CN109214595A - 基于大数据分析的核电厂主泵三级密封故障预测方法 - Google Patents
基于大数据分析的核电厂主泵三级密封故障预测方法 Download PDFInfo
- Publication number
- CN109214595A CN109214595A CN201811238609.7A CN201811238609A CN109214595A CN 109214595 A CN109214595 A CN 109214595A CN 201811238609 A CN201811238609 A CN 201811238609A CN 109214595 A CN109214595 A CN 109214595A
- Authority
- CN
- China
- Prior art keywords
- data
- model
- measuring point
- main pump
- power plant
- 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
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000007405 data analysis Methods 0.000 title claims abstract description 17
- 238000004458 analytical method Methods 0.000 claims abstract description 9
- 238000012216 screening Methods 0.000 claims description 21
- 230000002159 abnormal effect Effects 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 15
- 238000010219 correlation analysis Methods 0.000 claims description 12
- 238000005516 engineering process Methods 0.000 claims description 10
- 238000011161 development Methods 0.000 claims description 9
- 238000013178 mathematical model Methods 0.000 claims description 8
- 238000012512 characterization method Methods 0.000 claims description 6
- 125000004122 cyclic group Chemical group 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 5
- 239000000498 cooling water Substances 0.000 claims description 4
- 238000006073 displacement reaction Methods 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000012806 monitoring device Methods 0.000 claims description 3
- 238000012797 qualification Methods 0.000 claims description 3
- 230000001960 triggered effect Effects 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 2
- 238000012423 maintenance Methods 0.000 abstract description 6
- 238000003745 diagnosis Methods 0.000 abstract 2
- 230000007547 defect Effects 0.000 abstract 1
- 230000008439 repair process Effects 0.000 abstract 1
- 238000007789 sealing Methods 0.000 description 6
- 239000002826 coolant Substances 0.000 description 5
- 238000012790 confirmation Methods 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 230000000153 supplemental effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000000593 degrading effect Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 230000004992 fission Effects 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000012545 processing Methods 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
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- 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)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Monitoring And Testing Of Nuclear Reactors (AREA)
Abstract
本发明属于核电厂设备可靠性技术领域,具体涉及一种基于大数据分析的核电厂主泵三级密封故障预测方法,目的是通过主泵运行状态数据的相互关联和分析,实现核电厂主泵三级密封故障的预测,便于电厂开展状态维修。并将核电厂设备维修方式从全部进行预防性维修向部分设备进行基于设备的状态进行维修的方向进行改进。通过新的诊断和测试可以给出准确的缺陷定位和阀门状态趋势分析,阀门的性能主要通过阀门诊断来判断,大大减少了阀门解体频度,节约了大量物资及人力成本。采用本发明所述的方法,为制定设备故障应对措施提供了充分的时间裕度,避免电厂遭受不必要的损失。
Description
技术领域
本发明属于核电厂设备可靠性技术领域,具体涉及一种基于大数据分析的核电厂主泵三级密封故障预测方法。
背景技术
反应堆冷却剂泵(以下简称主泵)是核电站的重要设备,其安装在反应堆内,主要功能是将反应堆冷却剂进行升压,克服冷却剂在压力容器、蒸汽发生器以及主管路中动的阻力,保证反应堆冷却剂在一回路中不断地循环流动,将核裂变产生的热量,通过冷却剂送至蒸汽发生器。目前国内核电厂的主泵大多采用的是轴封泵,其三级机械密封组件是主泵的重要部件之一,由于机械磨损这一不可避免的问题,也是主泵中最容易损坏的部件。反应堆运行期间,如果主泵机械密封出现降级或失效,电厂只能停堆对其进行维修,这不仅会给电厂带来很大的经济损失,对反应堆的安全运行也不利。目前,国内核电厂仅能针对主泵机械密封泄漏率进行阈值报警,采用这种单点孤立阈值报警的方法无法及早发现设备隐性异常和设备性能劣化的细微变化,待报警出现,设备已然处于故障状态。而且设备维护仅靠采取周期性的预防性维修手段来避免故障的发生,无法做到“应修则修”,无形中增加了电厂的运营成本。
现今,传感器技术应用广泛,核电厂主泵运行状态的监测参数也很丰富。但却没有一种技术能综合利用这些状态参数,使海量的数据相互关联并通过分析手段,来预测机械密封故障的发生,使电厂及早采取应对措施,避免损失。
发明内容
本发明的目的是通过主泵运行状态数据的相互关联和分析,实现核电厂主泵三级密封故障的预测,便于电厂开展状态维修。
本发明是这样实现的:
一种基于大数据分析技术的核电厂主泵三级密封故障预测方法,包括以下步骤:
步骤一:建立主泵三级密封故障预警的业务模型;
步骤二:比较主泵的运行实测参数与业务模型输出的变量虚值,捕获异常数据;
步骤三:将捕获的异常数据与设备历史故障特征参数数据进行比对,完成故障的预测;通过与故障模式表征参数数据的对比,获知设备的故障模式;并通过故障预测算法来预测故障可能发生的时间点;这种预测算法通过分析问题测点的报警事件数列整体趋势特点,从中挖掘出该数据序列随时间变化而变化的规律,这些规律包括长期发展趋势规律、周期波动规律、不规则变动规律,针对这些规律获取这些模式的对应数学模型,长期发展趋势模型采用线性模型、周期波动模型采用正余弦模型、不规则变动模型采用高斯白噪声模型,去综合预测该测点将来运行的状态。
如上所述的步骤一按照以下步骤进行:
步骤1.1,测点的选择;根据运行经验分析,给出建模测点,共16个,具体测点见表1所示;
表1构建主泵业务模型的参数类型
步骤1.2,进行数据选择;在历年的运行状态数据中,观察测点数据曲线,截取最近三年的数据作为建模数据;
步骤1.3,进行测点相关性分析;该步骤对监测设备任意两个不同测点数据之间是否存在相关关系,以及何种关系作出判断;采用协方差数值作为测点相关性判断的依据;其数学模型可以表达为:
16个测点的相关性分析结果如表2所示:
表2测点相关性分析结果
步骤1.4,进行数据筛选;这一步骤是对建模数据进行二次清洗,确认设备非正常运行的数据,该数据又可分为不正确数据和设备异常状态的运行数据;可利用的工具包括趋势筛选、规则筛选和散点筛选;其中趋势筛选是直接在数据的曲线图中通过观察找出非正常运行的数据;规则筛选是通过设定某些数据条件,如某个时间段、某个数据范围等,来确定非正常运行的数据;散点筛选则是对任意两个测点进行数据分析,获得线性函数关系和非线性函数关系;这种筛选方法是完成两个参数关系拟合后挑选出离群点,再通过测点趋势辅助判定该离群点数据是否为非正常运行数据,将不正确数据删除,并将设备异常状态的运行数据作为故障模式表征参数数据;
步骤1.5,进行参数配置;根据测点的相关性分析对测点的权重进行配置,如表3所示,最终16个测点的权重设定;以及对模型运行参数进行调整,如模型运行周期、计算周期和事件判定规则等;
表3 16个测点的权重设定
序号 | 测点 | 权重设定 |
1 | 循环水温度 | 0.3 |
2 | 泵X向轴位移 | 0.6 |
3 | 泵Y向轴位移 | 0.6 |
4 | 泵轴承壳振 | 0.8 |
5 | 轴封冷却水进口温度 | 0.3 |
6 | 轴封冷却水出口温度 | 0.7 |
7 | 第一级密封腔室压力 | 1 |
8 | 第二级密封腔室压力 | 1 |
9 | 第三级密封腔室压力 | 1 |
10 | 第一级密封压差 | 1 |
11 | 第二级密封压差 | 1 |
12 | 第三级密封压差 | 1 |
13 | 轴封注入流量 | 1 |
14 | 泵入口压力 | 0.8 |
15 | 泵出口压力 | 1 |
16 | 主泵转速 | 1 |
步骤1.6,进行模型训练;该步骤以经过筛选的历史数据对模型进行训练,采用聚类分析算法选取聚类中心作为回归模型训练集,训练阈值产生器,获取各测点参数的动态阈值;模型训练这一过程需要通过调整测点参数的权重,来提高模型输出的评估值曲线与历史实测参数曲线的拟合度;待动态阈值空间基本包络历史实测参数曲线,模型训练完毕。
如上所述的步骤二按照以下步骤进行:
步骤2.1,在中国核电的设备可靠性管理平台中运行业务模型,将主泵三级密封的实时状态参数数据代入模型中,输出各测点的评估值;
步骤2.2,将测点实时数据与模型输出的评估值进行比较,得到残差值;
步骤2.3,通过业务模型形成的残差阈值空间对获得的残差值进行实时监测;在残差阈值的基础上,设定状态报警的上下限,如表4所示;一旦非正常运行数据触发报警,系统自动捕获异常数据,形成事件日志;
表4残差上下限值及状态报警范围
如上所述的步骤三中,算法的三种数学模型可以表达为:
长期发展趋势模型:Y=a*t+b
周期波动模型:Y=a*sin(t)+b*cos(t)+c
高斯白噪声模型:Y=N(u,g^2)
其中,Y为测点数据,a、b、c为规律性变量,t为时间变量。
本发明的有益效果是:
本发明所述的核电厂主泵三级密封故障的预测方法,是采用了大数据分析技术,对主泵处于运行状态中三级密封相关状态参数的历史数据加以分析利用,建立了主泵三级密封相关的业务模型。在设备实际运行当中,利用业务模型对状态参数测点实时数据进行处理,为每个测点输出一个正常运行状态的动态阈值空间,并与实测值进行比对,从而发现细微的非正常数据,再与业务模型当中历史故障数据相印证,从而达到故障预测的目的。采用这种方法,解决了传统的测点孤立阈值报警无法及早发现设备隐性异常或设备性能劣化趋势不明显的问题。而且可以帮助电厂设备工程师走出仅以单测点报警数据进行人工分析设备故障的困境,大大减轻了设备工程师的工作压力,同时可以提醒设备工程师及早关注设备的劣化情况,为制定设备故障应对措施提供了充分的时间裕度,避免电厂遭受不必要的损失。
附图说明
图1是本发明的基于大数据分析的核电厂主泵三级密封故障预测方法的主泵三级密封运行状态业务模型建立的流程图;
图2是本发明的基于大数据分析的核电厂主泵三级密封故障预测方法的实现主泵三级密封故障预测的流程图。
具体实施方式
下面结合附图和实施例对本发明进行进一步描述。
如图1和图2所示,一种基于大数据分析技术的核电厂主泵三级密封故障预测方法,包括以下步骤:
步骤一:建立主泵三级密封故障预警的业务模型,业务模型的建立按照以下步骤进行。
步骤1.1,测点的选择。根据运行经验分析,给出建模测点,共16个,具体测点见表1所示。
表1构建主泵业务模型的参数类型
步骤1.2,进行数据选择。在历年的运行状态数据中,观察测点数据曲线,由于近三年的历史数据包含反应堆一个运行周期内全部工况的状态参数,具有典型性,故截取最近三年的数据作为建模数据。
步骤1.3,进行测点相关性分析。该步骤是依据统计学理论知识,对监测设备任意两个不同测点数据之间是否存在相关关系,以及何种关系作出判断。由于协方差特征能够体现两个测点随时间推移的相对变动程度和方向,故我们采用协方差数值作为测点相关性判断的依据。考虑到不同测点的数据量纲不同,协方差数值将采用两者的方差积进行归一化。故而相关系数有如下特点:一、相关系数数值大小在[0,1]之间,代表了两个测点之间线性相关程度的强弱;二、相关系数符号的正负,代表测点之间相关关系属于正相关还是负相关。其数学模型可以表达为:
16个测点的相关性分析结果如表2所示:
表2测点相关性分析结果
步骤1.4,进行数据筛选。这一步骤是对建模数据进行二次清洗,确认设备非正常运行的数据,该数据又可分为不正确数据(如测点损坏、网络传输异常等导致的错误数据)和设备异常状态的运行数据。可利用的工具包括趋势筛选、规则筛选和散点筛选。其中趋势筛选是直接在数据的曲线图中通过观察找出非正常运行的数据;规则筛选是通过设定某些数据条件,如某个时间段、某个数据范围等,来确定非正常运行的数据;散点筛选则是对任意两个测点进行数据分析,获得线性函数关系(一元一次、二次、三次)和非线性函数关系(如高斯、幂指数)。这种筛选方法是完成两个参数关系拟合后挑选出离群点,再通过测点趋势辅助判定该离群点数据是否为非正常运行数据,将不正确数据删除,并将设备异常状态的运行数据作为故障模式表征参数数据。
步骤1.5,进行参数配置。根据测点的相关性分析对测点的权重进行配置,如表3所示,最终16个测点的权重设定。以及对模型运行参数进行调整,如模型运行周期、计算周期和事件判定规则等。
表3 16个测点的权重设定
步骤1.6,进行模型训练。该步骤以经过筛选的历史数据对模型进行训练,采用聚类分析算法选取聚类中心作为回归模型训练集,训练阈值产生器,获取各测点参数的动态阈值。模型训练这一过程需要通过调整测点参数的权重,来提高模型输出的评估值曲线与历史实测参数曲线的拟合度。待动态阈值空间基本包络历史实测参数曲线,模型训练完毕。
以上六个步骤完成后,主泵三级密封运行状态业务模型便成功建模。
步骤二:比较主泵的运行实测参数与业务模型输出的变量虚值,捕获异常数据,按照以下步骤进行:
步骤2.1,在中国核电的设备可靠性管理平台(ERDB系统)中运行业务模型,将主泵三级密封的实时状态参数数据代入模型中,输出各测点的评估值。
步骤2.2,将测点实时数据与模型输出的评估值进行比较,得到残差值。
步骤2.3,通过业务模型形成的残差阈值空间对获得的残差值进行实时监测。在残差阈值的基础上,设定状态报警的上下限,如表4所示。一旦非正常运行数据触发报警,系统自动捕获异常数据,形成事件日志。
表4残差上下限值及状态报警范围
步骤三:将捕获的异常数据与设备历史故障特征参数数据进行比对,完成故障的预测。通过与故障模式表征参数数据的对比,获知设备的故障模式。并通过故障预测算法来预测故障可能发生的时间点。这种预测算法通过分析问题测点的报警事件数列整体趋势特点,从中挖掘出该数据序列随时间变化而变化的规律,这些规律包括长期发展趋势规律、周期波动规律、不规则变动规律,针对这些规律获取这些模式的对应数学模型(通常长期发展趋势模型采用线性模型,周期波动模型采用正余弦模型,不规则变动模型采用高斯白噪声模型),去综合预测该测点将来运行的状态。算法的三种数学模型可以表达为:
长期发展趋势模型:Y=a*t+b
周期波动模型:Y=a*sin(t)+b*cos(t)+c
高斯白噪声模型:Y=N(u,g^2)
其中,Y为测点数据,a、b、c为规律性变量,t为时间变量。
以上是利用主泵三级密封运行状态的业务模型,来实现故障预测的过程。
这种主泵三级密封故障的预测方法,核心技术在于通过故障相关状态参数的历史数据分析建立具体业务模型。由业务模型结合实时数据,输出一个动态阈值空间作为评估标准,从而获知设备性能劣化的细微变化,再利用业务模型中的历史故障模式表征参数与异常数据比对,指出可能的故障模式,并辅以业务模型中的历史故障变化趋势,预测出故障可能发生的时间,并形成预测趋势曲线。
上面结合实施例对本发明的实施方法作了详细说明,但是本发明并不限于上述实施例,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下作出各种变化。本发明说明书中未作详细描述的内容均可以采用现有技术。
Claims (4)
1.一种基于大数据分析技术的核电厂主泵三级密封故障预测方法,包括以下步骤:
步骤一:建立主泵三级密封故障预警的业务模型;
步骤二:比较主泵的运行实测参数与业务模型输出的变量虚值,捕获异常数据;
步骤三:将捕获的异常数据与设备历史故障特征参数数据进行比对,完成故障的预测;通过与故障模式表征参数数据的对比,获知设备的故障模式;并通过故障预测算法来预测故障可能发生的时间点;这种预测算法通过分析问题测点的报警事件数列整体趋势特点,从中挖掘出该数据序列随时间变化而变化的规律,这些规律包括长期发展趋势规律、周期波动规律、不规则变动规律,针对这些规律获取这些模式的对应数学模型,长期发展趋势模型采用线性模型、周期波动模型采用正余弦模型、不规则变动模型采用高斯白噪声模型,去综合预测该测点将来运行的状态。
2.根据权利要求1所述的基于大数据分析技术的核电厂主泵三级密封故障预测方法,其特征在于:所述的步骤一按照以下步骤进行:
步骤1.1,测点的选择;根据运行经验分析,给出建模测点,共16个,具体测点见表1所示;
表1构建主泵业务模型的参数类型
步骤1.2,进行数据选择;在历年的运行状态数据中,观察测点数据曲线,截取最近三年的数据作为建模数据;
步骤1.3,进行测点相关性分析;该步骤对监测设备任意两个不同测点数据之间是否存在相关关系,以及何种关系作出判断;采用协方差数值作为测点相关性判断的依据;其数学模型可以表达为:
16个测点的相关性分析结果如表2所示:
表2测点相关性分析结果
步骤1.4,进行数据筛选;这一步骤是对建模数据进行二次清洗,确认设备非正常运行的数据,该数据又可分为不正确数据和设备异常状态的运行数据;可利用的工具包括趋势筛选、规则筛选和散点筛选;其中趋势筛选是直接在数据的曲线图中通过观察找出非正常运行的数据;规则筛选是通过设定某些数据条件,如某个时间段、某个数据范围等,来确定非正常运行的数据;散点筛选则是对任意两个测点进行数据分析,获得线性函数关系和非线性函数关系;这种筛选方法是完成两个参数关系拟合后挑选出离群点,再通过测点趋势辅助判定该离群点数据是否为非正常运行数据,将不正确数据删除,并将设备异常状态的运行数据作为故障模式表征参数数据;
步骤1.5,进行参数配置;根据测点的相关性分析对测点的权重进行配置,如表3所示,最终16个测点的权重设定;以及对模型运行参数进行调整,如模型运行周期、计算周期和事件判定规则等;
表3 16个测点的权重设定
步骤1.6,进行模型训练;该步骤以经过筛选的历史数据对模型进行训练,采用聚类分析算法选取聚类中心作为回归模型训练集,训练阈值产生器,获取各测点参数的动态阈值;模型训练这一过程需要通过调整测点参数的权重,来提高模型输出的评估值曲线与历史实测参数曲线的拟合度;待动态阈值空间基本包络历史实测参数曲线,模型训练完毕。
3.根据权利要求1所述的基于大数据分析技术的核电厂主泵三级密封故障预测方法,其特征在于:所述的步骤二按照以下步骤进行:
步骤2.1,在中国核电的设备可靠性管理平台中运行业务模型,将主泵三级密封的实时状态参数数据代入模型中,输出各测点的评估值;
步骤2.2,将测点实时数据与模型输出的评估值进行比较,得到残差值;
步骤2.3,通过业务模型形成的残差阈值空间对获得的残差值进行实时监测;在残差阈值的基础上,设定状态报警的上下限,如表4所示;一旦非正常运行数据触发报警,系统自动捕获异常数据,形成事件日志;
表4残差上下限值及状态报警范围
4.根据权利要求1所述的基于大数据分析技术的核电厂主泵三级密封故障预测方法,其特征在于:所述的步骤三中,算法的三种数学模型可以表达为:
长期发展趋势模型:Y=a*t+b
周期波动模型:Y=a*sin(t)+b*cos(t)+c
高斯白噪声模型:Y=N(u,g^2)
其中,Y为测点数据,a、b、c为规律性变量,t为时间变量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811238609.7A CN109214595A (zh) | 2018-10-23 | 2018-10-23 | 基于大数据分析的核电厂主泵三级密封故障预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811238609.7A CN109214595A (zh) | 2018-10-23 | 2018-10-23 | 基于大数据分析的核电厂主泵三级密封故障预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109214595A true CN109214595A (zh) | 2019-01-15 |
Family
ID=64981115
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811238609.7A Pending CN109214595A (zh) | 2018-10-23 | 2018-10-23 | 基于大数据分析的核电厂主泵三级密封故障预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109214595A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109993363A (zh) * | 2019-04-01 | 2019-07-09 | 山东浪潮云信息技术有限公司 | 一种基于人工智能的自动化告警预测方法 |
CN110469496A (zh) * | 2019-08-27 | 2019-11-19 | 苏州热工研究院有限公司 | 一种水泵智能预警方法及系统 |
CN110533294A (zh) * | 2019-07-30 | 2019-12-03 | 中国核电工程有限公司 | 一种基于人工智能技术的核电厂运行故障报警方法 |
CN111290371A (zh) * | 2020-03-05 | 2020-06-16 | 深圳知路科技有限公司 | 物联网设备远程诊断的方法及装置、电子设备 |
CN112149329A (zh) * | 2020-09-23 | 2020-12-29 | 中广核工程有限公司 | 核电厂关键设备的状态预演方法、系统、设备及存储介质 |
CN112687407A (zh) * | 2020-12-28 | 2021-04-20 | 山东鲁能软件技术有限公司 | 一种核电站主泵状态监测诊断方法及系统 |
CN114626707A (zh) * | 2022-03-05 | 2022-06-14 | 中密控股股份有限公司 | 一种机械密封自适应预警方法及装置 |
CN115438756A (zh) * | 2022-11-10 | 2022-12-06 | 济宁中银电化有限公司 | 一种用于精馏塔故障根源诊断识别的方法 |
CN117934248A (zh) * | 2024-03-25 | 2024-04-26 | 山东汇通创软信息技术有限公司 | 一种电厂安全管控平台数据分析方法及系统 |
CN117934248B (zh) * | 2024-03-25 | 2024-06-25 | 山东汇通创软信息技术有限公司 | 一种电厂安全管控平台数据分析方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106779505A (zh) * | 2017-02-28 | 2017-05-31 | 中国南方电网有限责任公司 | 一种基于大数据驱动的输电线路故障预警方法及系统 |
CN108681633A (zh) * | 2018-05-11 | 2018-10-19 | 上海电力学院 | 一种基于状态参数的凝结水泵故障预警方法 |
-
2018
- 2018-10-23 CN CN201811238609.7A patent/CN109214595A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106779505A (zh) * | 2017-02-28 | 2017-05-31 | 中国南方电网有限责任公司 | 一种基于大数据驱动的输电线路故障预警方法及系统 |
CN108681633A (zh) * | 2018-05-11 | 2018-10-19 | 上海电力学院 | 一种基于状态参数的凝结水泵故障预警方法 |
Non-Patent Citations (3)
Title |
---|
何龙璋: "反应堆主冷却剂泵的FMEMA方法研究", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 * |
杨熙宇: "反应堆冷却剂系统故障分析及诊断", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 * |
陈志辉: "一体化反应堆冷却剂系统故障诊断方法研究", 《中国博士学位论文全文数据库 工程科技II辑》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109993363A (zh) * | 2019-04-01 | 2019-07-09 | 山东浪潮云信息技术有限公司 | 一种基于人工智能的自动化告警预测方法 |
CN110533294A (zh) * | 2019-07-30 | 2019-12-03 | 中国核电工程有限公司 | 一种基于人工智能技术的核电厂运行故障报警方法 |
CN110533294B (zh) * | 2019-07-30 | 2024-04-16 | 中国核电工程有限公司 | 一种基于人工智能技术的核电厂运行故障报警方法 |
CN110469496A (zh) * | 2019-08-27 | 2019-11-19 | 苏州热工研究院有限公司 | 一种水泵智能预警方法及系统 |
CN111290371B (zh) * | 2020-03-05 | 2021-08-10 | 深圳知路科技有限公司 | 物联网设备远程诊断的方法及装置、电子设备 |
CN111290371A (zh) * | 2020-03-05 | 2020-06-16 | 深圳知路科技有限公司 | 物联网设备远程诊断的方法及装置、电子设备 |
CN112149329A (zh) * | 2020-09-23 | 2020-12-29 | 中广核工程有限公司 | 核电厂关键设备的状态预演方法、系统、设备及存储介质 |
WO2021227468A1 (zh) * | 2020-09-23 | 2021-11-18 | 中广核工程有限公司 | 核电厂关键设备的状态预演方法、系统、设备及存储介质 |
CN112149329B (zh) * | 2020-09-23 | 2023-09-08 | 中广核工程有限公司 | 核电厂关键设备的状态预演方法、系统、设备及存储介质 |
CN112687407A (zh) * | 2020-12-28 | 2021-04-20 | 山东鲁能软件技术有限公司 | 一种核电站主泵状态监测诊断方法及系统 |
CN112687407B (zh) * | 2020-12-28 | 2022-05-17 | 山东鲁能软件技术有限公司 | 一种核电站主泵状态监测诊断方法及系统 |
CN114626707A (zh) * | 2022-03-05 | 2022-06-14 | 中密控股股份有限公司 | 一种机械密封自适应预警方法及装置 |
CN115438756A (zh) * | 2022-11-10 | 2022-12-06 | 济宁中银电化有限公司 | 一种用于精馏塔故障根源诊断识别的方法 |
CN117934248A (zh) * | 2024-03-25 | 2024-04-26 | 山东汇通创软信息技术有限公司 | 一种电厂安全管控平台数据分析方法及系统 |
CN117934248B (zh) * | 2024-03-25 | 2024-06-25 | 山东汇通创软信息技术有限公司 | 一种电厂安全管控平台数据分析方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109214595A (zh) | 基于大数据分析的核电厂主泵三级密封故障预测方法 | |
Ayo-Imoru et al. | A survey of the state of condition-based maintenance (CBM) in the nuclear power industry | |
CN108596229B (zh) | 在线异常的监测诊断方法和系统 | |
CN106404403B (zh) | 用于涡轮机的分析的方法和系统 | |
US6799143B1 (en) | Process and device for evaluating the performance of a process control system | |
CN111720296B (zh) | 一种基于自编码器的汽动给水泵设备异常状态预警方法 | |
Patel et al. | Fault detection and diagnosis methods in power generation plants-the Indian power generation sector perspective: an introductory review | |
US10626749B2 (en) | Spindle vibration evaluation module for a valve and actuator monitoring system | |
CN110513336B (zh) | 一种电站燃气轮机离线水洗时间的确定方法 | |
CN112836941A (zh) | 一种煤电机组汽轮机高加系统在线健康状况评估方法 | |
Wende et al. | Fault prediction based on dynamic model and grey time series model in chemical processes | |
Yang et al. | Application research of arima model in wind turbine gearbox fault trend prediction | |
Djeddi et al. | Gas turbine reliability estimation to reduce the risk of failure occurrence with a comparative study between the two-parameter Weibull distribution and a new modified Weibull distribution | |
CN116929670A (zh) | 一种基于自更新mset的高压加热器泄漏诊断方法 | |
Pinelli et al. | Gas turbine health state determination: methodology approach and field application | |
Jharko et al. | Diagnostic tasks in human-machine control systems of nuclear power plants | |
Liu et al. | Prediction of peak values in time series data for prognostics of critical components in nuclear power plants | |
CN109409758B (zh) | 水电站设备健康状态评价方法及系统 | |
Pinciroli et al. | A semi-supervised method for the characterization of degradation of nuclear power plants steam generators | |
CN114923287B (zh) | 一种高压加热器故障预警方法、系统和介质 | |
CN113323891B (zh) | 基于混合模型的核电站主泵密封故障诊断方法 | |
CN105279553A (zh) | 一种高加给水系统故障程度识别方法 | |
Ristić et al. | A short overview on Industry 4.0 in maintenance of hydropower plants | |
Youn et al. | Statistical health reasoning of water-cooled power generator stator bars against moisture absorption | |
CN115342101A (zh) | 一种水轮发电机调速器液压系统内泄检测方法和系统 |
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: 20190115 |