CN118586722A - 一种面向智慧电厂的机电设备故障诊断方法 - Google Patents
一种面向智慧电厂的机电设备故障诊断方法 Download PDFInfo
- Publication number
- CN118586722A CN118586722A CN202411066767.4A CN202411066767A CN118586722A CN 118586722 A CN118586722 A CN 118586722A CN 202411066767 A CN202411066767 A CN 202411066767A CN 118586722 A CN118586722 A CN 118586722A
- Authority
- CN
- China
- Prior art keywords
- data
- electromechanical equipment
- power plant
- fault
- state
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000003745 diagnosis Methods 0.000 title claims abstract description 20
- 238000012502 risk assessment Methods 0.000 claims abstract description 17
- 238000012423 maintenance Methods 0.000 claims abstract description 4
- 230000002159 abnormal effect Effects 0.000 claims description 35
- 238000007477 logistic regression Methods 0.000 claims description 20
- 238000004140 cleaning Methods 0.000 claims description 16
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 5
- 238000004891 communication Methods 0.000 claims description 2
- 238000010276 construction Methods 0.000 claims description 2
- 238000004590 computer program Methods 0.000 claims 2
- 238000001514 detection method Methods 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 abstract description 2
- 230000001419 dependent effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 101001121408 Homo sapiens L-amino-acid oxidase Proteins 0.000 description 2
- 101000827703 Homo sapiens Polyphosphoinositide phosphatase Proteins 0.000 description 2
- 102100026388 L-amino-acid oxidase Human genes 0.000 description 2
- 102100023591 Polyphosphoinositide phosphatase Human genes 0.000 description 2
- 101100012902 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) FIG2 gene Proteins 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种面向智慧电厂的机电设备故障诊断方法，涉及故障检测技术领域，包括：获取电厂内所有机电设备的参数数据；构建故障风险评估模型；确定每一个机电设备的运行数据；基于每一个机电设备的运行数据，评估机电设备的故障风险；基于历史检修数据，确定电厂中每一个机电设备发生故障时的电厂的状态数据，并构建与机电设备一一对应的故障状态数据集；实时采集电厂的状态数据，记为实时状态数据；判断实时状态数据是否在电厂的标准运行状态内。本发明的优点在于：可实现对于机电设备故障精准化的诊断识别，满足建设全面自动化控制的高效智慧电厂的需求。
Description
技术领域
本发明涉及故障检测技术领域，具体是涉及一种面向智慧电厂的机电设备故障诊断方法。
背景技术
智慧电厂是指利用数字化、物联网等技术手段对整个电厂进行智能化改造，实现电站全过程自动化和优化的一种电厂模式。
机电设备的故障诊断是智慧电厂实现全面自动化控制的重要一环，现有的智慧电厂对于机电设备的故障诊断虽然实现了经验复用即可根据电厂的运行状态数据与电厂机电设备发生故障时的故障状态数据进行拟合判断电厂中发生故障的机电设备种类，然而在针对具有多个相似的故障状态表征的机电设备类型，依旧缺乏更加精准的判断方式，导致智慧电厂的机电设备故障难以实现精准化的诊断识别，难以满足建设全面自动化控制的高效智慧电厂的需求。
发明内容
为解决上述技术问题，提供一种面向智慧电厂的机电设备故障诊断方法，本技术方案解决了上述的在针对具有多个相似的故障状态表征的机电设备类型，依旧缺乏更加精准的判断方式，导致智慧电厂的机电设备故障难以实现精准化的诊断识别的问题。
为达到以上目的，本发明采用的技术方案为：
一种面向智慧电厂的机电设备故障诊断方法，包括：
获取电厂内所有机电设备的参数数据；
构建与电厂内每一个机电设备一一对应的故障风险评估模型；
调取电厂的运行日志，基于电厂的运行日志确定每一个机电设备的运行数据，所述运行数据至少包括运行时长、运行环境参数、运行负荷；
基于每一个机电设备的运行数据，代入与机电设备对应的故障风险评估模型，评估机电设备的故障风险；
基于历史检修数据，确定电厂中每一个机电设备发生故障时的电厂的状态数据，并构建与机电设备一一对应的故障状态数据集，所述状态数据包括电压、电流、电厂温度、电厂压力；
实时采集电厂的状态数据，记为实时状态数据；
判断实时状态数据是否在电厂的标准运行状态内，若是，则不做响应，若否，则基于拟合诊断算法，确定至少一个故障概率大的机电设备，记为疑似故障机电设备；
输出所有疑似故障机电设备。
优选的，所述故障风险评估模型为Logistic回归模型；
所述构建与电厂内每一个机电设备一一对应的故障风险评估模型具体包括：
确定机电设备的型号；
基于机电设备的型号调取若干个同型号的机电设备正常运行时的运行数据和发生故障时运行数据，分别记为正常运行数据和故障运行数据；
基于多个正常运行数据和多个故障运行数据，训练Logistic回归模型得到机电设备对应的故障风险评估模型。
优选的，所述Logistic回归模型具体为：
式中，G为机电设备发生故障的故障风险，为第i个运行数据的实际数据值，n为运行数据总个数，均为Logistic回归模型的参数，所述Logistic回归模型的参数采用最小二乘法获得。
优选的，所述判断实时状态数据是否在电厂的标准运行状态内具体包括：
采集电厂在正常运行状态下的若干个状态数据，记为样本状态数据；
基于格拉布斯准则，对样本状态数据进行清洗筛选，获得标准样本状态数据；
基于标准样本状态数据，确定的状态数据标准运行区间为，其中，为标准样本状态数据的平均值，为标准样本状态数据的标准差；
判断采集的所有状态数据是否均处于其对应的状态数据标准运行区间内，若是，则不做响应，若否，则记当前状态为异常状态，标记异常状态的所有状态数据为异常状态数据，并输出异常状态数据集。
优选的，所述基于格拉布斯准则，对样本状态数据进行清洗筛选具体包括如下步骤：
基于格拉布斯准则构建数据清洗模型；
将所有样本状态数据代入数据清洗模型中，满足数据清洗模型的即为标准样本状态数据。
优选的，所述数据清洗模型具体为：
式中，为第j个样本状态数据，为所有样本状态数据的平均值，s为所有样本状态数据的标准差，是显著水平 下的t-分布的值，N是样本状态数据总数量。
优选的，所述拟合诊断算法具体为：
基于异常状态数据集与机电设备对应的故障状态数据集，通过状态拟合公式进行拟合计算，得到当前异常状态与机电设备的故障状态的拟合指标；
筛选出所有拟合指标小于拟合预设值的机电设备，作为疑似故障机电设备；
获取所有疑似故障机电设备的故障风险；
基于疑似故障机电设备的故障风险和疑似故障机电设备的拟合指标，计算疑似故障机电设备的故障指标；
将所有初筛疑似故障机电设备按照故障指标从小到大依次排序，并依次输出至少一个疑似故障机电设备。
优选的，所述状态拟合公式具体为：
式中，为异常状态与机电设备的故障状态的拟合指标，为异常状态下的第k个状态数据的异常状态数据值，为机电设备对应的故障状态下的第k个状态数据的状态数据值，L为状态数据总个数；
所述故障指标的计算公式为：
式中，为疑似故障机电设备的故障指标。
与现有技术相比，本发明的有益效果在于：
本发明提出一种面向智慧电厂的机电设备故障诊断方法，通过电厂运行过程中出现的各种状态数据异常进行初识别判定可能出现的一个或多个机电设备，实现了经验复用即可根据电厂的运行状态数据与电厂机电设备发生故障时的故障状态数据进行拟合判断电厂中发生故障的机电设备种类，并在初步识别判定的基础上，结合电厂内各个机电设备发生故障的隐患概率进行综合诊断评估各个机电设备发生故障的概率，可实现对于机电设备故障精准化的诊断识别，满足建设全面自动化控制的高效智慧电厂的需求。
附图说明
图1为本发明提出的面向智慧电厂的机电设备故障诊断方法流程图；
图2为本发明提出的构建与电厂内每一个机电设备一一对应的故障风险评估模型的方法流程图；
图3为本发明提出的判断实时状态数据是否在电厂的标准运行状态内的方法流程图；
图4为本发明提出的基于格拉布斯准则，对样本状态数据进行清洗筛选的方法流程图；
图5为本发明提出的拟合诊断算法的方法流程图；
图6为本发明提出的电子设备结构示意图；
图7为本发明提出的计算机可读存储介质结构示意图。
具体实施方式
以下描述用于揭露本发明以使本领域技术人员能够实现本发明。以下描述中的优选实施例只作为举例，本领域技术人员可以想到其他显而易见的变型。
参照图1所示，一种面向智慧电厂的机电设备故障诊断方法，包括：
获取电厂内所有机电设备的参数数据；
构建与电厂内每一个机电设备一一对应的故障风险评估模型；
调取电厂的运行日志，基于电厂的运行日志确定每一个机电设备的运行数据，运行数据至少包括运行时长、运行环境参数、运行负荷；
基于每一个机电设备的运行数据，代入与机电设备对应的故障风险评估模型，评估机电设备的故障风险；
基于历史检修数据，确定电厂中每一个机电设备发生故障时的电厂的状态数据，并构建与机电设备一一对应的故障状态数据集，状态数据包括电压、电流、电厂温度、电厂压力；
实时采集电厂的状态数据，记为实时状态数据；
判断实时状态数据是否在电厂的标准运行状态内，若是，则不做响应，若否，则基于拟合诊断算法，确定至少一个故障概率大的机电设备，记为疑似故障机电设备；
输出所有疑似故障机电设备。
本方案通过电厂运行过程中出现的各种状态数据异常进行初识别判定可能出现的一个或多个机电设备，实现了经验复用即可根据电厂的运行状态数据与电厂机电设备发生故障时的故障状态数据进行拟合判断电厂中发生故障的机电设备种类，并在初步识别判定的基础上，结合电厂内各个机电设备发生故障的隐患概率进行综合诊断评估各个机电设备发生故障的概率。
故障风险评估模型为Logistic回归模型；
参照图2所示，构建与电厂内每一个机电设备一一对应的故障风险评估模型具体包括：
确定机电设备的型号；
基于机电设备的型号调取若干个同型号的机电设备正常运行时的运行数据和发生故障时运行数据，分别记为正常运行数据和故障运行数据；
基于多个正常运行数据和多个故障运行数据，训练Logistic回归模型得到机电设备对应的故障风险评估模型。
Logistic回归模型具体为：
式中，G为机电设备发生故障的故障风险，为第i个运行数据的实际数据值，n为运行数据总个数，均为Logistic回归模型的参数，Logistic回归模型的参数采用最小二乘法获得。
logistic回归又称logistic回归分析，是一种广义的线性回归分析模型，因此与多重线性回归分析有很多相同之处。它们的模型形式基本上相同，其区别在于他们的因变量不同，logistic回归分析常用于数据挖掘，故障自动诊断等领域。逻辑回归根据给定的自变量数据集来估计事件的发生概率，由于结果是一个概率，因此因变量的范围在 0 和 1之间。
本实施例中考虑影响设备发生故障的多个运行数据，例如运行时长越长设备发生故障概率越大，运行环境越接近设备的标准需求环境，设备发生故障概率越小，设备的运行负荷越大，则设备故障概率越大等，通过以多个运行数据作为自变量，以设备发生故障的概率为因变量建立Logistic回归模型，可精准的根据机电设备运行过程中的各项运行数据有效的预测设备发生故障的概率。
参照图3所示，判断实时状态数据是否在电厂的标准运行状态内具体包括：
采集电厂在正常运行状态下的若干个状态数据，记为样本状态数据；
基于格拉布斯准则，对样本状态数据进行清洗筛选，获得标准样本状态数据；
基于标准样本状态数据，确定的状态数据标准运行区间为，其中，为标准样本状态数据的平均值，为标准样本状态数据的标准差；
判断采集的所有状态数据是否均处于其对应的状态数据标准运行区间内，若是，则不做响应，若否，则记当前状态为异常状态，标记异常状态的所有状态数据为异常状态数据，并输出异常状态数据集。
可以理解的是，在机电设备的正常运行过程中，电厂的整体参数波动通常可以用正态分布解释，基于电厂的状态参数会服从标准正态分布，基于此，在机电设备的正常运行过程下，电厂的状态参数处于的概率可近似的看为68.268949%，电厂的状态参数处于的概率可近似的看为95.449974%，电厂的状态参数处于的概率可近似的看为99.730020%。
为降低电厂对于异常状态的误判率，本方案中，将状态数据标准运行区间设定为，在正常的电厂机电设备运行状态下，状态数据处于状态数据标准运行区间的概率为99.730020%，换言之，若状态数据不处于状态数据标准运行区间，则有足够的理由认为电厂处于异常运行状态。
其中，对于状态数据标准运行区间的确定，本领域的技术人员在本方案的技术基础上，还可根据实际的异常状态判定准确率进行个性化设定。
参照图4所示，基于格拉布斯准则，对样本状态数据进行清洗筛选具体包括如下步骤：
基于格拉布斯准则构建数据清洗模型；
将所有样本状态数据代入数据清洗模型中，满足数据清洗模型的即为标准样本状态数据。
数据清洗模型具体为：
式中，为第j个样本状态数据，为所有样本状态数据的平均值，s为所有样本状态数据的标准差，是显著水平 下的t-分布的值，N是样本状态数据总数量。
格拉布斯准则是一种统计方法，用于在正态分布的条件下剔除测量值中的异常值。其基本原理是，如果一个测量值的残余误差的绝对值大于给定的格拉布斯临界值，则判断此值中含有较大误差，应予以剔除。这种准则常被用来提高数据的准确性和可靠性。
可以理解的是，由于在电厂的运行过程中，除机电设备的因素会导致电厂的状态数据发生变化，还存在一些非典型事件同样会对电厂的状态数据造成影响，进而导致电厂呈现出的状态数据发生不符合正常状态的变化，这些不符合正常状态的变化不能正确的反映电厂的标准状态，采用这些数据计算状态数据标准运行区间会造成极大的误差，基于此，本方案采用格拉布斯准则对这些产生异常波动的数据进行剔除，保留正确的反映电厂的标准状态的数据作为标准样本状态数据，以标准样本状态数据计算状态数据标准运行区间，可有效的保证状态数据标准运行区间的精准度，进而有效的保证对于电厂的异常状态判定准确度。
参照图5所示，拟合诊断算法具体为：
基于异常状态数据集与机电设备对应的故障状态数据集，通过状态拟合公式进行拟合计算，得到当前异常状态与机电设备的故障状态的拟合指标；
筛选出所有拟合指标小于拟合预设值的机电设备，作为疑似故障机电设备；
获取所有疑似故障机电设备的故障风险；
基于疑似故障机电设备的故障风险和疑似故障机电设备的拟合指标，计算疑似故障机电设备的故障指标；
将所有初筛疑似故障机电设备按照故障指标从小到大依次排序，并依次输出至少一个疑似故障机电设备。
状态拟合公式具体为：
式中，为异常状态与机电设备的故障状态的拟合指标，为异常状态下的第k个状态数据的异常状态数据值，为机电设备对应的故障状态下的第k个状态数据的状态数据值，L为状态数据总个数；
故障指标的计算公式为：
式中，为疑似故障机电设备的故障指标。
可以理解的是，在正常状态下相同设备发生故障时，导致电厂的整体状态数据发生的变化的情况存在相似性，基于此，本方案中对于发生异常状态下的状态数据与基于经验构建的机电设备一一对应的故障状态数据集进行拟合计算，计算异常状态数据集与机电设备对应的故障状态数据集之间的向量距离，向量距离越小则说明当前异常状态越贴合机电设备发生故障的状态，通过筛选出若干个拟合指标小于拟合预设值的机电设备，作为疑似故障机电设备，并结合疑似故障机电设备发生故障的概率与状态拟合值进行综合评估，进而保证在存在多个相似的故障状态表征的机电设备类型时，可实现对于机电设备故障概率的高精度评估，进而提高对于智慧电厂机电设备故障诊断定位效率。
进一步的，根据本申请实施方式的方法也可以借助于图6所示的电子设备的架构来实现。如图6所示，电子设备500可包括总线501、一个或多个CPU502、只读存储器(ROM)503、随机存取存储器(RAM)504、连接到网络的通信端口505、输入/输出组件506、硬盘507等。电子设备500中的存储设备，例如ROM503或硬盘507可存储本申请提供的一种面向智慧电厂的机电设备故障诊断方法。电子设备500还可包括用户界面508。当然，图6所示的架构只是示例性的，在实现不同的设备时，根据实际需要，可以省略图6示出的电子设备中的一个或多个组件。
图7是本申请一个实施例提供的计算机可读存储介质结构示意图。如图7所示，是根据本申请一个实施方式的计算机可读存储介质600。计算机可读存储介质600上存储有计算机可读指令。当计算机可读指令由处理器运行时，可执行参照以上附图描述的根据本申请实施方式的一种面向智慧电厂的机电设备故障诊断方法。存储介质600包括但不限于例如易失性存储器和/或非易失性存储器。易失性存储器例如可包括随机存取存储器(RAM)和高速缓冲存储器(cache)等。非易失性存储器例如可包括只读存储器(ROM)、硬盘、闪存等。
综上所述，本发明的优点在于：可实现对于机电设备故障精准化的诊断识别，满足建设全面自动化控制的高效智慧电厂的需求。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是本发明的原理，在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明的范围内。本发明要求的保护范围由所附的权利要求书及其等同物界定。
Claims (10)
1.一种面向智慧电厂的机电设备故障诊断方法，其特征在于，包括：
获取电厂内所有机电设备的参数数据；
构建与电厂内每一个机电设备一一对应的故障风险评估模型；
调取电厂的运行日志，基于电厂的运行日志确定每一个机电设备的运行数据，所述运行数据至少包括运行时长、运行环境参数、运行负荷；
基于每一个机电设备的运行数据，代入与机电设备对应的故障风险评估模型，评估机电设备的故障风险；
基于历史检修数据，确定电厂中每一个机电设备发生故障时的电厂的状态数据，并构建与机电设备一一对应的故障状态数据集，所述状态数据包括电压、电流、电厂温度、电厂压力；
实时采集电厂的状态数据，记为实时状态数据；
判断实时状态数据是否在电厂的标准运行状态内，若是，则不做响应，若否，则基于拟合诊断算法，确定至少一个故障概率大的机电设备，记为疑似故障机电设备；
输出所有疑似故障机电设备。
2.根据权利要求1所述的一种面向智慧电厂的机电设备故障诊断方法，其特征在于，所述故障风险评估模型为Logistic回归模型；
所述构建与电厂内每一个机电设备一一对应的故障风险评估模型具体包括：
确定机电设备的型号；
基于机电设备的型号调取若干个同型号的机电设备正常运行时的运行数据和发生故障时运行数据，分别记为正常运行数据和故障运行数据；
基于多个正常运行数据和多个故障运行数据，训练Logistic回归模型得到机电设备对应的故障风险评估模型。
3.根据权利要求2所述的一种面向智慧电厂的机电设备故障诊断方法，其特征在于，所述Logistic回归模型具体为：
式中，G为机电设备发生故障的故障风险，为第i个运行数据的实际数据值，n为运行数据总个数，均为Logistic回归模型的参数，所述Logistic回归模型的参数采用最小二乘法获得。
4.根据权利要求3所述的一种面向智慧电厂的机电设备故障诊断方法，其特征在于，所述判断实时状态数据是否在电厂的标准运行状态内具体包括：
采集电厂在正常运行状态下的若干个状态数据，记为样本状态数据；
基于格拉布斯准则，对样本状态数据进行清洗筛选，获得标准样本状态数据；
基于标准样本状态数据，确定的状态数据标准运行区间为，其中，为标准样本状态数据的平均值，为标准样本状态数据的标准差；
判断采集的所有状态数据是否均处于其对应的状态数据标准运行区间内，若是，则不做响应，若否，则记当前状态为异常状态，标记异常状态的所有状态数据为异常状态数据，并输出异常状态数据集。
5.根据权利要求4所述的一种面向智慧电厂的机电设备故障诊断方法，其特征在于，所述基于格拉布斯准则，对样本状态数据进行清洗筛选具体包括如下步骤：
基于格拉布斯准则构建数据清洗模型；
将所有样本状态数据代入数据清洗模型中，满足数据清洗模型的即为标准样本状态数据。
6.根据权利要求5所述的一种面向智慧电厂的机电设备故障诊断方法，其特征在于，所述数据清洗模型具体为：
式中，为第j个样本状态数据，为所有样本状态数据的平均值，s为所有样本状态数据的标准差，是显著水平 下的t-分布的值，N是样本状态数据总数量。
7.根据权利要求6所述的一种面向智慧电厂的机电设备故障诊断方法，其特征在于，所述拟合诊断算法具体为：
基于异常状态数据集与机电设备对应的故障状态数据集，通过状态拟合公式进行拟合计算，得到当前异常状态与机电设备的故障状态的拟合指标；
筛选出所有拟合指标小于拟合预设值的机电设备，作为疑似故障机电设备；
获取所有疑似故障机电设备的故障风险；
基于疑似故障机电设备的故障风险和疑似故障机电设备的拟合指标，计算疑似故障机电设备的故障指标；
将所有初筛疑似故障机电设备按照故障指标从小到大依次排序，并依次输出至少一个疑似故障机电设备。
8.根据权利要求7所述的一种面向智慧电厂的机电设备故障诊断方法，其特征在于，所述状态拟合公式具体为：
式中，为异常状态与疑似故障机电设备的故障状态的拟合指标，为异常状态下的第k个状态数据的异常状态数据值，为机电设备对应的故障状态下的第k个状态数据的状态数据值，L为状态数据总个数；
所述故障指标的计算公式为：
式中，为疑似故障机电设备的故障指标。
9.一种电子设备，其特征在于，包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1-8中任一所述的一种面向智慧电厂的机电设备故障诊断方法。
10.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-8中任一项所述的一种面向智慧电厂的机电设备故障诊断方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202411066767.4A CN118586722A (zh) | 2024-08-06 | 2024-08-06 | 一种面向智慧电厂的机电设备故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202411066767.4A CN118586722A (zh) | 2024-08-06 | 2024-08-06 | 一种面向智慧电厂的机电设备故障诊断方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN118586722A true CN118586722A (zh) | 2024-09-03 |
Family
ID=92535719
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202411066767.4A Pending CN118586722A (zh) | 2024-08-06 | 2024-08-06 | 一种面向智慧电厂的机电设备故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118586722A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118783441A (zh) * | 2024-09-12 | 2024-10-15 | 福州兰开电器有限公司 | 一种智慧电网在线安全运维管理系统 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2018013980A (ja) * | 2016-07-21 | 2018-01-25 | 株式会社東芝 | 異常診断装置、異常診断方法及び異常診断プログラム |
| CN109215165A (zh) * | 2018-08-08 | 2019-01-15 | 南京航空航天大学 | 一种民用飞机apu性能评估及故障预警方法 |
| CN115796610A (zh) * | 2023-02-10 | 2023-03-14 | 江苏新恒基特种装备股份有限公司 | 一种支管成型系统运行综合监测方法、系统及存储介质 |
| CN116108385A (zh) * | 2023-02-09 | 2023-05-12 | 国网江苏省电力有限公司营销服务中心 | 一种电力设备故障类型诊断方法及系统、终端、存储介质 |
| CN116910677A (zh) * | 2023-07-28 | 2023-10-20 | 内蒙古领益智能科技有限公司 | 一种工业仪表故障诊断方法及系统 |
| KR102618023B1 (ko) * | 2022-12-23 | 2023-12-27 | 앤츠이엔씨 주식회사 | 고장유형에 따른 패턴 분석을 통한 고장 예지 진단시스템 및 방법 |
| CN117935519A (zh) * | 2024-03-22 | 2024-04-26 | 深圳市中燃科技有限公司 | 一种燃气检测警报系统 |
| CN118092328A (zh) * | 2024-01-11 | 2024-05-28 | 淮河能源淮南潘集发电有限责任公司 | 一种基于大数据分析的火电厂设备智能预警方法 |
| CN118118382A (zh) * | 2024-03-01 | 2024-05-31 | 国网安徽省电力有限公司滁州供电公司 | 电力通讯系统运行状态的监控方法、系统及存储介质 |
| CN118569617A (zh) * | 2024-08-05 | 2024-08-30 | 济南奔腾时代电力科技有限公司 | 一种基于计算机视觉目标检测的智慧电厂管控系统及管控方法 |
-
2024
- 2024-08-06 CN CN202411066767.4A patent/CN118586722A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2018013980A (ja) * | 2016-07-21 | 2018-01-25 | 株式会社東芝 | 異常診断装置、異常診断方法及び異常診断プログラム |
| CN109215165A (zh) * | 2018-08-08 | 2019-01-15 | 南京航空航天大学 | 一种民用飞机apu性能评估及故障预警方法 |
| KR102618023B1 (ko) * | 2022-12-23 | 2023-12-27 | 앤츠이엔씨 주식회사 | 고장유형에 따른 패턴 분석을 통한 고장 예지 진단시스템 및 방법 |
| CN116108385A (zh) * | 2023-02-09 | 2023-05-12 | 国网江苏省电力有限公司营销服务中心 | 一种电力设备故障类型诊断方法及系统、终端、存储介质 |
| CN115796610A (zh) * | 2023-02-10 | 2023-03-14 | 江苏新恒基特种装备股份有限公司 | 一种支管成型系统运行综合监测方法、系统及存储介质 |
| CN116910677A (zh) * | 2023-07-28 | 2023-10-20 | 内蒙古领益智能科技有限公司 | 一种工业仪表故障诊断方法及系统 |
| CN118092328A (zh) * | 2024-01-11 | 2024-05-28 | 淮河能源淮南潘集发电有限责任公司 | 一种基于大数据分析的火电厂设备智能预警方法 |
| CN118118382A (zh) * | 2024-03-01 | 2024-05-31 | 国网安徽省电力有限公司滁州供电公司 | 电力通讯系统运行状态的监控方法、系统及存储介质 |
| CN117935519A (zh) * | 2024-03-22 | 2024-04-26 | 深圳市中燃科技有限公司 | 一种燃气检测警报系统 |
| CN118569617A (zh) * | 2024-08-05 | 2024-08-30 | 济南奔腾时代电力科技有限公司 | 一种基于计算机视觉目标检测的智慧电厂管控系统及管控方法 |
Non-Patent Citations (2)
| Title |
|---|
| 何迪;章禹;郭创新;陈玉峰;张金江;刘辉;: "一种面向风险评估的输电线路故障概率模型", 电力系统保护与控制, no. 07, 31 December 2017 (2017-12-31), pages 81 - 88 * |
| 胡杰;唐静;谢仕义;王云;: "基于大数据技术的电厂设备状态评估和预警应用研究", 华电技术, no. 02, 25 February 2020 (2020-02-25), pages 5 - 10 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118783441A (zh) * | 2024-09-12 | 2024-10-15 | 福州兰开电器有限公司 | 一种智慧电网在线安全运维管理系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109765883B (zh) | 配电自动化终端运行状态评价与故障诊断方法 | |
| CN108376298B (zh) | 一种风电机组发动机温度故障预警诊断方法 | |
| CN105247379B (zh) | 用于不间断电源电池监测和数据分析的系统和方法 | |
| WO2001031514A2 (en) | A process for the monitoring and diagnostics of data from a remote asset | |
| GB2476246A (en) | Diagnosing an operation mode of a machine | |
| CN113590429B (zh) | 一种服务器故障诊断方法、装置及电子设备 | |
| CN110388773A (zh) | 冷水机组的故障检测方法、系统及冷水机组 | |
| CN115827411B (zh) | 一种用于自动化设备的在线监测及运维评估系统和方法 | |
| JP6482743B1 (ja) | リスク評価装置、リスク評価システム、リスク評価方法、及び、リスク評価プログラム | |
| CN118586722A (zh) | 一种面向智慧电厂的机电设备故障诊断方法 | |
| CN114297909A (zh) | 基于神经网络的水泵故障诊断方法及系统 | |
| CN116381542B (zh) | 基于人工智能的电源设备的健康诊断方法及装置 | |
| CN110646685B (zh) | 一种开关柜状态综合评估方法 | |
| CN114862275A (zh) | 基于数字孪生模型的仓储物流系统可靠性评估方法及系统 | |
| CN117892240A (zh) | 基于云计算的电力系统故障预测与诊断系统 | |
| CN116593883A (zh) | 一种智能化高压开关的断路器本体故障诊断方法、装置、设备及存储介质 | |
| JP6574533B2 (ja) | リスク評価装置、リスク評価システム、リスク評価方法、及び、リスク評価プログラム | |
| CN105302476B (zh) | 一种用于核电站设备的可靠性数据在线采集分析存储系统及其存储方法 | |
| CN112965990B (zh) | 低压联络柜故障解决方案生成方法、装置 | |
| CN118473901B (zh) | 基于智能优化算法的物联网故障诊断方法及系统 | |
| JP7415654B2 (ja) | 電池監視システム | |
| CN115270982A (zh) | 一种基于多元数据神经网络的开关柜故障预测方法 | |
| CN115860123A (zh) | 一种水轮机故障诊断推理校验方法 | |
| CN116011305A (zh) | 水务系统故障定位方法、装置及水务系统故障定位系统 | |
| JP6482742B1 (ja) | リスク評価装置、リスク評価システム、リスク評価方法、及び、リスク評価プログラム |
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 |