CN108681633B - 一种基于状态参数的凝结水泵故障预警方法 - Google Patents

一种基于状态参数的凝结水泵故障预警方法 Download PDF

Info

Publication number
CN108681633B
CN108681633B CN201810449775.5A CN201810449775A CN108681633B CN 108681633 B CN108681633 B CN 108681633B CN 201810449775 A CN201810449775 A CN 201810449775A CN 108681633 B CN108681633 B CN 108681633B
Authority
CN
China
Prior art keywords
condensate pump
regression
early warning
state
state parameters
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
Application number
CN201810449775.5A
Other languages
English (en)
Other versions
CN108681633A (zh
Inventor
茅大钧
黄一枫
黄佳林
付轩熠
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai University of Electric Power
Original Assignee
Shanghai University of Electric Power
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai University of Electric Power filed Critical Shanghai University of Electric Power
Priority to CN201810449775.5A priority Critical patent/CN108681633B/zh
Publication of CN108681633A publication Critical patent/CN108681633A/zh
Application granted granted Critical
Publication of CN108681633B publication Critical patent/CN108681633B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00Computer-aided design [CAD]
    • G06F30/20Design optimisation, verification or simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明涉及一种基于状态参数的凝结水泵故障预警方法,该方法首先在SCADA系统的运行数据中表征凝结水泵系统的状态参数中选出训练数据和测试数据,其次利用基于LS‑SVR的凝结水泵多元状态回归模型对凝结水泵系统状态参数进行拟合,获取凝结水泵系统各个状态参数的回归值,将所得的回归值与实际值进行比较得到偏差,最后通过设置基于置信区间的偏差动态阈值进行状态参数的早期故障预警。与现有技术相比,本发明具有实现早期故障识别、提高检修效率、实用性高等优点。

Description

一种基于状态参数的凝结水泵故障预警方法
技术领域
本发明涉及凝结水泵安全评估技术领域,尤其是涉及一种基于状态参数的凝结水泵故障预警方法。
背景技术
在电厂水泵运行中,凝结水泵是比较常见的水泵类型。在汽轮机内做完功的蒸汽,通过排气管道进入凝汽器,经冷却水冷却后,成为凝结水而集中在热水井里。由于汽水系统是一个理想的平衡过程,所以凝结水泵要持续运转,把凝结水再输送到锅炉加热器进行一系列的加热。由此可见,凝结水泵正常工作中出现故障,将会导致凝汽器热井水位升高,淹没凝汽器铜管,而使得蒸汽不能凝结,真空急剧降低,进而引发一系列的事故直至机组停止运行。
目前大部分电厂用于水泵故障排除的方法主要是听诊法、触测法和观察法。但是,上述三种方法都为人工操作,对技术人员的经验要求较高,无法实现自动预警,识别故障的效率较低。在电厂DCS(Distributed Control System,分散控制系统)中,现有的自动故障预警技术的状态参数的报警上下限都是固定的,一旦设备参数超过报警线,则凝结水泵系统几乎已经出现故障,需要停机检修;然而事实上大多数故障都不是突然发生的,都有一个缓慢发展的过程。现有技术往往都是选取固定数值进行设定,例如按照残差序列的均值或在均值的基础上乘以一个系数的残差阈值进行设定,如果数值设的较小,则容易造成误报警,而数值设的较大则无法起到报警作用,该方法不够明确,且没有实际的应用效果。此外,在凝结水泵的检修方面,大部分电厂大多采用计划检修、事后检修等检修方式,检修效率低,且无法保证凝结水泵运行的安全可靠性及利用率。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于状态参数的凝结水泵故障预警方法。
本发明的目的可以通过以下技术方案来实现:
一种基于状态参数的凝结水泵故障预警方法,包括以下步骤:
(一)采集SCADA系统中的运行数据,获取表征凝结水泵系统状态参数的训练数据和测试数据;
(二)结合LS-SVR与多元回归,建立基于LS-SVR的凝结水泵多元状态回归模型;
(三)利用基于LS-SVR的凝结水泵多元状态回归模型对凝结水泵的状态参数进行拟合,获取凝结水泵系统各个状态参数的回归值;
(四)求取回归值与实际值的残差,并设置随残差变化的动态阈值,建立状态参数的动态预警带;
(五)动态预警带对凝结水泵状态的初步预警进行判断,若判断为异常状态,则发送预警信号至运行端,完成状态参数的初级异常预警,否则,进行下一轮检测;
(六)运行端对预警信号进行审核,若审核通过,则生成状态检修单,发布检修命令至运维端,若审核未通过,则持续跟踪检查。
基于LS-SVR的凝结水泵多元状态回归模型为六层网络结构,包括数据层、映射层、特征层、模型层、反馈层和输出层,数据层为历史数据,映射层对历史数据进行数据分析,对归一化处理的数据进行故障检测和修正处理,在特征层中完成故障数据特征分析,建立基于LS-SVR的凝结水泵多元状态回归模型,通过反馈层对模型参数的选取和调整得出输出结果。其中,模型层包括选取LS-SVR高斯核函数的尺度参数及选取回归函数中的惩罚因子和不敏感损失参数。
(1)高斯核的尺度参数采用交叉验证进行选取,具体步骤包括:
1)随机将训练数据分为N份;
2)随机选取一份训练数据作为测试集,将剩余N-1份数据作为训练集;
3)对参数选取不同的值进行训练和测试,将最接近实际值的回归结果所对应的参数值保存,作为最优的尺度参数。
(2)选取回归函数中的惩罚因子的内容为:
回归函数f(x)的表达式为:
Figure BDA0001658150280000031
式中,K(xi,x)为支持向量机的高斯核函数,C为惩罚因子,λi为拉格朗日算子,l为训练数据的样本数;
高斯核函数的表达式为:
Figure BDA0001658150280000032
式中,β为高斯核函数的尺度参数,x为核函数中心点,xi为某一样本点。
由于高斯核函数的范围为:
K(xi,x)≤1
则惩罚因子C选择为:
Figure BDA0001658150280000033
优选地,惩罚因子选取为C=10max(|f(x)|)。
(3)不敏感损失参数的获取过程包括:
1)根据获取的高斯核函数的尺度参数和惩罚因子,初步选取不敏感损失参数为ε0,对训练集进行训练,获取估计函数;
2)采用二次训练的方法,根据估计函数和训练数据计算回归误差的标准差γ;
3)根据回归误差的标准差计算不敏感损失参数:
ε=γ*υ
式中,υ为比例系数,其值选取1.65或1.95。
在步骤(四)中,采用标准误差估计S来衡量回归值与实际值之间的差异,在步骤(三)中,采用决定系数R2来衡量基于LS-SVR的凝结水泵多元状态回归模型获取的回归线预测变量和回应变量之间的拟合程度,二者的表达式分别为:
Figure BDA0001658150280000034
Figure BDA0001658150280000035
式中,y为回应变量的实际值,
Figure BDA0001658150280000036
为回应变量的估计值,
Figure BDA0001658150280000037
为回应变量实际值的均值,m为预测变量的个数,p为测试数据的样本数。
步骤(四)中,动态阈值的获取过程为:
设置滑动窗口对动态阈值进行计算,并利用置信区间的残差平方根作为该滑动窗口的残差估计函数,动态阈值J的表达式为:
J=μ±1.96σ2
式中,μ为滑动窗口残差序列的均值,σ为滑动窗口残差序列的方差。
步骤(五)中,采用滑动窗口残差序列的残差均方根rRMS对凝结水泵状态的初步预警进行判断,当rRMS<J时,参数正常,当rRMS>J时,参数异常,残差均方根rRMS的计算公式为:
Figure BDA0001658150280000041
式中,n为滑动窗口的残差数量,ri为残差序列中的某个残差。
与现有技术相比,本发明具有以下优点:
(1)本发明将多元回归模型和LS-SVR方法相结合,建立了凝结水泵的多元状态回归模型,通过建立状态参数的动态预警带,实现对凝结水泵状态参数的早期异常识别,从而避免故障的进一步恶化,做到故障的早期预警,填补了现有技术在这一方面的空白;
(2)本发明建立了凝结水泵的多元状态回归模型以及状态参数的动态预警带,可实现早期故障的确定性推理,大大提高了检修效率,减少事后检修,使检修做到有理有据,还提高了凝结水泵的运行安全可靠性和利用率;
(3)本发明基于数据驱动的凝结水泵状态参数回归模型,将模型得到的参数回归值和实际值对比以获取残差,通过设置随残差变化的动态阈值,建立状态参数的动态预警带,从而判断状态参数的早期异常,相比于传统的按照残差序列的均值或在均值的基础上乘以一个系数的残差阈值选取方法更加明确,有利于实际的应用。
附图说明
图1为一种基于状态参数的凝结水泵故障预警方法的状态参数异常识别流程图;
图2为基于LS-SVR的凝结水泵多元状态回归模型物理层次示意图;
图3为动态预警带示意图;
图4为动态阈值检测图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。
实施例
凝结水泵状态参数异常辨识的主要步骤为:首先将凝结水泵及其部件的工作状态分为正常运行状态和异常状态;其次利用正常运行状态下的数据样本对运行参数建模,所建立的模型称为参数的正常行为模型(简称参数模型);然后用参数模型对状态参数进行预测,获得参数预测值与实际值的残差,当状态参数发生异常时,参数模型的预测值将偏离实际值,异常越严重,出现偏离的情况越多;最后,通过对残差进行数据分析,判定凝结水泵的状态参数是否异常。
按照检测对象凝结水泵的状态参数可以分为,设备状态参数,机组公共参数,和环境参数三类。如表1所示,设备状态参数包含了凝结水流量,凝结水温度,凝泵入口压力,凝泵出口压力,凝泵电机电流,凝泵变频转速,凝泵入口滤网差压,凝泵再循环水流量。机组公共参数是指机组负荷,环境参数是指环境温度。
表1凝结水泵状态参数
Figure BDA0001658150280000051
本发明涉及一种基于状态参数的凝结水泵故障预警方法,如图1所示,该方法包括以下步骤:
S1:采集SCADA系统中的运行数据,获取表征凝结水泵系统状态参数的训练数据和测试数据;
S2:结合LS-SVR与多元回归,建立基于LS-SVR的凝结水泵多元状态回归模型;
S3:利用基于LS-SVR的凝结水泵多元状态回归模型对凝结水泵的状态参数进行拟合,获取凝结水泵系统各个状态参数的回归值;
S4:求取回归值与实际值的残差,并设置随残差变化的动态阈值,建立状态参数的动态预警带;
S5:动态预警带对凝结水泵状态的初步预警进行判断,若判断为异常状态,则发送预警信号至运行端,完成状态参数的初级异常预警,否则,进行下一轮检测;
S6:运行端对预警信号进行审核,若审核通过,则生成状态检修单,发布检修命令至运维端,若审核未通过,则持续跟踪检查。
本发明通过建立基于LS-SVR的凝结水泵多元状态回归模型,对凝结水泵的状态参数进行异常识别,并进行预警运维。如图2所示,基于LS-SVR的凝结水泵多元状态回归模型为六层网络结构,包括数据层、映射层、特征层、模型层、反馈层和输出层,数据层为历史数据,映射层对历史数据进行数据分析,对归一化处理的数据进行故障检测和修正处理,在特征层中完成故障数据特征分析,建立基于LS-SVR的凝结水泵多元状态回归模型,通过反馈层对模型参数的选取和调整得出输出结果。
其中,模型层包括选取LS-SVR高斯核函数的尺度参数及选取回归函数中的惩罚因子和不敏感损失参数。
支持向量机是统计学习理论的一种学习方法。LS-SVM是标准支持向量机的一种扩展,LS-SVM的回归算法是LS-SVM在回归学习中的应用。在采用LS-SVM回归函数对凝结水泵状态参数进行建模时,需要考虑样本数据、输入参数、支持向量机的核函数、惩罚因子和高斯核函数的尺度参数。
A、模型的样本数据
将凝结水泵在1年内的运行数据进行数据处理,主要包括数据异常检测和数据归一化处理。数据异常检测是将收集到的历史数据进行异常检测,去除异常点。异常值有可能是有外界干扰、传感器故障等原因造成的。如果不将异常值去除的话,可能会影响模型的精度。数据归一化处理是由于各个传感器采集的数据量纲不同,所以在数据建模分析前,需要将数据进行归一化处理。
B、模型的输入参数
假设以凝结水泵凝结水流量作为目标参数,采用相关性分析等模型输入参数选择方法确定LS-SVM模型的输入参数。
C、模型的核函数
支持向量机的核函数通常为多项式核函数、高斯核函数和Sigmoid核函数。本发明采用高斯核函数构建基于LS-SVM的状态参数模型,高斯核函数的表达式为:
Figure BDA0001658150280000071
式中,β为高斯核函数的尺度参数,x为核函数中心点,xi为某一样本点。
D、惩罚因子C和高斯核函数的尺度参数β
惩罚因子C确定特征空间中调节LS-SVM模型的置信范围和经验风险的比例以提高模型的泛化能力。高斯核函数的尺度参数β主要影响样本数据在高维特征空间中分布的复杂程度。两个参数对模型的精度具有较大的影响,在模型训练时,通过反复比较模型输出的精度,对C和β进行调整,多次训练模型,选择模型精度较好的C和β值。
在LS-SVR模型中,核函数的作用是将样本映射到一个高维特征空间,在特征空间中构造回归函数。由高斯核函数的表达式可知:当高斯核函数的尺度参数β较小时,样本在特征空间中的距离都很接近,造成回归曲线在小范围内出现过拟合的情况,这样得到的回归机对原始样本的经验风度很小,但是几乎没有范化能力;当高斯核尺度参数过大的话,高斯特征上的权重衰减的较快,此时相当于映射到了一个低维子空间,虽然范化能力很强但是回归函数过于平滑,几乎没有任何用处。在确定高斯核的尺度参数时,可以通过交叉验证来选取参数,具体方法如下:
(1)随机将训练数据分为N份;
(2)随机取一份当作测试数据,剩余N-1份数据当作训练数据;
(3)将参数取不同的值来训练和测试,将最好的测试结果对应的参数值保存,作为最优参数。
在回归模型中,惩罚因子C对支持向量回归机性能影响较小,因此只需要保证训练结果得到回归函数能达到训练样本的最大值即可。根据回归函数的表达式:
Figure BDA0001658150280000072
式中,K(xi,x)为支持向量机的高斯核函数,C为惩罚因子,λi为拉格朗日算子,l为训练数据的样本数。
而由于高斯核函数的范围有:
K(xi,x)≤1
所以可得:
Figure BDA0001658150280000081
为了使支持向量回归函数有更大的适应能力,通常取:
C=10max(|f(x)|)
不敏感损失参数主要影响回归函数的拟合精度和支持向量的比例,也就间接协调了回归函数的经验风险和泛化能力。当不敏感损失参数与训练集输出的噪声方差有一定的比例关系时,LS-SVR训练得到的回归函数性能最佳,所以可以采用二次训练的方法,先估计训练集输出的回归误差的标准差,在根据比例关系得到LS-SVR的不敏感损失参数,具体过程如下:
(1)由之前得到的高斯核参数和惩罚因子,取不敏感损失参数为ε0,对训练集进行训练,得到估计函数;
(2)根据估计函数与训练数据计算回归误差的标准差γ;
(3)根据之前计算等到的标准差,计算不敏感损失参数
ε=γ*υ
通常取比例系数υ为1.65或者1.95,分别对应表示有90%或95%的样本点在±ε的区域内。
关于模型的评价,本发明采用决定系数R2来衡量回归线预测变量和回应变量之间的拟合程度,其取值为(0,1)之间,越接近1则拟合程度越高;标准误差估计S来衡量回归值与实际值之间的差异,能反映出回归模型的精度,其取值越小则精度越高。二者的计算公式如下:
Figure BDA0001658150280000082
Figure BDA0001658150280000083
式中,y为回应变量的实际值,
Figure BDA0001658150280000084
为回应变量的估计值,
Figure BDA0001658150280000085
为回应变量实际值的均值,m为预测变量的个数,p为测试数据的样本数。
异常检测是在样本数据集中找出与其他样本行为或形式不相同的样本。利用之前建立的参数正常状态下的回归模型,计算参数预测值与实际值的残差,当状态参数异常时,预测值将偏离实际值,与正常状态相比,残差表现出幅值大且变化剧烈的特点,表征残差的这种状态将有助于异常状态的分析。
在预警模型建立好的基础上,采用凝结水泵异常的运行数据对参数异常辨识方法进行验证和对比研究。通过基于LS-SVR的凝结水泵状态参数回归模型,可以得到凝结水泵系统各个状态参数的回归值,这些回归值和实际值的差值一般被称为残差。对残差进行分析,设置随残差变化的动态阈值,建立状态参数的动态预警带,当实际值与估计值之间的偏移量超过动态阈值,则说明状态参数异常,应进行预警,就可以发现状态参数的早期异常,从而避免故障的进一步恶化,实现故障的早期预警,如图3所示。动态阈值是实际值与估计值之间的允许偏移量,阈值的大小决定了动态预警带的宽度。动态预警带的宽度即包括阈值与实际值之前的正偏差及负偏差。
假设某个状态参数异常发生在tF时刻,对于恒定阈值,将会在tFA产生误报警,而发生在tF的异常无法被检测到;相反,若采用随残差变化的动态阈值,不但可以避免误报警,而且能够检测到tF时刻发生的异常,如图4所示。
在阈值分析中,一般会选取一个滑动窗口内的N个残差进行残差分析。传统的残差阈值一般取这个残差序列的均值或者在均值的基础上乘以一个系数k。虽然这样简化了阈值的计算,但是k的取值现在还没有一个明确的方法,往往都是靠经验选取,在实际应用中取得的效果并不理想。本发明将统计学中的置信区间的概念引入到滑动窗口阈值的计算中,假设某一个滑动窗口内有n个连续的残差,其序列为:
r(n)=[r1,r2,…,rn]
一般认为残差服从均值和方差未知的正太分布,则序列的均值和方差的计算方法为:
Figure BDA0001658150280000091
Figure BDA0001658150280000092
那么,置信度为1-α的均值置信区间为:
Figure BDA0001658150280000101
式中:α为置信水平;z为α对应的相关系数。
在实际工程应用中,置信度1-α通常取95%,经查表可得z的值为1.96,那么动态阈值J为:
J=μ±1.96σ2
为了减少凝结水泵系统中的干扰和随机因素,引入残差的均方根(RMS)作为该滑动窗口的残差估计函数,其计算方法为:
Figure BDA0001658150280000102
由此可以得到凝结水泵系统状态参数异常识别方法为,当rRMS<J时,参数正常;当rRMS>J时,参数异常。
状态参数异常识别是对凝结水泵状态的初步预警,一旦状态参数出现异常后,就能够发出预警信号,灵敏度较高;当特征参数预警模块发出预警信号后,就会触发运行状态潜在故障判定,得到的判定结果会立即反馈给运行端,运行端根据这些异常、判定信息发送至运维端进行审核,若审核通过则产生状态检修单并执行后续相关工作,若审核不通过则进行持续跟踪观察,以确保每一条报警信息都得到重视。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的工作人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。

Claims (8)

1.一种基于状态参数的凝结水泵故障预警方法,其特征在于,该方法包括以下步骤:
1)采集SCADA系统中的运行数据,获取表征凝结水泵系统状态参数的训练数据和测试数据;
2)结合LS-SVR与多元回归,建立基于LS-SVR的凝结水泵多元状态回归模型;基于LS-SVR的凝结水泵多元状态回归模型为六层网络结构,包括数据层、映射层、特征层、模型层、反馈层和输出层,其中,模型层包括选取LS-SVR高斯核函数的尺度参数及选取回归函数中的惩罚因子和不敏感损失参数;
3)利用基于LS-SVR的凝结水泵多元状态回归模型对凝结水泵系统状态参数进行拟合,获取凝结水泵系统各个状态参数的回归值;
4)求取回归值与实际值的残差,并设置随残差变化的动态阈值,建立状态参数的动态预警带;动态阈值的获取过程为:
设置滑动窗口对动态阈值进行计算,并利用置信区间的残差平方根作为该滑动窗口的残差估计函数,动态阈值J的表达式为:
J=μ±1.96σ2
式中,μ为滑动窗口残差序列的均值,σ为滑动窗口残差序列的方差;
5)动态预警带对凝结水泵状态的初步预警进行判断,若判断为异常状态,则发送预警信号至运行端,完成状态参数的初级异常预警,否则,进行下一轮检测;
6)运行端对预警信号进行审核,若审核通过,则生成状态检修单,发布检修命令至运维端,若审核未通过,则持续跟踪检查。
2.根据权利要求1所述的一种基于状态参数的凝结水泵故障预警方法,其特征在于,采用交叉验证选取高斯核的尺度参数,具体步骤包括:
1)随机将训练数据分为N份;
2)随机选取一份训练数据作为测试集,将剩余N-1份数据作为训练集;
3)对参数选取不同的值进行训练和测试,将最接近实际值的回归结果所对应的参数值保存,作为最优的尺度参数。
3.根据权利要求2所述的一种基于状态参数的凝结水泵故障预警方法,其特征在于,选取回归函数中的惩罚因子的内容为:
回归函数f(x)的表达式为:
Figure FDA0003384697170000021
式中,K(xi,x)为支持向量机的高斯核函数,C为惩罚因子,λi为拉格朗日算子,l为训练数据的样本数;
由于高斯核函数的表达式为:
Figure FDA0003384697170000022
式中,β为高斯核函数的尺度参数,xi为某一样本点,x为核函数中心点;
则惩罚因子C选择为:
Figure FDA0003384697170000023
4.根据权利要求3所述的一种基于状态参数的凝结水泵故障预警方法,其特征在于,不敏感损失参数的获取过程包括:
1)根据获取的高斯核函数的尺度参数和惩罚因子,初步选取不敏感损失参数为ε0,对训练集进行训练,获取估计函数;
2)采用二次训练的方法,根据估计函数和训练数据计算回归误差的标准差γ;
3)根据回归误差的标准差计算不敏感损失参数:
ε=γ*υ
式中,υ为比例系数,其值选取1.65或1.95。
5.根据权利要求3所述的一种基于状态参数的凝结水泵故障预警方法,其特征在于,惩罚因子C选取为C=10max(|f(x)|)。
6.根据权利要求1所述的一种基于状态参数的凝结水泵故障预警方法,其特征在于,步骤5)中,采用滑动窗口残差序列的残差均方根rRMS对凝结水泵状态的初步预警进行判断,当rRMS<J时,参数正常,当rRMS>J时,参数异常,残差均方根rRMS的计算公式为:
Figure FDA0003384697170000024
式中,n为滑动窗口的残差数量,ri为残差序列中的某个残差。
7.根据权利要求1所述的一种基于状态参数的凝结水泵故障预警方法,其特征在于,采用标准误差估计S来衡量回归值与实际值之间的差异,其表达式为:
Figure FDA0003384697170000031
式中,y为回应变量的实际值,
Figure FDA0003384697170000032
为回应变量的估计值,m为预测变量的个数,p为测试数据的样本数。
8.根据权利要求7所述的一种基于状态参数的凝结水泵故障预警方法,其特征在于,采用决定系数R2来衡量模型获取的回归线预测变量和回应变量之间的拟合程度,其表达式为:
Figure FDA0003384697170000033
式中,
Figure FDA0003384697170000034
为回应变量实际值的均值。
CN201810449775.5A 2018-05-11 2018-05-11 一种基于状态参数的凝结水泵故障预警方法 Active CN108681633B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810449775.5A CN108681633B (zh) 2018-05-11 2018-05-11 一种基于状态参数的凝结水泵故障预警方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810449775.5A CN108681633B (zh) 2018-05-11 2018-05-11 一种基于状态参数的凝结水泵故障预警方法

Publications (2)

Publication Number Publication Date
CN108681633A CN108681633A (zh) 2018-10-19
CN108681633B true CN108681633B (zh) 2022-03-29

Family

ID=63806236

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810449775.5A Active CN108681633B (zh) 2018-05-11 2018-05-11 一种基于状态参数的凝结水泵故障预警方法

Country Status (1)

Country Link
CN (1) CN108681633B (zh)

Families Citing this family (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109214595A (zh) * 2018-10-23 2019-01-15 中核核电运行管理有限公司 基于大数据分析的核电厂主泵三级密封故障预测方法
CN109737045A (zh) * 2019-01-11 2019-05-10 南方电网科学研究院有限责任公司 应用于芯片生产的空压机故障预警方法、系统及相关装置
CN116956174B (zh) * 2019-05-13 2024-06-18 北京绪水互联科技有限公司 用于进行冷头状态分类检测和寿命预测的分类模型和预测模型的生成方法
CN110298455B (zh) * 2019-06-28 2023-06-02 西安因联信息科技有限公司 一种基于多变量估计预测的机械设备故障智能预警方法
CN110925184B (zh) * 2019-12-17 2021-06-22 杭州青泓科技有限公司 监测水泵老化的方法
CN113465935B (zh) * 2020-03-31 2023-09-05 比亚迪股份有限公司 车辆冷却回路检测方法、装置、计算机设备及存储介质
CN111720296B (zh) * 2020-06-11 2022-03-08 浙江浙能技术研究院有限公司 一种基于自编码器的汽动给水泵设备异常状态预警方法
CN112068065B (zh) * 2020-10-12 2022-06-21 武汉格蓝若智能技术有限公司 一种电压互感器状态预警方法、装置及存储介质
CN112633329B (zh) * 2020-12-05 2023-01-31 歌尔科技有限公司 一种智能设备力学特性缺陷检测的方法
CN112628132B (zh) * 2020-12-24 2022-04-26 上海大学 一种基于机器学习的水泵关键指标预测方法
CN112884051B (zh) * 2021-02-26 2022-11-29 哈尔滨工业大学 数据驱动的轻量级无人机多部件在线复杂故障诊断方法
CN113091809B (zh) * 2021-03-26 2022-09-30 中国船舶重工集团公司第七一三研究所 一种自动识别设备状态的检测系统
CN113588005A (zh) * 2021-08-25 2021-11-02 华润电力技术研究院有限公司 一种闭式水系统状态监测方法及其系统
CN114357667B (zh) * 2022-03-18 2022-07-15 成都飞机工业(集团)有限责任公司 一种基于resid递归结构识别的发动机起动状态故障检测方法
CN115099482B (zh) * 2022-06-21 2024-10-15 杭州水务数智科技股份有限公司 一种地下管道及管廊多元状态检测方法
CN118536409B (zh) * 2024-07-26 2024-10-18 西安热工研究院有限公司 基于修正预测的发电机转子绕组闸间短路预测方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104156615A (zh) * 2014-08-25 2014-11-19 哈尔滨工业大学 基于ls-svm的传感器检测数据点异常检测方法
CN105976578A (zh) * 2016-07-21 2016-09-28 西安理工大学 一种基于监测数据的高速列车轴温动态报警阈值设定方法
CN106096646A (zh) * 2016-06-07 2016-11-09 衢州学院 一种支持向量回归机模型选择方法
CN106127359A (zh) * 2016-08-30 2016-11-16 北京协同创新智能电网技术有限公司 一种基于局部加权线性回归模型的变频水泵出口流量预警方法
CN107657287A (zh) * 2017-10-26 2018-02-02 贵州电网有限责任公司电力科学研究院 一种变压器油酸值多频超声波测试回归预测方法
CN107701468A (zh) * 2017-09-27 2018-02-16 郑州大学 一种混流泵在线综合监测方法及装置

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020183971A1 (en) * 2001-04-10 2002-12-05 Wegerich Stephan W. Diagnostic systems and methods for predictive condition monitoring
US7096074B2 (en) * 2002-05-30 2006-08-22 Insyst Ltd. Methods and apparatus for early fault detection and alert generation in a process

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104156615A (zh) * 2014-08-25 2014-11-19 哈尔滨工业大学 基于ls-svm的传感器检测数据点异常检测方法
CN106096646A (zh) * 2016-06-07 2016-11-09 衢州学院 一种支持向量回归机模型选择方法
CN105976578A (zh) * 2016-07-21 2016-09-28 西安理工大学 一种基于监测数据的高速列车轴温动态报警阈值设定方法
CN106127359A (zh) * 2016-08-30 2016-11-16 北京协同创新智能电网技术有限公司 一种基于局部加权线性回归模型的变频水泵出口流量预警方法
CN107701468A (zh) * 2017-09-27 2018-02-16 郑州大学 一种混流泵在线综合监测方法及装置
CN107657287A (zh) * 2017-10-26 2018-02-02 贵州电网有限责任公司电力科学研究院 一种变压器油酸值多频超声波测试回归预测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Research on fault diagnosis of airborne fuel pump based on EMD and probabilistic neural networks;Xiaoxuan Jiao 等;《Microelectronics Reliability》;20170318;第75卷;296-308 *
基于多元变量组合的回归支持向量机集成模型及其应用;崔东文;《水利水运工程学报》;20140430;66-73 *
基于时变自回归模型与支持向量机的旋转机械故障诊断方法;张龙 等;《中国电机工程学报》;20070331;第27卷(第9期);99-103 *

Also Published As

Publication number Publication date
CN108681633A (zh) 2018-10-19

Similar Documents

Publication Publication Date Title
CN108681633B (zh) 一种基于状态参数的凝结水泵故障预警方法
US7941701B2 (en) Fuzzy classification approach to fault pattern matching
CN112629585A (zh) 基于多维参数估计的设备在线监测方法及装置
CA2344908C (en) Model based fault detection and diagnosis methodology for hvac subsystems
CN107992665B (zh) 一种特高压换流站交流滤波器在线故障诊断分析方法
CN110378042B (zh) 基于scada数据的风电机组齿轮箱油温异常检测方法及系统
CN110083593B (zh) 电站运行参数清洗及修复方法、修复系统
Zhang et al. A fault early warning method for auxiliary equipment based on multivariate state estimation technique and sliding window similarity
US11200790B2 (en) Method for pre-detecting abnormality sign of nuclear power plant device including processor for determining device importance and warning validity, and system therefor
CN111797365B (zh) 一种换流变压器温度异常判断方法及系统
WO2016208315A1 (ja) プラント診断装置及びプラント診断方法
EP3866132B1 (en) Power plant early warning device and method employing multiple prediction model
KR20180024333A (ko) 기기 이상징후 사전감지 방법 및 시스템
CN116292367B (zh) 基于一维卷积的电厂风机系统异常工况检测方法
CN114997309A (zh) 给水泵故障预警方法及装置
You et al. Signal anomaly identification strategy based on Bayesian inference for nuclear power machinery
CN116204825A (zh) 一种基于数据驱动的生产线设备故障检测方法
CN116542121A (zh) 一种基于机器学习与神经网络的水轮机轴瓦温度预测方法
CN113359665B (zh) 一种基于加权关键主元的工业过程故障检测方法及系统
KR102110319B1 (ko) 학습 데이터 생성 시스템
KR20180024331A (ko) 조기경보시스템에서 외부 영향을 고려한 최신 데이터 학습 방법 및 그 시스템
CN111913463B (zh) 一种核电厂化学容积控制系统状态监测方法
Yang et al. Monitoring and uncertainty analysis of feedwater flow rate using data-based modeling methods
CN117992726B (zh) 一种面向旋转机械的多级预警方法、装置、设备及介质
CN104048287A (zh) 一种基于rbf网络的锅炉汽包水位报警方法

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
GR01 Patent grant
GR01 Patent grant