CN112711850A - 一种基于大数据的机组在线监测方法 - Google Patents
一种基于大数据的机组在线监测方法 Download PDFInfo
- Publication number
- CN112711850A CN112711850A CN202011609564.7A CN202011609564A CN112711850A CN 112711850 A CN112711850 A CN 112711850A CN 202011609564 A CN202011609564 A CN 202011609564A CN 112711850 A CN112711850 A CN 112711850A
- Authority
- CN
- China
- Prior art keywords
- data
- real
- model
- noise reduction
- abnormal
- 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
Links
Images
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2457—Query processing with adaptation to user needs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Fuzzy Systems (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种基于大数据的机组在线监测方法,在进行监测时,先将实时数据直接接入单点评估模型中,通过单点评估模型可快速检测出设备的运行状态或该数据是否为噪声,或单点评估模型判定设备运行且该实时数据为非噪声数据,则可将实时数据接入异常态数据模型中,由于异常态数据模型基于异常态历史数据建立,从而当实时数据与异常态数据模型与匹配成功时,***可快速准确的发出设备异常的信号,以便工作人员对异常状态进行排查检修,提高了监测***对故障的监测效率和准确度。
Description
技术领域
本发明涉及发电机组工业应用领域,具体涉及一种基于大数据的机组在线监测方法。
背景技术
我国风力发电发展迅猛,但在初级阶段面临故障多发的挑战。风电产业期待从粗放经营向集约经营转变,不仅需要提高装机容量,更需实现高产高效。风机可靠性低,又因缺乏故障预警功能导致较小的故障未能发现、维修而发展成重大的安全和设备事故,不仅造成停机损失,而且维修费用昂贵。国外已经出现了某风机制造商因保修其故障多发的产品导致企业入不敷出而破产的报道。风电产业必须走出此类窘境。
健康状态监测***以大数据分析技术为基础,为风电产业脱离上述窘境提供了技术条件。具体的,健康状态监测技术以设备运行的历史大数据作为建模基础,将采集到的的历史数据进行一系列的筛选、降噪并去除运行异常时的数据,将处理后的数据建模并优化后得到健康状态监测模型,再将实时数据接入健康状态监测模型以实现对设备的动态监测。健康状态监测***可使用户及时发现故障,告警提示维修。现有技术中的健康状态监测模型基于单一的正常态历史数据建立,再将实时数据经过处理后接入健康状态监测模型中,为使实时数据与健康状态监测模型匹配,实时数据的预处理往往需要花费较长的时间,增大了***检测室的计算量,降低了监测***对干扰数据的灵敏度,同时,由于监测***中仅设置有健康状态监测模型,监测时,经预处理后的实时数据还需与健康状态监测模型进行匹配,若匹配成功则判定设备正常,若匹配不成功,则***直接采用排除法即刻判定设备异常,这种检测方法一方面不利于***快速的对异常实时数据进行预警,另一方面采用排除法即判定设备异常,降低了健康状态监测模型的准确性。
发明内容
本发明的主要目的是解决由于监测***内只集成有健康状态监测模型导致当实时数据与模型不匹配时,***通过排除法即判定设备异常从而影响风力发电机组的健康状态监测***灵敏度和精确度低的问题,并提供一种基于大数据的机组在线监测方法。
为了实现根据本发明的这些目的和其它优点,提供了一种基于大数据的机组在线监测方法,包括如下步骤:
步骤一、建立单测点评估模型、正常态数据模型和异常态数据模型;
其中,所述单测点评估模型基于典型测点的降噪历史数据集建立,且所述单测点评估模型内设置有与所述典型测点对应的待评估区间,所述待评估区间包含风力发电机组运行状态下所述典型测点的所有运行参数,所述单测点评估模型用于预测风力发电机组的运行状态;
所述正常态数据模型设置有风力发电机组正常运行时所有所述典型测点的正常范围;
所述异常态数据模型设置有风力发电机组异常运行时所有所述典型测点的异常范围;
步骤二、采集所述典型测点的实时数据,对所述实时数据进行降噪处理得到若干降噪实时数据集,所述典型测点与所述降噪实时数据集一一对应;
步骤三、将步骤二中所述降噪实时数据集接入所述单测点评估模型中进行在线故障检测;
步骤四、对步骤三中的所述降噪实时数据集选择性接入所述异常态数据模型中进行在线故障检测;
步骤五、将步骤四中待进行健康度评估的所述降噪实时数据集两两组合,得到若干实时灰关联度组合,对所述实时灰关联度组合进行无量纲化处理得到关联实时数据序列;
将所述关联实时数据序列接入所述正常态数据模型中,若所述关联实时数据序列位于所述正常态数据模型的正常范围之内,则判定为风力发电机组运行正常;若所述关联实时数据序列位于所述正常态数据模型的正常范围之外,则判定为风力发电机组运行异常;
步骤六、基于步骤五中的判定结果,将判定结果为风力发电机组运行异常对应降噪实时数据优化至所述异常态数据模型中。
优选的是,所述降噪历史数据集由若干监测测点的历史数据经降噪处理获得,所述历史数据涵盖风力发电机组运行1~3年内的运行参数。
优选的是,所述单测点评估模型的建模方法为:
对每个所述监测测点的所述降噪历史数据集进行趋势分析,结合风力发电机组使用情况记录表确定所述典型测点,并设定所述典型测点对应的所述待评估区间。
优选的是,步骤三中所述单测点评估模型的在线故障检测方法为:
在所述降噪实时数据集中抽取与所述典型测点对应的典型测点实测值,将所述典型测点实测值与所述待评估区间比较,若所述典型测点实测值位于所述待评估区间之外,则判定为风力发电机组不运行,评估结束,若所述典型测点实测值位于所述待评估区间之内,则判定为风力发电机组运行,将对应的所述降噪实时数据集发送至所述异常态数据模型。
优选的是,步骤四中所述异常态数据模型的在线故障检测方法为:
接收所述单测点评估模型上的所述降噪实时数据集,若所述降噪实时数据集位于所述异常态数据模型的异常范围之内,则判定为风力发电机组运行异常,评估结束,若所述降噪实时数据集位于所述异常态数据模型的异常范围之外,存储该降噪实时数据集,并将该降噪实时数据集发送至所述正常态数据模型进行健康度评估。
优选的是,对所述正常态历史数据集两两组合得到若干正常态灰关联度组合,采用关联度分析法计算所述正常态灰关联度组合的灰关联度值,依据灰关联度值排除冗余测点,对被保留的所述正常态灰关联度组合进行无量纲化处理得到关联正常态数据序列。
优选的是,所述正常态数据模型的建模方法为:
基于所述关联正常态数据序列建立所述正常态数据模型,将所有的所述关联正常态数据序列映射至正常状态空间中,基于所述正常状态空间的边界点构造若干第二外接平面,将每个所述第二外接平面均分为若干平面模型,所述平面模型与所述正常态灰关联度组合一一对应,将所述关联正常态数据序列上的最大值和最小值拟合至所述平面模型中,得到所述正常态灰关联度组合对应的所述正常态数据模型的正常范围。
本发明至少包括以下有益效果:
1、本发明利用风力发电机组运行的历史数据作为***建模的基础,对历史数据通过趋势分析进行降噪处理得到降噪历史数据集,通过对降噪历史数据集的趋势分析并结合风力发电机组使用情况记录表可以确定风电机组在运行状态时的典型测点和典型测点对应待评估区间,且该典型测点可体现设备的运行状态,从而监测***接入实时数据后可通过待评估区间快速判断设备的运行状态,简化了风力发电机组运行状态的在线监测过程。
2、本发明在进行监测时,先将实时数据直接接入单点评估模型中,通过单点评估模型可快速检测出设备的运行状态或该数据是否为噪声,或单点评估模型判定设备运行且该实时数据为非噪声数据,则可将实时数据接入异常态数据模型中,由于异常态数据模型基于异常态历史数据建立,从而当实时数据与异常态数据模型与匹配成功时,***可快速准确的发出设备异常的信号,以便工作人员对异常状态进行排查检修,提高了监测***对故障的监测效率和准确度。
3、本发明中的异常态数据模型基于历史数据中的异常数据建立,因此在对实时数据进行异常验证时,若该实时数据在接入异常态数据模型时未检出,且接入正常态数据模型也未检出,则判定该实时数据为异常数据,并将新故障发生时的实时异常数据补入原异常态数据模型,使得异常态数据模型可随设备的使用和监测实现动态优化,进一步的提高了监测***的准确度。
本发明的其它优点、目标和特征将部分通过下面的说明体现,部分还将通过对本发明的研究和实践而为本领域的技术人员所理解。
附图说明
图1为风力发电机组的典型测点趋势图;
图2为基准测点-关联测点关联关系比对图;
图3为在线监测***的建模流程图;
图4为基于运动姿态识别的人机物联***的方法流程示意图。
具体实施方式
下面结合附图对本发明做进一步的详细说明,以令本领域技术人员参照说明书文字能够据以实施。
本发明提供了一种基于大数据的机组在线监测方法,图1~4示出了根据本发明的一种实现形式,包括如下步骤:
步骤一、建立单测点评估模型、正常态数据模型和异常态数据模型,其中,
单测点评估模型基于一典型测点的降噪历史数据集建立,且单测点评估模型内设置有与典型测点对应的待评估区间,待评估区间包含风力发电机组运行状态下典型测点的所有运行参数,单测点评估模型用于预测风力发电机组的运行状态,降噪历史数据集由若干监测测点的历史数据经降噪处理获得,历史数据涵盖风力发电机组运行1~3年内的运行参数。
单测点评估模型的建模方法为:对每个监测测点的降噪历史数据集进行趋势分析,结合风力发电机组使用情况记录表确定典型测点,并设定典型测点对应的待评估区间,典型测点的趋势图如图1所述,从趋势图中可快速确定该典型测点的待评估区间。
正常态数据模型设置有风力发电机组正常运行时所有典型测点的正常范围。
正常态数据模型的建模方法为:从典型测点中选取任一测点作为基准测点,若干未被选取的测点作为关联测点,将基准测点对应的降噪历史数据集分别与每个关联测点的降噪历史数据集组合得到若干待分离数据集,对待分离数据集进行关联关系对比分析,每个待分离数据集经关联关系对比分析后可得到一条正常态线性回归曲线和一条异常态线性回归曲线,提取正常态线性回归曲线上的数据,得到正常态历史数据集。
对正常态历史数据集两两组合得到若干正常态灰关联度组合,采用关联度分析法计算正常态灰关联度组合的灰关联度值,依据灰关联度值排除冗余测点,对被保留的正常态灰关联度组合进行无量纲化处理得到关联正常态数据序列。
具体的,排除冗余测点的方法为:设置关联度阈值,若与典型测点相关的所有正常态灰关联度组合的灰关联度值小于关联度阈值,则判定该测点为冗余测点,并去除与该测点相关的正常态灰关联度组合;若与典型测点相关的正常态灰关联度组合中任一一个或多个组合的灰关联度值大于关联度阈值,则保留与该测点相关的正常态灰关联度组合。
基于关联正常态数据序列建立正常态数据模型,将所有的关联正常态数据序列映射至正常状态空间中,基于正常状态空间的边界点构造若干第二外接平面,将每个第二外接平面均分为若干平面模型,平面模型与正常态灰关联度组合一一对应,将关联正常态数据序列上的最大值和最小值拟合至平面模型中,得到正常态灰关联度组合对应的正常态数据模型的正常范围。
一般来说,风力发电机组中正常运行的时间较异常运行状况时间长,从而降噪历史数据经关联关系对比分析后得到的正常态历史数据集比异常态历史数据集的数量更多,因此还需对正常态历史数据集进行降维度和优化处理,本发明将测点对应的正常态历史数据集两两组合,得到若干正常态灰关联度组合,采用关联度分析计算法对正常态灰关联度组合计算分析得到与正常态灰关联度组合对应的灰关联度,并设置关联度阈值,将正常态灰关联度组合的灰关联度与关联度阈值比较,去除冗余测点,对保留的正常态灰关联度组合经无量纲化处理即得到关联正常态数据序列,最终以关联正常态数据序列为基础建立正常态数据模型。本发明基于实际情况,将数据量较大且较复杂的正常态历史数据集重点分析,采用关联度分析法去除了正常态历史数据集中的冗余测点,并通过无量纲化处理法降低了正常态历史数据集的维度,将正常态历史数据集接入正常态数据模型中,依据***的报警信号不断优化调整关联度阈值,最终保证了正常态数据模型在监测***中的高灵敏度和高精确度。
验证和优化正常态数据模型的方法为:模拟风力发电机组正常运行状态,并将风力发电机组正常运行时的模拟数据经关联分析得到若干正常态模拟关联数据序列,将正常态模拟关联数据序列接入正常态数据模型中,作为第一次验证,模拟风力发电机组异常运行状态,并将风力发电机组异常运行时的模拟数据经关联分析得到若干异常态态模拟关联数据序列,将异常态态模拟关联数据序列接入正常态数据模型中,作为第二次验证;
若第一次验证不出现警报,第二次验证出现警报,判定正常态数据模型可用;
若第一次验证不出现警报,第二次验证也不出现警报,增大关联度阈值,确认新的冗余测点并排除;
若第一次验证出现警报,第二次验证也出现警报,降低关联度阈值,重新添加被排除的冗余测点;
若第一次验证出现警报,第二次验证不出现警报,判定正常态数据模型不可用,重新建立正常态数据模型。
异常态数据模型设置有风力发电机组异常运行时所有典型测点的异常范围。
异常态数据模型的建模方法为:分离降噪历史数据集,具体的,从测点中选取任一测点作为基准测点,若干未被选取的测点作为关联测点,将基准测点对应的降噪历史数据集分别与每个关联测点的降噪历史数据集组合得到若干待分离数据集,对待分离数据集进行关联关系对比分析,每个待分离数据集经关联关系对比分析后可得到一条正常态线性回归曲线和一条异常态线性回归曲线。
提取异常态线性回归曲线上的数据,得到异常态历史数据集;基于异常态历史数据集建立异常态数据模型。
将异常态历史数据集映射至异常状态空间中,基于异常状态空间的边界点构造若干第一外接平面,第一外接平面与典型测点一一对应,将异常态历史数据集上的最大值和最小值拟合至第一外接平面中,得到典型测点对应的异常态数据模型的异常范围。
对于异常态历史数据集来说,其对应的典型测点均与风力发电机的运行状态相关,且数据量较小,因此对异常态历史数据集无需进行关联度分析计算就可直接建模。在接入实时数据时,先进行单测评估,若评估未结束,再将实时数据接入异常态数据模型,若判定实时数据处于异常态数据模型的异常范围内,则判定设备运行异常,若不在其异常范围内,不立刻判定设备运行正常,保存对应的实时数据,并依旧将实时数据经处理后接入正常态数据模型,若处理后的实时数据在正常态数据模型的正常范围内,则判定设备运行正常否则则判定设备运行异常。本发明与现有技术的监测***相比,采用多个数据模型对实时数据进行监控,并采用多个数据模型相互印证的方法提高了风力发电机组状态检测的准确性。
步骤二、采集典型测点的实时数据,对实时数据进行降噪处理得到若干降噪实时数据集,典型测点与降噪实时数据集一一对应。
步骤三、将步骤二中降噪实时数据集接入单测点评估模型中,在降噪实时数据集中抽取与典型测点对应的典型测点实测值,将典型测点实测值与待评估区间比较,若典型测点实测值位于待评估区间之外,则判定为风力发电机组不运行,评估结束,若典型测点实测值位于待评估区间之内,则判定为风力发电机组运行,将对应的降噪实时数据集接入异常态数据模型。
本发明利用风力发电机组运行的历史数据作为***建模的基础,对历史数据通过趋势分析进行降噪处理得到降噪历史数据集,通过对降噪历史数据集的趋势分析并结合风力发电机组使用情况记录表可以确定风电机组在运行状态时的典型测点和典型测点对应待评估区间,且该典型测点可体现设备的运行状态,从而监测***接入实时数据后可通过待评估区间快速判断设备的运行状态,简化了风力发电机组运行状态的在线监测过程。
步骤四、对步骤三中接入异常态数据模型的降噪实时数据集进行故障评估,若降噪实时数据集位于异常态数据模型的异常范围之内,则判定为风力发电机组运行异常,评估结束,若降噪实时数据集位于异常态数据模型的异常范围之外,存储该降噪实时数据集,并进行健康度评估。
本发明在进行监测时,先将实时数据直接接入单点评估模型中,通过单点评估模型可快速检测出设备的运行状态或该数据是否为噪声,或单点评估模型判定设备运行且该实时数据为非噪声数据,则可将实时数据接入异常态数据模型中,由于异常态数据模型基于异常态历史数据建立,从而当实时数据与异常态数据模型与匹配成功时,***可快速准确的发出设备异常的信号,以便工作人员对异常状态进行排查检修,提高了监测***对故障的监测效率和准确度。
步骤五、将步骤四中待进行健康度评估的降噪实时数据集两两组合,得到若干实时灰关联度组合,对实时灰关联度组合进行无量纲化处理得到关联实时数据序列。
将关联实时数据序列接入正常态数据模型中,若关联实时数据序列位于正常态数据模型的正常范围之内,则判定为风力发电机组运行正常;若关联实时数据序列位于正常态数据模型的正常范围之外,则判定为风力发电机组运行异常。
步骤六、基于步骤五中的判定结果,将判定结果为风力发电机组运行异常对应降噪实时数据优化至异常态数据模型中。本发明中的异常态数据模型基于历史数据中的异常数据建立,因此在对实时数据进行异常验证时,若该实时数据在接入异常态数据模型时未检出,且接入正常态数据模型也未检出,则判定该实时数据为异常数据,并将新故障发生时的实时异常数据补入原异常态数据模型,使得异常态数据模型可随设备的使用和监测实现动态优化,进一步的提高了监测***的准确度。
本发明在进行监测时,先将实时数据直接接入单点评估模型中,通过单点评估模型可快速检测出设备的运行状态或该数据是否为噪声,或单点评估模型判定设备运行且该实时数据为非噪声数据,则可将实时数据接入异常态数据模型中,由于异常态数据模型基于异常态历史数据建立,从而当实时数据与异常态数据模型与匹配成功时,***可快速准确的发出设备异常的信号,以便工作人员对异常状态进行排查检修,提高了监测***对故障的监测效率和准确度。同时由于异常态数据模型基于历史数据中的异常数据建立,因此在对实时数据进行异常验证时,若该实时数据在接入异常态数据模型时未检出,且接入正常态数据模型也未检出,则判定该实时数据为异常数据,并将新故障发生时的实时异常数据补入原异常态数据模型,使得异常态数据模型可随设备的使用和监测实现动态优化,进一步的提高了监测***的准确度。
尽管本发明的实施方案已公开如上,但其并不仅仅限于说明书和实施方式中所列运用。它完全可以被适用于各种适合本发明的领域。对于熟悉本领域的人员而言,可容易地实现另外的修改。因此在不背离权利要求及等同范围所限定的一般概念下,本发明并不限于特定的细节和这里示出与描述的图例。
Claims (7)
1.一种基于大数据的机组在线监测方法,其特征在于,包括如下步骤:
步骤一、建立单测点评估模型、正常态数据模型和异常态数据模型;
其中,所述单测点评估模型基于典型测点的降噪历史数据集建立,且所述单测点评估模型内设置有与所述典型测点对应的待评估区间,所述待评估区间包含风力发电机组运行状态下所述典型测点的所有运行参数,所述单测点评估模型用于预测风力发电机组的运行状态;
所述正常态数据模型设置有风力发电机组正常运行时所有所述典型测点的正常范围;
所述异常态数据模型设置有风力发电机组异常运行时所有所述典型测点的异常范围;
步骤二、采集所述典型测点的实时数据,对所述实时数据进行降噪处理得到若干降噪实时数据集,所述典型测点与所述降噪实时数据集一一对应;
步骤三、将步骤二中所述降噪实时数据集接入所述单测点评估模型中进行在线故障检测;
步骤四、对步骤三中的所述降噪实时数据集选择性接入所述异常态数据模型中进行在线故障检测;
步骤五、将步骤四中待进行健康度评估的所述降噪实时数据集两两组合,得到若干实时灰关联度组合,对所述实时灰关联度组合进行无量纲化处理得到关联实时数据序列;
将所述关联实时数据序列接入所述正常态数据模型中,若所述关联实时数据序列位于所述正常态数据模型的正常范围之内,则判定为风力发电机组运行正常;若所述关联实时数据序列位于所述正常态数据模型的正常范围之外,则判定为风力发电机组运行异常;
步骤六、基于步骤五中的判定结果,将判定结果为风力发电机组运行异常对应降噪实时数据优化至所述异常态数据模型中。
2.如权利要求1所述的基于大数据的机组在线监测方法,其特征在于,所述降噪历史数据集由若干监测测点的历史数据经降噪处理获得,所述历史数据涵盖风力发电机组运行1~3年内的运行参数。
3.如权利要求1所述的基于大数据的机组在线监测方法,其特征在于,所述单测点评估模型的建模方法为:
对每个所述监测测点的所述降噪历史数据集进行趋势分析,结合风力发电机组使用情况记录表确定所述典型测点,并设定所述典型测点对应的所述待评估区间。
4.如权利要求1所述的基于大数据的机组在线监测方法,其特征在于,步骤三中所述单测点评估模型的在线故障检测方法为:
在所述降噪实时数据集中抽取与所述典型测点对应的典型测点实测值,将所述典型测点实测值与所述待评估区间比较,若所述典型测点实测值位于所述待评估区间之外,则判定为风力发电机组不运行,评估结束,若所述典型测点实测值位于所述待评估区间之内,则判定为风力发电机组运行,将对应的所述降噪实时数据集发送至所述异常态数据模型。
5.如权利要求4所述的基于大数据的机组在线监测方法,其特征在于,步骤四中所述异常态数据模型的在线故障检测方法为:
接收所述单测点评估模型上的所述降噪实时数据集,若所述降噪实时数据集位于所述异常态数据模型的异常范围之内,则判定为风力发电机组运行异常,评估结束,若所述降噪实时数据集位于所述异常态数据模型的异常范围之外,存储该降噪实时数据集,并将该降噪实时数据集发送至所述正常态数据模型进行健康度评估。
6.如权利要求5所述的基于大数据的机组在线监测方法,其特征在于,对所述正常态历史数据集两两组合得到若干正常态灰关联度组合,采用关联度分析法计算所述正常态灰关联度组合的灰关联度值,依据灰关联度值排除冗余测点,对被保留的所述正常态灰关联度组合进行无量纲化处理得到关联正常态数据序列。
7.如权利要求5所述的基于大数据的机组在线监测方法,其特征在于,所述正常态数据模型的建模方法为:
基于所述关联正常态数据序列建立所述正常态数据模型,将所有的所述关联正常态数据序列映射至正常状态空间中,基于所述正常状态空间的边界点构造若干第二外接平面,将每个所述第二外接平面均分为若干平面模型,所述平面模型与所述正常态灰关联度组合一一对应,将所述关联正常态数据序列上的最大值和最小值拟合至所述平面模型中,得到所述正常态灰关联度组合对应的所述正常态数据模型的正常范围。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011609564.7A CN112711850A (zh) | 2020-12-30 | 2020-12-30 | 一种基于大数据的机组在线监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011609564.7A CN112711850A (zh) | 2020-12-30 | 2020-12-30 | 一种基于大数据的机组在线监测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112711850A true CN112711850A (zh) | 2021-04-27 |
Family
ID=75547221
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011609564.7A Pending CN112711850A (zh) | 2020-12-30 | 2020-12-30 | 一种基于大数据的机组在线监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112711850A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116418421A (zh) * | 2023-06-09 | 2023-07-11 | 北京神州明达高科技有限公司 | 一种基于频率接收的通信设备侦测方法 |
CN117192269A (zh) * | 2023-09-20 | 2023-12-08 | 珠海高新区铭越科技有限公司 | 一种用于电房环境控制箱的大数据监测预警***及方法 |
CN117470320A (zh) * | 2023-12-26 | 2024-01-30 | 中融固成建设科技有限公司 | 一种现场环境监测*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103226651A (zh) * | 2013-03-23 | 2013-07-31 | 中国水利电力物资有限公司 | 基于相似度统计的风电机组状态评估预警方法和*** |
US20140067327A1 (en) * | 2011-05-03 | 2014-03-06 | China Real-Time Technology Co., Ltd. | Similarity curve-based equipment fault early detection and operation optimization methodology and system |
CN103674234A (zh) * | 2013-12-23 | 2014-03-26 | 北京天源科创风电技术有限责任公司 | 一种风力发电机组振动异常的状态预警方法及*** |
CN109185211A (zh) * | 2018-10-31 | 2019-01-11 | 扬州大学 | 一种基于计算流体力学瞬时计算的泵站机组压力脉动预测方法 |
CN111008363A (zh) * | 2019-11-21 | 2020-04-14 | 西安交通大学 | 多变量因果驱动的复杂机电***服役安全态势评估方法 |
-
2020
- 2020-12-30 CN CN202011609564.7A patent/CN112711850A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140067327A1 (en) * | 2011-05-03 | 2014-03-06 | China Real-Time Technology Co., Ltd. | Similarity curve-based equipment fault early detection and operation optimization methodology and system |
CN103226651A (zh) * | 2013-03-23 | 2013-07-31 | 中国水利电力物资有限公司 | 基于相似度统计的风电机组状态评估预警方法和*** |
CN103674234A (zh) * | 2013-12-23 | 2014-03-26 | 北京天源科创风电技术有限责任公司 | 一种风力发电机组振动异常的状态预警方法及*** |
CN109185211A (zh) * | 2018-10-31 | 2019-01-11 | 扬州大学 | 一种基于计算流体力学瞬时计算的泵站机组压力脉动预测方法 |
CN111008363A (zh) * | 2019-11-21 | 2020-04-14 | 西安交通大学 | 多变量因果驱动的复杂机电***服役安全态势评估方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116418421A (zh) * | 2023-06-09 | 2023-07-11 | 北京神州明达高科技有限公司 | 一种基于频率接收的通信设备侦测方法 |
CN117192269A (zh) * | 2023-09-20 | 2023-12-08 | 珠海高新区铭越科技有限公司 | 一种用于电房环境控制箱的大数据监测预警***及方法 |
CN117192269B (zh) * | 2023-09-20 | 2024-04-05 | 珠海高新区铭越科技有限公司 | 一种用于电房环境控制箱的大数据监测预警***及方法 |
CN117470320A (zh) * | 2023-12-26 | 2024-01-30 | 中融固成建设科技有限公司 | 一种现场环境监测*** |
CN117470320B (zh) * | 2023-12-26 | 2024-03-12 | 中融固成建设科技有限公司 | 一种现场环境监测*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109524139B (zh) | 一种基于设备工况变化的实时设备性能监测方法 | |
CN112711850A (zh) | 一种基于大数据的机组在线监测方法 | |
US10725439B2 (en) | Apparatus and method for monitoring a device having a movable part | |
US5602761A (en) | Machine performance monitoring and fault classification using an exponentially weighted moving average scheme | |
CN110823576B (zh) | 基于生成对抗网络的机械异常检测方法 | |
CN112881014B (zh) | 传动总成的下线nvh测试***及方法 | |
CN108181105B (zh) | 基于逻辑回归和j散度的滚动轴承故障预诊方法及*** | |
Hayashi et al. | Study of machine fault diagnosis system using neural networks | |
JPH07168619A (ja) | 機器/設備診断方法およびシステム | |
CN112393906B (zh) | 一种地铁车辆转向架轴承微弱信号故障诊断、分类和健康评估的方法 | |
GB2476246A (en) | Diagnosing an operation mode of a machine | |
CN114004306A (zh) | 一种基于物联网多维度数据的设备故障评估***及其方法 | |
CN110553789A (zh) | 一种压阻式压力传感器的状态检测方法、装置及制动*** | |
CN116625683A (zh) | 一种风电机组轴承故障识别方法、***、装置及电子设备 | |
Bejaoui et al. | A data-driven prognostics technique and rul prediction of rotating machines using an exponential degradation model | |
CN112664410B (zh) | 一种基于大数据的机组在线监测***建模方法 | |
KR102108975B1 (ko) | 함정설비의 상태기반 정비 지원 장치 및 방법 | |
CN114577470A (zh) | 用于风机主轴承的故障诊断方法及*** | |
CN109872511B (zh) | 一种针对轴向位移突变监测的自适应两级报警方法 | |
US11339763B2 (en) | Method for windmill farm monitoring | |
KR20240003469A (ko) | 원전설비의 예측진단방법 및 시스템 | |
CN116802471A (zh) | 综合诊断旋转机械的缺陷的方法及*** | |
CN112525337B (zh) | 一种针对机械压力机振动监测数据预处理方法 | |
CN108629077A (zh) | 故障诊断装置、监视装置、故障诊断方法以及记录介质 | |
Seo et al. | Gearbox Condition Monitoring and Diagnosis of Unlabeled Vibration Signals Using a Supervised Learning Classifier |
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 |