CN114492938A - 基于bpnn模型和自适应阈值的磨煤机故障预警方法和系统 - Google Patents
基于bpnn模型和自适应阈值的磨煤机故障预警方法和系统 Download PDFInfo
- Publication number
- CN114492938A CN114492938A CN202111640085.6A CN202111640085A CN114492938A CN 114492938 A CN114492938 A CN 114492938A CN 202111640085 A CN202111640085 A CN 202111640085A CN 114492938 A CN114492938 A CN 114492938A
- Authority
- CN
- China
- Prior art keywords
- variable
- target
- coal mill
- model
- 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.)
- Withdrawn
Links
Images
Classifications
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Abstract
本发明提供了一种基于BPNN模型和自适应阈值的磨煤机故障预警方法,包括,S1:采集磨煤机运行过程中的故障相关的目标变量和磨煤机运行的状态变量;S2:计算状态变量与目标变量的相关系数,保留相关性满足要求的状态变量;S3:将保留的状态变量及目标变量输入BPNN模型,进行模型训练;S4:将待识别的状态变量输入训练后的模型内,获得目标变量预测值,计算目标向量残差自适应数值,进行故障判断。本发明的优点在于:通过相关系数保留对目标变量影响较大的状态变量,降低数据运算量,然后训练得到BPNN模型并将进行目标变量的预测,基于预测结果计算自适应残差结果,并在自适应残差超过预设阈值时,认为将发生与目标变量对应的故障情况。
Description
技术领域
本发明涉及磨煤机故障预警技术领域,尤其涉及一种基于BPNN模型和自适应阈值的磨煤机故障预警方法和系统。
背景技术
火力发电厂磨煤机作为辅机设备是影响锅炉安全运行的重要因素,随着信息技术发展,电厂DCS系统产生大量设备运行参数,如何高效处理、分析这些数据资源是进一步提高电站管理水平、保障安全运行的重要手段。
设备的异常或故障是在设备运行过程中通过运行参数的变化表现出来的,以设备运行过程出现的主要异常或故障为线索,获得反映设备状态的特征参数,可以有效评估设备的运行状态。如公开号为CN111308991A的发明专利申请公开的一种磨煤机运行故障识别方法及应用,提出了基于T2统计量模型获取与故障相关性较大的参数分析与故障的关系,进行故障的预警及识别,但该方法侧重于故障识别,无法完全满足故障预警的需求。
因煤质变化、转动机械磨损、磨辊磨损、风粉冲刷等影响,磨煤机设备容易发生例如磨煤机堵磨、粉管漏粉、爆燃等故障,严重影响了燃煤机组安全稳定运行。磨煤机故障预警就是要在设备从正常运行状态向故障状态发展吋,发出预警信息,为设备维修人员提供更多的故障处理时间,变被动维修为主动预防。
发明内容
本发明所要解决的技术问题在于提供一种利用磨煤机历史数据实现故障预警的方法。
本发明是通过以下技术方案解决上述技术问题的:一种基于BPNN模型和自适应阈值的磨煤机故障预警方法,包括,
S1:采集磨煤机运行过程中的故障相关的目标变量和磨煤机运行的状态变量;
S2:计算状态变量与目标变量的相关系数,保留相关性满足要求的状态变量;
S3:将保留的状态变量及目标变量输入BPNN模型,进行模型训练;
S4:将待识别的状态变量输入训练后的模型内,获得目标变量预测值,计算目标向量残差自适应数值,进行故障判断。
本发明通过相关系数保留对目标变量影响较大的状态变量,降低数据运算量,然后训练得到BPNN模型并将进行目标变量的预测,基于预测结果计算自适应残差结果,并在自适应残差超过预设阈值时,认为将发生与目标变量对应的故障情况。
优选的,还包括对采集的目标变量和状态变量进行归一化处理的步骤,公式为,
其中,xmin表示历史数据中变量最小值,xmax表示历史数据中变量最大值,x表示输入变量值,x归一表示归一化结果。
优选的,所述计算状态变量与目标变量的相关系数为皮尔逊相关系数,计算方法为,
优选的,保留所述状态变量的相关性要求为相关系数大于预设阈值或根据相关系数降序选择预设数量个状态变量。
优选的,所述训练BPNN模型的方法为,
步骤i:将保留的状态变量作为BPNN模型的输入,建立输入矩阵x[1]=[N,5],其中N表示状态变量的个数;
步骤ii:随机初始化权重矩阵w[1]=[5,8],b[1]=[1,8],a[1]=x[1]w[1]+b[1],其中8为第一隐含层节点数量,z[1]=sigmod(a[1]),sigmod函数如下所示:
将第一隐含层的输出z[1]作为第二隐含层输入参数,隐含层共4层,隐含层节点数分别为8,8,4,4;
步骤iv:根据损失值S更新各隐含层w[i]、b[i],
优选的,所述进行故障判断的方法为,
对待识别的状态变量和对应的目标变量进行归一化处理,然后输入训练后的模型中,得到目标变量的预测值,
计算自适应阈值的方法为,
εN=μN-1±zδN-1#(8)
其中μN-1为前N-1数量的残差ε均值,δN-1为前N-1数量的残差ε方差,z为超参数正整数。
优选的,所述磨煤机的故障包括磨本体振动幅度超限异常和轴承温度超高异常,与故障相关的目标变量包括轴承X方向振动量、轴承Y方向振动量、输入轴轴承第一温度和输入轴轴承第二温度,其中输入轴轴承第一温度和输入轴轴承第二温度为不同位置检测的温度;
所述状态变量包括电流(A)、给煤量(t/h)、进口风压(KPa)、磨煤机差压(KPa)、进口风温(℃)、出口风温(℃)、进口风量(t/h)、负荷(MW)、第一粉管风速(m/s)、第二粉管风速(m/s)、第三粉管风速(m/s)、第四粉管风速(m/s)、磨本体CO浓度(ppm)、密封风压(KPa)、密封风一次风差压(KPa)和磨辊加载油压。
本发明还提供了一种基于BPNN模型和自适应阈值的磨煤机故障预警系统,包括,
数据采集模块:采集磨煤机运行过程中的故障相关的目标变量和磨煤机运行的状态变量;
状态变量选择模块:计算状态变量与目标变量的相关系数,保留相关性满足要求的状态变量;
模型训练模块:将保留的状态变量及目标变量输入BPNN模型,进行模型训练;
故障判断模块:将待识别的状态变量输入训练后的模型内,获得目标变量预测值,计算目标向量残差自适应数值,进行故障判断。
本发明还提供了一种电子处理设备,包括至少一个处理器和存储有至少一个执行程序的存储装置,当所述至少一个执行程序被所述至少一个处理器执行,所述至少一个处理器实现如所述的磨煤机故障预警方法。
本发明还提供了一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时能够实现所述的磨煤机故障预警方法。
本发明提供的基于BPNN模型和自适应阈值的磨煤机故障预警方法的优点在于:过相关系数保留对目标变量影响较大的状态变量,降低数据运算量,然后训练得到BPNN模型并将进行目标变量的预测,基于预测结果计算自适应残差结果,并在自适应残差超过预设阈值时,认为将发生与目标变量对应的故障情况。
附图说明
图1为本发明的实施例提供的基于BPNN模型和自适应阈值的磨煤机故障预警方法的示意图;
图2为本发明的实施例提供的基于BPNN模型和自适应阈值的磨煤机故障预警方法的流程图;
图3为本发明的实施例提供的使用基于BPNN模型和自适应阈值的磨煤机故障预警方法进行轴承x方向振动值预测结果的MSE分析示意图;
图4为本发明的实施例提供的基于BPNN模型和自适应阈值的磨煤机故障预警系统的示意图。
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,以下结合具体实施例,并参照附图,对本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作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。
如图1所示,本实施例提供了一种基于BPNN模型和自适应阈值的磨煤机故障预警方法,包括,
S1:采集磨煤机运行过程中的故障相关的目标变量和磨煤机运行的状态变量;
S2:计算状态变量与目标变量的相关系数,保留相关性满足要求的状态变量;
S3:将保留的状态变量及目标变量输入BPNN模型,进行模型训练;
S4:将待识别的状态变量输入训练后的模型内,获得目标变量预测值,计算目标向量残差自适应数值,进行故障判断。
本实施通过相关系数保留对目标变量影响较大的状态变量,降低数据运算量,然后训练得到BPNN模型并将进行目标变量的预测,基于预测结果计算自适应残差结果,并在自适应残差超过预设阈值时,认为将发生与目标变量对应的故障情况。
具体的,本实施例中以磨煤机进异物导致磨本体振动幅度超限异常和漏油导致的轴承温度超高异常为例进行介绍,对于磨本体振动幅度超限异常,对应的目标变量为轴承X方向振动量、轴承Y方向振动量;对于轴承温度超高异常,对应的目标变量为输入轴轴承第一温度和输入轴轴承第二温度,其中输入轴轴承第一温度和输入轴轴承第二温度为不同位置检测的温度,一般在输入轴轴承的首尾分别进行温度检测。
对于本实施例的场景下,状态变量包括了电流(A)、给煤量(t/h)、进口风压(KPa)、磨煤机差压(KPa)、进口风温(℃)、出口风温(℃)、进口风量(t/h)、负荷(MW)、第一粉管风速(m/s)、第二粉管风速(m/s)、第三粉管风速(m/s)、第四粉管风速(m/s)、磨本体CO浓度(ppm)、密封风压(KPa)、密封风一次风差压(KPa)和磨辊加载油压。
结合图1和图2,本实施例提供的基于BPNN模型和自适应阈值的磨煤机故障预警方法包括,
S1:采集磨煤机运行过程中的故障相关的目标变量和磨煤机运行的状态变量;
对于采集的数据,进行归一化处理,公式为,
其中,xmin表示历史数据中变量最小值,xmax表示历史数据中变量最大值,x表示输入变量值,x归一表示归一化结果。
S2:计算状态变量与目标变量的相关系数,保留相关性满足要求的状态变量;
所述相关系数为皮尔逊相关系数,计算方法为,
保留所述状态变量的相关性要求为相关系数大于预设阈值或根据相关系数降序选择预设数量个状态变量,本实施例中以保留相关系数ρmn≥0.6的状态变量。
本实施例的相关系数计算结果如下:
根据以上结果,本实施例中,与轴承X和Y方向振动量相关的状态变量为:电流、给煤量、第一粉管风速、第四粉管风速、磨辊加载油压;输入轴轴承温度相关的状态变量为:电流、给煤量、第三粉管风速、第四粉管风速、磨辊加载油压。
S3:将保留的状态变量及目标变量输入BPNN模型,进行模型训练,训练方法为;
步骤i:将保留的状态变量作为BPNN模型的输入,建立输入矩阵x[1]=[N,5],其中N表示状态变量的个数,输入数据变量有5个;
步骤ii:随机初始化权重矩阵w[1]=[5,8],b[1]=[1,8],a[1]=x[1]w[1]+b[1],其中8为第一隐含层节点数量,z[1]=sigmod(a[1]),sigmod函数如下所示:
将第一隐含层的输出z[1]作为第二隐含层输入参数,隐含层共4层,隐含层节点数分别为8,8,4,4;
步骤iv:根据损失值S更新各隐含层w[i]、b[i],
在超参数学习率α=0.002的情况下,本实施例中轴承X方向振动值的预测结果见图3,根据实验结果,在第132次迭代时得到了MSE的最小值,为8.9792e-0.7。
S4:将待识别的状态变量输入训练后的模型内,获得目标变量预测值,计算目标向量残差自适应数值,进行故障判断;
计算自适应阈值的方法为,
εN=μN-1±zδN-1#(8)
其中μN-1为前N-1数量的残差ε的均值,残差ε为预测值与实际值的差值;δN-1为前N-1数量的残差ε方差,z为超参数正整数。
本实施例参考图3,本实施例还提供了一种基于BPNN模型和自适应阈值的磨煤机故障预警系统,包括,
数据采集模块:采集磨煤机运行过程中的故障相关的目标变量和磨煤机运行的状态变量;
状态变量选择模块:计算状态变量与目标变量的相关系数,保留相关性满足要求的状态变量;
模型训练模块:将保留的状态变量及目标变量输入BPNN模型,进行模型训练;
故障判断模块:将待识别的状态变量输入训练后的模型内,获得目标变量预测值,计算目标向量残差自适应数值,进行故障判断。
本实施例还提供了一种电子处理设备,包括至少一个处理器和存储有至少一个执行程序的存储装置,当所述至少一个执行程序被所述至少一个处理器执行,所述至少一个处理器如下方法:
S1:采集磨煤机运行过程中的故障相关的目标变量和磨煤机运行的状态变量;
S2:计算状态变量与目标变量的相关系数,保留相关性满足要求的状态变量;
S3:将保留的状态变量及目标变量输入BPNN模型,进行模型训练;
S4:将待识别的状态变量输入训练后的模型内,获得目标变量预测值,计算目标向量残差自适应数值,进行故障判断。
本实施例还提供了一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时能够实现如下方法:
S1:采集磨煤机运行过程中的故障相关的目标变量和磨煤机运行的状态变量;
S2:计算状态变量与目标变量的相关系数,保留相关性满足要求的状态变量;
S3:将保留的状态变量及目标变量输入BPNN模型,进行模型训练;
S4:将待识别的状态变量输入训练后的模型内,获得目标变量预测值,计算目标向量残差自适应数值,进行故障判断。
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 (10)
1.一种基于BPNN模型和自适应阈值的磨煤机故障预警方法,其特征在于:包括,
S1:采集磨煤机运行过程中的故障相关的目标变量和磨煤机运行的状态变量;
S2:计算状态变量与目标变量的相关系数,保留相关性满足要求的状态变量;
S3:将保留的状态变量及目标变量输入BPNN模型,进行模型训练;
S4:将待识别的状态变量输入训练后的模型内,获得目标变量预测值,计算目标向量残差自适应数值,进行故障判断。
4.根据权利要求3所述的一种基于BPNN模型和自适应阈值的磨煤机故障预警方法,其特征在于:保留所述状态变量的相关性要求为相关系数大于预设阈值或根据相关系数降序选择预设数量个状态变量。
5.根据权利要求1所述的一种基于BPNN模型和自适应阈值的磨煤机故障预警方法,其特征在于:所述训练BPNN模型的方法为,
步骤i:将保留的状态变量作为BPNN模型的输入,建立输入矩阵x[1]=[N,5],其中N表示状态变量的个数;
步骤ii:随机初始化权重矩阵w[1]=[5,8],b[1]=[1,8],a[1]=x[1]w[1]+b[1],其中8为第一隐含层节点数量,z[1]=sigmod(a[1]),sigmod函数如下所示:
将第一隐含层的输出z[1]作为第二隐含层输入参数,隐含层共4层,隐含层节点数分别为8,8,4,4;
步骤iv:根据损失值S更新各隐含层w[i]、b[i],
6.根据权利要求2所述的一种基于BPNN模型和自适应阈值的磨煤机故障预警方法,其特征在于:所述进行故障判断的方法为,
对待识别的状态变量和对应的目标变量进行归一化处理,然后输入训练后的模型中,得到目标变量的预测值,
计算自适应阈值的方法为,
εN=μN-1±zδN-1#(8)
其中μN-1为前N-1数量的残差ε均值,δN-1为前N-1数量的残差ε方差,z为超参数正整数。
7.根据权利要求1所述的一种基于BPNN模型和自适应阈值的磨煤机故障预警方法,其特征在于:所述磨煤机的故障包括磨本体振动幅度超限异常和轴承温度超高异常,与故障相关的目标变量包括轴承X方向振动量、轴承Y方向振动量、输入轴轴承第一温度和输入轴轴承第二温度,其中输入轴轴承第一温度和输入轴轴承第二温度为不同位置检测的温度;
所述状态变量包括电流(A)、给煤量(t/h)、进口风压(KPa)、磨煤机差压(KPa)、进口风温(℃)、出口风温(℃)、进口风量(t/h)、负荷(MW)、第一粉管风速(m/s)、第二粉管风速(m/s)、第三粉管风速(m/s)、第四粉管风速(m/s)、磨本体CO浓度(ppm)、密封风压(KPa)、密封风一次风差压(KPa)和磨辊加载油压。
8.一种基于BPNN模型和自适应阈值的磨煤机故障预警系统,其特征在于:包括,
数据采集模块:采集磨煤机运行过程中的故障相关的目标变量和磨煤机运行的状态变量;
状态变量选择模块:计算状态变量与目标变量的相关系数,保留相关性满足要求的状态变量;
模型训练模块:将保留的状态变量及目标变量输入BPNN模型,进行模型训练;
故障判断模块:将待识别的状态变量输入训练后的模型内,获得目标变量预测值,计算目标向量残差自适应数值,进行故障判断。
9.一种电子处理设备,其特征在于:包括至少一个处理器和存储有至少一个执行程序的存储装置,当所述至少一个执行程序被所述至少一个处理器执行,所述至少一个处理器实现如权利要求1-7任一项所述的方法。
10.一种计算机可读存储介质,存储有计算机程序,其特征在于:所述计算机程序被处理器执行时能够实现如权利要求1-7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111640085.6A CN114492938A (zh) | 2021-12-29 | 2021-12-29 | 基于bpnn模型和自适应阈值的磨煤机故障预警方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111640085.6A CN114492938A (zh) | 2021-12-29 | 2021-12-29 | 基于bpnn模型和自适应阈值的磨煤机故障预警方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114492938A true CN114492938A (zh) | 2022-05-13 |
Family
ID=81508991
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111640085.6A Withdrawn CN114492938A (zh) | 2021-12-29 | 2021-12-29 | 基于bpnn模型和自适应阈值的磨煤机故障预警方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114492938A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015158198A1 (zh) * | 2014-04-17 | 2015-10-22 | 北京泰乐德信息技术有限公司 | 一种基于神经网络自学习的故障识别方法及系统 |
CN106153179A (zh) * | 2015-04-10 | 2016-11-23 | 华北电力大学(保定) | 中速磨煤机振动故障诊断方法 |
CN109919421A (zh) * | 2019-01-23 | 2019-06-21 | 华南理工大学 | 基于vmd-pso-bpnn的短期电力负荷预测模型建立方法 |
CN111308991A (zh) * | 2020-03-19 | 2020-06-19 | 中国大唐集团科学技术研究院有限公司华东电力试验研究院 | 一种磨煤机运行故障识别方法及应用 |
CN111488935A (zh) * | 2020-04-14 | 2020-08-04 | 北京华控智加科技有限公司 | 一种基于神经网络统一建模的磨煤机故障诊断方法 |
CN113468798A (zh) * | 2021-05-10 | 2021-10-01 | 中国大唐集团科学技术研究院有限公司华东电力试验研究院 | 基于最小二乘支持向量机算法的中速磨煤机故障预警方法及系统 |
-
2021
- 2021-12-29 CN CN202111640085.6A patent/CN114492938A/zh not_active Withdrawn
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015158198A1 (zh) * | 2014-04-17 | 2015-10-22 | 北京泰乐德信息技术有限公司 | 一种基于神经网络自学习的故障识别方法及系统 |
CN106153179A (zh) * | 2015-04-10 | 2016-11-23 | 华北电力大学(保定) | 中速磨煤机振动故障诊断方法 |
CN109919421A (zh) * | 2019-01-23 | 2019-06-21 | 华南理工大学 | 基于vmd-pso-bpnn的短期电力负荷预测模型建立方法 |
CN111308991A (zh) * | 2020-03-19 | 2020-06-19 | 中国大唐集团科学技术研究院有限公司华东电力试验研究院 | 一种磨煤机运行故障识别方法及应用 |
CN111488935A (zh) * | 2020-04-14 | 2020-08-04 | 北京华控智加科技有限公司 | 一种基于神经网络统一建模的磨煤机故障诊断方法 |
CN113468798A (zh) * | 2021-05-10 | 2021-10-01 | 中国大唐集团科学技术研究院有限公司华东电力试验研究院 | 基于最小二乘支持向量机算法的中速磨煤机故障预警方法及系统 |
Non-Patent Citations (2)
Title |
---|
崔慧敏: ""基于神经网络的旋转机械故障诊断方法研究"", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
肖黎等: "基于半监督学习方法的磨煤机故障预警", 《热力发电》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | A small-sample wind turbine fault detection method with synthetic fault data using generative adversarial nets | |
Cheliotis et al. | Machine learning and data-driven fault detection for ship systems operations | |
CN110298455B (zh) | 一种基于多变量估计预测的机械设备故障智能预警方法 | |
CN110410282B (zh) | 基于som-mqe和sfcm的风电机组健康状态在线监测及故障诊断方法 | |
Demetriou et al. | Incipient fault diagnosis of dynamical systems using online approximators | |
Chen et al. | Evidential KNN-based condition monitoring and early warning method with applications in power plant | |
Ma et al. | Applications of fault detection and diagnosis methods in nuclear power plants: A review | |
Guo et al. | Criticality evaluation of petrochemical equipment based on fuzzy comprehensive evaluation and a BP neural network | |
CN107609574A (zh) | 基于数据挖掘的风电机组故障预警方法 | |
CN114372504A (zh) | 一种基于图神经网络的风电机组故障预警方法 | |
CN113468798A (zh) | 基于最小二乘支持向量机算法的中速磨煤机故障预警方法及系统 | |
CN112611584B (zh) | 风力发电机组的疲劳失效检测方法、装置、设备及介质 | |
CN111582392A (zh) | 一种风电机组关键部件多工况健康状态在线监测方法 | |
CN111103137A (zh) | 基于深度神经网络的风力涡轮机齿轮箱故障诊断方法 | |
Koukoura et al. | Influence of extended potential-to-functional failure intervals through condition monitoring systems on offshore wind turbine availability | |
CN114595623A (zh) | 一种基于XGBoost算法的机组设备基准值预测方法及系统 | |
Abbasi et al. | Development of predictive maintenance interface using multiple linear regression | |
CN114841580A (zh) | 基于混合注意力机制的发电机故障检测方法 | |
CN116383636A (zh) | 一种基于pca与lstm融合算法的磨煤机故障预警方法 | |
Wang et al. | An adaptive condition monitoring method of wind turbines based on multivariate state estimation technique and continual learning | |
Hafaifa et al. | Fuzzy logic approach applied to the surge detection and isolation in centrifugal compressor | |
CN114492938A (zh) | 基于bpnn模型和自适应阈值的磨煤机故障预警方法和系统 | |
Haghani et al. | Data-driven multimode fault detection for wind energy conversion systems | |
Godwin et al. | Classification and detection of electrical control system faults through SCADA data analysis | |
Campoverde-Vilela et al. | Anomaly-based fault detection in wind turbine main bearings |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20220513 |