CN110703214B - 一种气象雷达状态评估和故障监测方法 - Google Patents

一种气象雷达状态评估和故障监测方法 Download PDF

Info

Publication number
CN110703214B
CN110703214B CN201910978096.1A CN201910978096A CN110703214B CN 110703214 B CN110703214 B CN 110703214B CN 201910978096 A CN201910978096 A CN 201910978096A CN 110703214 B CN110703214 B CN 110703214B
Authority
CN
China
Prior art keywords
alarm
radar
data
state
time
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
CN201910978096.1A
Other languages
English (en)
Other versions
CN110703214A (zh
Inventor
王大林
曾聿赟
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.)
Hechen Ziyi Jiaxing Technology Co ltd
Original Assignee
Hechen Ziyi Jiaxing Technology 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 Hechen Ziyi Jiaxing Technology Co ltd filed Critical Hechen Ziyi Jiaxing Technology Co ltd
Priority to CN201910978096.1A priority Critical patent/CN110703214B/zh
Publication of CN110703214A publication Critical patent/CN110703214A/zh
Application granted granted Critical
Publication of CN110703214B publication Critical patent/CN110703214B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/40—Means for monitoring or calibrating
    • 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
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明公开了一种气象雷达状态评估和故障监测方法，首先采用数据重构分析模块对雷达的在线监测参数进行分析，若分析结果未发现异常，则给出雷达处于正常运行状态的结果并输出；若分析结果认为雷达偏离正常状态，则调用报警信号分析模块进行报警信号的分析，若报警分析同样认为雷达处在异常状态，则输出雷达状态异常的结果，并给出预警，若报警分析未发现异常，则仍认为雷达处于正常状态。本发明可对雷达现有的在线监测数据和报警信号进行实时分析，评估其健康状态，对雷达可能出现的异常工作状态进行探测和预警，从而为雷达的维护管理提供参考信息。

Description

一种气象雷达状态评估和故障监测方法
技术领域
本发明涉及一种气象雷达状态评估和故障监测方法。
背景技术
气象灾害通常为致灾因子、孕灾环境、承灾体、防灾减灾能力共同作用的结果，其中，承灾体作为灾害发生的重要环节之一与人类***、社会经济***关系最为密切，因此，对气象灾害风险评估的研究得到了广泛的重视。
风险预估：应主要基于实时气象资料、历史气象资料、预报预测数据、暴雨洪涝风险区划数据、历史灾情数据、人口和住宅数据，进行致灾因子气候背景分析、叠加分析、综合对比分析，生成暴雨洪涝灾前预评估产品，预估过程可由专家订正调整权重，以保证结果更接近实际，最后输出灾害风险预估报告；而对气象雷达的状态评估和故障监测可以有效确保对气象状态的正确预测。
发明内容
为解决现有技术中气象雷达状态缺少有效的评估和故障监测，可能会得出错误的实时气象资料的缺陷，提供一种气象雷达状态评估和故障监测方法。
一种气象雷达状态评估和故障监测方法，首先采用数据重构分析模块对雷达的在线监测参数进行分析，若分析结果未发现异常，则给出雷达处于正常运行状态的结果并输出；若分析结果认为雷达偏离正常状态，则调用报警信号分析模块进行报警信号的分析，若报警分析同样认为雷达处在异常状态，则输出雷达状态异常的结果，并给出预警，若报警分析未发现异常，则仍认为雷达处于正常状态。雷达处在特定工况下时，其各个监测参数之间往往存在着一定的相关关系，数据重构分析方法正是通过挖掘这种监测参数间的相关关系实现对雷达运行状态的评判。
进一步的，所述的数据重构分析模块用于对正常运行状态下的监测数据进行分析，采用重构算法建立参数间相关关系的模型，然后采用建立的相关模型对在线监测数据进行检验，若发现监测数据与相关模型出现显著偏离，则可判断雷达当前的状态偏离了正常运行状态，从而实现异常状态的探测。
进一步的，所述数据重构分析模块用于对正常运行状态下的监测数据进行分析的方法包括以下步骤：
S1、数据采集
设计数据接口，从雷达运行状态监测数据的历史数据库中获取历史监测数据、报警数据和维修记录等数据。
S2、数据预处理
根据数据的实际情况，对获取的数据进行必要的预处理，提高数据质量；预处理的步骤包括但不限于：异常值剔除、缺失值处理、滤波、降噪、归一化/标准化、时间轴均匀化等。
S3、关键参数筛选
根据报警数据和维修记录，提取出雷达处于某种或某些故障状态及异常状态的数据点，并给予相应的标记(如1)，再提取数量相当的正常状态下的数据点，给予相应标记(如0)；采用逐步回归方法，以雷达监测数据为输入，对数据点的标记为输出建立模型，由逐步回归系数得到各个监测参数与雷达状态的相关程度，从中筛选出相关性较高的一组参数作为后续分析的数据；
S4、重构模型构建
在上一步筛选出的一组监测参数中，选取与雷达状态相关程度最高的一个参数作为待重构参数，记为y，其他参数作为重构模型的输入参数，称为关系参数，记为xi，i＝1,2,…,M，采用长短时记忆网络算法(LSTM)建立参数的重构模型；
具体的建模过程为：首先从历史数据中选取雷达正常运行状态的数据，然后选定合适的建模时间窗口大小T，对每个时刻点t，以该点的待重构参数yt为输出，该点往前T时间内(不包括该时刻点)关系参数的时间序列构成的矩阵Xt作为输入：
Figure BDA0002234312130000031
构建训练数据集，将训练数据集进一步分为训练集和验证集两部分，将训练集输入LSTM中进行网络的训练，得到参数的重构模型：
y＝f(X)
统计重构模型在验证集上的预测误差，并基于此确定预测误差阈值eth；
S5、在线数据获取及预处理
在雷达在线运行的过程中，通过数据接口从在线监测传感器上获取实时监测数据，对在线监测数据进行与S2完全相同的预处理，其中进行数据归一化或标准化时采用与训练阶段完全相同的参数；预处理后提取其中的待重构参数和关系参数进行后续处理。
S6、基于重构模型的在线状态判别
在每个监测时刻点上，采用与训练过程相同大小的时间窗，取其前T时间内的关系参数时间序列构成的矩阵X，输入到训练过程构建的重构模型中，得到当前时刻点下待重构参数的预测值：
Figure BDA0002234312130000041
通过比较重构模型的预测值与其实际测量值之间的差别得到重构模型的预测误差，与S4中确定的误差阈值进行比较，统计一段时间内预测误差超过误差阈值的时间比例，若其超过给定值α，则判定雷达当前处于异常工作状态，反之则认为雷达处在正常状态。其中判定标准α是一个0到1之间的常数，用于平衡漏警率和虚警率，其具体取值通常由经验确定，α取得越小则模型对参数的波动越敏感，相应的漏警率会降低而虚警率提高。
进一步的，所述报警信号分析模块进行报警信号的分析的流程包括以下步骤：
S1、数据采集
设计数据接口，从雷达历史数据库中获取一定时间范围内的报警记录和故障记录；
S2、报警统计分析
结合雷达故障记录，选定一个故障报警关联时间窗口长度T1，统计每种报警Ai的若干统计特征以表征该报警的紧急程度，具体包括：
Ni，数据中该报警出现的总次数；
P1i，该报警出现在真实故障前T1时间内的频度，即
Figure BDA0002234312130000051
其中Nfi为该报警在所有故障前T1时间内的出现的总次数；
P2i，所有故障发生前T1时间内出现该报警的故障频度，即
Figure BDA0002234312130000052
其中NF是故障发生的总次数，NFi为所有故障中前T1时间内出现过该报警的故障次数。
S3、报警评分与分级
分别建立三项统计特征的评分函数，根据特征的取值计算相应的得分，由三项指标的得分加和得到报警Ai的总得分，根据总得分值对各个报警进行分级；
S4、伴随关系分析
对每个属于KA的报警信号，取一关联分析时间窗口T2，统计时间窗口内的所有报警，按发生次数排序，取发生次数最多的10个报警作为KA的伴随报警；将所有KA的伴随报警整合在一起，构建KA关联报警组。
S5、基于报警信号分析的雷达状态判断
在线运行中，取一报警统计时间窗口T3，获取当前时刻往前T3时间内所有发生的报警信号及级别，对报警信号进行分级统计，得到各级报警的发生次数，建立判定逻辑，根据以上统计量的取值对雷达在线运行状态进行判别。
进一步的，S3中将报警级别为：关键报警(KA)、高重要度报警(HI)、低重要度报警(LI)和无关报警(NA)；
S5中可行的状态判别逻辑如下：
若KA级报警发生次数大于或等于2次，则认为当前雷达状态异常，即将发生故障；
若KA级报警发生1次，HI级报警占比大于50％或KA关联报警占比大于50％，则认为当前雷达状态异常，即将发生故障；
若KA级报警发生0次，HI级报警占比大于80％且KA关联报警占比大于80％，则认为当前雷达状态异常，即将发生故障。
本发明结合参数重构方法和报警分析方法对雷达的在线健康状态进行综合的评价，总体原则是以参数重构方法为主，报警分析为辅，具体过程为：首先采用参数重构模块对雷达的在线监测参数进行分析，若分析结果未发现异常，则给出雷达处于正常运行状态的结果并输出；若分析结果认为雷达偏离正常状态，则调用报警分析模块进行报警信号的分析，若报警分析同样认为雷达处在异常状态，则输出雷达状态异常的结果，并给出预警，若报警分析未发现异常，则仍认为雷达处于正常状态。通过综合两种方法的分析结果对雷达运行过程中出现的异常工况进行探测，并对可能出现的故障进行预警。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。
在附图中：
图1为本发明的方法原理图；
图2为数据重构分析模块流程的原理图；
图3为报警分析模块流程的原理图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
实施例
一种气象雷达状态评估和故障监测方法，首先采用数据重构分析模块对雷达的在线监测参数进行分析，若分析结果未发现异常，则给出雷达处于正常运行状态的结果并输出；若分析结果认为雷达偏离正常状态，则调用报警信号分析模块进行报警信号的分析，若报警分析同样认为雷达处在异常状态，则输出雷达状态异常的结果，并给出预警，若报警分析未发现异常，则仍认为雷达处于正常状态。
所述的数据重构分析模块用于对正常运行状态下的监测数据进行分析，采用重构算法建立参数间相关关系的模型，然后采用建立的相关模型对在线监测数据进行检验，若发现监测数据与相关模型出现显著偏离，则可判断雷达当前的状态偏离了正常运行状态，从而实现异常状态的探测。
所述数据重构分析模块用于对正常运行状态下的监测数据进行分析的方法包括以下步骤：
S1、数据采集
设计数据接口，从雷达运行状态监测数据的历史数据库中获取历史监测数据、报警数据、维修记录等数据。
S2、数据预处理
根据数据的实际情况，对获取的数据进行必要的预处理，提高数据质量；预处理的步骤包括但不限于：异常值剔除、缺失值处理、滤波、降噪、归一化/标准化、时间轴均匀化等。
S3、关键参数筛选
根据报警数据和维修记录，提取出雷达处于某种或某些故障状态及异常状态的数据点，并给予相应的标记(如1)，再提取数量相当的正常状态下的数据点，给予相应标记(如0)；采用逐步回归方法，以雷达监测数据为输入，对数据点的标记为输出建立模型，由逐步回归系数得到各个监测参数与雷达状态的相关程度，从中筛选出相关性较高的一组参数作为后续分析的数据；
S4、重构模型构建
在上一步筛选出的一组监测参数中，选取与雷达状态相关程度最高的一个参数作为待重构参数，记为y，其他参数作为重构模型的输入参数，成为关系参数，记为xi，i＝1,2,…,M，采用长短时记忆网络(LSTM)算法建立参数的重构模型；
具体的建模过程为：首先从历史数据中选取雷达正常运行状态的数据，然后选定合适的建模时间窗口大小T，对每个时刻点t，以该点的待重构参数yt为输出，该点往前T时间内(不包括该时刻点)关系参数的时间序列构成的矩阵Xt作为输入：
Figure BDA0002234312130000091
构建训练数据集，将训练数据集进一步分为训练集和验证集两部分，将训练集输入LSTM中进行网络的训练，得到参数的重构模型：
y＝f(X)
统计重构模型在验证集上的预测误差，并基于此确定预测误差阈值eth；
S5、在线数据获取及预处理
在雷达在线运行的过程中，通过数据接口从在线监测传感器上获取实时监测数据，对在线监测数据进行与S2完全相同的预处理，其中进行数据归一化或标准化时采用与训练阶段完全相同的参数,；预处理后提取其中的待重构参数和关系参数进行后续处理。
S6、基于重构模型的在线状态判别
在每个监测时刻点上，采用与训练过程相同大小的时间窗，取其前T时间内的关系参数时间序列构成的矩阵X，输入到训练过程构建的重构模型中，得到当前时刻点下待重构参数的预测值：
Figure BDA0002234312130000092
通过比较重构模型的预测值与其实际测量值之间的差别得到重构模型的预测误差，与S4中确定的误差阈值进行比较，统计一段时间内预测误差超过误差阈值的时间比例，若其超过给定值α，则判定雷达当前处于异常工作状态，反之则认为雷达处在正常状态。
所述报警信号分析模块进行报警信号的分析的流程包括以下步骤：
S1、数据采集
设计数据接口，从雷达历史数据库中获取一定时间范围内的报警记录和故障记录；
S2、报警统计分析
结合雷达故障记录，选定一个故障报警关联时间窗口长度T1(如可取为7天)，统计每种报警Ai的若干统计特征以表征该报警的紧急程度，具体包括：
Ni，数据中该报警出现的总次数；
P1i，该报警出现在真实故障前T1时间内的频度，即
Figure BDA0002234312130000101
其中Nfi为该报警在所有故障前T1时间内的出现的总次数；
P2i，所有故障发生前T1时间内出现该报警的故障频度，即
Figure BDA0002234312130000102
其中NF是故障发生的总次数，NFi为所有故障中前T1时间内出现过该报警的故障次数。
S3、报警评分与分级
分别建立三项统计特征的评分函数，根据特征的取值计算相应的得分，由三项指标的得分加和得到报警Ai的总得分，根据总得分值对各个报警进行分级；关键报警(KA)、高重要度报警(HI)、低重要度报警(LI)和无关报警(NA)。
S4、伴随关系分析
对每个属于KA的报警信号，取一关联分析时间窗口T2(如12小时)，统计时间窗口内的所有报警，按发生次数排序，取发生次数最多的10个报警作为KA的伴随报警；将所有KA的伴随报警整合在一起，构建KA关联报警组。
S5、基于报警信号分析的雷达状态判断
在线运行中，取一报警统计时间窗口T3，获取当前时刻往前T3时间内所有发生的报警信号及级别，对报警信号进行分级统计，得到如下统计量：KA级报警的发生次数、HI级报警占总报警次数的比例、KA关联报警占总报警的比例等，建立判定逻辑，根据以上统计量的取值对雷达在线运行状态进行判别。
状态判别逻辑如下：
若KA级报警发生次数大于或等于2次，则认为当前雷达状态异常，即将发生故障；
若KA级报警发生1次，HI级报警占比大于50％或KA关联报警占比大于50％，则认为当前雷达状态异常，即将发生故障；
若KA级报警发生0次，HI级报警占比大于80％且KA关联报警占比大于80％，则认为当前雷达状态异常，即将发生故障。
其他情况，认为雷达状态正常。实际运行中，也可根据经验选取其他判断逻辑进行雷达状态的评判。
发明分别采用数据重构法和报警分析法两种方法分别对雷达的状态监测数据和报警信号数据进行分析，通过综合两种方法的分析结果对雷达运行过程中出现的异常工况进行探测，并对可能出现的故障进行预警。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，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。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (3)

1.一种气象雷达状态评估和故障监测方法，其特征在于，首先采用数据重构分析模块对雷达的在线监测参数进行分析，若分析结果未发现异常，则给出雷达处于正常运行状态的结果并输出；若分析结果认为雷达偏离正常状态，则调用报警信号分析模块进行报警信号的分析，若报警分析同样认为雷达处在异常状态，则输出雷达状态异常的结果，并给出预警，若报警分析未发现异常，则仍认为雷达处于正常状态；
所述的数据重构分析模块用于对正常运行状态下的监测数据进行分析，采用重构算法建立参数间相关关系的模型，然后采用建立的相关模型对在线监测数据进行检验，若发现监测数据与相关模型出现显著偏离，则可判断雷达当前的状态偏离了正常运行状态，从而实现异常状态的探测；
所述数据重构分析模块用于对正常运行状态下的监测数据进行分析的方法包括以下步骤：
S1、数据采集
设计数据接口，从雷达运行状态监测数据的历史数据库中获取历史数据；
S2、数据预处理
根据数据的实际情况，对获取的数据进行必要的预处理，提高数据质量；
S3、关键参数筛选
根据报警数据和维修记录，提取出雷达处于某种或某些故障状态及异常状态的数据点，并给予相应的标记，再提取数量相当的正常状态下的数据点，给予相应标记；采用逐步回归方法，以雷达监测数据为输入，对数据点的标记为输出建立模型，由逐步回归系数得到各个监测参数与雷达状态的相关程度，从中筛选出相关性较高的一组参数作为后续分析的数据；
S4、重构模型构建
在上一步筛选出的一组监测参数中，选取与雷达状态相关程度最高的一个参数作为待重构参数，记为y，其他参数作为重构模型的输入参数，称为关系参数，记为xi，i＝1,2,…,M，采用LSTM算法建立参数的重构模型；
具体的建模过程为：首先从历史数据中选取雷达正常运行状态的数据，然后选定合适的建模时间窗口大小T，对每个时刻点t，以该点的待重构参数yt为输出，该点往前T时间内关系参数的时间序列构成的矩阵Xt作为输入：
Figure FDA0004079055490000021
构建训练数据集，将训练数据集进一步分为训练集和验证集两部分，将训练集输入LSTM中进行网络的训练，得到参数的重构模型：
y＝f(X)
统计重构模型在验证集上的预测误差，并基于此确定预测误差阈值eth；
S5、在线数据获取及预处理
在雷达在线运行的过程中，通过数据接口从在线监测传感器上获取实时监测数据，对在线监测数据进行与S2完全相同的预处理，其中进行数据归一化或标准化时采用与训练阶段完全相同的参数；预处理后提取其中的待重构参数和关系参数进行后续处理；
S6、基于重构模型的在线状态判别
在每个监测时刻点上，采用与训练过程相同大小的时间窗，取其前T时间内的关系参数时间序列构成的矩阵X，输入到训练过程构建的重构模型中，得到当前时刻点下待重构参数的预测值：
Figure FDA0004079055490000031
通过比较重构模型的预测值与其实际测量值之间的差别得到重构模型的预测误差，与S4中确定的误差阈值进行比较，统计一段时间内预测误差超过误差阈值的时间比例，若其超过给定值α，则判定雷达当前处于异常工作状态，反之则认为雷达处在正常状态；
所述报警信号分析模块进行报警信号的分析的流程包括以下步骤：
(1)、数据采集
设计数据接口，从雷达历史数据库中获取一定时间范围内的报警记录和故障记录；
(2)、报警统计分析
结合雷达故障记录，选定一个故障报警关联时间窗口长度T1，统计每种报警Ai的若干统计特征以表征该报警的紧急程度，具体包括：
Ni，数据中该报警出现的总次数；
P1i，该报警出现在真实故障前T1时间内的频度，即
Figure FDA0004079055490000041
其中Nfi为该报警在所有故障前T1时间内的出现的总次数；
P2i，所有故障发生前T1时间内出现该报警的故障频度，即
Figure FDA0004079055490000042
其中NF是故障发生的总次数，NFi为所有故障中前T1时间内出现过该报警的故障次数；
(3)、报警评分与分级
分别建立三项统计特征的评分函数，根据特征的取值计算相应的得分，由三项指标的得分加和得到报警Ai的总得分，根据总得分值对各个报警进行分级；
将报警级别为：关键报警KA、高重要度报警HI、低重要度报警LI和无关报警NA；
(4)、伴随关系分析
对每个属于KA的报警信号，取一关联分析时间窗口T2，统计时间窗口内的所有报警，按发生次数排序，取发生次数最多的10个报警作为KA的伴随报警；将所有KA的伴随报警整合在一起，构建KA关联报警组；
(5)、基于报警信号分析的雷达状态判断
在线运行中，取一报警统计时间窗口T3，获取当前时刻往前T3时间内所有发生的报警信号及级别，对报警信号进行分级统计，得到各级报警的发生次数，建立判定逻辑，根据报警信号的分级统计量的取值对雷达在线运行状态进行判别；
可行的状态判别逻辑如下：
若KA级报警发生次数大于或等于2次，则认为当前雷达状态异常，即将发生故障；
若KA级报警发生1次，HI级报警占比大于50％或KA关联报警占比大于50％，则认为当前雷达状态异常，即将发生故障；
若KA级报警发生0次，HI级报警占比大于80％且KA关联报警占比大于80％，则认为当前雷达状态异常，即将发生故障；
其他情况，认为雷达状态正常。
2.如权利要求1所述的气象雷达状态评估和故障监测方法，其特征在于，S1中获得历史数据包括但不限于历史监测数据、报警数据和维修记录。
3.如权利要求1所述的气象雷达状态评估和故障监测方法，其特征在于，S2中预处理的步骤包括但不限于：异常值剔除、缺失值处理、滤波、降噪、归一化、标准化和时间轴均匀化。
CN201910978096.1A 2019-10-15 2019-10-15 一种气象雷达状态评估和故障监测方法 Active CN110703214B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910978096.1A CN110703214B (zh) 2019-10-15 2019-10-15 一种气象雷达状态评估和故障监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910978096.1A CN110703214B (zh) 2019-10-15 2019-10-15 一种气象雷达状态评估和故障监测方法

Publications (2)

Publication Number Publication Date
CN110703214A CN110703214A (zh) 2020-01-17
CN110703214B true CN110703214B (zh) 2023-04-07

Family

ID=69199911

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910978096.1A Active CN110703214B (zh) 2019-10-15 2019-10-15 一种气象雷达状态评估和故障监测方法

Country Status (1)

Country Link
CN (1) CN110703214B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111562037B (zh) * 2020-05-15 2021-09-28 云南电网有限责任公司电力科学研究院 一种温度表的故障检测方法及装置
CN113552853B (zh) * 2021-06-28 2022-11-15 北京国控天成科技有限公司 一种化工***多工况的报警管理方法及装置
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***
CN113687359B (zh) * 2021-10-26 2022-02-18 南京恩瑞特实业有限公司 一种相控阵天气雷达健康管理***
CN116299235B (zh) * 2023-03-09 2024-01-30 扬州宇安电子科技有限公司 基于多源数据的分布式雷达异常状态监管***及方法
CN116910580B (zh) * 2023-07-11 2024-01-02 扬州宇安电子科技有限公司 一种基于人工智能的雷达信号管理***及方法
CN117648588B (zh) * 2024-01-29 2024-04-26 和尘自仪(嘉兴)科技有限公司 基于相关性网络图聚类分析的气象雷达参数异常识别方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102928791A (zh) * 2012-10-16 2013-02-13 南京航空航天大学 雷达发射机高压电源多参数融合实时健康预报方法
CN104064000A (zh) * 2014-06-17 2014-09-24 祁欣 一种天气雷达实时报警方法
CN104569934A (zh) * 2014-12-31 2015-04-29 中国气象局气象探测中心 一种雷达故障处理***

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110202512A1 (en) * 2010-02-14 2011-08-18 Georges Pierre Pantanelli Method to obtain a better understanding and/or translation of texts by using semantic analysis and/or artificial intelligence and/or connotations and/or rating

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102928791A (zh) * 2012-10-16 2013-02-13 南京航空航天大学 雷达发射机高压电源多参数融合实时健康预报方法
CN104064000A (zh) * 2014-06-17 2014-09-24 祁欣 一种天气雷达实时报警方法
CN104569934A (zh) * 2014-12-31 2015-04-29 中国气象局气象探测中心 一种雷达故障处理***

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
健康管理在机载雷达中的应用研究;王宏;《现代雷达》;20110615(第06期);全文 *

Also Published As

Publication number Publication date
CN110703214A (zh) 2020-01-17

Similar Documents

Publication Publication Date Title
CN110703214B (zh) 一种气象雷达状态评估和故障监测方法
CN109489977B (zh) 基于KNN-AdaBoost的轴承故障诊断方法
CN111309565B (zh) 告警处理方法、装置、电子设备以及计算机可读存储介质
CA2931624A1 (en) Systems and methods for event detection and diagnosis
CN104573850A (zh) 一种火电厂设备状态评估方法
GB2522926A (en) Method of identifying anomalies
CN107844067B (zh) 一种水电站闸门在线状态监测控制方法及监测***
CN113562562A (zh) 一种电梯安全预警监测***及其判断方法
CN115454778A (zh) 大规模云网络环境下的时序指标异常智能监控***
CN110414154A (zh) 一种带有双测点的风机部件温度异常检测和报警方法
KR20210017651A (ko) 반도체 제조 공정에서 고장 검출 및 불량 원인 진단을 위한 방법
CN115599646A (zh) 一种提升评估模型预警提前性和准确性的方法
CN110990788A (zh) 一种基于三元维纳过程的轴承剩余寿命预测方法
CN115858794B (zh) 用于网络运行安全监测的异常日志数据识别方法
CN113987908A (zh) 基于机器学习方法的天然气管网泄漏预警方法
CN117057150A (zh) 一种基于无监督叠加集成的供水管网爆管检测与识别方法
CN111191855A (zh) 一种基于管网多元水质时序数据的水质异常事件识别预警方法
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
CN114676791A (zh) 一种基于模糊证据推理的电力***告警信息处理方法
CN113670611A (zh) 一种轴承早期退化评估方法、***、介质及电子设备
CN106371030A (zh) 一种非确定性推理的新能源汽车电池故障诊断方法
KR102470804B1 (ko) 회전기계의 결함을 종합적으로 진단하는 방법 및 시스템
CN114358539A (zh) 一种基于风险的铁路运营安全判识方法
CN112820090A (zh) 一种基于大数据的报警***及其实现方法
KR102564668B1 (ko) 솔라 및 반도체 장비의 센서 데이터를 이용하는 통합 솔루션 관리 장치 및 그 방법

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