CN110530650B - 基于广义回归神经网络与箱型图分析的重型燃气轮机性能状态监测方法 - Google Patents

基于广义回归神经网络与箱型图分析的重型燃气轮机性能状态监测方法 Download PDF

Info

Publication number
CN110530650B
CN110530650B CN201910845426.XA CN201910845426A CN110530650B CN 110530650 B CN110530650 B CN 110530650B CN 201910845426 A CN201910845426 A CN 201910845426A CN 110530650 B CN110530650 B CN 110530650B
Authority
CN
China
Prior art keywords
gas turbine
efficiency
neural network
data
value
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
CN201910845426.XA
Other languages
English (en)
Other versions
CN110530650A (zh
Inventor
杨永明
曲晓峰
张德阳
毛静轩
姜漫利
王兆光
苗东旭
翟俊鹏
傅磊
王克剑
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.)
Harbin Electric Co ltd
Original Assignee
Harbin Electric Co ltd
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 Harbin Electric Co ltd filed Critical Harbin Electric Co ltd
Priority to CN201910845426.XA priority Critical patent/CN110530650B/zh
Publication of CN110530650A publication Critical patent/CN110530650A/zh
Application granted granted Critical
Publication of CN110530650B publication Critical patent/CN110530650B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G01MEASURING; TESTING
    • G01MTESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M15/00Testing of engines
    • G01M15/14Testing gas-turbine engines or jet-propulsion engines
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • G06N3/045Combinations of networks
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Control Of Turbines (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

基于广义回归神经网络与箱型图分析的重型燃气轮机性能状态监测方法,属于燃气‑蒸汽联合循环发电机组状态监测与故障诊断领域。重型燃气轮机性能状态监测是其健康管理的重要组成部分。技术要点:选取代表燃气轮机性能状态的特征参数;通过机理分析获取边界条件参数;采集筛选历史健康数据和当前运行数据;数据归一化处理;建立广义回归神经网络预测模型,并进行网络模型的训练和测试;计算燃气轮机效率预测值与实际运行值之间的相对残差;用箱型图分析法确定燃气轮机效率处于异常状态时阈值;依据效率相对残差进行相应的监测和分析。本发明有效的提高了燃气轮机设备运行的安全性和可靠性,最小化故障带来的经济损失。

Description

基于广义回归神经网络与箱型图分析的重型燃气轮机性能状 态监测方法
技术领域
本发明涉及一种重型燃气轮机性能状态监测方法,具体涉及一种基于广义回归神经网络与箱型图分析的重型燃气轮机性能状态监测方法,属于燃气-蒸汽联合循环发电机组状态监测与故障诊断领域。
背景技术
燃气-蒸汽联合循环机组具有热效率高、三废排放少、适于调峰等优点,近年来天然气发电装机量持续高速增长。国家明确指出提高天然气发电比重,扩大天然气利用规模。2020年燃机发电装机规模将达到1.1亿千瓦以上,占发电总装机比例超过5%,而且还将稳步增加。燃气轮机作为燃气-蒸汽联合循环机组的核心装置,燃气轮机工作环境复杂、工况多变,随着运行时间增长,大大增加其失效风险。一旦燃气轮机发生故障停机,将影响电力系统稳定,造成巨大的经济损失。
目前对于燃气轮机性能分析监测主要通过基于物理模型的方法,但现阶段我国重型燃机行业主要被GE、三菱、西门子等国外大型企业所垄断,缺乏核心技术,建立精确数学模型十分困难且复杂,变工况计算准确性也就无法保证。燃气轮机性能状态监测是燃气轮机健康管理的重要组成部分。若可以及时发现异常状态并做出诊断,则能最大限度提高其安全性、可靠性和经济性,降低整个机组运行维护成本。
发明内容
在下文中给出了关于本发明的简要概述,以便提供关于本发明的某些方面的基本理解。应当理解,这个概述并不是关于本发明的穷举性概述。它并不是意图确定本发明的关键或重要部分,也不是意图限定本发明的范围。其目的仅仅是以简化的形式给出某些概念,以此作为稍后论述的更详细描述的前序。
鉴于此,本发明设计了一种基于广义回归神经网络与箱型图分析的重型燃气轮机性能状态监测方法,从数据驱动的角度通过对燃气轮机性能状态的实时监测,及时发现燃气轮机性能状态的异常,防止发生严重故障,从而提高燃气轮机的可靠性、可用性和经济性,增强发电企业的竞争力,克服现有技术中的建立精确数学模型困难且复杂等问题。
为了实现上述目的,本发明的基于广义回归神经网络与箱型图分析的重型燃气轮机性能状态监测方法,具体步骤如下:
步骤1、选取代表燃气轮机性能状态的特征参数,所述特征参数选择燃气轮机效率,以其来表征燃气轮机性能状态;
步骤2、对燃气轮机效率进行系统全面的机理分析,获取影响燃气轮机效率的边界条件参数;
步骤3、从燃气-蒸汽联合循环机组数据库中采集筛选包含机组运行全工况的历史健康数据和当前运行数据,并将历史健康数据分为训练数据和测试数据;
步骤4、对步骤3中的数据进行归一化处理;原因在于数据变量参数具有不同的量纲与量级,为保证精确建立数据驱动模型;
步骤5、基于广义回归神经网络的方法,根据历史健康全工况运行数据建立健康状态燃气轮机效率的广义回归神经网络预测模型,并利用健康历史数据进行网络模型的训练和测试;
步骤6、步骤5模型训练好之后,计算步骤5中得到的燃气轮机效率预测值与实际运行值之间的相对残差;
步骤7、利用箱型图分析法对燃气轮机效率相对残差进行分析,确定燃气轮机效率处于异常状态时阈值;
步骤8、依据燃气轮机效率相对残差进行相应的监测和分析。
进一步地:所述步骤2中,影响燃气轮机效率的边界条件参数为:燃气轮机有功功率、大气温度、大气压力、IGV阀门开度、天然气标准体积流量、天然气温度、天然气压力。
进一步地:所述步骤4中,归一化处理,具体为:
x’=(x-xmin)/(xmax-xmin)
式中,xmax和xmin为样本数据的最大值与最小值,x为原始样本数据,x’为归一化后的数值。
进一步地:所述步骤5中,广义回归神经网络结构共有四层,分别为输入层、模式层、求和层和输出层。
进一步地,所述步骤5中,输入层神经元数目等于样本中输入向量的维数,共7维,包括燃气轮机有功功率、大气温度、大气压力、IGV阀门开度、天然气标准体积流量、天然气温度、天然气压力;各神经元是简单的分布单元,直接将输入变量传递给模式层。
进一步地:所述步骤5中,模式层神经网络数目等于学习样本的数目,各神经元对应不同的样本;求和层包含两种类型的神经元,其中一种神经元对所有模式层神经元的输出进行算数求和,另一种是对所有模式层的神经元进行加权求和;输出层中神经元数目等于学习样本中输出向量的维数,所述输出层为燃气轮机效率。
进一步地:所述步骤6中,相对残差具体为:
Figure BDA0002192429040000031
式中:m为样本数据个数,ηpi为基于广义回归神经网络模型的健康状态燃气轮机效率预测值,ηri为燃气轮机效率实际运行值。
进一步地:所述步骤7中,箱型图分析法指依靠实际数据,不需要事先假定数据服从特定的分布形式,具体步骤为:
步骤7.1、对步骤6中的燃气轮机效率相对残差ei进行统计分析,计算其下四分位数QL、上四分位数QU、四分位数间距IQR;
其中,QL称为下四分位数,表示全部数据中有四分之一的数据取值比它小;QU称为上四分位数,表示全部数据中有四分之一的数据取值比它大;IQR称为四分位数间距,是上四分位数QU与下四分位数QL之差,其间包含了全部观察值的一半;
步骤7.2、箱型图把异常值定义为小于QL-1.5IQR或大于QU+1.5IQR的值;从ei的定义可知ei≥0,而且随着ei的增大,燃气轮机状态发生异常的可能性增大,因此,可以将QU+1.5IQR作为燃气轮机性能状态出现异常的阈值。
进一步地:所述步骤8中,依据燃气轮机效率相对残差ei进行相应的监测和分析,具体步骤为:
步骤8.1、计算当前运行数据燃气轮机效率相对残差ei的值,判定其是否满足ei>QU+1.5IQR,若满足,记录此数据,等待下一步的判定;否则认为燃气轮机性能处于正常状态;
步骤8.2、进行后续连续数据的判定,若ei≤QU+1.5IQR,则认为燃气轮机性能处于正常状态;反之若连续多组数据都满足ei>QU+1.5IQR,判定燃气轮机性能处于异常状态,需要进行燃气轮机健康诊断。
本发明所达到的效果为:
本发明通过对反映燃气轮机性能状态的燃气轮机效率进行非线性参数建模,建立基于广义回归神经网络的健康状态燃气轮机效率预测模型。基于该模型与箱型图结合,对燃气轮机效率进行异常检测,箱型图没有对数据作任何限制性要求,它真实直观地表现数据形状的本来面貌。箱形图判断异常值的标准以四分位数和四分位距为基础,四分位数具有一定的耐抗性,多达25%的数据可以变得任意远而不会很大地扰动四分位数,所以异常值不能对这个标准施加影响,箱形图识别异常值的结果比较客观,对燃气-蒸汽联合循环机组健康运行具有重大意义,可以及时发现燃气轮机性能的异常状态,有效提高燃气轮机设备运行的安全性和可靠性,最小化故障带来的巨大损失。
附图说明
图1为本发明的流程示意图;
图2为燃气轮机工作原理图;
图3为广义回归神经网络结构图;
图4为箱型图检测异常值示意图。
具体实施方式
在下文中将结合附图对本发明的示范性实施例进行描述。为了清楚和简明起见,在说明书中并未描述实际实施方式的所有特征。然而,应该了解,在开发任何这种实际实施例的过程中必须做出很多特定于实施方式的决定,以便实现开发人员的具体目标,例如,符合与系统及业务相关的那些限制条件,并且这些限制条件可能会随着实施方式的不同而有所改变。此外,还应该了解,虽然开发工作有可能是非常复杂和费时的,但对得益于本发明公开内容的本领域技术人员来说,这种开发工作仅仅是例行的任务。
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样定义,不会用理想化或过于正式的含义来解释。
在此,还需要说明的一点是,为了避免因不必要的细节而模糊了本发明,在附图中仅仅示出了与根据本发明的方案密切相关的装置结构和/或处理步骤,而省略了与本发明关系不大的其他细节。下面根据附图详细阐述本发明优选的实施方式。
如图1-图4所示,本实施例的基于广义回归神经网络与箱型图分析的重型燃气轮机性能状态监测方法,
步骤1、选取代表燃气轮机性能状态的特征参数,考虑到燃气-蒸汽联合循环机组的实际运行情况和原理,本发明选择燃气轮机效率来表征燃气轮机性能状态。
步骤2、如图2所示为燃气轮机基本工作原理图,通过对燃气轮机效率这一重要指标进行系统全面的机理分析,获取影响燃气轮机效率的边界条件参数,可知有燃机功率、大气温度、大气压力、IGV阀门开度、天然气标准体积流量、天然气温度、天然气压力等,如下表1所示。
表1影响燃气轮机效率的边界条件参数
Figure BDA0002192429040000051
步骤3、从燃气-蒸汽联合循环机组数据库中采集筛选包含机组运行全工况的历史健康数据和当前运行数据。
步骤4、考虑到每组样本数据具有7个参数,且这些指标具有不同的量纲与量级。为保证精确建立数据驱动模型,需要进行归一化处理,归一化公式为:
x’=(x-xmin)/(xmax-xmin)
式中,xmax和xmin为样本数据的最大值与最小值,x为原始样本数据,x’为归一化后的数值。
步骤5、基于广义回归神经网络的方法,根据历史健康全工况运行数据建立健康状态燃气轮机效率的广义回归神经网络预测模型,并利用健康历史数据进行网络模型的训练和测试。
所述广义回归神经网络结构共有四层,如图3所示,分别为输入层、模式层、求和层和输出层。具体如下:
输入层:输入层神经元数目等于样本中输入向量的维数。本发明输入层共7维,包括燃气轮机有功功率、大气温度、大气压力、IGV阀门开度、天然气标准体积流量、天然气温度、天然气压力。各神经元是简单的分布单元,直接将输入变量传递给模式层。
模式层:模式层神经网络数目等于学习样本的数目n,各神经元对应不同的样本,模式层神经元传递函数为:
Figure BDA0002192429040000061
式中,X为网络输入变量,σ为平滑参数,Xi为第i个神经元对应的学习样本。
求和层:求和层包含两种类型的神经元,其中一种神经元对所有模式层神经元的输出进行算数求和,模式层各神经元与该神经元的连接权值为1,传递函数为:
Figure BDA0002192429040000062
其他是对所有模式层的神经元进行加权求和,传递函数为:
Figure BDA0002192429040000063
输出层:输出层中神经元数目等于学习样本中输出向量的维数k,本发明中输出层为燃气轮机效率,故k=1,各神经元将求和层的输出相除,即
yj=SNj/SDj=1,2,……,k
步骤6、步骤5广义回归神经网络模型训练好之后,计算步骤5中得到的燃气轮机效率预测值与实际运行值之间的相对残差。具体为:
Figure BDA0002192429040000064
式中:m为样本数据个数,ηpi为基于广义回归神经网络模型的健康状态燃气轮机效率预测值,ηri为燃气轮机效率实际运行值。
步骤7、利用箱型图分析法对燃气轮机效率相对残差进行分析,确定燃气轮机效率处于异常状态时阈值。箱型图没有对数据作任何限制性要求,它真实直观地表现数据形状的本来面貌。箱形图判断异常值的标准以四分位数和四分位距为基础,四分位数具有一定的耐抗性,多达25%的数据可以变得任意远而不会很大地扰动四分位数,所以异常值不能对这个标准施加影响,箱形图识别异常值的结果比较客观。具体步骤为:
步骤7.1、对步骤6中的燃气轮机效率相对残差ei进行统计分析,计算其下四分位数QL、上四分位数QU、四分位数间距IQR。
其中,QL称为下四分位数,表示全部数据中有四分之一的数据取值比它小;QU称为上四分位数,表示全部数据中有四分之一的数据取值比它大;IQR称为四分位数间距,是上四分位数QU与下四分位数QL之差,其间包含了全部观察值的一半;
步骤7.2、箱型图把异常值定义为小于QL-1.5IQR或大于QU+1.5IQR的值。从ei的定义可知ei≥0,而且随着ei的增大,燃气轮机状态发生异常的可能性增大,因此,可以将QU+1.5IQR作为燃气轮机性能状态出现异常的阈值。
步骤8、依据燃气轮机效率相对残差ei进行相应的监测和分析,具体步骤为:
步骤8.1、计算当前运行数据燃气轮机效率相对残差ei的值,判定其是否满足ei>QU+1.5IQR,若满足,记录此数据,等待下一步的判定。否则认为燃气轮机性能处于正常状态。
步骤8.2、进行后续连续数据的判定,若ei≤QU+1.5IQR,则认为燃气轮机性能处于正常状态。反之若连续20组数据都满足ei>QU+1.5IQR,判定燃气轮机性能处于异常状态,需要进行燃气轮机健康诊断。
以上实施例仅用于说明本发明的技术方案,而非对其限制;尽管参照上述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的范围。
此外,应当理解,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。

Claims (6)

1.基于广义回归神经网络与箱型图分析的重型燃气轮机性能状态监测方法,其特征在于,具体步骤为:
步骤1、选取代表燃气轮机性能状态的特征参数,所述特征参数选择燃气轮机效率,以其来表征燃气轮机性能状态;
步骤2、对燃气轮机效率进行系统全面的机理分析,获取影响燃气轮机效率的边界条件参数;
步骤3、从燃气-蒸汽联合循环机组数据库中采集筛选包含机组运行全工况的历史健康数据和当前运行数据,并将机组运行全工况的历史健康数据分为训练数据和测试数据;
步骤4、对步骤3中的机组运行全工况的历史健康数据进行归一化处理;
步骤5、基于广义回归神经网络的方法,根据机组运行全工况的历史健康数据建立健康状态燃气轮机效率的广义回归神经网络预测模型,并利用机组运行全工况的历史健康数据进行广义回归神经网络预测模型的训练和测试;
步骤6、步骤5广义回归神经网络预测模型训练好之后,计算步骤5中得到的燃气轮机效率预测值与实际运行值之间的相对残差;
步骤7、利用箱型图分析法对燃气轮机效率相对残差进行分析,确定燃气轮机效率处于异常状态时阈值;
步骤8、依据燃气轮机效率相对残差进行相应的监测和分析;
所述步骤6中,相对残差具体为:
Figure FDA0002965310120000011
式中:m为样本机组运行全工况的历史健康数据个数,ηpi为广义回归神经网络预测模型的健康状态燃气轮机效率预测值,ηri为燃气轮机效率实际运行值;
所述步骤7中,箱型图分析法具体步骤为:
步骤7.1、对步骤6中的燃气轮机效率相对残差ei进行统计分析,计算其下四分位数QL、上四分位数QU、四分位数间距IQR;
其中,QL称为下四分位数,表示全部机组运行全工况的历史健康数据中有四分之一的数据取值比它小;QU称为上四分位数,表示全部机组运行全工况的历史健康数据中有四分之一的数据取值比它大;IQR称为四分位数间距,是上四分位数QU与下四分位数QL之差,其间包含了全部观察值的一半;
步骤7.2、箱型图把异常值定义为小于QL-1.5IQR或大于QU+1.5IQR的值;从ei的定义可知ei≥0,而且随着ei的增大,燃气轮机状态发生异常的可能性增大,因此,可以将QU+1.5IQR作为燃气轮机性能状态出现异常的阈值;
所述步骤8中,依据燃气轮机效率相对残差ei进行相应的监测和分析,具体步骤为:
步骤8.1、计算当前运行数据燃气轮机效率相对残差ei的值,判定其是否满足ei>QU+1.5IQR,若满足,记录当前运行数据,等待下一步的判定;否则认为燃气轮机性能处于正常状态;
步骤8.2、进行后续连续运行数据的判定,若ei≤QU+1.5IQR,则认为燃气轮机性能处于正常状态;反之若连续多组运行数据都满足ei>QU+1.5IQR,判定燃气轮机性能处于异常状态,需要进行燃气轮机健康诊断。
2.根据权利要求1所述基于广义回归神经网络与箱型图分析的重型燃气轮机性能状态监测方法,其特征在于,所述步骤2中,影响燃气轮机效率的边界条件参数为:燃气轮机有功功率、大气温度、大气压力、IGV阀门开度、天然气标准体积流量、天然气温度、天然气压力。
3.根据权利要求1或2所述基于广义回归神经网络与箱型图分析的重型燃气轮机性能状态监测方法,其特征在于,所述步骤4中,归一化处理,具体为:
x’=(x-xmin)/(xmax-xmin)
式中,xmax和xmin为样本机组运行全工况的历史健康数据的最大值与最小值,x为原始样本机组运行全工况的历史健康数据,x’为归一化后的数值。
4.根据权利要求1所述基于广义回归神经网络与箱型图分析的重型燃气轮机性能状态监测方法,其特征在于,所述步骤5中,广义回归神经网络结构共有四层,分别为输入层、模式层、求和层和输出层。
5.根据权利要求4所述基于广义回归神经网络与箱型图分析的重型燃气轮机性能状态监测方法,其特征在于,所述步骤5中,输入层神经元数目等于样本中输入向量的维数,共7维,包括燃气轮机有功功率、大气温度、大气压力、IGV阀门开度、天然气标准体积流量、天然气温度、天然气压力;各神经元是简单的分布单元,直接将输入变量传递给模式层。
6.根据权利要求5所述基于广义回归神经网络与箱型图分析的重型燃气轮机性能状态监测方法,其特征在于,所述步骤5中,模式层神经网络数目等于学习样本的数目,各神经元对应不同的样本;求和层包含两种类型的神经元,其中一种神经元对所有模式层神经元的输出进行算数求和,另一种是对所有模式层的神经元进行加权求和;输出层中神经元数目等于学习样本中输出向量的维数,所述输出层为燃气轮机效率。
CN201910845426.XA 2019-09-05 2019-09-05 基于广义回归神经网络与箱型图分析的重型燃气轮机性能状态监测方法 Active CN110530650B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910845426.XA CN110530650B (zh) 2019-09-05 2019-09-05 基于广义回归神经网络与箱型图分析的重型燃气轮机性能状态监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910845426.XA CN110530650B (zh) 2019-09-05 2019-09-05 基于广义回归神经网络与箱型图分析的重型燃气轮机性能状态监测方法

Publications (2)

Publication Number Publication Date
CN110530650A CN110530650A (zh) 2019-12-03
CN110530650B true CN110530650B (zh) 2021-04-20

Family

ID=68667624

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910845426.XA Active CN110530650B (zh) 2019-09-05 2019-09-05 基于广义回归神经网络与箱型图分析的重型燃气轮机性能状态监测方法

Country Status (1)

Country Link
CN (1) CN110530650B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111445105B (zh) * 2020-02-28 2023-07-14 山东电力工程咨询院有限公司 基于目标值分析的电厂在线性能诊断方法及系统
CN111307123B (zh) * 2020-04-02 2021-03-02 中国水利水电科学研究院 一种水情监测数据的实时异常诊断与插补方法
CN112052628B (zh) * 2020-09-06 2022-09-16 上海电力大学 一种基于知识+数据的燃气轮机气路故障预测诊断方法
CN113027826B (zh) * 2021-02-26 2023-11-10 北京京能高安屯燃气热电有限责任公司 燃气轮机压气机清洁方法及装置
CN113744884A (zh) * 2021-09-30 2021-12-03 西南政法大学 一种学生健康数据预警及干预方法、系统
CN114235423A (zh) * 2021-12-13 2022-03-25 中国船舶重工集团公司第七0三研究所 一种燃气轮机滑油供给系统故障的检测方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102226428A (zh) * 2011-04-29 2011-10-26 哈尔滨工程大学 燃气轮机健康状态预测方法
CN104063577B (zh) * 2014-05-12 2017-02-15 吉林省电力科学研究院有限公司 基于广义回归神经网络的变压器油中特征气体发展趋势预测方法
CN109520740A (zh) * 2017-09-19 2019-03-26 汉十知识产权服务(十堰)有限公司 燃气轮机健康状态预测方法
CN108470084A (zh) * 2018-02-09 2018-08-31 浙江大学 一种基于神经网络和案例推理的汽轮机轴系振动故障诊断方法
CN110166264B (zh) * 2018-02-11 2022-03-08 北京三快在线科技有限公司 一种故障定位方法、装置及电子设备
CN108802535B (zh) * 2018-06-27 2020-06-26 全球能源互联网研究院有限公司 筛选方法、主干扰源识别方法及装置、服务器及存储介质
CN109615226B (zh) * 2018-12-12 2020-12-29 焦点科技股份有限公司 一种运营指标异常监测方法

Also Published As

Publication number Publication date
CN110530650A (zh) 2019-12-03

Similar Documents

Publication Publication Date Title
CN110530650B (zh) 基于广义回归神经网络与箱型图分析的重型燃气轮机性能状态监测方法
CN105117602B (zh) 一种计量装置运行状态预警方法
CN108363836B (zh) 多工况自适应的工业机器人健康度评估方法及系统
CN111537219B (zh) 一种基于温度参数的风机齿轮箱性能检测与健康评估方法
CN108053148B (zh) 一种电力信息系统故障高效诊断方法
CN111860839A (zh) 基于多信号融合及Adam优化算法的岸桥故障监测方法
CN111648992A (zh) 燃气轮机压气机故障识别预警方法
CN113204922A (zh) 一种变压器运行状态监控与预测方法
CN115618732A (zh) 核反应堆数字孪生关键参数自主优化数据反演方法
CN115294671A (zh) 一种空压机出口压力预测方法和预测系统
CN113065715A (zh) 一种综合能源系统多元负荷超短期预测方法
CN117113166A (zh) 一种基于改进的集成学习的工业锅炉故障检测方法
CN116662925A (zh) 一种基于加权稀疏神经网络工业过程软测量方法
CN115688581A (zh) 油气集输站设备参数预警方法、系统、电子设备及介质
CN116204825A (zh) 一种基于数据驱动的生产线设备故障检测方法
CN118188342A (zh) 一种面向风机的故障预警与寿命预测方法
CN108536877B (zh) 风力发电机组振动程度的评估方法与系统
CN115345392A (zh) 一种配电网异常态势研判与关键指标筛选方法
CN112380763A (zh) 一种基于数据挖掘的堆内构件可靠性分析系统及方法
CN116151799A (zh) 一种基于bp神经网络的配电线路多工况故障率快速评估方法
Dai et al. Research on fault prediction of radar electronic components based on analytic hierarchy process and BP neural network
Elijorde et al. Wind turbine performance monitoring based on hybrid clustering method
CN112365022A (zh) 一种基于多阶段的发动机轴承故障预测方法
CN112580709B (zh) 一种海上风电机组自适应状态评估方法
CN118014165B (zh) 锂离子电池生产的溯源管理方法及系统

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
GR01 Patent grant
GR01 Patent grant