CN108089078A - 设备劣化预警方法及系统 - Google Patents
设备劣化预警方法及系统 Download PDFInfo
- Publication number
- CN108089078A CN108089078A CN201711281979.4A CN201711281979A CN108089078A CN 108089078 A CN108089078 A CN 108089078A CN 201711281979 A CN201711281979 A CN 201711281979A CN 108089078 A CN108089078 A CN 108089078A
- Authority
- CN
- China
- Prior art keywords
- mrow
- equipment
- similarity
- data
- feature space
- 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.)
- Pending
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2132—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on discrimination criteria, e.g. discriminant analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明提供了一种设备劣化预警方法及系统,所述方法包含:获取发电设备不同工况下各组成设备的运行数据,根据所述运行数据建立设备状态特征空间;获取所述组成设备在发电设备不同工况下的基准运行数据,通过层次分析法设置所述基准运行数据相对于所述发电设备的权重值,根据所述基准运行数据和所述权重值建立基准状态特征空间;通过向量空间余弦相似度方法计算所述设备状态特征空间和所述基准状态特征空间的相似度;根据各组成设备的所述相似度获得所述发电设备的劣化情况。
Description
技术领域
本发明涉及发电设备预警领域,尤指一种设备劣化预警方法及系统。
背景技术
我国发电设备长期实行的维修体制是以事后维修、定期预防维修为主的维修体制,其优点是能保持供电的基本稳定性和人力、物力、资金安排的计划性。维修管理执行过程中一般采取大修、小修、中修、临修等形式,火电厂的设备检修通常分为计划检修和非计划检修,计划检修一般正常是在固定的时间对下一阶段的检修工作进行部署和安排,非计划检修一般是指在检修计划之外的时段内,主机设备或重要辅机设备出现非正常运转或突发故障所引起的检修任务,当出现非计划检修时,发电企业通常要进行主机或辅机设备停用,并安排检修人员进行抢修,在这段时间内,发电企业不但要承受设备停用所带来的经济损失,还要承担多余的人力物力等费用。发电设备现行维修体制的主要问题表现在以下几个方面:
(1)维修过剩:对设备状态较好的机组,进行不必要的维修,造成设备有效利用时间减少,人力物力财力相对浪费,甚至引发维修故障。
(2)维修不足:机组由于多种原因在检修期未到时产生局部故障,但受维修计划制约,不得不带病运行,有时故障的恶化造成维修代价和维修费用增大以及不必要的事故损失。
(3)维修的盲目性:计划检修标准项目和非标准项目及其执行频度基本依靠经验制订,而不是建立在科学、系统地分析设备故障的基础上,维修项目不能作到对症下药,维修中认为所有的项目都很重要,不可忽视,维修重点不突出,资源分配不合理,不该修的修得太过,该修的却未能引起足够重视。
为克服上述问题,行业内类似功能处理方式及缺点如下:
《机械设备劣化预警系统及方法》CN201610230780.8:该发明公开了一种机械设备劣化预警系统及方法。通过对设备振动测点与对应的预测值进行对比,大于预警值报警,从而提醒监测人员主动采取相应措施以确保设备的正常运行以及延长设备的使用寿命;该方法适用设备较少,仅考虑振动对设备的影响,未将温度,压力,设备检修台账,记录等统一纳入劣化预警范围。
《一种基于物联网的水泵泵组智能监控与劣化预警方法》CN201610299558.3:该发明公开了水泵泵组监控与劣化预警方法。需要专门搭建水泵泵组试验台;采用触摸屏作为现场监控设备,PC机作为监测平台,通过临时加装数据采集模块采集各个传感器的信号,触摸屏和PC机实时读取数据采集模块的数据,并对数据进行存储和备份;对水泵泵组运行诊断及劣化预警。该发明侧重于水泵泵组故障确诊,偏重于发生故障后确定问题原因,不适用工业企业长期正常运行中设备的运行监测,每次进行监测时,需要先行搭建试验台,不具有通用性。
现有技术最大的缺点是:
1、大多针对单一设备群体进行劣化预警,未考虑工艺流程上下游影响,未对整体工艺流程进行全面运行状态分析及劣化预警。
2、数据来源单一,大多仅通过DCS现有测点数据对设备运行状态进行监测,并依据此些数据对设备运行状态进行劣化预警,数据单一可靠性较差。
发明内容
本发明目的在于提供一种设备劣化预警方法及系统,对辅机设备运行状态监测与发电机组整体运行工况及设备出力负荷相结合,建立上下关联性,不能孤立的按照单一模式评估辅机设备是否运行于正常工作区间;对发电设备运行状态进行评估,比对计算设备在特定工况下运行的相似度,从而对设备运行状态进行监测和故障预测,以便于更加合理安排发电机组辅机检修计划,完成发电机组众多辅机状态检修。
为达上述目的,本发明所提供的设备劣化预警方法具体包含:获取发电设备不同工况下各组成设备的运行数据,根据所述运行数据建立设备状态特征空间;获取各所述组成设备在发电设备不同工况下的基准运行数据,根据所述基准运行数据建立基准状态特征空间;通过向量空间余弦相似度方法计算所述设备状态特征空间和所述基准状态特征空间的相似度;根据所述相似度获得所述发电设备的劣化情况。
在上述设备劣化预警方法中,优选的,所述运行数据包含组成设备在指定时间的运行测点数据、组成设备出厂寿命评估数据和组成设备历史故障统计数据。
在上述设备劣化预警方法中,优选的,根据所述基准运行数据建立基准状态特征空间还包含:通过层次分析法设置所述基准运行数据相对于所述发电设备的权重值,根据所述基准运行数据和所述权重值建立基准状态特征空间。
在上述设备劣化预警方法中,优选的,通过向量空间余弦相似度方法计算所述设备状态特征空间和所述基准状态特征空间的相似度包含:通过以下公式计算获得所述相似度:
在上式中,cosθ为所述相似度;A为组成设备的基准状态特征空间;B为组成设备的设备状态特征空间;i为工况数目;Ai为预定工况数目下的基准状态特征空间;Bi为预定工况数目下的设备状态特征空间。
在上述设备劣化预警方法中,优选的,根据所述相似度获得所述发电设备的劣化情况还包含:将所述相似度与预定阈值比较,根据比较结果获得所述发电设备的劣化情况。
在上述设备劣化预警方法中,优选的,根据所述相似度获得所述发电设备的劣化情况还包含:记录当前所述相似度,并将当前所述相似度与预定周期后获得的相似度进行比较,根据比较结果获得所述发电设备的劣化情况。
本发明还提供一种设备劣化预警系统,所述系统包含数据采集装置、数据处理装置、数据分析装置和数据及结果展示装置;所述数据采集装置用于采集发电设备不同工况下各组成设备的运行数据和所述组成设备在发电设备不同工况下的基准运行数据;所述数据处理装置与所述数据采集装置相连,用于根据所述运行数据建立设备状态特征空间,以及根据所述基准运行数据建立基准状态特征空间;所述数据分析装置与所述数据处理装置相连,用于通过向量空间余弦相似度方法计算所述设备状态特征空间和所述基准状态特征空间的相似度;所述数据及结果展示装置与所述数据分析装置相连,用于根据所述相似度获得所述发电设备的劣化情况。
在上述设备劣化预警系统中,优选的,所述数据处理装置还包含权重设置模块,所述权重设置模块用于通过层次分析法设置所述基准运行数据相对于所述发电设备的权重值,根据所述基准运行数据和所述权重值建立基准状态特征空间。
在上述设备劣化预警系统中,优选的,所述数据分析装置通过以下公式计算获得所述相似度:
在上式中,cosθ为所述相似度;A为组成设备的基准状态特征空间;B为组成设备的设备状态特征空间;i为工况数目;Ai为预定工况数目下的基准状态特征空间;Bi为预定工况数目下的设备状态特征空间。
在上述设备劣化预警系统中,优选的,所述所述数据及结果展示装置包含比较模块,所述比较模块用于将所述相似度与预定阈值比较,根据比较结果获得所述发电设备的劣化情况;或记录当前所述相似度,并将当前所述相似度与预定周期后获得的相似度进行比较,根据比较结果获得所述发电设备的劣化情况。
本发明的有益技术效果在于:针对生产工艺流程中,大量的可控辅机设备运行状况、检修状态及可靠性数据为依据,而非传统的以设备使用时间为依据,通过实时状态监测手段、可靠性评价手段及寿命预测手段,分析设备的运行状态,识别故障的早期征兆,对故障部位及其严重程度、故障发展趋势作出提前预警;同时,采用设备运行状态空间来描述设备现行状态,构建设备运行状态特征空间X(m*n矩阵),解决了用状态特征空间表达时设备运行状态变量难以测定的问题;采用向量空间余弦相似度算法,对发电设备运行状态进行评估,比对计算设备在某种工况下运行n维特征向量与最优运行特征向量之间的相似度,从而对设备运行状态进行监测和故障预测,以便于更加合理安排发电机组辅机检修计划,完成发电机组众多辅机状态检修。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,并不构成对本发明的限定。在附图中:
图1为本发明所提供的设备劣化预警方法的流程示意图;
图2为本发明所提供的设备劣化预警系统的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白,下面结合实施例和附图,对本发明做进一步详细说明。在此,本发明的示意性实施例及其说明用于解释本发明,但并不作为对本发明的限定。
请参考图1所示,本发明所提供的设备劣化预警方法具体包含:S101获取发电设备不同工况下各组成设备的运行数据,根据所述运行数据建立设备状态特征空间;S102获取各所述组成设备在发电设备不同工况下的基准运行数据,根据所述基准运行数据建立基准状态特征空间;S103通过向量空间余弦相似度方法计算所述设备状态特征空间和所述基准状态特征空间的相似度;S104根据所述相似度获得所述发电设备的劣化情况。其中,所述运行数据包含组成设备在指定时间的运行测点数据、组成设备出厂寿命评估数据和组成设备历史故障统计数据等。以此,通过发电设备各组成部分的运行数据所建立的设备状态矩阵的集合即设备状态特征空间,来描述该发电设备明显更为全面,充分考虑到该发电设备中各组成部分的关联性,整体上判断该发电设备也更为合理且准确;同时采用向量空间余弦相似度方法也解决了用状态特征空间表达时设备运行状态变量难以测定的问题,从而可对设备运行状态进行有效监测和故障预测。
在上述步骤S102中,根据所述基准运行数据建立基准状态特征空间还包含:通过层次分析法设置所述基准运行数据相对于所述发电设备的权重值,根据所述基准运行数据和所述权重值建立基准状态特征空间;至于具体权重值建立方法及流程请参考后续说明,在此不再详述。
在上述步骤S103的通过向量空间余弦相似度方法计算所述设备状态特征空间和所述基准状态特征空间的相似度中,主要是通过以下公式计算获得所述相似度:
在上式中,cosθ为所述相似度;A为组成设备的基准状态特征空间;B为组成设备的设备状态特征空间;i为工况数目;Ai为预定工况数目下的基准状态特征空间;Bi为预定工况数目下的设备状态特征空间。
实际工作中,A代表发电机组辅机设备在某种工况下设备最优运行测点数的集合,构成一组可供对标使用的标准n维向量,上式中的B代表发电机组辅机设备在某种工况下设备实时运行测点数的集合,构成一组比对n维向量,来对设备运行状态进行评价;i代表有多少种工况。举例浅显例子说明:A1是40公里/小时下汽车的油耗、水箱温度、风扇转速等参数最优值,也就是基础值。A2是50公里/小时下汽车的油耗、水箱温度、风扇转速等参数最优值。A3是80公里/小时下汽车的油耗、水箱温度、风扇转速等参数最优值。B1是40公里/小时下汽车的油耗、水箱温度、风扇转速等实际值。B2是50公里/小时下汽车的油耗、水箱温度、风扇转速等参数实际值。B3是80公里/小时下汽车的油耗、水箱温度、风扇转速等参数实际值,然后对比Ai和Bi的差异来评估汽车出故障概率。;;。
在上述步骤S104中包含:将所述相似度与预定阈值比较,根据比较结果获得所述发电设备的劣化情况,或记录当前所述相似度,并将当前所述相似度与预定周期后获得的相似度进行比较,根据比较结果获得所述发电设备的劣化情况。
为更清楚的解释本发明所提供的设备劣化预警方法,以下以具体实例对上述实施例做简单说明。
在实际工作中,发电企业主机及辅机设备生产运行过程中,对于采用状态维修方式的辅机设备通过基于状态特征空间理论的状态评价模型来确定设备的状态,根据辅机设备所处的运行状态来安排设备检修;首先对发电设备状态特征空间进行描述,确定基于故障风险分析的特征参数提取方法,然后针对发电辅机设备的特点分别建立了状态评价模型和模糊状态评价模型,实现对发电企业辅机设备辅机运行状态监控及劣化预警,便于后期设备状态检修及安排设备检修方案。
在获取发电设备不同工况下各组成设备的运行数据及获取各所述组成设备在发电设备不同工况下的基准运行数据中,首先要确定发电机组辅机设备当前运行状态处于何种阶段,要和整套机组整体运行工况相结合,建立上下关联性,不能孤立的单纯的计算当前辅机设备是否运行于正常工作区间,以与该设备在现行使用环境下保持实现其特定性能输出相对应。对单体设备进行生产运行状态分析及劣化预警时,要对该设备运行所处的大环境进行分类归集;根据单体设备运行主要特性划分不同模式下运行工况特性。例如:按照联合循环发电机组系统分为纯凝、抽凝、背压、全切工况;按照负荷率系统分为启动阶段、30%机组负荷阶段、50%机组负荷阶段、80%机组负荷阶段、满负荷机组负荷阶段;为此在获取各组成设备的运行数据和基准运行数据时,即可在纯凝、抽凝、背压、全切这四种工况类别汇总,分别采集启动阶段、30%机组负荷阶段、50%机组负荷阶段、80%机组负荷阶段、满负荷机组负荷阶段的运行参数及最优化参数即基准运行数据,当在该过程中所述基准运行数据也可通过其他方式获取,如设备出场说明中,或其他同类型设备中的最优化参数,本发明在此并不做具体限制;在该实施例中,在不同的工况和负荷条件下将辅机设备运行的状态可分为良好状态、较好状态、劣化状态和需检修状态,分别对应可很好实现其设计性能高效经济运行、可实现功能未处于高效区性能有所降低、可实现功能但性能大幅度降低和几乎不能实现其特定性能勉强运行这四个方面,工作人员可根据该定义分别设定后期用于判断的基准运行数据,当然实际情况也可采用其他方式或类别定义,本发明在此并不做限制。
值得说明的是,在上述实施例中,为了对设备运行状态作出判断,确定是否存在故障以及故障的程度如何,需要对表征设备状态的实时测量值与相应的设备最优运行状态标准进行比较。此时选取最优设备运行状态评价标准即基准运行数据的方式有三种,即绝对判断标准、相对判断标准和类比判断标准。
(1)绝对判断标准:要求在设备的同一部位或按一定要求测得的表征设备状态的值与某种相应的判断标准相比较,以评定设备的状态。不同的机械设备,由于功能要求动力特性、功率容量、结构特点、尺寸及安装条件等方面的区别,不可能用同一标准进行状态评价,而对每种机械设备都制定专门标准又太繁琐,因此实际中是对设备进行分类,每类机械采用相同的标准。比如,国际标准一适用于转速为,在轴承盖上振动频率在范围内的机器国际标准一适用于大型旋转机械,如汽轮机、电动机、发电机、燃气轮机、涡轮压缩机、涡轮泵和风机等。
(2)相对判断标准:采用该状态判断标准时,要求在设备正常工作情况下,对设备进行全面的测试,将测试得到各种指标量值作为标准值。而后,对设备进行定期或在线监测,将实测值与标准值进行比较,根据实侧值偏离标准值的情况和实测值的变化趋势,对设备状态作出评价。
(3)类比判断标准:对于有数台同型号、同类型设备工作的情况,在相同运行条件下进行测定,通过相互比较来评价设备的状态。用这种方法对设备状态进行评价而制定的标准称作类比判断标准。该标准对在无法获得设备正常状态标准值情况下进行状态评价具有重要作用。
基于发电设备种类繁多、系统复杂、运行工况多变,很难制定统一的状态评价标准,不能单独采用绝对判断标准这一问题及上述三种选取方式。本发明可采用多工况多运行环境下的设备运行评价标准矩阵;在监控生产设备的关键特征参数值的同时,在线计算设备的综合状态指标值,对设备运行状态进行评估。
在获取完相关参数后,则需根据所述运行数据建立设备状态特征空间和根据所述基准运行数据建立基准状态特征空间,具体方式如下:发电设备多数为复杂转动机械设备,对设备现行的运行状态评价是一个复杂的过程,简单单变量是无法描述设备状态的,因此本发明采用设备状态空间来描述设备现行状态;要描述多种不同设备运行状态,这里以m个相互独立的特征量值分别为x1(t)、x2(t)、x3(t)、……、xm(t)举例,这些特征向量都是描述同一设备,因此将它们作为整体,这样就构成m维向量,也就是设备状态特征向量,记为x=[x1,x2,x3,…xm]T。如:某台设备运行状态特征向量x在时刻t的一切可能值所构成的n维空间称为状态特征空间,记为Xn。发电设备运行状态的状态特征空间表达的引入,解决了用状态空间表达时设备运行状态变量难以测定的问题,从而使发电设备的运行状态评价在实际中得以实现。其中,发电设备运行状态特征集合即各组成设备的运行数据可由以下几类特征组成:
1、设备实时运行测点数据:实时运行测点数据反映了设备当前的运行状态。包括工作介质的流量、温度、压力,以及设备的负荷、效率、转速等。对于转动机械类设备,随着其运行状态的劣化,反映其状态信息的振动信号也将发生变化,主要有振动信号类特征等,振动变化趋势类特征振幅变化、相位变化等。
2、可靠性设备管理数据:发电企业辅机开展可靠性管理存在该设备的可靠性数据,通过其平均故障间隔时间,并以其运行时间占平均故障间隔时间的百分比作为其状态特征,或利用其故障统计数据、机组检修台账记录等数据得到其运行可靠度作为其状态特征。
3、设备厂家给出的寿命评价数据:参考设备设计说明书、检修维护手册等设备厂家长期制造维修积累的经验数据作为原始状态特征空间。
由这些类的特征便可组成发电设备的原始状态特征空间“X”,在上述实施例中,主要是鉴于大型复杂发电设备故障模式众多,如果对所有可能故障模式进行故障特征提取并形成状态特征空间,那么该空间的维数将会很大,将大大增加设备状态评价和故障诊断的难度。为此,本发明在此仅对对设备的一些关键故障模式进行特征参数提取,形成设备原始状态特征空间,当然实际工作时,也可根据实际需要选择更多或更少的故障特征作为运行数据,本发明在此并不做过多限制。
其后,要判断设备运行状态,需要将机组运行状态进行特征量的提取,来反应设备当前所处的状态,本发明通过变换或映射的方法,把高维的原始特征空间用低维的特征空间来表达,从而找出最具代表性的,最有效的特征,原始特征的某种组合线性组合。该过程可以简单理解为利用二维矢量空间构建的数据模型,设备运行状态参考机组所处的工况和设备运行出力负荷率、机组实时测点稳定平均值。该二维矩阵构建表格可如下表1所示:
表1
设备30%出力 | 设备50%出力 | 设备80%出力 | 设备100%出力 | |
测点压力(MPa) | 3.5 | 3.8 | 3.9 | 4.1 |
测点温度(℃) | 52 | 54 | 57 | 58 |
测点振动(um) | 6 | 8 | 8.3 | 8.5 |
根据不动设备特征量可以构建m*n机组运行状态矩阵,m即为4行,n即为3列且对应上表的矩阵。
基于上述同样的原理,对应的再采集基准运行数据构建类似的基准状态特征空间;进一步的,在实际工作中,动态权重设定在设备运行状态评价过程中非常重要,各设备子系统之间、子系统内各状态特征参数之间权重分配对评价结果可信度的影响是很大的,因此本发明在此采用层次分析(AHP)方法计算各组成设备的权重值,也就是所述基准运行数据相对于所述发电设备的权重值。在将所述权重值赋予与所述基准状态特征中,即可获得基准状态特征空间;当然该权重值也可由工作人员确定符合实际情况,根据因素的重要性以及实际问题的情况认为给出,本发明在此就不做过多限制。
接着,则采用向量空间余弦相似度方法对发电设备运行状态进行评估;通过计算m*n矩阵之间的相似程度(设备状态特征空间与基准状态特征空间的相似度),相似度度量的值越接近1,说明设备运行与最优工况相似度很相近,相似度度量的值越接近0,说明设备运行状态差异较大,设备运行于非正常工况。余弦的这种计算方法对n维向量也成立。假定A和B是两个n维向量,A是[A1,A2,...,An],B是[B1,B2,...,Bn],则A与B的夹角θ的余弦亦即相似度等于:
上式中的A代表发电机组辅机设备在某种工况下设备最优运行测点数的集合,构成一组可供对标使用的标准n维向量,上式中的B代表发电机组辅机设备在某种工况下设备实时运行测点数的集合,构成一组比对n维向量,来对设备运行状态进行评价。
在上述实施例中,本发明将其应用于设备运行状态监控及劣化预警中,将设备在不同工况下及出力负荷下的运行n维向量特征量作为标准值,通过在线实时计算设备运行测点数据,采用向量空间余弦定理计算各种工况和负荷下实际运行数据与标准值相似度,余弦相似度用向量空间中两个向量夹角的余弦值作为衡量两个个体间差异的大小;余弦值越接近1,就表明夹角越接近0度,也就是两个向量越相似,机组运行在最优工况,余弦值越接近0,就表明夹角越接近180度,也就是两个向量不相似,机组运行在最劣工况。实际运用中,发电设备运行相似度下降到0.8以下,发电设备就已进入到劣化区,需及时安排检修了;当然不同环境,该相似度的判断阈值也不同,具体确定方法可参考以下说明。
确定所述相似度的判断阈值也就等于确定发电设备在何种情况下需要进行何种检修,当设备工作在正常区时,只需要做一些常规的维护。当监测的设备特征参数或状态值达到劣化阈值后,设备进入了劣化区,之后便可能引发功能故障,此时应该启动故障趋势分析以发现可能的潜在故障。在劣化区内,不需做特殊的维修活动,应该加强对设备的监测,避免突发故障的发生。当被监测的状态特征参数及状态值超过报警阈值时,系统报警,提醒运行和维修人员注意,并启动故障诊断程序。一旦通过诊断确定了引起潜在故障的设备或部件,则启动状态预测系统,预测缺陷设备或部件的剩余工作寿命,为维修决策提供依据,避免严重事故的发生。当设备某些特征参数值或状态值达到保护阈值时,则全部或部分停机,并立即进行紧急维修。由上面的分析可以看出,状态阈值的设置至关重要。如报警阈值设置太低,则容易出现谎报,即在设备正常运行时,由于外界因素干扰而报告故障出现,导致错误决策反之,若报警阈值设置过高,则容易产生漏报,达不到监测目的。
状态相似度阈值的设定可采用以下方法:A级一良好状态。机械设备运转正常。B级—容许状态。已超过正常运转时,但对设备的工作质量尚无显著影响。C级一可容忍状态。设备已达到相当严重程度,致使设备只能勉强维持工作。D级—不允许状态。设备己达到非常严重程度,致使设备不能运转或达不到基本的工作质量要求。
根据上述状态划分,可设置多级状态阈值,如警告、危险、强制切换设备等;阈值确定方法主要可采用以下两种设定方法进行确认:
(1)状态相似度阈值设定方法一:统计状态阈值
在设备正常运行时,在一段时间内进行大量测试,计算出监测参数的均值与标准偏差,阈值根据设备重要程度和使用情况进行确定。也可以对同类设备采用相同的状态阈值,这时,可针对同类设备计算均值和标准偏差。,亦即直接将所述相似度与一固定的预定阈值比较,根据比较结果获得所述发电设备的劣化情况。
(2)状态相似度阈值设定方法二:变化率状态阈值
设备在正常运转时,监测参数应在均值附近随机波动,当其在较短时间内有较大的持续增长时,预示着设备出现异常。这时监测值可能尚未达到报警级别,因此,有必要增加变化率状态阈值,当监测参数变化率达到某一水平时进行故障报警;亦即记录当前所述相似度,并将当前所述相似度与预定周期后获得的相似度进行比较,根据比较结果获得所述发电设备的劣化情况。
将上述实施例应用在发电机组给水泵系统中,利用动态变权评价模型对其运行中的三个工况按时间先后顺序进行状态评价;给水泵系统由泵体、偶合器、电机和前置泵四个子系统构成;各子系统提取出的状态特征参数、参数额定值、允许范围、各特征参数间权重及三个工况下实测标准值;利用各特征参数实测值,由采用向量空间余弦相似度计算得到其表征子系统状态的劣化度,最终得到各子系统状态评价值;根据该评价值安排后期检修计划。
请参考图2所示,本发明还提供一种设备劣化预警系统,所述系统包含数据采集装置、数据处理装置、数据分析装置和数据及结果展示装置;所述数据采集装置用于采集发电设备不同工况下各组成设备的运行数据和所述组成设备在发电设备不同工况下的基准运行数据;所述数据处理装置与所述数据采集装置相连,用于根据所述运行数据建立设备状态特征空间,以及根据所述基准运行数据建立基准状态特征空间;所述数据分析装置与所述数据处理装置相连,用于通过向量空间余弦相似度方法计算所述设备状态特征空间和所述基准状态特征空间的相似度;所述数据及结果展示装置与所述数据分析装置相连,用于根据所述相似度获得所述发电设备的劣化情况。
在上述实施例中,所述数据处理装置还包含权重设置模块,所述权重设置模块用于通过层次分析法设置所述基准运行数据相对于所述发电设备的权重值,根据所述基准运行数据和所述权重值建立基准状态特征空间。
在上述实施例中,所述数据分析装置通过以下公式计算获得所述相似度:
在上式中,cosθ为所述相似度;A为组成设备的基准状态特征空间;B为组成设备的设备状态特征空间;i为工况数目;Ai为预定工况数目下的基准状态特征空间;Bi为预定工况数目下的设备状态特征空间。
在上述实施例中,所述所述数据及结果展示装置包含比较模块,所述比较模块用于将所述相似度与预定阈值比较,根据比较结果获得所述发电设备的劣化情况;或记录当前所述相似度,并将当前所述相似度与预定周期后获得的相似度进行比较,根据比较结果获得所述发电设备的劣化情况。
本发明的有益技术效果在于:针对生产工艺流程中,大量的可控辅机设备运行状况、检修状态及可靠性数据为依据,而非传统的以设备使用时间为依据,通过实时状态监测手段、可靠性评价手段及寿命预测手段,分析设备的运行状态,识别故障的早期征兆,对故障部位及其严重程度、故障发展趋势作出提前预警;同时,采用设备运行状态空间来描述设备现行状态,构建设备运行状态特征空间X(m*n矩阵),解决了用状态特征空间表达时设备运行状态变量难以测定的问题;采用向量空间余弦相似度算法,对发电设备运行状态进行评估,比对计算设备在某种工况下运行n维特征向量与最优运行特征向量之间的相似度,从而对设备运行状态进行监测和故障预测,以便于更加合理安排发电机组辅机检修计划,完成发电机组众多辅机状态检修。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种设备劣化预警方法,其特征在于,所述方法包含:
获取发电设备不同工况下各组成设备的运行数据,根据所述运行数据建立设备状态特征空间;
获取各所述组成设备在发电设备不同工况下的基准运行数据,根据所述基准运行数据建立基准状态特征空间;
通过向量空间余弦相似度方法计算所述设备状态特征空间和所述基准状态特征空间的相似度;
根据所述相似度获得所述发电设备的劣化情况。
2.根据权利要求1所述的设备劣化预警方法,其特征在于,所述运行数据包含组成设备在指定时间的运行测点数据、组成设备出厂寿命评估数据和组成设备历史故障统计数据。
3.根据权利要求1所述的设备劣化预警方法,其特征在于,根据所述基准运行数据建立基准状态特征空间还包含:通过层次分析法设置所述基准运行数据相对于所述发电设备的权重值,根据所述基准运行数据和所述权重值建立基准状态特征空间。
4.根据权利要求1所述的设备劣化预警方法,其特征在于,通过向量空间余弦相似度方法计算所述设备状态特征空间和所述基准状态特征空间的相似度包含:通过以下公式计算获得所述相似度:
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<mi>cos</mi>
<mi>&theta;</mi>
<mo>=</mo>
<mfrac>
<mrow>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</msubsup>
<mrow>
<mo>(</mo>
<msub>
<mi>A</mi>
<mi>i</mi>
</msub>
<mo>&times;</mo>
<msub>
<mi>B</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msqrt>
<mrow>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</msubsup>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>A</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
<mo>&times;</mo>
<msqrt>
<mrow>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</msubsup>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>B</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
</mrow>
</mfrac>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>=</mo>
<mfrac>
<mrow>
<mi>A</mi>
<mo>&CenterDot;</mo>
<mi>B</mi>
</mrow>
<mrow>
<mo>|</mo>
<mi>A</mi>
<mo>|</mo>
<mo>&times;</mo>
<mo>|</mo>
<mi>B</mi>
<mo>|</mo>
</mrow>
</mfrac>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>;</mo>
</mrow>
在上式中,cosθ为所述相似度;A为组成设备的基准状态特征空间;B为组成设备的设备状态特征空间;i为工况数目;Ai为预定工况数目下的基准状态特征空间;Bi为预定工况数目下的设备状态特征空间。
5.根据权利要求1所述的设备劣化预警方法,其特征在于,根据所述相似度获得所述发电设备的劣化情况还包含:将所述相似度与预定阈值比较,根据比较结果获得所述发电设备的劣化情况。
6.根据权利要求1所述的设备劣化预警方法,其特征在于,根据所述相似度获得所述发电设备的劣化情况还包含:记录当前所述相似度,并将当前所述相似度与预定周期后获得的相似度进行比较,根据比较结果获得所述发电设备的劣化情况。
7.一种设备劣化预警系统,其特征在于,所述系统包含数据采集装置、数据处理装置、数据分析装置和数据及结果展示装置;
所述数据采集装置用于采集发电设备不同工况下各组成设备的运行数据和所述组成设备在发电设备不同工况下的基准运行数据;
所述数据处理装置与所述数据采集装置相连,用于根据所述运行数据建立设备状态特征空间,以及根据所述基准运行数据建立基准状态特征空间;
所述数据分析装置与所述数据处理装置相连,用于通过向量空间余弦相似度方法计算所述设备状态特征空间和所述基准状态特征空间的相似度;
所述数据及结果展示装置与所述数据分析装置相连,用于根据所述相似度获得所述发电设备的劣化情况。
8.根据权利要求7所述的设备劣化预警系统,其特征在于,所述数据处理装置还包含权重设置模块,所述权重设置模块用于通过层次分析法设置所述基准运行数据相对于所述发电设备的权重值,根据所述基准运行数据和所述权重值建立基准状态特征空间。
9.根据权利要求7所述的设备劣化预警系统,其特征在于,所述数据分析装置通过以下公式计算获得所述相似度:
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<mi>cos</mi>
<mi>&theta;</mi>
<mo>=</mo>
<mfrac>
<mrow>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</msubsup>
<mrow>
<mo>(</mo>
<msub>
<mi>A</mi>
<mi>i</mi>
</msub>
<mo>&times;</mo>
<msub>
<mi>B</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msqrt>
<mrow>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</msubsup>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>A</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
<mo>&times;</mo>
<msqrt>
<mrow>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</msubsup>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>B</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
</mrow>
</mfrac>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>=</mo>
<mfrac>
<mrow>
<mi>A</mi>
<mo>&CenterDot;</mo>
<mi>B</mi>
</mrow>
<mrow>
<mo>|</mo>
<mi>A</mi>
<mo>|</mo>
<mo>&times;</mo>
<mo>|</mo>
<mi>B</mi>
<mo>|</mo>
</mrow>
</mfrac>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>;</mo>
</mrow>
在上式中,cosθ为所述相似度;A为组成设备的基准状态特征空间;B为组成设备的设备状态特征空间;i为工况数目;Ai为预定工况数目下的基准状态特征空间;Bi为预定工况数目下的设备状态特征空间。
10.根据权利要求7所述的设备劣化预警系统,其特征在于,所述所述数据及结果展示装置包含比较模块,所述比较模块用于将所述相似度与预定阈值比较,根据比较结果获得所述发电设备的劣化情况;或记录当前所述相似度,并将当前所述相似度与预定周期后获得的相似度进行比较,根据比较结果获得所述发电设备的劣化情况。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711281979.4A CN108089078A (zh) | 2017-12-07 | 2017-12-07 | 设备劣化预警方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711281979.4A CN108089078A (zh) | 2017-12-07 | 2017-12-07 | 设备劣化预警方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108089078A true CN108089078A (zh) | 2018-05-29 |
Family
ID=62174200
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711281979.4A Pending CN108089078A (zh) | 2017-12-07 | 2017-12-07 | 设备劣化预警方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108089078A (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109190895A (zh) * | 2018-08-01 | 2019-01-11 | 上海电力学院 | 一种新工科大学生综合素质评估方法 |
CN110245845A (zh) * | 2019-05-28 | 2019-09-17 | 深圳市德塔防爆电动汽车有限公司 | 一种电动车辆的参数偏差分析方法以及电动车辆 |
CN110553818A (zh) * | 2019-08-21 | 2019-12-10 | 广州供电局有限公司 | 电力应急照明装备的状态定量处理方法及处理系统 |
CN110696990A (zh) * | 2019-11-11 | 2020-01-17 | 中国船舶工业系统工程研究院 | 一种基于数据驱动的船舶发电机部件影响识别方法及系统 |
CN110864887A (zh) * | 2019-11-19 | 2020-03-06 | 北京瑞莱智慧科技有限公司 | 机械设备运转状况确定方法、装置、介质和计算设备 |
CN111001275A (zh) * | 2018-10-08 | 2020-04-14 | 上海洁鹿环保科技有限公司 | 废气处理系统数据处理方法、装置、及可存储介质 |
CN111324083A (zh) * | 2020-03-02 | 2020-06-23 | 西南交通大学 | 一种机械设备关键部件实时监测与预警方法及系统 |
CN111504677A (zh) * | 2020-04-24 | 2020-08-07 | 华能四川水电有限公司 | 一种空冷器劣化预警方法 |
CN111814838A (zh) * | 2020-06-17 | 2020-10-23 | 新奥数能科技有限公司 | 系统评分方法、装置、可读介质及电子设备 |
CN112990552A (zh) * | 2021-02-20 | 2021-06-18 | 节点互联(北京)科技有限公司 | 一种基于变化率的设备运行参数短时预测方法及系统 |
CN113552853A (zh) * | 2021-06-28 | 2021-10-26 | 北京国控天成科技有限公司 | 一种化工系统多工况的报警管理方法及装置 |
CN113719446A (zh) * | 2021-08-31 | 2021-11-30 | 华能国际电力股份有限公司上海石洞口第一电厂 | 一种基于数据挖掘的汽动给水泵状态监测系统 |
CN114818127A (zh) * | 2022-04-18 | 2022-07-29 | 中节能工业节能有限公司 | 一种汽轮机劣化程度的量化方法 |
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 |
CN116485212A (zh) * | 2023-06-25 | 2023-07-25 | 天津津轨汇海科技发展有限公司 | 一种轨道交通供电设备用安全操作管理方法及系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103559556A (zh) * | 2013-10-31 | 2014-02-05 | 浙江大学 | 一种在线预测电力系统负荷能力极限的方法 |
CN103901298A (zh) * | 2014-03-13 | 2014-07-02 | 广东电网公司电力科学研究院 | 变电站设备运行状态的检测方法与系统 |
CN105223427A (zh) * | 2014-06-17 | 2016-01-06 | 西门子公司 | 故障电弧的检测方法和检测装置 |
CN105372591A (zh) * | 2015-09-28 | 2016-03-02 | 国家电网公司 | 一种基于暂态过程的水电机组健康状态量化评价方法 |
CN105404961A (zh) * | 2015-10-30 | 2016-03-16 | 中国电力科学研究院 | 一种配电网主设备劣化智能监测方法及系统 |
CN106092190A (zh) * | 2016-06-02 | 2016-11-09 | 国家电网公司 | 抽水蓄能机组运行稳定性状态劣化预警方法及系统 |
CN106647263A (zh) * | 2016-12-01 | 2017-05-10 | 贵州电网有限责任公司电力科学研究院 | 一种利用等劣化理论和设备风险的电力设备检修决策方法 |
CN106777622A (zh) * | 2016-12-06 | 2017-05-31 | 山东瀚岳智能科技股份有限公司 | 基于人工智能的机电设备在线故障诊断的方法及系统 |
CN107326137A (zh) * | 2017-06-27 | 2017-11-07 | 中南大学 | 高炉热风炉烧炉过程操作参数分时段多级匹配寻优方法 |
CN107355342A (zh) * | 2017-06-30 | 2017-11-17 | 北京金风科创风电设备有限公司 | 风力发电机组变桨异常的识别方法及装置 |
-
2017
- 2017-12-07 CN CN201711281979.4A patent/CN108089078A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103559556A (zh) * | 2013-10-31 | 2014-02-05 | 浙江大学 | 一种在线预测电力系统负荷能力极限的方法 |
CN103901298A (zh) * | 2014-03-13 | 2014-07-02 | 广东电网公司电力科学研究院 | 变电站设备运行状态的检测方法与系统 |
CN105223427A (zh) * | 2014-06-17 | 2016-01-06 | 西门子公司 | 故障电弧的检测方法和检测装置 |
CN105372591A (zh) * | 2015-09-28 | 2016-03-02 | 国家电网公司 | 一种基于暂态过程的水电机组健康状态量化评价方法 |
CN105404961A (zh) * | 2015-10-30 | 2016-03-16 | 中国电力科学研究院 | 一种配电网主设备劣化智能监测方法及系统 |
CN106092190A (zh) * | 2016-06-02 | 2016-11-09 | 国家电网公司 | 抽水蓄能机组运行稳定性状态劣化预警方法及系统 |
CN106647263A (zh) * | 2016-12-01 | 2017-05-10 | 贵州电网有限责任公司电力科学研究院 | 一种利用等劣化理论和设备风险的电力设备检修决策方法 |
CN106777622A (zh) * | 2016-12-06 | 2017-05-31 | 山东瀚岳智能科技股份有限公司 | 基于人工智能的机电设备在线故障诊断的方法及系统 |
CN107326137A (zh) * | 2017-06-27 | 2017-11-07 | 中南大学 | 高炉热风炉烧炉过程操作参数分时段多级匹配寻优方法 |
CN107355342A (zh) * | 2017-06-30 | 2017-11-17 | 北京金风科创风电设备有限公司 | 风力发电机组变桨异常的识别方法及装置 |
Non-Patent Citations (2)
Title |
---|
左洪福 等: "《维修决策理论与方法》", 31 August 2008, 航空工业出版社 * |
石月春 等: "《水轮发电机组状态监测技术研究与实践》", 31 January 2017 * |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109190895A (zh) * | 2018-08-01 | 2019-01-11 | 上海电力学院 | 一种新工科大学生综合素质评估方法 |
CN111001275B (zh) * | 2018-10-08 | 2021-12-07 | 上海洁鹿环保科技有限公司 | 废气处理系统数据处理方法、装置、及可存储介质 |
CN111001275A (zh) * | 2018-10-08 | 2020-04-14 | 上海洁鹿环保科技有限公司 | 废气处理系统数据处理方法、装置、及可存储介质 |
CN110245845A (zh) * | 2019-05-28 | 2019-09-17 | 深圳市德塔防爆电动汽车有限公司 | 一种电动车辆的参数偏差分析方法以及电动车辆 |
CN110553818A (zh) * | 2019-08-21 | 2019-12-10 | 广州供电局有限公司 | 电力应急照明装备的状态定量处理方法及处理系统 |
CN110696990A (zh) * | 2019-11-11 | 2020-01-17 | 中国船舶工业系统工程研究院 | 一种基于数据驱动的船舶发电机部件影响识别方法及系统 |
CN110864887A (zh) * | 2019-11-19 | 2020-03-06 | 北京瑞莱智慧科技有限公司 | 机械设备运转状况确定方法、装置、介质和计算设备 |
CN111324083A (zh) * | 2020-03-02 | 2020-06-23 | 西南交通大学 | 一种机械设备关键部件实时监测与预警方法及系统 |
CN111504677A (zh) * | 2020-04-24 | 2020-08-07 | 华能四川水电有限公司 | 一种空冷器劣化预警方法 |
CN111814838A (zh) * | 2020-06-17 | 2020-10-23 | 新奥数能科技有限公司 | 系统评分方法、装置、可读介质及电子设备 |
CN111814838B (zh) * | 2020-06-17 | 2024-05-17 | 新奥数能科技有限公司 | 系统评分方法、装置、可读介质及电子设备 |
CN112990552A (zh) * | 2021-02-20 | 2021-06-18 | 节点互联(北京)科技有限公司 | 一种基于变化率的设备运行参数短时预测方法及系统 |
CN113552853A (zh) * | 2021-06-28 | 2021-10-26 | 北京国控天成科技有限公司 | 一种化工系统多工况的报警管理方法及装置 |
CN113719446A (zh) * | 2021-08-31 | 2021-11-30 | 华能国际电力股份有限公司上海石洞口第一电厂 | 一种基于数据挖掘的汽动给水泵状态监测系统 |
CN114818127A (zh) * | 2022-04-18 | 2022-07-29 | 中节能工业节能有限公司 | 一种汽轮机劣化程度的量化方法 |
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 |
CN116485212A (zh) * | 2023-06-25 | 2023-07-25 | 天津津轨汇海科技发展有限公司 | 一种轨道交通供电设备用安全操作管理方法及系统 |
CN116485212B (zh) * | 2023-06-25 | 2023-09-12 | 天津津轨汇海科技发展有限公司 | 一种轨道交通供电设备用安全操作管理方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108089078A (zh) | 设备劣化预警方法及系统 | |
CN104268678B (zh) | 一种以动态可靠性为基础的石化设备预防性维修方法 | |
Ma et al. | Applications of fault detection and diagnosis methods in nuclear power plants: A review | |
Wang | Towards zero-defect manufacturing (ZDM)—a data mining approach | |
KR102073912B1 (ko) | 고부하 가스 터빈들에 대한 진단 규칙들을 위한 방법 및 시스템 | |
KR102633236B1 (ko) | 시뮬레이션 방법 및 시스템 | |
CN106404403B (zh) | 用于涡轮机的分析的方法和系统 | |
CN105809255A (zh) | 一种基于物联网的火电厂旋转机械健康管理方法及系统 | |
CN102758655B (zh) | 用于保护旋转机械的方法 | |
Butler et al. | Exploiting SCADA system data for wind turbine performance monitoring | |
JP2019113883A (ja) | 稼働補助装置及び風力発電システム | |
Al‐Najjar | On establishing cost‐effective condition‐based maintenance: Exemplified for vibration‐based maintenance in case companies | |
Barbieri et al. | Sensor-based degradation prediction and prognostics for remaining useful life estimation: Validation on experimental data of electric motors | |
Bakhat et al. | Risk assessment of a wind turbine using an AHP-MABAC approach with grey system theory: a case study of Morocco | |
Suleimenov et al. | Synthesis of the equipment health management system of the turbine units' of thermal power stations | |
US11101050B2 (en) | Systems and methods to evaluate and reduce outages in power plants | |
May et al. | Condition based maintenance for offshore wind turbines: the effects of false alarms from condition monitoring systems | |
KR101896442B1 (ko) | Ict 융합형 풍력 발전 단지 모니터링 시스템, 서버 및 방법 | |
Wang et al. | Prognosis-informed wind farm operation and maintenance for concurrent economic and environmental benefits | |
Beduschi et al. | Optimizing rotating equipment maintenance through machine learning algorithm | |
Lybeck et al. | Lifecycle prognostics architecture for selected high-cost active components | |
Shi et al. | Design of health management and intelligent operation and maintenance system for nuclear power plant | |
Yasin et al. | Reducing unplanned downtime using Predictive Maintenance (PdM) | |
Aldubaisi | Equivalent Age-based Opportunistic Maintenance for Wind Farms | |
Singh et al. | An Overview of Reliability, Availability, Maintainability, and Safety Strategies for Complex Systems in Various Process Industries |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180529 |