CN108562854B - 一种电机异常状态在线预警方法 - Google Patents
一种电机异常状态在线预警方法 Download PDFInfo
- Publication number
- CN108562854B CN108562854B CN201810304340.1A CN201810304340A CN108562854B CN 108562854 B CN108562854 B CN 108562854B CN 201810304340 A CN201810304340 A CN 201810304340A CN 108562854 B CN108562854 B CN 108562854B
- Authority
- CN
- China
- Prior art keywords
- motor
- variance
- phase winding
- measuring temperature
- early warning
- 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
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/34—Testing dynamo-electric machines
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Control Of Electric Motors In General (AREA)
- Tests Of Circuit Breakers, Generators, And Electric Motors (AREA)
Abstract
本发明属于电机设备监测与故障诊断相关技术领域,并公开了一种电机异常状态在线预警方法,该方法包括:从火电厂SIS***中定时采集与电机状态有关参数的数据,同时建立针对电机三相绕组温度的预测模型;利用所采集的数据统计出电机三相绕组温度方差的分布特征;结合电机三相绕组温度方差和预测模型来分阶段对电机异常状态执行在线预警。通过本发明,不仅可显著提高在线预警操作的时效性和精度,而且能够有效执行有目的的点检任务,在确保机组正常稳定运行的同时,大大降低运维管理成本,因而尤其适用于各类中大型火电厂之类的应用场合。
Description
技术领域
本发明属于电机设备监测与故障诊断相关技术领域,更具体地,涉及一种电机异常状态在线预警方法。
背景技术
电机作为电能生产、传输、使用和电能特性变换的核心装备,在现代社会多个行业和部门中占据着越来越重要的地位。以火力发电厂为例,多种辅助设备,如磨煤机、三大风机和各种泵等,都需要电机来驱动。因此,电机是保证电厂稳定运行不可或缺的设备。重要辅机设备的电机故障,很有可能导致整个发电机组降负荷运行或紧急停机,这严重影响电厂经济性和企业社会效应。
更具体地,现代的火电厂发电机组一般都配备SIS(Supervisory InformationSystem in plant level)***,也就是厂级监控信息***。该***可以实时监测机组各设备中某些状态参数,如电机的电流值和绕组温度等。然而,由于目前的SIS***通常采用固定阈值来对参数进行报警(如对电机三相绕组来说一般阈值取100℃),当报警发生时,设备状态实际上往往已经劣化到了一定程度。在这种情况下,不仅电厂发电量下降,各种人力物力也造成了巨大的经济损失,也即报警时效性不强,容易造成设备欠修,降低机组可靠性和经济性。
除此之外,现有的基于SIS***的电机状态监测方案基本上主要是依靠点检人员利用特定检测设备对电机状态进行判断,却没有对SIS***中海量运行数据进行充分利用。这种现状不仅加大了电厂人力物力的消耗,同样可能因点检周期长而导致电机性能劣化未被及时发现,并导致监测精度和自动化水平不高。相应地,本领域亟需做出进一步的改进,以便更好地满足现代化火电厂对电机异常状态预警过程的更高需求。
发明内容
针对现有技术的以上不足之处和改进需求,本发明提供了一种电机异常状态在线预警方法,其中通过选择电机三相绕组温度测量值的方差来作为判断电机异常状态的参考指标,同时充分利用了SIS***已有运行数据来构建电机三相绕组温度预测模型,相应不仅可显著提高在线预警操作的时效性和精度,而且能够有效执行有目的的点检任务,在确保机组正常稳定运行的同时,大大降低运维管理成本,因而尤其适用于各类中大型火电厂之类的应用场合。
为实现上述目的,按照本发明,提供了一种电机异常状态在线预警方法,其特征在于,该方法包括下列步骤:
(i)在配备有SIS***也即厂级监控信息***的火电厂,针对作为监测对象的各类电机,基于该SIS***定时采集其中反映电机出力和运行状态相关参数的当前实时数据和历史数据;
(ii)从步骤(i)所采集的数据中,继续获取N组电机三相绕组温度的历史数据作为统计样本,然后分别计算各组样本的三相绕组温度实际测量值之间的方差同时统计这N组样本的方差分布特征,其中i为正整数表示各组样本的编号,且1≤i≤N;
(iii)建立及训练针对电机三相绕组平均温度的预测模型;
(iv)基于步骤(ii)所计算及统计出的结果,判断当前时刻的电机三相绕组温度是否合理:其中,当不符合预设的工况条件时直接予以报警,同时生成点检任务,由此执行对电机异常状态的初步预警;否则继续执行以下步骤(v);
(v)基于步骤(iii)所建立及训练的所述预测模型,将当前时刻的电机三相绕组温度的实际测量平均值与该时刻的预测值进行比较,同时判断两者的差值是否在预设的阈值区间内:其中,当超过预设的阈值区间时予以报警,同时生成点检任务,由此执行对电机异常状态的二次预警;否则,返回至步骤(iv)继续循环。
作为进一步优选地,在步骤(i)中,对所述当前实时数据的采集时间间隔优选为1s,对所述历史数据的采集时间间隔优选为1min。
作为进一步优选地,在步骤(i)中,优选对所述历史数据执行筛选处理,即首先剔除存在数据缺失和数据异常的样本,然后剔除电机故障前后样本,最后还根据发电功率剔除电机未运行的样本。
作为进一步优选地,在步骤(ii)中,优选还可绘制相应的均值-方差控制图CC1,其中在该控制图中,优选设定上控制限UCL1=μ1+3σ1,中心线CL1=μ1,下控制限LCL1=μ1-3σ1;此外,所述均值μ1和标准差σ1采用以下公式来计算获得:
作为进一步优选地,在步骤(iii)中,优先采用神经网络算法建立并训练针对所述预测模型,并且统计训练该预测模型的误差ei的分布特征。
作为进一步优选地,对所述预测模型的训练过程优先按照以下步骤执行:采用受限玻尔兹曼机(RBM)对整个模型进行预训练,然后用反向传播算法(BP)对整个模型进行微调。
作为进一步优选地,在步骤(iii)中,对所述预测模型的训练误差优选还可绘制相应的均值-方差控制图CC2,其中在该控制图中,优选设定上控制限UCL2=μ2+3σ2,中心线CL2=μ2,下控制限LCL2=μ2-3σ2;此外,所述均值μ2和标准差σ2采用以下公式来计算获得:
作为进一步优选地,在步骤(iv)中,优选还利用所绘制的均值-方差控制图CC1来进一步判定电机三相绕组温度是否合理:其中,控制对象为电机当前三相绕组温度实际测量值之间的方差,若该方差超出控制图CC1的上控制限和下控制限时予以报警。
作为进一步优选地,在步骤(v)中,优选还利用所绘制的均值-方差控制图CC2来进一步判定电机三相绕组温度是否合理:其中,控制对象为电机当前三相绕组温度实际测量值的平均值和预测值之间的差值,若该差值超出控制图CC2的上控制限和下控制限时予以报警。
作为进一步优选地,所述采用神经网络算法建立并训练针对所述预测模型的过程优选设计如下:神经网络输入参数除了反映电机出力和运行状态相关的参数外,还包含前t时刻点的电机三相绕组的平均温度。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,主要具备以下的技术优点:
1、通过选择电机三相绕组温度测量值的方差来作为判断电机异常状态的参考指标,同时充分利用了SIS***已有运行数据,相应可在不增加任何监测设备提前下,更高效率和精度地实现电机设备异常状态在线预警,有效增强了报警的时效性,有利于制定合理的检修计划,最大限度降低运维管理费用,同时保证机组稳定安全运行;
2、本发明还进一步选择了神经网络算法来构建电机三相绕组温度的预测模型,相比于纯粹的其他参数拟合或自回归模型,使模型有更好的准确性和鲁棒性;具体而言,本发明察觉到电机三相绕组温度在监测过程中比较稳定,即可能其他参数改变时绕组温度仍不变,采用纯粹的其他参数拟合模型难以达理想准确性;而采用纯粹的自回归模型,难以达到高的鲁棒性;在此情况下,通过将其结合起来,该模型具有良好的准确性和鲁棒性,更好地符合发电机组电机之类的运用实际;
3、本发明的监测及预警过程被划分为两个阶段,即利用SIS***电机三相绕组温度传感器测量值之间的方差,由此实现电机状态的初步判断,接着还结合预测模型与实际测量值之间的比较,相应实现了更高精度的二次预警,最终显著提高了整个工艺方法的时效性和适用性。
附图说明
图1是按照本发明所构建的电机异常状态在线预警方法的整体工艺过程示意图;
图2是用于解释说明按照本发明的SIS***数据离线处理的逻辑示意图;
图3是按照本发明的一个具体实例、用于示范性显示对电机三相绕组温度方差进行监测控制的示意图;
图4是按照本发明的一个具体实例、用于示范性显示对电机三相绕组温度预测差值进行监测控制的示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
图1是按照本发明所构建的电机异常状态在线预警方法的整体工艺过程示意图,图2是用于解释说明按照本发明的SIS***数据离线处理的逻辑示意图。如图1和图2所示,该工艺方法主要包括从火电厂SIS***定时采集与电机状态有关参数的数据、利用这些数据来计算统计电机三相绕组温度的方差等参考指标、基于方差计算结果对电机异常状态进行初步预警、以及基于预测模型对电机异常状态进行二次预警的步骤。下面将对这些步骤逐一进行具体解释说明。
首先,在配备有SIS***也即厂级监控信息***的火电厂,针对作为监测对象的各类发电机组电机,基于该SIS***定时采集其中反映电机出力和运行状态参数相关的当前实时数据和历史数据;
接着,从以上采集的各类数据中,继续获取N组电机三相绕组温度的历史数据作为样本,然后分别计算各组样本的绕组温度平均值和绕组温度方差同时统计这N组样本的方差分布特征,其中i为正整数表示各组样本的编号,且1≤i≤N;
接着,建立针对电机三相绕组温度的预测模型并给予训练。在此过程中,按照本发明的一个优选实施方式,可优先采用神经网络算法建立并训练针对所述预测模型,这样能够更好地充分利用神经网络算法本身的高响应、及高精度的优点,该神经网络算法的原理及基本过程为本领域所熟知,因此在此不再赘述。按照本发明的另一优选实施方式,作为神经网络模型的输入参数,在本发明中除了选择反映电机出力和运行状态相关的参数外,还可以包含前t时刻点的电机三相绕组的平均温度。
此外,对于所述预测模型的训练过程优先按照以下步骤执行:采用受限玻尔兹曼机(RBM)对整个模型进行预训练,然后用反向传播算法(BP)对整个模型进行微调。与此同时,训练数据的来源既可以是上述历史数据,也可以包含当前数据。
接着,基于所计算出的结果来判断当前时刻的电机三相绕组温度是否合理:其中,当不符合预设的工况条件时直接予以报警,由此执行对电机异常状态的初步预警;否则继续执行下一步骤;
最后,通过所述预测模型对电机三相绕组温度平均值给出预测值,并将该预测值与前面计算出的三相绕组温度平均值继续进行比较,同时判断两者的差值是否在预设的阈值区间内:其中,当超过预设的阈值区间时予以报警,由此执行对电机异常状态的二次预警;否则,返回至上一步骤继续循环。
下面将结合火电厂引风机电机作为具体实例,来对本发明的以上工艺流程做出更为详细的解释说明。
步骤一:电机状态相关参数的采集。
首先从SIS***中定时采集所需的数据,主要是反映电机出力和运行状态的参数。这里可取环境温度、机组发电功率、2台电除尘烟气出口温度、引风机入口烟气压力、引风机烟气流量、引风机动叶开度、电机电流和电机三相绕组温度(三相共六个传感器)。此步骤所获取的数据应包含历史数据和当前实时数据。其中,历史数据可用于对预测模型的建立和训练,以及下面步骤中对电机三相绕组温度的方差统计;当前实时数据可用于对电机异常状态在线预警。
更具体地,按照本发明的一个优选实施方式,历史数据采集时间间隔优选可设定为1min,其目的是尽可能保证覆盖机组全年运行数据的同时,所获取的数据量控制在一定范围,便于模型训练当前实时数据采集时间间隔优选可设定为1s,其目的是尽可能快的发现电机异常状态,达到最好的预警效果。本发明实施例中历史数据为2107年6月—2017年12月。
按照本发明的另一优选实施方式,可筛选电机设备正常运行且参数齐全的样本。在实际情况中,火电厂SIS***中导出历史数据会有部分数据缺失或异常。首先,剔除存在数据缺失和异常的样本;然后,根据电机设备历史故障日志等台账资料来剔除故障前后样本,剔除样本规模参考故障类型及严重程度;最后,根据发电机功率剔除设备未运行的样本。本发明实施例中最后筛选出合格样本244940条。
此外,鉴于本发明中将电机三相绕组温度作为评价指标来执行整体的电机异常状态监测,按照本发明的另一优选实施方式,建立针对电机三相绕组温度的预测模型的过程优选可采用神经网络算法来实现,该神经网络算法的原理及具体过程为本领域所熟知,因此在此不再赘述。其中,可以选择将电机三相绕组的平均温度作为目标值,模型输入参数选择为除去电机三相绕组温度的其他当前参数和前t时刻电机三相绕组温度。特别的,由于电机三相绕组温度在监测过程中比较稳定,即可能其他参数改变时绕组温度仍不变的情况。因此,本发明中将其他参数和前t时刻绕组温度作为模型输入,一方面提高模型收敛速度和提高模型精度;另一方面,避免了纯粹利用前t时刻绕组温度预测当前时刻绕组温度,即自回归,而导致模型鲁棒性差的问题。
接着,利用电机正常运行样本对所建立的预测模型进行训练。训练前可将样本进行归一化处理,其目的是加快模型训练速度,提高模型准确性。模型选择合适的隐藏层结构,其目标是模型复杂度和准确性的综合最优。最后,储存训练好的模型和训练误差。本发明实施例中,训练误差分布统计特征量可设计如下,其均值μ2=0.00188,标准差σ2=0.049。
步骤二:电机三相绕组温差方差的计算及运用
从以上步骤采集的数据中获取电机三相绕组温度历史数据。例如,火电厂SIS***中,电机三相绕组温度一般会设置六个传感器,每相绕组两个。接着,计算历史数据中电机三相绕组温度的方差,并统计其分布特性,如均值和方差。电机三相绕组温度记为Tij,每组样本包含电机三相绕组六个温度传感器数值,每组样本平均值记为方差记为相应地,各组样本的绕组温度平均值和绕组温度方差分别可采用以下公式来计算:
其中,j为正整数且表示对各个样本所配套的多个温度传感器的编号,1≤j≤6;Tij则表示与第i组样本中由第j个温度传感器所采集到的电机三相绕组温度。
最后,统计这N个样本方差分布特征,μ1表示其均值,σ1表示其标准差。本发明实施例中例如为,μ1=0.2113,σ1=0.105。根据得到的电机三相绕组温度方差的统计分布特征,从而可得到电机异常状态在线预警初步监测的控制图。按照本发明的一个优选实施方式,这里譬如可采用均值-方差控制图CC1,其中上控制限UCL1=μ1+3σ1,中心线CL1=μ1,下控制限LCL1=μ1-3σ1。在如图3所示的实例中,也即上控制限UCL1=0.5263,中心线CL1=0.2113,下控制限LCL1=-0.1037。
步骤三:电机异常状态的在线预警
首先,可基于以上所计算出的方差等参考指标来判断当前时刻的电机三相绕组温度是否合理(譬如利用所对应获得的均值-方差控制图CC1),若合理则继续执行后续的监测预警,否则直接生成点检任务。
通过前面采用各类算法来建立的预测模型,对电机三相绕组温度平均值给出预测值,并将该预测值前面计算出的绕组温度平均值继续进行比较,同时判断两者的差值是否在预设的阈值区间内,由此继续判断当前时刻的电机三相绕组温度是否合理(譬如同样可利用所对应获得的差值控制图CC2),即以测量值和预测值的差值为监测指标来判断电机状态,若合理则继续监测,否则同样生成点检任务。
例如,在如图4所示的具体实例中,显示了实时监测电机三相绕组温度测量值和预测值的差值,其中上控制限UCL2=0.149,中心线CL2=0.00188,下控制限LCL2=-0.14512。
综上,本发明所提出的技术方案的基本解决思路是利用电机三相绕组温度历史数据得到其方差统计分布,并以方差为统计量运用控制图实现对电机三相绕组温度的初步监测;与此同时,还可利用SIS***历史数据及采用适当的算法建立电机三相绕组温度预测模型,通过实时监测绕组温度测量值和预测值的差值对电机三相绕组温度进一步监测,差值的阈值根据模型训练误差统计分布的3σ原则确定。通过两个层面的实时监测,对电机异常状态实现在线预警,从而有目的生成点检任务,保证机组正常稳定运行的同时,降低运维管理费用。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种电机异常状态在线预警方法,其特征在于,该方法包括下列步骤:
(i)在配备有SIS***也即厂级监控信息***的火电厂,针对作为监测对象的各类电机,基于该SIS***定时采集其中反映电机出力和运行状态相关参数的当前实时数据和历史数据;
(ii)从步骤(i)所采集的数据中,继续获取N组电机三相绕组温度的历史数据作为统计样本,然后分别计算各组样本的三相绕组温度实际测量值之间的方差同时统计这N组样本的方差分布特征,其中i为正整数表示各组样本的编号,且1≤i≤N;
(iii)采用神经网络算法来建立及训练针对电机三相绕组平均温度的预测模型,并且统计训练该预测模型的误差ei的分布特征;其中作为神经网络算法模型的输入参数,除了选择反映电机出力和运行状态的相关参数之外,还包含前t时刻点的电机三相绕组的平均温度;
(iv)首先基于步骤(ii)所计算及统计出的三相绕组温度实际测量值之间的方差及方差分布特征,判断当前时刻的电机三相绕组温度是否合理,由此实现对电机异常状态的初步预警;
此外,接着基于步骤(iii)所建立及训练的所述预测模型,将当前时刻的电机三相绕组温度的实际测量平均值与该时刻的预测值进行比较,同时判断两者的差值是否在预设的阈值区间内,由此执行对电机异常状态的二次预警。
2.如权利要求1所述的方法,其特征在于,在步骤(i)中,对所述当前实时数据的采集时间间隔为1s,对所述历史数据的采集时间间隔为1min。
3.如权利要求1或2所述的方法,其特征在于,在步骤(i)中,对所述历史数据执行筛选处理,即首先剔除存在数据缺失和数据异常的样本,然后剔除电机故障前后样本,最后还根据发电功率剔除电机未运行的样本。
4.如权利要求3所述的方法,其特征在于,在步骤(ii)中,还绘制相应的均值-方差控制图CC1,其中在该控制图中,设定上控制限UCL1=μ1+3σ1,中心线CL1=μ1,下控制限LCL1=μ1-3σ1;此外,所述均值μ1和标准差σ1采用以下公式来计算获得:
5.如权利要求4所述的方法,其特征在于,在步骤(iii)中,对所述预测模型的训练误差还绘制相应的均值-方差控制图CC2,其中在该控制图中,设定上控制限UCL2=μ2+3σ2,中心线CL2=μ2,下控制限LCL2=μ2-3σ2;此外,所述均值μ2和标准差σ2采用以下公式来计算获得,其中M表示训练该预测模型的样本个数:
6.如权利要求5所述的方法,其特征在于,在步骤(iv)中,还利用所绘制的均值-方差控制图CC1来进一步判定电机三相绕组温度是否合理:其中,控制对象为电机当前三相绕组温度实际测量值之间的方差,若该方差超出控制图CC1的上控制限和下控制限时予以报警。
7.如权利要求6所述的方法,其特征在于,在步骤(iv)中,还利用所绘制的均值-方差控制图CC2来进一步判定电机三相绕组温度是否合理:其中,控制对象为电机当前三相绕组温度实际测量值的平均值和预测值之间的差值,若该差值超出控制图CC2的上控制限和下控制限时予以报警。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810304340.1A CN108562854B (zh) | 2018-04-08 | 2018-04-08 | 一种电机异常状态在线预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810304340.1A CN108562854B (zh) | 2018-04-08 | 2018-04-08 | 一种电机异常状态在线预警方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108562854A CN108562854A (zh) | 2018-09-21 |
CN108562854B true CN108562854B (zh) | 2019-11-22 |
Family
ID=63534149
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810304340.1A Active CN108562854B (zh) | 2018-04-08 | 2018-04-08 | 一种电机异常状态在线预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108562854B (zh) |
Families Citing this family (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109492956A (zh) * | 2019-01-08 | 2019-03-19 | 北京国电智深控制技术有限公司 | 一种火力发电机组的运行参数预警方法和装置 |
CN109934356B (zh) * | 2019-01-11 | 2023-01-31 | 平安科技(深圳)有限公司 | 一种基于大数据的机房巡检方法及相关设备 |
CN110333443B (zh) * | 2019-06-12 | 2021-07-06 | 南京理工大学 | 感应电机定子绕组温升测试方法 |
CN110399412B (zh) * | 2019-06-21 | 2022-05-10 | 深圳顺络电子股份有限公司 | 测量数据***及其监控方法 |
CN110426634B (zh) * | 2019-09-10 | 2020-08-18 | 大制(苏州)科技有限公司 | 一种用于驱动***的异常预测的方法及设备 |
CN110926651A (zh) * | 2019-11-13 | 2020-03-27 | 芜湖伊莱特电气有限公司 | 一种配电柜检测方法与装置 |
CN111046582A (zh) * | 2019-12-27 | 2020-04-21 | 大亚湾核电运营管理有限责任公司 | 一种核电站柴油发电机组线圈温度预警方法及*** |
CN111594391A (zh) * | 2020-03-31 | 2020-08-28 | 华电电力科学研究院有限公司 | 一种风力发电塔筒倾斜度在线监测方法 |
CN111896114A (zh) * | 2020-07-29 | 2020-11-06 | 天津国电津能滨海热电有限公司 | 原煤仓智能测温方法及*** |
CN112132316A (zh) * | 2020-08-19 | 2020-12-25 | 张家口卷烟厂有限责任公司 | 制丝环节在线设备异常监控***及方法 |
CN112213638B (zh) * | 2020-10-28 | 2021-12-14 | 瑞声新能源发展(常州)有限公司科教城分公司 | 一种电机线圈的发热状态监测方法、相关设备和介质 |
CN113532693A (zh) * | 2021-07-21 | 2021-10-22 | 国网河北省电力有限公司检修分公司 | 一种基于双sf6表监测的电力设备温升测试方法 |
CN114613110B (zh) * | 2022-01-29 | 2023-08-18 | 上海至冕伟业科技有限公司 | 基于消防物联网的消防水***故障检测预警***及方法 |
US20240235454A9 (en) * | 2022-10-20 | 2024-07-11 | Deere & Company | Deep learning models for electric motor winding temperature estimation and control |
CN115859092B (zh) * | 2022-12-01 | 2023-11-17 | 南京天洑软件有限公司 | 一种基于主成分分解的发电机绕组温度预警方法及装置 |
CN116095305B (zh) * | 2023-04-12 | 2023-08-25 | 长鑫存储技术有限公司 | 用于对图像采集***进行监测的方法、设备及介质 |
CN117192989A (zh) * | 2023-09-19 | 2023-12-08 | 广州市赛思达机械设备有限公司 | 一种旋转热风炉智能控制方法、***、设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102721924A (zh) * | 2012-06-26 | 2012-10-10 | 新疆金风科技股份有限公司 | 风力发电机组的故障预警方法 |
CN103471729A (zh) * | 2013-09-27 | 2013-12-25 | 北京天源科创风电技术有限责任公司 | 一种装置温度预警方法及其应用 |
CN106017729A (zh) * | 2016-05-19 | 2016-10-12 | 太原理工大学 | 一种基于统计过程控制的电机温度监控方法 |
CN107153929A (zh) * | 2017-07-10 | 2017-09-12 | 龙源(北京)风电工程技术有限公司 | 基于深度神经网络的风电机组齿轮箱故障监测方法及*** |
-
2018
- 2018-04-08 CN CN201810304340.1A patent/CN108562854B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102721924A (zh) * | 2012-06-26 | 2012-10-10 | 新疆金风科技股份有限公司 | 风力发电机组的故障预警方法 |
CN103471729A (zh) * | 2013-09-27 | 2013-12-25 | 北京天源科创风电技术有限责任公司 | 一种装置温度预警方法及其应用 |
CN106017729A (zh) * | 2016-05-19 | 2016-10-12 | 太原理工大学 | 一种基于统计过程控制的电机温度监控方法 |
CN107153929A (zh) * | 2017-07-10 | 2017-09-12 | 龙源(北京)风电工程技术有限公司 | 基于深度神经网络的风电机组齿轮箱故障监测方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN108562854A (zh) | 2018-09-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108562854B (zh) | 一种电机异常状态在线预警方法 | |
CN106384210B (zh) | 一种基于检修风险收益的输变电设备检修优先级排序方法 | |
CN105403811B (zh) | 风电场电网故障诊断方法和装置 | |
CN110320892A (zh) | 基于Lasso回归的污水处理设备故障诊断***及方法 | |
CN112863134A (zh) | 一种农村污水处理设施运行异常的智能诊断***及方法 | |
CN116187593B (zh) | 一种配电网故障预测处理方法、装置、设备、存储介质 | |
CN110276511A (zh) | 一种基于电量与线损关联性的线变关系异常判别方法 | |
CN110311709A (zh) | 用电信息采集***故障判别方法 | |
CN115356592B (zh) | 一种新型低压配电设备的故障监测方法及*** | |
CN110209144B (zh) | 基于动静协同差异分析的两层实时监测与报警溯源方法 | |
CN116937575A (zh) | 一种网格***用的能源监控管理*** | |
CN115566804B (zh) | 一种基于分布式光纤传感技术的电力监测*** | |
CN116820014B (zh) | 一种交通机电设备智能化监控预警方法及*** | |
CN110879586A (zh) | 一种调相机故障诊断和状态监测方法和*** | |
CN111159487A (zh) | 一种汽车发动机主轴预测性维护智能*** | |
CN110750760B (zh) | 一种基于态势感知和控制图的异常理论线损检测方法 | |
CN110033181B (zh) | 一种基于自编码器的发电设备状态评估方法 | |
CN114876717A (zh) | 一种水轮发电机组运行故障的保护方法及*** | |
CN109858125B (zh) | 一种基于径向基神经网络的火电机组供电煤耗计算方法 | |
CN117394535A (zh) | 交直流混合配电网数字孪生*** | |
CN116388685A (zh) | 一种太阳能电池板运行控制*** | |
CN111986469A (zh) | 一种现场终端故障智能化诊断的方法 | |
CN112785142A (zh) | 物联网污水处理设备预警智慧工单方法及其*** | |
CN113129160A (zh) | 一种基于设备状态感知和智能化的电力通信网络巡检方法 | |
CN117474345B (zh) | 一种智慧环境环保远程实时监测预警方法及*** |
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 |