CN117009828A - 基于故障匹配算法的水电设备故障诊断方法 - Google Patents
基于故障匹配算法的水电设备故障诊断方法 Download PDFInfo
- Publication number
- CN117009828A CN117009828A CN202311271118.3A CN202311271118A CN117009828A CN 117009828 A CN117009828 A CN 117009828A CN 202311271118 A CN202311271118 A CN 202311271118A CN 117009828 A CN117009828 A CN 117009828A
- Authority
- CN
- China
- Prior art keywords
- fault
- matching
- algorithm
- value
- characteristic data
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 34
- 238000000034 method Methods 0.000 title claims abstract description 24
- 208000024891 symptom Diseases 0.000 claims abstract description 47
- 238000004364 calculation method Methods 0.000 claims abstract description 13
- 238000010606 normalization Methods 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 6
- 238000001228 spectrum Methods 0.000 claims description 2
- 230000004927 fusion Effects 0.000 abstract description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000001502 supplementing effect Effects 0.000 description 2
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000001845 vibrational spectrum Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- 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
- G06F18/25—Fusion techniques
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
基于故障匹配算法的水电设备故障诊断方法,建立故障案例库,实时获取水电设备运行数据;结合获取的特征数据计算各类故障征兆可信度值;根据计算出来的故障征兆可信度值,计算故障模式可信度值;利用余弦相似度算法与的故障案例库的案例进行匹配计算得出每个案例的匹配度值;将特征数据组合成二维数组得到多组子序列,结合特征数据的权重和母序列,利用灰色关联度算法计算案例匹配度值;结合计算得到的匹配度值,利用加权平均的方式,按照一定权重融合得到最终的匹配结果;生成故障诊断初步信息,同步更新故障案例库。该方法结合了余弦匹配算法和灰色关联度算法,通过加权平均融合最终结果,从多角度匹配历史故障案例,使诊断结果更加精确。
Description
技术领域
本发明涉及水电设备故障诊断技术领域,具体涉及一种基于故障匹配算法的水电设备故障诊断方法。
背景技术
现有水电设备故障诊断技术未能充分考虑已有故障情况,没有总结沉淀过往故障经验和案例,缺乏故障匹配案例支撑,因此无法对设备故障做出准确可靠的判断。近年来利用人工智能技术对水电设备进行故障诊断成为研究热点,但人工智能算法需要大量数据进行模型训练,而实际应用中往往会存在数据不足的情况,使得训练出来的模型存在准确率低、诊断精细化程度不足等问题。且现有故障诊断方法,未能充分结合历史故障案例库进行案例匹配,无法得到准确可靠的诊断结果。
发明内容
为解决上述技术问题,本发明提供一种基于故障匹配算法的水电设备故障诊断方法,该方法结合了余弦匹配算法和灰色关联度算法,通过加权平均融合最终结果,从多角度匹配历史故障案例,使诊断结果更加精确。
本发明采取的技术方案为:
基于故障匹配算法的水电设备故障诊断方法,包括以下步骤:
步骤一: 根据历史故障经验和典型故障问题,建立故障案例库,故障案例库包括故障模式、故障征兆、特征参数、故障现象和处理措施信息,每种故障征兆对应不同的算法逻辑,最大化覆盖水电设备故障;
步骤二:从工业互联网数据平台实时获取水电设备运行数据,水电设备运行数据包括定子温度和上导X向摆度峰峰值等特征数据;
步骤三: 结合步骤二获取的特征数据,计算各类故障征兆可信度值;每种征兆对应不同计算逻辑;
步骤四:根据步骤三计算出来的故障征兆可信度值,结合故障模式中对应的征兆固定权重进行归一化处理,计算故障模式可信度值;
步骤五:根据步骤四计算的故障模式可信度值,利用余弦相似度算法与步骤一的故障案例库的案例依次进行匹配计算,得出每个案例的匹配度值;
步骤六:根据步骤二实时获取的特征数据,计算故障发生时特征数据的中位数,得到一组数列作为母序列;
步骤七:查询故障案例库中带有相关特征数据的案例,将它们的特征数据组合成二维数组,得到多组子序列,结合特征数据的权重和母序列,利用灰色关联度算法计算案例匹配度值;
步骤八: 结合步骤五的余弦相似度算法和步骤七的灰色关联度算法计算得到的匹配度值,利用加权平均的方式,按照一定权重融合得到最终的匹配结果;
步骤九:基于步骤八的最终的匹配结果,结合其它组件共同确认故障原因,生成故障诊断初步信息,人工补充完善故障信息,形成故障诊断最终信息,基于故障诊断最终信息管理水电设备,并将信息远程输出,同时同步更新故障案例库。
所述步骤三中,
针对下导摆度大的故障征兆,可信度计算公式为:
cf=min(1.0,1.2*LowerGuideThrow/LowerGuideThrowDanger)
其中,LowerGuideThrow为设下导摆度的通频幅值,LowerGuideThrowDanger为通道危险值;
针对振动频谱中转频大的故障征兆,可信度计算公式为:
cf=fyp1*fyp1/(fyp1*fyp1+fyp1bj*fyp1bj)
其中,fyp1为振动摆度通道的转频振幅,fyp1bj为转频预警值。
所述步骤四中,故障模式包括拉断销断裂、水电机组轴系运行故障和风机故障。
所述步骤五中,余弦相似度算法为:
;
其中,X为步骤三中计算出的故障征兆可信度值,Y为故障案例库中案例所绑定的故障征兆可信度值,i为故障征兆个数。
所述步骤八中,灰色关联度算法为:
;
其中,X0为母序列,Xi为子序列,k为每个子序列中的特征数据,ρ为可调节系数,取0.5,i为案例数,wi(k)为特征数据的权重。
本发明一种基于故障匹配算法的水电设备故障诊断方法,技术效果如下:
1)本发明故障案例库作为底层的诊断工具,主要是为高级应用(故障诊断)提供案例匹配服务。高级应用(故障诊断)发起诊断请求,包含KKS,时序时间段等参数,故障案例库依据上述参数提取时序数据,计算数据特征及征兆,通过多种匹配算法联合匹配计算,与案例库里的相关内容进行匹配比对,查询最为匹配的故障案例,得出诊断结论。
2)本发明方法结合了余弦匹配算法和灰色关联度算法,通过加权平均融合最终结果,从多角度匹配历史故障案例,使诊断结果更加精确。
附图说明
图1为本发明方法的流程图。
具体实施方式
本发明提供一种基于故障匹配算法的水电设备故障诊断方法,如图1所示,包括:
步骤一:根据水电设备历史故障案例和典型故障问题,组织成故障案例库,案例中包括故障模式、故障征兆、特征参数、故障现象、处理措施等信息。
步骤二:从工业互联网数据平台实时获取水电设备运行数据,数据包括定子温度和上导X向摆度峰峰值等特征数据;
步骤三:结合特征数据计算各类征兆的可信度值,每种征兆对应不同计算逻辑。
步骤四:根据步骤三计算得出的故障征兆可信度值结合故障模式中对应的征兆固定权重进行归一化处理,计算故障模式可信度值;
步骤五:根据步骤三中计算出的故障征兆可信度值,利用余弦相似度算法,与步骤二故障案例库中的案例依次进行匹配计算,得出每个案例的匹配度值。
步骤六:根据步骤二中实时获取的特征数据,计算其中位数,得到一组数列作为母序列。
步骤七:查询案例库中带有相关特征数据的案例,将它们的特征数据组合成二维数组,得到多组子序列。结合特征数据的权重和母序列,利用灰色关联度算法计算案例匹配度值。
步骤八:使用加权平均的方式将两种算法计算出的匹配度值进行融合得出最终匹配结果。
步骤九:结合其它组件共同确认故障原因,生成案例初步信息,人工补充完善故障信息,形成最终案例,存储到故障案例库中。
所述步骤四中,根据步骤三计算出来的故障征兆可信度值,结合故障模式中对应的征兆固定权重进行归一化处理。
这里的归一化使用的是向量归一化中,把数据映射到0~1范围之内处理。例如,某故障模式下有三个征兆,可信度为0.85,0.6,1。固定权重分别为0.15,0.3,0.15。则先对权重进行归一化处理,0.15+0.3+0.15=0.6,0.15/0.6=0.25,0.3/0.6=0.5,0.15/0.6=0.25。处理之后得到0.25,0.5,0.25。再将三个征兆可信度结合权重计算:0.85*0.25+0.6*0.5+1*0.15=0.6625;该结果即为故障模式的可信度。
所述步骤八中,使用加权平均的方式将两种算法计算出的匹配度值进行融合得出最终匹配结果。
例如灰色关联度计算出结果为0.7,余弦相似度为0.8,一般权重取值为灰色关联度0.4的权重,余弦相似度0.6的权重,则0.7*0.4+0.8*0.6=0.676。即为最终融合结果。融合结果最大的案例即为案例最终匹配结果。
所述步骤八中,结合其它组件共同确认故障原因,生成故障诊断初步信息。
其它组件指的是,如:FTA故障树:一种利用布林逻辑组合低阶事件,由上往下的演绎式失效分析法,既可定性分析,又可定量分析,是安全***工程的重要分析方法之一;知识脉络图谱:一种用图模型来描述知识和建模世界万物之间的关联关系的技术方法。知识图谱由节点和边组成。知识图谱作为一种知识表示的新方法和知识管理的新思路。
故障诊断初步信息包括:
故障模式:质量不平衡;发生概率:83.9%;严重度:高;
故障原因及处理措施1:运行不稳、更换设备;
故障原因及处理措施2:转动部件移位、关闭设备,通知检修;
故障原因及处理措施3:转子上套装部件不对称、关闭设备,通知检修;
故障原因及处理措施4:联轴器偏差。
针对水电设备故障领域的分析,结合了多种关联设备故障的故障模式和征兆,每种征兆对应特定的算法逻辑。各类故障模式可信度由多种征兆可信度按照固定权重融合得出。
部分征兆可信度计算方法:
1)振动频谱中转频较大:如机组转速达到额定转速50%以上,振动摆度通道的转频振幅fyp1大于转频的基准值fyp1base(上限的30%),则转频预警值为:fyp1bj(上限的45%)cf=fyp1*fyp1/(fyp1*fyp1+fyp1bj*fyp1bj)。
2)振动与转速的平方呈线性增大:机组转速、(下导Y向摆度1X幅值、上导X向摆度1X幅值、下导X向摆度1X幅值、上导Y向摆度1X幅值、上机架Y向水平振动1X幅值、上机架X向水平振动1X幅值),在机组升速过程中,取40~60%额定转速下(设置为speed1)和80~100%额定转速下(设置为speed2)的振动摆度幅值,分别为fypp1和fypp2,计算转速和振动摆度的变化,分别为speedb和fyppb,则speedb=(speed2/speed1)^2,fyppb=fypp2/fypp1,若fyppb/speedb>0.75并且fyppb/speedb<1.5,则cf=1,否则为0。有满足条件的多组数据时,取可信度的最大值。
3)下导摆度大:设下导摆度的通频幅值LowerGuideThrow,通道危险值:LowerGuideThrowDanger;
可信度计算公式为:cf=min(1.0, 1.2*LowerGuideThrow/LowerGuideThrowDanger。
4)振动以转频为主:如果振动摆度通道的转频fyp1(1X幅值)大于频段的基准值,以通频振幅fypp(峰峰值)为基准,可信度计算公式为:cf=min(1.0, 1.2*fyp1/fypp)。
余弦相似度算法如下:
;
X为步骤三中计算出的故障征兆可信度,Y为故障案例库中案例所绑定的故障征兆可信度值,i为故障征兆个数。例如:步骤三中计算征兆:下机架振动大,可信度为1;下导摆度大,可信度为0.87。某个案例中绑定的故障征兆为:下机架振动大,可信度为1;下导摆度大,可信度为0.97;振动以转频为主,可信度为0.94。则计算公式为:
;
最终得出匹配度值0.8277,该值越接近1,表示匹配度越高。
灰色关联度算法:
;
X0为母序列,Xi为子序列,k为每个子序列中的特征数据,ρ为可调节系数,一般取0.5,i为案例数,wi(k)为特征数据的权重。具体操作为:
A、归一化处理母序列和子序列,其目的为消除不同特征、不同单位对最终结果的影响,采用归一化方法为向量归一化。
B、将归一化处理后的序列相减得到一组差序列,找到其中的最大值和最小值,通过min+0.5*max得到公式中的分子。
C、将步骤B中的差序列与0.5*max求和,得出公式分母,分子分母相除再乘以每个特征数据权重,最后通过求和得到子序列和母序列的匹配度值。
具体案例:
由实时获取的特征数据组成一组母序列:[159.7,0.0,75.1,49.0,5.3,240.1,778.3],
案例库中提供了两个案例进行匹配计算:
[[161.5,0.0,76.5,50.0,6.2,252.6,780.0],
[229.5,0.0,104.4,79.9,9.8,342.8,847.4]];
对应特征数据的权重为:
[[0.15,0.15,0.15,0.15,0.15,0.2,0.05];
[0.15,0.15,0.15,0.15,0.15,0.2,0.05]];
由A步骤进行归一化处理后得到母序列:[0.4945, 0.0, 0.5018, 0.4612,0.4156, 0.4911, 0.5599]
子序列:[[0.5001, 0.0, 0.5112, 0.4706, 0.4862, 0.5167, 0.5611],[0.7107, 0.0, 0.6976, 0.7521, 0.7686, 0.7012, 0.6096]];
由B步骤得出差序列:[[0.0056, 0.0, 0.0094, 0.0094, 0.0706, 0.0256,0.0012],[0.2162, 0.0, 0.1958, 0.2909, 0.353, 0.2101, 0.0497]],最大值:0.353,最小值:0。
最后由C步骤计算得出两个案例的匹配度值为:0.9114和0.5253。
故障案例库:总结历史故障经验,组织成典型故障案例库,为同类型的设备,在故障诊断中依据诊断规则,快速匹配故障案例,从而提高故障诊断的效率和排障方法。
征兆:可以理解为现象,如上导摆动大,水导摆动大,一般通过相关测点数值落在一个定义的数值区间上来进行定量的定义。
故障匹配相似度:是指故障的多个征兆与故障案例里的多个征兆的综合相似度,数值越接近与1,表明越相似。
故障模式:故障的表现形式。更确切地说,故障模式为一组设备的故障现象的规范描述。例如:拉断销断裂、水电机组轴系运行故障、风机故障等。
当前故障诊断方法没有结合过往故障案例经验,导致诊断结果与预期相差较大,无法得出准确结果。本发明将余弦匹配算法和灰色关联度算法相结合,通过加权平均融合最终结果,从多角度匹配历史故障案例,使诊断结果更加精确。
Claims (5)
1.基于故障匹配算法的水电设备故障诊断方法,其特征在于包括以下步骤:
步骤一: 根据历史故障经验和典型故障问题,建立故障案例库,故障案例库包括故障模式、故障征兆、特征参数、故障现象和处理措施信息;
步骤二:实时获取水电设备运行数据,水电设备运行数据包括定子温度和上导X向摆度峰峰值特征数据;
步骤三: 结合步骤二获取的特征数据,计算各类故障征兆可信度值;
步骤四:根据步骤三计算出来的故障征兆可信度值,结合故障模式中对应的征兆固定权重进行归一化处理,计算故障模式可信度值;
步骤五:根据步骤四计算的故障模式可信度值,利用余弦相似度算法与步骤一的故障案例库的案例依次进行匹配计算,得出每个案例的匹配度值;
步骤六:根据步骤二实时获取的特征数据,计算故障发生时特征数据的中位数,得到一组数列作为母序列;
步骤七:查询故障案例库中带有相关特征数据的案例,将它们的特征数据组合成二维数组,得到多组子序列,结合特征数据的权重和母序列,利用灰色关联度算法计算案例匹配度值;
步骤八: 结合步骤五的余弦相似度算法和步骤七的灰色关联度算法计算得到的匹配度值,利用加权平均的方式,按照一定权重融合得到最终的匹配结果;
步骤九:基于步骤八的最终的匹配结果,结合其它组件共同确认故障原因,生成故障诊断初步信息,同步更新故障案例库。
2.根据权利要求1所述基于故障匹配算法的水电设备故障诊断方法,其特征在于:所述步骤三中,针对下导摆度大的故障征兆,可信度计算公式为:
cf=min(1.0,1.2*LowerGuideThrow/LowerGuideThrowDanger)
其中,LowerGuideThrow为设下导摆度的通频幅值,LowerGuideThrowDanger为通道危险值;
针对振动频谱中转频大的故障征兆,可信度计算公式为:
cf=fyp1*fyp1/(fyp1*fyp1+fyp1bj*fyp1bj)
其中,fyp1为振动摆度通道的转频振幅,fyp1bj为转频预警值。
3.根据权利要求1所述基于故障匹配算法的水电设备故障诊断方法,其特征在于:所述步骤四中,故障模式包括拉断销断裂、水电机组轴系运行故障和风机故障。
4.根据权利要求1所述基于故障匹配算法的水电设备故障诊断方法,其特征在于:所述步骤五中,余弦相似度算法为:
;
其中,X为步骤三中计算出的故障征兆可信度值,Y为故障案例库中案例所绑定的故障征兆可信度值,i为故障征兆个数。
5.根据权利要求1所述基于故障匹配算法的水电设备故障诊断方法,其特征在于:所述步骤八中,灰色关联度算法为:
;
其中,X0为母序列,Xi为子序列,k为每个子序列中的特征数据,ρ为可调节系数,i为案例数,wi(k)为特征数据的权重。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311271118.3A CN117009828B (zh) | 2023-09-28 | 2023-09-28 | 基于故障匹配算法的水电设备故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311271118.3A CN117009828B (zh) | 2023-09-28 | 2023-09-28 | 基于故障匹配算法的水电设备故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117009828A true CN117009828A (zh) | 2023-11-07 |
CN117009828B CN117009828B (zh) | 2023-12-12 |
Family
ID=88562133
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311271118.3A Active CN117009828B (zh) | 2023-09-28 | 2023-09-28 | 基于故障匹配算法的水电设备故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117009828B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117373556A (zh) * | 2023-12-04 | 2024-01-09 | 山东清控生态环境产业发展有限公司 | 一种基于多维数据的溯源仪器及*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090276136A1 (en) * | 2008-04-30 | 2009-11-05 | Steven Wayne Butler | Method for calculating confidence on prediction in fault diagnosis systems |
CN109783500A (zh) * | 2019-01-21 | 2019-05-21 | 北京邮电大学 | 一种基于故障树和案例相似性的故障诊断方法 |
CN109919495A (zh) * | 2019-03-12 | 2019-06-21 | 中国计量大学 | 基于阈值计算的光伏电站监测数据异常与程度判断方法 |
CN111076962A (zh) * | 2020-01-03 | 2020-04-28 | 中国电建集团华东勘测设计研究院有限公司 | 一种面向智慧水电厂的机电设备故障诊断方法 |
CN113592012A (zh) * | 2021-08-06 | 2021-11-02 | 北京石油化工学院 | 一种维修辅助装备故障诊断方法及*** |
-
2023
- 2023-09-28 CN CN202311271118.3A patent/CN117009828B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090276136A1 (en) * | 2008-04-30 | 2009-11-05 | Steven Wayne Butler | Method for calculating confidence on prediction in fault diagnosis systems |
CN109783500A (zh) * | 2019-01-21 | 2019-05-21 | 北京邮电大学 | 一种基于故障树和案例相似性的故障诊断方法 |
CN109919495A (zh) * | 2019-03-12 | 2019-06-21 | 中国计量大学 | 基于阈值计算的光伏电站监测数据异常与程度判断方法 |
CN111076962A (zh) * | 2020-01-03 | 2020-04-28 | 中国电建集团华东勘测设计研究院有限公司 | 一种面向智慧水电厂的机电设备故障诊断方法 |
CN113592012A (zh) * | 2021-08-06 | 2021-11-02 | 北京石油化工学院 | 一种维修辅助装备故障诊断方法及*** |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117373556A (zh) * | 2023-12-04 | 2024-01-09 | 山东清控生态环境产业发展有限公司 | 一种基于多维数据的溯源仪器及*** |
CN117373556B (zh) * | 2023-12-04 | 2024-02-13 | 山东清控生态环境产业发展有限公司 | 一种基于多维数据的溯源仪器及*** |
Also Published As
Publication number | Publication date |
---|---|
CN117009828B (zh) | 2023-12-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111596604B (zh) | 一种基于数字孪生的工程装备故障智能诊断与自愈控制***及方法 | |
JP2021064370A (ja) | デジタル・ツイン・シミュレーション・データを利用した時系列データに基づく、大規模な産業用監視システム向けの半教師あり深層異常検出のための方法およびシステム | |
CN117009828B (zh) | 基于故障匹配算法的水电设备故障诊断方法 | |
CN106529719B (zh) | 基于粒子群优化算法风速融合的风电功率预测的方法 | |
CN104200396B (zh) | 一种风力发电机部件故障预警方法 | |
CN107609574A (zh) | 基于数据挖掘的风电机组故障预警方法 | |
Zhang et al. | Semisupervised momentum prototype network for gearbox fault diagnosis under limited labeled samples | |
CN111950505A (zh) | 一种ssa-aann的风力发电机传感器状态评估方法 | |
CN102589890A (zh) | 基于cpn网络和d-s证据的汽轮机集成故障诊断方法 | |
CN109636066A (zh) | 一种基于模糊时间序列挖掘的风电输出功率预测方法 | |
CN115859077A (zh) | 一种变工况下多特征融合的电机小样本故障诊断方法 | |
CN113408068A (zh) | 一种随机森林分类的机泵故障诊断方法及装置 | |
CN116502072B (zh) | 复杂变工况下风力发电机组关键部件鲁棒故障诊断方法 | |
Zhou et al. | Structural health monitoring of offshore wind power structures based on genetic algorithm optimization and uncertain analytic hierarchy process | |
CN111060779A (zh) | 一种基于概率神经网络的电网分区故障诊断方法及*** | |
CN110007660B (zh) | 一种火电厂汽轮机组瞬态等效热应力在线软测量方法 | |
CN116311594A (zh) | 一种船舶子***状态分析方法、装置及存储介质 | |
CN115758083A (zh) | 一种基于时域和时频域融合的电机轴承故障诊断方法 | |
CN117232809A (zh) | 基于dematel-anp-critic组合赋权的风机主轴故障预诊断方法 | |
CN115791174B (zh) | 一种滚动轴承异常诊断方法、***、电子设备及存储介质 | |
US11339763B2 (en) | Method for windmill farm monitoring | |
CN115730255A (zh) | 基于迁移学习和多源信息融合的电机故障诊断分析方法 | |
CN115560962A (zh) | 一种基于多层级时空图神经网络的风机异常状态检测方法 | |
CN103020006B (zh) | 一种基于海量数据挖掘的设备状态预测方法 | |
Gelman et al. | Novel anomaly detection technique based on the nearest neighbour and sequential methods |
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 |