CN112197973A - 柴油发电机组健康诊断方法 - Google Patents

柴油发电机组健康诊断方法 Download PDF

Info

Publication number
CN112197973A
CN112197973A CN202010824895.6A CN202010824895A CN112197973A CN 112197973 A CN112197973 A CN 112197973A CN 202010824895 A CN202010824895 A CN 202010824895A CN 112197973 A CN112197973 A CN 112197973A
Authority
CN
China
Prior art keywords
fault
health
unit
parameters
parameter
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
CN202010824895.6A
Other languages
English (en)
Other versions
CN112197973B (zh
Inventor
赵俊超
赵大成
汪佳彪
祝彦兵
毛冬麟
王起硕
艾麦提布拉丁
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.)
Shanghai Csic Ship Propulsion Equipment Co ltd
704th Research Institute of CSIC
Original Assignee
704th Research Institute of CSIC
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 704th Research Institute of CSIC filed Critical 704th Research Institute of CSIC
Priority to CN202010824895.6A priority Critical patent/CN112197973B/zh
Publication of CN112197973A publication Critical patent/CN112197973A/zh
Application granted granted Critical
Publication of CN112197973B publication Critical patent/CN112197973B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G01M15/04—Testing internal-combustion engines
    • G01M15/05—Testing internal-combustion engines by combined monitoring of two or more different engine parameters
    • 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
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G06F18/24155—Bayesian classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明涉及一种柴油发电机组健康诊断方法，通过机组健康评分系统与机组故障识别模型相结合，再搭载到智能IO控制器中，得到一套完整的机组健康诊断系统，将机组参数作为输入，可得到机组当前状态运行健康指数，在参数发生变化时实时体现在健康分数上，同时当某项参数劣化严重时提前预警，实现故障预测与故障诊断。在故障发生初期甚至机组状态略发生异常时即可及时判断并警示，实时掌握机组运行健康状态，防患于未然，防止突发性事故发生，提高了机组稳定性与系统安全性。建立一套通用型的故障预测算法解决方案，逐渐发展至为各类舰船机械类辅机设备提供一整套故障诊断、故障预测的智能化功能开发解决方案。

Description

柴油发电机组健康诊断方法
技术领域
本发明涉及一种船舶电站及柴油机检测技术领域，特别涉及一种柴油发电机组健康诊断方法。
背景技术
随着现代科技的飞速发展，机械设备不断朝着精密化、自动化和智能化方向发展，这些先进设备在提高生产效率、提高产品质量、降低生产成本的同时，也带来了较昂贵的维修维护和保障成本。
传统的船用柴油发电机组诊断基本上为故障诊断，即根据设备发生故障或异常时的状态表现判断故障原因并进行处理，这种处理方式效率低、成本高，无法提前预知并避免设备故障。一旦设备在运行过程中出现故障，若未能及时发现并处理，轻则致使设备停机，产生很高的维护费用，重则甚至会影响整个舰船供电系统，造成人身安全和重大经济损失。
因此，研究一种集机组运行状态监测、健康状态诊断、故障预测及相应报警为一体的舰船用柴油发电机组健康诊断系统，对提高舰船运行稳定性与续航能力、降低设备维护成本具有重要意义。
发明内容
本发明是针对现有船用柴油发电机组设备检修困难、维护成本高以及检修后维护安全隐患的问题，提出了一种柴油发电机组健康诊断方法，
本发明的技术方案为：一种柴油发电机组健康诊断方法，具体包括如下步骤：
1)采集机组运行参数，对采集的数据进行归一化处理后进行分析，将参数数据与机组内部特性进行关联，并进行分析后将关联拟合成具有关系公式；
2)在步骤1)关联基础上，建立柴油发电机组性能综合评估指标体系：柴油发电机组运行状态分解为多层，从部件、部件参数指标、每个部件中各个单元与部件具体参数指标相关的参数指标层层下沿，形成多个层次及多个指标的柴油发电机组性能综合评估指标体系；
3)在建立的柴油发电机组性能综合评估指标体系基础上，将各项指标统一量化，根据不同指标对机组健康状态的影响程度及实际情况来分配权重，从而对机组健康状态做出综合性的分析和评分；
4)在得到机组健康评分系统后，将引起健康分数降低的参数提取出来，运用专家系统根据以往故障经验对以上机组参数进行分析，判断出异常数据对应的故障类型，得到多组一一对应的故障数据，存放进故障库中；
5)运用机器学习算法对步骤4)得到的故障库内数据进行训练，得出得到一套机组故障识别模型；
6)将步骤3)得到的机组健康评分系统与步骤5)机组故障识别模型相结合，搭载到智能IO控制器中，得到一套完整的机组健康诊断系统，将机组参数作为输入，可得到机组当前状态运行健康指数，在参数发生变化时实时体现在健康分数上，同时当某项参数劣化严重时提前预警，实现故障预测与故障诊断。
所述步骤3)从柴油发电机组的评估指标体系到健康值和评估结果输出的实现具体方法如下：
3.1)将运行参数送入柴油发电机组的评估指标体系后，进行劣化度g计算，劣化度g表征机组及其组成部件实际状态与故障状态相比的相对劣化程度，其取值范围在[0，1]；如果一个因素由若干子因素组成，该因素的劣化度为其子因素的劣化度的最大值；
3.2)当运行参数处于正常范围内时，g为0，对应的健康值为100，评估结果为正常；
3.3)当参数发生变化至劣化度报警限值0.9时，对应健康值为0或者60；根据参数的重要程度确定，停机类故障劣化度为1时，健康值为0，评估结果为报警；不影响机组短时间正常运行的故障劣化度为0.9～1时，健康值为60，评估结果为异常；
3.4)当运行参数从正常范围到劣化度报警限值0.9过程中，引入随劣化度变化的动态权重分配法；
当一运行参数完全健康运行g＝0时，通过判断矩阵计算得出的权重，此权重为初始权重；权重变化速率为非线性，反应变化速率，直至触及劣化度报警限值 0.9时，其分配权重变为1；
根据权重分配劣化度，劣化度对应健康值。
所述步骤5)使用先验为高斯分布的朴素贝叶斯算法对数据进行分类训练，其分类器公式如下：
Figure RE-GDA0002755689590000031
其中，VNB表示朴素贝叶斯分类器输出的目标值；C为总的故障类别，P(C＝ci) 表示第i类故障ci的先验概率；A为特征参数，P(A＝aj)表示第j个特征参数aj的条件概率(证据)；P(A＝aj|C＝ci)表示第j个特征参数aj在第i类故障ci下的类条件概率。
本发明的有益效果在于：本发明柴油发电机组健康诊断方法，可以对机组运行状态进行实时监测、分类、识别，以实现机组的健康状态诊断、故障预测及相应报警，将机组的故障诊断由故障发生后延伸到平时，在故障发生初期甚至机组状态略发生异常时即可及时判断并警示，实时掌握机组运行健康状态，防患于未然，防止突发性事故发生，提高了机组稳定性与系统安全性。并且由此可以建立一套通用型的故障预测算法解决方案，逐渐发展至为各类舰船机械类辅机设备提供一整套故障诊断、故障预测的智能化功能开发解决方案，对现代化舰船辅机智能化发展具有积极意义。
附图说明
图1为本发明方法实施流程图；
图2为本发明方法排温均值与功率拟合曲线图；
图3为本发明方法机组性能综合评估指标体系示意图；
图4为本发明方法机组健康评分原理示意图；
图5为本发明方法基于深度学习的故障识别算法示意图；
图6为本发明故障识别算法训练流程图；
图7为本发明搭建的机组健康诊断系统。
具体实施方式
如图1所示本发明方法实施流程图，采集机组运行参数，对采集的数据进行归一化处理后进行分析，将参数数据与机组内部特性进行关联，在机组运行参数分析的基础上进行机组健康评分计算，本发明使用层次分析法，将机组架构健康状态指标分解为多个层次及多个指标，将各项指标统一量化，根据不同指标对机组健康状态的影响程度及实际情况来分配权重，从而对机组健康状态做出综合性的分析和评分。
在得到机组健康评分系统后，我们将引起健康分数降低的参数提取出来，领域专家可以凭借这些客观数据，并根据对系统结构和系统故障历史的深刻了解作出判断，确定故障的原因。根据专家系统将不同特征参数与故障建立一一对应的关系，组成故障库，以进行下一步故障识别研究。
机器学习算法在非线性分类问题应用中效果明显优于其他机器学习算法，因此本发明运用机器学习算法对数据进行训练，将前期分类好的故障数据分出一部分作为训练集，训练后得到模型函数，然后将剩下的数据作为测试样本进行测试验证，并将验证结果作为反馈优化训练模型，最终得到一套机组故障识别算法。
最终将机组健康评分系统与故障识别系统相结合，搭载到智能IO控制器中，得到一套完整的机组健康诊断系统，将机组参数作为输入，可得到机组当前状态运行健康指数，在参数发生变化时实时体现在健康分数上，同时当某项参数劣化严重时提前预警，实现故障预测与故障诊断。
以某型船用柴油发电机组为试验对象，采集了机组功率、转速、排气温度、滑油温度、滑油压力、冷却水温度、冷却水压力、海水温度和罩内空气温度等参数。数据采集速率为1Hz，1个工作周期为8小时。
将采集到的参数归一化处理，运用统计学进行分析得出机组参数的表象特征与其内部特性的对应关系：
a)转速随功率升高而下降-机组的下垂特性；
b)排气温度、罩内空气温度、冷却水温度分别与功率成正相关-热扩散；
c)滑油温度随冷却水温度升高后延迟升高-热扩散；
d)海水泵压力几乎无变化，与功率转速无关-海水泵为外部供电，不受机组运行影响；
e)柴油机滑油压力与转速成正相关，转速越高压力越大-滑油泵为机带泵，受机组转速影响；
f)冷却水压力与转速成正相关-淡水泵为机带泵，受机组转速影响；
g)海水泵后温度几乎不变-试验用海水为外部水源，其泵后温度仅受外部环境温度影响；
h)部分缸排温偶尔出现异常波动-传感器故障导致数据采集波动。
因此，可简单的将以上关联变量拟合为一个具体的公式，例如，可将排温均值与功率通过最小二乘法拟合得到如图2所示的曲线。拟合曲线为：y＝ a1x3-a2x2+a3x+b，其中，an为比例系数，b为不同气缸的修正值。因此，我们可以根据这个曲线，通过机组当前运行功率计算出排温理论值，然后通过设置合适的b来限定排温上下限，然后将实际测得的排温与计算出的排温范围作比较，得出机组气缸是否运行异常的判断。
类似的，我们可以用同样的方法对机组其他参数做出判断，这就是通过统计学原理对机组运行参数及运行状态的简单分析。
柴油发电机组的评估指标体系应该系统、客观，尽可能全面的反应机组运行状态。机组运行监测的指标众多，在进行机组整体运行状态评估时，无需将所有的运行参数均考虑进去，应客观分析各参数对机组运行的重要性，合理选择最能反应运行状态的指标。指标选取时应遵循的原则有科学客观、系统全面、实用有效、具有可比性。因此本发明对柴发机组进行状态评估采用的指标如图3 所示。
通过如下公式计算机组健康分数：
机组实际健康分数P＝柴油机评分u1+发电机评分u2+电品质评分u3
柴油机分数u1＝转速评分u11+…+滑油压力评分u17
排温分数u14＝A1排温评分u14a1+…+An排温评分u14an+B1排温评分u14b1+… +Bn排温评分u14bn
用劣化度g表征机组及其组成部件实际状态与故障状态相比的相对劣化程度，其取值范围在[0，1]。当运行参数处于正常范围内时，g为0，对应的健康值为100；当参数发生变化至报警限值时，劣化度逐渐变为1，对应健康值为0 或者60(根据参数的重要程度确定，如停机类故障劣化度为1时，健康值为0，不影响机组短时间正常运行的故障劣化度为0.9～1时，健康值为60)。如果一个因素由若干子因素组成，该因素的劣化度为其子因素的劣化度的最大值。
同时引入随劣化度变化的动态权重分配法，当一运行参数完全健康运行 (g＝0)时，其权重为初始权重，即判断矩阵计算得出的权重；当一参数运行状况恶劣时，其权重不断增加，直至触及报警限值时，其分配权重变为1；同时，权重变化速率为非线性，开始时变化速度较慢，当劣化度大于0.6后，权重剧烈变化，迅速增长为1，如此能直观的从机组的综合评估结果反映出任一参数的运行不良的情况。机组健康评估原理如图4所示。
在得到机组健康评分系统后，我们将引起健康分数降低的参数提取出来，运用专家系统根据以往故障经验对以上机组参数进行分析，判断出异常数据对应的故障类型，得到多组一一对应的故障数据，存放进故障库中。
在故障分类判断后，本发明运用机器学习算法对数据进行训练，得出得到一套机组故障识别算法，设计方案如图5所示，将前期采集参数根据其对机组性能描述情况，对不同数据进行规约，形成500组模型训练数据集、模型测试数据集(训练数据集占总数据的70％)，运用机器学习算法对训练数据集进行训练后得到模型函数，然后用测试数据集测试验证模型函数，并将验证结果作为反馈优化训练模型。
本发明使用先验为高斯分布的朴素贝叶斯算法对数据进行分类训练，其分类器公式如下：
Figure RE-GDA0002755689590000071
其中，VNB表示朴素贝叶斯分类器输出的目标值；C为总的故障类别，P(C＝ci) 表示第i类故障ci的先验概率；A为特征参数，P(A＝aj)表示第j个特征参数aj的条件概率(证据)；P(A＝aj|C＝ci)表示第j个特征参数aj在第i类故障ci下的类条件概率。
理论上讲，朴素贝叶斯分类与其他所有分类算法相比，具有最小的误分类率，本发明训练优化后的算法对已知故障的识别准确率可达到90％以上。具体流程图如图6所示。
最终将前期得到的机组健康评分系统与故障识别算法相结合，建立了完整的机组健康诊断系统，该系统以智能IO为控制器，以某型船用柴油发电机组装置为被测对象，同时设计了一套上位机监控显示程序，如图7所示，将机组参数作为输入，可实时得到机组当前状态运行健康指数，若发生故障，则故障识别算法会对故障数据进行判断，并在界面显示相应故障。

Claims (3)

1.一种柴油发电机组健康诊断方法，其特征在于，具体包括如下步骤：
1)采集机组运行参数，对采集的数据进行归一化处理后进行分析，将参数数据与机组内部特性进行关联，并进行分析后将关联拟合成具有关系公式；
2)在步骤1)关联基础上，建立柴油发电机组性能综合评估指标体系：柴油发电机组运行状态分解为多层，从部件、部件参数指标、每个部件中各个单元与部件具体参数指标相关的参数指标层层下沿，形成多个层次及多个指标的柴油发电机组性能综合评估指标体系；
3)在建立的柴油发电机组性能综合评估指标体系基础上，将各项指标统一量化，根据不同指标对机组健康状态的影响程度及实际情况来分配权重，从而对机组健康状态做出综合性的分析和评分；
4)在得到机组健康评分系统后，将引起健康分数降低的参数提取出来，运用专家系统根据以往故障经验对以上机组参数进行分析，判断出异常数据对应的故障类型，得到多组一一对应的故障数据，存放进故障库中；
5)运用机器学习算法对步骤4)得到的故障库内数据进行训练，得出得到一套机组故障识别模型；
6)将步骤3)得到的机组健康评分系统与步骤5)机组故障识别模型相结合，搭载到智能IO控制器中，得到一套完整的机组健康诊断系统，将机组参数作为输入，可得到机组当前状态运行健康指数，在参数发生变化时实时体现在健康分数上，同时当某项参数劣化严重时提前预警，实现故障预测与故障诊断。
2.根据权利要求1所述柴油发电机组健康诊断方法，其特征在于，所述步骤3)从柴油发电机组的评估指标体系到健康值和评估结果输出的实现具体方法如下：
3.1)将运行参数送入柴油发电机组的评估指标体系后，进行劣化度g计算，劣化度g表征机组及其组成部件实际状态与故障状态相比的相对劣化程度，其取值范围在[0，1]；如果一个因素由若干子因素组成，该因素的劣化度为其子因素的劣化度的最大值；
3.2)当运行参数处于正常范围内时，g为0，对应的健康值为100，评估结果为正常；
3.3)当参数发生变化至劣化度报警限值0.9时，对应健康值为0或者60；根据参数的重要程度确定，停机类故障劣化度为1时，健康值为0，评估结果为报警；不影响机组短时间正常运行的故障劣化度为0.9～1时，健康值为60，评估结果为异常；
3.4)当运行参数从正常范围到劣化度报警限值0.9过程中，引入随劣化度变化的动态权重分配法；
当一运行参数完全健康运行g＝0时，通过判断矩阵计算得出的权重，此权重为初始权重；权重变化速率为非线性，反应变化速率，直至触及劣化度报警限值0.9时，其分配权重变为1；
根据权重分配劣化度，劣化度对应健康值。
3.根据权利要求1所述柴油发电机组健康诊断方法，其特征在于，所述步骤5)使用先验为高斯分布的朴素贝叶斯算法对数据进行分类训练，其分类器公式如下：
Figure FDA0002635785570000021
其中，VNB表示朴素贝叶斯分类器输出的目标值；C为总的故障类别，P(C＝ci)表示第i类故障ci的先验概率；A为特征参数，P(A＝aj)表示第j个特征参数aj的条件概率(证据)；P(A＝aj|C＝ci)表示第j个特征参数aj在第i类故障ci下的类条件概率。
CN202010824895.6A 2020-08-17 2020-08-17 柴油发电机组健康诊断方法 Active CN112197973B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010824895.6A CN112197973B (zh) 2020-08-17 2020-08-17 柴油发电机组健康诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010824895.6A CN112197973B (zh) 2020-08-17 2020-08-17 柴油发电机组健康诊断方法

Publications (2)

Publication Number Publication Date
CN112197973A true CN112197973A (zh) 2021-01-08
CN112197973B CN112197973B (zh) 2022-06-28

Family

ID=74006460

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010824895.6A Active CN112197973B (zh) 2020-08-17 2020-08-17 柴油发电机组健康诊断方法

Country Status (1)

Country Link
CN (1) CN112197973B (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112966975A (zh) * 2021-03-31 2021-06-15 中国大唐集团科学技术研究院有限公司中南电力试验研究院 一种发电机组主保护安全性动态综合评价方法
CN113221455A (zh) * 2021-05-10 2021-08-06 北京和利时系统工程有限公司 一种设备的健康状态检测方法和装置
CN113779005A (zh) * 2021-08-02 2021-12-10 南方电网深圳数字电网研究院有限公司 一次设备的缺陷评估方法和装置、存储介质
CN113985284A (zh) * 2021-11-25 2022-01-28 海南核电有限公司 一种核电站附加柴油发电机监测系统及方法
CN114237203A (zh) * 2021-12-13 2022-03-25 中国船舶重工集团公司第七0三研究所 一种基于虚拟现实的船舶燃气轮机气动控制系统预防性维修实现方法
CN114235423A (zh) * 2021-12-13 2022-03-25 中国船舶重工集团公司第七0三研究所 一种燃气轮机滑油供给系统故障的检测方法
CN114459766A (zh) * 2022-01-13 2022-05-10 武汉理工大学 一种海洋平台原油发电机组油头工作状态监测方法
CN114802648A (zh) * 2022-04-15 2022-07-29 中国舰船研究设计中心 一种舰船用发电机技术状态评估方法及电子设备
CN114944698A (zh) * 2022-04-29 2022-08-26 南通电博士自动化设备有限公司 一种智能的柴油发电机群组的控制方法及系统
CN116448236A (zh) * 2023-06-20 2023-07-18 安徽容知日新科技股份有限公司 边缘端振动监测系统及方法、计算机可读存储介质
CN117421698A (zh) * 2023-12-15 2024-01-19 深圳市泰士特科技股份有限公司 基于融合数据分析的大型发电机故障定位方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106199305A (zh) * 2016-07-01 2016-12-07 太原理工大学 煤矿井下供电系统用干式变压器绝缘健康状态评估方法
CN107944090A (zh) * 2017-10-31 2018-04-20 中国船舶工业系统工程研究院 基于关键部件失效模型的燃气轮机系统性能预测方法
US20190005400A1 (en) * 2016-09-20 2019-01-03 Southwest Petroleum University A fuzzy evaluation and prediction method for running status of mechanical equipment with occurrence probability of failure modes
CN109492790A (zh) * 2018-09-18 2019-03-19 北京光耀电力科技股份有限公司 基于神经网络与数据挖掘的风电机组健康管理方法
CN110110816A (zh) * 2019-06-05 2019-08-09 国网上海市电力公司 一种电力变压器故障推演方法
CN111398823A (zh) * 2020-05-14 2020-07-10 中国水利水电科学研究院 基于效率及损耗的水电机组发电机故障诊断方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106199305A (zh) * 2016-07-01 2016-12-07 太原理工大学 煤矿井下供电系统用干式变压器绝缘健康状态评估方法
US20190005400A1 (en) * 2016-09-20 2019-01-03 Southwest Petroleum University A fuzzy evaluation and prediction method for running status of mechanical equipment with occurrence probability of failure modes
CN107944090A (zh) * 2017-10-31 2018-04-20 中国船舶工业系统工程研究院 基于关键部件失效模型的燃气轮机系统性能预测方法
CN109492790A (zh) * 2018-09-18 2019-03-19 北京光耀电力科技股份有限公司 基于神经网络与数据挖掘的风电机组健康管理方法
CN110110816A (zh) * 2019-06-05 2019-08-09 国网上海市电力公司 一种电力变压器故障推演方法
CN111398823A (zh) * 2020-05-14 2020-07-10 中国水利水电科学研究院 基于效率及损耗的水电机组发电机故障诊断方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王德民 等: "基于层次分析法的船用柴油发电机组综合健康评估", 《机电设备》 *

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112966975A (zh) * 2021-03-31 2021-06-15 中国大唐集团科学技术研究院有限公司中南电力试验研究院 一种发电机组主保护安全性动态综合评价方法
CN113221455A (zh) * 2021-05-10 2021-08-06 北京和利时系统工程有限公司 一种设备的健康状态检测方法和装置
CN113779005A (zh) * 2021-08-02 2021-12-10 南方电网深圳数字电网研究院有限公司 一次设备的缺陷评估方法和装置、存储介质
CN113985284A (zh) * 2021-11-25 2022-01-28 海南核电有限公司 一种核电站附加柴油发电机监测系统及方法
CN114237203A (zh) * 2021-12-13 2022-03-25 中国船舶重工集团公司第七0三研究所 一种基于虚拟现实的船舶燃气轮机气动控制系统预防性维修实现方法
CN114235423A (zh) * 2021-12-13 2022-03-25 中国船舶重工集团公司第七0三研究所 一种燃气轮机滑油供给系统故障的检测方法
CN114459766B (zh) * 2022-01-13 2024-06-11 武汉理工大学 一种海洋平台原油发电机组油头工作状态监测方法
CN114459766A (zh) * 2022-01-13 2022-05-10 武汉理工大学 一种海洋平台原油发电机组油头工作状态监测方法
CN114802648A (zh) * 2022-04-15 2022-07-29 中国舰船研究设计中心 一种舰船用发电机技术状态评估方法及电子设备
CN114802648B (zh) * 2022-04-15 2024-09-24 中国舰船研究设计中心 一种舰船用发电机技术状态评估方法及电子设备
CN114944698A (zh) * 2022-04-29 2022-08-26 南通电博士自动化设备有限公司 一种智能的柴油发电机群组的控制方法及系统
CN114944698B (zh) * 2022-04-29 2024-05-03 湛江伟力机电设备有限公司 一种智能的柴油发电机群组的控制方法及系统
CN116448236B (zh) * 2023-06-20 2023-09-12 安徽容知日新科技股份有限公司 边缘端振动监测系统及方法、计算机可读存储介质
CN116448236A (zh) * 2023-06-20 2023-07-18 安徽容知日新科技股份有限公司 边缘端振动监测系统及方法、计算机可读存储介质
CN117421698A (zh) * 2023-12-15 2024-01-19 深圳市泰士特科技股份有限公司 基于融合数据分析的大型发电机故障定位方法及系统
CN117421698B (zh) * 2023-12-15 2024-03-29 深圳市泰士特科技股份有限公司 基于融合数据分析的大型发电机故障定位方法及系统

Also Published As

Publication number Publication date
CN112197973B (zh) 2022-06-28

Similar Documents

Publication Publication Date Title
CN112197973B (zh) 柴油发电机组健康诊断方法
Wang et al. Research on the fault monitoring method of marine diesel engines based on the manifold learning and isolation forest
CN110261122A (zh) 一种基于分块的船舶柴油机故障监测方法
CN111648992B (zh) 燃气轮机压气机故障识别预警方法
CN115018178A (zh) 一种基于深度学习的电站风机故障预警方法
CN110879586A (zh) 一种调相机故障诊断和状态监测方法和系统
CN117151684A (zh) 风电风机数据分析预警方法、系统、装置及可读存储介质
CN116596503A (zh) 一种基于重要度的船舶装备智能健康监测系统及方法
CN118501692A (zh) 伺服电机故障诊断方法及系统
Tong et al. Fault prediction of marine diesel engine based on time series and support vector machine
CN117272032B (zh) 一种基于振动检测的空压机故障诊断方法与装置
CN114169718A (zh) 一种基于风电机组状态评估提高机组可靠性的方法
Song et al. A fault feature extraction method for rolling bearings based on refined composite multi-scale amplitude-aware permutation entropy
CN115774847B (zh) 一种柴油机性能评估及预测方法和系统
Wang et al. A novel scheme for intelligent fault diagnosis of marine diesel engine using the multi-information fusion technology
CN110826600A (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
Liu et al. Fault diagnosis and prediction method for valve clearance of diesel engine based on linear regression
Hao et al. A new modeling method for fault prediction of wind turbine gearbox based on partial least squares regression analysis
Seo et al. Gearbox Condition Monitoring and Diagnosis of Unlabeled Vibration Signals Using a Supervised Learning Classifier
Zhang Condition monitoring of a fan using neural networks
CN114266401B (zh) 一种底盘发动机故障预测方法及系统
Sun et al. Anomaly detection of marine diesel engine valve system based on Mahalanobis distance
CN118504794B (zh) 电火花成型机智能故障诊断系统
Xia Condition Monitoring and Evaluation of Marine Machinery Based on Support Vector Machine Algorithm
Ying et al. Entropy-Based Grey Correlation Fault Diagnosis Prediction Model

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
CP01 Change in the name or title of a patent holder
CP01 Change in the name or title of a patent holder

Address after: 200031 No. 10, Xuhui District, Shanghai, Hengshan Road

Patentee after: No. 704 Research Institute of China State Shipbuilding Corp.

Address before: 200031 No. 10, Xuhui District, Shanghai, Hengshan Road

Patentee before: NO.704 RESEARCH INSTITUTE OF CHINA SHIPBUILDING INDUSTRY Corp.

TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20230728

Address after: 200031 No. 10, Xuhui District, Shanghai, Hengshan Road

Patentee after: No. 704 Research Institute of China State Shipbuilding Corp.

Patentee after: SHANGHAI CSIC SHIP PROPULSION EQUIPMENT Co.,Ltd.

Address before: 200031 No. 10, Xuhui District, Shanghai, Hengshan Road

Patentee before: No. 704 Research Institute of China State Shipbuilding Corp.