CN115841082B - 一种加气站异常诊断系统及方法 - Google Patents
一种加气站异常诊断系统及方法 Download PDFInfo
- Publication number
- CN115841082B CN115841082B CN202310148368.1A CN202310148368A CN115841082B CN 115841082 B CN115841082 B CN 115841082B CN 202310148368 A CN202310148368 A CN 202310148368A CN 115841082 B CN115841082 B CN 115841082B
- Authority
- CN
- China
- Prior art keywords
- data
- pump
- gas station
- working state
- prediction model
- 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
Classifications
-
- 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
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/30—Hydrogen technology
- Y02E60/32—Hydrogen storage
-
- 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
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明提出了一种加气站异常诊断系统及方法,涉及加气站异常诊断技术领域,将采集的加气站工作状态数据实时传输到数据化装置进行数据化处理,将数据化处理后的数据传输到存储装置进行存储;对存储装置中存储的数据进行分析处理,生成多个模态分量;对多个模态分量建立预测模型,利用训练数据训练所述预测模型;构建对数似然函数,采用梯度算法,判断对数似然函数的梯度是否低于阈值,从而判断加气站的工作状态数据是否符合预期值。实现了对加气站的正常安全运行进行全方位的诊断和危险预警。
Description
技术领域
本发明涉及加气站异常诊断技术领域,具体涉及一种加气站异常诊断系统及方法。
背景技术
天然气广泛应用于工业、民用、交通等多种领域,在天然气管道没有覆盖到的场所,多数采用LNG或CNG做补充天然气的供给,LNG主要成分是甲烷,无色、无味、无毒且无腐蚀性,其体积约为同量气态天然气体积的1/625。在所有的清洁燃料中,天然气以其应用技术成熟、安全可靠、低温、气液膨胀比大、能效高易于运输和储存、经济可行而被世界许多国家和专家视为目前最适宜的汽车替代燃料。汽车使用天然气作为动力燃料,对减少大气污染、改善环境将会起到积极的推动作用。
加气站的主要工作流程是将液化天然气运输至加气站LNG(LiquefyNanuralGas,液化天然气)储罐进行储存,再通过高压柱塞泵和高压汽化器将液化天然气进行压缩,再将压缩后的天然气储存在高、中、低压储罐,通过加气机为CNG槽车进行加气。因天然气的危险性,例如温度或压力过高,天然气有可能发生爆炸影响周围人和物的安全,因此需对加气过程进行控制。
随着压缩天然气加气站业务的快速发展,加气站能耗总量和能耗比重均快速上升,其中电耗占了总能耗的30%。为了提高加气站的工作效率、减少不必要的能量消费,需要对加气站的大功率设备的运行进行实时在线监测。压缩天然气常规站的主要用电设备包括:干燥系统中的离心压缩机、电加热器、冷凝泵,压缩天然气压缩系统中的压缩机、冷凝器等。液化天然气站的主要用电设备包括潜液泵撬中的潜液泵,柱塞泵撬中的柱塞泵、辅电加热器等;压缩天然气液压平推子站中的主要用电设备有液压油泵等;常规子站的主要用电设备有活塞式压缩机等。目前,加气站中实时在线检测的对象主要是压缩天然气储气瓶中的压力、温度,液化天然气储罐中的液位、压力、温度等,尚无对加气站重要用电设备的功率进行实时在线检测及分析的仪器,尚不能对加气站的正常安全运行进行全方位的检测和危险预警。
LNG天然气加气站日常运行时,工作人员定时巡检记录LNG加气站内各设备的运行状态及运行数据,非常麻烦,一旦运行出现异常,专业维修人员不在现场不能及时进行指导维修,维修时间效率慢,造成LNG加气站长时间停止使用。
发明内容
为了解决上述技术问题,本发明提出了一种加气站异常诊断方法,包括如下步骤:
S1,采集在线传感器上传的加气站工作状态数据;
S2,将采集的加气站工作状态数据实时传输到数据化装置进行数据化处理,将数据化处理后的数据传输到存储装置进行存储;
S3,对存储装置中存储的数据进行分析处理,生成多个模态分量;
S4,对多个模态分量建立预测模型,利用训练数据训练所述预测模型;
S5,构建对数似然函数,采用梯度算法,判断对数似然函数的梯度是否低于阈值,从而判断加气站的工作状态数据是否符合预期值。
进一步地,步骤S3包括:
S31、利用模态分解算法对数据x(n)进行模态分解;
将高斯白噪声信号加入数据x(n)中,其中,i=1,2,…,I ,n表示数据中包含的种类,其中I为添加高斯白噪声信号的次数,利用模态分解算法计算得到第一个模态分量f1:
;
式中,f1i表示第i次添加高斯白噪声信号后进行模态分解所得的第1个分量;i=1,2,3…I;
S32、去除数据x(n)中的第1个模态分量f1,得到第1个余量信号r1(n),
r1(n)= x(n)-f1;
S33、完善余量信号r1(n),得到完善信号R1(n):
;
其中,i=1,2,3…I;式中,Ni(n)为高斯白噪声信号;为控制添加高斯白噪声信号的幅值;E1()为模态分解给定信号的第1个模态算子;
对完善信号R1(n)进行模态分解,计算得到第2个模态分量f2:
;
S34、计算第k个余量信号rk(n)和第k+1个模态分量fk+1:
;
;
其中,rk-1(n)为第k-1个余量信号,fk为第k个模态分量,为控制添加噪声信号的幅值;Ek()为模态分解给定信号的第k个模态算子。
进一步地,步骤S4包括:
对每一个模态分量状态(f,r(n)),其联合组态能量定义如下:
;
式中:fi为第i个模态分量,为第j个余量信号,ai和bj分别为模态分量i和余量信号j的偏置,wj,i为模态分量和余量信号之间的连接权重,/>为模型参数;
模态分量状态(f,r(n))的联合概率分布为:
;
式中: 为归一化因子;
第j个余量信号的激活概率/>为:
;
同样得到第i个模态分量激活概率为:
;
式中, 表示激活函数。
进一步地,步骤S5包括:
对数似然函数为:
;
式中:S为训练样本集合,K为训练样本个数;
梯度算法如下式计算:
。
进一步地,判断是否低于阈值,若低于阈值,则证明对数似然函数符合预定期望,加气站的工作数据符合预期值,不会发生异常状态;反之,当判断/>等于或高于阈值时,则证明对数似然函数不符合预定期望,加气站的工作数据不符合预期值,则会发生异常状态。
进一步地,数据化处理具体包括:数据清理,数据集成,数据变换,数据归约。
本发明还提出了一种加气站异常诊断系统,用于实现加气站异常诊断方法,包括:采集装置,数据化装置,存储装置,分析处理系统,预测模型构建装置,判断装置和显示装置;
所述采集装置用于采集在线传感器上传的加气站工作状态数据;
所述数据化装置用于将采集的加气站工作状态数据实时传输到数据化装置进行数据化处理;
所述存储装置用于对数据化装置处理后的数据进行存储;
所述分析处理系统用于对存储装置中存储的数据进行分析处理,生成多个模态分量;
所述预测模型构建装置用于对多个模态分量建立预测模型,利用训练数据训练所述预测模型;
所述判断装置用于构建对数似然函数,采用梯度算法,判断对数似然函数的梯度是否低于阈值,从而判断加气站的工作状态数据是否符合预期值;
所述显示装置用于当判断异常状态会发生时,输出显示故障类型,提醒操作人员注意。
进一步地,所述在线传感器用于对加气站的潜液泵、储罐、仪表风系统中的任意一个的工作状态数据进行实时采集。
相比于现有技术,本发明具有如下有益技术效果:
将采集的加气站工作状态数据实时传输到数据化装置进行数据化处理,将数据化处理后的数据传输到存储装置进行存储;对存储装置中存储的数据进行分析处理,生成多个模态分量;对多个模态分量建立预测模型,利用训练数据训练所述预测模型;构建对数似然函数,采用梯度算法,判断对数似然函数的梯度是否低于阈值,从而判断加气站的工作状态数据是否符合预期值。实现了对加气站的正常安全运行进行全方位的诊断和危险预警。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例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性的前提下,还可以根据这些附图获得其他的附图:
图1为本发明的加气站异常诊断方法的流程示意图;
图2为本发明的利用模态分解算法对数据进行模态分解的示意图;
图3为本发明的加气站异常诊断系统的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
在本发明的具体实施例附图中,为了更好、更清楚的描述系统中的各元件的工作原理,表现所述装置中各部分的连接关系,只是明显区分了各元件之间的相对位置关系,并不能构成对元件或结构内的信号传输方向、连接顺序及各部分结构大小、尺寸、形状的限定。
如图1所示,为本发明的加气站异常诊断方法的流程示意图,包括如下步骤:
S1,采集在线传感器上传的加气站工作状态数据。
具体地,在线传感器可以设置于潜液泵上,对潜液泵的工作状态数据进行采集,例如泵前压力、泵内温度、泵后压力、泵振幅、泵内气相温度和泵池电流 。
在线传感器可以设置于储罐上,对储罐的工作状态数据进行采集,例如储罐压力,储罐外部环境的温度。
在线传感器可以设置于仪表风系统上,对仪表风系统的工作状态数据进行采集,例如仪表风系统压力。
S2,将采集的加气站工作状态数据实时传输到数据化装置进行数据化处理,最后将数据化处理后的数据传输到存储装置进行存储。
对实时上传的工作状态数据进行数据化处理具体包括:数据清理,数据集成,数据变换,数据归约等。数据预处理技术在数据处理之前使用,大大提高了数据处理的质量,降低实际处理所需要的时间。
数据清理即通过填写缺失的值、光滑噪声数据、识别或删除离群点并解决不一致性来清理数据;数据集成即将多个数据源中的数据结合起来并统一存储,建立数据仓库的过程实际上就是数据集成;数据变换即通过平滑聚集,数据概化,规范化等方式将数据转换成适用于数据挖掘的形式;数据归约即用来得到数据集的归约表示,归约的数据量比原始数据小得多,但仍然接近于保持原数据的完整性,并结果与归约前结果相同或几乎相同。
S3,分析处理系统对存储装置中存储的数据进行分析处理。
S31、利用模态分解算法对数据x(n)进行模态分解,如图2所示。
将高斯白噪声信号加入数据x(n)中,其中,i=1,2,…,I ,n表示数据中包含的种类,其中I为添加高斯白噪声信号的次数,利用模态分解算法计算得到第一个模态分量f1:
(1);
式中,f1表示第1个模态分量;f1i表示第i次添加高斯白噪声信号后进行模态分解所得的第1个分量;i=1,2,3…I;
S32、去除数据x(n)中的第1个模态分量f1,得到第1个余量信号r1(n),
r1(n)= x(n)-f1 (2);
S33、通过式(3)完善余量信号r1(n),得到完善信号R1(n):
(3);
其中,i=1,2,3…I;式中,Ni(n)为高斯白噪声信号;为完善余量信号r1(n)时控制添加高斯白噪声信号的幅值;E1()为经模态分解给定信号的第1个模态算子。
对完善信号R1(n)进行模态分解,通过式(4)计算得到第2个模态分量f2:
(4);
S34、第k个余量信号rk(n)和第k+1个模态分量fk+1按式(5)和式(6)计算得到:
(5);
(6);
其中,rk-1(n)为第k-1个余量信号,fk为第k个模态分量,为完善余量信号rk(n)时控制添加噪声信号的幅值;Ek()为经模态分解给定信号的第k个模态算子。
S4,对k+1个模态分量建立预测模型,利用训练数据训练所述预测模型。
对每一个模态分量状态(f,r(n)),其联合组态能量定义如下:
(7);
式中:fi为第i个模态分量,为第j个余量信号,ai和bj分别为模态分量i和余量信号j的偏置,wj,i为模态分量和余量信号之间的连接权重,/>为模型参数。
基于式(7)的联合组态能量,模态分量状态(f,r(n))的联合概率分布为:
(8);
式中: 为归一化因子,也被称为配分函数。
给定模态分量状态,即输入数据(f,r(n))时,各余量信号的激活条件独立,反之,在给定余量信号状态时,模态分量的激活亦条件独立。第j个余量信号的激活概率为:
(9);
同样可得到第i个模态分量激活概率为:
(10);
式中, 表示激活函数。
给定训练样本后,训练预测模型以调整模型参数,使得该模型参数控制下的预测模型表示的概率分布尽可能与训练数据的分布相符。
S5,构建对数似然函数,采用梯度算法,判断对数似然函数的梯度是否低于阈值,从而判断加气站的工作状态数据是否符合预期值。
对数似然函数为:
(11);
式中:S为训练样本集合,K为训练样本个数。
梯度算法如下式(12)计算:
(12)。
判断是否低于阈值,若低于阈值,则证明对数似然函数符合预定期望,也即加气站的工作数据符合预期值,不会发生异常状态。例如,当工作状态数据为潜液泵的泵前后压力差时,不会发生异常状态代表潜液泵不会出现泄露故障;当工作状态数据为潜液泵的泵振幅时,不会发生异常状态代表泵叶片不会发生损坏从而导致动平衡破坏故障;当工作状态数据为泵内气相温度的差值时,不会发生异常状态代表潜液泵不会出现泵池液位过低故障。
反之,当判断等于或高于阈值时,则证明对数似然函数不符合预定期望,也即加气站的工作数据不符合预期值,则会发生异常状态。当判断异常状态会发生时,输出故障类型至显示装置,提醒操作人员注意。
如图3所示,为本发明的加气站异常诊断系统的结构示意图,加气站异常诊断系统包括:采集装置,数据化装置,存储装置,分析处理系统,预测模型构建装置,判断装置和显示装置。
采集装置用于采集在线传感器上传的加气站工作状态数据。
数据化装置用于将采集的加气站工作状态数据实时传输到数据化装置进行数据化处理。
存储装置用于对数据化装置处理后的数据进行存储。
分析处理系统用于对存储装置中存储的数据进行分析处理,生成多个模态分量。
预测模型构建装置用于对多个模态分量建立预测模型,利用训练数据训练所述预测模型。
判断装置用于构建对数似然函数,采用梯度算法,判断对数似然函数的梯度是否低于阈值,从而判断加气站的工作状态数据是否符合预期值。
显示装置用于当判断异常状态会发生时,输出显示故障类型,提醒操作人员注意。
例如,当判断装置判断潜液泵会出现泄露故障时,显示装置显示故障类型为潜液泵泄露故障;当工作状态数据为潜液泵的泵振幅时,当判断装置判断泵叶片发生损坏从而导致动平衡破坏故障时,显示装置显示故障类型为泵叶片动平衡破坏故障;当判断装置判断潜液泵出现泵池液位过低故障时,显示装置显示故障类型为潜液泵泵池液位过低故障。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者通过所述计算机可读存储介质进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如,固态硬盘(solid snane disk,SSD))等。
以上所述,仅为本申请的具体实施方式,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,可轻易想到各种等效的修改或替换,这些修改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以权利要求的保护范围为准。
Claims (1)
1.一种加气站异常诊断系统,其特征在于,包括:采集装置,数据化装置,存储装置,分析处理系统,预测模型构建装置,判断装置和显示装置;
所述采集装置用于采集在线传感器上传的加气站工作状态数据;所述在线传感器用于对加气站的潜液泵、储罐、仪表风系统中的任意一个的工作状态数据进行实时采集;
所述数据化装置用于将采集的加气站工作状态数据实时传输到数据化装置进行数据化处理;
所述存储装置用于对数据化装置处理后的数据进行存储;
所述分析处理系统用于对存储装置中存储的数据进行分析处理,生成多个模态分量;
所述预测模型构建装置用于对多个模态分量建立预测模型,利用训练数据训练所述预测模型;给定训练样本后,训练预测模型以调整模型参数,使得该模型参数控制下的预测模型表示的概率分布与训练数据的分布相符;
所述判断装置用于构建对数似然函数,采用梯度算法,判断对数似然函数的梯度是否低于阈值,从而判断加气站的工作状态数据是否符合预期值;
对数似然函数为:
;
式中:S为训练样本集合,K为训练样本个数;
梯度算法如下式计算:
;
判断是否低于阈值,若低于阈值,则证明对数似然函数符合预定期望,加气站的工作数据符合预期值,不会发生异常状态;反之,当判断/>等于或高于阈值时,则证明对数似然函数不符合预定期望,加气站的工作数据不符合预期值,则会发生异常状态;
所述显示装置用于当判断异常状态会发生时,输出显示故障类型,提醒操作人员注意,当判断装置判断潜液泵会出现泄露故障时,显示装置显示故障类型为潜液泵泄露故障;
当工作状态数据为潜液泵的泵前后压力差时,不会发生异常状态代表潜液泵不会出现泄露故障;当工作状态数据为潜液泵的泵振幅时,不会发生异常状态代表泵叶片不会发生损坏从而导致动平衡破坏故障;当工作状态数据为泵内气相温度的差值时,不会发生异常状态代表潜液泵不会出现泵池液位过低故障;
当工作状态数据为潜液泵的泵振幅时,当判断装置判断泵叶片发生损坏从而导致动平衡破坏故障时,显示装置显示故障类型为泵叶片动平衡破坏故障;当判断装置判断潜液泵出现泵池液位过低故障时,显示装置显示故障类型为潜液泵泵池液位过低故障。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310148368.1A CN115841082B (zh) | 2023-02-22 | 2023-02-22 | 一种加气站异常诊断系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310148368.1A CN115841082B (zh) | 2023-02-22 | 2023-02-22 | 一种加气站异常诊断系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115841082A CN115841082A (zh) | 2023-03-24 |
CN115841082B true CN115841082B (zh) | 2023-07-25 |
Family
ID=85580068
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310148368.1A Active CN115841082B (zh) | 2023-02-22 | 2023-02-22 | 一种加气站异常诊断系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115841082B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104777831A (zh) * | 2015-04-09 | 2015-07-15 | 武汉船用机械有限责任公司 | 一种液压式潜液泵系统的故障诊断方法 |
CN105181015A (zh) * | 2015-08-31 | 2015-12-23 | 青岛捷能高新技术有限责任公司 | 一种lng加气站故障诊断系统及方法 |
CN108613802A (zh) * | 2018-05-10 | 2018-10-02 | 重庆大学 | 一种基于深度混合网络结构的机械故障诊断方法 |
CN114091539A (zh) * | 2021-11-23 | 2022-02-25 | 郑州恩普特科技股份有限公司 | 一种多模态深度学习的滚动轴承故障诊断方法 |
WO2022261805A1 (zh) * | 2021-06-15 | 2022-12-22 | 大连理工大学 | 一种柴油机齿轮箱故障诊断方法 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101226078A (zh) * | 2008-01-30 | 2008-07-23 | 广厦建设集团有限责任公司 | 一种基于分布式光纤传感器的长距离线性结构异常振动的检测方法 |
CN102147273B (zh) * | 2010-01-29 | 2012-11-28 | 大连理工大学 | 一种基于数据的冶金企业高炉煤气动态预测方法 |
CN103218628A (zh) * | 2013-03-22 | 2013-07-24 | 中国科学技术大学 | 一种基于团块与轨迹特征的异常行为描述方法 |
CN106886660A (zh) * | 2017-03-23 | 2017-06-23 | 哈尔滨理工大学 | EEMD‑Hilbert包络谱与DBN相结合的变负载下滚动轴承状态识别方法 |
CN107436597B (zh) * | 2017-07-17 | 2019-10-18 | 华南理工大学 | 一种基于稀疏过滤和逻辑回归的化工过程故障检测方法 |
CN109323832B (zh) * | 2018-09-12 | 2020-07-28 | 温州大学 | 一种冷镦成型机模具冲击状态的监测方法 |
CN111177224B (zh) * | 2019-12-30 | 2022-04-05 | 浙江大学 | 一种基于条件式规整化流模型的时间序列无监督异常检测方法 |
WO2022067562A1 (zh) * | 2020-09-29 | 2022-04-07 | 西门子股份公司 | 一种故障电弧的诊断方法、装置和计算机可读存储介质 |
CN114004263B (zh) * | 2021-12-29 | 2022-05-03 | 四川大学 | 一种特征融合转换的大型设备工况诊断预测方法 |
-
2023
- 2023-02-22 CN CN202310148368.1A patent/CN115841082B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104777831A (zh) * | 2015-04-09 | 2015-07-15 | 武汉船用机械有限责任公司 | 一种液压式潜液泵系统的故障诊断方法 |
CN105181015A (zh) * | 2015-08-31 | 2015-12-23 | 青岛捷能高新技术有限责任公司 | 一种lng加气站故障诊断系统及方法 |
CN108613802A (zh) * | 2018-05-10 | 2018-10-02 | 重庆大学 | 一种基于深度混合网络结构的机械故障诊断方法 |
WO2022261805A1 (zh) * | 2021-06-15 | 2022-12-22 | 大连理工大学 | 一种柴油机齿轮箱故障诊断方法 |
CN114091539A (zh) * | 2021-11-23 | 2022-02-25 | 郑州恩普特科技股份有限公司 | 一种多模态深度学习的滚动轴承故障诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115841082A (zh) | 2023-03-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108488638B (zh) | 基于声波负压波混合监测的管道泄漏监测系统及方法 | |
CN110208019B (zh) | 一种动设备状态监测动态阈值预警方法 | |
CN105590146A (zh) | 一种基于大数据的电厂设备智能预测检修方法和系统 | |
CN111160791A (zh) | 一种基于gbdt算法及因素融合的异常用户识别方法 | |
CN104677997B (zh) | 一种变压器油色谱在线监测差异化预警方法 | |
CN111612301A (zh) | 基于权重自调节的燃气埋地管道泄漏风险评估方法及装置 | |
CN113435759B (zh) | 一种基于深度学习的一次设备风险智能评估方法 | |
CN105117512A (zh) | 变压器预警值的估算方法及装置 | |
CN111461364A (zh) | 一种压力容器定期检验智能辅助系统及方法 | |
CN112561238A (zh) | 一种抽水蓄能电站辅机设备状态健康评价系统及方法 | |
JP5137307B2 (ja) | 水力発電所のリスク評価システム | |
CN115841082B (zh) | 一种加气站异常诊断系统及方法 | |
Li et al. | Risk assessment of bolt-gasket-flange connection (BGFC) failures at hydrogen transfer stations based on improved FMEA | |
CN107784148B (zh) | 一种集输管道失效率评估方法及装置 | |
CN116517862B (zh) | 一种矿井通风机异常诊断系统 | |
CN110390454B (zh) | 一种石化装置泄漏风险分析与管理系统 | |
CN113148936A (zh) | 一种加油站设备集成安全管理系统 | |
CN107506832A (zh) | 对监控巡视进行辅助的隐患挖掘方法 | |
CN112836359B (zh) | 一种卷烟生产企业供配电设备的安全性评估方法 | |
CN115374961A (zh) | 一种船舶动力运维系统及运维方法 | |
CN114765574B (zh) | 一种网络异常定界定位方法及装置 | |
CN111539642B (zh) | 一种基于面向对象的电厂数据采集处理系统及其方法 | |
CN114517889A (zh) | 一种用于实现氢气质量在线检测的控制方法及加氢系统 | |
CN113944801B (zh) | 基于数据分析的燃气调压器性能检测方法及装置 | |
CN116608419B (zh) | 一种结合振动监测的管道疲劳失效风险评估方法 |
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 |