CN110672332B - 一种基于sarima模型的燃气轮机故障预警系统 - Google Patents
一种基于sarima模型的燃气轮机故障预警系统 Download PDFInfo
- Publication number
- CN110672332B CN110672332B CN201910853890.3A CN201910853890A CN110672332B CN 110672332 B CN110672332 B CN 110672332B CN 201910853890 A CN201910853890 A CN 201910853890A CN 110672332 B CN110672332 B CN 110672332B
- Authority
- CN
- China
- Prior art keywords
- gas turbine
- data
- unit
- model
- fault
- 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
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M15/00—Testing of engines
- G01M15/14—Testing gas-turbine engines or jet-propulsion engines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Databases & Information Systems (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Algebra (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及一种基于SARIMA模型的燃气轮机故障预警系统,包括燃机数据支撑模块,用于对SIS系统的燃气轮机实时数据进行数据采集、数据加密、数据处理、数据解密、数据传输及数据存储,该模块通过无缝嵌入数据应用接口与燃机多模型实时监测分析模块连接;燃机多模型实时监测分析模块:用于对燃机的高温部件进行实时的性能监测与专业分析,该模块与燃机故障预警模块连接;燃机故障预警模块:用于通过建立SARIMA模型,实现对相关特征参数的预测,并通过与故障数据进行相似性比较,确定系统是否发出故障预警信息。与现有技术相比,本发明具有预测结果准确、对燃机排温能够进行多层次专业分析等优点。
Description
技术领域
本发明涉及一种燃气轮机故障预警系统,尤其是涉及一种基于SARIMA模型的燃气轮机故障预警系统。
背景技术
燃气轮机发电具有安全可靠、结构紧凑、运行平稳等一系列优点,被广泛应用于能源电力、航空等领域。在燃气轮机蓬勃发展的同时,由于其内部工作环境恶劣、结构复杂导致燃气轮机频繁发生故障,更为严重的是目前传统的ARIMA检测算法只能在部件发生严重变形的情况下才能被检测出来,且该检测算法灵敏度较低,只能针对平稳时间序列进行预测,无法对非平稳时间序列数据进行很好的预测,预测精度较差。据统计,50%以上的燃机故障都与其高温部件有关,并且燃气轮机一旦发生故障,维修成本较高,具有较长的维修周期,将会严重影响电力系统的安全、可靠运行。因此作为燃机轮机的重要核心部件,对高温部件进行故障预警研究显得尤为重要。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于SARIMA模型的燃气轮机故障预警系统。
本发明的目的可以通过以下技术方案来实现:
一种基于SARIMA模型的燃气轮机故障预警系统,包括:
燃机数据支撑模块,用于对SIS系统的燃气轮机实时数据进行数据采集、数据加密、数据处理、数据解密、数据传输及数据存储,该模块通过无缝嵌入数据应用接口与燃机多模型实时监测分析模块连接。
燃机多模型实时监测分析模块:用于对燃机的高温部件进行实时的性能监测与专业分析,该模块与燃机故障预警模块连接。
燃机故障预警模块:用于通过建立SARIMA模型,实现对相关特征参数的预测,并通过与故障数据进行相似性比较,确定系统是否发出故障预警信息。
所述的燃机数据支撑模块包括:
1.1燃机数据采集单元,用于实时采集与燃机排温相关的各状态参数,各状态参数包括燃料温度、空气入口湿度、空气入口温度、燃料量、功率和平均排温。
1.2、燃机数据加密单元,用于通过加密密钥和加密算法将采集的数据从明文转变为密文,实现数据的加密处理。
1.3、燃机数据隔离与分发单元,与燃机数据加密单元连接,用于保证数据存储服务器访问的独立性。
1.4、燃机数据处理单元,用于定向获取数据存储命令,从而采用定向分发的方式进行数据传输,同时对传输来的指令进行相应的安全检测。
1.5、燃机数据解密单元,用于通过解密密钥和解密算法将数据从密文转变为明文,实现数据的解密处理。
1.6、燃机数据存储单元,用于存储经一系列处理后的状态参数数据。
1.7、燃机数据加密算法自动更新单元,用于对加密算法进行自动更新。
所述的燃机多模型实时监测分析模块包括:
2.1、燃机单位圆模型单元,用于反应燃气轮机上各个测点排温偏离正常值的程度;具体通过如下公式实现:
式中,πi为单位圆因子,Ti为实际排温,Tavg为实际平均排温,P为燃气发生器出口压力,Tamb为空气入口温度,bi为常数项,i为测点编号,αi,βi,γi为对应参数的系数。
2.2、燃机排温偏离指数模型单元,用于表征燃气轮机上排温测点偏离平均排温的程度;具体通过如下方式实现:
式中,ri为排温偏离指数,Ti为实际排温,Tavg为实际平均排温,P为燃气发生器出口压力,Tamb为空气入口温度,bi为常数项,i为测点编号。
2.3、燃机修正排温模型单元,用于消除工况变化对排温变化的影响,并对不同测点的结构差异整合为同一数量级。具体内容为:
根据标准温度和实际测点温度进行温度修正,其表达式为:
所述的燃机故障预警模块包括:
3.1、燃机特征参数预测单元,用于利用修正后的数据,通过SARIMA预测模型预测燃机相关特征参数数据;
3.2、燃机故障匹配单元,用于从故障数据集中产生相应的故障区段,并与燃机特征参数预测单元中预测的数据进行相似性比较,获取故障匹配的结果;
3.3、燃机故障预警结果输出单元,用于输出燃机特征参数预测单元中预测的特征参数数据与燃机故障匹配单元中故障匹配的结果,若燃机故障匹配单元判断出现故障,则发出预警。
所述的燃机特征参数预测单元包括:
3.1.1、模型选择单元,用于选择适当的初步SARIMA预测模,SARIMA预测模型的表达式为:
式中,m为非季节AR项阶数,M为季节AR项阶数,q为非季节MA项阶数,Q为季节MA项阶数,d为非季节差分的次数,D为季节差分的次数,s为季节周期长度,为非季节自回归多项式,φM(Bs)为季节自回归多项式,θq(B)为非季节滑动平均多项式,ΨQ(Bs)为季节移动平均特征多项式,ut为模型的输入数据,即燃机正常的历史数据,yt为模型预测的输出数据;
3.1.2、模型训练单元,用于针对燃机实际的运行情况,对选择的初步SARIMA预测模型进行训练,获取SARIMA预测模型的最优参数;
3.1.3、模型评估单元,用于对模型训练单元训练获取的最优模型进行评估,并确定训练出来的模型是否适用。
所述的燃机故障匹配单元包括:
3.2.1、故障数据生成单元,用于通过SIS系统采集燃机历史的故障数据,生成燃机故障数据库;
3.2.2、相似性匹配单元,用于将预测数据与故障数据库中的数据进行匹配分析,判断当前燃机是否存在故障。具体内容为:
采用相似性度量中的欧式距离衡量预测数据与故障数据库中的实际数据之间的相似性程度,如下式所示:
式中,U为故障数据库中的实际数据向量,ui表示第i个样本点对应的实际数据,V为预测数据向量,vi表示第i个样本点对应的预测数据;两个向量间的欧式距离越小,则表示越相似,当小于设定的阈值后,确定出现故障。
与现有技术相比,本发明具有以下优点:
1、本发明采用的SARIMA预测模型是在传统的ARIMA模型的基础上增加了季节性差分环节融合而来的,传统ARIMA模型只可针对平稳时间序列进行预测,本发明利用SARIMA预测模型,可对燃机设备的实际运行数据,即非平稳时间序列进行预测,不仅能够将非平稳时间序列转化为平稳时间序列,更考虑了季节性因素的影响,使得预测结果更加准确,进而提高故障预警的准确率;
2、因燃机的核心部件是高温部件,大部分燃机故障均是由高温部件所引起的,对燃机进行故障预警本质就是对其高温部件进行故障预警,本发明采用多模型实时监测分析模块对燃机的高温部件进行实时的性能监测与专业分析,该模块具体包括燃机单位圆模型单元、燃机排温偏离指数模型单元和燃机修正排温模型单元,能够对燃机高温部件进行性能监测与分析,可直接反应燃机的性能情况,并实现对燃机排温的多层次专业分析,对燃机预警预测算法参数起到指导和修正作用。
附图说明
图1为本发明一种基于SARIMA模型的燃气轮机故障预警系统的结构示意图;
图中标号所示:
1、燃机数据支撑模块,2、燃机多模型实时监测分析模块,3、燃机故障预警模块,11、燃机数据采集单元,12、燃机数据加密单元,13、燃机数据隔离与分发单元,14、燃机数据处理单元,15、燃机数据解密单元,16、燃机数据存储单元,17、燃机数据加密算法自动更新单元,21、燃机单位圆模型单元,22、燃机排温偏离指数模型单元,23、燃机修正排温模型单元,31、燃机特征参数预测单元,32、燃机故障匹配单元,33、燃机故障预警结果输出单元,311、模型选择单元,312、模型训练单元,313、模型评估单元,321、故障数据生成单元,322、相似性匹配单元。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。显然,所描述的实施例是本发明的一部分实施例,而不是全部实施例。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的前提下所获得的所有其他实施例,都应属于本发明保护的范围。
如图1所示,本发明涉及一种基于SARIMA模型的燃气轮机故障预警系统,该系统包括:
燃机数据支撑模块1:该模块是对燃机进行故障预警的基础,通过对SIS系统的实时数据进行采集、加密、处理、解密和存储等一系列操作后,完成对数据的采集、传输和存储等功能,并通过无缝嵌入数据应用接口与燃机多模型实时监测分析模块2相连。
燃机多模型实时监测分析模块2:该模块是对燃机的高温部件进行实时的性能监测与专业分析,从而可以精确地反应燃机高温部件的整体性能和局部性能变化情况,该模块与燃机故障预警模块3相连。
燃机故障预警模块3:该模块对SARIMA模型的选取、训练后,实现对相关特征参数的预测,并与故障数据进行相似性的匹配,从而确定系统是否发出故障预警信息。
燃机数据支撑模块1包括:
燃机数据采集单元11:该单元用于实时采集与燃机排温相关的各状态参数,各状态参数包括燃料温度、空气入口湿度、空气入口温度、燃料量、功率和平均排温等,并可通过高速数据采集接口实现对不同类别数据的高速获取。
燃机数据加密单元12:该单元通过加密密钥和加密算法将采集的数据从明文转变为密文,实现数据的加密处理。
燃机数据隔离与分发单元13:该单元与燃机数据加密单元12连接,能够保证任何人均不可对数据存储服务器进行直接的访问,从而保证数据存储服务器的安全性。
燃机数据处理单元14:该单元可以用来定向的获取由CPU发出的数据存储命令,从而采用定向分发的方式进行数据的传输,同时对传输来的指令利用安全检测算法进行相应的安全检测,以确保数据的真实性。
燃机数据解密单元15:该单元通过解密密钥和解密算法将数据从密文转变为明文,实现数据的解密处理。
燃机数据存储单元16:该单元用来存储经一系列处理后的状态参数数据。
燃机数据加密算法自动更新单元17,用于对加密算法进行自动更新。
燃机多模型实时监测分析模块2包括:
燃机单位圆模型单元21:该单元用于反应燃气轮机上各个测点排温偏离正常值的程度。燃机单位圆模型单元21反应各个测点排温偏离正常值的程度具体通过如下方式实现:
式中,πi表示单位圆因子,Ti表示实际排温(℃),Tavg表示实际平均排温(℃),P表示燃气发生器出口压力(kPa),Tamb表示空气入口温度(℃),bi表示常数项(℃),i表示测点编号,αi,βi,γi表示对应参数的系数。
燃机排温偏离指数模型单元22:该单元用于表征排温测点偏离平均排温的程度。燃机排温偏离指数模型单元22表征排温测点偏离平均排温的程度具体通过如下方式实现:
式中,ri表示排温偏离指数,Ti表示实际排温(℃),Tavg表示实际平均排温(℃),P表示燃气发生器出口压力(kPa),Tamb表示空气入口温度(℃),bi表示常数项(℃),i表示测点编号。
燃机修正排温模型单元23:该单元不仅可以消除工况变化对排温变化的影响,更能使不同测点的结构差异整合为同一数量级。具体通过如下方式实现:
燃机故障预警模块3包括:
燃机特征参数预测单元31:该单元利用修正后的数据,通过SARIMA预测模型预测燃机相关特征参数数据。燃机特征参数预测单元31包括模型选择单元311、模型训练单元312和模型评估单元313。
模型选择单元311:该单元包括初步的SARIMA预测模型,选择适当的初步SARIMA预测模型可以减少模型训练单元312所用的训练时间。
SARIMA模型(Seasonal Autoregressive Integrated Moving Average,季节性差分自回归滑动平均模型)是在ARIMA模型(Autoregressive Integrated Moving Averagemodel,自回归积分滑动平均模型)的基础上考虑季节性因素的影响融合而来的,不仅将非平稳时间序列转化为了平稳时间序列,更考虑了季节性因素的影响,使得预测结果更加准确。
本发明建立的SARIMA预测模型的表达式如下:
式中,m为非季节AR项阶数,M为季节AR项阶数,q为非季节MA项阶数,Q为季节MA项阶数,d为非季节差分的次数,D为季节差分的次数,s为季节周期长度,为非季节自回归多项式,φM(Bs)为季节自回归多项式,θq(B)为非季节滑动平均多项式,ΨQ(Bs)为季节移动平均特征多项式,ut为模型的输入数据,即燃机正常的历史数据,yt为模型预测的输出数据。
模型训练单元312:该单元是针对燃机实际的运行情况进行SARIMA预测模型参数的选取,目的是使预测模型的精度更高,参数达到最优。
模型评估单元313:该模型是对模型训练单元训练出来的一个最优模型进行评估,以确定训练出来的模型是否适用。
燃机故障匹配单元32:该单元从SIS系统中的故障数据集中产生相应的故障区段,并与燃机特征参数预测单元31中预测的数据进行匹配和相似性比较。燃机故障匹配单元32包括故障数据生成单元321和相似性匹配单元322。
故障数据生成单元321:该单元从SIS系统中采集燃机历史的故障数据,生成燃机故障数据库。
相似性匹配单元322:该单元将预测出来的数据与故障数据库中的数据进行匹配分析,以确定当前燃机是否存在故障。
匹配分析的具体过程为:
采用相似性度量中的欧式距离衡量实际值(故障数据库中的数据)和预测值之间的相似性程度,公式如下:
式中,U为故障数据库中的实际数据向量,ui表示第i个样本点对应的实际数据,V为预测数据向量,vi表示第i个样本点对应的预测数据。
上述公式衡量实际值与预测值之间的相似性程度,两个向量间的欧式距离越小,则表示越相似,当小于设定的阈值后,便可确定出现故障。
燃机故障预警结果输出单元33:用于将燃机特征参数预测单元31中预测的特征参数数据和燃机故障匹配单元32中故障匹配的结果进行输出,若预测值通过与故障数据库中的数据进行匹配,当匹配性达到设定的阈值,则发出预警。
以上所述,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工作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)
1.一种基于SARIMA模型的燃气轮机故障预警系统,其特征在于,该系统包括:
燃机数据支撑模块,用于对SIS系统的燃气轮机实时数据进行数据采集、数据加密、数据处理、数据解密、数据传输及数据存储,该模块通过无缝嵌入数据应用接口与燃机多模型实时监测分析模块连接;
燃机多模型实时监测分析模块:用于对燃机的高温部件进行实时的性能监测与专业分析,该模块与燃机故障预警模块连接;
燃机故障预警模块:用于通过建立SARIMA模型,实现对相关特征参数的预测,并通过与故障数据进行相似性比较,确定系统是否发出故障预警信息。
2.根据权利要求1所述的一种基于SARIMA模型的燃气轮机故障预警系统,其特征在于,所述的燃机数据支撑模块包括:
燃机数据采集单元,用于实时采集与燃机排温相关的各状态参数,各状态参数包括燃料温度、空气入口湿度、空气入口温度、燃料量、功率和平均排温;
燃机数据加密单元,用于通过加密密钥和加密算法将采集的数据从明文转变为密文,实现数据的加密处理;
燃机数据隔离与分发单元,与燃机数据加密单元连接,用于保证数据存储服务器访问的独立性;
燃机数据处理单元,用于定向获取数据存储命令,从而采用定向分发的方式进行数据传输,同时对传输来的指令进行相应的安全检测;
燃机数据解密单元,用于通过解密密钥和解密算法将数据从密文转变为明文,实现数据的解密处理;
燃机数据存储单元,用于存储经一系列处理后的状态参数数据;
燃机数据加密算法自动更新单元,用于对加密算法进行自动更新。
3.根据权利要求1所述的一种基于SARIMA模型的燃气轮机故障预警系统,其特征在于,所述的燃机多模型实时监测分析模块包括:
燃机单位圆模型单元,用于反应燃气轮机上各个测点排温偏离正常值的程度;
燃机排温偏离指数模型单元,用于表征燃气轮机上排温测点偏离平均排温的程度;
燃机修正排温模型单元,用于消除工况变化对排温变化的影响,并对不同测点的结构差异整合为同一数量级。
4.根据权利要求1所述的一种基于SARIMA模型的燃气轮机故障预警系统,其特征在于,所述的燃机故障预警模块包括:
燃机特征参数预测单元,用于利用修正后的数据,通过SARIMA预测模型预测燃机相关特征参数数据;
燃机故障匹配单元,用于从故障数据集中产生相应的故障区段,并与燃机特征参数预测单元中预测的数据进行相似性比较,获取故障匹配的结果;
燃机故障预警结果输出单元,用于输出燃机特征参数预测单元中预测的特征参数数据与燃机故障匹配单元中故障匹配的结果,若燃机故障匹配单元判断出现故障,则发出预警。
5.根据权利要求4所述的一种基于SARIMA模型的燃气轮机故障预警系统,其特征在于,所述的燃机特征参数预测单元包括:
模型选择单元,用于选择适当的初步SARIMA预测模,SARIMA预测模型的表达式为:
式中,m为非季节AR项阶数,M为季节AR项阶数,q为非季节MA项阶数,Q为季节MA项阶数,d为非季节差分的次数,D为季节差分的次数,s为季节周期长度,为非季节自回归多项式,φM(Bs)为季节自回归多项式,θq(B)为非季节滑动平均多项式,ΨQ(Bs)为季节移动平均特征多项式,ut为模型的输入数据,即燃机正常的历史数据,yt为模型预测的输出数据;
模型训练单元,用于针对燃机实际的运行情况,对选择的初步SARIMA预测模型进行训练,获取SARIMA预测模型的最优参数;
模型评估单元,用于对模型训练单元训练获取的最优模型进行评估,并确定训练出来的模型是否适用。
6.根据权利要求4所述的一种基于SARIMA模型的燃气轮机故障预警系统,其特征在于,所述的燃机故障匹配单元包括:
故障数据生成单元,用于通过SIS系统采集燃机历史的故障数据,生成燃机故障数据库;
相似性匹配单元,用于将预测数据与故障数据库中的数据进行匹配分析,判断当前燃机是否存在故障。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910853890.3A CN110672332B (zh) | 2019-09-10 | 2019-09-10 | 一种基于sarima模型的燃气轮机故障预警系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910853890.3A CN110672332B (zh) | 2019-09-10 | 2019-09-10 | 一种基于sarima模型的燃气轮机故障预警系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110672332A CN110672332A (zh) | 2020-01-10 |
CN110672332B true CN110672332B (zh) | 2021-05-04 |
Family
ID=69077882
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910853890.3A Active CN110672332B (zh) | 2019-09-10 | 2019-09-10 | 一种基于sarima模型的燃气轮机故障预警系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110672332B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111594831A (zh) * | 2020-04-16 | 2020-08-28 | 南京航空航天大学 | 一种基于自回归滑动平均模型的燃烧不稳定主动抑制方法 |
CN111648992B (zh) * | 2020-06-02 | 2022-06-10 | 上海工业自动化仪表研究院有限公司 | 燃气轮机压气机故障识别预警方法 |
CN112116157B (zh) * | 2020-09-18 | 2023-05-30 | 广东能源集团科学技术研究院有限公司 | 一种燃机燃烧状态综合预警体系构建的方法及系统 |
CN115484146A (zh) * | 2022-08-22 | 2022-12-16 | 中国船舶集团有限公司系统工程研究院 | 一种燃气轮机时变工况下状态参数自适应预警方法 |
CN115879913B (zh) * | 2023-02-13 | 2023-05-05 | 成都秦川物联网科技股份有限公司 | 一种智慧燃气管网维修物资预测方法和物联网系统、介质 |
CN117454232A (zh) * | 2023-12-22 | 2024-01-26 | 山东未来集团有限公司 | 生产网建设故障诊断、预测与健康管理系统及方法 |
CN117949173B (zh) * | 2024-03-26 | 2024-06-04 | 北京瑞祺皓迪技术股份有限公司 | 一种光缆质量监测方法、装置、电子设备及可读存储介质 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102829967B (zh) * | 2012-08-27 | 2015-12-16 | 中国舰船研究设计中心 | 一种基于回归模型系数变化的时域故障识别方法 |
CN105067275A (zh) * | 2015-07-24 | 2015-11-18 | 哈尔滨工业大学 | 基于排温偏离指数的燃气轮机燃烧系统在线监测诊断方法 |
US20170076216A1 (en) * | 2015-09-10 | 2017-03-16 | Siemens Aktiengesellschaft | Maintenance event planning using adaptive predictive methodologies |
CN106802643A (zh) * | 2015-11-26 | 2017-06-06 | 通用电气公司 | 故障预测系统及方法 |
CN108827643B (zh) * | 2018-06-21 | 2020-04-07 | 哈尔滨工业大学 | 考虑排温温度场旋转的燃气轮机高温部件故障预警方法 |
CN109211548A (zh) * | 2018-08-31 | 2019-01-15 | 沃德传动(天津)股份有限公司 | 一种机械故障诊断方法 |
CN109828182B (zh) * | 2018-11-29 | 2021-01-19 | 广东电网有限责任公司信息中心 | 一种基于故障分类处理的电网系统故障分析预警方法 |
CN109784574A (zh) * | 2019-01-24 | 2019-05-21 | 新奥数能科技有限公司 | 设备状态的预测方法及装置、存储介质、电子装置 |
-
2019
- 2019-09-10 CN CN201910853890.3A patent/CN110672332B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110672332A (zh) | 2020-01-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110672332B (zh) | 一种基于sarima模型的燃气轮机故障预警系统 | |
US6760689B2 (en) | System and method for processing data obtained from turbine operations | |
US6529849B2 (en) | Thermal efficiency diagnostic method and apparatus of a combined power generation plant | |
US6973396B1 (en) | Method for developing a unified quality assessment and providing an automated fault diagnostic tool for turbine machine systems and the like | |
EP1242923B1 (en) | A process for the monitoring and diagnostics of data from a remote asset | |
CN106404403B (zh) | 用于涡轮机的分析的方法和系统 | |
CN113569338B (zh) | 一种基于时间扩张卷积网络的压气机旋转失速预警方法 | |
CN111159844B (zh) | 一种电站燃气轮机排气温度的异常检测方法 | |
CN108360608B (zh) | 一种供水系统输水管的爆管识别与定位方法 | |
US20060074595A1 (en) | Method and apparatus for improved fault detection in power generation equipment | |
CN107067100A (zh) | 风电功率异常数据辨识方法及辨识装置 | |
CN111929579B (zh) | 发电机在线故障诊断方法、设备及计算机设备 | |
JP2006057595A (ja) | ガスタービンの性能診断システム及び性能診断方法 | |
CN111125895A (zh) | 一种风力发电机整机服役功率特性在线评估方法 | |
CN114738132B (zh) | 基于实船数据的增压器转速传感器故障诊断方法及系统 | |
CN115455358A (zh) | 基于非线性回归模型的电气参数趋势预警及故障诊断方法 | |
CN111312414B (zh) | 核电厂疲劳监测和寿命评估系统的疲劳评价方法 | |
CN112418306A (zh) | 基于lstm-svm的燃气轮机压气机故障预警方法 | |
CN110826600B (zh) | 基于自适应共振网络在线增量学习的发动机喘振预测方法 | |
CN109556861B (zh) | 一种基于案例推理的轴承实时故障诊断系统 | |
CN110993132A (zh) | 一种核电厂支持疲劳监测功能的瞬态监测方法 | |
KR20240003469A (ko) | 원전설비의 예측진단방법 및 시스템 | |
CN115374961A (zh) | 一种船舶动力运维系统及运维方法 | |
KR101372489B1 (ko) | 스마트 센서를 이용한 원전 저압 터빈 온라인 감시 시스템 | |
KR20220089541A (ko) | 원전의 감시 시스템 및 방법 |
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 |