CN110991405B - 一种非侵入式泵站控制***液压执行机构异常分析的方法 - Google Patents
一种非侵入式泵站控制***液压执行机构异常分析的方法 Download PDFInfo
- Publication number
- CN110991405B CN110991405B CN201911316914.8A CN201911316914A CN110991405B CN 110991405 B CN110991405 B CN 110991405B CN 201911316914 A CN201911316914 A CN 201911316914A CN 110991405 B CN110991405 B CN 110991405B
- Authority
- CN
- China
- Prior art keywords
- oil
- image
- equipment
- sub
- detection model
- 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
- 238000000034 method Methods 0.000 title claims abstract description 25
- 230000005856 abnormality Effects 0.000 title claims abstract description 18
- 230000007246 mechanism Effects 0.000 title claims abstract description 15
- 238000001514 detection method Methods 0.000 claims abstract description 32
- 230000002159 abnormal effect Effects 0.000 claims abstract description 13
- 238000004458 analytical method Methods 0.000 claims abstract description 7
- 230000009471 action Effects 0.000 claims description 35
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000000903 blocking effect Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 230000003203 everyday effect Effects 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 10
- 238000012423 maintenance Methods 0.000 description 7
- 238000005507 spraying Methods 0.000 description 6
- 238000005086 pumping Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/02—Recognising information on displays, dials, clocks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种非侵入式泵站控制***液压执行机构异常分析的方法,包括以下步骤:采用视频服务器获取图像建立目标检测模型;获取待检测图像,将待检测图像代入所述目标检测模型进行检测,获取各个表计在视频中的位置;按照各个表计对应的位置抠出表计子图像,并将各个子图像代入非侵入识别模型进行图像识别;将识别出的示数存入数据库;读取数据库中各个表计数值并将其代入液压执行环节的异常检测模型,进行分析预警。充分利用现有视频设备,构建目标检测模型和特定的表计图像识别方式,无需增加控制***负载状态,可以实时自动的检测执行机构的异常问题,并进行预警,在不提高成本的前提下有效提高泵站控制***的监测效率。
Description
技术领域
本发明涉及设备监测技术领域,尤其涉及一种非侵入式泵站控制***液压执行机构异常分析的方法。
背景技术
泵站机组为输调水工程的重要动力设备,其可靠性直接影响输调水工程的安全经济运行。泵站机组工作在高温、高速等恶劣条件以及各种随机因素的影响,机组很容易发生各种故障。而传统的计划检修往往存在受检修计划制约而得不到及时检修,带病运行,降低了机组运行安全可靠性,进而由于故障的恶化造成了维修代价、费用增加以及不必要的事故损失。因此,随着状态监测以及故障诊断技术的不断提高,在保证泵站机组安全运行的前提下,最大限度延长检修周期,以减少机组停机时间、提高利用效率、降低检修费用,提高机组运行可靠性的需求,使得变计划检修为状态检修成为了必然。虽然,近年来泵站机组在主机的监测分析上开展了大量的研究和技术改造,已经能够实现对振动、温度、压力等数据的检测分析,但是对于泵站机组的控制***却处于空白,特别是控制***的执行环节,随着长期的运行,往往会出现执行环节卡涩,效率降低、磨损等问题,目前缺少有效的检测手段。
控制***执行环节的检测手段地下,一方面原因是控制***属于信息一区,监测设备往往与其通讯会增加控制***的负载,导致控制***的不稳定性,现场人员往往抵触这种技术的推行方案,导致无法进行实用化落地,第二方面,与监控通讯,需要打通各个厂家的协议,需要添加通讯代理设备,导致现场设备运维工作量增加。
因此,有必要提出一种非侵入式的执行环节异常检测方法,能够充分利用现有视频设备,无需增加控制***负载状态,可以实时自动的检测执行机构的异常问题,并进行预警。
发明内容
本发明的目的在于提供一种非侵入式泵站控制***液压执行机构异常分析的方法,从而解决现有技术中存在的前述问题。
为了实现上述目的,本发明采用的技术方案如下:
一种非侵入式泵站控制***液压执行机构异常分析的方法,包括以下步骤:
S1,采用视频服务器获取泵站内工业视频数据,并随机抽取视频内的截图图片作为标记样本;
S2,采用LabelImg工具箱作为样本标记工具,将待标记的表计分为两类:位置表和机械指针表,并在样本图片中分别对位置表和机械指针表进行标记;
S3,将所有已标记好的样本图片按VOC2007格式保存;
S4,待保存好的样本图片代入Faster R-CNN模型进行训练,得到目标检测模型,并将得到的目标检测模型部署在实际***中,当新的视频图片输出时,获取位置表和机械指针表在图像中的位置和具体图像;
S5,重新获取所有表计的待检测图像,将待检测图像代入所述目标检测模型进行检测,获取各个表计在视频中的位置;
S6,按照各个表计对应的位置抠出表计子图像,并将各个子图像代入各自的非侵入识别模型进行图像识别;将识别出的示数按照<测点编码,时间戳,数值>的格式存入数据库;
S7,读取数据库中各个表计数值并将其代入液压执行环节的异常检测模型,进行分析预警。
优选地,所述位置表包括压油罐油位表和集油槽油位表;所述机械指针表包括压油罐压力表和集油槽压力表。
优选地,步骤S6具体包括:
当待识别的子图像为位置表时,该子图像进行图像识别时代入的非侵入识别模型为目标检测模型中模板匹配+长度比例计算;
当待识别的子图像为机械指针表时,该子图像进行图像识别时代入的非侵入识别模型为目标检测模型中模板匹配+角度计算。
优选地,当待识别的子图像为位置表时,进行图像识别时首先对位置表的全量程进行标定,并检测油位红色和白色的比例,并折算到对应数值的方式进行读数识别。
优选地,当待识别的子图像为机械指针表时,对起始角度和结束角度的数值进行标定,并采用目标检测模型的匹配方法对图像中机械指针的圆形抠出,计算指针的位置和对应角度,通过当前角度与全量程角度(结束角度-起始角度)的偏差,按对应比例进行读数识别。
优选地,步骤S7中具体包括:
S71,按照一定频率获取待测试设备上表计的示数,所述待测试设备包括压油罐或集油槽;
S72,取一段压油泵的时间区间,通过分析其启停的规律来分析其辅助设备的实际动作速率和耗油速率;
S73,采用最小二乘法计算拟合某时间区间内待测试设备的实际动作速率和耗油速率随时间的变化斜率,并计算待测试设备实际动作速率和耗油速率与拟合曲线中动作速率和耗油速率的残差及方差;
S74,实时计算已获取待测试设备的动作速率和耗油速率的历史方差,当获取的动作速率或耗油速率的方差大于3倍的历史方差均值时,判断该待测试设备异常。
优选地,步骤S72中实际动作速率计算公式为:
其中,OilSpeed为实际动作速率,e1为单次打油时,打油结束时待测试设备的油位、为打油结束的时间,s1为单次打油时,打油开始时的待测试设备的油位,/>为打油开始的时间;
耗油速率计算公式为:
其中,CostSpeed为耗油速率,s2为第二次打油时,打油开始时待测试设备的油位,为第二次打油开始时间,e1为单次打油时,打油结束时待测试设备的油位、/>为打油结束的时间。
优选地,步骤S74中判断辅助设备异常具体为:如果耗油速率异常则判断为疑似泄露,实际动作速率异常则判别为执行机构卡涩。
优选地,步骤S71中按照一定的频率具体是指每天为滑动时间窗口宽度,每30分钟为滑动间隔。
本发明的有益效果是:
本发明公开了一种非侵入式泵站控制***液压执行机构异常分析的方法,本发明的方法充分利用现有视频设备,构建目标检测模型和特定的表计图像识别方式,无需增加控制***负载状态,可以实时自动的检测执行机构的异常问题,并进行预警,在不提高成本的前提下有效提高泵站控制***的监测效率。
附图说明
图1是实施例1中非侵入式泵站控制***液压执行机构异常分析的方法流程图;
图2是实施例2中得到的一段时间内泵站机组启停序列图;
图3是实施例2中正常状况下的实际动作速率最小二乘法拟合曲线;
图4是实施例2中异常情况下的实际动作速率最小二乘法拟合曲线。
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,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方式仅仅用以解释本发明,并不用于限定本发明。
实施例1
本实施例提供一种非侵入式泵站控制***液压执行机构异常分析的方法,包括以下步骤:
S1,采用视频服务器获取泵站内所有表计的图像,建立目标检测模型;
S11,获取泵站内工业视频数据,并随机抽取视频内的截图图片作为标记样本;
S12,采用LabelImg工具箱作为样本标记工具,将待标记的表计分为两类:位置表和机械指针表,并在样本图片中分别对位置表和机械指针表进行标记;
S13,将所有已标记好的样本图片按VOC2007格式保存;
S14,待保存好的样本图片代入Faster R-CNN模型进行训练,得到目标检测模型,并将得到的目标检测模型部署在实际***中,当新的视频图片输出时,获取位置表和机械指针表在图像中的位置和具体图像。
S2,重新获取所有表计的待检测图像,将待检测图像代入所述目标检测模型进行检测,获取各个表计在视频中的位置,即测点编码;
S3,按照各个表计对应的位置抠出各个表计子图像,并将各个子图像代入各自的非侵入识别模型进行图像识别;将识别出的示数按照<测点编码,时间戳,数值>的格式存入数据库;
其中,位置型表计读数,采用对全量程进行标定,并检测油位红色和白色的比例,并折算到对应数值的方式进行读数识别。而机械指针型表计,对起始角度和结束角度的数值进行标定,并采用模型匹配方法对图像中表计的圆形抠出,通过Hough变换计算指针的位置和对应角度,通过当前角度与全量程角度(结束角度-起始角度)的偏差,按对应比例进行读数识别。
S4,读取数据库中各个表计数值并将其代入液压执行环节的异常检测模型,进行分析预警。
S41,按照每天为滑动时间窗口宽度,每30分钟为滑动间隔的频率获取待测试设备所有表计的示数,包括压油罐油位、压油表压力值、集油槽油位、集油槽压力值、事故油罐油位和事故油罐压力值中的至少一项;
S42,本实施例中以压油罐为待测试设备,由于压油罐的耗油过程是连续不间断的,然而计算耗油速率要选取压油泵停泵时段,排除压油泵打油的干扰。取一段压油泵停泵的时间区间,计算实际动作速率和耗油速率。
实际动作速率计算公式为:
其中,OilSpeed为实际动作速率,e1为单次打油时,打油结束时的压油罐油位、为打油结束的时间,s1为单次打油时,打油开始时的压油罐油位,/>为打油开始的时间。
耗油速率为:
其中,CostSpeed为耗油速率,s2为第二次打油时,打油开始的压油罐油位,为第二次打油开始时间,e1为单次打油时,打油结束时的压油罐油位、/>为打油结束的时间。
S43,采用最小二乘法计算拟合某时间区间内压油罐动作速率和耗油速率随时间的变化斜率,并计算压油罐实际动作速率和耗油速率与拟合曲线中动作速率和耗油速率的残差及方差;
S44,实时计算已获取的动作速率和耗油速率的历史方差,当获取的动作速率或耗油速率的方差大于3倍的历史方差均值时,判断辅助设备异常。
如果耗油速率异常则判断为疑似泄露,动作速率异常则判别为执行机构卡涩。
实施例2
本实施例提供一个测试压油罐的具体实施方式,通过泵站机组的非侵入式监测,可以获得如图2一样的泵站机组启停序列,按照公式计算得到实际动作速率和耗油速率,可以得到一段时间内的各个实际动作速率和耗油速率的时长,
其中,OilSpeed为实际动作速率,e1为单次打油时,打油结束时的压油罐油位、为打油结束的时间,s1为单次打油时,打油开始时的压油罐油位,/>为打油开始的时间。
其中,CostSpeed为耗油速率,s2为第二次打油时,打油开始的压油罐油位,为第二次打油开始时间,e1为单次打油时,打油结束时的压油罐油位、/>为打油结束的时间。
对实际动作速率进行最小二乘法拟合可以得到如下拟合曲线,如图3所示,可以得到每个时间点的实际动作速率到最小二乘拟合曲线的距离,并形成正态分布图;当出现漏油时,则,实际动作速率或耗油时长则发生变化,如图4所示,则通过最小二乘拟合的曲线,及各个时间点的值到拟合曲线的距离均发生改变,因此可以以本次获取到的统计实际动作速率或耗油速率和历史均值的动作速率或耗油速率进行比较,超出三倍值时,进行预警。
通过采用本发明公开的上述技术方案,得到了如下有益的效果:
本发明公开了一种非侵入式泵站控制***液压执行机构异常分析的方法,充分利用现有视频设备,构建目标检测模型和特定的表计图像识别方式,无需增加控制***负载状态,可以实时自动的检测执行机构的异常问题,并进行预警。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视本发明的保护范围。
Claims (6)
1.一种非侵入式泵站控制***液压执行机构异常分析的方法,其特征在于,包括以下步骤:
S1,采用视频服务器获取泵站内工业视频数据,并随机抽取视频内的截图图片作为标记样本;
S2,采用LabelImg工具箱作为样本标记工具,将待标记的表计分为两类:位置表和机械指针表,并在样本图片中分别对位置表和机械指针表进行标记;
S3,将所有已标记好的样本图片按VOC2007格式保存;
S4,待保存好的样本图片代入Faster R-CNN模型进行训练,得到目标检测模型,并将得到的目标检测模型部署在实际***中,当新的视频图片输出时,获取位置表和机械指针表在图像中的位置和具体图像;
S5,重新获取所有表计的待检测图像,将待检测图像代入所述目标检测模型进行检测,获取各个表计在视频中的位置;
S6,按照各个表计对应的位置抠出表计子图像,并将各个子图像代入各自的非侵入识别模型进行图像识别;将识别出的示数按照<测点编码,时间戳,数值>的格式存入数据库;
S7,读取数据库中各个表计数值并将其代入液压执行环节的异常检测模型,进行分析预警;
S8,获取泵站内工业视频数据,并随机抽取视频内的截图图片作为标记样本;
在步骤S7中具体包括:
S71,按照每天为滑动时间窗口宽度,每30分钟为滑动间隔的频率获取待测试设备上表计的示数;
S72,取一段压油泵的时间区间,通过分析其启停的规律来分析其辅助设备的实际动作速率和耗油速率;
S73,采用最小二乘法计算拟合时间区间内待测试设备的实际动作速率和耗油速率随时间的变化斜率,并计算待测试设备实际动作速率和耗油速率与拟合曲线中动作速率和耗油速率的残差及方差;
S74,实时计算已获取待测试设备的动作速率和耗油速率的历史方差,当获取的动作速率或耗油速率的方差大于3倍的历史方差均值时,判断该待测试设备异常;
在步骤S72中实际动作速率计算公式为:
其中,OilSpeed为实际动作速率,e1为单次打油时,打油结束时待测试设备的油位、为打油结束的时间,s1为单次打油时,打油开始时的待测试设备的油位,/>为打油开始的时间;
耗油速率为:
其中,CostSpeed为耗油速率,s2为第二次打油时,打油开始时待测试设备的油位,为第二次打油开始时间,e1为单次打油时,打油结束时待测试设备的油位、/>为打油结束的时间。
2.根据权利要求1所述的方法,其特征在于,所述位置表包括压油罐油位表和集油槽油位表;所述机械指针表包括压油罐压力表和集油槽压力表。
3.根据权利要求1所述的方法,其特征在于,步骤S6具体包括:
当待识别的子图像为位置表时,该子图像进行图像识别时代入的非侵入识别模型为目标检测模型中模板匹配+长度比例计算;
当待识别的子图像为机械指针表时,该子图像进行图像识别时代入的非侵入识别模型为目标检测模型中模板匹配+角度计算。
4.根据权利要求3所述的方法,其特征在于,当待识别的子图像为位置表时,进行图像识别时首先对位置表的全量程进行标定,并检测油位红色和白色的比例,并折算到对应数值的方式进行读数识别。
5.根据权利要求3所述的方法,其特征在于,当待识别的子图像为机械指针表时,对起始角度和结束角度的数值进行标定,并采用目标检测模型的匹配方法对图像中机械指针的圆形抠出,计算指针的位置和对应角度,通过当前角度与全量程角度的偏差,按对应比例进行读数识别。
6.根据权利要求5所述的方法,其特征在于,步骤S74中判断辅助设备异常具体为:如果耗油速率异常则判断为疑似泄露,实际动作速率异常则判别为执行机构卡涩。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911316914.8A CN110991405B (zh) | 2019-12-19 | 2019-12-19 | 一种非侵入式泵站控制***液压执行机构异常分析的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911316914.8A CN110991405B (zh) | 2019-12-19 | 2019-12-19 | 一种非侵入式泵站控制***液压执行机构异常分析的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110991405A CN110991405A (zh) | 2020-04-10 |
CN110991405B true CN110991405B (zh) | 2023-11-17 |
Family
ID=70063139
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911316914.8A Active CN110991405B (zh) | 2019-12-19 | 2019-12-19 | 一种非侵入式泵站控制***液压执行机构异常分析的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110991405B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104006834A (zh) * | 2014-05-28 | 2014-08-27 | 常州中能电力科技有限公司 | 变电站机械式表计数据采集及诊断*** |
CN106951899A (zh) * | 2017-02-24 | 2017-07-14 | 李刚毅 | 基于图像识别的异常检测方法 |
CN107450428A (zh) * | 2017-08-08 | 2017-12-08 | 国网重庆市电力公司江津供电分公司 | 一种基于平移等效的主变压器油位实时监控方法 |
CN107563263A (zh) * | 2016-07-01 | 2018-01-09 | 珠海优特电力科技股份有限公司 | 基于仪表的视频图像识别方法及*** |
CN108182433A (zh) * | 2017-12-29 | 2018-06-19 | 北京易达图灵科技有限公司 | 一种表计读数识别方法及*** |
CN109359697A (zh) * | 2018-10-30 | 2019-02-19 | 国网四川省电力公司广元供电公司 | 一种电力设备巡检中使用的图形图像识别方法及巡查*** |
-
2019
- 2019-12-19 CN CN201911316914.8A patent/CN110991405B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104006834A (zh) * | 2014-05-28 | 2014-08-27 | 常州中能电力科技有限公司 | 变电站机械式表计数据采集及诊断*** |
CN107563263A (zh) * | 2016-07-01 | 2018-01-09 | 珠海优特电力科技股份有限公司 | 基于仪表的视频图像识别方法及*** |
CN106951899A (zh) * | 2017-02-24 | 2017-07-14 | 李刚毅 | 基于图像识别的异常检测方法 |
CN107450428A (zh) * | 2017-08-08 | 2017-12-08 | 国网重庆市电力公司江津供电分公司 | 一种基于平移等效的主变压器油位实时监控方法 |
CN108182433A (zh) * | 2017-12-29 | 2018-06-19 | 北京易达图灵科技有限公司 | 一种表计读数识别方法及*** |
CN109359697A (zh) * | 2018-10-30 | 2019-02-19 | 国网四川省电力公司广元供电公司 | 一种电力设备巡检中使用的图形图像识别方法及巡查*** |
Also Published As
Publication number | Publication date |
---|---|
CN110991405A (zh) | 2020-04-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107168294B (zh) | 一种火电水***设备无人巡检监控方法 | |
CN108446864B (zh) | 基于大数据分析的轨道交通设备的故障预警***及方法 | |
CN116026389A (zh) | 一种基于数据分析的智能传感器运行检测*** | |
CN102541013B (zh) | 阳极保护设备远程监控、预警及故障诊断***与方法 | |
CN115559890B (zh) | 一种水泵机组运行故障预测调整方法及*** | |
CN112232405B (zh) | 齿轮箱的故障预测、监测和诊断方法及相应装置 | |
CN105022373A (zh) | 基于zigbee技术的港口设备维护*** | |
CN109872018A (zh) | 一种基于示功图的抽油井产量计算方法 | |
CN110780261A (zh) | 一种电量采集数据核对方法及*** | |
KR20220093597A (ko) | IoT기반 도시기상관측자료의 품질검사 시스템 | |
CN112926656A (zh) | 一种核电厂循环水泵状态预测方法、***及设备 | |
JP5582891B2 (ja) | ダム計測データ評価方法、およびダム計測データ評価システム | |
CN110991405B (zh) | 一种非侵入式泵站控制***液压执行机构异常分析的方法 | |
CN108093210A (zh) | 一种变压器油位告警***及其告警方法 | |
CN114442543A (zh) | 一种适用于水电站故障预警的计算机监测方法 | |
CN113155443A (zh) | 一种采煤机减速器润滑油状态监测与故障诊断***及方法 | |
CN109894476B (zh) | 一种冷轧硅钢生产线液压设备故障诊断方法和装置 | |
CN202433761U (zh) | 基于物联网的阳极保护设备远程监控预警及故障诊断*** | |
CN115788771A (zh) | 一种基于物联网技术的风力发电***的智能运维管理*** | |
CN113513304A (zh) | 一种基于抽油机电功图的平衡度检测方法 | |
CN105134576A (zh) | 一种排水泵站水泵运行性能诊断方法及诊断设备 | |
CN112769918A (zh) | 基于工业物联网和大数据的智能燃气监测管理云计算平台 | |
CN112326255B (zh) | 一种发动机远程健康监护***及监护方法 | |
CN108572640A (zh) | 一种工业***智能诊断方法 | |
CN117723917B (zh) | 基于光纤非本征法珀型超声波传感器的监测应用方法 |
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 |