CN104573850B - 一种火电厂设备状态评估方法 - Google Patents
一种火电厂设备状态评估方法 Download PDFInfo
- Publication number
- CN104573850B CN104573850B CN201410786881.4A CN201410786881A CN104573850B CN 104573850 B CN104573850 B CN 104573850B CN 201410786881 A CN201410786881 A CN 201410786881A CN 104573850 B CN104573850 B CN 104573850B
- Authority
- CN
- China
- Prior art keywords
- equipment
- monitoring
- state
- parameter
- state value
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000012544 monitoring process Methods 0.000 claims abstract description 224
- 230000000153 supplemental effect Effects 0.000 claims abstract description 55
- 238000011156 evaluation Methods 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims abstract description 8
- 230000002159 abnormal effect Effects 0.000 claims description 35
- 238000013507 mapping Methods 0.000 claims description 23
- 241000208340 Araliaceae Species 0.000 claims description 9
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims description 9
- 235000003140 Panax quinquefolius Nutrition 0.000 claims description 9
- 235000008434 ginseng Nutrition 0.000 claims description 9
- 238000013499 data model Methods 0.000 claims description 5
- 238000009434 installation Methods 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 5
- 238000004519 manufacturing process Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 238000010438 heat treatment Methods 0.000 claims description 3
- 230000003993 interaction Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000000717 retained effect Effects 0.000 claims description 3
- 230000005619 thermoelectricity Effects 0.000 claims description 2
- 235000013399 edible fruits Nutrition 0.000 claims 3
- 230000006866 deterioration Effects 0.000 abstract description 4
- 238000009825 accumulation Methods 0.000 abstract description 3
- 238000004364 calculation method Methods 0.000 abstract description 2
- 230000008859 change Effects 0.000 abstract description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000007630 basic procedure Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种火电厂设备状态评估方法,步骤包括:将火电厂设备分层划分为机组、设备群或系统和设备,并针对设备建立设备监测模型;从历史数据库中筛选出正常运行历史数据得到正常状态数据集;建立基于广义矩估计算法的回归模型,使用正常状态数据集进行模型训练得到训练值;从实时数据库中获取设备监测参数数据并依次进行甄别、状态评估,最后根据设备监测模型的分层模型分层加权评估状态值及状态。本发明能够实现火电厂的设备、系统及机组的状态评估和设备对象潜在故障变化的早期预警,并通过基于不同报警类型的参数状态评估方法,提示引起设备、系统及机组报警的监测参数,帮助火电厂关注设备早期劣化、分析故障原因以及积累诊断经验。
Description
技术领域
本发明涉及设备状态检测预警技术领域,具体涉及一种火电厂设备状态评估方法,可用于火电厂设备故障的早期预警。
背景技术
火电厂设备系统是一个庞大而复杂的系统,具有故障率高和故障危害性大的特点。由于设计、制造、安装、维护、管理和运行等方面的原因使得很多火电机组的强迫停运率和事故发生率居高不下。传统的火电厂设备运行监测关注定值报警,较少关注参数的波动范围或劣化趋势;往往在发生参数报警、热工保护动作时,设备已经发生了较严重的劣化与故障。
从参数预测角度讲,火电厂热力系统分析是一个多参数、非线性、强耦合的复杂问题,动态测试数据处理的经典方法也很难给出合适的预测,普通的神经网络存在计算次数高,收敛速度慢等缺点,因此很有必要提出一种新型算法来对设备变工况运行时的参数训练值给出预测,作为设备监测的基准或对照数据。但是,传统的火电厂设备状态评估主要依赖设备管理人员的主观经验,未能依据设备海量监测数据进行分析与诊断,机组隐患不能及时被发现和处理;设备故障诊断依赖外部专家,未对以往的诊断经验进行积累、交流与学习,缺乏诊断经验积累的基础平台。
发明内容
本发明要解决的技术问题是:针对现有技术的上述问题,提供一种能够实现火电厂的设备、系统及机组的状态评估和设备对象潜在故障变化的早期预警,并通过基于不同报警类型的参数状态评估方法,提示引起设备、系统及机组报警的监测参数,帮助火电厂关注设备早期劣化、分析故障原因以及积累诊断经验的火电厂设备状态评估方法。
为了解决上述技术问题,本发明采用的技术方案为:
一种火电厂设备状态评估方法,实施步骤包括:
1)从火电厂的各个设备监测系统的实时数据库中选择设备监测参数,将火电厂的机组划分为多个设备群或者系统,将每一个设备群或者系统划分为多个设备,针对每一个设备建立至少一个设备监测模型,为每一个设备监测模型关联相关的设备监测参数,并根据所述设备监测参数的属性将每一个设备监测模型下的设备监测参数分类为不同的参数类;
2)从历史数据库中筛选出设备正常运行历史数据,得到设备的正常状态数据集;
3)建立基于广义矩估计算法的回归模型,使用所述正常状态数据集对设备监测模型进行模型训练,得到各个设备监测参数对应不同工况的正常值并输出;
4)从火电厂的各个设备监测系统的实时数据库中获取各个测点的设备监测参数数据,判断各个设备监测参数数据是否数据异常,如果数据异常则将其剔除不参与后续的状态评估;如果数据正常,则将其保留以参与后续的状态评估;
5)将所有正常的设备监测参数数据进行状态评估,得到各个正常的设备监测参数数据对应的评估状态;
6)将所有设备监测参数数据的评估状态转换为设备监测参数的参数状态值,基于设备监测参数的参数状态值评估得到对应参数类的参数类状态值及参数类状态,基于参数类的参数类状态值加权评估得到对应设备监测模型的模型状态值及模型状态,基于设备监测模型的模型状态值加权评估得到对应设备的设备状态值及设备状态,基于设备的设备状态值加权评估得到对应设备群的设备群状态值及设备群状态或者系统的系统状态值及系统状态,根据所述设备群的设备群状态值或者系统的系统状态值加权评估得到火电厂机组的机组状态值及机组状态;最终将火电厂机组的设备监测模型的模型状态、设备的设备状态、设备群的设备群状态、系统的系统状态及机组状态输出;
优选地,所述步骤2)中从历史数据库中筛选出设备正常运行历史数据时,所述设备正常运行历史数据满足以下条件:所述设备正常运行历史数据涵盖一段能够反映设备在各个工况下的运行时间,且所述设备正常运行历史数据中的每个采样数据组包括的设备所有设备监测参数的数据值都在正常范围内以表达设备的正常运行状态,且每个采样数据组中设备各个设备监测参数均在同一时刻被采样;
优选地,所述步骤4)判断各个设备监测参数数据是否数据异常是针对实时检测的设备监测参数进行数据甄别的步骤,在数据甄别步骤中,基于动态测试数据处理的经典方法,引入热力生产过程经验对设备参数进行准确性判断,主动地发现测点异常。
优选地,所述步骤3)的详细步骤包括:
3.1)设定设备监测模型的模型监视条件,确定监视工况,非模型监视条件下不输出模型训练值;
3.2)调整所述正常状态数据集,进一步扩充或筛选设备正常运行历史数据,完善丰富所述正常状态数据集;
3.3)针对广义矩估计算法进行系数设定,所述设定的算法系数包括模型精度、数据采样间隔,根据设定的算法系数建立基于广义矩阵估计算法的回归模型;
3.4)使用所述正常状态数据集对设备监测模型进行训练;
3.5)输出模型训练值,根据各个设备监测参数的状态,自动选择与设备监测参数最接近的正常状态数据集,给出每个设备监测参数对应的训练值,训练值即为参数在正常运行数据模型下的正常值;
3.6)判断所述模型训练值是否满足精度要求,如果满足要求,则结束并跳转执行步骤4);否则,跳转执行步骤3.2)。
优选地,所述步骤5)中所有正常的设备监测参数数据进行状态评估的详细步骤包括:
5.1)选择一个正常的设备监测参数数据输入,跳转执行步骤5.2),
5.2)将该设备监测参数数据和预设的第一监测参数实际值允许波动范围进行比较,如果超出第一监测参数实际值允许波动范围,则跳转执行步骤5.8),否则跳转执行步骤5.3);
5.3)将该设备监测参数数据和预设的第二监测参数实际值允许波动范围进行比较,如果超出第二监测参数实际值允许波动范围,则跳转执行步骤5.7),否则跳转执行步骤5.4);
5.4)将该设备监测参数数据和预设的第三监测参数偏差值允许波动范围进行比较,如果超出第三监测参数偏差值允许波动范围,则跳转执行步骤5.6),否则跳转执行步骤5.5);
5.5)将该设备监测参数数据状态评估为“正常”,跳转执行步骤5.9);
5.6)将该设备监测参数数据状态评估为“注意”,跳转执行步骤5.9);
5.7)将该设备监测参数数据状态评估为“异常”,跳转执行步骤5.9);
5.8)将该设备监测参数数据状态评估为“严重”,跳转执行步骤5.9);
5.9)检测是否所有正常的设备监测参数数据已经处理完毕,如果处理完毕则跳转执行步骤6),否则针对尚未处理的正常的设备监测参数数据,继续执行步骤5.2)。
优选地,所述步骤6)中将所有设备监测参数数据的评估状态转换为设备监测参数的参数状态值时,“正常”对应的参数状态值为0.2,“注意”对应的参数状态值为0.5,“异常”对应的参数状态值为0.7,“严重”对应的参数状态值为1。
优选地,所述步骤6)中基于设备监测参数的参数状态值评估得到对应参数类的参数类状态及参数类状态值时,参数类的参数类状态值取决于该参数类下设备监测参数的参数状态值的最高值作为参数类状态值,且将对应的参数状态值的状态作为该参数类的参数类状态。
优选地,所述步骤6)中基于参数类的参数类状态值加权评估得到对应设备监测模型的模型状态值及模型状态时,首先根据各个参数类对设备监测模型的影响程度确定各个参数类的权重,且同一设备监测模型下的所有参数类的权重之和为1,然后将各个参数类的参数类状态值与对应的权重进行加权取平均值,得到对应设备监测模型的模型状态值;根据模型状态值和“正常”、“注意”、“异常”、“严重”四种模型状态的预设映射关系表获取该模型状态值对应的模型状态;所述预设映射关系表中,“正常”对应的模型状态值的范围为(0,0.2],“注意”对应的模型状态值的范围为(0.2,0.5],“异常”对应的模型状态值的范围为(0.5,0.7],“严重”对应的模型状态值的范围为(0.7,1]。
优选地,所述步骤6)中基于设备监测模型的模型状态值加权评估得到对应设备的设备状态值及设备状态时,首先根据各个设备监测模型对设备的影响程度确定各个设备监测模型的权重,且同一设备下的所有设备监测模型的权重之和为1,然后将各个设备监测模型的模型状态值与对应的权重进行加权取平均值,得到对应设备的设备状态值;根据设备状态值和“正常”、“注意”、“异常”、“严重”四种设备状态之间的预设映射关系表获取该设备状态值对应的设备状态;所述预设映射关系表中,“正常”对应的设备状态值的范围为(0,0.2],“注意”对应的设备状态值的范围为(0.2,0.5],“异常”对应的设备状态值的范围为(0.5,0.7],“严重”对应的设备状态值的范围为(0.7,1]。
优选地,所述步骤6)中基于设备的设备状态值加权评估得到对应设备群的设备群状态值及设备群状态或者系统的系统状态值及系统状态时,首先根据各个设备对设备群状态值或者系统的影响程度确定各个设备的权重,且同一设备群状态值或者系统下的所有设备的权重之和为1,然后将各个设备的设备状态值与对应的权重进行加权取平均值,得到对应设备群的设备群状态值或者系统的系统状态值;根据设备群状态值或者系统状态值和“正常”、“注意”、“异常”、“严重”四种设备群状态或者系统状态之间的预设映射关系表获取该设备群状态值对应的设备群状态或者系统状态值对应的系统状态;所述预设映射关系表中,“正常”对应的设备群状态值或者系统状态值的范围为(0,0.2],“注意”对应的设备群状态值或者系统状态值的范围为(0.2,0.5],“异常”对应的设备群状态值或者系统状态值的范围为(0.5,0.7],“严重”对应的设备群状态值或者系统状态值的范围为(0.7,1]。
优选地,所述步骤6)中根据所述设备群的设备群状态值或者系统的系统状态值加权评估得到火电厂机组的机组状态值及机组状态时,首先根据各个设备群状态值或者系统对火电厂的机组的影响程度确定各个设备群状态值或者系统的权重,且所有设备群状态值或者系统的权重之和为1,然后将各个设备群的设备群状态值或者系统的系统状态值与对应的权重进行加权取平均值,得到火电厂机组的机组状态值;根据机组状态值和“正常”、“注意”、“异常”、“严重”四种机组状态之间的预设映射关系表获取该机组状态值对应的机组状态;所述预设映射关系表中,“正常”对应的机组状态值范围为(0,0.2],“注意”对应的机组状态值范围为(0.2,0.5],“异常”对应的机组状态值范围为(0.5,0.7],“严重”对应的机组状态值范围为(0.7,1]。
本发明火电厂设备状态评估方法具有下述优点:本发明基于设备实时监测系统的历史数据选取正常状态数据集并建立回归模型训练得到各个设备监测参数对应不同工况的正常值,然后针对实时监测数据,进行数据准确性甄别,主动地发现测点异常;能够逐层计算设备监测模型的模型状态、设备的设备状态、设备群的设备群状态、系统的系统状态及机组状态,并输出多个状态信息以实现多重告警模式,能够实现设备、系统及机组的状态评估和设备对象潜在故障变化的早期预警,并通过基于不同报警类型的参数状态评估方法,逐层计算参数类、模型、设备组或系统及机组状态,发布设备潜在故障早期预,帮助电厂关注设备早期劣化、分析故障原因以及积累诊断经验。
附图说明
图1为本发明实施例方法的基本流程示意图。
图2为本发明实施例方法中的设备监测模型示意图。
图3为本发明实施例方法中的回归模型训练流程示意图。
图4为本发明实施例方法中的设备监测参数评估流程示意图。
图5为本发明实施例方法中的分层评估流程示意图。
具体实施方式
如图1所示,本实施例的火电厂设备状态评估方法的实施步骤包括:
1)建立设备监测模型:从火电厂的各个设备监测系统的实时数据库中选择设备监测参数,将火电厂的机组划分为多个设备群或者系统,将每一个设备群或者系统划分为多个设备,针对每一个设备建立至少一个设备监测模型,为每一个设备监测模型关联相关的设备监测参数,并根据设备监测参数的属性将每一个设备监测模型下的设备监测参数分类为不同的参数类;
2)筛选设备正常运行历史数据:从历史数据库中筛选出设备正常运行历史数据,得到设备的正常状态数据集;
3)训练设备监测模型:建立基于广义矩估计算法的回归模型,使用正常状态数据集对设备监测模型进行模型训练,得到各个设备监测参数对应不同工况的正常值并输出;
4)甄别实时设备监测参数数据:从火电厂的各个设备监测系统的实时数据库中获取各个测点的设备监测参数数据,判断各个设备监测参数数据是否数据异常,如果数据异常则将其剔除不参与后续的状态评估;如果数据正常,则将其保留以参与后续的状态评估;
5)评估实时设备监测参数数据:将所有正常的设备监测参数数据进行状态评估,得到各个正常的设备监测参数数据对应的评估状态;
6)分层评估:将所有设备监测参数数据的评估状态转换为设备监测参数的参数状态值,基于设备监测参数的参数状态值评估得到对应参数类的参数类状态值及参数类状态,基于参数类的参数类状态值加权评估得到对应设备监测模型的模型状态值及模型状态,基于设备监测模型的模型状态值加权评估得到对应设备的设备状态值及设备状态,基于设备的设备状态值加权评估得到对应设备群的设备群状态值及设备群状态或者系统的系统状态值及系统状态,根据设备群的设备群状态值或者系统的系统状态值加权评估得到火电厂机组的机组状态值及机组状态;最终将火电厂机组的设备监测模型的模型状态、设备的设备状态、设备群的设备群状态、系统的系统状态及机组状态输出。如果火电厂机组的设备监测模型的模型状态、设备的设备状态、设备群的设备群状态、系统的系统状态及机组状态出现劣化趋势,则逐层分析劣化原因,同时发布设备潜在故障预警。
本实施例中,火电厂的各个设备监测系统的实时数据库的数据源包括火电厂分散控制系统(DCS)数据(温度、压力、振动)、企业资源一体化系统(ERP)数据、厂级监控信息系统(SIS)数据。需要说明的是,本实施例通过整合各个分散的数据源中针对火电厂设备进行监测的设备监测参数,其实现并不需要依赖于某一种特定的数据源。
本实施例基于“设备监测参数→参数类状态→模型状态→设备状态→设备群或系统状态→机组状态”的多层结构来构建火电厂设备状态评估分层模型,每一层结构包括至少一个子层结构,从而实现了从设备监测参数到机组状态的逐层评估结果的汇聚。
以图2所示的某一个设备监测模型为例,该设备监测模型的模型状态由下级参数类1、参数类2、……、参数类n的参数类状态决定,针对参数类n而言,其状态由设备监测参数1、设备监测参数2、……、设备监测参数n决定;同理,该监测模型的上层还有设备、设备群或系统、机组三层,由于其结构类型,故在此不再赘述。选定设备监测参数之后,根据设备监测参数的参数属性及设备监测参数对火电厂设备状态评估分层模型的影响程度,建立不同的参数类,常见的参数类有工况参数类、振动类、轴温类、水位类、壁温类、进口参数类、出口参数类等。
本实施例中,步骤2)中从历史数据库中筛选出设备正常运行历史数据时,设备正常运行历史数据满足以下条件:设备正常运行历史数据涵盖一段能够反映设备在各个工况下的运行时间,且设备正常运行历史数据中的每个采样数据组包括的设备所有设备监测参数的数据值都在正常范围内以表达设备的正常运行状态,且每个采样数据组中设备各个设备监测参数均在同一时刻被采样。从历史数据库中筛选出设备正常运行历史数据时,筛选过程在一段时间的同一时间轴上,选择设备所有设备监测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。
如图3所示,步骤3)的详细步骤包括:
3.1)设定设备监测模型的模型监视条件,确定监视工况,非模型监视条件下不输出模型训练值;
3.2)调整正常状态数据集,进一步扩充或筛选设备正常运行历史数据,完善丰富正常状态数据集;
3.3)针对广义矩估计算法进行系数设定,设定的算法系数包括模型精度、数据采样间隔,根据设定的算法系数建立基于广义矩阵估计算法的回归模型;
3.4)使用正常状态数据集对设备监测模型进行训练;
3.5)输出模型训练值,根据各个设备监测参数的状态,自动选择与设备监测参数最接近的正常状态数据集,给出每个设备监测参数对应的训练值,训练值即为参数在正常运行数据模型下的正常值;
3.6)判断模型训练值是否满足精度要求,如果满足要求,则结束并跳转执行步骤4);否则,跳转执行步骤3.2)。
本实施例基于上述步骤3.1)~3.6)来针对每一个设备监测参数进行训练得到对应的训练值,从正常状态数据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(回归模型),其中典型特征数据组即数据状态集中数据组分布密度大的区域,典型特征数据组的算术平均值即为正常运行数据模型输出的训练值;模型内每个设备监测参数均有对应的训练值,训练值即为参数在正常运行数据模型下的正常值。
本实施例中,步骤4)判断各个设备监测参数数据是否数据异常是针对实时检测的设备监测参数进行数据甄别的步骤,在数据甄别步骤中,基于动态测试数据处理的经典方法,引入热力生产过程经验对设备参数进行准确性判断,主动地发现测点异常。现已研发完成5种主要方法,即标准差检验、突变点检验、冗余检验、粗范围检验和相关检验;数据准确性判断异常的测点不参与参数类评估。
本实施例中,步骤5)中所有正常的设备监测参数数据进行状态评估,在状态评估时分别引入实际值与正常值的偏差报警和实际值允许波动范围的限值报警来给出设备参数的状态,监测参数分“正常”、“注意”、“异常”、“严重”四种状态,具体由实际值与正常值的偏差报警以及实际值的限值报警来决定。如图4所示,步骤5)中所有正常的设备监测参数数据进行状态评估的详细步骤包括:
5.1)选择一个正常的设备监测参数数据输入,跳转执行步骤5.2),
5.2)将该设备监测参数数据和预设的第一监测参数实际值允许波动范围进行比较,如果超出第一监测参数实际值允许波动范围,则跳转执行步骤5.8),否则跳转执行步骤5.3);
5.3)将该设备监测参数数据和预设的第二监测参数实际值允许波动范围进行比较,如果超出第二监测参数实际值允许波动范围,则跳转执行步骤5.7),否则跳转执行步骤5.4);
5.4)将该设备监测参数数据和预设的第三监测参数偏差值允许波动范围进行比较,如果超出第三监测参数偏差值允许波动范围,则跳转执行步骤5.6),否则跳转执行步骤5.5);
5.5)将该设备监测参数数据状态评估为“正常”,跳转执行步骤5.9);
5.6)将该设备监测参数数据状态评估为“注意”,跳转执行步骤5.9);
5.7)将该设备监测参数数据状态评估为“异常”,跳转执行步骤5.9);
5.8)将该设备监测参数数据状态评估为“严重”,跳转执行步骤5.9);
5.9)检测是否所有正常的设备监测参数数据已经处理完毕,如果处理完毕则跳转执行步骤6),否则针对尚未处理的正常的设备监测参数数据,继续执行步骤5.2)。
如图5所示,本实施例中,步骤6)采用分层次的加权评估方法,通过参数状态逐层实现参数类状态→模型状态→设备状态→设备群或系统状态→机组状态的加权综合评估。在分层评估步骤中,考虑参数类、设备、系统的重要度(权重),通过监测参数的状态计算参数类的状态,进而依次计算得出模型、设备、设备群或系统、机组的状态。当设备处于非正常状态,发布不同程度的报警提示,同时输出引起该报警的监测参数。步骤6)中,权重设置主要采用专家打分法,集合电厂的设备点检员、点检长以及专工等专家,根据各自对不同模型层次的研究和理解,共同确定不同层次内各个目标对象的权重。
本实施例中,步骤6)中将所有设备监测参数数据的评估状态转换为设备监测参数的参数状态值时,“正常”对应的参数状态值为0.2,“注意”对应的参数状态值为0.5,“异常”对应的参数状态值为0.7,“严重”对应的参数状态值为1。
本实施例中,步骤6)中基于设备监测参数的参数状态值评估得到对应参数类的参数类状态及参数类状态值时,参数类的参数类状态值取决于该参数类下设备监测参数的参数状态值的最高值作为参数类状态值,且将对应的参数状态值的状态作为该参数类的参数类状态。例如,某参数类下有4个设备监测参数,其状态依次为“正常”、“正常”、“正常”、“注意”。根据状态-评分对应关系,4个设备监测参数的评分依次为“0.2”、“0.2”、“0.2”、“0.5”。根据最高评分规则,确定该参数类的状态为“注意”,评分为“0.5”。
本实施例中,步骤6)中基于参数类的参数类状态值加权评估得到对应设备监测模型的模型状态值及模型状态时,首先根据各个参数类对设备监测模型的影响程度确定各个参数类的权重,且同一设备监测模型下的所有参数类的权重之和为1,然后将各个参数类的参数类状态值根据对应的权重进行加权取平均值,得到对应设备监测模型的模型状态值;根据模型状态值和“正常”、“注意”、“异常”、“严重”四种模型状态的预设映射关系表获取该模型状态值对应的模型状态;预设映射关系表中,“正常”对应的模型状态值的范围为(0,0.2],“注意”对应的模型状态值的范围为(0.2,0.5],“异常”对应的模型状态值的范围为(0.5,0.7],“严重”对应的模型状态值的范围为(0.7,1]。例如,某设备监测模型下有参数类1、参数类2、参数类3三个参数类,权重依次为0,0.3,0.7;参数类状态评分依次为0.2,0.2,0.5。通过权重与评分加权平均,得到该模型得分为0.41,然后根据得分对应状态,可得到该设备监测模型的状态为“注意”,模型状态评分为0.5。
本实施例中,步骤6)中基于设备监测模型的模型状态值加权评估得到对应设备的设备状态值及设备状态时,首先根据各个设备监测模型对设备的影响程度确定各个设备监测模型的权重,且同一设备下的所有设备监测模型的权重之和为1,然后将各个设备监测模型的模型状态值根据对应的权重进行加权取平均值,得到对应设备的设备状态值;根据设备状态值和“正常”、“注意”、“异常”、“严重”四种设备状态之间的预设映射关系表获取该设备状态值对应的设备状态;预设映射关系表中,“正常”对应的设备状态值的范围为(0,0.2],“注意”对应的设备状态值的范围为(0.2,0.5],“异常”对应的设备状态值的范围为(0.5,0.7],“严重”对应的设备状态值的范围为(0.7,1]。
本实施例中,步骤6)中基于设备的设备状态值加权评估得到对应设备群的设备群状态值及设备群状态或者系统的系统状态值及系统状态时,首先根据各个设备对设备群状态值或者系统的影响程度确定各个设备的权重,且同一设备群状态值或者系统下的所有设备的权重之和为1,然后将各个设备的设备状态值根据对应的权重进行加权取平均值,得到对应设备群的设备群状态值或者系统的系统状态值;根据设备群状态值或者系统状态值和“正常”、“注意”、“异常”、“严重”四种设备群状态或者系统状态之间的预设映射关系表获取该设备群状态值对应的设备群状态或者系统状态值对应的系统状态;预设映射关系表中,“正常”对应的设备群状态值或者系统状态值的范围为(0,0.2],“注意”对应的设备群状态值或者系统状态值的范围为(0.2,0.5],“异常”对应的设备群状态值或者系统状态值的范围为(0.5,0.7],“严重”对应的设备群状态值或者系统状态值的范围为(0.7,1]。
本实施例中,步骤6)中根据设备群的设备群状态值或者系统的系统状态值加权评估得到火电厂机组的机组状态值及机组状态时,首先根据各个设备群状态值或者系统对火电厂的机组的影响程度确定各个设备群状态值或者系统的权重,且所有设备群状态值或者系统的权重之和为1,然后将各个设备群的设备群状态值或者系统的系统状态值根据对应的权重进行加权取平均值,得到火电厂机组的机组状态值;根据机组状态值和“正常”、“注意”、“异常”、“严重”四种机组状态之间的预设映射关系表获取该机组状态值对应的机组状态;预设映射关系表中,“正常”对应的机组状态值范围为(0,0.2],“注意”对应的机组状态值范围为(0.2,0.5],“异常”对应的机组状态值范围为(0.5,0.7],“严重”对应的机组状态值范围为(0.7,1]。
以上所述仅是本发明的优选实施方式,本发明的保护范围并不仅局限于上述实施例,凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理前提下的若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (9)
1.一种火电厂设备状态评估方法,其特征在于实施步骤包括:
1)从火电厂的各个设备监测系统的实时数据库中选择设备监测参数,将火电厂的机组划分为多个设备群或者系统,将每一个设备群或者系统划分为多个设备,针对每一个设备建立至少一个设备监测模型,为每一个设备监测模型关联相关的设备监测参数,并根据所述设备监测参数的属性将每一个设备监测模型下的设备监测参数分类为不同的参数类;
2)从历史数据库中筛选出设备正常运行历史数据,得到设备的正常状态数据集;
3)建立基于广义矩估计算法的回归模型,使用所述正常状态数据集对设备监测模型进行模型训练,得到各个设备监测参数对应不同工况的正常值并输出;
4)从火电厂的各个设备监测系统的实时数据库中获取各个测点的设备监测参数数据,判断各个设备监测参数数据是否数据异常,如果数据异常则将其剔除不参与后续的状态评估;如果数据正常,则将其保留以参与后续的状态评估;
5)将所有正常的设备监测参数数据进行状态评估,得到各个正常的设备监测参数数据对应的评估状态;
6)将所有设备监测参数数据的评估状态转换为设备监测参数的参数状态值,基于设备监测参数的参数状态值评估得到对应参数类的参数类状态值及参数类状态,基于参数类的参数类状态值加权评估得到对应设备监测模型的模型状态值及模型状态,基于设备监测模型的模型状态值加权评估得到对应设备的设备状态值及设备状态,基于设备的设备状态值加权评估得到对应设备群的设备群状态值及设备群状态或者系统的系统状态值及系统状态,根据所述设备群的设备群状态值或者系统的系统状态值加权评估得到火电厂机组的机组状态值及机组状态;最终将火电厂机组的设备监测模型的模型状态、设备的设备状态、设备群的设备群状态、系统的系统状态及机组状态输出;
所述步骤2)中从历史数据库中筛选出设备正常运行历史数据时,所述设备正常运行历史数据满足以下条件:所述设备正常运行历史数据涵盖一段能够反映设备在各个工况下的运行时间,且所述设备正常运行历史数据中的每个采样数据组包括的设备所有设备监测参数的数据值都在正常范围内以表达设备的正常运行状态,且每个采样数据组中设备各个设备监测参数均在同一时刻被采样;
所述步骤4)判断各个设备监测参数数据是否数据异常是针对实时检测的设备监测参数进行数据甄别的步骤,在数据甄别步骤中,基于动态测试数据处理的经典方法,引入热力生产过程经验对设备参数进行准确性判断,主动地发现测点异常。
2.根据权利要求1所述的火电厂设备状态评估方法,其特征在于,所述步骤3)的详细步骤包括:
3.1)设定设备监测模型的模型监视条件,确定监视工况,非模型监视条件下不输出模型训练值;
3.2)调整所述正常状态数据集,进一步扩充或筛选设备正常运行历史数据,完善丰富所述正常状态数据集;
3.3)针对广义矩估计算法进行系数设定,所述设定的算法系数包括模型精度、数据采样间隔,根据设定的算法系数建立基于广义矩阵估计算法的回归模型;
3.4)使用所述正常状态数据集对设备监测模型进行训练;
3.5)输出模型训练值,根据各个设备监测参数的状态,自动选择与设备监测参数最接近的正常状态数据集,给出每个设备监测参数对应的训练值,训练值即为参数在正常运行数据模型下的正常值;
3.6)判断所述模型训练值是否满足精度要求,如果满足要求,则结束并跳转执行步骤4);否则,跳转执行步骤3.2)。
3.根据权利要求2所述的火电厂设备状态评估方法,其特征在于,所述步骤5)中所有正常的设备监测参数数据进行状态评估的详细步骤包括:
5.1)选择一个正常的设备监测参数数据输入,跳转执行步骤5.2),
5.2)将该设备监测参数数据和预设的第一监测参数实际值允许波动范围进行比较,如果超出第一监测参数实际值允许波动范围,则跳转执行步骤5.8),否则跳转执行步骤5.3);
5.3)将该设备监测参数数据和预设的第二监测参数实际值允许波动范围进行比较,如果超出第二监测参数实际值允许波动范围,则跳转执行步骤5.7),否则跳转执行步骤5.4);
5.4)将该设备监测参数数据和预设的第三监测参数偏差值允许波动范围进行比较,如果超出第三监测参数偏差值允许波动范围,则跳转执行步骤5.6),否则跳转执行步骤5.5);
5.5)将该设备监测参数数据状态评估为“正常”,跳转执行步骤5.9);
5.6)将该设备监测参数数据状态评估为“注意”,跳转执行步骤5.9);
5.7)将该设备监测参数数据状态评估为“异常”,跳转执行步骤5.9);
5.8)将该设备监测参数数据状态评估为“严重”,跳转执行步骤5.9);
5.9)检测是否所有正常的设备监测参数数据已经处理完毕,如果处理完毕则跳转执行步骤6),否则针对尚未处理的正常的设备监测参数数据,继续执行步骤5.2)。
4.根据权利要求3所述的火电厂设备状态评估方法,其特征在于:所述步骤6)中将所有设备监测参数数据的评估状态转换为设备监测参数的参数状态值时,“正常”对应的参数状态值为0.2,“注意”对应的参数状态值为0.5,“异常”对应的参数状态值为0.7,“严重”对应的参数状态值为1。
5.根据权利要求4所述的火电厂设备状态评估方法,其特征在于:所述步骤6)中基于设备监测参数的参数状态值评估得到对应参数类的参数类状态及参数类状态值时,参数类的参数类状态值取决于该参数类下设备监测参数的参数状态值的最高值作为参数类状态值,且将对应的参数状态值的状态作为该参数类的参数类状态。
6.根据权利要求5所述的火电厂设备状态评估方法,其特征在于:所述步骤6)中基于参数类的参数类状态值加权评估得到对应设备监测模型的模型状态值及模型状态时,首先根据各个参数类对设备监测模型的影响程度确定各个参数类的权重,且同一设备监测模型下的所有参数类的权重之和为1,然后将各个参数类的参数类状态值与对应的权重进行加权取平均值,得到对应设备监测模型的模型状态值;根据模型状态值和“正常”、“注意”、“异常”、“严重”四种模型状态的预设映射关系表获取该模型状态值对应的模型状态;所述预设映射关系表中,“正常”对应的模型状态值的范围为(0,0.2],“注意”对应的模型状态值的范围为(0.2,0.5],“异常”对应的模型状态值的范围为(0.5,0.7],“严重”对应的模型状态值的范围为(0.7,1]。
7.根据权利要求6所述的火电厂设备状态评估方法,其特征在于:所述步骤6)中基于设备监测模型的模型状态值加权评估得到对应设备的设备状态值及设备状态时,首先根据各个设备监测模型对设备的影响程度确定各个设备监测模型的权重,且同一设备下的所有设备监测模型的权重之和为1,然后将各个设备监测模型的模型状态值与对应的权重进行加权取平均值,得到对应设备的设备状态值;根据设备状态值和“正常”、“注意”、“异常”、“严重”四种设备状态之间的预设映射关系表获取该设备状态值对应的设备状态;所述预设映射关系表中,“正常”对应的设备状态值的范围为(0,0.2],“注意”对应的设备状态值的范围为(0.2,0.5],“异常”对应的设备状态值的范围为(0.5,0.7],“严重”对应的设备状态值的范围为(0.7,1]。
8.根据权利要求7所述的火电厂设备状态评估方法,其特征在于:所述步骤6)中基于设备的设备状态值加权评估得到对应设备群的设备群状态值及设备群状态或者系统的系统状态值及系统状态时,首先根据各个设备对设备群状态值或者系统的影响程度确定各个设备的权重,且同一设备群状态值或者系统下的所有设备的权重之和为1,然后将各个设备的设备状态值与对应的权重进行加权取平均值,得到对应设备群的设备群状态值或者系统的系统状态值;根据设备群状态值或者系统状态值和“正常”、“注意”、“异常”、“严重”四种设备群状态或者系统状态之间的预设映射关系表获取该设备群状态值对应的设备群状态或者系统状态值对应的系统状态;所述预设映射关系表中,“正常”对应的设备群状态值或者系统状态值的范围为(0,0.2],“注意”对应的设备群状态值或者系统状态值的范围为(0.2,0.5],“异常”对应的设备群状态值或者系统状态值的范围为(0.5,0.7],“严重”对应的设备群状态值或者系统状态值的范围为(0.7,1]。
9.根据权利要求8所述的火电厂设备状态评估方法,其特征在于:所述步骤6)中根据所述设备群的设备群状态值或者系统的系统状态值加权评估得到火电厂机组的机组状态值及机组状态时,首先根据各个设备群状态值或者系统对火电厂的机组的影响程度确定各个设备群状态值或者系统的权重,且所有设备群状态值或者系统的权重之和为1,然后将各个设备群的设备群状态值或者系统的系统状态值与对应的权重进行加权取平均值,得到火电厂机组的机组状态值;根据机组状态值和“正常”、“注意”、“异常”、“严重”四种机组状态之间的预设映射关系表获取该机组状态值对应的机组状态;所述预设映射关系表中,“正常”对应的机组状态值范围为(0,0.2],“注意”对应的机组状态值范围为(0.2,0.5],“异常”对应的机组状态值范围为(0.5,0.7],“严重”对应的机组状态值范围为(0.7,1]。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410786881.4A CN104573850B (zh) | 2014-12-18 | 2014-12-18 | 一种火电厂设备状态评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410786881.4A CN104573850B (zh) | 2014-12-18 | 2014-12-18 | 一种火电厂设备状态评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104573850A CN104573850A (zh) | 2015-04-29 |
CN104573850B true CN104573850B (zh) | 2017-08-11 |
Family
ID=53089865
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410786881.4A Active CN104573850B (zh) | 2014-12-18 | 2014-12-18 | 一种火电厂设备状态评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104573850B (zh) |
Families Citing this family (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105139473B (zh) * | 2015-05-06 | 2018-06-29 | 东莞团诚自动化设备有限公司 | 机械设备运行数据主动检测记录器及记录方法 |
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 |
CN106295841B (zh) * | 2015-06-08 | 2019-05-10 | 佛山市恒力泰机械有限公司 | 一种液压制造设备生产参数的统计方法 |
PL3143914T3 (pl) * | 2015-09-18 | 2020-10-19 | Vorwerk & Co. Interholding Gmbh | Układ i sposób do poprawy powtarzalności rezultatów przygotowywania potraw wielofunkcyjnego aparatu do przygotowywania potraw |
CN105160489B (zh) * | 2015-09-28 | 2018-07-13 | 国家电网公司 | 一种水电机组变权劣化评估系统及评估方法 |
CN106204324A (zh) * | 2016-07-07 | 2016-12-07 | 西安西热电站信息技术有限公司 | 一种确定电厂复杂设备关键监测参数及各参数权重分配的方法 |
CN106289754B (zh) * | 2016-09-28 | 2018-10-30 | 清华大学 | 一种基于统计控制技术的火电机组部件性能变化判定方法 |
CN106845769A (zh) * | 2016-12-16 | 2017-06-13 | 华北电力科学研究院有限责任公司 | 火电厂辅机设备可靠性的识别系统 |
KR102234054B1 (ko) | 2017-09-06 | 2021-03-30 | 가부시키가이샤 티엘브이 | 리스크 평가 장치, 리스크 평가 시스템, 리스크 평가 방법, 리스크 평가 프로그램 및 데이터 구조 |
CN107910086A (zh) * | 2017-11-23 | 2018-04-13 | 中广核工程有限公司 | 一种基于核电站安全参数异常状态判断系统和方法 |
CN108388221B (zh) * | 2018-03-21 | 2019-06-21 | 江南大学 | 流程工业过程的一种多层模式监控方法 |
CN108664696B (zh) * | 2018-04-02 | 2023-04-07 | 国家计算机网络与信息安全管理中心 | 一种冷水机组运行状态的测评方法及装置 |
CN108549346B (zh) * | 2018-05-14 | 2019-04-02 | 山东科技大学 | 一种适于系统辨识的历史数据段自动查找方法 |
CN109344976A (zh) * | 2018-08-24 | 2019-02-15 | 华能国际电力股份有限公司海门电厂 | 一种基于Keras的电气系统运行状态智能分析方法 |
CN109461093A (zh) * | 2018-10-08 | 2019-03-12 | 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 | 电量计量系统准确性评估方法及厂用电能耗分析系统 |
CN109524139B (zh) * | 2018-10-23 | 2023-06-13 | 中核核电运行管理有限公司 | 一种基于设备工况变化的实时设备性能监测方法 |
CN109360118A (zh) * | 2018-10-26 | 2019-02-19 | 上海新增鼎数据科技有限公司 | 一种工厂状态监控方法、装置、系统、设备和存储介质 |
CN110059775A (zh) * | 2019-05-22 | 2019-07-26 | 湃方科技(北京)有限责任公司 | 旋转型机械设备异常检测方法及装置 |
CN110474810B (zh) * | 2019-08-21 | 2023-09-05 | 内蒙古高投共建科技有限责任公司 | 一种基于大数据的通信检测预警系统 |
CN111077876B (zh) * | 2019-12-11 | 2021-06-08 | 湖南大唐先一科技有限公司 | 一种电站设备状态智能评价和预警方法、装置及系统 |
CN111680911B (zh) * | 2020-06-03 | 2022-07-08 | 江苏方天电力技术有限公司 | 一种火电厂在线能耗计算系统及其计算方法 |
CN112200433B (zh) * | 2020-09-25 | 2021-05-18 | 华电福新广州能源有限公司 | 一种发电厂热力性能分析与优化系统 |
CN112395744B (zh) * | 2020-10-29 | 2023-12-05 | 华能国际电力股份有限公司玉环电厂 | 一种面向火电厂的设备安全性在线评价方法及系统 |
CN112766772B (zh) * | 2021-01-26 | 2024-04-05 | 广东海洋大学 | 油气水井实时监测方法、装置、计算机设备和存储介质 |
CN113916289A (zh) * | 2021-09-30 | 2022-01-11 | 深圳市中金岭南有色金属股份有限公司凡口铅锌矿 | 一种矿山设备的健康状态监测系统及方法 |
CN114267178B (zh) * | 2021-12-30 | 2023-09-26 | 佳都科技集团股份有限公司 | 一种车站的智能运营维护方法及装置 |
CN116088398A (zh) * | 2023-04-10 | 2023-05-09 | 中国电力工程顾问集团西南电力设计院有限公司 | 一种用于火电厂智慧监盘报警系统 |
CN116452067B (zh) * | 2023-06-12 | 2023-09-05 | 昆山工业大数据创新中心有限公司 | 一种工业设备参数的劣化度评估方法、装置及设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103914791A (zh) * | 2014-03-17 | 2014-07-09 | 中国南方电网有限责任公司超高压输电公司检修试验中心 | 一种电力设备状态检修系统 |
CN104091202A (zh) * | 2014-07-11 | 2014-10-08 | 国家电网公司 | 一种配电网供电能力风险评估方法 |
-
2014
- 2014-12-18 CN CN201410786881.4A patent/CN104573850B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103914791A (zh) * | 2014-03-17 | 2014-07-09 | 中国南方电网有限责任公司超高压输电公司检修试验中心 | 一种电力设备状态检修系统 |
CN104091202A (zh) * | 2014-07-11 | 2014-10-08 | 国家电网公司 | 一种配电网供电能力风险评估方法 |
Non-Patent Citations (2)
Title |
---|
变电站综合自动化系统二次设备在线监测技术研究;杨欢红;《华东电力》;20140731;第42卷(第7期);第1381-1384页 * |
火电厂设备运行状态评价方法研究及实现;王磊;《中国优秀硕士学位论文全文数据库》;20050615(第2期);第C042-101页 * |
Also Published As
Publication number | Publication date |
---|---|
CN104573850A (zh) | 2015-04-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104573850B (zh) | 一种火电厂设备状态评估方法 | |
US7827006B2 (en) | Heat exchanger fouling detection | |
KR102065231B1 (ko) | 발전된 데이터 정화 시스템 및 방법 | |
CN104732276B (zh) | 一种计量生产设施故障在线诊断方法 | |
US20170315543A1 (en) | Evaluating petrochemical plant errors to determine equipment changes for optimized operations | |
CN106006344B (zh) | 扶梯故障在线预警系统及故障诊断方法 | |
CN110414155A (zh) | 一种带有单测点的风机部件温度异常检测和报警方法 | |
CN101446831B (zh) | 一种分散的过程监测方法 | |
KR20140130540A (ko) | 설비들의 그룹의 조건 모니터링을 위한 방법 및 시스템 | |
CN109613428A (zh) | 一种能像系统及其在电机设备故障检测方法中的应用 | |
CN105758661B (zh) | 一种锅炉受热面寿命评估系统和方法 | |
CN111441864A (zh) | 发动机健康诊断方法及发动机诊断系统 | |
KR101233264B1 (ko) | 섹터 그래프 기반 플랜트 및 건축물 설비 운영상태 감시 장치 및 방법 | |
CN102789676B (zh) | 一种基于报警证据融合的工业报警器设计方法 | |
CN109597396B (zh) | 一种基于大数据流及迁移学习的配变故障在线诊断方法 | |
CN112966990A (zh) | 一种变电设备综合状态评价方法 | |
CN106951359A (zh) | 一种系统健康度检测分析方法及装置 | |
CN106872172A (zh) | 航空发动机试验安全参数监视的实时判别方法及系统 | |
CN113806969A (zh) | 一种基于时域数据关联建模的压缩机组健康预测方法 | |
CN107103425B (zh) | 发电设备运行状态计算机智能量化评价系统 | |
CN117560300B (zh) | 一种智能物联网流量预测与优化系统 | |
RU2687848C1 (ru) | Способ и система вибромониторинга промышленной безопасности динамического оборудования опасных производственных объектов | |
CN113868948A (zh) | 一种面向用户的动态阈值模型训练系统及方法 | |
CN117540315A (zh) | 一种过程工业设备系统健康度在线诊断方法 | |
CN106651196B (zh) | 一种基于风险评估的报警方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |