CN115169709B - 一种基于数据驱动的电站辅机故障诊断方法及*** - Google Patents
一种基于数据驱动的电站辅机故障诊断方法及*** Download PDFInfo
- Publication number
- CN115169709B CN115169709B CN202210839398.2A CN202210839398A CN115169709B CN 115169709 B CN115169709 B CN 115169709B CN 202210839398 A CN202210839398 A CN 202210839398A CN 115169709 B CN115169709 B CN 115169709B
- Authority
- CN
- China
- Prior art keywords
- vector
- model
- power station
- historical
- auxiliary machine
- 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 45
- 238000003745 diagnosis Methods 0.000 title claims abstract description 43
- 239000013598 vector Substances 0.000 claims abstract description 204
- 230000004044 response Effects 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims description 63
- 238000013507 mapping Methods 0.000 claims description 29
- 238000012545 processing Methods 0.000 claims description 13
- 238000010801 machine learning Methods 0.000 claims description 10
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 26
- 230000008569 process Effects 0.000 description 15
- 239000003245 coal Substances 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 239000000779 smoke Substances 0.000 description 4
- 230000006978 adaptation Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 239000012528 membrane Substances 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000003607 modifier Substances 0.000 description 1
- 230000003204 osmotic effect Effects 0.000 description 1
- 238000000746 purification Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
-
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本说明书实施例提供一种基于数据驱动的电站辅机故障诊断方法和***、装置、存储介质,该方法在计算设备上实现,包括:基于时间窗确定电站辅机的运行向量;基于运行向量,判断电站辅机对应的历史数据库中是否存在满足预设条件的历史参考向量;预设条件为运行向量与历史参考向量的向量相似度不低于预设阈值;响应于存在满足预设条件的历史参考向量,基于历史参考向量对应的设备运行信息确定电站辅机的故障诊断信息。
Description
技术领域
本说明书涉及电站辅机管理技术领域,特别涉及一种基于数据驱动的电站辅机故障诊断方法及***、装置、存储介质。
背景技术
目前的电站辅机故障预测方法都是基于同一种类、同一型号设备的运行参数对同一种类、同一型号设备的运行情况进行预测,但是实际中同一型号设备的运行数据往往有限,有可能造成模型训练数据不足,导致无法训练出符合使用需求的模型等。同时,由于现有的方法并没有考虑到不同型号的设备之间的差异,因此也无法实现借用同种类其他型号的设备运行数据来预测。
因此,希望提供一种基于数据驱动的电站辅机故障诊断方法和***,能够基于存在差异的设备间的数据预测设备故障或进行故障诊断。
发明内容
本说明书实施例之一提供一种基于数据驱动的电站辅机故障诊断方法。所述方法包括:基于时间窗确定电站辅机的运行向量;基于所述运行向量,判断所述电站辅机对应的历史数据库中是否存在满足预设条件的历史参考向量;所述预设条件为所述运行向量与所述历史参考向量的向量相似度不低于预设阈值;响应于存在满足预设条件的历史参考向量,基于所述历史参考向量对应的设备运行信息确定所述电站辅机的故障诊断信息。
本说明书另一实施例提供一种基于数据驱动的电站辅机故障诊断***。所述***包括第一确定模块、判断模块以及第二确定模块。所述第一确定模块用于基于时间窗确定电站辅机的运行向量;所述判断模块,用于基于所述运行向量,判断所述电站辅机对应的历史数据库中是否存在满足预设条件的历史参考向量;所述预设条件为所述运行向量与所述历史参考向量的向量相似度不低于预设阈值;所述第二确定模块,用于响应于存在满足预设条件的历史参考向量,基于所述历史参考向量对应的设备运行信息确定所述电站辅机的故障诊断信息。
本说明书另一实施例提供一种基于数据驱动的电站辅机故障诊断装置,所述装置包括至少一个存储介质和至少一个处理器。所述至少一个存储介质用于存储计算机指令;所述至少一个处理器用于执行所述计算机指令,以实现如上述任一项实施例中所述的基于数据驱动的电站辅机故障诊断方法。
本说明书另一实施例提供一种计算机可读存储介质,所述存储介质存储计算机指令,当计算机读取存储介质中的计算机指令后,计算机执行基于数据驱动的电站辅机故障诊断方法。
附图说明
本说明书将以示例性实施例的方式进一步说明,这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的,在这些实施例中,相同的编号表示相同的结构,其中:
图1是根据本说明书一些实施例所示的基于数据驱动的电站辅机故障诊断方法的应用场景示意图;
图2是根据本说明书一些实施例所示的基于数据驱动的电站辅机故障诊断***的模块示意图;
图3是根据本说明书一些实施例所示的基于数据驱动的电站辅机故障诊断方法的示例性流程图;
图4是根据本说明书一些实施例所示的第一联合模型的示例性结构图;
图5是根据本说明书一些实施例所示的确定故障参考信息的示例性流程图;
图6是根据本说明书一些实施例所示的第二联合模型的示例性结构图。
具体实施方式
为了更清楚地说明本说明书实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地,下面描述中的附图仅仅是本说明书的一些示例或实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明,图中相同标号代表相同结构或操作。
应当理解,本文使用的“***”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而,如果其他词语可实现相同的目的,则可通过其他表达来替换所述词语。
如本说明书和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其它的步骤或元素。
本说明书中使用了流程图用来说明根据本说明书的实施例的***所执行的操作。应当理解的是,前面或后面操作不一定按照顺序来精确地执行。相反,可以按照倒序或同时处理各个步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
图1是根据本说明书一些实施例所示的基于数据驱动的电站辅机故障诊断***的应用场景示意图。如图1所示,基于数据驱动的电站辅机故障诊断***的应用场景100可以包括电站辅机110、处理器120、存储设备140、终端150、网络160。
基于数据驱动的电站辅机故障诊断***可以通过实施本说明书中披露的方法和/或过程来确定电站辅机的故障信息。例如,当电站辅机发生故障时,可以基于本说明书披露的方法来确定发生故障的电站辅机以及故障信息,从而可以针对性的及时进行修复。再例如,可以实时监控电站辅机的运行参数,并可以基于本说明书披露的方法来预计可能发生故障的电站辅机以及故障信息,进而进行相关调整以降低故障的发生。
电站辅机110可以指电站生产设备辅助机械。电站辅机110可以包括锅炉除渣设备110-1、锅炉除灰设备110-2、输煤碎煤设备110-3、水处理设备110-4、烟风道系列设备(图中未示出)、电动阀门装置(图中未示出)等。
处理器120可以处理与基于数据驱动的电站辅机故障诊断***相关的数据和/或信息。在一些实施例中,处理器120从电站辅机110、存储设备140和/或终端150以访问信息和/或数据。例如,处理器120可以从电站辅机110和/或从存储设备140获取电站辅机110的运行参数等。在一些实施例中,处理器120可以处理获取的信息和/或数据。例如,处理器120可以基于获取的电站辅机110的运行参数确定电站辅机的运行向量。再例如,处理器120可以比较电站辅机的运行向量和历史参考向量。
在一些实施例中,处理器120可以包括一个或以上处理引擎(例如,单芯片处理引擎或多芯片处理引擎)。仅作为示例,处理器120可以包括中央处理单元(CPU)。处理器120可以处理从其他设备或***组成部分中获得的数据、信息和/或处理结果,并基于这些数据、信息和/或处理结果执行程序指令,以执行本说明书中描述的一个或以上功能。
在一些实施例中,处理器120可以单独设置,也可以与电站辅机110集成设置。
在一些实施例中,服务器120可以包括处理引擎130。处理引擎130可以处理获取的信息和/或数据以执行本申请中描述的一个或多个功能。
存储设备140可以用于存储数据、指令和/或任何其他信息。在一些实施例中,存储设备140可以存储从应用场景100中其他组件(例如,处理器120、电站辅机110等)中获得的数据和/或信息。例如,存储设备140可以存储点击辅机的运行参数、运行向量、历史数据库等,还可以存储第一联合模型、第二联合模型等。在一些实施例中,存储设备140可以设置在处理器120中。在一些实施例中,存储设备140可包括大容量存储器、可移除存储器等或其任意组合。
终端150可以指用户所使用的一个或多个终端设备或软件。在一些实施例中,终端150可以包括具有显示器的移动设备、平板计算机、笔记本电脑等或其任意组合。在一些实施例中,用户可以通过终端150查看当前电站辅机的运行参数,也可以查看电站辅机的故障诊断信息。
网络160可以包括提供能够促进基于数据驱动的电站辅机故障诊断***的应用场景100中各个组件的信息和/或数据交换的任何合适的网络。基于数据驱动的电站辅机故障诊断***的应用场景100中的一个或多个组件(例如,电站辅机110、处理器120、存储设备140、终端150)之间可以通过网络160交换信息和/或数据。
在一些实施例中,网络160可以是有线网络或无线网络中的任意一种或多种。在一些实施例中,网络160可以包括一个或以上网络接入点。例如,网络160可以包括有线或无线网络接入点。在一些实施例中,网络可以是点对点的、共享的、中心式的等各种拓扑结构或者多种拓扑结构的组合。
应当注意基于数据驱动的电站辅机故障诊断***的应用场景100仅仅是为了说明的目的而提供,并不意图限制本说明书的范围。对于本领域的普通技术人员来说,可以根据本说明书的描述,做出多种修改或变化。例如,应用场景还可以包括数据库。又例如,应用场景100可以在其他设备上实现以实现类似或不同的功能。然而,变化和修改不会背离本说明书的范围。
图2是根据本说明书一些实施例所示的基于数据驱动的电站辅机故障诊断***的模块示意图。
如图2所示,基于数据驱动的电站辅机故障诊断***200可以包括第一确定模块210、判断模块220、第二确定模块230、映射模块240和第三确定模块250。
第一确定模块210可以用于基于时间窗确定电站辅机的运行向量。关于时间窗、电站辅机、运行向量的详细内容可以参见本说明书其他部分的描述,例如,图3。
在一些实施例中,运行向量基于表示模型对电站辅机的运行参数的处理获取,表示模型通过与预测模型的联合训练获得,预测模型与表示模型为机器学习模型。关于表示模型、预测模型的详细内容可以参见本说明书其他部分的描述,例如,图3、4。
判断模块220可以用于基于运行向量,判断电站辅机对应的历史数据库中是否存在满足预设条件的历史参考向量;所述预设条件为所述运行向量与所述历史参考向量的向量相似度不低于预设阈值。关于历史数据库、历史参考条件、预设条件、预设阈值的详细内容可以参见本说明书其他部分的描述,例如,图3。
第二确定模块230可以用于响应于存在满足预设条件的历史参考向量,基于历史参考向量对应的设备运行信息确定所述电站辅机的故障诊断信息。关于设备运行信息、故障诊断信息的详细内容可以参见本说明书其他部分的描述,例如,图3。
映射模块240可以用于响应于不存在满足预设条件的历史参考向量,将运行向量映射为预设设备的参考运行向量。关于预设设备、参考运行向量的详细内容可以参见本说明书其他部分的描述,例如,图5。
第三确定模块250可以用于基于参考运行向量及预设设备对应的历史数据库,确定电站辅机的故障参考信息。关于故障参考信息的详细内容可以参见本说明书其他部分的描述,例如,图5。
图3是根据本说明书一些实施例所示的基于数据驱动的电站辅机故障诊断方法的示例性流程图。在一些实施例中,流程300可以由处理器120执行。如图3所示,流程300可以包括以下步骤。
步骤310,基于时间窗确定电站辅机的运行向量。
电站辅机可以指电站生产设备辅助机械。电站辅机的种类可以包括锅炉除渣设备、锅炉除灰设备、输煤碎煤设备、水处理设备、烟风道系列设备、电动阀门装置等中的至少一种,关于电站辅机更多说明参见图1。
同一种类的电站辅机可以包括多种型号的具体设备。电站辅机的型号可以基于设备的铭牌信息获取。在一些实施例中,可以以不同的编号表示各个种类的电站辅机下不同型号的电站辅机。例如,可以用型号编号A1代表一种型号的水处理设备,可以用型号编号A2代表另一种型号的水处理设备,其中,字母表示电站辅机的类别,如字母A用于表示是水处理设备,数字则表示具体的型号类型。
时间窗可以指用于采集电站辅机运行数据的时间段。在一些实施例中,时间窗的起点可以为电站辅机出现故障的时刻。在一些实施例中,时间窗对应的时间长度可以是从电力元件发生故障起至获得足够的原始采样数据所需要的时间长度。时间窗的时间长度可以预先设置。
运行向量可以指包括电站辅机当前运行参数的向量。运行向量和电站辅机的种类、型号一一对应。运行向量中的元素类型可以包括电站辅机的种类、型号及对应的运行参数等。例如,运行向量可以为(A,2,10),其中A可以表示电站辅机的种类中的一种,例如,水处理设备,2可以表示型号编号为2的水处理设备,10可以为水处理设备的运行参数,例如,传输速率为10m/min。
在一些实施例中,运行参数可以指电站辅机运行时的操作参数。例如,水处理设备的运行参数可以包括水处理设备的水流量、渗透膜类型等。再例如,输煤碎煤设备的运行参数可以包括输煤碎煤设备的输送速率等。
在一些实施例中,运行向量可以基于电站辅机的运行参数确定,例如基于对运行参数进行查表等。在一些实施例中,运行向量可以基于表示模型对电站辅机的运行参数的处理获取。关于表示模型的详细内容可以参见本说明书其他部分的描述,例如图4。运行参数可以通过连接控制电站辅机的终端获取。在一些实施例中,可以从发生故障开始获取控制参数并以运行向量的方式储存。
步骤320,基于运行向量,判断电站辅机对应的历史数据库中是否存在满足预设条件的历史参考向量;预设条件为运行向量与历史参考向量的向量相似度不低于预设阈值。
历史数据库可以指包含电站辅机历史运行参数及对应的运行情况的数据库。历史数据库中的历史运行参数可以以向量的形式存储。历史数据库可以与电站辅机的种类、型号一一对应。例如,历史数据库可以包括型号编号为A1的水处理设备的历史数据库、型号编号为A2的水处理设备的历史数据库、锅炉除渣设备历史数据库等。
历史参考向量可以指与运行向量满足预设条件的历史运行向量。历史运行向量包括电站辅机历史运行参数的向量。基于历史运行向量可以确定电站辅机的种类、型号及对应的运行参数等。
满足预设条件的历史运行向量可以作为历史参考向量,预设条件可以是和运行向量的相似度不低于预设阈值。预设阈值可以人为设置。例如,若预设阈值为80%,运行向量与历史运行向量的相似度若为85%,则该历史运行向量满足预设条件,可以作为历史参考向量。
在一些实施例中,用来比较相似度的历史参考向量和运行向量中可以基于相同或相近种类和类型的电站辅机获取。例如,历史参考向量和运行向量可以分别表示型号编号为A2的水处理设备的历史运行参数和当前运行参数。
在一些实施例中,运行向量和历史参考向量的相似度可以基于运行向量和历史参考向量之间的向量距离确定。向量距离可以包括曼哈顿距离、欧式距离、切比雪夫距离、余弦距离、马氏距离等。可以通过不同的距离类型所对应的公式确定向量距离。
在一些实施例中,可以基于运行向量和历史参考向量之间的向量距离确定当前运行情况和历史运行情况的相似度。例如,运行向量和历史参考向量之间的向量距离与当前运行情况和历史运行情况的相似度负相关,即向量距离越小,当前运行参数和历史运行参数相似度越大。
步骤330,响应于存在满足预设条件的历史参考向量,基于历史参考向量对应的设备运行信息确定电站辅机的故障诊断信息。
设备运行信息可以指与电站辅机运行有关的信息。在一些实施例中,历史参考向量对应的设备运行信息可以储存在对应的历史数据库中。在一些实施例中,设备运行信息可以包括电站辅机的运行参数以及其对应的运行情况。电站辅机的运行情况可以指电站辅机在运行参数下的运行状态。在一些实施例中,电站辅机的运行情况可以包括是否发生故障以及故障情况等。故障情况可以包括故障的类别、辅机中故障的部分、故障程度等。例如,设备运行信息可以包括型号编号为A2的水处理设备的水流量等运行参数,还可以包括该运行参数下型号编号为A2的水处理设备发生轻度故障等运行情况。
故障诊断信息可以指对发生故障的电站辅机运行情况的诊断信息。故障诊断信息可以与运行向量对应,即故障诊断信息可以是电站辅机在当前运行参数下的运行情况的诊断信息。故障诊断信息可以包括是否将会发生故障、发生故障的电站辅机的种类、型号以及故障情况等。例如,故障诊断信息可以包括型号编号为A2的水处理设备已经发生轻度故障。
在一些实施例中,故障诊断信息可以基于历史参考向量对应的故障信息来确定。在一些实施例中,可以通过将运行向量和历史数据库中的历史参考向量进行相似度比较,确定和运行向量相似度较高的历史参考向量,从而确定相似度较高的历史参考向量对应的设备运行信息中的历史故障信息,并将历史故障信息作为运行向量对应的故障诊断信息。其中,历史故障信息可以与历史参考向量对应,即历史故障信息可以是电站辅机在历史运行参数下的运行情况。
基于历史故障信息确定当前运行设备发生故障时的故障诊断信息可以使对发生故障的电站辅机故障信息的诊断更为准确。
在一些实施例中,运行向量可以基于表示模型对电站辅机的运行参数的处理获取。在一些实施例中,表示模型可以通过与预测模型的联合训练获得,表示模型和预测模型可以是机器学习模型。关于表示模型和预测模型的联合训练的具体说明参见图4。
表示模型可以是机器学习模型,例如卷积神经网络(Convolutional NeuralNetwork,CNN)、神经网络(Neural Network,NN)等,可以由计算设备实现。在一些实施例中,表示模型可以将电站辅机设备运行参数表示为运行向量。表示模型输入为电站辅机设备运行参数,输出为运行向量。设备运行参数、运行向量具体说明参见图3及图4。
预测模型可以是机器学习模型,例如BERT模型(BidirectionalEncoderRepresentations from Transformer)等,可以由计算设备实现。在一些实施例中,预测模型可以基于运行向量获取电站辅机设备的故障预测信息。预测模型输入为表示模型输出的运行向量,输出为故障预测信息。具体说明参见图4。
在一些实施例中,电站辅机设备运行参数向量化表示可以使向量有效地代表运行参数,避免维数过高、信息分散化对后续向量查找和相似度计算的影响。
在一些实施例中,通过联合训练获得的表示模型的参数,在一些情况下有利于解决单独训练表示模型时难以获得标签的问题,还可以使表示模型能较好地得到反映电站辅机设备的运行向量信息。
图4是根据本说明书一些实施例所示的第一联合模型的示例性结构图。
如图4所示,第一联合模型可以基于多个时间窗的电站辅机设备运行参数获取故障预测信息。
在一些实施例中,第一联合模型可以包括表示模型410-2和预测模型420-1。
在一些实施例中,表示模型410-2可以作为第一联合模型的向量获取层410实现基于电站辅机的运行参数确定多个时间窗的运行向量。
在一些实施例中,预测模型420-1可以作为第一联合模型的故障预测层420实现基于多个时间窗的运行向量确定电站辅机的故障预测信息。
在一些实施例中,第一联合模型可以基于训练数据进行训练获得,训练数据可以包括多组训练样本及样本标签,所述多组训练样本及样本标签基于多种型号的所述电站辅机对应的历史数据库获取。训练过程的具体说明参见后文。
在向量获取层410中,可以基于多个时间窗的电站辅机设备运行参数410-1,通过表示模型410-2确定电站辅机设备运行向量。例如,可以将获取的多个时间窗的运行参数410-1输入表示模型410-2,表示模型410-2可以将运行参数表示为运行向量进行输出。例如,基于水处理设备传输速率、水流量等参数得到水处理设备运行向量信息。
故障预测层420可以基于向量获取层410输出的电站辅机设备运行向量预测故障预测信息。例如,可以将向量获取层410输出的运行向量输入预测模型420-1,预测模型420-1可以基于运行向量输出电站辅机设备的故障预测信息。例如,基于水设备处理向量得到水处理设备故障预测信息。
在一些实施例中,第一联合模型可以基于历史数据,由初始第一联合模型训练确定。初始第一联合模型可以由初始表示模型和初始预测模型联合确定。其中,初始表示模型、初始预测模型均可以是未设置参数的模型。
历史数据可以包括训练样本与训练标签。其中,训练样本可以包括预选设备的历史运行参数。在一些实施例中,预选设备可以是人为选定的用作参考的设备,可以包括同类但存在型号差异的电站辅机设备(例如,预选的多种不同型号的风机、预选的多种不同型号的电动阀门装置等)。训练标签可以为预选设备的历史故障信息。训练样本和标签可以通过人为采集不同设备的数据信息的方式获取,并输入模型进行训练。
在一些实施例中,表示模型的输出可以为预测模型的输入。联合训练过程可以包括:将预选设备的历史运行参数输入初始表示模型;将初始表示模型输出的运行向量输入初始预测模型以确定初始第一联合模型的输出,将初始第一联合模型输出的故障预测信息与训练标签输入损失函数,基于损失函数值迭代初始第一联合模型直至训练完成。将训练完成的初始第一联合模型作为第一联合模型。其中,训练完成可以包括迭代次数超过阈值、模型输出的偏差值收敛等。
在一些实施例中,采用多种预选设备的历史运行参数进行训练,可以得到足够多的训练数据,避免单一设备训练数据过少导致的训练效果不理想的问题,同时可以使训练出来的模型更好地适应不同的电站辅机设备。
图5是根据本说明书一些实施例所示的确定故障参考信息的方法的示例性流程图。该方法500包括:
步骤510,响应于步骤320的判断结果为不存在满足预设条件的历史参考向量,将运行向量映射为预设设备的参考运行向量。
预设设备可以指与运行向量对应的电站辅机种类相同型号不同的电站辅机。例如,当运行向量对应于型号编号为B1的电动阀门装置,预设设备对应为型号编号为B2的电动阀门装置。
参考运行向量可以指包括预设设备的参考运行参数的向量。在一些实施例中,预设设备的参考运行参数可以基于当前电站辅机的运行参数确定。例如,型号编号为C1的输煤碎煤设备的运行参数中包括输煤传送带的角速度,而型号编号为C2的输煤碎煤设备的参考运行参数包括输煤传送带的线速度,可以将运行参数中的角速度变换成线速度,作为预设设备的参考运行参数。参考运行向量中元素的类型可以与运行向量中元素类型相同,可以包括电站辅机的种类、型号及对应的运行参数等。
在一些实施例中,参考运行向量和运行向量中包括的电站辅机的种类可以相同,型号可以不同。例如,参考运行向量和运行向量可以分别表示型号编号为A1的水处理设备1和型号编号为A2的水处理设备的运行参数。
在一些实施例中,参考运行向量可以通过映射模型获得,映射模型的输入包括电站辅机的运行向量,以及电站辅机和预设设备的设备参数。
映射模型可以用来确定参考运行向量的模型。在一些实施例中,映射模型可以是机器学习模型。例如,映射模型可以为深度神经网络(DNN),卷积神经网络(CNN)、循环神经网络(RNN)等。
映射模型的输入可以为电站辅机的运行向量、电站辅机设备参数和预设设备的设备参数,输出可以为预设设备的参考运行向量。电站辅机的运行向量可以参见本说明书其他部分的描述,例如,图3。关于映射模型的训练过程可以参见本说明书其他部分的描述,例如,图6。
设备参数可以指电站辅机自身的参数,例如,工作电流、工作电压、组成部分等。
步骤520,基于参考运行向量及预设设备对应的历史数据库,确定电站辅机的故障参考信息。
故障参考信息可以指预设设备运行情况的信息。故障参考信息可以包括预设设备发生故障的相关信息,例如,是否发生故障,发生故障的预设设备的种类、型号以及故障情况等。例如,故障参考信息可以包括型号编号为C2的输煤碎煤设备已经发生轻度故障。再例如,故障参考信息可以包括型号编号为A2的水处理设备的净化膜出现破裂。
在一些实施例中,可以基于参考运行向量,在历史数据库中确定与参考运行向量相似度大于阈值的历史参考运行向量,进一步地,可以基于历史参考运行向量对应的设备运行信息确定对应的历史故障信息,并基于预设设备的历史故障信息确定电站辅机的故障参考信息。
仅作为示例的,可以基于参考运行向量和预设设备对应的历史数据库中向量的距离来确定相似度,并将向量的距离超过预设阈值对应的历史数据库中的向量确定为历史参考运行向量,从而确定历史参考运行向量对应的设备运行信息中的历史故障信息,并进一步将历史故障信息确定为电站辅机的故障参考信息。关于历史参考运行向量的详细内容可以参见本说明书中的其他部分的描述,例如图3中的历史参考向量。
在一些实施例中,可以将预设设备的历史故障信息作为预设设备的故障参考信息,并将预设设备的故障参考信息作为电站辅机的故障参考信息。例如,预设设备的历史故障信息为发生一级故障,则对应的电站辅机的故障参考信息为发生一级故障。在一些实施例中,可以将电站辅机的故障参考信息作为电站辅机的故障诊断信息。例如,电站辅机的故障参考信息为发生二级故障,则电站辅机的故障诊断信息可以为发生二级故障。
通过映射模型可以确定参考运行向量,并基于参考运行向量及预设设备对应的历史数据库,确定电站辅机的故障参考信息,可以进一步确定电站辅机的故障诊断信息,弥补了数据不足而无法确定故障诊断信息的不足。
图6是根据本说明书一些实施例所示的第二联合模型的示例性结构图。
如图6所示,第二联合模型可以基于预设设备参数和电站辅机设备参数将电站辅机设备运行向量映射到预设设备中,并基于预设设备运行向量获取故障参考信息和设备分类信息。
在一些实施例中,第二联合模型包括映射模型610和预测模型620。映射模型的具体说明参见图5。
在一些实施例中,预测模型包括故障预测层620-1和设备分类层620-2。在一些实施例中,预测模型620可以用于获取电站辅机设备的故障参考信息和设备分类信息。例如基于故障预测层620-1获取电站辅机设备的故障参考信息,基于设备分类层620-2获取设备分类信息。在一些实施例中,映射模型610输出的预设设备运行向量可以作为预测模型620的输入。
在一些实施例中,第二联合模型的输入可以包括电站辅机设备运行向量、预设设备参数、电站辅机设备参数等。输出可以包括故障参考信息和设备分类信息。
设备分类信息是指将设备参数满足一定阈值的设备分为同一类设备的信息。例如将引风机额定功率、设计风压、设计风量等满足一定阈值的引风机分为同一类引风机。又例如,将烟风道设备尺寸、风压大小、风口风速等满足一定阈值的烟风道分为同一类烟风道。在一些实施例种,设备分类信息可以由设备分类层610-2获取。
在一些实施例中,映射模型可以是机器学习模型,例如卷积神经网络(Convolutional Neural Network,CNN)、神经网络(Neural Network,NN)等,可以由计算设备实现。
在一些实施例中,映射规则可以由人为设定。例如,基于电站辅机设备运行参数和预设设备参数预先设定每个向量元素对应的内容以及不同元素值对应的信息。
在一些实施例中,电站辅机设备的运行向量获取方式可以包括对电站辅机的参数经整理获得。还可以包括由图4的向量获取层410获取,获取方法的具体说明参见图4。
在一些实施例中,预测模型包括故障预测层620-1和设备分类层620-2。
在一些实施例中,故障预测层620-1可以基于预设设备运行向量获取故障参考信息。
在一些实施例中,故障预测层的输入可以包括映射模型610输出的预设设备运行向量,输出可以包括故障参考信息。
在一些实施例中,故障预测层可以为机器学习模型,例如BERT模型等。
在一些实施例中,设备分类层620-2可以基于预设设备运行向量获取设备分类信息。
在一些实施例中,设备分类层的输入可以包括预设设备运行向量,输出可以包括设备分类信息,例如,将预设设备参数满足一定阈值的烟风道设备1和烟风道设备2分为同一类烟风道设备。
在一些实施例中,设备分类层可以为机器学习模型,例如BERT模型等。
在一些实施例中,第二联合模型可以基于历史数据,由初始第二联合模型训练得到。初始第二联合模型可以由初始映射模型和初始预测模型联合确定。其中,初始映射模型、初始预测模型均可以是未设置参数的模型。
历史数据可以包括训练样本和训练标签,其中训练样本可以包括历史电站辅机运行向量、历史预设设备参数和历史电站辅机设备参数。训练标签可以包括,历史故障参考信息和历史设备分类信息。训练样本和标签可以通过人为采集不同设备的数据信息的方式获取,并输入模型进行训练。
在一些实施例中,映射模型的输出可以为预测模型的输入。联合训练过程可以包括:将历史电站辅机运行向量、历史预设设备参数和历史电站辅机设备参数输入初始映射模型;将初始映射模型输出的预设设备运行向量输入初始预测模型以确定初始第二联合模型的输出,将初始第二联合模型输出的故障参考信息、设备分类信息与训练标签输入损失函数,基于损失函数值迭代初始第二联合模型直至训练完成。将训练完成的初始第二联合模型作为第二联合模型。其中,训练完成可以包括迭代次数超过阈值、模型输出的偏差值收敛等。
在一些实施例中,第二联合模型还可以与第一联合模型交替训练,共用表示模型和BERT模型的嵌入层。
在一些实施例中,第一联合模型和第二联合模型的交替训练包括基于初始第一联合模型和初始第二联合模型基于相应的训练数据交替训练得到。其中初始第一联合模型和初始第二联合模型均可以是未设置参数的模型。交替训练过程包括:对初始第一联合模型进行训练,得到第一联合模型1;将第一联合模型1的表示模型和预测模型的参数作为初始第二联合模型的映射模型和故障预测层的参数,再对初始第二联合模型训练,得到第二联合模型1;将第二联合模型1的映射模型和故障预测层的参数作为第一联合模型1的表示模型和预测模型的参数再次进行训练,得到第一联合模型2。重复上述步骤,直至训练完成。其中,训练完成可以包括迭代次数超过阈值、模型输出的偏差值收敛等。其中,第一联合模型的训练数据中训练样本包括预选设备的历史运行参数,样本标签为预选设备的历史运行参数对应的故障信息,第二联合模型的训练数据中训练样本包括历史电站辅机运行向量、历史预设设备参数和历史电站辅机设备参数,样本标签包括电站辅机的故障信息以及相应的设备分类信息。
在一些实施例中,第一联合模型和第二联合模型的交替训练可以使得到的模型更好地适应不同的电站辅机设备,获得更好的预测效果的同时减少训练次数。
需要说明的是,不同实施例可能产生的有益效果不同,在不同的实施例里,可能产生的有益效果可以是以上任意一种或几种的组合,也可以是其他任何可能获得的有益效果。
上文已对基本概念做了描述,显然,对于本领域技术人员来说,上述详细披露仅仅作为示例,而并不构成对本说明书的限定。虽然此处并没有明确说明,本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议,所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。
同时,本说明书使用了特定词语来描述本说明书的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此,应强调并注意的是,本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外,本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外,除非权利要求中明确说明,本说明书所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用,并非用于限定本说明书流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的实施例,但应当理解的是,该类细节仅起到说明的目的,附加的权利要求并不仅限于披露的实施例,相反,权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如,虽然以上所描述的***组件可以通过硬件设备实现,但是也可以只通过软件的解决方案得以实现,如在现有的服务器或移动设备上安装所描述的***。
同理,应当注意的是,为了简化本说明书披露的表述,从而帮助对一个或多个实施例的理解,前文对本说明书实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。但是,这种披露方法并不意味着本说明书对象所需要的特征比权利要求中提及的特征多。实际上,实施例的特征要少于上述披露的单个实施例的全部特征。
一些实施例中使用了描述成分、属性数量的数字,应当理解的是,此类用于实施例描述的数字,在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明,“大约”、“近似”或“大体上”表明所述数字允许有±20%的变化。相应地,在一些实施例中,说明书和权利要求中使用的数值参数均为近似值,该近似值根据个别实施例所需特点可以发生改变。在一些实施例中,数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本说明书一些实施例中用于确认其范围广度的数值域和参数为近似值,在具体实施例中,此类数值的设定在可行范围内尽可能精确。
针对本说明书引用的每个专利、专利申请、专利申请公开物和其他材料,如文章、书籍、说明书、出版物、文档等,特此将其全部内容并入本说明书作为参考。与本说明书内容不一致或产生冲突的申请历史文件除外,对本说明书权利要求最广范围有限制的文件(当前或之后附加于本说明书中的)也除外。需要说明的是,如果本说明书附属材料中的描述、定义、和/或术语的使用与本说明书所述内容有不一致或冲突的地方,以本说明书的描述、定义和/或术语的使用为准。
最后,应当理解的是,本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此,作为示例而非限制,本说明书实施例的替代配置可视为与本说明书的教导一致。相应地,本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。
Claims (8)
1.一种基于数据驱动的电站辅机故障诊断方法,包括:
基于时间窗确定电站辅机的运行向量;
基于所述运行向量,判断所述电站辅机对应的历史数据库中是否存在满足预设条件的历史参考向量;所述预设条件为所述运行向量与所述历史参考向量的向量相似度不低于预设阈值;
响应于存在满足所述预设条件的所述历史参考向量,基于所述历史参考向量对应的设备运行信息确定所述电站辅机的故障诊断信息;
响应于不存在满足所述预设条件的所述历史参考向量,将所述运行向量映射为预设设备的参考运行向量;
基于所述参考运行向量及所述预设设备对应的历史数据库,确定所述电站辅机的故障参考信息。
2.根据权利要求1所述的方法,所述运行向量基于表示模型对所述电站辅机的运行参数的处理获取,所述表示模型通过与预测模型的联合训练获得,所述预测模型与所述表示模型为机器学习模型。
3.根据权利要求2所述的方法,所述联合训练包括:
构建第一联合模型,其中,所述第一联合模型包括所述表示模型和所述预测模型,所述预测模型为BERT模型,所述表示模型作为所述第一联合模型的向量获取层,用于基于所述电站辅机的运行参数确定多个时间窗的运行向量;所述预测模型作为所述第一联合模型的故障预测层,用于基于所述多个时间窗的运行向量,确定所述电站辅机的故障预测信息;
基于训练数据训练所述第一联合模型,所述训练数据包括多组训练样本及样本标签,所述多组训练样本及样本标签基于多种型号的所述电站辅机对应的历史数据库获取。
4.根据权利要求1所述的方法,所述参考运行向量通过映射模型获得,所述映射模型的输入包括所述电站辅机的运行向量,以及所述电站辅机和所述预设设备的设备参数。
5.一种基于数据驱动的电站辅机故障诊断***,包括:
第一确定模块,用于基于时间窗确定电站辅机的运行向量;
判断模块,用于基于所述运行向量,判断所述电站辅机对应的历史数据库中是否存在满足预设条件的历史参考向量;所述预设条件为所述运行向量与所述历史参考向量的向量相似度不低于预设阈值;
第二确定模块,用于响应于存在满足所述预设条件的所述历史参考向量,基于所述历史参考向量对应的设备运行信息确定所述电站辅机的故障诊断信息;
映射模块,用于响应于不存在满足所述预设条件的所述历史参考向量,将所述运行向量映射为预设设备的参考运行向量;
第三确定模块,用于基于所述参考运行向量及所述预设设备对应的历史数据库,确定所述电站辅机的故障参考信息。
6.根据权利要求5所述的***,所述运行向量基于表示模型对所述电站辅机的运行参数的处理获取,所述表示模型通过与预测模型的联合训练获得,所述预测模型与所述表示模型为机器学习模型。
7.一种基于数据驱动的电站辅机故障诊断装置,其特征在于,所述装置包括:
至少一个存储介质,存储计算机指令;
至少一个处理器,执行所述计算机指令,以实现权利要求1至4中任一项所述的基于数据驱动的电站辅机故障诊断方法。
8.一种计算机可读存储介质,其特征在于,所述存储介质存储计算机指令,当计算机读取所述计算机指令时,所述计算机执行如权利要求1至4中任一项所述的基于数据驱动的电站辅机故障诊断方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210839398.2A CN115169709B (zh) | 2022-07-18 | 2022-07-18 | 一种基于数据驱动的电站辅机故障诊断方法及*** |
CN202310585064.1A CN116720048A (zh) | 2022-07-18 | 2022-07-18 | 一种基于机器学习模型的电站辅机故障诊断方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210839398.2A CN115169709B (zh) | 2022-07-18 | 2022-07-18 | 一种基于数据驱动的电站辅机故障诊断方法及*** |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310585064.1A Division CN116720048A (zh) | 2022-07-18 | 2022-07-18 | 一种基于机器学习模型的电站辅机故障诊断方法和*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115169709A CN115169709A (zh) | 2022-10-11 |
CN115169709B true CN115169709B (zh) | 2023-04-18 |
Family
ID=83495283
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210839398.2A Active CN115169709B (zh) | 2022-07-18 | 2022-07-18 | 一种基于数据驱动的电站辅机故障诊断方法及*** |
CN202310585064.1A Pending CN116720048A (zh) | 2022-07-18 | 2022-07-18 | 一种基于机器学习模型的电站辅机故障诊断方法和*** |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310585064.1A Pending CN116720048A (zh) | 2022-07-18 | 2022-07-18 | 一种基于机器学习模型的电站辅机故障诊断方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (2) | CN115169709B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117390496B (zh) * | 2023-12-08 | 2024-03-29 | 骊阳(广东)节能科技股份有限公司 | 面向工业燃气发电机组***的运行信息识别方法及*** |
CN117388575B (zh) * | 2023-12-11 | 2024-03-19 | 广东威恒输变电工程有限公司 | 一种供配电***电流互感器数据向量测试方法及*** |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113011656A (zh) * | 2021-03-22 | 2021-06-22 | 内蒙古电力(集团)有限责任公司内蒙古电力科学研究院分公司 | 一种电站辅机故障预警方法及*** |
WO2022062502A1 (zh) * | 2020-09-23 | 2022-03-31 | 新智数字科技有限公司 | 预测方法、装置、可读介质及电子设备 |
Family Cites Families (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3881967B2 (ja) * | 2003-06-18 | 2007-02-14 | 株式会社日立製作所 | オペレータ介在型目標運動解析方法及び装置 |
US7100081B1 (en) * | 2003-10-09 | 2006-08-29 | Advanced Micro Devices, Inc. | Method and apparatus for fault classification based on residual vectors |
CN105760617A (zh) * | 2016-03-07 | 2016-07-13 | 华北电力大学(保定) | 一种应用于风力发电机组的多参量故障预测判定指标的计算方法 |
CN106017936A (zh) * | 2016-05-24 | 2016-10-12 | 国家电网公司 | 一种水轮机组运行状态监测诊断方法 |
US10395444B1 (en) * | 2017-08-10 | 2019-08-27 | Zoox, Inc. | Vehicle self-diagnostics |
CN107609574A (zh) * | 2017-08-18 | 2018-01-19 | 上海电力学院 | 基于数据挖掘的风电机组故障预警方法 |
US20200005247A1 (en) * | 2018-06-27 | 2020-01-02 | Taxbot Llc | Systems and methods for meeting purpose determination |
CN109344976A (zh) * | 2018-08-24 | 2019-02-15 | 华能国际电力股份有限公司海门电厂 | 一种基于Keras的电气***运行状态智能分析方法 |
CN111144574B (zh) * | 2018-11-06 | 2023-03-24 | 北京嘀嘀无限科技发展有限公司 | 使用指导者模型训练学习者模型的人工智能***和方法 |
CN111289256B (zh) * | 2018-12-07 | 2021-04-30 | 北京大学 | 一种数据驱动的船舶柴油机故障检测方法 |
CN110275814A (zh) * | 2019-06-28 | 2019-09-24 | 深圳前海微众银行股份有限公司 | 一种业务***的监控方法及装置 |
CN112346941A (zh) * | 2019-08-08 | 2021-02-09 | 北京国双科技有限公司 | 一种故障诊断方法及装置 |
CN112446399A (zh) * | 2019-09-02 | 2021-03-05 | 华为技术有限公司 | 标签确定方法、装置和*** |
CN110704637B (zh) * | 2019-09-29 | 2023-05-12 | 出门问问信息科技有限公司 | 一种多模态知识库的构建方法、装置及计算机可读介质 |
CN110738274A (zh) * | 2019-10-26 | 2020-01-31 | 哈尔滨工程大学 | 一种基于数据驱动的核动力装置故障诊断方法 |
EP3865963A1 (en) * | 2020-02-14 | 2021-08-18 | Mobility Asia Smart Technology Co. Ltd. | Method and device for analyzing vehicle failure |
CN111291937A (zh) * | 2020-02-25 | 2020-06-16 | 合肥学院 | 基于支持向量分类与gru神经网络联合的处理污水水质预测方法 |
CN112819222B (zh) * | 2021-01-29 | 2022-10-25 | 清华大学 | 打车需求量和交通流量联合预测模型的预测方法和装置 |
CN113935406B (zh) * | 2021-09-27 | 2023-05-16 | 苏州大学 | 基于对抗流模型的机械设备无监督故障诊断方法 |
CN114492588A (zh) * | 2021-12-29 | 2022-05-13 | 中国大唐集团科学技术研究总院有限公司华东电力试验研究院 | 一种火电厂辅机设备故障识别方法、***、设备和存储介质 |
CN114648097A (zh) * | 2022-03-17 | 2022-06-21 | 南京优湖科技有限公司 | 基于深度学习的电梯困人特征解析与时间序列预测模型构建方法、所得模型及预测方法 |
-
2022
- 2022-07-18 CN CN202210839398.2A patent/CN115169709B/zh active Active
- 2022-07-18 CN CN202310585064.1A patent/CN116720048A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022062502A1 (zh) * | 2020-09-23 | 2022-03-31 | 新智数字科技有限公司 | 预测方法、装置、可读介质及电子设备 |
CN113011656A (zh) * | 2021-03-22 | 2021-06-22 | 内蒙古电力(集团)有限责任公司内蒙古电力科学研究院分公司 | 一种电站辅机故障预警方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN116720048A (zh) | 2023-09-08 |
CN115169709A (zh) | 2022-10-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115169709B (zh) | 一种基于数据驱动的电站辅机故障诊断方法及*** | |
CN108520080B (zh) | 船舶柴油发电机故障预测与健康状态在线评估***及方法 | |
Li et al. | A data-driven strategy for detection and diagnosis of building chiller faults using linear discriminant analysis | |
Hendrickx et al. | A general anomaly detection framework for fleet-based condition monitoring of machines | |
CN113779496B (zh) | 一种基于设备全景数据的电力设备状态评估方法及*** | |
EP3191905B1 (en) | Gas turbine failure prediction utilizing supervised learning methodologies | |
Liu et al. | Fault diagnosis of water quality monitoring devices based on multiclass support vector machines and rule-based decision trees | |
CN101364269B (zh) | 数据分类方法及装置 | |
CN111340250A (zh) | 设备检修装置、方法及计算机可读存储介质 | |
CN106054858A (zh) | 基于决策树分类和故障码分类的车辆远程诊断与备件检索的方法 | |
CN111190349A (zh) | 船舶机舱设备状态监测及故障诊断方法、***及介质 | |
CN116929815A (zh) | 基于物联网的设备工作状态监测***及其方法 | |
CN109826818A (zh) | 一种矿用风机的故障诊断方法 | |
CN111723085B (zh) | 公共建筑空调用电能耗数据清洗方法及*** | |
Wang et al. | Linear approximation fuzzy model for fault detection in cyber-physical system for supply chain management | |
Ahmadi et al. | Fault detection Automation in Distributed Control Systems using Data-driven methods: SVM and KNN | |
CN112748331A (zh) | 一种基于ds证据融合的断路器机械故障识别方法及装置 | |
Ramirez-Gonzalez et al. | Convolutional neural network based approach for static security assessment of power systems | |
CN115066693A (zh) | 运行状态分类***和运行状态分类方法 | |
Samigulina et al. | Biologically Inspired Unified Artificial Immune System for Industrial Equipment Diagnostic | |
Guo et al. | Real-time HVAC sensor monitoring and automatic fault detection system | |
CN116011982A (zh) | 一种磨煤机磨辊断裂在线监测方法及*** | |
Wang et al. | Fault detection and diagnosis of HVAC system based on federated learning | |
Li et al. | A comprehensive learning-based model for power load forecasting in smart grid | |
CN104123469A (zh) | 一种普适计算环境上下文一致性检测调度***及方法 |
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 |