素的影响力度;第四步,引入矩阵运算,进行综合影响量化,得到量化反馈;将预测反馈、量化反馈合并得到综合反馈;
S3. 基于智能化处理后的数据以及综合反馈进行识别分析,确定故障原因,得到故障信息;基于故障信息,生成报警信号,并将报警信号及维护指令发送至维护人员。
优选的,所述S3,具体包括:
基于智能化处理数据以及综合反馈进行识别分析,将识别出的故障模式与数据库中历史故障进行相似度匹配对比,确定匹配的故障案例;基于匹配对比结果和模式识别结果,确定故障的潜在原因,得到故障信息。
优选的,所述S3,具体包括:
引入增强模式对比分析法,通过定义匹配度计算识别出的故障模式与数据库中历史故障的相似度,进一步,确定匹配的故障案例。
优选的,所述S3,具体包括:
在增强模式对比分析法实现过程中,具体实现过程如下:
第一步,对识别出的故障模式的特征向量进行特征变换;
第二步,维度扩展;
第三步,匹配度计算。
一种加热制冷循环器的智能化监控报警系统,包括以下部分:
数据采集模块,数据智能化处理模块,数据库,综合反馈模块,异常检测与诊断模块,报警触发模块;
数据采集模块,负责实时收集加热制冷循环器设备运行中的关键参数,获得原始数据;将原始数据发送至数据智能化处理模块;
数据智能化处理模块,对原始数据进行智能化处理,并将智能化处理后的数据传递给综合反馈模块和异常检测与诊断模块;
数据库,用来存放历史数据和历史故障;
综合反馈模块,通过数据库中的历史数据构建预测模型,结合智能化处理后的数据进行预测,得到预测反馈;量化分析加热制冷循环器的智能化监控报警实现的外部和内部影响数据,得到量化反馈;将预测反馈、量化反馈合并得到综合反馈;将综合反馈发送至异常检测与诊断模块;
异常检测与诊断模块,基于智能化处理后的数据以及综合反馈,对标识的异常进行识别分析,将识别出的故障模式与数据库中历史故障进行相似度匹配对比,基于匹配对比结果和模式识别结果,确定故障原因和具体类型,得到故障信息;将故障信息传递到报警触发模块;
报警触发模块,基于故障信息,生成报警信号,并将报警信号及维护指令发送至维护人员。
本发明的技术方案的有益效果是:
1、通过引入非线性校正标准化算法,对标准化数据进行非线性变换校正,有效处理了由设备特性或环境因素引起的非线性畸变,提高了泛化能力和不同工况条件下的监控的适应能力,非线性变换更好地适应尖峰和极端数据,而余弦函数的加入则帮助模型把握数据的周期性变动,从而提高预测和监控的准确性。
2、实施综合影响量化算法,通过定义和处理关键的影响因素,如环境温度、压力和设备磨损程度,能够详细量化这些影响因素对智能化监控报警系统的系统性能的影响,提供了对单一影响因素的深入理解,还通过矩阵运算综合评估了所有因素的总体影响,提供了全面的系统性能评估;通过将预测反馈和量化反馈合并得到的综合反馈,可以为维护团队提供全面的数据支持,帮助他们更好地理解系统当前的状态和潜在的风险。这有助于优化维护和故障响应策略,提前预防可能的故障或快速响应已发生的故障。
3、通过综合利用数据变换、维度扩展和精确的匹配度计算,更精确地识别出具体的故障模式。提高了故障检测的准确性,增强了智能化监控报警系统的早期预警能力,能够在故障发展到更严重的阶段之前提前进行干预;通过与历史故障数据的深入匹配对比,能够准确地诊断出当前故障的具体类型和可能原因。加快了故障响应时间,使维护策略更具针对性和更有效,从而减少设备的停机时间和维修成本。
附图说明
图1为本发明所述的一种加热制冷循环器的智能化监控报警系统结构图;
图2为本发明所述的一种加热制冷循环器的智能化监控报警方法流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,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。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种加热制冷循环器的智能化监控报警系统及方法的具体方案。
参照附图1,其示出了本发明一个实施例所提供的一种加热制冷循环器的智能化监控报警系统结构图,该系统包括以下部分:
数据采集模块,数据智能化处理模块,数据库,综合反馈模块,异常检测与诊断模块,报警触发模块;
数据采集模块,负责实时收集加热制冷循环器设备运行中的关键参数,获得原始数据;原始数据,如温度、压力、流速;将原始数据发送至数据智能化处理模块;
数据智能化处理模块,对原始数据进行智能化处理,得到智能化处理后的数据,将智能化处理后的数据传递给综合反馈模块和异常检测与诊断模块;
数据库,用来存放历史数据和历史故障;所述历史数据为加热制冷循环器设备历史运行中的关键参数;所述历史故障包含所有出现过的故障,包括故障类型、故障原因、解决措施;
综合反馈模块,通过数据库中的历史数据构建预测模型,结合智能化处理后的数据进行预测,得到预测反馈;量化分析加热制冷循环器的智能化监控报警实现的外部和内部影响数据,得到量化反馈,将预测反馈、量化反馈合并得到综合反馈,并将综合反馈发送至异常检测与诊断模块;
异常检测与诊断模块,基于智能化处理后的数据以及综合反馈,通过模式识别技术对标识的异常进行识别分析,将识别出的故障模式与数据库中历史故障进行相似度匹配对比,基于匹配对比结果和模式识别结果,确定故障原因和具体类型,得到详细的故障信息,并将故障信息传递到报警触发模块;
报警触发模块,基于异常检测与诊断模块的详细故障信息,生成针对特定故障类型的报警信号,并将报警信号及维护指令发送至维护人员,实现加热制冷循环器的智能化监控报警。
参照附图2,其示出了本发明一个实施例所提供的一种加热制冷循环器的智能化监控报警方法流程图,该方法包括以下步骤:
S1.实时收集加热制冷循环器设备运行中的关键参数,获得原始数据;对原始数据进行智能化处理,得到智能化处理后的数据;
通过专家经验法选择传感器并安装,对加热制冷循环器设备运行中的关键参数进行收集,得到原始数据;
对原始数据进行智能化处理,所述智能化处理实现过程包括:进行清洗、降噪、标准化的预处理,并对预处理后的数据进行特征提取;将提取出的特征和预处理后的数据使用现有整合技术进行整合处理,以实现数据扩充处理,从而得到智能化处理后的数据;具体实现过程如下:
通过阈值算法去除无效数据,如果数据点超出预定义的阈值,则标记为无效并从数据集中删除,如温度不可能低于绝对零度或高于设备设计极限;使用多重插补方法处理缺失数据;对于异常值使用基于四分位数间距的异常值检测算法进行处理,得到数据清洗后的数据,对数据清洗后的数据使用滤波技术进行降噪,得到降噪后的数据,并对降噪后的数据使用标准化处理算法进行标准化处理,得到预处理后的数据。对预处理后的数据使用特征工程技术进行特征提取,将提取出的特征和预处理后的数据使用现有整合技术进行整合处理,得到智能化处理后的数据,提取的特征包括时间特征、统计特征、频域特征。
为了避免尽管数据经过标准化,但仍存在由于设备特性或环境因素引起的非线性畸变,对后续的特征提取和数据分析精度有所影响,引入非线性校正标准化算法;非线性校正标准化算法通过对标准化过程中的数据进行非线性变换校正,来进一步优化数据的线性表现,具体实现公式如下:
,
其中,都是可调整的参数;控制对数函数的缩放比例,影响整体变换的振幅;确保对数函数内部的表达式不会因为取对数而出现数学错误(如对数内的值不能为零或负数);调整指数函数内部比例,影响数据极端值的压缩程度;调节余弦函数的振幅,用于模拟数据的周期性变动;控制余弦函数的周期,调整以适配数据的周期性特征;保持数据变换后的线性趋势,确保整体变化趋势不失真;和是从原始数据中计算得来的统计参数;是降噪后数据的平均值,用于数据的中心化,即将数据调整到均值为0,帮助标准化处理;是降噪后数据的标准差,用于数据的规模化,即调整数据的尺度使之符合标准正态分布的形态;是降噪后的数据点;是经过非线性校正标准化处理后的数据点。 采用对数函数结合指数和四次根函数,用于处理极端值对尖峰数据的适应性;加入周期性函数,可以有效处理数据中的周期性变动;保留线性部分,确保数据变换后的整体趋势不变。
S2.对智能化处理后的数据进行预测,得到预测反馈;量化分析加热制冷循环器的智能化监控报警实现的外部和内部影响数据,得到量化反馈;将预测反馈、量化反馈合并得到综合反馈;
通过提取数据库中的历史数据,并对历史数据进行如数据清洗、数据标准化的预处理,得到预处理后的历史数据,对预处理后的历史数据利用特征工程技术提取特征,并利用主成分分析技术进行特征选择,将特征选择后的特征分为训练集和测试集,并将训练集经过利用专家经验法根据数据特性选择的现有的预测模型的训练,调整模型参数以优化性能;所述预测模型如线性回归、ARIMA模型、随机森林;并利用测试集使用交叉验证方法对训练完成的模型进行模型验证,验证模型的预测能力和稳定性,确保其能可靠预测未来的系统行为,将智能化处理后的数据输入训练并验证后的预测模型进行处理,得到模型输出结果,并将模型输出结果作为预测反馈。
进一步,使用综合影响量化算法对加热制冷循环器的智能化监控报警实现的外部和内部影响数据进行量化分析,得到量化反馈,具体实现过程如下:
第一步,定义影响因子;影响因子包括环境温度、压力、设备磨损程度等;
第二步,影响因子数据处理;对影响因子数据进行变换处理,具体实现公式如下:
,
其中,是第个影响因素的数据,通常通过传感器从加热制冷循环器中实时收集;是变换处理后的第个影响因素的数据,使用指数和对数转换来增强数据处理的鲁棒性,减少极端值的影响,并保持数据的非线性特性。
第三步,计算影响力度;使用如下公式计算影响力度:
,
其中,是第个影响因素的影响力度,上述公式通过结合三次根、正弦和余弦函数来处理数据,增加对数据非线性关系的处理能力,以更好地评估影响因素对智能化监控报警系统的系统性能的具体影响;表示影响因素的总数;是变换处理后的第个影响因素的数据;是影响因素的数据的索引;
第四步,综合影响量化;引入矩阵运算,进行综合影响量化:
,
其中,是权重向量,根据历史数据和专家经验赋予每个影响因素一个权重,反映影响因素的相对重要性;表示转置;是由所有影响因素的影响力度组成的向量;采用的矩阵乘法可以综合考虑各因素的权重和影响力;是综合影响量化结果,考虑所有因素的综合作用,用于进一步分析。
经过上述过程,将得到的综合影响量化结果作为量化反馈,最后将预测反馈、量化反馈合并得到综合反馈,为深入故障分析提供参考依据。
S3.基于智能化处理后的数据以及综合反馈进行识别分析,确定故障原因,得到故障信息;基于故障信息,生成报警信号,并将报警信号及维护指令发送至维护人员。
基于智能化处理后的数据以及综合反馈使用现有的模式识别技术进行深入分析,得到模式识别结果;模式识别结果如机械故障、电气问题、软件错误,并将识别出的故障模式与数据库中历史故障进行相似度匹配对比,确定匹配的故障案例,基于匹配对比结果和模式识别结果,应用现有的因果推理技术和逻辑回归来确定故障的可能原因,得到详细的故障信息。
为了准确的将识别出的故障模式与数据库中历史故障进行相似度匹配对比,确定匹配的故障案例,引入增强模式对比分析法,通过定义匹配度计算识别出的故障模式与数据库中历史故障的相似度,进一步,确定匹配的故障案例,具体实现过程如下:
第一步,特征变换;对识别出的故障模式的特征向量进行特征变换,以揭示更深层次的数据关系;具体变换公式如下:
,
其中,是识别出故障模式的特征向量;是高斯核的尺度参数,用于控制变换的宽度,根据数据的分布特性进行调整;是经过高斯变换后的特征向量,旨在强化原始数据中的微小变动,以便更好地匹配故障模式;表示转置;
第二步,维度扩展;应用非线性映射扩展特征维度,以增加故障模式对比的细致度:
,
其中,是经过非线性激活和维度扩展后的特征向量,为匹配度计算提供更丰富的信息;是双曲正切函数,用于增加数据的非线性处理能力;是维度扩展矩阵,其任意一个元素可以表示为:
,
其中,,,,是控制正弦和余弦函数的相位和频率,影响矩阵的整体结构;是矩阵的索引,代表非线性映射前的特征向量的维度和映射后的新特征空间的维度;
第三步,匹配度计算;
,
其中,是当前故障事件的特征向量,经过非线性映射和升维处理后得到;是历史故障数据的特征向量,同样经过非线性映射和升维处理后得到;是权重矩阵,通常由当前故障事件的特征向量和历史故障数据的特征向量的协方差矩阵的逆得到;是计算得到的匹配度,用于表示当前故障与历史故障之间的相似性;
最后,将计算得到的匹配度与根据专家经验设定的匹配度阈值进行对比,若有多个大于等于匹配度阈值的匹配度,则取匹配度最大的故障案例;若只有一个,则该故障案例为匹配项;若匹配度小于匹配度阈值,即在与数据库中历史故障匹配对比中无匹配故障案例,则找出最相似的故障案例,并由专家和技术工作人员人基于模式识别结果进行商讨确定故障类型以及故障原因。
经过上述过程得到详细故障信息,基于异常检测与诊断模块的详细故障信息,根据专家经验法预设的规则引擎生成针对特定故障类型的报警信号,并将报警信号及维护指令发送至维护人员,实现加热制冷循环器的智能化监控报警。
综上所述,完成了一种加热制冷循环器的智能化监控报警系统及方法。
发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同或相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
上述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解: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;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (5)
1.一种加热制冷循环器的智能化监控报警方法,其特征在于,包括以下步骤:
S1. 实时收集加热制冷循环器设备运行中的关键参数,获得原始数据;对原始数据进行智能化处理,具体包括:对原始数据进行预处理,并对预处理后的数据进行特征提取;将提取出的特征和预处理后的数据进行整合处理,得到智能化处理后的数据;在预处理过程中,引入非线性校正标准化算法;
S2. 对智能化处理后的数据进行预测,得到预测反馈;引入综合影响量化算法,量化分析加热制冷循环器的智能化监控报警实现的外部和内部影响数据,得到量化反馈;在综合影响量化算法实现中,具体实现步骤为:第一步,定义影响因子;第二步,对影响因子数据进行变换处理;第三步,计算影响因素的影响力度;第四步,引入矩阵运算,进行综合影响量化,得到量化反馈;将预测反馈、量化反馈合并得到综合反馈;
S3. 基于智能化处理后的数据以及综合反馈进行识别分析,确定故障原因,得到故障信息;基于故障信息,生成报警信号,并将报警信号及维护指令发送至维护人员。
2.根据权利要求1所述的加热制冷循环器的智能化监控报警方法,其特征在于,所述S3,具体包括:
基于智能化处理数据以及综合反馈进行识别分析,将识别出的故障模式与数据库中历史故障进行相似度匹配对比,确定匹配的故障案例;基于匹配对比结果和模式识别结果,确定故障的潜在原因,得到故障信息。
3.根据权利要求2所述的加热制冷循环器的智能化监控报警方法,其特征在于,所述S3,具体包括:
引入增强模式对比分析法,通过定义匹配度计算识别出的故障模式与数据库中历史故障的相似度,进一步,确定匹配的故障案例。
4.根据权利要求3所述的加热制冷循环器的智能化监控报警方法,其特征在于,所述S3,具体包括:
在增强模式对比分析法实现过程中,具体实现过程如下:
第一步,对识别出的故障模式的特征向量进行特征变换;
第二步,维度扩展;
第三步,匹配度计算。
5.一种加热制冷循环器的智能化监控报警系统,其特征在于,用于执行如权利要求1-4任一项所述的加热制冷循环器的智能化监控报警方法,该系统包括以下部分:
数据采集模块,数据智能化处理模块,数据库,综合反馈模块,异常检测与诊断模块,报警触发模块;
数据采集模块,负责实时收集加热制冷循环器设备运行中的关键参数,获得原始数据;将原始数据发送至数据智能化处理模块;
数据智能化处理模块,对原始数据进行智能化处理,并将智能化处理后的数据传递给综合反馈模块和异常检测与诊断模块;
数据库,用来存放历史数据和历史故障;
综合反馈模块,通过数据库中的历史数据构建预测模型,结合智能化处理后的数据进行预测,得到预测反馈;量化分析加热制冷循环器的智能化监控报警实现的外部和内部影响数据,得到量化反馈;将预测反馈、量化反馈合并得到综合反馈;将综合反馈发送至异常检测与诊断模块;
异常检测与诊断模块,基于智能化处理后的数据以及综合反馈,对标识的异常进行识别分析,将识别出的故障模式与数据库中历史故障进行相似度匹配对比,基于匹配对比结果和模式识别结果,确定故障原因和具体类型,得到故障信息;将故障信息传递到报警触发模块;
报警触发模块,基于故障信息,生成报警信号,并将报警信号及维护指令发送至维护人员。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410881146.5A CN118423907B (zh) | 2024-07-03 | 一种加热制冷循环器的智能化监控报警系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410881146.5A CN118423907B (zh) | 2024-07-03 | 一种加热制冷循环器的智能化监控报警系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN118423907A true CN118423907A (zh) | 2024-08-02 |
CN118423907B CN118423907B (zh) | 2024-09-24 |
Family
ID=
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117932322A (zh) * | 2024-03-22 | 2024-04-26 | 山东冠县鑫恒祥面业有限公司 | 一种面粉设备故障诊断方法及系统 |
CN118092242A (zh) * | 2024-01-22 | 2024-05-28 | 重庆工业职业技术学院 | 分布式智能网络的工业机器人状态监测方法及系统 |
CN118194150A (zh) * | 2024-05-13 | 2024-06-14 | 无锡冠亚恒温制冷技术有限公司 | 冷水机远程监控与故障预测系统 |
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118092242A (zh) * | 2024-01-22 | 2024-05-28 | 重庆工业职业技术学院 | 分布式智能网络的工业机器人状态监测方法及系统 |
CN117932322A (zh) * | 2024-03-22 | 2024-04-26 | 山东冠县鑫恒祥面业有限公司 | 一种面粉设备故障诊断方法及系统 |
CN118194150A (zh) * | 2024-05-13 | 2024-06-14 | 无锡冠亚恒温制冷技术有限公司 | 冷水机远程监控与故障预测系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ferreira et al. | Remaining Useful Life prediction and challenges: A literature review on the use of Machine Learning Methods | |
Khelif et al. | Direct remaining useful life estimation based on support vector regression | |
US8725456B1 (en) | Decomposition technique for remaining useful life prediction | |
Yu | Adaptive hidden Markov model-based online learning framework for bearing faulty detection and performance degradation monitoring | |
US9483049B2 (en) | Anomaly detection and diagnosis/prognosis method, anomaly detection and diagnosis/prognosis system, and anomaly detection and diagnosis/prognosis program | |
Meng et al. | Remaining useful life prediction of rolling bearing using fractal theory | |
CN116757534B (zh) | 一种基于神经训练网络的智能冰箱可靠性分析方法 | |
CN112785091B (zh) | 一种对油田电潜泵进行故障预测与健康管理的方法 | |
KR102067344B1 (ko) | 이상 진동데이터 감지 장치 및 방법 | |
Wei et al. | A novel deep learning model based on target transformer for fault diagnosis of chemical process | |
CN110757510B (zh) | 一种机器人剩余寿命预测方法及系统 | |
Mathew et al. | Regression kernel for prognostics with support vector machines | |
CN118154174B (zh) | 一种工业设备智慧运维云平台 | |
WO2023044770A1 (zh) | 干泵宕机的预警方法、装置、电子设备、存储介质及程序 | |
CN117932322A (zh) | 一种面粉设备故障诊断方法及系统 | |
CN114004331A (zh) | 一种基于关键指标和深度学习的故障分析方法 | |
CN117076869B (zh) | 旋转机械时频域融合故障诊断方法及系统 | |
CN117633504B (zh) | 一种油浸变压器状态的光纤传感评估方法和装置 | |
Mishra et al. | Hybrid models for rotating machinery diagnosis and prognosis: estimation of remaining useful life | |
CN118423907B (zh) | 一种加热制冷循环器的智能化监控报警系统及方法 | |
Wang et al. | Data-driven incipient fault prediction for non-stationary and non-linear rotating systems: Methodology, model construction and application | |
CN117251817A (zh) | 雷达故障检测方法、装置、设备和存储介质 | |
CN117010442A (zh) | 设备剩余寿命预测模型训练方法、剩余寿命预测方法及系统 | |
CN117435908A (zh) | 一种用于旋转机械的多种故障特征提取方法 | |
CN118423907A (zh) | 一种加热制冷循环器的智能化监控报警系统及方法 |
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 |