CN110705609A - 引风机运行状态诊断方法、装置及电子设备、存储介质 - Google Patents
引风机运行状态诊断方法、装置及电子设备、存储介质 Download PDFInfo
- Publication number
- CN110705609A CN110705609A CN201910871697.2A CN201910871697A CN110705609A CN 110705609 A CN110705609 A CN 110705609A CN 201910871697 A CN201910871697 A CN 201910871697A CN 110705609 A CN110705609 A CN 110705609A
- Authority
- CN
- China
- Prior art keywords
- state parameters
- historical
- operation state
- induced draft
- draft fan
- 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
- 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
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本申请公开了一种引风机运行状态诊断方法、装置及电子设备、存储介质,涉及机器学习技术领域。通过根据获得的多种运行状态参数、预先训练的随机森林算法诊断模型以及确定历史诊断结果的历史运行状态参数和历史运行状态参数之间的关联条件生成诊断结果,从而在引风机发生故障之前,通过各个多种运行状态参数之间的相互之间的作用,对引风机进行故障预警,并且故障预警的精确高,为维修人员进行引风机的运行状态进行调整给出了参考依据,避免了引风机出现故障,提高了工作效率。
Description
技术领域
本申请涉及机器学习技术领域,尤其涉及一种引风机运行状态诊断方法、装置及电子设备、存储介质。
背景技术
引风机是火力发电厂的关键辅机设备,它对锅炉安全运行有着重要的作用。引风机在锅炉烟气及交变压力环境下运行,会受到烟气的磨损、腐蚀、加热的影响,故障率较高。引风机的发生故障容易导致发电机组的降低出力或非计划停运,因此,如何对引风机的故障进行监控并及时告警,是引风机的正常运行的保障。
现有技术中,通常对引风机的故障监控方式为:对引风机的运行状态参数进行实时采集。例如,运行状态参数包括引风机轴承温度、引风机轴承振动、引风机电机定子温度等指标,当其中某一个指标不在预设的范围内时,对引风机进行故障告警,然而上述的故障告警是不准确的,并且无法做到事前预警。
发明内容
第一方面,本申请实施例提供了一种引风机运行状态诊断方法,包括:
获得引风机运行时的多种运行状态参数;
根据获得的多种运行状态参数、预先训练的随机森林算法诊断模型以及确定历史诊断结果的历史运行状态参数和历史运行状态参数之间的关联条件生成诊断结果。
第二方面,本申请实施例还提供了一种引风机运行状态诊断方法,包括:
参数获得单元,被配置成获得引风机运行时的多种运行状态参数;
运行状态诊断单元,被配置成根据获得的多种运行状态参数、预先训练的随机森林算法诊断模型以及确定历史诊断结果的历史运行状态参数和历史运行状态参数之间的关联条件生成诊断结果。
第三方面,本申请实施例还提供了一种电子设备,包括:
存储器,其上存储有计算机程序;
处理器,用于执行所述存储器中的所述计算机程序,以实现本申请实施例提供第一方面提供的方法的步骤。
第四方面,本申请实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现本申请实施例提供第一方面提供的方法的步骤。
本申请实施例采用的上述至少一个技术方案能够达到以下有益效果:通过根据获得的多种运行状态参数、预先训练的随机森林算法诊断模型以及确定历史诊断结果的历史运行状态参数和历史运行状态参数之间的关联条件生成诊断结果,从而在引风机发生故障之前,通过各个多种运行状态参数之间的相互之间的作用,对引风机进行故障预警,并且故障预警的精确高,为维修人员进行引风机的运行状态进行调整给出了参考依据,避免了引风机出现故障,提高了工作效率。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本申请实施例提供的服务器分别与显示终端、多种不同类型的传感器之间的交互示意图;
图2为本申请实施例提供的引风机运行状态诊断方法的一种实施例的流程图;
图3为本申请实施例提供的引风机运行状态诊断方法的一种实施例的流程图;
图4为本申请实施例提供的引风机运行状态诊断方法的一种实施例的流程图;
图5为本申请实施例提供的引风机运行状态诊断装置的功能模块框图;
图6为本申请实施例提供的引风机运行状态诊断装置的功能模块框图;
图7为本申请实施例提供的电子设备的电路连接框图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
以下结合附图,详细说明本申请各实施例提供的技术方案。
本申请实施例提供了一种引风机运行状态诊断方法,应用于电子设备101,其中,电子设备101可以为服务器,服务器分别与显示终端103、安装于引风机的多个不同类型的传感器102通信连接,以实现数据交互。其中,如图1所示,多个不同类型的传感器102包括振动传感器、温度传感器、转速传感器等等,在此不做限定。如图2所示,所述方法包括:
S21:获得引风机运行时的多种运行状态参数。
具体地,可以直接通过接收多种不同类型的传感器102传输的数据而获得引风机运行时的多种运行状态参数。可以理解地,每个传感器102可以根据采样时间周期性进行数据采集,可能会因为不可抗力的因素造成某个采样数据的缺失。因此,S21可以包括:周期性的采集引风机运行时的多种运行状态参数,如果当前采样时刻的采集数据缺失时,获得当前时刻前的多种历史运行状态参数的平均值。
其中,多个运行状态参数可以包括转速、电机电流、烟气压温、轴振、喘振、电机振动频率、电机冷却水温、流过电机的润滑油流量、油温等等,在此仅仅是举例说明。
S22:根据获得的多种运行状态参数、预先训练的随机森林算法诊断模型以及确定历史诊断结果的历史运行状态参数和历史运行状态参数之间的关联条件生成诊断结果。
具体地,在生成诊断结果后将诊断结果发送至显示终端103显示,以提醒工作人员,当前的引风机可能会发生故障,需要调整引风机当前的运行状态。
本申请实施例提供的一种引风机运行状态诊断方法,通过根据获得的多种运行状态参数、预先训练的随机森林算法诊断模型以及确定历史诊断结果的历史运行状态参数和历史运行状态参数之间的关联条件生成诊断结果,从而在引风机发生故障之前,通过各个多种运行状态参数之间的相互之间的作用,对引风机进行故障预警,并且故障预警的精确高,为维修人员进行引风机的运行状态进行调整给出了参考依据,避免了引风机出现故障,提高了工作效率。
可选地,如图3所示,S22包括:
S31:判断获得的多种运行状态参数之间的关联条件与相同类型的多种历史运行状态参数之间的关联条件是否相同,且相同类型的多种历史运行状态参数之间的关联条件对应的历史诊断结果为出现故障隐患的概率是否大于预设的阈值,如果是,则执行S32,如果否,则生成S33。
S32:生成表征引风机出现故障隐患的诊断结果。
例如,多种运行状态参数可以包括引风机的电机的自由端温度、驱动端温度、流过驱动端的润滑油温度,关联条件可以为引风机的电机振动方向与预设的振动方向不一致、自由端温度升高、驱动端温度不变且流过驱动端的润滑油温度升高。如果在历史上引风机的电机振动方向与预设的振动方向不一致、自由端温度升高、驱动端温度不变且流过驱动端的润滑油温度升高出现故障的概率大于预设的阈值(如,60%)时,生成表征引风机出现故障隐患的诊断结果。
S33:生成表征引风机正常运行的诊断结果。
基于上述,如果在历史上引风机的电机振动方向与预设的振动方向不一致、自由端温度升高、驱动端温度不变且流过驱动端的润滑油温度升高出现故障的概率大于预设的阈值(如,60%)时,生成表征引风机出现故障隐患的诊断结果。那么如果当前的多种运行状态参数的关联条件为引风机的电机振动方向与预设的振动方向不一致、自由端温度不变、驱动端温度不变且流过驱动端的润滑油温度升高,则生成表征引风机正常运行的诊断结果。再者,如果在历史上引风机的电机振动方向与预设的振动方向不一致、自由端温度升高、驱动端温度不变且流过驱动端的润滑油温度升高出现故障的概率小于预设的阈值(如,60%),生成表征引风机正常运行的诊断结果。
可选地,如图4所示,所述方法还包括:
S23:在生成表征引风机出现故障隐患的诊断结果的同时,根据每种运行状态参数的第一权重系数、每种运行状态参数所处的阈值范围的第二权重系数生成故障严重程度。
例如,可以将引风机的电机的自由端温度的权重系数设置为0.3,处于温度区间A的权重系数为1.1、处于温度区间B的权重系数为1.2、处于温度区间C的权重系数为1.3。驱动端温度设置为0.3,处于温度区间A的权重系数为1.1、处于温度区间B的权重系数为1.2、处于温度区间C的权重系数为1.3。流过驱动端的润滑油温度设置为0.4,处于温度区间A的权重系数为1.1、处于温度区间B的权重系数为1.2、处于温度区间C的权重系数为1.3,
当多种运行状态参数包括引风机的电机的自由端温度且处于处于温度区间A、驱动端温度且处于温度区间B、流过驱动端的润滑油温度处于温度区间C时,则生成的故障严重程度为0.3X1.1+0.3X1.2+0.4X1.3=1.11。
可选地,随机森林算法诊断模型根据历史运行状态参数、历史故障诊断结果以及确定历史故障诊断结果的历史运行状态参数之间的关联条件作为训练样本预先训练而成。
其中,随机森林的基本构建过程可表示为以下方式:
从原始训练集中使用自助采样方法随机有放回的挑选出n个样本,共进行m次,生成m个训练集;对于新生成的m个训练集,分别训练得到m个决策树分类模型,即m棵树;对于单棵树,每次***出新的节点时依据信息增益或信息增益比或基尼指数选择最佳的***方式进行***;每棵树均根据步骤3)一直***,直至训练样本在某个节点都被分类正确或达到树的最大深度;将生成的多棵决策树组成随机森林分类器,并以投票表决的方式决定最终分类结果。由于每棵树对应训练集采样的随机性以及***新节点时选择部分特征的方式这两个过程的存在,使得随机森林不需要剪枝也基本不会出现过拟合现象,且对噪声和异常值有较好的容忍性,稳定性高,泛化能力强。此外,随机森林适合并行计算,即使对大样本和高纬度数据,也具有较高的训练速度,实现高效运算。
请参阅图5,本申请实施例还提供了一种引风机运行状态诊断装置500,应用于电子设备101,其中,电子设备101可以为服务器。需要说明的是,本申请实施例所提供的引风机运行状态诊断装置500,其基本原理及产生的技术效果和上述实施例相同,为简要描述,本实施例部分未提及之处,可参考上述的实施例中相应内容。所述装置500包括参数获得单元501、运行状态诊断单元502。其中,
参数获得单元501被配置成获得引风机运行时的多种运行状态参数。
运行状态诊断单元502被配置成根据获得的多种运行状态参数、预先训练的随机森林算法诊断模型以及确定历史诊断结果的历史运行状态参数和历史运行状态参数之间的关联条件生成诊断结果。
其中,随机森林算法诊断模型根据历史运行状态参数、历史故障诊断结果以及确定历史故障诊断结果的历史运行状态参数之间的关联条件作为训练样本预先训练而成。
本申请实施例提供的一种引风机运行状态诊断装置500在执行时,可以实现如下功能:根据获得的多种运行状态参数、预先训练的随机森林算法诊断模型以及确定历史诊断结果的历史运行状态参数和历史运行状态参数之间的关联条件生成诊断结果,从而在引风机发生故障之前,通过各个多种运行状态参数之间的相互之间的作用,对引风机进行故障预警,并且故障预警的精确高,为维修人员进行引风机的运行状态进行调整给出了参考依据,避免了引风机出现故障,提高了工作效率。
可选地,参数获得单元501可以具体被配置成周期性的采集引风机运行时的多种运行状态参数,如果当前采样时刻的采集数据缺失时,获得当前时刻前的多种历史运行状态参数的平均值。
可选地,运行状态诊断单元502可以具体被配置成如果获得的多种运行状态参数之间的关联条件与相同类型的多种历史运行状态参数之间的关联条件相同,且相同类型的多种历史运行状态参数之间的关联条件对应的历史诊断结果为出现故障隐患的概率大于预设的阈值时,则生成表征引风机出现故障隐患的诊断结果。
可选地,如图6所示,所述装置500还包括:故障严重程度生成单元503,被配置成在生成表征引风机出现故障隐患的诊断结果的同时,根据每种运行状态参数的第一权重系数、每种运行状态参数所处的阈值范围的第二权重系数生成故障严重程度。
当诊断结果为表征引风机出现故障隐患的诊断结果时,多种运行状态参数包括引风机的电机的自由端温度、驱动端温度、流过驱动端的润滑油温度,关联条件为引风机的电机振动方向与预设的振动方向不一致、自由端温度升高、驱动端温度不变且流过驱动端的润滑油温度升高。
需要说明的是,实施例1所提供方法的各步骤的执行主体均可以是同一设备,或者,该方法也由不同设备作为执行主体。比如,步骤21和步骤22的执行主体可以为设备1,步骤23的执行主体可以为设备2;又比如,步骤21的执行主体可以为设备1,步骤22和步骤23的执行主体可以为设备2;等等。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
图7是本申请的一个实施例电子设备的结构示意图。请参考图7,在硬件层面,该电子设备包括处理器,可选地还包括内部总线、网络接口、存储器。其中,存储器可能包含内存,例如高速随机存取存储器(Random-Access Memory,RAM),也可能还包括非易失性存储器(non-volatile memory),例如至少1个磁盘存储器等。当然,该电子设备还可能包括其他业务所需要的硬件。
处理器、网络接口和存储器可以通过内部总线相互连接,该内部总线可以是ISA(Industry Standard Architecture,工业标准体系结构)总线、PCI(PeripheralComponent Interconnect,外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture,扩展工业标准结构)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示,图7中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。
存储器,用于存放程序。具体地,程序可以包括程序代码,所述程序代码包括计算机操作指令。存储器可以包括内存和非易失性存储器,并向处理器提供指令和数据。
处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行,在逻辑层面上形成风机运行状态诊断装置。处理器,执行存储器所存放的程序,并具体用于执行以下操作:
获得引风机运行时的多种运行状态参数;
根据获得的多种运行状态参数、预先训练的随机森林算法诊断模型以及确定历史诊断结果的历史运行状态参数和历史运行状态参数之间的关联条件生成诊断结果。
上述如本申请图5所示实施例揭示的风机运行状态诊断装置执行的方法可以应用于处理器中,或者由处理器实现。处理器可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器,包括中央处理器(Central ProcessingUnit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(DigitalSignal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。
该电子设备还可执行图2的方法,并实现风机运行状态诊断装置在图2、图3、图4所示实施例的功能,本申请实施例在此不再赘述。
当然,除了软件实现方式之外,本申请的电子设备并不排除其他实现方式,比如逻辑器件抑或软硬件结合的方式等等,也就是说以下处理流程的执行主体并不限定于各个逻辑单元,也可以是硬件或逻辑器件。
本申请实施例还提出了一种计算机可读存储介质,该计算机可读存储介质存储一个或多个程序,该一个或多个程序包括指令,该指令当被包括多个应用程序的便携式电子设备执行时,能够使该便携式电子设备执行图2、图3、图4所示实施例的方法,并具体用于执行以下操作:
获得引风机运行时的多种运行状态参数;
根据获得的多种运行状态参数、预先训练的随机森林算法诊断模型以及确定历史诊断结果的历史运行状态参数和历史运行状态参数之间的关联条件生成诊断结果。
总之,以上所述仅为本申请的较佳实施例而已,并非用于限定本申请的保护范围。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
上述实施例阐明的***、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于***实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
Claims (10)
1.一种引风机运行状态诊断方法,其特征在于,包括:
获得引风机运行时的多种运行状态参数;
根据获得的多种运行状态参数、预先训练的随机森林算法诊断模型以及确定历史诊断结果的历史运行状态参数和历史运行状态参数之间的关联条件生成诊断结果。
2.根据权利要求1所述的方法,其特征在于,所述根据获得的多种运行状态参数、预先训练的随机森林算法诊断模型以及确定历史诊断结果的历史运行状态参数和历史运行状态参数之间的关联条件生成诊断结果包括:
如果获得的多种运行状态参数之间的关联条件与相同类型的多种历史运行状态参数之间的关联条件相同,且相同类型的多种历史运行状态参数之间的关联条件对应的历史诊断结果为出现故障隐患的概率大于预设的阈值时,则生成表征引风机出现故障隐患的诊断结果。
3.根据权利要求2所述的方法,其特征在于,所述方法还包括:在生成表征引风机出现故障隐患的诊断结果的同时,根据每种运行状态参数的第一权重系数、每种运行状态参数所处的阈值范围的第二权重系数生成故障严重程度。
4.根据权利要求2所述的方法,其特征在于,所述多种运行状态参数包括引风机的电机的自由端温度、驱动端温度、流过驱动端的润滑油温度,所述关联条件为引风机的电机振动方向与预设的振动方向不一致、自由端温度升高、驱动端温度不变且流过驱动端的润滑油温度升高。
5.根据权利要求1所述的方法,其特征在于,所述随机森林算法诊断模型根据历史运行状态参数、历史故障诊断结果以及确定历史故障诊断结果的历史运行状态参数之间的关联条件作为训练样本预先训练而成。
6.根据权利要求1所述的方法,其特征在于,所述采集引风机运行时的多种运行状态参数包括:
周期性的采集引风机运行时的多种运行状态参数,如果当前采样时刻的采集数据缺失时,获得当前时刻前的多种历史运行状态参数的平均值。
7.一种引风机运行状态诊断装置,其特征在于,包括:
参数获得单元,被配置成获得引风机运行时的多种运行状态参数;
运行状态诊断单元,被配置成根据获得的多种运行状态参数、预先训练的随机森林算法诊断模型以及确定历史诊断结果的历史运行状态参数和历史运行状态参数之间的关联条件生成诊断结果。
8.根据权利要求7所述的装置,其特征在于,运行状态诊断单元具体被配置成如果获得的多种运行状态参数之间的关联条件与相同类型的多种历史运行状态参数之间的关联条件相同,且相同类型的多种历史运行状态参数之间的关联条件对应的历史诊断结果为出现故障隐患的概率大于预设的阈值时,则生成表征引风机出现故障隐患的诊断结果。
9.一种电子设备,其特征在于,包括:
存储器,其上存储有计算机程序;
处理器,用于执行所述存储器中的所述计算机程序,以实现权利要求1-6中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1-6中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910871697.2A CN110705609B (zh) | 2019-09-16 | 2019-09-16 | 引风机运行状态诊断方法、装置及电子设备、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910871697.2A CN110705609B (zh) | 2019-09-16 | 2019-09-16 | 引风机运行状态诊断方法、装置及电子设备、存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110705609A true CN110705609A (zh) | 2020-01-17 |
CN110705609B CN110705609B (zh) | 2022-04-12 |
Family
ID=69195932
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910871697.2A Active CN110705609B (zh) | 2019-09-16 | 2019-09-16 | 引风机运行状态诊断方法、装置及电子设备、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110705609B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113670790A (zh) * | 2021-07-30 | 2021-11-19 | 深圳市中金岭南有色金属股份有限公司凡口铅锌矿 | 一种确定陶瓷过滤机的工作状态的方法和装置 |
CN113715796A (zh) * | 2021-07-23 | 2021-11-30 | 东风汽车集团股份有限公司 | 车辆的控制方法、装置、混动车辆和混动车辆的存储介质 |
CN113837264A (zh) * | 2021-09-18 | 2021-12-24 | 深圳市裕展精密科技有限公司 | 训练方法、电子设备、设备健康诊断方法及装置 |
CN116095305A (zh) * | 2023-04-12 | 2023-05-09 | 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 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5524556A (en) * | 1995-06-09 | 1996-06-11 | Texas Instruments Incorporated | Induced draft fan control for use with gas furnaces |
CN105045256A (zh) * | 2015-07-08 | 2015-11-11 | 北京泰乐德信息技术有限公司 | 基于数据对比分析的轨道交通实时故障诊断方法和*** |
CN110188143A (zh) * | 2019-04-04 | 2019-08-30 | 上海发电设备成套设计研究院有限责任公司 | 一种发电厂引风机振动故障诊断方法 |
-
2019
- 2019-09-16 CN CN201910871697.2A patent/CN110705609B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5524556A (en) * | 1995-06-09 | 1996-06-11 | Texas Instruments Incorporated | Induced draft fan control for use with gas furnaces |
US5806440A (en) * | 1995-06-09 | 1998-09-15 | Texas Instruments Incorporated | Method for controlling an induced draft fan for use with gas furnaces |
CN105045256A (zh) * | 2015-07-08 | 2015-11-11 | 北京泰乐德信息技术有限公司 | 基于数据对比分析的轨道交通实时故障诊断方法和*** |
CN110188143A (zh) * | 2019-04-04 | 2019-08-30 | 上海发电设备成套设计研究院有限责任公司 | 一种发电厂引风机振动故障诊断方法 |
Non-Patent Citations (1)
Title |
---|
张勇 等: "引风机故障模式、效应及危害度分析研究", 《华东电力》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113715796A (zh) * | 2021-07-23 | 2021-11-30 | 东风汽车集团股份有限公司 | 车辆的控制方法、装置、混动车辆和混动车辆的存储介质 |
CN113715796B (zh) * | 2021-07-23 | 2023-07-25 | 东风汽车集团股份有限公司 | 车辆的控制方法、装置、混动车辆和混动车辆的存储介质 |
CN113670790A (zh) * | 2021-07-30 | 2021-11-19 | 深圳市中金岭南有色金属股份有限公司凡口铅锌矿 | 一种确定陶瓷过滤机的工作状态的方法和装置 |
CN113670790B (zh) * | 2021-07-30 | 2024-03-22 | 深圳市中金岭南有色金属股份有限公司凡口铅锌矿 | 一种确定陶瓷过滤机的工作状态的方法和装置 |
CN113837264A (zh) * | 2021-09-18 | 2021-12-24 | 深圳市裕展精密科技有限公司 | 训练方法、电子设备、设备健康诊断方法及装置 |
CN116095305A (zh) * | 2023-04-12 | 2023-05-09 | 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 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN110705609B (zh) | 2022-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110705609B (zh) | 引风机运行状态诊断方法、装置及电子设备、存储介质 | |
CN110704964B (zh) | 汽轮机运行状态诊断方法、装置及电子设备、存储介质 | |
CN111565171B (zh) | 异常数据的检测方法、装置、电子设备及存储介质 | |
CN113839904A (zh) | 基于智能网联汽车的安全态势感知方法和*** | |
CN110646229B (zh) | 空气预热器故障诊断方法、装置及电子设备、存储介质 | |
Leahy et al. | Cluster analysis of wind turbine alarms for characterising and classifying stoppages | |
CN108306997B (zh) | 域名解析监控方法及装置 | |
Tahi et al. | Decision tree and feature selection by using genetic wrapper for fault diagnosis of rotating machinery | |
CN109829245B (zh) | 轴承故障预警方法和装置 | |
CN113708987A (zh) | 网络异常检测方法及装置 | |
CN114445088A (zh) | 一种欺诈行为的判定方法、装置、电子设备和存储介质 | |
CN113123955B (zh) | 柱塞泵异常检测方法、装置、存储介质及电子设备 | |
CN117092525A (zh) | 电池热失控预警模型的训练方法、装置及电子设备 | |
CN114639391A (zh) | 机械故障提示方法、装置、电子设备及存储介质 | |
CN111308016A (zh) | 一种齿轮箱故障诊断方法、***、设备及存储介质 | |
CN115374653B (zh) | 基于nset模型的风力发电机温度预警方法及相关装置 | |
CN116402346A (zh) | 基于城市管网的风险预警方法、***、设备及存储介质 | |
CN115982578A (zh) | 故障定位方法、装置、电子设备及存储介质 | |
Hussain | Fuzzy information system for condition based maintenance of gearbox | |
CN110659178B (zh) | ***运行状态调节方法、装置及存储介质、电子设备 | |
CN111915127A (zh) | 设备监测方法、装置、电子设备及存储介质 | |
CN116662761B (zh) | 一种基于数据分析的燃机电站重要参数预警方法及*** | |
CN111447086A (zh) | 业务处理方法、装置及电子设备 | |
CN111127814A (zh) | 火警识别方法以及相关装置 | |
US20230123045A1 (en) | Apparatus and method for generating data set |
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 |