CN109523171A - 一种基于svdd的燃气轮机进气系统健康度评估方法 - Google Patents
一种基于svdd的燃气轮机进气系统健康度评估方法 Download PDFInfo
- Publication number
- CN109523171A CN109523171A CN201811380722.9A CN201811380722A CN109523171A CN 109523171 A CN109523171 A CN 109523171A CN 201811380722 A CN201811380722 A CN 201811380722A CN 109523171 A CN109523171 A CN 109523171A
- Authority
- CN
- China
- Prior art keywords
- data
- gas turbine
- svdd
- inlet air
- turbine inlet
- 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
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种基于SVDD的燃气轮机进气系统健康度评估方法,步骤为:针对燃气轮机进气系统进行机理及影响因素分析,根据分析结果得到所有的关键测点及性能参数,最终确定需要监测的测点;抽取燃气轮机进气系统的运行数据和维保数据,得到模型训练数据集;训练SVDD模型;利用SVDD模型计算新的观测值距离进气系统正常状态的距离;对进气系统状态进行评估判定。本发明综合考虑了多个参数的变化情况,避免了基于单一参数预警导致的片面性,提高了健康度评估结果的准确性;此外,本发明可以实时量化进气系统的健康度,提高了监测结果的实用性和应用范围,不仅可以做故障预警,提前采取措施排除故障,还可以用于日常维护的效果评估。
Description
技术领域
本发明涉及一种评估方法,尤其涉及一种基于SVDD的燃气轮机进气系统健康度评估方法。
背景技术
燃气轮机是海上钻井平台的大型核心生产设备,其性能是实现企业生产目标的重要保障。进气系统作为燃气轮机的重要组成部分,进口的空气质量和纯净度是提高燃气轮机性能和可靠性的前提。当进口空气滤器滤网因污脏或冬季结霜而堵塞时,进气系统性能下降,压气机的比功增加,出力将更多地消耗于带动压气机,导致燃气轮机的功率和效率降低。因此,需要对进气系统进行健康度评估技术研究,以便及时发现其性能下降,并采取相应的维保措施,降低生产损失。
燃气轮机的设计非常复杂,包含了压气机、喷嘴、润滑系统、进气系统等多个部件和子系统,能够获取的参数也相当繁多,维护人员不可能对所有参数都进行监测,通常会采取单参数预警模型。单参数预警模型是依据专家经验挑出为数不多的关键参数,然后为每个关键参数设定阈值,当参数值没有超过阈值时,则认为其健康状态良好,不需要进行维修;当参数值超过设定阈值时,则认为其健康状态存在问题,需要立即对其进行检修。实际维护中,燃气轮机进气系统主要监控的关键参数为进气滤器压差,当进气滤器压差超过设定的阈值时,维护人员就需要采取除冰等维保操作或者直接更换进气滤器。
但是现有技术仍存在以下技术缺陷有待解决:
(1)单参数预警模型仅以单一性能参数来评估进气系统健康度下降情况,并未全面考虑所有相关参数的异常变化和参数之间的相互影响,因此得到的评估结果往往具有很强的不确定性和片面性;
(2)单参数预警模型对进气系统健康度的评估无法量化,不能给出进气系统健康度下降的严重程度,也无法对采取维保措施的效果进行准确评估。
发明内容
为了解决上述技术所存在的不足之处,本发明提供了一种基于SVDD的燃气轮机进气系统健康度评估方法。
为了解决以上技术问题,本发明采用的技术方案是:一种基于SVDD的燃气轮机进气系统健康度评估方法,整体步骤为:
步骤1、针对燃气轮机进气系统进行机理及影响因素分析,根据分析结果得到所有的关键测点及性能参数,最终确定需要监测的测点为环境温度t1、功率kw、转速r和进气滤器压差dp;
步骤2、抽取燃气轮机进气系统的运行数据和维保数据,并对历史运行数据进行整理和清洗,得到模型训练数据集;
步骤3、基于步骤2中获取的训练数据集训练SVDD模型;
步骤4、实时抽取燃气轮机进气系统关键参数值,利用步骤3中创建的SVDD模型计算新的观测值距离进气系统正常状态的距离;
步骤5、根据计算结果,对进气系统状态进行评估判定。
进一步地,步骤2的具体步骤为:
步骤2.1、编写针对实时数据库的数据抽取代码,从数据库中抽取最近1年的燃气轮机进气系统数据,时间间隔为固定的5分钟,抽取的数据包含步骤1中确定的4个关键测点,然后将这些数据存入历史数据库;
步骤2.2、剔除各个测点的异常值,并基于工况功率kw和转速r选择机组稳定运行时间段内的数据,排除机组在启停机过程中数据剧烈变动的情况;
步骤2.3、分别计算选取的4个关键测点的均值和标准差,并存入历史数据库;
步骤2.4、基于维保记录,筛选出进气滤器更换后5天内的运行数据,并按照公式一进行标准化处理:
其中,Xi为待标准化向量的第i个值,和S分别为待标准化向量在步骤2.3中计算得到的均值和标准差,通过标准化处理,所有样本数据落入区间[0,1]之间,消除不同测点之间的量纲和数量级差别的影响。
进一步地,步骤3中SVDD模型的具体构建方法为:
通过最小化半径R定义一个最小超球体,使其尽量包含所有的训练样本Xi;通过求解下面的最优二次规划问题获取SVDD模型:
xi代表训练数据集中的第i条观测,i=1,…n;R为需要计算的球体半径;C为惩罚系数且C=1/(nf),其中n为训练数据集的观测数,f为期望的异常值占比,通常为0.0001;ξ是松弛变量;a是球心;T代表矩阵转置;
将公式二转换为求其对偶形式的最大化问题,内积采用核函数代替:
其中,S为高斯径向基函数的带宽,S取值越小,生成的支持向量越多,S取值越大,支持向量越少,球体半径越大;xi代表训练数据集中的第i条观测,i=1,…n;xj代表训练数据集中的第j条观测,j=1,…n;αi为第i个拉格朗日系数;αj为第j个拉格朗日系数;k为核函数,k(xi,xj)代表对xi,xj进行核变换的核函数,k(xi,xi)代表对xi,xi进行核变换的核函数;
通过迭代求解公式四的最大值获取αi的最优解,满足0≤αi≤C条件的样本即为支持向量SV,在此基础之上,利用公式七和公式八获取超球球心a和半径R,其中xk代表第k个支持向量;
d0=min(dt) 公式十
其中,xi为训练数据集中的第i条观测,计算训练数据集中所有观测值到超球中心a的距离dt,d0为所有距离中的最小值,将d0存入数据库,作为计算进气系统健康度的最优基准值。
进一步地,步骤4的具体步骤为:
步骤4.1、每隔5分钟抽取燃气轮机进气系统的测点数据,获取环境温度t1、功率kw、转速r和进气滤器压差dp,并利用步骤2.3中计算的各测点均值和标准差进行标准化处理;
步骤4.2、计算该时点的测点数据到步骤3中训练所得SVDD模型的球心距离d,公式如下:
其中,z为待测的标准化后的燃气轮机进气系统实时数据。
进一步地,步骤5的具体步骤为:
将步骤4计算得到的距离d和步骤3中得到的球体半径R进行比较,若d≤R,则判定进气系统状态良好,反之若d>R,则判定进气系统发生异常;为量化评估燃气轮机进气系统状态,便于维护工程师使用和维保效果评估,通过公式十将距离和半径R的比较直接转换为分数形式,转换公式如下:
其中,score为转换后的进气系统健康度评分,maxscore为进气系统在状态良好情况下的分数,rscore是观测值正好落在球体半径上时对应的分数,d0为SVDD模型训练时得到距离的最小值,R为超球半径。
本发明综合考虑了多个参数的变化情况,避免了基于单一参数预警导致的片面性,提高了健康度评估结果的准确性;此外,本发明可以实时量化进气系统的健康度,提高了监测结果的实用性和应用范围,不仅可以做故障预警,提前采取措施排除故障,还可以用于日常维护的效果评估。
附图说明
图1为本发明的整体流程示意图。
图2为SVDD模型的原理示意图。
具体实施方式
下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1所示的一种基于SVDD的燃气轮机进气系统健康度评估方法,整体步骤为:
步骤1、针对燃气轮机进气系统进行机理及影响因素分析,根据分析结果得到所有的关键测点及性能参数,最终确定需要监测的测点为环境温度t1、功率kw、转速r和进气滤器压差dp;
步骤2、抽取燃气轮机进气系统的运行数据和维保数据,并对历史运行数据进行整理和清洗,得到模型训练数据集。具体步骤如下:
步骤2.1、编写针对实时数据库的数据抽取代码,从数据库中抽取最近1年的燃气轮机进气系统数据,时间间隔为固定的5分钟,抽取的数据包含步骤1中确定的4个关键测点,然后将这些数据存入历史数据库(这里采用MySQL数据库);
步骤2.2、剔除各个测点的异常值,并基于工况功率kw和转速r选择机组稳定运行时间段内的数据,这样就排除了机组在启停机过程中数据剧烈变动的情况;
步骤2.3、分别计算选取的4个关键测点的均值和标准差,并存入历史数据库;
步骤2.4、基于维保记录,筛选出进气滤器更换后5天内的运行数据,并按照公式一进行标准化处理:
其中,Xi为待标准化向量的第i个值,和S分别为待标准化向量在步骤2.3中计算得到的均值和标准差,通过标准化处理,所有样本数据落入区间[0,1]之间,消除了不同测点之间的量纲和数量级差别的影响。
步骤3、基于步骤2.4中获取的训练数据集训练SVDD(Support Vector DataDescription,支持向量数据描述)模型,SVDD模型的基本思想是通过最小化半径R来定义一个最小超球体,使其尽可能包含所有的训练样本Xi,可通过求解下面的最优二次规划问题获取SVDD模型:
xi代表训练数据集中的第i条观测,i=1,…n;R为需要计算的球体半径;C为惩罚系数且C=1/(nf),其中n为训练数据集的观测数,f为期望的异常值占比,通常为0.0001;ξ是松弛变量;a是球心;T代表矩阵转置;
将公式二转换为求其对偶形式的最大化问题,内积采用核函数代替:
其中,S为高斯径向基函数的带宽,S取值越小,生成的支持向量越多,S取值越大,支持向量越少,球体半径越大;xi代表训练数据集中的第i条观测,i=1,…n;xj代表训练数据集中的第j条观测,j=1,…n;αi为第i个拉格朗日系数;αj为第j个拉格朗日系数;k为核函数,常用的核函数有高斯径向基函数、多项式函核和多层感知器核,k(xi,xj)代表对xi,xj进行核变换的核函数,k(xi,xi)代表对xi,xi进行核变换的核函数。
通过迭代求解公式四的最大值获取αi的最优解,满足0≤αi≤C条件的样本即为支持向量SV,在此基础之上,可利用公式七和公式八获取超球球心a和半径R,其中xk代表第k个支持向量。SVDD模型的原理图如图2所示。
d0=min(dt) 公式十
其中,xi为训练数据集中的第i条观测,计算训练数据集中所有观测值到超球中心a的距离dt,d0为所有距离中的最小值,将d0存入数据库,作为计算进气系统健康度的最优基准值。
步骤4、实时抽取燃气轮机进气系统关键参数值,利用步骤3中创建的SVDD模型计算新的观测值距离进气系统正常状态的距离,具体步骤如下:
步骤4.1、每隔5分钟抽取燃气轮机进气系统的测点数据,获取环境温度t1、功率kw、转速r和进气滤器压差dp,并利用步骤2.3中计算的各测点均值和标准差进行标准化处理;
步骤4.2、计算该时点的测点数据到步骤3中训练所得SVDD模型的球心距离d,公式如下:
其中,z为待测的标准化后的燃气轮机进气系统实时数据。
步骤5、将步骤4计算得到的距离d和步骤3中得到的球体半径R进行比较,若d≤R,可判定进气系统状态良好,反之若d>R,可判定进气系统发生异常。为量化评估燃气轮机进气系统状态,便于维护工程师使用和维保效果评估,通过公式十将距离和半径R的比较直接转换为分数形式,转换公式如下:
其中,score为转换后的进气系统健康度评分,maxscore为进气系统在状态良好情况下的分数,rscore是观测值正好落在球体半径上时对应的分数,d0为SVDD模型训练时得到距离的最小值,R为超球半径。
此外,上述对方法的定义并不仅限于实施例中提到的各种具体结构、形状或方式,本领域普通技术人员可对其进行简单地更改或替换,例如:
(1)数据标准化还可以采用离差标准化的方法;
(2)如果只是做状态异常检测,可以省略步骤5。
本发明与现有技术相比,有益效果为:
(1)本发明利用SVDD方法同时综合考虑了多个参数的变化情况,避免了基于单一参数预警导致的片面性,提高了健康度评估结果的准确性;
(2)本发明可以实时量化进气系统的健康度,提高了监测结果的实用性和应用范围,不仅可以做故障预警,提前采取措施排除故障,还可以用于日常维护的效果评估。
上述实施方式并非是对本发明的限制,本发明也并不仅限于上述举例,本技术领域的技术人员在本发明的技术方案范围内所做出的变化、改型、添加或替换,也均属于本发明的保护范围。
Claims (5)
1.一种基于SVDD的燃气轮机进气系统健康度评估方法,其特征在于:所述方法的整体步骤为:
步骤1、针对燃气轮机进气系统进行机理及影响因素分析,根据分析结果得到所有的关键测点及性能参数,最终确定需要监测的测点为环境温度t1、功率kw、转速r和进气滤器压差dp;
步骤2、抽取燃气轮机进气系统的运行数据和维保数据,并对历史运行数据进行整理和清洗,得到模型训练数据集;
步骤3、基于步骤2中获取的训练数据集训练SVDD模型;
步骤4、实时抽取燃气轮机进气系统关键参数值,利用步骤3中创建的SVDD模型计算新的观测值距离进气系统正常状态的距离;
步骤5、根据计算结果,对进气系统状态进行评估判定。
2.根据权利要求1所述的基于SVDD的燃气轮机进气系统健康度评估方法,其特征在于:所述步骤2的具体步骤为:
步骤2.1、编写针对实时数据库的数据抽取代码,从数据库中抽取最近1年的燃气轮机进气系统数据,时间间隔为固定的5分钟,抽取的数据包含步骤1中确定的4个关键测点,然后将这些数据存入历史数据库;
步骤2.2、剔除各个测点的异常值,并基于工况功率kw和转速r选择机组稳定运行时间段内的数据,排除机组在启停机过程中数据剧烈变动的情况;
步骤2.3、分别计算选取的4个关键测点的均值和标准差,并存入历史数据库;
步骤2.4、基于维保记录,筛选出进气滤器更换后5天内的运行数据,并按照公式一进行标准化处理:
其中,Xi为待标准化向量的第i个值,和S分别为待标准化向量在步骤2.3中计算得到的均值和标准差,通过标准化处理,所有样本数据落入区间[0,1]之间,消除不同测点之间的量纲和数量级差别的影响。
3.根据权利要求2所述的基于SVDD的燃气轮机进气系统健康度评估方法,其特征在于:所述步骤3中SVDD模型的具体构建方法为:
通过最小化半径R定义一个最小超球体,使其尽量包含所有的训练样本Xi;通过求解下面的最优二次规划问题获取SVDD模型:
xi代表训练数据集中的第i条观测,i=1,…n;R为需要计算的球体半径;C为惩罚系数且C=1/(nf),其中n为训练数据集的观测数,f为期望的异常值占比,通常为0.0001;ξ是松弛变量;a是球心;T代表矩阵转置;
将公式二转换为求其对偶形式的最大化问题,内积采用核函数代替:
其中,S为高斯径向基函数的带宽,S取值越小,生成的支持向量越多,S取值越大,支持向量越少,球体半径越大;xi代表训练数据集中的第i条观测,i=1,…n;xj代表训练数据集中的第j条观测,j=1,…n;αi为第i个拉格朗日系数;αj为第j个拉格朗日系数;k为核函数,k(xi,xj)代表对xi,xj进行核变换的核函数,k(xi,xi)代表对xi,xi进行核变换的核函数;
通过迭代求解公式四的最大值获取αi的最优解,满足0≤αi≤C条件的样本即为支持向量SV,在此基础之上,利用公式七和公式八获取超球球心a和半径R,其中xk代表第k个支持向量;
d0=min(dt) 公式十
其中,xi为训练数据集中的第i条观测,计算训练数据集中所有观测值到超球中心a的距离dt,d0为所有距离中的最小值,将d0存入数据库,作为计算进气系统健康度的最优基准值。
4.根据权利要求3所述的基于SVDD的燃气轮机进气系统健康度评估方法,其特征在于:所述步骤4的具体步骤为:
步骤4.1、每隔5分钟抽取燃气轮机进气系统的测点数据,获取环境温度t1、功率kw、转速r和进气滤器压差dp,并利用步骤2.3中计算的各测点均值和标准差进行标准化处理;
步骤4.2、计算该时点的测点数据到步骤3中训练所得SVDD模型的球心距离d,公式如下:
其中,z为待测的标准化后的燃气轮机进气系统实时数据。
5.根据权利要求4所述的基于SVDD的燃气轮机进气系统健康度评估方法,其特征在于:所述步骤5的具体步骤为:
将步骤4计算得到的距离d和步骤3中得到的球体半径R进行比较,若d≤R,则判定进气系统状态良好,反之若d>R,则判定进气系统发生异常;为量化评估燃气轮机进气系统状态,便于维护工程师使用和维保效果评估,通过公式十将距离和半径R的比较直接转换为分数形式,转换公式如下:
其中,score为转换后的进气系统健康度评分,maxscore为进气系统在状态良好情况下的分数,rscore是观测值正好落在球体半径上时对应的分数,d0为SVDD模型训练时得到距离的最小值,R为超球半径。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811380722.9A CN109523171B (zh) | 2018-11-20 | 2018-11-20 | 一种基于svdd的燃气轮机进气系统健康度评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811380722.9A CN109523171B (zh) | 2018-11-20 | 2018-11-20 | 一种基于svdd的燃气轮机进气系统健康度评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109523171A true CN109523171A (zh) | 2019-03-26 |
CN109523171B CN109523171B (zh) | 2022-11-25 |
Family
ID=65776702
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811380722.9A Active CN109523171B (zh) | 2018-11-20 | 2018-11-20 | 一种基于svdd的燃气轮机进气系统健康度评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109523171B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110310047A (zh) * | 2019-07-09 | 2019-10-08 | 上海新增鼎网络技术有限公司 | 一种工厂生产状态异常检测模型设计方法 |
CN110415844A (zh) * | 2019-06-21 | 2019-11-05 | 杭州安脉盛智能技术有限公司 | 基于动作关键时序的控制棒驱动机构性能评估方法及系统 |
CN110737976A (zh) * | 2019-10-10 | 2020-01-31 | 西安因联信息科技有限公司 | 一种基于多维度信息融合的机械设备健康评估方法 |
CN110879151A (zh) * | 2019-11-28 | 2020-03-13 | 上海发电设备成套设计研究院有限责任公司 | 基于运行大数据的燃气轮机远程监测和诊断系统及方法 |
CN112557047A (zh) * | 2020-12-09 | 2021-03-26 | 中国船舶工业系统工程研究院 | 一种船用燃气轮机稳定运行工况识别方法及系统 |
CN115130559A (zh) * | 2022-06-06 | 2022-09-30 | 中国船舶集团有限公司系统工程研究院 | 船用燃气轮机起动过程监测及状态评估方法、系统及终端 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110153295A1 (en) * | 2009-12-21 | 2011-06-23 | United Technologies Corporation | Method and system for modeling the performance of a gas turbine engine |
CN106092594A (zh) * | 2016-05-26 | 2016-11-09 | 哈尔滨工程大学 | 一种抗传感器故障的强鲁棒性燃气轮机气路部件性能诊断方法 |
CN106295712A (zh) * | 2016-08-19 | 2017-01-04 | 苏州大学 | 一种故障检测方法和系统 |
WO2018044507A1 (en) * | 2016-08-29 | 2018-03-08 | Siemens Corporation | Machine learning-aided model-based method for estimating gas turbine component life |
CN108334907A (zh) * | 2018-02-09 | 2018-07-27 | 哈尔滨工业大学(威海) | 一种基于深度学习的复杂装备点异常检测方法及系统 |
-
2018
- 2018-11-20 CN CN201811380722.9A patent/CN109523171B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110153295A1 (en) * | 2009-12-21 | 2011-06-23 | United Technologies Corporation | Method and system for modeling the performance of a gas turbine engine |
CN106092594A (zh) * | 2016-05-26 | 2016-11-09 | 哈尔滨工程大学 | 一种抗传感器故障的强鲁棒性燃气轮机气路部件性能诊断方法 |
CN106295712A (zh) * | 2016-08-19 | 2017-01-04 | 苏州大学 | 一种故障检测方法和系统 |
WO2018044507A1 (en) * | 2016-08-29 | 2018-03-08 | Siemens Corporation | Machine learning-aided model-based method for estimating gas turbine component life |
CN108334907A (zh) * | 2018-02-09 | 2018-07-27 | 哈尔滨工业大学(威海) | 一种基于深度学习的复杂装备点异常检测方法及系统 |
Non-Patent Citations (1)
Title |
---|
蒋东翔等: "关于重型燃气轮机预测诊断与健康管理的研究综述", 《热能动力工程》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110415844A (zh) * | 2019-06-21 | 2019-11-05 | 杭州安脉盛智能技术有限公司 | 基于动作关键时序的控制棒驱动机构性能评估方法及系统 |
CN110415844B (zh) * | 2019-06-21 | 2021-06-01 | 杭州安脉盛智能技术有限公司 | 基于动作关键时序的控制棒驱动机构性能评估方法及系统 |
CN110310047A (zh) * | 2019-07-09 | 2019-10-08 | 上海新增鼎网络技术有限公司 | 一种工厂生产状态异常检测模型设计方法 |
CN110737976A (zh) * | 2019-10-10 | 2020-01-31 | 西安因联信息科技有限公司 | 一种基于多维度信息融合的机械设备健康评估方法 |
CN110737976B (zh) * | 2019-10-10 | 2023-12-08 | 西安因联信息科技有限公司 | 一种基于多维度信息融合的机械设备健康评估方法 |
CN110879151A (zh) * | 2019-11-28 | 2020-03-13 | 上海发电设备成套设计研究院有限责任公司 | 基于运行大数据的燃气轮机远程监测和诊断系统及方法 |
CN110879151B (zh) * | 2019-11-28 | 2021-11-26 | 上海发电设备成套设计研究院有限责任公司 | 基于运行大数据的燃气轮机远程监测和诊断系统及方法 |
CN112557047A (zh) * | 2020-12-09 | 2021-03-26 | 中国船舶工业系统工程研究院 | 一种船用燃气轮机稳定运行工况识别方法及系统 |
CN112557047B (zh) * | 2020-12-09 | 2022-08-02 | 中国船舶工业系统工程研究院 | 一种船用燃气轮机稳定运行工况识别方法及系统 |
CN115130559A (zh) * | 2022-06-06 | 2022-09-30 | 中国船舶集团有限公司系统工程研究院 | 船用燃气轮机起动过程监测及状态评估方法、系统及终端 |
Also Published As
Publication number | Publication date |
---|---|
CN109523171B (zh) | 2022-11-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109523171A (zh) | 一种基于svdd的燃气轮机进气系统健康度评估方法 | |
CN110414155B (zh) | 一种带有单测点的风机部件温度异常检测和报警方法 | |
CN101446827B (zh) | 一种流程工业系统的过程故障分析装置及方法 | |
US8433539B2 (en) | Wind turbine monitoring device, method, and program | |
US20120271826A1 (en) | Data collecting method for detection and on-time warning system of industrial process | |
CN107480731A (zh) | 一种火电厂汽动给水泵组故障特征的早期识别方法 | |
CN108133316B (zh) | 一种供电厂电力设备家族性缺陷的检测方法 | |
CN110320893B (zh) | 一种基于rcm的火电机组设备检修方法 | |
CN111046582A (zh) | 一种核电站柴油发电机组线圈温度预警方法及系统 | |
CN106295121A (zh) | 景观湖泊贝叶斯水质风险预测方法 | |
AT514680A2 (de) | Prozess zur Optimierung der Wartung technischer Systeme | |
CN116914917A (zh) | 一种基于大数据的配电柜运行状态监测管理系统 | |
CN112926656A (zh) | 一种核电厂循环水泵状态预测方法、系统及设备 | |
CN112036087A (zh) | 一种多策略融合的核动力关键设备故障诊断方法及系统 | |
CN109299201B (zh) | 基于两阶段聚类的电厂生产子系统异常监测方法及装置 | |
CN113722906B (zh) | 基于数字孪生的数据中心空调系统可靠性评估方法 | |
CN115375026A (zh) | 一种多故障模式下的航空发动机寿命预测方法 | |
CN114969645A (zh) | 一种基于统计分布模型的航空发动机状态监测评估方法 | |
CN117150418B (zh) | 基于状态特征故障树的变压器运检周期制定方法和系统 | |
CN102136038A (zh) | 基于状态空间的多特征设备状态评价方法及应用 | |
CN110011416A (zh) | 一种变电设备在线监测装置可靠性评估方法及装置 | |
CN114510467A (zh) | 一种智慧水务数据异常识别方法 | |
CN115953279A (zh) | 基于区块链技术的碳排放管理系统及方法 | |
CN111192163A (zh) | 基于风电机组运行数据的发电机可靠度中短期预测方法 | |
CN114595945B (zh) | 一种面向制造过程的航空产品mbom健康度评价方法 |
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 |