CN112381185B - 一种工业设备特性曲线相似度获取方法及装置 - Google Patents
一种工业设备特性曲线相似度获取方法及装置 Download PDFInfo
- Publication number
- CN112381185B CN112381185B CN202110056811.3A CN202110056811A CN112381185B CN 112381185 B CN112381185 B CN 112381185B CN 202110056811 A CN202110056811 A CN 202110056811A CN 112381185 B CN112381185 B CN 112381185B
- Authority
- CN
- China
- Prior art keywords
- data
- characteristic curve
- characteristic
- distance
- points
- 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 39
- 239000011159 matrix material Substances 0.000 claims abstract description 21
- 230000002159 abnormal effect Effects 0.000 claims abstract description 18
- 238000012545 processing Methods 0.000 claims description 33
- 238000007621 cluster analysis Methods 0.000 claims description 11
- 238000001914 filtration Methods 0.000 claims description 5
- 238000010977 unit operation Methods 0.000 claims description 3
- 230000001568 sexual effect Effects 0.000 claims 1
- 230000008569 process Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000005215 recombination Methods 0.000 description 2
- 230000006798 recombination Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Algebra (AREA)
- Evolutionary Biology (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Operations Research (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Wind Motors (AREA)
Abstract
本发明提供一种工业设备特性曲线相似度获取方法及装置,方法包括:生成用于表示工业设备控制特性的特性曲线;根据所述特性曲线,获得所述特性曲线相似度矩阵。本发明的方案可以快速找出异常设备。
Description
技术领域
本发明涉及工业设备数据处理技术领域,特别是指一种工业设备特性曲线相似度获取方法及装置。
背景技术
风电机组控制特性通常由转速转矩曲线,风速功率曲线、风速桨角曲线等来反映。如图1所示,为功率曲线,是二维或多维的,二维以上曲线人眼很难观察;如图2所示,为转速转矩曲线,功率曲线这里单值函数曲线评价方法成熟,但不适用于评价转速转矩曲线这类多值函数。这些曲线都是多维的(二维及以上),用于判断机组是否出控制性能异常,如出力异常、参数失配、部件故障等。在风电场(同型号机组)中快速找出异常机组是电场运维中需要解决的问题。
发明内容
本发明要解决的技术问题是提供一种工业设备特性曲线相似度获取方法及装置。从而可以辅助人工发现控制特性异常设备,快速找出异常设备。
为解决上述技术问题,本发明的技术方案如下:
一种工业设备特性曲线相似度获取方法,包括:
生成用于表示工业设备控制特性的特性曲线;
根据所述特性曲线,获得所述特性曲线相似度矩阵。
可选的,生成用于表示工业设备控制特性的特性曲线,包括:
获取工业设备一预设时间段内的运行数据;
对所述运行数据进行处理,获得处理结果;
根据预设的特性分析维度m,对所述处理结果进行分仓,得到m维数据仓,m为正整数;
根据m维数据仓中每个数据仓中的数据点,生成特性曲线。
可选的,对所述运行数据进行处理,获得处理结果,包括:
去除所述运行数据中非正常停机数据和/或对缺失数据做线性差值,获得处理结果;所述非正常停机数据包括以下至少一项:设备故障导致的停机数据、调度限电导致的停机数据、人为原因导致的停机数据。
可选的,根据预设的特性分析维度m,对所述处理结果进行分仓,得到m维数据仓,包括:根据预设的特性分析维度m,将所述处理结果分为sk个区间,一个区间为一个数据仓,每个区间大小或个数是预配置的参数,k为1,2,3,…,m。
可选的,根据m维数据仓中每个数据仓中的数据点,生成特性曲线,包括:
在每个数据仓内做均值统计,第i个数据仓得到(ci1,ci2,…,ci*,…,cim,Ni),ci*表示均值,Ni表示数据点数;
过滤数据点数小于一预设值的特性点,得到特性曲线。
可选的,根据所述特性曲线,获得所述特性曲线相似度矩阵,包括:
根据以下公式获得任意两台工业设备的特性曲线距离,其中,第一工业设备与第二工业设备的特性曲线距离Dab:
Dab=max(da→b,db→a)
distance为距离函数;
ωi为数据点权重系数;第一工业设备a的第一特性曲线的特性点个数为na,第二工业设备b的第二特性曲线的特性点个数为nb,a,b=1,2,3,…,T,T为工业设备机组的总台数,每个点为m维度;
根据任意两台工业设备的特性曲线距离,循环处理所有机组,获得特性曲线相似度矩阵
MT×T。
或者,
采用指定权重计算特性曲线距离时,选定数据范围,未选中的数据点权重为0,选中范围内的数据点可再选择平均加权或点数目加权计算特性曲线距离。
可选的,工业设备特性曲线相似度获取方法,还包括:
按照所述特性曲线相似度,对所述特性曲线进行聚类分析。
本发明的实施例还提供一种工业设备特性曲线相似度获取装置,
生成模块,用于生成用于表示工业设备控制特性的特性曲线;
获得模块,用于根据所述特性曲线,获得所述特性曲线相似度矩阵。
本发明的实施例还提供一种计算机可读存储介质,存储指令,当所述指令在计算机上运行时,使得计算机执行如上所述的方法。
本发明的上述方案至少包括以下有益效果:
本发明的上述方案,通过生成用于表示工业设备控制特性的特性曲线;根据所述特性曲线,获得所述特性曲线相似度矩阵。从而可以辅助人工发现控制特性异常设备,快速找出异常设备。
附图说明
图1是功率曲线示意图;
图2是转速转矩曲线示意图;
图3是本发明的工业设备特性曲线相似度获取方法流程示意图;
图4是本发明的工业设备特性曲线相似度获取方法的一具体流程示意图;
图5是按照指定权重计算特性曲线距离时,转速转矩曲线示意图;
图6是聚类分析的结果中,同转矩下类1机组转速转矩曲线示意图;
图7是聚类分析的结果中,同转矩下类2机组转速转矩曲线示意图;
图8是聚类分析的结果中,同转矩下类3机组转速转矩曲线示意图;
图9是全部样例机组功率转矩曲线聚类图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
如图3所示,本发明的实施例提出一种工业设备特性曲线相似度获取方法,包括:
步骤31,生成用于表示工业设备控制特性的特性曲线;
步骤32,根据所述特性曲线,获得所述特性曲线相似度矩阵。
本发明的该实施例,通过生成用于表示工业设备控制特性的特性曲线,根据所述特性曲线,获得所述特性曲线相似度矩阵;从而可以辅助人工发现控制特性异常设备,快速找出异常设备,这里的工业设备可以是风电机组等。
本发明的一可选的实施例中,步骤31可以包括:
步骤311,获取工业设备一预设时间段内的运行数据;这里,设置特性分析维度m;搜集至少一个月的机组运行数据:包含、风速、功率、机组状态、特性分析相关变量字段,数据颗粒度应为10分钟及10分钟以下;
步骤312,对所述运行数据进行处理,获得处理结果;
具体的,可以去除所述运行数据中非正常停机数据和/或对缺失数据做线性差值,获得处理结果;所述非正常停机数据包括以下至少一项:设备故障导致的停机数据、调度限电导致的停机数据、人为原因导致的停机数据。
步骤313,根据预设的特性分析维度m,对所述处理结果进行分仓,得到m维数据仓,m为正整数;
步骤314,根据m维数据仓中每个数据仓中的数据点,生成特性曲线。
这里,步骤313可以包括:根据预设的特性分析维度m,将所述处理结果分为sk个区间,一个区间为一个数据仓,每个区间大小或个数是预配置的参数,k为1,2,3,…,m。
具体的,对m维变量进行分仓:在每个变量取值范围内,等间隔划分sk个区间(k为1,2,3,…,m),每个区间大小或个数是配置参数;
这里,步骤314可以包括:在每个数据仓内做均值统计,第i个数据仓得到(ci1,ci2,…,ci*,…,cim,Ni),ci*表示均值,Ni表示数据点数;过滤数据点数小于一预设值的特性点,得到特性曲线。
具体的,在m维数据仓内做均值统计,那么第i个数据仓得到(ci1,ci2,…,ci*,…,cim,Ni)。
本发明的一可选的实施例中,步骤32可以包括:
根据以下公式获得任意两台工业设备的特性曲线距离,其中,第一工业设备与第二工业设备的特性曲线距离Dab:
Dab=max(da→b,db→a)
distance为距离函数;
ωi为数据点权重系数;第一工业设备a的第一特性曲线的特性点个数为na,第二工业设备b的第二特性曲线的特性点个数为nb,a,b=1,2,3,…,T,T为工业设备机组的总台数,每个点为m维度;
根据任意两台工业设备的特性曲线距离,循环处理所有机组,获得特性曲线相似度矩阵
MT×T。
采用指定权重计算特性曲线距离时,选定数据范围,未选中的数据点权重为0,选中范围内的数据点可再选择平均加权或点数目加权计算特性曲线距离。如图5所示,由用户选定数据范围,未选中的数据点权重为0,选中范围内的数据点可再选择平均加权或点数目加权计算相似度。
本发明的一可选的实施例中,工业设备特性曲线相似度获取方法,还可以包括:按照所述特性曲线相似度,对所述特性曲线进行聚类分析。
具体的,可以使用层次聚类法对特性曲线结果进行加工,根据用户的展示需求给出聚类结果,进行比较分析,需给定的参数包括以下至少一项:
相似度指标(平均加权/距离加权/用户指定范围);如选定用户指定方式,用户可在多维数据点的二维投影图中选定需要提高权重的点,降维方法可选择PCA或人工选择两个维度;
聚类个数。
如图4所示,本发明的上述实施例所述的工业设备特性曲线相似度获取方法,一具体实现实例,可以包括:
步骤41,基于多维分仓统计的特性曲线生成;
步骤42,特性曲线间相似度矩阵计算;
步骤43,聚类分析展示。
如图6至图8所示,可以看出,同转矩下类1机组转矩明显低于类2机组,类3机组需进一步划分。图9为全部样例机组功率转矩曲线聚类图。
本发明的上述实施例,应用在风电机组控制曲线评估上,可辅助人工发现控制特性异常设备,快速找出异常设备。
本发明的实施例还提供一种工业设备特性曲线相似度获取装置,
生成模块,用于生成用于表示工业设备控制特性的特性曲线;
获得模块,用于根据所述特性曲线,获得所述特性曲线相似度矩阵。
可选的,生成用于表示工业设备控制特性的特性曲线,包括:
获取工业设备一预设时间段内的运行数据;
对所述运行数据进行处理,获得处理结果;
根据预设的特性分析维度m,对所述处理结果进行分仓,得到m维数据仓;
根据m维数据仓中每个数据仓中的数据点,生成特性曲线。
可选的,对所述运行数据进行处理,获得处理结果,包括:
去除所述运行数据中非正常停机数据和/或对缺失数据做线性差值,获得处理结果;所述非正常停机数据包括以下至少一项:设备故障导致的停机数据、调度限电导致的停机数据、人为原因导致的停机数据。
可选的,根据预设的特性分析维度m,对所述处理结果进行分仓,得到m维数据仓,包括:
根据预设的特性分析维度m,将所述处理结果分为sk个区间,一个区间为一个数据仓,每个区间大小或个数是预配置的参数,k为1,2,3,…,m。
可选的,根据m维数据仓中每个数据仓中的数据点,生成特性曲线,包括:
在每个数据仓内做均值统计,第i个数据仓得到(ci1,ci2,…,ci*,…,cim,Ni),ci*表示均值,Ni表示数据点数;
过滤数据点数小于一预设值的特性点,得到特性曲线。
可选的,根据所述特性曲线,获得所述特性曲线相似度矩阵,包括:
根据以下公式获得任意两台工业设备的特性曲线距离,其中,第一工业设备与第二工业设备的特性曲线距离Dab:
Dab=max(da→b,db→a)
distance为距离函数;
ωi为数据点权重系数;第一工业设备a的第一特性曲线的特性点个数为na,第二工业设备b的第二特性曲线的特性点个数为nb,a,b=1,2,3,…,T,T为工业设备机组的总台数,每个点为m维度;
根据任意两台工业设备的特性曲线距离,循环处理所有机组,获得特性曲线相似度矩阵
MT×T。
采用指定权重计算特性曲线距离时,选定数据范围,未选中的数据点权重为0,选中范围内的数据点可再选择平均加权或点数目加权计算特性曲线距离。
可选的,工业设备特性曲线相似度获取装置,还包括:
分析模块,用于按照所述特性曲线相似度,对所述特性曲线进行聚类分析。
需要说明的是,该装置是与上述方法对应的装置,上述方法实施例中的所有实现方式均适用于该装置的实施例中,也能达到相同的技术效果。
本发明的实施例还提供一种计算机可读存储介质,存储指令,当所述指令在计算机上运行时,使得计算机执行如上所述的方法。上述方法实施例中的所有实现方式均适用于该实施例中,也能达到相同的技术效果。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的***、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本发明所提供的实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
此外,需要指出的是,在本发明的装置和方法中,显然,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本发明的等效方案。并且,执行上述系列处理的步骤可以自然地按照说明的顺序按时间顺序执行,但是并不需要一定按照时间顺序执行,某些步骤可以并行或彼此独立地执行。对本领域的普通技术人员而言,能够理解本发明的方法和装置的全部或者任何步骤或者部件,可以在任何计算装置(包括处理器、存储介质等)或者计算装置的网络中,以硬件、固件、软件或者它们的组合加以实现,这是本领域普通技术人员在阅读了本发明的说明的情况下运用他们的基本编程技能就能实现的。
因此,本发明的目的还可以通过在任何计算装置上运行一个程序或者一组程序来实现。所述计算装置可以是公知的通用装置。因此,本发明的目的也可 以仅仅通过提供包含实现所述方法或者装置的程序代码的程序产品来实现。也就是说,这样的程序产品也构成本发明,并且存储有这样的程序产品的存储介质也构成本发明。显然,所述存储介质可以是任何公知的存储介质或者将来所开发出来的任何存储介质。还需要指出的是,在本发明的装置和方法中,显然,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本发明的等效方案。并且,执行上述系列处理的步骤可以自然地按照说明的顺序按时间顺序执行,但是并不需要一定按照时间顺序执行。某些步骤可以并行或彼此独立地执行。
以上所述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,在不脱离本发明所述原理的前提下,还可以作出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (4)
1.一种工业设备特性曲线相似度获取方法,其特征在于,包括:
获取工业设备一预设时间段内的运行数据;所述运行数据为至少一个月的机组运行数据,所述运行数据包含:风速、功率、机组状态、特性分析相关变量字段,数据颗粒度为10分钟及10分钟以下;
对所述运行数据进行处理,获得处理结果;
根据预设的特性分析维度m,将所述处理结果等间隔分为sk个区间,一个区间为一个数据仓,每个区间大小或个数是预配置的参数,k为1,2,3,…,m;
在每个数据仓内做均值统计,第i个数据仓得到(ci1,ci2,…,ci*,…,cim,Ni),ci*表示均值,Ni表示数据点数;
过滤数据点数小于一预设值的特性点,得到特性曲线;
根据所述特性曲线,获得所述特性曲线相似度矩阵;
按照所述特性曲线的相似度,对所述特性曲线进行聚类分析;其中,进行聚类分析,需给定的参数包括以下至少一项:相似度指标和聚类个数;
其中,根据所述特性曲线,获得所述特性曲线相似度矩阵,包括:
根据以下公式获得任意两台工业设备的特性曲线距离,其中,第一工业设备与第二工业设备的特性曲线距离Dab:
Dab=max(da→b,db→a)
distance为距离函数;
ωi为数据点权重系数;第一工业设备a的第一特性曲线的特性点个数为na,第二工业设备b的第二特性曲线的特性点个数为nb,a,b=1,2,3,…,T,T为工业设备机组的总台数,每个点为m维度;
根据任意两台工业设备的特性曲线距离,循环处理所有机组,获得特性曲线相似度矩阵MT×T;
采用指定权重计算特性曲线距离时,选定数据范围,未选中的数据点权重为0,选中范围内的数据点可再选择平均加权或点数目加权计算特性曲线距离。
2.根据权利要求1所述的工业设备特性曲线相似度获取方法,其特征在于,对所述运行数据进行处理,获得处理结果,包括:
去除所述运行数据中非正常停机数据和/或对缺失数据做线性差值,获得处理结果;所述非正常停机数据包括以下至少一项:设备故障导致的停机数据、调度限电导致的停机数据、人为原因导致的停机数据。
3.一种工业设备特性曲线相似度获取装置,其特征在于,
生成模块,用于获取工业设备一预设时间段内的运行数据;
所述运行数据为至少一个月的机组运行数据,所述运行数据包含:风速、功率、机组状态、特性分析相关变量字段,数据颗粒度为10分钟及10分钟以下;对所述运行数据进行处理,获得处理结果;
根据预设的特性分析维度m,将所述处理结果等间隔分为sk个区间,一个区间为一个数据仓,每个区间大小或个数是预配置的参数,k为1,2,3,…,m;
在每个数据仓内做均值统计,第i个数据仓得到(ci1,ci2,…,ci*,…,cim,Ni),ci*表示均值,Ni表示数据点数;
过滤数据点数小于一预设值的特性点,得到特性曲线;
获得模块,用于根据所述特性曲线,获得所述特性曲线相似度矩阵;
按照所述特性曲线的相似度,对所述特性曲线进行聚类分析;其中,进行聚类分析,需给定的参数包括以下至少一项:相似度指标和聚类个数;
其中,根据所述特性曲线,获得所述特性曲线相似度矩阵,包括:
根据以下公式获得任意两台工业设备的特性曲线距离,其中,第一工业设备与第二工业设备的特性曲线距离Dab:
Dab=max(da→b,db→a)
distance为距离函数;
ωi为数据点权重系数;第一工业设备a的第一特性曲线的特性点个数为na,第二工业设备b的第二特性曲线的特性点个数为nb,a,b=1,2,3,…,T,T为工业设备机组的总台数,每个点为m维度;
根据任意两台工业设备的特性曲线距离,循环处理所有机组,获得特性曲线相似度矩阵MT×T;
采用指定权重计算特性曲线距离时,选定数据范围,未选中的数据点权重为0,选中范围内的数据点可再选择平均加权或点数目加权计算特性曲线距离。
4.一种计算机可读存储介质,其特征在于,存储指令,当所述指令在计算机上运行时,使得计算机执行如权利要求1至2任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110056811.3A CN112381185B (zh) | 2021-01-15 | 2021-01-15 | 一种工业设备特性曲线相似度获取方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110056811.3A CN112381185B (zh) | 2021-01-15 | 2021-01-15 | 一种工业设备特性曲线相似度获取方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112381185A CN112381185A (zh) | 2021-02-19 |
CN112381185B true CN112381185B (zh) | 2022-03-01 |
Family
ID=74581947
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110056811.3A Active CN112381185B (zh) | 2021-01-15 | 2021-01-15 | 一种工业设备特性曲线相似度获取方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112381185B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112559602B (zh) * | 2021-02-21 | 2021-07-13 | 北京工业大数据创新中心有限公司 | 一种工业设备征兆的目标样本的确定方法及*** |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7567972B2 (en) * | 2003-05-08 | 2009-07-28 | International Business Machines Corporation | Method and system for data mining in high dimensional data spaces |
CN106014858B (zh) * | 2016-07-21 | 2019-11-22 | 浙江运达风电股份有限公司 | 一种风电机组对风误差自动校准方法及装置 |
CN109002650A (zh) * | 2018-08-21 | 2018-12-14 | 同济大学 | 一种风电机组功率曲线建模方法 |
CN109934245B (zh) * | 2018-11-03 | 2023-01-17 | 同济大学 | 一种基于聚类的转辙机故障识别方法 |
CN111350638A (zh) * | 2018-12-21 | 2020-06-30 | 北京金风科创风电设备有限公司 | 计算风力发电机组的发电量损失的方法及其装置 |
CN111900713A (zh) * | 2020-01-08 | 2020-11-06 | 国网吉林省电力有限公司 | 网源协调下考虑负荷和风电随机性多场景输电网规划方法 |
-
2021
- 2021-01-15 CN CN202110056811.3A patent/CN112381185B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112381185A (zh) | 2021-02-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bordoloi et al. | Support vector machine based optimization of multi-fault classification of gears with evolutionary algorithms from time–frequency vibration data | |
Yin et al. | Recent advances on SVM based fault diagnosis and process monitoring in complicated industrial processes | |
Yang et al. | Gear fault diagnosis based on support vector machine optimized by artificial bee colony algorithm | |
Bordoloi et al. | Optimum multi-fault classification of gears with integration of evolutionary and SVM algorithms | |
Li et al. | Feature extraction for rolling element bearing fault diagnosis utilizing generalized S transform and two-dimensional non-negative matrix factorization | |
CN112381185B (zh) | 一种工业设备特性曲线相似度获取方法及装置 | |
CN111881617A (zh) | 数据处理方法、风力发电机组的性能评估方法及*** | |
WO2019167375A1 (ja) | 診断装置および診断方法 | |
CN111815065A (zh) | 基于长短时记忆神经网络的短期电力负荷预测方法 | |
CN114077847B (zh) | 一种变工况滚动轴承故障诊断方法、***、设备及介质 | |
Hung et al. | Reward-biased maximum likelihood estimation for linear stochastic bandits | |
CN111291328A (zh) | 一种基于精细斜率的暂态事件识别方法、***以及设备 | |
Alabied et al. | Motor current signal analysis based on machine learning for centrifugal pump fault diagnosis | |
Qiu et al. | Multifractals embedded in short time series: An unbiased estimation of probability moment | |
Christian et al. | On the use of time synchronous averaging, independent component analysis and support vector machines for bearing fault diagnosis | |
CN117195044A (zh) | 故障分析方法、装置、计算机设备、存储介质和程序产品 | |
Peredriy et al. | Kernel bandwidth selection for svdd: The sampling peak criterion method for large data | |
CN113339208B (zh) | 风电机组振动异常片段的选取方法 | |
CN110705373B (zh) | 一种基于小波包分析和残差网络的槽电压信号分类方法 | |
CN114861753A (zh) | 一种基于大规模网络的数据分类方法和装置 | |
CN114064382A (zh) | 一种异常监控方法、装置、设备及存储介质 | |
Wang et al. | A novel industrial process fault monitoring method based on kernel robust non-negative matrix factorization | |
Hasan et al. | Intrusion detection using combination of various kernels based support vector machine | |
CN112329343A (zh) | 一种电池故障检测模型训练方法、装置、设备和存储介质 | |
Marzuoli | Toy models in physics and the reasonable effectiveness of mathematics |
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 |