CN115095534B - 一种基于kpca的candu6反应堆主泵故障诊断方法 - Google Patents
一种基于kpca的candu6反应堆主泵故障诊断方法 Download PDFInfo
- Publication number
- CN115095534B CN115095534B CN202210371823.XA CN202210371823A CN115095534B CN 115095534 B CN115095534 B CN 115095534B CN 202210371823 A CN202210371823 A CN 202210371823A CN 115095534 B CN115095534 B CN 115095534B
- Authority
- CN
- China
- Prior art keywords
- statistic
- data
- main pump
- kpca
- spe
- 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
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000003745 diagnosis Methods 0.000 title claims abstract description 18
- 238000001514 detection method Methods 0.000 claims abstract description 13
- 238000013507 mapping Methods 0.000 claims abstract description 5
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 238000012545 processing Methods 0.000 claims abstract description 4
- 230000009467 reduction Effects 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 18
- 238000012544 monitoring process Methods 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 5
- 239000013598 vector Substances 0.000 claims description 4
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 2
- 230000005856 abnormality Effects 0.000 abstract description 10
- 230000007547 defect Effects 0.000 abstract description 7
- 238000012423 maintenance Methods 0.000 abstract description 3
- 238000005457 optimization Methods 0.000 abstract description 2
- 230000002159 abnormal effect Effects 0.000 description 16
- 238000007689 inspection Methods 0.000 description 7
- XLYOFNOQVPJJNP-ZSJDYOACSA-N Heavy water Chemical compound [2H]O[2H] XLYOFNOQVPJJNP-ZSJDYOACSA-N 0.000 description 4
- 239000002826 coolant Substances 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 241000555745 Sciuridae Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002285 radioactive effect Effects 0.000 description 1
- 238000010992 reflux Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- F04D15/0077—Safety measures
-
- 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
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Mechanical Engineering (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Analysis (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
- Operations Research (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Monitoring And Testing Of Nuclear Reactors (AREA)
Abstract
本发明提供了一种基于KPCA的CANDU6反应堆主泵故障诊断方法，包括如下步骤：步骤S1：对历史数据进行数据预处理；步骤S2：采用核函数将数据映射到高维空间；步骤S3：对高维空间的数据进行PCA降维处理；步骤S4：计算Hotelling T2统计量与Q统计量的控制限制；步骤S5：判断Hotelling T2统计量或Q统计量是否超出控制限，若其中一个统计量超出控制限，则判断主泵出现故障。本发明提供的基于KPCA的CANDU6反应堆主泵故障诊断方法能够及时发现设备的早期异常，从而提高主泵的智能预警能力，补偿固定阈值报警和人工检测发现主泵故障的不足之处，并为后续维护策略的优化提供支持。
Description
技术领域
本发明涉及核电站设备故障诊断技术领域，尤其涉及一种基于KPCA的 CANDU6反应堆主泵故障诊断方法。
背景技术
核电站主泵是核电站一回路主要的大型机械旋转设备，为一回路冷却剂的 强迫循环提供循环动力，将反应堆产生的热量通过一回路冷却剂传递到蒸发器 二次侧。一旦主泵出现故障，可能会导致放射性泄露、反应堆停堆，给核电站 的安全经济运行带来很大的威胁。因此对主泵的运行监视和故障诊断就尤为重 要，及时准确的定位故障可以给核电站人员的干预提供更多的时间。
当前核电站的系统及设备状态监测，以秦山3期为例，是通过主控室的窗 报和CRT报警，现场值班员的定期巡检，主控室操作员的巡盘和PDS(Plant Display System)参数检查等手段实现。主控室的窗报和CRT报警是通过报警 阈值对参数进行监测，不能提前发现缺陷；现场值班员的定期巡检，主控操作 员的巡盘和PDS参数检查又不能做到全时间段的覆盖并且缺陷发现能力又和人 员的工作经验相关。
核电站装设了众多的传感器采集设备的运行数据，且随着运行会积累大量 的历史数据，这些数据蕴藏着设备的运行信息、缺陷演化过程，基于数据驱动 建模分析的核电站状态智能监测，代替固定阈值报警和人工检测是有利于核电 站的安全稳定运行。
发明内容
本发明的目的在于克服现有技术中所述的缺陷，从而提供一种基于KPCA的CANDU6反应堆主泵故障诊断方法，该主泵故障诊断方法能够及时发现设备的早 期异常，从而提高主泵的智能预警能力，补偿固定阈值报警和人工检测发现主 泵故障的不足之处，并为后续维护策略的优化提供支持。
为了实现上述目的，本发明提供如下技术方案：
一种基于KPCA的CANDU6反应堆主泵故障诊断方法，包括如下步骤：
步骤S1：对历史数据进行数据预处理；
步骤S2：采用核函数将数据映射到高维空间；
步骤S3：对高维空间的数据进行PCA降维处理；
步骤S4：计算Hotelling T2统计量与Q统计量的控制限制；
步骤S5：判断Hotelling T2统计量或Q统计量是否超出控制限，若其中一 个统计量超出控制限，则判断主泵出现故障。
步骤S1具体包括如下步骤：
步骤S11：对主泵运行过程中m个测点进行n次取样构成原始空间的数据集 X＝{xi}，i＝1，2，…，n，xi∈Rm，其中，n表示数据数量，m代表数据维度；
步骤S12：采用滑动均值滤波对获得的统计量进行平滑处理；
步骤S13：将滑动均值滤波处理后的数据进行归一化，得到归一化后的训练 数据。
在步骤S12中，滑动均值滤波采用其中，x(j)和y(i)分 别为输入信号和输出信号，l为时间窗长度。
在步骤S13中，通过Xi＝(xi-mean(xi))/Std(xi)进行归一化，其中，mean(xi) 为数据的平均值，Std(xi)为数据的标准差。
步骤S2中，利用核函数计算核矩阵K，Kij＝K(xi，xj)。
所述核函数采用径向基核函数
步骤S3具体包括如下步骤：
步骤S31：计算出核矩阵K中心化后的矩阵其中，
步骤S32：求解特征方程v＝[v1，v2，…，vn]T的特征值和特征向 量，可以得到特征值λ1≥λ2≥λ3≥…≥λn和对应的特征向量v1，v2，…，vn；
步骤S33：采用累计方差贡献率方法来确定主元个数k，取CPV值大于85％ 时的主元个数。
步骤S4具体包括如下步骤：
步骤S41：建立KPCA模型，将过程数据分别投影到相互正交的主元空间和 残差空间中，并且分别在相应子空间中建立统计量来进行监测，采用的故障检 测统计量为Hotelling T2统计量和平方预测误差SPE，分别监测数据在KPCA主 元空间和残差空间中的变化，其中SPE＝||x-xPPT||2≤Qa，式中， Λ＝diag(λ1，λ2，…，λk)；P为载荷矩阵，由降序排列的前k个特征值所对应的特征向量 构成；
步骤S42：计算T2统计量和SPE统计量的限值，分别为和Qa，若和Qa其中 一个统计量超出控制限，则判断主泵出现故障，
其中，通过得到，T2服从F分布，其自由度为m与 K-m，α为显著水平，
Qa通过得到，Q服从χ2分布，其中Cα为标准 正态分布(1-α)分位点处的标准差。
所述的基于KPCA的CANDU6反应堆主泵故障诊断方法还包括步骤S6：根据实 时数据建立KPCA模型，计算出对应的T2统计量和SPE统计量。
所述的基于KPCA的CANDU6反应堆主泵故障诊断方法包括步骤S7：采用贡 献图法对故障进行定位和辨识，通过和得到变量的贡献值，式中，C_T2和C_SPE分别 表示变量xi对T2统计量和SPE统计量的贡献值；Pr为一个标准正交矩阵，且满足Pri表示矩阵Pr中的第i行。
与现有技术相比，本发明提供的基于KPCA的CANDU6反应堆主泵故障诊断 方法具有以下有益效果：
相比较于CANDU6核电站目前的人工检查和固定阈值报警的参数监测手段， 本发明可以提供一种参数的自动监视和预警技术，实现对设备状态的故障早期 异常监测和诊断，并且贡献图法能够准确地识别出异常信号源，从而对故障进 行定位。
本发明应用于秦山3期CANDU6反应堆主泵电机下推力轴承温度异常、轴承 系统状态异常和轴承壳振异常3种场景中，验证结果表明该技术能够对主泵的 异常进行及时有效的检测和识别。有效改善了核电厂中阈值检测的滞后性，弥 补了人工检查的不足，为优化操纵人员的维护策略提供了有效的支持。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施 例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述 中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付 出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
图1为基于KPCA的CANDU6反应堆主泵故障诊断方法的流程图；
图2为电机下推力轴承温度异常信号；
图3为轴封异常信号；
图4为轴承壳振动异常信号；
图5至图7为电机下推力轴承温度异常情况下KPCA检测结果，其中，图5 示出了T2和SPE统计量变化情况，图6示出了正常情况下各统计量贡献率，图7 示出了异常情况下各统计量贡献率；
图8至图10为轴封异常情况下KPCA检测结果，其中，图8示出了T2和SPE统 计量变化情况，图9示出了正常情况下各统计量贡献率，图10示出了异常情况下各统计量贡献率；
图11至图13为轴承壳振异常情况下KPCA检测结果，其中，图11示出了T2和SPE统计量变化情况，图12示出了正常情况下各统计量贡献率，图13示出了 异常情况下各统计量贡献率。
具体实施方式
下面通过具体实施方式进一步详细说明。
为了便于理解，首先对秦山3期CANDU6反应堆的主泵做简要介绍。该主泵 为立式、单级、双蜗壳离心泵，有一个垂直的入口管和两个出口管。主泵由一 台6.7MWe的鼠笼式感应电机驱动。电机上不设置飞轮，通过增加电机转子主轴 的质量来增加转动惯量。为了防止冷却剂泄露，主泵设置了三道机械密封和一 道备用密封。正常运行工况下，轴封系统3.33％的重水将向上进入各级机械密封。 其余96.6％的重水将向下分成两个部分，其中3.33％进入泵体，剩余93.3％成为 强迫再循环流。
在主泵上设置了各类传感器以监测主泵的运行状态，其测点布置情况如下 表1所示。
表1
主泵含有各类测点20个，根据主泵各部件的功能及测点的参数特征，将主 泵分为电机监测、轴封监测和振动信号监测，采用分布式策略分别建立监测模 型。建立各部件模型所需的测点参量如下表2所示。表中加粗的测点表示在后续验证过程中考虑的异常信号。分别为电机下推力轴承温度异常信号，如图2 所示；轴封异常信号，如图3所示；轴承壳振动异常信号，如图4所示。
针对3种故障情景，采用KPCA方法分别建立电机、轴封和振动信号的异常 检测模型，建立各模型所需的测点和编号如表2所示。
表2
模型均采用历史数据的正常样本进行训练。
如图1所示，本发明提供了一种基于KPCA的CANDU6反应堆主泵故障诊断 方法，包括如下步骤：
步骤S1：对历史数据进行数据预处理；
步骤S2：采用核函数将数据映射到高维空间；
步骤S3：对高维空间的数据进行PCA降维处理；
步骤S4：计算Hotelling T2统计量与Q统计量的控制限制；
步骤S5：判断Hotelling T2统计量或Q统计量是否超出控制限，若其中一 个统计量超出控制限，则判断主泵出现故障。
具体地，步骤S1包括如下步骤：
步骤S11：对主泵运行过程中m(在本案例中，m取20)个测点进行n次取样 (在本案例中，n取1000)构成原始空间的数据集X＝{xi}，i＝1，2，…，n， xi∈Rm，式中n表示数据数量，m代表数据维度。
步骤S12：为了降低参数随机波动造成的误报警，采用滑动均值滤波技术对 获得的统计量进行平滑处理。滑动均值滤波本质上是一个低通滤波器，它在保 持原始信号特征的同时，能够有效抑制信号噪声，从而降低误报警的发生。滑 动均值滤波的原理如下式所示：
式中，x(j)和y(i)分别为输入信号和输出信号；l为时间窗长度，本案例中 取l数值为3。
步骤S13：数据的归一化。将滑动均值滤波处理后的数据进行归一化。得到 归一化后的训练数据。归一化的公式为：
Xi＝(xi-mean(xi))/Std(xi)
式中mean(xi)为数据的平均值，Std(xi)为数据的标准差。
步骤S2为利用核函数计算核矩阵K，Kij＝K(xi，xj)。本案例中采用的核函数为 径向基核函数，公式如下：
步骤S3具体包括如下步骤：
步骤S31：计算出核矩阵K中心化后的矩阵K，其中
步骤S32：求解特征方程的特征值和特征向量，可以得到特征值λ1≥λ2≥λ3≥…≥λn和对应的特征向量v1，v2，…，vn。 根据PCA的原理，每一个特征向量v都可以代表高维映射空间中的非线性主元方 向。
步骤S33：采用累计方差贡献率(Cumulative percent variance，CPV)方 法来确定主元个数k，通常取CPV值大于85％时的主元个数。
步骤S4具体包括如下步骤：
步骤S41：建立KPCA模型，将过程数据分别投影到相互正交的主元空间和 残差空间中，并且分别在相应子空间中建立统计量来进行监测。本案例采用的 故障检测统计量为Hotelling T2统计量和平方预测误差(Squared prediction error，SPE)。这两个统计量分别监测数据在KPCA主元空间和残差空间中的变化。
SPE＝||x-xPPT||2≤Qa
式中，Λ＝diag(λ1，λ2，…，λk)；P为载荷矩阵，由降序排列的前k个特征值所对应的特征向量构成；
步骤S42：计算T2统计量和SPE统计量的限值，分别为和Qa。其中计算过 程为：
T2服从F分布，其自由度为m与K-m，α为显著水平，当出现故障时T2统 计量会超过限制；
Qa计算过程为：
h0＝1-2θ1θ3/3θ2 2
Q服从χ2分布，其中Cα为标准正态分布(1-α)分位点处的标准差，当有故 障发生时就会出现Q统计量超出控制限。
步骤S6：在线监测。重复上述过程，根据实时数据建立KPCA模型，计算出 对应的T2统计量和SPE统计量。当任一个统计量超出限值后，即认为主泵发生异 常。
步骤S7：采用贡献图法对故障进行定位和辨识。与传统PCA方法贡献图不 同，KPCA方法中检测样本与统计量之间存在非线性关系，无法采用线性变化求 取变量的贡献率。但是，经过研究发现统计量数值等于其对每个变量的偏导数 之和，因此统计量对每个变量的偏导数可以视为相应变量对统计量的贡献值。因此可得变量的贡献值如下所示：
式中，C_T2和C_SPE分别表示变量xi对T2统计量和SPE统计量的贡献值；Pr为一 个标准正交矩阵，且满足Pri表示矩阵Pr中的第i行。
3个故障场景KPCA的T2和SPE统计量及相应的贡献率图如下图5至图所示。
如图5至图7所示，故障为电机下推力轴承温度异常，异常信号为5号测 点“电机下推力轴承温度”，虽然T2统计量没有有效检测出异常，但是SPE统计量 及时地检测出了系统异常，并且T2和SPE统计量贡献图分别识别出了异常信号源， 即第5个测点“电机下推力轴承温度”。T2统计量表示的是样本在主元空间的变 化情况，而SPE统计量表示的是样本在残差空间的变化情况，显然从图5可以看出，残差空间对系统的异常更为敏感。
此外，如图8至图10所示，故障为轴封异常，异常信号为2号测点“轴封 回流温度”、4号测点“第二级密封腔室压力”和5号测点“第三级密封腔室压 力”；并且如图11至图13所示，故障为轴承壳振动异常，异常信号为2号测点 “电机下轴承壳振”和5号测点“泵轴承壳振”。从图8至图13可以看出，异 常发生后T2和SPE统计量均升高并超出了限值，表明KPCA方法有效检测出了主泵 的轴封系统异常和轴承壳振动异常，同时贡献图法也准确识别出了异常信号源。 因此，上述结果验证了KPCA方法在主泵异常检测和故障识别方面的有效性。
以上所述仅为本发明的具体实施方式，但本发明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发明揭露的技术范围内，可轻易想到的变 化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以 所述权利要求的保护范围为准。
Claims (5)
1.一种基于KPCA的CANDU6反应堆主泵故障诊断方法，其特征在于，包括如下步骤：
步骤S1：对历史数据进行数据预处理；步骤S1具体包括如下步骤：
步骤S11：对主泵运行过程中m个测点进行n次取样构成原始空间的数据集X＝{xi}，i＝1，2，...，n，xi∈Rm，其中，n表示数据数量，m代表数据维度；
步骤S12：采用滑动均值滤波对获得的统计量进行平滑处理；
步骤S13：将滑动均值滤波处理后的数据进行归一化，得到归一化后的训练数据；
步骤S2：采用核函数将数据映射到高维空间；利用核函数计算核矩阵K，Kij＝K(xi，xj)，所述核函数采用径向基核函数
步骤S3：对高维空间的数据进行PCA降维处理；步骤S3具体包括如下步骤：
步骤S31：计算出核矩阵K中心化后的矩阵 其中，
步骤S32：求解特征方程的特征值和特征向量，可以得到特征值λ1≥λ2≥λ3≥…≥λn和对应的特征向量v1，v2，...，vn；
步骤S33：采用累计方差贡献率方法来确定主元个数k，取CPV值大于85％时的主元个数；
步骤S4：计算Hotelling T2统计量与Q统计量的控制限制；步骤S4具体包括如下步骤：
步骤S41：建立KPCA模型，将过程数据分别投影到相互正交的主元空间和残差空间中，并且分别在相应子空间中建立统计量来进行监测，采用的故障检测统计量为Hotelling T2统计量和平方预测误差SPE，分别监测数据在KPCA主元空间和残差空间中的变化，其中SPE＝||x-xPPT||2≤Qa，式中，Λ＝diag(λ1，λ2，…，λk)；P为载荷矩阵，由降序排列的前k个特征值所对应的特征向量构成；
步骤S42：计算T2统计量和SPE统计量的限值，分别为和Qa，若和Qa其中一个统计量超出控制限，则判断主泵出现故障，
其中，通过得到，T2服从F分布，其自由度为m与K-m，α为显著水平，
Qa通过得到，Q服从χ2分布，其中Cα为标准正态分布(1-α)分位点处的标准差；
步骤S5：判断Hotelling T2统计量或Q统计量是否超出控制限，若其中一个统计量超出控制限，则判断主泵出现故障。
2.根据权利要求1所述的基于KPCA的CANDU6反应堆主泵故障诊断方法，其特征在于，在步骤S12中，滑动均值滤波采用其中，x(j)和y(i)分别为输入信号和输出信号，l为时间窗长度。
3.根据权利要求1所述的基于KPCA的CANDU6反应堆主泵故障诊断方法，其特征在于，在步骤S13中，通过Xi＝(xi-mean(xi))/Std(xi)进行归一化，其中，mean(xi)为数据的平均值，Std(xi)为数据的标准差。
4.根据权利要求1所述的基于KPCA的CANDU6反应堆主泵故障诊断方法，其特征在于，还包括步骤S6：根据实时数据建立KPCA模型，计算出对应的T2统计量和SPE统计量。
5.根据权利要求1至4中任一项所述的基于KPCA的CANDU6反应堆主泵故障诊断方法，其特征在于，包括步骤S7：采用贡献图法对故障进行定位和辨识，通过和得到变量的贡献值，式中，C_T2和C_SPE分别表示变量xi对T2统计量和SPE统计量的贡献值；Pr为一个标准正交矩阵，且满足Pri表示矩阵Pr中的第i行。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210371823.XA CN115095534B (zh) | 2022-04-11 | 2022-04-11 | 一种基于kpca的candu6反应堆主泵故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210371823.XA CN115095534B (zh) | 2022-04-11 | 2022-04-11 | 一种基于kpca的candu6反应堆主泵故障诊断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115095534A CN115095534A (zh) | 2022-09-23 |
| CN115095534B true CN115095534B (zh) | 2024-07-16 |
Family
ID=83287969
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210371823.XA Active CN115095534B (zh) | 2022-04-11 | 2022-04-11 | 一种基于kpca的candu6反应堆主泵故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115095534B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102736546A (zh) * | 2012-06-28 | 2012-10-17 | 西安交通大学 | 一种流程工业复杂机电系统的状态监测装置及方法 |
| CN105275833A (zh) * | 2015-10-30 | 2016-01-27 | 北京航空航天大学 | 一种基于CEEMD-STFT时频信息熵和multi-SVM的离心泵故障诊断方法 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190384255A1 (en) * | 2018-06-19 | 2019-12-19 | Honeywell International Inc. | Autonomous predictive real-time monitoring of faults in process and equipment |
| CN110738274A (zh) * | 2019-10-26 | 2020-01-31 | 哈尔滨工程大学 | 一种基于数据驱动的核动力装置故障诊断方法 |
| CN111664083B (zh) * | 2020-05-29 | 2024-06-11 | 中核武汉核电运行技术股份有限公司 | 一种基于贝叶斯网络的核电主泵故障诊断方法 |
| CN112200104B (zh) * | 2020-10-15 | 2022-06-24 | 重庆科技学院 | 一种基于增强主成分分析新型贝叶斯框架的化工故障诊断方法 |
| CN113253705B (zh) * | 2021-05-18 | 2022-05-03 | 北京航空航天大学 | 一种鼓风机的故障诊断方法及装置 |
-
2022
- 2022-04-11 CN CN202210371823.XA patent/CN115095534B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102736546A (zh) * | 2012-06-28 | 2012-10-17 | 西安交通大学 | 一种流程工业复杂机电系统的状态监测装置及方法 |
| CN105275833A (zh) * | 2015-10-30 | 2016-01-27 | 北京航空航天大学 | 一种基于CEEMD-STFT时频信息熵和multi-SVM的离心泵故障诊断方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115095534A (zh) | 2022-09-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ma et al. | Applications of fault detection and diagnosis methods in nuclear power plants: A review | |
| CN109240244B (zh) | 基于数据驱动的设备运行状态健康度分析方法及系统 | |
| CN107844799B (zh) | 一种集成svm机制的冷水机组故障诊断方法 | |
| US6587737B2 (en) | Method for the monitoring of a plant | |
| CN112067335A (zh) | 一种基于多元状态估计的电厂送风机故障预警方法 | |
| CN113705924B (zh) | 一种热控设备智能诊断方法和系统 | |
| Han et al. | Fault detection of pneumatic control valves based on canonical variate analysis | |
| CN112257943A (zh) | 一种基于mset和偏离度的电厂引风机故障预警方法 | |
| CN110209144B (zh) | 基于动静协同差异分析的两层实时监测与报警溯源方法 | |
| EP4113539A1 (en) | Method and system for intelligent monitoring of state of nuclear power plant | |
| CN112632845B (zh) | 基于数据的小型反应堆在线故障诊断方法、介质及设备 | |
| CN114519382A (zh) | 一种核动力装置关键运行参数提取与异常监测方法 | |
| CN117350377A (zh) | 一种基于知识图谱驱动的设备故障诊断方法及装置 | |
| CN108416386A (zh) | 一种用于水电机组轴承温度异常判断的方法及系统 | |
| US11835429B2 (en) | Apparatus for equipment monitoring | |
| CN115095534B (zh) | 一种基于kpca的candu6反应堆主泵故障诊断方法 | |
| CN111898794B (zh) | 一种大型燃煤锅炉热效率的异常监测方法 | |
| CN113390641A (zh) | 风烟系统设备故障的智能预警与在线诊断方法及系统 | |
| CN113323891B (zh) | 基于混合模型的核电站主泵密封故障诊断方法 | |
| CN110940514B (zh) | 风机齿轮箱散热故障的早期诊断模型构建方法及诊断方法 | |
| Elnour et al. | Sensor fault diagnosis of multi-zone HVAC systems using auto-associative neural network | |
| CN116490933A (zh) | 使用神经网络模型跟踪异常状态判断依据的装置和方法 | |
| Marseguerra et al. | A Fuzzy Logic–based Model for the Classification of Faults in the Pump Seals of the Primary Heat Transport System of a Candu 6 Reactor | |
| CN116449761B (zh) | 智能泵站智慧控制系统及方法 | |
| CN117662491A (zh) | 基于主成分和深度学习算法的主泵故障诊断方法及系统 |
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 |