CN110879586A - 一种调相机故障诊断和状态监测方法和系统 - Google Patents
一种调相机故障诊断和状态监测方法和系统 Download PDFInfo
- Publication number
- CN110879586A CN110879586A CN201911223753.8A CN201911223753A CN110879586A CN 110879586 A CN110879586 A CN 110879586A CN 201911223753 A CN201911223753 A CN 201911223753A CN 110879586 A CN110879586 A CN 110879586A
- Authority
- CN
- China
- Prior art keywords
- fault
- electrical device
- data
- state
- machine
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/24—Pc safety
- G05B2219/24065—Real time diagnostics
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种调相机故障诊断和状态监测方法,包括:采集各电气设备的监测数据,提取故障征兆分量;结合各电气设备的故障征兆分量、对应的投运时间和运行年限计算得到各电气设备的状态预测向量;根据状态预测向量和专家经验判断故障情况,计算得到各电气设备在不同工况条件下每个故障对应的基准阈值;将采集到的各电气设备的实时故障征兆与对应的基准阈值进行动态差值比较,根据阈值分级规则,判定当前电气设备的实时故障状态。本发明能够充分综合利用各种在线监测数据所携带的有用信息及专家经验,实现调相机运行状态识别和故障预测,决策可靠、决策速度快,并具备不断学习的能力,达到诊断智能化的目的。
Description
技术领域
本发明涉及调相机故障诊断技术领域,具体而言涉及一种调相机故障诊断和状态监测方法和系统。
背景技术
国内调相机故障诊断系统尚处于起步阶段,当前设备故障诊断更多是依赖于一线专业人员对现场采集信号进行详细分析处理,这种模式下故障发现和处理的实时性都会受到限制。当前涉及自动化的监测技术主要是移植发电机组的故障监测系统。例如,清华大学、哈尔滨工业大学、哈尔滨电工仪表所等院所联合研制的汽轮发电机工况监测与故障诊断专家系统可全面监测诊断机组机械振动故障、汽隙振动故障、热因素引起的故障以及调节控制系统故障。
但这些装置往往都单独运行,有的装置输出数据只能说明电机各部分潜在故障的间接信息,有的难以确定运行的安全界限,因此需要对这些信息进行自动综合处理,但选取哪些数据、如何对数据进行有效的综合处理以得到相对合理的基准阈值尚无可靠的测算方法,更遑论与调相机设备自适应匹配等。
发明内容
本发明目的在于提供一种调相机故障诊断和状态监测方法和系统,通过在线监测数据特征提取,导出相应的学习算法来综合评判故障状态差别,分析过程中有效利用领域专家的知识和经验进行决策,与常规方法比较,本发明所提及的监测方法能够充分综合利用各种在线监测数据所携带的有用信息及专家经验,实现调相机运行状态识别和故障预测,决策可靠、决策速度快,并具备不断学习的能力,达到诊断智能化的目的。
为达成上述目的,结合图1,本发明提出一种调相机故障诊断和状态监测方法,所述方法包括:
S1:采集各电气设备的若干个监测数据,从监测数据中提取故障征兆分量;
S2:结合各电气设备的故障征兆分量、对应的投运时间和运行年限计算得到各电气设备的状态预测向量;
S3:根据各电气设备的状态预测向量和专家经验判断故障情况,计算得到各电气设备在不同工况条件下每个故障对应的基准阈值;
S4:将采集到的各电气设备的实时故障征兆与对应的基准阈值进行动态差值比较,根据阈值分级规则,判定当前电气设备的实时故障状态,输出故障类型、故障严重程度和运检指导决策。
进一步的实施例中,步骤S1中,所述故障征兆分量包括射频电平、定子绕组端部振动、定子绕组温度、转子电流、转子温度、绝缘过热参数值、机组振动。
进一步的实施例中,所述故障征兆分量均为归一化值。
进一步的实施例中,步骤S1中,所述监测数据包括从厂局域网实时获取的调相机在线运行数据、就地表计读取或外部录入的调相机在线非实时数据、外部录入的调相机停机时的离线数据。
进一步的实施例中,所述方法还包括:
由机组在线监测数据提取的定子和转子故障征兆特征及专家经验组成模糊预测模块的输入向量,设专家经验取三条,则输入向量X为:
X=(μx1,μx2,μx3,μx4,μx5)
其中,μx1,μx2分别为由在线监测数据提取的定子和转子的故障征兆分量,分量μx3,μx4,μx5分别表示电机容量、大修后投运时间及运行年限对应的故障隶属度,其隶属函数由专家确定,则状态预测向量Y为:
Y=(μy1,μy2)
其中,μy1,μy2分别为调相机具有定子及转子故障的隶属度;
设R是由领域专家根据经验确定的诊断权矩阵:
则有:
j=1,2
进一步的实施例中,所述方法还包括:
根据阈值分级规则,取阈值为0.4、0.8;
计算得到最终的诊断结果:
如μyj<0.4为正常状态,0.4≤μyj≤0.8为预警状态,μyj>0.8为危险状态。
进一步的实施例中,所述运行年限的隶属函数类似“浴盆曲线”。
基于前述调相机故障诊断和状态监测方法,本发明还提及一种调相机故障诊断和状态监测系统,所述系统包括前处理机、推理机、后处理机、数据采集模块、知识库、人机交互界面;
所述数据采集模块用于采集各电气设备的若干个监测数据,发送至前处理机;
所述前处理机对接收到的监测数据进行识别和初步处理,如果任意一个监测量超出对应的限定值,则生成先兆信号或先兆组合信号,触发推理机运行;
所述推理机用于结合知识库中存储的对调相机故障进行分析的专家经验数据,对前处理机接收到的监测数据进行故障分析处理,将故障分析处理过程和故障分析结果经后处理机处理后,通过人机交互界面以显示。
本发明所提及的调相机故障诊断及状态监测方法,主要用于对调相机发生故障等问题进行预报,为运行人员提供一定的反应时间,并提供故障排除的相关建议措施。将调相机运行、检修数据和对应转轴数据作为输入,进而根据一定的诊断标准判断系统故障情况,计算得出各工况下各故障基准阀值,实时故障征兆与该基准阀值进行动态差值比较,根据阀值分级原则,判定故障状态,并输出故障类型、故障严重程度和运检指导决策。
以上本发明的技术方案,与现有相比,其显著的有益效果在于:
(1)通过在线监测数据特征提取,导出相应的学习算法来综合评判故障状态差别,分析过程中有效利用领域专家的知识和经验进行决策,与常规方法比较,本发明所提及的监测方法能够充分综合利用各种在线监测数据所携带的有用信息及专家经验,实现调相机运行状态识别和故障预测,决策可靠、决策速度快,并具备不断学习的能力,达到诊断智能化的目的。
(2)通过对在线与离线两种数据的采集与分析,可完成状态监测、故障诊断、故障处理等任务,并实现故障分级处理功能。经实践证明,本发明可实现对调相机系统可能发生的100余种故障的诊断,并给出有关方法、运行措施、检修方案和预防措施的专家建议。
应当理解,前述构思以及在下面更加详细地描述的额外构思的所有组合只要在这样的构思不相互矛盾的情况下都可以被视为本公开的发明主题的一部分。另外,所要求保护的主题的所有组合都被视为本公开的发明主题的一部分。
结合附图从下面的描述中可以更加全面地理解本发明教导的前述和其他方面、实施例和特征。本发明的其他附加方面例如示例性实施方式的特征和/或有益效果将在下面的描述中显见,或通过根据本发明教导的具体实施方式的实践中得知。
附图说明
附图不意在按比例绘制。在附图中,在各个图中示出的每个相同或近似相同的组成部分可以用相同的标号表示。为了清晰起见,在每个图中,并非每个组成部分均被标记。现在,将通过例子并参考附图来描述本发明的各个方面的实施例,其中:
图1是本发明的调相机故障诊断和状态监测方法的流程图。
图2是本发明的调相机故障诊断和状态监测方法的功能结构图。
图3是本发明的特征提取流程图。
图4是本发明的故障状态异常判别示意图。
图5是本发明的调相机故障诊断和状态监测系统的结构示意图。
图6是本发明的调相机故障诊断和状态监测系统的结构框图。
图7是本发明的调相机故障诊断和状态监测系统的网络结构示意图。
具体实施方式
为了更了解本发明的技术内容,特举具体实施例并配合所附图式说明如下。
结合图1,本发明提及一种调相机故障诊断和状态监测方法,所述方法包括:
S1:采集各电气设备的若干个监测数据,从监测数据中提取故障征兆分量。
S2:结合各电气设备的故障征兆分量、对应的投运时间和运行年限计算得到各电气设备的状态预测向量。
S3:根据各电气设备的状态预测向量和专家经验判断故障情况,计算得到各电气设备在不同工况条件下每个故障对应的基准阈值。
S4:将采集到的各电气设备的实时故障征兆与对应的基准阈值进行动态差值比较,根据阈值分级规则,判定当前电气设备的实时故障状态,输出故障类型、故障严重程度和运检指导决策。
结合图2,步骤S1中,所述监测数据包括从厂局域网实时获取的调相机在线运行数据、就地表计读取或外部录入的调相机在线非实时数据、外部录入的调相机停机时的离线数据。
所述监测数据的数据来源主要有:
(1)在线实时数据调相机运行时,可以从厂局域网实时获得相关数据,如调相机绕组出水温度、铁芯温度、机内氢压等实时检测量。
(2)在线非实时数据调相机运行时,可以从就地表计读到或通过检查、试验、分析等手段获得数据,需由运行、检修或试验人员定期录入监测量,如漏氢量、冷却水水箱水位等。
(3)离线数据调相机停机时,通过检查、试验、分析等手段获得的调相机数据和诊断信息,需由电气检修或试验人员录入,如调相机的轴电压值、槽部电位分布等。
结合图3,步骤S1中,所述故障征兆分量包括射频电平、定子绕组端部振动、定子绕组温度、转子电流、转子温度、绝缘过热参数值、机组振动。优选的,所述故障征兆分量均为归一化值。
设备故障诊断是研究运行状态的科学。它从运行状态信息提取特征参数,进而根据一定的诊断标准判断系统故障情况,由于调相机的结构工艺及运行规律复杂以及监测中的各种偶然因素,单个运行状态数据、单个特征参数往往难以获得满意的诊断结果。基于神经网络的知识获取对专家提供的大量实例进行学习,自动从实例中提取监测数据的特征。而领域专家在确定输入参数、典型样本等方面具有重要作用。针对于目前的监测方式,专家首先要确定神经网络输入向量U的各种分量,要满足状态判别和诊断的要求。例如可取输入U的7个分量为射频电平、定子绕组端部振动、定子绕组温度、转子电流、转子温度、绝缘过热参数值、机组振动。输入7个分量均为归一化值,例如,射频电平范围10μv到10000μv,射频监测仪输出为0-100%,故障状态下电离电流越小,输入越小。机组振动机械振动、电磁振动等的复合作用,定子、转子发生故障时都可能出现机组振动增大,以200μm作为振动归一化单位。样本是领域专家经验知识的结晶,是训练、检验神经网络的关键。根据专家给出的诊断实例偶对,通过NN学习算法自动从中获取知识,并将这些知识分布存储在NN中。并且新的专家知识可不断输入NN,继续学习,使NN的知识不断更新。
调相机运转过程中,设备由无故障运行到带故障运行是一个渐变过程,在此中间它们既不是完全的“完好”,也不是完全的“故障",处于中间状态,设备表现出来的症状、在线监测数据及机组工况参数携带的故障信息也是如此,都是一种模糊值。结合图4,在一些例子中,所述方法还包括:
由机组在线监测数据提取的定子和转子故障征兆特征及专家经验组成模糊预测模块的输入向量,为简单起见,设专家经验取三条,则输入向量X为:
X=(μx1,μx2,μx3,μx4,μx5)
其中,μx1,μx2分别为由在线监测数据提取的定子和转子的故障征兆分量,分量μx3,μx4,μx5分别表示电机容量、大修后投运时间及运行年限对应的故障隶属度(如所述运行年限的隶属函数类似“浴盆曲线”等),其隶属函数由专家确定,则状态预测向量Y为:
Y=(μy1,μy2)
其中,μy1,μy2分别为调相机具有定子及转子故障的隶属度。
设R是由领域专家根据经验确定的诊断权矩阵:
则有:
j=1,2
假设根据阈值分级规则,取阈值为0.4、0.8,则计算得到的最终的诊断结果为:
如μyj<0.4为正常状态,0.4≤μyj≤0.8为预警状态,μyj>0.8为危险状态。
结合图5、图6,基于前述调相机故障诊断和状态监测方法,本发明还提及一种调相机故障诊断和状态监测系统,所述系统包括前处理机、推理机、后处理机、数据采集模块、知识库、人机交互界面。
所述数据采集模块用于采集各电气设备的若干个监测数据,发送至前处理机。
所述前处理机对接收到的监测数据进行识别和初步处理,如果任意一个监测量超出对应的限定值,则生成先兆信号或先兆组合信号,触发推理机运行。
所述推理机用于结合知识库中存储的对调相机故障进行分析的专家经验数据,对前处理机接收到的监测数据进行故障分析处理,将故障分析处理过程和故障分析结果经后处理机处理后,通过人机交互界面以显示。
(1)前处理
前处理包括数据采集和数据处理2个子模块,其主要功能是从厂局域网中采集数据,进行数据的识别,处理及先兆的自动狄取。
数据源进入前处理机后,如果某个(些)监测量超过门槛值,则生成先兆(或先兆组合),原发性先兆触发推理机运行,经过推理得出结果并结合专家建议,经后处理显示在界面上。
(2)知识库
知识库是专家系统的核心部分,在对我国近年来调相机事故统计,分析及预防对策的分析研究的基础上,运用调相机运行、试验、检修、设计结构及制造工艺等学科的领域知识,尤其是领域专家的实践经验和理论功底,对调相机可能发生的各种故障机理、原因、发展及不良后果等进行了分析,并给出相关的专家建议,建立知识库的关键是准确有效地获取和表达专家的知识。该专家系统采用产生式规则的方法对专家知识进行处理。
(3)推理机
推理机是一组智能程序,它用来协调、控制整个系统,以决定如何使用知识库中的知识。该专家系统采用混合推理的方法。推理机包括推理机制和控制策略2部分。推理机和知识库构成了专家系统的“智能单元”,知识库反映了专家系统的性能水平,而推理机决定了专家系统的效率。
(4)后处理
调相机故障诊断专家系统面向用户,用户在使用时直接面对的界面是安装有后处理程序的终端和客户端。客户端最主要的作用是“把专家请到用户身边来”,让用户直接与“专家“交流。因此,客户端应能让用户清楚对看到诊断过程、诊断结果和有关运行监测、故障诊断、故障处理和预防措施的专家建议,并能以最便捷的方式进行人机交互,亦即“与专家对话”。
结合图7,前述调相机故障诊断和状态监测系统涉及到的成员包括以下几种:有提交权限的运行人员、有提交权限的试验检修人员、管理人员和一般用户。系统的应用程序(即前处理及推理机)运行在数据库服务器上,客户端程序(即后处理)运行在局域网的各个工作站上,各终端根据用户的身份不同,在结构中具有不同的权限。优选的,数据库服务器安装Windows 2000server操作系统,数据库境为Oracle8i,客户端安装Windows系列。
除前述基本功能外,本发明所提及的调相机故障诊断和状态监测系统还具备以下辅助功能和对应的功能模块:
(1)趋势图模块:用于提供所有在线实时监测量随时间变化的趋势图。
(2)报警模块:当在线实时监测量超过其相应级别的门槛值时,用于以声音和闪烁的灯光标志进行报警。
(3)故障追记模块:用于实现按时间、操作人员进行查询的追记功能,以及详细记录推理、诊断及用户处理故障的安全过程,并对追记结果提供打印功能。
(4)查询模块:用于为用户提供对过程数据、历史数据的查询功能,并可打印查询结果。
(5)解释模块:用于在推理过程中每实现一个规则之后,对诊断意见,当前调相机的状态,如何进一步进行诊断(在尚未得出最终诊断结果的情况下)、运行中应采取的措施、对故障的处理方法(在已得出最终诊断结果的情况下)、预防措施等作出详细解释。
(6)在线帮助模块:用于提供详细的、具有Windows风格的在线帮助功能。
在本公开中参照附图来描述本发明的各方面,附图中示出了许多说明的实施例。本公开的实施例不必定义在包括本发明的所有方面。应当理解,上面介绍的多种构思和实施例,以及下面更加详细地描述的那些构思和实施方式可以以很多方式中任意一种来实施,这是因为本发明所公开的构思和实施例并不限于任何实施方式。另外,本发明公开的一些方面可以单独使用,或者与本发明公开的其他方面的任何适当组合来使用。
虽然本发明已以较佳实施例揭露如上,然其并非用以限定本发明。本发明所属技术领域中具有通常知识者,在不脱离本发明的精神和范围内,当可作各种的更动与润饰。因此,本发明的保护范围当视权利要求书所界定者为准。
Claims (8)
1.一种调相机故障诊断和状态监测方法,其特征在于,所述方法包括:
S1:采集各电气设备的若干个监测数据,从监测数据中提取故障征兆分量;
S2:结合各电气设备的故障征兆分量、对应的投运时间和运行年限计算得到各电气设备的状态预测向量;
S3:根据各电气设备的状态预测向量和专家经验判断故障情况,计算得到各电气设备在不同工况条件下每个故障对应的基准阈值;
S4:将采集到的各电气设备的实时故障征兆与对应的基准阈值进行动态差值比较,根据阈值分级规则,判定当前电气设备的实时故障状态,输出故障类型、故障严重程度和运检指导决策。
2.根据权利要求1所述的调相机故障诊断和状态监测方法,其特征在于,步骤S1中,所述故障征兆分量包括射频电平、定子绕组端部振动、定子绕组温度、转子电流、转子温度、绝缘过热参数值、机组振动。
3.根据权利要求1或者2所述的调相机故障诊断和状态监测方法,其特征在于,所述故障征兆分量均为归一化值。
4.根据权利要求1所述的调相机故障诊断和状态监测方法,其特征在于,步骤S1中,所述监测数据包括从厂局域网实时获取的调相机在线运行数据、就地表计读取或外部录入的调相机在线非实时数据、外部录入的调相机停机时的离线数据。
5.根据权利要求1所述的调相机故障诊断和状态监测方法,其特征在于,所述方法还包括:
由机组在线监测数据提取的定子和转子故障征兆特征及专家经验组成模糊预测模块的输入向量,设专家经验取三条,则输入向量X为:
X=(μx1,μx2,μx3,μx4,μx5)
其中,μx1,μx2分别为由在线监测数据提取的定子和转子的故障征兆分量,分量μx3,μx4,μx5分别表示电机容量、大修后投运时间及运行年限对应的故障隶属度,其隶属函数由专家确定,则状态预测向量Y为:
Y=(μy1,μy2)
其中,μy1,μy2分别为调相机具有定子及转子故障的隶属度;
设R是由领域专家根据经验确定的诊断权矩阵:
则有:
j=1,2
6.根据权利要求5所述的调相机故障诊断和状态监测方法,其特征在于,所述方法还包括:
根据阈值分级规则,取阈值为0.4、0.8;
计算得到最终的诊断结果:
如μyj<0.4为正常状态,0.4≤μyj≤0.8为预警状态,μyj>0.8为危险状态。
7.根据权利要求5所述的调相机故障诊断和状态监测方法,其特征在于,所述运行年限的隶属函数类似“浴盆曲线”。
8.一种调相机故障诊断和状态监测系统,其特征在于,所述系统包括前处理机、推理机、后处理机、数据采集模块、知识库、人机交互界面;
所述数据采集模块用于采集各电气设备的若干个监测数据,发送至前处理机;
所述前处理机对接收到的监测数据进行识别和初步处理,如果任意一个监测量超出对应的限定值,则生成先兆信号或先兆组合信号,触发推理机运行;
所述推理机用于结合知识库中存储的对调相机故障进行分析的专家经验数据,对前处理机接收到的监测数据进行故障分析处理,将故障分析处理过程和故障分析结果经后处理机处理后,通过人机交互界面以显示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911223753.8A CN110879586A (zh) | 2019-12-04 | 2019-12-04 | 一种调相机故障诊断和状态监测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911223753.8A CN110879586A (zh) | 2019-12-04 | 2019-12-04 | 一种调相机故障诊断和状态监测方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110879586A true CN110879586A (zh) | 2020-03-13 |
Family
ID=69730183
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911223753.8A Pending CN110879586A (zh) | 2019-12-04 | 2019-12-04 | 一种调相机故障诊断和状态监测方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110879586A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111648992A (zh) * | 2020-06-02 | 2020-09-11 | 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 |
CN111667120A (zh) * | 2020-06-11 | 2020-09-15 | 国网山东省电力公司电力科学研究院 | 一种调相机绝缘故障预测方法及系统 |
CN112179655A (zh) * | 2020-08-17 | 2021-01-05 | 中国农业大学 | 一种基于阈值分级的汽轮发电机故障预警方法 |
CN117092980A (zh) * | 2023-08-05 | 2023-11-21 | 淮阴师范学院 | 一种基于大数据的电气故障检测控制系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
SK5455Y1 (en) * | 2009-05-05 | 2010-05-07 | Azd Praha Sro | Diagnostic system, particularly for railway interlocked installations |
CN104614178A (zh) * | 2015-03-10 | 2015-05-13 | 中电投河南电力有限公司技术信息中心 | 一种基于全矢谱的故障征兆提取方法 |
CN108627345A (zh) * | 2018-05-11 | 2018-10-09 | 浙江师范大学 | 一种汽轮机系统级故障的诊断方法及系统 |
CN110377001A (zh) * | 2019-06-04 | 2019-10-25 | 上海华电奉贤热电有限公司 | 基于数据融合的工业设备智能故障诊断系统和方法 |
-
2019
- 2019-12-04 CN CN201911223753.8A patent/CN110879586A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
SK5455Y1 (en) * | 2009-05-05 | 2010-05-07 | Azd Praha Sro | Diagnostic system, particularly for railway interlocked installations |
CN104614178A (zh) * | 2015-03-10 | 2015-05-13 | 中电投河南电力有限公司技术信息中心 | 一种基于全矢谱的故障征兆提取方法 |
CN108627345A (zh) * | 2018-05-11 | 2018-10-09 | 浙江师范大学 | 一种汽轮机系统级故障的诊断方法及系统 |
CN110377001A (zh) * | 2019-06-04 | 2019-10-25 | 上海华电奉贤热电有限公司 | 基于数据融合的工业设备智能故障诊断系统和方法 |
Non-Patent Citations (2)
Title |
---|
俞金寿: "《工业过程先进控制技术》", 31 August 2008, 华东理工大学出版社 * |
张家欣: "发电机故障诊断及状态监测技术研究", 《南京工业职业技术学院学报》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111648992A (zh) * | 2020-06-02 | 2020-09-11 | 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 |
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 |
CN111667120A (zh) * | 2020-06-11 | 2020-09-15 | 国网山东省电力公司电力科学研究院 | 一种调相机绝缘故障预测方法及系统 |
CN112179655A (zh) * | 2020-08-17 | 2021-01-05 | 中国农业大学 | 一种基于阈值分级的汽轮发电机故障预警方法 |
CN112179655B (zh) * | 2020-08-17 | 2021-07-09 | 中国农业大学 | 一种基于阈值分级的汽轮发电机故障预警方法 |
CN117092980A (zh) * | 2023-08-05 | 2023-11-21 | 淮阴师范学院 | 一种基于大数据的电气故障检测控制系统 |
CN117092980B (zh) * | 2023-08-05 | 2024-02-06 | 淮阴师范学院 | 一种基于大数据的电气故障检测控制系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110879586A (zh) | 一种调相机故障诊断和状态监测方法和系统 | |
CN108562854B (zh) | 一种电机异常状态在线预警方法 | |
Schlechtingen et al. | Wind turbine condition monitoring based on SCADA data using normal behavior models. Part 1: System description | |
Siddique et al. | Applications of artificial intelligence techniques for induction machine stator fault diagnostics | |
Zaher et al. | Online wind turbine fault detection through automated SCADA data analysis | |
CN110766277B (zh) | 用于核工业现场的健康评估及诊断系统和移动终端 | |
CN115013261B (zh) | 一种用于海上风电场的状态监测方法及系统 | |
JPH08202444A (ja) | 機械設備の異常診断方法および装置 | |
CN110209144B (zh) | 基于动静协同差异分析的两层实时监测与报警溯源方法 | |
CN110954354B (zh) | 设备故障诊断方法及装置 | |
CN112880750A (zh) | 一种变压器多维度综合在线监测智能诊断系统 | |
CN111273125A (zh) | 基于rst-cnn的电力电缆沟道故障诊断方法 | |
CN112906764A (zh) | 基于改进bp神经网络的通信安全设备智能诊断方法及系统 | |
CN115307943A (zh) | 一种旋转机械设备多工况运行状态异常检测方法及系统 | |
CN114648212A (zh) | 一种基于云计算的船舶设备性能智能管理系统及方法 | |
CN114169718A (zh) | 一种基于风电机组状态评估提高机组可靠性的方法 | |
CN116796261B (zh) | 一种基于人工智能的封闭开关设备机械特性预测方法 | |
CN110674240B (zh) | 一种基于gis的电力设备分布式多级智能故障诊断系统 | |
CN112380782A (zh) | 一种基于混合指标和神经网络的旋转设备故障预测方法 | |
CN115456041A (zh) | 设备故障预警方法及装置、计算设备和存储介质 | |
CN110441725A (zh) | 基于自适应神经模糊推理的智能电表故障诊断方法及装置 | |
Yang et al. | Anomaly detection of automobile welding workstation based on stacked autoencoders and long short-term memory network | |
Qu et al. | An implementation of a remote diagnostic system on rotational machines | |
CN117034157B (zh) | 一种结合多模态运行数据的水电设备故障识别方法与系统 | |
Li et al. | Incremental Multivariate State Estimation Technique-Based Fault Estimation Method for Motor-driven High-Voltage Circuit Breakers |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
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 |
Application publication date: 20200313 |
|
RJ01 | Rejection of invention patent application after publication |