CN110263846B - 基于故障数据深度挖掘及学习的故障诊断方法 - Google Patents

基于故障数据深度挖掘及学习的故障诊断方法 Download PDF

Info

Publication number
CN110263846B
CN110263846B CN201910527452.8A CN201910527452A CN110263846B CN 110263846 B CN110263846 B CN 110263846B CN 201910527452 A CN201910527452 A CN 201910527452A CN 110263846 B CN110263846 B CN 110263846B
Authority
CN
China
Prior art keywords
fault
data
learning
sample set
adopting
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
CN201910527452.8A
Other languages
English (en)
Other versions
CN110263846A (zh
Inventor
曾德良
张威
胡勇
刘吉臻
牛玉广
冯树臣
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.)
North China Electric Power University
GD Power Development Co Ltd
Original Assignee
North China Electric Power University
GD Power Development 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 North China Electric Power University, GD Power Development Co Ltd filed Critical North China Electric Power University
Priority to CN201910527452.8A priority Critical patent/CN110263846B/zh
Publication of CN110263846A publication Critical patent/CN110263846A/zh
Application granted granted Critical
Publication of CN110263846B publication Critical patent/CN110263846B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2465—Query processing support for facilitating data mining operations in structured databases
    • 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
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks

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)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computational Linguistics (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Fuzzy Systems (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明属于发电机组设备故障诊断技术领域，尤其涉及一种基于故障数据深度挖掘及学习的故障诊断方法，包括：对发电机组历史数据进行采集、预处理后采用深度长短时记忆网络算法进行学习和训练，得到故障数据筛选模型后遍历海量历史数据库，筛选形成故障数据样本集；对故障数据样本集采用Medoids周围分类法估计故障类型数目，采用K‑Means聚类算法进行聚类分析，形成多类典型故障样本集；对多类典型故障样本集采用LSTM神经网络算法进行训练和学习，建立故障诊断模型；基于故障诊断模型对***实时运行数据进行监测，对***运行状态进行判别并记录新产生的故障样本，利用更新后的多类典型故障样本集对故障诊断模型进行更新。

Description

基于故障数据深度挖掘及学习的故障诊断方法
技术领域
本发明属于发电机组设备故障诊断技术领域，尤其涉及一种基于故障数据深度挖掘及学习的故障诊断方法。
背景技术
设备故障诊断技术对于工业设备日常安全至关重要，它不仅关系到日常生产安排和设备检修，还能发现设备隐性故障并及时排除，避免重要设备突发性故障影响生产过程的整体安全及稳定。故障诊断的前提是对设备状态量的监测与分析，以发电厂为例，发电厂中监控***应用十分广泛，且配备了可以存储电厂海量运行数据的历史数据库。电厂运行数据内容丰富，几个月的数据往往就能涵盖设备运行的所有工况，但电厂的数据存储量庞大且分析困难，近些年来兴起的数据挖掘方法结合深度学习技术能有效地解决这一问题。
故障诊断识别方法本质就是数据挖掘的和深度学习中的分类和回归问题，以往的故障诊断方法常用傅里叶变换、小波变换、统计分析、频谱分析等方法，这些处理方法往往依赖信号处理技术和诊断经验，人工提取故障特征繁琐复杂，增加了诊断的复杂性。
发明内容
针对上述问题，本发明提出了一种基于历史数据挖掘及深度学习的故障诊断方法，包括：
步骤1：对发电机组历史数据进行采集、预处理后采用深度长短时记忆网络算法进行学习和训练，得到故障数据筛选模型后遍历海量历史数据库，筛选形成故障数据样本集；
步骤2：对故障数据样本集采用Medoids周围分类法估计故障类型数目，采用K-Means聚类算法进行聚类分析，形成多类典型故障样本集；
步骤3：对多类典型故障样本集采用LSTM神经网络算法进行训练和学习，建立故障诊断模型；
步骤4：基于故障诊断模型对***实时运行数据进行监测，对***运行状态进行判别并记录新产生的故障样本，利用更新后的多类典型故障样本集对故障诊断模型进行更新。
所述预处理包括：对历史数据进行里离散点检测、缺失值补全和归一化处理，将特征缩放到特定区间，保留了原有的分布，使得神经网络快速收敛。
所述深度长短时记忆网络算法包括：遗忘门、输入门、记忆门和输出门；
所述步骤1中的训练采用RMSProp优化算法，结合梯度平方的指数移动平均数调节学习率的变化。
所述筛选形成故障数据样本集包括：用故障数据筛选模型进行前向计算，将故障数据筛选模型的预测值与历史实际值进行比较，根据皮尔逊相关系数进行数据异常判别，挖掘***故障数据并形成故障数据样本集。
所述步骤3包括：在LSTM神经网络的输出层之后添加一个适用于多分类的激活函数，得到最终各个分类的概率值并且概率值总和为1。
所述激活函数采用Softmax激活函数。
本发明的有益效果：
(1)使用了深度神经网络来建立故障数据筛选模型，故障判断准确快速，可迁移性强，适合应用于很多工业现场场景的故障诊断
(2)***实时运行，记录新故障，不断采集可能发生的新故障和混合故障，形成新的故障样本库更新故障判断网络，模型做到了自更新，提升故障诊断模型的鲁棒性和可靠性。
(3)本方法不需要具有很丰富的先验知识，也不需要专业性极强的信号前处理过程，可以从数据中直接挖掘故障特征，进而进行故障分类和定量识别。
附图说明
图1为本发明的方法流程图。
图2为LSTM基本结构图。
图3为故障判断效果图。
图4为故障聚类效果图。
具体实施方式
如图1所示，本发明所述的一种基于深度学习、历史数据挖掘的故障诊断技术，实现了对***实时运行故障的监测和诊断，保证***安全可靠运行，包括以下步骤：
第一步，历史故障数据深度挖掘。
(1)历史数据采集。根据***的输入/输出变量，从机组海量历史数据库中，采集***正常运行时间段内的有效历史数据，并对历史数据进行里离散点检测、缺失值补全和归一化等预处理，将特征缩放到特定区间，保留了原有的分布，使得神经网络快速收敛。归一化的公式为：
Figure BDA0002098679070000031
其中，xi为原始数据，xmax为原始数据中的最大值，xmin为原始数据中的最小值，
Figure BDA0002098679070000032
为归一化后的数据。
(2)故障数据筛选模型训练和学习。将归一化后的数据进行深度学习的训练，考虑到历史数据包含时间信息且前后数据具有较强的相关性，采用了包含有时间信息、能对***参数良好预测的深度长短时记忆网络(Long Short Term Memory Network，LSTM)算法对预处理后的历史数据进行学习和训练，循环神经网络包含有时间信息，能对故障进行更好的分类。LSTM的基本结构如图2所示，基本的结构包括遗忘门(Forget Gate)、输入门(InputGate)、记忆门(Cell Gate)和输出门(Output Gate)。
遗忘门选择忘记过去的某些信息：
ft＝σ(Wf·[ht-1,xt]+bf) (2)
输入门记忆现在的某些信息：
Figure BDA0002098679070000041
记忆门将过去与现在的记忆合并：
Figure BDA0002098679070000042
输出门输出神经网络的计算值：
Figure BDA0002098679070000043
其中，输入向量xt对应输入的测点，it，ft，Ct，ot分别表示t时刻输入门、遗忘门、记忆门和输出门的向量值，Wi，Wf，WC，Wo分别表示t时刻输入门、遗忘门、记忆门和输出门的权重矩阵，bi，bf，bC，bo分别表示t时刻输入门、遗忘门、记忆门和输出门的偏置值。tanh(·)为双曲正切函数。σ(·)为sigmoid函数。
训练过程中为了使模型收敛且快速达到极值，采用有监督学习的算法，得到正常运行工况下的深度神经网络故障数据筛选模型。
损失函数采用交叉熵代价函数：
Figure BDA0002098679070000044
其中，x表示样本，n表示样本总数，y表示真实值，a表示判断值。
训练神经网络采用RMSProp优化算法，结合梯度平方的指数移动平均数调节学习率的变化，神经网络在目标函数下能够很好地收敛。
(3)故障数据筛选。遍历海量的历史工况数据，用故障数据筛选模型进行前向计算，将故障数据筛选模型的预测值与历史实际值进行比较，根据皮尔逊相关系数进行数据异常判别，挖掘***故障数据并形成故障数据样本集。对于两个样本数据，皮尔逊相关系数的计算公式为：
Figure BDA0002098679070000051
其中，r为皮尔逊相关系数值，值在[0,1]区间之间，Xi，Yi为两个不同的样本数据。
第二步：故障样本数据分类
在筛选出故障数据后，需要对故障数据进行聚类分析。聚类算法是一种无监督的方法，使用数据挖掘中聚类分析方法检测，根据不同样本之间的距离大小进行计算，从而形成新的故障样本。
(1)针对形成的故障数据样本集，采用Medoids周围分类法方法估计最优的聚类数目，即***故障类型数目。
(2)采用K-Means聚类算法对故障样本集进行聚类分析，将故障模式分为固定类别并标记标签，形成多类典型故障样本集。
K-Means算法首先通过估计算法和交叉验证确定分类数目k和根据启发式算法确定质心。然后根据公式8计算N个样本和k个初始中心点的距离，按照距离大小将N个样本分给最近的中心点，形成k个聚类。
Figure BDA0002098679070000052
之后求解聚类中心点：计算每类中所有对象的平均值，并以此作为k个聚类新的聚类中心。直到达到收敛时结束，用公式9判断是否收敛。
Figure BDA0002098679070000053
其中mi为Ci类的聚类中心，Zq为Ci类中的样本，聚类的效果如图3所示。
第三步：神经网络故障诊断模型训练
以多类典型故障样本集为基础，采用LSTM神经网络算法进行训练和学习，建立LSTM神经网络故障诊断模型，故障的分类为多分类的任务，在LSTM神经网络的输出层之后添加一个适用于多分类的激活函数，得到最终各个分类的概率值并且概率值总和为1。
在神经网络的输出层的多分类的激活函数采用Softmax激活函数，得到最终各个分类(正常及各种故障)的概率值。
Figure BDA0002098679070000061
其中，zi为每个元素的值，S(·)为各个元素的概率值，各元素的概率值和为1。
在利用磨煤机***为例的故障诊断分类中，训练效果如图4所示，可见诊断正确率可达到98.5％以上。
第四步：***故障在线识别及故障数据库在线更新
(1)基于LSTM神经网络故障诊断模型对实时数据进行监测，将***实时运行数据接入故障诊断模型进行神经网络正向计算，对***运行状态进行实时识别；
(2)对于判断不够准确的故障样本，可能是发生了混合故障或新的故障，将判断不够准确的故障样本数据进行记录保存；在第三步中，计算出的最终Softmax函数值在区间[0.3,0.7]之间的数据，说明故障诊断模型判断不精准，很有可能发生了混合故障或者出现了新的故障，将这部分的数据保存下来，进行下一步的分析。
***运行一段时间后，当混合故障或新故障样本数据达到一定要求后，再次对故障数据进行聚类分析处理，形成新的多类典型故障样本集，利用新多类典型故障样本集去实施更新LSTM神经网络故障诊断模型，使得故障诊断模型能够学习到新的样本数据，提高故障诊断方法的准确性和实时更新性能。模型在初步投入使用时需要进行海量数据的训练模型达到一个初步的故障诊断分类效果，随着***的一直运行，本方法会一直实时自动更新，学习得到新的故障样本特征，使模型学习得到新的故障样本特征和分类，达到故障诊断方法的全自动运行与更新。
此实施例仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (1)

1.一种基于历史数据挖掘及深度学习的故障诊断方法，其特征在于，包括：
步骤1：对发电机组历史数据进行采集、预处理后采用深度长短时记忆网络算法进行学习和训练，得到故障数据筛选模型后遍历海量历史数据库，筛选形成故障数据样本集；
步骤2：对故障数据样本集采用Medoids周围分类法估计故障类型数目，采用K-Means聚类算法进行聚类分析，形成多类典型故障样本集；
步骤3：对多类典型故障样本集采用LSTM神经网络算法进行训练和学习，建立故障诊断模型；
步骤4：基于故障诊断模型对***实时运行数据进行监测，对***运行状态进行判别并记录新产生的故障样本，利用更新后的多类典型故障样本集对故障诊断模型进行更新；
所述预处理包括：对历史数据进行里离散点检测、缺失值补全和归一化处理，将特征缩放到特定区间，保留了原有的分布，使得神经网络快速收敛；
所述深度长短时记忆网络算法包括：遗忘门、输入门、记忆门和输出门；
所述步骤1中的训练采用RMSProp优化算法，结合梯度平方的指数移动平均数调节学习率的变化；
所述筛选形成故障数据样本集包括：用故障数据筛选模型进行前向计算，将故障数据筛选模型的预测值与历史实际值进行比较，根据皮尔逊相关系数进行数据异常判别，挖掘***故障数据并形成故障数据样本集；
所述步骤3包括：在LSTM神经网络的输出层之后添加一个适用于多分类的激活函数，得到最终各个分类的概率值并且概率值总和为1；
所述激活函数采用Softmax激活函数。
CN201910527452.8A 2019-06-18 2019-06-18 基于故障数据深度挖掘及学习的故障诊断方法 Active CN110263846B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910527452.8A CN110263846B (zh) 2019-06-18 2019-06-18 基于故障数据深度挖掘及学习的故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910527452.8A CN110263846B (zh) 2019-06-18 2019-06-18 基于故障数据深度挖掘及学习的故障诊断方法

Publications (2)

Publication Number Publication Date
CN110263846A CN110263846A (zh) 2019-09-20
CN110263846B true CN110263846B (zh) 2021-12-28

Family

ID=67919056

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910527452.8A Active CN110263846B (zh) 2019-06-18 2019-06-18 基于故障数据深度挖掘及学习的故障诊断方法

Country Status (1)

Country Link
CN (1) CN110263846B (zh)

Families Citing this family (47)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110658807A (zh) * 2019-10-16 2020-01-07 上海仁童电子科技有限公司 一种车辆故障诊断方法、装置及***
CN110736968B (zh) * 2019-10-16 2021-10-08 清华大学 基于深度学习的雷达异常状态诊断方法
CN110909782A (zh) * 2019-11-15 2020-03-24 湘潭大学 一种基于多特征结合深度学习对机床主轴故障的诊断方法
CN110954326A (zh) * 2019-12-17 2020-04-03 北京化工大学 一种自动学习特征表达的滚动轴承在线故障诊断方法
CN111126489A (zh) * 2019-12-24 2020-05-08 广东电网有限责任公司 一种基于集成学习的输电设备状态评价方法
CN111126603A (zh) * 2019-12-25 2020-05-08 江苏远望仪器集团有限公司 基于神经网络模型的设备故障预测方法、装置及设备
CN111190349A (zh) * 2019-12-30 2020-05-22 中国船舶重工集团公司第七一一研究所 船舶机舱设备状态监测及故障诊断方法、***及介质
CN111222549B (zh) * 2019-12-30 2023-10-24 航天时代飞鸿技术有限公司 一种基于深度神经网络的无人机故障预测方法
CN111157898A (zh) * 2020-01-07 2020-05-15 清华大学深圳国际研究生院 一种新能源车辆在线电池故障检测分析方法及装置
CN111259947A (zh) * 2020-01-13 2020-06-09 国网浙江省电力有限公司信息通信分公司 一种基于多模态学习的电力***故障预警方法和***
CN111275198B (zh) * 2020-01-16 2023-10-24 北京理工大学 一种轴承异常检测方法及***
CN111292200A (zh) * 2020-01-17 2020-06-16 国网浙江嘉善县供电有限公司 一种基于运行数据的配网典型故障研判方法
CN111310825A (zh) * 2020-02-14 2020-06-19 逸驾智能科技有限公司 用于分析汽车故障的方法和装置
CN111325262A (zh) * 2020-02-14 2020-06-23 逸驾智能科技有限公司 用于分析汽车故障的方法和装置
CN111325257A (zh) * 2020-02-14 2020-06-23 逸驾智能科技有限公司 用于分析汽车故障的方法和装置
JP6865901B1 (ja) * 2020-03-30 2021-04-28 三菱電機株式会社 診断システム、診断方法及びプログラム
CN111458630B (zh) * 2020-04-09 2022-09-06 广东电网有限责任公司 一种高压断路器故障诊断方法
CN111428886B (zh) * 2020-04-10 2023-08-04 青岛聚好联科技有限公司 一种故障诊断的深度学习模型自适应更新的方法及装置
CN113533875B (zh) * 2020-04-22 2024-02-23 释普信息科技（上海）有限公司 智能化判断实验室设备运行状态及计算设备利用率的方法
CN111562496A (zh) * 2020-05-15 2020-08-21 北京天工智造科技有限公司 一种基于数据挖掘的电机运行状态判断方法
CN111858926A (zh) * 2020-06-08 2020-10-30 北京市基础设施投资有限公司(原北京地铁集团有限责任公司) 一种基于多元异构数据的管廊设备故障预测方法及***
CN111814832A (zh) * 2020-06-11 2020-10-23 上海联影智能医疗科技有限公司 一种目标检测方法、装置及存储介质
CN111736574B (zh) * 2020-06-28 2023-12-05 江苏方天电力技术有限公司 一种通用的火电厂故障诊断***及其诊断方法
CN111879397B (zh) * 2020-09-01 2022-05-13 国网河北省电力有限公司检修分公司 高压断路器储能机构故障诊断方法
CN111765449B (zh) * 2020-09-03 2020-12-29 浙江省能源集团有限公司 一种基于长短期记忆网络的过热器爆泄预警方法
CN112183877A (zh) * 2020-10-13 2021-01-05 上海大学 一种基于迁移学习的光伏电站故障智能诊断方法
CN112381248A (zh) * 2020-11-27 2021-02-19 广东电网有限责任公司肇庆供电局 一种基于深度特征聚类和lstm的配电网故障诊断方法
CN112433927A (zh) * 2020-11-30 2021-03-02 西安理工大学 基于时间序列聚类和lstm的云服务器老化预测方法
CN112814784A (zh) * 2020-12-29 2021-05-18 江苏奥畋工程科技有限公司 一种基于复杂网络的智慧船舶轮机故障诊断***
CN112862151A (zh) * 2020-12-31 2021-05-28 华电国际电力股份有限公司天津开发区分公司 一种裤衩腿型循环流化床锅炉机组床压预测方法
CN113157992B (zh) * 2021-01-29 2022-09-30 河北建投新能源有限公司 风机传感器数据重构方法、装置与计算机可读存储介质
CN112861989A (zh) * 2021-03-04 2021-05-28 水利部信息中心 一种基于密度筛选的深度神经网络回归模型
CN113111585A (zh) * 2021-04-15 2021-07-13 德州欧瑞电子通信设备制造有限公司 一种智能机柜故障预测方法、***及智能机柜
CN113721207B (zh) * 2021-08-31 2023-10-31 北京无线电测量研究所 一种基于大数据的雷达时寿件更换的预警方法和***
CN113743531A (zh) * 2021-09-14 2021-12-03 华润电力技术研究院有限公司 一种设备工况预警方法及相关装置
CN114036998A (zh) * 2021-09-24 2022-02-11 浪潮集团有限公司 一种基于机器学习对工业硬件进行故障检测的方法及***
CN113807023A (zh) * 2021-10-04 2021-12-17 北京亚鸿世纪科技发展有限公司 基于门控循环单元网络的工业互联网设备故障预测方法
CN114243799B (zh) * 2022-01-05 2023-11-07 国网浙江省电力有限公司宁波供电公司 基于分布式电源的深度强化学习配电网故障恢复方法
CN114490836B (zh) * 2022-04-15 2022-08-02 国网天津市电力公司电力科学研究院 一种适用于电动汽车充电故障的数据挖掘处理方法
CN114881074B (zh) * 2022-04-24 2023-08-08 同济大学 一种基于聚类-深度学习的工程结构变形预测方法
CN115129504B (zh) * 2022-08-30 2022-11-15 创域智能(常熟)网联科技有限公司 基于云边端一体化的智慧电网数据处理方法及服务器
CN115580526B (zh) * 2022-09-30 2024-03-22 中国人民解放军陆军工程大学 一种通信网络故障诊断方法、***、电子设备及存储介质
CN116400675B (zh) * 2023-06-09 2023-09-15 西南交通大学 基于改进cnn-lstm模型的故障诊断***及方法
CN116519021B (zh) * 2023-06-29 2023-09-15 西北工业大学 一种惯性导航***故障诊断方法、***及设备
CN116720073A (zh) * 2023-08-10 2023-09-08 江苏金恒信息科技股份有限公司 一种基于分类器的异常检测提取方法与***
CN117131457B (zh) * 2023-10-26 2024-01-26 杭州海兴泽科信息技术有限公司 基于ai模型的电力大数据采集处理方法及***
CN117270482A (zh) * 2023-11-22 2023-12-22 博世汽车部件(苏州)有限公司 基于数字孪生的汽车工厂控制***

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108681747A (zh) * 2018-05-11 2018-10-19 武汉理工大学 基于深度学习的旋转机械故障诊断与状态监测***及方法
CN109555566A (zh) * 2018-12-20 2019-04-02 西安交通大学 一种基于lstm的汽轮机转子故障诊断方法
CN109583570A (zh) * 2018-11-30 2019-04-05 重庆大学 基于深度学习确定桥梁健康监测***异常数据来源的方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103927336A (zh) * 2014-03-26 2014-07-16 北京邮电大学 基于地理位置的数据聚类挖掘***及方法
CN106372412B (zh) * 2016-08-31 2019-03-26 北京可视化节能科技股份有限公司 联动设备能效分析方法
CN107563426B (zh) * 2017-08-25 2020-05-22 清华大学 一种机车运行时序特征的学习方法
CN107944622B (zh) * 2017-11-21 2021-10-26 华北电力大学 基于连续时段聚类的风电功率预测方法
CN108197648B (zh) * 2017-12-28 2020-06-05 华中科技大学 一种基于lstm深度学习模型的水电机组故障诊断方法与***
CN108376264A (zh) * 2018-02-26 2018-08-07 上海理工大学 一种基于支持向量机增量学习的冷水机组故障诊断方法
CN108594788B (zh) * 2018-03-27 2020-09-22 西北工业大学 一种基于深度随机森林算法的飞机作动器故障检测与诊断方法
CN109738776A (zh) * 2019-01-02 2019-05-10 华南理工大学 基于lstm的风机变流器开路故障识别方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108681747A (zh) * 2018-05-11 2018-10-19 武汉理工大学 基于深度学习的旋转机械故障诊断与状态监测***及方法
CN109583570A (zh) * 2018-11-30 2019-04-05 重庆大学 基于深度学习确定桥梁健康监测***异常数据来源的方法
CN109555566A (zh) * 2018-12-20 2019-04-02 西安交通大学 一种基于lstm的汽轮机转子故障诊断方法

Also Published As

Publication number Publication date
CN110263846A (zh) 2019-09-20

Similar Documents

Publication Publication Date Title
CN110263846B (zh) 基于故障数据深度挖掘及学习的故障诊断方法
CN113255848B (zh) 基于大数据学习的水轮机空化声信号辨识方法
CN103473540B (zh) 智能交通***车辆轨迹增量式建模与在线异常检测方法
CN112414694B (zh) 基于多元状态估计技术的设备多级异常状态识别方法及装置
CN113378990B (zh) 基于深度学习的流量数据异常检测方法
CN113762329A (zh) 一种大型轧机状态预测模型的构建方法及构建***
CN110738255A (zh) 一种基于聚类算法的设备状态监测方法
CN111538311B (zh) 一种基于数据挖掘的机械设备柔性多状态自适应预警方法及装置
CN117421684B (zh) 基于数据挖掘和神经网络的异常数据监测与分析方法
CN110851422A (zh) 一种基于机器学习的数据异常监测模型构建方法
CN117611015B (zh) 一种建筑工程质量实时监测***
CN112363896A (zh) 日志异常检测***
CN115409131A (zh) 基于spc过程管控***的生产线异常检测方法
CN111833175A (zh) 基于knn算法的互联网金融平台申请欺诈行为检测方法
CN116484289A (zh) 一种碳排放异常数据检测方法、终端及存储介质
CN114118219A (zh) 基于数据驱动的长期加电设备健康状态实时异常检测方法
CN117193222A (zh) 一种基于工业物联网和大数据的智能质量控制***及其控制方法
CN110689140A (zh) 一种通过大数据进行轨交报警数据智能管理的方法
CN111984514A (zh) 基于Prophet-bLSTM-DTW的日志异常检测方法
CN117014193A (zh) 一种基于行为基线的未知Web攻击检测方法
CN114167837B (zh) 一种铁路信号***的智能故障诊断方法及***
CN113098640B (zh) 一种基于频道占用度预测的频谱异常检测方法
CN111222203A (zh) 一种轴承使用寿命模型创建及其预测方法
CN116956089A (zh) 电器设备温度异常检测模型训练方法以及检测方法
CN113449809A (zh) 一种基于kpca-nsvdd的电缆绝缘在线监测方法

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
GR01 Patent grant