CN118090078B - 一种闭式循环水冷***渗漏在线监测方法 - Google Patents
一种闭式循环水冷***渗漏在线监测方法 Download PDFInfo
- Publication number
- CN118090078B CN118090078B CN202410472879.3A CN202410472879A CN118090078B CN 118090078 B CN118090078 B CN 118090078B CN 202410472879 A CN202410472879 A CN 202410472879A CN 118090078 B CN118090078 B CN 118090078B
- Authority
- CN
- China
- Prior art keywords
- pressure
- data point
- temperature
- pressure data
- scatter diagram
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 41
- 238000001816 cooling Methods 0.000 title claims abstract description 40
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000012544 monitoring process Methods 0.000 title claims abstract description 20
- 238000010586 diagram Methods 0.000 claims abstract description 135
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims abstract 4
- 101100134058 Caenorhabditis elegans nth-1 gene Proteins 0.000 claims description 13
- 238000010606 normalization Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 4
- 230000008859 change Effects 0.000 abstract description 11
- 238000012545 processing Methods 0.000 abstract description 4
- 230000000875 corresponding effect Effects 0.000 description 9
- 230000000694 effects Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000498 cooling water Substances 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
Landscapes
- Examining Or Testing Airtightness (AREA)
Abstract
本发明涉及数据处理技术领域,具体涉及一种闭式循环水冷***渗漏在线监测方法,包括:获取闭式循环水冷***的压力数据序列以及温度数据序列并分别构建压力散点图和温度散点图,根据压力散点图中每个压力数据点的压力值和其周围压力数据点的压力值,得到每个压力数据点的初级噪声程度,并结合每个压力数据点和温度数据点的相关性,获得压力散点图中每个压力数据点的最终噪声程度,对ARIMA模型中MA项的阶数进行修正,对压力数据序列进行预测,判断闭式循环水冷***是否发生泄漏。本发明通过分析压力数据以及温度数据的变化特征,对噪声数据点的影响进行削弱,并对MA项的阶数修正,提高闭式循环水冷***渗漏在线监测的准确性。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种闭式循环水冷***渗漏在线监测方法。
背景技术
闭式循环水冷***渗漏在线监测是一种重要的技术应用,可以有效保障水冷***的正常运行和设备的安全稳定。闭式循环水冷***一旦发生漏水,可能导致设备损坏或工作异常,通过在线监测并对其进行预测可以及时发现***漏水问题,减少损失和维护成本。现有对于闭式循环水冷***压力进行预测的方法是ARIMA模型,其可解释性强、使用范围广、具有较好的预测能力、能够有效地捕捉时间序列数据的特征,提供准确的预测结果。
现有技术存在的问题在于,在对闭式循环水冷***压力进行采集过程中,***运行环境中可能存在各种外部干扰因素,如温度变化、机械振动、电磁干扰等,这些因素可能对压力传感器的测量产生影响,使得采集到的数据受到干扰而产生噪声。现有的ARIMA模型中MA项的阶数的获取是通过分析时间序列数据的ACF和PACF图来确定MA项的阶数。而压力的噪声数据可能会在图中显示出与压力的真实异常数据相似的特征,从而降低了闭式循环水冷***渗漏在线监测的准确性。
发明内容
本发明提供一种闭式循环水冷***渗漏在线监测方法,以解决现有的问题。
本发明的一种闭式循环水冷***渗漏在线监测方法采用如下技术方案:
本发明一个实施例提供了一种闭式循环水冷***渗漏在线监测方法,该方法包括以下步骤:
获取闭式循环水冷***的压力数据序列以及温度数据序列,根据压力数据序列以及温度数据序列,分别构建压力散点图和温度散点图;
根据压力散点图中每个压力数据点的压力值和每个压力数据点的周围压力数据点的压力值,得到压力散点图中每个压力数据点的初级噪声程度;根据压力散点图中每个压力数据点的初级噪声程度的获取方式,得到温度散点图中每个温度数据点的初级噪声程度;
根据压力散点图中每个压力数据点的初级噪声程度和温度散点图中每个温度数据点的初级噪声程度,得到压力散点图中每个压力数据点与温度散点图中每个温度数据点的相关性;
根据压力散点图中每个压力数据点与温度散点图中每个温度数据点的相关性和压力散点图中每个压力数据点的初级噪声程度得到压力散点图中每个压力数据点的最终噪声程度;
根据压力散点图中每个压力数据点的最终噪声程度对ARIMA模型中MA项的阶数进行修正,得到修正后的MA项阶数;
根据修正后的MA项阶数,使用ARIMA模型对压力数据序列进行预测,得到压力数据预测值;根据压力数据预测值,判断闭式循环水冷***是否发生泄漏。
进一步地,所述根据压力数据序列以及温度数据序列,分别构建压力散点图和温度散点图,包括的具体步骤如下:
压力数据序列中每个压力数据对应一个时间,以时间为横轴,以压力数据为纵轴,构建压力数据序列的压力散点图;温度数据序列中每个温度数据对应一个时间,以时间为横轴,以温度数据为纵轴,构建温度数据序列的温度散点图。
进一步地,所述根据压力散点图中每个压力数据点的压力值和每个压力数据点的周围压力数据点的压力值,得到压力散点图中每个压力数据点的初级噪声程度,包括的具体步骤如下:
获取压力散点图中每个压力数据点的参考数据段,根据压力散点图中每个压力数据点的压力值和每个压力数据点的参考数据段内的每个压力数据点的压力值,得到每个压力数据点的初级噪声程度对应的具体计算公式为:
式中,表示压力散点图中第n个压力数据点的初级噪声程度,/>表示压力散点图中第n个压力数据点的压力值,/>表示压力散点图中第n个压力数据点的参考数据段中的所有压力数据点的压力值的均值,/>表示压力散点图中第n个和第n-1个压力数据点的连线与第n个和第n+1个压力数据点的连线的最小夹角的余弦值,/>表示压力散点图中在第n个压力数据点的参考数据段中的压力数据点的数量,/>表示压力散点图中第n个和第n-1个压力数据点的压力值的差值的绝对值,/>表示压力散点图中第n个压力数据点的参考数据段中的第u个和第u-1个压力数据点的压力值的差值的绝对值,/>为以自然常数为底的指数函数,/>为线性归一化函数,/>为绝对值函数。
进一步地,所述获取压力散点图中每个压力数据点的参考数据段,包括的具体步骤如下:
在压力散点图中,将任意一个压力数据点与其距离最近的K个压力数据点组成的序列,记为所述任意一个压力数据点的参考数据段,为预设的数量阈值。
进一步地,所述根据压力散点图中每个压力数据点的初级噪声程度和温度散点图中每个温度数据点的初级噪声程度,得到压力散点图中每个压力数据点与温度散点图中每个温度数据点的相关性,包括的具体步骤如下:
获取温度散点图中每个温度数据点的参考数据段;
根据压力散点图和温度散点图中压力数据点与温度数据点的初级噪声程度的差异,得到压力散点图中每个压力数据点的第一特征;
根据压力散点图中每个压力数据点的第一特征以及压力散点图和温度散点图中压力数据点与温度数据点的参考数据段之间的差异,得到压力散点图中每个压力数据点与温度散点图中每个温度数据点的相关性。
进一步地,所述获取温度散点图中每个温度数据点的参考数据段,包括的具体步骤如下:
根据压力散点图中每个压力数据点的参考数据段的获取方式,得到温度散点图中每个温度数据点的参考数据段。
进一步地,所述根据压力散点图中每个压力数据点的第一特征以及压力散点图和温度散点图中压力数据点与温度数据点的参考数据段之间的差异,得到压力散点图中每个压力数据点与温度散点图中每个温度数据点的相关性,对应的具体计算公式如下:
式中表示压力散点图中第n个压力数据点与温度散点图中第n个温度数据点的相关性,/>表示压力散点图中第n个压力数据点的初级噪声程度,/>表示温度散点图中第n个温度数据点的初级噪声程度;/>表示压力散点图中第n个和第n-1个压力数据点连线的斜率,/>表示温度散点图中第n个和第n-1个温度数据点连线的斜率;/>表示压力散点图中在第n个压力数据点的参考数据段中的压力数据点的数量;/>表示压力散点图中第n个压力数据点的参考数据段中的第u个与第u-1个压力数据点连线的斜率,/>表示温度散点图的第n个温度数据点的参考数据段中的第u个与第u-1个温度数据点连线的斜率;/>表示压力散点图中第n个压力数据点在其参考数据段中的百分位数,/>表示温度散点图中第n个温度数据点在其参考数据段中的百分位数,/>为预设的第一常数,/>为以自然常数为底的指数函数,/>为绝对值函数,/>为压力散点图中第n个压力数据点的第一特征。
进一步地,所述根据压力散点图中每个压力数据点与温度散点图中每个温度数据点的相关性和压力散点图中每个压力数据点的初级噪声程度得到压力散点图中每个压力数据点的最终噪声程度,对应的具体计算公式如下:
式中表示压力散点图中第n个压力数据点的最终噪声程度,/>表示压力散点图中第n个压力数据点的初级噪声程度,/>表示压力散点图中第n个压力数据点与温度散点图中第n个温度数据点的相关性,/>为线性归一化函数,/>为预设的第二常数。
进一步地,所述根据压力散点图中每个压力数据点的最终噪声程度对ARIMA模型中MA项的阶数进行修正,得到修正后的MA项阶数,对应的具体计算公式如下:
式中表示修正后的MA项阶数,/>表示压力散点图中压力数据点的数量,/>表示压力散点图中第n个压力数据点的最终噪声程度,/>表示预设的MA项阶数,/>表示向下取整,c为预设的第三常数。
进一步地,所述根据压力数据预测值,判断闭式循环水冷***是否发生泄漏,包括的具体步骤如下:
当压力数据预测值小于预设的判断阈值时,判定闭式循环水冷***出现了泄露。
本发明的技术方案的有益效果是:
获取闭式循环水冷***的压力数据序列以及温度数据序列并分别构建压力散点图和温度散点图,从而准确反映图像中数据的变化趋势,根据压力散点图中每个压力数据点的压力值和其周围压力数据点的压力值,得到压力散点图中每个压力数据点的初级噪声程度,并结合每个压力数据点和温度数据点的相关性,获得压力散点图中每个压力数据点的最终噪声程度,对ARIMA模型中MA项的阶数进行修正,削弱了噪声数据的影响,更好地描述压力数据的短期波动和随机波动,提高模型的预测精度,对压力数据序列进行预测,判断闭式循环水冷***是否发生泄漏,提供了更准确的预测和分析,使得***更便于运行调控,提高***的效率和稳定性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,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的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一种闭式循环水冷***渗漏在线监测方法的步骤流程图;
图2为本实施例中的压力数据曲线图;
图3为本实施例中的温度数据曲线图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种闭式循环水冷***渗漏在线监测方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种闭式循环水冷***渗漏在线监测方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种闭式循环水冷***渗漏在线监测方法的步骤流程图,该方法包括以下步骤:
步骤S001:获取闭式循环水冷***的压力数据序列以及温度数据序列,根据压力数据序列以及温度数据序列,分别构建压力散点图和温度散点图。
在对闭式循环水冷***压力数据以及温度数据进行采集时,需要确保在同一时间段下进行,具体可以分别使用压力传感器采集每一时刻上的压力数据,得到压力数据序列,使用温度传感器采集每一时刻上的温度数据,得到温度数据序列。具体的采集时长为三十分钟,采集频率为一秒一次,以此为例进行叙述,其它实施方式中可设置为其它值,本实施例不进行限定。以时间为横轴,以压力数据为纵轴,构建压力数据序列的压力散点图;以时间为横轴,以温度数据为纵轴,构建温度数据序列的温度散点图。图2为压力数据曲线图,图3为温度数据曲线图。所需说明的是:图2中横轴为时间,纵轴为压力数据,压力数据的单位为巴;图3中横轴为时间,纵轴为温度数据,温度数据的单位为摄氏度。
步骤S002:根据压力散点图中每个压力数据点的压力值和每个压力数据点的周围压力数据点的压力值,得到压力散点图中每个压力数据点的初级噪声程度;根据压力散点图中每个压力数据点的初级噪声程度的获取方式,得到温度散点图中每个温度数据点的初级噪声程度。
对图中每一个压力数据点的数值表现以及其周围数据的变化特征进行分析,得到其初级噪声程度。其中每一个数据点的数值表现越异常、在每一个压力数据点上发生的突变越强,该压力数据点的初级噪声程度就会越大。
在压力散点图中,将任意一个压力数据点与其距离最近的K个压力数据点组成的序列,记为该任意一个压力数据点的参考数据段,由此得到压力散点图中每个压力数据点的参考数据段,为预设的数量阈值,本实施例中/>为50,以此为例进行叙述,其它实施方式中可设置为其它值,本实施例不进行限定。依据上述逻辑与操作,计算每一个压力数据点的初级噪声程度:
式中,表示压力散点图中第n个压力数据点的初级噪声程度,/>表示压力散点图中第n个压力数据点的压力值,/>表示压力散点图中第n个压力数据点的参考数据段中的所有压力数据点的压力值的均值,/>表示压力散点图中第n个和第n-1个压力数据点的连线与第n个和第n+1个压力数据点的连线的最小夹角的余弦值,/>表示压力散点图中在第n个压力数据点的参考数据段中的压力数据点的数量。/>表示压力散点图中第n个和第n-1个压力数据点的压力值的差值的绝对值,/>表示压力散点图中第n个压力数据点的参考数据段中的第u个和第u-1个压力数据点的压力值的差值的绝对值,/>为以自然常数为底的指数函数,本实施例以/>来呈现反比例关系及归一化处理,实施者可根据实际情况设置反比例函数及归一化函数;/>为线性归一化函数,将数据值归一化至/>区间内,/>为绝对值函数。
公式中表示的是压力散点图中第n个压力数据点相对于其参考数据段中的压力平均值的相对差异,该差异值越大说明在该压力数据点上发生突变的可能性越大,那么其初级噪声程度就会越大。/>的取值范围在[-1,1]之间,该值越大说明该夹角的形状越尖锐,那么该压力数据点的数值相对其左右两侧紧邻的数据点的数值的差异越大,对应的该压力数据点上发生突变的可能性越大,其初级噪声程度越大。表示压力散点图中第n个和第n-1个压力数据点的压力值的差值的绝对值与第n个压力数据点的参考数据段中的第u个和与第u-1个压力数据点的压力值的差值的绝对值的平均值,该值越大说明在第n个压力数据点上发生突变的可能性越大,那么其初级噪声程度就会越大。
根据压力散点图中每个压力数据点的参考数据段的获取方式,得到温度散点图中每个温度数据点的参考数据段;根据压力散点图中每个压力数据点的初级噪声程度的获取方式,得到温度散点图中每个温度数据点的初级噪声程度。
步骤S003:根据压力散点图中每个压力数据点的初级噪声程度和温度散点图中每个温度数据点的初级噪声程度,得到压力散点图中每个压力数据点与温度散点图中每个温度数据点的相关性。
通过上述步骤对于每一个压力数据点的压力值表现以及其周围数据的变化特征的分析,得到了每一个压力数据点的初级噪声程度。但是仅对于每一个压力数据点的压力值表现以及其周围数据点的变化特征进行分析是无法准确区分压力的噪声数据与异常数据的。在闭式循环水***中,当***存在渗漏时,压力会下降,同时由于冷却水的流动减少,***中的温度会上升。所以压力数据与温度数据在本***中是存在一定的负相关关系。所以,我们可以对压力数据与温度数据之间的相关性进行分析,对压力散点图中每一个压力数据点的初级噪声程度进行修正得到每一个压力数据点的最终噪声程度。
计算每一个压力数据点与温度数据点之间的相关性:
式中表示压力散点图中第n个压力数据点与温度散点图中第n个温度数据点的相关性,/>表示压力散点图中第n个压力数据点的初级噪声程度,/>表示温度散点图中第n个温度数据点的初级噪声程度。/>表示压力散点图中第n个和第n-1个压力数据点连线的斜率,/>表示温度散点图中第n个和第n-1个温度数据点连线的斜率。/>表示压力散点图中在第n个压力数据点的参考数据段中的压力数据点的数量。/>表示压力散点图中第n个压力数据点的参考数据段中的第u个与第u-1个压力数据点连线的斜率,/>表示温度散点图的第n个温度数据点的参考数据段中的第u个与第u-1个温度数据点连线的斜率。/>表示压力散点图中第n个压力数据点在其参考数据段中的百分位数,/>表示温度散点图中第n个温度数据点在其参考数据段中的百分位数,/>为预设的第一常数,避免分母为0,本实施例中/>为0.01,以此为例进行叙述,其它实施方式中可设置为其它值,本实施例不进行限定。所需说明的是:百分位数为公知技术,例如序列1,2,3,4,5中,3的百分位数为50%。参考数据段中的数据点按照时间排序,/>为以自然常数为底的指数函数,本实施例以来呈现反比例关系及归一化处理,实施者可根据实际情况设置反比例函数及归一化函数;/>为绝对值函数,/>为压力散点图中第n个压力数据点的第一特征。
公式中表示的是压力散点图中第n个压力数据点与温度散点图中第n个温度数据点的初级噪声程度之间的差异值,该值越小说明两种数据在第n个压力数据点对应的时刻的数值表现以及数据变化特征差异越小,那么二者的相关性越强。/>表示压力散点图中第n个和第n-1个压力数据点连线的斜率与温度散点图中第n个和第n-1个温度数据点连线的斜率的比值,表示的是二者的相对大小关系。/>表示压力散点图中第n个和第n-1个压力数据点连线的斜率与温度散点图的第n个温度数据点的参考数据段中的第u个与第u-1个温度数据点连线的斜率的比值的平均值。/>表示二者的差异,该值越小说明在该时刻下压力数据与温度数据变化的相关性就会越强。越大说明第n个压力数据点对应时刻下的压力数据与温度数据在各自参考数据段中的相对大小之间的差异越大,二者之间的负相关性越强。
步骤S004:根据压力散点图中每个压力数据点与温度散点图中每个温度数据点的相关性和压力散点图中每个压力数据点的初级噪声程度得到压力散点图中每个压力数据点的最终噪声程度。
在得到了每一个压力数据点对应时刻下压力数据与温度数据之间的相关性之后,再结合每一个压力数据点的初级噪声程度进行分析,得到每一个压力数据点的最终噪声程度。其具体计算方式如下:
式中表示压力散点图中第n个压力数据点的最终噪声程度。/>表示压力散点图中第n个压力数据点的初级噪声程度,该值越大对应最终噪声程度就会越大。/>表示压力散点图中第n个压力数据点与温度散点图中第n个温度数据点的相关性,该值越大说明压力数据与温度数据之间的变化特征越符合本***内的特点,对应的最终噪声程度就会越小。最终使用/>将每一个压力数据点的最终噪声程度归一化至/>之间,/>为预设的第二常数,本实施例中/>为2,以此为例进行叙述,其它实施方式中可设置为其它值,本实施例不进行限定,/>为线性归一化函数,将数据值归一化至/>区间内。
步骤S005:根据压力散点图中每个压力数据点的最终噪声程度对ARIMA模型中MA项的阶数进行修正,得到修正后的MA项阶数。
通过上述步骤分析,得到了压力散点图中每一个压力数据点的最终噪声程度。接着需要以压力数据中每一个压力数据点的最终噪声程度再结合由现有技术得到的MA项的阶数来得到准确的MA项阶数,本实施例中预设的MA项阶数的初始值2,以此为例进行叙述,其它实施方式中可设置为其它值,本实施例不进行限定。在ARIMA模型中,噪声数据越多意味着时间序列中存在更多的随机性和不可预测的波动,这些噪声数据会对观测值产生影响,导致数据更加复杂和波动更大。为了更好地捕捉这些噪声数据的影响,需要使用更高阶的MA模型来提高模型的适应能力。依据上述逻辑,得到修正后的MA项的阶数:
式中表示修正后的MA项阶数。/>表示压力散点图中压力数据点的数量,/>表示压力散点图中第n个压力数据点的最终噪声程度,/>表示压力散点图中所有压力数据点的最终噪声程度的均值。/>表示预设的MA项阶数,/>表示向下取整,c为预设的第三常数,本实施例中c为0.5,以此为例进行叙述,其它实施方式中可设置为其它值,本实施例不进行限定。
所需说明的是:ARIMA(Autoregressive Integrated Moving Average)模型是一种常用的时间序列预测模型,用于分析和预测时间序列数据的趋势和周期性。ARIMA模型包含三个部分:自回归(AR)、差分(I)和移动平均(MA),此为公知技术,具体方法在此不做介绍。MA项阶数为ARIMA模型中的一个参数。
步骤S006:根据修正后的MA项阶数,使用ARIMA模型对压力数据序列进行预测,得到压力数据预测值;根据压力数据预测值,判断闭式循环水冷***是否发生泄漏。
根据修正后的MA项阶数,使用ARIMA模型对压力数据序列进行预测,得到一个压力数据预测值,本实施例预设的判断阈值为1,以此为例进行叙述,其它实施方式中可设置为其它值,本实施例不进行限定,当压力数据预测值小于预设的判断阈值时,判定闭式循环水冷***出现了泄露。
至此,本发明完成。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种闭式循环水冷***渗漏在线监测方法,其特征在于,该方法包括以下步骤:
获取闭式循环水冷***的压力数据序列以及温度数据序列,根据压力数据序列以及温度数据序列,分别构建压力散点图和温度散点图;
根据压力散点图中每个压力数据点的压力值和每个压力数据点的周围压力数据点的压力值,得到压力散点图中每个压力数据点的初级噪声程度;根据压力散点图中每个压力数据点的初级噪声程度的获取方式,得到温度散点图中每个温度数据点的初级噪声程度;
所述根据压力散点图中每个压力数据点的压力值和每个压力数据点的周围压力数据点的压力值,得到压力散点图中每个压力数据点的初级噪声程度,包括的具体步骤如下:
获取压力散点图中每个压力数据点的参考数据段,根据压力散点图中每个压力数据点的压力值和每个压力数据点的参考数据段内的每个压力数据点的压力值,得到每个压力数据点的初级噪声程度对应的具体计算公式为:
式中,表示压力散点图中第n个压力数据点的初级噪声程度,/>表示压力散点图中第n个压力数据点的压力值,/>表示压力散点图中第n个压力数据点的参考数据段中的所有压力数据点的压力值的均值,/>表示压力散点图中第n个和第n-1个压力数据点的连线与第n个和第n+1个压力数据点的连线的最小夹角的余弦值,/>表示压力散点图中在第n个压力数据点的参考数据段中的压力数据点的数量,/>表示压力散点图中第n个和第n-1个压力数据点的压力值的差值的绝对值,/>表示压力散点图中第n个压力数据点的参考数据段中的第u个和第u-1个压力数据点的压力值的差值的绝对值,/>为以自然常数为底的指数函数,/>为线性归一化函数,/>为绝对值函数;
根据压力散点图中每个压力数据点的初级噪声程度和温度散点图中每个温度数据点的初级噪声程度,得到压力散点图中每个压力数据点与温度散点图中每个温度数据点的相关性;
所述根据压力散点图中每个压力数据点的初级噪声程度和温度散点图中每个温度数据点的初级噪声程度,得到压力散点图中每个压力数据点与温度散点图中每个温度数据点的相关性,包括的具体步骤如下:
获取温度散点图中每个温度数据点的参考数据段;
根据压力散点图和温度散点图中压力数据点与温度数据点的初级噪声程度的差异,得到压力散点图中每个压力数据点的第一特征;
根据压力散点图中每个压力数据点的第一特征以及压力散点图和温度散点图中压力数据点与温度数据点的参考数据段之间的差异,得到压力散点图中每个压力数据点与温度散点图中每个温度数据点的相关性;
所述根据压力散点图中每个压力数据点的第一特征以及压力散点图和温度散点图中压力数据点与温度数据点的参考数据段之间的差异,得到压力散点图中每个压力数据点与温度散点图中每个温度数据点的相关性,对应的具体计算公式如下:
式中表示压力散点图中第n个压力数据点与温度散点图中第n个温度数据点的相关性,/>表示压力散点图中第n个压力数据点的初级噪声程度,/>表示温度散点图中第n个温度数据点的初级噪声程度;/>表示压力散点图中第n个和第n-1个压力数据点连线的斜率,/>表示温度散点图中第n个和第n-1个温度数据点连线的斜率;/>表示压力散点图中在第n个压力数据点的参考数据段中的压力数据点的数量;/>表示压力散点图中第n个压力数据点的参考数据段中的第u个与第u-1个压力数据点连线的斜率,/>表示温度散点图的第n个温度数据点的参考数据段中的第u个与第u-1个温度数据点连线的斜率;/>表示压力散点图中第n个压力数据点在其参考数据段中的百分位数,/>表示温度散点图中第n个温度数据点在其参考数据段中的百分位数,/>为预设的第一常数,/>为以自然常数为底的指数函数,/>为绝对值函数,/>为压力散点图中第n个压力数据点的第一特征;
根据压力散点图中每个压力数据点与温度散点图中每个温度数据点的相关性和压力散点图中每个压力数据点的初级噪声程度得到压力散点图中每个压力数据点的最终噪声程度;
所述根据压力散点图中每个压力数据点与温度散点图中每个温度数据点的相关性和压力散点图中每个压力数据点的初级噪声程度得到压力散点图中每个压力数据点的最终噪声程度,对应的具体计算公式如下:
式中表示压力散点图中第n个压力数据点的最终噪声程度,/>表示压力散点图中第n个压力数据点的初级噪声程度,/>表示压力散点图中第n个压力数据点与温度散点图中第n个温度数据点的相关性,/>为线性归一化函数,/>为预设的第二常数;
根据压力散点图中每个压力数据点的最终噪声程度对ARIMA模型中MA项的阶数进行修正,得到修正后的MA项阶数;
所述根据压力散点图中每个压力数据点的最终噪声程度对ARIMA模型中MA项的阶数进行修正,得到修正后的MA项阶数,对应的具体计算公式如下:
式中表示修正后的MA项阶数,/>表示压力散点图中压力数据点的数量,/>表示压力散点图中第n个压力数据点的最终噪声程度,/>表示预设的MA项阶数,/>表示向下取整,c为预设的第三常数;
根据修正后的MA项阶数,使用ARIMA模型对压力数据序列进行预测,得到压力数据预测值;根据压力数据预测值,判断闭式循环水冷***是否发生泄漏。
2.根据权利要求1所述一种闭式循环水冷***渗漏在线监测方法,其特征在于,所述根据压力数据序列以及温度数据序列,分别构建压力散点图和温度散点图,包括的具体步骤如下:
压力数据序列中每个压力数据对应一个时间,以时间为横轴,以压力数据为纵轴,构建压力数据序列的压力散点图;温度数据序列中每个温度数据对应一个时间,以时间为横轴,以温度数据为纵轴,构建温度数据序列的温度散点图。
3.根据权利要求1所述一种闭式循环水冷***渗漏在线监测方法,其特征在于,所述获取压力散点图中每个压力数据点的参考数据段,包括的具体步骤如下:
在压力散点图中,将任意一个压力数据点与其距离最近的K个压力数据点组成的序列,记为所述任意一个压力数据点的参考数据段,为预设的数量阈值。
4.根据权利要求1所述一种闭式循环水冷***渗漏在线监测方法,其特征在于,所述获取温度散点图中每个温度数据点的参考数据段,包括的具体步骤如下:
根据压力散点图中每个压力数据点的参考数据段的获取方式,得到温度散点图中每个温度数据点的参考数据段。
5.根据权利要求1所述一种闭式循环水冷***渗漏在线监测方法,其特征在于,所述根据压力数据预测值,判断闭式循环水冷***是否发生泄漏,包括的具体步骤如下:
当压力数据预测值小于预设的判断阈值时,判定闭式循环水冷***出现了泄露。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410472879.3A CN118090078B (zh) | 2024-04-19 | 2024-04-19 | 一种闭式循环水冷***渗漏在线监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410472879.3A CN118090078B (zh) | 2024-04-19 | 2024-04-19 | 一种闭式循环水冷***渗漏在线监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN118090078A CN118090078A (zh) | 2024-05-28 |
CN118090078B true CN118090078B (zh) | 2024-06-25 |
Family
ID=91154893
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410472879.3A Active CN118090078B (zh) | 2024-04-19 | 2024-04-19 | 一种闭式循环水冷***渗漏在线监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118090078B (zh) |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104537034B (zh) * | 2014-12-22 | 2017-11-10 | 国家电网公司 | 基于时间序列分析的输变电设备的状态监测数据清洗方法 |
KR101956715B1 (ko) * | 2017-09-01 | 2019-03-11 | 군산대학교산학협력단 | 풍력 터빈의 요 제어를 위한 풍향 예측 방법 및 장치 |
US10685159B2 (en) * | 2018-06-27 | 2020-06-16 | Intel Corporation | Analog functional safety with anomaly detection |
CN210603662U (zh) * | 2019-11-02 | 2020-05-22 | 山东艾克索仑电气有限公司 | 一种永磁电动滚筒轴承测温结构 |
JP2023113280A (ja) * | 2022-02-03 | 2023-08-16 | 大成建設株式会社 | 漏気検知方法 |
KR20230137021A (ko) * | 2022-03-21 | 2023-10-04 | 주식회사 플로워크연구소 | 인공지능을 이용한 배관이상 탐지 방법 및 시스템 |
CN116320042B (zh) * | 2023-05-16 | 2023-08-04 | 陕西思极科技有限公司 | 边缘计算的物联终端监测控制*** |
CN116738353B (zh) * | 2023-08-15 | 2023-10-13 | 安拓思纳米技术(苏州)有限公司 | 基于数据分析的制药车间空气滤芯性能检测方法 |
CN116881745B (zh) * | 2023-09-07 | 2023-12-19 | 深圳市特安工业科技有限公司 | 基于大数据的压力变送器异常监测方法 |
CN117167903B (zh) * | 2023-11-03 | 2024-01-30 | 江苏中安建设集团有限公司 | 基于人工智能的暖通设备异物故障检测方法 |
CN117725792A (zh) * | 2023-12-18 | 2024-03-19 | 清华大学合肥公共安全研究院 | 基于时间序列和模型修正的建筑安全监测预警方法 |
CN117870943A (zh) * | 2024-01-22 | 2024-04-12 | 中国三峡建工(集团)有限公司 | 基于多传感器的灌浆过程中数据优化采集*** |
-
2024
- 2024-04-19 CN CN202410472879.3A patent/CN118090078B/zh active Active
Non-Patent Citations (2)
Title |
---|
基于ARIMA和LSTM组合模型的核电厂主泵状态预测;朱少民 等;核动力工程;20220430;全文 * |
基于XGBoost-LSTM组合模型的光伏发电功率预测;谭海旺 等;太阳能学报;20220831;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN118090078A (zh) | 2024-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111275288B (zh) | 基于XGBoost的多维数据异常检测方法与装置 | |
CN109492193B (zh) | 基于深度机器学习模型的异常网络数据生成与预测方法 | |
CN108681633B (zh) | 一种基于状态参数的凝结水泵故障预警方法 | |
CN113569903B (zh) | 数控机床刀具磨损预测方法、***、设备、介质、终端 | |
Li et al. | A novel diagnostic and prognostic framework for incipient fault detection and remaining service life prediction with application to industrial rotating machines | |
CN109739214B (zh) | 工业过程间歇故障的检测方法 | |
CN110648480B (zh) | 一种基于变化速率的单变量报警***及方法 | |
CN112414694B (zh) | 基于多元状态估计技术的设备多级异常状态识别方法及装置 | |
CN111881574A (zh) | 一种基于分布函数优选的风电机组关键部件可靠性建模方法 | |
CN111368428A (zh) | 一种基于监控二阶统计量的传感器精度下降故障检测方法 | |
CN111855219A (zh) | 一种基于灰色理论的柴油机润滑油进机安保参数预测方法 | |
CN117195007A (zh) | 一种换热器性能预测方法及*** | |
Perry | Identifying the time of polynomial drift in the mean of autocorrelated processes | |
CN112380992A (zh) | 一种加工过程监控数据准确性评估与优化方法及装置 | |
CN117029968A (zh) | 一种流量数据的诊断方法、***、存储介质和电子设备 | |
CN108508860B (zh) | 一种基于耦合关系的流程工业生产***数据监测方法 | |
CN117786371A (zh) | 一种温度监测数据优化预测分析方法及*** | |
CN118090078B (zh) | 一种闭式循环水冷***渗漏在线监测方法 | |
CN113469408A (zh) | 一种用于调相机的运行状态趋势预测方法及*** | |
Pan et al. | Multi-sensor signal fusion method for rolling bearing based on the standard relative mean–variance value and random weighting algorithm | |
CN117312972A (zh) | 一种刮板输送机减速器健康状态识别方法 | |
Yao et al. | A framework via impulses-oriented Gini index and extreme value distribution for rolling bearing dynamic fault alarm and identification | |
CN116641941A (zh) | 一种基于典型变量分析的液压***早期故障动态检测方法 | |
CN113887119A (zh) | 一种基于sarima-lstm的河流水质预测方法 | |
CN117470529A (zh) | 一种过程控制***阀门静摩擦故障检测方法及*** |
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 |