CN109657285A - 汽轮机转子瞬态应力的检测方法 - Google Patents

汽轮机转子瞬态应力的检测方法 Download PDF

Info

Publication number
CN109657285A
CN109657285A CN201811429070.3A CN201811429070A CN109657285A CN 109657285 A CN109657285 A CN 109657285A CN 201811429070 A CN201811429070 A CN 201811429070A CN 109657285 A CN109657285 A CN 109657285A
Authority
CN
China
Prior art keywords
transient stress
model
layer structure
detection method
parameter
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
Application number
CN201811429070.3A
Other languages
English (en)
Inventor
宋磊
梁浩然
郑太生
郭丽丽
李绪志
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.)
Technology and Engineering Center for Space Utilization of CAS
Original Assignee
Technology and Engineering Center for Space Utilization of CAS
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 Technology and Engineering Center for Space Utilization of CAS filed Critical Technology and Engineering Center for Space Utilization of CAS
Priority to CN201811429070.3A priority Critical patent/CN109657285A/zh
Publication of CN109657285A publication Critical patent/CN109657285A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/17—Mechanical parametric or variational design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/06—Power analysis or power optimisation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Geometry (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Hardware Design (AREA)
  • General Engineering & Computer Science (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明公开了汽轮机转子瞬态应力的检测方法，涉及汽轮机领域。包括：获取汽轮机组内影响汽轮机转子瞬态应力的特征参数；建立瞬态应力预测模型，根据特征参数对瞬态应力预测模型进行训练，其中，瞬态应力预测模型包括两层结构，第一层结构由n个互不相同的机器学习模型组成，第一层结构中的n个机器学习模型的输出与第二层结构中的机器学习模型的输入连接，n≥2；根据训练后的瞬态应力预测模型对汽轮机转子的瞬态应力进行检测。本发明提供的检测方法，提高了瞬态应力预测模型对复杂情况的预测能力，保证了充分学习数据间的信息，提高了多参数复杂情况下转子瞬态应力预测的精度，且不需要进行复杂建模。

Description

汽轮机转子瞬态应力的检测方法
技术领域
本发明涉及汽轮机领域，尤其涉及一种汽轮机转子瞬态应力的检测方法。
背景技术
汽轮机组中，转子的工作状况对汽轮机组运行安全以及寿命管理具有很重要的意义。而在汽轮机组的启动、停机等过程中，汽轮机组的主轴、叶片和叶轮等部件会因高速旋转、强扭矩和高温蒸汽而产生巨大的瞬态应力，威胁转子的正常工作。因此，对转子瞬态应力的分析和预测成为汽轮机组寿命管理的关键。但是，转子恶劣的工作环境导致其瞬态应力难以直接测量获得。
目前，对于汽轮机转子寿命的研究中，通常，以预测转子瞬态应力为研究核心，以有限元分析为基础，开发各种有限元分析软件，在绝大多数应用场景下具有较好的预测精度和建模复杂度。然而对大型汽轮机组多参数共同作用的复杂情况的预测效果不佳，建模过程繁琐耗时，且得到的结果准确度低，计算效率也不高。
发明内容
本发明所要解决的技术问题是针对现有技术的不足，提供一种汽轮机转子瞬态应力的检测方法及一种存储介质。
本发明解决上述技术问题的技术方案如下：
一种汽轮机转子瞬态应力的检测方法，包括：
获取汽轮机组内影响汽轮机转子瞬态应力的特征参数；
建立瞬态应力预测模型，根据所述特征参数对所述瞬态应力预测模型进行训练，其中，所述瞬态应力预测模型包括两层结构，第一层结构由n个互不相同的机器学习模型组成，所述第一层结构中的n个所述机器学习模型的输出与第二层结构中的机器学习模型的输入连接，n≥2；
根据训练后的所述瞬态应力预测模型对汽轮机转子的瞬态应力进行检测。
本发明的有益效果是：本发明提供的检测方法，通过根据影响汽轮机转子瞬态应力的特征参数对具有两层结构的瞬态应力预测模型进行训练，提高了瞬态应力预测模型对复杂情况的预测能力，保证了充分学习数据间的信息，提高了多参数复杂情况下转子瞬态应力预测的精度，且不需要进行复杂建模。
本发明解决上述技术问题的另一种技术方案如下：
一种存储介质，所述存储介质中存储有指令，当计算机读取所述指令时，使所述计算机执行如上述技术方案所述的方法。
本发明附加的方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明实践了解到。
附图说明
图1为本发明汽轮机转子瞬态应力的检测方法的实施例提供的流程示意图；
图2为本发明汽轮机转子瞬态应力的检测方法的其他实施例提供的瞬态应力预测模型结构示意图；
图3为本发明汽轮机转子瞬态应力的检测方法的其他实施例提供的数据集划分结构示意图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述，所举实施例只用于解释本发明，并非用于限定本发明的范围。
如图1所示，为本发明汽轮机转子瞬态应力的检测方法的实施例提供的流程示意图，该检测方法包括：
S1，获取汽轮机组内影响汽轮机转子瞬态应力的特征参数。
需要说明的是，由于汽轮机组所涉及的特征参数较多，不同特征与转子应力的相关性存在差异，如果将相关性较低的特征加入模型中，相当于将噪声加入模型，不仅会降低模型精度，还会增加模型规模，加大计算量，造成过拟合。因此，特征参数应选取与转子瞬态应力的相关性较大或重要程度较高的汽轮机组的运行参数，例如，可以为主蒸汽压力、主蒸汽温度、机组转速、机组负荷、汽缸内表面金属温度、主蒸汽温度变化率等，这些参数均可在机组运行中直接测量获得。
S2，建立瞬态应力预测模型，根据特征参数对瞬态应力预测模型进行训练。
瞬态应力预测模型包括两层结构，第一层结构由n个互不相同的机器学习模型组成，第一层结构中的n个机器学习模型的输出与第二层结构中的机器学习模型的输入连接，n≥2。
需要说明的是，机器学习模型可以为Lasso回归模型、弹性网络模型、随机森林模型、线性回归模型、循环神经网络RNN、长短时记忆网络LSTM等。
其中，Lasso回归模型、弹性网络模型、随机森林模型为较优的选择，这三个模型的预测精度较高。
例如，当n＝2时，第一层结构由2个互不相同的机器学习模型组成，可以为Lasso回归模型和弹性网络模型，第二层结构可以由Lasso回归模型组成。
又例如，当n＝3时，如图2所示，第一层结构1由3个互不相同的机器学习模型组成，可以为Lasso回归模型、弹性网络模型和随机森林模型，第二层结构2可以由Lasso回归模型组成。
需要说明的是，由于瞬态应力预测模型为两层结构，因此，在对其进行训练时，可以首先分别对第一层结构中的机器学习模型进行训练，分别得到训练结果后，将得到的这些训练结果与全部的训练集合并，作为新的训练集，再对第二层的机器学习模型进行训练，这样可以显著提高瞬态应力预测模型对复杂情况的预测精度。
应理解，在进行训练前，需要获取训练集。训练集可以根据特征参数获取。
例如，假设主蒸汽温度是与转子的瞬态压力相关度很高的特征参数，那么可以在预设的时间段内，隔预设间隔采集主蒸汽温度，就得到了一个数据集。可以根据以下方法对数据集进行划分：
根据交叉验证法将数据集分为n份，将其中1份作为测试集，其余作为训练集；
重复划分n次，得到n个划分后的数据集，每个数据集中都有n-1份训练集。
例如，如图3所示，假设n＝3，即第一层结构中有3个机器学习模型，那么可以使用3折交叉验证来划分数据集，可以在一定程度上降低过拟合的风险和减小方差。
首先，使用不重复抽样将数据集随机划分为3份，挑选其中的1份数据作为测试集3，其余2份作为训练集4，一共重复迭代3次，那么如图3所示，就能够得到3个不同的数据集，每个数据集中都有1份测试集3和2份训练集4，且2份训练集4的组合都是不同的，这样保证了每份子集都有机会作为测试集3和训练集4，提高预测的精度。
S3，根据训练后的瞬态应力预测模型对汽轮机转子的瞬态应力进行检测。
应理解，在对瞬态应力预测模型进行训练后，直接将检测到的汽轮机组的相关的运行数据输入到瞬态应力预测模型，就能快速的得到瞬态应力的分析结果，相比于传统方法，速度提高很多。
本实施例提供的检测方法，通过根据影响汽轮机转子瞬态应力的特征参数对具有两层结构的瞬态应力预测模型进行训练，提高了瞬态应力预测模型对复杂情况的预测能力，保证了充分学习数据间的信息，提高了多参数复杂情况下转子瞬态应力预测的精度，且不需要进行复杂建模。
可选地，在一些实施例中，还包括：
根据特征参数对瞬态应力预测模型进行预测。
可选地，在一些实施例中，根据特征参数对瞬态应力预测模型进行预测，具体包括：
根据交叉验证法将特征参数的数据集分为n份，将其中1份作为测试集，其余作为训练集；
重复划分n次，得到n个划分后的测试集；
将n个测试集一对一地输入到第一层结构中的n个机器学习模型中进行预测，得到n个初步预测结果；
对n个初步预测结果取均值，将均值和n个测试集输入到第二层结构中的机器学习模型中进行预测，得到预测结果。
可选地，在一些实施例中，获取汽轮机组内影响汽轮机转子瞬态应力的特征参数，具体包括：
获取汽轮机组运行时的全部运行参数；
根据预设特征选择模型对全部运行参数进行训练，根据训练结果确定全部运行参数的重要性，将重要性大于预设阈值的运行参数作为影响汽轮机转子瞬态应力的特征参数。
预设阈值可以根据实际需求设置。
优选地，还可以在计算完全部运行参数的重要性后，按重要性的大小进行排序，将排名在前x名的运行参数作为特征参数，x的值可以根据实际需求设置，这样也能够挑选出对汽轮机转子瞬态应力影响较大的参数，提高预测的精度。
应理解，用于特征重要性分析的模型可以采用随机森林模型、支持向量机、ARIMA、人工神经网络、贝叶斯网络模型等，较优的模型是随机森林模型。
需要说明的是，目前在国内外相关研究领域以及国际相关工程应用中，对于建模特征参数的选取，仍然以物理模型分析为主，以转子设计的专家知识为辅，建模过程十分复杂，且涉及的参数过多。工况复杂时，有限元分析无法适应复杂的边界条件变化，从而无法得出问题的解。而本实施例利用特征重要性分析方法，通过分析数据对模型精度的影响程度，直接挖掘数据间的关联程度，挑选出适合建模的特征参数，有效避免了上述问题。
可选地，在一些实施例中，根据预设特征选择模型对全部运行参数进行训练，根据训练结果确定全部运行参数的重要性，具体包括：
将任一运行参数输入到预设特征选择模型中进行训练，得到第一训练结果；
根据第一训练结果与汽轮机转子瞬态应力进行误差计算，得到第一误差；
向运行参数中加入随机噪声；
将加入随机噪声后的运行参数重新输入到预设特征选择模型中进行训练，得到第二训练结果；
根据第二训练结果与汽轮机转子瞬态应力进行误差计算，得到第二误差；
根据第一误差、第二误差和预设重要性计算公式，计算得到运行参数的重要性；
重复计算其他运行参数的重要性，直到全部运行参数的重要性计算完成。
可选地，在一些实施例中，根据以下公式计算运行参数的重要性：
importace＝(|E1-E2|)/N
其中，importace为重要性，E1为第一误差，E2为第二误差，N为预设特征选择模型中决策树的数量。
可选地，在一些实施例中，预设特征选择模型为随机森林模型。
可选地，在一些实施例中，第一层结构由3个互不相同的机器学习模型组成，分别是Lasso回归模型、弹性网络模型和随机森林模型。
可选地，在一些实施例中，第二层结构中的机器学习模型为Lasso回归模型。
可以理解，在一些实施例中，可以包含如上述各实施例中的部分或全部步骤。
在本发明的其他实施例中，还提供一种存储介质，该存储介质中存储有指令，当计算机读取该指令时，使计算机执行如上述实施例中任一项所述的方法。
读者应理解，在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，RandomAccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上，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技术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 (10)

1.一种汽轮机转子瞬态应力的检测方法，其特征在于，包括：
获取汽轮机组内影响汽轮机转子瞬态应力的特征参数；
建立瞬态应力预测模型，根据所述特征参数对所述瞬态应力预测模型进行训练，其中，所述瞬态应力预测模型包括两层结构，第一层结构由n个互不相同的机器学习模型组成，所述第一层结构中的n个所述机器学习模型的输出与第二层结构中的机器学习模型的输入连接，n≥2；
根据训练后的所述瞬态应力预测模型对汽轮机转子的瞬态应力进行检测。
2.根据权利要求1所述的检测方法，其特征在于，还包括：
根据所述特征参数对所述瞬态应力预测模型进行预测。
3.根据权利要求2所述的检测方法，其特征在于，根据所述特征参数对所述瞬态应力预测模型进行预测，具体包括：
根据交叉验证法将所述特征参数的数据集分为n份，将其中1份作为测试集，其余作为训练集；
重复划分n次，得到n个划分后的测试集；
将n个测试集一对一地输入到所述第一层结构中的n个机器学习模型中进行预测，得到n个初步预测结果；
对n个所述初步预测结果取均值，将所述均值和n个所述测试集输入到所述第二层结构中的机器学习模型中进行预测，得到预测结果。
4.根据权利要求1至3中任一项所述的检测方法，其特征在于，获取汽轮机组内影响汽轮机转子瞬态应力的特征参数，具体包括：
获取汽轮机组运行时的全部运行参数；
根据预设特征选择模型对全部所述运行参数进行训练，根据训练结果确定全部所述运行参数的重要性，将重要性大于预设阈值的运行参数作为影响汽轮机转子瞬态应力的特征参数。
5.根据权利要求4所述的检测方法，其特征在于，根据预设特征选择模型对全部所述运行参数进行训练，根据训练结果确定全部所述运行参数的重要性，具体包括：
将任一所述运行参数输入到所述预设特征选择模型中进行训练，得到第一训练结果；
根据所述第一训练结果与所述汽轮机转子瞬态应力进行误差计算，得到第一误差；
向所述运行参数中加入随机噪声；
将加入随机噪声后的所述运行参数重新输入到所述预设特征选择模型中进行训练，得到第二训练结果；
根据所述第二训练结果与所述汽轮机转子瞬态应力进行误差计算，得到第二误差；
根据所述第一误差、第二误差和预设重要性计算公式，计算得到所述运行参数的重要性；
重复计算其他所述运行参数的重要性，直到全部所述运行参数的重要性计算完成。
6.根据权利要求5所述的检测方法，其特征在于，根据以下公式计算运行参数的重要性：
importace＝(|E1-E2|)/N
其中，importace为重要性，E1为第一误差，E2为第二误差，N为所述预设特征选择模型中决策树的数量。
7.根据权利要求5或6所述的检测方法，其特征在于，所述预设特征选择模型为随机森林模型。
8.根据权利要求1所述的检测方法，其特征在于，所述第一层结构由3个互不相同的机器学习模型组成，分别是Lasso回归模型、弹性网络模型和随机森林模型。
9.根据权利要求1所述的检测方法，其特征在于，所述第二层结构中的机器学习模型为Lasso回归模型。
10.一种存储介质，其特征在于，所述存储介质中存储有指令，当计算机读取所述指令时，使所述计算机执行如权利要求1至9中任一项所述的方法。
CN201811429070.3A 2018-11-27 2018-11-27 汽轮机转子瞬态应力的检测方法 Pending CN109657285A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811429070.3A CN109657285A (zh) 2018-11-27 2018-11-27 汽轮机转子瞬态应力的检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811429070.3A CN109657285A (zh) 2018-11-27 2018-11-27 汽轮机转子瞬态应力的检测方法

Publications (1)

Publication Number Publication Date
CN109657285A true CN109657285A (zh) 2019-04-19

Family

ID=66111811

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811429070.3A Pending CN109657285A (zh) 2018-11-27 2018-11-27 汽轮机转子瞬态应力的检测方法

Country Status (1)

Country Link
CN (1) CN109657285A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111814389A (zh) * 2020-06-17 2020-10-23 新奥数能科技有限公司 一种制冷系统制冷系数预测方法及装置
CN114970325A (zh) * 2022-05-05 2022-08-30 西安交通大学 基于轮盘应力快速评估的燃气轮机安全启动方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103318181A (zh) * 2013-06-19 2013-09-25 电子科技大学 一种驾驶员意图识别方法
CN106033554A (zh) * 2015-03-13 2016-10-19 中国科学院声学研究所 一种基于分段的两级深度学习模型的大数据处理方法
CN108021984A (zh) * 2016-11-01 2018-05-11 第四范式（北京）技术有限公司 确定机器学习样本的特征重要性的方法及系统
CN108197081A (zh) * 2017-11-03 2018-06-22 上海敬之网络科技有限公司 一种航班延误险的数据精算模型建立方法
CN108764517A (zh) * 2018-04-08 2018-11-06 中南大学 一种高炉铁水硅含量变化趋势预测方法、设备和存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103318181A (zh) * 2013-06-19 2013-09-25 电子科技大学 一种驾驶员意图识别方法
CN106033554A (zh) * 2015-03-13 2016-10-19 中国科学院声学研究所 一种基于分段的两级深度学习模型的大数据处理方法
CN108021984A (zh) * 2016-11-01 2018-05-11 第四范式（北京）技术有限公司 确定机器学习样本的特征重要性的方法及系统
CN108197081A (zh) * 2017-11-03 2018-06-22 上海敬之网络科技有限公司 一种航班延误险的数据精算模型建立方法
CN108764517A (zh) * 2018-04-08 2018-11-06 中南大学 一种高炉铁水硅含量变化趋势预测方法、设备和存储介质

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111814389A (zh) * 2020-06-17 2020-10-23 新奥数能科技有限公司 一种制冷系统制冷系数预测方法及装置
CN114970325A (zh) * 2022-05-05 2022-08-30 西安交通大学 基于轮盘应力快速评估的燃气轮机安全启动方法及系统
CN114970325B (zh) * 2022-05-05 2024-08-16 西安交通大学 基于轮盘应力快速评估的燃气轮机安全启动方法及系统

Similar Documents

Publication Publication Date Title
KR102153924B1 (ko) 모델 파라미터값 추정 장치 및 추정 방법, 프로그램, 프로그램을 기록한 기록 매체, 모델 파라미터값 추정 시스템
Yang et al. VIBEX: an expert system for vibration fault diagnosis of rotating machinery using decision tree and decision table
Safiyullah et al. Prediction on performance degradation and maintenance of centrifugal gas compressors using genetic programming
CN111459700A (zh) 设备故障的诊断方法、诊断装置、诊断设备及存储介质
JP3651693B2 (ja) プラント監視診断装置および方法
Eleftheroglou et al. An adaptive probabilistic data-driven methodology for prognosis of the fatigue life of composite structures
CN103983453A (zh) 一种航空发动机的执行机构和传感器故障诊断的区分方法
JP6677575B2 (ja) 回転機械の運転状態を診断する診断装置及び診断方法
CN115618732B (zh) 核反应堆数字孪生关键参数自主优化数据反演方法
KR20200039964A (ko) 기계학습모델 기반 설비 기기의 최적 운전 방법 및 장치
JP2019016039A (ja) プロセスの異常状態診断方法および異常状態診断装置
CN109779791B (zh) 一种固体火箭发动机中异常数据智能诊断方法
CN109657285A (zh) 汽轮机转子瞬态应力的检测方法
CN110334383A (zh) 基于ga和l-m组合优化的燃气轮机故障诊断专家系统方法
Loboda et al. A benchmarking analysis of a data-driven gas turbine diagnostic approach
CN115453356A (zh) 一种动力设备运行状态监测分析方法、系统、终端及介质
Zighed et al. Comparative analysis of object-oriented software maintainability prediction models
Zhao et al. Gas turbine exhaust system health management based on recurrent neural networks
JP2019012473A (ja) データフィルタリング装置および方法
Tirovolas et al. Introducing fuzzy cognitive map for predicting engine’s health status
CN106845144A (zh) 一种基于工业大数据挖掘的状态预测方法
Razavi et al. Remaining useful life estimation using ANFIS algorithm: A data-driven approcah for prognostics
Wang et al. Remaining Life Prediction for High-speed Rail Bearing Considering Hybrid Data-model-driven Approach
CN110298132A (zh) 一种水轮发电机组轴承摆度趋势预测方法
Lv et al. General log‐linear Weibull model combining vibration and temperature characteristics for remaining useful life prediction of rolling element bearings

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: 20190419