CN111914490B - 一种基于深度卷积随机森林自编码的泵站机组状态评价方法 - Google Patents

一种基于深度卷积随机森林自编码的泵站机组状态评价方法 Download PDF

Info

Publication number
CN111914490B
CN111914490B CN202010895695.XA CN202010895695A CN111914490B CN 111914490 B CN111914490 B CN 111914490B CN 202010895695 A CN202010895695 A CN 202010895695A CN 111914490 B CN111914490 B CN 111914490B
Authority
CN
China
Prior art keywords
waveform
vibration
sample
pump station
coding
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
CN202010895695.XA
Other languages
English (en)
Other versions
CN111914490A (zh
Inventor
田雨
蒋云钟
韩婧怡
康婧
张代娣
李佳
陈娟
谭亚男
路梦瑶
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.)
China Institute of Water Resources and Hydropower Research
Original Assignee
China Institute of Water Resources and Hydropower Research
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 China Institute of Water Resources and Hydropower Research filed Critical China Institute of Water Resources and Hydropower Research
Priority to CN202010895695.XA priority Critical patent/CN111914490B/zh
Publication of CN111914490A publication Critical patent/CN111914490A/zh
Application granted granted Critical
Publication of CN111914490B publication Critical patent/CN111914490B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明公开了一种基于深度卷积随机森林自编码的泵站机组状态评价方法，包括收集泵站机组全寿命周期的上导震动X向波形、上导振动Y向振动波形、水导振动X向振动波形、水导振动Y向振动波形、上机架X向振动波形、上机架Y向振动波形、上机架垂直振动波形、叶轮外壳X向振动、叶轮外壳Y向振动、大轴摆度波形以及上述各个波形数据的键相信号，以得到历史波形健康样本库；从历史波形健康样本库中，选取泵站机组健康状态时期的各个测点信息作为历史正常数据样本；等步骤。优点是：基于在线监测数据，无须进行停机和人工布置测点，增加了电厂的经济效益，利用机组多源数据进行建模，自动挖掘隐含特征，适应于各个不同形式、运行时间的机组。

Description

一种基于深度卷积随机森林自编码的泵站机组状态评价方法
技术领域
本发明涉及泵站状态评价技术领域，尤其涉及一种基于深度卷积随机森林自编码的泵站机组状态评价方法。
背景技术
随着南水北调工程的不断建设，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。同时，由于用户侧用水需求不断多变，其调节频次和深度均比以往大大提高，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。各个部件的性能会随着服役时间的增加而逐渐退化，从而导致恶性事故的发生。因此迫切需要实时准确的掌握机组运行状态，从而为机组运行做出准确科学的决策依据。
针对泵站机组的机械性能状态评价，我国多采用根据在机组部件的关键点的振动测量结果来进行评价，通过性能试验来分析机组的健康状况。由于泵站机组受水、机、电等多种因素的影响，故采用多种性能试验进行状态评价，并以振动和水压脉动的异常或超标来表征泵站机组的运行稳定性状态。然而，传统健康评估需要人工进行传感器布置、数据采集和手动数据处理分析等工作，并且人工试验通常需要停机或被并被安排检修之后，受到工期的制约并造成一定的经济损失。同时，目前国内外缺乏对泵站机组运行健康的相应评判标准，一般都按有关规程来进行评价。由于标准或规程往往只规定某一限值，而在电站实际运行过程中，机组型式可能多种多样，同时由于机组运行工况变化频繁，单一限值下的评价标准无法精确合理的度量机组的健康状态。同时，机组性能劣化可能只体现在性能指标随时间的趋势变化，还没有发生监测值超过限值的情况，但此时机组运行已出现明显异常。因此，单纯采用当前单一工况点下的限值评价方法是无法有效地对机组运行状态健康状态进行评估的。
随着工业互联网技术的不断发展，通过多源在线信息结合数据驱动模型，对机组进行实时在线评价和剩余寿命估算已成为可能。然而，传统寿命估计算法往往需要假定失效曲线，如指数型、线性，并借助假定模型对健康指标外推来预测机组残余寿命。由于泵站机组调节频繁，这种假设往往与现实情况差距较远，一方面失效曲线往往不会单单遵循一个固定的形状，难以用简单的趋势模型表述；另一方面，到达失效的时间往往不会相同。同时还伴随着传感器噪声、样本数少等缺陷，难以在实际***中使用。
发明内容
本发明的目的在于提供一种基于深度卷积随机森林自编码的泵站机组状态评价方法，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：
一种基于深度卷积随机森林自编码的泵站机组状态评价方法，包括如下步骤，
S1、收集泵站机组全寿命周期的上导震动X向波形、上导振动Y向振动波形、水导振动X向振动波形、水导振动Y向振动波形、上机架X向振动波形、上机架Y向振动波形、上机架垂直振动波形、叶轮外壳X向振动、叶轮外壳Y向振动、大轴摆度波形以及上述各个波形数据的键相信号，以得到历史波形健康样本库；
S2、从所述历史波形健康样本库中，选取泵站机组健康状态时期的各个测点信息作为历史正常数据样本；
S3、将上述历史正常数据样本按照键相信号，选取各个波形的整周期数据，并按照对应时标形成横轴为时间点、纵轴为通道编号的二维矩阵；
S4、通过深度卷积神经网络对所述二维矩阵进行特征提取，获取样本特征；
S5、将样本特征输入随机森林自编码模型中进一步压缩，获取健康特征样本集合；
S6、在线监测泵站机组，实时获取泵站机组整周期的上导震动X向波形、上导振动Y向振动波形、水导振动X向振动波形、水导振动Y向振动波形、上机架X向振动波形、上机架Y向振动波形、上机架垂直振动波形、叶轮外壳X向振动、叶轮外壳Y向振动、大轴摆度波形以及上述各个波形数据的键相信号，以得到待测试波形样本；
S7、将所述待测试波形样本执行步骤S2至步骤S5，获取待测试特征样本集合；
S8、将所述待测试特征样本集合与所述健康特征样本集合进行欧式距离计算，获取距离偏差度；
S9、使用距离偏差度评价泵站机组的健康状态。
优选的，所述深度卷积神经网络包括正卷积模型和反卷积模型，所述正卷积模型采用5层卷积-池化层，卷积核依次为128*3、64*3、32*3、16*3和8*3；所述反卷积模型采用5层卷积-池化层，卷积核依次为8*3、16*3、32*3、64*3和128*3；所述正卷积模型和所述反卷积模型对所述二维矩阵进行特征提取，获取样本特征。
优选的，所述随机森林自编码模型即采用随机森林的树集成模型来构建自编码过程；所述随机森林自编码模型包括前向编码和反向编码；所述前向编码接收所述样本特征后，将该样本特征发送到集成中的树的每个根节点，当所述样本特征遍历所有树的根节点后，将返回第一结果向量；所述反向编码利用在树中的每个叶子节点对应唯一一条从根到叶子的路径的特性，建立规则库，以获取树的叶子节点到根节点的每一条路径，根据在规则中的每一个约束的范围不能再扩大的逻辑，对规则库中的多条规则进行简化，最终获取所有树的各个叶子节点到根节点之间的映射，即获取与第一结果向量映射的第二结果向量，所述第二结果向量即为健康特征样本集合。
本发明的有益效果是：1、通过分析机组多个从开始到失效的全寿命周期实例来获取机组失效趋势，当机组出现新的失效趋势时，可以通过模型来计算最可能的趋势变化并估计剩余寿命。2、本发明中的深度学习通过海量数据可以自动的挖掘机组固有的故障特征，通过对机组正常行为的数据进行建模，并逐级抽象提取数据的隐含特征，来表征机组的健康状态，在模型建立后，通过计算当前传感器数据与正常行为状态的相似度，可以度量机组健康程度，并通过外推算法，得到更为准确的剩余寿命。3、本发明状态评价方法基于在线监测数据，无须进行停机和人工布置测点，从而大大增加了电厂的经济效益，同时可以综合利用机组多源数据进行建模，自动挖掘其隐含特征，无需专家进行人工判定，且适应于各个不同形式、不同运行时间的机组，具有自适应性和客观性。
附图说明
图1是本发明实施例中评价方法的原理流程图；
图2是本发明实施例中树节点后向解码映射图。
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，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。
实施例一
如图1所示，本实施例中，提供了一种基于深度卷积随机森林自编码的泵站机组状态评价方法，包括如下步骤，
S1、收集泵站机组全寿命周期的上导震动X向波形、上导振动Y向振动波形、水导振动X向振动波形、水导振动Y向振动波形、上机架X向振动波形、上机架Y向振动波形、上机架垂直振动波形、叶轮外壳X向振动、叶轮外壳Y向振动、大轴摆度波形以及上述各个波形数据的键相信号，以得到历史波形健康样本库；
S2、从所述历史波形健康样本库中，选取泵站机组健康状态时期的各个测点信息作为历史正常数据样本；
S3、将上述历史正常数据样本按照键相信号，选取各个波形的整周期数据，并按照对应时标形成横轴为时间点、纵轴为通道编号的二维矩阵；
S4、通过深度卷积神经网络对所述二维矩阵进行特征提取，获取样本特征；
S5、将样本特征输入随机森林自编码模型中进一步压缩，获取健康特征样本集合；
S6、在线监测泵站机组，实时获取泵站机组整周期的上导震动X向波形、上导振动Y向振动波形、水导振动X向振动波形、水导振动Y向振动波形、上机架X向振动波形、上机架Y向振动波形、上机架垂直振动波形、叶轮外壳X向振动、叶轮外壳Y向振动、大轴摆度波形以及上述各个波形数据的键相信号，以得到待测试波形样本；
S7、将所述待测试波形样本执行步骤S2至步骤S5，获取待测试特征样本集合；
S8、将所述待测试特征样本集合与所述健康特征样本集合进行欧式距离计算，获取距离偏差度；
S9、使用距离偏差度评价泵站机组的健康状态。
本实施例中，所述二维矩阵中，横轴包括4096个时间点；纵轴包括10个通道编号。
本实施例中，所述深度卷积神经网络包括正卷积模型和反卷积模型，所述正卷积模型采用5层卷积-池化层，卷积核依次为128*3、64*3、32*3、16*3和8*3；所述反卷积模型采用5层卷积-池化层，卷积核依次为8*3、16*3、32*3、64*3和128*3；所述正卷积模型和所述反卷积模型对所述二维矩阵进行特征提取，获取样本特征。
本实施例中，采用5层卷积-池化层进行构建，正卷积模型的卷积核分别为(128*3)、(64*3)、(32*3)、(16*3)、(8*3)。反卷积模型同样则需要按照(8*3)、(16*3)、(32*3)、(64*3)、(128*3)的反卷积核进行反卷积。在正卷积和反卷积之间采用随机森林自编码模型进行建模训练。
将提取后的特征样本进行过随机森林的反编码过程，得到其根节点序列，作为反卷积的输入，并按照(8*3)、(16*3)、(32*3)、(64*3)、(128*3)的反卷积核进行反卷积，得到反卷积输出。
对原始数据(正卷积输入)和反卷积输出之间计算误差，通过多次循环迭代训练后，得到的误差最小时，表明该神经网络模型和随机森林自编码模型训练成功，可以使用他们对待测试样本进行测试。
本实施例中，通过卷积-池化操作后生成1024维的样本特征。
本实施例中，将样本特征输入随机森林自编码模型中进一步压缩，得到100维特征，即为健康特征样本集合。
本实施例中，所述随机森林自编码模型即采用随机森林的树集成模型来构建自编码过程；所述随机森林自编码模型包括前向编码和反向编码；所述前向编码接收所述样本特征后，将该样本特征发送到集成中的树的每个根节点，当所述样本特征遍历所有树的根节点后，将返回第一结果向量；所述反向编码利用在树中的每个叶子节点对应唯一一条从根到叶子的路径的特性，建立规则库，以获取树的叶子节点到根节点的每一条路径，根据在规则中的每一个约束的范围不能再扩大的逻辑，对规则库中的多条规则进行简化，最终获取所有树的各个叶子节点到根节点之间的映射，即获取与第一结果向量映射的第二结果向量，所述第二结果向量即为健康特征样本集合。
本实施例中，所述待测试特征样本集合与所述健康特征样本集合进行欧式距离计算，获取距离偏差度，具体计算如下，
其中，d12为待测试特征样本集合与所述健康特征样本集合之间的距离偏差度；x1和y1代表健康样本的特征，x2和y2为待测试的样本特征。
本实施例中，使用距离偏差度作为泵站机组的状态评价指标，具体评价方式为，设定内置特征维度为50维，通过历史泵站机组的健康样本，带入本模型进行得50维的特征向量，即健康特征样本集合；当泵站机组在线数据获取时，同样进行计算，获取待测试特征样本集合，将待测试特征样本集合和健康特征样本集合进行偏差度计算并归一化后，结果值为1则代表完全失效、结果值为0则代表健康，通过结果值从0-1之间的变化，可以预估出泵站机组综合健康度，特别是当健康度呈现趋势性上升时，表明出现某种故障。
实施例二
本实施例中，以某引江济淮工程的轴流式泵站机组为例，具体说明本发明的评价方法的实施过程。
(1)先对机组的额定转速、结构形式进行调研，实施对象采用两导式部署(上导轴承+水导轴承)，仅仅采用上机架进行支撑，同时机组转速为1200r/min，计算主频在20Hz左右，因此，采用速度型传感器进行采集。对泵站机组布置传感器如下表所示：
(2)对上述波形进行等周期采样，根据香浓定律，采用3000Hz以上采样率，对各个部位的波形进行采集和存储。
对在线波形进行存储后，结合专家经验，对历史的波形进行专家标记，对正常的样本进行汇集，形成历史波形健康样本库，通过键相信号的0-1状态，抓取一个正周期的波形数据，并将上述波形进行对齐。
(3)将上述数据按照键相信号，选取各自波形的整周期数据，并按照对应时标形成横轴为时间点4096个(以实际采样率为准)，纵轴为通道编号(10个)的二维矩阵。
(4)采用5层卷积-池化层进行构建，卷积核分别为(128*3)，(64*3)，(32*3)，(16*3)(8*3)，并将最后得到的输出进行展开生成特征。反卷积模型同样则需要按照(8*3)，(16*3)、(32*3)(64*3)、(128*3)的反卷积核进行反卷积。在卷积和反卷积之间采用随机森林自编码进行建模训练。
(5)通过深度卷积神经网络进行特征的提取，通过卷积-池化操作后生成1024维的样本特征。将样本特征带入随机森林自编码模型，进行进一步压缩，得到100维特征，作为健康特征样本集合。
随机森林自编码采用随机森林的树集成模型来构建自编码过程，分为前向编码和后向编码两部分，前向编码过程接收输入数据后，将该数据发送到集成中的树的每个根节点，当数据遍历所有树的叶节点后，该过程将返回结果向量。从根到叶子节点的过程就是前向编码。后向解码，则利用在树中的每个叶子结点对应于一条唯一的从根到叶子的路径的特性，建立规则库，找到叶子节点到树根节点的每一条路径，再根据最大完备规则，即在规则中的每一个约束的范围不能再扩大的逻辑，对多条规则进行简化，最终得到各个叶子节点到根节点的映射，实现了后向解码。
后向解码对应的符号规则为：
RULE1:(x1≥0)∧(x2≥1.5)∧(x3＝＝RED)
根据规则最大完备规则，即规则在一个约束范围中不能再扩大，如果扩大，就产生冲突。
(6)当在线监测获取样本后，同样按照(2)-(3)的步骤得到待测试特征样本集合，并与健康特征样本集合进行欧式距离计算，得到的距离偏差度作为健康指标。
距离偏差度为：
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：
本发明提供了一种基于深度卷积随机森林自编码的泵站机组状态评价方法，通过分析机组多个从开始到失效的全寿命周期实例来获取机组失效趋势，当机组出现新的失效趋势时，可以通过模型来计算最可能的趋势变化并估计剩余寿命。深度学习通过海量数据可以自动的挖掘机组固有的故障特征，通过对机组正常行为的数据进行建模，并逐级抽象提取数据的隐含特征，来表征机组的健康状态，在模型建立后，通过计算当前传感器数据与正常行为状态的相似度，可以度量机组健康程度，并通过外推算法，得到更为准确的剩余寿命。状态评价方法基于在线监测数据，无须进行停机和人工布置测点，从而大大增加了电厂的经济效益，同时可以综合利用机组多源数据进行建模，自动挖掘其隐含特征，无需专家进行人工判定，且适应于各个不同形式、不同运行时间的机组，具有自适应性和客观性。
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 (3)

1.一种基于深度卷积随机森林自编码的泵站机组状态评价方法，其特征在于：包括如下步骤，
S1、收集泵站机组全寿命周期的上导震动X向波形、上导振动Y向振动波形、水导振动X向振动波形、水导振动Y向振动波形、上机架X向振动波形、上机架Y向振动波形、上机架垂直振动波形、叶轮外壳X向振动、叶轮外壳Y向振动、大轴摆度波形以及上述各个波形数据的键相信号，以得到历史波形健康样本库；
S2、从所述历史波形健康样本库中，选取泵站机组健康状态时期的各个测点信息作为历史正常数据样本；
S3、将上述历史正常数据样本按照键相信号，选取各个波形的整周期数据，并按照对应时标形成横轴为时间点、纵轴为通道编号的二维矩阵；
S4、通过深度卷积神经网络对所述二维矩阵进行特征提取，获取样本特征；
S5、将样本特征输入随机森林自编码模型中进一步压缩，获取健康特征样本集合；
S6、在线监测泵站机组，实时获取泵站机组整周期的上导震动X向波形、上导振动Y向振动波形、水导振动X向振动波形、水导振动Y向振动波形、上机架X向振动波形、上机架Y向振动波形、上机架垂直振动波形、叶轮外壳X向振动、叶轮外壳Y向振动、大轴摆度波形以及上述各个波形数据的键相信号，以得到待测试波形样本；
S7、将所述待测试波形样本执行步骤S2至步骤S5，获取待测试特征样本集合；
S8、将所述待测试特征样本集合与所述健康特征样本集合进行欧式距离计算，获取距离偏差度；
S9、使用距离偏差度评价泵站机组的健康状态。
2.根据权利要求1所述的基于深度卷积随机森林自编码的泵站机组状态评价方法，其特征在于：所述深度卷积神经网络包括正卷积模型和反卷积模型，所述正卷积模型采用5层卷积-池化层，卷积核依次为128*3、64*3、32*3、16*3和8*3；所述反卷积模型采用5层卷积-池化层，卷积核依次为8*3、16*3、32*3、64*3和128*3；所述正卷积模型和所述反卷积模型对所述二维矩阵进行特征提取，获取样本特征。
3.根据权利要求1所述的基于深度卷积随机森林自编码的泵站机组状态评价方法，其特征在于：所述随机森林自编码模型即采用随机森林的树集成模型来构建自编码过程；所述随机森林自编码模型包括前向编码和反向编码；所述前向编码接收所述样本特征后，将该样本特征发送到集成中的树的每个根节点，当所述样本特征遍历所有树的根节点后，将返回第一结果向量；所述反向编码利用在树中的每个叶子节点对应唯一一条从根到叶子的路径的特性，建立规则库，以获取树的叶子节点到根节点的每一条路径，根据在规则中的每一个约束的范围不能再扩大的逻辑，对规则库中的多条规则进行简化，最终获取所有树的各个叶子节点到根节点之间的映射，即获取与第一结果向量映射的第二结果向量，所述第二结果向量即为健康特征样本集合。
CN202010895695.XA 2020-08-31 2020-08-31 一种基于深度卷积随机森林自编码的泵站机组状态评价方法 Active CN111914490B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010895695.XA CN111914490B (zh) 2020-08-31 2020-08-31 一种基于深度卷积随机森林自编码的泵站机组状态评价方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010895695.XA CN111914490B (zh) 2020-08-31 2020-08-31 一种基于深度卷积随机森林自编码的泵站机组状态评价方法

Publications (2)

Publication Number Publication Date
CN111914490A CN111914490A (zh) 2020-11-10
CN111914490B true CN111914490B (zh) 2023-10-13

Family

ID=73267657

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010895695.XA Active CN111914490B (zh) 2020-08-31 2020-08-31 一种基于深度卷积随机森林自编码的泵站机组状态评价方法

Country Status (1)

Country Link
CN (1) CN111914490B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112539183B (zh) * 2020-11-25 2022-06-17 南京河海南自水电自动化有限公司 一种水泵断流装置拒动的故障诊断方法及***
CN115127856B (zh) * 2022-07-13 2024-06-04 南京德阳科技有限公司 一种混凝土试块抗压试验机器人取样识别的方法及装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7013223B1 (en) * 2002-09-25 2006-03-14 The Board Of Trustees Of The University Of Illinois Method and apparatus for analyzing performance of a hydraulic pump
CN108241873A (zh) * 2018-01-10 2018-07-03 中国水利水电科学研究院 一种面向泵站主设备的智能故障诊断方法
CN108869145A (zh) * 2018-04-26 2018-11-23 中国水利水电科学研究院 基于复合特征指标和深度极限学习机的泵站机组诊断方法
CN109063782A (zh) * 2018-08-16 2018-12-21 中国水利水电科学研究院 一种自适应泵站故障智能诊断方法
CN109102032A (zh) * 2018-09-03 2018-12-28 中国水利水电科学研究院 一种基于深度森林和自编码的泵站机组诊断方法
WO2019153388A1 (zh) * 2018-02-12 2019-08-15 大连理工大学 一种基于功率熵谱的随机森林的航空发动机滚动轴承故障诊断方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7013223B1 (en) * 2002-09-25 2006-03-14 The Board Of Trustees Of The University Of Illinois Method and apparatus for analyzing performance of a hydraulic pump
CN108241873A (zh) * 2018-01-10 2018-07-03 中国水利水电科学研究院 一种面向泵站主设备的智能故障诊断方法
WO2019153388A1 (zh) * 2018-02-12 2019-08-15 大连理工大学 一种基于功率熵谱的随机森林的航空发动机滚动轴承故障诊断方法
CN108869145A (zh) * 2018-04-26 2018-11-23 中国水利水电科学研究院 基于复合特征指标和深度极限学习机的泵站机组诊断方法
CN109063782A (zh) * 2018-08-16 2018-12-21 中国水利水电科学研究院 一种自适应泵站故障智能诊断方法
CN109102032A (zh) * 2018-09-03 2018-12-28 中国水利水电科学研究院 一种基于深度森林和自编码的泵站机组诊断方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
Degradation Assessment and Remaining Useful Life Prognostic of Centrifugal Pump using Multi-Sensor Process Monitoring;Taotao Zhou等;《2020 Asia-Pacific International Symposium on Advanced Reliability and Maintenance Modeling (APARM)》;第1-4页 *
基于AdaBoost算法的水质监测数据清洗方;侯锋等;《水电站机电技术》;第46卷(第5期);第109-111+126页 *
基于稀疏自编码支持向量机泵站故障检测;殷振兴;《水科学与工程技术》(第06期);第52-55页 *
基于自编码支持向量机泵站故障识别;洪健;《中国水利学会2018学术年会论文集第五分册》(第6期);全文 *
梯级泵站输水***预测控制方法研究;郑和震等;《人民黄河》;第40卷(第2期);140-143页 *
调水工程水位数据清洗及预测模型研究;薛萍;《中国优秀硕士学位论文全文数据库》;工程科技Ⅱ辑 C037-99 *

Also Published As

Publication number Publication date
CN111914490A (zh) 2020-11-10

Similar Documents

Publication Publication Date Title
CN109492193B (zh) 基于深度机器学习模型的异常网络数据生成与预测方法
CN107423414B (zh) 一种基于信息传递模型的流程工业复杂机电***故障溯源方法
CN109141881A (zh) 一种深度自编码网络的旋转机械健康评估方法
CN111914490B (zh) 一种基于深度卷积随机森林自编码的泵站机组状态评价方法
CN111337237B (zh) 一种设备故障的诊断方法及***
CN113570138B (zh) 一种时间卷积网络的设备剩余使用寿命预测方法及装置
CN110399986B (zh) 一种泵站机组故障诊断***的生成方法
CN111401584A (zh) 一种设备故障自动诊断方法及***
CN112305388B (zh) 一种发电机定子绕组绝缘局部放电故障在线监测诊断方法
CN111209934A (zh) 风机故障预报警方法及***
CN115614292B (zh) 一种立式水泵机组振动监测装置及其方法
CN112926656A (zh) 一种核电厂循环水泵状态预测方法、***及设备
CN111637045A (zh) 一种海洋平台空气压缩机故障诊断方法
CN117074961A (zh) 一种变分自编码器动力电池异常检测方法、***、装置及存储介质
CN116976191A (zh) 一种水轮发电机组轴系稳定性劣化趋势预测方法
CN114021620A (zh) 基于bp神经网络特征提取的电潜泵故障诊断方法
CN113313365A (zh) 一种一次风机的劣化预警方法及设备
CN108613820A (zh) 一种用于gis本体机械缺陷诊断和定位的在线异声监测算法
CN114781450B (zh) 一种基于参数优化momeda-mia-cnn的列车滚动轴承状态识别方法
CN114239708B (zh) 一种基于质量控制图理论的燃机异常检测方法
CN114118720A (zh) 一种核电厂循环水泵运行状态综合评价方法、装置及电子设备和存储介质
CN110441081B (zh) 一种旋转机械故障的智能诊断方法及智能诊断***
CN114417704A (zh) 一种基于改进栈式自编码的风电机组发电机健康评估方法
CN112308391A (zh) 一种基于神经网络的设备状态实时监测与异常探测方法
CN114781762B (zh) 一种基于寿命消耗的装备故障预测方法

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