CN112286088A - 一种动力设备故障预测模型在线应用的方法及应用*** - Google Patents

一种动力设备故障预测模型在线应用的方法及应用*** Download PDF

Info

Publication number
CN112286088A
CN112286088A CN202011024022.3A CN202011024022A CN112286088A CN 112286088 A CN112286088 A CN 112286088A CN 202011024022 A CN202011024022 A CN 202011024022A CN 112286088 A CN112286088 A CN 112286088A
Authority
CN
China
Prior art keywords
fault
prediction model
equipment
library
fault prediction
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.)
Pending
Application number
CN202011024022.3A
Other languages
English (en)
Inventor
陈百利
汪卫兵
吴延军
林健
肖耀涛
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.)
Guangdong Vocational College Of Post And Telecom
Original Assignee
Guangdong Vocational College Of Post And Telecom
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 Guangdong Vocational College Of Post And Telecom filed Critical Guangdong Vocational College Of Post And Telecom
Priority to CN202011024022.3A priority Critical patent/CN112286088A/zh
Publication of CN112286088A publication Critical patent/CN112286088A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
    • G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
    • G05B19/0428—Safety, monitoring
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/20—Pc systems
    • G05B2219/24—Pc safety
    • G05B2219/24024—Safety, surveillance

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明属于信息技术领域，公开了一种动力设备故障预测模型在线应用的方法及应用***，将由不同的预测方法生成的动力设备故障预测模型按照不同设备的故障分类，离线生成设备故障预测模型库；将故障预测模型库部署到现网运行***中，对当前***进行设备故障预测，在线生成维修或维护计划；对部分故障类型的预测模型进行重训练，在线或离线更新设备故障预测模型库。本发明将离线生成的故障预测模型应用到在线***中，可以实时了解设备可能出现的故障，并为决策者提供该设备的维修或维护计划，做到提前检修，从而避免了因设备故障而给通信设备带来的停机隐患。

Description

一种动力设备故障预测模型在线应用的方法及应用***
技术领域
本发明属于信息技术领域，尤其涉及一种动力设备故障预测模型在线应用的方法及应用***。
背景技术
目前，动环监控***主要用来监控动力设备的运行状况，动力设备包括开关电源、空调、油机，蓄电池组，高低压配电等，该***主要由采集单元、中心平台服务器、显示客户端组成，每个组成模块都会对应一台或多台物理设备实体，其中，中心平台服务器可以部署在云端。该***用来在线远程监测通信局站动力及环境设备的运行参数。当动力设备发生故障后，通过该***可以实现快速呈现，快速响应，快速派单，做到及时有效地消除故障。但有时因故障未及时处理，会影响到通信主设备的正常运行。
预测性维护技术可以提前预知故障可能发生的时间，提前做出维护或维修计划，防患于未然，而预测性维护要求大量的设备数据进行建模，而在动环监控***的实际运行环境中存在大量的历史数据，可以为动力设备故障预测模型的建立提供很好的实验素材。
当前动力设备预测性维护的建模主要是在实验室中利用历史数据进行模拟，未形成可部署到动环监控***中的有效预测模型库，更未在实时运行的监控***中使用，因此需要采取合适的方法，将实验建立的模型有效应用到实际运行环境中，满足故障的***，提前对设备进行检修。
通过上述分析，现有技术存在的问题及缺陷为：
(1)现有技术因是在动力设备故障发生后进行处理，存在故障处理不及时而影响通信主设备正常运行的隐患。
(2)现有技术未形成可部署到动环监控***中的有效动力设备故障预测模型库，更未在实时运行的监控***中使用。
(3)现有技术中不存在动态更新动力设备故障预测模型库的方法。
解决以上问题及缺陷的难度为：
解决现有技术问题的关键难点其一在于故障预测模型库的生成，允许使用不同的预测方法对不同的故障类型生成不同预测模型，同时故障预测模型库能够被在线使用，从而保证不同故障类型能够使用有效的预测模型满足最佳的预测效果；其二在于故障预测模型库的动态更新，为避免出现所生成的故障预测模型的不准确，允许对预测模型进行在线或离线动态更新，使对故障的预测更能满足于实际现场真实情况。
解决以上问题及缺陷的意义为：
(1)改变故障发生后对故障处理的模式，实现在故障发生前***，以便有更充裕的时间处理故障，避免因设备故障处理不及时而给通信主设备带来的停机隐患；
(2)进行动力设备故障预测的主要目的就是为了在故障发生前预测故障，因此必须将离线产生的动力设备预测模型部署到实际运行***中，才能发挥作用。
(3)故障预测的越准确，在实际应用中发挥的作用就越大，因此必须不断地根据实际运行数据更新故障预测模型，使故障预测模型越来越准确，因此需要增加故障预测模型的动态训练机制。
发明内容
针对现有技术存在的问题，本发明提供了一种动力设备故障预测模型在线应用的方法及应用***。本发明还能应用于其他工业设备。
本发明是这样实现的，一种故障预测模型在线应用的方法，包括：
将由不同的预测方法(采用RNN方法，逻辑回归方法等)生成的动力设备故障预测模型按照不同设备的故障分类，离线生成设备故障预测模型库；
将故障预测模型库部署到现网运行***中，对当前***进行设备故障预测，在线生成维修或维护计划；
对部分故障类型的预测模型进行重训练，在线或离线更新设备故障预测模型库。
进一步，所述离线生成设备故障预测模型库针对型号不同的设备产生的故障，利用历史告警数据和历史运行数据，基于不同的故障预测方法，生成不同设备的故障预测模型库。
进一步，所述预测模型库包括三种类型的库结构：故障模型主库，预测方法子库和维修计划库；
所述故障模型主库用来存储每个设备型号的不同故障所使用预测方法索引；
所述预测方法子库用来存储针对不同设备不同故障类型采用不同预测方法所对应的特征参数及评估参数，同一种预测方法可采用同一个预测方法子库。
所述维修计划库用来存储维护或维修计划，维护或维修计划具体为根据专家的经验设定当预测评价指标达到某个值时，采取的维护或维修计划。
进一步，所述在线生成维修或维护计划包括：在现网动环监控***的基础上，在平台服务中增加设备故障预测模型匹配服务，实时收集在网***的监控点数据，根据不同设备型号不同故障类型的故障预测模型所对应的监控点特征与实时数据进行特征匹配，当匹配率达到设定值时，预估设备可能发生的故障，及故障发生的可能时间，并结合维修计划库给出对应的维修或维护计划。
进一步，所述设备故障预测模型匹配包括：
步骤1、对特征监控点进行分类，将所有实时采集的监控点数据，按照设备故障预测模型库中故障类型进行特征分类和存储；
步骤2、定时或定期地按照设备故障预测模型库进行特征匹配。
进一步，所述步骤1采用1个线程实现，所述步骤2可划分成1个或n个线程，也可以利用线程池实现，每个线程可以完成一个故障类型或多个故障类型的特征匹配。
进一步，所述特征匹配线程的数目根据故障预测模型库中故障类型的数目来划分。
进一步，所述特征匹配线程包括：
线程启动后，按预定的时间定时执行某一种故障类型的特征匹配，在进行特征匹配前导入故障预测模型库中该故障类型所对应的特征监控点实时数据，并将该数据与预测模型库中的对应特征监控点进行匹配，计算获取该设备故障的实际评估参数p。
对不同的故障可设置2-3个评估参数，当p达到预测模型库中该故障类型设定的评估参数时，利用专家的经验结合维修计划库给出不同的维护或维修计划；
如果p未达到特定值时，则在下一个设定时间到达后，继续进行故障模型的匹配。
进一步，所述模型的重训练包括：
实时监测动环监控***中产生的故障，将检测到相关故障与设备故障预测模型库中的故障类型进行匹配，若在故障预测模型库不存在该故障类型，则不做任何处理，继续进行故障的监测，若在故障预测模型库中已登记该故障类型，则执行后续的重训练过程。
进一步，在重训练过程中，首先获取与检测到的故障相关的监控点实时数据，并将这些实时数据进行预处理及标准化处理，将处理过的数据加入到之前已完成标准化处理的历史数据库中，作为该故障训练的一个实例，该实例与之前存储的历史数据一起作为训练数据，利用故障模型主库中的该故障类型预测方法，重新进行故障预测模型的学习和训练，并将训练产生的新参数替换之前预测模型库中预测方法子库的对应参数，完成一次故障预测模型的在线更新。
本发明另一目的在于提供一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如下步骤：
将生成的动力设备故障预测模型按照不同设备的故障分类，离线生成设备故障预测模型库；
将故障预测模型库部署到现网运行***中，对当前***进行设备故障预测，在线生成维修或维护计划；
对部分故障类型的预测模型进行重训练，在线或离线更新设备故障预测模型库。
本发明的另一目的在于提供一种故障预测模型在线应用***，包括：
模型库生成模块，用于离线生成设备故障预测模型库；
模型匹配模块，用于在线生成维修或维护计划；
更新模块，用于在线或离线更新设备故障预测模型库。
本发明的另一目的在于提供一种计算机可读存储介质，用于存储计算机程序，其特征在于，所述计算机程序被处理器调用时实现上述任一项所述的故障预测模型在线应用的方法。
结合上述的所有技术方案，本发明所具备的优点及积极效果为：
(1)本技术方案提供了从预测模型库的生成，到在线应用，再到预测模型库的更新维护的全过程方案。
(2)本技术方案中的故障预测模型库的生成不只依赖于一种故障预测方法，而是根据不同故障类型的特点使用不同的预测方法，从而增强不同故障预测的准确性。
(3)本技术方案提出了在将预测模型应用到在网运行的***中时，根据故障预测匹配度的不同，可以实施不同的维修或维护计划，从而让维护人员对设备的维护更有针对性。
(4)本技术方案在应用到实际***中时，能够充分利用计算机本身的性能，对不同故障的预测进行并行处理，从而增加了故障在线预测快速性和及时性。
(5)本技术方案提供了当故障预测无法满足实际应用需要时，进行动态的对故障进行更新，并可以增加更多故障预测类型，从而不断提高设备故障预测的准确性和预测能力。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图做简单的介绍，显而易见地，下面所描述的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的故障预测模型在线应用的方法流程图。
图2是本发明实施例提供的预测模型库生成及其在运行环境中的应用图。
图3是本发明实施例提供的设备故障预测模型库示意图。
图4是本发明实施例提供的设备故障预测模型匹配模块线程分配图。
图5是本发明实施例提供的特征匹配线程流程图。
图6是本发明实施例提供的在线故障预测模型重训练过程图。
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，以下结合实施例，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例仅仅用以解释本发明，并不用于限定本发明。
针对现有技术存在的问题，本发明提供了一种动力设备故障预测模型在线应用的方法及应用***，下面结合附图对本发明作详细的描述。
如图2所示为本发明实施例提供的故障预测模型在线应用的方法包括：
离线生成设备故障预测模型库；在线生成维修或维护计划；在线或离线更新设备故障预测模型库。
在本发明中，离线生成设备故障预测模型库包括：
由于涉及到的数据量比较大，设备故障预测模型库运算需要花费一定时间，同时还需要对建立的预测模型的正确性进行验证，因此这部分在实验室中完成。
针对不同设备产生的故障，利用历史告警数据和历史运行数据，基于不同的故障预测方法，生成不同设备的故障预测模型，这里不同设备是指型号不同的设备。将不同设备型号,不同故障类型所产生的设备故障预测模型，组合形成设备故障预测模型库。
如图3所示为本发明实施例提供的设备故障预测模型库示意图，在预测模型库中，可以包括三种类型的库结构：故障模型主库，各预测方法子库和维修计划库。
其中，故障模型主库主要用来存储每个设备型号的不同故障所使用预测方法索引，存储的内容包括但不限于以下几个部分：模型编号，设备型号，故障类型，方法库编号，方法库名称。
针对不同故障类型，为了达到比较好的预测效果，采用的预测方法会有所不同，比如可以采用RNN方法，逻辑回归方法等，这部分内容存储在预测方法子库中，同一种预测方法可采用同一个预测方法子库。比如若某故障类型的预测模型采用逻辑回归方法效果比较理想，那么在预测方法子库中需包含该预测方法相关参数，库中内容可以包括子库编号，模型编号，特征点1，特征点1相关系数，特征点2，特征点2相关系数，……，特征点n，特征n相关系数，截距，误差项，故障发生概率评价值1，故障发生概率评价值2，故障发生概率评价值3等。其中故障发生概率评价值，是指***在线运行过程中，若评价指标已达到故障可能发生概率的评价指标时应做的进一步处理，也就是根据出现故障概率的可能性不同所给出不同的维修或维护计划。预测方法子库中的评估参数可设置2-3个。
而维护或维修计划存储在维修计划库中，也可以称为专家经验库，也就是根据专家的经验设定当预测评价指标达到某个值时，采取什么样的维护或维修计划。
在本发明中，在线生成维修或维护计划包括：
离线故障预测模型库生成后，需根据构建的模型对当前***进行设备故障预测，因此需要将故障预测模型库部署到现网运行***中，进行预测分析，生成维修或维护计划，供决策者进行决策的依据，这部分工作需要在线完成。
本发明是在现网动环监控***的基础上，在平台服务中增加设备故障预测模型匹配模块，该模块实时收集在网***的监控点数据，根据不同设备型号不同故障类型的故障预测模型所对应的监控点特征与实时数据进行特征匹配，当匹配率达到设定值时，预估设备可能发生的故障，及故障发生的可能时间，并结合专家经验库给出对应的维修或维护计划。
该模块设计成两个部分：第一个部分对特征监控点进行分类，也就是将所有实时采集的监控点数据，按照设备故障预测模型库中故障类型进行特征分类和存储；另一个部分是定时或定期地按照设备故障预测模型库进行特征匹配。
其中，第一个部分采用1个线程实现，而第二个部分可划分成1个或n个线程，也可以利用线程池实现，每个线程可以完成一个故障类型或多个故障类型的特征匹配。如图4所示为本发明实施例提供的设备故障预测模型匹配模块线程分配图。
其中x、y、z大于或等于1，小于等于3，可以相等，也可以不相等，建议一个线程最多处理3个故障类型。
在图4中，特征匹配线程的数目根据故障预测模型库中故障类型的数目来划分，比如故障预测模型库中包含50个故障类型，按一个线程处理3个故障类型，共需建立17个特征匹配线程。
如图5所示为本发明实施例提供的特征匹配线程流程图：
该线程启动后，按预定的时间t定时执行某一种故障类型的特征匹配。在进行特征匹配前需要导入故障预测模型库中该故障类型所对应的特征监控点实时数据，并将该数据与预测模型库中的对应特征监控点进行匹配，计算获取该设备故障的实际评估参数p。
对不同的故障可设置2-3个评估参数，当p达到预测模型库中该故障类型设定的评估参数时，利用专家的经验结合专家经验给出不同的维护或维修计划。在图4中，p3>p2>p1。
如果p未达到特定值时，则在下一个设定时间到达后，继续进行故障模型的匹配，周而复始。
在本发明中，在线或离线更新设备故障预测模型库包括：
故障预测模型库的更新也就是在***运行一段时间后对部分故障类型的预测模型进行重训练，以期达到更好的预测效果。
模型的重训练可以采用两种方法，一种是定期离线手工导出历史监控点数据，采用与离线生成设备故障预测模型相同的方法，对部分故障预测模型进行重训练，并将新的故障预测模型更新到故障预测模型库中，同时可以增加新的故障预测模型入库。
另一种是采用在线的方法进行故障预测模型库的更新。本发明是在现网动环监控***的基础上，在平台服务中增加设备故障预测模型重训练模块，该模块实时运行，重训练过程如图6所示。
该模块实时监测动环监控***中产生的故障，假设***检测到相关故障G，会将该故障与设备故障预测模型库中的故障类型进行匹配，如果在故障预测模型库不存在该故障类型，则不做任何处理，继续进行故障的监测。
如果在故障预测模型库中已登记该故障类型，则执行后续的重训练过程。
本发明还提供一种故障预测模型在线应用***，包括：
模型库生成模块，用于离线生成设备故障预测模型库。
模型匹配模块，用于在线生成维修或维护计划。
更新模块，用于在线或离线更新设备故障预测模型库。
在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上；术语“上”、“下”、“左”、“右”、“内”、“外”、“前端”、“后端”、“头部”、“尾部”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”等仅用于描述目的，而不能理解为指示或暗示相对重要性。
以上所述，仅为本发明的具体实施方式，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，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种故障预测模型在线应用的方法，其特征在于，所述故障预测模型在线应用的方法包括：
将生成的动力设备故障预测模型按照不同设备的故障分类，离线生成设备故障预测模型库；
将故障预测模型库部署到现网运行***中，对当前***进行设备故障预测，在线生成维修或维护计划；
对部分故障类型的预测模型进行重训练，在线或离线更新设备故障预测模型库。
2.如权利要求1所述的故障预测模型在线应用的方法，其特征在于，所述离线生成设备故障预测模型库针对型号不同的设备产生的故障，利用历史告警数据和历史运行数据，基于不同的故障预测方法，生成不同设备的故障预测模型库。
3.如权利要求2所述的故障预测模型在线应用的方法，其特征在于，所述预测模型库包括：故障模型主库，预测方法子库和维修计划库；
所述故障模型主库用来存储每个设备型号的不同故障所使用预测方法索引；
所述预测方法子库用来存储针对不同设备型号不同故障类型所采用不同预测方法所对应的特征参数及评估参数，同一种预测方法采用同一个预测方法子库；
所述维修计划库用来存储维护或维修计划，维护或维修计划具体为根据专家的经验设定当预测评价指标达到某个值时，采取的维护或维修计划。
4.如权利要求1所述的故障预测模型在线应用的方法，其特征在于，所述在线生成维修或维护计划包括：在平台服务中增加设备故障预测模型匹配服务，实时收集在网***的监控点数据，根据不同设备型号不同故障类型的故障预测模型所对应的监控点特征参数与实时数据进行特征匹配，当匹配率达到设定值时，预估设备可能发生的故障，及故障发生的可能时间，并结合维修计划库给出对应的维修或维护计划。
5.如权利要求4所述的故障预测模型在线应用的方法，其特征在于，所述设备故障预测模型匹配的方法包括：
步骤1、对特征监控点进行分类，将所有实时采集的监控点数据，按照设备故障预测模型库中故障类型进行特征分类和存储；
步骤2、定时或定期地按照设备故障预测模型库进行特征匹配。
6.如权利要求5所述的故障预测模型在线应用的方法，其特征在于，所述步骤1采用1个线程实现，所述步骤2划分成1个或n个线程，或利用线程池实现，每个线程完成一个故障类型或多个故障类型的特征匹配；
所述特征匹配线程的数目根据故障预测模型库中故障类型的数目来划分；
所述特征匹配线程包括：线程启动后，按预定的时间定时执行某一种故障类型的特征匹配，在进行特征匹配前导入故障预测模型库中该故障类型所对应的特征监控点实时数据，并将该数据与预测模型库中的对应特征监控点进行匹配，计算获取该设备故障的实际评估参数p；
对不同的故障可设置2-3个评估参数，当p达到预测模型库中该故障类型设定的评估参数时，利用专家的经验结合维修计划库给出不同的维护或维修计划；
如果p未达到特定值时，则在下一个设定时间到达后，继续进行故障模型的匹配。
7.如权利要求1所述的故障预测模型在线应用的方法，其特征在于，所述模型的重训练包括：
实时监测动环监控***中产生的故障，将检测到的相关故障与设备故障预测模型库中的故障类型进行匹配，若在故障预测模型库中不存在该故障类型，则不做任何处理，继续进行故障的监测，若在故障预测模型库中已登记该故障类型，则执行后续的重训练过程；
在重训练过程中，首先获取与检测到的与该故障相关的监控点实时数据，并将这些实时数据进行预处理及标准化处理，将处理过的数据加入到之前已完成标准化处理的历史数据库中，作为该故障训练的一个实例，该实例与之前存储的历史数据一起作为训练数据，利用故障模型主库中的该故障类型预测方法，重新进行故障预测模型的学习和训练，并将训练产生的新参数替换之前预测模型库中预测方法子库的对应参数，完成一次故障预测模型的在线更新。
8.一种故障预测模型在线应用***，其特征在于，所述故障预测模型在线应用***包括：
模型库生成模块，用于离线生成设备故障预测模型库；
模型匹配模块，用于在线生成维修或维护计划；
更新模块，用于在线或离线更新设备故障预测模型库。
9.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如下步骤：
将生成的动力设备故障预测模型按照不同设备的故障分类，离线生成设备故障预测模型库；
将故障预测模型库部署到现网运行***中，对当前***进行设备故障预测，在线生成维修或维护计划；
对部分故障类型的预测模型进行重训练，在线或离线更新设备故障预测模型库。
10.一种计算机可读存储介质，用于存储计算机程序，其特征在于，所述计算机程序被处理器调用时实现权利要求1-7任一项所述的故障预测模型在线应用的方法。
CN202011024022.3A 2020-09-25 2020-09-25 一种动力设备故障预测模型在线应用的方法及应用*** Pending CN112286088A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011024022.3A CN112286088A (zh) 2020-09-25 2020-09-25 一种动力设备故障预测模型在线应用的方法及应用***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011024022.3A CN112286088A (zh) 2020-09-25 2020-09-25 一种动力设备故障预测模型在线应用的方法及应用***

Publications (1)

Publication Number Publication Date
CN112286088A true CN112286088A (zh) 2021-01-29

Family

ID=74421344

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011024022.3A Pending CN112286088A (zh) 2020-09-25 2020-09-25 一种动力设备故障预测模型在线应用的方法及应用***

Country Status (1)

Country Link
CN (1) CN112286088A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113013985A (zh) * 2021-02-20 2021-06-22 四川智水信息技术有限公司 一种变电站运维方法及装置
CN113156243A (zh) * 2021-04-09 2021-07-23 南方电网电动汽车服务有限公司 故障预测方法和预测***
CN118037272A (zh) * 2024-02-23 2024-05-14 武汉朗德电气有限公司 一种gis设备维护运维的计划生成方法、服务器和存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106842106A (zh) * 2017-02-23 2017-06-13 广东电网有限责任公司茂名供电局 电能表故障预测方法和装置
CN106981873A (zh) * 2017-04-25 2017-07-25 集美大学 一种基于动力学行为的孤岛式电力***潜隐故障预测方法
CN108520080A (zh) * 2018-05-11 2018-09-11 武汉理工大学 船舶柴油发电机故障预测与健康状态在线评估***及方法
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
CN109783461A (zh) * 2017-11-15 2019-05-21 波音公司 用于飞行数据处理的实时串流分析

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106842106A (zh) * 2017-02-23 2017-06-13 广东电网有限责任公司茂名供电局 电能表故障预测方法和装置
CN106981873A (zh) * 2017-04-25 2017-07-25 集美大学 一种基于动力学行为的孤岛式电力***潜隐故障预测方法
CN109783461A (zh) * 2017-11-15 2019-05-21 波音公司 用于飞行数据处理的实时串流分析
CN108520080A (zh) * 2018-05-11 2018-09-11 武汉理工大学 船舶柴油发电机故障预测与健康状态在线评估***及方法
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

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113013985A (zh) * 2021-02-20 2021-06-22 四川智水信息技术有限公司 一种变电站运维方法及装置
CN113156243A (zh) * 2021-04-09 2021-07-23 南方电网电动汽车服务有限公司 故障预测方法和预测***
CN118037272A (zh) * 2024-02-23 2024-05-14 武汉朗德电气有限公司 一种gis设备维护运维的计划生成方法、服务器和存储介质

Similar Documents

Publication Publication Date Title
CN108375715B (zh) 一种配电网线路故障风险日预测方法及***
CN112286088A (zh) 一种动力设备故障预测模型在线应用的方法及应用***
JP2018180759A (ja) システム分析装置、及びシステム分析方法
US20170082665A1 (en) Detecting Non-Technical Losses in Electrical Networks Based on Multi-Layered Statistical Techniques from Smart Meter Data
WO2021005943A1 (ja) 故障確率評価システムおよびその方法
CN114267178B (zh) 一种车站的智能运营维护方法及装置
US20190048740A1 (en) Turbine diagnostic feature selection system
CN115438726A (zh) 一种基于数字孪生技术的设备寿命与故障类型预测方法及***
CN112257745A (zh) 基于隐马尔可夫的煤矿井下***健康度预测方法及装置
CN115562225A (zh) 工业机器人运维管理方法、装置、计算机设备和存储介质
CN116843071A (zh) 一种用于智慧港口的运输网络运行指数预测方法及装置
CN115421950A (zh) 一种基于机器学习的自动化***运维管理方法及***
Borissova et al. A concept of intelligent e-maintenance decision making system
US20240095853A1 (en) System and method for supplier risk prediction and interactive risk mitigation in automotive manufacturing
CN116346210A (zh) 巨型星座***的智能健康管理方法、***、设备及介质
CN112966785B (zh) 一种智能化星座状态识别方法和***
CN116384876A (zh) 基于维纳过程的备件动态库存-生产控制方法、***及介质
JP7257455B2 (ja) コントローラの意思決定論理の性能を監視するための方法および監視システム
WO2018224649A1 (en) Method and distributed control system for carrying out an automated industrial process
CN114676021A (zh) 作业日志监控方法、装置、计算机设备和存储介质
Baptista et al. Aircraft on-condition reliability assessment based on data-intensive analytics
Liu et al. On-line adaptive data-driven fault prognostics of complex systems
Gruber et al. Condition‐Based Maintenance v ia a Targeted B ayesian Network Meta‐Model
CN118096131B (zh) 一种基于电力场景模型的运维巡检方法
CN117670172B (zh) 一种外贸数据处理方法和***

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210129

RJ01 Rejection of invention patent application after publication