CN116362036A - 一种高铁设备故障预警方法及*** - Google Patents
一种高铁设备故障预警方法及*** Download PDFInfo
- Publication number
- CN116362036A CN116362036A CN202310316157.4A CN202310316157A CN116362036A CN 116362036 A CN116362036 A CN 116362036A CN 202310316157 A CN202310316157 A CN 202310316157A CN 116362036 A CN116362036 A CN 116362036A
- Authority
- CN
- China
- Prior art keywords
- wind speed
- data
- speed monitoring
- monitoring
- moment
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000012544 monitoring process Methods 0.000 claims abstract description 411
- 238000009826 distribution Methods 0.000 claims description 33
- 238000011156 evaluation Methods 0.000 claims description 25
- 238000010219 correlation analysis Methods 0.000 claims description 14
- 238000013075 data extraction Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 abstract description 13
- 238000012545 processing Methods 0.000 abstract description 2
- 238000004364 calculation method Methods 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000013480 data collection Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- 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
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Operations Research (AREA)
- Bioinformatics & Computational Biology (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Economics (AREA)
- Computational Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Development Economics (AREA)
- Computer Hardware Design (AREA)
- Probability & Statistics with Applications (AREA)
Abstract
本发明公开了一种高铁设备故障预警方法及***,涉及数据处理领域,其中,所述方法包括:获得多组风速监测序列数据;生成多个风速差异度;根据风速预测模型,获得风速预测序列数据;遍历多组风速监测序列数据进行可靠度评估,生成多个风速可靠度;获取多个风速监测离散设备;对多个风速可靠度小于可靠度阈值的多个风速监测离散设备进行故障标识,生成第一风速监测点位故障设备预警信息。解决了现有技术中针对高铁的风速监测设备的故障预警精准性不足,进而造成高铁的风速监测设备故障预警质量不高的技术问题。达到了提升高铁风速监测设备的故障预警精准性、可靠性,提升高铁风速监测设备的故障预警质量的技术效果。
Description
技术领域
本发明涉及数据处理领域,具体地,涉及一种高铁设备故障预警方法及***。
背景技术
为了保证高铁的安全运行,常需要利用各种监测设备对高铁进行多种类型的灾害监测。风速监测设备是对高铁进行灾害监测的重要设备之一。当风速监测设备发生故障时,风速监测数据的可靠性下降,从而无法对高铁的安全运行提供有力保障。如何对高铁的风速监测设备进行可靠地故障预警,受到人们的广泛关注。
现有技术中,存在针对高铁的风速监测设备的故障预警精准性不足,进而造成高铁的风速监测设备故障预警质量不高的技术问题。
发明内容
本申请提供了一种高铁设备故障预警方法及***。解决了现有技术中针对高铁的风速监测设备的故障预警精准性不足,进而造成高铁的风速监测设备故障预警质量不高的技术问题。达到了提升高铁风速监测设备的故障预警精准性、可靠性,提升高铁风速监测设备的故障预警质量的技术效果。
鉴于上述问题,本申请提供了一种高铁设备故障预警方法及***。
第一方面,本申请提供了一种高铁设备故障预警方法,其中,所述方法应用于一种高铁设备故障预警***,所述方法包括:根据预设高铁路段,匹配风速监测点位编号队列;从所述风速监测点位编号队列出队第一风速监测点位编号,提取多组风速监测序列数据,其中,所述多组风速监测序列数据属于预设时间粒度;对所述多组风速监测序列数据进行相关性分析,生成多个风速差异度;根据风速预测模型,获取所述第一风速监测点位编号的所述预设时间粒度内的风速预测序列数据;根据所述风速预测序列数据,遍历所述多组风速监测序列数据进行可靠度评估,生成多个风速可靠度;根据所述多个风速差异度,获取多个风速监测离散设备;对所述多个风速可靠度小于可靠度阈值的所述多个风速监测离散设备进行故障标识,生成第一风速监测点位故障设备预警信息。
第二方面,本申请还提供了一种高铁设备故障预警***,其中,所述***包括:点位编号匹配模块,所述点位编号匹配模块用于根据预设高铁路段,匹配风速监测点位编号队列;监测数据提取模块,所述监测数据提取模块用于从所述风速监测点位编号队列出队第一风速监测点位编号,提取多组风速监测序列数据,其中,所述多组风速监测序列数据属于预设时间粒度;相关性分析模块,所述相关性分析模块用于对所述多组风速监测序列数据进行相关性分析,生成多个风速差异度;风速预测序列数据获取模块,所述风速预测序列数据获取模块用于根据风速预测模型,获取所述第一风速监测点位编号的所述预设时间粒度内的风速预测序列数据;可靠度评估模块,所述可靠度评估模块用于根据所述风速预测序列数据,遍历所述多组风速监测序列数据进行可靠度评估,生成多个风速可靠度;离散设备获取模块,所述离散设备获取模块用于根据所述多个风速差异度,获取多个风速监测离散设备;故障标识模块,所述故障标识模块用于对所述多个风速可靠度小于可靠度阈值的所述多个风速监测离散设备进行故障标识,生成第一风速监测点位故障设备预警信息。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
通过对预设高铁路段设置风速监测点位编号,获得风速监测点位编号队列。从风速监测点位编号队列中提取出第一风速监测点位编号,基于第一风速监测点位编号进行数据采集,获得多组风速监测序列数据;通过对多组风速监测序列数据进行相关性分析,生成多个风速差异度;通过风速预测模型,获得风速预测序列数据,并根据风速预测序列数据遍历多组风速监测序列数据进行可靠度评估,生成多个风速可靠度;根据多个风速差异度,获取多个风速监测离散设备;通过对多个风速可靠度小于可靠度阈值的多个风速监测离散设备进行故障标识,生成第一风速监测点位故障设备预警信息。达到了提升高铁风速监测设备的故障预警精准性、可靠性,提升高铁风速监测设备的故障预警质量的技术效果。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
为了更清楚地说明本公开实施例的技术方案,下面将对本公开实施例的附图作简单地介绍。明显地,下面描述中的附图仅仅涉及本公开的一些实施例,而非对本公开的限制。
图1为本申请一种高铁设备故障预警方法的流程示意图;
图2为本申请一种高铁设备故障预警方法中对第一风速监测点位故障设备预警信息进行调整的流程示意图;
图3为本申请一种高铁设备故障预警***的结构示意图。
附图标记说明:点位编号匹配模块11,监测数据提取模块12,相关性分析模块13,风速预测序列数据获取模块14,可靠度评估模块15,离散设备获取模块16,故障标识模块17。
具体实施方式
本申请通过提供一种高铁设备故障预警方法及***。解决了现有技术中针对高铁的风速监测设备的故障预警精准性不足,进而造成高铁的风速监测设备故障预警质量不高的技术问题。达到了提升高铁风速监测设备的故障预警精准性、可靠性,提升高铁风速监测设备的故障预警质量的技术效果。
实施例一
请参阅附图1,本申请提供一种高铁设备故障预警方法,其中,所述方法应用于一种高铁设备故障预警***,所述方法具体包括如下步骤:
步骤S100:根据预设高铁路段,匹配风速监测点位编号队列;
具体而言,对预设高铁路段设置风速监测点位编号,获得风速监测点位编号队列。其中,所述预设高铁路段为使用所述一种高铁设备故障预警***进行智能化风速监测设备的故障预警的任意高铁路段。所述风速监测点位编号队列包括预设高铁路段的多个风速监测点位编号。每个风速监测点位编号对应N个风速传感器。
步骤S200:从所述风速监测点位编号队列出队第一风速监测点位编号,提取多组风速监测序列数据,其中,所述多组风速监测序列数据属于预设时间粒度;
进一步的,本申请步骤S200还包括:
步骤S210:根据所述第一风速监测点位编号,获取第一风速传感器、第二风速传感器直到第N风速传感器;
具体而言,从风速监测点位编号队列提取出第一风速监测点位编号。其中,所述第一风速监测点位编号为风速监测点位编号队列的多个风速监测点位编号中,使用所述一种高铁设备故障预警***进行智能化风速监测设备的故障预警的任意风速监测点位编号。所述第一风速监测点位编号包括第一风速传感器、第二风速传感器……第N风速传感器。
步骤S220:遍历所述第一风速传感器、所述第二风速传感器直到所述第N风速传感器,采集所述预设时间粒度内的多组风速传感数据,生成所述多组风速监测序列数据。
进一步的,本申请步骤S220还包括:
步骤S221:根据所述多组风速传感数据,获取第N组风速传感数据,其中,所述第N组风速传感数据包括第k-1时刻风速传感数据和第k时刻风速传感数据;
步骤S222:判断所述第k-1时刻风速传感数据和所述第k时刻风速传感数据的第k风速偏差是否大于最大预设偏差;
步骤S223:若是小于或等于,对第i时刻风速监测数据直到第k-1时刻风速监测数据、所述第k时刻风速传感数据求取算术平均数,生成第k时刻风速监测数据,其中,所述第i时刻风速监测数据直到第k-1时刻风速监测数据、所述第k时刻风速传感数据的数据量为M;
步骤S224:将所述第k时刻风速监测数据添加第N组风速监测序列数据,将所述第N组风速监测序列数据添加进所述多组风速监测序列数据。
具体而言,基于预设时间粒度,遍历第一风速传感器、第二风速传感器……第N风速传感器进行风速监测数据采集,获得多组风速传感数据。所述预设时间粒度包括预先设置确定的多个风速监测数据采集时间点。所述多组风速传感数据包括第一风速传感器监测数据、第二风速传感器监测数据……第N风速传感器监测数据。第一风速传感器监测数据、第二风速传感器监测数据……第N风速传感器监测数据包括第一风速传感器、第二风速传感器……第N风速传感器在预设时间粒度内的多个风速监测数据信息。
进一步,依次将第一风速传感器监测数据、第二风速传感器监测数据……第N风速传感器监测数据设置为第N组风速传感数据。第N组风速传感数据包括多个风速监测数据信息。依次将预设时间粒度中任意两个相邻的风速监测数据采集时间点设置为第k-1时刻、第k时刻。按照第k-1时刻、第k时刻对第N组风速传感数据进行匹配,获得第k-1时刻风速传感数据、第k时刻风速传感数据。第k-1时刻风速传感数据、第k时刻风速传感数据包括于第N组风速传感数据。示例性地,第N组风速传感数据为第一风速传感器监测数据,第k-1时刻为预设时间粒度中的风速监测数据采集时间点a,第k时刻为预设时间粒度中的风速监测数据采集时间点b。且,风速监测数据采集时间点a与风速监测数据采集时间点b具有相邻关系。则,第k-1时刻风速传感数据包括第一风速传感器监测数据中,风速监测数据采集时间点a对应的风速监测数据信息。第k时刻风速传感数据包括第一风速传感器监测数据中,风速监测数据采集时间点b对应的风速监测数据信息。
进一步,对第k-1时刻风速传感数据、第k时刻风速传感数据进行偏差计算,获得第k风速偏差,并对第k风速偏差是否大于最大预设偏差进行判断。示例性地,在获得第k风速偏差时,对第k-1时刻风速传感数据、第k时刻风速传感数据进行差值计算,获得风速差值信息,将风速差值信息的绝对值输出为第k风速偏差。所述最大预设偏差包括预先设置确定的风速偏差阈值信息。
进一步,如果第k风速偏差小于或等于最大预设偏差,按照时间先后顺序对预设时间粒度中多个风速监测数据采集时间点进行排列,选择前M个风速监测数据采集时间点。M可自适应设置确定。示例性地,将M设置为多个风速监测数据采集时间点的数量的2/3。前M个风速监测数据采集时间点包括第i时刻……第k-1时刻、第k时刻。按照第i时刻……第k-1时刻、第k时刻对第N组风速传感数据进行匹配,获得第i时刻风速监测数据……第k-1时刻风速监测数据、第k时刻风速传感数据。对第i时刻风速监测数据……第k-1时刻风速监测数据、第k时刻风速传感数据进行算术平均数运算,获得第k时刻风速监测数据。将第k时刻风速监测数据添加至第N组风速监测序列数据,将第N组风速监测序列数据添加至多组风速监测序列数据。其中,第i时刻风速监测数据……第k-1时刻风速监测数据、第k时刻风速传感数据的数据量之和为M。所述第k时刻风速监测数据包括第i时刻风速监测数据……第k-1时刻风速监测数据、第k时刻风速传感数据的算术平均数。所述第N组风速监测序列数据包括第N组风速传感数据对应的第k时刻风速监测数据。所述多组风速监测序列数据包括多个第N组风速监测序列数据。多组风速监测序列数据与第一风速传感器、第二风速传感器……第N风速传感器具有对应关系。达到了通过对多组风速传感数据进行筛选、计算,获得可靠、随机干扰性低的多组风速监测序列数据,从而提高对风速监测设备进行故障预警的准确性的技术效果。
进一步的,本申请步骤S222还包括:
步骤S2221:若是所述第k风速偏差大于所述最大预设偏差,根据所述第k-1时刻风速传感数据对所述第k时刻风速传感数据进行更新,生成第k时刻风速传感数据更新值;
步骤S2222:对所述第i时刻风速监测数据直到第k-1时刻风速监测数据、所述第k时刻风速传感数据更新值求取算术平均数,生成所述第k时刻风速监测数据,其中,所述第i时刻风速监测数据直到第k-1时刻风速监测数据、所述第k时刻风速传感数据更新值的数据量为M。
具体而言,在对第k风速偏差是否大于最大预设偏差进行判断时,如果第k风速偏差大于最大预设偏差,则,根据第k-1时刻风速传感数据对第k时刻风速传感数据进行更新,获得第k时刻风速传感数据更新值。进而,对第i时刻风速监测数据……第k-1时刻风速监测数据、第k时刻风速传感数据更新值进行算术平均数计算,获得第k时刻风速监测数据。其中,所述第k时刻风速传感数据更新值包括第k-1时刻风速传感数据。所述第k时刻风速监测数据包括第i时刻风速监测数据……第k-1时刻风速监测数据、第k时刻风速传感数据更新值的算术平均数。且,第i时刻风速监测数据……第k-1时刻风速监测数据、第k时刻风速传感数据更新值的数据量之和为M。达到了当第k风速偏差大于最大预设偏差时,通过第k-1时刻风速传感数据对第k时刻风速传感数据进行更新,从而提高获得的第k时刻风速监测数据的可靠性的技术效果。
步骤S300:对所述多组风速监测序列数据进行相关性分析,生成多个风速差异度;
进一步的,本申请步骤S300还包括:
步骤S310:获取关联度评估公式:
其中,rxy表征任意两个风速传感器x和y的监测序列数据的关联度,xj表征传感器x第j时刻的风速监测数据,表征传感器x风速监测数据均值,yj表征传感器y第j时刻的风速监测数据,/>表征传感器y风速监测数据均值,J表征时刻最新值;
步骤S320:根据所述关联度评估公式,遍历所述多组风速监测序列数据,生成多个监测数据关联度;
步骤S330:将所述多个监测数据关联度大于或等于关联度阈值的所述多组风速监测序列数据,添加进风速监测序列数据集中分布组;
步骤S340:将所述多个监测数据关联度小于关联度阈值的所述多组风速监测序列数据,添加进风速监测序列数据离散分布组;
具体而言,分别将多组风速监测序列数据作为输入信息,输入关联度评估公式,获得多个监测数据关联度。在关联度评估公式中,遍历第一风速传感器、第二风速传感器……第N风速传感器进行随机选择,获得风速传感器x、风速传感器y。rxy为输出的风速传感器x、风速传感器y之间的监测数据关联度;xj为输入的风速传感器x在第j时刻的风速监测数据;为输入的风速传感器x对应的风速监测数据均值,即,/>为风速传感器x对应的风速监测序列数据;yj为输入的风速传感器y在第j时刻的风速监测数据;/>为输入的风速传感器y对应的风速监测数据均值,即,/>为风速传感器y对应的风速监测序列数据;J表征时刻最新值,即,J为最新时间节点信息。xj、/>yj、/>包括于多组风速监测序列数据。
进一步,分别对多个监测数据关联度是否小于关联度阈值进行判断,当监测数据关联度大于或等于关联度阈值时,将该监测数据关联度对应的风速监测序列数据添加至风速监测序列数据集中分布组。当监测数据关联度小于关联度阈值时,将该监测数据关联度对应的风速监测序列数据添加至风速监测序列数据离散分布组。其中,所述关联度阈值包括预先设置确定的监测数据关联度阈值。所述风速监测序列数据集中分布组包括大于或等于关联度阈值的多个监测数据关联度对应的多组风速监测序列数据。所述风速监测序列数据离散分布组包括小于关联度阈值的多个监测数据关联度对应的多组风速监测序列数据。达到了通过关联度评估公式对多组风速监测序列数据进行准确的关联度评估,获得可靠的多个监测数据关联度,并通过关联度阈值对多个监测数据关联度进行分组,获得风速监测序列数据集中分布组、风速监测序列数据离散分布组,为后续生成多个风速差异度夯实基础的技术效果。
步骤S350:根据所述风速监测序列数据集中分布组,遍历所述风速监测序列数据离散分布组进行差异度标定,生成所述多个风速差异度。
进一步的,本申请步骤S350还包括:
步骤S351:根据所述风速监测序列数据集中分布组进行集中值评定,生成风速监测数据集中值序列;
步骤S352:根据所述风速监测数据集中值序列遍历所述风速监测序列数据离散分布组求取偏差序列,生成多个风速差分序列,添加进所述多个风速差异度。
具体而言,对风速监测序列数据集中分布组进行集中值评定,即,按照预设时间粒度,分别计算风速监测序列数据集中分布组中多组风速监测序列数据在预设时间粒度内每个风速监测数据采集时间点对应的均值,获得风速监测数据集中值序列。继而,分别将风速监测数据集中值序列与风速监测序列数据离散分布组进行差值计算,获得多个风速差分序列,并将多个风速差分序列添加至多个风速差异度。其中,所述风速监测数据集中值序列包括风速监测序列数据集中分布组中多组风速监测序列数据在预设时间粒度内多个风速监测数据采集时间点对应的多个均值。多个风速差分序列中,每个风速差分序列包括风速监测数据集中值序列与风速监测序列数据离散分布组中每组风速监测序列数据之间的多个差值信息。达到了通过对风速监测序列数据集中分布组、风速监测序列数据离散分布组进行差异度标定,生成准确的多个风速差异度,从而提高对风速监测设备进行故障预警的可靠性的技术效果。
步骤S400:根据风速预测模型,获取所述第一风速监测点位编号的所述预设时间粒度内的风速预测序列数据;
步骤S500:根据所述风速预测序列数据,遍历所述多组风速监测序列数据进行可靠度评估,生成多个风速可靠度;
具体而言,基于多组风速监测序列数据进行历史数据查询,获得多个历史风速监测序列数据集合,基于长短时记忆神经网络,将多个历史风速监测序列数据集合进行不断的自我训练学习至收敛状态,即可获得风速预测模型。将多组风速监测序列数据作为输入信息,输入风速预测模型,获得风速预测序列数据。其中,所述长短时记忆神经网络是一种能够捕捉长时依赖的特殊循环神经网络。所述风速预测模型满足长短时记忆神经网络,具有对输入的多组风速监测序列数据进行风速预测的功能。进一步,基于风速预测序列数据,分别对多组风速监测序列数据进行可靠度评估,获得多个风速可靠度。示例性地,在对多组风速监测序列数据进行可靠度评估时,对每组风速监测序列数据中每个数据是否满足风速预测序列数据进行判断,将每组风速监测序列数据内满足风速预测序列数据的数据对应的风速监测数据采集时间点进行统计,获得时间点数量,时间点数量包括每组风速监测序列数据内满足风速预测序列数据的多个数据对应的多个风速监测数据采集时间点的数量。将时间点数量与预设时间粒度内的风速监测数据采集时间点的总数量之间的比值输出为风速可靠度,从而获得多个风速可靠度。达到了通过风速预测序列数据对多组风速监测序列数据进行可靠度评估,生成准确的多个风速可靠度,从而提高对风速监测设备进行故障预警的精确度的技术效果。
步骤S600:根据所述多个风速差异度,获取多个风速监测离散设备;
进一步的,本申请步骤S600还包括:
步骤S610:遍历所述风速监测数据集中值序列,匹配差分阈值序列;
步骤S620:遍历所述多个风速差异度,在任意一个时刻,若满足所述差分阈值序列,生成第一类型标识,若不满足所述差分阈值序列,生成第二类型标识;
步骤S630:根据第一类型标识数量和第二类型标识数量,获取第二类型标识数量占比;
步骤S640:当所述第二类型标识数量占比大于预设标识数量占比,获取所述多个风速监测离散设备。
具体而言,基于风速监测数据集中值序列,设置差分阈值序列。差分阈值序列包括多个预设风速偏差范围。多个预设风速偏差范围与第一风速传感器、第二风速传感器……第N风速传感器一一对应。进一步,分别对多个风速差异度是否满足差分阈值序列进行判断,在任意一个时刻,如果风速差异度满足差分阈值序列,获得第一类型标识;如果风速差异度不满足差分阈值序列,获得第二类型标识。继而,对第一类型标识、第二类型标识进行数量统计,获得第一类型标识数量、第二类型标识数量,将第二类型标识数量与第一类型标识数量、第二类型标识数量的加和之间的比值输出为第二类型标识数量占比。进而,对第二类型标识数量占比是否大于预设标识数量占比进行判断,如果第二类型标识数量占比大于预设标识数量占比,按照第二类型标识数量占比对应的第二类型标识对第一风速传感器、第二风速传感器……第N风速传感器进行匹配,获得多个风速监测离散设备。其中,所述第一类型标识是用于表征风速差异度满足差分阈值序列的标识信息。所述第二类型标识是用于表征风速差异度不满足差分阈值序列的标识信息。所述预设标识数量占比包括预先设置确定的第二类型标识数量占比阈值。所述多个风速监测离散设备包括当第二类型标识数量占比大于预设标识数量占比时,第二类型标识数量占比的第二类型标识对应的多个风速传感器。达到了通过对多个风速差异度进行数据分析,获得可靠的多个风速监测离散设备,为后续对多个风速监测离散设备进行故障标识奠定基础的技术效果。
步骤S700:对所述多个风速可靠度小于可靠度阈值的所述多个风速监测离散设备进行故障标识,生成第一风速监测点位故障设备预警信息。
进一步的,如附图2所示,本申请步骤S700还包括:
步骤S710:当所述第二类型标识数量占比小于或等于所述预设标识数量占比,获取风向序列数据;
步骤S720:根据所述风向序列数据,遍历所述多个风速差异度,生成风向关联系数;
步骤S730:当所述风向关联系数大于或等于风向关联阈值,生成遮挡标识信息;
步骤S740:根据所述遮挡标识信息,对所述第一风速监测点位故障设备预警信息进行调整。
具体而言,分别对多个风速可靠度是否小于可靠度阈值进行判断,如果风速可靠度小于可靠度阈值,按照风速可靠度对多个风速监测离散设备进行故障标识,获得第一风速监测点位故障设备预警信息。其中,所述可靠度阈值包括预先设置确定的风速可靠度阈值信息。所述第一风速监测点位故障设备预警信息是用于对小于可靠度阈值的风速可靠度对应的风速监测离散设备进行故障预警的数据信息。
此外,在对第二类型标识数量占比是否大于预设标识数量占比进行判断时,如果第二类型标识数量占比小于或等于预设标识数量占比,获取风向序列数据。所述风向序列数据包括多组风速监测序列数据对应的多个风向信息。进一步,根据风向序列数据,遍历多个风速差异度,生成风向关联系数。示例性地,针对多个风速差异度中任意一个风速差异度,基于风向序列数据,分别对该风速差异度对应的风速传感器在多个相邻时刻的多个相同风向下的多个风速差异度进行差值计算,获得多个相同风向的风速差异度变化率,并对多个相同风向的风速差异度变化率进行均值计算,获得无风向差异度变化率;分别对该风速差异度对应的风速传感器在多个相邻时刻的多个不相同风向下的多个风速差异度进行差值计算,获得多个不同风向的风速差异度变化率,并对多个不同风向的风速差异度变化率进行均值计算,获得有风向差异度变化率;将有风向差异度变化率与无风向差异度变化率之间的差值输出为风向关联系数。
进一步,对风向关联系数是否小于风向关联阈值进行判断,如果风向关联系数大于或等于风向关联阈值,生成遮挡标识信息,并根据遮挡标识信息对第一风速监测点位故障设备预警信息进行调整。其中,所述风向关联阈值包括预先设置确定的风向关联系数阈值。所述遮挡标识信息是用于表征风向关联系数大于或等于风向关联阈值,该风向关联系数对应的风速传感器存在遮挡的数据信息。示例性地,第一风速监测点位故障设备预警信息包括风速传感器h的故障预警信息。遮挡标识信息表明风速传感器h存在遮挡,则将风速传感器h的故障预警信息从第一风速监测点位故障设备预警信息中删除。达到了通过遮挡标识信息对第一风速监测点位故障设备预警信息进行适应性地调整,从而提高第一风速监测点位故障设备预警信息的精准性的技术效果。
综上所述,本申请所提供的一种高铁设备故障预警方法具有如下技术效果:
1.通过对预设高铁路段设置风速监测点位编号,获得风速监测点位编号队列。从风速监测点位编号队列中提取出第一风速监测点位编号,基于第一风速监测点位编号进行数据采集,获得多组风速监测序列数据;通过对多组风速监测序列数据进行相关性分析,生成多个风速差异度;通过风速预测模型,获得风速预测序列数据,并根据风速预测序列数据遍历多组风速监测序列数据进行可靠度评估,生成多个风速可靠度;根据多个风速差异度,获取多个风速监测离散设备;通过对多个风速可靠度小于可靠度阈值的多个风速监测离散设备进行故障标识,生成第一风速监测点位故障设备预警信息。达到了提升高铁风速监测设备的故障预警精准性、可靠性,提升高铁风速监测设备的故障预警质量的技术效果。
2.通过对多组风速传感数据进行筛选、计算,获得可靠、随机干扰性低的多组风速监测序列数据,从而提高对风速监测设备进行故障预警的准确性。
3.通过风速预测序列数据对多组风速监测序列数据进行可靠度评估,生成准确的多个风速可靠度,从而提高对风速监测设备进行故障预警的精确度。
实施例二
基于与前述实施例中一种高铁设备故障预警方法,同样发明构思,本发明还提供了一种高铁设备故障预警***,请参阅附图3,所述***包括:
点位编号匹配模块11,所述点位编号匹配模块11用于根据预设高铁路段,匹配风速监测点位编号队列;
监测数据提取模块12,所述监测数据提取模块12用于从所述风速监测点位编号队列出队第一风速监测点位编号,提取多组风速监测序列数据,其中,所述多组风速监测序列数据属于预设时间粒度;
相关性分析模块13,所述相关性分析模块13用于对所述多组风速监测序列数据进行相关性分析,生成多个风速差异度;
风速预测序列数据获取模块14,所述风速预测序列数据获取模块14用于根据风速预测模型,获取所述第一风速监测点位编号的所述预设时间粒度内的风速预测序列数据;
可靠度评估模块15,所述可靠度评估模块15用于根据所述风速预测序列数据,遍历所述多组风速监测序列数据进行可靠度评估,生成多个风速可靠度;
离散设备获取模块16,所述离散设备获取模块16用于根据所述多个风速差异度,获取多个风速监测离散设备;
故障标识模块17,所述故障标识模块17用于对所述多个风速可靠度小于可靠度阈值的所述多个风速监测离散设备进行故障标识,生成第一风速监测点位故障设备预警信息。
进一步的,所述***还包括:
风速传感器获取模块,所述风速传感器获取模块用于根据所述第一风速监测点位编号,获取第一风速传感器、第二风速传感器直到第N风速传感器;
风速监测序列数据确定模块,所述风速监测序列数据确定模块用于遍历所述第一风速传感器、所述第二风速传感器直到所述第N风速传感器,采集所述预设时间粒度内的多组风速传感数据,生成所述多组风速监测序列数据。
进一步的,所述***还包括:
第一执行模块,所述第一执行模块用于根据所述多组风速传感数据,获取第N组风速传感数据,其中,所述第N组风速传感数据包括第k-1时刻风速传感数据和第k时刻风速传感数据;
风速偏差判断模块,所述风速偏差判断模块用于判断所述第k-1时刻风速传感数据和所述第k时刻风速传感数据的第k风速偏差是否大于最大预设偏差;
第k时刻风速监测数据生成模块,所述第k时刻风速监测数据生成模块用于若是小于或等于,对第i时刻风速监测数据直到第k-1时刻风速监测数据、所述第k时刻风速传感数据求取算术平均数,生成第k时刻风速监测数据,其中,所述第i时刻风速监测数据直到第k-1时刻风速监测数据、所述第k时刻风速传感数据的数据量为M;
第二执行模块,所述第二执行模块用于将所述第k时刻风速监测数据添加第N组风速监测序列数据,将所述第N组风速监测序列数据添加进所述多组风速监测序列数据。
进一步的,所述***还包括:
第k时刻风速传感数据更新值生成模块,所述第k时刻风速传感数据更新值生成模块用于若是所述第k风速偏差大于所述最大预设偏差,根据所述第k-1时刻风速传感数据对所述第k时刻风速传感数据进行更新,生成第k时刻风速传感数据更新值;
第三执行模块,所述第三执行模块用于对所述第i时刻风速监测数据直到第k-1时刻风速监测数据、所述第k时刻风速传感数据更新值求取算术平均数,生成所述第k时刻风速监测数据,其中,所述第i时刻风速监测数据直到第k-1时刻风速监测数据、所述第k时刻风速传感数据更新值的数据量为M。
进一步的,所述***还包括:
关联度评估公式获取模块,所述关联度评估公式获取模块用于获取关联度评估公式:
其中,rxy表征任意两个风速传感器x和y的监测序列数据的关联度,xj表征传感器x第j时刻的风速监测数据,表征传感器x风速监测数据均值,yj表征传感器y第j时刻的风速监测数据,/>表征传感器y风速监测数据均值,J表征时刻最新值;
监测数据关联度确定模块,所述监测数据关联度确定模块用于根据所述关联度评估公式,遍历所述多组风速监测序列数据,生成多个监测数据关联度;
集中分布组确定模块,所述集中分布组确定模块用于将所述多个监测数据关联度大于或等于关联度阈值的所述多组风速监测序列数据,添加进风速监测序列数据集中分布组;
离散分布组确定模块,所述离散分布组确定模块用于将所述多个监测数据关联度小于关联度阈值的所述多组风速监测序列数据,添加进风速监测序列数据离散分布组;
差异度标定模块,所述差异度标定模块用于根据所述风速监测序列数据集中分布组,遍历所述风速监测序列数据离散分布组进行差异度标定,生成所述多个风速差异度。
进一步的,所述***还包括:
集中值评定模块,所述集中值评定模块用于根据所述风速监测序列数据集中分布组进行集中值评定,生成风速监测数据集中值序列;
第四执行模块,所述第四执行模块用于根据所述风速监测数据集中值序列遍历所述风速监测序列数据离散分布组求取偏差序列,生成多个风速差分序列,添加进所述多个风速差异度。
进一步的,所述***还包括:
差分阈值序列确定模块,所述差分阈值序列确定模块用于遍历所述风速监测数据集中值序列,匹配差分阈值序列;
第五执行模块,所述第五执行模块用于遍历所述多个风速差异度,在任意一个时刻,若满足所述差分阈值序列,生成第一类型标识,若不满足所述差分阈值序列,生成第二类型标识;
第二类型标识数量占比确定模块,所述第二类型标识数量占比确定模块用于根据第一类型标识数量和第二类型标识数量,获取第二类型标识数量占比;
第六执行模块,所述第六执行模块用于当所述第二类型标识数量占比大于预设标识数量占比,获取所述多个风速监测离散设备。
进一步的,所述***还包括:
风向序列数据获取模块,所述风向序列数据获取模块用于当所述第二类型标识数量占比小于或等于所述预设标识数量占比,获取风向序列数据;
风向关联系数生成模块,所述风向关联系数生成模块用于根据所述风向序列数据,遍历所述多个风速差异度,生成风向关联系数;
遮挡标识信息生成模块,所述遮挡标识信息生成模块用于当所述风向关联系数大于或等于风向关联阈值,生成遮挡标识信息;
信息调整模块,所述信息调整模块用于根据所述遮挡标识信息,对所述第一风速监测点位故障设备预警信息进行调整。
本发明实施例所提供的一种高铁设备故障预警***可执行本发明任意实施例所提供的一种高铁设备故障预警方法,具备执行方法相应的功能模块和有益效果。
所包括的各个模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能模块的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
本申请提供了一种高铁设备故障预警方法,其中,所述方法应用于一种高铁设备故障预警***,所述方法包括:通过对预设高铁路段设置风速监测点位编号,获得风速监测点位编号队列。从风速监测点位编号队列中提取出第一风速监测点位编号,基于第一风速监测点位编号进行数据采集,获得多组风速监测序列数据;通过对多组风速监测序列数据进行相关性分析,生成多个风速差异度;通过风速预测模型,获得风速预测序列数据,并根据风速预测序列数据遍历多组风速监测序列数据进行可靠度评估,生成多个风速可靠度;根据多个风速差异度,获取多个风速监测离散设备;通过对多个风速可靠度小于可靠度阈值的多个风速监测离散设备进行故障标识,生成第一风速监测点位故障设备预警信息。解决了现有技术中针对高铁的风速监测设备的故障预警精准性不足,进而造成高铁的风速监测设备故障预警质量不高的技术问题。达到了提升高铁风速监测设备的故障预警精准性、可靠性,提升高铁风速监测设备的故障预警质量的技术效果。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (9)
1.一种高铁设备故障预警方法,其特征在于,包括:
根据预设高铁路段,匹配风速监测点位编号队列;
从所述风速监测点位编号队列出队第一风速监测点位编号,提取多组风速监测序列数据,其中,所述多组风速监测序列数据属于预设时间粒度;
对所述多组风速监测序列数据进行相关性分析,生成多个风速差异度;
根据风速预测模型,获取所述第一风速监测点位编号的所述预设时间粒度内的风速预测序列数据;
根据所述风速预测序列数据,遍历所述多组风速监测序列数据进行可靠度评估,生成多个风速可靠度;
根据所述多个风速差异度,获取多个风速监测离散设备;
对所述多个风速可靠度小于可靠度阈值的所述多个风速监测离散设备进行故障标识,生成第一风速监测点位故障设备预警信息。
2.如权利要求1所述的方法,其特征在于,所述从所述风速监测点位编号队列出队第一风速监测点位编号,提取多组风速监测序列数据,其中,所述多组风速监测序列数据属于预设时间粒度,包括:
根据所述第一风速监测点位编号,获取第一风速传感器、第二风速传感器直到第N风速传感器;
遍历所述第一风速传感器、所述第二风速传感器直到所述第N风速传感器,采集所述预设时间粒度内的多组风速传感数据,生成所述多组风速监测序列数据。
3.如权利要求2所述的方法,其特征在于,所述遍历所述第一风速传感器、所述第二风速传感器直到所述第N风速传感器,采集所述预设时间粒度内的多组风速传感数据,生成所述多组风速监测序列数据,包括:
根据所述多组风速传感数据,获取第N组风速传感数据,其中,所述第N组风速传感数据包括第k-1时刻风速传感数据和第k时刻风速传感数据;
判断所述第k-1时刻风速传感数据和所述第k时刻风速传感数据的第k风速偏差是否大于最大预设偏差;
若是小于或等于,对第i时刻风速监测数据直到第k-1时刻风速监测数据、所述第k时刻风速传感数据求取算术平均数,生成第k时刻风速监测数据,其中,所述第i时刻风速监测数据直到第k-1时刻风速监测数据、所述第k时刻风速传感数据的数据量为M;
将所述第k时刻风速监测数据添加第N组风速监测序列数据,将所述第N组风速监测序列数据添加进所述多组风速监测序列数据。
4.如权利要求3所述的方法,其特征在于,所述判断所述第k-1时刻风速传感数据和所述第k时刻风速传感数据的第k风速偏差是否大于最大预设偏差,还包括:
若是所述第k风速偏差大于所述最大预设偏差,根据所述第k-1时刻风速传感数据对所述第k时刻风速传感数据进行更新,生成第k时刻风速传感数据更新值;
对所述第i时刻风速监测数据直到第k-1时刻风速监测数据、所述第k时刻风速传感数据更新值求取算术平均数,生成所述第k时刻风速监测数据,其中,所述第i时刻风速监测数据直到第k-1时刻风速监测数据、所述第k时刻风速传感数据更新值的数据量为M。
5.如权利要求1所述的方法,其特征在于,所述对所述多组风速监测序列数据进行相关性分析,生成多个风速差异度,包括:
获取关联度评估公式:
其中,rxy表征任意两个风速传感器x和y的监测序列数据的关联度,xj表征传感器x第j时刻的风速监测数据,表征传感器x风速监测数据均值,yj表征传感器y第j时刻的风速监测数据,/>表征传感器y风速监测数据均值,J表征时刻最新值;
根据所述关联度评估公式,遍历所述多组风速监测序列数据,生成多个监测数据关联度;
将所述多个监测数据关联度大于或等于关联度阈值的所述多组风速监测序列数据,添加进风速监测序列数据集中分布组;
将所述多个监测数据关联度小于关联度阈值的所述多组风速监测序列数据,添加进风速监测序列数据离散分布组;
根据所述风速监测序列数据集中分布组,遍历所述风速监测序列数据离散分布组进行差异度标定,生成所述多个风速差异度。
6.如权利要求5所述的方法,其特征在于,所述根据所述风速监测序列数据集中分布组,遍历所述风速监测序列数据离散分布组进行差异度标定,生成所述多个风速差异度,包括:
根据所述风速监测序列数据集中分布组进行集中值评定,生成风速监测数据集中值序列;
根据所述风速监测数据集中值序列遍历所述风速监测序列数据离散分布组求取偏差序列,生成多个风速差分序列,添加进所述多个风速差异度。
7.如权利要求1所述的方法,其特征在于,所述根据所述多个风速差异度,获取多个风速监测离散设备,包括:
遍历所述风速监测数据集中值序列,匹配差分阈值序列;
遍历所述多个风速差异度,在任意一个时刻,若满足所述差分阈值序列,生成第一类型标识,若不满足所述差分阈值序列,生成第二类型标识;
根据第一类型标识数量和第二类型标识数量,获取第二类型标识数量占比;
当所述第二类型标识数量占比大于预设标识数量占比,获取所述多个风速监测离散设备。
8.如权利要求7所述的方法,其特征在于,还包括:
当所述第二类型标识数量占比小于或等于所述预设标识数量占比,获取风向序列数据;
根据所述风向序列数据,遍历所述多个风速差异度,生成风向关联系数;
当所述风向关联系数大于或等于风向关联阈值,生成遮挡标识信息;
根据所述遮挡标识信息,对所述第一风速监测点位故障设备预警信息进行调整。
9.一种高铁设备故障预警***,其特征在于,所述***包括:
点位编号匹配模块,所述点位编号匹配模块用于根据预设高铁路段,匹配风速监测点位编号队列;
监测数据提取模块,所述监测数据提取模块用于从所述风速监测点位编号队列出队第一风速监测点位编号,提取多组风速监测序列数据,其中,所述多组风速监测序列数据属于预设时间粒度;
相关性分析模块,所述相关性分析模块用于对所述多组风速监测序列数据进行相关性分析,生成多个风速差异度;
风速预测序列数据获取模块,所述风速预测序列数据获取模块用于根据风速预测模型,获取所述第一风速监测点位编号的所述预设时间粒度内的风速预测序列数据;
可靠度评估模块,所述可靠度评估模块用于根据所述风速预测序列数据,遍历所述多组风速监测序列数据进行可靠度评估,生成多个风速可靠度;
离散设备获取模块,所述离散设备获取模块用于根据所述多个风速差异度,获取多个风速监测离散设备;
故障标识模块,所述故障标识模块用于对所述多个风速可靠度小于可靠度阈值的所述多个风速监测离散设备进行故障标识,生成第一风速监测点位故障设备预警信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310316157.4A CN116362036B (zh) | 2023-03-29 | 2023-03-29 | 一种高铁设备故障预警方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310316157.4A CN116362036B (zh) | 2023-03-29 | 2023-03-29 | 一种高铁设备故障预警方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116362036A true CN116362036A (zh) | 2023-06-30 |
CN116362036B CN116362036B (zh) | 2024-01-30 |
Family
ID=86906994
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310316157.4A Active CN116362036B (zh) | 2023-03-29 | 2023-03-29 | 一种高铁设备故障预警方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116362036B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117091987A (zh) * | 2023-08-28 | 2023-11-21 | 北京龙版科技有限公司 | 一种农产品质量安全智能检测方法及*** |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006189363A (ja) * | 2005-01-07 | 2006-07-20 | Fujitsu Access Ltd | 故障判定装置および凍結判定装置 |
US20070288414A1 (en) * | 2006-06-07 | 2007-12-13 | Barajas Leandro G | System and method for selection of prediction tools |
JP2008116359A (ja) * | 2006-11-06 | 2008-05-22 | Fujitsu Ltd | 風向/風速監視装置、風向/風速監視方法、風向/風速監視プログラム、該プログラムを記録した記録媒体、風向/風速監視システム、および風向/風速計監視装置 |
CN108376308A (zh) * | 2017-01-30 | 2018-08-07 | 通用电气公司 | 用于可靠性监测的***和方法 |
CN111192163A (zh) * | 2019-12-23 | 2020-05-22 | 明阳智慧能源集团股份公司 | 基于风电机组运行数据的发电机可靠度中短期预测方法 |
CN112000654A (zh) * | 2020-08-25 | 2020-11-27 | 中国铁道科学研究院集团有限公司电子计算技术研究所 | 一种高速铁路大风监测数据质量控制方法和装置 |
CN112327007A (zh) * | 2020-11-09 | 2021-02-05 | 中南大学 | 一种高速铁路大风防灾监测***的故障检测方法及*** |
CN112362908A (zh) * | 2020-11-09 | 2021-02-12 | 国家铁路局安全技术中心 | 高速铁路大风防灾监测***中风速仪的故障检测方法及*** |
CN112784373A (zh) * | 2021-01-19 | 2021-05-11 | 河北大学 | 一种风电机组齿轮箱的故障预警方法 |
JP2022112441A (ja) * | 2021-01-21 | 2022-08-02 | 三菱電機株式会社 | 風速監視システム、データ収集装置、風速監視方法および風速監視プログラム |
CN114996923A (zh) * | 2022-05-24 | 2022-09-02 | 烟台杰瑞石油装备技术有限公司 | 基于基线数据空间的设备故障检测方法 |
CN115098970A (zh) * | 2022-06-30 | 2022-09-23 | 惠州市海葵信息技术有限公司 | 丝杆传动结构故障预测方法、装置、存储介质及电子设备 |
CN115828439A (zh) * | 2021-09-17 | 2023-03-21 | 北京金风科创风电设备有限公司 | 风力发电机组异常损耗的识别方法及装置 |
-
2023
- 2023-03-29 CN CN202310316157.4A patent/CN116362036B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006189363A (ja) * | 2005-01-07 | 2006-07-20 | Fujitsu Access Ltd | 故障判定装置および凍結判定装置 |
US20070288414A1 (en) * | 2006-06-07 | 2007-12-13 | Barajas Leandro G | System and method for selection of prediction tools |
JP2008116359A (ja) * | 2006-11-06 | 2008-05-22 | Fujitsu Ltd | 風向/風速監視装置、風向/風速監視方法、風向/風速監視プログラム、該プログラムを記録した記録媒体、風向/風速監視システム、および風向/風速計監視装置 |
CN108376308A (zh) * | 2017-01-30 | 2018-08-07 | 通用电气公司 | 用于可靠性监测的***和方法 |
CN111192163A (zh) * | 2019-12-23 | 2020-05-22 | 明阳智慧能源集团股份公司 | 基于风电机组运行数据的发电机可靠度中短期预测方法 |
CN112000654A (zh) * | 2020-08-25 | 2020-11-27 | 中国铁道科学研究院集团有限公司电子计算技术研究所 | 一种高速铁路大风监测数据质量控制方法和装置 |
CN112327007A (zh) * | 2020-11-09 | 2021-02-05 | 中南大学 | 一种高速铁路大风防灾监测***的故障检测方法及*** |
CN112362908A (zh) * | 2020-11-09 | 2021-02-12 | 国家铁路局安全技术中心 | 高速铁路大风防灾监测***中风速仪的故障检测方法及*** |
CN112784373A (zh) * | 2021-01-19 | 2021-05-11 | 河北大学 | 一种风电机组齿轮箱的故障预警方法 |
JP2022112441A (ja) * | 2021-01-21 | 2022-08-02 | 三菱電機株式会社 | 風速監視システム、データ収集装置、風速監視方法および風速監視プログラム |
CN115828439A (zh) * | 2021-09-17 | 2023-03-21 | 北京金风科创风电设备有限公司 | 风力发电机组异常损耗的识别方法及装置 |
CN114996923A (zh) * | 2022-05-24 | 2022-09-02 | 烟台杰瑞石油装备技术有限公司 | 基于基线数据空间的设备故障检测方法 |
CN115098970A (zh) * | 2022-06-30 | 2022-09-23 | 惠州市海葵信息技术有限公司 | 丝杆传动结构故障预测方法、装置、存储介质及电子设备 |
Non-Patent Citations (1)
Title |
---|
贺文轩等: "高速铁路风雨监测设备现场核查关键技术研究", 中国铁路, pages 22 - 28 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117091987A (zh) * | 2023-08-28 | 2023-11-21 | 北京龙版科技有限公司 | 一种农产品质量安全智能检测方法及*** |
CN117091987B (zh) * | 2023-08-28 | 2024-04-09 | 广东嘉沃供应链有限公司 | 一种农产品质量安全智能检测方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN116362036B (zh) | 2024-01-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106199276B (zh) | 一种用电信息采集***中异常信息的智能诊断***及方法 | |
CN111680820B (zh) | 分布式光伏电站故障诊断方法和装置 | |
CN113344134B (zh) | 一种低压配电监控终端数据采集异常检测方法及*** | |
CN116362036B (zh) | 一种高铁设备故障预警方法及*** | |
CN111176953B (zh) | 一种异常检测及其模型训练方法、计算机设备和存储介质 | |
CN112508105A (zh) | 一种采油机故障检测与检索方法 | |
CN116189436B (zh) | 一种基于大数据的多源数据融合算法 | |
CN116579768B (zh) | 一种发电厂在线仪表运维管理方法及*** | |
CN111598165A (zh) | 一种基于极限学习机的密度聚类离群点检测方法 | |
CN116956189A (zh) | 一种电流异常检测***、方法、电子设备及介质 | |
CN115908051A (zh) | 一种电力***储能容量确定方法 | |
CN111682925A (zh) | 智慧路灯用数据采集及处理方法 | |
CN114385403A (zh) | 基于双层知识图谱架构的分布式协同故障诊断方法 | |
CN117154716B (zh) | 一种分布式电源接入配电网的规划方法及*** | |
CN116664095B (zh) | 一种基于深度学习的安保巡检预测方法 | |
CN114167837B (zh) | 一种铁路信号***的智能故障诊断方法及*** | |
CN116662840A (zh) | 一种基于机器学习的低压台区用户相位识别方法 | |
CN115207909A (zh) | 一种台区拓扑识别方法、装置、设备及存储介质 | |
CN116247807A (zh) | 一种基于数字孪生的变电站线缆维护监测方法及*** | |
CN114692729A (zh) | 基于深度学习的新能源场站不良数据辨识与修正方法 | |
CN111539096A (zh) | 一种基于实时测试参数的电驱动***可靠度评估方法 | |
CN110852516A (zh) | 基于大数据信息熵交通流检测设备数据质量判别方法 | |
CN117829821B (zh) | 一种基于云平台的复合材料设备维护管理方法 | |
CN116823067B (zh) | 管网水质清污状态的确定方法、装置及电子设备 | |
CN117575542B (zh) | 一种基于模块化装配的建筑工程数据控制***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 |