CN113505850A - 基于深度学习的锅炉故障预测方法 - Google Patents
基于深度学习的锅炉故障预测方法 Download PDFInfo
- Publication number
- CN113505850A CN113505850A CN202110851856.XA CN202110851856A CN113505850A CN 113505850 A CN113505850 A CN 113505850A CN 202110851856 A CN202110851856 A CN 202110851856A CN 113505850 A CN113505850 A CN 113505850A
- Authority
- CN
- China
- Prior art keywords
- data
- boiler
- fault
- features
- correlation
- 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
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000013135 deep learning Methods 0.000 title claims abstract description 10
- 238000011985 exploratory data analysis Methods 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims abstract description 10
- 238000004458 analytical method Methods 0.000 claims abstract description 7
- 238000007637 random forest analysis Methods 0.000 claims abstract description 7
- 238000007781 pre-processing Methods 0.000 claims description 16
- 238000012360 testing method Methods 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 14
- 238000003066 decision tree Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 238000009499 grossing Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 238000013501 data transformation Methods 0.000 claims description 3
- 238000005201 scrubbing Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 3
- 238000005065 mining Methods 0.000 description 3
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000638 solvent extraction Methods 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
- G06F18/21—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
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种基于深度学习的锅炉故障预测方法,本发明将残差网络模型引入到锅炉故障预测中,实现对锅炉故障的预测诊断。首先对火电厂锅炉运行数据进行探索性分析,确定数据信息、特征分布和数据相关性。然后对缺失值进行处理,采用了删除变量和随机森林填充的方法,利用数据规约提取出输入模型的特征。最后使用残差网络模型实现了对锅炉故障的预测。以某火电厂提供的实验数据进行实例分析,验证了该发明的准确性和实用性。
Description
技术领域
本发明属于发电厂锅炉故障预测领域,具体涉及一种基于深度学习的锅炉故障预测方法。
背景技术
近年来伴随着中国经济的高速发展,用户对高质量电力的需求量也在日益增加,更多的大容量火电机组投入使用。火力发电机组结构愈发复杂,社会用电需求激增,稳定性要求增加,如何保障火电机组安全稳定高效运行成为重要问题。
当前大部分火电厂使用DCS分布式控制***来进行锅炉的控制和操作管理,但锅炉燃烧***复杂,影响因素较多,运行环境恶劣,致使锅炉故障持续发生。当前市面上已有的锅炉故障诊断预测***,大部分是将故障时的信号量转化为大量的报警信息,存在大量报警信号,单纯凭借此信息,控制***很难做到精细且及时判断***的故障。因此结合当前信息技术对火电厂锅炉故障进行预测和诊断具有极强的现实意义。
发明内容
为了解决上述火电厂锅炉故障预测和诊断的问题,本发明提出一种基于深度学习的锅炉故障预测方法,本发明基于火力发电厂应用的 DCS***采集到的温度,压力,流量,电流,电压等数据。提出的基于深度学习的锅炉故障预测方法主要由三部分组成:数据探索性分析、数据预处理和构建锅炉故障预测模型。
为了达到上述目的,本发明采用如下技术方案:
一种基于深度学习的锅炉故障预测方法,包括如下步骤:
步骤一,数据探索性分析
对某火电厂提供的火电机组正常运行数据和火电机组异常故障期间数据进行分析,数据为DCS***采集的锅炉炉膛内各处的温度、压力和流量,对两组数据分别添加一列用以标注是否发生故障,正常数据标注为0,异常数据标注为1,将两组数据合并统一进行探索性分析,首先查看数据信息,将原始数据的各列作为特征进行分析,统计每个特征有多少个特征值以及每个特征值的个数,绘制特征分布折线图,观察数据分布特点;
将数据中特征组成特征矩阵X,是否发生故障为特征矩阵Y,计算X与Y之间的协方差和协方差矩阵;,得到各特征与是否发生故障的相关性,并按照从大到小排序,筛选出与是否发生故障相关性高的特征,将相关性高的特征之间进行组合,测试组合特征与是否发生故障的相关性;绘制特征与锅炉故障关系的直方图;
步骤二,数据预处理
采用的数据预处理主要包括以下几个过程;
2.1数据清理
数据清理是通过填补缺失值、光滑噪声数据,平滑或删除离群点,并解决数据的不一致性来“清理“数据;
首先进行缺失值处理,不同数据特征列的数据缺失情况不同,部分列的变量缺失值较,有效值的覆盖率低,与是否故障的相关性低,此时删除该数据;
采用随机森林方法对缺失值少的的特征进行填充,从数据集中从 m个特征中随机选择k个特征,,其中k小于等于m,然后根据这k个特征建立决策树,重复n次,这k个特性经过不同随机组合建立起来 n棵决策树;对每个决策树都传递随机变量来预测结果,存储所有预测的结果,从n棵决策树中得到n种结果,计算每个预测结果的得票数再选择模式,将得到高票数的预测结果作为随机森林算法的最终预测,将预测值填充到缺失值的位置;
然后对离群点进行处理,采用绝对中位差方法来处理离群点,方法如下:
(1)计算所有数据点的中位数median(X);
(2)计算每个数据点与中位数的绝对偏差值abs(X- median(x));
(3)计算(2)中的绝对偏差值的中位数,即MAD=median(abs(X –median(x)));
(4)将(2)得到的值除以(3)中的值,得到一组基于MAD的所有观察点的离中心的距离值abs(X–median(X))/MAD;
2.2数据规约
在数据探索性分析阶段,分析了各个特征与锅炉故障之间的相关性,通过删除相关性低的变量实现维度规约;
2.3数据变换
在数据探索分析中看到部分数据呈现在80%的范围内零散分布,在20%的区域内大量聚集的特点,不同时间点的数据的数量级差距大,将这些变量进行Log函数的变换,使得xnew=logx;
步骤三,锅炉故障预测模型构建
锅炉故障预测模型采用五十三层残差网络构建,网络的输入为特征矩阵X,输出为y;残差网络使用残差连接块构建,残差连接块顺序连接,每个残差连接块中包含两个隐藏层,激活函数为relu函数;该网络输入为数据预处理之后的数据,输出为锅炉发生故障的概率;
对数据预处理之后的数据进行数据划分,随机选取70%的数据作为训练数据,30%的数据作为测试数据;
使用训练数据训练锅炉故障预测模型,使用测试数据对模型进行测试,经过测试本模型在测试数据上的整体分类准确率达到了98.78%;
步骤四,锅炉故障预测
将锅炉运行数据进行预处理,得到10个维度的特征数据,将特征数据的10个维度特征输入锅炉故障预测模型构建的神经网络,网络输出为锅炉故障预测模型对锅炉故障的预测,输出为1则预测锅炉发生故障,输出为0则预测锅炉运行正常。
优选的,步骤一中所述的将相关性高的特征之间进行组合,其中相关性高是指相关性高于0.4。
和现有技术相比较,本发明具备如下优点:
(1)更加快速
当前锅炉故障的判别很难做到预测,往往故障发生后DCS***中多参数显示异常,***告警后交由人工判断锅炉是否发生故障。本方法可以在一定程度上预测锅炉发生故障的概率,做到提前发现及时补救,减少损失。
(2)更加智能
模型训练之后,整体分类准确率达到了99.17%使用测试数据对模型进行测试,整体分类准确率达到了98.78%,智能化水平远超人工判断故障。
附图说明
图1训练数据与标签的相关性关系。
图2残差网络结构。
具体实施方式
下面结合附图和实例对本发明进行详细描述。
以某火电厂提供的火电机组正常运行数据和火电机组异常故障期间数据为研究对象,原始数据为基于火力发电厂应用的DCS***采集到的温度,压力,流量,电流,电压等数据,对锅炉运行正常和锅炉故障进行了标注。本发明的目的是构建基于深度学习的火电厂锅炉故障预测模型,实现对火电厂锅炉故障的预测。包括如下步骤:
步骤一,数据探索性分析
1.1数据信息
查看数据信息,包括数据数量,各列名称,数据类型,缺失值情况。
1.2数据特征分布
将原始数据的各列作为特征进行分析,统计每个特征有多少个特征值以及每个特征值的个数,绘制特征分布折线图,观察数据分布特点,部分数据呈现在80%的范围内零散分布,在20%的区域内大量聚集的特点。
1.3绘制直方图
选取特征值少于10个的特征,绘制特征与锅炉故障关系的直方图,进一步观察特征的关系。
1.4分析数据相关性
通过计算各个特征与是否发生故障的协方差和协方差矩阵,计算各特征与是否发生故障的相关性,并按照从大到小排序,筛选出与是否发生故障相关性高于0.4的特征,将相关性高于0.4的特征之间进行组合,测试组合特征与是否发生故障的相关性。
步骤二,数据预处理
采用的数据预处理主要包括以下几个过程:
2.1数据清理
数据清理是通过填补缺失值、光滑噪声数据,平滑或删除离群点,并解决数据的不一致性来“清理“数据。
首先进行缺失值处理,获取信息和数据的过程中,会存在各类的原因导致数据丢失和空缺,针对这些缺失值的处理方法,主要是基于变量的分布特性和变量的重要性采用不同的方法。在数据探索性分析中可以看到,特征列的数据缺失情况有着较大的差距,部分列的变量缺失值较多,缺失率达到了80%以上,有效值的覆盖率低于70%,与是否故障的相关性低于0.4,此时删除缺失率达到80%且与故障相关性低于0.4的变量,。
采用随机森林方法对缺失值少于20%的特征进行填充,从数据集 (表)中随机选择k个特征(列),共m个特征(其中k小于等于m),然后根据这k个特征建立决策树,重复n次,这k个特性经过不同随机组合建立起来n棵决策树。对每个决策树都传递随机变量来预测结果,存储所有预测的结果,从n棵决策树中得到n种结果,计算每个预测目标的得票数再选择模式,将得到高票数的预测目标作为随机森林算法的最终预测,将预测值填充到缺失值的位置。
然后对离群点进行处理,异常值是数据分布的常态,处于特定分布区域或范围之外的数据通常被定义为异常或噪声,异常分为两种:“伪异常”,由于特定的业务运营动作产生,是正常反应业务的状态,而不是数据本身的异常;“真异常”,不是由于特定的业务运营动作产生,而是数据本身分布异常,即离群点。采用绝对中位差方法来处理离群点,方法如下:
(1)计算所有观察点的中位数median(X);
(2)计算每个观察点与中位数的绝对偏差值abs(X- median(x));
(3)计算(2)中的绝对偏差值的中位数,即MAD=median(abs(X –median(x)));
(4)将(2)得到的值除以(3)中的值,得到一组基于MAD的所有观察点的离中心的距离值abs(X–median(X))/MAD;
2.2数据规约
数据归约技术可以用来得到数据集的归约表示,数据规约有效降低数据的维度,但仍接近地保持原数据的完整性,这样,在归约后的数据集上挖掘将更有效,并产生相同的分析结果。
进行维度规约,用于数据分析的数据可能包含数以百计的属性,其中大部分属性与挖掘任务不相关,是冗余的;维度归约通过删除不相关的属性,来减少数据量,并保证信息的损失最小,目标是找出最小属性集,使得数据类的概率分布尽可能地接近使用所有属性的原分布,在压缩的属性集上挖掘还有其它的优点,它减少了出现在发现模式上的属性的数目,使得模式更易于理解;在数据探索性分析阶段,分析了各个特征与锅炉故障之间的相关性,通过删除相关性较低的变量实现维度规约。
经过上述处理之后,筛选出的特征如下表所示。
表1:经过数据处理筛选出的特征
筛选出的特征与是否发生故障之间的相关性关系如图1所示,可以看到x1至x10特征与label之间相关性系数均大于0.4且小于 0.8,各个特征与label不存在相关性系数大于0.8的情况。
2.3数据变换
在数据探索分析中看到x1与x7数据呈现在80%的范围内零散分布,在20%的区域内大量聚集的特点,不同时间点的数据的数量级差距较大,将这些变量进行Log函数的变换,使得xnew=logx。
步骤三,锅炉故障预测模型构建
锅炉故障预测模型采用五十三层残差网络构建,神经网络结构如图2所示,网络的输入为x=(x1,x2,x3,x4...xn),输出为y;残差网络使用残差连接块构建,本模型的神经网络共有8个残差连接块,残差连接块顺序连接,每个残差连接块中包含两个隐藏层,激活函数为 relu函数;该网络输入为数据预处理之后的数据,输出为锅炉发生故障的概率。
3.1数据划分
对数据预处理之后的数据进行数据划分,随机选取70%的数据作为训练数据,30%的数据作为测试数据。
3.2模型训练
使用训练数据训练锅炉故障诊断模型,搭建残差网络的各层结构,神经网络输入为x=(x1,x2,x3,x4...x10),输入维数为10,输出维数为1,10维特征数据和1维标签为一组数据,将32组数据作为一个批次同时输入神经网络进行并行处理,降低训练所需要的时间。数据输入神经网络后进入第一个残差模块,首先全连接层对数据进行处理扩展数据维度到64维,然后将数据进行残差计算,最后使用relu激活函数进行计算,此残差块的计算结果输入下一个残差模块。之后的 7个残差块进行同样步骤的计算,最后输出发电机组故障的概率。经过实验迭代训练1000次,整体分类准确率达到了99.17%。
步骤四,锅炉故障预测
将锅炉运行数据进行预处理,得到10个维度的特征数据,将测试数据的10个维度特征输入本模型构建的神经网络,网络输出为该模型对锅炉故障的预测,输出为1则预测锅炉发生故障,输出为0则预测锅炉运行正常。
Claims (2)
1.一种基于深度学习的锅炉故障预测方法,其特征在于:包括如下步骤:
步骤一,数据探索性分析
对某火电厂提供的火电机组正常运行数据和火电机组异常故障期间数据进行分析,数据为DCS***采集的锅炉炉膛内各处的温度、压力和流量,对两组数据分别添加一列用以标注是否发生故障,正常数据标注为0,异常数据标注为1,将两组数据合并统一进行探索性分析,首先查看数据信息,将原始数据的各列作为特征进行分析,统计每个特征有多少个特征值以及每个特征值的个数,绘制特征分布折线图,观察数据分布特点;
将数据中特征组成特征矩阵X,是否发生故障为特征矩阵Y,计算X与Y之间的协方差和协方差矩阵;,得到各特征与是否发生故障的相关性,并按照从大到小排序,筛选出与是否发生故障相关性高的特征,将相关性高的特征之间进行组合,测试组合特征与是否发生故障的相关性;绘制特征与锅炉故障关系的直方图;
步骤二,数据预处理
采用的数据预处理主要包括以下几个过程;
2.1数据清理
数据清理是通过填补缺失值、光滑噪声数据,平滑或删除离群点,并解决数据的不一致性来“清理“数据;
首先进行缺失值处理,不同数据特征列的数据缺失情况不同,部分列的变量缺失值较,有效值的覆盖率低,与是否故障的相关性低,此时删除该数据;
采用随机森林方法对缺失值少的的特征进行填充,从数据集中从m个特征中随机选择k个特征,,其中k小于等于m,然后根据这k个特征建立决策树,重复n次,这k个特性经过不同随机组合建立起来n棵决策树;对每个决策树都传递随机变量来预测结果,存储所有预测的结果,从n棵决策树中得到n种结果,计算每个预测结果的得票数再选择模式,将得到高票数的预测结果作为随机森林算法的最终预测,将预测值填充到缺失值的位置;
然后对离群点进行处理,采用绝对中位差方法来处理离群点,方法如下:
(1)计算所有数据点的中位数median(X);
(2)计算每个数据点与中位数的绝对偏差值abs(X-median(x));
(3)计算(2)中的绝对偏差值的中位数,即MAD=median(abs(X–median(x)));
(4)将(2)得到的值除以(3)中的值,得到一组基于MAD的所有观察点的离中心的距离值abs(X–median(X))/MAD;
2.2数据规约
在数据探索性分析阶段,分析了各个特征与锅炉故障之间的相关性,通过删除相关性低的变量实现维度规约;
2.3数据变换
在数据探索分析中看到部分数据呈现在80%的范围内零散分布,在20%的区域内大量聚集的特点,不同时间点的数据的数量级差距大,将这些变量进行Log函数的变换,使得xnew=logx;
步骤三,锅炉故障预测模型构建
锅炉故障预测模型采用五十三层残差网络构建,网络的输入为特征矩阵X,输出为y;残差网络使用残差连接块构建,残差连接块顺序连接,每个残差连接块中包含两个隐藏层,激活函数为relu函数;该网络输入为数据预处理之后的数据,输出为锅炉发生故障的概率;
对数据预处理之后的数据进行数据划分,随机选取70%的数据作为训练数据,30%的数据作为测试数据;
使用训练数据训练锅炉故障预测模型,使用测试数据对模型进行测试,经过测试本模型在测试数据上的整体分类准确率达到了98.78%;
步骤四,锅炉故障预测
将锅炉运行数据进行预处理,得到10个维度的特征数据,将特征数据的10个维度特征输入锅炉故障预测模型构建的神经网络,网络输出为锅炉故障预测模型对锅炉故障的预测,输出为1则预测锅炉发生故障,输出为0则预测锅炉运行正常。
2.根据权利要求1所述的一种基于深度学习的锅炉故障预测方法,其特征在于:步骤一中所述的将相关性高的特征之间进行组合,其中相关性高是指相关性高于0.4。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110851856.XA CN113505850A (zh) | 2021-07-27 | 2021-07-27 | 基于深度学习的锅炉故障预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110851856.XA CN113505850A (zh) | 2021-07-27 | 2021-07-27 | 基于深度学习的锅炉故障预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113505850A true CN113505850A (zh) | 2021-10-15 |
Family
ID=78014144
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110851856.XA Pending CN113505850A (zh) | 2021-07-27 | 2021-07-27 | 基于深度学习的锅炉故障预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113505850A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114936211A (zh) * | 2022-07-19 | 2022-08-23 | 深圳市星卡软件技术开发有限公司 | 一种汽车诊断数据处理方法、装置、设备及介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106200624A (zh) * | 2016-08-26 | 2016-12-07 | 大连海事大学 | 基于交叉分段pca的工业锅炉故障诊断方法 |
CN108875918A (zh) * | 2018-08-14 | 2018-11-23 | 西安交通大学 | 一种基于适配共享深度残差网络的机械故障迁移诊断方法 |
CN109389104A (zh) * | 2018-11-30 | 2019-02-26 | 浙江碳银互联网科技有限公司 | 一种户用光伏电站逆变器故障预测方法 |
CN109978079A (zh) * | 2019-04-10 | 2019-07-05 | 东北电力大学 | 一种改进的堆栈降噪自编码器的数据清洗方法 |
CN110096967A (zh) * | 2019-04-10 | 2019-08-06 | 同济大学 | 一种基于随机森林算法的路怒驾驶人危险行为特征变量筛选方法 |
CN110243590A (zh) * | 2019-06-25 | 2019-09-17 | 中国民航大学 | 一种基于主成分分析和宽度学习的转子***故障诊断方法 |
CN110674842A (zh) * | 2019-08-26 | 2020-01-10 | 明阳智慧能源集团股份公司 | 一种风电机组主轴轴承故障预测方法 |
CN111177217A (zh) * | 2019-12-24 | 2020-05-19 | 平安信托有限责任公司 | 数据预处理方法、装置、计算机设备及存储介质 |
CN111860775A (zh) * | 2020-07-03 | 2020-10-30 | 南京航空航天大学 | 基于cnn和rnn融合的船舶故障实时诊断方法 |
CN111931851A (zh) * | 2020-08-11 | 2020-11-13 | 辽宁工程技术大学 | 一种基于一维残差神经网络的风机叶片结冰故障诊断方法 |
-
2021
- 2021-07-27 CN CN202110851856.XA patent/CN113505850A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106200624A (zh) * | 2016-08-26 | 2016-12-07 | 大连海事大学 | 基于交叉分段pca的工业锅炉故障诊断方法 |
CN108875918A (zh) * | 2018-08-14 | 2018-11-23 | 西安交通大学 | 一种基于适配共享深度残差网络的机械故障迁移诊断方法 |
CN109389104A (zh) * | 2018-11-30 | 2019-02-26 | 浙江碳银互联网科技有限公司 | 一种户用光伏电站逆变器故障预测方法 |
CN109978079A (zh) * | 2019-04-10 | 2019-07-05 | 东北电力大学 | 一种改进的堆栈降噪自编码器的数据清洗方法 |
CN110096967A (zh) * | 2019-04-10 | 2019-08-06 | 同济大学 | 一种基于随机森林算法的路怒驾驶人危险行为特征变量筛选方法 |
CN110243590A (zh) * | 2019-06-25 | 2019-09-17 | 中国民航大学 | 一种基于主成分分析和宽度学习的转子***故障诊断方法 |
CN110674842A (zh) * | 2019-08-26 | 2020-01-10 | 明阳智慧能源集团股份公司 | 一种风电机组主轴轴承故障预测方法 |
CN111177217A (zh) * | 2019-12-24 | 2020-05-19 | 平安信托有限责任公司 | 数据预处理方法、装置、计算机设备及存储介质 |
CN111860775A (zh) * | 2020-07-03 | 2020-10-30 | 南京航空航天大学 | 基于cnn和rnn融合的船舶故障实时诊断方法 |
CN111931851A (zh) * | 2020-08-11 | 2020-11-13 | 辽宁工程技术大学 | 一种基于一维残差神经网络的风机叶片结冰故障诊断方法 |
Non-Patent Citations (5)
Title |
---|
娄建楼 等: "基于改进堆栈降噪自编码器的锅炉设备在线监测数据清洗方法", 《计算机集成制造***》 * |
孟杰 等: "基于随机森林模型的分类数据缺失值插补", 《统计与信息论坛》 * |
李先瑞 等: "《供热空调***运行管理、节能、诊断技术指南》", 《中国电力出版社》 * |
沈崇麟 等: "《社会科学研究方法百科全书 第1卷》", 31 August 2017, 《重庆大学出版社》 * |
牛玉广 等: "基于多元统计过程监控的锅炉过程故障检测", 《动力工程学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114936211A (zh) * | 2022-07-19 | 2022-08-23 | 深圳市星卡软件技术开发有限公司 | 一种汽车诊断数据处理方法、装置、设备及介质 |
CN114936211B (zh) * | 2022-07-19 | 2022-11-01 | 深圳市星卡软件技术开发有限公司 | 一种汽车诊断数据处理方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109446187B (zh) | 基于注意力机制与神经网络的复杂装备健康状态监测方法 | |
CN111507376B (zh) | 一种基于多种无监督方法融合的单指标异常检测方法 | |
CN110674604A (zh) | 基于多维时序帧卷积lstm的变压器dga数据预测方法 | |
CN105677791B (zh) | 用于分析风力发电机组的运行数据的方法和*** | |
CN109766583A (zh) | 基于无标签、不均衡、初值不确定数据的航空发动机寿命预测方法 | |
CN110968069B (zh) | 风力发电机组的故障预测方法、相应的装置及电子设备 | |
KR20200074087A (ko) | 중약 생산 과정 지식 시스템 | |
CN112101480A (zh) | 一种多变量聚类与融合的时间序列组合预测方法 | |
CN112756759B (zh) | 点焊机器人工作站故障判定方法 | |
CN108537259A (zh) | 基于粗糙集-神经网络模型的列控车载设备故障分类与识别方法 | |
CN113298297A (zh) | 一种基于孤立森林与wgan网络的风电输出功率预测方法 | |
CN114004137A (zh) | 一种多源气象数据融合与预处理方法 | |
CN116384224A (zh) | 一种基于条件化参数动态卷积神经网络的航空发动机寿命预测方法 | |
CN115983465A (zh) | 一种基于小样本学习的冲击地压时序预测模型构建方法 | |
Xiu et al. | Fault detection using structured joint sparse nonnegative matrix factorization | |
CN112926627A (zh) | 一种基于电容型设备缺陷数据的设备缺陷时间预测方法 | |
WO2022188425A1 (zh) | 一种融入先验知识的深度学习故障诊断方法 | |
CN113505850A (zh) | 基于深度学习的锅炉故障预测方法 | |
Bond et al. | A hybrid learning approach to prognostics and health management applied to military ground vehicles using time-series and maintenance event data | |
CN116881640A (zh) | 岩心采出程度的预测方法、***及计算机可读存储介质 | |
CN115457307A (zh) | 一种基于改进残差网络的化工过程故障诊断方法 | |
CN115598459A (zh) | 一种配电网10kV馈线故障停电预测方法 | |
Sheng et al. | A modified Mahalanobis distance metric used to optimize mahalanobis space and improve classification performance of MTS | |
CN117667495B (zh) | 一种关联规则与深度学习集成的应用***故障预测方法 | |
Erguo et al. | An input-training neural network based nonlinear principal component analysis approach for fault diagnosis |
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: 20211015 |
|
RJ01 | Rejection of invention patent application after publication |