CN113268552B - 一种基于局部敏感哈希的发电机设备隐患预警方法 - Google Patents

一种基于局部敏感哈希的发电机设备隐患预警方法 Download PDF

Info

Publication number
CN113268552B
CN113268552B CN202110590832.3A CN202110590832A CN113268552B CN 113268552 B CN113268552 B CN 113268552B CN 202110590832 A CN202110590832 A CN 202110590832A CN 113268552 B CN113268552 B CN 113268552B
Authority
CN
China
Prior art keywords
data
generator
sample
early warning
hidden danger
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
CN202110590832.3A
Other languages
English (en)
Other versions
CN113268552A (zh
Inventor
李志军
王朋
卢应强
乔苏朋
陈果
曹玲燕
赵海平
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.)
Guodian Nanjing Automation Haiji Technology Co ltd
Original Assignee
Guodian Nanjing Automation Haiji Technology Co ltd
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 Guodian Nanjing Automation Haiji Technology Co ltd filed Critical Guodian Nanjing Automation Haiji Technology Co ltd
Priority to CN202110590832.3A priority Critical patent/CN113268552B/zh
Publication of CN113268552A publication Critical patent/CN113268552A/zh
Application granted granted Critical
Publication of CN113268552B publication Critical patent/CN113268552B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/284—Relational databases
    • G06F16/285—Clustering or classification
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/18—Status alarms
    • G08B21/182—Level alarms, e.g. alarms responsive to variables exceeding a threshold

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Medical Informatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Emergency Management (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computational Linguistics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明提供了一种基于局部敏感哈希的发电机设备隐患预警方法。所述方法包括：获取训练数据构建多维样本空间；构建哈希函数族；从中随机选取哈希函数对样本点数据进行处理，得到数据的映射向量；把具有相同映射向量的样本点划分到一个数据类；把具有相同样本点的数据类进行合并；记录合并后每一个数据类的特征信息并存储到数据库中；对于新接收的实时数据，遍历所有的数据类，并尝试划分到某个类中；如果新的样本数据不属于任何一个类，则认为该数据代表某种潜在的故障征兆。所述***包括：训练数据获取模块；数据处理及工况识别模块；数据库；实时数据接收模块；实时数据分析模块；隐患预警输出模块。

Description

一种基于局部敏感哈希的发电机设备隐患预警方法
技术领域
本发明适用于发电机设备隐患预警领域，尤其涉及一种基于局部敏感哈希(Locality Sensitive Hashing,LSH)的发电机设备隐患预警方法。
背景技术
发电机是水力发电厂的核心设备。发电机在长时间运转的过程中，受各方面因素的影响，不可避免的会出现各种故障。其中大部分故障的形成是一个隐蔽而缓慢的过程。当最终出现剧烈的故障表象时，设备已经损坏，需要耗费大量的人力物力进行维修。因此，如何对运转过程中的设备进行持续监测，提前发现潜在的故障征兆，及时进行人工干预避免故障发生，是水力发电厂一直在研究的课题。
目前，大多数水力发电厂采用了数字化控制***，能够在设备运转过程中以固定频率采集设备各类数据，从而对设备状态进行实时监测。但是在设备隐患预警方面，大部分采用固定阈值判定法，此方法存在如下缺陷：
1)存在一定的局限性，只能实现单参数阈值判定，无法实现多参数联合判定。
2)阈值设定依赖于现场人员的经验，设定过于严苛则产生大量无效预警，设定过于宽松则预警产生时设备已经损坏。
发明内容
针对现有技术发电机中隐患预警存在的不足，本发明提供了一种基于局部敏感哈希的发电机设备隐患预警方法。通过大量历史样本数据的训练，构建预警模型，对设备的潜在故障征兆进行提前预警。
本发明采用的技术方案如下：
一种基于局部敏感哈希的发电机设备隐患预警方法，包括以下步骤：
(1)分析并提取影响发电机设备故障的机组相关特征和影响因素，形成历史发电机特征向量，得到样本集[x1,x2,x3,x4,...x20]，其中x1,x2,x3,x4,…,x20为发电机相关特征历史数据值；
(2)对样本集[x1,x2,x3,x4,...x20]进行数据预处理,剔除[x1,x2,x3,x4,...x20]中机组异常状态下的数据值，保留机组的正常状态值；
(3)构建一系列具有统一映射规则的哈希函数族，用于把多维的样本集数据点映射为一个整型向量，即映射向量；
(4)从步骤(3)中构建的哈希函数族中，随机选取M组哈希函数，每组由N个哈希函数组成，使用这些哈希函数对样本空间中的所有样本点进行处理，得到每个样本的映射向量；
(5)在M组哈希函数中，把每一组中的具有相同映射向量的样本点划分为一个数据类；遍历所有的数据类，把具有相同样本点的数据类进行合并；合并后所得到的每一个数据类，即代表设备正常运行过程中的一种工况；
(6)记录合并后所有数据类的特征信息，并存储到数据库；
(7)对于新接收的实时数据值，按照上述步骤(2)-步骤(5)，遍历所有的数据类，并尝试划分到某个数据类中；如果新的实时数据值无法划分到任何一个数据类，则认为该数据值不符合正常运行工况，即判定该数据值代表潜在故障征兆。
进一步地，所述步骤(1)中，发电机相关特征历史数据值包括机组有功、机组油温、机组油槽油位、机组转速、定子瓦温、压力以及流量的历史时刻值。
进一步地，所述步骤(1)中，x1,x2,x3,x4,…,x20为前一整年发电机相关特征历史数据值。
进一步地，所述步骤(4)中，通过p稳定分布构建哈希函数族，则P取2时，定义的哈希函数族为：
Figure BDA0003089453920000021
其中，向量v是样本数据值，向量a是由p稳定分布产生的与v维度相同的随机向量，b是(0,r)里的随机数，r是直线的分段长度；选取不同的a和b，构成多个哈希函数，从而构成哈希函数族。
进一步地，所述步骤(4)中，M组哈希函数可以记为{F1(·),F2(·),…,FM(·)}，其中Fi(·)＝(h1(·),h2(·),…,hN(·))，则样本集数据点经过Fi(·)被映射成一个整型向量(X1,X2,…,XN)，这个向量便是这个样本集数据点的标识。
进一步地，所述步骤(3)中，哈希函数族的构建需要满足如下两个约束：
1)能够高效地把样本集数据点映射为一个整型向量；
2)哈希函数族中所有函数可以设定不同的参数，但必须遵从统一的映射原则。
进一步地，所述步骤(6)中，特征信息包括：数据类的编号、所含样本点数量及时间戳、每个数据维度的最大值和最小值，其中，每个数据维度是原始数据维度，而非映射后的数据。
一种根据上述基于局部敏感哈希的发电机设备隐患预警方法建立的发电机隐患预警***，所述发电机隐患预警***包括如下模块：
训练数据获取模块，用于获取用于训练的样本数据；
数据处理及工况识别模块，其使用所述的基于局部敏感哈希的发电机设备隐患预警方法对训练数据获取模块获取的样本数据进行处理，得到一系列的数据类及其特征信息；
数据库，用于存储数据处理及工况识别模块得到数据类及其特征信息；
实时数据接收模块，用于接收发电机设备运转的实时数据值；
实时数据分析模块，用于判定每一批新接收的实时数据值是否符合某一正常运行工况；
隐患预警输出模块，其对于不符合正常运行工况的数据值，输出隐患预警。
一种电子设备，包括处理器和存储器，所述存储器用于存储计算机程序，所述处理器用于执行所述存储器存储的计算机程序以实现上述的一种基于局部敏感哈希的发电机设备隐患预警方法。
一种存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述一种基于局部敏感哈希的发电机设备隐患预警方法。
本发明取得了如下技术效果：
与现有技术相比，本发明利用局部敏感哈希方法，既能够对数据进行再降维，同时具有局部寻找匹配能力，不仅使得模型在处理数据方面更加的精致，而且提高了隐患预警的精度。具体有效增益如下：
1、本发明中分析并提取影响发电机设备故障的机组相关特征和影响因素，如机组有功、机组油温、机组油槽油位、机组转速、定子瓦温、压力、流量等历史时刻值，形成发电机故障特征参量体系，构建了发电机特定的故障模型，实现了对发电机的隐患预警，使得发电机的隐患预警模型更加可靠；
2、本发明中在M组哈希函数中，把每一组中的具有相同映射向量的样本点划分为一个数据类，对于新接收的实时数据，遍历所有的数据类，并尝试划分到某个类中。如果新的实时数据无法划分到任何一个类，则人为数据不符合正常运行工况，即判定数据代表某种潜在故障征兆。详细计算了每一类工况下样本的预警信息，使得发电机隐患预警结果更加准确；
此外，本发明主要解决如下技术问题：
1)采用多参数联合判定，解决单一参数判定的局限性。
2)采用历史数据训练，构建预警模型，减少对人员经验的依赖。
3)采用数据驱动的方式，在故障形成初期，精准发现潜在故障征兆。
附图说明
图1是本发明一种基于局部敏感哈希(Locality Sensitive Hashing,LSH)的发电机设备隐患预警方法的较佳实施例的流程示意图；
图2是本发明一种基于局部敏感哈希(Locality Sensitive Hashing,LSH)算法的发电机设备潜在隐患预警***的较佳实施例的结构示意图。
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，以下结合附图及实施例，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用以解释本发明，并不用于限定本发明。
如图1所示，本实施例的一种基于局部敏感哈希的发电机设备隐患预警方法，包括以下步骤：
(1)分析并提取影响发电机设备故障的机组相关特征和影响因素，形成历史发电机特征向量，得到样本集[x1,x2,x3,x4,...x20]，其中x1,x2,x3,x4,…,x20为前一整年发电机相关特征历史数据值。发电机相关特征历史数据值包括机组有功、机组油温、机组油槽油位、机组转速、定子瓦温、压力以及流量的历史时刻值。
在本发明实施例中，用于训练的历史数据必须是设备正常运行过程中产生的时序数据，不能有设备故障情况下的数据。历史数据中应包含两个或两个以上的物理参数(如：温度，压力，流量等)，且这些参数之间从物理机理上应该是有相关性的。在构建多维样本空间时，同一个时刻的数据作为多维样本空间中的一个样本点(每一个物理参数作为样本点的一个维度)。
应当理解，历史数据的获取方式有很多种，包括但不限于从数据库读取、从文件读取、从特定数据接口读取等。无论采用何种方式获取数据，均不应构成对本发明权利要求的影响。
(2)对样本集[x1,x2,x3,x4,...x20]进行数据预处理,剔除[x1,x2,x3,x4,...x20]中机组异常状态下的数据值，保留机组的正常状态值。
(3)构建一系列具有统一映射规则的哈希函数族，用于把多维的样本集数据点映射为一个整型向量，即映射向量。
哈希函数族的构建需要满足如下两个约束：
1)能够高效地把样本集数据点映射为一个整型向量。
2)哈希函数族中所有函数可以设定不同的参数，但必须遵从统一的映射原则。
应当理解，满足上述约束的构建哈希函数的方式有很多种。无论采用何种方式构建哈希函数，均不应构成对本发明权利要求的影响。
(4)从步骤(3)中构建的哈希函数族中，随机选取M组哈希函数，每组由N个哈希函数组成，使用这些哈希函数对样本空间中的所有样本点进行处理，得到每个样本的映射向量。具体为：
通过p稳定分布构建哈希函数族，则P取2时，定义的哈希函数族为：
Figure BDA0003089453920000051
其中，向量v是样本数据值，向量a是由p稳定分布产生的与v维度相同的随机向量，b是(0,r)里的随机数，r是直线的分段长度。选取不同的a和b，构成多个哈希函数，从而构成哈希函数族。
M组哈希函数可以记为{F1(·),F2(·),…,FM(·)}，其中Fi(·)＝(h1(·),h2(·),…,hN(·))，则样本集数据点经过Fi(·)被映射成一个整型向量(X1,X2,…,XN)，这个向量便是这个样本集数据点的标识。
应当理解，哈希函数的构建方式和样本点的数据映射方式有很多种，无论采用何种方式，均不应构成对本发明权利要求的影响。
(5)在M组哈希函数中，把每一组中的具有相同映射向量的样本点划分为一个数据类。遍历所有的数据类，把具有相同样本点的数据类进行合并。合并后所得到的每一个数据类，即代表设备正常运行过程中的一种工况。
(6)记录合并后所有数据类的特征信息，包括：数据类的编号、所含样本点数量及时间戳、每个数据维度的最大值和最小值，其中，每个数据维度是原始数据维度，而非映射后的数据。并存储到数据库。
应当理解，用于存储分类结果的数据库有很多种，无论采用何种数据库，均不应构成对本发明权利要求的影响。
(7)对于新接收的实时数据值，按照上述步骤(2)-步骤(5)，遍历所有的数据类，并尝试划分到某个数据类中。如果新的实时数据值无法划分到任何一个数据类，则认为该数据值不符合正常运行工况，即判定该数据值代表潜在故障征兆。
在本发明实施例中，对于实时数据是判定的准确性，即监测模型的准确性，依赖于历史数据是否完备，是否能够覆盖设备所有的正常运行工况。从理论上讲，设备的故障模式是不可穷举的，但是设备的正常运行工况是可以通过足够多的历史数据完全覆盖到的。
如图2所示，根据上述基于局部敏感哈希的发电机设备隐患预警方法建立的发电机隐患预警***，包括如下模块：
训练数据获取模块，用于获取用于训练的样本数据。
数据处理及工况识别模块，其使用的基于局部敏感哈希的发电机设备隐患预警方法对训练数据获取模块获取的样本数据进行处理，得到一系列的数据类及其特征信息。
数据库，用于存储数据处理及工况识别模块得到数据类及其特征信息。
实时数据接收模块，用于接收发电机设备运转的实时数据值。
实时数据分析模块，用于判定每一批新接收的实时数据值是否符合某一正常运行工况。
隐患预警输出模块，其对于不符合正常运行工况的数据值，输出隐患预警。
根据上述预警方法可以得到一种电子设备，包括处理器和存储器，存储器用于存储计算机程序，处理器用于执行存储器存储的计算机程序以实现上述的一种基于局部敏感哈希的发电机设备隐患预警方法。
根据上述预警方法还可以得到一种存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现一种基于局部敏感哈希的发电机设备隐患预警方法。
以上仅为本发明的较佳实施例而已，并不用以限制本发明，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，均应包含在本发明的保护范围之内。

Claims (4)

1.一种基于局部敏感哈希的发电机设备隐患预警方法，其特征在于，包括以下步骤：
(1)分析并提取影响发电机设备故障的机组相关特征和影响因素，形成历史发电机特征向量，得到样本集[x1,x2,x3,x4,...x20]，其中x1,x2,x3,x4,…,x20为发电机相关特征历史数据值；
(2)对样本集[x1,x2,x3,x4,...x20]进行数据预处理,剔除[x1,x2,x3,x4,...x20]中机组异常状态下的数据值，保留机组的正常状态值；
(3)构建一系列具有统一映射规则的哈希函数族，用于把多维的样本集数据点映射为一个整型向量，即映射向量；
(4)从步骤(3)中构建的哈希函数族中，随机选取M组哈希函数，每组由N个哈希函数组成，使用这些哈希函数对样本空间中的所有样本点进行处理，得到每个样本的映射向量；
(5)在M组哈希函数中，把每一组中的具有相同映射向量的样本点划分为一个数据类；遍历所有的数据类，把具有相同样本点的数据类进行合并；合并后所得到的每一个数据类，即代表设备正常运行过程中的一种工况；
(6)记录合并后所有数据类的特征信息，并存储到数据库；
(7)对于新接收的实时数据值，按照上述步骤(2)-步骤(5)，遍历所有的数据类，并尝试划分到某个数据类中；如果新的实时数据值无法划分到任何一个数据类，则认为该数据值不符合正常运行工况，即判定该数据值代表潜在故障征兆；
所述步骤(1)中，发电机相关特征历史数据值包括机组有功、机组油温、机组油槽油位、机组转速、定子瓦温、压力以及流量的历史时刻值；
所述步骤(1)中，x1,x2,x3,x4,…,x20为前一整年发电机相关特征历史数据值；
所述步骤(4)中，通过p稳定分布构建哈希函数族，则P取2时，定义的哈希函数族为：
ha,b(v)=(a*v+b)/r，其中，向量v是样本数据值，向量a是由p稳定分布产生的与v维度相同的随机向量，b是(0,r)里的随机数，r是直线的分段长度；选取不同的a和b，构成多个哈希函数，从而构成哈希函数族；
所述步骤(4)中，M组哈希函数记为{F1(·),F2(·),…,FM(·)}，其中Fi(·)＝(h1(·),h2(·),…,hN(·))，则样本集数据点经过Fi(·)被映射成一个整型向量(X1,X2,…,XN)，这个向量便是这个样本集数据点的标识；
所述步骤(3)中，哈希函数族的构建需要满足如下两个约束：
1)能够高效地把样本集数据点映射为一个整型向量；
2)哈希函数族中所有函数设定不同的参数，但必须遵从统一的映射原则；
所述步骤(6)中，特征信息包括：数据类的编号、所含样本点数量及时间戳、每个数据维度的最大值和最小值，其中，每个数据维度是原始数据维度，而非映射后的数据。
2.根据权利要求1所述的一种基于局部敏感哈希的发电机设备隐患预警方法建立的发电机隐患预警***，其特征在于，所述发电机隐患预警***包括如下模块：
训练数据获取模块，用于获取用于训练的样本数据；
数据处理及工况识别模块，其使用所述的基于局部敏感哈希的发电机设备隐患预警方法对训练数据获取模块获取的样本数据进行处理，得到一系列的数据类及其特征信息；
数据库，用于存储数据处理及工况识别模块得到数据类及其特征信息；
实时数据接收模块，用于接收发电机设备运转的实时数据值；
实时数据分析模块，用于判定每一批新接收的实时数据值是否符合某一正常运行工况；
隐患预警输出模块，其对于不符合正常运行工况的数据值，输出隐患预警。
3.一种电子设备，其特征在于，包括处理器和存储器，所述存储器用于存储计算机程序，所述处理器用于执行所述存储器存储的计算机程序以实现如权利要求1所述的一种基于局部敏感哈希的发电机设备隐患预警方法。
4.一种存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1所述一种基于局部敏感哈希的发电机设备隐患预警方法。
CN202110590832.3A 2021-05-28 2021-05-28 一种基于局部敏感哈希的发电机设备隐患预警方法 Active CN113268552B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110590832.3A CN113268552B (zh) 2021-05-28 2021-05-28 一种基于局部敏感哈希的发电机设备隐患预警方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110590832.3A CN113268552B (zh) 2021-05-28 2021-05-28 一种基于局部敏感哈希的发电机设备隐患预警方法

Publications (2)

Publication Number Publication Date
CN113268552A CN113268552A (zh) 2021-08-17
CN113268552B true CN113268552B (zh) 2022-04-05

Family

ID=77233291

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110590832.3A Active CN113268552B (zh) 2021-05-28 2021-05-28 一种基于局部敏感哈希的发电机设备隐患预警方法

Country Status (1)

Country Link
CN (1) CN113268552B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115514564B (zh) * 2022-09-22 2023-06-16 成都坐联智城科技有限公司 基于数据共享的数据安全处理方法及***

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015176565A1 (zh) * 2014-05-22 2015-11-26 袁志贤 一种基于多维时间序列的电气设备故障预测方法
CN108460404A (zh) * 2018-01-24 2018-08-28 河海大学常州校区 一种基于布隆过滤器的电机故障诊断方法
CN111079539A (zh) * 2019-11-19 2020-04-28 华南理工大学 一种基于异常追踪的视频异常行为检测方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9379951B2 (en) * 2014-01-10 2016-06-28 Instep Software, Llc Method and apparatus for detection of anomalies in integrated parameter systems
US9626426B2 (en) * 2014-01-24 2017-04-18 Facebook, Inc. Clustering using locality-sensitive hashing with improved cost model
CN107070867B (zh) * 2017-01-03 2020-06-16 湖南大学 基于多层局部敏感哈希表的网络流量异常快速检测方法
CN107895206B (zh) * 2017-11-09 2020-12-22 华南理工大学 一种基于奇异谱分析和局部敏感哈希的多步风能预测方法
CN109974782B (zh) * 2019-04-10 2021-03-02 郑州轻工业学院 基于大数据敏感特征优化选取的设备故障预警方法及***

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015176565A1 (zh) * 2014-05-22 2015-11-26 袁志贤 一种基于多维时间序列的电气设备故障预测方法
CN108460404A (zh) * 2018-01-24 2018-08-28 河海大学常州校区 一种基于布隆过滤器的电机故障诊断方法
CN111079539A (zh) * 2019-11-19 2020-04-28 华南理工大学 一种基于异常追踪的视频异常行为检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于近邻参考集与E2LSH加速的姿态敏感器故障检测;王婵等;《传感技术学报》;20170915;第1359-1363页 *
王婵等.基于近邻参考集与E2LSH加速的姿态敏感器故障检测.《传感技术学报》.2017,第1359-1363页. *

Also Published As

Publication number Publication date
CN113268552A (zh) 2021-08-17

Similar Documents

Publication Publication Date Title
Zheng et al. Raw wind data preprocessing: a data-mining approach
CN105677791B (zh) 用于分析风力发电机组的运行数据的方法和***
CN111401775A (zh) 复杂关系网络的信息分析方法、装置、设备及存储介质
CN111340063B (zh) 一种磨煤机数据异常检测方法
CN106779200A (zh) 基于在历史数据中进行相似搜索的风电机组状态预测方法
CN113436194B (zh) 一种风电机组的异常检测方法、装置及设备
CN108304350B (zh) 基于大数据集近邻策略的风机指标预测与故障预警方法
CN110297207A (zh) 智能电表的故障诊断方法、***及电子装置
CN111767951A (zh) 一种居民用电安全分析中应用孤立森林算法发现异常数据的方法
CN112668870B (zh) 一种核电厂设备状态在线智能监测方法及计算机终端
CN116882790B (zh) 一种矿山生态修复区域的碳排放设备管理方法及***
CN116089890B (zh) 一种智慧风电场的故障预警检测方法及***
CN113268552B (zh) 一种基于局部敏感哈希的发电机设备隐患预警方法
CN109685140A (zh) 一种基于主成分分析的dbscan算法岸桥状态分类方法
CN106846170B (zh) 一种发电机组跳闸监测方法及其监测装置
CN115524002A (zh) 一种电厂旋转设备的运行状态预警方法、***及存储介质
CN112733931B (zh) 一种核电厂设备监测数据聚类处理方法和电子设备
CN117572837B (zh) 一种智慧电厂ai主动运维方法及***
CN117131425B (zh) 一种基于反馈数据的数控机床加工状态监测方法及***
CN113127464A (zh) 农业大数据环境特征处理方法、装置及电子设备
CN112855458B (zh) 一种风力发电机组的风速仪故障诊断方法、***及介质
CN116720079A (zh) 基于多特征融合的风力发电机故障模式识别方法及***
CN115952914A (zh) 一种基于大数据的电力计量运维工作判别规划方法
CN114386535B (zh) 一种设置用于扫描kpi曲线的滑动窗口宽度的方法
CN113033673B (zh) 电机工况异常检测模型的训练方法及***

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