CN1790202A - 跟踪工业用具性能的方法 - Google Patents
跟踪工业用具性能的方法 Download PDFInfo
- Publication number
- CN1790202A CN1790202A CNA2005101346099A CN200510134609A CN1790202A CN 1790202 A CN1790202 A CN 1790202A CN A2005101346099 A CNA2005101346099 A CN A2005101346099A CN 200510134609 A CN200510134609 A CN 200510134609A CN 1790202 A CN1790202 A CN 1790202A
- Authority
- CN
- China
- Prior art keywords
- model
- excessively
- probability
- value
- invalid
- 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
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
- G05B23/0254—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, Neural Networks
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Blast Furnaces (AREA)
- Indicating And Signalling Devices For Elevators (AREA)
- Maintenance And Inspection Apparatuses For Elevators (AREA)
Abstract
一种跟踪工业用具(E)性能的方法,其中,基于工业用具(E)的操作参数集合(F)的值、利用模型(M),实时计算代表已消耗电功率的量的估计值(We),计算已消耗电功率的测量值(W)和模型(M)所提供的估计值(We)之间的差值,以获得过度消耗值,基于关于过度消耗变量的统计测试,利用所述变量的分布,根据对应于过度消耗的概率(p1)的这些因素来推断过度消耗分数,并且如果过度消耗的概率(p1)超过给定的过度消耗概率门限(sp1),则触发警告,因此构成了过度消耗指示符。
Description
技术领域
本发明涉及跟踪工业用具性能的方法,以及用于实现所述方法的设备。
本发明特别应用于至少使用空气、氧气或氮压缩机的空气部件分离单元。
背景技术
特别是压缩机的工业用具的性能跟踪,被用来计划压缩机的维护并监控其效率,并且被用来向着最佳执行的用具来掌控操作选择。
期望所述工业用具的操作者具有该用具性能的指示符(indicator),利用所述指示符来可靠地检测所述用具的任何退化。
因此,所述指示符应当使得在工业用具的状态退化和操作条件的简单变化之间进行区分成为可能。
为此,申请人提交的文献FR 2 837 598描述了跟踪方法和设备,其中用具的性能指示符特别是已消耗电功率。因此,所述方法在于将用具所消耗的电功率的测量与已消耗功率的模型进行比较。当所述两个量的比值大于门限时,触发过度消耗警告。
所使用的模型可以是线性或非线性类型的。
目前,通常在三个月时期内所收集的数据集合上执行所述模型的校准(calibration)。
如果模型输入变量的测量集合的统计行为相对于测量周期改变,则过度消耗的诊断可以基于在诊断时变得不适当的模型。所述变量特别包括气体和冷却水的温度、吸入和排出(suction and discharge)压力以及气体流量(gas flow rate)。
所述行为改变因而可以导致错误的诊断,并且导致检测过度消耗的失败,或过度消耗的错误检测,后一情形更加普遍。
测量的统计行为中的改变可能是例如由于受制于广泛变化的例如可能是室外温度的极端季节性条件、用具级别的改变或传感器的显著漂移。
文献FR 2 837 598中描述的方法没有考虑导致高比率错误警告的这些统计改变,这导致了不适当的维护动作或增加了用户的检测门限,因而减小了所述工具的效率。
发明内容
本发明的目的是通过考虑用作模型输入的测量的统计行为中的改变来改进压缩机过度消耗诊断的可靠性,特别是气体温度和冷却水温度、吸入和排出压力以及气体流量的测量。
因此,本发明的目的是考虑所述改变而提供过度消耗指示符以及无效指示符用来建议操作者需要重新学习。
本发明的另一个目的是使得可用附加信息对于用户管理压缩机的安装基础(installed base)是有用的,特别是通过提供压缩机选择指示符来简化要使用的用具的选择或所述用具中每一个的相对负载的选择。
为此,本发明的主题是一种跟踪工业用具性能的方法,其中,所述方法在参考期(reference period)内的学习阶段包括下列步骤:
-校准模型,所述模型用于基于工业用具的操作参数集合的值来提供已消耗电功率的估计值;
-校准代表过度消耗的随机变量分布,即测量的电功率和基于模型的估计值之间的差值;以及
在实时跟踪阶段包括下列步骤:
-测量所述工业用具的操作参数集合以及所述用具所消耗的电功率值;
-基于所述工业用具的操作参数集合的值,利用所述模型,实时计算代表已消耗电功率的量的估计值;
-计算所述已消耗电功率的测量值和所述模型所提供的估计值之间的差值,以获得过度消耗值;
-基于过度消耗变量上的统计测试,并且利用所述变量的分布,根据对应于过度消耗的概率以及构成过度消耗指示符的这些因素来推断过度消耗分数(score);
-如果过度消耗的概率超过给定的过度消耗概率门限,则触发警告。
这些供给增加了诊断的可靠性,并因此减小了错误警告的比率。
有利地,用于计算过度消耗的概率的分数,对应于关于过度消耗变量的统计测试的功率。
根据实施例,过度消耗的概率对应于过度消耗超过给定门限的概率。
有利地,在实时跟踪阶段,基于所述工业用具的操作参数集合的值计算了无效指示符,该无效指示符代表所述模型有效或无效的概率,根据分数来计算所述无效指示符,其中确定装置针对所述分数在参考期内的学习阶段被校准。
使用无效或重新学习指示符,从而例如通过警告来指示操作者需要重新学习。
根据实施例,如果无效指示符超过给定的无效概率门限,则触发警告。
有利地,在实时跟踪阶段,计算例如用具的边际成本的用具选择指示符,即,在当前操作点上针对压缩流量中的单元增加所消耗的电功率的增加,所述指示符是通过关于所述模型的数学求导来被计算的。
操作者使用选择指示符以确定最佳用具来使用。
与设备(installation)的压缩机中的每一个相关联的边际成本,被用来改进要使用的压缩机的选择。
根据实施例,考虑至少一个移动测量时间窗口(rolling measurementtime window),其包括在直到当前时刻的窗口的持续时间内所测量的信息,从而确定过度消耗和/或模型的无效。
有利地,所述模型是非线性类型的,特别包括至少一个神经网络或本地回归工具(local regression tool)。
根据实施例,所述模型的输入变量集合包括:
-通过所述用具的气体流量;
-吸入压力;
-排出压力;
-冷却水的温度;以及
-所述用具输入上的气体温度。
本发明的另一个目的是一种用于实现上述方法的系统,该系统包括:
-所述用具上的测量装置;
-用于存储相应数据的存储装置;
-计算装置;
-用于通知操作者并且检查的装置;
-连接系统中的部件的网络通信装置。
有利地,在无效的情况下触发所述模型的重新校准。
附图说明
参考附图,根据下面作为非限制性例子对于根据本发明的系统的实施例的说明,本发明将被很好地理解。
图1概略地示出了根据本发明的用具和跟踪设备;
图2是计算装置设计的简图;
图3示出了根据本发明的方法的跟踪阶段的流程图。
具体实施方式
根据图2所示的实施例,冷冻压缩机类型的工业用具E与系统S相关联,以跟踪根据本发明的工业用具的性能。
一种冷冻压缩机以吸入压力Pin获得气体作为输入,并且压缩该气体以获得以大于吸入压力的排出压力Pout的气体作为输出。
气体温度是Tg。
所述压缩机还由特别是水温度为Tw的冷却剂来被进一步冷却。所述压缩机消耗电能以便执行所述压缩,所述电能由已消耗功率W来表征。
系统S包括位于用具E上的测量装置2用于获得测量。存储装置3被用来特别以每小时平均的形式记录相应的数据。
所述测量特别包括已消耗电功率W和用具E的操作参数集合的测量。
系统S还包括计算装置4。
系统S还包括例如以计算机终端5的形式的、用于操作者通知并且检查的装置。
所述系统的部件由网络通信装置来连接。
图2示出了计算装置4中使用的单元。
计算装置4包括:
-装置6,其用于估计模型M所消耗的电功率值We,所述装置6利用行为或统计模型、根据输入变量集合F来计算已消耗电功率的估计值We;
-第一装置7,其用于基于已消耗电功率的估计值We、测量装置2所测量的已消耗功率值W、第一过度消耗门限Dw以及第一移动过度消耗时间窗口tw1,来确定对应于过度消耗概率的分数p1,其中在所述过度消耗时间窗口上必须达到第一门限以表征所述过度消耗;
-第二装置8,其用于基于针对模型的输入变量所测量的值以及第二移动时间窗口tw2,来确定对应于模型无效的概率的分数p2;
-第一过度消耗警告装置9,其将对应于过度消耗概率的第一分数p1与第一过度消耗概率门限Sp1进行比较;以及
-第二模型M无效警告装置10,其将对应于模型无效概率的第二分数p2与第二无效概率门限Sp2进行比较。
这些单元在所述用具性能跟踪阶段被使用。
特别应当指出,可以通过配置由Miriad技术公司(MiriadTechnologies)发行的MdIntelligence软件包(suite)的分数计算组件,来实现用于确定对应于过度消耗概率的分数p1的第一装置7和用于确定对应于模型无效概率的分数p2的第二装置8。
模型M优选地是非线性类型的,根据变型,其包括至少一个神经网络或本地回归工具。所述模型在参考期内的预备学习阶段被校准。
模型M的输入变量的集合F(通过测量装置2来获得该集合的值)在所述实施例中特别包括:
-通过用具E的气体流量Q;
-吸入压力Pin;
-排出压力Pout;
-冷却水的温度Tw;以及
-气体的温度TG。
因此,可以由以下关系来说明估计的已消耗功率的计算:
We=M(F)=M(Q,Pin,Pout,Tw,TG)
所述计算装置还包括:
-装置12,其用于根据在参考学习期内所测量的输入变量集合F的值以及测量的已消耗功率值W,来校准模型M;
-第一装置13,其用于基于参考学习期内的功率消耗值,来校准用于确定第一分数p1的第一装置7;以及
-第二装置14,其用于基于参考学习期内所测量的输入变量集合F的值,来校准用于确定第二分数p2的第二装置8。
所述校准装置在学习阶段被使用。
作为变型,计算装置4还包括数据过滤装置,其用于在学习阶段或实时跟踪阶段去除对应于错误的传感器数据(sensor data)的数据。
在学习阶段,所述模型和确定装置由校准装置9、10、12来校准。
在所述学习阶段,为了获得尽可能接近所述用具的标称(nominal)操作的模型,去除了所述过度消耗数据。
在跟踪阶段中,执行以下步骤:
-在第一步骤SE1中,测量装置2直接地或经由存储装置3来供给模型M的输入变量集合F的值和消耗值W;
-在第二步骤SE2中,所供给的数据由过滤装置来过滤;
-在第三步骤SE3中,考虑了输入变量集合F的值,模型M计算所述用具所消耗的电功率的估计值We;
-在第四步骤SE4中,第一确定装置7可以基于以下内容来计算对应于过度消耗概率的分数p1:已消耗电功率的估计值We、测量装置2所测量的已消耗功率值W、第一过度消耗门限Dw以及第一过度消耗时间窗口tw1,其中在所述第一过度消耗时间窗口上必须达到第一门限以表征过度消耗;
-在第五步骤SE5中,第一过度消耗警告装置9将对应于过度消耗概率的第一分数p1与第一过度消耗概率门限sp1进行比较;
-在第六步骤SE6中,如果第一分数p1超过所述第一门限sp1,则检测到过度消耗并且警告通知了用户;
-与步骤SE2到SE6并行地,在第七步骤SE7中,根据变量集合F以及第二移动时间窗口tw2,来计算对应于模型无效的概率的第二分数P2;
-在第八步骤SE8中,第二模型M无效警告装置10将第二分数p2与第二无效概率门限sp2进行比较;
-在第九步骤SE9中,如果第二分数p2超过第二门限sp2,则检测到所述模型的无效,并且警告将该情况通知给用户以提示该用户执行新的学习阶段;
-在图2未示出的可选第十步骤中,用户可以进行新的学习或重新校准阶段,以获得有效的模型。
因此,通过第一分数p1建立了过度消耗诊断,所述第一分数即0到1之间的真实概率值,分数0指示过度消耗没有风险,而分数1指示过度消耗的高风险。
在用户设定的过度消耗概率门限sp1之上、在时间带(time band)上定义了过度消耗的概念。
在所述实施例中,使用了过度消耗变量分布的建模。在学习阶段期间校准所述建模,并且表特所述过度消耗的分布。
如果所述测量和模型指示了过度消耗,则分数p1对应于关于过度消耗的测试的功率,即过度消耗模式中的概率。
通过使用三个用户参数,所描述的跟踪方法被用于检测过度消耗的存在,所述参数为:
-移动过度消耗时间窗口tw1,例如在24小时时期内,所述移动窗口包括窗口持续时间内的所有每小时信息;
-过度消耗门限Dw,例如300千瓦;
-警告触发门限sp1,即0和1之间的值,用于基于例如0.5的分数值来触发警告。
基于上述参数,每小时建立过度消耗诊断。
关于模型M无效诊断,所述诊断是基于第二分数p2的,该第二分数构成无效指示符用来当在给定学习时期内被校准并且被使用的模型相对于用于诊断的传感器数据变得不适当时,警告用户。
第二分数p2是0到1之间的真实概率值,值0指示可以完全确信地应用所述模型,而值1指示模型具有很高的不适用的概率。
如所描述的跟踪方法被用于通过使用两个用户参数来确定模型是否有效,所述参数为:
-移动过度消耗时间窗口tw2,例如在24小时时期内,所述移动窗口包括窗口持续时间内的所有每小时信息;
-警告触发门限sp2,即0和1之间的值,用于基于分数值来触发警告,所述门限值sp2有利地为大约0.95到0.98。
无效指示符门限p2特别用于检查用于过度消耗诊断的操作数据不过于远离学习域。
如果用户通过所述指示符观察到所述操作数据过于远离学习域,则必须考虑重新学习,或者在非受控传感器偏移的情况下考虑传感器上的介入。
因此,指示符p2被用来获得非常有用的信息,所述信息是关于与所准备的诊断有关的模型有效性的。
应当指出,无效指示符p2指出,仅当所述模型的输入测量改变统计行为时才需要重新校准,而当已消耗功率测量改变时不需要重新校准。
有利地,为了允许用户执行更准确的用具跟踪,通过存储在存储媒体3中的曲线和测量值之间的差值,计算用具E的消耗相对于制造商供给的理论曲线的偏离。
此外,计算了工业单元的每个压缩机的边际成本,用户使用所述信息来改进用户使用的选择。
当若干压缩机在同一工业单元上可用时,所述边际成本构成了压缩机选择指示符。
所述边际成本被表示为大于或小于当前操作点的压缩体积的成本,即,已消耗功率相对于气体流量的导数。
已消耗电功率表示为:
其中:
W:已消耗电功率 [kW]
Q:气体流量 [Nm3/h]
R:1.0304.10-4 [kWh/(Nm3.K)]
Tw:冷却水的温度 [°K]
Pin:过滤器之前的吸入压力 [bar]
Pout:排出压力 [bar]
We:估计的功率消耗 [kW]
η:压缩机的等温效率
ηe:估计的压缩机等温效率
通过模型M所获得的已消耗功率的估计值表示为:
根据文献FR 2 837 598中公开的线性实施例,估计的压缩机等温效率被认为是线性律(linear law)的,即:
所述边际成本因而表示为:
其中,We/Q是指定成本。
所述方法的缺点在于效率的非线性区域中的低准确度。
在根据本发明的实施例中,通过在非线性模型M上的正和负的数学求导而获得了更好的准确度。
所述边际成本计算的改进的正确性提供了正确压缩机的更好选择,所述边际成本构成了更好的选择指示符。
显然,本发明不限于上面作为非限制性例子所描述的优选实施例;相反,其覆盖了下面的权利要求情况下的所有变型。
Claims (12)
1.一种跟踪工业用具(E)性能的方法,其中,所述方法在参考期内的学习阶段包括以下步骤:
-基于所述工业用具(E)的操作参数集合(F)的值,来校准用于提供已消耗电功率的估计值(We)的模型(M);
-校准代表过度消耗的随机变量分布,即测量的电功率(W)和基于所述模型(M)的估计值(We)之间的差值;以及
在实时跟踪阶段包括以下步骤:
-测量所述工业用具(E)的操作参数集合(F)和所述用具所消耗的电功率(W);
-基于所述工业用具(E)的操作参数集合(F)的值、利用模型(M),实时计算代表所述已消耗电功率的量的估计值(We);
-计算所述已消耗电功率(W)的测量值(W)和所述模型(M)所提供的估计值(We)之间的差值,以获得所述过度消耗值;
-基于关于过度消耗变量的统计测试,利用所述变量的分布,根据对应于过度消耗的概率(p1)以及构成过度消耗指示符的这些因素来推断过度消耗分数;
-如果所述过度消耗的概率(p1)超过给定的过度消耗概率门限(sp1),则触发警告。
2.根据权利要求1的方法,其特征在于,所述用于计算过度消耗的概率(p1)的分数,对应于关于所述过度消耗变量的统计测试的功率。
3.根据权利要求1和2之一的方法,其特征在于,所述过度消耗的概率(p1)对应于过度消耗超过给定门限(Dw)的概率。
4.根据权利要求1到3之一的方法,其特征在于,在所述实时跟踪阶段,基于所述工业用具(E)的操作参数集合(F)的值,来计算无效指示符(p2),该无效指示符代表所述模型(M)有效或无效的概率,所述无效指示符(p2)是根据分数来被计算的,其中所述确定装置(8)在参考期内的学习阶段针对所述分数而被校准。
5.根据权利要求4的方法,其特征在于,如果所述无效指示符(p2)超过给定的无效概率门限(sp2),则触发警告。
6.根据权利要求1到5之一的方法,其特征在于,在所述实时跟踪阶段,计算例如所述用具的边际成本的用具选择指示符,即在当前操作点上针对压缩流量中的单元增加所消耗的电功率的增加,所述指示符是通过关于模型(M)的数学求导来被计算的。
7.根据权利要求1到6之一的方法,其特征在于,考虑至少一个移动测量时间窗口(tw1,tw2),以确定所述过度消耗和/或所述模型(M)的无效,所述窗口包括在直到当前时刻的窗口的持续时间内所测量的信息。
8.根据权利要求1到7之一的方法,其特征在于,所述模型是非线性类型的,特别包括至少一个神经网络或本地回归工具。
9.根据权利要求1到8之一的方法,其特征在于,所述模型(M)的输入变量集合(F)包括:
-通过所述用具(E)的气体流量(Q);
-吸入压力(Pin);
-排出压力(Pout);
-冷却水的温度(Tw);以及
-所述用具输入上的气体温度(TG)。
10.根据权利要求1到9之一的方法,其特征在于,在无效的情况下触发所述模型的重新校准。
11.根据权利要求1到10之一的方法,其特征在于,以规则的时间间隔来执行所述方法,特别地以每小时。
12.一种用于实现根据权利要求1到11之一的方法的系统(S),其特征在于,所述系统包括:
-所述用具(E)上的测量装置(2);
-用于存储相应数据的存储装置(3);
-计算装置(4);
-用于通知操作者(5)并且检查的装置;
-用于连接所述系统的部件的网络通信装置。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
FR0453027 | 2004-12-16 | ||
FR0453027A FR2879769B1 (fr) | 2004-12-16 | 2004-12-16 | Procede de suivi des performances d'un equipement industriel |
Publications (2)
Publication Number | Publication Date |
---|---|
CN1790202A true CN1790202A (zh) | 2006-06-21 |
CN1790202B CN1790202B (zh) | 2012-02-22 |
Family
ID=34952401
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2005101346099A Active CN1790202B (zh) | 2004-12-16 | 2005-12-13 | 跟踪工业用具性能的方法 |
Country Status (9)
Country | Link |
---|---|
US (1) | US7933724B2 (zh) |
EP (1) | EP1672444B1 (zh) |
CN (1) | CN1790202B (zh) |
AT (1) | ATE375535T1 (zh) |
CA (1) | CA2528900C (zh) |
DE (1) | DE602005002818T2 (zh) |
ES (1) | ES2293511T3 (zh) |
FR (1) | FR2879769B1 (zh) |
PL (1) | PL1672444T3 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110036418A (zh) * | 2016-12-02 | 2019-07-19 | 塞阿姆斯特朗有限公司 | 护理装备和系统的性能参数化 |
Families Citing this family (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9249794B2 (en) * | 2006-01-24 | 2016-02-02 | American Air Liquide, Inc. | Condition-based and predictive maintenance of compressor systems |
FR2929426A1 (fr) | 2008-03-26 | 2009-10-02 | Thales Sa | Procede et systeme d'attribution de score |
DE102008021102A1 (de) * | 2008-04-28 | 2009-10-29 | Siemens Aktiengesellschaft | Wirkungsgradüberwachung eines Verdichters |
NL1038234C2 (nl) * | 2010-09-13 | 2012-03-14 | Publicfacilities B V | Werkwijze en systeem voor het evalueren van een energieverbruik in een gebouw. |
US8849472B2 (en) | 2011-02-02 | 2014-09-30 | Inscope Energy, Llc | Effectuating energization and deactivation of particular circuits through rules-based smart nodes |
WO2012110607A1 (de) * | 2011-02-16 | 2012-08-23 | Ralf Tanneberger | Verfahren zur funktionsanalyse von elektrischen verbrauchern |
US10554077B2 (en) * | 2011-12-13 | 2020-02-04 | Schneider Electric USA, Inc. | Automated monitoring for changes in energy consumption patterns |
CN102879201B (zh) * | 2012-09-28 | 2014-10-15 | 西南石油大学 | 往复式天然气压缩机组用燃气发动机效率的测量方法 |
US20140244192A1 (en) * | 2013-02-25 | 2014-08-28 | Inscope Energy, Llc | System and method for providing monitoring of industrial equipment |
CN105139468B (zh) * | 2013-11-05 | 2017-07-07 | 南京大学 | 智能化计时计数系统 |
US9152737B1 (en) | 2014-11-26 | 2015-10-06 | Sense Labs, Inc. | Providing notifications to a user |
US10175276B2 (en) | 2014-11-26 | 2019-01-08 | Sense Labs, Inc. | Identifying and categorizing power consumption with disaggregation |
US20160224033A1 (en) * | 2015-01-16 | 2016-08-04 | United Services Automobile Association ("USAA") | Computer monitoring system, apparatus and method for controlling appliance operation |
US10205733B1 (en) * | 2015-06-17 | 2019-02-12 | Mission Secure, Inc. | Cyber signal isolator |
US10250619B1 (en) | 2015-06-17 | 2019-04-02 | Mission Secure, Inc. | Overlay cyber security networked system and method |
US9699529B1 (en) * | 2017-02-22 | 2017-07-04 | Sense Labs, Inc. | Identifying device state changes using power data and network data |
US9800958B1 (en) | 2017-02-22 | 2017-10-24 | Sense Labs, Inc. | Training power models using network data |
US10750252B2 (en) * | 2017-02-22 | 2020-08-18 | Sense Labs, Inc. | Identifying device state changes using power data and network data |
US10740691B2 (en) | 2018-10-02 | 2020-08-11 | Sense Labs, Inc. | Identifying devices connected to a smart plug |
USD944731S1 (en) | 2019-07-11 | 2022-03-01 | Sense Labs, Inc. | Electrical current sensor |
US11536747B2 (en) | 2019-07-11 | 2022-12-27 | Sense Labs, Inc. | Current transformer with self-adjusting cores |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FI105005B (fi) * | 1997-05-13 | 2000-05-15 | Nokia Networks Oy | Päätelaitteen nopeuden estimoimismenetelmä, solun valitsemismenetelmä ja radiojärjestelmä |
US6208873B1 (en) * | 1998-11-23 | 2001-03-27 | Qualcomm Incorporated | Method and apparatus for transmitting reverse link power control signals based on the probability that the power control command is in error |
US20020010563A1 (en) * | 1999-06-15 | 2002-01-24 | S. Michael Ratteree | Method for achieving and verifying increased productivity in an industrial process |
FR2837598B1 (fr) * | 2002-03-20 | 2004-05-28 | Air Liquide | Procede et dispositif de suivi de performances d'un equipement industriel |
FR2839285B1 (fr) | 2002-05-03 | 2004-10-29 | Alstom | Procede et dispositif pour le controle et la regulation de la puissance consommee par un systeme de transport |
-
2004
- 2004-12-16 FR FR0453027A patent/FR2879769B1/fr active Active
-
2005
- 2005-11-28 PL PL05300970T patent/PL1672444T3/pl unknown
- 2005-11-28 AT AT05300970T patent/ATE375535T1/de not_active IP Right Cessation
- 2005-11-28 ES ES05300970T patent/ES2293511T3/es active Active
- 2005-11-28 EP EP05300970A patent/EP1672444B1/fr active Active
- 2005-11-28 DE DE602005002818T patent/DE602005002818T2/de active Active
- 2005-12-05 CA CA2528900A patent/CA2528900C/fr active Active
- 2005-12-08 US US11/297,842 patent/US7933724B2/en active Active
- 2005-12-13 CN CN2005101346099A patent/CN1790202B/zh active Active
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110036418A (zh) * | 2016-12-02 | 2019-07-19 | 塞阿姆斯特朗有限公司 | 护理装备和系统的性能参数化 |
Also Published As
Publication number | Publication date |
---|---|
DE602005002818T2 (de) | 2008-07-17 |
ES2293511T3 (es) | 2008-03-16 |
FR2879769B1 (fr) | 2007-01-19 |
DE602005002818D1 (de) | 2007-11-22 |
ATE375535T1 (de) | 2007-10-15 |
US20060155514A1 (en) | 2006-07-13 |
CA2528900C (fr) | 2016-02-02 |
CN1790202B (zh) | 2012-02-22 |
FR2879769A1 (fr) | 2006-06-23 |
EP1672444B1 (fr) | 2007-10-10 |
EP1672444A1 (fr) | 2006-06-21 |
CA2528900A1 (fr) | 2006-06-16 |
US7933724B2 (en) | 2011-04-26 |
PL1672444T3 (pl) | 2008-02-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN1790202A (zh) | 跟踪工业用具性能的方法 | |
CN1705574A (zh) | 胎压监控系统 | |
EP1451550B1 (en) | System and method for identifying the presence of a defect in vibrating machinery | |
CN1934433A (zh) | 滚动轴承的剩余寿命诊断方法及剩余寿命诊断装置 | |
US7305326B2 (en) | Analysis of condition monitoring information | |
WO2013140781A1 (ja) | 蓄電池監視方法、蓄電池監視システム、および、蓄電池システム | |
CN1781006A (zh) | 用于制冷系统的预见性维护和设备监视 | |
CN1862279A (zh) | 电池组老化率估算、故障检测方法和电池组管理监测装置 | |
RU2007101229A (ru) | Система и способ для обнаружения аномальной ситуации, связанной с развитием процесса контура управления | |
CN101038277A (zh) | 基于最小二乘-支持向量机的制粉过程煤粉细度软测量方法 | |
CN1278109C (zh) | 基于灰色理论的称重传感器故障预测方法 | |
CN114369849B (zh) | 一种电解槽健康度的监控方法、装置及电解槽监控系统 | |
CN110513828B (zh) | 净化器滤网状况检测方法、装置、控制设备及净化器 | |
CN113782778A (zh) | 基于定频阻抗和气体压降的电堆水管理调控方法及装置 | |
CN113203180A (zh) | 一种滤网脏堵的判断方法及空调室内机 | |
CN115575579A (zh) | 一种基于监测源分析的碳监测方法及系统 | |
JP2010139248A (ja) | 対象設備の寿命予測の方法、コンピュータプログラム、及び、対象設備の寿命予測のための装置 | |
CN116256017A (zh) | 碳资产监测装置及碳资产监测系统 | |
CN110988514A (zh) | 一种变频器的故障智能监测系统、方法及存储介质 | |
CN1492366A (zh) | 用于评价机器或设备运行条件的方法 | |
CN112567241A (zh) | 环境传感器协同校准方法 | |
CN113250799B (zh) | 背压数据检测方法、装置及系统 | |
CN116147677A (zh) | 确定被测变量的测量值的特定于应用的总似然性的方法 | |
JP2011186570A (ja) | 二酸化炭素排出量の算出装置 | |
JP6381282B2 (ja) | 異常検出装置及びプログラム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |