CN101634851B - 基于变量因果影响关系的流程工业故障诊断方法 - Google Patents
基于变量因果影响关系的流程工业故障诊断方法 Download PDFInfo
- Publication number
- CN101634851B CN101634851B CN2009100236761A CN200910023676A CN101634851B CN 101634851 B CN101634851 B CN 101634851B CN 2009100236761 A CN2009100236761 A CN 2009100236761A CN 200910023676 A CN200910023676 A CN 200910023676A CN 101634851 B CN101634851 B CN 101634851B
- Authority
- CN
- China
- Prior art keywords
- variable
- cause
- effect
- node
- influence
- 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.)
- Expired - Fee Related
Links
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于变量因果影响关系的流程工业故障诊断方法,该方法通过人机交互模块向***输入生产过程的描述方程组和生产过程类型,变量因果影响关系生成模块根据输入的***方程和变量生成过程变量因果影响关系模型,然后以其为基础生成故障匹配规则,并将这些规则存储到关系数据库形式的故障规则库中;变量状态信息采集模块根据变量阈值对生产过程DCS控制***或生产监控实时数据库中变量状态信息进行提取,计算变量定性状态判别参数,将计算结果送入到故障搜索模块;故障搜索模块根据输入的变量异常状态信息搜索故障规则库,找出与输入变量异常状态信息相匹配的故障原因,将结果通过人机交互模块输出;本发明能够排除故障,防止生产事故。
Description
技术领域
本发明涉及一种流程工业故障诊断***,特别是一种基于变量因果影响关系的流程工业故障诊断方法。
现有技术
流程工业生产过程中故障多发频发,往往造成严重的事故后果和较大的经济损失,及时有效的生产状态监测和故障诊断技术能够降低***故障发生频率,保证***安全高效运行。现有故障诊断技术分为基于定量模型、基于定性模型和基于运行历史数据三类。基于定量模型的故障诊断技术以过程数学模型为基础,能得出精确的诊断结果,但是流程工业生产***设备装置多,结构复杂,并伴随各种化学反应,准确的***定量模型不易获取。基于运行历史数据的故障诊断技术不依赖***模型,一般利用生产过程中的状态信号,如旋转轴系振动信号,采用频谱分析等方法提取信号中包含的故障信息来实现故障诊断,该类方法一般局限于大型旋转轴系装置和设备的故障诊断,且多采用离线方式,实时性不够,同时对流程工业中其他设备的故障诊断无能为力。基于定性模型的故障诊断技术较适合流程工业生产***的特点,如故障树(FTA),事件树(ETA),符号有向图(SDG)等,这些方法不依赖***数学模型,同时能适应流程工业的各种装置、设备和过程,但是也因此存在诊断结果不精确,虚假信息较多的缺陷,而且对大型复杂流程工业***,这类方法的故障搜索效率低,实时性差,影响了在实际生产过程中的应用。总体来说,现有故障诊断技术中,定性故障诊断技术符合流程工业生产过程特点,但需要解决其定性模型对生产过程刻画不够精确,包含较多虚假信息,同时故障搜索方法效率不高的问题。
发明内容
本发明针对上述问题,提供了一种基于变量因果影响关系的流程工业故障诊断方法,能够在准确生成变量定性因果影响关系的基础上,采用故障规则匹配搜索方法,快速实现流程工业生产过程异常状态下的故障诊断,生产控制***和操作人员可以以本***诊断结果为依据,调整生产工艺参数,或采取针对性的维护措施,及时排除故障,避免发生生产事故。
本发明的基于变量因果影响关系的流程工业故障诊断方法,包括:
1)操作人员通过人机交互模块向***输入生产过程的描述方程组和变量,以及生产过程类型,生产过程类型包括平衡过程、动态过程和混合过程三类,以代数方程组描述的过程为平衡过程,以微分方程组描述的过程为动态过程,以代数方程和微分方程混合描述的过程为混合过程;
2)变量因果影响关系生成模块根据输入的***方程和变量生成过程变量因果影响关系模型,然后以其为基础生成故障匹配规则,并将这些规则存储到关系数据库形式的故障规则库中;
3)变量状态信息采集模块根据变量阈值对生产过程DCS控制***或生产监控实时数据库中变量状态信息进行提取,计算变量定性状态判别参数,将计算结果送入到故障搜索模块;
4)故障搜索模块根据输入的变量异常状态信息搜索故障规则库,找出与输入变量异常状态信息相匹配的故障原因,将结果通过人机交互模块输出;
本发明的流程工业故障诊断***以生产过程***方程为依据,其变量因果影响关系模型信息准确无冗余,采用规则匹配搜索方式进行故障搜索,快速准确,实时性强,采用本发明的基于变量因果影响关系的流程工业故障诊断***可以快速准确的诊断出异常状态下生产***的故障原因,诊断结果可以指导操作人员及时采取维护措施,修复设备故障,或作为参数输入控制***,以此调整工艺参数,纠正***异常,预防生产事故。
附图说明
图1为本发明流程关系图;
图2为变量因果影响关系模型图;
图3为平衡过程变量因果序图;
图4为动态过程变量关联关系图;
图5变量因果影响关系模型支路分解图;
下面结合附图对本发明的内容作进一步详细说明。
具体实施方式
参照图1所示,基于变量因果影响关系的流程工业故障诊断方法由以下部分构成:人机交互模块、变量因果影响关系生成模块、故障规则库、变量状态信息采集模块、故障搜索模块。本发明以生产过程为对象,通过人机交互模块输入生产过程的***方程和变量信息,由变量因果影响关系生成模块根据输入信息生成变量因果影响关系模型,在模型基础上生成故障匹配规则,并将其存入故障规则库,变量状态信息采集模块负责采集生产过程DCS监控***(或实时数据库RTDB)中的变量状态信息,计算变量定性状态判别参数,并将计算结果送入到故障诊断模块,故障诊断模块将异常状态变量及其状态与故障规则库中的故障匹配规则进行比较,搜索出故障原因,并将诊断结果通过人机交互模块输出;
参照图2所示,带标号字母为生产过程变量,以节点表示(图示为圆圈形式),节点之间的有向连线表示因果影响关系,由原因节点指向结果节点,实线表示正影响,即当原因节点变量值升高(或降低)时,导致结果节点变量值同样升高(或降低),虚线表示负影响,即原因节点变量值升高(或降低)时,导致结果节点变量值反而降低(或升高);
参照图3所示,带标号字母表示生产过程变量,有向线段表示变量之间的因果顺序关系,由原因变量指向结果变量,图中,变量V3、V5、V6、V7为变量V8的原因变量,变量V4为变量V5的原因变量,变量V2为变量V3的原因变量,变量V1为变量V2的原因变量;
参照图4所示,由动态过程变量、变量导数、变量及变量导数间的相互关联关系构成,虚线表示变量与变量导数之间的因果关联关系,带有i标识的实线为积分链,表示由变量导数指向该变量本身的积分关系;
参照图5所示,表示将变量因果影响关系模型从带有闭合回路的形式分解为无闭合回路的分解支路形式过程,图例所示变量因果影响关系模型由A、B、C、D、E、F六个变量及其相互因果影响关系组成,表示方法同图2,该模型连边支路在节点D和F处汇合,形成闭合回路,从这两节点处可将模型拆解为如图所示四种无闭合回路的分解支路形式;
对本发明中涉及的平衡过程、动态过程、混合过程、变量因果影响关系模型、局外变量、变量定性状态判别参数概念做如下定义:
平衡过程:指采用代数方程组 形式描述的确定生产过程,以S表示,该过程的代数方程组可解且解唯一,包含n个变量、n个方程,且满足如下条件:
(a)任意k个(0<k≤n)方程组成的方程组中,至少有一个方程中含有k个以上的非零系数变量;
(b)任何k个方程组成的方程组中,若出现m≥k个非零系数变量,取其中任意(m-k)个变量的值,剩余的k个变量值可以通过解方程组来确定;
动态过程:指采用一阶微分方程组 (i=1,…,n)形式描述(高阶微分方程形式可转化为一阶微分方程形式),不过分限定并可得出确定解的过程,以D表示,该类过程的微分方程组可解且解唯一,包含n个变量、n个方程,且满足如下条件:
(a)任何k个(0<k≤n)方程组成的方程组中,至少出现k个不同变量的一阶导数;
(b)在任何出现r(r≥k)个一阶导数的k个方程组成的方程组中,任取其中任意(r-k)个一阶导数之值,剩余的k个导数值可以作为方程组中n个变量的函数而唯一确定;
混合过程:由代数方程和微分方程混合描述的确定过程,以M表示,M中全部微分方程组成的子集记为D(M),M中全部平衡方程以及变量V的常数方程构成的子集(V为导数出现在D(M)中的变量子集)记为S(M),该类过程变量值可解且解唯一,包含n个变量、n个方程,且满足如下条件:
(a)n个方程中的一个或多个是一阶微分方程,其余的是代数方程;
(b)D(M)的k元子集中,至少出现k个不同变量的一阶导数;
(c)在任何出现r个一阶导数的D(M)的k元子集(r≥k)中,任意取(r-k)个一阶导数,余下的k个变量可以唯一确定;
(d)恰好有d个不同变量的一阶导数出现在D(M)中,其中d是集合D(M)中方程的个数;
(e)S(M)是平衡***。
变量因果影响关系模型:一种表示生产过程变量之间因果影响关系的可图示化模型,采用节点表示变量,采用有向连边表示变量因果依赖关系,有向连边由原因变量节点指向结果变量节点,实线形式的有向连边表示正影响,即当原因节点变量值升高(或降低)时,导致结果节点变量值同样升高(或降低),虚线形式的有向连边表示负影响,即原因节点变量值升高(或降低)时,导致结果节点变量值反而降低(或升高);
局外变量:平衡过程或混合过程的平衡部分***方程中由***外部因素确定的变量,这些变量不受***内部运行的影响,其值变化由外部环境决定,是决定***内部其他变量变化的原因,称为局外变量,如过程***的物料输入,环境温度等。
变量定性状态判别参数:判别变量值处于偏高、正常、偏低这三种定性状态的参数,变量具有的三种定性状态,偏高、正常、偏低,分别表示变量值高于阈值上限(以+1表示)、变量值在阈值范围之内(以0表示)、变量值低于阈值下限(以-1表示),偏高和偏低的变量处于异常状态;
本***以流程工业生产过程为对象,根据***方程类型不同,流程工业生产过程分为三类:平衡过程、动态过程和混合过程,操作人员通过人机交互模块将***方程及变量信息输入到***中,对平衡过程和混合过程中包含的平衡部分,确定其局外变量,对混合过程,确定其平衡部分和动态部分的中间变量;
变量因果影响关系生成模块接收人机交互模块输入的***方程和变量信息,根据生产过程类型的不同,分别生成变量因果影响关系模型。
对平衡过程S,其变量因果影响关系模型生成过程为:
1)确定S的所有子集S’,S’由S中的部分方程组成,S’为符合上述定义的平衡过程,且其内部不再包含平衡子过程,称S’为S的极小完全子集;
2)设S0为S的所有极小完全子集的并集,称S0为0阶完全子集,求解S0方程组得出其变量值;
3)将解出的变量值带入方程组(S-S0)中,得到一个新的平衡过程,称为导出过程,重复步骤1),找出该导出过程的所有极小完全子集;设S1是该导出过程的极小完全子集的并集,称为一阶完全子集;
4)重复步骤3),找出各阶导出过程及其极小完全子集,直到最高阶导出过程,该过程内部不再含有平衡子过程;
5)高阶过程中极小完全子集变量因果依赖于其次阶过程极小完全子集变量,且对S中的每一个方程,最后从消除的变量因果依赖于方程中其他变量,以此确定变量间的因果序关系,平衡过程变量因果序表示形式参照图3;
6)在建立所有变量因果依赖关系基础上,将具有因果依赖关系变量所处的方程变换为 形式,系数aij的符号即表示因果依赖关系xj→xi的因果影响效果,正号为正影响(促进影响),负号为负影响(抑制影响);
7)采用如图2所示变量因果影响关系模型表示平衡***变量因果影响关系。
对动态过程D,其变量因果影响关系模型生成过程为:
1)给定含n个变量的动态过程,进行变换后解出n个导数,得出形如 (i=1,…,n)的n个典范式方程;
2)以每个方程等式左边变量的导数dxi为结果变量,等式右边系数不为零的变量为原因变量,生成变量及变量导数间因果关联关系;
3)以每个方程等式左边的变量xi为结果变量,以其导数dxi为原因变量,生成因果积分链关系,经过步骤2)和3)后生成的动态过程变量关联关系形式参照图4;
4)约简变量因果积分链,去除变量导数dxi,生成动态***变量因果依赖关系;
6)采用如图2所示变量因果影响关系模型表示平衡***变量因果影响关系。
对混合过程M,其变量因果影响关系模型生成过程为:
1)按照上述动态过程变量因果影响关系生成过程生成其动态部分D(M)的变量因果影响关系;
2)按照上述平衡过程因果影响关系生成过程生成其平衡部分S(M)的***变量因果影响关系;
3)合并D(M)子集变量因果影响关系和S(M)子集变量因果影响关系中的中间变量V,得出混合过程变量因果影响关系;
4)采用如图2所示变量因果影响关系模型表示混合过程变量因果影响关系。
根据诊断生产过程对象类型不同,变量因果影响关系生成模块生成对应的变量因果影响关系模型,在该模型基础上,通过以下步骤生成故障匹配规则:
1)找出变量因果影响关系模型中所有汇合支路,参照图5变量D与F,从汇合支路变量节点将模型分解为无闭合支路形式,参照图5,从节点D和F处将模型分解为四个无闭合支路模型;
2)选取变量因果影响关系模型某一节点作为起始节点,参照图5,选取变量A为起始节点;
3)从该节点出发,沿变量因果影响模型连边到达其连接节点,如连边为正影响连边,则以p前缀表示该连边,参照图5,A、B两节点连边为正影响,生成pAB规则,即若A、B同号(同为+1,或同为-1),则pAB=TRUE,否则pAB=FALSE,反之,若连边为负影响,则以m前缀表示该连边,参照图5,B、C两节点连边为负影响,生成mBC规则,即若B、C异号(B为+1、C为-1或B为-1、C为1),则mBC=TRUE,否则mBC=FALSE;
4)采用基于广度优先的遍历方式,按照步骤3)逐一生成各连边规则,直到生成所有分解支路规则,各规则以and连接词相连;参照图5,其四个分解支路规则依次为:
(pAB)and(pBD)and(pDF)and(mAC)and(pCE)、
(pAB)and(mAC)and(pCD)and(mCE)and(pEF)、
(pAB)and(pBD)and(pEF)and(mAC)and(pCE)、
(pAB)and(pBD)and(pDF)and(mAC)and(pCE);
5)合并各分解支路规则,支路汇合处以or连接词相连,建立故障匹配规则,起始节点为故障源节点,参照图5,上述分解支路规则合并后建立的故障匹配规则为:
{IF[(pAB)and(mAC)and(pCE)]and[(pBD)or(pCD)]and[(pDF)or(pEF)]=TRUETHEN A是故障源};
6)选取变量因果影响关系模型中另一节点为起始节点,重复步骤1)~5),建立下一条故障匹配规则;
按照上述步骤,生成变量因果影响模型的所有故障匹配规则,将其存入故障规则库中;
变量状态信息采集模块通过输入接口从生产过程DCS控制***(或实时数据库RTDB***)中采集变量状态信息,该信息包括变量当前测量值和变量正常工作值及其工作范围阈值,设变量当前测量值为VC,变量正常工作值VN,变量阈值为VT,变量状态值SV按下式计算:
变量定性状态判别参数JV按下式计算:
变量信息采集模块计算变量定性状态判别参数值,并将其输入故障搜索模块;
故障搜索模块根据生产过程将变量状态采集模块输入的变量异常状态信息逐条驱动故障规则库中的故障匹配规则,找出所有运算结果值为TRUE的规则,这些规则对应的源节点即为符合当前生产过程异常状态下的故障原因节点,诊断完成后将该诊断结果通过人机交互模块输出到显示界面,以便操作人员采取维护措施,修复设备故障,或作为参数输入到生产控制***中,以此作为参考调整工艺参数,修复生产过程异常状态,防止生产事故。
Claims (4)
1.一种基于变量因果影响关系的流程工业故障诊断方法,其特征在于,包括以下步骤:
2)变量因果影响关系生成模块根据输入的描述方程组和变量生成变量因果影响关系模型,然后以其为基础生成故障匹配规则,并将这些规则存储到关系数据库形式的故障规则库中;
3)变量状态信息采集模块采集实际生产过程变量状态信号,计算变量定性状态判别参数,并将其输送到故障搜索模块;
4)故障搜索模块根据输入的变量异常状态信息搜索故障规则库,找出故障原因,并将其通过人机交互模块输出。
2.根据权利要求1所述的方法,其特征在于:所述的生成变量因果影响关系模型过程包括以下步骤:
对平衡过程记为S,其变量因果影响关系模型生成过程为:
1)确定S的所有子集S’,S’由S中的部分方程组成,S’为平衡过程,且其内部不再包含平衡子过程,称S’为S的极小完全子集;
2)设S0为S的所有极小完全子集的并集,称S0为0阶完全子集,求解S0方程组得出其变量值;
3)将解出的变量值带入方程组S-S0中,得到一个新的平衡过程,称为 导出过程,重复本过程之步骤1),找出该导出过程的所有极小完全子集;设S1是该导出过程的极小完全子集的并集,称为一阶完全子集;
4)重复本过程之步骤3),找出各阶导出过程及其极小完全子集,直到最高阶导出过程,该过程内部不再含有平衡子过程;
5)高阶过程中极小完全子集变量因果依赖于其次阶过程极小完全子集变量,且对S中的每一个方程,最后从消除的变量因果依赖于方程中其他变量,以此确定变量间的因果影响关系;
7)以节点表示变量,节点之间的有向连线表示因果影响关系,由原因节点指向结果节点,用实线表示正影响,虚线表示负影响;
对动态过程记为D,其变量因果影响关系模型生成过程为:
2)以每个方程等式左边变量的导数dxi为结果变量,等式右边系数不为零的变量为原因变量,生成变量及变量导数间因果关联关系;
3)以每个方程等式左边的变量xi为结果变量,以其导数dxi为原因变量,生成因果积分链关系,经过本过程步骤2)和3)后生成的动态过程变量关联关系;
4)约简变量因果积分链,去除变量导数dxi,生成动态***变量因果依赖关系;
6)以节点表示变量,节点之间的有向连线表示因果影响关系,由原因节点指向结果节点,用实线表示正影响,虚线表示负影响;
对混合过程记为M,其动态组成部分记为D(M),平衡组成部分记为S(M),其变量因果影响关系模型生成过程为:
1)按照上述动态过程变量因果影响关系生成过程生成其动态组成部分D(M)的变量因果影响关系模型;
2)按照上述平衡过程变量因果影响关系生成过程生成其平衡组成部分S(M)的变量因果影响关系模型;
3)合并D(M)子集变量因果影响关系和S(M)子集变量因果影响关系中的中间变量V,得出混合过程变量因果影响关系;
4)以节点表示变量,节点之间的有向连线表示因果影响关系,由原因节点指向结果节点,用实线表示正影响,虚线表示负影响。
3.根据权利要求1所述的方法,其特征在于:所述故障匹配规则生成过程包括以下步骤:
1)找出变量因果影响关系模型中所有汇合支路,从汇合支路变量节点将模型分解为无闭合支路形式;
2)选取变量因果影响关系模型某一节点作为起始节点;
3)从该节点出发,沿变量因果影响模型连边到达其连接节点,如连边为正影响连边,则以p前缀表示该连边,生成pAB规则,A、B表示相连两节点变量,若A、B同号,同为+1,或同为-1,则pAB=TRUE,否则pAB=FALSE, 反之,若连边为负影响,则以m前缀表示该连边,生成mAB规则,即若A、B异号,A为+1、B为-1或A为-1、B为-1,则mAB=TRUE,否则mAB=FALSE;
4)采用基于广度优先的遍历方式,按照本故障匹配规则生成过程之步骤3)逐一生成各连边规则,直到生成所有分解支路规则,各规则以and连接词相连;
5)合并各分解支路规则,支路汇合处以or连接词相连,建立故障匹配规则,起始节点为故障源节点;
6)选取变量因果影响关系模型中另一节点为起始节点,重复本故障匹配规则生成过程之步骤1)~5),建立下一条故障匹配规则,直到生成所有变量节点故障匹配规则。
4.根据权利要求1所述的方法,其特征在于:所述的变量定性状态判别参数计算过程如下:
1)通过输入接口从生产过程DCS控制***或实时数据库RTDB***中采集变量状态信息,该信息包括变量当前测量值和变量正常工作值及其工作范围阈值,记变量当前测量值为VC,变量正常工作值VN,变量阈值为VT;
2)变量状态值SV按下式计算:
3)变量定性状态判别参数JV按下式计算:
。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2009100236761A CN101634851B (zh) | 2009-08-25 | 2009-08-25 | 基于变量因果影响关系的流程工业故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2009100236761A CN101634851B (zh) | 2009-08-25 | 2009-08-25 | 基于变量因果影响关系的流程工业故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101634851A CN101634851A (zh) | 2010-01-27 |
CN101634851B true CN101634851B (zh) | 2011-09-21 |
Family
ID=41594064
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2009100236761A Expired - Fee Related CN101634851B (zh) | 2009-08-25 | 2009-08-25 | 基于变量因果影响关系的流程工业故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101634851B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101799684A (zh) * | 2010-04-20 | 2010-08-11 | 杭州和利时自动化有限公司 | 一种分布式控制***的事件处理方法及*** |
CN102103715A (zh) * | 2010-11-18 | 2011-06-22 | 上海海事大学 | 基于负二项回归的水上交通事故调查分析和预测方法 |
CN102707712B (zh) * | 2012-06-06 | 2014-06-18 | 广州山锋测控技术有限公司 | 电子装备故障诊断方法和*** |
CN102736546B (zh) * | 2012-06-28 | 2014-06-04 | 西安交通大学 | 一种流程工业复杂机电***的状态监测装置及方法 |
CN104503434B (zh) * | 2014-12-01 | 2017-05-03 | 北京航天试验技术研究所 | 一种基于故障征兆主动推送的故障诊断方法 |
JP7227002B2 (ja) * | 2015-10-09 | 2023-02-21 | フィッシャー-ローズマウント システムズ,インコーポレイテッド | プロセス制御システムの安全イベントの視覚化を経時的に提供するためのシステム及び方法 |
CN105955241B (zh) * | 2016-06-03 | 2018-09-14 | 北京科技大学 | 一种基于联合数据驱动生产过程的质量故障定位方法 |
CN109816940B (zh) * | 2019-03-21 | 2023-05-09 | 北京天诚同创电气有限公司 | 污水处理厂的故障报警方法和装置 |
AT522639B1 (de) * | 2019-06-19 | 2021-01-15 | Engel Austria Gmbh | Vorrichtung und Verfahren zum Visualisieren oder Beurteilen eines Prozesszustandes |
CN111413491A (zh) * | 2020-04-11 | 2020-07-14 | 深圳市资通科技有限公司 | 充油设备绝缘老化评估平台 |
CN114091710B (zh) * | 2022-01-20 | 2022-04-12 | 广东立升数字技术有限公司 | 一种全国维修维护技术支撑方法及*** |
CN114970090B (zh) * | 2022-04-15 | 2024-05-10 | 金华市鑫科家居有限公司 | 一种基于竞争性故障的智能家居传感***可靠性分析方法 |
-
2009
- 2009-08-25 CN CN2009100236761A patent/CN101634851B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN101634851A (zh) | 2010-01-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101634851B (zh) | 基于变量因果影响关系的流程工业故障诊断方法 | |
CN104298225B (zh) | 化工过程异常工况因果关系推理模型建模与图形化展示方法 | |
CN104573850B (zh) | 一种火电厂设备状态评估方法 | |
US8868985B2 (en) | Supervised fault learning using rule-generated samples for machine condition monitoring | |
CN109501834B (zh) | 一种道岔转辙机故障预测方法及装置 | |
CN104267668B (zh) | 基于贝叶斯方法的航天阀门零件加工过程故障诊断方法 | |
CN107423414A (zh) | 一种基于信息传递模型的流程工业复杂机电***故障溯源方法 | |
DE19808197C2 (de) | System und Verfahren zur Diagnose von Triebwerkszuständen | |
CN109933905A (zh) | 一种基于多维预警分析的机械设备健康状态评估方法 | |
DE102009025855A1 (de) | Systeme und Verfahren zur modernen Zustandsüberwachung eines Anlagegutsystems | |
CN101446831A (zh) | 一种分散的过程监测方法 | |
EP0768584B1 (de) | Verfahren zur Überwachung einer Maschine oder Anlage | |
CN105913124B (zh) | 基于贝叶斯网络及基层数据的***健康状态预测方法 | |
CN103901880A (zh) | 基于多分类器和d-s证据融合的工业过程故障检测方法 | |
Yurek et al. | Remaining useful life estimation for predictive maintenance using feature engineering | |
CN106960069A (zh) | 一种具有自学***台 | |
CN106933097A (zh) | 一种基于多层优化pcc‑sdg的化工过程故障诊断方法 | |
CN107656518A (zh) | 一种***故障推理方法 | |
CN116756909A (zh) | 一种基于数据模型及机理模型的火电厂预警诊断*** | |
CN104268338B (zh) | 一种复杂产品故障影响传递关系模型的分析与评价方法 | |
Samhouri et al. | An intelligent machine condition monitoring system using time-based analysis: neuro-fuzzy versus neural network | |
CN115081647A (zh) | 基于贝叶斯网络模型的工业智能仪表故障预诊断方法 | |
CN103745261A (zh) | 一种构造立体ducg智能***用于动态故障诊断的方法 | |
CN106647274A (zh) | 一种连续生产过程中运行工况稳态判别方法 | |
EP4193227A1 (de) | Vorrichtung und verfahren zur erkennung von anomalien in einer industriellen anlage zur ausführung eines produktionsprozesses |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20110921 Termination date: 20150825 |
|
EXPY | Termination of patent right or utility model |