CN106199241A - 一种基于数据协调及假设检验的电站系统多故障诊断方法 - Google Patents
一种基于数据协调及假设检验的电站系统多故障诊断方法 Download PDFInfo
- Publication number
- CN106199241A CN106199241A CN201610473991.4A CN201610473991A CN106199241A CN 106199241 A CN106199241 A CN 106199241A CN 201610473991 A CN201610473991 A CN 201610473991A CN 106199241 A CN106199241 A CN 106199241A
- Authority
- CN
- China
- Prior art keywords
- measurand
- equation
- object function
- fault
- hypothesis testing
- 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
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
一种基于数据协调及假设检验的电站系统多故障诊断方法,属于电厂性能监测及故障诊断领域。具体技术步骤包括:1)选取准静态测量数据,建立系统约束方程,进行数据协调计算;2)计算全局假设检验统计量,和允许的临界值对比,判断参数是否存在显著误差;3)若存在显著误差,识别包含误差的参数并在下一轮计算前剔除;4)计算降秩后的检验统计量,并和新的临界值对比,判断参数是否存在显著误差;5)若不存在,则结束运算;否则重复步骤3)及4),直至检测出所有的显著误差。该方法采用序列消去的思想,逐一实现快速、精准的故障定位。显著误差临界值可作为电站报警阈值,在故障早期及时提示操作人员,从而保护机组安全,降低生产成本。
Description
技术领域
本发明涉及一种基于数据协调及假设检验的电站系统多故障诊断方法,属于电厂性能监测及故障诊断领域。
背景技术
精确的测量数据是电厂在线性能监测,故障诊断及运行优化的重要基础。然而,由于人为的误操作或测量仪表的老化,电厂直接测量得到的原始数据总是包含测量误差。测量误差通常被归类为随机误差和显著误差(粗大误差)。在大量的测量样本下,随机误差服从一定的统计规律,而显著误差则不服从大量样本的统计分布。显著误差的存在通常反映了设备或仪表的故障,因此,检测和识别测量变量的显著误差是电厂故障诊断的重要部分。然而目前在电厂实际性能监测及故障诊断过程中,还缺乏有效的、简便的显著误差检测和识别的方法。虽然名为“一种汽轮机系统流量计故障监测方法”的发明专利(公开号为CN103674189A)
利用了汽轮机系统中冗余的流量测量信息,可以实现对流量计故障的检测与识别,但是该方法仅考虑了汽轮机系统的平衡关系,既没有考虑电厂中其他系统(如锅炉系统、凝结水系统)的相互耦合作用,又没有考虑设备的特性方程,且采用的数据协调目标函数鲁棒性较差,导致该方法适应性差,亟待改进。
发明内容
本发明的目的是提供一种基于数据协调及假设检验的电站系统多故障诊断方法,能够在线监测电厂热力系统中测量变量的状态,及时发现设备及仪表的联合故障。
本发明的技术方案是:
一种基于数据协调及假设检验的电站热力系统多故障诊断方法,其特征是该方法包括如下步骤:
1)通过准静态数据分析,从电厂数据库选取准静态工况的测量数据;根据电厂系统的测点信息,选取参与热力系统平衡计算的测量变量x及未测量变量u,并将测量变量x的测量值记为y;
其中n为所有测量变量的个数;p为所有未测量变量的个数;
2)根据电厂热力系统中测量仪表的精度等级,按照方程(1)评定各个测量变量测量值的不确定度,分别记为σ1,σ2,…σn;
其中,i代表第i个测量变量,i取1,2,3...n;ξi代表置信区间为95%的仪表最大允许误差;Ns代表测量同一变量的仪表个数;k为修正系数;
3)根据电厂系统热力设备的平衡方程及特性方程,建立关于测量变量x及未测量变量u的约束方程组,如下所示:
f(x,u)=0 (2)
g(x,u)≤0 (3)
其中,f代表等式约束方程组;g代表不等式约束方程组;
4)结合测量变量的测量值、测量值的不确定度、约束方程组f和g,利用目标函数计算得到测量变量x的协调值x*和未测量变量u的估计值u*;
其中,
5)数据协调计算的最小目标函数值等于全局假设检验统计量γR;假设当测量变量中不存在显著误差时,统计分布的临界值为将γR与统计分布的临界值进行比较;其中,R代表系统的冗余度,α为显著性水平;
6)如果则表明测量变量中不存在显著误差,即仪表或设备没有发生故障;相反,若则表明测量变量中存在显著误差,需要进行故障识别;当对第j个测量变量进行故障识别时,将该测量变量当作未测量变量,则系统的冗余度减一,按照下式重新进行数据协调计算:
其中,为消去第j个测量变量后的目标函数;j的取值依次从1到n;
此时,新的全局假设检验统计量γR-1等于数据协调计算得到的的最小值;将γR-1与新的统计分布的临界值进行比较,代表系统冗余度降为R-1后的统计分布的临界值;如果表明除第j个测量变量以外的其它变量没有发生故障,则识别出第j个测量变量发生故障,故障识别结束;如果表明除第j个测量变量以外的其它测量变量仍然有故障,则继续对下一个测量变量进行故障识别;
7)按步骤6)逐个对测量变量进行故障识别时,如果所有识别结果均为 则表明同时有多个测量变量发生故障;找出第一轮故障识别过程中检验统计量γR-1最小的情况,判定被消去的测量变量存在故障,并将该测量变量作为未测量变量,按步骤6)逐个对其余测量变量进行第二轮故障识别,此时系统的冗余度为R-2,统计分布的临界值为
8)在第二轮故障识别过程中,找出第二个包含故障的测量变量;按步骤7)判断是否仍有其他故障存在;如果不存在,则故障识别结束;如果存在,则将第二个包含故障的测量变量作为未测量变量,进行第三轮故障识别;
9)以此类推,重复步骤6)、7)、8),当第r轮故障识别过程中,出现 或进行的轮数r=R时,故障识别结束,至此依次识别出测量变量中的全部故障。
本发明的上述技术方案中,其特征在于:所述参与热力系统平衡计算的测量变量包含流量、压力、温度、液位和功率。所述电厂系统热力设备包含锅炉、发电机、汽轮机高压缸、中压缸及低压缸、凝汽器、高压给水加热器、低压给水加热器、除氧器、高压蒸汽管道、再热蒸汽管道、抽蒸汽管道、给水泵和凝结水泵。所述电厂系统热力设备的平衡方程及特性方程包含质量平衡方程、能量平衡方程、换热特性方程、压降方程、效率方程和汽轮机通流能力方程。
本发明的技术方案中,其特征还在于:
步骤4)中所述的目标函数包含最小二乘形式的目标函数或强鲁棒性的目标函数;最小二乘形式的目标函数如方程(6)所示,强鲁棒性的目标函数包含方程(7)所示的目标函数:
其中,xi *代表x*中第i个元素,yi代表y中第i个元素;Σ代表由测量变量的不确定度构成的协方差矩阵;上标T代表矩阵的转置;上标-1代表矩阵的逆;代表从第1个到第n个测量变量的求和;cF代表设定的权重参数。
步骤5)中所述的统计分布采用高斯分布或卡方分布。
步骤6)中所述的消去第j个测量变量后的目标函数包含最小二乘形式的目标函数或强鲁棒性的目标函数;最小二乘形式的目标函数如方程(8)所示,强鲁棒性的目标函数包括方程(9)所示的目标函数:
本发明具有以下优点及突出性效果:
①本发明在不改变测量仪表和设备、不增加任何成本的前提下,采用数据处理结合电厂建模的方法实现热力系统多故障的诊断。本方法通过构建电厂整体热力系统的物理约束方程,充分考虑了电厂多个系统间的相互耦合作用,并利用所有测量变量间的冗余关系,按照数据协调及假设检验的原理,对系统存在的故障进行逐一检测和识别。本方法简单可行,高效便捷,并且可以作为独立模块添加到电厂的在线性能监测及故障诊断的平台中。
②本发明可以计算得到全局假设检验允许的临界值,此临界值可以作为电站性能监测平台中报警的阈值,当测量参数的显著误差达到报警阈值时,则启动电厂的报警提示,在故障早期及时提醒操作人员,从而保护机组安全,降低生产成本。
附图说明
图1是本发明分析方法的流程示意图。
图2是实施例中某1000MW火电机组高压给水热力系统的示意图。
具体实施方式
下面结合附图及实施例对本发明方法的原理和具体实施作进一步的说明。
图1为本发明提供的一种基于数据协调及假设检验的电站系统多故障诊断方法流程示意图,其具体包括如下步骤:
1)通过准静态数据分析方法,从电厂PI数据库中选取准静态工况的测量数据;准静态数据的选取方法有多种,比如根据VGB-S-009-S-O-00标准,输出功率在连续15分钟内的最大变化速率应该小于3%,或者输出功率、主汽流量等参数的标准差应该小于给定的阈值;电厂系统热力设备包含锅炉系统、汽轮机系统、发电机系统、给水回热系统、凝结水系统和给水除氧系统中的关键设备;以图2中所示的某1000MW机组为例,根据电厂系统的测点信息,选取参与电厂热力系统平衡计算的测量变量x及未测量变量u,例如流量、压力、温度和功率,并将测量变量x的测量值记为y:
其中,测量变量的总个数为39,未测量变量的个数为33;
2)根据电厂热力系统中测量仪表的精度等级,按照方程(1)评定各个测量变量测量值的不确定度,分别记为σ1,σ2,…σ39;
其中,i代表第i个测量变量,i取1,2,3...39;ξi代表置信区间为95%的仪表最大允许误差;Ns代表测量同一变量的仪表个数,通常为1;k为修正系数,通常为1;
3)根据电厂热力系统的质量平衡方程、能量平衡方程及设备的特性方程,如换热特性方程、压降方程、效率方程和汽轮机通流能力方程,建立关于测量变量x及未测量变量u的约束方程组,如下所示:
f(x,u)=0 (2)
g(x,u)≤0 (3)
其中,f代表等式约束方程组,g代表不等式约束方程组;在图2所示的实施例中,等式约束方程组的个数为47,没有不等式约束方程;
4)结合测量变量的测量值、测量值的不确定度、约束方程组f和g,进行数据协调计算,即求目标函数的最小值,从而计算得到测量变量x的协调值x*和未测量变量u的估计值u*;
其中,
目标函数包含常用的最小二乘形式的目标函数或强鲁棒性的目标函数;常用的最小二乘形式的目标函数如方程(5)所示,强鲁棒性的目标函数包含方程(6)所示的目标函数:
其中,xi *代表x*中第i个元素,yi代表y中第i个元素;Σ代表由测量变量的不确定度构成的协方差矩阵;上标T代表矩阵的转置;上标-1代表矩阵的逆;代表从第1个到第39个测量变量的求和;cF代表设定的权重参数。
5)数据协调计算得到的最小目标函数值等于全局假设检验统计量γR;假设当测量变量中不存在显著误差时,允许的统计分布的临界值为是1-α的分位数,其中,R代表系统冗余度,等于等式约束方程个数47减去未测量变量的个数33,即R=14;α为显著性水平,这里可以选择α=95%;若测量变量的测量值满足高斯分布,则全局假设检验统计量γR应服从自由度为R的卡方分布;将实际计算得到的γR与统计分布的临界值进行比较;
6)如果则表明测量变量中不存在显著误差,即仪表或设备没有发生故障;相反,若表明测量变量中存在显著误差,则需要进行故障识别;当对第j个测量变量进行故障识别时,将该测量变量当作未测量变量,则系统的冗余度减一,按照下式重新进行数据协调计算:
其中,为消去第j个测量变量后的目标函数;j的取值依次从1到39;
包含最小二乘形式的目标函数或强鲁棒性的目标函数;最小二乘形式的目标函数如方程(8)所示,强鲁棒性的目标函数包括方程(9)所示的目标函数,
此时,新的全局假设检验统计量γR-1等于数据协调计算得到的的最小值;将γR-1与新的统计分布的临界值进行比较,代表系统冗余度降为R-1后的统计分布的临界值;如果表明除第j个测量变量以外的其它变量没有发生故障,则识别出第j个测量变量发生故障,故障识别结束;如果表明除第j个测量变量以外的其它测量变量仍然有故障,则继续对下一个测量变量进行故障识别;
7)按步骤6)逐个对测量变量进行故障识别时,如果所有识别结果均为 则表明同时有多个测量变量发生故障;找出第一轮故障识别过程中检验统计量γR-1最小的情况,判定被消去的测量变量存在故障,并将该测量变量作为未测量变量,按步骤6)逐个对其余测量变量进行第二轮故障识别,此时系统的冗余度为R-2,统计分布的临界值为
8)在第二轮故障识别过程中,找出第二个包含故障的测量变量;按步骤7)判断是否仍有其他故障存在;如果不存在,则故障识别结束;如果存在,则将第二个包含故障的测量变量作为未测量变量,进行第三轮故障识别;
9)以此类推,重复步骤6)、7)、8),当第r轮故障识别过程中,出现 或进行的轮数r=R时,故障识别结束;若出现说明已经依次识别出测量变量中的全部故障;若进行的轮数r=R,此时系统的冗余度降为0,无法继续进行数据协调计算,说明该系统最多识别出测量变量中的R个故障。
实施例1:
下面以一个1000MW火电机组的高压给水系统为例,对本发明进行说明。如图2所示,本实施例中包括的关键设备为:锅炉(Boiler)、汽轮机高压缸(HPT1,HPT2)、高压给水加热器(HPFW1,HPFW2,HPFW3)、除氧器(DA)、高压蒸汽管道(HPIPE)、再热蒸汽管道(IPIPE)、抽蒸汽管道(EP1,EP2,EP3,EP4)、给水泵(FWP)。此外,还有4个流量测点,分别为最终给水流量('MFFW_m_out1')、给水泵出口流量('MFWP_m_out1')、凝结水流量('MCW_m_out1')和再热减温水流量('MRSW_m_out1')。
在电厂PI数据库中选取准静态工况下的多组运行数据,得到热力系统中测量变量的测量值,并按照具体实施方式中所述的方程(1)来评定测量变量的不确定度。测量变量的测量值及不确定度如表1所示。其中,测量变量的个数为39,未测量变量的个数为33,测量变量的测量值依次记为y1,y2,…y39,其测量不确定度依次记为σ1,σ2,…σ39。
表1.测量变量测量值及测量不确定度
热力系统包含的约束方程包括质量平衡方程、能量平衡方程和设备的特性方程。其中,设备的特性方程主要包含给水加热器的换热特性方程和管道的压降特性方程。约束方程依次记为f1,f2,…f47,约束方程的个数为47。表2中列举了部分典型设备的约束方程。
表2.热力系统的典型约束方程
表1和表2的m,p,T,h分别代表流量、压力、温度、焓值,KA代表换热系数,eta代表级组的等熵效率,Q代表换热量,LMTD代表对数平均温差,dP代表压降,下标ins代表等熵过程,下标sat代表饱和过程,下标LKG代表漏气。
本案例选取了电厂PI数据库的准静态工况下的运行数据,为了说明多故障检测和识别的方法,本案例构造了3#高加给水加热器的出口温度(HPFW3_T_out1)及3#高加给水加热器的过热凝结段换热系数(HPFW3_KA_1)均存在显著误差,分别为-2℃及-30%的KA1。
根据表1中的测量变量测量值、测量值的不确定度以及表2中系统的约束方程,可以构建并求解数据协调问题。在实施例中,选取最小二乘形式的目标函数进行计算。如前所述,本案例中系统的冗余度为14。因此,自由度为14的卡方分布的(1-5%)分位数为23.685,为全局假设检验的临界值。数据协调计算后,求解得到多组数据的全局假设检验统计量,其大于临界值的概率为63%,远远大于给定的5%的显著性水平,因此表明系统中存在显著误差,需要进行显著误差的识别。
1)当进行第一轮序列消去时,即对第j个流量计进行故障识别时,将该测量变量作为未测量变量对待,因此系统的测量变量总量减一,未测量变量总量加一,因此系统的冗余度减一,变为14-1=13,因此新的全局假设检验的临界值为数值为22.362,是自由度为13的卡方分布的(1-5%)分位数。
2)依次对测量变量进行第一轮消去的过程中,当消去3#高加给水加热器的出口温度(HPFW3_T_out1)时,检验统计量大于临界值的概率为6%;而消去3#高加给水加热器的过热凝结段换热系数(HPFW3_KA_1)时,检验统计量大于临界值的概率为17%。而消去其他变量时,检验统计量大于临界值的概率均远远大于5%。
3)至此可以判断3#高加给水加热器的出口温度(HPFW3_T_out1)的测量值存在显著误差,且由于消去HPFW3_T_out1后检验统计量大于临界值的概率为6%,仍大于5%。说明除HPFW3_T_out1外,仍然存在其他显著误差。因此在HPFW3_T_out1作为未测量变量的基础上,进入下一轮故障识别过程。在对第j个流量计进行故障识别时,将该测量变量作为未测量变量对待,因此系统的冗余度降为13-1=12,因此新的全局假设检验的临界值为数值为21.026,是自由度为12的卡方分布的(1-5%)分位数。
4)逐一消去测量变量的过程中,只有消去3#高加给水加热器的过热凝结段换热系数(HPFW3_KA_1)时,检验统计量大于临界值的概率为4%,小于给定的5%的显著性水平。消去其余变量时的检验统计量大于临界值的概率均大于5%。该结果说明,第二个显著误差存在于HPFW3_KA_1中,且不再存有其他的显著误差。至此,故障识别过程结束。最终结论是,仅有HPFW3_T_out1及HPFW3_KA_1存在显著误差。
Claims (7)
1.一种基于数据协调及假设检验的电站系统多故障诊断方法,其特征是该方法包括如下步骤:
1)通过准静态数据分析,从电厂数据库选取准静态工况的测量数据;根据电厂系统的测点信息,选取参与热力系统平衡计算的测量变量x及未测量变量u,并将测量变量x的测量值记为y;
其中n为所有测量变量的个数;p为所有未测量变量的个数;
2)根据电厂热力系统中测量仪表的精度等级,按照下列方程(1)评定各个测量变量测量值的不确定度,分别记为σ1,σ2,…σn;
其中,i代表第i个测量变量,i取1,2,3...n;ξi代表置信区间为95%的仪表最大允许误差;Ns代表测量同一变量的仪表个数;k为修正系数;
3)根据电厂系统热力设备的平衡方程及特性方程,建立关于测量变量x及未测量变量u的约束方程组,如下所示:
f(x,u)=0 (2)
g(x,u)≤0 (3)
其中,f代表等式约束方程组;g代表不等式约束方程组;
4)结合测量变量的测量值、测量值的不确定度、约束方程组f和g,利用目标函数计算得到测量变量x的协调值x*和未测量变量u的估计值u*;
其中,
5)数据协调计算的最小目标函数值等于全局假设检验统计量γR;假设当测量变量中不存在显著误差时,统计分布的临界值为将γR与统计分布的临界值进行比较;其中,R代表系统的冗余度,α为显著性水平;
6)如果则表明测量变量中不存在显著误差,即仪表或设备没有发生故障;相反,若则表明测量变量中存在显著误差,需要进行故障识别;当对第j个测量变量进行故障识别时,将该测量变量当作未测量变量,则系统的冗余度减一,按照下式重新进行数据协调计算:
其中,为消去第j个测量变量后的目标函数;j的取值依次从1到n;
此时,新的全局假设检验统计量γR-1等于数据协调计算得到的的最小值;将γR-1与新的统计分布的临界值进行比较,代表系统冗余度降为R-1后的统计分布的临界值;如果表明除第j个测量变量以外的其它变量没有发生故障,则识别出第j个测量变量发生故障,故障识别结束;如果表明除第j个测量变量以外的其它测量变量仍然有故障,则继续对下一个测量变量进行故障识别;
7)按步骤6)逐个对测量变量进行故障识别时,如果所有识别结果均为 则表明同时有多个测量变量发生故障;找出第一轮故障识别过程中检验统计量γR-1最小的情况,判定被消去的测量变量存在故障,并将该测量变量作为未测量变量,按步骤6)逐个对其余测量变量进行第二轮故障识别,此时系统的冗余度为R-2,统计分布的临界值为
8)在第二轮故障识别过程中,找出第二个包含故障的测量变量;按步骤7)判断是否仍有其他故障存在;如果不存在,则故障识别结束;如果存在,则将第二个包含故障的测量变量作为未测量变量,进行第三轮故障识别;
9)以此类推,重复步骤6)、7)、8),当第r轮故障识别过程中,出现 或进行的轮数r=R时,故障识别结束,至此依次识别出测量变量中的全部故障。
2.根据权利要求1所述的一种基于数据协调及假设检验的电站系统多故障诊断方法,其特征在于:参与热力系统平衡计算的测量变量包含流量、压力、温度、液位和功率。
3.根据权利要求1所述的一种基于数据协调及假设检验的电站系统多故障诊断方法,其特征在于:电厂系统热力设备包含锅炉、发电机、汽轮机高压缸、中压缸及低压缸、凝汽器、高压给水加热器、低压给水加热器、除氧器、高压蒸汽管道、再热蒸汽管道、抽蒸汽管道、给水泵和凝结水泵。
4.根据权利要求1、2或3所述的一种基于数据协调及假设检验的电站系统多故障诊断方法,其特征在于:电厂系统热力设备的平衡方程及特性方程包含质量平衡方程、能量平衡方程、换热特性方程、压降方程、效率方程和汽轮机通流能力方程。
5.根据权利要求1所述的一种基于数据协调及假设检验的电站系统多故障诊断方法,其特征在于:步骤4)中所述的目标函数包含最小二乘形式的目标函数或强鲁棒性的目标函数;最小二乘形式的目标函数如方程(6)所示,强鲁棒性的目标函数包括方程(7)所示的目标函数:
其中,xi *代表x*中第i个元素,yi代表y中第i个元素;Σ代表由测量变量的不确定度构成的协方差矩阵;上标T代表矩阵的转置;上标-1代表矩阵的逆;代表从第1个到第n个测量变量的求和;cF代表设定的权重参数。
6.根据权利要求1所述的一种基于数据协调及假设检验的电站系统多故障诊断方法,其特征在于:步骤5)中所述的统计分布采用高斯分布或卡方分布。
7.根据权利要求1或2所述的一种基于数据协调及假设检验的电站系统多故障诊断方法,其特征在于:步骤6)中所述的消去第j个测量变量后的目标函数包含最小二乘形式的目标函数或强鲁棒性的目标函数;最小二乘形式的目标函数如方程(8)所示,强鲁棒性的目标函数包括方程(9)所示的目标函数:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610473991.4A CN106199241B (zh) | 2016-06-24 | 2016-06-24 | 一种基于数据协调及假设检验的电站系统多故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610473991.4A CN106199241B (zh) | 2016-06-24 | 2016-06-24 | 一种基于数据协调及假设检验的电站系统多故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106199241A true CN106199241A (zh) | 2016-12-07 |
CN106199241B CN106199241B (zh) | 2019-01-29 |
Family
ID=57461779
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610473991.4A Active CN106199241B (zh) | 2016-06-24 | 2016-06-24 | 一种基于数据协调及假设检验的电站系统多故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106199241B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108229547A (zh) * | 2017-12-27 | 2018-06-29 | 东南大学 | 一种基于局部模型迁移学习的齿轮故障识别方法 |
CN108595518A (zh) * | 2018-03-26 | 2018-09-28 | 中南大学 | 一种氧化铝生产蒸发过程在线数据协调方法及系统 |
CN109686412A (zh) * | 2018-12-25 | 2019-04-26 | 阳谷祥光铜业有限公司 | 一种用于金属平衡的数据协调处理方法及装置 |
CN112987565A (zh) * | 2021-02-04 | 2021-06-18 | 中南大学 | 一种基于新型鲁棒估计函数的沸腾焙烧炉数据协调方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS63186157A (ja) * | 1987-01-28 | 1988-08-01 | Toshiba Corp | 電力系統故障診断装置 |
JPH02221874A (ja) * | 1989-02-21 | 1990-09-04 | Toshiba Corp | 電力用変電機器の故障診断システム |
CN101008936A (zh) * | 2007-01-24 | 2007-08-01 | 浙江大学 | 一种校正测量数据显著误差与随机误差的方法 |
CN103018601A (zh) * | 2012-12-05 | 2013-04-03 | 江南大学 | 一种风力发电系统中变流器的一级故障诊断方法 |
CN103674189A (zh) * | 2013-11-21 | 2014-03-26 | 清华大学 | 一种汽轮机系统流量计故障监测方法 |
CN104833882A (zh) * | 2015-05-13 | 2015-08-12 | 浪潮集团有限公司 | 采用分布式远程自动变频器故障诊断方法 |
CN105277818A (zh) * | 2014-07-25 | 2016-01-27 | 武汉理工大学 | 一种基于论辩逻辑的电厂设备故障诊断方法 |
-
2016
- 2016-06-24 CN CN201610473991.4A patent/CN106199241B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS63186157A (ja) * | 1987-01-28 | 1988-08-01 | Toshiba Corp | 電力系統故障診断装置 |
JPH02221874A (ja) * | 1989-02-21 | 1990-09-04 | Toshiba Corp | 電力用変電機器の故障診断システム |
CN101008936A (zh) * | 2007-01-24 | 2007-08-01 | 浙江大学 | 一种校正测量数据显著误差与随机误差的方法 |
CN103018601A (zh) * | 2012-12-05 | 2013-04-03 | 江南大学 | 一种风力发电系统中变流器的一级故障诊断方法 |
CN103674189A (zh) * | 2013-11-21 | 2014-03-26 | 清华大学 | 一种汽轮机系统流量计故障监测方法 |
CN105277818A (zh) * | 2014-07-25 | 2016-01-27 | 武汉理工大学 | 一种基于论辩逻辑的电厂设备故障诊断方法 |
CN104833882A (zh) * | 2015-05-13 | 2015-08-12 | 浪潮集团有限公司 | 采用分布式远程自动变频器故障诊断方法 |
Non-Patent Citations (1)
Title |
---|
张超: "复杂能量系统的热经济学分析与优化", 《中国博士学位论文全文数据库 经济与管理科学辑》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108229547A (zh) * | 2017-12-27 | 2018-06-29 | 东南大学 | 一种基于局部模型迁移学习的齿轮故障识别方法 |
CN108229547B (zh) * | 2017-12-27 | 2021-12-24 | 东南大学 | 一种基于局部模型迁移学习的齿轮故障识别方法 |
CN108595518A (zh) * | 2018-03-26 | 2018-09-28 | 中南大学 | 一种氧化铝生产蒸发过程在线数据协调方法及系统 |
CN109686412A (zh) * | 2018-12-25 | 2019-04-26 | 阳谷祥光铜业有限公司 | 一种用于金属平衡的数据协调处理方法及装置 |
CN112987565A (zh) * | 2021-02-04 | 2021-06-18 | 中南大学 | 一种基于新型鲁棒估计函数的沸腾焙烧炉数据协调方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106199241B (zh) | 2019-01-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106249728B (zh) | 一种基于部件特性的火力发电机组在线性能监测方法 | |
CN105760936B (zh) | 一种基于现场状态检验参数的锅炉“四管”失效评估方法 | |
CN106199241A (zh) | 一种基于数据协调及假设检验的电站系统多故障诊断方法 | |
CN104048842B (zh) | 一种基于软测量技术的汽轮机热耗率在线监测方法 | |
Dorr et al. | Detection, isolation, and identification of sensor faults in nuclear power plants | |
CN108446529A (zh) | 基于广义互熵—dpca算法的有机朗肯循环系统故障检测方法 | |
CN106097151B (zh) | 一种基于数据协调的降低电厂数据不确定度的方法 | |
Heo et al. | Internal leakage detection for feedwater heaters in power plants using neural networks | |
CN105910843A (zh) | 一种热工综合试验装置的热损失测试方法 | |
CN110469372B (zh) | 一种汽轮机热力性能试验不确定度控制方法 | |
CN110532681A (zh) | 基于narx网络-箱线图和常模式提取的燃机异常检测方法 | |
CN110320334A (zh) | 水质监测系统、具备该水质监测系统的蒸汽轮机系统以及水质监测方法 | |
CN105225008A (zh) | 一种预测汽轮机热力系统内部运行参数的方法 | |
CN108446465B (zh) | 通过工质分解在线测算火电机组厂用蒸汽量的方法 | |
CN103674189B (zh) | 一种汽轮机系统流量计故障监测方法 | |
CN117216703A (zh) | 一种输水管网运行数据异常检测及校正方法 | |
CN104459542A (zh) | 再热回热复合循环机组的热耗率测定方法 | |
CN104483152A (zh) | 非再热回热复合循环机组的热耗率测定方法 | |
CN110458480A (zh) | 一种发电厂化学仪表准确性在线评价系统 | |
CN106815641A (zh) | 一种基于模型和模糊模式识别的气路故障诊断方法 | |
Khadem et al. | Sensor validation in power plants using neural networks | |
Walker et al. | The Delta Q method of testing the air leakage of ducts | |
Hou et al. | Thermal Performance Monitoring and Analysis of Nuclear Power Plant | |
Boring et al. | On-Line Monitoring to Detect Sensor and Process Degradation under Normal Operational Transients | |
CN106121744A (zh) | 一种基于数据协调的汽轮机湿蒸汽参数的估计方法 |
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 |