CN114706730A - 基于离散状态数据和连续监测的故障预测模型方法 - Google Patents
基于离散状态数据和连续监测的故障预测模型方法 Download PDFInfo
- Publication number
- CN114706730A CN114706730A CN202210398076.9A CN202210398076A CN114706730A CN 114706730 A CN114706730 A CN 114706730A CN 202210398076 A CN202210398076 A CN 202210398076A CN 114706730 A CN114706730 A CN 114706730A
- Authority
- CN
- China
- Prior art keywords
- fitting
- data
- time period
- curve
- discrete
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3089—Monitoring arrangements determined by the means or processing involved in sensing the monitored data, e.g. interfaces, connectors, sensors, probes, agents
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3065—Monitoring arrangements determined by the means or processing involved in reporting the monitored data
- G06F11/3072—Monitoring arrangements determined by the means or processing involved in reporting the monitored data where the reporting involves data filtering, e.g. pattern matching, time or event triggered, adaptive or policy-based reporting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2455—Query execution
- G06F16/24568—Data stream processing; Continuous queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2474—Sequence data queries, e.g. querying versioned data
-
- 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
- G06Q10/20—Administration of product repair or maintenance
-
- 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
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
-
- 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
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Abstract
本发明涉及水电站数据管理领域,目的是提供基于离散状态数据和连续监测的故障预测模型方法,包括下列步骤:步骤S1:获取机组设备的目标时间段内离散数据;步骤S2:按照离散数据捕捉的时间顺序进行排序,得到若干拟合时间段,选取第一拟合时间段内点位上的离散数据进行曲线拟合,根据最大误差阈值判断第一曲线拟合的误差结果,当误差结果不大于最大误差阈值时,执行步骤S4,当误差结果大于最大误差阈值时,执行步骤S3;步骤S3:对第一拟合时间段的终止时间进行修正,直至误差结果不大于最大误差阈值,执行步骤S4;步骤S4:按照时间顺序进行各个拟合时间段的曲线拟合,将各时间段拟合后的曲线与正常运行曲线进行比较,得到监控点位的预测事件结果。
Description
技术领域
本发明涉及水电站管理技术领域,具体涉及基于离散状态数据和连续监测的故障预测模型方法。
背景技术
水电站是将水能转换为电能的综合工程设施。一般包括由挡水、泄水建筑物形成的水库和水电站引水系统、发电厂房、机电设备等。水库的高水位水经引水系统流入厂房推动水轮发电机组发出电能,再经升压变压器、开关站和输电线路输入电网。
在现有产品方面,调研了华科同安TN8000水电机组状态监系统、奥技异HPU2100振动摆度监测系统、北京中水科水电iSMA2000水电厂状态监测分析系统、国电南自SD8000C水电站监控系统和Aspen Mtell系统。目前国内设备状态监测分析系统虽然在国内水电企业得到了较大规模的应用,但这些系统基本都没有完全利用设备自身完整的监测数据由计算机进行自学习,自建模的机器学习算法,仅支持实时状态监测、不能实现早期提前预警,可能漏报和误报。
在对监测数据的取舍方面,我们过去常采用选取专家法推荐的部分传感器数据进行分析的方法,这种方法简单直接,数据分析简单,分析工作量小,但可能存在影响因素及特征遗漏不能有效反应机组相关部件间直接和间接的影响。为了充分反映机组各部件的相关影响,我们采取了对机组监测数据全部纳入智能分析系统统一分析(而放弃所谓的物理相关数据分析方法)的措施。这一措施虽然工作量巨大,对技术分析软件处理能力要求高,对计算机硬件要求高,耗时长,但可以简化程序、排除前期分析处理数据时人为因素等的影响,有利于反映机组的真实运行情况。
因此,需要一种对水电机组整体设备系统性的数据分析处理产品,更高预测准确性和更长预警提前期,并具有自学习能力的系统,为将来的智能电站建设做基础准备。
发明内容
本发明的目的在于克服现有技术的不足,由于机组的某些数据不是完全的按照时间间隔进行同步记录,因此导致该分析系统不能完全有效的给出合理的结果。为此,我们将指令数据进行细化,合理推演为连续的时间数据流,将有效但独立于数据库之外的人工检测数据也合理处理为连续的时间数据流(如独立于计算机监控数据之外的人工检测的油质记录数据等),完善数据后整体提供给mtell软件进行训练测试。我们将所有可以获得的数据完整地纳入该分析软件同时进行同步分析,这有别于其他方法仅对专家法分析选定的部分相关传感器数据进行分析的做法,使得该分析检测系统还能对故障事件的发生点及影响因素进行分析,确定其对故障(事件)的影响权重,从而给出检修故障(事件)的重点线索。
具体通过以下技术方案来实现的:基于离散状态数据和连续监测故障预测模型方法,包括下列步骤:
步骤S1:获取机组设备的目标时间段内离散数据,其中,可以通过联网监控点位上的传感器获取离散数据;
步骤S2:按照获得的离散数据捕捉的时间顺序进行排序,得到若干拟合时间段,其中,拟合时间段从起始时间开始到终止时间结束,选取第一拟合时间段内点位上的离散数据进行曲线拟合,根据最大误差阈值判断第一曲线拟合的误差结果,当误差结果不大于最大误差阈值时,执行步骤S4,当误差结果大于最大误差阈值时,执行步骤S3;
步骤S3:对第一拟合时间段的终止时间进行修正,直至误差结果不大于最大误差阈值,执行步骤S4;
步骤S4:按照时间顺序依次进行各个拟合时间段的曲线拟合,将各时间段拟合后的曲线与其他传感器获得的工作数据曲线一并输入Mtell软件进行分析,得到监控点位的预测事件结果。
优选的,目标时间段的最小值根据一般传感器获得的工作数据的时间间隔一致。
优选的,曲线拟合采用对离散的数据进行最小二乘曲线拟合法处理也可以根据离散数据的实际变化特征采取合适的曲线拟合,将所有的离散数据连续化。
优选的,所述步骤S4中,将各时间段拟合后的曲线和正常运行的曲线数值作为输入,发送至Mtell模型,Mtell模型内设置有非正常态定义的阈值,通过Mtell模型对监控点位进行故障事件来源预测,故障预测包括有传感器影响范围和影响权重因子,当Mtell模型识别监控点位出现非正常态时,Mtell模型通过该传感器影响权重因子确定该监控点位的故障来源。
优选的,所述步骤S2中,第一拟合时间段内点位上的离散数据构成了已知点列,第一拟合曲线与已知点列之间的偏离值通过最大误差控制量模型,对第一拟合曲线进行验证,确定第一拟合曲线不大于最大误差阈值。
本发明的有益效果是:
(1)将指令数据进行细化合理推演为时间数据流,将有但效独立于数据库之外的人工检测数据也合理处理为时间数据流(如独立于计算机监控数据之外的人工检测的油质记录数据等),便于对故障事件的发生点及影响因素进行分析,确定其对故障(事件)的影响权重,从而给出检修故障(事件)的重点线索;
(2)配置联机监测侦探,同步故障类型,对传感数据能够进行迅速的分析和归类。
附图说明
图1为本发明的整体系统框图;
图2为本发明的实施例中传感器设置示意图;
图3为本发明的实施例中故障预测趋势图;
图4为本发明的实施例中设备故障与指标的关系矩阵图。
具体实施方式
下面结合本发明的附图1,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅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均属于本申请的保护范围。
实施例1:
离散数据时序化处理流程:
1、获取目标时间段内的事件数据;
2、对离散数据按监控点位进行分组,再按时间点进行排序后,然后分布对预设的第一拟合时间段内的一个点位的离散数据进行曲线拟合,根据最大误差阈值对得到的第一拟合曲线进行误差判断;
3、根据判断结果,对第一拟合时间段的终止时间进行修正,直至得到的第一拟合曲线满足误差要求;
4、根据时间顺序在目标时间段依次进行曲线拟合,直至到达目标时间段的终止时间,得到多段拟合时间段及其拟合曲线,并将其进行存储;
5、根据存储的各段拟合时间段的拟合曲线与正常运行曲线的比较,得到目标时间段内该点位的监控结果。
6、时序化处理后,目标时间段可设置为1分钟、5分钟、10分钟、30分钟、1小时、2小时、4小时、12小时、24小时等若干选项,选择与其他传感器工作数据的时间时段一致,根据选择的时间段决定拟合出哪个时间段的数据,即可以详细查看,又可以大范围查看;拟合是把平面上一系列离散的点,用曲线连接起来。因为连接的曲线有无数种可能,从而有各种拟合方法,拟合的曲线一般可以用函数表示,常用的拟合方法有最小二乘曲线拟合法等,采用分段函数表示的方式为样条拟合,本项目则采用分段函数的方式对各个时间段的数据进行曲线拟合,由于本实施例是特定使用在水电厂领域的离散数据的应用,获取多个传感器,不同类型传感器的所有数据,进行离散拟合,且拟合的次数根据传感器设定的数量成正比,减少误差,增加离散数据之间的关联性,提高后期预测的准确率。
值得说明的是,水电站中,各项水轮机体积较大,根据长久的历史数据来看,故障的概率并不频繁,且没有直观的规律,但一旦故障,造成的成本损失和人员安全问题无法估量,因此,采用多个传感器设置在多个设备、设备不同位置处,根据不同的工艺、上下游控制关系等获取传感器数据,通过历史故障原因、故障数据进而分析故障数据前后的波动,对未来的故障进行超前预测,因此本申请中故障数据前后波动的时间周期就很关键,起决定性作用。
从目标时间段的起始点开始读取获取的某一点位的若干离散数据,按照时间升序排列后,首先采用二次多项式对预设的第一拟合时间段内的离散数据进行曲线拟合,得到第一拟合曲线;
由于,拟合过程是选择适当的曲线类型来拟合观测数据,并用拟合的曲线方程分析两变量间的关系,且得到的拟合曲线需无限靠近已知点列,所以若得到的拟合曲线偏离真实数据,则无法准确反映数据间的关联关系,故本项目通过预设最大误差控制量的方式,对得到的拟合曲线进行验证,若得到的拟合曲线在最大误差控制量的范围内,则表示符合拟合要求。
本实施例中,以雅砻江水电站4号发电机组中的振动和温度相关数据为例,请参照图2,进行本系统的验算,通过MTELL工具在线适配EAM或者离线导入数据。
当一个以前没出现过的故障发生时,正常Agent可以进行报警。报警发生之后,可以通过故障概率知道设备故障的严重情况,同时可以通过传感器排行/根原因分析,确定故障的来源,在接下来的故障模型侦探中,我们主要排除了顶盖+Y水平振动(滤波)超限这个缺陷记录。通过这一工作,我们验证了Mtell的正常Agent可以帮助我们准确的识别异常状态。
例如,导轴承容易出现甩油、温升过高、轴瓦温度不稳定及烧瓦等问题。引起导轴承温升过高、瓦温不稳定或烧瓦的原因主要有以下几点。
1、发电机导轴承的轴颈与轴瓦间隙增大。
2、轴承结构缺陷、油循环不良。
3、通过轴颈与轴瓦间的润滑油过多或过少。
4、发电机定、转子间隙不均匀。
5、轴承电流。
具体为:
1、发电机导轴承的轴颈与轴瓦间隙增大。
间隙增大可能使轴颈与轴瓦间的油膜在短时间内遭受破坏或产生干摩擦,导致轴承温度急剧上升。如不及时采取措施,轴瓦表面合金就可能熔化,或机组因导轴承过热保护动作而发生事故性性停机。
机组机械、电气不平衡会加大机组支座振动。因此,一旦发现机组支座有明显振动时,应及时检查引起机组支座振动的原因,并加以消除,从而防止轴颈与轴瓦间隙的增大。另外,要定期检查、调整轴瓦间隙。
2、轴承结构缺陷、油循环不良。
3、通过轴颈与轴瓦间的润滑油过多或过少。
通过轴颈与轴瓦间的润滑油流量过大或过少,也有可能造成轴瓦温升过高。润滑油流量太小,不能及时带走轴颈与轴瓦间的摩擦热量;而润滑油流量过大,虽加快了油的循环速度,但热油未得到充分冷却就进入了回油管并流入轴颈与轴瓦间。
4、发电机定、转子间隙不均匀。
机组因安装缺陷、字会产生不对称磁转子磁极松动等原因,使发电机定、转子间隙不均匀,也会导致发电机导轴承瓦温升高。原因是发电机定、转子间隙不均匀就拉力。不对称磁拉力一方面会加剧机组振动,另一方面会使导轴承部分轴瓦过载,引起瓦温急剧上升。
5、轴承电流。
水轮发电机组在运行过程中,有时在导轴承的轴颈与轴瓦间、推力轴承的镜板和推力瓦间会有电流通过,该电流即为轴承电流(简称轴电流)。当轴电流通过摩擦部分时,易产生电弧火花,使瓦温上升,引起摩擦表面烧损,造成事故。
从表1传感器影响力排行可以看到,Mtell的这个模型是根据影响下导30#瓦温即将超限的原因(如下机架振动,下导摆度等),以及下导30号瓦温即将超限的伴生工况(如其他瓦温的温度变化)等综合趋势,来判断下导30号瓦温的超限问题的。
表1传感器影响力排行
水轮机设备主要故障除了高温外还有振动,具体为:
a.机械振动。水电机组最常见、最主要的故障是振动故障,而机械振动又最突出,因而有必要对其进行分析。机械振动是由机组转动部分质量不平衡、转轮等旋转部件与固定件发生摩擦、密封不良等原因引起。对机械振动的监测与诊断内容主要有:导轴承及转子轴系、机组固定部件、推力轴承。
b.电磁振动。电磁振动是由发电机转子不圆、励磁绕组匝间短路、定转子磁场轴心不重合、定子和转子间间隙不均匀及旋转时产生不平衡磁拉力等原因引起。对电磁振动的监测与诊断内容主要有:发电机定转子整体温度和气隙、定子极频振动和转子质量不平衡等。
c.水力振动。大型水电机组的水力不稳定问题具有一定的普遍性,它直接关系到机组运行的可靠性。引起水力振动的原因有:卡门涡列诱发的振动、尾水管内漩涡引起的振动、固定导叶出水边水流流态不良引起的振动、气蚀引起的振动、转轮密封处的自激振动等。对水力振动的监测和诊断内容为:蜗壳进口压力、尾水管压力脉动、上下迷宫环脉动和导叶前后脉动等。
d.噪声。水电机组的噪声对环境的影响很大,噪声的大小是机组稳定性分析的重要参数。重点监测内容为水轮机及尾水管的噪声和发电机的运行噪声。
在本实施例中,通过基于离散状态数据和连续监测故障预测模型方法,通过对历史的离散数据进行训练,能够预测未来导轴承的故障发生,参照图2,在机组设备上布设多个传感器,根据传感器影响范围和影响权重因子,当Mtell模型识别监控点位出现非正常态时,Mtell模型通过该传感器影响权重因子确定该监控点位的故障来源,追踪故障发生的原因。其中图4中传感器的布设也是在不断的优化。
根据传感器TOP排行作为指导,确定上下游工艺或设备本身的哪一部分的问题导致了故障或者故障预警的发生,请参照图3,Mtell可以提供长达1~2个月的故障预警,参照下表2,这可以为工厂进行更有效的生产调度和检维修的安排。使用Mtell可以避免由于紧急停车引起的生产损失,设备严重故障和紧急维修成本。
表2故障事件的预警周期
可提前预警:该系统可以对已知故障提前一定时间预警:如30#瓦温侦探的预警提前25~30天,对19年故障的预警提前47天;振动顶盖+Y水平振动(滤波)侦探预警提前60天,也准确反映19年没有发生同类故障。通过项目实施过程,对机组运行状态的实时评价与监测,对设备维护保养策略,以及备件采购的调度优化,实现电站的供应链优化,在保障服务电网需求前提下,最大限度确保机组设备的健康度和运行稳定,从而减小设备故障、损毁带来的经济损失,同时也为管理部门经营决策提供科学参考依据,指导运维检修,优化巡检目标,节约人力成本。
Claims (8)
1.基于离散状态数据和连续监测的故障预测模型方法,其特征在于,包括下列步骤:
步骤S1:获取机组设备的目标时间段内离散数据,其中,通过联网监控点位上的传感器获取离散数据;
步骤S2:按照离散数据捕捉的时间顺序进行排序,得到若干拟合时间段,其中,拟合时间段从起始时间开始到终止时间结束,选取第一拟合时间段内点位上的离散数据进行曲线拟合,根据最大误差阈值判断第一曲线拟合的误差结果,当误差结果不大于最大误差阈值时,执行步骤S4,当误差结果大于最大误差阈值时,执行步骤S3;
步骤S3:对第一拟合时间段的终止时间进行修正,直至误差结果不大于最大误差阈值,执行步骤S4;
步骤S4:按照时间顺序依次进行各个拟合时间段的曲线拟合,将各时间段拟合后的曲线与正常运行曲线进行比较,得到监控点位的预测事件结果。
2.根据权利要求1所述的基于离散状态数据和连续监测的故障预测模型方法,其特征在于,目标时间段的最小值为1分钟。
3.根据权利要求2所述的基于离散状态数据和连续监测的故障预测模型方法,其特征在于,曲线拟合采用对离散的数据进行最小二乘曲线拟合法处理。
4.根据权利要求1所述的基于离散状态数据和连续监测的故障预测模型方法,其特征在于,所述步骤S4中,将各时间段拟合后的曲线和正常运行的曲线差值作为输入,发送至Mtell模型,Mtell模型内设置有非正常态定义的阈值,通过Mtell模型对监控点位进行故障事件来源预测。
5.根据权利要求4所述的基于离散状态数据和连续监测的故障预测模型方法,其特征在于,所述传感器的。
6.根据权利要求4所述的基于离散状态数据和连续监测的故障预测模型方法,其特征在于,传感器影响权重因子由Mtell自动分析并根据该传感器工作数据的影响力大小顺序排布。
7.根据权利要求1所述的基于离散状态数据和连续监测的故障预测模型方法,其特征在于,所述步骤S2中,第一拟合时间段内点位上的离散数据构成了已知点列,第一拟合曲线与已知点列之间的偏离值通过最大误差控制量模型,对第一拟合曲线进行验证,确定第一拟合曲线不大于最大误差阈值。
8.根据权利要求1所述的基于离散状态数据和连续监测的故障预测模型方法,其特征在于,所述步骤S1中,对监控点位按照机组设备完成一项动作的响应区域及监控点位上下游工艺流程自动进行分组,响应区域包括可能影响该区域上的多处离散数据协同完成动作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210398076.9A CN114706730A (zh) | 2022-04-12 | 2022-04-12 | 基于离散状态数据和连续监测的故障预测模型方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210398076.9A CN114706730A (zh) | 2022-04-12 | 2022-04-12 | 基于离散状态数据和连续监测的故障预测模型方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114706730A true CN114706730A (zh) | 2022-07-05 |
Family
ID=82175274
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210398076.9A Pending CN114706730A (zh) | 2022-04-12 | 2022-04-12 | 基于离散状态数据和连续监测的故障预测模型方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114706730A (zh) |
-
2022
- 2022-04-12 CN CN202210398076.9A patent/CN114706730A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US6799143B1 (en) | Process and device for evaluating the performance of a process control system | |
CN106404403B (zh) | 用于涡轮机的分析的方法和系统 | |
CN109085814A (zh) | 一种火电汽轮机组整体设备系统延寿评估方法 | |
EP3507464B1 (en) | Tightness test evaluation module for a valve and actuator monitoring system | |
US10233786B2 (en) | Actuator spring lifetime supervision module for a valve and actuator monitoring system | |
CN108072524B (zh) | 一种风电机组齿轮箱轴承故障预警方法 | |
US20020052712A1 (en) | Method for the monitoring of a plant | |
CN110702394B (zh) | 一种基于振动变化特征的汽轮发电机组振动故障诊断方法 | |
CN105549503A (zh) | 抽水蓄能机组振摆保护与监测系统 | |
CN108732494A (zh) | 一种风力发电机异常诊断处理系统 | |
CN113176081B (zh) | 一种基于历史数据的汽轮机叶片磨损监测方法 | |
CN110552832A (zh) | 水轮机组故障诊断及健康状态评估方法 | |
US20150128596A1 (en) | Steam turbine blade vibration monitor backpressure limiting system and method | |
CN114323665A (zh) | 一种燃气轮机燃料供给系统故障的检测方法 | |
CN114252272A (zh) | 一种燃气轮机轴承散热异常的检测方法 | |
CN103364723A (zh) | 基于电压电流平衡性的风力发电机运行状态分析方法 | |
CN114706730A (zh) | 基于离散状态数据和连续监测的故障预测模型方法 | |
Li et al. | Optimal maintenance information system of Gezhouba hydro power plant | |
Mazur et al. | Advancements in vibration monitoring for the mining industry | |
RU2668852C1 (ru) | Способ и система учета остаточного ресурса компонентов турбоагрегата | |
CN108256663A (zh) | 一种核电运行事故风险实时预测方法 | |
Naumov et al. | Experience in use of remote access and predictive analytics for power equipment’s condition | |
US10151216B2 (en) | Insulation quality indicator module for a valve and actuator monitoring system | |
CN114861711A (zh) | 基于机器学习的水轮机组设备故障影响因素智能预判方法 | |
US4104908A (en) | Bore stress limit index |
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 |