WO2012149901A1 - 基于相似度曲线的设备故障早期预警及优化的方法和*** - Google Patents
基于相似度曲线的设备故障早期预警及优化的方法和*** Download PDFInfo
- Publication number
- WO2012149901A1 WO2012149901A1 PCT/CN2012/075037 CN2012075037W WO2012149901A1 WO 2012149901 A1 WO2012149901 A1 WO 2012149901A1 CN 2012075037 W CN2012075037 W CN 2012075037W WO 2012149901 A1 WO2012149901 A1 WO 2012149901A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- data
- real
- time
- normal
- state
- Prior art date
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
-
- 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
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
- G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
Definitions
- the invention belongs to the technical field of equipment state detection and early warning, and relates to a method and system for early warning of equipment failure and equipment optimization, in particular to a method and system for equipment early warning and equipment optimization based on similarity curve.
- Real-time data refers to data with time stamps whose data characteristics change with time and form a large amount of historical data as time accumulates. Real-time data is widely found in continuous industrial process generation processes, key equipment for equipment manufacturers, and remote data centers for enterprise groups. Through online mining and analysis of real-time historical data, the actual operating status of the process production equipment can be accurately understood, providing scientific guidance for the safe and efficient operation of the equipment.
- the traditional equipment data monitoring system is built on the data acquisition system of the equipment. It can only provide real-time data display, analysis and equipment fault alarms and diagnosis of equipment measurement points. It can not provide effective early faults in the early stage of equipment accident signs. Early warning analysis can not provide ex ante guidance for the operation optimization of equipment by analyzing the mining results of real-time historical data of equipment.
- the object of the present invention is to overcome the defects of the prior art, and establish a normal operation state data model of the device based on the data of the real-time historical data of the device real-time historical data extraction; and analyze the real-time running data between the device and the normal running state data model of the device.
- the similarity curve sets an early warning baseline with clear engineering significance, realizes the early warning of the potential failure of the equipment object, and provides guidance for the potential fault optimization operation of the equipment object through the ordering of the influence variable parameters.
- the invention provides a method for early warning of equipment failure and equipment optimization based on the similarity curve: a screening step, which screens real-time historical data of normal operation of the equipment from real-time historical data of the equipment operation; In the manual creation step, based on the real-time historical data of the normal operation of the device obtained from the screening step, a data state set including the normal state of the device is generated, and the data group is extracted according to the distribution of the data group in the data state set, thereby creating a normal reflection of the actual running law of the device.
- Running the data model
- the generating step compares the real-time status value group when the device is online running with the value group of each status point in the normal running data model, and generates a similarity curve between the real-time running state of the device and the normal running data model;
- the early warning step combines the early warning and optimization rules of potential faults of equipment obtained from the definition step, analyzes the change of the similarity curve obtained from the generation step, issues early warning of potential faults of the equipment, and generates equipment optimization operation guidance.
- the real-time historical data of the normal operation of the device satisfies the following conditions, covering a period of time that can reflect the running time of the device under various working conditions, and each sampling data group in the real-time historical data of the normal running of the device.
- the real-time data of all variable parameters of the included device are within the normal range, expressing the normal running state of the device, and each variable parameter of the device in each sampled data set is sampled at the same time.
- a typical feature data set is extracted from a data set of a data state set of a device normal state for creating a normal operating data model, the typical feature data set including the data state set In the extreme state, and in the data state set, the data set density is large, the typical feature data set is relatively less specific; in the data state set, the data set density is small, the typical feature data set is relatively large.
- each runtime of the device is sampled to form the real-time status value group, and the real-time sampled value group and each device in the normal running data model are The numerical group of the specification state is compared and calculated, and a data model feature value group most similar to the real-time sampled value group of the current running time of the device is found from the normal operation data model, and the current real-time sampled value group of the device and the data model feature value group are The distance between the devices is the online similarity value of the device, and the online similarity value of the device at each running time forms a similarity curve.
- the ordering of the variable parameters in the real-time sampled value group that affects the change of the online similarity value of the device is also calculated.
- the data state set of the normal state of the device is calculated by the normal running data model, and the similarity value of the normal state is obtained, and the minimum value of the similarity values of the normal state is taken as Early warning baseline, as an early warning and optimization rule for equipment potential failures.
- the early warning step when the online similarity value of the device of the similarity curve is lower than the value of the warning baseline, an early warning of potential failure of the device is issued,
- the output of the measuring point affecting the variable parameter is generated, and the device is also provided as a device optimization operation guide.
- the invention also provides an equipment early warning and device based on the similarity curve. Optimized system: The screening module, the input device runs real-time historical data, and the real-time historical data of the normal operation of the device is filtered out therefrom;
- Create a module input the real-time historical data of the device obtained by the filtering module, generate a data state set including the normal state of the device, and extract according to the distribution of the data group in the data state set, and create a normal operation data model reflecting the actual running law of the device;
- Generating a module using the real-time status value group when the device is running online as an input of the normal operation data model, and comparing the real-time status value group when the device is online running with the value group of each status point in the normal operation data model, generating a device A similarity curve between the real-time running state and the normal running data model; defining a module, using the data state set of the normal state of the device as an input of the normal running data model, and calculating the data state set of the normal state of the device based on the normal running data model, Generating and defining an early warning and optimization rule for equipment potential failure corresponding to the change in the similarity curve obtained by the generating module;
- the early warning module combined with the early warning and optimization rules of potential faults of the equipment obtained from the definition module, analyzes The book changes the similarity curve obtained from the generation module, issues early warning of potential faults of the equipment, and produces equipment optimization operation instructions.
- FIG. 1 is a flow chart of steps of a method according to a preferred embodiment of the present invention.
- FIG. 3 is a flow chart of generating a similarity curve and sorting of related points according to the present invention.
- FIG. 4 is a flow chart of defining an alerting rule for a device according to the present invention.
- FIG. 5 is a schematic diagram of the guidance result of the early warning and the generation optimization operation of the device according to the similarity curve according to the similarity curve;
- FIG. 6 is a block diagram of an apparatus for early warning and equipment optimization based on a similarity curve according to the present invention. detailed description
- Figure 1 shows a flow chart of the steps of a preferred embodiment of the present invention
- Step 110 Filter real-time historical data of the normal operation of the device from the real-time historical data of the device running. That is, on the same time axis for a period of time, the real-time data of all the parameters of the device are selected in the normal range of data, and the abnormal and interference data in the running of the device is removed.
- Step 120 Generate real-time historical data of the device obtained from the screening step, generate a data state set including the normal state of the device, and extract according to the distribution of the data group in the data state set, and create a normal operation data model that reflects the actual running law of the device. .
- Step 130 Compare the real-time status value group when the device is online running with the value group of each status point in the normal running data model, and generate a similarity curve between the real-time running state of the device and the normal running data model.
- Step 140 Calculate a data state set of the normal state of the device based on the normal operation data model, and generate and define an early warning and optimization rule for the device potential failure corresponding to the change of the similarity curve obtained by the step.
- Step 150 combining the early warning and optimization rules of potential faults of the equipment obtained from the definition step, analyzing The description changes the similarity curve obtained from the generated step, issues early warning of potential faults of the equipment, and produces equipment optimization operation instructions.
- the device normal operation data model is generated from the filtered device running real-time historical data. The historical data used to generate the data model should meet the following requirements:
- Each set of data can express a normal operating state of the device object
- Each of the above sample values represents a normal state in the actual operation of the compressor, covering different operating conditions of the compressor.
- the state feature group which can represent the 10080 sets of sample values of the compressor is extracted, for example: 360 typical feature data sets are extracted, and the normal operation data model of the device is generated.
- the principles followed for extracting typical feature data sets are as follows:
- the compressor has 24 measuring points, and then up to 48 of the typical feature data sets contain the data sets of the maximum and minimum values of each measuring point;
- the principle is that in the data state centralized data group distribution density is large, the typical feature data group is relatively less specific; in the data state concentration data group distribution density is small, the typical feature data group is relatively large. This ensures that the arrays in the normal state data model can accurately cover the normal operation of all devices.
- Figure 3 shows the process of generating a similarity curve and sorting of associated points.
- each runtime of the device running online is sampled to form the real-time state.
- the value group of the specification compares the real-time sampled value group with the value group of each state point in the normal operation data model of the device, and finds a data model most similar to the real-time sampled value group of the current running time of the device from the normal running data model.
- the feature value group, the distance between the current real-time sampled value group of the device and the data model feature value group is the device online similarity value.
- a similarity value is generated at each moment, and all the similarity values form the online similarity curve of the device.
- the ordering of the variable parameters in the real-time sampled value group that affects the change of the online similarity value of the device is also calculated based on the normal operation data model.
- the parameters of the compressor's equipment are 24, and the data model can select 5 parameters that affect the greatest change in similarity, and sort the output according to the influence size.
- the compressor is running normally, the online similarity of the equipment remains normal.
- the similarity curve changes and triggers the warning, and the five parameters that affect the maximum similarity of the equipment are also indicated.
- Figure 4 shows the process of defining device alert rules.
- Early warning of potential equipment failures is defined by defining the range of variation of the equipment's online similarity curve. That is, an early warning baseline for the similarity value is set for the device. When the online similarity curve value of the device is lower than the warning baseline value, the device is in an early warning state.
- the warning baseline value is automatically obtained by calculating the normal operating state data set of the device through the device normal state data model.
- the normal operating state data set of the compressor is 10080 data sets, and the 10080 data sets are calculated by the data model to generate 10080 similarity values, which cover the normal operation of the compressor.
- the minimum value is set as the warning baseline for similarity.
- Figure 5 shows the process of issuing an early warning of a potential failure of a device based on a similarity curve and generating guidance for optimizing operation.
- a group of real-time data is continuously generated, that is, an input of a group device normal operation data model is generated, and the similarity values of the devices are outputted by the model to form an online similarity curve of the device operation, when the device fails early.
- the similarity curve will have a corresponding downward trend before the equipment failure.
- the value of the similarity curve is lower than the equipment warning baseline, that is, the current state change of the device has exceeded the range of all historical normal operation, it is released. Early warning of equipment status failure.
- the potential of the device can be targeted in the early stage.
- the book is faulty and related optimization processing, that is, according to the output of the variable parameters affected by the measuring point, the device-related parameters are optimized to prevent further deterioration of the potential fault of the device, and the goal of long-term stable and optimized operation of the device is achieved.
- the compressor in the above example when the compressor triggers the early warning of the fault at time T1 of Figure 5, through the associated sorting check, it is found that there are three main associated measuring point parameters affecting the similarity change, namely compression.
- the lubricating oil pressure (V2) of the machine continues to drop, the compressor vibration continues to climb (V5), and the lubricating oil temperature (V10) continues to rise, although these three parameters are still within the normal range, while the other 21 parameters change everything.
- V2 lubricating oil pressure
- V5 the compressor vibration continues to climb
- V10 lubricating oil temperature
- Normal it is necessary to check whether the compressor lubricating oil sealing system is abnormal, and to eliminate the impact of the potential oil seal leakage fault on the normal operation of the compressor.
- the preferred embodiment of the present invention is implemented by an early warning of equipment failure and a device optimization system based on the similarity curve, and Figure 6 shows a block diagram of the system.
- the screening module 01 is used for inputting real-time historical data of the input device, and filtering out real-time historical data of the device from normal operation;
- the creating module 02 is configured to input the real-time historical data of the normal operation of the device obtained by the screening module, generate a data state set including the normal state of the device, and extract according to the distribution of the data group in the data state set, and create normal operation data reflecting the actual running law of the device.
- the generating module 03 is configured to compare the real-time status value group when the device is running online as the input of the normal running data model, and compare the real-time status value group when the device is online running with the value group of each status point in the normal running data model. Generating a similarity curve between the real-time operating state of the device and the normal running data model;
- the definition module 04 is configured to use the data state set of the normal state of the device as an input of the normal operation data model, calculate a data state set of the normal state of the device based on the normal operation data model, and define a change corresponding to the similarity curve obtained from the generation module.
- Early warning and optimization rules for potential faults of equipment The early warning module 05 is used to combine the early warning and optimization rules of potential faults of equipment obtained from the definition module, analyze the change of the similarity curve obtained from the generating module, and issue early warning of potential faults of the equipment, and Generate equipment optimization instructions.
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Automation & Control Theory (AREA)
- Quality & Reliability (AREA)
- General Engineering & Computer Science (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
一种基于相似度曲线的设备故障早期预警及设备优化的方法和***,所述方法包括:从设备运行实时历史数据中筛选出正常运行实时历史数据;基于正常实时历史数据,生成数据状态集,并根据数据状态集内数据组的分布进行抽取,创建反映设备实际运行规律的正常运行数据模型;将设备在线运行时的实时状态值组与正常运行数据模型中每个状态点的数值组进行比较计算,生成相似度曲线;基于正常运行数据模型对设备正常状态的数据状态集计算,定义与相似度曲线的变化对应的设备潜在故障早期预警及优化规则;结合设备潜在故障早期预警及优化规则,分析相似度曲线的变化,发布设备潜在故障早期预警,并产生设备优化操作指导。
Description
说 明 书 基于相似度曲线的设备故障早期预警及优化的方法和*** 技术领域
本发明属于设备状态检测预警技术领域,涉及一种设备故障早期预警及设备 优化的方法和***,特别是一种基于相似度曲线的设备故障早期预警及设备优化 的方法和***。
背景技术
随着现代工业及科学技术的迅速发展, 现代化的流程工业呈现出规模大、 结 构复杂、 生产单元之间强耦合、投资大等特点。 与此同时, 生产过程发生故障的 可能性也随之增加。这类***一旦发生故障,不仅会造成人员和财产的巨大损失, 而且对生态环境也将会造成不可挽回的影响。为了提高工业生产过程与控制*** 的安全性, 同时提高产品的质量、 降低生产成本, 过程监控和故障预警已成为企 业信息化中不可或缺的一部分。
实时数据是指带有时间标签的数据, 其数据特征是随时间变化而变化, 随着 时间的累积形成海量的历史数据。实时数据广泛存在于连续的工业过程生成流程、 设备制造厂家的关键重大设备、企业集团的远程数据中心。通过对实时历史数据 的在线挖掘分析, 可以准确了解过程生产设备的实际运行状态, 为设备的安全、 高效运行提供科学的指导依据。
传统的设备数据监测***建立在设备的数据采集***之上, 只能提供设备测 点参数的实时数据显示、分析和设备故障事后报警、诊断, 无法对设备出现事故 征兆的早期提供有效的故障早期预警分析,也无法通过分析设备实时历史数据的 挖掘结果, 为设备的操作优化提供事前指导。
发明内容
本发明的目的是为克服现有技术的缺陷, 基于设备实时历史数据抽取设备 实际正常运行状态的数据建立设备正常运行状态数据模型;通过分析设备实时运 行数据与设备正常运行状态数据模型之间的相似度曲线,设定有明确工程意义的 预警基准线,实现了设备对象潜在故障变化的早期预警, 并通过测点影响变量参 数的排序为设备对象的潜在故障优化操作提供指导。
本发明提供一种基于相似度曲线的设备故障早期预警及设备优化的方法: 筛选步骤, 从设备运行实时历史数据中筛选出设备正常运行实时历史数据;
说 明 书 创建歩骤, 基于从筛选歩骤得到的设备正常运行实时历史数据, 生成包括设 备正常状态的数据状态集,并根据数据状态集内数据组的分布进行抽取,创建反 映设备实际运行规律的正常运行数据模型;
生成步骤, 将设备在线运行时的实时状态值组与正常运行数据模型中每个状 态点的数值组进行比较计算,生成设备实时运行状态与正常运行数据模型之间的 相似度曲线;
定义步骤, 基于正常运行数据模型对设备正常状态的数据状态集进行计算, 生成并定义与生成步骤得到的相似度曲线的变化对应的设备潜在故障早期预警 及优化规则;
预警歩骤, 结合从定义步骤得到的设备潜在故障早期预警及优化规则, 分析 从生成步骤得到的相似度曲线的变化,发布设备潜在故障早期预警, 并产生设备 优化操作指导。 在一个首选实施例中, 在筛选步骤中, 设备正常运行实时历史数据满足以下 条件,涵盖了一段可以反映设备在各个工况下的运行时间,设备正常运行实时历 史数据中的每个采样数据组包括的设备所有变量参数的实时数据都在正常范围 内,表达设备的正常运行状态, 并且每个采样数据组中设备各个变量参数在同一 时刻采样。 在一个首选实施例中, 在创建步骤中, 从设备正常状态的数据状态集的数据 组中抽取典型特征数据组用于创建正常运行数据模型,所述典型特征数据组包含 所述数据状态集中的极值状态, 并且在数据状态集中数据组分布密度大的地方, 抽取典型特征数据组相对比重较少; 在数据状态集中数据组分布密度小的地方, 抽取典型特征数据组相对比重较大。
从而可以保证正常运行数据模型中的数据可以精确覆盖所有的设备正常运 行状态。 在一个首选实施例中, 在生成歩骤中, 对设备在线运行的每个运行时刻采样 形成所述实时状态值组,将所述实时采样值组与设备正常运行数据模型中每个状
说 明 书 态点的数值组进行比较计算,从正常运行数据模型找到与设备当前运行时刻实时 采样值组最相似的一数据模型特征值组,设备当前实时采样值组与所述数据模型 特征值组之间的距离为设备在线相似度值,每个运行时刻的设备在线相似度值形 成相似度曲线。
基于正常运行数据模型也计算出影响设备在线相似度值变化的实时采样值 组中变量参数的排序。 在一个首选实施例中, 在定义步骤中, 通过正常运行数据模型对设备正常状 态的数据状态集进行计算,得到正常状态的相似度值,取所述正常状态的相似度 值中的最小值作为预警基准线, 作为设备潜在故障早期预警及优化规则。 在一个首选实施例中, 在预警步骤, 当相似度曲线的设备在线相似度值低于 预警基准线的数值时, 发布设备潜在故障早期预警,
基于影响设备在线相似度值变化的实时采样值组中变量参数的排序, 产生测 点影响变量参数的输出, 作为设备优化操作指导 本发明还提供一种基于相似度曲线的设备故障早期预警及设备优化的***: 筛选模块, 输入设备运行实时历史数据, 从中筛选出设备正常运行实时历史 数据;
创建模块, 输入筛选模块得到的设备正常运行实时历史数据, 生成包括设备 正常状态的数据状态集, 并根据数据状态集内数据组的分布进行抽取,创建反映 设备实际运行规律的正常运行数据模型;
生成模块, 将设备在线运行时的实时状态值组作为正常运行数据模型的输入, 将设备在线运行时的实时状态值组与正常运行数据模型中每个状态点的数值组 进行比较计算, 生成设备实时运行状态与正常运行数据模型之间的相似度曲线; 定义模块, 将设备正常状态的数据状态集作为正常运行数据模型的输入, 基 于正常运行数据模型对设备正常状态的数据状态集进行计算,生成并定义与生成 模块得到的相似度曲线的变化对应的设备潜在故障早期预警及优化规则;
预警模块, 结合从定义模块得到的设备潜在故障早期预警及优化规则, 分析
说 明 书 从生成模块得到的相似度曲线的变化,发布设备潜在故障早期预警, 并产生设备 优化操作指导。 附图说明
图 1为本发明首选实施例的方法步骤流程图;
图 2为本发明创建正常运行数据模型的流程图;
图 3为本发明生成相似度曲线及关联点排序的流程图;
图 4为本发明定义设备预警规则的流程图;
图 5为本发明根据相似度曲线发布设备潜在故障早期预警及生成优化操作 指导结果的示意图;
图 6为本发明提供的基于相似度曲线的设备故障早期预警及设备优化*** 的方框图。 具体实施方式
现在将参照附图详细说明本发明的首选实施例。
图 1显示了本发明首选实施例的方法步骤流程图
步骤 110, 从设备运行实时历史数据中筛选出设备正常运行实时历史数据。 即在一段时间的同一时间轴上, 选择设备所有参数的实时数据都在正常范围 内的数据, 去除设备运行中非正常和干扰数据。
步骤 120, 基于从筛选步骤得到的设备正常运行实时历史数据, 生成包括设 备正常状态的数据状态集,并根据数据状态集内数据组的分布进行抽取,创建反 映设备实际运行规律的正常运行数据模型。
步骤 130, 将设备在线运行时的实时状态值组与正常运行数据模型中每个状 态点的数值组进行比较计算,生成设备实时运行状态与正常运行数据模型之间的 相似度曲线。
步骤 140, 基于正常运行数据模型对设备正常状态的数据状态集进行计算, 生成并定义与生成歩骤得到的相似度曲线的变化对应的设备潜在故障早期预警 及优化规则。
步骤 150, 结合从定义步骤得到的设备潜在故障早期预警及优化规则, 分析
说 明 书 从生成歩骤得到的相似度曲线的变化,发布设备潜在故障早期预警, 并产生设备 优化操作指导。 设备正常运行数据模型从筛选过的设备运行实时历史数据中生成, 用来生成 数据模型的历史数据应该满足以下要求:
涵盖了一段可以反映设备在各个工况下的运行时间;
每组数据都可以表达设备对象的一个正常运行状态;
满足每一组采样值中设备各个变量参数的同时性, 即必须是同一历史时刻各 个变量参数的采样值。
由此得到设备正常运行实时历史数据。
例如: 某工厂大型压缩机对象的测点参数为 24个, 包括了监测压縮机运行 状态的温度、 压力、 流量、振动等参数。 按照每 1分钟采样一次, 对压缩机正常 运行工况下进行总计 168小时采样,就得到了 10080个采样值组, 这些采样值组 的全体构成了创建设备正常运行数据模型的数据状态集。 图 2显示了创建正常运行数据模型的过程。
上述每一组采样值都代表了压缩机实际运行中的一个正常状态, 覆盖了压缩 机运行的不同工况。通过对压缩机 10080采样值组的分析,抽取出最能够代表压 缩机这 10080组采样值组的状态特征组, 比如: 抽取 360个典型特征数据组, 生 成设备正常运行数据模型。 抽取典型特征数据组遵循的原则如下:
包含数据状态集中的极值状态, 如上例中压缩机的测点参数为 24个, 则典 型特征数据组中最多有 48个包含了每个测点参数最大值和最小值的数据组; 相似从简原则, 即在数据状态集中数据组分布密度大的地方, 抽取典型特征 数据组相对比重较少;在数据状态集中数据组分布密度小的地方,抽取典型特征 数据组相对比重较大。从而可以保证正常状态数据模型中的数组可以精确覆盖所 有的设备正常运行状态。 图 3显示了生成相似度曲线及关联点排序的过程。
当设备在线运行时, 对设备在线运行的每个运行时刻采样形成所述实时状态
说 明 书 值组,将所述实时采样值组与设备正常运行数据模型中每个状态点的数值组进行 比较计算,从正常运行数据模型找到与设备当前运行时刻实时采样值组最相似的 一数据模型特征值组,设备当前实时采样值组与所述数据模型特征值组之间的距 离为设备在线相似度值。设备运行中, 每一时刻都生成一个相似度值, 所有的相 似度值就形成了设备在线相似度曲线。
在计算出设备在线相似度的同时, 基于正常运行数据模型也计算出影响设备 在线相似度值变化的实时采样值组中变量参数的排序。例如: 上例中压縮机的设 备测点参数为 24个, 数据模型可以选择影响相似度变化最大的 5个参数, 并按 影响大小排序输出。 当压缩机运行正常时, 设备在线相似度保持正常; 当设备出 现潜在的故障早期征兆,相似度曲线发生下降变化并触发预警时, 同时提示影响 设备相似度变化最大的 5个参数。 图 4显示了定义设备预警规则的过程。
设备潜在故障的早期预警通过对设备在线相似度曲线的变化范围进行定义 实现。即对设备设定一个相似度值的预警基准线, 当设备在线相似度曲线数值低 于预警基准线数值时,设备即处于预警状态。预警基准线数值通过设备正常状态 数据模型对设备正常运行状态数据集的计算自动获得。如上例中,压缩机的正常 运行状态数据集为 10080个数据组,通过数据模型对这 10080个数据组计算, 生 成 10080个相似度值,这些相似度值覆盖了该压缩机在所有正常运行工况下的相 似度, 取其最小值设为相似度的预警基准线。 图 5显示了根据相似度曲线发布设备潜在故障早期预警及生成优化操作指导 结果的过程。
设备在线运行中, 不断产生一组组的实时数据, 即生成一组组设备正常运行 数据模型的输入,通过模型输出一个个的相似度数值,形成设备运行在线相似度 曲线, 当设备出现故障早期征兆时,相似度曲线会先于设备故障出现相应的下降 变化趋势, 当相似度曲线的数值低于设备预警基准线时, 即设备的当前状态变化 已经超出所有历史正常运行的范围时, 则发布设备状态故障早期预警。此外, 根 据影响相似度曲线变化变量参数的排序输出,可以有针对性的对设备早期的潜在
说 明 书 故障进行相关优化处理, 即按照测点影响变量参数的输出,对设备相关的参数进 行优化操作, 防止设备潜在故障的进一步恶化, 达到设备长期稳定、优化运行的 目标。
实际运行中, 如上例中的压縮机, 当压缩机在图 5的 T1时刻触发故障早期 预警, 通过关联测点排序检査发现影响相似度变化的主要关联测点参数有 3个, 即压缩机的润滑油压(V2)持续下降,压縮机振动持续攀升(V5),润滑油温(V10) 持续上升, 虽然这 3个参数仍在正常值范围之内, 而其他 21个参数变化一切正 常,这时就需要检査压缩机润滑油密封***是否有异常,排除潜在油封漏油的故 障对压缩机正常运行造成的影响。 本发明首选实施例由基于相似度曲线的设备故障早期预警及设备优化*** 实现, 图 6显示了该***的模块示意图。
如图示, 筛选模块 01用于输入设备运行实时历史数据, 从中筛选出设备正 常运行实时历史数据;
创建模块 02用于输入筛选模块得到的设备正常运行实时历史数据, 生成包 括设备正常状态的数据状态集,并根据数据状态集内数据组的分布进行抽取,创 建反映设备实际运行规律的正常运行数据模型;
生成模块 03用于将设备在线运行时的实时状态值组作为正常运行数据模型 的输入,将设备在线运行时的实时状态值组与正常运行数据模型中每个状态点的 数值组进行比较计算,生成设备实时运行状态与正常运行数据模型之间的相似度 曲线;
定义模块 04用于将设备正常状态的数据状态集作为正常运行数据模型的输 入,基于正常运行数据模型对设备正常状态的数据状态集进行计算,定义与从生 成模块得到的相似度曲线的变化对应的设备潜在故障早期预警及优化规则; 预警模块 05用于结合从定义模块得到的设备潜在故障早期预警及优化规则, 分析从生成模块得到的相似度曲线的变化,发布设备潜在故障早期预警, 并产生 设备优化操作指导。
Claims
1、 一种基于相似度曲线的设备故障早期预警及设备优化的方法, 其特征在 于包括:
筛选步骤, 从设备运行实时历史数据中筛选出设备正常运行实时历史数据; 创建步骤, 基于从筛选步骤得到的设备正常实时历史数据, 生成包括设备正 常状态的数据状态集,并根据数据状态集内数据组的分布进行抽取,创建反映设 备实际运行规律的正常运行数据模型;
生成步骤, 将设备在线运行时的实时状态值组与正常运行数据模型中每个状 态点的数值组进行比较计算,生成设备实时运行状态与正常运行数据模型之间的 相似度曲线;
定义步骤, 基于正常运行数据模型对设备正常状态的数据状态集进行计算, 定义与生成步骤得到的相似度曲线的变化对应的设备潜在故障早期预警及优化 规则;
预警步骤, 结合从定义步骤得到的设备潜在故障早期预警及优化规则, 分析 从生成步骤得到的相似度曲线的变化,发布设备潜在故障早期预警, 并产生设备 优化操作指导。
2、 根据权利要求 1所述的方法, 其特征在于: 在筛选步骤中, 设备正常运 行实时历史数据满足以下条件,涵盖了一段可以反映设备在各个工况下的运行时 间,设备正常运行实时历史数据中的每个采样数据组包括的设备所有变量参数的 实时数据都在正常范围内,表达设备的正常运行状态, 并且每个采样数据组中设 备各个变量参数在同一时刻采样。
3、 根据权利要求 1所述的方法, 其特征在于: 在创建步骤中, 从设备正常 状态的数据状态集的数据组中抽取典型特征数据组用于创建正常运行数据模型, 所述典型特征数据组包含所述数据状态集中的极值状态,并且在数据状态集中数 据组分布密度大的地方,抽取典型特征数据组相对比重较少;在数据状态集中数 据组分布密度小的地方, 抽取典型特征数据组相对比重较大。
4、 根据权利要求 1所述的方法, 其特征在于: 在生成步骤中, 对设备在线 运行的每个运行时刻采样形成所述实时状态值组,将所述实时状态值组与设备正 常运行数据模型中每个状态点的数值组进行比较计算,从正常运行数据模型找到 与设备当前运行时刻实时状态值组最相似的一数据模型特征值组,设备当前实时 权 利 要 求 书 状态值组与所述数据模型特征值组之间的距离为设备在线相似度值,每个运行时 刻的设备在线相似度值形成相似度曲线。
5、 根据权利要求 4所述的方法, 其特征在于还包括: 基于正常运行数据模 型也计算出影响设备相似度曲线变化的实时状态值组中变量参数的排序。
6、根据权利要求 1至 5任意一项所述的方法,其特征在于:在定义步骤中, 通过正常运行数据模型对设备正常状态的数据状态集进行计算,得到正常状态的 相似度值,取所述正常状态的相似度值中的最小值作为预警基准线,作为设备潜 在故障早期预警及优化规则。
7、 根据权利要求 6所述的方法, 其特征在于: 在预警歩骤, 当相似度曲线 的设备在线相似度值低于预警基准线的数值时, 发布设备潜在故障早期预警;
8、 根据权利要求 5至 7任意一项所述的方法, 其特征在于: 在预警步骤, 基于影响相似度曲线变化的实时采样值组中变量参数的排序,产生测点影响变量 参数的输出, 作为设备优化操作指导。
9、 一种基于相似度曲线的设备故障早期预警及设备优化的***, 其特征在 于包括:
筛选模块, 输入设备运行实时历史数据, 从中筛选出设备正常运行实时历史 数据;
创建模块, 输入筛选模块得到的设备正常运行实时历史数据, 生成包括设备 正常状态的数据状态集, 并根据数据状态集内数据组的分布进行抽取,创建反映 设备实际运行规律的正常运行数据模型;
生成模块, 将设备在线运行时的实时状态值组作为正常运行数据模型的输入, 将设备在线运行时的实时状态值组与正常运行数据模型中每个状态点的数值组 进行比较计算, 生成设备实时运行状态与正常运行数据模型之间的相似度曲线; 定义模块, 将设备正常状态的数据状态集作为正常运行数据模型的输入, 基 于正常运行数据模型对设备正常状态的数据状态集进行计算,定义与从生成模块 得到的相似度曲线的变化对应的设备潜在故障早期预警及优化规则;
预警模块, 结合从定义模块得到的设备潜在故障早期预警及优化规则, 分析 从生成模块得到的相似度曲线的变化,发布设备潜在故障早期预警, 并产生设备 优化操作指导。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US14/070,041 US20140067327A1 (en) | 2011-05-03 | 2013-11-01 | Similarity curve-based equipment fault early detection and operation optimization methodology and system |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110112631.9 | 2011-05-03 | ||
CN201110112631.9A CN102270271B (zh) | 2011-05-03 | 2011-05-03 | 基于相似度曲线的设备故障早期预警及优化的方法和*** |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
US14/070,041 Continuation US20140067327A1 (en) | 2011-05-03 | 2013-11-01 | Similarity curve-based equipment fault early detection and operation optimization methodology and system |
Publications (1)
Publication Number | Publication Date |
---|---|
WO2012149901A1 true WO2012149901A1 (zh) | 2012-11-08 |
Family
ID=45052575
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
PCT/CN2012/075037 WO2012149901A1 (zh) | 2011-05-03 | 2012-05-03 | 基于相似度曲线的设备故障早期预警及优化的方法和*** |
Country Status (3)
Country | Link |
---|---|
US (1) | US20140067327A1 (zh) |
CN (1) | CN102270271B (zh) |
WO (1) | WO2012149901A1 (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105677791A (zh) * | 2015-12-31 | 2016-06-15 | 新疆金风科技股份有限公司 | 用于分析风力发电机组的运行数据的方法和*** |
CN111199246A (zh) * | 2019-12-24 | 2020-05-26 | 泉州装备制造研究所 | 一种工况分类方法 |
CN111443686A (zh) * | 2020-03-23 | 2020-07-24 | 杭州电子科技大学 | 基于多目标优化与证据迭代更新的工业报警器设计方法 |
CN111706499A (zh) * | 2020-06-09 | 2020-09-25 | 成都数之联科技有限公司 | 一种真空泵的预测维护***及方法及真空泵自动采购*** |
CN112819190A (zh) * | 2019-11-15 | 2021-05-18 | 上海杰之能软件科技有限公司 | 设备性能的预测方法及装置、存储介质、终端 |
CN113552853A (zh) * | 2021-06-28 | 2021-10-26 | 北京国控天成科技有限公司 | 一种化工***多工况的报警管理方法及装置 |
CN113935562A (zh) * | 2020-07-14 | 2022-01-14 | 东南大学 | 一种电力设备健康状况智能评级与自动预警方法 |
CN114114056A (zh) * | 2022-01-25 | 2022-03-01 | 深圳康普盾科技股份有限公司 | 一种换电柜的电池检测回收方法、***及存储介质 |
CN114493116A (zh) * | 2021-12-25 | 2022-05-13 | 南京移腾电力技术有限公司 | 一种基于cart算法的配电网低压断路器状态评估方法 |
CN115712841A (zh) * | 2022-11-18 | 2023-02-24 | 南京航空航天大学 | 基于周期数据的数据分布特性的航天器部件状态评估方法 |
Families Citing this family (67)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102270271B (zh) * | 2011-05-03 | 2014-03-19 | 北京中瑞泰科技有限公司 | 基于相似度曲线的设备故障早期预警及优化的方法和*** |
US9477661B1 (en) * | 2012-12-20 | 2016-10-25 | Emc Corporation | Method and apparatus for predicting potential replication performance degradation |
CN103217286A (zh) * | 2013-03-23 | 2013-07-24 | 中国水利电力物资有限公司 | 基于故障数据的风电机组传动***故障识别方法和*** |
CN103218464A (zh) * | 2013-03-23 | 2013-07-24 | 中国水利电力物资有限公司 | 基于风电机组状态的风电机组数据存储方法和*** |
CN103245912B (zh) * | 2013-03-23 | 2016-09-14 | 中国水利电力物资有限公司 | 一种风电机组运行状态分析诊断方法和*** |
CN103294891A (zh) * | 2013-03-23 | 2013-09-11 | 中国水利电力物资有限公司 | 一种基于历史故障数据的风电机组状态评估方法和*** |
CN103226651A (zh) * | 2013-03-23 | 2013-07-31 | 中国水利电力物资有限公司 | 基于相似度统计的风电机组状态评估预警方法和*** |
CN103278728B (zh) * | 2013-04-27 | 2015-09-16 | 广东电网公司电力科学研究院 | 发电机转子匝间短路故障诊断方法与*** |
CN103336228B (zh) * | 2013-06-14 | 2016-06-08 | 广东电网公司电力科学研究院 | 一种发电机定子绝缘故障检修方法和*** |
CN103575560A (zh) * | 2013-11-08 | 2014-02-12 | 苏州康开电气有限公司 | 机电设备智能预警*** |
CN104932428A (zh) * | 2014-03-18 | 2015-09-23 | 中芯国际集成电路制造(上海)有限公司 | 硬件早期故障探测方法和装置 |
CN104915541B (zh) * | 2015-04-29 | 2017-09-15 | 南京国电南自电网自动化有限公司 | 继电保护产品的剩余可靠运行寿命在线预估方法 |
CN105045253B (zh) * | 2015-05-27 | 2018-04-03 | 广东蓄能发电有限公司 | 电气设备异常运行工况快速甄别方法 |
CN105045256B (zh) * | 2015-07-08 | 2018-11-20 | 北京泰乐德信息技术有限公司 | 基于数据对比分析的轨道交通实时故障诊断方法和*** |
CN105447758A (zh) * | 2015-12-09 | 2016-03-30 | 上海银天下科技有限公司 | 预警值设置方法和装置 |
CN105403811B (zh) * | 2015-12-14 | 2018-09-11 | 北京天诚同创电气有限公司 | 风电场电网故障诊断方法和装置 |
CN105548764B (zh) * | 2015-12-29 | 2018-11-06 | 山东鲁能软件技术有限公司 | 一种电力设备故障诊断方法 |
CN105678388A (zh) * | 2016-01-08 | 2016-06-15 | 上海北塔软件股份有限公司 | 一种基于基线的运维管理健康分析方法 |
CN105651520A (zh) * | 2016-03-01 | 2016-06-08 | 西安航空动力股份有限公司 | 一种航空发动机外部附件振动故障的定位方法 |
CN105743595A (zh) * | 2016-04-08 | 2016-07-06 | 国家新闻出版广电总局无线电台管理局 | 中短波发射机故障预警方法及装置 |
US10444121B2 (en) * | 2016-05-03 | 2019-10-15 | Sap Se | Fault detection using event-based predictive models |
WO2018022351A1 (en) * | 2016-07-25 | 2018-02-01 | Siemens Healthcare Diagnostics Inc. | Methods and apparatus for predicting and preventing failure of in vitro diagnostic instruments |
CN106227127B (zh) * | 2016-08-08 | 2019-03-29 | 中国神华能源股份有限公司 | 发电设备智能监控装置和监控方法 |
CN106447206A (zh) * | 2016-10-09 | 2017-02-22 | 国网浙江省电力公司信息通信分公司 | 基于用电信息采集数据的用电分析方法 |
CN110100216A (zh) * | 2016-10-26 | 2019-08-06 | 罗伯特·博世有限公司 | 移动并且自主的音频感测和分析***以及方法 |
CN106406295B (zh) * | 2016-12-02 | 2019-02-26 | 南京康尼机电股份有限公司 | 基于多工况的轨道交通车辆门***故障诊断及预警方法 |
CN107727420B (zh) * | 2017-09-14 | 2021-05-28 | 深圳市盛路物联通讯技术有限公司 | 设备检测方法及相关产品 |
CN107957935B (zh) * | 2017-11-23 | 2021-01-12 | 上海联影医疗科技股份有限公司 | 设备的控制方法和装置、计算机可读存储介质 |
CN108736469B (zh) * | 2018-05-31 | 2020-11-03 | 北京鉴衡认证中心有限公司 | 风电场运行数据的分析方法 |
CN108757643B (zh) * | 2018-07-04 | 2019-09-27 | 重庆大学 | 一种液压***早期故障主动消除方法 |
CN109101378A (zh) * | 2018-07-20 | 2018-12-28 | 郑州云海信息技术有限公司 | 一种自动化测试存储设备历史报表工具的方法及*** |
CN110738327B (zh) * | 2018-07-20 | 2022-08-19 | 国网电动汽车服务有限公司 | 一种快充桩设备风险评估方法及*** |
CN109242104A (zh) * | 2018-08-04 | 2019-01-18 | 大唐国际发电股份有限公司张家口发电厂 | 一种利用数据分析实时发现设备故障异常的*** |
CN109492855B (zh) * | 2018-09-17 | 2022-06-14 | 江阴利港发电股份有限公司 | 基于数据模型的凝汽器式汽轮机排汽温度预测方法 |
CN109240244B (zh) * | 2018-10-26 | 2020-11-20 | 云达世纪(北京)科技有限公司 | 基于数据驱动的设备运行状态健康度分析方法及*** |
CN109657910B (zh) * | 2018-11-13 | 2022-03-15 | 国能龙源环保有限公司 | 基于大数据的脱硫氧化风***间歇运行方法及*** |
CN109670400B (zh) * | 2018-11-13 | 2021-10-22 | 国网浙江省电力有限公司紧水滩水力发电厂 | 一种水电机组开机过程稳定性状态评价方法 |
CN109460400B (zh) * | 2018-12-12 | 2022-04-08 | 国网江苏省电力有限公司南京供电分公司 | 一种电力监控***安全基线库的建立***及方法 |
CN110008245B (zh) * | 2019-04-08 | 2024-01-23 | 西安热工研究院有限公司 | 一个适用于设备故障预警模型时间段查找的方法 |
CN110005580B (zh) * | 2019-05-06 | 2020-06-02 | 保定绿动风电设备科技有限公司 | 一种风电机组运行状态监测方法 |
CN110245845A (zh) * | 2019-05-28 | 2019-09-17 | 深圳市德塔防爆电动汽车有限公司 | 一种电动车辆的参数偏差分析方法以及电动车辆 |
CN110502751B (zh) * | 2019-08-09 | 2023-02-24 | 国网山西省电力公司 | 大电网运行态势感知方法、终端设备和存储介质 |
CN110864887A (zh) * | 2019-11-19 | 2020-03-06 | 北京瑞莱智慧科技有限公司 | 机械设备运转状况确定方法、装置、介质和计算设备 |
CN111222716B (zh) * | 2020-01-20 | 2022-06-14 | 河海大学 | 一种工程安全预测预警装置 |
CN113406537B (zh) * | 2020-03-16 | 2024-05-07 | 上海长庚信息技术股份有限公司 | 一种电力设备故障程度的定量评估方法 |
CN113449008B (zh) * | 2020-03-27 | 2023-06-06 | 华为技术有限公司 | 一种建模方法及装置 |
CN111597223A (zh) * | 2020-04-10 | 2020-08-28 | 神华国能集团有限公司 | 故障预警处理方法、装置及*** |
CN112201260B (zh) * | 2020-09-07 | 2021-10-12 | 北京科技大学 | 一种基于声纹识别的变压器运行状态在线检测方法 |
CN112464146B (zh) * | 2020-12-03 | 2022-06-07 | 北京航空航天大学 | 一种基于历史遥测数据的关键分***及单机关联性健康基线构建方法 |
CN112731022B (zh) * | 2020-12-18 | 2023-06-23 | 阳光智维科技股份有限公司 | 光伏逆变器故障检测方法、设备及介质 |
CN113221441B (zh) * | 2020-12-24 | 2022-12-02 | 山东鲁能软件技术有限公司 | 一种电厂设备健康评估的方法及装置 |
CN112561208B (zh) * | 2020-12-25 | 2024-01-16 | 北京百度网讯科技有限公司 | 用于指标生成***的方法、装置、电子设备和存储介质 |
CN112650660B (zh) * | 2020-12-28 | 2024-05-03 | 北京中大科慧科技发展有限公司 | 一种数据中心动力***预警方法及装置 |
CN112711850A (zh) * | 2020-12-30 | 2021-04-27 | 苏州绿科智能机器人研究院有限公司 | 一种基于大数据的机组在线监测方法 |
CN113205248B (zh) * | 2021-04-27 | 2023-03-24 | 西安热工研究院有限公司 | 一种基于大数据介质参数诊断的调节阀门故障预警***及方法 |
CN113806969B (zh) * | 2021-10-26 | 2022-12-27 | 国家石油天然气管网集团有限公司 | 一种基于时域数据关联建模的压缩机组健康预测方法 |
CN114112390B (zh) * | 2021-11-23 | 2024-03-22 | 哈尔滨工程大学 | 一种非线性复杂***早期故障诊断方法 |
CN114167838B (zh) * | 2021-12-03 | 2023-07-07 | 西安电子科技大学 | 一种伺服***多尺度健康评估与故障预测方法 |
CN114091979B (zh) * | 2022-01-10 | 2022-05-10 | 新风光电子科技股份有限公司 | 基于人工智能的配电设备风险检测方法 |
CN114662710A (zh) * | 2022-01-27 | 2022-06-24 | 武汉船用机械有限责任公司 | 船用机舱泵的维护需求的确定方法、装置及设备 |
CN114664058B (zh) * | 2022-01-29 | 2023-08-18 | 上海至冕伟业科技有限公司 | 一种消防水***的整体故障预警***及方法 |
CN114580291B (zh) * | 2022-03-10 | 2024-06-21 | 未必然数据科技(北京)有限公司 | 一种基于lstm-vae的动设备健康状况评估方法 |
CN115013299B (zh) * | 2022-06-28 | 2023-07-25 | 四川虹美智能科技有限公司 | 压缩机测试方法 |
CN114897111B (zh) * | 2022-07-15 | 2022-09-30 | 深圳市协和传动器材有限公司 | 一种用于监控间歇式凸轮分割器运行状况的方法 |
CN115599646A (zh) * | 2022-10-14 | 2023-01-13 | 南京凯盛国际工程有限公司(Cn) | 一种提升评估模型预警提前性和准确性的方法 |
CN116030552B (zh) * | 2023-03-30 | 2023-07-25 | 中国船舶集团有限公司第七一九研究所 | 一种用于船舶的智能综合显控方法及*** |
CN117934248B (zh) * | 2024-03-25 | 2024-06-25 | 山东汇通创软信息技术有限公司 | 一种电厂安全管控平台数据分析方法及*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101178703A (zh) * | 2007-11-23 | 2008-05-14 | 西安交通大学 | 基于网络分割的故障诊断谱聚类方法 |
CN101595786A (zh) * | 2009-06-23 | 2009-12-09 | 江苏大学 | 联合收割机脱粒滚筒堵塞故障预警及报警方法 |
CN102270271A (zh) * | 2011-05-03 | 2011-12-07 | 北京中瑞泰科技有限公司 | 基于相似度曲线的设备故障早期预警及优化的方法和*** |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4937763A (en) * | 1988-09-06 | 1990-06-26 | E I International, Inc. | Method of system state analysis |
US5602761A (en) * | 1993-12-30 | 1997-02-11 | Caterpillar Inc. | Machine performance monitoring and fault classification using an exponentially weighted moving average scheme |
US6871160B2 (en) * | 2001-09-08 | 2005-03-22 | Scientific Monitoring Inc. | Intelligent condition-based engine/equipment management system |
AU2002360691A1 (en) * | 2001-12-19 | 2003-07-09 | Netuitive Inc. | Method and system for analyzing and predicting the behavior of systems |
TWI227399B (en) * | 2003-12-12 | 2005-02-01 | Ind Tech Res Inst | Real-time monitoring system for abnormal situation and method thereof and real-time monitoring interface for complex abnormal situation |
US7496798B2 (en) * | 2006-02-14 | 2009-02-24 | Jaw Link | Data-centric monitoring method |
CN101539490B (zh) * | 2008-03-21 | 2012-09-26 | 深圳市方大自动化***有限公司 | 基于采集屏蔽门运行曲线识别屏蔽门故障的方法及*** |
CN101477375B (zh) * | 2009-01-05 | 2012-01-04 | 东南大学 | 基于矩阵奇异值关联规则挖掘的传感器数据校验方法 |
CN101899563B (zh) * | 2009-06-01 | 2013-08-28 | 上海宝钢工业检测公司 | 基于pca模型的连续退火机组炉内温度、张力监测及故障追溯方法 |
CN102033523B (zh) * | 2009-09-25 | 2014-01-01 | 上海宝钢工业检测公司 | 基于偏最小二乘的带钢质量预测、炉况预警与故障诊断方法 |
CN101872975B (zh) * | 2010-05-04 | 2012-11-28 | 国网电力科学研究院 | 电力***暂态功角稳定在线分析的自适应动态等值方法 |
-
2011
- 2011-05-03 CN CN201110112631.9A patent/CN102270271B/zh active Active
-
2012
- 2012-05-03 WO PCT/CN2012/075037 patent/WO2012149901A1/zh active Application Filing
-
2013
- 2013-11-01 US US14/070,041 patent/US20140067327A1/en not_active Abandoned
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101178703A (zh) * | 2007-11-23 | 2008-05-14 | 西安交通大学 | 基于网络分割的故障诊断谱聚类方法 |
CN101595786A (zh) * | 2009-06-23 | 2009-12-09 | 江苏大学 | 联合收割机脱粒滚筒堵塞故障预警及报警方法 |
CN102270271A (zh) * | 2011-05-03 | 2011-12-07 | 北京中瑞泰科技有限公司 | 基于相似度曲线的设备故障早期预警及优化的方法和*** |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105677791B (zh) * | 2015-12-31 | 2019-03-08 | 新疆金风科技股份有限公司 | 用于分析风力发电机组的运行数据的方法和*** |
CN105677791A (zh) * | 2015-12-31 | 2016-06-15 | 新疆金风科技股份有限公司 | 用于分析风力发电机组的运行数据的方法和*** |
CN112819190B (zh) * | 2019-11-15 | 2024-01-26 | 上海杰之能软件科技有限公司 | 设备性能的预测方法及装置、存储介质、终端 |
CN112819190A (zh) * | 2019-11-15 | 2021-05-18 | 上海杰之能软件科技有限公司 | 设备性能的预测方法及装置、存储介质、终端 |
CN111199246A (zh) * | 2019-12-24 | 2020-05-26 | 泉州装备制造研究所 | 一种工况分类方法 |
CN111199246B (zh) * | 2019-12-24 | 2024-04-05 | 泉州装备制造研究所 | 一种工况分类方法 |
CN111443686A (zh) * | 2020-03-23 | 2020-07-24 | 杭州电子科技大学 | 基于多目标优化与证据迭代更新的工业报警器设计方法 |
CN111706499A (zh) * | 2020-06-09 | 2020-09-25 | 成都数之联科技有限公司 | 一种真空泵的预测维护***及方法及真空泵自动采购*** |
CN113935562A (zh) * | 2020-07-14 | 2022-01-14 | 东南大学 | 一种电力设备健康状况智能评级与自动预警方法 |
CN113552853A (zh) * | 2021-06-28 | 2021-10-26 | 北京国控天成科技有限公司 | 一种化工***多工况的报警管理方法及装置 |
CN113552853B (zh) * | 2021-06-28 | 2022-11-15 | 北京国控天成科技有限公司 | 一种化工***多工况的报警管理方法及装置 |
CN114493116A (zh) * | 2021-12-25 | 2022-05-13 | 南京移腾电力技术有限公司 | 一种基于cart算法的配电网低压断路器状态评估方法 |
CN114114056A (zh) * | 2022-01-25 | 2022-03-01 | 深圳康普盾科技股份有限公司 | 一种换电柜的电池检测回收方法、***及存储介质 |
CN115712841A (zh) * | 2022-11-18 | 2023-02-24 | 南京航空航天大学 | 基于周期数据的数据分布特性的航天器部件状态评估方法 |
CN115712841B (zh) * | 2022-11-18 | 2023-08-15 | 南京航空航天大学 | 基于周期数据的数据分布特性的航天器部件状态评估方法 |
Also Published As
Publication number | Publication date |
---|---|
CN102270271A (zh) | 2011-12-07 |
CN102270271B (zh) | 2014-03-19 |
US20140067327A1 (en) | 2014-03-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2012149901A1 (zh) | 基于相似度曲线的设备故障早期预警及优化的方法和*** | |
CN104573850A (zh) | 一种火电厂设备状态评估方法 | |
CN104390657A (zh) | 一种发电机组运行参数测量传感器故障诊断方法及*** | |
EP3055747B1 (en) | Correlation and annotation of time series data sequences to extracted or existing discrete data | |
EP1982301B1 (en) | Method of condition monitoring | |
KR101065767B1 (ko) | 성능저하 및 고장원인 조기 진단방법 | |
CN104714537B (zh) | 一种基于联合相对变化分析和自回归模型的故障预测方法 | |
US20160239755A1 (en) | Correlation and annotation of time series data sequences to extracted or existing discrete data | |
CN107291991B (zh) | 一种基于动态网络标志的风电机组早期缺陷预警方法 | |
CN103744389A (zh) | 一种油气生产设备运行状态的预警方法 | |
CN107862324B (zh) | 一种基于mwspca的cbr预测模型智能化预警方法 | |
CN104766139A (zh) | 基于工业互联网的火电厂设备故障诊断与检修优化方法及*** | |
CN110469496B (zh) | 一种水泵智能预警方法及*** | |
CN109242104A (zh) | 一种利用数据分析实时发现设备故障异常的*** | |
CN112529320A (zh) | 空压机集群智能诊断*** | |
CN104766138A (zh) | 基于工业互联网的火电厂设备性能评估与预警方法及*** | |
CN117251812A (zh) | 一种基于大数据分析的高压电力线路运行故障检测方法 | |
CN106933097B (zh) | 一种基于多层优化pcc-sdg的化工过程故障诊断方法 | |
CN112632845B (zh) | 基于数据的小型反应堆在线故障诊断方法、介质及设备 | |
CN103389701A (zh) | 基于分布式数据模型的厂级过程故障检测与诊断方法 | |
CN110119333A (zh) | 一种异常检测边缘计算*** | |
CA2252868C (en) | Automatic control loop monitoring and diagnostics | |
CN103309347B (zh) | 一种基于稀疏表示的多工况过程监控方法 | |
CN113987908A (zh) | 基于机器学习方法的天然气管网泄漏预警方法 | |
CN115657541A (zh) | 一种基于数字孪生精细化建模的空压机监管***及方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
121 | Ep: the epo has been informed by wipo that ep was designated in this application |
Ref document number: 12779297 Country of ref document: EP Kind code of ref document: A1 |
|
NENP | Non-entry into the national phase |
Ref country code: DE |
|
122 | Ep: pct application non-entry in european phase |
Ref document number: 12779297 Country of ref document: EP Kind code of ref document: A1 |