CN111753889B - 一种基于cnn-svdd的引风机故障识别方法 - Google Patents

一种基于cnn-svdd的引风机故障识别方法 Download PDF

Info

Publication number
CN111753889B
CN111753889B CN202010526996.5A CN202010526996A CN111753889B CN 111753889 B CN111753889 B CN 111753889B CN 202010526996 A CN202010526996 A CN 202010526996A CN 111753889 B CN111753889 B CN 111753889B
Authority
CN
China
Prior art keywords
data
svdd
cnn
induced draft
time
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
CN202010526996.5A
Other languages
English (en)
Other versions
CN111753889A (zh
Inventor
王豆
孟瑜炜
杨勤
张震伟
郭鼎
郑必君
王立峰
赵俊
李海斌
安佰京
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.)
Zhejiang Energy Group Research Institute Co Ltd
Shandong Luneng Software Technology Co Ltd
Original Assignee
Zhejiang Energy Group Research Institute Co Ltd
Shandong Luneng Software Technology 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 Zhejiang Energy Group Research Institute Co Ltd, Shandong Luneng Software Technology Co Ltd filed Critical Zhejiang Energy Group Research Institute Co Ltd
Priority to CN202010526996.5A priority Critical patent/CN111753889B/zh
Publication of CN111753889A publication Critical patent/CN111753889A/zh
Application granted granted Critical
Publication of CN111753889B publication Critical patent/CN111753889B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • G06N3/045—Combinations of networks
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明涉及一种基于CNN‑SVDD的引风机故障识别方法，包括：步骤1：采集足量训练数据，进行数据预处理；步骤2：利用预处理后的训练数据构建CNN‑SVDD模型，利用CNN算法对时间序列数据进行降维，然后通过SVDD算法进行数据单分类；步骤3：采集足量实时数据，用基于已构建的CNN‑SVDD模型对实时数据对应的引风机故障进行识别。本发明的有益效果是：本发明利用深度学习先进行特征提取，大量减少特征维度后，再使用SVDD进行单分类分析，这样可以节省SVDD的时间和内存开销。另外由于引风机数据具有时间序列特性，可以充分利用时间序列数据时间维度上的局部相关性，使用一维卷积网络减少学习参数，进一步减少计算开销。

Description

一种基于CNN-SVDD的引风机故障识别方法
技术领域
本发明涉及可靠性维护工程技术领域，尤其包括一种基于CNN-SVDD的引风机故障识别方法。
背景技术
引风机是火力发电机组重要辅助设备，引风机的运行特性会影响到机组锅炉燃烧效率和机组的运行稳定性和机组出力。因此及时发现引风机在运行过程中出现的各类故障征兆，可以有效掌握引风机运行状态和优化其运行状况，避免故障趋势的进一步扩大和非计划停机事件的发生，对提高机组整体性能和效率、降低设备维修成本、增加设备可利用时间有重大意义。
引风机常见有主轴承振动高、轴承温度高、失速、喘振、叶片摩擦、漏油、动叶调节不灵等故障。由于故障过程的不确定性，同机组不同引风机发生的故障类型各不相同，没有统一规律；同机组同一引风机历次发生的同类故障之间，也不是每个故障征兆都完全一样，有差异特征；不同机组同类引风机同类故障之间，也不是完全各不相同，很多故障和故障征兆又有很大的相似性和相似特征。以往基于机器学习建模的故障诊断方法大都是针对单个电厂，用电厂特定设备的所有历史故障数据进行故障模式识别模型训练，但基于机器学习的故障模式识别建模，需要大量的故障样本数据才能确保较高的诊断准确率。而实际上，单电厂同类设备同一故障案例样本数据有限，在实际应用过程中会出现较大的诊断误差。
发明内容
本发明的目的是克服现有技术中的不足，提供一种基于CNN-SVDD的引风机故障识别方法。
这种基于CNN-SVDD的引风机故障识别方法，包括以下步骤：
步骤1：采集足量训练数据，进行数据预处理；
步骤1.1：为使样本的原始特征维度一致，对训练数据在时间维度上进行切片操作、缺失值处理和数据标准化，得到统一的特征数；
步骤1.2：对于训练数据中数据缺失达到30％～50％的测点进行删除；
步骤1.3：用取均值和标准差对已删除数据缺失测点的训练数据进行标准化处理：
Figure BDA0002533956650000011
其中x*表示表示归一化后的训练数据值，x表示实测的训练数据值，mean为训练数据集的均值，std为训练数据集的标准差；
步骤2：利用预处理后的训练数据构建CNN-SVDD模型，利用CNN算法对时间序列数据进行降维，然后通过SVDD算法进行数据单分类；
步骤2.1：通过网络结构优化和参数调优，构建含有多个卷积层和多个全连接层的CNN网络结构；该CNN网络结构中每一个卷积层后都紧跟BN(批标准化)层，并增加dropout层，在一定程度上减少过拟合；预处理后的训练数据经过若干卷积层，充分利用数据在时间维度的相关性进行特征提取(使用卷积池化运算可减少学习参数)；随后转入若干全连接层，进一步对特征进行转化提取；
步骤2.2：将预处理后的训练数据输入已构建的CNN模型，经过CNN算法进行特征提取，将得到的特征输入SVDD算法中；SVDD球体中心为样本经卷积神经网络输出后的特征中心，求解得到使得损失函数最小的半径；所述损失函数Loss为：
Figure BDA0002533956650000021
其中，X是训练数据即样本空间，φ(X)是由输入数据经一定映射后的特征展示，c是样本经映射后的特征中心，R是SVDD球体半径，ν和λ是惩罚系数，n是样本容量，ωl是神经网络权值参数，L是神经网络权值参数ωl的个数；
步骤2.3、利用神经网络的反向传播对神经网络权值参数ωl进行学习更新，利用更新SVDD球体的聚类中心对球体半径R进行学习更新，令损失函数Loss最小；
步骤3：采集足量实时数据，用基于已构建的CNN-SVDD模型对实时数据对应的引风机故障进行识别；
步骤3.1：将输入的实时数据进行数据预处理：为使样本的原始特征维度一致，对实时数据在时间维度上进行切片操作，得到统一的特征数；对于实时数据中数据缺失达到30％～50％的测点进行删除；按照均值和标准差对删除数据缺失测点的实时数据进行标准化处理；
步骤3.2：将预处理后的实时数据输入已构建的CNN模型，经过CNN算法进行特征提取，将CNN算法输出的特征值用于SVDD算法进行单分类：若样本的特征值离SVDD球体中心的距离小于等于半径，则实时数据的对应的引风机故障属于该类故障；若样本的特征值离SVDD球体中心的距离大于半径，则实时数据的对应的引风机故障属于其他类故障。
作为优选，所述步骤2.1中该CNN网络结构中所有卷积层的激活函数均为LeakyReLU，所有全连接层的激活函数均为ReLU，所有卷积层和全连接层均不设置偏置项。
作为优选，所述步骤1和所述步骤3.1中进行预处理的数据均为时间序列数据。
作为优选，所述步骤3中随着采集的实时数据的更新，每更新预定数量的实时数据后，扩充训练数据并返回执行所述步骤2和所述步骤3，重新构造并训练CNN-SVDD模型，得到更准确的识别结果。
作为优选，所述步骤1中数据预处理包括数据时间维度切片、缺失值处理和数据标准化。
作为优选，所述步骤2.1中BN层用于增加训练稳定性。
本发明的有益效果是：
(1)本发明利用深度学习先进行特征提取，大量减少特征维度后，再使用SVDD进行单分类分析，这样可以节省SVDD的时间和内存开销。另外由于引风机数据具有时间序列特性，可以充分利用时间序列数据时间维度上的局部相关性，使用一维卷积网络减少学习参数，进一步减少计算开销。
(2)本发明构建CNN-SVDD模型，利用CNN算法对时间序列数据进行降维，随后通过SVDD方法实现引风机的故障识别；能有效识别多机组同类引风机振动异常、失速、喘振等故障，且故障识别准确率高，可为引风机的故障诊断提供技术经验，识别结果也将给随后的设备维护计划制定提供坚实的支撑，对于对可靠性要求严格的设备维护管理大有裨益，在工程实际应用方面具有广阔前景。
附图说明
图1为本发明的CNN-SVDD算法流程图。
具体实施方式
下面结合实施例对本发明做进一步描述。下述实施例的说明只是用于帮助理解本发明。应当指出，对于本技术领域的普通人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干修饰，这些改进和修饰也落入本发明权利要求的保护范围内。
本发明提出一种采用深度支持向量数据描述单分类算法构建面向多电厂多个机组同类型引风机设备的故障识别模型，用多电厂多机组故障多案例的大量样本数据来弥补单电厂故障样本数据不足的问题。
本例实验采用来自4个电厂、16台同类型引风机的共123个风机故障样本数据对本发明所提方法的有效性进行验证，故障持续时间为22秒到72秒不等。本例实验的数据包含54个测点，详见下表1：
表1实验数据所用测点表
编号 测点名称 编号 测点名称 编号 测点名称
1 引风机进口烟气压力 20 引风机电机后轴承温度1 38 引风机电机润滑油压力
2 引风机出口烟气压力 21 引风机电机后轴承温度2 39 引风机控制油压力2
3 引风机出口烟气温度 22 引风机电机A相绕组温度1 40 引风机控制油压力3
4 引风机电流 23 引风机电机A相绕组温度2 41 引风机油箱油温
5 引风机有功电度计数值 24 引风机电机B相绕组温度1 42 引风机润滑油温度
6 引风机进口烟气流量 25 引风机电机B相绕组温度2 43 炉膛负压三选值
8 引风机动叶调节装置阀位 26 引风机电机C相绕组温度1 44 发电机有功功率-3选后
9 引风机前轴承温度1 27 引风机电机C相绕组温度2 45 主蒸汽压力
10 引风机前轴承温度2 28 引风机轴承振动X向 47 A侧高温过热器出口蒸汽温度1
11 引风机前轴承温度3 29 引风机轴承振动Y向 48 B侧过热汽温-SEL
12 引风机中轴承温度1 30 引风机轴承键相 49 A侧再热器出口汽温-SEL
13 引风机中轴承温度2 31 引风机冷却风机A电流 50 B侧再热器出口气温-SEL
14 引风机中轴承温度3 32 引风机冷却风机B电流 51 省煤器入口给水流量补偿后
15 引风机后轴承温度1 33 引风机润滑油站电源1电流 52 总风量
16 引风机后轴承温度2 34 引风机润滑油站电源2电流 53 高压排汽蒸汽温度
17 引风机后轴承温度3 35 引风机控制油压力1 54 总燃料量
18 引风机电机前轴承温度1 36 引风机控制油压力选择值
19 引风机电机前轴承温度2 37 引风机风机润滑油压力
本例实验数据采用正样本495个，负样本55个，总计550个。本次实验将70％的数据集作为训练集用于进行模型训练，15％的数据集作为验证集用于模型参数优化和模型挑选，15％的数据集作为测试集用于验证模型准确性。基于CNN-SVDD的引风机故障识别方法的具体过程如下：
步骤1：数据预处理，包括数据时间维度切片、缺失值处理和数据标准化。本步骤具体包含以下子步骤：
步骤1.1：为使样本的原始特征维度一致，对数据在时间维度上进行了切片操作，得到统一的特征数；本例实验时间维度上统一为20(按秒计数)，这样每一个样本的特征统一为20*测点数，即20*52，可以进入卷积网络进行训练；
步骤1.2：对于数据缺失达到一定比例的测点进行删除；本例实验的测点表如上表1所示，其中编号为7的测点引风机进口烟气流量计算后的缺失值达到70％，编号为46的测点A空预器烟气进出口差压缺失值达到25％，其余测点无缺失值。因此，本次实验对编号7和编号46测点进行删除操作；最终每个样本的测点统一为52个。
步骤1.3：按照均值和标准差进行标准化处理。本例实验按以下公式进行标准化处理：
Figure BDA0002533956650000051
其中ⅹ*表示表示归一化后的参数值，x表示实测参数值，mean为训练数据集均值，std为训练数据集标准差。
步骤2：构建CNN-SVDD模型，利用CNN算法对时间序列数据进行降维，随后通过SVDD算法进行数据单分类。本步骤具体包含以下子步骤：
步骤2.1：经过网络结构优化和参数调优，构建共有5个卷积层和2个全连接层的CNN网络结构。其中，5个卷积层的卷积核个数和大小分别为：(80，3)、(80，4)、(100，5)、(100，6)、(100，6)；每一个卷积层后都紧跟BN(批标准化)层，用来增加训练稳定性；增加dropout层，在一定程度上减少过拟合；所有卷积层使用Leaky ReLU作为激活函数，全连接层使用ReLU作为激活函数，所有卷积层和全连接层都不设置偏置项；
步骤2.2：将通过CNN模型进行特征提取后得到的特征输入SVDD中。输入特征数量为20*52，经过卷积网络最终输出22个特征值用于SVDD进行单分类。SVDD球体中，其球体中心为样本经卷积神经网络输出后的特征中心，球体半径通过搜索法求解使得损失函数Loss最小的半径。所述损失函数Loss为：
Figure BDA0002533956650000052
其中，X是训练数据即样本空间，φ(X)是由输入数据经一定映射后的特征展示，c是样本经映射后的特征中心，R是SVDD球体半径，ν和λ是惩罚系数，n是样本容量，ωl是神经网络权值参数，L是神经网络权值参数ωl的个数；
步骤3：对于实时数据，基于已构建的CNN-SVDD模型进行故障识别。本步骤具体包含以下子步骤：
步骤3.1：对测试集和训练集数据首先通过步骤1的预处理方法进行数据预处理；
步骤3.2：将预处理后的测试集和训练集数据输入已构建的CNN模型，经过CNN算法进行特征提取，将CNN输出的特征值用于SVDD进行单分类，若样本的特征值离球心的距离不大于半径，则属于该类故障；若样本的特征值离球心的距离大于半径，则属于其他类故障。
本例实验通过验证集的ACC值作为模型挑选的标准，同时利用测试集的ACC值来评估模型的泛化性能。ACC值即通过CNN-SVDD方法分类正确的数据占总数据量的百分比。通过本例通过3组实验，实验结果如下表2为所示：
表2实验结果表
Figure BDA0002533956650000061
由上表2可见，本发明所提出的CNN-SVDD模型在验证集上的精度都在93％以上，在测试集上的精度都在92％以上，实验结果表明，CNN-SVDD在引风机故障诊断上有较好的表现。

Claims (4)

1.一种基于CNN-SVDD的引风机故障识别方法，其特征在于，包括以下步骤：
步骤1：采集足量训练数据，进行数据预处理；
步骤1.1：对训练数据在时间维度上进行切片操作、缺失值处理和数据标准化，得到统一的特征数；
步骤1.2：对于训练数据中数据缺失达到30％～50％的测点进行删除；
步骤1.3：用取均值和标准差对已删除数据缺失测点的训练数据进行标准化处理：
Figure FDA0003527339290000011
其中x*表示归一化后的训练数据值，x表示实测的训练数据值，mean为训练数据集的均值，std为训练数据集的标准差；
步骤2：利用预处理后的训练数据构建CNN-SVDD模型，利用CNN算法对时间序列数据进行降维，然后通过SVDD算法进行数据单分类；
步骤2.1：通过网络结构优化和参数调优，构建含有多个卷积层和多个全连接层的CNN网络结构；该CNN网络结构中每一个卷积层后都紧跟BN层，并增加dropout层；预处理后的训练数据经过若干卷积层，充分利用数据在时间维度的相关性进行特征提取；随后转入若干全连接层，进一步对特征进行转化提取；
步骤2.2：将预处理后的训练数据输入已构建的CNN模型，经过CNN算法进行特征提取，将得到的特征输入SVDD算法中；SVDD球体中心为样本经卷积神经网络输出后的特征中心，求解得到使得损失函数最小的半径；所述损失函数Loss为：
Figure FDA0003527339290000012
其中，X是训练数据，φ(X)是由输入数据经一定映射后的特征展示，c是样本经映射后的特征中心，R是SVDD球体半径，ν和λ是惩罚系数，n是样本容量，ωl是神经网络权值参数，L是神经网络权值参数ωl的个数；
步骤2.3、利用神经网络的反向传播对神经网络权值参数ωl进行学习更新，利用更新SVDD球体的聚类中心对球体半径R进行学习更新，令损失函数Loss最小；
步骤3：采集足量实时数据，用基于已构建的CNN-SVDD模型对实时数据对应的引风机故障进行识别；
步骤3.1：将输入的实时数据进行数据预处理：为使样本的原始特征维度一致，对实时数据在时间维度上进行切片操作，得到统一的特征数；对于实时数据中数据缺失达到30％～50％的测点进行删除；按照均值和标准差对删除数据缺失测点的实时数据进行标准化处理；
步骤3.2：将预处理后的实时数据输入已构建的CNN模型，经过CNN算法进行特征提取，将CNN算法输出的特征值用于SVDD算法进行单分类：若样本的特征值离SVDD球体中心的距离小于等于半径，则实时数据的对应的引风机故障属于某类故障；若样本的特征值离SVDD球体中心的距离大于半径，则实时数据的对应的引风机故障属于其他类故障。
2.根据权利要求1所述基于CNN-SVDD的引风机故障识别方法，其特征在于：所述步骤2.1中该CNN网络结构中所有卷积层的激活函数均为Leaky ReLU，所有全连接层的激活函数均为ReLU，所有卷积层和全连接层均不设置偏置项。
3.根据权利要求1所述基于CNN-SVDD的引风机故障识别方法，其特征在于：所述步骤1和步骤3.1中进行预处理的数据均为时间序列数据。
4.根据权利要求1所述基于CNN-SVDD的引风机故障识别方法，其特征在于：所述步骤3中随着采集的实时数据的更新，每更新预定数量的实时数据后，扩充训练数据并返回执行所述步骤2和所述步骤3，重新构造并训练CNN-SVDD模型，得到识别结果。
CN202010526996.5A 2020-06-11 2020-06-11 一种基于cnn-svdd的引风机故障识别方法 Active CN111753889B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010526996.5A CN111753889B (zh) 2020-06-11 2020-06-11 一种基于cnn-svdd的引风机故障识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010526996.5A CN111753889B (zh) 2020-06-11 2020-06-11 一种基于cnn-svdd的引风机故障识别方法

Publications (2)

Publication Number Publication Date
CN111753889A CN111753889A (zh) 2020-10-09
CN111753889B true CN111753889B (zh) 2022-04-12

Family

ID=72674953

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010526996.5A Active CN111753889B (zh) 2020-06-11 2020-06-11 一种基于cnn-svdd的引风机故障识别方法

Country Status (1)

Country Link
CN (1) CN111753889B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113033490B (zh) * 2021-04-23 2023-09-19 山东省计算中心（国家超级计算济南中心） 基于声音信号的工业设备通用故障检测方法及系统

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107563431A (zh) * 2017-08-28 2018-01-09 西南交通大学 一种结合cnn迁移学习和svdd的图像异常检测方法
CN107844799B (zh) * 2017-10-17 2021-06-08 西安建筑科技大学 一种集成svm机制的冷水机组故障诊断方法
CN108592352B (zh) * 2018-05-09 2020-09-11 国家计算机网络与信息安全管理中心 水冷空调系统运行状态健康度的预测方法、装置及系统
CN109490814B (zh) * 2018-09-07 2021-02-26 广西电网有限责任公司电力科学研究院 基于深度学习和支持向量数据描述的计量自动化终端故障诊断方法

Also Published As

Publication number Publication date
CN111753889A (zh) 2020-10-09

Similar Documents

Publication Publication Date Title
US11436395B2 (en) Method for prediction of key performance parameter of an aero-engine transition state acceleration process based on space reconstruction
US7251582B2 (en) Fault diagnosis
CN106779226B (zh) 一种基于混核机器学习的风机批功率预测方法
Kong et al. Spatio-temporal fusion attention: A novel approach for remaining useful life prediction based on graph neural network
CN110441065A (zh) 基于lstm的燃气轮机在线检测方法与装置
Loboda et al. Neural networks for gas turbine fault identification: Multilayer perceptron or radial basis network?
CN111159844B (zh) 一种电站燃气轮机排气温度的异常检测方法
CN113469230B (zh) 一种转子系统深度迁移故障诊断方法、系统及介质
EP2884059B1 (en) Multistage HRSG control in combined cycle unit
CN111753889B (zh) 一种基于cnn-svdd的引风机故障识别方法
CN108182553B (zh) 一种燃煤锅炉燃烧效率在线测量方法
Tarassenko et al. Novelty detection in jet engines
CN115238573A (zh) 考虑工况参数的水电机组性能劣化趋势预测方法和系统
Loboda et al. Neural networks for gas turbine fault identification: multilayer perceptron or radial basis network?
CN112765746B (zh) 基于多项式混沌的涡轮叶顶气热性能不确定性量化系统
Zaccaria et al. A model-based solution for gas turbine diagnostics: Simulations and experimental verification
CN116029433A (zh) 基于灰色预测的能效基准值判定方法、系统、设备和介质
Qiao et al. Study on K-means method based on Data-Mining
CN115526238A (zh) 一种基于全工况卷积特征记忆的引风机故障预警方法
CN113048012B (zh) 基于混合高斯模型的风电机组偏航角度识别方法和装置
Kler et al. High-speed mathematical models of cogeneration steam turbines: optimization of operation at heat and power plants
Agrawal et al. SafeEngine: Fault Detection with Severity Prediction for Diesel Engine
Yang et al. PSO based LS-SVM approach for fault prediction of primary air fan
Zhu et al. An improvement method based on similarity theory for equilibrium manifold expansion model
CN112348696A (zh) 基于bp神经网络的供热机组调峰上限评估方法及系统

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