CN117369392B - 一种基于多参数逻辑关系的设备故障智能预警方法 - Google Patents
一种基于多参数逻辑关系的设备故障智能预警方法 Download PDFInfo
- Publication number
- CN117369392B CN117369392B CN202311535015.3A CN202311535015A CN117369392B CN 117369392 B CN117369392 B CN 117369392B CN 202311535015 A CN202311535015 A CN 202311535015A CN 117369392 B CN117369392 B CN 117369392B
- Authority
- CN
- China
- Prior art keywords
- fault
- equipment
- joint
- prediction
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 18
- 238000003745 diagnosis Methods 0.000 claims description 42
- 238000012423 maintenance Methods 0.000 claims description 31
- 238000005259 measurement Methods 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 19
- 238000007405 data analysis Methods 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000011269 treatment regimen Methods 0.000 claims description 4
- 230000001133 acceleration Effects 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 claims description 2
- 230000003068 static effect Effects 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 description 7
- 238000011282 treatment Methods 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/4184—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by fault tolerance, reliability of production system
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/31—From computer integrated manufacturing till monitoring
- G05B2219/31088—Network communication between supervisor and cell, machine group
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种基于多参数逻辑关系的设备故障智能预警方法,涉及设备故障预警技术领域,本发明通过故障特征采集模块,对监测工业设备的仪器仪表上的监测数据进行采集,由设备故障预测模型基于仪器仪表监测数据的特征来预测设备故障,避免出现仪器仪表监测值与实际明显不符怀疑设备故障时才停工解决设备故障的后置情况,数据分析模块针对于石化工厂过去至少出现过P4次的所有故障类型进行分析得到其对应的维修响应特征,将其和设备故障预测模型中评定的故障预测类型的优先级进行联合,使最终针对预测故障设备的联合优先级具有本石化工厂的特性,相对于本石化工厂来说,其提高了预测故障设备的处理效率。
Description
技术领域
本发明涉及设备故障预警技术领域,具体涉及一种基于多参数逻辑关系的设备故障智能预警方法。
背景技术
DCS控制***是分布式控制***(Distributed Control System)的缩写,它是一种集中和自动化管理工业过程的控制***。DCS控制***通常由许多远程基于计算机的控制单元组成,通过网络连接在一起,以监测和控制工业过程中的各个设备和部件;
DCS控制***使用现代计算机技术和通信技术,提供了实时监测、运行调度、数据处理和自动控制等功能,用于控制和管理工业过程中的设备、流程参数和操作指令,基于其功能,DCS控制***广泛应用于石化、电力、水处理、制药、钢铁等各个行业;
当前的一种针对于石化行业的设备故障智能预警方法基于DCS控制***来对工业设备进行故障预警,然而DCS控制***通过仪器仪表监测值与实际明显不符怀疑设备故障时,才停工解决设备故障的后置处置问题,这样将会影响管理人员处理预故障设备的时间,导致对于设备故障的预警无明显实质性作用;
且基于设备的故障预测现有中是采用预测模型来对其进行故障预测,然后针对于用于进行设备故障的预测模型,且为了保证常态化,其用以进行模型训练的训练数据是从多个石化工厂采取数据,因此其针对与设备故障并对故障进行优先级评定没有结合各个石化工厂的故障处理能力,导致对于预故障设备的处理效率达不到最优化;
为了解决上述问题,本发明提出了一种解决方案。
发明内容
本发明的目的在于提供一种基于多参数逻辑关系的设备故障智能预警方法,为了解决现有技术中DCS控制***通过仪器仪表监测值与实际明显不符怀疑设备故障时,才停工解决设备故障的后置处置问题,这样将会影响管理人员处理预故障设备的时间,导致对于设备故障的预警无明显实质性作用;基于设备的故障预测现有中是采用预测模型来对其进行故障预测,其针对于设备故障并对故障进行优先级评定没有结合各个石化工厂的故障处理能力,导致对于预故障设备的处理效率达不到最优化的问题。
本发明的目的可以通过以下技术方案实现:
一种基于多参数逻辑关系的设备故障智能预警方法,包括以下步骤:
步骤一:数据分析模块,对故障数据记录单元中存储的石化工厂过去所有出现过故障的工业设备故障记录数据进行分析,针对于石化工厂过去至少出现过P4次的所有故障类型,基于其每一个故障类型在过去每次故障时的维修处理时间和响应时间得到其对应的维修响应特征;
步骤二:设备特征采集模块对当前设备诊断周期中石化工厂内所有工业设备特征参数的测量数据进行采集生成当前设备诊断周期的特征测量数据,将其传输到模型预测单元;
步骤三:模型预测单元将接收到的当前设备诊断周期的特征测量数据输入到设备故障预测模型中得到当前设备诊断周期的预测结果数据,将其传输到联合预测单元,所述当前设备诊断周期的预测结果数据中包括预测故障类型;
步骤四:联合预测单元基于接收到的当前设备诊断周期的预测结果数据后检索其内包含的所有预测故障类型是否存在对应的维修响应特征,基于检索结果得到每个预测故障类型对应的联合优先级并依据其生成当前设备诊断周期的平衡预测结果数据,将其传输到画面组态模块;
步骤五:画面组态模块将工业将石化工厂内所有工业设备用模型的形式向石化工厂内的管理人员进行显示,基于石化工厂内所有工业设备的运行状态建立设备运行模型,模拟工业设备的运行状态,画面组态模块接收到联合预测单元传输的当前设备诊断周期的平衡预测结果数据后调整对应工业设备的模型状态为红色闪烁状态。
进一步的,所述数据分析模块针对于石化工厂过去至少出现过P4次的所有故障类型,基于每一个故障类型在过去每次故障时的维修处理时间和响应时间得到其对应的维修响应特征的具体分析步骤如下:
S21:针对于石化工厂过去至少出现过P4次的一个故障类型,利用公式计算获取该故障类型的维修响应特征C1,所述n指代的是该故障类型在过去出现过的总次数,所述A1、A2、..、Aa指代的是该故障类型在过去每次出现时对应的维修处理时间,所述B1、B2、...、Ba指代的是该故障类型在过去每次出现时对应的响应时间,即该石化工厂维修人员发现故障设备到出发前往故障设备的间隔时间,所述α1、α2分别为预设数值;
S22:按照S21分别计算获取石化工厂过去至少出现过P4次的所有故障类型的维修响应特征C1、C2、...、Cc,c≥1,所述P4为预设诊断分析次数阈值。
本发明的有益效果:
(1)本发明通过故障特征采集模块,对监测工业设备的仪器仪表上的监测数据进行采集,由设备故障预测模型基于仪器仪表监测数据的特征来预测设备故障,基于设备故障预测模型,避免出现仪器仪表监测值与实际明显不符怀疑设备故障时,才停工解决设备故障的后置处置情况,进而给予维修人员处理预故障设备的时间,提高了设备故障的预警功能;
(2)本发明通过数据分析模块对数据分析模块针对于石化工厂过去至少出现过P4次的所有故障类型,基于每一个故障类型在过去每次故障时的维修处理时间和响应时间得到其对应的维修响应特征,将其和设备故障预测模型中评定的故障预测类型的优先级进行联合,使最终对于预测设备的联合优先级包含了本石化工厂对于各个故障类型的响应速度和处理能力,使最终针对预测故障设备的联合优先级具有本石化工厂的特性,相对于本石化工厂来说,其提高了预测故障设备的处理效率。
附图说明
下面结合附图对本发明作进一步的说明。
图1是本发明的方法流程图;
图2是本发明的***框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
如图1所示,一种基于多参数逻辑关系的设备故障智能预警方法,上述方法是依据一种基于多参数逻辑关系的设备故障智能预警实现的,如图2,该***包括设备特征采集模块、预警联合模块、画面组态模块和数据分析模块;
所述设备特征采集模块,用于周期性采集石化工厂内工业设备特征参数的测量数据,所述工业设备特指固定安装有仪器仪表设备的工业设备;
一个所述工业设备的特征参数至少包含温度、压力、流量、湿度、速度、加速度、振动、电压、电流、功率、电阻、电容中的一种或者多种特征参数;一个所述工业设备特征参数的测量数据指代的是其上固定安装的仪器仪表设备对对应特征参数进行测量得到的测量数据,其内包含工业设备的设备编号,所述工业设备的设备编号为16位数字构成的字符串;
所述设备特征采集模块,对当前设备诊断周期中石化工厂内所有工业设备特征参数的测量数据进行采集并依据其生成当前设备诊断周期的特征测量数据,将其传输到预警联合模块,一个所述设备诊断周期的间隔时间为P1,所述P1为预设设备故障诊断间隔时长阈值;
所述画面组态模块,用于将石化工厂内所有工业设备用模型的形式向石化工厂内的管理人员进行显示,所述画面组态模块基于石化工厂内所有工业设备的运行状态建立设备运行模型,模拟工业设备的运行状态,这里需要说明的是没有出现故障的工业设备正常处于静态展示状态;
所述预警联合模块,用于对石化工厂内工业设备的故障进行预警,所述预警联合模块包括故障数据记录单元、模型预测单元和联合预测单元;
所述故障数据记录单元中存储有石化工厂过去所有出现过故障的工业设备的故障记录数据,所述故障记录数据包括故障类型和其对应的故障处置策略、引起故障的特征参数,故障发生前的P2时间内引起故障特征参数的测量数据和预测故障处理时长,所述P2为预设故障回溯时间阈值;
所述模型预测单元中存储有用以进行工业设备故障预测的设备故障预测模型,所述预警联合模块接收到设备特征采集模块传输的当前设备诊断周期的特征测量数据后将其输入到模型预测单元,由模型预测单元将其输入到设备故障预测模型中,得到当前设备诊断周期的预测结果数据;
所述当前设备诊断周期的预测结果数据中包括预测故障设备编号、预测故障类型和其对应的故障处置策略、引起故障的特征参数和故障优先级;
所述故障优先级是由数字进行表示,所述故障优先级的范围是从数字1~P3,所述P3为预设的优先级阈值,数字越小,故障优先级越高,故障优先级越高代表该设备的处理越优先;
所述模型预测单元将当前设备诊断周期的预测结果数据传输到联合预测单元;
所述联合预测单元接收到模型预测单元传输的当前设备诊断周期的预测结果数据后按照一定的平衡诊断规则生成当前诊断周期的平衡预测结果数据,具体如下:
S11:基于当前设备诊断周期预测结果数据中携带的一个预测故障类型在联合预测单元内存储的所有故障类型进行是否存在匹配;
S12:若存在,获取与之相匹配的故障类型对应的维修响应特征D1并利用公式F1=E1×β1+D1×β2计算获取该预测故障类型对应的联合优先级F1,所述E1为该预测故障类型对应的故障优先级,所述β1、β2为预设第一联合故障优先级调节因子;
S13:若不存在,则利用公式计算获取该预测故障类型对应的联合优先级F1,所述P6为预设常态故障常量,所述λ1为预设第二联合故障优先级调节因子;
S14:按照S11到S13计算获取当前设备诊断周期预测结果数据中携带的所有预测故障类型对应的联合优先级,并按照数值大小从小到大依次重新标记为G1、G2、...、Gg,g≥1;
所述联合预测单元依据当前设备诊断周期预测结果数据中携带的所有预测故障类型对应的联合优先级G1、G2、...、Gg和当前设备诊断周期预测结果数据生成当前设备诊断周期的预测告警数据将其传输到画面组态模块;
所述画面组态模块接收到联合预测单元传输的当前设备诊断周期的预测告警数据后基于其内携带的所有预测故障设备编号在生成的设备运行模型中找到其对应的工业设备,将其显示状态调整为红色闪烁状态,将预测故障设备的预测故障类型和对应的故障处置策略和引起故障的特征参数以红字标注在其旁边;
然后将当前设备诊断周期预测告警数据中携带的所有预测故障类型对应的联合优先级G1、G2、...、Gg按照顺序依次从到大的顺序排列显示给该石化工厂的管理人员进行查看并安排维修人员对预测故障设备进行查看和检修,所述联合优先级在数值上越小,代表其对应预测故障设备处理越优先;
所述数据分析模块,用于周期性对故障数据记录单元中存储的石化工厂过去所有出现过故障的工业设备故障记录数据进行分析,分析步骤如下:
S21:针对于石化工厂过去至少出现过P4次的一个故障类型,利用公式计算获取该故障类型的维修响应特征C1,所述n指代的是该故障类型在过去出现过的总次数,所述A1、A2、..、Aa指代的是该故障类型在过去每次出现时对应的维修处理时间,所述B1、B2、...、Ba指代的是该故障类型在过去每次出现时对应的响应时间,即该石化工厂维修人员发现故障设备到出发前往故障设备的间隔时间,所述α1、α2分别为预设数值;
S22:按照S21分别计算获取石化工厂过去至少出现过P4次的所有故障类型的维修响应特征C1、C2、...、Cc,c≥1,所述P4为预设诊断分析次数阈值;
所述数据分析模块将石化工厂过去至少出现过P4次的所有故障类型的维修响应特征C1、C2、...、Cc传输到联合预测单元中进行更新存储;
在说明书的描述中,参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上内容仅仅是对本发明所作的举例和说明,所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,只要不偏离发明或者超越本权利要求书所定义的范围,均应属于本发明的保护范围。
以上对本发明的一个实施例进行了详细说明,但所述内容仅为本发明的较佳实施例,不能被认为用于限定本发明的实施范围。凡依本发明申请范围所作的均等变化与改进等,均应仍归属于本发明的专利涵盖范围之内。
Claims (7)
1.一种基于多参数逻辑关系的设备故障智能预警方法,其特征在于,包括以下步骤:
步骤一:数据分析模块,对故障数据记录单元中存储的石化工厂过去所有出现过故障的工业设备故障记录数据进行分析,针对于石化工厂过去至少出现过P4次的所有故障类型,基于其每一个故障类型在过去每次故障时的维修处理时间和响应时间得到其对应的维修响应特征;
步骤二:设备特征采集模块对当前设备诊断周期中石化工厂内所有工业设备特征参数的测量数据进行采集生成当前设备诊断周期的特征测量数据,将其传输到模型预测单元;
步骤三:模型预测单元将接收到的当前设备诊断周期的特征测量数据输入到设备故障预测模型中得到当前设备诊断周期的预测结果数据,将其传输到联合预测单元,所述当前设备诊断周期的预测结果数据中包括预测故障类型;
步骤四:联合预测单元基于接收到的当前设备诊断周期的预测结果数据后检索其内包含的所有预测故障类型是否存在对应的维修响应特征,基于检索结果得到每个预测故障类型对应的联合优先级并依据其生成当前设备诊断周期的平衡预测结果数据,将其传输到画面组态模块;
步骤五:画面组态模块将工业将石化工厂内所有工业设备用模型的形式向石化工厂内的管理人员进行显示,基于石化工厂内所有工业设备的运行状态建立设备运行模型,模拟工业设备的运行状态,画面组态模块接收到联合预测单元传输的当前设备诊断周期的平衡预测结果数据后调整对应工业设备的模型状态为红色闪烁状态;
所述数据分析模块针对于石化工厂过去至少出现过P4次的所有故障类型,基于每一个故障类型在过去每次故障时的维修处理时间和响应时间得到其对应的维修响应特征的具体分析步骤如下:
S21:针对于石化工厂过去至少出现过P4次的一个故障类型,利用公式计算获取该故障类型的维修响应特征C1,所述n指代的是该故障类型在过去出现过的总次数,所述A1、A2、..、Aa指代的是该故障类型在过去每次出现时对应的维修处理时间,所述B1、 B2、...、Ba指代的是该故障类型在过去每次出现时对应的响应时间,即该石化工厂维修人员发现故障设备到出发前往故障设备的间隔时间,所述α1、α2分别为预设数值;
S22:按照S21分别计算获取石化工厂过去至少出现过P4次的所有故障类型的维修响应特征C1、C2、...、Cc,c≥1,所述P4为预设诊断分析次数阈值;
所述联合优先级数值上越高,其出现对应预测故障类型的工业设备的维修时间越短。
2.根据权利要求1所述的一种基于多参数逻辑关系的设备故障智能预警方法,所述工业设备特指固定安装有仪器仪表设备的工业设备,一个所述工业设备的特征参数至少包含温度、压力、流量、湿度、速度、加速度、振动、电压、电流、功率、电阻、电容中的一种或者多种特征参数。
3.根据权利要求2所述的一种基于多参数逻辑关系的设备故障智能预警方法,一个所述工业设备特征参数的测量数据指代的是其上固定安装的仪器仪表设备对对应特征参数进行测量得到的测量数据,其内包含工业设备的设备编号,所述工业设备的设备编号为16位数字构成的字符串。
4.根据权利要求1所述的一种基于多参数逻辑关系的设备故障智能预警方法,其特征在于,故障数据记录单元中存储有石化工厂过去所有出现过故障的工业设备故障记录数据,所述故障记录数据包括故障类型和其对应的故障处置策略、引起故障的特征参数,故障发生前的P2时间内引起故障特征参数的测量数据、维修处理时间和响应时间,所述P2为预设故障回溯时间阈值。
5.根据权利要求1所述的一种基于多参数逻辑关系的设备故障智能预警方法,其特征在于,画面组态模块对没有出现故障的工业设备的模型状态设置为静止状态。
6.根据权利要求1所述的一种基于多参数逻辑关系的设备故障智能预警方法,其特征在于,所述当前设备诊断周期的预测结果数据中还包括预测故障设备编号、对应的故障处置策略、引起故障的特征参数和故障优先级。
7.根据权利要求1所述的一种基于多参数逻辑关系的设备故障智能预警方法,其特征在于,联合预测单元得到每个预测故障类型对应的联合优先级,具体如下:
S11:基于当前设备诊断周期预测结果数据中携带的一个预测故障类型在联合预测单元内存储的所有故障类型进行是否存在匹配;
S12:若存在,获取与之相匹配的故障类型对应的维修响应特征D1并利用公式F1=E1×β1+D1×β2计算获取该预测故障类型对应的联合优先级F1,所述E1为该预测故障类型对应的故障优先级,所述β1、β2为预设第一联合故障优先级调节因子;
S13:若不存在,则利用公式F1=P6E1×λ1计算获取该预测故障类型对应的联合优先级F1,所述P6为预设常态故障常量,所述λ1为预设第二联合故障优先级调节因子;
S14:按照S11到S13计算获取当前设备诊断周期预测结果数据中携带的所有预测故障类型对应的联合优先级,并按照数值大小从小到大依次重新标记为G1、G2、...、Gg,g≥1;
所述联合预测单元依据当前设备诊断周期预测结果数据中携带的所有预测故障类型对应的联合优先级G1、G2、...、Gg。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311535015.3A CN117369392B (zh) | 2023-11-17 | 2023-11-17 | 一种基于多参数逻辑关系的设备故障智能预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311535015.3A CN117369392B (zh) | 2023-11-17 | 2023-11-17 | 一种基于多参数逻辑关系的设备故障智能预警方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117369392A CN117369392A (zh) | 2024-01-09 |
CN117369392B true CN117369392B (zh) | 2024-04-16 |
Family
ID=89398524
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311535015.3A Active CN117369392B (zh) | 2023-11-17 | 2023-11-17 | 一种基于多参数逻辑关系的设备故障智能预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117369392B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108023782A (zh) * | 2017-12-29 | 2018-05-11 | 华东师范大学 | 一种基于维修记录的设备故障预警方法 |
FR3066844A1 (fr) * | 2017-05-23 | 2018-11-30 | Monixo | Procede de prevision de la survenue d'une defaillance sur un appareil dans le temps |
CN110309981A (zh) * | 2019-07-09 | 2019-10-08 | 华能四川水电有限公司 | 一种基于工业大数据的水电站状态检修决策*** |
CN110334728A (zh) * | 2019-05-06 | 2019-10-15 | 中国联合网络通信集团有限公司 | 一种面向工业互联网的故障预警方法及装置 |
CN110647539A (zh) * | 2019-09-26 | 2020-01-03 | 汉纳森(厦门)数据股份有限公司 | 一种用于车辆故障的预测方法和*** |
KR20210068687A (ko) * | 2019-12-02 | 2021-06-10 | 대우조선해양 주식회사 | 복합설비 고장진단 및 지식기반탐색 방법 |
CN113572625A (zh) * | 2020-04-28 | 2021-10-29 | ***通信集团浙江有限公司 | 故障预警方法、预警装置、设备及计算机介质 |
CN116205622A (zh) * | 2022-12-26 | 2023-06-02 | 张家口卷烟厂有限责任公司 | 烟机设备智能故障预警与维修决策方法 |
CN116228183A (zh) * | 2022-11-21 | 2023-06-06 | 浙江中控技术股份有限公司 | 一种基于故障知识库的设备运维***、设备及存储介质 |
CN116279700A (zh) * | 2023-03-27 | 2023-06-23 | 卡斯柯信号有限公司 | 一种铁路信号***电子相关设备故障预警与管理实现方法 |
CN116720324A (zh) * | 2023-05-15 | 2023-09-08 | 中铁第四勘察设计院集团有限公司 | 基于预测模型的牵引变电所关键设备故障预警方法及*** |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10984154B2 (en) * | 2018-12-27 | 2021-04-20 | Utopus Insights, Inc. | System and method for evaluating models for predictive failure of renewable energy assets |
-
2023
- 2023-11-17 CN CN202311535015.3A patent/CN117369392B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR3066844A1 (fr) * | 2017-05-23 | 2018-11-30 | Monixo | Procede de prevision de la survenue d'une defaillance sur un appareil dans le temps |
CN108023782A (zh) * | 2017-12-29 | 2018-05-11 | 华东师范大学 | 一种基于维修记录的设备故障预警方法 |
CN110334728A (zh) * | 2019-05-06 | 2019-10-15 | 中国联合网络通信集团有限公司 | 一种面向工业互联网的故障预警方法及装置 |
CN110309981A (zh) * | 2019-07-09 | 2019-10-08 | 华能四川水电有限公司 | 一种基于工业大数据的水电站状态检修决策*** |
CN110647539A (zh) * | 2019-09-26 | 2020-01-03 | 汉纳森(厦门)数据股份有限公司 | 一种用于车辆故障的预测方法和*** |
KR20210068687A (ko) * | 2019-12-02 | 2021-06-10 | 대우조선해양 주식회사 | 복합설비 고장진단 및 지식기반탐색 방법 |
CN113572625A (zh) * | 2020-04-28 | 2021-10-29 | ***通信集团浙江有限公司 | 故障预警方法、预警装置、设备及计算机介质 |
CN116228183A (zh) * | 2022-11-21 | 2023-06-06 | 浙江中控技术股份有限公司 | 一种基于故障知识库的设备运维***、设备及存储介质 |
CN116205622A (zh) * | 2022-12-26 | 2023-06-02 | 张家口卷烟厂有限责任公司 | 烟机设备智能故障预警与维修决策方法 |
CN116279700A (zh) * | 2023-03-27 | 2023-06-23 | 卡斯柯信号有限公司 | 一种铁路信号***电子相关设备故障预警与管理实现方法 |
CN116720324A (zh) * | 2023-05-15 | 2023-09-08 | 中铁第四勘察设计院集团有限公司 | 基于预测模型的牵引变电所关键设备故障预警方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN117369392A (zh) | 2024-01-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2020211109A1 (zh) | 基于模型全生命周期管理的设备故障预警*** | |
WO2018123144A1 (ja) | 診断装置、診断方法及びプログラム | |
CN102541013B (zh) | 阳极保护设备远程监控、预警及故障诊断***与方法 | |
CN109387715A (zh) | 一种基于灰色聚类的换流阀状态在线评估方法及装置 | |
KR101989962B1 (ko) | 통합 관리 서버 및 이를 이용한 건물 관리 시스템 | |
CN117078017A (zh) | 一种用于电力电网设备监控智能化决策分析*** | |
JP5621967B2 (ja) | 異常データ分析システム | |
CN115640860B (zh) | 一种工业云服务的机电设备远程维护方法及*** | |
CN116885858B (zh) | 一种基于数字孪生技术的配电网故障处理方法及*** | |
CN108921305B (zh) | 一种部件生命期监测方法 | |
CN111813644B (zh) | ***性能的评价方法、装置、电子设备和计算机可读介质 | |
CN107121943A (zh) | 一种用于获得智能仪表的健康预测信息的方法和装置 | |
CN117289745B (zh) | 一种数字化配电房运行监控方法 | |
CN117369392B (zh) | 一种基于多参数逻辑关系的设备故障智能预警方法 | |
CN113464414A (zh) | 一种空压站的节能运行方法 | |
CN114837902B (zh) | 一种风电机组健康度评估方法、***、设备和介质 | |
CN111314463A (zh) | 一种基于泵站机组健康评估的方法 | |
CN202433761U (zh) | 基于物联网的阳极保护设备远程监控预警及故障诊断*** | |
CN109683565A (zh) | 一种基于多方法融合的仪器仪表故障检测方法 | |
JP2000214924A (ja) | プラント異常監視装置および異常発生箇所同定方法 | |
JP7418157B2 (ja) | 設備監視装置及び設備監視方法 | |
CN112990542A (zh) | 一种用于空压机的寿命预测方法 | |
CN117113157B (zh) | 一种基于人工智能的台区用电故障检测*** | |
CN117353462B (zh) | 一种基于人工智能的电网运营监控分析方法及平台 | |
CN117978628B (zh) | 一种基于智慧园区通信控制方法及*** |
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 |