CN104142254A - 一种汽轮机通流部分故障诊断方法 - Google Patents
一种汽轮机通流部分故障诊断方法 Download PDFInfo
- Publication number
- CN104142254A CN104142254A CN201410385051.0A CN201410385051A CN104142254A CN 104142254 A CN104142254 A CN 104142254A CN 201410385051 A CN201410385051 A CN 201410385051A CN 104142254 A CN104142254 A CN 104142254A
- Authority
- CN
- China
- Prior art keywords
- fault
- flow path
- neural network
- failure
- turbine flow
- 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
Landscapes
- Control Of Turbines (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明属于工业监测领域，具体为经验模态分解方法及概率神经网络在火电厂汽轮机通流部分故障诊断方向的应用，即一种汽轮机通流部分故障诊断方法。本发明提供一个基于经验模态分解和概率神经网络的汽轮机通流部分故障诊断新方法。首先通过采集火电厂汽轮机正常运行、不同故障时通流部分的故障征兆参数数据，利用经验模态分解在处理非平稳及非线性数据上的优势，对相应的征兆参数数据进行故障特征提取，再利用概率神经网络强大的非线性模式分类性能进行故障检测和识别，从而来有效诊断汽轮机通流部分故障。本发明能够快速准确地诊断火电厂汽轮机通流部分故障。
Description
技术领域
本发明属于工业监测领域，具体为经验模态分解方法及概率神经网络在火电厂汽轮机通流部分故障诊断方向的应用。
背景技术
汽轮发电机组是电力生产企业的主要设备，无论是故障停机还是停机检修，都会造成巨大的经济损失。汽轮机通流部分故障诊断对于汽轮机本体的安全、经济运行具有重要意义。一方面可以通过故障检测排除机组存在的安全隐患，另一方面可以适当延长机组的大修周期，从而可以在保障机组运行安全性的同时提高机组的经济性。因此，研究先进的汽轮机通流部分故障诊断方法显得尤为重要。
经验模态分解方法依据数据自身的时间尺度特征来进行信号分解，无须预先设定任何基函数，可以很好地提取一组数据在时间上的变化趋势，这一点与建立在先验性的谐波基函数和小波基函数上的傅里叶分解、小波分解方法具有本质性的差别。正是由于这样的特点，经验模态分解方法在理论上可以应用于任何类型的信号分解，因而在处理非平稳及非线性数据方面具有非常明显的优势。经验模态分解方法自从1998年被提出就被广泛应用于各个领域，取得了很好的效果，但尚未将该方法应用于汽轮机通流部分故障诊断这一领域。
概率神经网络是由径向基函数网络发展而来的一种前馈型神经网络，其理论依据是概率密度估计和贝叶斯最小风险准则(贝叶斯决策理论)。基于概率神经网络的故障诊断方法实质上是利用概率神经网络模型的非线性分类能力，将故障样本空间映射到故障模式空间中，从而形成一个具有较强容错能力和结构自适应能力的诊断网络系统。概率神经网络容易设计算法，网络结构简单，能用线性学习算法实现非线性学习算法的功能，适用于汽轮机通流部分故障诊断。
发明内容
本发明提供一个基于经验模态分解和概率神经网络的汽轮机通流部分故障诊断新方法。首先通过采集火电厂汽轮机正常运行、不同故障时通流部分的故障征兆参数数据，利用经验模态分解在处理非平稳及非线性数据上的优势，对相应的征兆参数数据进行故障特征提取，再利用概率神经网络强大的非线性模式分类性能进行故障检测和识别，从而来有效诊断汽轮机通流部分故障。
本发明采用如下技术方案：
一种汽轮机通流部分故障诊断新方法，包括如下步骤：
(1)分别收集汽轮机正常运行和磨损故障、结垢故障、喷嘴脱落故障、叶片断裂故障5种状态(也可为其他故障)时通流部分的热力参数数据，作为通流部分故障征兆数据。将每组故障征兆数据随机分为两部分，一部分作为概率神经网络训练样本，其余作为概率神经网络测试样本。
(2)对故障征兆相关的热力参数信号进行EMD分解，分别得到若干个IMF分量和代表原信号变化趋势的趋势余量。不同热力参数信号的IMF分量个数不等。设其中的最大值为k，若某个样本的IMF个数少于k，则补充零向量使其具有k个IMF分量。
(3)求出各IMF分量ci(t)及趋势余量r(t)的能量Ei、Er
其中，各IMF分量ci(t)的能量式中n为数据点总数；趋势余量r(t)的能量Er＝|r(t)|2。
(4)将Ei和Er作为第z个故障征兆参数的特征向量Aj,z
Aj,z＝[E1,E2,...,Ek,Er]，式中j＝1,2,3,4,5分别代表汽轮机通流部分处于正常运行和磨损故障、结垢故障、喷嘴脱落故障、叶片断裂故障5种状态。
(5)将Aj,z并行排列，作为该组故障征兆数据的特征向量T
T＝[Aj,1,Aj,2,...,Aj,s]，式中，s为相应的故障征兆参数总类别数。
(6)使用主元分析法，对该组故障征兆数据的特征向量进行处理，得到降维后的特征向量T'。
(7)对汽轮机通流部分工作状态进行编码，以“1”表示正常运行状态，“2”表示磨损故障状态，“3”表示结垢故障，“4”表示喷嘴脱落故障，“5”表示叶片断裂故障。以此类推，若还需诊断其他故障，则将编码设定为“6”、“7”、“8”、“9”等等。将降维后的特征向量T'设置为概率神经网络的输入向量，将状态编码设置为输出类别向量，建立概率神经网络。
(8)将训练样本的特征向量T'和对应的输出类别向量输入概率神经网络进行训练，训练结束后，将测试样本的特征向量T'输入训练完成的概率神经网络进行故障诊断，并根据输出结果来判断相应的汽轮机通流部分的工作状态。
具体解释为：
步骤(1)：分别收集汽轮机正常运行、不同故障时通流部分的热力参数数据，作为通流部分故障征兆数据。
这其中，当磨损故障为调节级磨损时，调节级发生腐蚀、磨损，将使得通流面积增大，流量也随之增加，负荷在一定时间内增加。对于第一级组，由弗留格尔公式知，级前压力增大，即调节级后压力增大，同时调节级后各级组压力增大，高压缸排汽压力、再热蒸汽压力都将增大。因此，可采用主给水流量、机组负荷、调节级后压力和再热蒸汽压力参数作为调节级磨损的故障征兆参数。
步骤(2)：对故障征兆参数信号进行EMD分解，分别得到若干个IMF分量。
这其中，经验模态分解算法的具体流程图见图1。
这其中，经验模态分解的处理结果为将原信号s(t)分解为m个本征模函数(即IMF，记为ci(t))和一个趋势余量，代表原信号的变化趋势，记为r(t)。理论上有
步骤(3)：求出各IMF分量ci(t)及趋势余量r(t)的能量Ei、Er。
这其中，各IMF分量ci(t)的能量式中n为数据点总数；趋势余量r(t)的能量Er＝|r(t)|2。
步骤(4)：将Ei和Er作为第z个热力参数的特征向量Aj,z。
这其中，Aj,z＝[E1,E2,...,Ek,Er]，式中j＝1,2,3,4,5分别代表汽轮机通流部分处于正常运行和磨损故障、结垢故障、喷嘴脱落故障、叶片断裂故障5种状态。以此类推，若还需诊断其他故障，则将j设定为“6”、“7”、“8”、“9”等等。
步骤(5)：将Aj,z并行排列，作为该组故障征兆数据的特征向量。
这其中，该组故障征兆数据的特征向量T＝[Aj,1,Aj,2,...,Aj,s]，式中，s为相应的故障征兆参数总类别数。以调节级磨损故障为例，其特征向量T应包含主给水流量、机组负荷、调节级后压力和再热蒸汽压力这4项热力参数的特征向量。
步骤(6)：使用主元分析法，对该组故障征兆数据的特征向量进行处理。
这其中，主元分析法是采取一种数学降维的方法，找出几个综合变量来代替原来众多的变量，使这些综合变量能尽可能地代表原来变量的信息量，而且彼此之间互不相关。
这其中，使用主元分析法对汽轮机通流部分故障特征信息进行二次处理，可以看做是对信息的再提炼，目的是形成新的模式，增强类间距，排除误识别，提高故障的识别率。
这其中，主元分析法可以得到p个主成分，但是，由于各个主成分的方差是递减的，包含的信息量也是递减的，所以实际分析时，一般不是选取p个主成分，而是根据各个主成分累计贡献率的大小选取前n个主成分。一般要求累计贡献率达到85％以上，这样才能保证综合变量能包括原始变量的绝大多数信息。
步骤(7)：对汽轮机通流部分工作状态进行编码，以“1”表示正常运行状态，“2”表示磨损故障，“3”表示结垢故障，“4”表示喷嘴脱落故障，“5”表示叶片断裂故障。以此类推，若还需诊断其他故障，则将编码设定为“6”、“7”、“8”、“9”等等。将降维后的特征向量T'设置为概率神经网络的输入向量，将状态编码设置为输出类别向量，建立概率神经网络。
这其中，概率神经网络的结构图如图2所示。概率神经网络共分4层：输入层、模式层、求和层和决策层(输出层)。输入层接收来自测试样本的值，其神经元数目和样本矢量的维数相等。模式层神经元的个数等于各个类别训练样本数之和。在求和层，故障模式和神经元一一对应，这些神经元将对应模式层的一组神经元输出求和，从而得到故障模式的估计概率密度函数。网络的决策层由简单的辨别器组成，其作用是在各个故障模式的估计概率密度中选择一个具有最大后验概率的神经元作为整个系统的输出。
步骤(8)：将训练样本的特征向量T'和对应的输出类别向量输入概率神经网络进行训练，训练结束后，将测试样本的特征向量T'输入训练完成的概率神经网络进行故障诊断，并根据输出结果来判断相应的汽轮机通流部分工作状态。
这其中，概率神经网络的输出结果“1”、“2”、“3”、“4”、“5”分别对应汽轮机通流部分正常运行和磨损故障、结垢故障、喷嘴脱落故障、叶片断裂故障5种状态。
这其中，以此类推，若还需诊断其他故障，则概率神经网络的输出结果“6”、“7”、“8”、“9”等分别对应相应的其他汽轮机通流部分故障。
本发明能够快速准确地诊断火电厂汽轮机通流部分故障。
附图说明
图1是经验模态分解算法的流程图。
图2是概率神经网络的结构图。
图3是基于经验模态分解和概率神经网络的汽轮机通流部分故障诊断模型。
图4是本发明实施例中调节级后压力信号。
图5是本发明实施例中调节级后压力信号的经验模态分解结果。
具体实施方式
如图3所示，本发明所提出的诊断方法主要分为三大模块。
第一模块是对故障所涉及的热力参数数据进行特征提取，以各IMF分量及趋势余量的能量为元素构建原信号的特征向量；第二模块是使用主元分析法对特征向量矩阵进行降维；第三模块是使用训练样本建立概率神经网络，并对测试样本进行故障诊断和识别。
下面以某600MW火电厂调节级磨损故障诊断结果作为说明。
本方法的第一步，是对故障所涉及的热力参数数据进行特征提取，以各IMF分量及趋势余量的能量为元素构建原信号的特征向量。
这其中，本发明实施例采用主给水流量、机组负荷、调节级后压力和再热蒸汽压力参数作为调节级磨损的故障征兆参数。选取360MW工况下的不同状态的故障征兆参数数据进行训练。其中一部分为现场数据，其余为仿真采集数据。
这其中，图4是本发明实施例中调节级后压力信号，图5是本发明实施例中调节级后压力信号的经验模态分解结果。图中纵坐标为MPa，横坐标为数据点数。
这其中，以各IMF分量及趋势余量的能量为元素，可得到一个6维的原信号特征向量。将机组负荷、主给水流量、调节级后压力和再热蒸汽压力信号的特征向量并行排列，则每组汽轮机通流部分运行数据可得到一个24维的特征向量。
这其中，本发明实施例中选取正常运行、调节级磨损数据各50组，共100组汽轮机通流部分运行数据，得到了一个100行24列的特征向量矩阵。
本方法的第二步，是使用主元分析法对特征向量矩阵进行降维。
这其中，本发明实施例选取累积贡献率大于87％的前11个主成分，保证综合变量能包含原始变量的绝大多数信息。原100行24列的特征向量矩阵经主元分析法降维后，生成了一个新的100行11列的特征向量矩阵。将新的特征向量矩阵作为概率神经网络的输入向量矩阵，从而减少了概率神经网络的输入节点数，并简化了网络结构。
本方法的第三步，是使用训练样本建立概率神经网络，并对测试样本进行故障诊断和识别。
这其中，本发明实施例选取正常运行、故障数据各30组(共60组)，作为概率神经网络的训练样本数据。剩余的40组数据(正常运行、故障数据各20组)作为概率神经网络的测试样本数据。将由训练样本数据所提取的60行11列的特征向量矩阵输入概率神经网络进行训练后，将由测试样本数据所提取的40行11列的特征向量矩阵输入训练好的概率神经网络进行诊断。
本发明实施例中，概率神经网络对40组样本全部诊断正确，诊断准确率达到100％。这表明，本发明能够快速准确地诊断火电厂汽轮机的通流部分故障。
Claims (8)
1.一种汽轮机通流部分故障诊断方法，包括如下步骤：
(1)分别收集汽轮机正常运行和磨损故障、结垢故障、喷嘴脱落故障、叶片断裂故障5种状态时通流部分的热力参数数据，作为通流部分故障征兆数据；将每组故障征兆数据随机分为两部分，一部分作为概率神经网络训练样本，其余作为概率神经网络测试样本；
(2)对故障征兆相关的热力参数信号进行EMD分解，分别得到若干个IMF分量和代表原信号变化趋势的趋势余量；不同热力参数信号的IMF分量个数不等；设其中的最大值为k，若某个样本的IMF个数少于k，则补充零向量使其具有k个IMF分量；
(3)求出各IMF分量ci(t)及趋势余量r(t)的能量Ei、Er，
其中，各IMF分量ci(t)的能量式中n为数据点总数；趋势余量r(t)的能量Er＝|r(t)|2；
(4)将Ei和Er作为第z个故障征兆参数的特征向量Aj,z，
Aj,z＝[E1,E2,...,Ek,Er]，式中j＝1,2,3,4,5分别代表汽轮机通流部分处于正常运行和磨损故障、结垢故障、喷嘴脱落故障、叶片断裂故障5种状态；
(5)将Aj,z并行排列，作为该组故障征兆数据的特征向量T,
T＝[Aj,1,Aj,2,...,Aj,s]，式中，s为相应的故障征兆参数总类别数；
(6)使用主元分析法，对该组故障征兆数据的特征向量进行处理，得到降维后的特征向量T'；
(7)对汽轮机通流部分工作状态进行编码，以“1”表示正常运行状态，“2”表示磨损故障状态，“3”表示结垢故障，“4”表示喷嘴脱落故障，“5”表示叶片断裂故障；将降维后的特征向量T'设置为概率神经网络的输入向量，将状态编码设置为输出类别向量，建立概率神经网络；
(8)将训练样本的特征向量T'和对应的输出类别向量输入概率神经网络进行训练，训练结束后，将测试样本的特征向量T'输入训练完成的概率神经网络进行故障诊断，并根据输出结果来判断相应的汽轮机通流部分的工作状态。
2.根据权利要求1所述的一种汽轮机通流部分故障诊断方法，其特征在于：所述故障为磨损、结垢、喷嘴脱落、叶片断裂。
3.根据权利要求1或2所述的一种汽轮机通流部分故障诊断方法，其特征在于：所述流通部分磨损故障为调节级磨损时，所述步骤(1)采用主给水流量、机组负荷、调节级后压力和再热蒸汽压力参数作为调节级磨损的故障征兆参数；所述步骤(5)其特征向量T应包含主给水流量、机组负荷、调节级后压力和再热蒸汽压力这4项热力参数的特征向量。
4.根据权利要求1-3任一所述的一种汽轮机通流部分故障诊断方法，其特征在于：所述步骤(2)：对故障征兆参数信号进行EMD分解，EMD分解的处理结果为将原信号分解为m个IMF和一个代表原信号变化趋势的趋势余量；所述EMD分解流程包括如下步骤：
1)计算出序列s(t)的所有局部极值点；
2)利用3次样条插值，求出所有极大值点构成的上包络线和所有极小值点构成的下包络线，记为u0(t)和v0(t)；
3)记上下包络线的均值为：并记信号与上下包络线均值的差为h0(t)＝s(t)-m0(t)；
4)判断h0(t)是否满足IMF的条件,如果满足，h0(t)就是一个IMF，记为c1(t)；如果不满足，记h0(t)为新的s(t)；
5)记r1(t)＝s(t)-c1(t)，为新的待分析信号，重复步骤1)到4)，直至rn(t)是一个单调信号或小于规定的阀值。
5.根据权利要求1-4任一所述的一种汽轮机通流部分故障诊断方法，其特征在于：所述步骤(6)中使用主元分析法对汽轮机通流部分故障特征信息进行二次处理；主元分析法可以得到p个主成分，是根据各个主成分累计贡献率的大小选取前n个累计贡献率达到85％以上的主成分，保证综合变量能包括原始变量的绝大多数信息。
6.根据权利要求1-5任一所述的一种汽轮机通流部分故障诊断方法，其特征在于：所述步骤(7)概率神经网络共分4层：输入层、模式层、求和层和决策层，输入层接收来自测试样本的值，其神经元数目和样本矢量的维数相等；模式层神经元的个数等于各个类别训练样本数之和；在求和层，故障模式和神经元一一对应，这些神经元将对应模式层的一组神经元输出求和，从而得到故障模式的估计概率密度函数；网络的决策层由简单的辨别器组成，其作用是在各个故障模式的估计概率密度中选择一个具有最大后验概率的神经元作为整个系统的输出。
7.根据权利要求1-6任一所述的一种汽轮机通流部分故障诊断方法，其特征在于：所述步骤(8)概率神经网络的输出结果“1”、“2”、“3”、“4”、“5”分别对应汽轮机通流部分正常运行和磨损故障、结垢故障、喷嘴脱落故障、叶片断裂故障5种状态。
8.根据权利要求1-7任一所述的一种汽轮机通流部分故障诊断方法，其特征在于：若诊断磨损、结垢、喷嘴脱落、叶片断裂以外的其他故障，步骤(1)分别收集其他故障时的征兆数据；步骤(4)的j设定为“6、7、8、9…”；步骤(7)将故障编码对应的设定为“6”、“7”、“8”、“9”…；则步骤(8)概率神经网络的输出结果“6”、“7”、“8”、“9”等分别对应相应的其他汽轮机通流部分故障。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410385051.0A CN104142254B (zh) | 2014-08-06 | 2014-08-06 | 一种汽轮机通流部分故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410385051.0A CN104142254B (zh) | 2014-08-06 | 2014-08-06 | 一种汽轮机通流部分故障诊断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104142254A true CN104142254A (zh) | 2014-11-12 |
| CN104142254B CN104142254B (zh) | 2017-01-18 |
Family
ID=51851490
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201410385051.0A Active CN104142254B (zh) | 2014-08-06 | 2014-08-06 | 一种汽轮机通流部分故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104142254B (zh) |
Cited By (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105258942A (zh) * | 2015-09-30 | 2016-01-20 | 南阳理工学院 | 一种采煤机摇臂齿轮故障诊断系统及方法 |
| CN105279553A (zh) * | 2015-09-29 | 2016-01-27 | 华北电力大学（保定） | 一种高加给水系统故障程度识别方法 |
| CN107784322A (zh) * | 2017-09-30 | 2018-03-09 | 东软集团股份有限公司 | 异常数据检测方法、装置、存储介质以及程序产品 |
| CN108052954A (zh) * | 2017-11-01 | 2018-05-18 | 佛山科学技术学院 | 基于多级高维特征的样本空间的故障诊断方法 |
| CN108607466A (zh) * | 2018-05-16 | 2018-10-02 | 山西太钢不锈钢股份有限公司 | 一种判断混料机加水喷头脱落或堵塞的方法 |
| CN108627345A (zh) * | 2018-05-11 | 2018-10-09 | 浙江师范大学 | 一种汽轮机系统级故障的诊断方法及系统 |
| CN108700854A (zh) * | 2016-03-09 | 2018-10-23 | 西门子股份公司 | 用于根据控制模块来控制技术系统的方法和设备 |
| CN108805195A (zh) * | 2018-04-03 | 2018-11-13 | 北京理工大学 | 一种基于二值深层神经网络的电机群故障诊断方法 |
| CN109993232A (zh) * | 2019-04-04 | 2019-07-09 | 浙江大学 | 基于深度学习人工神经网络的汽轮机振动故障诊断方法 |
| CN111259864A (zh) * | 2020-03-04 | 2020-06-09 | 哈尔滨理工大学 | 一种水轮机运转状态识别方法 |
| CN111553495A (zh) * | 2020-04-29 | 2020-08-18 | 山东卓文信息科技有限公司 | 一种基于概率神经网络的小型断路器故障分析方法 |
| CN113176081A (zh) * | 2021-03-03 | 2021-07-27 | 中国大唐集团科学技术研究院有限公司火力发电技术研究院 | 一种基于历史数据的汽轮机叶片磨损监测方法 |
| CN114690038A (zh) * | 2022-06-01 | 2022-07-01 | 华中科技大学 | 一种基于神经网络的电机故障识别方法、系统及存储介质 |
| CN115017978A (zh) * | 2022-05-18 | 2022-09-06 | 东南大学 | 一种基于加权概率神经网络的故障分类方法 |
| CN116089877A (zh) * | 2023-04-11 | 2023-05-09 | 中国电建集团山东电力建设第一工程有限公司 | 一种电厂汽轮机通流部分故障诊断方法及系统 |
| CN116861164A (zh) * | 2023-05-08 | 2023-10-10 | 华电电力科学研究院有限公司 | 一种汽轮机运行故障监测系统 |
| CN116933012A (zh) * | 2023-08-14 | 2023-10-24 | 华北电力大学 | 基于TiDE模型的火电机组典型设备故障智能预警方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE4447288B4 (de) * | 1993-12-30 | 2007-10-11 | Caterpillar Inc., Peoria | Maschinenfehlerdiagnosesystem und -verfahren |
| KR20090116044A (ko) * | 2008-05-06 | 2009-11-11 | 한국델파이주식회사 | 자동차용 자동온도조절장치의 고장진단모드 제어방법 |
| CN102706573A (zh) * | 2012-03-15 | 2012-10-03 | 宁波大学 | 一种设备的故障分类诊断方法 |
| CN103558042A (zh) * | 2013-10-28 | 2014-02-05 | 中国石油化工股份有限公司 | 一种基于全状态信息的机组故障快速诊断方法 |
-
2014
- 2014-08-06 CN CN201410385051.0A patent/CN104142254B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE4447288B4 (de) * | 1993-12-30 | 2007-10-11 | Caterpillar Inc., Peoria | Maschinenfehlerdiagnosesystem und -verfahren |
| KR20090116044A (ko) * | 2008-05-06 | 2009-11-11 | 한국델파이주식회사 | 자동차용 자동온도조절장치의 고장진단모드 제어방법 |
| CN102706573A (zh) * | 2012-03-15 | 2012-10-03 | 宁波大学 | 一种设备的故障分类诊断方法 |
| CN103558042A (zh) * | 2013-10-28 | 2014-02-05 | 中国石油化工股份有限公司 | 一种基于全状态信息的机组故障快速诊断方法 |
Non-Patent Citations (2)
| Title |
|---|
| 周昭滨 等: "汽轮机通流部分故障诊断方法研究综述与展望", 《电站系统工程》 * |
| 毛志等: "汽轮机通流部分故障的特性分析及仿真计算", 《浙江电力》 * |
Cited By (22)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105279553A (zh) * | 2015-09-29 | 2016-01-27 | 华北电力大学（保定） | 一种高加给水系统故障程度识别方法 |
| CN105279553B (zh) * | 2015-09-29 | 2017-08-29 | 华北电力大学（保定） | 一种高加给水系统故障程度识别方法 |
| CN105258942A (zh) * | 2015-09-30 | 2016-01-20 | 南阳理工学院 | 一种采煤机摇臂齿轮故障诊断系统及方法 |
| CN108700854A (zh) * | 2016-03-09 | 2018-10-23 | 西门子股份公司 | 用于根据控制模块来控制技术系统的方法和设备 |
| US11269297B2 (en) | 2016-03-09 | 2022-03-08 | Siemens Aktiengesellschaft | Method and device for controlling a technical system by means of control models |
| CN107784322B (zh) * | 2017-09-30 | 2021-06-25 | 东软集团股份有限公司 | 异常数据检测方法、装置、存储介质以及程序产品 |
| CN107784322A (zh) * | 2017-09-30 | 2018-03-09 | 东软集团股份有限公司 | 异常数据检测方法、装置、存储介质以及程序产品 |
| CN108052954A (zh) * | 2017-11-01 | 2018-05-18 | 佛山科学技术学院 | 基于多级高维特征的样本空间的故障诊断方法 |
| CN108052954B (zh) * | 2017-11-01 | 2021-08-03 | 佛山科学技术学院 | 基于多级高维特征的样本空间的故障诊断方法 |
| CN108805195A (zh) * | 2018-04-03 | 2018-11-13 | 北京理工大学 | 一种基于二值深层神经网络的电机群故障诊断方法 |
| CN108627345A (zh) * | 2018-05-11 | 2018-10-09 | 浙江师范大学 | 一种汽轮机系统级故障的诊断方法及系统 |
| CN108627345B (zh) * | 2018-05-11 | 2020-07-10 | 浙江师范大学 | 一种汽轮机系统级故障的诊断方法及系统 |
| CN108607466A (zh) * | 2018-05-16 | 2018-10-02 | 山西太钢不锈钢股份有限公司 | 一种判断混料机加水喷头脱落或堵塞的方法 |
| CN109993232A (zh) * | 2019-04-04 | 2019-07-09 | 浙江大学 | 基于深度学习人工神经网络的汽轮机振动故障诊断方法 |
| CN111259864A (zh) * | 2020-03-04 | 2020-06-09 | 哈尔滨理工大学 | 一种水轮机运转状态识别方法 |
| CN111553495A (zh) * | 2020-04-29 | 2020-08-18 | 山东卓文信息科技有限公司 | 一种基于概率神经网络的小型断路器故障分析方法 |
| CN113176081A (zh) * | 2021-03-03 | 2021-07-27 | 中国大唐集团科学技术研究院有限公司火力发电技术研究院 | 一种基于历史数据的汽轮机叶片磨损监测方法 |
| CN115017978A (zh) * | 2022-05-18 | 2022-09-06 | 东南大学 | 一种基于加权概率神经网络的故障分类方法 |
| CN114690038A (zh) * | 2022-06-01 | 2022-07-01 | 华中科技大学 | 一种基于神经网络的电机故障识别方法、系统及存储介质 |
| CN116089877A (zh) * | 2023-04-11 | 2023-05-09 | 中国电建集团山东电力建设第一工程有限公司 | 一种电厂汽轮机通流部分故障诊断方法及系统 |
| CN116861164A (zh) * | 2023-05-08 | 2023-10-10 | 华电电力科学研究院有限公司 | 一种汽轮机运行故障监测系统 |
| CN116933012A (zh) * | 2023-08-14 | 2023-10-24 | 华北电力大学 | 基于TiDE模型的火电机组典型设备故障智能预警方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104142254B (zh) | 2017-01-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104142254A (zh) | 一种汽轮机通流部分故障诊断方法 | |
| CN108363382B (zh) | 一种复杂装备故障诊断方法及系统 | |
| Yang et al. | Fault detection of wind turbine generator bearing using attention-based neural networks and voting-based strategy | |
| Barszcz et al. | ART-type artificial neural networks applications for classification of operational states in wind turbines | |
| Li et al. | Gear pitting fault diagnosis using raw acoustic emission signal based on deep learning | |
| CN105758645A (zh) | 一种基于概率神经网络的发动机故障诊断系统 | |
| Lin et al. | Deep learning schemes for event identification and signal reconstruction in nuclear power plants with sensor faults | |
| Zhang et al. | Fault diagnosis of high-speed railway turnout based on convolutional neural network | |
| CN109141884A (zh) | 基于eemd-ar模型和dbn的轴承故障诊断方法 | |
| Tang et al. | Fault detection of wind turbine pitch system based on multiclass optimal margin distribution machine | |
| Chen | Review on supervised and unsupervised learning techniques for electrical power systems: Algorithms and applications | |
| Yu et al. | Early fault diagnosis model design of reciprocating compressor valve based on multiclass support vector machine and decision tree | |
| Aggarwal et al. | A novel hybrid architecture for classification of power quality disturbances | |
| Abbasi et al. | Condition based maintenance of oil and gas equipment: A review | |
| Feng et al. | Research on intelligent diagnosis method for large-scale ship engine fault in non-deterministic environment | |
| CN110196160A (zh) | 一种基于残差网络的风电齿轮箱监测方法 | |
| Wang et al. | Convolutional domain adaptation network for fault diagnosis of thermal system under different loading conditions | |
| CN116520186A (zh) | 采用ssa-lstm神经网络的uhvdc输电线路接地故障区域识别方法及系统 | |
| Chen et al. | A data preparation method for machine-learning-based power system cyber-attack detection | |
| Sato et al. | Degradation estimation of turbines in wind farm using denoising autoencoder model | |
| Liu et al. | Wind turbine multi-label fault recognition based on combined feature selection and neural network | |
| Li et al. | A Transfer Learning Based Method for Incipient Fault Detection | |
| Wang et al. | Fault Diagnosis of Wind Turbines with A Dilated Convolution and Hybrid Attention Neural Network | |
| CN116049758A (zh) | 基于门控融合Transformer的风机叶片开裂故障检测方法 | |
| Lahiouel et al. | Photovoltaic fault diagnosis algorithm using fuzzy logic controller based on calculating distortion ratio of values |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | 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 |