CN111723998A - 发电机压油槽油压系统故障早期预警方法 - Google Patents

发电机压油槽油压系统故障早期预警方法 Download PDF

Info

Publication number
CN111723998A
CN111723998A CN202010597915.0A CN202010597915A CN111723998A CN 111723998 A CN111723998 A CN 111723998A CN 202010597915 A CN202010597915 A CN 202010597915A CN 111723998 A CN111723998 A CN 111723998A
Authority
CN
China
Prior art keywords
oil pressure
early warning
generator
fault
model
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.)
Granted
Application number
CN202010597915.0A
Other languages
English (en)
Other versions
CN111723998B (zh
Inventor
钟士平
崔建凯
潘大林
罗莽
梁庆
岳奕作
胡磊
肖友平
黄扬文
蒋震东
罗立新
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.)
State Grid Hunan Electric Power Co ltd Hydropower Branch
State Grid Corp of China SGCC
State Grid Hunan Electric Power Co Ltd
Original Assignee
State Grid Hunan Electric Power Co ltd Hydropower Branch
State Grid Corp of China SGCC
State Grid Hunan Electric Power 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 State Grid Hunan Electric Power Co ltd Hydropower Branch, State Grid Corp of China SGCC, State Grid Hunan Electric Power Co Ltd filed Critical State Grid Hunan Electric Power Co ltd Hydropower Branch
Priority to CN202010597915.0A priority Critical patent/CN111723998B/zh
Publication of CN111723998A publication Critical patent/CN111723998A/zh
Application granted granted Critical
Publication of CN111723998B publication Critical patent/CN111723998B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
    • F03B—MACHINES OR ENGINES FOR LIQUIDS
    • F03B15/00—Controlling
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F17—STORING OR DISTRIBUTING GASES OR LIQUIDS
    • F17D—PIPE-LINE SYSTEMS; PIPE-LINES
    • F17D5/00—Protection or supervision of installations
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F17—STORING OR DISTRIBUTING GASES OR LIQUIDS
    • F17D—PIPE-LINE SYSTEMS; PIPE-LINES
    • F17D5/00—Protection or supervision of installations
    • F17D5/02—Preventing, monitoring, or locating loss
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/20—Hydro energy

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Mechanical Engineering (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Biomedical Technology (AREA)
  • Tourism & Hospitality (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Control Of Water Turbines (AREA)
  • Control Of Eletrric Generators (AREA)

Abstract

本发明公开了一种发电机压油槽油压系统故障早期预警方法，包括获取压油槽油压系统的历史运行数据；建立发电机压油槽油压系统故障早期预警基础模型；对发电机压油槽油压系统故障早期预警基础模型进行调整得到发电机压油槽油压系统故障早期预警原始模型；采用历史运行数据对发电机压油槽油压系统故障早期预警原始模型进行训练得到发电机压油槽油压系统故障早期预警模型；实时获取水电厂的运行数据并发电机压油槽油压系统故障早期预警模型进行早期预警。本发明提取设备状态数据变化的特征，构建趋势分析算法模型，并对设备状态变化的趋势进行定性的分析和判断，不仅弥补了越限报警的不足，而且实现了设备异常的早期预警，可靠性高且实用性好。

Description

发电机压油槽油压系统故障早期预警方法
技术领域
本发明属于电气自动化领域，具体涉及一种发电机压油槽油压系统故障早期预警方法。
背景技术
随着经济技术的发展和人们生活水平的提高，电能已经成为了人们生产和生活中必不可少的二次能源，给人们的生产和生活带来了无尽的便利。因此，电力系统的稳定可靠运行，就成为了电力系统最重要的任务之一。
水电厂是电力系统的重要组成部分，其运行稳定可靠对于电网来说运至关重要，而发电机压油槽油压系统运行直接影响着发电机的稳定运行，水电厂计算机监控系统中的压油槽油压异常的报警方式为油压越限报警、压油泵运行超时报警。其中，油压越限报警只对油压越上下限进行报警，不能及时反应压油泵的打油效率低下故障、压油系统管道漏油、漏气等故障；而压油泵运行超时报警虽然可以在一定程度上反应上述故障，但由于影响压油槽油压是多方面影响，因此，超时的定值不可能设置的很大，在一定程度上，压油泵运行超时报警也不能如实反应发电机调速器油压系统的故障。
发明内容
本发明的目的在于提供一种可靠性高、实用性好且能够进行故障早期预警的发电机压油槽油压系统故障早期预警方法。
本发明提供的这种发电机压油槽油压系统故障早期预警方法，包括如下步骤：
S1.获取水电厂的历史运行数据；
S2.建立发电机压油槽油压系统故障早期预警基础模型；
S3.对步骤S2建立的发电机压油槽油压系统故障早期预警基础模型进行调整，从而得到发电机压油槽油压系统故障早期预警原始模型；
S4.采用步骤S1获取的历史运行数据，对步骤S3得到的发电机压油槽油压系统故障早期预警原始模型进行训练，从而得到发电机压油槽油压系统故障早期预警模型；
S5.实时获取水电厂的运行数据，并采用步骤S4得到的发电机压油槽油压系统故障早期预警模型进行早期预警。
步骤S2所述的建立发电机压油槽油压系统故障早期预警基础模型，具体为采用BP神经网络模型作为发电机压油槽油压系统故障早期预警基础模型。
所述的采用BP神经网络模型作为发电机压油槽油压系统故障早期预警基础模型，具体为将导叶开度变化率、压油泵A的启动计数、压油泵B的启动计数作为模型输入，以油压值作为模型输出，构建BP神经网络模型。
步骤S3所述的对步骤S2建立的发电机压油槽油压系统故障早期预警基础模型进行调整，从而得到发电机压油槽油压系统故障早期预警原始模型，具体为采用如下方案进行调整：
在降压阶段，将油压下降的数值按比例换算成油泵计数减小值，并反馈到压油泵打压输入节点，并使得压油泵打油计数值逐步减至0，从而达到使得压油泵打油计时值具有连续性的目的；
采用阶段性学习率策略，在升压阶段提高学习率，在降压阶段降低学习率，从而强化升压过程且弱化降压过程；
采用tanh函数作为BP神经网络的激励函数；
采用动量项技术调整BP神经网络的权重。
所述的采用动量项技术调整BP神经网络的权重，具体为采用如下算式调整权重：
wt＝λwt-1+w0
式中wt为调整后的权重值；wt-1为调整前的权重值；λ为动量项系数；w0为本次误差权重调整量。
本发明提供的这种发电机压油槽油压系统故障早期预警方法，提取设备状态数据变化的特征，构建趋势分析算法模型，并对设备状态变化的趋势进行定性的分析和判断，不仅弥补了越限报警的不足，而且实现了设备异常的早期预警，可靠性高且实用性好。
附图说明
图1为本发明方法的方法流程示意图。
图2为本发明中单泵运行时发电机压油槽油压正常变化曲线示意图。
图3为本发明中发电机压油槽油压异常(导水叶不动，单泵效率低下)时的变化曲线示意图。
图4为本发明中的发电机压油槽油压系统故障早期预警基础模型示意图。
图5为本发明中的BP模型拟合示意图。
图6为本发明中的BP模型将油压下降的数值反馈到压油泵打压输入节点的模型结构示意图。
具体实施方式
如图1所示为本发明方法的方法流程示意图：本发明提供的这种发电机压油槽油压系统故障早期预警方法，包括如下步骤：
S1.获取水电厂的历史运行数据；
通过历史运行数据分析可知，影响发电机油压槽油压的因素如下：
表1发电机油压槽油压的影响因素示意表
影响因素 数据类型 对油压产生的影响
压油泵A打油 开关量 升压
压油泵B打油 开关量 升压
自动补气 开关量 升压
补气气压 模拟量 升压
导叶变化率 模拟量 降压
自泄露 模拟量 降压
表2发电机油压槽油压的故障现象
Figure BDA0002558075430000041
从上述分析可以知道，发电机压油槽油压系统的大部分故障，都能够在压油泵打油阶段的油压上升速率(上升趋势)上得到反映；同时，正常情况下，压油槽油压系统的管道慢性泄露为一常数，恒定不变；
发电机压油槽油压正常变化曲线(单泵运行)如图2所示；可以看出，发电机压油槽油压正常的变化，有以下几个特征：
1)发电机压油槽油压变化一般在一个特定的区域内变化(低于油压启动值，压油泵启动打油；当油压高于停泵值，压油泵停止打油)；
2)升压因素，是由压油泵打油升压；
3)降压因素，主要是水轮机控制导叶、桨叶转动消耗油压与油压系统管道缓慢泄压；
4)当水轮机导叶(桨叶)不动作时，主要的油压下降体现在油压系统管道的缓慢泄露上；
5)正常情况下，压油槽油压下降速率于导叶变化率成正比；
发电机压油槽油压异常(导水叶不动，单泵效率低下)时的变化曲线如图3所示；可以看出，发电机压油槽油压上升异常，有以下几个特征：
1)由于压油泵的效率低下，导致打油阶段时间增加；
2)油泵打油效率正常与低下，在油压上升趋势的特征上有着明显的不同；
3)压油槽管道漏油漏气等因素同单泵(或双泵)效率低下导致的升压异常有着类似的升压效率低的特点；
因此，对发电机压油槽油压变化特征进行如下分析：
发电机压油槽油压在打压阶段的油压变化关系可以描述为：
ΔPr＝Pb1×t1+Pb2×t2-Pd|dt-dt0|-Ps×t
式中ΔPr为从油泵启动到停止之间的油压差值；Pb1×t1和Pb2×t2为压油泵1、2打油贡献的油压；Pd|dt-dt0|为打油阶段导叶(桨叶)转动行程消耗的油压；Ps×ts为管道慢性泄露的油压；
由于发电机压油槽管道慢性泄压与发电机压油泵正常启动打油时间周期(较短)来说，打油阶段，压油系统管道泄压可以设为常数或忽略不计，则有：
ΔPr＝Pb1×t1+Pb2×t2-Pd|dt-dt0|
因此可以知道，压油泵打油升压、导叶(桨叶)转动降压构成了一个闭环平衡系统，在升压阶段，考察油压上升与导叶(桨叶)转动导致的油压下降这两个因素就能够判断发电机压油槽油压油泵、阀组及管道系统是否存在这异常或故障；
S2.建立发电机压油槽油压系统故障早期预警基础模型；具体为采用BP神经网络模型作为发电机压油槽油压系统故障早期预警基础模型，将导叶开度变化率、压油泵A的启动计数值、压油泵B的启动计数数值作为模型输入，以油压值作为模型输出；其模型示意图如图4所示；
该模型中，以水轮机导叶开度变化率、压油槽油泵升压作为模型的输入，通过BP神经网络模型，拟合出压油槽升压过程的曲线。当BP模型拟合(预测)的压油槽油压曲线与实际的压油槽油压曲线出现一定差异时，则算法模型发出预警信号，提示故障存在，如图5所示；
BP模型拟合输出和实际的压油槽升压曲线差异可以体现在以下两个方面：
BP拟合升压阶段的时间差异Δt；
BP油压拟合值与油压变化的实时值差异ΔP；
所以，在BP模型判断故障或异常有两种情况，分别为时限预警和功率预警；
当BP模型输出的油压达到了停泵值，而实际的油泵仍在运行；
BP模型输出的油压值在Δt时间内，实际油压低于Pb×n％；
S3.对步骤S2建立的发电机压油槽油压系统故障早期预警基础模型进行调整，从而得到发电机压油槽油压系统故障早期预警原始模型；具体为采用如下方案进行调整：
在降压阶段，将油压下降的数值按比例换算成油泵启动计数下降值反馈到压油泵打压输入节点，并使得压油泵打油计时值逐步减至0，从而达到使得压油泵打油计时值具有连续性的目的(如图6所示)；
采用阶段性学习率策略，在升压阶段提高学习率，在降压阶段降低学习率，从而强化升压过程且弱化降压过程；
采用tanh函数作为BP神经网络的激励函数；
采用动量项技术调整BP神经网络的权重；具体为采用如下算式调整权重：
wt＝λwt-1+w0
式中wt为调整后的权重值；wt-1为调整前的权重值；λ为动量项系数；w0为本次误差权重调整量；
S4.采用步骤S1获取的历史运行数据，对步骤S3得到的发电机压油槽油压系统故障早期预警原始模型进行训练，从而得到发电机压油槽油压系统故障早期预警模型；
在训练前，需要对获取的历史数据进行归一化操作，同时进行数据清洗；
归一化时：
进行输入导叶开度变化归一化，导叶开度变化按周期计算开度的变化，是输入值在0～1之间：
Δn＝(nt-1-nt)/100
油泵启动计时归一化，压油泵启动计时从0开始至油泵停止，使得油泵输入计时值在0～1之间：
ΔT＝T/1000
油压真实值归一化：以压油泵启动时的油压为参考进行归一化：
P＝Pr-Ps
其中P为输入模型的油压值，Pr为油压的实时值，Ps为油泵启动值；
S5.实时获取水电厂的运行数据，并采用步骤S4得到的发电机压油槽油压系统故障早期预警模型进行早期预警。

Claims (5)

1.一种发电机压油槽油压系统故障早期预警方法，包括如下步骤：
S1.获取水电厂的历史运行数据；
S2.建立发电机压油槽油压系统故障早期预警基础模型；
S3.对步骤S2建立的发电机压油槽油压系统故障早期预警基础模型进行调整，从而得到发电机压油槽油压系统故障早期预警原始模型；
S4.采用步骤S1获取的历史运行数据，对步骤S3得到的发电机压油槽油压系统故障早期预警原始模型进行训练，从而得到发电机压油槽油压系统故障早期预警模型；
S5.实时获取水电厂的运行数据，并采用步骤S4得到的发电机压油槽油压系统故障早期预警模型进行早期预警。
2.根据权利要求1所述的发电机压油槽油压系统故障早期预警方法，其特征在于步骤S2所述的建立发电机压油槽油压系统故障早期预警基础模型，具体为采用BP神经网络模型作为发电机压油槽油压系统故障早期预警基础模型。
3.根据权利要求2所述的发电机压油槽油压系统故障早期预警方法，其特征在于所述的采用BP神经网络模型作为发电机压油槽油压系统故障早期预警基础模型，具体为将导叶开度变化率、压油泵A的启动计数值、压油泵B的启动计数值作为模型输入，以油压值作为模型输出，构建BP神经网络模型。
4.根据权利要求3所述的发电机压油槽油压系统故障早期预警方法，其特征在于步骤S3所述的对步骤S2建立的发电机压油槽油压系统故障早期预警基础模型进行调整，从而得到发电机压油槽油压系统故障早期预警原始模型，具体为采用如下方案进行调整：
在降压阶段，将油压下降的数值按比例换算成油泵启动计数下降，反馈到压油泵打压输入节点，并使得压油泵打油计时值逐步减至0，从而达到使得压油泵打油计时值具有连续性的目的；
采用阶段性学习率策略，在升压阶段提高学习率，在降压阶段降低学习率，从而强化升压过程且弱化降压过程；
采用tanh函数作为BP神经网络的激励函数；
采用动量项技术调整BP神经网络的权重。
5.根据权利要求4所述的发电机压油槽油压系统故障早期预警方法，其特征在于所述的采用动量项技术调整BP神经网络的权重，具体为采用如下算式调整权重：
wt＝λwt-1+w0
式中wt为调整后的权重值；wt-1为调整前的权重值；λ为动量项系数；w0为本次误差权重调整量。
CN202010597915.0A 2020-06-28 2020-06-28 发电机压油槽油压系统故障早期预警方法 Active CN111723998B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010597915.0A CN111723998B (zh) 2020-06-28 2020-06-28 发电机压油槽油压系统故障早期预警方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010597915.0A CN111723998B (zh) 2020-06-28 2020-06-28 发电机压油槽油压系统故障早期预警方法

Publications (2)

Publication Number Publication Date
CN111723998A true CN111723998A (zh) 2020-09-29
CN111723998B CN111723998B (zh) 2023-07-25

Family

ID=72569416

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010597915.0A Active CN111723998B (zh) 2020-06-28 2020-06-28 发电机压油槽油压系统故障早期预警方法

Country Status (1)

Country Link
CN (1) CN111723998B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1429425A (zh) * 2000-03-22 2003-07-09 伊利诺伊大学评议会 动态控制、内部调节电荷泵功率变换器
JP2006241188A (ja) * 2005-02-28 2006-09-14 Mitsubishi Heavy Ind Ltd 天然ガスハイドレート生成システムおよびその生成方法
CN103595240A (zh) * 2013-11-20 2014-02-19 天津大学 降低Boost型PFC转换器升压幅度的装置和方法
CN104331631A (zh) * 2014-11-21 2015-02-04 国家电网公司 一种水电机组运行状态远程诊断决策方法
CN107977508A (zh) * 2017-11-29 2018-05-01 北京优利康达科技股份有限公司 一种发电机轴承故障预测方法
CN110287233A (zh) * 2019-06-18 2019-09-27 华北电力大学 一种基于深度学习神经网络的系统异常预警方法
CN110702437A (zh) * 2019-09-12 2020-01-17 国电大渡河流域水电开发有限公司龚嘴水力发电总厂 一种水轮发电机组油压系统健康状况的评价方法
CN110779745A (zh) * 2019-10-12 2020-02-11 杭州安脉盛智能技术有限公司 一种基于bp神经网络的换热器早期故障诊断方法
CN111222247A (zh) * 2020-01-13 2020-06-02 北京化工大学 一种旋转机械早期故障预警方法
CN111290276A (zh) * 2020-02-23 2020-06-16 西安理工大学 一种液压位置伺服系统神经网络分数阶积分滑模控制方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1429425A (zh) * 2000-03-22 2003-07-09 伊利诺伊大学评议会 动态控制、内部调节电荷泵功率变换器
JP2006241188A (ja) * 2005-02-28 2006-09-14 Mitsubishi Heavy Ind Ltd 天然ガスハイドレート生成システムおよびその生成方法
CN103595240A (zh) * 2013-11-20 2014-02-19 天津大学 降低Boost型PFC转换器升压幅度的装置和方法
CN104331631A (zh) * 2014-11-21 2015-02-04 国家电网公司 一种水电机组运行状态远程诊断决策方法
CN107977508A (zh) * 2017-11-29 2018-05-01 北京优利康达科技股份有限公司 一种发电机轴承故障预测方法
CN110287233A (zh) * 2019-06-18 2019-09-27 华北电力大学 一种基于深度学习神经网络的系统异常预警方法
CN110702437A (zh) * 2019-09-12 2020-01-17 国电大渡河流域水电开发有限公司龚嘴水力发电总厂 一种水轮发电机组油压系统健康状况的评价方法
CN110779745A (zh) * 2019-10-12 2020-02-11 杭州安脉盛智能技术有限公司 一种基于bp神经网络的换热器早期故障诊断方法
CN111222247A (zh) * 2020-01-13 2020-06-02 北京化工大学 一种旋转机械早期故障预警方法
CN111290276A (zh) * 2020-02-23 2020-06-16 西安理工大学 一种液压位置伺服系统神经网络分数阶积分滑模控制方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
于建国 等: "基于BP神经网络的风力发电机温升故障诊断研究", vol. 53, no. 2, pages 32 - 36 *
周斌 等: "柘溪水力发电厂液压梁穿销控制装置改造", 湖南电力, vol. 38, no. 6, pages 88 - 90 *
王瑞;: "复杂断块油藏注采耦合技术提高原油采收率的力学机制研究", 中国科技论文, no. 01, pages 60 - 6660 *
钟士平 等: "关于水电站发电机进相运行分析", 电子世界, no. 15, pages 52 - 53 *
陈艳红;: "砂砾岩油藏中高含水期周期注水提高采收率研究", 中国石油和化工标准与质量, no. 12, pages 249 *

Also Published As

Publication number Publication date
CN111723998B (zh) 2023-07-25

Similar Documents

Publication Publication Date Title
CN103195644B (zh) 水电站油压装置自动补气系统及补气方法
WO2020164295A1 (zh) 压缩空气系统绝对能效和相对能效的分析方法
CN110454376A (zh) 一种水泵机组节能诊断系统
CN208474908U (zh) 风电润滑自动控制系统
CN111365187A (zh) 一种调速器主配电气中位实时自动诊断及智能纠偏方法
CN111882131A (zh) 一种基于双工况最优效率跟踪的变速海水抽蓄电站容量优化方法
CN113530793B (zh) 一种空压气站用智能调节系统
CN116335869A (zh) 一种水轮机强迫补气系统及运行方法
CN111723998A (zh) 发电机压油槽油压系统故障早期预警方法
CN112696344B (zh) 一种供水加压泵站的智能控制方法
CN205478243U (zh) 无人值守式节能型空压站控制系统
CN110130436B (zh) 智能水能循环节电系统
CN113221358B (zh) 基于可靠性参数的电-气耦合系统的备用出力优化方法
CN113309660B (zh) 一种调速器智能分段关闭控制系统及方法
CN109492336A (zh) 一种抽油机井工作制度自动调整模型
CN203146220U (zh) 水电站油压装置自动补气系统
CN111794934A (zh) 汽动给水泵系统改全变频电动给水泵系统的方法及其全新的逻辑控制系统
CN111368246A (zh) 一种基于性能实测的凝结水泵节能改造评估方法
CN111105085A (zh) 一种抽水蓄能机组水泵工况停机策略优化方法、系统及介质
CN206117312U (zh) 水电站低压发电机智能运行装置
CN115341515B (zh) 一种适用于带背压技术供水系统的泄压装置及控制方法
CN115455651B (zh) 一种水电站公用辅助设备故障诊断与趋势分析方法
CN217462468U (zh) 一种空压机群优化控制系统
CN113847230B (zh) 一种凝结水泵深度变频预期效果分析方法
CN115525041B (zh) 电厂性能指标考核的故障诊断方法、系统、设备及介质

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