CN113757093B - 一种闪蒸汽压缩机组故障诊断方法 - Google Patents

一种闪蒸汽压缩机组故障诊断方法 Download PDF

Info

Publication number
CN113757093B
CN113757093B CN202111200017.8A CN202111200017A CN113757093B CN 113757093 B CN113757093 B CN 113757093B CN 202111200017 A CN202111200017 A CN 202111200017A CN 113757093 B CN113757093 B CN 113757093B
Authority
CN
China
Prior art keywords
data
analysis
fault
compressor unit
jump
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
CN202111200017.8A
Other languages
English (en)
Other versions
CN113757093A (zh
Inventor
尤学刚
邓欣
张秀林
王鑫章
彭程
孙恪成
王京博
唐星
朱映默
王利平
杨波
崔泽昊
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.)
China National Offshore Oil Corp CNOOC
CNOOC Energy Technology and Services Ltd
CNOOC China Ltd Hainan Branch
Oil Production Services Branch of CNOOC Energy Technology and Services Ltd
Original Assignee
China National Offshore Oil Corp CNOOC
CNOOC Energy Technology and Services Ltd
CNOOC China Ltd Hainan Branch
Oil Production Services Branch of CNOOC Energy Technology and Services Ltd
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 China National Offshore Oil Corp CNOOC, CNOOC Energy Technology and Services Ltd, CNOOC China Ltd Hainan Branch, Oil Production Services Branch of CNOOC Energy Technology and Services Ltd filed Critical China National Offshore Oil Corp CNOOC
Priority to CN202111200017.8A priority Critical patent/CN113757093B/zh
Publication of CN113757093A publication Critical patent/CN113757093A/zh
Application granted granted Critical
Publication of CN113757093B publication Critical patent/CN113757093B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
    • F04B—POSITIVE-DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS
    • F04B51/00—Testing machines, pumps, or pumping installations

Abstract

本发明提供了一种闪蒸汽压缩机组故障诊断方法，涉及闪蒸汽压缩机组领域，将监测数据拟合得到的各项监测数据的关系规律进行趋势分析以及跳变分析；再进行相关性分析，对故障进行初步分析排除，完成故障初筛；进行对比分析，进一步完成机组故障的筛选；确定或预判机组的故障及其位置；本发明通过对实时监测的闪蒸汽压缩机组数据进行处理挖掘，迅速准确的确定闪蒸汽压缩机组的故障位置或未来的设备运行趋势，及时预警维护，防止压缩机组损坏停机造成经济损失；此种压缩机组故障诊断方法能够联系各类型以及各位置处的传感器，通过对所有监测数据的系统分析，实现准确高效判断压缩机组整理流程中的故障点及故障类型。

Description

一种闪蒸汽压缩机组故障诊断方法
技术领域
本发明涉及海洋平台设备领域，尤其涉及一种闪蒸汽压缩机组故障诊断方法。
背景技术
随着海洋石油天然气资源开采处理的不断发展，闪蒸汽压缩机组作为天然气处理的重要设备，其安全性也得到了人们的广泛关注；由于闪蒸汽压缩机组结构复杂、部件多样，对其故障诊断有着较高难度。
目前，已有针对蒸汽压缩机组及其他类型压缩机组的故障诊断方法，对压缩机组进行单一数据类型的实时监测，并对数据进行简单处理，得到压缩机组监测位置处的故障类型；但是，发明人研究发现目前已有的压缩机组监测处理方法仅可对传感器布点位置及附近位置进行故障判断，无法完成压缩机组整个处理流程中的各种故障诊断，导致故障时压缩机组的故障点难以确定，且更难以对压缩机组未来可能出现的故障进行预警。
发明内容
本发明所要解决的技术问题是克服现有技术中存在的不足，提供一种闪蒸汽压缩机组故障诊断方法，其不仅能够准确高效判断压缩机组整理流程中的故障点及故障类型，而且能够预判设备未来的运行趋势，及时预警维护机组，防止压缩机组损坏停机造成经济损失。
本发明是通过以下技术方案予以实现：一种闪蒸汽压缩机组故障诊断方法，包括以下步骤:
步骤1、获取传感器的实时监测数据；并基于稳定正常的历史数据建立数据对比模板；
步骤2、计算温压比数据和压缩比数据；
步骤3、将传感器的实时监测数据、温压比数据和压缩比数据分别进行数据拟合；
步骤4、将数据拟合得到的各项数据的关系规律进行趋势分析以及跳变分析；
步骤5、对拟合得到的各项数据关系规律进行趋势分析以及跳变分析得到的结果进行相关性分析，对故障进行初步分析排除，完成故障的初筛；
步骤6、对各项监测数据、趋势分析、跳变分析以及相关性分析的结果进行对比分析，进一步完成机组故障的筛选；
步骤7、确定或预判机组的故障及其位置。
根据上述技术方案，优选的，步骤1中传感器的实时监测数据包括温度数据、压力数据、振动数据以及液位数据。
根据上述技术方案，优选的，步骤2中温压比数据是通过同一监测位置的温度数据和压力数据计算得到，而压缩比数据是通过闪蒸气压缩机的入口压力数据和出口压力数据计算得到。
根据上述技术方案，优选的，步骤3采用最小二乘法对监测得到的数据进行数据拟合，明确监测数据之间的关系规律，而最小二乘法算法公式如下：
Figure SMS_1
式中：
Figure SMS_2
为时间点，/>
Figure SMS_3
为/>
Figure SMS_4
时刻各个传感器数据值，数据点/>
Figure SMS_5
，/>
Figure SMS_6
为最小二乘法拟合系数，/>
Figure SMS_7
为拟合函数的多项式阶数。
根据上述技术方案，优选的，步骤4包括以下分步骤：
步骤4.1、基于步骤3的数据拟合进行趋势分析，并确定异常趋势数据；
步骤4.2、基于步骤3的数据拟合进行跳变分析，确定异常跳变数据；
步骤4.3、整合趋势分析和跳变分析得到所有可能得到的故障点。
根据上述技术方案，优选的，步骤4.1依次包括趋势提取和异常趋势判断，进而确定异常趋势数据。
根据上述技术方案，优选的，步骤4.2采用跳变检测算法：
Figure SMS_8
式中：
Figure SMS_9
为一定时间宽度内全部监测数据；/>
Figure SMS_10
表示取中位数；/>
Figure SMS_11
为时间宽度内数据的标准差，/>
Figure SMS_12
为其最小值；
根据监测数据和数据对比模板分别计算得到的
Figure SMS_13
，数据对比模板的/>
Figure SMS_14
可首先确定数据对比模板的历史检测数据的窗口序列，并计算窗口序列的平均值，依据该平均值计算
Figure SMS_15
；并对监测数据和平均值计算的/>
Figure SMS_16
进行对比，进而判断监测数据是否发生跳变。
根据上述技术方案，优选的，步骤5包括以下分步骤：
步骤5.1、趋势分析的相关性分析，实现故障的初步筛选；
步骤5.2、跳变分析结果的相关性分析，进一步筛选故障。
根据上述技术方案，优选的，步骤5.2的跳变分析结果的相关性分析基于在线检测算法，在线检测算法主要是利用基于皮尔逊相关系数的测点聚类算法结果建立线性模型，
而皮尔逊相关系数计算公式如下：
Figure SMS_17
式中：X，Y表示两组用于对比的监测数据值，i表示传感数据的样本数量。
根据上述技术方案，优选的，步骤6的对比分析主要通过计算数据之间的累计距离矩阵表示，累计距离则通过欧氏距离进行表达，欧式距离采用动态时间规整算法。
本发明的有益效果是：
（1）通过对实时监测的闪蒸汽压缩机组数据进行处理挖掘，迅速准确的确定闪蒸汽压缩机组的故障位置或未来的设备运行趋势，及时预警维护机组，防止压缩机组损坏停机造成经济损失；
（2）相比于目前已有的压缩机组故障诊断方法来说，此种压缩机组故障诊断方法能够联系各类型以及各位置处的传感器，通过对所有监测数据的系统分析，来准确高效判断压缩机组整理流程中的故障点及故障类型。
附图说明
图1示出了根据本发明的实施例的流程示意图；
图2示出了根据本发明的实施例中趋势分析的流程示意图；
图3示出了根据本发明的实施例中跳变分析的流程示意图；
图4示出了根据本发明的实施例中相关性分析的流程示意图；
具体实施方式
下面将结合附图对发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是发明一部分实施例，而不是全部的实施例。基于发明中的实施例，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，都属于发明保护的范围。
如图所示，本发明提供了一种闪蒸汽压缩机组故障诊断方法,包括以下步骤:
步骤1、获取温度数据（T）、压力数据（P）、振动数据（V）以及液位数据（L）等传感器实时监测数据；其中，在压缩机组正常运行情况下得到一组稳定正常的历史数据，并以此建立数据对比模板，用于进行后续的压缩机故障诊断分析；
步骤2、将同一监测位置的温度数据、压力数据转化为温压比数据，同时将闪蒸气压缩机的入口压力数据和出口压力数据转化为闪蒸气压缩机的压缩比数据，具体包括以下分步骤；
步骤2.1、将同一监测位置的温度数据、压力数据作为输入，通过温压比求解公式求出温压比数据（G）作为输出，用于后续步骤的使用；温压比求解公式如下：
Figure SMS_18
其中，
Figure SMS_19
为机组内某一位置的温度数据，/>
Figure SMS_20
为机组内某一位置的压力数据；
步骤2.2、将闪蒸气压缩机的入口压力数据和出口压力数据作为输入，通过压缩比求解公式求出压缩比数据（U）作为输出，用于后续步骤的使用，压缩比求解公式如下：
Figure SMS_21
其中，
Figure SMS_22
为闪蒸气压缩机的入口压力数据，/>
Figure SMS_23
为闪蒸气压缩机的出口压力数据。
步骤3、将温度数据、压力数据、振动数据、液位数据以及步骤2求解得到的温压比数据（G）、压缩比数据（U）进行数据拟合；通过最小二乘法对监测得到的数据进行数据拟合，明确上述数据之间的关系规律，以便于闪蒸气压缩机的故障诊断，而最小二乘法算法公式如下：
Figure SMS_24
其中
Figure SMS_25
为时间点，/>
Figure SMS_26
为/>
Figure SMS_27
时刻各个传感器数据值，整体可记作数据点/>
Figure SMS_28
，/>
Figure SMS_29
为最小二乘法拟合系数，/>
Figure SMS_30
为拟合函数的多项式阶数。
步骤4、将拟合得到的各项数据的关系规律进行趋势分析以及跳变分析，包括以下分步骤：
步骤4.1、趋势分析：通过步骤3得到的各项监测数据与时间的拟合函数作为输入，即
Figure SMS_31
，再依据拟合函数依次进行趋势提取和异常趋势判断，趋势提取即为对一段时间内数据的整体趋势变化走向；异常趋势判断则为通过趋势提取得到的此段时间内数据的整体趋势变化走向数据与稳定正常的数据对比模板的趋势走向进行对比，进而得到异常趋势反映出的所有可能存在的故障点、相关数据以及提取到的趋势作为输出结果。
步骤4.2、跳变分析：通过步骤3得到的各项监测数据与时间的拟合函数作为跳变分析的输入，即
Figure SMS_32
，对因传感器自身原因以及外界因素干扰产生的数据跳变现象进行判断，判断异常跳变数据；将异常跳变数据反映的可能故障以及相关数据作为输出结果，跳变检测算法公式如下：
Figure SMS_33
式中：
Figure SMS_34
为一定时间宽度内全部监测数据；/>
Figure SMS_35
表示取中位数；/>
Figure SMS_36
为时间宽度内数据的标准差，/>
Figure SMS_37
为其最小值；
根据监测数据和数据对比模板分别计算得到的
Figure SMS_38
，数据对比模板的/>
Figure SMS_39
可首先确定数据对比模板的历史检测数据的窗口序列，并计算窗口序列的平均值，依据该平均值计算
Figure SMS_40
；并对监测数据和平均值计算的/>
Figure SMS_41
进行对比，进而判断监测数据是否发生跳变；
通过最终跳变分析，确定可能造成数据跳变的故障点；
步骤4.3、整合趋势分析和跳变分析得到所有可能得到的故障点，以供后续分析时使用。
步骤5、对拟合得到的各项数据关系规律进行趋势分析以及跳变分析得到的结果进行相关性分析，对误判的故障进行分析排除，主要包括以下分步骤：
步骤5.1、趋势分析的相关性分析：将趋势分析中提取的一定时间内的整体变化趋势作为输入，即此段时间宽度内的监测数据点
Figure SMS_42
，通过组内曲线拟合算法对其进行曲线拟合以及相关性分析；为了计算多组传感数据间的复合相关系数，需要对测点数据建立线性模型，计算该线性模型与第i组传感数据/>
Figure SMS_43
之间的相关系数，作为/>
Figure SMS_44
与/>
Figure SMS_45
之间的复合相关系数；利用最小二乘法对多组传感数据进行多元线性回归，建立传感数据之间的线性模型，而多元线性模型可以表示为：
Figure SMS_46
其中
Figure SMS_47
是变量/>
Figure SMS_48
的相关性系数，c为常数；
通过上述方法进行趋势分析的相关性分析，得到数据间的相关性大小，进而对步骤4.3中误判的故障点进行初步排除；
步骤5.2、跳变分析结果的相关性分析：同样将各项监测数据以及跳变分析的结果作为输入，基于在线检测算法对数据的突变涉及到的相关数据进行相关性分析，在线检测算法主要是利用基于皮尔逊相关系数的测点聚类算法结果建立线性模型，对于线性模型，令
Figure SMS_49
其中，h表示组内包含的传感数目，
Figure SMS_50
表示组内h个数据，其中/>
Figure SMS_51
是变量/>
Figure SMS_52
的系数，r为常数；
通过基于皮尔逊相关系数的测点聚类算法、对各项数据的线性相关程度进行分析，对异常跳变导致误判的故障进行排除，并得到相关数据，用于后续的分析，而皮尔逊相关系数计算公式如下：
Figure SMS_53
其中，X，Y表示两组用于对比的监测数据值，i表示传感数据的样本数量；
通过上述方法进行跳变分析的相关性分析，得到数据间的相关性大小，进而对步骤5.1中剩余的误判故障点进一步排除。
步骤6、对各项监测数据、趋势分析、跳变分析以及相关性分析的结果进行对比分析，进一步完成机组可能存在故障的筛选；而对比分析主要通过计算数据之间的累计距离矩阵表示，累计距离则通过欧氏距离进行表达，动态时间规整算法则为计算欧式距离常用的一种算法。
动态时间规整（Dynamic Time Warping，DTW）是为了解决数据难以对齐时，求解最优匹配路径和对齐方式的一种常用方法；设两个已知长度分别为m和n时间序列的用于对比的监测数据组：
Figure SMS_54
和/>
Figure SMS_55
，两者的DTW距离记为/>
Figure SMS_56
，其计算方法如下：
（1）计算初始距离矩阵：计算传感数据序列m和n各点之间的欧氏距离，获得一个m×n阶欧氏距离矩阵，
Figure SMS_57
表示序列m的第i个点与序列n的第j个点之间的欧氏距离；
（2）计算累计距离矩阵：设累计距离矩阵为Mc，累计距离矩阵计算公式为：
Figure SMS_58
累计矩阵其余部分计算方法如下式所示
Figure SMS_59
式中，
Figure SMS_60
，/>
Figure SMS_61
，/>
Figure SMS_62
；
对比分析具体包括以下分步骤：
步骤6.1、趋势分析结果的对比分析：以步骤4中趋势分析得到的可能故障点以及各项监测数据为输入，将相关数据进行对比分析，通过对比分析的结果对可能存在的故障进行排除；
步骤6.2、跳变分析结果的对比分析：将步骤4跳变分析异常跳变以及其他监测数据作为输入，通过对异常跳变产生影响的相关联监测数据进行对比分析，进而对异常跳变反映的可能故障进行排除；
步骤6.3、相关性分析结果的对比分析：以步骤5的结果和各项监测数据为输入，通过不同时间段、不同位置以及不同类型监测数据的对比分析，对可能存在的故障进行排除。
步骤7、确定最终可能存在的故障及其位置。
本实施例的有益效果是：
（1）通过对实时监测的闪蒸汽压缩机组数据进行处理挖掘，迅速准确的确定闪蒸汽压缩机组的故障位置或未来的设备运行趋势，及时预警维护，防止压缩机组损坏停机造成经济损失；
（2）相比于目前已有的压缩机组故障诊断方法来说，此种压缩机组故障诊断方法能够联系各类型以及各位置处的传感器，通过对所有数据的系统分析，来准确高效判断压缩机组整理流程中的故障点及故障类型。
在发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
在发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在发明中的具体含义。
最后应说明的是：以上各实施例仅用以说明发明的技术方案，而非对其限制；尽管参照前述各实施例对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，或者对其中部分或者全部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发明各实施例技术方案的范围。

Claims (10)

1.一种闪蒸汽压缩机组故障诊断方法，其特征在于，包括以下步骤:
步骤1、获取传感器的实时监测数据；并基于稳定正常的历史数据建立数据对比模板；
步骤2、计算温压比数据和压缩比数据；
步骤3、将传感器的实时监测数据、温压比数据和压缩比数据分别进行数据拟合；
步骤4、将数据拟合得到的各项数据的关系规律进行趋势分析以及跳变分析；
步骤5、对拟合得到的各项数据关系规律进行趋势分析以及跳变分析得到的结果进行相关性分析，对故障进行初步分析排除，完成故障的初筛；
步骤6、对各项监测数据、趋势分析、跳变分析以及相关性分析的结果进行对比分析，进一步完成机组故障的筛选；
步骤7、确定或预判机组的故障及其位置。
2.根据权利要求1所述的一种闪蒸汽压缩机组故障诊断方法，其特征在于，步骤1中传感器的实时监测数据包括温度数据、压力数据、振动数据以及液位数据。
3.根据权利要求1所述的一种闪蒸汽压缩机组故障诊断方法，其特征在于，步骤2中温压比数据是通过同一监测位置的温度数据和压力数据计算得到，而压缩比数据是通过闪蒸气压缩机的入口压力数据和出口压力数据计算得到。
4.根据权利要求1所述的一种闪蒸汽压缩机组故障诊断方法，其特征在于，步骤3采用最小二乘法对监测得到的数据进行数据拟合，明确监测数据之间的关系规律，而最小二乘法算法公式如下：
Figure QLYQS_1
式中：/>
Figure QLYQS_2
为时间点，/>
Figure QLYQS_3
为/>
Figure QLYQS_4
时刻各个传感器数据值，数据点/>
Figure QLYQS_5
，/>
Figure QLYQS_6
为最小二乘法拟合系数，/>
Figure QLYQS_7
为拟合函数的多项式阶数。
5.根据权利要求1所述的一种闪蒸汽压缩机组故障诊断方法，其特征在于，步骤4包括以下分步骤：
步骤4.1、基于步骤3的数据拟合进行趋势分析，并确定异常趋势数据；
步骤4.2、基于步骤3的数据拟合进行跳变分析，确定异常跳变数据；
步骤4.3、整合趋势分析和跳变分析得到所有可能得到的故障点。
6.根据权利要求5所述的一种闪蒸汽压缩机组故障诊断方法，其特征在于，步骤4.1依次包括趋势提取和异常趋势判断，进而确定异常趋势数据。
7.根据权利要求6所述的一种闪蒸汽压缩机组故障诊断方法，其特征在于，步骤4.2采用跳变检测算法：
Figure QLYQS_8
式中：/>
Figure QLYQS_9
为一定时间宽度内全部监测数据；
Figure QLYQS_10
表示取中位数；/>
Figure QLYQS_11
为时间宽度内数据的标准差，/>
Figure QLYQS_12
为其最小值；
根据监测数据和数据对比模板分别计算得到的
Figure QLYQS_13
，数据对比模板的/>
Figure QLYQS_14
可首先确定数据对比模板的历史检测数据的窗口序列，并计算窗口序列的平均值，依据该平均值计算/>
Figure QLYQS_15
；并对监测数据和平均值计算的/>
Figure QLYQS_16
进行对比，进而判断监测数据是否发生跳变。
8.根据权利要求1所述的一种闪蒸汽压缩机组故障诊断方法，其特征在于，步骤5包括以下分步骤：
步骤5.1、趋势分析的相关性分析，实现故障的初步筛选；
步骤5.2、跳变分析结果的相关性分析，进一步筛选故障。
9.根据权利要求8所述的一种闪蒸汽压缩机组故障诊断方法，其特征在于，步骤5.2的跳变分析结果的相关性分析基于在线检测算法，在线检测算法主要是利用基于皮尔逊相关系数的测点聚类算法结果建立线性模型，
而皮尔逊相关系数计算公式如下：
Figure QLYQS_17
式中：X，Y表示两组用于对比的监测数据值，i表示传感数据的样本数量。
10.根据权利要求1所述的一种闪蒸汽压缩机组故障诊断方法，其特征在于，步骤6的对比分析主要通过计算数据之间的累计距离矩阵表示，累计距离则通过欧氏距离进行表达，欧式距离采用动态时间规整算法。
CN202111200017.8A 2021-10-14 2021-10-14 一种闪蒸汽压缩机组故障诊断方法 Active CN113757093B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111200017.8A CN113757093B (zh) 2021-10-14 2021-10-14 一种闪蒸汽压缩机组故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111200017.8A CN113757093B (zh) 2021-10-14 2021-10-14 一种闪蒸汽压缩机组故障诊断方法

Publications (2)

Publication Number Publication Date
CN113757093A CN113757093A (zh) 2021-12-07
CN113757093B true CN113757093B (zh) 2023-06-16

Family

ID=78799525

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111200017.8A Active CN113757093B (zh) 2021-10-14 2021-10-14 一种闪蒸汽压缩机组故障诊断方法

Country Status (1)

Country Link
CN (1) CN113757093B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114166988B (zh) * 2022-02-09 2022-04-19 华谱科仪(北京)科技有限公司 一种色谱仪集群故障检测方法及装置
CN114968647A (zh) * 2022-08-02 2022-08-30 中海油能源发展股份有限公司采油服务分公司 基于闪蒸汽压缩机组故障诊断的监测数据深度挖掘方法
CN116163943B (zh) * 2023-03-27 2023-09-08 蚌埠市联合压缩机制造有限公司 一种运行状态实时监测的压缩机

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101446283B (zh) * 2008-12-17 2010-08-11 西安交通大学 一种基于进化计算诊断压缩机故障的方法
CN102182671B (zh) * 2011-05-26 2013-09-18 徐州工程学院 一种气体压缩机的状态分析监测方法
CN103147972B (zh) * 2013-03-19 2015-08-05 北京化工大学 一种基于多传感器信息融合的往复式压缩机故障诊断方法
CN103603794B (zh) * 2013-11-19 2016-03-02 中国石油天然气集团公司 一种储气库注采压缩机组自适应故障诊断方法及设备
CN109696628B (zh) * 2018-12-04 2022-09-30 奥克斯空调股份有限公司 用于空调压缩机的故障检测工装及故障检测方法
CN109779894B (zh) * 2018-12-29 2020-01-10 西安交通大学 一种基于神经网络算法的往复式压缩机故障诊断系统及方法

Also Published As

Publication number Publication date
CN113757093A (zh) 2021-12-07

Similar Documents

Publication Publication Date Title
CN113757093B (zh) 一种闪蒸汽压缩机组故障诊断方法
CN109186813B (zh) 一种温度传感器自检装置及方法
CN104573850B (zh) 一种火电厂设备状态评估方法
CN110738274A (zh) 一种基于数据驱动的核动力装置故障诊断方法
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
EP2458178B2 (en) Turbine performance diagnositic system and methods
CN109446189A (zh) 一种工业参数离群点检测系统及方法
CN112799898B (zh) 基于分布式故障检测的互联系统故障节点定位方法及系统
JP5164954B2 (ja) 機器診断方法及び機器診断装置
CN113532598B (zh) 智能水表在线故障检测调节系统
WO2016208315A1 (ja) プラント診断装置及びプラント診断方法
CN109710983A (zh) 一种基于关键性能指标的柴油机气缸分层故障诊断方法
CN105930629A (zh) 一种基于海量运行数据的在线故障诊断方法
CN111664083A (zh) 一种基于贝叶斯网络的核电主泵故障诊断方法
CN111504647A (zh) 基于ar-mset的滚动轴承的性能退化评估方法
CN113177646A (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
JP2012018623A (ja) 異常データ分析システム
CN113742932A (zh) 一种用于风电机组齿轮箱故障预测诊断的方法
CN112711850A (zh) 一种基于大数据的机组在线监测方法
CN111931827A (zh) 基于多传感器信息融合的液压泵健康状况检测系统
CN115614292A (zh) 一种立式水泵机组振动监测装置及其方法
CN103207567A (zh) 一种低误报率的改进主元分析过程监测方法及其监测系统
CN117371337B (zh) 一种基于数字孪生的水利模型构建方法及系统
CN112288126B (zh) 一种采样数据异常变化在线监测与诊断方法
CN113836813A (zh) 一种基于数据分析的高炉风口漏水检测方法

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