CN113554085B - 一种感知引风机振动安全态势的系统和方法 - Google Patents
一种感知引风机振动安全态势的系统和方法 Download PDFInfo
- Publication number
- CN113554085B CN113554085B CN202110816411.8A CN202110816411A CN113554085B CN 113554085 B CN113554085 B CN 113554085B CN 202110816411 A CN202110816411 A CN 202110816411A CN 113554085 B CN113554085 B CN 113554085B
- Authority
- CN
- China
- Prior art keywords
- vibration
- situation
- induced draft
- draft fan
- fault
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
本申请提供了一种感知引风机振动安全态势的系统和方法,能够通过神经网络训练系统和态势感知系统实现引风机的振动故障源诊断和态势预判。所述系统包括:振动监测装置、数据管理系统、神经网络训练系统和态势感知系统,所述振动监测装置采集监测所述引风机运行过程中的振动参数,并将所述振动参数传输至所述数据管理系统;所述数据管理系统用于存储所述引风机的运行参数的历史数据和实时数据,还用于提取所述引风机的振动特征参数;所述神经网络训练系统确定所述引风机振动的故障原因,将所述故障原因数据传输至所述态势感知系统;所述态势感知系统根据所述故障原因数据对所述引风机振动安全态势进行预判。
Description
技术领域
本申请涉及引风机设备振动故障监测与诊断技术领域,并且更具体的,涉及一种感知引风机振动安全态势的系统和方法。
背景技术
随着国家经济的快速发展,电力成为社会生产生活的重要基础,促使电力工业快速发展,其机组的机械效率和自动化水平较以前显著提高,风机轴系更加复杂化,诱发风机振动的潜在因素也相应增加。振动问题在电厂安全稳定运行中的影响较大,工程技术人员更加关注振动对电力生产安全稳定经济运行的影响。
旋转机械设备的早期故障可以通过其振动值的异常变化表现出来,在国内外的机械工程技术中,常将振动测量及分析技术作为对旋转机械设备运行故障诊断的有力工具。且振动诊断技术在对被诊断系统的信号采集、数据处理及故障识别中所显示的准确、可靠、快速等特点,促使振动诊断技术发展成为旋转机械设备故障诊断技术的重要组成部分。现有技术中公开的引风机故障诊断的方法主要是故障树分析及多传感器融合的分析判断方法,这些故障处理方法均不能准确的预判引风机的安全态势。因此,目前急需一种基于神经网络的引风机振动安全态势感知系统,来实现引风机的振动监测、故障源诊断和态势预判,在高自动化、智能化基础上,协助运行人员保证电站安全稳定运行。
发明内容
本申请提供一种感知引风机振动安全态势的系统,通过将引风机的振动运行参数数据实时发送至数据管理系统进行存储和特征提取,通过神经网络训练系统和态势感知系统实现引风机的振动故障源诊断和态势预判,在高自动化、智能化基础上,协助运行人们保证电站安全稳定运行。
第一方面,提供了一种感知引风机振动安全态势的系统,所述系统包括振动监测装置、数据管理系统、神经网络训练系统、态势感知系统,所述振动监测装置、所述数据管理系统、所述神经网络训练系统和所述态势感知系统通过线路连接,其中,所述振动监测装置用于采集监测所述引风机运行过程中的振动参数,并将所述振动参数传输至所述数据管理系统;所述数据管理系统用于存储所述引风机的运行参数的历史数据和实时数据;所述数据管理系统还用于提取所述引风机的振动特征参数;所述数据管理系统根据所述振动特征参数与预警门限值,确定所述神经网络训练系统诊断所述引风机的振动原因;所述神经网络训练系统确定所述引风机振动的故障原因,将所述故障原因数据传输至所述态势感知系统;所述态势感知系统根据所述引风机振动的故障原因对所述引风机振动安全态势进行预判,并决定是否触发应急预案。
结合第一方面,在第一方面的某些实现方式中,所述振动监测装置包括多个电涡流传感器和数据传输单元,所述振动监测装置的总线接口通过所述数据传输单元与所述数据管理系统连接;所述电涡流传感器用于采集监测所述引风机运行过程中的振动参数,所述电涡流传感器布置于以下一个或者多个位置:所述引风机的轴颈、电动机轴颈、联轴器和主轴法兰的测点处。
通过在多个位置采集监测引风机运行过程中的振动参数,可以提高引风机运行过程中的振动参数实时监测的准确度。
结合第一方面,在第一方面的某些实现方式中,所述数据管理系统包括日志管理、历史数据库、实时数据库,所述数据管理系统还用于通过数据融合算法提取所述引风机的振动特征值,所述数据融合算法包括数据级融合、特征级融合和决策级融合。所述数据级融合是直接将采集到的原始数据进行融合,在多源数据未经预处理之前就进行数据综合和分析,这是最低层次的融合。所述特征级融合则对融合的原始数据进行特征提取,得到振动频谱特征,然后对特征信息进行综合分析和处理,实现可观的信息压缩,有利于实时处理。决策级融合则从具体故障决策问题的需求出发,充分利用所述特征级融合所提取的特征信息,为指挥控制与决策提供依据。
结合第一方面,在第一方面的某些实现方式中,所述神经网络训练系统确定所述引风机振动的故障原因,包括:所述神经网络训练系统根据所述模糊综合评判法计算出对应的故障特征的隶属度,把隶属度与对应的故障分类一起作为神经网络的输入-输出对应式,确定倾向性高的故障原因作为所述引风机振动的故障原因。
结合第一方面,在第一方面的某些实现方式中,所述态势感知系统包括态势评估、威胁分析、故障预警、态势展示、态势预测和安全响应。
本发明还涉及的一种感知引风机振动安全态势的方法,按以下进行:
采集监测所述引风机运行过程中的振动参数,并将所述振动参数传输至所述数据管理系统;
存储所述引风机的运行参数的历史数据和实时数据;
提取所述引风机的振动特征参数;
根据所述振动特征参数与预警门限值,确定所述神经网络训练系统诊断所述引风机的振动原因;将所述故障原因数据传输至所述态势感知系统;
根据所述引风机振动的故障原因对所述引风机振动安全态势进行预判,并决定是否触发应急预案。
附图说明
图1是本申请实施例的一种感知引风机振动安全态势的系统100的示意性结构框图;
图2是本申请实施例的一种感知引风机振动安全态势的系统100的示意性结构框图。
具体实施方式
下面将结合附图,对本申请中的技术方案进行描述。
图1是本申请实施例的一种感知引风机振动安全态势的系统100的示意性结构框图。如图1所示,所述系统100包括振动监测装置110、数据管理系统120、神经网络训练系统130和态势感知系统140,所述振动监测装置110、所述数据管理系统120、所述神经网络训练系统130和所述态势感知系统140通过线路连接,其中,所述振动监测装置用于采集监测所述引风机运行过程中的振动参数,并将所述振动参数传输至所述数据管理系统;所述数据管理系统用于存储所述引风机的运行参数的历史数据和实时数据;所述数据管理系统还用于提取所述引风机的振动特征参数;所述数据管理系统根据所述振动特征参数与预警门限值,确定所述神经网络训练系统诊断所述引风机的振动原因;所述神经网络训练系统确定所述引风机振动的故障原因,将所述故障原因数据传输至所述态势感知系统;所述态势感知系统根据所述引风机振动的故障原因对所述引风机振动安全态势进行预判,并决定是否触发应急预案。
所述感知引风机振动安全态势的系统通过振动监测装置110将引风机的振动运行参数数据发送至所述数据管理系统120进行存储和特征提取,并通过所述神经网络训练系统1130和所述态势感知系统140实现引风机的振动故障源诊断和态势预判,在高自动化、智能化基础上,协助运行人们保证电站安全稳定运行。
为了更清楚的理解本申请,下面结合图2对本申请提供的一种感知引风机振动安全态势的系统进行详细叙述。图2是本申请实施例的一种感知引风机振动安全态势的系统100的示意性结构框图。如图2所示,所述系统还包括烟气数据采集装置150,所述烟气数据采集装置150对烟气数据进行采集,作为态势感知的基础数据,烟气数据采集装置150可以采集引风机前后的烟气压力值、含氧量等烟气数据,所述烟气数据都可以作为引风机故障的监测数据。
具体而言,锅炉排放的烟气通过引风机增压,排放到烟囱中,引风机前后的烟气压力值、含氧量都可以作为引风机故障的监测数据,如果引风机前后的烟气压力值变化剧烈,有可能是由于引风机发生喘振故障;如果引风机前后烟气中的含氧量变化剧烈,有可能是由于引风机泄漏或密封不良等故障。
所述烟气数据可以包括以下多种参数有:烟气压力、烟气流量、烟气速度、烟气含氧量等。
烟气数据采集装置的总线接口通过数据传输单元与数据管理系统连接。
可选的,所述振动监测装置110包括多个电涡流传感器和数据传输单元,所述振动监测装置的总线接口通过所述数据传输单元与所述数据管理系统连接;所述电涡流传感器布置于以下一个或者多个位置:所述引风机的轴颈、电动机轴颈、联轴器和主轴法兰的测点处。其中,所述引风机轴径连接所述引风机主轴,所述引风机主轴通过联轴器与电动机轴径连接,在引风机轴颈、电动机轴颈、联轴器和主轴法兰的测点处布置电涡流传感器,每一测点处均测取三个方向振动值,即水平方向、垂直方向和轴向方向。
可选的,所述数据管理系统包括日志管理、历史数据库、实时数据库,所述数据管理系统还用于通过数据融合算法提取所述引风机的振动特征参数。
具体而言,所述数据管理系统120首先对烟气流量、烟气速度、引风机电流值、引风机挡板开度、引风机振动值等参数的历史和实时数据进行存储。然后通过数据融合算法提取所述引风机的振动特征参数。所述数据融合算法包括数据级融合、特征级融合和决策级融合。
为了更清楚的理解所述数据管理系统120用于通过数据融合算法提取所述引风机的振动特征参数,下面通过一种数据融合算法示例描述。
所述数据管理系统120分别计算所述引风机各通道设定时域内振动的幅值,将所述振动的幅值与预警门限值进行比较,初步判断引风机振动是否异常,如果所述引风机所有通道的振动的幅值都没有超过预警门限值,则表示引风机运行正常,如果所述引风机有一个以上通道振动的幅值超过预警门限值,则启动所述神经网络训练系统诊断所述引风机的振动原因。
可选的,所述神经网络训练系统130用于引风机运行状态分析,通过对已知故障状态的特征参数作为训练样本,利用算法对网络进行训练,达到所需的诊断精度;对未知状态的故障特征参数进行比对分析,实现故障源分离与定位,获得诊断结果,并将诊断结果传输至态势感知系统。
具体而言,已知故障状态是指已研究证实的引风机典型故障及特征,例如初始不平衡、轴向碰磨、松动等引风机典型故障,这些已知的、研究较多的引风机典型故障都有其对应的典型振动频谱,将这些典型频谱作为对照样本,来判断新出现的振动与哪个典型故障有相似之处,初步判定新出现的振动是哪种类型。
未知状态的故障是指振动的幅值和相位与已研究证实的引风机故障都不符合,因此需要去判定未知状态的故障是什么故障。
所述神经网络训练系统130对未知状态的故障特征参数进行基于模糊综合评判法的诊断,综合考虑所有故障特征后某一故障原因的倾向性,然后选择倾向性高的故障原因作为诊断结果,具体为:
(1)对超限通道的数据(所述数据可以是振动的幅值、频率、加速度)轮流进行快速傅里叶变换,计算出多种频率特征量。
(2)采用升班柯西不等式计算频率特征量的隶属度,把隶属度与相关的故障分类一起作为神经网络的输入-输出对应式,通过调整相关度系数,使总体误差达到最小。
隶属度可以理解为相关度,在0到1中间取值,值越接近1,则表示隶属度越高;值越接近0,则表示隶属度越低。采用升班柯西不等式计算频率特征量与对应的典型故障的隶属度,再通过将隶属度与对应的典型故障分类一起作为神经网络的输入-输出对应式,通过调整相关度系数,使总体误差达到最小,从而通过该神经网络确定未知状态的故障原因。在确定了该未知状态的故障原因后,可以将该未知状态的故障的振动特征与确定的所述未知状态的故障原因训练已知故障状态的特征参数的神经网络。
可选的,所述态势感知系统140基于前述结果反馈,综合历史态势形成当前安全态势信息,进而对引风机振动安全态势进行预判,并决定是否触发应急预案。所述态势感知系统140包括态势评估、威胁分析、故障预警、态势展示、态势预测和安全响应,具体为:(1)态势评估、威胁分析和态势预测模块利用已建立的振动安全态势感知指标体系,利用态势值对安全态势进行量化,并根据安全态势预测算法计算出下一个时刻的振动值发展,决定是否预警和请求人工干预;(2)故障预警、态势展示模块主要是将故障源、振动值、振动值预测曲线、态势危险程度等信息通过交互界面进行显示,不同颜色代表当前态势的不同情况;(3)在运行人员人工干预下,安全响应模块实时调整和反馈当前振动安全态势值,协助运行人员保证电站安全稳定运行。
上述实施例,可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时,上述实施例可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行所述计算机指令或计算机程序时,全部或部分地产生按照本申请实施例所述的流程或功能。
在本发明所提供的几个实施例中,应该理解到,所揭露的系统和装置,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。
本领域普通技术人员可以意识到,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、或者计算机软件和电子硬件的结合来实现。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申请的范围。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
Claims (4)
1.一种感知引风机振动安全态势的系统,其特征在于,所述系统包括振动监测装置、数据管理系统、神经网络训练系统、态势感知系统,所述振动监测装置、所述数据管理系统、所述神经网络训练系统和所述态势感知系统通过线路连接,其中,
所述振动监测装置用于采集监测所述引风机运行过程中的振动参数,并将所述振动参数传输至所述数据管理系统;
所述数据管理系统用于存储所述引风机的运行参数的历史数据和实时数据;
所述数据管理系统还用于提取所述引风机的振动特征参数;
所述数据管理系统根据所述振动特征参数与预警门限值,确定所述神经网络训练系统诊断所述引风机的振动原因;
所述神经网络训练系统确定所述引风机振动的故障原因,将所述故障原因数据传输至所述态势感知系统;
所述神经网络训练系统对未知状态的故障特征参数进行基于模糊综合评判法的诊断,综合考虑所有故障特征后某一故障原因的倾向性,然后选择倾向性高的故障原因作为诊断结果,具体为:
对超限通道的数据轮流进行快速傅里叶变换,计算出多种频率特征量;
采用升班柯西不等式计算频率特征量的隶属度,把隶属度与相关的故障分类一起作为神经网络的输入-输出对应式,通过调整相关度系数,使总体误差达到最小;
确定该未知状态的故障原因后,将该未知状态的故障的振动特征与确定的所述未知状态的故障原因训练已知故障状态的特征参数的神经网络;
所述态势感知系统基于前述结果反馈,综合历史态势形成当前安全态势信息,进而对引风机振动安全态势进行预判,并决定是否触发应急预案;所述态势感知系统包括态势评估、威胁分析、故障预警、态势展示、态势预测和安全响应,具体为:
态势评估、威胁分析和态势预测模块利用已建立的振动安全态势感知指标体系,利用态势值对安全态势进行量化,并根据安全态势预测算法计算出下一个时刻的振动值发展,决定是否预警和请求人工干预;
故障预警、态势展示模块主要是将故障源、振动值、振动值预测曲线、态势危险程度等信息通过交互界面进行显示,不同颜色代表当前态势的不同情况;
在运行人员人工干预下,安全响应模块实时调整和反馈当前振动安全态势值,协助运行人员保证电站安全稳定运行。
2.根据权利要求1所述的系统,其特征在于,所述振动监测装置包括多个电涡流传感器和数据传输单元,所述振动监测装置的总线接口通过所述数据传输单元与所述数据管理系统连接;
所述电涡流传感器布置于以下一个或者多个位置:
所述引风机的轴颈、电动机轴颈、联轴器和主轴法兰的测点处。
3.根据权利要求1所述的系统,其特征在于,所述数据管理系统包括日志管理、历史数据库、实时数据库;
所述数据管理系统还用于通过数据融合算法提取所述引风机的振动特征参数。
4.一种感知引风机振动安全态势的方法,其特征在于:按以下进行:
采集监测所述引风机运行过程中的振动参数,并将所述振动参数传输至数据管理系统;
存储所述引风机的运行参数的历史数据和实时数据;
提取所述引风机的振动特征参数;
根据所述振动特征参数与预警门限值,确定神经网络训练系统诊断所述引风机的振动原因;将故障原因数据传输至态势感知系统;
所述神经网络训练系统对未知状态的故障特征参数进行基于模糊综合评判法的诊断,综合考虑所有故障特征后某一故障原因的倾向性,然后选择倾向性高的故障原因作为诊断结果,具体为:
对超限通道的数据轮流进行快速傅里叶变换,计算出多种频率特征量;
采用升班柯西不等式计算频率特征量的隶属度,把隶属度与相关的故障分类一起作为神经网络的输入-输出对应式,通过调整相关度系数,使总体误差达到最小;
确定该未知状态的故障原因后,将该未知状态的故障的振动特征与确定的所述未知状态的故障原因训练已知故障状态的特征参数的神经网络;
根据所述引风机振动的故障原因对所述引风机振动安全态势进行预判,并决定是否触发应急预案;
所述态势感知系统基于前述结果反馈,综合历史态势形成当前安全态势信息,进而对引风机振动安全态势进行预判,并决定是否触发应急预案;所述态势感知系统包括态势评估、威胁分析、故障预警、态势展示、态势预测和安全响应,具体为:
态势评估、威胁分析和态势预测模块利用已建立的振动安全态势感知指标体系,利用态势值对安全态势进行量化,并根据安全态势预测算法计算出下一个时刻的振动值发展,决定是否预警和请求人工干预;
故障预警、态势展示模块主要是将故障源、振动值、振动值预测曲线、态势危险程度等信息通过交互界面进行显示,不同颜色代表当前态势的不同情况;
在运行人员人工干预下,安全响应模块实时调整和反馈当前振动安全态势值,协助运行人员保证电站安全稳定运行。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110816411.8A CN113554085B (zh) | 2021-07-20 | 2021-07-20 | 一种感知引风机振动安全态势的系统和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110816411.8A CN113554085B (zh) | 2021-07-20 | 2021-07-20 | 一种感知引风机振动安全态势的系统和方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113554085A CN113554085A (zh) | 2021-10-26 |
CN113554085B true CN113554085B (zh) | 2023-04-18 |
Family
ID=78103405
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110816411.8A Active CN113554085B (zh) | 2021-07-20 | 2021-07-20 | 一种感知引风机振动安全态势的系统和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113554085B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3026510A1 (en) * | 2014-11-26 | 2016-06-01 | General Electric Company | Methods and systems for enhancing control of power plant generating units |
CN108398271A (zh) * | 2017-02-07 | 2018-08-14 | 山东云舜智能科技有限公司 | 一种基于振动和神经网络技术的发动机状态监测方法 |
CN109214356A (zh) * | 2018-09-29 | 2019-01-15 | 南京东振测控技术有限公司 | 一种基于dcnn模型的风机传动系统故障智能诊断方法 |
CN110188143A (zh) * | 2019-04-04 | 2019-08-30 | 上海发电设备成套设计研究院有限责任公司 | 一种发电厂引风机振动故障诊断方法 |
CN112990435A (zh) * | 2021-03-22 | 2021-06-18 | 华北电力大学 | 一种长短时记忆网络电站风机故障预警方法及系统 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101672723A (zh) * | 2009-10-28 | 2010-03-17 | 北京中能联创风电技术有限公司 | 一种风电机组振动分析故障诊断方法和系统 |
CN106124982A (zh) * | 2016-06-14 | 2016-11-16 | 都城绿色能源有限公司 | 一种风电机组的自动专家综合故障诊断系统及诊断方法 |
US10762424B2 (en) * | 2017-09-11 | 2020-09-01 | Sas Institute Inc. | Methods and systems for reinforcement learning |
CN212460601U (zh) * | 2020-06-10 | 2021-02-02 | 水电十四局大理聚能投资有限公司 | 基于风电场监控的网络安全态势感知系统 |
-
2021
- 2021-07-20 CN CN202110816411.8A patent/CN113554085B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3026510A1 (en) * | 2014-11-26 | 2016-06-01 | General Electric Company | Methods and systems for enhancing control of power plant generating units |
CN108398271A (zh) * | 2017-02-07 | 2018-08-14 | 山东云舜智能科技有限公司 | 一种基于振动和神经网络技术的发动机状态监测方法 |
CN109214356A (zh) * | 2018-09-29 | 2019-01-15 | 南京东振测控技术有限公司 | 一种基于dcnn模型的风机传动系统故障智能诊断方法 |
CN110188143A (zh) * | 2019-04-04 | 2019-08-30 | 上海发电设备成套设计研究院有限责任公司 | 一种发电厂引风机振动故障诊断方法 |
CN112990435A (zh) * | 2021-03-22 | 2021-06-18 | 华北电力大学 | 一种长短时记忆网络电站风机故障预警方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113554085A (zh) | 2021-10-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110647133B (zh) | 轨道交通设备状态检测维护方法及系统 | |
CN107144303A (zh) | 一种矿用机电设备的故障检测系统、方法及装置 | |
CN112179691B (zh) | 基于对抗学习策略的机械装备运行状态异常检测系统和方法 | |
CN111336100A (zh) | 水泵故障诊断系统 | |
CN106022366B (zh) | 一种基于近邻证据融合的旋转机械设备故障诊断方法 | |
US8779928B2 (en) | Systems and methods to detect generator collector flashover | |
CN103671190A (zh) | 一种智能早期矿用通风机在线故障诊断系统 | |
US20230162484A1 (en) | Apparatus and method for generating learning data for artificial intelligence model | |
CN110008350A (zh) | 一种基于贝叶斯推理的机泵安康知识库查找方法 | |
CN113418730A (zh) | 一种卷烟机运行状态的在线监测方法 | |
CN113757093B (zh) | 一种闪蒸汽压缩机组故障诊断方法 | |
CN113177646B (zh) | 一种基于自适应边缘代理的配电设备在线监测方法及系统 | |
CN112258362B (zh) | 危险源识别方法、系统及可读存储介质 | |
CN113447075A (zh) | 煤矿巡检机器人运行状态监测系统及方法 | |
CN116629627A (zh) | 输电在线监测装置的智能检测系统 | |
CN116861369A (zh) | 工业互联网异构数据融合的空压机健康评估方法及系统 | |
CN113982850B (zh) | 融合高低频信号的风机综合健康分析方法及系统 | |
CN113554085B (zh) | 一种感知引风机振动安全态势的系统和方法 | |
CN110208028A (zh) | 基于粉尘浓度的混凝土生产设备在线故障检测方法及系统 | |
CN113483815A (zh) | 一种基于工业大数据的机械故障监控系统 | |
CN110319924A (zh) | 基于噪音分贝的混凝土生产设备在线故障检测方法及系统 | |
CN113516091B (zh) | 一种识别变电站电火花图像的方法 | |
CN115328986A (zh) | 一种电厂安全预警数据分析处理方法及系统 | |
CN106771729A (zh) | 一种继电保护设备风险评估系统及方法 | |
CN117113259B (zh) | 用于安全隐患预测的煤矿状态数据处理方法及系统 |
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 |