CN112668870A - 一种核电厂设备状态在线智能监测方法及计算机终端 - Google Patents
一种核电厂设备状态在线智能监测方法及计算机终端 Download PDFInfo
- Publication number
- CN112668870A CN112668870A CN202011562707.3A CN202011562707A CN112668870A CN 112668870 A CN112668870 A CN 112668870A CN 202011562707 A CN202011562707 A CN 202011562707A CN 112668870 A CN112668870 A CN 112668870A
- Authority
- CN
- China
- Prior art keywords
- data
- equipment
- space
- state
- real
- 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
Links
Images
Classifications
-
- 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
- Y02E30/00—Energy generation of nuclear origin
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Monitoring And Testing Of Nuclear Reactors (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及一种核电厂设备状态在线智能监测方法及计算机终端。该方法包括:S1、获取设备的故障现象,识别故障现象相关传感器;S2、导入设备的历史数据,筛选历史数据后保留正常运行状态数据;S3、使用聚类算法对正常运行状态数据进行聚类分析得到聚类结果;S4、对聚类结果进行连续化处理形成运行空间;S5、采集设备的实时监测数据;S6、根据实时监测数据识别出设备当前运行状态所属运行空间;S7、根据设备当前运行状态所属运行空间和实时监测数据得到参数预测值;S8、通过参数预测值和实时监测数据的偏差来判断设备状态。本发明可大幅提高设备预警的敏感度和准确度,减少运行和设备管理人员监控压力和人因失误。
Description
技术领域
本发明涉及核电厂设备状态监测和设备管理领域,更具体地说,涉及一种核电厂设备状态在线智能监测方法及计算机终端。
背景技术
核电的发展需要确保安全性、可靠性并具有经济性,设备的安全性、可靠性和经济性的全面发展一直是核电厂设备管理的主要目标之一。
目前国内一台900MW的核电机组设备在线监测数据测点可达到上万个,如何同时实现对如此大量参数的实时监控,实时评估设备运行状态,发现设备早期异常,是一件极为耗费人员精力的事情,依靠运行巡盘或者设备工程师巡检的方式,无法持续有效的发现设备异常,往往只能关注个别重点设备。
目前传统的在线监测技术多基于报警卡的方式,对各个关键参数设置有独立的预警和报警值,当触发预警和报警值时做出相应的行动,改善设备状态,但是实践过程中发现报警卡阈值的设定存在很大的矛盾,若阈值过大则容易漏报,或者当设备触发阈值报警时已经度过故障发展期,此时设备缺陷已经形成,造成巨大的经济损失和安全风险;而当阈值过小时则容易触发误报警,因为不同工况设备参数往往不同,所以较小的阈值虽然敏感但是因为报警太多,反而失去了监测的意义。
发明内容
本发明要解决的技术问题在于,针对现有技术的上述缺陷,提供一种核电厂设备状态在线智能监测方法及计算机终端。
本发明解决其技术问题所采用的技术方案是:构造一种核电厂设备状态在线智能监测方法,包括:
S1、获取设备的故障现象,识别所述故障现象相关传感器;
S2、导入设备的历史数据,筛选所述历史数据后保留正常运行状态数据;
S3、使用聚类算法对所述正常运行状态数据进行聚类分析得到聚类结果;
S4、对所述聚类结果进行连续化处理形成运行空间;
S5、采集设备的实时监测数据;
S6、根据所述实时监测数据识别出设备当前运行状态所属运行空间;
S7、根据所述设备当前运行状态所属运行空间和所述实时监测数据得到参数预测值;
S8、通过所述参数预测值和所述实时监测数据的偏差来判断设备状态。
进一步,在本发明所述的核电厂设备状态在线智能监测方法中,所述步骤S1中获取设备的故障现象包括:将设备拆分为多个主要部件模块,分析每个所述主要部件模块的故障模式以及每个所述故障模式对应的故障后果,分析故障后果大于预设阈值的故障模式的故障现象。
进一步,在本发明所述的核电厂设备状态在线智能监测方法中,所述步骤S2中筛选所述历史数据后保留正常运行状态数据包括:在时间维度和参数关联性两个维度上筛除所述历史数据中的非稳态运行数据,保留正常运行状态数据。
进一步,在本发明所述的核电厂设备状态在线智能监测方法中,在所述步骤S2之后所述步骤S3之前还包括:
所述正常运行状态数据包括多个传感器的原始数据,使用下述公式对所述正常运行状态数据进行预处理:
其中i为传感器序号,Pi为第i个传感器预处理后的数据,Di为第i个传感器的原始数据,max(Di)为Di的最大值,min(Di)为Di的最小值。
进一步,在本发明所述的核电厂设备状态在线智能监测方法中,所述步骤S3中聚类算法为无监督聚类算法;
所述聚类结果的目标类数量为100至200个类。
进一步,在本发明所述的核电厂设备状态在线智能监测方法中,所述步骤S4包括:所述聚类结果中每个类包括多个历史训练样本数据(p1 p2 ... pm),m为类中历史训练样本的数量,以所述聚类结果的每个类为对象,寻找类里面所有历史训练样本在每个维度的最大值和最小值,并以最大值和最小值确定每一个维度的区间,最终形成n维运行空间,n为传感器总数。
进一步,在本发明所述的核电厂设备状态在线智能监测方法中,n维运行空间如公式(1)所示:
其中Pimax和Pimin是第i个传感器在类内历史训练样本的最大值和最小值,Pimax=max(P1i,P2i...Pmi),Pimin=min(P1i,P2i...Pmi);
上式为所述运行空间的特征矩阵,重复执行所述步骤S4直至所述步骤S3得到的所述聚类结果中所有类全部转化为运行空间,并记录全部运行空间的特征矩阵。
进一步,在本发明所述的核电厂设备状态在线智能监测方法中,所述步骤S5还包括:在采集设备的实时监测数据过程中,若采集时刻传感器没有数据,则将传感器上一时刻的数据作为实时监测数据。
进一步,在本发明所述的核电厂设备状态在线智能监测方法中,所述运行空间识别需对所述步骤S4得到的所有所述运行空间按照下述公式(2)所示算法计算Devj,其中j为运行空间序号,ω为模型中各传感器的特征重要度,所有传感器的特征重要度之和为1;
公式(2)中Pi t是处理后的实时监测数据,选择Dev最小的运行区间为当前设备运行状态所属运行空间;若Devj相同,选择相对大的作为当前设备运行状态所属空间;若次大的偏差值作为比较对象,选择相对大的作为当前设备运行状态所属空间;若依然相同,则依次类推,直至找到所属空间;运行空间确定后,记录当前设备运行所属运行空间中各个传感器参数的特征参数矩阵:
进一步,在本发明所述的核电厂设备状态在线智能监测方法中,所述步骤S7生成预测值需根据步骤S6获取的当前设备运行状态所属运行空间特征矩阵和实时监测数据以及实时监测数据归一化处理后的数据按照公式(3)确定:
进一步,在本发明所述的核电厂设备状态在线智能监测方法中,所述步骤S8包括:通过所述参数预测值和所述实时监测数据的偏差来判断设备状态,其中为第i个传感器的实时监测数据;若偏差超过第i个传感器参数的随机波动范围,则对应设备参数偏离历史运行状态。
另外,本发明还提供一种计算机终端,包括处理器和存储器,所述存储器用于存储计算机程序,所述处理器用于加载并执行计算机程序以实现如上述的核电厂设备状态在线智能监测方法。
实施本发明的一种核电厂设备状态在线智能监测方法及计算机终端,具有以下有益效果:本发明基于运行空间识别当前设备运行模式,识别设备传感器参数在该运行模式下的运行预警区间,并根据设备实时运行模式变化实时更新预警区间进而形成动态阈值,可大幅提高设备预警的敏感度和准确度。
附图说明
下面将结合附图及实施例对本发明作进一步说明,附图中:
图1是一实施例提供的一种核电厂设备状态在线智能监测方法的流程图;
图2a和图2b为一实施例提供的通过类生成运行空间的原理图;
图3和图4是一实施例的实验结果示意图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解,现对照附图详细说明本发明的具体实施方式。
参考图1,本实施例的核电厂设备状态在线智能监测方法包括下述步骤:
S1、获取设备的故障现象,识别故障现象相关传感器。
S2、导入设备的历史数据,筛选历史数据后保留正常运行状态数据。
S3、使用聚类算法对正常运行状态数据进行聚类分析得到聚类结果。
S4、对聚类结果进行连续化处理形成运行空间。
S5、采集设备的实时监测数据。
S6、根据实时监测数据识别出设备当前运行状态所属运行空间。
S7、根据设备当前运行状态所属运行空间和实时监测数据得到参数预测值。
S8、通过参数预测值和实时监测数据的偏差来判断设备状态。
本实施例基于运行空间识别当前设备运行模式,识别设备传感器参数在该运行模式下的运行预警区间,并根据设备实时运行模式变化实时更新预警区间进而形成动态阈值,可大幅提高设备预警的敏感度和准确度。
一些实施例的核电厂设备状态在线智能监测方法中,步骤S1中获取设备的故障现象包括:将设备拆分为多个主要部件模块,分析每个主要部件模块的故障模式以及每个故障模式对应的故障后果,分析故障后果大于预设阈值的故障模式的故障现象。
一些实施例的核电厂设备状态在线智能监测方法中,步骤S2中筛选历史数据后保留正常运行状态数据包括:在时间维度和参数关联性两个维度上筛除历史数据中的非稳态运行数据,保留正常运行状态数据。
一些实施例的核电厂设备状态在线智能监测方法中,在步骤S2之后步骤S3之前还包括:
正常运行状态数据包括多个传感器的原始数据,使用下述公式对正常运行状态数据进行预处理:
其中i为传感器序号,Pi为第i个传感器预处理后的数据,Di为第i个传感器的原始数据,max(Di)为Di的最大值,min(Di)为Di的最小值。
一些实施例的核电厂设备状态在线智能监测方法中,步骤S3中聚类算法为无监督聚类算法,聚类算法包括但不限于K-means聚类算法、OPTICS聚类算法、LSH聚类算法等,每种聚类算法可参考现有技术。聚类结果的目标类数量为100至200个类。
一些实施例的核电厂设备状态在线智能监测方法中,步骤S4包括:聚类结果中每个类包括多个历史训练样本数据(p1 p2 ... pm),m为类中历史训练样本的数量,以聚类结果的每个类为对象,寻找类里面所有历史训练样本在每个维度的最大值和最小值,并以最大值和最小值确定每一个维度的区间,最终形成n维运行空间,n为传感器总数。
一些实施例的核电厂设备状态在线智能监测方法中,n维运行空间如公式(1)所示:
其中Pimax和Pimin是第i个传感器在类内历史训练样本的最大值和最小值,Pimax=max(P1i,P2i...Pmi),Pimin=min(P1i,P2i...Pmi);
上式为运行空间的特征矩阵,重复执行步骤S4直至步骤S3得到的聚类结果中所有类全部转化为运行空间,并记录全部运行空间的特征矩阵。
一些实施例的核电厂设备状态在线智能监测方法中,步骤S5还包括:在采集设备的实时监测数据过程中,若采集时刻传感器没有数据,则将传感器上一时刻的数据作为实时监测数据。
一些实施例的核电厂设备状态在线智能监测方法中,运行空间识别需对步骤S4得到的所有运行空间按照下述公式(2)所示算法计算Devj,其中j为运行空间序号;
公式(2)中Pi t是处理后的实时监测数据,选择Dev最小的运行区间为当前设备运行状态所属运行空间;若Devj相同,选择相对大的作为当前设备运行状态所属空间;若次大的偏差值作为比较对象,选择相对大的作为当前设备运行状态所属空间;若依然相同,则依次类推,直至找到所属空间;运行空间确定后,记录当前设备运行所属运行空间中各个传感器参数的特征参数矩阵:
一些实施例的核电厂设备状态在线智能监测方法中,步骤S8包括:通过参数预测值和实时监测数据的偏差来判断设备状态,其中为第i个传感器的实时监测数据;若偏差超过第i个传感器参数的随机波动范围,则对应设备参数偏离历史运行状态。
一些实施例的计算机终端包括处理器和存储器,存储器用于存储计算机程序,处理器用于加载并执行计算机程序以实现如上述的核电厂设备状态在线智能监测方法。
一些实施例包括6.6KV电机设备分析、测点选择、历史数据导入和筛选,LSH算法聚类,运行空间生成、运行空间识别和预测值生成、参数运行状态识别步骤。
S1、获取设备的故障现象,识别故障现象相关传感器。实施例选择核电厂常见的6.6KV电机作为案例设备:电机的部件主要分为转子、定子、底座和支架、轴承、冷却和加热设备,对部件进行故障模式分析,6.6KV电机的故障模式主要包括转子擦伤、磨损,电磁力不平衡,风扇松动,定子线圈短路、绝缘损伤、匝间短路,接线端子松动,槽楔松动,固定螺栓松动,底座腐蚀松动,轴承磨损,轴承缺少润滑,润滑油冷却不足,润滑油有杂质或变质,润滑油油压或流量不足,轴瓦松动,电机加热器异常,散热异常等等,识别监测需要的在线监测传感器包括轴承温度、定子绕组温度、润滑油温度、轴系振动、电机电流、润滑油压力等传感器数据。
S2、导入设备的历史数据,筛选历史数据后保留正常运行状态数据。导入1个运行循环即18个月的数据,将设备停机、维护以及切换泵瞬间等非稳态运行期间的数据筛除,只保留稳态运行数据作为训练样本数据,提高聚类准确性。
S3、使用聚类算法对正常运行状态数据进行聚类分析得到聚类结果。采用LSH算法,对筛选后的训练样本数据进行预处理,使所有数据处于[0,1]范围内,对预处理后的数据进行聚类分析,形成100至200类,类的数量s由数据离散特性自动生成。
S4、对聚类结果进行连续化处理形成运行空间。按照式1计算每一个类中每一个传感器的最大值和最小值,形成s个2*n矩阵,n为传感器数量,每个矩阵如公式(4)所示,一个矩阵表示一个运行空间。
S7、根据设备当前运行状态所属运行空间和实时监测数据得到参数预测值。根据步骤S6确定的运行区间,以该运行空间的特征矩阵
S8、通过参数预测值和实时监测数据的偏差来判断设备状态。对比分析各个监测参数实时监测数据和预测值的偏差并根据历史数据波动情况设定偏差阈值Alai,当偏差值超过Alai时,则认为当前设备运行偏离了正常运行数据,i为传感器序号。
图2至图4为实验结果示意图,图中x1、x2、x3、y1、y2、y3、z1、z2、z3中x、y、z表示测试点,1、2、3为测试点的序号。图3和图4中t1、t2、t3、t4、t5、t6、t7对应的运行空间识别结果为类1、类3、类2、类3、类5、类4、类2。
本实施例基于运行空间识别当前设备运行模式,识别设备传感器参数在该运行模式下的运行预警区间,并根据设备实时运行模式变化实时更新预警区间进而形成动态阈值,可大幅提高设备预警的敏感度和准确度。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上实施例只为说明本发明的技术构思及特点,其目的在于让熟悉此项技术的人士能够了解本发明的内容并据此实施,并不能限制本发明的保护范围。凡跟本发明权利要求范围所做的均等变化与修饰,均应属于本发明权利要求的涵盖范围。
Claims (13)
1.一种核电厂设备状态在线智能监测方法,其特征在于,包括:
S1、获取设备的故障现象,识别所述故障现象相关传感器;
S2、导入设备的历史数据,筛选所述历史数据后保留正常运行状态数据;
S3、使用聚类算法对所述正常运行状态数据进行聚类分析得到聚类结果;
S4、对所述聚类结果进行连续化处理形成运行空间;
S5、采集设备的实时监测数据;
S6、根据所述实时监测数据识别出设备当前运行状态所属运行空间;
S7、根据所述设备当前运行状态所属运行空间和所述实时监测数据得到参数预测值;
S8、通过所述参数预测值和所述实时监测数据的偏差来判断设备状态。
2.根据权利要求1所述的核电厂设备状态在线智能监测方法,其特征在于,所述步骤S1中获取设备的故障现象包括:将设备拆分为多个主要部件模块,分析每个所述主要部件模块的故障模式以及每个所述故障模式对应的故障后果,分析故障后果大于预设阈值的故障模式的故障现象。
3.根据权利要求1所述的核电厂设备状态在线智能监测方法,其特征在于,所述步骤S2中筛选所述历史数据后保留正常运行状态数据包括:在时间维度和参数关联性两个维度上筛除所述历史数据中的非稳态运行数据,保留正常运行状态数据。
5.根据权利要求4所述的核电厂设备状态在线智能监测方法,其特征在于,所述步骤S3中聚类算法为无监督聚类算法;
所述聚类结果的目标类数量为100至200个类。
6.根据权利要求5所述的核电厂设备状态在线智能监测方法,其特征在于,所述步骤S4包括:所述聚类结果中每个类包括多个历史训练样本数据(p1 p2...pm),m为类中历史训练样本的数量,以所述聚类结果的每个类为对象,寻找类里面所有历史训练样本在每个维度的最大值和最小值,并以最大值和最小值确定每一个维度的区间,最终形成n维运行空间,n为传感器总数。
8.根据权利要求1所述的核电厂设备状态在线智能监测方法,其特征在于,所述步骤S5还包括:在采集设备的实时监测数据过程中,若采集时刻传感器没有数据,则将传感器上一时刻的数据作为实时监测数据。
13.一种计算机终端,其特征在于,包括处理器和存储器,所述存储器用于存储计算机程序,所述处理器用于加载并执行计算机程序以实现如权利要求1至12任一项所述的核电厂设备状态在线智能监测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011562707.3A CN112668870B (zh) | 2020-12-25 | 2020-12-25 | 一种核电厂设备状态在线智能监测方法及计算机终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011562707.3A CN112668870B (zh) | 2020-12-25 | 2020-12-25 | 一种核电厂设备状态在线智能监测方法及计算机终端 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112668870A true CN112668870A (zh) | 2021-04-16 |
CN112668870B CN112668870B (zh) | 2023-05-12 |
Family
ID=75409177
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011562707.3A Active CN112668870B (zh) | 2020-12-25 | 2020-12-25 | 一种核电厂设备状态在线智能监测方法及计算机终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112668870B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113282065A (zh) * | 2021-05-18 | 2021-08-20 | 西安热工研究院有限公司 | 一种基于图形组态的聚类极值实时计算方法 |
CN113393107A (zh) * | 2021-06-07 | 2021-09-14 | 东方电气集团科学技术研究院有限公司 | 一种面向发电设备状态参量参考值的增量式计算方法 |
CN115455746A (zh) * | 2022-11-10 | 2022-12-09 | 中国人民解放军海军工程大学 | 一种核动力装置运行监测数据异常检测与校正一体化方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104299659A (zh) * | 2013-07-16 | 2015-01-21 | 中广核工程有限公司 | 核电站运行状态监控方法、装置及系统 |
CN111010084A (zh) * | 2019-12-12 | 2020-04-14 | 山东中实易通集团有限公司 | 一种光伏电站智能监控分析平台及方法 |
CN112036031A (zh) * | 2020-08-26 | 2020-12-04 | 国网四川省电力公司经济技术研究院 | 一种计及灵活性承载度的电网评估与扩展规划方法 |
-
2020
- 2020-12-25 CN CN202011562707.3A patent/CN112668870B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104299659A (zh) * | 2013-07-16 | 2015-01-21 | 中广核工程有限公司 | 核电站运行状态监控方法、装置及系统 |
CN111010084A (zh) * | 2019-12-12 | 2020-04-14 | 山东中实易通集团有限公司 | 一种光伏电站智能监控分析平台及方法 |
CN112036031A (zh) * | 2020-08-26 | 2020-12-04 | 国网四川省电力公司经济技术研究院 | 一种计及灵活性承载度的电网评估与扩展规划方法 |
Non-Patent Citations (1)
Title |
---|
黄明铭等: "基于模型的主泵智能状态监测研究", 核电设备 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113282065A (zh) * | 2021-05-18 | 2021-08-20 | 西安热工研究院有限公司 | 一种基于图形组态的聚类极值实时计算方法 |
CN113282065B (zh) * | 2021-05-18 | 2023-01-31 | 西安热工研究院有限公司 | 一种基于图形组态的聚类极值实时计算方法 |
CN113393107A (zh) * | 2021-06-07 | 2021-09-14 | 东方电气集团科学技术研究院有限公司 | 一种面向发电设备状态参量参考值的增量式计算方法 |
CN113393107B (zh) * | 2021-06-07 | 2022-08-12 | 东方电气集团科学技术研究院有限公司 | 一种面向发电设备状态参量参考值的增量式计算方法 |
CN115455746A (zh) * | 2022-11-10 | 2022-12-09 | 中国人民解放军海军工程大学 | 一种核动力装置运行监测数据异常检测与校正一体化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112668870B (zh) | 2023-05-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112668870B (zh) | 一种核电厂设备状态在线智能监测方法及计算机终端 | |
CN115034248A (zh) | 用于设备的自动诊断方法、系统和存储介质 | |
CN108445410A (zh) | 一种监测蓄电池组运行状态的方法及装置 | |
JPH07168619A (ja) | 機器/設備診断方法およびシステム | |
Bejaoui et al. | A data-driven prognostics technique and rul prediction of rotating machines using an exponential degradation model | |
CN117270514A (zh) | 基于工业物联网的生产过程全流程故障检测方法 | |
CN115313930A (zh) | 一种大型汽轮发电机励磁电流实时预测方法 | |
de Carvalho Michalski et al. | Applying moving window principal component analysis (MWPCA) for fault detection in hydrogenerator | |
CN112576454A (zh) | 基于多维预警策略的风电机组主轴温度预警方法及装置 | |
CN112257224B (zh) | 汽轮发电机状态检修方法、系统以及终端 | |
CN111192163B (zh) | 基于风电机组运行数据的发电机可靠度中短期预测方法 | |
CN113671287B (zh) | 电网自动化终端智能检测方法、系统和可读存储介质 | |
CN116380228A (zh) | 衡器运行监测方法、系统、终端及存储介质 | |
CN114492636B (zh) | 一种变压器绕组状态信号的采集系统 | |
JP7184636B2 (ja) | データ選別装置及び方法、ならびに監視診断装置 | |
Yang et al. | Remaining Useful Life Prediction for bearing based on Online Oil Parameters and Vibration Signals | |
Cempel | Decomposition of the symptom observation matrix and grey forecasting in vibration condition monitoring of machines | |
JP2009238190A (ja) | メンテナンス計画支援システム | |
KR102212022B1 (ko) | 양수 수차의 건전성 자동 판정 방법 및 이를 위한 시스템 | |
CN114707428B (zh) | 数控机床不可观环节仿真方法、装置、终端及存储介质 | |
CN112288116A (zh) | 一种生产制造流程优化管理的工业大数据系统及方法 | |
Roberts et al. | An Investigation on the Usability of High-Frequency Wind Tur-bine Controller Data for Predictive Maintenance | |
CN116643170B (zh) | 电机轴系振动测试方法、装置和计算机设备 | |
CN117574782B (zh) | 基于变压器参数判断绕组材质的方法、装置、系统及介质 | |
CN117786461A (zh) | 水泵的故障诊断方法、控制设备及其存储介质 |
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 |