CN113703422A - 一种基于特征分析处理的燃气轮机气动执行机构故障诊断方法 - Google Patents
一种基于特征分析处理的燃气轮机气动执行机构故障诊断方法 Download PDFInfo
- Publication number
- CN113703422A CN113703422A CN202110989420.7A CN202110989420A CN113703422A CN 113703422 A CN113703422 A CN 113703422A CN 202110989420 A CN202110989420 A CN 202110989420A CN 113703422 A CN113703422 A CN 113703422A
- Authority
- CN
- China
- Prior art keywords
- fault
- gas turbine
- dual
- valve position
- learning machine
- 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
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/24—Pc safety
- G05B2219/24065—Real time diagnostics
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P80/00—Climate change mitigation technologies for sector-wide applications
- Y02P80/10—Efficient use of energy, e.g. using compressed air or pressurized fluid as energy carrier
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明提供了一种基于特征分析处理的燃气轮机气动执行机构故障诊断方法,对燃气轮机气动执行机构阀位信号进行实时采集,进行降噪处理,剔除噪声信号以便于下一步信号分析;进行故障机理分析,得到阀位信号变化趋势与故障模式的对应关系;采用傅里叶变换、形态经验小波分解和Morris筛选法对阀位信号进行特征提取筛选处理,得到故障特征向量;采用小波核函数和高斯核函数构造双核极限学习机,通过遗传‑鲸鱼优化算法优化双核极限学习机参数,利用双核极限学习机和故障机理分析结果得到故障分类模型。本发明有效的提高了燃气轮机气动执行机构的故障诊断准确性和快速性,满足了工业现场对燃气轮机气动执行机构故障诊断的要求。
Description
技术领域
本发明属于燃气轮机故障诊断技术领域,尤其涉及一种基于特征分析处理的燃气轮机气动执行机构故障诊断方法。
背景技术
在长时间的运行过程中,由于结垢、腐蚀、磨损、管路堵塞、器件老化等问题,燃气轮机不可避免会发生各种各样的故障。根据故障发生的部位,可以把燃气轮机控制系统的主要故障分为元部件故障、执行机构故障、传感器故障和控制器故障,其中大部分控制系统故障是由执行机构或传感器故障引起。执行机构作为工业自动控制系统中的一个重要环节,直接关系到燃气轮机控制系统安全运行的稳定性。在燃气轮机控制系统中,气动执行机构有着广泛应用。气动执行机构长期工作在高温、高压、潮湿等恶劣工况下,故障发生频率高,且故障形式多变,为故障诊断工作带来极大困难。随着燃气轮机发电技术的快速发展,其控制系统规模不断扩大,气动执行机构的安装数量和内部结构复杂度日益提高,故障的发生频率与严重程度也在不断增加。因此,进行气动执行机构故障诊断工作,对保障燃气轮机控制系统安全稳定运行具有重要意义。
如何有效提高燃气轮机气动执行机构故障诊断效率和准确性,以满足工业现场对燃气轮机气动执行机构故障诊断的要求,已经成为亟需解决的问题。
发明内容
为了克服现有技术存在的一系列缺陷,本发明的目的在于针对上述问题,提供一种基于特征分析处理的燃气轮机气动执行机构故障诊断方法,包括以下步骤:
步骤1,按照合适的采样间隔对燃气轮机气动执行机构阀位信号进行实时采集,使用核主元分析法对阀位信号进行降噪处理;
步骤2,进行气动执行机构故障机理分析,得到阀位信号变化趋势与故障模式的对应关系;
步骤3,对降噪处理后的阀位信号进行傅里叶变换,并根据尺度空间法划分频谱;
步骤4,根据频谱划分结果对降噪处理后的阀位信号进行形态经验小波分解,得到经验模态分量;
步骤5,提取经验模态分量的模糊信息熵、奇异值熵和能量谱峭度特征,得到故障特征数据集;
步骤6,使用Morris筛选法对故障特征数据集进行筛选,通过比较分散程度筛选出可分性能较好的故障特征数据,从而生成故障特征向量;
步骤7,将小波核函数和高斯核函数引入至极限学习机,构造双核极限学习机;
步骤8,对故障特征向量进行划分处理,得到双核极限学习机的训练样本和测试样本;
步骤9,采用遗传-鲸鱼优化算法对双核极限学习机的参数进行寻优求解;
步骤10,将训练样本输入至参数优化后的双核极限学习机进行监督学习,并结合故障机理分析结果得到故障分类模型;
步骤11,将测试样本输入至故障分类模型,对故障诊断精度进行验证。
优选的,步骤1中,基于核主元分析法的数据降噪方法为:
在计算时引入核函数矩阵,通过非线性变换将高维空间的内积映射为低维空间的核函数进行运算,从而降低计算复杂度,其中,核函数矩阵C如下式所示:
式中,{b1(t),b2(t),…,bn(t)}为待降噪处理的的n维阀位信号数据;t为时间,单位s;Φ(·)为映射函数;T表示矩阵转置;c(·)为核函数;
阀位信号数据在低维空间的分量如下式所示:
优选的,步骤2中,在忽略高阶惯性环节时,气动执行机构故障状态数学模型如下式所示:
y=α·x+β
式中,y为气动执行机构阀位反馈值,x为气动执行机构接收到的控制指令,二者单位均为百分比开度;α和β为气动执行机构的增益系数和零点误差,是气动执行机构故障状态的两个重要参数,其中,α∈[0,1],β∈[0,1]。
优选的,步骤6中,基于Morris筛选法的故障特征数据集筛选,其中,分散程度d 的计算公式如下式所示:
式中,j={1,2,…,m}为目标类别总数;i={1,2,…,h}为特征数据集初始维数,且m≤h;{a1(t),a2(t),…,ah(t)}为h维特征数据集;t为时间,单位s;T表示矩阵转置;r1为类内分散系数;r2为类间分散系数;k1为类内计算误差系数;k2为类间计算误差系数;pj为第j个类别的特征数据总数。
优选的,步骤9中,通过遗传-鲸鱼优化算法优化双核极限学习机参数时,首先将待优化参数输入至鲸鱼优化算法,再采用遗传算法进行迭代求解,最终通过鲸鱼优化算法的限制条件求得最优解;通过参数寻优,使得双核极限学习机能够快速、精确地建立故障分类模型。
优选的,步骤10中,基于双核极限学习机得到的故障分类模型,其中,故障分类模型决策函数如下式所示:
式中,F为燃气轮机气动执行机构故障模式;g(F)为故障分类模型决策函数;w(F)为故障分类模型期望输出;ε为故障分类模型不确定度;e为故障分类模型预测误差。
与现有技术相比,本发明具备以下有益效果:
本发明采集气动执行机构阀位信号后先进行降噪处理,剔除噪声信号以便于下一步信号分析;本发明先后采用傅里叶变换、形态经验小波分解和Morris筛选法对阀位信号进行特征提取筛选处理,增强了特征信息的代表性,剔除了冗余特征;本发明采用小波核函数和高斯核函数构造双核极限学习机,提高了双核极限学习机的泛化能力和分类能力;本发明采用遗传-鲸鱼优化算法优化双核极限学习机参数,便于双核极限学习机快速、精确地建立故障分类模型;本发明有效提高了燃气轮机气动执行机构的故障诊断准确性和快速性,满足了工业现场对燃气轮机气动执行机构故障诊断的要求。
附图说明
图1是本发明提供的一种基于特征分析处理的燃气轮机气动执行机构故障诊断方法的流程图;
图2是本发明提供的一种遗传-鲸鱼优化算法优化双核极限学习机参数的流程图。
具体实施方式
为使本发明实施的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行更加详细的描述。在附图中,自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。所描述的实施例是本发明一部分实施例,而不是全部的实施例。
基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
下面通过参考附图描述的实施例以及方位性的词语均是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
本发明的一个宽泛实施例中,一种基于特征分析处理的燃气轮机气动执行机构故障诊断方法,包括以下步骤:
步骤1,按照合适的采样间隔对燃气轮机气动执行机构阀位信号进行实时采集,使用核主元分析法对阀位信号进行降噪处理;
步骤2,进行气动执行机构故障机理分析,得到阀位信号变化趋势与故障模式的对应关系;
步骤3,对降噪处理后的阀位信号进行傅里叶变换,并根据尺度空间法划分频谱;
步骤4,根据频谱划分结果对降噪处理后的阀位信号进行形态经验小波分解,得到经验模态分量;
步骤5,提取经验模态分量的模糊信息熵、奇异值熵和能量谱峭度特征,得到故障特征数据集;
步骤6,使用Morris筛选法对故障特征数据集进行筛选,通过比较分散程度筛选出可分性能较好的故障特征数据,从而生成故障特征向量;
步骤7,将小波核函数和高斯核函数引入至极限学习机,构造双核极限学习机;
步骤8,对故障特征向量进行划分处理,得到双核极限学习机的训练样本和测试样本;
步骤9,采用遗传-鲸鱼优化算法对双核极限学习机的参数进行寻优求解;
步骤10,将训练样本输入至参数优化后的双核极限学习机进行监督学习,并结合故障机理分析结果得到故障分类模型;
步骤11,将测试样本输入至故障分类模型,对故障诊断精度进行验证。
优选的,步骤1中,基于核主元分析法的数据降噪方法为:
在计算时引入核函数矩阵,通过非线性变换将高维空间的内积映射为低维空间的核函数进行运算,从而降低计算复杂度,其中,核函数矩阵C如下式所示:
式中,{b1(t),b2(t),…,bn(t)}为待降噪处理的的n维阀位信号数据;t为时间,单位s;Φ(·)为映射函数;T表示矩阵转置;c(·)为核函数;
阀位信号数据在低维空间的分量如下式所示:
优选的,步骤2中,在忽略高阶惯性环节时,气动执行机构故障状态数学模型如下式所示:
y=α·x+β
式中,y为气动执行机构阀位反馈值,x为气动执行机构接收到的控制指令,二者单位均为百分比开度;α和β为气动执行机构的增益系数和零点误差,是气动执行机构故障状态的两个重要参数,其中,α∈[0,1],β∈[0,1]。
优选的,步骤6中,基于Morris筛选法的故障特征数据集筛选,其中,分散程度d 的计算公式如下式所示:
式中,j={1,2,…,m}为目标类别总数;i={1,2,…,h}为特征数据集初始维数,且m≤h;{a1(t),a2(t),…,ah(t)}为h维特征数据集;t为时间,单位s;T表示矩阵转置;r1为类内分散系数;r2为类间分散系数;k1为类内计算误差系数;k2为类间计算误差系数;pj为第j个类别的特征数据总数。
优选的,步骤9中,通过遗传-鲸鱼优化算法优化双核极限学习机参数时,首先将待优化参数输入至鲸鱼优化算法,再采用遗传算法进行迭代求解,最终通过鲸鱼优化算法的限制条件求得最优解;通过参数寻优,使得双核极限学习机能够快速、精确地建立故障分类模型。
优选的,步骤10中,基于双核极限学习机得到的故障分类模型,其中,故障分类模型决策函数如下式所示:
式中,F为燃气轮机气动执行机构故障模式;g(F)为故障分类模型决策函数;w(F)为故障分类模型期望输出;ε为故障分类模型不确定度;e为故障分类模型预测误差。
下面结合附图,列举本发明的优选实施例,对本发明作进一步的详细说明。
图1是本发明提供的一种基于特征分析处理的燃气轮机气动执行机构故障诊断方法的流程图。如图1所示,一种基于特征分析处理的燃气轮机气动执行机构故障诊断方法,其特征在于,包括以下步骤:
步骤1,按照合适的采样间隔对燃气轮机气动执行机构阀位信号进行实时采集,使用核主元分析法对阀位信号进行降噪处理;
步骤2,进行气动执行机构故障机理分析,得到阀位信号变化趋势与故障模式的对应关系;
步骤3,对降噪处理后的阀位信号进行傅里叶变换,并根据尺度空间法划分频谱;
步骤4,根据频谱划分结果对降噪处理后的阀位信号进行形态经验小波分解,得到经验模态分量;
步骤5,提取经验模态分量的模糊信息熵、奇异值熵和能量谱峭度特征,得到故障特征数据集;
步骤6,使用Morris筛选法对故障特征数据集进行筛选,通过比较分散程度筛选出可分性能较好的故障特征数据,从而生成故障特征向量;
步骤7,将小波核函数和高斯核函数引入至极限学习机,构造双核极限学习机;
步骤8,对故障特征向量进行划分处理,得到双核极限学习机的训练样本和测试样本;
步骤9,采用遗传-鲸鱼优化算法对双核极限学习机的参数进行寻优求解;
步骤10,将训练样本输入至参数优化后的双核极限学习机进行监督学习,并结合故障机理分析结果得到故障分类模型;
步骤11,将测试样本输入至故障分类模型,对故障诊断精度进行验证。
通过上述步骤,能实现基于特征分析处理的燃气轮机气动执行机构故障诊断方法,该方法以燃气轮机气动执行机构为对象,实时采集阀位信号后先进行降噪处理和故障机理分析;然后,使用傅里叶变换、经验小波变换和Morris筛选法对阀位信号进行特征提取筛选处理;最后,使用遗传优化算法与鲸鱼优化算法结合的遗传-鲸鱼优化算法得到双核极限学习机的优化参数,通过参数优化的双核极限学习机和故障机理分析结果得到故障分类模型,从而完成对燃气轮机气动执行机构的故障识别与分析。
所述步骤1中,基于核主元分析法的数据降噪方法为:
在计算时引入核函数矩阵,通过非线性变换将高维空间的内积映射为低维空间的核函数进行运算,从而降低计算复杂度,其中,核函数矩阵C如下式所示:
式中,{b1(t),b2(t),…,bn(t)}为待降噪处理的的n维阀位信号数据;t为时间,单位s;Φ(·)为映射函数;T表示矩阵转置;c(·)为核函数;
阀位信号数据在低维空间的分量如下式所示:
所述步骤2中,在忽略高阶惯性环节时,气动执行机构故障状态数学模型如下式所示:
y=α·x+β
式中,y为气动执行机构阀位反馈值,x为气动执行机构接收到的控制指令,二者单位均为百分比开度;α和β为气动执行机构的增益系数和零点误差,是气动执行机构故障状态的两个重要参数,其中,α∈[0,1],β∈[0,1]。
所述步骤6中,基于Morris筛选法的故障特征数据集筛选,其中,分散程度d的计算公式如下式所示:
式中,j={1,2,…,m}为目标类别总数;i={1,2,…,h}为特征数据集初始维数,且m≤h;{a1(t),a2(t),…,ah(t)}为h维特征数据集;t为时间,单位s;T表示矩阵转置;r1为类内分散系数;r2为类间分散系数;k1为类内计算误差系数;k2为类间计算误差系数;pj为第j个类别的特征数据总数。
所述步骤9中,通过遗传-鲸鱼优化算法优化双核极限学习机参数时,首先将待优化参数输入至鲸鱼优化算法,再采用遗传算法进行迭代求解,最终通过鲸鱼优化算法的限制条件求得最优解;通过参数寻优,使得双核极限学习机能够快速、精确地建立故障分类模型。
所述步骤10中,基于双核极限学习机得到的故障分类模型,其中,故障分类模型决策函数如下式所示:
式中,F为燃气轮机气动执行机构故障模式;g(F)为故障分类模型决策函数;w(F)为故障分类模型期望输出;ε为故障分类模型不确定度;e为故障分类模型预测误差。
图2是本发明提供的一种遗传-鲸鱼优化算法优化双核极限学习机参数的流程图。首先将待优化参数输入至鲸鱼优化算法,再采用遗传算法进行迭代求解,最终通过鲸鱼优化算法的限制条件求得最优解。通过参数寻优,使得双核极限学习机能够快速、精确地建立故障分类模型。
最后需要指出的是:以上实施例仅用以说明本发明的技术方案,而非对其限制。尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (6)
1.一种基于特征分析处理的燃气轮机气动执行机构故障诊断方法,其特征在于,包括以下步骤:
步骤1,按照合适的采样间隔对燃气轮机气动执行机构阀位信号进行实时采集,使用核主元分析法对阀位信号进行降噪处理;
步骤2,进行气动执行机构故障机理分析,得到阀位信号变化趋势与故障模式的对应关系;
步骤3,对降噪处理后的阀位信号进行傅里叶变换,并根据尺度空间法划分频谱;
步骤4,根据频谱划分结果对降噪处理后的阀位信号进行形态经验小波分解,得到经验模态分量;
步骤5,提取经验模态分量的模糊信息熵、奇异值熵和能量谱峭度特征,得到故障特征数据集;
步骤6,使用Morris筛选法对故障特征数据集进行筛选,通过比较分散程度筛选出可分性能较好的故障特征数据,从而生成故障特征向量;
步骤7,将小波核函数和高斯核函数引入至极限学习机,构造双核极限学习机;
步骤8,对故障特征向量进行划分处理,得到双核极限学习机的训练样本和测试样本;
步骤9,采用遗传-鲸鱼优化算法对双核极限学习机的参数进行寻优求解;
步骤10,将训练样本输入至参数优化后的双核极限学习机进行监督学习,并结合故障机理分析结果得到故障分类模型;
步骤11,将测试样本输入至故障分类模型,对故障诊断精度进行验证。
2.根据权利要求1所述的一种基于特征分析处理的燃气轮机气动执行机构故障诊断方法,其特征在于,步骤1中,基于核主元分析法的数据降噪方法为:
在计算时引入核函数矩阵,通过非线性变换将高维空间的内积映射为低维空间的核函数进行运算,从而降低计算复杂度,其中,核函数矩阵C如下式所示:
式中,{b1(t),b2(t),…,bn(t)}为待降噪处理的的n维阀位信号数据;t为时间,单位s;Φ(·)为映射函数;T表示矩阵转置;c(·)为核函数;
阀位信号数据在低维空间的分量如下式所示:
3.根据权利要求1所述的一种基于特征分析处理的燃气轮机气动执行机构故障诊断方法,其特征在于,步骤2中,在忽略高阶惯性环节时,气动执行机构故障状态数学模型如下式所示:
y=α·x+β
式中,y为气动执行机构阀位反馈值,x为气动执行机构接收到的控制指令,二者单位均为百分比开度;α和β为气动执行机构的增益系数和零点误差,是气动执行机构故障状态的两个重要参数,其中,α∈[0,1],β∈[0,1]。
5.根据权利要求1所述的一种基于特征分析处理的燃气轮机气动执行机构故障诊断方法,其特征在于,步骤9中,通过遗传-鲸鱼优化算法优化双核极限学习机参数时,首先将待优化参数输入至鲸鱼优化算法,再采用遗传算法进行迭代求解,最终通过鲸鱼优化算法的限制条件求得最优解;通过参数寻优,使得双核极限学习机能够快速、精确地建立故障分类模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110989420.7A CN113703422B (zh) | 2021-08-26 | 2021-08-26 | 一种基于特征分析处理的燃气轮机气动执行机构故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110989420.7A CN113703422B (zh) | 2021-08-26 | 2021-08-26 | 一种基于特征分析处理的燃气轮机气动执行机构故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113703422A true CN113703422A (zh) | 2021-11-26 |
CN113703422B CN113703422B (zh) | 2023-07-18 |
Family
ID=78655289
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110989420.7A Active CN113703422B (zh) | 2021-08-26 | 2021-08-26 | 一种基于特征分析处理的燃气轮机气动执行机构故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113703422B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023236393A1 (zh) * | 2022-06-06 | 2023-12-14 | 华电电力科学研究院有限公司 | 一种应用于燃气轮机组的故障预警方法、系统和装置 |
US11860619B2 (en) | 2022-06-06 | 2024-01-02 | Huadian Electric Power Research Institute Co., Ltd. | Fault early-warning method and system applied to gas turbine unit, and apparatus |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104330260A (zh) * | 2014-10-17 | 2015-02-04 | 哈尔滨工业大学 | 基于高调门开关试验的汽轮机顺序阀负荷突变故障诊断方法 |
CN112578312A (zh) * | 2020-12-04 | 2021-03-30 | 燕山大学 | 基于鲸鱼算法优化极限学习机的微电网故障诊断方法 |
-
2021
- 2021-08-26 CN CN202110989420.7A patent/CN113703422B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104330260A (zh) * | 2014-10-17 | 2015-02-04 | 哈尔滨工业大学 | 基于高调门开关试验的汽轮机顺序阀负荷突变故障诊断方法 |
CN112578312A (zh) * | 2020-12-04 | 2021-03-30 | 燕山大学 | 基于鲸鱼算法优化极限学习机的微电网故障诊断方法 |
Non-Patent Citations (5)
Title |
---|
"Dual-layer kernel extreme learning machine for action recognition", 《NEUROCOMPUTING》, pages 1 - 27 * |
LIU XINWANG: "Multiple kernel extreme learning machine", 《NEUROCOMPUTING》, vol. 149, pages 253 - 264 * |
ZHANG, JIE: "Non-iterative and Fast Deep Learning: Multilayer Extreme Learning Machines", 《JOURNAL OF THE FRANKLIN INSTITUTE》, pages 1 - 31 * |
崔鹏宇: "基于非线性加权双核极限学习机的轴承故障信号诊断研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》, no. 3, pages 033 - 557 * |
方俊豪: "GAPSO-KELM在滚动轴承故障诊断中的应用", 《机械》, vol. 48, no. 3, pages 9 - 16 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023236393A1 (zh) * | 2022-06-06 | 2023-12-14 | 华电电力科学研究院有限公司 | 一种应用于燃气轮机组的故障预警方法、系统和装置 |
US11860619B2 (en) | 2022-06-06 | 2024-01-02 | Huadian Electric Power Research Institute Co., Ltd. | Fault early-warning method and system applied to gas turbine unit, and apparatus |
Also Published As
Publication number | Publication date |
---|---|
CN113703422B (zh) | 2023-07-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111914883B (zh) | 一种基于深度融合网络的主轴轴承状态评估方法及装置 | |
Deng et al. | Nonlinear process fault pattern recognition using statistics kernel PCA similarity factor | |
CN111626345A (zh) | 不同轴承设备之间的多阶段深度卷积迁移学习故障诊断方法 | |
CN111580506A (zh) | 基于信息融合的工业过程故障诊断方法 | |
CN109189028A (zh) | 基于多块信息提取的pca故障诊断方法 | |
CN113703422A (zh) | 一种基于特征分析处理的燃气轮机气动执行机构故障诊断方法 | |
CN112904810B (zh) | 基于有效特征选择的流程工业非线性过程监测方法 | |
CN109298633A (zh) | 基于自适应分块非负矩阵分解的化工生产过程故障监测方法 | |
CN113537328A (zh) | 一种基于深度学习的旋转机械故障诊断方法和装置 | |
CN111340110A (zh) | 一种基于工业过程运行状态趋势分析的故障预警方法 | |
CN117458955A (zh) | 电机的运行控制方法及系统 | |
CN111324110A (zh) | 一种基于多块收缩自动编码器的发酵过程故障监测方法 | |
CN117473411A (zh) | 基于改进Transformer模型的轴承寿命预测方法 | |
CN111639304A (zh) | 基于Xgboost回归模型的CSTR故障定位方法 | |
CN110751217A (zh) | 基于主元分析的设备能耗占比预警分析方法 | |
CN108491878B (zh) | 一种基于多个误差生成模型的故障分类诊断方法 | |
CN104503436A (zh) | 一种基于随机投影和k近邻的快速故障检测方法 | |
CN114357870A (zh) | 基于局部加权偏最小二乘的计量设备运行性能预测分析方法 | |
CN103995985B (zh) | 基于Daubechies小波变换和弹性网的故障检测方法 | |
CN109522657B (zh) | 一种基于相关性网络和svdd的燃气轮机异常检测方法 | |
CN113076211B (zh) | 一种基于故障重构的质量相关故障诊断及误报警反馈方法 | |
CN114185321B (zh) | 改进多分类孪生支持向量机的电动执行器故障诊断方法 | |
Xu et al. | A graph convolutional shrinkage network-based fault diagnosis method for industrial process | |
Zhi-hong et al. | Sensor fault diagnosis based on wavelet analysis and LSTM neural network | |
CN113657556A (zh) | 基于多元统计分析的燃气轮机进口导叶系统故障诊断方法 |
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 |