CN117454283A - 一种用于风电机组运行检测数据的状态评估方法 - Google Patents
一种用于风电机组运行检测数据的状态评估方法 Download PDFInfo
- Publication number
- CN117454283A CN117454283A CN202311778152.XA CN202311778152A CN117454283A CN 117454283 A CN117454283 A CN 117454283A CN 202311778152 A CN202311778152 A CN 202311778152A CN 117454283 A CN117454283 A CN 117454283A
- Authority
- CN
- China
- Prior art keywords
- value
- operation data
- time sequence
- difference
- acquiring
- 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.)
- Withdrawn
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 42
- 238000001514 detection method Methods 0.000 title claims abstract description 24
- 230000002159 abnormal effect Effects 0.000 claims abstract description 70
- 238000012549 training Methods 0.000 claims abstract description 14
- 238000000034 method Methods 0.000 claims abstract description 10
- 238000013507 mapping Methods 0.000 claims description 27
- 230000011218 segmentation Effects 0.000 claims description 26
- 238000003064 k means clustering Methods 0.000 claims description 4
- 230000005856 abnormality Effects 0.000 abstract description 6
- 238000012545 processing Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 14
- 230000002902 bimodal effect Effects 0.000 description 6
- 238000012795 verification Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000004171 remote diagnosis Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
- G06F18/211—Selection of the most significant subset of features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- 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)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Economics (AREA)
- Probability & Statistics with Applications (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Water Supply & Treatment (AREA)
- Human Resources & Organizations (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- Operations Research (AREA)
- Public Health (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (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
本发明涉及电子数据处理领域，尤其涉及一种用于风电机组运行检测数据的状态评估方法，该方法获取风电机组的时序运行数据；获取时序运行数据的变化规律指标，根据变化规律指标确定孤立森林模型中孤立树的初始深度，基于孤立森林模型中孤立树的初始深度和时序运行数据，对孤立森林模型进行训练，得到训练好的孤立森林模型；获取风电机组的实时时序运行数据，将实时时序运行数据输入训练好的孤立森林模型，输出实时时序运行数据中的异常运行数据，根据异常运行数据获取风电机组的运行状态评估指标，提高了使用孤立森林算法对风电机组的运行数据进行异常检测的准确性。
Description
技术领域
本发明涉及电子数据处理领域，尤其涉及一种用于风电机组运行检测数据的状态评估方法。
背景技术
随着风电行业的迅速发展，风电机组已成为清洁能源领域的重要组成部分。然而，由于风能的不确定性和环境条件的复杂性，风电机组在运行过程中容易受到各种因素的影响，可能导致设备异常和性能下降，因此，通过风电机组的运行数据对风电机组的运行状态进行异常检测和运行状态评估成为确保风电机组安全稳定运行的关键。
目前，对风电机组的运行检测数据的状态评估主要依赖于传感器采集的数据，例如：风速、发电机转速、温度等，但这些数据量庞大，且受到多种外部因素的影响，使得异常检测变得复杂且容易受到误导。现有技术中，通常使用孤立森林算法对风电机组的运行数据进行异常数据检测，在孤立森林中，每棵树都是通过随机选择特征和划分值构建的，树的深度影响了对异常值的检测能力，较深的树更容易将正常样本分隔得更细致，但也更容易在异常检测中受到噪声的影响和出现过拟合问题，较浅的树可能对异常值更敏感，但在捕捉正常样本的复杂结构方面效果较差，不合适的树的深度会影响异常数据的判断，从而影响风电机组的运行检测数据的状态评估的结果。
因此，如何提高使用孤立森林算法对风电机组的运行数据进行异常检测的准确性成为亟需解决的问题。
发明内容
有鉴于此，本发明实施例提供了一种用于风电机组运行检测数据的状态评估方法，以解决如何提高使用孤立森林算法对风电机组的运行数据进行异常检测的准确性的问题。
本发明实施例中提供了一种用于风电机组运行检测数据的状态评估方法，该状态评估方法包括以下步骤：
获取风电机组的时序运行数据；
构建所述时序运行数据的统计直方图，将所述时序运行数据划分为第一数据集合和第二数据集合，获取所述第一数据集合的第一密度中心和所述第二数据集合的第二密度中心，在所述统计直方图中分别获取所述第一密度中心的第一关联范围和所述第二密度中心的第二关联范围；
根据所述第一关联范围和所述第二关联范围获取所述时序运行数据的变化规律指标，根据所述变化规律指标确定孤立森林模型中孤立树的初始深度，基于所述孤立森林模型中孤立树的初始深度和所述时序运行数据，对孤立森林模型进行训练，得到训练好的孤立森林模型；
获取所述风电机组的实时时序运行数据，将所述实时时序运行数据输入所述训练好的孤立森林模型，输出所述实时时序运行数据中的异常运行数据，根据所述异常运行数据获取所述风电机组的运行状态评估指标。
进一步的，所述在所述统计直方图中分别获取所述第一密度中心的第一关联范围和所述第二密度中心的第二关联范围，包括：
在所述统计直方图中分别获取所述第一密度中心对应的第一纵坐标值和所述第二密度中心对应的第二纵坐标值；
在所述统计直方图上以所述第一纵坐标值为圆心，预设值为半径，得到对应的圆作为所述第一密度中心的第一关联范围；
在所述统计直方图上以所述第二纵坐标值为圆心，所述预设值为半径，得到对应的圆作为所述第二密度中心的第二关联范围。
进一步的，所述根据所述第一关联范围和所述第二关联范围获取所述时序运行数据的变化规律指标，包括：
获取所述第一关联范围内的第一最大值和所述第二关联范围内的第二最大值，计算所述第一最大值和所述第二最大值之间的差值绝对值；
在所述统计直方图中所述第一最大值和所述第二最大值之间的区间范围内，获取最小值；
根据所述第一最大值和所述最小值之间的差异，获取所述第一最大值和所述最小值之间的第一差异特征值；
根据所述第二最大值和所述最小值之间的差异，获取所述第二最大值和所述最小值之间的第二差异特征值；
计算所述第一差异特征值和所述第二差异特征值之间的均值，获取所述均值与所述差值绝对值之间的乘积，对所述乘积进行负映射，得到对应的映射结果；
将常数1与所述映射结果之间的差值作为所述时序运行数据的变化规律指标。
进一步的，所述根据所述第一最大值和所述最小值之间的差异，获取所述第一最大值和所述最小值之间的第一差异特征值，包括：
若所述第一最大值小于所述最小值，则所述第一最大值和所述最小值之间的第一差异特征值为第一设定值；
若所述第一最大值大于或等于所述最小值，则所述第一最大值和所述最小值之间的第一差异特征值为所述第一最大值和所述最小值之间的差值。
进一步的，所述根据所述第二最大值和所述最小值之间的差异，获取所述第二最大值和所述最小值之间的第二差异特征值，包括：
若所述第二最大值小于所述最小值，则所述第二最大值和所述最小值之间的第二差异特征值为第二设定值；
若所述第二最大值大于或等于所述最小值，则所述第二最大值和所述最小值之间的第二差异特征值为所述第一最大值和所述最小值之间的差值。
进一步的，所述根据所述变化规律指标确定孤立森林模型中孤立树的初始深度，包括：
获取预设的变化规律指标阈值，获取所述变化规律指标阈值和所述变化规律指标的对比结果，根据所述对比结果获取所述时序运行数据的推荐分割阈值；
将所述推荐分割阈值作为孤立森林模型中孤立树的初始深度。
进一步的，所述根据所述对比结果获取所述时序运行数据的推荐分割阈值，包括：
若所述变化规律指标阈值小于所述变化规律指标，在所述统计直方图中获取所述最小值对应横坐标值作为所述时序运行数据的推荐分割阈值；
若所述变化规律指标阈值大于或等于所述变化规律指标，则获取所述变化规律指标阈值和所述变化规律指标之间的第一差值，获取所述时序运行数据中的最大值与所述最小值对应的横坐标值之间的第二差值，计算所述第二差值和所述变化规律指标阈值之间的比值，获取所述比值与所述第一差值之间的相乘结果，将所述相乘结果和所述最小值对应的横坐标值之间的加和结果作为所述时序运行数据的推荐分割阈值。
进一步的，所述根据所述异常运行数据获取所述风电机组的运行状态评估指标，包括：
获取所述风电机组的正常运行数据，分别计算每个所述异常运行数据与所述正常运行数据之间的差值绝对值，得到差值绝对值均值，对所述差值绝对值均值进行负映射，得到对应的第一映射结果；
在所述实时时序运行数据中确定每个所述异常运行数据的位置，分别计算每两个相邻异常运行数据之间的位置距离，得到位置距离序列，分别计算所述位置距离序列中每相邻两个位置距离之间的差值绝对值，得到差值绝对值的方差，对所述差值绝对值的方差进行负映射，得到对应的第二映射结果，获取常数1减去所述第二映射结果的结果值；
将所述第一映射结果和所述结果值之间的乘积作为所述风电机组的运行状态评估指标。
进一步的，所述将所述时序运行数据划分为第一数据集合和第二数据集合，包括：
利用K-means聚类算法将所述时序运行数据划分为第一数据集合和第二数据集合。
进一步的，所述获取所述第一数据集合的第一密度中心和所述第二数据集合的第二密度中心，包括：
使用DBSCAN聚类算法分别获取所述第一数据集合的第一密度中心和所述第二数据集合的第二密度中心。
本发明实施例与现有技术相比存在的有益效果是：
本发明获取风电机组的时序运行数据；构建所述时序运行数据的统计直方图，将所述时序运行数据划分为第一数据集合和第二数据集合，获取所述第一数据集合的第一密度中心和所述第二数据集合的第二密度中心，在所述统计直方图中分别获取所述第一密度中心的第一关联范围和所述第二密度中心的第二关联范围；根据所述第一关联范围和所述第二关联范围获取所述时序运行数据的变化规律指标，根据所述变化规律指标确定孤立森林模型中孤立树的初始深度，基于所述孤立森林模型中孤立树的初始深度和所述时序运行数据，对孤立森林模型进行训练，得到训练好的孤立森林模型；获取所述风电机组的实时时序运行数据，将所述实时时序运行数据输入所述训练好的孤立森林模型，输出所述实时时序运行数据中的异常运行数据，根据所述异常运行数据获取所述风电机组的运行状态评估指标。其中，在使用孤立森林模型对风电机组的时序运行数据进行异常检测时，通过对风电机组的时序运行数据进行聚类，获取该时序运行数据的变化规律指标，变化规律指标越大，规律性越强，孤立森林模型中的孤立树的深度越浅，反之，孤立树的深度越深，从而根据该时序运行数据的变化规律指标获取对该运行时序数据的推荐分割阈值，并将其作为孤立森林模型中的孤立树的初始深度，进而对孤立森林模型进行迭代训练，根据自适应迭代停止条件获取训练好的孤立森林模型，最后，利用训练好的孤立森林模型对风电机组的运行状态进行异常评估，提高了使用孤立森林算法对风电机组的运行数据进行异常检测的准确性。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种用于风电机组运行检测数据的状态评估方法的方法流程图；
图2是本发明实施例提供的一种属性可分性强的示意图；
图3是本发明实施例提供的一种属性可分性弱的示意图；
图4是本发明实施例提供的一种统计直方图的示意图；
图5是本发明实施例提供的另一种统计直方图的示意图；
图6是本发明实施例所提供的一种统计直方图中的密度中心示意图；
图7是本发明实施例所提供的另一种统计直方图中的密度中心示意图；
图8是本发明实施例所提供的一种第一密度中心和第二密度中心的关联范围示意图；
图9是本发明实施例所提供的另一种第一密度中心和第二密度中心的关联范围示意图。
具体实施方式
下面详细描述本公开的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本公开，而不能理解为对本公开的限制。
需要说明的是，本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
本申请技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。为了说明本发明的技术方案，下面通过具体实施例来进行说明。
参见图1，是本发明实施例一提供的一种用于风电机组运行检测数据的状态评估方法的方法流程图，如图1所示，该状态评估方法可以包括：
步骤S101，获取风电机组的时序运行数据。
本发明实施例中，风电机组的运行数据是指对风电机组的运行过程中监测和检测而收集到的相关信息，运行数据为传感器数据，每种传感器采集一类运行数据，以下是风电机组的运行数据及采集方法的示例：
性能参数数据，包括但不限于发电功率、转速、风速、发电机温度等，使用各种传感器能够获取，例如：风速传感器、温度传感器等。
震动和声音数据，使用振动传感器采集风机的振动数据，使用噪音传感器采集风机的噪音数据。
环境条件数据，包括温度、湿度和气压等环境数据，可通过气象站或环境传感器来获取。
举例说明，假设一台风电机组安装了风速传感器、温度传感器、振动传感器等，对应分别采集风电机组的风速数据、温度数据和振动数据，通过采集这些运行数据可供工程师实时监测风电机组的运行状况，以进行远程诊断和故障排除。
至此，本发明实施例以一类运行数据为例，根据预设的采样频率获取该类运行数据下的时序运行数据，因此，时序运行数据是指风电机组的风速、发电机转速、温度、振动幅度、外部环境湿度中的任一类运行数据。值得说明的是，本发明实施例中的运行检测数据包括但不限于风速、发电机转速、温度、振动幅度、外部环境湿度，实施者可根据检测对象进行时序运行数据的采集。
步骤S102，构建时序运行数据的统计直方图，将时序运行数据划分为第一数据集合和第二数据集合，获取第一数据集合的第一密度中心和第二数据集合的第二密度中心，在统计直方图中分别获取第一密度中心的第一关联范围和第二密度中心的第二关联范围。
具体的，孤立森林算法的主要步骤为：
（1）初始化：选择一个随机样本子集作为构建孤立树的初始样本集；
（2）构建孤立树：选择一个随机特征，在选定的特征上随机选择一个切分值，将当前样本集分为两个子集，递归地对子集进行切分，直到达到指定的树深度（可以是预先定义的值或自适应确定的）或子集中只有一个样本，构建多棵这样的树，形成孤立森林。
（3）异常分数计算：对于每个样本，计算其在每棵树上的路径长度（即从根节点到样本所在的叶子节点的路径长度）；计算平均路径长度，通常用于衡量样本的异常程度，平均路径长度越短，样本越可能是异常值。
（4）异常判定：基于异常分数，判定哪些样本被认为是异常值。
由此可见，在使用孤立森林算法时可以根据使用场景自适应设定合适的切分值，以保证对应使用场景下的异常检测结果，故，本发明实施例中在使用孤立森林算法对时序运行数据进行异常状态评估时，需要构建自适应的孤立森林模型，孤立森林模型的构建方法具体可参见下文。
考虑到当时序运行数据可以将正常运行数据和异常运行数据很好的分开时，时序运行数据的统计直方图呈现较为明显的双峰状态，如图2所示，其为本发明实施例提供的一种属性可分性强的示意图，在图2所展现的属性可分性下可以将总体分布较为轻易的划分为正常样本和异常样本，则该属性对应的样本分布呈现双峰状态；反之，当时序运行数据难以正常运行数据和异常运行数据很好的分开时，时序运行数据的统计直方图呈现单峰状态，如图3所示，其为本发明实施例提供的一种属性可分性弱的示意图，在图3所展现的属性可分性下不能较为轻易的将总体分布划分为正常样本和异常样本，该属性对应的样本分布呈现单峰状态。
基于上述特征分析，首先构建时序运行数据的统计直方图，其中，统计直方图的横轴表示运行数据的大小，统计直方图的纵轴表示运行数据的数量，假设时序运行数据为振动幅度时序数据，则统计直方图的横轴为振动幅度的大小，统计直方图的纵轴为振动幅度的数量。其中，当时序运行时序数据中的正常运行数据和异常运行数据不好区分时，对应构建的统计直方图如图4所示，当时序运行时序数据中的正常运行数据和异常运行数据易区分时，对应构建的统计直方图如图5所示。
在得到时序运行数据的统计直方图之后，再将时序运行数据划分两个数据集合，分别记为第一数据集合和第二数据集合，其中，将时序运行数据划分为第一数据集合和第二数据集合，包括：利用K-means聚类算法将所述时序运行数据划分为第一数据集合和第二数据集合。具体的，将K-means算法中的K值取2。值得说明的是，K-means聚类算法为现有技术，此处不再赘述。
针对任一数据集合，使用密度聚类分别获取该数据集合的密度中心，具体的，获取所述第一数据集合的第一密度中心和所述第二数据集合的第二密度中心，包括：使用DBSCAN聚类算法分别获取所述第一数据集合的第一密度中心和所述第二数据集合的第二密度中心。需要说明的是，针对时序运行时序数据中的正常运行数据和异常运行数据不好区分时的情况，参见图6，其为本发明实施例所提供的一种统计直方图中的密度中心示意图，得到的第一密度中心和第二密度中心对应在图6中的统计直方图中为密度中心1和密度中心2。针对时序运行时序数据中的正常运行数据和异常运行数据易区分时的情况，参见图7，其为本发明实施例所提供的一种统计直方图中的密度中心示意图，得到的第一密度中心和第二密度中心对应在图7中的统计直方图中为密度中心1和密度中心2。
在得到第一密度中心和第二密度中心之后，在时序运行数据的统计直方图中分别获取第一密度中心的第一关联范围和第二密度中心的第二关联范围，具体的，在所述统计直方图中分别获取所述第一密度中心的第一关联范围和所述第二密度中心的第二关联范围，包括：
在所述统计直方图中分别获取所述第一密度中心对应的第一纵坐标值和所述第二密度中心对应的第二纵坐标值；
在所述统计直方图上以所述第一纵坐标值为圆心，预设值为半径，得到对应的圆作为所述第一密度中心的第一关联范围；
在所述统计直方图上以所述第二纵坐标值为圆心，所述预设值为半径，得到对应的圆作为所述第二密度中心的第二关联范围。
在一实施方式中，优先设置半径为15，本发明实施例中对此不做限制。针对时序运行时序数据中的正常运行数据和异常运行数据不好区分时的情况，参见图8，其为本发明实施例所提供的一种第一密度中心和第二密度中心的关联范围示意图，图8中以密度中心1对应的纵坐标值为圆心，构建预设半径的圆作为密度中心1的第一关联范围，同理，以密度中心2对应的纵坐标值为圆心，构建预设半径的圆作为密度中心2的第二关联范围。针对时序运行时序数据中的正常运行数据和异常运行数据易区分时的情况，参见图9，其为本发明实施例所提供的一种第一密度中心和第二密度中心的关联范围示意图，图9中以密度中心1对应的纵坐标值为圆心，构建预设半径的圆作为密度中心1的第一关联范围，同理，以密度中心2对应的纵坐标值为圆心，构建预设半径的圆作为密度中心2的第二关联范围。
步骤S103，根据第一关联范围和第二关联范围获取时序运行数据的变化规律指标，根据变化规律指标确定孤立森林模型中孤立树的初始深度，基于孤立森林模型中孤立树的初始深度和时序运行数据，对孤立森林模型进行训练，得到训练好的孤立森林模型。
本发明实施例中，根据时序运行数据的统计直方图中的第一密度中心和第二密度中心的关联范围分析时序运行数据的变化规律性，统计直方图呈现双峰状态，说明时序运行数据的变化规律性越强，则根据所述第一关联范围和所述第二关联范围获取所述时序运行数据的变化规律指标，包括：
获取所述第一关联范围内的第一最大值和所述第二关联范围内的第二最大值，计算所述第一最大值和所述第二最大值之间的差值绝对值；
在所述统计直方图中所述第一最大值和所述第二最大值之间的区间范围内，获取最小值；
根据所述第一最大值和所述最小值之间的差异，获取所述第一最大值和所述最小值之间的第一差异特征值；
根据所述第二最大值和所述最小值之间的差异，获取所述第二最大值和所述最小值之间的第二差异特征值；
计算所述第一差异特征值和所述第二差异特征值之间的均值，获取所述均值与所述差值绝对值之间的乘积，对所述乘积进行负映射，得到对应的映射结果；
将常数1与所述映射结果之间的差值作为所述时序运行数据的变化规律指标。
在一实施方式中，时序运行数据的变化规律指标的计算表达式为：
其中，表示时序运行数据的变化规律指标，/>表示以自然常数e为底数的指数函数，/>表示第一关联范围内的第一最大值，/>表示第二关联范围内的第二最大值，/>表示第一最大值和第二最大值之间的区间范围的最小值，/>表示第一差异特征值，/>表示第二差异特征值，1表示常数。
需要说明的是，第一最大值和最小值之间的差异以及第二最大值和最小值之间的差异越大，说明时序运行数据的数据变化明显，时序运行数据的波动越大，对应时序运行数据的统计直方图越呈现双峰状态，且第一最大值和第二最大值之间的差值越大，说明对应两个数据集合越不相同，区别得越明显，对应时序运行数据的统计直方图越呈现双峰状态，也即是时序运行数据的变化规律性越强，因此，时序运行数据的变化规律指标越大。
优选的，所述根据所述第一最大值和所述最小值之间的差异，获取所述第一最大值和所述最小值之间的第一差异特征值，包括：
若所述第一最大值小于所述最小值，则所述第一最大值和所述最小值之间的第一差异特征值为第一设定值；
若所述第一最大值大于或等于所述最小值，则所述第一最大值和所述最小值之间的第一差异特征值为所述第一最大值和所述最小值之间的差值。
在一实施方式中，第一差异特征值的计算表达式为：
其中，0为第一设定值。
优选的，所述根据所述第二最大值和所述最小值之间的差异，获取所述第二最大值和所述最小值之间的第二差异特征值，包括：
若所述第二最大值小于所述最小值，则所述第二最大值和所述最小值之间的第二差异特征值为第二设定值；
若所述第二最大值大于或等于所述最小值，则所述第二最大值和所述最小值之间的第二差异特征值为所述第一最大值和所述最小值之间的差值。
在一实施方式中，第二差异特征值的计算表达式为：
其中，0为第二设定值。
在得到时序运行数据的变化规律指标之后，根据变化规律指标确定孤立森林模型中孤立树的初始深度。考虑到在构建孤立树时，选择一个随机特征，在选定的特征上随机选择一个切分值，将当前样本集分为两个子集，因此，针对于时序运行数据所选择的切分值必然在时序运行数据中的最大值和最小值之间。其中，将时序运行数据中的最大值和最小值分别记为和/>，切分值记为/>，则/>。当时序运行数据对应的统计直方图越呈现双峰状态时，第一最大值和第二最大值之间的区间范围内的最小值/>可以很好的将统计直方图分为两部分，即当切分值为最小值/>对应的横坐标值时可以很好的将异常值划分出来；当时序运行数据对应的统计直方图呈现单峰状态时，最小值/>难以将统计直方图分为两部分，即当切分值为最小值/>对应的横坐标值时不能很好的将异常值分出来，此时需要增大切分值，选择更深的树来进行当前特征的判断。因此，首先根据变化规律指标确定孤立森林模型中孤立树的初始深度。
优选的，所述根据所述变化规律指标确定孤立森林模型中孤立树的初始深度，包括：
获取预设的变化规律指标阈值，获取所述变化规律指标阈值和所述变化规律指标的对比结果，根据所述对比结果获取所述时序运行数据的推荐分割阈值；
将所述推荐分割阈值作为孤立森林模型中孤立树的初始深度。
在一实施方式中，设定变化规律指标阈值取经验值0.65，进而将时序运行数据的变化规律指标/>和变化规律指标阈值/>进行对比，以确定时序运行数据的数据变化规律性，因此，获取变化规律指标/>和变化规律指标阈值/>的对比结果，根据对比结果获取时序运行数据的推荐分割阈值，并将推荐分割阈值作为孤立森林模型中孤立树的初始深度。
优选的，所述根据所述对比结果获取所述时序运行数据的推荐分割阈值，包括：
若所述变化规律指标阈值小于所述变化规律指标，在所述统计直方图中获取所述最小值对应横坐标值作为所述时序运行数据的推荐分割阈值；
若所述变化规律指标阈值大于或等于所述变化规律指标，则获取所述变化规律指标阈值和所述变化规律指标之间的第一差值，获取所述时序运行数据中的最大值与所述最小值对应的横坐标值之间的第二差值，计算所述第二差值和所述变化规律指标阈值之间的比值，获取所述比值与所述第一差值之间的相乘结果，将所述相乘结果和所述最小值对应的横坐标值之间的加和结果作为所述时序运行数据的推荐分割阈值。
在一实施方式中，当变化规律指标阈值小于变化规律指标，则将最小值在统计直方图中对应的横坐标值作为时序运行数据的推荐分割阈值；当变化规律指标阈值大于或等于变化规律指标时，时序运行数据的推荐分割阈值的计算表达式为：
其中，表示变化规律指标阈值大于或等于变化规律指标时，时序运行数据的推荐分割阈值，/>表示最小值/>在统计直方图中对应的横坐标值，/>表示时序运行数据中的最大值，/>表示变化规律指标阈值，/>表示时序运行数据的变化规律指标。
需要说明的是，当变化规律指标阈值大于或等于变化规律指标时，说明时序运行数据的数据变化规律性较差，最小值对应的横坐标值时不能很好的将异常值分出来，因此，需要在最小值/>对应的横坐标值上增大切分值。
在确定了孤立森林模型中孤立树的初始深度之后，基于孤立森林模型中孤立树的初始深度和时序运行数据，对孤立森林模型进行训练，得到训练好的孤立森林模型，其中，孤立森林模型的训练过程为：
首先基于孤立数的初始深度训练孤立森林模型，在孤立森林模型训练完成后，利用验证集对训练好的孤立森林模型进行验证，得到训练好的孤立森林模型输出的异常结果，根据异常结果的准确性进行孤立树的深度的调整。具体的：通过输入不同的验证集对训练好的孤立森林模型进行验证，输出验证结果的准确性，即将训练好的孤立森林模型的输出结果和验证集中的标记结果进行比对，获取当前训练好的孤立森林模型的模型准确性，然后调整孤立树的深度，并再次计算深度调整后的孤立森林模型的模型准确性，若模型准确性有明显提高，即模型准确性提高超过百分之三，则增加孤立树的深度，若模型准确性变差，即模型准确性降低百分之三，则减小孤立树的深度，直至模型准确性稳定在百分之八十七到百分九十五时，迭代停止，此时孤立树的深度即为孤立森林模型中孤立树的最优深度，此时完成当前特征下的孤立树的最优深度的获取，并将当前特征下的孤立树的最优深度固定，同理，调整其他特征的孤立树的深度，在调整其他孤立树的深度时，调整完成的特征按最优深度进行运行，且每次调整只调整一个特征，直至所有所选特征的最优孤立树的深度调整完成后孤立森林模型训练完成，此时得到训练好的孤立森林模型。
步骤S104，获取风电机组的实时时序运行数据，将实时时序运行数据输入训练好的孤立森林模型，输出实时时序运行数据中的异常运行数据，根据异常运行数据获取风电机组的运行状态评估指标。
本发明实施例中，在得到训练好的孤立森林模型之后，对风电机组的运行数据进行实时采集，得到实时时序运行数据，实时时序运行数据是指待进行风电机组的状态评估的数据。然后，将实时运行时序数据输入至训练好的孤立森林模型中，输出实时时序运行数据中的异常运行数据，进而根据异常运行数据的分布密集程度对风电机组的运行状态进行评估，则根据异常运行数据获取风电机组的运行状态评估指标，运行状态评估指标越小，风电机组的运行状态越差。
需要说明的是，实时时序运行数据所针对的数据类型与孤立森林模型训练时所使用的数据类型为同一类，例如，假设利用风电机组的振动幅度对孤立森林模型进行训练，则实时时序运行数据也为风电机组的振动幅度时序数据。
优选的，所述根据所述异常运行数据获取所述风电机组的运行状态评估指标，包括：
获取所述风电机组的正常运行数据，分别计算每个所述异常运行数据与所述正常运行数据之间的差值绝对值，得到差值绝对值均值，对所述差值绝对值均值进行负映射，得到对应的第一映射结果；
在所述实时时序运行数据中确定每个所述异常运行数据的位置，分别计算每两个相邻异常运行数据之间的位置距离，得到位置距离序列，分别计算所述位置距离序列中每相邻两个位置距离之间的差值绝对值，得到差值绝对值的方差，对所述差值绝对值的方差进行负映射，得到对应的第二映射结果，获取常数1减去所述第二映射结果的结果值；
将所述第一映射结果和所述结果值之间的乘积作为所述风电机组的运行状态评估指标。
在一实施方式中，风电机组的运行状态评估指标的计算表达式为：
其中，表示风电机组的运行状态评估指标，/>表示以自然常数e为底数的指数函数，/>表示第j个异常运行数据的取值，M表示异常运行数据的数量，T表示风电机组的正常运行数据，可根据所选运行数据类型自行设定，/>表示第j个异常运行数据在实时时序运行数据中的位置，/>表示第j+1个异常运行数据在实时时序运行数据中的位置，/>表示第j+2个异常运行数据在实时时序运行数据中的位置，/>表示在实时时序运行数据中第j个异常运行数据和第j+1个异常运行数据之间的位置距离与第j+2个异常运行数据和第j+1个异常运行数据之间的位置距离之间的差值绝对值，/>表示根据M个异常运行数据的位置得到的M-2个差值绝对值的均值。
需要说明的是，异常运行数据相较于正常运行数据的差异越大，说明风电机组的运行状态越偏离正常运行状态，相对应地，的值越大，说明风电机组的运行状态越差，对应运行状态评估指标越小；实时运行时序数据中的异常运行数据之间的距离越近，说明风电机组的异常运行状态出现频率越频繁，也即是实时时序运行数据中的异常运行数据的分布越密集，对应风电机组的运行状态越差，因此，/>的值越大，对应风电机组的异常运行状态越不明显，运行状态评估指标越大。
综上所述，本发明实施例获取风电机组的时序运行数据；构建时序运行数据的统计直方图，将时序运行数据划分为第一数据集合和第二数据集合，获取第一数据集合的第一密度中心和第二数据集合的第二密度中心，在统计直方图中分别获取第一密度中心的第一关联范围和第二密度中心的第二关联范围；根据第一关联范围和第二关联范围获取时序运行数据的变化规律指标，根据变化规律指标确定孤立森林模型中孤立树的初始深度，基于孤立森林模型中孤立树的初始深度和时序运行数据，对孤立森林模型进行训练，得到训练好的孤立森林模型；获取风电机组的实时时序运行数据，将实时时序运行数据输入训练好的孤立森林模型，输出实时时序运行数据中的异常运行数据，根据异常运行数据获取风电机组的运行状态评估指标。其中，在使用孤立森林模型对风电机组的时序运行数据进行异常检测时，通过对风电机组的时序运行数据进行聚类，获取该时序运行数据的变化规律指标，变化规律指标越大，规律性越强，孤立森林模型中的孤立树的深度越浅，反之，孤立树的深度越深，从而根据该时序运行数据的变化规律指标获取对该运行时序数据的推荐分割阈值，并将其作为孤立森林模型中的孤立树的初始深度，进而对孤立森林模型进行迭代训练，根据自适应迭代停止条件获取训练好的孤立森林模型，最后，利用训练好的孤立森林模型对风电机组的运行状态进行异常评估，提高了使用孤立森林算法对风电机组的运行数据进行异常检测的结果。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。
Claims (10)
1.一种用于风电机组运行检测数据的状态评估方法，其特征在于，所述状态评估方法包括：
获取风电机组的时序运行数据；
构建所述时序运行数据的统计直方图，将所述时序运行数据划分为第一数据集合和第二数据集合，获取所述第一数据集合的第一密度中心和所述第二数据集合的第二密度中心，在所述统计直方图中分别获取所述第一密度中心的第一关联范围和所述第二密度中心的第二关联范围；
根据所述第一关联范围和所述第二关联范围获取所述时序运行数据的变化规律指标，根据所述变化规律指标确定孤立森林模型中孤立树的初始深度，基于所述孤立森林模型中孤立树的初始深度和所述时序运行数据，对孤立森林模型进行训练，得到训练好的孤立森林模型；
获取所述风电机组的实时时序运行数据，将所述实时时序运行数据输入所述训练好的孤立森林模型，输出所述实时时序运行数据中的异常运行数据，根据所述异常运行数据获取所述风电机组的运行状态评估指标。
2.根据权利要求1所述的状态评估方法，其特征在于，所述在所述统计直方图中分别获取所述第一密度中心的第一关联范围和所述第二密度中心的第二关联范围，包括：
在所述统计直方图中分别获取所述第一密度中心对应的第一纵坐标值和所述第二密度中心对应的第二纵坐标值；
在所述统计直方图上以所述第一纵坐标值为圆心，预设值为半径，得到对应的圆作为所述第一密度中心的第一关联范围；
在所述统计直方图上以所述第二纵坐标值为圆心，所述预设值为半径，得到对应的圆作为所述第二密度中心的第二关联范围。
3.根据权利要求1所述的状态评估方法，其特征在于，所述根据所述第一关联范围和所述第二关联范围获取所述时序运行数据的变化规律指标，包括：
获取所述第一关联范围内的第一最大值和所述第二关联范围内的第二最大值，计算所述第一最大值和所述第二最大值之间的差值绝对值；
在所述统计直方图中所述第一最大值和所述第二最大值之间的区间范围内，获取最小值；
根据所述第一最大值和所述最小值之间的差异，获取所述第一最大值和所述最小值之间的第一差异特征值；
根据所述第二最大值和所述最小值之间的差异，获取所述第二最大值和所述最小值之间的第二差异特征值；
计算所述第一差异特征值和所述第二差异特征值之间的均值，获取所述均值与所述差值绝对值之间的乘积，对所述乘积进行负映射，得到对应的映射结果；
将常数1与所述映射结果之间的差值作为所述时序运行数据的变化规律指标。
4.根据权利要求3所述的状态评估方法，其特征在于，所述根据所述第一最大值和所述最小值之间的差异，获取所述第一最大值和所述最小值之间的第一差异特征值，包括：
若所述第一最大值小于所述最小值，则所述第一最大值和所述最小值之间的第一差异特征值为第一设定值；
若所述第一最大值大于或等于所述最小值，则所述第一最大值和所述最小值之间的第一差异特征值为所述第一最大值和所述最小值之间的差值。
5.根据权利要求3所述的状态评估方法，其特征在于，所述根据所述第二最大值和所述最小值之间的差异，获取所述第二最大值和所述最小值之间的第二差异特征值，包括：
若所述第二最大值小于所述最小值，则所述第二最大值和所述最小值之间的第二差异特征值为第二设定值；
若所述第二最大值大于或等于所述最小值，则所述第二最大值和所述最小值之间的第二差异特征值为所述第一最大值和所述最小值之间的差值。
6.根据权利要求3所述的状态评估方法，其特征在于，所述根据所述变化规律指标确定孤立森林模型中孤立树的初始深度，包括：
获取预设的变化规律指标阈值，获取所述变化规律指标阈值和所述变化规律指标的对比结果，根据所述对比结果获取所述时序运行数据的推荐分割阈值；
将所述推荐分割阈值作为孤立森林模型中孤立树的初始深度。
7.根据权利要求6所述的状态评估方法，其特征在于，所述根据所述对比结果获取所述时序运行数据的推荐分割阈值，包括：
若所述变化规律指标阈值小于所述变化规律指标，在所述统计直方图中获取所述最小值对应横坐标值作为所述时序运行数据的推荐分割阈值；
若所述变化规律指标阈值大于或等于所述变化规律指标，则获取所述变化规律指标阈值和所述变化规律指标之间的第一差值，获取所述时序运行数据中的最大值与所述最小值对应的横坐标值之间的第二差值，计算所述第二差值和所述变化规律指标阈值之间的比值，获取所述比值与所述第一差值之间的相乘结果，将所述相乘结果和所述最小值对应的横坐标值之间的加和结果作为所述时序运行数据的推荐分割阈值。
8.根据权利要求1所述的状态评估方法，其特征在于，所述根据所述异常运行数据获取所述风电机组的运行状态评估指标，包括：
获取所述风电机组的正常运行数据，分别计算每个所述异常运行数据与所述正常运行数据之间的差值绝对值，得到差值绝对值均值，对所述差值绝对值均值进行负映射，得到对应的第一映射结果；
在所述实时时序运行数据中确定每个所述异常运行数据的位置，分别计算每两个相邻异常运行数据之间的位置距离，得到位置距离序列，分别计算所述位置距离序列中每相邻两个位置距离之间的差值绝对值，得到差值绝对值的方差，对所述差值绝对值的方差进行负映射，得到对应的第二映射结果，获取常数1减去所述第二映射结果的结果值；
将所述第一映射结果和所述结果值之间的乘积作为所述风电机组的运行状态评估指标。
9.根据权利要求1所述的状态评估方法，其特征在于，所述将所述时序运行数据划分为第一数据集合和第二数据集合，包括：
利用K-means聚类算法将所述时序运行数据划分为第一数据集合和第二数据集合。
10.权利要求1所述的状态评估方法，其特征在于，所述获取所述第一数据集合的第一密度中心和所述第二数据集合的第二密度中心，包括：
使用DBSCAN聚类算法分别获取所述第一数据集合的第一密度中心和所述第二数据集合的第二密度中心。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311778152.XA CN117454283A (zh) | 2023-12-22 | 2023-12-22 | 一种用于风电机组运行检测数据的状态评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311778152.XA CN117454283A (zh) | 2023-12-22 | 2023-12-22 | 一种用于风电机组运行检测数据的状态评估方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117454283A true CN117454283A (zh) | 2024-01-26 |
Family
ID=89591422
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311778152.XA Withdrawn CN117454283A (zh) | 2023-12-22 | 2023-12-22 | 一种用于风电机组运行检测数据的状态评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117454283A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117951616A (zh) * | 2024-03-27 | 2024-04-30 | 山东海纳智能装备科技股份有限公司 | 一种局部通风机智能运维分析方法 |
| CN117970168A (zh) * | 2024-03-29 | 2024-05-03 | 国网山东省电力公司莱芜供电公司 | 一种双电源转换装置的监测数据高效处理方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115419558A (zh) * | 2022-09-27 | 2022-12-02 | 许继电气股份有限公司 | 一种风电机组运行状态评估方法及装置 |
| CN115496163A (zh) * | 2022-10-14 | 2022-12-20 | 浙江理工大学 | 基于K-Means++、BP神经网络和孤立森林的建筑异常能耗检测方法 |
| CN115809405A (zh) * | 2022-12-05 | 2023-03-17 | 河北工业大学 | 基于多特征融合的风机主轴齿轮箱温度异常检测方法 |
| WO2023050620A1 (zh) * | 2021-09-29 | 2023-04-06 | 西安交通大学 | 一种分布式区块链***用户异常行为监测方法及*** |
| CN117194920A (zh) * | 2023-09-06 | 2023-12-08 | 万仁企业管理技术(深圳)有限公司 | 一种基于大数据分析的数据***处理平台及处理方法 |
-
2023
- 2023-12-22 CN CN202311778152.XA patent/CN117454283A/zh not_active Withdrawn
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023050620A1 (zh) * | 2021-09-29 | 2023-04-06 | 西安交通大学 | 一种分布式区块链***用户异常行为监测方法及*** |
| CN115419558A (zh) * | 2022-09-27 | 2022-12-02 | 许继电气股份有限公司 | 一种风电机组运行状态评估方法及装置 |
| CN115496163A (zh) * | 2022-10-14 | 2022-12-20 | 浙江理工大学 | 基于K-Means++、BP神经网络和孤立森林的建筑异常能耗检测方法 |
| CN115809405A (zh) * | 2022-12-05 | 2023-03-17 | 河北工业大学 | 基于多特征融合的风机主轴齿轮箱温度异常检测方法 |
| CN117194920A (zh) * | 2023-09-06 | 2023-12-08 | 万仁企业管理技术(深圳)有限公司 | 一种基于大数据分析的数据***处理平台及处理方法 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117951616A (zh) * | 2024-03-27 | 2024-04-30 | 山东海纳智能装备科技股份有限公司 | 一种局部通风机智能运维分析方法 |
| CN117951616B (zh) * | 2024-03-27 | 2024-05-28 | 山东海纳智能装备科技股份有限公司 | 一种局部通风机智能运维分析方法 |
| CN117970168A (zh) * | 2024-03-29 | 2024-05-03 | 国网山东省电力公司莱芜供电公司 | 一种双电源转换装置的监测数据高效处理方法 |
| CN117970168B (zh) * | 2024-03-29 | 2024-05-28 | 国网山东省电力公司莱芜供电公司 | 一种双电源转换装置的监测数据高效处理方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117454283A (zh) | 一种用于风电机组运行检测数据的状态评估方法 | |
| CN106323635B (zh) | 一种滚动轴承故障在线检测与状态评估方法 | |
| CN117407661B (zh) | 一种用于设备状态检测的数据增强方法 | |
| CN116431975B (zh) | 一种数据中心的环境监测方法及*** | |
| CN116881745B (zh) | 基于大数据的压力变送器异常监测方法 | |
| CN110160765A (zh) | 一种基于声音或振动信号的冲击特征识别方法及*** | |
| CN117093947B (zh) | 一种发电柴油机运行异常监测方法及*** | |
| CN111504647A (zh) | 基于ar-mset的滚动轴承的性能退化评估方法 | |
| CN116066343A (zh) | 一种输油泵机组故障模型的智能预警方法及*** | |
| CN116881749B (zh) | 一种污染场地施工监测方法及*** | |
| CN111881594A (zh) | 一种核动力设备的非平稳信号状态监测方法及*** | |
| Celis et al. | Steady state detection in industrial gas turbines for condition monitoring and diagnostics applications | |
| CN112202630A (zh) | 一种基于无监督模型的网路质量异常检测方法及装置 | |
| Liguori et al. | Towards the evaluation of the measurement uncertainty of environmental acoustic noise | |
| CN117572837B (zh) | 一种智慧电厂ai主动运维方法及*** | |
| CN117421616B (zh) | 一种矿山竖井井筒检测***及方法 | |
| CN116821836B (zh) | 基于多传感器的轮轴瓦异常状态监测方法及*** | |
| CN117434372A (zh) | 电子产品的电磁兼容抗扰度测试方法及*** | |
| US11209339B2 (en) | Method and system for detecting performance of roll-to-roll device for processing flexible material and component thereof | |
| CN111339986A (zh) | 基于时域/频域分析的装备用频规律挖掘方法和*** | |
| CN116226719A (zh) | 基于多维稳态振动特征的轴承故障诊断方法及相关组件 | |
| CN114925731A (zh) | 检测柔性测斜仪监测数据异常值的方法 | |
| CN111319787B (zh) | 一种直升机动部件振动监测数据有效性评估方法 | |
| CN113624280A (zh) | 一种工业生产仪器仪表运行检测数据分析管理方法、设备及存储介质 | |
| Zhao et al. | Health indicator selection and health assessment of rolling element bearing |
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 | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20240126 |