CN112926656A - 一种核电厂循环水泵状态预测方法、系统及设备 - Google Patents

一种核电厂循环水泵状态预测方法、系统及设备 Download PDF

Info

Publication number
CN112926656A
CN112926656A CN202110212789.7A CN202110212789A CN112926656A CN 112926656 A CN112926656 A CN 112926656A CN 202110212789 A CN202110212789 A CN 202110212789A CN 112926656 A CN112926656 A CN 112926656A
Authority
CN
China
Prior art keywords
water pump
circulating water
data
interval
prediction
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
Application number
CN202110212789.7A
Other languages
English (en)
Inventor
成玮
李芸
张乐
陈雪峰
刘一龙
邢继
堵树宏
孙涛
徐钊
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.)
Xian Jiaotong University
Original Assignee
Xian Jiaotong University
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 Xian Jiaotong University filed Critical Xian Jiaotong University
Priority to CN202110212789.7A priority Critical patent/CN112926656A/zh
Publication of CN112926656A publication Critical patent/CN112926656A/zh
Pending legal-status Critical Current

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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"
    • 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas or water supply

Abstract

本发明公开了一种核电厂循环水泵状态预测方法、系统及设备，通过循环水泵运行状态监测模型以及历史样本数据中的历史正常数据，采用bootstrap算法回归计算得到循环水泵在历史正常数据下的动态参考阈值区间，基于动态参考阈值区间求解得到循环水泵运行状态监测模型的置信区间和预测区间；采用循环水泵试验台标记故障数据作为故障参考区间，实时采集循环水泵运行参数，基于置信区间、预测区间和故障参考区间的设定阈值实现循环水泵监测故障的快速预测，弥补了电厂实际工程积累不足，无法给出经验预警与轻微损伤及明显故障阈值的问题，利用数据驱动的统计学模型及试验台故障数据，结合残差结果代替传统固定粗大阈值，直观有效地实现循环水泵动态监测。

Description

一种核电厂循环水泵状态预测方法、系统及设备
技术领域
本发明属于电厂设备状态评估领域，特别涉及一种核电厂循环水泵状态预测方法、系统及设备。
背景技术
循环水系统作为核电厂的最后热阱，称之为核电厂的血液，其设备运行状态直接影响核电厂机组能否正常运行。循环水泵是该系统的关键设备，目前国内核电厂对循环水泵的维修处于事后维修和定期检修，存在解体工期长、过度维修等问题，状态监测能为基于状态的维修提供依据。国内核电厂循环水泵目前仍使用一个固定阈值报警方法，存在漏报、晚报问题，基于智能方法的状态评估能给出指标曲线，但在状态监测评估后，无法准确判定循环水泵状态，目前在状态等级划分方法上，对于数据集充足的数据一般应用模糊理论进行模糊等级划分，实现循环水泵状态阈值设定；对于有明确工程经验的设备，常见多经验阈值等级划分，但这种方法不适用于故障样本数据、工程故障经验较少的循环水泵状态监控，无法基于现有循环水泵状态监控数据实现有效的状态等级划分，从而无法实现有效的等级监控，提高维修处于事后维修和定期检修效率。
发明内容
本发明的目的在于提供一种核电厂循环水泵状态预测方法、系统及设备，以克服现有技术的不足。
为达到上述目的，本发明采用如下技术方案：
一种核电厂循环水泵状态预测方法，包括以下步骤：
S1，采集数据，所述数据包括循环水泵机组原始运行数据，将循环水泵机组原始运行数据分类标签为历史样本数据和测试数据；
S2，建立循环水泵运行状态监测模型，基于循环水泵运行状态监测模型以及历史样本数据中的历史正常数据，采用bootstrap算法回归计算得到循环水泵在历史正常数据下的动态参考阈值区间，基于动态参考阈值区间求解得到循环水泵运行状态监测模型的置信区间和预测区间；
S3，采用循环水泵试验台标记故障数据作为故障参考区间，实时采集循环水泵运行参数，基于置信区间、预测区间和故障参考区间的设定阈值实现循环水泵监测故障的快速预测。
进一步的，循环水泵机组原始运行数据通过传感器测得的数据点在时间上具有相关性的时间序列数据。
进一步的，利用数据驱动的模型结合试验台数据获取循环水泵机组原始运行数据。
进一步的，通过多个循环水泵运行状态监测模型反复采样得出的所有正常状态下预测得到置信区间。
进一步的，采用bootstrap算法回归计算得到循环水泵在历史正常数据下的范围区间，使用不同的训练数据训练不同的模型，获取不同的预测结果，所有重采样的预测结果形成一个可信区间，再通过预测值，求解模型的置信区间和预测区间。
进一步的，置信区间具体求解过程如下：
Figure BDA0002952972470000021
式中：n——训练观测值的数量；p——用于推断y的变量数；tn-p,α/2——逼近n-p自由度和置信度1-α的正态分布的t统计量；
Figure BDA0002952972470000022
——模型预测
Figure BDA0002952972470000023
的方差；Bias——模型偏差；偏差的平方是均方差MSE与预测和噪声方差
Figure BDA0002952972470000024
之和的差；
Figure BDA0002952972470000025
如果平方偏差小于零，则将偏差设置为零，则：
Figure BDA0002952972470000031
将置信区间覆盖范围计算为置信区间中包含的去噪残差的分数大约为零。
进一步的，通过循环水泵运行状态监测模型反复预测出来的所有结果区间即为预测区间。
进一步的，预测区间具体计算过程如下
Figure BDA0002952972470000032
式中：n——训练观测值的数量；p——用于推断y的变量数；tn-p,α/2——逼近n-p自由度和置信度1-α的正态分布的t统计量；
Figure BDA0002952972470000033
——模型预测
Figure BDA0002952972470000034
的方差；Bias——模型偏差；
其中，偏差的平方是均方差MSE与预测和噪声方差
Figure BDA0002952972470000035
之和的差，即：
Figure BDA0002952972470000036
一种核电厂循环水泵状态预测系统，包括数据采集模块，数据处理模块和预测模块；
数据采集模块用于获取循环水泵机组原始运行数据，并将循环水泵机组原始运行数据分类标签为历史样本数据和测试数据，将历史样本数据传输至数据处理模块；数据处理模块基于循环水泵运行状态监测模型以及历史样本数据中的历史正常数据，处理得到循环水泵运行状态监测模型的置信区间和预测区间，同时采用循环水泵试验台标记故障数据作为故障参考区间，并将置信区间、预测区间和故障参考区间阈值传输至预测模块，同时通过数据采集模块实时采集循环水泵运行参数传输至预测模块，预测模块根据实时采集循环水泵运行参数与置信区间、预测区间和故障参考区间的设定阈值输出循环水泵监测故障的预测结果。
一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现权利要求1至8任一项所述方法的步骤。
与现有技术相比，本发明具有以下有益的技术效果：
本发明一种核电厂循环水泵状态预测方法，通过循环水泵运行状态监测模型以及历史样本数据中的历史正常数据，采用bootstrap算法回归计算得到循环水泵在历史正常数据下的动态参考阈值区间，基于动态参考阈值区间求解得到循环水泵运行状态监测模型的置信区间和预测区间；采用循环水泵试验台标记故障数据作为故障参考区间，实时采集循环水泵运行参数，基于置信区间、预测区间和故障参考区间的设定阈值实现循环水泵监测故障的快速预测，弥补了电厂实际工程积累不足，无法给出经验预警与轻微损伤及明显故障阈值的问题，利用数据驱动的统计学模型及试验台故障数据，结合残差结果代替传统固定粗大阈值，直观有效地实现循环水泵动态监测。能够充分利用电厂循环水泵海量监测数据及循泵实验台损伤模拟数据，使用统计方法，解决了工程故障积累不足、经验阈值划分困难的问题，直观有效实现电厂循环水泵的状态监测和评估，对减少不必要的维修造成的设备损伤以及突发故障导致的电厂紧急停机具有重要工程意义。
进一步的，利用数据驱动的模型结合试验台数据解决循环水泵工程经验不足、故障数据积累不足因此无法实现基于经验的状态准确监测的问题。
一种核电厂循环水泵状态预测系统，结构简单，能够结合故障诊断细节结果快速预测故障，提高了检测效率。
附图说明
图1为本发明实施例中方法流程图。
图2为本发明实施例中置信区间和预测区间仿真图。
图3为本发明实施例中的残差结果图。
图4为本发明实施例中的状态等级划分图。
具体实施方式
下面结合附图对本发明做进一步详细描述：
一种核电厂循环水泵状态预测方法，包括以下步骤：
步骤1)，采集数据，所述数据包括循环水泵机组原始运行数据，对循环水泵机组原始运行数据进行分类标签，标记为历史样本数据和测试数据；
循环水泵机组原始运行数据通过传感器测得的数据点在时间上具有相关性的时间序列数据；具体的，利用数据驱动的模型结合试验台数据获取循环水泵机组原始运行数据，解决循环水泵工程经验不足、故障数据积累不足因此无法实现基于经验的状态等级划分的问题。
步骤2)，建立循环水泵运行状态监测模型，获取一组基于历史样本数据中历史正常数据的仪表期望值，通过获取的仪表期望值(即动态参考阈值)来代表传统方法中的固定阈值；具体的，使用AAKR和MSET算法，根据循环水泵各监测点正常状态下的历史数据，回归出正常状态下的当前应该读数，即动态参考阈值；
步骤3)，基于循环水泵运行状态监测模型以及历史样本数据中的历史正常数据，采用bootstrap算法回归计算得到循环水泵在历史正常数据下的范围区间，即动态参考阈值区间；然后求解得到循环水泵运行状态监测模型的置信区间和预测区间；
置信区间是指通过多个循环水泵运行状态监测模型反复采样得出的所有正常状态下预测出来的可靠结果区间，因此，可以将置信区间标记为健康区间(绿色)。预测区间是指循环水泵运行状态监测模型反复预测出来的所有结果区间，包含了噪声影响，预测区间范围比置信区间大，同时，结果不全具有可靠性，可以将预测区间标记为预警区间(黄色)；
步骤4)，采用循环水泵试验台标记故障数据作为故障参考区间，基于置信区间、预测区间和故障参考区间的设定阈值，实现循环水泵监测故障的快速预测。可根据置信区间、预测区间和故障参考区间的设定阈值进行故障等级的划分，结合故障诊断细节结果进行维修。
对于标记故障数，可分为微弱故障数据(橙色)和明显故障数据(红色)，划分橙色区间和红色区间。对循环水泵的预测数据或者当前数据进行分类，定位相应的测点位置，实现状态等级划分；
基于上述方法，循环水泵当前的故障状态，可分为四个等级，分别以绿色、黄色、橙色和红色表示，代表循环水泵的状态为健康、预警、轻度异常和明显故障。在可视化界面中，显示传感器所对应的循环水泵部件，如循环水泵轴承名称、对应传感器的位号、图示位置(三维视图中某轴承被点亮)、状态颜色。
本发明针对现有循环水泵状态评估方法止步于回归算法与残差概念，无法工程指导循环水泵状态评估报警问题，利用数据驱动的统计学模型及试验台故障数据，结合残差结果代替传统固定粗大阈值，直观有效地实现循环水泵动态的四级状态等级划分，具有重要的科学价值。
本发明能够充分利用电厂循环水泵海量监测数据及循环水泵实验台损伤模拟数据，使用统计方法，提出划分循环水泵四个状态等级的具体方法，解决了工程故障积累不足、经验阈值划分困难的问题，直观有效实现电厂循环水泵的状态监测和评估，对减少不必要的维修造成的设备损伤以及突发故障导致的电厂紧急停机具有重要工程意义。
循环水泵机组的体积和重量庞大(高20余米，直径约8米，重约超过100吨)。机组核心设备和仪表繁多，相关系统包括电机、齿轮箱、叶轮以及润滑油系统等20余项，仪表80余块。大修解体的维修工期数月，未知的全部解体检修耗时长，投入大量的人力和物力，成本极高，这种定期全部拆解排查维修方式人力物力花费巨大。因此循环水泵的状态监测及评估对于实时把握循环水泵运行状态，将定期维修向视情维修转变，从而降低循环水泵运维费用意义重大。
实施例
如附图1所示：
步骤1)，对循环水泵机组的原始运行数据行分类，标记为历史数据和测试数据，以100组数据为例，取前90组数据为训练数据样本集，取后10组数据为测试数据；
步骤2)，建立循环水泵运行状态监测模型，获取一组基于历史正常数据的仪表期望值，通过一组正常的动态参考值来代表传统方法中的固定阈值。使用AAKR或MSET算法，根据循环水泵各监测点正常状态下的历史数据，回归出正常状态下的当前应该读数，即动态参考阈值；
步骤3)，使用bootstrap算法统计得出回归模型所有可能回归出的循环水泵正常时的动态参考阈值范围区间，求解置信区间和预测区间。具体如下：
(1)采用bootstrap算法回归计算得到循环水泵在历史正常数据下的范围区间，即通过重采样选择训练数据，使用不同的训练数据训练不同的模型，获取不同的预测结果，所有重采样的预测结果形成一个可信区间，再通过预测值，求解模型的置信区间和预测区间。
(2)置信区间具体来说，由如下公式得到：
Figure BDA0002952972470000071
式中：n——训练观测值的数量；p——用于推断y的变量数；tn-p,α/2——逼近n-p自由度和置信度1-α的正态分布的t统计量；
Figure BDA0002952972470000072
——模型预测
Figure BDA0002952972470000073
的方差；Bias——模型偏差；偏差的平方是均方差(MSE)与预测和噪声方差
Figure BDA0002952972470000074
之和的差；
Figure BDA0002952972470000075
如果平方偏差小于零(即，预测和噪声方差大于对MSE的补偿)，则将偏差设置为零；
Figure BDA0002952972470000081
置信区间不包含噪声项，其仅估计模型预期预测中的不确定性，而不考虑所建模值的自然变化。在这种情况下，将置信区间覆盖范围计算为置信区间中包含的去噪残差的分数大约为零。
此置信区间的含义是多个模型反复采样得出的所有正常状态下可能预测出来的可靠结果区间，因此，此区间标记为健康区间(绿色)。
(3)预测区间具体如下：
预测区间(PI)用于冗余传感器模型，PI用测量值来描述参数估计中的不确定性，而置信区间用期望值或真实值来描述不确定性。下面给出95％预测区间的公式：
Figure BDA0002952972470000082
式中：n——训练观测值的数量；p——用于推断y的变量数；tn-p,α/2——逼近n-p自由度和置信度1-α的正态分布的t统计量；
Figure BDA0002952972470000083
——模型预测
Figure BDA0002952972470000084
的方差；Bias——模型偏差；
其中，偏差的平方是均方差(MSE)与预测和噪声方差
Figure BDA0002952972470000085
之和的差，即：
Figure BDA0002952972470000086
根据定义，预测区间包含置信区间，对于冗余传感器模型，PI应该是更为保守的不确定性度量。仿真结果如附图2所示，是某仪表的置信区间(CI)以及预测区间(PI)。
预测区间含义为模型反复预测出来的所有结果区间，包含了噪声影响，因此预测区间较置信区间更大，同时，结果不全具有可靠性，故而将其定义为预警区间(黄色)。预警监测判定过程应该参考模型残差，如附图3所示，残差持续在0附近波动，则预警部件没有故障，提高警惕重点关注即可。
步骤4)，较小的置信区间即为健康区间，显示为绿色。较保守的预测区间与置信区间的补集为预警区间，显示为黄色。置信区间的区间阈值为预警区间阈值(即预警下阈值，突破该阈值则触发预警报警)，预测区间阈值为异常区间阈值(即异常下阈值，突破该阈值则触发异常报警)。
步骤5)，使用循环水泵试验台标记微弱故障数据(橙色)和明显故障数据(红色)作为参考，划分橙色区间和红色区间。对预测数据或者当前数据，定位相应的测点位置，区分其处于异常橙色区间或红色区间。
本发明的一种电厂循环水泵状态等级划分方法，弥补了电厂实际工程积累不足，无法给出经验预警与轻微损伤及明显故障阈值的问题，结合循环水泵实验台的损伤积累数据进行动态的四级状态等级划分，可视化指导循环水泵的状态监测，具有重要的科学意义和工程价值。

Claims (10)

1.一种核电厂循环水泵状态预测方法，其特征在于，包括以下步骤：
S1，采集数据，所述数据包括循环水泵机组原始运行数据，将循环水泵机组原始运行数据分类标签为历史样本数据和测试数据；
S2，建立循环水泵运行状态监测模型，基于循环水泵运行状态监测模型以及历史样本数据中的历史正常数据，采用bootstrap算法回归计算得到循环水泵在历史正常数据下的动态参考阈值区间，基于动态参考阈值区间求解得到循环水泵运行状态监测模型的置信区间和预测区间；
S3，采用循环水泵试验台标记故障数据作为故障参考区间，实时采集循环水泵运行参数，基于置信区间、预测区间和故障参考区间的设定阈值实现循环水泵状态的快速预测。
2.根据权利要求1所述的一种核电厂循环水泵状态预测方法，其特征在于，循环水泵机组原始运行数据通过传感器测得的数据点在时间上具有相关性的时间序列数据。
3.根据权利要求1所述的一种核电厂循环水泵状态预测方法，其特征在于，利用数据驱动的模型结合试验台数据获取循环水泵机组原始运行数据。
4.根据权利要求1所述的一种核电厂循环水泵状态预测方法，其特征在于，通过多个循环水泵运行状态监测模型反复采样得出的所有正常状态下预测得到置信区间。
5.根据权利要求4所述的一种核电厂循环水泵状态预测方法，其特征在于，采用bootstrap算法回归计算得到循环水泵在历史正常数据下的范围区间，使用不同的训练数据训练不同的模型，获取不同的预测结果，所有重采样的预测结果形成一个可信区间，再通过预测值，求解模型的置信区间和预测区间。
6.根据权利要求5所述的一种核电厂循环水泵状态预测方法，其特征在于，置信区间具体求解过程如下：
Figure FDA0002952972460000021
式中：n——训练观测值的数量；p——用于推断y的变量数；tn-p,α/2——逼近n-p自由度和置信度1-α的正态分布的t统计量；
Figure FDA0002952972460000026
——模型预测
Figure FDA0002952972460000028
的方差；Bias——模型偏差；偏差的平方是均方差MSE与预测和噪声方差
Figure FDA0002952972460000029
之和的差；
Figure FDA0002952972460000027
如果平方偏差小于零，则将偏差设置为零，则：
Figure FDA0002952972460000022
将置信区间覆盖范围计算为置信区间中包含的去噪残差的分数大约为零。
7.根据权利要求5所述的一种核电厂循环水泵状态预测方法，其特征在于，通过循环水泵运行状态监测模型反复预测出来的所有结果区间即为预测区间。
8.根据权利要求7所述的一种核电厂循环水泵状态预测方法，其特征在于，预测区间具体计算过程如下
Figure FDA0002952972460000023
式中：n——训练观测值的数量；p——用于推断y的变量数；tn-p,α/2——逼近n-p自由度和置信度1-α的正态分布的t统计量；
Figure FDA00029529724600000210
——模型预测
Figure FDA00029529724600000211
的方差；Bias——模型偏差；
其中，偏差的平方是均方差MSE与预测和噪声方差
Figure FDA0002952972460000024
之和的差，即：
Figure FDA0002952972460000025
9.一种基于权利要求1所述核电厂循环水泵状态预测方法的核电厂循环水泵状态预测系统，其特征在于，包括数据采集模块，数据处理模块和预测模块；
数据采集模块用于获取循环水泵机组原始运行数据，并将循环水泵机组原始运行数据分类标签为历史样本数据和测试数据，将历史样本数据传输至数据处理模块；数据处理模块基于循环水泵运行状态监测模型以及历史样本数据中的历史正常数据，处理得到循环水泵运行状态监测模型的置信区间和预测区间，同时采用循环水泵试验台标记故障数据作为故障参考区间，并将置信区间、预测区间和故障参考区间阈值传输至预测模块，同时通过数据采集模块实时采集循环水泵运行参数传输至预测模块，预测模块根据实时采集循环水泵运行参数与置信区间、预测区间和故障参考区间的设定阈值输出循环水泵监测故障的预测结果。
10.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至8任一项所述方法的步骤。
CN202110212789.7A 2021-02-25 2021-02-25 一种核电厂循环水泵状态预测方法、系统及设备 Pending CN112926656A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110212789.7A CN112926656A (zh) 2021-02-25 2021-02-25 一种核电厂循环水泵状态预测方法、系统及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110212789.7A CN112926656A (zh) 2021-02-25 2021-02-25 一种核电厂循环水泵状态预测方法、系统及设备

Publications (1)

Publication Number Publication Date
CN112926656A true CN112926656A (zh) 2021-06-08

Family

ID=76171954

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110212789.7A Pending CN112926656A (zh) 2021-02-25 2021-02-25 一种核电厂循环水泵状态预测方法、系统及设备

Country Status (1)

Country Link
CN (1) CN112926656A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113588005A (zh) * 2021-08-25 2021-11-02 华润电力技术研究院有限公司 一种闭式水系统状态监测方法及其系统
CN115033035A (zh) * 2022-03-07 2022-09-09 东方醒狮储能电池有限公司 一种储能车的控制方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111612216A (zh) * 2020-04-20 2020-09-01 中国重型机械研究院股份公司 基于GM灰色模型和Bootstrap理论的定制产品质量控制预测方法
CN112100574A (zh) * 2020-08-21 2020-12-18 西安交通大学 一种基于重采样的aakr模型不确定度计算方法及系统
CN112132394A (zh) * 2020-08-21 2020-12-25 西安交通大学 一种电厂循环水泵预测性状态评估方法及系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111612216A (zh) * 2020-04-20 2020-09-01 中国重型机械研究院股份公司 基于GM灰色模型和Bootstrap理论的定制产品质量控制预测方法
CN112100574A (zh) * 2020-08-21 2020-12-18 西安交通大学 一种基于重采样的aakr模型不确定度计算方法及系统
CN112132394A (zh) * 2020-08-21 2020-12-25 西安交通大学 一种电厂循环水泵预测性状态评估方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113588005A (zh) * 2021-08-25 2021-11-02 华润电力技术研究院有限公司 一种闭式水系统状态监测方法及其系统
CN115033035A (zh) * 2022-03-07 2022-09-09 东方醒狮储能电池有限公司 一种储能车的控制方法及系统

Similar Documents

Publication Publication Date Title
CN110414155B (zh) 一种带有单测点的风机部件温度异常检测和报警方法
CN110738274A (zh) 一种基于数据驱动的核动力装置故障诊断方法
CN110926809B (zh) 一种基于大数据分析的风电机组传动链故障预警方法
CN110320892A (zh) 基于Lasso回归的污水处理设备故障诊断系统及方法
CN109186813A (zh) 一种温度传感器自检装置及方法
CN111539553A (zh) 基于svr算法和偏峰度的风电机组发电机故障预警方法
CN112926656A (zh) 一种核电厂循环水泵状态预测方法、系统及设备
CN110334957A (zh) 生产工艺质量信息化管理方法、系统、设备及存储介质
CN112633781B (zh) 一种基于车联网大数据的车辆能耗评价方法
CN115614292B (zh) 一种立式水泵机组振动监测装置及其方法
CN116595327B (zh) 水闸变形监测数据预处理系统及方法
CN112000654B (zh) 一种高速铁路大风监测数据质量控制方法和装置
CN113902241A (zh) 一种基于综合状态评价的电网设备检修的策略系统及方法
CN116383636A (zh) 一种基于pca与lstm融合算法的磨煤机故障预警方法
CN113780375A (zh) 一种基于数字孪生的虚实交互风电场风力监测系统及应用
CN112036087A (zh) 一种多策略融合的核动力关键设备故障诊断方法及系统
CN115455358A (zh) 基于非线性回归模型的电气参数趋势预警及故障诊断方法
CN108093210A (zh) 一种变压器油位告警系统及其告警方法
CN117238113A (zh) 一种基于概率函数的水电机组分工况测值的预警方法
CN112580858A (zh) 设备参数预测分析方法及系统
Guo Wind turbine generator bearing Condition Monitoring with NEST method
CN114442543A (zh) 一种适用于水电站故障预警的计算机监测方法
CN111914490B (zh) 一种基于深度卷积随机森林自编码的泵站机组状态评价方法
CN114091811A (zh) 一种核电厂循环水泵维修决策系统及设计方法
CN110455370B (zh) 防汛抗旱远程遥测显示系统

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