CN114776603B - 一种离心式循环泵使用寿命监测系统及预测方法 - Google Patents
一种离心式循环泵使用寿命监测系统及预测方法 Download PDFInfo
- Publication number
- CN114776603B CN114776603B CN202210526455.1A CN202210526455A CN114776603B CN 114776603 B CN114776603 B CN 114776603B CN 202210526455 A CN202210526455 A CN 202210526455A CN 114776603 B CN114776603 B CN 114776603B
- Authority
- CN
- China
- Prior art keywords
- centrifugal
- lift
- efficiency
- circulating pump
- data
- 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
Links
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
- F04D—NON-POSITIVE-DISPLACEMENT PUMPS
- F04D15/00—Control, e.g. regulation, of pumps, pumping installations or systems
- F04D15/0088—Testing machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06N3/048—Activation functions
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Mechanical Engineering (AREA)
- Algebra (AREA)
- Fluid Mechanics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medical Informatics (AREA)
- Control Of Non-Positive-Displacement Pumps (AREA)
Abstract
本发明公开了一种离心式循环泵使用寿命监测系统及预测方法,包括:离心式循环泵、涡轮流量计、压力变送器、直流电压变送器、电流输入隔离器、流量控制阀、转速控制阀、多功能数据采集卡、LabVIEW软件平台端。该方法指的是采用内嵌门控循环单元(GRU)模型及支持向量机(SVM)模型相结合的方式,监测系统采集数据在最优GRU模型上练习预测数据,将预测数据导入SVM模型做出效率和扬程的预测曲线,通过设定间隔失效阈值计算泵剩余使用寿命。该种预测方法解决了由单一GRU或SVM模型得出数据的不准确性、拟合精度不高和运算复杂等问题。GRU和SVM模型相结合使最终寿命预测更加精确,预测的运算时间大大提高。
Description
技术领域
本发明属于机械设备智能监测及剩余寿命预测领域,特别是涉及一种离心式循环泵使用寿命监测系统及预测方法。
背景技术
离心式循环泵表现为泵整体安装构造紧密、占地面积小、重量轻,采用一体式电机驱动,主要应用于在以温水循环为目的的水泵系统,通过对供热管道中已冷却的热水进行循环加热,从而减少热水的等待时间和水资源的浪费。离心式循环泵被用于各种供水供暖的系统中,包括电力、石油化工及生产生活中余热利用等领域。
目前在离心式循环泵的使用中,由于受到安装方式、运行环境和密封状况等条件的影响,使得泵无法长期有效的稳定运行。一旦发生故障和损坏,将严重影响泵的正常使用,导致整个运行系统发生中断,同时维修更换也会耗费不少的时间和人工成本。这就使得“如何智能化预测泵的剩余使用寿命”成为当前研究关键。智能化的监测控制系统运用于离心式循环泵,可以监测和采集泵运行时的状态参数,利用采集的数据做出泵剩余使用寿命的趋势预测,也可以通过设定参数值有效控制泵运行的转速及流量。根据预测所得的剩余使用寿命趋势,计算其剩余寿命时长,从而可以在故障或损坏发生之前及时对泵进行维修或更换,减少不必要的损失。目前的泵系统检修维护已经由过去的被动式或预防性维护转换为当前的主动式或预测性维护。本文所提出的一种离心式循环泵剩余使用寿命监测系统及预测方法,能够快速精准的采集泵性能参数,通过内嵌门控循环单元(GRU)模型和支持向量机(SVM)模型对泵的性能参数进行趋势预测,依据设定失效阈值计算剩余使用时长,从而保障泵在可预期性下平稳有效运行。
发明内容
本发明的目的是提供一种离心式循环泵使用寿命监测系统及预测方法,以解决上述现有技术存在的问题。
一方面为实现上述目的,本发明提供了一种离心式循环泵使用寿命监测系统,包括:
离心式循环泵、压力变送器、涡轮流量计、直流电压变送器、电流输入隔离器、转速控制阀、流量控制阀、多功能数据采集卡、LabVIEW软件平台端;
所述压力变送器、涡轮流量计、直流电压变送器和电流输入隔离器用于采集进出口的压力、流量、电压、电流,并输入到所述多功能数据采集卡中;
所述LabVIEW软件平台端用于数据接收和数字信号的控制输出。
可选地,所述离心式循环泵的进口与出口都设有直流电压变送器、压力变送器、涡轮流量计、电流输入隔离器。
可选地,所述多功能数据采集卡用于基于USB接口采集所述离心式循环泵的性能参数数据并输入所述LabVIEW软件平台端。
可选地,所述LabVIEW软件平台端还用于基于内嵌公式获取并存储所述离心式循环泵的效率、扬程和功率,基于效率和扬程进行所述离心式循环泵的使用寿命预测。
另一方面为实现上述目的,本发明提供了一种离心式循环泵使用寿命预测方法,包括以下步骤:
利用上述一种离心式循环泵使用寿命监测系统采集泵性能参数的实时数据;
基于所述实时数据采用GRU模型进行训练、评估和预测,基于该模型利用预测数据获取所述离心式循环泵的效率寿命预测曲线及扬程寿命预测曲线;
将所述预测数据输入SVM模型得出所述离心式循环泵的剩余使用寿命。
可选地,基于所述实时数据对GRU模型进行训练的过程包括:对采集的多组数据进行训练得到对应的预测曲线,再对训练后的模型进行评估分析,获得拟合精度高,相对误差小的最优模型,将待输入的预测数据导入所述最优模型,预测扬程和效率的大致走向,对泵的剩余寿命做出初步预测。
可选地,将所述预测数据输入SVM模型得出所述离心式循环泵的剩余使用寿命的过程包括:将所述预测数据导入SVM模型分别对不同时间变化下的效率及扬程进行线性超平面划分,对超平面两端的效率和扬程的间隔值进行失效阈值设置,计算效率和扬程的失效周期,基于效率和扬程的失效周期计算出所述离心式循环泵的剩余使用寿命。
可选地,基于效率和扬程的失效周期得出所述离心式循环泵的剩余使用寿命的过程包括:
效率和扬程的间隔值随时间pt的的变化值为:
d Et * ={d E1t ,d E2t ,…d Emt ,d E(m+1)t ,…d Ept },d Ht * ={d H1t ,d H2t ,…d Hnt ,d H(n+1)t ,…d Hpt }
效率和扬程的失效阈值分别设为d Es 和d Hs 。
若效率的实际间隔值和失效值之间存在以下关系:dEmt≥dEs且dE(m+1)t≤dEs,则此时以效率为失效指标所得的剩余寿命时长为T E =m,若扬程的实际间隔值和失效值之间存在以下关系:dHnt≥dHs且dH(n+1)t≤dHs,以扬程为失效指标所得的剩余寿命时长为T H =n,离心式循环泵的剩余使用寿命时长为:
可选地,当效率或扬程的间隔距离值小于失效阈值时,则判断离心式循环泵的寿命周期结束。
本发明的技术效果为:
本发明将GRU和SVM模型相结合,在原有单一模型预测性能的基础上尽可能的减小GRU模型的梯度消失现象,基于GRU模型练习寿命预测曲线的最优预测数据,再导入SVM模型进行最优超平面划分。在SVM模型中因效率和扬程在数值上有明显差异性,故在最优超平面的求解上能有效增大运算结果的精确度,最后根据设定的失效间隔值计算出SVM模型预测曲线下的效率和扬程生命周期,预测出循环泵的剩余使用寿命。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本发明实施例中的泵性能参数监测系统结构图;
图2为本发明实施例中的预测方法流程图。
具体实施方式
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组合。下面将参考附图并结合实施例来详细说明本申请。
需要说明的是,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。
实施例一
如图1-2所示,本实施例中提供一种离心式循环泵使用寿命监测系统及预测方法,包括:
离心式循环泵、涡轮流量计、压力变送器、直流电压变送器、电流输入隔离器、转速控制阀、流量控制阀、多功能数据采集卡、LabVIEW软件平台端。所述LabVIEW平台端包含泵运行实时数据监测控制程序和剩余寿命预测方法。
在离心式循环泵的进出口设置YD-322型扩散硅压力变送器、LWGY-SIN-DN10型号的涡轮流量计、SIN-402Y型配电或电流输入隔离器分别用于采集进出口压力、流量、电压、电流等性能参数,最终输入存储到多功能数据采集卡中。
所述多功能数据采集卡采用的是USB-3100多功能数据采集卡,经由USB2.0接口将采集数据信息输入到基于LabVIEW软件平台端,进而对数据做进一步的处理与分析,通过数据监测控制程序可以赋予电脑端的程序控制中心指定数字信号,从而实现通过对循环泵运行时电机转速的控制及流量阀门开度的调节,最终达到泵运行状态参数控制的目的。泵在此智能化操作基础上有效确保了其性能参数读取和调节的快速实现,从而实时监测泵的运行状态。
考虑到该离心式循环泵主要用在处于温水循环的系统中,其电动机采用低压电路内置无刷DC马达的电机形式,阀门选用耐磨小巧的天津博尔思阀门厂的DN15型电动阀门,用户同样可以通过LabVIEW软件平台端输入模拟信号实现对电动机与电动阀门的输出控制。
作为整个监测系统的控制中心,LabVIEW软件平台端除了负责数据的信息采集和数字信号的控制输出外,还结合不同用户的实际需要,对管理员及普通用户两类使用者设置不同操作权限,普通用户只能查看数据内容和控制信号输出,管理员在此操作的基础上还可以修改平台运行监测的原始代码和程序框图,同时也可以调用不同的剩余寿命预测方法,从而适应对泵不同需求下的功能要求。
所获数据信息经LabVIEW软件平台端的内嵌公式计算得出泵的扬程、效率和功率等关键性能参数,并对每个不同运行时间步长的数据信息进行记录存储,以便用于后续泵寿命的智能化预测。
扬程计算公式定义为:
其中:P o 、P i 为泵进出口压力;V o 、V i 为泵进出口平均流速;Z o 、Z i 为泵进出口位置到水平面的距离;ρ为介质密度;g为当地重力加速度。
输入功率计算公式定义为:
其中,I表示离心泵电机工作电流,U表示离心泵电机工作电压。
输出功率的计算公式定义为:
其中,Q表示离心泵的流量大小,H表示离心泵的扬程大小。
离心泵的效率定义为输出功率与输入功率的比值,计算公式为:
所述泵智能化寿命预测方法首先基于GRU模型得出泵的效率及扬程的时间预测趋势曲线,对于数据库里的存储数据可分为模型训练、模型评估及模型预测三个步骤进行处理。
将数据库里的效率E和扬程H转换为时序函数,对该时序函数向量化,将数据作为输入值X t 导入GRU模型中进行训练,模型计算公式如下:
式中,Z t 表示更新门,更新门值越大表示对于前一时刻的数据记忆的越多,因其可复制传递原先信息从而减少梯度消失与爆炸现象;X t 为第t个时间步的输入向量;h t-1 为上一级神经元的隐藏层数据输入,W z 和U z 为更新门的权重矩阵;σ表示将向量矩阵通过sigmoid激活函数转换为0到1之间的激活值。
式中,r t 表示重置门,表示过去信息遗忘多少信息及当前数据输入情况;W r 和U r 为重置门的权重矩阵。
为了提高训练模型的预测的准确性,采用多组训练数据组合方式,得到几种不同的训练预测曲线,对训练后的各个模型进行评估分析,最终得到拟合精度高,相对误差小的最优模型,将预测数据输入该最优模型练习,预测输出效率E(t)和扬程H(t)曲线的大致走向,对泵剩余寿命做出初步预测。
将上述所得的预测数据导入SVM模型实现对效率及扬程两目标的线性超平面划分,分别对超平面两端效率和扬程的间隔值进行失效阈值设置,通过效率和扬程的失效周期预测泵的剩余使用寿命。
本发明要实现的是通过约束分类间隔的大小判断两类样本的参数值是否异常失效,最终由失效周期预测剩余寿命。假设给定输入数据是随时间T={T 1 ,T 2 …T n }变化的,对于随时间变化的效率E和扬程H,分别将其设为E={E 1 ,E 2 …E n },H={H 1 ,H 2 …H n }。
SVM模型的目的就是找到样本点的最优超平面也就是最大分类间隔,对于任何超平面可用下面这个线性方程来描述:
式中,参数w和b分别为表示超平面的法向量和截距。
为将样本进行线性划分,对决策超平面两端的间隔边界进行定义:
若样本位于上间隔边界属于正类,位于下间隔边界属于负类。
将方程组合并为:
超平面到其中一间隔边界的距离可表示为:
对于最优超平面两端的效率和扬程间隔距离失效阈值分别设为d Es 和d Hs ,当某一时刻效率或扬程的间隔距离值小于失效阈值时,代表泵寿命周期的结束,此时泵的性能将受到影响,就需要对泵进行维修或更换,以保证泵系统能够正常运行。
效率及扬程作为间隔边界两边的支持向量,其二者与时间之间具有线性关系,将预测数据输入SVM模型中。得到效率和扬程的间隔距离在SVM模型中随时间pt的变化分别是:d Et * ={d E1t ,d E2t ,…d Emt ,d E(m+1)t ,…d Ept },d Ht * ={d H1t ,d H2t ,…d Hnt ,d H(n+1)t ,…d Hpt }。效率和扬程的失效阈值分别设为d Es 和d Hs 。
若某一pt时刻时效率的实际间隔值和失效值之间存在以下关系:
此时以效率为失效指标所得的剩余寿命时长为T E =m。
若某一pt时刻时扬程的实际间隔值和失效值之间存在以下关系:
此时以扬程为失效指标所得的剩余寿命时长为T H =n。
最终可定义离心式循环泵的剩余使用寿命时长为:
通过文字和附图阐述了本发明的具体系统图构成及泵剩余寿命预测方法。本领域技术人员在不脱离本公开的精神和范围的前提下,可进行各种变更和修改,这些变更均将落入本发明的保护范围。
以上所述,仅为本申请较佳的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应该以权利要求的保护范围为准。
Claims (8)
1.一种离心式循环泵使用寿命监测系统,其特征在于,包括:
离心式循环泵、压力变送器、涡轮流量计、直流电压变送器、电流输入隔离器、转速控制阀、流量控制阀、多功能数据采集卡、LabVIEW软件平台端;
所述压力变送器、涡轮流量计、直流电压变送器和电流输入隔离器用于采集进出口的压力、流量、电压、电流,并输入到所述多功能数据采集卡中;
所述LabVIEW软件平台端用于数据接收和数字信号的控制输出;
所述的离心式循环泵使用寿命监测系统的预测过程包括:
利用上述一种离心式循环泵使用寿命监测系统采集泵性能参数的实时数据;
基于所述实时数据采用内嵌门控循环单元(GRU)模型进行训练、评估和预测,基于该模型利用预测数据获取所述离心式循环泵的效率寿命预测曲线及扬程寿命预测曲线;
将所述预测数据输入支持向量机(SVM)模型得出所述离心式循环泵的剩余使用寿命。
2.根据权利要求1所述的离心式循环泵使用寿命监测系统,其特征在于:所述离心式循环泵的进口与出口都设有直流电压变送器、压力变送器、涡轮流量计、电流输入隔离器。
3.根据权利要求1所述的离心式循环泵使用寿命监测系统,其特征在于:所述多功能数据采集卡用于基于USB接口采集所述离心式循环泵的性能参数数据并输入所述LabVIEW软件平台端。
4.根据权利要求1所述的离心式循环泵使用寿命监测系统,其特征在于:所述LabVIEW软件平台端还用于基于内嵌公式获取并存储所述离心式循环泵的效率、扬程和功率,基于效率和扬程进行所述离心式循环泵的使用寿命预测。
5.根据权利要求1所述的离心式循环泵使用寿命监测系统,其特征在于:基于所述实时数据对GRU模型进行训练的过程包括:对采集的多组数据进行训练得到对应的预测曲线,再对训练后的模型进行评估分析,获得拟合精度高,相对误差小的最优模型,将待输入的预测数据导入所述最优模型,预测扬程和效率的大致走向,对泵的剩余寿命做出初步预测。
6.根据权利要求1所述的离心式循环泵使用寿命监测系统,其特征在于:将所述预测数据输入SVM模型得出所述离心式循环泵的剩余使用寿命的过程包括:将所述预测数据导入SVM模型分别对不同时间变化下的效率及扬程进行线性超平面划分,对超平面两端的效率和扬程的间隔值进行失效阈值设置,计算效率和扬程的失效周期,基于效率和扬程的失效周期计算出所述离心式循环泵的剩余使用寿命。
7.根据权利要求6所述的离心式循环泵使用寿命监测系统,其特征在于:基于效率和扬程的失效周期得出所述离心式循环泵的剩余使用寿命的过程包括:
效率和扬程的间隔值随时间pt的变化值分别为:
d Et * ={d E1t ,d E2t ,…d Emt ,d E(m+1)t ,…d Ept },d Ht * ={d H1t ,d H2t ,…d Hnt ,d H(n+1)t ,…d Hpt }
效率和扬程的失效阈值分别设为d Es 和d Hs
若效率的实际间隔值和失效阈值之间存在以下关系:dEmt≥dEs且dE(m+1)t≤dEs,则此时以效率为失效指标所得的剩余寿命时长为T E =m,若扬程的实际间隔值和失效阈值之间存在以下关系:dHnt≥dHs且dH(n+1)t≤dHs,以扬程为失效指标所得的剩余寿命时长为T H =n,离心式循环泵的剩余使用寿命时长为:
8.根据权利要求7所述的离心式循环泵使用寿命监测系统,其特征在于:当效率或扬程的间隔值小于失效阈值时,则判断离心式循环泵的寿命周期结束。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210526455.1A CN114776603B (zh) | 2022-05-16 | 2022-05-16 | 一种离心式循环泵使用寿命监测系统及预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210526455.1A CN114776603B (zh) | 2022-05-16 | 2022-05-16 | 一种离心式循环泵使用寿命监测系统及预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114776603A CN114776603A (zh) | 2022-07-22 |
CN114776603B true CN114776603B (zh) | 2023-05-19 |
Family
ID=82437787
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210526455.1A Active CN114776603B (zh) | 2022-05-16 | 2022-05-16 | 一种离心式循环泵使用寿命监测系统及预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114776603B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115329493B (zh) * | 2022-08-17 | 2023-07-14 | 兰州理工大学 | 一种基于离心泵数字孪生模型的叶轮机械故障检测方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08270587A (ja) * | 1995-03-31 | 1996-10-15 | Nisshin Steel Co Ltd | うず巻ポンプの寿命予測方法 |
JP2014202144A (ja) * | 2013-04-05 | 2014-10-27 | 新日本造機株式会社 | 遠心ポンプの診断方法 |
CN106089753B (zh) * | 2016-07-01 | 2018-01-19 | 太原理工大学 | 一种离心泵剩余寿命预测方法 |
CN106438395A (zh) * | 2016-10-20 | 2017-02-22 | 太原理工大学 | 矿用离心泵在线加速寿命试验平台及其试验方法 |
CN106772041A (zh) * | 2016-12-23 | 2017-05-31 | 江苏大学镇江流体工程装备技术研究院 | 一种基于Android平台的离心泵电机状态监测装置及监测方法 |
-
2022
- 2022-05-16 CN CN202210526455.1A patent/CN114776603B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN114776603A (zh) | 2022-07-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110007652B (zh) | 一种水电机组劣化趋势区间预测方法与系统 | |
CN104595170B (zh) | 一种自适应核高斯混合模型的空压机监控诊断系统及方法 | |
Sun et al. | Optimization of support vector regression model based on outlier detection methods for predicting electricity consumption of a public building WSHP system | |
CN109213127A (zh) | 一种基于深度学习的hvac系统渐变故障诊断方法 | |
CN112000015B (zh) | 一种基于lstm和生物激励神经网络的重型燃机控制系统控制器模块智能bit设计方法 | |
CN108376264A (zh) | 一种基于支持向量机增量学习的冷水机组故障诊断方法 | |
CN113825356B (zh) | 冷源系统的节能控制方法、装置、电子设备和存储介质 | |
CN113554466B (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
CN114776603B (zh) | 一种离心式循环泵使用寿命监测系统及预测方法 | |
CN107036238B (zh) | 动态预测外气与负载智慧节能控制方法 | |
CN117096504B (zh) | 温度控制方法及装置、设备、存储介质 | |
CN113344288B (zh) | 梯级水电站群水位预测方法、装置及计算机可读存储介质 | |
TW202030617A (zh) | 基於因果學習之資料中心基礎設施最佳化方法 | |
CN117713221B (zh) | 一种微逆光伏并网优化系统 | |
CN116632838A (zh) | 应用于发电企业的电能供给分析的方法及装置 | |
CN113821903B (zh) | 温度控制方法和设备、模块化数据中心及存储介质 | |
Su et al. | Operating optimization of air-conditioning water system in a subway station using data mining and dynamic system models | |
CN117346129A (zh) | 锅炉高温过热器外包低温受热面的温度调控系统 | |
CN112508278A (zh) | 一种基于证据回归多模型的多联供系统负荷预测方法 | |
CN116541778A (zh) | 一种基于物联网的设备数据处理和缓存方法 | |
Wang et al. | A steady-state detection method based on Gaussian discriminant analysis for the on-line gas turbine process | |
CN116187506A (zh) | 考虑气象分类的短期风电功率组合概率预测方法及系统 | |
CN112580875B (zh) | 一种配电装置的故障预测方法及系统 | |
CN117878979B (zh) | 基于电储能的功率平衡及动态补偿系统 | |
KR20200040116A (ko) | 건물설비 제어방법 및 장치 |
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 |