CN116579768A - 一种发电厂在线仪表运维管理方法及*** - Google Patents
一种发电厂在线仪表运维管理方法及*** Download PDFInfo
- Publication number
- CN116579768A CN116579768A CN202310851819.8A CN202310851819A CN116579768A CN 116579768 A CN116579768 A CN 116579768A CN 202310851819 A CN202310851819 A CN 202310851819A CN 116579768 A CN116579768 A CN 116579768A
- Authority
- CN
- China
- Prior art keywords
- state
- data
- instrument
- fault
- model
- 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
- 238000012423 maintenance Methods 0.000 title claims abstract description 94
- 238000007726 management method Methods 0.000 title claims description 79
- 238000013210 evaluation model Methods 0.000 claims abstract description 45
- 238000000034 method Methods 0.000 claims abstract description 30
- 238000012098 association analyses Methods 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims description 45
- 238000010276 construction Methods 0.000 claims description 41
- 238000012544 monitoring process Methods 0.000 claims description 26
- 238000003066 decision tree Methods 0.000 claims description 13
- 238000012795 verification Methods 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 10
- 238000007621 cluster analysis Methods 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000012797 qualification Methods 0.000 claims description 3
- 238000010219 correlation analysis Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 12
- 238000004364 calculation method Methods 0.000 description 9
- 238000013528 artificial neural network Methods 0.000 description 7
- 238000004519 manufacturing process Methods 0.000 description 6
- 210000002569 neuron Anatomy 0.000 description 5
- DGAQECJNVWCQMB-PUAWFVPOSA-M Ilexoside XXIX Chemical compound C[C@@H]1CC[C@@]2(CC[C@@]3(C(=CC[C@H]4[C@]3(CC[C@@H]5[C@@]4(CC[C@@H](C5(C)C)OS(=O)(=O)[O-])C)C)[C@@H]2[C@]1(C)O)C)C(=O)O[C@H]6[C@@H]([C@H]([C@@H]([C@H](O6)CO)O)O)O.[Na+] DGAQECJNVWCQMB-PUAWFVPOSA-M 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 239000011734 sodium Substances 0.000 description 4
- 229910052708 sodium Inorganic materials 0.000 description 4
- 238000012360 testing method Methods 0.000 description 3
- 230000003113 alkalizing effect Effects 0.000 description 2
- 239000003795 chemical substances by application Substances 0.000 description 2
- 239000003792 electrolyte Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- ZAMOUSCENKQFHK-UHFFFAOYSA-N Chlorine atom Chemical compound [Cl] ZAMOUSCENKQFHK-UHFFFAOYSA-N 0.000 description 1
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 239000000460 chlorine Substances 0.000 description 1
- 229910052801 chlorine Inorganic materials 0.000 description 1
- 238000005536 corrosion prevention Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Classifications
-
- 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
- G06Q10/20—Administration of product repair or maintenance
-
- 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
- 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
- G06Q10/10—Office automation; Time management
- G06Q10/103—Workflow collaboration or project management
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种发电厂在线仪表运维管理方法及***，涉及仪表管理领域，其中，所述方法包括：获取第一设备的运行控制数据输入内嵌于发电厂在线仪表运维管理***的状态预测模型，输出状态预测结果；判断状态预测结果和仪表状态数据的状态偏离度是否满足状态偏离阈值；若不满足，将仪表状态数据输入状态评估模型，输出状态标定结果；当状态标定结果属于不合格时，根据仪表状态数据进行故障关联分析，获取所述第一设备的故障预测类型；根据故障预测类型进行仪表运维管理。解决了现有技术中针对发电厂的仪表运维管理准确性不足、全面度低，导致发电厂的仪表运维管理质量不高的技术问题。达到了提高发电厂的仪表运维管理质量等技术效果。
Description
技术领域
本发明涉及仪表管理领域，具体地，涉及一种发电厂在线仪表运维管理方法及***。
背景技术
化学监督是发电厂防腐防垢、保证安全生产的重要环节，在线仪表运维管理是发电厂化学监督的关键环节。监控发电厂在线仪表的状态，保证发电厂在线仪表的可靠性，提高在线分析仪表的管理水平，对于发电厂的安全生产及节能降耗，有着非常重要的意义。在线仪表分布于发电厂的整个***，具有数量多、品种多、分布广、管理工作复杂等特点。现有技术中，存在针对发电厂的仪表运维管理准确性不足、全面度低，导致发电厂的仪表运维管理质量不高的技术问题。
发明内容
本申请提供了一种发电厂在线仪表运维管理方法及***。解决了现有技术中针对发电厂的仪表运维管理准确性不足、全面度低，导致发电厂的仪表运维管理质量不高的技术问题。
鉴于上述问题，本申请提供了一种发电厂在线仪表运维管理方法及***。
第一方面，本申请提供了一种发电厂在线仪表运维管理方法，其中，所述方法应用于一种发电厂在线仪表运维管理***，所述方法包括：接收第一仪表的仪表状态数据；获取第一设备的运行控制数据输入内嵌于所述发电厂在线仪表运维管理***的状态预测模型，输出状态预测结果，其中，所述第一仪表为所述第一设备的状态监测仪表；判断所述状态预测结果和所述仪表状态数据的状态偏离度是否满足状态偏离阈值；若不满足，将所述仪表状态数据输入内嵌于所述发电厂在线仪表运维管理***的状态评估模型，输出状态标定结果；当所述状态标定结果属于不合格时，根据所述仪表状态数据进行故障关联分析，获取所述第一设备的故障预测类型；根据所述故障预测类型进行仪表运维管理。
第二方面，本申请还提供了一种发电厂在线仪表运维管理***，其中，所述***包括：仪表数据接收模块，所述仪表数据接收模块用于接收第一仪表的仪表状态数据；状态预测模块，所述状态预测模块用于获取第一设备的运行控制数据输入内嵌于所述发电厂在线仪表运维管理***的状态预测模型，输出状态预测结果，其中，所述第一仪表为所述第一设备的状态监测仪表；状态偏离判断模块，所述状态偏离判断模块用于判断所述状态预测结果和所述仪表状态数据的状态偏离度是否满足状态偏离阈值；状态评估模块，所述状态评估模块用于若不满足，将所述仪表状态数据输入内嵌于所述发电厂在线仪表运维管理***的状态评估模型，输出状态标定结果；故障关联分析模块，所述故障关联分析模块用于当所述状态标定结果属于不合格时，根据所述仪表状态数据进行故障关联分析，获取所述第一设备的故障预测类型；仪表运维管理模块，所述仪表运维管理模块用于根据所述故障预测类型进行仪表运维管理。
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：
通过状态预测模型对第一仪表的仪表状态数据进行分析，获得状态预测结果；判断状态预测结果和仪表状态数据的状态偏离度是否满足状态偏离阈值；若不满足，将仪表状态数据输入内嵌于发电厂在线仪表运维管理***的状态评估模型，输出状态标定结果；当状态标定结果属于不合格时，根据仪表状态数据进行故障关联分析，获取第一设备的故障预测类型，并根据故障预测类型进行仪表运维管理。达到了通过对发电厂的仪表进行多维数据分析，从而适应性地对发电厂的仪表对应的设备进行故障预测，提高发电厂的仪表运维管理准确性、全面度、实用性，提高发电厂的仪表运维管理质量，为发电厂的安全生产提供保障的技术效果。
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为本申请一种发电厂在线仪表运维管理方法的流程示意图；
图2为本申请一种发电厂在线仪表运维管理方法中输出状态标定结果的流程示意图；
图3为本申请一种发电厂在线仪表运维管理***的结构示意图。
附图标记说明：仪表数据接收模块11，状态预测模块12，状态偏离判断模块13，状态评估模块14，故障关联分析模块15，仪表运维管理模块16。
具体实施方式
本申请通过提供一种发电厂在线仪表运维管理方法及***。解决了现有技术中针对发电厂的仪表运维管理准确性不足、全面度低，导致发电厂的仪表运维管理质量不高的技术问题。达到了通过对发电厂的仪表进行多维数据分析，从而适应性地对发电厂的仪表对应的设备进行故障预测，提高发电厂的仪表运维管理准确性、全面度、实用性，提高发电厂的仪表运维管理质量，为发电厂的安全生产提供保障的技术效果。
实施例一
请参阅附图1，本申请提供一种发电厂在线仪表运维管理方法，其中，所述方法应用于一种发电厂在线仪表运维管理***，所述方法具体包括如下步骤：
步骤S100：接收第一仪表的仪表状态数据；
具体而言，连接发电厂在线仪表运维管理***，通过发电厂在线仪表运维管理***对第一设备的第一仪表进行状态参数查询，获得第一仪表的仪表状态数据。其中，发电厂包括多个设备，每个设备具有钠表、硅表、溶氧表、电导率表、pH表、ORP表、浊度仪、余氯仪、酸碱浓度计等多个状态监测仪表。其中，发电厂在线仪表运维管理***具有对发电厂内的多个状态监测仪表进行状态参数采集、维护管理的功能。分别将发电厂的每个设备设置为第一设备，分别将第一设备的每个状态监测仪表设置为第一仪表。仪表状态数据包括第一仪表的多组实时状态数据。每组实时状态数据包括第一仪表的多个实时状态参数。示例性地，当第一仪表为第一设备的钠表时，每组实时状态数据包括电极响应斜率、电极预设响应斜率范围、电极响应零点、电极预设响应零点范围、钠电极运行时间、钠电极预设寿命时间、参比电极运行时间、参比电极预设寿命时间、碱化剂已消耗量、碱化剂预装量、电解液已消耗量、电解液预装量等。达到了确定第一仪表的仪表状态数据，为后续对第一仪表进行运维管理奠定基础的技术效果。
步骤S200：获取第一设备的运行控制数据输入内嵌于所述发电厂在线仪表运维管理***的状态预测模型，输出状态预测结果，其中，所述第一仪表为所述第一设备的状态监测仪表；
进一步的，本申请步骤S200还包括：
步骤S210：根据第一仪表型号和第一设备型号，采集状态预测模型第一构建数据集，其中，所述状态预测模型第一构建数据集包括运行控制记录数据和仪表状态标识数据；
步骤S220：以所述运行控制记录数据为输入数据，以所述仪表状态标识数据为监督数据，训练第一基学习器；
步骤S230：以所述运行控制记录数据为输入数据，以所述仪表状态标识数据为监督数据，训练第N基学习器，其中，N个基学习器的模型网络结构互不相同；
具体而言，基于第一设备，确定第一设备型号。基于第一仪表，确定第一仪表型号。基于第一仪表型号和第一设备型号进行历史数据采集，获得状态预测模型第一构建数据集。其中，所述第一仪表型号包括第一仪表对应的类型、型号规格信息。所述第一设备型号包括第一设备对应的类型、型号规格信息。状态预测模型第一构建数据集包括多个同族设备、多个同族仪表对应的多组构建数据。多个同族设备包括与第一设备型号相同的多个设备。多个同族仪表包括与第一仪表型号相同的多个仪表。每组构建数据包括同族设备对应的运行控制记录数据，以及同族仪表对应的仪表状态标识数据。运行控制记录数据包括同族设备对应的多个历史运行控制参数。仪表状态标识数据包括同族仪表对应的多个历史标识状态参数。多个历史标识状态参数包括当同族设备在运行控制记录数据下运行时，对应的处于健康状态的同族仪表的多个历史状态参数。
进一步，将状态预测模型第一构建数据集中的运行控制记录数据作为输入数据，将状态预测模型第一构建数据集中的仪表状态标识数据作为监督数据。示例性地，将BP神经网络作为第一基学习器的第一模型网络结构。BP神经网络是一种按照误差逆向传播算法进行训练的多层前馈神经网络。BP神经网络包括输入层、多层神经元、输出层。BP神经网络可以进行正向计算、反向计算。正向计算时，输入信息从输入层经过多层神经元逐层处理，转向输出层，每一层神经元的状态只影响下一层神经元的状态。如果在输出层不能得到期望的输出，则转入反向计算，将误差信号沿原来的连接通路返回，通过修改各神经元的权值，使得误差信号最小。第一模型网络结构包括输入层、隐含层、输出层。将状态预测模型第一构建数据集中随机的70％划分为训练数据集。将状态预测模型第一构建数据集中随机的30％划分为测试数据集。基于BP神经网络，通过训练数据集对第一模型网络结构进行交叉监督训练，获得第一基学习器。将测试数据集作为输入信息，输入第一基学习器，通过测试数据集对第一基学习器进行参数更新。
进一步，将状态预测模型第一构建数据集中的运行控制记录数据作为输入数据，将状态预测模型第一构建数据集中的仪表状态标识数据作为监督数据。构建N个基学习器的模型网络结构，且，N个基学习器的模型网络结构互不相同。N个基学习器的模型网络结构包括第二模型网络结构、第三模型网络结构……第N模型网络结构。第二模型网络结构、第三模型网络结构……第N模型网络结构包括决策树、支持向量机等多个不同的模型网络结构。继而，根据状态预测模型第一构建数据集，分别对第二模型网络结构、第三模型网络结构……第N模型网络结构进行监督训练，获得第二基学习器、第三基学习器……第N基学习器，结合第一基学习器，获得N个基学习器。N个基学习器包括第一基学习器、第二基学习器、第三基学习器……第N基学习器。
达到了通过对状态预测模型第一构建数据集进行训练，获得N个基学习器，从而提高状态预测模型的精度的技术效果。
步骤S240：获取所述第一基学习器直到所述第N基学习器的输出数据集，生成状态预测模型第二构建数据集；
进一步的，本申请步骤S240还包括：
步骤S241：根据所述第一基学习器直到所述第N基学习器的输出数据集，获取多个N元数据集；
步骤S242：将所述多个N元数据集划分为k组，获取k组N元数据集；
步骤S243：将任意一组所述k组N元数据集按照s-1：1划分，根据s-1比例数据集，构建训练样本数据集，根据1比例数据集，构建验证样本数据集；
步骤S244：将所述训练样本数据集和所述验证样本数据集，添加进所述状态预测模型第二构建数据集。
具体而言，基于N个基学习器的输出数据集，获取多个N元数据集。继而，将多个N元数据集划分为k组，获取k组N元数据集。按照s-1：1的数据划分比例，分别对k组N元数据集进行数据划分，获得s-1比例数据集、1比例数据集。将s-1比例数据集设置为训练样本数据集，将1比例数据集设置为验证样本数据集，并将训练样本数据集、验证样本数据集添加至状态预测模型第二构建数据集。其中，每个N元数据集包括每个基学习器的输出数据集。每个基学习器的输出数据集均为仪表状态标识数据。s-1比例数据集包括每一组N元数据集对应的s-1比例数据。1比例数据集包括每一组N元数据集对应的1比例数据。且，s为大于2的正整数。示例性地，s为5，则，将每一组N元数据集中随机的80％的数据信息划分为s-1比例数据，将每一组N元数据集中随机的20％的数据信息划分为1比例数据。所述状态预测模型第二构建数据集包括训练样本数据集、验证样本数据集。
步骤S250：以所述状态预测模型第二构建数据集作为输入数据，以所述仪表状态标识数据为监督数据，训练拟合学习器；
步骤S260：将所述第一基学习器直到所述第N基学习器作为并行独立节点合并，生成数据处理层；
步骤S270：将所述数据处理层的输出层与所述拟合学习器的输入层合并，生成所述状态预测模型。
步骤S300：判断所述状态预测结果和所述仪表状态数据的状态偏离度是否满足状态偏离阈值；
具体而言，将状态预测模型第二构建数据集作为输入数据，将仪表状态标识数据作为监督数据。基于卷积神经网络，将状态预测模型第二构建数据集中的训练样本数据集进行不断的自我训练学***移不变分类。拟合学习器包括输入层、卷积层、池化层、输出层。验证约束条件包括预先设置确定的拟合学习器的输出准确率阈值，
进一步，将第一基学习器、第二基学习器、第三基学习器……第N基学习器设置为N个并行独立节点，并将N个并行独立节点进行合并，生成数据处理层。将数据处理层的输出层与拟合学习器的输入层进行合并，获得状态预测模型，并将状态预测模型嵌入至发电厂在线仪表运维管理***。状态预测模型包括数据处理层、拟合学习器。且，数据处理层包括N个并行独立节点。N个并行独立节点包括第一基学习器、第二基学习器、第三基学习器……第N基学习器。继而，分别将仪表状态数据中的每一组实时状态数据设置为第一实时状态数据。基于第一实时状态数据，对第一设备进行运行控制参数查询，获得第一设备的运行控制数据。将运行控制数据输入状态预测模型，获得状态预测结果。对状态预测结果与仪表状态数据进行偏离计算，获得状态偏离度。其中，所述运行控制数据包括当第一仪表处于第一实时状态数据时，对应的第一设备的多个实时运行控制参数。所述状态预测结果包括当第一设备处于运行控制数据时，对应的处于健康状态的第一仪表的多个正常状态参数。所述状态偏离阈值包括预先设置确定的状态偏离度阈值。
示例性地，在对状态预测结果与仪表状态数据进行偏离计算时，分别将状态预测结果内的多个正常状态参数与对应的第一实时状态数据内的多个实时状态参数进行差值计算，获得多个状态参数差值。分别将多个状态参数差值对应的绝对值与状态预测结果内的多个正常状态参数进行比值计算，获得多个状态参数偏离度。将多个状态参数偏离度对应的平均值输出为状态偏离度。
进一步，对状态偏离度是否满足状态偏离阈值进行判断。如果状态偏离度小于状态偏离阈值，则，状态偏离度不满足状态偏离阈值，对应的第一仪表的仪表状态数据中的第一实时状态数据较为真实。如果状态偏离度大于/等于状态偏离阈值，则，状态偏离度满足状态偏离阈值，对应的第一仪表的仪表状态数据中的第一实时状态数据的数据真实性较低，需要对第一仪表进行仪表校验管理。
达到了通过状态预测模型对第一设备的运行控制数据进行可靠的仪表状态预测，确定状态预测结果，并结合仪表状态数据进行仪表状态偏离分析，获得准确的状态偏离度，从而提高发电厂的仪表运维管理的精确度的技术效果。
步骤S400：若不满足，将所述仪表状态数据输入内嵌于所述发电厂在线仪表运维管理***的状态评估模型，输出状态标定结果；
进一步的，如附图2所示，本申请步骤S400还包括：
步骤S410：获取状态标准数据，其中，所述状态标准数据为仪器正常运行的状态特征值；
步骤S420：将所述仪表状态数据和所述状态标准数据进行偏差分析，获取状态特征信息；
具体而言，当状态偏离度小于状态偏离阈值时，状态偏离度不满足状态偏离阈值，该状态偏离度对应的仪表状态数据较为真实。将不满足状态偏离阈值的状态偏离度对应的状态预测结果设置为状态标准数据。将不满足状态偏离阈值的状态偏离度对应的多个状态参数偏离度设置为状态特征信息。状态标准数据为仪器正常运行的状态特征值。仪器正常运行的状态特征值包括不满足状态偏离阈值的状态偏离度对应的状态预测结果中的多个正常状态参数。
步骤S430：将所述状态特征信息输入所述状态评估模型，输出所述状态标定结果。
进一步的，本申请步骤S430还包括：
步骤S431：根据第一仪表型号和第一设备型号，采集状态监测记录数据和设备状况信息，其中，所述设备状态信息包括合格、可用和不合格；
步骤S432：将所述状态监测记录数据和所述状态标准数据进行偏差分析，生成样本状态特征信息；
步骤S433：遍历所述状态标准数据进行偏差分级标定，获取偏差分级数据；
步骤S434：根据所述样本状态特征信息、所述偏差分级数据和所述设备状况信息，构建状态评估模型构建数据集；
具体而言，基于第一仪表型号和第一设备型号进行历史数据采集，获得状态监测记录数据、设备状况信息。状态监测记录数据包括多个同族设备、多个同族仪表对应的多组历史状态监测记录。每组历史状态监测记录包括同族仪表对应的历史仪表状态数据，以及同族设备对应的历史运行控制数据、历史状态预测结果。所述设备状况信息包括状态监测记录数据中的多组历史状态监测记录对应的多个历史设备状况参数。每个历史设备状况参数包括合格/可用/不合格。
进一步，遍历状态监测记录数据中的多组历史状态监测记录进行偏差分析，获得样本状态特征信息。样本状态特征信息包括多组历史状态监测记录对应的多组样本状态特征值。每组样本状态特征值包括每组历史状态监测记录中的历史运行控制数据与历史状态预测结果之间的多个历史状态参数偏离度。多个历史状态参数偏离度与多个状态参数偏离度的获得方式相同，为了说明书的简洁，在此不再赘述。
进一步，遍历样本状态特征信息中的多组样本状态特征值进行偏差分级标定，获取偏差分级数据，结合样本状态特征信息、设备状况信息，获得状态评估模型构建数据集。其中，状态评估模型构建数据集包括样本状态特征信息、偏差分级数据和设备状况信息。偏差分级数据包括样本状态特征信息的每组样本状态特征值中的每个历史状态参数偏离度对应的偏差等级信息。示例性地，在遍历状态标准数据进行偏差分级标定时，将样本状态特征信息的每组样本状态特征值中的每个历史状态参数偏离度输入预先构建的偏差分级标定表，通过偏差分级标定表对每个历史状态参数偏离度进行偏差等级信息匹配，获得偏差分级数据。偏差分级标定表包括预先设置确定的多个预设状态参数偏离度、多个预设偏差等级信息。例如，在偏差分级标定表中，当预设状态参数偏离度为0至3％时，对应的预设偏差等级信息为1级。当预设状态参数偏离度为3％至5％时，对应的预设偏差等级信息为2级。当预设状态参数偏离度为5％至10％时，对应的预设偏差等级信息为3级。当预设状态参数偏离度为10％以上时，对应的预设偏差等级信息为4级。
达到了构建状态评估模型构建数据集，为后续构建状态评估模型提供数据支持的技术效果。
步骤S435：根据所述状态评估模型构建数据集，训练所述状态评估模型。
进一步的，本申请步骤S435还包括：
步骤S4351：将所述样本状态特征信息和所述偏差分级数据作为输入数据，将所述设备状况信息作为输出标识数据，基于决策树进行训练，获取第一分类器；
步骤S4352：获取所述第一分类器的第一输出残差系数，构建第一残差样本数据集；
步骤S4353：将所述第一残差样本数据集作为输入数据，将所述设备状况信息作为输出标识数据，基于决策树进行训练，获取第二分类器；
步骤S4354：获取所述第二分类器的第二输出残差系数，构建第二残差样本数据集；
步骤S4355：将所述第二残差样本数据集作为输入数据，将所述设备状况信息作为输出标识数据，基于决策树进行训练，获取第三分类器；
步骤S4356：重复训练，直到第M输出残差均值小于或等于残差阈值，将所述第一分类器、所述第二分类器、所述第三分类器直到第M分类器合并，获取所述状态评估模型，其中，所述状态评估模型的输出为所述第一分类器、所述第二分类器、所述第三分类器直到第M分类器的输出之和；
其中，任意一次训练时，当输出残差系数为负值时，将所述设备状况信息置为负值。
具体而言，对状态评估模型构建数据集中的设备状况信息进行数字化标识，获得多个标识历史设备状况参数，并根据多个标识历史设备状况参数对状态评估模型构建数据集中的设备状况信息进行数据更新。示例性地，在对状态评估模型构建数据集中的设备状况信息进行数字化标识时，历史设备状况参数为合格时，将该历史设备状况参数对应的标识历史设备状况参数记为1；历史设备状况参数为可用时，将该历史设备状况参数对应的标识历史设备状况参数记为2；历史设备状况参数为不合格时，将该历史设备状况参数对应的标识历史设备状况参数记为3。继而，将样本状态特征信息和偏差分级数据作为输入数据，将设备状况信息作为输出标识数据，基于决策树进行训练，获取第一分类器和第一残差样本数据集。第一残差样本数据集包括多个第一输出残差系数。
示例性地，通过第一残差计算公式，获得多个第一输出残差系数。第一残差计算公式为，其中，/>为第一分类器的第一输出残差系数，/>为第一分类器的预测标识设备状况参数，/>为第一分类器的预测标识设备状况参数对应的标识历史设备状况参数。
进一步，将第一残差样本数据集作为输入数据，将设备状况信息作为输出标识数据，基于决策树进行训练，获取第二分类器和第二残差样本数据集。第二残差样本数据集包括多个第二输出残差系数。
示例性地，通过第二残差计算公式，获得多个第二输出残差系数。第二残差计算公式为，其中，/>为第二分类器的第二输出残差系数，/>为第一分类器的预测标识设备状况参数，/>为/>对应的第二分类器的预测标识设备状况参数，为第一分类器的预测标识设备状况参数对应的标识历史设备状况参数。
进一步，将第二残差样本数据集作为输入数据，将设备状况信息作为输出标识数据，基于决策树进行训练，获取第三分类器。重复训练，直到第M输出残差均值小于或等于残差阈值，将第一分类器、第二分类器、第三分类器……第M分类器合并，获得状态评估模型，并将状态评估模型嵌入至发电厂在线仪表运维管理***。且，任意一次训练时，当输出残差系数为负值时，将设备状况信息置为负值。状态评估模型包括第一分类器、第二分类器、第三分类器……第M分类器。状态评估模型的输出为第一分类器、第二分类器、第三分类器……第M分类器的输出之和。继而，将状态特征信息输入状态评估模型，输出状态标定结果。其中，第M输出残差均值包括第M分类器对应的输出残差系数的平均值的绝对值。残差阈值包括预先设置确定的输出残差阈值。所述状态标定结果包括第一设备为合格/可用/不合格。达到了通过状态评估模型，获得准确的状态标定结果，从而提高发电厂的仪表运维管理的可靠性的技术效果。
步骤S500：当所述状态标定结果属于不合格时，根据所述仪表状态数据进行故障关联分析，获取所述第一设备的故障预测类型；
进一步的，本申请步骤S500还包括：
步骤S510：以第一仪表型号、第一设备型号和所述仪表状态数据为场景约束信息，采集L条故障记录数据；
步骤S520：根据故障类型对所述L条故障记录数据进行聚类分析，获取多个故障类型和多个聚类频率；
步骤S530：遍历所述多个聚类频率与L求比，生成所述多个故障类型的多个故障概率；
步骤S540：将所述多个故障概率大于或等于故障概率阈值的所述多个故障类型，添加进所述故障预测类型。
步骤S600：根据所述故障预测类型进行仪表运维管理。
具体而言，当状态标定结果属于不合格时，将第一仪表型号、第一设备型号、仪表状态数据设置为场景约束信息，基于场景约束信息进行故障记录采集，获得L条故障记录数据。每条故障记录数据包括同族仪表对应的同类型历史仪表状态数据，以及同族设备对应的历史故障类型信息。同类型历史仪表状态数据与仪表状态数据相同。
进一步，基于故障类型对L条故障记录数据进行聚类分析，即，将同一故障类型对应的故障记录数据归为一类，获得多个故障类型和多个聚类频率。每一个故障类型包括同一故障类型对应的多条故障记录数据。每一个聚类频率包括每一个故障类型内的多条故障记录数据的总条数。继而，将多个聚类频率与L进行比值计算，获得多个故障类型的多个故障概率。将大于或等于故障概率阈值的故障概率对应的故障类型添加至故障预测类型，并根据故障预测类型进行仪表运维管理。其中，多个故障概率包括多个聚类频率与L之间的多个比值。故障概率阈值包括预先设置确定的故障概率阈值信息。所述故障预测类型包括大于或等于故障概率阈值的多个故障概率对应的多个故障类型。
示例性地，在根据故障预测类型进行仪表运维管理时，按照故障预测类型配置维修零件、维修仪器、维修人员等维修资源，且不需要周期性人工检测，效率较高。从而提高发电厂的仪表运维管理的实用性、全面性。
综上所述，本申请所提供的一种发电厂在线仪表运维管理方法具有如下技术效果：
1.通过状态预测模型对第一仪表的仪表状态数据进行分析，获得状态预测结果；判断状态预测结果和仪表状态数据的状态偏离度是否满足状态偏离阈值；若不满足，将仪表状态数据输入内嵌于发电厂在线仪表运维管理***的状态评估模型，输出状态标定结果；当状态标定结果属于不合格时，根据仪表状态数据进行故障关联分析，获取第一设备的故障预测类型，并根据故障预测类型进行仪表运维管理。达到了通过对发电厂的仪表进行多维数据分析，从而适应性地对发电厂的仪表对应的设备进行故障预测，提高发电厂的仪表运维管理准确性、全面度、实用性，提高发电厂的仪表运维管理质量，为发电厂的安全生产提供保障的技术效果。
2.通过状态预测模型对第一设备的运行控制数据进行可靠的仪表状态预测，确定状态预测结果，并结合仪表状态数据进行仪表状态偏离分析，获得准确的状态偏离度，从而提高发电厂的仪表运维管理的精确度。
实施例二
基于与前述实施例中一种发电厂在线仪表运维管理方法，同样发明构思，本发明还提供了一种发电厂在线仪表运维管理***，请参阅附图3，所述***包括：
仪表数据接收模块11，所述仪表数据接收模块11用于接收第一仪表的仪表状态数据；
状态预测模块12，所述状态预测模块12用于获取第一设备的运行控制数据输入内嵌于所述发电厂在线仪表运维管理***的状态预测模型，输出状态预测结果，其中，所述第一仪表为所述第一设备的状态监测仪表；
状态偏离判断模块13，所述状态偏离判断模块13用于判断所述状态预测结果和所述仪表状态数据的状态偏离度是否满足状态偏离阈值；
状态评估模块14，所述状态评估模块14用于若不满足，将所述仪表状态数据输入内嵌于所述发电厂在线仪表运维管理***的状态评估模型，输出状态标定结果；
故障关联分析模块15，所述故障关联分析模块15用于当所述状态标定结果属于不合格时，根据所述仪表状态数据进行故障关联分析，获取所述第一设备的故障预测类型；
仪表运维管理模块16，所述仪表运维管理模块16用于根据所述故障预测类型进行仪表运维管理。
进一步的，所述***还包括：
数据集获得模块，所述数据集获得模块用于根据第一仪表型号和第一设备型号，采集状态预测模型第一构建数据集，其中，所述状态预测模型第一构建数据集包括运行控制记录数据和仪表状态标识数据；
第一执行模块，所述第一执行模块用于以所述运行控制记录数据为输入数据，以所述仪表状态标识数据为监督数据，训练第一基学习器；
第二执行模块，所述第二执行模块用于以所述运行控制记录数据为输入数据，以所述仪表状态标识数据为监督数据，训练第N基学习器，其中，N个基学习器的模型网络结构互不相同；
第三执行模块，所述第三执行模块用于获取所述第一基学习器直到所述第N基学习器的输出数据集，生成状态预测模型第二构建数据集；
拟合学习器获得模块，所述拟合学习器获得模块用于以所述状态预测模型第二构建数据集作为输入数据，以所述仪表状态标识数据为监督数据，训练拟合学习器；
第四执行模块，所述第四执行模块用于将所述第一基学习器直到所述第N基学习器作为并行独立节点合并，生成数据处理层；
第五执行模块，所述第五执行模块用于将所述数据处理层的输出层与所述拟合学习器的输入层合并，生成所述状态预测模型。
进一步的，所述***还包括：
第六执行模块，所述第六执行模块用于根据所述第一基学习器直到所述第N基学习器的输出数据集，获取多个N元数据集；
第七执行模块，所述第七执行模块用于将所述多个N元数据集划分为k组，获取k组N元数据集；
数据划分模块，所述数据划分模块用于将任意一组所述k组N元数据集按照s-1：1划分，根据s-1比例数据集，构建训练样本数据集，根据1比例数据集，构建验证样本数据集；
第二构建数据集获得模块，所述第二构建数据集获得模块用于将所述训练样本数据集和所述验证样本数据集，添加进所述状态预测模型第二构建数据集。
进一步的，所述***还包括：
状态标准数据获取模块，所述状态标准数据获取模块用于获取状态标准数据，其中，所述状态标准数据为仪器正常运行的状态特征值；
偏差分析模块，所述偏差分析模块用于将所述仪表状态数据和所述状态标准数据进行偏差分析，获取状态特征信息；
状态标定结果输出模块，所述状态标定结果输出模块用于将所述状态特征信息输入所述状态评估模型，输出所述状态标定结果。
进一步的，所述***还包括：
记录数据采集模块，所述记录数据采集模块用于根据第一仪表型号和第一设备型号，采集状态监测记录数据和设备状况信息，其中，所述设备状态信息包括合格、可用和不合格；
样本状态特征信息生成模块，所述样本状态特征信息生成模块用于将所述状态监测记录数据和所述状态标准数据进行偏差分析，生成样本状态特征信息；
偏差分级标定模块，所述偏差分级标定模块用于遍历所述状态标准数据进行偏差分级标定，获取偏差分级数据；
第八执行模块，所述第八执行模块用于根据所述样本状态特征信息、所述偏差分级数据和所述设备状况信息，构建状态评估模型构建数据集；
第九执行模块，所述第九执行模块用于根据所述状态评估模型构建数据集，训练所述状态评估模型。
进一步的，所述***还包括：
第一分类器获取模块，所述第一分类器获取模块用于将所述样本状态特征信息和所述偏差分级数据作为输入数据，将所述设备状况信息作为输出标识数据，基于决策树进行训练，获取第一分类器；
第一残差样本数据集构建模块，所述第一残差样本数据集构建模块用于获取所述第一分类器的第一输出残差系数，构建第一残差样本数据集；
第二分类器获取模块，所述第二分类器获取模块用于将所述第一残差样本数据集作为输入数据，将所述设备状况信息作为输出标识数据，基于决策树进行训练，获取第二分类器；
第二残差样本数据集构建模块，所述第二残差样本数据集构建模块用于获取所述第二分类器的第二输出残差系数，构建第二残差样本数据集；
第三分类器获取模块，所述第三分类器获取模块用于将所述第二残差样本数据集作为输入数据，将所述设备状况信息作为输出标识数据，基于决策树进行训练，获取第三分类器；
第十执行模块，所述第十执行模块用于重复训练，直到第M输出残差均值小于或等于残差阈值，将所述第一分类器、所述第二分类器、所述第三分类器直到第M分类器合并，获取所述状态评估模型，其中，所述状态评估模型的输出为所述第一分类器、所述第二分类器、所述第三分类器直到第M分类器的输出之和；
其中，任意一次训练时，当输出残差系数为负值时，将所述设备状况信息置为负值。
进一步的，所述***还包括：
故障记录采集模块，所述故障记录采集模块用于以第一仪表型号、第一设备型号和所述仪表状态数据为场景约束信息，采集L条故障记录数据；
聚类分析模块，所述聚类分析模块用于根据故障类型对所述L条故障记录数据进行聚类分析，获取多个故障类型和多个聚类频率；
故障概率生成模块，所述故障概率生成模块用于遍历所述多个聚类频率与L求比，生成所述多个故障类型的多个故障概率；
故障预测类型确定模块，所述故障预测类型确定模块用于将所述多个故障概率大于或等于故障概率阈值的所述多个故障类型，添加进所述故障预测类型。
本发明实施例所提供的一种发电厂在线仪表运维管理***可执行本发明任意实施例所提供的一种发电厂在线仪表运维管理方法，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。
本申请提供了一种发电厂在线仪表运维管理方法，其中，所述方法应用于一种发电厂在线仪表运维管理***，所述方法包括：通过状态预测模型对第一仪表的仪表状态数据进行分析，获得状态预测结果；判断状态预测结果和仪表状态数据的状态偏离度是否满足状态偏离阈值；若不满足，将仪表状态数据输入内嵌于发电厂在线仪表运维管理***的状态评估模型，输出状态标定结果；当状态标定结果属于不合格时，根据仪表状态数据进行故障关联分析，获取第一设备的故障预测类型，并根据故障预测类型进行仪表运维管理。解决了现有技术中针对发电厂的仪表运维管理准确性不足、全面度低，导致发电厂的仪表运维管理质量不高的技术问题。达到了通过对发电厂的仪表进行多维数据分析，从而适应性地对发电厂的仪表对应的设备进行故障预测，提高发电厂的仪表运维管理准确性、全面度、实用性，提高发电厂的仪表运维管理质量，为发电厂的安全生产提供保障的技术效果。
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 (8)
1.一种发电厂在线仪表运维管理方法，其特征在于，应用于发电厂在线仪表运维管理***，包括：
接收第一仪表的仪表状态数据；
获取第一设备的运行控制数据输入内嵌于所述发电厂在线仪表运维管理***的状态预测模型，输出状态预测结果，其中，所述第一仪表为所述第一设备的状态监测仪表；
判断所述状态预测结果和所述仪表状态数据的状态偏离度是否满足状态偏离阈值；
若不满足，将所述仪表状态数据输入内嵌于所述发电厂在线仪表运维管理***的状态评估模型，输出状态标定结果；
当所述状态标定结果属于不合格时，根据所述仪表状态数据进行故障关联分析，获取所述第一设备的故障预测类型；
根据所述故障预测类型进行仪表运维管理。
2.如权利要求1所述的方法，其特征在于，获取第一设备的运行控制数据输入内嵌于所述发电厂在线仪表运维管理***的状态预测模型，输出状态预测结果，其中，所述第一仪表为所述第一设备的状态监测仪表，之前包括：
根据第一仪表型号和第一设备型号，采集状态预测模型第一构建数据集，其中，所述状态预测模型第一构建数据集包括运行控制记录数据和仪表状态标识数据；
以所述运行控制记录数据为输入数据，以所述仪表状态标识数据为监督数据，训练第一基学习器；
以所述运行控制记录数据为输入数据，以所述仪表状态标识数据为监督数据，训练第N基学习器，其中，N个基学习器的模型网络结构互不相同；
获取所述第一基学习器直到所述第N基学习器的输出数据集，生成状态预测模型第二构建数据集；
以所述状态预测模型第二构建数据集作为输入数据，以所述仪表状态标识数据为监督数据，训练拟合学习器；
将所述第一基学习器直到所述第N基学习器作为并行独立节点合并，生成数据处理层；
将所述数据处理层的输出层与所述拟合学习器的输入层合并，生成所述状态预测模型。
3.如权利要求2所述的方法，其特征在于，获取所述第一基学习器直到所述第N基学习器的输出数据集，生成状态预测模型第二构建数据集，包括：
根据所述第一基学习器直到所述第N基学习器的输出数据集，获取多个N元数据集；
将所述多个N元数据集划分为k组，获取k组N元数据集；
将任意一组所述k组N元数据集按照s-1：1划分，根据s-1比例数据集，构建训练样本数据集，根据1比例数据集，构建验证样本数据集；
将所述训练样本数据集和所述验证样本数据集，添加进所述状态预测模型第二构建数据集。
4.如权利要求1所述的方法，其特征在于，将所述仪表状态数据输入内嵌于所述发电厂在线仪表运维管理***的状态评估模型，输出状态标定结果，包括：
获取状态标准数据，其中，所述状态标准数据为仪器正常运行的状态特征值；
将所述仪表状态数据和所述状态标准数据进行偏差分析，获取状态特征信息；
将所述状态特征信息输入所述状态评估模型，输出所述状态标定结果。
5.如权利要求4所述的方法，其特征在于，将所述状态特征信息输入所述状态评估模型，输出所述状态标定结果，之前包括：
根据第一仪表型号和第一设备型号，采集状态监测记录数据和设备状况信息，其中，所述设备状态信息包括合格、可用和不合格；
将所述状态监测记录数据和所述状态标准数据进行偏差分析，生成样本状态特征信息；
遍历所述状态标准数据进行偏差分级标定，获取偏差分级数据；
根据所述样本状态特征信息、所述偏差分级数据和所述设备状况信息，构建状态评估模型构建数据集；
根据所述状态评估模型构建数据集，训练所述状态评估模型。
6.如权利要求5所述的方法，其特征在于，根据所述状态评估模型构建数据集，训练所述状态评估模型，包括：
将所述样本状态特征信息和所述偏差分级数据作为输入数据，将所述设备状况信息作为输出标识数据，基于决策树进行训练，获取第一分类器；
获取所述第一分类器的第一输出残差系数，构建第一残差样本数据集；
将所述第一残差样本数据集作为输入数据，将所述设备状况信息作为输出标识数据，基于决策树进行训练，获取第二分类器；
获取所述第二分类器的第二输出残差系数，构建第二残差样本数据集；
将所述第二残差样本数据集作为输入数据，将所述设备状况信息作为输出标识数据，基于决策树进行训练，获取第三分类器；
重复训练，直到第M输出残差均值小于或等于残差阈值，将所述第一分类器、所述第二分类器、所述第三分类器直到第M分类器合并，获取所述状态评估模型，其中，所述状态评估模型的输出为所述第一分类器、所述第二分类器、所述第三分类器直到第M分类器的输出之和；
其中，任意一次训练时，当输出残差系数为负值时，将所述设备状况信息置为负值。
7.如权利要求1所述的方法，其特征在于，当所述状态标定结果属于不合格时，根据所述仪表状态数据进行故障关联分析，获取所述第一设备的故障预测类型，包括：
以第一仪表型号、第一设备型号和所述仪表状态数据为场景约束信息，采集L条故障记录数据；
根据故障类型对所述L条故障记录数据进行聚类分析，获取多个故障类型和多个聚类频率；
遍历所述多个聚类频率与L求比，生成所述多个故障类型的多个故障概率；
将所述多个故障概率大于或等于故障概率阈值的所述多个故障类型，添加进所述故障预测类型。
8.一种发电厂在线仪表运维管理***，其特征在于，所述***包括：
仪表数据接收模块，所述仪表数据接收模块用于接收第一仪表的仪表状态数据；
状态预测模块，所述状态预测模块用于获取第一设备的运行控制数据输入内嵌于所述发电厂在线仪表运维管理***的状态预测模型，输出状态预测结果，其中，所述第一仪表为所述第一设备的状态监测仪表；
状态偏离判断模块，所述状态偏离判断模块用于判断所述状态预测结果和所述仪表状态数据的状态偏离度是否满足状态偏离阈值；
状态评估模块，所述状态评估模块用于若不满足，将所述仪表状态数据输入内嵌于所述发电厂在线仪表运维管理***的状态评估模型，输出状态标定结果；
故障关联分析模块，所述故障关联分析模块用于当所述状态标定结果属于不合格时，根据所述仪表状态数据进行故障关联分析，获取所述第一设备的故障预测类型；
仪表运维管理模块，所述仪表运维管理模块用于根据所述故障预测类型进行仪表运维管理。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310851819.8A CN116579768B (zh) | 2023-07-12 | 2023-07-12 | 一种发电厂在线仪表运维管理方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310851819.8A CN116579768B (zh) | 2023-07-12 | 2023-07-12 | 一种发电厂在线仪表运维管理方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116579768A true CN116579768A (zh) | 2023-08-11 |
| CN116579768B CN116579768B (zh) | 2023-09-12 |
Family
ID=87543493
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310851819.8A Active CN116579768B (zh) | 2023-07-12 | 2023-07-12 | 一种发电厂在线仪表运维管理方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116579768B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116995280A (zh) * | 2023-09-27 | 2023-11-03 | 苏州欣和智达能源科技有限公司 | 一种氢燃料电池运行状态的智能监测方法 |
| CN117553840A (zh) * | 2024-01-11 | 2024-02-13 | 深圳汉光电子技术有限公司 | 一种基于智能化管理的仪表及其*** |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105656990A (zh) * | 2015-12-14 | 2016-06-08 | 重庆川仪自动化股份有限公司 | 一种仪表的监控方法及*** |
| CN110375787A (zh) * | 2019-07-25 | 2019-10-25 | 重庆市计量质量检测研究院 | 一种计量仪表运行状态在线评价方法 |
| CN114727166A (zh) * | 2022-06-09 | 2022-07-08 | 南京天梯自动化设备股份有限公司 | 基于物联网的远程在线式计量仪表状态监控方法及*** |
| CN115081647A (zh) * | 2022-05-19 | 2022-09-20 | 中国计量大学 | 基于贝叶斯网络模型的工业智能仪表故障预诊断方法 |
| CN115392384A (zh) * | 2022-08-31 | 2022-11-25 | 中铁第四勘察设计院集团有限公司 | 一种基于Stacking学习的电缆故障诊断方法、***及设备 |
| CN116337135A (zh) * | 2023-03-18 | 2023-06-27 | 北京嘉联优控科技有限公司 | 一种仪表故障诊断方法、***、电子设备及可读存储介质 |
-
2023
- 2023-07-12 CN CN202310851819.8A patent/CN116579768B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105656990A (zh) * | 2015-12-14 | 2016-06-08 | 重庆川仪自动化股份有限公司 | 一种仪表的监控方法及*** |
| CN110375787A (zh) * | 2019-07-25 | 2019-10-25 | 重庆市计量质量检测研究院 | 一种计量仪表运行状态在线评价方法 |
| CN115081647A (zh) * | 2022-05-19 | 2022-09-20 | 中国计量大学 | 基于贝叶斯网络模型的工业智能仪表故障预诊断方法 |
| CN114727166A (zh) * | 2022-06-09 | 2022-07-08 | 南京天梯自动化设备股份有限公司 | 基于物联网的远程在线式计量仪表状态监控方法及*** |
| CN115392384A (zh) * | 2022-08-31 | 2022-11-25 | 中铁第四勘察设计院集团有限公司 | 一种基于Stacking学习的电缆故障诊断方法、***及设备 |
| CN116337135A (zh) * | 2023-03-18 | 2023-06-27 | 北京嘉联优控科技有限公司 | 一种仪表故障诊断方法、***、电子设备及可读存储介质 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116995280A (zh) * | 2023-09-27 | 2023-11-03 | 苏州欣和智达能源科技有限公司 | 一种氢燃料电池运行状态的智能监测方法 |
| CN116995280B (zh) * | 2023-09-27 | 2023-11-28 | 苏州欣和智达能源科技有限公司 | 一种氢燃料电池运行状态的智能监测方法 |
| CN117553840A (zh) * | 2024-01-11 | 2024-02-13 | 深圳汉光电子技术有限公司 | 一种基于智能化管理的仪表及其*** |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116579768B (zh) | 2023-09-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116579768B (zh) | 一种发电厂在线仪表运维管理方法及*** | |
| CN105117602B (zh) | 一种计量装置运行状态预警方法 | |
| CN111382542B (zh) | 一种面向全寿命周期的公路机电设备寿命预测*** | |
| Ferrucci et al. | Genetic programming for effort estimation: an analysis of the impact of different fitness functions | |
| CN110879377B (zh) | 基于深度信念网络的计量装置故障溯源方法 | |
| CN109583520B (zh) | 一种云模型与遗传算法优化支持向量机的状态评估方法 | |
| CN106651169A (zh) | 基于模糊综合评价的配电自动化终端状态评价方法及*** | |
| CN110222991B (zh) | 基于rf-gbdt的计量装置故障诊断方法 | |
| CN103793854A (zh) | 多重组合优化的架空输电线路运行风险信息化评估方法 | |
| CN110555477A (zh) | 一种市政设施故障预测方法及装置 | |
| CN116432123A (zh) | 一种基于cart决策树算法的电能表故障预警方法 | |
| CN115640969A (zh) | 一种基于设备状态与运行年限的电网运维成本分配方法 | |
| CN115600729A (zh) | 一种考虑多属性网格电网负荷预测方法 | |
| Dong | Combining unsupervised and supervised learning for asset class failure prediction in power systems | |
| Li et al. | An optimized GRNN‐enabled approach for power transformer fault diagnosis | |
| CN116738192A (zh) | 一种基于数字孪生的安全数据评估方法及*** | |
| CN117195505A (zh) | 一种用于电能表信息化评价校准模型的测评方法及*** | |
| Mao et al. | Comparative study on prediction of fuel cell performance using machine learning approaches | |
| CN114862267A (zh) | 一种输油气管道报警管理体系的评价方法及*** | |
| CN113591402A (zh) | 一种数字化电力互感器健康状态模糊综合评价方法 | |
| CN117708669A (zh) | 一种基于多源数据的自适应概率神经网络高压电缆状态评估方法 | |
| CN117523793A (zh) | 一种电厂设备故障预警方法和计算机设备 | |
| CN117350146A (zh) | 一种基于ga-bp神经网络的排水管网健康性评价方法 | |
| CN116151799A (zh) | 一种基于bp神经网络的配电线路多工况故障率快速评估方法 | |
| Tiwary et al. | Multi-dimensional ANN application for active power flow state classification on a utility system |
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 |