CN113593741B - 一种蒸汽发生器故障诊断方法 - Google Patents

一种蒸汽发生器故障诊断方法 Download PDF

Info

Publication number
CN113593741B
CN113593741B CN202110874433.XA CN202110874433A CN113593741B CN 113593741 B CN113593741 B CN 113593741B CN 202110874433 A CN202110874433 A CN 202110874433A CN 113593741 B CN113593741 B CN 113593741B
Authority
CN
China
Prior art keywords
steam generator
fault diagnosis
nuclear power
power plant
sensor
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
CN202110874433.XA
Other languages
English (en)
Other versions
CN113593741A (zh
Inventor
王明军
王嘉诚
何少鹏
章静
田文喜
苏光辉
秋穗正
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 CN202110874433.XA priority Critical patent/CN113593741B/zh
Publication of CN113593741A publication Critical patent/CN113593741A/zh
Application granted granted Critical
Publication of CN113593741B publication Critical patent/CN113593741B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G21—NUCLEAR PHYSICS; NUCLEAR ENGINEERING
    • G21D—NUCLEAR POWER PLANT
    • G21D3/00—Control of nuclear power plant
    • G21D3/001—Computer implemented control
    • G21D3/005—Thermo-hydraulic simulations
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Plasma & Fusion (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明公开了一种蒸汽发生器故障诊断方法，包括以下步骤：通过核电厂蒸汽发生器现有传感器系统，采集蒸汽发生器运行数据；利用核电厂工业总线，实现蒸汽发生器运行数据的实时传输；经过信号处理单元，形成标准化数据；处理后的特征信号，分别传输至历史数据库与蒸汽发生器三维数字孪生模型系统(以下简称，三维数字孪生系统)压力、温度、速度等特征信号；通过三维数字孪生系统中物理引擎实现蒸汽发生器内部运行状况实时模拟；根据计算流体力学模拟与历史数据库，构建蒸汽发生器智能故诊断模型；结合模拟图像通过蒸汽发生器智能故诊断模型，实现蒸汽发生器故障诊断。

Description

一种蒸汽发生器故障诊断方法
技术领域
本发明属于核反应堆热工水力计算技术领域，具体涉及到一种基于数值模拟模拟与数字孪生系统的蒸汽发生器故障诊断方法。
背景技术
压水堆蒸汽发生器是产生汽轮机所需蒸汽的换热设备，在核反应堆中，核裂变产生的热量由冷却剂带出，通过蒸汽发生器将热量传递给二回路工质，使其产生具有一定温度、一定压力和一定干度的蒸汽。蒸汽发生器不仅是一回路的设备，又是二回路的设备，是核电厂中重要的能量交换设备。
根据核电站运行经验表明，蒸汽发生器在运行过程中，蒸汽发生器会出现振动、磨损、疲劳、腐蚀等问题，导致传热管及其他部件性能退化并影响正常使用。蒸汽发生器性能退化涉及热工水力、力学、材料等众多学科，如果从单一方面、单一维度出发难以保证蒸汽发生器安全运行，借助深度学习算法、计算流体力学和数字孪生技术，可以更加直观和及时预测蒸汽发生器的运行故障。
发明内容
本发明的目的在于提供一种蒸汽发生器故障诊断方法，该方法能够运用计算流体力学手段、现有核电厂检测系统与三维数字孪生系统，实现蒸汽发生器故障诊断方法。
为了达到上述目的，本发明采用如下技术方案：
一种蒸汽发生器故障诊断方法，其特征在于：针对蒸汽发生器运行状态下实时故障诊断；该故障诊断系统由核电厂蒸汽发生器传感器系统与核电厂工业总线组成，实现蒸汽发生器运行状态实时监测与数据交互；利用信号处理，将检测数据进行特征提取与特征标准化；利用物理引擎，根据特征信号(与压力、温度、速度有关)模拟蒸汽发生器内部流场特征；根据计算流体力学模拟与历史数据库，构建蒸汽发生器智能故诊断模型；结合模拟图像通过蒸汽发生器智能故诊断模型，实现蒸汽发生器故障诊断；
包括如下步骤：
步骤1：利用核电厂蒸汽发生器传感器系统，采集蒸汽发生器运行数据，具体步骤如下：
步骤1-1：根据核电厂蒸汽厂房结构模型，使用3D MAX和GIS软件绘制三维地理信息模型，同时将核电厂蒸汽发生器传感器具体位置标注在三维模型，实现传感器与空间信息相互对应；
步骤1-2：将步骤1-1中的各个传感器组进行分类，分为蒸汽发生器一次测组、蒸汽发生器二次测组、蒸汽发生器进出口管道组与工厂环境组；
步骤1-3：利用核电厂蒸汽发生器传感器系统，采集带有时序性特征的蒸汽发生器运行数据；
步骤2：利用核电厂工业总线BUS系统，将步骤1中采集带有时序性特征的蒸汽发生器运行数据存储至核电厂数据中心，实现蒸汽发生器运行数据的实时传输；
步骤3：将核电厂数据中心的带有时序性特征的蒸汽发生器运行数据通过滤波函数，使蒸汽发生器运行数据形成标准化数据格式，具体步骤如下：
步骤3-1：将步骤2中存储至核电厂数据中心的带有时序性特征的蒸汽发生器运行数据，根据其信号特征，采用卡尔曼滤波法、高斯滤波法、中位值滤波法、限幅值滤波法、递推平均滤波法、递推中位值滤波法、一阶滞后滤波法或加权递推平均滤波法，提取有效数据；
步骤3-2：将经过步骤3-1滤波后的有效数据，与步骤1-1中的传感器位置信息一一对应，实现传感器信号与位置信息相关联；
步骤3-3：将步骤3-2中关联后的信息，根据核电厂蒸气发生器测量的物理量压力、温度、振幅、辐射量、流速与湿度进行特征编码分类；
步骤3-4：根据下表从左起第一列为传感器编码列首字母P为检测的物理量类型压力P、温度T、振幅A、辐射量R、流速F与环境湿度H，AABB分别为测量点与具体传感器单元；第二列为传感器空间位置，S为蒸汽发生器一次测组P、蒸汽发生器二次测组S、蒸汽发生器进出口管道组T与工厂环境组S)AABBCC为笛卡尔坐标系空间坐标绝对或规定原点相对高度；第三列为检测起始时间YY\MM\DD；第四列为具体测量数值，形成符合数据分析的标准格式的标准信号；
传感器编码 传感器空间位置 检测时间 检测量
P-AABB S-AABBCC YY\MM\DD 值
步骤4：将步骤3-4的标准信号分别传输至历史数据库与三维数字孪生系统，具体步骤如下；
步骤4-1：将步骤3-4标准信号保存至核电厂本地运行数据中心，并绘制检测曲线；
步骤4-2：根据三维数字孪生系统的模拟物理量的要求，将与压力、温度、速度、辐射特征信号传输至三维数字孪生系统；
步骤5：将步骤4-2中的特征信号，通过三维数字孪生系统中的Unity 3D物理引擎实现蒸汽发生器内部运行状况实时模拟，实现蒸汽发生器三维运行状态与环境模拟，得到可视化效果图；
步骤6：根据计算流体力学程序Fluent、Star CCM+或OpenFoam模拟结果与历史数据库特征信号，实现蒸汽发生器智能故诊断，具体步骤如下：
步骤6-1：利用计算流体力学程序，分别模拟蒸汽发生器安全运行工况与事故工况下的蒸汽发生器内部流场，形成压力、速度、温度与辐射云图；同时，模拟蒸汽发生器厂房运行环境，实现蒸汽发生器故障与安全运行工况下的数值模拟，形成辐射与温度云图；
步骤6-2：根据步骤3-4中的传感器空间位置，将步骤6-1中的模拟云图进行关联，实现数值模拟云图与采集信号位置相对应，并进行标记；
步骤6-3：将步骤6-2中标记后的数值模拟云图作为蒸汽发生器智能故障诊断学习样本；
步骤6-4：利用有监督型深度学习卷积神经网络CNN，形成蒸汽发生器智能故诊断模型；
步骤7：将步骤5中的可视化效果图通过步骤6中的蒸汽发生器智能故诊断模型，实现蒸汽发生器故障诊断，具体步骤如下：
步骤7-1：将步骤5中的可视化效果图作为输入数据，利用6-4蒸汽发生器智能故诊断模型进行故障类型分类与寿命预测，最终实现蒸汽发生器全三维故障诊断与寿命预测；
步骤7-2：根据步骤7-1蒸汽发生器智能故诊断的结果，不定期更新蒸汽发生器智能故诊断单元模型，重复步骤6与步骤7。
本发明方法采用计算流体力学软件与深度学习算法相结合，实现了根据流体动力学模型的智能故障诊断算法；同时利用数字孪生系统，最终实现了蒸汽发生器实时可视化模拟下的故障诊断。和现有技术相比较，本发明具备如下优点：
1.利用核电厂成熟数据采集方案，提高方法的可实现性与实施地安全性
2.采用计算流体力学计算模型作为深度学习算法训练参数，丰富故障类型和提高故障模拟的可靠性与精确性；
3.通过三维数字孪生系统，实现人机交互模式下的故障诊断。
附图说明
图1为蒸汽发生器结构示意图。
图2为本发明流程图。
具体实施方式
以下结合图2所示流程图，以典型蒸汽发生器检测方案为例。对本发明作进一步的详细描述，另外典型蒸汽发生器结构如图1所示。
一种基于数值模拟模拟与数字孪生系统的蒸汽发生器故障诊断方法，包括如下步骤：
步骤1：利用核电厂蒸汽发生器传感器系统，采集蒸汽发生器运行数据，具体步骤如下：
步骤1-1：根据核电厂蒸汽厂房结构模型，使用3D MAX和GIS软件绘制三维地理信息模型，同时将核电厂蒸汽发生器传感器具体位置标注在三维模型，实现传感器与空间信息相互对应；
步骤1-2：将步骤1-1中的各个传感器组进行分类，分为蒸汽发生器一次测组、蒸汽发生器二次测组、蒸汽发生器进出口管道组与工厂环境组；
步骤1-3：利用核电厂蒸汽发生器传感器系统，采集带有时序性特征的蒸汽发生器运行数据；
步骤2：利用核电厂工业总线BUS系统，将步骤1中采集带有时序性特征的蒸汽发生器运行数据存储至核电厂数据中心，实现蒸汽发生器运行数据的实时传输；
步骤3：将核电厂数据中心的带有时序性特征的蒸汽发生器运行数据通过滤波函数，使蒸汽发生器运行数据形成标准化数据格式，具体步骤如下：
步骤3-1：将步骤2中存储至核电厂数据中心的带有时序性特征的蒸汽发生器运行数据，根据其信号特征，采用卡尔曼滤波法、高斯滤波法、中位值滤波法、限幅值滤波法、递推平均滤波法、递推中位值滤波法、一阶滞后滤波法或加权递推平均滤波法，提取有效数据；
步骤3-2：将经过步骤3-1滤波后的有效数据，与步骤1-1中的传感器位置信息一一对应，实现传感器信号与位置信息相关联；
步骤3-3：将步骤3-2中关联后的信息，根据核电厂蒸气发生器测量的物理量压力、温度、振幅、辐射量、流速与湿度进行特征编码分类；
步骤3-4：根据下表从左起第一列为传感器编码列首字母P为检测的物理量类型压力P、温度T、振幅A、辐射量R、流速F与环境湿度H，AABB分别为测量点与具体传感器单元；第二列为传感器空间位置，S为蒸汽发生器一次测组P、蒸汽发生器二次测组S、蒸汽发生器进出口管道组T与工厂环境组S)AABBCC为笛卡尔坐标系空间坐标绝对或规定原点相对高度；第三列为检测起始时间YY\MM\DD；第四列为具体测量数值，形成符合数据分析的标准格式的标准信号；
传感器编码 传感器空间位置 检测时间 检测量
P-AABB S-AABBCC YY\MM\DD 值
步骤4：将步骤3-4的标准信号分别传输至历史数据库与三维数字孪生系统，具体步骤如下；
步骤4-1：将步骤3-4标准信号保存至核电厂本地运行数据中心，并绘制检测曲线；
步骤4-2：根据三维数字孪生系统的模拟物理量的要求，将与压力、温度、速度、辐射特征信号传输至三维数字孪生系统；
步骤5：将步骤4-2中的特征信号，通过三维数字孪生系统中的Unity 3D物理引擎实现蒸汽发生器内部运行状况实时模拟，实现蒸汽发生器三维运行状态与环境模拟，得到可视化效果图；
步骤6：根据计算流体力学程序Fluent、Star CCM+或OpenFoam模拟结果与历史数据库特征信号，实现蒸汽发生器智能故诊断，具体步骤如下：
步骤6-1：利用计算流体力学程序，分别模拟蒸汽发生器安全运行工况与事故工况下的蒸汽发生器内部流场，形成压力、速度、温度与辐射云图；同时，模拟蒸汽发生器厂房运行环境，实现蒸汽发生器故障与安全运行工况下的数值模拟，形成辐射与温度云图；
步骤6-2：根据步骤3-4中的传感器空间位置，将步骤6-1中的模拟云图进行关联，实现数值模拟云图与采集信号位置相对应，并进行标记；
步骤6-3：将步骤6-2中标记后的数值模拟云图作为蒸汽发生器智能故障诊断学习样本，
步骤6-4：利用有监督型深度学习卷积神经网络CNN，形成蒸汽发生器智能故诊断模型；
步骤7：将步骤5中的可视化效果图通过步骤6中的蒸汽发生器智能故诊断模型，实现蒸汽发生器故障诊断，具体步骤如下：
步骤7-1：将步骤5中的可视化效果图作为输入数据，利用6-4蒸汽发生器智能故诊断模型进行故障类型分类与寿命预测，最终实现蒸汽发生器全三维故障诊断与寿命预测；
步骤7-2：根据步骤7-1蒸汽发生器智能故诊断的结果，不定期更新蒸汽发生器智能故诊断单元模型，重复步骤6与步骤7。

Claims (1)

1.一种蒸汽发生器故障诊断方法，其特征在于：针对蒸汽发生器运行状态下实时故障诊断；故障诊断系统由核电厂蒸汽发生器传感器系统与核电厂工业总线组成，实现蒸汽发生器运行状态实时监测与数据交互；利用信号处理，将检测数据进行特征提取与特征标准化；利用物理引擎，根据特征信号模拟蒸汽发生器内部流场特征；根据计算流体力学模拟与历史数据库，构建蒸汽发生器智能故诊断模型；结合模拟图像通过蒸汽发生器智能故诊断模型，实现蒸汽发生器故障诊断；
包括如下步骤：
步骤1：利用核电厂蒸汽发生器传感器系统，采集蒸汽发生器运行数据，具体步骤如下：
步骤1-1：将核电厂蒸汽发生器传感器具体位置进行标注，实现传感器与空间信息相互对应；
步骤1-2：将步骤1-1中的各个传感器组进行分类，分为蒸汽发生器一次测组、蒸汽发生器二次测组、蒸汽发生器进出口管道组与工厂环境组；
步骤1-3：利用核电厂蒸汽发生器传感器系统，采集带有时序性特征的蒸汽发生器运行数据；
步骤2：利用核电厂工业总线，将步骤1中采集带有时序性特征的蒸汽发生器运行数据存储至核电厂数据中心，实现蒸汽发生器运行数据的实时传输；
步骤3：将核电厂数据中心的带有时序性特征的蒸汽发生器运行数据通过滤波函数，使蒸汽发生器运行数据形成标准化数据格式，具体步骤如下：
步骤3-1：将步骤2中存储至核电厂数据中心的带有时序性特征的蒸汽发生器运行数据，根据其信号特征，采用卡尔曼滤波法、高斯滤波法、中位值滤波法、限幅值滤波法、递推平均滤波法、递推中位值滤波法、一阶滞后滤波法或加权递推平均滤波法，提取有效数据；
步骤3-2：将经过步骤3-1滤波后的有效数据，与步骤1-1中的传感器位置信息一一对应，实现传感器信号与位置信息相关联；
步骤3-3：将步骤3-2中关联后的信息，根据核电厂蒸气发生器测量的物理量压力、温度、振幅、辐射量、流速与湿度进行特征编码分类；
步骤3-4：从左起第一列为传感器编码列，首字母P为检测的物理量类型压力P、温度T、振幅A、辐射量R、流速F与环境湿度H，AABB分别为测量点与具体传感器单元；第二列为传感器空间位置S，传感器空间位置分组为蒸汽发生器一次测组S1、蒸汽发生器二次测组S2、蒸汽发生器进出口管道组S3与工厂环境组S0，AABBCC为笛卡尔坐标系空间坐标绝对或规定原点相对高度；第三列为检测起始时间YY\MM\DD；第四列为具体测量数值，形成符合数据分析的标准格式的标准信号；
步骤4：将步骤3-4的标准信号分别传输至历史数据库与三维数字孪生系统，具体步骤如下；
步骤4-1：将步骤3-4标准信号保存至核电厂本地运行数据中心，并绘制检测曲线；
步骤4-2：根据三维数字孪生系统的模拟物理量的要求，将与压力、温度、速度、辐射特征信号传输至三维数字孪生系统；
步骤5：将步骤4-2中的特征信号，通过三维数字孪生系统中的物理引擎实现蒸汽发生器内部运行状况实时模拟，实现蒸汽发生器三维运行状态与环境模拟，得到可视化效果图；
步骤6：根据计算流体力学模拟结果与历史数据库特征信号，实现蒸汽发生器智能故诊断，具体步骤如下：
步骤6-1：利用计算流体力学程序，分别模拟蒸汽发生器安全运行工况与事故工况下的蒸汽发生器内部流场，形成压力、速度、温度与辐射云图；同时，模拟蒸汽发生器厂房运行环境，实现蒸汽发生器故障与安全运行工况下的数值模拟，形成辐射与温度云图；
步骤6-2：根据步骤3-4中的传感器空间位置，将步骤6-1中的模拟云图进行关联，实现数值模拟云图与采集信号位置相对应，并进行标记；
步骤6-3：将步骤6-2中标记后的数值模拟云图作为蒸汽发生器智能故障诊断学习样本；
步骤6-4：利用有监督型深度学习卷积神经网络CNN，形成蒸汽发生器智能故诊断模型；
步骤7：将步骤5中的可视化效果图通过步骤6中的蒸汽发生器智能故诊断模型，实现蒸汽发生器故障诊断，具体步骤如下：
步骤7-1：将步骤5中的可视化效果图作为输入数据，利用6-4蒸汽发生器智能故诊断模型进行故障类型分类与寿命预测，最终实现蒸汽发生器全三维故障诊断与寿命预测；
步骤7-2：根据步骤7-1蒸汽发生器智能故诊断的结果，不定期更新蒸汽发生器智能故诊断单元模型，重复步骤6与步骤7。
CN202110874433.XA 2021-07-30 2021-07-30 一种蒸汽发生器故障诊断方法 Active CN113593741B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110874433.XA CN113593741B (zh) 2021-07-30 2021-07-30 一种蒸汽发生器故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110874433.XA CN113593741B (zh) 2021-07-30 2021-07-30 一种蒸汽发生器故障诊断方法

Publications (2)

Publication Number Publication Date
CN113593741A CN113593741A (zh) 2021-11-02
CN113593741B true CN113593741B (zh) 2023-04-07

Family

ID=78252928

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110874433.XA Active CN113593741B (zh) 2021-07-30 2021-07-30 一种蒸汽发生器故障诊断方法

Country Status (1)

Country Link
CN (1) CN113593741B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115202307A (zh) * 2022-07-26 2022-10-18 哈尔滨工程大学 一种基于数字孪生的蒸汽发生器状态监测与预测系统及方法
CN115542856A (zh) * 2022-10-08 2022-12-30 国网山西省电力公司电力科学研究院 一种基于数字孪生建模的设备故障诊断预警系统及使用方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4042813A (en) * 1973-02-23 1977-08-16 Westinghouse Electric Corporation Secondary system modeling and method for a nuclear power plant training simulator
CN109469896B (zh) * 2018-12-28 2020-06-09 佛山科学技术学院 一种基于时间序列分析工业锅炉故障的诊断方法及系统
CN111596604B (zh) * 2020-06-12 2022-07-26 中国科学院重庆绿色智能技术研究院 一种基于数字孪生的工程装备故障智能诊断与自愈控制系统及方法
AU2020102819A4 (en) * 2020-10-16 2020-12-10 Beihang University Digital-twin-driven method and system for fault diagnosis of subsea production system of offshore oil
CN112162519A (zh) * 2020-10-21 2021-01-01 桂林电子科技大学 一种复合型机床数字孪生监控系统

Also Published As

Publication number Publication date
CN113593741A (zh) 2021-11-02

Similar Documents

Publication Publication Date Title
CN109446187B (zh) 基于注意力机制与神经网络的复杂装备健康状态监测方法
CN106682814B (zh) 一种基于故障知识库的风电机组故障智能诊断方法
CN113593741B (zh) 一种蒸汽发生器故障诊断方法
CN104808585B (zh) 一种机床健康状态快速检查方法
CN110738274A (zh) 一种基于数据驱动的核动力装置故障诊断方法
CN116383636A (zh) 一种基于pca与lstm融合算法的磨煤机故障预警方法
CN117196159A (zh) 基于互联网大数据分析的智慧水务分区计量系统
CN111415070A (zh) 一种基于scada数据的风电机组齿轮箱油温过温故障预警方法
CN111695465A (zh) 基于压力波模式识别的管网故障诊断与定位方法及系统
CN115614292B (zh) 一种立式水泵机组振动监测装置及其方法
CN106525397A (zh) 一种核电高压加热器故障诊断方法
CN110579368A (zh) 基于仿真计算的旋转机械振动故障智能诊断系统及方法
CN111637045A (zh) 一种海洋平台空气压缩机故障诊断方法
CN112926656A (zh) 一种核电厂循环水泵状态预测方法、系统及设备
Zhou et al. Structural health monitoring of offshore wind power structures based on genetic algorithm optimization and uncertain analytic hierarchy process
CN115202307A (zh) 一种基于数字孪生的蒸汽发生器状态监测与预测系统及方法
CN103411204B (zh) 除氧器压力低报警状态触发故障诊断的方法
Zhang et al. System-level anomaly detection for nuclear power plants using variational graph auto-encoders
CN113486950B (zh) 一种智能管网漏水检测方法及系统
CN114298144A (zh) 一种基于深度卷积神经网络的水电站设备漏油识别方法
Choi et al. Data-driven fault diagnosis based on coal-fired power plant operating data
CN114593905A (zh) 一种高压隔膜泵单向阀故障诊断方法及系统
CN117189508A (zh) 基于多视角时空特征融合的风电机组状态监测方法
CN113298133B (zh) 超临界机组锅炉爆管故障诊断方法
Lee et al. Event diagnosis method for a nuclear power plant using meta-learning

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