CN103617105A - 一种基于数据驱动的自适应多层流模型设备诊断方法 - Google Patents
一种基于数据驱动的自适应多层流模型设备诊断方法 Download PDFInfo
- Publication number
- CN103617105A CN103617105A CN201310695175.4A CN201310695175A CN103617105A CN 103617105 A CN103617105 A CN 103617105A CN 201310695175 A CN201310695175 A CN 201310695175A CN 103617105 A CN103617105 A CN 103617105A
- Authority
- CN
- China
- Prior art keywords
- data
- threshold value
- multilevel flow
- diagnosis
- flow model
- 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.)
- Granted
Links
Images
Landscapes
- Alarm Systems (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种基于数据驱动的自适应多层流模型设备诊断方法,结合了基于数据驱动方法的较好的准确性和基于多层流模型方法的较好的可解释性,克服了传统多层流模型方法中固定异常报警阈值容易造成漏警,从而造成诊断结果错误的问题。依据基于数据驱动的设备状态分类识别结果,自适应的调整多层流模型的异常报警阈值,并通过多层流模型异常检测和诊断推理进一步确认当前的设备状态,加强设备故障诊断的可靠性。该设备诊断方法具有重要的科学研究价值与工程应用价值。
Description
技术领域
本发明涉及的是一种复杂系统和设备的故障诊断方法,具体的说是使用基于数据驱动的分类识别方法改进基于多层流模型的故障诊断方法。
背景技术
故障诊断是一个信号采集、处理、分析识别与决策评判的过程。其主要任务是监视系统的状态,判断其是否正常,预测和诊断系统的故障并消除故障,指导系统的管理与维修。故障诊断技术经过几十年的发展,形成了多种多样的诊断方法。依据故障诊断领域专家的观点,可以将现有的故障诊断方法分为基于解析数学模型的方法、基于信号处理的方法和基于知识的方法。
基于解析数学模型的方法是通过将被诊断对象的可测信息和由模型表达的系统先验信息进行比较,以产生的残差来对系统进行故障分析。该方法需要建立被诊断对象的精确数学模型,其优点是充分利用了系统的内部深层知识,有利于系统的故障诊断,但对于难以建立数学模型的复杂系统的诊断无能为力。
基于信号处理的方法通过分析被诊断对象信号在幅值、相位、频率及相关性上与故障之间的联系来进行故障诊断。该方法不需要对象的准确模型,回避了对象的建模困难,有较强的适应性。但是诊断过程中往往不能充分利用故障信息,对于一些复杂的装备故障无能为力。
基于知识的方法以常规技术为基础,以人工智能技术为核心,无需系统的定量数学模型,可充分利用诊断知识和诊断对象的信息,特别适合于非线性系统和复杂的大系统。比如基于故障树的方法和基于多层流模型的方法,将专家对于待诊断系统的知识进行了充分的表达和刻画,便于进行诊断。另外,基于数据驱动的一类方法近年来受到广泛重视,这一类方法从数据中挖掘提取的知识对专家知识进行了有益的补充,使得诊断更加的准确和快速。常见的基于数据驱动的方法包括神经网络和支持向量机等。
多层流模型(Multilevel Flow Model)方法是上世纪80年代由丹麦技术大学的MortenLind提出的一种系统知识表示方法,从系统的目标、功能和物理实现三个层面描述了复杂系统的过程行为。后续的研究者提出了诊断该模型方法的测量验证、警报分析和故障诊断算法,从而使得该方法可以更广泛用于复杂系统的故障诊断等应用。为了进行警报分析和后续的诊断推理,该方法要求为其中的每一个流功能提供异常检测阈值。通常,这些检测阈值是根据实际测量和实验调整并确定的,但是不同的设备和系统故障对报警阈值的要求是不同的,调整后固定的报警阈值有着明显的局限性,不能全面的反应系统的异常状态。
基于数据驱动的方法是从上世纪80年代随着模式识别和机器学习领域的发展逐步普及的一大类方法,以故障数据为支撑,通过训练分类器对设备和系统状态进行快速的分类识别。神经网络是一类常见的数据驱动分类方法,由多层神经元和之间的连接构成。通过训练数据输入,连接具有的权值逐步获得调整,使得该网络具有分类识别能力。支持向量机可以认为是一类特殊的神经网络,可以一次性的输入所有训练数据并直接计算出其中的支持向量,并确定连接权值,从而进行分类。这一类方法的问题是,通过数据训练所获得权值虽然储存了系统知识,但是不易于人理解,因此诊断结果虽然更为准确,但是可解释性较差,实际应用中人们不敢盲目的相信其诊断结果,造成了应用范围的限制。
基于多层流模型的方法需要的是领域知识的强力支撑,在实际的复杂系统上使用,虽然可解释性较好,但准确性难以很好的保证,特别是固定的异常检测阈值容易造成漏警情况,从而引起诊断推理错误的问题。基于数据驱动的方法,需要的是模拟数据或者实际数据的强力支撑,在实际的复杂系统上使用准确性较高,但是可解释性较差。为此,如何将两类方法有机的结合使用是非常重要的待解决问题。
在前人的工作中,已经尝试了将多层流模型方法和基于数据驱动的方法进行结合。具体来说,2006年杨明等人在论文《A hybrid approach for fault diagnosis based on mutillevelflow models and artificial network》将多层流模型和神经网络方法进行了结合。但是在该研究中,两者结合的方式是首先使用多层流模型方法确定大致故障范围,再使用神经网络方法进行局部的故障诊断。这种结合方式虽然也具有合理性,规避了多层流模型方法诊断准确性不足和神经网络方法解释性不足的问题,但是没有从根本上克服多层流模型方法固定阈值所带来的漏警问题,也没有充分发挥神经网络方法在大范围上识别判断系统状态的能力,系统诊断的准确性和可解释性还有进一步的提升空间。
发明内容
本发明技术解决问题:克服现有技术的不足,提供一种基于数据驱动的自适应多层流模型设备诊断方法,同时具有准确性和可解释性,克服了传统多层流模型方法中固定异常报警阈值容易造成漏警,从而造成诊断结果错误的问题,提高了诊断结果的可靠性,同时比原始多层流模型方法更容易及时产生报警,从而加快了故障诊断速度,给故障处理留出了更多时间。
本发明的技术方案:一种基于数据驱动的自适应多层流模型设备诊断方法,使用基于数据驱动的方法确定系统状态,自适应的调整多层流模型的异常诊断阈值,并将多层流模型方法的诊断结果与基于数据驱动的方法所确定的系统状态进行比较,确定系统最终的故障诊断结果。
其步骤包括,其流程图如图1:
(1)对传感器获取的设备监测信号进行预处理;
(2)使用基于数据驱动的方法所训练的分类器依据处理后信号对当前设备状态进行分类识别;
(3)根据分类器的分类结果确定设备状态,依据设备状态调整多层流模型的异常报警阈值为对应该状态的一组数值,采用的是基于数据驱动的多层流模型自适应阈值确定方法;
(4)以调整后阈值进行异常检测,当多层流模型检测到异常时,进行推理诊断,如果多层流模型诊断方法诊断出的设备状态和分类器识别出的设备状态一致,则故障诊断结果确认。
基于数据驱动的多层流模型自适应阈值步骤包括:
(1)选择可靠的数据集进行分类器的训练,每个类别将会有多组数据;
(2)针对某一类别的数据进行如下处理:首先,计算其中某个维度的数据相对于正常值的偏离均值(偏离的绝对值的均值);其次,根据该偏离均值与正常值的比例判断是否为有效偏离,如果比例很小则为无效偏离;再次,将该维度有效偏离均值与原始固定的报警阈值进行比较,如果该均值小于报警阈值,则将新的报警阈值设为该均值,否则维持报警阈值不变;最后,对该类别数据所有维度均进行如上处理,获取一组新的报警阈值;
(3)对所有类别数据均进行(2)中处理,将所获得的多组报警阈值与状态类别进行对应。
本发明与现有技术相比优点在于:
(1)本发明同时具有了基于数据驱动方法的较好的准确性和基于多层流模型方法的较好的可解释性。
(2)本发明克服了传统多层流模型方法中固定异常报警阈值容易造成漏警,从而造成诊断结果错误的问题。
(3)本发明通过对基于数据驱动方法和多层流模型方法的诊断结果的比对和确认,进一步提高了诊断结果的可靠性。
(4)本发明比传统多层流模型方法中采取固定异常报警阈值更容易及时产生报警,从而加快了故障诊断速度,给故障处理留出了更多时间。
附图说明
图1为本发明实现流程图;
图2为2环路压水堆核电站的系统简图;
图3为2环路压水堆核电站一回路多层流模型。
具体实施方式
设有一复杂设备系统有M路传感器信号,已知有N-1种故障状态和1种正常状态,每一种状态有L个样本数据。针对M路传感器信号,根据经验将固定设置M个报警阈值。不失一般性的考虑,基于数据驱动的方法选择支持向量机。
训练数据集已经确定,即总的数据规模为M*N*L,依照基于数据驱动的多层流模型自适应阈值确定方法进行如下处理:
(1)训练基于数据驱动的故障分类器。使用多类支持向量机训练算法,可以获得输入为M维,输出为1到N类的分类器,其中第1到N-1类为故障类别,第N类为系统正常状态。如果考虑到时间窗的因素,设时间窗宽度为T,输入维数可修改为M*T维。
(2)从1到N-1类中任选一类的数据进行如下处理:首先,计算其中第k个维度的数据的偏离均值;其次,将第k个维度的偏离均值与该维度的正常值进行比较,判断是否为有效偏离均值;再次,将第k个维度有效偏离均值与原始固定的报警阈值进行比较,如果该均值小于报警阈值,则将新的报警阈值设为该均值,否则维持报警阈值不变;最后,对该类数据所有M个维度均进行如上处理,获取一整组新的报警阈值,即针对该类数据,有对应于M路传感器的M个新的阈值;
对除了第N类以外所有类别数据均进行(2)中处理,将所获得的多组报警阈值与状态类别进行对应,即获得共N-1组,每组M维的报警阈值。
当获得了所有的报警阈值后,在实际故障诊断中依照权利要求1中的基于数据驱动的自适应多层流模型设备诊断方法进行诊断。
(1)对传感器获取的设备监测信号进行预处理;
(2)使用训练好的分类器进行故障状态实时检测分类;
(3)系统正常时,分类器输出结果一直为第N类,对应采用预先设定的固定阈值对系统进行监测告警;若有故障发生,分类器输出结果将会是1到N-1中的某个数值,假设为p,对应于第p类故障,则系统将实时的调整监测阈值为第p组的阈值;
(4)以调整后阈值进行异常检测,当多层流模型检测到异常时,进行推理诊断,如果多层流模型诊断方法诊断出的设备状态为q,已知分类器之前识别出的设备状态为p,若p=q,则故障诊断结果确认,否则,提示可能出现故障,但不能确认。
实施实例1
多层流模型被广泛的应用于复杂核设施的故障诊断,如压水堆核电站的系统故障诊断,这里我们也以压水堆核电站为例说明本方法的使用步骤。选择的故障为多个位置的冷却剂丧失事故(Loss of Coolant Accident LOCA),指反应堆主回路压力边界产生破口或发生破裂,一部分或大部分冷却剂泄露的事故。由于冷却剂丧失事故现象复杂,后果特别严重,因此在反应堆安全分析中处于非常重要的地位。
图2为2环路压水堆核电站的系统简图,其中稳压器所在环路为A环路,另一环路为B环路。这两个环路构成了一回路,通过一回路的冷却剂循环将反应堆的热能传递到蒸汽发生器,从而传递给二回路用于发电。可根据系统的总目标G0提供电力和G1向二回路传输热能使其产生蒸汽建立整个系统的多层流模型,为了实现G0和G1,需要实现两个子目标G2维持一回路冷却剂流量和G3维持二回路蒸汽流量。因整个系统的多层流模型过于复杂,选择其中G2作为目标分析部分流模型的诊断,如图3所示。F开头的符号表示了多层流模型中的一个功能单元,多个功能单元通过线连接构成了功能流。对应对到实际的系统设备,F14到F21构成了A环路的完整冷却剂循环。具体循环过程为:F20冷却剂主泵完成冷却剂驱动,冷却剂通过F21冷管段流入F14反应堆堆芯,再由F15热管段1流经稳压器F16稳压,再通过F17热管段2流入F18蒸汽发生器,冷却剂最后通过F19弯管流回到F20冷却剂泵完成循环。B1到B6为可能故障,为了简化说明,这里只考虑A环路的情况,包括B1、B3、B5,共3种故障,B环路类似分析。详细如下:B1,A环路冷管段LOCA;B3,A环路波动管段LOCA;B5,A环路热段管LOCA。部分和以上事故最为相关的功能单元如下表:
标号 | 功能 |
F14 | 传送冷却剂流经堆芯 |
F15 | 传送冷却剂流经热管1(A环路) |
F16 | 稳压器稳压(A环路) |
F17 | 传送冷却剂流经热管2(A环路) |
F18 | 传送冷却剂流经蒸发器(A环路) |
F19 | 传送冷却剂流经弯管(A环路) |
F20 | 主泵传送冷却剂(A环路) |
F21 | 传送冷却剂流经冷管(A环路) |
选择从整个系统中选择可测量的系统参数,作为故障诊断的主要信号输入,共使用9个参数的测量值,详细如下:
(1)A环路主给水流量
(2)A环路主蒸汽流量
(3)A环路蒸汽管压力
(4)A环路主冷却剂流量
(5)A环路蒸汽发生器水位
(6)A环路冷管温度
(7)A环路热管温度
(8)稳压器压力
(9)稳压器水位
与说明书前述的具体实施方式对应,本系统共有9路传感器信号,3种故障状态和1种正常状态。因压水堆真实电站事故数据稀缺,这里使用仿真器获得仿真数据,每一种状态获取有1000个样本数据。每个样本数据为9路信号连续3个时间点的数据,即共27维。针对9路传感器信号,根据惯例固定设置9个报警阈值为正常值的1%。
以正常值作为标准化依据,对应实数1,将4000个样本的数据点各维度标准化到1附近,以便统一尺度训练基于数据驱动的分类器。此标准化即为实施方式中预处理的一种形式。基于数据驱动的方法选择支持向量机,采用标准的多类支持向量机训练算法,训练输入数据维度为27的4类分类器。此分类器作为系统状态实时检测的工具。
针对1到3个故障状态,分别对应,A环路冷管段LOCA,A环路波动管段LOCA和A环路热段管LOCA。这里以系统发生故障1即A环路冷管段LOCA事故说明新的一组检测阈值的确定。在事故发生初始阶段,稳压器的压力和水位迅速下降,A环路流量缓慢下降,A环路主蒸汽流量缓慢上升,A环路主给水稍有上升。A环路冷管段LOCA发生时的采用固定阈值的多层流模型警报状态包括A环路主给水流量高报警、A环路主蒸汽管流量高、A环路冷却剂流量低报警、稳压器压力低报警、稳压器水位低报警,分别对应于9路信号的1、2、4、8、9位。原始对应正常分类情况时的阈值,以%为单位是(1,1,1,1,1,1,1,1,1)。采用实施方式中描述的阈值确定方法.首先以0.1%为进行有效偏离的判断,发现1、2、4、8、9路均有有效偏离。其次进行阈值的调整,因稳压器的压力和水位迅速下降,故8、9路偏离均值大于原始阈值,故维持原始阈值。1、2、4路变动较小,符合阈值调整规则,进行调整。最终可以获得一组对应的新阈值,各路阈值分别是(0.8,0.7,1,0.5,1,1,1,1,1)。
本方法使用时,首先分类器进行实时检测,分类器输出为4,即系统为正常状态。在仿真插入事故后第4个时间点,分类器输出由4变为1,即检测到可能有A环路冷管段LOCA事故。根据方法流程,对应调整多层流模型报警阈值为(0.8,0.7,1,0.5,1,1,1,1,1)。在第5个时间点获得了多层流模型应该出现的报警状态,包括A环路主给水流量高报警、A环路主蒸汽管流量高、A环路冷却剂流量低报警、稳压器压力低报警、稳压器水位低报警,判定为可能有A环路冷段管LOCA事故。因分类器和多层流模型的诊断结果一致,确认系统发生了A环路冷段管LOCA事故。
如果采取原始固定阈值的多层流模型方法,因A环路主给水报警会在较迟的时候才会正确报警,具体来说会在第19个时间点才能够出现对应的报警状态。则之前的警报状态不足,即有漏警,有可能误判为其他两种LOCA事故。在这种情况下,故障的正确诊断时间比原始方法提前了,并且防止了漏警,体现了本发明的优点。
本发明未详细阐述部分属于本领域公知技术。
以上所述,仅为本发明部分具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本领域的人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。
Claims (2)
1.一种基于数据驱动的自适应多层流模型设备诊断方法,其特征在于实现步骤如下:
(1)对传感器获取的设备监测信号进行预处理;
(2)使用基于数据驱动的方法所训练的分类器依据预处理后信号对当前设备状态进行分类识别;
(3)根据分类器的分类结果确定设备状态,依据设备状态调整多层流模型的异常报警阈值为对应该状态的一组数值,采用的是基于数据驱动的多层流模型自适应阈值确定方法;
(4)以调整后阈值进行异常检测,当多层流模型检测到异常时,进行推理诊断,如果多层流模型诊断方法诊断出的设备状态和分类器识别出的设备状态一致,则故障诊断结果确认;如果诊断出的设备状态和识别出的设备状态不一致,则继续循环检测,提示有故障可能,但无法确定故障类别。
2.根据权利要求1所述的基于数据驱动的自适应多层流模型设备诊断方法,其特征在于:所述基于数据驱动的多层流模型自适应阈值确定方法实现步骤如下:
(1)选择可靠的数据集进行分类器的训练,每个类别将会有多组数据;
(2)针对某一类别的数据进行如下处理:首先,计算其中某个维度的数据相对于正常值的偏离均值,即偏离的绝对值的均值;其次,根据该偏离均值与正常值的比例判断是否为有效偏离,如果比例很小的则为无效偏离;再次,将该维度有效偏离均值与原始固定的报警阈值进行比较,如果该均值小于报警阈值,则将新的报警阈值设为该均值,否则维持报警阈值不变;最后,对该类别数据所有维度均进行如上处理,获取一组新的报警阈值;
(3)对所有类别数据均进行(2)中处理,将所获得的多组报警阈值与状态类别进行对应。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310695175.4A CN103617105B (zh) | 2013-12-17 | 2013-12-17 | 一种基于数据驱动的自适应多层流模型设备诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310695175.4A CN103617105B (zh) | 2013-12-17 | 2013-12-17 | 一种基于数据驱动的自适应多层流模型设备诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103617105A true CN103617105A (zh) | 2014-03-05 |
CN103617105B CN103617105B (zh) | 2016-08-17 |
Family
ID=50167808
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310695175.4A Active CN103617105B (zh) | 2013-12-17 | 2013-12-17 | 一种基于数据驱动的自适应多层流模型设备诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103617105B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104392752A (zh) * | 2014-10-13 | 2015-03-04 | 中国科学院合肥物质科学研究院 | 一种实时在线的核反应堆故障诊断与监测系统 |
CN106444694A (zh) * | 2016-05-30 | 2017-02-22 | 重庆大学 | 一种大数据下系统异常工况预警技术 |
CN108388221A (zh) * | 2018-03-21 | 2018-08-10 | 江南大学 | 流程工业过程的一种多层模式监控方法 |
CN111061253A (zh) * | 2019-12-27 | 2020-04-24 | 北京旋极信息技术股份有限公司 | 针对机电混合系统的故障诊断方法、系统及可读介质 |
CN111176877A (zh) * | 2019-12-27 | 2020-05-19 | 北京旋极信息技术股份有限公司 | 针对电子信息系统的故障诊断方法、系统及可读介质 |
CN112084909A (zh) * | 2020-08-28 | 2020-12-15 | 北京旋极信息技术股份有限公司 | 故障诊断方法、系统及计算机可读存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1472674A (zh) * | 2003-08-04 | 2004-02-04 | 西安交通大学 | 基于概率模型的设备状态动态自适应报警方法 |
KR20090125481A (ko) * | 2008-06-02 | 2009-12-07 | 영남대학교 산학협력단 | 인버터 고장 검출 장치 및 그 방법 |
CN102765643A (zh) * | 2012-05-31 | 2012-11-07 | 天津大学 | 基于数据驱动的电梯故障诊断与预警方法 |
-
2013
- 2013-12-17 CN CN201310695175.4A patent/CN103617105B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1472674A (zh) * | 2003-08-04 | 2004-02-04 | 西安交通大学 | 基于概率模型的设备状态动态自适应报警方法 |
KR20090125481A (ko) * | 2008-06-02 | 2009-12-07 | 영남대학교 산학협력단 | 인버터 고장 검출 장치 및 그 방법 |
CN102765643A (zh) * | 2012-05-31 | 2012-11-07 | 天津大学 | 基于数据驱动的电梯故障诊断与预警方法 |
Non-Patent Citations (1)
Title |
---|
马杰等: "核动力装置混合智能故障诊断系统研究", 《原子能科学技术》, vol. 45, no. 8, 31 August 2011 (2011-08-31) * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104392752A (zh) * | 2014-10-13 | 2015-03-04 | 中国科学院合肥物质科学研究院 | 一种实时在线的核反应堆故障诊断与监测系统 |
CN106444694A (zh) * | 2016-05-30 | 2017-02-22 | 重庆大学 | 一种大数据下系统异常工况预警技术 |
CN108388221A (zh) * | 2018-03-21 | 2018-08-10 | 江南大学 | 流程工业过程的一种多层模式监控方法 |
CN111061253A (zh) * | 2019-12-27 | 2020-04-24 | 北京旋极信息技术股份有限公司 | 针对机电混合系统的故障诊断方法、系统及可读介质 |
CN111176877A (zh) * | 2019-12-27 | 2020-05-19 | 北京旋极信息技术股份有限公司 | 针对电子信息系统的故障诊断方法、系统及可读介质 |
CN112084909A (zh) * | 2020-08-28 | 2020-12-15 | 北京旋极信息技术股份有限公司 | 故障诊断方法、系统及计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN103617105B (zh) | 2016-08-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103617105A (zh) | 一种基于数据驱动的自适应多层流模型设备诊断方法 | |
CN104390657B (zh) | 一种发电机组运行参数测量传感器故障诊断方法及系统 | |
CN105846780A (zh) | 一种基于决策树模型的光伏组件故障诊断方法 | |
CN105700518A (zh) | 一种工业过程故障诊断方法 | |
CN106202769A (zh) | 一种在线检测和仿真建模验证结合的工业系统检测方法 | |
CN105044497A (zh) | 一种牵引变流器故障智能分析方法 | |
CN109492790A (zh) | 基于神经网络与数据挖掘的风电机组健康管理方法 | |
CN105388884A (zh) | 一种基于由数据驱动的识别算法检测供热管网泄漏故障的报警系统及方法 | |
CN113177646B (zh) | 一种基于自适应边缘代理的配电设备在线监测方法及系统 | |
Zhou | A fuzzy petri-net approach for fault analysis considering factor influences | |
Li et al. | Framework and case study of cognitive maintenance in Industry 4.0 | |
CN107169658A (zh) | 基于可信度的湿法冶金浓密机的故障诊断方法 | |
Li et al. | Deep learning based covert attack identification for industrial control systems | |
Yan et al. | Deep learning technology for chiller faults diagnosis | |
Yu et al. | A continuous learning monitoring strategy for multi-condition of nuclear power plant | |
Wang et al. | Improved methods of online monitoring and prediction in condensate and feed water system of nuclear power plant | |
CN107895194B (zh) | 一种核电厂主冷却剂系统故障诊断方法 | |
CN117408162A (zh) | 基于数字孪生的电网故障控制方法 | |
CN114577470A (zh) | 用于风机主轴承的故障诊断方法及系统 | |
Duan et al. | Diagnosis strategy for micro-computer controlled straight electro-pneumatic braking system using fuzzy set and dynamic fault tree | |
Coble et al. | Adaptive monitoring, fault detection and diagnostics, and prognostics system for the IRIS nuclear plant | |
Souza et al. | Evaluation of data based normal behavior models for fault detection in wind turbines | |
CN114064911A (zh) | 一种核电厂智能诊断系统专家知识库建模方法及系统 | |
Guohua et al. | Distributed fault diagnosis framework for nuclear power plants | |
He et al. | An adaptive interval forecast CNN model for fault detection method |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |