Recherche dans les collections de brevets nationales et internationales
Une partie du contenu de cette demande n'est pas disponible pour le moment.
Si cette situation persiste, contactez-nous auObservations et contact
1. (WO2015176565) PROCÉDÉ DE PRÉDICTION DE DÉFAILLANCES DANS UN ÉQUIPEMENT ÉLECTRIQUE REPOSANT SUR DES SÉRIES TEMPORELLES MULTIDIMENSIONNELLES
Dernières données bibliographiques dont dispose le Bureau international

N° de publication : WO/2015/176565 N° de la demande internationale : PCT/CN2015/072881
Date de publication : 26.11.2015 Date de dépôt international : 12.02.2015
CIB :
G06F 19/00 (2011.01)
G PHYSIQUE
06
CALCUL; COMPTAGE
F
TRAITEMENT ÉLECTRIQUE DE DONNÉES NUMÉRIQUES
19
Équipement ou méthodes de traitement de données ou de calcul numérique, spécialement adaptés à des applications spécifiques
Déposants :
袁志贤 YUAN, Zhixian [CN/CN]; CN
Inventeurs :
袁志贤 YUAN, Zhixian; CN
Mandataire :
深圳市远航专利商标事务所(普通合伙) SHENZHEN YUANHANG INTELLECTUAL PROPERTY OFFICE (GENERAL PARTNER); 中国广东省深圳市 福田福田路深圳国际文化大厦1019 Room 1019, Shenzhen International Cultural Building Futian Rd, Futian Shenzhen, Guangdong 518033, CN
Données relatives à la priorité :
201410218375.522.05.2014CN
Titre (EN) METHOD FOR PREDICTING FAULTS IN ELECTRICAL EQUIPMENT BASED ON MULTI-DIMENSION TIME SERIES
(FR) PROCÉDÉ DE PRÉDICTION DE DÉFAILLANCES DANS UN ÉQUIPEMENT ÉLECTRIQUE REPOSANT SUR DES SÉRIES TEMPORELLES MULTIDIMENSIONNELLES
(ZH) 一种基于多维时间序列的电气设备故障预测方法
Abrégé :
(EN) A method for predicting equipment faults based on multi-dimension time series presents a data mining method of multi-dimension time series on the basis of high intensive sampled online operating electrical measurement data in a power system; a time series decomposition algorithm, a feature event generation algorithm and an association rule-based fault association relation mining algorithm are set up through historical time series training data; the variation features of other equipment associated with the fault, namely 'forewarning events', are mined out; an equipment fault predication model is formed based on the relationship, and in combination with online monitoring data, powerful support is provided for fault prediction and judgment of complex non-linear electrical equipment. Massive high-density operating monitored historical data of the equipment can be made an effective use by above method to predict beforehand faults or impacts that probably occur in the core equipment of a power enterprise, so that prevention measures can be taken in time to avoid such faults or impacts.
(FR) L'invention concerne un procédé permettant de prédire les défaillances d'équipements sur la base de séries temporelles multidimensionnelles consistant en un procédé de recherche de données de séries temporelles multidimensionnelles reposant sur des données de mesure électrique de fonctionnement en ligne échantillonnées et de haute intensité dans un système électrique. Un algorithme de décomposition de série temporelle, un algorithme de génération d'événement de caractéristique et un algorithme de recherche de relations d'associations de défaillances reposant sur une règle d'association sont établis sur des données d'apprentissage de séries temporelles historiques; les caractéristiques de variation d'un autre équipement associé à la défaillance, c'est-à-dire les événement précurseurs, sont recherchées; un modèle de prédiction de défaillance d'équipement est formé sur la base de la relation, et en combinaison avec des données de surveillance en ligne, un support puissant est obtenu pour une prédiction de défaillances et un jugement d'équipement électrique complexe non-linéaire. D'importantes données historiques surveillées de fonctionnement à haute densité de l'équipement peuvent être utilisées efficacement par ce procédé afin de prédire à l'avance des défaillances ou des impacts qui se produisent probablement dans l'équipement central d'une entreprise électrique, de sorte que des mesures de prévention peuvent être prises à temps pour éviter de tels défaillances ou impacts.
(ZH) 一种基于多维时间序列的设备故障预测方法,该方法针对电力系统中高密集采样的在线运行电气测量数据,提出一种多维时间序列的数据挖掘方法,通过历史时间序列训练数据建立与时间序列分解算法、特征事件生成算法和基于关联规则的故障关联关系挖掘算法,与此故障有关联关系的其他设备的变化特征,即"前兆事件"挖掘出来,此关系形成设备故障预测模型,结合在线监测数据,为复杂非线性电气设备的故障预测与判断提供有力支撑。以上方法能有效利用设备的海量高密度运行监测历史数据,对电力企业核心设备所可能遭受的故障或冲击进行提前预测,以便及时采取预防措施避免。
front page image
États désignés : AE, AG, AL, AM, AO, AT, AU, AZ, BA, BB, BG, BH, BN, BR, BW, BY, BZ, CA, CH, CL, CN, CO, CR, CU, CZ, DE, DK, DM, DO, DZ, EC, EE, EG, ES, FI, GB, GD, GE, GH, GM, GT, HN, HR, HU, ID, IL, IN, IR, IS, JP, KE, KG, KN, KP, KR, KZ, LA, LC, LK, LR, LS, LU, LY, MA, MD, ME, MG, MK, MN, MW, MX, MY, MZ, NA, NG, NI, NO, NZ, OM, PA, PE, PG, PH, PL, PT, QA, RO, RS, RU, RW, SA, SC, SD, SE, SG, SK, SL, SM, ST, SV, SY, TH, TJ, TM, TN, TR, TT, TZ, UA, UG, US, UZ, VC, VN, ZA, ZM, ZW
Organisation régionale africaine de la propriété intellectuelle (ARIPO) (BW, GH, GM, KE, LR, LS, MW, MZ, NA, RW, SD, SL, ST, SZ, TZ, UG, ZM, ZW)
Office eurasien des brevets (OEAB) (AM, AZ, BY, KG, KZ, RU, TJ, TM)
Office européen des brevets (OEB) (AL, AT, BE, BG, CH, CY, CZ, DE, DK, EE, ES, FI, FR, GB, GR, HR, HU, IE, IS, IT, LT, LU, LV, MC, MK, MT, NL, NO, PL, PT, RO, RS, SE, SI, SK, SM, TR)
Organisation africaine de la propriété intellectuelle (OAPI) (BF, BJ, CF, CG, CI, CM, GA, GN, GQ, GW, KM, ML, MR, NE, SN, TD, TG)
Langue de publication : chinois (ZH)
Langue de dépôt : chinois (ZH)