CN113778044A - 一种火电厂送风机系统监控方法及装置 - Google Patents
一种火电厂送风机系统监控方法及装置 Download PDFInfo
- Publication number
- CN113778044A CN113778044A CN202010518523.0A CN202010518523A CN113778044A CN 113778044 A CN113778044 A CN 113778044A CN 202010518523 A CN202010518523 A CN 202010518523A CN 113778044 A CN113778044 A CN 113778044A
- Authority
- CN
- China
- Prior art keywords
- blower system
- data
- power plant
- thermal power
- real
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000012544 monitoring process Methods 0.000 title claims abstract description 25
- 238000011156 evaluation Methods 0.000 claims abstract description 69
- 238000012549 training Methods 0.000 claims abstract description 54
- 238000003062 neural network model Methods 0.000 claims abstract description 22
- 230000009467 reduction Effects 0.000 claims description 15
- 238000000513 principal component analysis Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 11
- 238000012806 monitoring device Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 230000006870 function Effects 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000001422 normality test Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本文公开了一种火电厂送风机系统监控方法及装置，所述方法包括：确定用于评价火电厂送风机系统性能的多个评价参数以及影响系统性能的多个影响因子；根据影响因子和评价参数建立神经网络模型；从历史数据中提取正常工况下的运行数据生成训练样本数据；将训练样本数据作为神经网络模型的输入和输出进行模型训练；从实时运行数据中提取影响因子对应的第一实时数据和评价参数对应的第二实时数据，将第一实时数据输入训练好的神经网络模型进行运算得到评价参数预测值；将第二实时数据与所述评价参数预测值进行比较，根据比较结果确定火电厂送风机系统的运行状况。本文的技术方案能实现对火电厂送风机系统运行状况的实时监控，实现故障早期预警。
Description
技术领域
本发明涉及工业控制技术领域，尤其涉及的是一种火电厂送风机系统监控方法及装置。
背景技术
目前，传统的火电厂送风机系统故障诊断方法大多采用阈值报警方法，当监测参数实时值超出设定阈值后才会激发报警，这种报警方式虽然可以向运行人员提供一些判断信息，但是其存在一些问题：首先阈值范围难以设定，由于不同运行工况下参数变化范围不同，阈值设得过高系统设备可能在发生异常或故障的情况下不能及时报警，对工作人员和设备的安全将构成极大的威胁；阈值设得过低系统报警会过于频繁，增加了操作员的工作压力；其次，当阈值报警触发后，系统可能早已处于异常状态，无法对系统异常进行提早判断和处理；再者，阈值报警只针对单参数进行监控，缺乏对系统整体性能的分析和评估能力。
发明内容
本文提供一种火电厂送风机系统监控方法及装置，能够实现对火电厂送风机系统运行状况的实时监控，实现故障早期预警。
根据本申请的第一方面，本发明实施例提供一种火电厂送风机系统监控方法，包括：
确定用于评价火电厂送风机系统性能的多个评价参数以及影响所述送风机系统性能的多个影响因子；根据所述影响因子和评价参数建立用于评估所述送风机系统性能的神经网络模型；
从所述送风机系统运行的历史数据中提取正常工况下的运行数据，由提取出的运行数据生成训练样本数据；将所述训练样本数据作为所述神经网络模型的输入和输出进行模型训练；其中，所述训练样本数据包括输入训练数据和输出训练数据，所述输入训练数据是所述影响因子对应的历史数据，所述输出训练数据是所述评价参数对应的历史数据；
从所述火电厂送风机系统的实时运行数据中提取所述影响因子对应的第一实时数据和所述评价参数对应的第二实时数据，将所述第一实时数据输入所述训练好的神经网络模型进行运算得到评价参数预测值；
将所述第二实时数据与所述评价参数预测值进行比较，根据比较结果确定所述火电厂送风机系统的运行状况。
根据本申请的第二方面，本发明实施例提供一种火电厂送风机系统监控装置，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的火电厂送风机系统监控程序，所述火电厂送风机系统监控程序被所述处理器执行时实现上述火电厂送风机系统监控方法的步骤。
根据本申请的第三方面，本发明实施例提供一种计算机可读存储介质，所述计算机可读存储介质上存储有火电厂送风机系统监控程序，所述火电厂送风机系统监控程序被处理器执行时实现上述火电厂送风机系统监控方法的步骤。
与相关技术相比，本发明实施例提供的一种火电厂送风机系统监控方法及装置，确定用于评价火电厂送风机系统性能的多个评价参数以及影响所述送风机系统性能的多个影响因子；根据所述影响因子和评价参数建立用于评估所述送风机系统性能的神经网络模型；从所述送风机系统运行的历史数据中提取正常工况下的运行数据，由提取出的运行数据生成训练样本数据；将所述训练样本数据作为所述神经网络模型的输入和输出进行模型训练；其中，所述训练样本数据包括输入训练数据和输出训练数据，所述输入训练数据是所述影响因子对应的历史数据，所述输出训练数据是所述评价参数对应的历史数据；从所述火电厂送风机系统的实时运行数据中提取所述影响因子对应的第一实时数据和所述评价参数对应的第二实时数据，将所述第一实时数据输入所述训练好的神经网络模型进行运算得到评价参数预测值；将所述第二实时数据与所述评价参数预测值进行比较，根据比较结果确定所述火电厂送风机系统的运行状况。本发明实施例的技术方案能够实现对火电厂送风机系统运行状况的实时监控，实现故障早期预警。
附图说明
图1为本发明实施例1的一种火电厂送风机系统监控方法的流程图；
图2为本发明实施例2的一种火电厂送风机系统监控装置的示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，下文中将结合附图对本发明的实施例进行详细说明。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互任意组合。
在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行。并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
实施例1
如图1所示，本发明实施例提供了一种火电厂送风机系统监控方法，包括：
步骤S110，确定用于评价火电厂送风机系统性能的多个评价参数以及影响所述送风机系统性能的多个影响因子；根据所述影响因子和评价参数建立用于评估所述送风机系统性能的神经网络模型；
步骤S120，从所述送风机系统运行的历史数据中提取正常工况下的运行数据，由提取出的运行数据生成训练样本数据；将所述训练样本数据作为所述神经网络模型的输入和输出进行模型训练；其中，所述训练样本数据包括输入训练数据和输出训练数据，所述输入训练数据是所述影响因子对应的历史数据，所述输出训练数据是所述评价参数对应的历史数据；
步骤S130，从所述火电厂送风机系统的实时运行数据中提取所述影响因子对应的第一实时数据和所述评价参数对应的第二实时数据，将所述第一实时数据输入所述训练好的神经网络模型进行运算得到评价参数预测值；
步骤S140，将所述第二实时数据与所述评价参数预测值进行比较，根据比较结果确定所述火电厂送风机系统的运行状况；
在一种示例性的实施方式中，所述确定用于评价火电厂送风机系统性能的多个评价参数以及影响所述送风机系统性能的多个影响因子，包括：
确定用于评价火电厂送风机系统性能的n个候选评价参数以及影响所述送风机系统性能的m个候选影响因子；
对n个候选评价参数进行PCA(Principal Component Analysis，主成分分析)降维处理，得到降维后的a个评价参数；a小于n；
对m个候选影响因子进行PCA降维处理，得到降维后的b个影响因子；b小于m；
在一种示例性的实施方式中，所述评价参数包括以下至少一种：送风机电流、送风机出口压力、送风机出口二次风量、送风机轴承温度和送风机出口温度；
在一种示例性的实施方式中，所述影响因子包括以下至少一种：送风机入口压力、送风机动叶阀位反馈、送风机入口温度和送风机油路温度；
在送风机系统运行过程中，其影响因素很多，其中不可避免的包含一些冗余量，大量的历史数据不仅会增加神经网络模型训练负担，也可能对模型精度产生影响，因此本发明实施例采用主成分分析(PCA)降维方法对数据进行降维处理，选择有代表的典型类型数据作为神经网络模型的输入/输出变量。
在一种示例性的实施方式中，所述由提取出的运行数据生成训练样本数据后，所述方法还包括：
对所述训练样本数据进行数据预处理；
其中，所述数据预处理包括以下至少一种：缺失值填补，离群点剔除；
其中，缺失值填补可以采用三次样条插值的方式进行填补；
离群点剔除可以采用正态性检验分析方法进行离群点检测，然后对离群点进行线性回归处理，即通过正常数据拟合的近似函数对数据偏离总体较严重的样本进行替换；
将所述训练样本数据作为所述神经网络模型的输入和输出进行模型训练，可以根据其系统输入/输出变量个数以及系统复杂度，调整深度神经网络模型的隐藏层层数、节点数、权重、学习率、激活函数等并进行反复训练。
在一种示例性的实施方式中，将所述第二实时数据与所述评价参数预测值进行比较，根据比较结果确定所述火电厂送风机系统的运行状况，包括：
计算所述第二实时数据与所述评价参数预测值的相似度；
根据所述相似度确定所述火电厂送风机系统的运行状况：当所述相似度大于或等于第一阈值时，确定所述火电厂送风机系统的运行状况良好；当所述相似度大于或等于第二阈值且小于所述第一阈值时，确定所述火电厂送风机系统的运行状况一般；当所述相似度小于所述第二阈值时，确定所述火电厂送风机系统的运行状况异常；其中，所述第一阈值大于所述第二阈值；
在一种示例性的实施方式中，所述计算所述第二实时数据与所述评价参数预测值的相似度，包括：
计算所述第二实时数据与所述评价参数预测值的马氏距离，采用所述马氏距离衡量所述第二实时数据与所述评价参数预测值的相似度。
在其他的实施方式中，也可以采用其他的算法计算所述第二实时数据与所述评价参数预测值的相似度，比如，计算所述第二实时数据与所述评价参数预测值的欧式距离，采用所述欧式距离衡量所述第二实时数据与所述评价参数预测值的相似度。
上述实施方式中，在发电厂的DCS(Distributed Control System，分散控制系统)上部署高效的大型实时历史数据库和送风机系统监控服务器，为实现可视化火电厂送风机系统状态监测、预警、故障诊断提供硬件平台。在送风机系统监控服务器上安装送风机系统监控软件，实现监控软件与历史数据库的数据交互，历史数据的抽取、降维处理、预处理、深度神经网络预测模型训练。利用训练完成的深度神经网络预测模型进行在线预测，实现送风机系统状态监测、预警、故障诊断应用场景。上述实施方式通过分析模型输出与送风机系统的实际输出之间的相似度，实现其健康度评价，能够及时发现送风机系统的异常状况，保证送风机系统的安全性。
实施例2
如图2所示，本发明实施例提供了一种火电厂送风机系统监控装置，包括：
模型建立模块10，用于确定用于评价火电厂送风机系统性能的多个评价参数以及影响所述送风机系统性能的多个影响因子；根据所述影响因子和评价参数建立用于评估所述送风机系统性能的神经网络模型；
模型训练模块20，用于从所述送风机系统运行的历史数据中提取正常工况下的运行数据，由提取出的运行数据生成训练样本数据；将所述训练样本数据作为所述神经网络模型的输入和输出进行模型训练；其中，所述训练样本数据包括输入训练数据和输出训练数据，所述输入训练数据是所述影响因子对应的历史数据，所述输出训练数据是所述评价参数对应的历史数据；
模型预测模块30，用于从所述火电厂送风机系统的实时运行数据中提取所述影响因子对应的第一实时数据和所述评价参数对应的第二实时数据，将所述第一实时数据输入所述训练好的神经网络模型进行运算得到评价参数预测值；
运行状况判断模块40，用于将所述第二实时数据与所述评价参数预测值进行比较，根据比较结果确定所述火电厂送风机系统的运行状况。
在一种示例性的实施方式中，模型建立模块，用于采用以下方式确定用于评价火电厂送风机系统性能的多个评价参数以及影响所述送风机系统性能的多个影响因子：确定用于评价火电厂送风机系统性能的n个候选评价参数以及影响所述送风机系统性能的m个候选影响因子；对n个候选评价参数进行PCA降维处理，得到降维后的a个评价参数；a小于n；对m个候选影响因子进行PCA降维处理，得到降维后的b个影响因子；b小于m；
在一种示例性的实施方式中，所述评价参数包括以下至少一种：送风机电流、送风机出口压力、送风机出口二次风量、送风机轴承温度和送风机出口温度；
在一种示例性的实施方式中，所述影响因子包括以下至少一种：送风机入口压力、送风机动叶阀位反馈、送风机入口温度和送风机油路温度；
在一种示例性的实施方式中，模型训练模块，还用于对所述训练样本数据进行数据预处理；其中，所述数据预处理包括以下至少一种：缺失值填补，离群点剔除；
在一种示例性的实施方式中，运行状况判断模块，用于采用以下方式将所述第二实时数据与所述评价参数预测值进行比较，根据比较结果确定所述火电厂送风机系统的运行状况：计算所述第二实时数据与所述评价参数预测值的相似度；根据所述相似度确定所述火电厂送风机系统的运行状况：当所述相似度大于或等于第一阈值时，确定所述火电厂送风机系统的运行状况良好；当所述相似度大于或等于第二阈值且小于所述第一阈值时，确定所述火电厂送风机系统的运行状况一般；当所述相似度小于所述第二阈值时，确定所述火电厂送风机系统的运行状况异常；其中，所述第一阈值大于所述第二阈值；
在一种示例性的实施方式中，运行状况判断模块，用于采用以下方式计算所述第二实时数据与所述评价参数预测值的相似度：计算所述第二实时数据与所述评价参数预测值的马氏距离，采用所述马氏距离衡量所述第二实时数据与所述评价参数预测值的相似度。
实施例3
本发明实施例提供了一种火电厂送风机系统监控装置，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的火电厂送风机系统监控程序，所述火电厂送风机系统监控程序被所述处理器执行时实现上述实施例1中所述的火电厂送风机系统监控方法的步骤。
实施例4
本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有火电厂送风机系统监控程序，所述火电厂送风机系统监控程序被处理器执行时实现上述实施例1中所述的火电厂送风机系统监控方法的步骤。
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、装置中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。在硬件实施方式中，在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分；例如，一个物理组件可以具有多个功能，或者一个功能或步骤可以由若干物理组件合作执行。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。
需要说明的是，本发明还可有其他多种实施例，在不背离本发明精神及其实质的情况下，熟悉本领域的技术人员可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。
Claims (9)
1.一种火电厂送风机系统监控方法，包括：
确定用于评价火电厂送风机系统性能的多个评价参数以及影响所述送风机系统性能的多个影响因子；根据所述影响因子和评价参数建立用于评估所述送风机系统性能的神经网络模型；
从所述送风机系统运行的历史数据中提取正常工况下的运行数据，由提取出的运行数据生成训练样本数据；将所述训练样本数据作为所述神经网络模型的输入和输出进行模型训练；其中，所述训练样本数据包括输入训练数据和输出训练数据，所述输入训练数据是所述影响因子对应的历史数据，所述输出训练数据是所述评价参数对应的历史数据；
从所述火电厂送风机系统的实时运行数据中提取所述影响因子对应的第一实时数据和所述评价参数对应的第二实时数据，将所述第一实时数据输入所述训练好的神经网络模型进行运算得到评价参数预测值；
将所述第二实时数据与所述评价参数预测值进行比较，根据比较结果确定所述火电厂送风机系统的运行状况。
2.如权利要求1所述的方法，其特征在于：
所述评价参数包括以下至少一种：送风机电流、送风机出口压力、送风机出口二次风量、送风机轴承温度和送风机出口温度。
3.如权利要求1或2所述的方法，其特征在于：
所述影响因子包括以下至少一种：送风机入口压力、送风机动叶阀位反馈、送风机入口温度和送风机油路温度。
4.如权利要求1所述的方法，其特征在于：
所述确定用于评价火电厂送风机系统性能的多个评价参数以及影响所述送风机系统性能的多个影响因子，包括：
确定用于评价火电厂送风机系统性能的n个候选评价参数以及影响所述送风机系统性能的m个候选影响因子；
对n个候选评价参数进行主成分分析PCA降维处理，得到降维后的a个评价参数；a小于n；
对m个候选影响因子进行PCA降维处理，得到降维后的b个影响因子；b小于m。
5.如权利要求1所述的方法，其特征在于，所述由提取出的运行数据生成训练样本数据后，所述方法还包括：
对所述训练样本数据进行数据预处理；
其中，所述数据预处理包括以下至少一种：缺失值填补，离群点剔除。
6.如权利要求1所述的方法，其特征在于：
所述将所述第二实时数据与所述评价参数预测值进行比较，根据比较结果确定所述火电厂送风机系统的运行状况，包括：
计算所述第二实时数据与所述评价参数预测值的相似度；
根据所述相似度确定所述火电厂送风机系统的运行状况：当所述相似度大于或等于第一阈值时，确定所述火电厂送风机系统的运行状况良好；当所述相似度大于或等于第二阈值且小于所述第一阈值时，确定所述火电厂送风机系统的运行状况一般；当所述相似度小于所述第二阈值时，确定所述火电厂送风机系统的运行状况异常；其中，所述第一阈值大于所述第二阈值。
7.如权利要求1所述的方法，其特征在于：
所述计算所述第二实时数据与所述评价参数预测值的相似度，包括：
计算所述第二实时数据与所述评价参数预测值的马氏距离，采用所述马氏距离衡量所述第二实时数据与所述评价参数预测值的相似度。
8.一种火电厂送风机系统监控装置，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的火电厂送风机系统监控程序，所述火电厂送风机系统监控程序被所述处理器执行时实现上述权利要求1-7中任一项所述的火电厂送风机系统监控方法的步骤。
9.一种计算机可读存储介质，所述计算机可读存储介质上存储有火电厂送风机系统监控程序，所述火电厂送风机系统监控程序被处理器执行时实现上述权利要求1-7中任一项所述的火电厂送风机系统监控方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010518523.0A CN113778044A (zh) | 2020-06-09 | 2020-06-09 | 一种火电厂送风机系统监控方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010518523.0A CN113778044A (zh) | 2020-06-09 | 2020-06-09 | 一种火电厂送风机系统监控方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113778044A true CN113778044A (zh) | 2021-12-10 |
Family
ID=78834451
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010518523.0A Pending CN113778044A (zh) | 2020-06-09 | 2020-06-09 | 一种火电厂送风机系统监控方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113778044A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115013340A (zh) * | 2022-05-19 | 2022-09-06 | 西安热工研究院有限公司 | 火电厂轴流风机动叶调节故障的预警方法及装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060058899A1 (en) * | 2004-08-27 | 2006-03-16 | Alstom Technology Ltd. | Cascaded control of an average value of a process parameter to a desired value |
| US20060073013A1 (en) * | 2004-09-10 | 2006-04-06 | Emigholz Kenneth F | Application of abnormal event detection technology to fluidized catalytic cracking unit |
| CN110097209A (zh) * | 2019-03-26 | 2019-08-06 | 朗坤智慧科技股份有限公司 | 一种基于参数残差的设备劣化分析方法 |
| 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 |
| CN110287233A (zh) * | 2019-06-18 | 2019-09-27 | 华北电力大学 | 一种基于深度学习神经网络的系统异常预警方法 |
-
2020
- 2020-06-09 CN CN202010518523.0A patent/CN113778044A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060058899A1 (en) * | 2004-08-27 | 2006-03-16 | Alstom Technology Ltd. | Cascaded control of an average value of a process parameter to a desired value |
| US20060073013A1 (en) * | 2004-09-10 | 2006-04-06 | Emigholz Kenneth F | Application of abnormal event detection technology to fluidized catalytic cracking unit |
| CN110097209A (zh) * | 2019-03-26 | 2019-08-06 | 朗坤智慧科技股份有限公司 | 一种基于参数残差的设备劣化分析方法 |
| 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 |
| CN110287233A (zh) * | 2019-06-18 | 2019-09-27 | 华北电力大学 | 一种基于深度学习神经网络的系统异常预警方法 |
Non-Patent Citations (2)
| Title |
|---|
| 王博: "基于多元状态估计的电站风机故障预警方法研究与应用", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 * |
| 王静茹: "基于神经网络的火电厂送风机状态检修系统研究", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115013340A (zh) * | 2022-05-19 | 2022-09-06 | 西安热工研究院有限公司 | 火电厂轴流风机动叶调节故障的预警方法及装置 |
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 | |
| EP1982301B1 (en) | Method of condition monitoring | |
| EP2171598B1 (en) | Fuzzy classification approach to fault pattern matching | |
| JP6933899B2 (ja) | プラント運転支援装置、プラント運転支援方法、及びプラント運転支援プログラム | |
| US20140365179A1 (en) | Method and Apparatus for Detecting and Identifying Faults in a Process | |
| US20130060524A1 (en) | Machine Anomaly Detection and Diagnosis Incorporating Operational Data | |
| EP2015186A2 (en) | Diagnostic systems and methods for predictive condition monitoring | |
| JP6141235B2 (ja) | 時系列データにおける異常を検出する方法 | |
| CN110348150B (zh) | 一种基于相关概率模型的故障检测方法 | |
| JP2004524609A (ja) | 予測状態監視における変化状態の適応モデリング | |
| EP3270250A1 (en) | Method and system for remote monitoring of power generation units | |
| CN112629585A (zh) | 基于多维参数估计的设备在线监测方法及装置 | |
| CN110057406B (zh) | 一种多尺度自适应的机械设备趋势预警方法 | |
| KR102005138B1 (ko) | 기기 이상징후 사전감지 방법 및 시스템 | |
| CN111382494A (zh) | 用于检测工业机器的感知数据中的异常的系统及方法 | |
| CN111767183B (zh) | 设备异常检测方法及装置、电子设备、存储介质 | |
| EP3187950B1 (en) | A method for managing alarms in a control system | |
| CN113778044A (zh) | 一种火电厂送风机系统监控方法及装置 | |
| KR102108975B1 (ko) | 함정설비의 상태기반 정비 지원 장치 및 방법 | |
| CN111275136B (zh) | 基于小样本下的故障预测系统及其预警方法 | |
| CN112524077A (zh) | 检测风机故障的方法及装置、系统 | |
| CN111766514A (zh) | 一种设备检测点的数据分析方法 | |
| CN114322446B (zh) | 冷却系统故障预警方法、装置、冷却系统及作业机械 | |
| CN115018220A (zh) | 一种基于知识图谱的家电故障预测方法和系统 | |
| CN113051700A (zh) | 设备可靠性监测方法及装置 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20211210 |