CN117113282B - 一种多元数据融合的设备健康预测诊断方法 - Google Patents
一种多元数据融合的设备健康预测诊断方法 Download PDFInfo
- Publication number
- CN117113282B CN117113282B CN202311378487.2A CN202311378487A CN117113282B CN 117113282 B CN117113282 B CN 117113282B CN 202311378487 A CN202311378487 A CN 202311378487A CN 117113282 B CN117113282 B CN 117113282B
- Authority
- CN
- China
- Prior art keywords
- data
- power equipment
- information
- classification
- equipment
- 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 29
- 238000003745 diagnosis Methods 0.000 title claims abstract description 19
- 230000036541 health Effects 0.000 title claims abstract description 18
- 230000004927 fusion Effects 0.000 title claims abstract description 11
- 238000004458 analytical method Methods 0.000 claims abstract description 20
- 238000001514 detection method Methods 0.000 claims abstract description 14
- 238000004891 communication Methods 0.000 claims abstract description 13
- 238000007405 data analysis Methods 0.000 claims description 16
- 230000010354 integration Effects 0.000 claims description 13
- 230000032683 aging Effects 0.000 claims description 12
- 230000008859 change Effects 0.000 claims description 6
- 238000013075 data extraction Methods 0.000 claims description 5
- 230000007613 environmental effect Effects 0.000 claims description 4
- 238000004519 manufacturing process Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 5
- 238000012423 maintenance Methods 0.000 abstract description 4
- 230000001360 synchronised effect Effects 0.000 abstract description 3
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- DMBHHRLKUKUOEG-UHFFFAOYSA-N diphenylamine Chemical compound C=1C=CC=CC=1NC1=CC=CC=C1 DMBHHRLKUKUOEG-UHFFFAOYSA-N 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
-
- 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
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)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及电力设备健康监测技术领域,尤其为一种多元数据融合的设备健康预测诊断方法,其中,诊断装置包括采集端,利用采集端对多个电力设备进行多元数据采集,并利用通讯模块将数据信息传输到数据整理***,利用数据整理***将采集端采集的多个电力设备的多元数据进行整理归纳,利用学习***接收来自数据整理***整合的数据信息进行整合分类,得到标准数据后同步给标准数据库,再利用运行状态分析***介个标准数据库的信息进行分析,可同时对多个不同海拔、不同经纬度、不同环境下的电力设备进行同步监控,判断电力设备的健康情况,无需人工检测,可同步监管大范围的电力设备,降低了电力设备的维护成本。
Description
技术领域
本发明涉及电力设备健康监测技术领域,具体为一种多元数据融合的设备健康预测诊断方法。
背景技术
电力设备是由发电、输电、变电、配电和用电等环节组成,配合电缆的使用组成供电电网,覆盖规模广,跨越多地域,使得对电力设备的监管维护变得较为繁琐;
常规对电力设备的监测、维护需要人工进行,效率低,市面上也存在一些电力设备运行监管***,在使用时,通常只能够对电力设备内部元器件的状态信息大致监测,并不能为使用者及时的掌握工作元件环境状态信息,从而不便于使用者估测电力设备损坏的原因,并且通常一个电力设备监管***,无法根据不同的环境、经纬度及海拔情况对电力设备运行状态做出准确判断,因此,针对上述问题提出一种多元数据融合的设备健康预测诊断方法。
发明内容
本发明的目的在于提供一种多元数据融合的设备健康预测诊断方法,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:
一种多元数据融合的设备健康预测诊断方法,包括以下步骤:
步骤一:数据采集:利用采集端对多个电力设备进行多元数据采集,并利用通讯模块将数据信息传输到数据整理***;
步骤二:数据整理:利用数据整理***将采集端采集的多个电力设备的多元数据进行整理归纳,其中,多元数据包括环境数据、空间数据和状态数据;
步骤三:学习生成标准数据:利用学习***接收来自数据整理***整合的数据信息进行整合分类,以空间数据为一级分类,以环境数据为二级分类,对每个电力设备进行标记分类,并进行整合统计,将每个电力设备划分到对应的分类区间内,将相同分类区间内电力设备状态数据进行提取,计算均值,生成标准数据,并将标准数据同步到标准数据库;
步骤四:将数据整理***整合的多元数据同步到运行状态分析***,运行状态分析***包括数据标记、数据对比、数据统计、数据分析和生成表报;
数据标记用于对每个电力设备单次采集的多元数据进行第一次标记,后根据空间数据、环境数据的区间进行一级分类标记和二级分类标记,得到带序号且具备分类标记的电力设备子信息;
数据对比接收到每个电力设备子信息后,将其与标准数据库中相同分类标记的标准数据信息进行比对,并记录该电力设备子信息中状态数据与标准数据信息中状态数据的差值为X;
数据统计将数据对比得到的每个电力设备子信息与标准数据信息中状态数据的差值X合并到对应电力设备子信息中,并将针对一个电力设备的多次连续性的电力设备子信息进行合并,形成针对每个电力设备的检测统计列表;
数据分析对每个电力设备的检测统计列表进行分析,根据电力设备子信息中状态数据与标准数据信息中状态数据的差值X的变化曲线判定电力设备的老化程度Y,并将同一电力设备的老化程度Y以时间为变量预测电力设备的寿命曲线,将每个电力设备的寿命曲线汇总,生成报表。
作为一种优选方案,环境数据包括电力设备所处环境的温度、湿度,空间数据包括电力设备所处位置的经纬度、海拔,状态数据包括电力设备运行时的振动、噪声、电流、电压、功率因素。
作为一种优选方案,步骤三中,一级分类标记以海拔高度划分,具体标记为Ⅰ1、Ⅱ2、·····,其中,每个相邻分类之间的差值为n;二级分类标记以温度、湿度的区间划分,具体标记为Aa、······,其中,“A”为温度标识0-5℃,6-10℃为“B”,以此类推,“a”为湿度标识0-10%,11-20%湿度标识为“b”,以此类推。
作为一种优选方案,步骤三中,相同分类区间的电力设备为海拔区间相同及温度、湿度区间相同的多个电力设备,相同分类区间内多个电力设备的状态数据的均值计算具体操作为:提取数值相近的多个电力设备的状态数据,其中,被提取状态数据的电力设备的数量超过该分类区间内全部电力设备的80%,对提取的状态数据进行求均值处理,得到该分类区间中电力设备的标准状态数据,将标准状态数据添加到对应分类区间标记中,共同组成对应该分类区间的标准数据。
作为一种优选方案,步骤三中,标准数据库包括设备参数信息及由学习***提供的各分类区间的标准数据信息,设备参数信息为电力设备出厂提供的参数信息,设备参数信息为电力设备是否报废的参数参照标准,当电力设备的状态数据超出设备参数信息内各项参数区间时,电力设备处于失效状态,数据分析将记录该信息,生成报表,并提示管理员。
作为一种优选方案,步骤四中,数据标记具体为针对电力设备的序号标记,标记以***数字序号进行,具体操作为:针对第一台电力设备的第一次采集的多元数据标记为“1-1”,第二台电力设备的第一次采集的多元数据标记为“2-1”,第一台电力设备的第二次采集的多元数据标记为“1-2”,以此类推,步骤四中的一级分类标记和二级分类标记与学习***中的一级分类及二级分类标记相同,具体的,“1-1·Ⅰ1·Aa”表示:第一台电力设备在海拔0-n、温度区间0-5℃、湿度区间0-10%第一次采集的多元数据。
一种诊断装置,包括设置在电力设备上的采集端,采集端包括用于采集电力设备中环境数据、空间数据和状态数据的各个传感器及元件,采集端还包括MCU和与数据整理***建立通讯连接的无线通讯模块。
由上述本发明提供的技术方案可以看出,本发明提供的一种多元数据融合的设备健康预测诊断方法,有益效果是:通过设置采集端对多个电力设备进行数据采集,并将采集的数据同步到数据整理***,数据整理***将每次对单个电力设备采集的数据划分成环境数据、空间数据和状态数据,分别将处理的数据同步给运行状态分析***和学习***,其中,学习***以环境数据、空间数据为定量,将多个电力设备按照环境数据、空间数据的不同划分多个区间,每个区间内的电力设备在相似环境数据、空间数据的前提下拥有相似的状态数据,学习***进行数据提取、整合统计后,生成标准数据,同步到标准数据库,为运行状态分析***提供标准数据,运行状态分析***接收到来自数据整理***的数据信息后,参照标准数据库的标准数据信息和设备参数信息,对电力设备每次采集的多元数据进行标记、对比、统计、分析,利用多个多元数据分析电力设备的运行情况,预测使用寿命;
该方法,可同时对多个不同海拔、不同经纬度、不同环境下的电力设备进行同步监控,判断电力设备的健康情况,无需人工检测,可同步监管大范围的电力设备,降低了电力设备的维护成本。
附图说明
图1为本发明一种多元数据融合的设备健康预测诊断方法整体结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
为了更好地理解上述技术方案,下面将结合说明书附图以及具体实施方式对上述技术方案进行详细的说明。
本发明实施例提供一种多元数据融合的设备健康预测诊断方法,包括以下步骤:
步骤一:数据采集:利用采集端对多个电力设备进行多元数据采集,并利用通讯模块将数据信息传输到数据整理***;
步骤二:数据整理:利用数据整理***将采集端采集的多个电力设备的多元数据进行整理归纳,其中,多元数据包括环境数据、空间数据和状态数据;
步骤三:学习生成标准数据:利用学习***接收来自数据整理***整合的数据信息进行整合分类,以空间数据为一级分类,以环境数据为二级分类,对每个电力设备进行标记分类,并进行整合统计,将每个电力设备划分到对应的分类区间内,将相同分类区间内电力设备状态数据进行提取,计算均值,生成标准数据,并将标准数据同步到标准数据库;
步骤四:将数据整理***整合的多元数据同步到运行状态分析***,运行状态分析***包括数据标记、数据对比、数据统计、数据分析和生成表报;
数据标记用于对每个电力设备单次采集的多元数据进行第一次标记,后根据空间数据、环境数据的区间进行一级分类标记和二级分类标记,得到带序号且具备分类标记的电力设备子信息;
数据对比接收到每个电力设备子信息后,将其与标准数据库中相同分类标记的标准数据信息进行比对,并记录该电力设备子信息中状态数据与标准数据信息中状态数据的差值为X;
数据统计将数据对比得到的每个电力设备子信息与标准数据信息中状态数据的差值X合并到对应电力设备子信息中,并将针对一个电力设备的多次连续性的电力设备子信息进行合并,形成针对每个电力设备的检测统计列表;
数据分析对每个电力设备的检测统计列表进行分析,根据电力设备子信息中状态数据与标准数据信息中状态数据的差值X的变化曲线判定电力设备的老化程度Y,并将同一电力设备的老化程度Y以时间为变量预测电力设备的寿命曲线,将每个电力设备的寿命曲线汇总,生成报表。
下面将结合附图对本发明实施例作进一步地详细描述:
请参阅图1,包括诊断装置、基于诊断装置的诊断***以及基于诊断***的设备健康预测诊断方法;
其中,诊断装置包括设置在电力设备上的采集端,采集端包括用于采集电力设备中环境数据、空间数据和状态数据的各个传感器及元件,采集端还包括MCU和与数据整理***建立通讯连接的无线通讯模块,用于采集电力设备的各项数据并上传至数据整理***,采集端根据特定时间周期对所处电力设备的各项数据进行采集;
诊断***包括采集端、数据整理***、学习***、标准数据库和运行状态分析***,其中:
数据整理***用于将采集端采集的多个电力设备的多元数据进行整理归纳整理,制作成针对单个电力设备单次多元数据包,并通过网关同步给学习***和运行状态分析***;
学习***包括整合分类、数据提取、整合统计及生产标准数据,整合分类接收来自数据整理***整合的数据信息进行整合分类,以空间数据为一级分类,以环境数据为二级分类,对每个电力设备进行标记分类,并进行整合统计,将每个电力设备划分到对应的分类区间内;数据提取:将相同分类区间内电力设备状态数据进行提取,计算均值;整合统计:将同一分类区间内计算所得的状态数据均值与对应分类区间结合,将全部分类区间及对应的状态数据均值进行汇总; 最终生产标准数据,并将标准数据同步到标准数据库;
标准数据库与运行状态分析***建立通讯连接,用于储存由学习***提供的全部分类区间及对应的标准数据,同时储存设备参数信息,设备参数信息为电力设备出厂提供的参数信息,设备参数信息为电力设备是否报废的参数参照标准,当电力设备的状态数据超出设备参数信息内各项参数区间时,电力设备处于失效状态,数据分析将记录该信息,生成报表,并提示管理员;
运行状态分析***,包括数据标记、数据对比、数据统计、数据分析和生成表报,数据标记用于对每个电力设备单次采集的多元数据进行第一次标记,后根据空间数据、环境数据的区间进行一级分类标记和二级分类标记,得到带序号且具备分类标记的电力设备子信息;数据对比接收到每个电力设备子信息后,将其与标准数据库中相同分类标记的标准数据信息进行比对,并记录该电力设备子信息中状态数据与标准数据信息中状态数据的差值为X;数据统计将数据对比得到的每个电力设备子信息与标准数据信息中状态数据的差值X合并到对应电力设备子信息中,并将针对一个电力设备的多次连续性的电力设备子信息进行合并,形成针对每个电力设备的检测统计列表;数据分析对每个电力设备的检测统计列表进行分析,根据电力设备子信息中状态数据与标准数据信息中状态数据的差值X的变化曲线判定电力设备的老化程度Y,并将同一电力设备的老化程度Y以时间为变量预测电力设备的寿命曲线,将每个电力设备的寿命曲线汇总,生成报表。
设备健康预测诊断方法包括以下步骤:
步骤一:数据采集:利用采集端对多个电力设备进行多元数据采集,并利用通讯模块将数据信息传输到数据整理***;
步骤二:数据整理:利用数据整理***将采集端采集的多个电力设备的多元数据进行整理归纳,其中,多元数据包括环境数据、空间数据和状态数据;
步骤三:学习生成标准数据:利用学习***接收来自数据整理***整合的数据信息进行整合分类,以空间数据为一级分类,以环境数据为二级分类,对每个电力设备进行标记分类,并进行整合统计,将每个电力设备划分到对应的分类区间内,将相同分类区间内电力设备状态数据进行提取,计算均值,生成标准数据,并将标准数据同步到标准数据库;其中,一级分类标记以海拔高度划分,具体标记为Ⅰ1、Ⅱ2、·····,其中,每个相邻分类之间的差值为n;二级分类标记以温度、湿度的区间划分,具体标记为Aa、······,其中,“A”为温度标识0-5℃,6-10℃为“B”,以此类推,“a”为湿度标识0-10%,11-20%湿度标识为“b”,以此类推;
其中,相同分类区间的电力设备为海拔区间相同及温度、湿度区间相同的多个电力设备,相同分类区间内多个电力设备的状态数据的均值计算具体操作为:提取数值相近的多个电力设备的状态数据,其中,被提取状态数据的电力设备的数量超过该分类区间内全部电力设备的80%,对提取的状态数据进行求均值处理,得到该分类区间中电力设备的标准状态数据,将标准状态数据添加到对应分类区间标记中,共同组成对应该分类区间的标准数据;
步骤四:将数据整理***整合的多元数据同步到运行状态分析***,运行状态分析***包括数据标记、数据对比、数据统计、数据分析和生成表报,其中,数据标记具体为针对电力设备的序号标记,标记以***数字序号进行,具体操作为:针对第一台电力设备的第一次采集的多元数据标记为“1-1”,第二台电力设备的第一次采集的多元数据标记为“2-1”,第一台电力设备的第二次采集的多元数据标记为“1-2”,以此类推,步骤四中的一级分类标记和二级分类标记与学习***中的一级分类及二级分类标记相同,具体的,“1-1·Ⅰ1·Aa”表示:第一台电力设备在海拔0-n、温度区间0-5℃、湿度区间0-10%第一次采集的多元数据;
数据标记用于对每个电力设备单次采集的多元数据进行第一次标记,后根据空间数据、环境数据的区间进行一级分类标记和二级分类标记,得到带序号且具备分类标记的电力设备子信息;
数据对比接收到每个电力设备子信息后,将其与标准数据库中相同分类标记的标准数据信息进行比对,并记录该电力设备子信息中状态数据与标准数据信息中状态数据的差值为X;
数据统计将数据对比得到的每个电力设备子信息与标准数据信息中状态数据的差值X合并到对应电力设备子信息中,并将针对一个电力设备的多次连续性的电力设备子信息进行合并,形成针对每个电力设备的检测统计列表;
数据分析对每个电力设备的检测统计列表进行分析,根据电力设备子信息中状态数据与标准数据信息中状态数据的差值X的变化曲线判定电力设备的老化程度Y,并将同一电力设备的老化程度Y以时间为变量预测电力设备的寿命曲线,将每个电力设备的寿命曲线汇总,生成报表;
其中,X为电力设备子信息中状态数据与标准数据信息中状态数据的差值,具体为在同一分类区间中电力设备在运行过程中的振动、噪声、电流、电压、功率因素与同一分类区间中标准数据中状态数据的比对,设备老化越严重,振动、噪声越高,电流、电压、功率因素越低。
本实施例中,环境数据包括电力设备所处环境的温度、湿度,由采集端中的温湿度传感器采集,空间数据包括电力设备所处位置的经纬度、海拔,由采集端中的北斗定位和海拔传感器采集,状态数据包括电力设备运行时的振动、噪声、电流、电压、功率因素,其中,振动、噪声由耐高温振动传感器及噪音传感器采集,电流、电压、功率因素由电力设备电能输出线路上设置的电压电流传感器提供。
本实施例中,学习***的学习时间为电力设备设置的第一年,采集端对电力设备的采集周期为:每15天采集一轮,每轮采集两次,分别为采集单天的2点和14点。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (1)
1.一种多元数据融合的设备健康预测诊断方法,其特征在于:包括以下步骤:
第一步、建立诊断***;
其中,诊断***包括采集端、数据整理***、学习***、标准数据库和运行状态分析***,其中:
采集端包括用于采集电力设备中环境数据、空间数据和状态数据的各个传感器及元件,所述采集端还包括MCU和与数据整理***建立通讯连接的无线通讯模块;
数据整理***用于将采集端采集的多个电力设备的多元数据进行整理归纳整理,制作成针对单个电力设备单次多元数据包,并通过网关同步给学习***和运行状态分析***;
学习***包括整合分类、数据提取、整合统计及生产标准数据,整合分类接收来自数据整理***整合的数据信息进行整合分类,以空间数据为一级分类,以环境数据为二级分类,对每个电力设备进行标记分类,并进行整合统计,将每个电力设备划分到对应的分类区间内;数据提取:将相同分类区间内电力设备状态数据进行提取,计算均值;整合统计:将同一分类区间内计算所得的状态数据均值与对应分类区间结合,将全部分类区间及对应的状态数据均值进行汇总; 最终生产标准数据,并将标准数据同步到标准数据库;
标准数据库与运行状态分析***建立通讯连接,用于储存由学习***提供的全部分类区间及对应的标准数据,同时储存设备参数信息,设备参数信息为电力设备出厂提供的参数信息,设备参数信息为电力设备是否报废的参数参照标准,当电力设备的状态数据超出设备参数信息内各项参数区间时,电力设备处于失效状态,数据分析将记录该信息,生成报表,并提示管理员;
运行状态分析***,包括数据标记、数据对比、数据统计、数据分析和生成表报,数据标记用于对每个电力设备单次采集的多元数据进行第一次标记,后根据空间数据、环境数据的区间进行一级分类标记和二级分类标记,得到带序号且具备分类标记的电力设备子信息;数据对比接收到每个电力设备子信息后,将其与标准数据库中相同分类标记的标准数据信息进行比对,并记录该电力设备子信息中状态数据与标准数据信息中状态数据的差值为X;数据统计将数据对比得到的每个电力设备子信息与标准数据信息中状态数据的差值X合并到对应电力设备子信息中,并将针对一个电力设备的多次连续性的电力设备子信息进行合并,形成针对每个电力设备的检测统计列表;数据分析对每个电力设备的检测统计列表进行分析,根据电力设备子信息中状态数据与标准数据信息中状态数据的差值X的变化曲线判定电力设备的老化程度Y,并将同一电力设备的老化程度Y以时间为变量预测电力设备的寿命曲线,将每个电力设备的寿命曲线汇总,生成报表;
第二步、基于诊断***进行设备的健康诊断,具体步骤为:
步骤一:数据采集:利用采集端对多个电力设备进行多元数据采集,并利用通讯模块将数据信息传输到数据整理***;
步骤二:数据整理:利用数据整理***将采集端采集的多个电力设备的多元数据进行整理归纳,其中,多元数据包括环境数据、空间数据和状态数据,环境数据包括电力设备所处环境的温度、湿度,所述空间数据包括电力设备所处位置的经纬度、海拔,所述状态数据包括电力设备运行时的振动、噪声、电流、电压、功率因素;
步骤三:学习生成标准数据:利用学习***接收来自数据整理***整合的数据信息进行整合分类,以空间数据为一级分类,以环境数据为二级分类,对每个电力设备进行标记分类,并进行整合统计,将每个电力设备划分到对应的分类区间内,将相同分类区间内电力设备状态数据进行提取,计算均值,生成标准数据,并将标准数据同步到标准数据库;其中,一级分类标记以海拔高度划分,具体标记为Ⅰ1、Ⅱ2、·····,其中,每个相邻分类之间的差值为n;二级分类标记以温度、湿度的区间划分,具体标记为Aa、······,其中,“A”为温度标识0-5℃,6-10℃为“B”,以此类推,“a”为湿度标识0-10%,11-20%湿度标识为“b”,以此类推;相同分类区间的电力设备为海拔区间相同及温度、湿度区间相同的多个电力设备,相同分类区间内多个电力设备的状态数据的均值计算具体操作为:提取数值相近的多个电力设备的状态数据,其中,被提取状态数据的电力设备的数量超过该分类区间内全部电力设备的80%,对提取的状态数据进行求均值处理,得到该分类区间中电力设备的标准状态数据,将标准状态数据添加到对应分类区间标记中,共同组成对应该分类区间的标准数据;标准数据库包括设备参数信息及由学习***提供的各分类区间的标准数据信息,设备参数信息为电力设备出厂提供的参数信息,设备参数信息为电力设备是否报废的参数参照标准,当电力设备的状态数据超出设备参数信息内各项参数区间时,电力设备处于失效状态,数据分析将记录该信息,生成报表,并提示管理员;
步骤四:将数据整理***整合的多元数据同步到运行状态分析***,运行状态分析***包括数据标记、数据对比、数据统计、数据分析和生成表报;
数据标记用于对每个电力设备单次采集的多元数据进行第一次标记,后根据空间数据、环境数据的区间进行一级分类标记和二级分类标记,得到带序号且具备分类标记的电力设备子信息;
数据对比接收到每个电力设备子信息后,将其与标准数据库中相同分类标记的标准数据信息进行比对,并记录该电力设备子信息中状态数据与标准数据信息中状态数据的差值为X;
数据统计将数据对比得到的每个电力设备子信息与标准数据信息中状态数据的差值X合并到对应电力设备子信息中,并将针对一个电力设备的多次连续性的电力设备子信息进行合并,形成针对每个电力设备的检测统计列表;
数据分析对每个电力设备的检测统计列表进行分析,根据电力设备子信息中状态数据与标准数据信息中状态数据的差值X的变化曲线判定电力设备的老化程度Y,并将同一电力设备的老化程度Y以时间为变量预测电力设备的寿命曲线,将每个电力设备的寿命曲线汇总,生成报表;
数据标记具体为针对电力设备的序号标记,标记以***数字序号进行,具体操作为:针对第一台电力设备的第一次采集的多元数据标记为“1-1”,第二台电力设备的第一次采集的多元数据标记为“2-1”,第一台电力设备的第二次采集的多元数据标记为“1-2”,以此类推,步骤四中的一级分类标记和二级分类标记与学习***中的一级分类及二级分类标记相同,具体的,“1-1·Ⅰ1·Aa”表示:第一台电力设备在海拔0-n、温度区间0-5℃、湿度区间0-10%第一次采集的多元数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311378487.2A CN117113282B (zh) | 2023-10-24 | 2023-10-24 | 一种多元数据融合的设备健康预测诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311378487.2A CN117113282B (zh) | 2023-10-24 | 2023-10-24 | 一种多元数据融合的设备健康预测诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117113282A CN117113282A (zh) | 2023-11-24 |
CN117113282B true CN117113282B (zh) | 2024-02-02 |
Family
ID=88795157
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311378487.2A Active CN117113282B (zh) | 2023-10-24 | 2023-10-24 | 一种多元数据融合的设备健康预测诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117113282B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113063611A (zh) * | 2021-03-15 | 2021-07-02 | 深圳市创捷科技有限公司 | 一种设备的监控管理方法及其*** |
CN113554526A (zh) * | 2020-11-30 | 2021-10-26 | 国网北京市电力公司 | 电力设备的故障预警方法、装置、存储介质及处理器 |
CN113779496A (zh) * | 2021-09-24 | 2021-12-10 | 广州健新科技有限责任公司 | 一种基于设备全景数据的电力设备状态评估方法及*** |
CN114243904A (zh) * | 2021-11-24 | 2022-03-25 | 国网山东省电力公司日照供电公司 | 一种10kV配网运行分析和设备健康状况评估***及方法 |
CN114254879A (zh) * | 2021-11-30 | 2022-03-29 | 南方电网数字电网研究院有限公司 | 多传感器信息融合的电力设备安全诊断方法和装置 |
CN114580666A (zh) * | 2020-11-30 | 2022-06-03 | 西安市双合软件技术有限公司 | 一种多模式融合电动机智能维护*** |
CN114781667A (zh) * | 2022-04-13 | 2022-07-22 | 北京赛博云睿智能科技有限公司 | 一种多设备全生命周期phm健康管理与预测维护平台 |
CN115995886A (zh) * | 2023-03-03 | 2023-04-21 | 西安航空学院 | 一种电力设备的电力监控*** |
CN116108402A (zh) * | 2023-02-23 | 2023-05-12 | 国网浙江省电力有限公司杭州供电公司 | 基于电力多源异构数据融合分析的方法、设备及存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008036921A2 (en) * | 2006-09-21 | 2008-03-27 | Impact Technologies, Llc | Systems and methods for predicting failure of electronic systems and assessing level of degradation and remaining useful life |
US20180284735A1 (en) * | 2016-05-09 | 2018-10-04 | StrongForce IoT Portfolio 2016, LLC | Methods and systems for industrial internet of things data collection in a network sensitive upstream oil and gas environment |
-
2023
- 2023-10-24 CN CN202311378487.2A patent/CN117113282B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113554526A (zh) * | 2020-11-30 | 2021-10-26 | 国网北京市电力公司 | 电力设备的故障预警方法、装置、存储介质及处理器 |
CN114580666A (zh) * | 2020-11-30 | 2022-06-03 | 西安市双合软件技术有限公司 | 一种多模式融合电动机智能维护*** |
CN113063611A (zh) * | 2021-03-15 | 2021-07-02 | 深圳市创捷科技有限公司 | 一种设备的监控管理方法及其*** |
CN113779496A (zh) * | 2021-09-24 | 2021-12-10 | 广州健新科技有限责任公司 | 一种基于设备全景数据的电力设备状态评估方法及*** |
CN114243904A (zh) * | 2021-11-24 | 2022-03-25 | 国网山东省电力公司日照供电公司 | 一种10kV配网运行分析和设备健康状况评估***及方法 |
CN114254879A (zh) * | 2021-11-30 | 2022-03-29 | 南方电网数字电网研究院有限公司 | 多传感器信息融合的电力设备安全诊断方法和装置 |
CN114781667A (zh) * | 2022-04-13 | 2022-07-22 | 北京赛博云睿智能科技有限公司 | 一种多设备全生命周期phm健康管理与预测维护平台 |
CN116108402A (zh) * | 2023-02-23 | 2023-05-12 | 国网浙江省电力有限公司杭州供电公司 | 基于电力多源异构数据融合分析的方法、设备及存储介质 |
CN115995886A (zh) * | 2023-03-03 | 2023-04-21 | 西安航空学院 | 一种电力设备的电力监控*** |
Non-Patent Citations (3)
Title |
---|
Construction of Knowledge Graph of Glectrical Gquipment based on Sentence - BERT;Jian Dang et al;《2021 International Conference on Advanced Electrical Equipment and Reliable Operation》;第1-5页 * |
基于实时Web技术的车间监测***设计与实现;高志辉 等;《计算机应用》;第43卷(第S1期);第201-206页 * |
基于熵增强ISVD的旋转机械故障诊断方法研究;李富国;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》(第1期);第1-80页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117113282A (zh) | 2023-11-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109146093B (zh) | 一种基于学习的电力设备现场勘查方法 | |
CN116148679B (zh) | 一种电池健康状态的预测方法及相关装置 | |
CN103596208A (zh) | 一种网元故障判断方法及*** | |
CN112084684B (zh) | 一种基于物联网的桥梁健康可视化监测*** | |
CN106358212A (zh) | 室内分布***的检测方法和装置 | |
CN109640335B (zh) | 基于卷积神经网络的无线传感器故障诊断方法 | |
CN110837532A (zh) | 一种基于大数据平台对充电桩窃电行为的检测方法 | |
CN112928822A (zh) | 一种智慧电力物联网***的物联网智能网关 | |
CN113962308A (zh) | 一种航空设备故障预测方法 | |
CN115544140A (zh) | 一种基于人工智能的光伏电站性能检测***及方法 | |
CN112365186A (zh) | 一种电力信息***健康度评估方法及其评估*** | |
CN116340437A (zh) | 一种面向大规模多源异构数据的多聚类方法 | |
CN114186617B (zh) | 一种基于分布式深度学习的机械故障诊断方法 | |
CN113379005B (zh) | 一种电网电力设备能源智能管理***及方法 | |
CN111555776A (zh) | 一种输电线路融合感知及联合诊断方法、***及装置 | |
CN110994785A (zh) | 一种变电站用远程电力监控*** | |
CN117113282B (zh) | 一种多元数据融合的设备健康预测诊断方法 | |
CN114021754A (zh) | 一种调度配网抢修*** | |
CN117614487A (zh) | 一种基于北斗***的输电线路通信方法及*** | |
CN116756505B (zh) | 一种基于大数据的光伏设备智能管理***及方法 | |
CN116014902B (zh) | 一种光伏并网逆变器用全自动化老化监测*** | |
CN112947364A (zh) | 一种基于大数据预警配电站设备故障的***及方法 | |
CN217643408U (zh) | 一种机场多***设备设施统一运维*** | |
CN109164510A (zh) | 一种基于NB-IoT传输模式的气象数据采集***及其工作方法 | |
CN115905348A (zh) | 一种多源异构数据的行业用电异常预警方法及*** |
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 |