CN115749990A - 一种基于遗传算法的汽轮机流量特性及阀门故障检测方法 - Google Patents
一种基于遗传算法的汽轮机流量特性及阀门故障检测方法 Download PDFInfo
- Publication number
- CN115749990A CN115749990A CN202211586616.2A CN202211586616A CN115749990A CN 115749990 A CN115749990 A CN 115749990A CN 202211586616 A CN202211586616 A CN 202211586616A CN 115749990 A CN115749990 A CN 115749990A
- Authority
- CN
- China
- Prior art keywords
- valve
- fault
- characteristic
- flow
- dispersion
- 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
- 230000002068 genetic effect Effects 0.000 title claims abstract description 25
- 238000001514 detection method Methods 0.000 title claims abstract description 19
- 238000000034 method Methods 0.000 claims abstract description 31
- 238000004364 calculation method Methods 0.000 claims abstract description 16
- 230000001105 regulatory effect Effects 0.000 claims abstract description 13
- 239000006185 dispersion Substances 0.000 claims description 44
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 238000010586 diagram Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 abstract description 5
- 238000012544 monitoring process Methods 0.000 abstract description 3
- 230000007547 defect Effects 0.000 abstract description 2
- 238000005299 abrasion Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000945 filler Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Landscapes
- Control Of Turbines (AREA)
Abstract
一种基于遗传算法的汽轮机流量特性及阀门故障检测方法，属于汽轮机故障检测技术领域，具体方案包括如下步骤：步骤一、采集机组正常运行工况下调节阀门相关历史数据；步骤二、根据定义的故障特征参数计算方式，基于采集的历史数据获取阀门流量特性曲线及各阀门开启特性，确定故障特征参数的正常值及其变化范围；步骤三、基于实际采集到的实时数据，对故障特征参数进行计算；步骤四、利用实时数据的故障特征参数与正常工况下的故障特征参数进行对比，判断阀门是否出现故障、出现了哪种故障以及故障出现的位置；本发明相比于传统方法可以实现实时准确监测，消除了传统方法只能针对阀门进行专门的开启、关闭试验的弊端。
Description
技术领域
本发明属于汽轮机故障检测技术领域，具体涉及一种基于遗传算法的汽轮机流量特性及阀门故障检测方法。
背景技术
汽轮机调节阀门工作于高温高压环境中，调峰调频工况下工况的频繁调整导致调节阀组动作频繁而磨损加剧，将不可避免地导致阀门部件材料磨损、涂层脱落、阀杆填料剥落、阀芯偏移等问题，进而导致阀门出现硬件问题，长此以往容易发展成为故障并最终影响汽轮机组的安全稳定高效运行。因此，对汽轮机调节阀门进行故障检测的方法对于提升火电机组运行可靠性具有重要意义。
以往的阀门故障早期预警方法均是基于对其进行的专门试验数据进行的。而面向未来深度调峰调频场景，机组需要保证持续运行以避免出现电网负荷波动问题，因此原有的静态实验方法已经不再适用。根据上述分析，现阶段亟需一种能够利用实时数据进行准确的性能评估和性能退化故障早期预警方法。
对于调节阀组来说，其能够采集的测点信息较为全面，包括阀门前后蒸汽状态、阀门开度指令与反馈等，众多的参数中蕴含着较为丰富的信息。而调峰调频导致的工况频繁变化导致测量的参数中存在一定的干扰。如何从众多含有干扰的参数中提取能够表征阀门工作状态的参数，并且以表征参数为基础进行故障检测和定位是研究中的主要难点。
发明内容
为了解决现有的利用专门试验进行阀门故障检测和定位的方法不能全部适用火电机组频繁调峰调频的运行状态的背景，导致无法实时准确判断阀门故障类型并针对故障进行预警的问题，本发明提供一种基于遗传算法的汽轮机流量特性及阀门故障检测方法。
为了实现上述目的，本发明采取以下技术方案：
一种基于遗传算法的汽轮机流量特性及阀门故障检测方法，包括以下步骤：
步骤一、采集机组正常运行工况下调节阀门相关历史数据；
步骤二、根据定义的故障特征参数计算方式，基于采集的历史数据获取阀门流量特性曲线及各阀门开启特性曲线，确定故障特征参数的正常值及其变化范围；所述故障特征参数包括流量特性线性度、流量特性离散度以及阀门开启特性离散度；采用流量特性曲线折线某点与上一提取点的差值作为流量特性线性度指标；采用均方误差对实际数据相比于流量特性曲线的离散度评价流量特性离散度；采用均方误差对实际数据相比于阀门开启特性曲线的离散度评价阀门开启特性离散度；
步骤三、基于实际采集到的实时数据，对故障特征参数按照步骤二的计算方式进行计算；
步骤四、利用实时数据的故障特征参数与正常工况下的故障特征参数进行对比，判断阀门是否出现故障、出现了哪种故障以及故障出现的位置；
其中，步骤二中，基于采集的历史数据，分别绘制综合流量指令与实际通过阀门的流量散点图和综合流量指令与各阀门开度反馈值的散点图；利用遗传算法对综合流量指令与实际通过阀门的流量的关系进行提取，以实际数据与遗传算法提取后的流量特性曲线的误差平方和SSE指标最小为优化目标进行优化，获取阀门流量特性曲线；利用遗传算法对综合流量指令和各阀门开度反馈值的关系进行提取，以实际数据与遗传算法提取后的阀门开启特性曲线的误差平方和SSE指标最小为优化目标进行优化，以获取各阀门开启特性曲线。
进一步的，步骤一中，采集的相关历史数据包括主蒸汽压力、调节级压力、各阀门开度反馈值和综合流量指令。
进一步的，步骤一中，采集的历史数据需要满足机组负荷满足全工况覆盖。
进一步的，步骤四中，判断实时数据的故障特征参数是否发生偏离的方法如下：对于判断线性度是否发生偏离的标准：如果流量特性线性度在0.75-1.25之间，则认为流量特性线性度处于正常状态，如果在小于0.75或者大于1.25范围内则认为出现故障；对于判断离散度是否发生偏离的标准：通过步骤三得到实际数据与拟合曲线的误差的标准差σ，确定阀门故障检测阈值为[-3σ,3σ]，进而利用Pauta准则进行阀门故障检测，如果根据实际数据计算得到的故障特征参数与历史数据的计算值偏差超过上述检测阈值，则判断该故障特征参数出现偏离，否则，判断为未出现偏离；当检测流量特性离散度是否发生偏离时，所述拟合曲线为流量特性曲线，当检测阀门开启特性离散度是否发生偏离时，所述拟合曲线为阀门开启特性曲线。
进一步的，判断故障的标准为：a、如果流量特性线性度正常，且流量特性离散度未发生偏离，阀门处于未发生故障状态；b、如果流量特性线性度不正常，而流量特性离散度未发生偏离，阀门则处于开启规律不合理的故障状态；c、如果流量特性线性度不正常，同时流量特性离散度也发生偏离，结合阀门开启规律判断阀门状态：如果阀门开启特性离散度未出现偏离，则阀门处于阀头脱落或松动状态，而如果阀门开启特性离散度也出现了偏离，则判断为发生了阀门卡涩故障。
进一步的，步骤一中，满足全工况覆盖即满足机组最小稳定负荷和额定功率之间的数据全部采集的条件。
与现有技术相比，本发明的有益效果是：
利用现有机组可获得的实时数据，对汽轮机高压调节阀门是否发生故障进行准确判断，同时利用遗传算法对汽轮机阀门相关测点中存在的干扰信息以及传感器测量噪声进行了有效的滤除，进而可以实现更加灵敏和准确的汽轮机调节阀门故障早期预警。相比于传统方法可以实现实时准确监测，消除了传统方法只能针对阀门进行专门的开启、关闭试验的弊端。
附图说明
图1为一种基于遗传算法的汽轮机流量特性及阀门故障检测方法流程图。
具体实施方式
下面将结合附图和实施例，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是发明的一部分实施例，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的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。
相比于原有方法，本发明主要区别点在于以往方法主要是基于已有定义的热力参数进行监测，而以往参数定义的限制导致了现阶段方法不完全适用。
为解决上述问题，本发明在汽轮机组现阶段频繁调峰调频、机组处于时刻动态调整且无法任意进行专门的故障检测试验的情况下，利用实时获取的阀门相关数据对汽轮机高压调节进行准确监测和故障检测及定位。下面结合具体实施方式对本发明进行说明。
具体实施方式一：
本实施方式记载了一种基于遗传算法的汽轮机流量特性及阀门故障检测方法，包括以下步骤：
步骤一：从汽轮机DCS或者SIS系统中采集机组在高压调节阀门处于正常工况(设备状态处于最优状态)下的数据，采集数据间隔为1s，采集汽轮机组相关数据，具体采集测点如表1所示；采集数据需要满足机组负荷满足全工况(机组可运行的最小负荷至最大负荷)覆盖；
表1
步骤二：根据定义的故障特征参数计算方式，基于采集的历史数据获取阀门流量特性曲线及各阀门的开启特性曲线，确定故障特征参数的正常值及其变化范围；
优选的，基于获得的数据，将综合流量指令与实际通过阀门的流量绘制散点图，利用遗传算法对综合流量指令与实际通过阀门的流量的关系进行提取，以获得阀门流量特性曲线；将综合流量指令与各阀门开度反馈值绘制散点图，利用遗传算法对综合流量指令和各阀门开度反馈值的关系进行提取，以获得各阀门开启特性曲线。遗传算法的优化目标为提取曲线与实际计算得到的散点之间的误差平方和(SSE)最小作为寻优目标。其中拟合点的综合阀位指令间距为1％。
故障特征参数包括流量特性线性度、流量特性离散度以及阀门开启特性离散度三个指标；下面将分别叙述三个指标的计算方式：
流量特性线性度计算方式：在中压缸调节阀门不参与调节的情况下，高压调节阀门的流量特性是指总阀位指令FDEM与流经阀门的实际蒸汽流量Gr的关系。实际蒸汽流量Gr由综合阀位指令和主蒸汽压力共同决定的。为了消除工况变化的影响，在计算中利用压比表征蒸汽流量，利用测量的压力比值的变化来确定流经阀门的流量变化，进而消除主蒸汽压力对于计算结果的影响。Gr的计算方式如下：
其中P1、P1-rate分别代表调节级后的实际压力和额定压力，P0、P0-rate分别代表调节阀门前的实际压力和额定压力。
采用提取得到的流量特性曲线折线某点与上一提取点的差值作为线性度指标。
流量特性离散度以及阀门开启特性离散度计算方式：采用均方误差(MSE)对实际数据相比于流量特性曲线拟合结果的离散度进行评价流量特性离散度；采用均方误差对实际数据相比于阀门开启特性曲线拟合结果的离散度进行评价阀门开启特性离散度指标，其计算方式如下所示。其中，m代表数据集大小，yi代表模型输出，
代表期望输出。
步骤三：基于实际采集到的实时数据，对故障特征参数按照步骤二的计算方式进行计算；
步骤四：利用实时数据的故障特征参数与正常工况下的故障特征参数进行对比，判断阀门是否出现故障、出现了哪种故障以及故障出现的位置。
进一步地，判断实时数据的故障特征参数是否发生偏离的方法如下：
对于判断线性度是否发生偏离的标准：如果流量特性线性度在0.75-1.25之间，则认为流量特性线性度处于正常状态，如果在小于0.75或者大于1.25范围内则认为出现故障。
对于判断离散度是否发生偏离的标准：通过步骤三得到实际数据与拟合曲线的误差的标准差σ，并确定阀门故障检测阈值为[-3σ,3σ]，进而利用Pauta准则进行阀门故障检测。如果根据实际数据计算得到的故障特征参数与历史数据的计算值偏差超过上述检测阈值，则判断该故障特征参数出现偏离，否则，判断为未出现偏离；当检测流量特性离散度是否发生偏离时，所述拟合曲线为流量特性曲线，当检测阀门开启特性离散度是否发生偏离时，所述拟合曲线为阀门开启特性曲线。
进一步地，以如下方式判断阀门出现何种类型故障：
1、如果流量特性线性度正常，且流量特性离散度未发生偏离，阀门处于未发生故障状态；
2、如果流量特性线性度不正常，而流量特性离散度未发生偏离，阀门则处于开启规律不合理的故障状态；
3、如果流量特性线性度不正常，同时流量特性离散度也发生偏离，结合阀门开启规律判断阀门状态：如果阀门开启特性离散度未出现偏离，则阀门处于阀头脱落或松动状态，而如果阀门开启特性离散度也出现了偏离，则判断为发生了阀门卡涩故障。
本发明还可有其它多种实施例，在不背离本发明精神及其实质的情况下，本领域技术人员当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 (6)
1.一种基于遗传算法的汽轮机流量特性及阀门故障检测方法，其特征在于：包括以下步骤：
步骤一、采集机组正常运行工况下调节阀门相关历史数据；
步骤二、根据定义的故障特征参数计算方式，基于采集的历史数据获取阀门流量特性曲线及各阀门开启特性曲线，确定故障特征参数的正常值及其变化范围；所述故障特征参数包括流量特性线性度、流量特性离散度以及阀门开启特性离散度；采用流量特性曲线折线某点与上一提取点的差值作为流量特性线性度指标；采用均方误差对实际数据相比于流量特性曲线的离散度评价流量特性离散度；采用均方误差对实际数据相比于阀门开启特性曲线的离散度评价阀门开启特性离散度；
步骤三、基于实际采集到的实时数据，对故障特征参数按照步骤二的计算方式进行计算；
步骤四、利用实时数据的故障特征参数与正常工况下的故障特征参数进行对比，判断阀门是否出现故障、出现了哪种故障以及故障出现的位置；
其中，步骤二中，基于采集的历史数据，分别绘制综合流量指令与实际通过阀门的流量散点图和综合流量指令与各阀门开度反馈值的散点图；利用遗传算法对综合流量指令与实际通过阀门的流量的关系进行提取，以实际数据与遗传算法提取后的流量特性曲线的误差平方和SSE指标最小为优化目标进行优化，获取阀门流量特性曲线；利用遗传算法对综合流量指令和各阀门开度反馈值的关系进行提取，以实际数据与遗传算法提取后的阀门开启特性曲线的误差平方和SSE指标最小为优化目标进行优化，以获取各阀门开启特性曲线。
2.根据权利要求1所述的一种基于遗传算法的汽轮机流量特性及阀门故障检测方法，其特征在于：步骤一中，采集的相关历史数据包括主蒸汽压力、调节级压力、各阀门开度反馈值和综合流量指令。
3.根据权利要求1所述的一种基于遗传算法的汽轮机流量特性及阀门故障检测方法，其特征在于：步骤一中，采集的历史数据需要满足机组负荷满足全工况覆盖。
4.根据权利要求1所述的一种基于遗传算法的汽轮机流量特性及阀门故障检测方法，其特征在于：步骤四中，判断实时数据的故障特征参数是否发生偏离的方法如下：对于判断线性度是否发生偏离的标准：如果流量特性线性度在0.75-1.25之间，则认为流量特性线性度处于正常状态，如果在小于0.75或者大于1.25范围内则认为出现故障；对于判断离散度是否发生偏离的标准：通过步骤三得到实际数据与拟合曲线的误差的标准差σ，确定阀门故障检测阈值为[-3σ,3σ]，进而利用Pauta准则进行阀门故障检测，如果根据实际数据计算得到的故障特征参数与历史数据的计算值偏差超过上述检测阈值，则判断该故障特征参数出现偏离，否则，判断为未出现偏离；当检测流量特性离散度是否发生偏离时，所述拟合曲线为流量特性曲线，当检测阀门开启特性离散度是否发生偏离时，所述拟合曲线为阀门开启特性曲线。
5.根据权利要求4所述的一种汽轮机阀门故障检测及定位方法，其特征在于：判断故障的标准为：a、如果流量特性线性度正常，且流量特性离散度未发生偏离，阀门处于未发生故障状态；b、如果流量特性线性度不正常，而流量特性离散度未发生偏离，阀门则处于开启规律不合理的故障状态；c、如果流量特性线性度不正常，同时流量特性离散度也发生偏离，结合阀门开启规律判断阀门状态：如果阀门开启特性离散度未出现偏离，则阀门处于阀头脱落或松动状态，而如果阀门开启特性离散度也出现了偏离，则判断为发生了阀门卡涩故障。
6.根据权利要求3所述的一种基于遗传算法的汽轮机流量特性及阀门故障检测方法，其特征在于：步骤一中，满足全工况覆盖即满足机组最小稳定负荷和额定功率之间的数据全部采集的条件。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211586616.2A CN115749990A (zh) | 2022-12-09 | 2022-12-09 | 一种基于遗传算法的汽轮机流量特性及阀门故障检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211586616.2A CN115749990A (zh) | 2022-12-09 | 2022-12-09 | 一种基于遗传算法的汽轮机流量特性及阀门故障检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115749990A true CN115749990A (zh) | 2023-03-07 |
Family
ID=85345719
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211586616.2A Pending CN115749990A (zh) | 2022-12-09 | 2022-12-09 | 一种基于遗传算法的汽轮机流量特性及阀门故障检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115749990A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116224975A (zh) * | 2023-05-08 | 2023-06-06 | 天津卡尔斯阀门股份有限公司 | 一种基于阀门使用数据的分析系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH06146807A (ja) * | 1992-11-06 | 1994-05-27 | Hitachi Ltd | タービン制御装置 |
| CN104330260A (zh) * | 2014-10-17 | 2015-02-04 | 哈尔滨工业大学 | 基于高调门开关试验的汽轮机顺序阀负荷突变故障诊断方法 |
| KR20150101206A (ko) * | 2014-02-26 | 2015-09-03 | (주)우광에스디에스 | 설비 직결형 실시간 모니터링 고장 진단 및 고장 시기 예측 진단장치와 그에 따른 고장 진단 및 예측 진단방법 |
| CN110080833A (zh) * | 2018-04-26 | 2019-08-02 | 广东电网有限责任公司 | 一种改善机组调峰的汽轮机高调门调频能力的评估方法 |
| US20190242936A1 (en) * | 2018-02-05 | 2019-08-08 | Wuhan University | Fault diagnosis method for series hybrid electric vehicle ac/dc converter |
| CN114936520A (zh) * | 2022-05-16 | 2022-08-23 | 三峡大学 | 基于改进mset的汽轮机故障预警分析方法 |
| WO2022237917A1 (zh) * | 2021-11-22 | 2022-11-17 | 中广核工程有限公司 | 核电站汽轮机控制阀门性能诊断方法、存储介质及计算机 |
-
2022
- 2022-12-09 CN CN202211586616.2A patent/CN115749990A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH06146807A (ja) * | 1992-11-06 | 1994-05-27 | Hitachi Ltd | タービン制御装置 |
| KR20150101206A (ko) * | 2014-02-26 | 2015-09-03 | (주)우광에스디에스 | 설비 직결형 실시간 모니터링 고장 진단 및 고장 시기 예측 진단장치와 그에 따른 고장 진단 및 예측 진단방법 |
| CN104330260A (zh) * | 2014-10-17 | 2015-02-04 | 哈尔滨工业大学 | 基于高调门开关试验的汽轮机顺序阀负荷突变故障诊断方法 |
| US20190242936A1 (en) * | 2018-02-05 | 2019-08-08 | Wuhan University | Fault diagnosis method for series hybrid electric vehicle ac/dc converter |
| CN110080833A (zh) * | 2018-04-26 | 2019-08-02 | 广东电网有限责任公司 | 一种改善机组调峰的汽轮机高调门调频能力的评估方法 |
| WO2022237917A1 (zh) * | 2021-11-22 | 2022-11-17 | 中广核工程有限公司 | 核电站汽轮机控制阀门性能诊断方法、存储介质及计算机 |
| CN114936520A (zh) * | 2022-05-16 | 2022-08-23 | 三峡大学 | 基于改进mset的汽轮机故障预警分析方法 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116224975A (zh) * | 2023-05-08 | 2023-06-06 | 天津卡尔斯阀门股份有限公司 | 一种基于阀门使用数据的分析系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105372591B (zh) | 一种基于暂态过程的水电机组健康状态量化评价方法 | |
| CN111159844B (zh) | 一种电站燃气轮机排气温度的异常检测方法 | |
| CN103850726B (zh) | 一种快速确定汽轮机定滑压优化曲线的方法 | |
| CN110080833B (zh) | 一种改善机组调峰的汽轮机高调门调频能力的评估方法 | |
| CN111365083B (zh) | 一种基于热力参数的汽轮机通流部分故障诊断方法 | |
| CN115749990A (zh) | 一种基于遗传算法的汽轮机流量特性及阀门故障检测方法 | |
| CN111191881B (zh) | 一种基于大数据的火电机组工业设备状态监测方法 | |
| CN115018139A (zh) | 基于相间特征的电流互感器误差状态在线辨识方法及系统 | |
| CN111664062B (zh) | 基于可切换滑模趋近率的双馈感应发电机故障检测方法 | |
| CN103925155A (zh) | 一种风电机组输出功率异常的自适应检测方法 | |
| CN115220396B (zh) | 一种数控机床智能监控方法及系统 | |
| CN111608899A (zh) | 一种基于效能分析的水泵运行状态异常判别的方法 | |
| CN112836941A (zh) | 一种煤电机组汽轮机高加系统在线健康状况评估方法 | |
| CN114997539B (zh) | 一种燃气压力调节器故障预测方法与系统 | |
| CN117406026A (zh) | 一种适用于分布式电源的配电网故障检测方法 | |
| CN116609055A (zh) | 一种运用图卷积神经网络诊断风电齿轮箱故障的方法 | |
| CN110646193B (zh) | 一种获取汽轮机高压调门流量特性的试验方法 | |
| CN111797533A (zh) | 一种核动力装置运行参数异常检测方法及系统 | |
| CN106933097B (zh) | 一种基于多层优化pcc-sdg的化工过程故障诊断方法 | |
| CN112240267B (zh) | 基于风速相关性与风功率曲线的风机监测方法 | |
| CN115773158A (zh) | 一种汽轮机阀门故障检测及定位方法 | |
| CN113325824B (zh) | 一种基于阈值监测的调节阀异常识别方法及系统 | |
| CN113758627A (zh) | 一种供水管网瞬变流事件检测方法 | |
| CN111986469A (zh) | 一种现场终端故障智能化诊断的方法 | |
| CN110955706A (zh) | 电厂设备可靠性数据自动统计系统 |
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 |