CN110532681B - 基于narx网络-箱线图和常模式提取的燃机异常检测方法 - Google Patents
基于narx网络-箱线图和常模式提取的燃机异常检测方法 Download PDFInfo
- Publication number
- CN110532681B CN110532681B CN201910802063.1A CN201910802063A CN110532681B CN 110532681 B CN110532681 B CN 110532681B CN 201910802063 A CN201910802063 A CN 201910802063A CN 110532681 B CN110532681 B CN 110532681B
- Authority
- CN
- China
- Prior art keywords
- residual error
- neural network
- exhaust temperature
- data
- gas turbine
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Control Of Turbines (AREA)
Abstract
本发明公开了基于NARX网络‑箱线图和常模式提取的燃机异常检测方法,包括:利用训练集的数据训练NARX神经网络,得到训练数据的排温预测值以及训练好的NARX神经网络模型;计算所述排温预测值与对应的排温真实值之间的残差,将残差输入改进的箱线图算法中得到残差检测阈值;通过计算将待检测数据输入训练好的NARX神经网络模型得到的模型预测的涡轮排气温度值与实际的涡轮排气温度值之间的残差,并判断是否在残差检测阈值内。本发明解决了现有技术不能在仅仅有海量的正常历史数据的情况下的燃气轮机的异常检测问题,能够实现在线检测,对于燃气轮机的安全可靠运行有着重要意义。
Description
技术领域
本发明属于燃气轮机检测和控制领域,提出了基于NARX网络-箱线图和常模式提取的燃机异常检测方法。
背景技术
燃气轮机是一种非常重要的动力机械,在航空动力、船舶动力、机械驱动、电力系统等领域有着极其广泛的应用。燃气轮机长期工作在高温、高压、高速旋转的环境中,热负荷和机械负荷大,因此易发生故障。燃气轮机的故障往往导致高昂的维修费用和巨大的经济损失。燃气轮机的在线异常检测对于提高燃气轮机的运行安全与可靠性有着重要的意义。
由Loboda I,Robles M A O.发表的文献《Gas turbine fault diagnosis usingprobabilistic neural networks(基于概率神经网络的燃气轮机故障诊断)》中利用概率神经网络对含有正常样本和故障样本的大量历史数据进行训练,得到了一个概率神经网络分类器。当新样本输入到训练好的概率神经网络分类器中后,概率神经网络分类器就会将新样本分为正常样本或故障样本。上述文献提出的技术方法在进行燃气轮机的异常检测时,同时需要故障样本和正常样本。在实际应用中,燃气轮机大部分实现运行于正常状态下,故障样本很少甚至几乎没有。该文献提出的技术方法并不能在仅仅有海量的正常历史数据的情况下的燃气轮机的异常检测问题。
发明内容
本发明的目的是提出基于NARX网络-箱线图和常模式提取的燃机异常检测方法,利用燃气轮机机组的海量正常历史数据,建立燃气轮机常模式模型,实现燃气轮机机组的在线异常检测,而不需要同时具有故障样本和正常样本,解决了现有技术不能在仅仅有海量的正常历史数据的情况下的燃气轮机的异常检测问题。
本发明通过以下技术方案实现:基于NARX网络-箱线图和常模式提取的燃机异常检测方法,所述燃机异常检测方法包括以下步骤:
步骤一:利用训练集的数据训练NARX神经网络,得到训练数据的排温预测值以及训练好的NARX神经网络模型,通过NARX神经网络的训练,实现正常模式下燃气轮机固有映射关系的辨识,完成燃气轮机的常模式提取;
步骤二:计算所述排温预测值与对应的排温真实值之间的残差,将残差输入改进的箱线图算法中得到残差检测阈值;
步骤三:通过计算将待检测数据输入训练好的NARX神经网络模型得到的模型预测的涡轮排气温度值与实际的涡轮排气温度值之间的残差,并判断是否在残差检测阈值内。
进一步的,步骤一中,具体的,所述训练集为历史正常数据,所述NARX神经网络为带外部输入的非线性自回归神经网络模型,所述神经网络的输入为燃料质量流量gf、空气入口温度T1和压气机出口压力p2,输出为透平的排气温度T4。
进一步的,步骤二中,具体的,将训练数据的残差按照从小到大的顺序排列,计算排在第75%位置处的数,称为上四分位数Q3;计算排在第25%位置处的数,称为下四分位数Q1,得到残差检测阈值为[Q1-2.2IQR,Q3+2.2IQR],其中四分位距IQR=Q3-Q1。
进一步的,步骤三包括以下步骤:
步骤三一:将待检测样本的燃料质量流量gf、空气入口温度T1和压气机出口压力p2输入到训练好的NARX神经网络模型中,计算得到模型预测的涡轮排气温度值;
步骤三二:将模型预测的涡轮排气温度值与排温真实值作差得到残差;
步骤三三:判断残差是否在由改进的箱线图算法得到的残差检测阈值[Q1-2.2IQR,Q3+2.2IQR]的区间内,若残差位于残差检测阈值内,则认为待检测样本为正常样本;若残差不在残差检测阈值内,则认为待检测样本为故障样本。
本发明的有益效果在于:本发明提出基于NARX网络-箱线图和常模式提取的燃机异常检测方法不需要同时具有故障样本和正常样本,解决了现有技术不能在仅仅有海量的正常历史数据的情况下的燃气轮机的异常检测问题,能够实现在线检测,对于燃气轮机的安全可靠运行有着重要意义。
附图说明
图1为布雷顿循环T-S图;
图2为典型的单轴燃气轮机示意图;
图3为基于常模式提取的燃气轮机异常检测流程示意图;
图4为NARX网络结构示意图;
图5为原始的箱线图示意图;
图6为改进的箱线图示意图;
图7为单轴燃气轮机历史运行数据中的正常数据示意图;
图8为单轴燃气轮机历史运行数据中的故障数据示意图;
图9为本发明的检测效果图;
图10为本发明的基于NARX网络-箱线图和常模式提取的燃机异常检测方法的方法流程图。
具体实施方式
下面将结合本发明实施例中的附图对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
参照图10所示,本发明提出了基于NARX网络-箱线图和常模式提取的燃机异常检测方法,所述燃机异常检测方法包括以下步骤:
步骤一:利用训练集的数据训练NARX神经网络,得到训练数据的排温预测值以及训练好的NARX神经网络模型,通过NARX神经网络的训练,实现正常模式下燃气轮机固有映射关系的辨识,完成燃气轮机的常模式提取;
步骤二:计算所述排温预测值与对应的排温真实值之间的残差,将残差输入改进的箱线图算法中得到残差检测阈值;
步骤三:通过计算将待检测数据输入训练好的NARX神经网络模型得到的模型预测的涡轮排气温度值与实际的涡轮排气温度值之间的残差,并判断是否在残差检测阈值内。
在本部分具体实施例中,步骤一中,具体的,所述训练集为历史正常数据,所述NARX神经网络为带外部输入的非线性自回归神经网络模型,所述神经网络的输入为燃料质量流量gf、空气入口温度T1和压气机出口压力p2,输出为透平的排气温度T4。
具体的,根据燃气轮机基本原理,燃气轮机在正常运行时,各个测点的参数之间存在着固有的映射关系。当燃气轮机发生故障时,该映射关系就会发生改变。燃气轮机在正常运行时,各个可测参数之间的固有映射关系可以根据燃气轮机的基本原理进行如下的机理分析得到。
参照图1所示,燃气轮机的热力循环称为布雷顿循环。参照图2所示,本发明将基于布雷顿循环和燃气轮机的基本原理,揭示单轴燃气轮机的各个可测量参数之间的固有映射关系。
当空气进入单轴燃气轮机时,首先进入压气机,按图1中热力学过程1-2进行压缩。本发明假设定压比热容比k为常数,则压气机出口空气温度T2由公式为:
式中ηC为压气机等熵效率,πC为压气机压力比,T1和T2分别为压气机进口温度和压气机出口温度。
燃料在燃烧室里燃烧,gf,ηb和LHV分别表示燃料的质量流量、燃烧效率和燃料的低位热值。燃料燃烧产生的热量近似于燃料和空气的混合物所吸收的热量。根据质量守恒定律,在不考虑泄漏的情况下,燃烧室内气体的质量流量等于燃料的质量流量和空气的质量流量之和。假设恒压比热是一个常数。根据能量守恒定律,可以得到:
gf.ηb.LHV=(gf+ga).cp.(T3-T2), (2)
式中T3为燃烧室出口温度。假设LHV也是一个常数,由式(1)和式(2)可知:
考虑到一些未建模和不确定因素,式(3)可以用一个非线性函数重写如下:
T3=f0(gf,ga,ηb,T1,ηC,πC). (4)
气体出燃烧室后进入涡轮,热力过程参照图1中的3-4所示。涡轮的排气温度由式(5)给出:
其中T4是涡轮的排气温度,ηT是涡轮的效率,πT是涡轮的膨胀比。将等式(3)带入式(5)并考虑建模中的一些不确定因素,我们可以得到:
T4=f1(T3,ηT,πT)=f2(gf,ga,ηb,T1,ηC,πC,πT,ηT). (6)
在式(6)中,涡轮的膨胀比πT由涡轮入口处的压力p3除以涡轮排气压力p4来定义。压气机的压缩比πC等于压气机出口处的压力p2除以压气机入口处的压力p1。请注意,p1近似等于大气压力。如果忽略进气和排气过程中的压力损失,则p4接近于p1。同时,本发明也忽略了燃烧过程中的压力损失,这意味着p2近似于p3。因此,我们有以下等式:
由于环境压力接近压气机入口处的压力p1。同时,我们知道大气压力为101325Pa并且通常变化很小。因此,πT近似于πC并且它们都是压力p2的常数倍,故等式(7)可以简化如下:
T4=f3(gf,ga,ηb,T1,ηC,p2,ηT). (8)
考虑到压气机特性曲线和涡轮特性曲线,空气质量流量ga和压缩机效率ηC以及涡轮效率ηT分别满足式(9)、式(10)和式(11),
本发明仅关注用于发电的单轴燃气轮机,该类燃机转速n几乎保持不变。同时,本发明仅关注入口导叶开度(IGV)保持不变的情况。因此,式(9)、式(10)和式(11)可简化如下:
将等式(12)和等式(4)带入等式(8)中,获得如下等式:
T4=f3(gf,g10(p2,T1,p1),ηb,T1,g20(p2,T1),p2,g30(p2,f(gf,g10(p2,T1,p1),ηb,T1,g20(p2,T1),p2))) (13)
在式(13)中,涡轮排气温度是三个可测量参数的函数,即燃料的质量流量gf,空气入口温度T1和压气机出口压力p2。因此,在用于发电的单轴燃气轮机中存在以下关系:
T4=F(gf,T1,p2) (14)
在式(14)中,当压气机故障发生时,压气机特性曲线改变并且函数g10(.)和g20(.)改变,这会导致函数F(.)改变。当涡轮发生故障时,涡轮特性曲线发生变化,函数g30(.)发生变化,也会使函数F(.)发生变化。当燃烧室发生故障时,燃烧效率ηb降低,这也导致函数F(.)的改变。因此,式(14)中的函数F(.)表征正常情况下单轴燃气轮机的可测量参数之间的固有关系。当故障发生后,函数F(.)会改变。因此,等式(14)中的映射关系F(.)是单轴燃气轮机的正常模式的未改变的特征。检测F(.)的变化来实现单轴燃气轮机的精确故障检测。
通过上述分析,建立了式(14)所示的燃气轮机常模式。在实际应用中,等式(14)中的映射关系可以利用海量的正常历史数据对燃气轮机各个测点之间的固有映射关系进行离线辨识得到。利用历史海量的正常历史数据对燃气轮机正常模式下各个测点之间的固有映射关系进行辨识的过程即为常模式提取的过程。当完成各个测点之间的固有映射关系F(.)的辨识后,即可将待检测样本输入到该映射关系F(.)中,通过检测残差的变化实现异常检测。参照图3所示,具体检测方法如下:燃气轮机处于正常状态时,实际的输出值和模型预测的输出值之间的残差很小,会在一个给定的阈值带以内;当燃气轮机发生故障时,实际的输出值和模型预测的输出值之间的残差会超出给定的阈值带。因此检测残差的变化情况即可实现燃气轮机的异常检测。
对于映射关系的辨识,本文采用带外部输入的非线性自回归(NARX)网络。该网络通过输入参数的延迟步数和输出参数的延迟步数,能够准确地刻画燃气轮机的动态关系,其网络结构图参照图4所示。
在本实施例中,NARX网络的三个输入参数的时间延迟步数均选取为0,输出参数的时间延迟步数为2,网络选择单隐含层结构,隐含层结点数为10个。通过NARX网络的训练,实现正常模式下燃气轮机固有映射关系(公式(14)中的F(.))的辨识,从而完成燃气轮机的常模式提取。
在本部分优选实施例中,步骤二中,具体的,将训练数据的残差按照从小到大的顺序排列,计算排在第75%位置处的数,称为上四分位数Q3;计算排在第25%位置处的数,称为下四分位数Q1,得到残差检测阈值为[Q1-2.2IQR,Q3+2.2IQR],其中四分位距IQR=Q3-Q1。
具体的,对于阈值带的设定,本发明采用箱线图方法,箱线图参照图5所示。将一组数据从小到大排列,计算排在第75%位置处的数,称为上四分位数Q3;计算排在第25%位置处的数,称为下四分位数Q1。原始的箱形图提供了识别异常值的一个标准:异常值被定义为小于Q1-1.5IQR或大于Q3+1.5IQR的值,其中IQR=Q3-Q1。在本发明中,为了提高异常检测的鲁棒性,异常值被定义为小于Q1-2.2IQR或大于Q3+2.2IQR的值,其中IQR=Q3-Q1,该过程在线实施以进行异常检测。改进的箱线图参照图6所示。
在本部分优选实施例中,步骤三包括以下步骤:
步骤三一:将待检测样本的燃料质量流量gf、空气入口温度T1和压气机出口压力p2输入到训练好的NARX神经网络模型中,计算得到模型预测的涡轮排气温度值;
步骤三二:将模型预测的涡轮排气温度值与排温真实值作差得到残差;
步骤三三:判断残差是否在残差检测阈值[Q1-2.2IQR,Q3+2.2IQR]的区间内,若残差位于残差检测阈值内,则认为待检测样本为正常样本;若残差不在残差检测阈值内,则认为待检测样本为故障样本。
为了检测本发明所提出方法的有效性,在某单轴燃气轮机历史运行数据上进行实验验证。该单轴燃机共有19595个正常样本点和9128个故障样本点。正常数据和异常数据分别参照图7和图8所示。
首先利用正常数据的前16136个样本进行训练,得到了训练好的带外部输入的非线性自回归网络模型。然后利用剩余的正常数据样本做测试,以检测建立的常模式模型在正常数据上的检测效果。最后利用历史故障样本来检验建立的常模式模型对故障样本的检测性能。绘制出的残差、上限阈值和下限阈值如图9所示。
参照图9所示,几乎所有的正常数据都在阈值带内,几乎所有的故障数据都在阈值带外,由此可以证明本发明提出的异常检测方法的有效性。
为了准确表征异常检测性能,将正常数据的检测精度定义为在残差落在阈值带内的样本数目与所有的正常样本数目的比值,将故障数据的检测精度定义为残差落在阈值带外的故障样本数目与所有的故障样本数目的比值。计算得出正常样本的检测精度和故障数据的检测精度如表1所示:
表1本发明提出的方法的检测精度
由表1可见,本发明提出的方法能在保证低误报警率的基础上实现单轴燃气轮机灵敏的异常检测,同时该方法在带外部输入的非线性自回归网络模型训练好后能够实现在线异常检测,对于燃气轮机的安全可靠运行有着重要意义。
Claims (2)
1.基于NARX网络-箱线图和常模式提取的燃机异常检测方法,其特征在于,所述燃机异常检测方法包括以下步骤:
步骤一:利用训练集的数据训练NARX神经网络,得到训练数据的排温预测值以及训练好的NARX神经网络模型,通过NARX神经网络的训练,实现正常模式下燃气轮机固有映射关系的辨识,完成燃气轮机的常模式提取;
步骤二:计算所述排温预测值与对应的排温真实值之间的残差,将残差输入改进的箱线图算法中得到残差检测阈值;
步骤三:通过计算将待检测数据输入训练好的NARX神经网络模型得到的模型预测的涡轮排气温度值与实际的涡轮排气温度值之间的残差,并判断是否在残差检测阈值内,
步骤三包括以下步骤:
步骤三一:将待检测样本的燃料质量流量gf、空气入口温度T1和压气机出口压力p2输入到训练好的NARX神经网络模型中,计算得到模型预测的涡轮排气温度值;
步骤三二:将模型预测的涡轮排气温度值与排温真实值作差得到残差;
步骤三三:判断残差是否在由改进的箱线图算法得到的残差检测阈值[Q1-2.2IQR,Q3+2.2IQR]的区间内,若残差位于残差检测阈值内,则认为待检测样本为正常样本;若残差不在残差检测阈值内,则认为待检测样本为故障样本;
步骤二中,具体的,将训练数据的残差按照从小到大的顺序排列,计算排在第75%位置处的数,称为上四分位数Q3;计算排在第25%位置处的数,称为下四分位数Q1,得到残差检测阈值为[Q1-2.2IQR,Q3+2.2IQR],其中四分位距IQR=Q3-Q1。
2.根据权利要求1所述的基于NARX网络-箱线图和常模式提取的燃机异常检测方法,其特征在于,步骤一中,具体的,所述训练集为历史正常数据,所述NARX神经网络为带外部输入的非线性自回归神经网络模型,所述神经网络的输入为燃料质量流量gf、空气入口温度T1和压气机出口压力p2,输出为透平的排气温度T4。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910802063.1A CN110532681B (zh) | 2019-08-28 | 2019-08-28 | 基于narx网络-箱线图和常模式提取的燃机异常检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910802063.1A CN110532681B (zh) | 2019-08-28 | 2019-08-28 | 基于narx网络-箱线图和常模式提取的燃机异常检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110532681A CN110532681A (zh) | 2019-12-03 |
CN110532681B true CN110532681B (zh) | 2023-01-31 |
Family
ID=68664801
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910802063.1A Active CN110532681B (zh) | 2019-08-28 | 2019-08-28 | 基于narx网络-箱线图和常模式提取的燃机异常检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110532681B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112000015B (zh) * | 2020-09-07 | 2022-08-05 | 华北电力大学 | 一种基于lstm和生物激励神经网络的重型燃机控制系统控制器模块智能bit设计方法 |
CN113191485B (zh) * | 2021-04-26 | 2024-05-10 | 东北大学 | 一种基于narx神经网络的电力信息网络安全检测系统及方法 |
CN113588179B (zh) * | 2021-06-24 | 2023-11-21 | 武汉众智鸿图科技有限公司 | 一种供水管网漏损检测方法及系统 |
WO2023004700A1 (zh) * | 2021-07-29 | 2023-02-02 | 西门子股份公司 | 一种变压器的异常检测方法、装置和计算机可读存储介质 |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102004060541A1 (de) * | 2004-12-15 | 2006-06-29 | Degussa Ag | Verfahren zur Herstellung von Alkandiolen und Alkantriolen mit einer vicinalen Diol-Gruppe |
EP2082804B1 (en) * | 2008-01-25 | 2012-10-03 | Universite Claude Bernard Lyon 1 | Hybrid organic-inorganic materials that contain stabilized carbene |
CN103530515B (zh) * | 2013-10-12 | 2016-08-17 | 沈阳航空航天大学 | 底栖生物完整性评价指数结构方程模型的构建方法 |
CN105046045B (zh) * | 2015-06-05 | 2018-06-19 | 河海大学 | 一种基于贝叶斯组合的Web服务QoS预测方法 |
CN105971738B (zh) * | 2016-06-07 | 2017-11-07 | 东南大学 | 一种燃气轮机组烟气流量在线监测的方法 |
CN108615092A (zh) * | 2018-04-26 | 2018-10-02 | 广东省广业科技集团有限公司 | 一种基于指数平滑模型的污水处理厂进水量预测的方法 |
CN109002937A (zh) * | 2018-09-07 | 2018-12-14 | 深圳供电局有限公司 | 电网负荷预测方法、装置、计算机设备和存储介质 |
CN109060860A (zh) * | 2018-09-13 | 2018-12-21 | 枘熠集成电路(上海)有限公司 | 一种二次离子质谱分析曲线的比较方法及装置 |
CN109460621A (zh) * | 2018-11-14 | 2019-03-12 | 上海交通大学 | 基于改进神经网络的燃气轮机叶片故障检测方法 |
CN109272174A (zh) * | 2018-11-14 | 2019-01-25 | 上海交通大学 | 基于循环神经网络的燃气轮机排气系统工况预测方法 |
CN109598380A (zh) * | 2018-12-03 | 2019-04-09 | 郑州云海信息技术有限公司 | 一种多元实时时序数据预测的方法和系统 |
CN109902858A (zh) * | 2019-01-23 | 2019-06-18 | 跨越速运集团有限公司 | 一种物流取货操作耗时智能预测方法及系统 |
CN110136149A (zh) * | 2019-05-21 | 2019-08-16 | 闽江学院 | 基于深度神经网络的白细胞定位与分割方法 |
-
2019
- 2019-08-28 CN CN201910802063.1A patent/CN110532681B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110532681A (zh) | 2019-12-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110532681B (zh) | 基于narx网络-箱线图和常模式提取的燃机异常检测方法 | |
CN110717219B (zh) | 航空发动机整机状态下压气机进口流量的获取方法及装置 | |
Li et al. | Gas turbine gas path diagnosis under transient operating conditions: A steady state performance model based local optimization approach | |
Zhou et al. | Fault diagnosis of gas turbines with thermodynamic analysis restraining the interference of boundary conditions based on STN | |
CN109443423A (zh) | 一种基于积差分析的燃气机组碳排放数据关联度检验方法 | |
Kim et al. | Diagnostics using a physics-based engine model in aero gas turbine engine verification tests | |
JP6889008B2 (ja) | 較正された性能モデルによる機械の制御 | |
Ying et al. | An improved performance diagnostic method for industrial gas turbines with consideration of intake and exhaust system | |
Blinov et al. | Estimation of the driven gas turbine unit technical performance using the standard measuring systems | |
Li et al. | Gas turbine gas‐path fault diagnosis in power plant under transient operating condition with variable geometry compressor | |
CN105740559A (zh) | 一种燃气轮机实时能效寻优方法 | |
CN115618592A (zh) | 一种电厂燃气轮机气路故障诊断方法、系统、设备及终端 | |
Cruz-Manzo et al. | A thermodynamic transient model for performance analysis of a twin shaft Industrial Gas Turbine | |
Hanachi et al. | A physics-based performance indicator for gas turbine engines under variable operating conditions | |
Eustace | A real-world application of fuzzy logic and influence coefficients for gas turbine performance diagnostics | |
Chen et al. | Gas-path component fault diagnosis for gas turbine engine: a review | |
Hipple et al. | Using machine learning to increase model performance for a gas turbine system | |
Jie et al. | A physics-based framework for online surface roughness assessment for high-pressure turbines | |
Zarate et al. | Computation and monitoring of the deviations of gas turbine unmeasured parameters | |
Barelli et al. | Design of the measurements validation procedure and the expert system architecture for a cogeneration internal combustion engine | |
Zhu et al. | Frequent pattern extraction based on data and prior knowledge fusion in gas turbine combustion system | |
Goyal et al. | Prediction Enhancement of Machine Learning Using Time Series Modeling in Gas Turbines | |
Ban et al. | Fault diagnosis analysis of combined cycle based on the structural theory of thermo‐economics | |
CN118030207A (zh) | 一种燃气轮机的状态监测方法及系统 | |
Mashoshin et al. | Application of the method of insignificant divergencies to diagnose the technical aircraft gas turbine engine state under the transient-state conditions of its operation |
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 |